中國交通運輸業(yè)碳排放效率時空演化特征研究

[摘 要：文章基于2008—2019年我國30個省份交通運輸業(yè)的面板數據，采用Super-SBM模型測算交通運輸業(yè)碳排放效率，并結合核密度曲線與重心—標準差橢圓模型考察其時空演化特征。結果顯示：交通運輸業(yè)碳排放效率總體偏低，呈現(xiàn)分散性區(qū)域聚集特征；樣本研究期間，處于高值效率區(qū)的省份數量明顯減少，且主要分布在東部沿海地區(qū)；交通運輸業(yè)碳排放效率存在空間自相關性；人均GDP、交通運輸強度、環(huán)境治理強度對交通運輸業(yè)碳排放效率有正向促進作用，交通運輸結構和資本存量對交通運輸業(yè)碳排放效率有負面抑制作用。

關鍵詞：交通運輸業(yè)；碳排放效率；時空演化；重心轉移；空間誤差

中圖分類號：X322；F512" " " " "文獻標識碼：A" "文章編號：1007-5097（2023）07-0070-11 ]

Abstract：Based on the panel data of the transportation industry in 30 provinces of China from 2008 to 2019，this paper uses the Super-SBM model to measure the carbon emission efficiency of the transportation industry，and examines its spatio-temporal evolution characteristics in combination with the Kernel density curve and the gravity center standard deviation ellipse model. The results show that the overall carbon emission efficiency of the transportation industry is relatively low，exhibiting a dispersed regional agglomeration feature；during the sample study period，the number of provinces in high value efficiency areas significantly decreases，mainly distributing in the eastern coastal areas；there is spatial autocorrelation in the carbon emission efficiency of the transportation industry；the per capita GDP，transportation intensity，and environmental governance intensity have positive promoting effects on the carbon emission efficiency of the transportation industry，while the transportation structure and the capital stock have negative inhibitory effects on the carbon emission efficiency of the transportation industry.

Key words：transportation industry；carbon emission efficiency；spatio-temporal evolution；shift of gravity center；spatial error

一、引言及文獻綜述

科技的快速發(fā)展在促使經濟增長的同時也使二氧化碳排放量持續(xù)增加，由此引發(fā)全球氣候變暖、海平面升高以及極端氣候頻發(fā)等問題，嚴重影響了人類生活。黨的二十大報告提出，積極穩(wěn)妥推進碳達峰碳中和，推動能源清潔低碳高效利用，推進工業(yè)、建筑、交通等領域清潔低碳轉型。目前，我國碳排放量一直居高不下，并且仍以較快速度增長，為此，我國大力發(fā)展清潔能源促進綠色交通，以期減少交通運輸業(yè)碳排放量，而經濟發(fā)展水平不均衡、自然地理環(huán)境限制、國民客貨運需求量加大、私人汽車擁有量大幅增加等因素導致交通運輸業(yè)的碳減排目標實現(xiàn)難度增大。因此，研究交通運輸業(yè)碳排放效率的時空演化特征及其影響因素，對于制定更加精準的碳減排政策、早日實現(xiàn)碳達峰碳中和目標有著積極而深遠的意義。

碳排放效率的概念最早由學者Kaya和Yokobori提出，并將碳排放量與GDP的比值定義為碳排放效率［1］。這一概念的提出引發(fā)學者們對碳排放效率的研究熱潮，并以碳排放效率為依據評價不同行業(yè)或區(qū)域碳減排目標的實現(xiàn)程度?？偨Y現(xiàn)有文獻可以看出，學者們對碳排放的研究主要集中在以下三個方面：一是碳排放效率的測度指標及方法，主要分為單要素和多要素兩類。單要素方法在測度碳排放效率時主要以二氧化碳排放量與經濟或能源等相關指標的比值來表示［2］，采用單要素指標計算碳排放效率時無法區(qū)分投入要素，同時忽略了生產活動中其他因素的影響。碳排放效率受經濟發(fā)展水平、能源消費等多要素共同影響，具有“全要素”特點。基于此，學者們計算碳排放效率主要采用數據包絡分析法（DEA），Tone［3］在此基礎上提出，將松弛變量引入目標函數內，得出包括非期望產出的SBM模型并成為研究效率的主流方式［4-5］；袁長偉等基于考慮非期望產出的超效率SBM模型，測算出我國30個省份交通運輸全要素碳排放效率［6］；李建豹等采用考慮非期望產出的SBM-DEA模型與窗口分析相結合的方法，測算出長三角地區(qū)碳排放效率［7］。除此之外，隨機前沿函數法（SFA）、Metafrontier、非徑向Luenberger［8-10］等也被眾多學者應用到碳排放效率研究中。二是碳排放效率的空間差異分析。我國碳排放效率呈現(xiàn)東高西低、空間集聚的分布特征，袁長偉等研究發(fā)現(xiàn)，我國交通運輸業(yè)碳排放效率在省域間存在明顯的集聚狀態(tài)，變化趨勢符合環(huán)境庫茲涅茨曲線［6］；岳立等對我國省域旅游業(yè)碳排放效率時空協(xié)同演化特征進行了研究，認為其存在明顯的空間依賴和局部空間差異［11］；蔣自然等認為，長江經濟帶交通碳排放效率存在明顯的空間差異，中東部地區(qū)的碳排放效率始終比西部地區(qū)高［12］。三是碳排放效率影響因素分析。碳排放效率受多方面因素影響，其中，技術進步、人力資本積累、經濟發(fā)展水平［13-16］等對碳排放效率具有明顯的正向推動作用，而外資強度、城鎮(zhèn)化率、稟賦結構［17-19］等因素對碳排放效率起到負面抑制作用。在對外開放與碳排放效率關系的研究中，學者們存在不同的看法：藺雪芹等認為，對外開放對碳排放效率具有正向推動作用［20］；王鑫靜等則認為，對外開放程度對碳排放效率存在抑制作用［18］。此外，環(huán)境規(guī)制對碳排放效率產生差異化影響，其中，正式型環(huán)境規(guī)制對碳排放效率產生“U”型影響關系，非正式型環(huán)境規(guī)制對碳排放效率產生負面影響［21］。

綜上所述，學術界對碳排放效率進行了卓有成效的研究［22-24］，但是現(xiàn)有研究仍存在不足之處：①傳統(tǒng)模型未考慮投入、產出數據中松弛變量對計算結果的影響，導致碳排放效率計算可能存在偏差；②學者們在研究碳排放效率時，易忽略地區(qū)之間產業(yè)結構變化或生產要素流動對毗鄰地區(qū)碳排放效率的影響效應，即存在空間效應影響；③現(xiàn)有文獻對碳排放效率研究多集中在工業(yè)、農業(yè)、旅游業(yè)等行業(yè)，鮮有學者對交通運輸業(yè)碳排放效率展開深入研究?；诖耍疚脑趥鹘y(tǒng)測度效率的基礎上，借助考慮非期望產出的Super-SBM模型，對2008—2019年我國30個省份（不含西藏及港澳臺地區(qū)）的交通運輸業(yè)碳排放效率進行測度；同時，借助全局莫蘭指數和莫蘭散點圖測度交通運輸業(yè)碳排放效率是否存在空間相關性以及集聚特征。

二、研究方法與數據來源

（一）交通運輸碳排放量計算

二氧化碳排放量計算方法主要有兩種方法，即“自上而下”和“自下而上”法。“自上而下”法依據交通運輸業(yè)整體的能源消耗計算碳排放量，具有數據易獲取、準確度高的優(yōu)點；“自下而上”法則根據不同運輸工具的類型、運輸里程消耗的能源量計算出二氧化碳的排放量，能夠反映不同交通方式對碳排放的貢獻。但由于“自下而上”法中的運輸工具類型、里程等數據需求量較大，且分布在不同部門、企業(yè)等，獲取難度也較大，因此，本文采用“自上而下”法，并構建模型（1）。

其中：[Ct]為第t年的二氧化碳排放總量；[Eti]為交通運輸業(yè)第t年第i種能源消耗總量；[Fi]為第i種能源的二氧化碳排放系數。不同種類二氧化碳排放系數見表1、表2所列。

（二）考慮非期望產出的Super-SBM模型

產出變量的松弛性以及非期望產出的存在可能導致計算結果不準確，Tone在2002年基于SBM模型提出超效率SBM模型，即Super-SBM模型［25］，解決了上述問題且可對多個效率為1的決策單元進行再分解排序。考慮非期望產值的Super-SBM模型表達式為：

其中：x、[ye]、[yu]分別為投入、期望產出和非期望產出；n、[m1]、[m2]分別表示投入、期望產出、非期望產出指標的個數；[S-]、[Se]、[Su]分別表示投入松弛量、期望產出松弛量、非期望產出松弛量；[λ]為權重向量。

（三）空間探索性數據分析

1. 核密度估計

核密度估計是概率論中估計未知的密度函數，是一種非參數估計方法。核密度估計與有關數據分布的先驗知識無關，也不提前假定數據分布，只對數據樣本本身分布進行擬合研究，是分析經濟、效率、人口等動態(tài)演化的常用方法。核密度估計公式如下：

產出要素分為期望產出和非期望產出，由于交通運輸主要體現(xiàn)為對人和貨物的空間周轉，因此，選取周轉量作為期望產出，二氧化碳排放量作為非期望產出。其中，周轉量有旅客周轉量和貨物周轉量，為方便計算，將旅客周轉量轉換成貨物周轉量，具體轉換因子見表4所列。

三、結果分析

（一）交通運輸業(yè)碳排放效率的時空演化特征

1. 交通運輸業(yè)碳排放效率時序演化特征

依據公式（1）計算出2008—2019年我國30個省份交通運輸業(yè)碳排放效率，由于篇幅有限，僅展示了2008年、2012年、2016年、2019年各省份交通運輸業(yè)碳排放效率值，結要見表5所列。

由表5可知，2019年我國有20個省份的交通運輸業(yè)碳排放效率比2008年低，僅有10個省份交通運輸業(yè)碳排放效率在樣本研究期間是提高的。為更好地對比分析交通運輸業(yè)碳排放效率時間演化，按照國家統(tǒng)計局標準將我國各省份劃分為東部、中部、西部三個區(qū)域進行研究（1）。具體碳排放效率變化如圖1所示。

從圖1可以看出，樣本研究期間，我國交通運輸業(yè)碳排放效率總體水平較低，在0.28～0.42之間波動，東中西部地區(qū)之間差異明顯，且地區(qū)差異逐漸變大，整體上呈現(xiàn)東部gt;全國gt;中部gt;西部的空間分布格局。東部地區(qū)交通運輸業(yè)碳排放效率均大于全國平均值，且差距隨時間推移愈發(fā)明顯；中部地區(qū)交通運輸業(yè)碳排放效率均值在樣本研究期間總體上略低于全國均值，但在2012—2016年間碳排放效率值大于全國均值，起到正向拉動作用，其余年間變化趨勢與全國類似；西部地區(qū)變化趨勢與全國高度重合，波動幅度也較為相似，但交通運輸業(yè)碳排放效率值一直低于全國均值，有較大發(fā)展空間。

通過對表5進行核密度估計，得到核密度曲線，如圖2所示。

從曲線位置變化上來看，2008—2012年核密度曲線向右移動，說明各省份交通運輸業(yè)總體碳排放效率水平有所提高；與2012年相比，2016年核密度曲線向右移動，說明在2012—2016年，交通運輸業(yè)碳排放效率依然處于上升趨勢；與前三年核密度曲線相比，2019年曲線向左大幅度移動，并有拖尾現(xiàn)象，說明與前三個研究年份相比，2019年交通運輸業(yè)碳排放效率總體上大幅度下降，但個別城市交通運輸業(yè)碳排放效率仍表現(xiàn)出高值狀態(tài)。

從分布形態(tài)上來看，2012年與2008年相比，曲線的波峰高度下降，寬度變寬，說明城市間的交通運輸業(yè)碳排放效率差異變大；2016年核密度曲線呈現(xiàn)波峰高度升高，區(qū)間范圍減小，說明城市間的交通運輸業(yè)碳排放效率差異縮小；2019年波峰高度急劇升高，水平寬度減小，說明各省份間交通運輸業(yè)碳排放效率差距縮小，表現(xiàn)出動態(tài)收斂的特征。

從演變過程來看，核密度曲線中心先向右移動后向左移動，且向左移動范圍比向右移動范圍大，說明各省份之間交通運輸業(yè)碳排放效率區(qū)域差異先變大后縮小，且縮小范圍幅度較大。2012年、2016年、2019年的波峰由一個主峰和一個側峰組成，且主峰峰值較高、側峰峰值較低，說明各省份交通運輸業(yè)碳排放效率呈現(xiàn)兩極化分布；核密度曲線由單峰轉化為雙峰并保持穩(wěn)定，說明隨著時間推移，城市間交通運輸業(yè)碳排放效率由聚合性的區(qū)域集聚特征轉化為分散性的區(qū)域集聚特征。

2. 交通運輸業(yè)碳排放效率的空間演化特征

通過Arcgis軟件，采用自然斷點法，將我國各省份交通運輸業(yè)碳排放效率根據大小分為高值效率區(qū)、較高值效率區(qū)、中值效率區(qū)、低值效率區(qū)，并列出2008年、2012年、2016年、2019年交通運輸業(yè)碳排放效率分布圖分析其變化情況，具體結果如圖3所示。

由圖3可知，2008年交通運輸業(yè)碳排放效率呈現(xiàn)“南北低、東西高”的空間格局，2012年交通運輸業(yè)碳排放效率分布與2008年相似。2016年、2019年與2008年、2012年相比，全國交通運輸業(yè)碳排放效率空間格局發(fā)生較大變化，較高值效率區(qū)及高值效率區(qū)主要集中在東部沿海城市，且處于較高值效率區(qū)及高值效率區(qū)的省份數量大幅度下降，西部地區(qū)甘肅、寧夏、山東、河南、江西等省份降為中值效率區(qū)，交通運輸業(yè)碳排放效率呈現(xiàn)“東高、西低”的空間分布。

為進一步分析我國交通運輸業(yè)碳排放效率的變化及其在地域上的分布特性，本文采用重心—標準差橢圓分析模型測算出2008—2019年我國交通運輸業(yè)碳排放效率的動態(tài)變化軌跡，并選取2008年、2012年、2016年、2019年作為樣本分析對象。在Arcgis中計算樣本研究期間交通運輸業(yè)碳排放效率標準差橢圓及重心遷移軌跡，如圖4所示，重心軌跡與標準差橢圓具體數據見表6所列。

根據重心坐標軌跡可知，2008—2019年交通運輸業(yè)碳排放效率的重心在113.226°E～13.925°E、33.047°N～33.935°N范圍內移動。由重心的遷移軌跡可以看出，2008—2012年、2012—2016年、2016—2019年，我國交通運輸業(yè)碳排放效率的重心均向東南方向移動。2008—2012年移動距離最短，僅為41.89千米；2012—2016年碳排放效率重心向東南方向移動70.21千米，方向上相比前四年移動軌跡更偏南；2016—2019年移動距離最遠，為111.97千米，且移動方向大幅度偏向東，說明東部省份交通運輸業(yè)碳排放效率提升顯著?？傮w而言，2008—2019年，我國交通運輸業(yè)碳排放效率重心向東南方向移動224.07千米，樣本研究期間，東南地區(qū)各省份碳排放效率的提升高于其他省份。

從標準差橢圓分析可以看出，X軸的標準差始終大于Y軸標準差，說明交通運輸業(yè)碳排放效率主要沿東北—西南方向分布。X軸標準差在樣本研究期間有縮小趨勢，說明交通運輸業(yè)碳排放效率在南—北方向有聚集的趨勢；Y軸標準差在樣本研究期間變化不大，說明交通運輸業(yè)碳排放效率在東—西方向分布較為穩(wěn)定。X軸標準差縮小，Y軸標準差相對穩(wěn)定，因此，橢圓的面積呈現(xiàn)縮小趨勢，說明交通運輸業(yè)碳排放效率的地區(qū)差異在樣本研究期間呈現(xiàn)縮小趨勢。

方向角在樣本研究期間呈現(xiàn)波動下降，2008—2016年下降到76.876°，2016—2019年方向角稍有上升，上升到80.976°，但仍低于2008年，說明橢圓有逆時針方向轉動的趨勢，但因總體變化不顯著，使得我國交通運輸業(yè)碳排放效率整體上依然呈現(xiàn)出東北—西南方向的空間分布。

（二）碳排放效率的空間聚類特征

本文用莫蘭指數對各省份交通運輸業(yè)碳排放效率進行自相關分析，結果顯示，2008年莫蘭指數為0.119，2019年莫蘭指數為0.064（Plt;10%），說明各省份交通運輸業(yè)碳排放效率具有正相關性，但總體來說相關性較低，且呈現(xiàn)下降趨勢。

為更加準確地分析各省份之間交通運輸業(yè)碳排放效率的空間分布聚類特征及時間變化趨勢，本文利用Stata軟件繪制2008年、2012年、2016年、2019年交通運輸業(yè)碳排放效率莫蘭散點圖，如圖5所示。可以看出，我國各省份交通運輸業(yè)碳排放效率主要分布在第一、四象限，即“高-高”（H-H）、“低-低”（L-L）象限，少數省份分布在第二、四象限，即“低-高”（L-H）、“高-低”（H-L）象限。2008年、2012年、2016年及2019年4個年份中，分布在“高-高”和“低-低”象限的省份數量分別占30個省份數量的73%、70%、66%、70%，可見，2008—2019年，各省份交通運輸業(yè)碳排放效率在空間上主要表現(xiàn)為“高-高”和“低-低”集聚，即相鄰省份之間交通運輸業(yè)碳排放效率呈現(xiàn)空間相關性。高-高聚集地區(qū)主要分布在上海、安徽、山東、浙江等省份，這些地區(qū)已形成較為完善的經濟發(fā)展體系，因而出現(xiàn)了明顯的空間集聚特征；低-低集聚地區(qū)主要分布在西南、西北和東北地區(qū)，包括四川、云南、新疆、甘肅、黑龍江等省份，這些地區(qū)受地形地貌等自然條件和經濟發(fā)展水平限制，交通運輸業(yè)發(fā)展較為落后，導致交通運輸業(yè)碳排放效率偏低。

（三）影響因素分析

1. 變量選擇

本文依據Super-SBM模型求解交通運輸業(yè)碳排放效率，參照學者們針對交通運輸業(yè)碳排放研究［6-7、20、27-30］中相關指標的選取，結合數據客觀性、可獲得性原則，以地區(qū)人均GDP（x1）、交通運輸強度（x2）、交通運輸結構（x3）、環(huán)境治理強度（x4）、資本存量（x5）為自變量，以我國30個省份交通運輸業(yè)碳排放效率計算結果為因變量，探究各個自變量對交通運輸行業(yè)碳排放效率的影響機制，具體變量計算方法見表7所列。在資本存量中，k（t）表示時間t時刻的資本存量；k（t-1）表示時間t-1時刻的資本存量；I（t）表示時間t時刻的投資額；δ表示折舊率。

2. 空間計量模型選擇

為使交通運輸業(yè)碳排放效率影響因素分析的結果更加準確，本文先通過OLS估計模型檢驗變量之間是否存在空間相關性，再通過拉格朗日乘數LM選擇合適的空間計量學經濟模型分析自變量與因變量之間的關系，OLS估計和LM檢驗結果見表8所列。經過檢驗可以發(fā)現(xiàn)，各影響因素存在明顯的空間相關性。在此基礎上進行的LM檢驗結果顯示，LM-error檢驗（P=0.000）和LM-lag檢驗（P=0.000）均顯著，然而，Robust LM-error檢驗（P=0.000）顯著，Robust LM-lag檢驗（P=0.489[gt;]0.00）卻不顯著，依據Anselin［31］的判別準則，應該選擇空間誤差模型進行影響因素分析。

3. 影響因素分析

通過Stata16運行空間誤差模型（SEM）得到的結果見表9所列，可以看出，人均GDP、交通運輸強度、環(huán)境治理強度促進了交通運輸業(yè)碳排放效率提升，交通運輸結構和資本存量抑制了交通運輸業(yè)碳排放效率提升。

人均GDP（x1）對交通運輸業(yè)碳排放效率的回歸系數為0.311，并在1%的置信區(qū)間內顯著，說明經濟發(fā)展對碳排放效率的提高有促進作用。經濟發(fā)展促使科技快速進步，低能耗的交通運輸方式降低了碳排放量。同時，人均GDP提高可能導致民眾消費偏好發(fā)生變化，人們更喜歡環(huán)保、低碳的出行方式，從而減少了碳排放量。

交通運輸強度（x2）對交通運輸業(yè)碳排放效率的影響最大，為0.539，且通過了1%的顯著性檢驗，說明交通運輸強度對交通運輸業(yè)碳排放效率具有正向并且顯著的影響。交通運輸強度的增加減少了公路、水路、鐵路運輸的空載率，提高了能源使用效率，從而提高碳排放效率。

交通運輸結構（x3）對交通運輸業(yè)碳排放效率產生負向影響，并且通過了10%的顯著性檢驗。不同運輸方式的能源消耗強度以及碳排放量不同，相對而言，公路運輸相同的周轉量會消耗更多的能源，排放出更多二氧化碳。

環(huán)境治理強度（x4）對交通運輸業(yè)碳排放效率有顯著的正面促進作用。提高環(huán)境治理強度，促使交通運輸業(yè)調整產業(yè)結構，向綠色交通、低碳經濟方向發(fā)展。同時，環(huán)境治理強度的提升使能源價格上漲，通過提高能源使用成本，促使交通運輸業(yè)采用清潔能源，提高能源使用效率和碳排放效率。

資本存量（x5）的增加對交通運輸業(yè)碳排放效率起到抑制作用，可能是因為交通運輸業(yè)資本存量的增加會加大對基礎設施的建設和維護，需要消耗大量能源，導致運輸相同周轉量時會排放出更多的二氧化碳，從而降低了交通運輸業(yè)碳排放效率。

4. 穩(wěn)健性檢驗

為了保證上述回歸結果的有效性及可靠性，本文采用補充解釋變量、更改樣本區(qū)間兩種方式進行穩(wěn)健性檢驗，具體為：①補充解釋變量。能源結構差異（x6）是研究不同種類能源在總能耗中的使用占比對碳排放效率的影響，本文以汽油和柴油占總能耗的比重表示能源結構差異，進行穩(wěn)健性檢驗。②改變樣本區(qū)間。本文采用2008—2019年數據作為樣本研究，為避免樣本跨度時間較長對回歸的影響，隨機去除2008年、2013年數據進行穩(wěn)定性檢驗，以排除樣本研究跨度長對結果穩(wěn)定性的干擾。具體檢驗結果見表10所列。

由表10可知，穩(wěn)健性結果與實證回歸結果系數符號相同，只是系數大小與顯著性水平呈現(xiàn)差異，人均GDP、交通運輸強度、環(huán)境治理強度在穩(wěn)健性檢驗中依舊對交通運輸業(yè)碳排放效率起促進作用，交通運輸結構、資本存量對交通運輸業(yè)碳排放效率起著抑制作用，這與前文的結論相一致，說明結論具有穩(wěn)健性。

四、結論與對策建議

（一）結論

本文采用非期望Super-SBM模型，測算出2008—2019年我國30個省份交通運輸業(yè)碳排放效率，并對其進行時空演化、空間相關性以及影響因素分析，得出以下結論：

一是在樣本考察期間，各省份交通運輸業(yè)碳排放效率值差異較大，上海、安徽、天津、山東、河南等省份交通運輸業(yè)碳排放效率較高；貴州、四川、云南等省份較低，效率值均小于0.15。在時間上，我國交通運輸業(yè)碳排放效率總體上呈現(xiàn)先下降后上升再下降的“倒N”變化趨勢；在空間上，碳排放效率整體上依然呈現(xiàn)東北—西南方向的空間分布，效率重心向東南方向移動。

二是根據空間相關性分析可知，30個省份的交通運輸碳排放效率存在空間相關性，大部分省份處于“高-高”“低-低”聚集?！案?高”集聚區(qū)出現(xiàn)在經濟發(fā)展較好、地形地貌有優(yōu)勢的東部地區(qū)；“低-低”集聚區(qū)多出現(xiàn)在經濟發(fā)展較為落后的西部地區(qū)。由此可見，經濟發(fā)展和地理環(huán)境與交通運輸業(yè)碳排放效率有著密切聯(lián)系。

三是從空間計量測算結果來看，對交通運輸業(yè)碳排放效率的影響強度從大到小依次為交通運輸強度、人均GDP、交通運輸結構、資本存量、環(huán)境治理強度。其中，交通運輸強度、人均GDP、環(huán)境治理強度對交通運輸業(yè)碳排放效率起促進作用；交通運輸結構、資本存量對碳排放效率起著抑制作用。穩(wěn)健性結果與實證回歸結果系數符號相同，說明空間計量模型的回歸結果具有穩(wěn)健性。

（二）對策建議

基于上述研究結論，為提高我國交通運輸業(yè)碳排放效率、減少溫室氣體排放量，本文提出以下對策建議：

一是國家在制定發(fā)展戰(zhàn)略時既要促進區(qū)域間減排合作，也要注重各省份自身發(fā)展情況，因地制宜制定節(jié)能減排政策。東部沿海省份應發(fā)揮領先示范作用，控制私家車數量，大力發(fā)展綠色公共交通，積極使用清潔能源，提高能源利用效率，加快構建綠色交通體系；中西部地區(qū)應注重交通運輸業(yè)的綠色發(fā)展，積極調整交通運輸結構，努力爭取國家和社會對交通運輸業(yè)的重視與有效投資。

二是政府應積極采取措施消除區(qū)域間差異，實現(xiàn)資源共享、科技互助，充分發(fā)揮區(qū)域一體化戰(zhàn)略成果，突破區(qū)域間壁壘。發(fā)揮東部地區(qū)對全國碳減排的重要引領和支撐作用，充分發(fā)揮經濟、科技、資源優(yōu)勢，提高能源使用效率，并將資金、科技等要素向中西部地區(qū)傾斜，促進各地區(qū)交通運輸業(yè)基礎建設均衡發(fā)展。

三是調整運輸結構，加大環(huán)境治理強度。各省份應推動鐵路、水路基礎設施的建設，降低運輸價格，鼓勵企業(yè)運輸貨物時選擇鐵路與水路，引導民眾減少公路出行。相關部門應持續(xù)重視交通運輸業(yè)環(huán)境治理，加大資金投入，推進純電動車、氫能源、太陽能等清潔能源的發(fā)展，引導民眾選擇輕軌交通、公交車等低碳環(huán)保的出行方式，構建低碳交通運輸體系，降低二氧化碳排放量。

注 釋：

（1）東部地區(qū)包括北京、天津、河北、上海、江蘇、浙江、福建、山東、廣東、海南、遼寧；中部地區(qū)包括吉林、湖北、黑龍江、湖南、山西、河南、江西、安徽；西部地區(qū)包括內蒙古、廣西、陜西、新疆、甘肅、寧夏、青海、四川、云南、貴州、重慶。

參考文獻：

［1］KAYA Y，YOKOBORI K. Environment，Energy and Economy：Strategies for Sustainability［M］.Tokyo：United Nations University Press，1997.

［2］ALDY J E. Per Capita Carbon Dioxide Emissions：Convergence or Divergence？［J］.Environmental amp; Resource Economics，2006，33（4）：533-555.

［3］TONE K. A Slacks-based Measure of Efficiency in Data Envelopment analysis［J］.European Journal of Operational Research，2001，130（3）：498-509.

［4］王少劍，高爽，黃永源，等.基于超效率SBM模型的中國城市碳排放績效時空演變格局及預測［J］.地理學報，2020，75（6）：1316-1330.

［5］李晨，馮偉，邵桂蘭.中國省域漁業(yè)全要素碳排放效率時空分異［J］.經濟地理，2018，38（5）：179-187.

［6］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.

［7］李建豹，黃賢金，揣小偉，等.長三角地區(qū)碳排放效率時空特征及影響因素分析［J］.長江流域資源與環(huán)境，2020，29（7）：1486-1496.

［8］KUMBHAKAR S C，LIEN G，HARDAKER J B．Technical Efficiency in Competing Panel Data Models：A Study of Norwegian Grain Farming ［J］.Journal of Productivity Analysis，2014，41（2）：321-337.

［9］董梅，李存芳.中國低碳技術效率、技術差距與低碳化進程研究——基于MinDS-Luenberger方法的實證分析［J］.華東經濟管理，2020，34（11）：81-89.

［10］ZHANG N，WEI X. Dynamic Total Factor Carbon Emissions Performance Changes in the Chinese Transportation Industry-ScienceDirect［J］.Applied Energy，2015，146（15）：409-420.

［11］岳立，雷燕燕，王杰.中國省域旅游業(yè)碳排放效率時空特征及影響因素分析［J］.統(tǒng)計與決策，2020，36（16）：69-73.

［12］蔣自然，金環(huán)環(huán)，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(huán)境科學，2020，41（6）：2972-2980.

［13］胡中應.技術進步、技術效率與中國農業(yè)碳排放［J］.華東經濟管理，2018，32（6）：100-105.

［14］王兆峰，杜瑤瑤.基于SBM-DEA模型湖南省碳排放效率時空差異及影響因素分析［J］.地理科學，2019，39（5）：797-806.

［15］何偉軍，李聞欽，鄧明亮.人力資本、綠色科技創(chuàng)新與長江經濟帶全要素碳排放效率［J］.科技進步與對策，2022，39（9）：23-32.

［16］孫秀梅，王格，董會忠，等.基于DEA與SE-SBM模型的資源型城市碳排放效率及影響因素研究——以全國106個資源型地級市為例［J］.科技管理研究，2016，36（23）：78-84．

［17］徐英啟，程鈺，王晶晶，等.中國低碳試點城市碳排放效率時空演變與影響因素［J］.自然資源學報，2022，37（5）：1261-1276．

［18］王鑫靜，程鈺，丁立，等.“一帶一路”沿線國家科技創(chuàng)新對碳排放效率的影響機制研究［J］.軟科學，2019，33（6）：72-78.

［19］郗永勤，吉星.我國工業(yè)行業(yè)碳排放效率實證研究——考慮非期望產出SBM超效率模型與DEA視窗方法的應用［J］.科技管理研究，2019，39（17）：53-62.

［20］藺雪芹，邊宇，王岱.京津冀地區(qū)工業(yè)碳排放效率時空演化特征及影響因素［J］.經濟地理，2021，41（6）：187-195.

［21］江三良，鹿才保.環(huán)境規(guī)制影響碳排放效率的外部性及異質性——基于生產性服務業(yè)集聚協(xié)同的分析［J］.華東經濟管理，2022，36（10）：56-69.

［22］王少劍，謝紫寒，王澤宏.中國縣域碳排放的時空演變及影響因素［J］.地理學報，2021，76（12）：3103-3118.

［23］田云，林子娟.中國省域農業(yè)碳排放效率與經濟增長的耦合協(xié)調［J］.中國人口·資源與環(huán)境，2022，32（4）：13-22.

［24］邵海琴，王兆峰.長江經濟帶旅游業(yè)碳排放效率的綜合測度與時空分異［J］.長江流域資源與環(huán)境，2020，29（8）：1685-1693.

［25］ TONE K. A Slacks-based Measure of Super-efficiency in Data Envelopment Analysis［J］.European Journal of Operational Research，2002，143（1）：32-41.

［26］張軍，章元.對中國資本存量K的再估計［J］.經濟研究，2003（7）：35-43，90.

［27］邵帥，范美婷，楊莉莉.經濟結構調整、綠色技術進步與中國低碳轉型發(fā)展——基于總體技術前沿和空間溢出效應視角的經驗考察［J］.管理世界，2022，38（2）：4-10，46-69.

［28］張友國.碳排放視角下的區(qū)域間貿易模式：污染避難所與要素稟賦［J］.中國工業(yè)經濟，2015（8）：5-19.

［29］王正，樊杰.能源消費碳排放的影響因素特征及研究展望［J］.地理研究，2022，41（10）：2587-2599.

［30］徐英啟，程鈺，王晶晶，等.中國低碳試點城市碳排放效率時空演變與影響因素［J］.自然資源學報，2022，37（5）：1261-1276.

［31］ANSELIN L，F(xiàn)LORAX R，REY S J. Advanced in Spatial Econometrics：Methodology，Tools and Applications.［M］.Berlin：Springer-Verlag，2004.

［責任編輯：夏同梅］