一、引言
交通运输是主要的化石能源消耗行业，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。1995-2015年，中国交通运输行业经济平均增长速度达11.95%，增量为27243.1亿元；碳排放量年均增长率高达9.88%，增量为56495.704万吨。这说明中国交通运输经济发展与碳排放间存在着密切的变动关系，即不同交通运输发展阶段对应的碳排放特征存在差异性。此外，中国地域辽阔，各地区间经济发展阶段、城镇化发展水平、人口分布等差距迥异，因而各地区必定呈现不同的交通运输经济发展水平———碳排放状态。以上可以看出，为制定有效的交通运输碳减排政策，一方面需要定量识别交通运输经济发展与碳排放间的变动关系；另一方面需要兼顾交通运输经济发展与碳减排，明晰目前各地区交通运输发展水平—碳排放状态，探究其联合动态性，即不同状态地区在发展过程中的发展水平—碳排放状态变动规律。
以往对于交通运输碳排放的研究主要集中在以下几个方面：(1)交通运输碳排放总量测算、影响因素及预测研究。Saija等(2002)[1]、andra等(2009)[2]通过“自上而下”、“自下而上”方法测算了交通运输碳排放总量；张清等(2012)[3]采用“自下而上”方法，以上海市为例，测度了特大型城市客运交通碳排放量，同时分析了不同城市客运方式的碳排放效率；张秀媛等(2014)[4]对城市公共交通能源消耗及碳排放测算方法进行了研究；Scholl(1996)[5]基于OECD客运交通碳排放量数据，研究了交通量、能源强度、交通结构、能源结构与碳排放量之间的关系，发现交通量、能源强度、交通结构是其主要影响因素；徐雅楠等(2011)[6]测度了1995-2008年中国交通运输碳排放量，并运用STIRPAT模型探讨了人口、经济因素与交通运输碳排放之间的关系；高菠阳和刘卫东(2013)[7]在优先发展公共交通、鼓励发展小排量汽车、降低机动车单耗、控制排放物标准等四种减排情境下，对中国2015-2020年道路交通碳排放量进行了预测，并据此得出需要执行更严格的产业减排政策。(2)交通运输碳排放时空分析。高洁等(2013)[8]在引入“重心”概念及分析模型基础上，探讨了1996-2010年中国交通运输碳排放重心的变动及区域差异性；杨彬和宁小莉(2015)[9]运用ESDA(探索性空间数据分析)和GIS(地理信息系统)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；袁长伟等(2016)[10]基于地理加权回归模型，从规模驱动因子、技术驱动因子、结构驱动因子三个方面分析了中国交通碳减排压力的异质性；袁长伟等(2017)[11]采用空间自相关性分析探究了中国交通运输碳排放全要素效率的空间聚集特性。仅少数学者针对交通运输碳排放及行业经济关系进行研究，且主要集中于两者脱钩耦合关系。如谢守红等(2016)[12]利用回归分析发现交通运输行业增长是导致行业碳排放量增加的主要因素；GmbhH.C.等(2003)[13]、DavidGray(2006)[14]等利用脱钩理论研究了交通运输碳排放量与经济增长间关系；周银香(2016)[15]利用Tapio脱钩模型测度研究了1990-2013年中国交通运输碳排放与行业经济增长脱钩关系及演变态势，并通过协整模型及Granger因果检验探究了两者之间的作用机制；尹鹏等(2016)[16]采用耦合协调模型、脱钩模型研究了行业经济增长与交通运输碳排放的响应关系。
以往的研究从不同的视角探索了交通运输的碳排放规律，但是，随着环境污染问题的日益关注，在保障交通运输经济发展的同时，提倡“低碳交通”已经成为政府和民众关注的重点，因此，为制定合理科学的交通运输发展及碳减排政策，亟须探究交通运输经济发展与行业碳排放之间的关联特性及其联合动态变动规律。以往的行业经济发展与碳排放研究大多数采用的方法是耦合协调、脱钩模型，依据耦合、协调或者脱钩指标对两者关联的发展阶段及程度进行深入分析与研究。然而，对于两者之间联合动态变动规律的研究较少。随着中国经济的非均衡化发展，交通运输经济发展将会呈现不同的发展水平，不同的省市区由于能源消耗技术水平等差异性，交通运输碳排放也会呈现不同的阶段。
因而，本文在2006—2015年交通运输碳排放与产业增加值数据的基础上，以中国30个省市区为研究对象，利用STIRPAT模型分析交通运输碳排放与行业经济发展水平关系。在此基础上，探究各地区交通运输经济发展水平—碳排放状态，并利用马尔科夫链分析交通运输经济发展—碳排放联合状态的转移规律，以期为中国省域交通运输碳减排政策的制定提供依据。
二、研究方法
(一)STIRPAT模型
York等(2003)[17]提出的STIRPAT模型是二氧化碳排放影响研究的重要模型及有效方法，目前受到了众多学者的青睐[18-21]。其模型表达式如下：
根据本文研究的问题，STIRPAT模型可变形为：
对式(2)两端取对数，得到STIRPAT模型的常用形式为：
式(1)(2)(3)中，I为交通运输业碳排放量；P为人口规模；A为交通运输业经济发展水平，以人均产出增加值表示；T为技术水平，以交通运输业能源强度表示，即单位交通运输增加值消耗的标准煤数量表示；i，t分别表示i省市区和相应年份；a，b，c，d为待估参数；ε为随机误差项。
(二)马尔科夫链
假定存在随机过程xi，若该过程在任何时刻从所处状态i转移到j的概率均为pij，即对于状态空间中所有状态i0，i1，…，in，有：
则该随机过程被称为马尔科夫链。对于马尔科夫链，若已知t时刻的系统状态为En，则时刻n+1(n+1>t)时系统所处状态与t时刻以前状态无关，只与t时刻有关。pij表示由i状态转移到状态j的概率，即转移概率，表示为：
如果样本从状态i经过n步转移到状态j，则可以利用n步转移概率来表示：
(三)状态空间的划分
对交通运输经济发展水平与碳排放水平进行状态划分，各省份所处的状态均由两者共同定义。本文参考田成诗等(2014)[22]的研究，将交通运输经济发展水平与碳排放量分别划分为三个等级。其具体为：交通运输经济发展水平和碳排放量高于2006-2015年平均水平的125%，则认为该地区为高发达水平和高碳排放地区；位于平均水平75%—125%的省份为中等发达和中等排放地区；其余省份为低等发展水平和低排放地区。在此基础上，针对某一地区，可以得到9种不同的状态空间，分别为：低发展—低排放(S1)、低发展—中排放(S2)、低发展—高排放(S3)、中发达—低排放(S4)、中发达—中排放(S5)、中发达—高排放(S6)、高发达—低排放(S7)、高发达—中排放(S8)、高发达—高排放(S9)。需要说明的是，本文中的交通运输经济发展水平与碳排放状态划分由于并未存在一定的绝对标准，仅是一种相对的概念。
(四)转移矩阵的估计
马尔科夫链分析对状态转移矩阵具有遍历性的要求，即交通运输经济发展水平与碳排放量具有较为稳定的变动趋势。对于中国而言，2006—2015年，中国交通运输经济发展呈现较为稳定的态势，并不存在明显的波动，同时能源消耗领域并未出现重大的技术革新。这说明本文研究的交通运输经济发展水平与碳排放序列满足遍历性的要求，因而采用离散随机过程模拟交通运输经济发展水平—碳排放的联合动态性。
马尔科夫链的核心在于估计状态转移概率，并依此得到转移矩阵。本文参考田成诗等(2014)[22]的研究，利用最大似然法估计转移概率，具体表达式为：
其中，Ni为位于初始状态i的省份数量；Nij为从状态i转移到状态j的省份数量。
三、数据来源与处理
由于西藏、香港、澳门及台湾数据缺失，在本文研究中未做考虑，因而，本文针对2006-2015年中国30个省、自治区及直辖市进行研究。另外，由于交通运输增加值及能耗数据难以获取，且仓储、邮政相应数据很少，三者在统计口径上属于同一行业，因而选取交通运输、仓储及邮政数据近似代替。具体指标说明如下：(1)交通运输发展水平，利用人均交通运输业增加值代替，表示交通运输业的经济发展水平。(2)人口规模，以统计年鉴中公布的各省年末的常住人口表示。(3)能源强度，单位交通运输增加值消耗标准煤数量，即交通运输增加值与能源消耗总量的比值。其中，能源消耗总量是将原煤、焦炭、原油、汽油、柴油、煤油、燃料油、液化石油气、天然气等9种主要能源消耗量按照标准煤折合系数统一折合的标准煤数量。(4)二氧化碳排放量，依据联合国政府间气候变化专门委员会(IPCC)2006年公布的碳排放量计算方法在上述9种能源消耗量基础上估算得到。其中，交通运输增加值、年末常住人口数据均来源于《中国统计年鉴》，能源消耗量数据均来源于《中国能源统计年鉴》。
四、结果分析
(一)交通发展水平与碳排放整体分析
为初步探索不同交通运输发展水平下，其对碳排放影响的差异性。本文按照2006-2015年交通运输发展水平的平均值依据状态空间的划分标准对省份进行类别区分。整体上来说，高发达省份碳排放明显高于中低水平省份，且呈现依次降低态势。其中，高发达水平、中发达水平及低发展水平省份碳排放量平均值分别为2299.13、2246.03和1303.12万吨，高发达地区碳排放平均值是低发展地区排放量的1.76倍。从变动趋势来看，2006—2015年，高发达省份交通运输发展水平增长了2.06倍，碳排放量增长1.59倍；中发达省份交通运输发展水平增长2.65倍，碳排放增长1.56倍；低发展省份交通运输发展水平增长2.37倍，碳排放增长2.02倍。这说明，在交通运输发展过程中伴随着较大的碳排放量产生，这与中国目前交通运输业的发展状况有着必然的联系。目前中国交通运输业呈现粗放发展的形式，新能源普及推广程度不足，大量交通运输企业不注重环保减排措施落实，导致在交通运输发展过程中由于过多地注重经济增长，而出现高额碳排放态势。
(二)STIRPAT模型结果分析
在省份交通运输发展水平划分的基础上，将各地区分为高发达地区、中发达地区和低发展地区，利用STIRPAT模型探究交通运输经济发展阶段对行业碳排放是否存在差异性，结果见表1。从表中可以看出，各模型R2分别为0.9982、0.9992和0.9992，且t检验均在1%的显著性水平下通过检验，说明模型整体拟合结果较好；交通运输经济发展水平lnA、能源强度lnT和人口规模lnP均在1%的显著性水平下通过检验，说明该模型中经济发展水平lnA、能源强度lnT和人口规模lnP能够较好地估计各地区的碳排放量，即能较好地解释交通运输碳排放量的变动规律。
其中，在不同阶段下交通运输经济发展水平对碳排放的影响存在差异性。高发达地区、中发达地区和低发展地区交通运输经济发展水平的系数分别为1.0108、0.9749和0.9997，即交通运输发展水平每提升1%，碳排放量分别增加101.08%、97.49%和99.97%。可以看出高发达地区交通运输的发展对碳排放的促进作用明显大于中发达地区和低发展地区。
(三)联合动态性分析
从2006年和2015年状态空间的对比来看，中国30个省市区随着交通运输经济发展，碳排放水平存在明显的转移特性，其中，处于高排放区域的省份从4个增加为11个，增长趋势明显。这与中国各省市区交通运输经济发展现状相符合。由于交通运输的粗放式发展，化石能源的低效率利用，从而导致交通运输发展水平的提升伴随着大量的碳排放。
为更加细致深入了解交通运输经济发展水平—碳排放间的联合动态变动特性，即转移规律，依据马尔科夫链原理，将2006—2015年得到的9个状态转移概率矩阵依次相乘，可以得到2006—2015年的转移概率矩阵，如表2所示。为分析便利，本文依据状态空间划分的标准将表2分为3个模块，即1—3行为模块一；4-6行为模块二；7-9行为模块三。其中，模块一表示初始状态为低发展水平；模块二表示初始状态为中发达水平；模块三表示初始状态为高发达水平。
第一，低发展状态地区普遍表现为转移特性，且以增加碳排放为经济发展代价。由模块一可知，低发展—低排放(S1)、低发展—中排放(S2)和低发展—高排放(S3)保持在低发展状态的概率分别为0.1568、0.0593和0，进入中发达、高发达状态的概率分别为0.5697和0.2736、0.2841和0.6566、0.1333和0.8667。说明低发展地区在发展过程中的提升空间较大，能够通过发展到达中发达和高发达状态。其中，低发展—低排放(S1)主要的转移目标为中发达状态，即低发展—中排放(S2)和低发展—高排放(S3)主要的转移方向为高发达状态，即碳排放越高转移到高发达状态的概率越大。另外，模块一中各状态转移到高碳排的概率分别为0.1958、0.6306和1，低排放状态进入中排放的概率为0.5079。这些概率在一定程度上验证了交通运输发展需要以碳排放的增加为支撑，即低发展地区经济进入中高发达地区代价为高额的碳排放，其中，低排放和中排放省份交通运输发展尤为明显。
第二，中发达地区普遍呈现向高发达地区转移规律。中发达地区中低排放(S4)、中排放(S5)和高排放(S6)等三类地区保持稳定不变的概率分别为0.1766、0.1412和0.1333；转移到高发达区域的概率分别为0.8234、0.8587和0.8667，这说明中发达地区中不存在向低发展状态转移的状况，且中发达地区普遍稳定性不足，碳排放高的地区通过发展很容易进入高发达状态。中发达地区低排放(S4)、中排放(S5)和高排放(S6)转移到高发达—中排放(S8)、高发达—高排放(S9)的概率分别为0.5595和0.2639、0.5476和0.3111、0和0.8667，说明中发达—低排放(S4)和中发达—中排放(S5)具有较大的概率进入高发达—中排放(S8)状态，中发达—高排放(S6)具有很大的概率进入高发达—高排放(S9)状态。
第三，高发达—低排放(S7)和高发达—高排放(S9)状态地区稳定性相对较好。在这一模块中，高发达—低排放(S7)、高发达—中排放(S8)和高发达—高排放(S9)保持不变的概率分别为0.6667、0.5和1，转移到其他状态的概率分别为0.3333、0.5和1，这说明高发达—低排放(S7)、高发达—中排放(S8)和高发达—高排放(S9)地区均以较大的概率维持在本状态。其中高发达—高排放(S9)地区其交通运输经济发展意味着环境的严重破坏，即以“先发展，后治理”的态度发展交通运输，交通运输经济发展过程中忽略了保护环境措施的实施；高发达—低排放(S7)地区在交通运输发展的同时注重环境治理、能源技术革新等方面措施的实施，已经形成高能源消耗效率和交通运输经济发展效率；对于高发达—中排放(S8)地区，其交通运输经济的继续发展面临着增加碳排放的沉重代价，其与高发达—高排放(S9)地区需要向高发达—低排放(S7)地区相互借鉴政策措施，以提升交通运输发展效率或者碳排放效率。
五、结论与建议
本文在2006-2015年交通运输数据的基础上，利用STIRPAT模型验证了不同交通运输经济发展阶段对碳排放影响的差异性，在此基础上，利用马尔科夫链分析了交通运输经济发展—碳排放联合状态的转移规律。得到以下具体结论：(1)交通运输发展水平是影响交通运输碳排放的重要因素。在不同交通运输发展水平下，其对碳排放的影响存在差异性。(2)目前，低排放状态地区呈现向中发达和高发达状态发展转移的态势；中发达地区普遍体现为向高发达状态转移；高发达状态普遍体现为稳定态势。(3)大部分状态地区交通运输经济发展需要以增加碳排放作为代价，其中，低发展状态地区(S1、S2和S3)、中发达—低排放(S4)、高发达—中排放(S8)地区碳排放越大越容易转移到中高发达地区。
在此基础上，针对中国交通运输碳减排政策，本文提出以下参考意见：第一，针对高发达—高排放(S9)地区重点把控，提升能源利用效率，实行严格的碳减排政策措施。该地区交通运输碳排放量远高于其他地区，因而，该地区交通运输的减排工作是全国交通减排工作的重点。第二，对于低发展—低排放(S1)地区和中发达—低排放(S4)地区，随着交通运输发展，其有较大概率转移到中排放或者高排放状态，因而，在发展交通运输的过程中，利用财政补贴、新能源政策支持等多种手段，推行“边发展，边治理”理念，以减少发展过程中碳排放量的增加。第三，针对中排放状态的省份，一方面，着重实行部分补贴措施，以保障在发展的同时进行碳减排工作；一方面借鉴低排放状态省份的有效减排经验，以提升其碳减排效率，避免进入高排放状态，努力实现高发达—低排放状态。
作者：李灵杰等