中国交通业全要素碳排放效率的测度及动态驱动机理研究
2018-06-04周银香洪兴建
周银香,洪兴建
(1.浙江工商大学 统计与数学学院,浙江 杭州 310018;2.浙江财经大学 数据科学学院,浙江 杭州 310018)
进入21世纪以来,能源耗竭、环境污染和全球气候变暖已成为摆在世界各国人们面前的重大课题,妥善解决以二氧化碳为主的温室气体排放所引起的各类矛盾不仅是经济和科学问题,也是全球性的政治与社会问题,直接关系到各国的发展权益和发展空间。在2015年第21届巴黎气候变化大会上,195个缔约方达成一个具有里程碑意义的气候变化协议。协议制定的目标是较工业化前水平,全球平均气温升幅控制在2℃以内,并努力把升温控制在1.5℃之内,规定2020年后各缔约方将以“自主贡献”的方式参与全球应对气候变化行动。作为全球最大的发展中国家和二氧化碳排放国,中国政府承诺到2030年实现单位GDP二氧化碳排放强度比2005年降低60%~65%。要实现这一承诺,中国需要加快将以大量消耗资源为基础的粗放式经济发展模式,转型到以创新与效率提高为主的内涵式发展模式。
交通运输业是国民经济和社会系统运转的基础载体和战略先导产业,随着经济的快速发展,交通运输业步入了加速扩张期,运输规模和运输质量都取得了巨大成就,为我国社会经济发展做出了重要贡献,但与此同时也导致了能源消耗、环境污染以及碳排放激增等强负外部性效应。全球碳项目(GCP)发布的《2016年全球碳预算报告》显示,2015年中国二氧化碳排放总量为104亿吨,占全球排放总量的29%,超过美国与欧盟28国之和,其中交通运输业CO2排放量占比已超过15%,仅次于能源部门,并呈现出明显的递增趋势,由此带来的环境影响受到人们的高度关注,尤其是近年来中国多地频发的“四面霾伏”更是将交通业碳排放推到了风口浪尖。保持经济高速发展的同时,如何协调交通业发展与碳排放之间的关系,促进交通业由粗放式发展转型为以效率提高为主的内涵式发展模式成为学术界和决策者高度关注的焦点。为此,科学测度交通业碳排放效率,探析交通业碳减排的有效路径和政策,对于促进中国低碳化发展具有重要的现实意义。
一、 文献综述
碳排放效率泛指一定时期内,投入各种生产要素进行生产活动释放碳排放所带来的经济效益,主要包括单要素碳排放效率和全要素碳排放效率两个概念。Kaya和Yokobori(1993)[1]最早从单要素的视角定义了碳排放效率,将其界定为GDP与碳排放量之比。随后,Ang(1999)[2],Aldy(2006)[3],Fan等(2007)[4],Jobert等(2010)[5]分别以单位GDP能耗、单位能源二氧化碳排放、单位GDP二氧化碳排放等单要素指标衡量了碳排放效率。单要素碳排放效率指标易于理解和测度,但衡量的是碳排放与有效产出(或投入)之间的一种单一比例关系,无法度量潜在的碳排放技术效率,并忽略了能源结构、经济发展、要素替代等因素的作用。鉴于此,人们开始将生产要素投入、期望产出和非期望产出综合纳入统一的框架,从全要素的视角对碳排放效率展开研究。
目前全要素碳排放效率的测度方法主要有随机前沿分析法(SFA)和数据包络分析法(DEA),由于DEA可避免SFA关于模型设定和随机干扰项正态分布的强假设偏误,并能更好地拟合含期望产出和非期望产出的多产出活动,适用范围远比SFA广泛。同时,随着DEA应用领域的不断拓展,其方法也实现了创新和发展,尤其是将松弛变量直接纳入目标函数,形成一种基于松弛变量的非径向非角度测度模型(Slacks-Based Measure, SBM),避免了径向与角度选择差异带来的测算偏差,因此成为全要素碳排放效率测度的主流方法(Tone,2001)[6]。Choi等(2012)[7]采用SBM模型估计了中国CO2排放效率和边际减排成本;Gómez-Calvet等(2014)[8]运用修正的SBM-DEA方法分析了欧盟国家的非期望产出和碳排放效率;Zhang等(2017)[9]采用非期望产出的超效率SBM(Super-SBM)模型和Malmquist生产率指数,测度了中国30个省份2005-2012年的低碳经济效率,发现Super-SBM能更为有效地对各省碳排放效率进行排名。
随着交通能源消耗碳排放问题的日益严峻,降低非期望产出以提升交通能源碳排放效率的重要性日益凸显,学者们开始运用DEA对交通领域的全要素碳排放效率进行测度,但主要集中于汽车行业,如Los和Verspagen(2009)[10]、González等(2013)[11]、Hampf和Krüger(2014)[12]采用DEA分析了英国、西班牙和德国等汽车行业的CO2排放效率。国内文献研究则大多体现于区域交通碳排放效率的测算与对比方面,Chang等(2013)[13]运用SBM模型分析了中国2009年各省份交通的碳排放效率,Wang和He(2017)[14]采用全局DEA方法研究了2007-2012年中国区域交通部门的生产率、经济效率、CO2排放效率和边际减排成本,兰梓睿和张宏武(2014)[15]、宋震和丛林(2016)[16]、袁长伟等(2017)[17]收集省域面板数据,运用DEA或SBM-DEA模型测算并对比分析了中国区域交通碳排放效率的省际差异及变化趋势。
关于碳排放效率的影响因素,当前研究主要集中于单要素碳排放效率上,研究方法大致可以分为三类。第一类是指数分解法,一般依托IPAT、STIRPAT和Kaya方程,将CO2排放或单要素碳排放效率的驱动因素分解为规模效应、结构效应和技术效应等[18-19]。第二类是投入产出法,主要通过构建投入产出模型分析影响碳排放的主要因素[20-22]。第三类是计量模型法,运用格兰杰因果检验、协整分析、面板数据回归等方法,检验经济增长、能源消费、技术及国际贸易等要素与碳排放强度、人均碳排放等单要素碳排放效率指标之间的关系[23-25]。目前针对全要素碳排放效率的影响因素研究相对较少,且研究方法主要集中于协整、面板模型或Tobit回归模型等计量方法。比如,薛俊宁和吴佩林(2014)[26]、张伟等(2016)[27]等构建面板模型分析了经济规模、产业结构、能源消费结构、技术进步、对外开放等因素对中国全要素碳排放率的影响程度及空间效应,袁长伟等(2017)[17]构建空间计量模型探究了中国人口规模、要素禀赋、运输结构及节能技术等因素对交通碳排放效率的影响,仲云云、仲伟周(2012)[28],许士春、龙如银(2015)[29]等利用Tobit模型探讨了中国全要素碳排放效率的驱动因素。
综合来看,学术界对于碳排放效率的研究已取得了较为丰富的成果,为后续研究提供了较为重要的借鉴意义。然而,交通行业的碳排放效率研究还较为有限,且在方法和应用方面还需要进一步完善。首先,交通领域全要素碳排放效率的DEA或DEA-SBM测度方法还需进一步优化,实际运用时需充分考虑多个有效决策单元进一步排序比较的问题。其次,现有文献大多聚焦于交通碳排放效率本身的判断而未对碳排放效率的驱动机理做进一步的探究,尤其是行业间的关联影响研究更为鲜见。最后,由于行业间的产业链关系使得某一行业的碳排放效率不仅受其内部因素的驱动作用,还受行业外因素的关联影响及冲击,单一的协整、面板模型或空间计量分析方法难以将行业内外各因素综合纳入统一的框架,对于深究行业碳排放效率的内外传导机理和冲击效果具有一定的局限性。基于此,本文拟将环境、能源与产出一并纳入测算框架,运用同时包含期望产出和非期望产出的超效率SBM(Super-SBM)模型测度交通业全要素碳排放效率,以充分考虑多个有效决策单元的排序比较问题,并更为有效地处理非期望产出;在此基础上,进一步构建行业全局向量自回归模型(Industry Global VAR,IGVAR),通过行业关联权重矩阵链接不同行业的VECM模型,同时估计各行业间可观测的和不可观测的内在联系,清晰地展现交通业碳排放效率的内生驱动和外部冲击效应,以探究交通业碳排放效率的影响因子及行业间的动态传导机理。
二、 基于Super-SBM的交通业全要素碳排放效率测度
(一) 碳排放效率测度的Super-SBM模型
(1)
式(1)中ρ为目标效率,且0≤ρ≤1,s-、sd、su表示要素投入、期望产出和非期望产出的松弛变量,λ为权重向量,下标“0”表示被评价决策单元。当且仅当ρ=1且s-=0、sd=0、su=0时,被评价决策单元是有效的;ρ<1表明被评价决策单元无效,需要对投入产出进行调整。
包含非期望产出的Super-SBM模型为:
(2)
Super-SBM模型可有效解决效率评价中的非期望产出、松弛性以及多个DMU同时有效而无法排序等问题,因而能较为准确测度交通业的全要素碳排放效率。
(二) 数据说明
本文以劳动、资本和能源消费量作为投入,以经济产出和非期望的CO2排放量作为产出。依据《国民经济行业分类》(GB/T4754-2011)和数据的可获得性,同时考虑行业间碳排放关联影响分析的实际需要,选择包括交通运输业在内的6个主要行业(门类)进行碳排放效率测度,主要包括交通运输、仓储和邮政业,农林牧渔业,采掘业,制造业,建筑业,电力、热力、燃气及水生产和供应业(本文统称为水电燃气热力生产供应业)。同时,为了避免Super-SBM DEA因DMUs较少和数据稀疏而无法构造近似光滑的最优生产前沿面,借助36个工业部门(工业行业大类)*36个工业行业大类包含:(1)采掘业:煤炭开采和洗选业,石油和天然气开采业,黑色金属矿采选业,有色金属矿采选业,非金属矿采选业和其他采矿业;(2)制造业:农副食品加工业,食品制造业,烟草制品业,纺织业,纺织服装、鞋、帽制造业,皮革、毛皮、羽毛及其制品和制鞋业,木材加工和木、竹、藤、棕、草制品业,家具制造业,造纸和纸制品业,印刷和记录媒介复制业,文教体育和娱乐用品制造业,石油加工、炼焦和核燃料加工业,化学原料和化学制品制造业,医药制造业,化学纤维制造业,非金属矿物制品业,黑色金属冶炼和压延加工业,有色金属冶炼和压延加工业,金属制品业,通用设备制造业,专用设备制造业,交通运输设备制造业,电气机械和器材制造业,计算机、通信和其他电子设备制造业,仪器仪表及文化、办公机械制造业,工艺品及其他制造业,废弃资源及废旧材料回收加工业;(3)电力、热力、燃气及水生产和供应业:电力、热力生产和供应业,燃气生产和供应业,水的生产和供应业。作为测度的决策单元。
表1 化石能源碳排放系数
注:各系数值参考《中国能源统计年鉴》和IPCC。
投入变量有3个,劳动投入以行业就业人员数均值表示;资本投入以资本存量反映,但由于各行业固定资产折旧率较难获得且计算较为复杂,基于统计数据的限制,本文以当期固定资产投资代替;能源投入以能源消费总量(折合标准煤)表示。产出变量包括期望的行业增加值和非期望的碳排放量。由于中国并不直接公布行业碳排放量,需要以各种能源的消耗量为基础进行推算,依据我国分行业的能源统计口径,交通运输、仓储与邮政业被划分为一个行业(本文统称为交通业),主要消耗煤炭、焦炭、原油、燃料油、汽油、煤油、柴油、天然气等化石能源(由于电力消费不直接排放二氧化碳,在此不进行统计),参考《2006年IPCC国家温室气体清单指南》提供的能源消费碳排放计算模式,交通业碳排放量如下:
(3)
式中,ECO2为能源消耗释放的CO2总量;Ei为能源消耗量(i为能源类型);Si为各种能源的折标准煤系数;Efi为CO2排放系数(如表1所示)。
样本期间为2003-2015年,所有指标数据来源于历年《中国统计年鉴》《中国能源统计年鉴》及《中国工业经济统计年鉴》。
(三) 交通业全要素碳排放效率的测度结果
表2 主要行业碳排放效率测度结果
注:限于篇幅,仅列出六大行业碳排放效率值。平均值是指2003-2015年各行业碳排放效率的算术平均值。
包含交通运输业在内的六个主要行业的碳排放效率见表2和图1,数值由DeaSolver软件计算得到。可以看出,在六大行业中,交通业的碳排放效率处于较低水平且变化趋势不明显。2003-2015年交通业碳排放效率的年平均值为0.1154,略高于采掘业、制造业及水电燃气热力生产供应业,但显著低于建筑业(0.21)和农林渔牧业(0.3838)。究其原因,交通运输属于高投入的基础行业,在其较为粗放的发展阶段内,产出规模的扩大、要素投入的增加可能会引致能源消耗和投入的无效性随之增加,从而降低碳排放效率;同时,随着社会经济的快速发展和收入水平的不断提升,居民出行需求随之猛增并导致了私家车数量的急剧增长,由此带来的能源消耗和碳排放也直接影响了交通业碳排放效率的提升;此外,以煤炭、汽油、柴油等石化燃料为主的能源消费结构、较低的能源利用效率和相对滞后的减排技术,也直接导致了交通业碳排放效率的相对低下。
从发展态势来看,交通业碳排放效率的变动幅度较小,总体变化趋势不显著。这表明相对于环境效益,交通业更加注重经济增长,未来碳排放效率应具有较大的提升空间。
图1 各行业碳排放效率时序变化趋势
结合表3的投入产出要素来看,交通运输业作为第三产业中的基础性主导行业,劳动力投入相对较低,但资本投入仅次于制造业。同时,交通运输业的能源消耗量高达25662万吨标准煤,在六大行业中也仅次于制造业。此外,交通业的二氧化碳排放总量也高达45432万吨,远高于农林渔牧业与建筑业,导致碳排放效率整体偏低。从发展态势来看,交通业资本投入的年均增长率高达14.86%,显著高于其增加值的增速(8.93%),而能源消耗和非期望产出碳排放的增速与经济增加值增速大致相当,这导致其碳排放效率增长态势不明显,因此交通业节能减排任重道远。
表3 各行业2003-2015年投入产出变量的统计描述
三、 交通业碳排放效率驱动机理的IGVAR模型构建与分析
上述研究表明,我国交通业的碳排放效率总体偏低,因此深入探究交通业碳排放效率的驱动因素及其作用路径,对于提升碳排放效率、促进交通业与资源环境的协调发展具有重要意义。考虑到国民经济的实际运行过程中,产业部门之间存在各种直接或间接联系,以及多个部门之间相应形成的深层经济联系,易造成产业部门之间关联碳排放(Lahr和Dietzenbacher,2001)[31],本部分构建行业全局向量自回归模型(IGVAR)模型,将多个部门同时纳入相互关联及相互波及的统一框架内,从而系统地考察交通业碳排放效率的动态驱动机理和关联效应。
图2 交通业碳排放效率驱动机理概念模型图
(一) 交通业碳排放效率的驱动机理
影响交通业碳排放效率的因素众多,相互之间存在较为复杂的传导机制,本文主要从行业内部及行业间的关联视角来探析碳排放效率的驱动机理(图2)。
从行业内部来看,经济规模、能源结构、技术进步等均是影响碳排放效率的关键因素。交通业经济规模的扩大,一方面会增加期望产出从而促升碳排放效率;但另一方面,也会导致资源消耗增加并产生更多的碳排放(非期望产出)而使得碳排放效率下降。因此,行业经济规模的综合效应取决于这两方面因素作用的大小。能源结构对于碳排放效率的影响主要取决于行业能源消耗中化石能源的占比情况,一般地,煤炭、汽油和柴油等碳排放系数较大,其占比的增加会降低碳排放效率。技术进步对于碳排放效率的作用机制可通过多种渠道实现,依据其作用途径可分为直接效应和间接效应两种,直接效应是指技术进步直接作用于碳排放效率,比如清洁型的技术进步可通过提升行业生产率、能源利用效率等提高碳排放效率,但污染型技术研发则反而会增加碳排放(Acemoglu等,2012)[32];间接效应则是指技术进步通过带动经济增长,进而影响碳排放及碳排放效率。
从行业外部关联看,交通业在发展过程中向其前向部门(农林牧渔业、制造业、建筑业等)输送中间产品与运输服务,同时也离不开其后向部门(采掘业、水电燃气热力生产供应业等)所提供中间产品与服务。在这一中间产品与服务转移的过程中,产生了行业经济关联但同时也产生了关联碳转移。从关联方式来看,行业关联的纽带主要有产品和服务、生产技术、价格与投资等,因此,关联行业部门的生产规模扩大、技术水平提升及能源结构调整,不但直接影响了该部门的能源消耗、经济产出及碳排放,也势必通过行业关联纽带作用于交通业的期望产出、碳排放及碳排放效率。
(二) IGVAR模型构建思路
Pesaran和Weiner(2004)[33]最早对经典的VAR模型进行扩展,建立了联系各国宏观经济变量的全球向量自回归(GVAR)模型,并将其应用于分析全球26个经济体之间产出、通货膨胀、利率、汇率与资产价格之间的相互关系,以及石油价格波动带来的外生冲击影响。Dees等(2007)[34]在此基础上进行了拓展,将其改进后用于33个国家和经济体的宏观经济联系与外生冲击影响。目前国内一些文献开始运用GVAR模型分析我国的实际问题,比如中国产业的内生联系与国际经济环境的外生冲击[35],“一带一路”国家双边贸易与中国经济增长[36],中国碳排放的动态效应及国际传导路径[37]等。本部分基于GVAR建模理论构建包含各行业VARX*模型的行业全局向量自回归模型(IGVAR),探究行业碳排放效率的内部驱动及外部溢出效应,此类研究在国内尚未发现。
(4)
AiZit=ai0+ai1t+BiZit-1+εit
(5)
Zit=WiXt
(6)
将式(6)代入式(5)可以得到行业IGVAR模型:
GXt=a0+a1t+HXt-1+εt
(7)
其中:
将式(7)变形可得到:
Xt=G-1a0+G-1HXt-1+G-1εt
(8)
进一步,在已有核心变量的基础上,将全局共同变量纳入模型,可得到扩展的GVAR模型:
GXt=a0+a1t+HXt-1+Ψ0dt+Ψ1dt-1+εt
(9)
通过估计单个部门的VARX*模型和行业间的关联权重矩阵构建,可以在IGVAR模型内进行类似VAR模型的变量预测、广义脉冲响应函数和预测方差分解等统计分析,以便对不同行业展开动态关联研究。
(三) 变量选取和数据处理
依据交通碳排放效率的驱动机理,结合数据的可获得性,选择经济规模、能源消费结构、技术进步及碳排放效率作为行业内和行业外变量,国际石油价格作为全局变量。
1.经济规模。用行业实际增加值(RGDP)反映,以1978年为基期进行价格平减得到,数据来源于中经网数据库。
2.能源消费结构。受资源禀赋及经济发展水平等条件制约,与发达国家大量使用绿色低碳能源相比,我国的能源消费仍以煤炭等化石能源为主,由此产生了大量的二氧化碳进而影响了碳排放效率的提升,因此本文主要以行业煤炭消费量占能源消费总量的比例(ES)为代理变量。考虑到交通业的能源消耗主要以汽油和柴油为主,煤炭消耗量占比很小(近五年的平均占比不到5%),选择汽柴油(汽油和柴油之和)在能源消耗总量中的占比表征交通业能源结构,数据均来源于《中国统计年鉴》。
表4 行业全要素生产率指数(FPI)
注:FPI反映本期全要素生产率与上期的对比指数,各行业2003年的FPI皆为1。
3.技术进步。考虑到技术进步对于行业碳排放效率的多途径多方位影响,选择全要素生产率指数(FPI)作为代理变量,以反映整体生产率的变化情况,并运用较为广泛的DEA-Malmquist方法测度全要素生产率,以六大行业的劳动力和固定资产投资为投入变量,增加值为产出变量,测算结果如表4所示。
4.碳排放效率(TCE)。即为上文所测算的全要素碳排放效率。
5.国际石油价格(PP)。数据来自布伦特石油价格指数,季度值由当季所有交易日收盘价的平均值计算而得,并经过季节调整。
基于IGVAR模型构建的数据设定要求,利用EVIEWS的插值工具将各变量的年度数据转换成季度数据。同时,为了消除数据异方差性的干扰,所有变量数据都进行对数处理。
(四) 行业关联权重矩阵构建及相关统计检验
表5 行业关联权重矩阵
表6 交通业变量单位根检验
注:带*表示行业外变量,D表示变量的差分序列;括号中的t表示检验包含趋势项,(a)表示在5%的显著性水平下显著(下表同)。
的中间产品投入总量,依此计算六个行业间的关联权重矩阵如表5所示。
由表5可知,交通运输业关联度较高的行业依次为制造业(62.5%)、建筑业(25.4%)、采掘业(5.4%)、农林渔牧业(4.2%)和水电燃气热力生产供应业(2.5%),这意味着制造业、建筑业的经济增长、能源消费结构及技术进步的变化将对交通业碳排放效率产生较重要的影响。
2.模型统计检验。对本模型中的所有变量进行ADF单位根检验,并对各行业的变量进行协整检验及弱外生性统计检验,其中交通业的检验结果如表6至表8所示。
表7 交通业变量协整检验
检验结果显示,在5%的显著性水平下,交通业模型中的所有变量均为一阶单整序列(表6),至少存在一个协整关系(表7),且模型中的各变量皆满足弱外生性假设(表8)。其他行业的变量在5%的显著性水平下也均满足一阶差分平稳,皆至少存在一个或两个协整关系,且都满足弱外生性假设,限于篇幅,本文不一一列出结果。
(五) 交通业碳排放效率驱动因素冲击的动态效应分析
表8 交通业变量弱外生性检验
鉴于GVAR模型系统庞大且变量数目众多等特点,采用广义脉冲响应函数(GIRF)分析交通业碳排放效率的行业内外驱动因素的作用效应及其动态关联。
1.交通业碳排放效率内部驱动因素的作用效应。为了分析交通业经济增长、能源结构和技术进步对自身碳排放效率的影响,运行IGVAR模型分析交通业实际增加值、汽柴油占能源消费的比重及行业全要素生产率的一个标准差变化对自身碳排放效率的脉冲效应,结果见图3。由图3(a)可以看出,在交通业经济规模的一个标准差正向冲击下,碳排放效率在两年内迅速增长,在第二年底达到0.0114的响应水平,而后小幅度下降趋于平稳状态,响应值为0.0108;从图3(b)可以发现,在交通业能源结构的正向冲击下,碳排放效率整体呈现出较弱的负响应,在第一个季度迅速下降达到-0.0021,第二至第四季度则迅速回升至0.0043,之后响应值基本在零轴上下波动,最终趋于-0.0005的稳定水平;由图3(c)可以看到,在交通业技术水平进步的冲击下,碳排放效率在第一年内增长迅速,第二年内缓慢增长,于年底达到0.0173后小幅波动趋于0.0175的响应水平。这表明,交通业经济规模及技术进步对自身碳排放效率均具有明显的促进作用,但能源结构的作用效应不甚显著。这是因为,交通业增加值作为碳排放效率的期望产出,其规模的扩大对于碳排放效率的提升具有直接效应;交通业技术进步通过促进经济增长、提高能源利用效率及行业生产率等途径提升了碳排放效率。但值得注意的是,由于当前我国交通运输业汽柴油的刚性需求过大,导致能源结构的碳减排效应未能显现出来。
图3 交通业经济规模、能源结构及技术进步对自身碳排放效率的冲击
2.交通业碳排放效率外部驱动因素的冲击效应。具体如下:
(1)行业间经济规模的冲击效应。在国民经济运行中,产业(行业)之间因提供产品和服务而产生的相互联系是产业关联最基本的途径,由此产生的碳排放关联也成为最主要的形式。图4展示了在农林渔牧业、采掘业、制造业、建筑业、水电燃气热力生产供应业实际增加值的一个正向冲击下,交通业碳排放效率的脉冲响应过程。不难发现,在经过最初的波动之后,五大行业的冲击响应值皆趋于各自的稳定水平。综合来看,农林渔牧业、采掘业、水电燃气热力生产供应业经济规模的变动对于交通业碳排放效率的冲击影响较小,其最终响应值分别为-0.0022,0.0012和-0.0009。建筑业与制造业的冲击影响较为显著但方向相反,在建筑业经济规模一个标准差正向冲击下,交通业碳排放效率呈现出正向响应过程,前两个季度迅速上升达到0.0030的响应值,第三至第四个季度则迅速下降达到0.0009,之后缓慢回升,最终趋于0.0035的稳定水平;在制造业经济规模的正向冲击下,交通业碳排放效率则呈现出负向响应过程,在一年内迅速下降,在第一年底达到-0.0079的响应水平,之后小幅度波动后趋于-0.0073的平稳状态。
图4 其他行业经济规模变动对交通业碳排放效率的冲击
五个行业经济规模变动对于交通业碳排放效率的影响程度,与前面行业权重矩阵的结果基本相符,作用效应最强的制造业和建筑业也是关联权重最大的两个行业。但不同的是,制造业经济发展对交通业碳排放效率有着较强的挤出效应,而建筑业则表现为较强的溢出效应。从行业关联的经济影响来看,制造业经济规模扩大直接拉动交通业的运输需求并刺激其行业经济增长(期望产出),从而提升交通业的碳排放效率;但由于制造业在生产过程中高能耗产生的高碳排放(非期望产出),也会因为行业关联转移至交通运输业,从而产生碳排放效率的负向驱动效应。从投入产出关系来看,建筑业作为交通运输业的前向关联产业,其经济规模的扩大能直接促进交通运输的发展,增加期望产出从而提升交通业碳排放效率;同时,尽管建筑业也是我国的资源能耗大户,但它本身并不是一个独立的物质生产部门,其自身产生的碳排放较少,绝大部分的碳排放是因为消耗了其他部门的中间产品而转移过来的,因此对于交通业碳排放效率的负向驱动效应较小,综合呈现为正向关联效应。
(2)行业间技术进步的冲击效应。技术关联是行业关联的另一重要类型,某一行业不同层次的技术水平及变化情况对其他行业的技术发展有着不同程度的关联影响,进而对行业间的碳排放及碳排放效率产生关联效应。图5展示了在五大行业技术进步水平的一个标准差正向冲击下,交通业碳排放效率的响应过程。
图5 其他行业技术水平对交通业碳排放效率的冲击
图5结果表明,各行业的冲击响应值在经过最初的波动之后皆趋于各自的稳定水平。同样地,农林渔牧业、采掘业、水电燃气热力生产供应业技术进步对交通业碳排放效率呈现出极弱的冲击效应,最终响应值分别为-0.00003,0.0029和0.0024。制造业与建筑业的技术进步则表现出较强的正向冲击效应,在制造业技术水平进步的正向冲击下,交通业碳排放效率在第一年内迅速攀升达到0.0240的响应水平,在第二年内缓慢下降达到0.0198,之后平稳趋于0.0190。在建筑业技术水平进步的正向冲击下,交通业碳排放效率的响应值在前两个季度内迅速下降,然后在第三至第七个季度快速升至0.0139,之后缓慢下降,最后趋于0.0090。综合来看,技术进步对于碳排放效率的作用机制可通过多种途径实现,比如技术进步可通过提高行业生产率、能源利用效率等提高碳排放效率,也可以通过带动经济增长影响碳排放及碳排放效率,但无论基于何种渠道,技术进步都对碳排放效率提升起到积极的促进作用。
(3)行业间能源结构的冲击效应。从投入产出的关系来看,位于产业链上游的高耗能行业在生产环节所造成的能源消耗及二氧化碳排放,通常以价值的形式转移到其他行业中,从而冲击其他行业的碳排放效率。图6展示了在各行业能源消费结构的一个标准差正向冲击下,交通业碳排放效率的响应过程。
图6 其他行业能源结构变动对交通业碳排放效率的冲击
由图6可知,农林渔牧业、采掘业、水电燃气热力生产供应业能源结构的冲击效应均较小,最终响应值分别为-0.0006,-0.0027和0.0038。制造业表现出最强的负向效应,在其能源结构一个标准差的正向冲击下,交通业碳排放效率的响应值在第一年迅速下降达至-0.0275,之后小幅下降趋于-0.0304的稳定水平。建筑业则表现出较强的正向效应,在其能源结构的正向冲击下,交通业碳排放效率的响应值在第一年迅速上升至0.0075,之后小幅度下降趋于0.0059的响应水平。可见,建筑业的能源结构对交通业碳排放效率存在明显的溢出效应,而制造业则存在明显的挤出效应。这与我国稳定的能源结构有关,长期以来制造业的煤炭消费占总能源消费的60%以上,以煤为主的能源结构导致了碳排放量的猛增,并波及相关行业;而建筑业的能源消费结构中,煤炭占比低于50%,同时柴油占比也高达20%以上,因此在煤炭消费占比提高(正向冲击)的情况下,柴油的消费比重会相应下降,这在一定的程度上可能反而促升了交通业的碳排放效率。
四、 结论与政策建议
本文选择交通运输业,农林牧渔业、采掘业、制造业、建筑业、水电燃气热力生产供应业六个主要行业(门类)和36个工业部门(工业行业大类)作为测度的决策单元,运用Super-SBM DEA模型,将环境、能源与产出一并纳入测算框架,测度分析了2003-2015年中国交通业的全要素碳排放效率,并进一步构建行业全球向量自回归模型(IGVAR)探析了交通业碳排放效率的行业内驱动因子及行业间的外部冲击效应。结果表明:(1)在六个主要行业中,交通业的碳排放效率处于较低水平且变化趋势不明显。总体上看,交通业碳排放效率略高于工业行业的采掘业、制造业及水电燃气热力生产供应业,但显著低于农林渔牧业和建筑业,表明交通业经济增长通常以牺牲环境作为代价,未来碳排放效率存在较大的提升空间。(2)交通业碳排放效率的经济规模与技术进步效应为正且较为显著,但能源结构效应不显著。从行业内部的驱动因子看,交通业经济增长和技术进步通过增加期望产出、减少非期望产出等途径提升了碳排放效率,但由于交通业汽油和柴油消耗的比重过大导致能源结构效应极其微弱。(3)建筑业与制造业经济规模的变动对于交通业碳排放效率的冲击影响较为显著但方向相反,其他行业的冲击影响则较小。从行业关联权重来看,建筑业和制造业占比分别高达62.46%和25.44%,从而导致了行业间经济发展及碳排放的密切关联,但由于行业生产过程中碳排放的差异性,制造业经济发展对交通业碳排放效率有着较强的挤出效应,建筑业则因其自身产生的直接排放量较少而表现出较强的溢出效应。(4)各行业技术进步作用效应均为正向,其中制造业和建筑业的效应最为显著。技术进步通过提高全要素生产率增加期望产出并降低非期望产出,同时在高耗低效的行业应用先进的低碳技术能在行业间产生较强的行业外溢效应。(5)制造业能源结构对于交通业碳排放效率表现出最强的负向效应,建筑业表现出较强的正向效应,其他行业的影响则较小。长期以来,我国制造业、采掘业等行业的能源结构始终保持高煤炭消费的现状,产生了大量的碳排放并波及其他行业,建筑业则由于煤炭消费占比相对较低而显现出正向作用效应。
以上结论表明,交通业碳排放效率的提升不仅依赖于行业内部经济规模、能源利用效率与技术进步,还需协同产业链上各部门的节能减排。为此,提出以下政策建议:(1)降低交通业化石能源消耗比重,提升技术水平,促进低碳交通发展。当前中国交通业汽柴油消耗比重过大导致其能源结构的内部作用效应极其微弱,未来需要合理统筹规划,通过技术改造、发展智能交通、大力推进新型清洁能源替代等途径实现低碳交通可持续发展。(2)推广产业链上各行业的低碳技术进步。技术进步对于交通业碳排放效率的提升具有显著的正效应,并具有很强的行业辐射效应,政府应从产业链协同发展的角度,加大科技投入力度,通过鼓励科技创新研发、先进成熟技术引进、减排技术交易市场的培育等方式促进低碳技术进步的推广。(3)优化行业能源消费结构,提升能源利用效率。长期以来“一煤独大”的能源消费结构严重制约了行业碳排放效率的提升,加大新能源和可再生能源的开发力度,推进能源生产与利用方式变革是提升交通业碳排放效率的有效途径。(4)积极倡导行业间共同而有区别的碳减排责任。由于国民经济各行业部门之间客观存在的普遍关联性和复杂的关联碳排放,因此碳排放责任分摊必须考虑行业间的相互关联、碳排放转移、能源消费及技术水平的差异性等问题,建立行业间共同而有区别的碳减排责任分摊机制。
[1]KAYA Y,YOKOBORI K.Global environment,energy,and economic development[R].Tokyo:United Nations University,1993.
[2]ANG B W.Is the energy intensity a less useful indicator than the carbon factor in the study of climate change?[J].Energy Policy,1999,27(15):943-946.
[3]ALDY J E.Per capita carbon dioxide emissions:convergence or divergence?[J].Environmental & Resource Economics,2006,33(4):533-555.
[4]FAN Y,LIU L C,WU G,et al.Changes in carbon intensity in China:empirical findings from 1980-2003[J].Ecological Economics,2007,62(3):683-691.
[5]JOBERT T,KARANFIL F,TYKHONENKO A.Convergence of per capita carbon dioxide emissions in the EU:legend or reality?[J].Energy Economics,2012,32(6):1364-1373.
[6]TONE K.A slacks-based measure of efficiency in data envelopment analysis[J].European Journal of Operational Research,2001,130(3):498-509.
[7]CHOI Y,ZHANG N,ZHOU P.Efficiency and abatement costs of energy-related CO2,emissions in China:a slacks-based efficiency measure[J].Applied Energy,2012,98(5):198-208.
[9]ZHANG J,ZENG W,WANG J,et al.Regional low-carbon economy efficiency in China:analysis based on the Super-SBM model with CO2,emissions[J].Journal of Cleaner Production,2017,163(10):202-211.
[10]LOS B,VERSPAGEN B.Localized innovation,localized diffusion and the environment:an analysis of reductions of CO2,emissions by passenger cars[J].Journal of Evolutionary Economics,2009,19(4):507-526.
[12]HAMPF B,KRÜGER J J.Technical efficiency of automobiles-a nonparametric approach incorporating carbon dioxide emissions[J].Transportation Research Part D Transport & Environment,2014(33):47-62.
[13]CHANG Y T,ZHANG N,DANAO D,et al.Environmental efficiency analysis of transportation system in China:a non-radial DEA approach[J].Energy Policy,2013,58(9):277-283.
[14]WANG Z H,HE W J.CO2emissions efficiency and marginal abatement costs of the regional transportation sectors in China[J].Transportation Research Part D Transport & Environment,2017(50):83-97.
[15]兰梓睿,张宏武.中国交通运输业碳排放效率的省际差异研究[J].物流技术,2014(7):132-135.
[16]宋震,丛林.环境约束下中国交通运输业能源效率研究[J].交通运输系统工程与信息,2016(4):39-45.
[17]袁长伟,张帅,焦萍,等.中国省域交通运输全要素碳排放效率时空变化及影响因素研究[J].资源科学,2017(4):687-697.
[18]WANG C,CHEN J,ZOU J.Decomposition of energy-related CO2emission in China:1957-2000[J].Energy,2005,30(1):73-83.
[19]田中华,杨泽亮,蔡睿贤.广东省能源消费碳排放分析及碳排放强度影响因素研究[J].中国环境科学,2015(6):1885-1891.
[20]GARBACCIO R F,HO M S,JORGENSON D W.Why has the energy-output ratio fallen in China?[J].The Energy Journal,1999,20(3):63-91.
[21]张友国.经济发展方式变化对中国碳排放强度的影响[J].经济研究,2010(4):120-133.
[22]胡鞍钢,郑云峰,高宇宁.中国高耗能行业真实全要素生产率研究(1995-2010)——基于投入产出的视角[J].中国工业经济,2015(5):44-56.
[23]SELDEN T M,SONG D.Environmental quality and development:is there a Kuznets Curve for air pollution emissions[J].Journal of Environmental Economics and Management,1994,27(2):147-162.
[24]JALIL A,MAHMUD S F.Environmental Kuznets Curve for CO2emissions:a cointegration analysis for China[J].Energy Policy,2009,37(12):5167-5172.
[25]钱志权,杨来科.东亚地区的经济增长、开放与碳排放效率——来自贸易部门的面板数据研究[J].世界经济与政治论坛,2015(3):134-149.
[26]薛俊宁,吴佩林.技术进步、技术产业化与碳排放效率——基于中国省际面板数据的分析[J].上海经济研究,2014(9):111-119.
[27]张伟,朱启贵,高辉.产业结构升级、能源结构优化与产业体系低碳化发展[J].经济研究,2016(12):62-75.
[28]仲云云,仲伟周.中国区域全要素碳排放绩效及影响因素研究[J].商业经济与管理,2012(1):85-96.
[29]许士春,龙如银.中国能源和碳排放的效率测度与影响因素研究[J].软科学,2015(3):74-78.
[30]TONE K.Dealing with undesirable outputs in DEA:a slacks-based measure (SBM) approach[R].Tokyo:Grips Research Report Series,1-2003-0005,2003.
[31]LAHR M L,DIETZENBACHER E.Input-output analysis:frontiers and extensions[M].Basingstoke:Palgrave Macmillan,2001:25-57.
[32]ACEMOGLU D,AGHION P,BURSZTYN L,et al.The environment and directed technical change[J].Social Science Electronic Publishing,2012,102(1):131-166.
[33]PESARAN M H,WEINER S M.Modeling regional interdependencies using a global error-correcting macro econometric model[J].Journal of Business & Economic Statistics,2004,22(2):129-162.
[34]DEES S,MAURO F D,PESARAN M H,et al.Exploring the international linkages of the Euro area:a global VAR analysis[J].Journal of Applied Econometrics,2007,22(1):1-38.
[35]耿鹏,赵昕东.基于GVAR模型的产业内生联系与外生冲击分析[J].数量经济技术经济研究,2009(12):32-45.
[36]王美昌,徐康宁.“一带一路”国家双边贸易与中国经济增长的动态关系——基于空间交互作用视角[J].世界经济研究,2016(2):101-110.
[37]周银香,吕徐莹.中国碳排放的经济规模、结构及技术效应——基于33个国家GVAR模型的实证分析[J].国际贸易问题,2017(8):96-107.
[38]GARRATT A.Global and national macro econometric modeling:a long-run structural approach[M].New York:Oxford University Press,2011:215-217.