0 引言

建立健全绿色低碳循环发展的经济体系需兼顾经济和环境的评价指标。工业生产活动是碳排放的主要源头[1]，而城市既是应对气候变化的治理对象，也是全球气候治理的行为主体[2]。“碳达峰、碳中和”背景下，分析各地区工业碳效率，明确其关键影响因素，既能为节能减排宏观路径设计提供理论支撑，也能为低碳发展具体政策方案制定提供有力参考。长江三角洲地区是中国经济发展最活跃、开放程度最高、创新能力最强的区域之一，也是中国工业最发达的地区之一[3]，轻重工业发展都在全国处于领先地位。长江三角洲区域一体化发展是国家战略，在长三角区域探究低碳发展路径能为全国区域一体化低碳发展提供先进范式。

减碳路径的制定要全面综合地考虑经济层面和环境层面。以数据包络法（data envelopment analysis，DEA）等非参数方法和随机前沿方法（stochastic frontier analysis，SFA）及其发展形式等参数方法为代表的全要素法计算效率，不仅考虑了生产活动的经济和环境表现，还将生产投入情况考虑在内，计算方式更为科学全面，在学术研究中被学者广泛使用。

在进行碳效率研究时，DEA和SFA都利用了前沿面的思想，2种方法各有优缺点。使用DEA无需假定生产函数的具体形式，利用线性规划的方式确定前沿面，绕开了SFA预先设定生产函数形式确定前沿面的强假设条件[4]，但缺点是将造成非效率的因素视为随机误差处理。SFA考虑到了随机误差项的存在，更符合现实情况，且其根据极大似然估计方式确定相关参数，结果受到异常值干扰程度小[5]。

从现有研究来看，碳效率研究主体主要集中在城市尺度。在对不同区域碳效率研究时，诸多学者采用了DEA方法，比如文献[6-8]；同时也有学者采用SFA方法探究城市碳效率，比如文献[9-12]。

城市碳效率同时受农业碳效率、工业碳效率和服务业碳效率的影响，其中工业部门是城市碳排放的主要来源，占全国碳排放总量的比例长期高达80%以上[13]。长三角地区目前正以一体化的趋势制定产业发展规划，产业转移必然引起地区工业和服务业相对产值的变化，进而引发城市碳效率的改变。而对于城市碳效率的测算，很难将由于产业结构变化导致的碳效率提高从地区整体碳效率提高中分离出来。因此对于长三角地区，相比于探索城市碳效率，深入研究工业细分行业碳效率问题更有利于实现绿色一体化发展，促进国家“双碳”目标的实现。

现有对工业细分行业层面碳效率的研究主要使用DEA方法，如文献[14-17]。然而，线性规划方法的计算结果对异常值十分敏感，用于工业行业这样数据差异性较大的样本可能会造成碳效率结果偏差[18]。为此有部分学者使用随机前沿方法进行工业行业的碳效率测算，文献[19]使用SFA方法对2010到2019年京津冀地区39个工业细分行业碳效率进行了评价，但是其采用的模型没有控制细分行业之间个体异质性，同时在计算碳效率时没有考虑到外部因素的影响。鉴于此，本文借鉴文献[20]固定效应随机前沿模型对长三角地区工业细分行业碳效率进行探究，在计算碳效率值时将外部影响因素考虑在内，在进行参数估计时控制样本之间的个体异质性，从而可以使碳效率测算结果更加可靠。

本文对长三角地区37个工业细分行业的碳效率进行测算，在此基础上对比分析高碳效率行业的区域分布特征。定量化分析影响长三角地区工业细分行业碳效率变化的因素。本文建立个体固定效应随机前沿模型测算工业细分行业碳效率及其影响因素，补充和完善了工业碳效率的研究体系。

1 模型构建

本文将碳效率定义为行业生产过程中，单位二氧化碳实际产出与对应投入资本、劳动力、能源生产要素条件下所能达成最佳单位碳产出（前沿边界）的比值。本文在SFA模型中使用超越对数形式的生产函数。相比于柯布-道格拉斯 （Cobb-Douglas，CD） 生产函数，超越对数（trans-log）生产函数放弃了投入要素之间边际替代率不变的假设，即认为长三角地区工业行业致力于生产减排的技术进步不是希克斯中性的。本文认为拒绝希克斯中性假设更符合当前工业的生产特征。近年来随着劳动力成本上涨，机器代人以提高生产率几乎成为各大工业行业的共识，不仅如此，节能技术和节能设备也在经历快速迭代，高耗能企业会定期自发进行节能技术改造以节约用能成本。综上所述，超越对数生产函数能捕获投入要素替代率的变化关系，更符合研究需要。SFA模型的具体形式为

式中： 是行业i第t年单位碳排放量的生产产出值；Yit代表产值；Cit表示行业年度碳产出值；Lit和Kit代表劳动力投入和资本存量；Eit代表行业年度能源消耗量；代表复合方程残差；表示非效率项基本面，服从期望为μit，方差为的正态分布；hit是时间变化轨迹，与影响碳效率的外生解释变量zit相关；vit表示随机扰动项，服从方差为的单边正态分布。

碳效率Φ 的计算公式为Φ=e( -u)，即碳效率和非效率项之间呈反向相关关系。

因zit在设定形式上有所不同，本文构建了以下3个模型。模型一的非效率项设定为式 （2），不考虑政策对非效率的滞后影响：

式中：Nit表示行业i第t年的国资占比情况；Pit表示行业i第t年专业化程度；Rit表示行业i第t年的环境规制程度。

模型二和模型三的非效率项考虑政策的时滞效应，依次加入环境规制的滞后1期以及滞后2期指标，设定形式如式 （3） 和 （4）：

在对SFA模型进行回归的过程中，模型一由式（1） 和 （2） 构成，其中非效率项中只考虑当期环境规制对碳效率的影响；模型二由式 （1） 和 （3） 构成，在模型一的基础上加入了环境规制滞后1期的影响；模型三由式 （1） 和 （4） 构成，非效率项在模型二的基础上加入了环境规制滞后2期的影响。模型三是本文的基准模型。

2 数据来源与变量选取

参照2013年发布的《国民经济行业分类》（GB/T 4754—2011）及2018年发布的关于修订《三次产业划分规定（2012）》的通知，结合数据的可获取性，本文样本选定长三角地区三省一市37个工业细分行业（由于本文研究时间区间的原因，未采用2017版国标。行业名称及编号见附录A表A1）。本文采用数据的时间跨度为2014—2019年，选用这个时段一方面因为其正处于中国低碳发展的政策完善阶段，另一方面2014年发布的《国务院关于依托黄金水道推动长江经济带发展的指导意见》中，首次明确了安徽作为长江三角洲城市群的一部分，参与长三角一体化发展。本文中的省市各行业生产总值、资产总值、国有资产总值、就业人数数据均来自于三省一市统计年鉴；省市各行业能耗碳排放数据来自中国碳核算数据库 （Carbon Emission Accounts & Datasets，CEADs）；省市各行业电力消费数据来自中国电力统计年鉴；全国各行业国有资产总值来自中国工业统计年鉴。由于数据的缺失，对上海市2018、2019年的工业行业生产总值用营业收入总值进行了近似替代。本章将阐述SFA模型中投入产出变量及效率影响因素的选取原因。

2.1 投入产出变量

2.1.1 产出变量

单位碳排放的产出值（Yit/Cit）。单位二氧化碳排放代价下的经济产出是碳效率研究中常用的产出变量，[9]和文献[10]，本文采用该变量作为产出变量。

行业二氧化碳排放量Ci由各类能源使用量乘能源折碳因子求和得出。本文碳排放计算包含了电力、原煤、焦炭、原油、汽油、煤油、柴油和天然气8类能源 （见式 （5））。其中电力折碳因子采用国家气候战略中心发布的华东区域电网基准线排放因子Aelectricity=0.7921 t/MWh，化石能源折碳因子参考《省级温室气体清单编制指南》 （发改办气候〔2011〕1041 号）。

式中：j代表能源品类；Eij和Aj分别代表行业i中能源j的使用量和折碳因子。

2.1.2 投入变量

能源在经济表现及环境表现研究分析时处于不可忽视的重要地位。正如文献[21]提出能源-环境-经济构成了一个多维度、紧密联系、彼此约束的一体化复杂系统，此复杂系统用于对经济增长、环境改善以及社会进步的一体化分析。由此，在劳动-资本传统二元生产函数的基础上纳入能源消耗量这一投入变量。

资本（K）。本文采用“永续盘存法”[22]计算各省份各行业不同年份的资产总值，计算公式为

式中：δit 表示t时期的折旧率；Iit表示i行业t时期资产增加值，这里用各省市统计年鉴中的行业年末资产总值的年度差值作每年的资产投资增加值。本文将2014年作为基期，将折旧率定为12%[23]。

劳动力（L）。劳动力投入采用的是各省份各行业不同年份的规上企业年均用工人数。

能源消耗量（E）。工业用能种类繁多，若是都纳入生产函数将大幅度降低模型自由度导致最大似然估计不收敛。因此本文[10]的做法利用二氧化碳排放量代替能源投入。

2.2 非效率项影响因素

国有资产占比（N）。本文探究行业受国有资产控制程度对碳效率的影响。一方面，国有资产占比高意味着企业要承担更大的社会责任，国有企业对政策环境信息的响应更加迅速[24]；另一方面，文献[25]指出，国有资产占比过高会造成企业管理上的低效率和投入产出的低效能。当前，中国碳市场仍处于发展初期，节能降碳的政治驱动要远强于市场经济驱动，因此本文研究国有资产占比对工业行业碳效率的影响。

地区行业专业化程度（P）。本文用代表区域各行业生产部门的专业化状况的区位熵指标探究行业专业化程度是否影响行业碳效率。区位熵是指一个地区特定部门的产值在该地区总产值中所占的比重与全国该部门产值在全国总产值中所占比重的比例，其表达式为

式中：i表示第i个行业（i=1,2,3, … ,n） ；j表示第j个地区（j=1,2,3, … ,m） ；Yij表示第j个地区第i个行业产出值；Qij表示第j个地区第i个行业的区位熵。

区位熵越高代表该地区该行业的专业化程度越高。文献[26]认为，专业化程度越高越有利于环境监管进而推动减排。文献[27]却发现制造业区位熵提升抑制了城市碳效率。本文认为对于城市碳效率的研究内含工业占比扩大的动因，无法识别其对工业碳效率的影响，故将行业专业化水平纳入非效率项进行研究。

环境规制强度（R）。政策文件是顶层决策信息的反映载体，进行环境政策数据统计工作时，主要采用的是政策文本分析方法。本文首先依各行业关键词在三省一市政府、人大、发展改革委、环保行政主管部门等官方网站进行了37个工业行业的环保政策内容检索，同时为了确保政策的全面性，通过专业的政策统计网站“北大法宝”、万方数据库中的节能减排政策对上述统计作了补充。操作过程采用人工核验的方式对每一篇政策文件进行核实，确保政策数目的真实性及可靠性。[28-29]对政策评价的量化方式，对行业政策文件进行权重赋值（表1）。

表1 节能减排政策力度量化赋分
Table 1 Energy conservation and emission reduction policy intensity rating

赋分政策类型2省级人民代表大会及其常务委员会颁布的法规1.5省级人大、政府颁布的条例、指令、规定；各部门的命令1省级人大、政府颁布的暂行条例、方案、决定、意见、办法、标准；市（及以下）人大、政府颁布的规定、条例等0.5通知、公告、规划等其他类型文件

以上变量的描述性统计在表2中展示。

表2 长三角地区工业细分行业数据的描述性统计
Table 2 Descriptive statistics of industrial sub-sector data in the Yangtze River Delta region

变量均值标准差 最大值 最小值 样本量年产出值/亿元2091290618 8811.50 840资产总计/亿元1930244415 4657.24行业年均用工/万人16.2823.65182.500.020碳排放总量/Mt16.6854.27491.300.010国有资产占比0.320.3110区位熵1.040.725.970.010总环境规制得分2.201.14801069

3 实证结果及分析

3.1 模型设定形式检验

表3展示了SFA模型的回归结果，表中模型一至模型三的非效率项分别采用式 （2） 至式 （4） 的设定。

表3 随机前沿模型回归结果
Table 3 Regression results of SFA model

注：*表示在10%水平显著，**表示在5%水平显著，***表示在1%水平显著。

参数模型一模型二模型三生产函数lnK 0.761**0.766*0.409*lnL0.482**0.483*0.297*lnC -0.156*-0.506**-0.727**T 0.108***0.128***0.210***T2 -0.007***-0.010***-0.009**ln(K)2 -0.046-0.058-0.040 ln(L)20.0130.0200.060 ln(C)20.039***0.045***0.037*lnL×lnK-0.138***-0.150***-0.120*lnC×lnK-0.141***-0.083**-0.043*lnC×lnL0.0450.090***0.111***T×lnK0.028***0.0393***0.054***T×lnL0.017***0.028***0.043***T×lnC0.001-0.003-0.005非效率项N -0.022-0.026-0.037 P-3.928***-4.125***-3.689***Rt0.010**0.019***0.014**Rt-1-0.007-0.008 Rt-2-0.039***

接下来对模型设定合理性进行检验。一方面，需要考量数据和生产函数是否适用于SFA模型。表3中结果显示3个模型的生产函数系数较为接近，没有因为非效率项的改变而发生异变，且整体较为显著。此外，变差率γ①分布在[0,1]区间上，越接近于1就代表非效率项占随机扰动项的份额越高，就越有必要使用SFA模型。的值均为0.99，即样本效率差异的99%都是由个体自身非效率原因，而不是由于随机扰动原因造成的[26]，因而可以将SFA应用于长三角地区工业行业的碳效率评价。

另一方面，需要考察使用trans-log生产函数的必要性以及技术进步是否是希克斯中性。本文[30]，对基准模型（模型三）采用似然比（LR）检验。由表4可得，检验结果在0.5%的显著性水平下拒绝碳效率不随时间变化以及希克斯中性的原假设，有必要采用trans-log生产函数。

表4 模型设定的检验
Table 4 Model-setting test

注：*表示在10%水平显著，**表示在5%水平显著，***表示在1%水平显著。

检验内容原假设检验统计量临界值 结论效率不随时间变化βββ ββ 1314= 0 412===5=52.816.8拒绝希克斯中性假设βββ 121314=== 037.812.8拒绝

3.2 碳效率测算结果及分析

图1中显示了长三角地区37个工业行业2014—2019年碳效率的平均值。从整体平均结果来看，长三角地区工业行业碳效率情况较好，约有70%的工业行业平均碳效率超过0.8。平均碳效率在0.95～0.99的行业有5个，分别为通用设备制造业（编号29）、电气机械和器材制造业（编号33）、橡胶和塑料制品业（编号24）、化学原料和化学制品制造业（编号21）、纺织服装服饰业（编号13）。碳效率最低的5个行业为有色金属矿采选业、石油天然气开采业、黑色金属矿采选业、煤炭开采和洗选业以及酒、饮料和精制茶制造业。

图1 2014—2019年长三角地区各工业行业碳效率平均值
Fig.1 Industrial carbon efficiency in the Yangtze River Delta region from 2014 to 2019

为了进一步挖掘工业行业碳效率的区位优势，将长三角地区三省一市2014—2019年间的各工业行业的碳效率结果通过热力图进行表示（图2）。热力图的横坐标代表地区和每个地区2014—2019年的行业碳效率，纵坐标为行业编号，各地区的优势碳效率行业以黑色框线在热力图中标出。

图2 2014—2019年长三角地区工业行业碳效率热力图
Fig.2 Industrial carbon efficiency heat map in the Yangtze River Delta region from 2014 to 2019

在基准模型（模型三）测算结果中，若某地区某行业6年的平均碳效率与其他省（市）同行业对比排名第一，则称作该地区的优势碳效率行业。

从图2可以看出长三角地区各省（市）优势碳效率行业各具特色。表5总结了各地区优势碳效率行业，这些优势行业可分为以下3种类型。

表5 长三角地区三省一市的优势碳效率行业
Table 5 Regional advanced carbon efficiency industries in the Yangtze River Delta region

地区优势碳效率行业（行业编号）上海市食品制造业（9）、烟草制品业（11）、燃料加工业（20）、通用设备制造业（29）、汽车制造业（31）、计算机通信和其他电子设备制造业（34）、燃气生产和供应业（40）江苏省化学原料和化学制品制造业（21）、医药制造业（22）、金属制品业（28）、专用设备制造业（30）、电气机械和器材制造业（33）、仪器仪表制造业（35）浙江省纺织业 （12）、服装服饰业 （13）、皮革、毛皮、羽毛及其制品和制鞋业 （14）、家具制造业 （16）、造纸和纸制品业 （17）、娱乐用品制造业 （19）、化学纤维制造业 （23）、橡胶塑料制品业 （24）、其他制造业 （36）、电力、热力生产和供应业 （39）、水的生产和供应业 （41）安徽省煤炭开采和洗选业 （1）、黑色金属矿采选业 （3）、有色金属矿采选业 （4）、非金属矿采选业 （5）、农副食品加工业 （8）、酒饮料和精制茶制造业 （10）、木材加工和木、竹、藤、棕、草制品业（15）、印刷和记录媒介复制业 （18）、非金属矿物制品业 （25）、有色金属冶炼和压延加工业 （27）、废弃资源综合利用业 （37）

1） 单位碳产出值高的行业。包括上海市烟草制造行业、安徽省废弃资源综合利用业等。烟草行业和废弃资源综合利用行业系轻工业，生产附加值高且能源投入较低，进而行业单位碳产出值位于所有行业的前列，而资本、劳动以及能源生产要素投入在全行业中却并不高，这使得行业单位碳产值接近低碳产出前沿面水平。

2） 资本产出比大的行业。这类行业包括浙江省的服装服饰业、皮革毛皮羽毛制造业，上海市家具制造业，江苏省纺织业，安徽省木材加工和木、竹、藤、棕、草制品业等。这些行业的资本投入在全行业内属于中等规模，单位碳产出值在全行业属于中高层次，在相对较少的资本要素投入下获得相对较高的低碳产出是这些行业实现高碳效率的原因。

3） 专业化程度高的行业。这些行业包括上海市的汽车制造业、浙江省的纺织业、江苏省的仪器仪表制造业、安徽省的电气机械和器材制造业等，这些行业的生产要素投入体量大，规模效应能提高这些行业的生产力水平，既定能源、资本、劳动投入下单位碳产出值接近生产前沿面水平，行业碳效率较高。

3.3 长三角地区分行业碳效率收敛性分析

本节围绕长三角地区三省一市工业行业碳效率值的动态收敛情况展开论述。利用基准模型得出的行业碳效率绘制地区工业碳效率核密度图，如图3所示。上海市和江苏省在研究期间的碳效率动态收敛过程比较相似，工业行业碳效率不断向高碳效率值聚拢，说明上海和江苏工业行业存在明显的碳效率改进。

图3 长三角地区三省一市2015、2017、2019年工业行业碳效率核密度图
Fig.3 Industrial-carbon-efficiency core density map in the Yangtze River Delta region in 2015, 2017 and 2019

上海市近年来碳效率进步明显的行业主要集中在医药制造业、专用设备制造业、仪器仪表制造业等专业化程度较高的行业，可见专业化程度的提高对于地区工业碳效率的提升能起到长效性的影响。

江苏省碳效率进步明显的行业有2类。第1类是碳排放总量高的行业，如非金属矿物制品业和电力、热力生产和供应业。这2个行业是江苏省碳排放量第一和第三的行业，江苏省近年来对这2个行业的政策规制多，对行业的碳排放总量控制颇有成效。第2类是专业化程度高的行业，如江苏省传统优势行业医药制造业，该行业2014—2019年间平均区位熵值高达6.54，专业化程度极高，行业专业化优势促进生产效率提高，从而使单位碳产出更接近前沿水平。故江苏省出现碳效率群体性提升的原因一方面是近年来高碳排放行业规制取得一定成效，另一方面是专业化程度较高行业的技术赋能。

浙江省高碳效率行业碳效率出现下降现象，与此同时低碳效率行业数量明显减少，工业行业处在中间碳效率值的行业数量明显增多，这与文献[31]提出的观点相吻合。浙江省高碳效率降低的行业主要是皮革、毛皮、羽毛及其制品和制鞋业以及烟草制品业，这些行业的碳效率值虽然下降但没有降至过低水平，2019年各行业碳效率值均大于0.9。这是由于浙江省高碳效率行业大多为碳排放总量小的行业，而近年来省内环境政策主要加强对中高碳排放行业的行政监管，对低碳行业开展市场类环境监管政策。这样的环保政策倾向导致了原高碳效率行业的碳效率有小幅度退步，原中碳效率行业有群体性进步。

安徽省2019年的高碳效率波峰相对2015年来说更低，但波峰对应的碳效率值有微小的向右偏移，说明高碳效率行业数量减少但是平均值有所增加。近年来，安徽省原高碳效率行业煤炭开采和洗选业、黑色金属冶炼和压延加工业的碳效率有小幅度下降，高耗能企业由于生产环保技术不达标被强制停业整顿，《安徽省统计年鉴》显示6年间安徽省煤炭开采业的产出值下降24%。严格的环境规制使得企业产量下降，而资本、人力等生产投入要素短期内不易变化，从而造成全要素碳效率下降；同时安徽省出现中等碳效率波峰，说明具有中等碳效率值的行业有一定程度的增多。这可能是由于在产业转移承接过程中技术传播带来的绿色生产效率的提升，安徽省皮革、毛皮、羽毛及其制品和制鞋业，计算机、通信和其他电子设备制造业等中间碳效率行业的碳效率提升反映了这一现象。

3.4 稳健性检验

[18, 32-33]的做法，本文应用不同生产函数形式和去除离群值这2种方式验证本模型的稳健性。首先，使用CD函数作为随机前沿模型的生产函数形式来进行回归结果分析，并将回归结果和主模型计算结果进行比对。应用CD函数的前沿模型形式设定如下：

参照模型三的设定形式，模型四由式 （8） 和 （2）构成，其中非效率项中只考虑当期环境规制对碳效率的影响。模型五由式 （8） 和 （3） 构成，在模型四的基础上加入了环境规制滞后1期的影响。模型六由式（8） 和 （4） 构成，非效率项在模型五的基础上加入了环境规制滞后2期的影响。模型四、模型五、模型六的回归结果如表6所示。

表6 采用CD生产函数的回归结果
Table 6 Regression results of SFA model with CD function

注：*表示在10%水平显著，**表示在5%水平显著，***表示在1%水平显著。

参数模型四模型五模型六生产函数lnK 0.403***0.408***0.400***lnL0.386***0.330***0.311***lnC -1.085***-1.143***-1.179***非效率项N -0.020-0.0340-0.020 P-4.386***-4.051***-3.621***Rt0.0030.025***0.014*Rt-1-0.014*-0.009 Rt-2-0.031***

运用CD生产函数和trans-log生产函数形式的固定效应随机前沿模型的行业碳效率计算结果进行对比，并运用Pearson相关系数来表示2次碳效率结果的相关程度，得到相关值为0.981，固定效应随机前沿模型使用不同生产函数计算出的碳效率值具有高度相关性，说明回归结果较为稳健。

再将离群极端值剔除，检验结论是否依然稳健。通过前述实证分析，碳效率较低的行业集中在采矿行业① 本文中提出的采矿业样本（行业编号）包括煤炭开采和洗选业（1）、石油和天然气开采业（2）、黑色金属矿采选业（3）、有色金属矿采选业（4）和非金属矿采选业（5）。，且采矿业的平均碳效率与行业整体平均碳效率差距较大，所以本部分采用对样本单边缩尾的方式，对非采矿业进行回归，来探究本部分回归结果及行业碳效率值是否和表3中结果相近。将除去采矿业的样本用模型一和模型三进行回归，结果展示如表7所示。从回归结果来看，投入要素的系数显著性及方向与表3结果基本一致。使用缩尾处理样本的碳效率计算结果和主模型结果Pearson相关系数达到0.792，呈高相关性，即本文研究结果具有稳健性。

表7 数据缩尾处理的模型回归结果
Table 7 Truncated regression results of SFA model

注：*表示在10%水平显著，**表示在5%水平显著，***表示在1%水平显著。

参数模型一模型三生产函数lnK 1.496***1.306***lnL0.869***0.354 lnC -1.031***-1.261***T-0.103***-0.224***T2 -0.008***-0.006*ln(K)2 -0.121***-0.112***ln(L)20.0210.070*ln(C)20.029**0.029 lnL×lnK-0.195***-0.123**lnC×lnK0.0270.058 lnC×lnL0.123***0.143***T×lnK0.032***0.056***T×lnL0.024***0.050***T×lnC-0.010***-0.011**非效率项N -0.110*-0.171 P-1.014***-1.777***Rt-0.001-0.004 Rt-1-0.006 Rt-2-0.020***

4 碳效率影响因素分析

为深入探讨非效率因素对碳效率的影响，本章针对不同地区和轻/重工业展开分组回归。

4.1 碳效率影响因素分地区回归分析

本文首先利用基准模型（模型三），分组识别了不同地区的碳效率影响因素，结果如表8所示。

表8 非效率项分地区回归结果
Table 8 Results of inefficiency term by region

注：*表示在10%水平显著，**表示在5%水平显著，***表示在1%水平显著。

参数上海江苏浙江安徽N-0.06-0.01-0.06-1.18**P-0.61*-4.37***-0.61*-0.41**Et0.020.010.04***-0.04**Et-1-1.33**0.04-0.002-0.04*Et-2-2.1***-0.06**-0.06***-0.1***

从表8的回归分析可以得出以下结果。

第一，国资占比对各省（市）的影响不尽相同，对上海市、江苏省和浙江省碳效率没有显著影响，但安徽省提高国有资产占比对碳效率有显著促进作用。从现实情况看，安徽省于2014年正式加入长三角地区协同发展生态圈，在融入长三角一体化发展中取得可观成绩，积极承接产业转移的同时发展自身经济。国有资产的介入利于行业发展中环境和经济的制衡，有助于经济高质量发展。文献[34]提出，国有资本有利于引导企业绿色转型。

第二，长三角三省一市工业行业碳效率均显著受到行业专业化程度的正向影响。这与文献[27]结论相反，其认为制造业专业化水平的提升或者制造业产业集聚不利于城市碳效率提高。这一结果蕴含了第二产业占比增加带来的工业碳效率对服务业碳效率的挤出。而本文专注于工业碳效率，长三角地区制造业专业技术水平在全国领先，行业专业化程度较高意味着技术优势和规模优势更强，正如文献[35]提出的技术进步和经济规模的改善是提升区域碳效率渠道。同时，长三角地区优势行业丰厚人才储备资源和生产规模效应带来的优势富集效应为低碳发展提供了充足的动力。

第三，环境规制对三省一市的碳效率均有明显促进作用，这一结论与文献[15]的结论相似。但是环境规制在三省一市的政策周期有所不同。当期环境规制能显著促进安徽省碳效率提高；上海市在环境政策规制滞后1期出现了显著的碳效率改善。环境规制政策在滞后2期对各省（市）碳效率均有显著的改善作用。由此可得，安徽省现阶段进行环境政策规制能即时促进碳效率提升，其他三省（市）有不同程度上的滞后。环境规制对碳效率的时滞作用在各地表现不同的可能原因如下：安徽省相较于其他省（市），其低碳发展历史虽然相对较短，但是从研究期间市政府对省政府相关环保政策通知、工作安排、相关地方规定的转发时间间隔来看，环境政策响应速度相对于江苏省和浙江省更快；同时过去5年是安徽省承接长三角地区产业转移的关键时期，为避免在承接产业过程中工业生产制造对地方环境的破坏，安徽省的行业政策规制文件内容详实清晰，标准制定明确，且在2010年就出台了全国首个《低碳技术发展规划纲要》，对省内产业转移过程中的绿色生产进行指导。上海市环境政策规制的时滞效应相对较短，这可能因为上海市在长三角地区乃至全国范围内都是环境保护意识较强的地区，中央环境规制主要是通过对生产污染物排放量的限制推动工业企业进行绿色改造，而上海市大部分制造业技术水准在国内处于前列，所以行业进行节能改造调整生产行为过程相对更为迅速。江苏省和浙江省存在更长的时滞，这可能源于环境监管政策工具的选择。江浙二省近年来正逐步推进行政环境监管工具向市场监管工具的转变，例如积极开展排污权交易试点、建立用能权交易市场等。相比于行政监管类工具见效快的特点，文献[36]发现市场类工具的作用周期更长，是长期推动实现碳中和目标必不可少的工具手段。

4.2 碳效率影响因素分行业回归分析

长三角地区制造业发达，轻工业和重工业都在国内占据领先地位，按照轻重工业分类方式对轻工业和重工业进行分组回归（表9），得出以下结果。

表9 非效率项分行业回归结果
Table 9 Results of inefficiency term by industry

注：*表示在10%水平显著，**表示在5%水平显著，***表示在1%水平显著。

参数重工业轻工业N -0.11*-0.01 P-6.7***-1.32***Et-0.02*** 0.01 Et-1-0.0040.003 Et-2-0.01**-0.03**

第一，国有资产占比对重工业有显著促进作用。重工业生产往往伴随着较高的能耗和排放量，然而目前针对企业碳减排的监管普遍存在底数不清和约束模糊的弊端。国资在重工业行业中的占比高意味着企业受到来自地方政府或者国企母公司更多的约束，进而积极配合碳减排政策的施行和完善。

第二，行业专业化程度是推动重工业和轻工业碳效率提升的重要因素。

第三，长三角地区的重工业碳效率受到环境规制的影响时滞效果短，说明对重工业进行环境规制能有效促进重工业碳效率的提升。而对于轻工业而言，环境政策对碳效率促进的时滞作用存在与前文中的分析相似之处，重工业如钢铁、水泥由于能耗和排放量均处于相对高值，政府对其环境约束往往是行政硬性约束，例如强制性的节能技改，能耗未达标准的企业或者流水线停工限产。从结果不难发现，环境规制有效提高了重工业行业的碳效率，且伴有能够快速起效的特点。

5 结论及政策建议

本文采用2014至2019年中国长三角地区三省一市的37个细分工业行业的面板数据集，采用SFA方法测算了各工业行业的碳效率，并进一步分析了不同地区、不同行业的碳效率影响因素。相比于地区层面碳效率的研究，本文的研究结果对地区工业碳效率进步产生了更具针对性的见解。以往研究发现环境监管可以有效提升城市碳效率[15]，制造业专业化程度的提高降低了城市碳效率[27]。而本文发现，尽管环境规制能快速推动部分行业提高碳效率，但是无法推动地区工业碳效率的长期进步；着眼于长三角地区的工业领域，专业化程度的提高对于地区工业碳效率的提升能起到长效性的影响。本文的主要研究结论如下。

1） 长三角地区三省一市的高碳效率行业存在异质性。上海市碳效率较高的行业集中在高新技术产业；江苏省高碳效率行业集中在机械设备制造以及化学纤维制造行业；浙江省的轻工行业普遍碳效率高；安徽省采矿业、金属冶炼加工行业以及废弃资源利用行业碳效率高。但长三角不同省市的高碳效率行业同时具备一定的共性，即部分具备以下特点，单位碳产出值高，资本产出比大或者专业化程度高。

2） 提高专业化程度是持续推动碳效率水平提高的关键性因素。通过分析长三角地区三省一市工业行业碳效率的动态收敛过程发现，上海和江苏专业化水平高的工业行业在研究区间内发生了明显的碳效率改进；同时发现，尽管环境规制能快速推动部分行业提高碳效率，如煤炭、金属冶炼等，但是长期看来地区碳效率没有出现整体性的进步，例如安徽省重工业行业更具碳效率优势，且对监管的反应速度较快，但是在研究区间内工业行业整体碳效率却没有随时间向更高值收敛。

3） 环境规制和专业化程度提高是影响碳效率的主要因素。通过分地区讨论，长三角三省一市工业行业碳效率均显著受到行业专业化程度的正向影响。其中，环境规制对安徽省提高碳效率的作用速度最快，在规制颁布当年就能促使碳效率显著提高，上海市和江浙二省从环境规制颁布到工业碳效率提高分别需要1年和2年的政策周期。通过分行业讨论，长三角环境规制在重工业中见效速度更快，对重工业进行环境规制能快速提高重工业行业的碳效率，但是在轻工业中存在2年的政策滞后期。行业专业化程度是推动重工业和轻工业碳效率提升的重要因素。

4） 国有资产占比的提升推动了安徽省碳效率提高，并推动了长三角地区重工业碳效率提高。国有资产占比的提高有利于高耗能企业更积极配合环境监管。国有资产占比提升能推动安徽省碳效率提高，但对其他地区碳效率改变结果在统计上不显著的原因是：安徽省是最晚加入长三角协同发展生态圈的省份，在生态圈中处于承接工业产业的一方。“十一五”期间安徽省承接了大量来自浙江省、江苏省以及上海市的高污染、高耗能产业以实现工业快速增长，造成环境负荷增大。安徽省政府以国资进驻加强了高污染高耗能企业的环境责任的履行，因此，呈现出国有资产占比提升对安徽省碳效率的正向推动作用。此外，国有资产占比能推动长三角地区重工业碳效率提升，但对轻工业碳效率的作用效果在统计上不显著的原因是：与轻工业相比，重工业生产往往伴随着较高的能耗和排放量，增加了地方政府的环境压力。在重工业行业内扩大国资占比意味着向企业施加更多来自地方政府或者国企母公司的约束，进而促使企业积极配合地方碳减排规划。

针对本文的研究结论，提出以下政策建议。

1） 应将行业碳效率作为长三角地区一体化发展产业转移政策制定的重要参考。由于长三角高碳效率行业存在区位异质性，因此部分产业转移能够促进区域碳效率水平的提升，实现产业转移地区和承接地区的低碳减排双赢。比如，采矿业和金属冶炼等重工业在江苏、浙江和上海均不具备碳效率优势，但是在安徽由于受到监管和国有资产的制约成为了高碳效率行业。

2） 应进一步强化国有资产和环境监管对重工业行业碳排放的约束能力。长三角地区重工业发达，而重工业往往伴随高能耗高排放。在长三角重工业迁移和转型的过程中应加强地方政府和国企母公司与重工业企业的环境责任联系，通过问责机制推动重工业企业采取低碳措施。以命令控制性环境政策进行短期调控，防止出现底数不清和超排的问题；在长期方面加强市场环境监管，鼓励重工业企业参与绿电交易或用能权交易。

3） 应不断提高行业专业化程度以提升地区整体工业碳效率水平。一是加强长三角地区绿色发展优势企业的对外交流，促进行业间技术传播，提升行业专业化能力；二是加强行业内绿色创新技术的交流合作，注重打造行业技术优势、提升地区行业专业化水平；三是弱化区域间产业转移和要素共享的行政壁垒，树立资源有效配置在产业集聚发展和工业碳效率提高中的导向性地位。

附录A 工业细分行业编号及制造业轻重工业划分

表A1 工业细分行业编号及制造业轻重工业划分
Table A1 Industry code and manufacturing classification

行业编号行业名称轻重工业划分1煤炭开采和洗选业2石油和天然气开采业3黑色金属矿采选业4有色金属矿采选业5非金属矿采选业8农副食品加工业轻

续表

行业编号行业名称轻重工业划分9食品制造业轻10酒、饮料和精制茶制造业轻11烟草制品业轻12纺织业轻13纺织服装、服饰业轻14皮革、毛皮、羽毛及其制品和制鞋业轻

续表

行业编号行业名称轻重工业划分15木材加工和木、竹、藤、棕、草制品业轻16家具制造业轻17造纸和纸制品业轻18印刷和记录媒介复制业轻19文教、工美、体育和娱乐用品制造业轻20石油加工、炼焦和核燃料加工业重21化学原料和化学制品制造业重22医药制造业重23化学纤维制造业重24橡胶和塑料制品业轻25非金属矿物制品业重26黑色金属冶炼和压延加工业重27有色金属冶炼和压延加工业重28金属制品业重29通用设备制造业重30专用设备制造业重31汽车制造业重33电气机械和器材制造业重34计算机、通信和其他电子设备制造业重35仪器仪表制造业重36其他制造业轻37废弃资源综合利用业39电力、热力生产和供应业40燃气生产和供应业41水的生产和供应业