2. 清华大学 能源环境经济研究所, 北京 100084
2. Institute of Energy, Environment and Economy, Beijing 100084, China
改革开放以来,伴随着经济水平的提高,中国交通部门经历了高速的发展,其中,客运和货运周转量增长达10倍以上,机动车保有量年均增长率约为14%。但中国人均汽车保有量仍然远远低于美国、日本等发达国家水平,随着中国经济社会的发展,交通部门的需求将保持强劲的增长趋势,这对交通部门减少碳排放带来了更大的挑战。公路和铁路是当前中国主要的运输方式,也是碳排放的主要来源。根据国际能源署 (International Energy Agency,IEA)[1]的统计,2011年公路碳排放约占国内交通部门总排放的80%。由于中国幅员辽阔,同时自然资源,特别是煤炭等能源,分布较为不均,人口的迁移流动和能源资源的运输需要占用大量的运力,铁路运输在其中承担了极为重要的作用。从发达国家的历史经验来看,随着人均GDP提高,公路与铁路交通人均碳排放呈现出“先增长,后稳定”的规律,但不同国家的饱和时间与饱和水平不尽相同。中国目前的人均GDP和人均碳排放均处于较低水平。
公路与铁路交通的碳排放受诸多因素影响。有关能耗与碳排放影响因素的研究大体可以分为2类:1) 是基于环境Kuznets曲线的计量经济方法。Wei[2]较为详细的阐述了STIRPAT模型在环境问题中应用的几种类型。张佳丽[3]基于STIRPAT模型对中国CO2排放进行了研究。2) 是因素分解法,将碳排放分解为若干因素的乘积,比如人口总量、人均GDP、能耗的GDP强度和能源结构。针对因素分解的方法学研究,主要集中在Laspeyres和Divisia
分解的零值问题和残值处理。Ang[4-5]改进了Divisia指数,介绍了LMDI (log-mean divisia index) 分解方法,有效解决了残值问题,针对零值问题,给出了可能出现的8种组合的通用表达式。Sun[6]改进了Laspeyres分解,将残值平均分配给各项因子。
目前国内碳排放因素分解研究主要集中在部门或城市层面,采用的方法多为LMDI方法和Sun提出的Laspeyres完全分解方法 (Sun's Laspeyres index, SLI)。邢璐等[7]基于Kaya公式,采用LMDI分解法,分析了能源碳排放强度、单位GDP能耗、人均收入和人口对中国碳排放的影响。马丁等[8]利用LMDI分解和Theil指数分解对上海市低碳发展状况进行了分析并与伦敦和东京的碳排放情况进行了对比。刘小艳[9]利用SLI分解方法,研究了中国交通运输业碳排放的影响因素。魏楚等[10]基于LMDI分解,利用1980—2004年间全球108个国家的跨国面板数据,总结归纳出各国人均碳排放的7种模式。Andreoni等[11]利用LMDI分解研究了欧盟水运和空运的碳排放趋势。
为了解决SLI方法中残值分配不能体现各因子贡献率的问题,本文提出了一种基于贡献率的残值分配Laspeyres指数分解方法,并采用该方法研究了中国和其他6个国家公路与铁路交通CO2排放的影响因素。
1 基于贡献率的残值分配Laspeyres指数一般的Laspeyres指数分解忽略了交叉项,而在SLI方法中,交叉项被平均分配给每一项,解决了残值问题,但是对于交叉项的平均分配方法,并不能体现出每项因子对于总变化量的贡献率。本文对SLI方法进行了改进,提出了基于贡献率的残值分配Laspeyres指数分解方法 (contribution-based residual distribution Laspeyres index,CRDLI),以两项分解V=x1x2为例,两项因子的贡献量分别为
$ \vartriangle {V_1} = {x_1}^0{x_2}^0\left( {{{\overline x }_1} + \frac{{{f_1}}}{{{f_1} + {f_2}}}{{\overline x }_1}{{\overline x }_2}} \right), $ | (1) |
$ \vartriangle {V_2} = {x_1}^0{x_2}^0\left( {{{\overline x }_2} + \frac{{{f_2}}}{{{f_1} + {f_2}}}{{\overline x }_1}{{\overline x }_2}} \right). $ | (2) |
其中:ΔV1和ΔV2分别代表两项因子的贡献量,x10和x20分别代表两项因子的初始值。其余变量由下式计算:
$ {\overline x _1} = \frac{{\vartriangle {x_1}}}{{{x_1}^0}}, {\overline x _2} = \frac{{\vartriangle {x_2}}}{{{x_2}^0}}; $ | (3) |
$ {f_1} = 1 + {\overline x _2}, {f_2} = 1 + {\overline x _1}. $ | (4) |
对于n项分解,亦可得到类似形式的结果[12]。
2 模型构建与数据处理 2.1 分解模型本文采用二次分解的方法,先将碳排放进行一次分解,然后根据分解结果找出影响最大的解释因子,对其进行二次分解。首先,将公路与铁路交通的CO2排放分解为换算周转量、能耗强度和能源结构3个因素的乘积。
$ C = A \times \frac{E}{A} \times \frac{C}{E}. $ | (5) |
其中:C为公路和铁路交通的碳排放总量,A为换算周转量,E为能源消费量。
研究发现,换算周转量的变化对总的碳排放量影响最大,可以进一步将换算周转量分解为人口、人均收入和周转量强度3项因素的乘积。
$ A = P \times \frac{{{\text{GDP}}}}{P} \times \frac{A}{{{\text{GDP}}}}. $ | (6) |
其中:A为换算周转量,P为人口,GDP为国内生产总值。
2.2 数据来源及处理本文选取了1991—2010年间中国、澳大利亚、德国、印度、日本、英国和美国的公路与铁路交通部门作为研究对象。澳大利亚和美国均属于发达国家,而且国土面积较大,铁路货运比例较高,与中国有一定可比性。日本是世界第三大经济体,与中国同属于亚洲国家,公路和水路运输占据重要地位。德国和英国属于欧洲发达国家,分别位于欧洲大陆和不列颠群岛,可代表欧洲交通的发展模式。印度属于亚洲新型工业化国家,人口众多、国土面积较大,近年来经济发展较快。以上国家可以一定程度上体现世界各国交通发展的典型模式。
中国的周转量数据根据《中国统计年鉴2012》进行换算,得出换算周转量,即:
$ A = \sum\limits_{i, j} {{\text{C}}{{\text{F}}_{i, j}}{A_{i, j}}.} $ | (7) |
其中:i表示运输方式 (公路、铁路);j表示运输类型 (客运、货运);CF代表客货运转换因子,对于货运和铁路客运,此值为1,对于公路客运,此值为0.1。
由于《中国能源统计年鉴》中只有交通部门能耗总量,因此对于公路和铁路交通的能耗可以利用当年机动车保有量等数据推算,魏一鸣等[13]进行了相关研究。本文中没有采用这种方法,而是根据IEA的能源平衡表计算。相应的,中国公路与铁路CO2排放也采用了IEA的排放数据。
对于其他国家,周转量数据来源于经济合作与发展组织数据库 (OECD iLibrary),能源消耗数据和碳排放数据均采用IEA的统计数据。
中国及各国的GDP数据采用了世界银行的统计数据,按照购买力平价方法并折算为2005年国际元不变价。人口总量采用了联合国开发计划署的统计数据。
3 结果与分析 3.1 一次分解 3.1.1 历史数据表 1列出了5个年份中国及其他6国的公路与铁路交通碳排放、换算周转量和能耗数据。从1991—2010年,中国公路与铁路换算周转量增长了3.64倍,能耗增长了3.59倍,碳排放增长了2.73倍,小于能耗增长速率,说明燃料结构有所改善。除了澳大利亚和印度的换算周转量分别增长了1.31倍、2.96倍之外,其他国家的3项指标变动均在100%以下,这是因为研究涉及的发达国家的经济发展大都进入了相对稳定的发展阶段。
国家 | 指标 | 1991年 | 1996年 | 2001年 | 2006年 | 2010年 |
中国 | 碳排放/百万t | 114 | 137 | 208 | 333 | 424 |
换算周转量/(亿t·km) | 17 515 | 21 956 | 26 512 | 39 344 | 81 298 | |
标煤能耗/百万t | 47.76 | 67.47 | 99.00 | 165.19 | 219.26 | |
澳大利亚 | 碳排放/百万t | 54 | 61 | 65 | 72 | 72 |
换算周转量/(亿t·km) | 2 122 | 2 564 | 3 135 | 3 970 | 4 893 | |
标煤能耗/百万t | 0.64 | 0.72 | 0.77 | 0.85 | 0.85 | |
德国 | 碳排放/百万t | 155 | 163 | 164 | 147 | 142 |
换算周转量/(亿t·km) | 4 172 | 4 665 | 5 330 | 6 105 | 6 006 | |
标煤能耗/百万t | 1.84 | 1.93 | 1.95 | 1.85 | 1.78 | |
印度 | 碳排放/百万t | 84 | 80 | 90 | 105 | 153 |
换算周转量/(亿t·km) | 8 409 | 11 445 | 15 804 | 23 990 | 33 265 | |
标煤能耗/百万t | 39.19 | 38.37 | 43.69 | 51.70 | 75.09 | |
日本 | 碳排放/百万t | 198 | 228 | 232 | 217 | 202 |
换算周转量/(亿t·km) | 7 980 | 8 258 | 8 161 | 8 574 | 7 506 | |
标煤能耗/百万t | 2.34 | 2.69 | 2.75 | 2.58 | 2.41 | |
英国 | 碳排放/百万t | 108 | 114 | 117 | 120 | 113 |
换算周转量/(亿t·km) | 2 372 | 2 634 | 2 799 | 3 059 | 2 946 | |
标煤能耗/百万t | 1.26 | 1.33 | 1.35 | 1.39 | 1.34 | |
美国 | 碳排放/百万t | 1 153 | 1 321 | 1 463 | 1 568 | 1 427 |
换算周转量/(亿t·km) | 46 164 | 57 346 | 62 486 | 66 164 | 66 698 | |
标煤能耗/百万t | 13.53 | 15.54 | 17.23 | 18.71 | 17.55 |
3.1.2 一次分解结果分析
图 1为中国公路与铁路CO2排放的逐年分解结果。由于中国2008年公路和水路运输统计口径发生变化,因而2007—2008年的数据并无比较意义,此图中未列出。由分解结果可以发现,换算周转量的增长是推动CO2排放增长的最主要驱动因素,特别是1999年以后,换算周转量引起的碳排放增长都维持在较高的水平。1999年之前,能耗强度的正效应与负效应交替出现,说明此段时间能耗强度没有明显的变化趋势;2000—2006年,能耗强度主要呈现出正效应,说明此段时间单位周转量能耗有所上升,这一时期铁路公路运输比例变动不大,铁路能耗强度有所下降,而由于汽车舒适性提高以及客货比改变带来的影响抵消了燃油经济性提高的影响,公路能耗强度略有上升;2007—2010年,能耗强度下降,对CO2排放呈现出负效应。1999年之前,铁路交通主要采用燃煤机车,公路交通燃料99.8%以上为油品,燃料结构变动不大,对CO2排放的影响呈现正负效应交替;2000年以后,铁路燃煤比例从1999年的80%快速下降到2010年的26%,油品和电力的比例分别上升到45%和29%,同时公路交通天然气比例由1999年的0.1%上升到2010年的5.1%,使得能源结构略有改善,对CO2排放呈现出负效应。
图 2为中国与其他6个国家在1991—1996年、1996—2001年、2001—2006年和2006—2010年4个区间的公路与铁路CO2排放分解结果。
图 2可以看出换算周转量增加是各国公路与铁路交通碳排放增加的主要驱动因素,1991—2010年间,中国、澳大利亚、德国、印度、英国和美国换算周转量引起的碳排放量增长分别为4.02、0.65、0.60、2.33、0.24和4.84亿t,贡献率分别为129%、371%、-465%、340%、512%和177%。而日本同期换算周转量变化导致碳排放量下降了0.12亿t。从结果还可以发现,除中国和美国外的其他国家,换算周转量的贡献率很高,这些国家能耗强度也得到了较大的下降,这是其减缓碳排放增长或减少碳排放的主要原因。能源结构在1991—2010年间对总体碳排放的影响相对较小。鉴于换算周转量对于碳排放的较大影响,下文对其进行二次分解。
3.2 二次分解将换算周转量继续分解为人口、人均GDP和周转量强度的乘积,得到如图 3的分解结果。
由分解结果可以看出,人均GDP的增长是推动公路与铁路周转量增长的最主要原因,这可能与随着收入增加而增加的居民出行需求,以及伴随着经济增长而上升的资源、材料和货物运输需求有关。1991—2010年,中国、印度、美国、澳大利亚、德国、日本和英国由人均GDP增长导致的换算周转量增长量分别为8.24、1.58、1.65、0.13、0.11、0.10和0.11万亿t·km,对周转量变化的贡献率分别为129%、63%、80%、46%、58%、-216%和187%。其中日本因为周转量强度的大幅下降使得总周转量下降,所以人均GDP的效应呈现负值。人口的增长也会增加周转量,在中国、印度、美国、澳大利亚、德国、日本和英国的贡献率分别为19%、26%、56%、31%、6%、-44%和39%。在中国、美国、日本和英国,周转量强度的下降是减少公路与铁路换算周转量,进而减少CO2排放的重要因素,而在印度、澳大利亚和德国,周转量强度在1991—2010年间有所上升。
图 4为公路与铁路换算周转量强度与工业占GDP的比重之间的关系,后者可以表征经济结构。从图中可以发现,经济发展阶段会影响周转量强度,同属于发展中国家的中国和印度,周转量强度都处于较高水平,随着工业比例的增加,中国的周转量强度呈现下降趋势,而印度则呈现上升趋势,这说明中国的运输效率得到了提高。英国、美国和日本属于发达国家,在近40年来工业份额大体呈现下降趋势,周转量强度也逐渐下降,这可以解释为经济增长与周转量的“解耦”现象[14]。此外,国土面积也会影响周转量强度,中国、美国、澳大利亚和印度的周转量强度都比较高,而国土面积较小的日本、英国和德国其周转量强度处于较低水平。
4 结论与建议
本文利用基于贡献率的残值分配Laspeyres指数分解方法,研究了中国和其他6个国家公路与铁路交通CO2排放的影响因素。研究发现:换算周转量是影响各国公路与铁路CO2排放的重要因素,而能耗强度和能源结构的改善是实现减缓CO2排放增长或减少CO2排放的重要途径;人均GDP的增长是推动公路与铁路换算周转量增长的最主要原因,而降低周转量强度是减缓换算周转量上升进而减少CO2排放的重要途径;周转量强度与经济结构,特别是工业增加值占GDP份额,有一定关联,美国、日本和英国的周转量强度随着经济增长和工业份额下降而有所下降。
为了实现中国交通部门的低碳发展,公路与铁路交通应当加快转变发展方式,为建设美丽中国提供重要驱动:重视研发和推广高燃油经济性等级的运输工具并结合运行过程中的节能技术 (如节能驾驶技术、治理拥堵),提高铁路货运比例,提高公共交通在城市客运中的比例,可以降低单位周转量能耗强度;示范和推广替代燃料,采用天然气、生物燃料替代汽油、柴油,发展混合动力汽车、纯电动汽车和燃料电池汽车,提高铁路电气化比例,可以优化燃料结构;加快推进综合交通枢纽建设,加强区域城乡交通一体化建设,提高货运实载率,并充分发挥交通对产业布局的引领作用,可以从结构上减少运输需求,提升单位GDP的周转量强度,进而减少公路与铁路的CO2排放。
[1] | IEA. CO2 Emissions from Fuel Combustion[Z]. Paris: International Energy Agency, 2014. |
[2] | Wei T. What STIRPAT tells about effects of population and affluence on the environment?[J]. Ecological Economics, 2011, 72(1725): 70–74. |
[3] | 张佳丽. 基于STIRPAT模型的我国二氧化碳排放研究[D]. 长沙: 湖南大学, 2011. ZHANG Jiali. Research on China's CO2 Emission Based on STIRPAT Model[D]. Changsha: Hu'nan University, 2011. (in Chinese) http://cdmd.cnki.com.cn/Article/CDMD-10532-1012482185.htm |
[4] | Ang B. Decomposition analysis for policymaking in energy: Which is the preferred method?[J]. Energy Policy, 2004, 32(9): 1131–1139. DOI:10.1016/S0301-4215(03)00076-4 |
[5] | Ang B. The LMDI approach to decomposition analysis: A practical guide[J]. Energy Policy, 2005, 33(7): 867–871. DOI:10.1016/j.enpol.2003.10.010 |
[6] | Sun J. Changes in energy consumption and energy intensity: A complete decomposition model[J]. Energy Economics, 1998, 20(1): 85–100. DOI:10.1016/S0140-9883(97)00012-1 |
[7] | 邢璐, 单葆国. 基于Kaya公式的中国CO2排放影响因素分解[J]. 能源技术经济, 2011, 23(10): 46–50. XING Lu, SHAN Baoguo. Empirical analysis of China's carbon emission based on Kaya identity and decomposition model[J]. Energy Technology and Economics, 2011, 23(10): 46–50. (in Chinese) |
[8] | 马丁, 陈文颖. 上海市低碳发展状况分析[J]. 中国人口·资源与环境, 2013, 23(8): 26–32. MA Ding, CHEN Wenying. Development status of low-carbon in Shanghai[J]. China Population, Resources and Environment, 2013, 23(8): 26–32. (in Chinese) |
[9] | 刘小艳. 交通运输业CO2排放因素分解及减排潜力研究[D]. 西安: 长安大学, 2013. LIU Xiaoyan. Study on the CO2 Emissions Factor Decomposition and Reduction Potential of Transportation Industry[D]. Xi'an: Chang'an University, 2013. (in Chinese) http://cdmd.cnki.com.cn/Article/CDMD-11941-1014023143.htm |
[10] | 魏楚, 夏栋. 中国人均CO2排放分解:一个跨国比较[J]. 管理评论, 2010, 22(8): 114–121. WEI Chu, XIA Dong. A decomposition analysis of per capita CO2 emission of China: Based on cross-country comparison[J]. Management Review, 2010, 22(8): 114–121. (in Chinese) |
[11] | Andreoni V, Galmarini S. European CO2 emission trends: A decomposition analysis for water and aviation transport sectors[J]. Energy, 2012, 45(1): 595–602. DOI:10.1016/j.energy.2012.07.039 |
[12] | Wang L, Ma D, Chen W. A new improved decomposition model based on Laspeyres index: A case of CO2 emission in China from 1996—2011[J]. Advanced Materials Research, 2013, 734(1): 1797–1803. |
[13] | 魏一鸣, 廖华. 中国能源报告 (2010):能源效率研究[M]. 北京: 科学出版社, 2010. WEI Yiming, LIAO Hua. China Energy Report (2010): Energy Efficiency Research[M]. Beijing: Science Press, 2010. (in Chinese) |
[14] | Eom J, Schipper L, Thompson L. We keep on truckin: Trends in freight energy use and carbon emissions in 11 IEA countries[J]. Energy Policy, 2012, 45(45): 327–341. |