我国区域电力行业碳排放效率测算及分析

汪中华 申刘岗

摘 要：碳排放效率提升是实现碳减排的重要途径。文章以我国6大区域为研究对象，选取其2000—2016年电力行业的面板数据，使用3阶段DEA模型对我国6大区域电力行业的碳排放效率进行了实证研究。分析结果表明：若不剔除环境因素和随机扰动项的影响，会导致我国电力碳排放效率值被低估;在对原始投入进行调整后，6大区域电力行业碳排放效率的无效率主要来自于规模效率无效，效率值大小表现为“南方>华东>西北>华中>东北>华北”;经济水平、能源强度、环境规制、发用电比例、火力点占比、电力价格、产业结构7个环境变量对电力碳排放效率具有不变方向的影响。

关 键 词：碳排放效率;3阶段DEA;投入;产出

DOI：10.16315/j.stm.2019.03.009

中图分类号： F061.5;F062.4;F062.2

文献标志码： A

Abstract：The improvement of carbon emission efficiency is an important way to achieve carbon emission reduction. This paper takes the power grid of six regions in China as the research object， selects the panel data of the power industry from 2000 to 2016， and uses the threestage DEA model to conduct an empirical study on the carbon emission efficiency of the power grid of six regions in China. The analysis results show that if the influence of environmental factors and random disturbance items are not eliminated， the carbon emission efficiency of Chinas power grid will be underestimated. After adjusting the original input， the inefficiency of carbon emission efficiency in the power industry in the six major regions mainly comes from the inefficiency of scale efficiency. The efficiency values are shown as follows： “South>East China>Northwest>Central China>Northeast China>North China”. The seven environmental variables of economic level， energy intensity， environmental regulation， power generation and consumption ratio， power point ratio， power price and industrial structure have constant influence on the efficiency of electricity carbon emission.

Keywords：carbon emission efficiency; threestage DEA; input; output

根据国际能源署（IEA）的报告显示2017年全球能源相关的CO2排放增加了4.89亿t，碳排放总量更是创下新纪录。我国早在2007年已超越美国成为全球最大的CO2排放国，迫于国内环境和其他国家的压力，实施碳减排已经刻不容缓。在《巴黎协定》框架下，2015年我國向联合国的国家提交了争取在2030年使本国碳排放达到峰值的目标。电力行业作为我国的支柱型产业，需要满足日常经济发展、工业化生产和城市化建设对电力的需求，而我国现阶段的发电方式是以火力发电为主，清洁型发电方式所产生的电力远不能满足社会需要，由此产生了大量CO2，给节能环保工作造成了巨大压力。根据相关资料显示我国电力行业发电所产生的CO2排放量在我国总碳排放量中所占的比重已经到达了40%。由此可见，电力行业作为高碳排放区，我国要实现碳减排的目标，对电力行业进行碳减排是非常有必要的。碳排放效率作为衡量碳排放情况的综合性指标，相比其他指标，更能够综合考虑经济、能源等因素带来的耦合作用，测算各区域电力行业的碳排放效率情况有助于了解各区域电力行业的碳排放情况，为科学制定电力碳减排政策提供依据。

1 文献回顾

综合已有研究，可以把碳排放效率指标分为单要素和全要素2大类。单要素指标常见的有4种：一是Yamaji[1]提出的碳生产率，是指国内生产总值（GDP）与总碳排放量之比，这一指标在衡量碳排放效率时是以碳排放为基础，将经济发展与环境相结合，反映经济发展的同时对环境的贡献;二是Mielnik等[2]提出的碳指数，主要涉及碳排放量和能源消费总量2个指标，由碳排放量与能源消费量之比表示，该指标以能源消耗为基数来定义碳排放效率，反应了碳排放量与能源消耗之间的关系;三是单位GDP所对应的能源消耗，Ang[3]以单位GDP所消耗的能源作为碳指数，即能源强度，来反应一国或地区的碳排放效率水平;四是单位人均GDP所对应的碳排放量，Zhang等[4]认为将碳排放量与人均GDP的比值作为衡量碳排放效率的指标，因其考虑的因素有多个，所以在评价碳排放效率时要更加合理和准确。

以上4个单要素指标考虑因素较少，相对单薄，与现实情况有所差别，为此很多学者开始尝试构建能够包括这些相关因素在内的碳排放效率指标[5]。Zaim等[6]首次把碳排放定义为非期望产出，所谓非期望产出是指生产中不希望得到的产出，并由此提出了衡量碳排放绩效的综合指数。蔡火娣[7]运用随机前沿分析法（SFA）对中国省区二氧化碳排放效率进行了测算，并在此基础上对其影响因素进行实证分析。孙慧等[8]以我国西部地区为研究对象，基于SFA模型对西部地区的碳排放效率进行了测算。Zhou等[9]综合考虑了资本、劳動、能源、碳排放、GDP因素，针对全球碳排放量较多的18个国家，使用DEA模型测算了其全要素碳排放效率的变动情况。孙爱军等[10]基于非期望产出的DEA模型，对我国各省市在2000—2012年的出口贸易碳排放效率进行了测算。王喜平等[11]把我国划分为东部、中部、西部和东北，基于传统环境DEA模型测算了这四大区域电力行业的碳排放效率。仲云云等[12]在使用DEABC2以及Malmquist指数测算我国29个省市碳排放效率和全要素碳排放效率指数。王格等[13]使用DEA和SESBM模型，测算了106个处在不同发展时期的资源型城市的碳排放效率。杜良杰[14]基于期望产出和非期望产出，使用DEASBM模型对西部省市的绿色经济效率进行了测算。

总的来说测算碳排放效率的方法主要是DEA和SFA，其中DEA模型由于不需要知道生产函数具体形式且不受量纲的影响而使用更加广泛，但也因为没有考虑环境变量和随机误差项的影响，导致计算出来的结果有偏差。为此，

Fried等[15]首次提出了3阶段DEA模型，他认为决策单元的无效率不仅受技术水平的影响还会受外部环境因素和随机扰动项的影响。国内学者华坚等[16]最先使用3阶段DEA模型，剔除环境因素和随机扰动项的影响，对我国2006—2010年各省市的行业碳排放效率进行测算。相天东[17]运用3阶段的DEA模型，将可能对碳排放效率测算产生影响环境因素剔除，对我国2000—2014年30个省区的碳排放效率进行了测算。郭四代等[18]通过3阶段的DEA模型研究了处于相同环境水平下的我国各个区域的环境效率，并通过随机前沿模型对影响环境效率的环境因素进行了分析。白雪洁等[19]使用3阶段DEA模型测算了我国30个省市电力行业的碳排放效率。

已有文献虽然有对我国区域电力行业碳排放效率的研究，这些研究存在或是未考虑环境因素和随机扰动项的影响，或是对区域的划分过大或者过小的问题，而本文根据中国重点减排领域CDM项目和中国温室气体资源减排项目（CCER）认可的划分标准，把我国电力行业划分为6大区域，并把经济、规制、电力、能源四大方面的环境因素考虑在内，结合3阶段DEA模型对这6大区域电力行业的碳排放效率进行了对比分析，而后根据实证分析的结果有针对地提出相应地的建议，对我国电力行业实现碳减排有现实意义。

2 模型设立

传统DEA模型未考虑到外部环境和随机扰动项的影响，导致测算结果存在误差，本文结合以往关于3阶段DEA的研究以及相关资料，得出了3阶段DEA模型的推导过程[20]。

2.1 第1阶段：DEA模型

DEA模型可分为2大类，即基于投入导向和基于产出导向，大多数文献中都是选择投入导向规模报酬可变的BCC模型，因为使用该模型可以把综合技术效率（TE）分解为纯技术效率（PE）和规模效率（SE），TE=SE×PE。本文使用的也是该模型，首先第一阶段，先使用原始投入产出数据进行DEA分析。对于任一决策单元，投入导向下的BCC模型具体形式如下：

2.2 第2阶段：似SFA回归剔除环境因素和随机扰动项

第1阶段DEA方法分析得出的效率值并未考虑环境因素和随机扰动项的影响，而是把所有的影响都统一到归结到了管理无效率里，这样计算出来的结果未免会存在较大的误差。通过构建SFA模型可以很好地解决这个问题，借助SFA回归能够有效地剔除环境因素和随机噪声的影响。根据Fried等的研究，可以构造如下类似SFA回归函数：

2.3 第3阶段：调整后的投入产出DEA模型

使用经第2阶段剔除环境因素和随机扰动项后的投入产出变量再次进行第1阶段DEA碳排放效率值测算的过程，即可得到相对来说更加精确的效率值。

3 电力碳排放效率测算

3.1 变量与数据选取

由于西藏地区的部分数据缺失，本文选取我国30个省市2000—2016年电力行业的面板数据为研究对象，按照中国气候变化网中给出的关于中国区域电力行业的划分标准，把30个省市划分6大电力区域。具体指标和数据的选取如下：

1）投入变量。根据柯布[KG-*5]-[KG-*5]道格拉斯生产函数（CD），地区的产出和该地区的资本和劳动投入有关，但是将投入变为产出的过程中还涉及能源的投入[21]。其中，劳动投入选取各省市电力行业的年就业人数表示;资本投入选取各省市电力行业固定资产投资额，经固定资产投资指数平减，换算成2000年不变价格后表示;能源投入选取各省市电力行业发电的能源消耗量来表示。

2）产出变量。实际生产中，除了得到期望产出外，还会得到非期望产出。期望产出以各省市电力行业经平减后以200年为基期的工业销售产值表示;非期望产出，以各省市电力行业的碳排放量表示，对于电力行业碳排放的计算，本文使用2006年《IPCC国家温室气体指南》中所公布的方法，具体如下：

CO2排放量=含碳能源消耗量×平均低位发热量×碳氧化因子×3.67。（6）

对于DEA模型来说，投入既定的情况下，产出越大越好，即使该产出是非期望的，因此需要对碳排放数据进行一定的处理，本文参考Seiford等[22]研究中的线性数据转换法对碳排放的结果进行处理。设生产单元在第j年的非期望产出总量为Fij，=max{Fij}+C，C为任意一个比0大的常数，此处设定C的值为1，2000≤j≤2016，则转化后的电力碳排放F*ij=-Fij，此时非期望产出也就转化为了期望产出，F*ij的值越大代表电力碳排放越低。

3）环境变量。环境变量的选取应考虑那些对电力行业碳排放效率产生影响的客观外生变量。已有的研究都是根据研究的目的异同，从而选取不同的环境变量，结合以往文献以及电力行业的特点，具体指标的选取如下：

经济发展水平以剔除通货膨胀后的地区人均GDP表示，由于环境库兹涅茨曲线（EKC）的存在，其对电力碳排放效率的影响方向待定[23];能源强度以地区能源消耗量与地区生产总值的比重来表示，预期对电力碳排放效率影响为负;环境规制以地区污染治理投资与GDP的比值来表示，由于“绿色悖论”和“倒逼减排”2种机制的存在，影响方向待定[24];发用电比例以发地区电量与消耗电量的比值来表示，预期对电力碳排放效率影响方向为负;火力发电占比以化石燃料燃烧所产生的电力占电力总生产量的比重表示，预期影响为负;电力价格以地区电力销售额与电力消耗量的比值来表示，由于电力价格变化对需求方和供给方影响相反且大小不确定，故对电力碳排放效率的影响方向待定;产业结构以第二产业产值占总产值的比重来表示，预期对电力碳排放效率影响方向为负。相关数据来自于2000—2016年《中国统计年鉴》《中国能源统计年鉴》《中国工业统计年鉴》。

3.2 碳排放效率测算

3.2.1 6大区域电力碳排放量

由式（6）测出各个区域电力行业在2000—2016年的电力碳排放量。碳排放均值变化图，如图1所示，可以看出我国6大区域电力行业碳排放均值在2012年以前基本都处于不断上升的趋势，在2012年以后趋于稳定，其中电力碳排放均值最高的是华北区域，最低的是西北区域。

3.2.2 第一阶段：传统DEA模型（BCC）

首先使用传统DEABCC模型对30个省市电力行业碳排放效率进行测算，结果如表1所示。

由表1可知，调整前各个省市的电力碳排放综合技术效率（TE）值都比较低，与效率前沿面1存在较大的距离，只有华东区域电力行业和南方区域电力行业的TE值超过了0.5，其他区域均在0.5以下。综合技术效率水平表示了实际效率值偏离最优值的程度大小，可以分解为纯技术效率（PE）与规模效率（SE）的乘积，由此可知，6大区域电力行业碳排放效率值偏低的主要原因在于PE的拖累，SE虽未处于技术的前沿面，但相对PE来说更加接近与最优规模，PE还有很大的提升空间;电力碳排放效率值为1，处于效率前沿面的省市有北京、青海、海南3个省市，分别位于华北电力行业、西北电力行业和南方电力行业，最低的是山西省，只有0.181，位于华北电力行业;各个省市电力碳排放效率基本都表现为规模递增，只有山东、江苏、浙江、广东4个地区变现为规模递减;按照TE值由高到低对各区域电力行业的碳排放效率进行排序，则六大区域电力行业表现为“华东>南方>华北>西北>华中>东北”。由于未剔除环境因素和随机扰动项的影响，所以其估算值相對于真实值很可能是有偏的，并不能真实地反映我国各省市电力碳排放效率水平。

3.2.3 第2阶段：似SFA模型回归分析

在第2阶段，分别以资本、劳动、能源3个投入的松弛变量为被解释变量，以所选取的环境变量为解释变量构建随机前沿回归（SFA）模型，得到的结果，如表2所示。

由表2可知，6个环境变量对资本、劳动、能源3个松弛变量的系数基本都通过了显著性检验，说明环境因素和随机扰动项对我国电力生产的投入松弛存在显著影响，需要说明的是部分环境变量影响不显著，但仍具有方向性的影响。3个回归的似然比检验（LR）均通过了1%的显著性检验，模型拟合效果较好，3个回归结果的γ值都较大，接近与1且显著，说明管理无效率的影响占据主导地位，相对来说随机扰动项的影响则较小，因此使用SFA模型是合理的，对电力碳排放效率测算中管理无效率和环境因素的剥离很有必要。

具体来说，经济发展水平、发用电比例、火力发电占比、产业结构对资本、劳动、能源3个松弛变量的影响为正，且除了火力发电占比对资本松弛影响不显著外，其他结果均显著，表明这4个因素增加会导致投入松弛的上升，造成更多的投入浪费，对电力行业碳排放效率的提高会产生不利影响。除了经济发展水平因素外，其他因素对电力碳排放效率的影响与预期表现一致，这说明现阶段我国经济发展方式整体来说仍较为粗犷，经济的发展要依赖投入的增加，资源利用效率较低，经济水平的上升不但不能促使电力碳排放效率的提高，反而会对其产生抑制作用。环境规制的回归系数均表现为负，对劳动松弛的影响不显著，对其余2者影响显著，说明加强环境规制会促使投入松弛的减少，减少浪费，从而对电力碳排放效率的提高产生积极影响;能源强度的系数正负不一，对资本松弛的影响显著为负，对劳动松弛和能源松弛的影响显著为正，说明能源强度增加会减少资本松弛，增加劳动和能源松弛，且劳动和能源松弛增加量大于资本松弛的减少量，说明能源强度对电力碳排放效率的综合影响为负，与预期方向相同;电力价格对资本松弛和劳动松弛的影响显著为负，对能源松弛的影响显著为正，说明电力价格的上升会减少资本和劳动松弛，增加能源松弛，整体上来说，减少量要大于增加量，即电力价格上升有助于电力碳排放效率的提高。

3.2.4 第三阶段：调整后的DEA模型

根据式（3）剔除了环境因素和随机扰动项对电力碳排放效率值的影响后，再次进行效率测算得到的结果，如表3所示。

对原始投入进行调整后，电力行业碳排放效率均值发生了较大变化。相比第1阶段，6大区域的碳排放综合技术效率都处于0.5以上，与技术效率前沿面的差距大大缩小，北京、青海、海南3个省市仍处于效率的前沿面上，另外新增的还有广东省，此时南方电力行业有2个地区都处于效率的前沿面上，这些情况表明之前电力行业综合技术效率较低的原因部分在于环境的恶劣和不好的运气，而非管理和技术水平较差;除浙江省外，其他各省市的电力碳排放效率均表现为规模报酬递增。此时6大电力行业区域电力碳排放效率值表现为“南方>华东>西北>华中>东北>华北”，这与第1阶段中的结果有所不同，华北区域电力行业由原来的第3位变为了最后1位，结合表5可以看出，华北电力行业碳排放效率下降的主要原因是河北、山西、内蒙3省的效率值过低，这3个省份都属于工业化城市，地区经济发展主要是依靠第二产业的贡献，需要大量的能源投入，相对来说电力行业碳排放效率值较低。

从综合技术效率分解来看，此时的PE和SE表现与第1阶段有所不同，其中PE值有了很大的提升，而SE值有小幅度下降，这说明在未剔除环境因素和随机扰动项之前，管理和技术水平被严重低估，规模效率水平则被有所高估，此时整体PE值要大于SE值，电力碳排放效率无效部分的原因主要是来源于规模效率的无效。电力碳排放纯技术效率值变现为“南方>华东>西北>华北>华中=东北”，规模效率表现为“南方>华东>西北>华中>东北>华北”，由此可见，南方区域电力行业不论是纯技术效率还是规模效率，相比其他5个地区都处于领先的地位，所包括的省市，如云南、贵州等，经济发展水平并未处于国内第1梯队，但是其电力碳排放效率水平却相对来说较高，这也在一定程度上验证了5.2.2中经济发展水平和碳排放效率的负相关关系;东北区域电力行业和华北区域电力行业电力碳排放效率水平处于最低的水平，东北区域作为我国的老工业基地，工业化程度严重，当下正面临转型，电力规模效率水平严重拖累了其电力碳排放效率，而华北区域一方面北京市处于效率的前沿面，另一方面河北、山西、内蒙古等地区工业化又十分严重，区域内差异情况较大，使得华北区域电力行业整体的电力碳排放效率水平表现较低，剩余的3个区域电力行业碳排放效率处于中等水平，华东和西北比较接近，华中区域则低于2者，主要的原因在于华中区域电力行业的纯技术效率要比华东和西北地区低，电力企业的管理和技术水平有待提高。

4 结论及建议

本文通过DEA 3阶段模型对我国2000—2016年6大区域电力行业平均碳排放效率的测算和分析，主要得出以下结论：6大区域电力行业碳排放量在2000—2016年呈先上升后穩定的趋势，根据传统DEA模型的测算结果，电力碳排放效率水平较低，具体表现为纯技术效率无效率，规模效率水平较高;电力碳排放效率受环境因素和随机扰动项的影响，在对原始投入进行调整后，6大区域电力行业的碳排放效率相比第一阶段有了很大的提升，此时电力碳排放效率的无效率主要在于规模效率无效率，6大区域电力行业碳排放效率从高到低表现为“南方>华东>西北>华中>东北>华北”;第2阶段SFA实证结果表明，各环境因素对电力碳排放效率的影响存在差异，经济水平、能源强度、发用电比例、火力发电占比、产业结构的增长会对电力碳排放效率提高产生消极影响，而环境规制和电力价格的增长会对电力碳排放效率的提高产生积极影响。

根据以上结论，本文对我国区域电力行业碳排放效率的发展及碳减排，提出以下几点建议：

1）从影响整体电力行业的环境变量和随机因素的角度出发，随机因素不可控，要改变的只有环境变量。经济发展水平对电力碳排放效率的提高会产生不利影响，降低经济发展水平明显不可取，相应的措施应该是在提高经济水平的同时注重经济发展的质量，实现经济绿色发展;环境规制对电力碳排放效率的影响，在我国现阶段表现为正向促进，通过加强环境规制来限制电力碳排放也是提高电力碳排放效率的一个重要途径;电力价格在影响电力碳排放效率时，表现为电价上升有利于提高电力行业碳排放效率，因此通过合理设置电价，防止电价过低，可以有效减少投入的浪费，提高电力碳排放效率;此外，合理规划发用电比例，在满足经济发展的同时，不盲目增加自身的投入以换取电力产值的增加;改变电源结构，增加风力、水力、核能等清洁型发电方式所占的比重，逐渐取代火力发电的主导地位;积极开发新型能源，加快产业结构升级，提高能源的使用效率，都有助于提高我国各电力行业的碳排放效率，实现电力行业碳减排。

2）从电力碳排放效率及其分解值的地区差异角度出发，对不同的地区应根据其特点来实行不同的政策。首先，从碳排放效率的差异来说，南方区域电力行业相对来说电力碳排放效率较高，其他区域，尤其是东北区域应该学习和借鉴南方区域电力行业先进的技术和管理经验，通过引进先进的设备和人才来提高自身电力行业的碳排放效率，至于华北区域则应该更加注重区域内电力碳排放效率差异的缩小，加强区域内的学习和交流，电力碳排放效率低的地区向高的地区看齐。其次，从纯技术效率和规模效率的角度出发，对于2者水平都较高的南方区域，以后的发展方向应该是在保持现有的水平的基础上，不断尝试新的方法和措施，保持自身的领先地位;对于纯技术效率与南方区域基本持平，而规模效率较低的区域，如华北、东北、西北，以后的重点应该放在提高电力行业规模方面，通过发挥出电力行业的规模效应，来带动该区域整体电力碳排放效率的提高;而对于纯技术效率不高，规模效率又低的地区，如东北、华中，不仅要扩大电力生产规模，提高规模效率，同时还要提高电力技术和管理水平，以提高纯技术效率，相比其他区域提高电力碳排放效率难度要更大。总体来说，6大区域电力行业要提高电力碳排放效率共同的一点是要改变以往电力行业规模小、分布分散的状态，而后再结合不同区域在其他方面的差异，有针对地实施不同措施。

参考文献：

[1] YAMAJI K，MATSUHASHI R，NAGATA Y，et al.A study on economic measures for CO2，reduction in Japan[J].Energy Policy，1993，21（2）：123.

[2] MIELNIK O，GOLDEMBERG J.Communication the evolution of the “carbonization index” in developing countries[J].Energy Policy，1999，27（5）：307.

[3] ANG B W.Is the energy intensity a less useful indicator than carbon factor in the study of climate change？[J].Energy Policy，1999，27（5）：943.

[4] ZHANG，ZHIQIANG，JIANSHENG，et al.A quantitative comparison and analysis on the assessment indicators of greenhouse gases emission[J].Journal of Geographical Sciences，2008，18（4）：387.

[5] RAMANATHAN R.Combining indicators of energy consumption and CO2 emissions：a crosscountry comparison[J].International Journal of Global Energy Issues，2002，17（3）：214.

[6] ZAIM O，TASKIN F.Environmental efficiency in carbon dioxide emissions in the OECD：a nonparametric approach[J].Journal of Environmental Management，2000，58（2）：95.

[7] 蔡火娣.基于RAMSFA模型的中国二氧化碳排放效率影响因素分析[J].当代经济，2017（26）：

[8] 孙慧，张志强，周锐.基于随机前沿模型的中国西部地区碳排放效率评价研究[J].工业技术经济，2013（12）：71.

[9] ZHOU P，ANG B W，HAN J Y.Total factor carbon emission performance：A Malmquist index analysis[J].Energy Economics，2010，32（1）：194.

[10] 孙爱军，房静涛，王群伟.2000—2012年中国出口贸易的碳排放效率时空演变[J].资源科学，2015，37（6）：1230.

[11] 王喜平，刘兴会.电力行业碳排放绩效地区差异及空间相关性分析[J].工业技术经济，2014，33（11）：129.

[12] 仲云云，仲伟周.中国区域行业碳排放绩效及影响因素研究[J].商业经济与管理，2012，1（1）：85.

[13] 孙秀梅，王格，董会忠，等.基于DEA与SESBM模型的资源型城市碳排放效率及影响因素研究：以全国106个资源型地级市为例[J].科技管理研究，2016，36（23）：78.

[14] 杜良杰.西部省市绿色经济效率评价与排序研究[J].科技与管理，2018，20（4）：29.

[15] FRIED H O，LOVELL C A K，SCHMIDT S S，et al.Accounting for Environmental Effects and Statistical Noise in Data Envelopment Analysis[J].Journal of Productivity Analysis，2002，17（1/2）：157.

[16] 華坚，任俊，徐敏，等.基于三阶段DEA的中国区域二氧化碳排放绩效评价研究[J].资源科学，2013，35（7）：1447.

[17] 相天东.我国区域碳排放效率与行业生产率研究：基于三阶段DEA模型[J].经济经纬，2017（1）：20.

[18] 郭四代，仝梦，郭杰，等.基于三阶段DEA模型的区域环境效率测度[J].统计与决策，2018，34（16）：89.

[19] 白雪洁，宋莹.中国各省火电行业的技术效率及其提升方向：基于三阶段DEA模型的分析[J].财经研究，2008（10）：15.

[20] 陈巍巍，张雷，马铁虎，等.关于三阶段DEA模型的几点研究[J].系统工程，2014，32（9）：144.

[21] 何晓萍.工业经济的节约型增长及其动力[J].经济学（季刊），2012，11（4）：1287.

[22] SEIFORD L M，ZHU J.Modeling undesirable factors in efficiency evaluation[J].European Journal of Operational Research，2005，161（2）：579.

[23] 林伯强，蒋竺均.中国二氧化碳的环境库兹涅茨曲线预测及影响因素分析[J].管理世界，2009（4）：27.

[24] 张华，魏晓平.绿色悖论抑或倒逼减排：环境规制对碳排放影响的双重效应[J].中国人口·资源与环境，2014，24（9）：21.

[编辑：厉艳飞]