中国省域交通碳排放空间关联格局的驱动特征

杨 青,郭 露,刘星星,赵坤强 (武汉理工大学安全科学与应急管理学院,湖北 武汉 430070)

交通运输业在全社会碳排放总量中约占26%(国际能源署,2021),由于我国各地区在人口、经济、资源、科技等要素上存在空间差异,交通运输业发展存在发展不平衡、不充分的问题[1],必须科学制定地区交通碳减排目标以确保公平的同时避免碳泄露风险.因此,探究交通碳排放空间关联结构及其驱动特征,对优化交通碳排放要素配置,统筹协调各地区的碳减排政策,助力交通高质量发展具有重要意义.

当前,交通碳排放研究角度主要聚焦碳排放测算[2]、影响因素分析[2]、减排潜力分析[3]、减排政策情景模拟[4]以及碳排放空间关系研究[5]等,研究体系日渐丰富健全,其中交通碳排放空间关系分析对于地区高质量协调发展模式更为关键,学者们围绕交通碳排放空间聚集性[6]与异质性[7]、空间依赖关系[5]以及空间关联效应[8]等方面逐步探索,其中多以复杂网络模型应用于跨区碳排放空间关联网络研究,如有研究[2]基于社会网络分析研究发现广州和深圳等经济发达城市处于珠江三角洲城市群碳排放空间关联网络核心,发挥“中介”和“桥梁”作用.另外,也有研究[9]运用社会网络分析发现上海、北京、浙江、广东、江苏、天津等发达地区在交通碳排放效率关联网络中处于核心主导地位.在碳排放关联网络驱动特征研究方面,分配模型和结构属性模型应用较为常见,二次分配(QAP)模型可用以考察经济、能源、技术、环境对碳排放空间关联网络的影响,碳排放空间关联格局的影响也可通过网络结构属性来解析[10].现有研究对中国交通运输碳排放空间关联格局以及驱动特征已经具有一定的探索,但基于社会网络分析的省际尺度交通碳排放关联格局及碳转移微观连通模式的研究仍有待深入.

交通碳排放网络关联格局由多重复合的局部构型或模体相关耦合形成,其局部构型可以被解释为特定社会机制的可观测结果.因此,交通碳排放空间关联网络是各种微观过程或机制相互作用的宏观表现形式.基于此,本文在揭示交通碳排放空间关联网络的动态特征的基础上,挖掘碳转移路径识别交通碳排放空间关联网络核心-边缘格局,运用模体结构分析研究近20 年的交通碳排放关联网络的微观连通模式,采用指数随机图模型定量测量内生网络-行动者属性-外生网络三驱要素对交通碳排放网络关联格局的影响,解析交通碳排放空间关联网络微观过程的驱动机理.

1 研究方法和数据来源

1.1 研究方法

1.1.1 社会网络分析法 交通碳排放空间关联网络是探究区域交通碳排放关系的集合,其以各省份为网络节点、各省份间的碳排放转移关系为边、碳排放关联强度为权重,构建中国交通碳排放空间关联网络.

1.1.2 模体结构分析 模体,即网络的基元,是网络反复出现的节点相互作用的基本模式,出现的频率高于其在具有相同节点和连线数的随机网络中出现的频率,主要通过P值和Z值对模体进行评价[11].其计算公式如下:

式中:freali为模体i在实际网络中出现的次数;frandi为模体i在随机网络中出现的次数;σi为标准差.Zi值越大,表示该模体在网络中越重要.

1.1.3 指数随机图模型 指数随机图模型(ERGM)提供了一种可解释的框架,可以通过对参数的估计和推断来理解网络中的关键因素以及它们的作用方式[12].本文研究的交通碳排放空间关联网络具有复杂性、多维性的特点,可以构建如下模型:

1.2 数据来源

选取2003～2020 年中国30 个省级行政区(西藏数据缺失较多而不予考虑)的相关数据作为研究样本,数据来源于《中国统计年鉴》、《中国交通年鉴》、《中国能源统计年鉴》及各省份统计年鉴等.为保证数据可比,文中货币单位变量如GDP 相关数据均平减为2002 年不变价格.

本文基于行业终端能源消耗采用自上而下的方法来计算交通碳排放量.为估算提高精确度,采用统计年鉴连续发布的18 种能源在交通运输行业的终端消费量,公式见式(3):

式中:j为能源种类,j=1,2,…,18,表示能源种类;C为能源消费二氧化碳排放量,万t;Ej为交通运输行业第j种能源消费量;NCVj和EFj分别表示第j种能源的平均低位发热量与碳含量;COFj为第j种能源的碳氧化因子;44/12 表示碳折合成二氧化碳的转换系数.

2 中国交通碳排放空间关联网络特征

2.1 时空格局分布

2.1.1 空间关联整体特征 运用交通碳排放空间关联网络特征解析我国区域交通碳排放的时空关联特征(图1).

图1 交通碳排放空间关联网络整体特征Fig.1 Overall characteristics of spatial correlation network of transportation carbon emissions

根据图1,网络关联数、网络密度的谷值年和峰值年分别为2007 和2013 年,全局效率峰值年和谷值年分别为2007 和2011 年,说明交通碳排放空间关联网络存在多线程、复杂性的周期演变进程.其原因可能是进入21世纪以来,地区经济活力提高和高速公路建设,推动服务要素跨区流动和运输成本的降低,使得区域一体化和市场经济呈现快速发展趋势,这些因素的共同作用使得各地区交通碳排放关联日益密切,其中《中长期能源发展规划纳要(2004～2020 年)》在2005 年前后对交通碳排放空间关联网络造成过短暂的政策冲击[13].而“十二五”后交通运输业碳排放成为经济社会发展约束性指标,且随着新能源技术的成熟,交通碳排放空间关联网络日渐松散化.

网络等级在2003～2009 年较为稳定,大致保持在0.71,在2009 年以后呈现逐年下降趋势,表明各省交通碳排放空间关联网络结构均衡化发展趋势,意味着空间关联网络对少数或单个节点的依赖性降低,其原因可能是2009 年来交通基础设施的快速发展,交通碳排放相关要素交流成本降低,进一步推动要素交流量提升也使得节点间引力均值的提高,使网络节点与某具体节点间空间关联关系的建立更为困难,此观点已得到广泛认同[14].

2.1.2 空间核心分异特征 结构洞通过测量网节点间的非冗余关系来衡量节点之间的互相依赖关系.本文使用有效规模和限制度两个核心指标来评估结构洞的质量(图2).有效规模指标越大,说明该节点在整个网络中具有更高的自由度;而限制度则指节点在对结构洞运用程度,低限制度指标的节点具有更强的贸易和交往控制能力.

图2 中国交通碳排放空间网络有效规模和限制度变化Fig.2 Changes of effective scale and limit system of China's transportation carbon emission spatial network

从图2 可见,上海、江苏、浙江和广东等省域在交通碳排放空间关联网络自由度一直较大,与其他省域进行交通碳排放要素交流的阻碍较少.四川、福建、湖北和甘肃等省域在2003～2020 年有效规模排名上升较快,即东部、中部、西部都存在差异化驱动因素作用,例如在“一带一路”等区域一体化政策的推动下,甘肃与周边省份的空间关联强度也持续加强.天津和辽宁等省份在2012～2020 年间有效度排名出现大幅下降,说明区域发展路径的惯性依赖依然存在.

从图2(c)、(d)可见,北京、上海、江苏、浙江、山东和广东等省域仍然属于网络核心节点的地位,交通枢纽的作用依然显著,在网络中具有较大的控制和影响力.邻近北京和广东的天津和广西限制度指标排名却比较靠后,说明交通碳排放的区域关联传导作用明显,同时核心省域能够通过低碳资本、人才等资源要素优势对周围省域产生“虹吸效应”[14].

结合以上特性,考虑到碳排放效应的滞后性和研究的时效性,本文以2003 年、2008 年、2012 年和2019 年等代表性年份研究交通碳排放空间关联网络的特征.

2.2 时空关系演变

中心势是衡量网络集聚程度的重要指标,我国交通碳排放空间关联网络的度中心势均维持在大于1.6,在2003 年更是达到2.808,平均邻近性基本维持在0.9 左右,表明网络具有明显的向某个或多个省域集中的趋势,存在显著的核心-边缘结构(表1).网络度中心势整体呈现减少趋势,这表明我国交通碳排放空间关联网络结构的均衡化演进,与我国交通碳排放网络拓扑特征分析结果一致.

表1 中国交通碳排放空间关联网络的相关中心势Table 1 Correlation center trend of China's transport carbon emission spatial correlation network

根据历年交通碳排放关联权重矩阵计算节点间的交通碳转移量,识别交通碳排放空间关联网络“核心-边缘”结构,如表2 所示.总体来看,核心区以北京、上海、江苏、浙江、广东等发达省域为主,且核心区省域数量呈现减少趋势,半核心区省域数量呈现增多趋势,边缘区的省域数量稳定,“少核心—多半核心—边缘”交通碳排放关联格局不断夯实.

表2 中国交通碳排放空间关联网络“核心-边缘”结构Table 2 "Core-edge" structure of China's transport carbon emission spatial correlation network

2003 和2008 年,北京、上海、江苏、山东和广东等发达省份组成交通碳排放的核心圈层,这些省域的交通碳排放总量与碳转移规模较其他省域均有明显领先.2012 年,交通碳排放核心圈层变动较大,河南、河北和辽宁等省域进入核心圈层,其中河南与河北作为承接发达区域中高碳产业转移的地区,碳转移活动较为活跃,而辽宁作为东三省交通要素枢纽,交通伴随和引致的碳转移变动影响较为突出.2019 年,交通碳排放核心和半核心圈层均发生较大变动,体现在湖南进入核心圈层,山东由核心圈层进入半核心圈层,四川由边缘圈层进入半核心圈层,其中湖南作为福建、广东交通碳转移的“传输渠道”,且近年来其不断放大在全国交通运输体系中的区域优势,山东作为中国GDP 大省,此时处于经济新旧动能转换的关键时期,相较江苏与浙江等经济发展动力不足,从而暂时弱化了其作为交通碳要素富集功能,四川主要受益于其交通枢纽和政策扶持,从而在西部交通碳排放关联格局中占据重要位置.以上充分说明,中国交通碳转移网络中“核心-边缘”结构呈现动态更替特征,同时说明省域交通碳转移网络存在稳定性不足的问题.

从交通碳转移的TOP5 省域的转移路径来看(表3),以发达省域为主的碳转移关系呈现惯性强化态势,碳转移路径表现出明显的空间惰性和时间惯性.从核心区碳转移量所占比重来看,核心区各节点间2003、2008、2012 和2019 年分别发生交通碳转移量为12826.50 万t、35436.79 万t、38695.22 万t和53613.21 万t(表2),占碳转移总量的比重分别为67.59%、69.9%、62.75%和61.94%.可以看出,虽然核心省域交通碳转移占比持续下降,结构性转移趋于平缓,但仍占据全国碳转移量的60%以上,表明省域间交通碳转移格局依然呈现集中性特征[8].

表3 中国交通碳排放空间关联网络碳转移量统计(万t,TOP5)Table 3 Carbon transfer statistics of China's transport carbon emission spatial correlation network

2.3 模体结构分析

采用Mavisto软件对2019年的交通碳排放空间关联网络中出现的模体结构进行统计分析,识别在交通碳排放空间关联网络中的微观关联模式(表4、表5).

表5 中国交通碳排放空间关联网络中的关键模体结构Table 5 Key model structures in the spatial correlation network of China's transport carbon emissions

表6 交通碳排放空间关联网络形成机制的ERGM 统计量说明Table 6 ERGM statistics of the formation mechanism of spatial correlation network of transport carbon emissions

同时,识别2003 年、2008 年、2012 年和2019年区域交通碳排放空间关联网络中的关键模体结构(P为0 且频次排在前5 位的模体结构),如表5所示.

由表4、表5 可以得出如下结论:(1)双向关联性不足会导致高频次关联模式失稳.GCR、FKX、F8R、GOX、F7F 5 种模体结构对应的P值为1、Z值非正,意味着这5 种形式的模体结构均是无效的,其中GCR、FKX、F8R、F7F 4 种模体结构出现的频次较高,表示对于仅发出性(如F7F、FKX)、集聚性(如GCR)、连通性(如F8R、GOX)的微观连通模式,由于缺乏双向关联性(即互惠性)的关联模式,导致连通模式的稳定性不足.同时,以JQF 和IMF 为代表的兼具互惠性、循环性和集聚性特征的模体结构对应的P接近1、Z为负,这表明这两种具有优良特性的模体结构同样无效,弱化了区域间交通碳排放空间网络的资源优化配置.

(2)组团活动利于关联发育与社群促成.GCX、GDF 和F8X 3 种模体结构的上顶点均存在双向的发出线和接收线,其对应的P为0,Z为正且数值较大,表明集聚性在网络关系的形成过程中发挥了重要作用,即各区域偏好以“俱乐部式”协同方式影响交通碳排放空间关联网络[10].然后,交通碳排放的空间关联网络也存在“社群效应”,即只在特定的区域间才具有产生交通碳排放空间关联关系的可能.

(3)“经纪人”关键模体结构作用突出.关键模体结构集中于GCX、F8X、GDF、GQX、FMF 5 种类型,频次排序存在时序变化,这说明交通碳排放空间关联网络的连通模式存在局部路径依赖.GCX、F8X 和GDF 是出现频次最多的3 种模体结构,表现为某顶点与另外两顶点间存在双向或单向的连接关系,且另外两顶点间不存在连接关系,表明交通碳排放空间关联网络存在梯度断层,即其中两个区域需要借助“经纪人”才能间接形成交通碳排放的空间关联关系.同时,FMF、GQX 这2 种模体结构在网络中出现的频次明显少于上述3 种模体结构,表明网络中“俱乐部”式的协同运行机制明显弱于“经纪人”式的分散运行机制,“经纪属性”在推动跨区域交通协同减排的“经济活动”中发挥着重要作用.

3 交通碳排放关联网络ERGM 三驱模型

3.1 交通碳排放关联网络ERGM 三驱因素

ERGM 可以同时捕捉内生网络、行为者属性和外部环境中的多维度结网络驱动因素.依据已有研究[9]关于碳排因素与关联网络特征的论述,构建ERGM 三驱模型框架(图3).

图3 中国交通碳排放空间关联网络驱动因素Fig.3 Spatial correlation network drivers of China's transport carbon emissions

3.1.1 内生网络结构变量 内生网络结构变量往往是影响网络关系形成的重要因素[15].网络集聚特征中传递性、循环性等网络统计量的出现将可能导致模型在估计过程中出现衰减和不收敛问题[16],同时已经发现GCX、F8X、GDF、FMF 和GQX 5 种模体结构频次高的特征,因此本文选择互惠性、连通性、循环性、集聚性等特征作为研究对象的内生网络结构变量进行研究.

3.1.2 行动者属性变量 行动者(节点区域)属性变量的影响可由行动者属性变量的“发出效应”、“接收效应”和“异配性”予以表征.当前主流的STIRPAT 模型[17]、LMDI 分解法[18]主要采纳能源效率﹑能源结构、综合运输周转量、经济发展水平、人口数等影响因素进行碳排放测算.为进一步响应“低碳交通”理念,促进交通运输业低碳可持续发展,确保交通碳排放如期达峰,对行动者属性变量进行优化选取:城镇化率(Ur)用来反映城镇化水平不断推动对交通碳排放[19],其值为城镇人口与总人口之比;开放程度(Open)反映进出口贸易占比对交通碳排放的影响[20],其值为地区进出口总额与当地GDP之比;人均GDP(Agdp)表示经济水平对当地交通运输业的促进效应[21],为消除价格的影响,本文产值数据均是以2002 年为基期进行平减;产业结构(Ids)作为工业对交通碳排放的贡献度指标,其值为第二产业与当地GDP 的比值;运输结构(Str)衡量运输结构调整对于交通碳排放的影响程度[19],其值为公路换算周转量与铁路换算周转量的比值;能源效率(Ee)表征交通运输行业技术进步效应,其值越大,说明交通运输业技术创新和运输装备能效水平越高,其值用单位周转量能耗表示;能源结构(Es)与交通碳排放大多呈正相关[22],其值为清洁能源占比.

3.1.3 外部环境变量 交通碳排放空间关联网络是一种经济活动在空间联动效应的表现形式,不可避免地受到地理相邻关系[23]和经济活动[24]等外部环境变量的影响.参考已有研究[25],构建地理邻近梯度网络([0～500]、[500～1000]、[1000～1500]、[1500～2000])和贸易网络矩阵,以考察地理距离和经济活动对交通碳排放空间关联网络形成的影响.

3.2 交通碳排放关联网络ERGM 测算

分别对2003、2008、2012 年和2019 年的交通碳排放空间关联网络的驱动特征予以识别,得到表7.GOF 检验结果(图4)表明模型通过MCMC 链收敛性诊断且拟合效果较好,能够有效地解释原区域交通碳排放空间关联网络的结构特征.

表7 交通碳排放关联网络ERGM 测算结果Table 7 ERGM results of transportation carbon emission correlation network

图4 GOF 检验结果Fig.4 GOF test results

图4 为观测网络与表7 第(4)列ERGM 估计得到的仿真网络的出度节点比例分布图、入度节点比例分布图、边共享伙伴的边比例分布图和最小测地距离的二元组比例分布图.其中,黑实线表示原有观测交通网络特征统计量,虚线及箱型图表示仿真网络在95%置信区间下的测度结果.

3.2.1 内生网络结构影响 交通碳排放关联网络所有模型的弧、互惠性、连通性、集聚性的系数均达到10%以上的显著性水平,表明网络自组织行为对网络的形成具有重要影响.相反,循环性系数为负且未通过显著性检验,意味着循环性并未对关联网络的形成产生预期的重要影响.

(1)区域合作可加速协同减排:互惠性系数在所有模型中显著为正,说明区域间互利合作可以加强交通碳排放形成双向连接,合作减排是实现整体碳减排的有效策略.连通性系数在所有模型中也显著为正,说明在区域交通碳排放空间关联网络中,同时具有发出和接收关系的比较活跃的节点区域较多,如海南、湖北、贵州、湖南、河南、广西、福建、江西、四川等经纪人板块省份,在关联网络中发挥着比预期更为重要的作用.

(2)三角循环作用尚未凸显:循环性的系数在2003 年至2012 年的模型中均为正,但并未通过显著性检验而2019 年的模型中循环性系数显著为负,这表明随着关联网络密度的降低和均衡化发展,省域间的协同减排过程中受到的闭合机制的影响越来越弱,即交通碳排放在区域间三角传递关系弱化,存在梯度转移的断层现象,交通碳排放的转移优化仍然需要市场和政府的共同调节[9].

(3)关联自扩张态势明显:集聚性的系数显著为负,表明交通碳排放空间关联网络呈现出显著的扩张中心性的分布趋势[26],即省域自发关系存在自主扩张态势,从而减弱整个网络的“核心-边缘”效应.但是,区域间存在的“行政藩篱”会限制交通碳排放要素跨区域大范围流动[10],而推进实施区域一体化及碳交易市场等协同减排政策,有利于界定各区域减排责任和减排目标.

3.2.2 行为者属性影响 (1)城镇化率(Ur):2003 年的模型中城镇化率发出效应与接收效应的系数均为正,且均通过显著性检验,表明高城镇化率会明显加剧区域间交通碳排放的发出和接收关系.2008 年、2012 年和2019 年的城镇化率的发出效应的系数均不再显著,接收效应显著为负,表明城镇化率与区域间交通碳排放的接收关系呈现倒“U”型,当城镇化率处于较低水平时,区域间交通碳排放接收关系活跃.当城镇化率到一定阶段,人口的相对集中对交通运输需求会发挥成本优化效应[22],交通碳排放的接收关系也随之减弱.所有模型城镇化率异配性的系数显著为负,表明城镇化率的差异对于区域间交通碳排放关联作用具有显著抑制作用.可见,城镇化率对跨区交通碳排放关联格局的影响是不均衡的[19].

(2)开放程度(Open):从2003 年至2012 年的模型开放程度发出效应和接收效应系数均未通过显著性检验,在“十一五”时期实施的节能减排约束目标政策的推动下,开放程度对交通碳排放的接收效应和发出效应受到了抑制.而2019 年的接收效应显著为正,表明较高的开放程度有利于区域间形成更多的交通碳排放接收关系.开放程度较高会显著推动地区间贸易经济要素流动[27],从而产生更多的交通碳排放的接收关系.2008 年和2012 年的开放程度的异配性系数显著为正,表明区域间开放程度的差异对交通碳排放空间关联网络的形成有显著的促进作用,可见,产业结构转移使得区域的资源禀赋发生整体转变和局部失调[28],尤其是加入WTO 以来国际外循环在我国经济发展中有着较大的贡献度,各区域间形成明显贸易产业分工格局,在交通碳排放网络中呈现出明显的“核心-边缘”关联模式,核心省域充当我国对外出口的门户或窗口,边缘省域则作为核心省域的原材料和劳动力供应地.

(3)人均GDP(Agdp):从2003～2012 年的模型人均GDP 发出效应均未通过显著性检验,而接收效应的系数均为正且通过了显著性检验,表明较高的人均GDP 有利于区域间产生更多的交通碳排放接收关系.人均GDP 折射出经济活跃程度,随着新能源技术应用,人均GDP 中的“绿色”成分逐步提升,尤其是对高人均GDP 对环保和生态的要求更高[22],人均GDP 对碳排放接收效应的影响随时间推移不断降低,2019年已不显著.人均GDP的发出效应系数持续为负且不显著,可见绿色理念已经深入人心[22].人均GDP 异配性的系数呈显著正向,表明经济发展水平差异较大的区域间促进交通碳排放的空间关联关系的形成.这种区域间经济鸿沟往往反映出区域间经济发展效率、节能减排空间和成本的差异,高经济发展水平地区的交通碳减排成本的“比较优势”往往会强化能源(碳)密集型产业向经济发展程度较低的地区的转移行为,从而促进交通碳排放空间关联网络的形成[29].

(4)产业结构(Ids):2012 年和2019 年模型的产业结构对交通碳排放的发出效应均具有显著的正向影响,而2019 年的接收效应显著为正,表明第二产业占比较高的地区产生更多的交通碳排放发出关系和接收关系.需要注意的是,中西部省区接收高耗能和高污染产业的转移和升级,对周边省区造成了环境压力[30].而东部省区的产业结构更可能通过空间溢出效应对周边省区的产业结构进行合理化调整,产生正向激励作用[30].2003 年和2008 年,产业结构发出和接收效应的系数未通过显著性检验.全国各地工业化进程的快速推进和区域协调发展的实施,《中长期能源发展规划纲要(2004-2020 年)》坚持把节能和提高能源效率放在首位,大力调整各地区第二产业占比.交通运输业作为其他产业要素的载体,也随之得到调整.同时,产业结构异配性的系数显著为正.产业结构的差异反映了经济发展阶段和市场需求水平的差异,这种差异可以通过产业价值链的区域分解传导到贸易活动[10].上述分析可以发现产业结构的调整对中西部省份和东部省份分别产生负外部性和正外部性[30],进而促进交通碳排放空间关联网络的形成.

(5)运输结构(Str):2003 年交通运输结构发出效应系数显著为正,而后2008 年、2012 年、2019 年均不显著,可能因为2005 年以后陆续出台跨区调配能源政策,如西电东送、西气东输等工程.此外,机动车燃料消耗标准改革也对交通关联网络发出效应起到抑制作用[31].2008 年和2012 年交通运输结构的接收效应为显著为正,其余两年不显著为负.“十二五”规划首次将交通运输业碳排放作为经济社会发展约束性因素,随着规划落实交通碳排放关联网络的接收关系逐步增多,“十三五”规划继续强化交通运输业碳减排政策,依靠调整运输结构已无法显著影响交通碳排放空间关联关系.2003 年、2008 年和2012 年运输结构异配系数显著为负,且呈减弱趋势,2019 年不显著为正,表明省域之间运输结构的差异不利于交通碳排放空间关联网络的形成,可能是由于省域间交通基础设施完备程度差异影响,尤其是交通设施条件差异大不利于区域社会经济要素流动,进而影响交通碳排放空间关联关系的形成[32].

(6)能源效率(Ee):2003 年和2012 年的能源效率发出效应的系数均不显著,接收效应系数显著为正,表明较高的能源效率能够促使区域间产生更多的交通碳排放接收关系.能源效率越高意味非期望产出减少,从而产生更多交通碳排放接收关系[22].2003 年和2012 年的能源效率发出效应系数分别为负和正,足见粗放经济发展模式逐步扭转.2019 年的能源效率发出效应和接收效应系数均为正且不显著,可见新能源技术的深入与普及,能源效率对交通碳排放发出关系和接收关系已发生本质性的转变.能源效率异配性的系数为负且不显著,体现出能源结构和能源技术虽然存在区域差异,但总体能源产业发展态势还未稳定[19],整体市场还处于竞争迸发的格局.

(7)能源结构(Es):2003 年和2008 年的能源结构发出效应为负且不显著,而接收效应显著为正,表明较高的清洁能源占比能促进区域间产生更多交通碳排放的接收关系.清洁能源的消费比重越大即能源结构越合理,从而抑制交通碳排放的发出关系,促进其产生接收关系[22],2012 年和2019 年能源结构的发出效应分别为正和负且均不显著,接收效应系数均显著为负,可见我国能源结构以煤炭为主的格局尚未得到本质上的扭转,而清洁能源的生产制造还处于初级阶段,资本与技术的投入产出尚不稳定,使得交通碳排放的发出效应和接收效应均呈现出较大波动[22].

3.2.3 外部环境影响 (1)地理空间:在地理区间[0～500]、[500～1000]、[1000～1500]内,碳排放空间关联效应呈显著正向,表明交通碳排放受到地理邻近效应的影响显著.近年来,我国通过大规模的能源跨区域调配(如西气东输)等区域一体化政策的落地,交通碳排放空间关联的地理限制弱化,导致多方向空间依赖性的明显展现.然而,地理距离与要素流动运输成本成正比,交通碳排放空间关联效应呈现出距离衰减规律特征.当地理邻近网络超过1000km 后,区域间的碳排放空间关联效应会明显弱化,表明我国交通碳排放空间关联网络呈现出碳缘千里相望的特征[10].

(2)贸易网络:省域贸易网络变量对交通碳排放空间关联网络的影响呈显著正向,表明地区贸易活动能够推动交通碳排放空间关联网络的形成,生产和消费的地理空间分离使得能源密集型产品成为碳排放的主要“载体”,并通过交通运输转移到其他地区,导致整体交通碳排放空间关联网络的形成.

3.3 交通碳排放关联网络三驱要素作用

我国交通碳排放关联网络中三驱动格局基本形成,而三驱因素作用呈现复杂的关联机制,我国交通碳排放关联网络三驱要素的作用(图5).

图5 中国交通碳排放关联网络三驱要素的作用Fig.5 The role of three-drive factors in China's transport carbon emission correlation network

(1)内生网络结构:互惠性系数在所有模型中显著为正,即与模型期望值相比,存在更多的互惠连接关系,说明区域间的协同效应和互补效应在交通碳排放关联网络生长发育过程中发挥着重要作用.连通性系数在所有模型中也显著为正,即区域间的连接往往需要第三方区域的参与,说明在区域交通碳排放空间关联网络中,经纪人板块省域发挥着比预期更为重要的作用.循环性的系数在2003 年至2012年的模型中均为正,但并未通过显著性检验而2019年的模型中循环性系数显著为负,这表明闭合机制在城市网络发育不同阶段呈现出不同的作用方式[33].在2019年的循环系数显著为负,表明省域间的协同减排过程中受到的闭合机制的影响越来越弱,浅层原因可能与网络密度的降低和网络均衡化发展有关.集聚性作为网络偏好依附的表现形式,集聚性为正表明为网络具有聚敛性的作用大于扩张性,集聚性为负表明网络的扩张性的作用大于聚敛性,交通碳排放关联网络的集聚性的系数显著为负,表明交通碳排放空间关联网络呈现出显著的扩张中心性的分布趋势,而这种循环积累的关系扩张机制构成了多核心圈层结构的基本原理.

(2)行为者属性:行为者属性对交通碳排放关联网络的影响分异,以2019 年为例,在发送效应方面,第二产业占比提升对交通碳排放发出关系具有显著的正向激励作用,这主要由于省域间的产业转型升级,造成地区间明显的产业分异,中西部分省域承接高耗能和高污染产业的转移,从而对周边省区造成环境压力,而第二产业占比过重造成区域更密集的碳排放发出效应.

在接收效应方面,第二产业占比、开放程度提升对交通碳排放接收关系具有正向激励作用,即第二产业占比和开放程度较高会显著推动地区间产业转移和贸易要素流动,从而产生更多的交通碳排放的接收关系.城镇化率和能源占比的提升对交通碳排放的接收关系具有反向抑制作用,放眼近20 年发现城镇化率与能源占比对交通碳排放接收关系的影响并不是单调线性的,其中城镇化率与交通碳排放接收关系呈现倒“U”型关系,表明当城镇化率到一定阶段,人口的相对集中对交通运输需求会发挥成本优化效应,从而抑制交通碳排放的接收效应.而我国虽然高度重视新能源产业的发展,但清洁能源的生产制造还处于初级阶段,以煤炭为主的能源结构尚未得到本质上的扭转,资本与技术的投入产出尚不稳定,使得交通碳排放的发出效应和接收效应均呈现出较大波动[14].

在异配效应方面,区域间城镇化率差异对交通碳排放关联关系的形成具有反向抑制作用,即随着城镇化率的提升,单纯依靠商品和服务流动难以大规模影响区域交通碳排放关联,“以邻为壑”的情况在交通碳排放空间关联网络中更为普遍.区域间开放程度、经济发展水平、产业结构的互补性有利于促进交通碳排放空间关联网络的形成,体现出区域间的择优连接.进入21 世纪以来,各省域间形成明显的贸易产业分工格局,经济要素流动不断加快,加之不同地区的资源禀赋差异,其中对外开放程度、经济发展水平和产业结构分别影响着区域要素的流通速度、流通体积、流通质量,这三者差距较大的区域间表现出交通碳排放关联关系的择优选择特征.

(3)外部环境因素:地理距离和贸易网络的系数在所有模型中均显著为正,分别表明交通碳排放呈现出明显的空间集聚特征以及紧密的区域贸易联系会加强交通碳排放空间关联网络的形成[9].在地理邻近机制和空间联动效应的双重作用下,交通碳排放空间关联效应呈现出距离衰减规律特征.

4 政策建议

短期:落地重大项目,推动绿色交通转型联动.依托大数据技术和新能源技术的产业化应用,多地联合统筹新型交通能源基础设施体系建设,交通碳减排相关政策的制定不应以地理邻近为限制,应当通观全局,关注各省份之间交通碳排放效率在空间上的联系,开展交通碳减排发展联合创新项目,将交通、自然、生态、能源、城市规划、农业等部门的资源和信息集成,以确保政策的有序协同和项目精准落地.

中期:提升协同水平,加强跨区域交通碳减排协调机制.根据交通碳排放关联网络时空特征,在碳排放配额总量确定与分配方案、碳排放权交易管理办法、财政干预模式的制定上,在注重效率优先的同时,也应当考虑交通碳排放效率关联通道的可持续性,避免政策落实“运动化”,难以扩大覆盖面.

交通与民生关系密切,逐步深化交通装备、基础设施和运输组织中绿色交通建设,强化跨区域绿色客运和货运的市场引导,在交通碳排放网络优化驱动能力提升中,绿色交通建设给予一定的财政倾斜,例如绿色交通工具的跨区域运输给予补贴,加大跨区域间的绿色交通用能供给设施联动建设等.

长期:顶层零碳设计,工业化-产业化-市场化全面协同.推动多地协同联动发展交通“零排放”转型,满足条件先行先试,集中资源,优势突破,构建城市群和都市圈的交通“零排放”区,推动各区域间交通碳排放效率的区域联动和协同提升,打破中西部低碳交通资源要素的条块分割,合力推动新能源交通产业转型,优化交通碳排放“核心-边缘”结构,促进多地共建零碳新能源交通产业链,在工业化、产业化和市场化上跨区域合作构建供应链,保持长效的产业结构优化与政策匹配.

5 结论

5.1 交通碳排放关联网络存在周期波动-梯度分异-核心边缘的时空特征:我国省域交通碳排放关联网络整体关联结构较为复杂,时间上呈现周期性波动特征,空间上呈现核心虹吸等级梯度特征.北京、上海、江苏、浙江、广东等发达省份在交通碳排放关联网络中呈现沿海核心局势,青海、宁夏、广西、吉林等省份位于关联网络的边缘位置,展现出西部边缘结构,基本形成沿海核心占主导作用,西部边缘起转配作用.

5.2 交通碳排放关联网络存在局部集聚-经纪中介-邻域优先的连通模式特征:我国交通碳排放关联网络微观连通模式集聚特征显著,存在明显的局部路径依赖,主要表现为各区域偏好于以“互惠”或“组团”的方式参与交通碳排放空间关联活动,同时交通碳排放的空间关联网络存在区域间梯度断层现象,即两个区域需要借助“经纪人”才能间接形成交通碳排放的空间关联关系.此外,地理邻近和经济邻近对我国交通碳排放空间关联网络的演化有较好的解释能力.

5.3 交通碳排放关联网络存在内生支撑—属性多样-外部梯变的关联属性特征:城镇化率、第二产业占比、公路周转量比重提升有利于推动区域交通同时产生更多的碳排放发出关系;开放程度、人均GDP、能源效率以及清洁能源占比的提升有利于推动区域交通产生更多的碳排放接收关系;区域间城镇化率、运输结构会抑制区域间交通碳排放关联关系的形成;区域间开放程度、经济发展水平、产业结构的互补性有利于促进交通碳排放空间关联网络的形成.中国交通碳排放空间关联效应受到地理邻近效应的影响呈现出地理距离衰减规律及梯度关联趋向特征;同时,交通碳排放空间关联网络的形成也不同程度受到互惠性、连通性、集聚性等内生结构变量的影响.