长江经济带工业碳排放绩效测度及分析★

吴雨昕， 兰国辉

（安徽理工大学 经济与管理学院， 安徽 淮南 232001）

0 引言

在19 世纪工业革命之后，温室气体例如二氧化碳的大规模释放被看作造成全世界天气恶化的主要原因。二氧化碳和温室气体的总排放量大部分来自化石能源消耗和人类活动，其中能源是一个国家的经济和社会发展的关键因素之一，因此，国际上对此问题的研究逐渐增多，也愈发受到国际社会的关注。

当前，在社会经济高速发展和人民生活水平不断提高的过程中，我国的能源消费碳排放量呈持续上升态势[1]，污染防治和环境治理是需要跨越的一道重要关口。《中国生态环境统计年报》指出，2020 年全国二氧化硫排放总量的79.6%是工业源二氧化硫，因此，降低工业活动的碳排放量对实现国家减排目标具有重要意义。提高工业碳排放效率，已经成为推动我国绿色、低碳和高质量发展的重要途径。不仅如此，长江经济带是我国最大城市群，横跨东中西三部，既是国家经济的核心和活力所在，又是我国持续发展的关键区，如何保护生态环境并稳定长江经济带的经济健康发展是当下亟需解决的。在低碳发展、绿色发展的大背景下，对长江经济带的工业碳排放状况及各省份之间的差距进行研究，将为今后的产业发展提供科学的理论基础和借鉴，并对我国其他区域的碳减排工作起到一定的促进作用。

1 文献综述

碳排放绩效不是通过直观的感觉和经验，而是利用数据建立计算和模型进行分析，国内外学者对其进行了大量的研究。现有研究主要以能源结构[2]、碳排放强度[3]、能源消耗强度[4]等作为主要评价指标，但这些指标往往仅体现了碳排放量和某个变量间的关联，而不能把环境和经济联系在一起。利用数据包络分析法测度的绿色全要素碳排放绩效指标更加全面，可以将非期望产出纳入从而得到绿色全要素生产率。目前的相关研究成果可粗略分成二类，一类是应用DEA的静态碳排放绩效评价方法，如刘利平等[5]构建了以投入要素作为导向的CCR 和BCC 模型，对我国农业碳排放效率进行了测度；任俊等[6]利用非参数三阶段DEA 方法衡量碳排放绩效；徐国泉等[7]运用三阶段SBM-DEA 模型对江苏省十二个城市进行测算；另一类是在DEA 的基础上使用Malmquist 指数得到动态的碳排放绩效指标，如王刚[8]使用超效率DEAMalmquist 方法对湖北科技投入产出效率进行评估。

以上的资料对碳排放测度有着一定的启迪意义，但是也有一些有待改进之处，首先，由于目前的研究都集中在省际间，所以长江经济带内各省间的碳排放绩效还需要继续完善和研究；第二，从模型选取方面出发，例如采用SBM模式衡量碳排放绩效时在计算过程中缺失效率与前沿投影值的原始比例数据，从而导致了效率数值具有丢失可能，被评价DMU 的投影点也是在前沿中离被评估DMU 最远的一个点，这是较不合理的。基于此情况，本文结合已有的研究，决定采用非期望产出的Super-EBM 模型及Global-Malmqusit-Luenberger 指数法对长江经济带的工业碳排放绩效进行测度，分别以静态和动态的视角分析，并使用Tobit 模型对其驱动因子研究。

2 研究方法和数据处理

2.1 研究方法

EBM-DEA 模型，是一种综合了考虑径向和SBM两个距离函数的混合模型。该模型不但克服了传统数据包络分析中未能顾及松弛变量，并且损失效率前沿投影值与原始比率数据信息的问题，也同时克服了对各个处于前沿区域内的决策单位进行对比问题，给决策单位绩效衡量创造了一个全新方式，但因为传统EBM模式测量的有效单元效率值为一，因此无法深入的分析与有效评价单元之间的绩效差距，所以Andersen 等[9]提出了Super-EBM模型即超效率EBM 模型，由于把非期望产出纳入到测算框架，基于非期望产出的、非导向的超效率EBM模型，其公式为：

假设所计算的决策单元为DMU，则在上式中y*为规模报酬可变EBM 模型的最佳效率；φ 为产出要素扩大比重；θ 为径向规划参数，εx作为径向与非径向松弛条件的关键参数，其满足0≤εx≤1。εy、εb为关键参数；bpj为决策单元j的第p类的非期望产出；bpk为决策单元k的第p类非期望产出。si-为投入要素i个的松弛变量；j为决策单元；n为决策单元总数；wi-为投入指标的重要程度，其满足；xij和yrk分别为决策单元k的第i类投入和第r类产出；m和s分别为投入和产出的数量；λj为线性组合系数式中，sr+为第r类期望产出的松弛变量；spb-为第p类非期望产出的松弛变量；wr+和wpb-分别为两者的指标权重；q为非期望产出数量。

将DEA 和GML 指数结合，可对生产效益的动态变化进行研究分析，借鉴已有的研究，构建GML 指数如下：

2.2 指标选择与数据来源

考虑到数据的滞后性和可得性层面，本文选择了年长江经济带11 个省（市）有关统计资料加以分析，所用的指标资料大多来源于国家统计局和各省(市)统计局2011—2021 年的统计年鉴，缺少的数据资料则通过线性插值法加以补充。投入、产出指标的具体情况如表1 所示。

表1 工业碳排放绩效投入、产出指标统计表

投入的指标中固定资产投入、能源消耗和工业从业比例，分别从经济、自然和社会的方面加以分析；生产指标中的工业生产增加值，是指企业在当年度生产的产品其货币化的成果，并在扣减整个生产过程中所耗费以及使用过的实际产品和劳务的价格后的总金额，因此工业生产增加值也是评价企业生产效益的一项关键因素，应将之视为预期产出。把碳排放量视为非预期产量，其数据以各地区2010—2020 年的工业能源消耗为基础进行折算，具体系数如表2 所示。

表2 碳排放量估算相关系数

3 实证分析

3.1 静态工业碳排放绩效分析

研究应用了MAX-DEA 8.0 软件，并采用包含期望、非期望产出的Super-EBM模型，对长江经济带十一个省（市）2010—2020 年的碳排放效率进行测度，具体效率值如表3 所示，综合技术效率反映了当前技术水平对于碳排放绩效的影响程度，由表3 可以看出长江下游碳排放绩效处于生产前沿面，长江中游次之，长江上游的工业碳排放绩效水平不尽人意。其中，浙江省的碳排放绩效最高，在2010—2020 年的碳排放绩效始终保持有效并且大于1，整体均值更是达到了1.050；其次是湖南省的碳排放绩效，2012—2020年碳排放绩效达到了0.998，表明了湖南省在研究期内表现较好，但仍有上升空间；其他省份如上海、江苏、湖北、湖南、江西、重庆的碳排放绩效在部分年份综合技术效率值大于1，证明这些地区在提高碳排放绩效上有很大潜力。而贵州、安徽、四川、云南的碳排放绩效表现则相对较差，其中安徽省是中国煤炭能源的重要产地，污染严重，是其工业生产效率低的主要原因；四川省、贵州省、云南省的碳排放绩效不理想的主要原因可能是其地理位置上需要更注重生态保障，并且这三个省份的工业化程度相对较低，交通运输能力较差、工业经济规模较小造成碳排放绩效不好；云南省的碳排放绩效最低，均值仅有0.584，具有很大提升空间。总的来说，长江经济带的总碳排放量在持续增长，但大部分省份的碳排放绩效表现欠佳，仍有较高碳减排的潜力，应当注重劳动人口、资本、能源消耗的合理分配。

表3 长江经济带各省份碳排放绩效

为更好地分析长江上中下游碳排放绩效之间的差异，将2010 年和2020 年各省份单独观察并借鉴学者查建平[10]对工业碳排放绩效的等级划分，并结合本文的情况，碳排放绩效在0.6 以下的定为低水平碳排放绩效，反之定为高水平碳排放绩效，根据此划分可得各省工业碳排放绩效等级分布。可以得出2010 年高水平碳排放绩效区主要分布在长江下游，低水平碳排放绩效区主要分布在上游。中游仅有两个省份绩效大于1；2020 年高碳排放绩效区从下游扩散至中游及接近中游地区的重庆。碳排放绩效区的分布呈现由东向西、由南至北的演化趋势。

3.2 动态工业碳排放绩效分析

采用包括时间变量的面板数据，以更好地理解分析区域与技术、规模之间的变化关系，利用GML 指数模型测算得到全要素生产效率指数即动态工业碳排放绩效以及其分解项科技效率变化指数、科技进步指数，通过图1 考察历年碳排放绩效动态变化情况可知，从动态层面来看，工业碳排放绩效与技术进步的变化趋势类似，因此可以推论工业碳排放绩效增长的动因主要来自工业科技发展。长江经济带碳排放绩效总体呈N 型变动，即先下降，后上升，再下降。可以看到碳排放绩效在2011—2018 年间稳定增长，2011 年是“十二五”的第一个年头，在这个时期内长江经济带的碳排放成绩一直平稳递增，而后2015—2018 年间提升迅速，这离不开“十二五”建立的良好基础，此外，2015 年正式实施了《环境保护法》并制定了“十三五”环保规划，这一阶段的迅速增长说明该政策针对区域性城市碳排放绩效有显著效果，在环境保护、工业科技发展等方面对工业碳排放效率产生了积极作用，提高了工业现代化和科技化水平，因此研究区域的工业碳排放效率开始提升。2019 年开始出现碳排放绩效倒退，形成一个倒U 曲线，将2017—2020 年各省份工业碳排放绩效指数变化情况列出如图2 所示，从各个省份碳排放效率的分解结果来看，研究期内安徽、湖北、湖南、江西、贵州、云南的纯技术效率值偏低，造成了整体碳排放绩效下滑，表明这6 个省份应当更加注重先进科学技术和新能源产品的引入，以科技创新来改善碳排放效率；而江苏、浙江、江西和湖北这四个区域的规模效率偏低，没有发挥规模效应,应该改善管理方式、提高技术水平,在保证经济增长的同时减少不必要的投入，着重优化固定资产投资结构，让投资更多用于生态环保领域，完善碳减排设备。

图1 长江经济带工业碳排放绩效及其分解项

图2 长江经济带各省份技术效率指数分解情况

4 长江经济带工业碳排放绩效驱动因素分析及建议

4.1 Tobit 模型构建

为了更进一步分析影响长江经济带工业碳排放绩效的因素，去除经济评价体系中的投入产出指标，再借鉴以往研究，并遵循数据可获得性原则，选取部分指标以超效率EBM 的结果为被解释变量进行分析，给出具体指标，如表4 所示:

表4 变量选取

根据以上数据，构建Tobit 模型，公式如下：

式中：t为年份；β0为常数项；β1～β5为回归系数；εit为误差项。

采用Stata16.0 软件完成求解，基于固定效应的面板Tobit 建模会产生不一致问题，为了保证最终结论数据的真实性，本文先用混合效应Tobit 模型完成回归解析，继而再使用随机效应的Tobit 建模完成返回解析。LR 检验结论强烈拒绝原假设，指出存在个体效应，并引入了随机效应的Tobit 模式。另外，论文中还选择了固定效应模式为参照，回归结论如表5 所示。

表5 长江经济带碳排放绩效影响因素回归结果

4.2 回归结果分析及建议

表5 显示，地区水平、基础水平的提升对碳排放绩效的提高有所帮助，很有可能是因为企业、科研机构、高等院校是R&D 活动的三大执行主体，其中企业R&D 的密集度越高，说明企业的创新力越强，可以很好地推动该省跨过创新型经济体门槛，而工业化率是工业转型能力提升的关键因素，会对产业的健康发展产生一定促进效果，侧方面反映出了样本地区的科研技术水平，而能源结构也对工业碳排放绩效有着很重要的负向影响，也就是说煤炭资源占用比越大，反而越是不利于产业碳排放绩效的提升，所以，长江经济带的城市群在经济发展过程中要根据当下状况提高资源转换效率，从而促进煤炭资源利用与新能源的优化组合，为中国经济社会的继续健康地蓬勃发展提供了良好的前提条件。科技水平同样对工业生产效率具有负向影响且该影响在统计上显著，说明当前长江经济带的工业企业研发经费投资仍然不足，工业自动化、机械化水平需要进一步提高。生产水平对长江经济带碳排放绩效也具有负向的影响，企业产成品的影响主要作用在经济发展上，其数值越大，越能够促进当地工业产品的生产效率，但过度增加生产效率而不注重收益方面的优化，将会对碳排放绩效产生负面影响。

5 研究结论

本文基于2010—2020 年长江经济带11 个重点城市的面板数据，借助超效率EBM模型测算碳排放绩效，建立动态面板数据GML 模型分析影响碳排放绩效的因素，得到了以下主要结论，在此基础上提出相应的政策建议。

5.1 结论

首先，长江经济带的碳排放数量总体呈现持续增长态势，下游区域的碳排放数量已超过中游、上游区域。就地区排放增长速度而言，中游区域的碳排放量平均速度明显领先于其他区域。

其次，城市碳排放绩效出现倒“U”曲线，说明大部分区域存在资源浪费、生态环境污染等现象。

5.2 政策建议

首先，在科学发展观的指引下，政府要对各个区域的碳排放进行综合评价，实现区域间的产业协作和协调发展，将高碳的行业转移到符合当地资源禀赋的区域。例如，新安江开展上下游水环境补偿，进行跨区域补偿的有益探索。

其次，采用“引导”与“治理”相结合的方式，一方面，依据区域特有的环境资源、人口资源、技术资源等资源，对区域的发展进行比较优势的识别，从而指导行业的发展；另外，要有针对性地解决碳排放问题，比如建立防护林制度、退耕还草等。长江中上游和下游区域的碳排放特性存在很大差异，在治理过程中不同区域要有不同方法。

再次，长江经济带是国家经济重心所在，我国粗放型、高能耗型发展模式也影响着长江经济带的绿色经济发展，碳减排的工作任重而道远，长江经济带可以根据不同地理位置划分为上中下游，上中下游城市之间又有不同的产业结构特征，各区域需要合理开展碳减排的工作，避免操之过急使经济付出难以承受的代价，尤其是下游、中游省份应加速节能减排进程，具体来说：下游省（市）应在政府引导下，利用雄厚经济基础、社会累积资本建设更多产业园，提升减碳技术，同时完善环境规制政策和技术创新机制，有条不紊地削减工业用煤量，逐渐引入绿色能源因地制宜。中游省份应在政府的引导下，引入更多适龄劳动人口，并借鉴东部地区经验，以发展较快的城市带动周边，打造产业链条更长、技术创新明显的合作型工业带，实现低能耗、高经济增长方式的转变；上游省份应加强素质教育，优化人才政策，吸引人才和避免人才外流，加快跨区、跨省的交通建设为经济发展打好基础，并实施环境规制，促进产业结构升级。