- 无标题文档
查看论文信息

中文题名:

 

中国省域交通运输碳排放效率及时空演变特征研究

    

姓名:

 杨杰    

学号:

 1049732003009    

保密级别:

 公开    

论文语种:

 chi    

学科代码:

 082300    

学科名称:

 工学 - 交通运输工程    

学生类型:

 硕士    

学校:

 武汉理工大学    

院系:

 交通与物流工程学院    

专业:

 交通运输    

研究方向:

 交通运输经济    

第一导师姓名:

 张矢宇    

第一导师院系:

 交通与物流工程学院    

完成日期:

 2023-03-30    

答辩日期:

 2023-05-21    

中文关键词:

 

交通碳排放效率 ; 超效率SBM模型 ; 社会网络分析 ; 空间格局

    

中文摘要:

随着人类经济活动和工业化进程的加速,全球环境污染日益严重,二氧化碳等温室气体排放逐渐增多,温室效应愈发显著。交通运输作为连接社会生产消费和流通的经济命脉,同时也是碳排放的三大主要生产源产业之一。因此,研究在交通运输生产活动中所引起的碳排放问题,深入剖析环境与经济的制约关系、衡量交通运输绿色发展的综合水平,对统筹协调经济发展与生态保护、助推我国“双碳”目标的顺利达成具有重要意义。

基于绿色交通、低碳经济学等基本理论,构建了将交通碳排放作为非期望产出,交通资产存量、交通运输从业人数、交通运输能源消耗量、交通运输业产值、客运周转量、货运周转量作为投入产出指标的超效率SBM模型,测算了2003-2020年我国省域交通碳排放效率。在此基础上,基于马尔科夫链分析了效率的时间发展趋势。通过K-means聚类及SKATER的空间约束聚类对效率进行聚类分析,展现其空间分布的聚集特征;进一步基于改进的引力模型,基于社会网络分析对效率的空间关系网络特征进行分析,并运用莫兰指数对效率的空间关系进行量化分析和检验。

对我国30省份2003-2020年的交通碳排放效率测算结果显示,研究时间范围内整体效率值有一定程度上升,波动幅度不大;安徽省的效率均值位居全国第一,达1.195,云南省效率均值最低,为0.205,全国仅有安徽、河北两省效率均值处于效率前沿。从时间演化趋势看,基于马尔科夫链计算效率等级由高至低维持原状态的概率值分别为86.2%、69.7%、95.1%,表明大部分地区未发生效率等级类型转移;从效率的空间分布及关联特点来看,聚类分析结果表明在聚类数为7时的基于SKATER空间约束聚类的效果较好;空间关系网络的特征分析显示从2003到2020年的交通碳排放效率关系网络的结构变化程度较小,网络结构较为稳定;效率的莫兰指数均值为0.142,表明各省的空间联系呈现出弱正相关性,空间分布总体偏向于随距离缩减,效率值呈现相似性聚集。从控制交通碳排放、加强省域联动水平、优化交通综合体系三大方面,结合地区实际发展情况提出发展对策与建议。

参考文献:

[1] 徐国栋. 交通运输对区域经济发展的作用与调控分析[J]. 投资与创业, 2021, 32(14):181-183.

[2] 王庆一. 2019中国能源数据[M]. 北京:绿色创新发展中心, 2019.

[3] Mielnik O,Goldemberg J. The evolution of the “carbonization index” in developing countries[J]. Energy Policy, 1999, 27(5):307-308.

[4] Yamaji K, Matsuhashi R, Nagata Y, et al. A study on economic measures for CO2 reduction in Japan[J]. Energy Policy, 1993,21(2):123-132.

[5] Zaim O, Taskin F. Environment Efficiency in Carbon Dioxide Emission in the OECD: A non-parametric approach[J]. Journal of Environmental Management, 2000, 58(2):95-107.

[6] Ramanathan R. Combining indicators of energy consumption and CO2 emissions: A cross-country comparison[J]. International Journal of Global Energy Issues, 2002, 17(3):214-227.

[7] Tommy Lundgren, Per-Olov Marklund, Shanshan Zhang. Industrial energy demand and energy efficiency – Evidence from Sweden [J]. Resource and Energy Economics, 2016, 43:130-152.

[8] Q.W. Wang, P. Zhou, N. Shen, et al. Measuring carbon dioxide emission performance in Chinese provinces: A parametric approach[J]. Renewable and Sustainable Energy Reviews, 2013, 21:324-330.

[9] Zhang Caiqing, Chen Panyu. Industrialization, urbanization, and carbon emission efficiency of Yangtze River Economic Belt-empirical analysis based on stochastic frontier model[J]. Environmental science and pollution research international, 2021, 28(47).

[10] Young-Tae Chang, Nan Zhang. Environmental efficiency of transportation sectors in China and Korea[J]. Maritime Economics & Logistics, 2017, 19(1):68-93.

[11] Jing Zhu. Analysis of carbon emission efficiency based on DEA model[J]. Journal of Discrete Mathematical Sciences and Cryptography, 2018, 21(2):405-409.

[12] Ming Meng, Yanan Fu, Tianyu Wang, et al. Analysis of Low-Carbon Economy Efficiency of Chinese Industrial Sectors Based on a RAM Model with Undesirable Outputs[J]. Sustainability, 2017, 9(3):451.

[13] Fang Liu, Lu Tang, Kaicheng Liao, et al. Spatial distribution and regional difference of carbon emissions efficiency of industrial energy in China[J]. Scientific reports, 2021,11(1).

[14] Zhipeng Yu. Measurement of carbon emission efficiency of China's energy consumption and its spatial distribution pattern[J]. IOP Conference Series: Earth and Environmental Science, 2020, 546.

[15] Guofeng Wang, Xiangzheng Deng, Jingyu Wang, et al. Carbon emission efficiency in China: A spatial panel data analysis[J]. China Economic Review, 2019, 56.

[16] Timothy N Caon. Buyer Liability and Voluntary Inspections in International Greenhouse Gas Trading: A Laboratory Study[J]. Environmental and Resource Economics, 2003, (25):101-127.

[17] Stern D I, Jotzo F. How ambitious are China and India’s emissions intensity targets[J]. Energy Policy, 2010, 38(11):6776-6783.

[18] Wood R. Structural decomposition analysis of Australia’s greenhouse gas emission[J]. Energy policy, 2009, 37(4):4943-4948.

[19] Manzhi Liu, Xixi Zhang, Mengya Zhang, et al. Influencing factors of carbon emissions in transportation industry based on C-D function and LMDI decomposition model: China as an example[J]. Environmental Impact Assessment Review, 2021, 90.

[20] 刘笑. 中国民航部门碳排放驱动因素及减排路径研究[D]. 南京航空航天大学, 2018.

[21] 仲云云, 仲伟周. 中国区域全要素碳排放绩效及影响因素研究[J]. 商业经济与管理, 2012(01):85-96.

[22] 平智毅, 吴学兵, 吴雪莲. 长江经济带碳排放效率的时空差异及其影响因素分析[J]. 生态经济, 2020, 36(03):31-37.

[23] 惠明珠, 苏有文. 中国建筑业碳排放效率空间特征及其影响因素[J].环境工程, 2018, 36(12):182-187.

[24] 张帅. 基于RAM模型的交通运输碳排放及经济效率测度研究[D]. 长安大学, 2018.

[25] 江洪, 赵宝福. 碳排放约束下中国区域能源效率测度与解构—基于三阶段DEA方法[J]. 价格理论与实践, 2015(01):103-105.

[26] 王少剑, 高爽, 黄永源等. 基于超效率SBM模型的中国城市碳排放绩效时空演变格局及预测[J]. 地理学报, 2020, 75(06):1316-1330.

[27] 金丹, 董晓. 基于DPSIR模型的城市绿色交通发展评价研究[J]. 生态经济, 2018, 34(05):79-85.

[28] 周岸, 吴开亚. 上海市交通碳排放驱动因素分析[J]. 合肥工业大学学报(自然科学版), 2020, 43(02):264-269.

[29] 张国兴, 苏钊贤. 黄河流域交通运输碳排放的影响因素分解与情景预测[J].管理评论, 2020, 32(12):283-294.

[30] 肖紫薇, 袁长伟, 云虹. 中国交通运输业碳排放的通径分析模型[J]. 统计与决策, 2016(15):25-29.

[31] 蒋自然, 金环环, 王成金等. 长江经济带交通碳排放测度及其效率格局(1985~2016年)[J]. 环境科学, 2020, 41(06):2972-2980.

[32] 刘爽, 赵明亮, 包姹娜等. 基于交通结构发展情景分析的城市交通碳排放测算研究[J]. 交通运输系统工程与信息, 2015, 15(03):222-227.

[33] Schipper L, M arie-Iilliu C, G orham R. Flexing the Link between Urban Transport and CO2 Emissions: A Path for the World Bank[C]. International Energy Agency, 2000.

[34] Charnes A, Cooper W W, Rhodes E. Measuring the efficiency of decision making units[J]. European Journal of Operational Research, 1978, 2(06):429-444.

[35] 蒋亚楠. 基于DEA的上市物流企业效率评价[J]. 中州大报, 2018, 35(01):36-41.

[36] 张海峰, 刘二琳. 基于DEA的船舶信息资源配置效率评价研究[J]. 中国管理科学, 2015, 23(S1):842-847.

[37] 秦臻. 基于DEA的成渝城市群环境效率评价——以重庆、成都、德阳为例[J]. 中国经贸导刊(中), 2019(12):51-52.

[38] 吴文江. 数据包络分析及其应用[M]. 北京:中国统计出版社, 2002.

[39] Tone K. A slacks-based measure of super-efficiency in data envelopment analysis[J]. European Journal of Operational Research, 2002, 143(1):32-41.

[40] 马占新. 数据包络分析模型与方法[M]. 北京:科学出版社, 2010.

[41] Goldsmith R W. A perpetual inventory of national wealth[J]. Cambridge, MA: National Bureau of Economic Research, 1951.

[42] 杨恺钧, 毛博伟, 胡菡. 长江经济带物流业全要素能源效率—基于包含碳排放的SBM与GML指数模型[J]. 北京理工大学学报(社会科学版), 2016, 18 (6):54-62.

[43] 宁论辰, 郑雯, 曾良恩. 2007—2016年中国省域碳排放效率评价及影响因素分析——基于超效率SBM-Tobit模型的两阶段分析[J]. 北京大学学报(自然科学版), 2021, 57(01):181-188.

[44] 黄杰. 中国能源环境效率的空间关联网络结构及其影响因素[J]. 资源科学, 2018, 40(4):759-772.

[45] 张德钢, 陆远权. 中国碳排放的空间关联及其解释——基于社会网络分析法[J]. 软科学, 2017, 31(04):15-18.

[46] Moran P A. A test for the serial dependence of residuals[J]. Biometrika, 1950(37):178-1811.

[47] 刘文博, 梁盛楠, 余泉等. 基于伪F统计量的属性特征降维方法研究[J]. 东北师大学报(自然科学版), 2020, 52(01):43-49.

[48] 胡健, 胡艺, 高风华等.基于SKATER聚类算法设计血吸虫病监测点的探索性研究[J]. 中国血吸虫病防治杂志, 2019, 31(04):368-373.

[49] 田云, 王梦晨. 湖北省农业碳排放效率时空差异及影响因素[J].中国农业科学, 2020, 53(24):5063-5072.

[50] 张琦峰. 面向碳达峰目标的我国碳排放权交易机制研究[D]. 浙江大学, 2021.

中图分类号:

 F512    

条码号:

 002000073654    

馆藏号:

 YD10001768    

馆藏位置:

 203    

备注:

 403-西院分馆博硕论文库;203-余家头分馆博硕论文库    

无标题文档

   建议浏览器: 谷歌 火狐 360请用极速模式,双核浏览器请用极速模式