公路运输节能减排论文范文

1公路运输周转量的空间效应检验

公路运输周转量及其影响因素在地理空间上存在空间依赖性和溢出效应，即公路运输周转量会受到周边地区的影响.本文采用空间统计分析Moran指数法检验公路运输周转量与空间依赖性间的关系.

1.1全域空间相关性检验空间统计学一般使用空间统计量——空间自相关指数Moran’sI检验区域经济变量的空间依赖性，即全域空间相关性.全域Moran’sI指数[10]定义。为了检验省域公路运输周转量是否存在空间自相关及集群现象，本文利用GeoDA方法计算了1981–2012年31个省公路周转量的Moran’sI指数.计算结果如图1所示.全域Moran’sI的取值范围介于-1~1之间，若数值大于0，说明空间存在正自相关，数值越大说明空间的正自相关性越强；若其数值小于0，说明具有空间邻接关系的单元之间不具有相似的属性，数值越小说明各空间单元的差异性越大；若数值为零，说明不具有空间相关性，各单元之间服从随机分布.从图1可以发现，中国31个省、直辖市和自治区的公路运输周转量在空间分布上具有正自相关关系，即空间依赖性，这表明各省域的公路运输周转量是存在相关性的.而且，从1981年开始，我国公路运输周转量的空间相关性虽然有所波动，但整体呈上升趋势，表明在我国道路交通运输系统发展的同时，各省间的联系越来越紧密，地区间公路运输周转量的空间依赖程度越来越高.因此，在进行省域公路运输周转量分析时，空间影响因素不可或缺.

1.2局域空间相关性检验局域空间相关性又称为空间关联局域指标（LISA)，局域Moran’sI指数。采用局域空间相关性分析方法(LISA)对省域公路运输周转量的空间格局和集群现象进行更深入的分析，以弥补全域空间相关性分析方法的不足，其结果如图2所示.“本地高，周边高”型地区本身具有较大的公路运输周转量，且附近的地区也具有较大的运输周转量；“本地低，周边低”型地区本身的运输周转量较小，其周围的地区运输周转量也较小，同样，有“本地低，周边高”型地区和“本地高，周边低”型地区“.本地高，周边高”和“本地低，周边低”型地区表示正的空间自相关并且存在相近运输周转量的空间聚集，而位于“本地低，周边高”和“本地高，周边低”型地区则与邻近地区呈负相关.如图2所示，“本地高，周边高”型地区为高空间集群效应地区，包括，辽宁、江苏、上海、浙江和江西5省、直辖市；“本地低，周边低”型地区为低空间集群效应地区，包括，新疆、甘肃、青海和四川4省、自治区；“本地低，周边高”区域为具有负空间集群效应的地区（即本地区公路运输周转量低，而周边地区高），包括安徽和天津2省.其他地区不具有明显的局域空间相关性.通过对比不同省域公路运输周转量局域空间关系可以发现，在不同的经济情况、产业结构、地理条件下，各省的运输结构各不相同，对周边地区的影响力也存在较大差异.因此，在制定公路运输业的节能减排措施时，应选择“本地高，周边高”和“本地低，周边低”型地区，其可以在降低自身公路运输周转量的同时，带动周边地区的公路运输的下降，以达到最优的节能减排效果.

2公路运输周转量空间计量模型

2.1空间计量模型依据空间面板模型的相关理论，空间常系数回归模型包括空间滞后模型（SLM）和空间误差模型（SEM）两种，以及空间变系数回归模型——地理加权回归模型(GWR)[12]，本文将运用空间常系数回归模型进行全域范围的研究，分析省域公路运输周转量的空间效应和影响因素.空间滞后模型[13]可以检验各变量在某地的扩散效应(或溢出效应)。

2.2公路运输周转量空间计量模型构建影响省域公路运输周转量的主要因素包括经济水平、产业结构和人口数量等因素.本文在构建空间滞后模型和空间误差模型时，选取分产业GDP(第一产业FGDP、第二产业SGDP、第三产业TGDP)、省域人口总数(People)等指标做解释变量来分别反映经济水平、产业结构和人口数量.本文选用各省、直辖市、自治区的空间距离作为空间权重，通过模型的比较分析，揭示省域公路运输周转量的空间效应及其影响方式.该模型表示某一省域公路运输周转量与其相近地区（具有空间相关性的地区）公路运输周转量、本省经济水平、产业结构和人口数量的关系.式（9）与式（8）的区别在于，式（9）的空间影响体现在空间滞后误差项中，没有直接以TOVi的形式出现.

3实例分析

3.1公路运输周转量空间计量模型数据分析根据2012年的统计数据，对上节中的公路运输周转量空间计量模型（空间滞后模型、空间误差模型）和一种传统的回归模型（即不考虑其空间相关性）求解，其结果如表1所示.从表1可以看出，三种模型下的拟合优度都高于0.8，空间滞后模型的拟合效果最好.空间滞后模型拟合结果显示，空间自回归系数为0.5578，说明公路运输周转量具有较强的空间依赖性，空间临近效应非常明显.因此，仅仅采用传统的计量经济模型进行分析将会得到有偏差的结果.从空间误差模型结果看，空间误差自相关系数为0.597，说明各省间存在的不可观测数据也对公路的客货周转量产生正向作用.另外，第一、第二产业对公路运输周转量的贡献都大于第三产业，政府加大力度优化产业结构，增加服务业的比重，有利于降低公路运输周转量，进而降低交通运输业的能源消耗，达到节能减排的目的.

3.2情景分析我国在实施公路运输的节能减排措施时，应该对各个省份采用不同的策略与尺度，因此，本文以空间临近效应高的地区为案例，分析这些地区公路运输周转量下降对周边区域的影响，进而分析其对全国节能减排的贡献.由于辽宁、上海、江苏、浙江及江西具有高空间集群效应，这些城市公路周转量的下降会带动其周边地区减少公路运输，进而可以促进全国范围内公路运输量的下降.因此，本文着重分析这些地区减少公路运输对全国节能减排的影响情况.考虑到辽宁、上海、江苏及浙江是沿海地区，这些城市可以通过大力发展水路运输减少公路运输周转量；江西是内陆城市，可以通过铁路运输降低公路运输分担率.假设2014年GDP增长率为8%，国内具有良好的节能减排实施环境，当高空间集群效应的地区公路运输周转量降低不同幅度（假设三种情景：下降25%、15%、5%）[14]时，应用空间滞后模型计算各种情景下全国的节能减排效果.具体情况如表2所示。从表2可以看出，三种情景下，辽宁、江苏、上海、浙江和江西五个地区公路运输周转量的减少均带动其空间邻接区域公路运输周转量不同程度的降低，分别降低6.6%、3.2%和1.4%.由于这只是减少5个地区的公路运输周转量对全国节能减排的影响，因此，其降低比例要低于这5个地区的情况，但这只是部分地区对全国的间接影响，如果进一步扩大减排的省域将可能呈现相互影响、梯次下降的局面，进而实现我国预计的节能减排目标.

4研究结论

在节能减排的时代大背景下，交通运输业作为能源消耗较高的行业，要积极采取措施降低碳排放量.公路运输是交通运输业中的碳排放量最高的运输方式，因此，分析公路运输周转量的空间特征，制定合理的公路运输减排措施，对交通运输业的节能减排具有较大的现实意义.本文通过对公路运输周转量进行全域空间相关性检验，发现公路运输周转量具有较强的空间相关性，且随着交通运输业的发展呈现逐年上升的趋势.通过检验省域公路运输周转量的局域空间相关性，辽宁、江苏、上海、浙江和江西表现出运输周转量高的空间集群效应，这表明如果这些地区减少公路运输，将会对周边地区公路运输周转量带来较大影响，因此，本文建议优化上述地区的运输结构，降低这些地区公路运输周转量，带动周边省市公路运输的减少，进而达到以点带面的节能减排效果.

作者：姚宝珍沈飞姚锦宝王文思王爽单位：大连理工大学汽车工程学院北京交通大学交通运输学院北京交通大学土建学院大连海事大学交通运输管理学院