海洋漁業產業結構優化對碳排放效率的影響
——基于我國沿海地區的空間計量分析

張熒楠

(中國海洋大學管理學院 青島 266100)

0 引言

隨著溫室氣體排放引起的全球環境問題日益突出,《京都議定書》和《巴黎協定》等一系列國際性協議相繼簽署,節能減排也上升為重要的國家戰略。農業是溫室氣體的主要來源之一,農業源約占我國溫室氣體排放總量的17%[1]。海洋漁業是“大農業”中機械化、工業化和產業化程度較高的部門[2],漁船漁機和加工設備設施等的能源消耗是海洋漁業產業中溫室氣體的主要來源。其中:海洋捕撈是漁船燃油消耗的主體,貢獻了可觀的碳排放量;海水高位池養殖和工廠化養殖的電耗也帶來較高的間接排放[3]。隨著人民生活水平的提高,消費者對于水產品的需求不斷增加,海水養殖、捕撈和加工等部門的產能持續上升。而在我國漫長的海岸線上,海洋漁業生產的碳排放水平居高不下,給沿海生態環境造成巨大壓力。海洋漁業低碳化發展是實現漁業高質量發展的重要前提,須著力提升海洋漁業的碳排放效率。目前學術界對于碳排放效率并未形成統一的定義,大多數學者認為碳排放效率提升是指以較少的二氧化碳排放取得較高的經濟效益,在指標選取上主要強調碳排放與經濟增長的互動,而忽略能源消耗與碳排放的關聯。本研究借鑒馬大來等[4]的定義,認為碳排放屬于非合意產出,海洋漁業碳排放效率提升是指在海洋漁業產業運行過程中,在產出能力處于較高水平或保持較好增勢的情況下實現碳排放減少。

漁業碳排放問題已引起國內外學者的關注。捕撈業發達的大西洋沿岸較早認識到商業漁業對于化石燃料的高度依賴,并通過評估不同捕撈方式造成的溫室氣體排放強度,探索漁業管理理念和方式的改進[5-6]。有學者估算巴西拖網捕撈船隊的直接燃料投入和溫室氣體排放,提出漁船是二氧化碳排放的主要來源[7-8]。目前普遍認為,大多數漁業補貼尤其是燃料補貼對經濟和環境都有害[9],使用漁業燃料的免稅政策將最終導致漁業的低效[10],通過改善漁業燃料性能的環境動力與降低燃料支出的經濟效益可催生新的管理方案[11]。此外,水產養殖的溫室氣體排放也不容忽視[12]。Denham等[13]采用簡化的生命周期評估方法測度有鰭魚供應鏈(從收獲到零售)的二氧化碳排放,發現導致供應鏈內溫室氣體排放量最高的是電力消耗,其次是制冷氣體泄漏和魚類未加工廢棄物處置。我國對于漁業碳排放的研究集中于4個方面:①測算漁業各產業部門的能耗水平[14]和能源使用效率[15],并分析節能減排路徑[16];②分析區域漁業碳排放效率的時空特征,并剖析其影響因素[17-20];③探索漁業低碳化戰略[21-23];④探究漁業碳排放與經濟增長的關系[24]。有學者梳理碳排放的驅動因素,發現在海洋漁業的長期發展中,碳排放不僅來源于盲目擴大的產能和落后的設備設施,而且來源于產業結構失衡造成的初級部門要素堆積。目前已達成共識的碳減排方法包括調整產業結構、改變能源結構和加快技術進步,其中產業結構調整能夠影響能源使用的數量、種類和結構,從而影響碳排放水平[25-27]。

基于已有研究成果,本研究將相關理論與我國海洋漁業產業的發展現實結合起來,探索海洋漁業產業結構優化與碳減排的協調發展路徑;從合理化和高級化2個方面構建海洋漁業產業結構優化指數,運用考慮非期望產出的超效率SBM模型測度2008—2017年我國沿海地區的海洋漁業全要素碳排放效率,并運用空間計量模型探究海洋漁業產業結構優化對碳排放效率的影響及其空間特征。

1 模型構建與數據來源

1.1 數據包絡模型

效率評價的常用方法包括數據包絡分析(DEA)和隨機前沿分析(SFA)。其中,數據包絡分析法是基于多項投入指標和多項產出指標,采用線性規劃的方法,對具有可比性的決策單元進行相對有效性評價的數量分析方法。SBM模型能得到比傳統DEA模型更準確的效率值,并能彌補CCR模型在多個決策單元(DMU)為1的情況下無法對有效部分進行進一步比較的不足。因此,本研究采用SE-SBM模型[28],并將海洋漁業的碳排放作為非期望產出納入計算,構建考慮非期望產出的SE-SBM模型。

式中:n個決策單元均由投入m、期望產出v1和非期望產出v2這3個部分構成;向量形式分別為x∈R m、y d∈R v1和y u∈R v2;x、y d和y u分別為投入冗余、期望產出不足和非期望產出過量;λ為權重向量,且為約束條件集合;x ij為第j個決策單元的第i項投入;y sj為第j個決策單元的第s項產出;k為被評價單元;P為目標效率函數,P＜1表示效率無效,P≥1表示效率有效。

1.2 空間相關性

由于區域之間存在經濟技術交流和環境效應擴散,通常認為距離越近時事物的屬性越相似。沿海地區的海洋漁業碳排放效率可能也具有空間上的相關性,本研究采用莫蘭指數(Moran's I)驗證和分析這種空間相關性。莫蘭指數的區間通常為[-1,1]:當莫蘭指數大于0時,表明具有正的空間相關性;當莫蘭指數小于0時,表明具有負的空間相關性;當莫蘭指數等于0時,表明具有空間隨機性。

莫蘭指數分為全局莫蘭指數(Global Moran's I)和局部莫蘭指數(Local Moran's I)。全局莫蘭指數用于測度空間自相關是否存在,計算公式為:

式中:w ij為區域i與區域j的鄰近關系;n為樣本數;x i和x j分別為區域i和區域j的屬性值為平均值。

局部莫蘭指數表明出現空間集聚的具體位置,通常采用Moran's I散點圖展現。散點圖的第一象限和第三象限分別表示“高-高”集聚和“低-低”集聚,反映空間正相關性;第二象限和第四象限分別表示“低-高”集聚和“高-低”集聚,反映空間負相關性。

1.3 空間計量模型

幾乎所有的空間數據都具有空間依賴性或空間自相關特征,因此采用傳統計量方法容易忽略空間相關性的作用。為體現產業結構優化對于海洋漁業碳排放影響的空間效應,本研究引入空間計量模型。Anselin[29]建立了2種空間自相關模型,其中空間滯后模型(SLM)主要探討各變量在同一地區是否有擴散現象,空間誤差模型(SEM)度量鄰近地區因變量的誤差沖擊對本地區觀察值的影響程度。Lesage等[30]在此基礎上構建同時包含因變量和解釋變量空間滯后項的空間杜賓模型(SDM)。空間效應加入回歸模型可全面地考慮地區間的差異性和依賴性,SLM是將因變量的空間滯后引入模型,SDM則同時將因變量的空間滯后和解釋變量的空間滯后引入模型,因而更具有一般性。

空間滯后模型的一般表達式為:

式中:y為被解釋變量的向量;參數ρ為空間自回歸參數;W y為空間滯后因變量,反映空間距離對區域行為的作用;x為外生解釋變量;β為回歸系數向量;ε為隨機擾動項。

空間誤差模型的一般表達式為:

式中:λ為n×1階的截面因變量向量的空間誤差系數;μ為正態分布的隨機誤差向量。該式假設區域間由隨機誤差項建立相互關系。

空間杜賓模型的一般表達式為:

式中:γ為待估參數;ρW y為被解釋變量的空間滯后項;γW x為解釋變量的空間滯后項。

1.4 數據來源

研究對象為我國沿海9省(自治區)(天津和上海因產業體量較小和數據缺失過多,導致實證結果有較大偏差,故未納入分析)。變量相關數據主要來自歷年《中國漁業統計年鑒》《中國漁業年鑒》和《中國統計年鑒》,個別缺失數據根據其趨勢特征采取增長率法或移動平均法補齊。

2 實證分析

2.1 海洋漁業的碳排放效率測度

本研究從產業總體視角測度海洋漁業碳排放效率,根據海洋漁業生產過程的要素投入、經濟產出和環境互動3個方面,以海洋漁業勞動力、固定資產存量和中間消耗作為投入指標,以海洋漁業總產值作為期望產出指標,以海洋漁業凈碳排放量作為非期望產出指標,構建評價指標體系(表1)。

表1 海洋漁業碳排放效率評價指標體系

由于《中國漁業統計年鑒》中沒有2008—2017年海洋漁業固定資產投入的直接數據,本研究采用農林牧漁固定資產投入間接得出海洋漁業固定資產投入;考慮到固定資產作用的滯后性,采用永續盤存法測算以2008年為基期的歷年固定資產存量,具體計算公式為:

式中:K i,t和K i,t-1分別表示i地區在t和t-1年的海洋漁業固定資產存量;I i,t表示i地區在t年的不變價固定資產存量;δ表示固定資產折舊率;λ表示固定資產的資本形成率;δ和λ的取值參照王波等[31]的做法,初始存量的計算借鑒王恕立等[32]的思路。

由于海洋漁業中間消耗的數據無法直接從年鑒中獲得,借鑒秦宏等[33]的思路,利用漁業中間消耗進行折算,折算公式為:海洋漁業中間消耗=漁業中間消耗×海洋漁業總產值/漁業總產值,并將折算結果按照農業生產資料價格指數折算為2008年的可比價格。

從細分部門甚至具體生產環節來看,碳排放來源是分散且難以量化的,機械化公式測度的加總可能存在較大的偏差。根據《我國漁業節能減排基本情況研究報告》,捕撈業能耗約占漁業能耗總量的70%[2]。因此,可首先基于海洋捕撈機動漁船年末功率數據測算海洋捕撈業能耗,再根據比重進行折算。同時,由于貝藻類具有較強的固碳能力,根據相關學者測定的貝藻類碳匯轉化系數[34-35],計算碳匯量并從總碳排放量中減去,以得到海洋漁業凈碳排放量。

采用非導向的規模報酬不變的超效率SBM模型,利用MAXDEA軟件測算2008—2017年我國沿海地區的海洋漁業碳排放效率(表2和圖1)。

表2 2008—2017年我國沿海地區的海洋漁業碳排放效率

圖1 2008—2017年我國沿海地區的海洋漁業碳排放效率平均值

由圖1可以看出,我國海洋漁業碳排放效率的地區差異較大,其中山東、海南、江蘇、廣東和浙江的碳排放效率位于生產前沿,福建和遼寧位于其后,而廣西和河北則位于末位。但生產前沿地區只是減排情況優于其他地區,其碳排放水平仍有進一步降低的空間。

從各沿海地區來看,山東、海南和廣東的碳排放效率有小幅波動,但始終處于較高水平。江蘇2010—2012年的碳排放效率處于相對無效水平,海洋漁業碳排放量的大幅增加可能是主要誘因。除2016年外,浙江歷年的碳排放效率均大于1,2016年經歷低谷后又迅速恢復。福建的碳排放效率呈波動下降態勢,且在“十二五”末期與“十三五”初期受到產業轉型升級的沖擊,下降趨勢較明顯。遼寧的碳排放效率呈波動狀態,可能由于其正處于產業升級的磨合期。廣西和河北的碳排放效率始終處于較低水平:廣西的海洋資源環境狀況良好,但海洋漁業的產業規模較小、發展方式粗放且產業化水平較低;河北處于環渤海地區,海洋漁業規模較小,且海域污染較嚴重和生態環境脆弱,難以有效調節產業的環境負影響。

2.2 海洋漁業產業結構優化對碳排放效率影響的空間效應

2.2.1 空間相關性

測度空間相關性的基礎步驟之一是建立能夠反映空間交互作用的權重矩陣[36]。本研究基于反距離權重矩陣、地理距離二進制權重矩陣和經濟距離權重矩陣構建3種空間權重矩陣。其中,經濟距離權重矩陣的前提假定是區域單元的經濟發展水平和經濟資源獲取能力等因素也會產生空間效應,并選取地區人均GDP作為經濟變量。結合運用ArcGIS 10.2軟件和State 15軟件,基于3種空間權重矩陣分別計算海洋漁業產業結構優化和海洋漁業碳排放效率的莫蘭指數(表3和表4)。

表3 2008—2017年基于3種空間權重矩陣的海洋漁業產業結構優化的莫蘭指數

基于反距離權重矩陣和地理距離二進制權重矩陣計算的莫蘭指數顯示,海洋漁業產業結構優化在空間上具有顯著的負相關性,海洋漁業產業結構優化水平在地區間呈高低交叉分布。而基于經濟距離權重矩陣計算的莫蘭指數顯示,海洋漁業產業結構優化水平具有顯著的空間自相關性,即區域經濟水平越接近,海洋漁業產業結構優化水平越近似。

表4 2008—2017年基于3種空間權重矩陣的海洋漁業碳排放效率的莫蘭指數

基于空間權重矩陣計算的莫蘭指數總體為負值,且只有2008—2012年通過10%的顯著性水平檢驗。因此,研究期內我國沿海地區海洋漁業碳排放效率在空間上存在高值與低值的交叉分布,空間依賴性可能具有動態性或僅存在于局部地區。基于地理距離二進制權重矩陣與反距離權重矩陣計算的莫蘭指數具有一致的波動狀態,但在2016年出現正值,表明研究期內海洋漁業碳排放效率在空間上達到最高集聚水平,存在一定的空間自相關性。經濟距離權重矩陣以人均GDP作為經濟變量,其莫蘭指數反映不同經濟水平下海洋漁業碳排放效率的高低特征。由表4可以看出,基于經濟距離權重矩陣計算的莫蘭指數為負值,且未通過顯著性檢驗。結合經驗判斷,海洋漁業產業在沿海地區橫、縱向環節具有較為密切的關聯,在與碳排放直接相關的能源消耗品類和養殖加工技術上具有相似性,有理由認為海洋漁業碳排放效率具有一定的空間依賴性,從而有必要進行空間計量分析。

部分年份我國沿海地區海洋漁業碳排放效率的局部莫蘭指數散點圖如圖2所示。

圖2 部分年份海洋漁業碳排放效率的局部莫蘭指數散點

4個象限分別對應區域單元與其鄰接地區之間的4種局部空間關系:第一象限代表高效率值的區域被同是高值的區域所包圍的空間關系;第二象限代表低效率值的區域被高值的區域所包圍的空間關系;第三象限代表低效率值的區域被同是低值的區域所包圍的空間關系;第四象限代表高效率值的區域被低值的區域所包圍的空間關系。

2008年和2011年各沿海地區的海洋漁業碳排放效率始終保持高低交叉分布的形態,其中廣西、河北和遼寧為L-H型,這3個低碳排放效率地區被高碳排放效率地區所包圍。2014年的空間分布格局有所改變,遼寧由L-H型轉化為H-H型,江蘇和海南由H-L型轉化為H-H型,表明高碳排放效率地區達到一定程度的空間集聚。2017年H-H型分布更為顯著,浙江、山東、廣東、遼寧、江蘇和海南的海洋漁業碳排放效率集中呈現較高水平。因此,有必要進一步進行空間計量分析。

2.2.2 空間面板計量模型

本研究主要研究海洋漁業產業結構優化對碳排放效率的影響,主要采用空間面板計量方法進行實證檢驗。①被解釋變量為海洋漁業碳排放效率。②核心解釋變量為海洋漁業產業結構優化指數,反映海洋漁業產業合理化和高級化的綜合水平。采用產業結構熵數表示產業結構合理化水平,熵數值越大表明各產業部門結構越趨于混亂,熵數值越小表明各產業部門結構越趨于有序。產業結構高級化通常用產業結構層次系數、第三產業與第二產業產值之比[37]以及Moore值等測算和表示。考慮到目前第一產業占比仍較高,海洋漁業產業結構優化不應等同于一般意義上的產業結構優化,因此采用第二和第三產業與第一產業產值之比表征海洋漁業的高級化水平。考慮到合理化和高級化在產業發展中的相對重要性幾乎相同,各取0.5的權重,計算海洋漁業產業結構優化指數。③由于海洋漁業經濟水平、漁民收入和漁業科研投入等因素也可能對海洋漁業碳排放效率產生明顯影響,將一些重要變量設為控制變量。其中:海洋漁業經濟水平以海洋漁業人均產值表示,漁民收入數據來自《中國漁業統計年鑒》中的漁民人均純收入,漁業科研投入以水產科技推廣機構占比表示,漁業對外開放水平以漁業進出口貿易額占總產值比重表示(表5)。

表5 變量描述性統計

根據前文分析結果,我國沿海地區的海洋漁業產業結構優化水平具有顯著的空間自相關性,海洋漁業碳排放效率也存在一定的空間依賴性,海洋漁業產業結構優化對碳排放效率的影響具有一定的空間效應。為進一步驗證和分析這種空間效應,分別基于3種空間權重矩陣進行空間面板回歸。在固定效應模型和隨機效應模型的判斷上,使用hausman檢驗方法計算P值為0.878 8,無法拒絕原假設,故接受使用隨機效應模型;但由于本研究選取的是特定地區的總樣本,更適合使用固定效應模型;因此,同時使用固定效應模型和隨機效應模型,并通過對二者的對比分析,揭示海洋漁業產業結構優化和其他因素對碳排放效率的影響。

分別進行LM檢驗,以驗證是否存在空間效應(表6)。

表6 不同空間權重矩陣下的LM檢驗結果

基于反距離權重矩陣空間面板回歸的LM檢驗結果顯示,LM-error和LM-lag的檢驗結果均不顯著,因此應保持OLS模型而不使用空間計量模型。OLS回歸結果顯示,海洋漁業產業結構優化和海洋漁業經濟水平對碳排放效率具有顯著的提升作用,而漁民收入則顯著阻礙碳排放效率的提升,漁業科研投入和漁業對外開放水平對碳排放效率同樣具有負向作用但不顯著。

基于地理距離二進制權重矩陣空間面板回歸的LM檢驗結果顯示,LM-error的檢驗結果不顯著,LM-lag通過1%水平的顯著性檢驗。因此,應選擇空間自回歸模型(SAR)(表7)。

表7 空間自回歸模型的回歸結果

續表

在隨機效應模型和時間固定模型中,海洋漁業產業結構優化的空間滯后系數顯著為正,表明海洋漁業產業結構優化能夠有效促進碳排放效率的提升,且這種促進作用具有空間溢出性,即某地區的海洋漁業碳排放效率可通過與鄰近地區的產業合作和技術交流活動而得到提升。海洋漁業經濟水平對碳排放效率具有顯著的正向作用,且在雙固定模型中的系數高達0.611。漁民收入對碳排放效率具有顯著的負向作用,推測原因為漁民收入增長是由更多高碳的消耗性活動獲取的。漁業科研投入的空間滯后系數較小且為負值,這是由于技術改進會加強高碳生產行為的強度,如捕撈技術推廣加強捕撈強度以及養殖技術推廣加大養殖密度,反而降低碳排放效率。漁業對外開放水平對碳排放效率具有較顯著的負向作用,這與彭水軍等[38]關于外需拉動碳排放增長的結論一致,這也是海洋漁業對外貿易領域應關注的問題之一。

基于經濟距離權重矩陣空間面板回歸的LM檢驗結果顯示,LM-error和LM-lag的檢驗結果均在1%的水平下顯著,穩健的LM-error和LM-lag檢驗分別在5%和1%的水平下顯著,拒絕原假設,表明應使用空間效應模型。Wald檢驗和Lratio檢驗結果顯示:二者均通過1%的顯著性檢驗,分別拒絕θ=0和θ=-βρ的假設,顯然SAR和SEM模型并不適用于本研究。繼續比較SAC和SDM模型,SDM模型的對數似然值更大且AIC值更小,模型擬合效果優于SAC模型。綜合以上分析,最終選擇使用SDM模型(表8)。

表8 空間杜賓模型的回歸結果

續表

空間計量模型可揭示各地區之間的空間關聯特征,但空間計量模型的回歸系數并不能完全反映解釋變量對被解釋變量的作用。Lesage等[30]建議從求解偏微分的角度得到當某地區的解釋變量變化時對鄰近地區產生的平均溢出效應,然后進行統計檢驗。自變量的變化不僅影響本地區的因變量,而且可能影響其他地區的因變量。因此,將這種影響分別通過直接效應、間接效應和總效應展現,有利于剖析其作用特征。基于SDM模型測度,區分固定效應和隨機效應的直接效應、間接效應和總效應如表9所示。

表9 總效應、直接效應和間接效應的回歸結果

續表

從直接效應來看,海洋漁業產業結構優化對碳排放效率的影響是正向的,但并不顯著;海洋漁業經濟水平對碳排放效率具有顯著的正向影響,表明海洋漁業經濟發達地區的碳排放量更低;漁民收入對碳排放效率存在負向影響,表明漁民收入增加對環境的改善作用不明顯,有必要進行引導和規制;漁業科研投入在一定程度上抑制碳排放效率,推測原因是技術推廣更傾向于生產,即以效益為先而忽視環保,總體來看其作用是負向的;漁業對外開放水平對碳排放效率存在負向影響,推測原因是漁業進出口貿易刺激當地的捕撈和加工生產行為,從而增加能耗。

間接效應可反映變量的空間溢出效應。海洋漁業產業結構優化對碳排放效率具有顯著的負向作用,這是由于在海洋漁業產業結構調整初期,為保持經濟的平穩性,可能加大調整強度以暫時彌補調整帶來的損失,反而可能降低碳排放效率。地區之間對海洋漁業經濟資源的競爭可能抑制經濟水平近似地區海洋漁業的健康發展,從而削弱漁業低碳化發展的支持力度。漁民收入對碳排放效率的直接效應為負,間接效應為正,總效應顯著為負,表明漁民收入增長對于海洋漁業低碳化發展并無直接的促進作用。漁業科研投入在固定效應模型中的直接效應、間接效應和總效應都不顯著為負,而在隨機效應模型中的直接效應顯著為負,間接效應顯著為正,總效應不顯著為正,且2種模型中的空間系數都較小,表明漁業科研投入對于碳排放效率的影響極小。漁業對外開放水平的直接效應為負,間接效應為正,總效應為正,體現進出口貿易的“雙刃劍”特性:一方面,貿易逐利導致無度生產,造成負面環境影響;另一方面,貿易倒逼質量提升,改善生產的內、外部環境。

3 結語

本研究基于2008—2017年我國沿海9省(自治區)的面板數據,運用超效率SBM模型計算海洋漁業碳排放效率,并結合ArcGIS技術和空間計量方法,探討海洋漁業產業結構優化對碳排放效率的影響。實證結果顯示:①我國海洋漁業碳排放效率的地區差異顯著且波動強烈;海洋漁業產業結構優化水平具有顯著的空間集聚性,海洋漁業碳排放效率也存在一定的空間關聯,二者之間的影響作用具有空間效應。②海洋漁業產業結構優化、海洋漁業經濟水平和漁民收入對于海洋漁業碳排放效率具有顯著影響,這種影響不僅作用于本地區,而且輻射和擴散到鄰近地區;海洋漁業產業結構優化和海洋漁業經濟水平對碳排放效率的提升具有促進作用,而漁民收入在一定程度上降低碳排放效率;漁業科研投入和漁業對外開放水平同樣對碳排放效率產生一定的負向作用。

海洋漁業產業結構調整對于碳排放效率具有深刻影響,須以碳減排為目標,多措并舉,推進海洋漁業產業轉型升級。基于研究結果,提出3點建議。

(1)持續推進海洋漁業產業結構優化,加強區域間的產業合作。依托我國綿長的海岸線,形成經濟活躍的現代海洋漁業產業帶,通過區域間的橫、縱向交流,使相關要素在沿海地區充分流動,放大海洋漁業產業結構高水平地區的空間溢出效應,形成鏈條式觸發、適應、反饋和協同機制。理性應對產業結構調整初期的傳統結構紅利流失現象,保持區域內和區域間產業結構的適應性、協調性和可持續性。構建海洋漁業產業生態網絡,培育產業間的競合與共生關系,引導和促進產業的協同發展,將外部不經濟性內部化。

(2)提升漁民的環境保護意識和經營能力,大力研發并推廣綠色水產技術,為產業轉型升級提供技術支撐。打通跨地區、跨平臺和跨主體的水產技術合作通道,引導科研成果有效下沉以及技術與市場精準對接,尤其注重綠色生產經營技術的推廣,完善配套保障措施,針對不同的生產經營規模配套相應的技術標準,并通過資源整合優化經營主體,持續扶持和監督現代化海洋牧場建設,協調海洋漁業的生態效益和經濟效益。

(3)堅持“漁業走出去”戰略,在與國際市場的融合中改善產品結構和提升產品質量。完善跨區域的對外貿易風險預警與保障機制,強化海洋漁業對外貿易產品標準的把控和普及,降低“綠色貿易壁壘”的負面影響。