中国货运结构优化的碳减排效应测度

诸立超，刘昭然，汪瑞琪，熊强

(1.浙江财经大学，工商管理学院，杭州 310018；2.北京交通大学，综合交通运输大数据行业重点实验室，北京 100044；3.国家发展和改革委员会综合运输研究所，北京 100038；4.广东省交通运输规划研究中心，广州 510101)

0 引言

作为全球最大的碳排放国，中国的碳减排对控制全球碳排放至关重要[1]。交通运输业作为我国三大碳源之一，占比高，增速快，是我国碳达峰的重点攻坚对象。特别是货运业，在交通碳排放中的占比高达75%，是实现交通碳减排目标的核心。对此，党中央和国务院近年来出台《交通强国建设纲要》(2019年)等多个重量级文件，提出通过优化运输结构等措施，高效实现货运碳减排目标。

碳减排目标的高质量实现，取决于制定有效的碳减排策略，而其前提是准确识别碳排放影响因素。 目前，既有研究主要应用以LMDI(Logarithmic Mean Divisia Index)为代表的分解模型和以STIRPAT(Stochastic Impacts by Regression on Population,Affluence, and Technology)为代表的回归模型，量化社会经济变量和货运特征变量对交通碳排放的影响。在社会经济变量方面，学者们聚焦于探究人口[2]、经济水平[3]和城镇化率[4]等变量的影响；在运输特征变量方面，运输强度[5]、运输结构[6]和能源强度[7]等变量的关注度最高。就运输结构而言，由于研究尺度、研究方法和数据时间等差异，导致各研究所得结果也存在差异。在国际层面，Eom等[8]运用拉氏分解模型，针对11 个国家1990—2007年的货运碳排放数据研究发现，绝大多数国家公路货运量增长对货运碳排放增长的年均贡献低于2%。在国家层面，Kim[9]借助LMDI方法，分解各因素对韩国1990—2013 年交通温室气体排放的贡献发现，运输结构优化对交通温室气体减排的年均贡献度不足1%。在省级层面，京津冀交通碳排放的LMDI 模型结果表明，运输结构不合理导致2000—2015 年碳排放增加1380 万t，总贡献度为25%[10]。在市级层面，2017年公路、航空和铁路这3种货运方式对北京货运碳排放的贡献度分别为82.7%、9.8%和7.5%[11]。

综上，学者们大多关注不同因素对交通碳排放的影响，但对客运业和货运业等细分行业的碳排放构成差异关注不足，且较少针对在交通碳排放中占主体的货运碳排放开展研究[12]。此外，货运碳排放受多因素共同作用而变化，但既有研究侧重于部分重点因素的研究，不利于准确量化运输结构优化的碳减排效应。因此，本文以中国货运碳排放为研究对象，在对其采用“自上而下”法测算的基础上，量化多种社会经济变量和货运特征变量对货运碳排放的影响，进而模拟不同货运结构优化情景下的碳减排效果，明确货运结构优化的碳减排效应。

1 中国货运碳排放测算

目前，交通碳排放计算最常用的方法是“自上而下”法和“自下而上”法。其中，前者适用于宏观层面的交通行业及其细分行业，基于各种运输方式能耗测算碳排放量[13]；后者适用于微观层面的具体交通活动，主要根据活动-方式结构-能耗强度-排放因子计算碳排放量[14]。由于中国目前未有公开的不同交通工具单位周转量能耗数据，计算交通行业碳排放[15]或货运等细分行业碳排放[16]，一般采用“自上而下”法。鉴于此，本文采用“自上而下”法测算1999—2019年中国国内货运(不含远洋运输和国际航空运输)碳排放。

Step 1 从国际能源署获取中国国内运输(包含客运和货运)能耗总量Ei,total(J)，其中i代表年份。

Step 2 将总能耗Ei,total分配至各运输方式的公式为

式中：Ii,z,p和Ii,z,f分别为客运方式z∈{公路,铁路,水路,航空} 第i年的人公里能耗(J)和货运方式z∈{公 路,铁路,水路,航空,管道} 第i年的吨公里能耗(J)；Pi,z和Fi,z分别为客运方式z的人公里数和货运方式z的吨公里数，源自《中国统计年鉴》。

鉴于Ei,total、Pi,z和Fi,z已知，通过确定所有Ii,z,p和Ii,z,f的比值，便可计算公路货运吨公里能耗Ii,road,f。根据文献[16]的测算，可知Ii,road,p∶Ii,road,f=1∶1，Ii,rail,p∶Ii,rail,f=5∶1，Ii,water,p∶Ii,water,f=5∶1，Ii,air,p∶Ii,air,f=13.7∶1.0，且Ii,road,f∶Ii,rail,f∶Ii,water,f∶Ii,air,f∶Ii,pipeline,f=1.00∶0.10∶0.10∶13.70∶0.36。根据上述换算系数和式(1)，计算得到所有Ii,z,p和Ii,z,f。

Step 3 基于Ii,z,f，货运方式z第i年的能耗为

Step 4 货运方式z第i年的碳排放量Ci,z,f为

式中：j为所用燃料，共J种；Zi,z,f,j为货运方式z第i年所用第j种燃料量(t)；Nj为第j种燃料热值(J·t-1)；Hj为第j种碳排放因子(t CO2·J-1)；Sj为第j种燃料碳储存比例，一般为0；Oj为第j种燃料碳氧化率；Zi,z,f,j·Nj·Hj·(1 -Sj)·Oj为货运方式z第i年所用第j种燃料的碳含量；常数44/12 则进一步将碳含量转换为CO2排放量，其中44 和12 分别为CO2的相对分子质量和碳的相对原子质量。鉴于Zi,z,f,j·Nj=Ei,z,f已知，且交通运输业近95%的能源由汽油、煤油、柴油和燃料油构成，但并不知晓4种能源在5种货运方式中的占比，故在式(3)采用4种能源的加权碳排放因子，即H为20.2 t CO2·TJ-1。此外，汽油、煤油、柴油和燃料油的碳氧化率Oj均为0.98[15]，故此处O取值0.98。

根据上述步骤，计算得到1999—2019 年中国公路、铁路、水路、航空和管道这5种货运方式碳排放，并合计得到1999—2019 年中国货运碳排放，如图1 所示。总体上，除个别年份增速较快，大部分时间平稳增长。2000 年，货运吨公里能耗突增，导致货运碳排放增幅较大；2008年，因统计口径调整，导致原本被低估的公路货运平均运距被更加准确地估计，由此带来货运碳排放的突增。2019 年，在大宗货物“公转铁”“公转水”战略和公路货物周转量统计口径调整的共同作用下，公路货物周转量有所回落，导致货运碳排放降低。

图1 1999—2019年中国货运碳排放变化Fig.1 Changes in China's freight carbon emissions from 1999 to 2019

2 货运结构对货运碳排放的影响量化

2.1 影响因素

在研究交通碳排放影响因素时，一般参考STIRPAT(Stochastic Impacts by Regression on Population,Affluence,and Technology)模型[17]，同时结合数据可得性，选取与人口、财富和技术相关的若干自变量。本文选取在既有研究中出现频率较高的7 个变量，包括人口(人口变量)，人均GDP、人均第二产业产值(财富变量)和能耗强度(技术变量)等，以及本文重点关注的货运结构变量，各变量统计结果如表1 所示。就社会经济变量而言，人均GDP、人均第二产业产值和人口，通过促进货运量的增长，带来货运碳排放的增长[18]。就货运特征变量而言，为完成单位货物运输，公路通常比铁路和水路产生更多的碳排放，即公路货运分担率与货运碳排放正相关[19]。至于能耗强度，对碳排放存在回弹效应，取决于促进作用和抑制作用哪方面更显著[20]。在促进方面，当货运需求不变时，能耗强度越高，货运碳排放越高；在抑制方面，某种货运方式能耗强度越高，其使用费用越高，导致其需求量越低。从下文模型估计结果来看，较高的模型精度，以及符合预期的变量参数估计值正负号，也证实了所选变量的合理性。

表1 中国货运碳排放影响因素解释及统计分析Table 1 Interpretation and statistical analysis of influencing factors of China's freight carbon emissions

2.2 量化模型

因中国货运碳排放受诸多因素影响，且因素间存在强相关性，适宜采用偏最小二乘回归(Partial Least Square Regression,PLSR)模型[21]。PLSR模型综合了多元线性回归分析、典型相关分析和主成分分析的优点，是一种多因变量对多自变量的回归模型。假设存在P个自变量X={ }x1,…,xp,…,xP(本例P为7)和Q个因变量Y={ }y1,…,yq,…,yQ(本例Q为1)。为研究两者间的统计关系，观测N个样本点(本例N为20)。PLSR 模型分别在X和Y中提取出成分t1和u1，t1为x1,…,xp,…,xP的线性组合，而u1为y1,…,yq,…,yQ的线性组合。在提取成分时，需满足以下要求：t1和u1应尽可能多地携带它们各自数据表中的变化信息；t1和u1的相关程度最大。在第1 个成分t1和u1被提取后，PLSR 模型分别实施X对t1的回归以及Y对u1的回归。若回归方程满足精度要求，算法终止；否则，利用X被t1解释后的残余信息以及Y被u1解释后的残余信息，进行第2轮成分提取。如此往复，直至交叉有效性指标小于0.0975。若最终对X提取m个成分t1,…,tm，则PLSR 模型通过实施yq对t1,…,tm的回归，再表达为yq关于原变量的回归方程。

2.3 量化结果

鉴于多个自变量和因变量随年份呈现类似的增长趋势，为消除时间序列非平稳趋势，并通过协整检验，对所有变量进行差分处理，得到20 个样本。进而，采用MATLAB 软件估计PLSR 模型参数，并使用留一交叉验证提高模型泛化能力。根据交叉效度指数，最终提取3 个成分，参数估计结果如表2 所示。总体上，拟合优度指标较高，证实了该模型对中国货运碳排放变化具有较强的解释能力。此外，各变量参数估计值正负号符合前文假设。

表2 PLSR模型参数估计结果Table 2 PLSR model parameter estimation results

根据表3，图2进一步描述了1999—2019年各因素对货运碳排放增长的贡献。总体上，社会经济变量对货运碳排放增长的贡献显著高于货运特征变量。因本文重点关注货运结构，故主要描述该变量影响。1999—2019年，公路货运分担率变化对货运碳排放增长的年均贡献度为1.81%。相比之下，同期铁路货运分担率呈波动式下降，直至2017 年止跌回升，导致其对货运碳排放增长的抑制作用不显著，年均贡献度仅为-0.01%。至于水路货运分担率，同期小幅波动增长，对货运碳排放增长表现出一定抑制作用，年均贡献度为-0.26%。此外，虽然“公转铁”“公转水”可同步带来能耗强度的降低，但由于公路货运分担率始终处于高位，导致能耗强度居高不下，其对货运碳排放增长的年均贡献度为2.48%。

图2 1999—2019年各影响因素对中国货运碳排放增长的贡献度Fig.2 Contributions of various factors to increase of China's freight carbon emissions from 1999 to 2019

3 货运结构优化的碳减排效应

为描述未来年不同假设情景的货运结构变化，采用Logistics回归模型，即

式中：proad、prail、pwater分别为公路、铁路和水路货运市场份额；βc为系数，刻画了使用费用c对货运结构的影响；β1和β2为待估计常数项；xc,road、xc,rail、xc,water分别为公路、铁路和水路使用费用。

受制于数据可得性，模型仅考虑使用费用的影响，并采用能耗强度(单位为J·吨公里-1，不区分货运方式)与原油价格(单位为元·t-1，已转换为2019年可比价格)的乘积进行近似。此外，因公路、铁路和水路货运量相互间转移的可能性显著高于转向航空和管道，且航空和管道货运分担率较低，此处仅考虑前3种货运方式。

采用SPSS软件估计得到Logistics回归模型参数，如表3 所示。总体上，虽然该Logistics 回归模型仅考虑了使用费用，但解释了中国货运结构21.0%的变化，而其余变量对货运结构的影响则包含在常数项中，当未来数据允许时，可进一步增强该模型的解释能力。其中，使用费用参数估计值为负，且在0.10 水平上显著，表明随着某一货运方式使用费用的增加，其市场份额也随之降低，符合预期。

表3 Logistics回归模型参数估计结果Table 3 Parameter estimation results of Logistics regression model

为探究不同货运方式使用费用变化对货运结构和货运碳排放的影响，假设了3 个政策刺激PS(Policy Stimulus)情景：PS1，与当年(2005 年或2019年)或根据趋势预测所得未来年(2030 年)的基准值相比，公路使用费用增加50%；PS2，与当年或根据趋势预测所得未来年的基准值相比，铁路使用费用减少50%；PS3，与当年或根据趋势预测所得未来年的基准值相比，水路使用费用减少50%。同时，按照趋势预测确定2030 年人均GDP、人均第二产业产值和人口。在政策环境和技术水平未大幅变化的按趋势发展(Business as Usual，BAU)情景中，虽然使用费用会影响货运结构，但这一影响已内嵌在趋势中，此时忽略使用费用等因素对货运结构的影响，货运碳排放的预测偏差较小。但在PS情景中，由于使用费用已偏离趋势，需量化使用费用政策刺激对货运结构造成的影响。不管是哪种情景，在得到自变量预测值后，均可使用PLSR 模型预测未来年不同情景的货运碳排放。

结果表明，就中国货运碳排放而言，由2005年的1.97亿t快速增长至2019年的7.11亿t，按趋势发展，2030年会进一步增长至7.31亿t，增速与前期相比逐渐减缓，但很难在2030 年实现碳达峰。就单位GDP 货运碳排放而言，从2005 年的7.26 g·元-1下降至2019 年的7.18 g·元-1，按趋势发展，2030 年将下降至4.71 g·元-1，降速有所加快。中国在2020年气候雄心峰会上宣布，与2005 年单位GDP 碳排放水平相比，2030 年该值下降幅度至少为65%。若货运碳排放按这一要求类比，需由2005 年的7.26 g·元-1下降至2030 年的2.54 g·元-1，但按趋势发展的单位GDP 货运碳排放仍高出该标准85%。表4 则分别模拟了极端情景1(2030 年所有公路和水路货运量转向铁路)和极端情景2(所有公路货运量转向水路)的货运碳排放。极端情景1 的碳减排效果显著优于极端情景2，但仍不能达到较2005年下降65%的标准。

表4 不同货运结构情景下的中国货运碳排放变化Table 4 Changes of freight carbon emissions in China under different freight structure scenarios

在表4基础上，表5进一步模拟了不同使用费用情景下的货运碳排放。总体上，增加公路货运使用费用，降低铁路货运使用费用和水路货运使用费用，不足以实现2030年单位GDP碳排放2.54 g·元-1的目标。相比之下，增加公路货运使用费用对促进货运碳排放效果略好一些，但效果会随时间推移而转弱。

表5 不同使用费用情景下的中国货运碳排放变化Table 5 Changes of freight carbon emissions in China under different use cost scenarios

4 结论

本文采用“自上而下”法测算1999—2019 年中国货运碳排放，借助PLSR 模型量化货运碳排放影响因素，并模拟不同使用费用情景下的货运结构变化及其碳减排效益，主要结论如下：

(1)1999—2019年期间，公路、铁路和水路货运分担率变化对货运碳排放增长的年均贡献度分别为1.81%、-0.01%和-0.26%。

(2)即便在货运结构大幅优化条件下，也很难使2030 年单位GDP 货运碳排放量较2005 年水平下降65%。

(3)相较于低碳货运方式的降价策略，高碳货运方式提价策略的碳减排效果更显著。

综上，过去20 年货运结构调整促进了货运碳排放增长，而未来应将货运结构优化策略与其他货运碳减排策略搭配使用，从而更好地实现碳减排目标。受数据可得性制约，本文对各种货运方式单位货物周转量能耗比值及能源结构等参数做了一定假设，未来需考虑放松这些假设，使结果更符合实际情况。此外，后续研究应进一步考虑地区差异和货运方式差异，使研究结果对各地区和各货运方式的碳减排更具指导意义。