長江經濟帶漁業經濟碳排放效率空間格局及影響因素研究

曾冰

摘 要? 基于2006～2016年長江經濟帶11個省（市）的面板數據，結合超效率SBM模型、ESDA空間分析法解析漁業經濟碳排放效率時空格局演變，并用Tobit面板回歸實證檢驗其影響因素，結果表明：空間差異上，長江經濟帶漁業經濟碳排放效率總體上不斷上升，但呈現由下游向上游遞減的梯度變化態勢;空間自相關性上， 長江經濟帶漁業經濟碳排放效率的全局Moran's指數呈現分段變化的態勢，空間依賴具有動態性，逐步過渡為L-H型和L-L型省份為主導地位的空間格局;影響因素方面，漁業經濟碳排放效率與經濟發展水平、科技推廣力度、產業結構優化、基礎設施呈正相關關系，與對外開放水平呈負相關關系。

關鍵詞? 漁業經濟;碳排放效率;空間格局;影響因素;長江經濟帶

[中圖分類號]F326.4[文獻標識碼] A[文章編號]1673-0461（2019）02-0044-05

一、引言與文獻綜述

中國是世界上最大的漁業生產國，漁業已成為國民經濟重要組成部分，對于我國鄉村振興和農民創收發揮著極其關鍵的作用。長江流域以40%的可利用淡水資源，實現了全國60%的淡水漁業產量，是我國淡水漁業主產區。隨著全球氣候變暖問題的不斷加劇，各國（地區）越來越重視相關產業的碳減排問題與低碳經濟發展，農業作為碳排放的重要來源，其碳排放發展自然也受到多方面的關注與研究，我國《國民經濟和社會發展第十三個五年規劃綱要》明確提出要有效控制農業等重點行業的碳排放。現階段我國漁業年產值平均占農業產值的10%，漁業單位產值的碳排放量大約是農業的1.8倍。2016年農業部組織實施漁業節能減排項目明確提出“要進一步完善漁業節能環保型養殖技術模式，使節電、節水、減排效果更加明顯”。在生態文明建設、振興海洋經濟和推動長江經濟帶發展上升為國家戰略的大背景下，如何既保持長江經濟帶漁業經濟平穩發展，又有效提高漁業碳排放效率是一個重要的發展議題。因此，有必要對長江經濟帶漁業碳排放效率開展研究，分析其時空格局變化及驅動機制，從而助推漁業經濟低碳化發展。

現有漁業經濟碳減排研究主要沿著三條主線展開：一是就漁業經濟某一子領域進行碳減排研究，如水產養殖、機動漁船與海洋漁業等[1-3];二是以某一具體區域為對象進行研究，如我國全省域、沿海地區[4-5];三是關于漁業經濟碳排放測度研究，相比于漁業經濟效率研究來說，這方面研究文獻相對較少，且傾向于采用單一指標，例如以單位GDP的碳排放量進行表征[6]，抑或單位碳排放總量能源消費的碳排放量[7]，只有少數文獻采用數據包絡法（DEA）進行測度[8]。綜上所述，現有文獻在對漁業經濟碳排放效率測度上未能莫衷一是，方法較為單一，對我國漁業發展重要區域長江經濟帶潑墨不多。因此本文基于2006～2016年長江經濟帶11個省（市）的面板數據，結合超效率SBM模型、空間自相關法解析漁業經濟碳排放效率時空格局演變，并用Tobit面板回歸實證檢驗其影響因素，以期開拓長江流域漁業資源保護與發展新模式，促進漁業低碳化發展，加快漁業現代化步伐。

二、方法與數據

（一）研究區域

長江經濟帶戰略是我國T型空間發展戰略的主要依托，也是新時代我國區域開放開發的戰略重點，在促進東中西三大板塊協同發展、沿海沿江沿邊全面雙向開放、引領生態文明建設方面發揮著重要作用。根據現有《長江經濟帶發展規劃綱要》，并考慮到數據的效度和可操作性，本研究以省（市）作為基礎研究單位，即滬、蘇、浙、皖、湘、鄂、贛、渝、川、貴、云11省（市）。

（二）研究方法

1.超效率SBM模型

關于效率測度，目前較為常用方法為傳統非參數數據包絡分析，如BCC、CCR模型，屬于線性分段和徑向理論，極易導致投入要素的“松弛”問題，難以區分效率值同為1的決策單元間效率差異，而且在分析影響因素的回歸模型選擇上有所限制，因此Andersen等人提出了超效率SBM模型，該模型的最優解無量綱且允許SBM效率值大于1，有效擺脫了上述困境[9]。詳細形式如下：

2.空間自相關分析

全局空間自相關分析方法通常用來檢驗整體經濟活動是否存在空間集聚性特征，其計算如下：

（三）變量與數據

關于漁業經濟碳排放效率投入側，選取漁業從業人員、水產養殖面積和年末機動漁船總功率作為3個投入變量。在產出側，選取漁業總產值和漁業CO2排放量作為產出變量，將漁業CO2排放量作為非期望產出， 由于捕撈業CO2排放量通常會占到漁業CO2排放總量的70%，本文借鑒李晨等人的方法[9]，先根據我國漁業捕撈船的燃油消耗系數結合各年度漁業部門捕撈業的年末漁船功率數據求出捕撈業CO2排放量，進而根據捕撈業CO2排放量占比來求出漁業CO2排放總量。

關于影響因素變量，任何影響漁業投入和產出的因素都會對漁業經濟碳排放效率產生影響，本文選取經濟發展水平、科技推廣、產業結構、對外開放水平與基礎設施5個主要因素作為解釋變量，分析其對中國漁業經濟碳排放效率的影響。其中，經濟發展水平采用人均GDP進行表征;科技推廣以各省（市）水產技術推廣經費（人員經費+公共經費+項目經費）進行表征;產業結構以各省（市）漁業三產產值占漁業經濟總產值比重加以表征;對外開放水平以各省（市）漁業進出口總額占漁業經濟總產值比重加以表征;將各省國家級水產原良種場、水產種質資源保護區、水生野生動植物自然保護區、漁港加以匯總來表征漁業基礎設施情況。考慮到數據的可獲得性和可比性，本文所選經驗數據為2006～2016年長江經濟帶11省（市）的面板數據。本文所涉及到的投入產出變量數據主要來源于2007～2017年《中國漁業統計年鑒》《中國統計年鑒》和《中國能源統計年鑒》。

三、空間格局分析

（一）空間差異分析

空間分布差異方面，通過ArcGIS軟件將漁業經濟碳排放效率水平自然斷裂為4個等級：最高、良好、一般、較低，限于篇幅，只列出2006、2009、2013和2016年4個年份，如表1所示。在研究時段內漁業碳排放效率均值始終維持良好水平以上的省份分別是上海、湖南、安徽，這些地區的漁業經濟碳排放效率均值都高于1。其中，上海、湖南在2006～2016年11年間都處在漁業生產前沿面上，表明這些省份的漁業投入產出效率較高，漁業實現了經濟效益與環境效益協同發展。貴州、江西、重慶的漁業經濟碳排放效率則常年處于一般水平，且無明顯提高，其中貴州、江西處于經濟相對落后的中西部地區，其較低的漁業經濟碳排放效率很大程度上和這些省份漁業經濟的粗放式發展及節能減排技術的不成熟有關。湖北、江蘇、四川的漁業經濟碳排放效率由期初的一般水平發展到現期的良好水平，表明這些省份漁業經濟結構日趨合理，低碳化發展趨勢明顯。整體來看，漁業經濟生產率呈現較為明顯的增長趨勢，表明漁業節能減排政策已初見成效。漁業經濟碳排放效率存在較為明顯的梯度變化，呈現由下游向上游遞減的態勢，接近生產前沿面的省份以中、下游地區為主;效率較低的省份集中于上游地區。

（二）空間自相關分析

運用ArcGIS軟件分別計算長江經濟帶漁業經濟碳排放效率全局Moran's I指數（見表2），從表2可以看出，長江經濟帶漁業經濟碳排放效率的全局Moran's I指數呈現分段變化的態勢，2012年之前全局Moran's I指數為正，說明長江經濟帶漁業經濟碳排放效率在這一時間段呈現出一定的集聚態勢。2012～2014年的全局指數為負，且均未通過10%的顯著性檢驗，意味著這一階段長江經濟帶省際間漁業經濟碳排放效率具有隨機性的空間發展特征。2015～2016年全局Moran's I指數為正，且2016年達到近十年的最高集聚態勢。從趨勢上看2006～2014年全局Moran's I指數呈現較為明顯的下降趨勢，表明漁業經濟碳排放效率因相異而集聚程度加深。這進一步說明了長江經濟帶漁業經濟碳排放效率空間格局的變動深受我國碳減排措施和低碳發展政策影響。而隨著中國經濟進入新常態，漁業作為國民經濟的一個重要方面，也不斷受到調整，長江經濟帶積極采取行動應對節能減排問題，由此使中游與下游省份的漁業碳排放效率提升，漁業經濟碳排放效率表現出一定的相異集聚空間格局態勢。并且隨著高效率省份空間溢出效應的日趨明顯以及漁業節能減排政策和節能技術的進一步推廣與協同創新，高效率省份周圍省份的漁業經濟碳排放效率有了較快提升，從而使得長江經濟帶漁業經濟碳排放效率在空間上再次出現了因相似而聚集的趨勢。

對代表性年份漁業碳排放效率進行Anselin Local Moran's I統計檢驗，從而進一步把握長江經濟帶漁業碳排放效率局部空間集簇演化格局，結果見表3。2006～2016年期間，期初的H-H型和H-L型省份主導地位最終過渡為 L-H型和L-L型省份主導地位，說明長江經濟帶省際漁業經濟碳排放效率的空間集聚程度有所增強，且省際空間差異也有所縮小。具體來看，湖南從2006年的H-L型逐步成為2016年的不顯著，說明湖南作為長江經濟帶漁業低碳高效發展的核心地位不斷有所弱化。對周邊省份帶動作用不強;江西從2006年的不顯著型成為2016年的L-H型，說明江西漁業低碳高效發展效果不明顯，最終導致江西低效率省域被高效率省域所包圍，這些省份是長江經濟帶漁業碳排放效率發展的第一梯隊，故須加強區域合作和強強聯合，進一步提高漁業經濟碳排放效率。云南從2006年的不顯著變化為2016年的L-L型，云南低效率省份被低效率區域所包圍，說明下游地區漁業低碳高效一直裹足不前，甚至還有所惡化，難以接受接受中下游地區輻射效應。上海從2009年的H-H型成為2016年的不顯著型， 說明上海對周邊省份的漁業經濟碳排放效率提升起到帶動作用。其余省（市）幾乎保持不顯著狀態。

四、影響因素分析

為充分發揮橫截面和時間維度上的信息冗余度，本文采用受限的Tobit隨機效應面板模型加以分析，回歸結果見表4，從中可顯示各因素影響效應。

經濟發展水平回歸系數為正且在1%的水平下顯著，人均GDP增加1%，漁業經濟碳排放效率將會增加1.396%。經濟發展水平越高，用于漁業生產的低碳化與集約化發展的資本投入越多，從而對漁業經濟碳排放率產生正向的效應。

科技推廣回歸系數為0.252，僅通過10%的顯著性水平，這表明技術進步每提高1%，就會帶來漁業經濟碳排放效率增加0.252%，但顯著性不甚理想。漁業科技推廣經費增加會帶來顯著的技術創新效應，漁業單位產值耗能的降低特別是養殖、水產品加工環節的技術革新會帶來更為直接的效率提升效果，如何加大漁業科技投入，充分發揮科技支撐和引領作用是今后長江經濟帶漁業低碳發展的重要任務。

產業結構在1%的顯著性水平上對漁業經濟碳排放效率帶來了積極影響，回歸系數為0.341，意味著三產占比每提高1%，就會促進效率提高0.341%。漁業三產主要包括水產流通、休閑漁業和水產（倉儲）運輸等流通和服務業，相較于漁業一產與二產來說，三產生產過程中的碳排放較低，因此，如何調整優化漁業三產結構與范圍，對于促進漁業低碳高效發展具有重要意義。

對外開放水平與漁業經濟碳排放效率呈現顯著的負相關關系，對外開放水平提高1%，經濟碳排放效率降低-0.864%。作為水產品貿易大國，盡管對外開放有助于吸引先進的漁業技術和管理制度等，但長期以來我國水產品貿易過分依賴資源消耗和投入的落后漁業模式，出口的農產品大多附加值低、結構單一，導致能耗大、排放多、資源利用不合理等問題，逐步顯現難以提升漁業經濟碳排放效率。

基礎設施在1%的顯著性水平上對漁業經濟碳排放效率產生正向影響， 基礎設置水平提高1%，經濟碳排放效率增加2.342%。基礎設施功能日益完善，可能會促進要素投入的高效性，帶來技術的空間溢出，從而使得經濟碳排放效率得到提升，加強基礎設施建設是改善長江經濟帶漁業經濟碳排放效率的重要手段。

五、結論與建議

本文基于2006～2016年長江經濟帶11個省（市）的面板數據，運用超效率SBM模型測度漁業經濟碳排放效率，并結合ArcGIS軟件運用ESDA空間分析法檢驗其時空差異和演變特征。長江經濟帶漁業經濟碳排放效率呈現較為明顯的增長趨勢，但梯度變化趨勢明顯，呈現由下游向上游遞減的態勢，接近生產前沿面的省份以下游地區為主;效率低值省份集中于上游地區。而從空間自相關性檢驗出的空間格局來看，長江經濟帶漁業經濟碳排放效率的全局Moran's I指數呈現分段變化的態勢，空間依賴具有動態性， 期初的H-H型和H-L型省份主導地位最終過渡為 L-H型和L-L型省份主導地位，說明長江經濟帶漁業經濟碳排放效率的省際空間集聚程度有所增強，省際空間差異有所縮小。進一步采用Tobit面板回歸實證檢驗漁業經濟碳排放效率的主要影響因素：經濟發展水平、科技推廣力度、產業結構優化和基礎設施對促進長江經濟帶漁業經濟碳排放效率提升均有明顯積極作用， 但對外開放水平對漁業經濟碳排放效率帶來了顯著的負相關關系。

結合上述分析，相應的對策啟示如下：一是優化長江經濟帶漁業經濟碳排放空間布局，加強省際間協同發展。以長江經濟帶戰略為契機，在更優化的布局、更廣闊的空間中推動漁業低碳高效發展的整體協同性，充分發揮中下游地區的指向性溢出效應與示范效應，積極營造上游省份承接漁業低碳高效發展溢出的良好環境。 二是加強省域漁業引資質量的低碳化效率導向，注重引資與引智、引技，引進新業態、新模式相結合，完善創新、集約、低碳發展為導向的漁業招商引資考核機制。三是促進漁業新業態發展。加快建設水產品現代物流體系、大力發展休閑漁業，打造各具特色的休閑漁業項目，推進漁業的“接二連三”。四是加強漁業技術創新。推動產學研聯合創新，重視提升企業科技創新能力，加強漁業產業技術體系建設，按產業鏈進行集成創新，提升產業整體技術水平。五是加強基礎設施建設。創新漁港建設模式，推進各類各級漁港動態管理系統智慧化建設，加大漁港升級改造和整治維護力度。

[參考文獻]

[1] 陳橋驛，楊寧生.水產養殖碳排量計算模型的研究[J].中國漁業經濟，2013，31（5）：63-67.

[2] 張祝利，王瑋，何雅萍.我國漁船作業過程碳排放的估算[J].上海海洋大學學報，2010，19（6）：848-852.

[3] 許冬蘭，王櫻潔.我國沿海漁業碳生產率的區域差異及影響因素[J].中國農業大學學報，2015，20（2）：284-290.

[4] 李晨，馮偉，邵桂蘭.中國省域漁業全要素碳排放效率時空分異[J].經濟地理，2018，38（5）：179-187.

[5] 邵桂蘭，侯涵涵，李晨.我國沿海地區海洋漁業碳排放時空分異研究——基于省際數據的ESDA分析[J].山東財經大學學報，2018，30（1）：27-34.

[6] KENJI YAMAJI， RYUJI MATSUHASHI， YUTAKA NAGATA， et al. A Study on Economic Measures for CO2 Reduction in Japan[J].Energy Policy，1993，21（2）：123-132.

[7] MIELNIK O， GOLDEMBERG J. The Evolution of the Carbonization Index in Developing Countries[J].Energy Policy，1997，27（5）：307-308.

[8] 金書秦，陳潔.我國水產養殖的直接能耗及碳排放研究[J].中國漁業經濟，2012，30（1）：73-82.

[9] ANDERSEN P， PETERSEN N C. A Procedure for Ranking Efficient Units in Data Envelopment Analysis[J].Management Science， 1993（39）：1261-1264.