中國交通碳排放效率的空間關聯網絡結構及其影響因素

邵海琴 王兆峰

摘要 準確把握交通碳排放效率空間關聯結構及其影響因素對促進交通運輸業乃至區域高質量協調發展具有重要意義。在利用基于理想決策單元參照的交叉效率模型對中國省域交通碳排放效率進行科學測度的基礎上，運用社會網絡分析法探究中國省域交通碳排放效率的空間關聯網絡結構及其影響因素。研究表明： ①研究期間中國省域交通碳排放效率已形成較為復雜的、多線程的網絡關聯關系，但其網絡關聯結構仍較疏松，且呈現出“東密西疏”的等級梯度特征。②中國交通碳排放效率關聯關系在空間上形成了以區域為邊界的“條塊分割”，派系結構較為明顯。其中，東部地區與中部地區聯系較為緊密，與西部和東北地區聯系一般;中部地區則主要表現出與東部和西部地區較強的連接狀態，與東北地區的聯系相對較少;而東北地區與西部地區的聯系較弱。③上海、北京、浙江、廣東、江蘇、天津等發達省份在交通碳排放效率關聯網絡中處于核心主導地位，對交通碳排放效率空間關聯性的影響顯著;而黑龍江、吉林、新疆、青海等東北和西北偏遠省份在網絡中則處于絕對邊緣位置，對交通碳排放效率空間關聯性的影響較弱。④省區距離、經濟發展水平差異、交通運輸強度差異和交通運輸結構差異對中國省域交通碳排放效率空間關聯網絡產生顯著負向影響;節能技術水平差異則對其產生顯著正向影響，而交通能源結構差異和環境規制差異的回歸系數為正但不顯著，其響應機制和響應效果仍有待完善和增強。

關鍵詞 交通碳排放效率;空間網絡結構;影響因素;社會網絡分析

中圖分類號? X322;F512? 文獻標識碼 A? 文章編號 1002-2104（2021）04-0032-10? DOI：10.12062/cpre.20200917

全球氣候變暖已成為制約經濟社會可持續發展的重要障礙，如何有效控制與降低以二氧化碳為主的溫室氣體排放成為擺在人類面前的重大課題。作為國民經濟和社會發展的基礎載體和戰略先導產業，交通運輸業是重要的碳排放來源，其行業碳排放量約占全社會碳排放總量的24.34%，是實現減排目標的關鍵產業[1-2]。2019年國務院印發的《交通強國建設綱要》明確提出，要推動交通發展由追求速度規模向注重質量效益轉變，并對低碳交通發展提出新的要求。碳排放效率是評估低碳經濟發展水平的重要指標之一，其本質上是考慮了碳排放的生產技術效率，可以反映生產活動的能源利用效率。提高交通碳排放效率是交通碳減排的重要途徑[3-4]。隨著網絡化交通體系的逐漸形成和互聯網信息技術的不斷發展，以及區域經濟一體化進程的不斷推進，交通運輸業生產要素之間的空間聯系越來越緊密，地區間交通碳排放效率也呈現出顯著的空間相關性[5]。因此，從網絡關聯視角考察中國交通碳排放效率的空間關聯結構及其影響因素，甄別各地區交通碳排放效率在空間關聯網絡中的地位和作用，對經濟新常態下構建跨區域交通碳排放效率協同提升機制，制定兼顧針對性和區域化的交通碳減排政策具有重要的理論意義和應用價值。

隨著交通碳排放問題的日益嚴峻，學者們開始針對交通碳排放相關問題進行研究，研究涵蓋了不同尺度交通碳排放的測算[6-8]、空間分布異質性[9-10]和空間聚集與收斂性[11]等空間特性分析、交通碳排放峰值預測[12]及減排潛力分析[13]、影響因素探究[14-16]、交通減排政策及情景模擬分析[17-18]等多方面內容。此外，部分學者從效率角度對公路[19]、鐵路[20]、航空[21-22]等不同交通方式以及整體交通運輸部門[23]的碳排放績效及其影響因素進行了測度與分析。其中，有關交通碳排放效率的測度指標主要包括單位交通運輸行業增加值的碳排放量[24]和單位運輸周轉量的碳排放量[25]等單要素指標，以及基于DEA方法的全要素交通碳排放效率指標[5];而交通碳排放效率影響因素指標則主要包括收入水平、能源消費結構、交通運輸結構、交通運輸強度、節能技術水平和政府管理措施等[5，26]。研究尺度涉及國家[10]、經濟帶[7]、省（市）區[27-28]、城市群[29]、社區[30]等。研究方法主要有生命周期法[31]、數據包絡分析法（DEA）[26]、計量經濟學方法[5]、對數平均分解指數（LMDI）[32]、拉斯佩爾指數（Laspeyres Index）[33]、系統動力學模型[34]、STIRPAT模型[29]等。

綜合來看，目前學術界對交通碳排放問題的研究成果較為豐富，但有關交通碳排放效率的研究仍有待進一步補充和完善。首先，現有文獻大多采用傳統的基于自我評估體系的DEA模型測量交通碳排放效率，容易形成夸大自身優勢，造成效率虛高的結果;其次，已有交通碳排放效率的研究多基于“屬性數據”，忽略了對關系數據的考察和應用;最后，目前針對交通碳排放效率空間效應的研究往往僅停留于探究相鄰或相近地區交通碳排放效率的空間關系，其研究結果較為“局部”，難以從全局上勾勒出網絡化社會背景下，各地區交通碳排放效率復雜的空間關聯等級結構和嵌套關系。鑒于此，作者利用同時考慮自評和他評體系的基于理想決策單元參照的交叉效率（ideal point cross efficiency，簡稱IPCE）模型來衡量交通碳排放效率，以避免人為地提高效率并獲得準確的效率排名。同時，基于交通碳排放效率“關系數據”，利用社會網絡分析法從全局網絡視角考察中國交通碳排放效率的空間關聯網絡結構，并進一步探究其影響因素，以期有效補充交通碳排放效率的空間關系研究，為充分發揮中國交通碳排放效率的空間溢出效應，推動跨區域交通碳減排協同機制建設，實現交通高質量發展提供有益的政策啟示。

1? 研究方法與數據來源

1.1? 研究方法

1.1.1 IPCE模型

交叉效率DEA方法是一種基于互評體系的效率評價方法，主要包括中立型、激進型、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模型可以更好地堅持DEA最有利于被評價決策單元的基本思想，同時能規避決策者策略選擇的困境，具有一定的公平性與綜合性。因此，作者參照Liu等[36]的研究，選用基于理想決策單元參照的交叉效率模型對2003—2018年中國省域交通碳排放效率進行測度。假設將理想決策單元（DUMh）定義為使用投入向量Xh獲得產出向量Yh的決策單元，其中：Xh=（min（x1j），…，min（xmj））=（x1h，…，xmh），

Yh=（max（y1j），…，max（ysj））=（y1h，…，ysh），則基于理想決策單元參照的交叉效率模型可以表示為：

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基于理想決策單元參照的交通碳排放效率值，主要借助Matlab 2016a軟件進行測度;m為投入變量（xi）的個數，s為產出變量（yr）的個數，n為決策單元數量，μrd為相對于DUMd的第r種產出的虛擬權重;wid為相對于DUMd的第i種投入的虛擬權重;E*dd為基于CCR模型測算的DUMd自評效率;

∑sr=1μrdyrd

和 ∑mi=1widxid分別為DUMd的虛擬產出和虛擬投入。

1.1.2 VAR模型

關系的確定既是構建空間關聯網絡的基礎，也是確定省域交通碳排放效率空間關聯網絡結構特征的關鍵。現有研究主要采用VAR Granger因果檢驗方法和引力模型來確定節點間的關聯關系。由于VAR框架下的Granger因果檢驗無須過多先驗約束，即可得到一組變量能否提高另一組變量預測能力的信息[37]，因此，選擇VAR Granger因果檢驗方法來確定中國省域交通碳排放效率之間的關聯關系。具體步驟如下：①定義兩個省份的交通碳排放效率時間序列分別為{xt}和{yt};②構造兩個VAR模型來檢驗兩省份間的交通碳排放效率是否存在Granger因果關系：

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）為待估參數;{εi，t}（i = 1， 2）為殘差項;m、n、p、q為自回歸項的滯后階數，根據LR、PRE、AIC、SC、HQ五種方法選取最優滯后階數。如果檢驗結果為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，則表示A省份交通碳排放效率對B省份交通碳排放效率存在顯著的空間關聯效應，取值為1;反之，則表明兩者不存在關聯關系，取值為0。由此類推構建中國30個省份（因數據可得性等原因，研究不包括港澳臺和西藏）交通碳排放效率空間關聯的二值矩陣。

1.1.3 社會網絡分析法

社會網絡分析法（Social Network Analysis，簡稱SNA）是一種研究網絡成員之間關聯關系的重要研究范式，主要通過對網絡成員關系的分析，反映網絡成員之間的關聯結構及其屬性特征，可以有效彌補單純個體研究、屬性研究以及傳統計量研究的缺陷[38-39]，已在心理學、經濟學、管理學、社會學等諸多領域中得到廣泛應用。利用該方法中的網絡關聯度、網絡密度、網絡效率和網絡等級度四個指標來考察中國交通碳排放效率空間關聯網絡的整體特征，運用E-I分派指數探究其空間關聯網絡的區域網絡關聯特征，采用中心度指標分析各省份在交通碳排放效率關聯網絡中的角色和地位，并借助二次指派程序（Quadratic Assignment Procedure，QAP）對中國交通碳排放效率空間關聯網絡的影響因素進行探究，具體指標測算方法見文獻[39]。

1.2? 指標選取與數據來源

由于西藏、香港、澳門及臺灣數據缺失較多，故選取除該四省區以外的中國30個省份為研究單元。借鑒陳思茹等[40]的研究，選取交通運輸業從業人員數、能源消耗量、資本存量作為交通碳排放效率投入指標。其中，交通運輸能源消耗量采用標準煤系數將交通運輸業煤炭、汽油、柴油、天然氣等8種主要能源的消耗量統一折合成標準煤表示;交通運輸資本存量參考李杰偉等[41]的研究，采用永續盤存法進行估算。在交通碳排放效率產出指標方面，選取交通運輸產業增加值、交通運輸綜合換算周轉量和交通運輸CO2排放量作為產出要素。其中，交通運輸CO2排放量為非期望產出，根據運輸行業中的主要燃料（煤炭、柴油、汽油、煤油、燃料油、天然氣、液化石油氣、電力等）和《2006年IPCC國家溫室氣體清單指南》通過等式計算得到。相關數據來源于《中國統計年鑒》《中國交通年鑒》《中國能源統計年鑒》《中國環境年鑒》以及國家統計局數據庫（http：//data.stats.gov.cn/），省會城市之間的地理距離用ArcGIS計算而得。

2 中國省域交通碳排放效率的空間關聯網絡特征

2.1 空間分布格局

為考察中國交通碳排放效率的空間分布格局，運用Matlab 2016a軟件刻畫了2003—2018年度中國交通碳排放效率的空間分布趨勢（圖1）。由圖1可知，中國省際交通碳排放效率在空間上存在顯著的區域差異，呈現出明顯的非均衡分布特征。具體來看，在東西方向上，擬合曲線整體呈現出“東部凸起-中部隆起-西部塌陷”狀，表明研究期間中國東部地區交通碳排放效率整體要高于中部和西部地區;在南北方向上，擬合曲線呈現出北凸南凹的“S”型，表明研究期間北部地區交通碳排放效率整體要高于南部地區。從擬合曲面來看，2003—2018年中國省域交通碳排放效率呈“東部凸起-西部凹陷-尾部翹起”的波浪型，表明該時期中國省域交通碳排放效率整體呈現出東高西低的空間分布格局。但西部部分省份如新疆的交通碳排放效率要略高于其周邊地區，這主要是因為東部地區經濟條件優越，低碳技術與創新水平相對較高;同時，交通基礎設施發展較為完善，從而擁有較高的交通碳排放效率。而新疆則由于嚴酷的氣候和地形條件影響，交通站點網絡密度較低，交通人力資源投入相對較少;同時，隨著“一帶一路”倡議的深入實施，其派生的過境、中轉等客貨運輸需求規模擴大，使得交通產出/投入綜合水平相對周邊地區略高，進而使得交通碳排放效率水平相對周邊地區略高。

2.2 整體網絡結構特征

為了直觀展示中國交通碳排放效率空間關聯網絡的結構形態，作者對2003—2018年中國省域交通碳排放效率的空間關聯網絡進行了可視化（圖2）。由圖2可知，中國省域交通碳排放效率空間關聯網絡結構呈現“東密西疏”特征，且其空間關聯已經突破傳統的地理空間限制，不再囿于對其鄰近省份的交通碳排放效率產生溢出效應，同時也與其非鄰近省份發生空間關聯，表現出較為復雜的、多線程的空間網絡關聯關系。因此，要有效實現中國交通碳排放效率的整體提高，必須實施區域合作的方法。具體來看，上海、北京、浙江、江蘇和廣東等省份交通碳排放效率的關聯關系顯著高于其他省份，這主要是由于這些地區交通資本、人才等基礎條件較好，綠色創新能力較強，同時交通基礎設施相對較為完善，更有利于低碳交通運輸產業的交流與合作。樣本考察期內中國省域交通碳排放效率空間關聯關系總數為275，與最大可能網絡關系數（870個）還存在較大的差距，說明中國省域交通碳排放效率尚未達到最佳空間關聯狀態，其空間關聯網絡的穩定性還有待進一步提升。因此，應進一步深化省份之間低碳交通合作，加強省域間交通運輸產業資源要素的空間優化配置。

從網絡關聯度、網絡等級度、網絡效率和網絡密度四方面來看： ①網絡關聯度。研究期間中國省域交通碳排放效率空間網絡關聯度為1，說明其空間關聯網絡結構具有較好的聯通性和穩健性，所有省份均處于中國省域交通碳排放效率空間關聯網絡當中，不存在脫離網絡的孤立省份，網絡空間溢出效應明顯。②網絡等級度。研究期間中國省域交通碳排放效率關聯網絡等級度為0.313，說明中國省際交通碳排放效率空間關聯網絡存在一定的等級梯度特征，網絡結構有待進一步優化。③網絡效率。研究期間中國省域交通碳排放效率關聯網絡效率為0.717，說明其關聯網絡中具有較多冗余關系數，存在多重疊加的溢出渠道。④網絡密度。研究期間中國省域交通碳排放效率整體關聯網絡密度僅為0.316，說明在樣本考察期內中國省際交通碳排放效率的空間關聯關系的緊密程度并不高，網絡結構相對松散，交通碳排放效率的空間合作和互動有待增強。需要指出的是，交通碳排放效率空間關聯網絡密度過高可能會導致低碳交通生產要素在省份之間的傳導費用提升，因此，在推動省份之間低碳交通資源要素交流合作的同時，須注意保持適宜的網絡密度，以達到理想的交通碳排放效率協同提升效果。

總體而言，中國省域交通碳排放效率關聯網絡中存在顯著的空間關聯與溢出路徑，協同發展現象明顯，已形成較穩定的交通碳排放效率關聯網絡，但其網絡結構較為疏松，且存在一定網絡等級梯度特征。提高網絡的緊密度、降低網絡的等級度是實現中國交通低碳可持續發展的攻堅內容。

2.3? 區域網絡結構特征

為深入探析中國交通碳排放效率關聯網絡發展區域差異狀況以及各區域之間交通碳排放效率的空間關聯關系，采用參考文獻[3]的思路，將中國30個省份按區域屬性劃分為東部地區、中部地區、西部地區、東北地區4個板塊，借助E-I分派指數，以四大板塊為單元計算得到中國交通碳排放效率關聯網絡E-I指數及密度矩陣（表1）。

2003—2018年中國交通碳排放效率關聯網絡的E-I指數為0.409，離理想值“1”差距較大，表明中國交通碳排放效率關聯網絡存在著一定區域封閉性。交通碳排放效率關聯關系主要發生在東、中、西、東北區域內部。四大區域間低碳交通協同合作不強，在空間上形成了以區域為邊界的“條塊分割”，派系結構較為明顯。這種局面不利于中國區域間的低碳交通交流與合作，并阻礙中國低碳交通的整體發展。究其原因，可能與中國四大區域低碳交通發展基礎及政策差異對區域交通碳排放效率的雙重作用有關。從地區密度來看，中國地區交通碳排放效率空間關聯網絡密度呈東北-中部-東部-西部遞減的態勢。東北地區交通碳排放效率網絡密度最大，達到了0.667，表明其省份間低碳交通發展資源聯系較為頻繁，低碳交通合作規模較大。東部地區密度為0.436，可能是受制于南北跨度

較大及政策差異導致南北省份間低碳交通發展的聯系相對較少，進而降低了區域交通碳排放效率的空間關聯網絡密度。西部地區密度僅為0.400，受限于經濟發展和自然環境的影響，西部地區成為低碳交通網絡發展中的谷地，有待于進一步的發展。從區域間的聯系來看，東部地區與中部地區聯系較為緊密，與西部和東北地區聯系一般;中部地區則主要表現出與東部和西部地區較強的連接狀態，與東北地區的聯系相對較少;而東北地區與西部地區之間受地域阻隔和距離衰減作用的影響，交通碳排放效率聯系較弱。從地區內外密度對比來看，中部和東北部自身密度值要高于其與其他區域之間的交通碳排放效率聯系密度，這也表明這兩個地區在局部上形成了“凝聚子群”。區域分布在增強自身內部間低碳交通聯動的同時，也弱化了與區域外部省份的聯動，從而影響中國低碳交通發展的協調與合作。

2.4? 個體網絡結構特征

為考察各省份在交通碳排放效率空間關聯網絡中的地位和作用，作者對中國30個省份交通碳排放效率的中心度進行測度，結果如圖3所示。從度數中心度來看，上海、北京、江蘇、浙江、廣東和天津等省份相對較大，表明這些省份在交通碳排放效率空間關聯網絡中與其他省份的空間關聯關系較多，在交通碳排放效率空間關聯網絡中處于核心主導地位。原因在于，這些省份基本位于中國東部經濟發達地區，交通網絡相對較為完善，與其他省份進行低碳交通發展交流的阻礙較少;加之其交通碳排放效率水平較高，在交通碳排放效率空間關聯網絡中能夠通過低碳交通資本、人才等資源要素優勢產生的“虹吸效應”，以及低碳技術的溢出效應，與其他省份保持較為緊密的聯系。廣西、海南、遼寧、寧夏、黑龍江、吉林、青海和新疆等省份的度數中心度較低，說明這些省份與其他省份間交通碳排放效率的關聯關系相對較少，處于關聯網絡的邊緣位置，需進一步加強與其他省份的低碳交通合作，以增加中國交通碳排放效率的溢出渠道。

從中介中心度來看，研究期間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、江蘇等，表明這些省份在交通碳排放效率空間關聯網絡中扮演著“中介”和“橋梁”的角色，對低碳交通發展所需的人才、資金和技術等資源要素的流動具有較強的支配力和掌控力，在交通碳排放效率關聯網絡中處于樞紐地位。遼寧、青海、云南、吉林、山西、黑龍江、廣西、海南、寧夏、新疆等16個省份的中介中心度處于第三梯隊，說明這些省份在交通碳排放效率空間關聯網絡中處于“被支配”的邊緣地位，對網絡關聯關系的控制和影響能力較弱。從接近中心度來看，上海、北京、江蘇、浙江、廣東、天津等6個省份的接近中心度相對較高，說明這些省份的交通碳排放效率不易受到其他省份的控制，在省際交通碳排放效率空間關聯網絡中起到引領作用，扮演著“中心行動者”的角色。廣西、寧夏、甘肅、吉林、青海、黑龍江、新疆等8個省份的接近中心度相對較低，表明這些省份在網絡中獲得低碳交通發展技術和資源的能力較弱，同時受其他省份交通碳排放效率的帶動作用不明顯，處于省際交通碳排放效率空間關聯網絡“邊緣行動者”的位置。其原因主要是，這些省份多分布于西部和東北地區，因地理位置較偏，經濟發展相對遲緩，交通基礎設施不健全等原因，與其他省份之間的交通碳排放效

率空間關聯相對薄弱，難以對其他省份的交通碳排放效率產生影響。

綜合來看，與黃杰[42]有關中國能源環境效率空間關聯網絡結構研究的結果類似，中國省域交通碳排放效率空間關聯網絡表現出明顯的馬太效應。其中，上海、北京、浙江、廣東、江蘇、天津等發達省份各項指標均較為突出，對低碳交通發展所需資源要素的掌控與支配作用較強，處于關聯網絡的中心位置。東北、西北等偏遠省份網絡中心度普遍較低，獲取低碳交通發展資源的能力偏弱，位于關聯網絡的邊緣位置。

3 中國省域交通碳排放效率空間關聯網絡的影響因素

3.1 模型設定與變量說明

由于本研究采用的是關系數據，變量間可能存在多重共線性現象，如果采用常規計量方法分析其空間關聯網絡的影響因素可能會導致估計結果出現偏差。而社會網絡分析方法中的QAP分析是一種通過對不同矩陣數據進行置換比較來探究矩陣間關系的非參數方法，無須假設解釋變量間相互獨立，可以有效地解決關系數據的內生性問題[43]。因此，采用QAP方法來探究影響中國交通碳排放效率空間關聯網絡的因素。既有研究[5，26，44]認為，收入水平、交通運輸強度、交通運輸結構、能源消費結構、節能技術水平和政府管理措施等因素對交通碳排放效率產生重要影響，而劉華軍等[45]和潘文卿[46]等則指出區域差異是影響空間關聯緊密程度的重要原因。此外，李婧等[47]認為鄰近省份之間更易發生創新效率的空間溢出。因此，選取省份距離、經濟發展水平差異、交通運輸強度差異、交通運輸結構差異、節能技術水平差異、運輸能源結構差異、環境規制差異等7個因素來解釋中國省域交通碳排放效率空間關聯網絡結構的形成。相應地，各指標分別選擇省會城市地理距離、人均GDP差異、交通運輸綜合換算周轉量與各省份生產總值的比值差異、航空運輸和公路運輸周轉量占總周轉量比重差異、交通運輸能源強度倒數差異、汽油和柴油消耗量占交通總能耗的比重差異和污染治理投資占GDP比重差異來衡量。據此，構建模型為：

Q=f（TD，EL，TI，TS，ET，ES，ER）?? （3）

式中，Q表示中國省域交通碳排放效率空間關聯矩陣，TD為省份距離，EL、TI、TS、ET、ES、ER分別表示經濟發展水平差異、交通運輸強度差異、交通運輸結構差異、節能技術水平差異、交通能源結構差異和環境規制差異。除Q外，其余指標數據均是由2003—2018年各省份對應指標值均值的絕對差值建立的差異矩陣。同時，為消除量綱對計算精度的影響，對所有差值矩陣進行極差標準化處理。

3.2? QAP相關性分析

采用基于二次指派程序的QAP方法對各影響因素與中國省域交通碳排放效率空間關聯結構之間的相關性系數進行測算（表2）。由表2可見，省份距離、經濟發展水平差異、交通運輸強度差異、交通運輸結構差異、節能技術水平差異等5個影響因素的相關系數均通過1%的顯著水平檢驗，說明這5種因素均顯著影響中國省域交通碳排放效率空間關聯網絡結構的形成。其中，省份距離、經濟發展水平差異、交通運輸強度差異和交通運輸結構差異的相關系數為負，表明它們與中國省域交通碳排放效率空間關聯之間呈負相關關系。節能技術水平差異的相關系數為正，說明節能技術差異有利于交通碳排放效率空間關聯網絡的形成。環境規制差異和交通能源結構差異的相關系數為正但不顯著，說明其省際差異作用不明顯。

3.3 QAP回歸分析

為了避免自變量之間的多重共線性對回歸結果造成的偏差，故借助UCINET軟件，并將隨機置換次數設置為10 000次，對中國省域交通碳排放效率空間關聯的影響因素模型進行QAP回歸分析，回歸結果見表2。由表

2可知，調整后的可決系數為0.387，表明省份距離、經濟發展水平差異、交通運輸強度差異、交通運輸結構差異、節能技術水平差異、交通能源結構差異和環境規制差異等7個因素大約可以解釋中國省域交通碳排放效率空間關聯效應的38.7%。這可能是由于省份間交通碳排放效率空間關聯關系涉及因素較多，其他如省份間商貿聯系強度、政府政策、地形地貌等對其影響較大的因素尚未考慮進來。后續研究有待進一步挖掘其它可能的影響因素，以更全面地掌握省份間交通碳排放效率空間關聯關系的影響機制。

具體來看，省份距離的回歸系數顯著為負，表明地理距離增大會顯著阻礙中國省域交通碳排放效率空間關聯關系的形成，這主要是因為地理距離增加會使得低碳交通資源要素在省份間的傳導和溢出費用增加，進而影響省份之間交通碳排放效率的空間關聯程度。經濟發展水平差異系數在5%水平上顯著為負，說明經濟發展差距的縮小有利于省際間交通碳排放效率空間聯系的形成，原因主要是在市場機制的作用下，資源要素的流動更容易發生在經濟發展水平相近的地區間[42，48]。從另一個角度看，各省之間經濟發展差距的縮小是落后省份快速發展的結果，在此期間，其交通基礎設施逐步完善，省與省之間的時空距離逐步縮短，運輸成本逐漸下降，更完善的交通網絡和更便捷的信息流通可以促進更多的低碳交通交流與合作。交通運輸強度差異和交通運輸結構差異分別在1%和5%的水平上顯著為負，說明相似的交通運輸強度和相仿的交通運輸結構有助于省份間低碳交通發展的交流與合作。這主要是因為，相似的交通運輸強度和結構意味著這些省份的交通發展大致處于相同的階段，對低碳交通發展所需資源要素具有相似的需求，進而可以促進其交通碳排放效率空間關聯關系的形成。節能技術水平差異矩陣的回歸系數在1%的水平上顯著為正，這意味著節能技術差異越大的省份之間越易發生交通碳排放效率的空間關聯。究其原因，主要是節能技術差異的擴大加劇了各省之間低碳交通資源開發水平和人力資本等方面的差距，從而容易導致跨區域低碳交通資源的溢出與吸收。此外，為了協調區域發展，近年來中國政府鼓勵技術水平較高省份和較低省份之間科技人員和服務的交流與貿易，這也進一步促進了省份間的低碳交通聯系。環境規制差異和交通能源結構差異的回歸系數為正但不顯著（P>0.1），表明其省際差異尚不能顯著影響中國交通碳排放效率空間關聯網絡的形成。這可能是因為，當前中國交通運輸業汽油、柴油的剛性需求較大，能源結構較穩定;同時，環境規制主要作用于工業，交通運輸行業的環境規制普遍較弱，省份間交通業環境規制差異不大，進而削弱了其對中國省域交通碳排放效率空間關聯關系的影響作用。

4? 結論與討論

4.1 結論與啟示

在利用基于理想決策單元參照的交叉效率模型對2003—2018年中國省域交通碳排放效率進行科學測度的基礎上，運用VAR模型構建交通碳排放效率的空間關聯矩陣，并采用社會網絡分析法深入探究中國省域交通碳排放效率空間關聯網絡的結構特征及其影響因素，得到以下結論及啟示。

（1） 從整體網絡結構特征來看，研究期間中國省域交通碳排放效率已突破傳統的地理空間限制，表現出較為復雜的、多線程的網絡關聯關系，但其網絡關聯數與最大可能網絡關系數仍相距甚遠，網絡關聯結構較為疏松。同時，空間關聯網絡存在一定的等級梯度，呈現出“東密西疏”的特征，提高網絡的緊密度、降低網絡的等級度是實現中國交通低碳可持續發展的攻堅內容。這一發現進一步佐證了新的區域主義提倡的區域一體化和協調發展的觀點，同時也為中國制定長期穩定的跨區域交通協同減排政策提供了科學依據。

（2） 從區域網絡特征來看，中國交通碳排放效率關聯關系主要發生在東、中、西、東北區域內部，四大區域間低碳交通協同合作相對較弱，在空間上形成了以區域為邊界的“條塊分割”，派系結構較為明顯。同時，交通碳排放效率空間關聯網絡密度呈東北-中部-東部-西部遞減的態勢。具體來看，東部地區與中部地區聯系較為緊密，與西部和東北地區聯系一般;中部地區則主要表現出與東部和西部地區較強的連接狀態，與東北地區的聯系相對較少;而東北地區與西部地區之間受地域阻隔和距離衰減作用的影響，交通碳排放效率聯系較弱。

（3） 從網絡個體特征來看，中國省域交通碳排放效率空間關聯網絡表現出顯著的馬太效應。上海、北京、浙江、廣東、江蘇、天津等發達省份在交通碳排放效率關聯網絡中處于主導地位，對交通碳排放效率發展所需資源要素的掌控與支配作用較強;黑龍江、吉林、新疆、青海等東北和西北偏遠省份獲取低碳交通發展資源的能力偏弱，位于關聯網絡的邊緣位置，在低碳交通發展合作中處于被動地位。

（4） QAP分析結果表明，省份距離、經濟發展水平差異、交通運輸強度差異和交通運輸結構差異對中國省域交通碳排放效率空間關聯網絡結構產生顯著的負向影響;節能技術水平差異則產生顯著的正向影響，而交通能源結構差異和環境規制差異的回歸系數為正但不顯著，其響應機制和響應效果仍有待完善和增強。

根據研究結果，結合中國交通碳排放效率發展實際及《交通強國建設綱要》要求，對中國未來低碳交通發展提出如下建議： ①政府在制定交通碳減排相關政策時，應注意各省份之間交通碳排放效率在空間上的聯系，建立和完善區域交通減排的協同機制，實行跨區域合作。同時，促進省份間尤其是西部省份低碳交通技術、人才等資源交流與合作，以創造更多交通碳排放效率關聯通道，進一步加強交通碳排放效率空間關聯網絡的穩定性，弱化網絡結構的梯度差異。②注重加強四大區域間尤其是東北地區和西部地區的低碳交通資源要素的聯系，推動各區域間交通碳排放效率的區域聯動和協同提升，打破區域間的條塊分割。同時，進一步強化東部地區尤其是其南北方向上的省際低碳交通聯系，增加東部地區交通碳排放效率關聯密度。③交通碳排放效率的協同提升應優先考慮上海、北京、浙江、廣東、江蘇等在網絡中處于主導地位的省份。同時，積極采取措施提高處于網絡邊緣地位的省份的交通碳排放效率，加強網絡核心省份與邊緣省份之間低碳交通資源要素的互聯互通，打破交通碳排放效率的馬太效應，推動中國低碳交通的區域均衡與協調發展。④加快交通基礎設施的完善和發展，不斷縮小各省份的時間距離和交通運輸結構等方面的差距，重點關注地理距離短且經濟發展差異較小以及節能技術差異較大的省份間交通碳排放效率的協作提升，以促進中國交通碳排放效率的整體提高。

4.2 討論與展望

需要指出的是，本研究仍存在如下不足：其一，由于無法獲得中國各城市交通碳排放的數據，僅從省份層面研究了交通碳排放效率的空間關聯特征及其影響因素，研究結果較為粗略，未來有待進一步深入挖掘數據，以細化研究結果，提高研究的應用價值。其二，交通碳排放效率網絡關聯關系受多重因素影響，僅從地理距離、經濟發展水平差異、交通運輸強度差異、交通運輸結構差異、節能技術水平差異、運輸能源結構差異、環境規制差異等幾個方面甄選出7個影響因素進行考察，具有一定片面性，其他諸如地形地貌、信息化水平等因素需后續進行深入探討。此外，僅探究了中國省際交通碳排放效率空間關聯網絡結構影響因素的作用程度及方向，尚不能確定這些因素的影響機制，這亦是今后需持續優化研究的方向。其三，中心度相關指標容易受到位置的影響，其指標測度結果可能帶來一定結論誤差。后續有待進一步改進指標測度方法，對相關研究結果進行糾偏。

參考文獻：

[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， 聶鳴. 中國工業碳排放效率的區域差異研究：基于非參數前沿的實證分析[J]. 數量經濟技術經濟研究， 2012， 29（9）：58-70，161.

[4]盧建鋒， 傅惠， 王小霞. 區域交通運輸業碳排放效率影響因素研究[J]. 交通運輸系統工程與信息， 2016， 16（2）：25-30.

[5]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.

[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， 金環環， 王成金， 等. 長江經濟帶交通碳排放測度及其效率格局（1985—2016年）[J]. 環境科學， 2020， 41（6）：2972-2980.

[8]馬靜， 柴彥威， 劉志林. 基于居民出行行為的北京市交通碳排放影響機理[J]. 地理學報， 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] 楊文越， 李濤， 曹小曙. 中國交通CO2排放時空格局演變及其影響因素：基于2000—2012年30個省（市）面板數據的分析[J]. 地理科學， 2016（4）： 491-501.

[11]張帥， 袁長偉， 趙小曼.中國交通運輸碳排放空間聚類與關聯網絡結構分析[J]. 經濟地理， 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]張宏鈞， 王利寧， 陳文穎. 公路與鐵路交通碳排放影響因素[J]. 清華大學學報（自然科學版）， 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]曾曉瑩， 邱榮祖， 林丹婷， 等. 中國交通碳排放及影響因素時空異質性[J]. 中國環境科學， 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]張國興， 蘇釗賢. 黃河流域交通運輸碳排放的影響因素分解與情景預測[J]. 管理評論， 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]袁長偉， 喬丹， 楊穎芳， 等. 中國省域交通碳排放強度空間分異與聚類分析[J]. 環境工程， 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]馬慧強， 劉嘉樂， 弓志剛. 山西省旅游交通碳排放測度及其演變機理[J]. 經濟地理， 2019， 39（4）：223-231.

[28]弓媛媛. 武漢市交通碳排放足跡測算及其驅動因素分析[J]. 中國人口·資源與環境， 2015， 25（S1）：470-474.

[29]王兆峰， 廖紅璐. 基于STIRPAT模型的長株潭城市群交通碳排放的影響因素及其區域差異[J]. 湖南師范大學自然科學學報， 2019， 42（5）：1-9，33.

[30]黃曉燕， 劉夏瓊， 曹小曙. 廣州市三個圈層社區居民通勤碳排放特征：以都府小區、南雅苑小區和麗江花園為例[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]喻潔， 達亞彬， 歐陽斌. 基于LMDI分解方法的中國交通運輸行業碳排放變化分析[J]. 中國公路學報， 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， 蘇航， 佟軼杰， 等. 基于理想決策單元參照求解策略的DEA交叉效率評價模型[J]. 中國管理科學， 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]劉華軍， 何禮偉. 中國省際經濟增長的空間關聯網絡結構：基于非線性Granger因果檢驗方法的再考察[J]. 財經研究， 2016（2）： 97-107.

[38]劉佳， 宋秋月. 中國旅游產業綠色創新效率的空間網絡結構與形成機制[J]. 中國人口·資源與環境， 2018， 28 （8） ： 127-137.

[39]邵璇璇， 姚永玲. 長江中游城市群的空間網絡特征及其影響機制[J]. 城市問題， 2019（10）：15-26.

[40] 陳思茹， 張帥， 袁長偉. 中國交通運輸經濟發展與碳排放效率評價[J]. 中國公路學報， 2019， 32（1）：154-161.

[41]李杰偉， 張國慶. 中國交通運輸基礎設施資本存量及資本回報率估算[J]. 當代財經， 2016（6）： 3-14.

[42]黃杰. 中國能源環境效率的空間關聯網絡結構及其影響因素[J]. 資源科學， 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]劉華軍， 劉傳明， 孫亞男. 中國能源消費的空間關聯網絡結構特征及其效應研究[J]. 中國工業經濟， 2015 （5）： 83-95.

[46]潘文卿. 中國的區域關聯與經濟增長的空間溢出效應[J]. 經濟研究， 2012， 47（1）： 54-65.

[47]李婧， 管莉花. 區域創新效率的空間集聚及其地區差異：來自中國的實證[J]. 管理評論， 2014， 26 （8）：127-134.

[48]孔艷芳.城鎮化是否縮小了中國城鄉收入差距：基于直接影響與空間溢出效應的經驗論證[J].山東財經大學學報，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

（責任編輯：劉照勝）

收稿日期：2020-05-06? 修回日期：2020-09-14

作者簡介：邵海琴，博士生，主要研究方向為低碳經濟、旅游地理。E-mail：15974242503@163.com。

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

基金項目：國家自然科學基金項目“城際交通與都市圈旅游空間格局協同演化機制研究”（批準號：41771162）;湖南省國內一流培育學科建設項目“地理學”（批準號：5010002）。