碳排放约束下我国省际工业生产效率及空间分析

肖枝洪，冉 波

(重庆理工大学 理学院，重庆 400054)

碳排放约束下我国省际工业生产效率及空间分析

肖枝洪，冉 波

(重庆理工大学 理学院，重庆 400054)

以我国30个省市区1995—2015年工业生产面板数据为研究对象，运用SBM模型测算碳排放约束下我国省际工业生产效率值，然后运用Moran指数对省际工业生产效率进行空间相关分析。结果表明：在碳排放约束下我国省际工业生产效率呈现“先减后增”的趋势，到了2015年,各省市区工业生产都处在效率前沿上；2013年之前，“1值单元”的省份主要集中在东部，且“1值单元”的省份随着年份增加呈现增加趋势；各省市区的工业生产效率空间上存在正相关关系，东部省份主要呈现高高型聚集特征，西部省份呈现低低型聚集特征。

工业生产效率；化石碳排放；SBM模型；空间相关

近年来我国工业生产效率受到了广大学者的高度关注。已有研究文献大致可以划分为3类：第一类是研究某个具体因素对工业生产效率的影响。如施洁等研究了基础设施对工业效率的影响，认为基础设施对工业效率的提升存在显著的促进作用[1]；梁红艳等分析了物流业对工业效率的影响，认为物流业能够促进工业效率的提升[2]；徐志伟等研究了水资源对工业效率的影响，认为工业废水排放达标率对效率提升具有正向作用[3]；余泳泽等探究了金融聚集对工业效率的溢出效应，认为金融服务业的聚集间接提升了工业效率[4]。第二类是测度工业生产效率的不同方法。如王燕等运用共同前沿法分析了能源约束下的工业效率，认为考虑能源环境约束下的区域工业全要素生产率逐年提高[5]；吴英姿等采用方向距离函数对工业生产效率进行测度，认为绿色生产率先升后降，对工业低碳发展有显著正向影响[6]；Zhang等采用三阶段数据包络法研究工业生态效率，认为生态环境协调发展对工业化有至关重要的作用[7]；刘勇等比较了6种DEA模型，认为基于松弛测度的SBM模型效果较好[8]。第三类是研究工业生产效率的时空差异。如韩元军等分析了环境规制强度下的区域工业效率，认为相同规制条件下各区域的工业效率存在差异[9]；杨林川等研究了中国区域工业发展状况的时空差异，认为区域工业发展有一定程度的分化，但区域间差距呈现逐年缩小的趋势[10]。

虽然第一类研究文献对影响工业生产效率的某个特定因素进行了比较深入的研究，揭示了特定因素对工业生产效率的影响关系，但是缺乏考虑碳排放因素对工业生产效率的影响。第二类研究文献虽然运用不同的方法对工业生产效率进行了测度，但是这些方法没有充分考虑投入产出的松弛性问题，从而导致结果有偏差[11]。第三类研究文献虽然对我国工业生产效率的区域差异性进行了研究，但是却较少对省际工业生产效率的空间相关性及聚集性进行分析，导致对区域差异认识不全面。由于SBM模型能充分考虑非期望产出问题和投入产出的松弛性问题，所以本文用SBM模型来测算碳排放约束下我国省际工业生产效率，运用所测得的效率值对省际工业生产效率做空间相关分析，从而寻找工业生产效率的时空差异，为我国各省市区的工业发展提供决策参考。

一、模型设定及指标数据选取

(一)SBM模型介绍

我国省际工业生产效率的SBM模型[12]可以表示为下述非线性规划问题：

sg≥0,sb≥0,λ≥0

(1)

其中：ρ表示省际工业生产效率值；X、Yg、Yb分别表示各省市区工业生产的投入、期望产出与非期望产出；s-、sg、sb分别表示各省市区投入的松弛量、期望产出的松弛量和非期望产出的松弛量；λ表示权重；m表示投入指标个数；h和p分别表示期望产出和非期望产出指标个数。当ρ=1时，各松弛量均为0，表明所评价的决策单元有效率，即该省当年的工业生产是有效率的；当ρ<1时，表明所评价的决策单元无效率，需要进行改进。

(二)碳排放测算方法

根据各省市自治区规模以上企业实际消耗的8种化石终端能源(原煤、焦炭、原油、汽油、煤油、柴油、燃料油和天然气)的总消费量估算出各省市区的CO2排放量(未考虑其他形式导致的碳排放，下文指的碳排放均为这8种化石能源消费产生的CO2排放量)，其计算公式[13]如下：

(2)

表1 8种主要化石能源的碳排放计算参数

(三)空间自相关方法

本文采用Moran指数对我国省际工业生产效率的全局空间相关性进行检验。Moran指数[15]的定义如下：

(3)

(4)

其中：E(I)为Moran’I的期望，SD(I)为Moran’I的方差。

局部空间自相关主要是研究各省份和邻近省份工业生产效率的空间差异。局部Moran’I由全局Moran’I分解得到：

(5)

(四)数据指标的选取与解释

在省际工业生产效率测算方面，本文收集了中国大陆30个省、自治区、直辖市1995—2015年的工业生产相关数据，来源于国家统计年鉴和地区统计年鉴。数据指标具体包括：投入指标(x)包含固定资产净值年平均余额、从业人员年平均人数和市场化指数[17],期望产出(yg)为工业增加值，非期望产出(yb)为工业消费化石能源产生的二氧化碳排放量。

二、结果分析

(一)化石能源工业消费二氧化碳排放量测算结果

化石能源是工业生产不可或缺的投入要素，也是工业碳排放的主要来源,所以对工业碳排放测算显得十分重要。根据式(2)测得1995—2015年30个省市区化石能源工业消费二氧化碳碳排放量如表2，部分工业消费化石能源的缺失数据根据统计方法进行填补。

由表2可以得知，整体上，我国化石能源工业碳排放量呈上升趋势，这与我国正处于社会主义初级阶段的基本国情相吻合，国家基础建设离不开工业的支持，二氧化碳排放量增加在所难免。还可以由表2得知，2010年以前的二氧化碳排放量增速高于2010年后的碳排放量增速。这是因为政府高度重视经济与环境的协调发展，使我国的碳排放量增速逐年放缓。例如在北京、上海、湖北和云南，北京、上海和湖北由于工业企业的改造和升级，碳排放量近年来呈下降趋势；云南由于大力发展旅游业，注重环境质量，碳排放量近年来呈下降趋势。因此，将来中国改善碳排放工作的重点应该是实现经济增长模式由粗放型向集约型转变,着重调整工业结构和能源消费结构[18]。

表2 部分年份我国省际化石能源工业消费二氧化碳排放量 104 t

(二)省际工业生产效率测算

对投入产出数据进行分析前，先对模型涉及的投入产出变量进行相关性检验，所用的方法为Spearman相关分析法[19]，由于省份较多，检验所用的数据为省际的年平均值。相关系数通过了5%的显著性水平检验，说明投入产出指标之间存在显著的正相关关系，也就是说，当投入增长时，产出也将同时增加[19]。从而说明所选投入产出指标可以进行效率测算。

将二氧化碳排放量作为非期望产出纳入投入产出评价体系，根据式(1)的SBM模型，运用DEA-Solver Pro 5.0软件测得效率得分，并对效率值作折线图，如图1所示。

从图1可以看出我国1995—2015年的省际工业行业生产效率得分情况。从总体趋势来看，由于各省市区的趋势线呈上升趋势，说明各省份碳排放约束下的工业生产效率呈现显著的增长趋势。此外，由趋势线的倾斜程度还可以得知，各省市区的工业生产效率增加速度存在较大差异。其中2003年出现最低值点，省际工业生产效率得分均值为0.453 0。这是因为2003年爆发的“非典”对我国工业产生了较强的负面影响，虽然疫情得到了有效控制，但是由于从事工业相关工作的人员流动受到限制，业务往来和技术交流等出现了一定程度的阻滞，导致我国工业生产效率降到了最低点。2003年后，工业生产效率出现增长趋势，大部分省份在2012年达到了效率最大值,到了2015年，各省份的工业生产效率均处在效率前沿上，即各省份工业生产效率均比较理想。从个体发展趋势来看，省际的工业生产效率差异比较大，说明各省份的工业并不存在统一的发展路径。此外，从图1还可以看出，工业生产效率达到“1值单元”年份次数较多的省份为北京、天津和上海，京津沪3个直辖市由于地处东部经济发达、资金雄厚的沿海地区，工业起步早、发展快，所以工业生产效率较高，工业生产效率“1值单元”的年份也相对较多。

(三)省际工业生产效率的空间格局

为揭示我国省际工业生产效率的空间特征及其差异，对计算获得的省际工业生产效率的截面数据进行分类，运用ArcGIS 10.2软件分别对2000年和2010年我国省际工业生产效率值进行空间格局分析，绘制得到图2。其中黑色为“1值单元”省份，灰色为“非1值单元”，白色为本次未研究省份。

从图2可以看出，工业生产效率的“1值单元”主要集中在东部地区和中西部少数地区。2000年“1值单元”的省份，东部地区有北京、天津和上海，中部省份为安徽，西部也只有云南。2010年“1值单元”的省份为北京、天津、上海、浙江、广东、海南、云南和新疆8个省市区，且大多集中在东部，西部为新疆和云南，中部没有“1值单元”省份。结合图2和表3可以看出：工业生产效率“1值单元”省份的空间差异，与地区追求工业产值增长时过度依赖消耗化石能源这种粗放的经济增长方式有关，同时也说明了我国的工业生产效率形势不容乐观，进一步削减化石能源消费，或改用低碳清洁能源来控制碳排放量，是我国工业生产效率提升需要考虑的现实问题。

注：图中的时间只显示了1996年，每个城市的左边时间为1995年，右边为2015年，其他年份平均分布在时间轴上

图1 1995—2015年我国省际工业生产效率折线图

(四)省际工业生产效率的空间相关性检验

从图2的工业生产效率空间格局图来看，需要对省际的工业生产效率进行空间相关性检验。本文采用Moran指数对我国省际能源进行全局空间自相关检验，根据式(3)运用R软件所得到的检验结果见表3。

在10%的显著性水平下，由P值可知：1995—2012年均通过了显著性假设检验，认为我国工业生产效率在这期间存在全局空间相关性，2013—2015年未通过显著性假设检验，这是由于各省市区在这三年的工业生产效率值差异不是很大，导致各省市区工业生产效率的方差S2很小，尤其是到了2014、2015年，省际工业生产效率均为1，工业生产效率差异不存在，所以相关性检验未通过。1995—2012年，Moran指数值在0.102 5～0.424 1，说明我国省际工业生产效率存在空间正相关关系。此外，由于Moran指数值逐年变化不是太大，说明我国工业生产效率的空间分布的相关性逐年变化不是太大。

全局相关性整体上反映了我国省际工业生产效率的聚集性，还需要进一步做省际的局部异同性分析。采用局部空间自相关分析对我国省际工业生产效率的局部特征进行分析，空间权重为各省会城市经纬坐标的地理距离权重法,结果如图3所示。

落入第一象限的点为高高型聚集，表明工业生产效率高的省市聚集在一起，中心省市和邻近省市的工业生产效率都高；落入二象限的点为低高型聚集，表明中心省市工业生产效率较低而邻近省市的工业生产效率较高；落入三象限的点为低低型聚集，表明中心省市和邻近省市的工业生产效率都较低；落入四象限的点为高低型聚集，表明中心省市的工业生产效率较高而邻近省市的工业生产效率较低。在一三象限的省市区存在较强的空间正相关，而在二四象限的省市区存在较强的空间负相关。具体象限对应的省市区如表4所示。

由表4可以看出，大部分省市区在一三象限，说明各省市区工业在发展过程中，生产效率存在较大的高低差异，但是这种差距在逐年缩小。生产效率呈高高型聚集的省份大多聚集在东部和东北部，生产效率呈低低型聚集的大多聚集在西部。同时通过查阅资料可以得到，东部省份由于经济相对发达，率先进行产业结构向服务业和制造业调整，重点发展低能耗、低排放、低污染的高新产业，故而工业生产效率较高；西部地区由于地处内陆腹地，交通成本与中部和东部相比较高，所以在发展经济时，片面重视工业的规模效益，忽视了工业生产效率的提升，因此生产效率相对较低；中部省份由于近年来经济不断发展，在经济发展的同时也比较重视效率的提升，故而工业生产效率由低转高；少数西部地区的工业生产效率呈高低型趋势，应及时调整产业结构，合理规划产业发展，提升生产效率。

表3 1995—2015年我国省际工业生产效率全局Moran’s I统计量

图3 我国省际工业生产效率的Moran散点图

表4 省际工业生产效率散点图对应的象限

三、结论与建议

本文采用非期望产出的SBM模型对碳排放约束下我国省际工业生产效率进行测度、并对省际工业生产效率进行空间格局研究，分析其空间相关性，得到以下几点结论：

第一，我国大部分省市区的化石能源消费所造成的工业碳排放量呈现上升的趋势，北京、上海、湖北和云南4个省份出现“先增后减”的趋势。我国省际的化石能源工业消费碳排放量增速逐渐放缓，2005年的碳排放量相较于1995年上升了88.7%,2014年相较于2005年上升比率为66.1%。

第二，1995—2015年，我国省际的工业生产效率呈现“先减后增”的趋势。大部分省市区工业生产效率在2012年以前，都处在非效率状态下，2012年后，我国大部分省市区开始处在效率前沿上，少数省份的工业生产效率还有提升的空间，2015年后所有的省市区都处在效率前沿上。

第三，通过全局空间相关性分析可知，我国30个省市区的全局Moran指数处于0.102 5～0.424 1，工业生产效率存在空间正相关关系。1996年的Moran指数值为0.266 6，2012年的Moran指数值为0.421 4,随着年份增加，Moran指数有所变化,但变动幅度不大，说明空间相关性变化不大。局部空间相关性分析表明，我国生产效率呈高高型聚集的省份大多聚集在东部和东北地区，生产效率呈低低型聚集的省份大多聚集在西部地区。

针对本文的分析结果，提出以下建议：

(1)针对我国大多数省市区的化石能源工业消费的碳排放量呈现上升趋势，各工业企业应该提高能源利用效率，大力发展低碳清洁能源[22]；加大对工业生产效率研究的科研投入；总结前面发展的成功经验；深入贯彻国家提出的“科技含量高、经济效益好、资源消耗低、环境污染少、人力资源优势得到充分发挥”的新型工业化路子的方针。

(2)我国省际工业生产效率在2015年均处在效率前沿上，处在效率前沿上省份的异质性有待进一步研究，各省份应该对自身的工业生产效率有着清晰而深刻的认识，结合自身发展的实际情况，借鉴其他省市区的减排经验，走低碳高效的工业发展之路。

(3)我国省际工业生产效率存在空间正相关关系，每个省份在发展工业经济时应充分考虑自身的区域价值[23]，走合理的工业发展道路。东部沿海省份可以充分发展自己的地理交通优势，而中西部省份应发展自身自然资源和人力资源丰富的优势，增强区域竞争力，提高工业生产效率。西部地区低低型的省份应借鉴东部地区高高型省份的发展经验，加快腹地工业发展进程，科学、有序地推进工业化，形成本地区特有的竞争力产业聚集区。

[1] 施洁,史学贵.基础设施对工业效率的影响——基于我国东、中、西部地区省际面板数据的经验分析[J].经济问题探索,2012(6):47-53.

[2] 梁红艳,王健.中国物流业发展对工业效率的影响及其渠道研究[J].科研管理,2013,34(12):120-126.

[3] 徐志伟,温孝卿.水资源与水环境双重约束下的中国工业效率——基于2000—2010年省际数据的经验研究[J].当代财经,2013(10):86-95.

[4] 余泳泽,宣烨,沈扬扬.金融集聚对工业效率提升的空间外溢效应[J].世界经济,2013(2):93-116.

[5] 王燕,谢蕊蕊.能源环境约束下中国区域工业效率分析[J].中国人口·资源与环境,2012,22(5):114-119.

[6] 吴英姿,闻岳春.绿色生产率及其对工业低碳发展的影响研究[J].管理科学,2013,26(1):112-120.

[7] ZHANG J,LIU Y,CHANG Y,et al.Industrial eco-efficiency in China:A provincial quantification using three-stage data envelopment analysis[J].Journal of Cleaner Production,2016，143:238-249.

[8] 刘勇,李志祥,李静.环境效率评价方法的比较研究[J].数学的实践与认识,2010,40(1):84-92.

[9] 韩元军,林坦,殷书炉.中国的环境规制强度与区域工业效率研究:1999—2008[J].上海经济研究,2011(10):102-113.

[10] 杨林川,洪世键,成庚.中国区域工业发展的时空差异——基于偏离-份额分析的Esteban-Marquillas拓展模型[J].合肥工业大学学报(社会科学版),2016,30(2):8-16.

[11] 李博,张文忠,余建辉.碳排放约束下的中国农业生产效率地区差异分解与影响因素[J].经济地理,2016,36(9):150-157.

[12] DENG G,LI L,SONG Y.Provincial water use efficiency measurement and factor analysis in China:Based on SBM-DEA model[J].Ecological Indicators,2016,69:12-18.

[13] 刘贤赵,高长春,宋炎，等.湖南市域化石能源消费碳排放时空格局及驱动因素[J].生态学报,2017(7)：2476-2487.

[14] OLIVER J E.Intergovernmental Panel in Climate Change (IPCC)[J].Encyclopedia of Energy Natural Resource & Environmental Economics,2013,26(D14):48-56.

[15] 龙志和,李伟杰.空间面板数据模型Bootstrap Moran’sⅠ检验[J].统计研究,2014,31(9):97-101.

[16] 邓若冰,刘颜.工业集聚、空间溢出与区域经济增长——基于空间面板杜宾模型的研究[J].经济问题探索,2016(1):66-76.

[17] 樊纲,王小鲁,马光荣.中国市场化进程对经济增长的贡献[J].经济研究,2011(9):4-16.

[18] 马大来,陈仲常,王玲.中国省际碳排放效率的空间计量[J].中国人口·资源与环境,2015,25(1):67-77.

[19] 肖枝洪.多元数据分析及其R实现[M].北京：科学出版社,2013:69-80.

[20] 王婷婷.基于DEA、FDA的中国省际能源效率测度研究[M].北京：清华大学出版社,2015:171-173.

[21] 中华人民共和国国家统计局.国家数据(1995—2014).[EB/OL].http://data.stats.gov.cn/easyquery.htm?cn=E0103.

[22] 章晓英,李阳. 重庆市碳排放趋势及产业关联性分析——基于灰色理论的实证研究[J].重庆理工大学学报(社会科学),2015(4):21-27.

[23] 金碚.大国筋骨[M].广州：广东经济出版社,2015:253-264.

AnalysisoftheInter-provincialIndustrialProductionEfficiencyandSpaceinChinaUnderCarbonEmissionConstraints

XIAO Zhihong, RAN Bo

(Faculty of Science, Chongqing University of Technology, Chongqing 400054, China)

Based on the panel data of industrial production in 30 provinces, municipalities and autonomous regions in China from the year 1995 to 2015, the SBM model with non-expected output is used to measure the efficiency of the inter-provincial industrial production under the constraint of carbon emission and the efficiency of inter-provincial industrial production through Moran index. The aggregation situation is analyzed in this paper. The results show that under the constraint of carbon emission, the efficiency of inter-provincial industrial production in China shows the trend of “decreasing first and then increasing”, and the provincial and municipal areas are in the forefront of efficiency in 2015. The provinces of “1-value unit” are mainly concentrated in the east and the minority located in the western region, and also the provinces of “1-value unit” show an increasing trend with the increase of the year. There is a positive correlation between the industrial production efficiency in the provinces, municipalities and autonomous regions. Moreover, while the eastern provinces mainly show high and high aggregation characteristics, and the western provinces show low and low aggregation characteristics.

industrial production efficiency; fossil carbon emission; SBM model; spatial correlation

2017-07-08

国家统计局科研重点项目“多数据源的整合与价值挖掘研究”(2014LZ25)；重庆理工大学研究生创新基金项目“重庆市房地产项目风险预警系统”(YCX2016241)

肖枝洪，男，湖北汉川人，教授，研究方向：应用统计、数据分析。

肖枝洪，冉波.碳排放约束下我国省际工业生产效率及空间分析[J].重庆理工大学学报(社会科学)，2017(10):29-36.

formatXIAO Zhihong, RAN Bo.Analysis of the Inter-provincial Industrial Production Efficiency and Space in China Under Carbon Emission Constraints[J].Journal of Chongqing University of Technology(Social Science)，2017(10):29-36.

10.3969/j.issn.1674-8425(s).2017.10.005

F205

A

1674-8425(2017)10-0029-08

(责任编辑魏艳君)