Transport Research >

2022 , Vol. 8 >Issue 6: 98 - 107

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2022.06.011

Influencing Factors of Transportation Carbon Emissions in Shaanxi Province Based on STIRPAT Model

  • WANG Li-xuan , 1, 2 ,
  • LI Zhen 1, 2 ,
  • HE Ji-cheng , 1, 2 ,
  • MA Qian-qian 2
Expand
  • 1. Transport Environmental Protection and Low Carbon Technology Research Institute, Xi′an Highway Research Institute Co., Ltd., Xi′an 710065, China
  • 2. Shaanxi Provincial Transport Environmental Monitoring Center, Xi′an 710065, China

Received date: 2022-09-15

  Online published: 2023-01-17

Fold

Abstract

In order to systematically measure and analyze the influencing factors of carbon emissions of transportation in Shaanxi Province from the perspective of industry, the index of influencing factors of transportation system was determined by the grey relational method. Combined with basic factors of population, economy and technology, the extended STIRPAT model was established to quantitatively analyze transportation carbon emissions in Shaanxi Province from 2000 to 2020. The results show that urbanization rate, energy consumption intensity and GDP per capita are the positive driving factors of transportation carbon emissions. From the perspective of transportation demand, the increase of freight demand can promote the carbon emission of transportation in Shaanxi Province. In terms of transportation structure, reducing the proportion of road transportation will restrain the carbon emissions of transportation. In terms of infrastructure construction, the improvement of infrastructure construction of highway network in the past 20 years has promoted the carbon emission of transportation in Shaanxi Province. In terms of transportation equipment, the increase in the number of civilian vehicles will increase the carbon emissions of transportation in Shaanxi Province. Therefore, under the situation of normal economic development, optimizing the transportation structure, increasing the proportion of low-carbon transportation modes such as railways and public transportation, actively promoting the popularization and application of green transportation technologies and products, strengthening the construction of safety technical standards and supporting facilities for new energy vehicles, and speeding up the development of intelligent transportation are helpful to control the carbon emission level of transportation.

Key words： transportation; carbon emissions; influencing factor; STIRPAT model; grey relational analysis

Cite this article

WANG Li-xuan , LI Zhen , HE Ji-cheng , MA Qian-qian . Influencing Factors of Transportation Carbon Emissions in Shaanxi Province Based on STIRPAT Model[J]. Transport Research, 2022 , 8(6) : 98 -107 . DOI: 10.16503/j.cnki.2095-9931.2022.06.011

0 引言

党的十八大以来，我国将应对气候变化摆在国家治理更加突出的位置，不断提高碳排放强度削减幅度，不断强化自主贡献目标。近10年来，我国碳排放强度下降了34.4%[1]，扭转了二氧化碳排放快速增长的态势。党的二十大报告提出积极稳妥推进碳达峰碳中和，有计划分步骤实施碳达峰行动，明确“双碳”工作应先破后立、科学有序[2]。相较发达国家，我国碳达峰碳中和工作的力度更大、任务更艰巨。我国正处在快速工业化、城市化和机动化“三化叠加”发展过程中，国民经济和交通运输仍将保持快速增长态势，交通运输领域的碳排放总量还将继续增加[3]，而交通运输行业是仅次于工业、建筑领域的第三大碳排放源[4]。陕西省作为西北地区重要的对外联通通道，加强交通运输行业的减排工作刻不容缓。但交通运输是区域经济高质量发展的必要条件，解决交通发展带来的能源消耗刚性需求与降碳目标的硬性约束之间的矛盾，需要推动交通运输业的低碳绿色转型。因此，厘清陕西省交通行业碳排放影响因素，分析碳排放增长规律，对挖掘陕西省交通运输行业低碳绿色转型着力点、控制碳排放有重要意义。
现有对交通运输业碳排放影响因素的研究主要采用计量经济模型、因素分解模型以及结合其他参数的综合类模型。在计量经济模型应用方面：Xu等运用分位数计量经济回归模型，探讨了高、中、低发展水平下影响碳排放差异的主要驱动因素[5]。Lin等使用分位数分析法，分析了1980—2010年人均GDP、能源强度、碳强度和总人口对交通运输碳排放的影响[6]。Talbi采用自向量回归（VAR）模型，分析了能源消耗量、道路运输能源强度、经济增长、城市化和燃料利用率对交通运输碳排放的影响[7]。Xu等基于2000—2012年的省级面板数据，采用非参数可加回归模型，研究了经济增长、私家车数量、货物周转量、能源效率等与交通运输碳排放的U形关系[8]。王靖添等基于双层次计量模型分析了我国交通运输碳排放影响因素，发现交通运输碳排放主要受经济发展水平、交通运输结构、运输装备能效水平、运输组织水平和基础设施密度等因素影响[9]。
因素分解模型主要采用对数平均权重法（LMDI）。相关研究中，张国兴等运用LMDI对人口总量、城镇化率、人均GDP、第三产业占比、单位周转量能耗、清洁能源比重6个驱动因素进行分解，再构建STIRPAT模型预测不同情境下碳排放趋势[10]。Guo等利用LMDI分解方法，发现能源强度、经济效应是增加交通运输碳排放的主要因素，能源结构、货运周转量和工业化程度是减少碳排放的贡献因素[11]。Solaymani基于LMDI方法分解了7个国家交通运输碳排放的影响因素，发现碳排放增加的主要驱动因素是电力结构和经济产出效应，而优化能源结构、限制私人汽车数量可以减少碳排放[12]。喻洁等采用LMDI分解方法定量分析了2005—2011年间交通运输行业碳排放变化的主要影响因素，发现人均GDP对碳排放增加有促进作用，公路运输占比、能源强度、交通运输强度等因素下降以及能源消费结构清洁化对碳排放有抑制作用[13]。 Andreoni等采用分解分析法研究了二氧化碳排放强度、能源强度、能源结构变化和经济增长对碳排放趋势的影响程度，发现经济增长是欧盟27国水运和航空运输部门碳排放增加的主要影响因素[14]。丁金学基于交通运输碳排放因素分解模型，定量分析了1991—2010年间交通能源效率、交通运输结构和交通发展水平等因素的变化对交通运输碳排放的影响[15]。
综合模型主要结合空间分析法，如Lim等考虑空间分布，基于STIRPAT模型研究城市化对交通运输碳排放的影响程度[16]；Lü等构建了空间杜宾模型（SDM）、STIRPAT模型以及地理加权回归模型（GWR）分析了我国货运碳排放的驱动因素以及城市化对货运碳排放的影响[17]。
综上，既有研究中，交通运输碳排放的影响因素主要为经济发展水平、人口规模、城市化水平、交通运输周转量、能源效率、运输结构、私家车保有量、基础设施密度等，不同研究区域的学者采取的影响因素和主要考虑的影响方向有所差异。但总体而言，现有研究大多只选取经济、人口、运输量、城镇化率等宏观因素研究交通运输碳排放，缺乏对行业本身影响因素的量化分析，如从交通运输要素来看，针对交通运输需求、交通运输结构、基础设施、运输装备等因素对碳排放的影响量化研究还需要进一步深入；另一方面，部分研究对影响因素（如能源强度与碳排放强度）存在重复解释的问题。针对以上问题，需要构建一个在考虑原有宏观条件下，允许根据研究对象灵活选取其他因素加入的模型，同时在将交通运输系统的微观影响因素加入模型时需进行识别与选择，避免重复解释。鉴于此，本文将灰色关联度分析法与可灵活扩展变量的STIRPAT模型结合，先利用灰色关联度分析法识别交通系统内部的影响因素，再结合宏观因素进一步构建STIRPAT模型，既可避免因素重复，又能挖掘深层次的影响因素。
本文从交通运输业的发展角度出发，首先根据自上而下法测算2000—2020年陕西省交通运输行业二氧化碳排放量，然后将交通运输需求（货物周转量、旅客周转量）、交通运输结构（公路货运量占比、公路客运量占比）、基础设施（铁路路网密度、公路路网密度、民用航空航线条数）、运输装备（民用汽车拥有量、铁路机车拥有台数）等作为影响因素，采用灰色关联度分析法进行影响因素指标识别与选择，再结合城镇化率、人均国内生产总值以及能耗强度3个代表人口、经济及技术的基础因素构成影响因素集M，建立STIRPAT扩展模型，进行量化分析，最后为陕西省相关部门制定减排政策以及合理规划交通发展提供建议。

1 碳排放量测算

1.1 数据来源及计算方法

本文采用“自上而下”的碳排放量计算方法。二氧化碳排放量E C O 2和交通运输业的能源消费总量TEC计算公式为：
E C O 2 = ∑ i = 1 n F i ⋅ F C i
F i = ∑ i = 1 n N C V i ⋅ C C i ⋅ O F i ⋅ 44 12
TEC= ∑ i = 1 n D i ⋅ F C i
式（1）~式（3）中： F i为碳排放系数； F C i为第 i种化石燃料的消费量（t或104Nm3）； N C V i为第 i种化石燃料的平均低位发热量(GJ/t或GJ/104Nm3）； C C i为第 i种化石燃料的单位热值碳含量（tC/GJ）； O F i为第 i种化石燃料的碳氧化率，以%表示；44/12为二氧化碳与碳的分子量之比；Di为第i种化石燃料的折算标准煤系数（t标准煤/t）。
本文摘取陕西省2000—2020年交通运输业的能源终端消耗量数据。能源类别包括：原煤、天然气、汽油、煤油、柴油、燃料油、电力。其中，原煤、天然气、汽油、煤油、柴油、燃料油折算标准煤系数来源于《中国能源统计年鉴2022》[18]，原煤的碳排放系数源于《IPCC 2006年国家温室气体清单指南（2019年修订版）》[19]，天然气、汽油、煤油、柴油、燃料油的碳排放系数根据《陆上交通运输企业温室气体排放核算方法与报告指南》（试行）[20]中附录八表2 常见化石燃料特性参数缺省值代入式（1）计算，电力折算标准煤系数参考《综合能耗计算通则》（GT/T 2589—2020）[21]，电力碳排放系数来源于生态环境部办公厅发布的《关于做好2022年企业温室气体排放报告管理相关重点工作的通知》[22]。具体系数值见表1。
表1 各类能源的折算标准煤系数和碳排放系数
能源类型 原煤 天然气 汽油 煤油 柴油 燃料油 电力
折算标准煤系数 D i（t标准煤/t） 0.714 3 1.33 1.471 4 1.471 4 1.457 1 1.428 6 0.122 9
碳排放系数 F i(tCO2/t) 1.981 2.162 3.043 3.152 3.145 3.047 0.581

注：1.天然气折算标准煤系数单位：kg标准煤/m3；电力折算 标准煤系数单位：kg标准煤/（kW·h）。

2.天然气碳排放系数单位：tCO2/103m3；电力碳排放系数 单位：tCO2/（MW·h）。

利用2001—2021年《陕西省统计年鉴》[23]可得到2000—2020年交通运输业各种能源的终端消费量及陕西省历年国内生产总值，再结合式（1）~式（3）以及表1的数据可以得到2000—2020年交通运输业的能源消费总量TEC（单位：万吨标准煤）和二氧化碳排放总量CO2（单位：万吨），能耗总量及碳排放总量分别与当年国内生产总值的比值即为当年能耗强度T（单位：吨标准煤/万元）及碳排放强度CI（吨CO2/万元）。具体数据见表2。
表2 2000—2020年陕西省交通运输业能源消费及碳排放情况
年份 TEC CO2 CI T
2000 102.81 216.61 0.12 0.06
2001 124.06 262.58 0.13 0.06
2002 141.66 300.05 0.13 0.06
2003 228.11 485.63 0.19 0.09
2004 283.19 600.84 0.19 0.09
2005 408.40 949.60 0.23 0.10
2006 500.50 1 172.30 0.26 0.11
2007 507.41 1 192.46 0.21 0.09
2008 526.47 1 252.37 0.17 0.07
2009 796.04 1 808.52 0.23 0.10
2010 871.59 1 976.89 0.20 0.09
2011 941.90 2 142.47 0.18 0.08
2012 968.53 2 212.37 0.16 0.07
2013 961.00 2 173.15 0.14 0.06
2014 795.92 1 866.36 0.11 0.05
2015 784.05 1 834.81 0.10 0.04
2016 699.52 1 677.90 0.09 0.04
2017 709.86 1 709.45 0.08 0.03
2018 787.56 1 891.39 0.08 0.03
2019 780.22 1 889.38 0.07 0.03
2020 676.47 1 677.53 0.06 0.03

1.2 陕西省交通运输行业历年碳排放情况分析

2000—2012年，陕西省交通运输业二氧化碳排放总量持续增长，2012年峰值为2 212.37万吨，这阶段属于陕西省及交通运输业的发展促进二氧化碳排放阶段，国民经济和交通运输保持快速增长态势，交通运输领域的碳排放总量环比增速逐年增加。从2013年开始，交通运输业的碳排放总量逐渐下降，至2016年年底，交通运输业碳排放总量减少至1 677.70万吨。2017—2019年3年交通运输业碳排放总量又再次回升，2019年达到峰值，2020年下降至1 677.53万t，几乎回到2016年水准。根据《陕西省统计年鉴》，2018年陕西省货物运输周转量达到历年峰值，为4 026亿吨公里，这期间碳排放量的波动体现了经济发展下运输需求上升和环保制约之间的博弈。
碳排放强度为单位国内生产总值产生的碳排放量，其波动一般是由于碳排放的变化率与GDP的变化率不一致。2000—2006年碳排放强度一直增加，这说明陕西省交通运输碳排放量的增长速度快于陕西省国内生产总值的增长速度。2007—2008年的碳排放强度骤降，可能与2008年金融危机有关，反映了交通运输业的发展对经济的高敏感性。自2009年之后碳排放强度一直在缓慢降低，陕西省交通运输碳排放的增长速度小于国民生产总值的增长速度，说明随着经济的发展，政府采取的环保政策一定程度上是有效的。图1为2000—2020年陕西省交通运输行业二氧化碳排放总量与碳排放强度情况。
图1 2000—2020年陕西省交通运输CO2排放总量与碳排放强度
因货物运输量是交通运输行业运行趋势的重要参考指标，本文计算了货物周转量与行业二氧化碳排放的比值。图2展示了陕西省2000—2020年交通运输行业二氧化碳排放量、货物周转量及两者比值的波动情况。由图2可以看出，两者比值在2006年达到峰值，为9 943吨CO2/亿吨公里，之后2010—2018年一直呈下降趋势，且这几年货物周转量一直呈上升趋势，计算期间的公路货物周转量占比，自2009至2018年从42%增长至57%，在此期间虽有环保条件制约，但运输环节产生的二氧化碳排放呈增长趋势，说明除货物周转量外，还有诸多因素影响交通运输行业碳排放波动。
图2 2000—2020年陕西省交通运输二氧化碳排放总量、货物周转量及两者比值

2 基于灰色关联度分析法的影响因素识别

2.1 数据来源

影响因素集M中，城镇化率U、人均国内生产总值PC（元）、货物周转量R1（亿吨公里）、旅客周转量R2（亿人公里）、铁路路网密度R3（公里/平方公里）、公路路网密度R4（公里/平方公里）、民用航空航线条数R5（条）、民用汽车拥有量R6（辆）、铁路机车拥有台数R7（台）可直接从2001—2021年《陕西省统计年鉴》[23]中获取；公路货物周转量占比R8、公路旅客周转量占比R9可根据《陕西省统计年鉴》中公路货物周转量、旅客周转量与全行业货物周转量、旅客周转量比值得出，用%表示。

2.2 影响因素识别

灰色关联度分析法（Grey Relational Analysis, GRA）源于“灰色系统理论”[24]，能定量描述研究对象与影响因素之间的数值关系，并可通过排序找出主要影响因素。
本文将历年交通运输行业碳排放量作为反映系统行为特征的参考序列 Y '，将货物周转量、旅客周转量、公路货物周转量及旅客周转量占比、城镇化率、铁路路网密度、公路路网密度、民用航空航线条数、民用汽车拥有量、铁路机车拥有台数作为影响系统行为的因素，其组成比较数列 X i '。
Y ' = y ' 0 , y ' 1 , … , y ' 20
X i ' = ( x i ' ( 0 ) , x i ' ( 1 ) , … , x i ' ( 20 ) ) T i = 1 , 2 , … , 9
对参考序列 Y '和比较数列 X '采取均值化法分别进行无量纲化处理得到参考序列Y和比较序列 X i。
Y = y 0 , y 1 , … , y 20
X i = ( x i ( 0 ) , x i ( 1 ) , … , x i ( 20 ) ) T i = 1 , 2 , … , 9
根据式（8）求灰色关联度系数 ξ i ( k )：
ξ i k = m i n i m i n k y k - x i k + ρ m a x i m a x k y k - x i k y k - x i k + ρ m a x i m a x k y k - x i k i = 1 , 2 , … , 9 k = 0 , 1 , 2 , … , 20
式（8）中： ρ为分辨系数，其取值大小决定了系数间的差异程度。 ρ一般在（0,1）内取值，本文取 ρ = 0.5。
根据式（9）计算各影响因素的关联度：
r i = 1 20 ∑ k = 0 20 ζ i ( k )
计算结果见表3。
表3 影响因素的关联度
R1 R2 R3 R4 R5 R6 R7 R8 R9
0.74 0.63 0.62 0.68 0.67 0.73 0.62 0.75 0.63
由表3可知，影响因素与碳排放量关联度排序依次为公路货物周转量占比R8、货物周转量R1、民用汽车拥有量R6、公路路网密度R4、民用航空航线条数R5、旅客周转量R2、公路旅客周转量占比R9、铁路机车拥有台数R7、铁路路网密度R3。在交通运输需求（货物周转量、旅客周转量），交通运输结构（公路货物周转量占比、公路旅客周转量占比）、基础设施（铁路路网密度、公路路网密度、民用航空航线条数）、运输装备（民用汽车拥有量、铁路机车拥有台数）四个方向中各选取一个关联度最大的指标参与模型构建。最终，参与STIRPAT模型构建的影响因素集M1包括货物周转量R1（交通运输需求）、公路货物周转量占比R8（交通运输结构）、公路路网密度R4（交通基础设施）、民用汽车拥有量R6（运输装备）、城镇化率U、人均国内生产总值PC、能耗强度T。

3 STIRPAT模型构建

IPAT 模型由Ehrlich 等提出，用于评估人口、富裕程度和技术因素对环境影响程度[25]，表达式为：
I = P ⋅ A ⋅ T
式（10）中： I代表环境污染； P代表人口规模； A代表富裕程度； T代表技术发展程度。
为研究各因素对环境的非比例影响，York等学者把指数引入IPAT 模型，提出了 STIRPAT 模型[26]，其模型表达式为：
I i = a P i b A i c T i d e i
式（11）中： a为模型的系数； b, c, d分别为各自变量指数； e为随机误差项。
对式（11）取对数：
l n I i = l n a + b l n P + c l n A + d l n T + e i
本文结合陕西省的实际情况，引入影响因素集M1对模型（12）进行扩展，构建如下模型：
l n I i = l n a + b l n U + c l n P C + d l n T + f l n R + 1 g l n R + 4 h l n R + 6 j l n R + 8 e
式（13）中： a是模型的系数； b, c, d, f, g, h, j分别为各自变量指数； e为随机误差项；Ui为城镇化率；PCi为人均生产总值；Ti为能耗强度。
为检验经济的增长与环境的污染程度是否符合“环境库兹涅茨曲线”[27]，将模型（13）扩展为如下模型：
l n I i = l n a + b l n U + c 1 l n P C + c 2 ( l n A ) 2 + d l n T + f l n R + 1 g l n R + 4 h l n R + 6 j l n R + 8 e
式（14）中： A为国内生产总值，若 c 2 < 0，则说明经济发展与环境之间存在倒U形关系。

4 回归结果分析

回归方程的拟合优度检验一般用判定系数R2，它表示在因变量的总变差中被多个自变量所共同解释的比例。当R2→1时，说明回归方程拟合效果较好。当R2→0时，说明回归方程拟合效果较差。表4为式（14）的线性回归分析结果，可以看出R2趋近于1，说明该模型的拟合程度很好，且模型通过F检验（F=33822.825, p=0.000<0.05），说明模型有意义。模型D-W检验值为2.204，说明模型不存在一阶自相关性。但是常数项、lnR1, lnR8, lnR6, lnR4, lnU, lnPC, （lnA）2都未能通过显著性检验，并且所有变量的方差膨胀因子VIF均大于10，说明影响因素存在严重的多重共线性问题。
表4 线性回归分析结果
非标准化系数 标准化系数 t p VIF R2 调整R2 F
B 标准误 Beta
常数 1.501 0.928 - 1.617 0.132 - 0.999 0.999 F (8,12)
=33822.825,
p=0.000
lnR1 0.083 0.03 0.072 2.821 0.015* 177.092
lnR4 0.037 0.017 0.027 2.202 0.048* 41.258
lnR6 0.028 0.053 0.039 0.532 0.604 1425.158
lnR8 0.042 0.016 0.026 2.671 0.020* 26.321
lnU -0.68 0.29 -0.197 -2.345 0.037* 1911.187
lnT 1.025 0.016 0.577 63.306 0.000** 22.476
lnPC 0.302 0.104 0.258 2.895 0.013* 2149.748
(LnA)2 0.052 0.002 1.138 21.766 0.000** 740.321

注：*代表p<0.05 ; **代表p<0.01。

为了消除多重共线性所带来的影响，对模型（14）进行岭回归估计。岭回归估计是一种有偏估计，当通过ols估计 y = X β中的 β时，若自变量存在共线性， β ^ = ( X ' X ) - 1 X ' y中 X ' X秩小于 n，岭回归估计在 X ' X上加一个常数矩阵 k I ( k > 0 )，解决 X ' X = 0的问题。其表达式见式（15）。
β ^ ( k ) = ( X ' X + k I ) - 1 X ' y
式（15）中： k为调节参数， k > 0。
本文基于SPSSAU进行岭回归估计，得到岭迹见图3，最终k取0.01。岭回归分析结果见表5，R2=0.998，说明该模型的拟合程度较好。模型可通过F检验（F=870.321, p=0.000<0.05），说明模型有意义，且所有的变量均通过显著性检验。
表5 模型（14）的岭回归分析结果
非标准化系数 标准化系数 t p VIF R2 调整R2 F
B 标准误 Beta
常数 2.792 0.461 - 6.056 0.000** 2.792 0.998 0.997 F (8,12)
=870.321,
p=0.000
lnR1 0.293 0.057 0.254 5.094 0.000** 0.293
lnR4 0.094 0.053 0.07 1.768 0.0102* 0.094
lnR6 0.125 0.023 0.169 5.384 0.000** 0.125
lnR8 0.06 0.044 0.037 1.345 0.0203* 0.06
lnU 0.453 0.103 0.131 4.416 0.001** 0.453
lnT 0.994 0.038 0.559 25.839 0.000** 0.994
lnPC 0.308 0.028 0.263 10.989 0.000** 0.308
(LnA)2 -0.017 -0.002 0.377 -9.991 0.000** 0.017

注：*代表p<0.05 ; **代表p<0.01。

模型（14）的表达式为：
l n I i = 2.792 + 0.453 l n U + 0.308 l n P C - 0.017 ( l n A ) 2 + 0.994 l n T i + 0.293 l n R + 1 0.094 l n R + 4 0.125 l n R + 6 0.06 l n R 8
根据表5，城镇化率、能耗强度以及人均国内生产总值为陕西省交通运输行业碳排放的正向驱动因素，弹性系数分别为0.453, 0.994, 0.308。说明：①城镇化率表示人口密集程度，当城市逐步扩张而公共交通供给不能满足居民出行需求时，私家车出行需求上升就会导致碳排放量增加。模型结果表明陕西省城镇化率每增长1%，交通运输行业碳排放量将增长0.453%。②目前交通运输行业能源消耗结构仍以石油为主，油品消耗占比高，能耗强度过高对碳排放有促进作用。模型结果表明陕西省能耗强度每下降1%，交通运输行业碳排放量将下降0.994%。③人均国内生产总值增加促进碳排放量增长是必然的，目前还需很长时间实现经济增长与碳排放的“脱钩”。模型结果表明目前陕西省人均国内生产总值每增长1%，交通运输行业碳排放量将增长0.308%，另外，陕西省国内生产总值对数的二次项系数为-0.017<0，说明在2000—2020年期间，经济水平与环境污染呈现倒U形关系，这与学者库兹涅茨的观点一致。
从交通行业发展的角度看，货物周转量、公路路网密度、民用汽车拥有量、公路货物周转量占比均为陕西省交通运输行业碳排放的正向驱动因素，弹性系数分别为0.293, 0.094, 0.125, 0.06。说明：①交通运输需求尤其是货运需求对陕西省交通运输碳排放有促进作用。模型结果表明陕西省全省货运周转量每增加1%，碳排放量将增长0.293%。②运输结构中，公路运量占比过高会导致碳排放量增加。模型结果表明公路货物周转量占比每降低1%，陕西省碳排放量将下降0.094%。③交通基础设施建设水平对碳排放也有直接影响，近二十年陕西省不断完善的公路网络导致碳排放量增加。模型结果表明公路路网密度每增加1%，碳排放量将增加0.125%。④因目前化石燃料仍为汽车主要能源，民用汽车拥有量逐年增加会促使碳排放量增加。模型结果表明民用汽车拥有量每增加1%，碳排放量将增加0.06%。

5 结论与建议

本文通过“自上而下”的计算方法计算了陕西省交通运输业二氧化碳排放量，采用灰色关联度分析法进行影响因素指标识别，构建了STIRPAT扩展模型。实证研究结果发现，对于陕西省：①2013年后，交通运输碳排放量不再呈逐年递增趋势，2009年后交通运输碳排放强度逐年下降，说明在交通运输发展过程中环保制约作用已发挥，碳排放量和碳排放强度不会再出现持续性的正增长；②相较旅客周转量、铁路路网密度、民用航空航线条数、铁路机车拥有台数，货物周转量、公路货物周转量占比、公路路网密度、民用汽车拥有量与交通运输行业碳排放量关联度更强，且与城镇化率、能耗强度、人均国内生产总值均为交通行业碳排放量的正向驱动因素，其增长均会引起陕西省碳排放量增加。
为此，对陕西省的碳减排工作提出以下建议：
（1）持续优化交通运输结构。未来，陕西省经济与交通运输仍会保持一定的增长态势，基于低碳发展目标的交通运输结构调整有利于减缓减排压力。①优化货运结构，目前陕西省铁路大宗物资运输的比例仍低于全国平均水平，需在顶层设计层面持续加强铁路、公路货运枢纽的统筹规划布局，补充铁路物流“前后一公里”，持续稳定铁路货运运价，鼓励运输企业向多式联运经营企业转型，鼓励货运企业大力发展甩挂运输，打开集装箱运输市场，不断提高运输效率。②调整客运结构，陕西省榆林、宝鸡、渭南、汉中和安康等中心城市并无轨道交通，公交走廊与新经济发展区域关系不密切，需在人口密度高的城市建设快速干道或环线，确保城市交通的主动脉畅通，鼓励公交企业动态化管理，在人口密集和岗位聚集的地方及时调营运线线路。部分小城市公共交通服务水平不足，应防止出现为提高通达率导致线路规划无效蔓延的现象，提高交通用地的利用效率，打造公共交通“紧凑型”都市，抑制城市中心私家车出行需求过度发展。
（2）出台利好加快技术进步的相关政策。目前交通运输行业能源消耗结构仍以石油为主，对高能耗产业进行技术优化，降低石油消费在终端消费的占比，有利于减少碳排放。①在基础设施规划、设计、建设、运营和养护管理全过程积极推进绿色交通技术和产品的推广应用，在交通运输领域创建一批绿色低碳技术创新示范工程，以示范工程建设引领发展。②加强新能源汽车安全技术标准与配套设施建设。陕西省近几年持续出台措施推进新能源车辆占比的提升，但配套设施覆盖率低于全国平均水平，应提高高速公路服务区新能源车专用车位占比及快充桩覆盖率，在重点货运枢纽建设重卡专用换电站，不断完善新能源安全技术标准，积极营造新能源车良好使用环境。③提升交通信息化、智能化水平，2019年陕西省交通运输厅印发的《陕西省智慧交通发展指导意见（2019—2035）》（陕交发〔2019〕32号）[28]指出，到2030年实现信息化对交通运输服务的全面支撑、实现信息化对协同管理的全面支撑，在这一过程中，建议陕西省将交通运输信息化发展与碳排放紧密联系，着力推进环境统计监测体系建设，在省级层面建立交通运输能耗监测、统计考核管理标准等。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
光明网. 中国这十年[N/OL].(2022-09-15)[2022-09-15]. https://m.gmw.cn/baijia/2022-09/15/36026936.html.

[2]
习近平. 高举中国特色社会主义伟大旗帜为全面建设社会主义现代化国家而团结奋斗——在中国共产党第二十次全国代表大会上的报告[R]. 北京:人民出版社, 2022.

[3]
周伟. "双碳"目标下交通运输转型发展挑战与机遇[J]. 吉林交通科技, 2021(4):40-41.

[4]
交通运输部综合规划司, 交通运输部科学研究院. 交通运输碳达峰、碳中和知识解读[M]. 北京: 人民交通出版社股份有限公司, 2021.

[5]
XU B, LIN B. Investigating the differences in CO2 emissions in the transport sector across Chinese provinces: Evidence from a quantile regression model[J]. Journal of Cleaner Production, 2018, 175: 109-122.

[6]
LIN B, BENJAMIN N I. Influencing factors on carbon emissions in China transport industry. A new evidence from quantile regression analysis[J]. Journal of Cleaner Production, 2017, 150: 175-187.

[7]
TALBI B. CO2 emissions reduction in road transport sector in Tunisia[J]. Renewable and Sustainable Energy Reviews, 2017, 69: 175-187.

[8]
XU B, LIN B. Factors affecting carbon dioxide (CO2) emissions in China's transport sector: A dynamic nonparametric additive regression model[J]. Journal of Cleaner Production, 2015, 101: 311-322.

[9]
王靖添, 马晓明. 中国交通运输碳排放影响因素研究——基于双层次计量模型分析[J]. 北京大学学报(自然科学版), 2021, 57(6):1133-1142.

[10]
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.

[11]
GUO M, 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.

[12]
SOLAYMANI S. CO2 emissions patterns in 7 top carbon emitter economies: The case of transport sector[J]. Energy, 2019, 168: 989-1001.

[13]
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(10):112-119.

[14]
ANDREONI V, GALMARINI S. European CO2 emission trends: A decomposition analysis for water and aviation transport sectors[J]. Energy, 2012, 45(1): 595-602.

[15]
丁金学. 我国交通运输业碳排放及其减排潜力分析[J]. 综合运输, 2012(12):20-26.

[16]
LIM J, KANG M, JUNG C. Effect of national-level spatial distribution of cities on national transport CO2 emissions[J]. Environmental Impact Assessment Review, 2019, 77: 162-173.

[17]
LÜ Q, LIU H B, YANG D Y, et al. Effects of urbanization on freight transport carbon emissions in China: Common characteristics and regional disparity[J]. Journal of Cleaner Production, 2019, 211: 481-489.

[18]
国家统计局能源统计司. 中国能源统计年鉴(2022)[M]. 北京: 中国统计出版社, 2022.

[19]
IPCC. 2019 Refinement to the 2006 IPCC Guidelines for National Greenhouse Gas Inventory[R]. Tokyo: IPCC, 2019.

[20]
国家发展和改革委员会. 陆上交通运输企业温室气体排放核算方法与报告指南(试行)[Z]. 北京: 国家发展和改革委员会, 2017.

[21]
全国能源基础与管理标准化技术委员会. 综合能耗计算通则:GB/T 2589—2020[S]. 北京: 中国标准出版社, 2021.

[22]
生态环境部办公厅. 关于做好2022年企业温室气体排放报告管理相关重点工作的通知[EB/OL]. (2022-03-15)[2022-09-15]. https://www.mee.gov.cn/xxgk2018/xxgk/xxgk06/202203/t20220315_971468.html.

[23]
陕西省统计局. 陕西省统计年鉴(2001—2021)[M]. 北京: 中国统计出版社,2001-2021.

[24]
邓聚龙. 灰色系统综述[J]. 世界科学, 1983(7):3-7.

[25]
EHRLICH P R, HOLDREN J P. Impact of Population Growth[J]. Science, 1971, 171(3977): 1212-1217.

[26]
YORK R, ROSA E A, DIETZ T. STIRPAT, IPAT and ImPACT: Analytic tools for unpacking the driving forces of environmental impacts[J]. Ecological Economics, 2003, 46(3): 351-365.

[27]
黄蕊, 王铮, 丁冠群, 等. 基于STIRPAT模型的江苏省能源消费碳排放影响因素分析及趋势预测[J]. 地理研究, 2016, 35(4):781-789.

[28]
陕西省交通运输厅. 陕西省交通运输厅关于印发《陕西省智慧交通发展指导意见(2019—2035年)》的通知(陕交发〔2019〕32号)[EB/OL]. (2019-03-25)[2022-09-15]. http://jtyst.shaanxi.gov.cn/show/247459.html.

Options
Outlines

/

〈 〉