0 引言

国家《绿色交通“十四五”发展规划》提出，推动各种交通运输方式深度融合，进一步优化调节运输结构，推动大宗货物“公转铁、公转水”，中长距离运输时主要采用铁路、水路运输。目前，我国公路运输货运周转量占比接近50%，公铁比为2.5，而公路运输中的中卡和重卡运输效率低、油耗高^[1]。许康利等^[2]研究表明公路、铁路、民航运输碳排放量中，公路碳排放量占比较大，约占82.7%。公路营运柴油货车尾气排放是城市大气颗粒物(PM)的主要来源之一，通常情况下占道路机动车大气颗粒物的75%以上^[3-4]，而黑碳(BC)是PM的主要核心结构，BC占柴油车PM质量的40%~90%^[5]。BC排放量有8%来自柴油车，并且重型柴油车BC排放水平是汽油车的40~400倍^[6]，是引起大气环境质量的重要因素之一。在此背景下，开展营运柴油货车碳排放总量测度及时空分异影响因素研究，对于制订营运柴油货车碳减排政策意义重大。

目前，已有研究主要集中于交通运输碳排放总量测度^[7-8]、配额分配^[9]、时空分异^[10-12]和碳排放影响因素^[13-15]等方面。但对于营运柴油货车碳排放，相关学者主要将研究重点放在柴油货车碳减排政策、燃油消耗基本规律和道路平面设计要素对柴油货车碳排放的影响等方面进行研究。如贾术艳等^[16]运用生长曲线对货车保有量进行预测，指出只有加快货车节能技术和新能源货车的推广运用才能使营运货车的碳排放总量规模得到有效的抑制。曾勇等^[17]基于不同车速、里程、综合百公里基本油耗等参数，揭示了城市货车燃油消耗的基本规律。许金良等^[18]运用MOVES仿真模型研究碳排放变化规律，构建碳排放预测模型，并得出车辆产生高碳排放的主要路段为半径小于或等于500 m的圆曲线半径。孙文圃等^[19]得出载重柴油货车高碳排放路段为高速公路上坡段，且坡度对碳排放的影响最大，坡长次之。显然，上述成果并未对营运柴油货车碳排放空间分异特征进行规律的总结。

鉴于此，本研究测算2016─2020年云南省各城市营运柴油货车碳排放总量，采用莫兰指数和高低值聚类，结合GIS和GeoDa分析云南省各城市营运柴油货车碳排放的时空异质性，利用LMDI对碳排放影响因素进行分解，为碳减排政策的制定提供参考依据。

1 方法与数据 1.1 研究方法 1.1.1 交通运输碳排放测算

《IPCC国家温室气体清单指南》提出了国际上具有权威性的碳排放测算方法，IPCC“自上而下”的计算方法是根据交通运输工具所使用的各种能源的总消耗量和碳排放系数来测算得到，计算公式为：

(1)

式中，C为碳排放量；a为终端柴油消费量；f为柴油折算为标准煤系数；g为柴油的碳排放系数。

1.1.2 空间自相关分析

碳排放空间自相关能够表示各城市营运柴油货车碳排放在空间上的分布特性和地区间的依赖性。识别城市营运柴油货车碳排放高值聚类与低值聚类的空间分布规律，用Moran's I来表示，计算公式为：

(2)

式中，x_i和x_m分别为城市i与m的营运柴油货车碳排放总量；为各城市营运柴油货车碳排放平均值；S_i为城市i的碳排放与其平均值的偏差；w_im为城市i和m之间的空间权重；n为城市数量。Moran ’s I指数的值域位于[-1, 1]之间，I值大于0表示正相关，且越接近1，正相关性越强，研究对象在空间上呈聚集分布；I值小于0表示负相关，且越接近-1，负相关性越强，研究对象在空间上呈均匀分布；I值等于0表示研究区间的各空间对象单元彼此之间相互独立。

1.1.3 聚类分析

K均值聚类算法是一种迭代求解的聚类分析算法，将城市分为k组，随机选取k个对象作为初始的聚类中心，然后计算每个对象与各初始聚类中心之间的距离，把各个对象回归于与之距离最近的聚类中心。将聚类后的聚类中心及分配给它们的对象归为一个聚类，常用欧式距离来度量样本之间的距离D_jz。

(3)

式中，D_jz为城市j和z之间的距离；k为组数，S_j和S_z为空间矢量点。

1.1.4 碳排放影响因素分解

(1) 交通运输碳排放影响因素表达方法

Kaya恒等式用来考察温室气体排放变化时的主要影响因素，将温室气体排放与能源、经济、人口等用数学关系式进行表达^[20]。将kaya恒等式进行扩展，营运柴油货车碳排放影响因素表达为：

(4)

式中，a为终端柴油消耗量；TT为折算后营运柴油货车运输周转量；GDP为省内生产总值，反映经济发展水平；P为人口数；C/a为交通能源强度，即营运柴油货车单位能源消耗所释放碳排放量；a/TT为单位周转能耗，即营运柴油货车总周转量单位能耗；TT/GDP为交通运输强度，即单位GDP营运柴油货车运输总周转量；GDP/P为人均生产总值，即5个影响因素：交通能源强度、单位周转能耗、交通运输强度、人均GDP、人口。

(2) 交通运输碳排放影响因素分解LMDI模型

通过对上述式(4)进行改进后，运用LMDI因素分解方法得到适用于交通运输碳排放影响因素分解模型，从基期到t期交通运输碳排放差值称为交通运输碳排放影响总效应如下：

(5)

式中，ΔC_0t为基准年到t年碳排放的总效应；ΔC_t为第t年的碳排放量；ΔC₀为基准年的碳排放量。ΔC_0t由5个部分组成：ΔA_0t为基准年到t年的交通运输强度效应；ΔT_0t为基准年到t年的单位周转能耗效应；ΔM_0t为基准年到t年交通运输强度效应；ΔG_0t为基准年到t年的人均生产总值效应；ΔP_0t为基准年到t年的人口水平效应。

根据Zhang等^[21]提出的LMDI法对公式进行无残差分解，得到影响因素作用效果计算式为：

(6)

(7)

(8)

(9)

(10)

式中，A_t为第t年的交通运输强度；A₀为基准年的交通运输强度；ln (A_t/A₀)为第t年的交通运输强度相较于基准年的交通运输强度的对数比；分母ln C_t-ln C₀为第t年的碳排放量相较于基准年碳排放量的对数比例；分子C_t-C₀为第t年的碳排放量与基准年碳排放量的差值；T_t为第t年的单位周转能耗；T₀为基准年的单位周转能耗；M_t为第t年的交通运输强度；M₀为基准年的交通运输强度；G_t为第t年的人均GDP；G₀为基准年人均GDP；P_t为第t年的人口数，P₀为基准年的人口数。

根据上述式(6)~ (10)可得出碳排放影响因素效应，效应数值的大小表示该因素对营运柴油货车碳排放总量所构成的影响程度。当计算结果大于0时，表示该因素对营运柴油货车碳排放有促进作用；当计算结果小于0时，表示该因素对营运柴油货车碳排放有抑制作用，且绝对值越大影响效果越强。

1.2 研究区域及数据来源 1.2.1 研究区域

以云南省为研究区域，考虑数据的可得性，将除去西双版纳和怒江之外的14个城市作为具体研究区域。

1.2.2 数据来源

由于目前的能源统计制度导致各城市、县域的交通运输碳排放实际数据较为匮乏，故交通能源消耗数据和营运柴油货车周转量数据来自云南省交通运输行业管理部门。为保证公路运输燃料消耗数据采集的科学性和准确性，依据《公路运输能源消耗统计及分析方法》(GB/T21393—2008)中提出的抽样调查方法，对营运柴油货车燃料消耗量进行统计调查。首先，按照云南省各城市边界线划分为各调查区域；其次，优先选取各调查区域内的本地公路运输企业作为样本量；最后，建立车辆信息记录表，记录企业车辆的基本使用情况和能耗情况，对各调查区域内所有企业的能源消耗量进行统计。根据此方法得到的能源消耗量更能反映各城市营运柴油货车能源消耗的真实性。在碳排放系数确定标准上，本研究选取IPCC作为标准(见表 1)，各城市人口规模、地区生产总值和三次产业所占比重来自云南省各城市国民经济和社会发展公报，其他数据来自《云南省统计年鉴》。

2 结果与分析 2.1 营运柴油货车碳排放

根据式(1)计算得到云南各城市营运柴油货车2016─2020碳排放结果，如表 2所示。

2.2 营运柴油货车碳排放总量时空特性分析

依据表 2，分析云南省各城市营运柴油货车碳排放总量发现：2016─2020年云南省各城市营运柴油货车碳排放总量总体呈现出先降后升的倒n型排放趋势。2016─2018处于下降阶段，碳排放总量从2016年的1 279.219万t下降至2018年的1 023.538万t，2018─2020年处于上升的阶段，由2018年的1 023.538万t迅速上升至2020年的1 880.836万t。故选取2016, 2018, 2020年为典型的3个年度进行分析，按照各城市营运柴油货车碳排放总量大小，将云南省各城市归为Ⅰ~Ⅴ类城市，从Ⅰ类城市到Ⅴ类城市，营运柴油货车碳排放总量逐渐增大，Ⅰ类为营运柴油货车碳排放总量最小的城市，Ⅴ为营运柴油货车碳排放总量最大的城市，不同年度云南省各城市营运柴油货车碳排放总量变化见表 3。

2.3 空间聚类分析

根据式(3)计算得到云南省各城市营运柴油货车碳排放莫兰指数见表 4。

所计算的Moran ’s I应在[-1, 1]之间，所得莫兰指数都符合要求，且都大于0说明碳排放强度表现出正向空间聚集特性，在空间上表现出正的空间相关性。根据所计算出的云南省各城市营运柴油货车碳排放总量Moran ’s I，选取2016年和2020年的云南省各城市营运货车碳排放总量的Moran ’s I值，对结果进行分析，详见表 5。

由表 5可知, 2016年和2020年云南省各城市营运柴油货车碳排放HH聚类和LL聚类的分界较为明显，HH聚类主要分布在东部的滇中城市群，具体表现为昆明市、曲靖市和红河州，与2016年相比，2020年HH聚类城市分布未发生改变；LL聚类主要分布在云南省西部、中西部地区，城市分布有所改变，从2016年的大理、保山、丽江变成大理、临沧、丽江。

2.4 K-均值聚类分析

结合云南省各城市营运柴油货车碳排放总量和各城市的经济发展水平，将云南省各城市进行分类。具体分类过程为：(1)随机在云南省14个城市中(有2个城市缺乏数据)选取k个样本作为聚类的中心；(2)计算出各个样本的营运柴油货车碳排放和经济发展水平到初选聚类中心的营运柴油货车碳排放和经济发展水平的差值大小；(3)将各样本回归于与之差值最小的聚类中心；(4)求出各类样本的均值，作为新的聚类中心；(5)将聚类后的结果按照云南省现状将各聚类归为中心城市、产业集聚城市、发展潜力城市、欠发达城市4大类。具体分类结果见表 6。

将云南各城市营运柴油货车碳排放综合分为4大类：1类为中心城市，2类为产业集聚城市，3类为发展潜力城市，4类为欠发达城市，并运用LMDI模型分解其影响因素。

2.5 碳排放影响因素分解

根据式(6)~ (10)计算得出如表 7~表 10的结果。

由表 7知，1类中心城市营运柴油货车碳排放的影响因素中，交通能源强度、单位周转能耗、交通运输强度对碳排放有抑制作用，交通运输强度对碳排放的抑制作用效果最强，人均GDP、人口因素对碳排放有促进作用，人均GDP对碳排放的促进作用最大，人口因素对碳排放的促进作用较小。表明该类城市交通运输发达，对化石能源利用率较高，能有效的减少化石能源对环境的污染。

由表 8可知，第2类产业集聚城市营运柴油货车碳排放影响因素中。交通能源强度、单位周转能耗和交通运输强度起抑制作用，其中单位周转能耗影响效应最大，其次为交通能源强度和交通运输强度。人均GDP和人口因素在碳排放影响效应中表现为促进效应，经济效应对碳排放的促进效应更大。可得出该类城市随着经济的发展，营运柴油货车的碳排放量在不断的增加，但与此同时交通运输能源技术不断进步，对营运柴油货车碳排放起到了一定抑制作用。

由表 9可知，第3发展潜力类城市营运柴油货车碳排放的影响因素中，交通能源强度、单位周转能耗和交通运输强度表现出抑制作用，人均GDP、人口因素表现出促进作用。在2019─2020年交通运输强度影响因素最显著，表明2019─2020年交通运输技术上取得了很大的进步，人均GDP在2018─2020年影响效应最大，表明2018─2020年第3类发展潜力城市经济增长显著，经济的增长带动了营运柴油货车碳排放量的增加，相比于经济增长人口因素对碳排放的促进效应较弱。

由表 10可知，第4类欠发达城市营运柴油货车碳排放影响因素中，交通能源强度、单位周转能耗和交通运输强度呈现出抑制作用，人均GDP和人口因素表现出促进作用，相较于其他几类城市而言，该类城市营运柴油货车碳排放的影响效应较弱，表明该类城市的营运柴油货车碳排放总量较为稳定，没有出现骤增和骤减。经济发展水平较落后，交通运输业发展水平不高、能源利用率低。

综上，通过建立LMDI指数分解模型对云南省4类城市营运柴油货车碳排放不同类型区影响因素进行了分解，通过计算得出了各个影响因素对营运柴油货车碳排放的影响效应。结果表明：(1)交通能源强度、单位周转能耗和交通运输强度对营运柴油货车碳排放起到抑制作用，经济发展水平和人口规模对碳排放起促进作用。(2)1类中心城市经济水平对营运柴油货车碳排放的促进作用不显著，表明该类城市经济增长不显著或经济增长已经达到某种水平。相比之下，交通运输强度对营运柴油货车碳排放影响效应的绝对值最大，抑制作用最强，表明1类中心城市交通运输业有较好的发展。(3)2类产业集聚城市中单位周转能耗效应的绝对值最大，表明单位周转能耗对2类产业集聚城市的碳排放抑制作用最强。(4)2018—2020年，3类发展潜力城市中，人均GDP对该类城市营运柴油货车碳排放影响效应显著增强，说明该类城市2018—2020年经济增长显著。由于经济的快速增长，导致该类城市2018—2020年营运柴油货车碳排放量实现断崖式增长。2019—2020年交通运输强度影响效应绝对值最大，表明随着经济的增长，该类城市的交通运输业得到发展，交通运输强度对碳排放的抑制作用不断增强。(5)4类欠发达城市中，5种碳排放的影响因素对碳排放的影响效应较小，说明该类城市营运柴油货车碳排放总量较小，经济发展缓慢，交通运输发展落后。

3 讨论

目前，我国交通运输碳排放对营运柴油货车这一主体的研究不够重视。近年来，随着我国新能源技术的发展，新能源汽车拥有量、能源使用效率不断上升，营运客车、私家车、公交车的碳减排潜力大幅下降，未来营运货车将在交通运输碳减排上承担更大责任。目前，交通运输碳排放研究一般针对全国或省域尺度，但由于城市碳排放具有空间溢出效应、跨界传输、边界扩张等特征^[22]，过大尺度难以对碳排放时空分异与影响因素进行科学分析与规律总结。基于此，以云南省为研究对象，运用自上而下的碳排放测算方法，获得较准确的碳排放数据，根据各种不同类型的城市，得到相应的碳排放影响因素，便于理解不同类型城市的营运柴油货车碳排放特性。LMDI影响因素分解能够准确反映不同时段各个影响因素对碳排放变化的影响程度。运用LMDI影响因素分解分析方法，得出交通能源强度、单位周转能耗、交通运输强度对营运柴油货车碳排放起抑制作用。人均GDP、人口因素对营运柴油货车碳排放起促进作用。就本研究测算得到的云南省各城市营运柴油货车碳排放总量而言，2016─2020年全省营运柴油货车碳排放总量呈现先降后升的发展趋势，2020年后将继续上升，这使全省交通运输碳减排面临很大的挑战。云南省需尽快调整当前运输结构，充分挖掘运输资源潜能，制订针对性的交通减排政策。高碳排放区合理抑制营运柴油货车的发展，引导货物运输向铁路运输转移。

4 结论

以云南省为研究对象，测算了云南省各城市营运柴油货车碳排放总量及时空差异，利用LMDI模型分解各类城市的碳排放影响因素。主要研究结论如下：

(1) 2016─2020年云南省各城市营运柴油货车碳排放总量呈现出先降后升的排放趋势，东部地区的营运柴油货车碳排放总量增长速率高于西部和中部地区。

(2) 2016─2020年莫兰指数均值为0.648 6，说明云南省各城市营运柴油货车碳排放呈现出明显的空间正相关，通过聚类地图分析得出高值聚类地区主要分布在东部的滇中城市群，低值聚类主要分布在云南省中西部地区。

(3) 根据2016─2020年云南省各城市营运货车碳排放将城市分为4类，利用LMDI分别对4类城市碳排放影响因素进行分解，得出在4类城市的交通能源强度、单位周转能耗和交通运输强度对碳排放表现出抑制作用，经济发展水平和人口因素对碳排放表现出促进作用。