1 引言(Introduction)

随着中国工业化、城镇化进程不断深入, 交通运输需求不断增加, 交通运输业已经成为石油消耗最大、碳排放增速最快的部门(蔡博峰, 2012; Bastani et al., 2012).2013年中国交通运输业石油能源消耗量为27553.74万t标准煤, 占全国石油消耗总量的39.93%, 比2000年、1985年分别增长15.16%、26.84%.交通运输在中国工业、建筑业等六大行业碳排总量中占比增速排名第一, 且其排放量仅次于工业成为第二大CO₂排放部门(Bueno, 2012), 是制约着中国经济社会实现低碳化发展的重要领域.在温室气体排放不断增加、雾霾频发的背景下, 2015年中国政府在巴黎世界气候变化大会上向世界承诺, 2030年我国单位GDP二氧化碳排放量将比2005年下降60%~65%, 排放总量达到峰值.面对艰巨的减排目标, 作为中国节能减排的关键部门, 交通运输业应承担起降低碳排放的重要责任, 研究碳排放影响因素变得尤为重要.由于中国省域经济发展、资源禀赋与交通基础设施等发展不均衡, 地区之间交通碳排放差异较大, 因此, 对省域交通运输碳排放影响因素进行差异化分析, 对有效减少碳排放量、实现节能减排承诺与交通绿色低碳化发展具有重要意义.

目前国内外学者对交通运输碳排放的研究主要集中在碳排放量的测算(袁长伟等，2016; 张陶新等, 2013; 欧阳斌等, 2015)、交通运输能源消耗、碳排放与行业发展的关系(杨琦等, 2014; 尹鹏等, 2016)、能源使用效率(卢建锋等, 2016；方国斌等, 2016)、碳排放影响因素(呙小明等, 2012; Dai et al., 2016; Mraihi et al., 2013; Solís et al., 2013; 喻洁等, 2015; 肖宏伟等, 2014)等几个方面.张陶新等(2013)对中国省域交通运输碳排放进行测算发现, 省域碳排放存在明显聚类特征, 东部沿海省份碳排放量明显高于其他区域.欧阳斌等(2015)建立适用于省级的交通碳排放与能源消耗测算模型, 对江苏省公路、水路运输与城市客运碳排放与能源消耗进行计算, 研究发现公路运输碳排放强度要高于其他运输方式, 应调整综合交通运输结构, 优先发展公共交通.杨琦等(2014)探讨了中国交通运输碳排放与行业发展之间的关系, 结果表明近年来二者呈弱脱钩状态.卢建锋等(2016)构建交通碳排放效率的技术进步与运输结构双因素分解模型, 认为铁路碳排放效率最高, 公路、航空碳排放效率较低.方国斌等(2016)采用DEA与GWR模型对中国省域交通运输业能源效率及驱动因素进行分析, 考虑到了地理区位联系的影响作用.Dai等(2016)研究发现, 物流业发展规模、货物运输结构是促进中国物流业能源消耗的主要原因, 应优化供应链结构、积极发展铁路货物运输、推进多式联运、搭建基于大数据技术的物流服务供需系统以降低能源消耗.Mraihi等(2013)对突尼斯道路运输能源消耗关键驱动因素进行识别, 认为能源消耗强度、道路运输强度是能源消耗的关键因素, 机动化率与城镇化率为次要因素.喻洁等(2015)采用LMDI分解模型对驱动碳排放增长的影响因素进行研究, 结果显示在各种运输方式中, 公路对碳排放变化的影响最为显著, 公路运输在行业运输周转量中占比的不断增加对交通碳排放的增长起到正面作用.

现有研究对协调交通行业发展与节能减排之间的矛盾取得了一定的成果, 但仍存在部分不足.首先, 大多数研究未列出交通碳排放测算所需的重要参数或详细来源, 可重复操作性较差, 不利于研究借鉴及计算检验.其次, 现有研究大多数从全国整体(欧阳斌等, 2015; 呙小明等, 2012; Dai et al., 2016; Mraihi et al., 2013; Solís et al., 2013; 喻洁等, 2015)、单个省份(欧阳斌等, 2015; 卢建锋等, 2016)或地区视角进行研究, 各省交通运输碳排放的差异性分析较为缺乏.再次, 中国幅员辽阔, 各省在地理空间上相互联系、相互影响, 而现有研究中大多仅从时间序列角度研究, 忽略了各省域之间的空间效应的相互依赖性.最后, 梳理国内外文献发现, 公路运输方式碳排放效率较低(欧阳斌等, 2015; 卢建锋等, 2016; Dai et al., 2016), 对交通碳排放贡献较大.但现有碳排放影响因素研究中, 主要从经济发展、人口、能源强度等因素进行分析.少数研究(喻洁等, 2015)考虑公路运输这一因素, 也仅限于国家宏观层面, 尚未考虑省域空间异质性与差异性.因此, 本文计算出具有中国本土与省域特征的碳排放因子, 并对计算方法与结果进行详细说明.其次, 采用ESDA方法从全局和局部维度分析交通碳排放时空分布特征.最后, 考虑新型城镇化水平不断深化的背景下, 采用地理加权回归方法, 同时考虑地区间空间作用效应与时间演变维度, 研究城镇化率、交通运输结构、行业发展规模、技术进步等因素对省域交通运输碳排放的时空差异化影响, 对依据省域自身特点提出针对性的低碳化发展政策具有重要现实与理论意义.

2 研究方法(Methodology) 2.1 CO₂排放测算方法

由于中国各种类型机动车保有量、行驶里程及单位里程燃料消耗量等数据的可获得性较差, 因此“自上而下”基于终端能源消耗的碳排放测算方法准确度较高, 见式(1).

(1)

式中, T为交通运输业CO₂排放总量(以下简称碳排放)；i表示能源种类, 包括煤、油品、热力、电力等23种能源；E_i为第i种能源消耗量；c_i为能源碳排放因子；ALV_i为能源平均低位发热量；v_i为单位热值含碳量；r_i为碳氧化率.

2.2 ESDA方法 2.2.1 全局空间自相关分析

全局空间自相关是衡量空间的某种属性在地理位置上是否具有明显聚类或离散特征的全局指标, 通常采用Global Moran′s I统计量进行测度.本文采用该指数来度量交通运输碳排放全局自相关性.指数的取值范围是[-1, 1], 当Z值或p值通过显著性检验时, 大于0表示交通运输碳排放呈空间聚类特征, 即区域地理位置越近, 其碳排放值呈相同变化趋势；小于0表示碳排放呈离散特征, 等于0则为随机分布；绝对值越接近1, 则说明聚类或离散特征愈显著.

(2)

(3)

式中, n为研究区域总个数；w_ij为空间权重矩阵；x_i、x_j分别为i、j地区交通碳排放量；x为各区域交通碳排放均值.当|Z|≥1.96时则认为碳排放值在0.05显著性水平下具有空间自相关性.

2.2.2 热点分析

热点分析(Getis-Ord G_i^*)通常用来研究高值与低值空间聚类的局部空间自相关性, 见式(4).

(4)

为了简便结果分析, 对上述公式进行标准化可得：

(5)

式中, E(G_i^*)、Var(G_i^*)分别为G_i^*的期望与方差值.依据Z(G_i^*)数值从大到小可将省域依次分为碳排放高值、次高值聚类区与次低值、低值聚类区.Z(G_i^*)值越大且显著, 则表示该区域存在交通碳排放高值的空间聚类.如果Z(G_i^*)较低且为负数, 则表示该区域存在低值的空间聚类.

2.3 影响因素空间差异回归模型构建

Fortheringham等学者于1996年在考虑变量存在空间非平稳性的基础上提出了地理加权回归(Geographically Weighted Regression, GWR)模型.GWR模型克服了普通最小二乘法忽略空间效应、事先假定变量间存在同质性、所得系数仅基于区域平均的缺陷, 在分析影响因素时, 充分考虑空间效应对影响因素的作用, 将地理信息嵌入到原有的回归方程中, 各区域地理位置相互作用的距离函数为空间权重函数, 利用局部加权最小二乘法进行各研究区域参数估计(肖宏伟等, 2014; 胡艳兴等, 2016).中国幅员辽阔, 地区间资源禀赋、交通运输业发展差异较大, 故本文选取GWR构建省域交通碳排放影响因素空间差异回归模型, 分析影响因素对于不同省域的差异化影响, 为各地区差异化低碳交通发展政策建议提供理论与实际参考, 见式(6).

(6)

式中, Y_i表示第i省域交通碳排放值；(u_i, v_i)为第i省域经纬度坐标；c(u_i, v_i)为第i省域回归方程常数项；b_j(u_i, v_i)为第i省域的第j个影响因素的回归参数, c(u_i, v_i)、b(u_i, v_i)均为坐标函数；ε_i为残差项.

采用高斯函数作为空间权重进行区域参数估计, 空间权重函数计算公式见式(7).

(7)

式中, b为带宽, d_ij为省份i与省份j之间的距离.根据地理第一定律, 权重的影响随着距离的增大而递减.

带宽的选取对GWR模型回归参数的准确估计十分重要, 本文选取研究通常采用的赤池信息量准则法(Aaike information criterion, AIC)(胡艳兴等, 2016；王雅楠等, 2016), 即AIC值最小所对应的带宽为最优带宽(Fotheringham et al., 1996), 且AIC值越小则说明模型的拟合效果越好, 计算公式见式(8).

(8)

式中, σ是残差方差的极大似然估计；tr(S)为帽子矩阵S的迹函数.

2.4 数据来源与指标说明

因西藏、港澳台地区数据缺失, 本文选取2000—2013年除西藏、港澳台外中国30个省域交通运输能耗量、运输周转量等数据进行省域碳排放时空演变及交通运输碳排影响因素的差异分析.数据主要来源于《中国统计年鉴(2001—2015)》、《中国能源统计年鉴(2001—2014)》, 《省级温室气体清单编制指南》、各省2001—2015年统计年鉴等资料.

2.4.1 碳排放计算

为使计算结果更符合各省域自身交通碳排放情况, 提高测算准确性与科学性, 均采用具有中国本土与区域特征的能源发热量与碳排放因子等数据, 其中E_i来源于《中国能源统计年鉴》地区能源平衡表, ALV_i、v_i与r_i来自《省级温室气体清单编制指南》.其中除电力外, 其他能源碳排放因子(c_i)均由能源平均低位发热量、单位热值含碳值与碳氧化率计算可得, 计算结果见表 1.电力碳排放因子来自《省级温室气体清单编制指南》, 因数据自2008年开始公布, 故以前年份均以2008年数据进行替代，见表 2.计算结果与张陶新等(2013)相近, 因此具有较强可信度.

2.4.2 影响因素指标说明

现有文献通常采用STIRPAT(Stochastic Impacts by Regression on Population、Affluence and Technology, STIRPAT)模型、LMDI(Logarithmic Mean Divisia Index, LMDI)分解法对能源效率、能源结构、综合运输周转量、经济发展水平、人口数等影响因素进行研究(Ang et al., 2016).本文基于中国新型城镇化进程、交通运输业转型升级不断推进的背景下, 考虑前人的研究成果(Huang et al., 2010, 李建豹等, 2016；卢剑锋等, 2016；胡艳兴等, 2016；王雅楠等, 2016；肖宏伟等, 2014；颜艳梅等, 2016；臧新等, 2016), 采用频数统计法并结合交通运输业发展特点, 重点分析城镇化水平、技术进步、外商直接投资、交通运输结构调整对于省域交通运输碳排放的时空差异化影响.同时, 为响应国家“绿色发展”理念, 研究交通运输业经济增长与碳排放是否实现协调发展, 对行业增加值影响因素进行分析.最终选取城镇化率(Ur)、外商直接投资(FDI)、交通行业发展规模(TID)、能源效率(Ee)、交通运输结构(Str)5个影响因素进行分析.

(9)

式中, 城镇化率(Ur)用来反映近年来城镇化水平的不断推进对于交通碳排放的影响, 其值为城镇人口数与总人口数之比.外商直接投资(FDI)指标直接采用外商直接投资额数据进行研究.交通行业发展规模(TID)用行业增加值进行表示, 为消除价格波动的影响, 对数据以2005年不变价进行折算.该指标可用来衡量交通运输经济增长与碳排放之间的脱钩关系, 行业发展规模对碳排放的影响程度越小, 说明二者之间脱钩关系越强.能源效率(Ee)用来表征技术进步效应, 其值越大, 说明交通运输业技术创新与运输装备能效水平越高.其值为交通运输业增加值比交通运输业能源消耗量.交通运输结构(Str)为公路运输周转量与综合运输总周转量之比, 用来衡量运输结构调整对于碳排放的影响程度.综合运输总周转量为客运折算周转量与货运周转量之和(喻洁等, 2015), 依据先前学者的研究结论, 公路运输周转量占比越高, 对交通碳排放的促进作用越大(欧阳斌等, 2015; 卢建锋等, 2016; 喻洁等, 2015).

3 结果与分析(Results and analysis) 3.1 碳排放空间自相关分析

通过式(2)、(3)对交通碳排放Global Moran′s I统计量进行计算, 结果见表 3.2000—2013年Moran′s I指数均大于零, 且Z值大于1.96, 表明全国交通运输碳排放在0.05显著性水平下具有显著空间聚类特征.Moran′s I指数除2008—2010年外，整体呈逐年增长趋势, 由2000年的0.2665增长至2013年的0.3106, 表明中国交通运输碳排放空间相关性不断增强, 聚类特征愈发明显.

Global Moran′s I统计量仅说明中国交通碳排放整体具有空间自相关性, 仍需对各省域聚类特征进行分析.通过式(5)计算出各年Z(G_i^*)值, 采用Jenks最佳自然断裂法将Z(G_i^*)分为高值聚类区、次高值、次低值聚类区与低值聚类区4个区间, 因篇幅有限且省域交通碳排放空间聚类特征随时间变化不大, 故仅列出2000年、2013年聚类结果, 见图 1.京津冀地区、辽宁、山东、山西、陕西、河南地区为高值聚类区, 且随时间变化, 高值聚类格局几乎未发生改变, 是国家制定协同减排策略的重点区域.东北、内蒙与西南地区为次高值聚类区, 表明这些地区交通碳排放水平较高, 仅次于碳排放高值聚类区省份.而新疆、青海地区一直处于低值聚类区.贵州、广西、福建、浙江等省份由次低值聚类区变为低值聚类区, 安徽、江苏等地区由高值聚类区变为次高值聚类区, 表明中国南部省域节能减排改善效果较为显著, 究其原因, 与地区运输装备能效及节能降碳技术水平提升、能源结构调整有一定关系.

3.2 碳排放影响因素的时空差异分析

在进行地理加权回归之前, 采用普通最小二乘法(Ordinary Least Square, OLS)对构建的回归模型进行检验.OLS回归结果显示, 外商直接投资(FDI)因素的方差膨胀因子(VIF)大于7.5, 表明该解释变量冗余, 故剔除该变量.剔除该变量后OLS、GWR回归结果见表 4, 地理加权回归AIC值为小于OLS结果, 校正R²为0.97~0.99, 表明构建的地理加权回归模型对自变量的解释能力较强, 各年份均通过检验.

对2000—2013年城镇化率、行业规模、能源效率及交通运输结构对各交通碳排放空间作用下的差异化影响进行分析, 因篇幅有限, 仅对2000年、2005年、2010年、2013年回归系数进行列示.

从全国整体演变维度来看(表 5), 城镇化率对交通碳排放的影响程度不断增加, 全国年均影响系数从2000年的0.4753增加到2013年的1.6184, 是影响程度增幅最大的因素.2000—2013年, 中国城镇化进程发展迅速, 从36.22%增长至53.73%, 城市范围“摊大饼”式扩张, 导致居民机动性交通需求不断增长.尽管国家“十二五”规划中明确指出发展城镇化应树立绿色、低碳发展理念, 但城镇化对交通运输碳排放的促进作用并无减缓趋势.行业发展规模在2000、2005年对交通碳排放程度无明显变化, 2010年、2013年行业发展规模对碳排放的影响系数分别下降至1.1675、1.0863, 表明行业发展对能源消耗的依赖程度有所下降.对于能源效率因素而言, 2000—2010年间对交通运输碳排放的抑制作用不断增强, 影响系数由2000年的-0.7428下降至2010年的-1.3878.2013年, 能源效率对交通运输碳排放的抑制作用有所减缓, 但仍是阻止碳排放继续增加的主要因素.对于交通运输结构来说, 其影响系数呈倒“V”型分布, 于2005年达到峰值, 在所有影响因素中对碳排放量增加贡献最大.

从省域演变维度来看, 城镇化率对交通碳排放的促进作用存在地区不均衡性.2000年、2005年城镇化率对碳排放的贡献程度“由南向北”逐渐递减.其中, 广西、广东、福建、浙江、上海、江西、湖南等城镇化率的贡献程度略高于其他地区.这些地区城镇化水平较高, 导致大量人口涌入、城市空间距离增加, 因交通需求上涨而引起的碳排放量随之增加, 并带动周边城市的交通碳排放上涨.2010年、2013年城镇化率贡献作用的空间格局发生改变, 呈“由西向东”逐渐递减趋势.其中新疆、青海、甘肃、四川、云南等地区城镇化率对碳排放贡献作用较东部地区相比增长显著, 平均系数由2005年的0.7543增长至2013年的1.7483, 而东部地区平均影响系数则由2005年的0.7544增长至2013年的1.5827(图 2).空间格局变化的主要原因是新一轮西部大开发重点加强了交通基础设施建设, 完善铁路、公路、民航、水运网络, 同时推进中部崛起战略, 巩固提升综合交通运输枢纽地位.且东部地区城镇化水平一直较高, 对碳排放正面贡献作用逐年减弱.

2000—2013年各省域交通运输业发展规模对碳排放的贡献作用呈下降趋势.2000年行业发展对碳排放的促进程度“由西南向东北”递减, 新疆、青海、甘肃、贵州、广西等省份略高于浙江、上海、江苏、京津冀及东北地区.2005年影响因素空间格局发生变化, 行业发展影响程度呈“由南向北”递减趋势.说明南部沿海、西南、长江中游地区交通运输业经济增长与能源消耗依存度相对较高, 行业发展与碳排放尚未实现脱钩.2010年、2013年影响因素空间格局未发生较大改变, 但华南、华东、华中、西南地区行业发展对碳排放促进作用的减缓速度要大于东北、西北、华北地区, 年均影响系数由2010年的1.2018下降至2013年的1.0971(图 3).说明云南、广西、广东、福建、江西、浙江等地区交通运输发展对于能源的依赖程度改善效果较为显著.

能源效率对各省域交通碳排放的抑制作用逐年增强, 说明提高节能减排技术水平对省域碳排放的降低均有明显作用.2000年、2005年能源效率对碳排放的抑制程度由“由东向西”依次降低(图 4).2010年, 能源效率对省域影响作用由西南、华南地区向西北、华中、华东、东北地区递减.其中, 广东、广西、云南、贵州、四川的能源效率作用效果较强.2013年能源效率对省域影响作用呈“西北、西南向东北地区”下降趋势, 东北、京津冀、东南沿海地区抑制作用相对较弱.主要因为近年来国家加大对西部省份科技研发水平的扶持力度且收到较好效果, 且东部地区行业发展规模对碳排放的拉动作用对技术水平的抑制作用有所稀释, 所以该因素对碳排放抑制作用有所下降.因此, 应进一步加强东北、京津冀地区节能降碳科研水平投入及协同减排策略的实施.同时, 应继续保持西北、西南地区节能低碳技术水平进步对碳排放抑制作用的优势, 继续争取国家相关政策支持.

由图 5可知, 2000年、2005年、2010年、2013年交通运输结构对碳排放的促进作用“由西向东”逐级递减.新疆、青海、四川、云南等地区受影响程度要明显高于东南沿海、京津冀及东北地区.其主要原因是国家推行东部地区率先发展战略, 推行京津冀、长三角、珠三角地区经济协同发展, 这些地区经济结构调整、科技创新能力、城镇化进程均处在全国前列, 其交通运输结构相对于西部地区也较为合理.同时可以看出, 2010、2013年城镇化率与交通运输结构对西部地区碳排放的促进作用均高于东部地区, 表明西部地区在城镇化建设中更应树立绿色交通规划理念与基础设施建设低碳化发展.尽管从时间序列角度来看, 西部省份运输结构对运输碳排放的促进程度呈下降趋势, 但新疆、青海、甘肃、四川等西部省份仍需继续调整交通运输结构, 将公路运输方式向铁路等低碳运输方式转移, 以实现交通运输的低碳化发展.

4 结论(Conclusions)

1) 我国交通运输碳排放呈现显著的空间聚类特征且聚类趋势逐年增强.在交通碳排放治理时，应对具有相同碳排特征的聚类区域制定协同减排政策.对各省域聚类特征进行分析发现，京津冀地区、辽宁、山东、山西、陕西、河南一直为交通碳排放的高值聚类区，是制定协同减排策略的重点区域.

2) 从影响因素全国整体演变维度来看，城镇化率、交通运输结构是促进碳排放增加的主要因素.行业增加值较前两个因素相比促进作用较弱，且促进作用呈逐年下降趋势，表明行业发展对能源消耗的依赖程度有所下降，而能源效率对碳排放的增加起到抑制作用.

3) 从省域演变维度来看，各影响因素对碳排放的影响存在区域差异性，但相邻省份具有相同的聚类特征.应依据各区域碳排放特点、影响因素作用程度及各地区资源禀赋、经济发展差异，制定差异化的节能降碳目标.其中，城镇化率是随时间对交通碳排放促进作用增幅最大的影响因素，对西部地区影响作用较大.行业发展因素对云南、广西、广东、福建、江西、浙江等南部省份交通碳排放影响作用改善较为显著，但对南部省份促进作用仍然较大.能源效率对西北、西南、华南地区交通碳排放的抑制作用较为明显，对东北、京津冀地区抑制作用最弱.公路运输结构占比对碳排放的促进作用呈“由西向东”逐级递减趋势，对新疆、青海、四川、云南等地区交通碳排放的促进作用较大.

5 建议(Suggestion)

1) 推进新型城镇化的过程中，尤其对西部省份，应注重绿色低碳综合交通运输体系建设.在城市规划过程中融入绿色交通发展理念，避免不必要的交通出行.增强交通发展节能降碳宣传教育，推广城市轨道交通、公交车、公共自行车等公共交通运输方式的使用.同时，应进一步加强绿色交通省份、城市的试点示范工作，进而对西部省份起到推广和借鉴作用.

2) 推进综合交通运输体系建设时，尤其是云南、广西、广东、福建、江西、浙江等南部省份，应注重行业增长与节能环保协调发展.应深入企业加强节能环保监测统计，建立交通运输行业节能降碳考评体系和奖惩机制.以税收减免、财政补贴等方式推广能源合同管理机制，降低行业发展对能源消耗的依赖性.

3) 应进一步加强东北、京津冀地区节能降碳科研水平投入，推进京津冀节能减排一体化发展.可以从两个方面提升交通运输能源使用效率：第一，调整交通运输能耗结构.降低汽油、柴油在交通运输能源消耗中的比重，增加天然气、液化天然气、电力、太阳能等清洁能源的使用.应推进道路运输车辆燃料清洁化程度，以试点、补贴等方式推广新能源与清洁能源汽车的使用.第二，增强运输装备技术研发的投资力度，推行中国交通运输装备标准化以控制能源消耗限额，提升中国运输装备碳排放效率.

4) 优化运输结构可借鉴欧盟“马可波罗计划”的经验，将公路运输向铁路、内河运输等更为低碳环保的运输方式转移，以促进多式联运与综合交通运输体系低碳化发展.同时，进一步重点推进西北、西南地区多式联运、甩挂运输试点的示范带动作用，完善铁路网建设，提高无缝衔接与能源使用效率，降低碳排放.加强低污染环保货车车型标准化建设，严控超载超限，使得大宗货物运输出于成本与承载能力考虑由公路运输转向铁路运输.