【我国产业生态经济系统区域协同优化实证研究10000字（论文）】

24我国产业生态经济系统区域协同优化实证研究目录TOC\o"1-3"\h\u19403我国产业生态经济系统区域协同优化实证研究 193481.1问题的提出 139591.2基于负向关联的灰色关联分析模型构建 4170761.3我国产业生态经济系统区域协同优化实证分析——以京津冀地区为例 847161.3.1京津冀区域协同因子序列构建 8219931.3.2京津冀区域协同的系统行为序列构建 9262971.3.3京津冀产业生态经济系统区域协同优化结果分析 1122771.4小结 141.1问题的提出为彰显大国应对气候变化的责任和担当，中国2020提出了力争2030年碳排放达到峰值的目标，而在2060年基本实现低碳零碳转化。然而近年来，随着中国经济增长方式的转变，如何平衡碳减排与经济增长成为亟待解决的关键问题，其中碳生产率作为一个关键指标[96]，其改善的速度反映了各国(地区)在发展经济时应对气候变化所作的努力[97]。正如麦肯锡2008在报告《碳生产率的挑战:如何遏制全球变化并保持经济增长》中提出的：任何成功的碳减排气候变化技术都必须支持两个目标-既要稳定甚至降低气候中的温室气体效应水平，又要保持合理的经济增长，正是“碳生产力”能够将这两个目标完美结合起来[98]。但是，这一指标割裂了碳排放与资本，劳动力，能源和技术之间的内在关联，难以反映多种投入和多种产出的综合效应，因此，相关研究进一步基于数据包络分析(DEA)和方向距离函数(DDF)更科学地衡量全要素碳生产率[99-101]。然而，资本、劳动力、技术等生产要素以及碳排放在邻近地区具有较强的空间流动性[102]。因此，在面对多个区域时，全要素碳生产率的提高应考虑区域间多要素流动的综合影响，至于区域间要素流动是否会缩小区域差距，由于核算方法和样本选择的差异，不同学者得出的结论并不完全一致。基于Romer的经济增长模型，有学者认为设备、机器等实物形态的实物资本在区域之间可以自由流动，虚拟金融资本的作用会加速区域经济走向均衡[103]。通过对9个亚洲国家的研究，Eng发现资本流动对经济增长的影响呈现出不对称性，该特征对流入的影响不大，却对流出的影响产生出显著的负效应[104]。另外，因为中国劳动力流动的经常存在户籍限制，这样势必会导致经济中呈现出明显的中心-边缘现象，经济差距不可避免的会不断增加[105]。文献[106]利用CGE模型发现，劳动力跨区域流动虽然扩大了地区之间的经济规模差距，但却非常有利于缩小人均收入差距，且效应与流动强度呈现显著的正相关关系。不同于资本和劳动力，区域之间知识、技术等创新要素的流动促进了知识的整合与融合，催生了新知识、新技术，进而促进了相应区域的协同发展，成为众多学者的普遍共识[107-108]。碳排放空间流动除了合理控制本地高能耗产业，还受到温度、湿度、风向等自然因素的影响，区域间政策的联防联控更为重要。现有研究强调跨区域联动以获得区域协同效应，而各区域存在的制约因素很少涉及，尤其是当区域间存在较大的经济差异或政策导向时，同一因素的区域差异决定了其使用方式、利用程度等[109]，如果忽略上述制约因素的负面影响，区域协同效应可能会大大降低。因此，全要素碳生产率的协同改进，应跨地区联动还是分地区改善，以及如何有效识别两者的地位成为本文研究的核心问题。而问题的解决需从全要素碳生产率协同改进的本质入手：一是在既定技术水平下，存在多种影响投入与产出最优化配置的结构状态，如要素结构、产业结构、管理结构、组织结构等，通过生产要素在区域间（或同一地区部门间）的快进快出过程,使得优质要素借助于竞争和筛选逐步被最合适的地区（或部门）保留下来,多种结构状态形成结构优化效应。研究证实，劳动力、资本等生产要素在地区(或部门)之间自由流动，将优化区域分工协作体系，引入先进的管理水平和组织结构，缩短要素配置半径，降低产品的综合生产成本，并相应提高了要素收入和价值链位置[110]。二是提高现有技术水平，主要涉及生产工艺，中间投入和制造技能的创新和改进，区域间(或部门间)通过技术转让、技术合作等方式，从高水平地区(或部门)向低水平地区(或部门)的技术溢出潜力，逐步形成技术优化效应。例如，文献[111]通过对技术交易合同与技术潜在差异的比较，发现技术转移的主要原因是由于技术潜在差异的存在。可以发现，全要素碳生产率改进的动力来源将引导区域间资源配置的流向，改变整个区域的运行效率，最终决定了跨区域协同效应的强弱及影响方向。文献[113]认为，中国不同地区全要素碳生产率之间的动力来源还是存在较大差异的，通过对1997-2009年30个省份的数据分析，认为技术创新则是中西部地区的核心动力，而产业集聚是东部地区动力来源的关键因素。文献[114]基于GML指数，通过对1994-2011年32个细分行业的数据分析，发现技术进步才是我国全要素碳生产率提高的核心动力来源，而产业结构和能源结构的优化则起着次要的作用。事实上，对全要素碳生产率改进来源的分解，从技术水平是否改变的视角，展示了地区的联动性和差异性，有利于跨区域协同目标实现过程中不同地区的灵活调整。低碳经济作为产业生态经济系统其中最重要的协同内容，对其进行研究，将为中国化解经济可持续增长与碳减排冲突提供典型样本，同时也是亟待研究的重要学术命题。基于此，本文以产业生态经济系统的区域协同优化为主要研究内容，试图回答以下问题:区域协同发展既涉及跨区域联动，又涵盖次区域提升，为实现协同目标，两者之间是什么关系？是否存在特定的约束条件？在区域协同目标视角下，如何有效识别协同抑制因子，以及各关联因子对不同动力来源的贡献地位？上述问题的解决，将成为中国跨区域高层协同的关键。低碳经济作为产业生态经济系统其中最重要的协同内容，对其进行研究，将为中国化解经济可持续增长与碳减排冲突提供典型样本，同时也是亟待研究的重要学术命题。基于此，本文以产业生态经济系统区域协同优化为主要研究内容，试图回答以下问题：区域协同发展既涉及跨地区联动，又涵盖分地区改善，为实现协同目标，两者分别起到怎样的作用关系？是否存在特定的约束条件？在区域协同目标视角下，如何有效识别协同抑制因子，以及各关联因子对不同动力来源的贡献地位？以上问题的解决将成为中国跨区域高水平协同的关键。 因此，围绕区域协同，本文首先构建协同因子序列和系统行为序列，然后构建基于负向关联的灰色关联分析模型，通过协同因子和系统行为的灰色关联分析，识别关键的协同因子，最后根据区域协同因子的类别，从而确定区域协同优化的方式。由于常用的影响因子分析法如回归分析、相关分析等，都需要大量的样本来支撑，同时又不能有效处理典型的面板数据，而对于跨期过大的样本则会弱化相应因子对现阶段的决定性作用。为解决这一矛盾，本文选择灰色关联分析模型，影响因子可能包含制约与促进等双重关系，系统行为和各个因子间包含各种程度的正负向关联关系，并且随着系统发展，正向关联的促进作用，十分有可能转化为负向关联的抑制作用，最终表现出负向关联的特征。然而，现有的灰色关联的理论分析和应用研究多侧重于关联因子对系统行为的正向效应，即促进作用，往往忽略了关联因子的负向影响，即抑制或限制作用关系，明显制约了我们对系统发展演变的深入认知。因而，需要扩展的负向灰关联分析理论的边界，辨别系统中关联因子对系统的制约关系，这样才能深入理解系统的变化态势与优化机制。1.2基于负向关联的灰色关联分析模型构建现有模型多数依旧符合规范性公理，即假定关联因子均与系统行为间为正向关联关系，这些模型在面对负向关联时，通常通过逆化算子或倒数化算子将负向关联转化为正向关联再研究。但在实际应用中，当系统内的关联因子较多且变化趋势差异较大时，往往难以判断每个因子的关联方向，也就无法将系统可能存在的正向关联与负向关联纳入同一分析框架内研究。少数模型不符合规范公理，如T型关联模型[115]、斜率关联模型[116]、灰色动态趋势关联模型[117]、周期关联模型[118]等，这些模型均是以点相关性为出发点，计算各数据点的系统行为序列与关联因子关系，当变化情况同向时呈现出正相关特征，否则呈现出负相关特征。然而基于点关联的方法却存在以下两点不足：一是点关联仅仅注重局部的关联方向，不仅忽视灰关联分析的整体性思想，而且经常容易受到随机扰动的影响，这样的结果会导致对关联因子整体关联方向与强度判断的产生严重误差；二是从增量出发的关联度度量方法，不考虑数据的绝对位置，导致点关联为负值，即关联因子与系统行为序列增量的方向相反时，二者的距离反而有可能更接近，其关联度不满足接近性公理。因此，为了解决整体思想下灰色系统中负相关因素的识别和量化问题，本文基于邓氏灰色关联分析模型[119]，具体针对点关联识别关联方向的模型工具缺陷，从整体视角下识别出关联因子的关联方向，并通过扩展公理对原有模型进行适当改进，构建扩展的灰色关联分析模型。（1）灰色关联公理的扩展规范性公理要求系统内的关联关系为正向关联，为使负向关联关系与公理体系相容，本研究在修正偶对对称性与整体性公理的基础上，对规范性公理进行扩展，具体如下：设系统行为序列，关联因子序列及其逆化象满足(1.1)(1.2)其中为常数，取，给定实数及，若(1.3)(1.4)满足：1）规范性（Norm）,(1.5),(1.6)2）整体性（Whole）令，其中，，有(1.7)3）偶对对称性（Symmetry）对于任意，有(1.8)4）接近性（Closing）越小，越大越小，越小称为与的正向灰色关联度，为与在k点的正向关联系数；称为与的负向灰色关联度，为与在k点的负向关联系数。上述条件将灰色关联度的取值扩展到[-1,1]区间。（2）扩展灰色关联模型构建本研究基于扩展的灰色关联公理，设计了包含负关联的灰色关联计算方法。令，以表示与的正向或负向关联，(1.9)取，，，灰色关联度的计算基于邓氏灰色关联分析模型，灰色关联系数体现点集拓扑空间与距离空间的结合，其点集拓扑空间的取值区间C为(1.10)取为分辨系数，令，，则灰色关联系数与灰色关联度(1.11)(1.12)当，与正向关联，则，显然，并且；同理，当，与负向关联，则，显然，并且。灰色关联系数与灰色关联度。满足扩展的灰色关联公理。以上灰色关联度的计算是对邓的灰色关联分析模型面向负相关关系的扩展，问题的核心在于如何确定取值，即判断系统行为序列与诸多影响因素是正相关关系还是负相关关系。由于灰色关联系数的点集拓扑空间值区间C受该值的影响，任意关联因子序列的关联方向判断的变化都可能导致系统整体灰色关联度的变化。从系统整体考虑，值的确定应依据以下准则：1）从距离空间出发，由接近性公理可知，关联因子序列与系统行为序列间关联度的绝对值越大，则在距离空间中越接近，所以应选取满足最大的值；2）从点集拓扑空间出发，点集拓扑空间的取值区间C反映系统点集的整体分布情况，其分布离散程度越低则代表关联因子序列中的离群数据点越少，所以应选取满足最小的值。基于以上分析，建立了如下非线性约束优化问题。(1.13)上述最优化问题难以直接求解，向量的取值有种可能，其数量随关联因子序列个数的增加呈指数增长。为降低计算开销，本文采用遗传算法确定向量的最佳取值，进而计算灰色关联系数与灰色关联度。遗传算法是一种通过模拟自然进化过程搜索最优解的方法，从随机产生的一组初始解开始,通过选择、交叉、变异等操作逐步迭代最终得到最优解，具体如下：1）采用二进制编码（式1.9），向量即为遗传空间的个体，代表各个关联因子序列与系统行为序列的关联方向。2)初始种群由一组初始向量随机生成，同时不同的个体值异质特征将产生差异化的适应度，这是由适应度函数进行选择确定的。3）以目标函数作为适应度，即系统内系统行为序列和所有关联因子序列的灰关联程度的绝对值之和与其点集拓扑空间区间的长度之比。4)选择算子使用轮盘赌算法，个体遗传的概率与其适应度成正比关系。5)交叉算子取任意随机配对的单点，在个体编码串中随机设置一个交叉点后，两个配对中个体的部分基因在这个点上进行交换。6)突变算子则采用单点突变操作，在单个编码字符串上随机指定一个基因实施突变操作。7)当迭代次数达到预设代数时，算法终止。1.3我国产业生态经济系统区域协同优化实证分析——以京津冀地区为例京津冀位于中国北部沿海地区，总面积21.67×106公顷，人口占比7.1%，2016年的经济总量占中国GDP的10.03%，但各区域间生态经济发展水平却极不平衡。京津冀协同发展作为中国三大发展战略之一，低碳经济是其中最重要的合作内容，因此研究如何提高京津冀的区域协同，将为我国解决可持续经济增长与碳减排之间的冲突提供典型样本参考，同时这也是当下亟待研究的重要学术命题。因此，基于要素的空间流动性以及分地区差异性特征，结合经济、能源、碳排放三个影响产业生态经济系统协同发展的领域，本节以京津冀地区为例，进行产业生态经济系统区域协同因子的确定和区分，并从技术效率和技术进步视角，分析了不同区域协同因子对京津冀绿色全要素生产率的影响方式。1.3.1京津冀区域协同因子序列构建前文提出，由于区域协同不仅仅通过跨地区联动来获取区域协同效应，若各地区本身存在某种制约因子，如技术水平严重落后、劳动力严重短缺等问题，由此带来的“木桶效应”跨区域联动并不能取得良好的协同效果，因此将京津冀区域协同因子划分为跨地区联动因子和分地区改善因子两个方面，有助于识别局部地区的制约因子。跨地区联动因子：劳动、资本、技术等要素的流动性代表了典型的区域间社会分工和生产协作，从古典学派到马歇尔、到现代西方各学派以及马克思的经济理论中，要素的自由流动构成了其理论和政策的基本点，通过流动程度的改变,影响要素效率的发挥以及资源的配置效率。由于技术转移和技术合作是提高跨区域技术进步最直接的因素，因此，本文以此作为技术进步的衡量标准，而劳动、资本的合理流动，会促使要素逐步处于最佳配置状态，在一定时期内更多的反映了技术效率的改善。同样的，对于碳排放，京津冀以一体化碳排放交易市场为依托，允许企业在碳排放交易规定的排放总量不突破的前提下，可以用这些减少的碳排放量，使用或交易企业内部以及区域外的能源，在一定时期内更多的反映了碳配额的合理分配，具备典型的技术效率特征，具体指标以碳排放交易规模进行衡量。分地区改善因子：分地区技术效率视角下，劳动力素质和资本利用水平各个地区因地制宜，具备典型的地区差异化特征。现阶段我国已经成为名副其实的能源消耗大国，能源结构调整的目的在于各种能源占能源总量的比例与在一定的资源和技术经济条件下使这种比例趋于合理，以达到提高能源开发利用整体效益的目的，从而间接的降低碳排放，各地区结构差异化明显。由于煤炭仍然是中国的能源主体，因此煤炭消耗/能源消耗可以作为替代变量。而分地区技术进步指标，基于技术进步的形成过程，包含前端研发投入力度，中端技术储备，以及末端科技成果转化。京津冀全要素碳生产率关联因子具体衡量指标请参见下表1.1。表1.1京津冀产业生态经济系统区域协同因子系统行为X0技术效率衡量指标技术进步衡量指标关联因子跨地区联动X1跨地区劳动流动性外来人口就业比重Y1跨地区技术转移力度专利转让量X2跨地区资本流动性对外贸易总额比重Y2跨地区技术合作程度技术合同成交额X3跨地区碳排放流动性碳排放市场交易额--分地区改善X4分地区劳动力素质（X7、X10）大专以上人口比重Y3分地区技术储备（Y6、Y9）有效发明专利量X5分地区资本利用水平（X8、X11）固定资产回报率Y4分地区科技成果转化（Y7、Y10）专利授权量X6分地区能源结构特征（X9、X12）煤炭资源比重Y5分地区研发投入力度（Y8、Y11）R&D占GDP比重注：分地区改善中技术效率的X4、X7、X10以及技术进步的Y3、Y6、Y9分别为京津冀对应指标1.3.2京津冀区域协同的系统行为序列构建全要素碳生产率从整体上反映了产业生态经济系统区域协同效果，因此用全要素碳生产率作为京津冀产业生态经济系统区域协同的系统行为序列，由于全要素碳生产率可以进行分解，便于细化协同因子对各分解变量的直接影响，进而间接影响全要素碳生产率。因此，本节首先通过对京津冀全要素碳生产率的测算以及分解，明确其主要动力来源，以及不同动力来源对全要素碳生产率的贡献作用，有利于不同系统行为下对应关联因子的确定。（1）全要素碳生产率的测算基于Oh[144-145]的相关研究，可以定义全要素碳生产率指数（MML-index）：（1.14）和分别为t时期、t+1时期的共同前沿方向性距离函数，而FCSt，LIt，ECt，RIt，IVAt，CEt则分别为t时期的固定资本投入、劳动力投入、能源投入、产业增加值以及碳排放量。（2）全要素碳生产率的来源分解基于Oh[120-121]的研究，全要素碳生产率指数能够被分解为两部分，具体公式如下：（1.15）其中，和分别指的是同期技术集下的方向性距离函数和跨期技术集下的方向性距离函数。EC表示效率的变化，其内在经济含义是通过比较不同时期的决策单元相对于生产前沿的距离，即不同时期的实际产出水平与各自最优产出水平之间的距离之比。如果EC>1，则表示技术效率改进，意味着投入产出水平更接近于当期最佳生产前。BPC代表技术进步，其内在经济含义是比较不同时期生产前沿的移动距离，即同一投入在不同时期的最优产出水平之比。如果BPC>1，则技术进步意味着当前生产前沿向跨期生产前沿方向移动，期望产出得到增加，而非期望产出得到减少。1.3.3京津冀产业生态经济系统区域协同优化结果分析1）京津冀全要素碳生产率的测算与分解由于以上方法对于决策单元的数量限制，京津冀以13个城市作为底层研究对象，同时将河北11个城市相关变量进行加总，包括京津冀整体共15个决策单元一起进行测算。本文的数据来源主要包括2012-2020《北京统计年鉴》、《天津统计年鉴》、《河北统计年鉴》、《中国能源统计年鉴》、《中国环境统计年鉴》和《中国城市统计年鉴》。以及京津冀三地历年政府统计公报。由于北京，天津和河北的煤炭，石油和天然气的总消费量约占一次能源的85%，因此碳排放的计算主要基于这三类能源，而碳排放系数参照国家发改委能源研究所公布的推荐值，煤炭、石油和天然气分别为0.7476、0.5852和0.4435。根据历史平均变化趋势逐年调整三种能源在各地区消费总量中的比重。本文用职工人数来衡量劳动投入，而资本投入则按永续盘存法计算，通过固定资本形成金额除以固定基础投资价格指数得到投资，投资价格指数是各省的固定资产投资价格指数，折旧率为10.96%[122]，初始资本存量为基期固定资产投资除以折旧率和基期附近固定资产投资增长率。本文的产出为以不变价衡量的各省GDP，选取各省的消费价格指数作为折算指数，并以2010年为基期对数据进行调整。最后，利用MATALB2015a，测算出京津冀不同区域历年的全要素碳生产率，结果见下表1.2。表1.2京津冀各区域历年全要素碳生产率年份地区201120122013201420152016201720182019北京0.7540.8010.8150.8780.8990.9230.9380.9481天津0.6710.7140.7620.8190.8530.9050.9140.9210.925河北0.5720.6330.7770.8120.8130.8850.8220.7730.797京津冀0.6910.7420.7640.8230.8840.9010.9040.9150.923结果显示：就全要素碳生产率的绝对值而言，京津冀处于总体改善阶段，除了河北在2017年呈现波动态势，北京和天津均多年持续提高，因此未来应着重提高河北全要素碳生产率，避免成为京津冀协同发展的短板；从全要素碳生产率变化率来看，河北全要素碳生产率增长最快，其次是天津和北京，不过，北京在京津冀可能更多的是对区域的领先和溢出效应。天津处于稳定发展阶段，而河北的未来发展潜力最大。然后，利用公式（1.15）对全要素碳生产率进行分解，细化协同因子的灰关联分析，得出京津冀各区域历年技术效率和技术进步。如下表1.3-1.4所示。表1.3京津冀各区域历年技术效率年份地区201120122013201420152016201720182019北京0.7160.7390.7490.8080.8320.8450.8530.8730.917天津0.6610.6840.7180.770.810.8570.9050.8880.784河北1.1571.1911.10051.1451.2381.131.0741.0561.052京津冀1.0021.0011.0031.0051.0081.0121.0191.0211.025表1.4京津冀各区域历年技术进步年份地区201120122013201420152016201720182019北京1.0531.0831.0881.0861.0811.0921.0991.0861.091天津1.0151.0441.0611.0631.0531.0561.011.0371.17河北0.4940.5310.7060.7090.6560.7830.7650.7320.757京津冀0.6890.7410.7610.8180.8760.890.8870.8960.9结果显示：就京津冀整体而言，技术效率改进仍处于主导地位，表现为强化效果，技术进步的贡献虽呈现逐年增大的特征，仍表现为弱化效果；分地区看，京津地区全要素碳生产率的主要来源是技术进步，河北则主要是效率提升。实证结果表明，跨区域协同驱动全要素碳生产率改进的主要来源在不同区域会表现为差异化的放大或减缓效应，各区域应根据自身特征进行针对性调整。2）京津冀区域协同因子影响强度排序原始数据资料从《中国统计年鉴》、《中国能源年鉴》、《京津冀统计年鉴》《中国城市统计年鉴》以及相关政府报告等权威来源获取。数据处理过程如下：(1)一些索引数据未发布。在本研究中，使用相邻非缺失值的线性插值来填充缺失值。(2)为了消除异常数据的影响，本研究使用中位数绝对离差法(MAD)识别异常值，并使用线性插值代替它们。(3)对所有指标数据进行无量纲处理，本研究对数据进行了归一化，并使用区间缩放将数据映射到[0,1]区间。基于上文构建的模型，测算京津冀各关联因子，并结合前文全要素碳生产率分别代表系统行为序列和关联因子序列。2011-2019年京津冀全要素碳生产率系统行为序列和关联因子序列。为分析各个关联因子对京津冀全要素碳生产率系统行为的影响，取分辨系数。本文模型都是以距离空间与点集拓扑空间的结合计算关联度，京津冀技术效率、技术进步分别与关联因子的强度排序如下表1.5所示。表1.5京津冀技术效率与关联因子强度排序技术进步关联度关联方向关联强度排序X10.813正3X20.802正4X30.779正6X40.751正7X50.722正8X60.634正12X70.683正10X80.709正9X90.662正11X100.883正1X110.845正2X12-0.796负5表1.6京津冀技术进步与关联因子强度排序技术效率关联度关联方向关联强度排序Y10.896正2Y20.914正1Y30.879正3Y40.826正5Y50.854正4Y60.811正6Y70.762正8Y80.798正7Y90.625正11Y100.666正10Y110.683正9结果显示：河北劳动力素质和资本利用水平等分地区改善因子的提高是改善技术效率的主要动力；河北能源结构特征等分地区改善因子对技术效率的提高产生抑制作用；跨地区联动因子是提升京津冀技术进步的关键，区域间技术转移和技术合作效果显著。基于前文京津冀历年技术效率值和技术进步值，可以得出2011-2019年间两者均值分别为1.011、0.892，分别表现为放大和减缓效应，结合技术效率和技术进步与对应关联因子的关联度，可以得出京津冀全要素碳生产率下各关联因子的关联程度，如下图1.1所示。图1.1京津冀全要素碳生产率与关联因子强度序列图基于图1.1，通过关联因子强度排序图，可知跨地区联动和分地区改善均能促进京津冀全要素碳生产率的协同改进，但应优先分地区改善，其次是跨地区联动；分地区改善应提高河北劳动力素质和资本利用水平，同时降低河北能源结构中碳比重等；跨地区联动应促进地区间的技术转移、技术合作，以及