国家中心城市交通运输业碳排放效率研究

任梦洋, 黄羿, 付善明, 常向阳

国家中心城市交通运输业碳排放效率研究

任梦洋, 黄羿*, 付善明, 常向阳

广州大学环境科学与工程学院, 广州 510006

为改善交通运输业碳排放效率促进城市低碳经济发展, 以在区域发展中发挥引领作用的九个国家中心城市为研究对象, 运用包含非期望产出的Super-SBM模型和Malmquist-Luenberger生产率指数, 从静态和动态两个角度对研究区2005—2016年交通运输业碳排放效率进行了测算, 并进一步分析了碳排放效率变化的影响因素。结果显示, 各年份国家中心城市交通运输业碳排放效率的平均值均偏低, 变化范围在0.4824—0.7609之间, 仍有较大的提升空间。研究期间国家中心城市交通运输业碳排放效率年均下降2.98%, 其中技术效率受纯技术效率和规模效率改善的影响年均上升1.43%, 而技术水平年均下降4.35%, 因此提升碳排放效率的重点在于推动技术的进步。位于东部沿海地带的国家中心城市, 其交通运输业碳排放效率的年均增长率大于西部地带与中部地带的国家中心城市, 且各城市交通运输业碳排放效率的变化特征及影响因素之间存在差异, 需要因地制宜地制定交通运输业节能减排政策。

国家中心城市; 交通运输业; 碳排放效率; Super-SBM模型; Malmquist-Luenberger生产率指数

0 前言

交通运输业是社会经济系统运行的重要载体, 在消耗化石能源的过程中产生了大量的二氧化碳。据统计, 全球交通运输业碳排放量约为碳排放总量的25.09%, 中国交通运输业碳排放量已超过碳排放总量的10.50%, 且2000—2015年期间中国交通运输业碳排放量年均增长速度是碳排放总量年均增长速度的1.46倍[1–2]。由此可见, 交通运输业的节能减排对我国早日实现低碳化发展具有重要意义。因此, 在保障社会经济发展的前提下, 提高交通运输业碳排放效率, 协调好行业发展与碳排放之间的关系, 不仅有利于我国低碳交通运输体系的建立, 也可以促进低碳经济的发展。

碳排放效率通常指在一定时期的生产活动中, 各种生产要素投入并产生碳排放的同时所带来的产出效益[3]。在对碳排放效率进行测算的过程中, 数据包络分析法(DEA)因在处理多投入多产出效率问题时能有效避免模型设定误差的优势而被广泛应用。常用的DEA模型包括CCR模型和BCC模型, Andersen等为区分生产前沿面上多个有效决策单元提出了超效率DEA模型[4]。Tone为解决要素松弛的问题提出了SBM模型[5], 并进一步结合SBM模型和超效率DEA模型的优势提出了Super-SBM(超效率SBM)模型[6]。由于在实际的生产活动中不仅有期望产出也有非期望产出, 因此不断有研究提出处理非期望产出的方法, 其中Tone将非期望产出引入SBM模型中构建了包含非期望产出的SBM模型[7–8]。部分学者将包含非期望产出的SBM模型与Super-SBM模型相结合, 构建了包含非期望产出的Super-SBM模型并展开了应用[9–10]。近年来, 从静态角度评价碳排放效率的国内研究较多地采用了包含非期望产出的Super-SBM模型, 如周泽炯和胡建辉与孙秀梅等运用包含非期望产出的Super-SBM模型, 分别测度了2008—2011年中原经济区15个地级市以及2005—2012年山东省17个地级市的碳排放效率[7,11]。在碳排放效率的动态变化分析方面, 国内研究的常用方法主要包括Färe等基于DEA模型构建的Malmquist生产率指数[12], 以及Chung等针对Malmquist指数模型在处理非期望产出方面的不足而提出的非径向的Malmquist-Luenberger生产率指数(ML指数)[13]。例如, 李健等基于Malmquist指数对2007—2016年长三角、珠三角与京津冀三大经济圈的碳排放效率进行了动态分析[14]; 余光英和员开奇运用Malmquist指数对2001—2011年湖南省土地利用碳排放效率的时序演变特征展开了研究[15]; 高鸣和宋洪远利用ML指数分析了1999—2010年中国各省区农业碳排放绩效的动态变化[16]。

目前, 国内针对交通运输业碳排放效率的研究较少。已有研究通常选取资本存量、劳动力和能源消耗作为投入指标, 选取的期望产出指标包括交通运输业增加值和交通运输量等, 并将交通运输业碳排放量作为非期望产出指标[17–19]。虽然研究范围包括国家、经济区域和省市各个层面, 但从市域角度出发并展开对比的相关研究相对空缺[20–23]。且研究较多使用包含非期望产出的Super-SBM模型测度交通运输业碳排放效率, 在此基础上进一步结合ML指数模型分析交通运输业碳排放效率时序演变特征的研究较为有限。

然而, 作为碳排放最主要来源的地域单元, 城市是低碳发展关注的重点[24]。因此, 仍需加强从静态和动态角度评价城市交通运输业碳排放效率的综合研究。在我国城市众多、特征不一的背景下, 辐射带动作用较大且交通运输发展水平相对较高的国家中心城市, 即成为了城市交通运输业碳排放效率研究的重要对象。国家中心城市是指居于国家战略要津、肩负国家使命、引领区域发展、参与国际竞争、代表国家形象的现代化大都市[25]。目前, 我国已有北京、天津、上海、广州、重庆、成都、武汉、郑州和西安九个城市被国家发改委明确定位为国家中心城市。本文根据数据可获取性, 运用包含非期望产出的Super-SBM模型和ML指数, 在测算国家中心城市2005—2016年交通运输业碳排放效率的基础上, 进一步分析效率动态变化趋势及其影响因素, 以期为交通运输业碳减排政策的制定提供参考依据。

1 研究方法

1.1 包含非期望产出的Super-SBM模型

1.2 Malmquist-Luenberger生产率指数

2 指标选取及数据来源

在评价过程中, 由于投入产出指标的数量会影响有效决策单元的个数, 为了避免出现过多的有效决策单元而造成评价结果区分度下降, DEA模型要求投入产出指标数量不应多于决策单元总数的一半[27]。本文研究的国家中心城市即为九个决策单元, 因此选取的投入产出指标不得多于四个。相关研究中的常用投入指标包括资本存量、劳动力和能源, 然而获取统计口径一致的研究区交通运输业从业人员数据存在较大的难度。考虑到交通运输业劳动力的投入可以通过其服务间接反映在运输周转量方面, 因此本文根据运输周转量计算交通运输行业能源消耗量, 并将能源与资本存量作为投入指标, 选取交通运输业增加值和碳排放量分别作为期望产出指标与非期望产出指标, 对国家中心城市交通运输业碳排放效率进行评价与分析。

2.1 投入指标

能源消耗量可通过各类交通运输方式的换算周转量与能耗强度计算得到[28], 具体如式(5)所示:

式中,为交通运输业能源消耗量,V和EI分别表示种交通方式消耗种能源时产生的换算周转量与单位换算周转量的能耗量即能耗强度。其中, 换算周转量由运输周转量中的旅客周转量与货物周转量通过客货换算系数计算得到。本文共考虑公路、铁路、航空和水路运输四种交通方式, 其中北京、郑州和西安的交通运输方式仅包括前三种类型。在对应各类运输周转量消耗的能源方面, 航空运输周转量由消耗航空煤油产生; 水路运输包括以消耗柴油为主的内河运输和以消耗燃料油为主的沿海与远洋运输, 且内河、沿海与远洋运输周转量数据均有分类统计数据; 然而, 在计算公路运输消耗的汽油与柴油以及铁路运输消耗的柴油与电力时, 因无法直接获取不同能耗对应的运输周转量, 则需先估算其占各类型运输周转量的比例, 再推算得到各类能耗对应的运输周转量[29]。在统计能耗总量的过程中, 除电力因其主要来源可根据供电标准煤耗转换成标准煤消耗量外, 其他能源消耗量则需经折算标准煤系数转换成标准煤耗量后再加总[30-31]。受数据可获取性与可比性的限制, 本文将2005—2016年作为研究时段, 计算所需的数据取自历年《中国交通年鉴》、《中国电力年鉴》、《中国统计年鉴》以及研究区各地统计年鉴与公报, 并参考交通运输行业发展统计公报等相关资料予以补充[32]。

本文采用永续盘存法计算交通运输业的资本存量[33]。其中, 各地投资额近似取值于全国及各地统计年鉴中的交通运输、仓储和邮政业固定资产投资额, 并根据固定资产投资价格指数换算成2005年可比价。基期资本存量可通过基期投资额与研究期间固定资产投资增长率的几何平均数及折旧率之和的比值计算[34], 折旧率为已有研究计算得到的交通运输基础设施综合折旧率8.76%[35]。

2.2 产出指标

作为非期望产出的交通运输业碳排放量, 可由以上各类能源消耗量与对应单位能耗碳排放量即碳排放强度的乘积加总计算得到[36]。其中, 电力消耗量因在核算过程中通过供电标准煤耗进行了转换, 其碳排放强度采用国家发改委对标准煤碳排放系数的建议值[37]。其他四种能源的碳排放强度由能源单位热值、单位热值含碳量和燃烧过程碳氧化率相乘得到[38], 在此能源单位热值采用《综合能耗计算通则: GB/T 2589-2008》提供的平均低位发热量[31]。国家中心城市交通运输业增加值取自历年各地统计年鉴中的交通运输、仓储和邮政业增加值, 并已转换成2005年可比价。

3 结果与分析

3.1 交通运输业碳排放效率评价

经MaxDEA 8 Ultra软件测算, 得到2005— 2016年北京、天津、上海、广州、重庆、成都、武汉、郑州和西安的交通运输业碳排放效率, 如表1所示:

由表1可以看出, 2005—2016年, 国家中心城市的交通运输业碳排放效率平均值呈现出先上升再下降的趋势, 变化范围为0.4824—0.7609, 均未达到生产前沿面。从横向比较的情况看, 研究期内国家中心城市中交通运输业碳排放效率年均值最大为郑州市的1.0061, 也是唯一一个年均碳排放效率处于生产前沿面上的城市。与其他城市相比, 郑州交通运输业碳排放的高效率主要归功于相对较低的资本投入成本; 广州与天津交通运输业碳排放效率年均值分别为0.9042和0.8093, 其碳排放效率较高的主要原因与郑州相同; 北京市研究期内交通运输业碳排放效率年均值为0.6687, 虽然与最优效率水平有一定距离, 但与国家中心城市平均效率水平相近且总体变化趋势也基本一致; 交通运输业碳排放效率年均值不足0.6的城市包括西安、成都、上海、武汉和重庆, 年均值分别为0.5423、0.5261、0.4517、0.4306和0.4302, 这些城市交通运输业能源与资本的投入并没有有力推动行业的发展, 导致碳排放效率水平较低。

表1 国家中心城市交通运输业碳排放效率

为了归纳不同区域国家中心城市交通运输业碳排放效率的变化特征, 在此将九个国家中心城市根据三大经济地带进行空间上的划分。其中, 北京、天津、上海和广州位于东部沿海地带, 武汉和郑州位于中部地带, 而属于西部地带的国家中心城市包括重庆、成都和西安。研究期间, 东部沿海地带四个国家中心城市交通运输业碳排放效率的平均值总体呈现上升的趋势, 中部地带国家中心城市的碳排放效率均值总体表现出下降的状态, 西部地带国家中心城市的碳排放效率均值则在波动中呈下降态势。然而, 各年份三个地带国家中心城市交通运输业碳排放效率的平均值均未达到生产前沿面, 且中部地带国家中心城市的年均碳排放效率略高于东部沿海地带, 西部地带国家中心城市的年均碳排放效率最低。各城市具体情况如下, 北京交通运输业碳排放效率值有明显的先上升后下降的趋势, 并在2010、2011和2012年位于生产前沿面上; 天津、广州和上海交通运输业碳排放效率总体呈现出持续上升的状态, 其中天津交通运输业碳排放量在行业规模不断扩大的同时有所下降, 说明节能减排政策效果较为显著; 上海交通运输业碳排放效率有所提升是因为在能源与资本投入增加速度总体低于平均水平的同时, 其行业增加值的增长速度却与平均水平基本持平; 虽然广州交通运输业能源投入和碳排放产出的增长速度总体略高于平均水平, 但其资本投入的增加速度与平均水平相近, 且多个年份的行业增加值增长速度高于平均水平; 相对而言, 重庆、成都、武汉和西安交通运输业碳排放效率值虽均有所波动但总体处于较为稳定的状态, 且重庆与成都的碳排放效率呈现出一定的增长态势, 而武汉与西安的碳排放效率水平则有所下降; 研究期间, 郑州交通运输业碳排放效率表现出不断下降的趋势, 且其在2014年后退出生产前沿面, 主要原因在于投入要素组合产生的碳排放量增长率高于平均水平的现象不断增多, 但行业增加值的增长率却总体呈现出低于平均水平的状态。

运用Origin软件绘制各国家中心城市交通运输业碳排放效率的数据分布情况如图1所示, 各城市碳排放效率值的分布特征存在较大的差异。2005—2016年间, 虽然重庆、成都、武汉和西安的交通运输业碳排放效率较低, 但碳排放效率分布的集中程度均处于九个城市的较高水平; 与以上四个城市碳排放效率平均值相近的上海, 以及碳排放效率平均值最高的郑州, 其二者交通运输业碳排放效率的分布则相对较为分散; 而北京、天津和广州碳排放效率分布的离散程度更高, 表明这三个城市的交通运输业碳排放效率很不稳定, 各年份之间差距较大。另外, 箱线图显示西安交通运输业碳排放效率在2005年和2006年出现了异常值, 且异常值远高于其他年份的碳排放效率。具体来看, 相对于九个城市各项投入产出指标的整体水平, 2005和2006年西安交通运输业的资本投入显著低于能源的消耗以及碳排放和行业增加值的产出, 由此产生了较高的碳排放效率。然而自2006年起, 西安大幅度增加行业资本的投入量, 但由于资本投入量的基数过小, 使得其增长率连续四年位列所有国家中心城市的首位, 且在研究期间的年均增长率远高于国家中心城市总体的年均增长率。与此同时, 西安交通运输业增加值、碳排放量以及能源消耗的年均增长率却均略高于国家中心城市对应指标的总体年均增长水平, 由此可见快速增加的资本投入并没有充分发挥作用, 从而导致交通运输业投入产出效率出现持续低下的状态。

3.2 交通运输业碳排放效率动态变化及影响因素分析

为进一步探究国家中心城市交通运输业碳排放效率的动态变化情况, 本文利用2005—2016年九个国家中心城市的数据计算得到各地各年份交通运输业碳排放ML指数, 其变化趋势如图2所示。由图可知, 各地交通运输业碳排放ML指数总体均呈周期性“下降—上升”的状态变化。其中, ML指数的最大值为2012年天津的ML指数1.318, 即2012年天津交通运输业碳排放效率相较于2011年增长了31.8%; ML指数的最小值为2007年上海的ML指数0.5638, 说明相比前一年2007年上海交通运输业碳排放效率的下降幅度为43.62%。2012年, 所有城市的交通运输业碳排放ML指数均大于1, 且天津、上海、广州、重庆、成都和郑州的ML指数在该年份达到最大值, 说明《交通运输“十二五”发展规划》等推动绿色交通发展的相关政策实施效果较为显著, 2012年交通运输业碳减排工作形势较好。

图1 国家中心城市交通运输业碳排放效率箱线图

Figure 1 The boxplot of carbon emission efficiencies in transportation industry in national central cities

为分析国家中心城市交通运输业碳排放效率变化的影响因素, 在此基于式(3)和(4)将各城市各年份的交通运输业碳排放ML指数分解为技术效率变化指数与技术变化指数, 并将技术效率变化指数进一步分解成纯技术效率变化指数与规模效率变化指数, 整理研究期间各城市各项指数的几何平均值如表2所示。

由表2可知, 2006—2016年国家中心城市交通运输业碳排放ML指数的年均值为0.9702, 表明九个城市交通运输业碳排放效率年均下降2.98%。同时, ML指数分解结果显示, 技术效率年均上升1.43%, 其中纯技术效率与规模效率的年均增长幅度分别为0.71%和0.72%, 而技术水平年均下降4.35%, 说明国家中心城市交通运输业碳排放效率的下降总体上受技术变化的影响较大, 且各地年均技术变化指数均小于1。在空间差异方面, 对比三大经济地带之间国家中心城市的碳排放效率发现, 仅有位处东部沿海地带的国家中心城市交通运输业碳排放ML指数年均值大于1, 且高于所有国家中心城市的平均值, 同时其纯技术效率和规模效率均出现年均增长的趋势。虽然西部地带的国家中心城市ML指数年均值略高于中部地带的国家中心城市, 但二者均低于所有国家中心城市的平均值。其中, 前者因纯技术效率的年均增长幅度小于规模效率的年均下降幅度, 而导致技术效率受损, 但其在技术水平方面呈显的衰退速度慢于东部沿海地带和中部地带国家中心城市各自的平均水平。处于中部地带的国家中心城市, 其交通运输业碳排放ML指数各项分解指数的年均值均低于所有国家中心城市的平均值。

从各城市情况来看, 仅有北京、天津和上海的交通运输业碳排放ML指数年均值大于1, 其交通运输业碳排放效率年均分别增长了0.71%、9.05%和0.64%。这三个城市碳排放效率的改善主要是技术效率变化带来的贡献。虽然三个城市交通运输业碳排放的技术效率总体均有所提升, 但影响因素及作用各不相同。其中, 相对于纯技术效率的影响, 北京交通运输业碳排放技术效率进步受规模效率变化的促进作用更大; 上海因交通运输业碳排放纯技术效率年均保持不变, 其技术效率的进步归功于规模效率的提升; 天津纯技术效率年均增幅高于规模效率的年均增幅, 从而对交通运输业碳排放技术效率产生了更重要的影响。在交通运输业碳排放ML指数小于1的六个城市中, 广州和成都的交通运输业碳排放效率年均分别下降了5.44%和0.84%, 主要原因在于技术水平的年均下降幅度大于技术效率的年均增加幅度。进一步分解技术效率变化指数发现, 总体上广州交通运输业碳排放纯技术效率水平保持不变, 规模效率得到了改善, 而成都交通运输业碳排放纯技术效率年均增幅较为明显, 但规模效率年均稍有下降。研究期间, 重庆、武汉、郑州和西安受到技术效率变化指数和技术变化指数年均值都小于1的影响, 交通运输业碳排放效率年均下降幅度分别为4.34%、7.94%、8.00%和9.33%。四个城市交通运输业碳排放技术效率变化指数分解结果显示, 除重庆的规模效率年均稍有增加以及西安的纯技术效率年均保持不变以外, 其他效率年均都有所下降。

图2 国家中心城市交通运输业碳排放ML指数

Figure 2 The ML indexes of carbon emissions in transportation industry in national central cities

表2 国家中心城市交通运输业碳排放ML指数及其分解指数的年均值

综合而言, 国家中心城市交通运输业碳减排技术创新能力不足, 各城市均需加强新技术的投资与运用, 提升科技创新能力, 推进新能源、清洁能源的应用, 从而促进交通运输业碳排放效率的提高。同时, 为保障交通运输业碳排放技术效率的持续进步, 重庆应重点改善纯技术效率, 例如完善交通运输管理方式、科学规划交通运输路线和及时更新交通运输工具等; 西安应更加关注并优化交通运输业规模等提升规模效率的有效方式; 而武汉和郑州需要同时改善纯技术效率与规模效率。虽然成都的技术效率年均有所进步, 但仍需改善规模效率总体下降的状态。由此可见, 不同城市需要因地制宜, 综合各地区经济发展情况、产业规模和优势交通运输方式制定合理的碳减排计划, 推进低碳城市的建设与发展。

4 讨论

相关研究表明, 由人均地区生产总值表示的经济发展水平, 与包括资本存量、能源在内的交通运输业投入要素均呈负相关关系[39], 区域人口规模、交通运输强度和交通运输结构等因素与交通运输业碳排放效率存在显著的负相关关系, 而节能技术水平的提升则可以改善碳排放效率, 其中, 交通运输强度为总换算周转量与地区生产总值的比值, 交通运输结构为公路运输换算周转量占总换算周转量的比重, 节能技术水平为单位交通运输业增加值的能源消耗量[18,21]。研究期间, 三个地带国家中心城市经济发展水平由高到低排序依次为东部沿海地带、中部地带和西部地带, 且东部沿海地带国家中心城市的经济发展水平显著高于其他两个地带, 其相应交通运输业资本投入和能源消耗的松弛量减少, 在提升碳排放效率方面具有较大的优势。然而, 东部沿海地带国家中心城市人口规模远高于中部地带, 其交通运输强度始终大于中部地带, 而节能技术水平年均值却小于中部地带, 因此造成了东部沿海地带国家中心城市交通运输业碳排放的低效率, 使得其效率年均水平略低于中部地带的国家中心城市。虽然西部地带国家中心城市交通运输强度明显低于其他两个地带, 但是其人口规模较大, 经济发展水平相对落后, 且公路运输换算周转量占总换算周转量的比重在三个地带中最高, 从而导致其碳排放效率的年均值在三个地带中最低。

同时, 袁长伟等的研究也指出相邻省域交通运输业碳排放效率具有较为显著的空间相关性, 且多数地区表现出“低—低”聚集的现象[21]。在本研究中, 重庆与成都、西安和武汉所在的省级行政区相邻, 四个城市交通运输业碳排放效率均较为稳定, 效率水平总体较低且相近, 符合上述研究结论。北京交通运输业碳排放效率在2012年以后与相邻的天津存在较大的差异, 其主要原因可能在于天津交通运输强度迅速下降的同时节能技术水平不断提高, 并在2012年超过北京的节能技术水平, 从而在总体上持续改善了天津的碳排放效率。位于中部地带的国家中心城市武汉与郑州, 所属的省级行政区也相邻, 但是相对于郑州, 武汉由于交通运输强度较高而节能技术水平较低等原因, 其交通运输业碳排放效率值始终小于郑州。自2010年起, 随着《促进中部地区崛起规划》中将郑州和武汉建设成为全国性交通枢纽城市等计划的逐步落实, 以及郑州公路运输换算周转量占比上升和节能技术水平下降对碳排放效率的影响, 武汉与郑州之间的交通运输业碳排放效率差距不断减小。

在交通运输业碳排放效率变化的影响因素方面, 研究期间九个国家中心城市交通运输业碳排放技术水平出现了不同程度的下降, 对碳排放效率的改善均产生了负向的作用, 这与王白雪和郭琨、张佳楠等分别对北京、上海和重庆进行相关研究得到的主要结论一致[22–23]。三个地带中, 西部地带国家中心城市技术水平的年均下降幅度最小, 其原因可能在于西部地带节能技术水平总体相对落后, 且其人口规模增长速度较慢, 相应交通运输发展对技术水平的要求低于东部沿海与中部地带。国家中心城市交通运输业碳排放纯技术效率的年均增长幅度在区域上表现为: 东部沿海地带＞西部地带＞中部地带。东部沿海地带对外开放程度更高, 更容易获取较先进的交通运输业管理方式与技术[39], 这可能是东部沿海地带纯技术效率增长相对更快的原因。在规模效率方面, 仅有西部地带国家中心城市规模效率总体有所下降。同时, 相对于2016年起陆续建设国家中心城市的成都、武汉、郑州和西安, 首批国家中心城市北京、天津、上海、广州和重庆的规模效率总体更加稳定且呈上升趋势, 说明国家中心城市在建设过程中能够更加合理地组织交通运输业规模。

本文以国家中心城市为研究对象开展交通运输业的碳排放效率研究, 不仅填补了对我国城镇体系最高层级城市相关研究的空缺, 也增加了城市交通运输业碳排放效率实证研究的内容。然而, 考虑研究对象数量和数据可获取性等因素, 评价模型中指标的选取受到了一定的限制, 随着未来国家中心城市数量的增加以及评价指标时序数据的积累, 后续应基于更丰富的数据进一步展开分析。

5 结论

基于包含非期望产出的Super-SBM模型和ML指数, 本研究评价了2005—2016年国家中心城市交通运输业的碳排放效率, 并对碳排放效率的动态变化情况及其影响因素进行了分析。研究主要结论如下:

(1)国家中心城市交通运输业的平均碳排放效率存在较大的提升空间。其中, 中部地带国家中心城市的年均碳排放效率略高于东部沿海地带, 西部地带国家中心城市的年均碳排放效率最低。高于研究区碳排放效率平均水平的城市按效率大小排序依次为郑州、广州、天津和北京, 但是北京、天津和广州的碳排放效率很不稳定。

(2)三大经济地带国家中心城市交通运输业碳排放效率均值的变化情况各不相同。北京、重庆和成都与国家中心城市交通运输业碳排放效率的总体变化趋势基本一致, 即随时间变化呈现出先上升再下降的趋势, 天津、上海和广州交通运输业碳排放效率总体呈现出持续上升的状态, 郑州、武汉与西安交通运输业碳排放效率水平则有所下降。

(3)由于受技术变化指数下降的影响较大, 国家中心城市交通运输业碳排放效率逐年平均下降2.98%。三大经济地带中, 仅有东部沿海地带国家中心城市的交通运输业碳排放效率处于总体增长状态, 而中部地带的国家中心城市是促进研究区交通运输业碳排放效率增长需要关注的重点对象。虽然各城市碳排放效率有所差异, 但均需进一步推动交通运输业的技术进步。

[1] International Energy Agency. CO2emissions from fuel combustion highlights 2019[R]. Paris: International Energy Agency, 2019.

[2] 张帅. 基于RAM模型的交通运输碳排放及经济效率测度研究[D]. 西安: 长安大学, 2018.

[3] 周银香, 洪兴建. 中国交通业全要素碳排放效率的测度及动态驱动机理研究[J]. 商业经济与管理, 2018(5): 62– 74.

[4] ANDERSEN P, PETERSEN N C. A procedure for ranking efficient units in data envelopment analysis[J]. Management Science, 1993, 39(10): 1261–1264.

[5] TONE K. A slacks-based measure of efficiency in data envelopment analysis[J]. European Journal of Operational Research, 2001, 130(3): 498–509.

[6] TONE K. A slacks-based measure of super-efficiency in data envelopment analysis[J]. European Journal of Operational Research, 2002, 143(1): 32–41.

[7] 周泽炯, 胡建辉. 基于Super-SBM模型的低碳经济发展绩效评价研究[J]. 资源科学, 2013, 35(12): 2457–2466.

[8] TONE K. Dealing with undesirable outputs in DEA: A slacks-based measure (SBM) approach[R]. GRIPS Research Report Series, NO.0005, 2003.

[9] LI Hong, FANG Kuangnan, YANG Wei, et al. Regional environmental efficiency evaluation in China: Analysis based on the Super-SBM model with undesirable outputs[J]. Mathematical and Computer Modelling, 2013, 58(5/6): 1018–1031.

[10] 宫大鹏, 赵涛, 慈兆程, 等. 基于超效率SBM的中国省际工业化石能源效率评价及影响因素分析[J]. 环境科学学报, 2015, 35(2): 585–595.

[11] 孙秀梅, 张慧, 王格. 基于超效率SBM模型的区域碳排放效率研究——以山东省17个地级市为例[J]. 生态经济, 2016, 32(5): 68–73.

[12] FÄRE R, GROSSKOPF S, NORRIS M, et al. Productivity growth, technical progress, and efficiency change in industrialized countries[J]. The American Economic Review, 1994, 84(1): 66–83.

[13] CHUNG Y H, FÄRE R, GROSSKOPF S. Productivity and undesirable outputs: a directional distance function approach[J]. Journal of Environmental Management, 1997, 51(3): 229–240.

[14] 李健, 马晓芳, 苑清敏. 区域碳排放效率评价及影响因素分析[J]. 环境科学学报, 2019, 39(12): 4293–4300.

[15] 余光英, 员开奇. 湖南省土地利用碳排放动态效率研究: 基于Malmquist指数模型[J]. 环境科学与技术, 2015, 38(2): 189–194.

[16] 高鸣, 宋洪远. 中国农业碳排放绩效的空间收敛与分异——基于Malmquist-luenberger指数与空间计量的实证分析[J]. 经济地理, 2015, 35(4): 142–148.

[17] 蒋自然, 金环环, 王成金, 等. 长江经济带交通碳排放测度及其效率格局(1985—2016年)[J]. 环境科学, 2020, 41(6): 2972–2980.

[18] 张倩. 基于Super-SBM模型的交通运输碳排放效率研究[D]. 西安: 长安大学, 2018.

[19] 卢幸烨, 马晓明, 熊思琴. 中国东部地区交通运输业环境效率分析[J]. 管理现代化, 2017, 37(3): 88–91.

[20] CUI Qiang, LI Ye. An empirical study on the influencing factors of transportation carbon efficiency: Evidences from fifteen countries[J]. Applied Energy, 2015, 141: 209–217.

[21] 袁长伟, 张帅, 焦萍, 等. 中国省域交通运输全要素碳排放效率时空变化及影响因素研究[J]. 资源科学, 2017, 39(4): 687–697.

[22] 张佳楠, 陈沿伊, 曹莹, 等. 考虑碳排放的长江经济带交通资源配置效率研究[J]. 物流技术, 2019, 38(8): 49–53.

[23] 王白雪, 郭琨. 北京市公共交通碳排放效率研究——基于超效率SBM模型和ML指数[J]. 系统科学与数学, 2018, 38(4): 456–467.

[24] 刘志林, 秦波. 城市形态与低碳城市: 研究进展与规划策略[J]. 国际城市规划, 2013, 28(2): 4–11.

[25] 国家发展改革委. 国家发展改革委关于支持武汉建设国家中心城市的指导意见[EB/OL]. (2016-12-14)[2020- 03-20]. https://www.ndrc.gov.cn/xxgk/zcfb/tz/201701/ W020190905516291356714.pdf.

[26] 王维国, 范丹. 中国区域全要素能源效率收敛性及影响因素分析——基于Malmquist-Luenberger指数法[J]. 资源科学, 2012, 34(10): 1816–1824.

[27] 罗艳. 基于DEA方法的指标选取和环境效率评价研究[D]. 合肥: 中国科学技术大学, 2012.

[28] 蔡博峰, 冯相昭, 陈徐梅. 交通二氧化碳排放和低碳发展[M]. 北京: 化学工业出版社, 2012.

[29] 庄颖, 夏斌. 广东省交通碳排放核算及影响因素分析[J]. 环境科学研究, 2017, 30(7): 1154–1162.

[30] 赵荣钦, 黄贤金. 基于能源消费的江苏省土地利用碳排放与碳足迹分析[J]. 地理研究, 2010, 29(9): 1640–1649.

[31] 中国国家标准化管理委员会. 综合能耗计算通则: GB/T 2589-2008 [S]. 北京: 中国质检出版社, 2008.

[32] 黄羿, 常向阳. 低碳经济与交通运输业发展——基于国家中心城市数据的实证研究[J]. 社会科学家, 2019(11): 67–73.

[33] GOLDSMITH R W. A perpetual inventory of national wealth[M]//NBER. Studies in Income and Wealth, Volume 14. New York: National Bureau of Economic, 1951: 5–73.

[34] HALL R E, JONES C I. Why do some countries produce so much more output per worker than others?[J]. Quarterly Journal of Economics, 1999, 114(1): 83–116.

[35] 李杰伟, 张国庆. 中国交通运输基础设施资本存量及资本回报率估算[J]. 当代财经, 2016(6): 3–14.

[36] IPCC. 2006 IPCC guidelines for national greenhouse gas inventories[R]. Hayama: Institute for Global Environmental Strategies, 2006.

[37] 陈飞, 诸大建. 低碳城市研究的内涵、模型与目标策略确定[J]. 城市规划学刊, 2009, 4(8): 7–13.

[38] 国家发展改革委应对气候变化司. 省级温室气体清单编制指南(试行)[R]. 北京: 中华人民共和国国家发展和改革委员会, 2011.

[39]袁长伟, 赵潇, 孙璐. 中国交通运输碳排放效率测度及收敛性研究[J]. 环境科学与技术, 2019, 42(12): 222–229.

The study on carbon emission efficiency of transportation industry in national central city

REN Mengyang, HUANG Yi*, FU Shanming, CHANG Xiangyang

School of Environmental Science and Engineering, Guangzhou University, Guangzhou 510006, China

In order to improve the carbon emission efficiency of transportation industry and promote the development of urban low-carbon economy, nine national central cities which play leading roles in regional development were taken as the study objects. Using Super-SBM model with undesirable outputs and Malmquist-Luenbergerproductivityindex, the carbon emission efficiencies of transportation industry were calculated from the static and dynamic perspectives in the study areas from 2005 to 2016. In addition, the influencing factors of the changes in carbon emission efficiencies were further analyzed. The results showed that the annual average carbon emission efficiency of transportation industry in the national central cities was low (range from 0.4824 to 0.7609), indicating that carbon emission efficiency of transportation industry could still be improved. During the study period, the average of the carbon emission efficiency of transportation industry in the national central cities decreased in 2.98% per year. The technical efficiency which was affected by the improvement of pure technical efficiency and scale efficiency increased in 1.43% per year, and the average of technological level decreased in 4.35% per year, suggesting that the key to improve the carbon emission efficiency was to promote technological progress. Compared with the national central cities in the western and central zones, the national central cities located in the eastern coastal zone had a higher annual average growth rate of carbon emission efficiency in transportation industry. The carbon emission efficiencies in nine cities were different, and the influencing factors of the changes in carbon emission efficiencies in nine cities were different as well. Therefore, the energy conservation and emission reduction policies for the transportation industry should be formulated according to the local situations and conditions.

national central city; transportation industry; carbon efficiency; Super-SBM model; Malmquist-Luenbergerproductivityindex

10.14108/j.cnki.1008-8873.2022.01.019

任梦洋, 黄羿, 付善明, 等. 国家中心城市交通运输业碳排放效率研究[J]. 生态科学, 2022, 41(1): 169–178.

REN Mengyang, HUANG Yi, FU Shanming, et al. The study on carbon emission efficiency of transportation industry in national central city[J]. Ecological Science, 2022, 41(1): 169–178.

X24

A

1008-8873(2022)01-169-10

2020-06-05;

2020-08-01

广东省自然科学基金项目(2015A030310413); 广州市属高校科研项目(1201431115)

任梦洋(1997—), 女, 河南周口人, 硕士研究生, 主要从事环境管理研究, E-mail: ryangdou@163.com

黄羿, 女, 博士, 讲师, 主要从事环境资源经济学研究, E-mail: huangyi@gzhu.edu.cn