中国“十三五”时期省际碳减排目标的效率分配

郭文 刘小峰 吴孝灵

摘要首先，将“零和收益”的博弈思想引入到SBM模型中，构建了基于零和收益的碳减排SBM效率分配模型（ZSGSBM）。然后，基于“十三五”规划中我国整体碳强度降低18%的减排约束，从经济增速和能源消费结构2个维度设置了“十三五”期间我国经济系统的4种发展情景，应用上述ZSGSBM模型对碳减排目标进行了省際层面的效率分配。并通过对比各省经济发展现状和碳减排目标的分配结果，分析了各省的低碳经济发展路径。结果表明：采用ZSGSBM模型对碳排放量进行效率分配后，30个省份的投入、产出指标实现了有效配置，碳排放效率到达效率前沿。政府基于“公平”导向的行政分配方案会造成一定程度的效率损失，基于ZSGSBM模型的效率分配方案更符合低碳经济的长远发展要求。在碳强度约束的基础上，能源强度的再约束将迫使各省优化能源消费结构，从而提升我国整体碳排放效率。“十三五”时期，我国有16个省份的碳减排目标分配结果大于18%的平均标准，各省应根据自身资源禀赋、经济水平、产业结构和能源消费结构的现状选择差异的低碳经济发展道路。

关键词ZSGSBM模型；碳减排目标；效率分配；低碳经济

中图分类号X196

文献标识码A文章编号1002-2104（2017）05-0072-12DOI： 10.12062/cpre.20170306

CO2等温室气体的排放是造成全球气候变暖的源头，节能减排已经成为全球共识。为兼顾经济发展和节能减排，我国政府自2009年哥本哈根全球气候会议后，积极实行低碳经济的可持续发展思路，并在《中华人民共和国国民经济和社会发展第十二个五年规划纲要》中首次明确规定了17%的碳强度降低目标，即相同经济产出水平下减少17%的CO2排放量。“十三五”规划中进一步确定2020年末比2015年末全国碳强度降低18%的减排目标。可见，低碳化发展将是未来一段时期内我国经济发展的基本趋势。然而，大量研究表明源于我国各省份经济规模、资源禀赋、产业结构和能源消费结构的巨大差异，我国省际碳强度差异也较大[1-4]。苗壮[5]研究表明，制定相同的减排目标将导致各省份减排效率低下。虽然国务院发布的《“十三五”控制温室气体排放工作方案》中对各省份的碳排放强度减排目标进行了进一步的调整，然而，不难看出中央政府的调整方案主要以“公平”为导向，在考虑调整省份减排目标时，适当的降低了部分经济欠发达省份的减排责任，但是，这不可避免的造成了我国省际碳排放效率的损失。因此，有必要根据省际碳强度的实际情况，将减排目标在省际间进行效率分配。这对各省份制定相应的经济发展规划、产业结构调整策略具有重要指导意义。

1文献综述

碳排放是各国学者关注的焦点学术问题，相关的研究主要集中于碳排放绩效评价、碳减排潜力分析和碳减排成本测算，本文首先从这三方面简述现有研究的相关成果。

碳排放绩效评价的相关研究大多采用数据包络分析（DEA）方法，该方法无需事先设定模型的形式，适用于多投入、多产出的复杂系统效率评价[6]。然而，Tone[7]认为，传统DEA模型仅仅测算了各决策单元的效率值，无法反映无效决策单元的改进路径，他提出了SBM模型来解决这一问题。随着全球碳排放问题的日益凸显，碳排放问题成为学术界关注的焦点问题。Zhang[8]、Wu[9]等认为，碳排放伴随着经济系统经济产出的产生而产生，是经济生产系统不可避免的环境外部性问题，因此，碳排放应作为一项“坏产出”引入效率评价模型中，由此构建非期望SBM模型。目前，非期望SBM模型正被广泛地应用于碳排放绩效评价的相关研究中[10-12]。针对我国省际碳排放效率的相关研究也有很多，基本结论是：我国省际碳绩效差异较大，呈现出自西向东逐步上升的空间趋势[13-14]。

在碳排放绩效评价的基础上，大量的国内外学者分析了我国整体、各区域、各省份以及产业层面的减排潜力。史丹[15]、Du[16]、查冬兰[17]等分别采用随机前沿分析（SFA）、非期望SBM模型、CGE模型等方法测算了我国整体和区域的碳减排潜力，测算结果表明我国整体和区域碳减排潜力巨大。〖JP+1〗李兰冰[18]也得出了相似的结论，其测算结果表明我国整体碳减排潜力达到35%以上，并且经济相对落后的中、西部区域减排潜力更大。分析我国省际碳减排潜力的文献大多基于省际异质性的视角，研究结果也趋于一致——我国经济发展水平、人均收入较低的中、西部省份减排潜力显著大于北京、上海、江苏等经济发达省份[19-22]。产业层面上，Feng[23]、郭朝先[24]、刘贞[25]等分别测算了我国发电行业、汽车行业和工业行业整体的减排潜力。发现行业差异也是产业碳减排的重要影响因素。

目前，碳减排成本的计算方法主要有自下而上模型、自上而下模型和混合模型三类[26]，具体方法包括动态优化模型[27]、投入产出分析[28]、可计算一般均衡模型[29]、混合模型[30]和效率分析模型[31]等等。鉴于本文以效率分配为研究视角，后文重点阐述基于效率分析模型的相关研究文献及其成果。效率分析模型的理论基础是对偶理论和距离函数，该方法通过测算碳排放的影子价格来替代碳减排的边际成本（机会成本）。Maradan[32]、Fāre[33]都构建了方向距离函数来测算CO2排放的影子价格，从而计算其碳减排成本。他们的结论是，碳减排成本随人均收入的升高而降低，低收入国家的减排成本显著高于高收入国家。针对我国省际碳减排成本的研究中，王群伟[34]、叶祥松[35]都将碳规制（减排）目标划分为无规制、一般规制和强规制等多种情景进行分析，结果发现我国中、西部地区的碳减排成本明显高于东部地区。可见，鉴于我国各省份的经济发展水平差异较大，碳减排成本也存在较大的省际异质性。

综上可知，我国各省份碳绩效、碳减排潜力和碳减排成本都存在巨大差异，简单地按全国碳减排目标均摊至各省份必然带来碳减排效率的损失[36-39]。另外，碳绩效评价、碳减排潜力分析和减排成本测算是碳减排目标确定的基础。碳绩效评价通过数学模型勾勒出“经济产出—能源消耗—碳排放”三者的逻辑关系及各省份碳排放绩效的时空现状[40]；碳减排潜力分析为国家碳减排政策提供了可能的方向和路径[41]；碳减排成本测算则衡量了碳减排各阶段目标的实现代价，三者进一步服务于碳减排目标确定的决策问题[42]。上述国内外研究成果为碳减排目标的确定提供了理论基础和定量测算方法，然而，目前国内外碳减排政策实践中，碳减排目标的确定大多基于国家层面的总量目标，如：我国“十二五”、“十三五”规划中确定的CO2减排目标等。因此，从效率视角出发对“十三五”时期，我国省际碳减排目标进行分配具有重要意义。那么，如何将碳减排总量目标分配至各省份？如何保证碳减排目标省际分配的效率？成为实现碳减排目标亟待研究的问题。

目前，国内外现有关于碳减排目标的相关研究上存在一些不足：现有文献中针对碳减排目标省际分配问题的研究较少；并且碳绩效评价、减排潜力分析和减排成本测算等问题的研究都是基于历史数据的后验分析，研究成果缺乏前瞻性。因此，本文基于我国“十三五”规划中确定的碳减排目标，结合现有研究文獻对于我国“十三五”期间劳动力数量、能源消费量、固定资产等生产要素投入以及经济产出水平的预测，设置不同情景对我国“十三五”期间的碳减排目标进行省际间的效率分配。另外，在确定了碳减排国家总量目标和“十三五”期间经济发展情景设定的条件下，可以测算我国“十三五”期间我国整体的碳排放总量，并在此基础上进行省际分配，省际碳排放总和与碳减排目标下的国家碳排放总量相等，这一分配过程与“零和收益”的博弈思想相似。因此，本文构建了基于零和收益的SBM模型（zero sum gains SBM， ZSGSBM）来进行碳减排目标的效率分配，该模型融合了传统SBM模型和“零和收益”思想的建模思路。

2模型与数据

2.1产出导向SBM模型（Outputoriented SBM）

SBM效率评价模型以系统决策单元的投入、产出松弛作为决策变量，直观地体现决策单元的效率改进路径，相较于传统的DEA模型，其在系统效率评价及其资源效率分配中具有显著优势[43]。Tone[7]首先提出了系统效率评价的SBM模型，相关的后续研究中，SBM模型被分为投入导向SBM、产出导向SBM和投入产出双向SBM模型[44]。本文以我国省际碳排放为研究对象，在产出导向SBM模型的基础上构建了ZSGSBM模型，因此，下文重点介绍产出导向SBM模型。

假设生产系统包含m个决策单元DMUi（i=1，…，m），每个决策单元有k个投入和l1个期望产出和l2个非期望产出。

根据Tone[45]、Du[46]等的建模思路，基于非期望产出的产出导向SBM模型可表示为：

2.2产出导向ZSGSBM模型

（1）基本原理。本文以我国“十三五”规划中确定的碳减排目标的省际分配为研究对象，在我国“十三五”期间整体碳排放总量和国内生产总值确定的条件下，各省份间碳排放量的分配具有一定的竞争性，即某一省份碳排放量的增加，则要求其他省份碳排放量减少，这体现了碳排放总量不变的“零和收益”思想。本文结合“零和收益”思想和产出导向SBM模型，构建了一个产出导向ZSGSBM模型，其基本原理如图1所示。

如图1所示，在产出导向SBM模型评价的基础上，产出导向ZSGSBM模型基于“零和收益”的思想对无效决策单元的非期望产出要素松弛量进行重新分配，以实现所有决策单元到达效率前沿，即实现了系统最优效率条件下对非期望产出的分配。

（2）数学模型。假定决策单元（省份）DMUo需要减少Z单位非期望产出，则其他任意决策单元DMUi（i≠o）非期望产出的增加量为zi。用yb′i来表示DMUi分配后的非期望产出，则：

根据“零和收益”的基本原理，本文给出ZSGSBM模型的一般形式如下：

公式（4）中，hZSGo表示决策单元DMUo经过效率分配后的效率值，体现了非期望产出效率分配后决策单元DMUo与ZSGSBM前沿面的差距。由于决策单元DMUo需要减少Z单位投入来到达ZSGSBM前沿面，可见，Z是hZSGo的函数，即Z=f（hZSGo）。并且Z需要在其它决策单元间进行分配，则yb′i是Z的函数，即yb′i=f1（Z）=f2（hZSGo）。因此，考虑Z单位投入在其它决策单元间的分配时，不同分配策略可能带来差异化分配结果，本文选择Lins[47]、Gomes[48]采用的比例分配策略。

（3）模型求解：比例分配策略。比例分配策略将决策单元DMUo的非期望产出分配量Z按照其余决策单元已有非期望产出比例来分配，即

按照上述求解过程迭代计算，直至hZSG*o=h*o=1时，各决策单元均达到系统前沿面，该非期望产出的分配达到效率最优。

2.3指标与数据说明

借鉴现有碳效率评价相关研究成果，本文选择劳动力、资本存量和能源消费量作为系统的投入要素；国内生产总值作为系统期望产出；CO2排放量作为系统的非期望产出变量。由于本文以我国“十三五”时期的省际碳排放目标分配为研究对象，后续的计算涉及“十三五”时期的相关数据，因此，本文首先针对我国“十三五”时期的经济发展状况、能源消费结构变动等情况设置假设情景。

2.3.1情景设置

2015年，我国“十三五”规划中强调的“十三五”期间经济增长目标为6.5%—7%，借鉴李善同[51]等的研究方法，本文对我国“十三五”期间的经济增长水平设置低速和高速两种情景，分别对应6.5%和7%的经济增长率，并且省际经济增长水平与国家经济增长水平一致。同时，大量研究表明，能源消费结构是碳排放以及碳强度的重要影响因素，因此，本文针对能源消费结构设置不变和变动两种情景。能源消费结构不变情景条件下，我国“十三五”期间省际能源消费量根据其“十二五”期间的碳排放系数倒推计算；而能源消费结构变动情景条件下，我国“十三五”期间省际能源消费量根据“十三五”规划中设定的能源强度15%的目标约束计算。综上所述，本文后续研究综合考虑了我国“十三五”时期的经济发展状况和能源消费结构变动情况等四种情景来进行分析。

2.3.2指标及数据

具体指标选择上，劳动力指标采用各省人口总量来指代，根据我国“十二五”期间省际人口平均增长率以及2015年底的省际总人口计算获得。资本存量的测算采用林伯强[52]、Li[53]和郭文[54]等使用的永续盘存法计算，再结合我国“十二五”期间的固定资产平均投资额和苗壮[5]等计算的折旧率10.96%，计算获得我国“十三五”时期的省际资本存量。能源消费量指标和国内生产总值指标根据前文的情境设置来计算。碳排放量指标的计算采用倒推法，根据我国“十二五”期间的省际碳强度，结合“十三五”期间的国内生产总值以及碳强度降低18%的目标约束逆算获得。通过上述数据整理和计算，本文获得我国“十三五”期末各省的投入产出数据预测值如表1所示。

3结果与讨论

3.1省际碳排放效率测算

根据公式（2）和前文设定的四种情景，本文首先采用Matlab2009a软件测算了我国各省份的碳排放效率。限于篇幅，本文的测算过程均以“十三五”期末2020年为例，结果如表2所示。

测算结果表明，在四种情景下，采用碳减排目标平均分配原则会造成我国30个省份的碳排放效率产生巨大的差异，碳排放效率最高的北京市与最低的山西省间的效率极差达到54.56%。具体而言：①北京市、海南省和青海省的效率测算值都为1.000，说明上述省市的碳排放效率值位于数据包络前沿面上，达到了碳排放量、劳动力数量、资本存量、能源消费以及GDP产出的帕累托最优状态。这与现有大量文献的结论一致，北京市碳排放效率的优势主要来源于北京市施行的严格的环境规制政策、产业结构的优化以及先进的生产技术，而海南省和青海省的环境现状一直处于我国前列。②经济较为发达的东部省份中，天津市、上海市、江苏省、浙江省、福建省、山东省和广东省的效率值较高，特别是在情景1中，天津市、上海市、江苏省和广东省的碳排放效率到达30个省份整体的前沿面上。而经济欠发达的中、西部省份以及东北三省的碳排放效率值普遍较低。这一结果与李小胜[55]等的结论一致，主要原因在于我国已经施行了多年的低碳经济发展道路，而由于其經济水平和技术水平的优势，北京、天津、上海等经济发达地区一直是低碳经济、绿色经济模式的先驱，在我国“十二五”期间也承担了18%—20%的最严格的碳排放强度约束目标，这些都为这些发达省份在“十三五”时期，甚至更远的未来获得更高的碳排放效率奠定了基础。③对比30个省份在情景1与情景2、情景3与情景4条件下的测算结果发现，在各省人口总量、资本存量规模预测值固定的情况下，经济发展水平增速越大，省际碳排放效率值越高。然而，碳排放效率的平均增值（0.18%）远低于经济增速（0.50%），表明单纯的追求经济发展增速对于提升我国省际碳排放效率的效果欠佳，而应注重经济生产系统劳动力、资本存量、能源、碳排放以及GDP产出的分配和匹配。同时，对比30个省份在情景1与情景3、情景2与情景4条件下的测算结果可知，使用碳排放强度和能源强度双重约束条件下的省际碳排放效率优于采用碳排放强度单指标约束的效率值。表明在碳排放强度约束的基础上，能源强度约束将迫使各省调整和优化能源消费结构，从而更加接近数据包络效率前沿。

3.2省际碳减排目标分配

在“十三五”期末我国30个省份碳排放效率测算的基础上，结合本文提出的ZSGSBM模型，我们经过两次迭代计算获得了前文4种情景条件下，我国省际碳排放量的效率分配额度以及分配后的省际碳排放强度的变化情况。限于篇幅，本文没有列示，若需要，作者可提供计算结果。

结果表明：①四种情景条件下，分别经过ZSGSBM模型的迭代计算后，我国省际碳排放ZSGSBM效率值hZSG*o均为1，表明在碳排放量进行省际间的效率分配后，各省均到达前沿面，即实现了全部省份的碳排放量、劳动力数量、资本存量、能源消费以及GDP产出等投入、产出要素的效率配置。②从碳排放重新分配的增减额度来看，30个省份中，碳排放量需要进一步分配减少的省份包括河北省、山西省等16个省份，大多对应着位于中、西部的那些碳排放效率较低、经济欠发达的省份。这些省份中，有一

注：原始数据均来自2011—2015年《中国统计年鉴》、2011—2015年《中国能源统计年鉴》。由于西藏自治区缺乏大量能源统计数据，本文不予考虑。另外，资本存量指标和国内生产总值指标以2011年为基期进行了平减处理，平减指数分别选择了我国“十二五”期间各省的平均居民消费价格指数和平均固定资产投资价格指数。

部分是我国的主要重工业省份，如东北三省等等，这些省份的污染性较高的产业比重较大，加上经济欠发达，环境处理技术落后，导致其碳排放效率一直处于较低水平；有一部分能源资源禀赋较好的省份，如山西省等，良好的资源禀赋造成区域能源资源成本偏低，能源消费量较大，造成其碳排放效率的低下；还有一部分是西部经济落后地区，如甘肃省、广西省等等，由于生产技术的落后，这些省份的经济生产效率长期处于我国省份的末尾，其碳排放效率也较低。从碳排放效率分配的视角来看，这些省份均应减少碳排放量。③分配增加碳排放量的省份包括北京市、天津市等14个省份。这些省份中，大多是经济发达、碳排放效率较高的东部省份，如北京市、上海市等等，由于经济水平较发达，人们的收入水平也相对较高，对于生活环境的关注和要求都更强，从而更加重视环境污染方面的投资和技术改进，带来了相对较高的碳排放效率；还有一小部分是目前第二产业较少，环境状态良好的省份，如海南省、青海省等等。上述省份的碳排放效率较高，从碳排放效率分配的视角来看，其“十三五”期间可以适量增加其碳排放量，即减小这些省份的碳排放约束目标。④表3最后一行数字列示了“十三五”期末，在经济高速增长、能源结构变化的情景条件下，我国30个省份整体的碳排放总量、ZSGSBM分配后的碳排放总量、碳排放总量的增减额度等指标值。结果发现，我国整体碳排放总量的增减额度为0，即全国“十三五”期末在碳排放强度约束条件下的总碳排放量853 240.213 7万t保持不变，碳排放强度也保持不变，这体现了本文“零和收益”的建模思想，即碳排放量的效率分配是在全国整体碳减排目标完成基础上，在省际之间分配。并且，情景2、情景3和情景4条件下的测算结果于情景1类似，此处不再赘述。

3.3效率分配与行政分配的差异分析

2016年，国务院发布的《“十三五”控制温室气体排放工作方案》确定了我国各省份的碳排放强度减排目标：其中，碳排放强度约束最大的是北京市、天津市、河北省、上海市、江苏省、浙江省、山东省和广东省的20.5%；其次是福建省、江西省、河南省、湖北省、重庆市和四川省的19.5%；而山西省、辽宁省、吉林省、安徽省、湖南省、贵州省、云南省和陕西省则需下降18%，内蒙古自治区、黑龙江省、广西自治区、甘肃省、宁夏自治区分别下降 17%；最后，海南省、青海省、新疆自治区的碳排放强度约束指标为12%。本文对比了各省的ZSG碳排放强度效率分配测算结果与上述碳排放强度行政分配目标的差异，结果如表3所示。

计算结果表明：① “十三五”期末我国省际碳排放强度ZSG分配目标与国家行政分配的省际碳排放强度分配目标存在较大差异，包括北京市、天津市等省市在内的15个省份的碳排放强度ZSG分配目标低于国家行政分配目标，其余省市则相反。需要特别提到的是海南省和青海省，这两个省份要实现碳排放强度ZSG分配减排目标值相对较低，然而，由于这两个省份的环境保护基础较好，碳排放效率较高，政府为其制定的碳排放强度目标远低于其他省市，造成这两个省份出现了的碳排放强度ZSG分配目标高于国家行政分配目标的情况。②以情景1为例，体现最大正向差异的省份分别是广东省、江苏省、北京市和上海市。这些省市的经济发展水平较高，环境污染处理技术也处于领先地位，国家赋予这些省份较高的碳排放强度减排目标是希望这些省份继续发挥优势，挖掘潜力，并在全国低碳经济转型的进程中起到示范作用。体现最大负向差异的是新疆自治区、山西省、甘肃省和黑龙江省等省市。其中，山西省是我国最大的能源生产和输出省份，良好的资源禀赋造成该省份能源成本低，企业的成本控制更大的依赖能源资源投入；黑龙江省则是我国重型工业大省，污染型产业的比重较大；而新疆自治区和甘肃省则是我国经济落后省份，加上相对落后的污染治理技术，造成上述省份的碳排放效率较低。从“效率”导向的计算结果来看，这些省份应当承担较高的减排责任；然而，政府的行政分配机制立足于省际碳减排目标的“公平”导向，更多的考虑了这些省份的资源禀赋、经济发展水平和产业结构的现状，在制定其碳排放强度减排目标时，适当的降低了这些省份的减排责任，进而造成了负向差异较大的结果。可见，基于“公平”导向的碳排放强度减排目标分配方式必然导致一定程度的效率损失。因此，从经济长远发展目标来看，基于“零和收益”思想的碳减排目标效率分配方法实现了各省份劳动力、资本、能源、GDP以及碳排放的有效配置，达到了各项投入、产出要素的帕累托最优，更符合我国低碳经济的发展理念和要求。③对比表4第6列（情景1）和第9列（情景3）的结果可知，在经济发展水平预期一致的情况下，采取碳排放强度和能源强度的双重约束会增大省际碳排放强度ZSG分配目标与国家行政分配目标，具体表现为情景1条件下的差异绝对值大于情景3条件下的差异绝对值。主要原因在于，相对于碳排放强度单指标约束条件，碳排放强度和能源强度的双重约束导致省际碳排放效率前沿面下移，需要分配的碳排放量更大，从而拉大了各省份经过ZSG分配后的碳强度差距。

3.4“十三五”时期各省的低碳经济发展路径分析

低碳经济发展路径包含“经济增长”和“环境友好”两层含义，前文的研究表明，由于资源禀赋、能源消费结构等因素的省际异质性，将我国“十三五”规划中制定的18%的碳减排目标平均分配至各个省份将造成各省碳排放效率的巨大差异。尽管《“十三·五”控制温室气体排放工作方案》对省际碳减排目标进行了必要的调整，然而表4的结果表明，调整结果并没有实现省际“经济—环境—能源”系统的投入、产出最优配置。因此，下文以情景1为例，分别以6.97万元/人的人均GDP和16%的碳减排目标为分界线，从“经济增长”和“环境友好”两个维度将我国30个省份划分为高人均GDP低碳减排压力、低人均GDP低碳减排压力、高人均GDP高碳减排压力和低人均GDP高碳减排压力4类区域。其中，若省份的ZSG分配碳排放强度下降幅度大于15%，表示该省份的减排压力较高，反之则较低。以此来探索4类区域的低碳经济发展路径，结果见图3。

如图3所示：①位于I类地区的省份分别为北京市、上海市和广东省等7个省市，说明这7个省市的人均GDP较高，且需要承担的碳减排压力较低，基本实现了低碳经济的发展模式，该类地区若要进一步降低碳排放强度，则应增加风电、水电等清洁能源的使用，通过能源消费结构的调整优化能源消费碳排放系数，从而减少单位能源消费碳排放量。②位于II类地区的省份分别是海南省、青海省和宁夏自治区，表明这3个省份的碳减排压力较小，其低碳经济的发展路径应重点提升其人均GDP水平。其中，海南省可以充分发挥其参与我国“21世纪海上丝绸之路经济带战略”的契机，加快现代金融服务业、现代物流业的产业布局和发展；青海省和宁夏自治区独特的地理和气候特征为其农牧业创造了独特的优势和特色，一直是我国农牧业大省，因此，它们应突出其特色农牧产品和生态环境优良的优势，大力发展具有特色、高效和品牌效应的生态农牧业，并向上游产业链延伸，通过发展和优化农牧产品加工产业来保障农畜产品供销体系，进一步提高经济发展水平。③位于III类地区的省份具有较高人均GDP和较高的碳排放压力，其低碳经济发展道路以降低碳排放强度为重点。其中，福建省应充分发挥其承接长江三角洲和珠江三角洲两大经济发达区域、以及沿海的区位优势。一方面，加强与长江三角洲、珠江三角洲的经济资源共享，促进以金融服务业为主的第三产业的聚集；另一方面，充分利用其海上风电的优势，加快能源消费结构调整，降低碳排放强度。而辽宁省是我国主要的重工业省份，内蒙古自治区则是主要的煤炭输出省份，这两个省份应以产业结构升级为重心，努力降低高污染、高能耗行业的比重。④位于IV類地区的省份既承担较重的碳减排压力，同时经济发展水平相对较低。其中，湖北省、重庆市、陕西省和吉林省相似，其人均GDP水平接近于我国整体人均GDP的水平，因此，这些省份应首先考虑提升当地经济发展水平，先向III类地区靠近，再谋求碳排放强度的降低；而江西省、湖南省、河南省、安徽省、贵州省和四川省的人均GDP离全国整体人均GDP尚有距离，这些省份的低碳经济发展道路应首先注重碳排放强度的降低，即挖掘自身节能减排潜力，调节能源消费结构，先向II类地区靠近；由于资源禀赋特点而导致高能耗产业比重较大的山西省，应加快淘汰煤炭开采、钢铁以及煤化工产业的过剩产能，注重产业结构的重塑；最后，经济欠发达的广西省、云南省、甘肃省和新疆自治区则应经济发展目标和碳减排目标并重，并根据本省份的实际现状选择两者中优先考虑的目标。

4结论

本文在传统SBM效率测算模型中引入“零和收益”的博弈思想，构建了基于零和收益的SBM（ZSGSBM）模型。然后从经济增速和能源消费结构变化两个维度，就我国“十三五”期间的经济生产系统的发展情况设置了4种情景条件，进而应用上述ZSGSBM模型对“十三五”期间我国30个省份的碳排放强度减排目标进行效率分配。最后通过对比本文碳排放强度减排目标分配结果和国家行政分配方案，探索了“十三五”期间我国各省份的低碳经济发展道路。本文的主要结论在于：

（1）在本文4种情景条件下，将“十三五”规划中确定18%的碳减排目标平均分配到各省份中将造成我国“十三五”时期的省际碳排放效率出现巨大差异。经济较为发达的东部省份和环境现状较好的海南省、青海省的碳排放效率较高，到达或接近于省际经济系统的碳排放效率前沿，而经济欠发达的中、西部地区则相反。在采用ZSGSBM模型对省际碳排放量进行效率分配后，30个省份的效率值hZSG*o均为1.000 0，即到达效率前沿，各省劳动力、资本存量和能源等投入资源与GDP、碳排放量等产出的有效配置，实现了全国整体资源的帕累托最优。

（2）考虑到我国各省份在能源资源禀赋、经济发展水平和现有产业结构的异质性，目前，中央政府的行政分配机制主要立足于省际碳减排目标的“公平”导向，在制定省际碳排放强度减排目标时兼顾了区域经济增长、居民生活水平提高等因素，倾向于降低经济欠发达省份的减排责任，在短期内保证了这些省份实现碳减排目标的可行性。然而，这种基于“公平”导向的行政分配方式必然造成一定程度的效率损失，从经济长远发展目标来看，基于“零和收益”思想的碳减排目标效率分配方法更符合低碳经济的发展要求。因此，政府在制定各省份碳减排具体目标时，可以交叉使用“公平”导向和“效率”导向的碳减排目标分配方法，既能缓解经济欠发达省份短期内的减排压力，又能逐步向投入、产出要素的帕累托最优配置状态靠近，最终实现我国低碳经济发展的长远目标。

（3）通过一一对比4种情景条件下的测算结果，本文发现：第一，使用碳排放强度和能源强度双重目标约束条件下的省际碳排放效率优于采用碳排放强度单指标约束的效率值。这是由于在碳排放强度约束的基础上，能源强度的进一步约束将迫使各省调整和优化能源消费结构，从而更加接近数据包络的碳排放效率前沿。第二，在经济发展水平预期相同的情况下，采取碳排放强度和能源强度的双重目标约束会增大省际碳排放强度ZSG分配目标的差距。相对于碳排放强度单指标约束条件，碳排放强度和能源强度的双重目标约束导致省际碳排放效率前沿面下移，碳排放效率较低的省份需要分配出去更多的碳排放量，从而拉大了各省份经过ZSG分配后的碳强度差距。

（4）鉴于省份资源禀赋、地理位置、经济水平和现有产业结构的异质性，各省应选择有差异的低碳经济发展道路。I类地区的北京、上海等省市应增加风电、水电等清洁能源的使用，通过能源消费结构的优化来减少碳排放量。II类地区的海南省应加快现代金融服务业、现代物流业的产业布局和发展；青海省和宁夏自治区则要大力發展具有特色、高效和品牌效应的生态农牧业，并向上游产业链延伸。III类地区的福建省应充分发挥其区位优势，一方面加强与长江三角洲、珠江三角洲的经济资源共享，一方面充分利用其海上风电的优势，加快能源消费结构调整。而辽宁省和内蒙古自治区则应以产业结构升级为重心，努力降低高污染、高能耗行业的比重。IV类地区的省份则应将经济发展目标和碳减排目标并重，并根据本省份的实际现状选择两者中优先考虑的目标。

（编辑：李琪）

参考文献（References）

[1]周葵， 戴小文. 中国城市化进程与碳排放量关系的实证研究[J]. 中国人口·资源与环境， 2013， 23（4）： 41-48.[ZHOU Kui，DAI Xiaowen. An empirical study on the relationship between urbanization and carbon emission in China[J]. China population， resources and environment， 2013， 23（4）： 41-48.]

[2]WANG Zhaohua， YIN Fangchao， ZHANG Yixiang， et al. An empirical research on the influencing factors of regional CO2 emissions： evidence from Beijing city， China[J]. Applied energy， 2012， 100（4）：277-284.

[3]DONG Feng， LI Xiaohua， LONG Ruyin， et al. Regional carbon emission performance in China according to a stochastic frontier model[J]. Renewable & sustainable energy reviews， 2013， 28（8）：525-530.

[4]GUO Wen， SUN Tao， DAI Hongjun. Effect of population structure change on carbon emission in China[J]. Sustainability， 2016， 8（3）： 225-244.

[5]苗壮， 周鹏， 李向民. 我国“十二五”时期省级碳强度约束指标的效率分配[J]. 经济管理， 2012（9）：25-36.[MIAO Zhuang， ZHOU Peng， LI Xiangmin. Chinas carbon intensity constraint efficiency allocation research during “12·5” period[J]. Economic management journal， 2012（9）：25-36.]

[6]HUA Zhongsheng， BIAN Yiwen， LIANG Liang. Ecoefficiency analysis of paper mills along the Huai River： an extended DEA approach[J]. Omega， 2007， 35（5）：578-587.

[7]TONE K. A slacksbased measure of efficiency in data envelopment analysis[J]. European journal of operational research， 2001， 130（3）：498-509.

[8]ZHANG Chunhong， LIU Haiying， BRESSERS H， et al. Productivity growth and environmental regulationsaccounting for undesirable outputs： analysis of Chinas thirty provincial regions using the MalmquistLuenberger index[J]. Ecological economics， 2011， 70（12）： 2369-2379.

[9]WU Fei， ZHOU Peng， ZHOU Dequn， et al. Industrial energy efficiency with CO2 emissions in China： a nonparametric analysis[J]. Energy policy， 2012， 49： 164-172.

[10]ZHOU Peng， ANG B W， POH K L. Slacksbased efficiency measures for modeling environmental performance[J]. Ecological economics， 2006， 60（1）： 111-118.

[11]王兵， 吴延瑞， 颜鹏飞. 中国区域环境效率与环境全要素生产率增长[J]. 经济研究， 2010 （5）： 95-109.[WANG Bing，WU Yanrui， YAN Pengfei. Environmental efficiency and environmental total factor productivity growth in Chinas regional economies[J]. Economic research journal， 2010 （5）： 95-109.]

[12]ZHOU Yan， LIANG Dapeng， XING Xinpeng. Environmental efficiency of industrial sectors in China： an improved weighted SBM model[J]. Mathematical and computer modeling， 2013， 58（9）： 990-999.

[13]周五七， 聶鸣. 中国工业碳排放效率的区域差异研究[J]. 数量经济技术经济研究， 2012（9）： 58-70.[ZHOU Wuqi， NIE Ming. Regional differences in the efficiency of industrial carbon emissions in China[J]. The journal of quantitative & technical economics， 2012（9）： 58-70.]

[14]马大来， 陈仲常， 王玲. 中国省际碳排放效率的空间计量[J]. 中国人口·资源与环境， 2015， 25（1）： 67-77.[ MA Dalai， CHEN Zhongchang， WANG Ling. Spatial econometrics research on interprovincial carbon emissions efficiency in China[J]. China population， resources and environment， 2015， 25（1）： 67-77.]

[15]史丹， 吴利学， 傅晓霞， 等. 中国能源效率地区差异及其成因研究[J]. 管理世界， 2008（2）： 35-43. [SHI Dan， WU Lixue， FU Xiaoxia， el at. A study on regional differences of energy efficiency and its causes in China[J]. Management world， 2008（2）： 35-43.]

[16]DU Juan， LIANG Liang， ZHU Joe. A slacksbased measure of superefficiency in data envelopment analysis： a comment[J]. European journal of operational research， 2010， 204（3）： 694-697.

[17]查冬兰， 周德群， 孙元. 为什么能源效率与碳排放同步增长[J]. 系统工程， 2013， 238（10）： 105-111.[ ZHA Donglan， ZHOU Dequn，SUN Yuan. Why do the energy efficiency on reduction and carbon emission increase simultaneously[J]. Systems engineering， 2013， 238（10）： 105-111.]

[18]李兰冰. 中国全要素能源效率评价与解构——基于“管理—环境”双重视角[J]. 中国工业经济， 2012（6）：57-69.[ LI Lanbing. Evaluation on regional energy efficiency in China： based on managerial and environmental viewpoints[J]. China industrial economics， 2012（6）：57-69.]

[19]GUO Xiaodan， ZHU Lei， FAN Ying， et al. Evaluation of potential reductions in carbon emissions in Chinese provinces based on environmental DEA[J]. Energy policy， 2011， 39（5）： 2352-2360.

[20]王群伟， 周德群， 周鹏. 区域二氧化碳排放绩效及减排潜力研究——以我国主要工业省区为例[J]. 科学学研究， 2011（6）： 868-882.[ WANG Qunwei， ZHOU Dequn， ZHOU Peng. Regional carbon dioxide emission performance and its reduction potential based on environmental production technology： the case of main industrial provinces in China[J]. Studies in science of science， 2011（6）： 868-882.]

[21]BIAN Yiwen， HE Ping， XU Hao. Estimation of potential energy saving and carbon dioxide emission reduction in China based on an extended nonradial DEA approach[J]. Energy policy， 2013， 63（4）： 962-971.

[22]XU Feng， XIANG Nan， YAN Jingjing， et al. Dynamic simulation of Chinas carbon emission reduction potential by 2020[J]. Letters in spatial & resource sciences， 2015， 8（1）： 15-27.

[23]FENG Xiangzhao， ZOU Ji. Economic analysis of CO2 emission trends in China[J]. China population， resources and environment， 2008， 18（3）： 43-47.

[24]郭朝先. 中国二氧化碳排放增长因素分析：基于SDA分解技术[J]. 中国工业经济， 2010 （12）： 47-56.[GUO Chaoxian. An analysis of the increase of CO2 emission in China： based on SDA technique[J]. China industrial economics， 2010（12）： 47-56.]

[25]刘贞， 朱开伟， 阎建明， 等. 产业结构优化下电力行业碳减排潜力分析[J]. 管理工程学报， 2014， 28（2）： 87-93.[LIU Zhen， ZHU Kaiwei， YAN Jianming， el at. The analysis of power sector carbon mitigation potential in the industrial structure optimization scene[J]. Journal of industrial engineering and engineering， 2014， 28（2）： 87-93.]

[26]周鵬， 周迅， 周德群. 二氧化碳减排成本研究述评[J]. 管理评论， 2014， 26（11）： 20-28.[ZHOU Peng， ZHOU Xun， ZHOU Dequn. A survey of studies on estimating CO2 mitigation costs[J]. Management review， 2014， 26（11）： 20-28.]

[27]SIMOES S， CLETO J， FORTES P， et al. Cost of energy and environmental policy in portuguese CO2 abatementscenario analysis to 2020[J]. Energy policy， 2008， 36（9）： 3598-3611.

[28]MINIHAN E S， WU Ziping. Economic structure and strategies for greenhouse gas mitigation[J]. Energy economics， 2012， 34（1）： 350-357.

[29]姚云飞， 梁巧梅， 魏一鸣. 国际能源价格波动对中国边际减排成本的影响： 基于CEEPA模型的分析[J]. 中国软科学， 2012（2）： 156-165.[YAO Yunfei1， LIANG Qiaomei， WEI Yiming. The impacts of international energy price volatility on Chinas marginal abatement cost： a CEEPAbased analysis[J]. China soft science， 2012 （2）： 156-165.]

[30]CHEN Wenying. The Costs of mitigating carbon emissions in China： findings from China MARKALMACRO modeling[J]. Energy policy， 2005， 33（7）： 885-896.

[31]ZHOU Peng， ZHOU Xu. On estimating shadow prices of undesirable outputs with efficiency models： a literature review[J]. Applied energy， 2014， 130（1）： 799-806.

[32]MARADAN D， VASSILIEV A. Marginal costs of carbon dioxide abatement： empirical evidence from crosscountry analysis[J]. Revue suisse d economie et de statistique， 2005， 141（3）： 377.

[33]FARE G， GROSSKOPF S， PASURKA C A. Environmental production functions and environmental directional distance functions[J]. Energy， 2007， 32（7）： 1055-1066.

[34]王群偉， 周德群， 葛世龙， 等. 环境规制下的投入产出效率及规制成本研究[J]. 管理科学， 2009， 22（6）： 111-119. [WANG Qunwei， ZHOU Dequn， GE Shilong， et al. Research on inputoutput efficiency and regulatory cost under environmental regulation[J]. Journal of management sciences， 2009， 22（6）： 111-119.]

[35]叶祥松， 彭良燕. 我国环境规制下的规制效率与全要素生产率研究：1999—2008[J]. 财贸经济， 2011（2）： 102-110. [YE Xiangsong， PENG Liangyan. Research on regulation efficiency and TFP of environmental regulation in China from 1999 to 2008[J]. Finance & trade economics， 2011（2）： 102-110.]

[36]PENG SZ， CHANG Y， ZHANG JT. Consideration of some key issues of carbon maket development in China[J]. Chinese journal of population， resources and environment， 2015，13（1）：10-15.

[37]FU JY， ZHANG CJ. International trade， carbon leakage， and CO2 emissions of manufacturing industry[J]. Chinese journal of population， resources and environment，2015，13（2）：139-145.

[38]SUN R，KUANG D，CHANG DQ. Effect analysis of carbon trading on EconomyEnergyEnvironment system and calculation of reasonable carbon price intervals[J]. Chinese journal of population， resources and environment， 2015，13（2）：146-154.

[39]FANG QQ， ZHOU XH， LIU JR. Double dividend of carbon intensity： environmentalquality improvement and sustainable economic growth[J].Chinese journal of population， resources and environment， 2015，13（3）：187-197.

[40]MIAO Zhuang， GENG Yong， SHENG Jichuan. Efficient allocation of CO2 emissions in China： a zero sum gains data envelopment model[J]. Journal of cleaner production， 2015， 112：4144-4150.

[41]RIETBERGEN M G， BLOK K. Assessing the potential impact of the CO2 performance ladder on the reduction of carbon dioxide emissions in the Netherlands[J]. Journal of cleaner production， 2013， 52（4）： 33-45.

[42]WANG Qunwei， CUI Qinjun， ZHOU Dequn， et al. Marginal abatement costs of carbon dioxide in China： a nonparametric analysis[J]. Energy procedia， 2011， 5（5）： 2316-2320.

[43]郭文， 孙涛， 朱建军. 基于最大有效面集的网络SBM评价模型及其应用[J]. 控制与决策， 2014， 29（12）： 2282-2286. [GUO Wen， SUN Tao， ZHU Jianjun. Network slacksbased measure evaluation method based on maximum frontier set and its application[J]. Control and decision， 2014， 29（12）： 2282-2286.]

[44]ZHANG Ning， CHOI Y. Environmental energy efficiency of Chinas regional economies： a nonoriented slacksbased measure analysis[J]. Social science journal， 2013， 50（2）： 225-234.

[45]TONE K. Variations on the theme of slacksbased measure of efficiency in DEA[J]. European journal of operational research， 2010， 200（3）： 901-907.

[46]DU Juan， LIANG Liang， ZHU Joe. A slacksbased measure of superefficiency in data envelopment analysis： a comment[J]. European journal of operational research， 2010， 204（3）： 694-697.

[47]LINS M P E， GOMES E G， JOAO C， et al. Olympic ranking based on a zero sum gains DEA model[J]. European journal of operational research， 2003， 148（2）：312-322.

[48]GOMES E G， LINS M P E. Modelling undesirable outputs with zero sum gains data envelopment analysis models[J]. Journal of the operational research society， 2008， 59（5）： 616-623.

[49]AZADI M， SAEN R F. Developing an outputoriented super slacksbased measure model with an application to thirdparty reverse logistics providers[J]. Journal of multicriteria decision analysis， 2011， 18（5）： 267-277.

[50]PARADI J C， WILSON D， YANG Xiaopeng. Data envelopment analysis of corporate failure for nonmanufacturing firms using a slacksbased measure[J]. Journal of service science & management， 2014， 7（4）： 277-290.

[51]李善同， 侯永志， 劉云中，等. 中国经济增长潜力与经济增长前景分析[J]. 管理世界， 2005（9）： 7-19.[LI Shantong， HOU Yongzhi， LIU Yunzhong， et al. An analysis of Chinas economic growth potential and perspective[J]. Management world， 2005（9）： 7-19.]

[52]林伯强， 孙传旺. 如何在保障中国经济增长前提下完成碳减排目标[J]. 中国社会科学， 2011（1）： 64-76.[ LIN Boqiang， SUN Chuanwang. How can China achieve its carbon emission reduction target while sustaining economic growth？ [J]. Social sciences in China， 2011（1）： 64-76.]

[53]LI Lanbin， HU Jinli. Ecological totalfactor energy efficiency of regions in China[J]. Energy policy， 2012， 46（4）： 216-224.

[54]郭文， 孙涛. 中国工业行业生态全要素能源效率研究[J]. 管理学报， 2013， 10（11）： 1690-1695.[GUO Wen， SUN Tao. Chinese industries ecological total factor energy efficiency[J]. Chinese journal of management， 2013， 10（11）： 1690-1695.]

[55]李小胜， 宋马林. “十二五”时期中国碳排放额度分配评估——基于效率视角的比较分析[J]. 中国工业经济， 2015 （9）： 99-113.[LI Xiaosheng， SONG Malin. Regional allocation of CO2 emissions allowance during the “Twelfth FiveYear” in China： from the perspective of efficiency comparative analysis[J]. China industrial economics， 2015 （9）： 99-113.]

作者简介：郭文，博士，讲师，主要研究方向为碳排放效率评价与优化。Email： guowen_870608@163.com。

基金项目：国家自然科学基金面上项目“基于公众认知视角的邻避项目环境风险评估与治理研究”（批准号：71671080），“互联网环境下考虑内生信息的邻避集群行为演化机理研究” （批准号：71571099）；国家自然科学青年基金项目“邻避行为的形成、演变及其冲突协调研究”（批准号：71301070）；江苏省社会科学基金“群体性邻避行为的度量及其冲突协调研究”（批准号：13SHC014）；全国统计科学研究项目“能源品阶视角下我国能源统计核算及其资产负债表编制”（批准号：2016LZ36）。