《Sustainability》:Measurement and Influencing Factors Analysis of Carbon Emission Efficiency in Coal Resource-Exhausted Cities in China
编辑推荐:
煤炭资源枯竭型城市(CRECs)的经济社会发展高度依赖煤炭资源。由于这种以高资源依赖为特征的发展路径不可避免地产生大量碳排放,亟需采取措施提高这些城市的碳排放效率(CEE)。然而,现有研究对这些城市CEE的空间溢出效应和区域异质性关注不足。为弥补这一空白,本研
煤炭资源枯竭型城市(CRECs)的经济社会发展高度依赖煤炭资源。由于这种以高资源依赖为特征的发展路径不可避免地产生大量碳排放,亟需采取措施提高这些城市的碳排放效率(CEE)。然而,现有研究对这些城市CEE的空间溢出效应和区域异质性关注不足。为弥补这一空白,本研究选取中国37个CRECs作为研究对象。研究人员采用SBM-DDF模型和GML指数,综合评估了2011年至2023年间这些城市CEE的静态特征和动态变化。随后,研究人员运用空间杜宾模型识别CEE的关键影响因素。实证结果显示,样本城市的平均CEE未达到生产前沿,总体处于中等水平并呈现波动趋势。推动所有地区CRECs的CEE增长的主要因素是技术进步。西部地区CRECs的CEE增长最快(0.71%),其次是东北地区(0.36%)和中部地区(0.05%),而东部地区的CEE增长保持不变。邻近城市CEE每增加1个单位,本地CEE增长0.286个单位,这表明了空间溢出效应对区域可持续性的重要性。中国CRECs的CEE影响因素存在显著的区域异质性,需要制定差异化的可持续发展策略。
论文解读文章:
**研究背景与问题**
全球约70%的碳排放来自城市,城市被视为控制碳排放的主战场。煤炭资源枯竭型城市(CRECs)由于长期依赖煤炭资源,其高碳发展模式导致大量碳排放,绿色低碳转型成为其复兴的关键路径。中国已识别69个典型资源枯竭城市(县、区),其中37个为CRECs,占比53.62%,因此CRECs的低碳转型成效直接影响中国资源枯竭城市绿色转型的整体效果。然而,现有研究对CRECs的CEE测度不够系统,尤其缺乏对空间溢出效应和区域异质性的深入分析。多数研究集中于资源型城市的一般CEE,忽略了资源枯竭城市的特殊性,且现有分析多采用非空间方法,如Tobit回归,未考虑城市间的空间依赖性。因此,本研究旨在填补这一空白,通过测度中国37个CRECs的CEE并识别其关键影响因素,为制定针对性的低碳转型政策提供实证支持。
**研究内容与结论**
研究人员选取2011年至2023年中国37个CRECs的面板数据,数据来源包括《中国城市统计年鉴》、《中国能源统计年鉴》、各省市统计年鉴、国民经济和社会发展公报以及全球大气研究排放数据库(EDGAR)。研究首先采用SBM-DDF模型进行静态测度,随后运用GML指数分解决态变化,最后构建空间杜宾模型(SDM)分析影响因素。实证结果表明,样本城市的平均CEE未达到生产前沿,总体处于中等水平,且呈波动趋势。技术进步是推动所有地区CRECs的CEE增长的主要因素。西部地区CEE增长最快(年均0.71%),其次是东北地区(0.36%)和中部地区(0.05%),东部地区CEE增长保持不变。空间溢出效应显著,邻近城市CEE每增加1个单位,本地CEE增长0.286个单位。影响因素分析显示,CEE的驱动因素存在显著区域异质性,需因地制宜制定政策。
**关键方法**
主要技术方法包括:
1. SBM-DDF模型:用于静态CEE测度,结合非径向SBM和方向距离函数,处理投入产出冗余和不良产出。
2. GML指数:用于动态CEE变化分解,区分效率变化(EC)和技术变化(TC)。
3. 空间杜宾模型(SDM):用于识别CEE影响因素,考虑空间依赖性和溢出效应。
样本队列为中国37个CRECs,包括16个地级市、20个县区级单位和矿区,数据缺失值通过线性插值处理。
**研究结果**
**静态评价**:2011-2023年,37个CRECs的平均CEE未达生产前沿,衡阳、徐州等8个城市平均CEE在0.8-1之间,其余29个城市在0.6-0.8之间,均处于中等水平,存在较大提升空间。区域层面,东部和中部平均CEE为0.77,高于全国平均(0.76),西部和东北为0.74。CEE时间序列呈波动趋势,2016年达到峰值,2020年为谷底,2021年回升,反映国家“双碳”目标政策干预效果。
**动态变化**:整体CEE年均增长0.27%,技术进步年均增长0.88%,而技术效率下降0.28%,表明技术进步是主要驱动力。分区域看,西部CEE增长最快(0.71%),东北和中部次之(0.36%和0.05%),东部保持不变。GML指数分解显示,9个城市(如徐州、衡阳)的CEE增长由EC和TC共同驱动,7个城市(如淮北、萍乡)仅由TC驱动,3个城市(如兰州、阜新)仅由EC驱动;多数GML指数低于1的城市EC低于1,表明技术效率下降是CEE降低的主因。
**影响因素分析**:Moran's I检验显示CEE存在显著空间自相关,LM检验和Hausman检验支持采用随机效应SDM。回归结果显示,经济发展水平(LED)在东部、中部和东北地区有显著正向直接效应,但西部不显著;城市化水平(LU)在东部和中部有显著负向间接和总效应,在西部有显著正向总效应;产业结构(IS)在东部有显著负向间接和总效应,在西部和东北有显著正向直接效应;能源效率(EE)在所有地区有显著正向直接效应;政府干预(LGI)在西部有显著正向间接和总效应,在东北有显著负向直接和总效应;开放度(DO)在中部有显著负向直接效应,在东北有显著负向间接和总效应。SUR检验证实除DO外,其他变量系数在区域间差异显著。
**讨论与结论**
研究发现,CRECs的CEE提升受技术进步主导,但技术效率受政策影响显著,如“双碳”目标后技术效率持续改善。空间溢出效应表明区域协作对碳减排至关重要。影响因素区域异质性要求差异化策略,例如东部应提高LED、降低IS比重,中部应提高LED和开放度,西部应利用国家政策推进城市化和工业升级,东北需增加绿色投资和低碳贸易。研究结论强调,提高CEE是CRECs低碳转型的核心,政策应注重技术推广、区域协同和因地制宜。
**结论部分**:本研究通过SBM-DDF模型和GML指数测度中国37个CRECs的CEE,并运用SDM分析其影响因素。主要结论包括:CEE总体处于中等水平,技术进步是主要驱动力;西部CEE增长最快;空间溢出效应显著;影响因素存在区域异质性。建议包括:加强政策连贯性、构建跨区域协作联盟、提高能源效率、实施差异化转型策略。