城市尺度下长三角区域碳排放效率时空演化及影响因素研究

宋 青,李超群,陈骏宇, 2*

(1.苏州科技大学商学院,江苏 苏州 215009;2.天津大学管理与经济学部,天津 300072)

近年来,中国一直积极履行减排义务,承担国际责任。为了加速减排进程,推动“碳达峰”和“碳中和”目标的实现,关键在于提高碳排放效率[1-2],而科学评估和有效提升城市二氧化碳排放效率是实现中国绿色低碳发展和2030年碳达峰的重要基础。

城市作为区域碳排放来源的主体,其碳排放总量占据中国碳排放总量的70%[3]。因此,国家制定的减排战略以及碳达峰目标能否实现很大程度上取决于城市的碳排放效率[4]。长三角地区作为中国经济发展的重要引擎,其当前依赖化石能源支撑经济发展的模式短期很难从根本上发生改变,如何在确保经济发展的同时提高碳排放效率,是当前长三角地区重点关注的问题。2018年以来,随着长三角区域一体化的推进,统筹以上海、南京、无锡等41个城市为主体的长三角地区经济与生态协调发展已上升为国家战略,要求建立区域间协调发展机制,弥补低碳发展方面的不足。基于此,对长三角地区41个城市的碳排放效率进行科学测度、研究其时空特征、探索长三角地区碳排放效率的影响因素,对提升该地区碳排放效率及推动城市绿色低碳经济的发展具有重要的理论和现实意义。

有关碳排放效率的测算、时空特征及其影响因素方面,已有大量报道。在碳排放效率测算上,多数研究基于国家[5]、省域[6-8]、区域[9]及其行业视角[10-11]对碳排放效率进行了测度。对于碳排放效率时空特征的研究,邵海琴等[12]基于行业角度对长江经济带旅游业碳排放效率展开分析,发现长江经济带11个省份的旅游业碳排放效率存在明显的时空分异特征;王诚等[13]基于省域视角,对长江经济带11个省份的碳排放效率进行测度,并且对碳排放效率的区域差异性进行分析,研究表明长江经济带碳排放效率在空间上呈东高西低的空间分布格局;蒋培培等[14]从区域比较视角出发,研究了长江流域和黄河流域碳排放效率的空间演化规律;岳立等[15]系统性地研究了2006—2016年研究期内中国省域旅游业碳排放效率在空间上的分布特征和演化规律,结果表明我国旅游业碳排放效率空间依赖性和局部空间差异性明显。在碳排放效率影响因素方面,袁长伟等[16]对我国省域交通运输碳排放效率的空间分布特征和影响因素展开深入研究,探讨了人口规模、收入水平、节能技术水平等因素对中国交通运输碳排放效率的作用方向和影响程度;李健等[17]从区域视角出发,深入分析产业结构、城市化水平等因素对长三角、珠三角和京津冀三大经济圈碳排放效率的影响效果;蔺雪琴等[18]基于空间计量模型剖析京津冀地区工业碳排放效率的影响因素,发现生产力水平、对外开放水平等因素与京津冀地区工业碳排放效率呈正相关关系;徐英启等[19]以中国低碳试点城市为研究对象,基于面板回归模型从经济发展水平、产业结构、外资强度等因素分析低碳试点城市碳排放效率的作用机理;李建豹等[20]结合已有研究,基于1995—2017年的夜间灯光数据,从城镇化、产业结构、人口密度、外商直接投资等方面选取碳排放效率影响因素,运用空间杜宾面板模型深入探究长三角地区碳排放效率的影响机制。

上述关于碳排放效率的研究大多基于省域、区域以及行业视角,忽视了城市作为区域碳排放主要来源的减排视角,基于城市视角的碳排放效率研究,可以提供比省域、区域尺度更加精确的研究结论;同时将空间因素考虑在内分析碳排放效率影响因素的研究较少。此外,当前对于长三角地区碳排放效率的研究较为匮乏,即使有部分学者在城市尺度下探究长三角地区碳排放效率的影响因素,但影响因素的选取未能结合区域发展实际,且缺少分类测度。鉴于此,本研究以长三角地区41个城市为研究对象,基于非期望产出的slacks-based measure(SBM)模型对碳排放效率进行测度,利用探索性空间分析方法进行时空特征分析。结合长三角地区实际,以环境压力模型为基础,从规模类、结构类和技术类3个维度探讨长三角地区碳排放效率的影响规律。区别于普通面板回归模型,本研究将空间效应纳入研究框架,基于空间计量模型揭示长三角地区碳排放效率的主要影响因素,以期为提升长三角地区碳排放效率、制定更为精准的碳减排策略提供决策参考。

1 材料与方法

1.1 研究区概况

长三角地区位于长江下游(114°52′～122°56′E,27°20′～35°70′N),其伴随着长三角一体化发展战略的实施和城市化进程的推进,发展迅速,在我国现代化建设中具有举足轻重的战略地位。根据2019年颁布的《长江三角洲区域一体化发展规划纲要》,长三角地区范围扩大至苏浙沪皖的41个城市[21],包括江苏省的南京、无锡、徐州、常州、苏州、南通、连云港、淮安、 盐城、扬州、镇江、泰州、宿迁13个地级市,浙江省的杭州、宁波、嘉兴、湖州、绍兴、舟山、温州、金华、衢州、台州、丽水11个地级市,安徽省的合肥、淮北、亳州、宿州、蚌埠、阜阳、淮南、滁州、六安、马鞍山、芜湖、宣城、铜陵、池州、安庆、黄山16个城市以及核心城市上海市。

1.2 数据来源

以长三角地区41个城市为研究对象,研究时间跨度为2010—2019年。参考联合国政府间气候变化专门委员会(IPCC)在《2006年国家温室气体清单指南》中发布的碳排放系数、相关转化因子及其吴建新等[22]针对城市层面碳排放量的计算方法来测算历年碳排放量,其余指标的数据来源于《中国城市统计年鉴》《中国能源统计年鉴》以及上海、江苏、浙江和安徽四地统计年鉴和各个城市统计年鉴及统计公报,并进行了适当处理,其中为了避免价格影响,对地区生产总值和人均GDP以2010年为基期进行平减。

1.3 研究方法

1.3.1 非期望产出的SBM模型

利用Tone[23]提出的关于解决投入产出存在松驰性问题和非期望产出时的SBM模型来测算长三角地区41个城市2010—2019年的碳排放效率。假设有n个决策单元,使用投入要素m种,生产期望产出s1种,非期望产出s2种,向量X、Yg、Yb分别表示投入、期望产出和非期望产出。

定义矩阵投入指标为

X=(x1,x2,…,xn)∈Rm×n;

(1)

(2)

(3)

生产可能性集合(P)可以定义为:

P={(x,yg,yb)|x≥Xλ,yg≤Ygλ,yb≥Ybλ,λ≥0}。

(4)

式中:λ表示观测值的权重,若生产技术为可变规模报酬,则权重之和为1;若权重之和不为1,则生产技术为不变规模报酬。在此基础上,考虑非期望产出的SBM模型为:

(5)

(6)

式中:ρ*为目标函数并且取值范围为[0,1],s-、sg、sb分别代表投入松弛变量、期望产出松弛变量和非期望产出松弛变量。当且仅当ρ*=1表示决策单元是有效率的且处于生产前沿面上,否则说明决策单元是无效率的。

根据上述基于非期望产出的SBM模型,把长三角地区的每个城市作为一个决策单元,每个决策单元均有投入、期望产出和非期望产出3种向量。借鉴文献[24-25],选用长三角地区41个城市的资本存量、劳动力投入和能源消费等指标作为投入向量,地区生产总值指标作为期望产出向量,碳排放量指标作为非期望产出向量。在此对相关指标数据进行说明。

资本存量(亿元):当前统计年鉴中并无各个城市资本存量的明确统计,利用永续盘存法[26]估算长三角地区41个城市2010—2019年的资本存量。

劳动力投入(万人):从数据可得性出发,本研究以长三角地区各个城市3次产业的就业人数作为劳动力投入指标进行计算。

能源消费(万t标准煤):选用各个城市的能源消费量并将其折算为万t标准煤表示。

期望产出(亿元):选取长三角地区41个城市的生产总值作为期望产出指标。

非期望产出(万t):采用各个城市历年的二氧化碳排放量表示。

1.3.2 探索性空间分析方法

探索性空间分析方法由全局空间自相关和局部空间自相关两部分组成[27]。全局空间自相关重点描述整体空间分布状况,本研究采用全局莫兰指数(I)来度量整个长三角区域碳排放效率空间相关性的整体趋势,全局莫兰指数的计算方法如下:

对权重矩阵W作出定义,其表示n个位置的空间邻接关系;

(7)

定义xi、xj是区域i、j的观测值,则xi的全局莫兰指数(I)计算如下:

(8)

局部空间自相关主要衡量观测值的局部空间集聚程度,用来分析局部单元区域与空间邻近单元区域的自相关程度,本研究使用局部莫兰指数来分析长三角地区41个城市碳排放效率的空间集聚程度和空间异质性,局部莫兰指数(Ii)的计算公式如下:

(9)

1.3.3 碳排放效率影响因素模型构建

1)影响因素选择。在分析碳排放效率影响因素的研究中,环境压力模型是重要的依据,在环境压力模型中,Ehrich等[28]将环境压力分解为人口、经济和技术三方面的影响,并且结合Grossman等[29]将环境质量的影响划分为规模、结构和技术的方法,本研究将被解释变量环境压力用长三角地区41个城市的碳排放效率(E)表示,从规模、结构和技术3个角度选用相关解释变量,参考当前已有文献对碳排放效率影响因素衡量指标的选取方法[30-35],并且结合本研究实际,其规模因素选取经济发展规模和人口规模,结构因素选用产业结构和能源消费结构,技术因素选择国内技术创新和国外技术进步,并用不同的指标表征解释变量。相关指标有6个。①经济发展规模(G):经济发展规模能够反映长三角地区的经济发展水平,用人均GDP指标来表示,并进行对数化(lnG)处理。一个地区经济发展水平越高,其资本要素的投入也越大,经济生产活动越活跃,碳排放量也会增加,对碳排放效率造成影响。②人口规模(Ps):用年末总人口数指标来表征并进行对数化(lnPs)处理。随着长三角区域一体化进程不断推进,长三角地区吸纳了大量的人流、资金流、信息流等,地区之间的人口、资源、技术等要素联系更为紧密。人口规模较大的地区在一定阈值内易产生集聚效应,从而使基础设施和能源的利用效率得到提高,进而影响碳排放效率。③产业结构(Is):用第二产业产值占GDP的比值作为代理变量。长三角地区的第二产业主要由工业、制造业和建筑业构成,大多为高能耗和高污染产业,是碳排放量来源的主要产业部门。④能源消费结构(S):用煤炭消费量占能源消费总量的比重来表征。当前长三角地区以煤炭等化石燃料为主的能源消费结构很难在短时间内彻底改变,而煤炭的利用率偏低,碳排放量较大,煤炭消费量所占比重越大,越不利于碳排放效率。⑤国内技术创新(RD):选用科学研究与试验发展(R&D)经费支出表征并进行对数化(lnRD)处理。技术水平的进步在一定程度上可以提高长三角地区能源利用效率,促进经济绿色发展,有利于长三角地区碳排放效率的提升。相较于其他指标,一个地区的研发投入更能反映其技术创新能力,对碳排放效率的影响也更直接。⑥国外技术进步(F):选用外商直接投资指标表示并进行对数化(lnF)处理。国外技术进步能够以外商直接投资的形式表现,具有生产技术的溢出效应,高质量的外资引进有利于提升长三角地区的技术水平,促进长三角地区产业结构升级,带动长三角地区碳排放效率的提升;另一方面,外商直接投资的高污染产业会导致碳排放量增加,因此对于碳排放效率可能具有双重影响。

2)模型构建。在构造模型之前,首先通过空间面板拉格朗日乘数检验(LM)确定最合适的空间计量模型,LM检验结果显示应选择具有空间滞后项和误差项的空间杜宾模型(SDM),然后通过Hausman检验判断使用固定效应还是随机效应,Hausman检验结果显示应选择固定效应的SDM,之后通过LR检验判断使用何种固定效应模型,LR检验结果表明双向固定效应最适合,最后运用WALD检验判断SDM是否会退化成空间滞后模型和空间误差模型,WALD检验的P<0.001,强烈拒绝空间杜宾模型会退化成空间滞后模型和空间误差模型的原假设。结合Anselin等[36]的研究,选用双向固定效应的空间杜宾模型来深入分析影响长三角地区碳排放效率的因素。

根据以上描述,将空间因素考虑在内,长三角地区碳排放效率影响因素的空间计量模型构建如下:

Eit=β0+qWEjt+β1ln(Git)+β2ln(Ps, it)+β3Is, it+β4Sit+β5ln(RD, it)+β6ln(Fit)+φ1Wln(Gjt)+φ2Wln(Ps, jt)+φ3WIs,jt+φ4Wsjt+φ5Wln(RD, jt)+φ6Wln(Fjt)+αi+σt+ζit。

(10)

式中:i、j、t分别为城市和年份,Eit表示第i城市第t年的碳排放效率;W表示邻接空间矩阵;q是空间自回归系数,表示被解释变量碳排放效率的空间依赖性;β是城市解释变量的回归系数;φ表示解释变量的空间滞后系数;αi代表个体固定效应;σt代表时间固定效应;ζit表示随机误差项。

3)效应分解。由于双向固定效应空间杜宾模型中空间滞后项的存在,解释变量的空间回归系数无法准确衡量对被解释变量的影响程度。因此本研究根据Lesage等[37]提出的偏微分分解法对SDM模型回归结果进行分解以此测度解释变量变化带来的直接影响效应和间接影响效应。

空间杜宾模型的一般矩阵表达式如下:

Yit=qWYit+βXit+φWXit+αi+φt+ζit。

(11)

对上式进行变形得到如下表达式:

Yit=(Iit-qW)-1(βXit+φWXit)+(Iit-qW)-1αi+(I-qW)-1φt+(Iit-qW)-1ζit。

(12)

变形后的矩阵表达式求偏导得到如下偏微分矩阵,偏微分矩阵中主对角线元素表示直接效应,矩阵中除主对角线以外其他元素代表间接效应,直接效应和间接效应分别表示被解释变量对本地区和相邻地区解释变量的影响。

(13)

2 结果与分析

2.1 长三角地区碳排放效率测度

根据非期望产出的SBM模型,运用MaxDEA软件测算长三角地区41个城市2010—2019年的碳排放效率,计算结果见表1。由表1可知,上海市在研究期内碳排放效率始终处于生产前沿面上,在41个城市中排名第1位。从其余40个城市研究期内碳排放效率的均值来看,碳排放效率均值均未达到生产前沿,且各个城市之间碳排放效率存在较大的差异。上海、苏州、无锡、金华、盐城、丽水、镇江及温州的平均碳排放效率在研究期内均达到0.8以上,碳排放效率较高,属于长三角碳排放效率第一梯队,但是以上城市的碳排放效率仍有较大提升空间,这些城市应注重低碳技术和新兴高技术产业的发展。扬州、南通、泰州、徐州、宿迁等11座城市的碳排放效率平均值处于0.6～0.8,碳排放效率处于中等水平,属于第二梯队,以上城市的碳排放效率提升潜力较大,比较容易取得碳减排成果,长三角地区可以优先对这些城市实施相应的碳减排政策。淮南、淮北、铜陵、池州、芜湖等22个城市在研究期内碳排放效率的均值为0.3～0.6,碳排放效率水平较低,处于第三梯队,这些城市的碳排放问题应当受到重视,给与相应的政策和资金支持。

表1 长三角地区2010—2019年各城市碳排放效率

表1(续)

2.2 长三角地区碳排放效率时空演变特征

2.2.1 碳排放效率时序演变特征

图1 碳排放效率核密度曲线分布图Fig. 1 Carbon emission efficiency kernel density distribution curve

为进一步探究长三角地区碳排放效率在研究期内的时序演变特征,本研究选取2010、2013、2016和2019年4个年份截面数据,利用核密度参数估计来描述长三角地区各城市碳排放效率的动态演进特征,通过核密度曲线的三维透视图直观分析长三角地区41个城市碳排放效率的动态变化趋势。从分布位置来看,碳排放效率核密度曲线的中心随着时间推移呈向右移动的趋势,意味着碳排放效率随着长三角区域一体化战略的实施和推进在不断提高。从波峰数量的演变趋势来看,研究期内碳排放效率核密度曲线存在明显的双峰结构,说明长三角地区有部分城市碳排放效率集聚在较高水平,还有一部分城市集聚在碳排放效率偏低水平。从核密度曲线分布形态来看,主峰峰值呈现上升趋势,说明长三角地区碳排放效率存在较大差异。从碳排放效率核密度曲线的延展性来看,核密度曲线具有明显向右拖尾的特征,表明长三角地区碳排放效率存在两级分化现象。

2.2.2 碳排放效率空间演化特征

1)碳排放效率空间分布特征。运用Jenks自然断点法,将长三角地区碳排放效率划分为如表2所示的4个区间。2010年,碳排放效率高值区主要分布在上海、常州、苏州、温州、金华等城市,碳排放效率低值区集中分布在安徽省。与2010年碳排放效率空间分布格局相比,2013年长三角地区碳排放效率高值聚集区变化不大,安徽省的碳排放效率低值区明显扩张。2016年,碳排放效率高值区主要分布在上海、江苏省的苏州、无锡、镇江以及浙江省的金华、丽水等市,碳排放效率低值区仍主要分布在安徽省。与2016年长三角地区碳排放效率空间分布相比,2019年江苏省碳排放效率高值区明显扩张,安徽省碳排放效率低值区的数量相较于2016年在减少。从表2可以清晰看出,研究期内长三角地区碳排放效率高值区和低值区在整个长三角地区错落分布,但是从整体来看,碳排放效率高值区主要分布在上海和江苏省,碳排放效率低值区集中分布在经济水平较低的安徽省。

表2 2010—2019长三角地区碳排放效率空间分布

2)碳排放效率空间关联特征。对长三角地区碳排放效率做全局自相关分析,全局莫兰指数及显著性检验结果如表3。从表3可知,研究期内长三

表3 长三角地区碳排放效率全局莫兰指数统计值

角地区碳排放效率的全局莫兰指数均为正值并且大部分年份均通过0.01的显著性水平检验,说明长三角地区碳排放效率在空间上呈显著的正相关性,具有明显的空间集聚特征。

为进一步探究长三角地区碳排放效率的空间关联特征,采用局部空间自相关分析对局部区域在相邻空间的集聚特征进行研究,通过莫兰散点图进一步分析长三角地区各个城市碳排放效率水平的空间相关程度(图2)。

图2 2010—2019年碳排放效率局部莫兰散点图Fig. 2 Local Moran scatterplot of carbon emission efficiency from 2010 to 2019

竖线高度表示碳排放效率值的大小,黑色圆点表示竖线在东西方向和南北方向上的投影,各条竖线与XY平面所形成的交点表示长三角地区城市的地理位置。The height of the vertical line indicates the value of carbon emission efficiency, the black dots indicate the projection of the vertical line in the east-west and north-south directions, and the intersection of each vertical line and the XY plane indicates the geographical location of cities in the Yangtze River Delta.图3 2010—2019年长三角地区碳排放效率趋势分析图Fig. 3 Carbon emission efficiency trend analysis from 2010 to 2019

莫兰散点图由第1象限(高-高,H-H)、第2象限(低-高,L-H)、第3象限(低-低, L-L)和第4象限(高-低, H-L)组成。由图2可知,长三角地区大部分城市碳排放效率在空间上呈集聚特征。2010、2013、2016和2019年中,分布于H-H和L-L类型的城市数量占长三角地区总城市数量的比重分别为70.73%、65.85%、63.41%和70.73%,表明研究期内长三角地区碳排放效率在空间上主要体现为H-H和L-L类型聚集,即相邻城市碳排放效率在空间上呈正相关。其中,H-H 类型集聚的城市数量由2010年的12个增加到2019年的17个,而L-L类型集聚的城市数量由17个减少到12个,说明碳排放效率高水平聚集的城市数量在增加,碳排放效率低水平聚集的城市数量明显减少。经济相对发达的上海市和江苏省主要分布在H-H类型,上海、无锡和苏州在研究期内始终保持在H-H类型区域,3个城市的碳排放效率水平较高,在区域内具有积极的带头作用,安徽省主要集中分布在L-L类型区域,合肥、蚌埠、淮北等城市始终稳定在L-L类型区域。2010、2013、2016和2019年中,长三角地区分布在L-H和H-L类型的城市个数分别仅占全部地级市数量的29.27%、34.15%、36.59%和29.27%,说明长三角地区碳排放效率的空间依赖性特征较为稳定,大部分地级市表现为空间集聚特征,少部分城市表现出空间异质性特征。

3)碳排放效率趋势分析。利用ArcGIS软件对2010—2019年各市碳排放效率的趋势进行分析,以此揭示碳排放效率空间变化的规律(图3)。

由图3可知,2010—2016年长三角地区碳排放效率的拟合曲线在东西方向上呈“一”字形上升趋势,在南北方向上呈“U”形态势,说明长三角地区2010—2016年碳排放效率由西向东呈逐渐升高趋势;东西方向上东部碳排放效率高于中部和西部,在南北方向上,中部较低,南部高于北部。2019年长三角地区碳排放效率在南北方向上有较大变化,碳排放效率的拟合曲线在南北方向上呈自南向北的上升趋势,说明在南北方向上,北部碳排放效率上升较快,超过南部。总体来看,长三角地区研究期内的碳排放效率在东西方向上总体呈从西向东上升态势,南北方向上,北部地区碳排放效率升高较快,超过南部地区,究其原因是2018年长三角区域一体化战略上升为国家战略,地区之间的资本、技术、资源等要素联系更为紧密,从而推动苏北地区和安徽省北部碳排放效率的提高。

2.3 碳排放效率影响因素分析

长三角地区的经济发展水平和产业结构对本市的碳排放效率具有显著的负向影响,其中,外商直接投资对本市的碳排放效率起显著的正向驱动作用,长三角地区本市的经济发展水平对相邻城市的碳排放效率有显著的正向影响,技术创新水平对邻市碳排放效率的提升具有明显的抑制作用(表4)。表4中直接效应的相关系数与各个影响因素空间回归系数的正负和显著性水平完全相同,这充分表明从规模、结构和技术3个维度选取指标分析长三角地区碳排放效率影响机制具有合理性。

由表4可知,经济发展规模的直接效应为负且P<0.01,说明经济发展水平对城市碳排放效率有显著的负向影响,长三角地区部分城市在经济发展过程中未能兼顾与生态的协调发展,部分城市有“高碳”的经济发展特征,并且经济发展规模直接效应的绝对值最大,表明注重经济发展质量是促进碳排放效率提升的重要着力点;经济发展规模的间接效应为正值且P<0.01,说明经济发展水平对临近地区碳排放效率有显著的正向驱动作用,这主要是因为经济发展水平越高的城市,科学技术也较为先进,随着长三角区域一体化上升为国家战略,城市之间的联系越来越密切,相邻城市通过学习其先进的生产技术,碳排放效率得到了相应的提升。人口规模的直接效应、间接效应都为正值且均不显著,这表明在研究期内长三角地区城市的人口变动不足以明显影响碳排放效率。人口规模较大的地区在一定阈值内易产生集聚效应,基础设施和能源的利用效率得到提高,从而促进碳排放效率的提高。由于我国之前长时间实行计划生育政策控制人口增速,因此人口规模因素无法对碳排放效率产生显著影响。但是从长远来看,随着人口政策的调整及实施必然会影响长三角地区的人口结构,从而对该地区的碳排放效率产生影响,人口规模很有可能成为未来长三角地区显著影响碳排放效率的重要因素。

产业结构的直接效应为负值且P<0.01,表明长三角地区各个城市第二产业占比越高,越不利于提高本市碳排放效率。具体来看,第二产业占比每增加1个单位,本市碳排放效率降低0.841,并且其直接效应的绝对值较大,仅次于经济发展规模直接效应的绝对值,说明合理调整第二产业占比及其内部结构将成为未来长三角地区各个城市显著提升碳排放效率的重要途径。产业结构变动对相邻城市碳排放效率的影响为正向,但并不显著,这表明第二产业占比增加会对本市碳排放效率起抑制作用但并不一定会对邻市的碳排放效率有负向影响。能源消费结构的直接效应、间接效应都为负且均不显著,这说明本市煤炭消费占比升高,对于本市及邻市碳排放效率的提升均有不显著的抑制作用。具体来看,本市煤炭消费占比每增加1个单位,将不显著地导致本市和邻市碳排放效率分别降低0.21和0.436,说明长三角地区当前能源消费结构变动不足以明显引起其碳排放效率的变化,降低煤炭等高污染能源所占比重,优化能源结构将成为长三角地区提升碳排放效率重要的落脚点。

技术创新水平的直接效应、间接效应均为负,其中间接效应在5%的水平上通过显著性检验。具体来看,本市R&D经费支出每上升0.01,将引起本市和邻市碳排放效率分别降低0.008和0.068,这表明长三角地区部分城市内部R&D经费支出不合理,低碳技术的研发水平未能达到预期且研发并未注重企业生产过程中如何减少碳排放量这一重点领域。

外商直接投资的直接效应为正,且直接效应P<0.05,表明外商直接投资对本市碳排放效率的提高有明显的促进作用。外商直接投资会带来先进的绿色生产技术、设备及其先进的管理理念,从而减少碳排放量促进碳排放效率的提升。但本市的外商直接投资会对邻市的碳排放效率造成负向影响,究其原因可能是本市在外商投资后对能源的需求量增加,自身无法满足需求外包给邻市,而邻市在生产过程中过分注重经济效益,其为缩减成本使用较为低廉的生产技术,产生大量碳排放,进而阻碍了本市碳排放效率的提升。

3 结论及建议

1)长三角地区内部碳排放效率存在显著差异,上海、无锡、苏州碳排放效率水平位于前列;三维核密度曲线分布图在研究期内的分布位置趋于向右移动,长三角地区整体碳排放效率水平在提高;核密度曲线的主峰峰值呈上升趋势,各个城市碳排放效率存在较大差距;从延展性来看,碳排放效率核密度曲线具有明显向右拖尾的态势,长三角地区碳排放效率存在两级分化现象。

2)从空间分布格局来看,碳排放效率高值区随着时间推移主要分布在上海市和江苏省,碳排放效率低值区集中分布在经济水平较低的安徽省;从空间关联特征来看,莫兰指数在研究期内均为正值且通过显著性水平检验,长三角地区碳排放效率在空间上呈显著的正相关性;局部空间自相关分析表明长三角地区碳排放效率的空间集聚态势明显且区域内空间聚集以H-H和L-L类型集聚为主;碳排放效率趋势分析表明长三角地区碳排放效率在东西方向上总体呈自西向东上升的态势,北部地区碳排放效率在提高,空间差异特征明显。

3)从效应分解结果可知,长三角地区当前各个城市的经济发展规模和产业结构对于碳排放效率的提升有显著的抑制作用,而外商直接投资对于碳排放效率的提高具有明显的促进作用,并且经济发展规模和产业结构直接效应的绝对值较大,表明注重经济发展质量和产业结构调整是未来长三角地区促进碳排放效率提升的重要抓手。

根据以上研究结论,为了进一步提升长三角地区碳排放效率提出以下建议:

1)对于长三角地区各城市碳排放效率存在较大差异性特征,一是要因地制宜开展各个城市的碳减排工作,从各城市的实际发展状况出发制定有针对性的碳减排调控策略,严禁“一刀切”现象;二是应充分重视碳排放效率水平较低的城市,给予一定的资金支持和政策指导,促进其碳排放效率的提高;三是应树立空间观念,将碳排放效率水平最高的上海市作为核心城市辐射整个长三角地区,充分发挥核心城市的示范效应,强化城市间的沟通与协作,从而带动其他城市碳排放效率的提升。

2)考虑到长三角地区碳排放效率存在明显的空间集聚特征且发展模式以H-H和L-L类型聚集为主,位于H-H类型聚集区域内的上海、无锡和苏州等城市应进一步发挥集聚效应,加强与周围城市的深度合作,推动长三角地区碳排放效率的持续提升;位于L-L类型聚集区域内的城市应依据自身发展需要引进先进的技术设备和优秀人才,借鉴先进的节能减排经验来提高碳排放效率。

3)经济发展水平对碳排放效率的提升具有显著的负向影响,长三角地区各个城市应更加注重经济的高质量发展,避免经济发展过程中的“高碳”特征,兼顾好经济和生态环境的平衡发展;降低第二产业比重,注重产业结构调整,加大产业结构调整力度并鼓励绿色技术产业的发展是长三角地区碳排放效率提升的重要途径;降低煤炭等化石能源的消耗比重,注重绿色清洁能源的开发和使用,扩大清洁能源所占比重并大力支持新兴绿色低碳产业体系的建立有利于长三角地区碳排放效率的提高;长三角地区应合理分配科研经费,注重对致力于提升碳排放效率相关科研项目的资金投入;外商直接投资对于碳排放效率的提升具有显著的正向驱动作用,因此长三角地区可以积极引进低能耗、高质量和绿色高新技术先进的外资企业。

本研究采用基于非期望产出的非径向、非角度的SBM模型,运用非线性规划技术对2010—2019年长三角地区碳排放效率进行测算。传统的数据包络分析模型进行效率评价时忽略了投入与产出的松弛问题,在径向和角度的选择上会出现效率测算误差,而非期望产出的SBM模型既考虑到碳排放等非期望产出的影响,又可以有效避免因投入产出比例径向导致的测算结果偏差。与以往的研究相比,本研究结合长三角地区发展实际,基于环境压力理论从规模、技术和结构3个维度出发,利用双向固定效应的空间杜宾模型实证分析了长三角地区碳排放效率的影响因素,研究结果表明注重经济发展质量、合理调整产业结构是未来长三角地区显著提升碳排放效率的重要途径。尽管本研究基于城市尺度对长三角地区碳排放效率的时空演变特征及其影响因素进行了分析,但受限于研究数据和年份,研究深度还有待于进一步提升,其次若能以县域为切入视角对碳排放效率展开研究,将有利于从较小尺度揭示长三角地区碳排放效率的空间异质性规律以及各个城市根据自身发展情况制定减排政策。