中国省域低碳经济绩效演化路径研究

王彤 刘丙泉

摘要：文章将统一技术前沿的序列DEA与BP神经网络结合构建中国省域低碳经济发展的分层-分类-预测三阶段模型，实现对低碳经济绩效的评价，并以此为基础规划低碳经济效率的动态发展路径，以实现逐步改进。结果表明：不同省份由于经济发展、资源禀赋等的差异，低碳经济效率改进能力参差不齐，根据各省低碳经济能力设定增量改进目标促使其完成逐步改进更易实现，尤其是目前效率水平较低的省份;为各个省级区域规划有效量化路径以实现《“十三五”规划》提出的GDP碳强度目标并针对各个层级分别提出合理化建议。

Abstract： This paper combines the sequential DEA oriented to the unified technology frontierand and BP neural network to construct a three-stage model of stratification-classification-prediction for the development of low-carbon economy in China. We evaluate the performance of low-carbon economy， and on this basis， plan the dynamic development path of it to achieve stepwise improvement. The results indicate that， because of the variety of economic development and resource endowment in different provinces， their improvement capabilities are uneven. According to respective capability of each province， the incremental improvement targets for stepwise improvement will be more achievable， especially provinces in the lower tier of efficiency which have extraordinary potential for improvement. The results are applied to plan the effective and quantitative path for provincial regions to achieve the target of carbon emissions per GDP proposed in the 13th Five-Year Plan and put forward the rationalization proposals for each level.

關键词：序列DEA;BP神经网络;低碳经济;增量改进

Key words： sequential DEA;BP neural network;low-carbon economy;incremental improvements

中图分类号：F205;F062.2;F223.0                  文献标识码：A                                  文章编号：1006-4311（2019）18-0011-03

0  引言

节能减排是21世纪以来全球的能源主题。中国作为世界上碳排放量最大的国家，在未来发展中将面临保证经济发展质量与速度的同时控制碳排放的压力与挑战。为此，评估各省的低碳经济工作绩效和未来的低碳经济发展潜力，寻求绿色高效的经济增长路径，对于我国实现低碳经济转型与可持续发展具有重要的理论价值与实践意义。

目前，已有诸多学者对低碳经济绩效评价与发展路径进行了持续关注和深入研究。将碳排放量作为非期望产出或投入要素，利用SBM、RAM等DEA模型探讨区域低碳经济效率的时序演变规律和作用机制，成为目前研究的焦点。Meng等运用 RAM-DEA 模型实现中国2001-2014年省域低碳经济综合效益评价与绩效影响因素探讨，并为中国东部、中部与西部地区分别提出了相关政策建议[1]。Zha等 以2011到2013年湖北省17个城市为样本，运用SBM-非期望模型测算旅游业的低碳经济效率，并建议效率较低的城市以位于技术前沿面上的城市为基准，缩减投入和产出的松弛变量以实现技术效率的提高[2]。此外，Xie[3]，Li & Sun[4]，Martina[5]等人从政策角度对低碳经济演化路径进行探究。

尽管目前的研究已经取得一定的成果，但是仍存在如下三方面问题。第一，目前对低碳经济发展路径的研究大都局限于政策发展方向，并没有提出明确的、具体的定量解决方案，虽然DEA模型可通过投影调整低效决策单元的输入和输出变量，以达到有效前沿面的最佳性能水平，但在现实情况下可能无法实现。由于不同地区的资源禀赋、经济发展等的差异，改进力度有所不同，因此一些地区可能选择次优效率。第二，对于低碳经济效率的评价大都基于静态视角。低碳经济效率大都面向实际包络面，在此种情形下，出现的诸多效率为1的DMU低碳经济效率依然有差别。常用来识别该差别的超效率DEA方法每次优化均需将待评估DMU排除在参考单元外，致使最终的评估结果基于不同包络面得出，因此可比性较差。第三，DEA模型主要基于以往区域发展过程中相关投入产出状况进行分析，缺乏对未来发展的预测机制。

基于上述考虑，本文以环境生产技术为基础，构建虚拟包络面，建立序列DEA - BP神经网络模型。该模型面向统一技术前沿，动态考察我国28 个省市低碳经济效率水平，进行效率分层，并以此为基础，针对每个省份通过预测提出地区生产总值与碳减排的增量改进目标以实现逐步改进，对我国积极降低碳排放与促进经济高速优质增长具有重要意义。

1  研究方法

图1对本研究提出的分层-分类-预测三阶段顺序处理模型进行了概括性说明，模型的详细说明如下：

①DEA分层。在本研究中，DEA执行核心预处理任务，对DMU进行迭代分层。每次分层识别出的有效决策单元都将从后续迭代过程中排除，因而形成效率层级（ET）的集群，并在每个分层过程中对低效DMU的产出进行投影以达到有效前沿面，从而产生虚拟DMU。在本研究中，考虑后续BPNN模型的适当样本量，在形成5个效率层级后DEA分层停止。每个效率层级中输入和输出组的单调递增属性将为稳健的BPNN模型提供基础。

②BPNN分类。在第二阶段，BPNN分类模型学习并识别不同效率层级的单调函数，将DMU分类为不同的效率层级。在分层过程之后，BPNN模型将每个DMU的投入和产出作为训练输入，将DMU所属效率层级作为训练输出， 为后续的增量输出预测提供基础，即

③BPNN预测。在第三阶段，训练BPNN预测模块学习每个效率层级的生产函数，即

在（2）式中，ETk为目标层级，Ik是所有DMU的实际投入向量，Ok是预测的产出向量。通过这种方式，BPNN预测模块学习4个效率层级的生产函数，并预测每个DMU在不同目标层级的潜在产出，以支持效率水平的逐步改进。

但是在使用DEA模型进行效率评价时，众多学者大都基于静态评价的视角，应用当期 DEA 对DMU当期的效率进行评估，得到的效率值无法跨越任意时间维度进行纵向比较，只能在同期进行横向比较。此外，低碳经济效率大都面向实际包络面，在此种情形下，出现的诸多效率为1的DMU低碳经济效率依然有差别。因此，为建立更优的综合模型，本研究以环境生产技术为基础[6][7]，构建虚拟包络面将各期DMU统一纳入到同一参考单元集，以区分诸多效率为1的DMU的相对有效性[8]。

2  實证研究

2.1 数据来源与说明

本研究以2012-2017 年我国 28 个省级区域的投入产出数据作为样本（香港、澳门等区域因数据缺失过多而不包括在内）。假设生产过程的投入要素为资本、劳动力和能源，获得单一期望产出地区生产总值，同时产生非期望产出二氧化碳排放量。所有数据都来源于历年《中国统计年鉴》和《中国能源统计年鉴》或经整理而得。

2.2 DEA分层

使用Matlab R2018b，对2012-2016年的所有省份进行面向统一技术前沿的低碳经济效率评价，综合各省五年低碳经济效率的分层结果，得出28个省份对应的效率层级。由于位于第一层级的是28个虚拟决策单元，因此28个省份对应的效率层级如表1。

从表1反映的统一技术前沿下我国省际低碳经济效率来看，在区域层面上，南方沿海地区低碳经济效率总体较高，并且我国低碳经济效率基本上符合“东部高、西部低、中部居中”的一般规律;从各省市层面上，上海、北京、天津、广东在考察期内始终处于低碳经济效率最优的层级，而位于低碳经济效率第五层级的十个省份大多资源禀赋较高，往往专注于眼前的资源红利，而忽视了区域产业结构的升级改造，容易产生“挤出效应”，使得低端产业得到发展，这不但阻碍了低碳经济效率的提高，而且使这些省份出现“资源诅咒”的现象。这说明在当前经济增长规模下，目前处于低碳经济效率相对较低层级的省份尤其是西部地区具有巨大的改进潜力。

2.3 BPNN分类

BPNN分类模块的数据集包含了4个效率层级（从ET1到ET4）的共计666个DMU。经过初步的分析与尝试，BPNN分类模块参数选择总结如表2。

使用matlab R2018b进行程序编写，得到如图2所示的分类结果图。

BPNN分类模块在所有效率层级共计666个DMU中的平均分类准确率为96%。如图2所示，几乎所有的DMU都被分类到相应的效率层级，结果表明BPNN分类模块没有陷入“过拟合”而具有很好的泛化能力。通过分类模块，可以在制定可实现的目标产出之前对省际低碳效率所处的层级有良好的定位，为后续预测模块提供基础。

2.4 BPNN预测

此模块的目的是预测所有DMU在目标低碳经济效率层级的产出，与分类模块不同，预测模块的网络结构为4-10-2，训练函数选择trainlm以保证其良好的性能，其训练结果如表3。

预测模块中的三个评估参数可评价BPNN预测的有效性，即BPNN预测模块具有良好的性能而没有陷入“过拟合”。因此，预测模块可预测2017年省际地区生产总值与碳减排的增量改进的目标产出。

需要引起注意的是，目前所处低碳经济效率层级较低的省份有更大的发展潜力，尤其是目前处于第五层级的10个“减排大省”。本文根据BPNN预测模块产生的增量改进目标计算目前处于低碳经济效率第五层级的10个省份通过层级改进将会对全国GDP碳强度产生的影响。《“十三五”规划》提出到2020年，全国GDP碳强度要比2015年下降18%。而本研究通过计算验证若处于目前低碳经济效率层级前四的省份将效率提升一个层级，处于最低层级第五层级的省份将效率提升两个层级，全国GDP碳强度将是29.6%，比2015年下降18.8%，即可很好地完成《“十三五”规划》的GDP碳强度目标。

3  结论与启示

本文以环境生产技术为基础，构建虚拟包络面，建立序列DEA - BP神经网络模型。该模型面向统一技术前沿，动态考察2012-2016年我国28个省份低碳经济效率情况，进行效率分层，并以此为基础，针对每个省份提出地区生产总值与碳减排的增量改进目标以实现逐步改进。本研究通过数据分析得出若目前处于低碳经济效率最低层级的10个省份将效率提升2个层级，其余省份提升1个层级，即可达到《“十三五”规划》提出的GDP碳强度目标。

上述研究结论的政策意义在于：所有省份皆可根据本研究提出的充分考虑自身改进能力的增量改进目标更好更快地提升低碳经济效率。制定低碳经济政策时，应优先考虑各省份的目标实现能力，而不是一刀切。对于目前处于低碳经济效率最高层级的四个省份，虽然其效率较高，但仍有提升空间;对于处于第三层级的7个省份与第四层级的7个省份，应以第二层级或者第一层级为发展方向，充分借鉴其经验和教训，进一步提高低碳经济效率;而对于本研究中位于低碳经济效率最低层级尤其是西部地区的省份，应充分利用后发优势，沿着本研究提出的动态发展路径加快提升效率。根据各省份的低碳经济能力，制定渐进式改进目标以实现逐步改进是实现经济优质高速增长的可行措施，对我国实现低碳经济转型具有重要意义。

参考文献：

[1]Meng M， Fu Y N， Wang L X. Low-carbon economy efficiency analysis of China's provinces based on a range-adjusted measure and data envelopment analysis model[J]. Journal of Cleaner Production， 2018（199）：643-650.

[2]Zha J P， He L M， Liu Y， Shao Y H. Evaluation on development efficiency of low-carbon tourism economy： A case study of Hubei Province， China[J]. Socio-Economic Planning Sciences， in press.

[3]Xie H. Legal Regulation of Low-Carbon Economy. IERI Procedia， 2014（8）：170-175.

[4]Li J L， Sun C W. Towards a low carbon economy by removing fossil fuel subsidies[J]. China Economic Review， 2018（50）：17-33.

[5]Martina K L， Han J L， Pan Z Y， Smith T. How markets will drive the transition to a low carbon economy[J]. Economic Modelling，in press.

[6]Faere R， Grosskopf S， Lovell C A K， Pasurka C. Multilateral Productivity Comparisons When Some Outputs Are Undesirable： A Non parametric Approach[J]. The Review of Economics and Statistics， 1989， 71（1）：90-98.

[7]Zhou P， Ang B W. Decomposition of Aggregate CO2 Emissions： A Production-Theoretical Approach[J]. Energy Economics， 2008， 30（3）：1054-1067.

[8]劉丙泉，尚梦芳，马占新. 碳排放效率、发展成本与碳减排成本研究——基于虚拟包络面的统一技术前沿[J].华东经济管理，2015，29（12）：88-94.