中国交通部门碳排放分析5篇中国交通部门碳排放分析 中冒工繁疆坍2001年第12期产业经济未来中国交通运输部门能源发展与碳排放情景分析+朱跃中内容提要中国交通运输部门未来能源的需求会受到下面是小编为大家整理的中国交通部门碳排放分析5篇,供大家参考。
篇一：中国交通部门碳排放分析
工繁疆坍2001年第12期产业经济未来中国交通运输部门能源发展与碳排放情景分析+朱跃中内容提要中国交通运输部门未来能源的需求会受到多种因素的影响，采用情景分析的方法对这些因素作合理的假定，可以对中国未来20年该部门能源需求和碳排放量进行详细的预测。能源发展碳排放量情景分析关键词交通运输部门一、方法论介绍近十多年来，国际上一些机构开始采取情景分析的方法，对所要预测的对象进行分析研究。所谓情景，它既不是预言，也不是预测，它只是展示了未来可能的发展方向。在进行情景设定④之前，人们需要对过去的历史进行回顾分析，然后对未来的趋势进行一系列合理的( Pl ausi bl e) 、可认可的(Recogni zabl e)、大胆的(Chal l engi ng)、白圆其说(Internal Consi stentl y)的假定，或者说确立某些未来希望达到的目标，然后再来分析达到这一目标的种种可行性及需要采取的措施。对中国的交通运输部门而言，未来能源需求会受到多种因素影响，如采取何种交通运输模式、未来交通运输格局如何、交通工具的能效水平状况、未来公共交通与小汽车的发展关系、人均G DP增长与交通需求的取向等等。也就是说，中国交通运输部门在未来十多年或者更长的时间内，其交通部门的系统结构存在着很大的不确定性和变数，因而采用情景分析法预测我国未来交通运输部门的能源需求，可以帮助我们更多地摆脱传统分析模式的束缚，进行国内外横向对比，充分反映科技进步对未来中国交通运输系统的作用，对未来交通部门的能源需求及能效水平进行更客观和深入的分析，反映未来我国交通部门能源效率水平提高趋势。我们也认识到，情景分析方法只是为我们的研究工作提供一个平台，拓宽和理顺我们的研究思路，使我们能够充分考虑未来社会经济发展的各种不确定性因素对该研究对象的作用和影响，对未来可能的不确定影响因素进行分类、组合，设计出该领域发展最可能的情景。此外，很重要的一点，就是要选择适合的定量分析工具，帮助我们对一些指标进行量化，借助模型工具得出不同情景下的发展状况，然后对这些结果进行比较、分析，得出相应的措施建议。在本研究项目中，课题组采用了LEAP模型预测分析了在未来不同情景下的中国交通运输系统的能源需求及其碳排放。LEAP模型是由斯德哥尔摩环境协会与美国波士顿大学( SEI+本论文引用了《中国中长期能源发展与碳排放情景分析研究》分课题《中国未来交通部门能源发展与碳排放情景分析研究》的部分成果，该项目是由能源基金会和壳牌基金会共同资助，在此表示感谢。①此处的情景设定主要是对一些定性分析指标的量化过程。一30一 万方数据万方数据一Boston) 共同开发的一个自下而上的计量经济模型，它可以根据终端用能的变化设置不同情景进行预测分析。具体而言，模型使用者可以基于目前状况以及对未来社会、经济和能源发展的不同理解，设定一系列的情景( 情景设计) ，并将相应的量化指标输入到模型当中，最后对不同方案的结果进行分析比较，为决策者提供参考。LEAP模型可以针对种种“ 如果⋯ 那么⋯ ” 的问题，进行预测分析，如对城市交通而言，模型使用者可以引入诸如“ 如果未来出现更多的交通高效燃烧技术，结果会怎么样?” ；“ 如果交通车辆能够使用洁净燃烧技术，那么未来能源需求会有什么变化?” ；“ 如果未来公共交通占主体，它会对交通能源需求以及排放产生什么影响?” 等等问题，根据研究需要，还可以综合方方面面的考虑，再设计出几种方案进行敏感性分析。二、LEAP模型分析框架及影响因素1．LEAP模型分析框架考虑到研究内容的完整性与数据收集的可获得性，本研究报告的交通运输系统可以分为城市客运、城间客运、货运3部分。城间客运与货运主要通过公路、铁路、水路、航空以及管道等运输方式来完成，城市客运主要指城市内部公共运输，主要由道路交通和地铁( 轻轨) 等方式完成。相应地，交通运输部门能源需求预测也由以上3部分的能源消费组成。城间客运和货运的能源需求预测基于未来我国客货运周转量的增长状况。首先综合国内权威研究机构对我国未来不同时期的客货运量、客货周转量的预测，得出预测期内不同时段的客货运结构( 运输结构) 以及各自提供的客货周转量。然后根据不同运输方式在预测期内可能达到的能源效率水平，也就是不同运输方式换算周转量单耗，得出未来不同时段的城间客运和货运的能源消费量。骸方案结合了《中国碳排放项目宏观情景分析报告》参考情景的基本假定，①此处课题组将其定义为REFEREN CE方案，也就是未来希望发生的情景；与BAU 方案和FRO ZEN 方案有所区别，在此方案的基础上，课题组借鉴西方发达国家在不同经济发展阶段时交通运输结构构成，并结合未来我国G DP增长状况、科技进步因素贡献率、国民消费观念、政府政策法规引导作用等因素，确定不同方案在不同时段可能的运输结构指标，预测届时城问旅客运输和货物运输的能源需求量，得出实现该目标时国家应采取的政策措施。城市客运的能源需求量存在很大的不确定性，主要取决于我国未来人均小汽车的拥有量与出行状况、城市公共交通体系的发展状况。目前我国道路运输系统的能源消费量占整个交通运输部门能源消费量的50％以上，②城市交通中车辆能源消费更是占绝对多数，因而城市交通的能源消费量主要是城市客运的能源消费量。城市交通能源需求的最大变数在于我国未来小汽车保有量趋势、小汽车届时达到的能源效率水平以及小汽车的利用率等因素。通过比较分析不同情景下的能源需求方案，可以发现不同交通模式、交通活动方式在能源消费构成中的地位变化以及所起到的作用，然后按节能潜力的大小进行排序。针对排序，提出不同层面的政策措施建议。2．主要影响因素( 1) 宏观社会经济因素。在进行宏观经济情景分析时，课题组主要考虑设定以下指标：①人①所谓参考情景，项目组定义为是以最希望、有可能发生为主要特点，该情景假定“ 十五” 期间中国政府制定的宏观社会、经济、能源、环境目标可以中等程度执行，并能取得一定效果；以后的10～20年里，则根据届时的社会发展趋势为依据，对今后的宏观经济、社会发展、技术进步、环境保护等等状况作出合理的判断和解释。②见‘ 中国交通运输系统“ 十五” 及后十年节能潜力分析研究》报告，北京能源效率中心，2000年。一一31— 万方数据万方数据
口增长状况；②城市化率；③经济发展目标；④产业结构；⑤通讯产业的发展等等。人口变化影响了交通部门的能源总需求量；城市化率则体现城乡居民在交通取向、能源消费品种、用能观念及用能习惯的差异，生活水平的高低直接影响人们出行方式的选择、出行率的变化；经济发展目标及产业结构的变化是影响能源需求总量以及能源构成变化的敏感性因子；通讯信息的发展，可能使未来中国发达地区的居民降低部分出行需求，但20年的变化对中国总体出行需求和客货运不会产生巨大影响。( 2) 燃料效率水平。针对能源效率水平的情景，课题组主要考虑以下指标：①不同运输模式的每百吨公里周转量单耗；民航每百吨公里换算量的单耗最高，公路次之，铁路、水路以及管道运输的单耗较低，因而不同的运输结构在完成同样的客货周转量，其能源消费也不相同。②不同类型小汽车的每百公里油耗。若在预测期内未来小汽车的保有量有很大的增长，则小汽车本身的能效水平将对交通部门的能源需求产生很大的影响。( 3) 政策因素。影响交通系统燃料消费的政策因素有：①国家能源发展战略( 影响大宗能源商品的运输) ；②区域规划与城市交通规划；③交通模式选择政策( 城市内部选择公共交通还是私人小汽车，城市间长途交通运输高速铁路与航空方式的选择，城市间中短途选择高速公路还是铁路方式等) ；④环境保护重视程度如何( 如是否制定较为严格的污染物排放标准，排放标准的范围扩大到何种程度，是否引入类似欧洲II或者欧洲III的排放标准，推行范围如何，等等。这些政策将对未来中国小汽车发展的燃料效率、替代燃料的发展产生重大影响) ；⑤燃料效率标准的制定( 选择何种类型的交通工具作为燃料效率标准推行的突破口，实施强制性的标准还是自愿性的标准) ；⑥是否有相应的财政政策( 如燃油税等) 。本研究小组也将针对这些因素考虑相应的参数选择。由于本研究项目主要是给政府制定“ 十五” 规划和中长期节能规划提供技术支持，因而前10年5年为一个预测时段，即2000年、2005年、2010年和2020年。出于资料可获得性的考虑，预测基期定为1998年，2000‘ 年的预测结果将与实际进行校核。三、情景分析与预测方案选择为了更科学地反映未来中国交通运输系统的能源( 燃料) 需求以及碳排放趋势，课题组根据未来20多年里中国社会经济发展趋势，结合中国交通运输系统的发展现状，并参考国外发达国家交通用能演变状况，设置了以下几种方案：①第一种方案是参考方案，也可称为中等目标方案：该方案假定，政府“ 十五” 规划中确立的社会经济发展目标能够基本实现，为此对中国未来交通用能产生的影响；2010年以后则以“ 十五” 规划目标能够基本实现后的发展趋势而定。第二种方案和第三种方案则是以参考方案为基准，针对交通模式的选择、交通工具能效效率水平以及环保要求的力度等敏感性因素而设定的，即交通模式变化方案和高效清洁方案。主要目的是与参考方案的燃料需求及污染物排放量进行比较分析。此外，为了使参考方案和BAU 方案的结果有一个相对直观的比较，课题组在参考方案基础上，还设定了BAU 方案，该方案主要假定，在预测期内产业布局、客运结构、货运结构、运输①为了便于对不同+方案的未来能源需求与碳排放进行比较，课题组假定，在国民经济增长率一定的情况下，未来中国的客运量、货运量、客货周转量均保持不变。交通模式优化方案中变化的则是客货运输结构，能源效率水平改进方案只是能效改进的幅度。城市客运的敏感性分析方案也有类似的假定。一32— 万方数据万方数据
部门基础设施投入、不同运输模式的能效水平没有特别大的变化或重大技术突破，而是处于很缓慢、渐进的状态，同时没有采取重大节能对策措施时的方案。四、预测结果与主要结论从中国交通运输部门能源需求看，无论是BAU 方案、参考方案、高效清洁方案，还是交通模式方案，其能源需求量增长速度均快于其他部门。到2020年其能源需求量在2．35亿～3．14亿吨标油，是1998年能源消费量的3．28～4．38倍。从四种方案的增长态势看，2010年之前，交通运输部门能源需求量差异不大。2005年最高方案( BAU 方案) 的预测结果比最低方案( 交通模式变化方案) 高4．1％，2010年高11．8％。主要由于该阶段我国私人交通燃料消费增加比较快；交通运输营运部门为了在市场上占有一定的份额，每种交通运输方式均以快速、舒适的服务方式赢取客户，导致该阶段能源需求差异不大。但2010年随着交通模式优化、技术进步等措施见效，其能源需求差别开始拉大。上述状况反映出：结论一：随着未来中国经济的稳定持续增长和人民生活水平的提高，中国交通运输部门的能源需求增长非常迅速，将明显快于全国能源需求增长速度。其中，城市客运的能源需求增长速度表现更为显著，主要原因在于私人交通能源需求的迅猛发展。结论二：通过合理配置资源，发展单耗低的交通模式，优化交通运输结构；提高交通工具的燃料效率，可以在满足交通运输需求的基础上，取得较好的节能效果。从分部门能源需求看，城市客运的能源需求增长要快于货运和客运部门，如果按照现有发展趋势，不采取诸如优化城市交通模式、颁布机动车燃料效率标准、征收燃油税以及出台环境排放等等任何政策措施，未来城市客运的燃料需求增长速度将非常惊人，从BAU 方案的预测结果看，1998年中国城市客运( 城市居民机动车出行，包括私人或单位车辆) 的能源需求量约820万吨标油，其中汽油消费量约770万吨；而随着预期城市居民小汽车出行的迅猛增加，到2020年城市客运的燃料需求将高达6900万吨标油，1998～2020年期间城间客运燃料需求的年均增长速度达到10．2％。如果在城市客运中，发展低能耗的公共交通，私人交通鼓励合乘制，到2020年中国城市客运的燃料需求将降到3370多万吨，比BAU 方案减少一半以上。如果“ 十五” 期末，针对小汽车最低燃料效率标准能够执行，并且在2005年以后发挥越来越大的作用，即便不改变城市交通模式，到2020年小汽车年燃料需求量将比BAU 方案少440多万吨标油；如果届时能够针对客货运的燃料效率制定标准，则整个交通运输仅效率提高，年节能量就达到5298万吨标油，占目前油品消费的1／4以上。从中可以得出如下结论：结论三：纯粹从节能的角度看，优化交通模式对未来中国交通运输系统，特别是城市客运的能源需求起着非常积极的作用。在特大城市构建轨道交通体系，开辟交通专用道，不仅可以解决城市交通堵塞的弊端，还可以降低燃料需求。在中小城市合理交通规划，鼓励公共交通和小汽车合乘制，也是未雨绸缪，可以解决未来城市发展后带来的种种问题。当然，应当看到出现该情况的前提是需要对城市基础设施的建设，特别是对地铁、公交专用线等公共交通设施的建设投入大量的资金，这将对地方政府产生极大的融资压力。结论四：政策因素对消费者的选择起一定的导向作用，在居民出行选择中，课题组考虑了“ 十五” 期间实行的燃油税政策，该政策一定程度上减缓了小汽车等私人交通的出行频率，增加了公共交通出行的选择。与其他方案相比，一定程度上促进了城市交通模式的结构优化。结论五：鉴于公路交通的燃料消耗在未来中国交通运输能源需求的比重相当高，抓...
篇二：中国交通部门碳排放分析
方数据1
万方数据
I 交通运输业碳排放时空差异与影响因素研究 摘 要 随着中国经济社会的快速发展，交通运输业逐渐成为仅次于能源和工业部门的主要碳排放源。由于各地区之间经济发展水平差距较大，碳减排政策设计需针对具体的地方特性区别实施。因此，通过对中国交通运输业碳排放的时空差异特征的探讨，识别碳排放的关键影响因素对于制定低碳交通运输碳排放政策，推进碳减排具有重要的意义。
本文运用 IPCC 推荐的“自上而下”法测算 2000-2016 年来我国 30 个省份（除港澳台西藏地区）的交通运输业碳排放总量、人均碳排放和碳强度，并以碳排放量为主要研究对象，利用 ArcGIS、Geoda 等地统计学软件和 Eviews 等计量经济学软件，分别从空间格局分布特征和其在时间轴上的发展演变趋势特征两方面测算、比较交通运输业碳排放的时空特征差异。最后，基于 Kaya 恒等式的 LMDI 因素分解法和地理加权回归分析法，对交通运输业碳排放建立影响因素模型，从时空二维视角，解析不同区域、不同时间段交通碳排放的正、负关键影响因素，从而提出我国交通运输节能减排政策建议。
本文主要研究结论为：（1）我国交通运输行业碳排放存在显著的全局和局域空间正自相关性特征，Moran 散点图将各省交通碳排放主要分布在 H-H 和 L-L 两个象限内，且集聚特征明显；（2）全国、东北地区、北部沿海地区、南部沿海地区、长江中游地区和大西北地区的交通碳排放在 2000-2006、2006-2011、2011-2016 三个连续时间段内分解差距持续增加，东部沿海地区、黄河中游地区以及大西南地区的交通碳排放分解差距表现为先增后减。（3）经济发展水平、人口规模和能源强度是我国交通运输业碳排放的关键影响因素，其中，前两个是正向因素，能源结构产生负向抑制作万方数据
II 用；经济发展水平是八大经济区在三个时间段内共同的关键正向因素，而其余因素的增减或正负变动，则进一步引起了各区域在不同阶段交通业碳排放量的变化。
综上所述，为实现我国交通运输业健康绿色稳定发展，应加快转变经济发展方式，优化产业经济结构，提高能源技术水平，加大对清洁能源的使用，最后完善交通体系，在全社会营造出低碳节能交通的氛围。
关键词：交通碳排放；空间自相关性；动态收敛；LMDI 因素分解；地理加权回归
万方数据
III Research on Spatial and Temporal Differences and Influencing Factors of Carbon Emissions in Transportation Industry Abstract: With the rapid development of China"s economy and society, the transportation industry has gradually become the main carbon emission source next only to the energy and industrial sectors. Due to the large gap in the level of economic development between different regions, carbon emission reduction policy design needs to be implemented according to specific local characteristics. Therefore, it is of great significance to identify the key influencing factors of carbon emissions for the formulation of low-carbon transport carbon emission policies and the promotion of carbon emission reduction through the discussion of the time-space difference characteristics of carbon emissions of China"s transport industry. This paper uses the IPCC recommended "top-down" method is calculated in 2000-2016 years of China"s 30 provinces (except Tibet, Hong Kong, Macao and Taiwan regions) transport carbon emissions, per capita carbon emissions and carbon intensity, and carbon emissions as the main research object, using the ArcGIS, Geoda statistical software and Eviews econometric software, respectively from the characteristics of spatial pattern of distribution and its development trends in the timeline feature both calculation and comparison of the transport of carbon emissions characteristics of space and time difference. Finally, based on the LMDI index decomposition method of Kaya identity and the Geographical Weighted Regression analysis method, the paper establishes the influencing factor model for the carbon emissions of transportation industry, analyzes the positive and negative key influencing factors of the traffic carbon emissions in different regions and different time periods from the perspective of space and time, and puts forward the policy suggestions for the energy conservation and emission reduction of transportation in China. 万方数据
IV The main research conclusions of this paper are as follows :(1) there are significant global and local spatial positive autocorrelation characteristics of carbon emissions in China"s transportation industry. (2) the north, northeast, coastal areas, the southern coastal region, the Yangtze river middle reaches and traffic in northwest area of carbon emissions in 2000-2006, 2006-2011, 2011-2016 three consecutive period decomposition gap continues to increase, the eastern coastal areas, areas in the middle reaches of the Yellow River and the southwest region traffic carbon decomposition gap first increase after decreases. (3) the level of economic development, population size and energy intensity are the key influencing factors for the carbon emissions of China"s transportation industry. The level of economic development is the key positive factor shared by the eight economic zones in three time periods, while the increase, decrease or positive and negative changes of other factors further lead to the changes of carbon emissions of transportation in different stages in each region. To sum up, in order to realize the healthy, green and stable development of China"s transportation industry, we should accelerate the transformation of economic development mode, optimize the industrial economic structure, improve the level of energy technology, increase the use of clean energy, and finally improve the transportation system to create a low-carbon and energy-saving atmosphere in the whole society.
Keywords:
Transport Carbon Emissions; Spatial Autocorrelation; Dynamic Convergence; LMDI Index Decomposition; Geographically Weighted Regression万方数据
V 目录
1 绪论 ....................................................................................................................................... 1 1.1 研究背景 ..................................................................................................................... 1 1.2 研究意义 ..................................................................................................................... 2 1.2.1 理论意义 ........................................................................................................... 3 1.2.2 现实意义 ........................................................................................................... 3 1.3 国内外研究综述 ......................................................................................................... 3 1.3.1 交通运输业碳排放测算 ................................................................................... 4 1.3.2 交通运输业碳排放时空特征分析 ................................................................... 5 1.3.3 交通运输业碳排放影响因素分析 ................................................................... 6 1.3.4 研究现状总结 ................................................................................................... 7 1.4 研究内容与框架 ......................................................................................................... 8 1.4.1 研究内容 ........................................................................................................... 8 1.4.2 研究框架 ........................................................................................................... 9 1.5 研究方法 ..................................................................................................................... 9 2 相关理论基础 ..................................................................................................................... 11 2.1 低碳交通理论 ........................................................................................................... 11 2.2 空间计量经济学理论 ............................................................................................... 11 2.3 因素分解理论 ........................................................................................................... 12 3 交通运输业碳排放的测算和现状分析 ............................................................................. 15 3.1 交通运输业发展现状 ............................................................................................... 15 3.2 交通运输行业碳排放的测算 ................................................................................... 16 3.2.1 数据来源与处理 ............................................................................................. 16 3.2.2 碳排放的测算模型选取 ................................................................................. 16 3.3 交通运输行业碳排放的测算结果及分析 ............................................................... 18 3.3.1 交通运输行业碳排放总量分析 ..................................................................... 18 3.3.2 交通运输行业人均碳排放量分析 ................................................................. 20 3.3.3 交通运输行业碳强度分析 ............................................................................. 21 3.3.4 交通运输行业能源结构分析 ......................................................................... 23 万方数据
VI 3.4 本章小结 ................................................................................................................... 25 4 交通运输业碳排放时空特征分析 ..................................................................................... 27 4.1 模型选取 .................................................................................................................... 27 4.1.1 建立空间权重矩阵 ......................................................................................... 27 4.1.2 全局空间自相关性分析方法 ......................................................................... 28 4.1.3 局部空间自相关性分析方法 ......................................................................... 28 4.2 实证分析 ................................................................................................................... 29 4.2.1 全局空间自相关性分析 ................................................................................. 29 4.2.2 局部空间自相关性分析 ................................................................................. 30 4.3 动态收敛分析 ........................................................................................................... 34 4.4 本章小结 ................................................................................................................... 36 5 交通运输业碳排放影响因素分析 ...........................................
篇三：中国交通部门碳排放分析
12 年第 4 期能 源 战 略 与 低 碳 经 济 研 究中国交通部门碳排放分析⊙池熊伟[摘要]中 国 交通碳排放属 于高碳排放。通过测 算， 中 国 交 通部门 的 二氧化 碳排放量从 1991 年的151.6Mt 增长到 2009 年的 602.3Mt， 年均增长率为 15.6%。
进一步比较各种交通方式的碳排放量和碳排放效率， 可知公路是碳排放效率最低的交通方式， 水路则是碳排放效率最高的交通方式。
通过与发达国家进行横向比较， 发现中国公路碳排放效率明显低于发达国家水平， 水路碳排放效率则呈现出 “两极化”分布， 而航空客运因其规模效应而高于发达国家水平。
排放技术标准偏低、基础设施技术含量偏低、运输企业管理水平较低、私人机动化程度提高等问题， 是造成中国公路碳排放效率低下的主要原因。
发展电气化铁路和水路等清洁交通方式是中国交通低碳化的主要调整方向。[关键词]碳排放； 交通部门； 碳排放效率； 低碳交通[中图分类号]F124.5；F503[文献标识码]A[文章编号]1674-6848（2012）04-0056-07[作者简介]池熊伟（1986—）， 男 ， 浙江金华人， 浙江理工大学经济管理学院、生态经济研究中心硕士研究生， 主要从事低碳交通、转型升级等方面的研究。
（浙江杭州310018）[基金项目 ]中国经济改革研究基金会 2010 年招标项目 “资源价格及财税体系改革与低碳经济的发展”、浙江理工大学研究生创新基金项目 ( YCX-S11029) 的阶段性研究成果。Title: An analysis of Carbon Emissions from Transportation Sector in ChinaAuthor: Chi XiongweiAbstract: Carbon emissions from transportation sector in China are high-carbon emissions. Through calcu-lating CO2emissions in transportation sector in China from 1991 to 2009, we can conclude that CO2emissions intransportation sector are 151.6Mt in 1991, growing to 602.3Mt in 2009. Average annual growth rate of CO2emis-sions in transportation is 15.6%. Comparing CO2emissions and efficiency of different transport modes, we find thathighway is the lowest in carbon efficiency, but waterway is the highest. Through the comparison with the figures ofthe developed countries, we can draw the conclusion that highway carbon efficiency is significantly lower than thatof the developed countries, the waterway carbon emission efficiency distribution is“polarized”, and the passengerairline is higher than that of developed countries because of its scale effect. Besides the lower level of emissionstandard, lower infrastructure technology, poor enterprise management and increased private motorized degree arealso the main reasons for low efficiency of carbon emissions on highway. Developing the electrified railway andcleaning mode of waterway is a direction for low carbon transportation in China.Key words: carbon emission; transportation sector; carbon emission efficiency; low carbon transportation56
交通快速机动化发展阶段的到来， 势必会对稀缺要素的供给保障产生强烈的冲击。
无论是从能源的供给保障还是从碳排放的角度看， 发展低碳交通已成为中国政府的不二选择。
然而在发展低碳交通之前， 对于交通碳排放状况进行分析是至关重要的。
如果中国交通碳排放现状已经处于低碳水平的话， 那么就没有发展低碳交通的必要。
鉴于此， 本文对中国交通部门的碳排放总量、各种交通方式的碳排放量和碳排放效率等进行了分析， 并与发达国家作了横向比较。一、 中国交通部门的碳排放总量分析随着我国经济的跨越式增长， 中国交通部门的碳排放也呈现出 持续增长的趋势。
本文根据《2006 年 IPCC 国家温室气体清单指南》的指导方法， 运用排放因子法， 测算了中国交通部门1991-2009 年的二氧化碳排放量（见图 1）。
碳排放量只需要在二氧化碳排放量的基础上乘上其碳含量（12/44）。
二氧化碳排放量测算公式如下：二氧化碳排放量= ∑ Ei× EFi（1）其中 E 表示燃料消耗量，EF 表示燃料的排放因子（见表 1），i 表示交通燃料的类型。从图 1 可以发现， 在整个研究时间段内， 二氧化碳排放量增速明显， 年均增长率为 15.6%。从碳排放增长率的角度看， 可以分为两个阶段：1991-2002 年碳排放增速较为平稳， 从 1991 年的 151.6Mt 提高到 2002 年的 269.8Mt， 年均增长率 为 6.5%；2003-2009 年 碳 排 放 增 速 加 快 ， 从2003 年的 335.7Mt 提高到 2009 年的 602.3Mt， 年均增长率为 11.3%。根据 IPCC 的燃料碳排放因子， 可以发现燃料单位碳排放之间的关系为：
煤炭＞柴油＞煤油＞汽油＞天然气。
从煤炭—柴油—天然气的变动趋势可以看出 ， 中国交通结构调整趋向“低碳化”，但是总体上交通部门还是处于高碳排放的状态。交通领域有着明显的存量效应， 高碳技术的机动车比例较高， 这在很大程度上决定了中国交通的高碳排放。
随着铁路电气化、水路高效化、公路清洁化的发展， 交通结构有了明显改善。燃料类型原油汽油煤油柴油燃料油天然气液化石油化排放因子73300693007190074100700005610063100燃料类型原煤洗精煤其他洗煤焦炭焦炉煤气其他煤气979739460094600107004440044400表 1燃料缺省排放因子（ 单位：kg/TJ）图 1中国交通部门的二氧化碳排放量（单位：Mt ）中国交通部门碳排放分析57
2012 年第 4 期二、 各种交通方式的碳排放量分析（一）公路碳排放量分析公路承担着绝大多数的中短途运输， 是占交通碳排放比重最大的子部门。
随着经济快速发展， 公路运输得到了大力发展。
1991-2008 年公路部门的客运周转量增加了 334%， 货运周转量增长了 859%， 与此相伴随的是公路能耗和碳排放量的快速增长， 其中以柴油和汽油消耗最为明显。
随着交通领域节能减排的相关政策出台， 使用 电力、天然气、生物燃料等清洁燃料的机动车比例有所增加。从全社会交通碳排放角度看， 公路碳排放应包括营运性公路运输业的碳排放和非营业性公路运输业的碳排放。
2005 年我国营业性载货汽车和载客汽车共消费汽油为 0.17 亿吨， 柴油为0.39 亿 吨 ， 排 放 二 氧 化 碳 分 别 为 50.68Mt 和122.13Mt， 占交通碳排放的 11.9%和 28.6%， 单单公路营运性 运输的 碳排放就占 交 通碳排放的40.5%。①随着经济增长， 非营运性碳排放所占比例会逐年增加。
按保守的统计数据估计， 全社会公路碳排放占交通碳排放的 70～80%。（二）铁路碳排放量分析铁路作为现阶段重要的交通方式， 承担着中长途的客货运任务。
铁路部门通过电气化结构调整， 基本上实现了 铁路发展与碳排放的相对脱钩。
到“十一五”末， 铁路电气化率达到了 45%左右， 在铁路总运输量大幅度增长的情况下， 总能耗和碳排放没有大幅增长。
通过 1990-2005 年中国铁路企业的碳排放量比较（见表 2）， 可以发现铁路企业的碳排放逐年降低，2003 以后一直维持在 30Mt 左右。由于没有考虑电力因素， 碳排放测算量无法完全反映出电气化结构调整的实际贡献。
何吉成和吴文化指出 ，33 年来电气化铁路使得中国 铁路运输行业的直接减碳量为 426.7 万吨， 直接减碳量年均增长 48.3 万吨。
电气化结构调整为减少铁路能耗、二氧化碳排放发挥了重要的作用。②（三）航空碳排放量分析航空运输业在经济增长、管制放松、科技进步等因素作用下， 得到了快速发展。
相关统计数据表明， 换算周转总量从 1991 年的 30.2 亿吨公里增加到 2008 年的 376.8 亿吨公里， 提高了 10倍左右； 民用飞机拥有量从 1990 年的 503 架， 增加到 2009 年的 2181 架。③航空运输总量和飞行里程的增加， 一方面增加了 能耗和碳排放， 为节能减排的实现增加了 难度； 另 一方面， 规模效应①吴文化、樊桦、李连成：
《交通运输领域能源利用 效率、节能潜力与对策分析》， 《宏观经济研究》2008 年第 6 期， 第 28-33 页。②何吉成、吴文化：
《中国实现铁路电气化的节能减排量估计》， 《气候变化研究进展》2011 年第 1 期， 第 29-34 页。③中华人民共和国国家统计局：
《中国统计年鉴 2010》， 北京：
中国统计出 版社，2010 年。19901991199219931994199519961997煤炭38.836.634.131.029.627.926.523.6柴油8.59.29.810.611.412.212.914.019981999200020012002200320042005煤炭19.617.115.915.214.413.813.313.6柴油14.115.115.816.316.316.717.518.4表 21990-2005 年中国铁路企业碳排放量比较（单位：Mt）数据来源：
周新军：
《我国铁路能源消耗和节能现状》， 《中外能源》2009 年第 3 期， 第 87-92 页。注：
为了避免重复计算， 表中数据未包括电力机车的碳排放；2003 年以后煤炭没有作为动力用能， 其碳排放量应属于其他部门， 为了数据的完备性， 没有分开处理。58
图 2航空历年碳排放量和碳排放水平提高了航空的能源利用效率和碳排放效率。近 20 年航空部门碳排放量呈现出上升趋势（见图 2）。
在整个时间段内 ， 航空部门碳排放量累积增长了 7.88 倍， 到 2008 年达到了 36.4Mt。2003 年以来， 航空部门碳排放增速加快。
可以预见的是， 随着经济增长， 航空碳排放将会以较快的碳排放速度增长。（四）水路碳排放量分析水路运输作为综合交通运输体系的重要组成部分， 承担着中国 90%以上外贸的货运运输工作。
中国具有内河流域长、沿海区域广阔的特点，适合发展运能大、成本低、能耗少的水路运输。“十五”期间，水路货运量年均增长率为12.4%，远洋货运量年均增长率高达 16.2%， 水路运输得到了较大的发展。
“十五”期间水路营业性船舶燃油消耗和碳排放量见表 3。
从表 3 可知， 在此期间， 总体上水路运输碳排放呈现上升趋势， 到2005 年达到了 39.7Mt。
据相关研究， 考虑到非营业性运输船舶油 耗，2005 年中国 水路运输的实际碳排放量将达到 61.5Mt。①目 前水路碳减排的存在问题主要体现在：
宏观层面， 水路运力结构需要调整， 主要包括内 河船型标准化、老旧船和劣质船整治等方面； 船运市场的无序竞争， 使得水路运输的碳排放效率低下； 航道基础设施投入的不足， 一定程度上降低了船舶的碳排放效率。
在微观层面， 主要存在运输企业管理水平低下、 能源管理基础工作不完善、碳减排意识薄弱等问题。指标200020012002200320042005燃油消耗量（万吨）117512531009102213031356二氧化碳排放量（百万吨）34.436.729.529.938.139.7换算周转量（亿吨· 公里）12788.176586②16689.416151.222796.820589.5燃油单耗（Kg /千吨· 公里）9.27.4③6.06.295.726.59碳排放水平（Kg/千吨· 公里）26.921.717.618.416.719.3表 3“十五”期间水运营业性船舶燃油消耗和碳排放量①李连成， 吴文化：
《我国交通运输业能源利用效率及发展趋势》， 《综合运输》2008 年第 3 期， 第 16-20 页。②统计数据异常， 应该有误。③数据来自 于李连成、吴文化：
《我国交通运输业能源利用效率及发展趋势》。中国交通部门碳排放分析59
2012 年第 4 期三、 不同交通方式的碳排放效率比较交通方式碳排放效率受多种因素影响， 一般来说， 技术水平是最主要的影响因素。
随着科技发展， 交通方式碳排放效率会持续提高。
交通基础设施、交通状况、交通行为、运输企业管理水平等都是影响碳排放效率的重要因素。
可以说， 在一定发展阶段， 交通基础设施、交通状况等外部环境更能够影响碳排放效率。表 4 列举了近 20 年来各交通方式的碳排放水平， 可以发现碳排放水平较低的交通方式是水运， 最高的则是航空。
值得注意的是公路的碳排放水平。
比较历年我国营业性道路运输客货运的碳排放水平发现， 客货运碳排放水平持续增加。得益于电气化结构调整， 铁路低碳化战略地位逐渐凸显。
从交通方式碳排放水平看，2003 年我国各交通模式百吨· 公里碳排放量指标， 航空燃油消耗排放二氧化碳为 103.6kg， 公路汽油消耗排放二氧化碳为 20.6kg， 柴油消耗排放二氧化碳为 16.4kg， 铁路柴油 消耗排放二氧化碳仅为1.6kg。①从公路转移 1 万吨· 公里运输量到铁路，可以节约柴油约 0.47t，减少二氧化碳排放为1.5t。按照 2007 年公路货物周转量 11355 亿吨· 公里测算， 假如全部转移到铁路运输， 可以节约柴油53.4Mt， 减少二氧化碳排放为 168.7Mt。②现阶段，铁路碳排放效率是各交通方式中最高的， 略高于水路运输。
而随着水路基础设施建设的提升、船舶标准化等措施的实现， 可以预见水路碳排放效率无疑将是最高的。四、 与发达国家交通方式的碳排放效率进行比较（一）公路运输碳排放效率低于发达国家中国汽车工业发展落后于发达国家， 发动机排放技术标准的制定主要依据欧美国家的标准。目 前欧美国家已经使用欧Ⅴ 排放标准， 而中国的排放标准基本上相当于欧Ⅲ 的排放标准。
因此，从技术水平上看， 中国公路的碳排放效率明显低于欧美发达国家。由 2000 年德国的环境报告可知， 德国在客运交通方面， 每百人公里二氧化碳排放量， 公路为 16.8kg， 航空为 13.4 kg， 铁路为 4.8 kg； 在货运交通方面， 每百吨公里二氧化碳排放量， 公路为79.8kg， 航空为 10.7kg， 铁路为 2.6kg。
其铁路客运的碳排放量约为公路客运的 1/4， 铁路货运的碳排放量仅为公路货运的 1/30。③通过与中国交通碳排放效率进行比较， 发现德国公路的货运碳排②王庆云：
《交通运输的可持续发展观》， 《综合...
篇四：中国交通部门碳排放分析
环境科学2020,40(10)：4304~4313 China
Environmental
Science
中国交通碳排放及影响因素时空异质性
曾晓莹,邱荣祖,林丹婷,侯秀英,张兰怡,胡喜生 *
(福建农林大学交通与土木工程学院,福建 福州 350108)
摘要：选取 30 个省级行政单位作为空间单元,采用探索性空间数据分析(ESDA)方法对交通碳排放时空分布格局进行研究,同时考虑空间单元的差异性,构建地理加权回归(GWR)模型分析交通碳排放影响因素的时空异质性.研究发现:2000~2015 年交通碳排放量呈现显著的空间聚类特征,聚类趋势逐年加强.双变量空间自相关指数为 0.165~0.274,显著性水平介于 0.016~0.045,表明交通碳排放同机动车保有量、GDP、货运周转量及客运周转量之间存在显著的空间正相关关系.GWR 模型的 R 2 在 0.783~0.865 之间,而 OLS 模型的 R 2 在 0.675~0.844 之间,且 GWR 模型的 AICc 值均低于 OLS 模型的,说明GWR 模型的拟合结果明显优于 OLS 模型,可以更好地解释交通碳排放的影响机制.GWR 的回归结果表明碳排放的影响因素存在明显的时空异质性特征,其中 GDP 是主要的推动因素,部分地区回归系数高达 0.91,2000 年影响程度由东向西递减,而 2005、2010 和 2015 年由北向南递减.客运周转量起到关键的抑制作用,影响程度由东北向西南递减.因此建议应当充分考虑碳排放影响因素的时空异质性特征,制定差异化的碳减排政策.
关键词：探索性空间数据分析；地理加权回归；交通碳排放；时空异质性
中图分类号：X511
文献标识码：A
文章编号：1000-6923(2020)10-4304-10
Spatio-temporal heterogeneity of transportation carbon emissions and its influencing factors in China. ZENG Xiao-ying, QIU Rong-zu, LIN Dan-ting, HOU Xiu-ying, ZHANG Lan-yi, HU Xi-sheng *
(School of Transportation and Civil Engineering, Fujian Agriculture and Forestry University, Fuzhou 350108, China). China Environmental Science, 2020,40(10)：4304~4313 Abstract：Taking the 30 provinces in Mainland China as spatial analysis unit, the exploratory spatial data analysis (ESDA) method was employed to explore the spatio-temporal pattern of the transportation carbon emissions. Moreover, considering the spatial non-stationary, the geographically weighted regression (GWR) model was applied to analyze the spatio-temporal heterogeneity in the influencing factors of the transportation carbon emissions. The results indicated a significant spatial agglomeration in the transportation carbon emissions, and showing a gradual upward trend across time during the studied period 2000~2015. The Moran’s I indices of the Bivariate spatial autocorrelation were 0.165~0.274 and the statistical significance levels were 0.016~0.045, indicating that there was a significant spatial positive correlation between the transportation carbon emissions and the variables, such as motor vehicle population, GDP, freight turnover and passenger turnover. The R 2
of the GWR models were between 0.783 and 0.865, while the R 2
of the OLS models were between 0.675 and 0.844; moreover, the AICc values of the GWR model were lower than those of the OLS models’, demonstrating the goodness of the GWR models compared to the OLS models. This indicates that we can use the outcomes of the GWR models to better explain the impact mechanism of the transportation carbon emissions. The analysis of the GWR revealed that the influencing factors of the transportation carbon emissions had obvious spatio-temporal heterogeneity. GDP was among the major driving factors, with regression coefficient as high as 0.91 in some areas. The impact of GDP decreased from east to west in 2000, while decreasing from north to south in 2005, 2010, and 2015. The passenger turnover played a key inhibitory role, with its influence decreasing from northeast to southwest in all of the study years. In this context, the spatio-temporal heterogeneity of carbon emission influencing factors should be fully understood to formulate differentiated carbon emission reduction policies. Key words：exploratory spatial data analysis；geographically weighted regression；transportation carbon emissions；spatio-temporal heterogeneity
交通运输业已成为我国仅次于工业的第二大碳排放行业 [1] .根据国际能源署的预测,到 2035 年中国交通碳排放量将占世界交通碳排放量的三分之一以上 [2] .国内外学者对交通碳排放做了大量研究.研究尺度主要集中在全国、省域以及市域.研究内容主要集中在碳排放量和碳排放强度的测算及时空分布特征等方面 [3- 5] .如袁长伟等 [6] 发现中国省域交通全要素碳排放效率存在明显的聚集状态,变动趋势符合典型的环境库兹涅茨曲线;Li 等 [7] 分析了中国341个城市交通碳排放量的空间格局演变,发现城市一级的交通碳排放存在巨大的地区差异.还有不少学者从人口规模、经济发展、产业结构、能耗水 收稿日期：2020-03-09
基金项目：国家自然科学基金资助项目(31971639);福建省自然科学基金面上项目(2019J01406);福建省社会科学规划一般项目(FJ2017B090) * 责任作者, 教授, xshu@fafu.edu.cn
10 期 曾晓莹等：中国交通碳排放及影响因素时空异质性 4305
平等角度分析交通碳排放影响因素,研究方法主要采用 LMDI 模型、空间计量模型、STIRPAT 模型、灰色关联度分析法等.如李若影 [8] 基于空间计量模型,研究人口规模、富裕程度、交通技术水平等因素和交通碳排放量在空间上的相互影响;Bai 等 [9] 采用LMDI 法分解并比较了“十一五”和“十二五”期间交通碳排放的影响因素;吕倩 [10] 构建 STIRPAT 模型对京津冀地区汽车运输碳排放进行影响因素分析. 交通碳排放规律的研究多数都是基于时间序列的全局分析,忽略了研究单元之间的相互作用以及空间异质性 [11- 12] .中国地域辽阔,省域之间的经济发展、资源禀赋、交通基础设施存在显著差异,导致地区之间的交通碳排放水平差异很大.地理加权回归(GWR)模型具有较强的空间数据局部分析能力,能够很好的揭示空间异质性条件下的空间关系,广泛的运用于地理学、经济学等领域,但在交通碳排放方面应用较少 [13] .本研究采用探索性空间数据分析(ESDA)方法分析省域交通碳排放量的时空分布特征;采用 GWR 模型对省域交通碳排放的影响因素进行空间异质性分析,揭示其时空分布特征及影响规律. 1
研究方法 1.1
碳排放测算方法 对于移动排放源,有 2 种主要的碳排放量计算方法.一种是“自下而上”法 [14] ,主要基于汽车行驶里程计算碳排放量,在道路运输领域得到了广泛的应用.另一种是“自上而下”法 [15] ,可根据消耗的燃料量测算碳排放量.由于中国各类机动车行驶里程、单位里程燃料消耗量等数据可获性较差,而燃料消耗数据以及计算参数获取方便.因此,本文使用“自上而下”法来估算中国除西藏、香港、澳门、台湾以外30 个省(自治区、直辖市)的交通碳排放总量. 化石燃料碳排放量计算公式如式(1):
9144CF FC ALC12i i i iiC R== × × × ×∑ (1) 式中:CF表示化石燃料消耗产生的交通碳排放量,kg CO 2 ;i 表示燃料种类,包括原煤、焦炭、原油、汽油、煤油、柴油、燃料油、液化气、天然气 9 种化石燃料;FC 表示化石燃料消耗量,kg;ALC 表示能源平均低热值,kJ/kg;C 表示碳含量,t/TJ;R 表示碳氧化率,%. 电力碳排放量计算公式如式(2):
CE EC EF = ×
(2) 式中:CE 表示电力消耗产生的交通碳排放量,kg CO 2 ;EC 表示电力消耗量,kWh;EF 表示电力碳排放因子,kg CO 2 /kWh. 省域交通碳排放总量计算如式(3):
CT CF CE = + (3) 式中:CT 表示省域交通运输碳排放总量,kg CO 2 . 表 1
计算化石燃料碳排放量所需参数 Table 1
Parameters of fossil fuels used to calculate the carbon emissions 燃料种类 能源平均低热值 碳含量 碳氧化率 i ALC (kJ/kg) C (t/TJ) R 原煤 20908 26.37 0.94 焦炭 28435 29.42 0.93 原油 41816 20.08 0.98 汽油 43070 18.90 0.98 煤油 43070 19.60 0.98 柴油 42652 20.20 0.98 燃料油 41816 21.10 0.98 液化气 44200 17.20 0.98 天然气 38931 15.32 0.99
表 2
各省电力碳排放因子 Table 2
Carbon emission factors of electricity in different provinces 电力碳排放因子 省(自治区、直辖市) EF (kg CO 2 /kWh) 北京、天津、河北、山西、山东、内蒙古 1.246 辽宁、吉林、黑龙江 1.096 上海、江苏、浙江、安徽、福建 0.928 河南、湖北、湖南、江西、四川、重庆 0.801 陕西、甘肃、青海、宁夏、新疆 0.977 广东、广西、云南、贵州 0.714 海南 0.917
由于电力生产和燃料消耗的碳排放因子受燃料数量和消耗技术水平的影响,在短期内相对稳定,同时因无法获得有关中国电力生产和燃料消耗碳排放因子的年度数据,因此本研究采用碳排放因子的标准值计算.化石燃料的碳含量、碳氧化率(表 1)和电力碳排放因子(表 2)均来自《省级温室气体清单编制指南(试行)》 [16] ,化石燃料消耗数据、电力消耗数据和能源平均低热值均来自《中国能源统计年鉴》 [17] . 1.2
ESDA
4306 中
国
环
境
科
学 40 卷
1.2.1
热点分析
热点分析(Getis-Ord G i * )通过计算数据集中每一个要素的Z值和P值,获得高值或低值要素在空间上发生聚类的位置,从而能够直观的了解高值或低值要素在何处发生了聚类以及聚集程度.其表达式为:
( ) ( )*1 1n ni ij i ii iG d w d x x= == ∑∑ (4)
( )( )( )Vari iiiG E GZ GG∗ ∗∗∗−=
(5) 式中:( )iE G ∗ 、( )VariG ∗ 分别为iG ∗ 的期望和方差, ( )iZ G∗为式(4)标准化的结果.( )iZ G∗值越大,表示该区域存在高值空间聚类,属于热点区域;( )iZ G∗越小,表示该区域存在低值空间聚类,属于冷点区域. 1.2.2
双变量空间自相关
为了刻画多个变量之间的空间相关性,Anselin [18] 在 Moran’s I 指数的基础上提出了双变量空间自相关,为探讨不同变量的空间分布特征提供了可行方法.双变量空间自相关在描述 2 个变量的空间关联和分布特征上具有较高的适用性,公式如式(6)~式(8):
1ni i jkl k ij ljI Z W Z==∑ (6)
( )i ik k k kZ X X σ = −
(7)
( )j jl l l lZ X X σ = −
(8) 式中:ikX 为空间单元 i 属性 k 的值;jlX 是空间单元 j属性 l 的值;kX 、lX 分别是属性 k、l 的平均值;kσ 、lσ 分别是属性 k、l 的方差. 1.3
时空异质性分析 1.3.1
地理加权回归
GWR 模型将数据的空间位置引入回归参数中,通过对样本点赋予不同的权重进行局部回归估计,即回归参数随着地理空间位置的不同而不同,从而克服了普通最小二乘法忽略空间效应、回归系数基于区域平均的缺陷.其模型表达如下:
( ) ( )01nk ik ikβ β ε== + +∑ i i i i iy u ,v u ,v x
(9) 式中,y i 为 n×1 维解释变量;x ik 为 n×k 维解释变量矩阵 ; ( )i iu ,v 为 第 i 个 观 测 点 的 空 间 位 置 坐标; ( )kβi iu ,v 为影响因素k在回归点i的回归系数;ε i为独立分布的随机误差项,服从正态分布. 1.3.2
变量选取与数据来源
交通碳排放的影响机制复杂,影响因素众多.大部分学者利用LMDI方法进行因素分解,或者根据 STIRPAT 模型从人口、富裕程度、技术因素角度进行研究.本文在参考前人的研究结果的基础上 [19- 23] ,主要以交通运输行业发展水平为研究视角,首先利用 ArcGIS 软件对道路网密度、城镇化水平、人口密度等 10 个候选变量进行探索性回归,筛选出影响程度大的变量,最大化提高模型的解释能力,并对回归结果进行频数统计.同时由于 GWR 模型对变量间是否存在多重共线性要求较高,变量的选取应尽可能精简.选取机动车保有量(VP)、GDP、货运周转量(FT)以及客运周转量(PT)4 个影响因素,考察其对 2000~ 2015年省域交通碳排放量(CT)影响的时空差异.为消除量纲不同带来的影响,对变量进行归一化处理,模型构建如下: ( ) ( ) ( )0 1 2CT VP GDPiβ β β = + +i i i i i iu ,v u ,v u ,v
( ) ( )3 4FT PTiβ β ε + + +i i i iu ,v u ,v
(10) 各省(自治区、直辖市)机动车保有量、GDP、货运周转量、客运周转量数据均来源于《中国统计年鉴》 [24] . 2
结果与分析 2.1
碳排放空间相关性分析 2.1.1
碳排放热点分析
采用自然间断点分级法将式(1)算出的各年份( )iZ G∗值按从大到小顺序分为高值聚类区、次高值聚类区、次低值聚类区、低值聚类区.由于省域交通碳排放高低值空间聚类特征随时间变化不大,故等间距抽取 2000、2005、2010和 2015 年的聚...
篇五：中国交通部门碳排放分析
琴，王兆峰． 中国交通碳排放效率的空间关联网络结构及其影响因素［J］． 中国人口·资源与环境，2021，31( 4) : 32 － 41．［SHAOHaiqin，WANG Zhaofeng． Spatial network structure of transportation carbon emissions efficiency in China and its influencing factors［J］． Chinapopulation，resources and environment，2021，31( 4) : 32 －41．］收稿日期:2020 －05 －06 修回日期:2020 －09 －14作者简介: 邵海琴，博士生，主要研究方向为低碳经济、旅游地理。E-mail: 15974242503@163． com。通信作者: 王兆峰，博士，教授，博导，主要研究方向为旅游地理。E-mail: jdwzf@126． com。基金项目: 国家自然科学基金项目“城际交通与都市圈旅游空间格局协同演化机制研究”( 批准号: 41771162) ; 湖南省国内一流培育学科建设项目“地理学”( 批准号: 5010002) 。中国交通碳排放效率的空间关联网络结构及其影响因素邵海琴 王兆峰( 湖南师范大学旅游学院，湖南 长沙 410081)摘要 准确把握交通碳排放效率空间关联结构及其影响因素对促进交通运输业乃至区域高质量协调发展具有重要意义。在利用基于理想决策单元参照的交叉效率模型对中国省域交通碳排放效率进行科学测度的基础上，运用社会网络分析法探究中国省域交通碳排放效率的空间关联网络结构及其影响因素。研究表明: ①研究期间中国省域交通碳排放效率已形成较为复杂的、多线程的网络关联关系，但其网络关联结构仍较疏松，且呈现出“东密西疏”的等级梯度特征。②中国交通碳排放效率关联关系在空间上形成了以区域为边界的“条块分割”，派系结构较为明显。其中，东部地区与中部地区联系较为紧密，与西部和东北地区联系一般; 中部地区则主要表现出与东部和西部地区较强的连接状态，与东北地区的联系相对较少; 而东北地区与西部地区的联系较弱。③上海、北京、浙江、广东、江苏、天津等发达省份在交通碳排放效率关联网络中处于核心主导地位，对交通碳排放效率空间关联性的影响显著; 而黑龙江、吉林、新疆、青海等东北和西北偏远省份在网络中则处于绝对边缘位置，对交通碳排放效率空间关联性的影响较弱。④省区距离、经济发展水平差异、交通运输强度差异和交通运输结构差异对中国省域交通碳排放效率空间关联网络产生显著负向影响; 节能技术水平差异则对其产生显著正向影响，而交通能源结构差异和环境规制差异的回归系数为正但不显著，其响应机制和响应效果仍有待完善和增强。关键词 交通碳排放效率; 空间网络结构; 影响因素; 社会网络分析中图分类号 X322; F512 文献标识码 A 文章编号 1002 －2104( 2021) 04 －0032 －10 DOI:10． 12062/cpre．20200917全球气候变暖已成为制约经济社会可持续发展的重要障碍，如何有效控制与降低以二氧化碳为主的温室气体排放成为摆在人类面前的重大课题。作为国民经济和社会发展的基础载体和战略先导产业，交通运输业是重要的碳排放来源，其行业碳排放量约占全社会碳排放总量的 24．34%，是实现减排目标的关键产业［1 －2］ 。2019 年国务院印发的《交通强国建设纲要》明确提出，要推动交通发展由追求速度规模向注重质量效益转变，并对低碳交通发展提出新的要求。碳排放效率是评估低碳经济发展水平的重要指标之一，其本质上是考虑了碳排放的生产技术效率，可以反映生产活动的能源利用效率。提高交通碳排放效率是交通碳减排的重要途径［3 －4］ 。随着网络化交通体系的逐渐形成和互联网信息技术的不断发展，以及区域经济一体化进程的不断推进，交通运输业生产要素之间的空间联系越来越紧密，地区间交通碳排放效率也呈现出显著的空间相关性［5］ 。因此，从网络关联视角考察中国交通碳排放效率的空间关联结构及其影响因素，甄别各地区交通碳排放效率在空间关联网络中的地位和作用，对经济新常态下构建跨区域交通碳排放效率协同提升机制，制定兼顾针对性和区域化的交通碳减排政策具有重要的理论意义和应用价值。随着交通碳排放问题的日益严峻，学者们开始针对交通碳排放相关问题进行研究，研究涵盖了不同尺度交通碳排放的测算［6 －8］ 、空间分布异质性 ［9 －10］ 和空间聚集与收敛性［11］ 等空间特性分析、交通碳排放峰值预测 ［12］ 及减排潜力分析［13］ 、影响因素探究 ［14 －16］ 、交通减排政策及情景模拟分析［17 －18］ 等多方面内容。此外，部分学者从效率角度对公路［19］ 、铁路 ［20］ 、航空 ［21 －22］ 等不同交通方式以及整体交通运输部门［23］ 的碳排放绩效及其影响因素进行了测度与分析。其中，有关交通碳排放效率的测度指标主要包括单位交通运输行业增加值的碳排放量［24］ 和单位运输周转量的碳排放量［25］ 等单要素指标，以及基于 DEA 方法的全要素交通碳排放效率指标［5］ ; 而交通碳排放效率影响因素· 2 3 ·中国人口·资源与环境 2021 年 第 31 卷 第 4 期 CHINA POPULATION，ＲESOUＲCES AND ENVIＲONMENT Vol．31 No．4 2021指标则主要包括收入水平、能源消费结构、交通运输结构、交通运输强度、节能技术水平和政府管理措施等［5，26］ 。研究尺度涉及国家［10］ 、经济带 ［7］ 、省 ( 市) 区 ［27 －28］ 、城市群［29］ 、社区 ［30］ 等。研究方法主要有生命周期法 ［31］ 、数据包络分析法( DEA)［26］ 、计量经济学方法 ［5］ 、对数平均分解指数( LMDI)［32］ 、拉斯佩尔指数( Laspeyres Index) ［33］ 、系统动力学模型［34］ 、STIＲPAT 模型 ［29］ 等。综合来看，目前学术界对交通碳排放问题的研究成果较为丰富，但有关交通碳排放效率的研究仍有待进一步补充和完善。首先，现有文献大多采用传统的基于自我评估体系的 DEA 模型测量交通碳排放效率，容易形成夸大自身优势，造成效率虚高的结果; 其次，已有交通碳排放效率的研究多基于“属性数据”，忽略了对关系数据的考察和应用; 最后，目前针对交通碳排放效率空间效应的研究往往仅停留于探究相邻或相近地区交通碳排放效率的空间关系，其研究结果较为“局部”，难以从全局上勾勒出网络化社会背景下，各地区交通碳排放效率复杂的空间关联等级结构和嵌套关系。鉴于此，作者利用同时考虑自评和他评体系的基于理想决策单元参照的交叉效率( ideal pointcross efficiency，简称 IPCE) 模型来衡量交通碳排放效率，以避免人为地提高效率并获得准确的效率排名。同时，基于交通碳排放效率“关系数据”，利用社会网络分析法从全局网络视角考察中国交通碳排放效率的空间关联网络结构，并进一步探究其影响因素，以期有效补充交通碳排放效率的空间关系研究，为充分发挥中国交通碳排放效率的空间溢出效应，推动跨区域交通碳减排协同机制建设，实现交通高质量发展提供有益的政策启示。1 研究方法与数据来源1． 1 研究方法1． 1． 1 IPCE 模型交叉效率 DEA 方法是一种基于互评体系的效率评价方法，主要包括中立型、激进型、仁慈型、博弈交叉效率模型和 IPCE 模型。其中，李春好等［35］ 提出的 IPCE 模型可以更好地坚持 DEA 最有利于被评价决策单元的基本思想，同时能规避决策者策略选择的困境，具有一定的公平性与综合性。因此，作者参照 Liu 等［36］ 的研究，选用基于理想决策单元参照的交叉效率模型对 2003—2018 年中国省域交通碳排放效率进行测度。假设将理想决策单元( DUM h ) 定义为使用投入向量 X h 获得产出向量 Y h 的决策单元，其中: X h = ( min( x 1j ) ，…，min( x mj ) ) = ( x 1h ，…，x mh ) ，Y h = ( max( y 1j ) ，…，max( y sj ) ) = ( y 1h ，…，y sh ) ，则基于理想决策单元参照的交叉效率模型可以表示为:minθ h，d = ∑sr =1 μ rd y rhs． t．∑sr =1 μ rd y rd－ E *dd ∑mi =1 w id x id= 0∑sr =1 μ rd y rj－ ∑mi =1 w id x ij≤ 0，j = 1，…，n，j ≠ d∑mi =1 w id x ih= 1μ rd ≥ ε ＞ 0，r = 1，…，sw id ≥ ε ＞ 0，r = 1，…，m( 1)式中，θ h，d 表示 DUM d 基于理想决策单元参照的交通碳排放效率值，主要借助 Matlab 2016a 软件进行测度; m 为投入变量 ( x i ) 的个数，s 为产出变量 ( y r ) 的个数，n 为决策单元数量，μ rd 为相对于 DUM d 的第 r 种产出的虚拟权重; w id 为相对于 DUM d 的第 i 种投入的虚拟权重; E *dd 为基于 CCＲ 模型测算的 DUM d 自评效率;∑sr =1 μ rd y rd和 ∑mi =1 w id x id分别为DUM d 的虚拟产出和虚拟投入。1． 1． 2 VAＲ 模型关系的确定既是构建空间关联网络的基础，也是确定省域交通碳排放效率空间关联网络结构特征的关键。现有研究主要采用 VAＲ Granger 因果检验方法和引力模型来确定节点间的关联关系。由于 VAＲ 框架下的 Granger 因果检验无须过多先验约束，即可得到一组变量能否提高另一组变量预测能力的信息［37］ ，因此，选择 VAＲ Granger 因果检验方法来确定中国省域交通碳排放效率之间的关联关系。具体步骤如下: ①定义两个省份的交通碳排放效率时间序列分别为{ x t } 和{ y t } ; ②构造两个 VAＲ 模型来检验两省份间的交通碳排放效率是否存在 Granger 因果关系:x t = a 1 + ∑mi =1β 1，i x t－i + ∑ni =1γ 1，i y t－i+ ε1，ty t = a 2 + ∑pi =1β 2，i x t－i + ∑qi =1γ 2，i y t－i+ ε2，t( 2)式中，α i、βi、γi ( i = 1，2) 为待估参数; { ε i，t } ( i = 1，2)为残差项; m、n、p、q 为自回归项的滞后阶数，根据 LＲ、PＲE、AIC、SC、HQ 五种方法选取最优滞后阶数。如果检验结果为A 省份交通碳排放效率是 B 省份交通碳排放效率的 Granger原因，则表示 A 省份交通碳排放效率对 B 省份交通碳排放效率存在显著的空间关联效应，取值为 1; 反之，则表明两者不存在关联关系，取值为 0。由此类推构建中国 30 个省份( 因数据可得性等原因，研究不包括港澳台和西藏) 交通碳排放效率空间关联的二值矩阵。1． 1． 3 社会网络分析法社会网络分析法( Social Network Analysis，简称 SNA) 是一种研究网络成员之间关联关系的重要研究范式，主要通过对网络成员关系的分析，反映网络成员之间的关联结构及其属性特征，可以有效弥补单纯个体研究、属性研究以及传统计量研究的缺陷［38 －39］ ，已在心理学、经济学、管理学、社会学· 3 3 ·邵海琴等: 中国交通碳排放效率的空间关联网络结构及其影响因素
等诸多领域中得到广泛应用。利用该方法中的网络关联度、网络密度、网络效率和网络等级度四个指标来考察中国交通碳排放效率空间关联网络的整体特征，运用 E － I 分派指数探究其空间关联网络的区域网络关联特征，采用中心度指标分析各省份在交通碳排放效率关联网络中的角色和地位，并借助二次指派程序( Quadratic Assignment Procedure，QAP) 对中国交通碳排放效率空间关联网络的影响因素进行探究，具体指标测算方法见文献［39］。1． 2 指标选取与数据来源由于西藏、香港、澳门及台湾数据缺失较多，故选取除该四省区以外的中国 30 个省份为研究单元。借鉴陈思茹等［40］的研究，选取交通运输业从业人员数、能源消耗量、资本存量作为交通碳排放效率投入指标。其中，交通运输能源消耗量采用标准煤系数将交通运输业煤炭、汽油、柴油、天然气等 8种主要能源的消耗量统一折合成标准煤表示; 交通运输资本存量参考李杰伟等［41］ 的研究，采用永续盘存法进行估算。在交通碳排放效率产出指标方面，选取交通运输产业增加值、交通运输综合换算周转量和交通运输 CO 2 排放量作为产出要素。其中，交通运输 CO 2 排放量为非期望产出，根据运输行业中的主要燃料( 煤炭、柴油、汽油、煤油、燃料油、天然气、液化石油气、电力等) 和《2006 年 IPCC 国家温室气体清单指南》通过等式计算得到。相关数据来源于《中国统计年鉴》《中国交通年鉴》《中国能源统计年鉴》《中国环境年鉴》以及国家统计局数据库( http: / /data． stats． gov． cn/) ，省会城市之间的地理距离用 ArcGIS 计算而得。2 中国省域交通碳排放效率的空间关联网络特征2． 1 空间分布格局为考察中国交通碳排放效率的空间分布格局，运用Matlab 2016a 软件刻画了 2003—2018 年度中国交通碳排放效率的空间分布趋势( 图 1) 。由图 1 可知，中国省际交通碳排放效率在空间上存在显著的区域差异，呈现出明显的非均衡分布特征。具体来看，在东西方向上，拟合曲线整体呈现出“东部凸起 － 中部隆起 － 西部塌陷”状，表明研究期间中国东部地区交通碳排放效率整体要高于中部和西部地区; 在南北方向上，拟合曲线呈现出北凸南凹的“S”型，表明研究期间北部地区交通碳排放效率整体要高于南部地区。从拟合曲面来看，2003—2018 年中国省域交通碳排放效率呈“东部凸起 － 西部凹陷 － 尾部翘起”的波浪型，表明该时期中国省域交通碳排放效率整体呈现出东高西低的空间分布格局。但西部部分省份如新疆的交通碳排放效率要略高于其周边地区，这主要是因为东部地区经济条件优越，低碳技术与创新水平相对较高; 同时，交通基础设施发展较为完善，从而拥有较高的交通碳排放效率。而新疆则由于严酷的气候和地形条件影响，交通站点网络密度较低，交通人力资源投入相对较少; 同时，随着“一带一路”倡议的深入实施，其派生的过境、中转等客货运输需求规模扩大，使得交通产出/投入综合水平相对周边地区略高，进而使得交通碳排放效率水平相对周边地区略高。2． 2 整体网络结构特征为了直观展示中国交通碳排放效率空间关联网络的结构形态，作者对 2003—2018 年中国省域交通碳排放效率的空间关联网络进行了可视化( 图 2) 。由图 2 可知，中国省域交通碳排放效率空间关联网络结构呈现“东密西疏”特征，且其空间关联已经突破传统的地理空间限制，不再囿于对其邻近省份的交通碳排放效率产生溢...
【中国交通部门碳排放分析5篇】相关文章：
