長江與黃河流域碳排放效率時空演變特征及路徑識別探究

蔣培培，王 遠,4*，羅 進，儲祥祚，伍博煒

1. 福建師范大學，濕潤亞熱帶生態地理過程教育部重點實驗室，福建 福州 350007

2. 福建師范大學地理科學學院，福建 福州 350007

3. 福建師范大學地理研究所，福建 福州 350007

4. 南京大學環境學院，污染控制與資源化研究國家重點實驗室，江蘇 南京 210023

氣候變化是當今最為廣泛和深遠的全球性環境問題[1]. 研究[2]表明，CO2等溫室氣體是全球氣候變暖的主要驅動因素. 發展綠色低碳經濟已是大勢所趨，為此我國提出了控制碳排放、實現碳中和的目標，實現“雙碳”目標關鍵在于碳排放效率[3]. 數據包絡模型(data envelopment analysis, DEA)具有無需設定具體生產函數形式和數據無量綱處理等特點，被廣泛應用于碳排放效率研究. 如Gao等[4]利用SBM (slack based measure, SBM)模型測算了中國工業部門碳排放效率. 但DEA模型屬于靜態評價模型，僅可作決策單元效率的橫向比較，無法探究效率在不同時期的變化狀態[5]. 因此，研究2個相鄰時期效率動態變化狀況的Malmquist指數被用于彌補DEA靜態研究的不足[6]. 該方法在生態效率研究中得到廣泛應用，但在碳排放效率研究中應用相對較少. 如王玥等[7]將DEA模型與Malmquist指數結合運用，研究了京津冀及周邊城市的全要素生產率變化情況.

研究尺度上，現有研究主要集中在區域、省域層面的整體性討論，對城市碳排放效率研究相對較少[8-10]. 城市作為人口與經濟的高度集中體[11]，是CO2排放的最大來源[12]，城市碳排放效率水平很大程度上影響著國家綠色低碳發展戰略的實施與碳減排目標的實現[13]. 城市碳排放效率是指在城市經濟發展要素投入與產出特定的情況下，CO2的最小排放量[14]，其能夠準確評價城市低碳經濟發展水平，已逐漸成為低碳經濟研究熱點問題[15]. 在評價區域碳排放效率時，有必要關注城市尺度的特征及演變規律，探究城市碳減排路徑以推動城市綠色低碳經濟發展.

長江與黃河流域是我國經濟南北差異的典型區域[16]，也是國家戰略實施的主體，都強調流域的綠色、低碳、可持續發展，二者的低碳綠色發展水平對區域，乃至全國經濟發展有至關重要的作用. 研究視角上，現有研究多集中在某一特定地理單元的碳排放效率研究，較少關注同類型地理單元間的差異化橫向比較[5]，如Zhang等[9]僅對長江經濟帶工業碳排放效率進行了研究. 實際上，區域自然資源稟賦條件不同、區域經濟發展不平衡，CO2排放也存在空間差異[5]. 單一地理單元的碳排放效率研究忽視了碳排放效率的空間異質性. 因此，有必要從流域對比視角研究城市碳排放效率差異，探究差異化碳減排路徑，這不僅有利于落實兩大流域生態保護與高質量發展需求，也有利于加深對南北地區CO2排放特征的認識，對南北區域，乃至全國低碳經濟發展具有重要參考意義.

基于此，該研究重點關注同類型地理單元的區域異質性，以長江流域130個城市、黃河流域115個城市為研究對象，采用以至強有效前沿最小距離的點為投影點的MinDS (minimum distance to strong efficient frontier，MinDS)模型、Malmquist指數模型與隨機效應模型，從流域間、流域內視角對比二者碳排放效率時空演變特征、影響因素和路徑識別，以期為區域碳減排政策的制定提供參考.

1 研究方法與數據

1.1 研究方法

該研究利用3個模型探究長江與黃河流域碳排放效率的動靜態變化特征與影響因素：①MinDS模型以至強有效前沿最小距離的點為投影點，通過增加約束條件將所有決策單元的參考點限制在同一超平面內，以提高效率測算的準確性，這可以很好地探究兩大流域城市碳排放效率的靜態變化特征，具體模型參考文獻[17]. ②采用含非期望產出的Malmquist指數模型[18]探究兩大流域碳排放效率的時序動態變化特征. ③面板回歸模型被用于進一步探究相關影響因素對城市碳排放效率的影響機制，其模型構建參考文獻[19]. 借鑒已有研究[13,19]，該研究以碳排放效率為被解釋變量，并選取5個解釋變量：①經濟發展水平(RGDP)，以不變價格人均國內生產總值表示；②產業結構(IN)，以第二產業占GDP比重表示；③技術進步(TE)，以單位GDP能耗表示；④城鎮化(UR)，以城鎮人口占總人口的比值表示；⑤對外依存度(TR)，實際使用外資金額占GDP的比重表示. 為保證數據的平穩性，減小序列異方差的影響，對各變量進行對數處理.

1.2 指標說明與數據來源

該研究基于長江與黃河流域的自然流域劃分與地理區位差異，參照相關研究[20]將長江流域劃分為長江下游(上海市、浙江省、江蘇省)、長江中游(安徽省、湖北省、湖南省、江西省)、長江上游(貴州省、重慶市、云南省、四川省)，黃河流域劃分為黃河下游(山東省、河南省)、黃河中游(內蒙古自治區、陜西省、山西省)、黃河上游(甘肅省、青海省、寧夏回族自治區、四川省).

參照已有研究[1,5]，該研究選取常住人口數、資本存量、夜間燈光數據分別作為勞動、資本、能源投入，GDP作為期望產出，CO2作為非期望產出變量. 其中，資本存量參照文獻[21]計算資本存量，各經濟數據進行2005年可比價折算.

數據主要來源于2006-2018年《中國城市統計年鑒》、各省份統計年鑒、各地級市統計年鑒以及國民經濟和社會發展統計公報；城市夜間燈光數據來源于美國國家海洋和大氣管理局的國家地球物理數據中心(https://www.ngdc.noaa.gov/eog/download.html)；2005-2017年CO2數據來源于CEADs碳排放數據庫(https://www.ceads.net.cn)；部分缺失數據通過插值法進行補齊.

2 結果與討論

2.1 城市碳排放效率時空演變特征

2.1.1碳排放效率時序差異

從流域整體(見表1)來看，2005-2017年，長江與黃河流域碳排放效率平均值分別為0.785、0.747，長江流域略高于黃河流域，碳排放效率總體均處于較低水平. 其中，2005-2011年，長江與黃河流域碳排放效率分別由0.808、0.769降至0.756、0.721，降幅較大；2012-2017年，長江與黃河流域的碳排放效率分別增長0.035、0.010，漲幅較小，且長江流域變幅較黃河流域大. 從流域內部來看，長江與黃河流域各流域段碳排放效率的時間變化特征與流域整體變化特征基本一致. “十一五”時期，在經濟危機沖擊造成的產能下降與高消耗、高污染、高排放的粗放經濟模式雙重作用下，碳排放效率呈下降趨勢；自2011年《中華人民共和國國民經濟和社會發展第十二個五年規劃綱要》明確要求約束碳排放強度、提高碳排放效率以來，各地區逐漸改變重經濟發展輕環境保護的觀念，碳排放效率得到普遍改善. 與李建豹等[22]關于長江流域生態效率與長江三角洲碳排放效率的研究結果基本一致.

表1 2005—2017年長江與黃河流域城市碳排放效率Table 1 Carbon emission of cities in the Yangtze River Basin and the Yellow River Basin from 2005 to 2017

2.1.2碳排放效率空間格局與演化特征

2005-2017年，長江流域碳排放效率總體呈下游＞上游＞中游的中間低、兩端高的空間分布格局特征，黃河流域呈下游＞中游＞上游的空間遞增分布格局特征(見圖1). 長江流域碳排放效率高值區呈城市群集聚趨勢，低值區較分散；黃河流域低值區則以寧夏沿黃城市群為中心沿黃河干流向周邊擴散，高值區規模較小且相對分散. 具體而言，2005-2017年，長江流域碳排放效率高值區由分散到集聚，逐漸形成東部長三角城市群高值區、中部長株潭城市群高值區、西部成渝城市群高值區與滇中城市群高值區，低值區則分散分布于流域邊緣經濟相對滯后地區，如四川省北部、貴州省南部. 隨著長江下游地區產業的轉型升級與長江經濟帶協同發展的推進，長江流域相對落后的邊緣地區的土地、環境承載力、勞動力等要素的比較優勢逐漸凸顯，成為承接產業轉移的重要陣地和高碳產業的“污染天堂”[23]. 黃河流域城市碳排放效率低值區以寧夏沿黃城市群為中心沿黃河上游干流向周邊呈擴散趨勢，逐漸形成上游沿黃河低值區與晉中城市群低值區；高值區則規模相對較小且分散，如膠東城市圈高值區、川南城市群高值區. 西部大開發戰略推動黃河中下游地區淘汰的高能耗、高排放資源型產業轉移到資源豐富、環境約束少的黃河上游地區，使得上游沿黃河區域逐漸成為高碳產業的“避難所”，阻礙了碳排放效率的提升[24]；而晉中城市群多為煤炭資源型城市，對煤炭資源依賴較大，產業升級困難，城市轉型難度高，從而使城市碳排放效率較低[25].

圖1 2005年、2010年、2015年、2017年長江與黃河流域碳排放效率的空間分布格局演變Fig.1 Evolution of spatial distribution pattern of carbon emission in the Yangtze River Basin and Yellow River Basin in 2005,2010, 2015 and 2017

2.1.3碳排放效率動態分析

2005-2017年長江與黃河流域碳排放效率Malmquist指數均大于1，生產率變化呈上升趨勢，年均增長3.9%左右. 長江與黃河流域技術進步指數(表征技術革新能力)平均值均大于1，年均增幅較大，分別為4.2%、4.4%；技術效率指數(表征要素組合、管理水平)均小于1，年均衰退分別為0.2%與0.5%(見表2). 技術進步是兩大流域城市碳排放效率提升的主要內生動力，而技術效率變化對碳排放效率的提升作用不顯著甚至起抑制作用，與趙爽等[26]關于長江經濟帶工業碳排放效率的研究結果基本相同. 從流域內部來看，長江與黃河流域內部的碳排放效率Malmquist指數及其分解指數存在較大差異. 黃河流域碳排放效率生產率內部差異較長江流域大，長江上游地區的碳排放效率Malmquist指數累積增長(52.5%)最大，長江中游地區(43.6%)最小；黃河中游地區碳排放效率Malmquist指數累積增長(52.5%)最大，黃河上游地區最小(41.7%). 技術進步在長江與黃河流域各流域段中扮演著積極的角色，而技術效率變化在長江與黃河各流域段中表現不同. 值得注意的是，黃河上游與中游技術效率退步較長江流域大，這與黃河流域上游與中游城市相對滯后的低碳經濟水平、特殊的能源資源稟賦、高能耗產業結構等因素直接相關[27]. 因此，針對技術效率變化與技術進步在各流域段的差異，科學制定改進措施，使技術效率逐步成為促進地區城市碳排放效率提升的重要源泉.

表2 2005—2017年長江與黃河流域Malmquist指數及其分解指數Table 2 Malmquist index and its decomposition index from 2005 to 2017

2.2 碳排放效率城市類型與影響因素探究

2.2.1城市類型劃分

參照文獻[28]，根據Malmquist指數年均值、技術效率指數年均值與技術進步指數年均值可將長江流域130個城市與黃河流域的115個城市劃分為6種類型(見表3).

表3 城市類型劃分原則與特征內涵Table 3 Principles and characteristics of urban type division

由圖2可見，效率驅動改善型(XQ型)城市多位于長江中上游與黃河下游地區，如武漢市、長沙市等.該類城市的資源整合利用水平、碳排放管理技術水平等均高于區域其他城市，但技術進步表現并不突出. 效率制約退步型(XZ型)城市多出現在黃河中上游經濟相對落后區域，如中衛市、石嘴山市等，長江流域則相對較少. 該類城市因相對偏遠且封閉的地理區位，經濟發展相對落后，碳排放量較少，且低碳管理技術水平較低. 技術驅動改善型(JQ型)城市多為區域經濟增長中心城市，如上海市、無錫市等. 該類城市的低碳技術遠高于區域整體水平，但由于資源要素過度集聚導致要素投入增長的邊際作用減弱，從而制約了規模效率的增長和技術效率的提升[29]. 技術制約退步型(JZ型)城市相對較少，主要分布于長江中上游地區與區域次中心區，如重慶市、南京市等. 該類城市的碳排放技術進步增長速度低于區域整體水平，且低碳技術進步與創新速度滯后于其經濟增長的速度. 技術-效率雙制約退步型(J-XZ型)城市分布廣泛，一部分分布在資源富集區(大同市、臨汾市等)，該類城市以高能耗重工產業為主，碳排放技術效率與技術進步無法追趕上碳排放量的累積增長量；另一部分多為次中心城市(杭州市、寧波市等)，集聚效應遠不如周邊的經濟增長中心，人才、技術、管理等經濟發展要素外流，規模優勢減弱. 技術-效率雙驅動改善型(J-XQ型)城市多分布在長江上游、黃河上游與下游地區，多為區域經濟增長中心，如成都市、西安市、煙臺市、包頭市等，不僅具有優勢的經濟本底資源，還具有相對成熟的綠色低碳產業與技術，對周邊地區的經濟社會發展具有極大帶動作用.

圖2 長江流域與黃河流域各城市類型分布情況Fig.2 Distribution of urban types in the Yangtze River Basin and the Yellow River Basin

2.2.2碳排放效率影響因素分析

為探究影響因素的異質性，該研究分別從流域與城市類型兩個視角進行面板回歸分析. Hausman檢驗結果接受了個體差異部分的擾動項和解釋變量不相關的原假設，因此采用隨機效應模型進行回歸分析，回歸結果如表4所示. 為確保結果的可靠性，通過剔除2005年與2017年來壓縮樣本時間來檢驗影響因素穩健性[30]. 檢驗結果顯示，各變量的回歸系數、方向均未發生較大變化，研究結果通過穩健性檢驗，具有較高的可信性.

表4 不同類型城市碳排放效率的影響因素面板回歸結果Table 4 Panel regression results of carbon emission's influencing factors in different types of cities

從流域視角來看，經濟發展水平對長江與黃河流域的碳排放效率為顯著正影響，而單位GDP能耗對長江與黃河流域碳排放效率為顯著負影響，即如果其他因素不變，單位GDP能耗每降低1個單位，長江與黃河流域碳排放效率將分別提高0.082與0.156，與李建豹等[22]研究結果相似. 這說明經濟發展水平與降低單位GDP能耗對提高區域，特別是資源型經濟為主體的黃河流域的碳排放效率具有重要意義.

從城市類型來看，城鎮化對XQ型城市碳排放效率為顯著正影響，是影響該類城市碳排放效率提升的主要因素. 城鎮化過程中的人口、資源城鎮化與產業集聚化帶來的正和博弈推動了資源利用效率的提升，從而提高碳排放效率. 對于XZ型城市，第二產業占GDP比重對其為顯著負影響，是該類城市碳排放效率退步的主要因素. 對于JQ型城市，經濟發展水平、單位GDP能耗對其均為顯著負影響，城鎮化對其為顯著正影響. 其中，經濟發展水平與碳排放效率的異向變化與該類城市的技術進步驅動特點有關，即技術進步不僅能提高碳排放效率，也會降低碳排放成本，從而增加CO2排放需求，由此引發碳排放效率“回彈效應”，阻礙碳排放效率的提升[23]. 對于JZ型城市，影響其碳排放效率提升的主要因素是經濟發展水平與第二產業占GDP比重，而第二產業占GDP比重與單位GDP能耗則是影響J-XZ型城市碳排放效率變化的重要因素；同時，經濟發展水平、產業結構與技術進步是推動J-XQ型城市碳排放效率提升的主要因素. 綜上，經濟發展水平、產業結構與技術進步對城市碳排放效率的提升具有至關重要的作用，是影響眾多城市碳排放效率的普遍因素，與多數研究結果[19,24]相似.

3 結論與建議

a) 2005-2017年，長江與黃河流域碳排放效率平均值分別為0.785、0.747，碳排放效率均處于較低水平，兩大流域整體與各流域段的碳排放效率具有明顯先降后升的“U”型演進特征. 兩大流域城市碳排放效率受政策影響較大，制定有效的碳減排和效率提升政策是提高區域低碳水平的關鍵.

b)空間分布格局上，長江流域碳排放效率總體呈下游＞上游＞中游的中間低、兩端高空間分布格局特征，黃河流域則呈下游＞中游＞上游的空間遞增格局特征，空間演化特征明顯. 碳排放效率的空間差異和不均衡現象與地區資源要素稟賦的比較優勢有密切聯系，因此制定差異化的效率提升策略十分必要.碳排放效率高值區應保持低碳經濟發展優勢，加強低碳技術與低碳產業的創新發展，主動為低值區提供技術、人才等支持，加快低碳經濟發展要素在區域間流動與配置；碳排放效率低值區則應在充分利用資源、環境比較優勢的基礎上，積極學習先進的低碳技術與管理經驗，加快地區產業轉型升級，謹防成為高碳產業的“避難所”.

c) 兩大流域碳排放效率Malmquist指數均呈上升趨勢，這主要得益于技術進步的內生驅動而非技術效率的改善. 因此，應提高資源配置效率、充分發揮效率“要素”作用，使技術效率逐步成為促進地區城市碳排放效率提升的重要源泉；同時還應加大低碳技術投資，用于關鍵與核心低碳技術的創新，以確保技術進步對碳排放效率提升地持續驅動.

d)從流域來看，經濟發展水平與低碳技術水平是影響兩大流域碳排放效率提升的共同因素，長江流域碳排放效率提升還受限于城鎮化水平. 經濟發展水平是碳排放效率提升的重要物質基礎，不僅能為區域碳減排政策的實施提供資金支持，同時也能為碳排放效率提升提供人才、技術、管理保障. 因此，兩大流域應基于當前發展優勢與特色，不斷壘實地區經濟基礎，加大低碳技術研發力度，提升低碳創新能力，促進低碳技術的有效外溢. 在此基礎上，長江流域還應注重控制人口數量，提高人口素質，提升人才占比，從而解決人口帶來的碳排放效率下降問題. 從城市類型來看，經濟發展水平、產業結構與低碳技術水平是影響眾多城市碳排放效率變化的普遍因素，但又存空間異質性. 針對影響因素的空間異質性，在制定低碳發展政策時，不僅要將各區域和各城市主體視為一個有機整體，建立統一的協調發展機制，充分發揮流域整體的比較優勢；還要考慮流域的內部分異，因地制宜、分類施策，探究最有利于自身效率提升的路徑.

e) MinDS-Malmquist模型測算結果為相對值，無法體現流域碳排放效率的真實水平；其次，結果的準確度與指標數據的規范性有關，我國“自上而下”的數據統計模式使得城市尺度數據口徑存在一定差異，加之指標間多重共線性的影響，導致結果可能存在一定偏差. 因此，未來加大對數據規范性與指標共線性的重視可以使區域碳排放效率研究更加科學嚴謹.