删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

中国省际碳影子价格与碳生产率非线性关联研究

本站小编 Free考研考试/2021-12-29

王倩1,, 高翠云2,
1. 吉林大学经济学院,长春 130012
2. 辽宁大学经济学院,沈阳 110136

Research on the nonlinear correlation between provincial carbon shadow price and carbon productivity

WANGQian1,, GAOCuiyun2,
1. School of Economics, Jilin University, Changchun 130012, China
2. School of Economics, Liaoning University, Shenyang 110136, China
通讯作者:通讯作者:高翠云,E-mail: gaocuiyunkaa@sina.com
收稿日期:2017-11-7
修回日期:2018-06-13
网络出版日期:2018-10-25
版权声明:2018《资源科学》编辑部《资源科学》编辑部
基金资助:教育部人文社会科学重点研究基地重大项目(16JJD790018)吉林大学研究生创新基金资助项目(2017066)国家社科基金重大项目(15ZDA015)
作者简介:
-->作者简介:王倩,女,吉林辽源人,教授,博士生导师,主要研究方向为碳金融。E-mail: wangqian@jlu.edu.cn



展开

摘要
当各地区减排成本增速高于经济增速时,单一碳排放效率指标已无法完整刻画减排情况。本文基于全局非径向方向性距离函数(Global NDDF)及其对偶原理测算得出2010—2015年中国全要素碳排放效率总体呈上升趋势,其中东部地区效率最高,而东北与西部地区效率最低;全国各地区总的碳减排成本增长率与经济增速比值呈波动上升趋势,且大部分地区总减排成本增速大于经济增速。这表明碳排放效率提升是以高于经济增速的减排成本投入实现的。数理推导结论表明,解决减排成本增速远超GDP增速的困境,需满足碳影子价格增速小于碳生产率增速。计量模型进一步证明,中国碳影子价格增长速度高于碳生产率增速导致了减排成本增速快于经济增速的困境。为解决这一问题,应以多元指标体系替代单一的碳排放效率指标,全面衡量减排能力;构建全国碳交易市场以缓解各地区碳影子价格异质性现象;持续推动结构性改革和产业结构转型升级,提高能源利用效率。

关键词:碳排放效率;碳影子价格;碳生产率;全局非径向方向性距离函数;中国
Abstract
When the abatement cost growth rate is higher than the economic growth rate, the single carbon emission efficiency index cannot depict the situation of emission abatement. Based on the global non-radial directional distance function (Global NDDF) and its duality principle, the global carbon emissions productivity in China is calculated. For the sample period 2010-2015, the national GCP is in upward trend, with the eastern region having the highest GCP, the northeast and western regions having the lowest; The ratios of abatement cost growth to GDP growth of the provincial administration regions in China rise in volatility, and the abatement cost grows faster than GDP in most regions. This means the carbon efficiency improvement is achieved by the rapid growth of abatement cost, which is higher than the GDP growth. The mathematical deduction shows that the condition to solve the dilemma of abatement cost growth exceeding GDP growth means the growth rate of carbon shadow price is lower than the growth rate of carbon productivity. Empirical results prove further that the overgrowth of carbon productivity by carbon shadow price leads to the dilemma of abatement cost growth exceeding GDP growth in China. Therefore, China should replace the single carbon emission efficiency index by a multiple index system to measure the capacity of abatement in an all-round way; The national carbon trading market should be built to alleviate the heterogeneity of carbon shadow price in different regions; And government should promote structural reform and improve energy efficiency.

Keywords:carbon emission efficiency;carbon shadow price;carbon productivity;Global Non-Radial Directional Distance Function;China

-->0
PDF (4038KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNoteRisBibtex收藏本文-->
王倩, 高翠云. 中国省际碳影子价格与碳生产率非线性关联研究[J]. 资源科学, 2018, 40(10): 2118-2131 https://doi.org/10.18402/resci.2018.10.19
WANG Qian, GAO Cuiyun. Research on the nonlinear correlation between provincial carbon shadow price and carbon productivity[J]. RESOURCES SCIENCE, 2018, 40(10): 2118-2131 https://doi.org/10.18402/resci.2018.10.19

1 引言

中国作为全球最大的CO2排放国家,面临着较大的减排压力。为此,中国政府在国家五年规划、巴黎气候峰会中均提出了相应的减排指标。在经济增长方式转变及追求高质量经济增长的背景下,以效率增长替代单纯的GDP增长已成为现阶段发展目标。因此,对减排问题的关注亦从碳排放总量、碳排放强度转向全要素碳排放效率,以期明确中国减排潜力,为减排政策提供依据。然而,减排能力衡量指标从碳减排数量转换到全要素碳排放效率后,效率的提升是否真正带来了减排情况的改善?答案是否定的。对碳排放效率的过度依赖会导致中国忽视了碳减排所付出的持续增长的成本,从而对各地区碳减排绩效评价有失偏颇。当碳减排成本增速高于经济增速时,碳排放效率的提升是以付出高于经济增速的减排成本为代价的,进而凸显了减排与经济发展的矛盾。因而,需要在经济增长与低碳经济转型之间寻求一个平衡,同时兼顾控制碳排放与维持经济中高速增长这两个目标。为此,减排指标的实现需尽可能维持碳减排成本增速低于经济增速。这在本质上是由碳影子价格与碳生产率的关系决定的。探究碳影子价格与碳生产率两者的关系有助于解决减排与经济发展的矛盾,了解经济结构转型升级的进度,也有助于改进碳减排情况评判标准,丰富中国低碳经济理论,促进中国低碳经济的发展。
有关碳排放效率的研究,初期一般采用单要素效率指标,以碳排放强度等指标作为衡量效率的标准,如齐绍洲等、罗会军等[1,2]。该指标只涉及到投入产出比的简单测算,而忽略了资本、劳动力等指标。随后****们将碳排放与全要素生产率相结合。部分文献纳入碳排放量作为非期望产出来测算全要素生产效率,将结果称之为碳排放效率,其存在一定的测算误差,如周五七等、吴贤荣等、马大来等[3,4,5],均测算的是纳入碳排放量约束的全要素生产率,而没有真正将其他要素的无效率部分分离。在解决这一问题后,现有文献多以单一的全要素碳排放效率为重心进行研究,如对其效率走势、地区差异与影响因素进行分析。因此,后文中提出的碳排放效率均指代的是全要素碳排放效率。Zhang等提出中国化石燃料发电碳排放效率的提升依赖于技术领先效应,韩国则依赖于创新效应[6];韩国燃煤发电企业较燃油发电企业能源效率更高[7]。Zhang等提出中国交通运输业碳排放效率在样本期下降了32.8%[8]。在碳排放效率研究的基础上,陈诗一基于方向性距离函数,对2009—2049年中国工业行业节能减排双赢前景进行预测,提出中国节能减排与工业发展能够达到波特假说的双赢发展,表明减排能够在提高环境质量的同时提高生产率[9]。程时雄等基于时间可替代DEA模型,提出大部分行业存在着环境波特假说中的节能减排和经济增长间的双赢模式[10]
在碳排放影子价格文献研究方面,****们关注了地区碳影子价格的差异。刘明磊等指出各地区CO2边际减排成本差异较大,一般碳强度越低的地区,所要付出的宏观经济成本越高,减排难度也更大[11]。Choi等基于非径向函数的对偶关系测算了2001—2010年中国30个地区碳排放影子价格,提出碳影子价格均值在2002—2004年间呈下降趋势,2005—2010年呈上升趋势[12]。Wei等提出东部地区碳排放影子价格最高,减排潜力最低,而西部地区相反[13]。在行业角度,陈诗一基于1980—2008年中国工业行业数据,提出轻工业碳影子价格高于重工业,且各行业影子价格绝对值呈现递增现象[14]。叶斌等构建了以系统发电总成本最小化为目标的规划模型,基于对偶关系测算GHG排放权的影子价格,提出对于某一特定发电系统,其影子价格受GHG排放强度上限影响[15]。姚云飞等则基于改进的CEEPA模型测算中国不同能源定价机制的碳影子价格,得出其对电力和成品油的定价方式较为敏感[16]。在碳影子价格与碳生产率的关系方面,涂正革提出SO2影子价格是根据SO2变化对环境生产前沿的边际效应,是保持技术结构、要素投入等条件不变所得出的结果,而单位SO2排放所创造的增加值是众多因素共同作用的结果[17]。碳强度是碳生产率的倒数,魏楚基于2001—2008年中国地级市数据探究了碳影子价格与碳强度的非线性关系,提出两者间存在显著的U型关系[18]
现有文献对中国碳排放效率和碳影子价格进行了多角度的分析。但是研究是割裂的,未能从减排成本的角度剖析碳影子价格与碳生产率分析框架对多层次理解中国碳排放效率的补充作用。此外,现有研究没有从经济结构转型与减排评判标准两个维度展开,因此未能明确中国碳排放效率的提升与碳减排成本间的关联,缺乏对碳减排成本增速与经济增速的比较。更没能通过证实碳影子价格与碳生产率间的非线性关系,探究碳减排成本增速快于经济增速的成因。因此,本文基于一个涵盖中国30个省级地区(由于数据获取困难,不包括西藏、香港、台湾和澳门)的面板数据集,样本观测区间设定为2010—2015年,运用全局双导向非径向方向性距离函数法(Global NDDF)及其对偶原理测算中国省际碳排放效率、碳排放影子价格,进而探究中国省际碳减排成本增速与经济增速的差异;通过数理推导和计量模型,分析两者增速差异原因,得到碳影子价格与碳生产率的非线性关系约束要求。

2 研究方法与数据来源

2.1 研究方法

2.1.1 非径向方向性距离函数
假设 N个决策单元中, xm=(x1,x2,?,xm)R+M表示某一决策单元中的 M种投入, ys=(y1,y2,?,ys)R+S表示 S种期望产出, bj=(b1,b2,?,bj)R+J表示 J种非期望产出。则其生产可能集为:
T={(x,y,b):x能够生产(y,b)}(1)
本文基于Zhou等提出的一般化的非径向、非角度方向性距离函数(NDDF)[19],构建包含期望产出与非期望产出的生产可能性组合。该投入产出双导向的非径向方法,弥补了径向方法(DDF)中投入产出同比例变化的缺陷。该非径向、非角度方向性距离函数(NDDF)定义为:
D(x,y,b;g)=supwTβ:((x,y,b)+g×diag(β))T(2)
式中 x,y,b分别表示投入、期望产出与非期望产出; w=(wx,wy,wb)T为标准化的权重向量; g=(gx,gy,gb)为方向向量; β=(βx,βy,βb)T为投入减少和期望产出增加、非期望产出减少的变化比例; diag为对角矩阵符号, T为生产可能集。基于数据包络分析模型,函数的数学规划为:
D(x,y,b;g)=max{wmx?βmx+wsy?βsy+wjb?βjb}
s.t.n=1Nzn?xmnxm-βmx?gmx(m=1,2,3,,M)n=1Nzn?ysnys+βsy?gsy(s=1,2,3,,S)n=1Nzn?bjn=bj-βjb?gjb(j=1,2,3,,J)zn0;n=1,2,3,,N;βmx,βsy,βjb0(3)
公式(3)表示在生产技术的约束下,决策单元可以通过减少投入与非期望产出,增加期望产出来达到生产前沿。由于该指标仅能进行当期数值分析,为探究历年来非期望产出效率的变动,引入全局[20]概念,即包络所有年份共同前沿的技术前沿包络面,该方法使得测度的效率具有传递性,能够在样本期2010—2015年内进行各年的比较。基于全局非径向方向性距离函数(Global NDDF)下的非期望产出的效率值(Global Carbon Productivity)为:
GCP=(bj-βjbbj)/(ys+βsyys)bjys=1-βjb1+βsy(4)
式中 yb分别表示期望产出与非期望产出; βyβb分别表示期望产出增加与非期望产出减少的变化比例; GCP为非期望产出的效率值。
2.1.2 影子价格分析框架
CO2影子价格的内涵即为减少一单位CO2的边际成本[21],则碳影子价格也可以认为是碳减排的边际成本。因此,本文认为边际减排成本可有两层含义:一是,在技术不变或无减排投资约束下,为减少一单位非期望产出(CO2)所付出的期望产出(GDP)的代价,即碳影子价格;二是,为减排进行的减排投资或生产活动会增加生产成本,此时,为增加一单位减排所要增加的生产成本亦称为边际减排成本。本文所指的边际减排成本均为第一种。
可基于多投入-多产出的环境生产技术,设定经济约束的生产可能集,来测算边际碳减排成本。现有文献主要分为参数与非参数方法。前者采用一个预先确定的模型形式,如参数法中测算影子价格一般包括基于Shepard(谢泼德)投入距离函数[22,23]、基于Shepard(谢泼德)产出距离函数[24,25,26]与基于方向性距离函数[27,28,29,30,31],其中前两者一般采用超越对数函数,后者则采用二次项函数,均为确定函数形式;而非参数法主要基于数据包络方法,如涂正革、Boyd等、Lee等、Bellenger等、Lee等、盛鹏飞等[17,32-36],相较参数法,非参数方法不需要对方向距离函数进行先验假设,因此不会因函数设定问题出现误差。本文基于上文构建的NDDF函数进行碳影子价格的测度。
基于2.1.1章节中构建的Global NDDF函数,在利润最大化目标下,各DMU的决策公式为:
MaxPY·Y-PX·X-PB·B
s.t.D((1-βmx)X,(1+βsy)Y,(1-βjb)B)=1(5)
式中 YXB分别表示期望产出、投入与非期望产出; PY为期望产出的价格向量; PX为投入的价格向量; PB为非期望产出的价格向量。为求得公式(5),构建拉格朗日方程为:
MaxPY·Y-PX·X-PB·B+?(D((1-βmx)X,(1+βsy)Y,(1-βjb)B)-1)(6)
式中 ?为拉格朗日乘子。
因此,公式(6)的一阶条件为:
PY+??D((1-βmx)X,(1+βsy)Y,(1-βjb)B)?Y(1+βsy)=0(7)
-PX+??D((1-βmx)X,(1+βsy)Y,(1-βjb)B)?X(1-βmx)=0(8)
-PB+??D((1-βmx)X,(1+βsy)Y,(1-βjb)B)?B(1-βjb)=0(9)
D((1-βmx)X,(1+βsy)Y,(1-βjb)B)-1=0(10)
公式(7)—公式(9)分别为拉格朗日乘子对应于期望产出、投入与非期望产出的一阶条件;公式(10)则表示DMU决策单元位于生产前沿面。那么,非期望产出的影子价格公式为:
PBPY=-?D((1-βmx)X,(1+βsy)Y,(1-βjb)B)/?B?D((1-βmx)X,(1+βsy)Y,(1-βjb)B)/?Y?1-βjb1+βsy(11)
式中 ?D((1-βmx)X,(1+βsy)Y,(1-βjb)B)/?B表示Global NDDF函数中非期望产出对偶变量, ?D((1-βmx)X,(1+βsy)Y,(1-βjb)B)/?Y表示Global NDDF函数中期望产出的对偶变量; (1-βjb)/(1+βsy)则为相应的非期望产出的效率。基于陈诗一[14]的设定,令 PY=1,可得碳排放的相对影子价格( SP)。
2.1.3 碳影子价格与碳生产率的数理分析
随着节能减排措施的出台与实施,各地区碳排放效率总体呈上升趋势,然而多数文献却忽视了效率提升的同时减排成本也在增加,由于减排成本增速极有可能超过经济增速,凸显了减排与经济发展的矛盾。因此,构建总的减排成本( TAC)的增速与经济( Y)增速比值指标为:
T/Y=(TACt-TACt-1)/TACt-1(Yt-Yt-1)/Yt-1=TACt/TACt-1-1Yt/Yt-1-1=i=1nSPt,iCt,i/i=1nSPt-1,iCt-1,i-1Yt/Yt-1-1(12)
式中 Y为经济发展水平,即GDP; TAC为总的碳减排成本; t为时间; i为污染物种类; SP为污染物的影子价格; C为污染物排放量; TY为减排成本( TAC)的增速与经济发展水平( Y)增速比值指标。当总的碳减排成本( TAC)增长率大于GDP( Y)增长率时,表明碳排放效率的提升是以超过经济增速的减排投入而获得的,减排成本的持续增长会进一步冲击已形成的经济增长模式;当总的碳减排成本增长率小于GDP增长率时,表明虽然减排成本仍持续增加,但GDP所占比例有所减少;当由于总的碳减排成本增速小于0,而导致减排成本增速/GDP增速小于0时,表明减排投入减少。由于本文仅一种污染物,因此选取 i=1,则 SPC分别表示碳排放影子价格与碳排放量。
由此可以看出, T/Y<0为最优情况,然而在中国仍处于工业化进程中以及碳减排指标的双重约束下,实现这一要求,即碳减排成本增长率为负的目标较为困难。因此,本文首先设定中国减排应尽可能达到 T/Y<1的指标,即实现减排成本增速低于经济增速,进而避免出现减排成本增速快于经济增速现象。虽然在 T/Y<1要求下,也会因经济增速而掩盖成本增加的问题,但在中国工业化进程中进行碳减排活动,其减排成本面临着增加的压力,因此本文希望首先能够保证中国实现尽可能低的碳减排成本增速;从而,在中国进一步的发展过程中,能够降低总的减排成本,最终实现总减排成本下降的目标。为实现这一要求( T/Y<1),推导过程如公式(13)—公式(15)所示。其中,由于近年来,中国GDP增长率始终为正,因此满足 Yt>Yt-1
(SPt?Ct)/(SPt-1?Ct-1)-1Yt/Yt-1-1<1(13)
SPt?CtSPt-1?Ct-1<YtYt-1(14)
SPtSPt-1<YtYt-1?Ct-1Ct=CIt-1CIt=CPtCPt-1(15)
式中 t为时间; SP为碳排放影子价格; C为碳排放量; CI为碳排放强度,当满足中国碳减排指标的要求时, CIt-1>CIt; CP为碳生产率,即GDP与碳排放量的比值,为碳强度的倒数。当 CIt-1>CIt时,得到 CPt>CPt-1,即当满足碳强度下降指标要求时,碳生产率随着时间的变动呈现增长趋势。由此,若实现低 T/Y<1的目的,碳排放影子价格和碳生产率需满足 (SPt/SPt-1)<(CPt/CPt-1),即碳影子价格增长率小于碳生产率增长率。其中,推导该过程需满足两个假设,即:①经济增速为正( Yt>Yt-1);②碳强度呈下降趋势( CIt-1>CIt)。由于本文样本期为2010—2015年,这6年来中国经济增速为正,碳强度始终处于下降态势,即能够保证 CIt-1>CIt
这里需要说明的是,碳生产率为期望产出GDP与非期望产出CO2间的比,表示每单位CO2排放量所创造的GDP大小;而碳影子价格与碳生产率不同,它是基于环境生产前沿技术,在利润最大化目标下求得的碳价格,并不是GDP与CO2两者之间的简单比值。

2.2 数据来源与处理

本研究基于涵盖中国大陆30个省级地区的面板数据集(由于数据缺失,样本不包括西藏、香港、澳门和台湾),样本观测区间设定为2010—2015年。选用地区资本存量、劳动力与能源消耗量作为投入要素,GDP与CO2排放量作为期望产出与非期望产出。其中资本存量基于单豪杰采用的永续盘存法[37],并以1978年为基期进行测算。其中由于1997年重庆划分为直辖市,因此在测算资本存量时首先将四川与重庆合并计算,并以两个地区的名义固定资本形成总额占比计算各地区的资本存量。劳动力、能源消耗量与GDP数据来源于《中国统计年鉴(2011—2016)》[38],其中GDP也采用以1978年为基期的实际GDP表示。CO2排放量公式为:
CE=i=1nECi?ESi?29300?CECi(16)
式中 i为能源种类,选取原煤、洗精煤、焦炭、焦炉煤气、其他煤气、原油、汽油、煤油、柴油、燃料油、液化石油气、炼厂干气、天然气、其他石油制品、其他焦化产品15种化石能源; CE为CO2排放量; EC为能源消耗量,基于《中国能源统计年鉴(2011—2016)》[39]地区能源平衡表中加工转换投入产出量项目中火力发电、供热与炼焦消耗量,各类能源损耗量与终端能源消耗量求和所得; ES为各类能源折标准煤系数; 29300表示每千克标准煤的发热量,即(29 300 kJ/kgce); CEC为IPCC规定的能源CO2排放系数。各数据来源于《中国统计年鉴(2011—2016)》[38]《中国能源统计年鉴(2011—2016)》[39]与《2006年IPCC国家温室气体清单指南》[40]。各变量的描述性统计如表1所示,各变量的均值均大于其中位数,表明各变量均右偏。本文涉及到的其他变量如表2所示。
Table 1
表1
表12010—2015年中国省际投入产出变量的描述性统计
Table 1Statistical description of input and output variables in 30 regions of China from 2010 to 2015
变量/单位均值标准差中位数最大值最小值
资本/亿元10 906.669 503.047 911.5052 981.52638.33
劳动/万人2 679.911 751.102 165.806 636.08307.65
能源/万t14 294.488 509.1011 361.0639 969.771 390.24
GDP/亿元4 362.283 641.853 248.4217 818.91232.37
CO2/万t33 121.2821 659.9325 409.9190 366.862 724.91


新窗口打开
Table 2
表2
表2碳影子价格与碳生产率回归分析中的变量符号与计算方法
Table 2Symbols and calculation methods of variables in the regression of carbon shadow price on carbon productivity
变量计算方法
碳生产率(CP实际GDP/CO2排放量
碳排放强度(CICO2排放量/实际GDP
产业结构(IS第二产业增加值/GDP
城镇化水平(URB年末城镇人口/总人口
环境污染治理投资(EPI环境污染治理投资/GDP
能源结构(ELE电力消耗量/总消耗量

注:各变量中所有可能受到价格因素影响的变量,均采用GDP平减指数剔除价格因素的影响。
新窗口打开

3 中国实际碳减排情况分析

为解决日益增大的环境压力,中国政府做出了多项减排承诺,如在哥本哈根气候峰会上提出2020年碳强度比2005年降低40%~45%的长期指标;在“十二五”与“十三五”规划中均提出了国家层面与地区层面的碳强度减排指标。随着减排的推进,中国各地区碳排放效率总体呈现增长趋势,具体如表3所示;与此同时,碳排放效率的增长也伴随着减排成本的快速增加,从而出现减排成本增速快于经济增速现象,致使基于效率指标评价中国各地区实际碳减排情况有失偏颇,具体如表4(见第2124页)所示。
Table 3
表3
表32011—2015年中国省际碳排放效率
Table 3Provincial carbon emission efficiency in China from 2011 to 2015
地区2011年2012年2013年2014年2015年
北京0.7140.7540.7950.8581.000
天津0.4280.4500.4620.5070.580
河北0.1740.1880.1780.1980.212
山西0.1160.1210.1200.1290.149
内蒙古0.1070.1120.1290.1370.154
辽宁0.3110.2850.2800.2920.313
吉林0.2210.2510.2740.2960.348
黑龙江0.4630.4340.4260.3690.335
上海0.7420.8220.7421.0001.000
江苏0.4850.5160.5040.5480.603
浙江0.4490.4650.5040.5450.595
安徽0.6460.5870.5340.5490.590
福建0.6460.7030.7030.6790.738
江西0.3670.4120.3530.3790.403
山东0.2810.3010.3470.3650.398
河南0.2470.2840.3220.3410.405
湖北0.2720.3130.3900.4220.504
湖南0.5490.5750.6110.6400.637
广东0.5690.6260.6710.7220.795
广西0.2500.2640.2770.3050.360
海南1.0000.8400.6850.6380.707
重庆0.4880.5380.6360.6380.685
四川0.8260.8220.8210.8851.000
贵州0.1270.1340.1460.1690.212
云南0.1970.2060.2290.2780.369
陕西0.2890.2960.2970.3130.377
甘肃0.2340.2460.2510.2700.316
青海0.1730.1730.1660.1770.196
宁夏0.0790.0620.0590.0610.073
新疆0.1160.1060.0990.0980.101
全国均值0.3860.3960.4000.4270.472
东部均值0.5490.5670.5590.6060.663
中部均值0.3660.3820.3880.4100.448
西部均值0.2620.2690.2830.3030.349
东北均值0.3320.3230.3270.3190.332

注:东、中、西部和东北地区划分依据文献[38]。其中,东部地区包括北京、天津、河北、上海、江苏、浙江、福建、山东、广东、海南10个省(市);中部地区包括山西、安徽、江西、河南、湖北、湖南6个省;西部地区包括内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆12个省(市、自治区);东北地区包括辽宁、吉林、黑龙江3个省。
新窗口打开
Table 4
表4
表42011—2015年中国省际减排成本增速与经济增速的比值
Table 4Provincial ratio of abatement cost growth to GDP growth in China from 2011 to 2015
地区2011年2012年2013年2014年2015年
北京3.4621.7731.7542.1673.570
天津0.3241.4311.2422.0752.678
河北1.2421.9240.2972.7952.131
山西1.4761.4630.8852.6086.063
内蒙古-0.0161.4722.8151.8442.808
辽宁1.0440.0550.7791.7973.363
吉林0.8612.2462.1842.3333.976
黑龙江0.6160.3230.735-1.522-0.693
上海1.8012.544-0.3706.3261.000
江苏1.3031.6990.7382.0892.287
浙江0.6321.4832.0902.1682.232
安徽1.3830.1500.0401.3521.932
福建0.0851.8521.0000.6322.039
江西1.2632.243-0.5631.8481.738
山东1.6331.7792.7631.6552.200
河南1.5942.6552.6381.7233.450
湖北0.2122.4813.6731.9393.380
湖南0.6901.4511.6921.5360.946
广东-0.1722.3191.9232.0352.373
广西1.0421.5481.5352.2813.392
海南1.000-0.918-1.0500.1262.487
重庆0.5581.8532.6571.0311.745
四川1.9510.9560.9951.9982.769
贵州-2.4711.4151.8472.6183.569
云南1.6791.3822.0193.8815.075
陕西2.6741.2101.0371.5993.806
甘肃1.3511.4441.2441.8983.272
青海0.3490.9910.5821.7832.413
宁夏-1.387-1.0820.4851.4953.557
新疆0.2550.2220.3670.8451.396
全国均值0.8811.3461.2681.8992.698
东部均值1.1311.5891.0392.2072.300
中部均值1.1031.7411.3941.8342.918
西部均值0.5441.0371.4171.9343.073
东北均值0.8400.8751.2320.8692.215

注:四大区域划分见表3注。
新窗口打开
表3可知,2011—2015年各地区碳排放效率总体呈上升趋势,从30个地区的均值来看,2011—2013年间增速较缓,由0.386上涨到0.400,增长了约3.63%;2013—2015年间增速相对较大,由0.400上涨为0.472,增长了约18.00%。总体来看,东部地区的碳排放效率最高,自2011年的0.549上升为2015年0.663,增长率为20.77%;其次为中部地区,碳排放效率由0.366增长到0.448,增长了约22.40%,增长率略高于东部地区;而西部地区与东北地区碳排放效率值最低。
表4可知,2011—2015年各地区总的碳减排成本增速与经济增速比值( TY)总体呈波动上升趋势,其中2011—2012年由0.881增长为1.346,在2012—2013年则从1.346下降为1.268,随后2013—2015年呈增长态势,由1.268增长为2.698,增长率约为112.94%。
各变量具体以2015年为例,北京、上海与四川的碳排放效率值相对较高,3个地区在2015年效率值均达到了1.000,如图1所示,其中北京与上海两地主要是由于经济发展水平较高,而能源消耗与碳排放量相对较低,如2015年北京的实际GDP为3817亿元,在30个地区中从低到高排名为第15位,名义GDP排名为第18位,上海的实际GDP为8684亿元,排名为第26位,名义GDP排名为第19位;2015年北京的能源消耗量为6853万tce,在30个地区中从低到高排名为第4位,上海的能源消耗量为11 387万tce,排名为第13位;2015年北京的CO2排放量为9614万t,在30个地区中从低到高排名为第3位,上海的CO2排放量为22 104万t,排名为第12位。四川作为农业大省,通过设立科技支撑计划、重大科技成果转化示范等各类科技计划,并设立创业投资基金等扶持基金,采用“互联网+”等手段以创新驱动传统农业转型,促进农业的现代化,从而有效控制化石能源的消耗,2015年名义GDP下碳强度为1.049,排名第8位。较为特殊的地区是海南,其在2011年的碳排放效率为1.000,但随之降低,在2014年效率值下降到0.638,并在2015年略有上升,达到0.707,可见海南作为旅游大省,虽然环境友好程度较高,但由于经济增速较慢,在2015年实际GDP增速为7.80%,仅高于宁夏、青海与西藏3个地区,因而碳排放效率值有所下降。山西、内蒙古、青海、宁夏与新疆5个地区在2011—2015年内碳排放效率值均低于0.200,主要是由于山西与内蒙古作为产煤大省,能源消耗与碳排放量较高,而青海、宁夏与新疆处于西部地区,投资较少,效率则较低。
显示原图|下载原图ZIP|生成PPT
图12015年中国省际碳排放效率
-->Figure 1Provincial carbon emission efficiency in China in 2015
-->

从减排成本与经济增速比值来看,在2011年有14个地区达到 T/Y<1T/Y<0,而2015年仅黑龙江和湖南2个地区实现 T/Y<1T/Y<0,如图2所示,仅黑龙江位于横轴下方,而湖南比值小于1,表明现阶段大部分地区存在碳减排成本增长的速度快于经济增长速度。各地区呈现这一现象的主要原因可分为两个方面,一是由于现阶段正处于经济结构调整过程,大力发展第三产业导致第一、二产业增速缓慢或呈现负增长,如在2011—2012年上海第二产业增速为负,而在2014—2015年中有12个地区第二产业增速为负,相应的第三产业却无法在短时期内弥补第二产业面临的损失;二是河南、云南、宁夏与青海等地减排成本增速较快,由于中国碳减排采用强度控制原则,使得经济欠发达地区的碳排放量仍处于快速增长态势,导致减排成本的 增加。
显示原图|下载原图ZIP|生成PPT
图22015年中国省际减排成本增速与经济增速的比值
-->Figure 2Provincial ratios of abatement cost growth to GDP growth in China in 2015
-->

对比表3表4可知,效率较高的东部地区由于经济增速减缓而呈现减排成本增速快于经济增速的态势,效率值较低的西部地区则是由于减排成本的快速增长而出现减排成本增速快于经济增速现象。因此,单一考虑效率大小或减排成本的高低并不能体现各地区减排质量的优劣。衡量减排质量是否改善的评判标准应在碳排放效率指标的基础上,兼顾减排成本增速和经济增速的比值。

4 碳影子价格与碳生产率的非线性关联

4.1 基于碳影子价格与碳生产率探究减排成本与经济增速差异原因

当碳排放影子价格与碳生产率满足公式(15) (SPt/SPt-1)<(CPt/CPt-1)要求时,各地区能够达到 T/Y<1范围。因此本部分进一步探究碳排放影子价格与碳生产率间的关系,进而明确 T/Y>1的原因。一般来说,碳影子价格会随着碳生产率的提升而增加,当碳排放水平较高,而生产率水平较低时,减排相对容易,因此付出的成本较低;随着减排活动的进行,生产率较高,而减排则变得越来越困难,边际减排成本升高。然而,为了明确碳排放影子价格与碳生产率是否存在非线性关系,本文构建回归模型如下:
SPit=β0+β1·CPit+β2(CPit)2+j=1nβj·Ditj+εit(17)
式中 SP表示 i地区第 t年的碳排放影子价格; CP表示 i地区第 t年的碳生产率; D表示 j个控制变量; ε表示误差项。
结合Hausman检验结果,本文选取固定效应模型进行估计,相较随机效应模型,固定效应模型 允许误差项与解释变量相关。同时,由于本文采用的面板数据时间仅6年,为短面板,因此忽略其时间固定效应的空间自相关假设,仅考虑个体固定效应。表5中模型1—模型5中分别加入了产业结构、城镇化水平、环境污染治理投资变量与能源消费结构作为控制变量,进一步的验证碳排放影子价格与碳生产率的关联,所涉及到的变量计算方法如表2所示。
Table 5
表5
表5碳影子价格对碳生产率的回归结果
Table 5Regression results of carbon shadow price on carbon productivity
变量模型1模型2模型3模型4模型5
CP0.0210.0470.121**0.150***0.138**
(0.59)(1.20)(2.28)(2.79)(2.57)
CP21.243***1.220***1.084***1.039***1.077***
(15.89)(15.42)(10.89)(10.39)(10.72)
IS0.021
(1.64)
URB-0.053**-0.064***-0.038
(-2.52)(-3.00)(-1.56)
EPI0.002**0.002***
(2.31)(2.61)
ELE-0.092**
(-2.09)
Cons0.003-0.0100.022***0.023***0.020**
(0.90)(-1.18)(2.68)(2.79)(2.45)
R20.9280.9290.9310.9330.935
F值948.660640.520657.380508.940417.430
Prob>F0.0000.0000.0000.0000.000

注:***、**、*分别表示在1%、5%、10%的显著性水平下通过显著性检验;括号内数据为t值。
新窗口打开
由公式(13)—公式(15)可知,若想维持 T/Y<1,则要满足 (SPt/SPt-1)<(CIt-1/CIt)=(CPt/CPt-1)的要求。由于降低碳强度是中国的强制性减排目标,因此 CIt-1>CIt,从而保证 CPt>CPt-1。这表明, T/Y<1要求满足碳影子价格的增长程度小于碳生产率的增长程度。
表5碳影子价格对碳生产率的关系来看,随着控制变量加入,碳生产率的一次和二次项系数均显著为正。这表明,随着碳生产率增加碳影子价格随之增加,且加速度呈递增状态。可见,碳生产率增长会导致碳影子价格以更快的非线性的速度增加。由于碳影子价格指的是边际减排成本,是保持技术水平、产业结构、技术效率等要素不变的基础上,根据产出GDP与碳排放量的水平值不同而变化,碳生产率是在投入变量和技术水平等要素(技术水平、产业结构等)共同作用下的结果。因此,从边际减排成本和平均减排成本角度来看,随着减排活动的进行,边际成本拉动平均成本的提高,因此SP随CP呈非线性递增趋势。具体来说,碳影子价格作为第一种意义上的边际减排成本,是在技术不变或无减排投资约束下测算所得的,因此,在不考虑技术改进与创新的基础上,强制减排必然带来边际减排成本的提高,因而导致碳影子价格随碳生产率呈非线性递增趋势。由此可以看出,目前大部分地区无法实现 T/Y<1,主要是由于碳影子价格增速快于碳生产率增速,使得 [(SPt/SPt-1)-1]>[(CPt/CPt-1)-1],即 (SPt/SPt-1)>(CPt/CPt-1)
控制变量方面,产业结构对碳排放影子价格影响不显著,可能的原因是:虽然第二产业单位能耗大于第三产业,导致第二产业占比较高的产业结构面临着较低的减排成本,然而随着结构调整,工业部门去产能的供给侧改革使得两者相互影响,导致变量不显著。城镇化水平与碳影子价格有显著的负相关关系,这是由于城镇化过程中形成的产业集聚效应与规模效应、知识辐射与溢出效应可以有效地降低减排成本,因此城镇化水平的提高使得额外控制碳排放的成本减小。环境保护治理投资与碳影子价格显著正相关,是由于该投资有效改善环境污染问题,降低了碳排放,从而增加了碳影子价格。能源消费结构对碳影子价格影响显著为负,是由于现阶段中国发电仍以火力发电为主,降低以煤炭为燃料的发电量,经济损失更小,成本更廉价。

4.2 稳健性检验

为了增加4.1章节中面板数据计量分析结论的稳健性,进一步证实碳影子价格与碳生产率的非线性关系,引入稳健性检验。由于各地区间存在显著的异质性,为此进行异方差与横截面序列相关检验,表明模型存在异方差与截面相关性,因此本文采用可行广义最小二乘法(FGLS)解决这一问题;同时,对公式(17)取对数,考察碳影子价格的对数和碳生产率的对数是否存在显著的线性关系,进而验证影子价格与碳生产率原数值的非线性关联。结果如表6所示。
Table 6
表6
表6碳影子价格对碳生产率的稳健性检验
Table 6Robust test of carbon shadow price on carbon productivity
变量模型1模型2模型3模型4
CP0.119***0.198***
(5.38)(2.92)
(CP)^21.054***0.940***
(17.10)(8.42)
lnCP2.148***2.053***
(64.77)(80.27)
IS-0.002-0.016
(-0.27)(-0.96)
lnIS0.1270.006
(0.72)(0.12)
URB-0.020***-0.039***
(-4.48)(-4.08)
lnURB-0.293***-0.140**
(-4.62)(-2.40)
EPI0.001*0.001***
(1.86)(2.58)
lnEPI0.112**-0.010
(2.08)(-0.42)
ELE-0.047***-0.077
(-3.85)(-1.60)
lnELE-0.290***-0.108***
(-4.71)(-3.86)
cons0.008**0.023*-0.0210.096
(2.06)(1.67)(-0.14)(1.20)
Waldchi27 304.11031 410.21021 133.23036 578.530
Prob>chi20.0000.0000.0000.000

注:***、**、*分别表示在1%、5%、10%的显著性水平下通过显著性检验;括号内数据为t值。
新窗口打开
表6中,模型1与模型2表示采用可行广义最小二乘法(FGLS)估计式(17),其中模型1仅对异方差进行调整,模型2同时调整了异方差与截面相关,两个模型结果与表5结果相同。在两个检验基础之上,对公式(17)取对数,重新进行回归,结果如模型3和模型4所示,其中模型3仅对异方差进行调整,模型4同时调整了异方差与截面相关,两个模型均表明,碳生产率的对数( lnCP)与碳排放影子价格的对数( lnSP)呈显著的正相关关系,表明碳生产率增长会导致碳影子价格以更快的非线性的速度增加。

5 结论与建议

5.1 结论

本文基于全局非径向方向性距离函数(Global NDDF)及其对偶原理测算得出2010—2015年中国全要素碳排放效率,并测算了碳减排成本增长率与经济增长率的比值,探究了碳减排成本增长的速度快于经济增长速度的原因。实证结果表明:
(1)2010—2015年中国全要素碳排放效率总体呈上升趋势,其中东部地区效率最高,北京与上海在2015年效率值为1.000,随后为中部地区,东北与西部地区效率最低,山西、内蒙古、青海、宁夏与新疆5个地区在2011—2015年内碳排放效率值均低于0.200。
(2)全国各地区总的碳减排成本增长率与经济增长率的比值总体呈波动上升趋势,现阶段大部分地区的碳减排成本增速快于经济增速。虽然中国碳排放效率仍在不断增长,但效率的提升很大程度依赖于高出经济增速的减排投入。中国碳减排质量在碳效率不断增长的基础上并没有改善。
(3)为解决减排成本增速远超GDP增速的困境,需满足当期碳影子价格与前期碳影子价格比( SPt/SPt-1)小于当期碳生产率与前期碳生产率比( CPt/CPt-1)的要求。现阶段中国碳影子价格与碳生产率呈非线性关系。由于影子价格增速快于碳生产率增速,而无法实现碳减排成本增长率与经济增长率的比值小于1的要求。
(4)碳排放效率不应作为衡量减排能力的唯一指标,需结合碳减排数量、碳生产率、碳排放效率与碳减排成本等多个指标作为减排绩效的评判标准。

5.2 建议

基于此,为促进国家与地区有效实现碳减排目标,应采取以下对策:
(1)积极构建多层次的碳减排质量评估体系,以高质量的减排实现环境治理与经济增长间的平衡,并据此形成国家与地区碳减排激励和约束机制。
(2)针对各地区碳减排成本与经济增速比值大于1出现的不同原因制定相应的政策。如北京、上海等经济较发达的东部地区,主要是由于现阶段处于产业结构转型升级过程中的结构调整阵痛期。第三产业增速无法弥补第一、第二产业的损失,造成经济增速下滑现象,由此造成减排成本增速高于经济增速。在这一背景下,相关政府需要一方面,从顶层设计层面来解决,通过京津冀协同发展、长江经济带等战略布局来寻找经济中长期持久推动的力量,保持经济的中高速增长;另一方面也要继续推动结构性改革,提高全要素生产率,坚定不移地推动改革,以免未来造成更多产能过剩,将短痛变为长痛,从而使社会矛盾减少到最轻。而云南、宁夏与青海等经济欠发达的西部地区,主要是由于工业发展导致的碳排放增速较快,造成为实现碳强度减排指标,导致减排成本增速加快。因此,政府需要在更高的起点上为未来做规划,而不仅关注短期GDP增长。在积极推动产业结构转型升级的同时,应提高能源利用效率,降低能源强度,优化能源结构,开发新能源。
(3)为保证影子价格与碳减排量的均衡,可从全国碳市场的构建与国际碳市场的链接角度解决这一矛盾。在碳市场,控排单位基于自身边际减排成本进行交易。当买卖双方的边际减排成本相等时达到市场均衡。因此,高碳影子价格的控排单位与地区能够基于交易降低自身的边际减排成本,而低碳影子价格的控排单位与地区通过碳交易可获得收入,形成进一步提高减排技术、增加减排投资的激励机制,进而提升了碳生产率。因此,随着2017年12月中国统一碳市场的运行,各试点地区与非试点地区将逐渐链接,以缓解高碳影子价格地区的减排困境,从而解决减排成本增速高于经济增速这一问题。
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]齐绍洲, 李锴. 区域部门经济增长与能源强度差异收敛分析
[J]. 经济研究, 2010, (2): 109-122.
[本文引用: 1]

[Qi S Z, Li K.The convergence analysis of differences of regional sectors economic growth and energy intensity
[J]. Economic Research Journal, 2010, (2): 109-122. ]
[本文引用: 1]
[2]罗会军, 范如国, 罗明. 中国能源效率的测度及演化分析
[J]. 数量经济技术经济研究, 2015, 32(5): 54-71.
[本文引用: 1]

[Luo H J, Fan R G, Luo M.Measure and analysis on the evolutionary process of energy efficiency in China
[J]. The Journal of Quantitative & Technical Economics, 2015, 32(5): 54-71. ]
[本文引用: 1]
[3]周五七, 聂鸣. 中国工业碳排放效率的区域差异研究-基于非参数前沿的实证分析
[J]. 数量经济技术经济研究, 2012, 29(9): 58-70.
[本文引用: 1]

[Zhou W Y, Nie M.Regional differences in the efficiency of industrial carbon emissions in China
[J]. The Journal of Quantitative & Technical Economics, 2012, 29(9): 58-70. ]
[本文引用: 1]
[4]吴贤荣, 张俊飚, 田云, . 中国省域农业碳排放: 测算, 效率变动及影响因素研究-基于 DEA-Malmquist指数分解方法与 Tobit 模型运用
[J]. 资源科学, 2014, 36(1): 129-138.
[本文引用: 1]

[Wu X R, Zhang J B, Tian Y, et al. Provincial agricultural carbon emissions in China: calculation, performance change and influencing factors
[J]. Resources Science, 2014, 36(1): 129-138. ]
[本文引用: 1]
[5]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, (1): 67-77.
[本文引用: 1]

[Ma D L, Chen Z C, Wang L.Spatial econometrics research on inter-provincial carbon emissions efficiency in China
[J]. China Population, Resources and Environment, 2015, (1): 67-77. ]
[本文引用: 1]
[6]Zhang N, Choi Y.A comparative study of dynamic changes in CO2 emission performance of fossil fuel power plants in China and Korea
[J]. Energy Policy, 2013, 62(9): 324-332.
[本文引用: 1]
[7]Zhang N, Zhou P, Choi Y.Energy efficiency, CO2 emission performance and technology gaps in fossil fuel electricity generation in Korea: a meta-frontier non-radial directional distance function analysis
[J]. Energy Policy, 2013, 56: 653-662.
[本文引用: 1]
[8]Zhang N, Zhou P, Kung C C.Total-factor carbon emission performance of the Chinese transportation industry: a bootstrapped non-radial Malmquist index analysis
[J]. Renewable and Sustainable Energy Reviews, 2015, 41: 584-593.
[本文引用: 1]
[9]陈诗一. 节能减排与中国工业的双赢发展: 2009-2049
[J]. 经济研究, 2010, 45(3): 129-143.
[本文引用: 1]

[Chen S Y.Energy-save and emission-abate activity with its impact on industrial win-win development in China: 2009-2049
[J]. Economic Research Journal, 2010, 45(3): 129-143. ]
[本文引用: 1]
[10]程时雄, 柳剑平, 龚兆鋆. 中国工业行业节能减排经济增长效应的测度及影响因素分析
[J]. 世界经济, 2016, 39(3): 166-192.
[本文引用: 1]

[Cheng S X, Liu J P, Gong Z Y.Evaluation of economic growth effect of energy saving and its influencing factors in China's industrial sector
[J]. The Journal of World Economy, 2016, 39(3): 166-192. ]
[本文引用: 1]
[11]刘明磊, 朱磊, 范英. 我国省级碳排放绩效评价及边际减排成本估计: 基于非参数距离函数方法
[J]. 中国软科学, 2011, (3): 106-114.
[本文引用: 1]

[Liu M L, Zhu L, Fan Y.Evaluation of carbon emission performance and estimation of marginal CO2 abatement costs for provinces of China: a non-parametric distance function approach
[J]. China Soft Science, 2011, (3): 106-114. ]
[本文引用: 1]
[12]Choi Y, Zhang N, Zhou P.Efficiency and abatement costs of energy-related CO2 emissions in China: a slacks-based efficiency measure
[J]. Applied Energy, 2012, 98(5): 198-208.
[本文引用: 1]
[13]Wei C, Ni J, Du L.Regional allocation of carbon dioxide abatement in China
[J]. China Economic Review, 2012, 23(3): 552-565.
[本文引用: 1]
[14]陈诗一. 工业CO2的影子价格: 参数化和非参数化方法
[J]. 世界经济, 2010, (8): 93-111.
[本文引用: 2]

[Chen S Y.Shadow price of industrial carbon dioxide: parametric and nonparametric methods
[J]. The Journal of World Economy, 2010, (8): 93-111. ]
[本文引用: 2]
[15]叶斌, 唐杰, 陆强. 碳排放影子价格模型-以深圳市电力行业为例
[J]. 中国人口·资源与环境, 2012, 22(11): 172-176.
[本文引用: 1]

[Ye B, Tang J, Lu Q.Carbon emissions allowance shadow price model: an application in power generation sector of Shenzhen
[J]. China Population, Resources and Environment, 2012, 22(11): 172-176. ]
[本文引用: 1]
[16]姚云飞, 梁巧梅, 魏一鸣. 国际能源价格波动对中国边际减排成本的影响: 基于 CEEPA 模型的分析
[J]. 中国软科学, 2012, (2): 156-165.
[本文引用: 1]

[Yao Y F, Liang Q M, Wei Y M.The impacts of international energy price volatility on China's marginal abatement cost: a CEEPA -based analysis
[J]. China Soft Science, 2012, (2): 156-165. ]
[本文引用: 1]
[17]涂正革. 工业二氧化硫 (SO2) 的影子价格: 一个新的研究框架
[J]. 经济学(季刊), 2009, 9(1): 259-282.
[本文引用: 2]

[Tu Z G.The shadow price of industrial SO2 emission: a new analytic framework
[J]. China Economic Quarterly, 2009, 9(1): 259-282. ]
[本文引用: 2]
[18]魏楚. 中国城市CO2边际减排成本及其影响因素
[J]. 世界经济, 2014, 37(7): 115-141.
[本文引用: 1]

[Wei C.The marginal CO2 emission abatement and its influencing factors
[J]. The Journal of World Economy, 2014, 37(7): 115-141. ]
[本文引用: 1]
[19]Zhou P, Ang B W, Wang H.Energy and CO2 emission performance in electricity generation: a non-radial directional distance function approach
[J]. European Journal of Operational Research, 2012, 221(3): 625-635.
[本文引用: 1]
[20]Pastor J T, Lovell C A K. A global Malmquist productivity index
[J]. Economics Letters, 2005, 88(2): 266-271.
[本文引用: 1]
[21]Reig-Martı?nez E, Picazo-Tadeo A, Hernandez-Sancho F. The calculation of shadow prices for industrial wastes using distance functions: an analysis for Spanish ceramic pavements firms
[J]. International Journal of Production Economics, 2001, 69(3): 277-285.
[本文引用: 1]
[22]Hailu A, Veeman T S.Environmentally sensitive productivity analysis of the Canadian pulp and paper industry, 1959-1994: an input distance function approach
[J]. Journal of Environmental Economics and Management, 2000, 40(3): 251-274.
[本文引用: 1]
[23]Lee M.The shadow price of substitutable sulfur in the US electric power plant: a distance function approach
[J]. Journal of Environmental Management, 2005, 77(2): 104-110.
[本文引用: 1]
[24]Färe R, Grosskopf S, Lovell C A K, et al. Derivation of shadow prices for undesirable outputs: a distance function approach
[J]. The Review of Economics and Statistics, 1993, 75(2): 374-380.
[本文引用: 1]
[25]Coggins J S, Swinton J R.The price of pollution: a dual approach to valuing SO2 allowances
[J]. Journal of Environmental Economics and Management, 1996, 30(1): 58-72.
[本文引用: 1]
[26]Rezek J P, Campbell R C.Cost estimates for multiple pollutants: a maximum entropy approach
[J]. Energy Economics, 2007, 29(3): 503-519.
[本文引用: 1]
[27]Murty M N, Kumar S.Measuring the cost of environmentally sustainable industrial development in India: a distance function approach
[J]. Environment and Development Economics, 2002, 7(3): 467-486.
[本文引用: 1]
[28]Aiken D V, Pasurka C A.Adjusting the measurement of US manufacturing productivity for air pollution emissions control
[J]. Resource and Energy Economics, 2003, 25(4): 329-351.
[本文引用: 1]
[29]Färe R, Grosskopf S, Noh D W, et al. Characteristics of a polluting technology: theory and practice
[J]. Journal of Econometrics, 2005, 126(2): 469-492.
[本文引用: 1]
[30]Vardanyan M, Noh D W.Approximating pollution abatement costs via alternative specifications of a multi-output production technology: a case of the US electric utility industry
[J]. Journal of Environmental Management, 2006, 80(2): 177-190.
[本文引用: 1]
[31]Cuesta R A, Lovell C A K, Zofío J L. Environmental efficiency measurement with translog distance functions: a parametric approach
[J]. Ecological Economics, 2009, 68(8-9): 2232-2242.
[本文引用: 1]
[32]Boyd G A, Tolley G, Pang J.Plant level productivity, efficiency, and environmental performance of the container glass industry
[J]. Environmental and Resource Economics, 2002, 23(1): 29-43.
[本文引用: 1]
[33]Lee J D, Park J B, Kim T Y.Estimation of the shadow prices of pollutants with production/environment inefficiency taken into account: a nonparametric directional distance function approach
[J]. Journal of Environmental Management, 2002, 64(4): 365-375.

[34]Bellenger M J, Herlihy A T.An economic approach to environmental indices
[J]. Ecological Economics, 2009, 68(8): 2216-2223.

[35]Lee S, Oh D, Lee J.A new approach to measuring shadow price: reconciling engineering and economic perspectives
[J]. Energy Economics, 2014, 46: 66-77.

[36]盛鹏飞, 杨俊. 中国能源影子价格的区域异质与收敛-基于非参数投入距离函数的估计
[J]. 产业经济研究, 2014, (1): 70-80.
[本文引用: 1]

[Sheng P F, Yang J.Do producer services lead manufacturing developing?-An empirical retest based on dynamic two-sector model
[J]. Industrial Economics Research, 2014, (1): 70-80. ]
[本文引用: 1]
[37]单豪杰. 中国资本存量 K 的再估算: 1952—2006 年
[J]. 数量经济技术经济研究, 2008, 25(10): 17-31.
[本文引用: 1]

[Shan H J.Reestimating the capital stock of China: 1952—2006
[J]. The Journal of Quantitative & Technical Economics, 2008, 25(10): 17-31. ]
[本文引用: 1]
[38]中华人民共和国国家统计局. 中国统计年鉴[M]. 北京: 中国统计出版社, 2011-2016. [本文引用: 3]

[National Bureau of Statistics of the People's Republic of China. China Statistical Yearbook [M]. Beijing: China Statistics Press, 2011-2016. ] [本文引用: 3]
[39]国家统计局能源司. 中国能源统计年鉴[M]. 北京: 中国统计出版社, 2011-2016. [本文引用: 2]

[National Bureau of Statistics of Energy of China. China Energy Statistical Yearbook[M]. Beijing: China Statistics Press, 2011-2016. ] [本文引用: 2]
[40]Eggleston S, Buendia L, Miwa K, et al. 2006 IPCC Guidelines for National Greenhouse Gas Inventories
[M]. Kanagawa: Institute for Global Environmental Strategies, 2006.
[本文引用: 1]
相关话题/经济 指标 能源 数据 北京