中国省域碳排放效率动态评价研究——基于交叉效率DEA模型

刘金培1,葛海霞1,王怡然1,陈金朝1,王 慧

(1.安徽大学 商学院,安徽 合肥 230601;2.浙江农林大学 理学院,浙江 杭州 311300)

中国省域碳排放效率动态评价研究
——基于交叉效率DEA模型

刘金培1,葛海霞1,王怡然1,陈金朝1,王 慧2

(1.安徽大学 商学院,安徽 合肥 230601;2.浙江农林大学 理学院,浙江 杭州 311300)

节能减排的关键在于提高碳排放效率,考虑到能源消费结构差异的影响,建立交叉效率DEA模型对我国各省份碳排放效率进行动态评价。在对我国30个省区2005—2014年的碳排放量进行测算的基础上,根据能源消费结构对30个省区进行聚类分析,进一步构建基于交叉效率的DEA模型。基于2005—2014年各省区的面板数据,对我国30个省区的碳排放效率进行动态评价分析。研究结果表明:2005—2014年,我国大部分地区的碳排放效率较为稳定且呈现出缓慢递增趋势,西部碳排放效率增长速度最快;碳排放最大和最小的地区差距有逐年缩小的趋势;我国碳排放效率呈现出东部gt;中部gt;西部的特征,广东、江苏、山东、浙江等东部地区碳排放效率最高,新疆、宁夏、青海等西部地区碳排放效率较低。

碳排放效率;能源结构;交叉效率DEA;动态评价

1 引言

自改革开放以来,我国经济取得了较快发展。2010年中国经济总量超越日本,成为全球第二大经济实体。但我国资源环境问题不容乐观,“高碳”已成为经济发展十分显著的特征[1]。世界能源所(WRI)数据表明,我国已于2009年超过美国成为全球最大的碳

排放国家。化石能源的燃烧带来全球变暖等环境问题[1,2]。因此,在2009年12月的哥本哈根国际气候会议上,我国政府承诺:力争在2020年前使我国单位生产总值的CO2排放量比2005年降低40%—50%[3]。为了有针对性地给出节能减排的合理建议,需要全面了解我国各省区的碳排放状况,科学评价各省区碳排放效率。

回顾国内外文献,早期较多地采用单要素指标测算碳排放效率,但是它存在过度夸大某个单要素的作用,且无法反映指标间替代作用的缺陷。全要素方法在揭示一个地区要素禀赋结构对其能效的影响上要优于单要素方法,因此现在学者们普遍采用全要素方法研究碳排放效率[4]。在全要素分析中,如何确定效率前沿十分重要。Farrell提出两种可能的处理方式:一种是使用非参数估计的方法,另一种是使用参数估计的方法[5]。前一种方案发展成为当今的数据包络分析法(DEA)[6],后一种方案被Aigner、Meeusenand、Vanden Broeck发展成随机变量前沿分析法(SFA)[7,8]。

目前,数据包络分析方法(DEA)和随机变量前沿分析法(SFA)是研究碳排放效率的两种主流方法。Zhou等[9]利用DEA模型整合了影响CO2减排绩效的指标,从而评估了18个CO2排放大国的CO2减排绩效；吴贤荣、张俊飚等[10]基于DEA-Malmquist指数分解方法与Tobit模型对我国各省区的农业碳排放量进行了测算,并对碳排放效率变动及其影响因素进行了研究,得到省际间农业碳排放效率变动存在差异；李涛、傅强基于DEA环境效率评价的角度,通过对我国1998—2008年29个省区碳排放效率的测算,认为我国碳排放效率逐步提高,但区域差异明显[11]；RistoHerrala等[12]利用随机前沿分析法,评价了1997—2007年170个国家和地区的CO2排放效率,结果显示我国的碳排放效率最低；杜克锐、邹楚沅基于随机前沿模型分析了我国的碳排放效率的地区差异,发现我国碳排放效率地区差异呈扩大趋势[13]。

数据包络分析(DEA)作为一种非参数方法,相较于随机变量前沿分析法,具有事先无需知道生产函数具体形式、可以同时处理多个投入和多个产出、各投入要素权重非主观确定等优点。但基于传统DEA模型的碳排放效率评价仍然具有以下缺点:①只能将决策单元区分为DEA有效还是非有效两类,不能进一步进行分级和排序。②用于计算效率值的权系数只在对被评单元最有利(使其效率值最大)的范围内取值,容易形成夸大自身优势,产生表面DEA有效[14]。交叉效率DEA方法是一种互评体系效率的评价方法,通过决策单元之间相互评价可以克服上述问题[15]。此外,由于能源活动最主要的是CO2排放来源,对我国各省份来说,能源消费结构取决于能源生产结构,能源生产结构又受制于能源储量结构。另有研究表明,能源活动的CO2排放几乎全部来源于化石燃料的燃烧,因此CO2排放和能源消费结构有着密切的关联。然而,由于各区域能源禀赋的差异,我国各省区的能源消费结构类型差距较大[16]。因此,对我国各省区进行碳排放效率评价还需要充分考虑能源消费结构差异的影响。可以看出,基于传统DEA模型的碳排放效率评价仍存在问题,尤其是建立交叉效率DEA模型对我国碳排放效率进行评价的研究还存在空白,尤其缺乏考虑能源结构差异影响的分析。因此,本文考虑到能源消费结构的影响,基于2005—2014年30个省区(因数据不易获取，未包括西藏自治区、香港和澳门特别行政区、台湾地区，下同)的碳排放面板数据,提出基于交叉效率DEA的碳排放效率评价方法,对我国碳排放效率进行动态评价分析,为我国低碳经济发展相关政策的制定提供理论支持。

2 碳排放测算

科学测算中国各省区每年的碳排放量是进行碳排放效率评价的基础和前提。参照IPCC以及国家气候变化对策协调小组办公室和国家发改委能源研究所给出的方法,结合文献[17]的研究,对我国各地区的化石能源燃烧所产生的CO2排放量和水泥生产过程产生的CO2排放量进行了合理测算。化石能源消费数据和水泥生产的数据分别来自相关年份的《中国能源统计年鉴》和国泰安数据库,本文涉及到的碳排放量是指狭义上CO2温室气体的排放量。

碳排放总量计算公式为:

(1)

式中,TC表示CO2排放总量;EC表示化石能源燃烧CO2的排放总量;CC表示水泥生产过程产生的CO2排放总量;ECi是指估算的各类能源消费的CO2排放总量;i(i=1…7)是指能源消费类型,分别代表了煤炭、焦炭、煤油、汽油、柴油、燃料油和天然气;Ei、CFi、CCi和COFi分别代表此地区第种能源的消费量、发热值、碳含量、氧化因子；CFi×CCi×COFi×3.67则为各类能源碳的排放系数;Q表示水泥生产总量;EFcement表示水泥生产过程中的碳排放系数。排放系数见表1。根据式(1),可获得2005—2014年我国30个省区的碳排放量估计值,见表2。

表1 各排放源的碳排放系数

表2 2005—2014年我国省际区域碳排放量(万t)

(续表2)

省区/年份2005200620072008200920102011201220132014安徽18058199492256825881288973084133721360473882239800福建12421139791631317049194132063524435241082413024500江西11496126411411514410154191763619657199522201922800山东62399713527631579086814189009094950994769529099900河南39218447675031952259539405781464521611826141562900湖北21866248152744927413296043439539081398163470835000湖南19381212862496825053272612932932095319993139531500广东33130366073959840710427494709051763499744987250800广西10439113801320513885157531842920804222452297122700海南1760199322772485281833484242451547214800重庆10812118411297213596147341658818789189551709618400四川22780252122851129491343373772638640394564070940900贵州15443177461921219665218162249025439283083004629900云南17487193102028820960231292467925909274642767925700陕西13842169141880320983233012791231713367383961442000甘肃903295791074011086109581290714812160861709417800青海2366277632913646388638554587566363896000宁夏633970287892882898001177215805161451723917600新疆10143116081299114730178561993224066291783452438400

3 研究方法与数据来源

3.1 研究方法

DEA评价方法不但可以用于被评价决策单元具有多个投入和多个产出的情况,而且不需要预先给定任何主观信息,已被广泛运用在多个领域[18,19]。然而,传统DEA模型不能将决策单元完全排序,用于计算效率值的权系数只对被评单元最有利的范围内取值,容易夸大自身效率。本文构建可以进行完全评价以及加入他评的交叉效率DEA模型,对2005—2014年我国30个省区的碳排放效率进行动态评价。

计算第k个决策单元(DMUk)的自我评价效率值θkk(k=1,…,n)。若对n个决策单元DMUj(j=1,2,…,n)进行评价,每个决策单元都具有m种投入和s种产出,记xij和yrj(i=1,…,m)分别为第j个决策单元DMUj(j=1,…,n)的第i种投入和第r种产出(i=1,…,m;r=1,…,s)。建立以下DEA模型[20]:

通过对线性规划模型(2)求解,可得出DMUk的相对效率得分θkk。θkk越大，表明该决策单元效率越高,越有效。由模型(2)的目标函数可以看出,θkk是通过最有利于DMUk的权重计算出来的值,因此称θkk为DMUk的自我评价效率值。

根据第一步求得的最优目标函数值θkk,构建如下的进取型交叉效率DEA模型并求解,得到投入—产出的权重向量πik和λik。

(4)

进一步可以得到交叉评价效率矩阵Θ=(θij)n×n。其中,主对角线元素θkk为自我评价值,非对角线元素θkj(j≠k)是指DMUk对DMUj的交叉效率评价值。Θ第j列的值代表其他所有决策单元对DMUj的评价值,值越大,说明越有效。

将交叉评价效率矩阵Θ的第j列进行平均,得到DMUj的最终交叉效率评价值:

(5)

3.2 数据来源

本文主要选取我国30个省区作为研究对象,以其2005—2014年投入—产出面板数据作为研究样本。参照相关学者采用的投入—产出指标,并结合数据的可获得性,选取了能源消费总量、能源类型、资本投入、劳动力投入、产业结构5个投入指标,将地区生产总和碳排放量作为产出指标。鉴于西藏自治区、香港特区、澳门特区和台湾省缺少的数据资料较多,故未将其作为本文的研究对象。数据来自于相关年份的《中国能源统计年鉴》、《中国历年统计年鉴》和各省统计年鉴、国泰安数据库。

表3 各省区能源消费结构类型

4 实证研究

4.1 计算结果及讨论

利用交叉效率评价模型,基于2005—2014年我国30个省区碳排放相关投入—产出的面板数据,利用MATLAB对我国30个省区2005—2014年的碳排放交叉效率进行了测算,结果见表4。由表4可见,整体上我国各省区碳排放效率呈平稳上升趋势。在空间上,碳排放效率最大和最小省份的差异有逐年缩小的趋势。2005年效率值最大的广东省和最小的青海省相差0.692,而2014年两者相差0.510,表明碳排放效率区域差异有所缩小但缩小幅度有限。在时间上,我国各省区(除广东省外)碳排放交叉效率整体呈现出逐年缓慢递增趋势,表明我国节能减排工作稳步推进,取得一些成效,但未来碳减排的任务仍然艰巨。在部分地区,如四川、湖北、北京、贵州等地碳排放效率增幅较大,说明相对其他省区,这些地区节能减排政策的相对效果更加显著,尤其是2008年和2013年大部分省区的碳排放效率增幅较大。

表4 2005—2014年各省区的碳排放交叉效率评价值

(续表4)

省区/年份2005200620072008200920102011201220132014江苏0.8290.8210.8510.8700.8780.8850.9000.9180.8900.898浙江0.7490.7390.7500.7720.7610.7720.7730.7760.8220.797安徽0.7360.7110.7060.7590.7660.7520.7810.7970.8220.791福建0.6600.6290.6290.6840.6780.6970.6590.6640.7390.726江西0.7020.6850.6730.7120.7220.7470.7500.7710.8000.784山东0.7670.7680.7690.8820.8780.8590.8470.8540.9170.902河南0.7860.7430.7120.8020.7600.7520.7310.7170.7340.708湖北0.5940.5880.6100.6830.6890.7060.7140.7330.7980.780湖南0.7180.7050.6980.7530.7580.7640.7710.7920.8420.825广东0.9710.9650.9700.9570.9430.9370.9290.9210.8990.881广西0.6280.6110.5910.6480.6170.6010.6060.5970.6430.627海南0.4610.4510.4470.4970.4780.4580.4890.4790.5200.478重庆0.5330.5040.5030.5680.5690.5620.5720.5790.6370.628四川0.6220.6180.6100.6520.6610.6890.7290.7510.7970.779贵州0.4440.4380.4380.5290.5220.5160.5410.5670.6450.650云南0.5400.5330.5180.5420.5280.4940.5030.5250.5810.562陕西0.5660.5660.5450.6540.6760.6860.6610.6860.7230.695甘肃0.4470.4450.4250.4900.4720.4730.5040.5120.5690.540青海0.2790.2880.3050.4080.3740.3690.3730.3700.4210.371宁夏0.2930.2870.3000.4250.3780.3910.3820.3900.4600.402新疆0.4010.4020.3860.4630.4340.4640.4690.4690.5340.502

4.2 碳排放效率地区差异比较

本文将我国各省区按照东部、中部、西部进行区域划分,进一步来研究碳排放交叉评价效率的区域差异。东部、中部和西部的具体划分见表5。由于先天资源禀赋、地理位置、社会经济发展水平等差异,我国东部、中部、西部三大地区碳排放效率差异明显。2005—2014年,我国东、中、西部碳排放效率比较见图1。

表5 我国三大区域划分及构成

图1 2005—2014年我国三大区域碳排放效率

从空间上来看,东部地区碳排放效率得分最高,中部紧随其后,西部碳排放效率得分最低,碳排放效率整体呈现出东部gt;中部gt;西部的特征。东部地处沿海,较早承接产业转移,是对外开放的门户,经济发展一直较为迅速,技术积累优势明显,且东部地区服务业发展迅速为主已经形成一定的规模,因此碳排放效率最高。中部地区高耗能产业较多,先天资源禀赋不足,但由于指标中选取了能源结构类型,消除了先天条件较差省区(以煤为主的省份)的不足,使所有省区在同一水平上进行比较,所以中部碳排放效率较高。西部由于地理条件所限,相对与外界交流较少,经济发展和高新技术应用相对落后,碳排放效率相对较低。

在增长速度上,西部碳排放效率增长最快,发展潜力较大,东部、中部地区增长较为平缓。自从1999国家提出西部大开发战略以来,西部社会经济得到了较快发展,能源环境问题也得到改善。其中,在2014年碳排放效率呈现出明显的下降趋势,主要原因是在我国提出经济发展新常态之后,2014年我国GDP增速放缓,仅为7.4%。在其他投入保持基本不变的情况下,GDP产出减少,导致碳排放效率降低。2007—2008年碳排放效率显著上升的原因在于2007年我国通货膨胀导致经济过热,GDP增幅较大。

表6 两种碳排放效率值对比及排名

4.3 各省区效率值排名

我们将DEA交叉效率的得分与传统DEA效率得分进行比较,2005—2014年我国30个省区的传统DEA效率得分和交叉效率得分的均值与排名见表6。由表6可见,交叉效率DEA模型与传统DEA模型对30个省区的碳排放效率评价结果具有较高的一致性。然而,传统的DEA评价效率值无法对效率值为1的省区进行区分,而平均交叉效率模型则较好地区分了所有省区的碳排放效率。结果显示,广东、江苏、山东、浙江等东部地区碳排放效率最高,新疆、宁夏、青海等西部地区效率最低。

5 对策建议

本文考虑到能源消费结构的影响,基于2005—2014年我国30个省区的碳排放面板数据,提出基于交叉效率DEA的碳排放效率评价方法,对我国碳排放效率进行动态评价分析,得出的研究结论和管理建议如下:①从空间上看,不同省区应制定不同的节能减排政策,我国各省区应根据碳排放效率差异以及区域发展现状制定适合自身发展的节能减排措施。对东部碳排放效率较高的地区,应继续着力发展高新技术产业、知识密集型产业等低能耗产业;提高当地风能、太阳能等可再生能源的使用比例,优化能源消费结构。对中部地区要减少高污染企业数量、鼓励节能环保型产业发展以优化产业结构,限制煤炭的开采使用总量,调整能源利用结构;产学研相结合,将高校院所研究成果更好为节能减排服务,并且要加大科研投入,从而提高能源利用效率。对西部低效地区,抓住区域经济应协同发展的机会,加强与其他人才和技术互动与交流;学习中东部地区成功经验,结合自身实际情况,保证经济快速发展,同时发展低碳经济;国家应出台政策吸引优秀人才,引进资金,扶持西部地区低碳经济发展。②从时间上看,2005—2013年我国各地区碳排放效率整体呈现出缓慢上升趋势,而在2014年碳排放效率出现了降低,主要原因在于我国正在经历经济结构转型,淘汰落后产能的措施和加大环保力度在短期内对经济发展产生了影响。所以，各地区在强调节能减排的同时,应保障经济持续健康发展。追求短期环境改善不能根本解决问题,保护环境损害经济发展同样不可取,应促进经济发展与生态环境保护相适应。此外,东西部地区效率有差距逐渐缩小的趋势，西部碳排放效率增长速度最快,增长潜力较大,应加大对西部的扶持力度,促进西部经济、社会、环境状况良好发展。

[1]许士春,习蓉,何正霞.中国能源消耗碳排放的影响因素分析及政策启示[J].资源科学,2012,34(1)∶2-12.

[2]刘金培,汪官镇,陈华友,等.基于VAR模型的PM2.5与其影响因素动态关系研究——以西安市为例[J].干旱区资源与环境,2016,30(5)∶78-84.

[3]刘亦文,胡宗义.中国碳排放效率区域差异性研究——基于三阶段DEA模型和超效率DEA模型的分析[J].山西财经大学学报,2015,37(2)∶23-34.

[4]杨红亮,史丹.能效研究方法和中国各地区能源效率的比较[J].经济理论与经济管理,2008,(3)∶12-20.

[5]Hu J L,Wang S C.Total-factor Energy Efficiency of Regions in China[J].Energy Policy,2012,46(2)∶821-833.

[6]Charnes A W,Cooper W W,Rhodes E L.Measuring Efficiency of Decision-making Units[J].European Journal of Operational Research,1979,2(6)∶429-444.

[7]Schmidt L P.Formulation and Estimation of Stochastic Frontier Production Function Models[J].Journal of Econometrics,1977,6(1)∶21-37.

[8]Meeusen W,Broeck J V D.Efficiency Estimation from Cobb-douglas Production Functions with Composed Error[J].International Economic Review,1977,18(2)∶435-444.

[9]Zhou P,Ang BW,Han JY.Total Factor Carbon Emission Performance：A Malmquistindex Analysis[J].Energy Economics,2010,32(1)∶194-201.

[10]吴贤荣,张俊飚,田云,等.中国省域农业碳排放：测算、效率变动及影响因素研究——基于DEA-Malmquist指数分解方法与Tobit模型运用[J].资源科学,2014,36(1)∶129-138.

[11]李涛,傅强.中国省际碳排放效率研究[J].统计研究,2011,28(7)∶62-70．

[12]Herrala R,Goel R K.Global CO2Efficiency：Country-wise Estimates Using a Stochastic Cost Frontier[J].Energy Policy,2012,45(6)∶762-770．

[13]杜克锐,邹楚沅.我国碳排放效率地区差异、影响因素及收敛性分析——基于随机前沿模型和面板单位根的实证研究[J].浙江社会科学,2011,(11)∶32-43.

[14]张天学,张福翔. DEA评价与排序的新方法[J].数学的实践与认识,2002,32(6)∶911-917.

[15]孙加森.数据包络分析(DEA)的交叉效率理论方法与应用研究[D].合肥：中国科学技术大学硕士学位论文,2014.

[16]张丽峰.我国产业结构、能源结构和碳排放关系研究[J].干旱区资源与环境,2011,25(5)∶1-7.

[17]杜立民.我国二氧化碳排放的影响因素：基于省级面板数据的研究[J].南方经济,2010,28(11)∶20-33.

[18]吕林.基于DEA方法的中国区域节能减排效率评价与分析[D].合肥：中国科学技术大学硕士学位论文,2016.

[19]彭育威,吴守宪,徐小湛.利用MATLAB进行DEA交叉评价分析[J].西南民族大学学报,2004,30(5)∶553-556.

[20]Wang Y M,Chin K S.Some Alternative Models for DEA Cross-efficiency Evaluation[J].International Journal of Production Economics,2010,128(1)∶332-338.

[21]王成瑞,赵达薇.中国各省市能源结构的聚类分析[J].电力科学与工程,2007,23(2)∶27-29.

[22]单豪杰.中国资本存量K的再估算：1952—2006[J].数量经济技术经济研究,2008,(10)∶17-31.

DynamicEvaluationofCarbonEmissionEfficiencyinChina′sProvinces——BasedonCrossEfficiencyDEAModel

LIU Jin-pei1,GE Hai-xia1,WANG Yi-ran1,CHEN Jin-zhao1,WANG Hui2

(1.School of Business,Anhui University,Hefei 230601,China;2.School of Sciences,Zhejiang Aamp;F University,Hangzhou 311300,China)

The sticking point to energy saving and emission reduction was to improve the efficiency of carbon emission.Considering the influence of energy consumption structure,this paper set up a cross efficiency DEA model to evaluate the carbon efficiency of each province dynamically in China.On the basis of the measurement of carbon emissions in 30 provinces and regions in China from 2005 to 2014,30 provinces and autonomous regions were clustered according to the energy consumption structure,and the DEA model based on cross efficiency was further constructed.According to the 2005-2014 panel data,the dynamic evaluation of carbon emission efficiency in 30 provinces and autonomous regions of China was carried out.The results showed that from 2005 to 2014,the carbon emission efficiency in most areas of our country was relatively stable and showing a slow increasing trend.The growth rate of carbon emission in western China was the fastest.The gap between the largest and the smallest regional carbon emissions was decreasing year by year.China′s carbon emissions efficiency showed the characteristic that the eastern part was larger than the central and the central was greater than the west.Among them,the efficiencies of carbon emissions in Guangdong,Jiangsu,Shandong and Zhejiang were higher.Xinjiang,Ningxia,Qinghai and other western regions were less efficient.

carbon emission efficiency;energy structure;cross efficiency DEA;dynamic evaluation

10.3969 /j.issn.1005-8141.2017.09.004

X321

A

1005-8141(2017)09-1041-05

2017-07-10；

2017-08-23

国家自然科学基金项目(编号:71501002、71371011、71301001);教育部人文社会科学研究青年基金项目(编号:13YJC630092);安徽省自然科学基金项目(编号:1508085QG149、1608085QF133);安徽省社科规划项目(编号:AHSKQ2014D13、AHSKQ2016D13);安徽大学创新训练计划项目(编号:201610357484);浙江省自然科学基金项目(编号:LQ15G010006)。

及通讯作者简介：刘金培(1984-),男,山东省滨州人,博士,副教授,主要从事低碳经济与管理方面的研究。