EN中文

经济地理 >

2019 , Vol. 39 >Issue 1: 122 - 129

DOI: https://doi.org/10.15957/j.cnki.jjdl.2019.01.015

产业经济与创新发展

中国交通运输碳排放空间聚类与关联网络结构分析

  • 张帅 , 1 ,
  • 袁长伟 2 ,
  • 赵小曼 2
展开
  • 1.南开大学 经济学院，中国 天津 300071
  • 2.长安大学 经济与管理学院，中国陕西 西安 710064

张帅（1992—），男，陕西宜川人，博士研究生。主要研究方向为交通运输碳排放及其效率。E-mail:。

收稿日期: 2018-01-05

  修回日期: 2018-04-01

  网络出版日期: 2025-04-25

基金资助

霍英东青年教师基金项目(151075)

中央高校基本科研业务费专项资金项目(300102238614)

中央高校基本科研业务费专项资金项目(310823170105)

收起

Spatial Clustering and Correlation Network Structure Analysis of Transportation Carbon Emissions in China

  • ZHANG Shuai , 1 ,
  • YUAN Changwei 2 ,
  • ZHAO Xiaoman 2
Expand
  • 1. School of Economics，Nankai University，Tianjin 300071，China
  • 2. School of Economics and Management，Chang'an University，Xi'an 710064，Shaanxi，China

Received date: 2018-01-05

  Revised date: 2018-04-01

  Online published: 2025-04-25

Fold

摘要

基于中国29个省域1996、2005和2014年交通运输碳排放数据及公路交通网，采用社会网络分析法（SNA），从网络密度、空间异质性、凝聚子类、中介性等角度分析中国29个省域的网络结构演变、空间分布及聚集特征、中介性及角色。结果表明：①从时间趋势上看，1996—2014年中国交通运输碳排放关联网络密度不断提升，网络结构呈现复杂化态势，同时碳排放关联强度存在明显差异性；②通过交通运输碳排放网络TOP1、TOP5、TOP10及凝聚子类分析发现中国交通运输碳排放大体可以分为6大区域：东北地区、西南地区、华南及华中华东部分地区、长江三角洲地区、北方地区、西北部分地区；③在不同的区域中，不同省份扮演着不同的地位和作用，其中上海、江苏、浙江、安徽、河南、山东、贵州、广东、湖北等省份存在着明显的“空间溢出效应”，同时与区域内部省份间存在着较强的空间关联特性，扮演着“中间人”角色，其余省份主要在区域内具有较强的空间关联特性。

关键词： 交通运输碳排放; 能源消耗; SNA; 空间聚类; 关联网络结构; 长江三角洲地区

本文引用格式

张帅 , 袁长伟 , 赵小曼 . 中国交通运输碳排放空间聚类与关联网络结构分析[J]. 经济地理, 2019 , 39(1) : 122 -129 . DOI: 10.15957/j.cnki.jjdl.2019.01.015

Abstract

To explore the network structure and the clustering features of China's provincial transport carbon emissions in the geographical space, based on the data of 29 provincial transportation carbon emissions and road traffic networks in 1996, 2005 and 2014 years, this paper uses the social network analysis (SNA) to analyze regional network structure evolution, spatial distribution characteristics, regional division, intermediary and role from the perspective of network density, spatial heterogeneity, agglomeration subclass and mediation. The results show that: 1) From the point of time trend, the density of China's transportation carbon emissions network has been increasing from 1996 to 2014, and the network structure has been complicated. The development process of network has been extending from the east to the middle, southwest and northwest. At the same time, the intensity of carbon emission present the spatial polarization phenomenon; 2) It is found that China's transportation carbon emissions can be divided into six regions: Northeast, Southwest, South and some central and eastern regions, Yangtze River Delta, North, Parts of the northwest by the TOP1, TOP5, and TOP10 transportation carbon emission network and agglomeration subclass analysis; 3) In different regions, different provinces play different roles, including Shanghai, Jiangsu, Zhejiang, Anhui, Henan, Shandong, Guizhou, Guangdong, Hubei play an important internal, external connectivity intermediary and "middleman" role, the rest of the provinces assume the internal interoperability role.

Key words： transportation carbon emissions; energy consumption; SNA; regional division; association network structure; Yangtze River Delta area

交通运输行业作为主要的化石能源的消耗行业，同时也是主要的碳排放来源，在全球范围内交通运输业碳排放量占碳排放总量的1/4[1]，且有着持续快速增长的趋势。根据国际能源署（International Energy Agency，IEA）的测算，预计2030年全球交通运输领域碳排放量将比2007年增长41%，达到93亿t[2-3]。在中国，1995—2015年，交通运输碳排放量年均增长率高达9.88% ①，其节能减排工作面临着较为严峻的形势。同时，随着中国交通基础设施的快速网络化，区域贸易、服务联系不断加深，西部大开发、东北振兴及东部率先发展等区域发展战略的提出，使得各地区交通运输碳排放存在着复杂化、多线程化的关联关系，呈现一定的空间聚类方式。因此，为制定兼顾针对性和区域化的交通运输减排政策，需要甄别交通运输碳排放的空间聚集特性，把握交通运输碳排放空间关联网络中的关键地区。
目前，随着地理经济学、区域经济学的兴起，交通碳排放空间特性受到了国内外众多学者的广泛关注。Lesiv M等针对中国客运碳排放量的空间分布进行了可视化分析[4]；Koutrakis等基于Global Moran’s和Getis-Ord General G分析研究了巴西联邦地区主要交通路线车辆的碳排放空间分布特征[5]；Shu Y等基于多元线性回归模型，采用空间分解方法对城市交通碳排放进行了精细化区域分配[6]；Eicker等针对7个中等规模城市采用简单的空间分解模型，基于城市街道密度对交通排放进行了空间分解[7]；Huang Z等基于自驾游交通大数据，探索了江苏旅游碳排放的空间流动与分布[8]；杨文越等针对交通CO2排放进行了时空格局演变分析，并利用双向固定效应模型探析了其影响因素[9]；张陶新等基于空间自相关分析和空间收敛模型对中国交通碳排放的空间聚集和收敛性进行了研究[10]；袁长伟等分别采用地理加权回归、空间自相关性分析探究了中国交通运输碳减排压力的空间异质性及全要素碳排放效率的空间聚集特性[11-12]；高洁等测算了中国交通运输碳排放的重心演变轨迹，进而对碳排放空间差异性进行了分析[13]；余跃武等测算并从时空角度分析了1995—2013年中国公路货运碳排放的重心转移路径[14]；杨彬等运用ESDA和GIS相结合的空间分析方法，探索了中国交通运输碳排放的空间差异性和空间聚集规律[15]。
以往的研究通过指标体系评价、传统计量模型及探索性空间数据分析等方法对交通碳排放空间异质性、聚集性、收敛性等进行深入研究。但是，一方面，这些方法仅考虑了地理位置上“相邻”的状况，其分析结果往往较为“局部”，并不能从整体上把握各地区交通运输碳排放的空间关联特性[16]；另一方面，仅能反映少量的空间关联，往往很难勾勒出复杂的空间关联网络[17]，不能很好地反映交通碳排放的空间关联结构和聚类方式。因此，本文基于1996、2005和2014年的中国29个省域交通运输碳排放数据，利用重力模型计算中国交通运输碳排放关联强度，结合SNA、ArcGIS分析碳排放的空间关联网络，以期准确把握中国交通运输碳排放的空间聚集方式及各地区在交通碳排放关联网络中的作用，为制定全局性、区域联动交通运输碳减排政策提供依据。

1 研究方法

1.1 交通运输碳排放网络结构构建

在经济网络分析中，各地区被视为节点，而各省的交通运输碳排放关联抽象为连线。需要说明的是本文中的关联指的是：由于商品货物、人员流动交通运输跨区域服务，而导致的某一地区交通运输碳排放与另一地区交通运输碳排放间的“理论关系”，并非指对两地区间交通碳排放转移量的测度。目前，不少学者采用投入产出数据[18]、货物流量[19]、航空客流[20]、重力模型[16]等方法测度相互关联强度。其中，重力模型由于其原理清晰及数据容易获取受到广泛使用[21]。因而，考虑到数据的滞后性和可获得性，本文采用重力模型对交通运输碳排放关联强度进行测度，并参考刘华军[16]的研究，确定交通运输碳排放关联强度测度模型为：
Y i j = k i j P i C i G i 3 × P j C j G j 3 d i j g i - g j 2 , k i j   = C i C i + C j
式中： Y i j为省份 i与 j之间交通运输碳排放关联强度； P i、 P j表示 i与 j人口规模，以年末常住人口数量代替； C i、 C j为 i与 j交通运输碳排放量； G i、 G j为 i与 j实际GDP，表征 i与 j的经济发展水平；   k i j  表示 i在 i与 j交通运输碳排放流动中的贡献率；由于地区间交通运输碳排放流动同时受到经济距离和地理距离的影响，因而，采用地理距离 d i j与人均GDP差值 g i - g j的比值来综合表征距离因素的影响，其中 d i j为 i与 j之间的最短公路旅行时间；根据Taaffe的研究，确定距离衰减系数为2[22]。

1.2 联系网络分析

鉴于社会网络分析SNA方法在“关系数据”分析上的优越性，本文基于社会网络分析软件PAJEK及UCINET从网络密度、凝聚子群分析及中心度等方面对交通运输碳排放空间关联网络进行网络结构特征、空间聚类及各地区地位及作用进行分析。
①网络密度，是指实际关联数量与最大可能关联数量的比例，从整体上表征网络中各地区间交通碳排放的关联密切程度，其越大，则交通运输碳排放空间关联网络越复杂。若实际关联数量为L，包含地区数量为N，则网络密度 D n的计算公式为：
D n = L / N × N - 1
②凝聚子群分析，凝聚子群是依据相似性和差异性原则，针对交通运输碳排放网络内部结构所做的聚类分析，旨在反映具有相对较强的、直接的、紧密的、经常的或者积极的关系。
③中心度，包含点度中心度、接近中心度和中介中心度三种。其中，点度中心度为某一地区与其它地区的关联数量，其越大，则说明该地区在交通运输碳排放中的地位越高；接近中心度指某一地区与其他地区的“捷径距离”之和，但由于接近中心度对网络完备性要求过高，因而较少使用。中介中心度反映的是交通运输碳排放网络中某一地区对其它地区相互关联的控制程度，具体公式为：
C B i = ∑ j n ∑ k n g j k i g j k
式中： C B ( i )表示 i地区的中介中心度； g j k为 j与 k之间联系的捷径数量； g j k i / g j k表示 i存在于 j与 k间捷径上的概率。

2 数据来源及处理

2.1 交通运输碳排放量测算

本文碳排放数据根据《2006年IPCC国家温室气体清单指南》的指导方法[23]，采用“自下而上”测算方法进行测算，具体公式如下：
T C i t = ∑ n E n F n i t
式中： T C i t 为 i省份 t年的交通运输碳排放量； E n为第 n种能源消耗的CO2排放系数； F n i t为 i省份 t年 n种能源的消耗量，具体包含原煤、焦炭、原油、汽油、煤油、柴油、燃料油、液化石油气和天然气，其热值和CO2排放系数见表1。
表1 能源碳排放系数

Tab.1 Energy carbon emission coefficient

燃料类型 热值（Kcal/Kg、kcal/m3) CO2排放系数
原煤 5 000 1.9804
焦炭 6 800 3.0463
汽油 10 300 2.9885
原油 10 000 3.0689
煤油 10 300 3.1006
柴油 10 200 3.1645
燃料油 10 000 3.2406
液化石油气 12 000 3.1702
天然气 9 310 2.1867

注：根据《中国能源统计年鉴》（2008）附录（各种能源折标准煤参考系数）、《2006年IPCC国家温室气体排放清单指南》整理所得。

2.2 数据来源

由于海南与内陆城市间不存在公路连接，同时西藏、西藏、台湾、澳门及香港能源数据缺失，因而本文的研究对象为中国29个省份。
能源消耗数据来源于《中国能源统计年鉴》；年末常住人口数量、地区生产总值数据来源于《中国统计年鉴》，且为剔除价格因素影响，采用GDP平减指数统一折算成1996年不变价格数据。其中，由于交通运输行业数据缺失，且仓储、邮电业份额较少，因而分别采用1996年“交通、仓储及邮电业”数据、2005和2014年“交通运输、仓储邮政业”数据作为该年交通运输行业数据。中国公路交通网依据1997年测绘出版社出版的《中国公路交通地图册》、2006年中国地图出版社出版的《新编实用中国地图册》、2015年地质出版社出版的《中国地图册》的高速公路、国道为资料来源，以省会城市之间距离为不同省份间地理距离，利用ArcGIS网络分析功能获取节点间最短通行时间。根据中华人民共和国行业标准《公路工程技术标准》（JTGB01-2003），设定高速公路、国道行车速度分别为：100 km/h、70 km/h。

3 空间网络结构分析

3.1 网络密度及演变分析

1996、2005和2014年中国交通运输碳排放网络关联强度平均值为4.439，以其为阈值稀疏三年交通运输碳排放网络联系网络，并分析1996、2005和2014年交通运输碳排放网络连通能力变动，利用GIS绘制不同年份的交通运输碳排放关联网络结构图，如图1。
图1 交通运输碳排放网络结构图（阈值=4.439）

注：在该图中，以各地区省会所在地理位置之间的连线表征省份间的有向联系。图2~图5同。

Fig.1 The network structure of the china transportation carbon emission（thresehold=4.439）

从图1可以看出，中国交通运输碳排放关联网络整体上逐渐呈现复杂化、多线程态势。1996年碳排放关联强度总和为58.792，2005年增长为1 793.097，2014年达到7 721.632，是1996年的131倍，网络密度从0.004增加到0.333。其原因可能在于，2000年以来，中国大力建设交通基础设施，尤其高速公路建设，降低了不同地区间的实际距离，同时，区域一体化、市场经济呈现快速发展趋势，这些因素的共同作用使得各地区交通运输碳排放关联日益密切。具体来看，1996年交通运输碳排放关联网络中，关联强度超过4.439的联系共有4条，为天津和北京、江苏和安徽、浙江和上海间的双向关联。2005年共122条，强度超过100的有2条，为上海和浙江双向联系；强度位于20~100的关联包含18条，主要集中在河北、北京、山东、天津之间的相互关联；强度位于10~20的关联为20条，且其起始点主要集中于华东及华中地区；强度低于10的包含82条。2014年关联总数为280条，强度大于100的主要集中于南京、上海、合肥及浙江间，强度最大的2条为浙江和上海双向关联；强度位于20~100的包含74条，位于20以下的为195条，分布相对较为分散。
为更深入说明交通运输碳排放关联网络演变，分别以1996、2005和2014年的关联强度平均值为阈值，利用GIS绘制三年的交通运输碳排放关联网络结构图，如图2。整体上，中国交通运输碳排放关联强度及其差异性逐渐增大。其原因可能在于：随着交通基础设施网络的日益形成，其对于交通运输碳排放关联的影响日益下降，而由于技术水平、发展阶段、能源消耗效率及贸易、服务发展状况等存在区域或者地区差异性，从而导致关联强度呈现非收敛的发展态势。其中，1996年的碳排放关联强度值区间为[0.1962,19.8980]，平均值为0.1947，网络关联数量为109条，涉及地区24个，主要分布在东北、华北、华南、华东、西南地区；2005年交通运输碳排放关联强度值区间为[2.7811,334.3977]，平均值为2.6629，网络关联数量为130条，涉及地区25个；2014年关联强度值区间为[10.4804,635.1357]，平均值为10.4608，网络联系个数为159条，涉及地区27个。
图2 交通运输碳排放网络结构图（以各年平均值为阈值）

Fig.2 The network structure of the china transportation carbon emission（use the average of each year as the threshold）

3.2 关联网络空间分布特征分析

为从关联角度，深入探究各省份交通运输碳排放的空间分布特性，本文参考冷炳荣等[24]的研究，针对1996、2005和2014年交通运输碳排放关联强度，分别采用各省关联强度的最大值、前5名、前10名进行网络分析（下文简称为TOP1、TOP5和TOP10网络），并利用GIS绘制相应的网络结构图，如图3、图4和图5。其理论依据在于每个地区交通运输碳排放均有与其关联较为紧密的省份，且并不局限于某一个地区。另外，随着TOP1、TOP5和TOP10网络连线数量的增多，网络复杂程度的加深，可以利用可视化工具清晰展示出交通运输碳排放的空间分布特征。
图3 交通运输碳排放网络结构图（TOP1）

Fig.3 The network structure of the china transportation carbon emission（TOP1）

图4 交通运输碳排放网络结构图（TOP5）

Fig.4 The network structure of the china transportation carbon emission（TOP5）

图5 交通运输碳排放网络结构图（TOP10）

Fig.5 The network structure of the china transportation carbon emission（TOP10）

整体看可以看出，中国交通运输碳排放受到了明显的地理因素影响，且存在着明显的空间聚集性。依据TOP1可以将中国碳排放区域划分为6大类：华北及周边部分地区（北京、天津、内蒙古、山东、陕西、河南、河北）、长江三角洲地区（江苏、浙江、福建、安徽、上海）、华南及部分华中地区（广东、广西、湖南、湖北、江西）、西南地区（四川、贵州、云南、重庆）、西北地区（新疆、宁夏、甘肃、青海）、东北地区（黑龙江、吉林、辽宁）。通过TOP5和TOP10的空间关联网络结构图，可以发现中国交通碳排放可以大体分为三个区域：北方关联区域（包含华北、东北、华中的河南、西北地区）、东南方关联区域（华中的湖北、湖南及江西、华南的广东、长角三角洲）、西南关联区域（西南地区）。其中，北方关联区域又存在着三大次区域：东北三省（黑龙江、吉林、辽宁）、西北（青海、甘肃、宁夏、陕西）、京津冀及周边部分地区（北京、天津、河北、山东、山西、河南）。
这种空间分布特征的形成与“西部大开发”、“振兴东北”、“京津冀一体化”等发展战略及其相应的地理地貌有着密切的联系，在侧面也证实了国家区域发展战略的实施成果显著。另外，分析结果显示：东南关联区域主要依托长江三角洲和珠江三角洲影响内陆，存在着空间溢出效应，其中长江三角洲对外“溢出效应”大于广州对其他地区交通运输碳排放的影响程度。西南地区关联网络在程度和复杂性上明显弱于前两区域，但其在西南地区内部形成了相对复杂的内部关联网络结构。

3.3 聚类分析

在前文研究的基础上，为更合理探究交通运输碳排放的空间聚类方式及特征，以各年关联强度的平均值为阈值稀疏网络，筛选存在关联的省域节点，并采用PAJEK软件的communities功能依据空间关联网络进行小团体分析，并将其分组结果整理见表2。
表2 Communities空间聚类结果

Tab.2 The results of spatial clustering by communities

年份 分组1 分组2 分组3 分组4 分组5 分组6
1996 辽宁、吉林、黑龙江 四川、重庆 湖北、湖南、江西、广东、贵州、广西 江苏、安徽、上海、浙江、福建 内蒙古、北京、天津、山西、山东、河北、河南、陕西 -
2005 辽宁、吉林、黑龙江 四川、重庆、云南、贵州 湖北、湖南、江西、广东、广西、福建 江苏、安徽、上海、浙江 内蒙古、北京、天津、山西、山东、河北、河南、陕西 青海、甘肃
2006 辽宁、吉林、黑龙江 四川、重庆、云南、贵州 湖北、湖南、江西、广东、广西、福建、安徽 江苏、上海、浙江 内蒙古、北京、天津、山西、山东、河北、河南、陕西 -
根据聚类结果可知，不同省区间的交通碳排放联系普遍呈现多线程的复杂联系特征，中国交通运输碳排放共表现出6个明显的小团体区域，分别为①东北地区：辽宁、吉林、黑龙江；②西南地区：重庆、四川、贵州、云南；③华南及华中华东部分地区：湖南、湖北、福建、江西、广西、广东；④长江三角洲地区：上海、江苏、浙江、安徽；⑤北方地区：北京、天津、河北、内蒙古、山西、山东、河南、陕西；⑥西北部分地区：青海、甘肃。
从团体间关系来看，呈现出：①华南及华中华东部分地区团体与长江三角洲地区团体相互存在较高“溢出效应”的特性。以2014年为例，华南及华中华东部分地区对长江三角洲地区团体的关联数量为15条，长江三角洲地区团体对华南及华中华北部分地区关联数量为17条，分别占到其对外关联数量的53.5%和56.7%。②长江三角洲地区团体对北方地区交通运输碳排放存在着较强的“溢出效应”。以2014年为例，长江三角洲地区团体对北方地区关联数量为13条，占其总对外关联数量的43.3%。③北方地区团体体现为交通碳排放“溢出”接受态势，即所谓的“净收益”区域，且其内部关联程度较高。以2014年为例，其接受长江三角洲地区、华南及华中华东部分地区、东北地区的关联数量分别为13、6和5条，而相应的对外关联数量仅分别为8、4和1条。④西南地区呈现单向接受“溢出”的状态，即“净收益”区域特征。2014年其接受华南及华中华东部分地区的关联数量为5个。具体的2014年各团体关联关系图，如图6。
图6 2014年各团体间的关联关系

Fig.6 The association between groups in 2014

3.4 角色分析

为进一步分析各个团体中不同地区的角色，通过UCINET计算中国交通运输碳排放关联点度中心度和中介中心度，如图7。图中1~8为北方地区；9~13为长江三角洲地区；13~18为华南及华中华东部分地区；19~21为东北区域；22~25为西南地区；26~27为西北地区。
图7 中介中心度与点度中心度分布

注：1~27分别表示北京、天津、河北、内蒙古、山西、山东、河南、陕西、上海、江苏、浙江、安徽、湖北、湖南、福建、江西、广西、广东、辽宁、黑龙江、吉林、贵州、云南、四川、重庆、甘肃及青海；新疆、宁夏由于1996、2005和2014年交通运输碳排放联系强度低于平均值，因而未包含于中介性与角色分析中。

Fig.7 Distribution of the betweeness centrality and degree centrality

从图7中可以看出，点度中心度整体上基本呈现长江三角洲地区>北方地区>华中及华中华东部分地区>东北、西南地区>西北地区的阶梯分布特性，说明不同区域间交通运输碳排放对外关联程度差异性明显。其中，长江三角洲地区与北方地区碳排放中介中心度与点度中心度相对较为集中与稳定，且其点度中心度处于较高位置，说明这些省份均在中国交通运输碳排放关联网络结构中起着重要的“中介流通作用”，即具有较高的对外“空间溢出效应”，同时具有较强的区内空间关联特征，是交通碳排放关联网络中的支柱节点。
在华南及华中华东部分地区中，广东基本与该团体区域中所有省份交通运输碳排放存在着关联，且2014年其对外关联达到10个，主要包含长江三角洲地区省份（上海、浙江、江苏、安徽）、北方地区（河南、山东）及西南地区（贵州、重庆、四川、贵州）。同时，其在团体内部起着重要的中介作用，其中间介中心度及点度中心度均位于第一名，充分证明了广东省在全国及团体区域交通碳排放关联网络中的重要节点作用；湖北的内部关联作用次于广东，对外主要对长江三角洲地区（上海、浙江、江苏、安徽）和北方地区（河南、山东、陕西）存在着“溢出效应”，相对于1996和2005年，2014年湖北省交通运输碳排放对外联系作用减缓；1996—2014年湖南、江西、福建和广西在团体区域中的内外部关联有着明显提升，其中，湖南、江西及福建与长江三角洲区域的交通运输碳排放关联增强，但关联程度湖南>福建>江西，值得说明的是，2014年湖南与河南、广西与贵州交通运输碳排放呈现出关联态势。
在长江三角洲地区，上海、安徽、浙江、江苏四省交通运输碳排放之间一直处于相互关联或相互“溢出”的状态，可以明显发现四省交通运输碳排放对外“溢出能力”呈现明显增强趋势，其中上海和江苏较为相似，主要碳排放“溢出”区域为华南及华中华东部分地区（江西、福建、湖北、广东）、北方地区（山东、河南、河北），而浙江和安徽交通碳排放的主要“溢出”省份为河南、山东、湖南、湖北、江西等。
在北方地区中，山东和河南交通碳排放对外“溢出”效应较为明显，主要省份为湖北、湖南及长江三角洲地区，其中山东交通碳排放的主要“溢出”区域还包含辽宁；其他省份主要体现为团体内部的“溢出”特性。
在东北地区，辽宁交通碳排放与北方地区（北京、天津、河北、内蒙古、山东）碳排的关联较为紧密。在西南地区，交通运输碳排放主要体现为内部关联。

4 结论与建议

第一，1996—2014年中国交通运输碳排放联系网络呈现复杂化态势，同时其空间联系强度也在不断加强，这说明经济的快速发展不断带动服务货物跨区域流动，使得交通运输碳排放关联呈现逐渐加深的态势。交通运输碳减排目标的实现，由于不同地区交通存在着关联，因而不能相互间单独完成，其不仅需要考虑自身的减排情况，同时还需关联地区的状况。
第二，依据社会网络分析凝聚子类分析，结合TOP1、TOP5和TOP10的分析，最终将中国交通运输碳排放划分为6大区域：东北地区、西南地区、华南及华中华东部分地区、长江三角洲地区、北方地区、西北部分地区。在此基础上，有望制定合理的区域联合减排措施推动减排工作的实施。同时，有效利用长江三角洲地区在中国整体交通运输碳排放网络结构中的重要作用，对其制定交通运输重点碳减排政策，通过碳排放关联网络影响华南及华中华东部分地区和北方地区等区域，进而影响整体减排效果。
第三，在不同的团体区域中，不同的省份所处作用地位不同，其中广东、湖北、上海、江苏、浙江、安徽、河南、山东、辽宁、贵州等省份交通碳排放对其他省份存在着“溢出效应”，同时与区域内部具有高度的空间关联特征。因而，可以针对性地制定交通运输减排措施，以期发挥这些省份的空间关联特性，影响相关省份的交通碳减排工作。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
陈露露, 赵小凤, 赖力. 江苏省交通运输业碳排放预测及减排情景分析研究[J]. 环境科学与管理, 2015, 40(10):13-17.

[2]
IEA. CO2 Emissions from Fuel Combustion Highlights[R]. 2010.

[3]
IEA. Technology Roadmap:Biofuels for Transport[R]. 2011.

[4]
Lesiv M, Bun R. Geoinformation Technologies and Spatial Analysis of Carbon Dioxide Transport through Border Line[J]. 2010(4):322-329.

[5]
Jr W.J.R, Koutrakis P, Roig H.L. Spatial distribution of vehicle emission inventories in the Federal District,Brazil[J]. Atmospheric Environment, 2015(112):32-39.

[6]
Shu Y, Lam N. S.N. Spatial disaggregation of carbon dioxide emissions from road traffic based on multiple linear regression model[J]. Atmospheric Environment, 2011, 45(3):634-640.

[7]
Eicker M.O.D, Zah R, Triviño R, et al. Spatial accuracy of a simplified disaggregation method for traffic emissions applied in seven mid-sized Chilean cities[J]. Atmospheric Environment, 2008, 42(7):1491-1 502.

[8]
Huang Z, Cao F, Jin C, et al. Carbon emission flow from self-driving tours and its spatial relationship with scenic spots-A traffic-related big data method[J]. Journal of Cleaner Production, 2016(142):946-955.

[9]
杨文越, 李涛, 曹小曙. 中国交通CO2排放时空格局演变及其影响因素——基于2000—2012年30个省(市)面板数据的分析[J]. 地理科学, 2016(4):491-501.

[10]
张陶新, 曾熬志. 中国交通碳排放空间计量分析[J]. 城市发展研究, 2013, 20(10):14-20.

[11]
袁长伟, 芮晓丽, 武大勇, 等. 基于地理加权回归模型的中国省域交通碳减排压力指数[J]. 中国公路学报, 2016, 29(6):262-270.

[12]
袁长伟, 张帅, 焦萍, 等. 中国省域交通运输全要素碳排放效率时空变化及影响因素研究[J]. 资源科学, 2017, 39(4):687-697.

[13]
高洁, 张晓明, 王建伟, 等. 中国碳排放与交通运输碳排放重心演变及对比分析[J]. 生态学报, 2013(8):36-40.

[14]
余跃武, 李晔, 包磊, 等. 中国公路货运运输碳排放重心转移轨迹分析[J]. 生态经济, 2016, 32(2):117-121.

[15]
杨彬, 宁小莉. 新型城镇化视角下中国交通运输碳排放测度及其空间格局分布[J]. 内蒙古师范大学学报:自然科学汉文版, 2015(5):667-673,679.

[16]
刘华军, 刘传明, 孙亚男. 中国能源消费的空间关联网络结构特征及其效应研究[J]. 中国工业经济, 2015(5):83-95.

[17]
Stanley Wasserman, Katherine Faust. Social Network Analysis:Method and Application[M]. New York: Sage publication, 2011.

[18]
吕康娟, 付旻杰. 我国区域间产业空间网络的构造和结构测度[J]. 经济地理, 2010, 30(11):1785-1 791.

[19]
王茂军, 田丽英, 杨雪春. 山东省城镇网络结构与城镇网络角色识别——基于民国时期土货/洋货流通网络的分析[J]. 地理研究, 2011, 30(9):1621-1 636.

[20]
周一星, 胡志勇. 从航空运输看中国城市体系的空间网络结构[J]. 地理研究, 2003, 21(3):276-286.

[21]
李亚婷, 潘少奇, 苗长虹. 中原经济区县际经济联系网络结构及其演化特征[J]. 地理研究, 2014, 33(7):1239-1 250.

[22]
Taaffe E J. The urban hierarchy:An air passage definition[J]. Economic Geography, 1962, 38(1):1-14.

[23]
IPCC. 2006 IPCC Guidelines for national greenhouse gas inventories[R]. Japan: the Institute for Global Environmental Strategies(IGES),2006.

[24]
冷炳荣, 杨永春, 李英杰, 等. 中国城市经济网络结构空间特征及其复杂性分析[J]. 地理学报, 2011, 66(2):199-211.

Options
文章导航

/

〈 〉