鐵路綠色貨運對環境績效的影響研究

汪銀月，傅忠寧，梅 鎮，陳國鵬，李麗園

(1.蘭州交通大學 交通運輸學院，甘肅 蘭州 730070；2.中國鐵路蘭州局集團有限公司 科技和信息化部， 甘肅 蘭州 730000；3.中鐵二院工程集團有限責任公司 土建一院，四川 成都 610031)

0 引言

2019年9月，黃河流域生態保護和高質量發展被列為重大國家戰略。區域經濟的發展離不開交通運輸業。鐵路運輸在減少污染、降低能源消耗等方面與公路、航空運輸相比具有明顯優勢。作為一種綠色環保的運輸方式，鐵路貨運對黃河流域的生態環境會產生多種影響。鑒于此，為實現經濟高質量發展和生態保護雙贏，有必要開展鐵路貨運對黃河流域生態環境影響的研究。

世界可持續發展工商理事會(WBCSD)于1992年提出生態效率的概念，認為其由資源效率和環境績效2部分組成。其中，環境績效被界定為系統所創造的單位價值與產生的環境影響之比，是測度可持續發展的標準之一。目前國內外對于環境績效的研究分為2大類，一類是以企業為主體，研究企業環境績效及其影響因素；另一類是以區域為主體，研究城市、省份或國家環境績效及其影響因素。在此，所研究的黃河流域環境績效屬于第二類。

環境績效測算方面，國外研究起步較早，2001年Dyckhoff等[1]就提出運用數據包絡分析法(DEA)來測算環境績效以衡量生態效率。基于國外研究成果，國內衍生了多種環境績效測算方法。董戰峰等[2]在環境績效評估系統框架構建中引入熵權法，測算了我國30個省(區市)的環境績效指數；周智玉[3]采用改進的數據包絡分析法測算了長株潭城市群和武漢城市圈9個地級市的環境保護績效并進行了動態分析；馮雨等[4]利用主成分分析法評估了長江經濟帶11個省市的環境績效。

環境績效影響因素方面，Valeria等[5]對意大利20個地區進行實證研究，發現地區的部門創新、環境政策以及區域溢出效應都會影響該地區的環境績效；鄭義等[6]探討了環境技術效率、污染治理對環境績效的影響，通過實證表明環境技術效率及污染治理投資均能提升省級環境績效；張子龍等[7]研究發現，產業結構、人口規模和經濟增長會抑制城市環境績效的提升；國涓等[8]通過分解潛在環境績效發現，要素配置效率和技術創新能力會在不同程度上影響環境績效。從研究方法上來看，學者們多采用面板回歸模型探討環境績效的影響因素，忽略了環境績效可能存在的空間特征。從理論上來看，與傳統的面板回歸模型相比，空間計量模型更能準確地把握各個因素對環境績效的空間沖擊。

此外，為具化鐵路貨物運輸的有益之處，提出鐵路綠色貨運這一概念。目前尚未有對于鐵路綠色貨運的定性研究。借鑒綠色物流及綠色列車[9]的含義，將鐵路綠色貨運定義為以高效、節能、環保為目標，采用綠色創新技術實現鐵路貨運對區域環境影響最小化、運輸資源利用最大化的過程。在鐵路貨運綠色環保的表現方面，陶學宗等[10]通過實例研究了義烏—寧波港域集裝箱貨運“公轉鐵”的減排潛力，定量證明了鐵路貨運的碳排放效率優勢對綠色交通的推動作用；王勇等[11]通過分析2006—2017年碳排放量的變化趨勢，表明我國鐵路運輸正朝著低碳綠色方向發展。多項研究表明，植被屏障可以有效減少污染物排放從而改善環境質量。為了打造生態鐵路、建造綠色長廊，沿線綠化也是近年來鐵路生態修復的重點。由此可見，鐵路貨運的綠色環保主要體現在碳排放及沿線綠化程度上。

總體而言，學者們普遍認為相較其他運輸方式，鐵路貨物運輸對環境更友好。在此，借鑒已有研究成果，選取2008—2019年黃河流域各省(區)面板數據，利用空間計量模型分析鐵路綠色貨運及其交互項對環境績效的影響，以期為黃河流域鐵路貨運的發展規劃以及與環境的協同政策提供參考。

1 研究設計

1.1 模型設定

擬基于黃河流域山西、陜西、河南、山東、甘肅、青海、寧夏和內蒙古等8省(區) 2008—2019年的面板數據構造空間計量模型。由于模型設置錯誤會影響模型估計的有效性，因此空間計量模型的選擇至關重要。空間分析的標準方法主要側重于空間依賴性和空間異質性2個問題。空間滯后模型(SLM)可以通過考慮被解釋變量的內生交互作用來衡量空間依賴程度。換言之，該模型可以反映本區域環境績效對周邊區域環境績效的間接影響(即空間溢出)。空間誤差模型(SEM)通過考慮空間誤差項之間的交互作用來衡量相鄰區域一些不可觀測因素對本區域環境績效的影響。而空間杜賓模型(SDM)作為上述2種模型的組合擴展形式，既考慮了被解釋變量的空間相關性，又考慮了解釋變量的空間相關性。

由于空間杜賓模型相較于空間滯后模型和空間誤差模型有明顯優勢，初步選擇其為實證分析的基本模型，后續將通過相關檢驗判斷其是否為最優模型。模型公式如下。

式中：EPit為被解釋變量，表示i省市在t年的環境績效；Xit為解釋變量，表示i省市在t年的鐵路綠色貨運；Zit為控制變量，包括環保投資(EI)、產業結構(IS)、技術創新(TE)；Wij表示省市i對省市j的空間權重；μi為不隨時間變化的個體差異；λi為不隨個體變化的時間差異；εit為隨機擾動項；n為樣本中的省份數8；δ為環境績效的空間溢出效應強度；β1，β2分別表示解釋變量和控制變量對環境績效的直接影響系數；θ1，θ2分別表示解釋變量和控制變量對環境績效的空間影響系數。

1.2 樣本與數據來源

1.2.1 研究變量

（1）被解釋變量——環境績效。基于已有文獻研究結論[12]，構建環境績效指標體系如表1所示。環境績效由環境健康、資源消耗、環境治理、環境綠化及資源循環5個部分組成。其中，環境健康用單位GDP廢氣排放量(廢氣排放量包括廢氣中氮氧化物排放量、二氧化硫排放量及煙粉塵排放量)和單位GDP廢水排放量衡量，排放量越高環境健康水平越低，環境績效越低；資源消耗用人均用水量、人均電力消耗量衡量，消耗量越高資源消耗越高，環境績效越低；環境治理用城市垃圾及污水處理率衡量，處理率越高環境治理越強，環境績效越高；環境綠化用造林面積衡量，造林面積越大環境綠化越好，環境績效越高；資源循環用工業固廢利用率衡量，處理率越高資源循環越好，環境績效越高。

表1 環境績效指標體系Tab.1 Indicator system of environmental performance

（2）解釋變量——鐵路綠色貨運。根據前文討論的結果，選用碳排放效率及綠化里程數來量化鐵路綠色貨運，鐵路綠色貨運測度指標如表2所示。其中，鐵路碳排放效率無直接數據來源。參考盧建鋒等[13]對于交通碳排放效率的研究，從單要素角度出發，將其定義為“鐵路貨物周轉量與鐵路碳排放總量的比值”。

表2 鐵路綠色貨運測度指標Tab.2 Measurement indicators for green railway freight transport

式中：Cp為鐵路碳排放效率，t·km/kg；Y為鐵路貨物周轉量，t·km；C為鐵路碳排放量，kg。

根據國家標準煤熱值轉換，得到鐵路碳排放量計算公式如下。

式中：為內燃機車和電力機車的平均能耗，kg/(t·km)；CE為標準煤熱值，取29.307 6 GJ/kg；p為CO2排放系數，取94.9 kg/GJ。

最終鐵路碳排放效率公式簡化如下。

從公式 ⑷ 可以看出，機車平均能耗越小，鐵路碳排放效率越高。由于電力機車占比越大，機車平均能耗越小，因此提高電力機車占比可以有效提高碳排放效率。

（3）控制變量。基于對現有文獻的研究，選用環保投資、產業結構及技術創新作為模型的控制變量。其中，環保投資選用工業污染治理投資額來衡量。目前我國仍處于工業化發展階段，雖然工業化的快速發展創造了高經濟效益，但是也增加了污染物排放，影響環境績效。而工業污染治理投資可以加大工業環境基礎設施建設，有效降低工業生產對環境造成的污染。技術創新的測度為國內專利授權數。國內專利中包含綠色環保專利。綠色環保專利的應用可以從2方面改善環境質量，一是直接減少部分污染物排放，二是提高企業生產效率，減少能源消耗，進而提高環境績效。參考陳曉通等[14]的研究，將產業結構用構造的產業結構指數來衡量，具體公式如下。

式中：IS為產業結構指數，數值越大表示產業結構越高級；I1，I2，I3分別為第一、第二、第三產業產值占GDP比重。

1.2.2 數據來源及預處理

鑒于黃河流域在四川省的徑流面積較小，且四川省已經整體納入長江經濟帶中，考慮數據可獲取性、連續性與科學性，所研究的黃河流域范圍包括山西、陜西、河南、山東、甘肅、青海、寧夏和內蒙古8省(區)，研究樣本為2008—2019年間黃河流域8個省(區)形成的面板數據。在數據收集過程中，廢氣指標中氮氧化物排放量最早統計年限為2011年，因此將面板數據中廢氣排放指標統計為二氧化硫排放量和煙粉塵排放量總和。研究所有基礎數據均來自《中國環境統計年鑒》《中國鐵路年鑒》，以及省級統計年鑒和國家統計局網站。

為保證數據的完整性和計算的科學性，需要對原始數據進行預處理。首先，對于部分缺失值采用預測方法處理。其次，在環境績效測算中對原始數據進行歸一化處理以解決指標量綱及正負向性質差異化問題。最后，對于數據離散程度較高的數據進行取對數處理以消除數據的異方差。通過數據分析，對綠化里程數(GM)、環保投資(EI)以及技術創新(TE)等模型變量進行取對數處理，分別記為lnGM，lnEI和lnTE。變量定義和數據描述如表3所示。

表3 變量定義及數據描述Tab.3 Variable definition and data description

從數據描述可以看出，各項數據經過預處理已漸近正態化分布，可以進行實證分析。

2 實證分析

2.1 環境績效的測算

以往研究中多用一種賦權方法確定指標權重，可能會導致權重之間差距懸殊。因此，采用熵值法[15]與層次分析法組合賦權的方法對各指標進行權重分配，從而使權重分配趨于合理，公式如下。

式中：Wj為組合權重；W1，W2分別為熵值法、層次分析法的賦權結果。

基于此測算出2008—2019年間黃河流域各省(區)環境績效，環境績效值介于[0，1]之間，值越大表示環境績效越好。環境績效測算結果如表4所示。

從表4可以看出，2008—2019年環境績效的發展趨勢大體上呈現提升狀態，但由于受各省(區)經濟、政策不一致影響，各省(區)環境績效值增長速度不同。

表4 環境績效測算結果Tab.4 Results of environmental performance measurement

2.2 空間適用性檢驗

在使用空間計量方法前，首先要考察數據是否存在空間自相關性。空間自相關指數，如Moran’s I，Geary’s C和General G可以表明一個變量或對象是否在給定的尺度上表現出明顯的空間依賴性。由于學術界對Moran’s I指數的研究相對成熟且使用廣泛，在此選用Moran’s I指數以衡量黃河流域各省(區)的環境績效是否存在空間相關性，其公式如下。

式中：I為莫蘭指數；為樣本方差；wij為空間權重矩陣；xi為第i個省(區)的環境績效；n為區域個數。

Moran’s I值[16]的區間在[-1，1]之間，在既定的顯著水平下，莫蘭值顯著為正，表示存在空間正相關；莫蘭值顯著為負，表示存在空間負相關。

Moran’s I需要引入空間權重矩陣進行空間相關性檢驗，常見的空間權重矩陣有地理鄰接矩陣、經濟距離矩陣、地理距離矩陣和經濟地理矩陣。經過對比，發現黃河流域環境績效的空間相關性更符合基于各省(區)經緯度距離的地理距離矩陣，因此采用基于地理特征的地理距離矩陣，公式如下。

式中：Wij為第i行、第j列的矩陣元素；dij為各省(區)之間的經緯度距離。

使用Stata統計軟件得到環境績效全局莫蘭值如表5所示。

表5 環境績效全局莫蘭值Tab.5 Global Moran’s I of environmental performance

從表5可以看出，大部分年份都通過了顯著性為10%的檢驗，即拒絕不存在空間自相關性的原假設。該結果表明，環境績效在地理位置上存在著一定的空間相關性，可以進行空間相關性分析。整體來看，最初這種空間相關性表現為正向，即在地理位置上呈現環境績效的高-高聚集以及低-低聚集，而后幾年相關性表現為負向，即在地理位置上呈現環境績效的高-低聚集以及低-高聚集，最終相關性又回歸正向。因此，為更全面地探究環境績效這種空間相關性波動的原因，需要進一步進行空間計量分析。為了確定模型的具體形式[17]，分別進行了Hausman檢驗、LM檢驗、Wald檢驗、LR檢驗以及LR聯合顯著性檢驗，空間計量模型的檢驗結果如表6所示。由表6可知，Hausman統計量在1%的置信水平下顯著拒絕原假設，說明應選用基于固定效應的空間計量模型。LM檢驗中SEM模型和SLM模型的P值均在1%的水平下顯著即拒絕了原假設，說明各變量之間不僅存在空間滯后效應，而且還存在空間誤差效應。因此，相較于SEM模型和SLM模型，本研究中SDM模型更為合適。進一步通過Wald檢驗和LR檢驗來確定空間面板模型的具體形式，結果發現Wald統計量和LR統計量均在1%的顯著性水平上拒絕了原假設，說明空間杜賓模型為最優模型。且LR聯合顯著性檢驗結果均在1%的顯著性水平下拒絕了原假設。因此，最終選擇雙固定效應空間杜賓模型(SDM)進行估計。

表6 空間計量模型的檢驗結果Tab.6 Test results of spatial econometric model

2.3 模型估計結果分析

空間杜賓面板模型估計結果如表7所示。根據模型估計結果可知，鐵路碳排放效率(CE)和綠化里程數(lnGM)的回歸系數分別在5%，10%的顯著性水平下顯著為正，而空間滯后項系數分別在5%，1%的顯著性水平下顯著為負，說明本省(區)的鐵路碳排放效率及綠化里程數均對本省(區)環境績效起著顯著的促進作用，但是均存在負面溢出效應，即對周邊省(區)的環境績效有負向的傳導作用。由于鐵路碳排放效率(CE)及綠化里程數(lnGM)均體現鐵路綠色貨運，說明本省(區)的鐵路綠色貨運對自身環境績效起著顯著的促進作用，而對周邊省(區)有著負面影響。

表7 空間杜賓面板模型估計結果Tab.7 Estimated results of spatial Durbin panel model

環保投資(lnEI)的回歸系數在5%的顯著性水平下顯著為正，說明加大工業污染治理投資可以有效降低工業生產對環境造成的污染，對本省(區)的環境績效起一定的促進作用。產業結構(IS)在10%的顯著性水平下顯著為負，說明目前產業結構不夠優化，在一定程度上抑制本省(區)的環境績效；技術創新(lnTE)的回歸系數和空間滯后項系數分別在1%，10%的顯著性水平下顯著為正，說明隨著新技術研發并投入使用，不僅能提高本省(區)的環境績效而且能促進周邊省(區)環境績效的提升。其余2個控制變量(lnEI，IS)的空間滯后項系數在10%的顯著性水平下均不顯著，說明其對環境績效無明顯溢出效應。

2.4 空間效應分析

由于SDM模型同時包含被解釋變量和解釋變量的空間滯后項，解釋變量空間滯后項會對反饋效應產生影響，因此SDM模型估計的回歸系數可能存在偏差。為了消除這種潛在誤差，參考Lesage和Pace提出的偏微分法，測算因空間依賴而產生的直接效應、間接效應及總效應。直接效應、間接效應及總效應結果如表8所示。

表8 直接效應、間接效應及總效應結果Tab.8 Results of direct effects, indirect effects, and total effects

根據偏微分法分解結果可以看出，鐵路碳排放效率(CE)的直接效應為正值而間接效應與總效應均為負值，且直接效應與間接效應的回歸系數均在5%的顯著性水平下通過檢驗。本省(區)鐵路碳排放效率每增長1個單位，自身環境績效增長0.601個單位，周邊省(區)的環境績效減少1.273個單位。總效應不顯著可能是由直接效應和間接效應的兩極分化表現導致。綠化里程數(lnGM)間接效應通過5%顯著性檢驗，回歸系數為負，說明存在負面的溢出效應；其直接效應和總效應不明顯。

環保投資和技術創新(lnTE)能顯著提升環境績效，產業結構(IS)則表現為抑制作用。此外，技術創新(TE)的直接效應、間接效應和總效應分別在顯著性水平為1%，10%，1%的情況下顯著為正，且各項效應的回歸系數均為正，說明推動專利技術的研究不僅對本省(區)的環境績效有著促進作用，而且存在顯著的正向溢出效應。其余變量(EI，IS)間接效應和總效應不明顯。

3 結論與建議

研究基于組合賦權法測算出2008—2019年黃河流域8個省(區)環境績效，利用Moran’s I指數分析其空間自相關特征，構建空間計量模型就鐵路綠色貨運對環境績效的影響效應進行實證分析。研究結果表明，黃河流域環境績效存在隨時間波動的空間自相關性。鐵路碳排放效率對本省(區)的環境績效有顯著的促進作用，然而綠化里程數均呈現負面溢出效應。技術創新無論對本省(區)還是臨近省(區)的環境績效都有較好的促進作用。針對這種現象，考慮是由于綠化工作的環境效益存在嚴重的滯后性，而專利的投入使用在短期內有良好的效果。從長期來看，推動沿線綠化能有效改善區域環境質量。

通過以上檢驗分析結果，提出以下政策建議。

黃河流域鐵路應不斷加大電力機車投入，進一步調整電力機車的比例以實現鐵路碳排放效率的提升，推動鐵路沿線綠化以改善生態環境，從而達到提升環境績效的目的。

技術創新中包括了鐵路綠色貨運環保技術方面的創新，間接說明鐵路綠色貨運環保技術對環境績效的影響。技術創新是實現和推動鐵路綠色發展的不竭動力，全面加強綠色鐵路技術創新和應用力度，將會成為推動鐵路及綜合交通綠色發展的重要方式。因此，黃河流域各地政府在強化環境政策的同時還應出臺一系列配套支撐政策，加大科技投入，改善投資環境，引進先進的管理經驗和生產工藝，推動技術共享，為鐵路部門的綠色環保技術創新創造良好的外部環境。