中国交通碳排放效率的空间关联网络结构及其影响因素

2021-07-13 22:14邵海琴王兆峰
中国人口·资源与环境 2021年4期
关键词:社会网络分析影响因素

邵海琴 王兆峰

摘要 准确把握交通碳排放效率空间关联结构及其影响因素对促进交通运输业乃至区域高质量协调发展具有重要意义。在利用基于理想决策单元参照的交叉效率模型对中国省域交通碳排放效率进行科学测度的基础上,运用社会网络分析法探究中国省域交通碳排放效率的空间关联网络结构及其影响因素。研究表明: ①研究期间中国省域交通碳排放效率已形成较为复杂的、多线程的网络关联关系,但其网络关联结构仍较疏松,且呈现出“东密西疏”的等级梯度特征。②中国交通碳排放效率关联关系在空间上形成了以区域为边界的“条块分割”,派系结构较为明显。其中,东部地区与中部地区联系较为紧密,与西部和东北地区联系一般;中部地区则主要表现出与东部和西部地区较强的连接状态,与东北地区的联系相对较少;而东北地区与西部地区的联系较弱。③上海、北京、浙江、广东、江苏、天津等发达省份在交通碳排放效率关联网络中处于核心主导地位,对交通碳排放效率空间关联性的影响显著;而黑龙江、吉林、新疆、青海等东北和西北偏远省份在网络中则处于绝对边缘位置,对交通碳排放效率空间关联性的影响较弱。④省区距离、经济发展水平差异、交通运输强度差异和交通运输结构差异对中国省域交通碳排放效率空间关联网络产生显著负向影响;节能技术水平差异则对其产生显著正向影响,而交通能源结构差异和环境规制差异的回归系数为正但不显著,其响应机制和响应效果仍有待完善和增强。

关键词 交通碳排放效率;空间网络结构;影响因素;社会网络分析

中图分类号  X322;F512  文献标识码 A  文章编号 1002-2104(2021)04-0032-10  DOI:10.12062/cpre.20200917

全球气候变暖已成为制约经济社会可持续发展的重要障碍,如何有效控制与降低以二氧化碳为主的温室气体排放成为摆在人类面前的重大课题。作为国民经济和社会发展的基础载体和战略先导产业,交通运输业是重要的碳排放来源,其行业碳排放量约占全社会碳排放总量的24.34%,是实现减排目标的关键产业[1-2]。2019年国务院印发的《交通强国建设纲要》明确提出,要推动交通发展由追求速度规模向注重质量效益转变,并对低碳交通发展提出新的要求。碳排放效率是评估低碳经济发展水平的重要指标之一,其本质上是考虑了碳排放的生产技术效率,可以反映生产活动的能源利用效率。提高交通碳排放效率是交通碳减排的重要途径[3-4]。隨着网络化交通体系的逐渐形成和互联网信息技术的不断发展,以及区域经济一体化进程的不断推进,交通运输业生产要素之间的空间联系越来越紧密,地区间交通碳排放效率也呈现出显著的空间相关性[5]。因此,从网络关联视角考察中国交通碳排放效率的空间关联结构及其影响因素,甄别各地区交通碳排放效率在空间关联网络中的地位和作用,对经济新常态下构建跨区域交通碳排放效率协同提升机制,制定兼顾针对性和区域化的交通碳减排政策具有重要的理论意义和应用价值。

随着交通碳排放问题的日益严峻,学者们开始针对交通碳排放相关问题进行研究,研究涵盖了不同尺度交通碳排放的测算[6-8]、空间分布异质性[9-10]和空间聚集与收敛性[11]等空间特性分析、交通碳排放峰值预测[12]及减排潜力分析[13]、影响因素探究[14-16]、交通减排政策及情景模拟分析[17-18]等多方面内容。此外,部分学者从效率角度对公路[19]、铁路[20]、航空[21-22]等不同交通方式以及整体交通运输部门[23]的碳排放绩效及其影响因素进行了测度与分析。其中,有关交通碳排放效率的测度指标主要包括单位交通运输行业增加值的碳排放量[24]和单位运输周转量的碳排放量[25]等单要素指标,以及基于DEA方法的全要素交通碳排放效率指标[5];而交通碳排放效率影响因素指标则主要包括收入水平、能源消费结构、交通运输结构、交通运输强度、节能技术水平和政府管理措施等[5,26]。研究尺度涉及国家[10]、经济带[7]、省(市)区[27-28]、城市群[29]、社区[30]等。研究方法主要有生命周期法[31]、数据包络分析法(DEA)[26]、计量经济学方法[5]、对数平均分解指数(LMDI)[32]、拉斯佩尔指数(Laspeyres Index)[33]、系统动力学模型[34]、STIRPAT模型[29]等。

综合来看,目前学术界对交通碳排放问题的研究成果较为丰富,但有关交通碳排放效率的研究仍有待进一步补充和完善。首先,现有文献大多采用传统的基于自我评估体系的DEA模型测量交通碳排放效率,容易形成夸大自身优势,造成效率虚高的结果;其次,已有交通碳排放效率的研究多基于“属性数据”,忽略了对关系数据的考察和应用;最后,目前针对交通碳排放效率空间效应的研究往往仅停留于探究相邻或相近地区交通碳排放效率的空间关系,其研究结果较为“局部”,难以从全局上勾勒出网络化社会背景下,各地区交通碳排放效率复杂的空间关联等级结构和嵌套关系。鉴于此,作者利用同时考虑自评和他评体系的基于理想决策单元参照的交叉效率(ideal point cross efficiency,简称IPCE)模型来衡量交通碳排放效率,以避免人为地提高效率并获得准确的效率排名。同时,基于交通碳排放效率“关系数据”,利用社会网络分析法从全局网络视角考察中国交通碳排放效率的空间关联网络结构,并进一步探究其影响因素,以期有效补充交通碳排放效率的空间关系研究,为充分发挥中国交通碳排放效率的空间溢出效应,推动跨区域交通碳减排协同机制建设,实现交通高质量发展提供有益的政策启示。

1  研究方法与数据来源

1.1  研究方法

1.1.1 IPCE模型

交叉效率DEA方法是一种基于互评体系的效率评价方法,主要包括中立型、激进型、仁慈型、博弈交叉效率模型和IPCE模型。其中,李春好等[35]提出的IPCE模型可以更好地坚持DEA最有利于被评价决策单元的基本思想,同时能规避决策者策略选择的困境,具有一定的公平性与综合性。因此,作者参照Liu等[36]的研究,选用基于理想决策单元参照的交叉效率模型对2003—2018年中国省域交通碳排放效率进行测度。假设将理想决策单元(DUMh)定义为使用投入向量Xh获得产出向量Yh的决策单元,其中:Xh=(min(x1j),…,min(xmj))=(x1h,…,xmh),

Yh=(max(y1j),…,max(ysj))=(y1h,…,ysh),则基于理想决策单元参照的交叉效率模型可以表示为:

minθh,d=∑sr=1μrdyrh

s.t.∑sr=1μrdyrd-E*dd∑mi=1widxid=0

∑sr=1μrdyrj-∑mi=1widxij≤0,j=1,…,n,j≠d

∑mi=1widxih=1

μrd≥ε>0,r=1,…,s

wid≥ε>0,r=1,…,m(1)

式中,θh,d表示DUMd基于理想决策单元参照的交通碳排放效率值,主要借助Matlab 2016a软件进行测度;m为投入变量(xi)的个数,s为产出变量(yr)的个数,n为决策单元数量,μrd为相对于DUMd的第r种产出的虚拟权重;wid为相对于DUMd的第i种投入的虚拟权重;E*dd为基于CCR模型测算的DUMd自评效率;

∑sr=1μrdyrd

和 ∑mi=1widxid分别为DUMd的虚拟产出和虚拟投入。

1.1.2 VAR模型

关系的确定既是构建空间关联网络的基础,也是确定省域交通碳排放效率空间关联网络结构特征的关键。现有研究主要采用VAR Granger因果檢验方法和引力模型来确定节点间的关联关系。由于VAR框架下的Granger因果检验无须过多先验约束,即可得到一组变量能否提高另一组变量预测能力的信息[37],因此,选择VAR Granger因果检验方法来确定中国省域交通碳排放效率之间的关联关系。具体步骤如下:①定义两个省份的交通碳排放效率时间序列分别为{xt}和{yt};②构造两个VAR模型来检验两省份间的交通碳排放效率是否存在Granger因果关系:

xt=a1+∑mi=1β1,ixt-i+

∑ni=1γ1,iyt-i+ε1,t

yt=a2+∑pi=1β2,ixt-i+

∑qi=1γ2,iyt-i+ε2,t(2)

式中,αi、βi、γi(i = 1,2)为待估参数;{εi,t}(i = 1, 2)为残差项;m、n、p、q为自回归项的滞后阶数,根据LR、PRE、AIC、SC、HQ五种方法选取最优滞后阶数。如果检验结果为A省份交通碳排放效率是B省份交通碳排放效率的Granger原因,则表示A省份交通碳排放效率对B省份交通碳排放效率存在显著的空间关联效应,取值为1;反之,则表明两者不存在关联关系,取值为0。由此类推构建中国30个省份(因数据可得性等原因,研究不包括港澳台和西藏)交通碳排放效率空间关联的二值矩阵。

1.1.3 社会网络分析法

社会网络分析法(Social Network Analysis,简称SNA)是一种研究网络成员之间关联关系的重要研究范式,主要通过对网络成员关系的分析,反映网络成员之间的关联结构及其属性特征,可以有效弥补单纯个体研究、属性研究以及传统计量研究的缺陷[38-39],已在心理学、经济学、管理学、社会学等诸多领域中得到广泛应用。利用该方法中的网络关联度、网络密度、网络效率和网络等级度四个指标来考察中国交通碳排放效率空间关联网络的整体特征,运用E-I分派指数探究其空间关联网络的区域网络关联特征,采用中心度指标分析各省份在交通碳排放效率关联网络中的角色和地位,并借助二次指派程序(Quadratic Assignment Procedure,QAP)对中国交通碳排放效率空间关联网络的影响因素进行探究,具体指标测算方法见文献[39]。

1.2  指标选取与数据来源

由于西藏、香港、澳门及台湾数据缺失较多,故选取除该四省区以外的中国30个省份为研究单元。借鉴陈思茹等[40]的研究,选取交通运输业从业人员数、能源消耗量、资本存量作为交通碳排放效率投入指标。其中,交通运输能源消耗量采用标准煤系数将交通运输业煤炭、汽油、柴油、天然气等8种主要能源的消耗量统一折合成标准煤表示;交通运输资本存量参考李杰伟等[41]的研究,采用永续盘存法进行估算。在交通碳排放效率产出指标方面,选取交通运输产业增加值、交通运输综合换算周转量和交通运输CO2排放量作为产出要素。其中,交通运输CO2排放量为非期望产出,根据运输行业中的主要燃料(煤炭、柴油、汽油、煤油、燃料油、天然气、液化石油气、电力等)和《2006年IPCC国家温室气体清单指南》通过等式计算得到。相关数据来源于《中国统计年鉴》《中国交通年鉴》《中国能源统计年鉴》《中国环境年鉴》以及国家统计局数据库(http://data.stats.gov.cn/),省会城市之间的地理距离用ArcGIS计算而得。

2 中国省域交通碳排放效率的空间关联网络特征

2.1 空间分布格局

为考察中国交通碳排放效率的空间分布格局,运用Matlab 2016a软件刻画了2003—2018年度中国交通碳排放效率的空间分布趋势(图1)。由图1可知,中国省际交通碳排放效率在空间上存在显著的区域差异,呈现出明显的非均衡分布特征。具体来看,在东西方向上,拟合曲线整体呈现出“东部凸起-中部隆起-西部塌陷”状,表明研究期间中国东部地区交通碳排放效率整体要高于中部和西部地区;在南北方向上,拟合曲线呈现出北凸南凹的“S”型,表明研究期间北部地区交通碳排放效率整体要高于南部地区。从拟合曲面来看,2003—2018年中国省域交通碳排放效率呈“东部凸起-西部凹陷-尾部翘起”的波浪型,表明该时期中国省域交通碳排放效率整体呈现出东高西低的空间分布格局。但西部部分省份如新疆的交通碳排放效率要略高于其周边地区,这主要是因为东部地区经济条件优越,低碳技术与创新水平相对较高;同时,交通基础设施发展较为完善,从而拥有较高的交通碳排放效率。而新疆则由于严酷的气候和地形条件影响,交通站点网络密度较低,交通人力资源投入相对较少;同时,随着“一带一路”倡议的深入实施,其派生的过境、中转等客货运输需求规模扩大,使得交通产出/投入综合水平相对周边地区略高,进而使得交通碳排放效率水平相对周边地区略高。

2.2 整体网络结构特征

为了直观展示中国交通碳排放效率空间关联网络的结构形态,作者对2003—2018年中国省域交通碳排放效率的空间关联网络进行了可视化(图2)。由图2可知,中国省域交通碳排放效率空间关联网络结构呈现“东密西疏”特征,且其空间关联已经突破传统的地理空间限制,不再囿于对其邻近省份的交通碳排放效率产生溢出效应,同时也与其非邻近省份发生空间关联,表现出较为复杂的、多线程的空间网络关联关系。因此,要有效实现中国交通碳排放效率的整体提高,必须实施区域合作的方法。具体来看,上海、北京、浙江、江苏和广东等省份交通碳排放效率的关联关系显著高于其他省份,这主要是由于这些地区交通资本、人才等基础条件较好,绿色创新能力较强,同时交通基础设施相对较为完善,更有利于低碳交通运输产业的交流与合作。样本考察期内中国省域交通碳排放效率空间关联关系总数为275,与最大可能网络关系数(870个)还存在较大的差距,说明中国省域交通碳排放效率尚未达到最佳空间关联状态,其空间关联网络的稳定性还有待进一步提升。因此,应进一步深化省份之间低碳交通合作,加强省域间交通运输产业资源要素的空间优化配置。

从网络关联度、网络等级度、网络效率和网络密度四方面来看: ①网络关联度。研究期間中国省域交通碳排放效率空间网络关联度为1,说明其空间关联网络结构具有较好的联通性和稳健性,所有省份均处于中国省域交通碳排放效率空间关联网络当中,不存在脱离网络的孤立省份,网络空间溢出效应明显。②网络等级度。研究期间中国省域交通碳排放效率关联网络等级度为0.313,说明中国省际交通碳排放效率空间关联网络存在一定的等级梯度特征,网络结构有待进一步优化。③网络效率。研究期间中国省域交通碳排放效率关联网络效率为0.717,说明其关联网络中具有较多冗余关系数,存在多重叠加的溢出渠道。④网络密度。研究期间中国省域交通碳排放效率整体关联网络密度仅为0.316,说明在样本考察期内中国省际交通碳排放效率的空间关联关系的紧密程度并不高,网络结构相对松散,交通碳排放效率的空间合作和互动有待增强。需要指出的是,交通碳排放效率空间关联网络密度过高可能会导致低碳交通生产要素在省份之间的传导费用提升,因此,在推动省份之间低碳交通资源要素交流合作的同时,须注意保持适宜的网络密度,以达到理想的交通碳排放效率协同提升效果。

总体而言,中国省域交通碳排放效率关联网络中存在显著的空间关联与溢出路径,协同发展现象明显,已形成较稳定的交通碳排放效率关联网络,但其网络结构较为疏松,且存在一定网络等级梯度特征。提高网络的紧密度、降低网络的等级度是实现中国交通低碳可持续发展的攻坚内容。

2.3  区域网络结构特征

为深入探析中国交通碳排放效率关联网络发展区域差异状况以及各区域之间交通碳排放效率的空间关联关系,采用参考文献[3]的思路,将中国30个省份按区域属性划分为东部地区、中部地区、西部地区、东北地区4个板块,借助E-I分派指数,以四大板块为单元计算得到中国交通碳排放效率关联网络E-I指数及密度矩阵(表1)。

2003—2018年中国交通碳排放效率关联网络的E-I指数为0.409,离理想值“1”差距较大,表明中国交通碳排放效率关联网络存在着一定区域封闭性。交通碳排放效率关联关系主要发生在东、中、西、东北区域内部。四大区域间低碳交通协同合作不强,在空间上形成了以区域为边界的“条块分割”,派系结构较为明显。这种局面不利于中国区域间的低碳交通交流与合作,并阻碍中国低碳交通的整体发展。究其原因,可能与中国四大区域低碳交通发展基础及政策差异对区域交通碳排放效率的双重作用有关。从地区密度来看,中国地区交通碳排放效率空间关联网络密度呈东北-中部-东部-西部递减的态势。东北地区交通碳排放效率网络密度最大,达到了0.667,表明其省份间低碳交通发展资源联系较为频繁,低碳交通合作规模较大。东部地区密度为0.436,可能是受制于南北跨度

较大及政策差异导致南北省份间低碳交通发展的联系相对较少,进而降低了区域交通碳排放效率的空间关联网络密度。西部地区密度仅为0.400,受限于经济发展和自然环境的影响,西部地区成为低碳交通网络发展中的谷地,有待于进一步的发展。从区域间的联系来看,东部地区与中部地区联系较为紧密,与西部和东北地区联系一般;中部地区则主要表现出与东部和西部地区较强的连接状态,与东北地区的联系相对较少;而东北地区与西部地区之间受地域阻隔和距离衰减作用的影响,交通碳排放效率联系较弱。从地区内外密度对比来看,中部和东北部自身密度值要高于其与其他区域之间的交通碳排放效率联系密度,这也表明这两个地区在局部上形成了“凝聚子群”。区域分布在增强自身内部间低碳交通联动的同时,也弱化了与区域外部省份的联动,从而影响中国低碳交通发展的协调与合作。

2.4  个体网络结构特征

为考察各省份在交通碳排放效率空间关联网络中的地位和作用,作者对中国30个省份交通碳排放效率的中心度进行测度,结果如图3所示。从度数中心度来看,上海、北京、江苏、浙江、广东和天津等省份相对较大,表明这些省份在交通碳排放效率空间关联网络中与其他省份的空间关联关系较多,在交通碳排放效率空间关联网络中处于核心主导地位。原因在于,这些省份基本位于中国东部经济发达地区,交通网络相对较为完善,与其他省份进行低碳交通发展交流的阻碍较少;加之其交通碳排放效率水平较高,在交通碳排放效率空间关联网络中能够通过低碳交通资本、人才等资源要素优势产生的“虹吸效应”,以及低碳技术的溢出效应,与其他省份保持较为紧密的联系。广西、海南、辽宁、宁夏、黑龙江、吉林、青海和新疆等省份的度数中心度较低,说明这些省份与其他省份间交通碳排放效率的关联关系相对较少,处于关联网络的边缘位置,需进一步加强与其他省份的低碳交通合作,以增加中国交通碳排放效率的溢出渠道。

从中介中心度来看,研究期间中介中心度居于第一梯度的省份主要有上海、北京、天津、浙江、江苏等,表明这些省份在交通碳排放效率空间关联网络中扮演着“中介”和“桥梁”的角色,对低碳交通发展所需的人才、资金和技术等资源要素的流动具有较强的支配力和掌控力,在交通碳排放效率关联网络中处于枢纽地位。辽宁、青海、云南、吉林、山西、黑龙江、广西、海南、宁夏、新疆等16个省份的中介中心度处于第三梯队,说明这些省份在交通碳排放效率空间关联网络中处于“被支配”的边缘地位,对网络关联关系的控制和影响能力较弱。从接近中心度来看,上海、北京、江苏、浙江、广东、天津等6个省份的接近中心度相对较高,说明这些省份的交通碳排放效率不易受到其他省份的控制,在省际交通碳排放效率空间关联网络中起到引领作用,扮演着“中心行动者”的角色。广西、宁夏、甘肃、吉林、青海、黑龙江、新疆等8个省份的接近中心度相对较低,表明这些省份在网络中获得低碳交通发展技术和资源的能力较弱,同时受其他省份交通碳排放效率的带动作用不明显,处于省际交通碳排放效率空间关联网络“边缘行动者”的位置。其原因主要是,这些省份多分布于西部和东北地区,因地理位置较偏,经济发展相对迟缓,交通基础设施不健全等原因,与其他省份之间的交通碳排放效

率空间关联相对薄弱,难以对其他省份的交通碳排放效率产生影响。

综合来看,与黄杰[42]有关中国能源环境效率空间关联网络结构研究的结果类似,中国省域交通碳排放效率空间关联网络表现出明显的马太效应。其中,上海、北京、浙江、广东、江苏、天津等发达省份各项指标均较为突出,对低碳交通发展所需资源要素的掌控与支配作用较强,处于关联网络的中心位置。东北、西北等偏远省份网络中心度普遍较低,获取低碳交通发展资源的能力偏弱,位于关联网络的边缘位置。

3 中国省域交通碳排放效率空间关联网络的影响因素

3.1 模型设定与变量说明

由于本研究采用的是关系数据,变量间可能存在多重共线性现象,如果采用常规计量方法分析其空间关联网络的影响因素可能会导致估计结果出现偏差。而社会网络分析方法中的QAP分析是一种通过对不同矩阵数据进行置换比较来探究矩阵间关系的非参数方法,无须假设解释变量间相互独立,可以有效地解决关系数据的内生性问题[43]。因此,采用QAP方法来探究影响中国交通碳排放效率空间关联网络的因素。既有研究[5,26,44]认为,收入水平、交通运输强度、交通运输结构、能源消费结构、节能技术水平和政府管理措施等因素对交通碳排放效率产生重要影响,而刘华军等[45]和潘文卿[46]等则指出区域差异是影响空间关联紧密程度的重要原因。此外,李婧等[47]认为邻近省份之间更易发生创新效率的空间溢出。因此,选取省份距离、经济发展水平差异、交通运输强度差异、交通运输结构差异、节能技术水平差异、运输能源结构差异、环境规制差异等7个因素来解释中国省域交通碳排放效率空间关联网络结构的形成。相应地,各指标分别选择省会城市地理距离、人均GDP差异、交通运输综合换算周转量与各省份生产总值的比值差异、航空运输和公路运输周转量占总周转量比重差异、交通运输能源强度倒数差异、汽油和柴油消耗量占交通总能耗的比重差异和污染治理投资占GDP比重差异来衡量。据此,构建模型为:

Q=f(TD,EL,TI,TS,ET,ES,ER)   (3)

式中,Q表示中国省域交通碳排放效率空间关联矩阵,TD为省份距离,EL、TI、TS、ET、ES、ER分别表示经济发展水平差异、交通运输强度差异、交通运输结构差异、节能技术水平差异、交通能源结构差异和环境规制差异。除Q外,其余指标数据均是由2003—2018年各省份对应指标值均值的绝对差值建立的差异矩阵。同时,为消除量纲对计算精度的影响,对所有差值矩阵进行极差标准化处理。

3.2  QAP相关性分析

采用基于二次指派程序的QAP方法对各影响因素与中国省域交通碳排放效率空间关联结构之间的相关性系数进行测算(表2)。由表2可见,省份距离、经济发展水平差异、交通运输强度差异、交通运输结构差异、节能技术水平差异等5个影响因素的相关系数均通过1%的显著水平检验,说明这5种因素均显著影响中国省域交通碳排放效率空间关联网络结构的形成。其中,省份距离、经济发展水平差异、交通运输强度差异和交通运输结构差異的相关系数为负,表明它们与中国省域交通碳排放效率空间关联之间呈负相关关系。节能技术水平差异的相关系数为正,说明节能技术差异有利于交通碳排放效率空间关联网络的形成。环境规制差异和交通能源结构差异的相关系数为正但不显著,说明其省际差异作用不明显。

3.3 QAP回归分析

为了避免自变量之间的多重共线性对回归结果造成的偏差,故借助UCINET软件,并将随机置换次数设置为10 000次,对中国省域交通碳排放效率空间关联的影响因素模型进行QAP回归分析,回归结果见表2。由表

2可知,调整后的可决系数为0.387,表明省份距离、经济发展水平差异、交通运输强度差异、交通运输结构差异、节能技术水平差异、交通能源结构差异和环境规制差异等7个因素大约可以解释中国省域交通碳排放效率空间关联效应的38.7%。这可能是由于省份间交通碳排放效率空间关联关系涉及因素较多,其他如省份间商贸联系强度、政府政策、地形地貌等对其影响较大的因素尚未考虑进来。后续研究有待进一步挖掘其它可能的影响因素,以更全面地掌握省份间交通碳排放效率空间关联关系的影响机制。

具体来看,省份距离的回归系数显著为负,表明地理距离增大会显著阻碍中国省域交通碳排放效率空间关联关系的形成,这主要是因为地理距离增加会使得低碳交通资源要素在省份间的传导和溢出费用增加,进而影响省份之间交通碳排放效率的空间关联程度。经济发展水平差异系数在5%水平上显著为负,说明经济发展差距的缩小有利于省际间交通碳排放效率空间联系的形成,原因主要是在市场机制的作用下,资源要素的流动更容易发生在经济发展水平相近的地区间[42,48]。从另一个角度看,各省之间经济发展差距的缩小是落后省份快速发展的结果,在此期间,其交通基础设施逐步完善,省与省之间的时空距离逐步缩短,运输成本逐渐下降,更完善的交通网络和更便捷的信息流通可以促进更多的低碳交通交流与合作。交通运输强度差异和交通运输结构差异分别在1%和5%的水平上显著为负,说明相似的交通运输强度和相仿的交通运输结构有助于省份间低碳交通发展的交流与合作。这主要是因为,相似的交通运输强度和结构意味着这些省份的交通发展大致处于相同的阶段,对低碳交通发展所需资源要素具有相似的需求,进而可以促进其交通碳排放效率空间关联关系的形成。节能技术水平差异矩阵的回归系数在1%的水平上显著为正,这意味着节能技术差异越大的省份之间越易发生交通碳排放效率的空间关联。究其原因,主要是节能技术差异的扩大加剧了各省之间低碳交通资源开发水平和人力资本等方面的差距,从而容易导致跨区域低碳交通资源的溢出与吸收。此外,为了协调区域发展,近年来中国政府鼓励技术水平较高省份和较低省份之间科技人员和服务的交流与贸易,这也进一步促进了省份间的低碳交通联系。环境规制差异和交通能源结构差异的回归系数为正但不显著(P>0.1),表明其省际差异尚不能显著影响中国交通碳排放效率空间关联网络的形成。这可能是因为,当前中国交通运输业汽油、柴油的刚性需求较大,能源结构较稳定;同时,环境规制主要作用于工业,交通运输行业的环境规制普遍较弱,省份间交通业环境规制差异不大,进而削弱了其对中国省域交通碳排放效率空间关联关系的影响作用。

4  结论与讨论

4.1 结论与启示

在利用基于理想决策单元参照的交叉效率模型对2003—2018年中国省域交通碳排放效率进行科学测度的基础上,运用VAR模型构建交通碳排放效率的空间关联矩阵,并采用社会网络分析法深入探究中国省域交通碳排放效率空间关联网络的结构特征及其影响因素,得到以下结论及启示。

(1) 从整体网络结构特征来看,研究期间中国省域交通碳排放效率已突破传统的地理空间限制,表现出较为复杂的、多线程的网络关联关系,但其网络关联数与最大可能网络关系数仍相距甚远,网络关联结构较为疏松。同时,空间关联网络存在一定的等级梯度,呈现出“东密西疏”的特征,提高网络的紧密度、降低网络的等级度是实现中国交通低碳可持续发展的攻坚内容。这一发现进一步佐证了新的区域主义提倡的区域一体化和协调发展的观点,同时也为中国制定长期稳定的跨区域交通协同减排政策提供了科学依据。

(2) 从区域网络特征来看,中国交通碳排放效率关联关系主要发生在东、中、西、东北区域内部,四大区域间低碳交通协同合作相对较弱,在空间上形成了以区域为边界的“条块分割”,派系结构较为明显。同时,交通碳排放效率空间关联网络密度呈东北-中部-东部-西部递减的态势。具体来看,东部地区与中部地区联系较为紧密,与西部和东北地区联系一般;中部地区则主要表现出与东部和西部地区较强的连接状态,与东北地区的联系相对较少;而东北地区与西部地区之间受地域阻隔和距离衰减作用的影响,交通碳排放效率联系较弱。

(3) 从网络个体特征来看,中国省域交通碳排放效率空间关联网络表现出显著的马太效应。上海、北京、浙江、广东、江苏、天津等发达省份在交通碳排放效率关联网络中处于主导地位,对交通碳排放效率发展所需资源要素的掌控与支配作用较强;黑龙江、吉林、新疆、青海等东北和西北偏远省份获取低碳交通发展资源的能力偏弱,位于关联网络的边缘位置,在低碳交通发展合作中处于被动地位。

(4) QAP分析结果表明,省份距离、经济发展水平差异、交通运输强度差异和交通运输结构差异对中国省域交通碳排放效率空间关联网络结构产生显著的负向影响;节能技术水平差异则产生显著的正向影响,而交通能源结构差异和环境规制差异的回归系数为正但不显著,其响应机制和响应效果仍有待完善和增强。

根据研究结果,结合中国交通碳排放效率发展实际及《交通强国建设纲要》要求,对中国未来低碳交通发展提出如下建议: ①政府在制定交通碳减排相关政策时,应注意各省份之间交通碳排放效率在空间上的联系,建立和完善区域交通减排的协同机制,实行跨区域合作。同时,促进省份间尤其是西部省份低碳交通技术、人才等资源交流与合作,以创造更多交通碳排放效率关联通道,进一步加强交通碳排放效率空间关联网络的稳定性,弱化网络结构的梯度差异。②注重加强四大区域间尤其是东北地区和西部地区的低碳交通资源要素的联系,推动各区域间交通碳排放效率的区域联动和协同提升,打破区域间的条块分割。同时,进一步强化东部地区尤其是其南北方向上的省际低碳交通联系,增加东部地区交通碳排放效率关联密度。③交通碳排放效率的协同提升应优先考虑上海、北京、浙江、广东、江苏等在网络中处于主导地位的省份。同时,积极采取措施提高处于网络边缘地位的省份的交通碳排放效率,加强网络核心省份与边缘省份之间低碳交通资源要素的互联互通,打破交通碳排放效率的马太效应,推动中国低碳交通的区域均衡与协调发展。④加快交通基础设施的完善和发展,不断缩小各省份的时间距离和交通运输结构等方面的差距,重点关注地理距离短且经济发展差异较小以及节能技术差异较大的省份间交通碳排放效率的协作提升,以促进中国交通碳排放效率的整体提高。

4.2 讨论与展望

需要指出的是,本研究仍存在如下不足:其一,由于无法获得中国各城市交通碳排放的数据,仅从省份层面研究了交通碳排放效率的空间关联特征及其影响因素,研究结果较为粗略,未来有待进一步深入挖掘数据,以细化研究结果,提高研究的应用价值。其二,交通碳排放效率网络关联关系受多重因素影响,仅从地理距离、经济发展水平差异、交通运输强度差异、交通运输结构差异、节能技术水平差异、运输能源结构差异、环境规制差异等几个方面甄选出7个影响因素进行考察,具有一定片面性,其他诸如地形地貌、信息化水平等因素需后续进行深入探讨。此外,仅探究了中国省际交通碳排放效率空间关联网络结构影响因素的作用程度及方向,尚不能确定这些因素的影响机制,这亦是今后需持续优化研究的方向。其三,中心度相关指标容易受到位置的影响,其指标测度结果可能带来一定结论误差。后续有待进一步改进指标测度方法,对相关研究结果进行纠偏。

参考文献:

[1]IEA. CO2 emissions from fuel combustion [R]. Paris: IEA, 2018.

[2]COHAN D S, SENGUPTA S. Net greenhouse gas emissions savings from natural gas substitutions in vehicles, furnaces, and power plants[J]. International journal of global warming, 2016,9(2):254-273.

[3]周五七, 聂鸣. 中国工业碳排放效率的区域差异研究:基于非参数前沿的实证分析[J]. 数量经济技术经济研究, 2012, 29(9):58-70,161.

[4]盧建锋, 傅惠, 王小霞. 区域交通运输业碳排放效率影响因素研究[J]. 交通运输系统工程与信息, 2016, 16(2):25-30.

[5]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.

[6]YUAN R Q, TAO X, YANG X L. CO2 emission of urban passenger transportation in China from 2000 to 2014[J]. Advances in climate change research, 2019, 10(1):59-67.

[7]蔣自然, 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.

[8]马静, 柴彦威, 刘志林. 基于居民出行行为的北京市交通碳排放影响机理[J]. 地理学报, 2011, 66(8):1023-1032.

[9] RQUIA W J, KOUTRAKIS P, ROIG H L. Spatial distribution of vehicle emission inventories in the Federal District,Brazil[J]. Atmospheric environment, 2015,112:32-39.

[10] 杨文越, 李涛, 曹小曙. 中国交通CO2排放时空格局演变及其影响因素:基于2000—2012年30个省(市)面板数据的分析[J]. 地理科学, 2016(4): 491-501.

[11]张帅, 袁长伟, 赵小曼.中国交通运输碳排放空间聚类与关联网络结构分析[J]. 经济地理, 2019, 39(1):122-129.

[12]LI X, YU B Y. Peaking CO2 emissions for Chinas urban passenger transport sector[J]. Energy policy, 2019, 133:110913.

[13] LU Q Y, CHAI J, WANG S Y, et al. Potential energy conservation and CO2 emissions reduction related to Chinas road transportation[J]. Journal of cleaner production, 2020, 245:118892.

[14]张宏钧, 王利宁, 陈文颖. 公路与铁路交通碳排放影响因素[J]. 清华大学学报(自然科学版), 2017, 57(4): 443-448.

[15]GUO M Y, MENG J. Exploring the driving factors of carbon dioxide emission from transport sector in Beijing-Tianjin-Hebei region[J]. Journal of cleaner production, 2019, 226:692-705.

[16]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.

[17]HE D, LIU H, HE K, et al. Energy use of, and CO2 emissions from Chinas urban passenger transportation sector-carbon mitigation scen arios upon the transportation mode choices[J]. Transportation research part A: policy and practice, 2013, 53(7):53-67.

[18]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.

[19] HAMPF B, KRUGR J J. Technical efficiency of automobiles:a nonparametric approach incorporating carbon dioxide emissions[J]. Transportation research part D: transport and environment, 2014,33 : 47-62.

[20] HEINOLD A, MEISEL F. Emission rates of intermodal rail/road and road-only transportation in Europe: a comprehensive simulation study[J].Transportation research part D: transport and environment, 2018, 65:421-437.

[21] WANG Z, XU X, ZHU Y, et al. Evaluation of carbon emission efficiency in Chinas airlines[J]. Journal of cleaner production, 2020, 243:118500.

[22]LIU X,HANG Y,WANG Q W,et al.Drivers of civil aviation carbon emission change:a two-stage efficiency-oriented decomposition approach[J].Transportation research part D:transport and environment,2020,89:102612.

[23]REN J W,GAO B,ZHANG J W,et al.Measuring the energy and carbon emission efficiency of regional transportation systems in China: chance-constrained DEA models[J].Mathematical problems in engineering,2020,2020:1-12.

[24]袁长伟, 乔丹, 杨颖芳, 等. 中国省域交通碳排放强度空间分异与聚类分析[J]. 环境工程, 2018, 36(7):185-190.

[25]GREENING L A, TING M, DAVIS W B. Decomposition of aggregate carbon intensity for freight:trends from 10 OECD countries for the period 1971-1993[J]. Energy economics, 1999, 21(4):331-361.

[26]CUI Q, LI Y. An empirical study on the influencing factors of transportation carbon efficiency: evidences from fifteen countries[J]. Applied energy, 2015, 141:209-217.

[27]馬慧强, 刘嘉乐, 弓志刚. 山西省旅游交通碳排放测度及其演变机理[J]. 经济地理, 2019, 39(4):223-231.

[28]弓媛媛. 武汉市交通碳排放足迹测算及其驱动因素分析[J]. 中国人口·资源与环境, 2015, 25(S1):470-474.

[29]王兆峰, 廖红璐. 基于STIRPAT模型的长株潭城市群交通碳排放的影响因素及其区域差异[J]. 湖南师范大学自然科学学报, 2019, 42(5):1-9,33.

[30]黄晓燕, 刘夏琼, 曹小曙. 广州市三个圈层社区居民通勤碳排放特征:以都府小区、南雅苑小区和丽江花园为例[J]. 地理研究, 2015, 34(4):751-761.

[31]CHANG C C, LIAO Y T, CHANG Y W. Life cycle assessment of carbon footprint in public transportation: a case study of bus route NO.2 in Tainan City, Taiwan[J]. Procedia manufacturing, 2019, 30:388-395.

[32]喻洁, 达亚彬, 欧阳斌. 基于LMDI分解方法的中国交通运输行业碳排放变化分析[J]. 中国公路学报, 2015, 28(10):112-119.

[33]MISHINA Y, MUROMACHI Y. Are potential reductions in CO2 emissions via hybrid electric vehicles actualized in real traffic: the case of Japan[J]. Transportation research part D: transport and environment,2017,50:372-384.

[34] LIU P, LIU C, DU J B,et al. A system dynamics model for emissions projection of hinterland transportation[J]. Journal of cleaner production, 2019, 218:591-600.

[35]李春好, 苏航, 佟轶杰, 等. 基于理想决策单元参照求解策略的DEA交叉效率评价模型[J]. 中国管理科学, 2015, 23(2):116-122.

[36] LIU B Q, TIAN C, LI Y Q, et al. Research on the effects of urbanization on carbon emissions efficiency of urban agglomerations in China[J]. Journal of cleaner production, 2018, 197:1374-1381.

[37]刘华军, 何礼伟. 中国省际经济增长的空间关联网络结构:基于非线性Granger因果检验方法的再考察[J]. 财经研究, 2016(2): 97-107.

[38]刘佳, 宋秋月. 中国旅游产业绿色创新效率的空间网络结构与形成机制[J]. 中国人口·资源与环境, 2018, 28 (8) : 127-137.

[39]邵璇璇, 姚永玲. 长江中游城市群的空间网络特征及其影响机制[J]. 城市问题, 2019(10):15-26.

[40] 陈思茹, 张帅, 袁长伟. 中国交通运输经济发展与碳排放效率评价[J]. 中国公路学报, 2019, 32(1):154-161.

[41]李杰伟, 张国庆. 中国交通运输基础设施资本存量及资本回报率估算[J]. 当代财经, 2016(6): 3-14.

[42]黄杰. 中国能源环境效率的空间关联网络结构及其影响因素[J]. 资源科学, 2018, 40(4): 759-772.

[43]WASSERAAN S, FAUST K. Social network analysis: methods and applications[M]. London: Cambridge University Press, 1994: 40-186.

[44] BAI C, ZHOU L, XIA M, et al. Analysis of the spatial association network structure of Chinas transportation carbon emissions and its driving factors[J]. Journal of environmental management, 2020, 253:109765.

[45]刘华军, 刘传明, 孙亚男. 中国能源消费的空间关联网络结构特征及其效应研究[J]. 中国工业经济, 2015 (5): 83-95.

[46]潘文卿. 中国的区域关联与经济增长的空间溢出效应[J]. 经济研究, 2012, 47(1): 54-65.

[47]李婧, 管莉花. 区域创新效率的空间集聚及其地区差异:来自中国的实证[J]. 管理评论, 2014, 26 (8):127-134.

[48]孔艳芳.城镇化是否缩小了中国城乡收入差距:基于直接影响与空间溢出效应的经验论证[J].山東财经大学学报,2019,31 (4):87-98.

Spatial network structure of transportation carbon emissions

efficiency in China and its influencing factors

SHAO Haiqin WANG Zhaofeng

(School of Tourism, Hunan Normal University, Changsha Hunan 410081, China)

Abstract Grasping the spatial correlation structure of transportation carbon emissions efficiency and its influencing factors is of great significance for the promotion of high-quality and coordinated development of the transportation industry and even that of relevant region. Based on the ideal point cross efficiency (IPCE) model, this paper used the social network analysis method to explore the spatial correlation network structure of Chinas provincial transportation carbon emissions efficiency and its influencing factors. The results showed that: ① During the study period, Chinas provincial transportation carbon emissions efficiency formed a complex and multi-threaded network association relationship, but its network association structure was still relatively loose, and presented the hierarchical gradient characteristics of ‘dense in the East while sparse in the West. ② The correlation of Chinas transportation carbon emissions efficiency formed a ‘block segmentation based on the regional boundaries, and its factional structure was relatively obvious. Among them, the eastern region was closely connected with the central region, and generally connected with the western region and the northeastern region; the central region was mainly connected with the eastern region and the western region, and relatively less connected with the northeastern region; while the northeastern region was weakly connected with the western region. ③ Shanghai, Beijing, Zhejiang, Guangdong, Jiangsu, Tianjin and other developed provinces were in the core leading position in the transportation carbon emissions efficiency network, which had a significant impact on the spatial correlation of transportation carbon emissions efficiency. However, Heilongjiang, Jilin, Xinjiang, Qinghai and other remote provinces in the northeast and northwest were in the absolute edge of the network, which had a weak impact on the spatial correlation of transportation carbon emissions efficiency. ④ Provincial distance, economic development level difference, transportation intensity difference and transportation structure difference had significant negative impact on the spatial correlation network of Chinas provincial transportation carbon emissions efficiency, and energy saving technology level difference had significant positive impact on it, while the regression coefficients of transportation energy structure difference and environmental regulation difference were positive but not significant; their response mechanism and effects need to be improved and enhanced.

Key words transportation carbon emissions efficiency; spatial network structure; influencing factor; social network analysis

(责任编辑:刘照胜)

收稿日期:2020-05-06  修回日期:2020-09-14

作者简介:邵海琴,博士生,主要研究方向为低碳经济、旅游地理。E-mail:15974242503@163.com。

通信作者:王兆峰,博士,教授,博导,主要研究方向为旅游地理。E-mail:jdwzf@126.com。

基金项目:国家自然科学基金项目“城际交通与都市圈旅游空间格局协同演化机制研究”(批准号:41771162);湖南省国内一流培育学科建设项目“地理学”(批准号:5010002)。

猜你喜欢
社会网络分析影响因素
国内图书馆嵌入式服务研究主题分析
展会品牌利益相关者的构成及其网络结构研究
境外公益旅游研究进展与启示
新浪微博娱乐明星的社会网络分析
突发事件下应急物资保障能力影响因素研究
基于社会网络分析的我国微课研究探析
农业生产性服务业需求影响因素分析
村级发展互助资金组织的运行效率研究
基于系统论的煤层瓦斯压力测定影响因素分析