基于多DEA-Gini的紡織業碳排放效率時空分異研究

馬玉超，張永林

基于多DEA-Gini的紡織業碳排放效率時空分異研究

馬玉超，張永林

（武漢紡織大學 管理學院，湖北 武漢 430200）

基于2010年到2019年我國30個省（市，自治區）紡織業的面板數據，采用多種DEA模型并結合Gini準則對其碳排放效率進行測度，并利用全局趨勢分析法、探索性空間數據分析法和標準差橢圓技術揭示其時空分異特征。研究發現：觀察期內，我國各省份紡織業碳排放效率差距明顯，存在集聚趨勢；紡織業碳排放效率在東西和南北方向均呈現倒“U”型趨勢，且東西（南北）方向上的差距有所縮小（擴大）；紡織業碳排放效率自2017年開始表現出顯著的正向空間自相關性；紡織業碳排放效率區位分布由偏東北—偏西南轉變為偏東南—偏西北，分布重心向南移動。最后，根據研究發現提出若干政策建議。

紡織業；Gini準則；碳排放效率；時空分異

我國在“十三五”期間已經基本實現了從紡織大國到紡織強國的轉變，我國紡織業在全球價值鏈中的位置穩步提升，整體競爭力進一步增強。有關資料顯示，我國在2020年的紡織纖維加工總量占世界纖維加工總量的一半以上，化纖產量更是達到了70%以上的占比，我國紡織品服裝出口額穩居世界首位[1]。隨著全球氣候治理形勢的日益緊迫，我國提出了“爭取二氧化碳排放量在2030年前達到峰值，在2060年前實現碳中和”的目標愿景，這對高能耗、高污染的紡織業形成了剛性要求。因此，在“十四五”期間，紡織業作為國民經濟和社會發展的支柱產業，迫切需要實現高質量發展。紡織業碳排放效率的測算是實現我國紡織業高質量發展的重要決策依據，中國地大物博，由于各地區資源稟賦不同，各地區紡織業發展水平也不盡相同，紡織業碳排放效率也可能存在時空分異現象。于是對我國紡織業碳排放效率進行科學測算，探索其時空分異，對于促進我國紡織業高質量發展與我國“雙碳”目標的實現有著重大意義。

1 文獻回顧

關于碳排放效率，國內外相關研究已取得不少成果。碳排放效率可以分為單要素碳排放效率和全要素碳排放效率。早期研究主要以單要素碳排放效率為主，例如以碳指數[1]、碳排放強度[3]、能源強度[4]等指標來衡量碳排放效率，僅考慮了碳排放量和GDP、人口等單個變量的關系。而近年來學者們開始關注于全要素碳排放效率，將經濟、能源和環境納入測算指標，使得碳排放效率的測算指標更為全面。如今關于碳排放效率測度的對象，已有學者將國家或者地區作為對象測算其碳排放效率，同時也有眾多學者針對不同產業開展了豐富的研究，例如工業[5]、交通運輸業[6, 7]、制造業[8]、物流業[9]、農業[10]等。然而，目前學界對紡織業的關注度相對較低，呂明元等測算了我國紡織業的生態效率并對其結構性因素進行分析[11]。Zhao和Lin測算了我國紡織業在碳排放約束下的能源效率[12]。Lin和Bai測算了我國各省的紡織業能源績效，發現在不同的時空尺度上，中國三大地理區域的動態能源效率呈上升趨勢[13]。Gai等認為紡織業子行業對環境造成的影響存在差異，于是將重點放在棉化纖紡織行業、非棉紡織行業和印染行業，對三個子行業的生態效率進行了測度，結果發現三個子行業之間的差異較大[14]。從研究尺度來看，已有關于碳排放效率測算的研究主要基于國家、區域、省域和縣域層面。從測算方法來看，如今的主流方法主要有三類。第一類是通過構建綠色技術創新評價指標體系，然后采用熵值法等客觀評價方法測算碳排放效率[15, 16]，這類方法具有簡單易懂且能夠避免人為因素導致結果出現偏差等優點，但是忽略了指標本身的重要程度。第二類方法是采用隨機前沿分析法（SFA）測算碳排放效率[17, 18]，SFA是參數方法的典型代表，其優點是能夠考慮隨機因素對產出的影響，其缺點是需要事先對生產前沿的具體形式進行確定，且模型中只能有一個產出指標。第三類方法則是數據包絡分析法（DEA），其為非參數方法的代表，這類方法可以有效解決SFA模型的局限之處，因此得到廣泛應用，且發展出了各種形式，例如BCC[19]、超效率DEA[20]、SBM[21]、EBM[22]、MinDS[23]、DDF等模型[24]。

空間分異最初來源于地理學，是指某一屬性在不同地理區域之間存在的差異。本文增加時間維度的考量，將紡織業碳排放效率時空分異界定為“紡織業碳排放效率在地理區域之間存在的差異，以及差異在時間維度上的變化規律”。關于碳排放效率的空間分異，已有學者從不同角度開展了研究，但是目前以紡織業為對象的研究卻鳳毛麟角。王興民等基于198個地級市數據，發現中國城市層面的CO2排放存在明顯的空間分異[25]。牛亞文等基于縣域數據測算了長株潭地區的土地利用碳排放并分析其空間分異現象[26]。高新才和韓雪研究了黃河流域碳排放的空間分異，發現黃河流域碳排放效率呈現出較強的空間相關性且有加強趨勢，碳排放分布存在較強的轉移惰性[27]。韓傳峰等則采用多種空間數據分析方法對長三角地區城市層面的碳排放空間分異進行分析[28]。

綜上所述，可以看出現有關于碳排放效率測算及其空間分異的研究已經取得了豐碩的研究成果，但仍然存在一些不足之處：首先，現有關于碳排放效率測算的研究對紡織業的關注較少，而紡織業是我國經濟與社會發展的支柱產業，同時也是我國開展國際合作和融合發展的優勢產業，其對于民生和美化生活具有重要作用；其次，在碳排放效率測算方法上，現有絕大多數研究多采用單一DEA模型，由于每個測算模型都具有從自身角度出發的有價值的信息，采用單一模型可能會導致結果出現偏誤或者不可比的情況；最后，對于紡織業碳排放效率的時空分異特征，目前還幾乎沒有學者進行探討。鑒于此，本文為了豐富紡織業碳排放效率的相關研究，從以下方面對現有研究進行拓展：一是參考相關研究，采用多DEA-Gini方法對紡織業碳排放效率進行測算，避免使用單一模型存在的風險；二是基于ArcGIS平臺，采用多種空間分析方法實證考察我國紡織業碳排放效率的時空分異特征。從碳排放效率視角對紡織業進行研究，可以為政府部門制定有針對性的紡織業低碳發展戰略提供理論和實證依據，進而有利于紡織業的轉型升級和高質量發展。

2 研究設計

2.1 多DEA-Gini準則模型

本文采用了多種DEA模型對2010年到2019年中國30個省、直轄市和自治區（不含西藏和港澳臺）的紡織業碳排放效率進行了測度，然后采用數據挖掘分類回歸決策樹理論中的Gini準則來對各DEA模型賦予權重，最終計算出結合多種DEA模型所得結果的綜合值[29]，以避免重要信息被忽略和效率結果不可比的情況。本文首先基于規模報酬不變和可變假設，然后考慮到DEA結果可能會出現很多“1”從而導致無法對決策單元進行進一步的比較，于是最終選擇了規模報酬不變假設下的SBM模型和超效率SBM模型、規模報酬可變假設下的SBM模型和超效率SBM模型。根據這四種不同的DEA模型測算出的不同結果，通過Gini準則，得到綜合效率值。

2.1.1 標準效率和超效率SBM模型

本文采用的標準效率和超效率SBM模型的具體形式如下所示。

2.1.2 Gini準則

2.1.3 多DEA-Gini準則方法步驟

參考薛暉等[29]的研究，本文采用的多DEA- Gini準則方法步驟如下。

2.2 全局趨勢分析法

2.3 探索性空間數據分析法

探索性空間數據分析（ESDA）是一種具有識別功能的空間數據分析方法，主要用于探測某些變量的空間相關性和集聚性。目前，該方法已經在多個領域得到了廣泛應用，最為常見的有全局莫蘭指數和局部莫蘭指數（LISA），在本文中可以檢驗紡織業碳排放效率在整體上的空間自相關性和局部上的集聚性。全局莫蘭指數大于0則表示空間正相關，值越接近1表示具有相似屬性的地區越傾向于聚集在一起（即高值與高值鄰接，低值與低值鄰接）；全局莫蘭指數小于0表示空間負相關，值越接近-1表示具有相異屬性的地區越傾向于聚集在一起（即高值與低值鄰接，低值與高值鄰接）；全局莫蘭指數接近0時，則表示該屬性是隨機分布的，不存在空間相關性。與全局莫蘭指數相似，局部莫蘭指數（LISA）為正，則表示一個高值被高值所包圍（高—高），或者是一個低值被低值所包圍（低—低）；若指數為負，則表示一個低值被高值所包圍（低—高），或者是一個高值被低值所包圍（高—低）[31]。兩種指數的計算方法見式5和6。

2.4 標準差橢圓

標準差橢圓是一種衡量地理要素空間分布特征的統計技術，但該方法也在諸多其他領域得到廣泛應用。在本文中，采用標準差橢圓來考察我國紡織業碳排放效率的空間集聚和區位特征。標準差橢圓分析中的重要參數包括分布重心、橢圓長短半軸和方位角等，具體計算公式參考劉華軍等[32]。

2.5 指標設定與數據來源

根據柯布-道格拉斯生產函數的思想，并結合本文的特點，在文中主要有資本、勞動力和能源三種投入變量。其中資本投入由各省份紡織業固定資產投資額表示，勞動力投入由各省份紡織業就業人數表示，由于能源消耗量和碳排放量具有線性關系，如今國家提倡節能減排，碳排放量越小越好，符合作為DEA投入指標的條件，因此在本文中用各省份紡織業二氧化碳排放量代替能源投入。產出變量采用各地區紡織業主營業務收入代表。

資本投入數據來源于2011年到2020年的《中國固定資產統計年鑒》和《中國紡織工業發展報告》，勞動力投入數據來源于2011年到2020年的《中國勞動統計年鑒》，碳排放量數據來源于中國碳核算數據庫（CEADs）（https://www.ceads.net.cn/），與IPCC公布的碳排放數據相比，中國碳核算數據庫基于表觀能耗數據和更新之后的中國的碳排放因子，從而提供的數據更加準確[33]。產出數據來源于2011年到2020年的《中國工業統計年鑒》。

3 中國紡織業碳排放效率評價結果

多DEA-Gini準則方法計算出的各個模型的權重值如表1所示。在四種DEA模型中，基于規模報酬可變假設的超效率SBM模型的信息純度最大，為0.0049，因此應該給予該模型較大的權重值；基于規模報酬可變假設的標準效率SBM模型的信息純度最小，為0.0037，因此應該給予該模型較小的權重值。最終，基于規模報酬不變和可變假設的標準效率SBM模型、基于規模報酬不變和可變假設的超效率SBM模型的權重值分別為0.228、0.223、0.254、0.295。將四種DEA模型的結果根據權重值加總所得綜合效率結果如表2所示。受限于篇幅，本文只選取2010、2013、2016、2019年的效率結果進行匯報。

多DEA-Gini方法測算結果顯示，在觀察期內我國紡織業碳排放效率均值有所上升，但上升幅度較小，我國絕大多數省份的紡織業碳排放效率小于1，具有較大的提升空間。為了將效率測度結果進行直觀展示，本文借助ArcGIS10.5軟件對我國30個省份的紡織業碳排放效率進行可視化展示。具體方法為，將我國30個省份的紡織業碳排放效率數據導入ArcGIS10.5軟件，采用自然斷點法（Natural Breaks）將各省份按照紡織業碳排放效率高低分為5個等級，分別為高、較高、中等、較低和低效率，由此得到我國紡織業碳排放效率的空間分布地圖（圖1）。從圖1中可以發現，高效率水平地區有青海、寧夏、海南，效率均值較高的地區有北京、內蒙古、江蘇、安徽、河南、湖北、江西、貴州等地；低效率水平地區有黑龍江、吉林、山西、廣西和云南，效率均值較低的地區有遼寧、天津、廣東、重慶、四川、甘肅、新疆等地；其余省份效率水平居中。從空間分布格局的演變來看，隨著時間的推移，紡織業碳排放效率呈現出一定的聚集趨勢，具體表現為效率較高地區發生聚集（主要分布在東南沿海和中部地區），效率較低的地區發生聚集（主要分布在東北地區，部分北方地區和西南地區）。

表1 各模型權重值

表2 紡織業碳排放效率結果

續表2

圖1 中國紡織業碳排放效率空間分布

注：該圖基于國家自然資源部標準地圖（審圖號：GS(2019)1822號）繪制，底圖無修改。

4 中國紡織業碳排放效率時空分異分析

4.1 全局趨勢分析

以正東和正北方向作為X軸和Y軸，以紡織業碳排放效率作為 Z軸，以此直觀顯示2010到2019年我國紡織業碳排放效率的空間分布趨勢（圖2）。從趨勢線圖2中可以發現，我國紡織業碳排放效率在東西方向和南北方向上均呈現出倒“U”型趨勢，這表明我國紡織業碳排放效率存在明顯的空間非均衡狀態，總體呈現出中心高，周圍低的空間分布趨勢。隨著時間的推移，效率空間分布趨勢也發生了變化，圖中趨勢曲線的弧度越大，表明紡織業碳排放效率間的差異越大。從趨勢曲線的弧度變化可以發現，在觀察期內，東西方向的趨勢曲線弧度有所減小，南北方向的趨勢曲線弧度有所增大，兩種方向上仍然保持著倒“U”型趨勢，這表明我國紡織業碳排放效率在東西方向上的差距有減少的趨勢，南北方向上的差距有擴大的趨勢，且我國紡織業碳排放效率仍然顯現中心高，四周低的空間分布趨勢。

圖2 中國紡織業碳排放效率空間趨勢線

4.2 空間自相關性分析

全局空間自相關性檢驗結果見表3。可以發現，我國紡織業碳排放效率的全局莫蘭指數在2010年到2016年期間為負，且未通過顯著性水平檢驗，表明我國紡織業碳排放效率在此期間不存在顯著的空間自相關性。然而，自2017年起，莫蘭指數由負轉正，且通過了顯著性水平檢驗，表明我國紡織業碳排放效率開始表現出顯著的正向空間自相關性，即高效率地區與高效率地區聚集，低效率地區與低效率地區聚集，這驗證了前文通過直觀觀察所得出的結論。

表3 全局莫蘭檢驗結果

全局莫蘭指數檢驗無法反映局部地區的集聚情況，本文進一步對局部空間自相關性進行檢驗，結果采用LISA集聚地圖形式展示，經過分別對2010年、2013年、2016年和2019年的紡織業碳排放效率局部空間自相關檢驗發現，2010年和2013年不存在顯著的局部空間自相關性，2016年和2019年存在顯著的局部空間自相關性。因此，限于篇幅，僅展示2016和2019年的LISA集聚地圖，如圖3所示。在2016年，只有安徽省位于高—高值集聚區，同時在5%的水平上顯著；處于高—低集聚區的只有貴州省，且通過了5%的顯著性水平檢驗。在2019年，江西省成為唯一位于高—高值集聚區的省份，在1%的水平上顯著；內蒙古、黑龍江、吉林、遼寧等地屬于低—低值集聚區，分別在5%、5%、1%、5%的水平上顯著。

圖3 中國紡織業碳排放效率LISA集聚圖

注：該圖基于國家自然資源部標準地圖（審圖號：GS(2019)1822號）繪制，底圖無修改。

4.3 標準差橢圓分析

我國紡織業碳排放效率的標準差橢圓及重心轉移情況如圖4所示，相關參數見表4。從橢圓形狀來看，2010年、2013年、2016年和2019年的平均形狀指數分別為0.88、0.84、0.91、0.95，呈現出增加態勢，形狀接近于正圓，這說明向心力較弱，意味著集聚區內各省份的紡織業碳排放效率更加均衡。從方位角來看，紡織業碳排放效率的標準差橢圓在觀察期內從偏東北—偏西南向偏東南—偏西北方向旋轉了112.314度，表明紡織業碳排放效率的空間分布方向具有較大的偏移趨勢。具體從長短半軸來看，長半軸在觀察期內有所縮短，短半軸在觀察期內有所延長，結合方位角可知起初我國紡織業碳排放效率在偏東北—偏西南方向上的空間集聚特征有所增加，在偏東南—偏西北方向上的空間集聚特征有所下降，隨后在偏東南—偏西北方向上的空間集聚特征有所增加，在偏東北—偏西南方向的空間集聚特征有所下降。從標準差橢圓的面積來看，2019年與2010年紡織業碳排放效率的標準差橢圓面積之比為1.014，變化程度較小，這說明紡織業碳排放效率的空間聚集特征未發生明顯變化。從橢圓重心位置來看，紡織業碳排放效率的分布重心均位于河南省境內，但重心位置存在轉移趨勢，2010年位于欒川縣和嵩縣邊界處，2013年和2016年位于內鄉縣境內，2019年移動至鄧州市境內。整體來看，重心東西移動范圍小于南北移動范圍，意味著我國紡織業碳排放效率空間分布重心更傾向于在南北方向發生轉移。

圖4 中國紡織業碳排放效率標準差橢圓

注：該圖基于國家自然資源部標準地圖（審圖號：GS(2019)1822號）繪制，底圖無修改。

表4 中國紡織業碳排放效率標準差橢圓相關參數

5 結論與啟示

5.1 研究結論

本文基于省級層面的紡織業數據，采用多種DEA模型并結合Gini準則對我國30個省（市，自治區）的紡織業碳排放效率進行了測算，并采用多種空間數據分析方法檢驗了紡織業碳排放效率的時空分異特征。本文主要有以下發現：（1）多DEA-Gini方法測算結果顯示，2010年到2019年期間我國整體紡織業碳排放效率有小幅上升，絕大多數省份的效率值小于1，具有較大的提升空間。高水平地區有青海、寧夏、海南等地，低水平地區有黑龍江、吉林、山西、廣西和云南等地，且隨著時間推移，紡織業碳排放效率存在聚集趨勢。（2）全局趨勢分析結果顯示，我國紡織業碳排放效率在東西和南北方向上均呈現出倒“U”型趨勢，表明我國紡織業碳排放效率存在明顯的空間非均衡狀態，觀察期內東西（南北）方向上的差距有縮小（擴大）的趨勢。（3）空間自相關分析發現，我國紡織業碳排放效率空間自相關性在2010年到2016年期間不顯著，但從2017年開始顯著，局部空間自相關檢驗發現，2016年只有安徽省位于高—高值集聚區，貴州省處于高—低值集聚區，2019年江西省成為高—高值集聚區，內蒙古和東北三省為低—低值集聚區。（4）標準差橢圓分析發現，在觀察期內，集聚區內各省份紡織業碳排放效率更加均衡，空間分布方向具有較大的偏移趨勢，紡織業碳排放效率空間分布方向由偏東北—偏西南方向發散分布轉向偏東南—偏西北方向發散分布，偏東南—偏西北方向的集聚程度有所增加，偏東北—偏西南方向的集聚程度有所下降，分布重心在觀察期內表現出向南移動的趨勢。

5.2 政策建議

本文基于研究發現和現實背景，提出以下政策建議：（1）加強低碳技術創新，推進節能低碳發展。紡織業高質量發展需要持續加強基礎研究投入，實現關鍵技術突破，同時還要優化能源結構，鼓勵企業使用清潔能源，提高二次能源消費比重，以達到碳排放量減少的目的。（2）提升區域協調發展水平。我國各省份紡織業發展相對孤立，高效率水平地區輻射帶動能力不足，因此要加強地區之間的聯系與合作，打破區域保護壁壘和要素流動藩籬，高效率水平地區和低效率水平地區要做到合理分工，實現優勢互補。（3）因地制宜地制定發展模式。我國各地區之間紡織業碳排放效率具有明顯差距，各省份應該充分考慮自身比較優勢，探索不同的紡織業發展路徑。比如，東部地區要借助自身良好的經濟和技術基礎，大力提高產業低碳水平，為其他地區樹立產業標準；東北地區可以借助自身的工業基礎，優化紡織業空間布局，挖掘地區低碳發展潛能。（4）推進高水平產業集聚發展。在京津冀城市群、長三角地區、粵港澳大灣區和長江經濟帶等戰略區域落實行業發展重點，優先建設具有世界領先的創新能力、制造能力和可持續發展能力的紡織產業集群，發揮龍頭企業跨區域布局的作用以帶動中小紡織企業發展。

[1] 中國紡織工業聯合會. 紡織工業“十四五”發展綱要[J]. 紡織科學研究, 2021, (07): 40-49.

[2] Mielnik O, Goldemberg J. The evolution of the “carbonization index” in developing countries[J]. Energy Policy, 1999, 27(5): 307-308.

[3] Sun J W. The decrease of CO2emission intensity is decarbonization at national and global levels[J]. Energy Policy, 2005, 33(8): 975-978.

[4] Ang B W. Is the energy intensity a less useful indicator than the carbon factor in the study of climate change?[J]. Energy Policy, 1999, 27(15): 943-946.

[5] Gao P, Yue S J, Chen H T. Carbon emission efficiency of China’s industry sectors: From the perspective of embodied carbon emissions[J]. Journal of Cleaner Production, 2021, 283: 124655.

[6] Zhao P J, Zeng L G, Li P L, et al. China’s transportation sector carbon dioxide emissions efficiency and its influencing factors based on the EBM DEA model with undesirable outputs and spatial Durbin model[J]. Energy, 2022, 238: 121934.

[7] Shao H Q, Wang Z F. Spatial network structure of transportation carbon emission efficiency in China and its influencing factors[J]. Chinese Journal of Population, Resources and Environment, 2021, 19(04): 295-303.

[8] Li J X, Cheng Z. Study on total-factor carbon emission efficiency of China’s manufacturing industry when considering technology heterogeneity[J]. Journal of Cleaner Production, 2020, 160: 121021.

[9] 范建平，肖慧，樊曉宏. 考慮非期望產出的改進EBM-DEA三階段模型——基于中國省際物流業效率的實證分析[J]. 中國管理科學, 2017, 25(08): 166-174.

[10] 銀西陽，賈小娟，李冬梅. 農業產業集聚對農業綠色全要素生產率的影響——基于空間溢出效應視角[J/OL]. 中國農業資源與區劃, https://kns.cnki.net/kcms/ detail/11.3513.S.20220129.1448.016.html.

[11] 呂明元，孫獻貞，陳維宣. 供給側結構性因素對產業生態效率影響的實證研究——基于中國紡織業的DEA-Tobit分析[J]. 科技管理研究, 2018, 38(06): 240-245.

[12] Zhao H L, Lin B Q. Assessing the energy productivity of China’s textile industry under carbon emission constraints[J]. Journal of Cleaner Production, 2019, 228: 197-207.

[13] Lin B Q, Bai R. Dynamic energy performance evaluation of Chinese textile industry[J]. Energy, 2020, 199: 117388.

[14] Gai Y X, Qiao Y B, Deng H J, et al. Investigating the eco-efficiency of China’s textile industry based on a firm-level analysis[J]. Science of the Total Environment, 2022, 833: 155075.

[15] 范莉莉，江玉國. 基于熵值法的鋼鐵企業低碳競爭力評價[J]. 軟科學, 2016, 30(08): 42-46.

[16] 曹陽，胡繼亮. 調整工業結構發展三峽低碳經濟——以湖北省宜昌市為例[J]. 長江流域資源與環境, 2012, 21(01): 17-23.

[17] 苗成林，孫麗艷，楊力. 能源消耗與碳排量約束下區域技術效率研究[J]. 科研管理, 2016, 37(02): 1-8.

[18] 朱磊，張建清，孫元元，等. 環境治理約束與中國經濟增長——以控制碳排放為例的實證分析[J]. 中國軟科學, 2018, (06): 163-171.

[19] 馬飛，胡江艷，孫啟鵬，等. 中國省際物流業碳排放績效測度及驅動因素研究[J]. 生態經濟, 2021, 37(09): 27-33+39.

[20] 王恩旭，武春友. 基于超效率DEA模型的中國省際生態效率時空差異研究[J]. 管理學報, 2011, 8(03): 443-450.

[21] 曹炳汝，鄧莉娟. 長江經濟帶物流業效率增長影響因素[J]. 經濟地理, 2019, 39(07): 148-157.

[22] 劉華軍，郭立祥，喬列成，等. 中國物流業效率的時空格局及動態演進[J]. 數量經濟技術經濟研究, 2021, 38(05): 57-74.

[23] 董梅，李存芳. 中國低碳技術效率、技術差距與低碳化進程研究——基于MinDS-Luenberger方法的實證分析[J]. 華東經濟管理, 2020, 34(11): 81-89.

[24] 邵帥，范美婷，楊莉莉. 經濟結構調整、綠色技術進步與中國低碳轉型發展——基于總體技術前沿和空間溢出效應視角的經驗考察[J]. 管理世界, 2022, 38(02): 46-69+4-10.

[25] 王興民，吳靜，白冰，等. 中國CO2排放的空間分異與驅動因素——基于198個地級及以上城市數據的分析[J]. 經濟地理, 2020, 40(11): 29-38.

[26] 牛亞文，趙先超，胡藝覺. 基于NPP-VIIRS夜間燈光的長株潭地區縣域土地利用碳排放空間分異研究[J]. 環境科學學報, 2021, 41(09): 3847-3856.

[27] 高新才，韓雪. 黃河流域碳排放的空間分異及影響因素研究[J]. 經濟經緯, 2022, 39(01): 13-23.

[28] 韓傳峰，宋府霖，滕敏敏. 長三角地區碳排放時空特征、空間聚類與治理策略[J]. 華東經濟管理, 2022, 36(05): 24-33.

[29] 薛暉，鄭中華，謝啟偉. 基于多種DEA模型和Gini準則的效率評價方法——兼對我國高校運營績效的評價[J]. 中國管理科學, 2014, 22(4): 98-104.

[30] 李少惠，韓慧. 我國省域公共數字文化服務供給效率空間分異及驅動因素研究[J]. 圖書情報工作, 2021, 65(7): 67-77.

[31] Anselin L. Local indicators of spatial association——LISA[J]. Geographical Analysis, 1995, 27(2): 93-115.

[32] 劉華軍，王耀輝，雷名雨. 中國戰略性新興產業的空間集聚及其演變[J]. 數量經濟技術經濟研究, 2019, 36(07): 99-116.

[33] 劉華軍，郭立祥，喬列成，等. 中國物流業效率的時空格局及動態演進[J]. 數量經濟技術經濟研究, 2021, 38(05): 57-74.

Research on the Spatial and Temporal Variation of Carbon Emission Efficiency in Textile Industry based on Multi-DEA-Gini

MA Yu-chao, ZHANG Yong-lin

(School of Management, Wuhan Textile University, Wuhan Hubei 430200, China)

Based on the panel data of textile industry in 30 provinces (municipalities, autonomous regions) in China from 2010 to 2019, the carbon emission efficiency of textile industry was measured by using multiple DEA models combined with Gini criterion, and its spatial-temporal differentiation characteristics were revealed by using global trend analysis, exploratory spatial data analysis and standard deviation ellipse technology. The results show that during the observation period, the carbon emission efficiency gap of textile industry in all provinces of China is obvious, and there is an agglomeration trend; The carbon emission efficiency of textile industry showed an inverted "U" trend in both east-west and north-south directions, and the gap narrowed (widened) in east-west (north-south) direction. The carbon emission efficiency of textile industry has shown a significant positive spatial autocorrelation since 2017. The location distribution of carbon emission efficiency of textile industry changed from northeast-southwest to southeast-northwest, and the distribution center moved southward. Finally, some policy suggestions are put forward based on the research findings.

textile industry; gini criterion; carbon emission efficiency; spatial and temporal variation

馬玉超（1970-），女，教授，碩士，研究方向：綠色供應鏈管理.

F425

A

2095－414X(2022)06－0015－09