2024, Vol. 45
气候变化已成为地球的重大威胁, 温室气体排放是气候变化的重要原因[1, 2].中国深受极端天气的影响, 但同时中国的二氧化碳排放总量位居世界第一, 占世界总量的30%, 单位GDP能耗为世界平均水平的2倍[3, 4].交通运输是能源消费的重要部门, 也是温室气体和大气污染排放的主要来源[5], 其能耗占终端能耗总量的10.7%[6].根据中国碳核算数据库[7], 中国交通运输业二氧化碳排放量（TCE）从2010年的5.36亿t增加到2021年为7.79亿t.同期与化石能源消费相关的空气污染物排放量也在增长.TCE的快速增长与减缓气候变化的迫切需求之间存在潜在的冲突, 为了解决这些冲突, 中国政府制定了一系列减排措施, 并在2016年批准《巴黎协定》时, 同意到2030年将单位GDP碳排放量减少60%~65%.同时, 习主席向世界庄严承诺, 中国将在2030年实现碳达峰, 在2060年实现碳中和.在“双碳”背景下, 交通部门绿色转型及其碳排放的影响机制将对我国整体碳中和和高质量发展产生重要影响.
近年来, 学者们对TCE的影响因素进行了大量研究, 主要是基于排放因子法[8, 9]和各种能源系统模型[10, 11]研究影响因素, 也有学者使用混合模型, 从而为研究TCE的影响因素提供新的方向[12~15], 如Qu等[16]使用PSM-DID模型发现碳交易对TCE有不同程度的影响.在研究TCE影响因素的研究中, 研究对象大致可以分为两类, 其一是交通部门整体[17, 18], 即铁路、公路、航运和水运；其二是某一特定的交通方式, 如周嘉仪等[19]预测, 2030年我国道路源二氧化碳排放量预计为0.95×109 ~ 1.49×109 t.通过对已有研究的归纳, TCE的影响因素可以分为以GDP、人口增长、城市化和基础设施投资为主的经济社会因素, 和以能源价格和碳交易为主的政策因素[20~23], 如Li等[24]采用对数平均分解指数（LMDI）分解得到影响TCE的因素为4种：人口变化、人均GDP变化、单位GDP的TCE变化和TCE结构变化.由于车辆的流动性和近些年越来越密切的区域合作, 近年来学者们在研究TCE时, 越来越关注对溢出效应的研究[25~27].如Zhao等[28]通过空间杜宾模型研究中国30个省份的数据, 发现新能源汽车政策存在溢出效应. Zhu等[29]使用空间DID模型发现高铁对于减排和产业集聚有积极的溢出效应, 但京津冀城市群的交通基础设施建设对周边城市有负溢出效应.在此基础上, 也有学者将溢出效应的研究工具与其他研究工具相结合, 如汪克亮等[30]和Li等[31]都将空间杜宾模型与中介效应模型结合, 从而更加深入地研究其中的影响路径.
上述研究为厘清TCE的影响因素与路径和省际间的相互影响提供了思路和经验, 但仍存在3点不足：①关于碳排放影响因素的选择存在重叠的部分, 其实证结果受到了部分学者的质疑.②利用排放因子法或者能源系统模型评估影响因素后, 进一步研究影响因素内部如何相互影响的研究少.③很少有研究涉及到城市公共交通.
基于以上研究的进展与局限, 本文首先建立了一个指标体系, 用层次分析法（AHP）来量化交通运输规模（TC）, 其中包括城市公共交通规模；然后利用莫兰指数和动态空间杜宾模型实证分析溢出效应；最后将动态空间杜宾模型纳入链式中介效应模型, 从国家和省级两个尺度研究交通运输规模对交通部门碳排放的影响机制, 以期为绿色交通系统建设和达成“双碳”目标提供可行性建议.
1 材料与方法 1.1 研究方法 1.1.1 莫兰指数空间自相关性容易计算且精度高, 被广泛用于地区间集聚情况的研究.Zhang等[32]和Chen等[33]分别使用了莫兰指数来研究黄河三角洲和珠江三角洲的碳排放空间聚集模式.公式（1）和公式（2）分别为局部莫兰指数和全域莫兰指数：
|
(1) |
|
(2) |
其中：
式中, Yi和Yj分别表示省i和j的观测值, Y表示观测值的平均值, n表示省的数量，Wij表示空间权重矩阵.
由于本文的重点在交通部门, 所以距离包括经纬度距离与公路距离两种含义.其次, 距离越近或经济发展模式越相同的地区模仿和借鉴的程度越大[34, 35]（表 1）：相邻空间权重矩阵（W1）、基于经纬度地理距离权重矩阵（W2）、基于公路地理距离权重矩阵（W3）和经济地理权重矩阵（W4）.
|
表 1 空间权重矩阵1） Table 1 Spatial weight matrix |
1.1.2 空间杜宾模型与链式中介效应模型
首先检测使用SDM模型的正确性及其是否会退化成空间滞后模型（SLM）或者空间误差模型（SEM）.根据已有研究[36, 37], 本文使用LM、Hausman和LR检验来检测（表 2）.
|
|
表 2 模型检验结果 Table 2 Results of model identification |
表 2中, LM检验结果说明可以使用空间计量经济学模型来进行实证研究.Hausman检验结果说明应使用固定效应模型.LR检验说明应使用时空双固定效应面板模型, 以及SDM模型拒绝退化成SAR或SEM模型.综上所述, 本文选择双固定效应的SDM作为研究工具, 如公式（3）：
|
(3) |
式中, Yt表示被解释变量在各个区域的时间t的观察值, Yt-1表示被解释变量的一阶滞后项, τ是相应的系数, τYt-1表示被解释变量的时间滞后项, μWYt-1表示被解释变量的时空滞后项, μ表示相应的系数.Xt是解释变量, 为n × k矩阵（n为区域数量, k为解释变量的数量）. ρ表示空间自回归系数.ρWYt表示其他地区对被解释变量的影响. β是解释变量的系数向量, βXt表示解释变量对被解释变量的影响.θWXt表示来自其他地区解释变量的影响.θ表示相应的影响系数向量.γt表示时间效应. B表示个体效应. εt表示随机误差项.为了验证是否存在倒U型的环境库兹涅茨曲线（EKnets curve）, 将TC2纳入到模型中.
为进一步分析TC对TCE的影响机制, 本文将空间杜宾模型引入到链式中介效应模型中：
|
(4) |
|
(5) |
|
(6) |
链式中介效应模型的示意如图 1所示.
|
图 1 链式中介效应模型示意 Fig. 1 Diagram of chain mediation effect model |
由图 1可知, TC影响TCE的路径：①TC通过Variable 1影响TCE, 效应量为β1×β2；②TC通过影响Variable 2影响TCE, 效应量为, α1×α2；③TC通过影响Variable 1影响Variable 2, 从而影响TCE, 效应量为β1×b×α2.
1.2 数据来源 1.2.1 被解释变量与核心解释变量本研究的被解释变量根据交通部门一次能源消耗和2006年IPCC《国家温室气体清单指南》[38]的数据计算得到.具体见公式如下：
|
(7) |
式中, Ei表示不同燃料i的使用量, NCVi表示不同燃料i的净热值, CCi表示不同燃料i的单位热值含碳量, COFi表示不同燃料i的氧化率.
本文采用TOPSIS综合评价模型与层次分析法（AHP）相结合的方法来确定TC[39, 40]. 18个指标见表 3.通过公式（8）计算每个指标的得分并排序, 以便确定两两之间的优先级.
|
(8) |
其中：
得到优先级之后, 通过公式（9）计算权重, 结果如表 3所示.
|
(9) |
|
|
表 3 AHP分析矩阵 Table 3 AHP analysis matrix |
最后, 使用公式（10）计算TC评价值：
|
(10) |
式中, Qi表示第i个指标的权重, Pi表示第i个指标的值, n表示指标数量.
1.2.2 控制变量、中介变量和工具变量本研究根据STIRPAT模型从财富、人口和技术方面选取控制变量[41, 42], 选取了收入情况, 财政支出、人口密度、专利数、每百万人口高校在校生和外商直接投资.收入情况（IN）用人均GDP取对数来表示, 财政支出（FE）以财政支出占GDP的比例取对数来表示, 专利数（PA）以主营业务收入为2 000万元及以上的法人工业企业申请专利数对数来表示, 人口密度（PD）、每百万人口高校在校生（HE）和外商直接投资（FDI）均取对数.
使用GDP和交通部门投资规模（TSIZE）作为中介变量[43, 44]. GDP取对数, 交通部门投资规模用交通运输部门固定资产投资的对数表示.
为解决内生性问题, 本文在基础回归之后还引入了每个省份的平均坡度（S）和高程（A）作为工具变量来检验内生性.同时, 还将交通部门碳强度（CI）作为新的因变量来检验稳健性.
1.2.3 数据来源与描述考虑到数据的可用性和连续性, 本文选取中国30个省份作为研究对象（中国香港、澳门、台湾和西藏自治区资料暂缺）.研究期为2010~2021年.TCE和CI的数据来自《中国碳核算数据库》（2011~2020年）[7]、各省统计年鉴（2011~2022年）和IPCC[38]. TC数据来自各省统计年鉴（2011~2022年）和各省交通部门政府官网, 最终通过AHP计算得出. IN、FE、PD、FDI和GDP的数据来自《中国统计年鉴》（2011~2022年）[45]和各省统计年鉴（2011~2022年）. PA和HE的数据来自《中国科技统计年鉴》（2011~2022年）[46]. TSIZE数据来自《中国交通统计年鉴》（2011~2022年）[47]. S和A来自ArcGIS计算结果.统计软件是Stata 17.所有变量的描述性统计如表 4所示.
|
|
表 4 描述性数据 Table 4 Descriptive data |
2 结果与讨论 2.1 交通碳排放与交通运输规模的空间分布
TCE和TC是本研究的两个主要变量, 因此, 有必要对其时空变化状况进行简要分析.图 2对比了2010年和2021年中国TC和TCE的空间分布.从中可以看出, 无论TC还是TCE, 都存在空间异质性和省际间的相互影响.从总体上说, 相比于2010年, 2021年TC建设得更好, 同时TCE有了上升.TC从东南部延伸到整个南部和中部.TEC则有从东到西增强的趋势.
|
该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS（2023）2767号的中国标准地图绘制, 底图无修改, 下同 图 2 TC和TCE时空分布 Fig. 2 Temporal and spatial distribution of TC&TCE |
使用公式（2）和TCE数据, 用Stata 17软件计算TCE的全域莫兰指数, 如表 5所示.
|
|
表 5 全域莫兰指数 Table 5 Global Moran index |
根据表 5的结果, 除W2下的个别年份外, 全域莫兰指数都是显著为正, 这表明中国各省之间的TCE存在空间相关性, 也证明了使用SDM建立空间计量模型的必要性.从时序角度看, W1和W2总体上呈现增长趋势, W3和W4下的数值在小范围内浮动. W1下的指数明显大于W2和W3下的指数值, 这说明空间上是否相邻比两种距离远近对空间相关性的影响更显著.其中, W3指数下的值比W2下的值大, 说明以公路为基准的距离比空间直线距离对空间相关性的影响更大.W4下的指数值更稳定, 而且指数值明显为正, 这可能是更加综合地考虑了经济因素之后所导致的, 说明就算不相邻, 在考虑距离与经济情况的条件下也会存在溢出效应.
2.2.2 局部莫兰指数通过公式（1）与GeoDa软件计算局部莫兰指数.根据表 5的结果, 选择集聚效应最强和计算结果显著性最强的两个权重矩阵, 即W1和W4.为展示局部莫兰指数的计算结果, 本研究用ArcGIS软件绘制了中国交通部门的LISA聚类图（图 3）.
|
图 3 W1权重下的2010年和2021年局部莫兰指数 Fig. 3 Local Moran index for 2010 and 2021 under W1 weight |
从图 3可以看出在W1矩阵下无论是2010年还是2021年高-高聚集都在东部.不同的是, 2010年高-高聚集存在于东北与华北, 而2021年在南部也出现, 整体数量变多.高-低集聚最初只出现在最南部的少部分地区, 2021年东北部也出现.低-高地区一直集中在西北和中部, 低-低地区最少, 存在于西南部.
图 4中包含了W4矩阵下3个时间节点的集聚情况.W4中不显著的区域较W1更少.与W1相同的是, 高-高集聚主要集中在东部, 尤其是2021年.高-低集聚集中在南部, 少量存在于西北.低-高集聚从西北一直延伸到中部, 低-低集聚仍然在西南部.
|
图 4 W4权重下的2010年和2021年局部莫兰指数 Fig. 4 Local Moran index for 2010 and 2021 under W4 weight |
使用公式（3）与Stata 17软件来估计TC对TCE的空间溢出效应（表 6）.2019~2021年我国处于疫情阶段, 将其单独回归, 核心变量的结果显示在括号中.
|
|
表 6 4种空间权重矩阵下的SDM回归结果1） Table 6 SDM regression results under four spatial weight matrices |
4个空间加权下的WilnTCE系数都通过了显著性水平的检验, 表明区域间存在TCE的空间溢出效应.但是, 4种权重下的显著性不同, W1与W2的显著性更强且系数大, 说明对于交通部门, 地理上相近或经济上相似的地区的碳减排将对当地的碳减排产生积极影响, 并且相邻和空间直线距离近的地区会更明显.这与莫兰指数的结果一致.如果相邻地区或经济相似地区的TCE增加了1%, 当地的TCE会增加超过0.14%.如果空间直线距离与本地区相近, 增加幅度更大, 达到约0.45%.这意味着, 必须采取联防联控的措施来控制碳排放, 只对单一地区进行治理的效果并不理想.Wiln（TC2）对TCE的影响为负, 这表明TC与TCE之间可能存在倒U型EKC关系.
通过对比括号内外的系数可以看出, lnTC的系数在不同的研究期分别为正和负两种结果.出现这种情况主要是因为疫情期间TCE排放量突然下降但交通建设的发展在一定时间内仍然保持惯性.其余变量的系数在不同研究期内的结果只有数值上的差异, 绝大多数情况下2019~2021年的回归结果较整个研究期而言更小, 这说明疫情削弱了TC的碳减排能力.
在控制变量中, IN的增加有利于降低TCE, 而PD增加会增加TCE.FE与TCE的关系更为复杂, 在是否考虑空间权重矩阵时呈现不同的状态.可能的原因是财政在交通领域的投资会对出行总量产生刺激, 从而产生和TSIZE一样的影响, 但空间的相互影响被考虑到之后, 扩大了交通流动性和财政二次分配对于TCE的影响, 于是呈现出负相关, 对TCE的减少起到了积极作用, 并且比lnFE的影响更大、显著性更强. TSIZE对TCE产生负面影响, 这是因为中国正处于经济快速发展的时期, 交通行业的固定投资呈井喷式发展, 这无疑会增加TCE, 短期内还需要通过辅助政策来化解这种负面影响.值得注意的是, 代表技术水平的3个控制变量中, 无论是否考虑空间权重, HE的系数都为正, PA和FDI仅在考虑空间权重的情况下系数转为负.这提醒人们警惕“杰文斯悖论”和“污染天堂”假说.
通过对回归结果的进一步观察可以发现, 所有解释变量和控制变量的系数最大值大多出现在W3和W4权重下, 这进一步验证和补充了莫兰指数的结果.
与莫兰指数部分的处理方式一致, 本文选择集聚效果较明显的W1和W4矩阵进一步将溢出效应分解为直接溢出效应、间接溢出效应和总溢出效应（表 7）.
|
|
表 7 W1和W4权重下的空间溢出效应分解1） Table 7 Decomposition of spatial spillover effects under W1 and W4 weights |
根据分解结果（表 7）, TC的系数经历了从正到负的过程且负值不小于-0.45, 且通过了5%的显著性检验, 最低值为W4下的-2.185.这种结果再一次验证了TC可以显著降低当地区域的TCE, 在空间上对TCE的负影响更大.
TC2的直接效应为正但不显著, 间接效应显著为负且指数值大, 最终总效应均为负, 分别为-1.187和-4.379.这表明, 从间接来看TC与TCE可能存在倒U型的EKC关系.这种关系可以显著抑制交通部门的碳排放, 而且TC2对地理上相邻、经济上相似的地区产生的空间溢出效应最大.
代表技术水平的PA、HE和FDI的系数大多为正, 说明技术投资还没有完全转化成减排力量, 会增加TCE.从长期来看, 这种影响需要警惕.
2.3.2 中介效应分析使用公式（4）~（6）来估计TC对TCE的中介效应, 结果见表 8.由于中介效应为本节重点, 所以控制变量的系数结果不在表格中显示.
|
|
表 8 链式中介效应结果1） Table 8 Results of chain mediation effects |
由表 8可知, 首先, TC对TCE和两个中介变量的系数都是显著的, 说明中介效应是存在的.模型3和模型5中TC系数均显著, 说明路径1和路径2是部分中介效应.模型6和模型7存在不显著的系数, 说明路径3是完全中介效应.通过分析显著性可知, 路径1的中介效应最明显.
2.4 溢出效应与影响路径的异质性分析为考察TC对TCE影响的区域异质性.本文将中国分成6个区域（图 5）, 分区域回归后的结果如表 9所示.
|
图 5 中国分区域 Fig. 5 China subregion map |
|
|
表 9 分区域回归1） Table 9 Subregional regression result |
如表 9所示, TC对6个地区的TCE的影响差异较大.东北、华北、中部和西南地区TC的碳排放效应为负, 其中华北与中部显著为负, 中部与全国水平一致.东北、华北、东南地区TC与TCE的关系呈倒U型, 其中东北与华北地区显著.值得注意的是, 东南地区的TC表现为促进效应且通过了5%的显著性检验.可能的原因是东南地区人口众多消费需求高, 碳排放很难出现减少, TC以及其他交通政策与减排这一政策目标的融合比其他地区更难.此外, TC对TCE的空间溢出效应在西南地区均不显著.因此, 中国的TC建设需要更加重视区域一体化, 缩小区域间建设的差距.
随后, 进行分省回归（图 6）, 同时检测中介变量的影响.
|
图 6 省级中介效应 Fig. 6 Mediation effect at provincial level |
图 6中只展示了通过10%显著性检验的省份.从中可以看出我国大部分省份的TC对TCE的影响系数都为负, 东南地区的TC表现为促进效应, 这与前文的分区域回归的结果一致.总体上看路径1和路径3的结果更好.对大部分省份而言, TC可以通过经济扩张来降低TCE, 部分省份的TC呈现相反的作用, 但系数值远小于前者.在结果显著的绝大部分省份中, TC通过增加TSIZE来增加TCE, 对于中国这样的发展中国家而言, 这是难以回避的问题.在路径1的负影响和路径2的正影响下, 链式的路径3的结果就显得复杂, TC对TCE的影响在东北和中部为负, 在华北和西南则正负同时存在.
2.5 内生性与稳健性检验 2.5.1 内生性分析：工具变量法使用基于ArcGIS计算的每个省份的平均坡度和高程来构建TC的工具变量.地理坡度可以有效地反映出地形的变化, 衡量交通的建设难度.平均坡度或高程越大, 该省份建设铁路、公路等的难度越大.坡度和高程是长期形成的自然地理条件, 它与其他经济指标没有直接关系, 符合工具变量的外生性要求.考虑到基准回归模型中涉及因变量的空间滞后项, 本文采用广义矩阵估计（GMM）和最大似然法（MLE）代替传统的普通最小二乘法（OLS）进行回归分析.
TC这一变量的结果在两种方法下都显著为负（表 10）, 表明TC减少了TCE, 且结果稳定.TC2的结果也为负.除PA和FDI外, 控制变量都为负, 这与前文的结果一致. 中介变量中, 结果大多为正且显著.
|
|
表 10 工具变量法检验结果1） Table 10 Instrumental variable method test results |
2.5.2 稳健性检验
本文采用了两种方式来进行稳健性检验：改变因变量和改变实证方法.结果如表 11所示. ①替换因变量：与碳排放量相比, 碳强度也能直观地反映碳减排的动态变化.因此, 本文选择交通部门碳强度（CI）作为新的因变量在W4权重下进行稳健性分析.结果表明, TC对交通部门碳强度也有抑制作用, 且这一影响在考虑周边地区时也呈倒U型.②改变实证方法：与前文的内生性分析一致, 本文采用广义矩阵估计（GMM）和最大似然法（MLE）进行稳健性分析, 其结果有力地支持上述结论.
|
|
表 11 稳健性检验结果1） Table 11 Robustness test results |
3 结论
（1）从时序角度看, 中国的TCE在地区间存在着愈加明显的空间相关性.具体而言, 高-高聚集都集中在东部.随着时间的推移有从北到南延伸的趋势.高-低集聚只出现在最南部的少部分地区.低-高地区一直集中在西北部和中部, 低-低地区只在西南有少量分布.
（2）如果一个地区交通部门实现减排, 则可以减少空间上相邻的或经济结构相似的地区的碳排放, 而且这种关系在基于经纬度的空间直线距离的权重下最明显.TC对减少中国的TCE具有积极影响, TC与TCE可能存在着倒U型EKC关系.同样具有积极影响的还有收入水平与财政支出.人口密度和交通部门的投资规模的增加对碳减排有反作用.专利数、教育程度和FDI水平的结果说明技术投资在现阶段还没有完全转化成减排力量.
（3）TC对中国的不同地区的TCE的影响差异较大.华北与中部显著为负, 中部与全国水平一致.东北与华北地区的TC与TCE的关系呈倒U型曲线且显著.值得注意的是, 东南地区的TC表现为促进效应且通过了5%的显著性检验, 说明了其减排的压力.此外, TC对TCE的空间溢出效应在西南地区不显著.
（4）TC对TCE的中介效应是存在的.路径1和路径2是部分中介效应.路径3是完全中介效应.通过分析显著性可知, 路径1即GDP的中介效应最明显且为负, 是交通部门碳减排的重要因素.
| [1] |
吴大明. 近年来全球极端天气气候事件情况及影响分析[J]. 中国减灾, 2021(15): 22-25. Wu D M. Analysis of global extreme weather and climate events in recent years and their impacts[J]. Disaster Reduction in China, 2021(15): 22-25. DOI:10.3969/j.issn.1002-4549.2021.15.005 |
| [2] |
邓旭, 谢俊, 滕飞. 何谓"碳中和"?[J]. 气候变化研究进展, 2021, 17(1): 107-113. Deng X, Xie J, Teng F. What is carbon neutrality?[J]. Climate Change Research, 2021, 17(1): 107-113. |
| [3] | BP集团. BP世界能源统计年鉴2021[R]. 伦敦: BP集团, 2021. |
| [4] | Wei W, Pang S F, Wang X F, et al. Temperature vegetation precipitation dryness index (TVPDI)-based dryness-wetness monitoring in China[J]. Remote Sensing of Environment, 2020, 248. DOI:10.1016/j.rse.2020.111957 |
| [5] | Oreggioni G D, Mahiques O, Monforti-Ferrario F, et al. The impacts of technological changes and regulatory frameworks on global air pollutant emissions from the energy industry and road transport[J]. Energy Policy, 2022, 168. DOI:10.1016/j.enpol.2022.113021 |
| [6] |
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. |
| [7] | Guan Y R, Han Y L, Huang Q, et al. Assessment to China's recent emission pattern shifts[J]. Earth's Future, 2021, 9(11). DOI:10.1029/2021EF002241 |
| [8] | Shi L Y, Sun J, Lin J Y, et al. Factor decomposition of carbon emissions in Chinese megacities[J]. Journal of Environmental Sciences, 2019, 75: 209-215. DOI:10.1016/j.jes.2018.03.026 |
| [9] | Huang Y S, Shen L, Liu H. Grey relational analysis, principal component analysis and forecasting of carbon emissions based on long short-term memory in China[J]. Journal of Cleaner Production, 2019, 209: 415-423. DOI:10.1016/j.jclepro.2018.10.128 |
| [10] |
贾璐宇, 王克. 碳中和背景下中国交通部门低碳发展转型路径[J]. 中国环境科学, 2023, 43(6): 3231-3243. Jia L Y, Wang K. Low-carbon transition pathways for China's transportation sector under the background of carbon neutrality[J]. China Environmental Science, 2023, 43(6): 3231-3243. DOI:10.3969/j.issn.1000-6923.2023.06.057 |
| [11] |
许绩辉, 王克. 中国民航业中长期碳排放预测与技术减排潜力分析[J]. 中国环境科学, 2022, 42(7): 3412-3424. Xu J H, Wang K. Medium-and long-term carbon emission forecast and technological emission reduction potential analysis of China's civil aviation industry[J]. China Environmental Science, 2022, 42(7): 3412-3424. DOI:10.3969/j.issn.1000-6923.2022.07.046 |
| [12] | Li Y M, Dong H K, Lu S S. Research on application of a hybrid heuristic algorithm in transportation carbon emission[J]. Environmental Science and Pollution Research, 2021, 28(35): 48610-48627. DOI:10.1007/s11356-021-14079-y |
| [13] | 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. DOI:10.1007/s11356-020-09075-7 |
| [14] | Strauss J, Li H C, Cui J L. High-speed rail's impact on airline demand and air carbon emissions in China[J]. Transport Policy, 2021, 109: 85-97. DOI:10.1016/j.tranpol.2021.05.019 |
| [15] | Zhao B, Wang K L, Xu R Y. Fiscal decentralization, industrial structure upgrading, and carbon emissions: evidence from China[J]. Environmental Science and Pollution Research, 2023, 30(13): 39210-39222. DOI:10.1007/s11356-022-24971-w |
| [16] | Qu S J, Ma H R. The impact of carbon policy on carbon emissions in various industrial sectors based on a hybrid approach[J]. Environment, Development and Sustainability, 2023, 25(12): 14437-14451. DOI:10.1007/s10668-022-02673-0 |
| [17] |
吕雁琴, 范天正, 张晋宁. 中国交通运输碳排放效率的时空异质性及影响因素研究[J]. 生态经济, 2023, 39(3): 13-22. Lyu Y Q, Fan T Z, Zhang J N. Spatiotemporal characteristics and influencing factors of China's transport sector carbon emissions efficiency[J]. Ecological Economy, 2023, 39(3): 13-22. |
| [18] |
王靖添, 马晓明. 中国交通运输碳排放影响因素研究——基于双层次计量模型分析[J]. 北京大学学报(自然科学版), 2021, 57(6): 1133-1142. Wang J T, Ma X M. Influencing factors of carbon emissions from transportation in China: empirical analysis based on two-level econometrics method[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2021, 57(6): 1133-1142. |
| [19] |
周嘉仪, 李楠, 冯伟航, 等. 我国道路源二氧化碳排放估算及未来情景预测[J]. 环境科学学报, 2023, 43(10): 267-278. Zhou J Y, Li N, Feng W H, et al. Estimation and future prediction of the on-road carbon dioxide emissions in China[J]. Acta Scientiae Circumstantiae, 2023, 43(10): 267-278. |
| [20] | Pan X F, Uddin M K, Ai B W, et al. Influential factors of carbon emissions intensity in OECD countries: evidence from symbolic regression[J]. Journal of Cleaner Production, 2019, 220: 1194-1201. DOI:10.1016/j.jclepro.2019.02.195 |
| [21] | Liu Y X, Jiang Y J, Liu H, et al. Driving factors of carbon emissions in China's municipalities: a LMDI approach[J]. Environmental Science and Pollution Research, 2022, 29(15): 21789-21802. DOI:10.1007/s11356-021-17277-w |
| [22] |
白梓函, 吕连宏, 赵明轩, 等. 中国对外直接投资的减污降碳效应及其实现机制[J]. 环境科学, 2022, 43(10): 4408-4418. Bai Z H, Lü L H, Zhao M X, et al. Pollution and carbon reduction effect of OFDI in China and its mechanism[J]. Environmental Science, 2022, 43(10): 4408-4418. |
| [23] |
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. |
| [24] | Li F Y, Cai B F, Ye Z Y, et al. Changing patterns and determinants of transportation carbon emissions in Chinese cities[J]. Energy, 2019, 174: 562-575. DOI:10.1016/j.energy.2019.02.179 |
| [25] |
赵小磊, 李雪梅, 赵庆先. 新能源汽车推广降低了碳排放吗?——基于空间溢出效应的视角[J]. 干旱区资源与环境, 2024, 38(2): 1-8. Zhao X L, Li X M, Zhao Q X. Does the new energy vehicles adoption reduce carbon emissions? A perspective of spatial spillover effect[J]. Journal of Arid Land Resources and Environment, 2024, 38(2): 1-8. |
| [26] | Wang Y, Zhao T, Wang J, et al. Spatial analysis on carbon emission abatement capacity at provincial level in China from 1997 to 2014: an empirical study based on SDM model[J]. Atmospheric Pollution Research, 2019, 10(1): 97-104. DOI:10.1016/j.apr.2018.06.003 |
| [27] | Li Z G, Wang J. Spatial spillover effect of carbon emission trading on carbon emission reduction: empirical data from pilot regions in China[J]. Energy, 2022, 251. DOI:10.1016/j.energy.2022.123906 |
| [28] | Zhao M, Sun T. Dynamic spatial spillover effect of new energy vehicle industry policies on carbon emission of transportation sector in China[J]. Energy Policy, 2022, 165. DOI:10.1016/j.enpol.2022.112991 |
| [29] | Zhu S N, Zhou Z, Li R, et al. Impact of high-speed rail construction on the environmental sustainability of China's three major urban agglomerations[J]. Sustainability, 2022, 14(5). DOI:10.3390/su14052567 |
| [30] |
汪克亮, 赵斌, 许如玉. 国际交通运输通道与城市绿色低碳转型——基于中欧班列开通的准自然实验[J]. 经济问题探索, 2023(11): 108-124. Wang K L, Zhao B, Xu R Y. International transport channel and urban green and low carbon transformation——a quasi-natural experiment based on the opening of the China railway express[J]. Inquiry Into Economic Issues, 2023(11): 108-124. |
| [31] | Li Z G, Wang J. The dynamic impact of digital economy on carbon emission reduction: evidence city-level empirical data in China[J]. Journal of Cleaner Production, 2022, 351. DOI:10.1016/j.jclepro.2022.131570 |
| [32] | Zhang C Y, Zhao L, Zhang H T, et al. Spatial-temporal characteristics of carbon emissions from land use change in Yellow River Delta region, China[J]. Ecological Indicators, 2022, 136. DOI:10.1016/j.ecolind.2022.108623 |
| [33] | Chen L M, Huo C J. Impact of green innovation efficiency on carbon emission reduction in the Guangdong-Hong Kong-Macao GBA[J]. Sustainability, 2021, 13(23). DOI:10.3390/su132313450 |
| [34] | Liu X R, Sun T, Feng Q. Dynamic spatial spillover effect of urbanization on environmental pollution in China considering the inertia characteristics of environmental pollution[J]. Sustainable Cities and Society, 2020, 53. DOI:10.1016/j.scs.2019.101903 |
| [35] | Shao S, Zhang Y, Tian Z H, et al. The regional Dutch disease effect within China: a spatial econometric investigation[J]. Energy Economics, 2020, 88. DOI:10.1016/j.eneco.2020.104766 |
| [36] |
张桅, 胡艳. 长三角地区创新型人力资本对绿色全要素生产率的影响——基于空间杜宾模型的实证分析[J]. 中国人口·资源与环境, 2020, 30(9): 106-120. Zhang W, Hu Y. The effect of innovative human capital on green total factor productivity in the Yangtze River Delta: an empirical analysis based on the spatial Durbin model[J]. China Population, Resources and Environment, 2020, 30(9): 106-120. |
| [37] |
戴宏伟, 胡喜飞. 区域双核结构对省域经济发展的影响研究——基于空间杜宾模型的实证分析[J]. 地理学报, 2023, 78(10): 2375-2391. Dai H W, Hu X F. The influence of regional dual-nuclei structure on provincial economic development in China: an empirical study based on spatial Dubin model[J]. Acta Geographica Sinica, 2023, 78(10): 2375-2391. DOI:10.11821/dlxb202310001 |
| [38] | Eggleston S, et al. IPCC guidelines for national greenhouse gas inventories[R]. Japan: Global Environmental Strategy Institute, 2006. |
| [39] |
贺玉晓, 杨璐, 杜颖, 等. 基于改进组合赋权-TOPSIS模型的农村污水处理设施效果评价[J]. 环境科学学报, 2024, 44(4): 421-428. He Y X, Yang L, Du Y, et al. Effect evaluation of rural sewage treatment facilities based on improved combination weighting-TOPSIS model[J]. Acta Scientiae Circumstantiae, 2024, 44(4): 421-428. |
| [40] |
孟艳丽, 胡华, 方勇, 等. 基于AHP-TOPSIS算法的城市轨道交通停车线布设综合评价模型[J]. 城市轨道交通研究, 2023, 26(11): 7-12, 19. Meng Y L, Hu H, Fang Y, et al. Comprehensive evaluation model of urban rail transit parking line layout plan based on AHP-TOPSIS algorithm[J]. Urban Mass Transit, 2023, 26(11): 7-12, 19. |
| [41] | Wang L, Su C W, Ali S, et al. How China is fostering sustainable growth: the interplay of green investment and production-based emission[J]. Environmental Science and Pollution Research, 2020, 27(31): 39607-39618. DOI:10.1007/s11356-020-09933-4 |
| [42] |
李飞, 董珑, 孔少杰, 等. 我国省域CO2-PM2.5-O3时空关联效应与协同管控对策[J]. 中国环境科学, 2023, 43(12): 6246-6260. Li F, Dong L, Kong S J, et al. Spatial-temporal correlation effects of CO2-PM2.5-O3 and synergistic control countermeasures in China's provincial area[J]. China Environmental Science, 2023, 43(12): 6246-6260. DOI:10.3969/j.issn.1000-6923.2023.12.003 |
| [43] | Yu H J, Zhu Q. Impact and mechanism of digital economy on China's carbon emissions: from the perspective of spatial heterogeneity[J]. Environmental Science and Pollution Research, 2023, 30(4): 9642-9657. |
| [44] |
盛科荣, 李晓瑞, 孙威, 等. 中国城市网络地位对碳排放效率的影响[J]. 地理学报, 2023, 78(11): 2864-2882. Sheng K R, Li X R, Sun W, et al. Examining the impacts of network position on urban carbon emissions efficiency in China[J]. Acta Geographica Sinica, 2023, 78(11): 2864-2882. DOI:10.11821/dlxb202311014 |
| [45] | 国家统计局. 中国统计年鉴2022[M]. 北京: 中国统计出版社, 2023. |
| [46] | 国家统计局社会科技和文化产业统计司, 科学技术部战略规划司. 中国科技统计年鉴2022[M]. 北京: 中国统计出版社, 2023. |
| [47] | 中华人民共和国交通运输部. 中国交通运输年鉴2022[M]. 北京: 人民交通出版社股份有限公司, 2023. |