王兆峰;杜瑶瑶
【摘 要】为寻求中部地区可持续发展有效路径,利用改进后的三阶段超效率SBM-DEA模型与Malmquist指数,实现了对2010—2016年湖南省14个市(州)碳排放绩效静态和动态评价及区域差异分析,结果发现:(1)湖南省碳排放技术效率、纯技术效率和综合规模效率偏低,经剔除环境因素和随机误差后多数地区的绩效水平得到显著提高.(2)区域间形成阶梯型差异,长沙市碳排放绩效居于全省前列,其次为常德市和张家界市,余下地区稳定在0.6左右.(3)2010—2016年整体碳排放绩效趋势为先上升后下降,其中TFP指数与技术进步指数变化一致,表明全要素生产率提高有赖于技术创新.(4)五大能源区域中,湘东地区碳排放绩效较高,其次为湘北地区和湘南地区,湘中地区与湘西地区受到规模效率和技术进步的双重制约.应注重各市(州)发展阶段的差异性和技术创新驱动力,协调各地区发展关系. 【期刊名称】《中南林业科技大学学报（社会科学版）》奉化市锦屏中学
【年(卷),期】2019(013)001
【总页数】8页(P23-30)
【关键词】碳排放绩效评价;超效率SBM-DEA模型;Malmquist指数;湖南
【作 者】王兆峰;杜瑶瑶
杭州市城市总体规划【作者单位】湖南师范大学 旅游学院,湖南 长沙 410081;湖南师范大学 旅游学院,湖南 长沙 410081
【正文语种】中 文
【中图分类】F290
生态文明建设作为“十三五”规划重点，强调发展的速度与效益，鼓励各地区寻增长与保护间的最佳平衡点，对能源消耗具有迫切要求。湖南省位于中部地区，缺煤、无油、无气、水资源开发基本饱和，多种能源的使用需要依靠外省调入。经济快速发展下，全省能源持续大量消耗所带来的碳排放污染问题愈发严重。碳排放绩效作为环境评估重要的标准，国外研究中利用DEA方法对国际组织成员的国家和地区碳排放绩效进行了测算和评价[ 1-2]。国内多以中国的各个省份为研究对象，对全国碳排放的空间差异和关联度探索，进一步分析东、中、西部地区的碳排放变化[3-5]，或者以省域和县域开展多尺度研究[6-8]。国内外针对碳排放绩效研究的侧重点不同，Ya-Yen Sun提出了一个分解国家旅游碳足迹和效率的分析框架，以确定经济增长、技术效率和环部性之间的动态关系 [9]。Ruggero Sainaghi通过介绍旅游绩效评价文献的三个重要维度(分析单位、方法和学科)，提出了理解和提高旅游绩效度量知识的框架[10]。Jia Liu采用数据包络分析(DEA)-Tobit模型，对中国沿海城市旅游生态效率进行了评价，探讨了总体效率水平、区域差异、生态效率类型及影响因素[11]。对于多尺度下的碳排放绩效评价，孙亚男用社会网络分析方法（SNA）对我国省际碳排放的空间结构进行分析，发现位于网络中心位置的省份易对其他地区产生空间关联性，并进一步分析了京津冀、长三角等地区所表现的不同聚类差异[12]，另外部分学者利用重心模型对市域内碳排放和经济发展重心的变化进行估计[13]。
综上所述，以往有关碳排放绩效评价研究尺度的局限性较大，涉及到市域范围的研究主要集中在部分省份，缺乏对绩效水平差异的深入分析。在研究方法上，国外用于测量碳排放绩效的方法趋向多元化，而国内在模型构建上考虑的影响因素有所不足。本文将包含非期望的超效率SBM模型纳入到三阶段DEA模型之中，剔除环境变量后，对静态碳排放绩效的
测量更为准确，并利用Malmquist 指数分解模型对碳排放绩效动态变化趋势进行分析。考虑到湖南省各市（州）社会经济条件和环境质量的差异对于碳排放绩效的影响，在对碳排放绩效静态和动态测量的基础上，对省内绩效水平进行区域差异分析，以推动各市（州）优势资源互补，增强空间上的协同作用。因此，在低碳建设的区域大背景下，进一步关注湖南省碳排放绩效的发展态势，有利于助推湖南全域旅游基地建设，拓展中部地区碳排放绩效的提升路径。
一、研究方法与数据来源
（一）研究区域概况
湖南省土地面积21.18万km2，下设13个地级市、1个湘西土家族苗族自治州（以下简称州），经济发展潜力巨大。但湖南省缺煤、无油、乏气，水资源开发基本上饱和，新能源尚未充分开发，煤、油、气等供需主要依靠外省调入，是属于一次能源缺乏的省份，节能减排问题严峻。为协调能源的合理配置，《湖南省“十三五”及中长期能源发展研究报告》中，全省被划分为五大能源基地：湘北能源基地，包括岳阳、常德、益阳三市；湘东能源基地，包括长沙、株洲、湘潭三市；湘南能源基地，包括衡阳、郴州、永州三市；湘中能
源基地，包括邵阳和娄底两市；湘西能源基地，包括怀化、张家界、湘西三市（州）。
（二）变量选取与数据来源
1.投入与产出变量选取
本文选取劳动力、资本和能源作为投入指标。劳动力选取湖南省各市（州）年末从业人数（万人）；对于资本投入，参考张军[14]或单豪杰[15]所提出的永续盘存法，以2010年为基期根据固定投资价格指数对历年固定资产形成总额进行平减得到资本存量；能源投入选取单位GDP能耗。产出指标分为期望和非期望产出，期望产出选取以2010年为基期进行折算的各市（州）国民生产总值，非期望产出选取各市（州）二氧化碳排放量，因湖南省并未直接公布二氧化碳排放量，所以选取各市州能源消耗总量为基础，对于不同煤种条件下煤质数据所推算出来的标准煤二氧化碳的排放值（2.54tCO2/tce）[16]进行碳排放量的折算。考虑到单位GDP能耗降低（升高）率多为负值，并不适合直接用DEA模型测算，所以进行无量纲化处理，具体公式如下：
其中，maxi{xij}、mini{xij} 分别为第j项指标下各评价样本值的最大值和最小值。
2.环境变量选取
畜牧兽医学报本文选取三个环境变量。一是产业结构，选取第二产业比值作为代表指标，湖南作为工业大省，第二产业的地位较为重要。二是对外依存度，对外贸易往来作为拉动经济增长的重要因素，能够体现地区的开放水平，促进先进生产要素的空间流动。三是生态环境。参考学者们[17-18]对于旅游经济与生态环境耦合协调关系的研究，选取人均绿地面积、建成区绿化覆盖率和森林覆盖率等指标，通过熵值法[19]对湖南省14市（州）的生态环境进行综合评价。
本文原始数据来源于《湖南省统计年鉴（2011—2017）》以及2016年各市（州）《国民经济和社会发展统计公报》和各市（州）的统计年鉴，其中产业比值、固定资产形成总额、地区生产总值等来源于《湖南省统计年鉴》和《国民经济和社会发展统计公报》，能源消费总量、生态环境和对外开放程度等依据《湖南省统计年鉴》核算得到，描述统计分析情况，如表1所示。
表1 数据的描述统计分析†† 表中数据来源于2016年。指标 单位 最大值 最小值 平均值 标准差投入指标劳动力 万人 523.80 97.03 3 145.99 133.20资本存量 亿元 9 664.98 333.65 2
410.07 2 808.75能源消费 % 1.00 0.00 0.50 0.27非期望产出二氧化碳排放量 万t 9 632.84 1.00 6 625.53 2 793.88期望产出国内生产总值 亿元 8 071.91 430.45 2 346.07 2 278.75环境变量产业结构 % 52.98 21.25 41.73 0.09对外开放程度 % 8.17 0.31 4.25 2.53生态环境 % 255.61 103.31 159.42 42.55
3.三阶段超效率SBM-DEA模型
为了剔除环境因素和随机误差的影响，Fried年提出三阶段DEA模型，应用随机前沿分析（Stochastic Frontier Analysis ,SFA理论），对管理无效率和随机误差项进行分析，以达到更准确的结果[20]。三阶段DEA模型中将松弛变量直接加入目标函数的超效率DEA模型（slack-basaed measure,简称SBM），其计算结果可能会出现使效率值大于1的情况，有利于对效率值大于1的决策单元的区分[21]。本文中将传统的DEA模型用包含非期望产出的超效率SBM-DEA模型替代，改进了三阶段模型运用。
第一阶段：含非期望产出的超效率SBMDEA模型。本文采用的超效率SBM-DEA模型（Super-SBM-Nonoriented）。
经济增长
第二阶段：类似SFA模型。在第一阶段中，对投入要素和产出要素做了分析，但未对样本的差异进行考虑，具体来说由于样本所处的环境状况不同，管理水平和技术也有差异，会使得出的结果出现偏差。因此，将第一阶段产生的投入的松弛变量以及环境变量进行调整作为输入变量，对其管理无效率和随机误差项进行分离。SFA的函数模型构造如下：
第三阶段：调整后的超效率SBM-DEA模型分析。将这些调整后的投入和产出利用非期望超效率SBM—DEA模型进行绩效评价。
4.Malmquist指数分解模型
美国亚马逊网上书店
碳排放并不是一个单独的个体所决定的，而是处于一个动态多变的系统之中，借助基于数据包络分析和连续基准标记技术的Malmquist指数来量化性能[22]。
式（5）中分解的两部分，一个是技术效率变化（EFFCH），用来衡量第t期到第t+1期现有技术利用对决策单元的影响，另一个是技术进步（TECHCH），用来衡量第t期到第t+1期技术进步对于决策单元的的影响。在规模可变（VRS）下，技术效率又可以分解为纯技术效率（PEC）和规模效率（SC），即EC=PEC*SC。
二、结果分析
（一）第一阶段超效率SBM-DEA分析
第一阶段中，通过包含非期望的超效率SBM-DEA模型对湖南省14市（州）的碳排放绩效初步评价时，发现各市（州）不同效率水平下的差异较为明显（表3）。考虑到未剔除环境影响，无法有效地反应各市州的真实情况，本文采取第二阶段SFA模型进行分析。
次氯酸钠发生器
（二）第二阶段类SFA回归模型分析
第二阶段类SFA模型回归分析，是将第一阶段所产生的投入松弛变量和考虑到产业结构、对外依赖程度和生态环境质量的环境变量，分别作为因变量和自变量，进行SFA回归模型分析，如表2所示。
表2 第二阶段：2010-2016年SFA回归结果†† *表示在10%的置信度下显，**表示在5%的置信度下显著，***表示在1%的置信度下显著；括号内为t值。项目 劳动力 资本存量 能源消费 碳排放 GDP常数项 125.1 (1.0) 24.8（0,2）-0.6 **(-1.9) 1265.2**(2.2) 185.5***(185.5)产业结构 -170.4(-0.8) -79.0（0.4）1.3***(2.3) -3685.6***(-2.6) -424.2***(-424.2)对外依存
度 420.3**(1.7) -10.7（0.0）0.6(0.9) 4411.8**(1.8) 1088.4***(1088.4)生态环境 0.220(0.178) 0.133*(1.429）0.001(0.001) 5.545(2.411) -1.453(0.678)δ2 48 428.7***(13 773.6) 11 656.5***(439.4) 0.0***(5.4) 1 247 700.8***(333 651.1) 50 531.6***(50 531.6)γ 1.0***(140.3）0.6***(7.7）0.1(0.8) 0.7***(17.9) 0.8***(5.4)Log值 -464.3 -487.4 20.0 -666.0 -520.8 LR单边检验 137.9*** 17.8*** 36.1*** 36.9*** 71.2***
从表2可知，在对各松弛变量进行单边广义似然比检验时，劳动力、资本存量、能源消费、碳排放和GDP等松弛变量的LR单边检验，均通过t单边检验的临界值水平，拒绝原假设，模型设置合理。γ值作为重要的检验变量，介于0到1之间，接近于1时表示实际水平与理想水平的差距主要在管理无效率对变量的影响，随机误差的影响较小。当γ值接近于0时，随机误差对SFA回归模型中影响较大。除能源消费外，其余松弛变量的γ值均大于0.5，说明管理无效率是造成碳排放效率低下的主要原因，则随机误差对能源消费的影响较大。
产业结构与劳动力、资本存量等松弛变量均为负相关，技术效率的提高有助于产业价值链升级，所形成的新兴产业能部分促进劳动力转移与就业[23]。部分地区政府制定的发展规划中，着力于增加对高新技术产业的技术投入，改善劳动力就业现状，以促进地方经济发展。
对外依存度与资本存量呈现负相关，表明当对外开放程度越大，能够对固定资本投入进行有效配置。但对外依赖程度与劳动力、能源消费量呈正相关。对外依存度加大，不利于人员就业且能源消费量增多。探讨对外开放和能源消费的影响机制，发现在制造业的各行业中，两者呈正向关系，并认为这与我国进出口贸易结构有一定联系[24]。在进出口贸易过程中，交通运输工具的选择，产品包装的使用以及往来人员的经济活动，形成一系列关系产业链，影响着能源的消耗与劳动力的投入。
生态环境指标与资本存量呈正相关且通过显著性水平检验，与其他松弛变量的相关性不强。在资本积累的过程中由生态资源和环境所带来的经济社会效益不可忽视，部分学者尝试探究生态环境与经济增长的协调关系，发现两者呈现相互促进的作用[25]。生态环境优化可以有效地促进资本的投入，而资本所带来的人员和物质流动也在推进环境建设。
（三）第三阶段调整后DEA模型回归分析
第三阶段将投入冗余进行SFA回归模型重新调整后的投入要素进行超效率SBM-DEA模型进行处理，得到的管理无效率和随机误差分离后更真实的结果，如表3所示。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议