汪 瑩，高佳鈺，雷雨軒

(中國(guó)礦業(yè)大學(xué)(北京)管理學(xué)院，北京 100083)

2016年國(guó)家發(fā)改委等部委聯(lián)合發(fā)布了《中長(zhǎng)期鐵路網(wǎng)規(guī)劃》，到2025年鐵路網(wǎng)規(guī)模達(dá)到17.5萬(wàn)km左右；到2030年，基本達(dá)成縣級(jí)基本覆蓋，區(qū)際線路暢通，城市快速互通的目標(biāo)。一方面，現(xiàn)代鐵路具備路網(wǎng)發(fā)達(dá)、運(yùn)量大、效率高及綠色環(huán)保等優(yōu)勢(shì)，在我國(guó)交通運(yùn)營(yíng)體系中占據(jù)重要地位。另一方面隨著我國(guó)鐵路的快速發(fā)展，作為能源消耗的重要部門，如何對(duì)運(yùn)營(yíng)中的碳排放問(wèn)題進(jìn)行管控，實(shí)現(xiàn)我國(guó)經(jīng)濟(jì)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(yùn)輸過(guò)程碳排放量的估算和鐵路運(yùn)營(yíng)低碳程度評(píng)價(jià)兩方面。在鐵路運(yùn)輸碳排放量量化方面，Dincer等[1]基于生命周期理論，通過(guò)整理土耳其鐵路公司2000—2005年數(shù)據(jù)，使用美國(guó)環(huán)保署頒布的排放因子，估算土耳其不同類型鐵路機(jī)車的CO2排放量；張永闖等[2]以鐵路運(yùn)營(yíng)節(jié)點(diǎn)的最小能源需求量為基礎(chǔ)，構(gòu)建Logistic量化模型，對(duì)大秦鐵路2016—2020年的碳排放量進(jìn)行預(yù)測(cè)；朱勇等[3]基于投入產(chǎn)出理論，采用灰色均值模型，對(duì)高速鐵路直接碳排放量進(jìn)行計(jì)算。在鐵路低碳程度評(píng)價(jià)方面，薛靜[4]運(yùn)用全壽命周期理論，對(duì)京津冀城際鐵路進(jìn)行了整體碳排放評(píng)價(jià)；謝漢生等[5]根據(jù)鐵路運(yùn)輸能耗情況計(jì)算得出2005—2012年鐵路運(yùn)營(yíng)中的碳排放量，運(yùn)用層次分析法，構(gòu)建鐵路運(yùn)營(yíng)低碳效應(yīng)評(píng)價(jià)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(yùn)營(yíng)某一階段碳排量計(jì)算和低碳程度評(píng)價(jià)，缺乏對(duì)現(xiàn)代鐵路核心運(yùn)營(yíng)過(guò)程碳排放影響因素與機(jī)制的科學(xué)性、系統(tǒng)性的研究。

本文以低碳經(jīng)濟(jì)發(fā)展為背景，深入探討我國(guó)鐵路運(yùn)營(yíng)碳排放主要影響因素及機(jī)制。通過(guò)搜集《中國(guó)統(tǒng)計(jì)年鑒》和《鐵道統(tǒng)計(jì)公報(bào)》的原始數(shù)據(jù)，考慮近40年的國(guó)家鐵路客貨運(yùn)營(yíng)的能源消耗和經(jīng)濟(jì)收入的時(shí)間序列數(shù)據(jù)，計(jì)算鐵路運(yùn)營(yíng)的碳排放量和強(qiáng)度，進(jìn)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(lái)考察1979—2018年鐵路運(yùn)營(yíng)碳排放量的協(xié)整關(guān)系及重要影響因素，特別是識(shí)別鐵路運(yùn)營(yíng)碳排放的核心影響因素及其對(duì)碳排放的影響彈性和貢獻(xiàn)率。

1 我國(guó)鐵路運(yùn)營(yíng)碳排放相關(guān)概念

1.1 鐵路運(yùn)營(yíng)碳排放量

本文提出的鐵路運(yùn)營(yíng)碳排放量是指國(guó)家鐵路客貨運(yùn)營(yíng)過(guò)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(yùn)營(yíng)這個(gè)核心環(huán)節(jié)的碳排放量。

1.2 鐵路運(yùn)營(yíng)碳排放強(qiáng)度

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

2 鐵路運(yùn)營(yíng)碳排放量的估算與趨勢(shì)分析

2.1 碳排放量估算方法

碳排放量的計(jì)算建立在能源消費(fèi)的基礎(chǔ)上，鐵路運(yùn)營(yíng)能源主要包括電力、原煤、柴油、天然氣等。目前國(guó)內(nèi)外通常采用的處理方法是將各種能源按照消耗與標(biāo)準(zhǔn)煤進(jìn)行換算，得到能源消耗的標(biāo)準(zhǔn)煤折算總量[8-9]。本文直接采納從《鐵道統(tǒng)計(jì)公報(bào)》獲取的能源消耗標(biāo)準(zhǔn)煤折算總量統(tǒng)計(jì)數(shù)據(jù)。在此基礎(chǔ)上，用標(biāo)準(zhǔn)煤總量乘以CO2排放系數(shù)，得到碳排放量。這里采用的是國(guó)家發(fā)改委能源研究所規(guī)定的標(biāo)準(zhǔn)煤碳排放系數(shù)，即每噸標(biāo)準(zhǔn)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(wàn)t；Xi為能源i消費(fèi)量，萬(wàn)t；Zi為能源i的折算為標(biāo)準(zhǔn)煤?jiǎn)挝坏南禂?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(jì)算得出的碳排放量以及碳排放強(qiáng)度見表1，其中我國(guó)鐵路能源消耗總量(折算標(biāo)準(zhǔn)煤)原始數(shù)據(jù)來(lái)自歷年《鐵道統(tǒng)計(jì)公報(bào)》和《中國(guó)能源統(tǒng)計(jì)年鑒》，運(yùn)輸收入原始數(shù)據(jù)來(lái)自《中國(guó)統(tǒng)計(jì)年鑒》。運(yùn)輸收入為鐵路運(yùn)輸客運(yùn)收入與貨運(yùn)收入加總得到，不考慮其他收入。

2.2 碳排放趨勢(shì)分析

根據(jù)表1數(shù)據(jù)可繪制出鐵路碳排放量及強(qiáng)度變化走勢(shì)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(wàn)t以上，1989—2005年鐵路運(yùn)營(yíng)碳排放量從1 984.38萬(wàn)t平穩(wěn)小幅下降為1 505.80萬(wàn)t。2006年鐵路運(yùn)營(yíng)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(dòng)不明顯，平均水平維持在1 117萬(wàn)t。較為明顯的，鐵路運(yùn)營(yíng)碳排放強(qiáng)度整體呈下降趨勢(shì)，從1979年強(qiáng)度為20.52 t/萬(wàn)元，1991年強(qiáng)度為4.66 t/萬(wàn)元，降至2018年0.15 t/萬(wàn)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(yùn)輸技術(shù)進(jìn)步、設(shè)備更新以及管理優(yōu)化，鐵路綠色低碳運(yùn)營(yíng)效率呈現(xiàn)持續(xù)增長(zhǎng)趨勢(shì)，同時(shí)鐵路運(yùn)營(yíng)綠色GDP產(chǎn)出實(shí)現(xiàn)較快增長(zhǎng)。

表1 1979—2018年我國(guó)鐵路客貨運(yùn)營(yíng)碳排放

圖1 1979—2018年鐵路運(yùn)營(yíng)碳排放量及強(qiáng)度

3 鐵路運(yùn)營(yíng)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(zhǎng)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(yàn)

非平穩(wěn)數(shù)據(jù)通常會(huì)導(dǎo)致偽回歸問(wèn)題，即兩個(gè)變量沒(méi)有任何因果關(guān)系，但存在高度相關(guān)性，因此應(yīng)首先進(jìn)行平穩(wěn)性測(cè)試，即必須執(zhí)行單位根檢驗(yàn)。單位根平穩(wěn)性檢驗(yàn)(Unit Root Test)一般利用ADF檢驗(yàn)法(The Argument Dikey-fuler Test)。其檢驗(yàn)規(guī)則是：如果統(tǒng)計(jì)量小于臨界值，則拒絕原始假設(shè)，即序列沒(méi)有單位根，這是一個(gè)平穩(wěn)序列；反之，如果統(tǒng)計(jì)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(yàn)

協(xié)整檢驗(yàn)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(guò)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(xué)術(shù)研究中，協(xié)整檢驗(yàn)主要為兩種方法：基于回歸系數(shù)的Johansen檢驗(yàn)和基于回歸殘差的單一方程檢驗(yàn)，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(shí)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(dòng)效應(yīng)[14-15]。一般形式為

(2)

(4)Granger 因果關(guān)系檢驗(yàn)

Granger 因果關(guān)系檢驗(yàn)用于確定單個(gè)變量是否受自身及其他變量過(guò)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(yàn)要求估算下列回歸：

無(wú)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(xiàng)；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(duì)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(duì)象是我國(guó)國(guó)家鐵路運(yùn)營(yíng)碳排放影響因素，關(guān)于自變量的選取，總結(jié)其他學(xué)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(qiáng)度、運(yùn)輸車輛結(jié)構(gòu)和國(guó)家經(jīng)濟(jì)發(fā)展程度(人均GDP)4個(gè)變量進(jìn)行分析，變量說(shuō)明見表2。1979—2018年的時(shí)間序列基礎(chǔ)數(shù)據(jù)見表3，其中，換算運(yùn)輸總周轉(zhuǎn)量的原始數(shù)據(jù)來(lái)源于《中國(guó)統(tǒng)計(jì)年鑒》，包括客運(yùn)周轉(zhuǎn)量及貨運(yùn)周轉(zhuǎn)量，將客運(yùn)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(yùn)換算系數(shù)為1，即鐵路運(yùn)輸以1“人公里”換算成1“噸公里”。經(jīng)過(guò)自然對(duì)數(shù)處理的變量數(shù)據(jù)見圖2。

表2 影響因素及其說(shuō)明

表3 1979—2018年鐵路碳排放影響因素?cái)?shù)據(jù)

3.3 模型構(gòu)建

構(gòu)建鐵路運(yùn)營(yíng)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(duì)模型中的變量的取自然對(duì)數(shù)，模型為

(5)

式中：LCO2為鐵路運(yùn)營(yíng)碳排放量的自然對(duì)數(shù)；LCT為鐵路換算總周轉(zhuǎn)量的自然對(duì)數(shù)；LEI為能源消耗強(qiáng)度的自然對(duì)數(shù)；LVS為運(yùn)輸車輛結(jié)構(gòu)的自然對(duì)數(shù)；LGDP為每年實(shí)際人均GDP的自然對(duì)數(shù)；β1～β4為各解釋變量對(duì)被解釋變量的長(zhǎng)期影響程度。

3.4 實(shí)證檢驗(yàn)

3.4.1 單位根檢驗(yàn)

單位根檢驗(yàn)(Unit Root Test)是統(tǒng)計(jì)檢驗(yàn)中廣泛應(yīng)用的平穩(wěn)性檢驗(yàn)方法。本研究時(shí)間跨度為1979—2018年，時(shí)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(lái)測(cè)試每個(gè)變量的平穩(wěn)性。

運(yùn)用Eviews10軟件，檢驗(yàn)結(jié)果見表4。

協(xié)整檢驗(yàn)的必要前提是每個(gè)變量均為同階單整。通過(guò)單位根檢驗(yàn)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(yàn)的條件。

3.4.2 協(xié)整檢驗(yàn)

本文涉及4個(gè)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(yàn)，用以檢驗(yàn)變量之間是否存在長(zhǎng)期協(xié)整關(guān)系。

在Johansen檢驗(yàn)之前，要明確無(wú)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(xiàng)的自相關(guān)，同時(shí)留有合適的滯后項(xiàng)，使模型具有強(qiáng)解釋力。根據(jù)信息準(zhǔn)則，確定VAR模型的最優(yōu)滯后階數(shù)，滯后檢驗(yàn)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(yàn)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(yàn)為一階滯后。

圖2 自然對(duì)數(shù)處理后變量變化趨勢(shì)

表4 單位根檢驗(yàn)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(yàn)?zāi)Ｐ椭械某?shù)項(xiàng)、趨勢(shì)項(xiàng)以及滯后階數(shù)。

表5 滯后階數(shù)檢驗(yàn)果

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

運(yùn)行Eviews10,協(xié)整檢驗(yàn)結(jié)果見表6和表7。

表6 Johansen協(xié)整檢驗(yàn)似然比檢驗(yàn)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(yàn)最大特征值檢驗(yàn)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(gè)變量具有一個(gè)協(xié)整關(guān)系。把協(xié)整系數(shù)標(biāo)準(zhǔn)化，得到能準(zhǔn)確反映變量間關(guān)系的協(xié)整方程，其表達(dá)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(hào)中數(shù)字為相應(yīng)回歸系數(shù)估計(jì)量的標(biāo)準(zhǔn)差。公式反映了CO2與CT、EI、VS和GDP之間存在長(zhǎng)期均衡關(guān)系。

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

表8 影響因素對(duì)碳排放量的長(zhǎng)期影響貢獻(xiàn)及變化率

圖3 影響因素對(duì)碳排放的長(zhǎng)期影響貢獻(xiàn)和變化率雷達(dá)圖

根據(jù)協(xié)整方程，中國(guó)鐵路運(yùn)營(yíng)碳排放和鐵路換算總周轉(zhuǎn)量、能源消耗強(qiáng)度、運(yùn)輸車輛結(jié)構(gòu)和國(guó)家人均GDP之間存在長(zhǎng)期穩(wěn)定的協(xié)整關(guān)系，按其對(duì)碳排放影響的貢獻(xiàn)率大小依次為：換算總周轉(zhuǎn)量、運(yùn)輸車輛結(jié)構(gòu)、能源消耗強(qiáng)度和人均GDP。長(zhǎng)期來(lái)看，根據(jù)各影響因素對(duì)碳排放的影響系數(shù)可知鐵路運(yùn)營(yíng)換算總周轉(zhuǎn)量提高會(huì)帶來(lái)碳排放量的增加，周轉(zhuǎn)量每增加1%，會(huì)使鐵路運(yùn)營(yíng)碳排放量增加1.984%，其對(duì)鐵路運(yùn)營(yíng)碳排放量有顯著的正向推動(dòng)作用。能源消耗強(qiáng)度提高1%，鐵路運(yùn)營(yíng)碳排放量增加0.30%。而運(yùn)輸車輛結(jié)構(gòu)即電氣機(jī)車比例提高1%，則會(huì)減少碳排放0.40%，運(yùn)輸車輛結(jié)構(gòu)的優(yōu)化，電氣機(jī)車比例的提升可以降低能源消耗，對(duì)碳排放量起著重要的直接抑制作用。而人均GDP對(duì)碳排放量的影響較小，人均GDP每增加1%，鐵路運(yùn)營(yíng)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(jì)量的標(biāo)準(zhǔn)差，[]中為t值，CointEq1為反映短期對(duì)長(zhǎng)期均衡調(diào)整的誤差修正項(xiàng)。

經(jīng)過(guò)檢驗(yàn)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(jì)算得出各因素對(duì)碳排放量的短期影響貢獻(xiàn)率和變化率，并可以繪制出相應(yīng)的雷達(dá)圖，見表10和圖4。它們可以更直觀地揭示短期影響機(jī)制。

表10 關(guān)鍵影響因素對(duì)碳排放的短期影響貢獻(xiàn)及變化率

圖4 影響因素對(duì)碳排放的短期影響貢獻(xiàn)和變化率雷達(dá)圖

由估計(jì)結(jié)果可知，誤差修正項(xiàng)系數(shù)為-0.175 5，顯著為負(fù)，說(shuō)明模型具備誤差修正機(jī)制，并進(jìn)一步證明鐵路運(yùn)營(yíng)碳排放與換算總周轉(zhuǎn)量、能源消耗強(qiáng)度、車輛運(yùn)輸結(jié)構(gòu)和人均GDP之間存在長(zhǎng)期均衡關(guān)系。同時(shí)表明當(dāng)我國(guó)鐵路運(yùn)營(yíng)碳排放短期波動(dòng)偏離長(zhǎng)期均衡時(shí)，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(duì)碳排放影響的貢獻(xiàn)率大小依次為：運(yùn)輸車輛結(jié)構(gòu)、人均GDP、換算總周轉(zhuǎn)和能源消耗強(qiáng)度。短期來(lái)看，各因素對(duì)碳排放量均有顯著影響。具體而言，運(yùn)輸車輛結(jié)構(gòu)每變動(dòng)1%，會(huì)使鐵路運(yùn)營(yíng)碳排放量正向調(diào)整0.34%。人均GDP提高1%，鐵路運(yùn)營(yíng)碳排放量增加0.24%。而鐵路換算總周轉(zhuǎn)量和能源消耗強(qiáng)度對(duì)碳排放具有負(fù)向影響，每變動(dòng)一個(gè)百分點(diǎn)，分別使鐵路運(yùn)營(yíng)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(jìn)一步分析鐵路運(yùn)營(yíng)各因素對(duì)碳排放量沖擊的短期動(dòng)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(duì)解釋變量(CO2)的響應(yīng)程度。這些響應(yīng)函數(shù)的結(jié)果報(bào)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(duì)LCO2產(chǎn)生了一定但不強(qiáng)烈的積極影響，在2期達(dá)到最大后開始下降，從3期開始對(duì)LCO2產(chǎn)生負(fù)向影響。但曲線有回升趨勢(shì)。LEI對(duì)LCO2持續(xù)產(chǎn)生顯著的正向影響，對(duì)LCO2的影響力度最大，3期后超過(guò)0.03。LGDP對(duì)LCO2的脈沖軌跡圍繞0軸上下波動(dòng)，影響不顯著。LVS對(duì)LCO2具有正向影響作用，在2期對(duì)LCO2的影響力度達(dá)到最大，隨后又下降，趨于平穩(wěn)，接近0.02。

圖5 LCT對(duì)LCO2的脈沖響應(yīng)軌跡

圖6 LEI對(duì)LCO2的脈沖響應(yīng)軌跡

圖7 LGDP對(duì)LCO2的脈沖響應(yīng)軌跡

圖8 LVS對(duì)LCO2的脈沖響應(yīng)軌跡

3.4.4 Granger因果檢驗(yàn)

在協(xié)整檢驗(yàn)確定了上述變量之間均衡關(guān)系的基礎(chǔ)上，本文進(jìn)一步運(yùn)用 Granger 因果檢驗(yàn)確定各變量是否具有因果關(guān)系。在時(shí)間序列前提下，經(jīng)濟(jì)變量x、y之間的Granger 因果關(guān)系指的是：如果將兩個(gè)變量的過(guò)去信息包括在內(nèi)，對(duì)變量y的預(yù)測(cè)結(jié)果要優(yōu)于單獨(dú)使用y的過(guò)去信息的預(yù)測(cè)結(jié)果。也就是說(shuō)，變量x對(duì)于預(yù)測(cè)變量y的未來(lái)變化是有用的，變量x被認(rèn)為是變量y的Granger 原因。

根據(jù)Granger因果檢驗(yàn)分析，分別建立了各變量?jī)蓛芍g的因果分析模型。檢驗(yàn)結(jié)果見表11。

由Granger因果檢驗(yàn)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(jì)上的因果關(guān)系。

4 結(jié)論

本文以鐵道統(tǒng)計(jì)公報(bào)獲取的鐵路運(yùn)營(yíng)能源消耗標(biāo)準(zhǔn)煤折算總量統(tǒng)計(jì)數(shù)據(jù)為基礎(chǔ)，并根據(jù)國(guó)家發(fā)改委能源研究所規(guī)定的標(biāo)準(zhǔn)煤碳排放系數(shù)計(jì)算得到1979—2018年鐵路運(yùn)營(yíng)碳排放量。進(jìn)一步采用鐵路客貨運(yùn)實(shí)際經(jīng)濟(jì)收入估算碳排放強(qiáng)度，描述了我國(guó)鐵路運(yùn)營(yíng)碳排放量和強(qiáng)度的變化趨勢(shì)?；?979—2018年時(shí)間序列數(shù)據(jù)，運(yùn)用協(xié)整檢驗(yàn)、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(yàn)方法檢驗(yàn)了換算總周轉(zhuǎn)量、能源消耗強(qiáng)度、運(yùn)輸車輛結(jié)構(gòu)和國(guó)家經(jīng)濟(jì)發(fā)展程度(人均GDP)等4個(gè)變量對(duì)我國(guó)鐵路運(yùn)營(yíng)碳排放量的長(zhǎng)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(qiáng)度、運(yùn)輸車輛結(jié)構(gòu)、人均GDP與我國(guó)鐵路運(yùn)營(yíng)碳排放之間存在長(zhǎng)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(qiáng)度與鐵路運(yùn)營(yíng)碳排放量呈正相關(guān)關(guān)系，運(yùn)輸車輛結(jié)構(gòu)對(duì)鐵路運(yùn)營(yíng)碳排放有顯著的抑制作用，人均GDP則對(duì)其有輕微的抑制作用，鐵路運(yùn)營(yíng)換算總周轉(zhuǎn)量是鐵路碳排放增加的最主要原因，運(yùn)輸車輛結(jié)構(gòu)的改善可以有效促進(jìn)碳排放量的降低。短期調(diào)整關(guān)系表明當(dāng)我國(guó)鐵路運(yùn)營(yíng)碳排放短期波動(dòng)偏離長(zhǎng)期均衡時(shí)，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(lái)經(jīng)濟(jì)增長(zhǎng)仍是中國(guó)的主要任務(wù)，由此帶來(lái)鐵路運(yùn)營(yíng)碳排放量會(huì)不斷增加，為響應(yīng)國(guó)家發(fā)展鐵路運(yùn)輸?shù)恼?，?shí)現(xiàn)鐵路運(yùn)輸精準(zhǔn)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(yùn)營(yíng)智慧云平臺(tái)，為鐵路綠色化發(fā)展提供信息化技術(shù)支持。智慧運(yùn)營(yíng)云平臺(tái)圍繞“以鐵路為主導(dǎo)、降低運(yùn)營(yíng)成本、提高運(yùn)營(yíng)效率和資源利用率”三個(gè)核心目標(biāo)，充分運(yùn)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(tái)，提升集約化管理水平，為經(jīng)營(yíng)管理、組織、營(yíng)銷等提供智能化大數(shù)據(jù)分析決策支持，使鐵路運(yùn)營(yíng)更安全、更高效、更可持續(xù)化。(2)調(diào)整運(yùn)輸結(jié)構(gòu)優(yōu)化水平，提高電氣機(jī)車?yán)寐?，降低機(jī)車能耗。大力發(fā)展電氣化鐵路，同時(shí)引進(jìn)、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(jī)車能耗。(3)加強(qiáng)管理，提升牽引質(zhì)量，科學(xué)編制列車運(yùn)行圖，優(yōu)化運(yùn)輸組織，杜絕無(wú)效運(yùn)輸，充分發(fā)揮整體效能。