黄河流域碳排放效率的区域差异、收敛性及影响因素

2022-08-09邹素娟

人民黄河 2022年8期

宋敏，邹素娟

（西安财经大学黄河流域生态环境保护与高质量发展协同研究中心，陕西西安 710100）

1 引言

黄河流域是我国重要的矿产资源供应基地和生态安全保障区，但这里也是我国生态环境脆弱、生态问题频发的地区。 2021 年10 月22 日，习近平总书记在深入推动黄河流域生态保护和高质量发展座谈会上强调，要坚定走绿色低碳发展道路，推动流域经济发展质量变革、效率变革、动力变革。目前，黄河流域在短期内对矿产资源尤其是煤炭的需求还难以大量缩减［1］，因而碳减排压力较大。碳排放效率不仅是衔接区域经济产出与碳排放量的桥梁，也是衡量区域绿色低碳发展的关键指标。研究黄河流域碳排放效率的区域差异、收敛性及影响因素，对于黄河流域“双碳”目标的实现、推动黄河流域生态环境保护和高质量发展具有现实意义。

近年来，学者们围绕碳排放效率的定义［2－6］、测度［7］、时空演变［8－9］、地区差异［10－11］、收敛性［12］和影响因素［13－21］等进行了探讨。在碳排放效率的定义上，Kaya 等［2］从碳排放与经济增长之间的关系考虑，认为碳排放效率是指二氧化碳排放量与GDP 的比值。一些学者认为这一概念忽略了生产过程中投入要素互相作用所产生的影响，指出碳排放效率应是在既定投入要素和经济产出条件下，理论上可达到的最少碳排放量与实际碳排放量之比［3－4］，或是在考虑各种投入要素之间的相互作用下，以相同或者更少的碳排放量获得更多的产出［5－6］。基于上述分析，本文将碳排放效率定义为“既定投入要素（资本、劳动和能源等）相互作用下，最少的碳排放量所获得的最优经济产出”。在碳排放效率的测度上，常用的方法有指数法、DEA模型、SFA 方法和超效率SBM 模型等，变异系数、Dagum 基尼系数、泰尔指数等方法也常被应用于碳排放效率的差异研究。为了进一步验证差异的动态变化，学者们还引入了经济增长理论中的收敛性分析，用于研究碳排放效率的敛散程度，如李慧等［12］运用动态收敛性分析法，发现我国东西部地区的碳排放效率差异较大，但这种差异在逐渐缩小。那么，是什么因素导致区域间碳排放效率的差异性呢？学者们的研究表明［17－18］，能源价格、出口贸易、城市化对碳排放效率有积极影响，而政府干预、煤炭消费等对碳排放效率有负面影响，经济规模、产业结构和开放程度等对不同地区的碳排放效率有着不同的影响；Li 等［19］则单独考察了城市化对碳排放效率的影响，研究表明城市化有利于我国中西部地区碳排放效率的提高，但对于我国东部地区的影响不显著。总体来说，经济规模、产业结构、城市化、对外开放水平、政府干预等是学者们选取的主要研究变量。

现有文献为黄河流域“双碳”目标的实现和绿色低碳转型研究提供了重要的学术参考，但目前尚缺少对黄河流域碳排放效率的相关研究，且将空间效应应用到黄河流域碳排放效率影响因素研究的文献还相对较少，黄河流域的空间测度体系有待完善。因此，本文以黄河流域为研究对象，通过超效率SBM 模型测算其2005—2019 年的碳排放效率，结合泰尔指数、σ收敛、绝对β收敛对其区域差异进行解析，运用空间杜宾模型深入分析影响黄河流域碳排放效率的因素，针对性地为黄河流域碳排放效率的提高提出建议。

2 研究方法与变量选取

2.1 研究方法

（1）超效率SBM 模型。该模型相较于传统DEA模型考虑了松弛变量问题，并能够计算所有决策单元效率值，目前已被大量应用于生态效率与环境效率的评价［22］。本文选用该模型对黄河流域的碳排放效率进行测算和分析，计算公式为

式中：ρ为碳排放效率值；N、M和I分别为投入指标、期望产出指标和非期望产出指标的个数；x为投入指标；y为期望产出；b为非期望产出；t、k分别为各年份和地区；z为强度变量；分别为第n个投入、第m个期望产出、第i个非期望产出的松弛变量；、分别为在t年份k地区的投入、产出和非期望产出。

（2）泰尔指数法。泰尔指数能够从空间的角度出发，将差异分解为区域间差异和区域内差异，并计算出差异的主要来源及其贡献率［23］。计算公式为

式中：T、TB、TW分别为总差异、区域间差异和区域内差异；Tp为区域内各子系统的碳排放效率差异；m为区域群组数；n为黄河流域内的省（区）个数；np为区域内的省（区）个数；ei为区域内第i个省（区）的碳排放效率；和分别为黄河流域碳排放效率均值和各区域碳排放效率均值。

泰尔指数的取值区间为［0，1］，指数值越大，意味着区域的碳排放效率差异越大。

（3）收敛性分析方法。在收敛性分析中，采用σ收敛和绝对β收敛来探讨黄河流域碳排放效率差距的演变情况。其中：σ收敛是指各省（区）碳排放效率的差距会随着时间推移呈现持续下降的过程，运用变异系数σ来进行检验，见式（6）；绝对β收敛是指各省（区）在具有基本相同的经济特征前提下，碳排放效率随着时间推移会收敛至同一稳态水平，见式（7）。

式中：n为区域个数；Eti为第t年i地区的碳排放效率；为第t年n个地区碳排放效率的均值；E1i为第1 期i地区的碳排放效率；α为常数项；θ为随机误差项；β为基期碳排放效率系数。

当σt＋1＜σt时，说明该区域碳排放效率的离散程度在缩小，存在σ收敛。当β为负且通过了显著性检验时，说明该区域碳排放效率存在绝对β收敛特征，反之则为发散特征。

（4）空间杜宾模型。由于黄河流域碳排放效率可能具有空间自相关性，因此在影响因素的分析中需引入空间计量方法。空间杜宾模型（Spatial Durbin Model，SDM）可以同时反映被解释变量和解释变量的影响，并分解出直接效应与间接效应。本文运用该模型对黄河流域碳排放效率的影响因素进行探索，计算公式为

式中：Y和X分别为被解释变量和解释变量；ρ0为被解释变量的空间自回归系数；β0为回归系数；θ0为解释变量的空间回归系数；ε为随机误差；W为一个（n×n）经济地理嵌套权重矩阵，n为空间单元个数。

当ρ0≠0 且θ0＝0 时，SDM 模型可以简化为空间滞后模型；当ρ0β0＋θ0＝0 时，SDM 模型可简化为空间误差模型。

2.2 变量选取

2.2.1 投入产出变量选取

本文选取的投入指标为能源消费、资本存量和劳动力，期望产出指标为GDP，非期望产出指标为碳排放量。其中，资本存量由永续盘存法计算得出，折旧率参考单豪杰［24］的研究成果，设定为10.96%。碳排放量根据2006 年IPCC［25］所提供的方法及碳排放系数（见表1）进行估算，计算公式为

表1 各种能源的折标准煤系数与碳排放系数

式中：CO2为估算的二氧化碳排放量；n为能源个数，本文选取煤炭、焦炭、原油、燃料油、汽油、煤油、柴油和天然气等8 种能源；Ei为能源消耗量；SCCi为能源的折标准煤系数；CEFi为碳排放系数。

2.2.2 影响因素变量选取

厘清碳排放效率的影响因素是提升黄河流域碳排放效率的重要前提，本文选取6 个碳排放效率的影响因素，见表2。

表2 黄河流域碳排放效率影响因素

（1）经济发展水平。经济越发达的地区资本要素的投入会越大，碳排放量也会相应增大。因此，把人均GDP 作为衡量经济发展水平的指标。

（2）能源消费结构。黄河流域的能源消费总体以煤炭等化石燃料为主，但煤炭资源的利用率相对不高，由此产生的碳排放量较高，这在短期内对黄河流域碳排放效率的提升是不利的。因此，把煤炭消费量占能源消费总量的比重作为衡量能源消费结构的指标。

（3）城市化水平。理论界一般认为，城市化过程中的人口扩张和基础设施的建设，会加剧能源、钢筋和水泥等资源的消耗，容易产生大量二氧化碳，不利于碳排放效率的提升。因此，把城市人口占总人口的比重作为衡量城镇化水平的指标。

（4）科技创新水平。技术创新的进步会使劳动生产率进一步提高，从而降低区域能源消费的强度并提高其利用效率，有利于碳排放效率的提升。因此，把科技活动经费占GDP 比重作为衡量区域科技创新水平的指标。

（5）对外贸易水平。随着近年来环境规制力度的不断提升，发达省（区）倾向于把污染密集型产业转移到欠发达省（区），由此造成当地的污染排放物不断增加。因此，把某区域出口总额占GDP 比重作为衡量该区域对外贸易水平的指标。

（6）政府适度干预。碳排放问题具有较强的公共性特征，政府的适度干预是必要的。一般而言，政府的干预力度越大，对碳排放效率的影响力度也越大。因此，把地区财政决算本级支出占GDP 比重作为衡量政府适度干预的指标。

2.2.3 数据来源

本文所采用的数据中，能源消费量和煤炭消费量数据来源于2006—2020 年公布的《中国能源统计年鉴》，资本存量、劳动力、GDP、人均GDP、非农业人口占人口总数比重、出口总额、地区财政决算本级支出数据来源于2006—2020 年公布的《中国统计年鉴》和各省（区）的统计年鉴、统计公报，科技活动经费数据来源于《全国科技经费投入统计公报》。

3 黄河流域碳排放效率的区域差异

3.1 黄河流域碳排放效率的时空测度

2005—2019 年黄河流域整体碳排放效率不高（见表3），除内蒙古、山东和四川的碳排放效率均值大于1外，其他6 个省（区）的碳排放效率均值均小于1，即处于DEA（数据包络分析）无效状态，这说明黄河流域在能源消耗中存在无效的二氧化碳产出，整体上仍具有较大的碳排放效率提升空间。从时间维度来看，黄河流域的碳排放效率在2005—2019 年间呈现出“波动上升—逐渐下降”的态势。近些年，黄河流域各省（区）的工业化和城市化程度都在逐渐提高，对于“高碳”能源的消耗需求仍然较大，且长期以来形成的“高碳”发展模式具有典型的“路径依赖”特征，在短时间内不易转变，后续碳排放效率的提升较为乏力。从空间维度来看，黄河流域的碳排放效率呈现出“上游＜中游＜下游”的阶梯式分布格局，以2019 年为例，黄河流域下游地区山东、河南两省的碳排放效率是上游地区青海、甘肃、宁夏三省（区）的约2 倍。

表3 2005—2019 年黄河流域碳排放效率

3.2 碳排放效率的区域差异分析

本文利用泰尔指数对黄河流域碳排放效率的区域差异变化进行分析，结果如图1 所示。从图1 可知，2005—2019 年，黄河流域碳排放效率的总体泰尔指数呈现出W 形的演变趋势。总体泰尔指数从2005 年的0.062 波动上升至2019 年的0.085，说明黄河流域碳排放效率的区域差距在逐渐拉大，主要原因是流域内碳排放效率落后地区的效率提升速度相对于高碳排放效率地区来说较慢，从而拉大了黄河流域整体碳排放效率的区域差异。区域内泰尔指数同总体泰尔指数的变化趋势较为一致，呈波动上升趋势。区域间碳排放效率的泰尔指数变动则相对较为平缓，基本在［0，0.02］区间内波动，2005—2011 年泰尔指数缓慢下降，2012—2019 年泰尔指数在波动上升，表明黄河流域上、中、下游之间的碳排放效率差距由不断缩小向逐渐扩大转变。此外，对比区域间的泰尔指数发现，区域内泰尔指数的数值更大，约占总体碳排放效率泰尔指数的80%左右，说明黄河流域区域内碳排放效率的差异是构成总体碳排放效率差异的主要来源。

图1 2005—2019 年黄河流域碳排放效率的泰尔指数变化趋势

4 黄河流域碳排放效率的收敛性

4.1σ收敛检验

为了进一步验证黄河流域碳排放效率的差异演变趋势，通过式（6）计算了2005—2019 年黄河流域、黄河上游、中游及下游地区碳排放效率的变异系数，结果如图2 所示。由图2 可知，黄河流域碳排放效率的变异系数总体表现出“小幅下降—上下波动—稳步上升”的趋势。这说明黄河流域的碳排放效率在研究前期出现了σ收敛特征，后期各省（区）之间的碳排放效率差距不断扩大，不存在σ收敛。具体到三大区域，黄河上游地区碳排放效率的变异系数演变趋势与黄河全流域的变化趋势相对一致，2019 年其变异系数相较于2005 年上升了0.113，升幅约25.45%；黄河中游地区碳排放效率的变异系数大体上呈现出“急速下降—急速上升—上下波动—小幅下降—反弹回升”的变化过程，碳排放效率差距无明显下降趋势；黄河下游地区碳排放效率的变异系数在研究期内表现出“小幅上升—波动上升—明显下降—反弹上扬—急速下降—趋缓下降”的变化过程，2019 年其变异系数相较于2013年下降了0.190，说明黄河下游各省的碳排放效率差距具有缩小的迹象。

图2 2005—2019 年黄河流域及黄河上、中、下游地区碳排放效率的σ收敛情况

4.2 绝对β收敛检验

2005—2019 年黄河流域碳排放效率的β值为－0.308（见表4），且通过了显著性检验，这说明黄河流域的碳排放效率存在绝对β收敛现象，即各区域在相似的发展条件和水平下，低碳排放效率省（区）会对高碳排放效率省（区）产生追赶效应，并随着时间推移碳排放效率差距将逐渐缩小。

表4 黄河流域碳排放效率绝对β收敛结果

黄河上游地区的β值为负数但未通过显著性检验，说明黄河上游各省（区）的碳排放效率并不会随着时间推移收敛至同一稳态水平。黄河中游地区的β值为－2.169，且通过了显著性检验，说明中游地区碳排放效率较低的省份将逐渐缩小与高碳排放效率省份的差距。黄河下游地区的β值为1.450，通过了显著性检验，意味着山东和河南两省的碳排放效率具有离散性，碳排放效率差距在相似的发展条件下存在进一步扩大的可能。

5 黄河流域碳排放效率的影响因素

5.1 空间自相关检验分析

空间自相关分析是运用空间计量模型的前提条件。本文选用全局Moran’s I 指数衡量黄河流域碳排放效率的空间关联性，方法如下：

式中：Moran’s I 为全局莫兰指数；n为样本个数；Yi和Yj分别为第i个空间要素和第j个空间要素的观测值；为N个空间要素观测值的均值；W为经济地理嵌套权重矩阵。

对2005—2019 年黄河流域碳排放效率Moran’s I指数进行计算，结果见表5。由表5 可知，2005—2019年黄河流域碳排放效率的全局Moran’s I 指数均为正值，除2009 年、2010 年、2011 年、2013 年和2014 年外，其余年份的统计量z值都在5%水平下通过了显著性检验，这表明黄河流域碳排放效率存在显著的正向空间自相关性，即本地区的碳排放效率会对其邻近地区的碳排放效率产生正向影响。

表5 2005—2019 年黄河流域碳排放效率Moran’s I 指数

5.2 空间杜宾模型的检验与选择

为了验证空间杜宾模型是否会退化为空间滞后模型或空间误差模型，运用LM 检验、LR 检验和Wald 检验方法进行检验，结果见表6。

表6 空间计量模型检验结果

由表6 可知，在LM 检验中，各指标均通过了显著性检验，说明解释变量中同时存在空间滞后项和空间误差项，应选择空间杜宾模型。 LR 检验和Wald 检验都在1%的水平下通过了显著性检验，这意味着拒绝空间杜宾模型会退化成其他空间模型的原假设，因此选择空间杜宾模型进行后续的研究具有合理性。考虑到SDM 模型还可拓展为个体固定效应、时间固定效应、混合固定效应和随机效应4 种形式，故运用Hausman 检验和LR 检验来确定较优的模型。表7 中，Hausman 检验的统计量为41.83 且通过了1%显著性检验，LR 检验显示混合固定效应模型比个体固定效应模型和时间固定效应模型更合适，因此本文最终采用混合固定效应的空间杜宾模型。

表7 固定效应类型选择的LR 检验结果

5.3 黄河流域碳排放效率影响因素的检验结果

黄河流域碳排放效率的解释变量中存在空间滞后项，采用回归系数进行分析无法准确描述自变量和因变量之间的关系，因此本文采取偏微分方法对黄河流域碳排放效率的影响因素进行空间效应分解，结果见表8。

表8 黄河流域碳排放效率影响因素的空间效应分解结果

（1）经济发展水平对黄河流域碳排放效率的总效应为0.651 7 且在1%水平下显著，说明黄河流域各省（区）的经济发展有利于促进碳排放效率的提升。黄河流域各省（区）本地的经济发展水平每提高1%，碳排放效率将提高0.972 8。这主要是经济发展在提高人民生活水平的同时，也提高了居民对生活质量和周边环境的要求，进而推动黄河流域社会层面的节能减排进程。从溢出效应来看，黄河流域内经济发展水平较高的省（区）对其邻近省（区）的碳排放效率会产生负面影响。

（2）能源消费结构对黄河流域碳排放效率的总效应和直接效应在1%水平下显著为负，说明黄河流域能源消费结构中煤炭消费比重越高，碳排放效率就越低。黄河流域内多数省（区）在煤炭利用上效率偏低，进一步造成了地区碳排放效率的低值化结果。然而，从溢出效应来看，黄河流域内各省（区）的能源消费结构在10%的显著性水平下有利于提高其邻近省（区）的碳排放效率。

（3）城市化水平对黄河流域碳排放效率的总效应为－1.604 2，通过了5%的显著性检验，即城市化水平与碳排放效率显著负相关。黄河流域各省（区）城市化水平每提高1%，碳排放效率将下降2.405 3。城市化建设仍是黄河流域内众多省（区）未来发展的趋势，在此过程中，人口规模的扩大不可避免地会使得城市的能源消费需求急剧增加，这在客观上抑制了碳排放效率的提升。

（4）科技创新水平对黄河流域碳排放效率的总效应和直接效应在10%显著性水平上通过了检验，且系数为正，这说明黄河流域科技水平越高，越能促进地区碳排放效率的提升。近年来，黄河流域各省（区）加快新旧动能转换，加大R＆D 经费支持力度，有力地推动了节能减排，提高了低碳技术水平和能源利用效率，使得能源投入的无效产出大大减少，进一步实现了黄河流域碳排放效率的提升。

（5）对外贸易水平对黄河流域碳排放效率的直接效应在5%水平下显著为正，说明黄河流域促进对外贸易发展有利于提高黄河流域碳排放效率。在“一带一路”倡议背景下，黄河流域内陕西、青海、甘肃等省（区）的对外贸易联系得到加强，要素流动渠道增多，一定程度上解决了地区产能过剩、资源不足的困境，提高了投入产出比。

（6）政府适度干预对黄河流域碳排放效率的总效应为正但并不显著，表明黄河流域各省（区）的政府干预对黄河流域碳排放效率的影响不明显。当前，我国政府在碳减排工作中所展开的节能减排宣传活动、出台的节能减排奖惩政策等，能够积极地带动碳排放的降低和环境质量的提升，但有时政府在这个经济活动过程中存在过度干预，导致资源无法有效合理配置，不利于碳排放效率的提高，政策的有效性仍需深入研究。

6 结论与建议

6.1 结论

（1）2005—2019 年黄河流域的碳排放效率差距表现出W 形的演变态势；各省（区）之间的碳排放效率差异较大并呈现出“上游＜中游＜下游”的阶梯式分布格局，其中甘肃、青海、宁夏和山西是流域内碳排放效率较低的省（区）。

（2）黄河流域的碳排放效率不存在σ收敛，但全流域和中游地区具有绝对β收敛特征。这意味着随着时间的推移，各省（区）之间的碳排放效率差距有进一步扩大的可能，而当各省（区）具有相当的发展条件和水平时，其碳排放效率差距将有可能逐渐缩小。

（3）经济发展水平、科技创新水平和对外贸易水平的提高有利于提高流域的碳排放效率，而能源消费结构中煤炭占比过高和城市化的无序扩张则会抑制黄河流域碳排放效率的提升。从空间角度来看，能源消费结构的优化和城市化的有序推进能够带动邻近省（区）的碳排放效率的提高，但粗放式的经济发展方式并不会对相邻省（区）的碳排放效率产生正向影响。