长江与黄河流域碳排放效率时空演变特征及路径识别探究

蒋培培，王 远,4*，罗 进，储祥祚，伍博炜

1. 福建师范大学，湿润亚热带生态地理过程教育部重点实验室，福建 福州 350007

2. 福建师范大学地理科学学院，福建 福州 350007

3. 福建师范大学地理研究所，福建 福州 350007

4. 南京大学环境学院，污染控制与资源化研究国家重点实验室，江苏 南京 210023

气候变化是当今最为广泛和深远的全球性环境问题[1]. 研究[2]表明，CO2等温室气体是全球气候变暖的主要驱动因素. 发展绿色低碳经济已是大势所趋，为此我国提出了控制碳排放、实现碳中和的目标，实现“双碳”目标关键在于碳排放效率[3]. 数据包络模型(data envelopment analysis, DEA)具有无需设定具体生产函数形式和数据无量纲处理等特点，被广泛应用于碳排放效率研究. 如Gao等[4]利用SBM (slack based measure, SBM)模型测算了中国工业部门碳排放效率. 但DEA模型属于静态评价模型，仅可作决策单元效率的横向比较，无法探究效率在不同时期的变化状态[5]. 因此，研究2个相邻时期效率动态变化状况的Malmquist指数被用于弥补DEA静态研究的不足[6]. 该方法在生态效率研究中得到广泛应用，但在碳排放效率研究中应用相对较少. 如王玥等[7]将DEA模型与Malmquist指数结合运用，研究了京津冀及周边城市的全要素生产率变化情况.

研究尺度上，现有研究主要集中在区域、省域层面的整体性讨论，对城市碳排放效率研究相对较少[8-10]. 城市作为人口与经济的高度集中体[11]，是CO2排放的最大来源[12]，城市碳排放效率水平很大程度上影响着国家绿色低碳发展战略的实施与碳减排目标的实现[13]. 城市碳排放效率是指在城市经济发展要素投入与产出特定的情况下，CO2的最小排放量[14]，其能够准确评价城市低碳经济发展水平，已逐渐成为低碳经济研究热点问题[15]. 在评价区域碳排放效率时，有必要关注城市尺度的特征及演变规律，探究城市碳减排路径以推动城市绿色低碳经济发展.

长江与黄河流域是我国经济南北差异的典型区域[16]，也是国家战略实施的主体，都强调流域的绿色、低碳、可持续发展，二者的低碳绿色发展水平对区域，乃至全国经济发展有至关重要的作用. 研究视角上，现有研究多集中在某一特定地理单元的碳排放效率研究，较少关注同类型地理单元间的差异化横向比较[5]，如Zhang等[9]仅对长江经济带工业碳排放效率进行了研究. 实际上，区域自然资源禀赋条件不同、区域经济发展不平衡，CO2排放也存在空间差异[5]. 单一地理单元的碳排放效率研究忽视了碳排放效率的空间异质性. 因此，有必要从流域对比视角研究城市碳排放效率差异，探究差异化碳减排路径，这不仅有利于落实两大流域生态保护与高质量发展需求，也有利于加深对南北地区CO2排放特征的认识，对南北区域，乃至全国低碳经济发展具有重要参考意义.

基于此，该研究重点关注同类型地理单元的区域异质性，以长江流域130个城市、黄河流域115个城市为研究对象，采用以至强有效前沿最小距离的点为投影点的MinDS (minimum distance to strong efficient frontier，MinDS)模型、Malmquist指数模型与随机效应模型，从流域间、流域内视角对比二者碳排放效率时空演变特征、影响因素和路径识别，以期为区域碳减排政策的制定提供参考.

1 研究方法与数据

1.1 研究方法

该研究利用3个模型探究长江与黄河流域碳排放效率的动静态变化特征与影响因素：①MinDS模型以至强有效前沿最小距离的点为投影点，通过增加约束条件将所有决策单元的参考点限制在同一超平面内，以提高效率测算的准确性，这可以很好地探究两大流域城市碳排放效率的静态变化特征，具体模型参考文献[17]. ②采用含非期望产出的Malmquist指数模型[18]探究两大流域碳排放效率的时序动态变化特征. ③面板回归模型被用于进一步探究相关影响因素对城市碳排放效率的影响机制，其模型构建参考文献[19]. 借鉴已有研究[13,19]，该研究以碳排放效率为被解释变量，并选取5个解释变量：①经济发展水平(RGDP)，以不变价格人均国内生产总值表示；②产业结构(IN)，以第二产业占GDP比重表示；③技术进步(TE)，以单位GDP能耗表示；④城镇化(UR)，以城镇人口占总人口的比值表示；⑤对外依存度(TR)，实际使用外资金额占GDP的比重表示. 为保证数据的平稳性，减小序列异方差的影响，对各变量进行对数处理.

1.2 指标说明与数据来源

该研究基于长江与黄河流域的自然流域划分与地理区位差异，参照相关研究[20]将长江流域划分为长江下游(上海市、浙江省、江苏省)、长江中游(安徽省、湖北省、湖南省、江西省)、长江上游(贵州省、重庆市、云南省、四川省)，黄河流域划分为黄河下游(山东省、河南省)、黄河中游(内蒙古自治区、陕西省、山西省)、黄河上游(甘肃省、青海省、宁夏回族自治区、四川省).

参照已有研究[1,5]，该研究选取常住人口数、资本存量、夜间灯光数据分别作为劳动、资本、能源投入，GDP作为期望产出，CO2作为非期望产出变量. 其中，资本存量参照文献[21]计算资本存量，各经济数据进行2005年可比价折算.

数据主要来源于2006-2018年《中国城市统计年鉴》、各省份统计年鉴、各地级市统计年鉴以及国民经济和社会发展统计公报；城市夜间灯光数据来源于美国国家海洋和大气管理局的国家地球物理数据中心(https://www.ngdc.noaa.gov/eog/download.html)；2005-2017年CO2数据来源于CEADs碳排放数据库(https://www.ceads.net.cn)；部分缺失数据通过插值法进行补齐.

2 结果与讨论

2.1 城市碳排放效率时空演变特征

2.1.1碳排放效率时序差异

从流域整体(见表1)来看，2005-2017年，长江与黄河流域碳排放效率平均值分别为0.785、0.747，长江流域略高于黄河流域，碳排放效率总体均处于较低水平. 其中，2005-2011年，长江与黄河流域碳排放效率分别由0.808、0.769降至0.756、0.721，降幅较大；2012-2017年，长江与黄河流域的碳排放效率分别增长0.035、0.010，涨幅较小，且长江流域变幅较黄河流域大. 从流域内部来看，长江与黄河流域各流域段碳排放效率的时间变化特征与流域整体变化特征基本一致. “十一五”时期，在经济危机冲击造成的产能下降与高消耗、高污染、高排放的粗放经济模式双重作用下，碳排放效率呈下降趋势；自2011年《中华人民共和国国民经济和社会发展第十二个五年规划纲要》明确要求约束碳排放强度、提高碳排放效率以来，各地区逐渐改变重经济发展轻环境保护的观念，碳排放效率得到普遍改善. 与李建豹等[22]关于长江流域生态效率与长江三角洲碳排放效率的研究结果基本一致.

表1 2005—2017年长江与黄河流域城市碳排放效率Table 1 Carbon emission of cities in the Yangtze River Basin and the Yellow River Basin from 2005 to 2017

2.1.2碳排放效率空间格局与演化特征

2005-2017年，长江流域碳排放效率总体呈下游＞上游＞中游的中间低、两端高的空间分布格局特征，黄河流域呈下游＞中游＞上游的空间递增分布格局特征(见图1). 长江流域碳排放效率高值区呈城市群集聚趋势，低值区较分散；黄河流域低值区则以宁夏沿黄城市群为中心沿黄河干流向周边扩散，高值区规模较小且相对分散. 具体而言，2005-2017年，长江流域碳排放效率高值区由分散到集聚，逐渐形成东部长三角城市群高值区、中部长株潭城市群高值区、西部成渝城市群高值区与滇中城市群高值区，低值区则分散分布于流域边缘经济相对滞后地区，如四川省北部、贵州省南部. 随着长江下游地区产业的转型升级与长江经济带协同发展的推进，长江流域相对落后的边缘地区的土地、环境承载力、劳动力等要素的比较优势逐渐凸显，成为承接产业转移的重要阵地和高碳产业的“污染天堂”[23]. 黄河流域城市碳排放效率低值区以宁夏沿黄城市群为中心沿黄河上游干流向周边呈扩散趋势，逐渐形成上游沿黄河低值区与晋中城市群低值区；高值区则规模相对较小且分散，如胶东城市圈高值区、川南城市群高值区. 西部大开发战略推动黄河中下游地区淘汰的高能耗、高排放资源型产业转移到资源丰富、环境约束少的黄河上游地区，使得上游沿黄河区域逐渐成为高碳产业的“避难所”，阻碍了碳排放效率的提升[24]；而晋中城市群多为煤炭资源型城市，对煤炭资源依赖较大，产业升级困难，城市转型难度高，从而使城市碳排放效率较低[25].

图1 2005年、2010年、2015年、2017年长江与黄河流域碳排放效率的空间分布格局演变Fig.1 Evolution of spatial distribution pattern of carbon emission in the Yangtze River Basin and Yellow River Basin in 2005,2010, 2015 and 2017

2.1.3碳排放效率动态分析

2005-2017年长江与黄河流域碳排放效率Malmquist指数均大于1，生产率变化呈上升趋势，年均增长3.9%左右. 长江与黄河流域技术进步指数(表征技术革新能力)平均值均大于1，年均增幅较大，分别为4.2%、4.4%；技术效率指数(表征要素组合、管理水平)均小于1，年均衰退分别为0.2%与0.5%(见表2). 技术进步是两大流域城市碳排放效率提升的主要内生动力，而技术效率变化对碳排放效率的提升作用不显著甚至起抑制作用，与赵爽等[26]关于长江经济带工业碳排放效率的研究结果基本相同. 从流域内部来看，长江与黄河流域内部的碳排放效率Malmquist指数及其分解指数存在较大差异. 黄河流域碳排放效率生产率内部差异较长江流域大，长江上游地区的碳排放效率Malmquist指数累积增长(52.5%)最大，长江中游地区(43.6%)最小；黄河中游地区碳排放效率Malmquist指数累积增长(52.5%)最大，黄河上游地区最小(41.7%). 技术进步在长江与黄河流域各流域段中扮演着积极的角色，而技术效率变化在长江与黄河各流域段中表现不同. 值得注意的是，黄河上游与中游技术效率退步较长江流域大，这与黄河流域上游与中游城市相对滞后的低碳经济水平、特殊的能源资源禀赋、高能耗产业结构等因素直接相关[27]. 因此，针对技术效率变化与技术进步在各流域段的差异，科学制定改进措施，使技术效率逐步成为促进地区城市碳排放效率提升的重要源泉.

表2 2005—2017年长江与黄河流域Malmquist指数及其分解指数Table 2 Malmquist index and its decomposition index from 2005 to 2017

2.2 碳排放效率城市类型与影响因素探究

2.2.1城市类型划分

参照文献[28]，根据Malmquist指数年均值、技术效率指数年均值与技术进步指数年均值可将长江流域130个城市与黄河流域的115个城市划分为6种类型(见表3).

表3 城市类型划分原则与特征内涵Table 3 Principles and characteristics of urban type division

由图2可见，效率驱动改善型(XQ型)城市多位于长江中上游与黄河下游地区，如武汉市、长沙市等.该类城市的资源整合利用水平、碳排放管理技术水平等均高于区域其他城市，但技术进步表现并不突出. 效率制约退步型(XZ型)城市多出现在黄河中上游经济相对落后区域，如中卫市、石嘴山市等，长江流域则相对较少. 该类城市因相对偏远且封闭的地理区位，经济发展相对落后，碳排放量较少，且低碳管理技术水平较低. 技术驱动改善型(JQ型)城市多为区域经济增长中心城市，如上海市、无锡市等. 该类城市的低碳技术远高于区域整体水平，但由于资源要素过度集聚导致要素投入增长的边际作用减弱，从而制约了规模效率的增长和技术效率的提升[29]. 技术制约退步型(JZ型)城市相对较少，主要分布于长江中上游地区与区域次中心区，如重庆市、南京市等. 该类城市的碳排放技术进步增长速度低于区域整体水平，且低碳技术进步与创新速度滞后于其经济增长的速度. 技术-效率双制约退步型(J-XZ型)城市分布广泛，一部分分布在资源富集区(大同市、临汾市等)，该类城市以高能耗重工产业为主，碳排放技术效率与技术进步无法追赶上碳排放量的累积增长量；另一部分多为次中心城市(杭州市、宁波市等)，集聚效应远不如周边的经济增长中心，人才、技术、管理等经济发展要素外流，规模优势减弱. 技术-效率双驱动改善型(J-XQ型)城市多分布在长江上游、黄河上游与下游地区，多为区域经济增长中心，如成都市、西安市、烟台市、包头市等，不仅具有优势的经济本底资源，还具有相对成熟的绿色低碳产业与技术，对周边地区的经济社会发展具有极大带动作用.

图2 长江流域与黄河流域各城市类型分布情况Fig.2 Distribution of urban types in the Yangtze River Basin and the Yellow River Basin

2.2.2碳排放效率影响因素分析

为探究影响因素的异质性，该研究分别从流域与城市类型两个视角进行面板回归分析. Hausman检验结果接受了个体差异部分的扰动项和解释变量不相关的原假设，因此采用随机效应模型进行回归分析，回归结果如表4所示. 为确保结果的可靠性，通过剔除2005年与2017年来压缩样本时间来检验影响因素稳健性[30]. 检验结果显示，各变量的回归系数、方向均未发生较大变化，研究结果通过稳健性检验，具有较高的可信性.

表4 不同类型城市碳排放效率的影响因素面板回归结果Table 4 Panel regression results of carbon emission's influencing factors in different types of cities

从流域视角来看，经济发展水平对长江与黄河流域的碳排放效率为显著正影响，而单位GDP能耗对长江与黄河流域碳排放效率为显著负影响，即如果其他因素不变，单位GDP能耗每降低1个单位，长江与黄河流域碳排放效率将分别提高0.082与0.156，与李建豹等[22]研究结果相似. 这说明经济发展水平与降低单位GDP能耗对提高区域，特别是资源型经济为主体的黄河流域的碳排放效率具有重要意义.

从城市类型来看，城镇化对XQ型城市碳排放效率为显著正影响，是影响该类城市碳排放效率提升的主要因素. 城镇化过程中的人口、资源城镇化与产业集聚化带来的正和博弈推动了资源利用效率的提升，从而提高碳排放效率. 对于XZ型城市，第二产业占GDP比重对其为显著负影响，是该类城市碳排放效率退步的主要因素. 对于JQ型城市，经济发展水平、单位GDP能耗对其均为显著负影响，城镇化对其为显著正影响. 其中，经济发展水平与碳排放效率的异向变化与该类城市的技术进步驱动特点有关，即技术进步不仅能提高碳排放效率，也会降低碳排放成本，从而增加CO2排放需求，由此引发碳排放效率“回弹效应”，阻碍碳排放效率的提升[23]. 对于JZ型城市，影响其碳排放效率提升的主要因素是经济发展水平与第二产业占GDP比重，而第二产业占GDP比重与单位GDP能耗则是影响J-XZ型城市碳排放效率变化的重要因素；同时，经济发展水平、产业结构与技术进步是推动J-XQ型城市碳排放效率提升的主要因素. 综上，经济发展水平、产业结构与技术进步对城市碳排放效率的提升具有至关重要的作用，是影响众多城市碳排放效率的普遍因素，与多数研究结果[19,24]相似.

3 结论与建议

a) 2005-2017年，长江与黄河流域碳排放效率平均值分别为0.785、0.747，碳排放效率均处于较低水平，两大流域整体与各流域段的碳排放效率具有明显先降后升的“U”型演进特征. 两大流域城市碳排放效率受政策影响较大，制定有效的碳减排和效率提升政策是提高区域低碳水平的关键.

b)空间分布格局上，长江流域碳排放效率总体呈下游＞上游＞中游的中间低、两端高空间分布格局特征，黄河流域则呈下游＞中游＞上游的空间递增格局特征，空间演化特征明显. 碳排放效率的空间差异和不均衡现象与地区资源要素禀赋的比较优势有密切联系，因此制定差异化的效率提升策略十分必要.碳排放效率高值区应保持低碳经济发展优势，加强低碳技术与低碳产业的创新发展，主动为低值区提供技术、人才等支持，加快低碳经济发展要素在区域间流动与配置；碳排放效率低值区则应在充分利用资源、环境比较优势的基础上，积极学习先进的低碳技术与管理经验，加快地区产业转型升级，谨防成为高碳产业的“避难所”.

c) 两大流域碳排放效率Malmquist指数均呈上升趋势，这主要得益于技术进步的内生驱动而非技术效率的改善. 因此，应提高资源配置效率、充分发挥效率“要素”作用，使技术效率逐步成为促进地区城市碳排放效率提升的重要源泉；同时还应加大低碳技术投资，用于关键与核心低碳技术的创新，以确保技术进步对碳排放效率提升地持续驱动.

d)从流域来看，经济发展水平与低碳技术水平是影响两大流域碳排放效率提升的共同因素，长江流域碳排放效率提升还受限于城镇化水平. 经济发展水平是碳排放效率提升的重要物质基础，不仅能为区域碳减排政策的实施提供资金支持，同时也能为碳排放效率提升提供人才、技术、管理保障. 因此，两大流域应基于当前发展优势与特色，不断垒实地区经济基础，加大低碳技术研发力度，提升低碳创新能力，促进低碳技术的有效外溢. 在此基础上，长江流域还应注重控制人口数量，提高人口素质，提升人才占比，从而解决人口带来的碳排放效率下降问题. 从城市类型来看，经济发展水平、产业结构与低碳技术水平是影响众多城市碳排放效率变化的普遍因素，但又存空间异质性. 针对影响因素的空间异质性，在制定低碳发展政策时，不仅要将各区域和各城市主体视为一个有机整体，建立统一的协调发展机制，充分发挥流域整体的比较优势；还要考虑流域的内部分异，因地制宜、分类施策，探究最有利于自身效率提升的路径.

e) MinDS-Malmquist模型测算结果为相对值，无法体现流域碳排放效率的真实水平；其次，结果的准确度与指标数据的规范性有关，我国“自上而下”的数据统计模式使得城市尺度数据口径存在一定差异，加之指标间多重共线性的影响，导致结果可能存在一定偏差. 因此，未来加大对数据规范性与指标共线性的重视可以使区域碳排放效率研究更加科学严谨.