中国工业碳生产率的空间收敛性及其影响因素研究

□兰梓睿

一、引言

为有效应对气候变化带来的一系列环境污染、气温升高等问题，2020 年9 月习近平主席在联合国大会一般性辩论上宣布，中国将提高国家自主贡献力度，采取更加有力的政策和措施，二氧化碳排放力争于2030年前达到峰值，努力争取2060 年前实现碳中和。中国作为碳排放第一大国及经济体量最大的发展中国家，在积极主动承担减排责任过程中一直探寻实现绿色低碳发展的对策方法。这就意味着中国必须重视能源结构和消费结构的转型发展。而工业作为国民经济的支柱产业，其生产总值占全国GDP 的比重长期维持在40%左右，终端能源消费量占全国终端能源消费量的70%以上[1]，在为中国创造经济红利的同时，也逐渐成为能源消耗和污染物排放的主体。对于中国工业部门的发展来说，一方面需要加快转变能源消费结构以降低碳排放量，另一方面还要实现部门经济的稳定增长，这就迫使工业部门寻求兼顾两者的发展途径。“碳生产率”指标作为实现经济增长与CO2减排的重要桥梁[2]，是发展低碳经济的核心和关键因素[3]。因此，提升工业碳生产率是符合两者目标的可行途径，成为工业低碳发展的关键。然而，由于各地区经济发展水平、资源禀赋结构、地理位置等方面具有较大的差异，不同地区工业碳生产率水平也呈现出不均衡性的特征。那么，如何刻画中国工业碳生产率的演变特征、空间相关性以及地区间工业碳生产率是否存在空间收敛现象？厘清上述问题，对于更好地了解中国省域工业碳生产率的演变特征，分析工业碳生产率的区域差异以及空间收敛性，进而实现工业低碳可持续发展，具有重要的现实意义。

二、文献综述

对于碳生产率的研究一直是学者们关注的重点，碳生产率最早是由Kaya 和Yokobori[4]定义，即“单位CO2排放的GDP 产出”，这一概念将碳减排与经济发展目标结合起来，对于评估发展中国家的低碳增长绩效有重要参考作用[5]。学术界关于碳生产率的研究集中在以下几方面：（1）在研究方法上，主要包括单要素碳生产率和全要素碳生产率的测度，单要素碳生产率的测算主要采用单位碳排放的经济产出表示，如潘家华等[6]、沈能等[7]、孙慧等[8]对中国区域碳生产率进行测算并分析其差异性，从而为提高区域碳生产率水平提供依据；全要素碳生产率的测度得到更广泛的应用，学者们主要采用方向距离函数和Malmquist 指数来进行分析，如张成等[2]对中国省际全要素碳生产率进行测度，并对其影响因素进行研究。（2）在研究尺度上，主要侧重于从国别[9-11]、区域[6][12]和行业[13]等层面分析碳生产率的变化，得出的结论大都表明碳生产率的高低对提升经济的低碳发展有至关重要的作用。（3）在影响机制识别方面，多数研究表明：碳生产率的变化趋势主要与经济结构、产业结构、能源结构和技术创新等关联[6][12][14]，而对于碳生产率优化提升的路径，则考虑从人力资本[15]、全球价值嵌入[16]和降低煤炭资源配置比例[1]等方面进行了尝试性研究。（4）关于碳生产率收敛机制的检验。关于碳生产率收敛性的研究方法主要包括α 收敛、β 收敛和俱乐部收敛，α 收敛主要侧重检验各地区碳生产率的标准差，标准差随着时间变化下降则证明存在α 收敛；如果随着时间的推移，高碳生产率地区的碳生产率增长水平低于低碳生产率地区的水平，则说明是β 收敛；如果所研究的区域整体是不收敛，其中部分地区存在收敛现象，则证明是俱乐部收敛；具体研究如王许亮等[17]、张普伟等[18]、沈能等[7]、张成等[2]分别对服务业、建筑业以及区域碳生产率的趋同效应和收敛趋势进行了研究，发现碳生产率存在较强的局部聚集特征和空间条件收敛性，从而较为全面地完善了碳生产率的相关研究。

梳理近年来的研究文献，从国家、地区到具体行业中关于碳生产率的研究较为丰富，但立足于考察工业碳生产率的文献涉及较少，也有少数文献针对服务业[17]、建筑业[18]、种植业[19]和旅游业[20]碳生产率进行研究和分析，而对于工业碳生产率的测算往往采用单要素碳生产率进行测度，缺乏对其空间收敛机制的深入研究。因此，本文从考察工业的经济增长和碳减排效应入手：（1）考虑单要素碳生产率的不足，基于考虑CO2排放的Shephard 距离函数（以下简称Shephard 碳距离函数）和Malmquist 指数方法，测算2005-2019 年中国其中30 个省市区（除西藏、港澳台地区）的工业全要素碳生产率。（2）以往研究只注重工业的减排效应，而忽略了其对经济增长的促进作用。因此本文从考虑经济增长和碳排放两个目标入手，重点考察中国工业全要素碳生产率的变化趋势。（3）将空间因素引入传统的收敛模型，注重考察工业碳生产率的空间收敛特征，更好地解决生产要素跨区域流动对收敛结果的偏差问题。（4）深入分析影响工业碳生产率区域差异性的影响因素，进而为更好地促进省域工业的绿色、低碳发展提供一定借鉴和参考。

三、研究方法与数据说明

（一）研究方法

1.全要素工业碳生产率的测算

（1）工业CO2排放量的计算方法

工业CO2排放的主要来源是工业生产过程和能源化石燃料燃烧。由于工业生产过程产生的CO2量较少，且现有研究多是根据能源消耗量估算CO2排放量[1]。因此，CO2的计算方法参考“政府间气候变化专门委员会”（IPCC）报告[21]。具体公式如下：

其中，CO2代表二氧化碳排放总量，CO2，i是第i 种能源，n 为能源种类数，选取煤炭、焦炭、原油、汽油、煤油、柴油、燃料油和天然气8 种能源作为终端能源，Ei代表能源消耗量，NCVi是第i 种一次能源的净热值，CEFi是碳排放因子，COFi是碳氧化因子。

（2）Malmquist 指数计算方法

参考前人[14][22]的研究方法，本文基于Shephard 碳距离函数，利用Malmquist 指数衡量全要素工业碳生产率，具体公式如下：

其中，K，L，Y 和C 分别代表资本、劳动力、期望产出（GDP）和非期望产出（CO2），P 表示一个生产技术集，其定义的形式如下：

因此，基于Shephard 碳距离函数，可以利用Malmquist 指数计算地区全要素工业碳生产率，具体公式如下：

其中，ICPi(m，n)代表第i 省从m 期到n 期的工业CO2排放水平变化情况，若该指标大于1，表明工业CO2排放绩效良好，小于1 表明绩效较差；同时，参考Zhou 等[14]的分析方法，将ICPI 指标进一步分为效率变化和技术变化两部分，分解公式如下：

其中，EFFCH 反映一种技术追赶效应，当EFFCH 指数大于1，表示其更接近于生产前沿，反之则落后；TECCH 反映一种边界转移效应，当TECCH 指数大于1，表示其技术进步，反之则倒退。

2.空间相关性检验

为进一步了解中国省域工业碳生产率的整体变动趋势以及空间相关性，通过Moran'I 指数对省域工业碳生产率的空间自相关性进行检验，Moran'I 指数的计算方法如下：

其中，S2=为样本方差，Yi和Yj分别表示i 地区和j 地区的工业碳生产率，为省域工业碳生产率的均值，Wij为空间权证矩阵，即地区i 与j 的空间关系，若地区i 和地区j 相邻，则Wij取值为1；反之，则取值为0。若Moran's I<0，则代表负相空间自相关；若Moran's I>0，则代表正相空间自相关；若Moran's I=0，则表示不存在空间自相关效应。

表1 列出了工业碳生产率空间自相关检验的结果，可以发现：2005-2019 年所有年份的Moran's I 指数均为正且通过5%显著性检验，说明我国省域工业碳生产率存在显著的正向空间相关性，即工业碳生产率存在空间集聚特征，呈现高-高、低-低聚集。究其原因是由于相邻地区工业经济发展水平和资源禀赋结构比较相似，要素投入过程中与碳排放的空间关联性比较高，进而影响地区经济的低碳发展。

表1 中国省域工业碳生产率空间相关性检验结果

（二）变量选取与数据来源

1.变量选取

鉴于数据的完整性和可得性，选取2005-2019 年中国其中30 个省市区（不包括西藏、香港、澳门和台湾地区）的数据作为研究样本进行分析，根据国家统计局区域划分方法，将30 个省市区进行区域划分。东部地区包括北京、天津、河北、上海、江苏、浙江、福建、山东、广东、海南10 个省市区，中部地区包括山西、安徽、江西、河南、湖北、湖南6 个省，东北地区包括黑龙江、吉林和辽宁3 个省，西部地区包括内蒙古、广西、重庆、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆11 个省市区。

关于变量选取：（1）工业碳生产率。基于IPCC 报告测算的工业碳排放，考虑单要素工业碳生产率的不足，采用全要素碳生产率进行分析和研究。（2）人均GDP。经济发展水平较高的地区，资本雄厚、基础设施建设便利，更加注重经济与环境协调发展。本文采用地区国民生产总值与地区年末常住人口的比重来反映地区经济发展水平的高低。（3）人力资本。人力资本水平越高的地区，对环境质量的要求就越严格，此指标可以很好地反映人才水平对区域发展的影响，本文采用工业从业人员中研发人员所占比重来衡量。（4）工业化水平。工业化水平较高往往伴随着高能耗、高污染、高排放产业为主导的发展方式，各地在积极推进传统工业化向绿色低碳新型工业化转型，工业绿色发展效率也会随之上升。采用工业增加值占地区GDP 的比重来进行衡量。（5）城镇化水平。已有相关研究发现，地区城镇化水平的高低以及处于不同发展阶段对碳生产率的提高存在较大差异[23]。本文采用地区城镇人口数量与地区年末常住人口数比值衡量。（6）工业能源结构。合理的工业能源结构平衡对实现地区经济低碳转型发展有重要作用。本文采用工业煤炭消费量占工业全部能源消费量的比重来衡量（见表2）。

表2 影响因素变量及符号说明

2.数据来源

本文选择中国部分省域面板数据进行研究，全部样本来自中国30 个省市区（不包括西藏、香港、澳门和台湾地区），样本数据时间跨度为2005-2019 年，原始数据主要来源于《中国统计年鉴》、《中国能源统计年鉴》、《中国环境统计年鉴》、《中国科技统计年鉴》、各地区统计年鉴和中经网统计数据库，部分缺失数据采用插值法进行补充。同时，为消除异方差的影响和量纲问题，对数据进行了对数化处理。

四、中国工业碳生产率的收敛性分析

（一）测算结果分析

探讨区域工业碳生产率的空间收敛性，首先要对工业碳生产率值进行测算。利用Malmquist 指数方法对2005-2019 年中国各省市区工业碳生产率进行测算，计算出全国及东、中、东北、西部地区工业碳生产率均值及年均增长率，结果如表3 所示。可以看出全国工业碳生产率从2005 年的0.734 上涨至2019 年的1.321，整体上呈现上升趋势。分地区来看，东部地区在15 年间的增长率最高为0.049，其次是东北地区为0.390，西部地区次之为0.034，中部地区最后为0.016，说明东部地区工业碳生产率的提升幅度较大，中西部及东北地区有很大的上升空间。从各年度工业碳生产率的均值来看，2005-2019 年全国工业碳生产率均值为1.020，东部地区为1.144，东北地区为1.043，中部地区为1.004，西部地区为0.907。可见，东部地区的工业碳生产率值远高于全国平均水平，西部地区则低于全国水平。这一方面说明东部地区在促进工业经济增长的同时，很好地兼顾了碳减排问题，合理有效地运用区域资源配置机制，激发了其减排动力；另一方面说明中西部以及东北在地区经济低碳发展过程中，出现了经济增长与环境保护不协调的现象，导致其工业碳生产率水平较低。

表3 中国区域工业碳生产率测算结果

通过上述空间自相关分析表明我国工业碳生产率存在明显的区域差异性，基于此，本文进一步采用收敛理论来考察中国省域碳生产率的收敛性。主要的收敛有σ 收敛、绝对β 收敛和条件β 收敛，其中β 收敛为σ收敛的必要不充分条件。[5]

（二）σ 收敛检验

σ 系数主要是衡量样本的离散程度，本文通过计算全国及各区域的σ 系数来判断工业碳生产率是否存在σ 收敛。若工业碳生产率的σ 系数随着时间推移而逐渐缩小，则说明存在σ 收敛；反之则说明σ 发散。具体计算公式如下：

其中，σ 表示σ 系数，ICPi表示i 省份的工业碳生产率，ICP 表示工业碳生产率的均值，n 为省份个数，数值计算上取对数处理。

工业碳生产率σ 系数变化趋势如图所示，总体来看，全国工业碳生产率σ 系数呈现波动上升趋势，说明全国工业碳生产率的省际差异在逐步扩大，工业碳生产率不存在σ 收敛。东部与中部以及东北呈现先上升后下降的“倒V 型”演变趋势，西部地区服务于碳生产率呈现稳定的上升趋势，可以看出东、中部以及东北地区工业碳生产率整体上呈现小幅度的σ 收敛，而西部地区呈现出σ 发散势态。

图 2005-2019 年工业碳生产率σ 系数变化趋势图

（三）β 收敛检验

1.β 收敛模型的设定

绝对β 收敛是指每一个地区的工业碳生产率增长速度与初始水平存在负相关关系，并且会在未来某一时刻收敛于相同的稳态水平和增长速度。本文借鉴王许亮等[17]的研究成果，构建绝对β 收敛模型如下：

其中，i 和t 分别为省份和时间，ICPi，t为i 省t 年的工业碳生产率，α 为常数项，β 为基期工业碳生产率的回归系数。若β 小于0 且通过显著性检验，则说明工业碳生产率存在绝对β 收敛，反之则发散。γi为个体效应，ηi为时间效应，εi为随机干扰项。

条件β 收敛是指由于不同地区在某些方面条件的不同，各地区的工业碳生产率最终收敛于自身的稳态水平。在绝对β 收敛模型的基础上加入影响工业碳生产率的控制变量，构建条件β 收敛模型如下：

其中，Xit为加入的控制变量，β 为条件β 收敛系数，θ 为控制变量的回归系数，其余变量的含义与前述相同。若β 为负且显著，这说明工业碳生产率存在条件β 趋同，通过θ 的符号及显著性可以探究影响其收敛的主要因素。

2.空间分析

通过对省域工业碳生产率进行空间相关性检验，可以发现其存在显著的空间正相关。因此，在条件收敛检验时，必须考虑空间因素的影响，否则会导致估计结果的偏差[24]。所以，本文分别构建考虑空间因素的空间滞后模型（SLM）和空间误差模型（SEM），SLM 模型主要是指相邻地区的工业碳生产率通过空间传导机制相互影响，SEM 模型假设地区间工业碳生产率的空间依赖性通过误差项体现，具体设定模型如下：

其中，模型（10）、（11）为SLM 模型，模型（12）、（13）为SEM 模型，W 为空间权重矩阵，这里采用空间邻接矩阵，即邻接为1，反之为0。ρ 为空间滞后系数，λ 为空间误差系数，εit，μij为随机误差项。

五、回归结果分析

（一）β 收敛模型的选择

在对空间β 收敛模型选择时，首先进行普通的最小二乘回归，之后得到残差，然后进行拉格朗日检验（LM test）和稳健性拉格朗日检验（Robust LM test），基于LM 检验的结果选择具体的空间收敛模型。具体检验结果如表4 所示，（1）（3）（5）（7）（9）为绝对β 收敛模型选择结果，（2）（4）（6）（8）（10）为条件β 收敛模型选择结果。

根据LM 检验结果可以看出，LM-Error 和LM-Lag 均通过1%的显著水平检验，此时需要根据稳健性拉格朗日检验结果进行判别。从表4 可发现，全国地区工业碳生产率的两种类型β 收敛均通过Robust LM-Lag 检验且在1%水平下显著，说明选择SLM 模型更加合适；东部地区绝对β 收敛选取SLM 模型更适宜，绝对β 收敛选取SEM 模型更加适宜；中、西部以及东北地区LM 检验均不显著，故该地区工业碳生产率分析选择传统的β 收敛模型。对于未考虑空间因素的β 收敛模型和空间β 收敛模型，采用Hausman 检验进行固定效应与随机效应检验，检验结果拒绝原假设，说明固定效应估计方法更加适用于该模型，Hausman 检验结果如表4 所示。

表4 空间回归模型检验表

（二）β 收敛的结果分析

1.绝对β 收敛检验

分别采用传统β 收敛和考虑空间因素的β 收敛对全国、东部地区的工业碳生产率进行分析，采用传统β 收敛对中西部以及东北地区进行检验，结果如表5 所示。可以看出，在不考虑空间因素的无权重回归中，全国以及中、东、东北、西地区的β 值均小于0，且在1%的水平上显著，说明我国省际间工业碳生产率存在绝对β 收敛，即工业碳生产率较低地区的增长率高于工业碳生产率较高的地区，工业碳生产率较低的地区对较高地区存在“追赶效应”。具体来看，全国工业碳生产率在考虑空间相关性后，空间系数ρ 显著大于0，说明中国省域工业碳生产率在空间上存在正向相关关系；收敛系数β 也显著小于0，说明增加空间因素后工业碳生产率仍然存在绝对β 收敛。从分区域的β 收敛结果来看，不同区域的β 收敛系数均显著为负，表明东、中、东北、西部服务业碳生产率存在绝对β 收敛。东部地区的空间系数ρ 显著为正，而中西部以及东北地区不存在显著的空间相关关系。可能的原因在于：东部地区凭借其自身优越的地理位置吸引更多资源，可以有效地带动整个地区技术创新和要素流动整合，从而较基础设施落后、科技发展水平不高的中、西部以及东北地区有一定的优势。

表5 工业碳生产率绝对β 收敛结果

全国及各地区的条件β 收敛结果如表6 所示，全国及东、中、东北、西部工业碳生产率无论是否考虑空间因素，其β 值均显著小于0，可以认为在控制了经济水平、人力资本以及工业能源结构以后，全国及东、中、东北、西部工业碳生产率存在条件β 收敛，全国空间系数ρ 及东部地区的空间系数λ 均显著大于0，说明其工业碳生产率存在显著正向的空间相关性。

从控制变量来看，在全国层面，经济发展水平和人力资本对工业碳生产率有显著促进作用。近年来我国经济增长速度加快，人力资本存量的增加也在一定程度上改善了区域创新能力和生产效率，对工业碳生产率的增长有一定的促进作用。工业化水平与工业能源结构抑制区域工业碳生产率的提升，表示我国工业化水平不高且能源结构不合理导致高能耗、高排放行业仍占有一定的比例。在区域层面，经济发展水平对四个地区工业碳生产率有显著的促进作用，而人力资本的促进作用在逐渐减弱，主要原因可能是经济实力愈发雄厚的东部地区吸引人才的能力远大于中、西部以及东北地区，先进生产力的加入提升东部地区创新效率，中西部以及东北地区人才进入相对较少且面临人才流失的现状。城镇化率对东部地区工业碳生产率有促进作用，而对中西部以及东北地区则有显著的抑制作用。可能的原因是：在城镇化进程中仍然追求利益最大化的粗放经济发展模式，不利于区域工业碳生产率的提升。工业化水平和能源结构对四个区域工业碳生产率均有抑制作用，表明工业化水平的提高并未促进碳生产率的提升，反而对其有所抑制。因此，各省市区在发展过程中，不应一味地追求工业化水平的绝对提高，而要更加关注产业的转型升级。

（三）稳健性检验

考虑到不同时期的经济状况和外部环境可能会对收敛结果产生一定的影响，本文参照王许亮等[17]的做法，以2008 年国际金融危机爆发的年份为节点，将样本期划分为2005-2008 年和2009-2019 年两个时间段，分别进行收敛估计，具体结果如表7 所示：（1）（3）为绝对β 收敛估计结果，（2）（4）为绝对β 收敛估计结果。可以看出，在改变样本期后，收敛系数β 始终显著为负，说明上文的β 收敛结果具有一定的稳定性。

表7 稳健性检验结果

六、结论与建议

（一）结论

1.中国全国以及东、中、东北、西部地区工业碳生产率在整体上呈现波动上升趋势，其中，东部地区工业碳生产率的年均增长率最高，这与其自身经济发展水平有密切关系，东北地区次之，西部地区再次之，中部地区最后。中国工业碳生产率总体上呈现明显的空间区域差异性，表现为从沿海向内部由东向西逐次递减的格局。

2.中国省域工业碳生产率存在显著的正向空间自相关，某一地区工业碳生产率可能会受到邻近地区的影响。随着时间推移，工业碳生产率的空间自相关呈波动上升的趋势。

3.全国的工业碳生产率不存在σ 收敛，其省际差异并未随时间推移而缩小；东、中部以及东北地区存在σ 收敛，其工业碳生产率的省际间差异正逐渐缩小；西部地区存在σ 发散。全国及东、中、东北、西部地区均存在显著的绝对β 收敛和条件β 收敛，说明工业碳生产率低的地区对工业碳生产率高的地区存在追赶效应，且各地区工业碳生产率呈现向自身稳态水平趋同的势态。

4.经济发展水平、人力资本以及城镇化对工业碳生产率增长有显著的正向作用，说明经济发展水平较高则更有利于吸引优秀人才，可以有效推动区域科技创新、提升生产效率，进而促进工业碳生产率的提升。工业化水平和工业能源结构则不利于工业碳生产率提升，部分地区在工业化进程中过分追求经济效益的绝对增加，忽视了其带来的外部环境压力。不同区域工业碳生产率的差异化影响是工业碳生产率区域差异化的重要原因。

（二）启示

1.重视工业领域的碳减排问题，降低高耗能、高污染企业排放，以提升工业碳生产率为发展目标，实现地区工业经济增长和二氧化碳减排的共赢发展，从而建立工业低碳增长的评价体系。

2.需要注重东、中、东北、西部地区间经济的差异性，东部地区应注重以发展绿色产业为主，调整产业结构，不断加强低碳技术创新水平；而中、东北、西部地区则在发展经济的基础上降低CO2排放，并提高环境监管力度，加大资金、技术投入，以促进碳生产率的提高。

3.积极发挥工业碳生产率的正面外溢效应。工业碳生产率的提升会受到相邻地区的显著影响，一方面要大力发展区域协同、区域一体化等发展战略，促进高碳生产率地区和低碳生产率地区间的相互转化、外溢，以促进整体碳生产率的提升；另一方面，继续增强人力资本和城镇化水平提高在促进工业碳生产率中的作用，并推动工业化进程，进一步提高资源配置效率及技术利用效率，进而实现省域工业协同、高质量发展。