呂 倩

?

京津冀地區(qū)汽車運輸碳排放影響因素研究

呂 倩*

(中國礦業(yè)大學(北京)管理學院,北京 100083)

以空間相關性和空間異質性為基礎,構建SLM-STIRPAT、SEM-STIRPAT和GWR-STIRPAT模型,對京津冀地區(qū)汽車運輸碳排放進行測算和影響因素分析.結果表明:京津冀地區(qū)汽車運輸碳排放存在顯著空間相關性和空間異質性.人口對汽車運輸碳排放呈正向影響;人均GDP對貨運碳排放和總量碳排放呈正向影響,對客運碳排放呈負向影響,城鎮(zhèn)化水平對汽車運輸碳排放呈負向影響.第三產業(yè)增加值對客運碳排放和總量碳排放呈正向影響,對貨運碳排放呈負向影響,人口對張家口市汽車運輸碳排放影響最為顯著;人均GDP對秦皇島市和滄州市的汽車運輸碳排放影響最為顯著;城鎮(zhèn)化水平對秦皇島市的汽車運輸碳排放影響最為顯著;第三產業(yè)增加值對秦皇島市的汽車運輸碳排放影響最為顯著.

京津冀地區(qū)；汽車運輸；碳排放；STIRPAT模型；空間計量模型；地理加權回歸模型

交通運輸業(yè)是我國僅次于工業(yè)和建筑業(yè)的第三大溫室氣體排放源,隨著運輸需求的快速增長,其能耗和碳排放量也持續(xù)快速增長,其中國內公路交通運輸所產生的碳排放在整個交通運輸系統(tǒng)中占比超過90%[1-2],因此汽車運輸碳排放是交通運輸業(yè)碳減排的重點領域.京津冀地區(qū)交通運輸業(yè)發(fā)達,交通線路密集,是人口聚集、經濟發(fā)達和城鎮(zhèn)化大力推進的城市群地區(qū),同時也是大氣污染嚴重、碳減排壓力巨大的區(qū)域之一.其中京津冀地區(qū)汽車保有量占到了該地區(qū)機動車保有量的85.75%[3],貢獻了該區(qū)域大部分交通運輸碳排放.因此研究京津冀地區(qū)汽車運輸碳排放,探究其影響因素對該區(qū)域交通運輸業(yè)碳減排具有重要的現(xiàn)實意義.

目前,對交通運輸碳排放的研究一方面集中在不同運輸工具的時空演變特征方面.李濤等[4]指出公路碳排放要遠高于鐵路和水路碳排放;董賓芳等[5]指出高耗能高排放的公路運輸增長較快,東部沿海地區(qū)多水路運輸,鐵路運輸變化較小.具體到京津冀地區(qū),馬海濤等[6]指出客運碳排放量增長迅速.另一方面的研究集中在交通運輸碳排放驅動因素分析方面.Shi[7]和Shahbaz等[8]采用STIRPAT模型對碳排放進行影響因素分析;田中華等[9]采用STIRPAT模型對中國整體、省際層面碳排放進行了驅動因素分析;González等[10]構建LMDI對數(shù)平均迪氏指數(shù)分解法、米紅等[11]構建Kaya恒等式模型對碳排放驅動因素進行分析.不同學者選取經濟發(fā)展、能耗水平、新型城鎮(zhèn)化、運輸結構、產業(yè)結構等因素對交通運輸碳排放進行分析,楊彬等[12]認為人口數(shù)量對交通運輸碳排放量增長起推動作用,孫葉飛等[13]指出人均GDP和城鎮(zhèn)化率等經濟增長對交通運輸碳排放量影響不一;柴建等[14]指出能源強度降低、技術進步對碳排放量起抑制作用.隨著空間滯后模型、空間誤差模型、地理加權回歸模型、空間杜賓模型等空間計量模型的深入研究[15-20],李建豹等[21]基于空間計量模型表明省域碳排放存在空間異質性;尹鵬等[22]指出經濟增長對交通運輸碳排放具有顯著影響;袁長偉等[23]表明運輸結構和產業(yè)結構是交通運輸碳排放的重要影響因素;王鋒[24]等指出城鎮(zhèn)化水平對碳排放起促進作用.

綜上所述,交通運輸業(yè)碳排放時空特征及影響因素分析已引起了越來越多學者的關注,并取得了許多有價值的研究成果.但目前還存在一些不足.從研究方法來看,單因素測算難以全面反映交通運輸業(yè)碳排放眾多影響因素,而IPAT等式、STIRPAT模型和其他分解模型則很少考慮空間因素的影響.另外,交通運輸碳排放因素分析多研究共性影響,而較少研究影響因素對碳排放的差異化影響.從研究內容來看,汽車運輸是交通業(yè)節(jié)能減排的重要部門,但針對區(qū)域性的汽車運輸碳排放研究較少,尤其針對汽車客運、貨運的對比研究更少.京津冀地區(qū)作為國家大力推進的城市群,研究該區(qū)域汽車客運和貨運碳排放特征及影響因素,對確定碳減排的重點區(qū)域和部門具有重要的現(xiàn)實意義.

因此本文在分析京津冀地區(qū)汽車運輸碳排放的空間相關性和異質性基礎上,基于STIRPAT模型和空間計量模型,構建SLM-STIRPAT、SEM- STIRPAT和GWR- STIRPAT模型,探討人口、人均GDP、第三產業(yè)增加值和城鎮(zhèn)化水平對京津冀地區(qū)汽車運輸碳排放的共性影響和差異化影響,依據(jù)共同但有差異的減排原則,為我國交通運輸行業(yè)碳減排政策制定提供參考.

1 研究方法與數(shù)據(jù)來源

1.1 碳排放測算

本研究估算2016年京津冀地區(qū)汽車運輸(客運、貨運)碳排放量,基于數(shù)據(jù)的準確性和可獲取性,采用基于汽車交通流方法進行測算.測算方法如式(1)所示:

式中:G表示碳排放量,g;VP表示型汽車保有量,萬輛;X,j表示各排放標準汽車所占份額;VKT表示汽車年均行駛里程,km;EF,j表示碳排放因子,g/km;表示汽車類型(微型客車、小型客車、中型客車、大型客車、微型貨車、輕型貨車、中型貨車、重型貨車);表示排放標準(分為國I及以前標準、國II標準、國III標準、國IV標準、國V標準).

1.2 空間特征

1.2.1 空間相關性 選用Moran’s統(tǒng)計量來檢驗碳排放的全局空間相關性,空間權重選取基于地理距離的權重矩陣,具體計算如式(2)~(4):

式中: x表示市的汽車運輸碳排放量;x表示市的汽車運輸碳排放量;表示城市數(shù)量;為空間權重矩陣;d表示通過經緯度計算的城市之間的地表距離.的取值范圍為[-1,1].越接近1,表明空間正相關顯著,越接近-1,表明空間負相關顯著.

選用局域Moran’sI統(tǒng)計量來表征碳排放的局域空間相關性,計算如式(5):

式中:Z和Z表示標準化后的碳排放量;表示行標準化后的空間權重矩陣元素.通過局域指數(shù)建立空間關聯(lián)局域指標,分為H-H集聚(若I顯著為正且Z大于0,碳排放量高城市被碳排放量高城市包圍);L-L集聚(若I顯著為正且Z小于0,碳排放量低城市被碳排放量低城市包圍);L-H集聚(若I顯著為負且Z小于0,碳排放量低城市被碳排放量高城市包圍)和H-L集聚(若I顯著為負且Z大于0,碳排放量高城市被碳排放量低城市包圍).

1.2.2 空間異質性 采用空間半變異函數(shù)來檢驗碳排放空間異質性.空間半變異函數(shù)能夠描述區(qū)域化變量的隨機性和結構性,計算如式(6)所示:

式中:()表示空間半變異函數(shù);表示城市汽車運輸碳排放的空間距離,即步長(以城市幾何中心計算);()表示間隔距離為的碳排放量;(x)和(x+)表示碳排放在x和x+的實測值.

1.3 SLM-STIRPAT模型和SEM-STIRPAT模型

IPAT模型和IPAT擴展化后的STIRPAT模型,允許將人口、技術、財富某一影響因素進行具體的分解.眾多學者將其應用于碳排放的影響因素分析[25-27]. STIRPAT模型對數(shù)化后如式(7)所示:

式中:、、、分別表示環(huán)境影響情況、人口數(shù)量、人民富裕度和技術水平.結合前人的研究成果以及數(shù)據(jù)的可獲取性,分別選擇汽車運輸碳排放量(萬t)代表環(huán)境影響;人口總數(shù)(萬人)代表人口數(shù)量;人均GDP(億元/萬人)代表人民富裕度(以2010年為基準年);第三產業(yè)增加值(億元)代表技術水平;在此基礎上,將公式拓展化,選取城鎮(zhèn)化率代表城鎮(zhèn)化水平.

空間滯后模型(Spatial Lag Model, SLM)和空間誤差模型(Spatial Error Model, SEM)反映空間因素對經濟計量模型的影響,空間滯后模型主要探討各變量在區(qū)域是否存在溢出效應;空間誤差模型主要探討區(qū)域間的相互作用是否因空間位置變化而變化[28-30].本文建立SLM-STIRPAT模型和SEM- STIRPAT模型,用于分析京津冀地區(qū)汽車運輸碳排放影響因素的空間特征.

1.3.1 SLM-STIRPAT模型 SLM-STIRPAT模型分析京津冀地區(qū)汽車運輸(客運、貨運)碳排放對相鄰城市的影響,即是否存在“溢出效應”.模型如式(8)所示:

式中:為空間權重矩陣;ln為空間滯后因變量;為空間滯后自回歸系數(shù),用于衡量空間鄰接城市碳排放的外部溢出效應;為隨機誤差項.

1.3.2 SEM-STIRPAT模型 SEM-STIRPAT模型分析存在于隨機誤差項的空間相關性,即假設城市碳排放除去本城市人口、人民富裕度、技術水平和城鎮(zhèn)化水平外其他影響因素可能存在空間相關性,并對相鄰城市碳排放產生一定影響.模型如式(9)所示:

1.4 GWR-STIRPAT模型

采用地理加權回歸模型(Geographically Weighted Regression, GWR)結合STIRPAT模型構建GWR-STIRPAT模型,可以衡量截面數(shù)據(jù)在空間上表現(xiàn)出的自相關性、變異性和復雜性,用于表征京津冀地區(qū)汽車運輸(客運、貨運)碳排放影響因素的空間異質性[31-32].模型如式(10)所示:

式中:1、2、3、4為待估計參數(shù)向量;為城市數(shù)量;為第個城市的隨機誤差,滿足零均值、同方差、互相獨立等球形擾動假設;為各城市基于距離的空間權重矩陣;d為距離向量,即城市與其他城市之間的地理距離;為d的標準差;為最小帶寬.

1.5 數(shù)據(jù)來源

不同類型汽車保有量、排放標準及占比來自于《河北省機動車污染防治年報2016》[3];汽車年均行駛里程來自于《中國汽車工業(yè)年鑒2016》[33]、海德堡能源與環(huán)境研究所發(fā)布的研究報告及交通運輸部發(fā)布的相關數(shù)據(jù)[34]、《中國機動車污染防治年報2016》[35]、《國家統(tǒng)計年鑒2017》.汽車單位能耗及碳排放因子來自于《公路水路交通運輸行業(yè)發(fā)展統(tǒng)計公報2016》[36]、《省級溫室氣體清單編制指南(試行)》[37]以及2006年IPCC國家溫室氣體清單[38].

2016年河北省汽車中國I及以前標準的汽車占比為2.3%,國II標準的汽車占比為1.2%,國III標準的汽車占比為34.7%,國IV標準的汽車占比為44.1%,國V標準的汽車占比為17.5%;按汽車類型分類中微型載客占比3%,小型載客占比79.7%,中型載客占比0.2%,大型載客占比0.5%,微型載貨占比0.05%,輕型載貨占比為7.8%,中型載貨占比0.4%,重型載貨占比4.4%.可見微型載客、微型載貨和中型載貨占比較低,碳排放計算時將微型載客和小型載客歸為小型客車,中型載客和大型載客歸為大型客車;微型載貨和輕型載貨歸為輕型貨車,中型載貨和重型載貨歸為重型貨車.

人口、人均GDP、第三產業(yè)增加值和城鎮(zhèn)化率數(shù)據(jù)分別來源于北京市、天津市和河北省2016年國民經濟和社會發(fā)展統(tǒng)計公報和《中國城市統(tǒng)計年鑒2016》[39].

2 結果與討論

2.1 京津冀地區(qū)汽車運輸碳排放總體特征

圖1 汽車運輸碳排放總體特征

2016年京津冀地區(qū)汽車運輸碳排放總量為20188.52萬t.河北省為12332.38萬t,占比61.08%.總量最高城市為北京市,相對較高城市為天津市和石家莊市,最低城市為承德市;客運碳排放中小型客車占比最高,最高城市為北京市,相對較高城市為天津市和石家莊市,最低城市為承德市;貨運碳排放中重載貨車占比最高,最高城市為北京市,相對較高城市為石家莊市,最低城市為承德市.碳排放總體特征如圖1所示.

2.2 京津冀地區(qū)汽車運輸碳排放空間特征

2.2.1 空間相關性 京津冀地區(qū)汽車運輸(客運、貨運)碳排放的莫蘭指數(shù)分別為-0.4502、-0.3695和-0.4433,指數(shù)均為負值,在0.05、0.05、0.05的水平上顯著,表明客運碳排放存在顯著空間負相關性,空間差異較大.在此基礎上計算碳排放的局域Moran’sI指數(shù),得到碳排放空間LISA集聚格局.LISA集聚格局如表1所示.

30.76%、23.07%和15.38%的城市分別呈現(xiàn)出低-高聚集和高-高聚集趨勢.對于汽車運輸碳排放總量來說,低-高聚集區(qū)域包括張家口市、承德市和廊坊市,這3個低碳排放城市被高碳排放城市所包圍,受相鄰城市溢出效應影響;高-高聚集區(qū)域為天津市,表明天津市與相鄰城市呈現(xiàn)碳排放的趨同效應.對于汽車客運碳排放來說,低-高聚集區(qū)域包括張家口市、承德市和廊坊市,被高碳排放城市北京市和天津市包圍,具有顯著溢出效應;對于汽車貨運碳排放來說,低-高聚集區(qū)域為承德市和張家口市,表明承德市和張家口市被高碳排放城市包圍,具有顯著溢出效應.由此可見,汽車運輸碳排放總量和汽車客運碳排放呈現(xiàn)一致的聚集格局,京津冀地區(qū)汽車客運碳排放相較于貨運在空間聚集上具有穩(wěn)定性.

表1 汽車運輸碳排放LISA集聚格局

2.2.2 空間異質性 以京津冀地區(qū)汽車運輸(客運、貨運)碳排放量作為研究對象(數(shù)據(jù)賦予城市幾何中心),采用2.92km作為步長建立擬合模型.擬合參數(shù)如下表2所示.

表2 擬合模型估計

依據(jù)殘差平方和越小,2越大,模型越適合的原則,分別選取Gaussian模型.2均大于0.5,擬合程度較好,表明京津冀地區(qū)汽車運輸碳排放具有較好的空間自組織性,存在空間異質性特征.

2.3 京津冀地區(qū)汽車運輸碳排放影響因素分析

分別構建OLS-STIRPAT、SLM-STIRPAT和SEM-STIRPAT模型對碳排放進行影響因素分析,估計結果如表3所示.

擬合優(yōu)度2越大、施瓦茨準則值和AIC越小,模型擬合效果越好.因此選取SLM-STIRPAT模型均能達到較好的估計效果.殘差項z統(tǒng)計量的概率值分別為0.5368、0.5295、0.3884,表明殘差分布模式與隨機模式之間的差異并不顯著,所建立的空間模型殘差項在空間上均是隨機分布的,模型有效.

模型中空間滯后系數(shù)分別為-0.3189(<0.01)、-0.2110(<0.01)和-0.5928(<0.01),表明相鄰城市汽車運輸碳排放對本城市的碳排放產生影響,具有顯著的溢出效應.

表3 汽車運輸碳排放影響因素估計

注:—表示無此項.

人口是影響京津冀地區(qū)汽車運輸碳排放的正向驅動因素,表明隨著城市人口的增長,汽車客運和貨運碳排放均隨之增加;人均GDP對京津冀地區(qū)汽車碳排放總量和貨運碳排放呈正向影響,對汽車客運碳排放呈負向影響,且影響系數(shù)均很小,表明隨著京津冀地區(qū)人民生活水平的提高,汽車運輸碳排放隨著增長,且人均GDP對汽車貨運的影響更大.城鎮(zhèn)化水平是影響京津冀地區(qū)汽車運輸碳排放的負向驅動因素,表明隨著城鎮(zhèn)化推進,人民生活更加密集、便利,對交通的需求會呈減少趨勢.第三產業(yè)增加值對京津冀地區(qū)汽車碳排放總量和客運碳排放呈正向影響,對汽車貨運碳排放呈負向影響,表明汽車運輸業(yè)的快速發(fā)展導致汽車碳排放持續(xù)增長,且第三產業(yè)增加值對汽車客運影響更大.

2.4 京津冀地區(qū)汽車運輸碳排放影響因素差異化分析

受資源稟賦和社會經濟發(fā)展差異的影響,京津冀地區(qū)汽車運輸(客運、貨運)碳排放存在較大地域性差異,因此構建GWR-STIRPAT模型對碳排放進行差異化分析.汽車運輸碳排放差異估計結果如表4所示.

表4 汽車運輸碳排放影響因素差異估計

表5 影響因素系數(shù)(根據(jù)系數(shù)升序排列)

Table 5 Driving factors coefficients (according to the ascending order of coefficient)

項目人口影響區(qū)域城鎮(zhèn)化影響區(qū)域 總量[1.1473,1.1474]秦皇島,唐山市,滄州,衡水[-2.3179,-2.3149]石家莊,邢臺,邯鄲 [1.1474,1.1475]天津市,邯鄲市[-2.3271,-2.3240]衡水,保定,張家口 [1.1476,1.1477]廊坊市,石家莊市[-2.3375,-2.3318]北京,天津,廊坊,滄州 [1.1478,1.1479]承德市,北京市,保定市[-2.3445,-2.3432]承德,唐山 [1.1482,1.1483]張家口市[-2.3504,-2.3503]秦皇島 客運[0.4976,0.4977]秦皇島,唐山[-2.4483,-2.4467]石家莊,邢臺,邯鄲 [0.4977,0.4978]天津,滄州,衡水[-2.4534,-2.4516]張家口,保定,衡水 [0.4978,0.4979]廊坊,邢臺,邯鄲[-2.4585,-2.4557]北京,廊坊,天津,滄州 [0.4979,0.4980]承德,北京,保定,石家莊[-2.4622,-2.4617]承德,唐山 [0.4982,0.4983]張家口[-2.4652,-2.4652]秦皇島 貨運[0.6495]邯鄲[0.1148]秦皇島 [0.6495,0.6496]滄州,衡水,邢臺[0.1176,0.1184]唐山,承德 [0.6497,0.6498]秦皇島,唐山,天津,廊坊,保定,石家莊[0.1210,0.1236]北京,廊坊,天津,滄州 [0.6498,0.6499]北京[0.1263,0.1276]張家口,保定,衡水 [0.6499,0.6500]承德,張家口[0.1303,0.1317]石家莊,邢臺,邯鄲

項目人均GDP影響區(qū)域第三產業(yè)增加值影響區(qū)域 總量[0.0025]張家口[0.1208,0.1209]張家口,保定,石家莊,邢臺,邯鄲 [0.0026]承德,北京,保定,石家莊[0.1209,0.1209]北京,廊坊,滄州,衡水 [0.0026]廊坊,邢臺[0.1209,0.1209]承德,天津 [0.0026]天津,衡水,邯鄲[0.1209,0.1210]唐山 [0.0026]秦皇島,唐山,滄州[0.1210,0.1210]秦皇島 客運[-0.0021]秦皇島,唐山[0.1679,0.1680]石家莊,邢臺,邯鄲 [-0.0021]天津,滄州,衡水[0.1680,0.1680]張家口,保定,衡水 [-0.0021]廊坊,邢臺,邯鄲[0.1680,0.1680]北京,廊坊,滄州 [-0.0021]承德,北京,保定,石家莊[0.1680,0.1680]承德,天津 [-0.0021]張家口[0.1680,0.1681]秦皇島,唐山 貨運[0.0047]張家口[-0.0470]秦皇島 [0.0047]承德,北京[-0.0470]唐山 [0.0047]廊坊,保定,石家莊[-0.0471]承德,天津,滄州 [0.0047]唐山,天津[-0.0471]北京,廊坊,衡水 [0.0047]秦皇島,滄州,衡水,邢臺,邯鄲[-0.0471]張家口,保定,石家莊,邢臺,邯鄲

模型調整后2分別為0.9088、0.9486、0.6889,表明各影響因素對碳排放具有較強的解釋力,擬合效果較好.殘差項統(tǒng)計量的概率值分別為0.4096、0.3154、0.6366,表明殘差分布模式與隨機模式之間的差異并不顯著,所建立的空間模型殘差項在空間上均是隨機分布的,模型有效.進一步采用自然斷點法將各影響系數(shù)分為5級,京津冀地區(qū)汽車運輸(客運、貨運)碳排放影響因素系數(shù)如表5所示.

從京津冀地區(qū)汽車運輸碳排放總量視角來看,人口影響系數(shù)分別為1.1473~1.1483,人口對張家口市影響最為顯著,對秦皇島市、唐山市、滄州市和衡水市影響相對不顯著.整體區(qū)域由西向東呈遞減趨勢;城鎮(zhèn)化水平影響系數(shù)分別為-2.3179~-2.3503,城鎮(zhèn)化對秦皇島市影響最為顯著,對石家莊市、邢臺市和邯鄲市影響相對不顯著,整體區(qū)域由北向南呈遞減趨勢;人均GDP影響系數(shù)分別為0.0025~0.0026,人均GDP對秦皇島市、唐山市、滄州市影響最為顯著,對張家口市影響相對不顯著,整體區(qū)域呈現(xiàn)與人口影響相反的趨勢;第三產業(yè)增加值影響系數(shù)分別為0.1208~0.1210,第三產業(yè)增加值對秦皇島市影響最為顯著,對張家口市、保定市、石家莊市、邢臺市和邯鄲市影響相對不顯著,整體區(qū)域由東向西呈遞減趨勢.

從京津冀地區(qū)汽車客運碳排放視角來看,人口影響系數(shù)分別為0.4976~0.4983,人口對張家口市影響最為顯著,對秦皇島市和唐山市影響相對不顯著,整體區(qū)域由西向東呈遞減趨勢;城鎮(zhèn)化水平影響系數(shù)分別為-2.4483~-2.3503,為負相關.城鎮(zhèn)化水平對秦皇島市影響最為顯著,對石家莊市、邢臺市和邯鄲市影響相對不顯著,整體區(qū)域由北向南遞減趨勢;人均GDP影響系數(shù)為-0.0021,人均GDP對張家口市影響最為顯著,對秦皇島市和唐山市影響相對不顯著,整體區(qū)域呈現(xiàn)與人口影響相同的趨勢;第三產業(yè)增加值影響系數(shù)分別為0.1679~0.1681,第三產業(yè)增加值對秦皇島市和唐山市碳排放影響最為顯著,對石家莊市、邢臺市和邯鄲市影響相對不顯著,整體區(qū)域由東向西呈遞減趨勢.

從京津冀地區(qū)汽車貨運碳排放視角來看,人口影響系數(shù)分別為0.6495~0.6500,人口對承德市和張家口市影響最為顯著,對邯鄲市影響相對不顯著,整體區(qū)域由北向南呈遞減趨勢;城鎮(zhèn)化水平影響系數(shù)分別為0.1148~0.1317,城鎮(zhèn)化對石家莊市、邢臺市和邯鄲市影響最為顯著,對秦皇島市影響相對不顯著,整體區(qū)域由南向北呈遞減趨勢;人均GDP影響系數(shù)為0.0047,差異很小,人均GDP對秦皇島市、滄州市、衡水市、邢臺市和邯鄲市影響最為顯著,對張家口市影響相對不顯著,整體區(qū)域由東向西呈遞減趨勢;第三產業(yè)增加值影響系數(shù)為-0.0470~-0.0471,為負相關,對張家口市、保定市、石家莊市、邢臺市和邯鄲市影響最為顯著,對秦皇島市影響相對不顯著,整體區(qū)域由西向東呈遞減趨勢.

2.5 討論

對于構建的模型結果分析表明,人口數(shù)量和人均GDP對京津冀地區(qū)汽車運輸碳排放具有顯著的正向影響,這與王鋒等[24]學者以及陳操操等[29]學者指出人口和經濟是京津冀城市群碳排放最主要驅動因素的研究結論一致,但人均GDP對京津冀地區(qū)客運碳排放呈現(xiàn)負向影響;城鎮(zhèn)化水平對京津冀地區(qū)汽車運輸碳排放具有負向影響.城鎮(zhèn)化進程提高了城市密度,人民生活、消費區(qū)域密集,可能導致交通耗能減少,從而降低了汽車運輸碳排放量;第三產業(yè)增加值對京津冀地區(qū)汽車客運碳排放的影響相較于汽車貨運更大.以重載貨車運輸為主的大宗貨物運輸主要為基礎設施建設、能源運輸服務,隨著第三產業(yè)的大力發(fā)展,京津冀地區(qū)貨運需求會相應減少.但第三產業(yè)帶動汽車業(yè)尤其是小型客車的迅猛發(fā)展,將會大大增加汽車運輸?shù)男枨?從而導致京津冀地區(qū)汽車運輸碳排放的增長.由此可知眾多影響因素對京津冀地區(qū)汽車運輸碳排放的影響不一,應將汽車客運、貨運分別作為京津冀地區(qū)交通運輸碳減排的重點.

同時京津冀地區(qū)汽車運輸碳排放存在區(qū)域差異性,這一結果與武義青等[40]學者的研究及現(xiàn)實相符.北京市作為全國政治、經濟和文化中心,汽車運輸需求最高,且客運需求最大,其次是天津市和河北省會城市石家莊市;天津市作為京津冀地區(qū)物流樞紐中心,貨運需求較高;河北省處于工業(yè)化中期階段,正大力發(fā)展基礎設施建設,大宗貨物需求旺盛.京津冀地區(qū)經濟發(fā)展和運輸結構不平衡導致了汽車運輸碳排放的區(qū)域差異性,應針對區(qū)域差異性制定差異化的碳減排方案.

2.6 政策建議

京津冀地區(qū)汽車運輸碳排放主要來源于小型客車和重載貨車運輸.隨著人口增長和人民消費水平提升,京津冀地區(qū)私家車需求大大增加;與此同時對貨物需求的多元化也導致該區(qū)域大宗貨運的增長.需要注意的是,我國汽車運輸依舊以柴油、汽油等化石燃料消耗為主,純電動等新能源的應用有待推廣.因此,控制小型客車和重載貨車的運輸需求增長、改變其能耗結構對京津冀地區(qū)交通運輸業(yè)碳減排具有重要意義.

京津冀地區(qū)汽車運輸碳排放的區(qū)域差異性根本原因在于三地發(fā)展階段和發(fā)展水平不同.因此京津冀地區(qū)在制定碳減排政策時,應依據(jù)“共同但有差異”的減排原則,在把握共同特征的基礎上求同存異,制定區(qū)域差異化的汽車碳減排方案.同時應分別將汽車客運和貨運作為京津冀地區(qū)交通運輸碳減排的重點,針對具體城市制定不同的客貨運碳減排方案,實現(xiàn)京津冀地區(qū)汽車運輸碳減排政策的協(xié)同性和有效性,最終實現(xiàn)高效低碳的汽車運輸發(fā)展模式.

3 結論

3.1 2016年京津冀地區(qū)汽車運輸碳排放總量為20188.52萬t.河北省為12332.38萬t,占比61.08%.總量最高城市為北京市;客運碳排放中小型客車占比最高;貨運碳排放中重載貨車占比最高.京津冀地區(qū)汽車運輸碳排放存在顯著空間負相關性和空間異質性,空間差異較大.其中30.76%的城市呈現(xiàn)碳排放總量的低-高聚集和高-高聚集,呈現(xiàn)顯著的溢出效應和趨同效應.

3.2 京津冀地區(qū)汽車運輸碳排放具有較強的溢出效應;人口是影響京津冀地區(qū)汽車運輸碳排放的正向驅動因素;人均GDP對京津冀地區(qū)汽車貨運和總量碳排放呈正向影響,對汽車客運碳排放呈負向影響;城鎮(zhèn)化水平是影響京津冀地區(qū)汽車運輸碳排放的負向驅動因素;第三產業(yè)增加值對京津冀地區(qū)汽車客運碳排放和總量碳排放呈正向影響,對汽車貨運碳排放呈負向影響.

3.3 人口對張家口市汽車運輸碳排放影響最為顯著,對秦皇島市、唐山市和邯鄲市影響相對不顯著;人均GDP對秦皇島市和滄州市的汽車運輸碳排放總量和貨運碳排放影響最為顯著,對張家口市的汽車客運碳排放影響最為顯著;城鎮(zhèn)化水平對秦皇島市的汽車運輸碳排放總量和客運碳排放影響最為顯著,對石家莊市、邢臺市和邯鄲市汽車貨運碳排放影響最為顯著;第三產業(yè)增加值對秦皇島市的汽車運輸碳排放總量和客運碳排放影響最為顯著,對張家口市等的汽車貨運碳排放影響最為顯著.

[1] 中華人民共和國國務院新聞辦公室.國家應對氣候變化規(guī)劃(2014—2020 年) [N/OL]. 國家發(fā)展和改革委員會, 2014.

[2] 李琳娜.中國客運交通的碳排放地理特征與展望 [J]. 地理研究, 2016,35(7):1230-1242.

[3] 河北省環(huán)保廳.河北省機動車污染防治年報(2016) [EB/OL].

[4] 李 濤,曹小曙,楊文越.珠江三角洲客貨運量位序—規(guī)模分布特征及其變化 [J]. 地理科學進展, 2016,35(1):108-117.

[5] 董賓芳.中國貨物運輸?shù)臅r空變化特征及成因分析 [J]. 貴州師范大學學報(自然科學版), 2017,35(3):6-14.

[6] 馬海濤,康 雷.京津冀區(qū)域公路客運交通碳排放時空特征與調控預測 [J]. 資源科學, 2017,39(7):1361-1370.

[7] Shi A. The impact of population pressure on global carbon dioxide emissions, 1975-1996: Evidence from pooled cross-country data [J]. Ecological Economics, 2003,44(1):29-42.

[8] Shahbaz M, Loganathan N, Sbia R, et al. The effect of urbanization, affluence and trade openness on energy consumption: A time series analysis in Malaysia [J]. Renewable and Sustainable Energy Reviews, 2015,47(11):683-693.

[9] 田中華,楊澤亮,蔡睿賢.廣東省能源消費碳排放分析及碳排放強度影響因素研究 [J]. 中國環(huán)境科學, 2015,35(6):1885-1891.

[10] González P F, Landajo M, Presno M J. Tracking European Union CO2Emissions Through LMDI (Logarithmicmean Divisia Index) Decomposition. The Activity revaluation Approach [J]. Energy, 2014,73(7):741-750.

[11] 米 紅,張?zhí)锾?任正委,等.城鎮(zhèn)化進程中家庭CO2排放的驅動因素分析 [J]. 中國環(huán)境科學, 2016,36(10):3183-3192.

[12] 楊彬,寧小莉.新型城鎮(zhèn)化視角下中國交通運輸碳排放測度及其空間格局分析 [J]. 內蒙古師范大學學報(自然科學漢文版), 2015, 44(5):667-679.

[13] 孫葉飛,周 敏.中國城鎮(zhèn)化、產業(yè)結構高級化對CO2排放的影響——基于獨立效應和聯(lián)動效應雙重視角 [J]. 資源科學, 2016,38(10): 1846-1860.

[14] 柴 建,邢麗敏,周友洪,等.交通運輸結構調整對碳排放的影響效應研究 [J]. 運籌與管理, 2017,26(7):110-116.

[15] Brunsdon C, Fotheringham S, Charlton M. Geographically Weighted Regression-Modelling Spatial Non-Stationarity [J]. Journal of the Royal Statistical Society, 1998,47(3):431-443.

[16] Fotheringham A S, Brunsdon C, Charlton M. Geographically Weighted Regression [M]. New York:Wiley, 2002.

[17] Liu Y, Xiao H, Zhang N. Industrial carbon emissions of China’s Regions: A spatial econometric analysis [J]. Sustainability, 2016,8(3): 210-215.

[18] Wei C, Liu C, Gui F. Geographically weight seemingly unrelated regression(GWSUR): a method for exploring spatio-temporal heterogeneity [J]. Applied Economics, 2017,49(42):1-7.

[19] Deng T, Li X, Ma M. Evaluating impact of air pollution on China’s inbound tourism industry: a spatial econometric approach [J]. Asia Pacific Journal of Tourism Research, 2017,22(1):1-10.

[20] Rong P, Zhang L, Yang Q, et al. Spatial differentiation patterns of carbon emissions from residential energy consumption in small and medium-sized cities: A case study of Kaifeng [J]. Geographical Research, 2016,35(8):1495-1509.

[21] 李建豹,黃賢金,吳常艷,等.中國省域碳排放影響因素的空間異質性分析 [J]. 經濟地理, 2015,35(11):21-28.

[22] 尹 鵬,段佩利,陳 才.中國交通運輸碳排放格局及其與經濟增長的關系研究 [J].干旱區(qū)資源與環(huán)境, 2016,30(5):7-12.

[23] 袁長偉,張 帥,焦 萍,等.中國省域交通運輸全要素碳排放效率時空變化及影響因素研究 [J]. 資源科學, 2017,39(4):687-697.

[24] 王 鋒,秦豫徽,劉 娟等.多維度城鎮(zhèn)化視角下的碳排放影響因素研究——基于中國省域數(shù)據(jù)的空間杜賓面板模型 [J]. 中國人口資源與環(huán)境, 2017,27(9):151-161.

[25] Dietz T, Rosa E A. Effects of population and affluence on CO2emissions [J]. Proceedings of the National Academy of Sciences of the United States of America, 1997,94(1):175-179.

[26] 劉滿芝,劉賢賢.基于STIRPAT模型的中國城鎮(zhèn)生活能源消費影響因素研究 [J]. 長江流域資源與環(huán)境, 2017,26(8):1111-1122.

[27] 陳操操,劉春蘭,汪 浩,等.北京市能源消費碳足跡影響因素分析—基于STIRPAT模型和偏小二乘模型 [J]. 中國環(huán)境科學, 2014, 34(6):1622-1632.

[28] 劉永偉,閆慶武.基于SLM模型的中國碳排放格網化空間分布模擬 [J]. 地理與地理信息科學, 2015,31(3):76-80.

[29] 陳操操,蔡博峰,孫 粉,等.京津冀與長三角城市群碳排放的空間聚集效應比較 [J]. 中國環(huán)境科學, 2017,37(11):4371-4379.

[30] 岳 婷,龍如銀.中國省域生活能源碳排放空間計量分析 [J]. 北京理工大學學報(社會科學版), 2014,16(2):40-46.

[31] 胡艷興,潘竟虎,王怡睿.基于ESDA-GWR的1997~2012年中國省域能源消費碳排放時空演變特征 [J]. 環(huán)境科學學報, 2015,35(6): 1896-1906.

[32] 王雅楠,趙 濤.基于GWR模型中國碳排放空間差異研究 [J]. 中國人口資源與環(huán)境, 2016,26(2):27-34.

[33] 中國汽車工業(yè)協(xié)會.中國汽車工業(yè)年鑒(2016) [EB/OL].

[34] 海德堡能源與環(huán)境研究所.中國交通:不同交通方式的能源消耗與排放研究報告 [R]. 海德堡:海德堡能源與環(huán)境研究所, 2008.

[35] 中國生態(tài)環(huán)境部.中國機動車污染防治年報(2016) [EB/OL].

[36] 中國交通運輸部.公路水路交通運輸行業(yè)發(fā)展統(tǒng)計公報(2016) [EB/OL].

[37] 國家發(fā)展改革委氣候司.省級溫室氣體清單編制指南(試行) [R]. 北京, 2011.

[38] IPCC. 2006IPCC Guidelines for national greenhouse gas inventories [C]//Eggleston H S, Buendia L, Miwa K, et al. Prepared by the National Greenhouse Gas Inventories Programme. Japan: IGES, 2006.

[39] 國家統(tǒng)計局城市社會經濟調查司.中國城市統(tǒng)計年鑒2016 [J]. 北京:中國統(tǒng)計出版社, 2017.

[40] 武義青,趙亞南.京津冀碳排放的地區(qū)異質性及減排對策 [J]. 經濟與管理, 2014,240(5):13-16.

Study on the driving factors of vehicle transport carbon emissions in Beijing-Tianjin-Hebei region.

Lü Qian*

(School of Management, China University of Mining & Technology (Beijing), Beijing 100083, China)., 2018,38(10)：3689~3697

Based on the spatial correlation and spatial heterogeneity, the SLM-STIRPAT model, SEM-STIRPAT model and GWR- STIRPAT model were constructed to measure and analyze the driving factors of vehicle transport carbon emissions in Beijing-Tianjin-Hebei region. The results showed that: There were significant spatial correlation and spatial heterogeneity in vehicle transport carbon emissions in Beijing-Tianjin-Hebei region. The population size and had a positive impact on the vehicle transport carbon emissions. The per capita GDP had a positive impact on the vehicle freight transport and total vehicle transport carbon emissions, had a negative impact on the passenger transport carbon emissions. The urbanization level had a positive impact on the vehicle transport carbon emissions. The added value of the tertiary industry had a positive impact on the vehicle passenger transport and total vehicle transport carbon emissions, had a negative impact on vehicle freight transport carbon emissions. Population size had the most significant impact on vehicle transport carbon emissions in Zhangjiakou. The per capita GDP had the most significant impact on vehicle transport carbon emissions in Qinhuangdao and Cangzhou. The urbanization level had the most significant impact on the vehicle transport carbon emissions in Qinhuangdao. The added value of the tertiary industry had the most significant impact on the vehicle transport carbon emissions in Qinhuangdao.

Beijing-Tianjin-Hebei region；vehicle transport；carbon emissions；STIRPAT model；spatial econometrics model；geographically weighted regression model

X511

A

1000-6923(2018)10-3689-09

呂 倩(1986-),女,河北省石家莊人,中國礦業(yè)大學(北京)博士研究生,主要研究方向交通運輸碳排放.發(fā)表論文6篇.

2018-01-04

河北省高層次人才資助項目(2013429102);河北省交通廳科技項目(冀交科教2013559-28)

* 責任作者, 助理工程師, koukouqianqian@126.com