考虑技术效率的碳排放驱动因素研究

檀勤良，张兴平，魏咏梅，许倩楠

(华北电力大学经济与管理学院，北京 102206;北京能源发展研究基地，北京 102206)

考虑技术效率的碳排放驱动因素研究

檀勤良，张兴平，魏咏梅，许倩楠

(华北电力大学经济与管理学院，北京 102206;北京能源发展研究基地，北京 102206)

利用距离函数和数据包络分析法测度要素相对效率，在此基础上构建了碳排放因素分解模型，该模型可以从13个方面来分析碳排放变化的驱动因素。实证研究表明，7个因素导致中国碳排放的减少，尤其是能源强度的降低和能源利用技术水平的提高。其余6个因素导致中国碳排放增加，尤其是人均资本的变化和资本技术效率的降低。

碳排放;距离函数;数据包络;因素分解

一、引言

二氧化碳排放对全球气候产生了重要的影响，许多学者利用因素分解方法识别引起二氧化碳排放变化的影响因素，其中指数分解(IDA)和结构分解法(SDA)是两种最常用的方法，被大量应用在碳排放驱动力的研究中，如表1。SDA以投入产出模型为基础，因而数据的收集依赖于能否获得投入产出表。事实上投入产出表不是每年都编制，因而SDA的应用收到了限制。IDA以指数理论为基础，一般只需要部门数据，数据的收集相对于结构分解法比较容易;同时在分解过程中可以采用加法和乘法的形式，因而在应用中更加灵活。由于迪氏对数指数分解模型(LMDI)有效地解决了分解中的剩余问题和数据中的零值问题，因而得到了大量的应用。对我国碳排放进行因素分解的研究文献见表1。

表1 碳排放因素分解方法及分解结果

近年来，一些学者利用距离函数和数据包络分析法进行因素分解，由于这种方法建立在生产理论的基础上，Zhou和Ang［1］称之为基于生产理论的因素分解法 (PDA)。与SDA/IDA相比，PDA方法的具有3个突出的优点:一是可以反映多种投入和产出要素技术效率对碳排放的影响;二是该方法利用总量数据就可以进行因素分解，因而数据收集更加容易;三是拥有比较好的特性:可以通过因子互换检验 (factor reversal test)和时间互换检验 (time reversal test)，并能有效地解决分解中的剩余问题和零值问题。而在指数分解法中，只有LMDI和refined Laspeyres指数两种形式可以通过全部的3个特性的检验。Zhou和Ang［1］为能源投入和碳排放定义了一个投入距离函数，然后构建了包括一个投入要素 (能源)和两个产出 (GDP和CO2)的数据包络模型，利用数据包络模型对投入要素和碳排放的技术效率进行测算。因而可以从7个方面来分析碳排放变化的驱动因素和驱动程度。其分析结果说明，减排技术变化和能源利用技术变化是导致中国碳排放减少的主要因素，样本期内 (2002-2004)分别导致碳排放减少11.66%和8.02%。而经济增长和碳排放技术效率变化是导致碳排放增长的主要因素，分别导致碳排放增加34.71%和21.18%;碳排放强度和碳因素的变化分别导致碳排放增长5.4%和3.14%;能源利用技术效率没有发生变化，因而对碳排放变化没有影响。文献 ［2］为经济产出 (GDP)定义了一个产出距离函数，并利数据包络模型对相关技术效率进行测算，将引起碳排放变化的因素归纳为7分方面。基于我国1991-2006年的省际面板数据分析表明:这7个因素对碳排放变化的影响存在着较大的地区差异，对不同的省份具有不同影响力。但整体上看，经济增长是碳排放增加的关键因素，导致碳排放增加 11.59%;劳动-碳排放比导致碳排增长1.64%。资本-碳排放比导致了碳排放减少了3.79%，经济结构调整和技术进步导致碳排放分别减少1.03%和1.63%。该研究成果的突出优点是可以从区域的角度来详细分析引起碳排放变化的驱动因素。

本文在Zhou和Ang［1］的基础上，在数据包络模型中构建多投入-多产出模型。将GDP作为期望产出，将碳排放作为非期望产出同时引入模型，因为期望产出和非期望产出是同时产生的，这样更符合实际情况。投入包括能源、资本和劳动力。构建产出距离函数衡量GDP产出的技术效率，为能源投入、资本和非期望产出构建投入型距离函数，从而衡量其技术效率。这样将影响碳排放的因素分解为13个方面，充分揭示不同投入/产出效率对碳排放变化的影响，为决策者提供更详细的信息。在实证分析中，本文选择20个发展中国家进行分析，主要目的是从国际角度探讨引起我国碳排放变化的主要驱动力，通过国际比较，为我国的能源政策制定者提供参考。

二、研究方法

(一)距离函数及要素效率测算

Shephard距离函数被广泛应用于相对效率评价中。在时期t，首先定义一个生产可能集:St={(xt，kt，et，ct，yt):(xt，kt，et) 能生产出(ct，yt)}。其中，xt、kt和et分别代表劳动力投入，资本投入和能源投入，ct和yt分别代表CO2排放和国内生产总值 (GDP)。

St满足以下3条性质:

对于非期望产出，定义一个投入导向距离函数:

i=1，2，…，N为决策单元，i'为被评估单元;s，t∈ {0，T}表示不同的时期。

(二)碳排放因素分解模型

对于决策单元i，从时期0到时期T的CO2排放变化可以表示为:

以时期0的生产技术为参考，在式 (5)中引入投入和产出要素效率，则CO2排放变化可以分解为9个部分:

式 (6)将引起碳排放变化的因素分为九个部分。第一部分为潜在的碳因素变化 (PCFCH0i)。碳排放与能源消费的比值被称为碳因素，在本部分中，利用碳排放效率对碳排放进行调整。从时期0到时期T，如果碳排放效率提高将导致潜在的碳因素变化加大，从而碳因素变化对碳排放变化的影响将增大。相反，如果碳排放效率降低将导致潜在的碳因素变化变小，从而碳因素变化对碳排放变化的影响也将减弱。第二部分，由于能源强度被能源使用效率调整，因而可以解释为潜在的能源强度变化 (PEICH0i)。从时期0到时期T的能源消耗效率的提高将导致潜在能源强度变化加大，因此能源强度对碳排放变化的影响也将加大。相反，从时期0到时期T的能源消耗效率的降低将导致潜在能源强度变化减少，从而能源强度对碳排放变化的影响也将变小。第三部分为潜在单位资本产出变化 (PGGCH0i)。利用GDP产出效率对GDP进行了调整，从时期0到时期T的GDP产出效率的提高将导致潜在单位资本产出变化加大，因而资本产出变化对碳排放变化的影响将加大。反之，从时期0到时期T的GDP产出效率的降低将导致潜在单位资本产出变化减小，因而资本产出变化对碳排放变化的影响也将变小。第四部分可以解释为潜在的人均资本变化 (PGPCH0i)。利用资本效率对人均资本进行了调整，从时期0到时期T，如果资本的效率提高，将导致潜在的人均资本变化加大，因而人均资本的变化对碳排放变化的影响也将加大。相反，如果资本的效率降低，将导致潜在人均资本变化减小，因而人均资本的变化对碳排放变化的影响也将减小。第五部分为人口变化(PCH0i)，反映人口变化对碳排放变化的影响。第六、七、八、九部分是测量投入或产出效率变化的因素，可以分别解释为碳排放效率变化 (CETECH0i)、能源利用效率变化 (EUTECH0i)、资本利用效率变化 (KUTECH0i)和经济产出效率变化(TFPCH0i)。如果所有的投入、产出的效率都等于1，则式 (6)就是式 (5)。

式 (6)可以表示为:

如果用时期T的生产技术作参考，类似式(7)，碳排放变化可以分解为:

根据Färe等［17］的思路，为避免时期选择的随意性，取式 (7)和式 (8)的几何平均数，则碳排放变化可以分解为:

式 (9)可以表示为:

Färe等［17］利用距离函数将效率的变化分解为技术效率变化和技术变化。类似地，可以将式 (9)的最后四个Malmquist指数进一步分解为:

式 (11)右边第一个因素测量CO2排放技术效率变化 (CEECHi)，第二个因素为碳排放技术变化(CATCHi)。式 (12)右边的第一个因素测量能源消耗技术效率变化 (EUECHi)，第二个因素为能源使用技术水平变化 (EUTCHi)。式 (13)右边的第一个因素测量资本技术效率变化 (KUECHi)，第二个因素为资本技术变革 (KUTCHi)。式 (14)右边的第一个因素测量GDP生产技术效率变化 (TFECHi)，第二个因素为GDP生产技术变革 (TFTCHi)。

综上所述，碳排放变化可以分解为13个因素，如式 (15)。这13个因素可以从五个方面反映碳排放变化的驱动力:经济效应、技术效应、效率效应、结构效应和人口效应。其中，经济效应是指由于经济增长导致碳排放的变化，用潜在的资本产出变化 (PGGCH)和人均资本变化(PGPCH)来反映。技术效应主要是指技术水平变化对碳排放变化的影响，包括能源利用技术水平变化 (EUTCH)、GDP生产技术水平变化(TFTCH)、减排技术水平 (CATCH)和资本技术水平的变化 (KUTCH)。效率效应主要是指由于效率改变导致的碳排放变化的影响，包括:能源使用技术效率变化 (EUECH)、资本技术效率变化 (KUECH)、碳排放技术效率变化 (CEECH)、GDP生产技术效率变化 (TFECH)和潜在的能源强度变化 (PEICH)。结构效应主要反映能源结构对碳排放的影响，用潜在的碳因素变化 (PCFCH)衡量。人口效应主要是衡量人口变化(PCH)对碳排放的影响。

三、实证分析

本文选择包括中国在内的20个发展中国家作为研究样本，由于样本数据的可得性，样本期为2004-2009。以能源消费、资本和劳动力作为投入，国内生产总值 (GDP)和CO2排放量为产出。数据来源于世界发展指标数据库 (World Development Indicators Database)。为了使数据保持一致，价值型数据都以2000年不变价格折算。应用模型 (15)，20个发展中国家2004-2009年期间碳排放因素分解结果如表2。

表2 20个发展中国家2004-2009年期间碳排放因素分解结果

首先，将20个发展中国家作为一个整体来看，在2004-2009年碳排放平均增长22.17%。其中，肯尼亚、中国、印度、玻利维亚和巴拿马碳排放增长比较快，增幅均超过40%。多米尼加、洪都拉斯、斯里兰卡和菲律宾的碳排放只有微小的增加，而赞比亚的碳排放有所降低。总体上看，导致碳排放减少的驱动因素包括5个:潜在的资本产出变化 (PGGCH)、潜在的能源强度变化 (PEICH)、减排技术水平 (CATCH)、GDP生产技术水平的变化 (TFTCH)和碳排放技术效率变化 (CEECH)。这些因素导致碳排放减少的比例分别为:14.08%，5.24%，4.4%，1.79%，0.84%。结果表明，20个发展中国家整体上的技术水平在提高，尤其是GDP生产技术水平，从而资本产出水平大幅度提高，能源强度有了明显的降低。相反，潜在的人均资本变化 (PGPCH)、潜在的碳因素变化 (PCFCH)、人口变化(PCH)、资本技术效率变化 (KUECH)、资本技术水平变化 (KUTCH)、生产技术效率变化(TFECH)、能源使用技术效率变化 (EUECH)和能源利用技术水平变化 (EUTCH)8个因素是碳排放增加的驱动因素，分别导致碳排放增加比例 为:14.11%、 8.36%、 8.17%、 6.75%、3.89%、3.77%、3.08%、1.58%。因而这些国家的技术效率并没有得到明显的改善，因此发展中国家在提高技术水平的同时，更应该注重追赶效应。

其次，由表2也可以对每一个国家碳排放变化的驱动力进行国际比较，本文以中国为例。中国2004-2009年间CO2排放增加了49.74%，增长率在20个国家中仅次于肯尼亚，位列第二。相对于所分析的样本国家，导致中国碳排放减少的因素有7个。

(1)潜在的能源强度变化 (PEICH)使得我国碳排放减少11.69%，是导致我国碳排放减少的最关键的因素。在菲律宾、秘鲁、叙利亚、赞比亚和委内瑞拉5个国家中，潜在的能源强度变化起到了更明显的减排效应，分别使这些国家碳排放减少了 23.49%，18.18%，13.81%，11.88%和11.87。说明这些国家潜在的能源强度有更明显的降低。相反地，该因素导致智利、厄瓜多尔、伊朗、斯里兰卡和危地马拉5个国家碳排放增加，说明这些国家潜在的能源强度增加比较明显。

(2)能源利用技术水平变化 (EUTCH)导致我国碳排放减少10.09%，说明我国潜在能源利用技术水平得到了有效的提高。值得关注的是，能源利用技术水平变化导致菲律宾碳排放更大幅度的减少 (17.83%)。但该因素导致12个国家的碳排放增加，尤其是，导致肯尼亚碳排放增加了20.01%，说明这些国家能源利用技术水平在下降。

(3)潜在的资本产出变化 (PGGCH)使我国碳排放减少了7.06%。该因素导致19个国家碳排放减少，其中，使16个国家碳排放减少幅度超过10%，因而是绝大多数国家碳排放减少的重要驱动力。我国潜在的资本产出水平虽然有一定的提升，但相对于这16个国家而言，提升的效果很有限。

(4)GDP生产技术水平变化 (TFTCH)使我国碳排放减少了4.33%。该因素导致16个国家碳排放减少，说明这些国家技术水平得到改善。其中，该因素导致7个国家碳排放减少的幅度超过我国，尤其是，该因素导致阿根廷和玻利维亚碳排放减少的幅度超过10%，说明这两个国家GDP生产技术水平有了明显的提高。

(5)潜在的碳因素变化 (PCFCH)导致我国碳排放减少3.83%。该因素导致11个国家碳排放减少，说明这些国家单位能源的碳排放减少，能源结构得到改善。其中，该因素分别导致赞比亚、智利、玻利维亚和菲律宾碳排放减少了15.1%、8.68%、7.33% 和 6.78%，因此这些国家能源结构得到了更明显的优化。但该因素却导致了其他9个国家碳排放的大幅度增加，增加幅度超过了16%，说明这些国家能源更加依赖化石能源。

(6)碳排放技术效率变化 (CEECH)使我国碳排放减少了1.99%。该因素导致10个国家碳排放减少，说明这些国家的碳排放技术效率得到改善。尤其是，对阿根廷、危地马拉、伊朗和叙利亚4个国家有更明显的减排效应，分别达到9.43%、7.31%、6.87% 和 3.18% 的减排效果，因此这四个国家的技术效率得到了更好的提高。同时该因素导致其他9国家碳排放轻微的增加，但印度的碳排放技术效率明显的恶化，该因素导致印度碳排放增加了10.91%。

(7)GDP生产技术效率变化 (TFECH)对减少碳排放具有积极的作用，但驱动力较弱，导致我国碳排放减少1.66%。该因素对6个国家具有减排效应，但减排效果比较小，说明这些国家的生产技术效率得到了轻微的改善。但对于其余14个国家而言，该因素导致了碳排放的增加，说明大部分国家的生产技术效率在恶化，尤其是阿根廷和玻利维亚。

其他6个因素导致了我国碳排放的增加。

(1)潜在的人均资本变化 (PGPCH)是导致我国碳排放增加的最主要的驱动力。该因素导致13个国家碳排放增加，而且驱动力很强。特别地，该因素驱动肯尼亚碳排放增加88.6%;驱动我国碳排放增加59.95%，是驱动力最强的两个国家。说明这些国家潜在的人均资本增长比较快。相反，该因素导致7个国家碳排放减少，说明这些国家潜在的人均资本减少。

(2)资本技术效率变化 (KUECH)导致我国碳排放增加了10.78%。该因素导致13个国家碳排放增加，意味着这些国家资本技术效率在恶化，尤其是阿根廷等7个国家，该因素导致碳排放的增加超出了我国，这7个国家资本技术效率下降的程度比我国严重。相反，该因素导致了6个国家碳排放减少，说明这些国家资本技术效率提高了。

(3)资本技术水平变化 (KUTCH)导致我国碳排放增加了7.71%。该因素引起12个国家碳排放增加，说明这些国家资本技术水平在恶化。尤其是，委内瑞拉、智利、厄瓜多尔、玻利维亚和肯尼亚5个国家，其资本技术水平下降的幅度超过了我国，引起的碳排放增加幅度超过了9%。但该因素引起了其他8个国家碳排放的减少，说明这些国家资本技术水平在提升。

(4)减排技术水平 (CATCH)引起我国碳排放10.59%的增加。该因素引起8个国家的碳排放增加，说明这些国家的减排技术水平在下降，尤其是中国和阿根廷下降的幅度超过10%。但该因素引起了其他12个国家的碳排放减少，说明这些国家的减排技术水平在提高。

(5)能源使用技术效率变化 (EUECH)使我国碳排放增加了5.53%。该因素引起了11个国家的碳排放增加，说明这些国家的能源使用技术效率在降低。尤其是，巴拉圭、巴拿马、赞比亚、叙利亚、委内瑞拉、秘鲁和菲律宾7个国家，其能源使用技术效率更加恶化，导致了这7个国家碳排放增加了10%以上。远远超过了我国。但对于其余9个国家而言，该因素对减排具有积极效果，说明这些国家能源使用技术效率在提高。

(6)人口变化 (PCH)使我国碳排放增加了2.73%。对于所有的样本国家来说，人口增长都驱动碳排放增加，但其驱动力在中国是最小的，肯尼亚是最大的，该因素导致肯尼亚碳排放增加了14.04%。尽管该因素对我国碳排放增加的驱动力比较小，但由于我国城市化进程正在提速，城市人均能源消费比农村人均能源消费多1085.26千克标准煤［18］，因此倡导低碳的生活理念也是我国节能减排的有效措施。

四、结论

本文利用距离函数和数据包络分析法建立了碳排放因素分解模型，其突出的优点是可以分析不同投入和产出要素的技术效率变化和技术水平变化对碳排放的影响机制。该分解模型可以将影响碳排放变化的驱动因素分解为13个部分，从而可以揭示经济效应、技术效应、效率效应、结构效应和人口效应对碳排放的影响力。

本文选择包括中国在内的20个发展中国家进行实证研究，目的就是从国际视角来分析引起碳排放变化的驱动因素。相对于所分析的样本国家而言，驱动中国碳排放减少的主要因素归纳为3种效果:一是技术效应。我国能源利用技术水平和整体生产技术水平的提高促使了碳排放的降低;二是效率效应。主要表现为能源强度的下降、整体生产技术效率的提高、碳排放技术效率的改善;三是结构效应。可再生的清洁能源在我国得到了非常迅速的发展，因而能源结构的变化是导致我国碳排放减少的重要因素。

导致我国碳排放增加的主要因素可以归纳为4类:一是经济效应:我国经济持续快速的增长是导致碳排放增加的主要动力。二是技术效应:资本的技术水平和减排技术水平不高是驱动碳排放增加的重要因素。三是效率效应:资本的技术效率和能源使用技术效率导致了碳排放的增加。四是人口效应:人口的增长导致了碳排放的微小增长，其驱动力远不如其他因素明显。

这些导致中国碳排放增加的因素，也是今后我们应该加强的领域。因此今后我国节能减排的政策取向应该关注以下几点:一是提升资本的技术效率和技术水平，这就要改变目前粗放的增长模式，不断过渡到内涵发展的模式，提高资本的使用效率和技术水平，这对节能减排目标的实现具有重要的长效作用。二是提高能源使用技术效率和减排的技术水平，这种方式对于节能减排具有非常直接的效果。三是积极倡导低碳生活的价值观。我国人口基数大，城市化进程快，低碳价值观有利于降低人们生活用能，从而减少碳排放。

［1］Zhou P，Ang B W.Decomposition of Aggregate CO2Emissions:A Production-theoretical Approach ［J］.Energy Economics，2008，30(3):1054-1067.

［2］Li M.Decomposing the Change of CO2Emissions in China:A Distance Function approach ［J］.Ecological Economics，2010，70(1):77-85.

［3］Zha D，Zhou D，Zhou P.Driving Forces of Residential CO2Emissions in Urban and Rural China:An Index Decomposition Analysis ［J］.Energy Policy，2010，38(7):3377-3383.

［4］赵志耘，杨朝峰.中国碳排放驱动因素分解分析［J］.中国软科学，2012(6):175-183.

［5］Liu L，Fan Y，Wu G，et al.M.Using LMDI Method to Analyze the Change of China Industrial CO2Emissions From Final Fuel Use:An Empirical Analysis ［J］.Energy Policy，2007，35(11):5892-5900.

［6］徐国泉，刘则渊，姜照华.中国碳排放的因素分解模型及实证分析:1995-2004［J］.中国人口·资源与环境，2006(6):158-161.

［7］王锋，吴丽华，杨超.中国经济发展中碳排放增长的驱动因素研究 ［J］.经济研究，2010(2):123-136.

［8］宋德勇，卢忠宝.中国碳排放影响因素分解及其周期性波动研究［J］.中国人口·资源与环境，2009(3):18-24.

［9］朱勤，彭希哲，陆志明，等.中国能源消费碳排放变化的因素分解及实证分析［J］.资源科学，2009(12):2072-2079.

［10］赵奥，武春友.中国CO2排放量变化的驱动力与减排界域分析［J］.经济与管理研究，2010(10):48-54.［11］Zhang M，Mu H，Ning Y，et al.Decomposition of Energy Related CO2Emission Over 1991-2006 in China ［J］.Ecological Economics，2009，68(7):2122-2128.

［12］Yuan P，Cheng S.Determinants of Carbon Emissions Growth in China:A Structural Decomposition Analysis［J］.Energy Procedia，2011(5):169-175.

［13］朱勤，彭希哲，吴开亚.基于结构分解的居民消费品载能碳排放变动分析［J］.数量经济技术经济研究，2012(1):65-77.

［14］Ang B W，Zhang F Q，Choi K.Factorizing Changes in Energy and Environmental Indicators Through Decomposition［J］.Energy，1998，23(6):489-495.

［15］Tyteca D.On the Measurement of the Environmental Performance of Firms-a Literature Review and a Productive Efficiency Perspective ［J］.Journal of Environmental Management，1996，46(3):281-308.

［16］Tyteca D.Linear Programming Models for the Measurement of Environmental Performance of Firms-concepts and Empirical Results［J］.Journal of Production Analysis，1997，8(2):183-197.

［17］Färe R，Grosskopf S，Norris M，et al.Productivity Rrowth，Technical Progress，and Efficiency Change in Industrialized Countries［J］.American Economic Review，1994，84(1):66-83.

［18］张馨，牛叔文，赵春升，等.中国城市化进程中的居民家庭能源消费及碳排放研究 ［J］.中国软科学，2011(9):65-75

The Driving Forces of Carbon Emissions in Consideration of Technical Efficiency

TAN Qin-liang，ZHANG Xing-ping，WEI Yong-mei，XU Qian-nan
(School of Economics and Management，North China Electric Power University，Beijing102206，China;Research Center For Beijing Energy Development，Beijing102206，China)

Based on measuring the efficiency changes of inputs/outputs，we present a decomposition model by using distance functions and data envelopment analysis.The components driving the change of carbon emissions are decomposed into the contributors from thirteen factors specified in this paper.The empirical results indicate that seven factors decrease the carbon emissions，especially the change in energy intensity and energy utilization technical level.While the other six factors increase the carbon emissions，especially the change in capital per capita and capital technical efficiency.

Carbon emission;Distance function;Data envelopment analysis;Decomposition analysis

F407

A

1002-9753(2013)07-0154-10

2013-01-27

2013-03-28

国家自然科学基金项目(71173075);教育部新世纪优秀人才支持计划(NCET-12-0850);教育部博士点基金项目(20110036120013);北京市哲学社会科学规划重点项目(11JGA010);中央高校基本科研业务费专项基金。

檀勤良(1969-)，福建福州人，华北电力大学经济与管理学院副教授，博士，研究方向:能源经济与政策模拟。

(本文责编:海 洋)