黄河流域交通运输碳排放时空特征及影响因素

引用本文

康月, 安美清, 王智琦, 彭彬彬, 向万里. 黄河流域交通运输碳排放时空特征及影响因素[J]. 环境科学, 2026, 47(6): 3582-3594.

KANG Yue, AN Mei-qing, WANG Zhi-qi, PENG Bin-bin, XIANG Wan-li. Spatiotemporal Characteristics and Driving Factors of Transportation Carbon Emissions in the Yellow River Basin[J]. Environmental Science, 2026, 47(6): 3582-3594.

黄河流域交通运输碳排放时空特征及影响因素

康月¹, 安美清¹, 王智琦¹, 彭彬彬^2,3, 向万里^1,4

1. 兰州交通大学交通运输学院，兰州 730070;
2. 天津大学管理与经济学部，天津 300072;
3. 天津大学国家储能技术产教融合创新平台，天津 300072;
4. 兰州交通大学高原铁路运输智慧管控铁路行业重点实验室，兰州 730070

收稿日期: 2025-04-17; 修订日期: 2025-07-28

基金项目: 国家自然科学基金项目（62262037）；中国铁路兰州局集团有限公司科技发展计划项目（LZJKY2025016）

作者简介: 康月（1998~），女，硕士研究生，主要研究方向为交通运输碳排放，E-mail：kangyeuei@163.com

通信作者: 向万里, E-mail：xiangwl@mail.lzjtu.cn

摘要: 随着“双碳”目标稳步推进，深入探究黄河流域交通碳排放特征及驱动因素对推动流域低碳转型与高质量发展具有重要意义. 基于2010~2022年流域64个地级市（州、盟）的交通碳排放数据，综合运用空间自相关分析、标准差椭圆、最优参数地理探测器（OPGD）和时空地理加权回归（GTWR）等方法，探究交通碳排放的时空格局及其驱动机制. 结果表明：①黄河流域交通碳排放呈增长趋势，空间上呈现“东高西低”格局，标准差椭圆重心始终在长治市并向东南方向迁移. ②OPGD识别出货运量、人口规模、城镇化水平和对外开放水平为影响交通碳排放的主导驱动因子，因子间交互作用以非线性增强和双因子增强为主. ③GTWR结果显示，货运量、人口规模和城镇化对多数城市交通碳排放具有显著正向驱动效应，而对外开放水平则呈现负向抑制作用. 据此，提出构建跨区域碳交易机制、优化城市空间布局和推进智能交通建设等建议，可为黄河流域交通碳减排提供科学依据.

关键词: 交通运输碳排放黄河流域影响因素最优参数地理探测器（OPGD）时空地理加权回归（GTWR）模型

Spatiotemporal Characteristics and Driving Factors of Transportation Carbon Emissions in the Yellow River Basin

KANG Yue¹ , AN Mei-qing¹ , WANG Zhi-qi¹ , PENG Bin-bin^2,3 , XIANG Wan-li^1,4

1. School of Traffic and Transportation, Lanzhou Jiaotong University, Lanzhou 730070, China;
2. College of Management and Economics, Tianjin University, Tianjin 300072, China;
3. National Industry-Education Platform of Energy Storage, Tianjin University, Tianjin 300072, China;
4. Key Laboratory of Railway Industry on Plateau Railway Transportation Intelligent Management and Control, Lanzhou Jiaotong University, Lanzhou 730070, China

Abstract: As the "dual carbon" goals steadily advance, investigating the characteristics and driving factors of transportation carbon emissions in the Yellow River Basin is of great significance for promoting low-carbon transition and high-quality development. Based on transportation carbon emission data of 64 prefecture-level cities (states and leagues) in the basin from 2010 to 2022, we comprehensively applied spatial autocorrelation analysis, standard deviational ellipse, optimal parameter geographical detector (OPGD), and geographically and temporally weighted regression (GTWR) to explore the spatio-temporal patterns and driving mechanisms of transportation carbon emissions. The findings reveal that: ① Transportation carbon emissions in the Yellow River Basin showed an increasing trend, with a spatial pattern of "high in the east, low in the west." The centroid of the standard deviational ellipse consistently remained in Changzhi City while shifting southeastward. ② OPGD identified freight volume, population size, urbanization level, and openness level as the primary driving factors, with interactions primarily exhibiting nonlinear enhancement and bifactorial enhancement. ③ GTWR results showed that freight volume, population size, and urbanization had significant positive driving effects on transportation carbon emissions in most cities, while the openness level demonstrated a negative inhibitory effect. Accordingly, we propose establishing a cross-regional carbon trading mechanism, optimizing urban spatial layouts, and advancing intelligent transportation systems, which could provide a scientific basis for reducing transport carbon emissions in the Yellow River Basin.

Key words: transportation carbon emissions the Yellow River Basin influencing factors optimal parameter geographic detector(OPGD) geographically and temporally weighted regression(GTWR)model

黄河流域扮演着我国农牧业生产、能源供应、化工原料及基础工业发展的关键角色，其流经的9个省份碳排放占全国碳排放总量的34.9%，是落实“双碳”目标的重点地区^[1，2]. 交通运输业的发展与区域对外开放水平、生态环境和可持续发展有着紧密联系. 如何处理交通行业能源消耗、经济发展与碳排放之间的关系，缓和碳排放与生态环境之间的矛盾是黄河流域当前发展的重要问题. 因此，在“双碳”目标的背景下，对黄河流域交通碳排放进行测算，并深入剖析其时空特征及影响因素的空间差异，为制定有效的碳减排策略提供有价值的参考，对推动黄河流域生态保护、高质量发展以及实现“双碳”目标，具有重要的现实意义.

当前，关于交通碳排放的研究主要聚焦于碳排放量测算^[3~6]、时空特征分析^[7~10]、影响因素剖析^[11~18]和碳排放预测及碳减排路径^[19~24]优化设计. 在测算方法上，“自上而上”法，基于交通行业在运输过程中消耗的各种化石燃料数据直接核算，如袁振洲等^[25]以此构建京津冀交通运输业碳足迹测算模型，发现2010~2018年碳排放年均增长8.58%. “自下而上”法则基于交通运输工具能耗参数等相关数据进行估算^[26，27]. 田佩宁等^[28]结合两种方法测算2019年中国交通业碳排放为12.74亿t，道路运输、航空、水路和轨道交通的碳排放占比分别为79.15%、9.13%、7.06%和4.39%.

对于影响因素的研究，学者们大多采用指数分解分析法、空间计量模型和STIRPAT模型等探讨人口、经济和能源等因素对交通碳排放的影响. 如陈锋等^[29]采用LMDI模型将黄河流域碳排放分解为人口、经济、能源碳排放和能源消费强度，发现能源消费强度起抑制作用，而经济增长起促进作用. 张国兴等^[30]进一步结合扩展的STIRPAT模型和岭回归法，证实人均GDP与人口规模的正向驱动效应. 此类方法只考虑了各影响因素对碳排放的独立作用，未考虑因素间的协同或拮抗效应. 近年来，空间计量模型和地理探测器被广泛应用，许嘉俊等^[31]基于时空地理加权模型（geographically and temporally weighted regression，GTWR）结果，发现我国城市居民生活碳排放存在显著的时空异质性，且人口密度、经济发展和对外开放在中国南部的影响力更强. 梁思茵等^[32]发现珠三角城市群中人口密度、经济发展和科技水平的碳排放驱动效应存在城市差异. 赵红星等^[33]采用面板数据模型结合地理探测器模型揭示出能源强度与交通运输结构是交通碳排放时空异质性的主导驱动因子.

此外，时空特征分析已从传统统计分析发展至融合时空维度的动态分析方法. 杨绍华等^[34]基于泰尔指数的长江经济带研究表明，区域内差异比区域间差异更为显著. 泰尔指数与变异系数虽能量化空间差异，但无法捕捉碳排放的时空动态关联，这推动了空间自相关等方法的发展. 孙彦明等^[35]通过空间滞后效应模型发现中国交通碳排放强度“西高东低”的稳定格局. 曾晓莹等^[36]综合运用热点分析、双变量空间自相关等探索性空间数据分析方法证实碳排放的空间聚类趋势逐年增强. 但全国或省级尺度研究难以捕捉市域异质性，而县级单元受限于数据可得性. 已有研究为本文探究交通碳排放时空特征及驱动机制奠定了坚实的理论与实证基础，但仍有值得进一步研究之处. 首先，对黄河流域市域交通碳排放的时空分异特征研究较少^[37~39]. 其次，在研究方法层面，现有研究多聚焦于量化各因素对交通碳排放的独立贡献，却较少关注因素间可能存在的协同或拮抗作用，传统地理探测器模型依赖主观参数设定. 此外，在因素选取方面，大多只考虑了人口、经济和产业结构等因素，忽略了交通行业发展因素和技术效率因素的影响.

为此，本研究拟从以下维度进行深入探讨. 首先，本研究以市（州、盟）级行政区作为基本分析单元，平衡空间精度与数据可靠性，填补了市域研究的空白. 其次，引入最优参数地理探测器（optimal parameter geographic detector，OPGD）耦合GTWR模型，实现参数自动寻优，客观识别主导驱动因子与多因素协同作用下驱动因子对交通碳排放的独立及交互贡献. 再次，在因素选取时新增货运量、公路里程等行业指标及能源强度指标，构建多维驱动因子体系.

综上，本文以黄河流域64个地级市（州、盟）2010~2022年数据为基础，通过空间自相关分析、标准差椭圆及OPGD-GTWR耦合模型，系统探究黄河流域交通碳排放的集聚特征、演变趋势及驱动机制，探究影响黄河流域交通运输碳排放的主要因素，发掘减排潜力，以期为黄河流域低碳化发展提供参考.

1 材料与方法 1.1 研究区域

本研究区域的划定遵循双重准则：①以水利部黄河水利委员会所确定的自然流域边界为地理基础. ②统筹考虑地级市（州、盟）行政边界的完整性. 通过整合既有研究成果的划分方案^[40~42]，最终确定研究区覆盖青海、甘肃等9个省级行政区，包含73个地级市（州、盟）. 限于数据的可得性，部分市（州）数据缺失较多，且济源市属于省直辖县级市，剔除以上市（州）最终确定的研究区域如图 1所示，包括64个地级市（州、盟）.

图 1 研究区域 Fig. 1 Study area

1.2 研究方法 1.2.1 交通碳排放测算

目前，有关市域交通行业能源消耗数据无法直接获取. 因此，本文基于各省能源平衡表，借鉴景侨楠等^[43]的做法，通过分配系数将各省交通行业能源消耗量分配到各市（州、盟），得到各市（州、盟）的交通能源消耗量，再采用“自上而下”法，计算各市（州、盟）交通碳排放量. 具体计算见式（1）~（3）：

E_{i k} = E_{i m} \times p

(1)

C_{k} = \sum_{i = 1}^{13} E_{i k} \times N C V_{i} \times C E F_{i} \times C O F_{i} \times \frac{44}{12}

(2)

p = α_{1} \times \frac{Q_{k}}{Q_{m}} + (1 - α_{1}) \times \frac{F_{k}}{F_{m}}

(3)

式中，E_ik为城市k第i种能源消耗量；E_im为该城市所在省份m的第i种能源消耗量；p为相应的分配系数，即各城市相应指标占全省的比例；C_k为城市k的交通碳排放总量；NCV_i、CEF_i和COF_i分别为第i种能源的平均低发热值、单位热值含碳量和碳氧化率，具体相关系数^[4]见表 1；Q_k和Q_m分别为城市k和所在省份m的客运量；F_k和F_m分别为城市k和所在省份m的货运量；α₁为客运量所占权重，具体数值参考已有研究的数据^[43].

表 1 不同化石能源排放因子及折标准煤参考系数^1） Table 1 Emission factors for different fossil energy sources and reference coefficients for discounting standard coal

1.2.2 空间自相关

空间自相关用来衡量数据的空间分布特征和相互关系，本文采用Moran's I指数来衡量黄河流域交通运输碳排放的空间相关性.

全局Moran's I指数用于衡量黄河流域整体交通运输碳排放的空间相关性. 具体计算如式（4）：

I = \frac{\sum_{i = 1}^{n} \sum_{j = 1}^{n} w_{i j} (y_{i} - \bar{y}) (y_{j} - \bar{y})}{\frac{1}{n} \sum_{i = 1}^{n} (y_{i} {- \bar{y})}^{2} \sum_{i = 1}^{n} \sum_{j = 1}^{n} w_{i j}}

(4)

式中，I为全局莫兰指数；y_i和y_j为黄河流域地级行政区i和j的交通碳排放量； $\bar{y}$ 为各地级行政区交通碳排放量的平均值；w_ij为空间权重矩阵；n为研究区地级行政区的数量.

为进一步研究黄河流域地级行政区交通运输碳排放的集聚情况，采用局部莫兰指数来刻画空间集聚状态，共有5种集聚模式，分别为高-高、高-低、低-高、低-低和不显著. 计算如式（5）：

I_{i} = - \frac{y_{i} - \bar{y}}{\frac{1}{n} \sum_{i = 1}^{n} (y_{i} {- \bar{y})}^{2}} \sum_{j \neq i}^{n} w_{i j} (y_{i} - \bar{y})

(5)

式中，I_i为局部莫兰指数；y_i和y_j为黄河流域地级行政区i和j的交通碳排放量； $\bar{y}$ 为各地级行政区交通碳排放量的平均值；w_ij为空间权重矩阵；n为研究区地级行政区的数量.

1.2.3 标准差椭圆

通过椭圆重心、迁移轨迹、长短轴和方向角等参数分析黄河流域交通碳排放的空间分布特征和动态迁移轨迹. 重心位置是空间数据集的均值中心，用于表示交通碳排放在空间上的集聚趋势. 迁移轨迹用于揭示黄河流域交通碳排放重心随时间迁移的轨迹，长短轴反映了主次方向的离散程度. 具体计算公式参照董会忠等^[9]的研究.

1.2.4 最优参数地理探测器（OPGD）

地理探测器模型是一种空间异质性分析和影响因素探索的工具，涵盖了四大模块^[44]. 然而，传统地理探测器模型在数据离散化时，多依靠经验判断来选择离散方法和分类数目，不同的离散方法和分类会产生不同的q值结果，离散方法和分类数量的组合类型过多，手动调整寻优实施难度较大. 因此，Song等^[45]对此进行了优化改进，提出了最优参数地理探测器，实现自动寻优，避免传统离散化方法的主观偏差.

本文利用R语言中的GD包，采用等间隔法（equal）、自然断点法（natural）、分位数法（quantile）和几何间隔法（geometric）这4种离散方法，设置分类数为3~10类，以q值最大为选择标准，选出各影响因子的最优离散方法和分类数组合（表 2）.

表 2 影响因子最优离散方法和分类数 Table 2 Optimal discretization of impact factors and number of classifications

因子探测用于探测各影响因素X对交通碳排放量Y的空间分异性的解释力，用q值度量，计算如式（6）所示：

q = 1 - \frac{\sum_{h = 1}^{L} N_{h} σ_{h}^{2}}{N σ^{2}}

(6)

式中，0≤q≤1，q值越大表明各影响因素对交通碳排放量的解释力越强；h和L为探测因子的分层；N和N_h分别为全区和层h的地级行政单元； $σ^{2}$ 和 $σ_{h}^{2}$ 分别为全区和层h的交通运输碳排放量方差.

交互探测用来探测两个影响因素共同作用时对因变量交通碳排放解释力的变化情况，各因素之间的关系如表 3所示.

表 3 不同变量之间交互作用类型 Table 3 Interaction types between different variables

1.2.5 时空地理加权回归模型

为了深入探究黄河流域交通碳排放影响因素的正负作用及空间差异，采用时空地理加权回归模型（GTWR）进行分析. 计算如式（7）所示：

Y_{i} = β_{0} (x_{i}, y_{i}, t_{i}) + \sum β_{k} (x_{i}, y_{i}, t_{i}) X_{i k} + ε_{i}

(7)

式中，Y_i为研究单元i交通运输碳排放观测值；x_i和y_i为研究单元i的地理坐标；t_i为观测时间；β₀（x_i，y_i，t_i）为研究单元i回归常数；β_k（x_i，y_i，t_i）为研究单元i的第k个回归参数；X_ik为解释变量；ε_i为模型残差.

1.3 变量选取与数据来源

对于黄河流域交通碳排放影响因素的选择，本文从人口、经济和技术这3个方面考虑，用人口总量和城镇化水平衡量人口指标，经济规模和产业结构衡量经济指标，能源强度衡量技术指标. 同时，也考虑了货运量、公路货运里程和对外开放对交通碳排放的影响. 各变量选取、测度方法及数据来源见表 4.

表 4 变量定义与数据来源 Table 4 Variable definitions and data sources

2 结果与讨论 2.1 黄河流域交通碳排放时空特征分析 2.1.1 时空分布

从时间分布图来看（图 2），黄河流域交通运输碳排放呈增长趋势，年均增长率为3.70%. 2010~2012年碳排放逐年增加，年均增长率为10.96%. 2013年急剧下降，这与区域能源结构优化密切相关，2013年交通运输部印发《加快推进绿色循环低碳交通运输发展指导意见》，将绿色循环低碳作为交通运输发展重要方向，鼓励推广应用新能源和清洁能源车辆，为黄河流域交通能源结构调整提供政策导向. 相关统计数据显示，2013年黄河流域部分省份煤炭在能源消耗总量中的占比出现下滑^[46]，使得交通运输碳排放下降12.90%. 2014~2016年交通碳排放相对稳定，2017~2022年交通碳排放持续增加，2022年达到峰值，超过1.3亿t，较上年增加18.24%. 主要是新冠疫情过后，各地区经济处于快速复苏阶段，工业生产、商业活动和旅游业等各行业都呈现出活跃的态势，疫情期间被抑制的物流运输需求得到强烈释放，公路和铁路货运量激增，显著增加了交通运输碳排放.

图 2 黄河流域交通运输碳排放总量及增长率 Fig. 2 Total amount and growth rate of carbon emissions from transportation in the Yellow River Basin

从流域内部来看（图 3），下游整体呈增长趋势，中游相对稳定，上游则呈波动增长趋势. 上游、中游和下游占比分别为23%、34%和43%，上游地区生态环境相对脆弱，政策限制高排放产业发展，交通运输碳排放相对较少. 中游地区产业结构相对稳定，能源结构调整缓慢，使得交通碳排放维持在相对稳定水平. 下游地区经济发达，人口密集，产业结构更加多元化，交通需求旺盛，使得交通运输碳排放显著增加.

图 3 黄河流域上中下游交通运输碳排放对比分析 Fig. 3 Comparative analysis of transportation carbon emissions in the upper, middle, and lower parts of the Yellow River Basin

为了更加直观地展示黄河流域交通运输碳排放的空间分布格局，选取2010年、2015年、2020年和2022年的碳排放数据，采用分位数法将黄河流域交通运输碳排放量分为4类，分别对应低排放、较低排放、较高排放和高排放这4个等级. 如图 4所示，黄河流域交通运输碳排放呈现“东高西低”的分异特征. 具体来看，乌兰察布、阿拉善、乌海、石嘴山、中卫、白银、定西、甘南、甘孜、固原、庆阳、延安、铜川和商洛始终处于低排放或较低排放，这与其以农业为主的产业结构和较低的交通需求密切相关. 榆林、长治在2015年由较低排放变为较高排放，安阳在2020年，西宁、临夏和长治在2022年进入高排放行列，反映出资源开发和产业扩张对交通运输碳排放的显著驱动作用. 榆林和长治是重要的能源化工基地，随着煤炭和石油等能源产业和钢铁等行业的快速发展，带动了相关物流和交通需求的激增，导致交通碳排放迅速上升. 而鄂尔多斯、包头、呼和浩特、巴彦淖尔、大同、朔州、太原、西安、运城、洛阳、郑州、商丘、济宁、菏泽、济南、潍坊、淄博和青岛一直处于较高排放或高排放状态. 以上城市大多工业化和城市化水平较高，且交通基础设施发达. 郑州是全国铁路枢纽，青岛是重要的国际港口，鄂尔多斯和包头作为能源基地，煤炭和矿产等大宗货物的运输需求极大，商丘、济宁和菏泽等地是区域物流集散中心，西安、洛阳和郑州等地的制造业物流都需要大量的重型货车，对柴油等高碳燃料的依赖较大，因此交通运输碳排放较高. 2022年，济南市以1 353.40万t的排放量成为流域峰值，最少的为甘南藏族自治州，排放量为3.16万t，相差高达428倍，表明黄河流域交通运输碳排放呈现显著的空间分异特征.

图 4 黄河流域交通运输碳排放空间分布 Fig. 4 Spatial distribution of carbon emissions from transportation in the Yellow River Basin

2.1.2 空间关联特征

本文使用反距离权重矩阵计算全局莫兰指数，对黄河流域交通运输碳排放量进行空间自相关分析，各年度的全局Moran's I指数结果如表 5所示.

表 5 黄河流域交通运输碳排放全局Moran's I指数 Table 5 Global Moran's I index of transportation carbon emissions in the Yellow River Basin

结果表明，2010~2022年黄河流域交通运输碳排放的全局空间自相关指数均为正数，在2012年达到最大值，为0.152，2022年为最小值，为0.026. 其中，Z值得分达到2.0以上，且所有年份P值均小于0.05，表明在5%水平下显著，本研究期间黄河流域交通运输碳排放的空间分布具有明显的空间正相关集聚效应. 为进一步刻画黄河流域各城市与周围邻近城市之间的交通运输碳排放量相关程度，进行局部自相关分析，绘制LISA集聚图（图 5）.

图 5 黄河流域交通运输碳排放量LISA集聚 Fig. 5 LISA aggregation of transportation carbon emissions in the Yellow River Basin

从空间分布格局看，黄河流域交通运输碳排放呈现“高-高”集聚和“低-低”集聚并存的格局. 高值聚类主要分布在山东省的淄博、潍坊和青岛等下游城市，以上城市工业基础雄厚，经济活动频繁，尤其是制造业、能源化工和物流业等高能耗产业集中. 并且地理位置相邻，经济联系紧密，交通流量相互叠加，容易形成高碳排放的集聚效应. 本研究期内，高值聚类区由2010年的8个减少到2022年的3个，反映出以上地区减排措施初见成效. 低值聚类主要分布在黄河流域上游地区，以白银、固原、平凉、天水、陇南和甘孜为主，表现为区域内各市和周围城市的交通运输碳排放量较低，且空间差异较小. 以上地区以农业和服务业为主，经济活动产生的交通需求相对较低. 但低值聚类数量也从2010年的17个减少到2022年的8个，表明部分城市随着经济发展和城镇化加速，碳排放水平正在提升.

另外，也有部分城市属于“高-低”或“低-高”集聚，表现为区域内城市与周围城市交通运输碳排放量差异较大. 如西安市在2010~2015年属于“高-低”集聚，因为西安作为西北交通核心节点，交通运输碳排放较高，而周边城市如咸阳、渭南和商洛等交通运输碳排放相对较低，使得西安处于“高-低”集聚. 东营和泰安等城市则长期处于“低-高”集聚状态，因其被淄博、潍坊和济南等高排放城市所包围. 这种复杂的空间格局充分反映了黄河流域内不同城市经济发展水平和产业结构的差异性.

2.1.3 重心迁移

通过上文分析可知黄河流域交通运输碳排放量时空分布特征明显，为深入揭示黄河流域交通碳排放演化规律，借助ArcGIS 10.8平台的空间分析模块，对黄河流域2010~2022年交通运输碳排放标准差椭圆及交通运输碳排放重心迁移轨迹进行可视化，如图 6所示. 黄河流域交通运输碳排放的标准差椭圆和重心迁移轨迹的参数见表 6.

图 6 标准差椭圆和重心迁移轨迹 Fig. 6 Standard deviation ellipse and center of gravity migration trajectory

表 6 标准差椭圆和重心迁移参数^1） Table 6 Standard deviation ellipse and center of gravity migration parameters

结合图 6和表 6，可以发现：①2010~2020年间标准差椭圆面积持续下降，但在2022年略有回升，2010年标准差椭圆面积最大，2020年标准差椭圆面积达到最小，累计缩小9.36%，表明2010~2020年黄河流域交通运输碳排放空间分布更加集中，区域差异减小. 2022年是疫情过后经济复苏的一年，交通活动增加，交通碳排放空间分布出现一定程度的扩散. ②从标准差椭圆形状来看，黄河流域交通运输碳排放标准差椭圆呈东西方向，而方向角逐年减小，表明标准差椭圆长轴向北不断靠近. 因此，黄河流域交通运输碳排放空间分布走向为“东北-西南”方向. 长轴由2010年的568.962 7 km增加至2022年的620.376 9 km，短轴由2010年323.267 3 km缩短至2022年的269.925 9 km，表明黄河流域交通运输碳排放在南北方向上更为收敛，而在东西方向上分布更分散. ③本研究期间，黄河流域交通运输碳排放重心从武乡县迁移到沁源县与襄垣县交界处，累计迁移92.26 km. 整个研究期间，黄河流域交通运输碳排放重心始终位于山西省长治市，主要原因是长治市作为连接山西、河北和河南三省的重要交通枢纽，多条重要的公路和铁路干线在此交汇，这种优越的地理位置使得长治市成为区域内人员和物资流动的重要集散地，大量的货物运输和人员往来必然导致交通运输活动的频繁，进而产生较高的碳排放. 此外，长治市作为重要的煤炭生产基地，在其产业结构中，能源消耗量高，资源依赖性强的能源和化工等传统产业占比较大，使得长治市成为黄河流域交通碳排放的重心.

2.2 黄河流域交通碳排放影响因素的时空异质性 2.2.1 因子探测分析

为分析各影响因素对黄河流域交通运输碳排放空间分布的解释力，并识别交通运输碳排放的主导驱动因子，本文采用OPGD模型的因子探测计算了各影响因素对交通运输碳排放的解释力q值，结果如图 7所示. 黄河流域交通运输碳排放的主导驱动因子依次为：X₆（货运量） > X₁（人口规模） > X₈（对外开放水平） > X₂（城镇化水平） > X₅（公路里程） > X₄（产业结构） > X₇（能源强度） > X₃（劳动生产率）. 货运量作为核心驱动因子，其突出影响主要源于公路货运对汽柴油的高度依赖，特别是煤炭等大宗商品的长距离运输. 人口规模的次强影响力体现在人口集聚直接推高出行需求，促使交通工具使用量和频次增加. 对外开放水平是第三大驱动因子，国际贸易和经济活动会随着对外开放水平的提升而增加，从而导致交通需求的增加，进而增加交通碳排放. 城镇化水平是第四大驱动因子，城镇化过程中通过改变人口分布、经济活动和空间结构，间接推动交通需求激增，进而导致交通碳排放上升. 劳动生产率对黄河流域地级行政区交通运输碳排放驱动力最小，但其影响作用不容忽视. 因为劳动生产率的提高并不直接作用于交通碳排放，通常会伴随技术进步，如更高效的运输工具或更优化的物流系统，以上技术进步可能间接降低单位运输量的碳排放. 因此，劳动生产率对交通碳排放的驱动力最小.

图 7 黄河流域交通运输碳排放驱动因子q值 Fig. 7 The q-value of transportation carbon emission driver in the Yellow River Basin

2.2.2 交互作用探测分析

运用OPGD的交互作用探测方法，分析8个探测因子中任意两个因子交互对交通运输碳排放量的影响程度. 由图 8可知，X₁（人口规模）与X₂（城镇化水平）等6组因子交互作用后表现为双因子增强，表明两个因子相互作用对交通碳排放的联合驱动效应显著大于单因子的最大解释力. 其余组合均为非线性增强，表明因子的共同解释力超过单因子的解释力之和，黄河流域交通运输碳排放在任意两个驱动因子交互作用的影响下均表现出增强效应. X₁（人口规模）和X₆（货运量）与其他因子交互作用解释力q值均在0.59以上，这进一步表明人口规模和货运量是黄河流域交通碳排放的主要驱动因子，与其它影响因子进行交互作用后，会对黄河流域交通运输碳排放空间分异程度起决定作用. 其中，X₆（货运量）与X₂（城镇化水平）交互作用为双因子增强，解释力q值高达0.708. 城镇化过程中，产业结构升级和消费增长直接增加原材料和商品的运输需求，高效的货运系统是城镇化的基础设施保障，能够促进资源流动和经济活动，从而进一步推动城镇化快速发展. 其次是X₆（货运量）与X₁（人口规模）和X₅（公路里程）与X₁（人口规模），其解释力q值分别为0.671 2和0.662 6. 这说明货运量与城镇化水平，公路里程与人口规模的交互作用对交通运输碳排放空间分异的解释力显著高于单因子作用，且货运量与其他因素的交互作用最为强烈.

^*表示双因子增强图 8 黄河流域交通运输碳排放驱动因子交互作用探测结果 Fig. 8 Detection results of the interaction of transportation carbon emission drivers in the Yellow River Basin

X₅（公路里程）作为单因子对交通碳排放解释力只有0.114 6，而与X₁（人口规模）发生交互作用之后，其解释力得到显著提高，达到66%以上水平. X₃（劳动生产率）作为单因子对交通运输空间分异的影响程度最小，只有0.043 4，而其与X₁（人口规模）、X₆（货运量）在空间叠加作用下对交通运输碳排放空间分异的影响程度达到59%以上. 这表明，在探究交通运输碳排放的影响因素时，不能单一的分析单因子的影响程度，要重视因子间交互作用对交通运输碳排放的影响.

2.2.3 时空地理加权回归分析

地理探测器可识别主导驱动因子，但无法直接判断其正负效应. 根据上文因子探测结果，筛选出q值大于0.15，且通过5%显著性检验的主导驱动因子为X₆（货运量）、X₁（人口规模）、X₈（对外开放水平）和X₂（城镇化水平）. 因此，使用ArcGIS 10.8平台，采用自然间断点法，对选取的主导驱动因子的年均系数值进行空间异质性强度测度. 如图 9所示，变量的回归系数变化范围越大，表明影响因素的空间差异性越强. 进行时空地理加权回归分析之前，需先进行多重共线性检验，检验结果如表 7所示. 数据显示，所有变量的方差膨胀因子（variance inflation factor，VIF）均远低于10，表明各变量间不存在多重共线性.

图 9 主导驱动因子年均回归系数的空间分布 Fig. 9 Spatial distribution of annual average regression coefficients of dominant drivers

表 7 主导驱动因子的多重共线性检验 Table 7 Multiple covariance test for the dominant driver factors

由图 9（a）可知，人口规模呈现显著空间异质性，系数变化范围为-0.22~0.38，表明存在较大的时空差异. 上游的包头、呼和浩特、鄂尔多斯和中游的榆林呈现负效应，主要归因于以上城市人口密度相对较低，交通需求分散的特点. 特别是鄂尔多斯等资源型城市，经济活动可能高度依赖于特定产业，其交通运输主要服务于矿区与加工区之间的特定路线，城市内部交通需求相对有限. 因此，人口的增长并未直接催生交通需求的增加，反而可能受城市资源开发和利用模式的影响对交通运输碳排放产生抑制作用. 相反，下游山东城市群，如滨州、淄博和济南等则表现出显著正效应，以上地区因经济快速发展吸引大量人口集聚，导致交通需求激增.

由图 9（b）可知，城镇化水平的年均回归系数为-0.92~9.93，在大部分城市表现为正值促进作用. 山东省各市表现出较强的正效应，由于山东省的城镇化水平较高，城市基础设施建设的需求不断增加，这种快速的城镇化导致了交通需求的急剧上升. 随着城镇化的不断深入，居民生活水平和消费能力不断提高，服务业和制造业的发展不仅提供了大量就业机会，还促进了商业交通的需求，从而导致交通碳排放上升. 而庆阳、西安、宝鸡、咸阳和渭南等则呈现负效应，这主要得益于以上城市近年来大力发展的新能源公交系统和共享出行网络，尤其在高密度城区形成“最后一公里”的绿色出行闭环，显著降低了人均交通碳排放.

由图 9（c）可知，货运量呈现促进作用. 高值和次高值主要分布在山东省各市及鄂尔多斯市、榆林市等. 山东省作为黄河下游的经济大省，工业基础雄厚，其高值主要源于产业布局分散，导致货物中转频繁，城市间的货物运输仍依赖公路，使得货运量与交通碳排放之间呈正相关关系. 鄂尔多斯和榆林市等资源型城市的高值则与能源产品长距离运输需求相关. 相比之下，山西省通过煤炭产业结构调整，减少原煤外运量，不断进行产业链和运输方式优化，如提升铁路运输占比、新能源货车的试点应用等，实现了相对较低的系数值. 乌兰察布市作为内蒙古东部的物流枢纽，货物中转效率不断提升，运输货物以农产品和矿产等为主，相较于煤炭，其运输过程中的碳排放强度较低.

由图 9（d）可知，黄河流域大部分城市对外开放水平与交通碳排放之间呈负相关关系. 上游城市如西宁、临夏和甘南等表现出显著负效应，主要得益于对外开放带来的绿色产业投资和多式联运及新能源运输的发展. 以上地区利用其独特的地理位置和生态环境，重点发展旅游业等低碳产业，有效降低了运输碳排放强度. 而榆林、吕梁和朔州等则呈现正效应，这与对外开放扩大其高碳产品出口需求直接相关. 特别值得关注的是，西安作为内陆开放高地，其系数值相对较低，表明该市在对外开放过程中较好地平衡了经济发展与交通碳排放的关系.

3 建议

本文基于2010~2022年黄河流域64个地级市（州、盟）交通碳排放测算结果，首先利用空间自相关法、标准差椭圆和重心迁移分析黄河流域交通运输碳排放时空分异特征及碳排放重心的时空迁移路径. 其次，通过最优参数地理探测器因子探测、交互探测确定流域交通运输碳排放的主导驱动因子及影响因子之间的交互作用关系. 最后，运用GTWR模型对主导驱动因子的正负效应进行分析，在此基础上，提出黄河流域交通运输碳减排的策略建议，具体建议如下.

（1）构建跨区域碳交易机制以山东省淄博、潍坊和青岛等交通碳排放高值城市为核心，联合黄河流域其他重点城市，探索建立区域性交通碳交易市场. 将公路、铁路和航空等交通领域的碳排放纳入配额管理，设定区域统一的减排目标及配额分配规则. 同时，针对交通碳排放高值区与低值区的差异，设计基于“碳足迹追溯”的补偿模式.

（2）优化城市空间布局，推进智能交通建设人口规模、城镇化水平、货运量与交通碳排放的正相关高值以滨州、东营、潍坊、淄博和青岛等为主. 人口集聚和城镇化进程显著增加了交通出行需求，需通过优化城市空间布局和推动紧凑型城市发展减少长距离通勤. 构建“轨道-公交-慢行”多网融合的低碳交通体系，重点优化地铁站点与公交枢纽的“零距离换乘”设计，提高公共交通的分担率. 同时推进智能交通建设，在拥堵路段部署AI信号灯控制系统，基于实时车流数据优化绿灯时长. 针对货运量对交通碳排放的促进作用，利用大数据整合货运资源，优化货运路径，整合零散货源，降低空驶率，提升枢纽衔接效率.

（3）以高水平开放促进交通低碳转型本研究表明，吕梁和朔州等城市对外开放水平与交通碳排放显著正相关. 对外开放通过增加国际贸易流量、提升跨境物流需求等方式，显著驱动交通碳排放. 建议推广绿色自贸区，推行新能源物流车辆短驳运输并配套关税优惠激励. 引导外资投向充电桩、氢能枢纽等低碳基建，将减排目标纳入外资准入与考核体系，实现开放发展与低碳交通的协同. 此外，应加强区域合作，合理制定区域交通碳减排计划，学习国内外先进城市经验，结合本地实际进行创新和应用，在提升开放水平的同时降低交通碳排放，实现高质量发展.

（4）由交互探测结果可知，货运量与其他因素的空间交互作用对黄河流域交通运输碳排放影响最大，尤其是货运量与城镇化水平、人口规模、对外开放水平和产业结构. 这表明，货运量在以上因素的共同作用下，对碳排放的推动作用更加显著. 因此，黄河流域各城市应采取系统性、针对性的措施，重点从优化货运结构、推动绿色城镇化、促进绿色开放和优化产业结构等方面入手，减少货运量与其他因素的交互作用对交通运输碳排放的影响.

4 结论

（1）黄河流域64个地级市（州、盟）交通运输碳排放呈增长趋势，年均增长率为3.7%，2022年碳排放总量超1.3亿t. 流域内交通运输碳排放量呈现“东高西低”的分异特征，上游、中游和下游占比分别为23%、34%和43%.

（2）黄河流域交通运输碳排放呈现显著的空间正相关和集聚效应，高值聚类集中于淄博、潍坊和青岛等山东各市，低值聚类分布在白银、固原和平凉等地. 标准差椭圆呈“东北-西南”走向，面积持续缩小，表明空间分布更加集中，区域差异减小. 本研究期间，椭圆重心始终位于长治市，从武乡县迁移至沁源县，最终移至沁县与襄垣县交界处.

（3）黄河流域交通运输碳排放影响因素呈现明显的空间异质性. 人口规模、城镇化水平、货运量和对外开放水平是主导驱动因子. 具体来说，人口规模对包头、呼和浩特、鄂尔多斯和榆林的交通碳排放具有抑制作用，但对山东的滨州、淄博和济南等地则表现为正向促进作用；城镇化水平在庆阳、宝鸡、西安、咸阳和渭南等地表现出抑制作用，对山东省各市起正向促进作用；货运量对全流域城市均呈正向影响，其中下游山东各市及鄂尔多斯和榆林等地最为显著；整体而言，各因素对不同区域的影响作用存在显著差异，反映出黄河流域交通碳排放驱动机制的复杂性.

（4）黄河流域交通运输碳排放的影响因素交互作用主要表现为非线性增强和双因子增强，表明各因素之间存在协同效应. 其中，货运量与其他因素的交互作用对交通碳排放的影响最为显著，凸显其在驱动机制中的关键作用. 因此，各城市应以货运量为核心，统筹考虑其他因素的协同影响，充分挖掘其减排潜力，制定更具针对性的碳减排策略.

（5）黄河流域交通运输碳排放受多种因素影响，本文在分析黄河流域交通运输碳排放时空特征的基础上，主要考虑了人口规模、城镇化水平、货运量和对外开放水平等影响因素的时空异质性. 未来研究可进一步考虑土地利用类型和产业布局等因素，以更深入地揭示黄河流域交通运输碳排放的驱动机制及其空间异质性.

参考文献

[1]	汪彬, 阳镇. 推动黄河流域碳达峰碳中和路径研究[J]. 宁夏社会科学, 2023(3): 140-150. Wang B, Yang Z. Study on the path of promoting carbon peak and carbon neutralization in the Yellow River Basin[J]. Ningxia Social Sciences, 2023(3): 140-150.
[2]	赵忠秀, 闫云凤, 刘技文. 黄河流域九省区"双碳"目标的实现路径研究[J]. 西安交通大学学报(社会科学版), 2022, 42(5): 20-29. Zhao Z X, Yan Y F, Liu J W. The approach to achieving the "double carbon" goal in nine provinces and regions in the Yellow River Basin[J]. Journal of Xi'an Jiaotong University (Social Sciences), 2022, 42(5): 20-29.
[3]	杨青, 吴向荣, 刘洋, 等. 国家中心城市交通碳排放效率的空间网络结构及动因研究[J]. 环境工程技术学报, 2024, 14(4): 1167-1177. Yang Q, Wu X R, Liu Y, et al. Research on spatial network structure and influencing factors of transportation carbon emission efficiency in national central cities in China[J]. Journal of Environmental Engineering Technology, 2024, 14(4): 1167-1177.
[4]	Shan Y L, Huang Q, Guan D B, et al. China CO₂ emission accounts 2016-2017[J]. Scientific Data, 2020, 7(1). DOI:10.1038/s41597-020-0393-y
[5]	Shan Y L, Liu J H, Liu Z, et al. New provincial CO₂ emission inventories in China based on apparent energy consumption data and updated emission factors[J]. Applied Energy, 2016, 184: 742-750. DOI:10.1016/j.apenergy.2016.03.073
[6]	Zhang L Y, Weng D W, XU Y N, et al. Spatio-temporal evolution characteristics of carbon emissions from road transportation in the mainland of China from 2006 to 2021[J]. Science of the Total Environment, 2024, 917. DOI:10.1016/j.scitotenv.2024.170430
[7]	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.
[8]	李健, 刘舒琪, 王晓祺. 中国交通运输碳排放强度时空交互特征及跃迁机制[J]. 环境科学, 2024, 45(6): 3433-3445. Li J, Liu S Q, Wang X Q. Spatiotemporal interaction characteristics and transition mechanism of carbon intensity in China's transportation industry[J]. Environmental Science, 2024, 45(6): 3433-3445.
[9]	董会忠, 郭雪莲. 中国交通运输业碳排放效率时空演化特征研究[J]. 华东经济管理, 2023, 37(7): 70-80. Dong H Z, Guo X L. Research on the spatio-temporal evolution characteristics of carbon emission efficiency in China's transportation industry[J]. East China Economic Management, 2023, 37(7): 70-80.
[10]	黄羿, 李冬梅, 李永田, 等. 交通运输业碳排放的时空变化特征及影响因素——基于全国与经济区域层面[J]. 环境保护科学, 2021, 47(4): 62-70. Huang Y, Li D M, Li Y T, et al. Spatiotemporal change characteristics and influencing factors of carbon emissions in transportation industry—based on the national and economic regional aspect[J]. Environmental Protection Science, 2021, 47(4): 62-70.
[11]	石璟晶, 赵红星, 聂江龙, 等. 交通信息化对中国"一带一路"沿线省域交通碳排放影响的时空分异格局[J]. 中国环境科学, 2024, 44(10): 5885-5900. Shi J J, Zhao H X, Nie J L, et al. Spatial and temporal patterns of impact of transportation informatization on transportation carbon emissions in provinces along the Belt and Road in China[J]. China Environmental Science, 2024, 44(10): 5885-5900.
[12]	Li R R, Li L J, Wang Q. The impact of energy efficiency on carbon emissions: evidence from the transportation sector in Chinese 30 provinces[J]. Sustainable Cities and Society, 2022, 82. DOI:10.1016/j.scs.2022.103880
[13]	Tu W, Rao C J, Xiao X P, et al. Interactive geographical and temporal weighted regression to explore spatio-temporal characteristics and drivers of carbon emissions[J]. Environmental Technology & Innovation, 2024, 36. DOI:10.1016/j.eti.2024.103836
[14]	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.
[15]	翁大维, 谢郑一, 温晓娟, 等. 福建省城市群道路交通碳排放时空异质性[J]. 环境科学, 2025, 46(8): 4826-4838. Weng D W, Xie Z Y, Wen X J, et al. Spatial and temporal heterogeneity of road transportation carbon emissions in urban agglomerations of Fujian province[J]. Environmental Science, 2025, 46(8): 4826-4838.
[16]	王超, 武丽敏. 基于"双碳"视角的丝绸之路经济带交通碳减排驱动因素分析[J]. 干旱区资源与环境, 2024, 38(2): 9-19. Wang C, Wu L M. Factors driving the carbon emission reduction in transport along the Silk Road Economic Belt: an analysis from the perspective of "double carbon"[J]. Journal of Arid Land Resources and Environment, 2024, 38(2): 9-19.
[17]	Liu J G, Li S J, Ji Q. Regional differences and driving factors analysis of carbon emission intensity from transport sector in China[J]. Energy, 2021, 224. DOI:10.1016/j.energy.2021.120178
[18]	王智琦, 李建国, 彭彬彬, 等. 西部地区交通碳排放的驱动因素与脱钩效应分析[J]. 环境工程, 2023, 41(10): 213-222. Wang Z Q, Li J G, Peng B B, et al. Driving factors and decoupling effect analysis of transportation carbon emissions in western China[J]. Environmental Engineering, 2023, 41(10): 213-222.
[19]	宁春晓, 郭秀锐, 龚晓倩, 等. 京津冀交通部门的碳排放及减排潜力预测研究[J]. 环境科学与技术, 2023, 46(9): 138-147. Ning C X, Guo X R, Gong X Q, et al. Estimation of carbon dioxide emissions and prediction of emission reduction potential in Beijing-Tianjin-Hebei region's transportation sector[J]. Environmental Science & Technology, 2023, 46(9): 138-147.
[20]	肖红, 邓梓浩, 任艳娟, 等. 城市交通运输碳排放预测模型及碳减排策略[J]. 重庆交通大学学报(自然科学版), 2023, 42(9): 85-92, 98. Xiao H, Deng Z H, Ren Y J, et al. Urban transportation carbon emission prediction model and carbon reduction strategies[J]. Journal of Chongqing Jiaotong University (Natural Science), 2023, 42(9): 85-92, 98.
[21]	Wang L, Li Z, Xu Z J, et al. Carbon emission scenario simulation and policy regulation in resource-based provinces based on system dynamics modeling[J]. Journal of Cleaner Production, 2024, 460. DOI:10.1016/j.jclepro.2024.142619
[22]	宋永朝, 舒秦, 金程容, 等. 中国区域交通碳排放预测与碳达峰路径规划[J]. 环境科学, 2025, 46(4): 1995-2008. Song Y C, Shu Q, Jin C R, et al. Regional transport carbon emission forecasting and peak carbon pathway planning in China[J]. Environmental Science, 2025, 46(4): 1995-2008.
[23]	黄志辉, 纪亮, 尹洁, 等. 中国道路交通二氧化碳排放达峰路径研究[J]. 环境科学研究, 2022, 35(2): 385-393. Huang Z H, Ji L, Yin J, et al. Peak pathway of China's road traffic carbon emissions[J]. Research of Environmental Sciences, 2022, 35(2): 385-393.
[24]	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.
[25]	袁振洲, 袁晓敬, 杨洋, 等. 交通运输业碳足迹测算及其交互效应评估——以京津冀地区为例[J]. 北京交通大学学报, 2023, 47(6): 74-81. Yuan Z Z, Yuan X J, Yang Y, et al. Carbon footprint measurement in transportation sector and assessment of its interaction effects: a case study of Beijing-Tianjin-Hebei region[J]. Journal of Beijing Jiaotong University, 2023, 47(6): 74-81.
[26]	Sun D X, Xia J J. Research on road transport planning aiming at near zero carbon emissions: taking Ruicheng County as an example[J]. Energy, 2023, 263. DOI:10.1016/j.energy.2022.125834
[27]	Yaacob N F F, Mat Yazid M R, Abdul Maulud K N, et al. A review of the measurement method, analysis and implementation policy of carbon dioxide emission from transportation[J]. Sustainability, 2020, 12(14). DOI:10.3390/su12145873
[28]	田佩宁, 毛保华, 童瑞咏, 等. 我国交通运输行业及不同运输方式的碳排放水平和强度分析[J]. 气候变化研究进展, 2023, 19(3): 347-356. Tian P N, Mao B H, Tong R Y, et al. Analysis of carbon emission level and intensity of China's transportation industry and different transportation modes[J]. Climate Change Research, 2023, 19(3): 347-356.
[29]	陈锋, 张晶, 任娇, 等. 基于LMDI模型的黄河流域碳排放时空差异及影响因素研究[J]. 地球环境学报, 2022, 13(4): 418-427. Chen F, Zhang J, Ren J, et al. Spatiotemporal variations and influencing factors of carbon emissions in the Yellow River Basin based on LMDI model[J]. Journal of Earth Environment, 2022, 13(4): 418-427.
[30]	张国兴, 苏钊贤. 黄河流域交通运输碳排放的影响因素分解与情景预测[J]. 管理评论, 2020, 32(12): 283-294. Zhang G X, Su Z X. Analysis of influencing factors and scenario prediction of transportation carbon emissions in the Yellow River Basin[J]. Management Review, 2020, 32(12): 283-294.
[31]	许嘉俊, 杨晓军, 李睿. 城市居民生活碳排放及影响因素的时空异质性[J]. 中国环境科学, 2024, 44(3): 1732-1742. Xu J J, Yang X J, Li R. The spatial and temporal heterogeneity of carbon emission and its driving forces in urban households[J]. China Environmental Science, 2024, 44(3): 1732-1742.
[32]	梁思茵, 孔荫莹, 邹美靓, 等. 基于空间异质性的珠三角城市群碳排放驱动因素研究[J]. 环境科学学报, 2023, 43(11): 237-244. Liang S Y, Kong Y Y, Zou M L, et al. Spatial heterogeneity-based drivers of carbon emissions in the Pearl River Delta[J]. Acta Scientiae Circumstantiae, 2023, 43(11): 237-244.
[33]	赵红星, 石璟晶, 何瑞春, 等. "一带一路"沿线省域交通碳排放影响因素时空异质性[J]. 环境科学, 2024, 45(8): 4636-4647. Zhao H X, Shi J J, He R C, et al. Spatio-temporal heterogeneity of factors influencing transportation carbon emissions in provinces along the Belt and road[J]. Environmental Science, 2024, 45(8): 4636-4647.
[34]	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.
[35]	孙彦明, 杨怡乐, 李清立. "双碳"目标下中国省域交通碳排放强度的时空演变分析[J]. 宏观经济研究, 2023(11): 48-61.
[36]	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.
[37]	Zhang Q, Gu B H, Zhang H Y, et al. Emission reduction mode of China's provincial transportation sector: based on "Energy+" carbon efficiency evaluation[J]. Energy Policy, 2023, 177. DOI:10.1016/j.enpol.2023.113556
[38]	刘妍慧, 栗洋. 湖北省交通运输业碳排放测算及影响因素分解[J]. 统计与决策, 2022, 38(15): 88-92.
[39]	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.
[40]	冯薇, 赵荣钦, 谢志祥, 等. 碳中和目标下土地利用碳排放效率及其时空格局——以黄河流域72个地级市为例[J]. 中国土地科学, 2023, 37(1): 102-113. Feng W, Zhao R Q, Xie Z X, et al. Land use carbon emission efficiency and its spatial-temporal pattern under carbon neutral target: a case study of 72 cities in the Yellow River Basin[J]. China Land Science, 2023, 37(1): 102-113.
[41]	高新才, 韩雪. 黄河流域碳排放的空间分异及影响因素研究[J]. 经济经纬, 2022, 39(1): 13-23. Gao X C, Han X. Study on the spatial differentiation and influencing factors of carbon emissions in the Yellow River Basin[J]. Economic Survey, 2022, 39(1): 13-23.
[42]	郭付友, 佟连军, 仇方道, 等. 黄河流域生态经济走廊绿色发展时空分异特征与影响因素识别[J]. 地理学报, 2021, 76(3): 726-739. Guo F Y, Tong L J, Qiu F D, et al. Spatio-temporal differentiation characteristics and influencing factors of green development in the eco-economic corridor of the Yellow River Basin[J]. Acta Geographica Sinica, 2021, 76(3): 726-739.
[43]	景侨楠, 罗雯, 白宏涛, 等. 城市能源碳排放估算方法探究[J]. 环境科学学报, 2018, 38(12): 4879-4886. Jing Q N, Luo W, Bai H T, et al. A method for city-level energy-related CO₂ emission estimation[J]. Acta Scientiae Circumstantiae, 2018, 38(12): 4879-4886.
[44]	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.
[45]	Song Y Z, Wang J F, Ge Y, et al. An optimal parameters-based geographical detector model enhances geographic characteristics of explanatory variables for spatial heterogeneity analysis: cases with different types of spatial data[J]. GIScience & Remote Sensing, 2020, 57(5): 593-610.
[46]	国家统计局能源统计司. 中国能源统计年鉴2010-2022[M]. 北京: 中国统计出版社: 2011-2023.


环境科学 2026, Vol. 47 Issue (6): 3582-3594	PDF