1 引言(Introduction)

当前我国作为世界上最大的碳排放国, 其碳排放水平对全球经济和环境有着重大影响, 且面临着兑现“2030年单位GDP二氧化碳排放量较2005年下降60%~65%”的国际减排承诺及平衡协调国内经济与资源环境关系的双重压力(杨越等, 2018).根据《世界能源统计年鉴(2018年)》的统计结果(BP石油公司, 2018), 我国能源领域的碳排放量已从7214.8×10⁶ t(2007年)上升到9232.6×10⁶ t(2017年), 且持续上升趋势明显.控制碳排放水平是我国应对气候变化和可持续发展的一项重要工作, 碳排放量的精准测度、碳排放效率及相关影响因素的准确度量是指导我国结构性改革的重要环节.近年来, 我国区域经济发展不平衡的特征日益明显, 导致区域碳排放、碳排放效率水平也各有不同, 因而有必要从区域的角度丰富碳排放效率的研究, 为后续具体工作的实施提供理论指导和实践基础.

研究碳排放效率的方法比较繁复, 但最主要的方法还是数据包络分析方法(DEA), 该方法是通过选择适合的投入产出指标从而评价决策单元之间相对有效性的一种数学规划方法(李慧等, 2019).最常用的DEA模型包括基础的CCR模型和BCC模型, 以及后来的SBM模型, 其中, CCR和BCC模型是一种对投入数据径向调整有限制的DEA模型, 获得的最优值并不是实际的最优值, 而是一种效益比例最大值(郭四代等, 2018).之后Tone等(2003)提出了SBM模型, 该模型基于CCR和BCC模型改进得到, 是一种非径向、基于松弛的DEA模型, 它有效解决了投入要素受到径向限制的问题, 进而使得测算结果误差减小并贴合实际值(王燕等, 2018).还有学者提出了一种用于评价多个达到DEA有效状态决策单元的模型, 即超效率DEA模型(Andersen et al., 1993), 另外, 多种DEA模型的组合使用也逐渐被学者们广泛应用于效率评价和实证研究(Dong et al., 2017；陈晓红等, 2017；周迪等, 2019；王兆峰等, 2019).以上提到的DEA模型在碳排放效率评价中使用较多, 但只考虑了期望产出一种指标, 而非期望产出指标并未考虑在内, 不考虑非期望产出会导致测算结果与真实效率值有所差别.因此, Tone和Sahoo(2003)两位学者又将非期望产出引入到SBM模型中, 提出了含有非期望产出的SBM模型, 模型的改进使碳排放效率测算更加准确.然而上述效率分析模型都属于静态评价模型, 仅适用于决策单元效率的横向比较, Malmquist指数可用来评价碳排放效率的动态变化, 有助于发现效率在不同时期是进步还是退步的, 从而弥补静态效率评价模型的缺点, 使效率分析更加完整.如易兰广等(2019)、龙亮军等(2019)对Malmquist指数及其分解模型进行了详细的阐述并利用其分析实际问题, 之后又有学者将Malmquist指数与DEA模型结合, 进而研究碳排放效率动态演变特征(王白雪等, 2018；李小胜等, 2018).另外, 在碳排放效率研究范围的选取上多集中在全国和省际层面、特定经济带或某一行业, 从区域角度切入对比分析碳排放效率的研究相对较少.如Iftikhar等(2018)、Fernando等(2017)、Tajudeen等(2018)选取能源行业的数据分析能源结构、能源效率与碳排放效率的关系；国内学者王惠等(2016)、李德山等(2018)以中国省区数据为依据, 分析了出口贸易、技术创新等因素对碳排放效率的影响；黄国华等(2018)、宁亚东等(2017)多位学者以长江经济带作为研究对象, 探究了碳排放、碳排放效率及碳减排潜力.

通过对文献的梳理发现, 学者们偏向于采用数据包络分析方法评价效率, 本文在选用含有非期望产出的SBM模型进行效率测算的基础上, 又引入Malmquist指数方法, 使得区域碳排放效率的评价更加完整.在研究范围的选取上, 基于多个空间单元对比研究的较少, 鲜有将视角定位在经济圈上, 而长三角、珠三角和京津冀经济圈作为我国经济实力最强的3个区域, 具有较强的可比性, 构建三大经济圈碳排放效率评价指标体系可以有效指导区域的生产模式和经济增长方式, 为区域政策抉择提供参考依据.因此, 本文考虑到环境因素的影响, 以长三角、珠三角和京津冀三大经济圈为研究对象, 采用包含非期望产出的SBM模型和Malmquist全要素生产率指数模型测算碳排放效率, 从静态和动态的角度探究三大经济圈碳排放效率的特征和演变趋势, 并进一步分析碳排放效率的影响因素的作用效果, 以期为区域碳排放效率的提升提供依据和决策参考.

2 数据来源与模型选取(Data source and model selection) 2.1 非期望产出SBM模型

本文碳排放效率测度模型选用的是考虑非径向、非角度、基于松弛的SBM模型, 同时将非期望产出引入到模型中, 这样一方面优化了模型的松弛性问题, 另一方面也解决了包含非期望产出的效率评价问题.因此, 本文选用非期望产出SBM模型既能避免因投入产出比例径向、松弛性而造成的测量结果的偏差, 又考虑到碳排放等非期望产出的影响.非期望产出SBM模型(胡彪等, 2015)定义如下.

假设有n个决策单元(DMU_j, j=1, 2, …, n), 每个决策单元存在m种投入、s₁种期望产出和s₂种非期望产出, 向量x、y^g、u^b分别代表投入、期望产出、非期望产出, 定义矩阵X、Y^g、Y^b为：X=[x₁, …, x_n]∈R^m×n, Y^g=[y₁^g, …, y_n^g]∈R^s₁×n, Y^b=[y₁^b, …, y_n^b]∈R^s₂×n, 则效率评价模型的形式为：

(1)

(2)

式中, λ为权重, s^-、s^g、s^b分别表示投入松弛变量、期望产出松弛变量和非期望产出松弛变量, ρ^*为碳排放效率值, 是关于s^-、s^g、s^b严格递减的, 且0≤ρ^*≤1.当ρ^*=1, 且s^-=0, s^g=0, s^b=0时, 被评价单元有效；当ρ^* < 1或者s^-、s^g、s^b不全为0时, 被评价单元处于DEA无效状态, 则存在改进的必要性.

2.2 Malmquist全要素生产率指数模型

Malmquist全要素生产率指数最初主要用来分析生产效率变化情况, 之后学者Rolf Fare等创造性地将一种非参数线性规划方法与数据包络分析法(DEA)理论相结合, 在DEA方法的基础上, Malmquist全要素生产率指数可以进一步评价效率的动态变化趋势.在设定Malmquist全要素生产率指数模型时, 假设规模报酬不变, 则t时期到t+1时期的Malmquist全要素生产率指数(郭姣等, 2018)就可以表示为：

(3)

参照郭姣等(2018)的指数分解方法, 将Malmquist全要素生产率指数(M_c)分解为技术效率变化(CH_Eff)和技术进步变化(CH_Tech), 技术效率变化(CH_Eff)可以进一步分解为纯技术效率变化(CH_Pe)和规模效率变化(CH_Se), 分解结果如下所示：

(4)

(5)

式中, 下角标c代表规模报酬不变, v表示规模报酬可变, (x₀, y₀)^t+1、(x₀, y₀)^t分别表示t+1时期、t时期的投入和产出向量, D^t((x₀, y₀)^t)和D^t+1((x₀, y₀)^t)分别以t时期技术条件作为参照, 构建的t时期和t+1时期决策单元的距离函数, D^t((x₀, y₀)^t+1)和D^t+1((x₀, y₀)^t+1)则分别是以t+1时期技术条件作为参照, 构建的t时期和t+1时期决策单元的距离函数.CH_Eff表示技术效率变化, 测度了t时期到t+1时期对生产前沿面的追赶效应, 若CH_Eff>1表明距离最优决策单元的差距在缩小, 反之, 差距在变大；CH_Tech表示技术进步变化, 反映了生产前沿面的移动对全要素生产率变化的贡献程度, 若CH_Tech＞1, 说明存在技术进步, 反之则没有技术进步；CH_Pe表示纯技术效率变化, 若CH_Pe＞1, 说明技术应用水平提高, 反之亦然；CH_Se表示规模效率变化, 若CH_Se＞1, 说明规模得以优化, 否则规模恶化.

2.3 固定效应面板数据模型

本文所选取的面板数据是三大经济圈2007—2016年的影响因素衡量指标, 通过Hausman统计量检验结果来确定构建随机效应模型还是固定效应模型, 设定的基本计量模型为：

(6)

为了消除变量之间可能存在的异方差, 并增强面板数据的稳定性, 进而将所有变量都进行对数化处理, 构建的最终回归模型为：

(7)

式中, Y为碳排放效率, α₀为常数项, (IND)_it、(EE)_it、(URB)_it、(FDI)_it、(TP)_it代表 5个自变量(影响因素), α₁、α₂、α₃、α₄、α₅为各自变量的回归系数, i为省(或市), i=1, 2, …, 15, t代表年份, t=2007, …, 2016, ε为残差.

2.4 数据来源与处理

本文以长三角、珠三角和京津冀三大经济圈为研究对象, 研究时间段为2007—2016年.对于三大经济圈的范围界定, 借鉴龙如银等(2015)学者的研究成果, 长三角经济圈包括上海市、江苏省、浙江省, 京津冀经济圈包括北京市、天津市和河北省, 对珠三角经济圈范围的界定为珠江三角洲地区, 即广东省的广州、深圳、珠海、佛山、江门、东莞、中山、惠州和肇庆9个城市.

对非期望产出SBM模型和Malmquist全要素生产率指数模型中的投入产出指标做如下处理.在投入项指标方面, 主要包括劳动、资本和能源投入.其中, 劳动投入选取年末从业人员数作为衡量指标, 长三角和珠三角经济圈的年末从业人员数据来源于《中国统计年鉴(2008—2017)》, 珠三角经济圈9个市的年末从业人员数据来自于《中国城市统计年鉴(2008—2017)》；资本投入选取全年固定资产投资额, 并使用国际上通用的永续盘存法来处理(单豪杰, 2008), 资本折旧率采用张军等(2004)设置的折旧率9.6%, 固定资产投资额的数据来源于《中国城市统计年鉴(2008—2017)》；能源投入指标选取能源消耗量(折算为标准煤), 三大经济圈的能源投入指标均来自于各地方统计年鉴(2008—2017).在产出项指标方面, 主要包括期望产出和非期望产出两个指标.产出指标借鉴李亚冬等(2017)在数据选取和处理上应用的方法, 采用以2007年为不变价格的实际地区生产总值作为衡量指标, 地区生产总值数据来源于《中国城市统计年鉴(2008—2017)》.非期望产出以碳排放量作为衡量值, 鉴于目前城市层面的碳排放量数据并没有明确的统计数据, 本文根据以往学者的做法, 应用《2006年IPCC国家温室气体清单指南》的算法估算碳排放量, 估算公式中涉及到的煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、天然气等8种化石能源的数据来源于2008—2017年各地方统计年鉴.

对于面板数据模型中使用的数据, 借鉴大多数学者对影响因素衡量指标的选取方法并结合本文实际, 选取地区产业结构(IND)、能源利用效率(EE)、城市化水平(URB)、外资依存度(FDI)和技术进步水平(TP)等5个因素(朴胜任等, 2017).地区产业结构(IND)以第二产业占GDP比重来表示, 能源利用效率(EE)以单位GDP能耗值来表示, 单位为t·万元^-1, 城市化水平(URB)用城镇人口占总人口的比重表示, 外资依存度(FDI)用外商投资占GDP比重来表征, 技术进步水平(TP)通过专利授权数来衡量, 单位为件·a^-1.影响因素指标的数据均来自于2008—2017年各地方统计年鉴.

3 结果与分析(Results and analysis) 3.1 基于非期望产出SBM模型的碳排放效率静态分析

基于数据包络分析方法, 运用将非期望产出考虑在内的SBM模型, 使用DEA-solver Pro5.0软件测算三大经济圈的碳排放效率(表 1).表中的数据能够直观地反映出三大经济圈在研究期间内碳排放效率分布情况和时序上的演变特征.

从总体上来看, 研究期间内三大经济圈碳排放效率均值呈“上升-下降-上升”的N型变化走势, 仅2007—2008、2014—2015、2015—2016年间的碳排放效率出现小幅度增加, 其他年份碳排放效率值均缓慢下降.碳排放效率均值始终小于1, 处于数据包络分析无效状态.例如, 在2016年三大经济圈的碳排放效率均值为0.610, 距离达到DEA有效状态仍有39.0%的进步空间, 这体现出三大经济圈在碳排放效率提升和节能减排方面的巨大潜力.从时间序列上来看, 三大经济圈的碳排放效率均值在2009—2014年间不断下降, 在2014年碳排放效率值下降到0.6以下, 究其原因可能是因为中国正处于“十一五”、“十二五”期间, 该时期全国重点推进工业化进程, 追求经济的高速增长, 从而在一定程度上忽视了环境与经济的协调发展, 导致碳排放效率出现不断下降的情况.2015年以来, 区域协调发展战略逐步实施, 三大经济圈作为经济实力雄厚区域, 低碳经济、环境保护更加受到重视.另外, 2014年京津冀协同发展上升到国家战略层面, 其中着重指出生态环境治理是区域协调发展的重大任务.碳排放效率作为生态环境治理水平的重要表征指标, 提升经济圈的碳排放效率水平对区域生态环境与经济社会和谐发展的意义至关重要.

从经济圈层面来看, 三大经济圈的碳排放效率均值从高到低依次是：珠三角、长三角、京津冀.长三角经济圈2007—2012年碳排放效率值都在0.6以上, 且效率值上下波动幅度较小, 2013—2015年碳排放效率始终处于0.5以下, 2016年效率值也仅为0.598.珠三角经济圈的碳排放效率在研究期间内始终大于长三角经济圈的碳排放效率水平, 在2007—2016年间碳排放效率最低值为0.634, 比长三角(0.599)和珠三角(0.581)经济圈的效率均值都高, 在研究期间内珠三角经济圈的碳排放效率呈交替上升和下降走势, 虽然效率值变化不稳定, 但在三大经济圈中碳排放效率水平较高.京津冀经济圈在2007—2009年碳排放效率值波动较大, 且在2008年的碳排放效率水平高于长三角、珠三角经济圈, 从2009年开始碳排放效率呈缓慢下降走势, 到2016年碳排放效率值低于0.5的水平, 京津冀的这种下降趋势与京津冀地区积极推进工业化和城镇化进程是相适应的.三大经济圈的碳排放效率存在差异, 珠三角经济圈的碳排放效率整体水平较高, 主要在于珠三角地区在促进经济增长的过程中注重控制碳排放, 将经济效益更多的投入到控制碳排放工作上, 积极促进产业结构升级, 为发展低碳经济和节能减排工作提供推力.长三角经济圈是中国区域经济实现飞速发展的典型, 然而经济的跨越式发展必将以自然资源的大量消耗作为代价, 由此带来的环境负效应更加凸显, 劳动成本也会随着环境保护和技术升级而上升, 从而产生了碳排放效率呈现缓慢下降中波动调整的变化走势.京津冀地区经济在三大经济圈中实力最弱, 同时作为全国重要的高新技术与重工业基地, 其能源需求量远高于其他区域的水平, 面临着巨大的减排压力(张俊荣等, 2016), 尤其是河北省经济多为粗放型增长方式, 高投入、高消耗工业较多, 导致京津冀经济圈的碳排放效率均值提升缓慢.另外, 若对三大经济圈的碳排放效率按变化特征分区段, 则在研究期间内三大经济圈的碳排放效率变化经历了相似的阶段, 第1个是“上升-下降”变化阶段(2007—2009年), 长三角和京津冀经济圈的碳排放效率先上升后下降, 珠三角经济圈的碳排放效率是先下降后上升；第2个是“下降-下降”变化阶段(2009—2012年), 三大经济圈的碳排放效率都持续下降；第3个是“上升-下降-上升”变化阶段(2012—2016年), 长三角和珠三角经济圈的碳排放效率呈上下波动变化走势, 京津冀经济圈的碳排放效率继续保持缓慢下降的走势.第3个时段的效率值变化特征说明长三角和珠三角经济圈不断调整生态环境与经济发展的关系且成效有所显现出来, 而京津冀经济圈需要在能源消费结构调整、产业结构升级、技术创新能力提升等方面加强投入, 扭转京津冀区域碳排放效率持续下降的局面.

3.2 基于Malmquist全要素生产率指数的碳排放效率动态分析

在上述运用考虑非期望产出的SBM模型分析三大经济圈碳排放效率静态特征的基础上, 可以进一步分析三大经济圈碳排放效率的动态变化特征, 基于三大经济圈投入产出的面板数据, 采用DEAP2.1软件, 得到表 2中所示的三大经济圈分时段Malmquist全要素生产率指数及其分解值.

由表 2可以看出, 2007—2016年间三大经济圈的技术效率变化(CH_Eff)、技术进步变化(CH_Tech)和全要素生产率(TFP)的均值都小于1, 表明研究期间内三大经济圈的生产率水平、技术创新水平都仍需提高, 技术进步效应发挥作用不大.全要素生产率(TFP)在2007—2016年间一直低于1, 技术进步变化(CH_Tech)较技术效率变化(CH_Eff)对全要素生产率的影响更大.在研究期间内仅2009—2011年实现了技术进步, 其他年份都发生了技术退步情况, 这体现出三大经济圈在新技术应用和新产品研发方面仍存在短板, 尤其是针对环境治理和碳排放控制方面的新技术、新产品研发和使用严重不足.另外, 对技术效率变化(CH_Eff)进一步分解得到纯技术效率变化(CH_Pe)和规模效率变化(CH_Se), 从表中可以发现技术效率变化(CH_Eff)主要受规模效率变化(CH_Se)的影响, 在研究期间内规模效率变化指数(CH_Se)仅在2008—2009、2012—2013、2015—2016年3个时间段大于1, 反映出三大经济圈在生产投入水平上与最佳生产规模下的投入量存在着差距, 投入与产出比例需要进一步协调.

图 1显示了2007—2016年三大经济圈的全要素生产率(TFP)的动态变化情况.从总体上来看, 时间维度下的全要素生产率(TFP)在波动中呈下行趋势, 全要素生产率总体水平偏低.TFP增长指数值最低的时间段是2008—2009年, 其值为0.929, 且波动阶段在2007—2012年, 2013年开始全要素生产率(TFP)增长指数缓慢上升.若TFP指数值大于1, 则说明生产率水平有所改善, 碳排放效率是提升的, 但从图 1中可以看出, 三大经济圈整体的全要素生产率(TFP)变化指数一直都小于1, 这意味着全要素生产率在研究期间内并未获得提升, 呈连续的负增长态势, 有所不同的是, 时序上全要素生产率下降速度减缓, 生产率下降情况有所改善.从长三角、珠三角、京津冀3个区域分别来看, 长三角经济圈在2009—2010、2010—2011年的TFP指数值大于1, 表明长三角经济圈在该时段的生产率水平得到了提升, 碳排放效率的变动也呈增长趋势.珠三角经济圈的TFP指数值在考察期内一直处于上下波动的变动趋势, 虽然TFP指数值都在0.9以上, 但最大的TFP指数值也仅为0.943, 说明珠三角经济圈的全要素生产率以大于5%的速度在倒退, 碳排放效率水平也不容乐观.京津冀经济圈的TFP指数值也始终在0.9以上, 仅2010—2011年的TFP指数值大于1, 其他时间段均未超过1, 在2007—2011年间TFP指数波动幅度较大, 从2012年开始全要素生产率变化(TFP)比较稳定, 但TFP指数值仍旧较低, 体现了京津冀经济圈的全要素生产率提升速度缓慢, 碳排放效率提升空间巨大.

3.3 碳排放效率的影响因素分析

基于数据包络分析方法和Malmquist指数方法, 分析了三大经济圈碳排放效率的静态、动态变化特征和演变趋势.为进一步探究相关影响因素对碳排放效率的影响机制, 借助Eviews8.0统计软件进行估计, 进而研究各个影响因素对碳排放效率的作用效果并进行原因分析.

利用Hausman检验结果能够选择建立随机效应模型还是固定效应模型(表 3).Hausman检验的零假设是个体效应与解释变量无关, 若成立则随机效应估计结果更加有效；备择假设是个体效应和解释变量相关, 若备择假设成立, 则选择固定效应模型估计更好.根据表 3中的p值, 可以拒绝零假设, 因此否定了随机效应假设, 故采用固定效应模型.将所有解释变量纳入到固定效应模型中得到的结果如表 4所示.

通过对表 4的回归结果进行分析, 可得到以下结论：①地区产业结构(IND)对珠三角和京津冀经济圈的碳排放效率提升具有抑制作用, 即第二产业份额的增长对碳排放效率的提升具有负向的影响.这可能是由于第二产业始终是国民经济最主要的产业, 对能源消耗的需求量巨大, 因此, 在发展第二产业的过程中, 应加快淘汰落后产能, 积极培育和发展科技含量高、经济效益好的新兴产业, 走新型的工业化道路.与此同时, 优化产业结构, 努力促进产业结构调整, 逐渐从以重工业为主的产业转向以服务业等第三产业为主的产业.地区产业结构对长三角经济圈的碳排放效率具有1%显著水平的正向影响, 这是因为长三角的第三产业增加值占GDP的比重早已超过了50%, 大多数城市的服务业增速已经超过了GDP的增速, 可见其产业结构比较合理, 正逐步从以第二产业为主向二产、三产并重转变(冯冬等, 2017).

② 能源利用效率(EE)的提高对珠三角经济圈碳排放效率具有1%显著水平的正向影响, 对京津冀经济圈的碳排放效率具有5%显著水平的负向影响.对于京津冀经济圈来说能源利用效率的提高并不是绝对有优势的, 仍然需要在发展经济的同时控制能源的消耗量, 尤其是化石能源的消耗对于其影响更大.

③ 外资依存度(FDI)对于长三角和珠三角经济圈的碳排放效率的影响程度较小, 对京津冀经济圈碳排放效率有5%显著水平的正向影响.这种结果的出现一方面是因为外商直接投资产业所占比例普遍不高, 另一方面, 外商投资的产业虽然拥有先进的管理模式, 在碳减排方面也具备优势, 但往往也是高能耗、高污染的项目, 因此, 外商投资占比对于区域碳排放效率的影响具有双重性.

④ 城市化水平(URB)对三大经济圈碳排放效率的影响并不十分显著, 对京津冀经济圈的碳排放效率也只有10%显著水平的负向影响.这是因为近年来京津冀经济圈城镇化进程的快速推进, 促使人口和经济活动大量聚集, 伴随着工业化迅速发展、能源需求增加, 资源能源消耗加快, 环境污染加剧, 进而降低了碳排放效率(王鑫静等, 2019).另外, 在城镇化进程中, 要始终控制好人口数量, 既要考虑人口数量的控制, 也要考虑人才的发展, 有序地调控人才占据总人口的水平才能从实际上解决人口所带来的经济、环境压力.

⑤ 技术进步水平(TP)对三大经济圈的碳排放效率影响都不显著.之前Malmquist指数及其分解结果表明技术退步是导致三大经济圈整体全要素生产率下降的原因, 但技术进步水平对3个经济圈的碳排放效率的作用并未体现出来, 尤其是将多个影响碳排放效率的因素置于同一个模型中分析时, 其相对重要性就会减弱, 因此, 表 4中显示出技术进步水平与其他因素相比对碳排放效率的影响程度并不显著.这也从侧面说明对于现阶段碳排放效率水平的提升, 短时间内如果想要通过技术进步来促进碳排放效率的提升是具有挑战性的, 技术进步是一个长期的过程, 技术进步的实现途径也需要依情况而定.

4 结论(Conclusions)

1) 从时间序列上来看, 长三角、珠三角和京津冀经济圈的碳排放效率变化具有相似性, 都经历了高值波动、持续下降和低值波动阶段, 三大经济圈整体的碳排放效率均值也经历了上升、持续下降和上升3个阶段的演变过程, 但总体来说三大经济圈的碳排放效率水平较低.

2) 基于DEA方法的静态分析结果表明, 珠三角经济圈的碳排放效率均值较高, 长三角经济圈次之, 京津冀经济圈的碳排放效率均值最低, 三大经济圈碳排放效率均值仅达到0.657, 有将近34.3%的提升空间.基于Malmquist指数方法的动态分析结果显示, 2007—2016年间三大经济圈的全要素生产率(TFP)均值为0.951, 三大经济圈的全要素生产率有待提高, 仅在较短时间段内出现了全要素生产率增长的情况.指数分解结果中技术进步缓慢, 存在技术衰退现象, 规模效率不足, 当前的生产状态与最佳生产规模仍有一定的差距.

3) 影响三大经济圈碳排放效率的因素中, 地区产业结构对长三角经济圈的碳排放效率有明显的促进作用, 而对珠三角地区碳排放效率的抑制作用比较明显.能源利用效率水平对长三角和珠三角经济圈的碳排放效率均有正向的影响, 对京津冀经济圈碳排放效率的负向影响较大.外资依存度与京津冀经济圈的碳排放效率有5%显著水平的正向相关关系.技术进步水平对三大经济圈的碳排放效率影响效果均不明显.