2025, Vol. 46
2. 南京大学地理与海洋科学学院, 南京 210023
2. School of Geography and Ocean Science, Nanjing University, Nanjing 210023, China
根据国际能源署（International Energy Agency, IEA）发表的《CO2 Emissions in 2022》报告, 2019~2022年全球交通运输业的CO2排放量仅次于能源和工业领域, 居第三位[1]. 2023年初, 中国放松了严格的新冠疫情封控措施, 导致客运需求大幅反弹, 产生了约50 Mt CO2的额外排放, 加剧了气候变化[2]. 2020年9月, 中国政府做出了国际承诺：在2030年之前力争使CO2排放量达到峰值, 并在2060年之前努力争取实现碳中和. 随后国务院于2021年印发《2030年前碳达峰行动方案》[3]. 国家标准委等于2023年印发《碳达峰碳中和标准体系建设指南》[4]. 其中“碳达峰”和“碳中和”实质上是碳排放与经济发展的脱钩, 即经济发展不再过度依赖化石能源. 在实现“双碳”目标的关键阶段, 识别不同省份交通碳排放特征、脱钩状态及其驱动因素, 并提出一些针对性的建议对有效减少碳排放至关重要.
目前国内外学者针对交通运输领域碳排放的相关研究, 文献大多聚焦于国家[5 ~ 7]和地区[8 ~ 10]的交通碳排放特征及达峰路径[11 ~ 13]. 例如, 中国交通碳排放现状和发展趋势[14]、交通碳配额以及碳减排压力[15]. 有学者针对某个省份和区域, 如湖北、天津、广东等省市交通碳排放量增长趋势, 以及碳排放和经济增长的脱钩状态、驱动因素等作了研究[16 ~ 19]；黄河流域和长江经济带交通碳排放效率及其影响因素研究[20 ~ 22]. 此外, 对中国交通碳排放效率、空间关联格局及其他研究, 发现中国交通碳排放空间关联网络呈现周期波动, 碳排放效率存在空间差异性, 即东部高于中、西部[23, 24]. 交通运输碳减排措施主要包括技术性、结构性和管理性措施, 且运输结构调整边际减排效果最佳[25, 26]. 碳排放和经济发展之间的关系也是研究的热点之一. 不少学者基于Tapio脱钩模型[27 ~ 30]和对数平均迪氏指数（logarithmic mean Divisia index, LMDI）分解方法[31 ~ 33]对碳排放的各种驱动因素进行分析. 经济增长和能源强度是交通碳排放与经济发展的主要驱动因素[34]. 经济增长和城市扩张阻碍脱钩, 而人口聚集促进脱钩[35]. 碳排放与城市化、环境保护等多种因素之间有着错综复杂的关系[36]. 因此, 基于交通运输碳排放的相关研究, 充分考虑国家和地区的交通碳排放特征及其脱钩情况, 对于全国和省域绿色交通低碳转型的实施可行性、可持续性研究相对不足, 还有待进一步深入.
本文以30个省域单元（中国港澳台与西藏数据缺失, 暂不考虑）为研究对象, 基于Tapio脱钩和LMDI模型, 综合分析2012~2021年全国和省域交通运输业碳排放特征、能源碳排放与经济发展的脱钩状态、5种驱动效应及其对脱钩的贡献值, 探明全国和省域交通碳排放时空分异特征及其变化趋势的原因. 可以推断现行发展模式的合理性和可行性, 进一步阐明各因素对区域发展的作用, 以期为省域层面本地化、差异化的碳减排决策提供依据, 优化其可持续发展理念, 达到理想的脱钩状态, 进一步推进交通运输业绿色低碳转型, 实现“双碳”目标.
1 材料与方法 1.1 交通运输业碳排放测算根据2006年《IPCC国家温室气体清单指南》中的能源消费碳排放核算方法, 交通运输部门碳排放的测算方法分为“自上而下”投入产出的方法和“自下而上”过程分析的方法. 本文采用“自上而下”的方法, 即通过碳排放系数法计算CO2的排放量[13, 22], 该方法相较于“自下而上”法, 实证范围更广, 适用于区域层面交通运输碳排放的测算. 计算公式如下：
|
(1) |
式中, C为交通运输业CO2排放量；i为原煤、焦炭、原油、汽油、煤油、柴油、燃料油和天然气这8种交通运输能源, 因电力不直接产生CO2, 为避免重复计算, 不考虑电力消耗产生的碳排放[37]；Ci为交通运输业第i种能源消费碳排放量；Ei、NCVi和CCi分别为第i种交通运输能源实物消费量、平均低位发热量和单位热值含碳量；COFi为第i种能源的碳氧化率, 根据《IPCC2006年国家温室气体清单指南》（2019年修订版）通常取值100%, 表示完全氧化；44/12为碳转化为CO2的摩尔质量比的转换系数. 采用IPCC确定的各类能源排放系数见表 1.
|
表 1 各类能源排放系数1） Table 1 Emission coefficients of various energy sources |
1.2 碳排放Tapio脱钩模型
碳排放脱钩是CO2排放与经济发展的关系逐渐被减弱直至被彻底打破的理想过程, 即在经济持续增长的前提下, 碳排放量持平乃至逐渐降低[30]. 为了消除基周期选择造成的误差, Tapio[38]将弹性方法引入脱钩理论, 采用了弹性系数分解方法, 使分析环境压力与经济增长之间解耦的内部原因和响应成为可能.
脱钩指标主要用于描述环境压力与驱动力变化的关系. 本文采用交通运输业碳排放量表示环境压力, 交通运输业增加值表示驱动力, 参考Tapio脱钩模型, 交通运输业脱钩弹性指数计算公式如下：
|
(2) |
式中, Tts为t年间的Tapio脱钩弹性指数, s为标准的脱钩指数, 0为基期, Ct和C0分别为第t年和基期的交通运输碳排放量, Gt和G0分别为第t年和基期的交通运输国内生产总值（GDP）, %ΔCO2和%ΔGDP分别为CO2和GDP的变动率, 参考庞军等[30]和Tapio[38]的研究结果, 具体脱钩分类见图 1.
|
图 1 脱钩状态划分 Fig. 1 Division of decoupling status |
本文在Kaya等式的基础上, 引入行业增加值, 将交通运输业的碳排放进一步分解为碳排放系数、能源强度、行业规模、经济增长和人口规模5类因素[19, 39], 具体公式如下：
|
(3) |
式中, TE为能源消费总量；Z为交通运输业行业增加值；Y为GDP；P为人口数量；EC为单位能源消费所产生的碳排放量, 即能源碳排放系数；EI为单位GDP的能源使用量, 即交通能源强度；I为行业增加值与GDP的比值, 即行业规模；E为人均GDP, 即经济增长；P为人口规模.
采用LMDI方法的加和效应, 对上述5类因素进行分解, 得到不同因素对交通运输业碳排放的贡献值. 从s年到t年的碳排放变化量可以表示为：
|
(4) |
式中, ΔC为碳排放的变化量；Ct和Cs分别为第t和s年的碳排放量（t > s）；ΔEC、ΔEI、ΔI、ΔE、ΔP分别为碳排放系数效应、能源强度效应、行业规模效应、经济增长效应及人口规模效应, 即5种驱动因素的变动对碳排放量的影响. 当效应值大于0时, 说明该因素促进了交通碳排放的增长；反之, 说明该因素抑制了交通碳排放的增长. 其中：
|
(5) |
|
(6) |
|
(7) |
|
(8) |
|
(9) |
为进一步了解各驱动因素对交通能源碳排放与行业经济发展之间脱钩弹性指数的贡献值, 将式（4）代入式（2）中, 得到交通运输业碳排放各影响因素对于脱钩的贡献值分解公式：
|
(10) |
式中, tEC、tEI、tI、tE和tP分别为5种驱动效应对脱钩弹性指数的贡献值. 若各效应的贡献值大于0时, 说明该因素对脱钩起阻碍作用；反之, 说明该因素对脱钩起促进作用, 推动脱钩状态向脱钩方向发展.
1.4 数据来源本文以2012~2021年中国30个省份（暂不考虑中国港澳台与西藏地区）作为研究对象, 所用到的交通运输业能源消费碳排放量、GDP和人口数量分别来源于所研究年份的《中国能源统计年鉴》《中国统计年鉴》国家数据库和各省的统计年鉴. 本文采用交通运输、仓储和邮政业的终端消费量测算交通碳排放.
2 结果与讨论 2.1 中国交通运输业碳排放变化情况整体来看, 中国交通碳排放量总体呈现逐年上升态势, 碳排放量由2012年的623.74×106 t上升至2021年的662.29×106 t, 10 a间增加了1.06倍, 其中2019年达到最大值, 为716.24×106 t. 年平均碳排放量增长0.80%, 整体呈现显著的下滑趋势, 并于2020年达到了该时期的最低水平（图 2）. 由于国务院2012年印发《“十二五”控制温室气体排放工作方案》, 随着该方案的实施, 全国各省响应国家政策并取得一定的成效, 交通运输碳排放量在2013年下降了5.59%. 2013~2019年, 中国外贸进出口规模逐步扩大, 各省经济快速发展, 交通运输碳排放量呈现稳步增长趋势. 2020年交通碳排放量下降, 主要由于2020年的新冠肺炎疫情限制全球旅行, 导致碳排放量暂时大幅下降. 到了2021年, 疫情得到有效控制, 客运明显恢复, 交通碳排放量增长了3.23%, 同时IEA发布的报告《Global Energy Review 2021》指出碳排放量的进一步增加将伴随着能源需求的反弹, 产生“能源回弹效应”[40, 41]. 可见中国交通碳排放虽然总体增速放缓, 进入到低速增长阶段, 但环境污染问题仍没得到有效解决, 需不断推进绿色低碳转型, 坚持科技创新, 提高资源配置效率, 多措并举积极应对回弹效应.
|
图 2 2012~2021年中国交通运输业碳排放量及增长率 Fig. 2 Carbon emissions and growth rate of China's transportation industry from 2012 to 2021 |
选取2012年、2016年和2021年的碳排放数据绘制交通运输业碳排放空间分布（图 3）. 2012年和2016年交通排放量最高的3个省（市）均为山东、广东和上海, 其中山东作为中国的农业和工业大省, 其交通碳排放量两年均值高达6 415万t. 在2021年, 交通排放量最高的3个省份变为广东、上海和江苏, 其中广东拥有汕头、深圳和珠海这3个经济特区, 交通碳排放量高达5 876万t, 但相比于前几年, 在新冠疫情和“双碳”政策的影响下, 碳排放量均有所降低. 从省域层面分析, 近10 a来各省碳排放量空间差异显著, 排放量最多的10个省（市）分别为南部的广东、云南, 东部的上海、山东、江苏和浙江, 中部的湖北、湖南、河南以及北部的辽宁. 其中广东作为我国经济、人口大省, 交通需求更高, 其运输业成为维持经济长效发展的重要保障, 同时也是碳排放的主要源头之一. 这与翁淑娟等[19]的研究结论一致. 而排放量最少的10个省（市、自治区）分别为中国西部的宁夏、青海、甘肃、陕西和重庆, 南部的海南和贵州, 北部的天津、吉林以及东部的江西. 其中宁夏政府2021年印发《宁夏回族自治区开发区总体发展“十四五”规划》, 稳步开展城市开发建设, 全方位全过程推进绿色流通、绿色生活等方面, 加快推动开发区全面绿色转型.
|
基于自然资源部标准地图服务网站GS（2023）2767号标准地图制作, 底图边界无修改 图 3 2012~2021年中国各省交通运输业碳排放空间分布 Fig. 3 Spatial distribution of carbon emissions in the transportation industry of various provinces in China from 2012 to 2021 |
从空间分布来看, 中国东南部和北部沿海地区为重度排放省份, 西北地区基本为轻度排放省份（图 3）. 主要原因在于中国东南部和沿海省份拥有发达的综合交通运输系统, 促进了经济发展和区域交通建设, 其工程机械、汽车等高碳制造业的发展导致碳排放量大幅增加. 其中上海、江苏、湖北、浙江、湖南和云南这6个省（市）均属于长江经济带, 有着独特的地理优势, 带动了东中西互动合作协调发展, 沿海沿边全面推进对内对外开放政策, 在经济快速发展的同时, 生态环境形势严峻. 而西南边陲和西北边远地区虽然具有发展经济的巨大自然资源禀赋, 但地理位置偏远、人口稀少, 整体经济相对欠发达, 交通网络密度相对较低, 汽车保有量低等因素导致经济发展水平较低, 一直保持低碳排放状态. 以上多方面原因造成了中国交通碳排放量总体上呈现东南高, 西北低的分布格局.
2.3 中国省域交通运输业碳排放与经济发展脱钩情况总体来看, 近10 a来中国大部分省份碳排放与经济发展关系处于绝对脱钩与相对脱钩这两种状态[图 4（a）]. 绝对脱钩表示经济增长, 碳排放减少, 是低碳转型发展最理想的状态. 相对脱钩表示经济增长, 碳排放增加, 且碳排放增速慢于经济增速, 是低碳转型发展较理想的状态. 处于绝对脱钩状态的省份主要集中在中国北部和中部, 这些省份的低碳转型发展最理想, 可发挥引领带头作用. 处于相对脱钩状态的省份集中在中国西部和东南部, 说明随着中国“西部大开发”、“丝绸之路经济带”、“一带一路”等经济发展政策的实施, 交通运输业产值和CO2排放量均有所增加. 仅江西处于增长连结状态, 湖南处于扩张负脱钩状态, 说明在交通发展的过程中, 碳排放的增速甚至超过了经济增速. 这表明经济增长是以增加能耗为代价的, 反映出低碳转型发展的状态尚不理想, 需要特别关注这类省份的经济与交通等相关行业发展模式.
|
基于自然资源部标准地图服务网站GS（2023）2767号标准地图制作, 底图边界无修改 图 4 2012~2021年中国各省碳排放脱钩状态空间分布 Fig. 4 Spatial distribution of decoupling status of carbon emissions in various provinces of China from 2012 to 2021 |
分两个时间段来看, 2012~2016年, 天津、内蒙古、山东、海南和陕西这5个省（市、自治区）处于绝对脱钩状态, 集中在中国的中北部[图 4（b）]. 其中天津在2012年成为首批限制煤炭消费总量的城市之一, 政府部门印发了《天津市低碳城市试点工作实施方案》[42], 实施调整经济结构、降低能源消费率的措施, 使得碳排放减缓. 这与Miao等[17]的研究结论一致. 河北、上海、浙江和安徽等12个省（市、自治区）处于相对脱钩状态, 集中于中国的中部及东南沿海地区. 其中上海、浙江和安徽等7个省（市）均位于长江经济带, 随着《长江经济带发展规划纲要（2016年）》《黄河流域生态保护和高质量发展规划纲要（2021年）》的发布, 国家层面的“江河战略”已经确立. 长江经济带作为其中的重大战略区域, 不断完善绿色技术创新体系, 在“双碳”战略中发挥了重要作用. 北京、山西和黑龙江等13个省（市、自治区）处于增长连结和扩张负脱钩状态, 经济增长的同时, 交通碳排放量也在增加. 其中北京因特殊的地理位置, 其经济的快速发展、居民收入水平的显著提升, 使交通运输得到了持续发展, 但同时也造成了交通拥堵和碳排放量增加等一系列问题.
2017年, 交通运输部印发《关于全面深入推进绿色交通发展的意见》, 中国政府对全国各省贯彻实施《大气污染防治行动计划》[43]情况进行收官考核. 在一系列政策和新冠疫情的影响下, 2017~2021年, 中国20个省份处于绝对脱钩状态, 集中在中西部和北部[图 4（c）]. 其中北京的主要消耗能源从煤油和柴油转变为石油和天然气, 上海于2020年实施异地限牌政策, 缓解了交通碳排放, 并且北京、内蒙古和上海等15个省份在《大气污染防治行动计划》考核中考核等级为优秀；9个省份处于相对脱钩状态, 集中在中国东南部. 其中福建自2017年起一直在推动新能源汽车的替代, 湖北是中国最早遭受新冠疫情影响的省份, 疫情期间实施的限制使化石燃料（煤炭、石油和天然气）的碳排放明显减少. 虽然这种旅行限制不能被视为减少交通排放的一种手段, 但它有利于了解交通部门对环境和空气质量的影响, 以及对清洁交通系统的需求. 因此, “一刀切”减排政策是不可行的, 对各省碳排放及脱钩状态进行系统分析, 可以帮助政府制定针对不同地区的碳排放政策.
2.4 中国省域交通运输业碳排放驱动因素及其脱钩指数分析 2.4.1 全国交通运输碳排放的驱动因素分解为了在时间序列视角下分析各驱动因素对中国交通运输业碳排放影响的变动趋势, 根据各省交通运输业碳排放测算结果, 计算出2012~2021年全国交通运输业碳排放年增长值, 并将其进行分解, 得到5种驱动因素对中国交通碳排放的贡献值及占比情况（表 2和图 5）. 从整体上看, 3种驱动因素起正向驱动作用, 促进碳排放的增加, 其中经济增长效应累计贡献率最大, 达到1202.39%, 其次是人口规模效应和碳排放系数效应, 累计贡献率分别为65.11%和39.04%. 能源强度效应和行业规模效应起负向驱动作用, 累计贡献率分别为-981.87%和-224.67%, 这两种驱动因素均抑制碳排放的增加.
|
|
表 2 2012~2021年中国交通运输碳排放的驱动因素分解1） Table 2 Analysis of the driving factors for carbon emissions in China's transportation industry from 2012 to 2021 |
|
图 5 2012~2021年中国交通碳排放驱动因素占比变化趋势 Fig. 5 Trends in the proportion of driving factors for carbon emissions in China's transportation industry from 2012 to 2021 |
从年变化值可以看出, 碳排放系数效应在2012~2015年为负值, 对交通碳排放起负向驱动作用, 在2016~2021年为正值, 对交通碳排放起正向驱动作用. 说明尽管政府部门积极推动能源系统的清洁转型, 电动汽车销量不断增长, 但因其续航里程和性能受到限制, 用于道路、海上和航空运输的往复式内燃机和喷气发动机, 在运输部门中仍占很大比例, 柴油发动机仍被广泛用作汽车、技术机械、船舶和火车的动力源[44]. 在本研究期间, 能源强度效应均为负值, 对交通碳排放起负向驱动作用, 在2020~2021驱动作用最大, 且仅有能源强度效应抑制交通碳排放的增长. 2021年能源消耗紧张程度的大幅下降可归因于新冠肺炎疫情的影响, 限制了旅行需求, 导致消费和运输率下降, 从而降低了能源需求. 行业规模效应整体上表现为负值, 说明国务院印发的《节能与新能源汽车产业发展规划（2012~2020年）》, 其中鼓励购买小排量汽车的财税政策等措施有一定的成效. 经济增长效应和人口规模效应均为正值, 促进了交通碳排放的增长, 而经济增长是促进交通碳排放增长的最主要因素, 其效应值波动增长, 在2021年达到最大值. 说明经济发展带动的城市化进程导致交通需求增加, 从而带动交通碳排放的增长. 此外, 在经济发展过程中, 汽油和柴油等高碳能源的广泛使用, 而天然气和电力等能源利用较少, 进一步加剧了交通运输碳排放. 而人口的增长和聚集对交通运输业提出了更高的发展要求, 导致城市道路交通压力相应加大. 王超等[10]和杨青等[24]通过分析区域和国家交通运输碳排放, 均认为经济增长和人口规模是促进交通碳排放增长的两大驱动因素, 均与本文的研究结果一致.
2.4.2 中国省域交通运输碳排放的驱动因素分解基于LMDI方法, 解析中国各省交通碳排放, 并将其分解为碳排放系数、能源强度、行业规模、经济增长和人口规模效应（表 3）. 并以0值为界线绘制中国各省交通碳排放驱动效应空间分布（图 6）. 从全国水平来看, 2012~2021年间中国各省交通运输业碳排放年均增长128.5万t, 其中碳排放系数、经济增长和人口规模效应均起了正向驱动作用, 分别导致碳排放增加38.5万、1 471.1万和80.0万t, 而能源强度效应和行业规模效应起了负向驱动作用, 分别导致碳排放减少1 254.6万t和207.0万t. 从地区层面来看, 60.0%的省份总效应为正值, 其中湖南、江苏、河南和湖北等省份的碳排放增长值最大, 集中在中国的中东部；40.0%的省份总效应为负值, 其中山东、内蒙古和陕西的碳减排力度最大, 集中在中国的北部.
|
|
表 3 2012~2021年中国各省交通运输业碳排放的驱动因素分解1） Table 3 Analysis of the driving factors for carbon emissions in China's provincial transportation industry from 2012 to 2021 |
|
基于自然资源部标准地图服务网站GS（2023）2767号标准地图制作, 底图边界无修改 图 6 2012~2021年中国各省碳排放驱动效应空间分布 Fig. 6 Spatial distribution of carbon emission driving effects in various provinces of China from 2012 to 2021 |
碳排放系数效应对交通碳排放起正向驱动作用, 但驱动作用较小. 其中, 湖北、内蒙古和吉林等22个省（市、自治区）的碳排放系数效应为正值, 分布在中国的西部、中部和北部. 湖北单位交通能源消费所产生的碳排放量增加了464.3万t, 远高于大部分西部和中部省份, 说明虽然湖北天然气等清洁能源占比有所增加, 但交通运输能源消费仍以煤炭、汽油和柴油等化石能源为主, 需要强化结构性减排. 这与胡茂峰等[16]的研究结论一致. 仅广西、湖南和福建等8个省（自治区）的碳排放系数效应为负值, 分布在中国的东南部. 其中, 广西作为中国唯一沿海自治区, 政府部门于2020年印发了《广西内河液化天然气（LNG）动力船舶优先过闸指导意见》, 鼓励新建改造清洁能源动力船舶, 引导船舶优先利用新能源进行水上运输, 拉开了广西绿色水运发展“十四五”的序幕.
能源强度效应对交通碳排放起负向驱动作用, 是抑制交通碳排放增长的最主要因素. 本研究期间, 除湖南外, 山东、广东和内蒙古等29个省（市、自治区）的能源强度效应均为负值, 说明能源强度效应的减排效果逐渐稳定, 中国交通绿色创新能力正在不断加强. 其中山东印发了《山东省人民政府关于促进综合交通运输体系发展的指导意见》, 同时财政累计筹集资金40.22亿元来支持节能减排产品和技术推广应用, 加快推动水、陆、空领域交通运输节能减排. 而湖南地势复杂, 交通基础设施建设成本较高, 覆盖面和密度相对较低等原因也增加了交通能源强度. 这与宋德勇等[28]和Tang等[45]的研究结论一致, 证实了能源强度对交通运输碳排放的省际差异. 从整体上看, 中国交通部门的能源使用效率在不断提升, 同时也逐渐从过去的粗放型发展模式向绿色低碳转型, 从而达到了较好的减排效果.
行业规模效应对交通碳排放起负向驱动作用, 抑制交通碳排放增长. 本研究期间, 河南、云南和四川等9个省（市、自治区）的行业规模效应为正值, 且空间分布较分散. 其中, 河南位于中国中部, 紧邻京津翼和长三角等发达地区, 交通网络发达, 行业规模不断扩大导致其碳排放量较高. 江苏、北京和广东等21个省（市、自治区）的行业规模效应为负值, 主要分布在中国北部及东南沿海地区. 2019年发布《江苏省推进运输结构调整实施方案》, 该省基本实现了“公转铁”运输应转尽转, 推动交通运输总费用与GDP比率下降, 有效抑制碳排放.
经济增长效应对交通碳排放起正向驱动作用, 是促进交通碳排放增长的最主要因素. 本研究期间, 中国30个省（市、自治区）的经济增长效应均为正值. 其中, 广东、上海、山东和江苏等东南沿海发达省市的经济增长效应对交通碳排放的促进作用最大, 说明经济发展带动的城市化进程导致交通需求增加, 从而带动交通碳排放的增长. 此外, 在经济发展过程中, 汽油、柴油等高碳能源的广泛使用, 而天然气、电力等相对低碳的能源利用较少, 进一步加剧了交通运输碳排放.
人口规模效应对交通碳排放起正向驱动作用, 但驱动作用较小. 广东、浙江和山东等23个省（市、自治区）人口规模效应为正值, 位于中国的中南部和西北地区. 其中, 广东、浙江和山东都是人口大省, 人口的增长和聚集对交通运输业提出了更高的发展要求, 交通碳排放量也相应增加. 而中国北部的黑龙江、吉林和辽宁等7个省（市、自治区）人口规模效应为负值, 其中东北三省在研究期间人口数量一直在下滑, 导致其交通需求和碳排放量相对较低.
2.4.3 中国交通碳排放驱动因素脱钩指数分析将Tapio脱钩模型和LMDI模型结合, 得到各驱动因素对中国交通能源碳排放和行业经济发展之间脱钩弹性的贡献值（表 4）. 整体来看, 2012~2021年间中国交通碳排放的驱动因素脱钩指数总体上为正值, 说明各种驱动因素整体上对交通碳排放和经济发展脱钩起阻碍作用. 经济增长、人口规模和碳排放系数效应脱钩指数多数年份为正值, 且经济增长效应是阻碍交通碳排放与经济发展脱钩最主要因素, 其脱钩指数在2012~2021年间均值高达0.894. 能源强度效应脱钩指数和行业规模效应脱钩指数多数年份为负值, 其中能源强度效应是促进中国交通碳排放与经济发展脱钩最主要因素, 其脱钩指数在2012~2021年间均值达-0.561.
|
|
表 4 2012~2021年中国交通碳排放的驱动因素脱钩指数1） Table 4 Decoupling index of driving factors for China's carbon emissions from transportation industry from 2012 to 2021 |
从每年的变化值来看, 碳排放系数效应脱钩指数波动较小, 虽阻碍了中国交通碳排放与经济发展脱钩, 但相对于其他驱动因素, 其影响作用最小. 能源强度效应脱钩指数仅在2019~2020年为正值, 多数年份均为负值, 在2012~2013年脱钩指数值最大, 达到-1.923, 促进了中国交通碳排放与经济发展脱钩, 表明中国交通运输行业正在积极推动低碳转型, 单位GDP的能源使用量减少, 减排工作也有所成效. 行业规模效应脱钩指数在2014~2019年为负值, 但在2019~2021年变为正值, 说明行业规模效应虽促进中国交通碳排放与经济发展脱钩, 但其影响作用还不太稳定. 经济增长效应脱钩指数和人口规模效应脱钩指数仅在2019~2020年为负值, 说明2019年的新冠疫情对中国的经济发展造成了一定的影响, 但总体上两种驱动因素脱钩指数值均为正值, 阻碍了中国交通碳排放与经济发展脱钩.
3 建议（1）本研究期间由于清洁能源部署不断增加, 排放量出现结构性放缓. 其中2020年因新冠疫情导致碳排放大幅下降, 但之后随着封控放松, 交通碳排放量又有所回升. 所以依靠新冠肺炎危机期间的绿色经济刺激计划使碳排放量长期减少是不可行的. 交通碳排放量较高的省份集中在中国东南部, 可借鉴美国、丹麦、芬兰等国运营的生物柴油渡轮、电动和混合电动渡轮来减少船舶发动机燃气和颗粒物的排放；还可根据区域情况实施相应的政策和奖惩机制, 协调区域碳排放的管理和碳交易, 进一步减少碳排放.
（2）交通运输业相对脱钩的省份集中在西部和东南部, 其中西部省份地方政府可宣传和开发当地独特的草原、山地和冰山等自然景观, 积极推动旅游业发展. 西北地区新区建设可以配备优质高效的配套设施、全面便捷的公共服务设施、低碳舒适的环境基础设施. 对于东南沿海经济发达的省份, 可推动政府和社会资本合作来实现绿色交通、加大公共设施投入, 扩大宣传低碳出行政策, 提高公众接受度, 推动可持续发展目标的实现, 促进中国各省碳排放与经济发展的绝对脱钩.
（3）中国经济发展和人口增长使交通和能源消费的需求增加, 导致碳排放量增长, 同时制约了交通碳排放与经济发展脱钩. 为了有效应对“能源回弹效应”, 可制定减排政策, 如给予新能源汽车补贴、降低相关税费等. 数字技术和数字工具中的碳包容、碳账户等模式让用户对绿色交通产生强烈的获得感. 对于碳排放系数效应, 可增加电力和氢气等新能源在运输部门的比例来减少碳排放. 碳捕集、利用与封存技术可捕获并重新利用CO2, 是一项具有大规模减排潜力的技术, 可在全国有条件的省份推广实施.
4 结论（1）近10 a中国交通能源碳排放总量呈上升趋势, 但增速放缓, 进入到低速增长阶段. 年均碳排放增长率为0.80%, 总体上呈明显下降趋势；因新冠疫情交通出行受限, 在2020年达到研究期内增速的最低点. 各省交通碳排放量空间差异显著, 总体上呈现东南高, 西北低的分布格局.
（2）绝对脱钩和相对脱钩是交通低碳转型发展最理想和较理想的状态, 有利于中国逐步实现“双碳”目标. 大部分省份实现了交通碳排放与经济发展的绝对脱钩和相对脱钩, 其中40.0%的省份实现了绝对脱钩, 集中在北部和中部, 53.3%的省份实现了相对脱钩, 集中在西部及东南沿海地区.
（3）从驱动因素分解来看, 经济增长、人口规模和碳排放系数促进了交通碳排放的增加, 阻碍了交通碳排放与经济发展脱钩. 经济增长的驱动作用最大. 交通能源强度和行业规模抑制了交通碳排放的增加, 促进了交通碳排放与经济发展脱钩. 能源强度的驱动作用最大. 总之, 各省需积极应对“能源回弹效应”, 在经济高质量发展的同时, 继续推进交通绿色低碳转型.
| [1] | IEA. CO2 emissions in 2022[EB/OL]. https://www.iea.org/reports/co2-emissions-in-2022, 2023-03-02. |
| [2] | IEA. CO2 emissions in 2023[EB/OL]. https://www.iea.org/reports/co2-emissions-in-2023, 2024-03-01. |
| [3] | 国务院. 2030年前碳达峰行动方案[EB/OL]. https://www.gov.cn/zhengce/zhengceku/2021-10/26/content_5644984.htm, 2021-10-24. |
| [4] | 国家标准委, 国家发展改革委, 工业和信息化部, 等. 碳达峰碳中和标准体系建设指南[EB/OL]. https://www.gov.cn/zhengce/zhengceku/2023-04/22/content_5752658.htm, 2023-04-01. |
| [5] | Liotta C, Viguié V, Creutzig F. Environmental and welfare gains via urban transport policy portfolios across 120 cities[J]. Nature Sustainability, 2023, 6(9): 1067-1076. |
| [6] |
郑琰, 蒋雪梅, 肖玉杰. 交通运输业碳排放效率时空演变及趋势预测[J]. 环境科学, 2024, 45(4): 1879-1887. Zheng Y, Jiang X M, Xiao Y J. Spatio-temporal evolution and trend prediction of transport carbon emission efficiency[J]. Environmental Science, 2024, 45(4): 1879-1887. DOI:10.13227/j.hjkx.202305261 |
| [7] |
李健, 刘舒琪, 王晓祺. 中国交通运输碳排放强度时空交互特征及跃迁机制[J]. 环境科学, 2024, 45(6): 3433-3445. Li J, Liu S Q, Wang X Q. Spatiotemporal interaction characteristics and transition mechanism of carbon intensity in China's transportation industry[J]. Environmental Science, 2024, 45(6): 3433-3445. DOI:10.13227/j.hjkx.202310194 |
| [8] |
苗毅, 戴特奇, 王成新, 等. 青藏高原县域交通优势度-自然环境承载-社会经济需求关系评估[J]. 中国人口·资源与环境, 2023, 33(10): 165-174. Miao Y, Dai T Q, Wang C X, et al. Relationship between the transport superiority, natural environmental carrying capacity, and socio-economic demand of counties on the Qinghai-Tibet Plateau[J]. China Population, Resources and Environment, 2023, 33(10): 165-174. |
| [9] |
宁春晓, 郭秀锐, 龚晓倩, 等. 京津冀交通部门的碳排放及减排潜力预测研究[J]. 环境科学与技术, 2023, 46(9): 138-147. Ning C X, Guo X R, Gong X Q, et al. Estimation of carbon dioxide emissions and prediction of emission reduction potential in Beijing-Tianjin-Hebei region's transportation sector[J]. Environmental Science & Technology, 2023, 46(9): 138-147. |
| [10] |
王超, 武丽敏. 基于"双碳"视角的丝绸之路经济带交通碳减排驱动因素分析[J]. 干旱区资源与环境, 2024, 38(2): 9-19. Wang C, Wu L M. Factors driving the carbon emission reduction in transport along the Silk Road Economic Belt: An analysis from the perspective of "double carbon"[J]. Journal of Arid Land Resources and Environment, 2024, 38(2): 9-19. |
| [11] |
方涵潇, 刘灿, 蒋康, 等. 湖南省交通运输领域碳排放达峰路径研究[J]. 交通运输系统工程与信息, 2023, 23(4): 61-69. Fang H X, Liu C, Jiang K, et al. Pathway towards carbon peak in transportation sector of Hunan Province[J]. Journal of Transportation Systems Engineering and Information Technology, 2023, 23(4): 61-69. |
| [12] |
黄志辉, 纪亮, 尹洁, 等. 中国道路交通二氧化碳排放达峰路径研究[J]. 环境科学研究, 2022, 35(2): 385-393. Huang Z H, Ji L, Yin J, et al. Peak pathway of China's road traffic carbon emissions[J]. Research of Environmental Sciences, 2022, 35(2): 385-393. |
| [13] |
王世进, 蒯乐伊. 中国交通运输业碳排放驱动因素与达峰路径[J]. 资源科学, 2022, 44(12): 2415-2427. Wang S J, Kuai L Y. Driving factors and peaking path of CO2 emissions for China's transportation sector[J]. Resources Science, 2022, 44(12): 2415-2427. |
| [14] |
袁志逸, 李振宇, 康利平, 等. 中国交通部门低碳排放措施和路径研究综述[J]. 气候变化研究进展, 2021, 17(1): 27-35. Yuan Z Y, Li Z Y, Kang L P, et al. A review of low-carbon measurements and transition pathway of transport sector in China[J]. Climate Change Research, 2021, 17(1): 27-35. |
| [15] |
戢晓峰, 白淑敏, 陈方, 等. 效率视角下省域交通碳排放配额分配研究[J]. 干旱区资源与环境, 2022, 36(4): 1-7. Ji X F, Bai S M, Chen F, et al. Allocation of provincial transportation carbon emission quota from the perspective of efficiency[J]. Journal of Arid Land Resources and Environment, 2022, 36(4): 1-7. |
| [16] |
胡茂峰, 郑义彬, 李宇涵. 多情景下湖北省交通运输碳排放峰值预测研究[J]. 环境科学学报, 2022, 42(4): 464-472. Hu M F, Zheng Y B, Li Y H. Forecasting of transport carbon emission peak in Hubei Province under multiple scenarios[J]. Acta Scientiae Circumstantiae, 2022, 42(4): 464-472. |
| [17] | Miao Y A, Lu H X, Cui S Z, et al. CO2 emissions change in Tianjin: the driving factors and the role of CCS[J]. Applied Energy, 2024, 353. DOI:10.1016/j.apenergy.2023.122122 |
| [18] | Tang Y P, Jiang H Y. Analysis of the decoupling effect and driving factors of carbon emissions from the transportation sector in Guangdong Province[J]. Scientific Reports, 2023, 13(1). DOI:10.1038/s41598-023-45492-7 |
| [19] |
翁淑娟, 刘颍颖, 唐凤, 等. 广东省船舶二氧化碳排放驱动因素与减排潜力[J]. 环境科学, 2024, 45(1): 115-122. Weng S J, Liu Y Y, Tang F, et al. Driving forces and mitigation potential of CO2 emissions for ship transportation in Guangdong Province, China[J]. Environmental Science, 2024, 45(1): 115-122. DOI:10.13227/j.hjkx.202301087 |
| [20] |
张国兴, 苏钊贤. 黄河流域交通运输碳排放的影响因素分解与情景预测[J]. 管理评论, 2020, 32(12): 283-294. Zhang G X, Su Z X. Analysis of influencing factors and scenario prediction of transportation carbon emissions in the Yellow River Basin[J]. Management Review, 2020, 32(12): 283-294. |
| [21] |
蒋自然, 金环环, 王成金, 等. 长江经济带交通碳排放测度及其效率格局(1985~2016年)[J]. 环境科学, 2020, 41(6): 2972-2980. Jiang Z R, Jin H H, Wang C J, et al. Measurement of traffic carbon emissions and pattern of efficiency in the Yangtze River Economic Belt (1985-2016)[J]. Environmental Science, 2020, 41(6): 2972-2980. DOI:10.13227/j.hjkx.201910221 |
| [22] |
杨绍华, 张宇泉, 耿涌. 基于LMDI的长江经济带交通碳排放变化分析[J]. 中国环境科学, 2022, 42(10): 4817-4826. Yang S H, Zhang Y Q, Geng Y. An LMDI-based investigation of the changes in carbon emissions of the transportation sector in the Yangtze River Economic Belt[J]. China Environmental Science, 2022, 42(10): 4817-4826. |
| [23] | Li R R, Li L J, Wang Q. The impact of energy efficiency on carbon emissions: evidence from the transportation sector in Chinese 30 provinces[J]. Sustainable Cities and Society, 2022, 82. DOI:10.1016/j.scs.2022.103880 |
| [24] |
杨青, 郭露, 刘星星, 等. 中国省域交通碳排放空间关联格局的驱动特征[J]. 中国环境科学, 2024, 44(2): 1171-1184. Yang Q, Guo L, Liu X X, et al. Driving characteristics of the spatial correlation pattern of carbon emissions from provincial transportation in China[J]. China Environmental science, 2024, 44(2): 1171-1184. |
| [25] |
曹俊文, 张钰玲. 中国省域碳排放特征与碳减排路径研究[J]. 生态经济, 2022, 38(8): 13-19. Cao J W, Zhang Y L. Research on carbon emission characteristics and reduction pathways of provinces in China[J]. Ecological Economy, 2022, 38(8): 13-19. |
| [26] |
黄俊生, 毛保华, 吴雪妍. 碳中和战略下我国交通运输行业碳减排策略研究[J]. 北京交通大学学报(社会科学版), 2023, 22(2): 107-116. Huang J S, Mao B H, Wu X Y. Research on carbon emission reduction strategy of China's transportation industry under carbon neutrality strategy[J]. Journal of Beijing Jiaotong University (Social Sciences Edition), 2023, 22(2): 107-116. |
| [27] |
吴一帆, 许杨, 唐洋博, 等. 长江经济带二氧化碳净排放时空演变特征及脱钩效应[J]. 环境科学, 2023, 44(3): 1258-1266. Wu Y F, Xu Y, Tang Y B, et al. Temporal and spatial characteristics of net CO2 emissions and decoupling analysis in Yangtze River Economic Belt[J]. Environmental Science, 2023, 44(3): 1258-1266. |
| [28] |
宋德勇, 宋沁颖, 张麒. 中国交通碳排放驱动因素分析——基于脱钩理论与GFI分解法[J]. 科技管理研究, 2022, 42(11): 216-228. Song D Y, Song Q Y, Zhang Q. An analysis of the driving factors of China's transportation carbon emissions: based on decoupling theory and Generalized Fisher index decomposition[J]. Science and Technology Management Research, 2022, 42(11): 216-228. |
| [29] | Papież M, Śmiech S, Frodyma K. Does the European Union energy policy support progress in decoupling economic growth from emissions?[J]. Energy Policy, 2022, 170. DOI:10.1016/j.enpol.2022.113247 |
| [30] |
庞军, 梁宇超, 孙可可, 等. 中国经济增长与煤炭消费脱钩及影响因素分析[J]. 中国环境科学, 2024, 44(2): 1144-1157. Pang J, Liang Y C, Sun K K, et al. Decoupling effects and driving factors between provincial economic growth and coal consumption in China[J]. China Environmental Science, 2024, 44(2): 1144-1157. |
| [31] |
张江艳. 基于扩展STIRPAT模型LMDI分解的碳排放脱钩因素[J]. 环境科学, 2024, 45(4): 1888-1897. Zhang J Y. Research on carbon emission decoupling factors based on STIRPAT model and LMDI decomposition[J]. Environmental Science, 2024, 45(4): 1888-1897. |
| [32] | Yang P G, Liang X, Drohan P J. Using Kaya and LMDI models to analyze carbon emissions from the energy consumption in China[J]. Environmental Science and Pollution Research, 2020, 27(21): 26495-26501. |
| [33] | Bianco V, Cascetta F, Nardini S. Analysis of the carbon emissions trend in European Union. A decomposition and decoupling approach[J]. Science of the Total Environment, 2024, 909. DOI:10.1016/j.scitotenv.2023.168528 |
| [34] |
胡怀敏, 左薇, 徐士元. 长江经济带交通能源碳排放脱钩效应及驱动因素研究[J]. 长江流域资源与环境, 2022, 31(4): 862-877. Hu H M, Zuo W, Xu S Y. Decoupling effect and driving factors of transportation energy carbon emission in Yangtze River Economic Belt[J]. Resources and Environment in the Yangtze Basin, 2022, 31(4): 862-877. |
| [35] | Shen F, Abulizi A. Multidrivers of energy-related carbon emissions and its decoupling with economic growth in Northwest China[J]. Scientific Reports, 2024, 14(1). DOI:10.1038/s41598-024-57730-7 |
| [36] | Jebabli I, Lahiani A, Mefteh-Wali S. Quantile connectedness between CO2 emissions and economic growth in G7 countries[J]. Resources Policy, 2023, 81. DOI:10.1016/j.resourpol.2023.103348 |
| [37] | Wang Y, Zhou Y, Zhu L, et al. Influencing factors and decoupling elasticity of China's transportation carbon emissions[J]. Energies, 2018, 11(5). DOI:10.3390/en11051157 |
| [38] | Tapio P. Towards a theory of decoupling: degrees of decoupling in the EU and the case of road traffic in Finland between 1970 and 2001[J]. Transport Policy, 2005, 12(2): 137-151. |
| [39] |
胡景心, 沙青娥, 刘慧琳, 等. 珠江三角洲二氧化碳源汇演变特征及驱动因素[J]. 环境科学, 2023, 44(12): 6643-6652. Hu J X, Sha Q E, Liu H L, et al. Evolution characteristics and driving forces of carbon dioxide emissions and sinks in the Pearl River Delta Region, China[J]. Environmental Science, 2023, 44(12): 6643-6652. |
| [40] | IEA. Global energy review 2021[EB/OL]. https://www.iea.org/reports/global-energy-review-2021, 2021-04-20. |
| [41] |
许光清, 张文丹, 刘海博. 中国居民能源消费的间接回弹效应分析及双碳目标下的政策启示[J]. 自然资源学报, 2023, 38(3): 658-674. Xu G Q, Zhang W D, Liu H B. Indirect rebound effect analysis of Chinese residential energy consumption and policy recommendations for the carbon peak and carbon neutrality goals[J]. Journal of Natural Resources, 2023, 38(3): 658-674. |
| [42] | 天津市人民政府办公厅. 天津市低碳城市试点工作实施方案[EB/OL]. https://www.tj.gov.cn/zwgk/szfgb/qk/2012/8_3259/202005/t20200520_2475415.html, 2012-05-10. |
| [43] | 国务院. 大气污染防治行动计划[EB/OL]. https://www.gov.cn/zhengce/content/2013-09/13/content_4561.htm, 2013-09-10. |
| [44] | IEA. An energy sector roadmap to carbon neutrality in China[EB/OL]. https://www.iea.org/reports/an-energy-sector-roadmap-to-carbon-neutrality-in-china, 2021-09-29. |
| [45] | Tang L W, Luo M S, Li K, et al. Driving factors and peaking of CO2 emissions: an empirical analysis of Hunan Province[J]. Energy, 2024, 289. DOI:10.1016/j.energy.2023.129931 |