鄔嵐，陸豪冬，尹超英，成迎吉，任斯奇

(南京林業(yè)大學(xué)，汽車與交通工程學(xué)院，南京 210037)

0 引言

長江三角洲地區(qū)位于中國長江下游，包括：上海市、江蘇省、浙江省及安徽省全域，共41 個(gè)城市[1]，是國內(nèi)貨運(yùn)網(wǎng)絡(luò)最為密集的地區(qū)之一。據(jù)國家統(tǒng)計(jì)局?jǐn)?shù)據(jù)[2]可知，2020 年，長三角地區(qū)貨運(yùn)總量為109.03萬億t，占全國貨運(yùn)總量的23.05%，貨運(yùn)量呈穩(wěn)定增長趨勢(shì)，但長三角地區(qū)貨運(yùn)結(jié)構(gòu)仍然以公路運(yùn)輸為主導(dǎo)，2020 年，長三角地區(qū)公路貨運(yùn)量占總貨運(yùn)量59.30%，水路貨運(yùn)量占比38.89%，鐵路貨運(yùn)量僅占1.73%，貨運(yùn)結(jié)構(gòu)不均衡，鐵路貨運(yùn)占比低，而使用化石燃料交通運(yùn)輸工具較多的公路貨運(yùn)占比高，導(dǎo)致該地區(qū)的貨運(yùn)碳排放量較高。另一方面，近年來，我國交通運(yùn)輸業(yè)能源消費(fèi)量呈持續(xù)上升趨勢(shì)，由27102 萬噸標(biāo)準(zhǔn)煤(2010 年)增長至41309萬噸標(biāo)準(zhǔn)煤(2020年)，增長了52.42%；且交通運(yùn)輸業(yè)能源消費(fèi)份額也在同步上升，由7.51%(2010 年)增長至8.29%(2020 年)，上升了0.78 個(gè)百分點(diǎn)，從而導(dǎo)致交通運(yùn)輸業(yè)碳排放量不斷增加。通過能源消費(fèi)總量可以得到能源強(qiáng)度的變化情況，根據(jù)能源強(qiáng)度可以衡量地區(qū)能源綜合利用效率。因此，為降低貨運(yùn)碳排放，使貨運(yùn)結(jié)構(gòu)合理化，實(shí)現(xiàn)“雙碳”目標(biāo)，需要結(jié)合長三角地區(qū)特征，探究貨運(yùn)量及能源強(qiáng)度與貨運(yùn)碳排放的關(guān)系，并提出優(yōu)化對(duì)策。

國內(nèi)外已有許多學(xué)者利用不同方法對(duì)交通運(yùn)輸與碳排放的影響進(jìn)行分析與研究。在經(jīng)濟(jì)上，從經(jīng)濟(jì)發(fā)展規(guī)模與特定貨運(yùn)方式對(duì)碳排放的影響入手，例如，石鈺婷等[3]在計(jì)算中國航空運(yùn)輸業(yè)2000—2017年碳排放并分析其演變特征的基礎(chǔ)上，采用對(duì)數(shù)平均迪氏指數(shù)法(Logarithmic Mean Divisia Index,LMDI)模型對(duì)影響中國航空運(yùn)輸業(yè)碳排放的驅(qū)動(dòng)因素進(jìn)行實(shí)證分析發(fā)現(xiàn)，經(jīng)濟(jì)發(fā)展規(guī)模、產(chǎn)業(yè)規(guī)模及人口規(guī)模對(duì)碳排放起到正向的驅(qū)動(dòng)作用；薛鋒等[4]以2000—2017年我國鐵路固定資產(chǎn)投資、換算周轉(zhuǎn)量及國內(nèi)生產(chǎn)總值這3方面數(shù)據(jù)為基礎(chǔ)，應(yīng)用向量自回歸(Vector Autoregressive Model,VAR)模型定量分析鐵路發(fā)展對(duì)國家經(jīng)濟(jì)發(fā)展的支撐作用。從政府政策模擬角度研究交通運(yùn)輸對(duì)碳排放的影響，例如，孫啟鵬等[5]通過建立長期能源可替代規(guī)劃(Long-range Energy Alternatives Planning，LEAP)系統(tǒng)模型，計(jì)算分析不同情景政策的低碳交通政策效果測(cè)度，得到公交與新能源共同發(fā)展政策的效果最好和新能源發(fā)展政策效果略好于公交發(fā)展政策的結(jié)論；MIYATA 等[6]研究在電動(dòng)車制造、電動(dòng)車運(yùn)輸、太陽能發(fā)電、熱電聯(lián)產(chǎn)以及其他運(yùn)輸方面進(jìn)行電動(dòng)車補(bǔ)貼對(duì)碳排放的影響，指出電動(dòng)車補(bǔ)貼會(huì)導(dǎo)致碳排放增加；CHENG等[7]構(gòu)建城市交通系統(tǒng)動(dòng)力學(xué)模型，以高雄市為例，研究1995—2025 年燃油稅等3 項(xiàng)城市交通管理政策的模擬實(shí)施效果。在運(yùn)輸方面，從調(diào)整運(yùn)輸結(jié)構(gòu)的角度[8-9]研究減碳的影響以及利用經(jīng)濟(jì)學(xué)方法[10]探究貨運(yùn)與碳排放之間存在的關(guān)系，WALKER等[11]通過計(jì)算機(jī)模擬情景的方法研究不同運(yùn)輸方式的路徑、距離、時(shí)間與CO2排放量之間的關(guān)系，從而選擇最佳的運(yùn)輸方式。在能源方面，通過采用開發(fā)新能源交通方式以及調(diào)整能源結(jié)構(gòu)的方式減少交通運(yùn)輸?shù)奶寂欧?，例如，郭秀銳等[12]應(yīng)用LEAP模型預(yù)測(cè)分析京津冀地區(qū)交通運(yùn)輸能耗和碳排放情況發(fā)現(xiàn)，淘汰高排放車能在短期內(nèi)達(dá)到最佳的節(jié)能效果；麥文雋[13]構(gòu)建城市客運(yùn)交通系統(tǒng)動(dòng)力學(xué)模型，指出城市客運(yùn)交通能耗及碳排放主要來源于私家車，其次是公交車和出租車；WEGER 等[14]運(yùn)用情景模擬將德國公路運(yùn)輸部分以化石燃料為動(dòng)力的重型車輛過渡到以氫能源為動(dòng)力的運(yùn)輸車輛，研究發(fā)現(xiàn)，氫能源車輛可以明顯減少國家公路運(yùn)輸碳排放；FAN等[15]以北京市公共交通為例，分析2016—2030年不同情景下的能源需求和主要溫室氣體(GreenHouse Gas,GHG)排放結(jié)果發(fā)現(xiàn)，對(duì)能源結(jié)構(gòu)進(jìn)行內(nèi)部調(diào)整，可以大大減少對(duì)傳統(tǒng)能源的需求，減少溫室氣體排放。

綜合以上相關(guān)研究可知，目前，國內(nèi)外從經(jīng)濟(jì)、運(yùn)輸及能源方面等研究特定貨運(yùn)方式以及城市運(yùn)輸與碳排放關(guān)系的較多，且大多從國家層面角度出發(fā)，但由于各地區(qū)的經(jīng)濟(jì)基礎(chǔ)與運(yùn)輸發(fā)展?fàn)顩r各不相同，致使得出的結(jié)論對(duì)于指導(dǎo)地區(qū)層面的貨運(yùn)減碳缺乏一定針對(duì)性。本文利用經(jīng)濟(jì)、交通及能源等數(shù)據(jù)，以長三角地區(qū)為研究對(duì)象，從地區(qū)層面研究貨運(yùn)碳排放的影響關(guān)系。由于影響貨運(yùn)碳排放的因素較多，例如，經(jīng)濟(jì)增長或能源排放等因素均會(huì)對(duì)碳排放有較為顯著的影響[16]，僅從貨物運(yùn)輸方式角度進(jìn)行分析缺乏全面性，本文以長三角地區(qū)為例，根據(jù)1990—2020 年之間貨運(yùn)量、GDP、能源強(qiáng)度與貨運(yùn)碳排放的數(shù)據(jù)，建立ARDL-ECM 模型并進(jìn)行格蘭杰因果檢驗(yàn)，選取GDP、貨運(yùn)量與能源強(qiáng)度作為經(jīng)濟(jì)、貨運(yùn)及能源這3 方面的代表性指標(biāo)，分析3方面與貨運(yùn)碳排放之間的關(guān)系。

1 數(shù)據(jù)選取與處理

1.1 數(shù)據(jù)選取

利用1990—2020年4組長三角地區(qū)的數(shù)據(jù)，包括貨運(yùn)碳排放量、貨運(yùn)量、GDP值以及能源強(qiáng)度，其中，貨運(yùn)量與GDP值取自于各地統(tǒng)計(jì)年鑒，能源強(qiáng)度根據(jù)能源消費(fèi)總量除以GDP 得到，用于衡量能源綜合利用效率，貨運(yùn)碳排放量數(shù)據(jù)通過公式計(jì)算得出。

考慮鐵路、公路、水路以及航空運(yùn)輸這4 種貨運(yùn)方式，貨運(yùn)碳排放計(jì)算的步驟包括以下兩步，首先，計(jì)算4種貨運(yùn)方式的能源消耗量，其次，通過與不同燃料的碳排放系數(shù)相乘計(jì)算得到該地區(qū)貨運(yùn)碳排放量。

(1)能源消耗量

式中：m為不同的貨運(yùn)方式；k為不同運(yùn)輸工具；Em,k為k種運(yùn)輸工具的能源消耗量；Vm,k為k種運(yùn)輸工具的貨物周轉(zhuǎn)量；Gm,k為k種運(yùn)輸工具的單位貨物周轉(zhuǎn)量能耗。不同貨運(yùn)方式對(duì)應(yīng)的運(yùn)輸工具以及燃料類型如表1所示，長三角地區(qū)各運(yùn)輸工具不同燃料類型下貨運(yùn)周轉(zhuǎn)量如表2 所示。由于各統(tǒng)計(jì)年鑒內(nèi)僅有鐵路、公路、水路與航空運(yùn)輸?shù)目傌涍\(yùn)周轉(zhuǎn)量數(shù)據(jù)，鐵路與公路貨運(yùn)方式缺少不同燃料類型下的貨運(yùn)周轉(zhuǎn)量數(shù)據(jù)，因此，需要對(duì)電力機(jī)車、內(nèi)燃機(jī)車、汽油車與柴油車的Vm,k進(jìn)行大致估算，其中，鐵路內(nèi)燃機(jī)車與電力機(jī)車貨運(yùn)周轉(zhuǎn)量根據(jù)《中國鐵道年鑒》中各年份鐵路里程電氣化率進(jìn)行細(xì)分，公路汽油車與柴油車貨運(yùn)周轉(zhuǎn)量根據(jù)《中國能源統(tǒng)計(jì)年鑒》中交通運(yùn)輸汽油與柴油消費(fèi)量進(jìn)行細(xì)分，其中，汽油與柴油消費(fèi)量數(shù)據(jù)包括部分倉儲(chǔ)與郵政業(yè)，因此，公路汽油車與柴油車貨運(yùn)周轉(zhuǎn)量數(shù)值會(huì)與實(shí)際有略微偏差；不同運(yùn)輸工具的單位周轉(zhuǎn)量能耗如表3所示。

表1 不同貨運(yùn)方式對(duì)應(yīng)的運(yùn)輸工具及燃料類型Table 1 Means of transport and type of fuel corresponding to different modes of transport

表2 長三角地區(qū)各運(yùn)輸工具不同燃料類型下貨運(yùn)周轉(zhuǎn)量Table 2 Freight turnover in Yangtze River Delta region by means of transportation under different fuel types

表3 不同運(yùn)輸工具單位周轉(zhuǎn)量能耗Table 3 Energy consumption per unit of turnover of different means of transport

(2)貨運(yùn)碳排放量計(jì)算

貨運(yùn)碳排放通常根據(jù)IPCC(Intergovernmental Panel on Climate Change)提出的公式計(jì)算，即

式中：Cm,k為m種交通運(yùn)輸方式k種運(yùn)輸工具的碳排放量；xi為第i種能源的碳排放系數(shù)，電力碳排放系數(shù)按照全國電網(wǎng)平均排放因子0.57 kgCO2·kWh-1進(jìn)行計(jì)算[17-18]，如表4所示；Ni為第i種能源平均低位發(fā)熱量；Fi為第i種能源單位熱值含碳量；Oi為第i種能源消耗氧化率。式(4)為各貨運(yùn)方式碳排放總量。通過計(jì)算得到，近30年，長三角地區(qū)貨運(yùn)碳排放量如圖1所示。

圖1 長三角地區(qū)貨運(yùn)碳排放量Fig.1 Carbon emissions from freight transport in Yangtze River Delta

表4 不同燃料碳排放系數(shù)Table 4 Carbon emission factors for different fuels

1.2 對(duì)數(shù)轉(zhuǎn)換

將長三角地區(qū)貨運(yùn)碳排放量、貨運(yùn)量、GDP 與能源強(qiáng)度進(jìn)行對(duì)數(shù)轉(zhuǎn)換，達(dá)到數(shù)據(jù)標(biāo)準(zhǔn)化的目的。對(duì)數(shù)轉(zhuǎn)換可以降低各個(gè)數(shù)據(jù)序列的波動(dòng)對(duì)后續(xù)模型建模產(chǎn)生的異方差影響，且經(jīng)過轉(zhuǎn)換后的模型系數(shù)能夠使用百分比形式描述，因此，能提高模型被解釋性[19]。轉(zhuǎn)換后的統(tǒng)計(jì)表如表5 所示，據(jù)表5 可知，4組數(shù)據(jù)的Jarque-bera檢驗(yàn)數(shù)非負(fù)，且非遠(yuǎn)大于0，符合正態(tài)分布偏度和峰度的擬合優(yōu)度檢驗(yàn)，滿足后續(xù)建模所需的正態(tài)分布要求。

表5 描述性統(tǒng)計(jì)表Table 5 Descriptive statistics

2 研究方法與模型構(gòu)建

ARDL（自回歸分布滯后模型）是用于估計(jì)變量之間長期及短期關(guān)系的一種模型方法。常用的EG協(xié)整檢驗(yàn)與Johansen 協(xié)整檢驗(yàn)需要被檢驗(yàn)變量間為同階單整，但由于在長期的計(jì)量經(jīng)濟(jì)以及數(shù)據(jù)研究中可以發(fā)現(xiàn)，變量間不同階單整現(xiàn)象較為普遍，尤其是針對(duì)多元回歸分析，其變量越多，不同階單整現(xiàn)象就會(huì)越普遍，針對(duì)該問題，Pesaran 于2001 年提出ARDL邊界協(xié)整檢驗(yàn)法[20]，使用該方法的優(yōu)點(diǎn)是能夠?qū)Σ煌A單整的變量進(jìn)行長期關(guān)系的研究，這是標(biāo)準(zhǔn)協(xié)整檢驗(yàn)無法做到的；除了長期關(guān)系分析，還可以通過結(jié)合誤差修正項(xiàng)顯示變量在短期內(nèi)如何與長期關(guān)系相關(guān)聯(lián)，從而分析變量短期關(guān)系，并且該模型適合用于小樣本數(shù)據(jù)，使用后能夠較為穩(wěn)健地估計(jì)變量間的關(guān)系。通過長期關(guān)系分析探究長三角地區(qū)貨運(yùn)量及能源強(qiáng)度與貨運(yùn)碳排放的一般規(guī)律，短期關(guān)系分析則反映目前政策形式下，對(duì)于貨運(yùn)量及能源強(qiáng)度與貨運(yùn)碳排放關(guān)系的影響。

基于ARDL 模型的上述優(yōu)點(diǎn)，學(xué)者們利用該模型研究交通運(yùn)輸與碳排放關(guān)系。PACHIYAPPAN等[21]使用該方法發(fā)現(xiàn)了印度GDP、能源使用量、人口增長以及CO2之間存在的長短期因果關(guān)系；LI等[22]采用該模型研究中國CO2排放量與公路、鐵路、航空與內(nèi)陸水路運(yùn)營里程的關(guān)系發(fā)現(xiàn)，鐵路運(yùn)營里程比例的增加對(duì)CO2排放會(huì)產(chǎn)生抑制作用；JEBLI 等[23]通過構(gòu)建ARDL 模型研究1990—2011年突尼斯CO2排放、海上運(yùn)輸、GDP、鐵路運(yùn)輸以及可燃可再生能源和廢物消耗之間的長短期相互關(guān)系；LIU 等[24]發(fā)現(xiàn)長期條件下中國能源強(qiáng)度、GDP工業(yè)化和城市化與CO2排放量的具體因果關(guān)系。因此，本文使用ARDL 模型研究長三角地區(qū)貨運(yùn)碳排放量、貨運(yùn)量、GDP 以及能源強(qiáng)度之間的相互關(guān)系，從長期與短期的角度探討其存在的關(guān)系。

根據(jù)長三角地區(qū)數(shù)據(jù)特征，建立ARDL 模型為

誤差修正項(xiàng)ECM(Error Correction Model)用于分析變量之間短期關(guān)聯(lián)，根據(jù)其數(shù)值得到變量從短期變化至長期狀態(tài)下的速度，并顯示變量間短期與長期之間的相關(guān)性。在分析長期關(guān)系后，分析誤差修正項(xiàng)，得到短期關(guān)系，建立短期關(guān)系模型與誤差修正項(xiàng)為

式中：m1、m2、m3、m4為最大滯后長度；M為誤差修正項(xiàng)；η為誤差修正項(xiàng)系數(shù)；θ為誤差項(xiàng)。

式中：a0為常數(shù)項(xiàng)；a1、a2、a3分別代表長三角地區(qū)貨運(yùn)量、長三角地區(qū)國內(nèi)生產(chǎn)總值以及長三角地區(qū)能源強(qiáng)度的系數(shù)值。式(7)為誤差修正項(xiàng)，其數(shù)值顯示由短期狀態(tài)轉(zhuǎn)變?yōu)殚L期狀態(tài)的速度。

3 實(shí)證結(jié)果分析

3.1 單位根檢驗(yàn)

使用ADF(Augmented Dickey-Fuller)單位根檢驗(yàn)對(duì)4 組數(shù)據(jù)進(jìn)行平穩(wěn)性檢驗(yàn)的結(jié)果如表6 所示，表6 中，檢驗(yàn)形式C、T、K分別表示常數(shù)項(xiàng)、趨勢(shì)項(xiàng)以及根據(jù)SC(Schwarz Criterion)施瓦茲準(zhǔn)則確定的滯后階數(shù)，各組變量均根據(jù)SC準(zhǔn)則、AIC(Akaike Information Criterion) 赤池信息準(zhǔn)則以及HQ(Hannan-Quinn Criterion)準(zhǔn)則的數(shù)據(jù)比較后確定不同的檢驗(yàn)形式。

表6 ADF單位根檢驗(yàn)Table 6 ADF unit root analysis

根據(jù)表6可知，除ln(qEI)在I(0)水平上平穩(wěn)外，其余變量均在I(1)水平上平穩(wěn)，即ln(qEI)為零階單整，、ln(qFREIGHT)及l(fā)n(qGDP)均為一階單整，4組變量為不同階，因此，采用ARDL 模型進(jìn)行邊界協(xié)整檢驗(yàn)。

3.2 ARDL邊界協(xié)整檢驗(yàn)

對(duì)4 組數(shù)據(jù)進(jìn)行ARDL 邊界協(xié)整檢驗(yàn)，結(jié)果如表7 所示，通過F 統(tǒng)計(jì)量值確定各組數(shù)據(jù)變量之間是否存在協(xié)整關(guān)系，若F統(tǒng)計(jì)量值大于各顯著性水平下的臨界上限值，則拒絕原假設(shè)，表明各組數(shù)據(jù)間存在長期協(xié)整關(guān)系[25]。根據(jù)表7 數(shù)據(jù)可知，F(xiàn) 統(tǒng)計(jì)量值為12.011，大于1%時(shí)的臨界上限值4.66，因此，拒絕原假設(shè)，4組數(shù)據(jù)均存在長期協(xié)整關(guān)系。

表7 ARDL邊界協(xié)整檢驗(yàn)Table 7 ARDL bound test

3.3 ARDL長期回歸結(jié)果分析

利用ARDL模型得出貨運(yùn)量、GDP及能源強(qiáng)度這3組數(shù)據(jù)與貨運(yùn)碳排放量的長期回歸結(jié)果關(guān)系，如表8 所示，從長期來看，長三角地區(qū)的貨運(yùn)量、GDP 以及能源強(qiáng)度均與貨運(yùn)碳排放存在顯著的相關(guān)性。在1%的顯著性水平上，貨運(yùn)量及能源強(qiáng)度均與貨運(yùn)碳排放呈正相關(guān)，系數(shù)分別為2.369 與2.198，表明該地區(qū)的貨運(yùn)量與能源強(qiáng)度各下降1%，則貨運(yùn)碳排放量將減少2.369%與2.198%；在10%的顯著性水平上，GDP與貨運(yùn)碳排放量呈正相關(guān)，相關(guān)系數(shù)為1.394，表明GDP降低1%，貨運(yùn)碳排放量將減少1.394%。由此可知，貨運(yùn)量和GDP 與能源強(qiáng)度的降低均能減少貨運(yùn)碳排放量。該模型R-squared 值為0.995，在F 統(tǒng)計(jì)量下的P 概率值為0.000，小于0.01，說明該模型的擬合程度較好。

表8 ARDL模型長期回歸結(jié)果Table 8 ARDL model long-term regression results

3.4 ARDL短期回歸結(jié)果分析

將ARDL 長期回歸結(jié)果所得出的殘差序列設(shè)置為ECM，ECM(-1)設(shè)置為一階差分后4組變量的固定回歸量，得出ARDL 的短期動(dòng)態(tài)關(guān)系，如表9所示，在1%的顯著性水平上，長三角地區(qū)貨運(yùn)量與該地區(qū)貨運(yùn)碳排放量的相關(guān)系數(shù)為3.285，即貨運(yùn)量每增加1%，貨運(yùn)碳排放量就增加3.285%；在5%的顯著性水平上，能源強(qiáng)度與貨運(yùn)碳排放量的相關(guān)系數(shù)為0.935，即能源強(qiáng)度每增加1%，貨運(yùn)碳排放量就會(huì)增加0.935%；即貨運(yùn)量與能源強(qiáng)度的增加均會(huì)導(dǎo)致貨運(yùn)碳排放量短期內(nèi)的上升，該結(jié)論與長期回歸結(jié)果相同。雖然GDP與貨運(yùn)碳排放量呈負(fù)相關(guān)，但由于其P值未呈現(xiàn)顯著性，因此，認(rèn)為GDP在短期內(nèi)對(duì)貨運(yùn)碳排放不存在影響。

表9 ARDL模型短期回歸結(jié)果Table 9 ARDL model short-term regression results

在ARDL 模型中，ECM 誤差修正系數(shù)的大小能夠顯示序列由短期內(nèi)的動(dòng)態(tài)波動(dòng)向長期均衡發(fā)展的調(diào)整速度快慢，根據(jù)表9 可知，誤差修正系數(shù)為-1.349，且其在1%的顯著性水平上顯著，因此，當(dāng)長三角地區(qū)貨運(yùn)碳排放在短期動(dòng)態(tài)波動(dòng)偏離長期均衡狀態(tài)后，誤差修正項(xiàng)會(huì)在0.741 年(1/1.349)后將系統(tǒng)恢復(fù)至長期均衡狀態(tài)，且由于系統(tǒng)需要0.741年的延遲后才能恢復(fù)為長期均衡狀態(tài)，因此，存在滯后效應(yīng)，即系統(tǒng)需要一定時(shí)間適應(yīng)變化，而不是立即反應(yīng)。

3.5 格蘭杰因果檢驗(yàn)

在對(duì)4 組時(shí)間序列數(shù)據(jù)進(jìn)行長短期關(guān)系研究后，利用格蘭杰因果檢驗(yàn)分析各組數(shù)據(jù)之間是否存在因果關(guān)系。如表10 所示，當(dāng)為解釋變量時(shí)，僅有l(wèi)n(qEI)在1%的顯著性水平上顯著，說明長三角地區(qū)的能源強(qiáng)度為貨運(yùn)碳排放量的格蘭杰原因，而當(dāng)ln(qEI)為解釋變量時(shí)，在1%，5%與10%的顯著性水平上均未顯示出顯著性，即貨運(yùn)碳排放的變化不是能源強(qiáng)度變化的原因，因此，能源強(qiáng)度為貨運(yùn)碳排放的單向格蘭杰原因。

表10 格蘭杰因果檢驗(yàn)Table 10 Granger causality test

3.6 穩(wěn)定性檢驗(yàn)

對(duì)模型進(jìn)行穩(wěn)定性檢驗(yàn)可以確定模型是否存在序列相關(guān)性以及異方差問題。本文采取拉格朗日乘數(shù)檢驗(yàn)(LM 檢驗(yàn))、自回歸條件異方差檢驗(yàn)(ARCH 檢驗(yàn))以及懷特異方差檢驗(yàn)，如表11 所示，由表11可知，F(xiàn)統(tǒng)計(jì)量值為正且P值大于0.05，表明其在5%顯著性水平上未顯示出顯著性，變量間不存在序列相關(guān)性，同樣，在ARCH 與懷特異方差檢驗(yàn)中數(shù)據(jù)均不顯著，表明不存在異方差影響。

表11 穩(wěn)定性檢驗(yàn)結(jié)果Table 11 Stability test results

通過CUSUM(累積遞歸和)與CUSUMSQ(累積平方和)驗(yàn)證模型的適用性以及序列的穩(wěn)定性，如圖2的CUSUM檢驗(yàn)圖與圖3的CUSUMSQ檢驗(yàn)圖所示，曲線均在5%顯著性區(qū)間內(nèi)，表明模型穩(wěn)定且參數(shù)估計(jì)結(jié)果可靠。

圖2 CUSUM(累積遞歸和)檢驗(yàn)Fig.2 CUSUM(cumulative recursive sum)test

圖3 CUSUMSQ(累積平方和)檢驗(yàn)Fig.3 CUSUMSQ(cumulative sum of squares)test

3.7 政策建議

根據(jù)ARDL長期回歸結(jié)果可知，長三角地區(qū)貨運(yùn)量、GDP以及能源強(qiáng)度的上升均會(huì)導(dǎo)致貨運(yùn)碳排放量的增加，但由于貨運(yùn)量與GDP 的上升為地區(qū)經(jīng)濟(jì)發(fā)展所帶來的必然結(jié)果，因此，降低能源強(qiáng)度和提高能源利用效率成為控制貨運(yùn)碳排放的首要方法，ARDL的短期回歸結(jié)果與格蘭杰因果檢驗(yàn)結(jié)果也表明，能源強(qiáng)度的增加將導(dǎo)致貨運(yùn)碳排放量增加，與長期回歸結(jié)果相同，即需要降低能源強(qiáng)度，達(dá)到控制貨運(yùn)碳排放的目的。能源強(qiáng)度通過能源消費(fèi)總量除以GDP可得到，根據(jù)《完善能源消費(fèi)強(qiáng)度和總量雙控制度方案》[26]中所提到的總體目標(biāo)“到2025 年，能耗雙控制度更加健全，能源資源配置更加合理，利用效率大幅提高。到2030年，能耗雙控制度進(jìn)一步完善，能耗強(qiáng)度繼續(xù)大幅下降，能源消費(fèi)總量得到合理控制，能源結(jié)構(gòu)更加優(yōu)化。”以及“增加能耗強(qiáng)度降低指標(biāo)考核權(quán)重，合理設(shè)置能源消費(fèi)總量指標(biāo)考核權(quán)重，研究對(duì)化石能源消費(fèi)進(jìn)行控制的考核指標(biāo)?！笨芍?，能源強(qiáng)度與能源消費(fèi)總量兩者緊密相關(guān)，可通過提高能源利用效率，例如，利用清潔能源，減少對(duì)化石燃料的依賴等措施，控制長三角地區(qū)能源消費(fèi)總量并降低能源強(qiáng)度，還可通過推廣新能源[27]燃料的公路貨運(yùn)方式，例如，氫能重卡或油電混合減少貨運(yùn)碳排放，或通過加強(qiáng)宣傳，加大對(duì)新能源的科研投入以及給予新能源貨運(yùn)車輛適當(dāng)?shù)馁徺I補(bǔ)貼等措施促進(jìn)新能源貨運(yùn)發(fā)展；另外，根據(jù)內(nèi)燃機(jī)車與電力機(jī)車的碳排放差異，國家需要制約內(nèi)燃機(jī)車的使用，及時(shí)淘汰耗能過大的鐵路機(jī)車，提高電氣化鐵路以及電力機(jī)車的使用率，對(duì)機(jī)車以及設(shè)備進(jìn)行節(jié)能改造，達(dá)到提高機(jī)車運(yùn)行能效，優(yōu)化電力系統(tǒng)使用效率的目的。

同樣，由于ARDL 長短期回歸結(jié)果中表明，貨運(yùn)量的增加將導(dǎo)致長三角地區(qū)貨運(yùn)碳排放量增加，因此，應(yīng)將貨運(yùn)能耗高的貨運(yùn)量分擔(dān)至貨運(yùn)能耗較低的運(yùn)輸方式中，即進(jìn)行合理的多式聯(lián)運(yùn)，提高多式聯(lián)運(yùn)的運(yùn)輸效率和比例，建立更為節(jié)能高效的貨運(yùn)結(jié)構(gòu)，例如，在我國交通運(yùn)輸部提出的《綜合運(yùn)輸服務(wù)“十四五”發(fā)展規(guī)劃》[28]中提到，“可通過構(gòu)建‘外集內(nèi)配、綠色聯(lián)運(yùn)’的公鐵聯(lián)運(yùn)配送體系，將公路及鐵路相互配合，以達(dá)到最優(yōu)的運(yùn)輸效率及運(yùn)輸能耗要求”，長三角地區(qū)公路和鐵路網(wǎng)基礎(chǔ)設(shè)施完善，路網(wǎng)密集，且水運(yùn)資源豐富，可利用密集的公路和鐵路網(wǎng)絡(luò)與水路運(yùn)輸相互協(xié)調(diào)連接，構(gòu)成公水聯(lián)運(yùn)和鐵水聯(lián)運(yùn)等聯(lián)運(yùn)方式，同時(shí)，也需要針對(duì)不同貨物的運(yùn)輸需求發(fā)展航空貨運(yùn)，使空中、水上、地面與地下能夠形成完善的協(xié)同合作的多式聯(lián)運(yùn)網(wǎng)絡(luò)。政府可通過給予鐵路貨運(yùn)適當(dāng)?shù)难a(bǔ)貼，并增收一定的碳稅等措施提高公轉(zhuǎn)鐵比例，降低碳排放，并且可以提高輕卡貨運(yùn)的比例實(shí)現(xiàn)公路卡車貨運(yùn)結(jié)構(gòu)的調(diào)整。

4 結(jié)論

目前，大多數(shù)研究主要針對(duì)單一方面與碳排放關(guān)系研究，且多數(shù)基于國家層面數(shù)據(jù)，本文針對(duì)經(jīng)濟(jì)、貨運(yùn)及能源這3 方面與碳排放間的關(guān)系，根據(jù)1990—2020 年長三角地區(qū)貨運(yùn)量、GDP、能源強(qiáng)度與貨運(yùn)碳排放量的時(shí)間序列數(shù)據(jù)，采用ARDLECM模型以及格蘭杰因果檢驗(yàn)的方法探究其長短期關(guān)系，得出以下結(jié)論：

(1) ARDL 模型長期回歸結(jié)果顯示，1990—2020 年長三角地區(qū)貨運(yùn)量、GDP 與能源強(qiáng)度每增加1%，則貨運(yùn)碳排放量將分別增加2.369%，1.394%，2.198%。

(2)ARDL 模型短期回歸結(jié)果顯示，短期內(nèi)長三角地區(qū)貨運(yùn)量和能源強(qiáng)度每增加1%，貨運(yùn)碳排放量將增加3.285%和0.935%，短期內(nèi)GDP 對(duì)貨運(yùn)碳排放量不存在影響，且誤差修正項(xiàng)表明，該系統(tǒng)由短期動(dòng)態(tài)恢復(fù)至長期均衡狀態(tài)需要0.741年。

(3)格蘭杰因果檢驗(yàn)表明，能源強(qiáng)度與貨運(yùn)碳排放量之間存在單向因果關(guān)系。

本文根據(jù)結(jié)論所給出的長三角地區(qū)政策建議為：發(fā)展清潔能源，加快新能源貨運(yùn)普及；提高電氣化鐵路與電力機(jī)車使用率；對(duì)貨運(yùn)量進(jìn)行合理分擔(dān)；完善多式聯(lián)運(yùn)貨運(yùn)網(wǎng)絡(luò)。