基于SBM-Malmquist-Tobit模型的铁路运输企业碳排放效率测度及影响因素分析

Measurement of Carbon Emission Efficiency and Analysis of Influencing Factors in Railway Transportation Enterprise Based on SBM-Malmquist-Tobit Model

摘要

开展碳排放效率测度，识别碳排放效率影响因素，是提升铁路运输企业管理效能，推动铁路行业低碳发展的前提。研究核算了18个铁路局集团公司的碳排放，并构建了基于非期望产出的松弛值测度数据包络模型结合Malmquist指数模型的碳排放效率测度方法，以揭示各铁路局集团公司碳排放效率的变化趋势；融合Tobit模型识别了影响碳排放效率的关键因素。结果表明：2016—2021年间，铁路运输企业碳排放由5 780.86万t增加至6 278.85万t，增长8.61%；各铁路局集团公司碳排放效率存在区域异质性，呈现东部地区高、中西部次之、东北低的空间分布格局；技术进步是铁路运输企业碳排放效率提升的主要驱动力；可通过加大低碳技术研发投入、促进技术应用推广、提升规模效率等措施，推动铁路运输企业低碳转型。

Abstract

Assessment of carbon emission efficiency and identification of influencing factors are prerequisites for enhancing the management effectiveness of railway transportation enterprises and promoting low-carbon development in the railway industry. This study measured the carbon emissions of 18 railway bureau group companies and constructed a carbon emission efficiency measurement method combining slack-based measurement data envelopment model with undesirable outputs and the Malmquist index model to reveal the changing trends of carbon emission efficiency across railway bureau group companies. The results show that from 2016 to 2021, the carbon emissions of the railway transportation enterprises present an increase from 57 808 600 tons to 62 788 500 tons, with an amplitude of 8.61%. Regional heterogeneity exists in the carbon emission efficiency of the railway bureau group companies, showing a spatial pattern with higher efficiency in eastern regions, followed by the central and western regions, and lower efficiency in northeastern regions. Technological innovation is the main driver of carbon emission efficiency improvement in railway transportation enterprises. Low-carbon transformation of railway transportation enterprises can be promoted by increasing investment in low-carbon technologies, facilitating their applications, and improving scale and efficiency.

Graphical abstract

关键词

铁路运输企业 / 碳排放效率 / SBM模型 / Malmquist指数模型 / Tobit模型

Key words

Railway Transportation Enterprise / Carbon Emission Efficiency / SBM Model / Malmquist Index / Tobit Model

0　引言

交通运输是碳排放的重要来源之一，占我国碳排放的10.3%，且近年来呈现持续上升态势^[1]。铁路运输是交通运输行业的重要组成部分，运输周转量已从2000年的17 858.7亿 t.km增长至2023年的47 355.6亿t.km，2025年运营里程预计将达到16.5万km^[2]。随着后续运输规模的不断扩大，在“双碳”战略目标约束下，铁路运输企业将面临更为严峻的碳减排压力^[3]。在此背景下，开展铁路运输企业碳排放效率测度具有重要意义，可促进铁路运输企业资源合理配置与技术调整优化，为交通运输行业的绿色低碳转型提供科学参考。

大量研究围绕铁路运输碳排放来源和结构开展了解析。袁振洲等^[4]基于文献计量法，阐释了铁路运输碳排放的主要来源；杨洋等^[5]以线路建设、运营阶段、维护阶段为边界开展铁路运输碳排放测算；Cui等^[6]将碳排放边界设置为牵引供电系统、车站运营系统和养护维修系统，并根据排放系数法开展测算；田璞等^[7]以京津冀地区铁路运输为例，将碳排放分为直接和间接2类，其中直接排放以内燃机车的燃油消耗为主，间接排放主要与净购入电力和热力相关。上述研究为开展碳排放效率测度奠定了数据基础，也为效率评估投入产出指标的设计提供了依据。既有研究多基于数据包络分析方法(Data Envelopment Analysis， DEA)，将碳排放作为非期望产出，通过建立非期望产出的松弛值测度数据包络模型(Slack-based Measurement，SBM)对交通运输行业的碳排放效率进行测度^[8]。例如，袁长伟等^[9]，Zhang等^[10]基于超效率SBM-DEA模型分析了全国交通运输行业碳排放效率的时空变化特征；Liu等^[11]进一步发现东部地区交通碳排放效率一直处于高效率水平；董梦如等^[12]指出交通运输碳排放效率整体处于低效率状态，且各省域间的差距并不显著。

DEA模型一般是基于截面数据的静态效率评价，难以反映效率的动态演化特征。因此，FÄRE等^[13]，Zhang等^[14]提出将Malmquist生产率指数与DEA相结合的评价方法，以克服DEA方法不能同时处理不同时期面板数据的缺点，从而探索全要素生产率与驱动力之间的关联关系。在交通运输领域，郑琰等^[15]采用全局Malmquist指数模型对我国港口运输碳排放效率进行了解析；王馨馨等^[16]基于SBM-Malmquist模型，发现航空公司运营效率的提升与技术进步密切相关。但上述方法无法与效率关联的外部因素产生联系，难以明确碳排放效率的具体影响因素。铁路运输企业具有规模大、运输距离长、跨越行政边界的特点，亟需通过识别碳排放效率的外部影响因素，寻找有效的碳减排路径，助力铁路运输企业低碳发展。

研究以18个铁路局集团公司为研究对象，建立了包含非期望产出的SBM-Malmquist指数融合的碳排放效率测度模型，对2016—2021年铁路运输企业碳排放效率开展了解析；在此基础上利用Tobit 模型识别了碳排放效率关键影响因素，并提出相关政策建议，以期为推动铁路运输企业低碳发展、助力“双碳”目标实现提供理论支撑。

1　研究方法

1.1　研究范围

18个铁路局集团公司主要承担铁路客货运输、铁路设施维护和运输安全管理的工作，18个铁路局集团公司管辖范围如表1所示。参考国家统计局的经济地带划分方法，本研究考虑将18个铁路局集团公司划归至东部、东北、中部、西部4个区域。若铁路局集团公司管辖范围横跨多个行政区域，以铁路局集团公司所在省进行区域划归，如中国铁路南昌局集团有限公司管辖范围处于江西省(中部)、福建省(东部)，则将其统一划归至中部地区。

1.2　铁路运输企业碳排放核算

本研究的碳排放主要来源于各铁路运输企业的直接和间接碳排放^[17]，如式⑴所示。其中，直接碳排放是指化石燃料消耗产生的碳排放，主要来源于各铁路运输企业在承担客货运输业务中所消耗的燃油及燃煤；间接碳排放是指各铁路运输企业净购入电力和热力产生的碳排放，一部分来源于机车运营系统，另一部分来源于车站用电设施、铁路运输维修等辅助生产活动。

E_i=E_{iz}+E_{id}⑴

式中：E_i为第i个铁路局集团公司的碳排放，tCO₂；E_{iz}为第i个铁路局集团公司的直接碳排放，tCO₂；E_{id}为第i个铁路局集团公司的间接碳排放，tCO₂。

铁路运输企业直接碳排放测算如式⑵所示。

E_{iz}={\displaystyle \sum _{r=\mathrm{1}}^R}{Q}_r\times Z_r\times {\lambda }_r⑵

式中：Q_r为第r种能源的消耗量，t (固体和液体燃料)，Nm³ (气体燃料)；Z_r为第r种能源的平均低位热值，固体和液体燃TJ/t，气体燃料TJ/Nm³；{\lambda }_r为第r种能源的碳排放因子，tCO₂/TJ。

根据调研，发现铁路运输企业直接碳排放涉及的能源类型主要包括无烟煤、烟煤、柴油、汽油和液化天然气，对应的排放因子主要根据能源热值的含碳量换算得到，如式⑶所示。

{\lambda }_r=C_r\times {\delta }_r\times \rho⑶

式中：C_r为第r种能源的单位热值含碳量，TC/TJ；{\delta }_r为第r种能源的碳氧化率；\rho为CO₂与C的分子量比，取值为3.667。

其中，能源的单位热值含碳量来源于《中国能源统计年鉴(2022)》，能源的碳氧化率来源于《IPCC国家温室气体清单指南(2006)》。经测算无烟煤、烟煤、柴油、汽油和液化天然气等能源的碳排放因子分别为94.88 tCO₂/TJ，89.44 tCO₂/TJ，72.84 tCO₂/TJ，68.17 tCO₂/TJ和62.06 tCO₂/TJ。

铁路运输企业间接碳排放测算如式⑷所示。

E_{id}=A{D}_e\times E{F}_e+A{D}_t\times E{F}_t⑷

式中：A{D}_e为铁路局集团公司的净购入使用电量，kW·h；E{F}_e为各省电网年供电排放因子，tCO₂/(kW·h)；A{D}_t为铁路局集团公司的净购入热力，GJ；E{F}_t为铁路局集团公司外购热力的碳排放因子，tCO₂/GJ。

各省电网供电排放因子来源于《中国区域电网二氧化碳排放因子研究(2023)》；根据高明玉等研究的铁路运输热力碳排放参考值^[18]，本研究将净购入热力按0.034 1 t标准煤每百万千焦的比例开展折算，得出净购入热力的碳排放因子为0.11 tCO₂/GJ。

1.3　碳排放效率测度指标体系构建

构建评价指标体系是开展碳排放效率测度的基础。效率评价指标体系主要包含投入和产出两大类，前者涉及资本、劳动力和能源的投入，后者则分为期望产出和非期望产出^[18]。就本研究而言，投入指标主要包括营业里程、铁路从业人员数量和能源消耗。其中，因铁路运输企业主要服务于客货运输，选择营业里程反映铁路运输路网的覆盖范围和运输能力；选取铁路从业人员数量的原因在于其直接关系到铁路运输服务保障能力；选取铁路运输标准煤消耗量作为能源消耗投入。产出指标中，选取旅客周转量和货物周转量作为碳排放效率测度的期望产出指标，因二者直接体现了铁路运输的生产效率；选取碳排放量作为非期望产出指标。构建的铁路运输企业碳排放效率测度指标体系如表2所示。指标中，铁路运输企业的能源消耗数据分别来源于《中国能源统计年鉴(2017—2022)》以及中国国家铁路集团有限公司公报；各铁路局集团公司的营业里程、就业人员、旅客周转量和货物周转量数据来源于《中国统计年鉴(2017—2022)》。

为考察投入、产出指标是否符合集中度原则，基于产出指标间的Pearson相关性分析，各产出指标具有显著的相关性，指标间相关性结果如表3所示，表明投入、产出指标选择具有合理性。

1.4　碳排放效率影响因素识别

从技术进步、纯技术效率和规模效率3个层面识别了铁路运输企业碳排放效率的外延因素。其中，技术进步旨在为铁路运输企业引入更为高效的能源利用技术以降低碳排放；纯技术效率关注运输资源配置的优化，以降低运输的碳排放强度；规模效率则考察运营规模对环境经济效益的影响，确保二者实现双赢^[19]。其中，在技术进步因素中，选择人均国内生产总值(Gross Domestic Product，GDP)、地方财政科学研发支出和高技术产业数量作为主要变量^[20]。上述指标都对技术进步产生积极影响，各地区良好的经济运行状态对节能减排技术的创新具有明显的促进作用。地方财政科学研发支出反映地方政府对技术创新的重视程度，有助于节能降碳技术的研发；高技术产业数量越多则说明技术创新的风险越小。纯技术效率的外延因素中，选取技术市场交易额、劳动生产率和每十万人高等学校平均在校生人数作为主要指标^[21]。其中，技术市场交易额对创新绿色低碳技术的利用率与成果转化率都有显著的支撑作用；劳动生产率越高则表示劳动过程中借助创新技术开展生产活动的单位产出效率越高；每十万人高等学校平均在校生人数，能够综合反映地区铁路储备人员的培养规模和培养潜力，可为铁路运输企业提供高素质从业人员的稳定来源。规模效率因素中，选取区域常住人口、铁路运营里程和基础设施水平作为主要指标^[22]。铁路运输周转量受区域常住人口规模影响；铁路运营里程可以反映运输资源是否被充分利用；基础设施水平反映了区域基础设施建设程度对铁路运输的影响，即基础设施的完善程度和服务质量直接影响铁路运输的效率和竞争力。上述指标中，人均GDP、技术市场交易额、劳动生产率、基础设施水平数据来源于《中国统计年鉴(2017—2022)》，地方财政科研支出数据来源于《全国科技经费投入统计公报(2017—2022)》，高技术产业数据来源于《中国高技术产业统计年鉴(2017—2022)》，每十万人高等学校平均在校人数、区域常住人口数据来源于各省(区、市)统计年鉴。前期已将18个铁路局集团公司划归至对应的空间单元，按照各铁路局集团公司管辖区域对各指标数据开展清洗和统计，铁路运输企业碳排放效率影响因素指标体系如表4所示。

1.5　碳排放效率测度及影响因素分析模型

碳排放效率测度及影响因素分析模型框架如图1所示。根据指标选择结果，首先建立包含非期望产出SBM模型评估各铁路局集团公司的碳排放效率，该方法弱化了基于径向距离函数的传统DEA模型需等比例调整投入和产出引发的效率测度不确定性，同期兼顾了非期望产出的影响，有助于更好评估企业的环境绩效；其次，基于Malmquist指数模型揭示各铁路局集团公司的碳排放效率驱动力，分别从技术进步、纯技术效率变化和规模效率变化3个维度进行考察；最后，通过Tobit模型识别影响铁路运输企业技术进步、纯技术效率和规模效率的外部因素，开展影响因素解析，提出针对性的减排建议。鉴于技术进步变化指数、纯技术效率变化指数和规模效率变化指数均为有界的因变量(即效率值在0到1的范围)，面板Tobit回归可有效处理该类数据，解决因截断数据导致的估计偏差^[23]。

1.5.1　碳排放效率测度模型

本研究将18个铁路局集团公司分别作为18个决策单元DMU _k (k=1，2，…，18)，各决策单元含p个投入指标X=(x₁，x₂，x₃，…，x_p )、q个期望产出指标Y=(y₁，y₂，y₃，…，y_q )和u个非期望产出指标Z=(z₁，z₂，z₃，…，z_u )，则各铁路局集团公司的碳排放效率测度如下^[15]。

\mathrm{m}\mathrm{i}\mathrm{n}{\rho }_k=\frac{\mathrm{1}-\frac{\mathrm{1}}{p}\left({\displaystyle \sum _{i=\mathrm{1}}^p}\frac{s_{\mathrm{i}}^{-}}{x_{ik}}\right)}{\mathrm{1}+\frac{\mathrm{1}}{q+u}\left({\displaystyle \sum _{j=\mathrm{1}}^q}\frac{s_j}{y_{jk}}+{\displaystyle \sum _{l=\mathrm{1}}^u}\frac{s_l^{+}}{z_{lk}}\right)}⑸

\mathrm{s}.\mathrm{t}.\left\{\begin{array}{l}{x}_{ik}=X\omega +s_r^{-}\\ y_{jk}=Y\mathrm{\omega }-s_j\\ z_{lk}=Z\omega +s_l^{+}\\ k=\mathrm{1,2},\cdots ,\mathrm{18};r=\mathrm{1,2},\cdots ,p\\ j=\mathrm{1,2},\cdots ,q;l=\mathrm{1,2},\cdots ,u\end{array}\right.⑹

式中：{\rho }_k为第k个铁路局集团公司的碳排放效率；x_{ik}，y_{jk}，z_{lk}分别为第k个铁路局集团公司的第i个投入值、第j个期望产出变量和第l个非期望产出变量；X\omega，Y\omega，Z\omega分别为生产前沿上投入、期望产出和非期望产出的投影值；s_i^{-}，s_j和s_l^{+}分别为第i个投入指标、第j个期望产出指标和第l个非期望产出指标的松弛变量；\omega为评价指标的权重系数。

本研究建立包含非期望产出的Malmquist生产率指数模型解析铁路运输企业碳排放效率变化特征。Malmquist生产率指数模型将全要素生产率(Total Factor Productivity，TFP)分解为技术进步变化指数(Technological Progress Change index，TC)、纯技术效率变化指数(Pure Technological Efficiency Change index，PEC)和规模效率变化指数(Scale Technological Efficiency Change index，SEC)^[13]。

E_{TFP}=E_{TC}\times E_{PEC}\times E_{SEC}⑺

式中：E_{TFP}，E_{TC}，E_{PEC}，E_{SEC}分为铁路运输企业碳排放效率生产率指数、技术进步变化指数、纯技术效率变化指数和规模效率变化指数。

在铁路运输企业碳排放效率中，SEC和PEC表示“追赶效应”，当技术效率提高时，表明各铁路局集团公司的生产技术更接近生产前沿面；TC表示“增长效应”，测度各时期技术边界的移动情况，以衡量技术进步变化，当技术出现创新或进步时，表明各铁路局集团公司的生产前沿面上移。

E_{TC}={\left[\frac{D^t(n_k^{t+\mathrm{1}},m_k^{t+\mathrm{1}},l_k^{t+\mathrm{1}})}{D^{t+\mathrm{1}}(n_k^{t+\mathrm{1}},m_k^{t+\mathrm{1}},l_k^{t+\mathrm{1}})}\times \frac{D^t(n_k^t,m_k^t,l_k^t)}{D^{t+\mathrm{1}}(n_k^t,m_k^t,l_k^t)}\right]}^{\frac{\mathrm{1}}{\mathrm{2}}}⑻

E_{PEC}=\frac{D^{(v，t+\mathrm{1})}(n_k^{t+\mathrm{1}}，m_k^{t+\mathrm{1}}，l_k^{t+\mathrm{1}})}{D^{(v，t)}(n_k^t，m_k^t，l_k^t)}⑼

E_{SEC}=\frac{D^{t+\mathrm{1}}(n_k^{t+\mathrm{1}}，m_k^{t+\mathrm{1}}，l_k^{t+\mathrm{1}})/D^{(v，t+\mathrm{1})}(n_k^{t+\mathrm{1}}，m_k^{t+\mathrm{1}}，l_k^{t+\mathrm{1}})}{D^t(n_k^t，m_k^t，l_k^t)/D^{(v，t)}(n_k^t，m_k^t，l_k^t)}⑽

式中：n_k^t，m_k^t和l_k^t分别表示决策单元k在t时期投入、期望产出和非期望产出的指标值；n_k^{t+\mathrm{1}}，m_k^{t+\mathrm{1}}和l_k^{t+\mathrm{1}}分别表示决策单元k在t+1时期投入、期望产出和非期望产出的指标值；D^t(n_k^t，m_k^t，l_k^t)和D^t(n_k^{t+\mathrm{1}}，m_k^{t+\mathrm{1}}，l_k^{t+\mathrm{1}})分别为规模报酬不变的情况下t时期和t+1时期的距离函数；D^{(v，t)}(n_k^t，m_k^t，l_k^t)和D^{(v，t+\mathrm{1})}(n_k^{t+\mathrm{1}}，m_k^{t+\mathrm{1}}，l_k^{t+\mathrm{1}})分别为规模报酬可变的情况下t时期和t+1时期的距离函数。

1.5.2　基于Tobit的碳排放效率变化影响因素识别模型

为寻找铁路运输企业碳排放效率的提升路径，亟需进一步识别其关联的外延影响因素。引入Tobit模型建立外延因素自变量与因变量间的关系，通过计算二者的回归系数开展影响因素解析。为了解决指标间数值差距过大的问题，进一步对影响因素指标数据进行自然对数处理，保证数据规范化，构建面板Tobit模型如下。

E_{TC}={\alpha }_{\mathrm{0}}+{\alpha }_n\mathrm{l}\mathrm{n}{X}_n+{\epsilon }_n⑾

E_{PEC}={\beta }_{\mathrm{0}}+{\beta }_m\mathrm{l}\mathrm{n}{Y}_m+{\epsilon }_m⑿

E_{SEC}={\gamma }_{\mathrm{0}}+{\gamma }_p\mathrm{l}\mathrm{n}{Y}_p+{\epsilon }_p⒀

式中：{\alpha }_{\mathrm{0}}，{\beta }_{\mathrm{0}}，{\gamma }_{\mathrm{0}}为固定项系数；{\alpha }_n，{\beta }_m，{\gamma }_p为各影响因素系数；X_n，Y_m，Z_p为各影响因素；{\epsilon }_n，{\epsilon }_m，{\epsilon }_p为各项随机扰动项。

2　研究结果

2.1　铁路运输企业碳排放的时空变化特征

2016—2021年间我国铁路运输企业的碳排放总体呈现出上升趋势，从5 780万t增加至6 279万t，增长了8.61%。2016—2021年铁路运输企业碳排放结构特征如图2所示。其中，间接碳排放远高于直接碳排放，2016—2021年间也呈现出上升趋势，从3 925万t增加至5 111万t，占碳排放总量的比例从67.90%增长到81.40%；研究期内对碳排放增长贡献较大的铁路局集团公司为北京局集团公司、上海局集团公司、广州局集团公司、郑州局集团公司和成都局集团公司，碳排放分别增加48.89万t，48.82万t，46.78万t，36.42万t和35.95万t。对碳排放贡献较小的铁路局集团公司为青藏集团公司、哈尔滨局集团公司及南宁局集团公司，碳排放仅分别增加14.70万t，15.55万t及16.10万t。

2.2　基于SBM的铁路运输企业碳排放效率

与碳排放变化特征相似，2016—2021年间铁路运输企业碳排放效率呈现出波动上升趋势，各区域碳排放效率变化如图3所示。在2020年出现明显的下降趋势，与新冠疫情的影响有关。从区域平均水平来看，东部和中部地区碳排放效率高于全国平均水平(0.70)，而西部和东北地区碳排放效率低于全国平均水平。其中，东部地区的碳排放效率最高(0.89)，中部地区次之(0.80)，西部地区较低(0.60)，而东北地区的碳排放效率最低(0.50)，且呈现逐年下降的趋势，从2016年的0.58下降至2021年的0.42。

各铁路局集团公司的碳排放效率如图4所示，结果表明碳排放效率在时空上呈现出明显的异质性。东部地区持续较高的碳排放效率主要得益于地理位置优越、经济与科技发展水平较高的北京局集团公司、上海局集团公司和广州局集团公司的贡献，其碳排放效率均值分别为0.95、0.99和0.91，远高于全国平均水平。在中部地区，除武汉局集团公司的碳排放效率在研究期内明显下降外，从1.00降至0.53，太原局集团公司(0.78)、南昌局集团公司(0.80)和郑州局集团公司(0.85)的碳排放效率均高于全国平均水平。西部地区因青藏集团公司和乌鲁木齐局集团公司等管辖的区域地广人稀，整体客货运量相对较小，碳排放效率相对较低，仅有作为西南地区客货运中心的成都局集团公司碳排放效率较高，平均为0.84，而其余铁路局集团公司的碳排放效率均低于全国平均水平(0.70)。在推动西部大开发形成新格局的政策指引下，西部地区能够争取到更多的资金和技术支持，总体出现波动上升的趋势。东北地区作为老工业基地所在区域，因重工业为主的传统工业结构，沈阳局集团公司和哈尔滨局集团公司的碳排放效率在研究期内一直低于全国平均水平，2016年、2021年分别为0.51和0.49。

2.3　基于Malmquist 指数的铁路运输企业碳排放效率变化

铁路局集团公司碳排放效率的Malmquist指数及其分解如表5所示。表5反映了研究期内各铁路局集团公司碳排放效率的变化情况。铁路运输企业的全要素生产率(TFP)平均值为1.03，表明铁路运输企业碳排放效率提升了3%。主要由技术进步推动所致，技术进步变化指数(TC)增加了8%。但纯技术效率变化(PEC)和规模效率变化(SEC)分别降低了3%和2%，说明碳排放效率的提升主要得益于铁路运输企业节能降碳技术水平提升和科技创新。从区域平均水平来看，西部地区(1.04)的TFP值高于全国平均水平(1.03)，东部(1.03)和中部地区(1.03)的TFP值相当于全国平均水平(1.03)，东北地区(0.99)的TFP值低于全国平均水平。

通过对各铁路局集团公司碳排放效率的Malmquist指数分析，共有12个铁路局集团公司的TPF值大于1，仅有6个铁路局集团公司的TFP值小于1，可见2016—2021年间铁路运输企业在技术创新水平、投入产出结构、部门管理水平方面有所调整，整体呈现良好的发展趋势。其中，南昌局集团公司的TFP值最大(1.17)，表明其碳排放效率提升了17%；而武汉局集团公司的TFP值最小，仅有0.87，可能与新冠疫情的影响有一定关系。除武汉局集团公司外，其余17个铁路局集团公司的技术进步变化指数(TC)均大于1，表明技术进步对TFP的提升起正向作用。纯技术效率变化指数(PEC)的波动范围在0.86~1.01之间，其中，北京局集团公司、上海局集团公司和南昌局集团公司等8个铁路局集团公司的PEC值大于1，说明其在高效完成运输任务的同时，能够较好地平衡环境影响；而其余10个PEC均值小于1.00的铁路局集团公司中，哈尔滨局集团公司受纯技术效率变化的影响较大，表明其可能存在资源利用效率低、减排技术竞争力弱的问题。规模效率变化指数(SEC)的变化范围在0.92~1.02之间，差距相对较小，其中北京局集团公司、上海局集团公司和南昌局集团公司等7个铁路局集团公司的SEC值大于1.00，而其余11个铁路局集团公司的SEC值均小于1.00。排除新冠疫情的影响，反映出铁路运输企业可能存在资源能源消耗与碳排放效率提升之间的矛盾。

2.4　基于Tobit的铁路运输企业碳排放效率影响因素分析

碳排放效率影响因素识别结果如表6所示，研究期内地方财政科研支出、高技术产业数、技术市场交易额、区域常住人口和基础设施水平对铁路运输企业碳排放效率具有显著的正向作用；地区人均GDP、劳动生产率和铁路运营里程则具有显著的负向作用；而每十万人高等学校平均在校生人数的作用并不显著。

（1）技术进步方面，地区人均GDP的回归系数达到了5%的显著水平，表明随着地区人均GDP的增长，刺激了经济活动，加速了人员和货物流通，提高了铁路运输需求，在一定程度上增加了碳减排压力；地方财政科研支出与技术进步呈正相关，表明地方财政支出能够为铁路运输企业的低碳技术创新提供一定的研发经费，有助于铁路运输企业探索节能降碳技术创新；高技术产业数量为创新研发活动提供了强有力的市场环境支持，确保资金资源反哺技术研发，对铁路运输企业的技术进步产生了正向影响。

（2）纯技术效率方面，技术市场交易额体现了技术市场的活跃程度和发展潜力，可以有效推动铁路运输企业低碳创新技术的转化，进一步提高技术普及率，从而对铁路运输企业碳排放效率产生正面影响；劳动生产率的负面影响程度较大，表明随着铁路运输企业承担的任务增加，不可避免地导致更多的碳排放，但当前铁路运输企业的低碳技术还不足以完全抵消其环境影响。

（3）规模效率方面，铁路营业里程与碳排放效率呈现负相关性，可见铁路网的延伸和完善虽便利了交通出行，但实际利用效率偏低的问题仍然突出，可能造成资源空间错配，导致碳排放规模效率下降；区域常住人口与规模效率呈现正相关关系，表明随着区域人口规模的提升，有助于提升铁路旅客周转量和货物周转量，进而提高铁路运输企业的碳排放规模效率；基础设施水平与碳排放效率呈现正相关关系，表明较高的基础设施水平可以有效保障铁路运输企业的建设和运维能力，有助于提高铁路运输企业的规模效率。

上述研究结果表明，区域经济发达、地方财政科研支持力度大和高技术产业聚集的市场环境易推动低碳技术进步，对铁路运输企业的碳排放效率影响显著。铁路运输企业对节能降碳的创新投入有助于减少其运营中的能源消耗，降低碳排放水平，但纯技术效率对碳排放效率也有负向影响。可能原因在于，当碳排放效率在空间上存在显著差异时，技术效率较高的地区往往会引发技术溢出效应，带动技术效率较低的地区追赶，但追赶区域在短期内往往难以获得回报，还需要面向技术市场交易才能推动低碳技术成果的转化。铁路运输企业规模收益相对固定，经过一段时间发展后，区域常住人口、铁路运营里程、基础设施水平相对稳定，导致规模效应难以持续增长，也在一定层面推动了节能减碳技术进步在碳排放效率中占据主导地位。

2.5　铁路运输企业碳排放效率模型对比分析

为进一步验证模型有效性，研究将SBM-Malmquist-Tobit模型结果与SBM-Tobit模型回归结果开展了对比分析。通过引入Malmquist指数模型将SBM测度的效率进一步分解，不仅可以克服SBM模型仅能测度各决策单元静态效率，难以衡量效率变化程度的局限性，还有助于揭示影响碳排放效率的驱动力变化特征。

在SBM-Malmquist-Tobit模型中，因Malmquist指数能够对效率分解，有助于Tobit判别影响因素的显著性，如表6中反映出人均GDP、地方财政科研支出、高技术产业数量等对技术进步有较大影响，从而对碳排放效率影响更为显著。但在SBM-Tobit模型中，上述因素的影响则难以体现，碳排放效率影响因素的SBM-Tobit模型识别结果如表7所示，仅有地方财政科研支出较为敏感。SBM-Malmquist-Tobit模型结果表明，技术市场交易额和劳动生产率作为纯技术效率的外延因素对碳排放效率有显著影响，这与SBM-Tobit模型结果一致，但前者中的劳动生产率变化对碳排放效率的影响更为敏感。此外，SBM-Malmquist-Tobit模型结果展示了规模效率因素对碳排放影响的重要性，包括区域常住人口、铁路运营里程和基础设施水平3个指标都呈现显著的相关性 。但SBM-Tobit模型的评估结果仅认为区域常住人口更为敏感。通过对比可以发现，SBM-Malmquist-Tobit模型在解析铁路运输企业碳排放影响因素方面具有更好的层次性，通过因素的分层解析可为铁路运输企业推动低碳转型提供明确的路径。

3　结论及建议

研究构建了适用于铁路运输企业碳排放效率测度的SBM-Malmquist-Tobit模型，分析了2016—2021年我国铁路运输企业碳排放效率的时空变化特征，识别了碳排放效率的影响因素，得出主要结论如下。

（1）2016—2021年，我国铁路运输企业碳排放总量由5 780.86万t增加至6 278.85万t，增长了8.61%；铁路运输企业碳排放总量的增长与区域经济发展水平呈现出明显的关联性，位于经济发达地区的北京局集团公司、上海局集团公司、广州局集团公司等碳排放量增加显著，表明铁路运输在支撑区域经济发展的同时，仍然面临着较大的减排压力。

（2）2016—2021年，我国铁路运输企业碳排放效率呈现波动上升的变化趋势，由0.67增加至0.73；碳排放效率呈现出明显的空间差异性，其由高到低分别为东部地区、中部地区、西部地区和东北地区。

（3）北京局集团公司、上海局集团公司和南昌局集团公司等12个铁路局集团公司在研究期内全要素生产率值大于1，碳排放效率呈现上升趋势，技术进步是全要素生产率提升的主要驱动因素；兰州局集团公司、沈阳局集团公司和哈尔滨局集团公司等6个铁路局集团公司的全要素生产率值小于1，其在技术效率和规模效率方面存在改进空间。

（4）地方财政科研支出、高技术产业数、技术市场交易额、区域常住人口和基础设施水平对铁路运输企业碳排放效率的正向作用，强调了科技创新和市场活力在推动铁路运输企业低碳转型中的重要性；地区人均GDP、劳动生产率和铁路运营里程的负向作用，表明了经济增长和生产效率提升的同时，还需关注减碳技术的进步和环境成本的提高。

结合碳排放效率测度结果及影响因素解析，提出以下建议。

（1）提升铁路运输企业低碳技术水平，实现由技术引导碳排放效率提升。一方面，加大铁路运输企业节能降碳的资金投入，增强企业自主研发创新能力；另一方面，与高校和科研机构合作，推动新能源、新材料、信息技术等新质生产力的技术研发，建立政府主导与市场协同的低碳技术研发与成果转化模式。

（2）促进减碳技术应用，推动铁路运输企业技术效率提升。一方面，构建减碳技术成果推荐库，制定铁路行业低碳运营标准和规范，促进减碳技术在铁路行业的应用和推广；另一方面，鉴于东西部区域碳排放效率差异大的现实，注重节能减排技术的试点示范、运输结构的优化调整，以点带面提升整个行业的碳排放技术效率。

（3）优化资源配置，提升铁路网络规模效率。一方面，建立数字化碳资产管理平台，实现铁路运输企业碳排放的实时监测和管理；另一方面，加强铁路沿线行政区经济要素的流动，充分发挥溢出效应，提高铁路网络的服务效能。

参考文献

[1] SHANG W L， LING Y T， OCHIENG W，et al. Driving Forces of CO₂ Emissions from the Transport，Storage and Postal Sectors：A Pathway to Achieving Carbon Neutrality[J]. Applied Energy，2024，365：123226.

[2] 冯爱军. 中国城市轨道交通2021年数据统计与发展分析[J]. 隧道建设(中英文)，2022，42(2)：336-341.

[3] FENG Aijun. Data Statistics and Development Analysis of Urban Rail Transit in China in 2021[J]. Tunnel Construction，2022，42(2)：336-341.

[4] WANG L J， DU K R， SHAO S. Transportation Infrastructure and Carbon Emissions：New Evidence with Spatial Spillover and Endogeneity[J]. Energy，2024，297：131268.

[5] 袁振洲，袁晓敬，杨　洋，等. 城市轨道交通低碳效应研究综述[J]. 铁道运输与经济，2024，46(8)：8-23，57.

[6] YUAN Zhenzhou， YUAN Xiaojing， YANG Yang，et al. Review on Research of Low-Carbon Effects in Urban Rail Transit[J]. Railway Transport and Economy，2024，46(8)：8-23，57.

[7] 杨　洋，王雪纯，袁振洲，等. 基于碳回收期理论的城市轨道交通碳减排效应测算[J]. 交通运输系统工程与信息，2023，23(5)：1-11，23.

[8] YANG Yang， WANG Xuechun， YUAN Zhenzhou，et al. Calculation for Carbon Emission Reduction Effect of Urban Rail Transit Based on Carbon Recovery Period Theory[J]. Journal of Transportation Systems Engineering and Information Technology，2023，23(5)：1-11，23.

[9] CUI Z W， CHEN J J， LI C，et al. The Calculation and Analysis of Carbon Emission in Traction Power Supply System of High Speed Rail[J]. Tehnicki Vjesnik-Technical Gazette，2023，30(1)：226-234.

[10] 田 璞，鲁垠涛，邱圣明，等.京津冀地区铁路运输碳排放特征和减排潜力研究[J].铁道标准设计，2025，69(4)：1-10.

[11] TIAN Pu， LU Yintao， QIU Shengming，et al. Research on Carbon Emission Characteristics and Emission Reduction Potential in Beijing-Tianjin-Hebei Region[J]. Railway Standard Design，2025，69(4)：1-10.

[12] TALEB M， KHALID R， RAMLI R，et al. An Integrated Bi-Objective Data Envelopment Analysis Model for Measuring Returns to Scale[J]. European Journal of Operational Research，2022，296(3)：967-979.

[13] 袁长伟，赵　潇，孙　璐. 中国交通运输碳排放效率测度及收敛性研究[J]. 环境科学与技术，2019，42(12)：222-229.

[14] YUAN Changwei， ZHAO Xiao， SUN Lu. Research on Measurement and Convergence of Transport Carbon Emission Efficiency in China[J]. Environmental Science & Technology，2019，42(12)：222-229.

[15] ZHANG W Y， HAN X， DING Q，et al. Analysis of Spatial Spillover Effects and Influencing Factors of Transportation Carbon Emission Efficiency from a Provincial Perspective in China[J]. Environmental Science and Pollution Research International，2024，31(8)：12174-12193.

[16] LIU J B， LIU B R， LEE C C. Efficiency Evaluation of China’s Transportation System Considering Carbon Emissions：Evidence from Big Data Analytics Methods[J]. Science of the Total Environment，2024，922：171031.

[17] 董梦如，韩增林，郭建科. 中国海洋交通运输业碳排放效率测度及影响因素分析[J]. 海洋通报，2020，39(2)：169-177.

[18] DONG Mengru， HAN Zenglin， GUO Jianke. Measurement of Carbon Emission Efficiency and Its Influencing Factors in China’s Marine Transportation Industry[J]. Marine Science Bulletin，2020，39(2)：169-177.

[19] FÄRE R， GROSSKOPF S， NORRIS M，et al. Productivity Growth，Technical Progress，and Efficiency Change in Industrialized Countries[J]. The American Economic Review，2006，84：66-83.

[20] ZHANG N， ZHOU P， KUNG C C. Total-Factor Carbon Emission Performance of the Chinese Transportation Industry：A Bootstrapped Non-Radial Malmquist Index Analysis[J]. Renewable and Sustainable Energy Reviews，2015，41：584-593.

[21] 郑　琰，巴文婷，肖玉杰. 考虑碳排放的长三角港口群动态效率测度[J]. 交通运输系统工程与信息，2023，23(4)：34-46.

[22] ZHENG Yan， BA Wenting， XIAO Yujie. Dynamic Efficiency Measure in Yangtze River Delta Port Cluster Considering Carbon Emissions[J]. Journal of Transportation Systems Engineering and Information Technology，2023，23(4)：34-46.

[23] 王馨馨，石丽娜.基于超效率DEA-Malmquist和Tobit模型的长三角机场群运行效率分析[J].运筹与模糊学，2024，14(2)：1108-1120.

[24] WANG Xinxin， SHI Lina.Analysis of Operational Efficiency of Airport Clusters in the Yangtze River Delta Region Based on Super Efficient DEA-Malmquist and Tobit Models[J].Operations Research and Fuzziology，2024，14(2)：1108-1120.

[25] 李晓易，吴　睿. 交通运输温室气体核算边界和测算方法研究[J]. 气候变化研究进展，2023，19(1)：84-90.

[26] LI Xiaoyi， WU Rui. Research on Greenhouse Gas Emissions Accounting Boundaries and Calculating Method of the Transport Sector[J]. Climate Change Research，2023，19(1)：84-90.

[27] 高玉明，王术尧. 北京铁路局运输碳排放清单及碳排放基准线浅析[J]. 铁路节能环保与安全卫生，2016，6(3)：112-116.

[28] GAO Yuming， WANG Shuyao. An Analysis of Transportation Carbon Inventory and Carbon Baseline of Beijing Railway Bureau[J]. Railway Energy Saving & Environmental Protection & Occupational Safety and Health，2016，6(03)：112-116

[29] WANG Z G， HAO H， GAO F，et al. Multi-Attribute Decision Making on Reverse Logistics Based on DEA-TOPSIS：A Study of the Shanghai End-of-Life Vehicles Industry[J]. Journal of Cleaner Production，2019，214：730-737.

[30] 叶善椿，何景师，肖　斌. 我国铁路货运效率与绿色物流发展耦合协调研究[J]. 铁道运输与经济，2024，46(2)：120-127.

[31] YE Shanchun， HE Jingshi， XIAO Bin. Coupling Coordination of Railway Freight Efficiency and Green Logistics Development in China[J]. Railway Transport and Economy，2024，46(2)：120-127.

[32] 许晨曦，武　瑛，牛志伟. 数字化赋能企业劳动生产率提升：内在逻辑与中国经验[J]. 北京师范大学学报(社会科学版)，2023(5)：152-160.

[33] XU Chenxi， WU Ying， NIU Zhiwei. Digitalization Empowers Enterprises in Labor Productivity：Its Internal Logic and Chinese Experience[J]. Journal of Beijing Normal University (Social Sciences)，2023(5)：152-160.

[34] LYU Q， LIU H B， YANG D Y，et al. Effects of Urbanization on Freight Transport Carbon Emissions in China：Common Characteristics and Regional Disparity[J]. Journal of Cleaner Production，2019，211：481-489.

[35] ZHANG S Y， WEI Y C. Assessing the Effects of Different Types of Environmental Supervision Policies on Green Economy Efficiency of China[J]. Journal of Environmental Management，2024，368：122282.

基金资助

国家自然科学基金项目(U2268208)

国家自然科学基金项目(41571520)

四川省青年科技创新团队项目(2022JDTD0005)

中国中铁股份有限公司科技研究开发计划项目(2022-重大-01,2023-重大-06)

四川循环经济研究中心课题(XHJJ-2304)

四川省自然科学基金项目(2024NSFSC0880)

中央高校基本科研业务费项目(2682021ZTPY088)