中國貨運結構優化的碳減排效應測度

諸立超，劉昭然，汪瑞琪，熊強

(1.浙江財經大學，工商管理學院，杭州 310018；
2.北京交通大學，綜合交通運輸大數據行業重點實驗室，北京 100044；
3.國家發展和改革委員會綜合運輸研究所，北京 100038；
4.廣東省交通運輸規劃研究中心，廣州 510101)

作為全球最大的碳排放國，中國的碳減排對控制全球碳排放至關重要[1]。交通運輸業作為我國三大碳源之一，占比高，增速快，是我國碳達峰的重點攻堅對象。特別是貨運業，在交通碳排放中的占比高達75%，是實現交通碳減排目標的核心。對此，黨中央和國務院近年來出臺《交通強國建設綱要》(2019年)等多個重量級文件，提出通過優化運輸結構等措施，高效實現貨運碳減排目標。

碳減排目標的高質量實現，取決于制定有效的碳減排策略，而其前提是準確識別碳排放影響因素。

目前，既有研究主要應用以LMDI(Logarithmic Mean Divisia Index)為代表的分解模型和以STIRPAT(Stochastic Impacts by Regression on Population,Affluence, and Technology)為代表的回歸模型，量化社會經濟變量和貨運特征變量對交通碳排放的影響。在社會經濟變量方面，學者們聚焦于探究人口[2]、經濟水平[3]和城鎮化率[4]等變量的影響；
在運輸特征變量方面，運輸強度[5]、運輸結構[6]和能源強度[7]等變量的關注度最高。就運輸結構而言，由于研究尺度、研究方法和數據時間等差異，導致各研究所得結果也存在差異。在國際層面，Eom等[8]運用拉氏分解模型，針對11 個國家1990—2007年的貨運碳排放數據研究發現，絕大多數國家公路貨運量增長對貨運碳排放增長的年均貢獻低于2%。在國家層面，Kim[9]借助LMDI方法，分解各因素對韓國1990—2013 年交通溫室氣體排放的貢獻發現，運輸結構優化對交通溫室氣體減排的年均貢獻度不足1%。在省級層面，京津冀交通碳排放的LMDI 模型結果表明，運輸結構不合理導致2000—2015 年碳排放增加1380 萬t，總貢獻度為25%[10]。在市級層面，2017年公路、航空和鐵路這3種貨運方式對北京貨運碳排放的貢獻度分別為82.7%、9.8%和7.5%[11]。

綜上，學者們大多關注不同因素對交通碳排放的影響，但對客運業和貨運業等細分行業的碳排放構成差異關注不足，且較少針對在交通碳排放中占主體的貨運碳排放開展研究[12]。此外，貨運碳排放受多因素共同作用而變化，但既有研究側重于部分重點因素的研究，不利于準確量化運輸結構優化的碳減排效應。因此，本文以中國貨運碳排放為研究對象，在對其采用“自上而下”法測算的基礎上，量化多種社會經濟變量和貨運特征變量對貨運碳排放的影響，進而模擬不同貨運結構優化情景下的碳減排效果，明確貨運結構優化的碳減排效應。

目前，交通碳排放計算最常用的方法是“自上而下”法和“自下而上”法。其中，前者適用于宏觀層面的交通行業及其細分行業，基于各種運輸方式能耗測算碳排放量[13]；
后者適用于微觀層面的具體交通活動，主要根據活動-方式結構-能耗強度-排放因子計算碳排放量[14]。由于中國目前未有公開的不同交通工具單位周轉量能耗數據，計算交通行業碳排放[15]或貨運等細分行業碳排放[16]，一般采用“自上而下”法。鑒于此，本文采用“自上而下”法測算1999—2019年中國國內貨運(不含遠洋運輸和國際航空運輸)碳排放。

Step 1 從國際能源署獲取中國國內運輸(包含客運和貨運)能耗總量Ei,total(J)，其中i代表年份。

Step 2 將總能耗Ei,total分配至各運輸方式的公式為

式中：Ii,z,p和Ii,z,f分別為客運方式z∈{公路,鐵路,水路,航空} 第i年的人公里能耗(J)和貨運方式z∈{公 路,鐵路,水路,航空,管道} 第i年的噸公里能耗(J)；
Pi,z和Fi,z分別為客運方式z的人公里數和貨運方式z的噸公里數，源自《中國統計年鑒》。

鑒于Ei,total、Pi,z和Fi,z已知，通過確定所有Ii,z,p和Ii,z,f的比值，便可計算公路貨運噸公里能耗Ii,road,f。根據文獻[16]的測算，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。根據上述換算系數和式(1)，計算得到所有Ii,z,p和Ii,z,f。

Step 3 基于Ii,z,f，貨運方式z第i年的能耗為

Step 4 貨運方式z第i年的碳排放量Ci,z,f為

式中：j為所用燃料，共J種；
Zi,z,f,j為貨運方式z第i年所用第j種燃料量(t)；
Nj為第j種燃料熱值(J·t-1)；
Hj為第j種碳排放因子(t CO2·J-1)；
Sj為第j種燃料碳儲存比例，一般為0；
Oj為第j種燃料碳氧化率；
Zi,z,f,j·Nj·Hj·(1 -Sj)·Oj為貨運方式z第i年所用第j種燃料的碳含量；
常數44/12 則進一步將碳含量轉換為CO2排放量，其中44 和12 分別為CO2的相對分子質量和碳的相對原子質量。鑒于Zi,z,f,j·Nj=Ei,z,f已知，且交通運輸業近95%的能源由汽油、煤油、柴油和燃料油構成，但并不知曉4種能源在5種貨運方式中的占比，故在式(3)采用4種能源的加權碳排放因子，即H為20.2 t CO2·TJ-1。此外，汽油、煤油、柴油和燃料油的碳氧化率Oj均為0.98[15]，故此處O取值0.98。

根據上述步驟，計算得到1999—2019 年中國公路、鐵路、水路、航空和管道這5種貨運方式碳排放，并合計得到1999—2019 年中國貨運碳排放，如圖1 所示?？傮w上，除個別年份增速較快，大部分時間平穩增長。2000 年，貨運噸公里能耗突增，導致貨運碳排放增幅較大；
2008年，因統計口徑調整，導致原本被低估的公路貨運平均運距被更加準確地估計，由此帶來貨運碳排放的突增。2019 年，在大宗貨物“公轉鐵”“公轉水”戰略和公路貨物周轉量統計口徑調整的共同作用下，公路貨物周轉量有所回落，導致貨運碳排放降低。

圖1 1999—2019年中國貨運碳排放變化Fig.1 Changes in China"s freight carbon emissions from 1999 to 2019

2.1 影響因素

在研究交通碳排放影響因素時，一般參考STIRPAT(Stochastic Impacts by Regression on Population,Affluence,and Technology)模型[17]，同時結合數據可得性，選取與人口、財富和技術相關的若干自變量。本文選取在既有研究中出現頻率較高的7 個變量，包括人口(人口變量)，人均GDP、人均第二產業產值(財富變量)和能耗強度(技術變量)等，以及本文重點關注的貨運結構變量，各變量統計結果如表1 所示。就社會經濟變量而言，人均GDP、人均第二產業產值和人口，通過促進貨運量的增長，帶來貨運碳排放的增長[18]。就貨運特征變量而言，為完成單位貨物運輸，公路通常比鐵路和水路產生更多的碳排放，即公路貨運分擔率與貨運碳排放正相關[19]。至于能耗強度，對碳排放存在回彈效應，取決于促進作用和抑制作用哪方面更顯著[20]。在促進方面，當貨運需求不變時，能耗強度越高，貨運碳排放越高；
在抑制方面，某種貨運方式能耗強度越高，其使用費用越高，導致其需求量越低。從下文模型估計結果來看，較高的模型精度，以及符合預期的變量參數估計值正負號，也證實了所選變量的合理性。

表1 中國貨運碳排放影響因素解釋及統計分析Table 1 Interpretation and statistical analysis of influencing factors of China"s freight carbon emissions

2.2 量化模型

因中國貨運碳排放受諸多因素影響，且因素間存在強相關性，適宜采用偏最小二乘回歸(Partial Least Square Regression,PLSR)模型[21]。PLSR模型綜合了多元線性回歸分析、典型相關分析和主成分分析的優點，是一種多因變量對多自變量的回歸模型。假設存在P個自變量X={ }x1,…,xp,…,xP(本例P為7)和Q個因變量Y={ }y1,…,yq,…,yQ(本例Q為1)。為研究兩者間的統計關系，觀測N個樣本點(本例N為20)。PLSR 模型分別在X和Y中提取出成分t1和u1，t1為x1,…,xp,…,xP的線性組合，而u1為y1,…,yq,…,yQ的線性組合。在提取成分時，需滿足以下要求：t1和u1應盡可能多地攜帶它們各自數據表中的變化信息；
t1和u1的相關程度最大。在第1 個成分t1和u1被提取后，PLSR 模型分別實施X對t1的回歸以及Y對u1的回歸。若回歸方程滿足精度要求，算法終止；
否則，利用X被t1解釋后的殘余信息以及Y被u1解釋后的殘余信息，進行第2輪成分提取。如此往復，直至交叉有效性指標小于0.0975。若最終對X提取m個成分t1,…,tm，則PLSR 模型通過實施yq對t1,…,tm的回歸，再表達為yq關于原變量的回歸方程。

2.3 量化結果

鑒于多個自變量和因變量隨年份呈現類似的增長趨勢，為消除時間序列非平穩趨勢，并通過協整檢驗，對所有變量進行差分處理，得到20 個樣本。進而，采用MATLAB 軟件估計PLSR 模型參數，并使用留一交叉驗證提高模型泛化能力。根據交叉效度指數，最終提取3 個成分，參數估計結果如表2 所示?？傮w上，擬合優度指標較高，證實了該模型對中國貨運碳排放變化具有較強的解釋能力。此外，各變量參數估計值正負號符合前文假設。

表2 PLSR模型參數估計結果Table 2 PLSR model parameter estimation results

根據表3，圖2進一步描述了1999—2019年各因素對貨運碳排放增長的貢獻?？傮w上，社會經濟變量對貨運碳排放增長的貢獻顯著高于貨運特征變量。因本文重點關注貨運結構，故主要描述該變量影響。1999—2019年，公路貨運分擔率變化對貨運碳排放增長的年均貢獻度為1.81%。相比之下，同期鐵路貨運分擔率呈波動式下降，直至2017 年止跌回升，導致其對貨運碳排放增長的抑制作用不顯著，年均貢獻度僅為-0.01%。至于水路貨運分擔率，同期小幅波動增長，對貨運碳排放增長表現出一定抑制作用，年均貢獻度為-0.26%。此外，雖然“公轉鐵”“公轉水”可同步帶來能耗強度的降低，但由于公路貨運分擔率始終處于高位，導致能耗強度居高不下，其對貨運碳排放增長的年均貢獻度為2.48%。

圖2 1999—2019年各影響因素對中國貨運碳排放增長的貢獻度Fig.2 Contributions of various factors to increase of China"s freight carbon emissions from 1999 to 2019

為描述未來年不同假設情景的貨運結構變化，采用Logistics回歸模型，即

式中：proad、prail、pwater分別為公路、鐵路和水路貨運市場份額；
βc為系數，刻畫了使用費用c對貨運結構的影響；
β1和β2為待估計常數項；
xc,road、xc,rail、xc,water分別為公路、鐵路和水路使用費用。

受制于數據可得性，模型僅考慮使用費用的影響，并采用能耗強度(單位為J·噸公里-1，不區分貨運方式)與原油價格(單位為元·t-1，已轉換為2019年可比價格)的乘積進行近似。此外，因公路、鐵路和水路貨運量相互間轉移的可能性顯著高于轉向航空和管道，且航空和管道貨運分擔率較低，此處僅考慮前3種貨運方式。

采用SPSS軟件估計得到Logistics回歸模型參數，如表3 所示?？傮w上，雖然該Logistics 回歸模型僅考慮了使用費用，但解釋了中國貨運結構21.0%的變化，而其余變量對貨運結構的影響則包含在常數項中，當未來數據允許時，可進一步增強該模型的解釋能力。其中，使用費用參數估計值為負，且在0.10 水平上顯著，表明隨著某一貨運方式使用費用的增加，其市場份額也隨之降低，符合預期。

表3 Logistics回歸模型參數估計結果Table 3 Parameter estimation results of Logistics regression model

為探究不同貨運方式使用費用變化對貨運結構和貨運碳排放的影響，假設了3 個政策刺激PS(Policy Stimulus)情景：PS1，與當年(2005 年或2019年)或根據趨勢預測所得未來年(2030 年)的基準值相比，公路使用費用增加50%；
PS2，與當年或根據趨勢預測所得未來年的基準值相比，鐵路使用費用減少50%；
PS3，與當年或根據趨勢預測所得未來年的基準值相比，水路使用費用減少50%。同時，按照趨勢預測確定2030 年人均GDP、人均第二產業產值和人口。在政策環境和技術水平未大幅變化的按趨勢發展(Business as Usual，BAU)情景中，雖然使用費用會影響貨運結構，但這一影響已內嵌在趨勢中，此時忽略使用費用等因素對貨運結構的影響，貨運碳排放的預測偏差較小。但在PS情景中，由于使用費用已偏離趨勢，需量化使用費用政策刺激對貨運結構造成的影響。不管是哪種情景，在得到自變量預測值后，均可使用PLSR 模型預測未來年不同情景的貨運碳排放。

結果表明，就中國貨運碳排放而言，由2005年的1.97億t快速增長至2019年的7.11億t，按趨勢發展，2030年會進一步增長至7.31億t，增速與前期相比逐漸減緩，但很難在2030 年實現碳達峰。就單位GDP 貨運碳排放而言，從2005 年的7.26 g·元-1下降至2019 年的7.18 g·元-1，按趨勢發展，2030 年將下降至4.71 g·元-1，降速有所加快。中國在2020年氣候雄心峰會上宣布，與2005 年單位GDP 碳排放水平相比，2030 年該值下降幅度至少為65%。若貨運碳排放按這一要求類比，需由2005 年的7.26 g·元-1下降至2030 年的2.54 g·元-1，但按趨勢發展的單位GDP 貨運碳排放仍高出該標準85%。表4 則分別模擬了極端情景1(2030 年所有公路和水路貨運量轉向鐵路)和極端情景2(所有公路貨運量轉向水路)的貨運碳排放。極端情景1 的碳減排效果顯著優于極端情景2，但仍不能達到較2005年下降65%的標準。

表4 不同貨運結構情景下的中國貨運碳排放變化Table 4 Changes of freight carbon emissions in China under different freight structure scenarios

在表4基礎上，表5進一步模擬了不同使用費用情景下的貨運碳排放?？傮w上，增加公路貨運使用費用，降低鐵路貨運使用費用和水路貨運使用費用，不足以實現2030年單位GDP碳排放2.54 g·元-1的目標。相比之下，增加公路貨運使用費用對促進貨運碳排放效果略好一些，但效果會隨時間推移而轉弱。

表5 不同使用費用情景下的中國貨運碳排放變化Table 5 Changes of freight carbon emissions in China under different use cost scenarios

本文采用“自上而下”法測算1999—2019 年中國貨運碳排放，借助PLSR 模型量化貨運碳排放影響因素，并模擬不同使用費用情景下的貨運結構變化及其碳減排效益，主要結論如下：

(1)1999—2019年期間，公路、鐵路和水路貨運分擔率變化對貨運碳排放增長的年均貢獻度分別為1.81%、-0.01%和-0.26%。

(2)即便在貨運結構大幅優化條件下，也很難使2030 年單位GDP 貨運碳排放量較2005 年水平下降65%。

(3)相較于低碳貨運方式的降價策略，高碳貨運方式提價策略的碳減排效果更顯著。

綜上，過去20 年貨運結構調整促進了貨運碳排放增長，而未來應將貨運結構優化策略與其他貨運碳減排策略搭配使用，從而更好地實現碳減排目標。受數據可得性制約，本文對各種貨運方式單位貨物周轉量能耗比值及能源結構等參數做了一定假設，未來需考慮放松這些假設，使結果更符合實際情況。此外，后續研究應進一步考慮地區差異和貨運方式差異，使研究結果對各地區和各貨運方式的碳減排更具指導意義。