中国省域碳排放效率时空差异及空间收敛性研究

胡剑波，王楷文

（贵州财经大学a.经济学院；b.大数据应用与经济学院，贵州 贵阳 550025）

一、引言

自21世纪以来，我国经济实现了跨越式发展，取得了举世瞩目的成就，国内生产总值（GDP）由2000年的100 280 亿元增长到2021年的1 143 669 亿元，但较为粗放式的经济发展方式对生态环境产生了一定的负面影响。以二氧化碳（CO2）排放为例，世界资源研究所（WRI）最新报告显示，中国CO2排放量由2000年的40.25 亿吨增长到2018年的117.10 亿吨，使我国面临的国际减排压力与日俱增。中国作为全球生态文明的重要参与者、贡献者和引领者，于2020年制定了“二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和”的发展目标，擘画了中国低碳经济转型升级的宏伟蓝图，为全球应对和减缓气候变化多边进程注入了崭新活力。在“双碳”目标导向下，加快社会低碳转型成为当下发展的重中之重。碳排放效率是衡量经济与环境协同增效的重要指标，因此，经济高质量发展的同时实现碳达峰、碳中和目标的关键措施之一就在于加快提升碳排放效率。加快提升碳排放效率，缩小省（含自治区、直辖市，下同）域间的效率差异，降低我国碳排放总量，助力碳达峰、碳中和目标的早日实现，是当下社会经济可持续发展的根本之策，也是社会各界广泛关注的热点话题。由于我国幅员辽阔，各省资源禀赋和经济发展模式不尽相同，同时城镇化进程推动了省域空间形态发生结构性转变，导致碳排放效率的演变规律呈现出复杂性和区域异质性。深入研究省域碳排放效率，把握各省碳排放效率的时空演变规律及其影响因素，对于各省有针对性地制定节能减排、减污降碳等政策，推动低碳经济体系的建立与完善，具有重要的理论价值与实践指导意义。

二、文献综述

联合国政府间气候变化专门委员会（IPCC）发布的第六次评估报告指出，2019年大气中CO2浓度处于至少200 万年来的最高点。CO2为主的温室气体排放被认为是全球气候变化的主要原因，中国面临着巨大的减排压力，低碳转型发展迫在眉睫［1］。同时，工业化和城镇化的快速推进提高了人类的生活质量，但随之而来的资源短缺和生态破坏给人类的永续发展带来了巨大挑战［2］。王萱和宋德勇基于环境库兹涅茨曲线理论（EKC）研究了碳排放效率与经济增长的关系，认为碳排放效率随着经济的增长存在先下降后上升的发展历程［3］。因此，碳排放效率是衡量减排目标是否达成、低碳经济实施效果如何的重要指标。Kaya 和Yokobori 将碳排放效率定义为单个投入产出系统中GDP 与碳排放的比值，以此衡量经济指标与环境指标之间的平衡关系［4］。王兵等将多个要素引入到环境效率的测度中，此后全要素生产效率逐渐成为经济与环境交叉学科的研究热点［5］。基于以上分析，本文对碳排放效率做如下定义：在投入要素不再增加的情况下，实现最少二氧化碳排放量和最大经济产出的生产关系比率。碳排放效率与低碳经济一脉相通，可以用碳排放效率衡量一国或地区在应对气候变化、有效降低温室气体排放等方面做出的贡献，因此客观准确地测算碳排放效率尤为重要。

碳排放效率的测算方法可以归纳为两类： 一类是参数法，主要是随机前沿分析法（SFA）。例如，Herrala 和Goel 基于随机前沿成本分析法，测算了1997年和2007年全球约170 个国家的碳排放效率［6］。另一类是非参数法，主要是数据包络分析法（DEA）。例如，Iftikhar 等基于DEA 模型研究了中美两国的碳排放效率，结果表明经济和分配效率低下是导致碳排放效率偏低的主要原因［7］；Mehmood 等基于DEA模型分析了世界不同经济体碳排放效率的跨期变化规律，并指出人口和收入阶层对效率值存在一定的影响［8］；邵海琴和王兆峰运用DEA 模型对长江经济带的旅游业碳排放效率进行了实证研究，并进一步探讨了效率变化的影响因素［9］。上述研究是基于传统的单阶段DEA 模型，在测算碳排放效率时忽略了外部环境以及随机干扰对效率的影响，导致结果与实际情况存在一定的偏差，因此，Fried 提出了三阶段DEA 模型，将环境影响以及统计噪声合并到生产者的效率评估上，剔除了外部变量对效率的影响［10］。此后，三阶段DEA 模型被广泛应用于各个领域，其中包括银行金融效率、企业创新发展效率、城市创新绩效以及地区绿色治理效率［11-14］，但应用最广泛的还是对于碳排放效率的测算。例如，王勇和赵晗利用三阶段DEA 模型对碳交易市场建立前后的中国碳排放效率进行评测，并指出碳排放效率较低是由纯技术效率引起的［15］；Zhang 等采用三阶段DEA 模型研究了中国建筑行业的碳排放效率及其影响因素，结果表明碳排放效率受到技术水平、工业化水平以及开放程度等因素的影响［16］。无论是DEA 模型还是三阶段DEA 模型，均是从静态视角对效率值进行度量的，在进行动态分析时具有一定的局限性，因此，学者们普遍基于Malmquist-Luenberger（ML）等模型对效率值进行动态分析。Wang 和Guo 利用ML 模型分析了北京市公共交通系统碳排放效率的动态变化情况，研究发现公交车的碳排放效率最高，地铁次之［17］。李小平和余东升基于全域ML 模型测算了中国285 个城市的环境效率，指出FDI 和环境效率之间有较强的空间聚集特征［18］。Lee 采用ML 模型实证分析了韩国40 个制造行业的动态碳排放效率［19］。随着学者对碳排放问题研究的不断深入，碳排放效率的收敛性也逐渐成为经济与环境领域的研究重点。国内外学者对不同地区或是不同行业碳排放效率的收敛性进行了实证研究，其研究形式与方法也不尽相同。例如，吴昊玥通过面板单位根检验方法对中国农业碳排放效率进行了随机性收敛检验，发现全国范围内不存在随机性收敛，有必要进行政策干预［20］；李慧等采用核密度估计法研究了中国省域碳排放效率的动态收敛性质，结果表明地区之间呈现出动态收敛的特征［21］；Tang 等基于空间Markov 模型检验了中国262 个城市碳排放效率的俱乐部收敛性，指出空间聚集和溢出效应有利于俱乐部收敛［22］。

梳理相关文献可以发现，学者们针对碳排放效率的测算、影响因素识别以及收敛机制检验等方面，展开了较为丰富的探索，取得了许多颇有价值的研究成果，但既往文献大多从静态视角对碳排放效率进行测算，而针对省域碳排放效率采用动静结合方法的研究较少，同时容易忽略径向和角度的问题，导致测算结果存在偏差。相较于现有文献，本文的贡献在于：将三阶段SBM-DEA 模型与GML模型相结合，基于静态和动态两个维度对省域碳排放效率进行实证分析。考虑到空间数据具有自相关性［23］，本文构建了空间收敛模型，对效率值的外部影响因素进行收敛性检验，以期更好地掌握各省碳排放效率的时空差异及发展趋势，为切实提高各省碳排放效率提供一定的数据支撑与理论支持。

三、研究方法与数据来源

（一）各省碳排放量计算

本文根据2006年《IPCC 国家温室气体清单指南》中提供的估算化石能源燃烧所释放的CO2排放量对我国各省碳排放进行测算，公式如下：

其中，Ei表示能源品类的燃烧消费量，由能源平衡表中的各类能源的终端消耗量扣除工业用作原料、材料部分，再加上火力发电及供热消耗部分所得［24］。NCVi、CEFi和COFi分别表示平均净发热量、碳排放因子和碳氧化因子，44 和12 分别代表CO2和C 的化学分子量，i 取值1～8，代表8种化石能源其中之一。

（二）三阶段SBM-DEA 模型

第一阶段：超效率SBM 模型。

传统的三阶段DEA 模型只注重投入和产出的对应性，忽略了径向和投入角度的选择，存在投入冗余和产出不足等局限性，使最终结果出现松弛性偏差。为弥补上述模型存在的弊端，本文采用超效率SBM 模型测算各省的初始效率值，公式如下：

其中，ρ表示各省的碳排放效率值，si−、sr−、stb−分别代表投入、期望产出和非期望产出的松弛变量，分别表示第k 个省第i 个投入要素、第r 个期望产出和第w 个非期望产出，λ表示其约束条件。

第二阶段：SFA 模型。

构造投入冗余和环境变量之间的SFA 回归模型：

其中，sij表示第j 个决策单元第i 项投入的松弛变量；f(z j;βi)表示环境值，其计算公式为f(zj;βi)=β0+β1×z1+β2×z2+...+βj×zj，zj表示对决策单元的效率值有影响的环境变量，βi表示其系数；θij、µij分别表示随机干扰项和管理无效率项，二者相加表示混合误差项。

通过上式对投入变量进行调整，公式如下：

第三阶段：调整后的超效率SBM 模型。

经过SFA 模型对投入变量的调整，剔除了外部环境和随机干扰因素的影响，再次运用超效率SBM 模型对各省碳排放效率进行测算，所得结果会更加准确与真实。

（三）GML 模型

传统的ML 模型在技术条件不可行的情况下，存在结果可能无解的缺陷，而GML 模型可以有效避免“技术倒退”的现象，且具有可传递性、循环累积和跨期比较等优点，因此本文选取GML 模型对各省的动态碳排放效率进行测算，公式如下：

GML 可以分解为纯技术效率变化指数、规模效率变化指数和技术进步变化指数，公式如下：

其中，GPECH、GSECH 和GTECH 分别表示全域纯技术效率变化指数、规模效率变化指数和技术进步变化指数。GPECH 大于1，表示纯技术效率有所提高；GSECH 大于1，表示规模效率有所提高；GTECH 大于1，表示存在技术进步或创新；GML 大于1，表示效率值呈上升趋势。

（四）空间自相关分析

各省由于经济水平、资源禀赋、环境规制等因素的不同，其碳排放效率也存在差异。生产要素具有空间流动性，而空间自相关性可能是导致碳排放效率出现差异的原因，为确保空间计量模型检验各省碳排放效率收敛性的合理性，本文采用莫兰指数（Moran’s I）衡量其空间相关性，公式如下：

（五）空间收敛模型

依据空间收敛模型可判别各省碳排放效率的趋同与发散情况，经典收敛源于经济趋同理论，可分为绝对β收敛和条件β收敛。空间绝对β收敛是指各省碳排放效率的增长速度与初始水平存在一定的负向关系，公式如下：

空间条件β收敛是指随时间推移各省碳排放效率向各自的稳定状态趋近，在上述模型的基础上，加入有影响的外部环境控制变量，构建新的空间条件β收敛模型，公式如下：

其中，CEi,t表示第i 个省在第t年的碳排放效率，α表示常数项，β表 示收敛判断系数，ρ表示空间自回归系数，ωij表示空间权重矩阵，TP 表示技术进步，EI 表示能源强度，GS 表示禀赋结构，β1、β2和β3分别为解释变量的回归系数，εi,t表示第i 个省的随机干扰项。当β显著为负时，模型存在空间条件β收敛，说明各省碳排放效率的增长率与基期碳排放效率呈负向关系，且收敛速度为；反之，则不存在空间条件β收敛。

（六）变量的选择与处理

1.投入变量的选取

资本存量（亿元）：参考张军和单豪杰的研究［25-26］，采用“永续盘存法”对各省历年的资本存量进行估算，计算公式为Ki,t=Ii,t+(1−δi)Ki,t−1，其中，Ii,t表示第i 个省在第t年的新增固定资产投资量，δi表示第i 个省的资本折旧率。劳动力（万人）：各省年末就业数。能源消费量（万吨标准煤）：各省在一定时期内（一年）所消耗的能源总量。

2.产出变量的选取

期望产出（亿元）：选取各省历年地区生产总值作为期望产出，同时为了消除价格因素的影响，利用平减指数将各年份的地区生产总值转换为以2000年为基期的不变价。非期望产出（万吨）：选取各省历年的CO2排放总量作为非期望产出。

3.环境变量的选取

环境变量是指各省本身无法控制但对碳排放效率会产生显著性影响的外部因素。结合本文研究重点和参考现有文献，主要考虑技术进步、能源强度和禀赋结构三个环境变量对碳排放效率的影响。技术进步：技术进步可以提高能源资源的利用效率，可以使单位产出消耗更少的资源或排放更少的CO2，进而提高生产效率，推动清洁能源的开发与利用。技术进步是影响各省碳排放效率的重要因素之一，本文选取各省的研究与试验发展经费内部支出（R&D）与生产总值的比值来表示技术进步。能源强度：能源强度是衡量能源利用效率的重要指标，能源强度越低，代表能源利用效率越高，进而碳排放效率就越高，本文选取各省的能源消费量与地区生产总值的比值来表示能源强度。禀赋结构：资本和劳动力投入均为生产过程中投入的基本要素，其变化可以反映各省是属于资本密集型还是劳动密集型，本文选取各省的资本存量与劳动力的比值来表示禀赋结构。

（七）数据来源

为了保证数据的准确性与真实性，文中投入数据、产出数据以及环境变量数据均来源于《中国统计年鉴》《中国科技统计年鉴》《中国能源统计年鉴》《中国劳动统计年鉴》以及各省的统计年鉴，样本区间为2000—2018年，由于我国港澳台和西藏的相关数据无法获取，未将其列入样本之中。八大经济区以国务院发展研究中心《地区协调发展的战略和政策》报告中划分的区域为依据，具体划分区域如表1所示。

表1 中国各省碳排放效率结果

（续表1）

四、实证结果分析

（一）第一阶段各省碳排放效率分析

由表1可知，在未剔除外部环境和随机干扰的情况下，我国碳排放效率的均值为0.628。各省的碳排放效率值存在较大的空间差异。例如，北京、上海、广东的效率值均大于1，而贵州、宁夏、青海的效率值均小于0.4。同时，各地区所呈现的效率水平也有较大差异。例如，东部沿海地区的碳排放效率最高，均值为0.916，纯技术效率和规模效率相对均衡，而大西北地区的碳排放效率最低，均值为0.382，其规模效率仅为0.545，低于整体均值，规模效率严重制约了大西北地区碳排放效率的提高。我国有17 个省的碳排放效率低于均值，多数省的效率水平仍有较大的进步空间；有19 个省的纯技术效率值低于均值，表明多数省的技术水平相对落后，其中上海的纯技术效率最高，而贵州最低；有22个省的规模效率值高于均值，仅有8 个省未达到平均水平，其中福建的规模效率最高，而青海最低。整体上规模效率高于纯技术效率，表明技术水平不高是制约我国碳排放效率水平的因素之一。由于第一阶段并未剔除外部环境和随机干扰对效率的影响，因此其结果与真实情况存在一定的偏差，需要对变量进一步调整后再做分析。

（二）第二阶段SFA 模型回归分析

表2 SFA 回归结果

技术进步：技术进步与资本存量、劳动力、能源消费的松弛变量均显著负相关，表明我国各省技术水平对三者存在一定的“挤出效应”，即技术进步提升单位劳动力的劳动效率，提高能源的利用效率，进而减少资本的浪费。换言之，当产出总量既定时，技术的进步可减少资本、劳动、能源要素松弛变量的投入，对碳排放效率起到了正向促进作用。

能源强度：能源强度与资本存量、能源消费的松弛变量显著负相关。能源强度越低，代表单位地区生产总值所消耗能源量就越少，即效率水平就越高，进而会投入更多的资本要素以及能源要素，在生产要素利用率未达到饱和的情况下，效率的提高往往伴随着更多投入要素松弛量的产生，进而推动各省的碳排放效率的提高。

禀赋结构：禀赋结构与资本存量、能源消费的松弛变量显著正相关，表明各省在禀赋结构既定的情况下，资本存量与能源消费量的增长将阻碍碳排放效率的提高。通常情况下，资本存量的增加会促进社会经济的快速增长，但大量资本的涌入与堆积造成资本产能过剩的问题，进而抑制碳排放效率的提高。同样，能源过量投入将导致能源产能过剩，在既定的禀赋结构下，能源消费松弛变量的投入冗余也增大，能源利用效率未能与能源消费量形成最佳的匹配关系，进而阻碍碳排放效率的提高。

（三）第三阶段碳排放效率分析

经过第二阶段对数据的调整，再次使用超效率SBM 模型对我国各省碳排放效率进行测算，具体结果见表1。

1.整体分析

在剔除外部环境和随机干扰因素后，整体上我国碳排放效率、纯技术效率以及规模效率相较于第一阶段均有显著变动，其中综合效率降低14.76%，规模效率降低27.39%，纯技术效率增加13.75%，表明外部环境和随机干扰对各效率值存在显著的影响，具体表现为综合效率和规模效率被高估，纯技术效率被低估。纯技术效率由0.760 增长为0.864，距离有效前沿面更近了一步，但仍有进一步提高的空间。规模效率由0.854 下降为0.620，反映出规模效率较低是阻碍我国碳排放效率达到有效水平的重要原因。从降幅来看，规模效率的变动同碳排放效率大体一致，这进一步反映出规模效率是制约碳排放效率提高的主要因素。各地区在发展技术水平的同时，也要合理扩大规模，使生产规模与碳排放效率之间达到最优关系。规模效率变化最直接的体现就是资源配置的无效率，政府部门应减少对资源配置的干预，提高市场资源配置功能，调动市场主体的积极性，进而提高规模效率。

2.各省分析

综合效率方面：各省碳排放效率存在较大差距，排名最高的广东和排名最低的青海，其综合效率值分别为1.346 和0.192，两者相差1.154；青海、甘肃、新疆等地的效率值均小于0.30，北京、上海、福建等地的效率值均大于0.80，多数省的效率值处于0.30 与0.80 之间，各省效率值的差距并未缩小到一个可观的范围内。福建、广东、湖北等地的综合效率有不同幅度的提升，浙江的综合效率基本保持不变，其他22 个省的综合效率均呈下降态势，表明大多数省的碳排放效率会因外部环境和随机干扰因素的影响而被高估。相较于第一阶段，部分省的排名有较大变化。例如，广东和福建分别由第三、第四的位置上升至第一、第二的位置，其综合效率的涨幅也最高，并且这两个省的综合效率均大于1，处于效率前沿。江苏上升至第三的位置，黑龙江、吉林分别跌落至第十三名、第二十名。可以看出，排名上升幅度较大的省多集中于南部沿海和东部沿海地区，而排名下降幅度较大的省多集中于东北地区，这是由于南部、东部沿海各省的开放程度更高，更容易吸引外商投资和吸收先进技术和发展经验，其技术效率被低估，东北地区各省的规模效率被高估，表明规模经济受环境影响较大，资源配置的市场调节能力较弱。纯技术效率方面：相较于第一阶段，除了北京、上海、广东、海南和青海，其余25 个省的纯技术效率均有所提高。不难发现，虽然上述5 个省的纯技术效率有所降低，但其第一、第三阶段均位列全国前五名，且数值均大于1，处于技术前沿面上。这一时期，我国各省的技术进步一定程度上推动了碳排放效率的提高。同时由技术扩散理论可知，技术具有“溢出效应”，先进的生产要素会流向其他省，拥有先进技术的省份会带动周边省份的技术进步，从而达到共同进步的效果。规模效率方面：相较于第一阶段，仅有4 个省的规模效率有所提升，分别为广东、福建、江苏和山东，这4 个省的规模效率在第三阶段位列全国前四。其中，广东和福建的规模效率值大于1，处于效率前沿面上，而其余28 个省的规模效率值均小于1，表明生产要素利用率并未达到生产效率前沿，规模效率对碳排放效率的增长具有一定的“反向推动力”。上述结果表明，外部环境和随机干扰对各省碳排放效率的变动具有显著影响，对不同省的影响效果不尽相同。因此，在对各省碳排放效率进行评测时，只有将其放置于同一环境、同一水平下，剔除外部环境和随机干扰的影响，所得数据才能客观真实地反应出各省的碳排放效率，这也进一步佐证了本文采用三阶段SBM-DEA 模型的合理性、准确性以及科学性。

3.聚类分析

火星快车号带着宇宙寻水的任务，于2004年被发射升空，经过长达6个月的太空飞行，到达火星轨道，开始探测火星之水。至今，它已经工作了14个年头，可以称得上是宇宙寻水的老前辈了。

本文利用SPSS26.0 软件分别对各省第一、第三阶段碳排放效率值进行聚类分析，将结果分为高效率区、中效率区和低效率区（见表3）。第一、第三阶段的聚类分析结果相差并不大。例如，北京、上海、广东等地均处于高效率区，天津由高效率区变为中效率区，而山东则由中效率区变为高效率区。上述处于高效率区的省大多位于三大沿海地区，这些地区经济发展迅速，开放程度较高，容易吸收先进技术与发展经验。可以看出，大多数省位于中、低效率区，说明我国整体的碳排放效率水平仍未达到较高水平。其中，山西、内蒙古、贵州等地均处于低效率区，这些地区资源禀赋十分富足，丰富的自然资源使经济发展以资源密集型产业为主，而资源密集型产业的生产往往伴随着高能耗、高排放、高污染的发生，导致其碳排放效率低下。这些低效率区的省在发展经济的同时，要加强地区绿色低碳发展的顶层设计，构建完善的节能减排法律体系，优化产业结构，控制“三高”产业的膨胀性发展，持续降低化石能源消费比重，积极推动清洁能源的开发与利用，并贯通于生产、流通以及消费等各个环节，实现由以往“高投入、高消耗、高污染”的粗放型发展模式向“低投入、低消耗、低污染”发展方式的转型。

表3 聚类结果对比

（四）动态碳排放效率分析

1.整体分析

由表4可知，我国碳排放效率变化指数整体上呈现“东中西”依次递减的空间格局，北京、上海、福建、广东等省的效率指数大于1，拉动了全国碳排放效率的增长。其余多数省的效率指数小于1，表明省际碳排放效率的变化并不均衡，存在一定的空间差异性。全国碳排放效率变化指数的均值为1.005，动态碳排放效率偏低。一方面是因为我国在经济发展初期，“粗放型”的发展路径虽然推动了经济的高速增长，但也排放了大量的温室气体，使碳排放效率急剧下降，尽管近年来国家加强了生态文明建设力度，但短时间内仍然无法弥补前期环境破坏造成的碳排放效率低下的问题。另一方面是因为多数省的碳排放效率变化指数小于1，仅有9 个省大于1，难以推动整体碳排放效率的大幅提高。从效率指数分解情况来看，纯技术效率变化指数和规模效率变化指数的均值分别为0.998 和0.997，表明组织管理水平以及要素配置尚不合理，亟须提高管理能力，合理扩大生产规模，实现企业生产经营的规模效益最大化。技术进步变化指数的均值为1.010，表明整体上达到有效前沿面，存在技术进步或创新。可以发现，技术进步变化指数的正增长抵消了一部分由于纯技术效率和规模效率变化指数带来的负增长，表明技术进步对碳排放效率变化指数具有正向促进作用，但由于管理能力和规模效率并未得到同步提升，我国碳排放效率变化指数未达到有效前沿。

由图1可知，2000—2012年，碳排放效率变化指数无明显的增减，呈起伏波动态势，存在一定的时空差异。2012—2018年连续六年碳排放效率变化指数呈上升态势，同时近年来碳排放效率变化指数均大于1，表明我国碳排放效率呈现明显的增长趋势。究其原因，党的十八大后，生态文明理念上升为生态文明战略，党的十九大在党的十八大的基础上，进一步吹响了加快生态文明体制改革、建设美丽中国的冲锋号角，再次昭示了我国对加强生态文明建设的意志和决心。基于这个背景，各省在低碳经济发展模式下，重点解决传统能源产能过剩、能源系统整体运行效率不高等突出问题，持续推进能源供给侧结构性改革，矫正能源配置扭曲、生产效率低下等问题，不断调整产业结构。例如，推动农业结构由“传统”向“现代”转变、工业结构由“重”向“轻”转变，第三产业的占比不断增加，实现三次产业协调发展、深度融合，逐步向“三二一”结构格局演进。同时，各省妥善兼顾“供给侧”中的技术水平贡献度，提升生产技术水平，推动能源的清洁化、多元化发展，这对进一步提高碳排放效率具有重要作用。

图1 中国各年份碳排放效率变化指数

2.各省分析

由表4可知，我国碳排放效率变化指数呈现出较大的省域差异，效率变动存在一定的区域性差异。例如，仅有9 个省的碳排放效率变化指数处于有效前沿，其中8 个省集中于三大沿海地区，而三大沿海地区中的河北与海南两省，碳排放效率变化指数小于1，二者均由纯技术效率变化指数较低所导致，表明其应该集中力量加强组织管理以及产业结构的优化，以期缩小实际产出水平与最优产出水平之间的差距。同时，北京、天津、上海和福建的碳排放效率变化指数以及三项分解指数均大于1，这些省的经济水平、科技水平以及对外开放水平都比较高，它们以规模的发展促进技术的进步，以技术的创新推动规模的扩大，各项效率指数相辅相成，相互推动，很好地诠释了经济和生态统筹发展的可持续发展观。全国有21 个省的碳排放效率变化指数未达到有效前沿，大多是由于纯技术效率变化指数或规模效率变化指数的相对低下所导致的，由此可见，不同时期各省对纯技术效率和规模效率的侧重各有不同，在兼顾二者协同发展方面，取得的成效并不理想，进而造成碳排放效率无法稳定提高。各省应立足发展实际和自身禀赋，明确阶段性发展任务，充分发挥市场配置资源的基础性作用，以资源的最优配置推动规模效率提高，强化企业管理，推动产业结构的绿色转型，这对提升碳排放效率具有重要意义。整体来看，各省政策、经济、环境发展差距较大导致碳排放效率变化指数具有较大的区域不平衡性，因此，在制定相关的经济目标与减排政策时，要因地制宜、因时制宜和因情施策相结合，不可盲目效仿其他地区，要从实际情况出发，充分利用好自身的优势条件，同时补齐短板，以提高碳排放效率，全面推动生态文明建设。

表4 中国各省碳排放效率变化指数结果

（续表4）

整体来看，碳排放效率变化指数达到有效前沿的省份在逐年增多。2005年，仅8 个省的效率变化指数大于1。近年来，尤以2016—2018年为甚，碳排放效率变化指数大于1 的省数量分别为10、19、19，呈现由零星点状分布到连片聚集分布的态势。越来越多省的碳排放效率变化指数大于1，表明其十分重视生态文明的建设与保护，它们通过强化管理、优化产业结构以及提高技术水平等方式，推动技术的快速革新和规模的有效扩大，在节能减排、减污降碳等方面取得了显著成就。“十三五”期间，各省统筹推进新时代“五位一体”总体布局，以“创新、协调、绿色、开发、共享”五大发展理念指导生态环保领域的稳步发展，不断推进供给侧结构性改革，加大化解过剩产能和淘汰落后产能的工作力度，提高能源利用效率，优化能源结构，坚持从能源层次打好生态环境保护攻坚战。党的十九大提出“建设生态文明是中华民族永续发展的千年大计”，各省在“绿水青山就是金山银山”的绿色发展观、“共建人与自然共同体”的科学自然观的指引下，积极推进生态文明建设，从规模和技术等根本层面解决问题，从本质上提升碳排放效率，努力走发展经济和保护环境的双赢之路。

（五）各省碳排放效率空间收敛性分析

1.空间自相关检验

在对各省碳排放效率进行空间收敛性测算时，应先进行空间相关性检验，以确保各省之间存在空间相关性。本文利用空间权重矩阵，对莫兰指数（Moran’s I）进行测算（见表5）。可以看出，碳排放效率的莫兰指数均为正数，且Z 值和P 值均通过了1%水平下的显著性检验，表明各省间碳排放效率在地理位置上存在显著的正向相关性。因此，在对各省碳排放效率进行收敛性分析时，应将空间相关性考虑在内，使模型回归结果更加准确与真实。

表5 中国各省碳排放效率莫兰指数结果

2.空间收敛性分析

本文对固定效应和随机效应模型进行Hausman 检验，结果表明绝对β收敛和条件β收敛均选择固定效应模型为最优。由表6中LM 和Robust LM 的检验结果可知，LM-lag 和Robust LM-lag 的显著性均高于LM-error 和Robust LM-erro，因此选择空间滞后模型（SLM）为最优。空间收敛性检验是相对量化程度比较高的检验方法，本文利用个体固定效应、时间固定效应以及混合固定效应，分别对空间滞后模型进行回归分析。由Overall 以及Log likelihood 的数值大小可知，无论是空间绝对β收敛模型还是空间条件β收敛模型，选择混合固定效应最优。因此，本文选取混合固定效应对各省碳排放效率进行空间收敛性度量。

表6 LM 检验结果

根据表7结果得出以下结论：（1）lnCE 的系数均为负，且均通过了1%水平下的显著性检验，表明我国各省的碳排放效率存在显著的空间绝对β收敛和空间条件β收敛。空间收敛趋势的存在表明省际碳排放效率的差距在逐渐缩小，低效率省份在“追赶”高效率省份。（2）空间绝对β收敛速度为0.056，低于条件β收敛速度（0.068），表明各省份在加入有影响的外部环境变量之后，收敛速度有所提高，更加符合真实的收敛情况。（3）技术进步的系数为正，且在1%水平下显著，表明技术进步很大程度上推动了碳排放效率的提高；能源强度的系数为负，且在5%水平下显著，表明能源强度和碳排放效率之间存在显著的负向效应，即能源强度的降低会推动碳排放效率的提高；禀赋结构的系数为正，且在10%水平下显著，表明禀赋结构和碳排放效率之间存在显著的正向效应，禀赋结构的提升推动了各省经济的高质量发展，进而带动碳排放效率的提高。因此，未来提升碳排放效率的重要方向包括技术的进步、能源强度的降低以及禀赋结构的优化。

表7 中国各省碳排放效率空间收敛回归结果

五、结论与启示

本文深入研究了中国省域碳排放效率的时空差异及空间收敛性，结果表明：（1）中国碳排放效率在波动中逐渐上升，但整体水平较低，效率值为0.536；三大沿海地区高于其他地区，省际存在较大差异，多数省份处于较低水平，仅广东和福建效率值大于1。（2）外部环境和随机干扰对各省碳排放效率具有显著的影响，具体来讲，技术进步有助于降低各项投入的松弛变量，能源强度的下降将减少劳动力投入和能源消费的松弛变量，禀赋结构的优化将增加资本投入和能源消费的松弛变量。（3）技术进步推动了动态碳排放效率的提高，而纯技术效率和规模效率的相对低下对其产生阻碍作用。整体呈现“东中西”效率指数依次递减的空间格局，上海、广东等省份的效率变化指数大于1，表明其对碳排放效率的增长具有拉动作用。（4）各省碳排放效率存在空间绝对收敛和空间条件收敛，技术进步、能源强度以及禀赋结构对碳排放效率的收敛存在显著影响。其中，技术进步和禀赋结构对收敛速度的提高具有正向作用，而能源强度具有负向作用。

基于上述结论，提高各省碳排放效率，缩减省际效率差距，推动经济发展和环境保护协同增效，是新常态下实现“双碳”目标的必由之路。有鉴于此，本文提出以下政策建议。

第一，实施差异化的碳减排策略，缩小省际的效率差距。我国幅员辽阔，各省发展情况千差万别，需要根据其实际情况提出相应的碳减排目标［27］，切不可盲目地效仿其他省的规章制度，避免实行“一刀切”的强制性政策，应根据各省的异质性，实施差异化的区域政策引领和空间战略布局，建立健全多元化、多渠道的环境政策，并且合理控制外部环境，充分发挥强项优势，补齐短板，强化弱项，推动低碳经济的平稳运行，为经济发展腾出更多的环境容量，走低碳与经济良性循环的可持续发展道路。

第二，优化禀赋要素结构，有效提高规模效率。资本、劳动作为生产经营中最基本的要素，其配置比很大程度决定了规模效率的高低。但生产规模一味扩大并不一定会降低边际生产成本，能源的过度消耗、劳动力以及资本的大量堆积，都是造成规模效率不高的主要原因。应调整地区间的资源配置，突破地域壁垒，加强省际禀赋要素的流动，充分发挥溢出效应，解决资源过度分化导致的偏离要素禀赋、地方过度竞争和市场分割导致的资源配置扭曲等问题。要注重禀赋资源与生产规模的合理配置，使生产规模与劳动力、资本之间达到最优的匹配关系。

第三，加强低碳技术创新，促进省际技术合作。我国低碳技术尚处于发展初期，创新积累较为薄弱，加上低碳技术的创新涉及多领域、多层次、多省间的协调合作，因此，要加强制度的顶层设计，建立面向各省不同市场需求的低碳技术供给体系，健全技术创新激励机制。同时，充分借助省际协同发展战略以及产业融合战略，因地制宜地形成上中下游产业技术体系的有效衔接，构建政府主导、市场推动以及两者协同的低碳技术研发与成果转化发展格局，以技术的创新推动低碳经济的发展，进而有效提高碳排放效率。

第四，构建清洁低碳的能源体系，有效降低能源强度。我国当下能源结构偏煤，一次电力及其他能源消费比重较低，能源体系的惯性较大，能源转型的路径较为复杂，我国应加大对氢能等新能源的开发与利用，加大对可再生能源的投资力度。同时，政府要加强对能源低碳转型的系统谋划，在遵循能源体系演化规律的基础上，多方面推动低碳转型进程，建立技术引领、政策推动、以市场驱动为核心的能源转型路径［28］，健全清洁化、低碳化、多元化的能源体系，通过有效降低能源强度，为提升碳排放效率腾出更多的发展空间。

本文在前人研究成果的基础上，利用三阶段SBM-DEA 模型和GML 模型，从静态和动态两个维度客观准确地测算了各省碳排放效率，又进一步构建了空间计量模型探索各省碳排放效率空间收敛性，在模型构建及测算方法等方面具有一定的创新性。但由于数据及篇幅受限，本文存在以下可以优化与拓展的空间：一是部分省份统计局尚未公布最新的能源、科技等数据，考虑到数据的完整性与准确性，未来可基于更长的时间跨度来探索各省碳排放效率的时空差异。二是除了基于技术、能源、禀赋等视角，还可以从政府规制、开放程度以及城市化水平入手，研究多种环境变量对碳排放效率的影响。三是除了利用空间收敛来判断省际碳排放效率是否存在“追赶”效应外，可以更进一步地采用空间俱乐部收敛模型来探索碳排放效率是否聚类式收敛于多个不同的稳态。后续研究可以针对上述不足进行完善。