京津冀地区汽车运输碳排放影响因素研究

吕 倩



京津冀地区汽车运输碳排放影响因素研究

吕 倩*

(中国矿业大学(北京)管理学院,北京 100083)

以空间相关性和空间异质性为基础,构建SLM-STIRPAT、SEM-STIRPAT和GWR-STIRPAT模型,对京津冀地区汽车运输碳排放进行测算和影响因素分析.结果表明:京津冀地区汽车运输碳排放存在显著空间相关性和空间异质性.人口对汽车运输碳排放呈正向影响;人均GDP对货运碳排放和总量碳排放呈正向影响,对客运碳排放呈负向影响,城镇化水平对汽车运输碳排放呈负向影响.第三产业增加值对客运碳排放和总量碳排放呈正向影响,对货运碳排放呈负向影响,人口对张家口市汽车运输碳排放影响最为显著;人均GDP对秦皇岛市和沧州市的汽车运输碳排放影响最为显著;城镇化水平对秦皇岛市的汽车运输碳排放影响最为显著;第三产业增加值对秦皇岛市的汽车运输碳排放影响最为显著.

京津冀地区；汽车运输；碳排放；STIRPAT模型；空间计量模型；地理加权回归模型

交通运输业是我国仅次于工业和建筑业的第三大温室气体排放源,随着运输需求的快速增长,其能耗和碳排放量也持续快速增长,其中国内公路交通运输所产生的碳排放在整个交通运输系统中占比超过90%[1-2],因此汽车运输碳排放是交通运输业碳减排的重点领域.京津冀地区交通运输业发达,交通线路密集,是人口聚集、经济发达和城镇化大力推进的城市群地区,同时也是大气污染严重、碳减排压力巨大的区域之一.其中京津冀地区汽车保有量占到了该地区机动车保有量的85.75%[3],贡献了该区域大部分交通运输碳排放.因此研究京津冀地区汽车运输碳排放,探究其影响因素对该区域交通运输业碳减排具有重要的现实意义.

目前,对交通运输碳排放的研究一方面集中在不同运输工具的时空演变特征方面.李涛等[4]指出公路碳排放要远高于铁路和水路碳排放;董宾芳等[5]指出高耗能高排放的公路运输增长较快,东部沿海地区多水路运输,铁路运输变化较小.具体到京津冀地区,马海涛等[6]指出客运碳排放量增长迅速.另一方面的研究集中在交通运输碳排放驱动因素分析方面.Shi[7]和Shahbaz等[8]采用STIRPAT模型对碳排放进行影响因素分析;田中华等[9]采用STIRPAT模型对中国整体、省际层面碳排放进行了驱动因素分析;González等[10]构建LMDI对数平均迪氏指数分解法、米红等[11]构建Kaya恒等式模型对碳排放驱动因素进行分析.不同学者选取经济发展、能耗水平、新型城镇化、运输结构、产业结构等因素对交通运输碳排放进行分析,杨彬等[12]认为人口数量对交通运输碳排放量增长起推动作用,孙叶飞等[13]指出人均GDP和城镇化率等经济增长对交通运输碳排放量影响不一;柴建等[14]指出能源强度降低、技术进步对碳排放量起抑制作用.随着空间滞后模型、空间误差模型、地理加权回归模型、空间杜宾模型等空间计量模型的深入研究[15-20],李建豹等[21]基于空间计量模型表明省域碳排放存在空间异质性;尹鹏等[22]指出经济增长对交通运输碳排放具有显著影响;袁长伟等[23]表明运输结构和产业结构是交通运输碳排放的重要影响因素;王锋[24]等指出城镇化水平对碳排放起促进作用.

综上所述,交通运输业碳排放时空特征及影响因素分析已引起了越来越多学者的关注,并取得了许多有价值的研究成果.但目前还存在一些不足.从研究方法来看,单因素测算难以全面反映交通运输业碳排放众多影响因素,而IPAT等式、STIRPAT模型和其他分解模型则很少考虑空间因素的影响.另外,交通运输碳排放因素分析多研究共性影响,而较少研究影响因素对碳排放的差异化影响.从研究内容来看,汽车运输是交通业节能减排的重要部门,但针对区域性的汽车运输碳排放研究较少,尤其针对汽车客运、货运的对比研究更少.京津冀地区作为国家大力推进的城市群,研究该区域汽车客运和货运碳排放特征及影响因素,对确定碳减排的重点区域和部门具有重要的现实意义.

因此本文在分析京津冀地区汽车运输碳排放的空间相关性和异质性基础上,基于STIRPAT模型和空间计量模型,构建SLM-STIRPAT、SEM- STIRPAT和GWR- STIRPAT模型,探讨人口、人均GDP、第三产业增加值和城镇化水平对京津冀地区汽车运输碳排放的共性影响和差异化影响,依据共同但有差异的减排原则,为我国交通运输行业碳减排政策制定提供参考.

1 研究方法与数据来源

1.1 碳排放测算

本研究估算2016年京津冀地区汽车运输(客运、货运)碳排放量,基于数据的准确性和可获取性,采用基于汽车交通流方法进行测算.测算方法如式(1)所示:

式中:G表示碳排放量,g;VP表示型汽车保有量,万辆;X,j表示各排放标准汽车所占份额;VKT表示汽车年均行驶里程,km;EF,j表示碳排放因子,g/km;表示汽车类型(微型客车、小型客车、中型客车、大型客车、微型货车、轻型货车、中型货车、重型货车);表示排放标准(分为国I及以前标准、国II标准、国III标准、国IV标准、国V标准).

1.2 空间特征

1.2.1 空间相关性 选用Moran’s统计量来检验碳排放的全局空间相关性,空间权重选取基于地理距离的权重矩阵,具体计算如式(2)~(4):

式中: x表示市的汽车运输碳排放量;x表示市的汽车运输碳排放量;表示城市数量;为空间权重矩阵;d表示通过经纬度计算的城市之间的地表距离.的取值范围为[-1,1].越接近1,表明空间正相关显著,越接近-1,表明空间负相关显著.

选用局域Moran’sI统计量来表征碳排放的局域空间相关性,计算如式(5):

式中:Z和Z表示标准化后的碳排放量;表示行标准化后的空间权重矩阵元素.通过局域指数建立空间关联局域指标,分为H-H集聚(若I显著为正且Z大于0,碳排放量高城市被碳排放量高城市包围);L-L集聚(若I显著为正且Z小于0,碳排放量低城市被碳排放量低城市包围);L-H集聚(若I显著为负且Z小于0,碳排放量低城市被碳排放量高城市包围)和H-L集聚(若I显著为负且Z大于0,碳排放量高城市被碳排放量低城市包围).

1.2.2 空间异质性 采用空间半变异函数来检验碳排放空间异质性.空间半变异函数能够描述区域化变量的随机性和结构性,计算如式(6)所示:

式中:()表示空间半变异函数;表示城市汽车运输碳排放的空间距离,即步长(以城市几何中心计算);()表示间隔距离为的碳排放量;(x)和(x+)表示碳排放在x和x+的实测值.

1.3 SLM-STIRPAT模型和SEM-STIRPAT模型

IPAT模型和IPAT扩展化后的STIRPAT模型,允许将人口、技术、财富某一影响因素进行具体的分解.众多学者将其应用于碳排放的影响因素分析[25-27]. STIRPAT模型对数化后如式(7)所示:

式中:、、、分别表示环境影响情况、人口数量、人民富裕度和技术水平.结合前人的研究成果以及数据的可获取性,分别选择汽车运输碳排放量(万t)代表环境影响;人口总数(万人)代表人口数量;人均GDP(亿元/万人)代表人民富裕度(以2010年为基准年);第三产业增加值(亿元)代表技术水平;在此基础上,将公式拓展化,选取城镇化率代表城镇化水平.

空间滞后模型(Spatial Lag Model, SLM)和空间误差模型(Spatial Error Model, SEM)反映空间因素对经济计量模型的影响,空间滞后模型主要探讨各变量在区域是否存在溢出效应;空间误差模型主要探讨区域间的相互作用是否因空间位置变化而变化[28-30].本文建立SLM-STIRPAT模型和SEM- STIRPAT模型,用于分析京津冀地区汽车运输碳排放影响因素的空间特征.

1.3.1 SLM-STIRPAT模型 SLM-STIRPAT模型分析京津冀地区汽车运输(客运、货运)碳排放对相邻城市的影响,即是否存在“溢出效应”.模型如式(8)所示:

式中:为空间权重矩阵;ln为空间滞后因变量;为空间滞后自回归系数,用于衡量空间邻接城市碳排放的外部溢出效应;为随机误差项.

1.3.2 SEM-STIRPAT模型 SEM-STIRPAT模型分析存在于随机误差项的空间相关性,即假设城市碳排放除去本城市人口、人民富裕度、技术水平和城镇化水平外其他影响因素可能存在空间相关性,并对相邻城市碳排放产生一定影响.模型如式(9)所示:

1.4 GWR-STIRPAT模型

采用地理加权回归模型(Geographically Weighted Regression, GWR)结合STIRPAT模型构建GWR-STIRPAT模型,可以衡量截面数据在空间上表现出的自相关性、变异性和复杂性,用于表征京津冀地区汽车运输(客运、货运)碳排放影响因素的空间异质性[31-32].模型如式(10)所示:

式中:1、2、3、4为待估计参数向量;为城市数量;为第个城市的随机误差,满足零均值、同方差、互相独立等球形扰动假设;为各城市基于距离的空间权重矩阵;d为距离向量,即城市与其他城市之间的地理距离;为d的标准差;为最小带宽.

1.5 数据来源

不同类型汽车保有量、排放标准及占比来自于《河北省机动车污染防治年报2016》[3];汽车年均行驶里程来自于《中国汽车工业年鉴2016》[33]、海德堡能源与环境研究所发布的研究报告及交通运输部发布的相关数据[34]、《中国机动车污染防治年报2016》[35]、《国家统计年鉴2017》.汽车单位能耗及碳排放因子来自于《公路水路交通运输行业发展统计公报2016》[36]、《省级温室气体清单编制指南(试行)》[37]以及2006年IPCC国家温室气体清单[38].

2016年河北省汽车中国I及以前标准的汽车占比为2.3%,国II标准的汽车占比为1.2%,国III标准的汽车占比为34.7%,国IV标准的汽车占比为44.1%,国V标准的汽车占比为17.5%;按汽车类型分类中微型载客占比3%,小型载客占比79.7%,中型载客占比0.2%,大型载客占比0.5%,微型载货占比0.05%,轻型载货占比为7.8%,中型载货占比0.4%,重型载货占比4.4%.可见微型载客、微型载货和中型载货占比较低,碳排放计算时将微型载客和小型载客归为小型客车,中型载客和大型载客归为大型客车;微型载货和轻型载货归为轻型货车,中型载货和重型载货归为重型货车.

人口、人均GDP、第三产业增加值和城镇化率数据分别来源于北京市、天津市和河北省2016年国民经济和社会发展统计公报和《中国城市统计年鉴2016》[39].

2 结果与讨论

2.1 京津冀地区汽车运输碳排放总体特征

图1 汽车运输碳排放总体特征

2016年京津冀地区汽车运输碳排放总量为20188.52万t.河北省为12332.38万t,占比61.08%.总量最高城市为北京市,相对较高城市为天津市和石家庄市,最低城市为承德市;客运碳排放中小型客车占比最高,最高城市为北京市,相对较高城市为天津市和石家庄市,最低城市为承德市;货运碳排放中重载货车占比最高,最高城市为北京市,相对较高城市为石家庄市,最低城市为承德市.碳排放总体特征如图1所示.

2.2 京津冀地区汽车运输碳排放空间特征

2.2.1 空间相关性 京津冀地区汽车运输(客运、货运)碳排放的莫兰指数分别为-0.4502、-0.3695和-0.4433,指数均为负值,在0.05、0.05、0.05的水平上显著,表明客运碳排放存在显著空间负相关性,空间差异较大.在此基础上计算碳排放的局域Moran’sI指数,得到碳排放空间LISA集聚格局.LISA集聚格局如表1所示.

30.76%、23.07%和15.38%的城市分别呈现出低-高聚集和高-高聚集趋势.对于汽车运输碳排放总量来说,低-高聚集区域包括张家口市、承德市和廊坊市,这3个低碳排放城市被高碳排放城市所包围,受相邻城市溢出效应影响;高-高聚集区域为天津市,表明天津市与相邻城市呈现碳排放的趋同效应.对于汽车客运碳排放来说,低-高聚集区域包括张家口市、承德市和廊坊市,被高碳排放城市北京市和天津市包围,具有显著溢出效应;对于汽车货运碳排放来说,低-高聚集区域为承德市和张家口市,表明承德市和张家口市被高碳排放城市包围,具有显著溢出效应.由此可见,汽车运输碳排放总量和汽车客运碳排放呈现一致的聚集格局,京津冀地区汽车客运碳排放相较于货运在空间聚集上具有稳定性.

表1 汽车运输碳排放LISA集聚格局

2.2.2 空间异质性 以京津冀地区汽车运输(客运、货运)碳排放量作为研究对象(数据赋予城市几何中心),采用2.92km作为步长建立拟合模型.拟合参数如下表2所示.

表2 拟合模型估计

依据残差平方和越小,2越大,模型越适合的原则,分别选取Gaussian模型.2均大于0.5,拟合程度较好,表明京津冀地区汽车运输碳排放具有较好的空间自组织性,存在空间异质性特征.

2.3 京津冀地区汽车运输碳排放影响因素分析

分别构建OLS-STIRPAT、SLM-STIRPAT和SEM-STIRPAT模型对碳排放进行影响因素分析,估计结果如表3所示.

拟合优度2越大、施瓦茨准则值和AIC越小,模型拟合效果越好.因此选取SLM-STIRPAT模型均能达到较好的估计效果.残差项z统计量的概率值分别为0.5368、0.5295、0.3884,表明残差分布模式与随机模式之间的差异并不显著,所建立的空间模型残差项在空间上均是随机分布的,模型有效.

模型中空间滞后系数分别为-0.3189(<0.01)、-0.2110(<0.01)和-0.5928(<0.01),表明相邻城市汽车运输碳排放对本城市的碳排放产生影响,具有显著的溢出效应.

表3 汽车运输碳排放影响因素估计

注:—表示无此项.

人口是影响京津冀地区汽车运输碳排放的正向驱动因素,表明随着城市人口的增长,汽车客运和货运碳排放均随之增加;人均GDP对京津冀地区汽车碳排放总量和货运碳排放呈正向影响,对汽车客运碳排放呈负向影响,且影响系数均很小,表明随着京津冀地区人民生活水平的提高,汽车运输碳排放随着增长,且人均GDP对汽车货运的影响更大.城镇化水平是影响京津冀地区汽车运输碳排放的负向驱动因素,表明随着城镇化推进,人民生活更加密集、便利,对交通的需求会呈减少趋势.第三产业增加值对京津冀地区汽车碳排放总量和客运碳排放呈正向影响,对汽车货运碳排放呈负向影响,表明汽车运输业的快速发展导致汽车碳排放持续增长,且第三产业增加值对汽车客运影响更大.

2.4 京津冀地区汽车运输碳排放影响因素差异化分析

受资源禀赋和社会经济发展差异的影响,京津冀地区汽车运输(客运、货运)碳排放存在较大地域性差异,因此构建GWR-STIRPAT模型对碳排放进行差异化分析.汽车运输碳排放差异估计结果如表4所示.

表4 汽车运输碳排放影响因素差异估计

表5 影响因素系数(根据系数升序排列)

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

项目人口影响区域城镇化影响区域 总量[1.1473,1.1474]秦皇岛,唐山市,沧州,衡水[-2.3179,-2.3149]石家庄,邢台,邯郸 [1.1474,1.1475]天津市,邯郸市[-2.3271,-2.3240]衡水,保定,张家口 [1.1476,1.1477]廊坊市,石家庄市[-2.3375,-2.3318]北京,天津,廊坊,沧州 [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]张家口市[-2.3504,-2.3503]秦皇岛 客运[0.4976,0.4977]秦皇岛,唐山[-2.4483,-2.4467]石家庄,邢台,邯郸 [0.4977,0.4978]天津,沧州,衡水[-2.4534,-2.4516]张家口,保定,衡水 [0.4978,0.4979]廊坊,邢台,邯郸[-2.4585,-2.4557]北京,廊坊,天津,沧州 [0.4979,0.4980]承德,北京,保定,石家庄[-2.4622,-2.4617]承德,唐山 [0.4982,0.4983]张家口[-2.4652,-2.4652]秦皇岛 货运[0.6495]邯郸[0.1148]秦皇岛 [0.6495,0.6496]沧州,衡水,邢台[0.1176,0.1184]唐山,承德 [0.6497,0.6498]秦皇岛,唐山,天津,廊坊,保定,石家庄[0.1210,0.1236]北京,廊坊,天津,沧州 [0.6498,0.6499]北京[0.1263,0.1276]张家口,保定,衡水 [0.6499,0.6500]承德,张家口[0.1303,0.1317]石家庄,邢台,邯郸

项目人均GDP影响区域第三产业增加值影响区域 总量[0.0025]张家口[0.1208,0.1209]张家口,保定,石家庄,邢台,邯郸 [0.0026]承德,北京,保定,石家庄[0.1209,0.1209]北京,廊坊,沧州,衡水 [0.0026]廊坊,邢台[0.1209,0.1209]承德,天津 [0.0026]天津,衡水,邯郸[0.1209,0.1210]唐山 [0.0026]秦皇岛,唐山,沧州[0.1210,0.1210]秦皇岛 客运[-0.0021]秦皇岛,唐山[0.1679,0.1680]石家庄,邢台,邯郸 [-0.0021]天津,沧州,衡水[0.1680,0.1680]张家口,保定,衡水 [-0.0021]廊坊,邢台,邯郸[0.1680,0.1680]北京,廊坊,沧州 [-0.0021]承德,北京,保定,石家庄[0.1680,0.1680]承德,天津 [-0.0021]张家口[0.1680,0.1681]秦皇岛,唐山 货运[0.0047]张家口[-0.0470]秦皇岛 [0.0047]承德,北京[-0.0470]唐山 [0.0047]廊坊,保定,石家庄[-0.0471]承德,天津,沧州 [0.0047]唐山,天津[-0.0471]北京,廊坊,衡水 [0.0047]秦皇岛,沧州,衡水,邢台,邯郸[-0.0471]张家口,保定,石家庄,邢台,邯郸

模型调整后2分别为0.9088、0.9486、0.6889,表明各影响因素对碳排放具有较强的解释力,拟合效果较好.残差项统计量的概率值分别为0.4096、0.3154、0.6366,表明残差分布模式与随机模式之间的差异并不显著,所建立的空间模型残差项在空间上均是随机分布的,模型有效.进一步采用自然断点法将各影响系数分为5级,京津冀地区汽车运输(客运、货运)碳排放影响因素系数如表5所示.

从京津冀地区汽车运输碳排放总量视角来看,人口影响系数分别为1.1473~1.1483,人口对张家口市影响最为显著,对秦皇岛市、唐山市、沧州市和衡水市影响相对不显著.整体区域由西向东呈递减趋势;城镇化水平影响系数分别为-2.3179~-2.3503,城镇化对秦皇岛市影响最为显著,对石家庄市、邢台市和邯郸市影响相对不显著,整体区域由北向南呈递减趋势;人均GDP影响系数分别为0.0025~0.0026,人均GDP对秦皇岛市、唐山市、沧州市影响最为显著,对张家口市影响相对不显著,整体区域呈现与人口影响相反的趋势;第三产业增加值影响系数分别为0.1208~0.1210,第三产业增加值对秦皇岛市影响最为显著,对张家口市、保定市、石家庄市、邢台市和邯郸市影响相对不显著,整体区域由东向西呈递减趋势.

从京津冀地区汽车客运碳排放视角来看,人口影响系数分别为0.4976~0.4983,人口对张家口市影响最为显著,对秦皇岛市和唐山市影响相对不显著,整体区域由西向东呈递减趋势;城镇化水平影响系数分别为-2.4483~-2.3503,为负相关.城镇化水平对秦皇岛市影响最为显著,对石家庄市、邢台市和邯郸市影响相对不显著,整体区域由北向南递减趋势;人均GDP影响系数为-0.0021,人均GDP对张家口市影响最为显著,对秦皇岛市和唐山市影响相对不显著,整体区域呈现与人口影响相同的趋势;第三产业增加值影响系数分别为0.1679~0.1681,第三产业增加值对秦皇岛市和唐山市碳排放影响最为显著,对石家庄市、邢台市和邯郸市影响相对不显著,整体区域由东向西呈递减趋势.

从京津冀地区汽车货运碳排放视角来看,人口影响系数分别为0.6495~0.6500,人口对承德市和张家口市影响最为显著,对邯郸市影响相对不显著,整体区域由北向南呈递减趋势;城镇化水平影响系数分别为0.1148~0.1317,城镇化对石家庄市、邢台市和邯郸市影响最为显著,对秦皇岛市影响相对不显著,整体区域由南向北呈递减趋势;人均GDP影响系数为0.0047,差异很小,人均GDP对秦皇岛市、沧州市、衡水市、邢台市和邯郸市影响最为显著,对张家口市影响相对不显著,整体区域由东向西呈递减趋势;第三产业增加值影响系数为-0.0470~-0.0471,为负相关,对张家口市、保定市、石家庄市、邢台市和邯郸市影响最为显著,对秦皇岛市影响相对不显著,整体区域由西向东呈递减趋势.

2.5 讨论

对于构建的模型结果分析表明,人口数量和人均GDP对京津冀地区汽车运输碳排放具有显著的正向影响,这与王锋等[24]学者以及陈操操等[29]学者指出人口和经济是京津冀城市群碳排放最主要驱动因素的研究结论一致,但人均GDP对京津冀地区客运碳排放呈现负向影响;城镇化水平对京津冀地区汽车运输碳排放具有负向影响.城镇化进程提高了城市密度,人民生活、消费区域密集,可能导致交通耗能减少,从而降低了汽车运输碳排放量;第三产业增加值对京津冀地区汽车客运碳排放的影响相较于汽车货运更大.以重载货车运输为主的大宗货物运输主要为基础设施建设、能源运输服务,随着第三产业的大力发展,京津冀地区货运需求会相应减少.但第三产业带动汽车业尤其是小型客车的迅猛发展,将会大大增加汽车运输的需求,从而导致京津冀地区汽车运输碳排放的增长.由此可知众多影响因素对京津冀地区汽车运输碳排放的影响不一,应将汽车客运、货运分别作为京津冀地区交通运输碳减排的重点.

同时京津冀地区汽车运输碳排放存在区域差异性,这一结果与武义青等[40]学者的研究及现实相符.北京市作为全国政治、经济和文化中心,汽车运输需求最高,且客运需求最大,其次是天津市和河北省会城市石家庄市;天津市作为京津冀地区物流枢纽中心,货运需求较高;河北省处于工业化中期阶段,正大力发展基础设施建设,大宗货物需求旺盛.京津冀地区经济发展和运输结构不平衡导致了汽车运输碳排放的区域差异性,应针对区域差异性制定差异化的碳减排方案.

2.6 政策建议

京津冀地区汽车运输碳排放主要来源于小型客车和重载货车运输.随着人口增长和人民消费水平提升,京津冀地区私家车需求大大增加;与此同时对货物需求的多元化也导致该区域大宗货运的增长.需要注意的是,我国汽车运输依旧以柴油、汽油等化石燃料消耗为主,纯电动等新能源的应用有待推广.因此,控制小型客车和重载货车的运输需求增长、改变其能耗结构对京津冀地区交通运输业碳减排具有重要意义.

京津冀地区汽车运输碳排放的区域差异性根本原因在于三地发展阶段和发展水平不同.因此京津冀地区在制定碳减排政策时,应依据“共同但有差异”的减排原则,在把握共同特征的基础上求同存异,制定区域差异化的汽车碳减排方案.同时应分别将汽车客运和货运作为京津冀地区交通运输碳减排的重点,针对具体城市制定不同的客货运碳减排方案,实现京津冀地区汽车运输碳减排政策的协同性和有效性,最终实现高效低碳的汽车运输发展模式.

3 结论

3.1 2016年京津冀地区汽车运输碳排放总量为20188.52万t.河北省为12332.38万t,占比61.08%.总量最高城市为北京市;客运碳排放中小型客车占比最高;货运碳排放中重载货车占比最高.京津冀地区汽车运输碳排放存在显著空间负相关性和空间异质性,空间差异较大.其中30.76%的城市呈现碳排放总量的低-高聚集和高-高聚集,呈现显著的溢出效应和趋同效应.

3.2 京津冀地区汽车运输碳排放具有较强的溢出效应;人口是影响京津冀地区汽车运输碳排放的正向驱动因素;人均GDP对京津冀地区汽车货运和总量碳排放呈正向影响,对汽车客运碳排放呈负向影响;城镇化水平是影响京津冀地区汽车运输碳排放的负向驱动因素;第三产业增加值对京津冀地区汽车客运碳排放和总量碳排放呈正向影响,对汽车货运碳排放呈负向影响.

3.3 人口对张家口市汽车运输碳排放影响最为显著,对秦皇岛市、唐山市和邯郸市影响相对不显著;人均GDP对秦皇岛市和沧州市的汽车运输碳排放总量和货运碳排放影响最为显著,对张家口市的汽车客运碳排放影响最为显著;城镇化水平对秦皇岛市的汽车运输碳排放总量和客运碳排放影响最为显著,对石家庄市、邢台市和邯郸市汽车货运碳排放影响最为显著;第三产业增加值对秦皇岛市的汽车运输碳排放总量和客运碳排放影响最为显著,对张家口市等的汽车货运碳排放影响最为显著.

[1] 中华人民共和国国务院新闻办公室.国家应对气候变化规划(2014—2020 年) [N/OL]. 国家发展和改革委员会, 2014.

[2] 李琳娜.中国客运交通的碳排放地理特征与展望 [J]. 地理研究, 2016,35(7):1230-1242.

[3] 河北省环保厅.河北省机动车污染防治年报(2016) [EB/OL].

[4] 李 涛,曹小曙,杨文越.珠江三角洲客货运量位序—规模分布特征及其变化 [J]. 地理科学进展, 2016,35(1):108-117.

[5] 董宾芳.中国货物运输的时空变化特征及成因分析 [J]. 贵州师范大学学报(自然科学版), 2017,35(3):6-14.

[6] 马海涛,康 雷.京津冀区域公路客运交通碳排放时空特征与调控预测 [J]. 资源科学, 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] 田中华,杨泽亮,蔡睿贤.广东省能源消费碳排放分析及碳排放强度影响因素研究 [J]. 中国环境科学, 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 红,张田田,任正委,等.城镇化进程中家庭CO2排放的驱动因素分析 [J]. 中国环境科学, 2016,36(10):3183-3192.

[12] 杨彬,宁小莉.新型城镇化视角下中国交通运输碳排放测度及其空间格局分析 [J]. 内蒙古师范大学学报(自然科学汉文版), 2015, 44(5):667-679.

[13] 孙叶飞,周 敏.中国城镇化、产业结构高级化对CO2排放的影响——基于独立效应和联动效应双重视角 [J]. 资源科学, 2016,38(10): 1846-1860.

[14] 柴 建,邢丽敏,周友洪,等.交通运输结构调整对碳排放的影响效应研究 [J]. 运筹与管理, 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,黄贤金,吴常艳,等.中国省域碳排放影响因素的空间异质性分析 [J]. 经济地理, 2015,35(11):21-28.

[22] 尹 鹏,段佩利,陈 才.中国交通运输碳排放格局及其与经济增长的关系研究 [J].干旱区资源与环境, 2016,30(5):7-12.

[23] 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.

[24] 王 锋,秦豫徽,刘 娟等.多维度城镇化视角下的碳排放影响因素研究——基于中国省域数据的空间杜宾面板模型 [J]. 中国人口资源与环境, 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] 刘满芝,刘贤贤.基于STIRPAT模型的中国城镇生活能源消费影响因素研究 [J]. 长江流域资源与环境, 2017,26(8):1111-1122.

[27] 陈操操,刘春兰,汪 浩,等.北京市能源消费碳足迹影响因素分析—基于STIRPAT模型和偏小二乘模型 [J]. 中国环境科学, 2014, 34(6):1622-1632.

[28] 刘永伟,闫庆武.基于SLM模型的中国碳排放格网化空间分布模拟 [J]. 地理与地理信息科学, 2015,31(3):76-80.

[29] 陈操操,蔡博峰,孙 粉,等.京津冀与长三角城市群碳排放的空间聚集效应比较 [J]. 中国环境科学, 2017,37(11):4371-4379.

[30] 岳 婷,龙如银.中国省域生活能源碳排放空间计量分析 [J]. 北京理工大学学报(社会科学版), 2014,16(2):40-46.

[31] 胡艳兴,潘竟虎,王怡睿.基于ESDA-GWR的1997~2012年中国省域能源消费碳排放时空演变特征 [J]. 环境科学学报, 2015,35(6): 1896-1906.

[32] 王雅楠,赵 涛.基于GWR模型中国碳排放空间差异研究 [J]. 中国人口资源与环境, 2016,26(2):27-34.

[33] 中国汽车工业协会.中国汽车工业年鉴(2016) [EB/OL].

[34] 海德堡能源与环境研究所.中国交通:不同交通方式的能源消耗与排放研究报告 [R]. 海德堡:海德堡能源与环境研究所, 2008.

[35] 中国生态环境部.中国机动车污染防治年报(2016) [EB/OL].

[36] 中国交通运输部.公路水路交通运输行业发展统计公报(2016) [EB/OL].

[37] 国家发展改革委气候司.省级温室气体清单编制指南(试行) [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] 国家统计局城市社会经济调查司.中国城市统计年鉴2016 [J]. 北京:中国统计出版社, 2017.

[40] 武义青,赵亚南.京津冀碳排放的地区异质性及减排对策 [J]. 经济与管理, 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

吕 倩(1986-),女,河北省石家庄人,中国矿业大学(北京)博士研究生,主要研究方向交通运输碳排放.发表论文6篇.

2018-01-04

河北省高层次人才资助项目(2013429102);河北省交通厅科技项目(冀交科教2013559-28)

* 责任作者, 助理工程师, koukouqianqian@126.com