周期性流动性冲击、交通碳低谷与跨期位移：基于中国春节的模型诊断

《Energy》：Periodic mobility shocks, transport-carbon troughs, and intertemporal displacement: Model-based diagnostics from China's Spring Festival

　　•一个固定的、基于模型的常规情景反事实重构了春节期间的二氧化碳偏差。
•指标追踪收缩、恢复缺口、累计损失和正向偏差。
•国庆节将弱核心事件与正向全窗口平衡区分开来。
•序列分析区分持续缺口、后期抵消和正向主导。
•2023年抵消份额稳定在50个百分点-天；2024年份额随阈值变化。

引言

减少交通排放是实现碳中和政策的核心挑战。交通部门仍然是化石燃料二氧化碳排放的主要来源，中国快速的机动化和基础设施扩张使得协调出行需求与减排目标变得更加困难[1], [2], [3]。现有证据还表明，交通相关排放具有空间不均质性和时间变异性，反映了城市形态、产业结构、收入水平和出行行为的差异[4], [5], [6]。

交通脱碳取决于技术变革和塑造出行需求的条件。近期研究表明，车辆电气化、补贴设计、物流组织、建成环境约束和区域政策条件共同决定了减排的节奏和限度[7], [8], [9], [10], [11]。同时，来自2019年冠状病毒病（COVID-19）大流行的高频证据表明，当出行限制和经济活动在短期内发生变化时，交通排放可能迅速变化[12], [13], [14]。这些短期波动并不等同于结构性脱碳，因为一旦临时约束解除，经济活动可能恢复甚至再次上升[15], [16], [17]。节假日期间周期性的交通碳低谷带来了跨期核算问题：区分临时性排放转移与持久性脱碳，需要一个常规情景诊断工具，将排放缺口与收缩及后续抵消的时间顺序联系起来。

中国春节等重大公共节假日提供了一个可重复的检验场景，可用于考察这一区分。春节是提前安排好的，但伴随大规模跨区域客流、工业活动的临时暂停以及物流运营的短期重组。与意外危机不同，节假日是可预期的；与普通周末不同，节假日伴随着出行的集中变化，随后是分阶段的人员返程、物流恢复和需求回升。因此，本研究不将春节视为直接的政策干预，而是将其视为一个可预期的出行冲击，提供了一个观察省级交通碳系统围绕既定事件收缩、恢复和再次上升的检验场景。在其他经济体中，圣诞节、暑假期间、宗教节日和重大活动日历也会出现类似的可预期中断；因此，本研究将春节作为更广泛的一类周期性出行冲击的可观察案例，而非一个文化上孤立的事件。

春节出行高峰发生在区域差异化的交通系统中。国家级交通枢纽和货运走廊承担跨区域流量，而沿海制造业地区、旅游省份和重工业基地在节后面临不同的复工复产条件。供应链研究表明，冲击可以通过生产和物流网络传播，交通网络研究强调恢复取决于连通性、冗余性和需求恢复[18], [19], [20], [21], [22]。这证明了省级分析尺度的合理性。观测结果是一个基于活动代理指标的地面交通二氧化碳估算值，该估算值整合了客运出行时间、货运活动和区域复工复产，但现有数据无法分离这些组成部分。

当前方法在将短期节假日窗口偏差与正常日历变化分离方面仍面临困难。高频排放研究记录了COVID相关的下降和后续上升，但往往关注总量变化而非有序的冲击-恢复路径[13], [14], [15]。出行行为研究观测出行次数、活动模式和交通方式使用的变化，而可比的每日行为指标在中国各省份并不一致可得[23], [24], [25]。基于模型的反事实拟合可以重构排放序列的常规情景基准，从而为分类排放偏差的时间顺序提供基础[26], [27]。

为解决这些不足，本研究基于中国省级每日地面交通二氧化碳估算值构建了一个综合实证框架。旨在回答三个相关问题。第一，相对于经COVID调整的常规情景基准，春节窗口排放偏差有多大？第二，如何将该偏差分解为下降严重程度、恢复缺口、累计损失和正向偏差？最后，事件后的正向偏差是否抵消了先前的累计排放缺口，还是发生在没有先前累计缺口的情况下？通过回答这些问题，本研究做出了四项主要贡献：

（1）将节假日窗口概念化为可预期的交通碳压力测试：本研究将春节视为一个计划内的中断，围绕该中断可以诊断收缩、恢复和正向偏差。分析将节假日视为交通碳调整时机的重复性诊断压力测试，并表明当收缩、恢复和正向偏差序列被明确化时，同一排放低谷可以具有不同的含义。

（2）开发经COVID调整的时空常规情景反事实：超越静态历史比较，本研究使用叠加历元分析（SEA）定义事件边界，并在干净窗口上拟合轻量梯度提升机（LightGBM），以在空间共动、日历效应和疫情严格度条件下重构常规情景反事实。重构的反事实为比较各省份和年份之间节假日窗口排放路径的规模和时机提供了共同基准，并允许相对于拟合的常规情景基准量化跨期转移。

（3）将收缩深度与恢复阶段排放动态分离：不再依赖总量减排或轨迹聚类，本研究构建了四个交通碳响应指标，以区分初始收缩、剩余恢复缺口、累计负向偏差和正向偏差。四维剖面使得可以比较各省份和年份之间同一节假日响应的深度、持续性和事件后符号。常规情景重构、四指标分解和序列分类共同建立了一个序列敏感的跨期核算框架，而非单一反弹指标。

（4）区分正向偏差幅度与时间抵消：通过重构常规情景负向和正向偏差的累计顺序，本研究区分了持续净缺口、缺口后完全抵消路径以及没有先前累计缺口的正向主导路径。这种基于序列的区分表明，同一正全周期平衡可以具有不同的跨期含义，取决于是否先发生了实质性缺口。

本文其余部分安排如下。第2节回顾计划中断周围出行行为和交通碳响应、短期冲击的高频监测，以及恢复和抵消的时间解释。第3节介绍常规情景基准、四个交通碳响应指标和序列转移定义。第4节报告春节的实证结果和省份-年份响应剖面。第5节评估时间顺序、跨规格稳定性以及由此产生的响应体制的治理含义。第6节总结对交通碳监测和跨期协调的启示。

章节片段

文献综述

本节回顾直接支持实证框架的三类文献：计划中断周围出行行为和交通碳响应、短期冲击的高频监测，以及具有序列敏感解释的反事实常规情景重构。

方法

实证框架诊断周期性出行中断周围的省级交通碳响应。如图1所示，框架由四个关联模块组成：（1）使用自相关函数（ACF）和叠加历元分析（SEA）诊断事件边界；（2）通过LightGBM、滚动原点验证和安慰剂诊断构建经COVID调整的常规情景基准；（3）制定四个交通碳响应指标；（4）评估跨期

数据分析与处理

本研究使用Carbon Monitor提供的2019-2024年省级每日地面交通二氧化碳估算值。Carbon Monitor从活动数据代理指标推导这些估算值[13], [31]。附录C中的表C1提供了基于交通运输部发布数据编制的省级月度公路客运量表的月度尺度外部一致性检验。该检验评估与独立客运活动的月度对应关系，而非每日常规情景轨迹或省级

序列跨期转移结果与讨论

前述实证结果表明，春节响应不能简化为单一的下降-恢复曲线。四维指标分离了收缩、期末恢复缺口、累计损失和正向偏差，序列结果确定了这些成分是否以与后期抵消一致的时间顺序发生。

主要发现

本研究开发了一个基于模型的框架，用于诊断周期性出行中断周围的省级地面交通二氧化碳响应。SEA表征相对于历史残差基线的事件中心排放模式，而LightGBM模型重构经COVID调整的常规情景轨迹以量化省级排放偏差。结果表明，交通碳响应不仅由节假日低谷的深度定义，还由

CRediT作者贡献声明

Chunyan Dai：写作——审阅与编辑，验证。Wen-Long Shang：写作——审阅与编辑，验证，资源，项目管理。Zhen-Song Chen：写作——审阅与编辑，验证，项目管理，资金获取。Peng He：写作——原稿，软件，方法学，形式分析，概念化。Yi Yao：写作——原稿，可视化，资源，形式分析，数据管理。Kim Hua Tan：写作——审阅与编辑，验证

数据声明

本研究使用的数据随附数据文件提供。Carbon Monitor地面交通序列可从https://carbonmonitor.org/获取，牛津COVID-19政府响应追踪器可从https://github.com/OxCGRT/covid-policy-dataset获取。附录C表C1中使用的省级公路客运统计数据汇编自交通运输部政府信息门户（//xxgk.mot.gov.cn/）发布的月度省级公路运输表。

伦理声明

本研究基于汇总的二手数据，不涉及人类受试者或个人身份信息。

生成式人工智能和AI辅助技术写作过程声明

在准备本工作期间，作者使用ChatGPT改善语言的流畅性和可读性。此后，作者根据需要彻底审查和编辑了内容，并对出版物的所有方面承担全部责任。

资金

本研究受重庆市教育委员会科技研究计划项目（KJQN202300849）、国家自然科学基金（72571203）和重庆市自然科学基金（CSTB2025NSCQ-GPX0800）资助。

利益冲突声明

? 作者声明，他们不存在已知的竞争经济利益或个人关系，可能影响本文报告的工作。

Peng He|Yi Yao|Kim Hua Tan|Chunyan Dai|Wen-Long Shang|Zhen-Song Chen