基于空间计量的中国省域火电行业碳排放效率分析

蒋毅一，彭 林，赵 爽，刘 琳

（江苏大学管理学院，江苏镇江 212013）

一、引 言

我国高度重视低碳经济发展，提出到2030年二氧化碳排放将达到峰值，2015年更是承诺将碳排放强度到2030年下降60%～65%[1]。电力行业是中国基础能源行业，其中，火力发电由于其煤炭耗能特点，是电力行业碳排放的主要来源，2017年启动的全国碳市场中，火力发电企业涉及排放二氧化碳35亿吨，占全国碳排放总量的1/3[2]，因此，国务能源局出台的《能源发展十三五规划纲要》专门提出火电行业的严格减排目标。鉴于以上原因，探究火电行业的碳生产率，区域间的差异以及影响该行业碳排放效率的因素，对中国能源结构调整，区域协调发展，履行在国际社会中大国义务具有重要的意义。

低碳经济指在减少能源消耗和二氧化碳排放的同时，获得更多的经济产出，Ang[3]提出能源强度和人均单位GDP排放量的概念，Kaya等[4]提出了碳生产率，可定义为单位能源投入的经济产出。碳排放强度和碳生产率虽然都是衡量低碳经济的重要指标，但潘家华等[5]认为碳排放效率强调每单位经济产生的二氧化碳排放量，作为正向指标更符合大众习惯。碳排放效率根据生产要素的多少分为单要素碳排放效率和全要素碳排放效率，全要素碳排放效率反映了所有投入要素的综合产出效率，比单要素生产率更符合实际的生产环境[6]。

国内外学者对碳排放效率进行了深入研究，Fare等[7]采用考虑非期望产出的方向性距离函数对火电企业碳排放效率进行研究；Chen等[8]使用ML指数测算中国38个工业部门的绿色全要素生产率；林善浪等[9]在研究技术创新、空间聚集与区域碳生产率时，指出区域碳生产率主要受经济活动的影响；龙如银等[10]从行业角度指出能源效率是提高碳生产率的主要因素，第二产业对碳生产率的影响较大。中国幅员辽阔，各地域能源结构，经济水平差异明显，忽略空间因素的传统计量回归可能对结果产生误差[11]。Burnett等[12]使用面板数据研究美国工业碳排放发现存在显著的空间效应；Zhang等[13]利用空间计量模型分析得出中国碳排放强度具有很强的空间溢出效应；袁长伟等[14]采用超效率SBM模型测算中国省域交通碳排放效率，并结合空间计量模型分析在空间上的分布特点及影响因素；李若影[15]使用计量模型考察中国各区域人口规模、富裕程度等因素与中国交通碳排放的相互关系；马大来[16]运用空间面板验证中国农业能源碳排放效率的空间依赖性，并利用SAR和SEM模型研究其影响因素。

对中国电力行业碳排放效率的研究，任玉珑等[17]指出电力行业的二氧化碳排放面临巨大的压力和显著的减排空间；Zhao等[18]利用ARDL模型研究了行业增加值、火电设备平均利用小时数、标准煤耗率三个因素对中国电力工业碳排放的影响；Yuan等[19]和林伯强[20]的研究均指出中国的GDP、资本、人力资源和电力消费之间存在长期的均衡关系；付坤等[21]从生产和消费端共担责任的视角分析了各省在电力系统减排中需要承担的责任。在影响电力系统碳排放效率的影响因素的研究中，王常凯等[22]利用对数平均迪氏指数分解法把电力碳排放增长分解为排放因子、能源结构、电力结构等10个影响因素，表明中国需要从电力生产、输送、消费等环节入手控制碳排放；齐绍州等[23]利用Malmquist指数和STIRPAT模型，基于长江经济带面板模型分析电力行业碳排放的影响因素；王喜平等[24]采用LMDI方法分析了电力行业碳排放的影响因素，从电力生产环节和消费环节分别给出了政策建议。

以往学者围绕碳排放效率的测算，影响碳排放效率的因素，演变趋势等问题进行了较为全面和深入的研究，但是部分研究未将空间因素考虑在内，而忽略空间因素讨论碳排放效率及其影响因素容易造成结果产生偏差，不利于制定科学的改善措施。基于此，本文使用2003—2016年30个省市的面板数据的基础，考虑非期望产出超效率SBM模型，对各省市的碳排放效率进行测度，检验中国省域火电行业碳排放效率的空间相关性，并结合空间计量模型对影响中国省域火电碳排放效率的主要影响因素进行分析，并对中国火电行业低碳发展提出针对性建议。

二、中国省域火电行业碳排放效率的测算

（一）中国省域火电行业碳排放的计算

中国电力行业的内部运行主要包括电力勘探、建造、生产、输电、配送、供电六个环节，其中，碳排放的产生仅限于电力生产环节。电力行业生产的主要方式有火电、水电、风电、核电等，火电是主要的碳排放来源[17]。由于《中国能源统计年鉴》没有对电力行业进行单独分类，因此采用电力、热力生产和供应业的相应数据代替，采用IPCC给出排放因子法对电力系统的碳排放效率进行测算，值得注意的是，火电生产产生的二氧化碳由生产端还是消费端承担的问题，在学术界还没有形成定论，由于本文从空间角度考察碳生产率，故按照“生产地负责”原则进行核算。

计算公式如下：

其中，CO2表示二氧化碳排放量，i表示能源种类，Ei表示能源消费量，EFi表示i类能源的碳排放系统，NCVi表示i类能源平均低位发热量，CEFi表示i能源平均热值含碳量，COFi表示i类能源碳氧化率，44/12是二氧化碳分子量比值。

火电生产消费的能源包括：煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、天燃气，各种能源的消耗以及平均低位发热量、碳氧化因子等系数来源于历年《中国电力年鉴》《中国能源年鉴》《中国统计年鉴》。根据（1）式结果测算各省历年平均火电碳排放均值，如图1所示。

图1 各省市电力系统碳排放均值灰度图

从图1可见，各省电力碳排放差异较大，内蒙古、江苏和山东的平均火电碳排放水平较高，海南、青海和北京火电行业碳排放较低，考虑原因是各地区能源禀赋，城市发展水平以及城市功能定位差异，根据火电行业碳排放水平，测算其全要素碳排放效率。

（二）中国省域火电行业碳排放效率测算

Tone[25]在2003年提出纳入非期望产出的SBM模型，将松弛变量直接放入了目标函数中，一方面解决了投入的松弛性问题，另一方面也解决了非期望产出的效率评价问题[26]，最终的效率值在0～1之间。当存在多个决策单元同时有效时，无法进一步比较，超效率SBM作为传统DEA模型的改进，允许效率值大于1[27]，定义其生产可能集为：

假设有n个决策单元，每个决策单元有m个投入，r1个期望产出和r2个非期望产出，构建超效率SBM模型如下：

采用2003—2016年30个省份的面板数据，主要来源于历年《中国统计年鉴》《中国电力年鉴》《中国能源年鉴》。K表示资本投入，用各省份历年火电装机容量表示。L表示劳动力投入，由于没有专门的电力行业劳动者从业人数统计，采用与电力行业高度相关的电力、热力生产与供应业从业人数表示。F表示能源使用，采用历年各省份发电技术经济指标乘火力发电度数得到。期望产出E表示火电行业发电量。非期望产出C表示二氧化碳排放量。运用DEA Solver 3.0进行测算，得到中国省域火电行业碳排放效率，同时按照空间区位将30个省份分为东、中、西部，所得数据见表1。

表1 2003—2016年中国各省市电力系统碳排放效率

续表1

根据表1，北京、江苏、上海的火电行业碳排放效率较高，历年的效率均值达到最优水平，作为全国经济领先的省市，经济技术发展水平较其他区域优势明显，而属于中部地区的江西、湖北、湖南等地区碳排放效率均值较低，承担着区域电力生产的重要责任，电网系统技术水平和管理效率相比于沿海发达省市较低，火电生产环节能源完全燃烧率不高。各区域电力系统碳排放效率在时间序列上的变化趋势如图2所示。

图2 2003—2016年全国及三大区域电力系统碳排放灰度图

如图2所示，火电行业碳排放效率东部省份普遍效率值较高，这和吴玉鸣等[28]的研究结论基本一致，东西、中部除个别年份外，呈现递减格局。东部地区的碳排放效率大于全国平均效率值0.82，达到0.89，说明在考虑资本投入、劳动力投入、能源投入要素后，东部地区有地理位置方面的优势能够吸引人才和投资，同时，在不断引进先进技术后，产业结构升级，能源利用效率提升，值得注意的是在2007年东部的效率值达到波峰1.05，并在2008年维持在0.93，可能原因是奥运会期间，政府在环境整改上加大投入，综合治理以电力生产为主的高能耗高污染部门。中部和西部的碳排放效率低于全国平均水平，西部略高于中部，中西部地区的经济发展对化石能源依赖较强，在技术水平和能源利用效率方面较沿海城市不高，高耗能、高排放、低产量的小火电组依旧正常运营，环境保护、低碳发展意识有待加强。

综上，中国省域火电行业的碳排放效率表现为西中递减，西部略大于中部，效率值最优的区域集中在东南沿海区域，而效率值较低的区域集中在中西部经济欠发达地区，这说明各省份在电力系统碳排放效率的空间分布上存在一定的规律，基于此，有必要进一步验证中国电力系统碳排放效率的空间相关性并讨论可能的影响因素。

三、中国省域火电行业碳排放效率的空间相关性

空间相关性是指地理距离邻近的区域可能存在某种联系，使得他们的碳排放效率呈现一定的相关性。全局Moran指数衡量被考察对象的全局空间相关性，该指标能够在空间上反映被考察对象是否有空间聚集、空间离散或者空间随机的特性。其计算公式如下：

其中，xi和xj是电力行业碳排放绩效的观测值，表示观测变量的平均值，wij是空间权重矩阵，刻画了各空间单元的空间邻接关系，本研究采用ROOK相邻规则下的二进制空间邻接矩阵，当i地区和j地区相邻取1，反之取0，同时对矩阵wij以每一行为单位进行标准化，使得每一行元素之和为1，即：。Moran’s I取值范围在[－1，1]，当取值大于0时，表示存在空间正相关；当取值小于0时，表示存在空间负相关；若取值为0，表示不存在空间相关性。除此之外需要对莫兰指数进行显著性检验，检验公式为：

E（I）和VAR（I）分别表示莫兰指数的期望和方差，采用Open Geoda测算出全国30个省市2003—2016年的电力系统碳排放效率的全局Moran指数，并对其显著性进行检验，结果如表2所示。

表2 2003—2016年中国省域火电行业碳排放效率Moran值及检验

从表2可见，2003—2016年Moran’s I均为正数，且除部分年份外，均通过了P小于0.05的显著性检验，证明中国的碳排放效率在空间相关性上是正相关关系，效率较高的省份，周围省市的碳排放效率往往也较高。同时，Moran指数随时间推移不断波动，2015和2016年观测值较高。以上结果说明，区域间电力系统碳排放效率之间存在空间相关性，且随时间推移进一步加强，在进行影响因素分析时不可忽略空间相关性的影响。

全域莫兰指数反映了观测单元的空间相关性，只能表述全域内各单元的平均关联程度，如果一些省区存在正的空间相关性而一些省区存在负的空间相关性，两者可能会抵消，局部Moran’s I指数可以检测出局部空间自相关的空间特征，Local Moran’s I的表达式为：

Local Moran’s I取值范围[－1，1]。当Local Moran’s I正值且较大时，区域单元与相邻单元的观测属性存在较强的正空间自相关，呈局部空间聚集（高值聚集或低值聚集）；反之，存在较强负空间自相关。图3～图5给出反映区域电力系统碳排放效率的局部散点图。根据观测单元落在不同的象限，将中国省域电力系统的碳排放效率分为H－H聚集（第一象限），代表自身电力系统碳排放效率较高，周围邻近地区的碳排放效率也较高的地区。L－L聚集（第三象限），代表自身效率低，周围地区也低的地区。H－L聚集（第二象限），代表自身高，周围低的地区。L－H聚集（第四象限），代表自身低，周边地区高的地区。

图3 2003年中国省域火电行业碳排放效率莫兰散点图

图5 2016年中国省域火电行业碳排放效率莫兰散点图

散点图横坐标表示各省标准化之后火电行业碳排放效率，纵坐标表示经空间加权后的各省火电行业碳排放效率水平。2003年和2010年位于H－H和L－L象限的具有空间自相关的省份为22个，占70%，2016年是25个，达83.3%，随着时间推移，空间相关性的趋势逐渐增强，中国省域火电行业碳排放效率空间相关性不仅主要存在空间依赖性，同时也存在一部分的空间异质性。高高聚集的区域主要集中在东部发达地区，低低聚集区域主要集中在中西部省份。

四、中国省域火电行业碳排放效率影响因素研究

根据上文的研究结果，Moran指数检验发现中国省域火电行业碳排放效率具有显著的空间相关性，使得在分析影响碳排放效率的因素过程中样本的独立性假设不再满足，需要引入空间计量模型进行估算，以消除空间相关性带来的影响。面板计量模型相比较截面模型能够提供更多的信息，使得计量结果更加精确。在普通面板模型的基础上，引入空间效应，基于空间自相关项是以何种方式引入回归模型的，可以分为空间滞后模型（SLM）、空间误差模型（SEM）和空间杜宾模型（SDM）[29]，其中：

（1）空间滞后模型（SLM）：

（2）空间误差模型（SEM）：

其中，δ和λ分别表示空间自相关系数，ε表示随机扰动项。

（3）空间杜宾模型不仅包含了因变量的空间滞后因子，也包含了自变量的空间滞后因子，基本公式为：

当θ＝0时，模型退化为SLM；当θ＋λβ＝0时，模型退化为SEM[30]。结合王常凯[22]、齐绍州等[23]的研究，选取人口规模，人均收入水平（为消除价格变动的影响，选取2003年为基期进行调整），发电能源结构，产业结构，政府影响，城镇化水平和企业研发水平七个变量，为了消除异方差和数据数量级带来的误差，对各个指标均做对数化处理，建立公式（11）：

各解释变量的说明及数据来源见表3。

表3 各解释变量数据说明及数据来源

根据Elhorst[29]的步骤，基于Matlab 2015b平台，建立未考虑空间相关性的普通面板模型，观察每个模型的LM－Lag、Robust LM lag、LM－Error、Robust LM Error统计量的显著性，普通面板混合OLS估计、空间固定效应、时间固定效应、双向固定效应结果如表4所示。

表4 普通面板模型估计结果及LM检验

如表4所示，LM lag和LM Error均通过显著性检验，Robust LM Error未在OLS模型下通过10%的显著性水平检验，说明空间滞后模型是更为合适的选择，进一步通过LR检验分析固定效应模型选择，检验结果如表5所示。

表5 空间固定效用和时间固定效应的LR检验

观察表5发现，时间固定效应和空间固定效应LR检验均通过了1%水平上的显著性检验，故应采用时间空间双向固定模型，建立空间杜宾模型，并进行Wald和LR检验，观察是否可以退化成空间滞后模型或空间误差模型，回归结果如表6所示。

表6 双向固定效用空间杜宾模型估计结果

由表6知，Wald检验和LR检验结果显示均在1%的显著性水平上通过显著性检验，拒绝空间杜宾模型可以退化为空间滞后模型θ＝0和空间误差模型θ＋δβ＝0的零假设，故采用时间空间双固定效应下的空间杜宾模型是合适的选择，对比普通面板的检验结果，更符合理论预期，具有更强的拟合优度，说明双向固定效应下空间杜宾模型对中国省域火电行业碳排放效率的影响因素具有较强的解释能力，空间杜宾模型引入权重矩阵W的空间滞后项也体现了本地区的解释变量如何影响周边区域的火电行业碳排放效率。

根据表6所示结果，各影响因素中，人口规模在1%的显著性水平上对碳排放效率的影响为正，而空间滞后项人口规模不显著，人均收入水平、城镇化水平和其空间滞后项在1%的显著性水平上对碳排放效率的影响为正。能源结构1%的显著性水平上对碳排放效率的影响为负，而空间滞后项能源结构不显著，产业结构和空间滞后项产业结构在1%的显著性水平上对碳排放效率的影响为负，政府投资在1%的显著性水平上对碳排放效率的影响为正，而空间滞后项政府投资为负，企业研发水平均在5%的水平下不显著。

五、结论及建议

（一）结论

基于超效率SBM模型，测算得出各省市历火电行业统碳排放效率，进行空间相关性验证，并进一步使用双向固定效应下空间杜宾模型分析影响中国省域火电行业碳排放效率的因素，结果表明：

1.中国省域火电行业碳排放效率表现为出东西中递减，东部地区效率值高于全国水平，西部略微大于中部，效率值最优的区域集中在东南沿海区域，而效率值较低的区域集中在中西部经济欠发达地区。

2.空间相关性检验中Moran指数均为正数，存在显著的空间相关性，具体表现为正相关。空间分布中表现为高高聚集区域主要集中在东部发达地区，低低聚集区域主要集中在中西部省份。

3.人口规模、人均收入水平、政府投资、城镇化水平对中国省域火电行业碳排放效率的影响为正，产业结构、能源结构的影响为负，同时人均收入水平、城镇化水平存在正向的空间溢出效效应，产业结构、政府投资存在负向的空间溢出效应，企业研发水平对中国省域火电行业碳排放效率的影响不显著。

（二）建议

基于以上结论，建议如下：

1.因地制宜低碳发展，充分利用空间溢出效应

江苏、浙江、上海、北京、天津等地区的碳排放效率较高，均是属于中国经济发展先进省市，人口素质、经济发展水平、对外开放程度普遍较高，对周边地区的影响以及辐射较大，应充分发挥优势资源，增加对周边地区的技术扶持以及资源投入，扩大空间影响程度，带动电力系统低碳区域协同发展。内蒙古、山西、吉林等地区的煤炭资源丰富，资源禀较强，资源利用效率低下，需进一步发展清洁能源，建立智能电网，提高资源利用效率以及降低电力传输过程中的线损。安徽、江西、河北等地处于效率先进省市周围，具有良好的“被扩散”机遇，碳排放效率提升空间较大，在提高自身技术以及资源投入的同时学习周边先进地区经验，从主动发展和被动“扩散”两方面实现电力行业的低碳发展。

2.扩大城镇化水平，加强电力行业投资

研究结果得出，人口规模和城镇化水平的提升对本地区火电行业碳排放效率带来了正向影响，第二产业占比对本地区和周边区域火电行业碳排放效率均为负向影响。城市化进程为城市的发展带来了大量的就业人口，促进了第三产业服务业的发展，提升了第三产业在国民经济中的占比，人口规模的扩大为本地区带来了人口红利，吸引优质的资源和生产要素的聚集，居民对生活质量的要求也对高污染企业形成倒逼效应，促进火电企业改良生产方式，提高能源效率，进而提升碳排放效率。政府投资对本地区火电行业碳排放效率带来了正向影响，对周围地区带来负向影响，充分说明地方政府在电力行业的投资对优化能源结构，吸引优秀人才，引进先进技术有重要的作用，对周边区域的人才、技术、设备等生产要素形成虹吸效益，进而造成本地区碳排放效率的提升，这要求政府在经济发展的同时，进一步加大对电力行业的支持力度。

3.推进协同发展，开发清洁电力

研究结果得出，中国省域火电行业碳排放效率存在一定的空间相关性，人均GDP、产业结构、政府投资均存在显著的空间溢出效应，政府需要建立有效的多边交流机制，促进先进地区在技术、制度和优势资源等在周边省市良性扩散，实现区域协同减排，政策的制定需要与本地的技术和环境配套，相关物质政策上对本地企业进行倾斜，激发企业的创新活力，同时注重人才的培养，通过产学研结合将知识转化成生产力；中国是世界上最大的电力生产和消费国，研究发现火力发电的结构占比对本地区火电行业碳排放效率存在负向作用，国内各省市清洁电力占总发电量比例不高，行业自身需要加强技术进步，需要进一步提升清洁能源占比，优化能源结构，降低发电过程中能源损耗，提升碳排放效率。学习国外先进的经验，关闭能耗大，污染高的小火电机组，投入燃煤效率高，排放少的火电机组，提升火电生产的碳排放效率。