EN中文

经济地理 >

2021 , Vol. 41 >Issue 6: 187 - 195

DOI: https://doi.org/10.15957/j.cnki.jjdl.2021.06.021

三农、土地与生态

京津冀地区工业碳排放效率时空演化特征及影响因素

  • 蔺雪芹 , 1 ,
  • 边宇 1 ,
  • 王岱 2
展开
  • 1.首都师范大学 资源环境与旅游学院，中国 北京 100048
  • 2.中国科学院 地理科学与资源研究所，中国 北京 100101

蔺雪芹（1980—），女，甘肃武威人，博士，副教授，研究方向为区域可持续发展。E-mail：

收稿日期: 2020-06-16

  修回日期: 2021-03-22

  网络出版日期: 2025-04-08

基金资助

国家自然科学基金面上项目(42071148)

教育部人文社会科学研究青年基金项目(16YJC790056)

收起

Spatiotemporal Evolution Characteristics and Influencing Factors of Industrial Carbon Emission Efficiency in Beijing-Tianjin-Hebei Region

  • LIN Xueqin , 1 ,
  • BIAN Yu 1 ,
  • WANG Dai 2
Expand
  • 1. School of Resource Environment and Tourism，Capital Normal University，Beijing 100048，China
  • 2. Institute of Geographical Sciences and Natural Resources Research，Chinese Academy of Sciences，Beijing 100101，China

Received date: 2020-06-16

  Revised date: 2021-03-22

  Online published: 2025-04-08

Fold

摘要

以京津冀地区13座城市为研究对象，利用2000—2018年工业及工业行业能源消耗、工业产值等相关数据，基于两阶段Super SBM模型，采用ArcGIS空间分析、空间计量模型等方法，分析京津冀地区工业及工业行业碳排放效率的时空演化特征，剖析工业碳排放效率的影响因素。结果表明：①2000—2018年京津冀地区工业碳排放效率不断提高，空间格局由“中心高，四周低”向“高值区带状集聚，低值区分散”转变，城市间工业碳排放效率差异减小。②工业行业间碳排放效率差异大，不同行业碳排放效率空间格局差异显著。③生产力水平、工业研发投入、对外开放水平对工业碳排放效率具有正向推动作用，且这种作用持续增大；工业化水平与工业碳排放效率由显著负相关转变为不显著相关；能源消费强度与工业碳排放效率始终呈负相关，但这种负向作用逐渐降低；重工业水平、能源消费结构与工业碳排放效率由不显著相关转变为显著负相关。

关键词： 工业碳排放; 碳排放效率; 空间计量模型; 绿色低碳发展; 京津冀地区

本文引用格式

蔺雪芹 , 边宇 , 王岱 . 京津冀地区工业碳排放效率时空演化特征及影响因素[J]. 经济地理, 2021 , 41(6) : 187 -195 . DOI: 10.15957/j.cnki.jjdl.2021.06.021

Abstract

Taking 13 cities in Beijing-Tianjin-Hebei region as the research object and using the relevant data of industry and industrial energy consumption and industrial output value from 2000 to 2018,this paper analyzes the spatiotemporal evolution characteristics of industrial carbon emission efficiency in Beijing-Tianjin-Hebei region and explores its influencing factors by the means of the two-stage super SBM model,ArcGIS spatial analysis and spatial econometric model. The results show that: 1) From 2000 to 2018,the industrial carbon emission efficiency of Beijing,Tianjin and Hebei increased year by year,the spatial pattern changed from "high in the center,low in the surrounding areas" to "strip distribution of high-value areas and dispersed distribution of low-value areas",and the overall difference narrowed. 2) The differences of carbon emission efficiency among different industries were significant and gradually increasing,and the spatial differentiation pattern of different industries was significantly different. 3) Productivity level and industrial R&D investment and opening-up level have a positive effect on industrial carbon emission efficiency,and this effect continues to increase. Industrialization level and industrial carbon emission efficiency change from significant negative correlation to significant positive correlation; energy consumption intensity and industrial carbon emission efficiency are always negatively correlated,but this negative effect gradually decreases; the relationship between level of heavy industry,energy consumption structure and industrial carbon emission efficiency changes from the unrelated to the negative.

Key words： industrial carbon emission; carbon emission efficiency; spatial econometric model; green and low-carbon development; Beijing-Tianjin-Hebei region

伴随改革开放40多年来经济的快速发展，中国已经跃升为世界第二大经济体，同时也成为世界第一大碳排放国，其中工业发展带来的碳排放总量占我国碳排放总量超过85%[1]。京津冀地区是中国经济增长的三大引擎之一，是中国重要的制造业基地，截至2018年京津冀地区能源消费总量4.25亿t标煤，占全国能源消费量的9.24%，高能耗、高污染产业的大规模集聚，以煤炭为主单一的能源消耗结构对京津冀低碳经济发展造成了很大威胁[2]。2015年4月，中共中央政治局会议审议通过了《京津冀协同发展规划纲要》，纲要提出环境保护、产业升级转型是京津冀协同发展的重点领域。作为区域生态文明“协同建设”的示范区，如何提高工业能源利用效率，减少资源能源投入，降低碳排放和污染排放，协同改善生态环境，成为京津冀亟待解决的重大问题。
目前国内外学者对于碳排放效率的研究主要集中于以下方面：①碳排放效率测度指标及方法。Kaya等首次提出碳生产效率概念[3]，随后学者们基于不同视角提出了碳化指数、碳排放强度等碳效率测度指标[4⇓-6]。上述指标多是以碳排放总量与某一要素的比值来表示的“单要素”度量方法。但碳排放效率是能源消费、经济发展等多要素共同作用的结果，具有“全要素”特点，考虑相关要素构造的指标才更为科学[7]，基于这个思路一些学者综合考虑固定资本、劳动力、GDP、碳排放等，构建碳排放效率测度指标[8⇓⇓-11]。目前，基于全要素思想的数据包络分析（Data Envelopment Analysis）是研究碳排放效率的主流方法，如路正南、曲晨瑶等利用Super DEA模型对我国省际碳排放效率进行测度分析[12-13]；相天东运用三阶段DEA模型对中国30个省区2000—2014年的碳排放效率进行分析[14]；蒋自然等基于三阶段DEA模型对长江经济带交通碳排放效率进行测度[15]。除此之外，多重减排因子的DEA方法、Metafrontier非径向Luenberger[16⇓-18]等方法也有应用。②不同工业行业碳排放效率测度。一些学者研究了中国制造业行业的碳排放效率[19-20]，也有学者基于微观行业视角，研究了一些特定工业行业如石化产业[21-22]、火电行业[23]、交通运输行业[24]的碳排放效率。③碳排放效率的影响因素研究。大部分学者认为能源消费强度、能源结构、技术进步、产业结构、对外贸易等是影响碳排放效率的重要因素[25-26]。
可以看出，现有大部分研究主要结合工业和社会经济统计数据开展，因此研究对象往往在空间尺度和行业精度上无法很好地兼顾，或是区域层面工业细分行业的碳排放效率研究，或是城市尺度工业整体的碳排放效率分析。对于城市尺度工业行业碳排放效率的系统研究相对较少。本文基于两阶段超效率DEA模型，在考虑资本投入、劳动力、能源投入和经济产出、碳排放产出的投入产出框架下，构建工业碳排放效率的测度模型，测度并分析京津冀地区2000—2018年工业及重点工业行业碳排放效率的时空间演化特征，采用空间计量模型，剖析工业碳排放效率的影响因素。研究对于推动京津冀地区工业绿色转型升级，促进区域工业经济与环境协同发展，提高生态环境保护和生态文明建设水平具有重要意义。

1 研究方法和数据来源

1.1 工业碳排放效率测度模型

1.1.1 两阶段SuperSBM模型

与径向超效率模型相同，在规模报酬可变（VariableReturntoScale，VRS）假设下，会出现投入导向的超效率模型无可行解的问题。产出导向的超效率模型无可行解的充分必要条件是 ∑ j = 1 , ≠ 0 n λ j x j + s - = x 0不可行，充分非必要条件是 x 0 x j , j ≠ 0。超效率模型无可行解的充分条件说明，在约束 e λ = 1时，当被评价DMU的一项产出值大于其它DMU的该项产出值时，产出导向的超效率模型中的约束条件 ∑ j = 1 , ≠ 0 n λ j x j + s - = x 0不可行，从而导致模型无可行解。为了使产出导向的超效率模型有可行解[25]，本文采用以下两阶段的求解方法：
第一阶段：通过增加被评价DMU的最小投入值来到达由其他DMU构成的凸性生产可能集区域，即：
m i n ∑ r = 1 s s r - x r 0
s . t . ∑ j = 1 , ≠ 0 n λ j x j - s - ≤ x 0 ; e λ = 1 ; λ , s - ≥ 0
第二阶段：将第一阶段的最优解 s - *作为常数项，代入上述模型，即可求解产出导向的超效率模型。
m i n ρ ' = 1 / 1 - 1 s ∑ r = 1 s s r + y r 0
s . t . ∑ j = 1 , ≠ 0 n λ j x j ≤ x 0 + s - *
∑ j = 1 , ≠ 0 n λ j y j + s + ≥ y 0
e λ = 1 ; λ , s + ≥ 0
当产出导向的超效率模型在第一阶段模型的最优解为 s + * = 0时，第二阶段模型与传统的产出导向的超效率模型（1）等价，则被评价的DMU在传统产出导向超效率模型下有可行解。即两阶段超效率模型保持了与传统超效率模型的兼容性；若被评价DMU在传统产出导向的超效率模型下有可行解，两阶段超效率模型得出的结果与之相同；反之，若无可行解，两阶段超效率模型则可以得出与之最接近的可行解。

1.1.2 工业碳排放效率测度模型

若DEA未达到最佳生产前沿，根据公式（1）可以得到碳排放量的冗余量或产出不足量，据此可得到最优的碳排放量，因此定义全要素碳排放效率为：
T F C E i t = T C O i t / A C O i t
式中：i为第i个决策单元；t为时间；TFCE（Total Factor Carbon Efficiency）为全要素框架下的碳排放效率；TCO（Target Carbon Output）为目标碳排放量，即在当前生产技术水平下，为实现一定经济产出所产生的最优碳排放量；ACO（Actual Carbon Output）为决策单元实际的碳排放量。

1.2 工业碳排放效率的空间效应检验

采用全局自相关来描述城市工业碳排放效率变化的整体分布状况，以判断工业碳排放效率变化在空间上是否存在集聚性，通常用的检验统计量有Global Moran's I指数[27-28]，计算公式如下：
M o r a n ' s   I = n ∑ i = 1 n ∑ j = 1 n W i j x i - x ¯ x j - x ¯ ∑ i = 1 n ∑ j = 1 n W i j ∑ i = 1 n x i - x ¯ 2 , i ≠ j
式中： x i、 x j为城市i和j的碳排放效率；n为城市总数； W i j为空间权重，采用邻接标准来定义，即当i和j邻接时， W i j = 1，否则 W i j = 0（i=1，2，…，n；j=1，2，…，m）； x -为x的平均值。
Global Moran's I取值范围介于-1~1之间，通过I值可以判断区域工业碳排放效率的集聚程度。当I>0时表示空间正相关，说明区域工业碳排放效率具有显著集聚水平；当I<0时表示空间负相关，即区域工业碳排放效率分布差距明显，呈扩散或均匀分布；当I=0时表示空间不相关，各城市工业碳排放效率呈无规律的随机分布状态。显著性检验可使用标准化统计量Z检验来实现，其计算公式如下：
Z = I - E I V a r I
当选用95%的置信水平时， Z>1.96，表示空间自相关显著。

1.3 基于空间效应的工业碳排放效率影响因素模型

1.3.1 解释变量的选取

考虑到影响碳排放效率的因素较多[29-30]，借鉴已有研究成果选取工业化水平、重工业化水平、对外开放程度、科技创新、能源消耗强度、能源消费结构、生产力水平作为探究京津冀地区工业碳排放效率的主要影响因素（表1）。
表1 工业碳排放效率影响因素变量说明

Tab.1 Description of variables affecting industrial carbon emission efficiency

解释变量 变量定义 作用预判
工业化水平 工业增加值占GDP的比重 正
重工业水平 重工业增加值占工业增加值的比重 负
对外开放程度 外商投资总额占总投资额的比重 正
科技创新 工业R&D经费支出占总支出的比重 正
能源消耗强度 工业耗电总量与GDP的比值 负
能源消费结构 煤炭类能源消耗占工业能源消耗总量比重 负
生产力水平 工业全员劳动生产率 正

1.3.2 基本模型的设定

本研究初步假设短期内7个变量与京津冀地区工业碳排放效率存在线性相关关系，并基于此设定基本分析模型如下：
l n   Y = α 0 + α 1 X 1 + α 2 X 2 + α 3 X 3 + α 4 X 4 + α 5 X 5 + α 6 X 6 + α 7 X 7 + ε
式中：Y为工业碳排放效率； X 1，…， X 7分别为工业化水平、重工业水平、对外开放程度、科技创新、能源消耗强度、能源消费结构、生产水平；α[α0，α1，…，α7]为待估参数；ε为误差随机项，服从正态分布N（0，σ2）。

1.3.3 空间效应模型的设定

城市工业碳排放效率的变化会受到周边城市的影响，因此研究时不能忽视其空间效应。空间效应计量回归模型有两种[31]：空间滞后模型（Spatial Lag Model，SLM）和空间误差模型（Spatial Error Model，SEM）。在进行空间模型选择时，采用最小二乘法（OLS）估计考虑空间相关性的约束模型，通过比较拉格朗日乘数的显著性确定最终模型的选择。
若拉格朗日乘数LM（lag）比LM（error）在统计上显著，且R-LM（lag）比R-LM（error）显著，则选择空间滞后模型进行分析，基于基本模型的空间滞后模型表达式为：
l n   Y = ρ W Y + α 0 + α 1 X 1 + α 2 X 2 + α 3 X 3 + α 4 X 4 + α 5 X 5 + α 6 X 6 + α 7 X 7 + ε
式中：Y为工业碳排放效率；ρ为空间回归系数；W为n×1阶的空间权值矩阵；X1，…，X7分别为7个自变量；α[α0，α1，…，α5]为待估参数；ε为误差随机项。
若拉格朗日乘数LM（error）比LM（lag）在统计上显著，且R-LM（error）比R-LM（lag）显著，则选择空间误差模型进行分析，基于基本模型的空间误差模型表达式为：
Y = α 0 + α 1 X 1 + α 2 X 2 + α 3 X 3 + α 4 X 4 + α 5 X 5 + α 6 X 6 + α 7 X 7 + ε ε = λ W ε + μ
式中：Y为工业碳排放效率；λ为空间误差系数；W为n×1阶的空间权值矩阵；X1，…，X5分别为7个自变量；α[α0，α1，…，α5]为待估参数；ε为误差随机项；μ为正态分布的随机误差向量。由于空间回归模型自变量的内生性，采用极大似然法来对模型参数进行估计。空间距离权重计算和空间模型运行均在GeoDa软件中进行[32]。

1.4 工业碳排放效率测度体系与数据来源

1.4.1 投入产出变量的选取

对于全要素框架下工业碳排放效率测度指标体系的构建，学者多选取劳动力、资本、能源总量[10]、工业SO2、工业NOx和工业烟（粉）尘[11]、地均能源、地均固定资产等[33]作为投入变量，将GDP，碳排放量，二产、三产总产值作为相应的期望产出和非期望产出来构建碳排放效率的测度指标体系[34]。基于已有研究，本文构建的工业碳排放效率测度指标体系见表2。投入指标包括经济要素投入、劳动力投入和能源要素投入，经济要素投入指标采用工业资本存量，具体采用工业当年实收资本和固定资产折旧之和表示，劳动力投入采用当年工业从业人员总数[33]，由于不能完全获取京津冀地级市层面工业及工业行业各类能源消耗，而电力能源消耗又是工业碳排放的主力军[35-36]，因此选取二次能源工业用电消耗作为工业能源要素投入的替代指标[37]。产出指标包括期望产出和非期望产出，其中期望产出为工业增加值，非期望产出为工业碳排放量。工业碳排放量根据国家发改委应对气候变化司发布的中国区域电网平均碳排放因子数据测算。根据目前我国区域电网分布现状，将电网边界统一划分为东北、华北、华东、华中、西北、南方区域电网，根据本文研究需要，采用2000、2005、2010、2018年华北区域电网平均碳排放因子。由于2000、2018年中国区域电网平均碳排放因子数据缺失，因此分别采用邻近年份2005、2012年的区域电网平均碳排放因子代替，再与京津冀13个城市相应年份的工业及工业行业电力消耗量相乘，即得到当年的工业碳排放量。
表2 京津冀地区工业碳排放效率评价指标体系

Tab.2 Evaluation index system of industrial carbon emission efficiency

指标类型 一级指标 二级指标
投入指标 经济要素投入 工业资本存量
劳动力投入 工业从业人员
能源要素投入 工业电力消耗
产出指标 期望产出 工业增加值
非期望产出 工业碳排放量

1.4.2 数据来源

本文研究范围为京津冀地区13个城市。采用的工业及工业行业数据、工业能源消费数据、社会经济数据主要来自2001—2019年《北京统计年鉴》《天津统计年鉴》《河北统计年鉴》以及河北省11个城市的统计年鉴，部分城市相关数据来源于其国民经济和社会发展统计公报。

2 结果与分析

2.1 京津冀地区工业碳排放效率的时空演化特征

2.1.1 工业碳排放效率的时间演化特征

总体来看2000—2018年京津冀地区工业碳排放效率均值逐步增大，由2000年的0.67提高至2018年的0.93，增长率1.95%。碳排放效率大于1.00的城市数量由5个增加至6个。从多年均值来看，沧州碳排放效率值最高，唐山最低。除秦皇岛、廊坊外其余城市的工业碳排放效率年均变化率均为正，天津、石家庄、张家口3市的工业碳排放效率初始值较低但增长快速，年均增长率分别为11.50%、12.96%、8.27%，属低位高速增长类型；保定、衡水的工业碳排放效率初始值较高但增长缓慢，年均增长率分别为1.05%、0.33%，属于高位低速增长类型；其余城市的工业碳排放效率逐年稳步增长，而秦皇岛以-0.26%缓慢下降，廊坊则以-7.79%快速下降（表3）。部分城市如邯郸、邢台、唐山、保定等区域重工业城市的碳排放效率多数年份均未达到最优前沿面，具有较大的提升空间，这与冯冬等学者研究结果一致[34]。
表3 2000—2018年京津冀地区各城市工业碳排放效率

Tab.3 Industrial carbon emission efficiency of cities in Beijing-Tianjin-Hebei region from 2000 to 2018

城市 2000 2005 2010 2018 均值 年均变化率（%）
北京 1.02 0.70 1.00 1.44 1.12 2.05
天津 0.25 1.00 1.01 1.62 1.04 11.50
石家庄 0.10 0.45 0.51 0.83 0.50 12.96
承德 0.63 0.87 0.73 1.05 0.82 2.99
邢台 0.35 0.39 0.68 0.63 0.48 3.44
秦皇岛 1.00 0.45 0.84 0.96 0.85 -0.26
沧州 1.00 1.16 1.00 1.43 1.23 2.13
邯郸 0.17 0.21 0.30 0.28 0.26 2.82
张家口 0.34 0.95 1.00 1.33 0.93 8.27
保定 0.65 0.78 0.72 0.78 0.71 1.05
廊坊 2.07 1.00 1.07 0.50 1.11 -7.97
衡水 1.10 1.00 1.04 1.06 1.03 0.33
唐山 0.11 0.10 0.13 0.21 0.15 3.75
平均值 0.67 0.68 0.76 0.89 0.93 1.95
标准差 0.28 0.10 0.09 0.19 - -

2.1.2 工业碳排放效率的空间演化特征

2000年京津冀地区工业碳排放效率空间分布呈“中间高、四周低”的空间格局。高值区主要集中在中部的北京、廊坊和西南部的沧州、衡水等市，低值区广泛分布于四周；2018年工业碳排放效率高值区集中连片布局，低值区分散布局。高值区依托北部张家口、北京和环渤海天津、衡水、沧州等市呈“西北—东南”走向的带状格局，低值区分散布局在南部的邯郸、中部的廊坊以及渤海湾的唐山（图1）。整体来看，2000—2018年高值区主要集中在北部（张家口、承德）、环渤海（衡水、沧州）一些发展新型节能环保、绿色工业的城市，以及中部（北京、天津）工业技术发达的城市。低值区主要集中在南部（邯郸、邢台、保定、石家庄）、东部（唐山）等发展石油化工、煤化工等原材料工业以及重型装备制造业等的城市，碳排放效率多数年份未达到最优前沿面，具有较大的提升空间。各城市间工业碳排放效率标准差2000年为0.28，2018年为0.19，说明工业碳排放效率空间差异显著降低。
图1 2000—2018年京津冀地区工业碳排放效率的空间分异

Fig.1 Spatial differentiation of industrial carbon emission efficiency in Beijing-Tianjin-Hebei region from 2000 to 2018

2.2 京津冀地区工业行业碳排放效率的时空演化特征

2.2.1 工业行业碳排放效率的时间演化特征

选取京津冀年均碳排放量排名前9位的高碳排放行业进行分析（图2）。2000—2018年金属制品业、通用设备制造业等行业的碳排放效率均高于1.00，属于碳排放高效率行业，其中金属制品业碳排放效率由2000年的1.34下降为2018年的1.17，通用设备制造业由1.03增加至1.61；在碳排放效率低于1的工业行业中，电力、热力、燃气及水的生产和供应业，纺织业的碳排放效率具有相似的变化趋势，2000—2005年急速下降，2005—2010年碳排放效率未发生明显变化，2010—2018年呈缓慢上升趋势，且这两个行业碳排放效率均处于较低水平；黑色金属冶炼及压延加工业和石油加工及炼焦业的碳排放效率较为稳定，均处于较高水平；非金属矿物制品业和交通运输设备制造业碳排放效率变化均呈持续微幅下降趋势，但前者碳排放效率水平较低，由0.64下降至0.36，后者碳排放效率较高由1.34下降至0.91；化学原料及化学制品业的碳排放效率在2000—2005年急剧下降至最低水平，2005—2018年逐步回升，但仍处于行业间最低层级水平。
图2 2000—2018年京津冀地区高碳排工业行业碳排放效率变化

Fig.2 Carbon emission efficiency changes of industry with high carbon emission in Beijing-Tianjin-Hebei region from 2000 to 2018

对比京津冀各工业行业碳排效率数年均值，发现不同工业行业的碳排放效率与地区经济水平和技术发展等联系密切，其中电力、热力、燃气及水的生产和供应业，纺织业，非金属矿物制品业，化学原料制品业等高耗能、高污染类[38]的能源导向型及原料导向型工业行业，其碳排放效率多数年份均未达到最优前沿面；反之，随着工业消费结构不断升级和工业化进程加快，通用设备制造业、金属制品业的碳排效率多年处于最优前沿面，这得益于此类行业产品应运领域广泛，附加值高，产业规模效应显著，在生产管理和技术管理方面处于领先地位。

2.2.2 工业行业碳排放效率的空间演化特征

工业碳排放效率水平与地区工业技术水平和经济发展水平有着密切关系，因此不同工业行业碳排放效率空间分异差异显著（图3）。2000—2018年电力、热力、燃气及水的生产和供应业碳排放效率空间格局由“北高南低”转变为“南北高、中部低”。2000年依托承德、北京、廊坊、天津、衡水、沧州等市形成南北走向碳排放高效率带，西部张家口处于最低层级，西南部石家庄、保定，东部唐山以及南部邯郸、邢台高耗能工业比重大，工业发展水平较低，导致行业碳排放效率处于较低层级。2018年碳排放效率空间格局呈均衡分布状态。除张家口碳排放效率处于最高层级，秦皇岛、保定处于最低层级外，其余各市碳排放效率均处于较高层级。
图3 20002018年京津冀地区高碳排工业行业碳排放效率空间分异

Fig.3 Spatial differentiation of carbon emission efficiency of industries with high-carbon emission in Beijing-Tianjin-Hebei region from 2000 to 2018

2000—2018年纺织业碳排放效率空间格局由高值分散、低值集聚逐渐转化为南北高值集聚、中部低值分散。2000年西北部张家口和中部廊坊为高值区，低值区主要分布在东部唐山和东南部邢台、邯郸等市，其余各市的碳排放效率处于中间层级。2018年东北、西南部高值区主要依托工业经济发达的城市形成，中部低值区主要布局在保定、廊坊、衡水三地。
2000年非金属矿物制品业碳排放效率高值区主要分布在承德、衡水等地，低值区主要分布在东部秦皇岛、天津、北京和南部石家庄等地。2018年碳排放效率高值区集中在承德、沧州等市，石家庄、唐山等城市由于加大低端产业疏导和工业技术革新，碳排放效率提升，碳排放效率低值中心主要集中于秦皇岛、邯郸两地。
黑色金属冶炼及压延加工业2000年碳排放效率高值中心集聚在廊坊、保定等地，低值中心集中在北京和南部邢台市；2018年碳排放效率高值中心向北部（北京）、南部（邢台、沧州）等地扩散，低值中心则集中在中部廊坊、保定等地。
化学原料及化学制品制造业2000年碳排放效率高值中心依托北部（张家口、秦皇岛、北京）、中部（廊坊）、南部（石家庄、衡水）等市形成“工”字形格局，低值中心分散布局在东部天津、南部邢台、邯郸等市；2018年高值中心新增邯郸，低值中心则由北移至秦皇岛、沧州等市。
交通运输设备制造业2000年碳排放效率高值中心分布在承德、张家口、石家庄等市，低值中心分布在秦皇岛、廊坊等市；2018年高值中心南移至邯郸、石家庄、沧州，低值中心未发生显著变化，主要分布在廊坊、邢台、衡水等地。
金属制品业2000年碳排放效率高值中心分散布局在北部张家口、东部秦皇岛、南部邯郸等市；低值中心分布在廊坊、邢台等市。2018年碳排放效率高值中心未发生显著变化，仍分散布局在北部（承德）、南部（邢台、沧州）；低值中心在西部形成南北走向的带状格局。
石油加工及炼焦业2000年碳排放效率高、低值差异显著，高值区空间布局集中在北部承德、张家口、南部衡水等市，低值区集聚在中、东部天津等市；2018年碳排放效率高值区向中部保定、廊坊等市集聚，低值区分散布局在渤海湾唐山，南部沧州、邯郸等城市。
通用设备制造业2000年碳排放效率高值区分布在环渤海北京、天津、秦皇岛及南部沧州、邢台等市，低值区以张家口为中心；2018年碳排放效率高值区仍分散集聚在环渤海和南部地区城市，此外南部高值中心由沧州、邢台等市转变为石家庄，低值区空间格局较2000年差异显著，秦皇岛、沧州为新增低值区。

2.3 京津冀地区工业碳排放效率的影响因素

2.3.1 工业碳排放效率的空间聚类特征

对京津冀地区工业碳排放效率做全局自相关分析，结果显示2000和2018年的Moran's I指数分别为-0.112、-0.132（p<0.001），表明区域碳排放效率具有较强的空间负相关性，且负相关性有所提高。2000—2018年第一象限散点数量无显著变化，即区域内碳排放效率高—高集聚区集中在北部张家口，东南部衡水、沧州等轻工业城市和重工业基础雄厚的城市，以及中部北京、东部天津工业经济综合发展水平较高的城市；第三象限散点数量显著减少，2000—2018年承德、石家庄等市碳排放效率的提升致使区域碳排放效率低—低集聚区转变高—低集聚区。

2.3.2 工业碳排放效率的影响因素分析

在综合考虑工业化水、重工业水平、技术进步、对外开放、能源消耗强度、能源结构等因素的前提下（表4），2000年对京津冀地区工业碳排放效率产生正向影响的因素由大到小依次为生产力水平、工业研发投入、对外开放水平，产生负向影响因素由大到小依次为能源消耗强度、工业化水平；2018年对工业碳排放效率产生正向影响的因素由大到小依次为生产力水平、工业研发投入、对外开放水平，产生负向影响的因素由大到小依次为能源消耗强度、重工业水平、能源消耗结构。
表4 2000、2018年京津冀地区工业碳排放效率的影响因素分析

Tab.4 Analysis of factors affecting industrial carbon emission efficiency in Beijing-Tianjin-Hebei region in 2000 and 2018

指标 2000 2018
系数 Z值 系数 Z值
工业化水平 -0.0390*** -2.6787 0.3150 3.6135
重工业水平 0.0006 0.2081 -0.0877* -1.9892
工业研发投入 0.1456* 1.3325 0.8238* 3.0358
对外开放水平 0.0311*** 4.3683 0.4169** 1.0921
能源消耗强度 -1.8060*** -6.4746 -1.4012* -5.3160
能源消费结构 0.0057 0.2353 -0.0414** 0.2801
生产力水平 0.6098*** -1.0173 1.4056* -4.5411
R2 0.9276 0.6957

注：*、**、***分别代表10%、5%、1%水平下显著。

生产力水平、工业研发投入、对外开放水平与工业碳排放效率的相关性始终为正，且相关性不断增大。从理论上来讲，生产力水平的提升与生产过程的组织、管理以及技术水平的发展相关，系统高效的组织管理体系以及生产技术的提升，可推动工业生产资料的有效配置，提高工业能源利用效率，进而促进工业碳排放效率提升；工业研发投入的增加可直接刺激工业生产技术革新，推动传统高耗能产业转型升级，提升工业污染治理技术，从而提高工业碳排放效率；对外开放水平的提升可推动外资企业发挥其技术溢出效应和关联效应，对当地工业企业起到示范带动作用，改进技术以提高工业碳排放效率。由于研究方法、数据获取等因素影响，学者们对京津冀工业碳排放效率影响因素的探究结果也不尽相同，但相关研究均证实工业研发投入、外资投入对工业碳排放效率具有正向作用[34,39]。
工业化水平与工业碳排放效率由显著负相关转变为不显著相关。早期区域内工业发展水平处于较低层级，工业化进程以大量资源损耗为代价，具有高耗能、低处理、高排放的特点。随着资本积累和科学技术发展，以知识化、信息化、生态化为主的新型工业化发展迅猛，降低了资源消耗，减少了碳排放，因此对碳排放效率不再具有显著的抑制作用。
重工业水平与工业碳排放效率由不显著相关转变为显著负相关。重工业的生产和发展相较于轻工业更依赖于能源和原材料，对环境污染较大。重工业比重的攀升会加大对能源的消耗程度，增大工业碳排放量，从而对工业碳排放效率提高具有显著的负向作用。
能源消耗强度与工业碳排放效率的相关性始终为负，即能源消费强度越大，碳排放效率越低，但多年负向影响有所减弱。这是因为京津冀地区高能耗产业集聚和发展水平不高的特征，导致其工业单位产值的能源消耗量居高不下，表现出对工业碳排放效率提升的持续负向响应。能源消费结构与工业碳排放效率由不显著相关转变为显著负相关，说明京津冀以煤炭为主的能源结构对工业碳排放效率提升的抑制作用凸显（图4）。
图4 京津冀地区工业碳排放效率影响因素及作用机制

Fig.4 Factors and mechanism of industrial carbon emission efficiency in Beijing-Tianjin-Hebei region

3 结论与讨论

3.1 结论

①2000—2018年京津冀地区工业碳排放效率不断提高，各城市间工业碳排放效率差异呈缩小趋势；工业碳排放效率空间分布格局由“中间高、四周低”向“高值区带状集聚，低值区分散”转变。
②2000—2018年京津冀地区工业行业间的碳排放效率差异显著，电力、热力、燃气及水的生产和供应业，纺织业，非金属矿物制品业，化学原料制品业等高耗能、高污染类的能源导向型及原料导向型工业行业碳排放效率多数年份均未达到最优前沿面，而通用设备制造业、金属制品业的碳排效率多年处于最优前沿面，不同工业行业空间分异格局显著。
③生产力水平、工业研发投入、对外开放水平对工业碳排放效率具有正向推动作用，且这种作用持续增大；工业化水平与工业碳排放效率由显著负相关转变为不显著相关；能源消费强度与工业碳排放效率始终呈负相关，但这种负向作用逐渐降低；重工业水平、能源消费结构与工业碳排放效率由不相关转变为负相关，但相关性较弱。

3.2 讨论

未来京津冀地区工业低碳发展，首先要加强绿色化升级改造传统工业。地区内部分重工业城市如邯郸、唐山等工业碳排放效率有持续恶化趋势，应采用淘汰落后产能的方式，加强对传统工业的绿色化升级改造，以逐步提高对高碳排放行业的准入门槛；加快地区传统高污染企业改革转型步伐，不断推动行业适应经济社会的绿色可持续发展。第二，加大环境规制力度，构建更加完善的环境规制制度。对高碳排低效率的行业如纺织业、非金属矿物制品业、化学原料制品业实施重点监控，制定更高标准的碳排效率目标，提高行业准入条件。第三，持续加大工业环保技术研发投入，促进诸如环境污染治理技术、节能减排处理技术等绿色技术的发展，使得企业的科技创新能力得到提高，对改善碳排放效率起到稳步推进的积极作用。第四，推动外资利用向高质量发展转变，扩大外资利用的外溢效应。增强优质外资的集聚能力[30]，促进地区释放生产要素，培育发展出口导向型的劳动密集型和能源导向型产业，使其融入国际供应链，促进传统产业转型升级；加快各类工业行业的体制机制创新，加强外资企业技术外溢与地区工业行业自主创新之间的联动性，强化创新能力的开放合作，促使技术向生产力快速转化。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
彭林. 中国工业企业碳排放效率空间计量分析[D]. 镇江: 江苏大学, 2019.

[2]
苑清敏, 张宝荣, 李健. 京津冀地区工业碳排放影响因素的门限效应分析[J]. 环境科学与技术, 2019, 42(11):213-221.

[3]
Kaya Y, Yokobori K. “Global Environment,Energy and Economic Development”held at the United Nations University[R]. Tokyo, 1993.

[4]
Mielnik O, Goldemberg J. The evolution of the “Carbonization Index”in developing countries[J]. Energy Polic, 1999, 27(5):307-308.

[5]
Sun J W. The decrease of CO2emission intensity is decarbonization at national and global levels[J]. Energy Policy, 2005, 33(8):957-978.

[6]
潘家华, 张丽峰. 我国碳生产率区域差异性研究[J]. 中国工业经济, 2011(5):47-57.

[7]
Ramanathan R. Combining indicators of energy consumption and CO2 emissions:Across country comparison[J]. International Journal of Global Energy Issues, 2002, 17(3):214-227.

[8]
董锋, 徐喜辉, 龙如银, 等. 我国碳排放区域差异性分析[J]. 长江流域资源与环境, 2014(11):1526-1533.

[9]
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.

[10]
王兆峰, 杜瑶瑶. 基于SBM-DEA模型湖南省碳排放效率时空差异及影响因素分析[J]. 地理科学, 2019, 39(5):797-806.

DOI

[11]
蒋姝睿, 谭雪, 石磊, 等. 京津冀大气污染传输通道城市的工业大气污染排放效率分析——基于三阶段DEA方法[J]. 干旱区资源与环境, 2019, 33(6):141-149.

[12]
路正南, 王志城. 我国工业碳排放效率的行业差异及动态演进研究[J]. 科技管理研究, 2015(6):230-235.

[13]
曲晨瑶. 中国制造业行业碳排放效率及其影响因素[J]. 科技管理研究, 2017(8):60-68.

[14]
相天东. 我国区域碳排放效率与全要素生产率研究——基于三阶段DEA模型[J]. 经济经纬, 2017, 34(1):20-25.

[15]
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.

[16]
Hou Z, Liu C, Zeng X, et al. Carbon emission performance evaluation and allocation in Chinese cities[J]. Journal of Cleaner Production, 2017, 169:220-229.

[17]
Hang J. Evaluating regional low-carbon tourism strategies using the fuzzy Delphi-analytic network process approach[J]. Journal of Cleaner Production, 2017, 141:409-419.

[18]
Hang N, Wei X. Dynamic total factor carbon emissions performance changes in the Chinese transportation industry[J]. Ap-plied Energy, 2015, 146:409-420.

[19]
杨思涵, 佟孟华, 刘睿婕, 等. 异质性工业企业碳减排状态与路径的比较[J]. 中国环境科学, 2019, 39(6):2678-2688.

[20]
周迪, 吴泽文. 中国工业碳减排潜力与路径研究[J]. 中国环境科学, 2019, 39(3):1306-1314.

[21]
姜国刚, 阮婉妮, 郭铁军. 基于三阶段DEA的江苏石化产业碳排放效率分析[J]. 环境科学与技术, 2019, 42(3):172-179.

[22]
武振华. 我国化工行业碳排放效率、影响因素及碳配额分配研究[D]. 天津: 天津大学, 2018.

[23]
蒋毅一, 彭林, 赵爽, 等. 基于空间计量的中国省域火电行业碳排放效率分析[J]. 山东财经大学学报, 2019, 31(2):31-42,83.

[24]
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.

[25]
王建民, 蒋倩颖, 张敏. 等. 皖江城市带承接产业转移示范区低碳发展效应分析[J]. 地域研究与开发, 2019, 38(2):50-54,85.

[26]
谢志祥, 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.

[27]
Cliff A D, Ord J K. Spatial Processes:Models and Applications[M]. London: Pion, 1981.

[28]
Anselin Luc, Kelejian Harry H. Testing for spatial error autocorrelation in the presence of endogenous regressors[J]. International Regional Science Review, 1997, 20(1/2):153-182.

[29]
王少剑, 苏泳娴, 赵亚博. 中国城市能源消费碳排放的区域差异、空间溢出效应及影响因素[J]. 地理学报, 2018, 73(3):414-428.

DOI

[30]
蔺雪芹, 郭一鸣, 王岱. 中国工业资源环境效率空间演化特征及影响因素[J]. 地理科学, 2019, 39(3):377-386.

DOI

[31]
Damodar N. Gujarati, Dawn C, et al. Basic econometrics (Fifth Edition)[M]. Tata McGraw-Hill Education Pvt. Ltd, 2013.

[32]
Anselin Luc. Spatial Econometrics:Methods and Models[M]. Dordrecht: Kluwer Academic Publishers, 1988.

[33]
朱传耿, 张纯敏, 仇方道, 等. 基于低碳经济的徐州都市圈工业结构转型与布局优化[J]. 经济地理, 2017, 37(10):126-135.

[34]
冯冬, 李健. 京津冀区域城市碳排放效率及减排潜力研究[J]. 资源科学, 2017, 39(5):978-986.

DOI

[35]
王烨, 顾圣平. 2006—2015年中国电力碳足迹及其生态压力分析[J]. 环境科学学报, 2018, 38(12):4873-4878.

[36]
郭腾云, 徐勇, 王志强. 基于DEA的中国特大城市资源效率及其变化[J]. 地理学报, 2009, 64(4):408-416.

[37]
蒋晶晶, 叶斌, 计军平, 等. 中国碳强度下降和碳排放增长的行业贡献分解研究[J]. 环境科学, 2014, 35(11):4378-4386.

[38]
孙丽文, 韩莹, 杜娟. 京津冀高能耗产业碳足迹的影响因素——基于de Bruyn模型[J]. 技术经济, 2019, 38(8):86-92,118.

[39]
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.

Options
文章导航

/

〈 〉