铁路绿色货运对环境绩效的影响研究

汪银月，傅忠宁，梅 镇，陈国鹏，李丽园

(1.兰州交通大学 交通运输学院，甘肃 兰州 730070；2.中国铁路兰州局集团有限公司 科技和信息化部， 甘肃 兰州 730000；3.中铁二院工程集团有限责任公司 土建一院，四川 成都 610031)

0 引言

2019年9月，黄河流域生态保护和高质量发展被列为重大国家战略。区域经济的发展离不开交通运输业。铁路运输在减少污染、降低能源消耗等方面与公路、航空运输相比具有明显优势。作为一种绿色环保的运输方式，铁路货运对黄河流域的生态环境会产生多种影响。鉴于此，为实现经济高质量发展和生态保护双赢，有必要开展铁路货运对黄河流域生态环境影响的研究。

世界可持续发展工商理事会(WBCSD)于1992年提出生态效率的概念，认为其由资源效率和环境绩效2部分组成。其中，环境绩效被界定为系统所创造的单位价值与产生的环境影响之比，是测度可持续发展的标准之一。目前国内外对于环境绩效的研究分为2大类，一类是以企业为主体，研究企业环境绩效及其影响因素；另一类是以区域为主体，研究城市、省份或国家环境绩效及其影响因素。在此，所研究的黄河流域环境绩效属于第二类。

环境绩效测算方面，国外研究起步较早，2001年Dyckhoff等[1]就提出运用数据包络分析法(DEA)来测算环境绩效以衡量生态效率。基于国外研究成果，国内衍生了多种环境绩效测算方法。董战峰等[2]在环境绩效评估系统框架构建中引入熵权法，测算了我国30个省(区市)的环境绩效指数；周智玉[3]采用改进的数据包络分析法测算了长株潭城市群和武汉城市圈9个地级市的环境保护绩效并进行了动态分析；冯雨等[4]利用主成分分析法评估了长江经济带11个省市的环境绩效。

环境绩效影响因素方面，Valeria等[5]对意大利20个地区进行实证研究，发现地区的部门创新、环境政策以及区域溢出效应都会影响该地区的环境绩效；郑义等[6]探讨了环境技术效率、污染治理对环境绩效的影响，通过实证表明环境技术效率及污染治理投资均能提升省级环境绩效；张子龙等[7]研究发现，产业结构、人口规模和经济增长会抑制城市环境绩效的提升；国涓等[8]通过分解潜在环境绩效发现，要素配置效率和技术创新能力会在不同程度上影响环境绩效。从研究方法上来看，学者们多采用面板回归模型探讨环境绩效的影响因素，忽略了环境绩效可能存在的空间特征。从理论上来看，与传统的面板回归模型相比，空间计量模型更能准确地把握各个因素对环境绩效的空间冲击。

此外，为具化铁路货物运输的有益之处，提出铁路绿色货运这一概念。目前尚未有对于铁路绿色货运的定性研究。借鉴绿色物流及绿色列车[9]的含义，将铁路绿色货运定义为以高效、节能、环保为目标，采用绿色创新技术实现铁路货运对区域环境影响最小化、运输资源利用最大化的过程。在铁路货运绿色环保的表现方面，陶学宗等[10]通过实例研究了义乌—宁波港域集装箱货运“公转铁”的减排潜力，定量证明了铁路货运的碳排放效率优势对绿色交通的推动作用；王勇等[11]通过分析2006—2017年碳排放量的变化趋势，表明我国铁路运输正朝着低碳绿色方向发展。多项研究表明，植被屏障可以有效减少污染物排放从而改善环境质量。为了打造生态铁路、建造绿色长廊，沿线绿化也是近年来铁路生态修复的重点。由此可见，铁路货运的绿色环保主要体现在碳排放及沿线绿化程度上。

总体而言，学者们普遍认为相较其他运输方式，铁路货物运输对环境更友好。在此，借鉴已有研究成果，选取2008—2019年黄河流域各省(区)面板数据，利用空间计量模型分析铁路绿色货运及其交互项对环境绩效的影响，以期为黄河流域铁路货运的发展规划以及与环境的协同政策提供参考。

1 研究设计

1.1 模型设定

拟基于黄河流域山西、陕西、河南、山东、甘肃、青海、宁夏和内蒙古等8省(区) 2008—2019年的面板数据构造空间计量模型。由于模型设置错误会影响模型估计的有效性，因此空间计量模型的选择至关重要。空间分析的标准方法主要侧重于空间依赖性和空间异质性2个问题。空间滞后模型(SLM)可以通过考虑被解释变量的内生交互作用来衡量空间依赖程度。换言之，该模型可以反映本区域环境绩效对周边区域环境绩效的间接影响(即空间溢出)。空间误差模型(SEM)通过考虑空间误差项之间的交互作用来衡量相邻区域一些不可观测因素对本区域环境绩效的影响。而空间杜宾模型(SDM)作为上述2种模型的组合扩展形式，既考虑了被解释变量的空间相关性，又考虑了解释变量的空间相关性。

由于空间杜宾模型相较于空间滞后模型和空间误差模型有明显优势，初步选择其为实证分析的基本模型，后续将通过相关检验判断其是否为最优模型。模型公式如下。

式中：EPit为被解释变量，表示i省市在t年的环境绩效；Xit为解释变量，表示i省市在t年的铁路绿色货运；Zit为控制变量，包括环保投资(EI)、产业结构(IS)、技术创新(TE)；Wij表示省市i对省市j的空间权重；μi为不随时间变化的个体差异；λi为不随个体变化的时间差异；εit为随机扰动项；n为样本中的省份数8；δ为环境绩效的空间溢出效应强度；β1，β2分别表示解释变量和控制变量对环境绩效的直接影响系数；θ1，θ2分别表示解释变量和控制变量对环境绩效的空间影响系数。

1.2 样本与数据来源

1.2.1 研究变量

（1）被解释变量——环境绩效。基于已有文献研究结论[12]，构建环境绩效指标体系如表1所示。环境绩效由环境健康、资源消耗、环境治理、环境绿化及资源循环5个部分组成。其中，环境健康用单位GDP废气排放量(废气排放量包括废气中氮氧化物排放量、二氧化硫排放量及烟粉尘排放量)和单位GDP废水排放量衡量，排放量越高环境健康水平越低，环境绩效越低；资源消耗用人均用水量、人均电力消耗量衡量，消耗量越高资源消耗越高，环境绩效越低；环境治理用城市垃圾及污水处理率衡量，处理率越高环境治理越强，环境绩效越高；环境绿化用造林面积衡量，造林面积越大环境绿化越好，环境绩效越高；资源循环用工业固废利用率衡量，处理率越高资源循环越好，环境绩效越高。

表1 环境绩效指标体系Tab.1 Indicator system of environmental performance

（2）解释变量——铁路绿色货运。根据前文讨论的结果，选用碳排放效率及绿化里程数来量化铁路绿色货运，铁路绿色货运测度指标如表2所示。其中，铁路碳排放效率无直接数据来源。参考卢建锋等[13]对于交通碳排放效率的研究，从单要素角度出发，将其定义为“铁路货物周转量与铁路碳排放总量的比值”。

表2 铁路绿色货运测度指标Tab.2 Measurement indicators for green railway freight transport

式中：Cp为铁路碳排放效率，t·km/kg；Y为铁路货物周转量，t·km；C为铁路碳排放量，kg。

根据国家标准煤热值转换，得到铁路碳排放量计算公式如下。

式中：为内燃机车和电力机车的平均能耗，kg/(t·km)；CE为标准煤热值，取29.307 6 GJ/kg；p为CO2排放系数，取94.9 kg/GJ。

最终铁路碳排放效率公式简化如下。

从公式 ⑷ 可以看出，机车平均能耗越小，铁路碳排放效率越高。由于电力机车占比越大，机车平均能耗越小，因此提高电力机车占比可以有效提高碳排放效率。

（3）控制变量。基于对现有文献的研究，选用环保投资、产业结构及技术创新作为模型的控制变量。其中，环保投资选用工业污染治理投资额来衡量。目前我国仍处于工业化发展阶段，虽然工业化的快速发展创造了高经济效益，但是也增加了污染物排放，影响环境绩效。而工业污染治理投资可以加大工业环境基础设施建设，有效降低工业生产对环境造成的污染。技术创新的测度为国内专利授权数。国内专利中包含绿色环保专利。绿色环保专利的应用可以从2方面改善环境质量，一是直接减少部分污染物排放，二是提高企业生产效率，减少能源消耗，进而提高环境绩效。参考陈晓通等[14]的研究，将产业结构用构造的产业结构指数来衡量，具体公式如下。

式中：IS为产业结构指数，数值越大表示产业结构越高级；I1，I2，I3分别为第一、第二、第三产业产值占GDP比重。

1.2.2 数据来源及预处理

鉴于黄河流域在四川省的径流面积较小，且四川省已经整体纳入长江经济带中，考虑数据可获取性、连续性与科学性，所研究的黄河流域范围包括山西、陕西、河南、山东、甘肃、青海、宁夏和内蒙古8省(区)，研究样本为2008—2019年间黄河流域8个省(区)形成的面板数据。在数据收集过程中，废气指标中氮氧化物排放量最早统计年限为2011年，因此将面板数据中废气排放指标统计为二氧化硫排放量和烟粉尘排放量总和。研究所有基础数据均来自《中国环境统计年鉴》《中国铁路年鉴》，以及省级统计年鉴和国家统计局网站。

为保证数据的完整性和计算的科学性，需要对原始数据进行预处理。首先，对于部分缺失值采用预测方法处理。其次，在环境绩效测算中对原始数据进行归一化处理以解决指标量纲及正负向性质差异化问题。最后，对于数据离散程度较高的数据进行取对数处理以消除数据的异方差。通过数据分析，对绿化里程数(GM)、环保投资(EI)以及技术创新(TE)等模型变量进行取对数处理，分别记为lnGM，lnEI和lnTE。变量定义和数据描述如表3所示。

表3 变量定义及数据描述Tab.3 Variable definition and data description

从数据描述可以看出，各项数据经过预处理已渐近正态化分布，可以进行实证分析。

2 实证分析

2.1 环境绩效的测算

以往研究中多用一种赋权方法确定指标权重，可能会导致权重之间差距悬殊。因此，采用熵值法[15]与层次分析法组合赋权的方法对各指标进行权重分配，从而使权重分配趋于合理，公式如下。

式中：Wj为组合权重；W1，W2分别为熵值法、层次分析法的赋权结果。

基于此测算出2008—2019年间黄河流域各省(区)环境绩效，环境绩效值介于[0，1]之间，值越大表示环境绩效越好。环境绩效测算结果如表4所示。

从表4可以看出，2008—2019年环境绩效的发展趋势大体上呈现提升状态，但由于受各省(区)经济、政策不一致影响，各省(区)环境绩效值增长速度不同。

表4 环境绩效测算结果Tab.4 Results of environmental performance measurement

2.2 空间适用性检验

在使用空间计量方法前，首先要考察数据是否存在空间自相关性。空间自相关指数，如Moran’s I，Geary’s C和General G可以表明一个变量或对象是否在给定的尺度上表现出明显的空间依赖性。由于学术界对Moran’s I指数的研究相对成熟且使用广泛，在此选用Moran’s I指数以衡量黄河流域各省(区)的环境绩效是否存在空间相关性，其公式如下。

式中：I为莫兰指数；为样本方差；wij为空间权重矩阵；xi为第i个省(区)的环境绩效；n为区域个数。

Moran’s I值[16]的区间在[-1，1]之间，在既定的显著水平下，莫兰值显著为正，表示存在空间正相关；莫兰值显著为负，表示存在空间负相关。

Moran’s I需要引入空间权重矩阵进行空间相关性检验，常见的空间权重矩阵有地理邻接矩阵、经济距离矩阵、地理距离矩阵和经济地理矩阵。经过对比，发现黄河流域环境绩效的空间相关性更符合基于各省(区)经纬度距离的地理距离矩阵，因此采用基于地理特征的地理距离矩阵，公式如下。

式中：Wij为第i行、第j列的矩阵元素；dij为各省(区)之间的经纬度距离。

使用Stata统计软件得到环境绩效全局莫兰值如表5所示。

表5 环境绩效全局莫兰值Tab.5 Global Moran’s I of environmental performance

从表5可以看出，大部分年份都通过了显著性为10%的检验，即拒绝不存在空间自相关性的原假设。该结果表明，环境绩效在地理位置上存在着一定的空间相关性，可以进行空间相关性分析。整体来看，最初这种空间相关性表现为正向，即在地理位置上呈现环境绩效的高-高聚集以及低-低聚集，而后几年相关性表现为负向，即在地理位置上呈现环境绩效的高-低聚集以及低-高聚集，最终相关性又回归正向。因此，为更全面地探究环境绩效这种空间相关性波动的原因，需要进一步进行空间计量分析。为了确定模型的具体形式[17]，分别进行了Hausman检验、LM检验、Wald检验、LR检验以及LR联合显著性检验，空间计量模型的检验结果如表6所示。由表6可知，Hausman统计量在1%的置信水平下显著拒绝原假设，说明应选用基于固定效应的空间计量模型。LM检验中SEM模型和SLM模型的P值均在1%的水平下显著即拒绝了原假设，说明各变量之间不仅存在空间滞后效应，而且还存在空间误差效应。因此，相较于SEM模型和SLM模型，本研究中SDM模型更为合适。进一步通过Wald检验和LR检验来确定空间面板模型的具体形式，结果发现Wald统计量和LR统计量均在1%的显著性水平上拒绝了原假设，说明空间杜宾模型为最优模型。且LR联合显著性检验结果均在1%的显著性水平下拒绝了原假设。因此，最终选择双固定效应空间杜宾模型(SDM)进行估计。

表6 空间计量模型的检验结果Tab.6 Test results of spatial econometric model

2.3 模型估计结果分析

空间杜宾面板模型估计结果如表7所示。根据模型估计结果可知，铁路碳排放效率(CE)和绿化里程数(lnGM)的回归系数分别在5%，10%的显著性水平下显著为正，而空间滞后项系数分别在5%，1%的显著性水平下显著为负，说明本省(区)的铁路碳排放效率及绿化里程数均对本省(区)环境绩效起着显著的促进作用，但是均存在负面溢出效应，即对周边省(区)的环境绩效有负向的传导作用。由于铁路碳排放效率(CE)及绿化里程数(lnGM)均体现铁路绿色货运，说明本省(区)的铁路绿色货运对自身环境绩效起着显著的促进作用，而对周边省(区)有着负面影响。

表7 空间杜宾面板模型估计结果Tab.7 Estimated results of spatial Durbin panel model

环保投资(lnEI)的回归系数在5%的显著性水平下显著为正，说明加大工业污染治理投资可以有效降低工业生产对环境造成的污染，对本省(区)的环境绩效起一定的促进作用。产业结构(IS)在10%的显著性水平下显著为负，说明目前产业结构不够优化，在一定程度上抑制本省(区)的环境绩效；技术创新(lnTE)的回归系数和空间滞后项系数分别在1%，10%的显著性水平下显著为正，说明随着新技术研发并投入使用，不仅能提高本省(区)的环境绩效而且能促进周边省(区)环境绩效的提升。其余2个控制变量(lnEI，IS)的空间滞后项系数在10%的显著性水平下均不显著，说明其对环境绩效无明显溢出效应。

2.4 空间效应分析

由于SDM模型同时包含被解释变量和解释变量的空间滞后项，解释变量空间滞后项会对反馈效应产生影响，因此SDM模型估计的回归系数可能存在偏差。为了消除这种潜在误差，参考Lesage和Pace提出的偏微分法，测算因空间依赖而产生的直接效应、间接效应及总效应。直接效应、间接效应及总效应结果如表8所示。

表8 直接效应、间接效应及总效应结果Tab.8 Results of direct effects, indirect effects, and total effects

根据偏微分法分解结果可以看出，铁路碳排放效率(CE)的直接效应为正值而间接效应与总效应均为负值，且直接效应与间接效应的回归系数均在5%的显著性水平下通过检验。本省(区)铁路碳排放效率每增长1个单位，自身环境绩效增长0.601个单位，周边省(区)的环境绩效减少1.273个单位。总效应不显著可能是由直接效应和间接效应的两极分化表现导致。绿化里程数(lnGM)间接效应通过5%显著性检验，回归系数为负，说明存在负面的溢出效应；其直接效应和总效应不明显。

环保投资和技术创新(lnTE)能显著提升环境绩效，产业结构(IS)则表现为抑制作用。此外，技术创新(TE)的直接效应、间接效应和总效应分别在显著性水平为1%，10%，1%的情况下显著为正，且各项效应的回归系数均为正，说明推动专利技术的研究不仅对本省(区)的环境绩效有着促进作用，而且存在显著的正向溢出效应。其余变量(EI，IS)间接效应和总效应不明显。

3 结论与建议

研究基于组合赋权法测算出2008—2019年黄河流域8个省(区)环境绩效，利用Moran’s I指数分析其空间自相关特征，构建空间计量模型就铁路绿色货运对环境绩效的影响效应进行实证分析。研究结果表明，黄河流域环境绩效存在随时间波动的空间自相关性。铁路碳排放效率对本省(区)的环境绩效有显著的促进作用，然而绿化里程数均呈现负面溢出效应。技术创新无论对本省(区)还是临近省(区)的环境绩效都有较好的促进作用。针对这种现象，考虑是由于绿化工作的环境效益存在严重的滞后性，而专利的投入使用在短期内有良好的效果。从长期来看，推动沿线绿化能有效改善区域环境质量。

通过以上检验分析结果，提出以下政策建议。

黄河流域铁路应不断加大电力机车投入，进一步调整电力机车的比例以实现铁路碳排放效率的提升，推动铁路沿线绿化以改善生态环境，从而达到提升环境绩效的目的。

技术创新中包括了铁路绿色货运环保技术方面的创新，间接说明铁路绿色货运环保技术对环境绩效的影响。技术创新是实现和推动铁路绿色发展的不竭动力，全面加强绿色铁路技术创新和应用力度，将会成为推动铁路及综合交通绿色发展的重要方式。因此，黄河流域各地政府在强化环境政策的同时还应出台一系列配套支撑政策，加大科技投入，改善投资环境，引进先进的管理经验和生产工艺，推动技术共享，为铁路部门的绿色环保技术创新创造良好的外部环境。