電力全要素碳排放效率及收斂性研究

王喜平，王素靜

（華北電力大學 經濟管理系，河北 保定 071003）

0 引言

電力行業在社會經濟發展中具有支柱性作用，同時也是我國碳排放的主要來源。電力行業碳排放在全國占比超過 40%，其碳減排效果對我國整體碳減排目標的完成具有直接影響。我國不同區域在經濟水平、技術條件、資源稟賦等方面具有顯著差異，電力生產技術存在較強的異質性。這意味著要促進電力行業碳減排必須準確測算不同區域的電力碳排放效率并深入分析其增長來源。

在低碳化發展背景下，碳排放效率的測算問題受到國內外學者的密切關注。學者們大致從單要素和全要素2個視角對碳排放效率進行測算。文獻[1]使用單要素碳生產率（即單位二氧化碳的GDP產出）對我國碳生產率進行研究。這一概念雖簡單易懂，卻忽略了能源、勞動、資本等要素的綜合影響。使用基于前沿函數的全要素生產效率，能更加全面準確地測算碳排放效率。目前構造生產前沿的方法主要有2種：一種是隨機前沿分析（SFA）。比如，文獻[2,3]考慮多投入產出要素，運用SFA方法對我國碳排放效率進行研究。SFA方法雖然考慮了多投入產出要素，但其單調性假設可能被拒絕；因此，目前最常用的是數據包絡分析（DEA）方法。為了對決策單元在生產過程中效率的動態變化及其驅動因素進行分析，Malmquist-Luenberger（ML）生產率指數，將Malmquist生產率和含非期望產出的方向距離函數相結合；該方法在動態效率的測算和分解方面具有顯著優勢[4-6]。

由于傳統的ML指數不具有傳遞性，因此文獻[7]考慮到全局跨期技術前沿，提出 global Malmquist-Luenberger（GML）。GML指數具有循環累積性，避免了不可行問題；但該指數沒有考慮到不同決策單元在投入產出過程中的技術前沿差距，忽略了區域間的技術異質性，因此需要引入共同前沿理論對碳排放效率進行全面分析。為此，文獻[8]基于GML指數構建了Meta-frontier GML（MGML）指數。

近年來，共同前沿理論被廣泛應用于碳排放效率的測算。文獻[9]從技術異質性角度構建了共同前沿ML指數對環境效率進行了測算。文獻[10]構建共同前沿全要素碳生產率，測算了2005—2015年我國省際工業碳排放效率。文獻[11]用共同前沿 MGML指數測算了我國工業環境全要素生產率。文獻[12]針對我國高耗能產業，構建了共同前沿 Malmquist碳排放效率指數，并將其分解為效率變動、技術變動和追趕效應3部分。文獻[13]運用共同前沿非徑向Malmquist指數，對我國鋼鐵碳排放效率進行研究。

在電力行業效率評價方面，學者們主要研究了電力行業整體環境或技術效率，而專門針對CO2排放效率的研究較少。文獻[14]把發電量作為產出變量，運用Metafrontier模型對我國電力產業區域技術效率進行比較分析，結果表明：東西部地區效率高于中部。文獻[15]將SFA和DEA方法相結合，基于3階段DEA模型測算了火電行業技術效率，結果認為：環境因素和隨機因素對投入冗余具有顯著影響。文獻[16]將電力行業CO2、工業SO2排放量和煙粉塵量共同作為非期望產出，采用超效率SBM-GML模型來衡量電力行業區域環境效率；研究表明：環境效率總體呈上升趨勢且空間上由東南向西北遞減。該研究僅把 GML指數分解為技術效率和技術進步，但忽略了技術差距的影響。文獻[17]利用 DEA-Malmquist指數對我國電力全要素碳排放效率進行測算；但該研究沒有將技術異質性考慮在內，且沒有對增長來源進行深入分析。

對于電力行業碳排放效率的測算，現有的研究通常假設不同省份具有相同或相似的生產技術。然而，我國各區域在經濟發展、資源稟賦、電力系統內部等方面的差異，使得不同地區能夠實現的潛在最佳生產技術因生產前沿的多樣性而不同。位于不同地區的省份可能存在不同的生產前沿，不同地區可以實現的潛在最優生產技術也各不相同。如果忽略技術異質性，研究結論就會產生偏差，從而很難找到差距產生的真正原因，最終誤導決策。此外，將不同地區的省份放在不同的生產前沿下進行比較，如果缺乏統一的標準，則會導致不同地區的省份之間的電力碳排放效率不具有可比性。

鑒于使用 MGML指數可以確定不同地區之間的技術差距并使之具有可比性，在現有研究的基礎上，本文進行了以下擴展：構建 MGML指數，從動態角度更加全面準確地測算我國電力全要素碳排放效率；考慮技術異質性的影響，將MGML指數分解為技術效率變化指數（EC）、技術進步指數（BPC）和技術差距比率變化指數（TGC），以深入揭示電力全要素碳排放效率的增長來源，分析其區域差異與動態演化；最后利用收斂性檢驗，分析這種差異是否會進一步擴大，從而為我國電力全要素碳排放效率的提升提供相關建議。

1 研究方法與數據來源

1.1 研究方法

1.1.1 非期望產出的SBM模型

DEA通過數學規劃將決策單元向生產前沿進行投影，然后通過比較決策單元與前沿面的距離來評價其有效性。傳統的DEA沒有考慮環境等負面因素的影響，也忽略了投入產出的冗余和不足問題，使得測度值可能有所偏差。

本文采用包含非期望產出的 SBM 模型測算效率。將發電過程中投入冗余、期望產出不足、非期望產出冗余帶來的松弛性問題納入目標函數和約束，以更加準確地測算效率值。模型建立如下。

在本文算例中：將每個省份視為一個決策單元（DMU）。用m、q1、q2分別表示DMU投入種類數量、期望產出種類數量和非期望產出種類數量。用xik、yrk和btk分別表示投入、期望產出和非期望產出的量。用分別表示投入冗余、期望產出不足和非期望產出冗余。λ為常數量。ρ越大，表示效率值越高；效率值為1表示決策單元處于有效狀態。

1.1.2 MGML指數

GML指數被廣泛應用于動態效率的測算。考慮到我國各地區電力生產技術的異質性，本文構建MGML指數，從動態角度衡量我國電力全要素碳排放效率。

在共同前沿方法中，技術缺口比率（TGR）為共同前沿技術效率與群組前沿技術效率的比率，表示共同前沿與群組前沿技術水平之間的差距。本研究中MGML指數可以定義為：

式（2）將電力全要素碳排放效率解構成3個因素。EC表示t期到t+1期群組技術效率變化，反映了技術落后地區向先進地區的追趕程度，可視為“追趕效應”。EC大于1表示技術效率提高，反之則下降。BPC表示t期到t+1期群組當期前沿與群組跨期前沿的接近程度，可視為“創新效應”。BPC大于1表示技術進步，反之則為技術退步。TGC表示t期到t+1期群組跨期前沿與全局跨期前沿之間的技術差距變化率，可視為“領先效應”。TGC大于1表示群組跨期前沿與全局跨期前沿之間的差距縮小，反之則擴大。

1.1.3σ收斂

本文使用變異系數來進行標準差σ收斂檢驗。若變異系數隨著時間的推移趨于下降，則說明存在σ收斂現象。σ計算公式為：

式中：MGML表示i地區的電力全要素碳排放效率指數；表示各地區電力全要素碳排放效率指數的平均值；變異系數

若t+1期的變異系數比t期小，則存在σ收斂。

1.1.4β收斂

運用以下模型進行電力全要素碳排放效率的絕對β收斂檢驗計算：

式中：MGMLi,t和MGMLi,t+1分別表示地區i在某一時段基期和末期電力全要素碳排放效率水平；表示基期到末期年均電力全要素碳排放效率增長率；α為截距項；εi,t為隨機誤差項。若式中β顯著為負，則表明電力全要素碳排放效率存在絕對β收斂，收斂速度為λ=-ln（1+β）。

本文在絕對β收斂檢驗的基礎上，進一步對我國電力全要素碳排放效率變化是否存在條件β收斂進行檢驗。綜合相關文獻，選用以下5個因素作為控制變量代入模型，即可得到條件β收斂檢驗模型：式中：X1、X2、X3、X4、X5分別代表經濟發展水平（地區實際GDP，以2003年為基準換算）、城鎮化水平（城鎮人口占總人口比重）、發電結構（火力發電量在發電總量占比）、電耗強度（用電總量除以GDP）、環境規制（工業污染治理投資完成額占GDP比重）。

1.2 變量選擇與數據來源

選取我國30個省（市、區）的電力全要素碳排放效率相關數據，使用MaxDEA軟件進行測算。基礎數據全部來自2003—2019年《中國統計年鑒》《中國電力年鑒》《中國能源統計年鑒》。

由于火力發電是電力行業碳排放的主要來源，因此以火力發電相關數據進行測算。

將資本、勞動和能源作為投入指標，火力發電量作為期望產出，發電碳排放量作為非期望產出。資本投入用發電裝機容量表示。由于沒有單獨的針對電力行業的就業人數統計數據，本文采取和電力行業相近的電力、熱力生產和供應業的就業人數對其表示。能源投入為火力發電消耗的能源，用發電標準煤耗與火力發電量的乘積來對其表示。對于電力行業碳排放量的計算，本文采用IPCC提出的碳排放測算法。對火電生產消耗的8種主要能源進行測算，計算公式如下：

式中：PCO2表示電力行業二氧化碳排放量；i表示化石能源種類；PE,i表示能源消費量；PEF,i表示碳排放系數；PNCV,i表示平均低位發熱量；PCEF,i表示平均熱值含碳量；PCOF,i表示碳氧化率；44/12是分子量比值。8種主要能源包括煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、天然氣。

2 電力全要素碳排放效率及動態演變趨勢

2.1 省域MGML指數及其分解效應

表1所示為我國分地區MGML指數及其分解結果。

表1 分地區MGML指數及其分解Tab. 1 Regional MGML index and its decomposition

對表1數據進行計算分析。

我國電力全要素碳排放效率在樣本期內以年均4.47%的速度增長，且大多數省份MGML均值都大于1，可見我國電力行業在節能減排方面取得了顯著成效。各省增長速度差異較大，其中四川年均增速高達 10.04%，海南則低至-0.73%。因此，需要進一步從技術效率、技術進步、技術差距等方面分析造成電力全要素碳排放效率增長差異的原因。

從分解效應來看，EC指數年均增長1.28%，技術效率的改善反映了當前我國大多數省份的電力行業資源配置效率逐漸提高，且在管理模式與制度安排等方面也得到優化。BPC年均增長2.27%，這表明隨著時間推移，群組當期前沿逐漸趨近于群組跨期前沿，區域實際電力低碳生產技術已經逐漸靠近區域潛在最優技術水平，技術創新效應比較顯著。TGC年均增長0.87%，說明我國區域潛在最優電力低碳生產技術與全國潛在最優電力低碳生產技術之間的差距在不斷縮小。綜上可知，電力全要素碳排放效率增長主要來源于技術創新，而技術效率和技術差距變化的貢獻較小。

從3大區域來看，MGML指數呈現西—中—東遞減的趨勢。東部地區電力全要素碳排放效率增速低于平均水平。東部地區改革開放早且發展迅速，電力生產技術已經處于全國領先水平，上升空間不大從而增長較慢。中西部地區電力全要素碳排放效率增長速度均高于東部地區，這是因為：中西部地區原本電力生產技術比較落后；近年來通過學習東部發達地區的技術經驗，加上充分利用能源資源優勢發展清潔能源發電，電力碳排放效率得到顯著提升。從各區域分解效應來看，3大區域EC、BPC和TGC均值都大于1，可見各地區在管理效率、制度安排和技術創新水平都有了一定的提高。東西部地區BPC指數較大，表明技術創新是電力全要素碳排放效率增長的主要動力。

近年來我國不斷推進電力行業節能減排技術以及低碳技術的改革與創新，電力碳減排成效顯著。從TGC指數可知，我國3大地區的區域差距在不斷縮小，逐漸趨近于全國最優生產技術水平。

總體而言，電力全要素碳排放效率呈增長態勢，MGML指數呈現西—中—東遞減的趨勢，區域差距有所減小。3大區域電力全要素碳排放效率增長來源不同：東西部地區主要依靠技術創新驅動，中部地區的效率增長則主要來源于技術差距的縮小。

2.2 MGML及其分解指數的動態演變趨勢分析

圖1所示為我國3大區域MGML指數的變動趨勢。

圖1 3大區域MGML指數的變動趨勢Fig. 1 Change trend of MGML index in three regions of China

由圖1可以看出，MGML指數波動較大，大部分年份為正增長。2003—2004年MGML指數增長幅度最大，達到12.21%；這與 2003年國家頒布了一系列保護資源環境的政策與措施，促使電力行業高度重視CO2減排工作有關。2011—2016年，電力全要素碳排放效率持續下降，2016年達到谷底，分析其原因為：在此期間，城市化進程的加速給電力行業碳減排工作帶來了巨大壓力。在“十三五”規劃期間，政府高度重視電力行業碳減排工作，2015年出臺的《關于進一步深化電力體制改革的若干意見》促使了新一輪改革路徑探索。于是，從圖1可以看到，2015年之后，MGML指數有所回升。

我國不同區域在不同階段的發展極不平衡，電力全要素碳排放效率動態變化趨勢也存在較大差異。總體來看，3大區域MGML指數的變化呈現較大的波動性。東部地區MGML指數在大多數年份都大于1，中西部地區的電力全要素碳排放效率的增長則比較低迷，整體呈現波動下降趨勢。

圖2所示為電力全要素碳排放效率及其分解指數的變動趨勢。

圖2 電力全要素碳排放效率及其分解指數變動趨勢Fig. 2 Change trend of total factor carbon emission efficiency of power industry and its decomposition index

由圖2可知，MGML和BPC指數的變化趨勢幾乎一致，這再次說明技術創新是電力全要素碳排放效率提升的關鍵。

圖2中，TGC指數呈現波動上升趨勢，而EC和BPC指數都表現出波動下降趨勢，其中BPC指數波動幅度最大。對EC和BPC指數的演變趨勢進行比較發現，技術效率和技術進步沒有實現齊頭并進，甚至出現相互背離的增減趨勢。導致這種現象產生的原因應在于：在所分析的數據期，電力低碳化發展主要依靠的是資金和技術投入，而忽視了資源配置效率的提高，存在電力價格扭曲、財政體制缺陷、管理模式落后以及人力資本水平較低等諸多缺陷，進而造成了技術效率變化與電力全要素碳排放效率增長背道而馳的現象。因此，在實踐中應該積極推進協調良性發展，共同推動電力全要素碳排放效率的提高。

圖2中，不同于EC和BPC指數的大幅波動，TGC指數變化非常平穩，大部分年份均穩定增長，這說明：我國地區之間電力低碳生產技術差距在不斷縮小，全國范圍內的電力全要素碳排放效率存在收斂現象。

3 電力全要素碳排放效率收斂性分析

由上述分析可知，不同區域之間電力碳排放技術的異質性導致電力全要素碳排放效率存在顯著差異，TGC指數顯示區域差距有所減小。為了進一步檢驗這種差距是否會隨時間的推移而縮小，本文分別采用σ收斂、絕對β收斂和條件β收斂模型對電力全要素碳排放效率的收斂性進行分析。

σ收斂檢驗結果如圖3所示。

圖3 電力全要素碳排放效率σ收斂Fig. 3 σ convergence of total factor carbon emission efficiency of electric power

由圖3可知，中西部地區MGML指數標準差均存在σ收斂，這表明：中西部地區電力全要素碳排放效率區域差距在逐漸縮小，而東部地區電力全要素碳排放效率差異將繼續存在。

此外，對各地區MGML指數的變異系數進行橫向比較發現，西部地區MGML指數的變異系數均值最大（0.094 8），東部次之（0.074 4），中部最小（0.047 2），這說明西部地區電力全要素碳排放效率的內部差異最大。原因分析：西部地區內部的各省經濟發展水平及環境狀況差異較大，既有經濟較發達的四川、重慶、陜西，也有欠發達的新疆、青海、西藏；西部大開發政策的實施更是擴大了這種差異。東部地區大部分為沿海發達地區，但各省之間的經濟水平和環境條件差距明顯。相比較而言，中部地區各省發展水平相當，在經濟基礎、環境狀況及發展戰略方面大同小異，使得電力全要素碳排放效率區域差距較小。

絕對β收斂檢驗結果如表2所示。由表2可見，3大區域的β值都顯著為負，這表明：3大區域電力全要素碳排放效率都存在絕對β收斂，各地區電力全要素碳排放效率能夠趨向相對同步增長，區域差距在不斷縮小。由于收斂速度λ與β絕對值呈正相關，因此可知東部地區收斂速度最快，西部地區次之，中部地區最慢，其原因在于：中部地區在經濟發展、技術條件及資源稟賦方面沒有明顯優勢；東部地區得益于優越的地理位置和較好的經濟基礎；西部地區則得益于國家的政策傾斜，例如西部大開發。

表2 絕對β收斂檢驗Tab. 2 Absolutely β convergence test

條件β收斂檢驗結果如表3所示。由表3可知，在加入控制變量后，東、中、西部地區系數β仍然顯著為負，這說明：電力全要素碳排放效率存在條件β收斂，也即表明各區域電力全要素碳排放效率會隨著時間的推移趨向于各自的穩態水平。由于各地區在生產技術方面的改進和管理效率的提升，各地區差距明顯縮小；收斂速度同樣呈東—西—中遞減的趨勢，分析其原因為：中部地區各省份發展政策及條件相似，本身差異不大，因此向自身穩態水平收斂的速度相對較慢；而東西部地區各省份內部條件存在較大差距，通過近幾年的快速發展，差距不斷縮小，收斂速度相對較快。建議：通過適當政策措施促進區域效率的穩態值趨于一致，縮小區域差距。

表3 條件β收斂結果Tab. 3 Conditional β convergence test

4 結論

4.1 研究結論

由于各地區社會經濟發展極不平衡，經濟水平、技術條件和資源稟賦等方面存在較大差異，導致區域電力生產技術存在明顯的異質性。

本文在技術異質性假定下，基于2003—2019年各地區面板數據，運用MGML指數對電力全要素碳排放效率進行測度并將其分解為技術效率變化指數、技術進步指數和技術差距比率變化指數，揭示了全要素碳生產率增長的來源，在此基礎上分析其區域差異及動態演化，最后通過σ收斂和β收斂模型分析電力全要素碳排放效率的收斂性。主要結論如下：

（1）我國電力全要素碳排放效率總體呈增長趨勢，年均增速為 4.47%，大部分省份電力全要素碳排放效率均表現為正增長。技術創新是促進電力全要素碳排放效率增長的主要原因，而技術效率提升和技術差距縮小的貢獻相對較小。

（2）3大區域電力生產技術存在明顯的異質性。電力全要素碳排放效率呈西—中—東遞減的增長趨勢且各區域增長來源不同。東西部地區電力全要素碳排放效率的增長依賴于技術創新，中部地區效率增長則主要來源于技術差距的縮小。

（3）中西部地區電力全要素碳排放效率均存在σ收斂特征。3大區域均存在絕對β收斂和條件β收斂，這說明各地區在朝著穩態水平趨近的同時區域差距也在逐漸縮小。

4.2 政策建議

（1）加大電力行業技術創新，充分發揮技術進步對電力全要素碳排放效率增長的驅動作用。調動電力企業積極性，增加研發投入，不斷加強智能電網建設，推進潔凈煤發電技術、二氧化碳捕集與封存技術等低碳技術的應用和創新。

（2）提高管理效率，優化資源配置。在促進技術創新的同時注重管理效率改善，進一步深化我國電力體制改革，提升電力行業市場化水平；通過培養高素質人才、改進管理方式等途徑，使技術進步和效率改善，促進電力全要素碳排放效率的提升。

（3）充分考慮地區電力生產的技術異質性，因地制宜采取差異化措施提高電力全要素碳排放效率水平。東部地區應繼續利用地理和政策優勢，引進先進技術和人才。西部地區充分利用能源資源優勢，大力發展風能、太陽能等清潔發電技術。中部地區要加強與東部地區電力行業的合作與交流，學習先進的技術和管理經驗。