中国交通运输碳排放效率的时空异质性及影响因素研究

吕雁琴，范天正，张晋宁

（1. 新疆大学 经济与管理学院，新疆 乌鲁木齐 830046；2. 山东大学 商学院，山东 威海 264209）

气候变化是当今人类面临的重大全球性挑战，碳排放量的不断增加导致海平面上升、干旱期增加、农业产量减少等问题的频发[1]，故促进低碳发展已然成为人类亟须解决的问题之一。为突破资源环境瓶颈制约、推进绿色低碳循环发展，中国政府一直积极对待二氧化碳排放问题，并承诺努力在2030年前实现碳达峰、2060年前实现碳中和，由此可见，中国政府决心进一步推进产业结构的转变，践行绿色低碳循环发展的理念。此外，随着交通基础设施的不断完善与发展，交通运输业在中国目前属于加速扩张阶段，在大量化石能源的消耗下已然成为中国碳排放的第二大来源，据国际能源署预测，到2035年中国交通运输业的碳排放量将占到世界交通运输业碳排放量的三分之一以上[2]。由此可见，中国交通运输业是碳减排工作中应重点关注的部门，然而，作为我国经济发展的支柱产业，片面追求碳减排反而不利于交通运输业的高质量发展，而兼顾经济增长与环境优化的高效率发展才是促进交通运输业高质量发展的价值旨归[3]。因此，我们不禁要提出疑问，中国交通运输碳排放效率趋势如何？影响中国交通运输碳排放效率的因素有哪些？以及这些因素又呈现出怎样的时空影响特征？对于如上问题的回答，一方面能准确把握中国交通运输碳排放效率的时空足迹，另一方面可以针对不同影响因素，提出相关政策建议，以更好地践行低碳发展理念，这对实现中国乃至其他发展中国家的交通运输业高质量发展都具有重要的现实意义。

1 文献综述

碳排放效率概念出现已经有较长的时间，最早时很多学者将碳排放效率定义为单位GDP所产生的二氧化碳排放量[4]，以此来衡量在最小污染下所取得的最大经济成就。但是最早的碳排放效率定义仅仅只是将碳排放和经济发展结合起来，忽略了和其他生产要素之间的互动联系，因此后来很多学者基于投入—产出关系的视角来定义碳排放效率[5-7]。延续该思路，随机前沿法逐渐被运用到交通运输行业碳排放效率的测度中，如平智毅等[8]利用SFA模型对长江经济带11个省份的交通运输碳排放效率进行计算，并通过核密度分析各省份效率的动态演进。虽然SFA分析方法受特殊点的影响较小，具有一定的稳定性，但当存在多产出情况时，SFA分析方法并不如DEA方法简便，因此DEA方法在近些年来被大量学者用来对交通运输碳排放效率进行测度。Park等[9]基于美国国家数据和SBM模型计算了美国50个州交通部门的环境效率，Liu等[10]同样也使用SBM模型测算了2009—2012年中国陆地运输的整体效率，并对铁路运输和公路运输子部门碳排放效率进行评价分析。SBM模型会导致有效率的决策单元之间无法区分，很多学者在此基础上结合超效率模型来解决此问题，如周银香和洪兴建[11]利用Super-SBM评估中国交通六个行业的碳排放效率，基于此探究效率的内部驱动与外部冲击效应。

除此之外，也有一部分学者的研究围绕着交通碳排放效率的影响因素来展开。袁长伟等[12]指出政府干预对交通碳排放效率的影响是个动态变化过程，前期政府干预会对交通行业的创新具有“补偿效应”，促进碳排放效率的提高，而当交通运输业发展到一定程度时，“创新补偿效应”会转变为“遵循成本效应”，造成大量不必要投入资源的浪费，抑制交通碳排放效率。同时，袁长伟等[13]还认为人口规模的扩大带来了更多碳排放，不利于效率的提升，而科技的进步能大量降低碳排放，使付出的成本被收益冲销，拉动效率的提升。董梦如等[14]基于Tobit模型分析了海洋运输业碳排放效率的驱动因素，认为能源利用效率的提升与能源结构的优化能降低对化石能源的依赖程度，从而减少能源投入和二氧化碳的排放，促进海洋运输业碳排放效率的提升。但逐渐有学者也注意到了普通面板模型的局限性，逐渐开始从空间角度展开影响因素分析。如Peng等[15]通过中国2004—2016的省级数据研究发现，中国交通运输业处于库茨涅兹曲线的下行阶段，本地GDP的增长会使得人们重视环境保护，促进交通碳排放效率的提升，但周边地区人均GDP的提高会掠夺本地资源，抑制本地碳排放效率，具有负外部性。

目前学术界对于交通运输碳排放效率的测度及影响因素研究较多且较为全面，但值得注意的是，测度各省域交通运输碳排放效率是为了更好地协调产业发展和环境污染之间的关系，碳排放作为非期望产出则需单独考虑。虽然目前学术界已有学者注意到此问题[16-17]，但是却很少有学者将非期望产出纳入模型的同时让有效率的决策单元之间也能够被区分。因此，本文选用非期望产出的超效率SBM模型能更加准确地对交通运输碳排放效率进行测度。除此之外，多数研究成果仅限于不同因素对交通运输碳排放效率的全局回归分析，极少有学者停留在对影响因素时空异质性的分析上。中国各地区的经济社会、交通运输产业、能源使用状况等差距迥异，对交通运输行业减碳政策的制定需要充分考虑影响因素在时间上和空间上的差异性，而本文的研究则能在一定程度上弥补现有研究的不足。同时，本文利用GTWR模型能与效率测度的结果进行一定的衔接，从而更好地解释交通运输碳排放效率在中国分布不均的原因，使得本文的研究更为完整。

2 研究方法与数据来源

2.1 非期望产出的超效率SBM模型

由于传统的SBM模型将效率超过1的DMU取值为1，导致有效率的DMU之间无法区分，并且SBM模型还忽视了负外部效应的非期望产出问题[18]，因此传统的SBM模型并不适合本文效率的测度。Tone[19]在此基础上综合了超效率模型和SBM模型的优势，将非期望产出纳入的同时将有效率的DMU之间进行区分。模型如下：

式中：ρ为各省份交通运输碳排放效率值，n为决策单元DMU的数量，m、r1、r2分别为每个DMU的投入、期望产出和非期望产出；x、yd、yu分别对应为DMU的投入矩阵、期望产出矩阵和非期望产出矩阵的元素。

2.2 时空地理加权回归模型（GTWR）

GWR模型关注某个时点空间非平稳性，因此在截面数据样本量的限制下极易影响解释的稳定性，同时GWR模型忽视了时间维度的变化趋势，当时间非平稳性较为严重时会降低模型的效率和精度[20]。时空地理加权回归模型（GTWR）突破这些局限性，在GWR模型中引入了时间维度，同时解决空间和时间非平稳性问题，模型如式（3）：

式中：i为样本地区；u与v为样本地区的坐标；t为所需要测度的时间；β0(ui,vi,ti)为截距项；βk(ui,vi,ti)为解释变量的估计系数。当β＞0时，说明解释变量与被解释变量之间呈正相关，反之则呈负相关。

Huang等[21]构建时空窗宽和时空权重矩阵来刻画不同区域间的最优邻近关系，有效反映不同变量间的时空非平稳性。本文所采用的GTWR模型基于Huang等[21]所提出的高斯函数法时空权函数和时空距离，将时空二维度相结合，公式如下：

式中：i、j为不同样本地区；λ、μ为比例因子，用来衡量不相关比例系统中的空间与时间距离的不同影响；bst为时空权函数的带宽。

2.3 数据来源与指标选取

鉴于数据的可获得性，本文剔除西藏和港澳台地区，以中国30个省份为样本进行研究。在指标的选取上，结合目前学界关于交通运输碳排放效率的已有研究[3,12-13]，本文选取表1所示的投入产出指标。需要注意的是：（1）由于交通运输行业数据的缺失，且仓储和邮政业所占的份额较少，因此交通运输行业相关指标数据皆由交通运输、仓储和邮政业所替代。（2）交通运输行业固定资本投资额以2007年为基期，利用单豪杰的永续盘存法（PIA）将其换算成相应的价值[18]。（3）本文中的能源消耗总量和碳排放核算主要包括原煤、汽油、煤油、柴油、燃料油、天然气和电力七种能源，各能源消耗量按标准煤系数统一折合成标准煤，以此来计算交通运输行业的能源消耗总量[22]。（4）二氧化碳排放量的计算公式如式（6）：

表1 交通运输碳排放效率的投入产出指标

式中：CT为交通运输行业各能源消耗所产生的碳排放总量，FC为六种化石燃料消耗量，ALC为能源的平均低热值，C为含碳量，R表示氧化率，EC代表电力的消耗量，EF为电力碳排放因子。各能源的详情参数值请参照《中国能源统计年鉴》和国家发改委所发表的省级温室气体清单编制指南。

3 实证结果与分析

3.1 总体特征

通过Matlab软件测算出中国各省域2010—2019年交通运输碳排放效率值，表2给出了各省域10年间碳排放效率值的测算结果。

表2 2010—2019中国各省域交通运输碳排放效率测算结果

从地区层面来看，全国碳排放效率的年均值为0.433，各省域中年均值最低为0.155，最高为1.235，两者之间相差8倍，说明了交通运输碳排放效率水平在各省域之间的差异较大。碳排放效率年均值排名前五的省份依次为河北、江苏、山东、河南、天津，河北省处于生产效率前沿面主要是因为其地处连接南北的重要通道，是通往北京的交通要道和周围港口的物资集散要地，优越的地理位置使得河北省交通运输行业发展速度较快、产业增加值较高。再者，河北省毗邻港口，铁路和水路运输较为发达，这两种运输方式所产生的碳排放较低，导致了河北省交通运输年均碳排放效率位于全国第一。而排名后五位的省份依次为辽宁、黑龙江、海南、青海和云南，云南省省内属于喀斯特地貌，且东部还处于云贵高原上，地形起伏较大、河流较多，不利的地形地貌使得云南省交通运输业产业增加值一直处于全国中下游水平。云南省发展交通运输业必须加大对基础设施的投资，在高投入、低产出的影响下云南省交通运输碳排放效率位于较低水平。从时间层面来看，全国碳排放效率的年均增长率为0.858%，说明在国家出台的优化产业结构和“美丽中国”等政策下，中国交通运输的碳排放效率整体表现为上升趋势。在各省域中，云南省的碳排放效率增长速度最快，年均增长率达到14.646%，这主要是因为云南省交通运输的基础设施较差，因此在近些年的不断完善下展现出一定的后发优势使得交通运输业的产值增长较快，从而拉动碳排放效率的快速增长。值得注意的是，也有一些省域呈现出负增长的态势，在所有省域中贵州省碳排放效率降低速度最快，年均负增长4.801%，原因可能在于近两年来贵州的交通完善度已经发展到了一定程度，以往依托交通基础设施的建设来拉动产值的增长，从而促进碳排放效率的发展方式已达到瓶颈期，在期望产出增速放缓而非期望产出和投入依旧增长的情况下，贵州交通碳排放效率呈下降趋势。

3.2 GTWR模型估计

3.2.1 模型计算和相关检验

通过上文分析可知，交通运输碳排放效率的时空差异明显，从而使得影响因素的选取十分复杂。首先，参考目前已有文献的研究[12,23-25]，选取10个可能影响中国交通运输碳排放效率的因素，详情请见表3。其次，由于变量的选取方式会对GTWR模型的实证结果产生重要的影响，因此本文以AIC为评价准则来对10个变量进行逐步回归[26]，最终选取出人均GDP、人口规模、科技水平、能源利用效率、政府干预和能源结构这六个驱动因素，实现模型同时达到局部和全局最优，使得本文实证结果更为可信。

表3 中国交通运输碳排放效率影响因素指标体系

为避免各影响因素之间存在多重共线性问题，本文运用Stata软件对各解释变量进行方差膨胀因子（VIF）检验，结果显示各解释变量的VIF值均小于7.5，不具有明显的多重共线性问题。本文在GTWR模型回归前还需要检验各变量的空间相关性，如果忽视了各变量之间的空间互动关系，回归结果则会产生偏误，各变量的全局Moran’s I指数如表4所示。结果显示，无论是基于邻接矩阵还是地理距离矩阵，大部分的变量均具有空间自相关性，因此从空间角度进行交通碳排放效率的影响因素分析能更贴合实际。在对空间模型进行选择时，由于交通碳排放效率和各影响因素之间的关系处于动态变化之中，回归的系数会因时间和省份而产生不同，而传统的空间计量模型均值回归的结果则无法对这种变化进行有效捕捉。基于此，本文利用GTWR局部空间回归模型进行实证分析，探究各解释变量回归系数的时空异质性。另外，需对面板数据进行时空非平稳性检验，基于AIC值和拟合优度R2将时空地理加权回归（GTWR）模型与最小二乘（OLS）、地理加权回归（GWR）和时间加权回归（TWR）四种模型进行对比[27-28]，若AIC值越小且R2越大，则该模型就会越优。当GTWR模型优于OLS模型时，回归系数将具有局部非平稳性；当GTWR模型优于GWR模型时，回归系数则具有时间非平稳性；当GTWR模型优于TWR模型时，回归需要考虑空间非平稳性对被解释变量的影响。非平稳性检验结果见表5，由模型之间的比较可知，GTWR模型的R2和AIC值均优于其他模型，数据在时间距离和空间距离上的非平稳性均存在，表明GTWR模型在分析时空数据上具有更好的效果。

表4 全局Moran’s I指数结果

表5 非平稳性检验结果

本文基于2010—2019年中国30个省域的面板数据，构建时空地理加权回归模型（GTWR），计算出6个变量在历年对各个省域交通运输碳排放效率影响的回归系数，从而更直观地揭示各个变量的影响力在时间和空间上的差异性，影响因素回归系数描述统计结果如表6所示。借鉴李英利[29]的方法来考察各解释变量的显著性问题，由表中数据可知，各解释变量的显著性占比远超50%，本文认为在高斯权重下各解释变量均具有较强解释力。从最小值和最大值来看，除人口规模外其余影响因素的回归系数跨度较大，这说明了影响因素在时空上的不稳定性，时空异质性明显。从回归系数的平均值来看，政府干预对碳排放效率的影响最大，其次是能源结构、人均GDP和能源利用效率，相比而言，人口规模和科技水平的影响程度相对较小。因此，本文接下来分别从时间维度和空间维度来探讨各影响因素的异质性问题。

表6 影响因素回归系数描述统计

3.2.2 影响因素的时间演化分析

整理各驱动因素在不同时空位置上对交通运输碳排放效率的贡献系数，进而通过箱线图的方式绘制出各系数在时间维度上的变化趋势，详见图1，具体到各因素而言：

图1 GTWR回归系数的时间序列变化趋势

（1）人均GDP对交通运输碳排放效率的负向影响表现在中国的绝大多数地区，仅有少数几个省域的回归系数为正，且负向影响的作用随着时间的推移正在不断地降低。这主要是因为人均GDP较高的地区人们出行活动就会增多，对商品、资源的交换需求相对较为旺盛，从而导致交通运输时排出的碳排放量较多，人均GDP对交通运输碳排放效率从整体上看呈现出负向作用。但是，出行活动的增多也能刺激当地交通运输业产值的增加，再加上近些年来在中国节能减排的号召下越来越多人选择较为绿色的出行方式，在两者的互相作用下，回归系数的负向作用随时间推移在不断降低。

（2）人口规模箱线图的中位数线在考察期内基本在0值上，说明人口规模对碳排放效率的影响在正负之间徘徊，结合上下四分线和边缘线可知，两者在前期主要是负相关关系，后期负相关性在不断减弱而正向影响则在不断加强。在前期，人口规模的扩大促使交通运输活动增多，碳排放的基数也随之增大，降低了碳排放效率。而在后期，人口的增长也会对交通运输业提出更高的发展要求，交通运输业的产业增加值也会随之提升，当交通运输基础设施发展到一定程度时，人口的相对集中会发挥成本优化效应，通过共享基础设施来提升能源和资源的利用效率，方便相关部门集中治理从而节约减排成本。

（3）能源结构对交通运输碳排放效率的影响大多呈现出正相关性，但回归系数表现出波动下降的趋势。天然气、电力相比于煤类和油类能源来说具有更少的污染性，清洁能源的消费比重越大即能源结构越合理，碳排放效率也就越高。正向作用的减弱主要由于中国的能源结构是以煤炭为主，若想发展清洁能源势必需要大量的资金投入。从投入产出的角度来看，能源结构的优化使得交通运输业资本投入随着年份不断增加，抵消了非期望产出的减少所带来的部分作用，在箱线图上表现为回归系数基本为正，但处于波动下降的趋势。

（4）类似于能源结构，能源利用效率对大部分省域交通运输碳排放效率的影响为正，且回归系数随着时间的推移离散程度在不断增强。能源利用效率越高则意味着单位能源消耗能带来的周转量也就越多，在产出不变的情况下能源消费投入的减少会促进交通运输碳排放效率的提高。离散程度的增强得益于消费需求的转变，出于节约成本的意图，人们购买机动车时会倾向于更加节能的车型，厂商对节能装备的升级会越来越迅速，从而促使能源利用效率对交通运输碳排放效率的影响越来越大。

（5）政府干预与交通运输碳排放效率的回归系数在研究期间基本为负，说明政府的干预并不利于效率的提高，并且负向作用随时间先下降后上升。出现这种现象主要是因为中国的经济发展到了一定阶段，政府干预这种带有强制属性的管理工具会使得交通运输业在原有的技术水平上附加新的目标约束，限制了交通运输业产值的增长，反而对碳排放效率产生了消极作用。而负向作用先下降后上升是由于政府干预对碳排放效率也有其积极的一面，政府干预能矫正交通运输业的经济发展方式和提供资源环境的约束，在一定程度上能提高交通运输业的碳排放效率[30]，但有学者认为这种作用随着政府干预度达到一定高度后便会产生衰减[31]。在这两种作用的影响下，政府干预度的负向作用呈现出先上升后下降的趋势。

（6）科技水平对交通运输碳排放效率的影响从时间维度上来看变化幅度不大，基本是正向作用。科技水平的提高能推动纯动力、氢能等新能源应用的发展和节能技术水平的提升，从而促进交通运输的碳排放效率。时间上的变化不大说明了科技水平对碳排放效率的影响并不是一个短期的过程，目前阶段想要通过科技途径来提高碳排放效率具有一定的难度。

3.2.3 影响因素的空间异质性分析

根据GTWR的回归结果，本文将每个地区各年份的回归系数取平均数，并通过自然断点法绘制出影响因素的空间分布图，以便能更直观地反映各驱动因子对交通运输碳排放效率影响的空间异质性，详见图2。

图2 GTWR回归系数的空间分布

（1）人均GDP对交通运输碳排放效率的回归系数空间异质性明显，在空间上并未存在一致的正相关或者负相关，在-0.676 3～0.145 0之间均有分布。人均GDP系数为负且绝对值最大的省域依次为内蒙古、山西、河北、北京和天津等，表明人均GDP的增长会降低碳排放效率。这些地区主要是处于京津冀经济圈以及其辐射范围内，京津冀经济圈整合了多个省域的交通、物流等基础设施，要素和产品在这些地区的流通会更加畅通，因此人均GDP的提高会使得资源的交换在这些地区更加明显，交通运输的碳排放更高，人均GDP对交通运输碳排放效率的负向作用更大。从整体上看，北方的负向作用高于南方，这可能是因为北方的经济集聚高于南方，并且北方空气干燥、温度较低，不利于二氧化碳的扩散，使得北方经济发展的代价高于南方。系数为正的地区主要为广东和广西，广东地方政府一直把交通运输融入区域经济发展格局中，尤其是近些年来广东省推动粤港澳大湾区交通建设并被列为交通强国试点单位，促进了交通经济的高质量发展。由于经济的发展对交通运输业产值的影响要大于对碳排放量和能源消耗量的影响，从而表现为人均GDP和交通运输碳排放效率呈正向变动关系。广西主要是因为其交通运输业的产值较低，又靠近广东，在自身后发优势和广东省辐射作用的影响下，人均GDP的增长推动了人们交易活动的增加，相比于碳排放和能源消耗的增加，更容易促进交通运输业产值的增长，从而表现为人均GDP和碳排放效率呈正向变动关系。

（2）人口规模对交通运输碳排放效率的影响程度较小，系数正负在各地区之间均有分布，正相关主要集中在江苏、浙江、福建等东部沿海省域以及中国的东北部，沿海这些省域主要由于经济发展较好并拥有较完善的交通基础设施，大量人口的涌入对交通运输业提出了更高的发展需求，从而促进了交通运输碳排放效率的提高。除此之外，中国沿海地区经济发展程度较高，依托自身经济优势所产生的“吸虹效应”从内陆地区吸引大量的高素质人才，因此人口规模的扩大一定程度上能推动交通运输部门的创新，从而起到提高碳排放效率的作用。作为老工业基地的中国东北部，具有良好的交通基础设施，但近些年来经济发展的迟缓导致人口流失严重，人口规模的扩大则有利于东北部发挥成本优化效应，促进碳排放效率的增长。而负相关的地区主要分布在我国的中西部内陆地区，这些地区交通基础设施相较于东部较为落后，无法承载过多的人口，并且人口的增多还会带来大量的二氧化碳排放，降低碳排放效率。

（3）能源结构的回归系数在全国均呈现正相关效应，高值主要分布在云南与东部沿海省域。钢铁、有色金属等以煤为能源的高能耗产业是云南经济发展的支撑性产业[32]，这些产业致使云南整体的能源消费结构较为单一，对煤炭的依赖性较强，掣肘了交通运输碳排放效率的提升。但云南拥有良好的工业基础和生态环境，水电装置设备齐全、清洁能源蕴藏巨大[33]，能源结构的优化能够给云南交通运输碳排放效率的提升产生巨大影响。而东部沿海地区已率先实现了园区、码头和交通枢纽的电气化改造，并配备了较完备的新能源装置设备，因此东部沿海地区能充分吸收能源结构优化带来的绿色效应，从而减少大量的碳排放量，表现出相较于其他地区拥有更能提升交通运输碳排放效率的优越性。

（4）能源利用效率对交通运输碳排放效率的影响既呈现负相关也呈现出正相关，负相关主要位于新疆地区，而正相关则分布在内蒙古、山西、河北等北方地区和云南。新疆由于地域辽阔，运输的点与点之间的距离较长，铁路运输与公路运输成为疆内主要的交通运输方式。而目前中国清洁能源技术的推行主要集中于小型汽车上[34]，因此效率的提升难度较大，能源效率的提升只会加重交通运输业的投资，从而降低碳排放效率。内蒙古、山西、河北等地均环绕在北京周围，是进京的必经之地，周转量较大。由于进京里程较短，在新能源和节能技术的使用上更加方便，能源利用效率对交通运输碳排放效率的正相关明显。云南则亟须改变能源的消费结构，在能源消耗更少的情况下释放更多的周转量。

（5）政府干预的回归系数在大多数地区为负相关关系，且在东部地区和中部地区的影响更大，东部和中部地区交通经济发展较好，政府干预这种强制性管理工具只会更加不利于交通运输碳排放效率的提升[35]。而正相关关系则主要分布在新疆和东北地区。由于地域辽阔，新疆的交通完善度长期处在全国的最低水平，交通经济的发展需要政府大量的投入来完善基础设施建设，促进交通运输业产值的增长，因此政府干预和交通碳排放效率呈正相关性。东北地区虽然具有良好的交通基础设施，但由于经济发展迟缓导致人口流失严重，以人为导向的交通运输业发展受阻，政府对交通运输业的支持政策能增加其产值，并且东北地区矿产资源丰富，新能源消费比重较低，政府干预能矫正发展方式，推动交通运输碳排放效率的增长。

（6）科技对交通运输碳排放效率的影响系数为正的地区主要集中在中国的东中部，这些地区由于自身交通经济发展较好，加大科研的投入能促进新能源和新技术的运用，降低碳排放，从而提高交通运输碳排放效率[36]。而西部地区由于自身基础较为薄弱，科研的投入会加大交通运输业的投资额，投入大于产出，从而降低了交通运输碳排放效率，西部地区目前应选择其他方式来提高交通碳排放效率会在短期内更有成效。

4 结论与建议

研究交通碳排放效率对中国交通运输业高质量发展具有重要意义，本文以2010—2019为研究节点，通过非期望超效率SBM模型来计算30个省域的交通运输碳排放效率，利用GTWR模型对影响交通运输碳排放效率的因素进行时空非均衡性分析，可为兼顾交通经济的发展和碳减排目标的推进做出积极探索。主要结论如下：

（1）交通运输碳排放效率在空间上和时间上呈现不均衡的特征。从空间角度来看，碳排放效率排名前五的省份依次为河北、江苏、山东、河南和天津，河北省处于生产效率前沿面，而排名后五位的省份依次为辽宁、黑龙江、海南、青海和云南。从时间角度来看，大部分省域在考察期内表现为正增长，云南省碳排放效率的年均增长率最高，而有些省域则表现为负增长的态势，其中贵州省的下降速度最快。

（2）根据时空地理加权回归模型结果，各驱动因素对区域交通运输碳排放效率的影响呈现出明显的时空异质性。其中各项指标对交通运输碳排放效率的影响既有正相关效应，又有负相关效应，时空差异明显。从影响强度来看，政府干预对效率的影响最大，其次是能源结构、人均GDP和能源利用效率，相比而言，人口规模和科技水平的影响程度相对较小。

（3）分别从时间维度和空间维度来看，人均GDP对交通运输碳排放效率主要为负向作用且负向影响的作用随着时间的推移正在不断地降低，负向作用在空间上主要分布在内蒙古、山西、河北、北京和天津，而正向作用主要为广东和广西。人口规模对碳排放效率的影响在正负之间徘徊，前期主要是负相关关系，后期负相关性在不断减弱而正向影响则在不断加强，空间上正相关主要集中在江苏、浙江、福建等东部沿海省域以及中国的东北部，而负相关的地区主要分布在我国的中西部内陆地区。能源结构对交通运输碳排放效率的影响大多呈现出正相关性，但回归系数表现出波动下降的趋势，正相关高值主要分布在云南与东部沿海省域。能源利用效率对大部分省域交通运输碳排放效率的影响为正向，且回归系数随着时间的推移离散程度在不断增强，负相关主要位于新疆地区，而正相关则分布在内蒙古、山西、河北等北方地区和云南省。政府干预与交通运输碳排放效率的回归系数在研究期间基本为负，并且回归系数随时间先下降后上升，政府干预在东部地区和中部地区的影响更大。科技水平对交通碳排放效率的影响从时间维度上来看变化幅度不大，基本是正向作用，主要集中在中国的东中部。

由上文分析可知，以上影响因素对提高交通运输碳排放效率，促进交通运输业高质量发展具有不可替代的重要作用，因此本文从影响因素入手针对性地提出相应建议。另外，由于本文实证结果显示人口规模和科技发展水平对交通运输碳排放效率的影响程度较小，因此本文基于其他四项影响因素提出如下建议：

（1）人均GDP在中国绝大多数地区呈现出负向作用，但是在近些年来在环保政策的推动下，这种负向作用在不断减弱，因此，如何同时实现经济的发展和碳排放效率的提升是我们亟须解决的问题。基于此，政府应该坚定贯彻“绿水青山就是金山银山”理念，交通运输业的发展绝不能以牺牲环境和破坏生态为代价，各地区应转变经济发展方式，由粗放式向集约式进行转变。经济发展往往还会与人口素质同向变动，因此政府在发展经济的同时应大力倡导绿色出行，鼓励用公共交通来代替私家车的使用，从而达到碳减排效果。

（2）能源结构对交通碳排放效率的影响虽然在不断减弱，但目前对中国各省域来说仍具有一定作用。因此，政府应推广清洁能源的使用，多使用水电、风电、天然气等能源，加强绿色煤的开发使用，尽量使用洁净煤和优质煤。中西部地区清洁能源储备丰富，应加大对中西部地区园区、码头和交通枢纽能源装置的改造，保障能充分吸收能源结构调整带来的绿色效应。对于云南省这种以高能耗、高污染型产业为主要经济来源的地区，能源结构调整还需要建立在产业结构合理调整的基础之上，注重发展低排放的高新技术产业。

（3）能源利用效率的影响程度在不断增强，尤其是像在北京及其周边省域地区，政府应该鼓励发展轨道交通和大容量公共交通，推进新能源汽车的使用来降低能源消耗，建立完善的绿色交通体系。而对于新疆地区应推广多式连运、装箱运输等运输形式来提高货物的运转量，完善交通基础设施的建设来提高运输效率。

（4）政府对交通运输碳排放效率的干预应该因地制宜来进行，对于西部地区和东北地区，政府应该综合其自身发展阶段制定差别化的交通运输碳减排政策，并加大交通基础设施的建设来刺激交通运输业产值的增长。但是当中西部交通运输业发展到一定程度时，政府也应减少一些强制性政策的制定，避免强制属性的管理工具造成交通运输业发展受阻。