低碳技術效率、技術差距與低碳化水平演變
——基于生產部門異質性的對比與預測

董 梅，陳 強

(1.江蘇師范大學 商學院，江蘇 徐州 221116；2.江蘇師范大學 江蘇圣理工學院，江蘇 徐州 221116)

一、引言

綠色低碳發展是實現中國經濟“高質量發展”理念和深化供給側結構性改革的題中之意，也是應對能源需求矛盾和氣候變化的內在要求。中國工業化和城鎮化進程導致能源消費快速增加，帶來日益突出的環境問題。依據《中國統計年鑒》數據，2020年中國能源消費達到49.8萬噸標準煤；依據《BP世界能源統計年鑒2020》的數據，2019年中國產生98.25億噸二氧化碳(以下簡稱碳排放)，占全球總碳排放的28.78%。在此背景下，中國政府逐步落實黨的十九大報告中提出的“積極參與全球環境治理，落實減排承諾”，有效降低碳排放增速。就碳減排政策而言，行政型政策是中國現階段的主導減排政策，未來會積極地向碳交易為主的市場型政策轉變。在此基礎上值得思考的是：以碳排放為非期望產出，中國低碳效率呈現何種特征？低碳無效率的主要因素有哪些？低碳全要素生產率(LTFP)呈現何種歷史演進與預期走向？影響LTFP變動的因素有哪些？各部門實際生產技術對前沿生產技術的追趕潛力和追趕難度如何？如何評價各部門低碳化水平？碳減排政策有助于生產部門的低碳化進程嗎？通過回答這些問題，有助于明確現階段和未來低碳績效的演變特征，為相關決策部門的政策制定提供有益參考。

二、文獻綜述

當前，與低碳相關的效率評價研究不斷涌現，其結論在部分層面達成共識。以下分別從研究方法和研究視角兩個維度對以往文獻進行梳理。

與低碳相關效率評價的研究方法中，考慮非期望產出的DEA模型應用居多。F?re等最早提出方向距離函數(Directional distance function，DDF)，較好地解決了與環境污染相關的“非合意”產出效率問題[1]。Tone提出非徑向非角度的SBM(Slacks-based measure)模型，有效地處理了投入指標和產出指標松弛測度的問題[2]。此后，F?re等基于SBM模型的一些改進，評估煤炭發電企業的環境效率，并在后續研究中對模型不斷完善[3]。在生產率動態分析中，比值結構的Malmquist指數被廣泛應用，隨后，具有相加結構的Luenberger指數[4]，以及Malmquist-Luenberger指數[5]相繼出現，Boussemart等認為與Luenberger指數結果相比，Malmquist-Luenberger指數對生產率的估計值過高[6]。近年來，包含環境因素的DEA模型效率分析在國內相關研究中也應用廣泛，例如陳詩一[7]、蔣偉杰和張少華[8]著眼于細分行業的生產效率分析；盛丹和張國鋒[9]著眼于企業的生產效率測算。此外，效率模型還在不斷改進和拓展[10]，但DEA模型中基于SBM模型的效率分析頻次很高。

與低碳相關效率評價的研究視角可分三類：一是包含環境因素的靜態效率測算和無效率分解，以及動態全要素生產率(TFP)測算及因素分解。這類文獻非常廣泛，如王兵等[11]、劉瑞翔和安同良[12]、汪克亮等[13]、李小勝[14]、李平[15]、邱士雷[16]的研究均是以中國省際或城市為評價單元，測算各時點的環境效率，并評價各投入要素的無效率、期望產出和非期望產出的無效率情況，探尋影響環境效率的因素，隨后從時間序列動態角度測算環境效率的增長率變動，即環境全要素生產率，并將其分解為技術效率變動、技術進步，以及其他相關評價指標。二是基于動態LTFP分析中共同前沿和群組前沿的關系，擴展出技術差距的分析。這類文獻將評價單元分為若干個群組，分析群組前沿和共同前沿的效率差距，如康玉泉和孫慶蘭[17]從兩種前沿差距延伸出將潛在碳減排量分解為管理失效導致的碳減排量和技術差距導致的碳減排量；劉海英和劉晴晴[18]聚焦工業碳減排中省際的技術差距；周五七[19]將兩種前沿的效率構造出純技術追趕和潛在技術相對變動指標。三是對綠色發展水平(或低碳發展水平)的測算。這類文獻最常見的思路是通過搜集眾多與綠色發展相關的指標，構建評價指標體系，借助綜合指數法、熵權法、指標特征賦值等方法，對省際或城市的綠色化水平進行測算，如劉凱等[20]測算中國289個地級市的綠色化水平，并將其分為四個象限；顧偉和葛幼松[21]、周小亮和吳武林[22]、史敦友[23]、李榮杰等[24]關注中國省際綠色發展水平的空間差異；曹洪和史敦友[25]聚焦中國省際工業綠色化結構協調度測算；王宇等[26]不僅關注綠色轉型測度，而且研究綠色消費的貢獻；陳曉和車治輅[27]采用綠色TFP的增長率對經濟增長率的貢獻，與生產要素對經濟增長率的貢獻之比作為評價綠色轉型水平的評價指標，依此將中國30個省歸為綠色發展水平改善和惡化兩大類。

以上研究在低碳效率、技術差距和低碳化水平測算等方面提供了較為完整的理論支撐，但仍存在以下不足：一是只關注歷史期效率分析，未能將其用于預測分析，拓展未來效率趨勢的預判。二是絕大多數文獻關注省、市間效率相關的異質性，而關注部門異質性的研究極少。三是雖然SBM模型應用廣泛，但其將距離被評價單元最遠的點作為投影點的設計存在不足，應該以最短路徑達到前沿，以此提高評價單元改進的積極性。四是在投入和產出指標選擇上未能達成一定共識，尤其在投入和非期望產出的指標選擇上差異較大。

基于此，本文試圖在以下四個方面進行拓展：第一，利用包含碳排放的歷史期(2002年、2007年、2012年)細分部門的投入產出數據，以及動態CGE模型得到的預測期(2017年、2022年、2027年)投入產出數據，分別測算各時期低碳效率和低碳全要素生產率(LTFP)變動，對碳減排情景的未來趨勢做預判。第二，構造低碳化水平指標，評價各部門的低碳化進程。第三，重點關注部門間的異質性分析，包括低碳效率、LTFP變動、技術差距和低碳化水平，以評判各部門低碳化潛力。第四，將MinDS模型與Luenberger生產率指數用于效率評價分析，彌補SBM模型的不足。

三、數據來源與研究方法

(一)數據來源

本文以《中國投入產出表》相關數據和動態CGE模型的模擬預測數據為基礎，構建一系列公式，旨在分析各部門低碳技術效率、技術差距和低碳化水平演變的特征。因涉及變量較多，表1列出文中主要的指標及含義說明。

表1 主要指標及含義

研究分為兩個時期，即歷史期(2002年、2007年和2012年)和預測期(2017年、2022年和2027年)。

就歷史期的數據來源而言，其投入指標源于《中國投入產出表》。因各年投入產出表中部門細分并不一致，本文依據部門間關聯性，將其合并統一為28個生產部門。依據投入產出表中基本流量表編制社會核算矩陣(SAM表)，提取SAM表中能源投入(e)和中間投入(int)，并將表中的資本收益與勞動力報酬指標合并為資本-勞動力投入(v)，以上細分部門的三組矩陣即為投入指標。歷史期的期望產出為細分部門的增加值(y)。歷史期的非期望產出是采用IPCC2006提供的方法估算的碳排放(c)。需要說明的是，部分文獻將SO2、COD(化學需氧量)和氮氧化物等污染物也作為非期望產出，例如，魏楚等[28]認為這些污染物減排成本相對較小，而CO2因其技術限制，減排成本較高，更符合期望產出與非期望產出的“零點關聯性”假設，因此本文僅將碳排放作為非期望產出。

就預測期的數據來源而言，其投入、期望產出和非期望產出數據均是通過構建動態CGE模型，以及設計模擬行政型和碳交易情景得到的。與碳減排相關的動態CGE模型分析是本文的前期研究基礎，具體而言，為實現中國2030年碳強度比2005年下降60%的減排目標，若通過設計行政型碳減排政策情景，即模擬2012—2030年碳強度約束和非化石能源比重提高情景下經濟系統各項指標，提取的要素投入、增加值和碳排放預測值即為本文預測期行政型政策情景的數據基礎；若通過設計碳交易政策情景，即模擬2012—2030年覆蓋10個重點部門的市場型碳排放權交易情景下經濟系統各項指標，提取的要素投入、增加值和碳排放預測值即為本文預測期碳交易政策情景的數據基礎。因行政型情景和碳交易情景的動態CGE模型設計與模擬較為復雜且方程眾多，鑒于篇幅所限，本文涉及的動態CGE模型構建和各碳減排政策情景設計的細節可參見已有文獻[29-31]。需要說明的是，為了與歷史期的三個時點間隔對應，并消除模擬值的震蕩，分別對預測期行政型情景和碳交易情景的模擬數據每五年求均值，以此形成2017年(2015—2019年均值)、2022年(2020—2024年均值)和2027年(2025—2029年均值)這三個時點值。

表2列出要素投入與產出指標的數據均值。其中，歷史期的投入均值都較低，v、e和int的投入價值量分別為26.504億元、7.823億元和52.484億元，該時期的期望產出為31.124億元，非期望產出為59.345億噸碳排放。由預測期數值來看，行政型情景和碳交易情景的投入和期望產出均比歷史期增加2倍及以上，非期望產出僅增加1倍，c的增幅低于y的增幅，說明碳減排政策具有顯著的減排效應。預測期，行政型情景和碳交易情景的投入和期望產出都很接近，后者的非期望產出c(123.65億噸)略高于前者(120.132億噸)。分群組來看，投入指標中，能源部門的e投入量最大，制造業和其他部門的int投入較高。產出指標中，其他部門的y最高，制造業部門在歷史期的c最高，而在預測期，能源部門和制造業部門的c基本持平。

表2 要素投入與產出指標均值

(二)研究方法

本文以28個生產部門為決策單元(DMU)構建低碳效率生產前沿，采用MinDS距離函數進行效率評估，通過Luenberger指數分析生產率的變化，進而計算技術差距和低碳化水平。

1.MinDS距離函數

Aparicio等提出至強有效前沿最小距離模型(Miniumum distance to strong efficient frontier DEA，簡稱MinDS)，該模型在SBM模型基礎上增加一組混合整數規劃約束，將被評價DMU的參考標桿限定在同一超平面，從而進行效率評價[32]。Aparicio假設經過SBM模型判定有效的DMU集合為E，即E={j|ρj=1}，再求解混合整數線性規劃獲得MinDS的效率值：

(1)

(6)Vi,Up,Wq≥1

(7)0≤λj≤M(1-rj),j∈E

(8)0≤dj≤M·rj,j∈E

(9)rj∈{0,1},j∈E

(10)∑jλj=1

(2)

(3)

式(2)中投入無效率IEI_k是資本-勞動力投入無效率IEv_k、能源投入無效率IEe_k和中間投入無效率IEint_k的算數平均數；同理，式(3)中的產出無效率IEo_k是期望產出無效率IEy_k和非期望產出無效率IEc_k的算數平均數。

2.Luenberger指數分解

被評價DMU數據為面板數據時，可采用相鄰時期技術效率的差值構造Luenberger生產率指數來分析生產率變動，其中t=2002，2007，2012，2017，2022，2027。

(4)

(5)

(6)

(7)

以上有關MinDS距離函數以及Luenberger指數分解的分析，均借助MaxDEA8.0軟件進行測算。

3.技術差距的動態分析

共同邊界效率函數是假設所有DMU的技術水平具有一致性，將所有DMU確定的生產前沿作為共同前沿(Metafrontier)。若不滿足技術水平同質性假設，將相同技術屬性的DMU分成一組，各組確定的生產前沿為群組前沿(Groupfrontiers)，共同前沿可看作是包絡所有群組前沿的生產函數。本文的28個DMU中，5個能源部門、15個制造業部門和8個其他部門在要素投入、能源消費、技術水平、生產工藝和產品屬性等方面均存在異質性，因此采用群組邊界效率函數。

將DMU對照各自群組前沿進行效率分析，能更科學地衡量該評價單元的效率水平和改進途徑，處于群組前沿的DMU仍有達到共同前沿的技術潛力。本文借鑒周五七[19]研究非期望產出的比率型MML(Metafrontier malmquist luenberger)指數的思路，結合加法型Luenberger生產率指數的特點，對共同前沿和群組前沿的關系做如下推導：

(8)

4.經濟增長低碳化水平的衡量

(9)

四、實證結果與相關分析

(一)低碳效率的實證分析

1.低碳效率測度和無效率分解

就歷史期分時點來看(見表3)，低碳效率得分ρ由2002年的0.812逐漸上升至2012年的0.908，該時期ρ均值為0.857。對無效率因素分解后發現，產出無效率均值(0.118)超過投入無效率均值(0.075)，說明包括增加值不足和碳排放過多的產出方面是無效率的主因。進一步比較產出無效率的子項，碳排放的無效率(0.127)略高于增加值的無效率(0.109)，說明碳排放過多導致無效率的因素更大一些。再觀察投入無效率的子項，能源投入無效率(0.127)超過另外兩種投入的無效率，說明能源投入過多是投入無效率的主因。綜合來看，若要實現歷史期低碳完全有效率，可通過降低投入和增加產出來實現，即v、e和int分別降低8.1%、12.7%和1.7%，可實現綜合投入降低7.5%;y增加10.9%和c降低12.7%，可實現綜合產出提高11.8%。

就預測期分時點來看(見表3)，其效率得分ρ比歷史期顯著增加，行政型情景和碳交易情景的ρ均值分別為0.946和0.952。就無效率分解來看，與歷史期相比，行政型情景和碳交易情景的投入與產出無效率都顯著下降，其中，行政型情景下，若v、e和int分別降低0.1%、5.2%和3.6%，可實現綜合投入降低3%，y增加1.3%和c降低6.3%，可實現綜合產出提高3.8%，由此實現預測期行政型情景完全有效率；同樣的，碳交易情景下，若v、e和int分別降低0.1%、5.3%和3.3%，可實現綜合投入降低2.3%，y增加1.3%和c降低6.8%，可實現綜合產出提高3.5%，由此實現預測期碳交易情景完全有效率。

表3 分時點低碳效率得分和無效率分解

2.低碳效率的部門異質性分析

就28個部門劃分的三大群組來看，各群組的ρ均值差異較大(見表4)。在歷史期，能源部門的效率得分均值(0.975)顯著高于制造業部門(0.833)和其他部門(0.828)。依據無效率分解(受篇幅所限，表4中未列出細分部門的無效率分解)，各群組碳排放過多仍是低碳無效率的主因。在預測期，各群組ρ均值與歷史期相比顯著提高。其中，行政型情景和碳交易情景下能源部門的ρ均值都為1，該數值一方面與本群組DMU較少有關，另一方面與這些子部門的生產技術同質性較高，使5個子部門在VRS假設下均處于前沿面有關。此外，兩種碳減排情景下制造業部門的ρ均值均高于其他部門該指標，即碳減排政策能更好地推動制造業部門的效率提升。比較行政型情景和碳交易情景的ρ均值可發現，行政型情景更有助于制造業部門提高效率，碳交易情景更有助于其他部門的效率提升。

表4 細分部門的低碳效率和LTFP增長率

聚焦三大群組內部的子部門比較，就能源部門的ρ來看，除歷史期的煤炭部門外，歷史期其余子部門和預測期所有子部門均在群組沿面，該結果與本群組DMU較少，以及子部門間的技術屬性接近有關。

就制造業部門的ρ來看，歷史期僅有化學產品、通信設備和計算機等、儀器儀表這三個子部門的ρ為1，該指標在0.8以下的有8個子部門。到預測期，制造業部門的ρ大幅提升，行政型情景下，僅有儀器儀表的ρ在0.9以下；碳交易情景下，僅有金屬冶煉和壓延、儀器儀表等的ρ在0.9以下。就低碳無效率的特征分析，歷史期各制造業子部門的投入和y無效率均很低，無效率主要是由碳排放較高導致的。在預測期，除金屬冶煉和壓延等部門外，其余14個制造業子部門的c無效率均為0，說明制造業的減排效應十分突出。

就其他部門的ρ來看，歷史期有4個部門不在前沿面，到預測期，各部門的效率得分均顯著提升。僅有建筑業的ρ是下降的。

綜上，低碳效率呈現如下特征：首先，與歷史期相比，預測期的效率得分ρ有大幅提升。其次，預測期的行政型情景對制造業部門群組的效率提升作用更大，碳交易情景對其他部門群組的效率提升助推更多。最后，無論歷史期還是預測期，能源投入過多是投入無效率的主因，碳排放過多是產出無效率的主因。

(二)低碳全要素生產率的實證分析

1.低碳全要素生產率測度及分解

就歷史期來看(見表5)，LTFP指數平均下降3.7%，其中2002—2007年該指數平均下降15.9%，這是由于該時期出現重工業化的過程，房地產和汽車工業迅速發展，資源密集型行業急劇擴張，能源消費快速上升，導致碳排放增幅較大；2007—2012年LTFP指數平均上升8.5%，此階段對應“十一五”時期加大節能減排力度，首次將能源強度下降作為約束指標，其后的“十二五”時期更是將能源強度與碳強度的“雙降”作為目標約束，使能源消費和碳排放增速得到有效控制。

就預測期來看，行政型情景和碳交易情景的LTFP增長率分別下降5.5%和3.9%。對LTFP指數變動進行因素分析發現，行政型情景和碳交易情景的LTC指數分別下降6.4%和5.1%，而這兩種情景的技術效率LEC指數則分別增加0.9%和1.1%，說明技術進步LTC指數下降是該時期LTFP增長率降低的主因。

就技術進步的偏向型分析來看，表5中LTC指數大多為負值，說明在包含碳排放的LTFP評價下，歷史期和預測期的多數年份里，技術進步都沒有真正“進步”，無法有效推動技術邊界前移。LOBTC和LIBTC指數在絕大多數年份不為0，說明技術進步并非完全中性。所有LOBTC指數均為正，且絕大多數數值都大于LIBTC指數，說明產出偏向型技術進步更有價值，即促進y增加和c減少的技術應用能更好激勵決策單元推動其技術邊界。

表5 分時點低碳全要素生產率變動及分解

2.低碳全要素生產率的部門異質性分析

對比三大群組LTFP指數的均值(見表4)，無論是歷史期還是預測期，各群組的該指數均為負值。其中，歷史期能源部門群組的LTFP指數均值降幅最大(10.1%)，其次是其他部門群組(6.5%)，降幅最小的是制造業部門群組(0.2%)。在預測期，行政型情景和碳交易情景下的能源部門群組的LTFP指數均值降幅分別為9.1%和10.7%，其他部門群組的該指數降幅分別為7.2%和6.3%，而制造業部門群組在碳交易情景的該指標降幅(4.3%)超過行政型情景(1.5%)。分解各群組LTFP指數變動的因素(受篇幅所限，未列出細分部門的LTFP分解為LEC與LTC的數據表)，在歷史期，能源部門群組和制造業部門群組的技術退步(即LTC指數為負)是導致該群組LTFP指數均值下降的主因，其他部門群組的LTC指數基本不變。在預測期，三大群組的技術退步都較為顯著，因此對LTFP指數產生抑制。

就能源部門群組內各子部門的LTFP指數變動來看，在歷史期，電力、成品油和煤炭的LTFP指數分別上升19.7%、14.7%和14%，天然氣的LTFP指數降幅最大，原油的LTFP指數小幅下降。究其原因，除煤炭由效率改善(LEC大于0)促進LTPF指數上升外，其余能源子部門的LTFP指數變動均受技術進步LTC指數的同向影響。在預測期，煤炭和電力的LTPF指數上升，其余三個能源子部門的該指標均是下降的，其降幅也均受LTC指數的同向影響。

就制造業部門的LTFP指數變動來看，在歷史期，有9個子部門的LTFP指數呈現增加，其中，金屬冶煉和壓延等、食品和煙草、通用和專用設備的LTFP指數增幅超過20%；在LTFP指數下降的6個子部門中，儀器儀表和其他制造產品的該指標降幅超過20%。在預測期，有11個制造業子部門的LTFP指數上升。該時期LTFP指數下降的4個子部門中，儀器儀表的該指數降幅超19%，其他制造產品的該指標降幅超過61%。分解LTFP指數變動因素，發現制造業部門的LTFP指數與LTC同向變動。

就其他部門的LTFP增長率變動來看，在歷史期，其他行業、批零餐住等和建筑業的LTFP指數上漲較多，LTFP指數降幅較大的有水的生產和供應、非金屬和其他礦采選等，這些變化均是由LTC指數下降引起的。在預測期，行政型情景下，僅有農林牧漁水利和交郵倉儲等的LTFP指數為正，碳交易情景有4個子部門的LTFP指數為正，且增幅很小。

綜上，可總結LTFP變動的規律：①LTFP指數在歷史期和預測期均是下降的，預測期的LTFP指數降幅超過歷史期。②技術進步LTC指數下降是LTFP指數降低的主要原因，且產出偏向型技術進步對提升LTFP指數增加更有效。③三大群組中，LTFP指數降幅最大的是能源部門群組，其次是其他部門群組，制造業部門群組的該指數降幅最小。

(三)技術差距的部門異質性分析

就歷史期的技術差距分析來看(見表6)，PTCU總均值(-0.059)小于0，說明將各部門該指標平均后，群組前沿并未向共同前沿靠近，沒有技術追趕效應，技術差距每兩期以5.9%的速度拉大；FTRC總均值(0.05)大于0，表明共同前沿的技術進步速度超過群組前沿，且兩種技術前沿的差距每兩期以0.5%的速度拉大，群組前沿向共同前沿的追趕難度增加了。細分三大群組的技術差距，歷史期各群組該指標差異較大，其中，其他部門群組的PTCU均值大于0，即該群組的生產技術向共同邊界靠近，實際生產技術向前沿生產技術的追趕效應明顯；該群組的FTRC均值小于0，說明其技術進步速度超過共同前沿，追趕難度變小。能源部門和制造業部門的PTCU均值均小于0，即這兩個群組前沿對共同前沿都沒有技術追趕效應。就追趕難度來看，能源部門群組的FTRC均值小于0，說明追趕難度是下降的，而制造業群組FTRC均值大于0，說明其追趕難度提高了。

就預測期的技術差距分析來看，行政型情景和碳交易情景的PTCU總均值都大于0，即實際生產技術與潛在生產技術之間的差距每兩期分別以3%和4.1%的幅度縮小，技術追趕效應顯著；同時，這兩種碳減排情景的FTRC總均值都小于0，群組前沿的技術進步速度快于共同前沿，技術追趕難度降低。分群組來看，在預測期的制造業部門群組，行政型情景和碳交易情景下的PTCU均值都大于0，技術追趕效應明顯，且這兩種情景的FTRC均值都小于0，技術追趕難度變小。而另外兩個群組中，僅有碳交易情景下能源部門群組有技術追趕效應。

就細分部門的技術差距來看，歷史期中，技術追趕效應較大的部門有建筑業和交郵倉儲等。該時期，技術追趕難度降低較多的部門有化學產品、交郵倉儲等和天然氣。在預測期，制造業群組中大多數子部門的技術追趕效應都很顯著，且技術追趕難度也在減小，由此說明碳減排情景對制造業部門的技術促進與效率提升起到積極推動作用。而其他子部門中，僅有成品油的技術追趕比較顯著。

綜上，各部門群組前沿與共同前沿的技術差距有以下特點：①歷史期，僅有其他部門群組對共同前沿有技術追趕效應，且追趕難度減小。②預測期，制造業部門群組對共同前沿的技術追趕效應非常顯著，且追趕難度同步降低，說明碳減排政策更有助于制造業部門群組追趕前沿技術。

(四)經濟增長低碳化水平的部門異質性分析

依據式(9)測算各部門的經濟增長低碳化水平(簡稱低碳化水平)，需要先通過C-D生產函數估計v、e和int在各時期的產出彈性。歷史期這三種投入要素的產出彈性分別為0.551、0.089和0.36，在預測期行政型情景下分別為0.964、-0.001和0.036，在碳交易情景下分別為0.957、0.003和0.04。由各投入要素的產出彈性變化可知，e的產出彈性遠小于另兩個投入要素的該指標，說明能源投入增速遠小于產出增速；v的產出彈性最高，且從歷史期的0.551增至預測期超過0.95，說明勞動力和資本投入對產出的影響很大。int的產出彈性從歷史期到預測期大幅下降。

由式(9)計算得到的各部門低碳化水平LEG如表6所示。歷史期和預測期的LEG總均值都為負，說明低碳化水平總體是下降的。分群組來看，除了歷史期的能源部門群組外，各部門群組的低碳化水平也都是下降的。

表6 細分部門的技術差距和低碳化水平

LEG均值難免受到個別部門極端值的影響，細分部門的低碳化水平能更清晰地展示各部門低碳化進程，判斷其低碳發展潛力。

就歷史期細分部門的LEG來看，電力(0.321)、成品油(0.283)、金屬冶煉和壓延等(0.238)的該指標位于前三，這些部門產出增長率更多的來源于LTFP指數的提高，減排潛力較好。其他制造產品等(-1.259)、水的生產和供應(-0.994)、儀器儀表(-0.692)的LEG數值均在-0.5以下，但這些部門的產出和碳排放的比重都較低，對整體經濟增長方式的低碳化轉型影響有限。

就預測期來看，交郵倉儲等、通信設備和計算機等、通用和專用設備、食品和煙草、化學產品、煤炭、非金屬礦物制品、金屬冶煉和壓延等、交通運輸設備、造紙印刷和文教等10個子部門的LEG在0.1以上，這些部門中包含碳減排的重點行業(如化學產品、非金屬礦物制品、金屬冶煉和壓延等、交郵倉儲等)，這些行業的低碳化進程對整體經濟增長方式轉變有重要影響。

綜上，28個部門中有14個部門在歷史期和預測期的低碳化水平均為正，即低碳化水平上升，僅有5個部門的低碳化水平在歷史期和預測期均為負，即低碳化水平下降；紡織品、金屬礦采選產品、非金屬和其他礦采選等3個部門的低碳化水平由歷史期的負值轉化為預測期的正值，即共有17個部門在預測期的低碳化水平提高了，說明碳減排政策能有效促進大多數生產部門的低碳化進程。

五、結論

本文基于歷史期，以及動態CGE模型得到預測期的投入、期望產出和非期望產出數據，通過MinDS模型和Luenberger生產率指數，測算低碳效率、低碳全要素生產率LTFP，進而分析技術差距和低碳化水平，關注各指標演變的部門異質性。研究的主要結論如下：

第一，總體來看，就低碳效率而言，歷史期該指標均值為0.857，預測期行政型情景和碳交易情景下的該指標分別上升至0.946和0.952，碳排放過多是低碳無效率的主要原因。就LTFP變動而言，歷史期該指數平均下降3.7%，預測期行政型情景和碳交易情景下LTFP指數平均降幅為4.5%和6.0%，技術進步乏力是LTFP指數下降的主要原因，產出偏向型技術進步更有助于LTFP指數提升。

第二，就部門群組異質性來看，歷史期能源部門群組的效率得分顯著高于制造業部門群組和其他部門群組。預測期的行政型情景對制造業部門群組的效率提升作用很大，碳交易情景對其他部門群組的效率提升助推較多。預測期能源部門群組的LTFP指數降幅最多，其他部門群組的降幅次之，制造業部門群組的LTFP指數降幅最小。技術進步乏力是各群組LTFP指數降低的主要原因。

第三，就技術差距特征來看，歷史期，僅有其他部門群組對共同前沿的技術追趕效應顯著，且追趕難度變小；預測期，制造業部門群組的技術追趕效應顯著，并有效縮減與前沿技術的差距。

第四，就低碳化水平來看，總體而言，低碳化水平沒有提高，但從細分部門來看，有14個部門在歷史期和預測期的低碳化水平都為正，有17個部門在預測期低碳化水平上升，說明碳減排政策對生產部門的低碳化進程有顯著推動作用。

第五，就兩種碳減排政策情景來看，與行政型情景相比，碳交易情景的低碳效率總均值更高，LTFP增長率平均降幅更小，碳交易情景下的技術追趕效應也超過行政型情景。因此，碳交易這一市場型減排政策更有利于未來低碳化發展和經濟增長方式轉變。