黄河流域碳解锁效率及其驱动因素分解_郝亚男_.pdf

RESEARCH AND EXPLORE RESEARCH AND EXPLORE 37加。黄河流域未来应重点通过减少化石燃料的消费，推动绿色能源的形式来减缓碳排放增长。（二）黄河流域碳排放时空分析自治区与山西省的碳排放量普遍较高；（2）2008-2021 年间四川省、陕西省、河南省与山东省的碳排放量普遍较低；（3）2005-2008 年碳排放量高集聚区主要分布在山西省中部；2014-2018 年高-高地区范围迅速扩大，形成了以山西、陕西、内蒙古等资源型城市为中心的高集中区。（4）碳排放量低-低聚集始终呈尺度分布，主要分布在甘肃、青海两省，空间分布范围相对稳定。由于该地区生态环境约束性较强，人口较少，中心城市欠发达，形成了以西宁、海东、甘南、天水等城市为主的低-低连绵区。（5）2019-2021 年碳排放量高集聚区主要在山西省。而内蒙古自治区由于政策的改变、技术设备的改进和低碳技术的大力投入，呈现逐年下降的趋势。二、碳解锁效率测度模型方法介绍及公式“碳解锁效率”是指相关部门提供一定制度投入和技术投入后，碳锁定的“摆脱”程度。其内涵是基于“投入产出”的角度追求社会经济效益与生态环境效益之间的平衡，本文利用 SBM 模型和 Malmquist 指标模型构建碳解锁效率测度指标体系，并计算具体效率值，分析碳解锁效率的动态影响机制。（一）含非期望产出的 SBM 模型数据包络分析用于衡量黄河流域 9 个省份的碳解锁效率，这是一种基于多个投入产出指标，使用线性规划方法评估同类型可比单位相对有效性的定量分析方法。本文提出的“碳解锁效率”需要考虑“社会、经济和生态环境”的双重效益。因此，本文选择了非期望产出的 SBM-DEA 模型进行研究。本文参照 Tone 提出的 SBM 模型的解决方法，非期望产出的 SE-SBM 模型为：图 2 20082021 年黄河流域碳排放空间化静态区域分布图由图 2 可知：（1）2008-2021 年间内蒙古自治区、宁夏回族（2）（3）（4）（5）（6）RESEARCH AND EXPLORE RESEARCH AND EXPLORE 39利 用 含 非 期 望 产 出 的 SBM 模 型 可 以 分 析 出20082021 年碳解锁综合效率呈逐年上涨趋势，表示投入产出是综合有效的，即技术有效和规模有效。纯技术效率逐年提高，表明在目前的技术水平下，其投入资源的使用是有效的。规模效率在大多在 0.9 浮动，表示实际规模与最优生产规模差距较小。2.基于 Malmquist 指数对碳解锁效率分解的实证分析。为了进一步分析碳解锁效率的变化对分解效率的影响，本文进一步引入 Malmquist 指数模型进行分析。四、黄河流域碳解锁效率驱动因素分解分析（一）碳解锁效率驱动因素分解模型方法介绍及公式简介1.STIRPAT 模型。STIRPAT 模型可用于分析社会因素对碳解锁效率的影响，其形式为：I=aPbAcTd （12）式中:I 为碳解锁效率；P、A、T 人口规模、经济发展水平、技术水平指标，其中技术水平指标用对外开放程度代表；a 为系数；b、c、d 为上述相应指标的指数；为模型的误差项。在方程（12）的等号两边取对数，使其成为：lnI=lna+blnP+clnA+dlnT+ln （13）2.扩展 STIRPAT 模型。为了扩展 STIRPAT 模型，增加第二产业产值在 GDP 中的比例来衡量产业结构（S），增加城镇化率来衡量城镇化水平（U）。参考相关研究扩展形式为：lnI=lna+blnP+C1lnA+C2(lnA)2+dlnT+elnS+flnU+ln（14）式中：C1，C2，e，f 均为系数。（二）碳解锁效率驱动因素分解模型实证分析STIRPAT 模型实证分析：图 4 黄河流域碳解锁效率分解结果变化趋势图表 4 2008-2021 年 Malmquist 指数分析表时间ML 指数技术进步指数（TC）技术效率指数(EC)200820090.90250.79701.1211200920101.18571.02271.4759201020111.09471.46890.8231201120111.24490.98811.2408201220130.87700.93410.9846201320141.15821.00241.2950201420151.35161.18071.2550201520161.11030.95281.4237201620171.47811.42320.9747201720181.74351.21851.4473201820190.73161.03230.7339201920200.81010.84091.0867202020211.85031.50941.2258Malmquist 指数模型可用于分解 2008 年至 2021年的技术进步效率和技术效率，其中技术效率可进一步分解为纯技术效率和规模效率（见图 4 和表 4）。ML 指数多数大于 1，这表明工业绿色全要素生产率上升，TC 与 EC 总体变化趋势与 ML 变化趋势相似，这表明技术进步和技术效率可以提高全要素生产率的增长率。表 5 相关性综合效率人口规模经济发展水平对外开放程度Pearson相关性综合效率1.000(0.000)-0.709(0.002)0.277（0.169）0.394（0.082）人口规模-0.709(0.044)1.000（0.000）-0.593（0.013）-0.721（0.002）经济发展水平0.277(0.039)-0.593（0.013）1.000（0.000）0.211（0.235）对外开放程度0.394(0.048)-0.721（0.002）0.211（0.235）1.000（0.000）产业结构0.664(0.005)-0.917（0.000）0.824（0.000）0.558（0.019）城市化水平-0.379(0.032)0.386（0.086）0.096（0.072）-0.419（0.068）注：（）内为 sig 值从 表 5 中 可 以 看 出，人 口 规 模 与 综 合 效 率 的person 相关系数为-0.709，显著系数为 0.044，说明二者之间呈负相关；经济发展水平与综合效率的person 相关系数为 0.277，显著系数为 0.039，说明二者之间正向相关；同此得出，对外开放程度和产业结构与综合效率之间都是正向相关的关系，但城市化水平与综合效率负向相关，这违背传统的理论设想。RESEARCH AND EXPLORE 研究探索40经济发展水平对碳解锁效率有显著的正向影响。在经济发展水平越高的地区，其碳减排政策的效果越好，排放处理的投入越大，进一步提高碳解锁的效果。相反，在经济发展水平较低的地区，第三产业比重相对较低，其减排投资和二氧化碳去除效率也较低。对外开放程度与碳解锁效率呈正向相关。相关研究表明，外企直接投资由于其规模效应和结构效应增加了二氧化碳排放，而其技术效应可以大大减少二氧化碳排放。也就是说，外企直接投资的技术效应大于其规模效应和结构效应；同时引进外资可以提高经济发展速度，进而提高区域碳解锁的效率。城市化水平与碳解锁效率呈负相关，这与传统的理论观点相悖。其 Pearson 相关系数为-0.379，相对较小，说明城镇化水平对碳解锁效率的影响有限。出现此类情况可能是因为我国正处于高速发展阶段，城市化水平的发展会加快二氧化碳的排放和能源的快速消耗，从而导致碳解锁效率的降低。产业结构与碳解锁效率之间存在正向相关的关系。一方面，产业结构的变化会对经济增长的规模和经济增长的方式产生影响，而经济增长的规模和经济增长方式的改变直接影响碳解锁效率；另一方面产业结构的升级提高能源利用率，进一步提高碳解锁效率。人口规模对碳解锁效率存在负向相关关系，即人口规模的扩大会导致居民消费水平的增加和对人口的资源与环境压力的持续提高，从而降低碳解锁效率。在提高碳解锁效率过程中我们应注意优化人口结果、提高劳动力素质，为提升产业结构和优化能源结构做准备。五、结论与建议（一）结论本文采用输出非预期的 SBM 模型、Malmquist指数模型和扩展的 STIRPAT 模型，研究黄河流域碳解锁效率及其驱动因素分解，主要结论如下：1.20082021 年黄河流域能源消费碳排放总量增加但增速下降，呈现收敛趋势。2.20082021 年的大部分工业绿色全要素生产率上升，技术进步和技术效率可以得到有效提高全要素生产率的增长率。3.经济发展水平对碳解锁效率有显著的正向影响；对外开放程度与碳解锁效率呈正向相关性；城市化水平与碳解锁效率呈负相关性；产业结构与碳解锁效率之间存在正向相关关系；产业结构与碳解锁效率之间存在正向相关关系，有利于提高碳解锁效率。（二）建议基于本文的研究结果，提出了进一步实现中国碳解锁的对策和建议:1.未来黄河流域应重点减少化石燃料消耗，推广绿色能源，减缓碳排放增长。黄河上游要依托资源禀赋优势，发展清洁型能源。黄河中游煤炭资源丰富，减少碳排放。黄河下游利用现有产业基础，加快产业转型升级，促进产业低碳发展。2.建设低碳社会文化，在经济社会树立发展低碳经济的理念。抑制人口增长带来的能源消耗碳排放增加，大力推进高耗能产业转型升级，优化工业和能源结构。3.经济规模的扩大和城市化仍然是黄河流域碳排放增长的主要原因。碳减排政策在保持经济稳定增长的同时，也要推动低碳技术发展。作者单位：内蒙古自治区鄂尔多斯市商务局内蒙古财经大学表 6 普通最小二乘法估计结果变量系数P 值VIF样本容量R2F 值lnA0.370.0392.495140.964563.28lnT0.870.0481.695lnU-0.230.0056.345lnS0.590.0328.698lnP-0.460.0358.791C2.390.0448.791R2为调整后的判定系数，F 值指模型整体的 F 统计值