中國省域交通運輸全要素碳排放效率時空變化及影響因素研究

　　摘 要：正確、客觀地測算交通運輸全要素碳排放效率有利于推動技術進步與制定差異化碳減排政策。基于 2004-2013年交通運輸碳排放數據，采用考慮非期望產出超效率SBM模型測度中國省域交通運輸全要素碳排放效率，探討中國省域及東、中、西部交通運輸碳排放效率空間分布及趨勢變動，分析中國交通運輸全要素碳排放效率的空間聚集特性及其主要影響因素。研究結果顯示：①中國交通運輸全要素碳排放效率變動趨勢隨發展階段符合典型的環境庫茲涅茨曲線，呈現2005-2009年下降，2009-2013年效率緩慢上升的趨勢;②交通運輸全要素碳排放效率呈現東部、中部和西部依次遞減的空間規律，且相鄰省份之間存在明顯的空間正相關關系;③中國交通運輸全要素碳排放效率在空間上存在明顯的聚集狀態，其中河北、山東、江蘇、天津等東部沿海省份形成“H-H”聚集區;廣東、江西、湖南、湖北等中南華南地區和東北地區普遍形成“L-L”聚集區;④通過空間計量模型，發現影響交通運輸碳排放效率的主要因素為人口規模、收入水平、交通運輸強度、要素稟賦、交通運輸結構和節能技術水平，其中節能技術水平與碳排放效率呈現正相關關系，其它與碳排放效率呈現負相關關系。

　　關鍵詞：全要素碳排放效率;交通運輸碳減排;超效率SBM模型;空間相關分析;空間計量模型

　　袁長偉; 張帥; 焦萍; 武大勇 資源科學 2017-04-15

　　交通運輸行業是主要的化石能源的消耗行業，同時也是主要的碳排放來源，在全球范圍內交通運輸業碳排放量占全球碳排放總量的 1/4[1] 。據國際能 源 署(International Energy Agency，IEA)測 算 ， 2009 年全球交通運輸石油消耗量占總消耗量的 23%，2030年和2050年這一比例將分別達到53%和 80%。中國自 1985 年以來交通運輸能源消耗量年平均增長率接近 8%，遠高于同期能源消耗總量年平均增長5.7%的速度。伴隨著交通運輸能源消耗的快速增長，交通運輸碳排放同樣日益快速增長。而在快速機動化、城鎮化過程中，交通運輸又是難以找到有效碳減排政策的行業之一。此外，在中國，各地區之間經濟發展階段、城鎮化發展水平、人口分布、產業階段等差距迥異，碳減排政策工具設計需針對具體的地方特性區別實施。因此，測度交通運輸全要素碳排放效率，探討中國省域及區域交通運輸碳排放的空間差異特性，明晰交通運輸碳排放效率的空間聚集狀態，識別碳排放的影響因素，對于制定差異化交通運輸碳排放政策，推進碳減排具有重要的意義。

　　國內外學者針對交通運輸碳排放做了眾多的研究。其中，在交通運輸碳排放效率測度上，目前主要采用的是單位換算周轉量碳排放量、單位交通運 輸 行 業 增 加 值 碳 排 放 量 等 單 要 素 指 標 ，如 Greening 通過自適應權重方法分析了 10 個 OECD 國家單位貨運周轉量碳排放量的時間變化規律[2] 。池熊偉以單位周轉量碳排放量為碳排放效率，分析發現目前鐵路碳排放效率最高，公路運輸碳排放效率低于發達國家[3] 。盧建鋒等定義換算周轉量與二氧化碳排放量之比作為交通運輸業碳排放效率，在此基礎上，利用分解模型探究了區域交通碳排放效率的影響因素[4] 。少數學者采用全要素碳排放效率進行測度分析，如蘭梓睿等基于數據包絡分析法(DEA)測度了中國各省交通運輸碳排放全要素效率[5] 。在中國交通運輸碳排放的空間特性分析上，王建偉等通過建立碳減排水平評價指標體系，將中國分為優化區域、重點區域、積極區域和規劃區域[6] 。蘭梓睿等通過對比分析了中國東、中、西部交通運輸全要素碳排放效率的差異性[5] 。楊彬等運用 ESDA(探索性空間數據分析)和 GIS(地理信息系統)相結合的空間分析方法，探索了中國交通運輸碳排放的空間差異性和空間聚集規律[7] ;高潔等通過引入“重心”概念和重心計算模型，研究分析了 1996-2010年間中國全社會和交通運輸碳排放重心演化軌跡及特征，分析發現兩者重心變動存在差異，全社會碳排放重心呈現向西南移動的趨勢，交通運輸碳排放重心無明顯的方向性發展趨勢[8] 。在交通運輸碳排放影響因素的研究領域，Scholl 基于 OECD客運交通碳排放量數據，研究了交通量、能源強度、交通結構、能源結構與碳排放量之間的關系，發現交通量、能源強度、交通結構、能源強度是其主要影響因素[9] ;Tae-Hyeong Kwon 使用 IPAT 恒等式等分解方法分析了英國小汽車碳排放的影響因素[10] ; Timilsina等在亞洲和拉丁美洲20個國家交通運輸碳排放量數據基礎上，分析發現人均GDP、人口增長、能源強度、能源結構、碳排放效率都是影響碳排放的主要因素[11] ;Lisa Ryan在測算碳排放強度的基礎上，發現車輛和車輛能源稅能夠對碳排放強度產 生顯著的影響[12] ;徐雅楠等測度了 1995-2008 年中國交通運輸碳排放量，并運用STIRPAT模型研究了人口和經濟因素與交通運輸碳排放之間的關系[13] ;俞潔等基于LMDI模型定量分析得到，人均GDP增加對交通運輸碳排放量增長起推動作用，而交通運輸能源強度、交通運輸強度的下降起抑制作用，公路運輸對交通運輸碳排放量具有顯著的影響[14] 。

　　以往的研究從不同的視角探索了交通運輸碳排放規律，但是，提升碳排放效率是碳減排行動的關鍵所在[15- 17] 。對中國而言，一方面，中國的工業化、城鎮化、機動化過程交織進行，影響交通碳排放的因素紛繁復雜、相互作用，正如楊紅亮所指，單要素指標的測算難以充分反映碳排放效率的多維度特征，同時能源結構、產業結構、技術水平等都是影響碳排放的要素，單要素指標無法反映各種要素之間的替代、誘導等復雜作用[18] 。另一方面中國各省域交通運輸發展存在明顯差異，存在著明顯的空間相關性，但是從碳排放效率去研究交通運輸碳排放時空特性方面存在不足。另外，以往研究主要基于 IPAT等式、STIRPAT和分解模型研究交通運輸碳排放的影響因素，較少考慮空間因素，從而在測度交通運輸碳排放的影響因素方面存在一定偏差。由此，本文基于 2004-2013 年的交通運輸碳排放數據，采用非期望產出超效率 SBM 模型(Slack Based Measure，SBM)測度中國各省域交通運輸全要素碳排放效率1)，研究中國省域及東、中、西部地區效率的差異性及變動趨勢，結合空間分析法探討效率的空間特性，運用空間計量經濟模型分析各種影響因素對中國交通運輸全要素碳排放效率的影響程度，為國家制定有針對性的交通碳減排方案提供決策依據。

　　2 研究方法與數據來源

　　2.1 非期望產出的超效率SBM模型

　　全要素碳排放效率的測算方法分為非參數的數據包絡(Data Envelopment Analysis，DEA)和參數的隨機前沿分析(Stochastic Frontier Analysis，SFA)兩種。其中，DEA方法能夠有效解決多投入多產出的問題，SFA方法只能解釋單產出的生產過程。在交通運輸碳排放生產過程中，存在著復雜的投入產出要素，采用 DEA 方法更為合適。對于傳統的 CCR-DEA、BCC-DEA 等徑向 DEA 模型，一方面沒有充分考慮投入產出的松弛性問題，不能準確度量存在非期望產出時的效率值，因而難以準確評價決策單元(Decision Making Unit，DMU)的效率;另一方面由于效率值具有截尾性，使得測度的交通運輸全要素碳排放效率值并不適用于探討其影響因素的空間計量模型。而超效率SBM模型能有效地避免此類問題。因而，本文將交通運輸碳排放量作為非期望產出，采用超效率SBM模型測算交通運輸全要素碳排放效率。

　　假設交通運輸碳排放生產過程中有n個決策單元，每個決策單元包含m個生產投入要素、q1 個期望產出要素和 q2 個非期望產出要素。本文中 n 表示中國30個省(直轄市、自治區)，投入要素為交通運輸業資本存量、勞動力、能源消耗，期望產出為交通運輸業增加值，非期望產出為交通運輸碳排放量，則測度交通運輸全要素碳排放效率的非期望產出超效率SBM模型[19] 為： ì í î ï ï ï ï ï ï ï ï ï ï ï ï ï ï ï ï ï ï ï ï ï ï min ρ = 1 + 1 m∑i = 1 m s - i xik 1 - 1 q1 + q2 ( ∑r = 1 q1 s - r yrk +∑t = 1 q2 s b - t yb ik) s.t. j = ∑1,j ≠ k n xij λj - s - i ≤ xik j = ∑1,j ≠ k n yb ij λj - s b - r ≤ yrk 1 - 1 q1 + q2 ( ∑r = 1 q1 s - r yrk +∑t = 1 q2 s b - t yb ik)> 0 λ，s - ，s + ≥ 0 (1)式中 ρ 為測度的交通運輸全要素碳排放效率;xik 、 yrk 和 yb ik 分別表示第 k 個省份第 i 個投入要素、第 b 個期望產出和第 t 個非期望產出;i=1，2，3，? ，m; t =1，2，3，?，q2;k =1，2，3，?，n;s - i 、s + r 和 s b - t 分別表示投入要素、期望產出和非期望產出的松弛變量;λj 為約束條件。

　　2.2 空間自相關分析

　　空間自相關分析能夠有效表示各地區交通運輸全要素碳排放效率在空間上的分布特性及地區間依賴性，包含全局空間自相關和局部空間自相關兩種方法。全局空間自相關一般采用空間自相關指數 Moran’s I 衡量，反映的是整個空間交通運輸碳排放效率的空間聚集狀態，但無法準確反映各省域間空間關系，因此，研究中一般結合空間關聯局部 LISA(Local Indications of Spatial Association， LISA)分布圖來分析空間相關性[20] 。其中，Moran’s I計算公式為： Moran's I = ∑i = 1 n ∑j = 1 n wij (xi - - x)(xj - - x) s 2 ∑i = 1 n ∑j = 1 n wij (2)式中 s 2 = 1/n ×∑i = 1 n (xi - - x) 2 為中國各省交通運輸全要素碳排放效率的方差;wij 為空間權重矩陣的(i; j)元素，本文采用二進制權重，即當 i 和 j 地區相鄰時，權重矩陣元素取1，否則取0;∑i = 1 n ∑j = 1 n wij 為所有空間權重之和;Moran’s I取值區間為[-1,1]，越接近于 1，表明空間正相關性越強;越接近于-1，空間負相關性越強;Moran’s I 接近于 0，說明空間分布是隨機的，不存在相關性。

　　2.3 空間計量模型

　　傳統經濟計量模型對研究對象存在空間均質性、獨立同分布等嚴格的前提條件，且在呈現明顯空間相關性的情況下，往往導致估計結果不準確，與實際存在較大偏差。而空間計量模型能夠充分考慮經濟社會中地區之間的空間依賴性和空間相關性，準確反映交通運輸全要素碳排放效率的影響因素。典型的空間計量模型包含空間滯后模型(Spatial Lag Model，SLM)和空間誤差模型(Spatial Errors Model，SEM)。其中，SLM 主要探討周邊地區經濟行為直接對系統中某地區交通運輸碳排放效率產生的影響，即是否存在空間溢出效應;SEM 主要研究地區間的相互關系通過誤差項的結構關聯來實現的情況。根據Anselin提出的判定準則[21] ，本文最終選擇構建SLM模型研究交通運輸碳排放效率的影響因素，為消除異方差的影響，建立雙對數空間計量模型為：

　　ln ctei,t = αi + β1 ln popi,t + β2 ln inci,t + β3 ln inti,t +β4 ln ln ti,t + β5 ln faci,t + β6 ln psti,t +δ∑ j Wij ln(ctei,t ) + μi,t (3)式中 ctei,t 為第i省份t年的交通運輸全要素碳排放效率;αi 為常數項;β 為回歸參數，反映了各影響因素對交通運輸碳排放全要素效率的影響程度; popi,t 、inci,t 、inti,t 、faci,t 、psti,t 分別表示人口規模、收入水平、交通運輸強度、節能技術水平、要素稟賦及交通運輸結構;δ 為空間回歸相關系數，反映的是交通運輸碳排放全要素效率的空間依賴性，即相鄰區域對本區域的影響程度;μi,t 為隨機擾動項。

　　2.4 變量選取與數據來源

　　由于西藏、香港、澳門及臺灣數據缺失，未作考慮。同時考慮到能源數據的欠缺，本文選取 2004- 2013 年中國 30 個省(自治區、直轄市)為研究單元。在投入指標方面，選取交通運輸業資本存量、勞動力、能源消耗為投入要素，其中交通運輸資本存量參考張軍[22] 、單豪杰[23] 的研究，采用“永續盤存法”估算;勞動力選用各省交通運輸行業從業人員數來表示;依據交通運輸業煤炭、汽油、柴油和天然氣等各種能源的消耗總量，采用標準煤系數統一折合成標準煤，以此表示能源消耗總量。在產出指標方面，選取交通運輸業增加值和二氧化碳排放量作為產出要素，其中二氧化碳排放量為非期望產出，根據聯合國政府間氣候變化專門委員會2006年公布的二氧化碳排放量估算方法進行計算。在空間計量模型中，本文在以往研究的基礎上[9-14，27] ，選取人口規模、收入水平、交通運輸強度、節能技術水平、要素稟賦和交通運輸結構6個指標作為中國交通全要素碳排放效率的影響因素。其中，收入水平采用各省人均收入表示;交通運輸強度，采用交通運輸行業綜合換算周轉量與各省地區生產總值的比值表示，反映該省交通運輸行業效率。綜合換算周轉量根據中國統計制度規定的客貨換算系數進行換算，換算系數如表1，其中，考慮到數據的可獲得性，水運統一采取“1/3”進行換算;節能技術水平，用能源強度倒數表示，表示交通運輸行業能源利用效率;要素稟賦采用資本和從業人員比值衡量;交通運輸結構采用旅客換算周轉量比 重表示。本文能源數據均來源于 2005-2014 年《中國能源統計年鑒》[24] ，增加值數據均來源于《中國國內生產總值核算歷史資料1952-1995》[25] 和2005-2014年《中國統計年鑒》[26] ，其它相關數據均來源于 2005- 2014年《中國統計年鑒》[26] 。其中，為消除價格因素的影響，價值量數據均采用第三產業增加值平減指數調整為以1978年為基期的不變價格數據。

　　3 碳排放效率時間趨勢與空間特征分析

　　3.1 碳排放效率空間差異與趨勢變動

　　通過 MAXDEA 軟件測算中國各省 2004-2013 年交通運輸全要素碳排放效率值。表 2 中給出了各省 10 年間平均全要素碳排放效率值，全國碳排放效率平均值為 0.731，最低為 0.437，最高為1.227，兩者相差2.8倍。從區域上看，東部各省平均值為 0.797，中部碳排放效率平均值為0.694，西部為0.692，東部交通運輸碳排放效率高于中、西部。交通運輸碳排放效率排名前5的省份為河北、山東、江蘇、青海和寧夏，且都處于生產前沿面及以上;排名后5位的省份依次為浙江、四川、湖北、新疆和云南。其中，接近前沿的以沿海東部省份為主，處于效率低端的主要分布在西部。可以看出中國各區域間全要素碳排放效率差異顯著，存在明顯的空間異質性。值得注意的是，位于中國西部的青海和寧夏的碳排放效率一直處于生產前沿。青海和寧夏人口規模一直處于最低水平，同時由于其地理資源環境限制，交通運輸資源稟賦同樣處于較低水平且較為穩定，這可能是其交通運輸碳排放效率高的主要原因;河北省處于生產前沿面以上是因為河北能源消耗主要來源于以礦產開發為主的工業行業，單位生產總值生產的碳排放量較小，交通運輸碳排放強度一直處于全國較低水平。而近幾年湖北省公路客、貨周轉量分擔率均呈現持續上升趨勢，鐵路運輸周轉量呈下降趨勢，交通結構的持續變化是導致湖北交通碳排放效率走低的重要原因。

　　從時間上看，2004-2013 年中國及東、中、西部交通運輸全要素碳排放效率的變化趨勢如圖 1 所示。可以看出，整體上中國交通運輸全要素碳排放效率變化趨勢符合典型的環境庫茲涅茨曲線(Environ-mental Kuznets Curve，EKC)，2005年前交通運輸碳排放效率增加，隨著中國經濟快速增長， 2005-2009年碳排放效率逐漸降低，2009-2013年交通運輸碳排放效率逐漸緩慢上升，總體表現為“U”型變化特征。區域間空間差異性呈現東部大于中西部的態勢。具體而言，各省交通運輸碳排放效率基本符合 “U”型特征。2005-2009年，交通運輸碳排放效率上升的省份有河北、貴州，下降幅度較大有北京和云南。2009-2013 年，碳排放效率上升幅度較大的有上海、新疆，下降幅度較大的為海南和甘肅(見圖 2)。

　　3.2 空間相關性分析

　　根據 2004-2013 年全國全要素碳排放效率，在二進制權重矩陣基礎上，運用 GEODA 軟件計算 Moran’s I，如表3。可以看出大部分年份的Moran’s I 在10%顯著性水平下通過檢驗，且Moran's I ≥ 0，說明相鄰地區之間存在空間聚集現象。同時，全要素碳排放效率空間正相關性整體上呈現遞減趨勢， Moran’s I適中，說明相鄰地區之間的空間相關性較為顯著。為準確測度各省份交通運輸全要素碳排放效率的空間聚集狀態及時間變化特征，利用GEODA 繪制2004年、2007年、2010年和2013年LISA圖，如圖3。可以看出，中國各省交通運輸全要素碳排放效率主要分布在“低-低”(L-L)象限，少量分布在 “高-低”(H-L)象限，說明中國大部分區域呈現“低低”聚集。2004年、2007年、2010年和2013年中，分布于“H-H”(H-H)和“L-L”象限的省份數量和占總省份數量的比重分別為65.51%、68.97%、72.41%和 62.07%，表明 2004 年至 2013 年中國交通運輸全要素碳排放效率在空間上主要體現為“H-H”和“L-L” 聚集，即相鄰省份碳排放效率呈現空間正相關，且這種正相關關系呈先上升后下降的趨勢。通過 LSIA 分析可看出：中國各省交通運輸碳排放效率空間分布特性基本處于穩定狀態。H-H 主要分布在河北、山東、江蘇、天津等東部沿海省份;L-L的分布于廣東、江西、四川、湖南、湖北、云南等中南華南片區和吉林、黑龍江等東北地區。H-L 的主要分布于青海和寧夏，呈現明顯的區間異質性、區內同質性特征。 4 空間計量模型分析 4.1 模型結果為科學選擇 SLM 和 SEM 空間計量模型，通過 MATLAB軟件對不考慮空間效應和時間效應的普通面板數據模型進行估計及檢驗，如表4所示。結果顯示，LM-lag 顯著性水平大于 LM-err，且 Robust LM-lag 在 1%顯著性水平下顯著，而 Robust LM-err 在5%顯著性水平下不顯著，依據Anselin等的判別準則[21] ，因此采用SLM模型。

　　通過空間相關性分析和LM檢驗，可以發現普通面板數據滯后項存在著明顯的空間相關性，空間因素對模型產生了重要影響。在此基礎上，本文采用無固定效應、空間固定效應、時間固定效應、雙固定效應和隨機效應SLM模型分別進行估計和統計檢驗，通過對比分析選取最優模型，定量甄別交通運輸碳排放效率的主要影響因素。表5(見694頁)是嵌套各種效應的估計和檢驗結果，從中可以看出，空間固定效應、雙固定效應和隨機效應的判定系數明顯高于無空間效應的SLM模型和時間固定效應的 SLM 模型，且雙固定效應 SLM 模型擬合程度最好(0.898);從對數似然函數值(log-likelihood， Log-L)來看，無空間效應的 SLM 模型 Log-L 值為 38.946，加入雙固定效應后，Log- L 值達到最高(314.935)，這也說明雙固定 SLM 模型的擬合結果最好;同時，雙固定SLM模型中W*dep.var在1%的顯著性水平下通過了檢驗，說明相鄰省份之間存在著顯著的空間依賴性。因此，本文依據雙固定SLM 模型分析交通運輸全要素碳排放效率的影響因素。

　　4.2 碳排放效率主要影響因素分析

　　雙固定SLM模型估計結果顯示，人口規模pop 和收入水平inc的系數分別為-0.442和-0.470，且分別在5%和1%的顯著性水平下通過檢驗，這說明人口規模、收入水平與交通運輸碳排放效率之間存在顯著負相關關系。隨著人口規模的增加和收入水平的提升，社會經濟活動和出行需求隨之增加，私家車數量急劇增長，交通運輸全要素碳排放效率降低。交通運輸強度int在1%的顯著性水平上對全要素碳排放效率的影響是負的。交通運輸強度的增大，會相應地帶來碳排放效率的降低。節能技術水平表示交通運輸能源利用效率，估計結果顯示，交通運輸節能技術水平與全要素碳排放效率呈顯著正相關關系，節能技術水平每上升1%，全要素效率將提高11.86%。目前中國交通運輸依舊以汽油、柴油等化石燃料消耗為主，純電動、混合動力、氫能源和生物燃料等新能源應用有待推廣，節能技術水平的提升有利于提升中國交通運輸碳排放效率。估計結果也表明隨著要素投入的增大，全要素碳排放效率將會降低。交通運輸是高投入行業，要素投入的增加可能導致投入的無效性增加，從而全要素碳排放效率降低。交通運輸結構對交通運輸全要素碳排放效率的影響為負。從交通運輸結構來看， 2004 年公路換算周轉量比重占總換算周轉量的 11.44%，2013 年為 31.56%，增長迅速，這表明中國公路在交通運輸中占有重要份額，且呈現逐漸上升趨勢。2004- 2013 年航空旅客周轉量比重增加 9.59%，同時借鑒國外航空運輸的發展經驗，未來航空運輸也將會以更快的速度發展。但是公路和航空運輸相較于鐵路、水路運輸方式，能源消耗強度高，碳排放效率相對較低，因而，未來交通運輸碳減排的一個重要方向將是交通運輸方式結構的優化。

　　5 結論及政策建議

　　5.1 結論

　　本文基于非期望產出的超效率SBM模型測度了中國各省交通運輸全要素碳排放效率，分析了碳排放效率的時空特征，并基于雙固定SLM模型探討了中國交通運輸全要素碳排放效率的主要影響因素。具體結論如下：

　　(1)交通運輸全要素碳排放效率測算結果顯示，中國交通運輸碳排放效率存在明顯的空間差異性，表現為東部高于中、西部。從時間變化上來看，整體上呈現典型的環境庫茲涅茨曲線，2005-2009 年呈現碳排放效率下降趨勢，隨著各種交通運輸碳減排政策的推行、交通運輸方式結構的優化、相關技術的推廣應用等，2009-2013 年交通運輸碳排放效率呈現緩慢上升的態勢。

　　(2)Moran’s I說明中國交通運輸全要素碳排放效率整體上呈現明顯的空間正相關性。通過LISA 圖分析，得出中國交通運輸全要素碳排放效率在空間上存在明顯的聚集狀態。其中，河北、山東、江蘇、天津等東部沿海省份體現為“H-H”聚集;廣東、江西、四川、湖南、湖北、云南等中南華南地區和東北地區普遍表現為“L-L”聚集;同時青海和寧夏地區表現為“H-L”聚集現象。

　　(3)雙固定SLM模型估計結果顯示，人口規模、收入水平、交通運輸強度、要素稟賦和交通運輸結構對交通運輸碳排放效率的影響為負，節能技術水平對交通運輸碳排放效率的影響為正。

　　5.2 政策建議

　　通過以上分析，未來中國交通運輸全要素碳排放效率提升應注重如下方面：

　　(1)繼續大力推進純電動、混合動力、氫能源等新能源汽車產業的發展，推動新能源在公共交通、大型客車貨車等領域的應用。

　　(2)優化運輸組織方式，提高運輸組織效率，推進多式聯運、甩掛運輸等新型運輸組織方式，推廣集裝箱運輸、箱式貨運等運輸形式，降低單位交通運輸強度，提升全要素碳排放效率。

　　(3)優化交通運輸結構，大力發展水路運輸、重載鐵路貨運，大力推動軌道交通、大容量公交等低碳環保交通方式，推進低碳交通運輸體系建設。

　　(4)中國各地區交通運輸碳排放效率存在顯著的差異性，需要綜合考慮各地區的經濟發展階段、產業結構、資源稟賦、交通運輸結構等因素，制定差別化的交通運輸碳減排政策。