基于LMDI的长江经济带交通碳排放变化分析

杨绍华,张宇泉*,耿 涌 (.上海交通大学中英国际低碳学院,上海 0306；
.上海交通大学环境科学与工程学院,上海 0040)

国民经济的持续增长、人民生活水平的日益提高以及交通运输业效率的提升,在促使交通运输业蓬勃发展的同时,也带来与日俱增的能源消耗和环境负荷压力.自2000年以来,交通运输业的能源消耗量和碳排放增速始终保持在各行业前列,目前已成为我国仅次于工业的碳排放部门[1-3].

当前,国内外学者主要从社会经济效益和环境影响[4-5]、碳排放与环境污染的协同治理[6]以及碳排放情景分析等角度对交通运输业碳排放进行研究[7-8].其中,对数平均迪氏指数(LMDI)分解方法由于其分解结果残差为零、易于分析、具有加法特性等优点[9-10],被广泛应用于交通运输业能源消耗和环境污染强度变化的研究中[11-12].模型设置方面,多数研究主要考虑经济产出、人口规模、能源结构、能源强度、城镇化率、工业化水平、产业结构等因素[13-14]对交通碳排放的影响,而缺少对能源使用效率、运输结构等因素的考虑;从分解结果来看,大多研究发现社会经济因素通常正向驱动碳排放增长,而能源类因素则作用相反.例如,Wei等[15]、吴振信等[16]识别出经济水平是促进交通碳排放增长的重要驱动因素,其次是人口规模;Liang等[17]、喻洁等[18]发现能源效率的提升能够有效抑制碳排放的增加;具体到区域层面,张克勇等[19]发现人均收入和交通强度高等因素是导致北京交通碳排放远多于天津和河北的原因.此外,一些社会经济因素也发挥抑制作用,例如郝晴等[20]发现产业结构转变能负向驱动交通碳排放量的变化.随着研究的深入,更多学者也开始关注运输结构[18,21].

一些学者也侧重研究区域差异,针对不同区域的交通碳排放问题展开分析并提出政策建议[22-24],或基于空间数据探索和空间计量方法来分析交通运输部门碳排放的空间特征[25-27].相比基尼指数等衡量地区差异的测度方法,泰尔指数的优势在于其可以将总体差异变动分解为组内差距变动和组间差距变动,由此可较深入研究地区发展不平衡问题.因此其被广泛应用到衡量区域碳排放差异的研究中[22].

总体上看,已有研究缺乏聚焦我国关键区域交通运输业特别是水路运输的碳排放因素分解及其区域差异性研究.同时,现有研究考虑的驱动因素有限,对能源使用效率、运输结构等因素在交通碳排放中的贡献的考量较少.长江经济带作为我国经济发展最为活跃且潜力巨大的区域之一,各省市之间在产业结构、技术水平、资源禀赋等方面差异较大,这些因素极可能促成了长江经济带交通碳排放的不平衡格局.此外,独特的地理和航运条件使得长江经济带在水路运输上具有天然优势和减排潜力.研究长江经济带交通运输业碳排放有助于规划我国关键区域的短期和中长期交通部门脱碳路径.鉴于此,本文基于双层 LMDI分解法和泰尔指数,对长江经济带各区域之间的碳排放差异进行量化分析;并构造交通能源效率变量引入到 LMDI分解模型中,旨在识别量化各驱动因素对长江经济带交通碳排放变化的贡献程度及其时空特征,并探究不同运输方式下其对交通碳排放的影响.

1.1 交通运输业LMDI模型

本文重点关注交通运输部门服务碳密度、运输结构、能源效率、能源强度、经济结构、经济增长水平等驱动因素对二氧化碳排放的影响,在传统研究二氧化碳排放驱动因素分解方程中引入交通周转率 T,并参考王海林等[28]观点,将交通运输业周转量来代替公路行驶里程作为交通能源服务的度量指标,同时定义交通周转量与能源消耗量的比值为“交通能源效率”.由此根据11个省份和2种交通运输结构构建了长江经济带交通运输业碳排放双层LMDI指数分解模型,如式(1)所示.

式中:CT为长江经济带 11省市交通运输部门二氧化碳排放总量,百万 t;CTi为各个省市交通运输部门碳排放量,百万t, i从1～11分别代表上海、江苏、浙江、安徽、江西、湖北、湖南、重庆、四川、云南、贵州;CTik为第i个省市第k种交通运输方式的碳排放量,k取1,2时分别代表水路运输和陆路航空运输; TTik为第i个省市第 k种交通运输方式的换算周转量;TTi为第2个省市交通运输部门周转量,亿tkm; ETi为第i个省市交通运输部门能源消耗量,百万 t标准煤;QTi为第i个省市交通运输部门增加值,亿元; Qi为第i个省市国民生产总值,亿元;Pi为第i个省市常住人口数量,万人.CTi为第i个省市交通运输部门单位周转量碳排放,百万 t/亿 t·km;TSi为第i个省市交通运输部门的运输结构,%;TEi为第i个省市交通运输部门单位能耗周转量,亿 t·km/百万t标准煤;EQi为第i个省市交通运输部门能源强度,百万t标准煤/亿元;ESi为第i个省市交通运输部门增加值占国民生产总值比重,%;GPi为第i个省市人均GDP,元/人.

对式(1)两边进行对数变换,可得出年 t相对于基准年0的二氧化碳变化值的对数等于各驱动因素变化值的对数之和,如公式(2)所示:

根据 LMDI加法分解法模型,上式右边的每一项可以表示为式(3)～(9),分别代表了服务碳密度、运输结构、能源效率、能源强度、经济结构、经济水平对长江经济带二氧化碳排放增量的影响程度.

1.2 泰尔指数

泰尔指数是广义熵(GE)指标体系的一种特殊形式,被广泛应用于区域环境负荷、能源消耗等差异分析领域.其取值范围一般为0～1之间,数值越大说明地区差异越大.本文基于Shorrocks等[29]对长江经济带交通运输业碳排放泰尔指数测算公式进行改进,如公式(10～13).

式中:T代表长江经济带二氧化碳排放的总体泰尔指数;i分别代表11个省市;X代表GDP或者人口规模;C代表交通碳排放量.同时根据地理位置将长江经济带11省市划分为3个区域:长江下游地区、中游地区以及上游地区.j代表3个不同的区域,Twj代表各区域内部基本单元碳排放的泰尔指数,而区域内的泰尔指数(Tw)和以及区域间的泰尔指数(Tb)分别代表长江经济带交通运输业碳排放的区域内部以及区域间差异.

当 X代表人口规模时,T(P)表示人均碳排放泰尔指数;而当X代表GDP时,T(GDP)则代表碳强度泰尔指数.同时,为了更有效地衡量不同区域内外差异对总体碳排放差异的影响,本文需计算区域内贡献率 Wb、区域间贡献率 Ww,如式(14)～(16).此外,本文还可计算区域内差异中各区域贡献率Wj如式(17).

1.3 数据来源及说明

本文研究数据主要使用2000～2019年长江经济带11个省、市的数据,包括常住人口数量、国民生产总值、交通运输部门增加值、交通客运周转量、交通货运周转量以及交通运输部门的各类一次能源消耗量、二氧化碳排放量等.其中常住人口数量、国民生产总值、交通运输部门增加值、交通客运周转量、交通货运周转量等数据来自《中国统计年鉴》,而交通部门一次能源消耗和二氧化碳排放量数据来自中国碳核算数据库(CEADs)[30-31].目前我国交通运输部门体系主要包含公路、水路、航空、铁路以及管道运输,由于管道运输的碳排放数据难以获取和界定,因此本文重点关注公路、水路、铁路以及航空运输的碳排放.鉴于长江经济带水路运输的巨大优势,本文主要将运输方式分为水路运输及陆路航空(包括公路、铁路、航空运输)两大类.

由于 CEADs中只有各省市交通运输部门的不同能源种类消费量(煤、焦炭、煤油、柴油、天然气、电力、热力等),需要将各种能源根据最新《中国能源统计年鉴》所附的“各种能源折标准煤参考系数”(见表1)折算成标准煤并进行汇总,并参考《2006年IPCC国家温室气体清单指南》和文献[32-33]等观点对 2000～2019年碳排放数据进行估算,见公式(18).

表1 各种能源折标准煤参考系数及碳排放系数Table 1 Standard coal conversion coefficient and carbon emission coefficient for different energy types

式中:j表示11种能源,CTj, ETj, FTj分别代表交通运输业第j种能源的碳排放量、能源消耗量以及排放系数;而 NCVT j, CEFT j, COFTj则分别表示第 j种能源的平均低位发热值、单位热值含碳量以及碳氧化率,具体参数见表2.

表2 各种能源碳排放系数计算相关参数Table 2 Parameter specifications for calculating carbon emission coefficients of different energy types

此外,由于长江经济带地理位置赋予水路运输巨大的天然优势,本文参考蔡博峰等[34]观点,采用“自上而下”的方法对2000～2019年水路运输交通碳排放量进行估算,旨在进一步探究水路、陆路航空等运输方式的不同对整体交通碳排放的贡献,具体见式(19).

式中:CWT代表长江经济带水路运输交通碳排放总量;m表示水路运输下细分的2种运输方式,m取 1和 2分别为内河运输及海洋运输;Tm,ETm分别为在此运输方式下的换算周转量及单位换算周转量能耗;Fm则代表当前运输方式下的排放系数.

此外,由于交通运输部门的服务周转量可分为客运周转量和货运周转量,本文借鉴了王静静等[35]在2016确定的换算标准,按照1t·km=7.1人·km的转换系数将客运周转量换算成货运周转量并进行了汇总;为了减少价格因素对分解结果的影响,保证数据的可比性,本文所采用的GDP和交通部门增加值均以1978年不变价进行折算.

2.1 长江经济带交通碳排放差异性分析

从 2000～2019年,长江经济带交通运输部门碳排放总量由59.7百万t增长至330.8百万t,年平均增长率为9.59%,且各省市间表现出了明显的差异性.其中 2019年上海市交通运输业碳排放达 51.85百万 t,其次是江苏省的 47.43百万 t以及湖北省的40.87百万t,贵州省最少为16.2百万t.图1根据2019年交通运输业人均碳排放量对长江经济带 11省市进行划分,其中上海市人均交通碳排放量为2.09t,属于高人均碳排放区域(大于 1t),而江苏省(0.59t)、湖北省(0.69t)、重庆市(0.59t)、云南省(0.55t)属于次高人均碳排放区域(0.5～1t),其他省份为低人均碳排放区域(0～0.5t).

图1 2000～2019年长江经济带交通运输业人均碳排放Fig.1 Per capita CO2 emissions of the transportation sector in the Yangtze River Economic Belt over the period of 2000 to 2019

2.1.1 基于人均交通碳排放的泰尔指数 如表3所示,基于人均碳排放的泰尔指数Theil(P)一直保持在0.1以上,平均值为0.205,且峰值出现在2004年.从2000～2004年,泰尔指数从0.264增加到了0.315;而从 2004年开始,泰尔指数逐年下降到 2019年的0.123,其值不及2004年的一半.可以看出,2000～2019年长江经济带交通人均碳排放表现出了较明显的区域差异性,但整体上差异在减弱.在人均交通碳排放区域差异中,区域内差异大于区域间差异且这种趋势逐渐增强.2000年人均交通碳排放中区域内差异贡献率与区域间的比值为66.5%: 33.5%,在2019年增加至76.6%:23.4%,说明长江经济带交通运输业人均碳排放总体差异主要是由区域内差异产生,这与康晓娟等学者研究我国能源消费差异时表现一致[36-37].在区域内差异中,三个地区对总体差异的影响也存在差异性,其中下游地区的贡献率最高,平均贡献了29.5%,中部和西部地区则分别贡献了22.1%和 18%的区域内部差异.其中,下游江、浙、沪人均交通碳排放差异性较大,2019年上海市的人均碳排放量(2.1t)约为浙江省(0.5t)的4倍.21世纪以来,上海市经济的蓬勃发展和航运业的巨大需求可能是造成下游地区人均交通碳排放巨大差异的原因.

表3 基于人均交通碳排放的泰尔指数Table 3 Theil index derived based on per capita carbon emissions of the transportation sector

2.1.2 基于交通碳排放强度的泰尔指数 相比于人均交通碳排放区域差异,长江经济带交通碳强度区域差异性表现得较弱.如表4所示,2000～2019年基于碳排放强度的泰尔指数值Theil(GDP)一直保持在0.01到0.12之间,峰值出现在2006年的0.1178.在交通碳排放强度区域差异中,区域内差异远远大于区域间差异.2000～2019年其区域内差异贡献率与区域间的比值平均为90.5%:9.5%,这一比例高于基于人均交通碳排放差异中的相关比值.同时,区域内差异贡献率由 2000年的 94.1%逐渐下降至 2019年的90.25%,而同时期的区域间贡献率则由 5.9%上升到了9.75%,呈现出了“组内趋同而组间趋异”的俱乐部趋同现象[38-40].与基于人均交通碳排放的泰尔指数结果相似的是,区域内差异中,下游地区的贡献率仍是最高,2019年贡献了38.46%,中部和西部地区分别贡献了22.1%和18%.但下游地区的贡献率在逐渐减小,而上游地区在增长,这表明了上游地区云南省、贵州省、四川省和重庆市之间交通碳强度的差异性在逐渐凸显.

表4 基于交通碳排放强度的泰尔指数Table 4 Theil index derived based on carbon emission intensity of the transportation sector

总体而言,基于人均碳排放的泰尔指数远远高于基于碳强度的泰尔指数,这从一定程度上说明了长江经济带各省市交通运输业碳排放量与 GDP的匹配程度要高于其与人口规模的匹配度.因此,在实施长江经济带各省、市交通部门协同脱碳减排的路径中,选择以人均碳排放为指标比选择碳强度更具挑战性.

2.2 基于 LMDI模型的长江经济带交通碳排放实证分析

2.2.1 长江经济带 LMDI模型分解结果概况 利用LMDI分解模型分别对长江经济带2000～2019年交通运输业碳排放量进行完全分解.如表5所示.经济水平、交通碳密度、人口规模及能源效率对长江经济带交通碳排放的增加呈现正向驱动效应,累积效应分别为315.37、51.03、18.72和 14.24百万 t,其对碳排放的贡献率分别为116.33%、18.82%、6.91%和 5.52%.而运输结构、经济结构、以及能源强度则抑制了碳排放的增长,负向累积效应分别达到了-70.973、-44.04和-13.19百万t,贡献率分别达到了-26.18%、-16.25%及-4.78%.

表5 2000～2019年各驱动因素累积驱动效应及其贡献率Table 5 Cumulative effects and contribution rates of different driving factors over the period of 2000 to 2019

数据结果表明,经济规模持续扩张是长江经济带交通碳排放增长的第一主导因素,Jiang等[41]、Timilsina等[42]学者也同样发现经济产出是地区碳排放增长的主要驱动力.2000～2019年长江经济带GDP始终保持着高速增长,年平均增长率达到了13.69%,且其在全国所占比重不断扩大,从2000年的40.4%提升到了 2019年的 46.4%;在运输结构中,其水路运输周转量在交通运输周转量中所占比重从2000年的55.52%增加到了69.99%,是抑制交通碳排放增长的关键因素,这与喻洁等[18]的发现类似.而从不同运输方式下交通碳密度对碳排放的驱动效应来看,陆路航空运输随着交通碳密度的增长比水路运输对交通碳排放表现出了更强的正向促进作用,未来通过降低陆路航空运输碳密度的方式来缓解交通碳排放的潜力巨大;经济结构的转变同样对交通碳排放的增加表现出负向驱动效应,其交通运输业增加值在GDP中的比重由2000年的5.57%下降到了2019年的4.14%,对交通碳排放产生了-16.25%的负向驱动贡献;此外,与 Achour等[11]相似的是,长江经济带交通运输业能源强度的提升抑制了碳排放的增加.能源强度由2000年的4.7kg标准煤/元上升到了2019年7.2kg标准煤/元,同期对交通碳排放表现出了-4.87%的负向驱动贡献率.

2.2.2 长江经济带 LMDI分解结果时空差异 从时间和空间维度上看,长江经济带交通运输业碳排放受各驱动因素的影响均表现出了较大的差异性.由图2可得,经济水平和人口规模始终对长江经济带交通碳排放起到了正向驱动作用,且 2010～2019年正向驱动的累积效应也较2000～2010年有了显著的提升.经济结构中,交通增加值在GDP中比重对交通碳排放由正向驱动效应转变为负向驱动效应,而运输结构对碳排放的驱动效应贡献率则由 2000～2010年的8.2%转变为2010～2019年的-68.1%,近10年来水路运输的快速发展对长江经济带交通碳排放起到了较好的抑制作用.

图2 2000～2019年不同驱动因素对长江经济带交通碳排放的阶段性影响(百万t)Fig.2 Effects of different driving factors on carbon emissions of the transportation sector in the Yangtze River Economic Belt in different stages over the period of 2000 to 2019(Million tons)

从交通运输业技术水平的角度来看,交通碳密度、能源效率和能源强度 3个驱动因素对长江经济带交通碳排放的驱动效应产生了显著变化.其中交通碳密度对长江经济带交通碳排放的贡献由 2000～2010年的抑制转为2010～2019年的正向驱动,而能源效率和能源强度则恰好相反,这从一定程度上反映了长江经济带交通运输业技术水平的进步和能源效率的提升正在逐渐缓解碳排放增长,通过技术进步来缓解交通碳排放增加的政策取得了初步的成效.

如表6所示,长江经济带基于三区域划分的各驱动因素对交通碳排放的贡献率影响表现出显著的区域差异性.其中三区域经济水平对碳排放的正向驱动力均保持在100%以上的贡献率.但长江下游地区低于中上游地区;而下游地区人口规模的正向驱动效应更强,贡献率为12.27%,远高于上游和中游地区的3.48%和4.55%.从技术水平上来看,中游地区能源效率、能源强度和交通碳密度对交通碳排放的正向驱动力强于下游和上游地区,且经济结构和运输结构的负向驱动效应更显著,因此中游地区通过提升技术水平和调整产业结构来提升能源效率、提高能源强度以及降低交通碳密度,从而实现交通部门脱碳的潜力最大.

表6 长江经济带各区域2000～2019年各驱动因素交通碳排放贡献率对比(%)Table 6 Comparison of contribution rates of different driving factors for carbon emissions of the transportation sector in the Yangtze River Economic Belt over the period of 2000 to 2019(%)

相比于长江上中下游之间的区域差异,各省市之间的驱动效应表现出了更显著的差异性.如图3所示,驱动贡献率大于 100%的为高驱动效应区域,50%～100%的为次高驱动效应区域,小于 50%的为低驱动效应区域.其中能源强度表现出了明显的地区差异性,云南省、安徽省分别展现-49.4%、-45.5%的负向驱动效应,而江苏省和湖南省分别表现26.5%和24.2%的正向驱动作用;贵州省交通碳排放受经济水平影响最大,紧接着是浙江省和湖北省;相比其他省市,上海市交通碳排放受人口增长的正向驱动效应最明显.

图3 长江经济带11省市交通运输业2000～2019驱动因素驱动效应分析Fig.3 Effects of different driving factors on carbon emissions of the transportation sector across the 11provinces or municipalities of the Yangtze River Economic Belt from 2000～2019

从运输结构的角度来看,11省市中水路运输周转量占比的提高均抑制了交通碳排放的增长,且浙江省、安徽省及湖南省的负向驱动效应更强,长江经济带独特的区位优势使得水路运输在其各省市交通减排中均发挥了显著作用;从经济结构角度看,大部分省市交通部门增加值在 GDP中占比的提升均抑制了碳排放的增加,而安徽省和云南省则促进了碳排放的增长;从能源效率的角度看,上海市、浙江省、湖北省以及重庆市能源效率的增加促进了碳排放的增长,表现出了能效回弹效应[43-45],而剩余大部分省份则起到了负向驱动作用,说明能源效率的提升在交通部门节能减排中取得了初步成效.

2.3 政策建议

基于长江经济带交通运输业碳排放的测算分析,并结合《“十四五”长江经济带综合交通运输体系规划》以及国内外交通运输节能减排经验[46-47],分别从产业结构、技术水平、区域协调、宣传引导等角度对“十四五”时期长江经济带交通运输体系低碳发展提出以下政策建议:

2.3.1 调整交通运输结构,优化产业结构 2000～2019年产业结构和交通结构的调整是抑制长江经济带交通碳排放增加的关键因素.“十四五”时期,可深度优化长江经济带产业结构,扩大包括交通仓储运输和邮政在内的服务业占GDP的比重.同时,充分发挥长江经济带地理和运输资源优势,增加水路运输等低单耗水平运输方式在交通运输结构中的比重,推进建设绿色高效的交通运输体系.

2.3.2 提升技术水平,提高能源效率 2000～2019年,长江经济带交通运输业能源强度从2000年的4.8万t标准煤/亿元提升至2019年的7.2万t标准煤/亿元,同时交通运输业清洁能源占比由 2000年的9.24%提升至2019年的14.22%,技术水平提升缓解了交通碳排放增加.同时,能源效率对碳排放的影响也由正向逐步转为负向驱动.“十四五”时期,要继续提升交通运输业技术水平,尤其注重降低陆路航空业单位周转量碳排放水平,加快陆运交通工具清洁化电气化替代[48].

2.3.3 加快区域互联,实现交通一体化发展 长江经济带覆盖11个省市及数个世界级城市群,是连接中国东中西、协调南北方的重要纽带.基于泰尔指数的分析和LMDI分解结果均表明其交通经济产出和环境污染都呈现显著的区域差异性.“十四五”时期,要加快区域互联,推动各省市交通运输业协调发展,建立以碳排放强度为约束导向的降碳协同治理机制,实现长江经济带交通运输业的协调发展.

2.3.4 加大宣传力度,引导公众绿色出行 长江经济带人口密集、交通运输业需求量巨大、环境承载力承压等特点决定了必须加快形成资源节约型和环境友好型的居民交通消费模式.“十四五”时期,可充分利用报纸、调查问卷、公益广告等媒介,提高公众低碳出行意识,调动绿色出行积极性,倡导使用自行车、公共交通、新能源汽车等低碳出行的方式,从而促使公众交通消费方式的转变.

3.1 基于人均碳排放和碳排放强度的泰尔指数均表明长江经济带各省市在碳排放方面存在明显的差异,且区域内差异远大于区域间差异.其中,下游地区的贡献率最高,其次是中部和西部地区.同时,基于碳排放强度的区域内差异贡献率由 2000年的94.1%逐渐下降至2019年的90.25%,且同时期的区域间贡献率则由5.9%上升到9.75%,呈现出“组内趋同而组间趋异”特点的俱乐部趋同现象.

3.2 经济的蓬勃发展极大程度地驱动了长江经济带交通碳排放的增长,其次是人口规模和交通碳密度;运输结构和经济结构的调整是抑制碳排放增长的关键因素,其对碳排放的负向驱动效应分别达-26.18%、-16.25%.

3.3 经济水平和人口规模对碳排放增长的正向驱动效应在逐渐提升,而能源效率对碳排放的影响由正向驱动逐渐转化为了负向驱动.其中,长江中游地区能源效率和能源强度对交通碳排放的正向驱动力更强,且经济结构和交通碳密度的负向驱动效应更显著;而下游地区人口规模的正向驱动效应更强,贡献率为12.27%,远高于上游和中游地区的 3.48%和4.55%.