删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

南京市土地利用结构碳排放效率增长及其空间相关性

本站小编 Free考研考试/2021-12-29

范建双¹^,²^,, 虞晓芬¹^,², 周琳¹^,²

1. 浙江工业大学经贸管理学院,杭州 310023

2. 浙江工业大学技术创新与企业国际化研究中心,杭州 310023

Carbon emission efficiency growth of land use structure and its spatial correlation: A case study of Nanjing city

FANJianshuang¹^,²^,, YUXiaofen¹^,², ZHOULin¹^,²

1. College of Economics and Management, Zhejiang University of Technology, Hangzhou 310023, China

2. Research Center of Technological Innovation and Enterprise Internationalization, Zhejiang University of Technology, Hangzhou 310023, China

收稿日期:2018-07-13
修回日期:2018-09-25
网络出版日期:2018-11-20
版权声明:2018《地理研究》编辑部《地理研究》编辑部
基金资助:

国家自然科学基金项目（71774142）

教育部人文社科项目（17YJAZH022）

浙江省哲学社会科学重点研究基地项目（16JDGH045）

浙江省自然科学基金项目（LY16G030029）

杭州市科技计划软科学研究重点项目（20160834M23）

作者简介:
-->作者简介：范建双（1980- ）,男,辽宁盖州人,博士,副教授,研究方向为土地经济与政策、城镇化与碳排放。E-mail: fjshmy@zjut.edu.cn

展开

摘要
采用南京市11个区2005-2014年的相关数据,首先对不同类型土地的碳排放量进行核算,进一步将其作为非期望产出引入DEA模型并采用Hicks-Moorsteen指数对南京市各区的土地利用结构碳排放效率增长进行估算、比较和分析。研究结果表明：① 碳排放的主要来源是建设用地的间接碳排放,研究期内的土地利用碳排放量呈现出持续增长的发展态势。② 全要素碳排放效率增长及其分解要素均低于传统全要素生产率增长,即不考虑碳排放约束的全要素生产率增长高估了实际的土地利用效率增长水平。全要素碳排放效率增长在研究期内表现出收敛态势和区域之间均衡性的发展特征,源于“低碳和高效”发展理念的深入人心,单位GDP能耗不断降低。③ 南京市各区的技术效率值较低,“技术追赶”效应不明显,开始出现土地利用的规模经济效应,但是范围经济效应不显著。④ 全要素碳排放效率增长在南京市范围内具有空间正相关性,且表现出空间集聚特征。基于此,提出了一些有益的建议。

关键词：南京;土地利用结构;碳排放;全要素碳排放效率增长;Hicks-Moorsteen指数
Abstract
The increase of carbon emissions has a direct impact on extreme weather disasters and global warming. Therefore, controlling and reducing carbon emissions is one of the important ways to promote ecological balance and regional sustainable development. The difference in urban land use patterns and the different speeds and levels of urban economic development will, of no doubt, lead to the differences in carbon emissions. The amount of carbon emissions from different land use structures and the levels of its efficiency will directly affect the sustainable development of the urban economy, which has aroused the attention of academics. This paper estimated the quantities of carbon emissions of different land types by using the land use structure data from 11 districts in Nanjing from 2005 to 2014, and further introduced the estimated carbon emissions into the DEA model as an undesirable output variable to estimate, compare and analyze the total factor carbon emissions productivity growth of land use structure in Nanjing by using the Hicks-Moorsteen index method. The major results were shown as follows. First, the main sources of carbon emissions for land use structure in Nanjing were the indirect carbon emissions from the construction lands. During the study period, the carbon emissions of land use structure showed a continuous growth trend and certain degree of spatial heterogeneity in the districts of Nanjing city. The severe emission areas were mainly concentrated in the central regions and there was a tendency to shift to the northern regions. Second, the total factor carbon emission productivity growth and its decomposition factors were lower than the traditional total factor productivity (TFP) growth, which means that the traditional TFP growth without considering the constraints of carbon emissions overestimated the actual productivity growth level of land use structure. The total factor carbon emission productivity growth showed a convergence trend with the characteristic of equilibrium development between regions during 2006-2014, due to the fact that the development concept of "low carbon and high efficiency" were deeply rooted in people's mind and the energy consumption per unit of GDP was continuously decreasing. The calculation results of model 2 showed that the total factor carbon emission productivity growth level of Jiangning district was the highest and that of Yuhuatai district was the lowest. Third, the decomposition results of total factor carbon emission productivity growth indicated that the technical efficiencies of all the districts in Nanjing were relatively low, the "technology catch-up" effects were not obvious, and the scale economy effects of land use began to appear, but the scope economy effects were not very significant. Fourth, total factor carbon emission productivity growth presented a positive spatial correlation and the characteristics of spatial agglomeration in all the districts of Nanjing. The districts of high and high (HH) agglomeration were increasing and the districts of low and low (LL) agglomeration were decreasing. Finally, some suggestions were put forward.

Keywords：Nanjing;land use structure;carbon emissions;total factor carbon emission productivity growth;Hicks-Moorsteen index

-->0
PDF (2092KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNote Ris Bibtex 收藏本文-->
范建双, 虞晓芬, 周琳. 南京市土地利用结构碳排放效率增长及其空间相关性[J]. 地理研究, 2018, 37(11): 2177-2192 https://doi.org/10.11821/dlyj201811005
FAN Jianshuang, YU Xiaofen, ZHOU Lin. Carbon emission efficiency growth of land use structure and its spatial correlation: A case study of Nanjing city[J]. Geographical Research, 2018, 37(11): 2177-2192 https://doi.org/10.11821/dlyj201811005

1 引言

碳排放量的增加对极端天气灾害和全球变暖有直接影响,因此控制和减少碳排放是促进生态平衡和区域可持续发展的重要途径之一。城市土地利用方式的不同,城市经济的发展速度和水平不同,所引起的碳排放量也存在差异。土地利用的碳排放量大小及其效率的高低将直接影响城市经济的可持续发展,因此引起了学术界的重视。目前对土地利用碳排放效率的相关研究主要集中在以下几个方面：一是对某一区域的整体土地利用或者一类土地的碳排放效率进行测度,并将碳排放作为投入指标处理^[1,2,3],也有****将碳排放作为非期望产出^[4]。二是从土地集约利用的角度来测度土地利用碳排放效率,如有****分析农业用地、建设用地和土地总量集约利用度与相应集约用地碳排放效率之间的关系,发现二者间并不保持普遍一致,存在一定的区域差异^[5,6,7,8]。三是从土地利用结构的角度分析区域土地碳排放效率^[9,10]。
从现有文献来看,****们从不同的视角对土地的碳排放效率进行测度,并取得了丰硕的成果。尽管有****试图将碳排放作为非期望产出引入效率测度模型来测度土地利用结构碳排放效率,并普遍采用基于SBM的DEA模型进行测度,测度的结果仅反映了土地利用结构的碳排放技术效率和规模效率,很少有****关注范围效率、混合效率和残余规模效率的影响,因此也就无法反映土地利用结构碳排放全要素生产率的变化。碳排放是经济发展中的一种非期望产出,本文尝试采用基于Hicks-Moorsteen TFP指数的DEA方法来估算和分析南京市各区的碳排放约束下的土地利用结构的全要素生产率增长,本文称之为全要素碳排放效率增长,是指一个地区内部在碳排放约束下各类用途土地的比例关系和构成变化所引起的全要素生产率变化,即不同时期的碳排放约束下的实际全要素生产率的比值。包括技术进步和综合效率变动。全要素碳排放效率增长与传统的全要素生产率增长（不考虑碳排放约束）有何不同?南京市各区的土地利用结构的全要素碳排放效率增长水平如何?本文试图通过研究来回答上述问题,并为城市经济的可持续发展与土地的集约、低碳化利用提供政策参考。

2 研究方法与数据来源

2.1 指标选取与数据来源

2.1.1 研究单元选择本文以南京市的市辖区为研究对象。由于2005-2014年期间南京市的行政区划有所调整,2012年之前南京市包括玄武区、白下区、秦淮区、建邺区、鼓楼区、下关区、栖霞区、雨花台区、江宁区、浦口区、六合区、溧水县和高淳县11个区2个县;南京市2013年进行区划调整,合并了原秦淮、白下两区,设立了新的秦淮区;合并了原鼓楼、下关两区,设立了新的鼓楼区;将溧水县和高淳县分别在原区划范围内撤县建区,变为11个区。为了保持数据的一致性,本文按照新的区划调整对2005-2012年的数据进行了合并处理,即研究对象为玄武区、秦淮区、建邺区、鼓楼区、栖霞区、雨花台区、江宁区、浦口区、六合区、溧水区和高淳区11个区。
2.1.2 数据来源和处理本文涉及到投入和产出两类指标,投入指标选取农用地、建设用地和未利用地面积,产出指标选取第一、二、三产业增加值之和来表征经济产出,选取净碳排放量作为非期望产出。土地利用数据来源于南京市2005-2014年的土地利用变更调查数据,并依据《土地利用现状分类》（GB/T21010-2007）统一口径,归并土地利用现状分类,得到了三大类土地的利用面积数据;社会经济数据来源于《南京市统计年鉴》;净碳排放量数据通过相关理论和方法进行间接测算。由于用Hicks-Moorsteen指数进行效率估算时仅考虑期望产出,因此本文对非期望产出净碳排放量取倒数处理,即用1除以净碳排放量的百分比来表示该变量。百分比越高说明碳排放量越小,对环境的负面影响越小,经济发展的环境绩效越好,反之则意味着经济发展的环境绩效越差。

2.2 碳排放量的测算

2.2.1 直接碳排放量测算耕地、园地、林地、草地、水域用地和未利用地均属于非建设用地,其碳排放主要来自农业机械耗能、化肥施用、生物呼吸和土壤有机质分解等^[13]。借鉴已有研究成果^[10],本文采用直接估算方法对上述用地的碳排放量进行测算：

E_{k} = \sum e_{i} = \sum T_{i} \times δ_{i}

（1）
式中：E_k表示直接碳排放量;i表示土地类型,i=1, 2, 3, 4, 5, 6,分别对应耕地、园地、林地、草地、水域用地和未利用地;e_i表示第i种类型土地产生的碳排放量;T_i表示第i种类型土地的面积;δ_i表示第i种类型土地的碳排放（吸收）系数,其中排放为正,吸收为负。本文根据用地类型的碳排放特征对土地调查分类体系进行了微调,结合南京的实际情况来综合确定土地利用分类及其碳排放系数（表1）。首先,耕地的碳排放系数。由于耕地兼有碳源和碳汇的功能,碳源主要是农业生产、灌溉过程中机械、农药、化肥等的使用过程中二氧化碳排放;碳汇则主要来自农作物生长发育过程中光合作用所吸收的二氧化碳。二者的差值即为耕地的净碳排放量。参考相关的研究成果^[12,14],并结合南京市的地理位置和气候条件,本文取0.0422 kg C/（m²·a）。第二,园地的碳排放系数。园地的碳排放系数主要参照已有文献^[12,15],取-0.0730 kg C /（m²·a）。第三,林地的碳排放系数。中国林地范围广阔且生长条件不同,因此固碳能力也不同。并有****^[16,17]将其取值为-0.0644 kg C /（m²·a）,也有****^[18]取值-0.0581 kg C /（m²·a）。综合上述研究成果,并且考虑到南京市地处北亚热带,林地资源种类丰富,本文取这两个系数的均值,即-0.0613 kg C/（m²·a）。第四,草地的碳排放系数。南京市的草地以牧草地居多,本文采用大多数****对牧草地的碳排放系数估值,即-0.0021 kg C/（m²·a）。第五,水域用地的碳排放系数。通常情况下水域用地被认为是碳汇。由于南京的水域用地中既包括河流、湖泊等用地,也包括苇地、滩涂和水利设施用地。有研究表明,在积水条件下,苇地、滩涂是碳汇,当这些区域被排干围垦后,土壤中有机物分解速率大于积累速率,则变为碳源^[18]。而水利设施用地的开发建设和施工也会影响碳排放和吸收速度。综合考虑,本文取水域用地的碳排放系数为-0.0253 kg C/（m²·a）。最后,未利用地的碳排放系数确定。****们普遍认为未利用地是有微弱碳吸收能力的碳源,南京市未利用地主要包括荒草地、盐碱地、沼泽地、沙地、裸土地、裸岩石砾地等难以利用的土地类型,这类土地的碳源和碳汇交错,但均较弱,本文取碳排放系数为-0.0005 kg /（m²·a）。
Tab. 1
表1
表1土地利用分类与碳排放系数表
Tab. 1The table of carbon emissions coefficients of different land use types

土地利用分类	碳排放系数值	单位	数据来源
耕地（包括灌溉水田、望天田、水浇地、旱地、菜地）	0.0422	kg C /(m²·a)	孙赫等^[12];孙贤斌^[14]
园地（包括果园、桑园、茶园、橡胶园及其他园地）	-0.0730	kg C /(m²·a)	孙赫等^[12];赵荣钦等^[15]
林地（包括有林地、灌木林、疏林地、未成林造林地、迹地以及苗圃）	-0.0613	kg C /(m²·a)	方精云等^[16];王刚等^[17];石洪昕等^[18]
草地（即牧草地,包括天然牧草地、改良牧草地和人工牧草地）	-0.0021	kg C /(m²·a)	孙赫等^[12];石洪昕等^[18]
建设用地（包括居民点及工矿用地和交通运输用地）	间接测算	—
水域用地（包括未利用地类型中的其他用地（河流水面、湖泊水面、苇地和滩涂）以及建设用地中的水利设施用地^*）	-0.0253	kg C /(m²·a)	孙赫等^[12];石洪昕等^[18]
未利用地（包括荒草地、盐碱地、沼泽地、沙地、裸土地、裸岩石砾地）	-0.0005	kg C /(m²·a)	孙赫等^[12];石洪昕等^[18]

注：^*表示建设用地中的水利设施用地很大比例为水库,在此考虑水库作为水域的碳排放,将其从建设用地中划出;“—”表示无单位。

新窗口打开
2.2.2 间接碳排放量估算这里主要指建设用地的碳排放量,主要通过煤、石油、天然气等能源消耗产生的碳排放来间接估算。选取的能源有原煤、洗精煤、其他洗煤、焦炭、焦炉煤气、高炉煤气、其他煤气、天然气、原油、汽油、煤油、柴油、燃料油、液化石油气、炼厂干气、其他石油制品、热力和电力,能源数据来源于2006-2015年的《南京统计年鉴》。由于《南京统计年鉴》中仅公布了南京市全市的能源消费总量,南京市分区县的能源消费量数据结合该区县的GDP数据处理和获取：根据南京市的GDP和能源消费总量（吨标准煤）计算全市的单位GDP能耗系数（吨标准煤/万元）,然后根据各区县的GDP和能耗系数来间接测算各区县的能源消费总量。由于本文中涉及到的能源种类众多,包括原煤、石油、天然气等化石能源终端消费的碳排放量和电力、热力等二次能源消费碳排放量两部分,因此,借鉴已有文献的思路^[19,20],本文采用如下的公式对建设用地的碳排放量进行测算：

E_{t} = \sum ({E_{t}}^{1} + {E_{t}}^{2})

（2）
式中：E_t表示建设用地的间接碳排放总量;E_t¹和E_t²分别表示化石能源终端消费和二次能源消费产生的碳排放量。化石能源终端消费量E_t¹可以根据IPCC国家温室气体清单指南中提供的相关碳排放指数,并结合南京市能源统计数据的特点,采用如下公式进行计算：

{E_{t}}^{1} = \overset{16}{\sum_{i = 1}} {E_{ti}}^{1} = \overset{16}{\sum_{i = 1}} ({E_{ni}}^{1} \times θ_{i} \times f_{i})

（3）
式中：E_t¹表示化石能源终端消费产生的碳排放总量;E_ti¹表示第i类化石能源终端消费的碳排放量;i=1,2,…,16,是指16类能源类型（表2）;E_ni¹表示各类化石能源终端消耗量;θ_i表示各类化石能源的折算标准煤系数;f_i表示各类能源的碳排放系数。本文中各类化石能源终端消费的碳排放系数主要考虑到南京市能源利用方式与效率的实际情况,结合《IPCC国家温室气体清单指南》中的能源分类,确定符合南京实际的碳排放系数。
Tab. 2
表2
表2不同能源的碳排放系数表
Tab. 2The table of carbon emissions coefficients in different types of energy

能源名称	折标准煤系数	碳排放系数(t C/t)	能源名称	折标准煤系数	碳排放系数(t C/t)
原煤	0.7143（kgce/kg）	0.7559	原油	1.4286（kgce/kg）	0.5857
洗精煤	0.9000（kgce/kg）	0.7559	汽油	1.4714（kgce/kg）	0.5538
其他洗煤	0.2857（kgce/kg）	0.7559	煤油	1.4714（kgce/kg）	0.5714
焦炭	0.9714（kgce/kg）	0.8550	柴油	1.4571（kgce/kg）	0.5921
焦炉煤气	0.5714（kgce/m³）	0.3548	燃料油	1.4286（kgce/kg）	0.6185
高炉煤气	0.1286（kgce/m³）	0.4602	液化石油气	1.7143（kgce/kg）	0.5042
其他煤气	0.1786（kgce/m³）	0.3548	炼厂干气	1.5714（kgce/kg）	0.4602
天然气	1.2143（kgce/m³）	0.4483	其他石油制品	1.4286（kgce/kg）	0.5860

注：表中能源折标准煤系数来源于《中国能源统计年鉴》（2015）;能源碳排放系数来源于IPCC国家温室气体清单指南。

新窗口打开
电力、热力等二次能源消费本身并不直接产生碳排放,产生的碳排放主要来自二次能源本身生产过程中对化石能源的消耗^[20]。考虑到南京市的电力和供热主要以火力发电和原煤燃烧为主,因此二次能源消费的碳排放可以按照煤炭的排放系数进行折算,具体公式如下：

{E_{t}}^{2} = \overset{2}{\sum_{j = 1}} {E_{tj}}^{2} \times f_{c}

（4）
式中：E_t²表示二次能源消费产生的碳排放总量;E_tj²表示第j种二次能源消费量（按照标准煤计,其中热力的折标准煤系数为0.0341 kgce/百万J,电力的折标准煤系数为0.1229 kgce/kW h）;j=1, 2表示热力和电力两种二次能源类型;f_c表示煤炭的碳排放系数（借鉴已有文献^[14],取值0.7330 t C/t）。化石能源终端消费和二次能源消费产生的碳排放量汇总求和即得到建设用地的间接碳排放总量。

2.3 碳排放量估计结果分析

2.3.1 时间变化分析首先测算出2005-2014年南京市不同类型土地的碳排放量,如表3所示。不难看出,南京市土地利用的碳排放量在研究期内呈现出持续增长的发展态势,其发展过程经历了两个阶段。2005-2008年为缓慢增长阶段,中间有小幅波动,碳排放量稳定在4000×10⁴~4600×10⁴ t之间;2008-2014年为持续稳定增长阶段,从2008年的4510.7272×10⁴ t增长到2014年的6485.4970×10⁴ t。对净排放量贡献最大的是建设用地,即间接碳排放。建设用地作为主要的碳源,其碳排放量所占比例最大,年均超过95%,并呈逐年增长态势;耕地作为碳源之一,其碳排放量所占比例很小（研究期内基本维持在10×10⁴ t左右）,并且呈现逐年减少的态势,这是南京市耕地面积逐年减少所致;从碳汇来看,林地、水域用地和未利用地碳吸收量呈现轻微的下降趋势;而园地的碳吸收量则在波动中略有上升。牧草地由于面积较小,其碳吸收效应不明显。五类碳汇用地中,林地是主要的碳汇,其次依次是水域用地、园地、未利用地和牧草地。
Tab. 3
表3
表3南京市2005-2014年不同类型土地的碳排放量测算结果
Tab. 3Carbon emissions estimation from different types of lands in Nanjing from 2005-2014

年份	碳排放量（10⁴ t）
年份	耕地	园地	林地	牧草地	建设用地	水域用地	未利用地	净排放量
2005	10.3640	-0.6865	-4.5318	-0.0001	4075.0797	-1.7377	-0.0062	4078.4814
2006	10.2836	-0.6933	-4.5333	-0.0001	4339.4383	-1.7354	-0.0060	4342.7537
2007	10.2466	-0.7136	-4.5222	-0.0001	4605.3409	-1.7306	-0.0058	4608.6152
2008	10.2164	-0.7105	-4.5045	-0.0001	4507.4599	-1.7286	-0.0055	4510.7272
2009	10.1751	-1.0120	-4.5610	0.0000	4841.6786	-1.6501	-0.0051	4844.6255
2010	10.1243	-0.9086	-4.4931	0.0000	5284.3428	-1.6487	-0.0049	5287.4118
2011	10.0898	-0.8721	-4.4704	0.0000	5825.1302	-1.6450	-0.0048	5828.2276
2012	10.0506	-0.8486	-4.4324	0.0000	5931.8022	-1.6400	-0.0047	5934.9270
2013	10.0239	-0.8291	-4.4207	0.0000	6323.4984	-1.6359	-0.0046	6326.6319
2014	10.0096	-0.8102	-4.4041	0.0000	6482.3413	-1.6349	-0.0045	6485.4970

新窗口打开
2.3.2 空间变化分析为了能够更好的对各区之间的差异进行比较分析,本文对其进行标准化处理,分为三级：轻度排放、中度排放和重度排放（图1）。

显示原图|下载原图ZIP|生成PPT
图12005-2014年南京市土地利用碳排放量空间变化
-->Fig. 1Spatial patterns of carbon emissions of land use in Nanjing from 2005-2014
-->

从不同时期碳排放量的空间分布来看,其差异十分明显。重度排放区主要集中在中部地区,并且具有向北转移的趋势,平均碳排放量从454.21×10⁴ t上升到868.02×10⁴ t。拥有便利交通、雄厚经济实力的江宁区和作为南京市行政中心的鼓楼区一直处于重度排放区,2005-2014年间碳排放量一直持续增长,年均增长率分别为12.66%和5.18%。中度排放区主要集中在西北地区,并且具有向东南转移的趋势,平均碳排放量从240.43×10⁴ t上升到523.82×10⁴ t,分别占当年碳排放总量的22.69%和24.23%。浦口区一直处于中度碳排放区,六合区和栖霞区从2005年的中度排放区变为重度排放区,这主要是因为这两个地区近年来城市建设用地扩张,工业化发展迅速。轻度排放区主要集中在东南地区和中部部分地区,平均碳排放量从152.50×10⁴ t上升到360.48×10⁴ t,分别占当年碳排放总量的19.43%和22.23%。建邺区、雨花台区和高淳区一直处于轻度排放区,值得注意的是玄武区从2005年的重度排放区变为2014年的轻度排放区,这主要得益于该地区环境的改善和高新技术产业、服务业的快速发展。

3 实证测度与空间相关性分析

3.1 测度模型的构建

测度效率的方法主要有参数方法^[21]（如随机前沿分析,简称SFA）和非参数方法（数据包络分析,简称DEA）。由于DEA方法可以解决多投入、多产出、多决策单元等问题,且不受输入输出数据量纲的影响,并避免了预先设定函数形式所带来的主观性问题,因此本文将采用DEA方法进行测算。考虑到需要将净碳排放量作为非期望产出引入到模型中,有****采用基于Malmquist-Luenberger指数方法进行测度^[22]。本文采用基于Hicks-Moorsteen TFP指数的DEA方法^[23]。源于该方法被认为是唯一不需要价格信息的具有乘积特征的一种理性化TFP指数,在生产率指数分解的完整性以及分解后指数经济意义的清晰度等方面均优于Malmquist生产率指数^[24]。Hicks-Moorsteen指数的构建需要借助Shephard距离函数：

D_{O} (x, y) = \min \{δ > 0 : (x, y / δ) \in P\}; D_{I} (x, y) = \max \{ρ > 0 : (x / ρ, y) \in P\}

（5）
式中：x、y表示投入和产出数据的向量;并有

x_{it} = (x_{1 it}, \dots, x_{Kit})'

和

y_{it} = (y_{1 it}, \dots, y_{Jit})'

;i和t分别表示区域和时间;其中投入向量包括农用地面积、建设用地面积和未利用地面积;产出向量包括第一、二和三产业增加值之和以及净碳排放量;P表示时间的生产可能性集合;

D_{O} (x, y)

和

D_{I} (x, y)

分别表示产出和投入距离函数,即Shephard距离函数。并有：

式中：s、t表示时间;其他参数同式（5）。Hicks-Moorsteen TFP指数可以表达为：

TF P_{hs, it} = {\{\frac{D_{O} (x_{hs}, y_{it}, s)}{D_{O} (x_{hs}, y_{hs}, s)} \frac{D_{I} (x_{hs}, y_{hs}, s)}{D_{I} (x_{it}, y_{hs}, s)} \frac{D_{O} (x_{it}, y_{it}, t)}{D_{O} (x_{it}, y_{hs}, t)} \frac{D_{I} (x_{hs}, y_{it}, t)}{D_{I} (x_{it}, y_{it}, t)}\}}^{\frac{1}{2}}

（7）
式中：

TF P_{hs, it}

即为全要素碳排放效率增长,亦称为TFP指数。本文采用产出导向的DEA模型,即为在投入不变的情况下产出最大的效率评价。首先是综合效率（E）的测度,即该区域的实际TFP与同一时期TFP最大值之比：

E_{it} = \frac{TF P_{it}}{TF P_{t}^{*}} = \frac{\frac{Y_{it}}{X_{it}}}{{Y_{t}}^{*} / {X_{t}}^{*}} \leq 1

（8）
式中：TFP_it表示i区域在t时期的TFP;

TF P_{t}^{*}

表示在t时期TFP的最大可能值,有

TF P_{t}^{*} = \max_{i} Y_{it} / X_{it}

;

{X_{t}}^{*}

和

{Y_{t}}^{*}

分别表示使得TFP取得最大值时的投入和产出向量。则在产出导向下,E可以有两种分解方式：E=OTE×OSE×OSC或者E=OTE×ROSE×OME,并有：

OT E_{it} = \frac{\frac{Y_{it}}{X_{it}}}{\frac{\overset{ˉ}{Y_{it}}}{X_{it}}} = \frac{Y_{it}}{\overset{ˉ}{Y_{it}}} = D_{O} (x_{it}, y_{it}, t) \leq 1

（9）

OS E_{it} = \frac{\frac{\overset{ˉ}{Y_{it}}}{X_{it}}}{\frac{\overset{?}{Y_{it}}}{{\overset{?}{X}}_{it}}} \leq 1

（10）

OS C_{it} = \frac{\frac{\overset{?}{Y_{it}}}{{\overset{?}{X}}_{it}}}{TF P_{t}^{*}} \leq 1

（11）

ROS E_{it} = \frac{\frac{\overset{?}{Y_{it}}}{X_{it}}}{TF P_{t}^{*}} \leq 1

（12）

OM E_{it} = \frac{\frac{\overset{ˉ}{Y_{it}}}{X_{it}}}{\frac{\overset{?}{Y_{it}}}{X_{it}}} = \frac{\overset{ˉ}{Y_{it}}}{\overset{?}{Y_{it}}} \leq 1

（13）
式中：OTE、OSE、OSC、ROSE和OME分别表示产出技术效率、产出规模效率、产出范围效率、产出残余规模效率和产出混合效率。其中,OSE和ROSE用来衡量规模经济效应;OSC用来衡量范围经济效应;OME用来衡量资源配置效应;

\overset{ˉ}{Y_{it}} = Y_{it} D_{O} (x_{it}, y_{it} {, t)}^{- 1}

表示投入向量x_it固定情况下y_it的最大可能产出;

{\overset{?}{X}}_{it}

和

\overset{?}{Y_{it}}

分别表示当TFP在投入和产出向量分别是x_it和y_it时被最大化所取得的总投入和总产出;

\overset{?}{Y_{it}}

表示采用投入变量x_it进行生产时的最大可能产出。对TFP进行跨期比较,即用区域i在t时期的TFP除以区域h在s时期TFP可求取TFP_hs_,_it如下：

TF P_{hs, it} = \frac{TF P_{it}}{TF P_{hs}} = \frac{\frac{Y_{it}}{X_{it}}}{\frac{Y_{hs}}{X_{hs}}} = \frac{Y_{hs, it}}{X_{hs, it}}

（14）
式中：

Y_{hs, it} = Y_{it} / Y_{hs}

表示产出量指数;

X_{hs, it} = X_{it} / X_{hs}

表示投入量指数。因此,

TF P_{hs, it}

可以表示为产出与投入量指数的比值。将式（8）进一步变形为

TF P_{it} = E_{it} \times TF P_{t}^{*}

,同理有：

TF P_{hs} = E_{hs} \times TF P_{s}^{*}

。结合E的两种分解方式,则公式（13）可以被分解为：

\begin{array}{l} TF P_{hs, it} = (\frac{TF P_{t}^{*}}{TF P_{s}^{*}}) \times (\frac{E_{it}}{E_{hs}}) = (\frac{TF P_{t}^{*}}{TF P_{s}^{*}}) \times (\frac{OT E_{it}}{OT E_{hs}} \times \frac{OS E_{it}}{OS E_{hs}} \times \frac{OS C_{it}}{OS C_{hs}}) \\ = Δ TFP \times Δ E = Δ TFP \times (Δ OTE \times Δ OSE \times Δ OSC) \end{array}

（15）

\begin{array}{l} TF P_{hs, it} = (\frac{TF P_{t}^{*}}{TF P_{s}^{*}}) \times (\frac{E_{it}}{E_{hs}}) = (\frac{TF P_{t}^{*}}{TF P_{s}^{*}}) \times (\frac{OT E_{it}}{OT E_{hs}} \times \frac{OM E_{it}}{OM E_{hs}} \times \frac{ROS E_{it}}{ROS E_{hs}}) \\ = Δ TFP \times Δ E = Δ TFP \times (Δ OTE \times Δ OME \times Δ ROSE) \end{array}

（16）
式中：ΔTFP表示技术进步;ΔE表示综合效率变化;ΔOTE、ΔOSE、ΔOSC、ΔOME和ΔROSE分别表示技术效率、规模效率、范围效率、混合效率和残余规模效率的增长率。同时,本文还估算了传统全要素生产率增长。

3.2 实证结果及分析

3.2.1 全要素碳排放效率增长的时间演进趋势本文用基于Hicks-Moorsteen TFP指数的DEA方法对南京市土地利用结构的传统全要素生产率增长和全要素碳排放效率增长进行估算。同时得到两个模型TFP指数的分解要素ΔTFP和ΔE,结果如表4所示。模型（1）估算的传统全要素生产率年均增长18.06%,平均TFP指数为1.1806,而模型（2）估算的全要素碳排放效率发生了年均3.98%的增幅,平均TFP指数为1.0398。两个模型中对TFP指数贡献最大的均是ΔTFP的大幅提升,ΔTFP均值分别达到1.1656和1.0312;ΔE在两个模型中均对TFP指数有正影响,贡献率分别为1.28%和0.83%,但其贡献度远低于ΔTFP。不难看出,全要素碳排放效率增长及其分解要素均小于传统全要素生产率增长及其分解要素。源于考虑碳排放约束后,投入要素除了用于促进城市经济增长外,还要用于治理环境污染和碳排放,在投入相同的情况下,不考虑碳排放的产出比考虑碳排放的产出更多,所以前者效率更高,技术进步和效率变动也会受影响。换言之,不考虑碳排放高估了土地利用的实际生产率。全要素碳排放效率增长水平偏低,说明南京市目前的经济发展对碳排放依赖度较高,尽管经济总量增长较迅速,但却是建立在碳排放量逐年增加基础上的,要实现经济可持续发展和土地集约高效利用还有很长的路要走。从两个模型的对比分析来看,除了个别年份外,模型（1）的ΔTFP和ΔE均高于模型（2）,这说明碳排放对技术进步和效率变动有显著影响,特别是近年来随着碳排放的不断增加,使得土地要素的投入不能全部转化为有效产出,从而降低了生产效率,碳排放的持续增加还影响了产业转型升级,企业的有限资源不能全部用于代表创新的技术进步投入,降低了土地利用的整体效率水平。
Tab. 4
表4
表4两类模型估算的历年Hicks-Moorsteen TFP指数及其分解均值
Tab. 4Average levels of Hicks-Moorsteen TFP index and its decomposition for two models over the years

年度	模型（1）			模型（2）
年度	TFP指数	ΔTFP	ΔE	TFP指数	ΔTFP	ΔE
2005-2006	1.2094	1.2407	0.9747	1.0609	1.0835	0.9791
2006-2007	1.1858	1.1615	1.0209	1.0355	1.0983	0.9428
2007-2008	1.2204	0.9872	1.2363	0.9365	0.8139	1.1507
2008-2009	1.1068	1.2897	0.8582	0.9948	1.0511	0.9464
2009-2010	1.2040	1.1777	1.0223	1.0764	1.0291	1.0459
2010-2011	1.1850	1.1926	0.9937	1.0717	1.0745	0.9973
2011-2012	1.2161	1.1943	1.0183	1.1039	1.0988	1.0046
2012-2013	1.1504	1.1435	1.0060	1.0397	1.0204	1.0189
2013-2014	1.1524	1.1287	1.0210	1.0488	1.0444	1.0041
均值	1.1806	1.1656	1.0128	1.0398	1.0312	1.0083

数据来源：作者计算后整理。注：由于Hicks-Moorsteen TFP指数是乘数型指数,故各行历年平均值为几何平均。

新窗口打开
进一步得到全要素碳排放效率增长及其分解要素在研究期内的变动情况,如图2所示。

显示原图|下载原图ZIP|生成PPT
图2全要素碳排放效率增长、技术进步和效率变动（2005-2014年）
-->Fig. 2Total factor carbon emission productivity growth, technical progress and efficiency change (2005-2014)
-->

从图2可以总结以下几点：一是全要素碳排放效率增长在研究期内呈现出了“一降、二升、三降”的波动态势,其波动性表现出了收敛态势和区域之间均衡性的发展特征。2005-2008年,南京市的全要素碳排放效率增长呈显著下降趋势,并且由正变负,在2008年达到了最低值（0.9365）。其主要原因在于ΔTFP在此期间出现了显著的下滑,尽管ΔE在研究期内呈现出了一定的增长,但是其增长速度远不及ΔTFP的下降速度。更深层次原因在于尽管南京市经济增长逐年提高,但同时碳排放量也逐年上升。南京市碳排放量的增加不仅抵消了经济增长水平的提高而且一定程度上阻碍了经济发展。2008-2010年出现了上升趋势,原因在于ΔTFP的显著提升,而ΔE的波动性下滑则起到了相反作用。这一时期主要受金融危机的影响,整体经济效率低下,导致2008-2009年的全要素碳排放效率出现了负增长。之后由负转正,对于这一现象的解释,有****提出与应对全球金融危机我国采取的刺激经济政策所带来的建设用地提前和集中供应有关^[10]。2010-2011年全要素碳排放效率增长略有下降,主要原因在于ΔE的下降（取值小于1）。2011-2014年全要素碳排放效率转为正增长并趋于稳定,其主要原因在于ΔTFP和ΔE在该时期内的取值均大于1。ΔTFP和ΔE的正向增长,源于经过多轮经济刺激政策的运用,宏观经济环境不断好转,金融危机的负面影响逐渐消散,同时,“低碳和高效”发展理念不断深入人心,单位GDP能耗逐年下降（由2005年的0.2636 kgce/元下降到2014年的0.1421 kgce/元）。二是ΔTFP和ΔE在研究期内呈现出明显的负向关系。如2006年、2007年、2009年和2011年,ΔTFP均正增长,而同时期的ΔE均为负增长;2008年ΔTFP出现负增长,而同时期的ΔE为正增长。2012年之后ΔTFP和ΔE取值均大于1,这导致全要素碳排放效率增长始终为正。
3.2.2 全要素碳排放效率增长的区域特征分析按照土地利用结构的传统TFP指数值由高至低的顺序排列得到研究期内南京市各区的TFP指数及其分解均值如表5所示。在模型（1）中,所有11个区的TFP指数值均大于1。玄武区的指数值最高,年均增长24.75%。玄武区作为南京市的中心城区,2014年的地区生产总值为482.51亿元,第三产业增加值占比94.62%。第三产业多以高端金融服务业为主,经济附加值高,土地利用效率较高,全要素生产率增长迅速;排名第二和第三的依次是栖霞区和江宁区。栖霞区作为南京的重要航运中心和物流基地,其经济发展迅速,土地利用强度和集约度较高,第二产业所占比例为64.78%,仍占主导。江宁区作为南京市对外交通的重要枢纽,土地投入多,综合产出也较高。2014年,江宁区国内生产总值1405.58亿元,保持了经济的高增长,2014年地区生产总值稳居全市第一。排名最低的是鼓楼区。尽管鼓楼区目前正在形成以现代服务业为主导的现代产业体系,但是作为南京市的老城区之一,其土地利用规模和结构等方面还有诸多不合理之处。各区之间TFP指数变动的驱动因素也不同。其中,玄武区、江宁区和秦淮区的TFP增长主要来自ΔTFP,而ΔE则起到抑制作用;其余八个区的TFP增长同时来源于ΔTFP和ΔE。11个区中ΔTFP取值均大于1,说明南京市的土地利用技术日益成熟,技术进步水平稳步提升。其中,ΔTFP取值最大的是玄武区,年均增长率达到31.41%。尽管玄武区的ΔE出现了负增长,但是在技术进步的强有力推动下,第三产业为主导的高效土地利用模式仍然推动了其全要素生产率的高增长。ΔTFP取值最低的是鼓楼区（1.0050）,尽管鼓楼区的ΔE也为正增长,但是由于增长速度缓慢（年均增长率6.36%）,二者的叠加效应导致了土地利用效率总体不高。而ΔTFP和ΔE的低增长源于作为老城区的鼓楼区土地利用模式固化,旧城改造难度大,产业升级困难。除了玄武区、江宁区和秦淮区以外,其余8个区的ΔE取值均大于1。其中,ΔE取值最大的是栖霞区（1.0843）,最低的是秦淮区（0.8716）。尽管秦淮区作为国家东部地区重要的金融商务中心,其土地利用结构不断优化,第三产业用地比例的上升势必会带来技术进步的提升,但作为老城区有诸多历史遗留问题如旧城改造难度大、容积率低等原因导致土地利用效率不高。ΔE取值小于1的玄武区面临同样的问题。
Tab. 5
表5
表5两类模型估算的南京市各区Hicks-Moorsteen TFP指数及其分解均值
Tab. 5Average levels of Hicks-Moorsteen TFP index and its decomposition for two models over the districts in Nanjing

区域	模型（1）				模型（2）
区域	排序	TFP指数	ΔTFP	ΔE	排序	TFP指数	ΔTFP	ΔE
玄武区	1	1.2475	1.3141	0.9493	2	1.1396	1.2302	0.9263
栖霞区	2	1.2326	1.1368	1.0843	4	1.0701	1.0786	0.9921
江宁区	3	1.2148	1.2832	0.9467	1	1.1739	1.2416	0.9455
溧水区	4	1.2074	1.1368	1.0622	8	1.0129	1.0387	0.9751
建邺区	5	1.2047	1.1365	1.0601	10	0.9353	0.9228	1.0136
高淳区	6	1.1852	1.1368	1.0425	7	1.0239	1.0669	0.9597
六合区	7	1.1765	1.1368	1.0349	3	1.0870	1.0135	1.0725
浦口区	8	1.1666	1.1368	1.0262	6	1.0429	1.0619	0.9822
雨花台区	9	1.1617	1.1368	1.0219	11	0.9339	1.0395	0.8985
秦淮区	10	1.1315	1.2982	0.8716	5	1.0696	1.0184	1.0503
鼓楼区	11	1.0689	1.0050	1.0636	9	0.9768	0.7303	1.3375
均值	—	1.1806	1.1656	1.0129	—	1.0398	1.0312	1.0084

数据来源：作者计算后整理。注：由于Hicks-Moorsteen TFP指数是乘数型指数,故各行历年平均值为几何平均。

新窗口打开
模型（2）中,建邺区、雨花台区和鼓楼区的TFP指数值由大于1变为小于1（由增长变为下降）,即除了建邺区、雨花台区和鼓楼区以外的8个区的TFP指数值均大于1。考虑碳排放约束后,TFP指数取值最高的是江宁区,年均增长率为17.39%。尽管江宁区的产业结构仍然以第二产业为主（2014年第二产业占比55.41%）,但同时江宁区也是南京市最为重要的旅游度假区之一,优越的自然条件和生态环境为低碳经济发展提供了保障;TFP指数最低的是雨花台区（0.9339）;TFP指数次低的是建邺区（0.9353）。建邺区和雨花台区的产业结构尽管均以第三产业为主,但是经济发展速度相对缓慢,2014年两个区的产值在全市11个区中分别排在第11和第10位。除了建邺区和鼓楼区以外,其余9个区的ΔTFP取值均大于1。其中,ΔTFP取值最高的是江宁区（1.2416）,最低的是鼓楼区（0.7303）。ΔE方面,除了建邺区、六合区、秦淮区和鼓楼区以外,其余7个区的ΔE取值均小于1。ΔE取值最高的是鼓楼区（33.75%）,最低的是雨花台区（-10.15%）。从各区TFP指数的驱动因素来看,建邺区和鼓楼区的TFP增长动力主要来ΔE,而ΔTFP则起到了相反作用;六合区和秦淮区则是ΔE和ΔTFP共同促进了TFP增长;其余7个区的TFP增长动力均来自于ΔTFP,而ΔE则起到了抑制作用。
对比分析来看,模型（2）各区的TFP指数的排序与模型（1）均发生了一定变化。其中,排名上升明显的有秦淮区和六合区。模型（1）中排名第10的秦淮区变成模型（2）中排名第5,上升五个位次。模型（1）中排名第7的六合区在模型（2）中排名第3,上升四个位次;排名下降明显的有溧水区和建邺区。模型（1）中排名第4的溧水区在模型（2）中排名第8,下降四个位次。建邺区排名发生变化最大,由模型（1）中排名第5变成模型（2）中排名第10,下降了五个位次。排名下降的主要原因在于这些区的经济快速发展是以高污染、高排放和高消耗为代价的,尽管短期内促进了经济增长,但是也对环境产生了负面影响,从而导致全要素碳排放效率下降;排名上升的区域则重视产业结构优化升级和环保项目的投入,通过科技进步来提高碳排放治理水平,兼顾了经济发展与环境保护,从而促使全要素碳排放效率的提升。从ΔTFP来看,两个模型估算的结果表现出了较高的一致性,除了建邺区和鼓楼区以外,其余9个区的ΔTFP取值均大于1;建邺区和鼓楼区则为模型（1）大于1而模型（2）小于1,即考虑了碳排放的非期望产出后,这两个区域的技术进步水平由增长变为下降。从ΔE取值来看,两个模型估算的结果则表现出了一定的差异性。ΔE取值均小于1的有玄武区和江宁区;取值均大于1的有建邺区、六合区和鼓楼区;栖霞区、溧水区、浦口区、高淳区和雨花台区均为模型（1）大于1而模型（2）小于1;秦淮区为模型（1）小于1而模型（2）大于1。上述对比分析表明使用单一的经济产出来衡量土地利用结构效率容易造成效率值的高估或者低估。部分区经济高速发展的代价是土地资源的高消耗和污染物的高排放,高投入、高增长的发展模式有待进一步优化。而对比分析土地利用的投入和产出,在考虑经济产出的同时,更应该将环境产出纳入评价体系,这才能够反映真实的土地利用结构效率。
3.2.3 全要素碳排放效率增长的分解为进一步分析全要素碳排放效率增长的驱动因素,对模型（2）估算的TFP指数进行完全分解。表6中的TFP指数、ΔTFP、ΔOTE、ΔOSE、ΔOME、ΔROSE和ΔOSC均为2005-2014年的均值,反映近10年来南京市各区的技术效率、规模效率、范围效率、混合效率和残余规模效率的变动情况。首先从ΔOTE取值来看,江宁区、玄武区、栖霞区和溧水区的技术效率保持不变,说明“追赶效应”不明显,即各区并没有表现出向生产前沿面靠近的趋势;其他七个区的取值均大于1,说明这些区的技术效率出现正增长,“追赶效应”最明显的是高淳区（年均增长率为2.69%）。从ΔOSE的取值来看,经过多年的发展,南京市的部分区已经摆脱土地利用规模不经济的发展模式,秦淮区和鼓楼区已经开始出现土地利用的规模经济。这主要源于两个区不失时机的进行了深入的结构调整和资源整合,产业集聚能力进一步增强。但是浦口区、高淳区、六合区、雨花台区和建邺区仍然存在规模不经济现象。而江宁区、玄武区、栖霞区和溧水区的规模效率保持不变,说明规模经济效应尚未凸显。从ΔOME取值来看,取值大于1的有浦口区、高淳区和秦淮区,说明这三个区经过多年的发展和建设,通过对优势产业进行低成本扩张和资源优化配置,淘汰高能耗、高排放和低效益的产业,土地利用结构和产业结构不断优化,土地资源的配置效率不断提高。而栖霞区、六合区、雨花台区和建邺区则出现土地资源配置无效的现象。从ΔROSE取值结果来看,有八个区的取值小于1,说明目前南京市大部分区域仍然存在一定的残余规模不经济。仅有玄武、栖霞区和潭水区三个区的取值大于1,说明这三个区的残余规模经济效应已经凸显。取值最高的是潭水区（1.3375）,取值最低的是秦淮区（0.8340）。从ΔOSC取值来看,仅有玄武区、栖霞区、溧水区和鼓楼区的指数值大于1,说明这四个区的土地利用结构不断优化,形成了多元化的产业发展格局,并且产业之间优势互补,上下游产业链条分工明确,范围经济效应凸显。其余7个区的取值小于1,说明仍然存在范围不经济。取值最高的是潭水区（1.3375）,取值最低的是六合区（0.9104）。
Tab. 6
表6
表6全要素碳排放效率指数效率变动的分解
Tab. 6Decomposition of efficiency change for total factor carbon emissions performance index

区域	TFP指数	ΔTFP	ΔOTE	ΔOSE	ΔOME	ΔROSE	ΔOSC
玄武区	1.1396	1.2302	1.0000	1.0000	1.0000	0.9263	0.9263
秦淮区	1.0696	1.0184	1.0000	1.0000	1.0000	1.0503	1.0503
建邺区	0.9353	0.9228	1.0000	1.0000	0.8619	1.1759	1.0136
鼓楼区	0.9768	0.7303	1.0000	1.0000	1.0000	1.3375	1.3375
浦口区	1.0429	1.0619	1.0081	0.9912	1.0127	0.9621	0.9830
栖霞区	1.0701	1.0786	1.0269	0.9755	1.0435	0.9258	0.9904
雨花台区	0.9339	1.0395	1.0167	0.9707	0.9814	0.9005	0.9104
江宁区	1.1739	1.2416	1.0189	1.0187	1.1127	0.8340	0.9110
六合区	1.0870	1.0135	1.0054	1.0073	1.0690	0.9980	1.0591
溧水区	1.0129	1.0387	1.0031	0.9982	0.9907	0.9812	0.9738
高淳区	1.0239	1.0669	1.0126	0.9960	0.9928	0.9546	0.9516
均值	1.0398	1.0312	1.0083	0.9961	1.0041	0.9960	1.0040

数据来源：作者计算后整理。注：由于Hicks-Moorsteen TFP指数是乘数型指数,故各行历年平均值为几何平均。

新窗口打开
从TFP指数的驱动因素来看,11个区表现出较大的差异性。玄武区的ΔTFP是促进TFP指数提高的主要动力,ΔROSE和ΔOSC则起到相反的作用;秦淮区的TFP指数提高则是ΔTFP、ΔROSE和ΔOSC三者共同作用的结果;建邺区的TFP指数出现下降则是受到ΔTFP和ΔOME的拖累,尽管ΔROSE和ΔOSC起到一定促进作用;鼓楼区TFP指数的下降是ΔTFP大幅下降导致的,尽管同时ΔROSE和ΔOSC起的促进作用同样显著;浦口区和栖霞区比较类似,二者的TFP指数增长均是ΔTFP、ΔOTE和ΔOME共同推动的结果,而ΔOSE、ΔROSE和ΔOSC则起到相反的作用;雨花台区的TFP指数下降主要受到ΔOSE、ΔOME、ΔROSE和ΔOSC的拖累,尽管ΔTFP和ΔOTE有正向促进作用;江宁区的TFP指数增长是ΔTFP、ΔOTE、ΔOSE和ΔOME共同作用的结果,而ΔROSE和ΔOSC则起到了抑制作用;除了ΔROSE以外,其他分解要素均是推动六合区TFP指数增长的动力;溧水区和高淳区的TFP指数增长均主要受到ΔTFP和ΔOTE的推动,而ΔOSE、ΔOME、ΔROSE和ΔOSC则起到一定抑制作用;从TFP指数增长的均值来看,整体上南京市的全要素碳排放效率增长的驱动因素包括ΔTFP、ΔOTE、ΔOME和ΔOSC,而ΔOSE和ΔROSE则起到一定的抑制作用。

3.3 空间自相关分析

常用的空间自相关分析方法主要是指探索性空间数据分析（简称ESDA）,包括全局空间自相关分析和局部空间自相关两种方法。其中全局空间自相关分析通常采用Moran's I,其计算公式如下：

Moran's I = \frac{\overset{n}{\sum_{i = 1}} \overset{n}{\sum_{j = 1}} w_{ij} (Y_{i} - \overset{?}{Y}) (Y_{j} - \overset{?}{Y})}{S^{2} \overset{n}{\sum_{i = 1}} \overset{n}{\sum_{j = 1}} w_{ij}}

（17）
式中：Y_i和Y_j分别表示地区i和地区j的观测值;n表示样本总数;w_ij代表空间权重矩阵;

\overset{?}{Y}

表示观测变量的均值;S²表示观测变量的方差。Moran's I的取值范围为[-1,1],如果Moran's I ? 0,说明各区域的观测值存在空间正相关性（即取值高的区域之间邻接,取值低的区域之间邻接）;如果Moran's I ? 0,说明各区域的观测值存在空间负相关性（即高取值区域与低取值区域邻接,低取值区域与高取值区域邻接）;如果Moran's I = 0,则说明各区域的观测值不存在空间相关性。
根据2006-2014年南京市全要素碳排放效率增长全局空间自相关分析可知（表7）,Moran's I大部分年份为正,且在5%显著性水平下显著,表明各市辖区全要素碳排放效率增长在南京市范围内具有空间正相关性。
Tab.7
表7
表72006-2014年南京市全要素碳排放效率增长全局自相关Moran's I值
Tab.7Global Moran's I of total factor carbon emissions productivity in Nanjing from 2006-2014

年份	2006	2007	2008	2009	2010	2011	2012	2013	2014
Moran's I	0.2352	-1.1175	0.1978	0.2343	-0.3621	-0.0516	0.1876	0.1030	0.0487
P	0.06	0.37	0.08	0.04	0.03	0.36	0.05	0.07	0.23

数据来源：作者计算后整理。注：P<0.01表明在1%的显著性水平下显著,P<0.05表明在5%的显著性水平下显著,P<0.1表明在10%的显著性水平下显著。

新窗口打开
为了进一步探索南京市不同区域全要素碳排放效率增长的空间关联情况,对数据进行了局部空间自相关分析。LISA图直观地反映了各年份南京市11个区的全要素碳排放效率增长局部空间差异及其演变趋势（图3）。从图3可以看出,HH关联类型数量有所增加,主要分布在中北部地区,集聚趋势先由北往南,最后又往中部集中,玄武区和栖霞区为高值集聚中心;LL关联类型逐渐减少,2014年建邺区成为唯一的低值集聚中心,浦口区、高淳区从2006年的低值集聚中心变为2014年的低值孤立点,雨花台区、溧水区从2006年低值集聚中心变为2014年的高值孤立点;HL高值孤立点主要分布在溧水区、雨花台区、六合区;LH低值孤立点主要分布在江宁区、浦口区。

显示原图|下载原图ZIP|生成PPT
图32006-2014年南京市全要素碳排放效率增长LISA图
-->Fig. 3LISA results of total factor carbon emissions productivity growth in Nanjing from 2006-2014
-->

4 结论与讨论

本文在对土地利用碳排放量进行测度的基础上,将其作为非期望产出,进而采用基于Hicks-Moorsteen TFP指数的DEA方法对南京市11个区的土地利用结构碳排放效率进行测度和分解,并与传统不考虑碳排放约束的全要素生产率进行对比分析,得出以下几点结论：一是南京市土地利用结构碳排放量的主要来源是建设用地产生的间接碳排放,并且在研究期内呈现出持续上升的发展趋势。各区的土地利用结构碳排放量空间差异明显,重度排放区主要集中在中部地区,并且具有向北转移的趋势。二是考虑碳排放约束的全要素碳排放效率增长、技术进步和效率变动均小于传统全要素生产率增长的估算结果,表明使用单一的经济产出来衡量土地利用结构效率容易造成效率值的高估或者低估。全要素碳排放效率增长在研究期内呈现出了“一降、二升、三降”的波动态势,其波动性表现出了收敛态势和区域之间均衡性的发展特征,ΔTFP和ΔE在研究期内呈现出明显的负向关系。三是两类模型测算的结果均表明玄武区、江宁区效率较高,雨花台区、鼓楼区效率较低。部分区经济高速发展的代价是土地资源的高消耗和污染物的高排放,高投入、高增长的发展模式有待进一步优化。四是全要素碳排放效率的分解结果表明,南京市各区的技术效率值较低,“技术追赶”效应并不明显,开始出现了土地利用的规模经济效应,但是范围经济效应不显著。五是全要素碳排放效率在南京市范围内具有空间正相关性,且具有空间集聚特征。研究期内南京市HH关联类型数量有所增加,LL关联类型数量有所减少,说明南京市全要素碳排放效率的正向空间集聚性增强;玄武区和栖霞区为高值集聚中心,建邺区为低值集聚中心。
从以上研究结果可以得到一些启示：近年来南京市的经济发展迅速,土地利用结构不断优化,土地集约利用水平不断提高。但是,南京市的经济发展是以土地资源的高投入和高排放为代价的。即忽视了碳排放约束下的经济增长是某种程度的“虚高”。因此,加快转变经济发展方式,推进南京市土地资源的低碳和可持续利用势在必行。从研究的实证结果来看,本文认为：一是应该进一步控制建设用地规模。鉴于碳排放的主要来源是建设用地,因此各区应该根据自身的功能定位和比较优势来确定未来的土地利用结构和格局,对现有存量用地进行充分挖潜,避免盲目扩张,如在产业园区内集中建设标准厂房出租给企业,而不再是直接出售工业用地的使用权,避免工业用地的闲置和浪费。二是从全市范围统筹产业布局,避免各区之间的同业化竞争。各区之间应该注重协调与分工,充分利用自身的比较优势来发展优势产业和引导产业布局,淘汰过剩和落后产能,尤其是高污染、高排放的落后产业。如将关停的旧厂房进行改造,发展2.5产业。三是创新供地方式。鉴于现有工业用地出让50年产权存在的种种弊端,建议推行产业用地的弹性出让制度,如两阶段出让等。四是强化产业用地出让的批前、批中和批后的全过程监管。切实加强产业用地政策调控和履约管理,严格土地使用事前、事中、事后的监管,加大批少占多、批而不用、擅自改变用途、改变开发利用强度、闲置不用现象的处置力度,确保建设用地按规定或约定开发建设与生产经营。同时通过对高碳排放产业用地用途的转化和整治,或腾笼换鸟,将其发展为低碳型第三产业。五是探索产业园区的市场化运作。推进园区建设模式市场化改革创新,拓宽资金投入渠道,积极引入社会资本参与园区建设。
The authors have declared that no competing interests exist.

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]	游和远, 吴次芳. 土地利用的碳排放效率及其低碳优化: 基于能源消耗的视角 . 自然资源学报, 2010, 25(11): 1875-1886.https://doi.org/10.11849/zrzyxb.2010.11.007 Magsci [本文引用: 1]摘要碳排放效率可以弥补碳排放总量等指标对碳排放作为成本对期望产出作用考虑不足的弱点。研究以土地利用中能源消耗产生的碳排放为基础,基于投入导向的CCR与BCC模型测算土地利用碳排放的总效率、技术效率、规模效率与规模报酬。研究结果表明:30个省份中仅内蒙古、福建、广西、青海土地利用碳排放总效率有效;技术效率与规模效率的效率值及其分布与土地利用特征存在联系,规模效率有效地区分布远小于技术有效;规模效率有效省份与规模报酬不变省份存在不一致,改善土地利用碳排放规模效率需要考虑地区规模报酬所处阶段。因此对26个碳排放非DEA有效省份的土地利用从投入与产出进行低碳优化,并给出投入冗余度与产出不足率。最后针对低碳优化结果,设计包含土地利用能源投入控制以及基于土地资源配置的产出优化的土地利用低碳排放对策,以实现碳排放效率有效。 [You Heyuan, Wu Cifang.Carbon emission efficiency and low carbon optimization of land use: Based on the perspective of energy consumption . Journal of Natural Resources, 2010, 25(11): 1875-1886.]https://doi.org/10.11849/zrzyxb.2010.11.007 Magsci [本文引用: 1]摘要碳排放效率可以弥补碳排放总量等指标对碳排放作为成本对期望产出作用考虑不足的弱点。研究以土地利用中能源消耗产生的碳排放为基础,基于投入导向的CCR与BCC模型测算土地利用碳排放的总效率、技术效率、规模效率与规模报酬。研究结果表明:30个省份中仅内蒙古、福建、广西、青海土地利用碳排放总效率有效;技术效率与规模效率的效率值及其分布与土地利用特征存在联系,规模效率有效地区分布远小于技术有效;规模效率有效省份与规模报酬不变省份存在不一致,改善土地利用碳排放规模效率需要考虑地区规模报酬所处阶段。因此对26个碳排放非DEA有效省份的土地利用从投入与产出进行低碳优化,并给出投入冗余度与产出不足率。最后针对低碳优化结果,设计包含土地利用能源投入控制以及基于土地资源配置的产出优化的土地利用低碳排放对策,以实现碳排放效率有效。
[2]	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 . 环境科学与技术, 2015, 38(2): 189-194.URL [本文引用: 1]摘要碳排放过量引发的温室效应日益严重,低碳发展是新时期促进经济绿色增长的主要路径。文章在进行土地利用碳排放总量测算的基础上,从土地利用视角分析了研究对象的土地利用碳排放效率动态演变过程。根据IPCC给出的碳排放清单,从能源消费、农业、废弃物三方面系统测算湖南省历年土地利用碳排放总量。以投入和产出为分类建立土地利用碳排放效率评价指标体系,并运用Malmquist生产效率指数模型对湖南省土地利用碳排放效率时序演变特征进行分析。结果显示,湖南省土地利用碳排放增速较快,能源消费是土地利用碳排放的主要来源;湖南省土地利用碳排放效率逐年提升,保持年均28.32%的增速,根据RD指数分解结果,效率提升的来源主要是技术进步。湖南省应不断加快转变经济增长方式,大力推广新型能源,提高土地利用效率及节约集约利用水平,加快农业经营方式创新,倡导循环经济,构建资源节约型的低碳土地利用和经济发展模式。 [Yu Guangying, Yuan Kaiqi.Dynamic efficiency of land use carbon emissions in Hunan: Based on Malmquist index model . Environmental Science & Technology, 2015, 38(2): 189-194.]URL [本文引用: 1]摘要碳排放过量引发的温室效应日益严重,低碳发展是新时期促进经济绿色增长的主要路径。文章在进行土地利用碳排放总量测算的基础上,从土地利用视角分析了研究对象的土地利用碳排放效率动态演变过程。根据IPCC给出的碳排放清单,从能源消费、农业、废弃物三方面系统测算湖南省历年土地利用碳排放总量。以投入和产出为分类建立土地利用碳排放效率评价指标体系,并运用Malmquist生产效率指数模型对湖南省土地利用碳排放效率时序演变特征进行分析。结果显示,湖南省土地利用碳排放增速较快,能源消费是土地利用碳排放的主要来源;湖南省土地利用碳排放效率逐年提升,保持年均28.32%的增速,根据RD指数分解结果,效率提升的来源主要是技术进步。湖南省应不断加快转变经济增长方式,大力推广新型能源,提高土地利用效率及节约集约利用水平,加快农业经营方式创新,倡导循环经济,构建资源节约型的低碳土地利用和经济发展模式。
[3]	董捷, 员开奇. 湖北省土地利用碳排放总量及其效率 . 水土保持通报, 2016, 36(2): 337-342. [本文引用: 1] [Dong Jie, Yuan Kaiqi.Carbon emission from land use and its efficiency in Hubei province . Bulletin of Soil and Water Conservation, 2016, 36(2): 337-342.] [本文引用: 1]
[4]	崔玮, 苗建军, 杨晶. 基于碳排放约束的城市非农用地生态效率及影响因素分析 . 中国人口资源与环境, 2013, 23(7): 63-69.https://doi.org/10.3969/j.issn.1002-2104.2013.07.010 URL [本文引用: 1]摘要伴随着城市化水平的提高。农地非农化的趋势不可逆转。为了缓解农地非农化导致的温室效应，提升它的利用效率是可选择的途径之一。建立结合DEA技术的Malmquist指数模型，借助MATLAB软件计算出1999—2010年全国28个省区市碳排放约束条件下的城市非农用地动态效率值；再利用面板数据，采用广义最小二乘法分析影响城市非农用地生态效率的因素。研究发现。①加入碳排放约束条件后。中国东中西三大区域之间城市非农用地的生态效率相近，区域之间没有实行耕地占补平衡的必要性；②非农用地的生态效率与经济发展、非农用地利用强度之间是正相关关系．与开放度是负向关关系．与所有制结构的关系不确定，与城市的创新能力无直接关系。因此，一方面城市非农用地利用中要考虑环境约束条件，另一方面应高度重视城市非农用地生态效率的影响因素，实现高效利用城市非农用地资源的目标。 [Cui Wei, Miao Jianjun, Yang Jing.Urban non-agricultural eco-efficiency and affecting factors based on carbon emission. China Population, Resources and Environment, 2013, 23(7): 63-69.]https://doi.org/10.3969/j.issn.1002-2104.2013.07.010 URL [本文引用: 1]摘要伴随着城市化水平的提高。农地非农化的趋势不可逆转。为了缓解农地非农化导致的温室效应，提升它的利用效率是可选择的途径之一。建立结合DEA技术的Malmquist指数模型，借助MATLAB软件计算出1999—2010年全国28个省区市碳排放约束条件下的城市非农用地动态效率值；再利用面板数据，采用广义最小二乘法分析影响城市非农用地生态效率的因素。研究发现。①加入碳排放约束条件后。中国东中西三大区域之间城市非农用地的生态效率相近，区域之间没有实行耕地占补平衡的必要性；②非农用地的生态效率与经济发展、非农用地利用强度之间是正相关关系．与开放度是负向关关系．与所有制结构的关系不确定，与城市的创新能力无直接关系。因此，一方面城市非农用地利用中要考虑环境约束条件，另一方面应高度重视城市非农用地生态效率的影响因素，实现高效利用城市非农用地资源的目标。
[5]	游和远, 吴次芳. 农地集约利用的碳排放效率分析与低碳优化 . 农业工程学报, 2014, 30(2): 224-234.https://doi.org/10.3969/j.issn.1002-6819.2014.02.030 URL [本文引用: 1]摘要提高农地利用集约水平与控制农地利用碳排放量容易陷入两难选择的困境,理想的碳排放效率可以寻找到以碳排放作为成本,适度的农地利用集约水平。该文构建农地集约利用度计算模型与农地集约利用投入产出指标,计算中国31个省份的农地集约利用度;基于松弛测度(slacks-based measure,SBM)模型,构建SBM模型投入产出指标,计算各省份的农地集约利用碳排放总效率、技术效率与规模效率。研究结果表明:农地集约利用程度高低与农地集约利用碳排放总效率高低并不保持普遍一致;农地集约利用碳排放总效率有效省份集中分布在西部地区,农地集约利用度较高的长三角、珠三角、京津冀地区主要省份的农地集约利用碳排放总效率普遍较低;区域农地集约利用碳排放技术效率不足是导致总效率偏低的主要原因,而规模效率不足对总效率影响较小。因此针对总效率无效省份,给出调整投入冗余量、期望产出不足量与非期望产出冗余量的低碳优化方案,并构建结合了东、中、西部地区区域农地利用与经济发展特点的低碳优化策略,以期最终可以改善农地集约利用碳排放效率。 [You Heyuan, Wu Cifang.Analysis of carbon emission efficiency and optimization of low carbon for agricultural land intensive use . Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(2): 224-234.]https://doi.org/10.3969/j.issn.1002-6819.2014.02.030 URL [本文引用: 1]摘要提高农地利用集约水平与控制农地利用碳排放量容易陷入两难选择的困境,理想的碳排放效率可以寻找到以碳排放作为成本,适度的农地利用集约水平。该文构建农地集约利用度计算模型与农地集约利用投入产出指标,计算中国31个省份的农地集约利用度;基于松弛测度(slacks-based measure,SBM)模型,构建SBM模型投入产出指标,计算各省份的农地集约利用碳排放总效率、技术效率与规模效率。研究结果表明:农地集约利用程度高低与农地集约利用碳排放总效率高低并不保持普遍一致;农地集约利用碳排放总效率有效省份集中分布在西部地区,农地集约利用度较高的长三角、珠三角、京津冀地区主要省份的农地集约利用碳排放总效率普遍较低;区域农地集约利用碳排放技术效率不足是导致总效率偏低的主要原因,而规模效率不足对总效率影响较小。因此针对总效率无效省份,给出调整投入冗余量、期望产出不足量与非期望产出冗余量的低碳优化方案,并构建结合了东、中、西部地区区域农地利用与经济发展特点的低碳优化策略,以期最终可以改善农地集约利用碳排放效率。
[6]	朱志远, 苗建军, 崔玮. 城市建设用地集约利用的碳排放效率分析 . 地域研究与开发, 2016, 35(3): 98-103.URL Magsci [本文引用: 1]摘要为研究城市建设用地集约利用度与其碳排放效率之间的关系，针对省际建设用地，构建城市建设用地集约利用评价指标体系，计算中国大陆30个省份的建设用地集约利用度；基于松弛测度的SBM模型，测算各省份建设用地集约利用的碳排放综合效率、技术效率与规模效率。结果表明：(1)城市建设用地集约利用程度与集约利用碳排放综合效率并不保持普遍一致；(2)建设用地集约利用度高的省份大多分布在东部地区；(3)区域建设用地集约利用碳排放技术效率不足是导致大多数省份综合效率偏低的主要原因，而规模效率不足对综合效率影响较小。 [Zhu Zhiyuan, Miao Jianjun, Cui Wei.Analysis of carbon emission efficiency for urban construction land intensive use . Areal Research and Development, 2016, 35(3): 98-103.]URL Magsci [本文引用: 1]摘要为研究城市建设用地集约利用度与其碳排放效率之间的关系，针对省际建设用地，构建城市建设用地集约利用评价指标体系，计算中国大陆30个省份的建设用地集约利用度；基于松弛测度的SBM模型，测算各省份建设用地集约利用的碳排放综合效率、技术效率与规模效率。结果表明：(1)城市建设用地集约利用程度与集约利用碳排放综合效率并不保持普遍一致；(2)建设用地集约利用度高的省份大多分布在东部地区；(3)区域建设用地集约利用碳排放技术效率不足是导致大多数省份综合效率偏低的主要原因，而规模效率不足对综合效率影响较小。
[7]	张苗, 甘臣林, 陈银蓉. 基于SBM 模型的土地集约利用碳排放效率分析与低碳优化 . 中国土地科学, 2016, 30(3): 37-45. [本文引用: 1] [Zhang Miao, Gan Chenlin, Chen Yinrong.Carbon emission ef?ciency analysis and low carbon optimization for urban land intensive use based on SBM model . China Land Sciences, 2016, 30(3): 37-45.] [本文引用: 1]
[8]	张苗, 甘臣林, 陈银蓉, 等. 中国城市建设用地开发强度的碳排放效率分析与低碳优化 . 资源科学, 2016, 38(2): 265-275.https://doi.org/10.18402/resci.2016.02.09 URL Magsci [本文引用: 1]摘要提高城市建设用地开发强度容易陷入增加投入与控制碳排放两难选择的困境,理想碳排放效率下的适度建设用地开发强度成为控制碳排放与兼顾城市经济发展的关键。本文计算了中国30个省份2003年、2006年、2009年与2012年的建设用地开发强度,然后基于松弛测度（Slack Based Measure ,SBM）模型估算了建设用地开发强度的碳排放总效率、技术效率和规模效率。研究结果表明：①在时空分布上,城市建设用地开发强度与其碳排放效率是动态变化的,但两者变化趋势并不一致;②城市建设用地开发强度2003-2006年增长缓慢,东部略高;2006-2009年增长明显,东中西差异不大;2009-2012年大幅提升,西部建设用地开发强度超过东部和中部;③2003-2012年,碳排放有效省份由中西部向东部转移,东西部地区具有较高的碳排放效率值;④技术效率不足是引起碳排放总效率低下的主要原因;⑤东部地区由于减缓建设用地开发强度增速得以提高碳排放效率,中西部地区因建设用地开发强度的快速提升而无法兼顾碳排放效率。最后,针对总效率无效省份,构建结合了东中西土地利用与经济发展特点的低碳优化策略,以期改善城市建设用地开发强度的碳排放效率。 [Zhang Miao, Gan Chenlin, Chen Yinrong, et al.Carbon emission efficiency and optimization of low carbon for construction land development intensity in China according to provincial panel data . Resources Science, 2016, 38(2): 265-275.]https://doi.org/10.18402/resci.2016.02.09 URL Magsci [本文引用: 1]摘要提高城市建设用地开发强度容易陷入增加投入与控制碳排放两难选择的困境,理想碳排放效率下的适度建设用地开发强度成为控制碳排放与兼顾城市经济发展的关键。本文计算了中国30个省份2003年、2006年、2009年与2012年的建设用地开发强度,然后基于松弛测度（Slack Based Measure ,SBM）模型估算了建设用地开发强度的碳排放总效率、技术效率和规模效率。研究结果表明：①在时空分布上,城市建设用地开发强度与其碳排放效率是动态变化的,但两者变化趋势并不一致;②城市建设用地开发强度2003-2006年增长缓慢,东部略高;2006-2009年增长明显,东中西差异不大;2009-2012年大幅提升,西部建设用地开发强度超过东部和中部;③2003-2012年,碳排放有效省份由中西部向东部转移,东西部地区具有较高的碳排放效率值;④技术效率不足是引起碳排放总效率低下的主要原因;⑤东部地区由于减缓建设用地开发强度增速得以提高碳排放效率,中西部地区因建设用地开发强度的快速提升而无法兼顾碳排放效率。最后,针对总效率无效省份,构建结合了东中西土地利用与经济发展特点的低碳优化策略,以期改善城市建设用地开发强度的碳排放效率。
[9]	王佳丽, 黄贤金, 郑泽庆. 区域规划土地利用结构的相对碳效率评价 . 农业工程学报, 2010, 26(7): 302-306.https://doi.org/10.3969/j.issn.1002-6819.2010.07.053 URL Magsci [本文引用: 1]摘要为研究区域规划土地利用结构对陆地生态系统碳储量的影响，该文引入数据包络分析法，对江苏省及13市土地利用总体规划（2006－2020年）用地结构的相对碳效率进行了评价：江苏省规划土地利用结构均是相对有效的；13市2005年相对有效性比例为38.46%，2010和2020年相对有效性比例分别为38.46%和46.15%；除江苏省相对有效外，13市2005、2010和2020年相对有效性比例分别为23.08%、30.77%、38.46%；建设用地比例明显偏高是相对无效的主要原因，耕地、林地冗余亦有一定贡献。结果表明，规划有助于提高区域土地利用结构的相对碳效率；相对无效的市提高碳效率的主要方向是节约集约利用建设用地，控制建设用地扩张，对于耕地、林地等，考虑到粮食安全和碳汇功能不宜再缩减比例，只能通过加强农林实践管理增加碳储备，以提高其对生态系统碳储量的贡献。 [Wang Jiali, Huang Xianjin, Zheng Zeqing.Evaluation on relative carbon efficiency of regional planning land use structure . Transactions of the CSAE, 2010, 26(7): 302-306.]https://doi.org/10.3969/j.issn.1002-6819.2010.07.053 URL Magsci [本文引用: 1]摘要为研究区域规划土地利用结构对陆地生态系统碳储量的影响，该文引入数据包络分析法，对江苏省及13市土地利用总体规划（2006－2020年）用地结构的相对碳效率进行了评价：江苏省规划土地利用结构均是相对有效的；13市2005年相对有效性比例为38.46%，2010和2020年相对有效性比例分别为38.46%和46.15%；除江苏省相对有效外，13市2005、2010和2020年相对有效性比例分别为23.08%、30.77%、38.46%；建设用地比例明显偏高是相对无效的主要原因，耕地、林地冗余亦有一定贡献。结果表明，规划有助于提高区域土地利用结构的相对碳效率；相对无效的市提高碳效率的主要方向是节约集约利用建设用地，控制建设用地扩张，对于耕地、林地等，考虑到粮食安全和碳汇功能不宜再缩减比例，只能通过加强农林实践管理增加碳储备，以提高其对生态系统碳储量的贡献。
[10]	朱巧娴, 梅昀, 陈银蓉, 等. 基于碳排放测算的湖北省土地利用结构效率的DEA模型分析与空间分异研究 . 经济地理, 2015, 35(12): 176-184.https://doi.org/10.15957/j.cnki.jjdl.2015.12.025 URL [本文引用: 3]摘要运用湖北省16个城市2000、2005、2010和2012年的土地利用结构数据,综合考虑城市用地的经济产出和环境产出,采用含有非期望产出的DEA模型,测算并分析各城市的土地利用结构效率的空间差异及演变规律,并提出改进方案。结果表明：①湖北省各城市土地利用结构效率整体水平较高,各城市的效率值大体呈现出先上升后下降再提升的趋势;②土地利用结构效率的空间分异格局由2000年以武汉市为最高值向周边城市递减的单一中心格局,逐步演变为2012年的鄂东南和鄂西部的双中心格局;③武汉周边城市土地利用结构效率偏低,且具有较大的减碳提效空间;④湖北省大部分城市建设用地冗余、二三产业产值不足、净碳排放量过高,以上问题的存在制约着土地利用结构效率的提升;⑤省会城市、城市圈城市、鄂西圈城市的理想土地利用结构具有明显的差异性。 [Zhu Qiaoxian, Mei Yun, Chen Yinrong, et al.Regional differentiation characteristics and optimization of the structural efficiency of land use in Hubei province based on the carbon emissions . Economic Geography, 2015, 35(12): 176-184.]https://doi.org/10.15957/j.cnki.jjdl.2015.12.025 URL [本文引用: 3]摘要运用湖北省16个城市2000、2005、2010和2012年的土地利用结构数据,综合考虑城市用地的经济产出和环境产出,采用含有非期望产出的DEA模型,测算并分析各城市的土地利用结构效率的空间差异及演变规律,并提出改进方案。结果表明：①湖北省各城市土地利用结构效率整体水平较高,各城市的效率值大体呈现出先上升后下降再提升的趋势;②土地利用结构效率的空间分异格局由2000年以武汉市为最高值向周边城市递减的单一中心格局,逐步演变为2012年的鄂东南和鄂西部的双中心格局;③武汉周边城市土地利用结构效率偏低,且具有较大的减碳提效空间;④湖北省大部分城市建设用地冗余、二三产业产值不足、净碳排放量过高,以上问题的存在制约着土地利用结构效率的提升;⑤省会城市、城市圈城市、鄂西圈城市的理想土地利用结构具有明显的差异性。
[11]	韩骥, 周翔, 象伟宁. 土地利用碳排放效应及其低碳管理研究进展 . 生态学报, 2016, 36(4): 1152-1161.https://doi.org/10.5846/stxb201406271334 URL Magsci摘要土地利用是造成全球温室气体排放量迅猛增长的重要因素,但由于土地利用的碳排放在时间和空间上受社会经济活动与自然过程的共同作用,相对自然生态系统碳排放的过程和机制更加复杂,因此,其研究也越来越多地受到包括**、政府决策者、企业、非政府组织等利益相关者的关注,并被诸多能源与生态环境领域的国内外重大科学研究计划列为核心内容。通过对土地利用的直接和间接碳排放效应及其低碳管理的国内外研究进展进行综述,较全面地对上述研究中已取得的成果以及尚存在的不足与挑战进行了总结,并对未来研究应如何完善现有研究的不足提出了几点展望,以期为科学编制低碳目标导向的土地利用规划提供理论基础和实践管理经验,从而全面引导城市的低碳发展。 [Han Ji, Zhou Xiang, Xiang Weining.Progress in research on land use effects on carbon emissions and low carbon management . Acta Ecologica Sinica, 2016, 36(4): 1152-1161.]https://doi.org/10.5846/stxb201406271334 URL Magsci摘要土地利用是造成全球温室气体排放量迅猛增长的重要因素,但由于土地利用的碳排放在时间和空间上受社会经济活动与自然过程的共同作用,相对自然生态系统碳排放的过程和机制更加复杂,因此,其研究也越来越多地受到包括**、政府决策者、企业、非政府组织等利益相关者的关注,并被诸多能源与生态环境领域的国内外重大科学研究计划列为核心内容。通过对土地利用的直接和间接碳排放效应及其低碳管理的国内外研究进展进行综述,较全面地对上述研究中已取得的成果以及尚存在的不足与挑战进行了总结,并对未来研究应如何完善现有研究的不足提出了几点展望,以期为科学编制低碳目标导向的土地利用规划提供理论基础和实践管理经验,从而全面引导城市的低碳发展。
[12]	孙赫, 梁红梅, 常学礼, 等. 中国土地利用碳排放及其空间关联 . 经济地理, 2015, 35(3): 154-162.https://doi.org/10.15957/j.cnki.jjdl.2015.03.023 URL [本文引用: 7]摘要基于研究单元全部土地利用类型数据,采用碳排放计算模型,估算了中国31个省区1990-2008年的土地利用碳排放强度,揭示其时空演变规律,并利用空间自相关方法,探讨了中国省级尺度土地利用碳排放强度的空间关联特征.结果表明:①1990-2008年,中国土地利用碳排放量从9.67×108t持续上升至32.37× 108t.建设用地是主要的碳排放来源,其碳排放量占总碳排放量的97.83％以上.林地是主要的碳汇,其碳排放量占总碳排放量的90％以上.②受经济发展水平和地形差异的影响,碳排放强度空间差异显著,重度碳排放区域集中分布在东部、北部沿海地区,轻度碳排放区域集中分布在西北、西南地区.③全局自相关Moran'sI值从1990年的0.1558持续上升至2008年的0.2734,说明中国土地利用碳排放强度在省级尺度上具有明显的空间集聚特征,且集聚程度不断增强.④集聚中心和孤立点的空间转移存在较强的规律性.⑤局域自相关分析表明,中国土地利用碳排放强度表现出十分明显的局部空间差异.碳排放强度高值集聚区和低值集聚区均表现出较强的空间锁定和路径依赖特征,体现为高值集聚区向沿海集中,低值集聚区向内陆迁移. [Sun He, Liang Hongmei, Chang Xueli, et al.Land use patterns on carbon emission and spatial association in China . Economic Geography, 2015, 35(3): 154-162.]https://doi.org/10.15957/j.cnki.jjdl.2015.03.023 URL [本文引用: 7]摘要基于研究单元全部土地利用类型数据,采用碳排放计算模型,估算了中国31个省区1990-2008年的土地利用碳排放强度,揭示其时空演变规律,并利用空间自相关方法,探讨了中国省级尺度土地利用碳排放强度的空间关联特征.结果表明:①1990-2008年,中国土地利用碳排放量从9.67×108t持续上升至32.37× 108t.建设用地是主要的碳排放来源,其碳排放量占总碳排放量的97.83％以上.林地是主要的碳汇,其碳排放量占总碳排放量的90％以上.②受经济发展水平和地形差异的影响,碳排放强度空间差异显著,重度碳排放区域集中分布在东部、北部沿海地区,轻度碳排放区域集中分布在西北、西南地区.③全局自相关Moran'sI值从1990年的0.1558持续上升至2008年的0.2734,说明中国土地利用碳排放强度在省级尺度上具有明显的空间集聚特征,且集聚程度不断增强.④集聚中心和孤立点的空间转移存在较强的规律性.⑤局域自相关分析表明,中国土地利用碳排放强度表现出十分明显的局部空间差异.碳排放强度高值集聚区和低值集聚区均表现出较强的空间锁定和路径依赖特征,体现为高值集聚区向沿海集中,低值集聚区向内陆迁移.
[13]	王慧敏, 曾永年. 青海高原东部土地利用的低碳优化模拟: 以海东市为例, 地理研究, 2015, 34(7): 1270-1284.https://doi.org/10.11821/dlyj201507007 URL [本文引用: 1]摘要人类活动导致的土地利用变化及其碳效应在区域及全球碳循环研究中具有举足轻重的作用.以位于青海高原东部的海东市为研究区,在探讨土地利用碳循环系数的基础上,预测海东市2020年低碳情景下的土地利用结构,并运用CLUE-S模型模拟了海东市土地利用低碳优化空间格局,然后对比分析低碳情景与规划情景下,海东市2020年土地利用格局的差异.研究表明:①尽管低碳情景下研究区域水浇地和旱地持续减少,但相对于规划情景,优质耕地的流失量减少.②有林地稳定增加,疏林草地缓慢增加,区域固碳能力逐步提升.③建设用地适度扩张,增加幅度小于规划情景,其中城镇用地相对于规划情景碳排放减少14.03万t.低碳视角的区域土地利用结构调整与空间布局优化,为区域土地利用科学规划与管理提供决策支持. [Wang Huimin, ZengYongnian. Land use optimization simulation based on low-carbon emissions in eastern part of Qinghai Plateau . Geographical Research, 2015, 34(7): 1270-1284.]https://doi.org/10.11821/dlyj201507007 URL [本文引用: 1]摘要人类活动导致的土地利用变化及其碳效应在区域及全球碳循环研究中具有举足轻重的作用.以位于青海高原东部的海东市为研究区,在探讨土地利用碳循环系数的基础上,预测海东市2020年低碳情景下的土地利用结构,并运用CLUE-S模型模拟了海东市土地利用低碳优化空间格局,然后对比分析低碳情景与规划情景下,海东市2020年土地利用格局的差异.研究表明:①尽管低碳情景下研究区域水浇地和旱地持续减少,但相对于规划情景,优质耕地的流失量减少.②有林地稳定增加,疏林草地缓慢增加,区域固碳能力逐步提升.③建设用地适度扩张,增加幅度小于规划情景,其中城镇用地相对于规划情景碳排放减少14.03万t.低碳视角的区域土地利用结构调整与空间布局优化,为区域土地利用科学规划与管理提供决策支持.
[14]	孙贤斌. 安徽省会经济圈土地利用变化的碳排放效益 . 自然资源学报, 2012, 27(3): 394-401.https://doi.org/10.11849/zrzyxb.2012.03.005 Magsci [本文引用: 3]摘要土地利用变化是影响碳排放的重要因素。利用1997和2007年土地利用类型数据,采用碳排放评价模型,对安徽省会经济圈碳排放效益进行评价,并估算碳排放生态补偿标准。研究结果显示:①1997—2007年间碳排放总量增加1 049.92×10<sup>4</sup> t,年均增长14.4%;②2007年经济圈内地均建设用地碳排放强度和地均碳排放强度分别为1997年的2.41倍、 2.18倍,1997和2007年,碳排放强度指数值都是合肥市>巢湖市>六安市;③经济圈内各县(区)地均碳排放强度差异显著,建设用地平均碳排放强度前3位的是合肥市区、霍山县、金寨县;④据中国造林成本的价格估算,合肥、巢湖、六安3市的碳汇补偿增加量分别为:21.83×10<sup>8</sup>、 4.31×10<sup>8</sup>、 2.48×10<sup>8</sup>元,县域生态补偿额差异显著;⑤土地利用结构、产业结构与碳排放量存在一定的关系。从碳排放效益和生态补偿的角度,提出减少碳排放的途径。 [Sun Xianbin.Effects of carbon emission by land use patterns in Hefei's economic circle of Anhui province . Journal of Natural Resources, 2012, 27(3): 394-401.]https://doi.org/10.11849/zrzyxb.2012.03.005 Magsci [本文引用: 3]摘要土地利用变化是影响碳排放的重要因素。利用1997和2007年土地利用类型数据,采用碳排放评价模型,对安徽省会经济圈碳排放效益进行评价,并估算碳排放生态补偿标准。研究结果显示:①1997—2007年间碳排放总量增加1 049.92×10<sup>4</sup> t,年均增长14.4%;②2007年经济圈内地均建设用地碳排放强度和地均碳排放强度分别为1997年的2.41倍、 2.18倍,1997和2007年,碳排放强度指数值都是合肥市>巢湖市>六安市;③经济圈内各县(区)地均碳排放强度差异显著,建设用地平均碳排放强度前3位的是合肥市区、霍山县、金寨县;④据中国造林成本的价格估算,合肥、巢湖、六安3市的碳汇补偿增加量分别为:21.83×10<sup>8</sup>、 4.31×10<sup>8</sup>、 2.48×10<sup>8</sup>元,县域生态补偿额差异显著;⑤土地利用结构、产业结构与碳排放量存在一定的关系。从碳排放效益和生态补偿的角度,提出减少碳排放的途径。
[15]	赵荣钦, 黄贤金, 钟太洋, 等. 区域土地利用结构的碳效应评估及低碳优化 . 农业工程学报, 2013, 29(17): 220-229.https://doi.org/10.3969/j.issn.1002-6819.2013.17.029 URL Magsci [本文引用: 2]摘要区域土地利用是引起碳排放的重要因素，土地利用结构优化能在一定程度改变土地利用的碳源/汇格局，并引导区域经济社会的低碳发展。基于线性规划方法，该文建立了区域土地利用碳效应综合评估及优化调控的方法，并以南京市为例，提出了3种土地利用低碳优化方案，并对其碳减排潜力进行了对比分析及蒙特卡洛模拟，最后提出了低碳土地利用优化的政策建议。结果发现，2020年南京市土地利用总体规划方案使区域的总碳蓄积量有所提升，但预期碳排放远远大于碳蓄积的增加值，同时也将会导致生态系统碳汇能力的降低；在3种优化方案中，基于碳排放最小化的土地利用结构优化方案比2020年规划方案的碳排放减少了73.75万t，碳减排潜力为8.50%，表明该方案起到了较好的预期减排效果；因此，该文建议将基于碳排放最小化的土地利用结构优化方案作为南京市未来土地结构调整和产业规划的参考，该方案不仅有助于实现碳减排的目标，而且对于控制建设用地的过快增长、增加生产性土地面积、引导农地整理和居民点用地整理等土地利用规划和开发活动都具有重要的现实意义。 [Zhao Rongqin, Huang Xianjin, Zhong Taiyang, et al.Carbon effect evaluation and low-carbon optimization of regional land use . Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(17): 220-229.]https://doi.org/10.3969/j.issn.1002-6819.2013.17.029 URL Magsci [本文引用: 2]摘要区域土地利用是引起碳排放的重要因素，土地利用结构优化能在一定程度改变土地利用的碳源/汇格局，并引导区域经济社会的低碳发展。基于线性规划方法，该文建立了区域土地利用碳效应综合评估及优化调控的方法，并以南京市为例，提出了3种土地利用低碳优化方案，并对其碳减排潜力进行了对比分析及蒙特卡洛模拟，最后提出了低碳土地利用优化的政策建议。结果发现，2020年南京市土地利用总体规划方案使区域的总碳蓄积量有所提升，但预期碳排放远远大于碳蓄积的增加值，同时也将会导致生态系统碳汇能力的降低；在3种优化方案中，基于碳排放最小化的土地利用结构优化方案比2020年规划方案的碳排放减少了73.75万t，碳减排潜力为8.50%，表明该方案起到了较好的预期减排效果；因此，该文建议将基于碳排放最小化的土地利用结构优化方案作为南京市未来土地结构调整和产业规划的参考，该方案不仅有助于实现碳减排的目标，而且对于控制建设用地的过快增长、增加生产性土地面积、引导农地整理和居民点用地整理等土地利用规划和开发活动都具有重要的现实意义。
[16]	方精云, 郭兆迪, 朴世龙, 等. 1981-2000 年中国陆地植被碳汇的估算 . 中国科学D辑: 地球科学, 2007, 37(6): 804-812.URL [本文引用: 2] [Fang Jingyun, Guo Zhaodi, Piao Shilong, et al.Terrestrial vegetation carbon sink in China from 1981-2000 . Science in China Series D: Earth Sciences, 2007, 37(6): 804-812.]URL [本文引用: 2]
[17]	王刚, 张华兵, 薛菲, 等. 成都市县域土地利用碳收支与经济发展关系研究 . 自然资源学报, 2017, 32(7): 1170-1182. [本文引用: 2] [Wang Gang, Zhang Huabing, Xue Fei, et al.Relations between land use carbon budget and economic development at county level in Chengdu city . Journal of Natural Resources, 2017, 32(7): 1170-1182.] [本文引用: 2]
[18]	石洪昕, 穆兴民, 张应龙, 等. 四川省广元市不同土地利用类型的碳排放效应研究 . 水土保持通报, 2010, 32(3): 101-106. [本文引用: 6] [Shi Hongxin, Mu Xingmin, Zhang Yinglong, et al.Effects of different land use patterns on carbon emission in Guangyuan city of Sichuan province . Bulletin of Soil and Water Conservation, 2010, 32(3): 101-106.] [本文引用: 6]
[19]	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 . 地理研究, 2010, 29(9): 1639-1649. [本文引用: 1] [Zhao Rongqin, Huang Xianjin.Carbon emission and carbon footprint of different land use types based on energy consumption of Jiangsu province . Geographical Research, 2010, 29(9): 1639-1649.] [本文引用: 1]
[20]	张兰, 刘友兆, 郑华伟. 江苏省土地承载碳排放及其脱钩效应分析 . 资源科学, 2012, 34(6): 1108-1118.URL Magsci [本文引用: 2]摘要随着社会经济的快速发展,能源消耗和环境问题日益严重,保持经济增长的同时减少碳排放是江苏省面对外部减排压力和实现自身可持续发展的必然选择和迫切需要。为此,本文分析了2002年-2008年江苏省土地承载碳排放的变化情况,采用LMDI分解法探讨了土地承载碳排放变化的影响因素,并基于因素分解结果建立“脱钩”努力指标来考察政府减排努力取得的经济增长与碳排放的“脱钩”效果。研究发现,2002年-2008年江苏省土地承载碳排放总体持续增加,只有能源强度因素对土地承载碳排放表现为负效应,其他几种正效应因素对碳排放增加的贡献值由大到小依次为土地产出>产业结构>能源碳排放强度>土地规模>能源结构,且能源强度效应抑制碳排放的作用有限,江苏省实现碳减排任重道远;2002年-2008年年间政府的减排努力达到的“脱钩”效果不理想,但有效缩小了碳排放增加快于经济增长的差距,使得年度上脱钩程度有所改善。 [Zhang Lan, Liu Youzhao, Zheng Huawei.Land carrying carbon emissions and the analysis of its decoupling effects in Jiangsu province . Resources Science, 2012, 34(6): 1108-1118.]URL Magsci [本文引用: 2]摘要随着社会经济的快速发展,能源消耗和环境问题日益严重,保持经济增长的同时减少碳排放是江苏省面对外部减排压力和实现自身可持续发展的必然选择和迫切需要。为此,本文分析了2002年-2008年江苏省土地承载碳排放的变化情况,采用LMDI分解法探讨了土地承载碳排放变化的影响因素,并基于因素分解结果建立“脱钩”努力指标来考察政府减排努力取得的经济增长与碳排放的“脱钩”效果。研究发现,2002年-2008年江苏省土地承载碳排放总体持续增加,只有能源强度因素对土地承载碳排放表现为负效应,其他几种正效应因素对碳排放增加的贡献值由大到小依次为土地产出>产业结构>能源碳排放强度>土地规模>能源结构,且能源强度效应抑制碳排放的作用有限,江苏省实现碳减排任重道远;2002年-2008年年间政府的减排努力达到的“脱钩”效果不理想,但有效缩小了碳排放增加快于经济增长的差距,使得年度上脱钩程度有所改善。
[21]	揭懋汕, 郭洁, 陈罗烨, 等. 碳约束下中国县域尺度农业全要素生产率比较研究 . 地理研究, 2016, 35(5): 898-908. [本文引用: 1] [Jie Maoshan, Guo Jie, Chen Luoye, et al.Spatial and temporal changes of total factor productivity in agriculture: A stochastic frontier analysis of China at county level, 1991-2011 . Geographical Research, 2016, 35(5): 898-908.] [本文引用: 1]
[22]	李博, 张文忠, 余建辉. 服务业发展、信息化水平与全要素碳生产率增长: 基于门限效应的实证研究 . 地理研究, 2016, 35(5): 953-965.https://doi.org/10.11821/dlyj201605012 URL [本文引用: 1]摘要基于中国29个省份的面板数据,采用Malmquist-Luenberger指数,测算各省份全要素碳生产率的增长率,并利用面板门限回归方法,探讨在服务业发展与全要素碳生产率增长的关系中信息化水平的作用。结果表明:1中国多数省份实现了全要素碳生产率增长,多数省份的全要素碳生产率增长主要依靠技术进步而非效率改进。2服务业发展对全要素碳生产率的提升作用受到信息化水平的制约。当地区信息化水平低于一定门限值时,服务业发展对于全要素碳生产率的推动作用较为有限;而当地区信息化水平超过一定门限值时,服务业发展将对当地全要素碳生产率发挥更为积极的推动作用。 [Li Bo, Zhang Wenzhong, Yu Jianhui.Development of service industry, level of informationization and growth of total factor carbon productivity: An empirical study based on threshold effect . Geographical Research, 2016, 35(5): 953-965.]https://doi.org/10.11821/dlyj201605012 URL [本文引用: 1]摘要基于中国29个省份的面板数据,采用Malmquist-Luenberger指数,测算各省份全要素碳生产率的增长率,并利用面板门限回归方法,探讨在服务业发展与全要素碳生产率增长的关系中信息化水平的作用。结果表明:1中国多数省份实现了全要素碳生产率增长,多数省份的全要素碳生产率增长主要依靠技术进步而非效率改进。2服务业发展对全要素碳生产率的提升作用受到信息化水平的制约。当地区信息化水平低于一定门限值时,服务业发展对于全要素碳生产率的推动作用较为有限;而当地区信息化水平超过一定门限值时,服务业发展将对当地全要素碳生产率发挥更为积极的推动作用。
[23]	O'Donnell C J.An aggregate quantity-price framework for measuring and decomposing productivity and profitability change. Centre for Efficiency and Productivity Analysis Working Papers, University of Queensland, 2008. [本文引用: 1]
[24]	姜永宏, 蒋伟杰. 中国上市商业银行效率和全要素生产率研究: 基于Hicks-Moorsteen TFP指数的一个分析框架 . 中国工业经济, 2014, (9): 109-121. [本文引用: 1] [Jiang Yonghong, Jiang Weijie.Study on efficiency and productivity of the listed commercial banks in China: Based on Hicks-Moorsteen TFP index . China Industrial Economics, 2014, (9): 109-121.] [本文引用: 1]

南京市土地利用结构碳排放效率增长及其空间相关性

本站小编 Free考研考试/2021-12-29

Carbon emission efficiency growth of land use structure and its spatial correlation: A case study of Nanjing city

1 引言