中国城市碳排放绩效:动态分解、空间差异与影响因素

魏丽莉,侯宇琦,曹昊煜

(兰州大学 a.经济学院;b.绿色金融研究院,甘肃 兰州 730000)

一、引 言

应对气候变化、减少温室气体排放是全球面临的共同挑战,也是中国同世界各国深入开展生态文明建设交流合作的关键领域。20世纪90年代以来,全球变暖和温室效应受到了社会的广泛关注。1997年,联合国气候大会在日本通过《京都议定书》,作为人类历史上第一部限制温室气体的国际法案,该公约对温室气体减排的目标和路径作出了明确规定。2015年,第21届联合国气候变化大会上通过的《巴黎协定》对2020年以后全球应对气候变化行动作出了统一安排,并设定“将全球平均气温较前工业化时期上升幅度控制在2摄氏度以内,努力将温度上升幅度限制在1.5摄氏度以内”。从全球碳排放责任的角度出发,中国是减排责任的积极承担者,也是最大的减排贡献国之一。2020年习近平主席在第七十五届联合国大会一般性辩论上宣布“中国将力争2030年实现碳达峰,2060年实现碳中和”。“双碳”目标的宣布昭示了中国碳减排路径的关键锚点,也是中国高度重视应对气候变化,坚持绿色发展、高质量发展的决心体现。在此背景下,准确测度中国碳排放绩效及其动态变化,识别地区间碳排放绩效差异及其来源,并分析驱动二氧化碳排放绩效变动的关键因素,对精准评估中国碳排放治理水平,践行生态文明建设有重要意义。

20世纪90年代以来,中国碳排放规模不断上升且存在显著的地区差异。厘清地区之间的碳排放水平差异,有助于高效调配减碳资源,以更低的经济成本实现“双碳”目标。二氧化碳排放绩效衡量了各地区是否能以较少的碳排放和能源消耗产生更高的经济效益,可以准确地评价地区经济发展模式是否兼顾增长与低碳要求,是评估地区碳排放治理水平的重要指标,对中国践行生态文明建设具有重要意义[1]。本文的研究重点是采用改进后的全要素碳排放绩效指数准确测度中国城市碳排放绩效及其动态变化,识别中国不同城市群碳排放绩效差异及其来源,并分析驱动二氧化碳排放绩效变动的关键因素,以期为中国更好更快实现经济低碳转型提供政策设计依据。

碳排放绩效测度指标可划分为单要素碳排放绩效指标和全要素碳排放绩效指标。单要素指标由碳排放规模与某一经济指标之比构造而成,主要包括碳排放强度和隐含碳排放密度等[2-3],由于单要素指标无法全面反映各投入产出要素之间的关系,后期学者将碳排放和能源损耗纳入TFP增长核算框架下,构建碳排放效率等全要素指标,对地区碳排放绩效进行衡量[4]。常用的全要素碳排放绩效指标计算方法主要有基于随机前沿分析的参数方法(SFA)和基于数据包络分析模型(DEA)的非参数方法。由于数据包络模型能够同时实现多投入多产出的效率分析研究,更接近环境绩效评价的实际需求,其演化而来的非径向方向距离函数、松弛变量测度模型等各类数据包络分析模型近年来被广泛应用于环境绩效评价研究[5-6]。但也有研究指出,现有研究中常使用的各类DEA模型均存在不同程度的线性规划无解和生产前沿设定偏误,可能会在一定程度上导致碳排放绩效测度结果不准确[7]。

现有研究运用上述测度方法对中国不同地区、不同行业的碳排放绩效水平进行测度和分析,部分研究采用空间自相关、时空跃迁矩阵、空间马尔科夫链等方法对中国碳排放绩效的时空演化进行刻画[8]。还有部分研究关注到碳排放绩效的空间差异性,使用空间变差函数、探索性空间数据分析等方法,刻画了中国碳排放绩效的空间分异情况及区域收敛特征[9-10]。在碳排放绩效的影响因素分析方面,现有研究在IPAT模型和STIRPAT模型等框架下,结合经济理论和实际发展特征,总结了碳排放绩效的几类影响因素,主要包括经济水平、技术创新、产业结构、能源消费结构、能源强度、人口密度等[11-13]。可以看出,在碳排放绩效空间分析方面,现有研究多着重于刻画其空间演化特征,对区域间的碳排放绩效不平等现象关注不够,且较少探讨区域碳排放不平等现象及其差异来源;在影响因素探究方面,现有研究多局限于STIRPAT模型框架,并采用相关分析等传统计量模型进行相关性检验,一定程度上忽视了计量模型的过度控制等问题。

综上,既有文献围绕中国碳排放效率的测度、时空演化及其影响因素等方面形成了丰富研究成果,然而仍存在碳排放绩效估计不准确、空间分异来源不明以及影响因素识别缺乏统计依据等问题。相较于现有研究本文边际贡献如下:一是较为新颖地以非径向方向距离函数为框架,通过计算实际碳排放和经济增长与技术前沿的差距之比,构造了全要素碳排放绩效指数,在一定程度上克服了现有研究中所采用的环境绩效评估模型存在的跨期无解、角度和径向效率有偏等缺陷,更准确地衡量了中国城市碳排放治理绩效;二是从经济含义、跨期动态变化、区域均衡等层面对全要素碳排放绩效指数进行多维分解,不仅分析了全要素碳排放绩效指数的效率改进、技术进步和技术落差及其动态变化,还通过Dagum基尼系数分解对城市群间碳排放绩效不平等的形成原因进行识别;三是为更科学识别城市碳排放绩效的影响因素,采用Lasso机器学习法对影响因素进行筛选,有效克服传统计量方法中过度控制导致的估计偏误。

二、研究方法与数据来源

(一)环境技术与效率分析模型

为准确测度中国的经济环境综合绩效及其动态变化,本文借鉴Fare等的研究假设,同时在生产技术中考虑经济发展和二氧化碳排放两类产出,定义环境生产技术如下[14]:

(1)

式(1)中X表示投入,Y表示期望产出,C表示二氧化碳排放。理论上,对环境生产技术的估计方法主要可以分为两类,一类是基于参数估计的随机前沿分析和参数线性规划方法,通过对环境生产函数施加超越对数或二次型函数形式的假设,对生产可能集进行估计[15];另一类基于非参数估计,使用数据包络方法(Data Envelopment Analysis,DEA)构造生产技术前沿面。在DEA模型中,对于方向距离的选择至关重要,应用较为广泛的CCR和BCC等基于谢泼德距离函数径向模型,通过投入要素和产出的等比例扩张计算观测数据与前沿面的距离,具有较强的理论假设。在谢泼德距离函数的基础上,Chung等提出了方向距离函数(Directional Distance Function,DDF),放松了期望产出和非期望产出同方向变化的模型假设[16]。Zhou等在DDF的基础上进一步提出了包含非期望产出的非径向方向距离函数(NDDF),对不同产出类型的变化情况进行了进一步刻画[17]。

与DEA模型密切相关的是效率分析的动态特征。Chung等构造了曼奎斯特—卢恩伯格(Malmquits-Luenberger,ML)指数,使用不同时期效率分析结果的几何平均测算了包含环境污染的TFP变化,但该指数存在跨期无解、角度和径向效率有偏等缺陷,而弥补上述缺陷的主要方式是使用基于两期数据的BML指数或将全域技术前沿与NDDF相结合,缓解ML指数计算导致的测算偏误[16]。因此,本文使用NDDF方法对纳入二氧化碳排放的技术无效率进行测度,并借鉴Oh等的全局ML指数方法和共同边界技术动态刻画NDDF的分析结果[18]。

(二)全要素碳排放绩效指数构建

根据研究问题,本文构建如下非径向方向距离函数:

(2)

式(2)中K、L、E分别表示资本、劳动和能源投入,Y表示期望产出,C表示二氧化碳排放,即非期望产出。wT表示投入和产出的权重,g=(-gK,-gL,-gE,gY,-gC)表示方向向量,β表示松弛变量。

结合式(1)中关于环境技术的假设,本文使用DEA方法求解NDDF,模型设定如式(3)所示:

从结果的经济含义上看,式(3)的分析结果仅仅刻画了包含非期望产出后,经济中效率改进的空间,因此并不能直接度量碳排放的绩效。ZHOU等通过计算目标碳排放与实际碳排放之比定义了全要素碳排放指数,ZHANG和CHOI则通过松弛变量之间的关系定义了全要素碳排放表现[17,19]。本文借鉴上述学者的做法,构造全要素碳排放绩效指数(Total-Factor CO2Performance Index,TCPI)度量碳排放绩效,具体形式如式(4):

(4)

该指数度量了碳排放改进空间与产出改进空间之比。由于βC,βY的值和决策单元与前沿面的距离成正比,TCPI的取值越大时,决策单元的碳排放和产出改进空间越小,碳排放绩效越高。

(三)共同边界非径向Malmquist碳排放绩效指数分解

(5)

MNMCPI一方面度量了全要素碳排放绩效指数的跨期动态变化,另一方面通过共同边界技术考察了不同能源消费强度的城市异质性。与ML指数相似,MNMCPI可以分解为效率改进、技术进步和技术落差三个部分。

(6)

式(6)中EC表示效率改进(Efficiency Change),刻画了不同时期技术效率的“追赶效应”;BPC表示最佳实践变化(Best Practice Change),用于度量跨期和同期全要素碳排放绩效指数的变化,由于该指标刻画了同期技术前沿的移动情况,因此也可以代表“技术进步”;TGC表示技术落差(Technology Gap Change),度量不同城市分组的前沿面到总体前沿面的距离变化,体现不同组别的技术变化与全局技术之间的关系。通过对MNMCPI的定义和分解,可以进一步考察碳排放绩效的动态变化和增长源泉。

(四)全要素碳排放绩效指数空间差异及其分解

由于中国城市的碳排放绩效可能存在地区差异,本文使用Dagum基尼系数方法对中国2006—2019年全要素碳排放绩效指数的空间差异程度进行测度和分解,从城市群层面刻画碳排放绩效空间差异的变化及其来源。Dagum基尼系数的定义如式(7)所示:

(7)

其中yji和yhr分别表示j或h地区内i城市或r城市的全要素碳排放绩效指数,nj和nh分别表示j或h地区内的城市数量。根据Dagum的做法,进一步将总体基尼系数分解为地区内部差异Gw、地区间差异Gnb和超变密度Gl三个部分[20]。三者分别定义为:

(8)

(9)

(10)

(11)

(12)

(13)

式(8)～(10)分别定义了地区内差异、地区间差异和超变密度,式(13)为地区j和地区h全要素碳排放绩效指数的相对影响,djh为地区间差值,pjh为超变一阶矩,Fj(·)表示地区j全要素碳排放绩效指数的累积分布函数。

(五)投入产出变量选取与数据说明

1.变量选取

应用NDDF考察碳排放绩效首先需要确定模型的投入产出变量,多数文献在效率分析建模中纳入了资本、劳动和能源三个方面的投入指标。使用以上三类要素分析中国城市碳排放绩效的原因在于两个方面:第一,资本、劳动和能源是当前生产过程中投入最广泛的经济要素,能够刻画多数城市的生产特征;第二,三者与碳排放密切相关,人口规模和能源消费是导致二氧化碳排放强度提高的重要因素。因此,本文同样采用资本、劳动和能源作为NDDF模型的投入指标。

2.数据说明

本文的研究样本为2006—2019年中国城市层面数据,考虑能源数据等指标的缺失问题,最终纳入研究254个地级市。资本投入使用资本存量度量,参考单豪杰对中国资本存量的估算,使用永续盘存法计算资本存量[21]:

Kt=Kt-1(1-δt)+It

(14)

其中Kt为第t年的资本存量,It为第t年的投资规模,使用投资价格指数和固定资产投资计算,δt为第t年的折旧率,取值为10.96%。

能源投入使用省级能源消费和夜间灯光数据计算得到。测算过程中,本文主要从两个方面提高了计算的精确度。常用的夜间灯光数据包括DMSP-OLS数据和NPP-VIIRS数据,二者在年份上互补。为保持2013年前后灯光数据在量纲上的一致性,对2013年的DMSP-OLS和NPP-VIIRS数据建立拟合模型,并使用该模型矫正2013年之后的NPP-VIIRS数据,再采用过原点回归将省级能源消费分解到城市层面[22-23]。

非期望产出为二氧化碳排放。现有研究中测算碳排放的方法有基于能源消费和碳排放折算因子的近似计算和使用夜间灯光数据反演两类方法。考虑前文能源消费已使用夜间灯光数据计算,碳排放数据计算参考吴建新等人做法,分别根据IPCC相关转化因子、电网基准线排放因子、各类运输方式的客货运输量以及供热能源原煤量,计算电能、煤气、液化石油气、交通运输和热能消耗的碳排放量,加总得到各城市碳排放量[24]。

劳动力投入和期望产出分别使用城镇单位从业人员期末人数和当年价格地区生产总值度量。资本和劳动投入、经济总产出数据来自《中国城市统计年鉴》,城市能源消费和二氧化碳排放测算中使用的其他数据来源于《中国统计年鉴》《中国城市建设统计年鉴》和《中国区域统计年鉴》。

表1 投入产出变量选取及描述性统计

三、中国城市全要素碳排放绩效指数测算及其分解

(一)中国城市全要素碳排放绩效指数变化情况

依照式(4)对城市层面的全要素碳排放绩效指数(TCPI)进行测度,测算结果见表2。全国城市的平均全要素碳排放绩效指数(TCPI)由2006年的0.180逐渐提高至2019年的0.326,年平均增长率为4.67%,说明样本期内中国碳排放绩效显著提高,中国减排降碳工作和生态文明建设取得了长足的进展,这与已有研究中2006年以后中国环境TFP呈增长趋势的结论一致[25]。结合当下实际背景,可将中国全要素碳排放绩效变化分为2006—2010年,2011—2014年和2015—2019年三个波动上升阶段。与直接将考虑了能源消费和碳排放约束条件下的经济非效率水平作为碳排放绩效表征的结果不同,本文定义的全要素碳排放绩效指数在考察期内未出现明显的下降,进一步证明了传统方法直接将效率值作为碳排放治理水平的度量方法存在一定误差。

表2 2006—2019年中国城市TCPI指数、MNMCPI指数变化及其分解

2006—2010年,全国城市的平均碳排放绩效水平迅速上升,2010年碳排放绩效较2006年提高了29.44%,该阶段碳排放绩效水平高速增长,一方面是由于2006年“十一五”规划中首次将“节能减排”作为明确的战略目标提出,并对各级政府下达了污染物排放和能源强度等约束性任务,2009年中国进一步下达了温室气体控排目标,强化了减碳降废政策的力度;另一方面,受到“十五”期间中国工业高污染高排放的发展模式影响,该时期各地化石能源消费迅速增长,减排空间较大。

2011—2014年,全国城市的平均碳排放绩效水平增速放缓,其可能原因在于,随着二氧化碳减排规模的不断提高,各地减排空间逐步缩小,碳排放绩效提升无法继续通过直接减少排放、调整能源结构和初级技术进步实现,碳排放绩效提高进入瓶颈期,后期减排的动力不足,进一步提高碳排放绩效的难度逐渐增加,减排的边际成本提高,但在政策的持续作用下,各地区整体仍呈现低碳化发展转型趋势[26]。

2015—2019年,绿色发展理念作为新发展理念的主要内容,为中国经济发展结构调整指明了新方向,《巴黎协定》等气候变化应对承诺进一步加强了政府对于提高碳排放绩效的迫切和坚定程度,在政策刺激下,该时期碳排放绩效增速出现了小幅度提高,但由于各地碳排放绩效已维持在较高水平,受限于技术进步瓶颈,进一步提升碳排放绩效的难度较大。

(二)中国城市全要素碳排放绩效指数分解

由于TCPI指数是全局技术下计算的静态能源环境效率指数,因此不能反映不同生产技术在不同时期的动态变化。为进一步探讨决策单元生产技术和效率表现的动态变化,避免决策单元技术异质性造成的估计偏差,采用共同前沿方法,将城市按照能源强度进行分组分别构建前沿面,根据式(5),进一步估算了共同前沿非径向Malmquist碳排放绩效指数(MNMCPI),结果见表2。MNMCPI指数展示了中国城市TCPI的平均动态变化情况,当MNMCPI>1时,说明在t至t+1期内,各组的全要素碳排放绩效指数出现进步,MNMCPI指数的值越大,说明该决策单元的跨期进步越快。

将MNMCPI指数分解为EC指数、BPC指数和TGC指数。其中,EC指数反映了各城市与其所在群组当期生产技术前沿面的接近程度变化情况,可以将其解释为效率改进效应,当EC>1时,认为相较于t期,t+1期实现了效率赶超,EC指数越高说明决策单元追赶速度越快。总体来看,中国城市碳排放效率赶超表现较差,多个年份出现了平均效率改进指数退化。说明在相关年份中,大部分城市未能实现效率追赶,即少部分城市的改进推动了同期生产技术前沿面前移,城市间全要素碳排放绩效差距扩大。

BPC指数也称为最佳实践变化指数,反映了当期生产技术边界向跨期技术边界的移动程度,衡量了各期前沿面之间距离的差距,因此被解释为技术创新效应,当BPC指数>1时,则认为该城市低碳技术创新效应扩大。结果显示,中国城市低碳技术创新效应表现良好,除第一期观测样本之外,创新效应对碳排放绩效的贡献逐年增大,尤其是“十二五”期间,技术进步规模不断扩大,但后期创新效应增速出现下滑,进一步验证了前文中关于中国低碳技术进步陷入瓶颈引致TCPI指数增速放缓的理论分析。

TGC指数反映了不同组群之间的技术落差变化,当TGC>1时,说明特定组群的跨期生产技术与全局生产技术之间的技术差距缩小,即各组生产技术前沿之间的差距缩小。本文根据能源强度对中国城市类型进行区分,以控制前沿面技术类型不同产生的差异估计偏差。根据TGC指数计算结果,中国不同类型城市的生产技术前沿之间距离变化情况不断波动,但总体而言,大多数年份TGC指数均大于1,说明不同类型城市之间的碳排放绩效水平差距在缓慢缩小。

为进一步展现不同效应对MNMCPI指数变化的贡献度,将各期EC指数、BPC指数和TGC指数进行可视化(图1)。从各年MNMCPI指数构成来看,EC指数对MNMMCPI变化具有一定的影响作用,但并未对MNMCPI指数的变化产生决定性作用。TGC指数整体波动不大,对MNMCPI指数变化的贡献度不高;BPC指数即技术创新效应对MNMCPI指数变化的贡献度最高。结果显示,2016年起,中国城市创新效应指数出现波动下降,与此同时全要素碳排放绩效指数平均动态改进速度放缓,说明体现创新效应的BPC指数几乎决定了全要素碳排放绩效指数的动态变化方向,即创新与技术进步已成为中国低碳化转型发展的决定因素。

图1 2006—2019年中国MNMCPI变化及其分解

四、中国城市全要素碳排放绩效指数的空间差异及其分解

(一)中国城市全要素碳排放绩效指数的空间差异

为刻画中国城市全要素碳排放绩效指数的空间分异情况,本文采用Dagum基尼系数初步对全国城市间碳排放绩效的不均衡程度进行了测度,并在此基础上,以国家“十四五”规划中提到的19个城市群划分方式为依据,根据数据可得性,排除了城市数据缺失较多的天山北坡、滇中、黔中、兰西和宁夏沿黄等城市群,最终纳入长三角、珠三角、京津冀等14个城市群作为研究区域单元,分别测度了中国各城市群全要素碳排放绩效指数的年均变化情况,测度结果见表3。

表3 2006—2019年中国各城市群全要素碳排放绩效指数(TCPI)

全国层面的区域均衡性分析结果显示,各城市间基尼系数呈现先下降后上升趋势,进一步印证了中国城市间全要素碳排放绩效指数之间存在不均衡情况,且近年来分异程度逐步加深。2006—2010年中国城市全要素碳绩效指数的基尼系数从0.245下降至0.219,降幅为10.62%左右,但从2011年开始,中国全要素碳排放绩效指数的分异程度开始逐年攀升,2019年基尼系数已达到0.266,较2011年上升17.70%左右。可以看出,2011年是中国碳排放表现空间差异扩大的关键节点。2011年中国制定下发了《“十二五”节能减排综合性工作方案》和《“十二五”控制温室气体排放工作方案》,并在全国七个省市建立碳排放权交易试点,对各地进行了二氧化碳排放目标限制,强化了温室气体排放控制政策力度,该系列政策虽提高了各地碳排放绩效水平,但加剧了地区间碳排放绩效的分异程度,说明减排政策在不同地区的政策效果具有较大差异,且近年来该差异仍在不断扩大。

从各城市群的全要素碳排放表现绩效测度结果看,城市群之间无论是平均水平还是增长速度均存在较大差距。样本期内平均全要素碳排放绩效指数排名前三的城市群分别是珠三角城市群、北部湾城市群和成渝城市群,其次是长三角城市群、粤闽浙沿海城市群和长江中游城市群。比较各城市群碳排放绩效的增长率则发现,在样本期内大多数城市群均实现了碳排放绩效的改善,增长率较高的城市群有长江中游城市群、粤闽浙沿海城市群、成渝城市群和中原城市群,其次是长三角城市群、京津冀城市群、晋中城市群和珠三角城市群,但呼包鄂榆城市群年均增长率为负,其碳排放绩效自2014年起出现波动式下滑。可以看出,东部地区城市群不仅平均碳排放绩效水平普遍较高,碳排放绩效的增长速度也较快,而中西部地区仅成渝城市群碳排放绩效表现较好,中原城市群、京津冀城市群虽初始水平较差,但近年来碳排放绩效的改善速度也较快。

(二)中国城市全要素碳排放绩效指数的城市群内差异分析

为考察中国城市群内部全要素碳排放绩效指数的空间分异情况,本文测度了各城市群的全要素碳排放绩效指数组内基尼系数,测度结果见表4。横向对比各城市群的组内基尼系数可以看出,关中平原城市群组内分异程度最高,平均基尼系数为0.574;珠三角城市群组内差异程度次之,平均基尼系数为0.441。北部湾城市群、辽中南城市群和长三角城市群的均衡程度相对较好,组内基尼系数较低,分别为0.211、0.290和0.313。从变动趋势看,除辽中南城市群、哈长城市群和中原城市群的组内分异程度有下降趋势外,其他城市群样本期内碳排放绩效指数的组内分异程度均呈上升趋势,说明粤闽浙沿海区域分异程度仍在不断加剧,未出现收敛趋势。其中组内差距扩大速度较快的城市群有北部湾城市群、哈长城市群和晋中城市群,样本期内组内基尼系数增速分别为7.61%、3.88%和3.61%。组内差距变化比较稳定的城市群有关中平原城市群和成渝城市群,样本期内组内基尼系数增速为0.37%和0.02%。

表4 2006—2019年中国各城市群全要素碳排放绩效指数组内基尼系数

(三)中国城市全要素碳排放绩效指数的城市群组间差异分析

本文进一步测度了各城市群的全要素碳排放绩效指数组间基尼系数,考察城市群之间的全要素碳排放绩效指数空间分异情况,测度结果见表5。城市群全要素碳排放绩效指数组间基尼系数测度结果显示,在组间差距最大的前十对城市群中,珠三角城市群占据7位,珠三角城市群的碳排放绩效高于国内大部分城市群。在组间差距较小的十对城市群中,长三角、成渝、长江中游和关中平原四个城市群的碳排放绩效指数的分异程度较小,其组间基尼系数均值较低。可以看出,除成渝城市群外,晋中、京津冀、北部湾、哈长、关中平原等中西部城市群与珠三角等东部地区城市群的碳排放绩效指数水平存在较大的地区差异。目前东部地区已初步形成以珠三角为引领,长三角、粤闽浙沿海、长江中游等城市群环绕的低碳集聚态势,但中西部地区的城市群碳排放绩效水平依然处于较为落后状态。组间差距变化情况可以看出,近年来山东半岛、关中平原、晋中、哈长等城市群与珠三角、长三角和粤闽浙沿海等城市群的差距迅速拉大。结合各城市群变化情况可知,珠三角、长三角和粤闽浙沿海等城市群发展基础较好且近年来碳排放绩效增长率也较高,但山东半岛、关中平原和哈长等城市群在样本期内并未实现碳排放绩效的快速增长,晋中城市群更是碳排放绩效水平一直较差,进一步加大了城市群之间的碳排放绩效水平差距。此外,结果显示中原城市群、辽中南城市群与其他城市群之间的差距正在逐步缩小,说明中原等城市群正在逐步实现碳排放绩效赶超。

表5 中国各城市群全要素碳排放绩效指数组间基尼系数

(四)中国城市全要素碳排放绩效指数的差异分解

为了进一步探究中国城市全要素碳排放绩效指数的空间分异来源,本文采用Dagum基尼系数子群分解方法,对中国城市全要素碳排放绩效指数的空间差异进行贡献度分解,将其分解为组内差异、组间差异和超变密度,分解结果及其占比见表6。根据测算,中国各城市群的基尼系数呈波动上升态势,在样本期内各城市群的不均衡程度出现了进一步加重。分解结果显示,中国城市碳排放绩效的分异成因主要为城市群组间差异,城市群组间差异贡献度为56.8%,呈波动式先下降后上升趋势,样本初期为59.7%,2016年下降至47.3%,后期波动上升至57.5%;其次为超变密度,贡献度为36.4%,超变密度反映了不同城市群间的重叠部分对总差异的影响作用,其占比较高说明各城市群间重叠部分的占比较大,重叠部分不平等程度加剧会提高城市群内差异程度、降低城市群间差异程度,导致了基尼系数的升高。城市群内部差异贡献度较低,贡献度仅为6.8%,样本期内虽有上升态势,但波动不大。

表6 2006—2019年中国城市群全要素碳排放绩效指数基尼系数及其分解

五、中国城市全要素碳排放绩效指数影响因素分析

(一)指标选取与数据说明

为探究影响全要素碳排放绩效指数的影响因素,本文使用Lasso方法筛选影响因素,并使用面板模型对相关因素进行实证检验。二氧化碳的生产与人类经济活动密切相关,其影响因素不仅包括经济增长、技术进步、资本投入等宏观经济因素,还包括产业结构、能源强度、城镇化水平、人口密度、对外开放程度、政府关注度、环境规制等经济特征因素[27]。如果将所有影响因素全部纳入回归方程,则可能导致过度控制问题,为解决这一问题,本文结合机器学习中的Lasso方法,通过向回归模型中引入惩罚项,筛选影响二氧化碳排放的主要因素。Lasso方法的基本思路如式(15)所示:

(15)

其中N为样本个数,βj为影响因素的斜率参数,τ为约束估计结果的惩罚项。Lasso的基本思路在于通过对所有解释变量的参数估计结果施加总体约束,逐步减少解释变量的个数,剔除影响较小的因素。

基于理论分析和Lasso分析的结果,本文最终纳入以下七个影响因素:一是经济发展水平,使用人均生产总值度量。根据环境库兹涅茨理论,经济规模的扩张在早期可能会提高碳排放水平,但当经济发展到达一定的水平后,能够提高碳排放的绩效。二是能源消耗强度,使用单位GDP的能源消耗度量。能源消费水平与碳排放存在正向关联,能源消耗强度高可能会降低碳排放绩效。三是清洁能源使用效率,使用每万千瓦时工业用电产值度量。考察各城市中电力等清洁能源的使用效率,该效率可能对碳排放绩效具有正向作用。四是产业结构,用第二产业从业人员比重度量。产业结构决定城市生产方式,进而决定碳排放规模,具有较高第二产业占比的地区碳排放绩效在理论上应低于其他地区。五是金融规模,使用年末金融机构贷款余额占第三产业比重度量。金融业是经济转型的重要经济力量,金融行业可以通过降低融资约束,提高企业参与绿色生产和技术创新的可能性。六是绿色环保,使用建成区绿化覆盖率度量。建成区绿化覆盖率一方面体现了政府对环境问题的重视程度,另一方面植物绿化能提高环境碳汇能力,也能够促进碳排放绩效的提高。七是科技支持,使用科学技术支出占地方一般公共预算支出比度量。

全国城市全要素碳排放绩效影响因素分析部分研究样本为2006—2019年中国254个城市面板数据,各城市群全要素碳排放绩效指数影响因素异质性分析部分城市群划分为上文中涉及的14个城市群,能源强度数据为上文根据夜间灯光数据计算所得,其他数据均来自《中国城市统计年鉴》,各变量的分布特征如表7所示。

表7 变量解释及描述性统计

(二)中国城市全要素碳排放绩效指数影响因素分析

为检验理论分析和Lasso分析结果,本文构建面板数据个体时间双固定效应模型对全国城市全要素碳排放绩效指数的影响因素进行分析,具体模型设定如下:

TCPIit=β0+β1GDP+β2EEit+β3ESit+β4IS+β5Financialit+β6Greenit+β7Techit+δi+γt+εit

(16)

其中,下标i表示城市,下标t表示年份,βj表示各个影响因素对全要素碳排放绩效指数的边际影响。为解决遗漏不随时间变化因素和年份趋势导致的内生性问题,在模型中加入了城市和年份的双向固定效应,并且使用异方差稳健标准误。

对于影响全要素碳排放绩效指数的七类影响因素,本文主要进行三个方面的分析,第一是各影响因素对全要素碳排放绩效指数的边际影响;第二是不同地区影响全要素碳排放绩效指数的差异性;第三是不同发展阶段影响全要素碳排放绩效指数的因素变化。

表8的列(1)～(2)报告了混合OLS和双向固定效应的估计结果。在混合OLS和固定效应估计中,经济发展水平、清洁能源使用效率、金融规模、绿色环保和科技支持能够有效改善城市层面的碳排放绩效,而能源消耗强度和第二产业占比则对碳排放强度具有负面影响,所有结果均在1%的水平下显著且符合理论预期,该结果与全要素碳排放绩效指数的经济含义相符。当经济发展效率较高,碳排放水平距离前沿面较近时,全要素碳排放绩效指数也越高。电能等清洁能源的单位产值越高,说明该区域清洁能源利用程度越深,则其碳排放绩效水平越高。而金融规模、绿色环保和科技支持等特征因素分别展现了区域的金融发展水平、环保重视程度和科技投入力度,以上特征较高的地区,其碳排放绩效水平也会相对较高。从边际影响的水平来看,金融规模和科技支持对全要素碳排放绩效指数的影响较大,说明金融等清洁行业发展和技术进步能够有效改善碳排放绩效。在负面的影响效果中,能源消费的影响大于产业结构边际效应,降低能源水泵强度是提高碳排放绩效的重要途径。能源消耗强度体现了各城市每单位产值的能耗,能耗越高则碳排放绩效表现越差。第二产业是经济结构中碳排放占比最高的生产部门,地区产业结构中第二产业占比越大,该地区减排难度越高,碳排放绩效表现越差。

表8 中国全要素碳排放绩效指数影响因素分析结果

中国幅员辽阔,经济结构多样,不同地区在长期的发展中表现出差异化的经济特征。因此,本文从地区和时间两个方面进行异质性分析。地区异质性方面,将全部样本区分为东、中、西部三个子样本进行分析,回归结果显示,清洁能源使用效率、绿色环保、金融规模、技术支持、产业结构在不同地区具有不同的影响方式,而经济发展、能源消耗和在不同地区间不存在显著差异。所有因素均对东部地区具有显著影响,但清洁能源使用效率、绿色环保、金融规模、技术支持、产业结构对中西部地区影响作用不显著。

党的十八大首次就生态文明思想进行了单篇论述,提出绿色发展、循环发展和低碳发展等理念,绿色低碳在发展过程中的重要性在该时间节点出现了重要升华。因此,年度异质性考察方面,分别考察党的十八大前后影响全要素碳排放绩效指数的因素变动。从参数估计结果上看,能源消耗和经济增长是长期影响全要素碳排放绩效指数的关键因素,其他因素在2012年前后均发生了变动。在党的十八大以前,除了经济发展水平和能源消耗外,电力等清洁能源的应用深度是改善全要素碳排放绩效指数的主要方式。2013年以来,金融规模、产业结构和科技支持对碳排放绩效指数的影响由不显著变为显著,说明金融和科技投入在各地区经济低碳化转型的发展过程中发挥了良好的引导作用,进而促进了各城市的碳排放绩效改进,同时二产规模的上升进一步抑制了各地碳排放绩效的改善,说明近年来第二产业减污降碳的压力愈发显著,亟待解决。年度分异的估计结果体现了中国碳排放绩效的改善模式从经济总量提升到结构调整的演化过程。

(三)各城市群全要素碳排放绩效指数影响因素异质性分析

为分析各影响因素对不同城市群碳排放绩效的差异化影响,本文进一步采用地理探测器的因子探测检验各影响因素对城市群全要素碳排放绩效指数空间分布的影响程度。地理探测器模型的基本原理是通过考察两个变量的空间分布相似性,判断自变量对因变量的影响程度,该模型不仅可以反映影响因子的空间分异,还能较好地避免内生性问题。因子探测结果见表9。

表9 中国各城市群全要素碳排放绩效指数因子探测结果

因子探测结果显示,能耗强度与各城市群的全要素碳排放绩效的相关性最高,尤其是成渝、山东半岛、中原、关中平原和呼包鄂榆城市群,能耗强度与上述城市群相关性高于0.5,说明能耗强度对其碳排放绩效水平具有较大影响。清洁能源使用效率与各城市群的全要素碳排放绩效的相关性次之,是珠三角和京津冀城市群的主导因子,且对晋中城市群的碳排放绩效具有较大影响。经济发展水平是晋中和京津冀城市群碳排放绩效改善的重要驱动因素,且对成渝、长江中游、山东半岛、珠三角等城市群具有一定影响作用。金融规模则是珠三角、京津冀、辽中南和晋中等城市群的核心驱动因素。与上述因素相比,产业结构和技术进步对各城市群碳排放绩效的影响普遍较小,但技术进步对珠三角城市群具有一定的影响作用。总体而言,能耗强度、清洁能源使用效率和经济发展水平依然是大部分地区碳排放绩效的主导因子,但城市群间的转型驱动因子依然存在一定差异,少数城市群中金融规模和技术进步已逐步成为新的驱动因素。

六、结论与建议

本文构造全要素碳排放绩效指数对中国城市碳排放治理绩效进行测度,并通过计算共同边界碳排放绩效动态指数并对其进行分解,度量了全要素碳排放绩效指数的跨期动态变化和其效率改进、技术进步和技术落差的动态变化。此外,运用基尼系数及基尼系数子群分解等方法,对城市群间碳排放绩效的空间分异及其差异来源进行识别,在此基础上,对中国城市碳排放绩效的影响因素进行筛选并检验了其异质性影响。主要得出了以下四个方面的结论:

首先,2006—2019年全国城市平均全要素碳排放绩效指数总体呈现波动上升态势,样本期内中国碳排放绩效显著提高,说明中国减排降碳工作和生态文明建设取得了长足的进展,动态分析结果显示,中国城市平均碳排放绩效水平在不断改进,动态指数分解结果显示,中国城市碳排放效率赶超表现较差,一部分城市的改进推动了同期生产技术前沿面前移,创新效应对碳排放绩效的贡献逐年增大,但后期创新效应增速出现下滑;其次,以城市群为区域划分单元的空间分异比较结果显示,珠三角、长三角、粤闽浙沿海、长江中游等东部地区城市群不仅平均碳排放绩效水平普遍较高,碳排放绩效的增长速度也较快,中西部地区仅成渝城市群碳排放绩效表现较好,但中原、京津冀等城市群近年来碳排放绩效的改善速度较快;再次,基尼系数测度及其分解显示,中国城市碳排放绩效指数的分异程度逐步加深,各城市群的基尼系数呈波动上升态势,中国城市碳排放绩效的分异成因主要由城市群组间差异造成,城市群内部差异贡献度较低;最后,影响因素分析结果显示,全国层面经济发展水平、清洁能源使用、金融发展、绿色环保和科技支持能够有效改善城市层面的碳排放绩效,能源消耗强度和第二产业就业人员比重对碳排放绩效具有负面影响,清洁能源应用、绿色环保意识、金融规模、技术支持和产业结构对中西部地区影响作用并不显著。2012年以前经济发展水平提升、清洁能源应用和能源消耗减少是碳排放绩效指数的主要影响因素,而2013年以后,金融规模、产业结构和科技支持逐渐成为改善碳排放绩效指数的主要方式。城市群因子探测结果显示,能耗强度、清洁能源使用效率和经济发展是各城市群碳排放绩效的主导因子,但各城市群间的驱动因子存在一定差异。

基于以上结论,提出如下政策建议:一是强化技术创新激励机制。在中国经济的低碳转型过程中,技术进步一直发挥着重要作用,党的十八大以来产业结构调整和科技支持已经成为中国城市碳排放绩效指数改善的主要动力,但研究结果显示,样本后期创新效应增速出现下滑,说明中国低碳技术进步已出现瓶颈问题,如何有效激发创新的可持续性成为当前工作重点,因此政府应进一步增强对绿色低碳技术研发的支持力度,通过制定行业标准、技术指导目录等方式,对绿色低碳技术创新进行有针对性的扶持,引导市场形成完善的绿色低碳技术创新体系。二是应进一步重视区域间发展不均衡问题。样本期内城市群之间的碳排放绩效指数水平空间差异不断扩大,形成“强者愈强”态势,珠三角等东部地区城市群发展基础好,绩效水平提升速度快,而呼包鄂榆等中西部城市群绩效水平低、改进速度慢,城市群之间的两极分化现象愈发突出,政府应加大对后发地区的政策支持力度,探索提炼中原城市群、京津冀城市群等赶超速度较快地区的转型经验,助力落后城市群的低碳发展。三是要根据区域的不同经济结构和发展特征因地制宜地设计低碳转型路线。对于经济发展基础较好的东部地区和中部地区,应积极鼓励其探索通过经济结构调整、技术水平升级等途径,实现低碳和经济发展的双赢目标,但对于经济发展基础较为薄弱的西部地区,应以守住生态红线作为主要目标,在优先保障其实现低碳的基础上力争发展,可通过发挥西部地区风光电能的天然优势,调整能源消费结构,探索低碳转型发展路径。在政策引导方面,政府不仅应积极鼓励各地区加快通过经济结构调整、技术水平、能源转型和环保意识等途径实现低碳化转型,还可加大对金融市场投资方向的绿色化引导,发挥绿色金融力量调动其低碳化转型的积极性,进而提高碳排放绩效表现。