ACTA Scientiarum Naturalium Universitatis Pekinensis
2007—2016年中国省域碳排放效率评价及影响因素分析 ——基于超效率Sbm-tobit模型的两阶段分析
北京大学学报(自然科学版) 第 57 卷 第1 期 2021 年 1 月Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 57, No. 1 (Jan. 2021) doi: 10.13209/j.0479-8023.2020.111
——基于超效率Sbm-tobit模型的两阶段分析
宁论辰1,† 郑雯2 曾良恩3
1. 清华大学附属中学, 北京 100084; 2. 中央财经大学国际经济与贸易学院, 北京 102206; 3. 北京大学城市与环境学院, 北京 100871; † E-mail: 1701214450@pku.edu.cn
摘要 利用超效率SBM模型, 对中国30个省级行政区(未包含西藏自治区和港澳台地区) 2007—2016年的碳排放效率进行实证分析, 并运用 Tobit模型探究影响碳排放效率的因素。结果表明, 省际碳排放效率分布不均衡, 北京的碳排放效率居全国首位。全国整体碳排放效率自2007年起小幅度下降, 2015年后略有提升。从四大区域来看, 居碳排放效率值首位的东部地区与末位的西部地区差距显著, 但西部地区的碳排放效率近几年逐渐提高, 有赶超中部和东北部地区的趋势。通过回归模型分析, 发现政府干预、能源强度、对外开放水平、能源结构和科技水平均对碳排放效率产生影响。因此, 建议政府结合区域间产业结构的不同和经济发展水平的差异, 针对不同地区分配碳排放目标, 优化对外开放结构, 促进能源结构升级。关键词 超效率 SBM 模型; Tobit 回归; 碳排放效率
为了实现中国经济的持续增长和进一步降低碳排放的双重目标, 提高碳排放效率是解决问题的关键。目前, 对碳排放效率的研究方法主要分为两大类: 一类是需要对效率前沿做出一系列的假设, 对多投入多产出的处理存在一定难度的非参数法; 另一类是利用线性规划, 能更好地处理多投入多产出问题的非参数法, 如数据包络分析方法(data envelopment analysis, DEA)以及进一步演化的SBM超效率(supper efficiency slacks-based measure, SE-SBM)模型, 此类方法的应用更加广泛。
国内外关于碳排放效率的研究成果颇多。Mukherjee[1]运用DEA模型评价印度工业制造的能源使用效率。国际能源署(International Energy Agency, IEA)运用 DEA分行业研究碳排放效率的区域性差
[2]异。Ramanathan[3]利用DEA, 从全球角度研究经济增长、能源消耗和二氧化碳排放三者之间的关
[4]系, 探究影响碳排放的因素。Maradan 等 通过区分发展中国家和发达国家, 利用DEA模型研究各国间碳减排成本的差异。国内学者魏梅等[5]和仲云云[6]等从全要素碳排放的角度, 运用DEA模型评价省际能源效率, 并对实现碳减排的可行性进行分析。王俊能等[7]研究我国环境效率在各省市的差异,并运用 Tobit回归模型探究其影响因素。马海良等[8]、王群伟等[9]和武春友等[10]分别研究我国三大
[11]经济区域全要素能源效率。孙秀梅等 基于DEA方法, 运用改进之后的超效率SBM模型, 客观地分析东西部地区碳排放效率的差异。
在“十二五”计划实施后的十年间, 中国总体碳排放效率是否显著提升, 省际碳排放效率差距如何,哪些因素影响碳排放效率水平? 本文基于这些问题, 运用超效率SBM模型, 对我国 2007—2016 年碳排放效率的静态和动态变化进行实证研究, 并利用 Tobit回归模型, 分析碳排放效率的影响因素。
1 研究方法
传统的DEA模型是基于径向距离函数, 单一地从投入或产出的角度对目标效率进行测算。然而在实际中, 径向的条件在很多情况下是不能完全满足的。为了处理这种非期望产出的问题, Tone[12–13]提出的SBM模型不仅是一个非径向的DEA模型,而且能够实现无效决策单元中效率值对当前状态与强有效目标值间松弛改进部分的测量, 克服了传统DEA模型的缺陷。但是, 利用SBM模型进行测算, 可能出现多个决策单元效率值为1的情况(完全效率) , 此时无法对相应的决策单元进行有效的评价。为解决此问题, 超效率SBM 非期望产出(supersbm-undesirable)模型得出的效率值不局限在小于1的水平, 允许效率值大于或等于1, 让各有效决策单元可以相互比较, 并按大小排序, 解决了多个决策单元完全效率的问题。在利用超效率SBM模型测度区域生态效率时,本文借鉴 Tone[12–13]的做法, 首先构建一个生产可能性集合, 将投入、期望产出和非期望产出都包括进去。假设每个城市是一个决策单元(decision making unit, DMU), 生产系统中有k个决策单元,其中含有m种投入要素, r1 种期望产出以及r2种非期望产出, 对应的向量为x∈rm, yg∈rr1 和 yb∈rr2,由此定义矩阵:
第i个投入、第s个期望产出、第q个非期望产出和第j个DMU线性组合系数。wi , ws d和wq u皆是松弛变量, 分别来自第i个投入、第s个期望产出和第q个非期望产出。pkt表示t期第k个DMU效率值。当且仅当 pkt为1 时, 第k 个 DMU 为 SBM 有效, 此时super-sbm-undesirable模型可以表示为
2 研究对象、数据来源及指标体系2.1 研究对象和数据来源
选择中国大陆30个省级行政区作为研究对象,并以2007—2016年作为研究时段。
劳动力数据来自各省2007—2016年统计年鉴,能源数据来自 2007—2016 年中国能源统计年鉴, GDP、固定资本形成总额、GDP价格指数和固定资产投资价格指数来自2007—2016年中国统计年鉴, 各项回归计算的数据结果来自2007—2016各省统计年鉴和中国统计年鉴。
2.2 指标选取2.2.1 投入变量
1)资本变量。大多数研究者采用 Goldsmith[14] 1951年提出的“永续盘存法”中的资本存量作为资本投入量的指标。资本存量的计算公式为
Qi,t = Ii,t + (1 − δi,t)qi,t−1, (3)其中, Qi,t 为i省第t年的资本存量, Qi,t−1 为i省第t−1年的资本存量, Ii,t 为i省第t年的投资, δi,t 为 i省第t年的固定资本折旧率。
[15]参考张军等 的研究成果, 本文以 2007 年为基期, 用基期年的固定资本形成总额除以10%, 作为该省区市的初始资本存量, 年折旧率δ为 9.6%,测算2007—2016年的数据, 再将得到的数据统一调整为以2007年为基期的相应值, 单位为亿元。
2) 劳动变量。由于劳动变量的统计受劳动质量和种类等多种因素的影响, 很难设定统一的标准,因此本文采用多数文献中的方法, 即用从业人员数(第一产业、第二产业和第三产业的从业人员数之和)来衡量劳动量。
3) 能源消费变量。历年《中国统计年鉴》中,已将其他能源统一折算成以万吨标准煤为单位的能源消耗量, 所以直接将各省市区2007—2016年的能源消耗总量数据作为能源投入指标, 单位为万吨标准煤。
2.2.2 产出变量
1) 期望产出。尽管很多学者对碳排放产出指标有不同看法, 但多采用GDP作为衡量一个地区经济产出的指标。本文采用地区GDP代表产出。为剔除通货膨胀的影响, 利用GDP平减指数, 将各省(市)各年的名义GDP进行折算, 得到以2003年为基期的实际GDP。2) 非期望产出。选取省级行政区历年的碳排放量作为指标。由于没有各省市直接的碳排放量数据, 本文采用基于IPCC《国家温室气体排放清单指南》2006版(IPCC 2006)的估算方法: l其中, CO2表示估算的二氧化碳排放量, l表示各种化石燃料(煤炭、天然气、焦炭、燃料油、汽油、煤油和柴油), NCV 为平均低位发热量, COF 为IPCC 2006提供的碳排放系数。具体数值见表1。
2.3 指标体系
根据投入指标和产出指标建立碳排放效率测算指标体系, 如表 2 所示。
3 碳排放效率实证分析
根据数值大小, 将二氧化碳排放效率分为有效、弱有效和无效3层标准。测算值<0.5表示该地区二氧化碳排放效率为无效, 处于[0.5, 1)区间表示该地区二氧化碳排放效率弱有效, ≥1表示该地区二氧化碳的排放效率有效。
3.1 碳排放效率值总体特征
根据本文构建的指标体系, 结合中国大陆 30个省级行政区 2007—2016 年相关数据, 利用超效率 SBM模型, 得出中国大陆30个省份 2007—2016年碳排放效率(表3)。计算 10年的平均值, 得出综合碳排放效率在全国的分布(图 1)。
从图 1和表 3 可以看出, 我国各省域间碳排放效率值分布不均衡, 从 2007 — 2016年的二氧化碳排放效率均值可见, 北京(1.179)、上海(1.056)和广东(1.069)碳排放效率均处于有效水平, 其他省份的碳排放效率均未达到有效水平。碳排放效率无效的省份高达24 个, 其中碳排放效率最低的3个省份均处于我国的西部地区, 分别为宁夏、青海和贵州,最低的为宁夏回族自治区(0.2351)。云南省碳排放
效率在样本年间波动最为剧烈, 标准差高达 0.210,其在 2016年碳排放效率由前年的 0.3037 迅速上升至 1.015, 达到有效水平。海南省波动程度次于云南省, 标准差为 0.071, 但波动趋势整体上呈下行状态, 由 2007 年的 0.6077的弱有效状态降至2016 年的0.3959。安徽、甘肃、江苏、山东、辽宁、湖南和陕西省在样本年间的碳排放效率表现稳定, 方差值均小于0.01。总体来看, 我国各省的碳排放效率十年来均值水平集中在 0.30~0.48 之间, 接近弱有效状态, 因此碳排放效率的改善空间巨大。
作为政治、经济和文化中心的北京, 碳排放效率排名第一的测评结果符合实际情况。作为国家政策的发出地, 北京能够迅速响应国家生态政策, 并且作为高科技和资本的聚集地, 为节能减排的调整提供了技术和资金支撑。西部的宁夏, 受到经济发展缓慢的限制, 难以提升碳排放率。
3.2 随时间演变的整体趋势
由图2 可见, 2007—2016年全国碳排放效率值在 0.480~0.508 之间波动, 整体上呈下降趋势, 说明全国范围内将经济建设放在首位, 对环境造成的负面影响认识不足, 碳排放效率没有显著地改善。在“十八大”召开后, 我国进一步推进绿色生态的建设和政策的落实, 发布《中国落实 2030 年可持续发展议程国别方案》, 加上 2015年巴黎气候大会召开后, 我国政府加大对碳排放的管控力度并注重效率的提升, 全国碳排放效率的均值明显上升。
3.3 四大区域碳排放效率水平差异
将全国划分为4个区域(东部、中部、西部和东北), 分别测算 2007—2016年碳排放效率的均值。从图3可见, 各区域的碳排放效率整体上较低, 均未达到有效水平, 且各区域之间碳排放效率的差异较大。东部地区碳排放效率均值为0.7135, 位于四大区域之首, 也是唯一达到弱有效水平的区域, 其次为中部地区和东北地区, 末位的西部地区碳排放效率仅为 0.3536, 与东部地区差距显著。
东部地区对外开放程度高, 地理位置优越, 能够及时获取技术的前沿讯息, 资金与人才资源充足,为实现绿色经济提供了强大支持, 因此逐渐拉大与中西部地区的碳排放效率差距。虽然中部地区经济发展水平略高于西部地区, 但由于区域内能源资源较为丰富, 而经济发展水平和技术水平无法支撑其实现能源的绿色开发, 导致资源浪费现象严重。作为老工业区域, 东北地区经济结构调整进度缓慢,能源日益枯竭, 人才流失严重, 碳排放效率逐渐落后于东部地区。西部地区受地理位置等要素所限,虽然资源开发程度低, 但吸引外资困难, 无法及时获得先进技术支持, 难以实现绿色经济。
3.4 四大区域碳排放效率的变化趋势
由图4 看出, 四大区域之间碳排放效率差距明显, 但各区域碳排放效率随时间变化的趋势相似。
1) 东部地区碳排放效率在 2007—2016 年间呈现先下降后上升的“U”型趋势。2007年碳排放效率为 0.7278, 之后呈递减趋势, 2010 年和 2012年略有上升, 但相应次年随即下降, 2014 年达到最低值0.6999, 2015年之后呈明显改善趋势。总体来看,东部地区碳排放效率一直高于全国均值, 处于国内领先水平。
自改革开放以来, 东部地区一直处于国内经济发展的中心, 对外开放程度不断扩大, 与其他国家之间联系密切, 引进先进的技术和管理经验, 碳排放效率不断提升。但是, 随着 2008年全球金融危机的爆发, 外贸依存度较高的东部地区经济发展水平首先受到冲击, 政府为保持稳定的经济增长, 实施扩张性的财政政策, 加大对国内基础设施和工业的资金投入, 碳排放强度提升, 再加上大批企业面临破产, 设备闲置, 难以引进先进的技术来实现高效率的生产, 因此碳排放效率至 2008 年之后一直走低。直至近几年, 全球经济复苏, 东部沿海地区经济发展重添动力, 碳排放效率逐渐改善。
2) 中部地区碳排放效率在 2007—2016 年间不断下降, 但下降幅度极小, 且在 2016年出现改善趋势。2007年碳排放效率为 0.4189, 为样本年间最高值, 2015年达到最低值 0.4047, 2016年缓慢上升至0.4073。总体来看, 中部地区的碳排放效率低于国内均值, 有一定的改善空间。
中部地区对外开放程度不及东部沿海地区, 因此受 2008年金融危机的冲击程度不及东部地区, 碳排放效率的下降幅度较小。由于中部地区能源资源丰富, 加上受去产能和环保政策限制的影响, 促使钢铁行业等高耗能的第二产业逐渐从东部向中部地区转移, 而中部地区又无法及时获取国内外先进的技术讯息, 因此碳排放效率落后于东部地区。
3) 东北地区碳排放效率在2007 — 2016年间有一定程度的波动, 但总体上保持稳定。2007年碳排放效率为 0.3984, 2013年上升至 0.4108, 2014 年降至 0.4031。总体来看, 东北地区碳排放效率低于全国均值水平, 并逐渐落后于中部地区。
作为我国的老工业基地, 东北地区的第二产业在产业结构中占绝对优势, 第三产业的占比虽然在近十年不断增加, 但增速缓慢, 与第二产业差距依旧较大, 加之人才不断流失等因素, 导致其碳排放率远远落后于东部沿海地区。东北地区的碳排放效率在 2013年之前不断上升, 呈改善趋势, 其原因可能是国家出台一系列政策, 帮助东北地区的企业转型升级, 引进先进技术, 发展清洁能源。然而, 2013年之后, 东北地区的经济发展速度骤降, 东北三省的 GDP增速处于全国后五位, 辽宁省 2015 和 2016年的经济增速处于全国最低水平, 经济发展状况堪忧, 碳排放效率2013年之后下滑, 存在很大的改善空间。
4) 西部地区碳排放效率2007 年为 0.3593, 之后呈明显的下降趋势, 2015年降至最低点 0.3364, 拖累全国均值水平不断下滑, 但在 2016 年碳排放率明显改善至 0.4046, 超过 2007年的初始水平, 全国均值水平也因此明显改善。
西部地区地处我国偏远区域, 能源储藏丰富,大部分处于未开发状态。自从实施西部大开发战略以来, 能源密集型产业蓬勃发展, 外资大量注入,第二产业的占比不断升高, 但技术水平和管理经验难以跟上, 当地政府注重基础设施建设和能源开发,忽视科技水平的提高和人才的培养, 能源浪费严重,碳排放效率不断下滑。2016年之后, 西部地区的碳排放效率明显改善, 其原因可能是 2015 年巴黎气候大会之后, 国务院发布《“十三五”控制温室气体排放工作方案的通知》, 在政策影响下, 西部地区重视能源开发对环境的负面影响, 不断优化开发环境, 提升发展质量, 从而提高了碳排放效率。
4 影响因素分析
为全面、深入地分析碳排放效率的影响因素及影响程度, 本研究以影响因素为自变量, 以DEA模型得到的效率值为因变量, 建立 Tobit 回归模型,用于判断自变量对碳排放效率的影响程度。结合资源型城市的特点, 选取对外开放水平(进出口贸易额/GDP总额)、能源结构(煤炭消费量/能源消费总量)、政府干预水平(财政支出/GDP总额)、科技水平(科研经费/GDP 总额)和能源强度等作为影响因素, 对碳排放效率进行回归分析, 结果见表4。对外开放水平与碳排放效率的相关系数为−3.1149, 并通过1%水平的显著性检验, 即对外开
放水平与碳排放效率之间显著负相关。一般而言,对外开放程度对碳排放效率的提升应起到一定的促进作用, 这是因为, 当一个地区与世界各地联系紧密时, 意味着更容易引进国外先进的技术和管理经验。但是, 表 4 显示, 对外开放程度在 2007—2016
[16]年间对碳排放效率存在负面影响。李锴等 也认为贸易对外开放增加了中国碳排放量和碳强度。原因可能是西部地区近年来不断扩大对外开放, 进出口贸易增速远超东部和中部地区, 但其进出口贸易却仍以能源密集型产业为主, 煤炭和石油等资源产量不断提升, 忽略开发技术的改进, 造成效率低下,抵消了对外开放水平对东部地区碳排放效率提高的正面影响。
能源结构与碳排放效率的相关系数为−4.88722,并通过5%水平的显著性检验, 即能源结构对碳排放效率的提高有反向抑制作用, 能源强度每上升
[17] 1%, 碳排放效率会相应地下降 4.88723%。魏厦认为通过清洁能源和可再生能源替代煤炭, 可以有效地提高碳排放效率, 减少碳排放。然而, 煤炭这种高碳排放量的能源是我国能源结构的重要组成部分, 高碳排放高污染低效率的能源消耗模式抑制了我国碳排放效率的改善。政府干预水平与碳排放效率之间的相关系数为28.2174, 并通过1%水平的显著性检验, 即政府干预与碳排放效率之间显著正相关。财政支出与GDP比值每增加 1%, 碳排放效率相应提高 28.21741%。王文举等[18]和赵鹏军等[19]认为, 政府的有效干预可以减缓地区发展的不平等, 改善全国的碳排放效率。因此, 政府的政策调节往往可以显著地影响一个地区的碳排放强度和资源配置。
科技水平与碳排放效率的相关系数为 276.608,并通过 1%水平的显著性检验, 即科学技术水平对
碳排放效率的提高具有明显的促进作用, 技术研发投入每提高 1%, 碳排放效率相应改善 276.608%。魏厦[17]提出, 技术创新推动的产业升级能极大地提高碳排放效率, 在保证经济增长的同时减少碳排放。因此, 技术水平是影响碳排放效率的重要因素之一, 技术水平越先进, 越能避免生产过程中能源的浪费。
能源强度与碳排放效率的相关系数为−5.961857,并通过1%水平的显著性检验, 即能源强度对碳排放效率的改善有负面影响, 能源强度每上升1%, 碳
[11]排放效率相应地下降 5.9619%。孙秀梅等 也认为, 能源强度对碳排放效率的提高存在负面影响。因此, 国内能源的大量排放仍是碳排放效率提高的一大障碍。
5 结论与建议5.1 结论
本文对 2007—2016 年全国及30个省级行政区的碳排放效率进行实证研究, 分析全国整体及四大经济区域的碳排放效率值总体特征和演变趋势及其影响因素, 得到如下结论。
1) 我国各个省域间的碳排放效率值分布不均衡, 特别是东部沿海地区(如北京、上海和广东)与西部地区碳排放效率值差距较大。
2) 从全国看, 碳排放效率值在2007 — 2016 年间有一定程度的起伏, 2007—2015年间碳排放效率值呈下降趋势, 在“十八大”政策的影响下, 2016 年全国碳排放效率值提高到0.5080, 达到弱有效水平,超过 2007年的初始值(0.4992)。
3) 从四大经济区域的总体特征看, 由于优越的地理位置和发达的经济水平, 东部地区的碳排放效率水平(0.7135)处于四大经济区域之首, 与其他3个区域差距较大, 也高于全国均值(0.4921); 中部地区和东北地区水平与全国均值相近; 西部地区的碳排放效率值拉低了全国均值, 仍有较大的改善空间。
4) 从四大经济区域的动态变化看, 2007—2016年间, 中部地区和东北地区的碳排放效率均值保持稳定, 均在 0.4 上下浮动, 而处于碳排放效率均值首位和末位的东部地区和西部地区波动幅度较大,且均呈U型。受 2008年金融危机的影响, 四大经济区域的碳排放效率均有下降趋势。
5) 从影响因素看, 政府干预和科学技术水平对碳排放效率的提高具有显著的促进作用, 而对外开
放水平、能源结构和能源强度对碳排放效率的改善具有显著的抑制作用。
5.2 建议
为改善我国碳排放效率水平, 实现 2020 年碳排放计划, 我们提出以下建议。
1) 应结合区域间产业结构和经济发展水平等客观情况, 针对不同地区分配差异化的碳排放目标,特别注重宁夏、青海和贵州三省二氧化碳排放强度的控制和二氧化碳排放效率的提升。同时, 鉴于东部地区, 特别是北京、上海和广东省与其他区域碳排放效率的差异较大, 要注重节能减排技术和先进管理经验从东部向中西部地区的扩散, 由东部地区带动中西部地区, 既保证能源的供应, 实现经济的持续增长, 又促进全国范围内碳排放效率的提升。
2) 优化对外开放结构, 提升外资注入质量。近年来, 西部地区的进出口贸易增速持续加快, 在引入外资、扩大对外开放水平的同时, 也要避免高碳排、高消耗能源的过度开发, 将西部地区以高污染能源为主的进出口贸易结构逐步优化为以技术密集型和清洁能源为主的贸易结构, 谨慎审查外商投资流向, 即注重先进技术和管理经验的引进, 提升碳排放效率水平。
3) 发展低碳经济, 促进能源结构转型升级。政府要鼓励企业自主研发高效清洁的能源利用技术,给予一定的技术指导和政策支持, 引入国际先进技术和管理经验。同样, 也要注重能源结构调整的区域差异性, 针对四大经济区域制定不同方向的能源结构优化路径, 建立完善、可实施并具有区域差异性的发展评价体系。
参考文献
[1] Mukherjee K. Energy use efficiency in the Indian manufacturing sector: an interstate ananlysis. Energy Policy, 2008, 36(2): 662–672
[2] International Energy Agency. Tracking industrial energy efficiency and CO2 emissions [EB/OL]. (2007– 07–25) [2018–10–13]. http://www.gbv.de/dms/weimar/ toc/537815406_toc.pdf
[3] Ramanathan R. A multi-factor efficiency perspective to the relationships among world GDP, energy consumption and carbon dioxide emissions. Technological Forecasting and Social Change, 2006, 73(5): 483–494
[4] Maradan D, Vassiliev A. Marginal costs of carbon dioxide abatement: empirical evidence from crosscountry ananlysis. Swiss Journal of Economics & Stats, 2005, 141(III): 377–410
[5] 魏梅, 曹明福, 江金荣.生产中碳排放效率长期决定及其收敛性分析.数量经济技术经济研究, 2010 (9): 43–52
[6] 仲云云, 仲伟周.中国区域全要素碳排放绩效及影响因素研究.商业经济与管理, 2012(1): 85–96
[7] 王俊能, 许振成, 胡习邦.基于DEA理论的中国区域环境效率分析.中国环境科学, 2010, 30(4): 565– 570
[8] 马海良, 黄德春, 姚惠泽.中国三大经济区域全要素能源效率研究——基于超效率DEA模型和Malmquist指数.中国人口·资源与环境, 2011, 21(11): 38–43
[9] 王群伟, 周德群.中国全要素能源效率变动的实证研究.系统工程, 2008, 26(7): 74–80
[10] 武春友, 吴琦.基于超效率DEA的能源效率评价模型研究.管理学报, 2009, 6(11): 1460–1465
[11] 孙秀梅, 王格, 董会忠, 等. 基于 DEA 与SE-SBM模型的资源型城市碳排放效率及影响因素研究——以全国106个资源型地级市为例. 科技管理研究, 2016, 36(23): 78–84
[12] Tone K. A slacks-based measure of super efficiency in DEA (DEA(2)) //日本オペレーションズ・リサーチ学会秋季研究発表会アブストラクト集.东京, 2001: 20–21
[13] Tone K. Dealing with undesirable outputs in DEA: a slacks-based measure (SBM) approach //日本オペレーションズ・リサーチ学会春季研究発表会アブストラクト集.东京, 2004: 44–45
[14] Goldsmith R W. A perpetual inventory of national wealth. Cambridge, MA: National Bureau of Economic Research, 1951
[15] 张军, 章元. 对中国资本存量K的再估计.经济研究, 2004(7): 35–43
[16] 李锴, 齐绍洲.贸易开放、经济增长与中国二氧化碳排放.经济研究, 2011, 46(11): 60–72
[17] 魏厦.中国碳排放影响因素分析——基于向量误差修正模型的实证研究.调研世界, 2019(3): 60–65
[18] 王文举, 陈真玲.中国省级区域初始碳配额分配方案研究——基于责任与目标、公平与效率的视角.管理世界, 2019, 35(3): 81–98
[19] 赵鹏军, 曾良恩, 路海艳, 等.中国区域城市建设用地经济效率及影响因素空间计量分析.城市发展研究, 2019, 26(7): 37–49