基于BP-DEMATEL的陕西省制造业低碳经济影响因素研究

赵芹 潘杰义 张茜松

摘要：制造业低碳经济发展是国家生态文明建设战略的重要内容。然而，由于地区经济状况不同，我国不同区域制造业低碳经济水平呈现出巨大的差异。近年来，省级区域已成为制造业低碳经济研究的有力入手点，因此，识别区域制造业低碳经济影响因素对其发展具有重要的现实意义。本文构建了陕西省制造业低碳经济影响因素指标体系，采用BP-DEMATEL方法分析并识别了强驱动型因素、普通驱动型因素、强特征型因素和普通特征型因素，并根据分析结果提出了对策和建议。

关键词：低碳经济；BP-DEMATEL方法；制造业；影响因素

中图分类号：F427文献标识码： ADOI：10.3969/j.issn.1003-8256.2020.06.012

开放科学（资源服务）标识码（OSID）：

基金项目：教育部人文社科基金（19YJC630110）；陕西省软科学项目（2018KRM063）；陕西省社科基金项目（2018S23）

0引言

随着中国制造业快速发展带来的严重环境污染和资源压力，环境治理问题逐渐引起了社会各领域的高度重视。根据国家统计局数据显示，2018年我国制造业能源消费总量为245139.54万吨标准煤，制造业二氧化碳排放总量为441923.8万吨，大气主要污染物（二氧化硫、氮氧化物和粉尘等）排放量为1373.52万吨[1]。如何平衡经济效益、能源消耗和污染排放三者之间的关系已成为众多学者关注的热点，因此中国制造业迫切需要探索低碳经济发展之路，实现可持续发展。而陕西省正处于工业化发展阶段，环境压力严峻，2018年陕西省制造业煤炭消费占能源消费总量比重高达36.85%，制造业人均碳排放为98.53万吨[2]，同年全国制造业煤炭消费占能源消费总量平均比重为35.92%[1]，制造业水平比较发达的江苏省制造业人均碳排放为31.55万吨[3]，陕西省呈现出明显的高碳高排放特性。因此，陕西省制造业有必要提升低碳经济水平，制定出具有陕西特色的制造业节能减排方案。

制造业低碳经济是一种同时提高制造业生产力和环境绩效的经济发展战略[4-5]，国内外学者在相关概念的基础上对其影响因素开展了深入研究，主要有能源利用因素、技术因素、和环境因素等因素。在能源利用因素方面，Sheinbaum等[6]利用LOG MEAN Divisia附加指数对1990—2008年墨西哥制造业数据进行了探索，研究发现分行业结构和实际能源强度变化是导致制造业碳排放增加的重要因素。Tang等[7]分析了中国低碳制造水平，结果显示影响低碳制造程度的最主要因素是能源使用效率。在技术因素方面，孙宁[8]对影响中国制造业分行业碳排放的因素展开了研究，研究发现技术进步会导致能源强度下降，进而证明了技术进步是降低碳排放的根本因素。在环境因素方面，张志元等[9]探讨了制约中国制造业低碳转型的因素是发展模式粗放、产值提升与节能要求不对等和缺乏转型动力。徐建中等[10]认为制造业低碳化转型离不开市场拉力、政府推力和技术驱动三方面的影响。樊茂清等[11]发现我国制造业能源强度变化会一定程度地受贸易影响，且该能源强度的波动短期内受一次能源结构的影响。可以看出，目前的制造业低碳经济影响因素研究主要聚焦于与低碳生产有直接联系的因素，如能源利用效率，对于技术、环境等因素，研究较少且多偏向于定性探讨。

不同学者对制造业低碳经济影响因素研究的侧重点不同，导致关于制造业低碳经济影响因素的研究方法并不统一。Diakoulaki等[12]为确定欧盟制造业碳排放的影响因素，采用了精制拉氏模型。Ren等[13]基于扩展Kaya特征的LMDI模型探讨了效益产出和能源强度对制造业提升低碳经济的影响。王钰等[14]利用STIRPAT模型明确了导致制造业碳排放强度下降的影响因素，并将其分为正相关因素及负相关因素。乐承毅等[15]采用因子分析法将影响江西省制造业绿色转型的因素分为能源因子、企业因子和外部因子。吕红等[16]为探索科技投入和资源环境约束对制造业低碳化的驱动效应，运用了多目标优化模型。

通过梳理现有文献，不难看出对于制造业低碳经济影响因素的研究存在以下问题：一是有关制造业低碳经济影响因素的研究相对较少，大多数探索了制造業低碳程度相关概念的影响因素，较少对影响因素之间关联度进行研究，忽视了影响因素内在关系对行业低碳经济水平的影响。因此，有必要着眼于探讨影响因素间的关联，以此丰富制造业低碳经济影响因素作用机理研究；二是现有研究方法对影响因素的分析不够深入，这也导致了无法解释影响因素改善制造业低碳经济水平背后所产生的深层次原因。为此，本研究采用了辨析影响因素关联的方法。

鉴于此，本文以辨析影响因素及其相互作用的DEMATEL方法为基础，根据BP神经网络计算的权值改善传统DEMATEL方法主观性强和系统分析困难的缺点，结合2007—2016年陕西省制造业面板数据，建立了识别陕西省制造业低碳经济影响因素的BPDEMATEL模型，并根据结果提出相应决策参考。这不仅从客观角度深入剖析了影响因素的内在联系，而且对于陕西省制造业低碳经济发展具有实践意义。

1模型构建

决策实验室法（Decision Making Trial and Evaluation Laboratory，DEMATEL）是20世纪70年代美国Bottelle研究所为了分析系统中的复杂问题，提出的联合图论与矩阵理论的系统分析建模方法。传统的 DEAMTEL方法可以识别影响因素之间的相互影响程度和相互依存与制约关系[17]，但在应用于陕西省制造业低碳经济影响因素研究时计算过程中存在一些问题：首先，直接影响矩阵的原始数据基本上是通过调查问卷和专家打分等主观性较强的方式获得，这样会降低DEMATEL方法的结果可信度，而如果利用BP神经网络计算出的权值构造直接影响矩阵，则可从根本上解决可信度低的问题；其次，在指标过多的情况下，指标间的相互影响关系复杂，系统分析难度大，而BP神经网络的自适应性可有效地判断系统内在规律和联系。因此，本文在构建影响因素指标体系的基础上，建立符合区域制造业低碳经济研究的BP-DEMATEL模型，以期客观地找出影响陕西省制造业低碳经济发展的关键因素。具体步骤如下：

影响度是指标体系中某一影响因素对其他影响因素的综合影响程度，被影响度是指标体系中其他因素对某一因素的综合影响程度，中心度的大小代表该指标影响效果的重要性，中心度越大，表明该指标越重要。原因度用以区分原因因素和结果因素，若原因度大于0，则该指标为原因因素，表示该指标对其他指标影响作用较为明显，反之，则为结果因素，表示该指标受其他指标影响作用较为明显。

2实证分析

2.1陕西省制造业低碳经济影响因素的确定

制造业低碳经济发展受其影响因素的促进或制约，由于各种影响因素之间的相互作用，会产生一定的正面或负面效果。根据联合国可持续发展委员会（UNCSD）1995年提出的驱动力-状态-响应模型（Driving Force、Status、Response，简称DSR模型），本文将影响区域制造业低碳经济发展的影响因素分为了驱动力（D）、状态（S）、响应（R）三个层次。在DSR模型的基础上，归纳总结文献研究[18-26]，得出区域制造业低碳经济发展的影响因素，具体如表1所示。

2.2数据来源及计算结果

本文选取2007—2016年陕西省制造业经济水平、技术水平和环境水平为研究对象，按照已确定的区域制造业低碳经济的影响因素，在陕西省统计年鉴和统计公报、《中国统计年鉴》《中国能源统计年鉴》等资料中搜集整理各项基本数据。

2.3结果分析

根据原因度，将影响因素分为原因因素和结果因素两类，依据其作用机理，又可分别称为驱动型因素和特征型因素。此外，中心度代表了因素的重要性程度，因果关系图中可看出在驱动型因素和特征型因素的分布中均有中心度值远高于其他因素的情况。因此以全部因素中心度的标准差和均值之和作为边界[27]，大于该值的驱动型因素定义为强驱动型因素，小于该值的驱动型因素定义为普通驱动型因素；大于该值的结果型因素定义为强特征型因素，小于该值的结果型因素定义为普通结果型因素。Matlab计算得该边界值为11.9294。

2.3.1强驱动型因素分析

由表2计算结果和界限值对比可知，影响陕西省制造业低碳经济的强驱动型因素为空气中主要污染物排放量。该因素重要性最高，对其他因素的影响度最大，反映出空气中主要污染物排放量高低影响着陕西省的制造业低碳经济发展。低碳经济的主要特征是“三低”，即低污染、低排放和低能耗，减少大气污染物排放反映了低碳经济的本质特征和内容，是低碳经济发展的核心驱动。制造业在实现经济产出稳定的情况下，向大气排放主要污染物会降低空气质量，直接破坏生态环境，阻碍低碳经济发展；所以保证经济发展，降低大气主要污染物排放，能够实现经济向低污染方向发展，缓解日益突出的环境问题。

2.3.2普通驱动型因素分析

陕西省制造业低碳经济普通驱动型因素按重要性排分别为制造业增加值、制造业固定资产投资额、制造业煤炭消费占能源消费总量比重、制造业低碳能源消费占能源消费总量比重和制造业就业人员数。制造业增加值、制造业固定资产投资额和制造业就业人员数一定程度上代表了制造业总体发展水平，制造业发展到一定程度时，制造业经济水平会受传统高碳发展模式的制约，在提升经济效益这一企业经营内在动力驱使下，企业会主动关注低碳技术动态，接受低碳经济及相关观念，主动做出符合低碳发展的改变，从而推动制造业低碳经济水平的快速提升。制造业煤炭消费占能源消费总量比重降低能极大地降低二氧化碳的排放量，因为煤炭能源碳排放系数高，燃煤所排放的二氧化碳会远高于燃烧其他化石燃料的排放量，因此，该因素是陕西省制造业发展低碳经济的重点实践方向。制造业低碳能源消费占能源消费总量比重所发挥的效用与制造业煤炭消费占能源消费总量比重相反，提升制造业低碳能源消费占能源消费总量比重，有利于实现节能减排，是实现提升陕西省制造业经济绿色可持续发展水平的重要途径。

2.3.3强特征型因素

陕西省制造业低碳经济的强驱动因素是制造业R&D经费内部支出占地区生产总值比重、制造业出口交货值，这两种因素易受其他因素變化的影响且中心度较大。制造业作为陕西省经济发展的支柱产业，节能减排压力大，以往的粗放型生产模式对生态环境造成了严重的破坏，为了保持经济发展速度和居民生活质量，制造业走低碳发展之路必然要采用先进的污染物处理技术和能源利用效率提升技术，而提升技术水平最直接的手段就是提高R&D经费的投入。大气污染物排放量多、制造业增加值少等驱动型因素都促进着陕西省主动提升制造业R&D经费内部支出占地区生产总值比重，以达到绿色低碳发展实体经济的目的。制造业进出口交货值是陕西省制造业产品国际竞争力的集中体现，在国际社会主流追捧低碳产品的背景下，行业产品若存在高污染、高能耗的标签，会严重影响进出口交货值，因此该因素会更容易受空气中主要污染物排放量、制造业煤炭消费占能源消费总量比重和制造业低碳能源消费占能源消费总量比重等因素的影响，该影响因素产生的变化对陕西制造业低碳经济和产品国际竞争力的提升发挥着至关重要的作用。

2.3.4普通特征型因素

根據表2所示，绿化覆盖面积、碳生产力、制造业实际利用外商投资额、制造业污染治理投资总额这四种影响因素为普通特征型因素。绿化覆盖面积受空气中主要污染物排放量等能对环境有直接影响的影响因素的影响。碳生产力提高意味着用更少的生产资源能源消耗能得到更大的经济产出[28]，该因素与生产力和能源消费水平有直接关联，因此，对碳生产力有直接影响的因素是制造业增加值、制造业煤炭消费占能源消费总量比重、制造业低碳能源消费占能源消费总量比重等。碳生产力的提高与低碳操作技术还有间接联系，低碳操作技术水平提升，碳生产力会有所增加，所以与技术有直接关联的制造业R&D经费内部支出占地区生产总值比重也会影响碳生产力。制造业实际利用外商投资额容易受空气中主要污染物排放量、制造业煤炭消费占能源消费总量比重和制造业低碳能源消费占能源消费总量比重等因素的影响，其变化表示了制造业对外资的利用能力，同时也代表了制造业的外向化程度，是驱动制造业国际化发展的主要动力。制造业污染治理投资总额中心度较低，说明陕西省对制造业污染治理的重视程度不足，需要采取努力提升制造业污染治理强度。

3结论和建议

本文将陕西省制造业低碳经济作为研究对象，以DSR模型为概念基础确定了陕西制造业低碳经济的影响因素。针对传统DEMATEL方法的不足，应用了BPDEMATEL模型，从定量研究的角度对陕西省制造业低碳经济影响因素的相互作用关系进行了分析，加强了输入因素和输出因素之间的关联度，并算出输入影响因素的中心度和原因度，拟定界值划分出其中的强驱动型因素、普通驱动型因素、强特征型因素和普通特征型因素，为陕西省提升制造业低碳经济提供科学决策依据。根据结果分析从四种影响因素角度分别提出了改进策略和建议。

从强驱动性因素来看，应建立制造业减排耦合机制。机制建立需依靠制造业企业的内生动力和外生动力，内生动力是企业主动参与减排的动力，外生动力是迫使企业参与减排的压力[29]。通过提高污染排放规章标准，宣传减排理念，带动社会减排氛围形成的方式，对制造业企业施加外生压力，从而拉动减排耦合机制形成，企业在此机制的影响下经济效益增加，对减排效果的认识度提升，激发内生动力。同时企业为保证市场竞争优势，也会生成内生动力，两种内生动力一起作用于企业，令其主动选择减排，给企业带来经济效益和减排成果，进一步巩固耦合机制。最后，企业的减排行为在外生和内生动力耦合机制双重引导下，会提高政府和社会的效益，更加促进了政府和社会实施减排，最终实现低碳经济。

从普通驱动型因素来看，发展制造业低碳经济应从两方面进行。一是提升制造业发展水平，陕西省政府可以给高端装备制造业等智能化、信息化、低碳化的新兴产业给予减税、补贴等政策支持，开发高端产品并延长产业链，逐步提高制造业附加值；二是改善能源消费结构，积极开发太阳能、水能等清洁能源，陕北属我国太阳能二类电价区，太阳能资源丰富，建设条件优良，且陕西省河道以秦岭为界，分属于长江流域和黄河流域，水能资源丰富，可以因地制宜，逐步用这些清洁能源替代化石能源。

由于特征型因素受驱动型因素的影响，所以针对特征型因素提出建议，需要根据影响它们的因素进行分析。从强特征型因素来看，需要关注空气中主要污染物排放量、制造业增加值、制造业煤炭消费占能源消费总量比重和制造业低碳能源消费占能源消费总量比重。为此，要推动陕西省制造业低碳经济的发展需要大力提升制造业发展水平，给制造业R&D经费创造稳固的资金支持，制造业R&D经费支出方向应着重关注减排技术。同时，要改善能源消费结构，努力摆脱高碳产品标签，扩大国外市场，提升制造业产品国际竞争力。

从普通特征型因素来看，除了需要减排力度加大、制造业生产力提高和消费能源转型外，还需促进技术创新。加大技术研发，应用先进节能减排技术才是标本兼治，从源头保障低碳高效落实，陕西省高校院所、科研机构众多，合理利用科研资源，产学研与制造业自身要求相结合，定能帮助制造业企业实现低碳化改革。

参考文献：

[1]中华人民共和国国家统计局.中国统计年鉴-2017[M].北京：中国统计出版社， 2017.

[2]陕西省统计局.陕西区域统计年鉴-2017[M].北京：中国统计出版社， 2017.

[3]江苏省统计局.江苏统计年鉴：2017[M]. 2017.

[4]MOHANTYRP，DESHMUKHSG.Managinggreen productivity： Some strategic directions [J]. Production Planning & Control， 1998， 9（7）： 624-633.

[5]曹华军，李洪丞，杜彦斌，等.低碳制造研究现状、发展趋势及挑战[J].航空制造技术， 2012（9）： 26-31.

[6]SHEINBAUM-PARDOC，MORA-PéREZS，ROBLESMORALES G. Decomposition of energy consumption and CO2 emissions in Mexican manufacturing industries： Trends between 1990 and 2008[J].Energy for Sustainable Development，2012，16（1）： 57-67.

[7]TANG D C， ZHONG F X， PING S， et al. An evaluation study on the level of Chinas Low-Carbon manufacturing based on factor analysis [J]. Energy Procedia， 2012， 16： 535-540. DOI：10.1016/j. egypro.2012.01.086.

[8]孙宁.依靠技术进步实行制造业碳减排——基于制造业30个分行业碳排放的分解分析[J].中国科技论坛， 2011（4）： 44-48.

[9]张志元，李兆友.我国制造业低碳化转型探讨[J].理论探索，2013（6）： 97-101.

[10]徐建中，张楠.低碳经济背景下黑龙江省制造业低碳转型发展研究[J].商业研究， 2019（4）： 90-96.

[11]樊茂清，任若恩，陈高才.技术变化、要素替代和贸易对能源强度影响的实证研究[J].经济学：季刊， 2009， 9（4）： 237-258.

[12] DIAKOULAKI D， MANDARAKA M. Decomposition analysis for assessing the progress in decoupling industrial growth from CO2 emissions in the EU manufacturing sector [J].Energy Economics， 2007， 29（4）： 636-664.

[13] REN Sheng-gang， YIN Hong-yuan， CHEN Xiao-hong. Using LMDI to analyze the decoupling of Carbon dioxide emissions by Chinas manufacturing industry [J]. Environmental Development， 2014， 9： 61- 75.

[14]王钰张连城.中国制造业向低碳经济型增长方式转变的影响因素及机制研究——基于STIRPAT模型对制造业28个行业动态面板数据的分析[J].经济学动态， 2015（4）： 35-41.

[15]乐承毅，周小刚.江西省制造业低碳制造转型的影响因素研究[J].南昌航空大学学报：社会科学版， 2014， 16（4）： 11-16.

[16]吕红，李廉水.低碳导向下制造业多目标规划模型分析及启示[J].河海大学学报（哲学社会科学版）， 2017， 19（2）： 26-32.

[17] HORI S， SHIMIZU Y. Designing methods of human interface for supervisory control systems [J]. Control Engineering Practice， 1999， 7（11）： 1413-1419.

[18]巢惟忐，孙宁，米卫红，等.长三角制造业的低碳经济发展状况与对策——基于DSR模型的评价研究[J].华东经济管理， 2012， 26（1）： 47-50.

[19]王钰.应用AHP方法对产业国际竞争力评价的研究——1995—2010年中国制造业低碳经济的验证[J].经济学家， 2013（3）： 61-68.

[20]庄贵阳，潘家华，朱守先.低碳经济的内涵及综合评价指标体系构建[J].经济学动态， 2011（1）： 132-136.

[21]吴雪，陈锦，李爽.低碳经济评价指标体系的构建[J].企业经济， 2012（6）： 11-14.

[22]唐笑飞，鲁春霞，安凯.中国省域尺度低碳经济发展综合水平评价[J].资源科学， 2011， 33（4）： 612-619.

[23]王宗军，潘文砚.我国低碳经济综合评价——基于驱动力-压力-状态-影响-响应模型[J].技术经济， 2012， 31（12）： 68-76.

[24]宋平.气候变化背景下中国低碳制造发展研究[D].南京：南京信息工程大学， 2012.

[25]謝志祥，秦耀辰，沈威，等.中国低碳经济发展绩效评价及影响因素[J].经济地理， 2017， 37（3）： 1-9.

[26]朱婧，汤争争，刘学敏，等.基于DPSIR模型的低碳城市发展评价——以济源市为例[J].城市问题， 2012（12）： 42-47.

[27]张秋，朱翠华.基于BP-DEMATEL模型的我国直辖市创业环境影响因素研究[J].工业技术经济， 2018， 37（10）： 67-74.

[28]王保忠，何炼成，李忠民.低碳背景下资源型省份产业安全评价研究——以西部资源大省陕西为例[J].资源开发与市场， 2014， 30（3）： 286-290.

[29]许珊.基于低碳经济的我国节能减排路径设计与绩效评价研究[D].哈尔滨：哈尔滨工程大学， 2016.

Research on Factors Affecting Low Carbon Economy of Manufacturing Industry in Shaanxi Province Based on BP-DEMATEL

ZHAO Qin，PAN Jieyi，ZHANG Qiansong

（College of Management， Northwestern Polytechnical University， Xian 710000， China）

Abstract： The development of low-carbon economy in manufacturing is an important part of the national ecological civilization construction strategy. Huge disparities in the low-carbon economy of the manufacturing industry have been created by the imbalance between different regional economic development. Thus， the provincial-level region has become a powerful starting point for the research of low-carbon economy in manufacturing. Identifying the factors affecting the lowcarbon economy of regional manufacturing industry has important practical significance for its development. On this very note， this paper constructs an index system which evaluates low-carbon economy influencing factors of manufacturing industry in Shaanxi Province， and uses BP-DEMATEL method to analyze and identify the strong driving factors， common driving factors， strong characteristic factors and common characteristic factors. According to the analysis results， countermeasures and suggestions are put forward.

Keywords： low carbon economy；BP-DEMATEL method；manufacturing industry；influencing factor