中国碳排放效率的时空联系、非均质发展与收敛性分析——基于区域战略视角

陈向阳，戴 尔

（广州大学 经济与统计学院，广东 广州 510006）

一、引言与文献综述

环境保护始终是经济长久发展的根本前提。随着IPCC第三次气候变化评估的发布，遏制全球变暖、建立碳排放平衡逐渐成为了全球共识［1］。2016年中国和其他177个缔约方在美国纽约签署了《巴黎协定》，对保护全球环境做出了统一部署，最终目的是将气温的变化控制在一定区间内。然而，根据国际能源机构（IEA）于2007年公布的数据显示，中国二氧化碳排放量接近62亿吨，已经成为世界上碳排放最多的国家，并且该数据还在不断上升，预计将在十几年后占到全球的三分之一。因此，作为《巴黎协议》缔约国之一的中国，在低碳发展层面上有着艰巨的使命，而这同时也是实现美丽中国所必须应对的课题［2］。2020年，中国政府向国际社会提出了碳达峰和碳中和的减碳目标，积极履行作为一个大国对保护全球生态环境的责任。近几年，随着发展新能源、结构性减碳和产业升级等政策的提出，如何控制碳排放量并提高碳排放效率得到了国内社会的广泛关注。

碳排放效率本质上是衡量作为负产出的碳排放所能够带来正产出的数量与质量。然而围绕着碳排放效率的本质定义，学界所提出的碳排放效率的测算指标并不相同。部分学者通过CO2排放量、经济增长和能源消耗等变量来衡量碳排放效率，得出单位GDP的CO2排放量、单位能源消耗的CO2排放量等效率指标［3］。但是这部分碳排放效率指标都没有真正将CO2排放量、经济增长、能源消耗和劳动投入等正产出和负产出进行一个综合性的考量，并且如果仅是通过GDP或能源消耗来进行测算，则会对不同发展程度的国家产生刻画偏差［4］，对社会生产缺少现实解释力。基于上述的理论研究，借鉴马大来等［4］，魏梅等［5］的研究，本文将碳排放效率定义为在单位资本、单位劳动和单位能源消耗的同时作用下，社会生产所能得到的最大经济增长量和最少CO2排放量，通过加入不同层面的产出结果作为变量来进行测算，以最接近现实经济生产为目标来刻画本文所表述的碳排放效率。

而在碳排放效率概念和测算方法的研究上，国外的发展要早于国内。1993年有外国学者提出了一种名为碳生产率的指标［3］，主要是以单位GDP的CO2排放量来进行刻画，意在表现碳排放的经济效率。之后Mielnik and Goldemberg［6］发现，Kaya的指标局限在经济发展方面，而忽略了工业生产层面上的排放效率，于是就提出了一个名为碳指数的概念，主要是以单位能源消耗而不是单位GDP来进行刻画，其本质就是对能源利用效率进行表达。然而这两种测算方法都有着计量方法和数据统计上的局限性，为了克服这些缺陷，有美国学者提出了同时涵盖多项产出的数据包络法（DEA模型），将每个样本视为1个决策单元来进行分析评价。但是，Tone［7］发现传统DEA模型会因为测算时没有区分正负产出而导致误差的出现，因此在前人的基础上提出了SBM模型。Maradan和Vassiliev［8］运用SBM模型的非参数距离函数估测算全球76个国家的二氧化碳边际减排成本。之后Ln and Du［9］在SBM模型的基础上，通过Malmquist参数方法来对地区的碳排放效率进行更精确的测算。

而国内常用的碳排放效率测算方法是数据包络分析中的DEA模型和SBM 模型。魏梅等［5］通过DEA模型对我国各地区1986—2008年的碳排放效率进行测算并分析其收敛性，发现技术投入、能源价格、公共投资能正向影响碳排放效应。李涛和傅强［10］基于多非意愿变量的三阶段DEA模型来对我国1998—2008年29个省级地区的碳排放效率进行评价，其结果表明我国碳排放效率整体较高，产业结构优化效果明显，但该政策对不同地区所形成的影响力也不相同。而杜克锐和邹楚沅［11］则采用随机前沿边界分析方法中的SFA模型，来对我国1995-2009年各个地区的碳排放效率进行测算并进行收敛性分析之后，认为我国碳排放效率的地区差异较大，应该利用市场资源配置、清洁能源，以及外贸等方式来提高我国碳排放效率。马大来等［4］则采用了最小距离的SBM模型来对全国1998—2011年的省际碳排放效率进行测算，并对其进行空间计量分析，结果表明我国东部经济区的碳排放效率较为平稳，西部则呈现U形变化，并且发现对外开放、企业所有制结构和政府干预对碳排放效率的提升有正向影响。

上述的相关研究在明晰碳排放概念以及优化碳排放测算方式层面上都有着重大的理论贡献，对于估算并提升我国乃至其他国家的碳排放效率有着一定的现实意义。然而，在国内外对中国碳排放效率的研究与测算中，大多数仅是凭地理位置来划分研究区域，鲜有将我国的战略地区作为评价主体。中国的六大战略区域一直是全国进行政策实验和经济发展的重要抓手，其整体国土面积占全国的50%，2019年年底常住人口11.35亿人，占全国的80.5%。2021年国家发改委发表《发挥“3＋2＋1”六大区域重大战略对高质量发展的重要引领》的展望计划，继续深化京津冀、粤港澳大湾区、长三角一体化区域、长江经济带、黄河流域经济区域、海南发展区的引领作用。这足以说明战略区域在支持中国高质量发展方面有着重要的地位。那么，中国这六大具有重要战略意义的发展区域，其碳排放效率到底是怎样的？孰先孰后？在时空角度下的变化趋势到底是如何？它们的碳排放效率发展是否匀质？而这些就是本文所要寻找的答案。

在借鉴前人的相关研究之后，本文计划在以下四个方面来对现有的研究进行拓展：一是在省级碳排放效率测算中加入区域战略的分析视角，采用非径向非角度的SBM-Undesirable模型来完成效率刻画并分析其演进；二是运用空间计量中的莫兰指数来研究省际碳排放效率的空间差异；三是引入dagum基尼系数来研究不同战略区域之间的碳排放效率发展变化的相距程度和贡献率；四是通过σ收敛与β收敛来分析战略区域碳排放效率的收敛速度及其影响因素。

二、研究方法与数据来源

（一）碳排放效率测算方法

本文参考Tone［7］提出的至强有效前沿最大距离法来进行效率测算，这种非径向、非角度的SBM-Undesirable模型可以有效地避免传统DEA模型因为忽略非期望产出而导致的误差，其模型本质上是一种通过寻找决策单元间的距离来确定参考点的线性规划方法。

假设在社会生产系统中有n个决策单元，每一个决策单元都有m个投入指标，S1个期望产出指标和S2个非期望产出指标，并以此给运算向量进行赋值：生产要素投入X＝（x1，x2，x3…xn）∈Rm*n，期望产出Yg＝，非期望产出Yb＝。由此可以构建样本变量集合DMU0＝，并通过如下SBM-Undesirable模型来进行效率测算，其中（1）、（2）式中的S-、Sg、Sb分别为投入指标、期望产出和非期望产出的松弛变量，λ表示不同区域的权重向量，ρ为该决策单元的效率值。

（二）空间自相关系数与LISA图

空间自相关系数的内容隶属于空间计量经济学，主要是用来研究不同区域碳排放效率的溢出效应。这里本文借鉴了马大来等［4］的做法，使用空间自相关系数Global Moran’s I（全局莫兰指数）来表示省际之间的空间效应，其中全局莫兰指数［12］的计算公式如下。

上式中的Wij表示空间权重矩阵，n为空间单元个数，xi和xj表示i地区和j地区的对应观测值。Global Moran’s I指数的大小往往代表着该地区某变量空间效应的强弱。当莫兰指数越接近1时，则空间正相关性越强，集聚效应就越明显；当莫兰指数越接近-1时，空间负相关性越强，辐散效应越明显；而当莫兰指数为0时，说明该变量不存在空间相关性，空间距离不对其产生影响。但是Global Moran’s I作为一个全局指标，缺少表征局部区域空间特征的能力。因此，本文在计算全局莫兰指数的基础上，引入了Local Moran’s I指数并以此绘制了散点图（空间LISA图，见图2）来完善对碳排放效率空间效应的研究。局部莫兰指数［13］的表达公式如下。

（三）区域差异分解

Dagum发现传统的基尼系数在分解区域差异时会忽略区域之间重叠部分的差异贡献，进而可能会出现测算误差，因此提出了Dagum基尼系数分解法［14］。本文借鉴了Dagum的相关研究，使用Dagum基尼系数来分解2007—2016年各大战略地区之间碳排放效率的区域差异，而总体的基尼系数计算公式如下。

其中yji，yhr分别为j地区和h地区内各个样本的碳排放效率；n为整体省级样本数；k为整体的分区个数，具体取值可能会受到数据可得性的影响；nj为第j个分区中的省级样本个数；G为总体基尼系数；j，h分别为k个分区中的分区编号数，都可以用来指代某个区域；r为特定分区中的某个省份。经过Dagum优化后的总体基尼系数可以分为三个部分，分别是区域内差异贡献Gw，区域间净值差异贡献Gnb和超变密度贡献Gt，其数学关系和各个差异贡献测算公式如下所示。

上式中的pj表示j分区中的省级样本数与所有总体省级样本的比值；Djh为j区和h区之间碳排放效率的相对影响；Gjj为j区内部省级样本之间碳排放效率的相对影响；djh为j和h分区之间的碳排放效率平均差值，即两个分区之间的观测值满足yji-yhr＞0条件的差值之和的期望；而pjh为超变一阶矩阵，代表着两个分区之间的观测值满足yji-yhr＜0条件的差值之和的期望。

Fj，Fh分别表示j，h区域碳排放效率的累积密度分布函数。

（四）随机收敛检验法

1.σ收敛

σ收敛可以用来表现不同区间碳排放效率离差的时间变换趋势。当离差随着时间的推移而不断减小时，说明不同区域的碳排放效率的离散程度也在减小，此时各区域的碳排放效率存在σ收敛。本文延续前人的做法，将设置变异系数CV来表示σ收敛，并用观测值的标准差和均值之比来表达它［15］，其数学表达式如下。

其中yji表示j地区内i省级样本的碳排放效率；j表示j地区碳排放效率的均值；nj表示j地区的省级样本数量。

2.β收敛

β收敛主要是用来表现后发区域的碳排放效率增长速度是否高于领先区域。当存在β收敛时，说明碳排放效率低下区域的增长速率快于碳排放效率高的区域。如果仅考虑自身收敛性，则测算所得出的结果被称为绝对β收敛；当对其他因素进行控制之后所测算出的结果被称为条件β收敛。

绝对β收敛表达式为：

其中等式左边通过对数差分来表示碳排放效率的增长率；等式右边的α是截距项，β是收敛系数，yji表示第i个地区在第t期的碳排放效率，ni、mt、εit分别表示地区的固定效应、时间的固定效应和随机误差项。

条件β收敛表达式为：

其中，X代表各大控制变量，δ则是其回归系数。在参考前人研究的基础上，本文对能源消耗、工业化程度、资本积累和碳转化来进行控制，其中采用第二产业GDP占总GDP的比率来表示工业化程度，用单位GDP所带来的碳排放量作为碳转化。当β显著小于0时，说明地区碳排放效率存在收敛，且收敛速度为-ln（1＋β）。

（五）变量说明和数据来源

在测算碳排放效率时需要确定投入变量和产出变量，本文选择资本存量、劳动力投入和能源消耗作为投入变量，GDP和CO2排放量作为产出变量，其中GDP为期望产出，CO2排放量为非期望产出。（1）资本存量。由于资本存量的数据并不能从统计年鉴中直接获得，所以本文参考了单豪杰［16］的方法，运用“永续盘存法”，以1953年作为基期价格的GDP平减指数来测算省级样本的实际资本存量：Ki，t＝Ii，t＋（1-δ）Ki，t-1，式中Ki，t代表i省份第t年的资本存量，Ii，t代表i省第t年的投资，δ为i省第t年的折旧率。（2）劳动力投入。参考大部分相关的研究设计，本文将各省级样本每年年末的就业人数来指代劳动力投入。（3）能源消耗量。本文采用煤炭、石油、天然气和电力四种大类，包含20种能源的消费量作为能源消耗变量，统一用单位为万吨标准煤的能源折合系数进行折算并加总。（4）GDP总量。本文以1953年为基期，通过GDP平减指数来计算每一年各省的实际GDP，并以此作为碳排放效率的投入指标之一。①

受到数据可得性的限制，本文选取了2007—2017年期间我国24个省份，测算得出包括京津冀（北京、天津、河北）、长三角区域（上海、江苏、浙江、安徽）、长江经济带（上海、江苏、浙江、安徽、江西、湖北、湖南、重庆、四川、云南、贵州）、黄河流域经济区域（青海、甘肃、宁夏、陕西、山西、河南、山东）四个战略地区的面板数据来进行分析，其中由于西藏、新疆、海南、香港和澳门等地方的数据缺失较为严重，故予以剔除。

三、碳排放效率测算及其空间自相关

（一）碳排放效率测算

联合公式（1）和公式（2），将数据输入到Matlab R2020a进行测算后，得出2007—2017年中国24个省市的碳排放效率，结果如表1所示。

表1 2007—2017年中国各省市的平均碳排放效率

从表1中可以看出，2007年到2017年以来只有上海市的平均碳排放效率达到了生产前沿，其余只有广东、辽宁、天津、北京和福建的平均碳排放效率超过了0.5，数量占测算省份的四分之一。碳排放效率小于0.3的省份有甘肃、四川、河南、山西、江西、贵州和青海。从整体上看，不同区域之间的碳排放效率相差较大且级差明显，与此同时内陆地区的碳排放效率整体低于沿海地区，存在着明显的地区差异性，而这可能跟不同区域的经济增长方式有关。另外值得关注的是，广东的碳排放效率从2013年之后就达到了生产前沿，并且此后就一直处于很高的水平，这可能是受到2013年广东成为全国唯一一个采用碳排放配额有偿分配试点政策的影响。

图1表示全国以及四大战略地区在2007—2017年碳排放效率的变化趋势。从总体上看，长三角地区和京津冀地区的碳排放效率长期高于全国平均线，而长江经济带的碳排放效率曲线与全国的变化曲线高度吻合，地区之间碳排放效率的变化趋势基本一致，整体呈现出“Z”形变化。2007—2009年之间各地区的碳排放效率都比较平稳，然而在2010年前后却出现了一个明显的抑制点，碳排放效率下滑幅度较大。这种下降情况持续到2013年开始有所缓解，之后各地区的碳排放效率趋于平缓。本文认为区域碳排放效率出现以上走势的原因可能是：（1）受到2008年全球经济危机的影响，我国经济增长开始乏力，单位投入所带来的正产出下降，变相提高了负产出（CO2排放量）的占比从而降低了碳排放效率；（2）中央政府2009年实施“四万亿”经济刺激计划，以“基建”为主力拉动经济增长的同时也导致了碳排放量的增加，因此这一时期全国和其他四大战略地区的碳排放效率下降明显。

图1 2007—2017年全国及四大战略区域碳排放效率趋势

（二）空间自相关性

基于公式（3），使用Stata15.1进行省级样本空间自相关计算，得出中国2007—2017年省级碳排放效率的全局莫兰指数如表2所示。由表可知2007—2017年中国平均碳排放效率的Moran’s I指数都大于零并逐年上升，而整体平均P值通过15%的显著性检验且逐年下降，说明随着时间的推移，中国整体上的省际碳排放效率的空间集聚效应愈加显著，即相近碳排放效率地区在空间上的集群特征越来越明显。

表2 2007—2017年中国平均碳排放效率的全局莫兰指数

通过公式（4）计算得出省际碳排放效率的局部莫兰指数，并由此绘制空间LISA图（如图2）。空间LISA图的第一象限代表着自身和周围区域都是高碳排放效率（H-H），第二象限代表着自身是低碳排放效率但周围区域是高碳排放效率（L-H），第三象限代表着自身和周围区域都是低碳排放效率（L-L），第四象限代表着自身是高碳排放效率但周围是低碳排放效率（H-L）。由图可以看出具有显著空间聚集效应的地方有处于H-H象限的北京、天津、上海、江苏、浙江和福建，以及处于L-L象限的山西、黑龙江、安徽、山东、河南、湖北、四川、贵州、陕西、甘肃和青海，共17个省市。而其余不具备显著空间聚集效应的地方是处于L-H象限的河北、吉林、江西和湖南，以及处于H-L象限的辽宁、广东和云南，共7个省市。经统计可得，具有显著空间聚集效应的省市占总样本的70.8%，说明我国大部分省市的碳排放效率会出现聚集现象，只有小部分省市的碳排放效率不受周围环境影响，空间相关性和空间异质性并存。

图2 2007—2017年中国平均碳排放效率的空间LISA图

四、区域差异分解

借鉴Dagum的研究［15］，本文基于公式（5）—（14），以Matlab R2020a软件来计算Dagum基尼系数，进而探讨2007—2017年中国四大战略区域碳排放效率的差异程度及其来源。

（一）总体差异与区域内差异

全国以及四大战略区域碳排放效率的总体差异和区域内差异如表3所示。由表可知，2007—2010年间全国以及四大战略区域碳排放效率的总体差异和区域内差异都存在一定的下降趋势，其中全国总体差异系数由2007年的0.2720降到2010年的0.2351，跌幅为13.57%；京津冀区域内差异系数由2007年的0.2101降到2010年的0.1156，跌幅为44.98%，近乎一半；长三角地区区域内差异系数由2007年的0.1990降到2010年的0.1906，跌幅为4.22%；长江经济带区域内差异系数由2007年的0.3040降到2010年的0.2367，跌幅为22.14%；黄河经济区区域内差异系数由2007年的0.0740降到2010年的0.0684，跌幅为7.57%。而在2010—2017年间，各地碳排放效率的差异程度又开始上升。全国总体差异系数涨到0.2811，涨幅为19.57%；京津冀、长三角地区、长江经济带和黄河经济区的涨幅分别为68.67%、33.84%、12.04%和115.94%。平均来看，全国碳排放效率总体差异自2010年起一直处于上升趋势，平均系数达到0.2613，说明产业结构优化发展不平衡的问题依旧严峻，缩小碳排放效率地区差异任重道远，短时间内很难填平碳排放效率方面上的“沟壑”。

表3 2007-2017年中国碳排放效率的总体差异和区域内差异

在四大战略地区中，黄河经济区的区域内差异系数均值最小，说明该区域内的各地区碳排放效率差异较小；长江经济带的区域内差异系数均值最大，且接近全国平均程度，结合图1长江经济带的碳排放效率演变曲线和全国碳排放效率演变曲线高度吻合的现象，本文认为在碳排放效率方面，长江经济带与全国的发展有着较高的同质性，在一定条件下甚至可以凭借长江经济带碳排放效率来预测全国碳排放效率的发展情况。

（二）区域间差异

各个战略区域碳排放效率的区域间差异如表4所示。由表可得，四大战略地区碳排放效率的区域间差异系数都呈现出“U”形曲线变化，在2010年前后存在一个凹拐点，这可能是因为2008年金融危机对中国各地的无差别经济打击，导致单位投入所带来的正产出下降，变相降低了各地的碳排放效率，进而降低了它们的区域间差异。在凹拐点之后碳排放效率的所有区域间差异系数就一直处于上升状态，其增长幅度分别为16.01%、23.92%、24.99%、18.83%、19.53%、7.51%，表明各大区域间的碳排放效率发展并不平衡。平均来看，长三角地区和黄河经济区之间碳排放效率的区域间差异系数最大，达到了0.3482，这可能跟两大战略地区的产业导向不同有关。黄河经济区主要是靠粮食种植、资源开发来作为发展支点，而长三角地区则是金融、外贸和创新技术为发展导向，后者的产业发展在对碳排放的“开源节流”方面要优于前者，进而导致了两地的碳排放效率差异较大。

表4 2007—2017年四大战略区域碳排放效率区域间差异

（三）区域差异来源及其贡献

图3表示中国碳排放效率区域差异来源的贡献率，其中包括区域内差异贡献率、区域间贡献率和超变密度贡献率。从整体上看，战略区域之间的差异是中国碳排放效率区域差异的主要来源，其平均贡献率为51.51%。其次是区域内差异和超变密度差异，对总体差异度的贡献率分布为25.18%和23.31%。从演变趋势上看，区域间差异和超变密度差异呈现对称变化，在2009—2010年的时段上，区域间差异贡献率的涨幅为11.45%，超变密度的跌幅为17.25%，之后二者就一直保持稳定。区域间差异、区域内差异和超变密度差异的贡献率分别在24%、51%和23%上下小范围浮动。虽然区域间差异的贡献率最大，但是超变密度差异的贡献率也占据了五分之一，说明在推广产业优化政策，提升总体碳排放效率，平衡低碳结构发展的时候除了要减小区域间差异外，同时也要注意区域碳排放效率发展的重叠问题。

图3 2007—2017年中国碳排放效率差异来源的贡献率变化趋势

五、收敛性分析

（一）σ收敛分析

基于公式（15），测算得出2007—2017年全国以及各大战略地区碳排放效率的σ收敛系数，其趋势变化如图4所示。由图可知，全国碳排放效率发展的离差随着时间推移呈现波动震荡变化，主要是介于0.5～0.6之间，没有明显的σ收敛趋势。而其他各大战略区域，除了京津冀地区在2009年的σ收敛系数出现震荡下跌之外，其余地区都处在平稳增长状态。其中长三角和黄河经济区的增长趋势最明显，11年间的涨幅分别为26.87%和100.24%，这与Dagum基尼系数的分析结果较为一致，说明两地碳排放效率的地区差异有进一步扩大的趋势。与此同时，长江经济带和全国的σ收敛系数变化曲线的重合度较高，进一步加深了二者在碳排放效率方面有着较高同质性的可能。整体来说，σ收敛与前文Dagum基尼系数的分析结果相互照应，虽然全国碳排放效率的地区差异变化较小，但四大战略区域的地区差异近几年在不断扩大，没有明显表征出σ收敛的趋势。

图4 2007—2017年全国以及四大战略区域碳排放效率的σ收敛系数

（二）β收敛分析

依据式（16）和（17），通过Stata15.1计算出各大战略地区的β收敛系数如表5和表6所示，其中表5为绝对β收敛系数，表6为条件β收敛系数。由于受到数据可得性的限制，本文只对2007—2016年共10年间的β收敛系数进行测算。

表5 2007—2016年四大战略区域碳排放效率的绝对β收敛系数与收敛速度

分时段来看，2007—2016年四大战略区域碳排放效率的β收敛系数都小于0且显著性逐年升高，说明不同战略区域之间的碳排放效率虽然存在地区差距，但差距在逐年缩小，低水平区域正在向高水平区域靠拢。这可能跟国家越来越重视区域低碳平衡发展有关，由于去产能和调节产业结构政策的实施，再加上“黄河生态经济带”的开发，我国各大战略地区正在往可持续的稳态方向发展。在固定了时间和空间效应之后，测算得出2009—2015年各地的β收敛速度稳定在0.09上下，说明地区之间的“追赶效应”明显且稳健。

由表6的检验结果可知，2007—2016年间中国四大战略地区的条件β收敛系数变化分为两个阶段。第一个阶段是在2007—2012年间，四大战略地区的条件β收敛系数均在0.05%的水平下显著为负。结合表5的检验结果可以看出，在2007—2012年这些地区的碳排放效率水平不仅存在绝对β收敛，还存在着显著的条件β收敛特征，说明在该时间段内这些区域受到能源消耗、工业化程度、资本积累和碳转化率的影响较小。而第二个阶段是在2013—2016年，此时四大战略地区的条件β收敛系数显著为正，与同时期的绝对β收敛检验结果不同，其呈现出条件β发散趋势。同时这也说明了能源消耗、工业化程度、资本积累和碳转化率对区域碳排放效率的影响力在增大。从整体来看，由于地理位置和产业结构不同，近几年四大战略区域间碳排放效率的不平衡性在增大，并且在短期内难以得到扭转，但是未来可以通过降低多余能耗、优化产业结构和为区域引入绿色资本的方式来缩小碳排放效率的区域差异。

表6 2007—2016年四大战略区域碳排放效率的条件β收敛系数

六、研究结论与启示

本文采用包含非期望产出的非径向、非角度SBM-Undesirable模型来对2007—2017年全国24个省市的碳排放效率进行测算，并在此基础上加入区域战略的分析视角，刻画了我国四大战略区域碳排放效率的时空演进情况。进而通过Moran’s I指数和Dagum基尼系数揭示不同战略地区碳排放效率的地区差异程度及其来源，最终利用收敛性检验分析了它们碳排放效率发展水平的收敛性和收敛速度。本研究得到的结论如下：

第一，全国碳排放效率虽然出现“Z”形的曲线变化，但近几年呈现缓速增长的趋势，不同战略地区间的碳排放效率发展水平存在显著差异。从省际的视角来看，碳排放效率超过0.5的省市分别是上海、广东、辽宁、天津、北京和福建，占总样本的25%。从战略区域的视角来看，长三角和京津冀地区的碳排放效率高于全国平均水平，长江经济带的碳排放效率曲线走势和全国平均曲线高度一致，黄河经济带的碳排放效率远低于其他战略区域。

第二，中国碳排放效率存在显著的空间依赖性和空间异质性，且空间相关的特征越来越明显。从全局莫兰指数来看，中国碳排放效率的莫兰指数及其显著性随着时间的推移而逐渐增长，并在2017年通过1%的显著性检验。从局部莫兰指数和空间LISA图来看，有70.8%的省市聚集在LISA图的H-H象限和L-L象限，还有29.2%的省市分布在其他象限，说明碳排放效率的空间依赖性和异质性并存，且空间依赖性要更明显。

第三，战略区域间的碳排放效率差异在逐步扩大，其中区域间差异是总体差异的主要贡献来源。京津冀、长三角地区、长江经济带和黄河经济区的区域内基尼系数的均值分别为0.1764、0.2168、0.2616和0.0963，全国碳排放效率的平均基尼系数为0.2613，近几年都处在缓慢增长状态。从区域间差异来看，长三角地区和黄河经济区之间碳排放效率的区域间差异系数最大，达到0.3482。区域间差异是导致碳排放效率发展水平出现地区差异的主要原因，其平均贡献率为51%。

第四，战略区域间的碳排放效率发展水平没有表征出明显的σ收敛，但却存在着显著性较高的绝对β收敛，同时部分年份也表现出较显著的条件β收敛趋势。2007—2017年间全国以及四大战略区域的CV系数变化比较稳定，故不存在σ收敛。而较显著的绝对β收敛和条件β收敛系数意味着四大战略区域间碳排放效率发展水平的差异在缩小，并且逐步朝着自身的稳态水平收敛。

根据上述结论，本文得出以下启示：

第一，贯彻可持续发展的绿色发展观，努力提升社会生产中的碳排放效率。当下中国整体的碳排放效率都处在缓慢上升的状态，仍然具有较高的提升空间，可以通过调整工业生产和能源消费结构来解决长期碳排放效率较低的问题。各战略发展地区要树立绿色发展观，将社会生产的目标由单一的经济效益产出转变为经济效益和生态效益双重目标，依据各个地区不同的发展情况来设定可持续的发展政策。

第二，重视碳排放效应的空间相关性，缩小同一区域碳排放效率的水平差异。一方面，可以加强区域内部的经济联系和技术联系，通过空间相关性来增强技术和发展模式的溢出效应，从而抹平相邻地区之间碳排放效率差异，实现以强带弱的协同发展模式。另一方面，还可以发挥地区的主观能动性，主动通过优化产业结构和引入绿色资本的方式来缩小碳排放效率的发展差异。

第三，因地制宜探索绿色发展模式，发挥战略地区的政策辐射效应和引领作用。四大战略区域应该结合自身的环境条件来制定合适的低碳发展道路，并引领周围地区进行协同发展。比如黄河经济区应加大对土地的生态保护和绿色资源开发，着力落实“黄河流域生态保护和高质量”的发展战略，积极发展生态经济，完成由资源型经济区的转型升级并发挥区域间碳排放效率的“赶超效应”，在此基础上将合适的发展模式向周围地区过渡，从而由点及面来带动全国碳排放效率的持续优化。

［注 释］

① 本文所使用的GDP、固定投资、劳动力投入和能源消耗数据是通过《中国统计年鉴》《中国能源统计年鉴》和各地方统计年鉴直接所得或间接计算所得，而CO2排放量的测算数据来源于中国碳核算数据库（CEADS）。