2024, Vol. 45
中国“一带一路”倡议自2013年提出以来, 我国各省（区、市）对该政策响应不尽相同. “一带一路”的契机给我国沿线省域带来了新的发展机遇, 但其作为国内外经贸往来的重要交通纽带, 高能耗、粗放型的发展方式势必会给环境带来严重污染. 十年之际, 中国“一带一路”进入到高质量、绿色发展的2.0时代, 如何平衡交通行业快速发展与生态文明建设之间的矛盾是我国实现“双碳”目标、打造绿色“一带一路”亟需解决的问题.
目前, 众多学者以交通碳排放为研究对象进行探讨. 已有研究主要选取全国层面、单个省域层面和经济区域层面作为研究区域, 在研究方法上多采用多元回归分析法、路径分析法、因素分解模型法等. 如袁长伟等[1]以我国交通全要素碳排放效率为研究对象, 探讨中国省域及东、中、西部交通碳排放效率空间分布和趋势变动. Bai等[2]深入分析“十一五”与“十二五”期间我国交通碳排放的时空演变, 采用LMDI分解法对两个时期影响交通碳排放的因素进行分解比较. 张诗青等[3]用ESDA方法研究2000~2013年中国省域交通碳排放时空分布格局. 李玮等[4]研究发现我国交通碳排放量呈现出“东中西”逐渐降低的特征. 部分学者则针对单一省域展开研究, 如Chen等[5]采用路径分析模型估算了不同影响因素对北京交通碳排放的直接、间接和总影响, 并分析了变量之间的因果关系. 庄颖等[6]应用LMDI分解法对广东2001~2010年交通碳排放进行因素分解分析. 卞利花等[7]构建STIRPAT模型定量分析了2002~2016年青海省各影响因素对交通碳排放的影响程度. 另外, 还有学者从区域角度展开相关研究, 如卢建锋等[8]应用LMDI分解法从规模效应、结构效应和技术效应这3个方面识别区域交通碳排放驱动因素并测算其贡献率. 吕倩[9]利用STIRPAT模型对比分析了8个不同变量对京津冀地区汽车运输碳排放强度的影响效用. 杨绍华等[10]基于LMDI分解模型, 探究了2000~2019年长江经济带各因素对交通碳排放的贡献程度及时空特性. 此外, 也有学者基于空间数据探索（ESDA）和地理加权回归（GWR）方法分析交通碳排放的空间特征[11～14]. 已有研究均表明, 在研究的单个省域或整体区域之间, 交通碳排放都表现出不同程度的空间分异性, 且相似交通碳排放量的地区具有空间聚集性[15], 这种分异性和聚集特征都会随着时间推移表现出动态变化. 影响交通碳排放的因素主要包括：经济因素、交通行业自身因素、节能技术因素和其它社会因素[16～25]等, 各方面因素在不同区域及不同时间段内, 对交通碳排放的影响效果不尽相同.
综上, 关于我国碳排放空间分异的研究已取得了丰硕的成果, 但是仍存在一些问题. 在研究对象层面, 我国“一带一路”倡议自提出以来迄今十年, 有关“一带一路”沿线省域的研究开展较少, 已有研究多选取沿线部分省域为对象[26], 或是研究选取样本的时间范围较短[27], 缺少以交通碳排放为视角的深入讨论. 在变量选取层面, 在现有交通碳排放影响因素的研究中, 社会因素容易被研究者忽略, 社会因素对交通碳排放的具体影响效果还有待探索. 在研究方法层面, 现有研究多采用回归模型[28, 29]或空间计量模型[30, 31]来解释交通碳排放与影响因子之间的相关性, 使用地理探测器模型[32～34]探索交通碳排放空间分异格局的驱动因子的文献相对较少.
鉴于此, 本研究聚焦我国“一带一路”沿线省域, 选取2000~2021年为时间范围, 首先采用探索性空间数据分析方法分析22 a间“一带一路”沿线省域交通碳排放的时空分布特征；其次, 将包括政府干预程度和对外开放水平的社会因素指标纳入交通碳排放影响因素的分析框架, 一定程度上填补了在交通碳排放影响因素选取中普遍遗漏社会因素的研究空白；另外考虑到“一带一路”途经省域众多, 省域之间的经济发展、资源条件和交通基础设施等存在显著差异, 难以解释各因素的空间异质性以及各因素可能存在的协同或拮抗作用. 地理探测器能够基于异质性视角避免因变量与自变量内生性与共线性问题[35], 定量探测影响因素作用大小. 因此本文运用地理探测器方法, 探索我国“一带一路”沿线省域交通碳排放空间分异的驱动因素, 并参考2015年中国发布的《推动共建丝绸之路经济带和21世纪海上丝绸之路的愿景与行动》中划分的“一带一路”四大区, 以期识别沿线各区及其所含省份交通碳排放的主导因素, 正确认识各因素对交通碳排放的作用效果, 发掘减排潜力, 通过将绿色交通发展内涵根植于“一带一路”倡议实施中, 以期为制定因地制宜的交通碳减排路径提供科学的理论依据.
1 材料与方法 1.1 交通碳排放测算方法目前, 我国交通行业的碳排放主要来源于运输过程中各类交通工具燃料燃烧产生的CO2排放[36], 因此本研究所指交通碳排放均为交通产生的CO2排放. 鉴于数据的可获性, 本文采用IPCC提出的“自上而下”的碳排放测算方法, 采用交通行业在运输过程中消耗的各种化石燃料的统计数据, 以测算2000~2021年间“一带一路”沿线省域的交通碳排放量. 公式见式（1）：
|
(1) |
式中, C为交通行业所消耗的各类能源产生的碳排放总量；i为交通行业化石燃料消耗种类, 包括原煤、焦炭、原油、汽油、煤油、柴油、燃料油和天然气等8种主要能源；Ci和ECi分别为第i种能源的碳排放量以及消耗量；SCFi为每种能源折算成标准煤的系数（单位为千克标准煤每千克）；CEFi为每种能源对应的CO2排放系数. 具体相关数据见表 1[37].
|
表 1 每种能源折算标准煤系数与CO2排放系数 Table 1 Conversion factors of standard coal and CO2 emission factors for each energy source |
1.2 空间自相关
空间自相关性的测度包括全局和局部空间自相关两大类. 本研究的交通碳排放空间相关性用Moran's I指数来衡量.
全局Moran's I指数用于研究“一带一路”整体沿线省域交通碳排放量的空间相关性. 公式见式（2）：
|
(2) |
式中, I为全局Moran's I指数；Wij为空间权重函数；yi和yj分别为省（区、市）i和j的交通碳排放量；y为各省（区、市）交通碳排放量的平均值；n为省（区、市）的数量.
局部Moran's I指数用于研究“一带一路”沿线各省（区、市）与其邻近省（区、市）之间的交通碳排放量的空间相关性[38]. 公式见式（3）：
|
(3) |
式中, Ii为省（区、市）i的Moran's I指数. 其他参数含义同公式（2）.
1.3 地理探测器地理探测器是基于空间异质性, 对空间数据进行分析的一种统计工具, 其具备可避免诸多统计方法对空间位置指标处理的局限性、没有过多的假设条件等优势, 当样本量小于30时, 地理探测器具有更高的统计精度, 同时还可以克服传统计量回归不可避免的多重共线性问题, 因此其被广泛应用[39～42]. 本文运用地理探测器方法中的因子探测以及交互作用探测2个子方法. 因子探测器可以定量检测各驱动因素对交通碳排放量空间分异的影响程度, 用q值来表示, 表达式如式（4）：
|
(4) |
式中, q的取值范围为[0, 1], 值越大说明因子对被解释变量空间分异的解释力度越强, N为省份数量, h为探测因子分层数, Nh表示层h省份数量, σ2为中国“一带一路”交通碳排放量的方差, σh2表示层h交通碳排放量的方差.
交互作用探测首先分别计算两个因子X1和X2对Y的q值：q（X1）和q（X2）, 然后计算两个因子发生交互作用（叠加X1和X2两个图层相切所形成的新的多边形分布）的q值：q（X1 ∩ X2）, 并将其与q（X1）、q（X2）值对比, 从而识别两个因子的相互作用是否会增强或减弱对因变量的影响[43].
1.4 变量选取与数据来源“一带一路”倡议是连接国内外沿途城市与国家的纽带, 国内段主要包含18个重点省份, 依据地理区域邻近性原则以及区域发展规划, 国家将这18个沿线重点省份分为4个分区 [44], 分别是东北部的对外窗口区, 包括辽宁、吉林和黑龙江这3个省；西北部的丝路核心区, 包括新疆、陕西、甘肃、宁夏、青海和内蒙古这6个省（区）；东南部的开放先行区, 包括上海、福建、广东、浙江和海南这5个省（市）；西南部的战略支点区, 包括广西、云南、西藏和重庆这4个省（市）. 由于西藏自治区的数据缺失, 本文分析的样本确定为“一带一路”沿线17个省（区、市）, 样本起止时间为2000~2021年.
1.4.1 变量选取影响交通碳排放量的因素众多, 本文选取变量时主要考虑以下2方面：①“一带一路”沿线省域经济发展差距较大, 资源分配不均、交通行业发展水平不一, 鉴于此本研究考虑分析交通行业自身因素和节能技术水平因素对交通碳排放量的影响. ②“一带一路”倡议提出十年来, 中外文化交流取得了丰硕的成果, 提高了国内各区域开放水平, 其中离不开政府扶持和外商投资支持, 因此本研究从这两大社会因素对交通碳排放量的影响进行深入探讨. 综上, 最终选定6个影响因素, 分别考察其对2000~2021年“一带一路”沿线省域交通碳排放量时空差异的影响. 各变量的名称和含义见表 2.
|
|
表 2 变量选取 Table 2 Variable selection |
1.4.2 数据来源
本文所使用的交通行业各类能源消耗数据均来自于2001~2022年《中国能源统计年鉴》[45]以及各省（区、市）的年度国民经济与社会发展统计公报. 测算交通碳排放量所用参考指标标准煤折算系数来自《中国能源统计年鉴》附录, 其他变量数据如交通行业产值、运输周转量、外商直接投资金额、民用汽车拥有量等均来自于国家统计局和历年来各省（区、市）的统计年鉴, 其中外商直接投资金额（美元）已按当年平均汇率折算为人民币, 其他个别缺失数据运用插值法填补.
2 结果与讨论 2.1 交通碳排放空间自相关分析 2.1.1 交通碳排放的全局空间自相关分析根据“一带一路”沿线省域2000~2021年交通碳排放量数据进行空间自相关分析, 分别计算各年度的全局Moran's I指数, 结果见表 3.
|
|
表 3 2000~2021年交通碳排放的全局Moran's I指数 Table 3 Global Moran's I index of transportation carbon emissions from 2000 to 2021 |
整个研究期间Moran's I指数均大于0, 分别在1%、5%和10%水平下显著, 表明“一带一路”沿线省域交通碳排放具有显著的空间正相关性, 且总体的空间相关呈现出上升趋势, 说明自2000年以来具有相似交通碳排放量的沿线省域呈现出空间聚集特征, 并且这种趋势随着时间的推移不断加强, 在2020年达到最高值0.3991. 虽然2009年、2013年、2016年和2021年等部分年份的Moran's I值有所下降, 但下降速度小于上升速度, 表明沿线省域相似交通碳排放量的区域仍存在一定的集聚性.
2.1.2 交通碳排放的局部空间自相关分析为反映2000~2021年“一带一路”沿线各省域与周围邻近省域的交通碳排放的相关程度, 绘制LISA聚集图（见图 1）进行比较研究（因篇幅所限, 本文仅列举典型时序年份2000年、2010年、2015年和2021年）.
|
图 1 2000~2021年“一带一路”沿线省域交通碳排放的LISA聚集图 Fig. 1 LISA aggregation of provincial transportation carbon emissions along the Belt and Road from 2000 to 2021 |
从总体来看, “一带一路”沿线省域交通碳排放在空间分布上表现出两极分化的特征, 低值聚类区集中分布在新疆、青海、甘肃和宁夏等经济落后的丝路核心区, 高值聚类区集中分布在浙江、上海和广东等经济发达的开放先行区, 区域间交通碳排放量明显存在着不均衡性, 且空间集聚效应明显.
从局部来看, 新疆、青海、甘肃和宁夏始终是显著的低值集聚区域, 表现为区域内各省域和周边省域的交通碳排放量水平均较低, 且空间差异较小. 这些省域位于我国西北部地区, 地区经济相对落后, 交通行业发展缓慢, 人口稀少, 机动车保有量少, 对外开放水平较低, 这些因素使得西北省域的交通碳排放相对较低. 随着“一带一路”的正式实施, 促进了省域经济的快速发展, 带动了交通行业的发展, 使得交通碳排放量增加, 陕西和内蒙古于2015年从低值集聚区域, 转移至次高值聚类区域. 相反, 2000~2021年间浙江、上海、广东和广西始终是我国高值集聚区域的核心, 表现为区域内各省域和相邻省域的交通碳排放量水平都较高, 且区域空间差异较小, 这些省域位于我国的东南沿海地区, 经济发达, 交通行业发展迅速, 机动车保有量高, 对外开放水平较高等因素使得这些省域有着较高的交通碳排放量.
另外, 也存在着部分省域表现出次高集聚状态或次低集聚状态, 如重庆一直属于次低值集聚区域, 这主要是因为重庆位处“一带一路”沿线上的战略支点区, 与西北地区和西南地区均相连. 由于西北地区沿线省域在总体上处于低值聚类状态, 而西南地区沿线省域总体上处于高值聚类状态, 使得重庆的集聚类型处于较为稳定的状态. 同理, 福建和海南都被多个交通碳排放量高的省域所环绕, 与周边省域的交通碳排放量相比较小, 因此福建和海南的交通碳排放量一直都显著地表现为次低值集聚状态. 位于对外窗口区的辽宁一直处于高值聚类区, 邻近的黑龙江和吉林在2000~2005年交通碳排放量较低, 一直表现出次低的集聚特征, 2010年由于黑龙江的交通碳排放量增大, 吉林则表现出低值集聚特征, 而黑龙江表现出次高值集聚特征, 在样本期后10年, 东北沿线三省交通碳排放量持续增长, 因此2015年以后都一直表现为高值聚集特征.
2.2 交通碳排放影响因素相关性分析我国“一带一路”沿线省域的交通碳排放时空演变特征变化明显, 为进一步探索交通碳排放各影响因素的影响效应, 本文采用回归模型进行定量分析. 首先对各变量在2000~2021年的面板数据变化情况进行描述, 为后续研究提供依据, 结果如表 4所示.
|
|
表 4 各变量描述性统计分析 Table 4 Descriptive statistical analysis of variables |
为检测各变量之间是否存在多重共线性, 进行了各变量的相关性检测, 结果如表 5所示. 从表 5可以看出各个变量之间的相关系数绝大多数在0.5以下, 初步证明本文的变量不存在严重的共线性问题. 因此, 在相关性分析的基础上采取VIF方差膨胀因子方法做进一步的检验, 结果见表 6. 经过VIF检验可知, 最大的方差膨胀因子值（VIF）为1.79, 远小于经验判断值10；且平均值方差膨胀因子值（VIF）为1.49, 小于经验判断值2. 证明各变量之间没有多重共线性关系.
|
|
表 5 相关性检验1） Table 5 Correlation test |
|
|
表 6 VIF方差膨胀因子检验 Table 6 VIF variance inflation factor test |
基于上述分析, 本文采用StataMP17软件分别对“一带一路”沿线省域交通碳排放与6个影响因素进行混合OLS（普通最小二乘法）回归、固定效应以及随机效应回归, 结果如表 7所示. 其中对固定效应进行F检验可得F（16, 330）=242.02, Prob > F = 0.000 0, 模型存在个体效应. 通过对比可知, 固定回归效应的回归结果比混合OLS的回归结果更加符合模型特征, 在此基础上本文进行了Hausman检验, 通过检验结果可以进一步证明该模型更加适合固定效应. 因此, 本文采用固定效应模型探讨各影响因素对交通碳排放的影响.
|
|
表 7 交通碳排放影响因素的回归结果1） Table 7 Regression results of factors influencing transportation carbon emissions |
从表 7固定回归效应估计结果可以看出, 交通运输结构（TS）、行业发展规模（DS）、能源强度（EI）和政府干预程度（GI）对交通碳排放的影响系数为负, 且均在1%或10%的水平上显著. 对外开放水平（OL）和机动车保有量（VO）对交通碳排放的影响系数为正, 且均在1%的水平上显著.
2.3 交通碳排放影响因素时空异质性分析 2.3.1 因子探测分析为进一步分析2000~2021年“一带一路”沿线地区各影响因子对交通碳排放空间分异的影响程度, 本文采用ArcGIS自然断裂点将6个影响因素数据进行离散化处理, 并借助GeoDa软件进行探测, 结果如表 8所示（因篇幅所限, 本文仅列举2000年、2005年、2010年、2015年和2021年探测结果）.
|
|
表 8 交通碳排放驱动因子探测结果1） Table 8 Detection results of driving factors of transportation carbon emission |
从整体来看, 2000~2021年间, 交通运输结构和能源强度是影响“一带一路”沿线省份交通碳排放时空分异的重要因素, 且对外开放水平和机动车保有量在交通碳排放的时空演变中扮演着越来越重要的角色.
从不同区域来看, 对4大区交通碳排放起主导作用的因子各有不同. 本文对每个阶段q值大于0.1的影响因素进行频次统计, 出现频次最多的影响因素为核心因素. 从对外窗口区来看, 影响因素EI出现频次为5次, TS出现频次为4次, OL出现频次为3次, 即能源强度是“一带一路”沿线东北地区影响交通碳排放空间分异的核心因素. 从丝路核心区来看, 影响因素EI和VO出现频次均为5次, 即能源强度和机动车保有量是“一带一路”沿线西北地区影响交通碳排放空间分异的核心因素. 从开放先行区来看, 影响因素EI、OL和GI出现频次均为5次, 即能源强度、对外开放水平和政府干预程度是“一带一路”沿线东南地区影响交通碳排放空间分异的核心因素. 从战略支点区来看, 影响因素EI出现频次均为5次, TS出现频次为3次, 即能源强度是“一带一路”沿线西南地区影响交通碳排放空间分异的核心因素.
从具体影响因素来看, 6个影响因素对交通碳排放的解释力在不同时间、不同区域内的变化趋势存在明显差异. 具体分析：①交通运输结构. “一带一路”沿线整体TS解释力有所下降, q值由2000年0.283波动下降至2021年0.195, 其中2010年降至最低0.029. 开放先行区和战略支点区TS的q值变化趋势与沿线整体基本一致, 而对外窗口区和丝路核心区TS的q值变化均呈现先上升再下降的趋势, 且2021年的q值均大于2000年的q值. 证明交通运输结构的优化在对外窗口区和丝路核心区发挥了相对更好的抑碳效益. ②行业发展规模. “一带一路”沿线整体DS解释力有所提升, q值呈波动上升趋势. 对外窗口区DS的q值相对其他三个区域稳定增长, 且在2015年之后q值均大于0.1, 说明在对外窗口区行业发展规模的扩大对交通碳排放的抑制作用更为明显. ③能源强度. 2000~2021年“一带一路”沿线整体EI解释力波动上升到0.599. 四大区域影响交通碳排放空间分异的核心因素均包含EI, 且对外窗口区历年EI的q值均大于0.2, 因此降低能源强度对“一带一路”沿线省域交通减排做出了重要贡献, 在对外窗口区抑碳效应最为显著. ④对外开放水平. “一带一路”沿线整体OL解释力呈波动上升趋势, q值由2000年的0.251上升至2021年的0.394, 2005~2010年出现了短暂的下降趋势. 丝路核心区和战略支点区OL的q值变化均呈稳定上升趋势, 其他两个区域OL的q值变化情况同整体的变化趋势相似. 说明对外开放水平的提升有助于更好地吸收和引用外来先进技术, 从而削弱了一部分环境污染问题的同时也会因外商直接投资强度的加大, 再次刺激交通运输需求, 从而无法达到预期的降碳效应. ⑤政府干预程度. “一带一路”沿线整体GI对交通碳排放的解释力呈逐年上升趋势且2021年q值达到0.156. 开放先行区和战略支点区GI的q值高于丝路核心区和对外窗口区的q值, 说明各省份之间政府交通碳排放管控与政策等差异显著, 造成交通低碳减排效果在空间上差异明显. ⑥机动车保有量. “一带一路”沿线省域VO的q值由2000年的0.221上升至2010年的0.388再下降至2021年的0.234. 四大区域VO的q值变化趋势同整体相同, 且在丝路核心区和开放先行区VO的q值下降幅度更大, 说明机动车保有量的增长对交通碳排放增加的解释度减弱效应在丝路核心区和开放先行区更显著.
2.3.2 交互作用探测分析运用地理探测器的交互作用探测方法, 分析2000~2021年6个探测因子两两交互对交通碳排放的影响作用, 结果如表 9所示（因篇幅所限, 本文仅列举了2000年、2005年、2010年、2015年和2021年的探测结果）.
|
|
表 9 整体交互式探测器结果1） Table 9 Results of interactive detector |
影响因子之间的交互主要呈现双因子增强和非线性增强, 说明本文所选取的影响因子交互影响交通碳排放的作用机制较强. 2000年, 交互作用较强烈的组合为GI∩OL、OL∩TS、OL∩EI和EI∩TS, 其交互值分别为0.803、0.798、0.793和0.744, 这说明在2000年政府干预程度与对外开放水平之间, 对外开放水平与交通运输结构之间, 对外开放水平与能源强度之间, 以及能源强度与交通运输结构之间的交互影响作用相对于单个指标, 更为显著地影响了交通碳排放的分布差异. 2005年, 交互作用较强烈的组合为OL∩TS、OL∩GI、OL∩VO和OL∩EI, 其交互值分别为0.888、0.812、0.790和0.766, 这说明在2005年对外开放水平与交通运输结构、政府干预程度、机动车保有量以及能源强度之间的交互影响作用相对于单个指标, 更为显著地影响了交通碳排放的分布差异. 2010年, 交互作用较强烈的组合为OL∩DS、VO∩EI、VO∩TS和OL∩TS其交互值分别为0.768、0.760、0.753和0.745, 这说明在2010年对外开放水平与行业发展规模之间, 机动车保有量与能源强度之间, 机动车保有量与交通运输结构之间, 以及对外开放水平与交通运输结构之间的交互影响作用较为显著. 2015年, 交互作用较强烈的组合为OL∩TS、OL∩EI、OL∩GI和OL∩DS, 其交互值分别为0.851、0.843、0.818和0.813, 这说明在2015年对外开放水平与交通运输结构、能源强度、政府干预程度以及行业发展规模之间的交互影响作用相对于单个指标, 更为显著地影响了交通碳排放的分布差异. 2021年, 交互作用较强烈的组合为OL∩EI、OL∩TS、OL∩DS和OL∩VO, 其交互值分别为0.886、0.825、0.819和0.750, 这说明在2021年对外开放水平与能源强度、交通运输结构、行业发展规模以及机动车保有量之间的交互影响作用相对于单个指标, 更为显著地影响了交通碳排放的分布差异.
综上所述, 不同年份中交互值排在前列的组合存在区别, 但对外开放水平与交通运输结构、对外开放水平与能源强度这两个组合一直都属于交互影响作用较为强烈的组合, 这说明这两组因子的交互作用相对于单个指标来说, 更为显著地对“一带一路”的交通碳排放产生了影响.
为进一步探究不同影响因素对“一带一路”沿线各地区交通碳排放空间分异格局的影响, 本文对22年间沿线四大区6个探测因子两两交互对交通碳排放的整体影响作用进行分析, 结果如表 10所示.
|
|
表 10 区域交互式探测器结果1） Table 10 Results of regional interactive detector |
四大区的影响因子之间的交互主要呈现双因子增强和非线性增强, 对外窗口区交互作用最强烈的组合为OL∩EI, 其次为OL∩GI、OL∩VO和OL∩TS, 这说明对外开放水平分别与能源强度、政府干预程度、机动车保有量和交通运输结构之间在空间叠加后, 会对对外窗口区交通碳排放空间分异起到重要的决定作用；丝路核心区交互作用最强烈的组合为GI∩OL, 其次为OL∩DS、OL∩VO和OL∩EI, 这说明对外开放水平分别与政府干预程度、行业发展规模、机动车保有量和能源强度之间在空间叠加后, 会对丝路核心区交通碳排放空间分异起到重要的决定作用；开放先行区交互作用最强烈的组合为OL∩TS, 其次为OL∩GI、OL∩EI和OL∩DS, 这说明对外开放水平分别与交通运输结构、政府干预程度、能源强度和行业发展规模之间在空间叠加后, 会对开放先行区交通碳排放空间分异起到重要的决定作用；战略支点区交互作用最强烈的组合为OL∩TS, 其次为OL∩EI、OL∩DS和EI∩DS, 这说明对外开放水平分别与交通运输结构、能源强度和行业发展规模之间以及能源强度与行业发展规模之间在空间叠加后, 会对战略支点区交通碳排放空间分异起到重要的决定作用.
3 建议本文基于2000~2021年“一带一路”沿线省域交通碳排放的测算结果, 利用空间自相关法分析沿线省域交通碳排放的时空分异特征, 通过回归分析和地理探测器因子探测解析交通碳排放影响因素的影响效应, 并引入交互作用探测分析交通碳排放影响因子之间的交互作用关系, 在此基础上, 提出“一带一路”沿线省域交通碳减排的策略建议. 具体建议如下：
（1）由全局Moran's I指数表可以看出2000~2021年间“一带一路”沿线省域交通碳排放空间自相关指数为0.205 3~0.399 1, 显著性水平介于0.006 0~0.053 0, 即沿线省域交通碳排放存在显著的空间正相关特性, 且总体的空间相关呈现出上升趋势. 因此沿线省域在制定交通减排相关政策时应遵从“多向联动, 联合治理”的方针, 具体可依据空间聚类结果建议, 对位于交通碳排放高值聚类的开发先行区来说, 应发挥辐射带动作用, 协助邻近战略支点区的广西、海南等地, 通过提供交通人力资本和节能技术等方面的支持, 促进先进交通低碳发展要素在区域内的优化配置. 而对位于交通碳排放低值聚类的丝路核心区而言, 其包含的新疆、宁夏、甘肃、内蒙古、青海和陕西应积极向对外窗口区的辽宁、黑龙江和吉林甚至“一带一路”沿线国家学习和引进交通减排技术, 减少高碳排能源依赖, 促进交通运输结构优化.
（2）结合2000~2021年各因素对“一带一路”沿线省域交通碳排放的影响效应以及四大区域影响因子的q值变化趋势, 以“分区治理, 发挥优势, 补足劣势”的理念对“一带一路”沿线省域的交通碳减排提出建议：①针对对外窗口区, 能源强度作为影响其交通碳排放空间分异的核心因素, 在样本期内的q值均大于0.2, 发挥出显著的抑碳效应, 因此该区域所含的黑龙江、吉林和辽宁应继续从提升能源利用率和减少单位能耗方面维持这一优势. 此外, 交通运输结构的q值在对外窗口区呈现先上升再下降的变化趋势说明交通运输结构优化对区域降碳有一定效果但并不稳定. 因此, 未来提高铁路网覆盖率, 大力发展公共交通, 也是对外窗口区降低交通碳排放的重要方向. ②针对丝路核心区, 能源强度和机动车保有量作为影响其交通碳排放空间分异的核心因素, 其中机动车保有量的q值在近5年大幅下降, 表现出了较大的减排潜力. 因此位于丝路核心区的新疆、陕西、甘肃、宁夏、青海和内蒙古可凭借区位及资源优势, 提高可再生能源消耗比例, 推进能源消耗结构低碳转型的进程. 同时地区政府需稳定控制机动车保有量的增加, 在政策上扶持新能源汽车的推广, 建立更完备的公共交通体系. ③针对开放先行区, 能源强度、对外开放水平和政府干预程度作为影响其交通碳排放空间分异的核心因素. 其中对外开放水平和政府干预程度的q值均高于其他三区的, 说明地区需继续维持政府对交通行业的财政投资力度, 持续促进交通行业发展效益的同时要注意对外开放水平提升所带来的增碳影响. 而交通运输结构作为影响交通碳排放空间分异的最弱因素, q值的波动下降也表现出一定的减排潜力, 因此上海、福建、广东、浙江和海南等地应调整交通运输结构, 需要从提升轨道交通技术, 促进地区高铁、地铁的高质量发展, 使得交通运输结构朝着高速化、低碳化、便捷化方向转变. ④针对战略支点区, 能源强度作为影响其交通碳排放空间分异的核心因素, q值处于波动上升趋势, 而行业发展规模作为最弱因素, q值则呈持续增长趋势. 因此战略支点区所含的广西、云南和重庆一方面可开展与沿线其他省域的能源项目合作与技术交流, 加速能源消费结构的低碳转型. 另一方面要抓住“一带一路”所带来的机遇, 主动争取政府财政政策倾斜, 利用好对外开放平台, 带动交通行业产值增加, 促进交通行业转型升级发展.
（3）由交互探测结果可知, 无论是对“一带一路”沿线整体还是沿线四大区, 对外开放水平与其他因素的组合均属于交互影响作用较为强烈的组合, 随着“一带一路”建设的不断推进, 对外开放水平会持续提升, 外商直接投资规模和结构也必将进入一个新的阶段. 因此, 对“一带一路”沿线省域而言, 要利用好“一带一路”建设平台, 各地政府应结合各地情况提高外资用于交通行业的比例, 在提升对外开放水平的同时, 吸收和引用外来先进技术, 提升自身节能技术水平. 此外, 丝路核心区和战略支点区也要充分借鉴对外开放水平程度较高的对外窗口区和开放先行区的经验和做法, 削弱外商直接投资带来的一部分交通环境污染问题. 充分发挥出对外开放的潜在抑碳效应, 是未来“一带一路”沿线省域交通碳减排工作的重要方向之一.
4 结论（1）由空间自相关分析得出“一带一路”沿线省域交通碳排放存在显著的空间正相关特性, 且总体呈现出上升趋势. “一带一路”沿线省域交通碳排放也具有显著的空间聚类特征, 且空间分布呈现出一定的规律性, 高值聚类区主要分布在开放先行区, 低值聚类区主要分布在丝路核心区.
（2）“一带一路”交通碳排放总量受到多种因素的综合影响. 其中对外开放水平和机动车保有量对交通碳排放呈现正向促进效应, 能源强度、交通运输结构、行业发展规模和政府干预程度均表现为抑制效应. 从影响因素分析来看, 2000~2021年间, 交通运输结构和能源强度是影响“一带一路”沿线省域交通碳排放时空分异的重要因素. 进一步研究发现, 能源强度是对外窗口区影响交通碳排放空间分异的核心因素. 能源强度和机动车保有量是影响丝路核心区交通碳排放空间分异的核心因素. 能源强度、对外开放水平和政府干预程度是影响开放先行区交通碳排放空间分异的核心因素. 能源强度是影响战略支点区交通碳排放空间分异的核心因素.
（3）影响因子之间的交互主要呈现双因子增强和非线性增强, 说明驱动因素之间存在较强的协同性. 并且无论是对“一带一路”沿线整体还是沿线四大区, 对外开放水平与其他因素的组合均属于交互影响作用较为强烈的组合, 说明持续扩大对外开放有着极大的减排潜力.
（4）本文对“一带一路”沿线省域交通碳排放影响因素时空异质性展开研究, 系统分析沿线四大区域6个影响因素的空间格局差异及其影响机制, 为政府制定区域交通碳减排协同发展战略提供科学参考. 随着我国交通信息化的飞速发展, 后续将进一步针对交通信息化对“一带一路”沿线省域交通碳排放影响的时空特征展开研究.
| [1] |
袁长伟, 张帅, 焦萍, 等. 中国省域交通运输全要素碳排放效率时空变化及影响因素研究[J]. 资源科学, 2017, 39(4): 687-697. Yuan C W, Zhang S, Jiao P, et al. Temporal and spatial variation and influencing factors research on total factor efficiency for transportation carbon emissions in China[J]. Resources Science, 2017, 39(4): 687-697. |
| [2] | Bai C Q, Chen Y B, Yi X, et al. Decoupling and decomposition analysis of transportation carbon emissions at the provincial level in China: perspective from the 11th and 12th Five-Year Plan periods[J]. Environmental Science and Pollution Research, 2019, 26(15): 15039-15056. DOI:10.1007/s11356-019-04774-2 |
| [3] |
张诗青, 王建伟, 郑文龙. 中国交通运输碳排放及影响因素时空差异分析[J]. 环境科学学报, 2017, 37(12): 4787-4797. Zhang S Q, Wang J W, Zheng W L. Spatio-temporal difference of transportation carbon emission and its influencing factors in China[J]. Acta Scientiae Circumstantiae, 2017, 37(12): 4787-4797. |
| [4] |
李玮, 孙文. 省域交通运输业碳排放时空分布特征[J]. 系统工程, 2016, 34(11): 30-38. Li W, Sun W. Spatial and temporal distribution characteristics of carbon emission in provincial transportation industry[J]. Systems Engineering, 2016, 34(11): 30-38. |
| [5] | Chen W H, Lei Y L. Path analysis of factors in energy-related CO2 emissions from Beijing's transportation sector[J]. Transportation Research Part D: Transport and Environment, 2017, 50: 473-487. DOI:10.1016/j.trd.2016.11.027 |
| [6] |
庄颖, 夏斌. 广东省交通碳排放核算及影响因素分析[J]. 环境科学研究, 2017, 30(7): 1154-1162. Zhuang Y, Xia B. Estimation of CO2 emissions from the transport sector in Guangdong Province, China and analysis of factors affecting emissions[J]. Research of Environmental Sciences, 2017, 30(7): 1154-1162. |
| [7] |
卞利花, 吉敏全. 青海交通碳排放影响因素及预测研究[J]. 生态经济, 2019, 35(2): 35-39, 100. Bian L H, Ji M Q. Research on influencing factors and prediction of transportation carbon emissions in Qinghai[J]. Ecological Economy, 2019, 35(2): 35-39, 100. |
| [8] |
卢建锋, 韩霜, 康家华. 区域交通运输业碳排放变化的驱动因素分解分析[J]. 交通运输工程与信息学报, 2016, 14(2): 56-62. Lu J F, Han F, Kang J H. Driving factor decomposition analysis of carbon emissions for regional transportation[J]. Journal of Transportation Engineering and Information, 2016, 14(2): 56-62. |
| [9] |
吕倩. 京津冀地区汽车运输碳排放影响因素研究[J]. 中国环境科学, 2018, 38(10): 3689-3697. Lü Q. Study on the driving factors of vehicle transport carbon emissions in Beijing-Tianjin-Hebei region[J]. China Environmental Science, 2018, 38(10): 3689-3697. |
| [10] |
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. |
| [11] | Tian X, Geng Y, Zhong S Z, et al. A bibliometric analysis on trends and characters of carbon emissions from transport sector[J]. Transportation Research Part D: Transport and Environment, 2018, 59: 1-10. DOI:10.1016/j.trd.2017.12.009 |
| [12] | Lim J, Kang M, Jung C. Effect of national-level spatial distribution of cities on national transport CO2 emissions[J]. Environmental Impact Assessment Review, 2019, 77: 162-173. DOI:10.1016/j.eiar.2019.04.006 |
| [13] |
曾晓莹, 邱荣祖, 林丹婷, 等. 中国交通碳排放及影响因素时空异质性[J]. 中国环境科学, 2020, 40(10): 4304-4313. Zeng X Y, Qiu R Z, Lin D T, et al. Spatio-temporal heterogeneity of transportation carbon emissions and its influencing factors in China[J]. China Environmental Science, 2020, 40(10): 4304-4313. |
| [14] |
李云燕, 张硕. 中国城市碳排放强度时空演变与影响因素的时空异质性[J]. 中国环境科学, 2023, 43(6): 3244-3254. Li Y Y, Zhang S. Spatio-temporal evolution of urban carbon emission intensity and spatiotemporal heterogeneity of influencing factors in China[J]. China Environmental Science, 2023, 43(6): 3244-3254. |
| [15] |
欧国立, 王妍. 交通运输业技术进步对二氧化碳排放的影响——基于中国省级面板数据的实证研究[J]. 生态经济, 2018, 34(11): 64-71. Ou G L, Wang Y. The influence of technological progress on carbon dioxide emissions in transportation: an empirical analysis of the provincial panel data in China[J]. Ecological Economy, 2018, 34(11): 64-71. |
| [16] | Fan F Y, Lei Y L. Decomposition analysis of energy-related carbon emissions from the transportation sector in Beijing[J]. Transportation Research Part D: Transport and Environment, 2016, 42: 135-145. DOI:10.1016/j.trd.2015.11.001 |
| [17] |
吴雯, 李玮. 中部六省交通运输业碳排放影响因素分析[J]. 管理现代化, 2019, 39(1): 62-65. Wu W, Li W. Analysis on influencing factors of carbon emissions in transportation industry of six provinces in Central China[J]. Modernization of Management, 2019, 39(1): 62-65. |
| [18] |
李健, 景美婷, 苑清敏. 绿色发展下区域交通碳排放测算及驱动因子研究——以京津冀为例[J]. 干旱区资源与环境, 2018, 32(7): 36-42. Li J, Jing M T, Yuan Q M. Estimation of carbon emission and driving factors in Beijing-Tianjin-Hebei traffic under green development[J]. Journal of Arid Land Resources and Environment, 2018, 32(7): 36-42. |
| [19] | Wu H M, Xu W. Cargo transport energy consumption factors analysis: Based on LMDI decomposition technique[J]. IERI Procedia, 2014, 9: 168-175. DOI:10.1016/j.ieri.2014.09.058 |
| [20] |
袁长伟, 李若影, 芮晓丽, 等. 陕西省交通运输业碳排放影响因素分解研究[J]. 长安大学学报(社会科学版), 2016, 18(2): 33-37. Yuan C W, Li R Y, Rui X L, et al. Decomposition of the impact factors of carbon emission in Shaanxi transportation industry[J]. Journal of Chang'an University (Social Science Edition), 2016, 18(2): 33-37. |
| [21] |
王海燕, 王楠. 中国综合交通运输体系碳排放影响因素研究[J]. 物流技术, 2019, 38(2): 78-83. Wang H Y, Wang N. Research on factors affecting carbon emissions of China's comprehensive transportation system[J]. Logistics Technology, 2019, 38(2): 78-83. |
| [22] |
李若影. 基于空间计量模型的中国交通运输业碳排放影响因素分析[D]. 西安: 长安大学, 2017. Li R Y. Analysis on the factors affecting carbon emissions of Chinese transportation industry based on spatial econometric model[D]. Xi'an: Chang'an University, 2017. |
| [23] |
李丹丹, 刘锐, 陈动. 中国省域碳排放及其驱动因子的时空异质性研究[J]. 中国人口·资源与环境, 2013, 23(7): 84-92. Li D D, Liu R, Chen D. Research on space-time heterogeneity of carbon emission and influencing factors in provinces of China[J]. China Population, Resources and Environment, 2013, 23(7): 84-92. |
| [24] |
吴雯. 交通运输业碳排放时空差异与影响因素研究[D]. 太原: 太原理工大学, 2019. Wu W. Research on spatial and temporal differences and influencing factors of carbon emissions in transportation industry[D]. Taiyuan: Taiyuan University of Technology, 2019. |
| [25] |
闫紫薇. 中国交通碳排放的测算及其影响因素的空间计量分析[D]. 北京: 北京交通大学, 2018. Yan Z W. The measurement of China's transportation CO2 emissions and the spatial econometric analysis of its influencing factors[D]. Beijing: Beijing Jiaotong University, 2018. |
| [26] |
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. |
| [27] |
尹妮妮, 王川川, 闫鹏程. "一带一路"省域碳排放效率及驱动因素研究[J]. 煤炭工程, 2022, 54(9): 182-186. Yin N N, Wang C C, Yan P C. Provincial carbon emission efficiency and driving factors along the Belt and Road in China under carbon peak and carbon neutrality[J]. Coal Engineering, 2022, 54(9): 182-186. |
| [28] |
周琪, 梁肖, 黄俊生, 等. 城市轨道交通碳排放效率与影响因素研究[J]. 交通运输系统工程与信息, 2023, 23(1): 30-38, 85. Zhou Q, Liang X, Huang J S, et al. Carbon emission efficiency and influencing factors analysis of urban rail transits[J]. Journal of Transportation Systems Engineering and Information Technology, 2023, 23(1): 30-38, 85. |
| [29] |
范育洁, 曲建升, 张洪芬, 等. 西北五省区交通碳排放现状及影响因素研究[J]. 生态经济, 2019, 35(9): 32-37, 67. Fan Y J, Qu J S, Zhang H F, et al. Study on the current situation and influence factors of transportation carbon emissions in five northwest provinces[J]. Ecological Economy, 2019, 35(9): 32-37, 67. |
| [30] |
郭向阳, 穆学青, 明庆忠, 等. 中国旅游交通碳排放格局及影响因素解析[J]. 地理与地理信息科学, 2022, 38(2): 129-136. Guo X Y, Mu X Q, Ming Q Z, et al. Carbon emission pattern of China's tourism transportation and its influencing factors[J]. Geography and Geo-Information Science, 2022, 38(2): 129-136. |
| [31] | Zhong M C, Que L Z, Lian G F. Empirical analysis of influencing factors of carbon emissions in transportation industry in Fujian Province, China[J]. JUSTC, 2023, 53(1): 6. DOI:10.52396/JUSTC-2022-0079 |
| [32] |
冯新惠, 李艳, 王诗逸, 等. "双碳"目标下城市形态对碳排放的影响: 以长江经济带为例[J]. 环境科学, 2024, 45(6): 3389-3401. Feng X H, Li Y, Wang S Y, et al. Impacts of urban form on carbon emissions under the goal of carbon emission peak and carbon neutrality: a case study of the Yangtze River economic belt[J]. Environmental Science, 2024, 45(6): 3389-3401. |
| [33] |
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. |
| [34] |
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. |
| [35] |
厉建梅, 李曼, 元敏丽, 等. 大运河文化带沿线省份旅游交通碳排放的时空演变及影响因素研究[J/OL]. 生态经济, 1-18, http://kns.cnki.net/kcms/detail/53.1193.F.20230818.1603.006.html, 2023-10-17. Li J M, Li M, Yuan M L, et al. Study on the spatial and temporal evolution and influencing factors of tourism traffic carbon emissions in provinces along the grand canal cultural belt[J/OL]. Ecological Economy, 1-18, http://kns.cnki.net/kcms/detail/53.1193.F.20230818.1603.006.html, 2023-10-17. |
| [36] |
李晓易, 谭晓雨, 吴睿, 等. 交通运输领域碳达峰、碳中和路径研究[J]. 中国工程科学, 2021, 23(6): 15-21. Li X Y, Tan X Y, Wu R, et al. Paths for carbon peak and carbon neutrality in transport sector in China[J]. Strategic Study of CAE, 2021, 23(6): 15-21. |
| [37] |
王文琳. 中国省域交通运输碳排放强度的影响因素及空间收敛性研究[D]. 西安: 长安大学, 2019. Wang W L. Research on influencing factors and spatial convergence of carbon emission intensity of transportation in China's provinces[D]. Xi'an: Chang'an University, 2019. |
| [38] |
彭璐璐, 李楠, 郑智远, 等. 中国居民消费碳排放影响因素的时空异质性[J]. 中国环境科学, 2021, 41(1): 463-472. Peng L L, Li N, Zheng Z Y, et al. Spatial-temporal heterogeneity of carbon emissions and influencing factors on household consumption of China[J]. China Environmental Science, 2021, 41(1): 463-472. |
| [39] |
李志英, 朱晓珊, 杨丽, 等. 成渝城市群紧凑度与碳排放强度时空演变及协调发展[J]. 环境科学, 2024, 45(6). Li Z Y, Zhu X S, Yang L, et al. Spatio-temporal evolution and coordinated development of compactness with carbon emission intensity in the Chengdu-Chongqing urban agglomeration[J]. Environmental Science, 2024, 45(6). DOI:10.13227/j.hjkx.202307260 |
| [40] |
钱凤魁, 王祥国, 顾汉龙, 等. 东北三省农业碳排放时空分异特征及其关键驱动因素[J]. 中国生态农业学报(中英文), 2024, 32(1): 30-40. Qian F K, Wang X G, Gu H L, et al. Spatial-temporal differentiation characteristics and key driving factors of agricultural carbon emissions in the three northeastern provinces of China[J]. Chinese Journal of Eco-Agriculture, 2024, 32(1): 30-40. |
| [41] |
王兆峰, 黄冬春. 长江经济带与黄河流域交通碳排放效率的比较及其影响因素[J/OL]. 经济地理, 1-15, http://kns.cnki.net/kcms/detail/43.1126.K.20230831.1703.002.html, 2023-10-15. Wang Z F, Huang D C. Comparison of transportation carbon emission efficiency and its influencing factors between Yangtze River Economic Belt and Yellow River Basin[J/OL]. Economic Geography, 1-15, http://kns.cnki.net/kcms/detail/43.1126.K.20230831.1703.002.html, 2023-10-15. |
| [42] |
王丽丽, 刘笑杰, 李丁, 等. 长江经济带PM2.5空间异质性和驱动因素的地理探测[J]. 环境科学, 2022, 43(3): 1190-1200. Wang L L, Liu X J, Li D, et al. Geographical detection of spatial heterogeneity and drivers of PM2.5 in the Yangtze River economic belt[J]. Environmental Science, 2022, 43(3): 1190-1200. |
| [43] |
田娟娟, 张金锁. 基于地理探测器的中国碳排放时空分布特征及驱动因素研究[J]. 生态经济, 2022, 38(7): 13-20, 27. Tian J J, Zhang J S. Research on spatial-temporal distribution and the driving factors of CO2 emissions in China based on geographic detector[J]. Ecological Economy, 2022, 38(7): 13-20, 27. |
| [44] | 国家发展改革委, 外交部, 商务部. 推动共建丝绸之路经济带和21世纪海上丝绸之路的愿景与行动[N]. 人民日报, 2015-03-29(04). |
| [45] | 国家统计局. 中国能源统计年鉴[M]. 北京: 中国统计出版社: 2000-2022. |