基于三阶段SBM-DEA的碳排放效率分解研究.pdf

第第 39 卷卷 第第 7 期期 电电 力力 科科 学学 与与 工工 程程 Vol.39,No.7 2023 年年 7 月月 Electric Power Science and Engineering Jul.2023 基金项目：河北省社会科学基金（HB21YJ053）。DOI:10.3969/j.ISSN.1672-0792.2023.07.003 基于三阶段SBM-DEA的碳排放效率 分解研究 刘伟晗，李 伟，卢 灿（华北电力大学 经济管理系，河北 保定 071003）摘 要：碳排放效率的测算会因受随机误差和外部环境因素的影响而导致其结果准确性降低。应用三阶段 SBM-DEA（Slacks-based measurement，data envelope analyses）模型测算了20012020 年各省市碳排放效率，同时利用随机前沿回归分析了其影响因素。研究结果表明，首先，各省市碳排放效率差距较大，总体碳排放效率均较低且平均水平呈现缓慢增长趋势；其次，推动能源低碳化转型、产业结构持续转型升级以及政府合理规制能够提升碳排放效率，科技进步、进出口贸易和城市化与碳排放效率呈正相关关系；最后，随机误差和外部环境因素对碳排放效率有显著影响。关键词：碳排放；效率；三阶段 SBM-DEA 模型；随机前沿分析 中图分类号：F224；F426.2 文献标识码：A 文章编号：1672-0792(2023)07-0024-10 A Study on Carbon Emission Efficiency Decomposition Based on Three-stage SBM-DEA LIU Weihan,LI Wei,LU Can(Department of Economics and Management,North China Electric Power University,Baoding 071003,China)Abstract:The estimation of carbon emission efficiency is affected by random error and external environmental factors,which results in lower accuracy.The three-stage SBM-DEA(Slacks-based measurement,data envelope analyses)model was used to calculate the carbon emission efficiency of every province and city from 2001 to 2020 with using stochastic frontier regression to analyze influence factors.The results show that,firstly,there is a big difference in carbon emission efficiency among provinces and cities,and the overall carbon emission efficiency is low and the average level shows a slow growth trend;secondly promoting the low-carbon transition of energy,the continuous transformation and upgrading of industrial structure,and reasonable government regulation can improve the carbon emission efficiency,and there is a positive correlation between scientific and technological progress,import and export trade,and urbanization and carbon emission efficiency;finally,random error and external environmental factors have significant effects on carbon emission efficiency.Key words:carbon emission;efficiency;three-stage SBM-DEA model;stochastic frontier analysis 第 7 期 刘伟晗，等：基于三阶段 SBM-DEA 的碳排放效率分解研究 25 0 引言 能源消耗是二氧化碳排放的主要原因。二氧化碳排放引起的温室效应、极端天气以及更加复杂的气候变化等问题对社会的可持续发展产生了巨大的负面影响，而提高碳排放效率往往被认为是减缓气候变化的最有效方法1。提高碳排放效率是减缓气候变化和实现可持续发展的基石。利用碳排放效率可以衡量一个地区在牺牲资源消耗和环境退化的情况下实现经济产出最大化的能力。同时，碳排放效率为经济发展和能源消耗的协调程度提供了一个良好的指标。在资源环境约束日益紧张的背景下，评估各省市碳排放效率水平、实证分析其影响因素、提出相应的政策建议，对于推动“双碳”目标的实现以及经济社会和环境的协调发展具有重要意义。目前关于碳排放效率的相关研究主要从测算方法和影响因素两方面得以展开。碳排放效率的测算方法大致可分为：以随机前沿分析法（Stochastic frontier analysis，SFA）为代表的参数法；以数据包络分析法（Date envelopment analysis，DEA)为代表的非参数法。基于 SFA，文献2-4分别计算分析了 2006 年和 2011 年 30 个省份的碳排放效率、30 个省 20002011 年的碳排放效率和全要素生产率、长江经济带 20032016 年11 个省份的碳排放效率。应用于测算碳排放效率的 DEA 模型主要包括 SBM-DEA 模型5、Super-SBM 模型6、RAM-DEA 模型7、方向距离函数（Directional distance function，DDF）DEA模型（DDF-DEA）8以及三阶段 DEA 模型等。文献9的研究结果表明，三阶段 DEA 克服了传统的数据包络分析法和随机前沿分析法的局限性，更具优越性。应用三阶段 DEA 模型，文献10基于 20022017 年的投入产出表，测算了各产业部门的隐含碳排放效率水平。文献11探究了不同经济区域能源碳排放效率的特点与区域差异。文献12排除了环境因素和随机误差的影响，对20142019 年 29 个省的火电行业碳排放效率进行了评价和比较。虽然三阶段 DEA 克服了传统的数据包络分析法和随机前沿分析法的局限性，但并未考虑投入产出的松弛变化的影响，也未将非期望产出归入评价结果中。关于碳排放效率的影响因素，文献11的研究结果表明，经济发展水平对碳排放效率的提升影响不显著。文献13的研究结果表明，产业结构和乡村人口对西北地区农业碳排放具有抑制作用。文献14的分析结果为，城市化进程的加快使得周边地区的碳排放效率提高，行业的经济发展和科技政策也逐渐推动碳排放效率的提高。文献15的实证结果表明，城市化对中部和西部地区的碳效率有贡献，但这种贡献在西部较强，在东部较弱。文献16认为，环境调控对提高碳排放效率、促进低碳经济发展起到了积极作用。为了提高影响因素分析的系统性、准确性和全面性，本文从以下几个方面开展碳排放效率的研究：1）从经济、能源、创新、开放以及社会等方面选择变量组成评价指标体系，完善现有测度碳排放效率的指标体系。2）为克服随机误差和外部环境因素的影响，通过运用剔除了传统 DEA 和SFA 束缚的三阶段 SBM-DEA 模型，在考虑非期望产出的基础上，有效提升了结果的准确性和科学性。3）通过测算 20012020 年各省市碳排放效率，探究其内部差异和时间演化规律；通过随机前沿模型深度分析各环境因素对碳排放效率的影响及其作用机理，进而根据研究结果提出对应的建议。1 三阶段 SBM-DEA 1.1 SBM-DEA 数据包络分析17由 Charnes 等学者提出，其思路是利用线性规划模型评估多个投入和产出指标相对于类似决策单元（Decision making units，DMU）的相对有效性。DEA 基本模型主要分为 CCR 模型和 BCC 模型，均未将松弛变量加入到目标函数中，这可能会使得测算结果产生偏差。为此，Tone 提出了基于松弛变量的非径向 SBM-DEA 模型18。该模型不仅考虑了投入产出的松弛变化的影响，并将非期望产出归入评价结果中。设 DMU 有 n 个，每个 DMU 有 m 个投入，s1 26 电电 力力 科科 学学 与与 工工 程程 2023 年 个期望产出和 s2个非期望产出。用()m nijxXR表示输入向量，1ggsnrjyYR表示期望产出向量，2bbsntjyYR表示非期望产出向量，且gb,0 x yy。于是，包含非期望产出的 SBM-DEA 模型公式为：121201bggb12110001ggg101gbbb02g1110bggb1120011min11(),1,2,1,2,1s.t.(1),1,2,1(miiisstrrtrrnjijiijnjrjrrjsnrjtjttjrrstrrtrsmxssssyyxsximysyrssysytssysstssyy11gb)1,0srjisss（1）式中：为目标函数即碳排放效率值，01；为投入与产出的权重系数(1)nR；gb,irtsss分别为投入、期望产出与非期望产出的 松弛变量。当gb0sss时，1，表示该DMU完全有效率；1表示该DMU不完全有效率，可以通过改善投入和产出提高效率。1.2 三阶段 SBM-DEA 1）第一阶段。运用SBM-DEA模型将投入和产出指标构成的投入产出组合代入进行测算，得到各省市碳排放效率计算结果。2）第二阶段。首先，构建SFA方程：(;)iiikkikikSfzVU （2）式中：1,2,1,2,imkn；Sik为投入松弛变量；(;)iikfz为环境变量对投入松弛变量的影响；ikikikE为复合误差项；ikV和ikU分别 为随机误差和管理无效率。2(0,)ikviV，2(,)ikiuiU，且ikV和ikU相 互独立不相关。定义为：222uiuivi （3）式中：01。当趋于0，效率值的变化主要源于随机误差；当趋于1，效率值变化主要源于管理无效率。其次，分离管理无效率、环境因素和随机噪声。按照式（4）分离管理无效率项：*()(|)()fE u （4）式中：*uv；22uv；uv；ikikuv。按照式（5）分离随机误差项：/()(;)/()iiikikikikkikikikE vvuSfzE uvu（5）将全部DMU置于同样的外部环境下，按照式（6）进行调整。max(;)(;)max()iiikikkiikikikXXfzfzvv （6）式中：ikX为调整后第k个DMU的投入；Xik为调整前第k个DMU的投入；max(;)(;)iiiikkfzfz为对外部环境的调整，max()ikikvv为对随机误 差的调整，使得各DMU处于相同的外部环境和统计噪声条件下。3）第三阶段。将调整后的投入和原产出指标构成新的投入产出组合，再次运用SBM-DEA模型进行测算，得到剔除环境变量和随机误差的各省份碳排放效率测算结果。该结果更趋于准确，便于探究影响效率的深层次原因。2 变量选取及数据来源 2.1 投入、产出变量 投入、产出及环境变量的具体描述如表1所示。选取资本存量、劳动力和能源消费为投入变量；选取地区生产总值为期望产出、区域二氧化碳排放量为非期望产出。表1中，区域二氧化碳排放量的计算依据文献19中的相关计算公式；资本存量参考文献20，用永续盘存法计算，如式（7）所示。第 7 期 刘伟晗，等：基于三阶段 SBM-DEA 的碳排放效率分解研究 27 表 1 变量具体描述 Tab.1 Variable detailed description 一级指标 二级指标 定义 投入变量 资本存量 历年各地区资本存量 劳动力 各地区年末就业人口数 能源消费 历年各地区能源消费总量 产出变量 地区生产总值 各地区生产总值，作为期望产出 二氧化碳排放量 各地区二氧化碳排放量，作为非期望产出环境变量 经济发展水平 各地区人均生产总值 产业结构 第二产业增加值与地区 GDP 的比值 能源消费结构 煤炭消耗量占能源消耗总量的比值 政府规制 各地区财政支出与地区 GDP 的比值 科技水平 各地区 R&D 支出与地区 GDP 的比值对外开放程度 各地区进出口总额与地区 GDP 的比值城市化水平 非农业人口占总人口的比值 ,1(1)iti tti titIKKP （7）式中：,i tK为第i个区域在t年的资本存量；itI为第i个区域在t年的固定资产投资；t为资本折旧率；itP为投资价格指数。取折旧率t=10.96%。投资价格指数使用固定 资产投资价格指数，以2000年为基期计算不变价。2.2 环境变量 环境变量的选取需要满足对碳排放效率有显著影响和决策单元本身不可控制两个条件。对环境变量的描述见表1。考虑到碳排放效率受到经济、能源、科技以及城市发展等多方面因素影响，故选取经济发展水平、产业结构、能源消费结构、政府规制、科技水平、对外开放程度以及城市化水平7个具有代表性的指标作为环境变量。2.3 数据来源 原始数据主要来自于国家统计局，历年中国统计年鉴中国能源统计年鉴以及各省市统计年鉴。数据的统计描述如表2所示。表 2 数据统计描述 Tab.2 Description of data statistics 一级指标 二级指标 平均值 标准差 最小值 最大值 投入变量 资本存量 16 239.34 17 677.27 300.1 11 1151.6 劳动力 264.790 9 198.053 0.926 1 000.86 能源消费 30 290.73 3 0762.4 795 176 002 产出变量 地区生产总值 2 548.425 1 693.818 279 7 150.25 二氧化碳排放量 12 194.47 8 750.267 520 75 210 环境变量 经济发展水平 36 075.08 2 7766.42 3 000 164 889 产业结构 42.920 99 8.968 534 15.834 119.807 能源消费结构 67.109 08 27.1277 9 1.43 182.93 政府规制 22.305 57 10.617 54 7.72 75.83 科技水平 1.873 733 1.3228 36 0.19 10.14 对外开放程度 30.635 78 34.888 33 0.71 190.75 城市化水平 50.669 1 16.869 24 14.93 89.6 3 实证分析 3.1 第一阶段实证分析 在第一阶段，通过构建SBM-DEA模型，根据投入、产出指标及环境变量计算20012020年各省份碳排放效率初始效率值。运用MATLAB软件计算，选取部分年份测算碳排放效率，结果如表3所示。由表3所示测算结果可知，随时间变化，各省份的碳排放效率基本呈现稳步上升的趋势，少数地区存在有所下降的情况；各省份之间的横向对比差异较为明显。表3中，到2020年，仅北京的碳排放效率值最高且达到了生产前沿，其次为上海，其余省份的碳排放效率均处于较低水平。该结果表明，在所研究时间段内，绝大部分地区并未达到理想的碳排放效率。28 电电 力力 科科 学学 与与 工工 程程 2023 年 表 3 第一阶段部分年份碳排放效率测算结果 Tab.3 Carbon emission efficiency measurement results for selected years in stage 1 省市 2001 年 2006 年 2011 年 2016 年 2020 年均值 北京 0.262 0.338 0.533 0.746 1.0000.555 天津 0.154 0.229 0.250 0.254 0.3450.242 河北 0.091 0.117 0.208 0.212 0.2470.172 山西 0.065 0.108 0.211 0.184 0.2650.166 内蒙古 0.088 0.132 0.204 0.186 0.2310.170 辽宁 0.115 0.156 0.213 0.216 0.2540.193 吉林 0.096 0.120 0.178 0.196 0.2300.161 黑龙江 0.105 0.142 0.217 0.195 0.2210.177 上海 0.278 0.350 0.468 0.578 0.7000.465 江苏 0.183 0.248 0.392 0.477 0.5700.368 浙江 0.190 0.262 0.371 0.431 0.4950.347 安徽 0.106 0.151 0.290 0.349 0.4380.260 福建 0.235 0.232 0.339 0.395 0.5290.332 江西 0.137 0.169 0.336 0.360 0.4370.276 山东 0.148 0.157 0.261 0.286 0.3420.231 河南 0.104 0.136 0.241 0.261 0.3470.211 湖北 0.102 0.130 0.283 0.370 0.4280.258 湖南 0.129 0.131 0.274 0.365 0.4450.259 广东 0.227 0.303 0.437 0.491 0.5440.394 广西 0.125 0.136 0.219 0.234 0.3020.196 海南 0.187 0.204 0.318 0.322 0.3950.316 重庆 0.109 0.153 0.302 1.000 0.4880.310 四川 0.100 0.125 0.256 0.345 0.4480.245 贵州 0.043 0.068 0.144 0.261 0.3060.157 云南 0.098 0.110 0.201 0.253 0.3050.191 陕西 0.099 0.143 0.282 0.307 0.3430.237 甘肃 0.066 0.092 0.163 0.213 0.2640.154 青海 0.061 0.082 0.157 0.150 0.1830.125 宁夏 0.209 0.078 0.172 0.154 0.1810.144 新疆 0.102 0.141 0.237 0.191 0.2280.183 均值 0.134 0.165 0.272 0.333 0.3840.250 从表3可以看出，北京市通过第一阶段的测算得到的碳排放效率值为1.000，但这并不代表北京市的碳排放效率已经达到了最大，只能说明该区域处于生产前沿，其碳排放效率仍然存在提高的空间。20012020年整体碳排放效率波动变化如图1所示。由图1可以看出，总体来看，2001年至2020年整体碳排放效率呈现上升的态势，但上升速度较为缓慢，距离达到生产边界仍存在较大的上升空间。图 1 20012020 年整体碳排放效率变化趋势 Fig.1 Trends in overall carbon emission efficiency from 2001 to 2020 第一阶段2001年和2020年各区域碳排放效率分布如图2所示。图 2 第一阶段 2001 年和 2020 年各区域碳排放效率分布 Fig.2 Carbon emission efficiency by region in stage 1 in 2001 and 2020 第 7 期 刘伟晗，等：基于三阶段 SBM-DEA 的碳排放效率分解研究 29 由图2可以看出，2001年效率较高的地区主要分布在东南部沿海地区；而2020年效率较高的地区除东南部沿海地区外，大部分中部地区效率提升较高。3.2 第二阶段实证分析 在第二阶段，将第一阶段投入指标的松弛变量作为被解释变量，将经济发展水平、产业结构、能源消费结构、政府规制、科技水平、对外开放程度以及城市化水平7个环境变量作为解释变量。运用Frontier4.1进行随机前沿回归，得到的结果如表4所示。表 4 第二阶段 SFA 回归结果 Tab.4 SFA regression results of the second stage 环境变量 资本存量松弛变量 劳动力松弛变量 能源消耗松弛变量 常数项 404.14(0.84)1 517.89*(7.53)4 702.96*(18.48)经济发展水平 1 741.50*(10.66)218.25*(10.83)484.39*(2.66)产业结构 28 326.54*(273.66)995.01*(7.89)8 951.85*(10.57)能源消费结构 6 234.53*(44.29)203.82*(4.26)6 402.02*(9.82)政府规制 21 421.25*(138.01)317.16*(1.73)3 954.92*(5.29)科技水平 15 581.65*(24.56)645.07*(17.75)3 715.76*(4.08)对外开放程度 6 333.81*(7.47)147.11*(2.27)4 507.72*(9.51)城市化水平 1 741.50*(10.84)867.92*(5.58)7862.48*(22.75)2 1.980108*(108)2.059106*(2.058106)6.042107*(5.985107)0.813*(135.07)0.941*(240.14)0.870*(180.48)对数似然函数 6 168.901 4 518.061 5 722.095 LR 检验 486.952*930.139*589.187*注：*、*、*分别表示通过显著性水平 1%、5%、10%的检验，括号内为 t 值。由表4可知，各投入松弛变量均在1%显著性水平下通过了LR单边误差检验。值均大于0、小于1且接近于1，这表明回归模型是有效的，即管理无效率是影响碳排放效率的主要因素，环境因素和随机误差对于碳排放效率的影响是比较有限的。同时，环境变量对投入松弛变量的回归系数多数通过了1%显著性水平的检验，少数通过5%显著性水平的检验，这表明环境变量对投入松弛变量有显著性影响。因此，运用随机前沿回归模型分离管理无效率、环境因素和随机误差是合理的，剔除环境因素和随机误差的影响使得各决策单元处于相同的外部环境条件下对碳排放效率进行更精准的测算是必要的。从回归结果看，大多数环境变量对输入变量的回归系数通过了1%显著性水平检验，少数通过了5%或10%显著性水平试验，这表明所选环境变量对松弛变量有显著影响。如果环境变量的系数为正，则意味着外部环境投入增加会增加松弛变量，导致投入损失或产量减少；如果环境变量的系数为负，则意味着外部环境投入增加会减少松弛变量，导致投入减少或产量增加。具体分析如下：1）经济发展水平。人均生产总值与资本存量松弛变量、劳动力松弛变量以及能源消耗松弛变量均在1%显著性水平下呈负相关关系。这表明地区人均GDP的提高能够减少资本和劳动力的投入和能源的消耗，从而提高碳排放效率，实现经济发展与碳排放效率提升的良性循环。2）产业结构。产业结构与资本存量松弛变量、劳动力松弛变量、能源消耗松弛变量均在1%显著性水平下呈正相关关系。这说明第二产业份额的增加将导致资本、劳动力和能源消耗产生过剩或浪费，不利于碳排放效率的提高。这也表明各地区仍需要继续推进产业结构的调整优化，在提高碳排放效率的同时实现产业升级。3）能源消费结构。能源消费结构与资本存量松弛变量、劳动力松弛变量以及能源消耗松弛变 30 电电 力力 科科 学学 与与 工工 程程 2023 年 量均呈正相关关系（1%显著性水平）。这表明煤炭消耗量占能源消耗总量比值的增加，不利于资本、劳动力有效投入，且必将引起碳排放量的增加，不利于碳排放效率的提升。由于能源消费仍是以化石能源为主，因此，应高度重视新能源的开发利用，加快能源消费结构的转型进程。4）政府规制。政府规制与资本存量松弛变量、劳动力松弛变量以及能源消耗松弛变量均呈负相关关系（1%显著性水平）。这表明政府在经济发展、劳动力就业以及节能减排等方面的干预增加，有利于资本投入、劳动力投入以及能源消耗的减少。因此政府应当正确处理与市场的关系，根据需要做出及时有效的干预，并坚持适度原则。5）科技水平。科技水平与资本存量松弛变量、劳动力松弛变量以及能源消耗松弛变量均在1%显著性水平下呈负相关关系。该结果表明科技水平的提高能够减少资本、劳动力的投入，降低能源消耗总量，对碳排放效率的提升具有正向的促进作用。因此，应加大对清洁能源技术、节能技术以及减碳技术等高新技术的研发投入力度，通过技术水平的提高实现碳排放效率甚至整个社会效率的提升。6）对外开放程度。对外开放程度与资本存量松弛变量在1%显著性水平下呈负相关关系，与劳动力松弛变量以及能源消耗松弛变量呈正相关关系（1%、5%显著性水平）。扩大对外开放，能够减少不必要的资本投入，降低资本浪费；但可能会导致劳动力投入的冗余以及能源消耗的增加，对碳排放效率作用有利有弊。7）城市化水平。城市化水平与资本存量松弛变量呈负相关关系，与劳动力松弛变量、能源消耗松弛变量均呈正相关关系（1%显著性水平）。城市化水平的提高有助于改善产业结构和生态环境，也有助于带动农村的发展从而提高区域整体发展水平，因此城市化水平的提高能够减少不必要的资本投入；但城市化进程速度加快，使得城镇就业人口增加，容易造成过量人口的剩余以及就业难等问题，且城镇居民的较高能耗生活会使能源消耗总量增加，对碳排放效率的提高产生不利影响。上述SFA回归结果表明，环境变量对各省份的碳排放效率有显著影响。因此，根据SFA回归结果，分离管理无效率、环境因素和随机误差，消除环境因素和随机误差的影响，可使各DMU受到相同的外部环境因素影响，从而调整投入变量。3.3 第三阶段实证分析 将第二阶段调整后的投入变量以及初始产出变量重新导入SBM-DEA模型，运用MATLAB软件计算调整后的20012020年各地区碳排放效率，测算结果如表5所示。表 5 第三阶段部分年份碳排放效率测算结果 Tab.5 Carbon emission efficiency measurement results for selected years in stage 3 省市 2001 20062011 2016 2020 均值 北京 0.1070.2280.490 0.740 1.0000.492 天津 0.0610.1190.238 0.277 0.3850.210 河北 0.1160.1940.291 0.284 0.3430.242 山西 0.0540.1220.261 0.206 0.3050.189 内蒙古0.0490.1130.188 0.223 0.2730.170 辽宁 0.1300.1940.255 0.284 0.3350.240 吉林 0.0540.0850.167 0.205 0.2460.147 黑龙江0.0870.1470.230 0.210 0.2400.183 上海 0.1730.3220.554 0.709 1.0000.530 江苏 0.2200.3520.544 0.765 1.0000.555 浙江 0.1760.3190.486 0.666 0.8120.480 安徽 0.0850.1540.348 0.400 0.5760.295 福建 0.1230.2080.366 0.570 0.8020.386 江西 0.0600.1290.261 0.370 0.5260.253 山东 0.1990.2770.356 0.437 0.5340.357 河南 0.1280.2410.338 0.392 0.5520.320 湖北 0.0930.1680.372 0.502 0.6410.342 湖南 0.0960.1690.361 0.467 0.6420.326 广东 0.2640.5130.595 0.828 1.0000.649 广西 0.0590.1110.200 0.271 0.3820.195 海南 0.0200.0360.085 0.144 0.1980.138 重庆 0.0550.1130.240 0.399 0.5940.266 四川 0.0960.1730.353 0.443 0.6690.324 贵州 0.0270.0560.130 0.233 0.3340.145 云南 0.0550.1000.203 0.286 0.4050.199 陕西 0.0510.1180.252 0.370 0.4600.249 甘肃 0.0290.0580.125 0.149 0.1960.108 青海 0.0090.0180.040 0.065 0.0940.042 宁夏 0.0180.0220.063 0.083 0.1160.057 新疆 0.0450.0860.173 0.176 0.2360.142 均值 0.0910.1650.286 0.372 0.4970.274 第 7 期 刘伟晗，等：基于三阶段 SBM-DEA 的碳排放效率分解研究 31 由表5可以看出，总体来看，碳排放效率并未发生根本性变化，主要表现在以下两点：1）与第一阶段相似，20012020年整体碳排放效率呈现上升的态势；2）较发达省份的碳排放效率仍然高于欠发达省份的碳排放效率。2006年之前，第一阶段测算效率值高于第三阶段测算效率值，说明该时间段内环境因素和随机误差对碳排放效率的影响是正向的；而2006年之后，第三阶段测算效率值高于第一阶段测算效率值，说明该时间段内环境因素和随机误差对碳排放效率的影响是反向的。表5测算结果表明，与第一阶段测算结果类似，随时间变化各省份的碳排放效率基本呈现稳步上升的趋势，少数地区存在20022003年有所下降的情况。各省份之间的横向对比差异较为明显：到2020年，北京、上海、江苏和广东的碳排放效率值最高且达到了生产前沿；其次为浙江和福建，碳排放效率值超过了0.8；其余省份的碳排放效率均处于较低水平。30个省中超过一半省份的碳排放效率水平没有达到平均水平。这表明在消除环境因素和随机误差的影响后，大多数地区仍未达到理想的碳排放效率水平。第三阶段2001年和2020年各区域碳排放效率分布如图3所示。图中，2001年效率较高的地区主要分布在东部沿海；而2020年效率较高的地区分布在东南部。从20012020年各省份碳排放效率均值对比来看，效率较高的地区主要分布在东部沿海地区以及部分中部地区。这说明较发达省份在产业升级、能源消费结构调整以及节能减排环境保护等方面都已经走在了前列。其他地区受自然因素或历史发展的影响，受传统产业转型困难、能源结构升级高壁垒等制约，发展速度相对较为迟缓，所以其碳排放效率相应较低一些。图 3 第三阶段 2001 年和 2020 年各区域碳排放效率分布 Fig.3 Carbon emission efficiency by region in stage 3 in 2001 and 2020 第一阶段和第三阶段2001年和2020年各区域碳排放效率对比如图4所示。由图可知，与第一阶段相比，河北、陕西等17个地区的碳排放效率有所提高，表明这些地区以前的低效率并不完全是由于技术水平落后，而是与其相对较差的外部环境有关。近年来各地区粗放的发展模式导致资源配置严重不合理，在大力发展经济的同时付出了环境代价，对该地区的碳排放效率产生了较大的负面影响。因此，政府提出了一系列实现绿色经济和清洁低碳的措施，逐步实现能源消费与经济增长的脱钩。其余13个地区的碳排放效率有所下降。对于北京、天津、上海等较发达地区，高水平的经济和社会发展往往可以创造良好的外部环境因素，其合理的能源消费结构以及高技术水平，进一步提高了碳排放效率。青海、宁夏、新疆等欠发达地区经济发展相对落后，对资源的依赖程度较低，因此外部环境对碳排放效率的促进作用更大。32 电电 力力 科科 学学 与与 工工 程程 2023 年 图 4 第一阶段和第三阶段 2001 年和 2020 年各区域碳排放效率对比 Fig.4 Comparison of carbon emission efficiency by region stage 1 and stage 3 in 2001 and 2020 4 结论 基于30个省市20012020年的面板数据，采用三阶段SBM-DEA模型对各省市的碳排放效率进行测算；通过随机前沿回归分离管理无效率、环境因素和随机误差，剔除环境因素和随机误差的影响，得到如下结果：1）第一阶段碳排放效率测算结果表明，各省市碳排放效率的平均水平呈现缓慢增长的趋势，少数地区20022003年有所下降；碳排放效率平均水平偏低，有较大的提高空间。各省市之间碳排放效率差距较大。北京市的碳排放效率远高于其他地区，其次为上海，其余省份的碳排放效率均处于较低水平。在研究时间内，绝大部分地区并未达到理想的碳排放效率水平。2）第二阶段SFA回归结果表明，环境变量对碳排放效率有显著影响，在第三阶段剔除环境因素和随机误差的影响再次进行测算是十分必要的。经济发展水平、科技水平、对外开放程度以及城市化水平与碳排放效率成正相关关系，产业结构、能源结构以及政府规制的合理调整优化对碳排放效率的提高有正向的贡献。3）剔除环境变量和随机误差后，与第一阶段相比，第三阶段碳排放效率测算结果平均水平有所上升。这表明外部环境因素在一定程度上影响了各地区的碳排放效率，导致第一阶段的结果被低估。总体来看，碳排放效率随时间呈上升趋势并未发生变化；而碳排放效率的变化因地区而异，外部环境因素对较发达地区和欠发达地区的影响不同。建议：推动区域能源低碳化研发与利用；加大科技创新投入和科技人才支撑；强化生态环境保护联防联治；促进专业化产业集群和高技术服务业的多元化发展，助力能源结构的持续转型和现代化。参考文献：1 WANG Y,DENG X,ZHANG H,et al.Energy endowment,environmental regulation,and energy efficiency:evidence from ChinaJ.Technological Forecasting and Social Change,2022,177:121528.2 YU D,ZHANG X H.Analysis of carbon emission efficiency for the provinces of ChinaC/2015 3rd International Conference on Education,Management,Arts,Economics and Social Science.Atlantis Press,2015:753-758.3 张金灿,仲伟周.基于随机前沿的我国省域碳排放效率和全要素生产率研究J.软科学,2015,29(6):105-109.ZHANG JINCAN,ZHONG WEIZHOU.Research of Chinese provincial carbon efficiency and total factor productivity based on SFAJ.Soft Science,2015,29(6):105-109(in Chinese).4 平智毅,吴学兵,吴雪莲.长江经济带碳排放效率的时空差异及其影响因素分析J.生态经济,2020,36(3):31-37