中国工业部门碳生产率的时空演变及其预测

周　波，张　成

中国工业部门碳生产率的时空演变及其预测

周波，张成

摘要：本文在估算中国工业部门直接碳生产率和完全碳生产率的基础上，研究两者的时空演变趋势，并对其未来潜在表现进行预测。研究结果表明：工业部门整体以及采矿业、轻工业、重工业3个分组的直接碳生产率和完全碳生产率在σ收敛和绝对β收敛上的表现差异较大，但普遍存在显著的条件β收敛趋势；根据工业部门自身的演变规律预测， 2020年碳生产率将大幅度提高，但仍然低于哥本哈根会议的承诺水平。因此，如何推行和完善基于市场机制的节能减排措施，并在供给侧改革中贯穿绿色低碳理念，将是政府未来节能工作的重点。

关键词：碳生产率；收敛；预测

一、问题提出

近年来，全球气候变暖，各国碳排放水平日益成为公众关注的焦点。作为世界上最大的发展中国家和新兴经济体，中国在气候变化中发挥的作用举足轻重。同时，由于中国已经进入工业化发展的中后期，工业部门也进入了环保发展转型的关键时期。发展不均衡、发展方式不可持续的问题极为突出，改革粗放式、高碳排的工业经济发展模式刻不容缓。麦肯锡曾指出，任何成功的气候变化减缓技术必须支持两个目标：一是稳定大气中温室气体的含量，二是保持经济的持续增长。而“碳生产率”这一概念正好将两者有机地联系在一起。“碳生产率”最早由Kaya和Yokobori提出来，指的是单位CO2排放的GDP产出水平，体现了碳排放与产出之间的效率水平[1]。该指标被提出以后，受到了学者们的广泛关注。现有研究中，既有对碳生产率收敛趋同水平[2]、脱钩状态水平[3]等趋势性角度的研究，也有对碳生产率潜在改进空间[4]、影响因素[5]等内涵式指标的探讨。但在这些研究中对碳生产率指标的构建主要是基于生产单元的直接碳排放量进行计算的，使用的是直接碳生产率，忽略了中间产品投入暗含的二氧化碳排放问题。

为了进一步深入研究碳生产率，本文以我国工业部门为例，计算出了直接碳生产率(Direct Carbon Productivity)，还利用投入产出方法计算出了完全碳生产率(Indirect Carbon Productivity)，并研究了工业部门碳生产率的收敛情况。此外，本文还构建了ARIMA模型，对2020年工业部门碳生产率的走势进行预测，动态观察整体变化情况，从而为政府制定相关政策提供技术支撑。

二、研究数据及模型说明

(一)数据选取

本文选取了我国工业领域38个部门2003—2011年间的CO2排放量和GDP生产总值的相关数据作为实证研究样本。数据来自《中国能源统计年鉴》和《中国工业经济统计年鉴》，并经过笔者整理和计算。所有数据均根据价格指数调整至2000年价格水平。

同前文所述，碳生产率定义为单位CO2排放的GDP产出水平，计算公式如下：

(1)

其中，i表示行业，t表示时期，CP、GDP和C分别表示碳生产率、生产总值和CO2排放量。

在计算工业部门碳生产率时，需要考察直接碳生产率和完全碳生产率两个概念。其中，工业部门的完全碳排放不仅包括本部门生产过程中因使用化学能源而产生的直接碳排放，还包括其他产业部门为满足此部门生产而提供的中间产品生产过程中产生的间接碳排放[6]。本文基于《2007年中国投入产出表》，采用“投入—产出”(IO)方法对各行业的直接和间接消耗能源所产生的直接碳排放系数和完全碳排放系数进行计算，以此得到分行业的直接碳排放量和完全碳排放量，进而最终测算出分行业的直接碳生产率和完全碳生产率[7]。

(二)研究方法

1.碳生产率收敛问题研究方法

在研究工业部门碳生产率的收敛问题时，本文采用σ收敛、绝对β收敛和条件β收敛这三种方法进行比较判断。其中，σ收敛主要观察截面上人均收入的变异系数是否随时间而下降；绝对β收敛是指初期发展水平不高的经济系统会比初期发展水平较高的经济系统拥有更快的速度增长，即欠发达地区的人均收入水平将向发达地区收敛。但现实中各个经济系统的技术偏好、制度体系等存在差异，这就需要考虑使用条件β收敛分析方法。借鉴已有文献，我们将这些收敛模型在经济增长上的设定应用到碳生产率的研究上。相关模型设定如下：

(1)σ收敛。其他学者在进行σ收敛分析时运用过很多方法，例如基尼系数、泰尔指数和变异系数。本文采用变异系数作为考察方法，其中研究对象变异系数定义为标准差与平均数的比值。若变异系数趋于下降，则表明σ收敛存在，反之不存在。

(2)绝对β收敛。参考Miller使用的方法[8]，我们设定绝对β收敛的回归模型如下：

(2)

上式用来验证我国工业各部门碳生产率是否存在绝对β收敛，用CP指代直接碳生产率和完全碳生产率，其中LnCPi,t和LnCPi,t+T分别为i部门在第t年和第t+T年的直接或完全碳生产率的对数值，C为截距项，λ为待估参数，φi,t+T为随机误差项。如果最终回归结果β<0，则可认定存在绝对β收敛。

(3)条件β收敛。现有研究一般通过添加固定效应模型来检验条件β收敛，并常常会加入一些控制变量以反映不同地区特征[9]。但如果固定效应已经能够抓住个体间的异质性因素，额外控制变量的添加是不必要的[8]。因此，我们在进行条件β收敛的验证分析时，将在式(2)基础上先进一步加入个体和时间双固定的形式进行控制，若能够得到收敛趋势，则不添加其他的控制变量。

2.碳生产率的预测方法

我们采用了ARIMA模型预测我国工业部门2020年直接碳生产率和完全碳生产率。差分自回归移动平均模型(ARIMA)是一种精确度相对较高的线性时间序列预测方法，其基本思想是将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。该模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。ARIMA模型的通用表达式为：

(3)

式(3)中，Y为内生变量向量，a为自回归系数，P为自回归阶次，β为移动平均系数，q为移动平均阶次，ε为白噪声，通常该模型可以表示为ARIMA(p，d，q)，其中d为差分阶次。具体的阶次选择可以根据样本相关图和AIC准则进行确定。

三、实证结果及其分析

(一)σ收敛分析

图1　直接碳生产率的变异系数图

根据《中国统计年鉴》中对行业的划分，我们将所研究的38个工业部门划分为采矿业、轻工业和重工业三个组别。图1显示了所有工业部门和采矿业、轻工业、重工业三个分组在直接碳生产率变异系数上的变化情况。可以看到，采矿业的直接碳生产率整体趋势呈“M”型弱收敛，重工业和整体所有行业部门呈现下降的弱收敛趋势，轻工业则并未发生明显变化。同时，通过对比三个组别在变异系数上的取值，发现重工业的变异系数取值最大，采矿业最小，轻工业则居于中间水平，从而说明重工业内部的行业在直接碳生产率上的差距远远大于轻工业和采矿业。

图2　完全碳生产率的变异系数图

类似地，图2显示了所有工业部门和采矿业、轻工业、重工业三个分组在完全碳生产率上变异系数的变化情况。可以看出，所有行业整体和轻工业均呈现了弱发散趋势，采矿业则呈现了明显的收敛趋势，而重工业则呈现了弱收敛趋势。有趣的是，在完全碳生产率指标中，轻工业的变异系数明显高于重工业和采矿业，这一顺序和三者在直接碳生产率中的表现有所不同，这是因为轻工业内部的行业差异性较大，使用了碳蕴涵量差异性较大的中间产品。

(二)β收敛分析

直接碳生产率和完全碳生产率的绝对β收敛和条件β收敛的回归分析结果见表1。估计绝对β收敛时，根据前文给出的公式(1)进行拟合，得到了所有工业部门和采矿业、轻工业、重工业在直接碳生产率和完全碳生产率上的绝对β收敛情况。

首先观察直接碳生产率的绝对β收敛情况。可以看到，只有采矿业的LnCP回归结果显著为负，说明初始直接碳生产率较低的采矿业会拥有相对较高提升速度。其他三组的LnCP回归结果则为正，但除了轻工业之外，所有工业部门和重工业的发散趋势并不是十分显著。至于完全碳生产率的绝对β收敛情况，可以看到所有组别在LnCP系数前的回归结果均为负，但在统计意义上均未通过显著性检验。

分析条件β收敛时，我们使用了面板数据的个体固定效应和时间固定效应双固定的方法，来检验所有工业部门和采矿业、轻工业、重工业在直接碳生产率和完全碳生产率这两个指标上是否存在收敛趋势。可以看出，所有工业部门和采矿业、轻工业、重工业在直接碳生产率和完全碳生产率中，LnCP前的系数均显著为负，说明我国工业部门在整体和分组上均存在明显的条件β收敛，各自的两种碳生产率均朝着各自的稳态趋近。相对而言，重工业的条件β收敛速度最快，采矿业和轻工业次之。根据条件β收敛结果，我们看到仅采用个体和时间的双固定效应就可以控制其他因素，说明额外的控制变量可以不加入。

由上述收敛分析结果，我们可以看到在直接碳生产率和完全碳生产率上，工业部门整体和分行业除轻工业外均不存在显著的绝对β收敛趋势，但存在明显的条件β收敛趋势，这说明工业各部门由于生产技术和部门技术特点等原因分别趋向各自的稳态水平。

注：3)、2)和1)分别表示在10%、5%和1%的水平上显著。

(三)ARIMA模型预测

根据ARIMA模型预测出的我国工业部门2020年直接碳生产率和完全碳生产率的具体结果(见表2)。从表2可以看到，我国工业部门整体在两种碳生产率上均会有较大幅度的提高，增长率分别达到了50.29%和51.55%，但各部门间增长率差异则较为明显。直接碳生产率方面，重工业部门增长最快，增长率预计会达到59.43%，其次为轻工业，预计会增长42.89%，而排名最末的采矿业增长率预计只能提高38.10%。至于完全碳生产率，预计增长率排名最高的则是轻工业，改良水平会达到52.76%，其次是重工业的47.82%和采矿业的40.42%。根据哥本哈根会议上做出要在2020年将碳强度比2005年下降40%～45%的承诺，需要将2020年的直接碳生产率比2005年降低67%～82%。然而，基于ARIMA模型的行业整体和分组预测结果，均低于这一承诺。即便以承诺的最低标准67%为目标，行业整体在2020年的直接碳生产率预测值低于目标值16.71%。当然，考虑到经济增速的持续放缓，步入经济新常态的中国经济，必然会释放出大量边际生产率低下的能源消耗，从而有利于碳生产率水平的提升，但被动依赖于经济增速放缓附带的额外效应，可能会随着经济复苏而面临更大的挑战，所以尽快推行和完善基于市场机制的节能减排机制颇为重要。

表2　完全碳生产率和直接碳生产率预测值(2020年)

四、结论及政策建议

本文在估算我国工业部门2003—2011年直接碳生产率和完全碳生产率的基础上，使用σ收敛、绝对β收敛和条件β收敛情况考察了它们的收敛情况，最后运用ARIMA模型预测了工业部门在2020年的碳生产率水平，得到了如下结论：(1)工业部门整体在直接碳生产率上存在弱σ收敛趋势，但在完全碳生产率上则存在弱σ发散趋势。在分组考察中，采矿业、轻工业和重工业在两类指标上的表现差异较大，相对而言，采矿业在两类指标上的差异性程度较小且具备较为显著的σ收敛趋势。(2)在直接碳生产率和完全碳生产率上，工业部门整体和分行业除轻工业外均不存在显著的绝对β收敛趋势，但存在明显的条件β收敛趋势，这说明工业各部门由于生产技术和部门技术特点等原因分别趋向各自的稳态水平。(3)根据工业部门自身的演变规律来看，在2020年能够大幅度提高碳生产率的水平，但仍然低于哥本哈根会议的承诺水平。

回顾过去几年，中国目前的碳生产率推进效果虽然差强人意，但该成绩在一定程度上“受惠”于GDP增速的持续放缓和“拉闸限电”式突击式措施。随着一带一路进程的逐步深入，中国经济的逐步复苏会使得碳生产率提升的压力越来越大，提升的空间则越来越小。这一严峻现实，要求中国需要尽快推行和完善基于市场机制的减排措施，特别是碳税和碳交易机制。碳税和碳排放交易机制各有千秋，可以互相配合实施。短期内，构建全国性碳交易市场有较大难度，可以先通过征收碳税来进行短期过渡。同时，开征碳税时要统筹考虑，并有相应的配套设施。保持税收“中性”，实现碳税“双重红利”效应，是政府工作的重中之重。在长期，应系统有效地构建碳交易市场及相应法律法规。考虑各地区、各部门间的生产方式差异，对市场进行分级划分，促进各市场全面协调发展。与其他国家或地区衔接，构建区域性甚至是国际性碳交易市场。值得注意的是，由于碳交易更适用于大中型企业或大的排放源，即使碳交易市场构建完毕，也需要碳税机制进行补充，以便对小微企业和居民进行相应约束。

并且，我国在推行供给侧改革和优化产业结构的进程中，需要将节能减排的理念始终贯穿其中，不能因经济结构转型时的阵痛，而放松环境保护，特别要谨防地方政府为了GDP政绩，默认经济增长模式退化到之前的粗放式状态。

参考文献：

[1]KAYA Y，YOKOBORI K.Environment energy and economy:strategies for sustainability[M].Tokyo:United Nations University Press.1998:117.

[2]沈能，王艳，王群伟.集聚外部性与碳生产率空间趋同研究[J].中国人口资源与环境，2013，23(12)：40-47.

[3]潘家华，张丽峰.我国碳生产率区域差异性研究[J].中国工业经济，2011(10)：47-57.

[4]张成，史丹，王俊杰.中国碳生产率的潜在改进空间—基于外部环境和内部管理的视角[J].资源科学，2015，37(6)：1218-1230.

[5]龙如银，邵天翔.中国三大经济圈碳生产率差异及影响因素[J].资源科学，2015，37(6)：1249-1257.

【】【】

[6]徐大丰.碳生产率，产业关联与低碳经济结构调整——基于我国投入产出表的实证分析[J].软科学，2011，25(3)：42-46.

[7]陆旸.中国的绿色政策与就业：存在双重红利吗?[J].经济研究，2011(7)：42-54.

[8]MILLER S M，UPADHYAY M P.Total factor productivity and the manufacturing sectors in industrialized and developing countries[J].Energy Policy，2002(29):92-98．

[9]许广月．碳排放收敛性：理论解说和中国的经验研究[J]．数量经济技术经济研究，2010(9)：31-42.

Time-space Evolution and Forecast of the Carbon Productivityof Chinese Industrial Sectors

Zhou Bo，Zhang Cheng

Abstract:Based on estimating the direct carbon productivity and complete carbon productivity of Chinese industrial sectors, the time-space evolution of these two carbon productivities is studied and the potential future performances are forecasted. The results show that there are great differences between σ-convergence and absolute β-convergence in the direct carbon productivity and complete carbon productivity of the overall industrial sectors, as well as mining industry, light industry, and heavy industry, however, there is an obvious conditional β-convergence in general. According to the evolutional rules of industrial sectors, carbon productivity will remarkably increase in 2020, but still below the Copenhagen Conference commitment level. For future energy saving, the government should focus on carrying out and perfecting energy saving measures based on market mechanisms, and sticking to the concept of green low carbon in supply-side reform.

Key words:carbon productivity; convergence; forecast

作者简介：周波，南京财经大学经济学院硕士研究生；张成，南京财经大学经济学院副教授，中国社会科学院工业经济研究所博士后。

基金项目：国家社会科学基金青年项目(12CJY008)；中国博士后科学基金项目(2015M570196)；江苏省“333工程”科研资助项目(BRA2015411)。

中图分类号：F403.8

文献标识码：A

Doi:10.3969/j.issn.2095-042X.2016.03.009

(收稿日期:2016-01-10；责任编辑:沈秀)