安徽省碳排放效率測度及影響因素研究

摘 要：碳排放效率的測度和影響因素的分析有助于碳減排路徑的選擇和區域綠色低碳發展。本文基于安徽省16個城市2010-2022年的面板數據，結合超效率SBM模型與Malmquist指數測算安徽省各城市的碳排放效率，并運用雙向固定效應模型研究其影響因素。結果表明：2010-2022年間，安徽省的碳排放效率在時間上呈現“U”型變化趨勢；在空間上各區域之間的碳排放效率差異較為明顯，表現為“皖中gt;皖北gt;皖南”；城市間的碳排放效率存在差異，但兩極分化趨勢有所減緩，整體分布更加協調。在影響因素方面，城鎮化率、經濟發展水平和對外開放水平對碳排放效率均具有顯著正向影響，而能源強度、產業結構及科技創新能力則對其產生抑制作用。

關鍵詞：碳排放效率；超效率SBM模型；Malmquist指數；雙向固定效應模型；碳減排

中圖分類號：X321" 文獻標識碼：A" 文章編號：1673-260X（2024）12-0006-08

收稿日期：2024-11-08

通信作者：談玉姣（1989-），女，安徽廬江人，安徽理工大學2022級管理科學與工程碩士生，研究方向：資源環境政策與管理，郵箱：yjiaotan@163.com。

基金項目：安徽省煤炭清潔加工與碳減排工程研究中心開放基金（CCCE-2023006）；安徽省新時代育人質量工程（研究生教育）項目省級研究生名師工作室（2023yjsmsgzs018）；安徽省新時代育人質量工程（研究生教育）項目專業學位教學案例庫（2023zyxwjxalk072）；煤炭行業教育研究項目（2021MXJG051）；安徽省新時代育人質量工程（研究生教育）項目（2022szsfkc075）；安徽省質量工程（2021sx033）；安徽省教育廳人文社科重點項目（SK20190100）

“雙碳”目標是我國的重大戰略決策，也是高質量發展的內在要求[1]。國家“十四五”發展規劃和2035年遠景目標綱要中明確提出加快推動綠色低碳發展[2]。安徽省作為中部重要省份之一，積極響應“雙碳”的部署，制定了“三地一區”戰略，旨在打造全面綠色轉型區[3]。研究安徽省的碳排放效率及其影響因素，有助于促進碳減排產業發展和推動經濟社會走向綠色轉型。然而，由于安徽省各地區的經濟發展水平和資源分布存在顯著差異，且城鎮化建設程度各不相同，這些因素對區域碳排放的影響有所不同。因此，從市域角度研究碳排放效率的演變趨勢和影響因素對推動區域碳減排和促進綠色低碳發展具有重要意義。

當前學術界有關碳排放效率的測度研究，主要從單因素和全要素指標兩個角度展開。早在1999年，Kaya等提出單因素測算法，將碳排放量與GDP的比率作為衡量碳排放效率的指標，反映單位GDP所能產生的碳排放量[4]。Ramanathan等認為在單因素的基礎上應綜合考慮環境影響，因此對GDP與能源消耗總量對碳排放效率的影響進行了測算[5]。由此，學者們開始采用全要素分析法評估碳排放效率。首先是以隨機前沿分析法（SFA）為代表的參數分析法[6]；其次是以數據包絡分析法（DEA）為代表的非參數分析法[7]。

一些學者從企業競合關系[8]、能源結構[9]和科技創新[10]等多個維度展開了影響碳排放效率的研究。例如，劉婕等基于中國30個省份的面板數據，利用SFA模型評估影響碳排放效率的成因。研究結果表明，城鎮化率與碳減排效率呈現U型關系，而產業結構、能源強度和人口規模對碳減排效率具有抑制作用[11]。慧明珠等利用超效率SBM模型評估中國建筑業的碳排放效率，并探討其時空分布及影響因素。結果顯示，能源消費結構、城鎮化水平及資源稟賦在中國建筑業碳排放效率的時空分布特征中扮演著重要角色[12]。李瀟瀟等利用超效率SBM（Slack-Based Measure）模型評估OECD（Organisation for Economic Co-operation and Development）成員國的碳排放效率及影響因素。研究表明，科技創新、城鎮化和經濟發展水平對碳排放效率的提升起到了積極作用，而產業結構與碳排放效率呈現顯著的負相關關系[13]。

在前人研究基礎上，本文選取含非期望產出的超效率SBM模型對安徽省16個城市的碳排放效率進行測算，通過動靜結合的方式分析碳排放區域差異和演變趨勢；并利用雙向固定效應模型探討城鎮化率、能源強度、產業結構等要素對區域碳排放效率的作用，多角度分析動態視域下的碳排放效率影響機制，以期為區域碳減排工作提供指導和參考。

1 研究方案設計

1.1 研究方法及模型構建

1.1.1 碳排放效率測度方法

1.1.1.1 靜態碳排放效率測度

基于Charnes等創立的DEA及Tone改進的DEA超效率SBM模型[14，15]，本文選取含非期望產出的超效率SBM模型，結合DEA和SBM方法，更準確地評估決策單元（DMU）的效率，并考慮到非期望產出的影響。表達式如下：

其中，n表示DMU的個數；投入指標m、期望產出r1和非期望產出r2；x、yu、yw分別表示投入、期望產出和非期望產出矩陣中的元素；λj為權重向量；投入、產出和非期望產出的決策單元分別由i、k和t表示；θ*表示靜態的碳排放效率值。

1.1.1.2 動態碳排放效率測度

SBM模型得出的是一種靜態指標，為研究安徽省碳排放效率的動態變化，選用Malmquist指數，計算不同時間點或地區之間整體生產前沿的距離。本文選用Pastor等提出的Malmquist指數方法[16]，具體計算方法如下：

McG（xt，yt，xt+1，yt+1）=" （2）

其中，McG（xt，yt，xt+1，yt+1）表示Malmquist生產率指數，（xt，yt）、（xt+1，yt+1）表示t和t+1期的投入、產出向量；DcG（xt，yt）、DcG（xt+1，yt+1）表示t和t+1期以技術為參照的距離函數。

1.1.2 碳排放效率影響因素分析模型構建

在進行模型選擇階段時，按照順序進行了F檢驗、LM檢驗和Hausman檢驗，并通過對結果的分析，最終確定采用固定效應模型。在選擇個體、時間和雙向固定效應模型時，使用了LR檢驗來驗證雙向固定效應模型的適用性，針對以上結論，構建雙向固定效應模型：

其中，CEEit表示第t年第i個城市的碳排放效率；EI、INS、URB、LNGDP、OPEN、RDE、（LNGDP）2、EI*INS分別表示能源強度、產業結構、城鎮化率、經濟發展水平、對外開放水平、科技創新能力、經濟發展水平二次項、能源強度與產業結構交互作用項；βn為解釋變量的回歸系數；αi表示個體固定效應；φt表示時間固定效應；eit為隨機誤差項。

1.2 指標選取及數據來源

1.2.1 數據來源

本文選用2010—2022年安徽省各地級市為單元的面板數據進行實證分析。數據主要來源于安徽省及各地級市統計局相應年份的統計年鑒和統計公報等；其中，能源及城市相關數據來源于國家統計局相應年份的《中國能源年鑒》和《中國城市統計年鑒》。考慮到價格因素的影響，對每年的GDP進行基準年為2010年的平減處理[17]。少量缺失數據，使用插值法填補。

1.2.2 碳排放效率測算指標選取

1.2.2.1 投入指標

本文綜合考慮碳排放效率的相關影響，選取資本、勞動力和能源作為投入指標[18]。勞動投入指標選取從業人員數來衡量，能源投入指標選取能源消費總量。資本投入采用張軍等的方法測算固定資本存量，選取資本形成總額作為當期投資額，并估算省際資本存量[19]。參考張少輝等的方法，基期設為2000年，按一定權重將省際資本存量折算至各城市[20]。固定資本存量計算公式如下：

Kt=（1-γ）Kt-1+It" （6）

其中，t期固定資本存量用Kt表示，t期的投資額用It表示，設折舊率γ為9.6%。

1.2.2.2 產出指標

選取期望產出和非期望產出作為產出指標。期望產出采用GDP衡量；非期望產出選擇CO2排放總量衡量[21]，計算方式選擇碳排放綜合系數法[22]，公式如下：

Cit=Eit×δ×3.67" （7）

其中，Cit表示二氧化碳排放總量；Eit表示能源消費總量，通過將一次性能源的消費量折算成標準煤來計算；δ表示混合碳排放系數，本文采用我國能源研究所推薦數值0.67（噸碳/噸標煤）；3.67指每噸碳燃燒會產生3.67噸二氧化碳；i表示城市；t表示時間。碳排放效率測度指標體系詳細參數如表1所示。

1.2.3 碳排放效率影響因素指標選取

基于文獻調研[23-25]，在安徽省碳排放效率的影響因素研究中，選取能源強度、產業結構、城鎮化率、經濟發展水平、對外開放水平、科技創新能力和考慮協同作用的能源強度與產業結構交互項七個指標。描述性分析結果如表2所示。

安徽省碳排放效率（CEE），采用含非期望產出的超效率SBM模型和Malmquist指數相結合的方法，以2010年為基期，各城市在2010年的碳排放效率值為基準值。每年的CEE由2010年的碳排放效率值累乘每年的Malmquist指數得到。

能源強度（EI）表示單位GDP所需的能源消耗量，選取能源消費總量占GDP比重作為指標。產業結構（INS）采用第二產業增加值占GDP比重表示。城鎮化率（URB）采用城鎮人口占常住人口比重作為評估標準。經濟發展水平（LNGDP）選取經對數處理的GDP來表示。經濟發展水平二次項（LNGDP）2選取經對數處理的GDP的平方來表示。對外開放水平（OPEN）選取進出口貿易額占GDP比重作為指標，并按年平均人民幣匯率轉換為人民幣計價。科技創新能力（RDE）選用各城市研究與試驗發展（Ramp;D）經費支出占GDP比重來衡量。能源強度與產業結構的交互作用（EI*INS）選取能源消費總量占GDP比重與第二產業增加值占GDP比重的乘積來表示。

2 實證分析

2.1 安徽省碳排放效率測度及結果分析

2.1.1 靜態分析

運用Dearun Tools軟件，采用含非預期產出的超效率SBM模型，對2010—2022年間安徽省16個地級市的碳排放效率進行了測算，具體數據如表3所示。

安徽省位于淮河和長江之間，因此可以分為三個區域。長江以南的部分被稱為皖南（包括銅陵、馬鞍山、蕪湖、池州、宣城、黃山），長江以北、淮河以南的地區被稱為皖中（包括合肥、安慶、滁州、六安），而淮河以北的地區則被稱為皖北（包括亳州、淮北、淮南、阜陽、宿州、蚌埠）。在2010年至2022年期間，安徽省的碳排放效率呈現出中部凸起、北部高、南部低的分布特征。皖中地區的碳排放效率值相對穩定，整體水平高于全省平均水平；而皖南地區的碳排放效率波動較大，低于安徽省的平均水平，呈現出“U”型趨勢；皖北地區的碳排放效率值整體呈逐年下降的趨勢，整體接近安徽省的平均水平。

從城市層面來看，黃山、亳州、滁州和合肥位于前列，其平均碳排放效率值大于0.8，屬于安徽省碳排放效率的第一梯隊，盡管碳排放效率相對較高，但距離生產前沿面仍有提升空間。為此，應進一步推廣低碳技術，發展新興產業的優勢，優化能源結構，加強政策引導和監管評估。阜陽、蚌埠、蕪湖和銅陵的平均碳排放效率值介于0.7至0.8之間，高于安徽省的平均水平，屬于第二梯隊，具有較大的提升空間，取得碳減排的成果相對容易。因此，應確保碳減排政策得到有效執行。池州、宿州、安慶等八個城市的平均碳排放效率值在0.5至0.7之間，低于安徽省的平均水平，屬于第三梯隊，應重視碳排放問題，保證碳減排政策的全面實施，并提供適當的資金和技術支持。

2.1.2 動態分析

通過核密度參數估計，研究2010—2022年間安徽省各城市碳排放效率的動態演變趨勢，具體見圖1。

從分布位置來看，碳排放效率核密度曲線的中心集中在0.6至0.8之間，表明在研究期間安徽省整體碳排放效率較低，這可能是由于安徽省長期以來高能耗、高碳排放的資源型城市特征所致。從分布形態上看，主峰呈現上升趨勢，各市由于經濟發展水平、能源消費強度和城鎮化發展水平的差異，導致同一時期各市碳排放效率存在顯著差異。在波峰數量和演變特征方面，2010—2022年間的核密度曲線出現雙峰分布，且明顯向右拖尾，顯示出安徽省碳排放效率兩極分化趨勢減弱，區域間的協調性逐漸加強。

2.2 安徽省碳排放效率影響因素分析

2.2.1 單位根與協整性檢驗

利用Stata 18.0進行了LLC、IPS和FISHER方法的平穩性檢驗。結果表明不存在單位根（plt;0.05）。為了驗證基準回歸模型中變量的穩定關系和結果的可靠性，采用Pedroni和Westerlund檢驗進行協整檢驗。檢驗統計量的p值均為0，表明解釋變量和被解釋變量之間存在長期穩定的關系，驗證了模型的可靠性。

2.2.2 回歸結果分析

利用Stata 18.0對2010—2022年安徽省碳排放的面板數據進行回歸分析，結果如表5。

根據回歸結果的系數和顯著性分析，安徽省的經濟發展水平、對外開放水平和城鎮化率對該地區的碳排放效率具有顯著的正向驅動作用，其中正向影響最明顯的是經濟發展水平。這表明隨著安徽省經濟的增長、對外開放程度的加深以及城鎮化率的推進，碳排放效率會相應提高。另一方面，科技創新能力、能源強度、產業結構及其交互項則對碳排放效率產生負向抑制作用，尤其是能源強度的影響最為顯著。

能源強度（EI）回歸系數為負且顯著（plt;0.01），表明能源強度與碳排放效率呈負相關關系，具體表現為能源強度每增加1個單位，碳排放效率下降0.275。安徽省是典型的能源密集型省份，對能源的依賴性較強，經濟發展具有高耗能高排放的特點，導致碳排放效率較低。產業結構（INS）回歸系數雖為負值，但在統計水平上并不顯著。說明產業結構本身與碳排放效率之間并不存在必然的關聯性，但這一要素可能作為中介變量影響碳排放效率。因此，模型（3）引入兩者的交互項來討論對安徽省碳排放效率的影響。能源強度與產業結構的交互項（EI*INS）回歸系數為負0.004且顯著（plt;0.01），說明其對碳排放效率呈抑制作用。根據模型（1）、模型（3）結果對比可知，產業結構降低了能源強度對碳排放效率的抑制作用，有利于安徽省整體碳排放效率的提高。

城鎮化率（URB）的回歸系數為正且顯著（plt;0.01），意味著安徽省的城鎮化水平對碳排放效率起到了顯著的正向促進作用。截至2022年底，安徽省整體城鎮化率較高，平均為60.5%。然而，城鎮化水平在省內各城市之間存在明顯差異，在16個地級市中，只有7個城市的城鎮化率達到均值。故安徽省應注重推進低城鎮化率城市的城鎮化進程以提高整體碳排放效率。

經濟發展水平（LNGDP）的系數為0.624且顯著（plt;0.01），表明安徽省經濟發展水平有利于促進碳排放效率的提升。繆陸軍等指出，經濟發展水平對碳排放效率的影響呈現非線性關系[26]。由模型（2）結果可知，增加二次項后，經濟發展水平的系數提高為1.954，二次項的系數為負0.036，且均顯著（plt;0.01）。其反映了在經濟發展過程中，碳排放效率是先快速增加后逐漸降低的趨勢，符合“環境庫茲涅茨曲線”理論預測。2010—2022年間安徽省的經濟發展水平對碳排放效率的影響整體呈上升趨勢，處于該曲線拐點的左側，即安徽省經濟發展水平有助于碳排放效率的提升。

對外開放水平（OPEN）回歸系數為正且顯著，表明其對碳排放效率產生了積極影響，并且在統計上具有顯著性。首先，對外開放促進了資源、技術和經驗的跨境流動，有利于引進先進的環保技術和管理經驗，從而提高了生產過程中的能源利用效率，減少排放。其次，開放市場為企業提供了更廣闊的發展空間，激勵其更加注重環境友好型的生產方式，從而提高整體碳排放水平。

科技創新能力（RDE）回歸系數為負，表明其對碳排放效率具有一定的抑制作用。在研究期內，安徽省各市之間的科技投入差異較大，合肥市的最高科技投入達到469.5億元，而池州市的科技投入僅為0.81億元。較大的科技投入差異，可能導致部分城市科技投入不足，從而在降低碳排放量和提升碳排放效率的關鍵核心技術上未發揮應有的作用。此外，科技的影響存在滯后性，這也可能導致當前階段科技創新能力對碳排放效率的負向影響。

2.2.3 穩健性檢驗

基于前人的研究，對回歸結果的可靠性進行驗證。王兆峰等指出城市的綠化程度對碳排放效率具有重要影響，因此引入新解釋變量建成區綠化覆蓋率（C1）來驗證模型的穩健性[27]。此外，選用FDI占GDP比重（FDI）替代對外開放水平（OPEN），并選用CEE2（規模報酬不變）替換原先的被解釋變量CEE（規模報酬可變）進行回歸。對比前后結果的變化，發現數據波動較小且水平顯著，表明模型分析結果穩健可靠，具體結果如表6所示。

3 研究結論

基于安徽省16個市2010—2022年間碳排放相關數據，結合非期望產出的超效率SBM模型和Malmquist指數全局參比，從靜態和動態角度研究了安徽省區域碳排放效率的分布特征和變化趨勢，并運用雙向固定效應模型研究其影響因素。主要研究結果如下：

3.1 碳排放效率測度

在2010年至2022年間，安徽省的碳排放效率均值為0.715。這表明安徽省在生產和資源利用方面的效率相對較高，即單位資源投入所產生的碳排放量較低，說明安徽省在保障經濟發展的同時注重綠色環保和可持續發展。安徽省的碳排放效率在時間上呈現“U”型變化趨勢；空間上各區域之間碳排放差異較為明顯，具體表現為皖中gt;皖北gt;皖南；城市間的碳排放效率雖存在差異，但兩極分化趨勢有所減緩，整體分布更加協調。

3.2 碳排放效率的影響因素

通過雙向固定效應模型的回歸結果可以看出，經濟發展水平是主要驅動因素，而能源強度是影響碳排放效率的主要抑制性因素。在各影響因素中，經濟發展水平對安徽省碳排放效率的影響符合“環境庫茲涅茨曲線”理論預測，目前安徽省處于該曲線拐點的左側，即經濟發展有助于提升碳排放效率。然而，能源強度、產業結構和科技創新能力對碳排放效率具有顯著的抑制作用；相比之下，城鎮化率、經濟發展水平和對外開放水平則有利于提高安徽省碳排放效率。此外，能源強度與產業結構的交互項結果與單獨考慮能源強度和產業結構的回歸系數符號一致，均為負，但數值和顯著性明顯下降，說明綜合考慮能源強度和產業結構協同作用，可以顯著減弱能源強度對安徽省碳排放效率的抑制作用，從而促進節能減排，推進綠色低碳發展的目標的實現。

——————————

參考文獻：

〔1〕岳利萍，楊欣怡.雙重環境目標約束下的產業轉型升級：“減污降碳”何以“協同增效”[J].中國人口·資源與環境，2024，34（01）：46-58.

〔2〕中華人民共和國國民經濟和社會發展第十四個五年規劃和2035年遠景目標綱要[N].人民日報，2021-03-13（001）.

〔3〕劉峰，郭林峰，趙路正.雙碳背景下煤炭安全區間與綠色低碳技術路徑[J].煤炭學報，2022，47（01）：1-15.

〔4〕Kaya Y， Yokobori K. Environment， Energy， and Economy： Strategies for Sustainability[M]. Tokyo： United Nations University Press，1997.

〔5〕Ramanathan R. Combining indicators of energy consumption and CO2 emissions： across country comparison[J]. International Journal of Global Energy lssues，2002，17（03）：214-227.

〔6〕孫焱林，何蓮，溫湖煒.異質性視角下中國省域碳排放效率及其影響因素研究[J].工業技術經濟，2016，35（04）：117-123.

〔7〕Zaim O， Taskin F. Environmental efficiency in carbon dioxide emissions in the OECD： A non-parametric approach[J]. Journal of Environmental Management， 2000， 58（02）： 95-107.

〔8〕于克美，武劍紅，李紅昌.我國鐵路運輸業碳排放效率與影響因素分析[J].技術經濟，2020，39（11）：70-76+86.

〔9〕寧論辰，鄭雯，曾良恩.2007-2016年中國省域碳排放效率評價及影響因素分析——基于超效率SBM-Tobit模型的兩階段分析[J].北京大學學報（自然科學版），2021，57（01）：181-188.

〔10〕Wang Q， Liu S. How Do FDI and Technological Innovation Affect Carbon Emission Efficiency in China？Energies. 2022; 15（23）：9209.

〔11〕劉婕，魏瑋.城鎮化率、要素稟賦對全要素碳減排效率的影響[J].中國人口資源與環境，2014，24（08）：42-48.

〔12〕惠明珠，蘇有文.中國建筑業碳排放效率空間特征及其影響因素[J].環境工程，2018，36（12）：182-187.

〔13〕李瀟瀟，張振東.OECD成員國碳排放效率時空演變與影響因素研究[J].河北環境工程學院學報，2022，32（03）：16-21+41.

〔14〕CHARNES A， COOPER W W， RHODES E. Measuring the efficiency of decision making units[J]. European Journal of Operational Research， 1978， 2（06）： 429-444.

〔15〕TONE K. A slacks-based measure of super-efficiency in data envelopment analysis[J]. European Journal of Operational Research， 2002， 143（01）： 32-41.

〔16〕Pastor J T， Lovell C. A Global Malmquist Productivity Index[J]. Economics Letters， 2005， 88（02）： 266-271.

〔17〕楊雪，王永平，王靜.數字鄉村發展對農業碳排放強度的影響效應及作用機制檢驗[J].統計與決策，2023，39（11）：66-71.

〔18〕王寬，李永波，鞠萍.中國煤炭行業動態碳減排效率研究[J].中國石油大學學報（社會科學版），2023，39（04）：42-49.

〔19〕張軍，吳桂英，張吉鵬.中國省際物質資本存量估算：1952—2000[J].經濟研究，2004，50（10）：35-44.

〔20〕張少輝，余泳澤，楊曉章.中國城市固定資本存量估算與生產率收斂分析：1988—2015[J].中國軟科學，2021，36（07）：74-86.

〔21〕孫秀梅，張慧，王格.基于超效率SBM模型的區域碳排放效率研究——以山東省17個地級市為例[J].生態經濟，2016，32（05）：68-73.

〔22〕朱保昌.安徽省低碳城市評價及建設路徑研究[D].合肥：合肥工業大學，2019.

〔23〕王新平，沈穎雙，蘇暢.黃河流域城市碳排放效率時空分異及其溢出效應研究[J].生態經濟，2023，39（04）：26-34.

〔24〕李健，馬曉芳，苑清敏.區域碳排放效率評價及影響因素分析[J].環境科學學報，2019，39（12）：4293-4300.

〔25〕田麗，吳旭曉.城鎮化、技術創新與區域碳排放績效[J].技術經濟與管理研究，2023，44（08）：67-72.

〔26〕繆陸軍，陳靜，范天正，等.數字經濟發展對碳排放的影響——基于278個地級市的面板數據分析[J].南方金融，2022，44（02）：45-57.

〔27〕王兆峰，杜瑤瑤.基于SBM-DEA模型湖南省碳排放效率時空差異及影響因素分析[J].地理科學，2019，39（05）：797-806.