基于超效率DEA模型的中国省际碳排放效率研究

孙少勤,郭琴琴,邵 青

(南京信息工程大学,南京 210044)

一、引 言

在全球气候变暖的大背景下,人类活动因素引起的二氧化碳等温室气体排放的不断增加、温室效应的不断加剧是导致全球变暖的重要原因之一。中国作为目前世界上最大的碳排放国之一,碳排放情况具有明显的地区差异。因此,准确地把握区域碳排放效率特征,探究碳排放效率的影响因素,对于提高碳排放效率、实现新世纪的节能减排目标具有重要意义。

根据碳排放效率的定义,目前应用最为广泛的测度碳排放效率的方法是数据包络分析法(Data Envelopment Analysis,DEA),最早由Charnes、Cooper和Rhodes等学者于1978年提出,它是一种通过线性规划构造出生产前沿边界的非参数方法。国外较多的学者将该方法运用于能源绩效的评价,Zhou P和Ang B W、Mukherjee等利用该方法测度了开放经济条件下能源利用效率的情况。[1]Boyd和Pang从全要素角度测算能源利用效率,并提出了改善能源效率的方法。[2]在碳排放效率研究方面有相当多的代表文献,如Zaim和Taskin、Claude Mandil、Zhou等学者以二氧化碳排放作为污染物,运用不同的DEA模型对OECD国家、部分地区以及行业的二氧化碳排放绩效进行了评价。[3]Ramanathan R采用DEA模型研究GDP、能源消耗和碳排放量三者的关系，分析了碳排放效率的变动情况,结果显示全球碳排放效率在样本期内呈波动性特征。[4]Lofgren和Muller通过研究某个产业能源效率与碳排放的关系,提出降低碳排放的方法,其中提高碳排放效率是有效的方法之一。[5]Zhou P等利用Malmquist指数法测算了全球碳排放量最高的18个国家的碳排放绩效,并分析了导致碳排放效率变化的影响因素。[6]此外,部分学者还利用DEA方法对二氧化碳边际减排成本进行相关研究,Marklund和Samakovlis、Maradan和Vassiliev运用不同的DEA模型估算了包括欧盟在内的发达国家和发展中国家等共76个国家的二氧化碳边际减排成本。[7]

国内学者对碳排放效率的相关问题也有较多的研究。朱远、刘国平从全要素角度构建碳排放效率的评价指标,对1990年—2007年“金砖四国”的碳排放效率进行测算,研究发现巴西的碳排放效率最高,而中国最低,导致四国碳排放效率差异的最主要原因是经济规模、能耗、产业结构和城市化水平。[8]姚西龙和于渤采用DEA方法对我国1998年—2008年二氧化碳排放效率的影响因素进行研究后发现,总体上,技术进步会有效减少单位GDP的二氧化碳排放量,二氧化碳排放会因为规模效率而有所增加。[9]檀勤良、张兴平和魏咏梅等研究认为,能源强度的降低对中国碳排放效率的提高有显著的促进作用。[10]此外,部分学者采用超效率DEA模型对效率值进行测算。蔡晓春、肖小爱通过超效率DEA评价模型对比分析中国区域能源利用效率的具体情况,发现区域间能源效率差异较为显著,部分省份的变化趋势呈现阶段性特征。[11]王恩旭、武春友运用超效率DEA模型对中国30个省份的生态效率进行了评价,结果由高到低依次为东部、中部、东北和西部,其中东部地区的生态效率高于全国水平。[12]

上述学者在研究碳排放效率问题时,从全要素角度利用超效率DEA模型研究碳排放效率的相关文献十分鲜见;在测算方法上,现有文献大多基于传统DEA模型测度碳排放效率,其度量结果往往出现多个决策单元的效率值均为1而无法进一步对其按效率值的大小进行排序的情况。此外,一些文献在研究碳排放效率问题时只是基于测算结果的现状进行分析,并未对其影响因素进行深度剖析,因此,一定程度上缺乏实际的指导意义。

二、中国各省市及地区碳排放特征分析

受经济发展、地理位置等因素的影响,根据国家统计局划分办法将中国31个省(市、区)划分为四大区域:东部、中部、西部和东北综合经济区。*东部地区包括北京、天津、上海、广东、河北、浙江、江苏、福建、山东和海南，中部地区包括山西、内蒙古、湖南、安徽、江西、湖北、河南，西部地区包括新疆、云南、广西、四川、重庆、甘肃、贵州、陕西、青海、宁夏、西藏(数据缺乏较多，暂未列入研究范围)，东北综合经济区包括辽宁、吉林和黑龙江。四大地区由于经济发展、人口规模、资源禀赋、能源消费等因素的差异,碳排放情况显著不同。

鉴于我国并没有直接公布碳排放量的数据,本文根据联合国政府间气候变化专门委员会(以下简称IPCC)《碳排放计算指南》(2006年版)公布的碳排放计算公式对我国各省的碳排放量进行测算。测算公式为:

(1)

其中,C为碳排放量(吨);Ei为第i种能源的消费量,按吨标准煤计算;Ki为第i种能源的碳排放系数;i为能源种类。根据省际能源消耗特征,选取原煤、焦炭、天然气等8个主要的能源品种进行测算。考虑到数据的可获得性,本文选用2000年—2011年各省市8种能源消费量,数据源自《中国能源统计年鉴》。中国各种能源折标准煤系数来源于国家统计局发布的《能源统计报表制度(2010)》,碳排放系数来源于2006年IPCC《国家温室气体清单指南》。全国及各地区碳排放情况趋势见图1(数据来源于《中国统计年鉴》《中国能源统计年鉴》)。

图1 2000年—2011年全国及各地区碳排放变化趋势

由图1可以明显看出,2000年—2011年全国及各地区的碳排放总量呈持续上升趋势,东部地区的碳排放总量领先于其他地区,仅次于全国水平。中、西部地区碳排放量基本趋于一致,这与国家大力发展中部地区的政策倾向有很大的关系。作为老工业基地的东北地区,由于大力发展经济,消耗大量资源,加上政府的政策倾向,造成其碳排放量总体水平较高且有不断攀升的趋势。

三、中国省际碳排放效率的测算及地区差异分析

(一)超效率DEA模型简介

传统的DEA模型能够区分决策单元是否有效,即哪些是效率值为1的处于效率前沿面的决策单元,哪些是小于1的无效率的决策单元。但是,在实际测算中有时会出现多个决策单元的效率值均为1的情况,因此,无法对有效的决策单元进行效率比较,从而做进一步分析。对于这种情况,Banker、Gifford及Bankeret等首次提出在测算有效决策单元的具体效率值时,将该决策单元排除在前沿面之外,在CCR模型的基础之上构建超效率DEA模型,按此模型计算出来的效率值可大于1,能够实现对所有效率值大于1的决策单元的排序。效率值大于1的意义在于它可以测算出各项投入指标在同时按多大比例增加的情况下决策单元仍能保持DEA有效。相应的模型具体形式如下:

(2)

其中,θ为效率值;Xj、Yj分别为第j个决策单元的投入、产出;ε是Charnes和Cooper为了解决分析中的技术和数量问题在1952年引入的非阿基米德无穷小量,其值大于0而小于任何正数;e为元素为1的向量;s-、s+分别为松驰变量、剩余变量;λ是第j个决策单元的组合比例。

(二)评价指标的选取及数据说明

在超效率DEA模型中,碳排放作为污染物表现为负产出,而该模型要求评价指标为非负,因此必须对碳排放这种非期望产出进行处理。目前,污染物作为投入处理法(INP法)、加法逆转换法(ADD法)和乘法逆转换法(MLT法)等是主要处理方法。本文采用INP方法对碳排放进行相关处理。根据以上指标选定的原则,本文主要选取以下两个产出指标和三个投入指标。

1. 产出指标包括各省市GDP和碳排放量

关于各省市GDP,本文使用的是1978年不变价格计算的省际生产总值数据,所使用的现价GDP及其指数来源于《中国统计年鉴》,进行价格调整后得到1978年为基期*以1978年为基期是为了与资本存量基期一致,这样处理也保证了投入—产出变量统计口径的一致性。的各省市GDP序列,单位为亿元。关于碳排放量,采用已测算出的2000年—2011年我国各省市碳排放量的结果。

2. 投入指标包括资本存量、城市化水平和能源消费量

本文主要研究固定资本存量,鉴于目前我国还没有官方的资本存量调查数据,因此,本文采用Goldsmith开创的永续盘存法来进行估算,其基本公式为:Kt=It+(1-δt)Kt-1。其中，Kt为各省市第t年的固定资本存量,It为各省市第t年投资额,δt为第t年的固定资产折旧率。本文参考张军的方法,[13]选择9.6%的固定资产折旧率,估算出各省2000年—2011年的资本存量。关于城市化水平的衡量,目前较多的做法是采用人口总量作为投入之一。然而,人口总量是一个相对稳定的值,仅依靠它并不能反映城市化的人口转移所带来的能源需求和碳排放影响。因此,要准确描述现阶段城市化对中国碳排放的影响,尤其需要把握城市人口的变化。本文参考林伯强的做法,[14]用人口结构变量即城市化水平代替原先的人口总数变量,更具有科学性和针对性。由于我国各地区能源消费类别不同,所以在该研究中使用的能源消费数据是将各地区各种一次能源统一折算为“吨标准煤”得到的能源消费总量。

鉴于数据的可获得性,本文所使用的数据是2000年—2011年我国各省(西藏数据缺失较多,故未列入研究范围之内)的GDP、资本存量、城市化水平、能源消耗量和碳排放量。表1为各指标数据描述性统计特征,基本数据来源于《中国统计年鉴》《中国能源统计年鉴》《新中国60年统计资料汇编》及各省历年统计年鉴等。

表1 2000年—2011年中国30省市区碳排放效率投入产出指标数据特征

(三)碳排放效率测算结果及地区差异分析

根据超效率DEA模型,以表1中的投入产出指标为依据,利用matlab7.0软件对以上数据进行处理,可以计算得到中国各省市及四大地区在2000年—2011年的能源效率值及区域排名情况,结果如表2所示。

表2 2000年—2011年省际碳排放效率值测算结果及排名

1. 全国总体分析

由表2可知,在样本考察期内,中国各省的碳排放效率存在差异且呈现阶段性特征。大部分省份总体变化幅度不大,以2005年为转折点呈现先上升后下降的趋势。碳排放效率均值排在前五位的分别是上海、广东、北京、福建、海南。其中,上海、北京和广东三省在研究时序内每年的碳排放效率均能保持有效,处在效率前沿面上；而福建和江苏在2004年以前碳排放效率的决策单元一直保持有效且大于1,2005年以后效率值均小于1,逐渐退出前沿面。以旅游业为代表的第三产业是海南经济发展的主要驱动力,因此,结构减排是海南碳排放效率较高的主要因素。湖南、安徽等省初期的碳排放效率并不高,但近年来在中部崛起战略的推动下,加上大量的资金、技术支持,可持续发展能力不断增强,碳排放效率逐渐提升。碳排放效率较低的省份是陕西、内蒙古、贵州、甘肃、青海、宁夏和新疆等,无明显升高的趋势,该研究结果与李涛、傅强关于碳排放效率的计算结果部分一致。[15]这些省份经济发展水平相对较低,个别省份如陕西、内蒙古以经济的快速增长为目的,利用自身的资源优势,大力开发利用煤炭等矿产资源,发展以第二产业为主的高能耗、重污染行业,碳排放效率难以提升;青海、宁夏、贵州、新疆等省较低的碳排放效率很大程度上与粗放的经济增长方式、缺乏节能减排技术等因素有关。

2. 地区差异分析

从地区之间的差异看(参见图2),东部地区年平均碳排放效率最高,达到1.038,超过全国平均水平(0.812)。其他地区从高到低依次为中部地区(0.799)、东北综合经济区(0.725)和西部地区(0.677),均低于全国平均水平。在研究时序内,东部地区平均碳排放效率在2001年有较大提升,2002年—2011年呈V型。中部地区虽然曲线变动幅度不明显,但仍可以看出呈N型的变化过程。而东北地区的平均碳排放效率则经历了一个明显的倒V型变化过程。西部地区并无明显的形状特征,在考察年份内有小幅度的上下波动。该研究结果与屈小娥的年省际碳排放效率地区差异分析结果类似。

图2 2000年—2011年全国及各地区碳排放效率均值变化趋势

四、中国省际碳排放效率影响因素的实证分析

(一)模型建立

根据生产率的决定理论以及前人研究成果,本文的基础计量模型设定为:

effectit=β0+β1effectit-1+β2Serit+β3Indit+

β4Urbit+β5Opeit+β6Eneit+δi+εit+μit。

(3)

其中,effectit表示第i省第t年的碳排放效率;β1—β6为回归系数;Serit为第i省第t年的产业结构;Indit为第i省第t年的工业结构;Urbit为第i省第t年的城市化水平;Opeit为第i省第t年的对外依存度;Eneit为第i省第t年的能源结构;δi表示地区虚拟变量,用以确定不随时间变化的固定效应;εit表示年份虚拟变量,用于确定各省份共同的时间趋势;μit表示随机误差项。

(二)变量选取及数据来源

碳排放效率不仅取决于投入要素等变量,也受到经济发展等其他因素的影响。因此,根据已有研究并结合我国经济发展特点,兼顾数据的可得性,我们以30个省份2000年—2011年的碳排放效率(effect)作为因变量,产业结构、工业结构、城市化、对外依存度和能源结构作为自变量。数据来源于《新中国统计资料60年汇编》、历年《中国统计年鉴》《中国能源统计年鉴》以及各省历年统计年鉴。

1. 产业结构(Ser)

Grossman认为,随着工业化进程的不断加深,大量资源被快速消耗。[16]长此以往,资源消费速率将逐渐超过资源的再生速率,环境也将不堪重负。然而,当经济发展达到一定水平时,以工业为主的产业结构会逐渐将重心转向以服务业为主的第三产业,对碳排放量也将产生一定的影响。本文参考李涛、傅强的做法,选用某省第三产业与当年地区生产总值之比来衡量产业结构,这个指标表示经济结构的服务化演进程度,指标数值越大,经济结构的服务化程度越深,产业结构升级就越快。

2. 工业结构(Ind)

工业是国民经济的主导产业,其碳排放量比重达到80%以上,尤其以石油加工、炼焦及核燃料加工业为代表的重工业行业最为明显。这类行业具有高能耗、高排放的特征,若实行节能减排,将对整个工业低碳化发展具有重大意义。因此,本文选用地区重工业产值占工业总产值的比重来衡量工业结构。

3. 城市化(Urb)

城市化初期的大规模城市建设会带来二氧化碳大量排放的问题。但较高的城市化水平会促进技术进步,改善产业结构,有利于改变以高碳能源消耗为主的生产方式,降低碳排放量。因此,城市化对碳排放的影响具有两面性,本文在模型中引入这一重要因素进行讨论,参考上文,用人口结构变量表示城市化水平。

4. 对外依存度(Ope)

随着贸易的深入,环境问题随之而来,以二氧化碳为代表的温室气体排放的大量增加逐渐引起了各国的关注。Matthew A.Cole认为不合理的对外贸易会增加能源消费量,必然会加剧碳排放的增长。[17]本文采用地区进出口总额/GDP表示省际对外依存度。

5. 能源结构(Ene)

我国经济发展消耗的主要能源包括煤炭、石油、天然气和电力等,不同能源造成的碳排放量存在差异,煤炭燃烧产生的碳排放量最大,是天然气的1.6倍。杜克锐等发现煤炭占能源消费总量的比重越大,对碳排放效率的负向影响越显著。[18]因此,考虑到数据的可获得性及现阶段省际能源消费特征,本文采用地区煤炭消费量占能源消费总量的比重作为能源结构的衡量指标。

(三)回归方法

根据以上模型及数据,建立了一个面板数据模型,使用STATA12.0软件进行回归分析,方法如下。首先,采用普通最小二乘法(Ordinary Least Squares,OLS)回归,OLS利用最小化误差的平方与目标数据实现最佳函数匹配,并使得所求数据与实际数据之间误差的平方和最小。同时,采用White提出的异方差稳健性标准误差方法解决面板数据可能存在的异方差和自相关问题。此外,经过相关性检验,对外依存度和城市化的相关系数相对较高,可能存在多重共线性,采用剔除变量法进行回归。

其次,面板数据最常用的估计方法是固定效应模型和随机效应模型,这可以通过Hausman检验来判断。经检验,P值小于0.05,拒绝原假设,因此选取固定效应模型。同时,由于本文测算的省际碳排放效率值均为大于等于0,这类数据属于受限因变量,故建立专门处理受限因变量的面板Tobit模型进行回归。需要指出的是,我国地区间发展水平参差不齐,东部地区经济发展水平最高(由于东北地区样本容量较小,做回归时将其并入东部地区),中部地区次之,西部地区最低。省际碳排放效率也存在较大差异,各省市个体间的误差项可能存在异方差或自相关。从时间维度上看,各省市的碳排放效率随着时间的推移发生了较大的变化,可能是经济、政策、能源等随时间变化的因素在起作用。因此,我们在模型中加入地区、时间虚拟变量来解决上述遗漏变量问题。

最后,处理内生性问题。回归模型中的解释变量中有被解释变量的滞后项,因此模型的内生性问题不可避免。虽然前面所述的回归方法和添加时间、地区虚拟变量可以解决异方差和遗漏变量等问题,但并不能解决内生性的问题(如反向因果关系)。因此,我们采用由Arellano和Bover、Bond提出的系统广义矩估计方法即系统GMM(System Generalized Method of Moments)[19]进行动态面板的参数估计。此外,GMM估计方法还可以解决模型中存在的异方差和相关性问题,因此无需再运用剔除变量法进行回归。所有模型的回归结果如表3所示。

表3 省际碳排放效率影响因素回归结果

(四)回归结果分析

1. 碳排放效率的滞后一期变量。由表3可以看出,在考虑了模型的内生性问题后,省际碳排放效率的滞后项在1%的水平上显著为正,说明各省市初始阶段的碳排放效率会影响未来碳排放效率的提高。因此,通过技术转移等方法提升相对落后地区的碳排放效率是未来政策调整的方向之一。

2. 产业结构对碳排放效率体现为正向影响,且均在1%的水平上显著,在处理了内生性问题后表现出显著的积极作用。第三产业主要以高科技产业和服务业为主,具有高附加值、低能耗的特征。当产业结构的重心从以高能耗的重工业为主向以低能耗、高产出、污染少的第三产业为主转移时,有利于碳排放效率的提高。

3. 不管是否处理内生性,重型化的工业结构对碳排放效率的提高有明显的负面影响。根据模型回归结果,系数值均为较大的负值,说明我国工业结构的重型化会大大降低碳排放效率。2000年—2011年,工业重型化比重上升1%,碳排放效率显著下降88%左右。如图3所示,2003年以来我国重工业便处于快速发展阶段,占工业总产值的比重超过64%,平均每年以25.5%的速度增长,标志着我国正式进入重工业化阶段。

图3 2000年—2011年我国重、轻工业发展情况

4. 城市化的回归系数分别为0.172、0.232,并在10%和5%水平上显著,处理内生性问题之后在1%的水平上显著为正向影响,这一结果说明城市化水平的提高对碳排放效率的提高有积极的作用。一般认为,城市化既可能提升环境效率,也可能对环境产生负面影响。本文的研究结果更倾向于前者。城市化水平较高的东部地区大力发展第三产业,为响应国家政策要求,在发展生产过程中更倾向于采用高新技术,以此来提高碳排放效率。而正处于城市化过程中的中西部地区,仍需大力发展第二产业带动经济的增长。

5. 对外依存度对碳排放效率的影响(包括处理内生性问题之后)均为正向影响,在1%的水平上显著。2000年以来我国出口结构逐步优化,出口贸易结构中资源性强、高能耗产品比重增速逐渐放缓,而高科技产品的进出口增速却有所提高,说明我国逐渐重视进出口贸易的结构调整问题。经济发达地区如上海、北京、广东等地的进口以高新技术等资本密集型产品为主,由此带来的技术溢出效应提升了中国的生产技术水平,在一定程度上减少了碳排放量。

6. 能源结构对碳排放效率的影响稳定,效应值均为负,在1%的水平上显著。但在考虑内生性问题后,回归系数在1%的水平上显著为正,这意味着我国能源消费结构的改善将带来碳排放效率的提升,与已有研究结果一致。据统计,1995年—2011年间煤炭、石油类能源消耗整体上有所下降,而天然气等清洁能源的消耗占比有所上升,说明近年来我国的能源消费结构已开始逐步优化。在全部能源消费量中,第二产业能源消费所占比重始终保持在70%左右,并有逐渐下降的趋势。第三产业能源消耗变化趋势不明显,基本维持在24%左右。因此,要想实现能源、经济的可持续发展,必须提高能源利用效率,逐渐降低第二产业能源消耗量,但也不能忽视第三产业的作用。

五、结论与政策建议

本文分析了全国及各地区的碳排放特征,运用超效率DEA模型测算了其碳排放效率,借助2000年—2011年的省际面板数据研究了碳排放效率的影响因素,得到了以下主要结论,在此基础上提出相应的政策建议。

(一)结论

首先,中国的碳排放总量呈持续增长趋势,其中,山东、广东、山西、内蒙古和辽宁等省的碳排放量较大且增速较快,东部地区的碳排放总量大于中部、西部及东北地区。就地区排放增速来看,西部地区的碳排放量年均增速领先于其他地区。

其次,本文利用超效率DEA模型测算了2000年—2011年全国及地区的碳排放效率,中国各省碳排放效率存在差异且呈阶段性特征。处在效率前沿面的基本为上海(1.379)、广东(1.221)和北京(1.151)等东部省市,而碳排放效率较低的均为陕西(0.651)和贵州(0.652)等西部省份,其中北京、广东、云南、陕西等省市的碳排放效率在样本期内随着时间的推移明显改善。区域碳排放效率也存在较大差异,由高到低依次为东部(1.038)、中部(0.799)、东北(0.725)和西部(0.677)。

再次,利用面板数据模型采用多种回归方法对全国碳排放效率的影响因素进行分析,结果表明初始阶段的碳排放效率会影响未来碳排放效率的改善,产业结构的优化、城市化水平的提高、对外贸易结构的改善对碳排放效率的提高均有积极作用。能源结构在考虑内生性问题之后回归系数显著为正,意味着我国能源消费结构的改善将带来碳排放效率的提升。而对于重型化工业结构,不管是否处理内生性问题,其对碳排放效率的影响均为明显的负面影响。

(二)政策建议

首先,政府应以科学发展观为指导全面评估各地区的发展绩效,引导各地区的产业配合与协调发展,将碳排放较高的产业适当转移到那些能够提供相应能源,与当地资源禀赋相匹配的地区。比如,东部沿海地区可以重点发展高新技术产业和现代服务业,以降低碳排放的压力,缓解各省、直辖市和自治区碳排放严重失衡的局面。

其次,采取引导和治理同步推进、“双管齐下”的措施。一方面根据各地区独特的自然资源、技术资源和人力资源甄别地区发展的比较优势,引导有利于碳减排的产业发展;另一方面采取有针对性的措施,治理碳排放问题。东部地区、中部地区、西部地区以及东北地区的碳排放特征具有较大的差异,在治理过程中各地区应当有所为有所不为。

再次,根据中国的经济发展阶段、产业结构特征以及企业竞争能力确定碳减排的步骤和进度,避免过快过强的措施使经济付出难以承受的代价。我国“高投入、高消耗、高污染、低产出”的粗放型发展模式在很大程度上阻碍了经济的快速转型升级,碳减排的工作任重而道远。以工业为主的产业及各个省、直辖市和自治区的产业结构雷同现象严重等问题使得我国的碳排放量难以在短期之内减少到理想水平,只有各地区的产业结构协同发展、全面提升,技术得到全面更新之后,碳减排工作的成效才能凸显。从微观层面来看,国内企业的技术水平与国外发达国家相比依然存在较大的差距,亟待追赶,为数较多的企业其生存与发展主要靠低劳动力成本和高资源投入,而且企业从事技术创新、升级生产流水线确实受到自身实力的限制,并存在风险。因此,企业的碳减排工作应当遵从循序渐进的原则,管理部门对企业的要求应当符合客观情况,并给企业留下碳减排的“宽限期”。

参考文献：

[1] Zhou P,Ang B W.Linear programming models for measuring economy-wide energy efficiency performance[J].Energy Policy,2008,(8):2911-2916.Mukherjee K.Energy use efficiency in the Indian manufacturing sector:an interstate analysis[J].Energy Policy,2008,(2):662-672.

[2] Boyd G A,Pang J X.Estimating the linkage between energy efficiency and productivity[J].Energy policy,2000,(5):289-296.

[3] Zaim O,Taskin F.Environmental efficiency in carbon dioxide emissions in the OECD:a non-parametric approach[J].Journal of Environmental Management,2000,(2):95-107.Claude Mandil.Tracking Industrial Energy Efficiency and CO2Emissions[R]. Paris:International Energy Agency,2007.Zhou P,Ang B W,Poh K L.Slacks-based efficiency measures for modeling environmental performance[J].Ecological Economics,2006, (1):111-118.

[4] Ramanathan R.A multi-factor efficiency perspective to the relationships among world GDP,energy consumption and carbon dioxide emissions[J].Technological Forecasting and Social Change,2006,(5):483-494.

[5] Löfgren Å,Muller A.The effect of energy efficiency on Swedish carbon dioxide emissions 1993-2004[R].Gothenburg: University of Gothenburg Working Paper,2008,(311).

[6] Zhou P,Ang B W,Han J Y.Total factor carbon emission performance:a Malmquist index analysis[J].Energy Economics,2010,(1):194-201.

[7] Marklund P O,Samakovlis E.What is driving the EU burden-sharing agreement:Efficiency or equity?[J].Journal of Environmental Management,2007, (2):317-329.Maradan D,Vassiliev A.Marginal costs of carbon dioxide abatement: empirical evidence from cross-country analysis[J].Revue Suissed Economic et de Statistique,2005,(3):332-350.

[8] 朱远,刘国平.“金砖四国”碳排放绩效比较研究[J].亚太经济,2011,(5):78-83.

[9] 姚西龙,于渤.规模效率和技术进步对CO2排放影响的实证[J].中国人口资源与环境,2012, (12):22-26.

[10] 檀勤良,张兴平,魏咏梅.考虑技术效率的碳排放驱动因素研究[J].中国软科学,2013,(7):154-163.

[11] 蔡晓春,肖小爱.基于超效率DEA的中国区域能源利用效率研究[J].统计与信息论坛,2010, (4):33-40.

[12] 王恩旭,武春友.基于超效率DEA模型的中国省际生态效率时空差异研究[J].管理学报,2011, (3):443-450.

[13] 张军,吴桂英,张吉鹏.中国省际物质资本存量估算:1952—2000[J].经济研究,2004,(10):35-44.

[14] 林伯强,刘希颖.中国城市化阶段的碳排放:影响因素和减排策略[J].经济研究,2010,(8):66-78.

[15] 李涛,傅强.中国省际碳排放效率研究[J].统计研究,2011, (7):62-70.

[16] Grossman G M, Krueger A B.Environmental impacts of the North American Free Trade Agreement[R].Gambridge:National Bureau of Economic Research Working Paper,1991:NO.W3914.

[17] Matthew A.Cole,Does trade liberalization increase national energy use?[J].Economics Letter,2006,(92):877-908.

[18] 杜克锐,邹楚沅.我国碳排放效率地区差异、影响因素及收敛性分析——基于随机前沿模型和面板单位根的实证研究[J].浙江社会科学,2011, (11):32-44.

[19] Arellano M,Bover O.Another look at the instrumental variable estimation of error-components models[J].Journal of econometrics,1995, (1):29-51.Blundell R,Bond S.Initial conditions and moment restrictions in dynamic panel data models[J].Journal of econometrics,1998, (1):115-143.