基于通径分析的四川省交通碳排放驱动机理研究

左大杰，戴文涛

(西南交通大学a.交通运输与物流学院；b.综合交通运输智能化国家地方联合工程实验室；c.中国高铁发展战略研究中心，成都610031)

0 引言

交通运输行业是碳排放流动的源头或发散部门之一，深入细致地分析其碳排放的驱动机理，从中寻求更为合理有效的减排路径及政策，是当前行业研究领域不容忽视的一点[1].为廓清节能减排重点，需要科学测算、分析驱动行业碳排放的关键因子及其效应，目前主流的方法有因素分解分析、计量经济分析和灰色关联分析等.因素分解的代表为对数平均迪氏分解法(LMDI)和Refined-Laspeyres指数法，喻洁[2]、Mendiluce[3]基于 LMDI方法分别测度了中国及西班牙交通运输行业碳排放的拉动和抑制因素，结果表明能源强度和运输结构恶化等是行业碳排放总量增长的主要诱因，还有少许学者将复杂的投入—产出数据与结构分解分析(SDA)联用来探讨行业碳排放的波及特性；计量分析的应用则主要依赖于各类协整、回归、因果等关系的建立，年江[4]运用随机影响方程(STIPRAT)分析了我国客货运与碳排放增长的联系及区域间经济增长对运输部门碳排放增长产生的交叉效应，Poumanyvong[5]利用STIPRAT方法证实城市化对交通能耗及碳排放会产生促进作用且在高收入国家尤为明显，蔡婉华[6]应用基于面板数据的向量自回归模型(PVAR)探讨了我国不同经济区交通运输、经济增长及碳排放三者间相互影响的动态关系；张毅[7]利用灰色关联分析方法证实运输业能源强度与三大产业中的第三产业关联度最大，此外像环境库兹涅茨(EKC)曲线和Tapio脱钩理论这类分析经济发展与环境效应互动关系的理论也逐渐应用到行业碳排放的内在影响机理研究中.

既有研究在协调行业发展与节能减排的矛盾上已取得一定成果，在为我们提供方法借鉴的同时在某种程度上揭示出行业的一些基本特性，但这些研究仍主要存有以下2点不足：

(1)在碳排放影响源选取上，既有研究得出的驱动因子难成体系或信息重叠问题突出，部分研究甚至很难证实因子设置本身与碳排放存在因果关系；

(2)在碳排放驱动力认识上，多数研究将驱动因子按平行参照处理(以LMDI和STIRPAT模型最为突出)，仅计算单因子对碳排放的直接贡献或弹性系数.

鉴于驱动因子间可能存在较强相关性，影响路径具有多通道和多反馈特点，而传统研究手段很难反映这种替代、诱导关系，本文考虑因子的两两交互影响，引入通径分析理论对交通运输碳排放的内在驱动机理展开进一步探究，为设计适应四川省交通运输发展特点的具体碳减排工具和政策提供参考是本文的主要研究目的.

1 通径分析理论

通径分析是由数量遗传学家Sewall Wright提出的一种多元统计技术.当解释变量数目较多且相互关系复杂，或解释变量交互作用对响应变量产生影响时，通径分析将极具优势，它将标准化变量的偏回归系数拆分为附加方向性的系数，能使已掌握的相关和因果关系等方面的定性信息相结合.设解释变量x1,x2,…xk同响应变量y满足线性关系，作偏差变换有[8]

式中：,σy分别为y的均值和标准差；,σxi分别为xi的均值和标准差；βi为xi的偏回归系数.

以rij,riy分别表示xi同xj,y的相关系数，由最小二乘原理求出βi的值，再由相关系数的定义及性质可将riy分解为piy和两部分，其正规方程组形式为

实际模型设定中很难将响应变量的所有影响因素都考虑在内，故须进一步核算遗漏变量和随机误差对y的影响，即剩余通径pεy，若该值很小表明通径分析已经把握主要变量，否则可能遗漏某些主要解释变量，需进一步查找分析，其计算式为

2 指标选取及数据来源

2.1 碳排放估算

由于国内尚无权威机构统计公布地区和行业的碳排放量，所以估算该值就成为一切碳排放研究开展的基础.目前国际上可查的且较为成熟的碳排放测算方法为IPCC推荐计算法，它包括基于终端能源消费对象的“自下而上法”和整体能源消耗数据的“自上而下法”.结合交通运输行业(移动源)碳排放特点和已有统计基础，本文选用后者测算其运营过程中的碳排放量为

式中：EC为碳排放总量；i为能源类型；Ei,Fi分别为第i类能源的终端消费量(按折算标煤计)和碳排放系数；44/12为碳与CO2的转换系数.

2.2 备选因子

逻辑上，影响交通碳排放的因子众多且各自对碳排放的贡献程度不同，如经济水平、运输规模多被验证为正向驱动因子，而能耗效率常被视为负向驱动因子，因此，对驱动行业碳排放的关键因子需要科学识别.根据IAEA(国际原子能机构)的MAED模型中的ASIF数据构造原理[9]，兼顾数据可得性及指标层次性，选取人均GDP(AG:元·人-1)、单位GDP运输周转量(YS:t·km·10-4元-1)、公路与铁路周转量的相对比值(RR:1)、单位周转量的能耗量(NH:kg standard coal·10-4t-1·km-1)、城镇化率(CZ:100%)、客货周转量的相对比值(KH:1)等6个解释变量作为驱动交通碳排放的备选因子，运用逐步回归方法筛选其中隐含的关键因子.响应变量选取人均交通碳排放量(AC:kg·人-1).为降低序列异方差性影响，对上述所有变量均作对数化处理并分别记为：

2.3 数据来源

本文以四川省为例，样本期选定为1995—2014年，终端能源消费量及能源碳排放系数来源于历年《中国能源统计年鉴》中的“分地区能源平衡表”部分，其他数据取自《四川统计年鉴》，为消除价格因素变动影响，实际GDP均以1995年为不变价进行平减，部分数据已结合《重庆统计年鉴》进行相应扣除.相关时间序列组如图1所示.

图1 序列组趋势图(对数化处理)Fig.1 Trend chart of sequence group(Logarithmic processing)

3 实例分析

区域交通运输碳排放的驱动因子间可能彼此相关，鉴于通径分析的主要优点在于运用标准化的通径系数将响应变量与解释变量的表面相关性进行分解，本文选其探究驱动因子对行业碳排放的作用机理.同时，为便于比较各指标的阶段性特征对碳排放的影响，根据RR数值大小，将样本划分出1995—2007年(公＜铁)及2008—2014年(公＞铁)2个阶段.

3.1 对变量的检验和识别

通径分析是一类特殊的多元回归问题，因此必须对响应变量做正态检验，结果如表1所示.小样本时选取S-W检验结果，由各显著性概率P值可知，不应拒绝原假设H0：各阶段响应变量近似服从正态分布，可进行逐步回归分析.

表1 正态检验结果Table 1 Normal test results

以全样本为例，将解释变量逐一引入回归过程，结果如表2所示，可知模型6对排放强度的解释力最佳.因此，前4个指标可构成样本期内驱动四川省人均交通碳排放量的有效因子，它们能用于解释行业碳排放的主要影响路径且相互之间信息不重叠，为便于后续分析分别命名为经济强度、运输强度、相对结构、能耗强度，响应变量视作排放强度.

3.2 回归结果

各阶段回归方程如式(6)～式(8).由全样本回归结果可知，经济强度、运输强度、能耗强度均是促进排放强度增长的因子，其比例每提高1%，排放强度分别增加1.039%、1.082%、0.977%，而相对结构的回归系数似乎与实际经验不符，作者认为可能存在如下两方面原因：一是收入增长会带来居民消费理念的改善，出行和货运方式日趋合理、集约、高效从而重构了排放强度的增长轨迹；二是相关部门出台的一些奖惩措施和环境规制在公路运输上得到有效实施从而抵减了排放强度的上升幅度.另外，从阶段回归结果来看，通过调整运输结构对排放强度增长的抑制作用正在减小，应侧重发挥能耗强度下降对碳减排的效用.

表2 逐步回归结果Table 2 Results of stepwise regression

3.3 通径分析结果

传统回归分析并不能准确揭示行业碳排放驱动机理，本文将尝试从通径分析角度解释其原因.囿于篇幅限制，本文主要以全样本为例讨论，由上述通径分析原理获取各有效驱动因子交互作用下对排放强度产生的效应，其结果如表3所示.剩余通径系数pεy≈0，表明该通径分析过程已经把握主要因子.各有效驱动因子对排放强度的决策系数按降序排列为：，表明经济强度和能耗强度对排放强度起主要增进作用，运输强度和相对结构则由于受到显著间接影响而偏离预期效用，具体分析如下：

(1)经济强度为主要决策因子，它对排放强度的正向拉动最大(直接效应1.133)，总间接效应(-0.197)对其直接效应的缓冲有限，致使经济增长与交通碳排放呈高度正相关.经济强度对运输强度和相对结构在排放强度的间接贡献上分别具有很强的抑制和推动作用，其与运输强度的互动表明四川省经济增长与交通发展整体的低依存度有助于降低碳排放.

(2)运输强度为主要限制因子，它对排放强度的直接效应为0.292，表明运输强度的上升会促进排放强度的增长，但总间接效应为-1.117，使其与排放强度的相关性为-0.825，这主要源于运输强度对经济强度有较大的负向依赖.其余因子通过运输强度对排放强度的间接影响均为负值，表明四川省运输效率已有一定程度提升，保证经济强度上行所引致的运输结构调整的同时使运输强度下降才能使行业在运输化转型过程中单位碳排放逐渐得以控制.

(3)相对结构对排放强度的直接效应和总间接效应分别为-0.023和0.806，表明相对结构对排放强度的直接影响并不显著，公路和铁路等运用结构上的变化通过为经济发展服务间接推动排放强度的快速增长.样本期内，尽管四川省公路运输的比重在上升，但其整体上是与运输强度和能耗强度良性互动的，其余因子很难通过相对结构对排放强度产生间接影响.当前排放强度对运输结构调整的直接响应尚不敏感，相对结构自身仍非常依赖于经济强度的传导.

(4)能耗强度对排放强度的直接效应(0.449)和总体效应(0.442)相差不大，表明能耗强度的变化可直接作用于排放强度的大小.运输强度及相对结构通过能耗强度的间接影响均对排放强度的增长产生抑制，表明四川省运输活动水平与能源使用效率间的关系有一定程度缓和，而经济强度同能耗强度的互动则促进了碳排放的增长.因此，要降低行业碳排放强度，必须在保证经济强度增长的同时，致力于降低运输强度和能耗强度，摆脱工业化和城镇化对运输活动和能源消费的高强度依赖，公路与铁路运输相对结构的比值则可以基本保持稳定或有一定程度下降.

(5)排放强度与备选因子的相关性如表4所示.定性地看，由偏相关性给出的信息更符合实际，排放强度与经济强度、运输强度和能耗强度均呈显著正相关，相对结构较其余有效因子影响小，被筛除的指标与排放强度的偏相关性均不显著.因此，在做多因子分析时，仅从回归结果做出判断很可能会得到错误的结论，结合通径分析与偏相关分析则能在一定程度上避免此种问题.由阶段通径分析结果，如图2所示，可知经济强度和能耗强度对碳排放的作用无论在直接还是间接效应上均随时间放大，而相对结构对排放强度的直接效应及其对其他因子的间接影响始终有限，证实当前四川省的运输活动水平实际仍滞后于经济发展的需要.

表3 通径分析结果Table 3 Path analysis results

表4 排放强度与备选因子的相关性Table 4 Correlation between emission intensity and alternative factors

图2 驱动因子对排放强度的通径系数分解Fig.2 Driving factor decomposition of path coefficient on emission intensity

4 结论

本文以四川省有关数据为依据，运用逐步回归和通径分析方法探讨了区域交通运输碳排放的内在驱动机理，主要研究结论包括：

(1)相比其他指标，经济强度、运输强度、相对结构、能耗强度是驱动四川省人均交通碳排放量的关键因子，公路运输结构比例的上升主要依赖显著的间接作用去驱动个体交通碳排放的增加，调整运输结构对排放强度增长的抑制作用正在减小.

(2)各驱动因子对排放强度的直接与总体效应排序不完全一致.定性上，运输强度和相对结构的上升均会对排放强度产生正向驱动，但受到经济强度的强诱导后，两者呈现出截然不同的效应.决策系数为排放强度影响路径信息的综合决策理顺了思路，造成四川省交通运输碳排放强度快速增长的主要因素是经济发展水平的提高且其综合作用仍很显著.

当前，四川省仍处于经济稳定发展时期，由此驱动了行业碳排放的显著增加.为保持该省交通和经济发展继续向着“高增长、低排放”模式演进，在相对结构难以有效调整的情况下应致力于降低运输强度和能耗强度来抑制行业碳排放强度的增长，因此要尽量减少不必要的出行及不合理的货运形式(如对流和过远运输等)，同时大力发展人均能耗较小的公共运输方式，倡导低碳出行和消费理念；另外，应着力推动能源工业的技术革新，提高能源利用效率，减少化石燃料在行业能耗结构中的占比，并通过制定和实施相关的行业环境规制来有效降低其能耗强度，从而抑制行业碳排放强度的增长速率.

参考文献：

[1]Organization for Economic Cooperation and Development(OECD).Cutting Transport CO2Emissions:What progress?[M].Paris:OECD Publications,2007.

[2]喻洁,达亚彬,欧阳斌.基于LMDI分解方法的中国交通运输行业碳排放变化分析[J].中国公路学报,2015,28(10):112-119.[YU J,DA Y B,OU YANG B.Analysis ofcarbon emission changes in China's transportation industry based on LMDI decomposition method[J].China Journal of Highway and Transport,2015,28(10):112-119.]

[3]MENDILUCE M,SCHIPPER L.Trends in passenger transport and freight energy use in spain[J].Energy Policy,2011,39(10):6466-6475.

[4]年江.中国交通运输行业碳排放影响因素研究：基于区域面板数据的STIRPAT模型分析[D].厦门:厦门大学,2014.[NIAN J.Underlying factors for transport sectorCO2emissions:STIRPAT modelbasingon regional panel data in China[D].Xiamen:Xiamen University,2014.]

[5]POUMANYVONG P,KANEKO S,DHAKAL S.Impacts of urbanization on national transport and road energy use:Evidence from low,middle and high income countries[J].Energy Policy,2012,46(3):268-277.

[6]蔡婉华,叶阿忠.交通运输、经济增长与碳排放之间的互动关系研究：基于PVAR模型[J].交通运输系统工程与信息,2017,17(3):26-31.[CAI W H,YE A Z.Interactive relationship among transportation,economic growth and carbon emissions based on PVAR model[J].Journal of Transportation Systems Engineering and Information Technology,2017,17(3):26-31.]

[7]张毅,张恒奇,欧阳斌,等.绿色低碳交通与产业结构的关联分析及能源强度的趋势预测[J].中国人口,资源与环境,2014,24(11):5-9.[ZHANG Y,ZHANG H Q,OU YANG B,et al.Analysis and forecast of energy consumption in transportation industry:Based on the grey model[J].China Population,Resources and Environment,2014,24(11):5-9.]

[8]CHEN W,LEI Y.Path analysis of factors in energyrelated CO2emissions from Beijing's transportation sector[J].Transportation Research Part D,2017(50):473-487.

[9]CHANG S Y,HU X J,OU X M,et al.Decomposition analysis of inter-city passenger transportation energy consumption in China[J].China Population,Resources and Environment,2010,20(3):24-29.