引言

2015年全球CO₂平均浓度首次达到400×10^-6[1]，全球气候变暖已日趋严峻。为积极应对全球气候变化，《巴黎协定》旨在控制主要由CO₂排放而导致的气温升高。美国计划于2025年实现在2005年基础上减排26%~28%的全经济范围减排目标并努力减排28%^[2]，而中国政府也作出到2020年，中国单位国内生产总值CO₂排放比2005年下降40%~45%的承诺^[3]。作为全社会三大碳排放行业之一的交通运输业^[4]，如何处理好交通运输活动总量高速增加与碳排放之间的关系，是交通运输部门迫切需要解决的问题。为有效寻求适合中国国情的交通运输业碳减排政策，探究中国交通运输业碳排放的发展现状及时空演变规律，具有重要的现实意义。

目前，关于交通运输碳排放的研究多集中于碳排放的测算、趋势预测及碳排放的影响因素等方面。在交通运输碳排放量的测算上，吴玉鸣等^[5]以煤炭、石油和天然气的消费量分别乘以这3种能源对应的折算标准煤系数并求和，进而乘以吨标准煤转化为CO₂的折算系数，从而估算碳排放总量。Brown等^[6]基于能源消费量测算并探讨了美国主要城市的交通运输碳排放量。Morrow等^[7]运用全生命周期法核算美国运输部门的碳排放量，而Weber等^[8]通过消费者支出调查和生命周期评估报告分析了美国家庭的交通运输碳排放情况。关于碳排放的趋势预测及影响因素方面，Wang等^[9]测算了1985－2009年中国交通运输行业碳排放的增长量，发现中国交通运输业碳排放以每年10.56%的增长率迅速增长。卢建锋等^[10]建立交通运输碳排放效率的因素分解模型，认为技术进步和结构调整是影响碳排放效率的主要因素。刘建翠^[11]运用线性回归方法测算了交通运输部门的能源消费和碳排放，并计算了潜在的节能能力，认为未来交通运输领域的能源消费和碳排放仍将持续增长，技术进步对降低能耗效果显著。谢守红等^[12]采用回归模型分析交通运输碳排放，认为产业比重和从业人口对碳排放具有拉动作用。Scholl等^[13]研究发现交通量、能源强度、交通结构、能源结构是影响客运交通碳排放的主要因素。此外，一些学者尝试从空间角度，分析交通运输系统碳排放现状，袁长伟等^[14]基于标准差和变异系数分析了中国30省域的交通运输碳排放量和碳排放强度，认为中国交通运输碳排放量呈现西低东高的特征，而碳排放强度却呈现西高东低的非均衡特征。高洁等^[15]引入重心分析模型，分析1996－2010年中国交通运输碳排放重心的演变轨迹，认为各区域交通运输碳排放尚未得到有效控制。

现有研究虽已取得一定有价值的研究成果，但仍存在一些问题：关于交通运输碳排放测算方面，由于统计数据的可得性，目前较多研究是基于能源消费量计算碳排放量，但其往往简单化处理，涉及的能源种类有限，难以全面反映交通运输碳排放实际情况；现有关于交通运输碳排放研究较多以国家或三大地带等大尺度为研究单元，关于中尺度的省级、地市级行政单元以及小尺度的县域为研究单元的研究较少；部分研究关注不同时间截面上的区域经济空间差异以及相关性，缺乏对交通运输碳排放区域内部的方向差异的探讨，缺少对影响空间差异的随机及结构性因素的定量研究。基于此，本文以省域为研究单元，以9种主要能源消耗为依据，采用自上而下方法测算中国省域2003－2014年交通运输系统的碳排放量，并结合地统计分析等空间分析方法探究其时空演变特征，对交通运输碳排放空间分布差异、内部方向差异及随机、结构性影响因素进行定量研究，从而为各省市设定适合自身的有效碳减排计划，寻求因地制宜的碳减排政策提供重要依据。

1 研究方法与数据来源 1.1 总体演化特征分析方法 1.1.1 交通运输系统碳排放计算

交通运输碳排放主要是各种运输方式在完成客货运输位移的过程中所产生的负产出。IPCC提出大气中温室气体的主要来源是能源消耗所产生的碳排放，因此本文主要研究基于能源消耗的交通运输系统碳排放情况。

根据《2006年IPCC国家温室气体清单指南》^[16]，考虑交通运输的特殊性，采取自上而下的方法计算碳排放量。具体计算公式如下：

$ P = \sum\limits_{i = 1}^n {{H_i}} \times {K_i}。$

(1)

式中，P为交通运输系统的碳排放总量(小区域的某种属性值万 t)；H_i为第i类能源的消耗总量(万 t标准煤)；K_i为第i类能源的CO₂排放系数。

1.1.2 全局空间自相关

空间自相关是空间单元属性聚集程度的一种有效度量方法^[17]，为深入研究中国各省域交通运输系统碳排放的空间布局和集群状况，采用全局Moran’s I指数^[18]来衡量。

Moran’s I的取值范围为(-1，1)，若I＜0，说明各地区的交通运输碳排放具有差异性，数值越小则说明差异性越大；若I＞0，则存在正自相关；若I=0，则说明各地区的交通运输碳排放不相关，服从随机分布。

1.2 局部演化特征分析方法 1.2.1 G指数

Ord等^[19]提出了用于研究空间数据的局域空间关联分析的统计指数G，计算公式如下：

$ {G_i}\left( d \right) = \sum\limits_{j = 1}^n {{\mathit{\boldsymbol{W}}_{ij}}} \left( d \right){x_j}/\sum\limits_{j = 1}^n {{x_j}} 。$

(2)

W_ij (d)为空间权重矩阵，采用临近标准确定，即如果空间单元i与空间单元j相邻，则W_ij=1；否则W_ij =0。此外，当i=j时，W_ij =0。n为空间单元的数量；x_j表示空间单元j的属性值，即各省域交通运输系统的碳排放量。

当空间单元i≠j时，G_i(d)的标准形式为

$ Z\left[{{G_i}\left( d \right)} \right] = \frac{{{G_i}\left( d \right) - {\rm{E}}\left[{{G_i}\left( d \right)} \right]}}{{\sqrt {{\rm{VAR}}\left[{{G_i}\left( d \right)} \right]} }}。$

(3)

E[G_i(d)]和VAR[G_i(d)]分别为数学期望和方差变异值；若Z[G_i(d)]为正且显著，表明空间单元i周围的省份碳排放量较高，则高值空间集聚(热点区)；若Z[G_i(d)]为负且显著，表明空间单元i周围的省份碳排放量较低，则低值空间集聚(冷点区)。

1.2.2 重心与标准差椭圆

重心及标准差椭圆主要用于分析区域空间分布的集中与离散趋势。其中重心的概念最初主要来源于物理学，是指物体内各个点所受重力产生合力的作用点，其可看作是空间分布的平均中心^[20]。假设某一区域由n个次一级区域构成，m_i(x_i, y_i)为第i个小区域的中心坐标，u_i为第i个小区域的某种属性值，M(x_j, y_j)为第j年该大区域的中心坐标，x_j、y_j为第j年该大区域重心的经度值和纬度值，则重心计算公式为^[21]：

$ M\left( {{x_j}, {y_j}} \right) = \left[{\frac{{\sum\limits_{i = 1}^n {{u_i}} {x_i}}}{{\sum\limits_{i = 1}^n {{u_i}} }}, \frac{{\sum\limits_{i = 1}^n {{u_i}} {y_i}}}{{\sum\limits_{i = 1}^n {{u_i}} }}} \right]。$

(4)

本文以各省域交通运输系统的碳排放量为区域属性值，确定各省交通运输系统碳排放的重心空间区位情况，以及随着时间的变化碳排放重心轨迹的变动方向和距离。

此外，标准差椭圆主要由3个要素构成：转角θ、沿主轴(长轴）的标准差与沿短轴的标准差，椭圆的长轴表示为某一区域空间分布较密集的方向，短轴则表示该方向的空间分布相对离散。

1.3 空间半变异函数

空间半变异函数又称半变差函数，是关于数据点的变异性与数据点间距离的函数，是描述区域化变量随机性和结构性差异特有的基本手段。计算公式参考文献[22]。

1.4 数据来源

本文以省域为研究单元，分析2003－2014年除香港、澳门、台湾及西藏以外的全国30省域交通运输系统碳排放空间分布及演化状况。历年各省域的交通运输系统能源消耗数据主要来源于《中国能源统计年鉴》^[23]及各省(市）统计年鉴^[24]。

需要说明的是，在我国现有的统计数据中，交通运输与仓储、邮政能源消耗属同一行业统计，包括铁路运输业、道路运输业、城市公共交通业、水上运输业、航空运输业、管道运输业、装卸搬运、仓储、邮政及其他运输服务业^[24]。由于本文主要侧重于探究交通运输业碳排放的时空演变规律及分布特征，且仓储、邮政所占比例较小^[25]，故本文采用统计年鉴中的交通运输与仓储、邮政的能源消耗数据。文中主要考虑交通运输系统的直接碳排放，不考虑间接排放及社会其他行业部门及私人车辆的能耗。此外，考虑排放因子的可得性及其他能源占比较小，本文选用原煤、焦炭、原油、汽油、煤油、柴油、燃料油、液化石油气和天然气等9种主要能源消耗数据，尽可能准确全面地反映交通运输业的能源消耗情况。CO₂排放因子是根据《2006年IPCC国家温室气体清单指南》公布的计算方法，依据2008年《中国能源统计年鉴》公布的热值调整碳排放系数计算得到(表 1)，该CO₂排放因子考虑了燃料中的所有碳，包括以CO₂、CH₄、CO、NMVOC和微粒等形式排放出的碳。

2 时空演变分析 2.1 总体时空格局

如表 2所示，2003－2014年中国各省域的交通运输系统碳排放量持续稳定增长。2003年排放总量为23229.14万 t，2014年为64318.71万 t。此外，东部地区交通运输系统碳排放量普遍高于中、西部地区，这与其经济发展水平、产业布局及交通运输结构等因素密切相关。

为总体反映中国省域交通运输系统碳排放的空间差异情况，计算了2003－2014年中国交通运输系统碳排放的变异系数及空间自相关指数(Moran’s I指数）(表 3)。发现交通运输系统碳排放均值逐年上升，由2003年的774.31万 t增长到2014年的2143.96万 t，增长了2.77倍。区域标准差也呈上升趋势，这表明区域交通运输系统的碳排放的绝对差异总体呈现增大趋势。而变异系数呈下降态势，表明2003－2014年中国省域交通运输系统碳排放相对差异逐渐减小。Moran’s I指数基本保持稳定，且均接近于0，表明各省域的交通运输系统碳排放呈现随机分布的态势。

为更详细了解各省域交通运输系统碳排放空间分布情况，用ArcGIS10.2软件分别绘出2005年、2010年、2014年碳排放的空间分布图(图 1)。X轴代表东西方向，Y轴代表南北方向，Z轴代表碳排放量。从东往西呈阶梯状减小，表明交通运输碳排放从东部到西部逐渐下降，而南北向呈“倒U”型，表明南北方向上中间省份的碳排放量较大，南北两端省份交通运输系统碳排放量相对较小。总体来讲中东部省份交通运输系统的碳排放量较大，西北、西南省份交通运输系统碳排放量较小。

2.2 局部空间格局 2.2.1 G指数分析

分析各省的G指数，采用自然断裂点法将碳排放数据由高到低划分5个等级，分别代表热点地区、次热地区、温点地区、次冷地区、冷点地区(图 2)。总体上冷点地区分布在西北地区，所占份额由2005年的13.3%下降到2014年的10.0%，反映了随着社会经济发展，交通运输系统能源消耗逐渐增大，碳排放量不断上升；而热点地区主要分布在东部沿海城市，2005年、2010年、2014年的热点城市数量均占总数的23.3%；总体上中国各省域的交通运输系统碳排放具有高值聚集与低值聚集的空间集聚效应，且基本呈现东部高、中部次之、西部低的空间格局。研究发现2005年、2010年、2014年北京、天津、河北、山东、江苏、安徽、浙江这7个省/市的G指数普遍较高，始终处于热点地区；而新疆、青海、甘肃这3个省均为冷点地区。相比2005年，2010年、2014年的交通运输系统碳排放冷点地区有所减少，四川省由冷点区变为次冷区。2005年、2010年、2014年的交通运输系统碳排放格局存在微弱变化，基本趋于稳定。

2.2.2 碳排放重心轨迹及标准差椭圆分析

运用ArcGIS10.2的相关模块，计算2003－2014年中国各省域交通运输系统的碳排放重心及标准差椭圆的各参数(表 4、图 3)，其空间分布情况如图 4所示。碳排放的重心基本在河南省南部偏东地区，其中2005年、2006年碳排放重心明显向西转移，2006年以后交通系统碳排放重心向东北方向转移。

各年份交通系统碳排放的标准差椭圆以该年份的重心为中心(图 4)，覆盖中国中东部。较为突出的是，2005年和2006年的标准差椭圆沿y轴和沿x轴相差不大，说明2005年和2006年各省域交通系统的碳排放方向性特征不明显，数据的离散程度相对较大，这与表 3中2005年、2006年变异系数较大相吻合。而其他年份的标准差椭圆总体上变化幅度不大，沿x轴的标准差普遍在838~898 km，沿y轴主要集中于1050~1131 km，其北抵辽东半岛、内蒙古东、京津唐经济圈，西连川陕渝西三角，东至长三角经济区，南接珠三角经济圈，横跨北京、天津、辽宁、内蒙古、河北、山西、甘肃、宁夏、陕西、河南、山东、安徽、江苏、湖北、重庆、四川、贵州、广西、广东、福建、浙江、上海22个省/市，这些区域均是交通运输系统碳排放高值聚集区，说明交通运输系统碳排放与各地的经济发展、产业布局与交通运输结构关系较大。

图 3的标准差椭圆转角θ(正北方向与顺时针旋转的长轴之间的夹角）主要反映了交通运输系统碳排放空间分布的主趋势方向。研究发现2003－2014年标准差椭圆转角θ始终在16°~36°区间变动，基本呈现增大-减小-增大过程，但整体转角θ变小(由2003年的24.25°缩小到2014年的22.598°)，交通运输系统碳排放的空间分布标准差椭圆在空间上主要表现为小幅度的逆时针旋转，这表明中国省域交通运输系统碳排放总体上呈现东北-西南格局，并有向正北转变的趋势。其中2005年、2006年东北-西南空间格局得到加强。在主轴(即y轴）方向上，2003－2005年主轴标准差由1083.25 km扩大到1177.45 km，表明该时段交通系统碳排放分布在主要方向上相对分散；2005－2008年主轴开始变短，表明该时段碳排放分布在主要方向上趋于极化现象；2008－2014年主轴增长，交通系统碳排放又出现分散现象。观察辅轴方向(即x轴)，其经历了先增大后减小的过程，即辅轴方向上交通系统碳排放分布呈现先分散后极化的演变趋势。分析其原因，主要是由于2005年、2006年各省域交通系统碳排放变异系数较大，东部经济发达城市发展迅速，能源消耗迅速增加，致使碳排放总量相对中西部省/市发展快速，方向性分布不明显，呈现相对分散现象。

2.3 空间变异分析 2.3.1 方向变异

利用ArcGIS10.2的地统计模块，分析2014年30省域交通运输系统碳排放的方向变异，逐渐改变动态搜索方向，分别选取0°为南北方向，45°表示东北-西南方向，90°表示东西方向，135°表示东南-西北方向。图 5可知，2014年交通运输系统碳排放在不同方向的空间相关范围基本相近，其中东西方向的空间相关性范围更广。

2.3.2 空间异质分析

为进一步分析省域交通运输系统碳排放的空间差异性，采用Kriging空间插值进行可视化处理。分析2005年、2010年、2014年交通运输系统碳排放数据，发现数据近似服从正态分布(表 5)，说明用Kriging空间插值作半变异函数分析基本可行。

研究发现，总体上2005年、2010年、2014年的标准平均值均接近于0，且平均标准误差与均方根相差不大，标准均方根接近于1，认为半变异函数能正确估计交通运输系统碳排放预测中的随机变异性。观察块金值，发现其先增大后减小，但总体有所下降，这说明不同时期，运输系统碳排放数据变异的随机成分不同，大体上由空间相关引起的结构化分异呈减弱态势。变程先增大后减小，但总体呈现增大态势，表明省域交通运输系统碳排放的空间效应范围不断增大，溢出效应不断增强。观察空间变异函数的拟合结果，发现交通运输系统碳排放量较大的地区主要分布于中东部，而西北和西南方向的省份碳排放相对较小，这与趋势图分析结果基本一致。

3 结论

(1) 2003－2014年中国交通运输系统碳排放量持续快速增长，由2003年的23229.14万 t增长为2014年的64318.71万 t。中国省域交通系统碳排放呈随机分布态势，且区域间相对差异逐渐减小。中国省域交通运输系统碳排放自东向西逐渐递减，而南北方向呈“倒U”型，即从南向北的省域交通系统碳排放先增加后减少。

(2) 总体上中国各省域的交通运输系统碳排放具有高值聚集与低值聚集的空间集聚效应，且基本呈现东部高、中部次之、西部低的空间格局。2005年、2010年、2014年新疆、青海及甘肃等省域均属于冷点地区；而北京、天津、河北、山东、江苏、安徽、浙江始终处于热点地区。交通运输系统碳排放重心基本位于中国河南省南部，且总体上呈现东北-西南的方向格局，并有向正北转变的趋势。

(3) 2014年交通运输系统碳排放在不同方向的空间相关范围基本相近，其中东西方向有更远距离的空间相关性。不同时期交通运输系统碳排放数据变异的随机成分不同，且结构化差异减弱。交通运输系统碳排放空间效应范围不断增大，溢出效应逐渐增强。

需要说明的是，本文所采用的交通运输能源消耗数据是以国内分行业的能耗统计数据为准，尚未考虑间接排放及社会其他行业部门及私人车辆的能耗。由于该部分能耗数据涉及范围较大，考虑因素复杂，较难获取。但该部分数据对准确计算交通运输能耗水平具有一定的影响，因此针对全社会交通运输系统碳排放的分析仍需进一步研究和探讨。

为积极应对全球气候变暖，对快速发展的中国交通运输系统而言，应尽快完善顶层设计，调整交通运输结构，加快新能源汽车、轨道交通等绿色交通方式的比重，创新交通行业节能减排机制，优化能源结构，着力提高能效，促进整个交通运输系统的碳减排进程。由于各省份经济发展水平、产业结构、交通运输结构等差异，不同省市应根据自身实际情况，切实制定因地制宜的碳减排政策，开发适应于自身的有效碳减排工具。