諸立超，劉昭然，汪瑞琪，熊強(qiáng)

(1.浙江財(cái)經(jīng)大學(xué)，工商管理學(xué)院，杭州 310018；2.北京交通大學(xué)，綜合交通運(yùn)輸大數(shù)據(jù)行業(yè)重點(diǎn)實(shí)驗(yàn)室，北京 100044；3.國(guó)家發(fā)展和改革委員會(huì)綜合運(yùn)輸研究所，北京 100038；4.廣東省交通運(yùn)輸規(guī)劃研究中心，廣州 510101)

0 引言

作為全球最大的碳排放國(guó)，中國(guó)的碳減排對(duì)控制全球碳排放至關(guān)重要[1]。交通運(yùn)輸業(yè)作為我國(guó)三大碳源之一，占比高，增速快，是我國(guó)碳達(dá)峰的重點(diǎn)攻堅(jiān)對(duì)象。特別是貨運(yùn)業(yè)，在交通碳排放中的占比高達(dá)75%，是實(shí)現(xiàn)交通碳減排目標(biāo)的核心。對(duì)此，黨中央和國(guó)務(wù)院近年來(lái)出臺(tái)《交通強(qiáng)國(guó)建設(shè)綱要》(2019年)等多個(gè)重量級(jí)文件，提出通過(guò)優(yōu)化運(yùn)輸結(jié)構(gòu)等措施，高效實(shí)現(xiàn)貨運(yùn)碳減排目標(biāo)。

碳減排目標(biāo)的高質(zhì)量實(shí)現(xiàn)，取決于制定有效的碳減排策略，而其前提是準(zhǔn)確識(shí)別碳排放影響因素。 目前，既有研究主要應(yīng)用以LMDI(Logarithmic Mean Divisia Index)為代表的分解模型和以STIRPAT(Stochastic Impacts by Regression on Population,Affluence, and Technology)為代表的回歸模型，量化社會(huì)經(jīng)濟(jì)變量和貨運(yùn)特征變量對(duì)交通碳排放的影響。在社會(huì)經(jīng)濟(jì)變量方面，學(xué)者們聚焦于探究人口[2]、經(jīng)濟(jì)水平[3]和城鎮(zhèn)化率[4]等變量的影響；在運(yùn)輸特征變量方面，運(yùn)輸強(qiáng)度[5]、運(yùn)輸結(jié)構(gòu)[6]和能源強(qiáng)度[7]等變量的關(guān)注度最高。就運(yùn)輸結(jié)構(gòu)而言，由于研究尺度、研究方法和數(shù)據(jù)時(shí)間等差異，導(dǎo)致各研究所得結(jié)果也存在差異。在國(guó)際層面，Eom等[8]運(yùn)用拉氏分解模型，針對(duì)11 個(gè)國(guó)家1990—2007年的貨運(yùn)碳排放數(shù)據(jù)研究發(fā)現(xiàn)，絕大多數(shù)國(guó)家公路貨運(yùn)量增長(zhǎng)對(duì)貨運(yùn)碳排放增長(zhǎng)的年均貢獻(xiàn)低于2%。在國(guó)家層面，Kim[9]借助LMDI方法，分解各因素對(duì)韓國(guó)1990—2013 年交通溫室氣體排放的貢獻(xiàn)發(fā)現(xiàn)，運(yùn)輸結(jié)構(gòu)優(yōu)化對(duì)交通溫室氣體減排的年均貢獻(xiàn)度不足1%。在省級(jí)層面，京津冀交通碳排放的LMDI 模型結(jié)果表明，運(yùn)輸結(jié)構(gòu)不合理導(dǎo)致2000—2015 年碳排放增加1380 萬(wàn)t，總貢獻(xiàn)度為25%[10]。在市級(jí)層面，2017年公路、航空和鐵路這3種貨運(yùn)方式對(duì)北京貨運(yùn)碳排放的貢獻(xiàn)度分別為82.7%、9.8%和7.5%[11]。

綜上，學(xué)者們大多關(guān)注不同因素對(duì)交通碳排放的影響，但對(duì)客運(yùn)業(yè)和貨運(yùn)業(yè)等細(xì)分行業(yè)的碳排放構(gòu)成差異關(guān)注不足，且較少針對(duì)在交通碳排放中占主體的貨運(yùn)碳排放開(kāi)展研究[12]。此外，貨運(yùn)碳排放受多因素共同作用而變化，但既有研究側(cè)重于部分重點(diǎn)因素的研究，不利于準(zhǔn)確量化運(yùn)輸結(jié)構(gòu)優(yōu)化的碳減排效應(yīng)。因此，本文以中國(guó)貨運(yùn)碳排放為研究對(duì)象，在對(duì)其采用“自上而下”法測(cè)算的基礎(chǔ)上，量化多種社會(huì)經(jīng)濟(jì)變量和貨運(yùn)特征變量對(duì)貨運(yùn)碳排放的影響，進(jìn)而模擬不同貨運(yùn)結(jié)構(gòu)優(yōu)化情景下的碳減排效果，明確貨運(yùn)結(jié)構(gòu)優(yōu)化的碳減排效應(yīng)。

1 中國(guó)貨運(yùn)碳排放測(cè)算

目前，交通碳排放計(jì)算最常用的方法是“自上而下”法和“自下而上”法。其中，前者適用于宏觀層面的交通行業(yè)及其細(xì)分行業(yè)，基于各種運(yùn)輸方式能耗測(cè)算碳排放量[13]；后者適用于微觀層面的具體交通活動(dòng)，主要根據(jù)活動(dòng)-方式結(jié)構(gòu)-能耗強(qiáng)度-排放因子計(jì)算碳排放量[14]。由于中國(guó)目前未有公開(kāi)的不同交通工具單位周轉(zhuǎn)量能耗數(shù)據(jù)，計(jì)算交通行業(yè)碳排放[15]或貨運(yùn)等細(xì)分行業(yè)碳排放[16]，一般采用“自上而下”法。鑒于此，本文采用“自上而下”法測(cè)算1999—2019年中國(guó)國(guó)內(nèi)貨運(yùn)(不含遠(yuǎn)洋運(yùn)輸和國(guó)際航空運(yùn)輸)碳排放。

Step 1 從國(guó)際能源署獲取中國(guó)國(guó)內(nèi)運(yùn)輸(包含客運(yùn)和貨運(yùn))能耗總量Ei,total(J)，其中i代表年份。

Step 2 將總能耗Ei,total分配至各運(yùn)輸方式的公式為

式中：Ii,z,p和Ii,z,f分別為客運(yùn)方式z∈{公路,鐵路,水路,航空} 第i年的人公里能耗(J)和貨運(yùn)方式z∈{公 路,鐵路,水路,航空,管道} 第i年的噸公里能耗(J)；Pi,z和Fi,z分別為客運(yùn)方式z的人公里數(shù)和貨運(yùn)方式z的噸公里數(shù)，源自《中國(guó)統(tǒng)計(jì)年鑒》。

鑒于Ei,total、Pi,z和Fi,z已知，通過(guò)確定所有Ii,z,p和Ii,z,f的比值，便可計(jì)算公路貨運(yùn)噸公里能耗Ii,road,f。根據(jù)文獻(xiàn)[16]的測(cè)算，可知Ii,road,p∶Ii,road,f=1∶1，Ii,rail,p∶Ii,rail,f=5∶1，Ii,water,p∶Ii,water,f=5∶1，Ii,air,p∶Ii,air,f=13.7∶1.0，且Ii,road,f∶Ii,rail,f∶Ii,water,f∶Ii,air,f∶Ii,pipeline,f=1.00∶0.10∶0.10∶13.70∶0.36。根據(jù)上述換算系數(shù)和式(1)，計(jì)算得到所有Ii,z,p和Ii,z,f。

Step 3 基于Ii,z,f，貨運(yùn)方式z第i年的能耗為

Step 4 貨運(yùn)方式z第i年的碳排放量Ci,z,f為

式中：j為所用燃料，共J種；Zi,z,f,j為貨運(yùn)方式z第i年所用第j種燃料量(t)；Nj為第j種燃料熱值(J·t-1)；Hj為第j種碳排放因子(t CO2·J-1)；Sj為第j種燃料碳儲(chǔ)存比例，一般為0；Oj為第j種燃料碳氧化率；Zi,z,f,j·Nj·Hj·(1 -Sj)·Oj為貨運(yùn)方式z第i年所用第j種燃料的碳含量；常數(shù)44/12 則進(jìn)一步將碳含量轉(zhuǎn)換為CO2排放量，其中44 和12 分別為CO2的相對(duì)分子質(zhì)量和碳的相對(duì)原子質(zhì)量。鑒于Zi,z,f,j·Nj=Ei,z,f已知，且交通運(yùn)輸業(yè)近95%的能源由汽油、煤油、柴油和燃料油構(gòu)成，但并不知曉4種能源在5種貨運(yùn)方式中的占比，故在式(3)采用4種能源的加權(quán)碳排放因子，即H為20.2 t CO2·TJ-1。此外，汽油、煤油、柴油和燃料油的碳氧化率Oj均為0.98[15]，故此處O取值0.98。

根據(jù)上述步驟，計(jì)算得到1999—2019 年中國(guó)公路、鐵路、水路、航空和管道這5種貨運(yùn)方式碳排放，并合計(jì)得到1999—2019 年中國(guó)貨運(yùn)碳排放，如圖1 所示?？傮w上，除個(gè)別年份增速較快，大部分時(shí)間平穩(wěn)增長(zhǎng)。2000 年，貨運(yùn)噸公里能耗突增，導(dǎo)致貨運(yùn)碳排放增幅較大；2008年，因統(tǒng)計(jì)口徑調(diào)整，導(dǎo)致原本被低估的公路貨運(yùn)平均運(yùn)距被更加準(zhǔn)確地估計(jì)，由此帶來(lái)貨運(yùn)碳排放的突增。2019 年，在大宗貨物“公轉(zhuǎn)鐵”“公轉(zhuǎn)水”戰(zhàn)略和公路貨物周轉(zhuǎn)量統(tǒng)計(jì)口徑調(diào)整的共同作用下，公路貨物周轉(zhuǎn)量有所回落，導(dǎo)致貨運(yùn)碳排放降低。

圖1 1999—2019年中國(guó)貨運(yùn)碳排放變化Fig.1 Changes in China's freight carbon emissions from 1999 to 2019

2 貨運(yùn)結(jié)構(gòu)對(duì)貨運(yùn)碳排放的影響量化

2.1 影響因素

在研究交通碳排放影響因素時(shí)，一般參考STIRPAT(Stochastic Impacts by Regression on Population,Affluence,and Technology)模型[17]，同時(shí)結(jié)合數(shù)據(jù)可得性，選取與人口、財(cái)富和技術(shù)相關(guān)的若干自變量。本文選取在既有研究中出現(xiàn)頻率較高的7 個(gè)變量，包括人口(人口變量)，人均GDP、人均第二產(chǎn)業(yè)產(chǎn)值(財(cái)富變量)和能耗強(qiáng)度(技術(shù)變量)等，以及本文重點(diǎn)關(guān)注的貨運(yùn)結(jié)構(gòu)變量，各變量統(tǒng)計(jì)結(jié)果如表1 所示。就社會(huì)經(jīng)濟(jì)變量而言，人均GDP、人均第二產(chǎn)業(yè)產(chǎn)值和人口，通過(guò)促進(jìn)貨運(yùn)量的增長(zhǎng)，帶來(lái)貨運(yùn)碳排放的增長(zhǎng)[18]。就貨運(yùn)特征變量而言，為完成單位貨物運(yùn)輸，公路通常比鐵路和水路產(chǎn)生更多的碳排放，即公路貨運(yùn)分擔(dān)率與貨運(yùn)碳排放正相關(guān)[19]。至于能耗強(qiáng)度，對(duì)碳排放存在回彈效應(yīng)，取決于促進(jìn)作用和抑制作用哪方面更顯著[20]。在促進(jìn)方面，當(dāng)貨運(yùn)需求不變時(shí)，能耗強(qiáng)度越高，貨運(yùn)碳排放越高；在抑制方面，某種貨運(yùn)方式能耗強(qiáng)度越高，其使用費(fèi)用越高，導(dǎo)致其需求量越低。從下文模型估計(jì)結(jié)果來(lái)看，較高的模型精度，以及符合預(yù)期的變量參數(shù)估計(jì)值正負(fù)號(hào)，也證實(shí)了所選變量的合理性。

表1 中國(guó)貨運(yùn)碳排放影響因素解釋及統(tǒng)計(jì)分析Table 1 Interpretation and statistical analysis of influencing factors of China's freight carbon emissions

2.2 量化模型

因中國(guó)貨運(yùn)碳排放受諸多因素影響，且因素間存在強(qiáng)相關(guān)性，適宜采用偏最小二乘回歸(Partial Least Square Regression,PLSR)模型[21]。PLSR模型綜合了多元線性回歸分析、典型相關(guān)分析和主成分分析的優(yōu)點(diǎn)，是一種多因變量對(duì)多自變量的回歸模型。假設(shè)存在P個(gè)自變量X={ }x1,…,xp,…,xP(本例P為7)和Q個(gè)因變量Y={ }y1,…,yq,…,yQ(本例Q為1)。為研究?jī)烧唛g的統(tǒng)計(jì)關(guān)系，觀測(cè)N個(gè)樣本點(diǎn)(本例N為20)。PLSR 模型分別在X和Y中提取出成分t1和u1，t1為x1,…,xp,…,xP的線性組合，而u1為y1,…,yq,…,yQ的線性組合。在提取成分時(shí)，需滿足以下要求：t1和u1應(yīng)盡可能多地?cái)y帶它們各自數(shù)據(jù)表中的變化信息；t1和u1的相關(guān)程度最大。在第1 個(gè)成分t1和u1被提取后，PLSR 模型分別實(shí)施X對(duì)t1的回歸以及Y對(duì)u1的回歸。若回歸方程滿足精度要求，算法終止；否則，利用X被t1解釋后的殘余信息以及Y被u1解釋后的殘余信息，進(jìn)行第2輪成分提取。如此往復(fù)，直至交叉有效性指標(biāo)小于0.0975。若最終對(duì)X提取m個(gè)成分t1,…,tm，則PLSR 模型通過(guò)實(shí)施yq對(duì)t1,…,tm的回歸，再表達(dá)為yq關(guān)于原變量的回歸方程。

2.3 量化結(jié)果

鑒于多個(gè)自變量和因變量隨年份呈現(xiàn)類似的增長(zhǎng)趨勢(shì)，為消除時(shí)間序列非平穩(wěn)趨勢(shì)，并通過(guò)協(xié)整檢驗(yàn)，對(duì)所有變量進(jìn)行差分處理，得到20 個(gè)樣本。進(jìn)而，采用MATLAB 軟件估計(jì)PLSR 模型參數(shù)，并使用留一交叉驗(yàn)證提高模型泛化能力。根據(jù)交叉效度指數(shù)，最終提取3 個(gè)成分，參數(shù)估計(jì)結(jié)果如表2 所示?？傮w上，擬合優(yōu)度指標(biāo)較高，證實(shí)了該模型對(duì)中國(guó)貨運(yùn)碳排放變化具有較強(qiáng)的解釋能力。此外，各變量參數(shù)估計(jì)值正負(fù)號(hào)符合前文假設(shè)。

表2 PLSR模型參數(shù)估計(jì)結(jié)果Table 2 PLSR model parameter estimation results

根據(jù)表3，圖2進(jìn)一步描述了1999—2019年各因素對(duì)貨運(yùn)碳排放增長(zhǎng)的貢獻(xiàn)?？傮w上，社會(huì)經(jīng)濟(jì)變量對(duì)貨運(yùn)碳排放增長(zhǎng)的貢獻(xiàn)顯著高于貨運(yùn)特征變量。因本文重點(diǎn)關(guān)注貨運(yùn)結(jié)構(gòu)，故主要描述該變量影響。1999—2019年，公路貨運(yùn)分擔(dān)率變化對(duì)貨運(yùn)碳排放增長(zhǎng)的年均貢獻(xiàn)度為1.81%。相比之下，同期鐵路貨運(yùn)分擔(dān)率呈波動(dòng)式下降，直至2017 年止跌回升，導(dǎo)致其對(duì)貨運(yùn)碳排放增長(zhǎng)的抑制作用不顯著，年均貢獻(xiàn)度僅為-0.01%。至于水路貨運(yùn)分擔(dān)率，同期小幅波動(dòng)增長(zhǎng)，對(duì)貨運(yùn)碳排放增長(zhǎng)表現(xiàn)出一定抑制作用，年均貢獻(xiàn)度為-0.26%。此外，雖然“公轉(zhuǎn)鐵”“公轉(zhuǎn)水”可同步帶來(lái)能耗強(qiáng)度的降低，但由于公路貨運(yùn)分擔(dān)率始終處于高位，導(dǎo)致能耗強(qiáng)度居高不下，其對(duì)貨運(yùn)碳排放增長(zhǎng)的年均貢獻(xiàn)度為2.48%。

圖2 1999—2019年各影響因素對(duì)中國(guó)貨運(yùn)碳排放增長(zhǎng)的貢獻(xiàn)度Fig.2 Contributions of various factors to increase of China's freight carbon emissions from 1999 to 2019

3 貨運(yùn)結(jié)構(gòu)優(yōu)化的碳減排效應(yīng)

為描述未來(lái)年不同假設(shè)情景的貨運(yùn)結(jié)構(gòu)變化，采用Logistics回歸模型，即

式中：proad、prail、pwater分別為公路、鐵路和水路貨運(yùn)市場(chǎng)份額；βc為系數(shù)，刻畫(huà)了使用費(fèi)用c對(duì)貨運(yùn)結(jié)構(gòu)的影響；β1和β2為待估計(jì)常數(shù)項(xiàng)；xc,road、xc,rail、xc,water分別為公路、鐵路和水路使用費(fèi)用。

受制于數(shù)據(jù)可得性，模型僅考慮使用費(fèi)用的影響，并采用能耗強(qiáng)度(單位為J·噸公里-1，不區(qū)分貨運(yùn)方式)與原油價(jià)格(單位為元·t-1，已轉(zhuǎn)換為2019年可比價(jià)格)的乘積進(jìn)行近似。此外，因公路、鐵路和水路貨運(yùn)量相互間轉(zhuǎn)移的可能性顯著高于轉(zhuǎn)向航空和管道，且航空和管道貨運(yùn)分擔(dān)率較低，此處僅考慮前3種貨運(yùn)方式。

采用SPSS軟件估計(jì)得到Logistics回歸模型參數(shù)，如表3 所示?？傮w上，雖然該Logistics 回歸模型僅考慮了使用費(fèi)用，但解釋了中國(guó)貨運(yùn)結(jié)構(gòu)21.0%的變化，而其余變量對(duì)貨運(yùn)結(jié)構(gòu)的影響則包含在常數(shù)項(xiàng)中，當(dāng)未來(lái)數(shù)據(jù)允許時(shí)，可進(jìn)一步增強(qiáng)該模型的解釋能力。其中，使用費(fèi)用參數(shù)估計(jì)值為負(fù)，且在0.10 水平上顯著，表明隨著某一貨運(yùn)方式使用費(fèi)用的增加，其市場(chǎng)份額也隨之降低，符合預(yù)期。

表3 Logistics回歸模型參數(shù)估計(jì)結(jié)果Table 3 Parameter estimation results of Logistics regression model

為探究不同貨運(yùn)方式使用費(fèi)用變化對(duì)貨運(yùn)結(jié)構(gòu)和貨運(yùn)碳排放的影響，假設(shè)了3 個(gè)政策刺激PS(Policy Stimulus)情景：PS1，與當(dāng)年(2005 年或2019年)或根據(jù)趨勢(shì)預(yù)測(cè)所得未來(lái)年(2030 年)的基準(zhǔn)值相比，公路使用費(fèi)用增加50%；PS2，與當(dāng)年或根據(jù)趨勢(shì)預(yù)測(cè)所得未來(lái)年的基準(zhǔn)值相比，鐵路使用費(fèi)用減少50%；PS3，與當(dāng)年或根據(jù)趨勢(shì)預(yù)測(cè)所得未來(lái)年的基準(zhǔn)值相比，水路使用費(fèi)用減少50%。同時(shí)，按照趨勢(shì)預(yù)測(cè)確定2030 年人均GDP、人均第二產(chǎn)業(yè)產(chǎn)值和人口。在政策環(huán)境和技術(shù)水平未大幅變化的按趨勢(shì)發(fā)展(Business as Usual，BAU)情景中，雖然使用費(fèi)用會(huì)影響貨運(yùn)結(jié)構(gòu)，但這一影響已內(nèi)嵌在趨勢(shì)中，此時(shí)忽略使用費(fèi)用等因素對(duì)貨運(yùn)結(jié)構(gòu)的影響，貨運(yùn)碳排放的預(yù)測(cè)偏差較小。但在PS情景中，由于使用費(fèi)用已偏離趨勢(shì)，需量化使用費(fèi)用政策刺激對(duì)貨運(yùn)結(jié)構(gòu)造成的影響。不管是哪種情景，在得到自變量預(yù)測(cè)值后，均可使用PLSR 模型預(yù)測(cè)未來(lái)年不同情景的貨運(yùn)碳排放。

結(jié)果表明，就中國(guó)貨運(yùn)碳排放而言，由2005年的1.97億t快速增長(zhǎng)至2019年的7.11億t，按趨勢(shì)發(fā)展，2030年會(huì)進(jìn)一步增長(zhǎng)至7.31億t，增速與前期相比逐漸減緩，但很難在2030 年實(shí)現(xiàn)碳達(dá)峰。就單位GDP 貨運(yùn)碳排放而言，從2005 年的7.26 g·元-1下降至2019 年的7.18 g·元-1，按趨勢(shì)發(fā)展，2030 年將下降至4.71 g·元-1，降速有所加快。中國(guó)在2020年氣候雄心峰會(huì)上宣布，與2005 年單位GDP 碳排放水平相比，2030 年該值下降幅度至少為65%。若貨運(yùn)碳排放按這一要求類比，需由2005 年的7.26 g·元-1下降至2030 年的2.54 g·元-1，但按趨勢(shì)發(fā)展的單位GDP 貨運(yùn)碳排放仍高出該標(biāo)準(zhǔn)85%。表4 則分別模擬了極端情景1(2030 年所有公路和水路貨運(yùn)量轉(zhuǎn)向鐵路)和極端情景2(所有公路貨運(yùn)量轉(zhuǎn)向水路)的貨運(yùn)碳排放。極端情景1 的碳減排效果顯著優(yōu)于極端情景2，但仍不能達(dá)到較2005年下降65%的標(biāo)準(zhǔn)。

表4 不同貨運(yùn)結(jié)構(gòu)情景下的中國(guó)貨運(yùn)碳排放變化Table 4 Changes of freight carbon emissions in China under different freight structure scenarios

在表4基礎(chǔ)上，表5進(jìn)一步模擬了不同使用費(fèi)用情景下的貨運(yùn)碳排放?？傮w上，增加公路貨運(yùn)使用費(fèi)用，降低鐵路貨運(yùn)使用費(fèi)用和水路貨運(yùn)使用費(fèi)用，不足以實(shí)現(xiàn)2030年單位GDP碳排放2.54 g·元-1的目標(biāo)。相比之下，增加公路貨運(yùn)使用費(fèi)用對(duì)促進(jìn)貨運(yùn)碳排放效果略好一些，但效果會(huì)隨時(shí)間推移而轉(zhuǎn)弱。

表5 不同使用費(fèi)用情景下的中國(guó)貨運(yùn)碳排放變化Table 5 Changes of freight carbon emissions in China under different use cost scenarios

4 結(jié)論

本文采用“自上而下”法測(cè)算1999—2019 年中國(guó)貨運(yùn)碳排放，借助PLSR 模型量化貨運(yùn)碳排放影響因素，并模擬不同使用費(fèi)用情景下的貨運(yùn)結(jié)構(gòu)變化及其碳減排效益，主要結(jié)論如下：

(1)1999—2019年期間，公路、鐵路和水路貨運(yùn)分擔(dān)率變化對(duì)貨運(yùn)碳排放增長(zhǎng)的年均貢獻(xiàn)度分別為1.81%、-0.01%和-0.26%。

(2)即便在貨運(yùn)結(jié)構(gòu)大幅優(yōu)化條件下，也很難使2030 年單位GDP 貨運(yùn)碳排放量較2005 年水平下降65%。

(3)相較于低碳貨運(yùn)方式的降價(jià)策略，高碳貨運(yùn)方式提價(jià)策略的碳減排效果更顯著。

綜上，過(guò)去20 年貨運(yùn)結(jié)構(gòu)調(diào)整促進(jìn)了貨運(yùn)碳排放增長(zhǎng)，而未來(lái)應(yīng)將貨運(yùn)結(jié)構(gòu)優(yōu)化策略與其他貨運(yùn)碳減排策略搭配使用，從而更好地實(shí)現(xiàn)碳減排目標(biāo)。受數(shù)據(jù)可得性制約，本文對(duì)各種貨運(yùn)方式單位貨物周轉(zhuǎn)量能耗比值及能源結(jié)構(gòu)等參數(shù)做了一定假設(shè)，未來(lái)需考慮放松這些假設(shè)，使結(jié)果更符合實(shí)際情況。此外，后續(xù)研究應(yīng)進(jìn)一步考慮地區(qū)差異和貨運(yùn)方式差異，使研究結(jié)果對(duì)各地區(qū)和各貨運(yùn)方式的碳減排更具指導(dǎo)意義。