2024, Vol. 45
2. 天津大学管理与经济学部, 天津 300372
2. Department of Management and Economics, Tianjin University, Tianjin 300372, China
中国共产党第二十次全国代表大会中明确提出“推进交通领域清洁低碳转型”要求, 旨在加快交通运输结构调整优化.作为国民经济和社会发展的基础产业, 交通运输业促进了国家和区域经济发展, 不断重塑城市和区域的空间形态和结构[1].“双碳”目标提出以来, 各省域和各行业如何核算碳排放强度, 并依据碳排放强度时空交互特征, 动态调整管控模式成为掣肘问题.交通运输领域的发展目前在中国属于加速扩张阶段, 已成为第二大碳排放源.然而, 由于区域产业结构与交通运输需求差异, 中国各省市间交通运输碳排放强度差异较大, 并且囿于交通运输系统的动态性, 基于行政区划的碳排放强度核算与管控在全生命周期碳足迹管理中存在局限性.因此, 基于中国交通运输这一重点领域的碳排放强度时空交互特征及跃迁机制亟待考察.
在研究视角上, 工业[2]、农业[3]和制造业[4]等领域的碳排放强度研究日益成熟.但随着时间的推进, 学者们不再局限于对重点行业单方面的碳排放强度研究, 还探讨了数字普惠金融和技术创新[5]中所涵盖的碳排放强度问题以及碳交易试点政策[6]对碳排放强度的作用机制, 促进我国绿色低碳经济发展和节能减排工作的部署.在研究尺度上, 碳排放强度的研究涉及到省级[7], 市级[8]乃至县域[9]层面上.在研究内容上, 包含了耦合协调度、时空演变[10~12]、影响评估与机制研究[13]和碳补偿潜力测算[14, 15]等方面, 不断地完善碳排放强度领域的研究成果.在研究方法上, Dagum基尼系数、空间杜宾模型及空间相关性检验等被广泛用于检测碳排放强度的变化.交通运输业作为我国“双碳”发展的重点领域之一, 已经做出了极具贡献性的研究, 学者们对于交通碳排放测算主要采用自上而下[16, 17]和自下而上法[18, 19], 在探究交通运输业碳排放的空间格局上常采用半变异函数[20]、泛克里金法及莫兰指数对碳排放强度空间分异和类聚进行探究.然而, 上述研究或是只针对某一区域进行, 或是单独研究时间序列和截面数据, 并未将时间与空间的变化规律进行结合探索.对于交通运输业碳排放强度影响因素主要分为单因素以及多因素的研究.对于多因素研究, 主要通过LMDI分解法[21~23]、STIRPAT模型[24, 25]和广义费雪指数法[26]等方法从不同维度对影响因素进行分解, 然后进一步探究不同因子对交通运输业碳排放、碳排放强度或碳排放效率的影响.而另一方面, 对于考察某一特定单因素的影响也逐渐成熟.例如基于“人口-土地-经济”的视角探讨了城镇化因素能够显著促进交通碳排放的提升[27], 又或是探究了数字化对交通碳排放强度的影响机制[28], 并表示数字化减排红利的长期效应显著, 且随着数字化发展水平的提高, 减排红利呈现边际效用递增的非线性特征.
总的来说学界已经通过碳排放测算、碳排放效率及碳排放强度等角度对交通运输业环境效应展开了系统性的研究.但在交通运输业领域, 现有探索多集中于交通碳排放效应的聚类特征或是分异特征研究, 大多从截面层面来进行剖析, 少有将时间与空间进行交互, 考虑其综合格局及变迁.在影响因素方面, 许多学者基于多种分解模型研究了影响因素的传统驱动机制, 但忽略了不同碳排放强度和地理区域水平下影响因素的差异, 不利于各省或各地区制定对应的减排策略.鉴于此, 本文选取交通运输业碳排放强度的角度, 采用多种空间分析的方法, 对2002~2020年交通运输业碳排放强度的时空交互特征进行剖析, 通过得到的时空跃迁类型与面板分位数模型进行嵌套来探究其跃迁机制, 最后根据不同的跃迁机制, 引入地理探测器模型来考察分析影响交通运输业碳排放强度的不同因素之间的交互作用效应.本文有助于深度挖掘交通运输业减排的潜力, 以期为完善各地区减排政策提供良好的依据.
1 材料与方法 1.1 数据来源与相关变量选取本文对2002~2020年交通运输业碳排放强度的时空交互特征及跃迁机制进行探究, 结合学者们对交通运输业的大量研究, 参考STIRPAT模型, 从人口、经济和技术这3个维度选取影响各省域交通运输业碳排放强度的因素进行分析.人口密度和城镇化水平由人口维度拓展而来, 人均GDP和交通运输产业规模由经济维度拓展而来, 能源强度用来表示技术维度.除此之外, 随着公路、铁路等交通方式的出现, 交通基础设施水平对交通运输业碳排放强度的影响也逐渐加深, 而交通网络大规模布局增加了各省域间的联系, 带动了消费水平[29].近些年学者们对于环境规制在碳排放方面的研究逐渐深入, 环境规制作为约束力量, 对交通运输业的碳排放强度影响如何也有待考究.因此本文从人口密度和经济发展水平等影响因素来探究中国交通运输业碳排放强度时空跃迁的驱动或制约模式, 详见表 1.
|
表 1 相关变量描述表 Table 1 Related variable description table |
其中各省（中国港澳台及西藏数据暂缺）交通运输业能源消耗数据、交通运输业总产值、标准煤折算系数及碳排放系数分别来自于《中国能源统计年鉴》（2003~2021年）、《中国统计年鉴》（2003~2021年）和《2006年IPCC国家温室气体清单指南目录》；各变量数据来自于《中国统计年鉴》（2003~2021年）、各省统计年鉴（2003~2021年）以及国泰安数据库.
1.2 研究方法 1.2.1 交通运输业碳排放强度测算首先根据IPCC推荐的方法估算出中国30个省份2002~2020的交通运输业CO2排放量.需要注意的是：①不包括中国西藏和港澳台地区. ②文中的能源消耗总量主要来源于原煤、煤油、汽油、燃料油、柴油、天然气以及电力, 具体公式为：
|
(1) |
式中, Cti为省份i在第t年的交通运输业CO2排放量；n为交通运输业的能源消耗类型, n = 1, 2, …, 7, 包括7种主要能源：原煤、煤油、汽油、燃料油、柴油、天然气和电力；CO2tin为省份i在第t年的能源消耗所产生的CO2排放量；Etin为省份i在第t年的第n种能源消耗量；ηn为第n种能源的折标准煤系数量, αn为第n种能源的碳排放系数.
通过得到的交通运输业CO2排放量测算其碳排放强度.它表示特定地区在特定时间段内交通运输产生的CO2排放量与相应交通运输产值的比值（单位：t·万元-1）.具体测算公式如下：
|
(2) |
式中, CIti为第t年省份i的交通碳排放强度；GDPti为第t年省份i的交通GDP值.
1.2.2 空间自相关分析在已测得各省交通运输业碳排放强度的基础上, 探究空间关联特征, 首先通过空间自相关分析法中的全局Moran's I指数, 分析中国交通运输业碳排放强度的空间相关性和整体聚集度. Moran's I指数的结果值介于[-1, 1]之间, 当Moran's I指数值大于0但小于等于1时, 证明各省域交通运输业碳排放强度具有空间正相关性, 且值越大聚集程度越高；当Moran's I指数值大于-1但小于0时, 证明各省域交通运输业碳排放强度呈现的是空间负相关性, 且值越小空间差异性越强；当指数值为0或无限接近于0时, 表明不存在空间相关关系.具体公式如下：
|
(3) |
式中, n为省份的数量；xi和xj分别为相邻省份的交通运输业碳排放强度值；x为交通运输业碳排放强度均值；wij为空间权重矩阵.
1.2.3 探索性时空数据分析（ESTDA）现有的关于交通运输业碳排放强度空间格局差异和演化特征的实证研究更多地关注截面表征的测量[30], 忽视了时间和空间元素的耦合和连续性.在空间自相关分析的基础上, 考察时空交互特征, 利用探索性时空数据分析（ESTDA）方法将时间维度和空间维度进行交互整合, 实现对时空交互规律的探究[31].
（1）LISA时间路径 基于Moran's I散点图中LISA坐标的时间迁移特性, LISA时间路径被用来描述交通领域碳排放强度在局部区域内的时空协同变化[32].它还用于确定碳排放强度在局部空间上的时空动态特性, 以实现交通运输业碳排放强度值及其随时间的滞后移动[33].通过相对长度和弯曲度两个指标能够将静态的局部空间依赖转化为动态的连续表达.具体公式如下：
|
(4) |
|
(5) |
式中, τ为相对长度；ε为弯曲度；N为研究省份数量；T为时间间隔, d（Li,t, Li,t+1）为省份i在时刻t至t+1的移动距离.若τ和ε的数值越大, 表明某省域单元的交通运输业碳排放强度在研究期内具有更加动态的局部空间结构与依赖方向, 反之则相反.
（2）LISA时空跃迁 有研究根据不同时段的Moran's I散点图中各单元局部空间关联类型的转移情况将LISA时间路径与传统马尔科夫状态转移矩阵结合起来[34~37], 形成时空跃迁.通过时空跃迁可以探究交通运输业碳排放强度的局部空间依赖类型及其状态转移的概率, 主要包括表 2的4种类型[38, 39].
|
|
表 2 时空跃迁类型 Table 2 Types of spatiotemporal transition |
（3）LISA时空网络 在已探明省域间交通运输业碳排放强度时空跃迁形式的基础上, 为了能够更好地反映其时空交互格局, 利用LISA时空网格揭示ESDA中不显著的某些关联[39].交通运输业碳排放强度的时空网格可以通过各省份中心连线进行可视化, 以线的粗细或者形态颜色来区分各省之间交通运输业碳排放强度的关联特征.根据动态关联特性, 可以将其划为4类：强正向关联（0.5~1.0）、弱正向关联（0~0.5）、强负向关联（-1.0~-0.5）和弱负向关联（-0.5~0）.当邻接省份在时空变迁过程中处于协同发展状态时, 称为正向关联状态.而负向关联状态则表示邻接省份存在时空竞争性.若数值恰好为0, 则表示邻接省域间不存在动态关联关系.
1.2.4 分位数回归模型Koenker等[40]提出的分位数回归可以对交通运输业碳排放强度的分布情况进行更细致地刻画, 且估计的过程更加稳健, 难以受到异常值的影响而波动.此外分位数回归得到的结果能与时空跃迁矩阵进行嵌套, 从而能够更清晰地展示各因素对时空跃迁的影响作用.
假设变量Y的概率分布为：
|
(6) |
τ的分位数定义为：
|
(7) |
则F（y）的分位数q（τ）的最小化目标函数为：
|
(8) |
式中, argminξ为在设定ξ取值下目标函数取得最小值.
1.2.5 地理探测器模型通过前文分位数回归得出跃迁机制, 再引入地理探测器模型, 探究跃迁机制中不同因子组合之间的交互影响, 从而选取出最优组合.地理探测器是探测空间格局差异性及背后影响因素的一种统计学工具, 以揭示其背后驱动力的一种新兴统计学方法, 已经在自然、环境等多个领域得到运用[41].其包括因子探测和交互探测两部分, 本文主要基于交通运输业碳排放强度跃迁机制来考察分析不同机制中影响因子的交互作用效应, 丰富交通运输业碳排放强度的跃迁影响机制.
交互作用探测中两因子交互会出现5种不同的情况, 判断依据为：①q（X1 ∩ X2） < Min[q（X1）, q（X2）], X1和X2交互后非线性减弱；②Min[q（X1）, q（X2）] < q（X1∩X2） < Max[q（X1）, q（X2）], X1和X2交互后单因子非线性减弱；③q（X1∩X2） > Max[q（X1）, q（X2）], X1和X2交互后双因子增强；④q（X1∩X2）= q（X1）+ q（X2）, X1和X2交互后互相独立；⑤q（X1∩X2） > q（X1）+ q（X2）, X1和X2交互后非线性增强.
2 结果与分析 2.1 中国交通运输业碳排放强度时序演化与空间相关性分析本文先应用ArcGIS软件, 通过中国地图来显示各省交通运输业碳排放强度水平（图 1）.总体来看, 2002~2020年交通运输业碳排放强度先成“放射型”发展, 随着时间的推移全国交通运输业碳排放强度开始逐步收缩, 多数省份碳排放强度低于全国均值, 整体呈现波动下降的态势.说明交通运输行业经济增长幅度高于该行业的碳排放增长幅度, 从而使交通运输业每单位经济发展的环境成本降低, 减排潜力不断释放.从各年份的具体变化趋势来看, 将中国交通运输业碳排放强度变化分为3个阶段.其中, 2002~2008年中国交通运输经济高速发展, 由于对环境保护认识的缺乏, 使得能源消耗量增幅较大, 交通运输业碳排放强度水平在此期间显著提升. 2009~2013年随着国家“绿色出行”的提出, 以奥运为契机, 走向低碳交通.以京津冀区域为首的周边省域交通运输业碳排放强度显著降低. 2014~2020年期间, 国家实施了总体减排和后续能耗“双控”行动, 这使得各省份交通运输业碳排放强度值稳步下降, 但与“双碳”目标相比仍存在差距. 黑龙江、上海以及西南部的一些省份的交通运输业碳排放强度仍处于高值区, 区域之间的减排差异和极化现象依旧存在.
|
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 1 中国省域交通运输业碳排放强度变化 Fig. 1 Changes in carbon intensity of China's provincial transportation industry |
为深入了解中国交通运输业碳排放强度的整体差异和动态演进特征, 采用核密度估计法对其进行了分析.选取2002年、2008年、2014年以及2020年的核密度曲线对交通运输业碳排放强度进行分析（图 2）, 其中主要从核密度曲线的位置、峰值和延展性这3个角度解释了交通运输行业碳排放强度的发展趋势.从曲线位置看, 核密度曲线中心在研究期内先右移再左移, 说明中国交通运输业碳排放强度出现先上升后下降的趋势, 这与图 1呈现的趋势相呼应.从曲线的峰值变化来看, 先降后升, 核密度曲线形状从宽峰变为尖峰, 表明不同地区交通运输业碳排放强度的分布特性总体上呈现出从分散到聚集的动态收敛趋势.从曲线的延展性来看, 右拖尾现象得到缓解, 延性的扩展特性有所缩小, 表明我国交通运输业高碳区域之间的空间差距正在逐步缩小.总体来看, 我国交通运输业碳排放强度的分散程度先增后减, 多峰趋势的显现也表明少数省域间交通运输业碳排放强度差距正在逐渐扩大.
|
图 2 中国省域交通运输业碳排放强度核密度 Fig. 2 Kernel density curve of carbon intensity in China's transportation industry |
中国交通运输业碳排放强度变化地图和核密度曲线仅反映了其时序特征, 本文借助Moran's I指数进一步探究其空间关联特征.根据表 3的数据, 2002~2020年全局Moran's I指数值均大于0, 并通过了显著性检验.这表明在研究期间, 各省域的交通运输业碳排放强度呈现出空间正相关性, 且每年的空间聚集特征都相对明显.此外, 通过观察发现2014年以前的Moran's I指数值平稳性较低, 波动起伏态势更加明显.自2014年后能耗“双控”工作的开展, Moran's I指数值一直稳定在0.2左右, 整体上全局Moran's I指数呈现出“波动-平稳”的趋势.这意味着在研究中期, 各省的交通运输业碳强度的空间相关性有所减弱.然而, 随着时间的推移, 交通运输业碳排放强度的空间相关性逐渐上升, 并趋于稳定.
|
|
表 3 中国交通运输业碳排放强度的Moran's I 1） Table 3 Moran's I of carbon intensity in China's transportation industry |
2.2 中国交通运输业碳排放强度时空交互特征分析 2.2.1 LISA时间路径几何特征分析
在已探明交通运输业碳排放强度时间层面和空间层面的整体趋势基础上, 对时间元素和空间元素进行交互来弥补对综合变迁格局研究的不足.先通过LISA时间路径的相对长度和弯曲度, 进一步探究中国交通运输业碳排放强度的空间依赖性及局部空间结构是否稳定.由图 3可以看出, 黑龙江、安徽、陕西、甘肃、青海、宁夏和新疆等地的相对长度均大于全国平均水平, 相对长度越长, 表明局部空间依赖关系和局部空间结构动态特征越明显.该省份和周边邻接空间单位的关系不稳定, 变化和波动较大.主要由于这些地区在研究期内处于交通运输业发展阶段, 能源消耗不稳定, 呈现出较强的波动性.而上海和浙江等东部沿海城市的相对长度较短, 这些经济发达地区已经形成了成熟的交通运输网络, 因此局部空间格局也相对稳定.总体来说, 大部分省份的LISA相对长度较小, 局部空间格局更偏向于稳定特征.
|
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 LISA时间路径的相对长度和弯曲度 Fig. 3 Relative length and curvature of LISA time path |
由图 3所示, 江苏、浙江、安徽、江西、山东、湖南和重庆等地区弯曲度均高于全国平均水平, 弯曲度越高就说明该省份更受邻域空间影响, 同时其自身随着时间的推移碳排放强度增幅逐渐显著, 或者在某些时间段内波动更剧烈.而西北部和东北地区的弯曲度较低, 主要原因在于这些省份与其邻域地区的能源结构类似, 交通运输业发展进程区别不大, 空间依赖的动态波动相互影响所致.
2.2.2 LISA时空跃迁分析LISA时间路径分析仅解释了交通运输业碳排放强度LISA坐标的变化大小和趋势, 无法反映Moran's I散点图中局部空间关联类型的转移特征.LISA时空跃迁进一步将局部的空间依赖性进行分解.将LISA时间路径与传统马尔科夫状态转移矩阵结合起来, 形成时空跃迁矩阵（表 4）.通过时空跃迁方法可以确定各省交通运输业碳排放强度的局部空间依赖类型及其状态转移的概率, 其中时空跃迁包括Ⅰ、Ⅱ、Ⅲ和Ⅳ型这4种类型[42]. HH型和LL型分别表示属性变量的高值聚集和低值聚集, 具有正向的空间相关性；HL型和LH型则表示自身与邻域之间的属性变量值差距较大, 呈现负向的空间相关性.通过观察发现, 极少省份属于跃迁类型Ⅱ和Ⅲ, 属于跃迁类型Ⅰ的大部分省份位于西南地区.多数省份属于跃迁类型Ⅳ, 其中表现为HHt→HHt+1的省份（新疆、云南和贵州等）, 大多为资源依赖型省份, 依靠能源开采和消耗度发展交通运输业, 因此交通运输业碳排放强度始终维持在高值区, 完成低碳绿色转型压力也相对较大；表现为LLt→LLt+1的省份, 如经济水平较为发达的省份（江西、浙江和江苏）、能源利用率高的省份（山东、天津、河北和河南）和交通网络发展较慢的省份（安徽）的碳排放强度较低.从整体情况来看, 观测省区的交通运输业碳排放强度变迁格局较为稳定, 具有较高的凝固特性.
|
|
表 4 中国交通运输业碳排放强度时空跃迁矩阵 Table 4 Spatial and temporal transition matrix of carbon intensity in China's transportation industry |
2.2.3 LISA时空网络
在减排过程中, 邻接省域间可能存在合作共赢或时空竞争的关系.本文通过刻画邻域省份交通运输业碳排放强度的时空网络（图 4）来揭示省域间可能存在的合作和竞争关系（中国香港、澳门、台湾及西藏地区数据缺失较多, 本研究未涉及）. 从省域交通运输业碳排放强度地理网络和拓扑网来看, 交通运输业碳排放强度的时空格局主要以正向关联为主, 有50对, 占比达到了76.9%.这说明交通运输业碳排放强度呈现出整合性较强的变迁演化过程.此外, 江苏与安徽、甘肃与青海呈现出强负向关联状态, 这些省份碳排放强度的演化过程存在一定竞争性, 其原因可能是资源及减排技术不均衡所致, 单个省份的减排发展存在一定的区域封闭性.而天津与河北、河北与内蒙古、河北与吉林、内蒙古与吉林等大多数省域之间存在强正向关联特征, 这些省域间集中态势较为明显, 交通运输业碳排放强度演化过程相似, 为协同发展区域.
|
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 中国交通运输业碳排放强度时空网络 Fig. 4 Spatiotemporal network of carbon intensity in China's transportation industry |
本文依据分位数回归模型选取0.1、0.25、0.5、0.75和0.9这5个分位数点进行面板分位数回归, 划分出低分位响应（0.1~0.5）和高分位响应（0.5~0.9）.将交通运输业碳排放强度（CI）、人口密度（P）、经济发展水平（A）、技术水平（T）、交通运输产业规模（IS）、环境规制（ER）、城镇化水平（UB）、消费水平（CPI）以及交通基础设施水平（TFI）纳入面板分位数回归模型中进行时空跃迁的影响因素分析.根据表 5结果显示：人口密度（P）、经济发展水平（A）和城镇化水平（UB）均表现为各分位点上的负向作用, 其中交通基础设施水平（TFI）在高分位点上呈现出抑制效应. 技术水平（T）和交通运输产业规模（IS）在各分位点上表现为正向作用, 其中消费水平（CPI）只在低分位水平上体现出了驱动效应, 而环境规制（ER）也表现为驱动效应, 却在各分位点上未通过显著性检验.
|
|
表 5 OLS估计与分位数回归结果1） Table 5 OLS estimation and quantile regression results |
2.3.2 时空跃迁与分位数回归嵌套
分位数回归能更好地反映不同因子对交通运输业碳排放强度跃迁的驱动或制约作用, 根据分位数回归结果分为4类分位数响应类型, 进一步将不同响应阶段的影响因子类型与交通运输业碳排放强度跃迁类型进行嵌套[39, 42]（表 6）. 在高分位制约中, 同向制约是指交通运输业高碳排放强度区和其邻接省份同时受到制约, 若邻接省份依旧维持在高值区或发生跃迁则表示为反向发展.低分位制约中同向制约指保持自身交通运输业处于碳排放强度低值的同时邻接省份也受到制约, 若邻近省份维持在高值区或者发生向上跃迁则表现为反向发展.高分位驱动中, 同向发展指在自身保持在交通运输业碳排放强度高值区的同时邻近省份碳强度也得到增长, 若邻接省份未受到影响则表现为反向发展.低分位驱动中同向发展表明自身和邻接省域的交通运输业碳排放强度均发生向上跃迁或邻接省份保持在高值区, 若邻接省份未受到明显影响则表现为反向发展[39, 42].
|
|
表 6 时空跃迁与分位数响应嵌套 Table 6 Nesting of spatiotemporal transitions and quantile responses |
2.3.3 时空跃迁的驱动机制模式
将各分位点影响因素作用效应与时空跃迁矩阵进行嵌套之后, 可分别得到4种交通运输业碳排放强度的驱动或制约模式, 如图 5所示.
|
图 5 中国交通运输业碳排放强度时空跃迁机制 Fig. 5 Spatiotemporal transition mechanism of carbon emission intensity in China's transportation industry |
低分位制约：人口-经济-城镇化. 人口密度、经济发展水平和城镇化水平是在低分位水平上影响交通运输业低碳排放强度省份发生跃迁的主要制约因素.人口因素对碳排放强度会产生双重影响.规模效应可降低边际减排的成本, 而聚集效应会使得资源竞争, 从而加速了对能源的消耗[43].在本文的结果中, 对比这3类因素的回归系数, 人口密度对于抑制交通运输业碳排放强度增长起到了关键作用, 能够优化交通运输结构, 从而降低交通运输业的能源消耗.经济发展水平以人均GDP来衡量, 姜宛贝等[44]解释说, 新兴市场在经济水平较低时碳排放强度的趋势并不显著, 随着经济水平的提高, 碳排放强度仍呈下降趋势.随着经济增长对交通运输结构的完善, 交通运输效率的提升加快了交通运输业减排速度, 使得碳排放强度受到制约.同时城镇化水平同样起到制约作用, 随着城市人口比重的增加, 使得技术人才逐渐引进, 促进了交通运输业低碳减排技术创新和资源共享, 从而进一步提升交通运输效率, 抑制碳排放强度的升高.天津、广东、河北、河南、安徽、江西、浙江和江苏等地在低分位响应上受此制约模式, 各自的交通运输业碳排放强度始终维持在低值水平.其中, 华北地区和东部沿海地区属于同向制约型.黑龙江、陕西、内蒙古和重庆等地区属于反向发展型, 人口-经济-城镇化制约模式未发挥作用.
高分位制约：人口-经济-城镇化-设施.人口密度、经济发展水平与城镇化水平在高分位水平上对高碳排放强度省份仍然为主要制约因素且随着分位点增加其抑制作用逐渐增强.在此基础上交通基础设施水平对交通运输业碳强度也呈抑制效应, 我国绝大部分省份已经形成了以公交, 地铁等设施为主体的交通基础设施体系.交通基础设施水平的提升可以降低运输成本, 加速促进经济资源在不同省份间的流动, 优化了交通运输结构, 这与昝欣等[45]的结论一致.同时随着交通基础设施技术提升, 能够有效的降低能源消耗, 减少污染物的排放.其能够为居民提供更加便利的出行条件, 缓解了交通运输压力, 进一步减少污染物的排放, 这与孙钰等[46]的研究结论一致.结合前文, 湖北、山西、甘肃和广西等地在高分位响应上受此制约模式, 从高碳排放强度地区逐步过渡到低碳排放强度地区.其中, 湖北和山西属于同向制约类型, 相邻省份交通运输业碳排放强度增长有限.甘肃和广西属于反向发展类型, 相邻省份碳排放强度的增长不受限制.
低分位驱动：技术-消费-产业.技术水平、消费水平以及交通运输产业规模在低分位水平上是影响低碳排放强度水平省份发生跃迁主要驱动因素.技术进步可以促进能源强度降低又能够推动经济增长, 出现了减排和增排的双重影响[43].根据本文的分位数回归结果, 技术水平对交通运输碳排放强度起到了驱动作用, 正因为能源技术进步存在推广局限等诸多困难性, 使得经济增长的速度高于能源消耗降低速度, 从而产生了新的能源消耗和需求, 驱动效应得以体现.交通运输产业规模同样起到驱动作用, 其通过客运和货运周转量的增加, 从而加大了能源的消耗.随着经济增长, 交通运输强度日益增加, 同时也刺激了对能源的需求.消费水平对交通运输业碳强度起到了“循环驱动”的效应机制.随着经济发展人们消费水平逐渐提高, 对于精神需求增加, 促进了旅游等行业的发展, 加强了铁路等出行方式的网络布局和出行量, 促进了交通运输业碳排放.而交通网络大规模布局又进一步增加了各省域间的联系, 带动了落后地区的经济消费水平, 这与湛泳等[47]的结论一致.结合前文, 青海、四川、湖南和黑龙江属于此类型, 各省份由低碳强度向上跃迁.
高分位驱动：技术-产业-规制.技术水平和交通运输产业规模在高分位水平上仍然为主要驱动因素.新疆、云南、贵州、宁夏、海南、北京、辽宁和上海均为此类型.其中新疆、云南、贵州和海南属同向发展类型, 自身碳排放强度升高的同时领域省份也跟着提升.宁夏、北京、辽宁和上海则属于反向发展类型, 邻域省份交通运输业碳排放强度下降, 减排差距逐渐显现.在徐鹏等[48]的研究中表明环境规制对碳排放的影响存在异质性, 存在抑制效应和绿色悖论两种影响情况.在本文基础上环境规制对交通运输业绿色发展并未起到作用, 可能原因在于交通运输业能源供给方面对环境规制的响应会使得提前开采能源, 加速能源的消耗和碳排放, Van Der等[49]也支持这一观点.再者, 环境规制可能会导致能源价格下跌, 从而促进不同省域间的能源交易, 进而产生碳溢出效应.
综上, 大部分省份受低分位制约和高分位驱动两种模式的影响, 仅有少部分省份受高分位制约和低分位驱动的作用影响, 且绝大多数属于西北或西南地区.
2.4 地理探测器交互因子探测结果为了能够更加完善交通运输业碳排放强度不同跃迁机制中不同因子影响效应, 获取最优影响路径, 引入地理探测器模型.由于篇幅限制, 结合前文选取2002年、2008年、2014年和2020年这4个时间节点来考察分析影响交通运输业碳排放强度的不同因子之间的交互作用效应.将影响因子分为制约因子（人口密度、经济发展水平、城镇化水平和交通基础设施水平）和驱动因子（技术水平、交通运输产业规模、消费水平和环境规制）两组, 每组的4种因子交互叠加成6对交互因子组合, 结果表明各年份所有影响因子两两共同作用对碳排放的影响均强于单个因子的作用, 交互因子对交通运输业碳排放强度均表现为非线性增强或双因子增强, 说明研究期内交通运输业碳排放强度的跃迁机制是各因子共同作用的结果.
分别将各期制约因子交互的q值进行排序, 如表 7所示.从各期交互作用的强度前3排名上看：“P∩某因素”对交通运输业碳排放强度制约作用影响较强, 表示注重人口结构发展和优化能有效抑制交通运输业碳排放强度. P∩UB和P∩A在研究期各分位制约模式的交互影响效果最为显著.对于低分位制约模式而言, 注重人口城市化或经济发展水平提升, 提高人民环保意识, 在经济发展水平提升的同时选择更有效率, 更加绿色的出行方式, 能够有效地抑制交通运输业碳强度增长.对于高分位制约模式而言, 除了注重P∩UB和P∩A交互因子的作用外, 随着研究期增长P∩TFI交互因子的抑制效果逐渐增强, 因此在高分位制约水平上应当注重交通运输基础设施水平的发展, 加速经济在各省间的流动, 优化交通运输结构, 提高运输效率.
|
|
表 7 制约因子交互作用探测器结果 Table 7 Restriction factor interaction detector results |
分别将各期驱动因子交互的q值进行排序, 如表 8所示.从各期交互作用的强度前3排名上看：“T∩某因素”对交通运输业碳强度制约作用影响较强, 表示技术水平提升对交通运输业碳排放强度能起到有效的驱动作用.对于低分位驱动模式而言, 应当多注重技术与交通产业规模的协同发展, 重视技术创新投入, 保持地区低碳强度排放的稳定性.对于高分位驱动而言, 还应注重环境规制的实施, 但环境规制存在的异质性, 需要运用科学的环境规制工具, 基于不同地域间文化, 经济的差异来制定政策.
|
|
表 8 驱动因子交互作用探测器结果 Table 8 Driver factor interaction detector results |
3 建议
随着二十大和2023年全国两会的召开, 逐步转向碳排放总量和强度“双控”制度, 加快交通运输结构调整优化及交通运输业清洁低碳转型势在必行.为响应政策, 结合本文研究成果提出如下建议：
制约模式应当加强和完善制约因子对交通运输业碳强度的抑制作用.对于河北、江西、浙江、江苏、山东、天津、广东和重庆等受低分位制约模式的地区而言, 应当优化人口结构, 充分发挥人口因素带来的规模效应.还应当注重人口增长与城镇化、人口增长与经济水平两方面的协调发展.具体来说, 促进以人为本的新型城镇化发展, 合理规划人口聚集程度, 确保与城镇承载力协调发展, 预留合理空间, 以免出现资源过度消费而增加碳排放.此外不断开展教育宣传, 提高人口质量, 提高技术人口和创新人口的占比, 实现经济增长与人口增长同步发展.对于山西、甘肃和广西等受高分位制约模式的地区而言, 应当注意人口与交通基础设施水平协调发展的重要性, 提升交通网络密度, 合理配置铁路资源, 降低运行成本, 提升空间转换效率, 充分发挥人口聚集效应.
驱动模式应当控制驱动因子对交通运输业碳排放强度的促进效应.对于青海、四川、湖南和黑龙江等受低分位驱动模式的地区而言, 应当多注重技术与交通产业规模的协同发展, 努力发展智能交通, 加速低碳技术的推广应用.优化能源技术, 在客货运量增长的同时争取实现低碳低能出行.对于新疆、云南和贵州等受高分位驱动模式的地区而言, 注重技术和产业协同发展的同时也不可忽视低碳消费的作用, 合理运用交通设施, 尽量选择公共交通.综上所述, 各地区交通运输业低碳发展不应只局限于单因素的制约或驱动作用, 应当注重多因子共同作用产生的效应, 必要时结合科学的环境规制工具, 基于地区的差异性制定不同的减排政策.还需要增进地区间协调合作, 避免出现“低碳辟谷”.
4 结论（1）中国交通运输业碳排放强度在研究期内整体呈现波动下降的态势, 且分布特征总体上呈现出从分散到聚集的动态收敛态势.多峰态势也表明存在少数省域交通运输业碳排放强度依旧维持在高值区, 且与其他地区的差距越来越大.此外, 各期Moran's I指数值均大于0, 这表明各年份空间类聚的特征较为明显.
（2）ESTDA的时空交互特征表明, 西北地区和周边邻接空间单位的关系不稳定, 变化和波动较大, 而东部沿海城市等经济发达地区已经形成了成熟的交通运输网络, 因此局部空间格局也相对稳定.但在时空变迁的过程中部分省份呈现出了时空竞争的特征, 这表明部分省份间技术或资源存在不均衡性.
（3）交通运输业碳排放强度时空跃迁机制模式表明, 制约机制的作用因子主要为人口密度、经济发展水平、城镇化水平和交通基础设施水平, 而驱动机制的作用因子主要为技术水平、交通运输产业规模、消费水平和环境规制.大部分省份受低分位制约和高分位驱动两种模式的影响, 仅有少部分省份受高分位制约和低分位驱动的作用影响, 且绝大多数属于西北或西南地区.
（4）结合前文选取2002年、2008年、2014年和2020年这4个时间节点来考察分析影响交通运输业碳排放强度的不同因子之间的交互作用效应.对4类跃迁机制来说, 各期因子交互所得q值均大于单个因子的q值, 这表明影响因子交互作用对碳排放强度的影响均强于单个因子作用.对制约模式来说, 应当注重人口城市化和交通运输基础设施水平协同发展.对驱动模式来说, 应当多注重技术与交通产业规模的协同发展, 考虑采用何种科学的环境规制工具进行减排监督.
| [1] |
王姣娥, 陈娱, 戴特奇, 等. 中国交通地理学的传承发展与创新[J]. 经济地理, 2021, 41(10): 59-69. Wang J E, Chen Y, Dai T Q, et al. Inheritance, development and Innovation of transport geography in China[J]. Economic Geography, 2021, 41(10): 59-69. |
| [2] |
田华征, 马丽. 中国工业碳排放强度变化的结构因素解析[J]. 自然资源学报, 2020, 35(3): 639-653. Tian H Z, Ma L. Study on the change of China's industrial carbon emission intensity from the perspective of sector structure[J]. Journal of Natural Resources, 2020, 35(3): 639-653. |
| [3] |
徐清华, 张广胜. 农业机械化对农业碳排放强度影响的空间溢出效应——基于282个城市面板数据的实证[J]. 中国人口·资源与环境, 2022, 32(4): 23-33. Xu Q H, Zhang G S. Spatial spillover effect of agricultural mechanization on agricultural carbon emission intensity: an empirical analysis of panel data from 282 cities[J]. China Population, Resources and Environment, 2022, 32(4): 23-33. |
| [4] |
张继宏, 程芳萍. "双碳"目标下中国制造业的碳减排责任分配[J]. 中国人口·资源与环境, 2021, 31(9): 64-72. Zhang J H, Cheng F P. Carbon emission reduction responsibility allocation in China's manufacturing industry under the targets of carbon peak and carbon neutrality[J]. China Population, Resources and Environment, 2021, 31(9): 64-72. |
| [5] |
李寿喜, 张珈豪. 数字普惠金融、技术创新与城市碳排放强度[J]. 华东师范大学学报(哲学社会科学版), 2023, 55(2): 161-172, 178. Li S X, Zhang J H. Digital financial inclusion, technological innovation and urban carbon emissions intensity[J]. Journal of East China Normal University (Humanities and Social Sciences), 2023, 55(2): 161-172, 178. |
| [6] |
卢茗轩, 谢如鹤, 陈培荣. 碳交易试点政策对交通运输碳排放强度的影响[J]. 干旱区资源与环境, 2020, 34(9): 25-30. Lu M X, Xie R H, Chen P R. Impact of ETS pilot policy on transport carbon emission intensity[J]. Journal of Arid Land Resources and Environment, 2020, 34(9): 25-30. |
| [7] |
原嫄, 孙欣彤. 中国省际碳排放强度时空演变及驱动因素研究[J]. 环境科学与技术, 2022, 45(S1): 168-176. Yuan Y, Sun X T. Spatial-temporal evolution and driving factors of inter-provincial carbon emission intensity in China[J]. Environmental Science & Technology, 2022, 45(S1): 168-176. |
| [8] |
朱泳丽, 丁利杰. 长三角城市群碳排放强度的空间效应及影响因素——基于产业转移视角[J]. 资源科学, 2022, 44(7): 1373-1387. Zhu Y L, Ding L J. Spatial effects and influencing factors of carbon emission intensity in the Yangtze River Delta urban agglomeration: an industrial transfer-based perspective[J]. Resources Science, 2022, 44(7): 1373-1387. |
| [9] |
李硕硕, 刘耀彬, 骆康. 环鄱阳湖县域新型城镇化对碳排放强度的空间溢出效应[J]. 资源科学, 2022, 44(7): 1449-1462. Li S S, Liu Y B, Luo K. Spatial spillover effect of new-type urbanization on carbon emission intensity in counties around the Poyang Lake[J]. Resources Science, 2022, 44(7): 1449-1462. |
| [10] |
邝嫦娥, 李文意, 黄小丝. 长江中游城市群碳排放强度与经济高质量发展耦合协调的时空演变及驱动因素[J]. 经济地理, 2022, 42(8): 30-40. Kuang C E, Li W Y, Huang X S. Spatial-temporal evolution and driving factors of coupling coordination between carbon emission intensity and high-quality economic development in urban agglomerations in the middle reaches of the Yangtze river[J]. Economic Geography, 2022, 42(8): 30-40. |
| [11] |
宋苑震, 曾坚, 王森, 等. 中国县域碳排放时空演变与异质性[J]. 环境科学, 2023, 44(1): 549-559. Song Y Z, Zeng J, Wang S, et al. Spatial-temporal evolution and heterogeneity of carbon emissions at county-level in China[J]. Environmental Science, 2023, 44(1): 549-559. |
| [12] |
郝瑞军, 魏伟, 刘春芳, 等. 中国能源消费碳排放的空间化与时空动态[J]. 环境科学, 2022, 43(11): 5305-5314. Hao R J, Wei W, Liu C F, et al. Spatialization and spatio-temporal dynamics of energy consumption carbon emissions in China[J]. Environmental Science, 2022, 43(11): 5305-5314. |
| [13] |
闫东升, 孙伟. 长江三角洲一体化区域扩容对城市碳排放强度的影响评估与机制[J]. 资源科学, 2022, 44(7): 1358-1372. Yan D S, Sun W. Impact of regional integration area enlargement on urban carbon emission intensity and mechanism: an empirical study based on the Yangtze River Delta[J]. Resources Science, 2022, 44(7): 1358-1372. |
| [14] |
伍国勇, 刘金丹, 杨丽莎. 中国农业碳排放强度动态演进及碳补偿潜力[J]. 中国人口·资源与环境, 2021, 31(10): 69-78. Wu G Y, Liu J D, Yang L S. Dynamic evolution of China's agricultural carbon emission intensity and carbon offset potential[J]. China Population, Resources and Environment, 2021, 31(10): 69-78. DOI:10.12062/cpre.20210606 |
| [15] |
钟诗雨, 张晓敏, 吴佳, 等. 基于碳减排成本的我国省域碳补偿机制[J]. 环境科学, 2023, 44(8): 4637-4646. Zhong S Y, Zhang X M, Wu J, et al. Carbon offsetting mechanism of China province based on carbon reduction cost[J]. Environmental Science, 2023, 44(8): 4637-4646. |
| [16] |
袁长伟, 乔丹, 杨颖芳, 等. 中国省域交通碳排放强度空间分异与聚类分析[J]. 环境工程, 2018, 36(7): 185-190. Yuan C W, Qiao D, Yang Y F, et al. Spatial differentiation and clustering of transport carbon intensity in China's provincial region[J]. Environmental Engineering, 2018, 36(7): 185-190. |
| [17] |
杨柏, 秦广鹏, 邬钦. "双碳"目标下中国省域碳排放核算分析[J]. 环境科学, 2022, 43(12): 5840-5849. Yang B, Qin G P, Wu Q. Analysis of provincial CO2 emission accounting in China under the carbon peaking and carbon neutrality goals[J]. Environmental Science, 2022, 43(12): 5840-5849. |
| [18] | Cifuentes F, González C M, Trejos E M, et al. Comparison of top-down and bottom-up road transport emissions through high-resolution air quality modeling in a city of complex orography[J]. Atmosphere, 2021, 12(11): 1372. DOI:10.3390/atmos12111372 |
| [19] |
李晓易, 吴睿. 交通运输温室气体核算边界和测算方法研究[J]. 气候变化研究进展, 2023, 19(1): 84-90. Li X Y, Wu R. Research on greenhouse gas emissions accounting boundaries and calculating method of the transport sector[J]. Climate Change Research, 2023, 19(1): 84-90. |
| [20] |
李灵杰, 吴群琪. 交通运输碳排放强度时空特征分析——以"一带一路"沿线中国西北地区为例[J]. 大连理工大学学报(社会科学版), 2018, 39(4): 44-52. Li L J, Wu Q Q. Spatial-temporal characteristics of carbon emission intensity in transportation: take the provinces in northwestern China along the belt and road as an example[J]. Journal of Dalian University of Technology (Social Sciences), 2018, 39(4): 44-52. |
| [21] |
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. DOI:10.18402/resci.2022.12.03 |
| [22] |
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. |
| [23] | Isik M, Sarica K, Ari I. Driving forces of turkey's transportation sector CO2 emissions: an LMDI approach[J]. Transport Policy, 2020, 97: 210-219. DOI:10.1016/j.tranpol.2020.07.006 |
| [24] |
刘淳森, 曲建升, 葛钰洁, 等. 基于LSTM模型的中国交通运输业碳排放预测[J]. 中国环境科学, 2023, 43(5): 2574-2582. Liu C S, Qu J S, Ge Y J, et al. LSTM model-based prediction of carbon emissions from China's transportation sector[J]. China Environmental Science, 2023, 43(5): 2574-2582. DOI:10.3969/j.issn.1000-6923.2023.05.049 |
| [25] |
刘茂辉, 岳亚云, 刘胜楠, 等. 基于STIRPAT模型天津减污降碳协同效应多维度分析[J]. 环境科学, 2023, 44(3): 1277-1286. Liu M H, Yue Y Y, Liu S N, et al. Multi-dimensional analysis of the synergistic effect of pollution reduction and carbon reduction in Tianjin based on the STIRPAT model[J]. Environmental Science, 2023, 44(3): 1277-1286. DOI:10.3969/j.issn.1000-6923.2023.03.029 |
| [26] |
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. DOI:10.3969/j.issn.1000-7695.2022.11.025 |
| [27] |
田泽, 肖玲颖, 刘超, 等. 中国城镇化对交通运输业碳排放的空间效应研究[J]. 技术经济, 2023, 42(1): 141-153. Tian Z, Xiao L Y, Liu C, et al. Research on the spatial effect of urbanization on the carbon emission of transportation industry in China[J]. Technology Economics, 2023, 42(1): 141-153. |
| [28] |
焦萍, 张帅. 数字化对交通运输碳排放强度的影响——基于省际面板数据的实证考察[J]. 华东经济管理, 2023, 37(1): 15-23. Jiao P, Zhang S. The impact of digitalization on transportation carbon emission intensity: empirical investigation based on inter-provincial panel data[J]. East China Economic Management, 2023, 37(1): 15-23. |
| [29] |
梁任敏, 巴曙松. 交通通达性、资源配置与城乡消费水平差距[J]. 财经科学, 2022(3): 68-81. Liang R M, Ba S S. Transportation accessibility, resource allocation and urban-rural consumption gap[J]. Finance & Economics, 2022(3): 68-81. DOI:10.3969/j.issn.1000-8306.2022.03.006 |
| [30] |
潘竟虎, 张永年. 中国能源碳足迹时空格局演化及脱钩效应[J]. 地理学报, 2021, 76(1): 206-222. Pan J H, Zhang Y N. Spatiotemporal patterns of energy carbon footprint and decoupling effect in China[J]. Acta Geographica Sinica, 2021, 76(1): 206-222. |
| [31] | Rey S J, Janikas M V. STARS: space-time analysis of regional systems[J]. Geographical Analysis, 2006, 38(1): 67-86. DOI:10.1111/j.0016-7363.2005.00675.x |
| [32] |
向书江, 杨春梅, 谢雨琦, 等. 近20年重庆市主城区碳排放的时空动态演进及其重心迁移[J]. 环境科学, 2023, 44(1): 560-571. Xiang S J, Yang C M, Xie Y Q, et al. Spatiotemporal dynamic evolution and gravity center migration of carbon emissions in the main urban area of Chongqing over the past 20 years[J]. Environmental Science, 2023, 44(1): 560-571. |
| [33] | Rey S J. Space-time patterns of rank concordance: local indicators of mobility association with application to spatial income inequality dynamics[J]. Annals of the American Association of Geographers, 2016, 106(4): 788-803. DOI:10.1080/24694452.2016.1151336 |
| [34] | Ye X Y, Rey S. A framework for exploratory space-time analysis of economic data[J]. The Annals of Regional Science, 2013, 50(1): 315-339. DOI:10.1007/s00168-011-0470-4 |
| [35] | Rey S J, Murray A T, Anselin L. Visualizing regional income distribution dynamics[J]. Letters in Spatial and Resource Sciences, 2011, 4(1): 81-90. DOI:10.1007/s12076-010-0048-2 |
| [36] | Anselin L. Local indicators of spatial association——LISA[J]. Geographical Analysis, 1995, 27(2): 93-115. DOI:10.1111/j.1538-4632.1995.tb00338.x |
| [37] | Rey S J. Spatial empirics for economic growth and convergence[J]. Geographical Analysis, 2001, 33(3): 195-214. DOI:10.1111/j.1538-4632.2001.tb00444.x |
| [38] | Ye X Y, Carroll M C. Exploratory space-time analysis of local economic development[J]. Applied Geography, 2011, 31(3): 1049-1058. DOI:10.1016/j.apgeog.2011.02.003 |
| [39] |
王峥, 程占红. "双碳"目标下中国服务业碳强度时空交互特征及跃迁机制[J]. 地理学报, 2023, 78(1): 54-70. Wang Z, Cheng Z H. Spatiotemporal interaction characteristics and transition mechanism of carbon intensity in China's service industry under the targets of carbon peak and carbon neutrality[J]. Acta Geographica Sinica, 2023, 78(1): 54-70. |
| [40] | Koenker R. Quantile regression for longitudinal data[J]. Journal of Multivariate Analysis, 2004, 91(1): 74-89. DOI:10.1016/j.jmva.2004.05.006 |
| [41] |
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. Wang J F, Xu C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. |
| [42] |
赵桂梅, 赵桂芹, 陈丽珍, 等. 中国碳排放强度的时空演进及跃迁机制[J]. 中国人口·资源与环境, 2017, 27(10): 84-93. Zhao G M, Zhao G Q, Chen L Z, et al. Research on spatial and temporal evolution of carbon emission intensity and its transition mechanism in China[J]. China Population, Resources and Environment, 2017, 27(10): 84-93. |
| [43] |
王少剑, 苏泳娴, 赵亚博. 中国城市能源消费碳排放的区域差异、空间溢出效应及影响因素[J]. 地理学报, 2018, 73(3): 414-428. Wang S J, Su Y X, Zhao Y B. Regional inequality, spatial spillover effects and influencing factors of China's city-level energy-related carbon emissions[J]. Acta Geographica Sinica, 2018, 73(3): 414-428. |
| [44] |
姜宛贝, 韩梦瑶, 唐志鹏, 等. 基于经济发展水平和产业转移视角的碳强度国别对比研究[J]. 资源科学, 2019, 41(10): 1814-1823. Jiang W B, Han M Y, Tang Z P, et al. International comparison of carbon intensity from the perspective of economic development levels and industrial transfers[J]. Resources Science, 2019, 41(10): 1814-1823. DOI:10.18402/resci.2019.10.05 |
| [45] |
昝欣, 欧国立. 交通基础设施会缓和我国城市市场潜力水平的空间失衡吗?——产业集聚和创新水平的调节作用[J]. 经济问题探索, 2021(11): 91-106. Zan X, Ou G L. Will transportation infrastructure alleviate the spatial imbalance of China's urban market potential?: the moderating effect of industrial agglomeration and innovation level[J]. Journal of Economic Issues Expioration, 2021(11): 91-106. |
| [46] |
孙钰, 崔寅, 冯延超. 城市公共交通基础设施的经济、社会与环境效益协调发展评价[J]. 经济与管理评论, 2019, 35(6): 122-135. Sun Y, Cui Y, Feng Y C. Evaluating the coordinated development of economic, social and environmental benefits for urban public transportation infrastructure[J]. Review of Economy and Management, 2019, 35(6): 122-135. |
| [47] |
湛泳, 田知敏慧. 高速铁路对居民消费的空间溢出效应研究[J]. 消费经济, 2020, 36(2): 40-48. Zhan Y, Tian Z M H. Research on the spatial economic spillover effects of high-speed railway to household consumption[J]. Consumer Economics, 2020, 36(2): 40-48. |
| [48] |
徐鹏, 包存宽. 环境规制对碳排放影响研究进展及未来展望[J]. 科技管理研究, 2022, 42(10): 41-47. Xu P, Bao C K. Progress and future prospect of the impact of environmental regulation on carbon emission[J]. Science and Technology Management Research, 2022, 42(10): 41-47. |
| [49] | Van Der Ploeg F, Withagen C. Is there really a green paradox?[J]. Journal of Environmental Economics and Management, 2012, 64(3): 342-363. |