城镇化率要素禀赋对全要素碳减排效率的影响

刘婕+魏玮

收稿日期：2014-03-31

作者简介： 刘婕，博士生, 主要研究方向为产业经济学和能源经济学。

基金项目：国家社会科学基金项目“全球经济调整与中国经济发展方式转变研究：基于FDI传导机制与国际市场结构变化的分析”（编号：09XJY011）；教育部后期资助项目“中国区域工业差异与经济增长空间分布动态研究”（编号：08JHQ0052）。

摘要基于超越对数生产函数，并运用产出距离函数建立以资本、劳动力和能源为投入要素，以GDP和CO2排放为产出要素的随机前沿模型，分别测度全国30个省区1995-2010年期间全要素CO2的排放效率。在此基础上，从城镇化水平、要素禀赋、人口规模、产业结构、技术因素等五个维度出发，运用Tobit面板模型对影响全要素碳减排效率的因素及其显著程度进行了实证分析。主要结论表明，从全国层面看，城镇化率、资本深化程度与全要素碳减排效率均呈非线性影响关系，随着城镇化率的提高、资本的逐步深化，碳减排效率经历了先下降后上升的趋势；能源密集度本身对碳减排效率无显著作用，但对城镇化水平促进碳减排效率提高有放大效应；人口规模的减小、二产占比的下降与能源强度的降低均会促使碳减排更有效率，人口规模因素对碳减排效率的影响系数为0.049，略高于产业结构因素和技术因素，相关系数分别是0.030 6和0.014 2。进一步将全国样本按照要素禀赋异质性分为资本密集型省区、能源密集型省区、劳动密集型省区，对三个子样本的回归结果显示只有能源密集型省区的城镇化率与全要素碳减排效率之间在5%的显著性水平上存在相关关系。由以上结论得到的启示是，政府面对国际碳减排和全面推进城镇化建设双重压力下，要注意从不同省份要素禀赋的异质性出发，通过建立碳市场等措施倒逼能源型省份控制城镇化进程；疏通资本密集型省区资源向节能资源研发部门流动的通道；充分发挥劳动密集型省区的人口红利作用和第三产业对第二产业的挤出效应。

关键词要素禀赋；城镇化率；全要素碳减排效率；随机前沿分析

中图分类号X24文献标识码A文章编号1002-2104(2014)08-0042-07doi:10.3969/j.issn.1002-2104.2014.08.006

改革开放以来，能源为经济的增长提供了重要的“动力支持”。然而，相对粗放的能源利用模式造成的环境污染问题日益显现。作为目前国际上碳排放总量和增量均最大的国家，中国减排的成效已成为全球关注的焦点，在2009年的联合国气候变化峰会上，中国政府提出2020年碳排放强度要在2005年的基础上下降40%到45%。考虑到中国城镇化工业化已进入中坚阶段、经济发展对能源的需求刚性以及以煤为主的能源消费结构特点短期内不会改变，即使逐步降低碳排放的增量也是巨大的挑战。所以，提高全要素碳排放效率是碳减排的主要思路，探究碳减排效率的影响因素为促进我国环境、资源、经济的协调可持续发展起到举足轻重的作用。学术界对碳排放的研究日益深入，在碳排放效率的测算方面，文献多使用数据包络分析（DEA），这种非参数估计方法未能考虑随机扰动因素。随机前沿分析方法（SFA）可以弥补这一不足，但传统的SFA如孔翔等［1］、Wu ［2］、涂正革和肖耿［3］、王志平［4］等只能通过参数估计单产出的生产前沿面，难以测算除了“期望产出”全要素生产率以外“非期望产出”CO2的全要素排放率。Kumbhakar和Lovell［5］以成本最小化或利润最大化为假设前提处理多产出系统效率，本文借鉴此方法在产出距离函数中引入超越对数生产函数构建了分析多产出的随机前沿生产模型来测算全要素碳减排效率。对碳排放影响因素的研究方法方面，国内外文献归纳为五类：以上LMDI应用最为广泛的指数分解法和Kaya等式及变形STIRPAT要求使用确定性的数理公式，库兹涅茨环境分析法主要强调经济发展对环境变量的影响，投入产出法多在考虑对外贸易的情况下使用，本文使用计量分析，原因是在选取变量时较其他方法相对灵活，尤其在面板数据下扩增样本量和自由度，减少变量间的共线性，控制样本的个体异质性，提升估计的有效性和可靠性。在选取影响全要素碳减排效率的因素方面，国内外学者多集中在技术因素、规模因素和结构因素。本文重点研究城镇化进程、要素禀赋的异质性对碳减排效率的作用是有其背景意义的。第一，我国2007年以世界钢铁总量30%、水泥54%的消费量创造出仅占6%世界总量的GDP，单位GDP高钢铁高水泥消耗水平至今还在持续。需求增长快且刚性的能源消费特征说明中国正经历着工业化和城镇化进程，据测算，城市居民人均能源消费量是农村居民的3.5-4倍［6］，城镇化率的提高伴随高碳排量、低减排率。相反，陈诗一［7］认为城镇化的发展会逐步提高碳减排效率，由于第三产业对第二产业的挤出效应，大量农村居民集聚城市，带来的人口红利倒逼城市的产业结构逐步由资本密集型向劳动密集型转变。一般来讲，资本密集型倾向于重污染行业，劳动密集型偏向于轻污染行业。何晓萍［8］也从实证角度出发得出城镇化发展模式有助于技术进步从而提高碳减排效率的结论。因此，为了研究正反哪方面效应更大，本文将城镇化水平作为主要解释变量加入计量模型。第二，各省区要素禀赋对碳减排效率的影响不同，基于要素禀赋异质性不同省区城镇化率对碳减排效率的影响也会各异。能源富集区往往陷入“资源诅咒”［9］，随着城镇化率的提高，粗放型的区域经济增长可能进一步降低碳减排效率。严虹［10］提出资本深化水平对全要素碳减排效率的影响有两个方面，若资本流向重化工系统的高新技术部门，说明资本深化的质量较高，对碳排放效率的提升起到促进作用；若资本流向重化工系统的高能耗高污染生产部门，质量较低的资本深化会抑制碳排放效率的提升。本文在此基础上进而研究在资本要素富集区，城镇化水平的提高是否引导资本进入轻化工系统从而达到提高碳减排效率的目标。

1研究方法

产出距离函数由Shephard［11］在分析给定的投入和技术可行的产出组合问题时首先提出，在处理多投入—多产出问题上应用较广。

1.1产出距离函数

对于t时期的每一组投入xt∈K+，用Pt(xt)表示技术可行的产出yt∈M+的集合，即Pt(xt)={yt:(xt,yt)∈St}，其中St表示t时期可行的技术集合。按照Fare和Primont［12］的定义，基于产出的距离函数定义如下：

DtO(xt,yt)=infφ{φ＞0:(ytφ)∈Pt(xt)}（1）

该距离函数对产出是非递减、凸的和线性齐次的，对投入是非递增和拟凹的。该函数表示了在既定的投入和可行的技术条件下，产出向量可以增加的比例的倒数。从（1）式可以看出，给定投入、产出组合，技术效率越高，距离函数的取值将越接近1。

1.2随机前沿模型设定

本文在距离函数的具体设定方面，采用了超越对数的形式。与CD函数相比，该形式具有便于计算、易于附加线性齐次的条件、约束条件更少等诸多优点，因而在已有文献中［13-16］被广泛采用。将三项投入要素、两项产出要素的超越对数形式带入产出距离函数，则有

lnDto=α0+∑2m=1αmlnyti,m+∑3k=1βklnxti,k+δ0t

+∑2l=1∑2m=1αlmlnyti,llnyti,m+∑3j=1∑3k=1βjklnxti,jlnxti,k

+∑2m=1∑3k=1γmklnyti,mlnxti,k+∑2m=1δymlnyti,mt（2）

+∑3k=1δxklnxti,kt+δ11t2

在上式中，变量右上标的t表示时间，变量右下标的i表示地区，α、β、δ、γ为待估参数。

由于上式左端的距离函数值是无法观测到的,因而难以直接运用最小二乘法或者极大似然法对上式的参数进行估计。但是，根据产出距离函数关于产出的齐次线性特征,以各地区的碳排放量（即非期望产出yi,2）为所有产出的分母，用技术无效指标-uti替代上式左端的产出距离函数，并考虑随机误差vti，则（2）式可以转化为：

lnyti,2=-(α0+∑2m=1αmlnyti,myti,2+∑3k=1βklnxti,k+δ0t

+∑2l=1∑2m=1αlmlnyti,lyti,2lnyti,myti,2+∑3j=1∑3k=1βjklnxti,jlnxti,k

+∑2m=1∑3k=1γmklnyti,myti,2lnxti,k+∑2m=1δymlnyti,myti,2t（3）

+∑3k=1δxklnxti,kt+δ11t2)-uti+vti

上式是一个标准的随机前沿生产函数模型，可以使用极大似然估计方法进行参数估计［17］并进一步测算全要素碳减排效率。

1.3模型设定的检验

虽然超越对数形式的模型设定具有上述诸多优点,但是该模型设定是否合理,变量间的交互关系是否存在,都还难以确定,因此,为检验模型设定的合理性,本文将做如下几个假设检验：

（1）H10:αlm=δym=βjk=δxk=γmk=δ11=0σ2=λ，其中，l=1,2；m=1,2；j=1,2,3；k=1,2,3，即前沿生产函数中所有二次项的系数都为0，这意味着模型应该设定为C-D生产函数形式，而非超越对数形式。

（2）H20:δ0=δym=δxk=δ11=0，其中，m=1,2；k=1,2与时间有关项的系数均为0，意味着不存在技术进步。

（3）H30:δxk=0，其中，k=1,2,3，即所有时间和投入构成的二次项的系数均为0，这意味着技术进步是希克斯中性的，即技术进步独立于投入要素。

所有假设都使用广义似然统计量LR来检验，LR统计量定义为：

LR=-2［L(H0)-L(H1)］（4）

当零假设成立时，LR～χ2(m)，其中m表示约束条件个数。判别规则为：若LR＜χ2α(m),则接受零假设,约束条件成立；若LR＞χ2α(m),则拒绝零假设,约束条件不成立。

根据表1的检验结果，第一个零假设被拒绝，表明该模型设定为超越对数形式要优于设定为CD函数形式；第二个零假设被拒绝，表明经济系统存在技术进步，随着时间的演进，同样的投入会导致不同的产出；第三个零假设被拒绝，表明技术进步不是希克斯中性的，技术进步与投入要素对CO2排放量有协同作用。据此，最终的距离函数设定为式（2）；待估计随机前沿生产函数模型设定为式（3）。

表1随机前沿模型假设检验结果

Tab.1Verification results of the presupposition

of stochastic frontier model

原假设

Primary

hypothesis

H0对数

似然值

Log like

lihood

value

L(H0)对数

似然值

Log like

lihood

value

L(H1)LR统计量

Statistic临界值*

Critical

value

（CV）结论

ConclusionH10305.52378.80146.5648.3拒绝H0H20339.27378.8079.0620.1拒绝H0H30371.42378.8014.767.8拒绝H0注：原始数据源自实证分析中的变量和数据；临界值为10%显著性水平。

2实证分析

2.1测算全要素碳减排效率

全要素碳减排效率，即在全要素生产关系的框架内研究CO2排放效率，它衡量的是在既定生产要素投入（包括能源）下，实际CO2排放与最小可能CO2排放的比例，或者是在给定产出条件下，CO2排放能够减少的程度。这里所得的CO2减排效率是考虑资本、劳动力和能源三种投入要素共同作用下得到的，它是全要素效率。全要素CO2减排效率以上述三种作为投入要素，以GDP为合意产出，CO2排放为非合意产出，基于SFA模型，运用STATA 12.0软件，计算得到。

2.1.1变量与数据分析

本文的研究对象是全国30个省区。采用年度面板数据，样本区间为1995-2010年。数据来自《新中国60年统计资料汇编》、《中国统计年鉴》、《中国能源统计年鉴》、《中国环境统计年鉴》以及各个省区《统计年鉴》。各变量定义如下：

两个产出要素。yti,1：表示地区经济产出，用第i个地区在t时期的地区生产总值衡量，单位为亿元,以2003年为基期的实际地区生产总值表示；yti,2：表示地区CO2排放量，用第i个地区在t时期的CO2的排放量来衡量。本文采用《IPCC国家温室气体排放清单指南2006》中CO2的计算方法，根据能源消费中三种主要的排放CO2的化石能源煤炭、石油和天然气的消费量以及不同化石能源的低位热值、碳排放因子和碳氧化比率估算出各个省区1995-2010年期间的CO2的排放量。计算公式如下：

CO2=∑3i=1Ei·NCVi·CEFi·COFi·(44/12)（5）

其中，i表示煤炭、石油、天然气三种一次能源；E表示三种能源的消费量；NCV表示化石能源的低位热值；CEF为各种能源的碳排放系数；COF为碳氧化因子（通常取1），44，12分别是CO2和碳的分子量。

三个投入要素。xti,1：表示第i个地区在t时期的资本投入，借鉴张军等［18］的研究成果，以2003年为基期,采用永续盘存法估算各省区资本存量，单位为亿元；xti,2：表示第i个地区在t时期的劳动力投入，用各地区年底就业人员数衡量，单位为万人；xti,3：表示i地区t时期的能源投入，用各省区能源消耗量计量, 由于各个省区的能源消费种类不一，所以统计上把煤炭、石油制品、电力、热力等能源消费量转换成统一单位“t标准煤”加总而成。

2.1.2模型测算全要素CO2排放效率

运用软件stata12.0对模型（3）基于随机前沿分析进行参数估计测算出各省份的全要素碳减排效率(EFFCi)，估计结果如图1所示。

全国30个省区CO2的全要素排放效率在1995-2010年间的平均值存在差异，也并未表现出明显的东部效率高于西部的规律，即使上海与宁夏、安徽等省区均出现高碳排放效率，但两者的原因是不同的。上海源于产业升级快，二产占比下降，技术效率提高；而宁夏、安徽等省区可能源于较慢的城镇化进程。

将测算出的全国30个省份1995-2010的年均全要素碳排放效率保留作为被解释变量用以实证部分22分析其影响因素。在国内外文献对CO2排放量及排放强度研究的基础上来确定本文影响全要素碳减排效率的因素。

2.2全要素碳排放效率影响因素的计量分析

2.2.1变量选取与数据说明

城镇化率（CITYR）。城镇化率的测度一般有五种方法，即人口比重法、系数调整法、农村城镇化指标法、城镇土地利用指标法和现代城镇化指标法。考虑到数据的可获得性，本文采用城镇人口占总人口的比重来反映这一指标，数据来源于《中国人口与统计年鉴》。

生产要素禀赋水平。本文用资本深化的对数（LNPERCAP）和人均能源量的对数(LNPERENER)来反映要素禀赋。资本、劳动、能源的原始数据与实证分析第一部分三种投入要素相同，此处不再赘述。

产业结构（INDUST）。各产业的生产特点决定了不同的碳排放总量和效率。一般来说，以工业为主的第二产业碳排放量大效率低，第一产业次之，第三产业碳排放量小效率高。本文产业结构用各个省区第二产业总产值占GDP的份额表示。通过测算产业结构对碳排放效率的影响程度，对政府如何配置三次产业的投资比例提供政策依据。

能源强度（ENERSTR）。一般作为反映技术水平的变量，等于能源消耗量与GDP的比值，能源消耗量数据取自《中国能源统计年鉴》。

人口规模（POPUL）。人口规模作为对整个经济规模的替代变量，数据来源于《新中国六十年统计年鉴汇编》。

2.2.2计量模型

本文计量模型的数据具有空间和时间的特性，全要素碳排放效率作为被解释变量的数据取值在0-1范围内，故使用Tobit面板数据计量模型进行回归。

EFFCi,t=α+β1ln(PERCAPi,t)+β2ln(PERENERi,t)+β3CITYRi,t+β4INDUSTi,t+β5ENERSTRi,t+β6POPULi,t+β7CITYR2i,t+β8［ln(PERCAPi,t)］2+β9［ln(PERENERi,t)］2+β10ln(PERCAPi,t)CITYRi,t+β11ln(PERENERi,t)CITYRi,t+εi（6）

其中，i,t分别表示时间和省份，β是被估计参数，εi是随机误差项，服从正态分布。参数估计如表2。

如果解释变量与误差项相关就不满足外生性假设，会导致对系数的估计出现有偏，在随机前沿生产函数估计中,内生性问题未得到很好的解决［5］，所以本文运用Stata12.0软件的内生性检验，结果显示无法拒绝不存在内生性的原假设（p>0.05），说明了解释变量的外生性。因而，本研究暂不考虑内生性问题。对回归模型可能存在多重共线性的检验，我们采用考察方差膨胀因子（VIF）法，结果发现所有变量的VIF值均小于10，说明不存在多重共线问题。2.2.3计量结果分析

根据回归结果，从模型（1）全面板数据反映城镇化水平的变量的系数来看，一次项的系数显著为正，二次项的系数显著为负，即城镇化率与全要素碳减排效率呈U型的曲线关系。模型(2)(3)(4)的分时间段回归模型中得出“九五”“十五”期间，我国城镇化水平与碳减排效率的一次项和二次项之间均无显著影响关系，到“十一五”期间二者在5%显著性水平上出现U关系。出现此实证结果可能的解释是改革开放之初，城镇化水平较低对碳减排效率的解释程度并不显著，随着经济的快速增长和城镇化进程的加快使得重化工企业的急速扩张，碳排放增加，粗放式的能源使用导致较低的碳排放效率。然而城镇化水平发展到一定阶段，居民收入的增加对环境质量的要求不断提高，推动了节能技术的发展，对碳减排效率起到积极作用。2007年国务院发布《国家环境保护“十一五”规划》，要求“十一五”期间我国在环境保护上的投入超过15 000亿元，到2010年二氧化硫和化学需氧量比2005年下降10%。在环境规制政策引导下，我国通过技术创新提高装备水平，建成了具有世界领先水平的大型煤矿，火电机组投入运行，大大提高了能源的开采利用效率；通过提高能源效率，加强保护环境，全国煤矿平均矿井回采率比“十五”提高了约10个百分点，火电供电标准煤耗从392 克/千瓦时下降到370 克/千瓦时。因此，“十一五”期间随着城镇化率的上升，全要素碳减排效率出现了先恶化后改善的趋势。以下的讨论主要针对全面板模型（1）。

资本要素禀赋的一次项系数为负，且在1%的水平上显著，二次项系数在5%水平上为正，说明资本深化会提高碳减排效率，但过度的资本深化会降低减排效率，这与魏楚和沈满洪［19］认为过度的资本深化使得经济偏离资源禀赋路径的结论有相似之处。可能的解释是中国在工业化初期，资本向重化工产业的流动多于轻化工产业，资本向重化工产业高能耗的生产部门的流动多于向高新研发图1全国30个省区全要素碳排放效率平均值(1995-2010)

Fig.1Average total factor of carbon emission efficiency of 30 provinces (1995-2010)

表2全要素CO2排放效率影响因素的计量分析

Tab.2Econometric analysis of the influencing

factors of CO2 emission efficiency

变量

Variable时间Time1995-20101995-20002001-20052006-2010CITYR-5.457 7***-5.254 5-0.997 6-9.805 4**（-2.69）（-1.51）（-0.28）（-2.21）LNPERCAP-0.678 7***-0.739 7-0.389 3-1.971 5***（-2.67）（-1.36）（-0.64）（-2.22）LNPERENER-0.133 10.067 10.508 20.306 8（-0.45）（0.17）（1.27）（0.48）ENERSTR-0.049*-0.007 9-0.040 4-0.060 4（-1.2）（-0.21）（-0.83）（-0.84）INDUST-0.030 6**-0.043 3***-0.050 9-0.087 7（-2.14）（-3.47）（-1.29）（-1.19）POPUL-0.014 20.005 5-0.0330.02（-0.84）（0.34）（-1.58）（0.67）CITYR^22.060 3***1.914 10.656 33.841 1**（2.63）（1.5）（0.48）（2.21）LNPER

CAP^20.036 9**0.044 70.099 9**0.081 3*（1.92）（0.96）（1.95）（1.63）LNPER

ENER^2-0.024 30.041 6-0.028 4-0.076 5（-1.21）（1.33）（-0.87）（-1.23）CITYR*

LNPERCAP0.030 4-0.014 7-0.477 1-0.284 7（0.13）（-0.05）（-1.5）（-0.55）CITYR*

LNPERENER0.514 7***0.555 7-0.207 21.551 8**（2.6）（1.47）（-0.45）（2.24）全国能源密集型资本密集型劳动密集型CITYR-5.457 7***-1.881-1.096 6-2.99 （-2.69）（-0.23）（-0.26）（-0.49）CITYR^22.060 3***0.092 1**0.029 60.021 9（2.63）(1.97)（0.89）（0.35）注：***表示估计系数在1%水平上显著，**表示在5%水平上显著，*表示估计系数在10%水平上显著。括号内为t统计量，所有系数的估计和检验借助Stata12.0完成。

部门的流动，因此资本深化带来的是全要素碳减排效率的下降；随着工业化程度的加深，上述的资本流向发生逆转促进了碳减排效率的提高。

能源禀赋的系数为负可能的解释是近年来能源生产型企业通过提高技术水平，优化资源配置，降低碳排放效率。但此负向影响并不显著，能源的丰裕程度本身与碳排效率之间并不存在必然关联性，但这一要素可能会作用于其他因素来影响碳减排效率。借鉴仲伟周，王军［20］的推论具有能源禀赋的省份可供利用的能源相对丰富，能源相对价格低，能源消费强度高。由此推断在城镇化进程中对能源密集型产业的发展就会具有比较优势，粗放式能源利用模式的低成本可能导致碳排放无效率，因此，模型中引入了能源禀赋与城镇化率的交互项来讨论对全要素碳减排效率的作用。

产业结构即第二产业占GDP的比重、能源强度、人口规模对全要素碳减排都起到抑制作用，分别在5%、10%水平上显著和不显著。第二产业的占比越高，碳排放效率越低；能源强度作为对技术因素的描述反作用于碳减排效率，化石燃料的充分燃烧技术增加，碳排强度下降，碳减排效率提高。这与实际情况相符。减排技术的提高能降低单位GDP的能源强度，技术的外溢和扩散也会提高相关产业的碳减排效率。

资本要素禀赋与城镇化水平的交互项的系数为正，但不显著；能源要素禀赋与城镇化水平的交互项系数为正，且在1%的水平上显著。实证结果表明能源充裕度对城镇化率促进全要素减排效率的提高有积极作用。根据对全国30个省份的煤炭产量、人均资本的测算，将全国分为三部分,能源密集型省份：内蒙古、山西、陕西、河南、贵州、山东、安徽、河北、新疆、四川。资本密集型省份：上海、天津、重庆、北京、江苏、辽宁、浙江、广东、吉林、黑龙江。劳动密集型省份：福建、江西、湖北、湖南、广西、海南、云南、甘肃、青海、宁夏。将三种要素类型与全国的全要素碳减排效率1995-2010年的变化情况汇总见图2。

图2要素禀赋同质省份及全国碳减排效率逐年变化

趋势拟合图

Fig.2Trend fitting figure of national and homogeneous

factor endowments provinces carbon reduction efficiency

总体上讲，1995-2010年间三种要素禀赋的省份与全国的碳减排效率均有所提高。其中，能源密集型省份的提高幅度大于另外两种类型。属于劳动密集型的十个省份的全要素碳减排效率的平均值最高，资本密集型次之，能源密集型最低。能源密集型省份的城镇化率的平方项与全要素碳减排效率在5%的水平上正相关。从能源型省份城镇化发展的阶段性特征解释来看，这类省份往往以资源型产业体系与以生产功能为主的形式起步；随着城镇化进程的加快，对生活产品的需求渐渐大于对能源产品作为上游产品的生产需求，现代服务业带动产业的多元化发展；随着城镇化日趋成熟，区域生产功能逐渐减弱，生活功能逐渐增强。因此，能源型城镇化率的发展与碳减排呈现非线性相关。另外一种可能的解释为如果能源要素产业吸附资本要素演进路径是生产服务业，就会形成重工业型城镇化模式；如果能源要素产业吸附劳动要素向生活服务业发展，就会形成轻工业型城镇化模式。从回归结果来看，大多数能源型省份可能经历了从重工业城镇化模式为主导向轻工业城镇化模式的转型。

3结论与政策建议

本文基于1995-2010年间的省级面板数据，使用SFA模型测算出30个省份全要素碳减排效率，基于此，重点研究了城镇化水平、要素禀赋对碳减排效率的影响。结论表明：城镇化率与碳减排效率呈U型关系，且在不同要素禀赋省区影响存在差异；随着资本深化程度的提高全要素碳减排效率有先下降后上升的趋势；能源密集度的提高与碳减排效率之间无显著关系，但对城镇化进程影响碳减排效率的效应有放大作用；控制变量产业结构、能源强度、人口规模对碳减排效率有负向作用。进一步将全样本按照要素禀赋异质性分为资本密集型省区、能源密集型省区、劳动密集型省区三类，对子样本的回归结果显示只有能源密集型省区的城镇化率与全要素碳减排效率之间存在显著的相关关系。相比较“九五”“十五”规划，“十一五”规划期间，我国城镇化率跟全要素减排效率之间有显著的U型影响关系。根据理论与实证结论得出以下措施建议：

第一，政府在制定差异化的节能减排目标时，各省区应立足于自身禀赋的实际，通过政府干预引导能源禀赋高、利用率低的省区的能源向高利用率的省区流动，倒逼能源型省份进行产业结构升级，促使能源类省份在延伸资源类产业链条、加强资源的深加工与精加工等方面增加技术含量，提高全要素碳减排效率。

第二，发展多元化产业类型，逐步减弱区域经济增长对污染严重的第二产业的依赖，减少碳排放，提升碳排放效率。抓住城镇化过程中对服务性产业的需求契机，既要提高三产在区域经济中的占比，又要在第二产业内部加强技术创新、厉行节约。发展城市低碳产业，形成低碳产业集聚，鼓励发展和使用清洁、节能能源，逐步转变传统的能源结构，通过把握城镇化进程来控制碳减排效率。

第三，我国已步入工业化的中期，以煤炭为主的能源结构暂时不会改变，从绝对量上控制能源的消耗以达到碳减排的目标难度较大。因此，提高减排技术是较为有效的手段。一方面企业可以增加自身的研发投入并且充分发挥国外先进节能减排技术的溢出效应。另一方面，逐步建立碳市场，充分发挥市场在配置资源的决定性作用，激励企业提高能源利用效率和环保意识，加快企业环保设备的更新，降低企业减排成本，在合理减排的基础上增加产出。

（编辑：李琪）

参考文献（References）

［1］孔祥, Marks R E, 万广华. 国有企业全要素生产率变化及其决定因素 ［J］. 经济研究, 1999, （7）: 40-48. ［Kong Xiang, Marks R E, Wan Guanghua. Changes and Determinants of Stateowned Enterprises Total Factor Productivity ［J］. Economic Research Journal, 1999, （7）: 40-48.］

［2］Wu Y. Is Chinas Economic Growth Sustainable? A Productivity Analysis ［J］. China Economic Review, 2001, 11(3): 278-296.

［3］涂正革, 肖耿. 中国的工业生产力革命［J］. 经济研究, 2005, （3）: 4-15. ［Tu Zhengge, Xiao Geng. Chinas Industrial Productivity Revolution ［J］. Economic Research Journal, 2005, （3）: 4-15.］

［4］王志平. 生产效率的区域特征与生产率增长的分解：基于主成分分析与随机前沿超越对数生产函数的方法［J］. 数量经济技术经济研究, 2010, (1): 33-43. ［ Wang Zhiping. Regional Disparity in Production Efficiency and Decomposition of Productivity Growth ［J］. The Journal of Quantitative & Technical Economics, 2010, (1): 33-43.］

［5］Kumbhakar S C, Lovell C K. Stochastic Frontier Analysis［M］. Londun:Cambridge University Press, 2003.

［6］林伯强, 刘希颖. 中国城镇化阶段的碳排放、影响因素和减排策略 ［J］. 经济研究, 2010, 8(1): 22.［ Lin Boqiang, Liu Xiying. Chinas Carbon Dioxide Emissions under the Urbanization Process， Influence Factors and Abatement Policies ［J］. Economic Research Journal, 2010, 8(1): 22.］

［7］陈诗一. 能源消耗、CO2排放与中国工业的可持续发展［J］. 经济研究, 2009, （4）: 41-55.［ Chen Shiyi. Energy Consumption, CO2 Emission and Sustainable Development in Chinese Industry ［J］. Economic Research Journal, 2009, （4）: 41-55.］

［8］何晓萍, 刘希颖, 林艳苹. 中国城镇化进程中的电力需求预测［J］. 经济研究, 2009, 44（1): 118-130.［ He Xiaoping, Liu Xiying, Lin Yanping. Chinas Electricity Demand Forecast under Urbanization Process ［J］. Economic Research Journal, 2009, 44(1): 118-130.］

［9］徐康宁, 邵军. 自然禀赋与经济增长: 对 “资源诅咒” 命题的再检验［J］. 世界经济, 2007, 29(11): 38-47.［Xu Kangning, Shao Jun. Natural Resources Abundance and Economic Growth: A Reexamination of the ‘Resource Curse Hypothesis ［J］. The Journal of Word Economy, 2007, 29(11): 38-47.］

［10］严红. 中国西部地区城镇化发展战略转型研究［J］. 经济问题探索, 2013, (2): 69-74.［ Yan Hong. Transformation of the Urbanization of Chinas Western Region ［J］. Inquiry into Economic Issues, 2013, (2): 69-74.］

［11］Shephard R W, Gale D, Kuhn H W. Theory of Cost and Production Functions［M］. Princeton: Princeton University Press,1970.

［12］Fre R, Primont D. Multioutput Production and Duality: Theory and Applications［M］.Springer, 1994.

［13］Lovell C K, Travers P, Richardson S, et al. Resources and Functionings: A New View of Inequality in Australia［M］.Springer, 1994.

［14］Grosskopf S, Margaritis D, Valdmanis V. Estimating Output Substitutability of Hospital Services: A Distance Function Approach［J］. European Journal of Operational Research, 1995, 80(3): 575-587.

［15］Coelli T, Perelman S. A Comparison of Parametric and Nonparametric Distance Functions: With Application to European Railways［J］. European Journal of Operational Research, 1999, 117(2): 326-339.

［16］Coelli T, Perelman S. Technical Efficiency of European Railways: A Distance Function Approach［J］. Applied Economics, 2000, 32(15): 1967-1976.

［17］Battese G E, Coelli T J. A Model for Technical Inefficiency Effects in a Stochastic Frontier Production Function for Panel Data［J］. Empirical Economics, 1995, 20(2): 325-332.

［18］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.［Zhang Jun, Wu Guiying, Zhang Jipeng. A Estimate of the Provincial Capital Stock of China: 1952-2000［J］. Economic Research Journal, 2004, (10): 35-44.］

［19］魏楚, 沈满洪. 结构调整能否改善能源效率: 基于中国省级数据的研究［J］. 世界经济, 2008, (11): 77-85.［ Wei Chu, Shen Manhong. Can the Structural Adjustment Improve the Energy Efficiency: A Research Based on the Provincial Data of China ［J］. The Journal of Word Economy, 2008, (11): 77-85.］

［20］仲伟周, 王军. 基于能源禀赋的地区能源消费强度差异研究［J］. 山西财经大学学报, 2009, (3): 42-50.［ Zhong Weizhou, Wang Jun. Research on the Regional Energy Intensity Difference ［J］. Journal of Shanxi Finance and Economics University, 2009, (3): 42-50.］

Impact of Urbanization Level and Endowment

Disparity on Carbon Reduction Efficiency

LIU JieWEI Wei

(Department of Finance and Economics, Xian Jiaotong University, Xian Shaanxi 710061, China)

AbstractBased on the logarithmic function under production theory, this paper applies the distance function to establish the stochastic frontier model which takes capital, labor and energy as input elements, and GDP, CO2 emissions as output, to measure the total factor CO2 emission reduction efficiencies of Chinas 30 provinces in China from 1995 to 2010 respectively. On this basis, using Tobit panel model, this paper empirically analyzes the influencing factors of CO2 emission reduction efficiency from five dimensions, which are urbanization level, factor endowment, population scale, industrial structure and technical elements. In general, this paper finds out that there is a nonlinear relationship between carbon reduction efficiency and urbanization level, so does capital deepening. In other words, the carbon emission efficiency would be decline first and then increase with the urbanization level improving and capital deepening. Energy intensity has no significant influence on carbon efficiency; however, it can enhance the effect on carbon efficiency when interacted with urbanization level. Population size, industrial structure and energy intensity play a negative role on carbon efficiency and the coefficients are 0.049, 0.030 6 and 0.014 2 respectively. Furthermore, by dividing the whole country into three parts according to factor endowment disparity, it finds that only in provinces endowed with energy resource is there a significant nonlinear relationship between urbanization level and carbon reduction efficiency at 5% significant level. On the basis of these results, it suggests that government should carry out separate policies in different provinces with vary factor endowments to face both international carbon reduction pressure and improving urbanization stress, such as establishing carbon market in energy intensive area to control urbanization, increasing investment on R&D of clean energy and reducing dependence on second industry in labor intensive provinces.

Key wordsendowment; urbanization level； carbon reduction efficiency; stochastic frontier analysis

Impact of Urbanization Level and Endowment

Disparity on Carbon Reduction Efficiency

LIU JieWEI Wei

(Department of Finance and Economics, Xian Jiaotong University, Xian Shaanxi 710061, China)

AbstractBased on the logarithmic function under production theory, this paper applies the distance function to establish the stochastic frontier model which takes capital, labor and energy as input elements, and GDP, CO2 emissions as output, to measure the total factor CO2 emission reduction efficiencies of Chinas 30 provinces in China from 1995 to 2010 respectively. On this basis, using Tobit panel model, this paper empirically analyzes the influencing factors of CO2 emission reduction efficiency from five dimensions, which are urbanization level, factor endowment, population scale, industrial structure and technical elements. In general, this paper finds out that there is a nonlinear relationship between carbon reduction efficiency and urbanization level, so does capital deepening. In other words, the carbon emission efficiency would be decline first and then increase with the urbanization level improving and capital deepening. Energy intensity has no significant influence on carbon efficiency; however, it can enhance the effect on carbon efficiency when interacted with urbanization level. Population size, industrial structure and energy intensity play a negative role on carbon efficiency and the coefficients are 0.049, 0.030 6 and 0.014 2 respectively. Furthermore, by dividing the whole country into three parts according to factor endowment disparity, it finds that only in provinces endowed with energy resource is there a significant nonlinear relationship between urbanization level and carbon reduction efficiency at 5% significant level. On the basis of these results, it suggests that government should carry out separate policies in different provinces with vary factor endowments to face both international carbon reduction pressure and improving urbanization stress, such as establishing carbon market in energy intensive area to control urbanization, increasing investment on R&D of clean energy and reducing dependence on second industry in labor intensive provinces.

Key wordsendowment; urbanization level； carbon reduction efficiency; stochastic frontier analysis

Impact of Urbanization Level and Endowment

Disparity on Carbon Reduction Efficiency

LIU JieWEI Wei

(Department of Finance and Economics, Xian Jiaotong University, Xian Shaanxi 710061, China)

AbstractBased on the logarithmic function under production theory, this paper applies the distance function to establish the stochastic frontier model which takes capital, labor and energy as input elements, and GDP, CO2 emissions as output, to measure the total factor CO2 emission reduction efficiencies of Chinas 30 provinces in China from 1995 to 2010 respectively. On this basis, using Tobit panel model, this paper empirically analyzes the influencing factors of CO2 emission reduction efficiency from five dimensions, which are urbanization level, factor endowment, population scale, industrial structure and technical elements. In general, this paper finds out that there is a nonlinear relationship between carbon reduction efficiency and urbanization level, so does capital deepening. In other words, the carbon emission efficiency would be decline first and then increase with the urbanization level improving and capital deepening. Energy intensity has no significant influence on carbon efficiency; however, it can enhance the effect on carbon efficiency when interacted with urbanization level. Population size, industrial structure and energy intensity play a negative role on carbon efficiency and the coefficients are 0.049, 0.030 6 and 0.014 2 respectively. Furthermore, by dividing the whole country into three parts according to factor endowment disparity, it finds that only in provinces endowed with energy resource is there a significant nonlinear relationship between urbanization level and carbon reduction efficiency at 5% significant level. On the basis of these results, it suggests that government should carry out separate policies in different provinces with vary factor endowments to face both international carbon reduction pressure and improving urbanization stress, such as establishing carbon market in energy intensive area to control urbanization, increasing investment on R&D of clean energy and reducing dependence on second industry in labor intensive provinces.

Key wordsendowment; urbanization level； carbon reduction efficiency; stochastic frontier analysis