EN中文

资源科学 >

2024 , Vol. 46 >Issue 9: 1737 - 1752

DOI: https://doi.org/10.18402/resci.2024.09.06

能源转型与区域协同发展

中国交通运输碳回弹效应的时空演进特征及机制

  • 李健 , 1, 2 ,
  • 刘舒琪 1 ,
  • 王晓祺 , 1
展开
  • 1.天津理工大学管理学院，天津 300384
  • 2.天津大学管理与经济学部，天津 300072
王晓祺，女，天津人，讲师，研究方向为环境规制与企业财务管理。E-mail:

李健，男，河北沧州人，教授，研究方向为资源环境管理、循环经济与生态工业工程。E-mail:

收稿日期: 2024-04-07

  修回日期: 2024-07-17

  网络出版日期: 2024-10-29

基金资助

贵州省2023年度哲学社会科学规划重大课题项目(23GZZB17)

收起

Spatiotemporal evolution characteristics of carbon rebound effect in China’s transportation industry and mechanism

  • LI Jian , 1, 2 ,
  • LIU Shuqi 1 ,
  • WANG Xiaoqi , 1
Expand
  • 1. School of Management, Tianjin University of Technology, Tianjin 300384, China
  • 2. Department of Management and Economics, Tianjin University, Tianjin 300072, China

Received date: 2024-04-07

  Revised date: 2024-07-17

  Online published: 2024-10-29

Fold

摘要

【目的】 为贯彻新发展理念，助力实现“双碳”目标，揭示交通运输业碳回弹效应的时空演进特征及影响机制，拓展能源回弹理论研究边界，为基于能源结构转型的交通运输领域节能降碳实践提供科学依据与策略参考。【方法】 采用空间核密度估计法，对2009—2021年中国交通运输业碳回弹效应的时空演进特征进行剖析，通过面板分位数回归探究不同因子对不同水平碳回弹效应的作用得到驱动或制约机制，最后引入地理探测器模型对不同机制进一步完善。【结果】 ①中国大部分省份交通运输业碳回弹效应水平在疫情前呈现出“急下降缓回升”的趋势，且具有空间相关性。②交通运输业碳回弹效应受时空条件的综合影响，随着时间的推移，逐渐形成以弱回弹为主、强回弹为辅的空间分布格局。③交通运输业碳回弹效应影响机制可分为4类驱动或制约模式（产业-规制-设施-市场驱动模式；产业-规制-能源驱动模式；人口-金融-政府-研发制约模式和人口-金融-政府制约模式）。大部分省份受低分位驱动和低分位制约两种机制作用，仅有少部分省份继续受高分位制约和高分位驱动影响，且基本属于东北、西北或西南地区。④在交通运输业碳回弹效应影响机制分析中引入地理探测器模型，发现多因子对碳回弹效应的影响存在协同作用。【结论】 碳回弹效应很大程度上与能源回弹现象同根同源，应尽快将交通运输业碳回弹效应纳入政策决策视野，根据其空间分布特点及时空演进变化趋势采用不同的政策工具，对于加快交通运输领域能源转型进程及因地制宜进行降碳减排具有重要意义。

关键词： 交通运输业; 碳回弹效应; 空间核密度; 分位数回归; 地理探测器; 中国

本文引用格式

李健 , 刘舒琪 , 王晓祺 . 中国交通运输碳回弹效应的时空演进特征及机制[J]. 资源科学, 2024 , 46(9) : 1737 -1752 . DOI: 10.18402/resci.2024.09.06

Abstract

[Objective] To implement the new development concept and achieve the “dual carbon”, this study reveals the spatiotemporal evolution characteristics of the carbon rebound effect in the transportation industry and its impact mechanism, expands theoretical boundaries of energy rebound research, provides scientific evidence and strategic references for energy-saving and carbon-reduction practices in the transportation sector based on energy structure transformation. [Methods] This study employed spatial kernel density estimation to analyze the spatiotemporal evolution characteristics of the carbon rebound effect in China’s transportation sector from 2009 to 2021. Panel quantile regression was used to investigate the influence of different factors on the carbon rebound effect at various levels, thereby identifying corresponding driving or restraining mechanisms. A geographic detector model was introduced to further refine the influencing mechanisms. [Results] (1) Before the pandemic, the carbon rebound effect in China’s transportation industry primarily followed a pattern of sharp decline followed by gradual rebound, with spatial correlation observed. (2) The carbon rebound effect in the transportation sector were significantly influenced by spatiotemporal factors. Over time, a spatial distribution pattern gradually developed, with weak rebounds predominating and strong rebounds being secondary. (3) The influencing mechanism of the carbon rebound effect in the transportation sector can be divided into four driving or restraining modes (industry-regulation-facility-market driving mode; industry-regulation-energy driving mode; population-finance-government-R&D restraining mode, and population-finance-government restraining mode). Most provinces were affected by low quantile driving and restraining mechanisms, with only a few provinces continuing to be influenced by high quantile restraining and driving mechanisms, primarily located in the Northeast, Northwest, or Southwest regions. (4) Based on the mechanisms influencing carbon rebound effect in the transportation sector, the geographic detector model was introduced to investigate the impact of multi-factor coordination on carbon rebound effect, with the aim of enhancing the cohesion of regional collaborative governance. [Conclusion] The carbon rebound effect is largely homologous to the energy rebound phenomenon. To incorporate the carbon rebound in the transportation industry into policy considerations, and adopt different policy tools based on its temporal and spatial evolution characteristics are essential for accelerating the transformation of transportation energy and adapting to local conditions for emission reduction.

Key words： transportation industry; carbon rebound effect; spatial kernel density; quantile regression; geographic detector; China

1 引言

交通运输业作为国民经济的重要支柱，其化石能源的消耗与碳排放的增长速度在众行业中尤为显著[1,2]。鉴于当前全球“双碳”目标的紧迫性，交通运输业的能源转型不仅是应对气候变化、推进可持续发展的核心策略，也是促进该行业自我革新、实现高质量发展的必由之路。为应对气候变化挑战及确保能源安全，中国政府已出台多项政策，如《交通运输节能环保“十三五”发展规划》与《绿色交通“十四五”发展规划》，旨在加速交通运输业的绿色转型。这些政策有力地推动了新能源公交车、氢能公交车及新能源营运货车的普及，并加速了老旧柴油营运货车的更新换代。
然而，尽管能源效率在不断提升，交通运输业的能源转型之路仍面临诸多挑战，其中碳回弹效应是一个不容忽视的问题[3]。所谓交通运输碳回弹效应，是指由于技术进步带来的能源效率提升，使得单位交通服务的碳排放量减少，但同时也可能激发更多的能源服务需求，进而产生额外的碳排放，这可能会削弱能源转型所期望的节能减排效果，对交通运输业的碳减排目标构成潜在威胁[4⇓⇓-7]。因此，为有效推进交通运输业的能源转型，制定符合地方特色的减排策略显得尤为重要。深入探究交通运输领域碳回弹效应的时空演进特征及其影响机制，对于精准施策、确保减排目标的顺利实现具有至关重要的意义。
低碳技术创新长期以来一直被认为是实现碳中和的必要路径。但已有技术创新对碳排放的影响研究结论存在较大差异。一些研究认为，低碳技术创新能够显著抑制碳排放[8]。另一些研究则认为，低碳技术创新对碳排放影响不显著，甚至由于能源回弹效应的存在[9]，反而导致碳排放量的增加。例如，张济建等[10]指出，技术突变在引致碳排放量减少的同时，还会因为环境制度粘性和能源开采成本降低而导致能源使用量上升。特别是中国当前正处于快速发展阶段，中心任务仍然是经济增长，因能源利用效率提升而节约的能源会继续投入到扩大再生产中。更甚者，因为技术进步而节约的能源预期具有可持续性，产业反而产生了投入更多能源的冲动，进而导致回弹效应的发生。
通过文献梳理发现，结论差异存在的原因有以下4个方面：①技术创新对碳减排的影响存在时间异质性。样本区间较早的研究较多认为低碳技术创新能够抑制碳排放，碳回弹效应大多在2015年以后，说明技术创新对碳减排的影响存在周期性，技术创新的持续进步在一定条件下将导致碳回弹效应。②技术创新对碳减排的影响存在空间异质性，本地与临地、提出与未提出创新驱动战略的地区，碳减排效果存在较大差异[11,12]。③技术创新对碳减排的影响与政策的作用机制以及减排度量指标差异相关[13]。④技术创新对碳减排的影响存在行业异质性。目前，已有部分研究关注行业异质性，但多局限于农业等行业[14⇓-16]，交通运输业研究较少。基于此，有必要针对不同行业及碳回弹效应的时空演进、影响因素进行考察，为分行业、分阶段制定节能降碳工作方案提供借鉴。
中国交通运输业正处于关键的转型时期，尽管现有文献对能源回弹效应已做出一定探索，但对具有高需求价格弹性特征的交通运输业碳回弹效应的研究中，少有基于省份对碳回弹效应的时间格局与空间格局交互考察。在影响因子分析上，许多学者忽略了不同碳回弹效应水平下不同地域间的影响因素差异，也忽略了不同因子间的交互作用是否能更好地缓解碳回弹效应。鉴于此，本文首先采用空间核密度估计法，对2009—2021年中国交通运输业碳回弹效应的时空演进特征进行剖析，进而通过面板分位数回归探究不同因子对不同水平碳回弹效应的作用，从而得到相应的驱动或制约机制，最后针对不同机制引入地理探测器模型来考察不同因子间的交互作用，从而提出缓解中国交通运输业碳回弹效应的政策建议。

2 研究方法、指标选取与数据来源

2.1 研究方法

2.1.1 交通运输碳排放强度测算

根据IPCC推荐的方法估算2009—2021年中国30个省份（因数据缺失，不含西藏及港澳台地区）的交通运输业碳排放量[17,18]。需要注意的是：本文的能源消耗种类主要来源于原煤、煤油、汽油、燃料油、柴油、天然气以及电力。具体公式为：
C t n = ∑ v = 1 7 M t n v = ∑ v = 1 7 E t n v × η v × e v × 44 12
式中：Ctn为第t年省份n的交通运输业碳排放量（t）；Mtnv为第t年省份n的第v种能源消耗所产生的二氧化碳排放量（t）；Etnv为第t年省份n的第v种能源消耗量（t）；ηv为第v种能源的标准煤折算系数；ev为第v种能源的碳排放系数。
通过交通运输业碳排放量来测算其碳排放强度（t/万元）。具体公式为：
C I t n = C t n A t n
式中：CItn为第t年省份n的交通碳排放强度；Atn为第t年省份n的交通总产值（万元）。

2.1.2 技术进步贡献率测算

将每个省份作为一个决策单元，采用DEA-Malmquist生产率指数法计算交通运输业全要素生产率，以此来衡量技术进步贡献率 σ，具体公式为：
第t+1年交通运输业全要素生产率的增长率 G T F P为：
G T F P = T F P t + 1 - T F P t T F P t = T F P t + 1 T F P t - 1
式中： T F P t + 1为全要素生产率； T F P t + 1   / T F P t  为DEA-Malmquist生产率指数。
第t+1年交通运输业经济增长率GA为：
G A = A t + 1 - A t A t × 100 %
第t+1年技术进步对交通运输业经济增长的贡献率 σ t + 1为：
σ t + 1 = G T F P G A × 100 %

2.1.3 交通运输碳回弹效应测算

梳理回弹效应的定义[19]，通过技术进步带来的碳排放新需求量与碳排放减少量之比来衡量碳回弹效应。交通运输业技术进步会使得碳强度下降，从而带来碳排放量减少，具体公式为：
S t + 1 = A t + 1 × C I t - C I t + 1
式中： S t + 1为交通运输业碳强度下降带来的碳排放减少量（t）。
交通运输业技术提升可促进经济增长，进而产生新的碳需求，增加交通运输业碳排放。技术水平提升所带来的交通运输业新的碳需求具体公式为：
T C t + 1 = σ t + 1 × ( A t + 1 - A t ) × C I t + 1
式中： T C t + 1为交通运输业新的碳需求量（t）。
由此得到交通运输业碳回弹效应 R E t + 1，具体公式为：
R E t + 1 = σ t + 1 × ( A t + 1 - A t ) × C I t + 1 A t + 1 × ( C I t - C I t + 1 ) × 100 %
碳回弹效应（ R E t + 1）的数值及含义为：①当RE <0.0时，表示交通运输业碳排放未出现回弹效应，且交通运输业碳排放实际减少量大于碳排放强度下降带来的碳排放减少量，实现了二氧化碳储存。②当RE=0.0时，表示零碳回弹效应，交通运输业碳强度下降带来的碳排放减少量被全部节省下来，减排效果达到预期。③当0.0 <RE <0.5时，表示存在弱碳回弹效应；当0.5 ≤RE <1.0时，表示存在强碳回弹效应。交通运输业技术进步所产生新的碳需求将技术进步所减少的碳排放部分抵消，但存在积极的碳减排效果。④当RE=1.0时，表示完全回弹效应，说明技术进步带来的碳排放增加量完全抵消了技术进步减少的碳排放量，未产生碳减排效果。⑤当RE>1.0时，表示出现了“回火效应”，技术进步所引致的交通运输业碳排放增加量高于减少量，产生了新的交通运输业碳排放。

2.1.4 空间核密度估计

在已探明交通运输业碳回弹效应的基础上，通过核密度估计来分析其整体分布情况。相比传统核密度估计，空间核密度在传统核密度估计中纳入空间因素，更细致地刻画了交通运输业碳回弹效应的空间分布特征和动态演化过程[20]。
传统核密度估计以高斯核函数作为底层逻辑，用连续密度曲线描述随机变量的分布状态，对随机变量的概率密度进行估计。具体公式为：
f R E = 1 N h ∑ n = 1 N K R E n - R E ¯ h
K R E = 1 2 Π e x p - R E 2 2
式中：交通运输业碳回弹效应RE为随机变量，且遵守独立分布，其均值为 R E ¯； f R E为密度函数；N为省份数量；h为带宽，密度函数的平滑参数由h确定；K(RE)定义为核函数。
空间核密度进一步综合时空条件对随机变量进行概率密度估计。具体公式为：
$\begin{array}{l} f\left(R E_{X}, R E_{Y}\right) \\ =\frac{1}{N h_{R E_{X}} h_{R E_{Y}}} \sum_{n=1}^{N} K_{R E_{X}}\left(\frac{R E_{X n}-\overline{R E_{X}}}{h_{R E_{X}}}\right) K_{R E_{Y}}\left(\frac{R E_{Y n}-\overline{R E_{Y}}}{h_{R E_{Y}}}\right) \end{array}$
$g\left(R E_{Y} \mid R E_{X}\right)=\frac{f\left(R E_{X}, R E_{Y}\right)}{f\left(R E_{X}\right)}$
式中：REX和 R E X ¯分别为非空间动态核密度、空间静态核密度和空间动态核密度状态下X轴对应的随机变量及其均值；REY和 R E Y ¯分别为非空间动态核密度、空间静态核密度和空间动态核密度状态下Y轴对应的随机变量及其均值； f ( R E X ,   R E Y )为REX和 R E Y的联合核密度函数； g R E Y | R E X为 R E X条件下 R E Y的分布。

2.1.5 面板分位数回归模型构建

不同因子对不同交通运输业碳回弹效应水平的影响是否存在差异性值得探究。面板分位数回归与传统OLS回归相比更加稳健，不易受到异常极端值的影响而波动。借助Koenker[21]提出的面板分位数回归，从0.10、0.25、0.50、0.75及0.90五个分位来评估不同影响因素对交通运输业碳回弹效应的驱动或制约作用。面板分位数回归的一般形式为：
D t n = α n + β i x t n T + μ t n
式中： D t n为被解释变量，即交通运输业碳回弹效应； α n为不跟随分位数变化且不受其他变量干扰的个体效应； x t n T为解释变量，即影响因素； β i为第i种影响因素的待估计参数； μ t n为随机误差项。
为了研究交通运输业碳回弹效应的影响因素，结合表1所选变量构建如下模型：
R E t n = α n + β 1 P t n + β 2 F A t n + β 3 I S t n + + β 4 T F I t n + β 5 T t n + β 6 R D t n + β 7 D T M t n + β 8 G F P t n + β 9 E R t n + μ t n
式中： P t n、 F A t n、 I S t n、 T F I t n、 T t n、 R D t n、 D T M t n、 G F P t n、 E R t n分别为第t年省份n的人口密度、金融聚集水平、交通运输产业规模、交通基础设施水平、能源强度、研发强度、技术市场发展水平、政府财政政策及环境规制强度。
表1 相关变量描述

Table 1 Description of related variables

选取维度 变量名称 缩写 指标定义 单位
人口维度 人口密度 P 年末常住人口总数/区域面积 人/km2
经济维度 金融聚集水平 FA 金融行业增加值/GDP %
交通运输产业规模 IS 交通运输综合周转量/GDP t/万元
交通基础设施水平 TFI 铁路周转量/铁路营业里程数 t/km
技术维度 能源强度 T 交通能源总耗/GDP t标准煤/万元
研发强度 RD 研发经费内部支出/GDP %
市场维度 技术市场发展水平 DTM 技术市场成交额/GDP %
政策维度 政府财政政策 GFP 政府财政支出/GDP %
环境规制强度 ER 工业污染治理投资/工业增加值 %

2.1.6 皮尔逊相关性模型

为了识别影响因素间的基础关系，对面板分位数回归得到的驱动因子与制约因子分别采用皮尔逊（Pearson）相关系数，来分组探究驱动因子组与制约因子组中因子的相关性[22]。具体公式为：
R x a i x a j = ∑ i , j = 1 n ( x a i - x a i ¯ ) ( x a j - x a j ¯ ) ∑ i , j = 1 n ( x a i - x a i ¯ ) ∑ i , j = 1 n ( x a j - x a j ¯ )
R x b i x b j = ∑ i , j = 1 n ( x b i - x b i ¯ ) ( x b j - x b j ¯ ) ∑ i , j = 1 n ( x b i - x b i ¯ ) ∑ i , j = 1 n ( x b j - x b j ¯ )
式中： R x a i x a j与 R x b i x b j分别为驱动因子组和制约因子组中任意两因素间的相关系数，其取值介于-1到1之间。当 0 < R x a i x a j ≤ 1时表示影响因素间完全正相关；当 - 1 ≤ R x a i x a j < 0时表示影响因素间完全负相关； R x a i x a j = 0时表示没有任何相关性。 R x b i x b j同 R x a i x a j。

2.1.7 地理探测器

地理探测器作为一种新兴统计学方法，已经在自然、环境等多个领域得到运用。主要通过因子探测与交互探测两部分来揭示造成空间多样性背后的驱动力[23,24]。具体模型如下：
q = 1 - 1 U λ 2 ∑ i = 1 L U i λ i 2
式中：q为探测值大小； U为样本量； λ 2为样本方差；L为第i种影响因素的分类个数；Ui为第i种影响因素的样本量； λ i 2为第i种影响因素的方差。此外，通过自然断点法对所选影响因素分为7级。
基于得到的驱动或制约机制及多因子相关性，通过地理探测器模型采用交互探测的方法确定不同机制中因素间的不同交互作用是否会增加或减弱对碳回弹效应的解释力度，从而选出最优因子交互组合，因地制宜提供策略。判断依据为表2，其中 x 1与 x 2代表同一机制内随机选取的两个因子。
表2 因子交互作用分类

Table 2 Classification of factor interactions

判断依据 交互作用
q ( x 1 ⋂ x 2   ) < M i n [ q ( x 1   )   ,   q ( x 2   ) ] 非线性减弱
M i n [ q ( x 1   )   , q ( x 2 )   ] < q ( x 1 ⋂ x 2   ) < M a x [ q ( x 1   ) ,   q ( x 2   ) ] 单因子非线性减弱
q ( x 1 ⋂ x 2   ) > M a x [ q ( x 1   )   ,   q ( x 2   ) ] 双因子增强
q ( x 1 ⋂ x 2   )   =   q ( x 1   )   +   q ( x 2   ) 互相独立
q ( x 1 ⋂ x 2   ) > q ( x 1   )   +   q ( x 2   ) 非线性增强

2.2 指标选取与数据来源

2.2.1 指标选取

交通运输业碳回弹效应的影响因素分析，主要基于人口、经济、技术、市场、政策这5个维度来选取相关指标。选取依据为：首先，人口增加带动消费需求的持续增长，直接导致能源消耗增加，从而影响碳排放量[25]。其次，经济发展水平通过金融聚集程度和交通运输产业规模反映地区经济阶段性特征，不同发展阶段能耗特征与环境影响各异，成为区分不同地区碳回弹效应差异的重要因素[26]。除此之外，交通基础设施的完善虽加速了经济发展进程，但其建设和运营中的能源消耗与碳排放问题不容忽视，对碳回弹效应影响日益显著[27]。再者，研发强度关系到技术进步速率，对基于技术进步的交通运输业碳回弹效应至关重要。最后，技术市场发展水平直接关系到能源的利用效率及交通低碳技术的创新和流动推广，同时也需要环境规制等工具来创造交通运输业和谐绿色的外部环境[28]。与碳回弹相关的交通基础设施水平指标以铁路为主，原因是：在铁路、公路、水运及航空等主要运输方式中，结合交通运输碳回弹效应原理，优先选择具备“因绿色基础设施不完备、环境成本高而具有较少的份额”以及“因绿色基础设施建设、降低环境成本而显著增加份额”两大典型特征的运输方式。公路与铁路运输最为符合后者，但公路运输本身是份额最大的交通运输方式，不具备前者特征。因此，交通基础设施水平选择铁路指标进行度量。

2.2.2 数据来源及处理

其中各省份（因数据缺失，不含西藏及港澳台地区）交通运输业能源消耗量、交通运输业总产值、标准煤折算系数及碳排放系数均来自于《中国能源统计年鉴》（2010—2022年）、《中国统计年鉴》（2010—2022年）、《2006年IPCC国家温室气体清单指南目录》及各省统计年鉴（2010—2022年）。各省交通运输业全要素生产率投入指标、产出指标及碳回弹效应的影响因素选取均来自于《中国统计年鉴》（2010—2022年）、各省统计年鉴（2010—2022年）、《CEADs》及国泰安数据库。为减小影响因素间的异方差性，将所有影响因素变量进行对数化处理。

3 结果与分析

3.1 交通运输碳回弹效应的时序演进特征

根据碳回弹效应分类标准，将各省交通运输业碳回弹效应水平分为碳储存、零碳回弹效应、弱碳回弹效应、强碳回弹效应、完全回弹效应及“回火效应”后，采用空间核密度估计法[29]，从非空间动态核密度、空间静态核密度和空间动态核密度三方面分别探究交通运输业碳回弹效应的时序演进特征、空间演进特征及时空演进特征。
首先通过非空间动态核密度估计进行时序演进特征分析。若核密度中概率主体和密度等高线主要集中于正45°对角线附近，说明从第t年到t+3年交通运输业碳回弹效应整体上保持稳定趋势；若主要集中于负45°对角线附近，则表明此期间出现了重大转变。如图1所示，从整体上看，中国交通运输业碳回弹效应的非空间动态核密度中概率主体及密度等高线沿负45°对角线分布，反映出各省份交通运输业碳回弹效应随着时间推移存在明显变化。为了更好地体现其变化趋势，选取2009年、2012年、2015年、2018年、2021年这5个特征时间节点进行分析。如图2所示，交通运输业碳回弹效应主要呈现出围绕减排政策波动的特征。随着国家“绿色出行”的提出，以2008年的奥运为契机，自2009年起，中国交通运输业碳回弹效应得到有效控制。随着时间推移，弱回弹效应的占比逐渐超过强回弹效应。2013年后国家提出了能耗“双控”行动，这使得大部分省份交通运输业碳回弹效应值持续稳步下降。然而中国经济快速增长，城镇化进程不断加速，交通运输需求大幅增加，进而推动了碳排放的增长，在2018年又出现了交通运输业碳回弹效应的回升趋势。但2021年大部分省份交通运输业碳回弹效应的回升趋势戛然而止，反而出现了负向偏离，半数以上的省份交通运输业碳回弹效应小于0.0，实现了二氧化碳储存。其原因是自2020年起，疫情的爆发限制了交通运输，运输流量急速减小，产业规模不断下降，因此交通运输碳排放大幅度收缩，使得碳回弹效应出现负增长趋势。总体来说，在疫情前77%的省份交通运输业碳回弹效应呈现出“急下降缓回升”的趋势，少数省份存在倒“V”型演变和波动发展的趋势。随着疫情的缓解，不排除已经实现碳储存或零碳回弹效应的省份将再次回到弱碳回弹效应甚至强碳回弹效应水平，“储存假象”将被打破。
图1 中国交通运输业碳回弹效应非空间动态核密度及密度等高线

Figure 1 Non-spatial dynamic kernel density and density contour of the carbon rebound effect in China’s transportation industry

图2 2009—2021年中国交通运输业碳回弹效应变化

注：基于自然资源部标准地图服务网站GS(2023)2767号标准地图制作，底图边界无修改。

Figure 2 Changes in the carbon rebound effect of China’s transportation industry, 2009-2021

3.2 交通运输碳回弹效应的空间演进特征

在已知时序演进特征的基础上，通过空间静态核密度估计进行不考虑时间因素的空间演进特征分析。在空间静态核密度估计中，反映了考虑相邻省份交通运输业碳回弹效应的影响下本省份交通运输业碳回弹效应的演变趋势，若核密度中概率主体和密度等高线分布在正45°对角线附近，表明相邻省份间交通运输业碳回弹效应存在正相关性，呈现出强交通运输业碳回弹效应省份间聚集，弱碳回弹效应省份间聚集的趋势。如图3所示，核密度中的概率主体和密度等高线主要集中于正45°对角线附近，在不纳入时间变化的情况下，中国交通运输业不同程度的碳回弹效应主要集中在同一区间内的相邻区域，且空间相关性较强，具体表现为强碳回弹效应、完全回弹效应及出现“回火效应”的省份多位于西北、东北及西南地区，弱碳回弹效应、零碳回弹效应及已实现碳储存的省份多位于东部沿海及东南地区。以0.0作为分界点，当X轴处于0.0~1.0范围内时呈现出强烈的空间正相关性，说明相邻省份与本省份间的交通运输业碳回弹效应易产生协同提升现象，主要原因在于省份间技术及劳动力的流动。当X轴处于-1.0~0.0水平时，概率主体开始略微平行于X轴，说明在交通运输业实现碳储存时可能出现收敛，即使与碳回弹效应略强或更弱的省份相邻，也难以使自身的碳回弹效应水平实现跨越，还需依靠自身的水平实力。
图3 中国交通运输业碳回弹效应空间静态核密度及密度等高线

Figure 3 Spatial static kernel density and density contour of the carbon rebound effect in China’s transportation industry

3.3 交通运输碳回弹效应的时空演进特征

在已探明时序演进特征和空间演进特征的基础上，通过空间动态核密度分析揭示时间因素对中国交通运输业碳回弹效应空间相关特征的影响。如图4所示，核密度中概率主体及密度等高线与图3存在显著差异，波峰位于正45°对角线上方，可见时间因素对中国省份间交通运输业碳回弹效应的空间相互作用有显著影响。依然以0.0为分界点，当交通运输业碳回弹效应小于0.0时，图4的概率主体及密度等高线相比于图3明显更加平行于X轴，且位置大幅度上移，可以看出加入时间滞后条件下，-1.0~0.0水平下的交通运输业碳回弹效应空间收敛性逐渐显现，相邻省份与本省份交通运输业碳回弹效应空间发展相关性更弱。其次，对于0.0~1.0水平的交通运输业碳回弹效应，概率主体及密度等高线位置并未发生明显改变，但与图3相比，图4的概率主体及密度等高线在Y轴上的分布更为集中，说明考虑时间滞后条件下相邻省份与本省份间交通运输业碳回弹效应空间相关性增强。总体来说，加入时间因素后，中国交通运输业碳回弹效应以弱回弹为主，强回弹为辅的空间分布格局更加明显。但仍有部分主体位于0.5以上，并不排除将来部分省份交通运输业碳回弹效应会发生“回火效应”。
图4 中国交通运输业碳回弹效应空间动态核密度及密度等高线

Figure 4 Spatial dynamic kernel density and density contour of the carbon rebound effect in China’s transportation industry

3.4 影响因素分析

3.4.1 影响因素的作用效果

本文依据分位数回归模型，划分出高分位响应（0.5, 0.9]和低分位响应[0.1, 0.5）。将各影响因素纳入面板分位数回归模型中进行碳回弹效应的影响因素分析（表3）。
表3 中国交通运输碳回弹效应影响因素回归结果

Table 3 Regression results of influencing factors of the carbon rebound effect in China’s transportation industry

变量 分位数
0.10 0.25 0.50 0.75 0.90
lnP -4.45*** -10.04*** -6.91*** -4.76*** -3.40***
lnFA -0.59*** -0.30** -0.32** -0.43*** -0.74***
lnIS 1.14 1.99** 2.98*** 2.59*** 2.07**
lnTFI 6.94*** 7.66*** 6.02*** 1.51 0.96
lnT 0.37 1.25 2.60*** 2.94*** 2.49**
lnRD -4.33*** -7.33*** -2.93*** -0.74 -0.22
lnDTM 1.12*** 1.10** 0.88* 0.68 0.56
lnGFP -4.29*** -5.22*** -7.04*** -9.77*** -5.88***
lnER 2.76*** 3.67*** 4.33*** 2.89*** 1.98**

注：***、**和*分别表示在1%、5%和10%的水平上显著。

交通运输产业规模（IS）、能源强度（T）、技术市场发展水平（DTM）、环境规制强度（ER）及交通基础设施水平（TFI）在各分位点上均表现为正向作用，其中能源强度仅在高分位水平上通过了显著性检验，技术市场发展水平及交通基础设施水平仅在低分位点上通过了显著性检验。对于驱动因子组中各因子来说，交通运输产业规模及能源强度对交通运输业碳回弹效应的影响系数均位于2.00左右，随着分位点增加，交通运输产业规模及能源强度对交通运输业碳回弹效应驱动作用逐渐显现，但0.90分位相较于0.75分位及0.50分位的影响系数略微下降，呈现出先升后降的趋势，说明当交通运输业碳回弹效应达到一定高度后交通运输产业规模及能源强度的驱动作用逐渐减弱，贡献度降低。技术市场发展水平对交通运输业碳回弹效应的影响系数逐渐降低，说明随着碳回弹效应分位点增加，技术市场发展水平对交通运输业碳回弹效应的驱动贡献度逐渐减弱。环境规制强度与交通基础设施水平也呈现出先升后降的趋势，与交通运输产业规模及能源强度不同的是，环境规制强度与交通基础设施水平在弱交通运输业碳回弹效应上的驱动作用优于强碳回弹效应，驱动贡献度随着分位点升高逐渐减弱。从整体上看，环境规制强度在全分位水平的贡献度最为突出，而交通基础设施水平在低分位水平上更能凸显其驱动贡献。
人口密度（P）、金融聚集水平（FA）、政府财政政策（GFP）及研发强度（RD）在各分位点上表现为制约作用，其中研发强度只在低分位水平上通过了显著性检验。对于制约因子组中的各因子来说，人口密度、政府财政政策及研发强度对交通运输业碳回弹效应的影响系数均呈现出先升后降的趋势，但人口密度与研发强度的影响系数高峰值均位于0.25分位，说明两者对弱交通运输业碳回弹效应的抑制作用贡献度优于强碳回弹效应。而政府财政政策制约作用贡献度的增强趋势一直延续至0.75分位后才有所下降，说明当交通运输业碳回弹效应达到一定高度后政府财政政策的制约作用逐渐减弱。相比之下，金融聚集水平对交通运输业碳回弹效应的影响系数呈现出先降后升的趋势，在强碳回弹效应下的制约作用略优于弱碳回弹效应，其整体的制约作用贡献度相较于其他3个制约因子也略微落后。

3.4.2 影响因素的相关性检验及筛选

应用Pearson相关系数法分别对驱动因子组及制约因子组内影响因子进行相关性分析，得到相关系数热力图（图5）：
图5 中国交通运输业碳回弹效应影响因素的相关关系热力图

Figure 5 Heat map of the correlation between influencing factors of the carbon rebound in China’s transportation industry

根据图5a所示，驱动因子组中，随机两两驱动因子间具有显著的正相关性。皮尔逊相关性系数均处在0.182~0.567间，其中交通运输产业规模与交通基础设施水平两者相关性系数最高。基础设施改善有助于促进交通运输产业规模扩大，从而规模效应的凸显带来技术创新，两者形成“促进循环”。此外，技术市场发展水平与环境规制强度、交通基础设施水平与环境规制强度的相关性系数分别为0.522、0.531，呈现出强相关性。环境规制强度在技术市场与基础设施水平发展方面避免了恶性技术竞争。其余驱动因子间的相关性系数虽处于0.500水平以下，但也展现出了两两之间的弱相关性。
根据图5b所示，制约因子组中，随机两两制约因子间具有显著的正相关性。皮尔逊相关性系数均处在0.277~0.923间，其中政府财政政策与人口密度两者相关性系数最高。政府财政政策有助于激发创新型人才的涌现，促进交通低碳技术的研究，从而降低交通运输业碳回弹效应。除此之外，研发强度与政府财政政策的相关性系数为0.571，低碳交通技术的发展需要政府的财政投入，从根本上解决技术研发中资金波动性供应的问题。其余制约因子间的相关性系数虽处于0.500水平以下，但也展现出了两两之间的弱相关性。
相关性检验结果显示，第一，驱动因子组和制约因子组内的影响因素相关系数均为正值，表明组内影响因素间不存在不协同现象。第二，影响因素间不存在多重共线性，说明分位数回归模型中影响因素间相互独立，估计系数稳健。因此，交通运输碳回弹效应的影响因素最终确定为人口密度、金融聚集水平、交通运输产业规模、交通基础设施水平、能源强度、研发强度、技术市场发展水平、政府财政政策及环境规制强度。

3.5 影响机制分析

3.5.1 单因子影响机制识别

根据各分位点影响因素的驱动效果或制约效果，可得到4种不同的交通运输业碳回弹效应驱动或制约模式，如图6所示。
图6 中国交通运输业碳回弹效应影响机制

Figure 6 Mechanism of the carbon rebound effect in China’s transportation industry

低分位驱动：产业-规制-设施-市场。交通运输产业规模、环境规制强度、交通基础设施水平及技术市场发展水平是在低分位水平上影响交通运输业碳回弹效应的主要驱动因子。其中交通运输产业规模随着社会发展不断扩大，客运量和货运量的增加使得对能源的需求量逐步走高。交通运输产业规模与交通基础设施水平两者相辅相成，随着经济走高与核心技术不断引进，居民不再满足于基本的物质需求，对精神层面的追求促进了旅游业等行业的发展，促使交通基础设施不断完善和建设，从而产生新的能源消耗。此外，交通运输产业规模的扩大及基础设施的不断完善增加了对能源供应稳定性的要求，而清洁能源的供应往往受到天气、地理等因素的影响，存在一定的不确定性。因此一些交通运输部门可能会将目光再次转向消耗化石能源，从而产生碳回弹效应，不利于交通能源低碳转型。环境规制强度对交通运输业碳排放的作用效应存在抑制效应和绿色悖论两者情况，这点在徐鹏等[28]的研究中得到证实。根据本文的回归结果，环境规制强度对交通运输业碳回弹效应并未起到抑制作用，原因在于环境规制政策的大力实施会引致化石能源提前大量开采，苛严的能源消费政策使得能源供应商对未来盈利产生悲观预期，从而短期内加速能源交易，产生新的碳排放，促增碳回弹效应[30]。再者环境规制强度增加会导致能源价格下降，促进弱交通运输业碳回弹效应中资源型省份（如天津及山东）向经济富足型省份（如上海及浙江）的能源交易，碳溢出效应增强。技术市场发展水平主要通过提升低碳技术推广及能源利用率来抑制碳排放增长，但技术市场从开始发展到成熟往往是一个漫长的过程，当技术市场尚未成熟时，清洁能源和智能交通技术的研发、推广和应用就会受到限制。这可能导致新技术在交通运输领域的应用效果不理想，碳排放短期时间内难以显著降低，从而抑制了交通运输能源转型的进程。因此，“产业-规制-设施-市场”这一低分位驱动机制主要作用于弱回弹效应的省份，这些省份大多位于东部沿海及东南地区。在低分位驱动机制影响下，江苏、福建及海南三省相较于其他弱碳回弹效应水平省份，更容易跃迁为强碳回弹效应水平省份。
高分位驱动：产业-规制-能源。交通运输产业规模和环境规制强度在高分位水平上仍然保持着驱动作用。除此之外，当下能源结构并不完善，能源技术的推广存在局限，这使得经济增长带来的新能源需求高于能源消费的减少量，驱动效应得以体现。能源生产最终也是为了满足消费需求，消费需求可能抵消生产端的减排努力。再者，省份之间或生产部门间存在复杂多变的网络关系，部分省份或部门能源消费不高但却能促增其他省份或部门的能源消费，产生额外的能源需求刺激，激发新的碳排放量，提高交通运输业的碳回弹效应。如北京、浙江及上海等经济富足型和技术需求型省份资源匮乏，自身生产部门能源消耗接近平稳。但新疆、甘肃及青海等资源依赖型省份为提高经济水平及引进新兴技术，与北京、浙江及上海等经济富足型省份形成能源-资金交易网络，从而再次刺激资源型省份的能源开采，产生新的碳排放。因此，“产业-规制-能源”这一高分位驱动机制主要作用于强碳回弹效应的省份，这些省份大多位于西南、东北及西北地区。
低分位制约：人口-金融-政府-研发。人口密度、金融聚集水平、政府财政政策和研发强度是在低分位水平上影响交通运输业碳回弹效应的主要制约因子。人口密度对碳回弹效应的作用会产生双重性。王少剑等[31]解释说，一方面，人口密度对碳排放的影响存在聚集效应和规模效应，人口密度产生的聚集效应会提升公共交通分担率和实现减排资源共享，从而降低碳排放量；另一方面，人口密度增加会促进交通拥堵，从而使得机动车燃料过度消耗产生新的碳排放量。结合分位数回归的系数结果，在此人口密度的聚集效应高于规模效应，能源结构得到优化，交通运输业碳排放量下降，缓解其碳回弹效应增长速率。金融聚集水平同样起到制约作用，金融聚集度的提升能够促进经济活动发展，形成经济规模效应和集群效应，知识溢出等效应的外部性也逐渐凸显，有助于提高资源配置效率和创新积极性。如广东、浙江及福建三省可形成沿海“金融共享区”，有助于形成区域经济竞争，吸引国内外资金和人才的流入，促进了减排技术的共享，从而提升了交通运输效率，降低了交通运输业碳排放水平。政府财政政策和研发强度主要体现于技术创新资本投入和绿色科技创新。一方面，绿色研发强度的提升有助于推动交通能源相关产业的升级。例如，新能源汽车产业将受益于电池技术、驱动技术等领域的创新，从而加速产业的发展和成熟，减少化石能源消耗，抑制碳回弹效应，进而推动交通领域能源低碳转型。另一方面，绿色科技创新对资金需求量大，政府财政政策为绿色创新提供保障，提升我国综合实力，从而加强市场对研发的重视程度，进而促进绿色发展，缓解碳回弹效应扩散，实现“制约闭环”[32]。因此，“人口-金融-政府-研发”这一低分位制约机制主要作用于弱回弹效应的省份，这些省份大多位于东部沿海及东南地区。在低分位制约机制影响下，山东、河北及广东三省相较于其他弱碳回弹效应水平省份，更容易跃迁为碳储存水平省份。
高分位制约：人口-金融-政府。人口密度、金融聚集水平和政府财政政策在高分位水平上仍然保持着制约作用。人才密集度和金融聚集水平是一个地区乃至一座城市经济活力的重要指标，强交通运输业碳回弹效应省份交通网络密度往往不高，交通运输效率有待提升，急需发展低碳交通技术，但高技术产业或科技型企业前期资金需求较大，且大多面临融资难融资贵的问题。如陕西、宁夏及山西等省份应当意识到当下金融参与者更倾向于在区域中进行交易的局面，可将3个及以上省份进行城镇化融合形成“金融小镇”，从而进一步吸引更多新兴技术和创新性人才。因此，“人口-金融-政府”这一高分位制约机制主要作用于强碳回弹效应的省份，这些省份大多位于西南、东北及西北地区。结合分位数回归的系数结果，人口密度与政府财政政策的负向作用要强于金融聚集水平。因此，这些省份更应以发挥人口密度聚集效应和完善政府财政政策机制为首，优化提升金融聚集度为辅的抑制效应，进一步降低交通运输业碳回弹效应水平或抑制其碳回弹效应向更高水平跨越。
综上，大部分省份受低分位驱动和低分位制约两种机制作用，仅有少部分省份继续受高分位制约和高分位驱动影响，且基本属于东北、西北或西南地区。

3.5.2 多因子交互机制分析

影响中国交通运输碳回弹效应的多因素叠加效果与单因素影响效果有所差异，在实践中通常体现为多因素协同作用。将驱动因子组和制约因子组中的各因子交互叠加得到表4、表5中的交互作用结果。其中双因子作用强度均优于单因子作用，表明交通运输业碳回弹效应水平变迁是多因子共同作用结果。
表4 2009—2021年驱动因子交互作用结果

Table 4 Results of driver interactions, 2009-2021

2009年 2012年 2015年 2018年 2021年
因子组 q值 因子组 q值 因子组 q值 因子组 q值 因子组 q值
DTM ∩ TFI 0.993 DTM ∩ ER 0.989 TFI ∩ T 0.915 DTM ∩ ER 0.892 T ∩ ER 0.868
TFI ∩ ER 0.958 IS ∩ ER 0.891 T ∩ ER 0.915 IS ∩ ER 0.859 TFI ∩ T 0.868
TFI ∩ T 0.906 TFI ∩ ER 0.878 DTM ∩ ER 0.895 DTM ∩ TFI 0.835 TFI ∩ ER 0.853
IS ∩ ER 0.845 DTM ∩ TFI 0.874 T ∩ IS 0.845 TFI ∩ ER 0.793 IS ∩ ER 0.802
DTM ∩ IS 0.754 T ∩ ER 0.851 DTM ∩ T 0.823 T ∩ IS 0.761 IS ∩ TFI 0.700
IS ∩ TFI 0.710 T ∩ IS 0.784 TFI ∩ ER 0.805 DTM ∩ T 0.735 DTM ∩ ER 0.695
DTM ∩ T 0.635 DTM ∩ IS 0.717 IS ∩ ER 0.803 IS ∩ TFI 0.691 DTM ∩ IS 0.534
T ∩ IS 0.619 DTM ∩ T 0.671 DTM ∩ IS 0.785 DTM ∩ IS 0.670 DTM ∩ TFI 0.528
DTM ∩ ER 0.602 TFI ∩ T 0.664 IS ∩ TFI 0.770 T ∩ ER 0.666 DTM ∩ T 0.509
T ∩ ER 0.596 IS ∩ TFI 0.604 DTM ∩ TFI 0.766 TFI ∩ T 0.657 T ∩ IS 0.505
表5 2009—2021年制约因子交互作用结果

Table 5 Results of interaction of the constraints, 2009-2021

2009年 2012年 2015年 2018年 2021年
因子组 q值 因子组 q值 因子组 q值 因子组 q值 因子组 q值
P ∩ FA 0.897 FA ∩ GFP 0.896 RD ∩ FA 0.899 RD ∩ GFP 0.894 P ∩ FA 0.974
RD ∩ GFP 0.884 P ∩ FA 0.891 P ∩ RD 0.797 P ∩ RD 0.893 RD ∩ GFP 0.973
P ∩ GFP 0.784 P ∩ RD 0.820 RD ∩ GFP 0.796 P ∩ GFP 0.792 P ∩ GFP 0.873
RD ∩ FA 0.770 P ∩ GFP 0.719 FA ∩ GFP 0.694 P ∩ FA 0.791 FA ∩ GFP 0.871
FA ∩ GFP 0.743 RD ∩ GFP 0.715 P ∩ FA 0.692 FA ∩ GFP 0.787 P ∩ RD 0.764
P ∩ RD 0.635 RD ∩ FA 0.603 P ∩ GFP 0.636 RD ∩ FA 0.655 RD ∩ FA 0.722
将各时间节点驱动因子交互探测的q值排序，如表4所示。通过各研究节点排名前3的q值分析，“某因素∩ER”对交通运输业碳回弹效应驱动作用较强，其中TFI∩ER和DTM∩ER驱动模式出现次数占比最大，影响效果显著。对于低分位驱动机制而言，应当注重技术市场发展水平和交通基础设施改善过程中环境规制政策工具的调整，发挥环境规制对碳排放的抑制效应，减少绿色悖论，来保持弱交通运输业碳回弹效应省份的稳定性或促进弱交通运输业碳回弹效应省份向零碳回弹效应跨越的跃迁性。对于高分位驱动机制而言，除了注重IS∩ER交互因子组作用之外，随着研究期增长，T∩ER交互因子组的驱动效果逐渐上升，因此应当注重对能源消耗环境政策的制定和完善，促进强交通运输业碳回弹效应省份向弱碳回弹效应跨越的跃迁性或阻止强交通运输业碳回弹效应省份向更高水平跨越。
将各时间节点制约因子交互探测的q值排序，如表5所示。通过各研究节点排名前3的q值分析，表明“某因素∩GFP”对交通运输业碳回弹效应制约作用较强，其中RD∩GFP和P∩GFP制约模式出现次数占比最大，影响效果显著。对于低分位制约机制而言，应当充分发挥政府财政支持在人口结构优化和人才引进方面的作用，加强绿色技术研发与经费投入，来保持弱交通运输业碳回弹效应省份的稳定性或促进弱交通运输业碳回弹效应省份向零碳回弹效应甚至碳储存跨越的跃迁性。对于高分位制约机制而言，随着研究期增长，P∩FA交互因子组的制约效果逐渐上升，因此应当注重经济和人口带来的聚集效应，加强技术创新人才在省际间的流动，实现强交通运输业碳回弹效应省份向弱碳回弹效应跨越的跃迁性或阻止强交通运输业碳回弹效应省份向更高水平跨越。

4 结论与建议

4.1 结论

为促进省份间低碳交通的进一步发展。采用空间核密度估计法，探究2009—2021年中国交通运输业碳回弹效应的时空演进特征，通过面板分位数回归探究不同因子对不同水平碳回弹效应的影响得到相应的驱动或制约机制，最后针对不同机制引入地理探测器模型来考察不同因子间的交互作用。得到如下结论：
（1）疫情前，大部分省份交通运输业碳回弹效应水平呈现出“急下降缓回升”趋势，少数省份存在倒“V”型演变和波动发展状态，疫情的出现使得部分省份处于碳储存或零碳回弹效应水平，但随着疫情的缓解，碳储存或零碳回弹效应这种理想化状态可能会被打破。且随着时间推移，交通运输业碳回弹效应逐渐呈现“强强聚集”与“弱弱聚集”的空间格局，这说明交通运输业碳回弹效应具有空间相关性。
（2）空间核密度展示的特征表明，综合时空条件，碳回弹效应水平处于-1.0~0.0的省份逐渐显现出空间收敛性，省份间的空间发展相关性减弱。而碳回弹效应水平处于0.0~1.0的省份随着时间的推移空间相关性逐渐增强。且交通运输业碳回弹效应逐渐形成以弱回弹为主、强回弹为辅的空间分布格局。
（3）交通运输业碳回弹效应影响机制表明，驱动机制中包含的影响因素主要为能源强度、交通运输产业规模、环境规制强度、交通基础设施水平和技术市场发展水平，而制约机制中包含的影响因素主要为人口密度、金融聚集水平、政府财政政策和研发强度，大部分省份受低分位驱动和低分位制约两种机制作用，仅有少部分省份继续受高分位制约和高分位驱动影响，且基本属于东北、西北或西南地区。
（4）选取2009年、2012年、2015年、2018年及2021年5个时间节点观测影响交通运输业碳回弹效应多因子间的交互作用。从4类影响机制中因子间的交互结果来看，双因子作用强度均优于单因子作用。对驱动机制而言，更应注重环境规制与能源强度或环境规制与技术市场发展水平的协同作用，充分发挥交互因子组的抑碳效应。对制约机制来说，不单要注重人才培养投入，还应加强政府财政政策与研发强度的协同作用，并将如何高效建设交通网络枢纽纳入优先考虑范围。

4.2 建议

在全面可持续发展背景下，为响应二十大号召，缓解交通运输业碳回弹效应进一步扩散及实现交通运输领域能源低碳转型是当前研究的共同切入点。结合本文研究成果提出如下建议：
处于强碳回弹效应、完全碳回弹效应及出现“回火效应”的省份大多位于西北、东北及西南地区。对于这些省份而言：
（1）合理规划能源配置结构，促进“交能融合”可持续发展。为实现强交通运输业碳回弹效应省份向弱碳回弹效应跃迁，应当避免能源过度开采和消费，并优化能源配置结构。具体来说，完善资源依赖型省份与经济富足型省份间的能源监控系统，避免能源过度交易，确保能源供需平衡，从而降低碳排放。此外，形成以电力等清洁能源为首的配置结构，促进交通运输与能源电力融合，减少油气依赖，推动交通基础设施建设期，运营期及载运装备用能的清洁化替代，实现交通运输绿色发展。
（2）优化交通运输网络密度布局，构建“金融小镇”，利用减排技术共享，提升交通运输业单位能耗的经济效益。强交通运输业碳回弹效应或发生“回火效应”的地区往往是资源相对富足的省份，交通运输结构升级还未达标，应当充分发挥经济和人口的聚集效应。具体来说，在强交通运输业碳回弹效应省份间合作搭建“金融小镇”，合理规划科研区、金融区及孵化区，集中进行交通创新技术研发，吸引外商投资及经济富足型城市的人才流入，进而加强对“金融小镇”道路交通等基础设施支持，并以其为中心实现交通网络布局放射性发展，提升交通运输效率，加速新能源交通工具的市场竞争力形成，快速回收新能源交通工具的初期投资成本，从而吸引更多消费者选择新能源交通工具，实现碳回弹效应收缩，加速能源低碳转型进程。
处于弱碳回弹效应、零碳回弹效应及已经实现碳储存的省份大多位于东部沿海及东南地区。对于这些省份而言：
（1）保持适当财政支持强度，优化财政支出结构。弱交通运输业碳回弹效应省份大部分已形成较为成熟的交通运输体系和结构，需要利用其经济优势，优化财政支出结构，不单要将减碳重点转向智能交通和低碳技术的发展和推广，更要注重交通运输技术创新人员的投入和培养。具体来说，针对核心技术通过财政资金直接补助，降低研发成本。针对交通创新技术人才培养，设立奖励基金，或资助交通技术人才数据库和信息共享平台的搭建，加强交流与合作。
（2）避免环境规制绿色悖论，注重环境约束工具调整。为避免弱交通运输业碳回弹效应省份再次发生碳回弹效应增长甚至出现“回火效应”，应在交通基础设施更新及技术市场竞争中充分调动环境规制工具，发挥其抑碳效应。具体来说，在响应国务院《推动大规模设备更新及消费品以旧换新》方案下，对老旧交通设施进行节能改造，替换高耗能高碳排建设材料，实现交通运输领域能源低碳转型。对于交通技术市场发展中的恶性竞争问题，通过环境规制政策采取资源配置约束，从而调控技术市场发展速度。
本文存在以下不足有待继续深入探讨：①针对部分实现交通运输业碳储存的省份随时间推移出现的空间收敛特征，可进一步探究其背后成因。②在因素研究上，还可通过随机森林模型[33]深入探究变量间的非线性关系。此外，在“双碳”目标的要求下，对于交通运输业碳回弹效应的研究不应局限于发展现状和过去的时空变迁中，还应结合ARIMA-BP及随机森林等模型展开预测和模拟研究，这将是后续研究的重点方向。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
丁利杰, 朱泳丽. 中国交通运输业碳排放区域差异及脱钩效应[J]. 东南学术, 2023, (4): 162-174.

[Ding L J, Zhu Y L. Regional differences and decoupling effects of carbon emissions in China’s transportation industry[J]. Southeast Academic Research, 2023, (4): 162-174.]

[2]
王姣娥, 陈娱, 戴特奇, 等. 中国交通地理学的传承发展与创新[J]. 经济地理, 2021, 41(10): 59-69.

[Wang J E, Chen Y, Dai T Q, et al. Inheritance,development and innovation of transport geography in China[J]. Economic Geography, 2021, 41(10): 59-69.]

[3]
查冬兰, 陈倩, 王群伟. 能源回弹效应最新研究进展: 理论与方法[J]. 环境经济研究, 2021(1): 182-203.

[Zha D L, Chen Q, Wang Q W. The scenarios of China reaching the peaking of carbon emission before 2030 and its macroeconomic implications[J]. Journal of Environmental Economics, 2021(1): 182-203.]

[4]
Chen Z N, Du H B, Li J L, et al. Achieving low-carbon urban passenger transport in China: Insights from the heterogeneous rebound effect short run “rebound effect”of COVID on the transport carbon footprint[J]. Energy Economics, 2019, 81: 1029-1041.

[5]
Du H B, Chen Z N, Zhang Z K, et al. The rebound effect on energy efficiency improvements in China’s transportation sector: A CGE analysis direct energy rebound effect for road transportation in China[J]. Journal of Management Science and Engineering, 2020, 5(4): 249-263.

[6]
Yang S S, Duan Z C, Jiang X K. Spatial dynamics and influencing factors of carbon rebound effect in tourism transport: Evidence from the Yangtze-river delta urban agglomeration[J]. Journal of Environmental Managemrnt, 2023, DOI: 10.1016/j.jenvman.2023.118431

[7]
Saunders H D. The Khazzoom-Brookes postulate and neoclassical growth[J]. Energy Journal, 1992, 13(4): 131-148.

[8]
吴康, 耿一睿, 郭涛. 城市群绿色技术创新对碳排放的影响: 基于人力资本的调节效应[J]. 自然资源学报, 2024, 39(9): 2121-2139.

DOI

[Wu K, Geng Y R, Guo T. The impact of green technology innovation on carbon emissions from the perspective of urban agglomeration: The moderating effect of human capitals[J]. Journal of Natural Resources, 2024, 39(9): 2121-2139.]

DOI

[9]
贾锐宁, 邵帅, 杜克锐, 等. 中国碳回弹效应的时空格局、动态演进及驱动因素: 基于改进的碳排放随机前沿模型的实证考察[J]. 中国软科学, 2022(12): 23-34.

[Jia R N, Shao S, Du K R, et al. Spatial-temporal pattern,dynamic evolution, and driving factors of carbon rebound effect in China: Based on improved stochastic frontier model of carbon emission[J]. China Soft Science Magazine, 2022(12): 23-34.]

[10]
张济建, 万安位, 宋雅静. 能源回弹效应下高碳产业低碳转型过程中的技术突变性[J]. 科技进步与对策, 2020, 37(18): 60-69.

[Zhang J J, Wan A W, Song Y J. Technological abrupt change in the process of low carbon transformation in high-carbon industry considering energy rebound effect[J]. Science & Technology Progress and Policy, 2020, 37(18): 60-69.]

[11]
卢娜, 王为东, 王淼, 等. 突破性低碳技术创新与碳排放: 直接影响与空间溢出[J]. 中国人口·资源与环境, 2019, 29(5): 30-39.

[Lu N, Wang W D, Wang M, et al. Breakthrough low-carbon technology innovation and carbon emissions: Direct and spatial spillover effect[J]. China Population, Resources and Environment, 2019, 29(5): 30-39.]

[12]
徐瑾, 单子强. 绿色技术创新对城市碳减排的影响研究: 基于空间计量模型的实证分析[J]. 经济问题探索, 2024, (9): 155-172.

[Xu J, Shan Z Q. Research on the impact of green technology innovation on urban carbon emission reduction: Empirical analysis based on spatial econometric model[J]. Inquiry into Economic Issues, 2024, (9): 155-172.]

[13]
邵帅, 范美婷, 杨莉莉. 经济结构调整、绿色技术进步与中国低碳转型发展: 基于总体技术前沿和空间溢出效应视角的经验考察[J]. 管理世界, 2022, 38(2): 46-69, 4-10.

[Shao S, Fan M T, Yang L L. Economic restructuring, green technical progress, and low-carbon transition development in China: An empirical investigation based on the overall technology frontier and spatial spillover effect[J]. Management World, 2022, 38(2): 46-69, 4-10.]

[14]
何艳秋, 陈柔, 朱思宇, 等. 策略互动和技术溢出视角下的农业碳减排区域关联[J]. 中国人口·资源与环境, 2021, 31(6): 102-112.

[He Y Q, Chen R, Zhu S Y, et al. Regional correlation of agricultural carbon emission reduction from the perspective of strategic interaction and technology spillover[J]. China Population, Resources and Environment, 2021, 31(6) : 102-112.]

[15]
田云, 尹忞昊. 技术进步促进了农业能源碳减排吗? 基于回弹效应与空间溢出效应的检验[J]. 改革, 2021, (12): 45-58.

[Tian Y, Yin M H. Does technological progress promote carbon emission reduction of agricultural energy? Test based on rebound effect and spatial spillover effect[J]. Reform, 2021, (12): 45-58.]

[16]
陈佩. 农业碳排放回弹及机制分析: 基于农业技术进步的视角[J]. 经济与管理, 2024, 38(5): 85-92.

[Chen P. Agricultural carbon emission rebound and mechanism analysis: Based on the perspective of agricultural technological progress[J]. Economy and Management, 2024, 38(5): 85-92.]

[17]
杨柏, 秦广鹏, 邬钦. “双碳”目标下中国省域碳排放核算分析[J]. 环境科学, 2022, 43(12): 5840-5849.

[Yang B, Qin G P, Wu Q. Analysis of procincial CO2 emission accounting in China under the carbon peaking and carbon neutrality goals[J]. Environmental Science, 2022, 43(12): 5840-5849.]

[18]
王超, 武丽敏. 基于“双碳”视角的丝绸之路经济带交通碳减排驱动因素分析[J]. 干旱区资源与环境, 2024, 38(2): 9-19.

[Wang C, Wu L M. Factors driving the carbon emission reduction in transport along the Silk Road Economic Belt: An analysis from the perspective of “double carbon”[J]. Journal of Arid Land Resources and Environment, 2024, 38(2): 9-19.]

[19]
李海鹏, 李卓, 张俊飚. 中国农业能源回弹效应的形成机制、时空演变及影响因素[J]. 中国人口·资源与环境, 2022, 32(10): 24-34.

[Li H P, Li Z, Zhang J B. Formation mechanism, spatio-temporal evolution, and influencing factors of agricultural energy rebound effect in China[J]. China Population, Resources and Environment, 2022, 32(10): 24-34.]

[20]
刘华军, 乔列成, 孙淑惠. 黄河流域用水效率的空间格局及动态演进[J]. 资源科学, 2020, 42(1): 57-68.

DOI

[Liu H J, Qiao L C, Sun S H. Spatial distribution and dynamic change of water use efficiency in the Yellow River Basin[J]. Resources Science, 2020, 42(1): 57-68.]

DOI

[21]
Koenker R. Quantile regression for longitudinal data[J]. Journal of Multivariate Analysis, 2004, 91(1): 74-89.

[22]
阿多, 赵文吉, 宫兆宁, 等. 1981-2013华北平原气候时空变化及其对植被覆盖度的影响[J]. 生态学报, 2017, 37(2): 576-592.

[A D, Zhao W J, Gong Z N, et al. Temporal analysis of climate change and its relationship with vegetation cover on the North China Plain from 1981 to 2013[J]. Acta Ecologica Sinica, 2017, 37(2): 576-592.]

[23]
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134.

DOI

[Wang J F, Xu C D. Geodetector: Principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1):116-134.]

DOI

[24]
Zhou X Z, Wen H J, Zhang Y L, et al. Landslide susceptibility mapping using hybrid random forest with Geo Detector and RFE for factor optimization[J]. Geoscience Frontiers, 2021, DOI: 10.1016/j.gsf.2021.101211.

[25]
乔岩, 焦利民. 全球视角下城市形态对交通碳排放的影响[J]. 地理研究, 2023, 42(12): 3202-3218.

DOI

[Qiao Y, Jiao L M. Impacts of urban form on transportation carbon emissions from a global perspective[J]. Geographical Research, 2023, 42(12): 3202-3218.]

[26]
王峥, 程占红. “双碳”目标下中国服务业碳强度时空交互特征及跃迁机制[J]. 地理学报, 2023, 78(1): 54-70.

DOI

[Wang Z, Cheng Z H. Spatiotemporal interaction characteristics and transition mechanism of carbon intensity in China’s service industry under the targets of carbon peak and carbon neutrality[J]. Acta Geographica Sinica, 2023, 78(1): 54-70.]

[27]
梁任敏, 巴曙松. 交通通达性、资源配置与城乡消费水平差距[J]. 财经科学, 2022, (3): 68-81.

[Liang R M, Ba S S. Transportation accessibility, resource allocation and urban-rural consumption gap[J]. Finance & Economics, 2022, (3): 68-81.]

[28]
徐鹏, 包存宽. 环境规制对碳排放影响研究进展及未来展望[J]. 科技管理研究, 2022, 42(10): 41-47.

[Xu P, Bao C K. Progress and future prospect of the impact of environmental regulation on carbon emission[J]. Science and Technology Management Research, 2022, 42(10): 41-47.]

[29]
Liu H J, Guo L X, Qiao L C, et al. Spatial-temporal pattern and dynamic evolution of logistics efficiency in China[J]. Journal of Quantitative & Technical Economics, 2021, 38(5): 57-74.

[30]
Edwin V D W, Corrado D M. Imperfect environmental policy and polluting emissions: The green paradox and beyond[J]. International Review of Environmental and Resource Economics, 2012, 6(2): 153-194.

[31]
王少剑, 苏泳娴, 赵亚博. 中国城市能源消费碳排放的区域差异、空间溢出效应及影响因素[J]. 地理学报, 2018, 73(3): 414-428.

DOI

[Wang S J, Su Y X, Zhao Y B. Regional inequality, spatial spillover effects and influencing factors of China’s city-level energy-related carbon emissions[J]. Acta Geographica Sinica, 2018, 73(3): 414-428.]

[32]
胡俊峰, 季爱佳. 研发强度目标导向对绿色发展的影响研究: 基于合成控制法的实证研究[J]. 湖南科技大学学报(社会科学版), 2024, 27(1): 149-158.

[Hu J F, Ji A J. Research on the influence of target orientation of R&D intensity on green development: Empirical research based on synthetic control method[J]. Journal of Hunan University of Science and Technology (Social Science Edition), 2024, 27(1): 149-158.]

[33]
何小钰, 庄雅烨, 邱穗萱, 等. 城市三维空间结构对碳排放影响的尺度效应[J]. 生态学报, 2024, 44(2): 612-624.

[He X Y, Zhuang Y Y, Qiu S X, et al. Analyzing the impact of urban three-dimensional spatial structure on CO2 emission at multiple scales[J]. Acta Ecologica Sinica, 2024, 44(2): 612-624.]

Options
文章导航

/

〈 〉