我國鐵路運營碳排放影響因素研究

汪 瑩，高佳鈺，雷雨軒

(中國礦業(yè)大學(北京)管理學院，北京 100083)

2016年國家發(fā)改委等部委聯(lián)合發(fā)布了《中長期鐵路網(wǎng)規(guī)劃》，到2025年鐵路網(wǎng)規(guī)模達到17.5萬km左右；到2030年，基本達成縣級基本覆蓋，區(qū)際線路暢通，城市快速互通的目標。一方面，現(xiàn)代鐵路具備路網(wǎng)發(fā)達、運量大、效率高及綠色環(huán)保等優(yōu)勢，在我國交通運營體系中占據(jù)重要地位。另一方面隨著我國鐵路的快速發(fā)展，作為能源消耗的重要部門，如何對運營中的碳排放問題進行管控，實現(xiàn)我國經(jīng)濟綠色低碳轉(zhuǎn)型的發(fā)展戰(zhàn)略，也成為重大挑戰(zhàn)。

現(xiàn)有研究主要分為鐵路運輸過程碳排放量的估算和鐵路運營低碳程度評價兩方面。在鐵路運輸碳排放量量化方面，Dincer等[1]基于生命周期理論，通過整理土耳其鐵路公司2000—2005年數(shù)據(jù)，使用美國環(huán)保署頒布的排放因子，估算土耳其不同類型鐵路機車的CO2排放量；張永闖等[2]以鐵路運營節(jié)點的最小能源需求量為基礎(chǔ)，構(gòu)建Logistic量化模型，對大秦鐵路2016—2020年的碳排放量進行預測；朱勇等[3]基于投入產(chǎn)出理論，采用灰色均值模型，對高速鐵路直接碳排放量進行計算。在鐵路低碳程度評價方面，薛靜[4]運用全壽命周期理論，對京津冀城際鐵路進行了整體碳排放評價；謝漢生等[5]根據(jù)鐵路運輸能耗情況計算得出2005—2012年鐵路運營中的碳排放量，運用層次分析法，構(gòu)建鐵路運營低碳效應(yīng)評價體系。綜上可知，現(xiàn)有鐵路碳排放研究成果主要側(cè)重于鐵路運營某一階段碳排量計算和低碳程度評價，缺乏對現(xiàn)代鐵路核心運營過程碳排放影響因素與機制的科學性、系統(tǒng)性的研究。

本文以低碳經(jīng)濟發(fā)展為背景，深入探討我國鐵路運營碳排放主要影響因素及機制。通過搜集《中國統(tǒng)計年鑒》和《鐵道統(tǒng)計公報》的原始數(shù)據(jù)，考慮近40年的國家鐵路客貨運營的能源消耗和經(jīng)濟收入的時間序列數(shù)據(jù)，計算鐵路運營的碳排放量和強度，進一步采用多變量協(xié)整、向量誤差修正模型以及Granger 因果整合模型來考察1979—2018年鐵路運營碳排放量的協(xié)整關(guān)系及重要影響因素，特別是識別鐵路運營碳排放的核心影響因素及其對碳排放的影響彈性和貢獻率。

1 我國鐵路運營碳排放相關(guān)概念

1.1 鐵路運營碳排放量

本文提出的鐵路運營碳排放量是指國家鐵路客貨運營過程中由于能源消耗產(chǎn)生的CO2排放量[6-7]。需要指出的是，本文并非從全壽命周期角度衡量碳排放量，而是研究運營這個核心環(huán)節(jié)的碳排放量。

1.2 鐵路運營碳排放強度

碳排放強度是衡量能源低碳利用效率的重要指標，是指國家或行業(yè)單位經(jīng)濟收入所產(chǎn)生的CO2量，主要用于反映經(jīng)濟發(fā)展與CO2排放的關(guān)系。本文考量國家鐵路客貨運營單位收入產(chǎn)生的碳排放量。

2 鐵路運營碳排放量的估算與趨勢分析

2.1 碳排放量估算方法

碳排放量的計算建立在能源消費的基礎(chǔ)上，鐵路運營能源主要包括電力、原煤、柴油、天然氣等。目前國內(nèi)外通常采用的處理方法是將各種能源按照消耗與標準煤進行換算，得到能源消耗的標準煤折算總量[8-9]。本文直接采納從《鐵道統(tǒng)計公報》獲取的能源消耗標準煤折算總量統(tǒng)計數(shù)據(jù)。在此基礎(chǔ)上，用標準煤總量乘以CO2排放系數(shù)，得到碳排放量。這里采用的是國家發(fā)改委能源研究所規(guī)定的標準煤碳排放系數(shù)，即每噸標準煤產(chǎn)生0.67 t碳排放量。碳排放量為

(1)

式中：Y為碳排放量，萬t；Xi為能源i消費量，萬t；Zi為能源i的折算為標準煤單位的系數(shù)；Ii為碳排放系數(shù)；j為能源種類數(shù)量；i為能源種類，i=1,2,…,j。

根據(jù)1979—2018年間的原始數(shù)據(jù)及式(1)計算得出的碳排放量以及碳排放強度見表1，其中我國鐵路能源消耗總量(折算標準煤)原始數(shù)據(jù)來自歷年《鐵道統(tǒng)計公報》和《中國能源統(tǒng)計年鑒》，運輸收入原始數(shù)據(jù)來自《中國統(tǒng)計年鑒》。運輸收入為鐵路運輸客運收入與貨運收入加總得到，不考慮其他收入。

2.2 碳排放趨勢分析

根據(jù)表1數(shù)據(jù)可繪制出鐵路碳排放量及強度變化走勢圖，見圖1。由圖1可知，1979—2005年鐵路碳排放水平較高，其中1979—1988年鐵路碳排放量在2 000萬t以上，1989—2005年鐵路運營碳排放量從1 984.38萬t平穩(wěn)小幅下降為1 505.80萬t。2006年鐵路運營碳排放量出現(xiàn)了較大幅度的下降，2006—2018年間，碳排放量總體波動不明顯，平均水平維持在1 117萬t。較為明顯的，鐵路運營碳排放強度整體呈下降趨勢，從1979年強度為20.52 t/萬元，1991年強度為4.66 t/萬元，降至2018年0.15 t/萬元，不斷趨向綠色低碳發(fā)展。這在某種程度上表明，隨著鐵路運輸技術(shù)進步、設(shè)備更新以及管理優(yōu)化，鐵路綠色低碳運營效率呈現(xiàn)持續(xù)增長趨勢，同時鐵路運營綠色GDP產(chǎn)出實現(xiàn)較快增長。

表1 1979—2018年我國鐵路客貨運營碳排放

圖1 1979—2018年鐵路運營碳排放量及強度

3 鐵路運營碳排放量影響因素分析

3.1 理論與方法描述

協(xié)整理論(Co-integration)由Granger 和恩格爾提出，用于判斷一組非平穩(wěn)序列是否存在穩(wěn)定的長期均衡關(guān)系。一般而言，協(xié)整分析包括如下步驟：

(1)單位根平穩(wěn)性檢驗

非平穩(wěn)數(shù)據(jù)通常會導致偽回歸問題，即兩個變量沒有任何因果關(guān)系，但存在高度相關(guān)性，因此應(yīng)首先進行平穩(wěn)性測試，即必須執(zhí)行單位根檢驗。單位根平穩(wěn)性檢驗(Unit Root Test)一般利用ADF檢驗法(The Argument Dikey-fuler Test)。其檢驗規(guī)則是：如果統(tǒng)計量小于臨界值，則拒絕原始假設(shè)，即序列沒有單位根，這是一個平穩(wěn)序列；反之，如果統(tǒng)計量大于臨界值則接受原假設(shè)，為非平穩(wěn)序列[10-11]。

(2)協(xié)整檢驗

協(xié)整檢驗的前提是序列數(shù)據(jù)為平穩(wěn)序列，并且差分階數(shù)相同。若序列為非平穩(wěn)數(shù)據(jù)，可通過n次差分處理，轉(zhuǎn)換為平穩(wěn)數(shù)據(jù)，則稱其為n階單整序列。在學術(shù)研究中，協(xié)整檢驗主要為兩種方法：基于回歸系數(shù)的Johansen檢驗和基于回歸殘差的單一方程檢驗，前者適用于多變量模型，后者只適用于兩變量模型[12-13]。

(3)向量誤差修正模型

向量誤差修正模型(Vector Error Correction Model，VECM)適用于存在協(xié)整關(guān)系的n階單整時間序列數(shù)據(jù)，是給各變量施加協(xié)整約束條件的向量自回歸模型。其誤差修正方程用于反映變量之間的短期波動效應(yīng)[14-15]。一般形式為

(2)

(4)Granger 因果關(guān)系檢驗

Granger 因果關(guān)系檢驗用于確定單個變量是否受自身及其他變量過去行為的影響。因果關(guān)系是指變量之間的依賴關(guān)系。Granger 因果檢驗要求估算下列回歸：

無約束回歸模型(u)：

(3)

有約束回歸模型(r):

(4)

式中：α0為常數(shù)項；p、q分別為變量y、x的最大滯后期數(shù)；αl、βl分別為yt-l和xt-l對被解釋變量的影響系數(shù)；εt為白噪聲。

3.2 變量選擇

本文研究對象是我國國家鐵路運營碳排放影響因素，關(guān)于自變量的選取，總結(jié)其他學者的研究成果[16-19]，考慮數(shù)據(jù)的可獲性，選擇鐵路換算總周轉(zhuǎn)量、能源消耗強度、運輸車輛結(jié)構(gòu)和國家經(jīng)濟發(fā)展程度(人均GDP)4個變量進行分析，變量說明見表2。1979—2018年的時間序列基礎(chǔ)數(shù)據(jù)見表3，其中，換算運輸總周轉(zhuǎn)量的原始數(shù)據(jù)來源于《中國統(tǒng)計年鑒》，包括客運周轉(zhuǎn)量及貨運周轉(zhuǎn)量，將客運周轉(zhuǎn)量換算成噸公里數(shù)后，再與貨物周轉(zhuǎn)量相加求得。鐵路客運換算系數(shù)為1，即鐵路運輸以1“人公里”換算成1“噸公里”。經(jīng)過自然對數(shù)處理的變量數(shù)據(jù)見圖2。

表2 影響因素及其說明

表3 1979—2018年鐵路碳排放影響因素數(shù)據(jù)

3.3 模型構(gòu)建

構(gòu)建鐵路運營碳排放量影響因素協(xié)整關(guān)系模型，其中為消除數(shù)據(jù)中的異方差，對模型中的變量的取自然對數(shù)，模型為

(5)

式中：LCO2為鐵路運營碳排放量的自然對數(shù)；LCT為鐵路換算總周轉(zhuǎn)量的自然對數(shù)；LEI為能源消耗強度的自然對數(shù)；LVS為運輸車輛結(jié)構(gòu)的自然對數(shù)；LGDP為每年實際人均GDP的自然對數(shù)；β1～β4為各解釋變量對被解釋變量的長期影響程度。

3.4 實證檢驗

3.4.1 單位根檢驗

單位根檢驗(Unit Root Test)是統(tǒng)計檢驗中廣泛應(yīng)用的平穩(wěn)性檢驗方法。本研究時間跨度為1979—2018年，時間序列數(shù)據(jù)的平穩(wěn)性存在不確定性。這里使用ADF方法來測試每個變量的平穩(wěn)性。

運用Eviews10軟件，檢驗結(jié)果見表4。

協(xié)整檢驗的必要前提是每個變量均為同階單整。通過單位根檢驗結(jié)果顯示，所有變量均在1%顯著水平下一階差分平穩(wěn)，即一階單整，符合協(xié)整檢驗的條件。

3.4.2 協(xié)整檢驗

本文涉及4個自變量，據(jù)3.1節(jié)介紹的所依據(jù)的理論和方法，采用Johansen協(xié)整檢驗，用以檢驗變量之間是否存在長期協(xié)整關(guān)系。

在Johansen檢驗之前，要明確無約束向量自回歸(Vector Autoregression，VAR)模型的合理滯后階數(shù)。滯后階數(shù)的確定需要足夠的自由度，以允許模型消除誤差項的自相關(guān)，同時留有合適的滯后項，使模型具有強解釋力。根據(jù)信息準則，確定VAR模型的最優(yōu)滯后階數(shù)，滯后檢驗結(jié)果見表5，結(jié)果表明LR、FPE、AIC、HQ都指向2階滯后期，模型最優(yōu)滯后階數(shù)為2。協(xié)整檢驗的滯后階數(shù)為一階差分變量的滯后階數(shù)，即為VAR模型的最優(yōu)滯后階數(shù)減1，因此協(xié)整檢驗為一階滯后。

圖2 自然對數(shù)處理后變量變化趨勢

表4 單位根檢驗結(jié)果

注：***表示1%顯著性水平上拒絕有單位根的原假設(shè)；c、s、z分別為檢驗模型中的常數(shù)項、趨勢項以及滯后階數(shù)。

表5 滯后階數(shù)檢驗果

注：*指根據(jù)信息準則條件下選擇的最優(yōu)滯后階數(shù);滯后階數(shù)：1到1。

運行Eviews10,協(xié)整檢驗結(jié)果見表6和表7。

表6 Johansen協(xié)整檢驗似然比檢驗結(jié)果

注：*表示5%顯著性水平；樣本區(qū)間為1979—2018年。

表7 Johansen協(xié)整檢驗最大特征值檢驗結(jié)果

注：*表示5%顯著性水平；樣本區(qū)間為1979—2018年。

從表6可以看出，5%的顯著水平下LCO2、LCT、LEI、LVS和LGDP5個變量具有一個協(xié)整關(guān)系。把協(xié)整系數(shù)標準化，得到能準確反映變量間關(guān)系的協(xié)整方程，其表達式為

LCO2=1.983 956LCT+0.302 795LEI

(0.201 10) (0.086 05)

-0.003 247LGDP-0.407 249LVS-27.830 7

(0.077 69) (0.070 40)

(6)

式中：括號中數(shù)字為相應(yīng)回歸系數(shù)估計量的標準差。公式反映了CO2與CT、EI、VS和GDP之間存在長期均衡關(guān)系。

根據(jù)協(xié)整方程，我們可以計算出關(guān)鍵影響因素對碳排放量的長期影響貢獻率和變化率，并可以繪制出相應(yīng)的雷達圖，見表8和圖3。它們可以更直觀地揭示長期均衡機制。

表8 影響因素對碳排放量的長期影響貢獻及變化率

圖3 影響因素對碳排放的長期影響貢獻和變化率雷達圖

根據(jù)協(xié)整方程，中國鐵路運營碳排放和鐵路換算總周轉(zhuǎn)量、能源消耗強度、運輸車輛結(jié)構(gòu)和國家人均GDP之間存在長期穩(wěn)定的協(xié)整關(guān)系，按其對碳排放影響的貢獻率大小依次為：換算總周轉(zhuǎn)量、運輸車輛結(jié)構(gòu)、能源消耗強度和人均GDP。長期來看，根據(jù)各影響因素對碳排放的影響系數(shù)可知鐵路運營換算總周轉(zhuǎn)量提高會帶來碳排放量的增加，周轉(zhuǎn)量每增加1%，會使鐵路運營碳排放量增加1.984%，其對鐵路運營碳排放量有顯著的正向推動作用。能源消耗強度提高1%，鐵路運營碳排放量增加0.30%。而運輸車輛結(jié)構(gòu)即電氣機車比例提高1%，則會減少碳排放0.40%，運輸車輛結(jié)構(gòu)的優(yōu)化，電氣機車比例的提升可以降低能源消耗，對碳排放量起著重要的直接抑制作用。而人均GDP對碳排放量的影響較小，人均GDP每增加1%，鐵路運營碳排放量降低0.003 2%。

3.4.3 向量誤差修正模型

表9 向量誤差模型估算結(jié)果

注：D()表示一階差分，()為相應(yīng)回歸系數(shù)估計量的標準差，[]中為t值，CointEq1為反映短期對長期均衡調(diào)整的誤差修正項。

經(jīng)過檢驗后，得到碳排放量的誤差修正模型為

(7)

根據(jù)向量誤差修正模型，計算得出各因素對碳排放量的短期影響貢獻率和變化率，并可以繪制出相應(yīng)的雷達圖，見表10和圖4。它們可以更直觀地揭示短期影響機制。

表10 關(guān)鍵影響因素對碳排放的短期影響貢獻及變化率

圖4 影響因素對碳排放的短期影響貢獻和變化率雷達圖

由估計結(jié)果可知，誤差修正項系數(shù)為-0.175 5，顯著為負，說明模型具備誤差修正機制，并進一步證明鐵路運營碳排放與換算總周轉(zhuǎn)量、能源消耗強度、車輛運輸結(jié)構(gòu)和人均GDP之間存在長期均衡關(guān)系。同時表明當我國鐵路運營碳排放短期波動偏離長期均衡時，以-0.175 4的調(diào)整力度，將非均衡狀態(tài)拉回均衡，調(diào)整速度約為5.70年(1/0.175 5≈5.70年)。

各變量對碳排放影響的貢獻率大小依次為：運輸車輛結(jié)構(gòu)、人均GDP、換算總周轉(zhuǎn)和能源消耗強度。短期來看，各因素對碳排放量均有顯著影響。具體而言，運輸車輛結(jié)構(gòu)每變動1%，會使鐵路運營碳排放量正向調(diào)整0.34%。人均GDP提高1%，鐵路運營碳排放量增加0.24%。而鐵路換算總周轉(zhuǎn)量和能源消耗強度對碳排放具有負向影響，每變動一個百分點，分別使鐵路運營碳排放量降低0.0859%和0.0725%。

基于建立的VECM模型，本文使用脈沖響應(yīng)函數(shù)進一步分析鐵路運營各因素對碳排放量沖擊的短期動態(tài)效應(yīng)，沖擊響應(yīng)期為10期。橫軸代表響應(yīng)函數(shù)的追蹤期數(shù)(年)，縱軸表示各因變量對解釋變量(CO2)的響應(yīng)程度。這些響應(yīng)函數(shù)的結(jié)果報告如圖5～圖8所示。

脈沖響應(yīng)分析表明，如果LCT受到正的沖擊，其在1期和2期對LCO2產(chǎn)生了一定但不強烈的積極影響，在2期達到最大后開始下降，從3期開始對LCO2產(chǎn)生負向影響。但曲線有回升趨勢。LEI對LCO2持續(xù)產(chǎn)生顯著的正向影響，對LCO2的影響力度最大，3期后超過0.03。LGDP對LCO2的脈沖軌跡圍繞0軸上下波動，影響不顯著。LVS對LCO2具有正向影響作用，在2期對LCO2的影響力度達到最大，隨后又下降，趨于平穩(wěn)，接近0.02。

圖5 LCT對LCO2的脈沖響應(yīng)軌跡

圖6 LEI對LCO2的脈沖響應(yīng)軌跡

圖7 LGDP對LCO2的脈沖響應(yīng)軌跡

圖8 LVS對LCO2的脈沖響應(yīng)軌跡

3.4.4 Granger因果檢驗

在協(xié)整檢驗確定了上述變量之間均衡關(guān)系的基礎(chǔ)上，本文進一步運用 Granger 因果檢驗確定各變量是否具有因果關(guān)系。在時間序列前提下，經(jīng)濟變量x、y之間的Granger 因果關(guān)系指的是：如果將兩個變量的過去信息包括在內(nèi)，對變量y的預測結(jié)果要優(yōu)于單獨使用y的過去信息的預測結(jié)果。也就是說，變量x對于預測變量y的未來變化是有用的，變量x被認為是變量y的Granger 原因。

根據(jù)Granger因果檢驗分析，分別建立了各變量兩兩之間的因果分析模型。檢驗結(jié)果見表11。

由Granger因果檢驗結(jié)果可知，在10%的顯著性水平下，LVS是LCO2的單向Granger原因，在5%的顯著性水平下，LCT、LEI和LGDP是LCO2的單向Granger原因，表明各變量間存在統(tǒng)計上的因果關(guān)系。

4 結(jié)論

本文以鐵道統(tǒng)計公報獲取的鐵路運營能源消耗標準煤折算總量統(tǒng)計數(shù)據(jù)為基礎(chǔ)，并根據(jù)國家發(fā)改委能源研究所規(guī)定的標準煤碳排放系數(shù)計算得到1979—2018年鐵路運營碳排放量。進一步采用鐵路客貨運實際經(jīng)濟收入估算碳排放強度，描述了我國鐵路運營碳排放量和強度的變化趨勢?；?979—2018年時間序列數(shù)據(jù)，運用協(xié)整檢驗、向量誤差修正模型、脈沖響應(yīng)函數(shù)和Granger因果關(guān)系檢驗方法檢驗了換算總周轉(zhuǎn)量、能源消耗強度、運輸車輛結(jié)構(gòu)和國家經(jīng)濟發(fā)展程度(人均GDP)等4個變量對我國鐵路運營碳排放量的長期均衡及短期調(diào)整關(guān)系，結(jié)果顯示：鐵路換算總周轉(zhuǎn)量、能源消耗強度、運輸車輛結(jié)構(gòu)、人均GDP與我國鐵路運營碳排放之間存在長期的協(xié)整關(guān)系，彈性系數(shù)分別為1.98、0.30、-0.40和-0.003 2，即換算總周轉(zhuǎn)量和能源消耗強度與鐵路運營碳排放量呈正相關(guān)關(guān)系，運輸車輛結(jié)構(gòu)對鐵路運營碳排放有顯著的抑制作用，人均GDP則對其有輕微的抑制作用，鐵路運營換算總周轉(zhuǎn)量是鐵路碳排放增加的最主要原因，運輸車輛結(jié)構(gòu)的改善可以有效促進碳排放量的降低。短期調(diào)整關(guān)系表明當我國鐵路運營碳排放短期波動偏離長期均衡時，以-0.1754的調(diào)整力度，將非均衡狀態(tài)拉回均衡，調(diào)整速度約為5.70年(1/0.1755≈5.70年)。

未來經(jīng)濟增長仍是中國的主要任務(wù)，由此帶來鐵路運營碳排放量會不斷增加，為響應(yīng)國家發(fā)展鐵路運輸?shù)恼?，實現(xiàn)鐵路運輸精準低碳化，本文提出以下建議[20-23]：(1)借助大數(shù)據(jù)、物聯(lián)網(wǎng)、人工智能等信息技術(shù)手段，構(gòu)建鐵路客貨運營智慧云平臺，為鐵路綠色化發(fā)展提供信息化技術(shù)支持。智慧運營云平臺圍繞“以鐵路為主導、降低運營成本、提高運營效率和資源利用率”三個核心目標，充分運用信息技術(shù)，構(gòu)建“鐵路+互聯(lián)網(wǎng)+大數(shù)據(jù)”相融合的智慧產(chǎn)業(yè)生態(tài)平臺，提升集約化管理水平，為經(jīng)營管理、組織、營銷等提供智能化大數(shù)據(jù)分析決策支持，使鐵路運營更安全、更高效、更可持續(xù)化。(2)調(diào)整運輸結(jié)構(gòu)優(yōu)化水平，提高電氣機車利用率，降低機車能耗。大力發(fā)展電氣化鐵路，同時引進、推廣節(jié)能新技術(shù)，使用清潔環(huán)保能源，逐步提高能源利用效率，降低機車能耗。(3)加強管理，提升牽引質(zhì)量，科學編制列車運行圖，優(yōu)化運輸組織，杜絕無效運輸，充分發(fā)揮整體效能。