在全球气候治理框架下,中国“双碳”目标的落地亟须破解区域发展不平衡与责任协同难题。在此背景下,减排、固碳与增汇的三维路径协同正重塑国土空间规划的价值取向。城市作为碳减排过程的核心空间载体[1],其减排效率直接关系国家“双碳”目标的实现进程,其中交通领域的碳减排成效尤为关键[2-3]。西部陆海新通道作为国家战略性廊道,其沿线地区存在货运量指数级增长与低碳运输结构调整滞后的系统性冲突,加上地形限制下的电动化改造障碍,正面临“高增长-高排放”的路径依赖困境[4]。因此,以国家战略为导向探索西部陆海新通道沿线地区交通碳排放优化策略具有深远的现实意义。
当前,国内外交通碳排放领域的相关研究主要围绕3个主题。第一为交通碳排放的测算,主要分为“自上而下”与“自下而上”两种模式[5-6],前者从宏观经济下的能源消费角度进行测算[7],适合衡量整体碳排放情况,如交通运输业碳排放量[8];后者基于碳源保有量、单位行驶里程等微观数据,常用于细分环节的碳排放测算,例如公路运输[9]、公交客运[10]的碳排放量。第二为交通碳排放空间分异与时空演化研究[11],呈现出单一指标衡量向多指标融合的发展趋势,并引入空间关联视角[12],其中基尼系数[13]、泰尔系数[14]、变异系数[15]以及空间自相关分析[16]等方法应用频次较高。经实证研究发现,我国交通碳排放空间差异明显,但差距逐渐缩小,呈现出“东高西低”的特征[17],区域内部的交通碳排放格局也呈现出一定的方向性[18-19]。第三为交通碳排放的影响因素研究,从研究方法来看,利用LMDI模型[20-21]、STIRPAT模型[22]、Tapio脱钩测度模型[23]、地理加权回归[24]等方法产出的学术成果丰富,空间杜宾模型等空间计量模型也表现出色[25]。整合已有研究发现,影响交通碳排放的因素既包括交通、能源等直接因素,也包括经济、社会、政治等间接因素,各因素之间存在复杂的系统关联,其中经济与人口规模的正向驱动作用明显[26-27],交通运输强度、城镇化率以及能源结构等也对交通碳排放产生显著影响[28]。
总的来看,交通碳排放演化特征与影响因素研究快速兴起,但在研究主题与案例实证方面仍存在一定局限。现有交通碳排放研究在全国和省级尺度已取得较多成果,而地市级尺度的中微观研究仍存在补充空间,且多聚焦东部沿海发达城市展开讨论而对西部城市的关注度相对较弱。此外,对于交通廊道对区域碳排放传导机制以及通道枢纽城市与边缘地区交通碳排放问题的解决路径等科学问题的探索仍有待深化。
西部陆海新通道是我国“陆海统筹、东西互济”的战略性交通廊道,其沿线城市正在经历交通基础设施改善带来的经济发展增速。因此,本研究以西部陆海新通道沿线城市为研究对象,综合应用基尼系数、空间自相关分析与空间杜宾模型,通过多维度量化工具的协同,揭示区域间交通碳排放差异的动态变化与驱动机制,以期为理解交通廊道对交通碳排放空间差异的影响机理提供理论指导,为优化以低碳为目标的跨区域规划提出路径与策略。
1 研究区概况
本研究基于国家发展和改革委员会2019年颁布的《西部陆海新通道总体规划》战略框架,将研究范围界定为“13+2”省际合作机制覆盖的西部陆海新通道核心区域(图1)。研究样本涵盖重庆、四川、贵州等13个西部省(自治区、直辖市)及怀化、湛江2个节点,共提取137个地市级行政单元(含地级市、自治州、盟及省直辖县),总面积占国土陆地面积的45.6%。考虑到数据可比性,对三沙市及新疆直辖县级市(数据缺失率达90%以上)进行剔除,同时将海南省15个地理邻近的省直辖县合并为单一分析单元。研究区2020年常住人口达3.2亿人,GDP总量占全国的21.8%。从碳排放特征看,研究区2020年碳排放总量达38.2亿吨,占全国总量的30.07%,其中交通碳排放占比6.11%,平均人均交通碳排放量约为560.36 kg/人。
2 数据来源与研究方法
2.1 数据来源
本研究选择2010年、2015年和2020年3个时间节点开展研究。矢量地图数据来自国家地理信息公共服务平台(https://www.tianditu.gov.cn)提供的审图号为GS(2024)0650号的标准地图。交通碳排放数据来源于中国城市温室气体工作组提供的中国城市二氧化碳排放数据集,选取交通碳排放总量(万t)、人均交通碳排放量(kg/人)和单位GDP交通碳排放量(kg/万元)3个指标表征总体排放规模、个体活动强度与均衡性,以及经济发展与碳减排实施的耦合情况,三者结合可全面评估规模结构、空间公平性与可持续性。影响因素体系中各指标因子数据来源于《中国城市统计年鉴》与研究区各省市统计年鉴,其中各地级市不透水面面积数据来源于全国地理信息资源目录服务系统(https://www.webmap.cn)提供的30 m分辨率地表覆盖数据。
2.2 研究方法
2.2.1 基尼系数
基尼系数是分析空间整体差异和均衡性的典型方法[29]。为揭示交通碳排放时空演化的动态规律,本研究引入基尼系数对西部陆海新通道沿线地区交通碳排放的时空集散演化过程进行探究。基尼系数越接近1,表示空间差距越明显;越接近0,表示空间分布越均衡。具体公式为
G=1- pi(2Qi-wi)。
式中:G为基尼系数,取值范围为0~1;n为研究单元数量;pi为第i个研究单元的样本数量比重,如本研究共137个研究单元,每个研究单元只包含唯一地级市,则pi均为1/137;Qi为从第1个到第i个研究单元的累计指标比重;wi为第i个研究单元指标比重。
2.2.2 空间自相关
在全局空间分析框架下,本研究引入莫兰指数(Moran's I)作为核心工具,系统评估交通碳排放的全局空间关联特性[30]。该方法通过构建空间权重矩阵,综合测度相邻区域间碳排放水平的相似性及空间依赖关系,进而揭示碳排放强度的空间分异规律及其集聚效应。具体而言,Moran's I指数的计算结果可表征3类空间模式:当指数显著大于0时,表明研究单元间碳排放呈现正向空间自相关性,高排放或低排放区域集聚效应显著;当指数趋近于0时,反映碳排放空间分布趋于随机性,未形成显著的空间关联结构;当指数显著小于0时,表明碳排放呈现离散化分布态势,高排放区域与低排放区域交错分布的空间异质性突出。
由于全局自相关无法反映局部空间单元的具体关联影响,需进一步采用局部自相关分析探究微观集聚效应,根据LISA聚类方法得到局部地区内部异质性分布,将研究区划分为高-高(H-H)、低-低(L-L)、高-低(H-L)、低-高(L-H)4种集聚类型,有助于揭示各研究单元交通碳排放分布的局部特征及其与周边地区的空间关联模式。
2.2.3 空间杜宾模型
空间杜宾模型(spatial Durbin model,SDM)通过整合内生交互效应与外生空间依赖性,构建了兼具解释广度和深度的空间计量框架。该方法通过拓展空间自回归模型(spatial autoregression,SAR)与空间误差模型(spatial error model,SEM)的建模框架,在基准模型中同步纳入被解释变量的空间滞后项与解释变量的空间交互项[31],具体表达式为
Y=λWY+βX+θWX+ε。
式中:W为空间权重矩阵;WY和WX分别表示被解释变量和来自周边区域解释变量的空间滞后项;λ系数衡量核心区与被辐射区间被解释变量的“涟漪效应”;β系数表征本地解释变量的直接作用强度;θ参数则揭示解释变量空间溢出的传导路径效能;ε为满足独立正态分布的随机误差项。当λ=0且θ=0时,该模型能够被简化为传统最小二乘(ordinary least square,OLS)回归。
2.3 变量选取
交通碳排放的影响机理具有复杂性与系统耦合性,涉及交通系统网络、能源消费模式、经济活动强度和空间开发模式等多重因素的交互作用[32]。首先,交通运输体系是交通碳排放的核心驱动力,交通碳排放的直接来源是运输活动的能源消耗。交通网络密度与运输效率存在密切联系[33-34],而货运活动强度对碳排放具有显著影响[27-28]。其次,经济活动是交通需求的根源。人均GDP体现区域经济发达程度,高收入水平可能引起环保意识的改变[35],而社会消费品零售总额与产业增加值所反映的消费市场与产业发展活跃度对交通碳排放也具有一定影响[35-36]。此外,城市发展水平在一定程度上能够通过空间耦合影响交通运输效率与路径,从而引起交通碳排放的变化[33,37]。
因此,本文在STIRPAT模型和空间计量模型的理论基础上,综合考虑数据可获得性与西部陆海新通道区域经济特征构建涵盖交通运输体系、经济规模和城市发展水平3个维度的影响因素指标体系(表1),揭示各指标对交通碳排放的作用机理。
表1 交通碳排放的影响因素指标体系Tab.1 Indicator system of influencing factors for transportation carbon emissions |
| 因素 | 指标 | 含义 | 单位 |
|---|---|---|---|
| 交通运输体系 | 货物周转量$X_{1}$[27-28] | 各种运输工具实际运送的货物数量与相应运输距离的乘积之和 | 万t·km |
| 货运量$X_{2}$[27-28] | 各种运输工具实际运送的货物数量 | 万t | |
| 公路密度$X_{3}$[33-34] | 各地级市区域内公路总长度与面积的比值 | km/km2 | |
| 经济规模 | 人均GDP$X_{4}$[26,35] | 衡量一个地区经济水平和发展程度 | 元 |
| 社会消费品零售总额$X_{5}$[35-36] | 体现城市内部的消费市场规模 | 万元 | |
| 第二产业生产增加值$X_{6}$[33,36] | 反映城市工业发展规模 | 万元 | |
| 第三产业生产增加值$X_{7}$[33,36] | 反映城市服务业发展水平 | 万元 | |
| 城市发展水平 | 城镇化率$X_{8}$[35,37] | 城镇常住人口所占比重,反映城市发展水平 | % |
| 不透水面面积$X_{9}$[34,37] | 不透水材料覆盖地表面积,反映城市化程度 | km2 |
3 西部陆海新通道沿线城市交通碳排放的时空演化特征
3.1 交通碳排放的空间格局演化特征
交通碳排放总量空间分布(图2a)呈现出“东高西低”的空间分布格局,节点城市交通碳排放规模持续扩大。城市交通碳排放高值在2010—2015年主要零散分布在昆明、重庆、成都、贵阳、南宁等核心节点城市,最高超过2 800万t,且呈现逐年增长的趋势,并于2020年在滇中城市群、成渝城市群地区形成高集聚态势。相比之下,西北和西南地区的新疆(巴音郭楞蒙古自治州、吐鲁番市、哈密市)、青海(海西蒙古族藏族自治州)、四川(甘孜藏族自治州)、西藏(那曲地区)等省份中,部分边缘城市交通碳排放量较低,并呈现先上升后下降的趋势,尤其是吐鲁番市、哈密市、海西蒙古族藏族自治州、甘孜藏族自治州等变化趋势明显。
人均交通碳排放量空间分布(图2b)则呈现出“中高西低”的空间分布特征,西部边缘地区人均碳排放水平下降明显。2010年青海、内蒙古、甘肃等地的人均交通碳排放量较高,尤其是玉树藏族自治州、阿拉善盟、锡林郭勒盟、海西蒙古族藏族自治州等边缘城市排放水平在2 000 kg/人以上,排放量相对低的区域则集中在西南地区,保持500 kg/人以下。随着城镇化的快速推进,新疆地区的人均碳排放量在2015年呈现显著上升的趋势,反映出该阶段交通基础设施改善对地区人口增长的驱动力仍不明显。2020年,整体人均交通碳排放水平显著下降,数值保持在1 000 kg/人以下,尤其新疆、青海、川西等边缘地区的人均碳排放水平下降程度较高,由2015年的2 000 kg/人以上下降至500~1 000 kg/人,甚至低于500 kg/人,交通设施完善对边缘地区社会发展的带动作用逐渐凸显。
单位GDP交通碳排放量整体上呈现“中高西低、北高南低”的分布特征,且排放强度逐年下降(图2c)。2010年与2015年单位GDP交通碳排放的高值集中在新疆、青海、四川等地,包括和田、克州、玉树州、果洛州、甘孜州、阿坝州等城市,排放强度达500 kg/万元以上。2020年,单位GDP交通碳排放水平呈现整体下降的趋势,除青海海南州和玉树州仍保持高值外,其余城市都在400 kg/万元以下,新疆大多城市单位GDP交通碳排放量下降到200 kg/万元以下。这一变化说明西部陆海新通道的建设在一定程度上提高了沿线城市交通运输效率,尤其针对新疆、青海等经济水平相对落后地区而言,通道的建设有助于缩小与其他城市之间的发展差距,实现经济发展与交通碳减排的耦合协调。
3.2 交通碳排放的均衡性演化特征
西部陆海新通道沿线城市交通碳排放总量的分布呈现显著的非均衡性,区域差距先缩小后扩大。表2为西部陆海新通道沿线城市各交通碳排放指标基尼系数,2010—2015年总交通碳排放基尼系数由0.22降至0.16,表明各城市交通碳排放的总体排放规模差距缩小;但2020年基尼系数反弹至0.23,表明城市间交通碳排放规模差异重新拉大,排放再次呈现向部分枢纽城市集聚的趋势。
表2 交通碳排放基尼系数测算结果Tab.2 Gini coefficient calculation results for transportation carbon emissions |
| 年份 | G碳排放总量 | G人均交通碳排放 | G单位GDP交通碳排放 |
|---|---|---|---|
| 2010年 | 0.22 | 0.45 | 0.25 |
| 2015年 | 0.16 | 0.39 | 0.25 |
| 2020年 | 0.23 | 0.20 | 0.13 |
人均交通碳排放和单位GDP交通碳排放的基尼系数均呈现显著下降的趋势,表明城市间人均交通活动强度与交通碳排放强度趋于均衡化的发展态势。根据计算结果,2010—2020年人均交通碳排放和单位GDP交通碳排放的基尼系数均持续下降,说明西部陆海新通道沿线城市在交通系统中的碳排放与经济产出之间的比值差距不断缩小,区域经济发展更趋均衡,减排措施成效明显。
3.3 交通碳排放的空间集聚演化特征
各维度交通碳排放空间自相关特征显著,且呈现先极化后均衡的趋势。计算西部陆海新通道沿线城市交通碳排放莫兰指数(表3)发现,城市交通碳排放在空间上存在显著的空间自相关特征,各年份均通过显著性检验,集聚特征明显,其中2015年空间极化现象突出,2020年趋于均衡。
表3 交通碳排放莫兰指数Tab.3 Moran's index of transportation carbon emission indicators |
| 年份 | 碳排放总量 | 人均交通碳排放量 | 单位GDP交通碳排放量 | ||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Moran's I | z | P | Moran's I | z | P | Moran's I | z | P | |||||||
| 2010年 | 0.11 | 2.49 | 0.01 | 0.26 | 5.68 | 0.00 | 0.24 | 4.77 | 0.00 | ||||||
| 2015年 | 0.14 | 3.66 | 0.00 | 0.38 | 7.60 | 0.00 | 0.35 | 7.03 | 0.00 | ||||||
| 2020年 | 0.06 | 1.80 | 0.07 | 0.09 | 2.20 | 0.03 | 0.26 | 5.33 | 0.00 | ||||||
交通碳排放总量主要以低-低集聚区为主,成渝周边城市集聚类型转换频繁。由图3a可知,在西北、青藏高原等边缘地区低-低型集聚区覆盖较广且逐渐扩大,这些地区地广人稀,交通基础设施服务水平相对落后。高-高型城市数量显著减少,重庆与成都周边城市集聚类型在高-高集聚与低-高集聚之间频繁转换,体现出非均衡的发展态势,其中遵义和达州始终保持高值集聚特征。
人均交通碳排放量空间集聚呈现高值集聚区显著减少、低值集聚区稳步扩张的发展态势。由图3b可知,2010—2015年高值集聚显著增加,其中2010年的高-高集聚区主要分布在内蒙古与新疆地区,如哈密、赤峰、巴彦淖尔等;2015年高值集聚区向西北方向转移,覆盖范围明显扩大。2020年,非显著特征区域覆盖绝大部分研究区,表明人均交通碳排放量空间分布趋于均衡,其中银川、西安与拉萨人均交通碳排放量较高。
多数城市单位GDP交通碳排放量集聚程度波动降低,总体分布趋于均衡(图3c)。2010—2015年高-高集聚区主要分布在四川、甘肃、新疆等地区,包括巴音郭楞蒙古自治州、海西蒙古族藏族自治州、甘孜藏族自治州等,这些地区经济发展水平较低,低碳技术缺乏推广。2020年,单位GDP交通碳排放空间集聚特征变化显著,高-高集聚区域大幅降低,集中分布在甘肃南部,海西州与兰州交通碳减排成效突出。 非显著区域面积增加再次证明城市间发展差距缩小,大部分城市逐步实现向低碳型经济发展模式的转换。
4 交通碳排放影响因素分析
4.1 空间计量模型的选择
本研究利用Geoda软件构建空间邻接矩阵(0-1矩阵)作为空间权重矩阵开展模型计算,分别进行LM检验、Wald检验、Hausman检验和LR检验(表4)。LM检验结果表明样本数据存在显著的空间自相关性,符合空间计量模型的基本要求,且空间误差检验与空间滞后检验均具有1%的显著性,因此可以考虑使用空间杜宾模型进行计量分析。Wald检验结果均在1%的显著性水平下拒绝原假设,验证空间杜宾模型不会退化为空间滞后模型或空间误差模型。进一步结合Hausman检验与LR检验结果对模型效应的选择进行判断,最终选取个体时间固定效应的空间杜宾模型开展空间计量分析。
表4 空间计量模型检验结果Tab.4 Diagnostic results of spatial econometric models |
| 空间计量模型检验 | 数值 | P | |
|---|---|---|---|
| LM检验 | Moran's I | 5.268 | 0.000 |
| LM-error | 24.434 | 0.000 | |
| LM-lag | 12.082 | 0.001 | |
| Wald检验 | Wald-SDM/SEM | 54.980 | 0.000 |
| Wald-SDM/SAR | 40.520 | 0.000 | |
| Hausman检验 | 44.920 | 0.000 | |
| LR检验 | LR-both/ind | 24.010 | 0.020 |
| LR-both/time | 454.790 | 0.000 | |
4.2 影响因素分析
1)西部陆海新通道交通碳排放呈现多维驱动特征,各因子通过不同作用机制对交通碳排放形成差异化的直接影响。由空间杜宾模型回归结果(表5)可知,ρ值显著为正,表明交通碳排放量具有显著的空间溢出效应,本地交通碳排放的增加会引起相邻地区交通碳排放的增加。
表5 空间杜宾模型分析结果Tab.5 Analysis results of spatial Durbin model |
| 变量 | 回归系数 | 空间滞后系数 |
|---|---|---|
| X1 | 2.04×10-6 (-0.79) | 3.88×10-6 (-1.33) |
| X2 | 0.000 5*** (-2.96) | 0.000 8*** (-3.34) |
| X3 | 0.733 7*** (-2.63) | -0.869 8 (-1.00) |
| X4 | -0.001 4*** (-3.30) | -0.001 5** (-2.30) |
| X5 | -1.18×1 (-2.83) | 3.95×10-6*** (-2.6) |
| X6 | 6.69×10-6** (-1.99) | 8.83×10-6** (-2.45) |
| X7 | 1.79×10-5*** (-8.96) | -1.27×10-5 (-5.29) |
| X8 | -0.504 5* (-1.00) | -1.397* (-1.45) |
| X9 | 0.344 3*** (-3.39) | -0.056 1 (-0.55) |
| ρ | 0.186 4*** (-2.58) | |
| 观测量 | 411 | |
| R2 | 0.763 | |
注:*P<0.1,**P<0.05,***P<0.01,括号中的数值为z值。 |
从各自变量的效应值来看,货运量(X2)、公路密度(X3)、第二产业增加值(X6)、第三产业增加值(X7)和不透水面面积(X9)对交通碳排放具有显著正向驱动作用。其中,公路密度(X3)的回归系数最高,达0.733 7,表明公路密度对于交通碳排放的正向驱动作用最强:一方面,公路网络的优化提升了交通可达性,刺激物流需求并增加公路货运量,从而导致交通碳排放上升;另一方面,路网密度的提升能够降低寻找替代路线的决策成本,使运输主体对公路运输形成路径依赖,阻碍铁路、水运等相对低碳路径的发展机会,延缓运输结构低碳化进程。货运量(X2)也是影响交通碳排放的重要因素,物流枢纽城市(如重庆、成都等)的跨区域运输需求直接加大化石能源消耗,企业会优先采用大载量、高功率的运输工具,增加能耗强度,同时高频的运输强度再加上公路货运的低效接驳所导致的短途空驶现象,容易造成交通碳排放量的升高。第二、三产业增加值(X6、X7)对交通碳排放的驱动机制表现为:伴随着工业原料与产品运输需求的增加,货运周转量显著提升,而服务业的发展也需要频繁的物流配送与人员流动,增加交通需求;同时,西部陆海新通道沿线的部分地区发展相对落后,可能因技术升级缓慢或绿色交通政策执行力不足,导致产业增长未能与交通碳排放有效脱钩。不透水面面积(X9)反映城市扩张程度,物流仓储设施受地租等因素影响向城市外围迁移,从而拉长到消费末端的运输距离,增加运输能耗,同时城市规模的扩张也实现城市能级提升,加快要素流动,引起交通碳排放增长。
人均GDP(X4)与交通碳排放呈显著负相关,反映出经济发展所带来的低碳技术应用和环保意识提升能够抑制交通碳排放。社会消费品零售额(X5)对交通碳排放的抑制作用较弱,需进一步推广绿色物流以满足消费所带来的货运需求。值得注意的是,城镇化率(X8)对交通碳排放产生显著负向效应,这一定程度上说明我国“新型城镇化”通过构建集约高效的空间格局与“双碳”目标协同发展能够促进交通碳减排。
2)西部陆海新通道沿线交通碳排放影响因素空间溢出效应显著,对相邻地区交通碳排放的作用机制存在显著差异。货运量(X2)的空间溢出效应显著为正,可能由于枢纽集散功能将本地货运需求分散到周边节点,将货运需求外溢至周边地区,形成“需求转移效应”,从而导致邻近地区交通碳排放增加。社会消费品零售额(X5)空间滞后系数显著为正,表明本地零售额增加会间接引起邻近地区交通碳排放增加,这是由于消费增长一方面带动商品流通需求提升,另一方面可能促进企业跨区域布局,从而增加邻近地区运输需求,提升交通碳排放。第二产业增加值(X6)的正向空间溢出效应在于,工业发展可以通过上下游联动带动周边地区生产活动,间接影响周边地区交通碳排放。
人均GDP(X4)的负向空间溢出效应反映出本地经济结构升级与技术扩散对邻近地区交通碳减排的促进作用,本地经济向数字经济等高附加值产业转型,同时通过技术扩散或政策示范效应,促使周边地区加速淘汰高碳产业。城镇化率(X8)的负向溢出效应表明城镇化推动土地利用集约化和交通网络优化,能够有效减少邻近地区的低效运输,改善邻近地区的交通碳排放。
5 结论与建议
5.1 结论
本文以西部陆海新通道沿线地区为研究对象,选取交通碳排放总量、人均交通碳排放量以及单位GDP交通碳排放量3个观测量研究长时序下新通道沿线地区交通碳排放时空演化特征。进一步地,通过构建交通运输体系、经济规模和城市发展水平三维指标体系,分析影响交通碳排放空间差异的内在机理。主要得到以下结论:
1)交通碳排放呈现显著的空间分异与动态演化特征。总体上,交通碳排放总量呈现“东高西低”且向成渝、滇中等核心城市群高度集聚,核心节点城市的高排放趋势明显而部分偏远地区排放量相对较低,这种分布特征反映了区域经济发展与交通活动的不均衡性。人均交通碳排放和单位GDP交通碳排放均呈现先上升后下降的发展趋势,一定程度上表明地区经济增长与碳减排的初步协同。
2)交通碳排放动态演化的非均衡特征显著但逐渐弱化。交通碳排放总量基尼系数先降后升,而人均水平与排放强度的基尼系数持续收窄,表明减排效率与均衡性改善存在矛盾,需统筹区域协调发展与低碳转型。
3)交通碳排放具有显著空间集聚特征,各城市交通碳排放指标呈现先极化后均衡的变化趋势,但仍存在结构性问题。交通碳排放总量以“低-低”集聚区为主,成渝周边城市集聚类型频繁转换反映出核心城市的辐射作用不够协调。人均交通碳排放“高-高”集聚区向西北收缩,银川、西安、拉萨等城市减排风险犹存。单位GDP交通碳排放空间分布虽趋向均衡,但欠发达区域因技术不足减排滞后,与兰州等中心形成鲜明对比。
4)交通碳排放呈现多维驱动与显著空间溢出特征,其影响因素通过差异化作用机制产生影响。直接效应层面,货运量、公路密度、二、三产业增加值及不透水面面积均正向驱动交通碳排放,其中公路密度影响最为显著;而人均GDP与城镇化率通过经济转型和技术扩散形成抑制作用。空间溢出层面,货运需求外溢、消费扩张及产业联动引发的“需求转移效应”导致邻近地区碳排放增加,但经济结构升级和城镇化政策可通过技术外溢与空间优化反向抑制周边排放。
从研究的边际贡献来看,本文聚焦西部陆海新通道沿线城市开展地级市尺度研究,能够一定程度上丰富交通碳排放研究的案例代表性,同时服务于国家战略需求。此外,本文规避了单一维度评价的局限性,选择从交通碳排放总量、人均交通碳排放量与单位GDP交通碳排放量3个维度对研究区内交通碳排放情况进行全面把控,为科学判断交通碳排放发展趋势提供更有力的证据。从影响因素的结果来看,交通运输水平和产业发展的正向驱动作用这一发现与其他学者[26-27]的论断相同;但城镇化率对交通碳排放的负向抑制效应这一结论,突破传统研究中对城镇化单向增碳的传统认知,为“新型城镇化促减排”提供实证支撑。本文也存在一定局限性,在碳排放量测算上基于“自上而下”的方法较为宏观,且未能获取企业级物流数据以捕捉交通运输网络的微观组织机制,对于碳排放影响机制的解释深度尚浅。未来可尝试采用物流大数据等新型数据源开展更高精度的交通碳排放测算,引入更加多维的评价指标,对比多种计量模型开展影响因素研究。
5.2 建议
基于西部陆海新通道沿线地区交通碳排放空间特征与影响因素的研究结果,本文以提高国家政策响应为导向,从西部陆海新通道沿线城市碳减排的痛点与难点出发,提出以下政策建议:
1)推行核心-边缘结构下的动态交通碳减排路径,构建差异化减排机制。对重庆、南宁核心枢纽型城市而言,需优先加大新能源公交、电动物流车的普及力度,并优化铁路与水运在货运中的比重,降低对公路运输依赖,从而推动绿色转型。对非枢纽型城市,应避免因交通网络滞后导致未来碳排放快速增长的趋势,通过完善省际公路、铁路连接,同步配套充电桩等低碳交通设施,实现基建与减排的深度协同。同时,依托西部陆海新通道建设,在减排成效突出的城市设立“绿色交通示范工程”,通过经验共享和技术援助帮助其他城市跟进,缩小区域间排放差距。此外,建立沿线城市交通碳排放动态监测系统,定期评估减排成效,动态调整政策力度,确保区域减排路径的协调推进。
2)实施绿色物流与新型城镇化的双轨调控,推动低碳交通与城市空间协同发展。一方面,在通道关键货运节点,如钦州港、果园港等,推广“绿色货运计划”,通过补贴鼓励物流企业使用电动卡车、氢能列车等低碳运输工具,并扩大铁路与水运在煤炭、矿产等大宗货物运输中的比例,降低公路运输比重。另一方面,在城市群内部,强化地铁、公交优先政策,限制私家车进入市中心,降低人均出行碳排放。贵安新区等快速城镇化地区,实施“公交导向开发(TOD)”模式,通过高密度土地利用减少长距离通勤需求。同时,建议将“人均交通碳排放”与“单位GDP交通碳排放”纳入城市规划考核指标,从而加快推进绿色城镇化。
3)强化空间联动、责任共担的跨区域交通碳排放协同治理机制。针对交通碳排放存在显著“空间溢出效应”的结论,建议建立跨行政区的减排协同治理机制。首先,在通道节点城市间构建“区域碳排放权交易市场”,允许减排超额城市通过碳交易获得经济补偿,激励边缘城市主动参与减排。其次,针对跨城货运的碳排放溢出问题,建议沿通道规划“低碳货运通道网络”,统一制定如重型卡车限行路段、时段,清洁能源车辆推广等标准,并建立跨区域交通数据共享平台,优化货运路线规划以减少绕行导致的额外排放。此外,需强化区域间的互补合作:核心城市向周边城市转移大型物流中心和仓储设施等,减少交通碳排放,同时提供技术支援;中小城市则通过承接和发展低碳产业降低对高排放交通运输的依赖。最后,将空间溢出效应评估纳入西部陆海新通道建设的环境影响评价体系,确保重大交通项目规划建设充分考虑区域联动效应,避免因单个城市减排导致的周边污染转移。