环境科学  2025, Vol. 46 Issue (8): 4813-4825   PDF    
引用本文
邵志国, 李可心, 李梦笛. 中国交通基础设施、经济增长与碳排放的脱钩效应及互动关系分析[J]. 环境科学, 2025, 46(8): 4813-4825.
SHAO Zhi-guo, LI Ke-xin, LI Meng-di. Decoupling Effect and Interactive Relationship Among Transportation Infrastructure, Economic Growth, and Carbon Emissions in China [J]. Environmental Science, 2025, 46(8): 4813-4825.
中国交通基础设施、经济增长与碳排放的脱钩效应及互动关系分析
邵志国1, 李可心1, 李梦笛2     
1. 青岛理工大学管理工程学院，青岛 266525;
2. 同济大学经济与管理学院，上海 200092
收稿日期: 2024-08-28; 修订日期: 2024-10-15
基金项目: 国家自然科学基金青年科学基金项目（72304161，71874123）；山东省自然科学基金项目（ZR2022QG029）
作者简介: 邵志国（1988~），男，博士，副教授，主要研究方向为低碳交通、区域基础设施建设与管理，E-mail：shaozhiguo@qut.edu.cn
通信作者: 李可心, E-mail：17852416838@163.com
摘要: 交通基础设施建设在拉动经济增长的同时也面临着碳排放压力的挑战，厘清交通基础设施、经济增长与碳排放三者之间的关系对推进“双碳”目标的实现具有重要意义. 基于2002~2021年中国30个省域的面板数据，将研究期划分为4个阶段（2002~2006年、2007~2011年、2012~2016年和2017~2021年），运用Tapio脱钩模型对碳排放与交通基础设施和经济增长之间的脱钩状态进行分析，并利用面板向量自回归（PVAR）模型对各地区三者之间的动态关系及内在影响机制进行研究. 结果表明：①中国碳排放与交通基础设施的脱钩关系整体上呈现“弱脱钩→强负脱钩→强脱钩→弱脱钩”的变动特征；②30个省域碳排放与经济增长的脱钩关系在4个阶段只表现为强脱钩、弱脱钩、增长连接和扩张负脱钩这4种状态，本研究期内整体脱钩状态好转，但碳排放脱钩形势较不稳定；③各地区交通基础设施对经济增长，以及交通基础设施和经济增长对碳排放均具有正向促进作用，但不同地区影响程度存在差异. 研究结果可为交通基础设施建设提供低碳发展策略，助力中国经济平稳健康可持续发展.
关键词: 交通基础设施      经济增长      碳排放      脱钩      PVAR模型     
Decoupling Effect and Interactive Relationship Among Transportation Infrastructure, Economic Growth, and Carbon Emissions in China
SHAO Zhi-guo1 , LI Ke-xin1 , LI Meng-di2     
1. School of Management Engineering, Qingdao University of Technology, Qingdao 266525, China;
2. School of Economics and Management, Tongji University, Shanghai 200092, China
Abstract: The construction of transportation infrastructure boosts economic growth while facing the challenge of carbon emissions pressure. Clarifying the relationship among transportation infrastructure, economic growth, and carbon emissions is important in order to promote the realization of the goal of "dual-carbon." Based on the panel data of 30 provinces in China from 2002 to 2021, the research period was divided into four stages (2002-2006, 2007-2011, 2012-2016, and 2017-2021). The Tapio decoupling model was used to analyze the decoupling state between carbon emissions and transportation infrastructure, as well as between carbon emissions and economic growth, and the panel vector autoregression (PVAR) model was used to study the dynamic relationship and internal influence mechanism among the three in each region. The results showed that: ① The overall decoupling relationship between carbon emissions and transportation infrastructure in China showed the changing trend of "weak decoupling → strong negative decoupling → strong decoupling → weak decoupling." ② The decoupling relationship between carbon emissions and economic growth in 30 provinces only showed four states in the four stages: strong decoupling, weak decoupling, expansive coupling, and expansive negative decoupling. During the research period, the decoupling index between carbon emissions and economic growth decreased in most provinces of China, and the overall decoupling state improved, but the carbon emissions decoupling situation was unstable. ③ Transportation infrastructure had a positive impact on economic growth in each region, and both transportation infrastructure and economic growth had a positive impact on carbon emissions in each region, but the degree of impact varied by region. The results of the research can provide low-carbon development strategies for the construction of transportation infrastructure and help promote the stable, healthy, and sustainable development of China's economy.
Key words: transportation infrastructure      economic growth      carbon emissions      decoupling      panel vector autoregression (PVAR) model     

改革开放以来，中国在交通基础设施建设领域已取得较大成就，项目建设总量、单体规模与服务质量均居世界前列. 交通基础设施是国民经济发展的重要基础和先导，是连接经济活动的重要纽带，其建设可以增强区域间的融合从而影响经济增长. 然而，交通基础设施也是城市能源消耗和碳排放的重要来源. 可见，交通基础设施的发展和完善不仅为社会经济系统带来新机遇，同时也为生态环境系统带来了挑战. 作为世界第一大碳排放国，中国在经济快速发展的同时，积极推动降碳减排工作也已成为关键任务. 在此背景下，剖析交通基础设施、经济增长与碳排放之间的逻辑关联，探索其三者间的现实发展情况及内在影响机制，对中国加快构建绿色低碳交通基础设施体系及促进经济高质量发展具有重要意义.

长期以来，交通基础设施与经济增长的关系是学界普遍关注的问题. 许多学者指出交通基础设施对经济增长具有正向促进作用[1~3]，并通过构建时间序列[4]和面板数据模型[5]探究交通基础设施多维要素对经济增长的影响. 随着新经济地理学理论的兴起，学者们开始从空间角度剖析交通基础设施与经济增长之间的联系，交通基础设施的网络性与外部性特征决定了其对区域经济增长存在正的或负的空间溢出效应[6]. 国内外学者从跨国[2]、国家[7]、区域[8]和省域[9]等不同尺度探讨交通基础设施的空间溢出效应，且多数认为交通基础设施建设增强了经济增长的空间溢出效应[10]，也有研究表明交通基础设施对经济发展的影响具有显著的空间异质性[11，12]. Wang等[2]基于“一带一路”沿线国家铁路基础设施和公路基础设施数据，发现东亚-中亚和独联体国家及南亚的交通基础设施的空间溢出效应显著为负，而中欧和东欧交通基础设施对经济增长呈现显著的正向空间溢出效应.

目前，学术界对交通基础设施与碳排放之间关联的研究相对有限. 现有的少数研究表明，交通基础设施对碳排放具有双重影响. 有学者认为交通基础设施的整个生命周期与化石燃料的大量消耗有关，进而导致碳排放的增加[13]，甚至还会将碳排放转移到其他地区[14]. 也有学者指出发达的交通基础设施加强了区域联系，加快了节能降碳新技术的推广，从而获得了脱碳效益[15]. 例如，陈赟等[16]认为交通基础设施发展已陷入了碳锁定的困境. Xie等[17]通过采用改进的STIRPAT模型得出交通基础设施的人口规模效应有利于减少碳排放，而经济增长和技术创新效应会增加碳排放. Li等[18]研究发现高速铁路对碳排放有显著的抑制作用，且高速公路和高速铁路能够促进周边地区的碳减排. 针对经济增长与碳排放关系的研讨主要集中于两个方面. 一是利用脱钩模型来明晰二者之间的演化关系，将Tapio脱钩指数与Kaya恒等式和对数平均迪氏指数因素分解法相结合，从跨国[19，20]、国家[21~23]和区域层面[24，25]探讨碳排放与经济增长的脱钩关系及驱动因素；二是通过构建面板向量自回归（panel vector autoregression，PVAR）和联立方程等模型对经济增长与碳排放之间的相互关系进行研究，认为碳排放与经济增长呈倒“U”型关系[26]，并指出经济增长是碳排放的格兰杰原因[27，28].

综上所述，学者们已对交通基础设施、经济增长与碳排放两两之间的关系进行了一系列的研究，但仍有待进一步探讨的问题. 首先，大部分研究仅从单向视角分析了交通基础设施对经济增长和碳排放，以及经济增长对碳排放的作用机制，缺少从双向因果出发将三者纳入同一个框架探究其相互关联的研究成果，且大部分研究采用时间序列数据或普通的面板回归模型，没有充分考虑变量的内生性问题，对变量间的因果关系估计存在偏差. 其次，区域交通、经济和环境这三系统之间存在着密切的互动关系，任一系统内要素的变动都可能会引起其他系统跨越时间尺度的响应，且已有研究视角多停留在单向而静态的现象分析，缺乏对系统内要素间动态机制的研究. 基于此，本文利用Tapio脱钩模型对2002~2021年中国30个省域（中国香港、澳门、台湾和西藏资料暂缺）的碳排放与交通基础设施，以及碳排放与经济增长之间的相对关系及现实发展情况进行脱钩分析，并借助PVAR模型探究各地区的交通基础设施、经济增长与碳排放之间的内在联系及相互影响的作用机制. 脱钩模型通过对经济增长与资源环境关系进行分析，可助力识别和评估区域经济发展的可持续性，从而为实现经济增长与环境保护的平衡提供科学依据. 而PVAR模型能够明晰变量间的长效动态机制，有助于更准确地预测变化趋势. 因此，两种方法结合可以从不同层面全面剖析这三者之间的互动特征，改变了仅仅探究某单一关系的研究现状，丰富了相关领域研究. 本研究成果可使地方政府全面了解各自脱钩进程，制定合理的脱钩目标，并为中国交通基础设施建设提供低碳发展策略，助力经济高质量发展和“双碳”目标的实现.

1 材料与方法 1.1 变量选取与数据来源 1.1.1 交通基础设施（TI）

考虑到公路、铁路和水路这3种运输方式的运载能力存在差异，可对不同运输方式赋予权重，将铁路里程和内河航道里程换算成公路里程，使三者具有可加性，以此衡量交通基础设施水平[29]，计算公式如下：

TIi,t=roadi,t+wRi,traili,t+wWi,twateri,t (1)

式中，roadi，t、raili，t和wateri，t分别为i省域t年的公路里程、铁路里程和内河航道里程，wRi，t和wWi，t分别为i省域t年的铁路和内河航道的货运密度分别与公路货运密度的比值，货运密度为货物周转量与线路营业里程的比值[30，31].

1.1.2 经济增长（GDP）

为剔除价格变化因素的影响，采用人均实际GDP来衡量各省域的经济发展水平，根据国家统计局公布的当年价格GDP、GDP指数及总人口数调整为以2002年为基期的不变价格.

1.1.3 碳排放量（CE）

参考《IPCC国家温室气体清单指南》，选取原煤、焦炭、原油、汽油、煤油、柴油、燃料油和天然气这8种能源，收集其终端消费量数据，进而估算碳排放量[32]，计算公式如下：

CEi=∑j=18 aj×bi,j (2)

式中，CEi为i省域的碳排放量，aj为能源j的碳排放系数，bi，j为i省域能源j的消耗量. 主要能源的碳排放系数见表 1.

表 1 主要能源的碳排放系数1） Table 1 Carbon emissions coefficients of main energies

本文选用2002~2021年中国30个省域的相关变量数据，主要来自于《中国统计年鉴》《中国能源统计年鉴》和各省域历年统计年鉴. 对于个别缺失数据，采用线性插值法补全，同时为减轻异方差对参数估计的影响，对各变量进行了对数化处理. 鉴于中国东部、中部和西部地区在地理位置、交通基础设施条件、经济发展水平及碳排放等方面的差异，将30个省域划分为东部、中部和西部这3个地区[33]，见表 2.

表 2 中国三大地区划分 Table 2 Division of three regions in China

1.2 模型构建 1.2.1 Tapio脱钩模型

经济合作与发展组织（organization for economic cooperation and development，OECD）最早将脱钩模型引入环境经济领域，认为脱钩是指阻断经济增长与环境污染之间的联系或者说使两者的变化速度不同步[34]. 脱钩方法现已广泛应用于交通、经济和能源等多种领域[35~37]. OECD脱钩模型虽然易于应用，但其缺点也很明显. 第一，它对基准年的选择高度敏感，导致计算结果的稳定性较差[38]. 第二，模型只能大致揭示两种状态：脱钩和不脱钩，无法解释微小的变化[39].

为解决上述缺点，Tapio在2005年提出脱钩弹性概念并细化了脱钩指数分类[40]，将脱钩状态分为3个大类，包括8个子类，见图 1. 采用Tapio脱钩模型分别测算碳排放与交通基础设施和经济增长的脱钩指数，计算公式如下：

e1=%ΔCE%ΔTI=CEt–CE0/CE0TIt–TI0/TI0 (3)
e2=%ΔCE%ΔGDP=CEt–CE0/CE0GDPt–GDP0/GDP0 (4)
图 1 Tapio脱钩状态划分 Fig. 1 Classification of Tapio decoupling state

式中，e1为碳排放与交通基础设施的脱钩指数，e2为碳排放与经济增长的脱钩指数，t和0分别为研究期期末和期初.

1.2.2 PVAR模型

PVAR模型将所研究的变量都视为内生变量，不需要事先设定变量间的因果关系，能够客观地分析各变量受到滞后变量和其他变量冲击时做出的响应，且能够同时调节个体效应和时间效应，将变量进行差分后还能够有效控制个体异质性，更好地说明变量间的动态互动关系[41~44]. 模型表达式如下：

Yit=γ0+∑j=1n γjYit-j+αi+βi+εit (5)

式中，Yit为包含交通基础设施（TI）、经济增长（GDP）和碳排放量（CE）这3个内生变量的三维列向量，i为省域，t为年份，γ0为截距项，j为滞后阶数，γj为滞后第j阶的参数矩阵，αi为个体固定效应，βi为个体时点效应，εit为随机扰动项.

2 结果与讨论 2.1 脱钩效应分析

利用脱钩模型分别对30个省域的碳排放与交通基础设施和经济增长两种脱钩关系进行研究. 鉴于交通基础设施建设、经济发展与碳排放均存在时间上的滞后性，以每年为时间尺度无法真实反映脱钩关系，应以5~10 a作为时间间隔[45]. 因此，将研究期划分为4个阶段（2002~2006年、2007~2011年、2012~2016年和2017~2021年），阶段划分与国家“五年规划”政策基本一致，以此分析各阶段的脱钩状态.

2.1.1 碳排放与交通基础设施脱钩

表 3展示了各省域碳排放与交通基础设施的脱钩结果，刻画了区域自身碳排放量相较于其交通基础设施建设水平的变动情况. 2002~2006年，仅有内蒙古和云南为增长负脱钩状态，其他28个省域均为弱脱钩，表明该阶段中国整体脱钩状态较优，交通基础设施水平增速大于碳排放增速. 这主要是因为在2002年党的十六大召开后，交通运输业全面快速发展，国家加大了对交通基础设施建设的投资. 2007~2011年，中国整体脱钩指数为-0.821 3，表现为强负脱钩状态. 但在该阶段，中部地区整体表现为弱脱钩，脱钩程度优于东部和西部地区. 2012~2016年，处于强负脱钩状态的省域数量降至5个，强脱钩状态的省域数量增至12个，整体脱钩水平优化，三大地区均表现为强脱钩，但各省域间脱钩差距拉大. 东部地区处于强脱钩的省域数量占比最大，主要由于东部地区属于中国经济较发达区域，交通基础设施水平高，技术创新能力强，对能源依赖程度较弱. 2017~2021年，东部、中部和西部地区处于脱钩状态的省域数量分别占63.6%、75%和54.5%，说明中国亟需加强落实碳排放治理政策，进一步推动所有省域碳排放与交通基础设施完全脱钩.

表 3 各省域碳排放与交通基础设施的脱钩结果1） Table 3 Decoupling result between carbon emissions and transportation infrastructure in each province

总体而言，中国碳排放与交通基础设施的脱钩关系整体上呈现“弱脱钩→强负脱钩→强脱钩→弱脱钩”的变动特征. 在2002~2006年和2017~2021年两阶段，虽均表现为弱脱钩状态，但2017~2021年脱钩指数小于2002~2006年，表明整体脱钩效应变强. 2007~2011年的脱钩进程最不理想，该阶段中国交通基础设施水平衰减，但碳排放量不断增长. 此外，中部地区在4个阶段均处于脱钩状态，脱钩进程优于东部和西部地区.

2.1.2 碳排放与经济增长脱钩

图 2展示了各省域碳排放与经济增长的脱钩结果，反映了区域自身碳排放量相较于其经济增长水平的变动情况. 可以看出，30个省域在4个阶段只表现为强脱钩、弱脱钩、增长连接和扩张负脱钩4种脱钩状态，这是因为各省域GDP总体上保持增长态势，研究阶段期末与期初的差值为正. 2002~2006年，全国有15个省域碳排放与经济增长之间表现为扩张负脱钩，表明在此期间，中国的碳排放量伴随着GDP的增长出现了快速上升的趋势，且碳排放的增速超过了GDP增速. 这与Zhao等[46]和Wu等[47]的研究结论一致. 同时，值得注意的是，此阶段云南的脱钩指数最高，达到了2.87. 主要因为“十五”期间，云南的GDP快速增长，年均增长率达到了8.9%，经济扩张对能源的依赖较高，但能源消耗效率较低，导致碳排放的增速高于GDP的增速[48]. 2007~2011年，17个省域为弱脱钩，北京已达到强脱钩，脱钩进程相对理想. 对于宁夏和新疆的扩张负脱钩状态，主要由于这两地技术创新能力较差，需过度依赖化石能源消费以促进经济增长. 中部地区8个省域的脱钩状态均为强脱钩，脱钩水平在三大地区中最优. 2012~2016年，除新疆外，其他29个省域均已实现脱钩，表明该阶段中国整体经济水平提高的同时，碳排放量不断减少，是低碳转型发展最理想的状态. 观察图20（b）和2（c）可知，中国大部分省域碳排放与经济增长的脱钩状态呈现出明显的由弱脱钩演变为强脱钩的趋势，这与Zhang等[49]的研究结论基本一致. 2017~2021年相较于2012~2016年的脱钩水平变差，说明中国的碳排放脱钩状态较不稳定，意味着中国仍需要做出努力以实现碳排放完全脱钩. 总体而言，本研究期内，中国大部分省域的脱钩指数已有所下降，脱钩状态逐渐好转.

SD、WD、EC和END分别表示强脱钩、弱脱钩、增长连接和扩张负脱钩 图 2 各省域碳排放与经济增长的脱钩结果 Fig. 2 Decoupling results between carbon emissions and economic growth in each province

采用脱钩分析法，能清晰地了解到交通基础设施发展与经济增长的同时所带来的碳排放效应，从宏观层面上把握目前的经济-环境发展形势，但脱钩状态的演变反映出的仅是一种现象，不能准确说明变量间关系产生的内在机制. 因此，接下来进一步利用PVAR模型对三者间相互影响的作用机制进行深入分析.

2.2 PVAR模型实证分析 2.2.1 变量的描述性统计与平稳性检验

从全国、东部、中部和西部地区对各变量分别进行描述性统计，见表 4. 可知，各地区lnTI的标准差都较高，表明区域内部各省域间交通基础设施水平存在较大差异. 从均值来看，东部地区的交通基础设施、经济发展和碳排放水平均最高且高于全国平均水平，西部地区这三者水平最低.

表 4 变量的描述性统计 Table 4 Descriptive statistics of variables

为避免出现伪回归现象，在建立模型之前必须检验所有变量的平稳性特征. 采用LLC检验和Fisher检验对数据的平稳性进行检验[43]. LLC检验的原假设为所有个体均存在单位根，Fisher检验的原假设为部分个体存在单位根. 经检验可知，3个变量在两种类型的单位根检验中有部分序列不平稳，但经过一阶差分后，3个变量的平稳性检验均拒绝原假设，即可认为数据是平稳序列，一阶差分后的面板数据单位根检验结果见表 5.

表 5 面板数据单位根检验结果1） Table 5 Panel data unit root test results

协整检验可以验证变量之间是否存在长期的均衡关系，其前提是变量均为同阶单整. 由上述单位根检验结果可知，3个变量均为一阶单整，因此可进行协整检验. 采用Westerlund[50]、Pedroni[51]和Kao[52]这3种方法检验模型中变量的协整关系，原假设认为变量之间不存在协整关系. 经检验可知，各地区3个变量的检验结果绝大部分均拒绝不存在协整关系的原假设，即各地区的交通基础设施、经济增长与碳排放之间均存在长期均衡关系. 现以全国层面为例，协整检验结果见表 6.

表 6 全国尺度的协整检验结果1） Table 6 National cointegration test results

2.2.2 滞后阶数选择与稳定性检验

参考Andrews等[53]提出的一致矩模型选择标准来确定模型滞后阶数，一般认为各准则对应的最小值则为该准则选择的最优滞后阶数. 当三者结果不一致时，通常认为MBIC和MQIC标准优于MAIC，检验结果见表 7，可知各地区的最优滞后阶数均为一阶.

表 7 PVAR模型最优滞后阶数检验1） Table 7 Optimal lag period test of PVAR model

在进行模型回归估计、脉冲响应与方差分解前，必须保证模型满足稳定性条件. 分别对全国、东部、中部和西部地区的PVAR模型进行稳定性检验，见图 3. 可知，各地区模型的变量均在单位圆内，因此构建的PVAR模型是稳健的.

图 3 PVAR模型稳定性检验 Fig. 3 PVAR model stability test

2.2.3 PVAR模型估计

在对PVAR模型进行估计前，采用前向均值差分法消除个体固定效应，以保证转换后变量与滞后变量正交. 然后采用广义矩方法（generalized method of moments，GMM）按照选定的最优滞后阶数1阶，分别对各地区的交通基础设施、经济增长与碳排放3个变量进行回归估计，结果见表 8.

表 8 PVAR模型的GMM估计结果1） Table 8 GMM estimation results of PVAR model

（1）当交通基础设施作为被解释变量时，全国、东部和中部地区滞后一期的交通基础设施水平对自身的影响不显著，但西部地区在5%的水平下显著，表明西部地区上一期的交通基础设施水平会对当前期交通基础设施水平产生正向影响；滞后一期的经济增长对交通基础设施水平的影响在各地区均不显著；全国、东部和西部地区滞后一期的碳排放对交通基础设施水平的影响不显著，但在中部地区有微弱的正向影响.

（2）当经济增长作为被解释变量时，各地区滞后一期的交通基础设施水平对经济增长均具有显著的正向影响，这与多数学者的研究结论一致[1~3，54]. 各地区滞后一期的经济增长对其自身也具有显著的正向影响；全国和东部地区滞后一期的碳排放对经济增长的影响显著，而在中部和西部地区这种影响不显著.

（3）当碳排放作为被解释变量时，各地区滞后一期的交通基础设施水平和经济增长对碳排放的影响均在1%和5%的水平上显著；全国、中部和西部地区滞后一期的碳排放均对自身有显著影响，这种影响在东部地区不显著.

总体而言，各地区交通基础设施对经济增长，以及交通基础设施和经济增长对碳排放均具有正向影响，而经济增长和碳排放对交通基础设施不存在影响. 此外，在全国和东部地区，经济增长与碳排放两者之间相互影响，存在明显互动效应；在中部和西部地区，经济增长对碳排放仅存在单向作用.

2.2.4 脉冲响应分析

本文将冲击作用期限设置为10期，借助蒙特卡洛方法模拟200次，分别对各地区进行脉冲响应分析. 由图4~7可知：第一，各地区交通基础设施、经济增长与碳排放这3个变量在面对自身的冲击时在当期均表现出显著的正向响应，随时间推移，这种响应逐渐趋于0. 但相较于交通基础设施与碳排放，经济增长的惯性效应更强，形成了长期的自我增强机制. 第二，经济增长面对交通基础设施一个单位标准差的冲击时，在各地区的当期影响接近于0，在第1期上升且达到峰值后逐渐下降，随后趋于0，呈现先上升后下降的倒“V”型的正向影响，表明交通基础设施对经济增长具有促进作用，且全国和东部地区的促进作用要略强于中部和西部. 第三，经济增长面对碳排放一个单位标准差的冲击时，在中部和西部地区的响应均不显著，在全国和东部地区当期影响为0，随后呈现倒“V”型的正向影响. 第四，碳排放面对交通基础设施一个单位标准差的冲击时，在各地区当期均表现出正向影响，在第1期正向影响达到峰值后逐渐下降并趋于0，表明交通基础设施对碳排放具有促进作用，同时可以看出当期影响在西部地区最为显著，其次是中部地区，再次是全国，在东部地区的影响最为微弱，但峰值最高的为东部地区，说明东部交通基础设施对碳排放影响的涨速相比于其他地区更快. 第五，碳排放面对经济增长一个单位标准差的冲击时，在各地区当期均表现出较强的正向影响，全国、东部和西部地区在第1期正向影响达到峰值后逐渐下降并趋于0，中部地区在当期影响达到最大值后开始下降并逐渐趋于0，说明经济增长对碳排放也具有显著的促进作用.

横轴表示冲击作用期数，纵轴表示响应强度，绿线和蓝线分别表示95%的置信区间的上限和下限，红线表示给某一冲击变量一个标准差的冲击后响应变量的脉冲响应趋势，下同 图 4 全国脉冲响应 Fig. 4 National impulse response

图 5 东部地区脉冲响应 Fig. 5 Eastern impulse response

图 6 中部地区脉冲响应 Fig. 6 Central impulse response

图 7 西部地区脉冲响应 Fig. 7 Western impulse response

2.2.5 方差分解

方差分解通过分析不同变量的方差贡献率来评估内生变量变化过程中各个冲击对变量变化的相对重要性，可以进一步解释交通基础设施、经济增长与碳排放之间的相互影响程度. 经分析可知，各地区的方差分解结果类似，因此以全国的方差分解结果为例进行分析. 由表 9可知：①交通基础设施、经济增长与碳排放的波动均主要受自身影响，第7期时3个变量对自身的贡献率仍分别为99.7%、90.2%和62.5%；②交通基础设施对经济增长的贡献率从第1期的0%涨至第7期的7.8%，碳排放对经济增长的影响程度甚微；③交通基础设施对碳排放的贡献率从0.9%涨至6.8%，经济增长对碳排放的贡献率从11.6%涨至30.7%，可知经济增长对碳排放的影响程度显著高于交通基础设施对碳排放的影响程度.

表 9 全国方差分解结果 Table 9 National variance decomposition results

3 建议

（1）充分发挥交通基础设施对经济增长的促进作用. 交通基础设施建设水平的提高推动了各地区经济的发展，但这种推动作用在不同地区之间呈现出显著差异. 因此，应加强跨区域的合作与协调，促进不同地区之间的交通联通，推动资源共享互通. 政府应制定有利于交通基础设施发展的政策，根据地区实际情况和政府预算合理地进行基础设施建设，推进交通基础设施的跨区域规划，打破地域壁垒，缩小区域间经济差距，以实现区域经济的协调发展.

（2）扎实做好交通基础设施发展过程中的碳减排工作. 碳排放与交通基础设施脱钩是中国“双碳”目标实现的基础保障，政府应制定明确的碳减排目标，并将其纳入交通基础设施规划和发展战略中. 西部地区交通基础设施水平落后，且交通基础设施与碳排放的脱钩进程相对较慢，应出台相关政策与法规，推广使用高效节能的交通设施和车辆技术，如轻量化材料、先进动力系统和能量回收技术等，提高车辆的能源利用效率，减少每单位行驶里程产生的碳排放，在交通基础设施持续发展的基础上严控碳排标准.

（3）实现经济增长与碳排放脱钩是可持续发展的重要目标. 西部地区经济发展水平较低，脱钩进程相对较慢，应以实现稳定脱钩为目标，在保证经济稳步增长的前提下尽可能地减少碳排放. 此外，西部地区拥有丰富的自然资源，如太阳能、风能和水能等，应推广和加大对清洁能源的开发和利用，降低对高碳能源的依赖，减少碳排放. 已经处于脱钩状态的东部和中部地区应以实现绝对脱钩为目标，制定示范性的政策和措施，通过共享资源、合作开展低碳项目和产业链条建设等方式，发挥辐射带动作用，形成区域低碳合作共赢的局面.

4 结论

（1）2002~2006年和2017~2021年，中国碳排放与交通基础设施的脱钩状态虽均表现为弱脱钩，但2017~2021年的脱钩指数为0.015 2，2002~2006年为0.154 4，展现了整体脱钩效应变强. 2007~2011年的脱钩状态最差，为强负脱钩，但中部地区整体表现为弱脱钩，脱钩水平优于东部和西部地区. 2012~2016年，处于强脱钩状态的省域数量增至12个，三大地区均表现为强脱钩，该阶段脱钩进程最优.

（2）本研究期内，中国大多数省域碳排放与经济增长的脱钩指数下降，脱钩状态呈现出明显的由弱脱钩演变为强脱钩的趋势. 2012~2016年，除新疆外的29个省域均已实现脱钩，但2017~2021年相较于2012~2016年的脱钩水平变差，说明中国的碳排放脱钩状态较不稳定，在碳排放与经济增长之间实现完全脱钩仍有进步空间.

（3）全国、东部、中部和西部地区的经济增长均具有长期的自我增强机制. 各地区交通基础设施对经济增长，以及交通基础设施和经济增长对碳排放均具有正向影响，经济增长对碳排放的影响程度显著高于交通基础设施对碳排放的影响程度. 此外，东部地区交通基础设施对经济增长的促进作用要略优于中部和西部地区，西部地区交通基础设施对碳排放的促进作用最为显著.

参考文献
[1] 昝欣, 欧国立. 交通基础设施、互联网与城市经济发展潜力[J]. 公路交通科技, 2023, 40(1): 261-270.
Zan X, Ou G L. Transport infrastructure, Internet and urban economic growth potential[J]. Journal of Highway and Transportation Research and Development, 2023, 40(1): 261-270.
[2] Wang C, Lim M K, Zhang X Y, et al. Railway and road infrastructure in the Belt and Road Initiative countries: estimating the impact of transport infrastructure on economic growth[J]. Transportation Research Part A: Policy and Practice, 2020, 134. DOI:10.1016/j.tra.2020.02.009
[3] Liu Y H, Ali A, Chen Y C, et al. The effect of transport infrastructure (road, rail, and air) investments on economic growth and environmental pollution and testing the validity of EKC in China, India, Japan, and Russia[J]. Environmental Science and Pollution Research, 2023, 30(12): 32585-32599.
[4] 郭琳, 刘浩志, 周育名, 等. 基于时空双维度的公路交通基础设施与经济发展关系[J]. 长安大学学报(自然科学版), 2024, 44(4): 119-129.
Guo L, Liu H Z, Zhou Y M, et al. Relationship between highway traffic infrastructure and economic development based on two dimensions of time and space[J]. Journal of Chang'an University (Natural Science Edition), 2024, 44(4): 119-129.
[5] 唐升, 李红昌, 郝璐璐, 等. 交通基础设施与区域经济增长: 基于多种运输方式的分析[J]. 中国软科学, 2021(5): 145-157.
Tang S, Li H C, Hao L L, et al. Transportation infrastructure and provincial economics growth in China: an analysis from multi-transportation perspective[J]. China Soft Science, 2021(5): 145-157.
[6] Chacon-Hurtado D, Kumar I, Gkritza K, et al. The role of transportation accessibility in regional economic resilience[J]. Journal of Transport Geography, 2020, 84. DOI:10.1016/j.jtrangeo.2020.102695
[7] Shabani Z D, Safaie S. Do transport infrastructure spillovers matter for economic growth? Evidence on road and railway transport infrastructure in Iranian provinces[J]. Regional Science Policy & Practice, 2018, 10(1): 49-64.
[8] 潘林伟, 林子雄. 交通基础设施对区域经济发展的空间溢出效应研究——基于成渝双城经济圈的时空数据分析[J]. 资源开发与市场, 2022, 38(1): 53-60.
Pan L W, Lin Z X. Study on spatial spillover effects of transportation infrastructure on regional economic development——empirical analysis based on spatial-temporal data of Chengdu-Chongqing economic circle[J]. Resource Development & Market, 2022, 38(1): 53-60.
[9] 樊建强, 李璐. 陕西省交通基础设施对经济增长的空间溢出效应[J]. 长安大学学报(社会科学版), 2020, 22(1): 40-49.
Fan J Q, Li L. Spatial spillover effect of the transportation infrastructure on economic growth in Shaanxi province[J]. Journal of Chang'an University (Social Science Edition), 2020, 22(1): 40-49.
[10] Wang J, Yang X Y, Qalati S A, et al. Spatial spillover effect and spatial distribution characteristics of transportation infrastructure on economic growth: a case of the Yangtze River Delta[J]. Frontiers in Environmental Science, 2022, 10. DOI:10.3389/fenvs.2022.900209
[11] Huang Y, Xu W T. Spatial and temporal heterogeneity of the impact of high-speed railway on urban economy: empirical study of Chinese cities[J]. Journal of Transport Geography, 2021, 91. DOI:10.1016/j.jtrangeo.2021.102972
[12] 陈杰. 交通基础设施建设、环境污染与地区经济增长[J]. 华东经济管理, 2020, 34(9): 72-79.
Chen J. Transportation infrastructure construction, environmental pollution and regional economic growth[J]. East China Economic Management, 2020, 34(9): 72-79.
[13] Han Y Z, Li H, Liu J W, et al. Life cycle carbon emissions from road infrastructure in China: a region-level analysis[J]. Transportation Research Part D: Transport and Environment, 2023, 115. DOI:10.1016/j.trd.2022.103581
[14] Wang L J, Du K R, Shao S. Transportation infrastructure and carbon emissions: new evidence with spatial spillover and endogeneity[J]. Energy, 2024, 297. DOI:10.1016/j.energy.2024.131268
[15] Huang Y X, Hu M, Xu J J, et al. Digital transformation and carbon intensity reduction in transportation industry: empirical evidence from a global perspective[J]. Journal of Environmental Management, 2023, 344. DOI:10.1016/j.jenvman.2023.118541
[16] 陈赟, 石梦怡, 马崇森. 省域交通基础设施碳锁定系统耦合效应时空演化[J]. 铁道科学与工程学报, 2023, 20(3): 1127-1138.
Chen Y, Shi M Y, Ma C S. Spatial and temporal evolution of coupling effect of carbon locking system in provincial transportation infrastructure[J]. Journal of Railway Science and Engineering, 2023, 20(3): 1127-1138.
[17] Xie R, Fang J Y, Liu C J. The effects of transportation infrastructure on urban carbon emissions[J]. Applied Energy, 2017, 196: 199-207.
[18] Li J J, Wang P X, Ma S. The impact of different transportation infrastructures on urban carbon emissions: evidence from China[J]. Energy, 2024, 295. DOI:10.1016/j.energy.2024.131041
[19] Wang Q, Zhang F Y. The effects of trade openness on decoupling carbon emissions from economic growth-Evidence from 182 countries[J]. Journal of Cleaner Production, 2021, 279. DOI:10.1016/j.jclepro.2020.123838
[20] Apeaning R W. Technological constraints to energy-related carbon emissions and economic growth decoupling: a retrospective and prospective analysis[J]. Journal of Cleaner Production, 2021, 291. DOI:10.1016/j.jclepro.2020.125706
[21] 宋晓聪, 杜帅, 沈鹏, 等. 中国制造业CO2排放与经济脱钩关系解析[J]. 环境科学与技术, 2022, 45(7): 201-208.
Song X C, Du S, Shen P, et al. Analysis of decoupling relationship between economy and CO2 emissions from manufacturing industry of China[J]. Environmental Science & Technology, 2022, 45(7): 201-208.
[22] Wang Q, Wang S S. Decoupling economic growth from carbon emissions growth in the United States: the role of research and development[J]. Journal of Cleaner Production, 2019, 234. DOI:10.1016/j.jclepro.2019.06.174
[23] 葛青秀, 杨萍果, 蒲英霞. 中国省域交通运输碳排放脱钩状态及其驱动因素[J]. 环境科学, 2025, 46(4): 2009-2019.
Ge Q X, Yang P G, Pu Y X. Decoupling status and driving factors of provincial transport carbon emissions in China[J]. Environmental Science, 2025, 46(4): 2009-2019.
[24] 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. DOI:10.13227/j.hjkx.202203155
[25] 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. DOI:10.13227/j.hjkx.202304203
[26] Dong K Y, Sun R J, Jiang H D, et al. CO2 emissions, economic growth, and the environmental Kuznets curve in China: what roles can nuclear energy and renewable energy play?[J]. Journal of Cleaner Production, 2018, 196. DOI:10.1016/j.jclepro.2018.05.271
[27] Loganathan N, Shahbaz M, Taha R. The link between green taxation and economic growth on CO2 emissions: fresh evidence from Malaysia[J]. Renewable and Sustainable Energy Reviews, 2014, 38: 1083-1091.
[28] 程铁军, 笪源洁. 收入均衡、碳排放量与经济增长[J]. 软科学, 2022, 36(3): 68-74.
Cheng T J, Da Y J. Income balance, carbon emissions and economic growth[J]. Soft Science, 2022, 36(3): 68-74.
[29] 马永腾, 蒋瑛, 鲍洪杰. 交通基础设施、数字经济与贸易增长——基于西部陆海新通道沿线区域的实证分析[J]. 改革, 2023(6): 142-155.
Ma Y T, Jiang Y, Bao H J. Transportation infrastructure, digital economy and trade growth: a research on the regions along the new western land-sea route[J]. Reform, 2023(6): 142-155.
[30] 中国农村百科全书[M]. ((第二版)). 北京: 人民出版社, 2007.
[31] 吴传钧. 经济大辞典[M]. 上海: 上海辞书出版社, 1988.
[32] 王奕淇, 黄涵祝. 中国碳排放脱钩效应、时空特征与驱动因素[J]. 生态学报, 2024, 44(6): 2228-2243.
Wang Y Q, Huang H Z. Research on the decoupling effect, spatio-temporal characteristics, and driving factors of carbon emissions in China[J]. Acta Ecologica Sinica, 2024, 44(6): 2228-2243.
[33] 尹朝静, 廖培森, 葛静芳, 等. 中国农业全要素水资源绿色生产率的区域差异、动态演进及收敛性[J]. 干旱区资源与环境, 2025, 39(2): 107-116.
Yin Z J, Liao P S, Ge J F, et al. Regional differences, dynamic evolution and convergence of agricultural total factor water green productivity in China[J]. Journal of Arid Land Resources and Environment, 2025, 39(2): 107-116.
[34] 苗安康, 袁越, 吴涵, 等. 中国省域碳达峰路径与政策[J]. 环境科学, 2023, 44(8): 4623-4636.
Miao A K, Yuan Y, Wu H, et al. Pathway and policy for China's provincial carbon emission peak[J]. Environmental Science, 2023, 44(8): 4623-4636.
[35] Wu Y, Zhou Y T, Xu B. Decoupling relationship between economic growth and PM2.5 emissions in the transportation sector in China: regional differences and influencing factors[J]. Environmental Research Letters, 2022, 17(4). DOI:10.1088/1748-9326/ac5f2b
[36] 陈四瑜, 刘晶茹, 孙光明. 基于脱钩指数的工业园区碳排放与经济发展关系[J]. 环境科学, 2023, 44(11): 6412-6420.
Chen S Y, Liu J R, Sun G M. Relationship between carbon emissions and economic development of industrial parks based on decoupling index[J]. Environmental Science, 2023, 44(11): 6412-6420.
[37] 刘嗣明, 涂玮, 胡伟博, 等. 中部六省经济增长与工业三废脱钩关系[J]. 桂林理工大学学报, 2024, 44(2): 321-329.
Liu S M, Tu W, Hu W B, et al. Decoupling relationships between economic growth and industrial wastes in six provinces of central China[J]. Journal of Guilin University of Technology, 2024, 44(2): 321-329.
[38] Zhu S S, Sun H, Xia X C, et al. Decoupling analysis of carbon emissions and forest area in China from 2004 to 2020[J]. Land, 2023, 12(7). DOI:10.3390/land12071458
[39] Magazzino C, Mele M. On the relationship between transportation infrastructure and economic development in China[J]. Research in Transportation Economics, 2021, 88. DOI:10.1016/j.retrec.2020.100947
[40] 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.
[41] 刘志华, 徐军委, 张彩虹. 科技创新、产业结构升级与碳排放效率——基于省际面板数据的PVAR分析[J]. 自然资源学报, 2022, 37(2): 508-520.
Liu Z H, Xu J W, Zhang C H. Technological innovation, industrial structure upgrading and carbon emissions efficiency: an analysis based on PVAR model of panel data at provincial level[J]. Journal of Natural Resources, 2022, 37(2): 508-520.
[42] Jahanger A, Hossain M R, Awan A, et al. Linking tourist's footprint and environmental tragedy through transportation, globalization and energy choice in BIMSTEC region: directions for a sustainable solution using novel GMM-PVAR approach[J]. Journal of Environmental Management, 2023, 345. DOI:10.1016/j.jenvman.2023.118551
[43] Li W, Hao N, Lu C. A PVAR dynamic correlation appraisal of China's carbon emissions in conjunction with economic growth and clean energy use[J]. Renewable Energy, 2023, 219. DOI:10.1016/j.renene.2023.119484
[44] 狄乾斌, 梁晨露, 陈小龙. 广东省减污降碳与经济发展的动态协调效应[J]. 环境科学, 2025, 46(2): 669-681.
Di Q B, Liang C L, Chen X L. Dynamic coordination effect of pollution reduction and carbon reduction and economic development in Guangdong province[J]. Environmental Science, 2025, 46(2): 669-681. DOI:10.13227/j.hjkx.202402014
[45] 武娜, 沈镭, 钟帅, 等. 晋陕蒙地区经济增长与碳排放时空耦合关系[J]. 经济地理, 2019, 39(9): 17-23.
Wu N, Shen L, Zhong S, et al. Spatio-temporal coupling relationship between economic growth and carbon emission in Shanxi-Shaanxi-Inner Mongolia[J]. Economic Geography, 2019, 39(9): 17-23.
[46] Zhao X R, Zhang X, Li N, et al. Decoupling economic growth from carbon dioxide emissions in China: a sectoral factor decomposition analysis[J]. Journal of Cleaner Production, 2017, 142. DOI:10.1016/j.jclepro.2016.10.117
[47] Wu Y, Tam V W Y, Shuai C Y, et al. Decoupling China's economic growth from carbon emissions: empirical studies from 30 Chinese provinces (2001—2015)[J]. Science of the Total Environment, 2019, 656: 576-588.
[48] Xu S C, Han H M, Zhang W W, et al. Analysis of regional contributions to the national carbon intensity in China in different Five-Year Plan periods[J]. Journal of Cleaner Production, 2017, 145: 209-220.
[49] Zhang Y J, Da Y B. The decomposition of energy-related carbon emission and its decoupling with economic growth in China[J]. Renewable and Sustainable Energy Reviews, 2015, 41: 1255-1266.
[50] Westerlund J. Testing for error correction in panel data[J]. Oxford Bulletin of Economics and statistics, 2007, 69(6): 709-748.
[51] Pedroni P. Purchasing power parity tests in cointegrated panels[J]. Review of Economics and statistics, 2001, 83(4): 727-731.
[52] Kao C. Spurious regression and residual-based tests for cointegration in panel data[J]. Journal of Econometrics, 1999, 90(1): 1-44.
[53] Andrews D W K, Lu B. Consistent model and moment selection procedures for GMM estimation with application to dynamic panel data models[J]. Journal of Econometrics, 2001, 101(1): 123-164.
[54] Ke X, Lin J Y, Fu C H, et al. Transport infrastructure development and economic growth in China: recent evidence from dynamic panel system-GMM analysis[J]. Sustainability, 2020, 12(14). DOI:10.3390/su12145618