长江经济带渔业经济碳排放效率空间格局及影响因素研究

曾冰

摘 要  基于2006～2016年长江经济带11个省（市）的面板数据，结合超效率SBM模型、ESDA空间分析法解析渔业经济碳排放效率时空格局演变，并用Tobit面板回归实证检验其影响因素，结果表明：空间差异上，长江经济带渔业经济碳排放效率总体上不断上升，但呈现由下游向上游递减的梯度变化态势;空间自相关性上， 长江经济带渔业经济碳排放效率的全局Moran's指数呈现分段变化的态势，空间依赖具有动态性，逐步过渡为L-H型和L-L型省份为主导地位的空间格局;影响因素方面，渔业经济碳排放效率与经济发展水平、科技推广力度、产业结构优化、基础设施呈正相关关系，与对外开放水平呈负相关关系。

关键词  渔业经济;碳排放效率;空间格局;影响因素;长江经济带

[中图分类号]F326.4[文献标识码] A[文章编号]1673-0461（2019）02-0044-05

一、引言与文献综述

中国是世界上最大的渔业生产国，渔业已成为国民经济重要组成部分，对于我国乡村振兴和农民创收发挥着极其关键的作用。长江流域以40%的可利用淡水资源，实现了全国60%的淡水渔业产量，是我国淡水渔业主产区。随着全球气候变暖问题的不断加剧，各国（地区）越来越重视相关产业的碳减排问题与低碳经济发展，农业作为碳排放的重要来源，其碳排放发展自然也受到多方面的关注与研究，我国《国民经济和社会发展第十三个五年规划纲要》明确提出要有效控制农业等重点行业的碳排放。现阶段我国渔业年产值平均占农业产值的10%，渔业单位产值的碳排放量大约是农业的1.8倍。2016年农业部组织实施渔业节能减排项目明确提出“要进一步完善渔业节能环保型养殖技术模式，使节电、节水、减排效果更加明显”。在生态文明建设、振兴海洋经济和推动长江经济带发展上升为国家战略的大背景下，如何既保持长江经济带渔业经济平稳发展，又有效提高渔业碳排放效率是一个重要的发展议题。因此，有必要对长江经济带渔业碳排放效率开展研究，分析其时空格局变化及驱动机制，从而助推渔业经济低碳化发展。

现有渔业经济碳减排研究主要沿着三条主线展开：一是就渔业经济某一子领域进行碳减排研究，如水产养殖、机动渔船与海洋渔业等[1-3];二是以某一具体区域为对象进行研究，如我国全省域、沿海地区[4-5];三是关于渔业经济碳排放测度研究，相比于渔业经济效率研究来说，这方面研究文献相对较少，且倾向于采用单一指标，例如以单位GDP的碳排放量进行表征[6]，抑或单位碳排放总量能源消费的碳排放量[7]，只有少数文献采用数据包络法（DEA）进行测度[8]。综上所述，现有文献在对渔业经济碳排放效率测度上未能莫衷一是，方法较为单一，对我国渔业发展重要区域长江经济带泼墨不多。因此本文基于2006～2016年长江经济带11个省（市）的面板数据，结合超效率SBM模型、空间自相关法解析渔业经济碳排放效率时空格局演变，并用Tobit面板回归实证检验其影响因素，以期开拓长江流域渔业资源保护与发展新模式，促进渔业低碳化发展，加快渔业现代化步伐。

二、方法与数据

（一）研究区域

长江经济带战略是我国T型空间发展战略的主要依托，也是新时代我国区域开放开发的战略重点，在促进东中西三大板块协同发展、沿海沿江沿边全面双向开放、引领生态文明建设方面发挥着重要作用。根据现有《长江经济带发展规划纲要》，并考虑到数据的效度和可操作性，本研究以省（市）作为基础研究单位，即沪、苏、浙、皖、湘、鄂、赣、渝、川、贵、云11省（市）。

（二）研究方法

1.超效率SBM模型

關于效率测度，目前较为常用方法为传统非参数数据包络分析，如BCC、CCR模型，属于线性分段和径向理论，极易导致投入要素的“松弛”问题，难以区分效率值同为1的决策单元间效率差异，而且在分析影响因素的回归模型选择上有所限制，因此Andersen等人提出了超效率SBM模型，该模型的最优解无量纲且允许SBM效率值大于1，有效摆脱了上述困境[9]。详细形式如下：

2.空间自相关分析

全局空间自相关分析方法通常用来检验整体经济活动是否存在空间集聚性特征，其计算如下：

（三）变量与数据

关于渔业经济碳排放效率投入侧，选取渔业从业人员、水产养殖面积和年末机动渔船总功率作为3个投入变量。在产出侧，选取渔业总产值和渔业CO2排放量作为产出变量，将渔业CO2排放量作为非期望产出， 由于捕捞业CO2排放量通常会占到渔业CO2排放总量的70%，本文借鉴李晨等人的方法[9]，先根据我国渔业捕捞船的燃油消耗系数结合各年度渔业部门捕捞业的年末渔船功率数据求出捕捞业CO2排放量，进而根据捕捞业CO2排放量占比来求出渔业CO2排放总量。

关于影响因素变量，任何影响渔业投入和产出的因素都会对渔业经济碳排放效率产生影响，本文选取经济发展水平、科技推广、产业结构、对外开放水平与基础设施5个主要因素作为解释变量，分析其对中国渔业经济碳排放效率的影响。其中，经济发展水平采用人均GDP进行表征;科技推广以各省（市）水产技术推广经费（人员经费+公共经费+项目经费）进行表征;产业结构以各省（市）渔业三产产值占渔业经济总产值比重加以表征;对外开放水平以各省（市）渔业进出口总额占渔业经济总产值比重加以表征;将各省国家级水产原良种场、水产种质资源保护区、水生野生动植物自然保护区、渔港加以汇总来表征渔业基础设施情况。考虑到数据的可获得性和可比性，本文所选经验数据为2006～2016年长江经济带11省（市）的面板数据。本文所涉及到的投入产出变量数据主要来源于2007～2017年《中国渔业统计年鉴》《中国统计年鉴》和《中国能源统计年鉴》。

三、空间格局分析

（一）空间差异分析

空间分布差异方面，通过ArcGIS软件将渔业经济碳排放效率水平自然断裂为4个等级：最高、良好、一般、较低，限于篇幅，只列出2006、2009、2013和2016年4个年份，如表1所示。在研究时段内渔业碳排放效率均值始终维持良好水平以上的省份分别是上海、湖南、安徽，这些地区的渔业经济碳排放效率均值都高于1。其中，上海、湖南在2006～2016年11年间都处在渔业生产前沿面上，表明这些省份的渔业投入产出效率较高，渔业实现了经济效益与环境效益协同发展。贵州、江西、重庆的渔业经济碳排放效率则常年处于一般水平，且无明显提高，其中贵州、江西处于经济相对落后的中西部地区，其较低的渔业经济碳排放效率很大程度上和这些省份渔业经济的粗放式发展及节能减排技术的不成熟有关。湖北、江苏、四川的渔业经济碳排放效率由期初的一般水平发展到现期的良好水平，表明这些省份渔业经济结构日趋合理，低碳化发展趋势明显。整体来看，渔业经济生产率呈现较为明显的增长趋势，表明渔业节能减排政策已初见成效。渔业经济碳排放效率存在较为明显的梯度变化，呈现由下游向上游递减的态势，接近生产前沿面的省份以中、下游地区为主;效率较低的省份集中于上游地区。

（二）空间自相关分析

运用ArcGIS软件分别计算长江经济带渔业经济碳排放效率全局Moran's I指数（见表2），从表2可以看出，长江经济带渔业经济碳排放效率的全局Moran's I指数呈现分段变化的态势，2012年之前全局Moran's I指数为正，说明长江经济带渔业经济碳排放效率在这一时间段呈现出一定的集聚态势。2012～2014年的全局指数为负，且均未通过10%的显著性检验，意味着这一阶段长江经济带省际间渔业经济碳排放效率具有随机性的空间发展特征。2015～2016年全局Moran's I指数为正，且2016年达到近十年的最高集聚态势。从趋势上看2006～2014年全局Moran's I指数呈现较为明显的下降趋势，表明渔业经济碳排放效率因相异而集聚程度加深。这进一步说明了长江经济带渔业经济碳排放效率空间格局的变动深受我国碳减排措施和低碳发展政策影响。而随着中国经济进入新常态，渔业作为国民经济的一个重要方面，也不断受到调整，长江经济带积极采取行动应对节能减排问题，由此使中游与下游省份的渔业碳排放效率提升，渔业经济碳排放效率表现出一定的相异集聚空间格局态势。并且随着高效率省份空间溢出效应的日趋明显以及渔业节能减排政策和节能技术的进一步推广与协同创新，高效率省份周围省份的渔业经济碳排放效率有了较快提升，从而使得长江经济带渔业经济碳排放效率在空间上再次出现了因相似而聚集的趋势。

对代表性年份渔业碳排放效率进行Anselin Local Moran's I统计检验，从而进一步把握長江经济带渔业碳排放效率局部空间集簇演化格局，结果见表3。2006～2016年期间，期初的H-H型和H-L型省份主导地位最终过渡为 L-H型和L-L型省份主导地位，说明长江经济带省际渔业经济碳排放效率的空间集聚程度有所增强，且省际空间差异也有所缩小。具体来看，湖南从2006年的H-L型逐步成为2016年的不显著，说明湖南作为长江经济带渔业低碳高效发展的核心地位不断有所弱化。对周边省份带动作用不强;江西从2006年的不显著型成为2016年的L-H型，说明江西渔业低碳高效发展效果不明显，最终导致江西低效率省域被高效率省域所包围，这些省份是长江经济带渔业碳排放效率发展的第一梯队，故须加强区域合作和强强联合，进一步提高渔业经济碳排放效率。云南从2006年的不显著变化为2016年的L-L型，云南低效率省份被低效率区域所包围，说明下游地区渔业低碳高效一直裹足不前，甚至还有所恶化，难以接受接受中下游地区辐射效应。上海从2009年的H-H型成为2016年的不显著型， 说明上海对周边省份的渔业经济碳排放效率提升起到带动作用。其余省（市）几乎保持不显著状态。

四、影响因素分析

为充分发挥横截面和时间维度上的信息冗余度，本文采用受限的Tobit随机效应面板模型加以分析，回归结果见表4，从中可显示各因素影响效应。

经济发展水平回归系数为正且在1%的水平下显著，人均GDP增加1%，渔业经济碳排放效率将会增加1.396%。经济发展水平越高，用于渔业生产的低碳化与集约化发展的资本投入越多，从而对渔业经济碳排放率产生正向的效应。

科技推广回归系数为0.252，仅通过10%的显著性水平，这表明技术进步每提高1%，就会带来渔业经济碳排放效率增加0.252%，但显著性不甚理想。渔业科技推广经费增加会带来显著的技术创新效应，渔业单位产值耗能的降低特别是养殖、水产品加工环节的技术革新会带来更为直接的效率提升效果，如何加大渔业科技投入，充分发挥科技支撑和引领作用是今后长江经济带渔业低碳发展的重要任务。

产业结构在1%的显著性水平上对渔业经济碳排放效率带来了积极影响，回归系数为0.341，意味着三产占比每提高1%，就会促进效率提高0.341%。渔业三产主要包括水产流通、休闲渔业和水产（仓储）运输等流通和服务业，相较于渔业一产与二产来说，三产生产过程中的碳排放较低，因此，如何调整优化渔业三产结构与范围，对于促进渔业低碳高效发展具有重要意义。

对外开放水平与渔业经济碳排放效率呈现显著的负相关关系，对外开放水平提高1%，经济碳排放效率降低-0.864%。作为水产品贸易大国，尽管对外开放有助于吸引先进的渔业技术和管理制度等，但长期以来我国水产品贸易过分依赖资源消耗和投入的落后渔业模式，出口的农产品大多附加值低、结构单一，导致能耗大、排放多、资源利用不合理等问题，逐步显现难以提升渔业经济碳排放效率。

基础设施在1%的显著性水平上对渔业经济碳排放效率产生正向影响， 基础设置水平提高1%，经济碳排放效率增加2.342%。基础设施功能日益完善，可能会促进要素投入的高效性，带来技术的空间溢出，从而使得经济碳排放效率得到提升，加强基础设施建设是改善长江经济带渔业经济碳排放效率的重要手段。

五、结论与建议

本文基于2006～2016年长江经济带11个省（市）的面板数据，运用超效率SBM模型测度渔业经济碳排放效率，并结合ArcGIS软件运用ESDA空间分析法检验其时空差异和演变特征。长江经济带渔业经济碳排放效率呈现较为明显的增长趋势，但梯度变化趋势明显，呈现由下游向上游递减的态势，接近生产前沿面的省份以下游地区为主;效率低值省份集中于上游地区。而从空间自相关性检验出的空间格局来看，长江经济带渔业经济碳排放效率的全局Moran's I指数呈现分段变化的态势，空间依赖具有动态性， 期初的H-H型和H-L型省份主导地位最终过渡为 L-H型和L-L型省份主导地位，说明长江经济带渔业经济碳排放效率的省际空间集聚程度有所增强，省际空间差异有所缩小。进一步采用Tobit面板回归实证检验渔业经济碳排放效率的主要影响因素：经济发展水平、科技推广力度、产业结构优化和基础设施对促进长江经济带渔业经济碳排放效率提升均有明显积极作用， 但对外开放水平对渔业经济碳排放效率带来了显著的负相关关系。

结合上述分析，相应的对策启示如下：一是优化长江经济带渔业经济碳排放空间布局，加强省际间协同发展。以长江经济带战略为契机，在更优化的布局、更广阔的空间中推动渔业低碳高效发展的整体协同性，充分发挥中下游地区的指向性溢出效应与示范效应，积极营造上游省份承接渔业低碳高效发展溢出的良好环境。 二是加强省域渔业引资质量的低碳化效率导向，注重引资与引智、引技，引进新业态、新模式相结合，完善创新、集约、低碳发展为导向的渔业招商引资考核机制。三是促进渔业新业态发展。加快建设水产品现代物流体系、大力发展休闲渔业，打造各具特色的休闲渔业项目，推进渔业的“接二连三”。四是加强渔业技术创新。推动产学研联合创新，重视提升企业科技创新能力，加强渔业产业技术体系建设，按产业链进行集成创新，提升产业整体技术水平。五是加强基础设施建设。创新渔港建设模式，推进各类各级渔港动态管理系统智慧化建设，加大渔港升级改造和整治维护力度。

[参考文献]

[1] 陈桥驿，杨宁生.水产养殖碳排量计算模型的研究[J].中国渔业经济，2013，31（5）：63-67.

[2] 张祝利，王玮，何雅萍.我国渔船作业过程碳排放的估算[J].上海海洋大学学报，2010，19（6）：848-852.

[3] 许冬兰，王樱洁.我国沿海渔业碳生产率的区域差异及影响因素[J].中国农业大学学报，2015，20（2）：284-290.

[4] 李晨，冯伟，邵桂兰.中国省域渔业全要素碳排放效率时空分异[J].经济地理，2018，38（5）：179-187.

[5] 邵桂兰，侯涵涵，李晨.我国沿海地区海洋渔业碳排放时空分异研究——基于省际数据的ESDA分析[J].山东财经大学学报，2018，30（1）：27-34.

[6] KENJI YAMAJI， RYUJI MATSUHASHI， YUTAKA NAGATA， et al. A Study on Economic Measures for CO2 Reduction in Japan[J].Energy Policy，1993，21（2）：123-132.

[7] MIELNIK O， GOLDEMBERG J. The Evolution of the Carbonization Index in Developing Countries[J].Energy Policy，1997，27（5）：307-308.

[8] 金書秦，陈洁.我国水产养殖的直接能耗及碳排放研究[J].中国渔业经济，2012，30（1）：73-82.

[9] ANDERSEN P， PETERSEN N C. A Procedure for Ranking Efficient Units in Data Envelopment Analysis[J].Management Science， 1993（39）：1261-1264.