减少碳排放、提高经济发展环境效率是在碳中和背景下推动绿色可持续发展和经济增长的重要途径。据国际能源机构报道，2022年亚太地区碳排放量超过全球碳排放总量的一半，其中中国碳排放量占亚太地区碳排放总量的30.7%，远超其他地区^[1]。县域作为我国基础行政区域，其CO₂排放量占全国排放总量的60%以上^[2]。如何在保持经济平稳增长的同时减少CO₂排放、加强生态文明建设，实现社会经济高质量与可持续发展是当今全球普遍面临的难题。

碳排放效率从资源有效配置角度出发，旨在最大限度地减少CO₂排放与资源投入，同时最大化经济产出，是衡量碳排放治理效能与低碳经济发展的重要指标^[3-4]。目前，碳排放效率指标主要包括单要素碳排放效率和全要素碳排放效率。单要素碳排放效率是指单一投入指标与单一产出指标的比值。例如，Zhang等^[5]采用碳排放量与GDP产出量的比值来衡量碳排放效率，并探讨中国19个城市群碳排放效率与城市群空间功能划分之间的关系。Vujovic ' 等^[6]则从能源消费量角度出发，分别计算CO₂基于替代能源、化石能源和可再生能源的碳排放效率。单要素碳排放效率具有操作简单、便于计算、易于理解的优点，但其片面强调CO₂排放量与某一投入或产出要素之间的绝对关系，忽视了碳排放产生与复杂社会生产活动之间的内在关联。在单要素碳排放效率研究基础上，有学者开始尝试从多个投入、产出要素视角测度碳排放效率。Zaim等^[7]最早基于全要素碳排放效率思想，将CO₂排放作为非期望产出，采用非参数方法对经济合作与发展组织(OECD)国家的碳排放效率进行测度。后续研究不断拓展这一概念，综合资本、劳动力、能源等多种要素，构建了更全面的测度指标体系^[8]。在研究方法方面，主要分为静态效率测度和动态效率评估两大类。静态效率测度中，随机前沿分析(Stochastic Frontier Analysis, SFA)和数据包络分析(Data Envelopment Analysis, DEA)最具代表性。杜克锐等^[9]、孙兴等^[10]和Wang等^[11]分别采用随机前沿模型，从省区、城市和流域3个层级研究碳排放效率。杨清可等^[12]、冯冬等^[13]、苗青等^[14]等借助基于松驰度量-数据包网络分析(SBM-DEA)模型，揭示了我国长三角地区、京津冀地区以及黄淮海粮食主产区的碳排放效率水平与时空变化特征。动态效率评估方面，学者们多采用马尔奎斯特(Malmquist)指数或收敛性分析来弥补静态效率测度的时空局限性。王诚等^[15]、张娜等^[16]以长江经济带为研究对象，综合运用SBM-DEA模型和Malmquist指数测度碳排放效率及区域差异。此外，空间收敛模型^[17-18]、马尔可夫模型^[19]、基尼系数^[20]等方法也被应用于工业^[21]、农业^[22]、旅游业^[23]及土地利用碳排放效率^[24]的研究中。

现有研究多采用静态效率测度或动态效率评估方法开展区域性的碳排放效率评估，以此对区域性碳排放的时空变化特征进行分析，取得了一定的成果。然而，多数研究仅基于单一测度方法或SBM模型展开，结合超效率(Super-SBM)模型和Malmquist指数、从静态和动态两方面综合测度碳排放效率的研究相对较少。相较于SBM模型，Super-SBM模型能够对效率值大于1的决策单元进行进一步评价，从而使测度结果更加符合实际。在研究热点上，现有研究多聚焦于京津冀、长三角等经济与农业密集区域，且研究尺度主要集中在国家、省、市层面，针对县域的研究较为匮乏。县域作为我国碳减排政策实施的基础单元，是推动绿色低碳发展的关键环节，对其碳排放效率进行研究，有助于为区域碳减排政策的制定提供科学依据。

珠江-西江经济带作为华南地区重要的生态走廊，地处我国东部开放型经济与西部资源型经济的连接带，上下游各地区在社会经济发展和生态环境方面存在较大差异^[25]。从全要素视角出发，综合资本、劳动力、能源消费等多种要素，科学探究经济带碳排放治理效能，不仅能够促进资源合理利用、避免浪费，还能拓宽“绿水青山就是金山银山”的转化路径，助力珠江-西江经济带实现高质量发展。因此，本研究以县域单元的全要素碳排放效率为切入点，综合运用Super-SBM模型、Malmquist指数和达格姆(Dagum)基尼系数等分析方法，探究珠江-西江经济带碳排放效率的水平现状、区域差异及效率内在增长动力，以期为经济带协同减排政策的制定和跨省区生态文明建设提供科学依据。

1 材料与方法 1.1 研究区域概况

珠江-西江经济带是我国首个国家级跨省区生态建设经济带，是珠江三角洲地区转型发展的战略腹地，在全国区域协调发展和面向东盟开放合作中具有重要战略地位。经济带核心区涵盖南宁、柳州、崇左、百色、贵港、来宾、梧州、广州、佛山、云浮及肇庆等11个地级市(图 1)，区域总面积16.5×10⁴ km²。整体地势呈西北高、东南低的分布格局，地貌以低山丘陵为主，气候主要为中、南亚热带季风气候，生境类型多样，自然资源丰富。2022年珠江-西江经济带GDP达30 435.41亿元，年末常住人口为6 280.32万人，珠江-西江经济带以广东、广西35.47%的人口贡献了38.89%的经济总量，区域协调带动作用显著。

1.2 计算方法 1.2.1 碳排放效率计算

本研究基于珠江-西江经济带67个区县2003-2017年投入产出数据，运用Matlab R2022a软件求解Super-SBM模型，得到各研究单元2003-2017年的碳排放效率值，并计算出各区县单元碳排放效率历史均值；同时，本研究将经济带67个区县按照行政区划属性划分为广西市区、广西县域、广东市区以及广东县域4个地区，并分别计算4个区域碳排放效率的历史贡献均值，以探究上下游区县之间碳排放效率差异。行政区划名称处理遵循以下原则：①时间一致性原则。本研究使用的碳排放数据来源于中国碳核算数据库(CEADs)，其县域单元碳排放量严格依据2010年行政区划名称统计。为确保数据与空间单元的精确匹配，文中所有行政区划名称均统一采用2010年法定名称。②功能等效性原则。为分析珠江-西江经济带上下游市辖区与县域之间的碳排放效率差异，将县级市与市辖区中的非核心功能区统一归类为“县(County)”层级，与地级市主城区形成对比组, 以增强分析的可比性。

包含非期望产出的SBM模型由Tone^[26-27]首先提出。该模型在传统DEA方法的基础上引入松弛量的概念，最终形成一种非径向DEA模型。SBM模型具有非径向和非导向的特点，能够避免使用统一扩张或压缩比例而导致效率测度不准确的问题，即不强制要求投入与产出等比例改进，从而更加符合实际生产状况^[28]。Super-SBM模型弥补了普通SBM模型多个决策单元效率值为1时难以对决策单元进行比较的不足，能够对效率值为1的决策单元效率进行进一步评价^[29]。

本研究采用包含非期望产出的Super-SBM模型对珠江-西江经济带的静态碳排放效率进行分析，计算公式如式(1)所示。

$ \begin{gathered} \min \rho=\frac{1+\frac{1}{m} \sum\limits_{i=1}^m \frac{s_i^{-}}{x_{i k}}}{1-\frac{1}{q_1+q_2}\left(\sum\limits_{i=1}^{q_1} \frac{s_r^{+}}{y_{r k}}+\sum\limits_{z=1}^{q_2} \frac{s_z^{b-}}{b_{z k}}\right)},\\ \text { s.t. }\left\{\begin{array}{l} \sum\limits_{j=1, j \neq k}^n\left(x_{i j} \lambda_j-S_i^{-}\right) \leqslant x_{i k}, (i=1, \cdots, m) \\ \sum\limits_{j=1, j \neq k}^n\left(y_{r i} \lambda_j+s_r^{+}\right) \geqslant y_{r k}, \left(r=1, \cdots, q_1\right) \\ \sum\limits_{j=1, j \neq k}^n\left(b_{z j} \lambda_j-S_z^{b-}\right) \leqslant b_{z k}, \left(i=1, \cdots, q_2\right) \\ 1-\frac{1}{q_1+q_2}\left(\sum\limits_{r=1}^{q_1} \frac{s_r^{+}}{y_{r k}}+\sum\limits_{z=1}^{q_2} \frac{s_z^{b-}}{b_{z k}}\right)>0, \\ \left(\lambda_j, s_i^{-}, s_r^{+}, s_z^{b-} \geqslant 0\right) \end{array}\right. \end{gathered}, $

(1)

式中：ρ为目标函数，即碳排放效率值；j为各个决策单元；k为被评价单元；n为评价决策单元数量；i为投入要素序号；r为期望产出序号；z为非期望产出序号；λ为决策单元的权重向量；m、q₁、q₂分别为投入、期望产出和非期望产出的变量个数；x_ij、y_rj、b_zj分别为第j个决策单元的投入、期望产出和非期望产出值；s_i^-、s_r⁺、s_z^b-分别为投入、期望产出和非期望产出的松弛变量；x_ik、y_rk、b_zk分别代表被评价单元k的投入、期望产出和非期望产出。

1.2.2 碳排放效率内部增长动力分解

为更好地研究决策单元碳效率动态变化情况及碳排放效率内在增长动力，本研究将基于Färe等^[30]提出的Malmquist指数模型对各决策单元排放效率的动态变化情况展开分析，并在规模报酬条件可变的情况下按照效率内在增长动力的不同，将其划分为不同驱动类型。Malmquist指数模型公式为

$ \;\;\;\;M\left(x^t, y^t, x^{t+1}, y^{t+1}\right)=\frac{D_c^{t+1}\left(x^{t+1}, y^{t+1}\right)}{D_c^t\left(x^t, y^t\right)} \times \\ \sqrt{\frac{D_c^t\left(x^{t+1}, y^{t+1}\right)}{D_c^{t+1}\left(x^{t+1}, y^{t+1}\right)} \times \frac{D_c^t\left(x^t, y^t\right)}{D_c^{t+1}\left(x^t, y^t\right)}}=E C \times T C= \\ \frac{D_v^{t+1}\left(x^{t+1}, y^{t+1}\right)}{D_v^t\left(x^t, y^t\right)} \times \frac{\frac{D_c^{t+1}\left(x^{t+1}, y^{t+1}\right)}{D_v^{t+1}\left(x^{t+1}, y^{t+1}\right)}}{\frac{D_c^t\left(x^t, y^t\right)}{D_c^t\left(x^t, y^t\right)}} \times T C=P E C \times\\ S E C \times T C, $

(2)

式中：(x^t, y^t)、(x^t+1, y^t+1)分别表示t期、t+1期的投入产出关系；D_c表示规模报酬不变，D_v表示规模报酬可变；D_c^t(x^t, y^t)、D_c^t+1(x^t, y^t)表示参照t时期技术条件的距离函数，D_c^t(x^t+1, y^t+1)、D_c^t+1(x^t+1, y^t+1)表示参照t+1时期技术条件的距离函数，假设规模报酬不变，此时Malmquist指数可分解为技术效率变化指数(EC)与技术进步效率变化指数(TC)的乘积。Malmquist指数大于1，表明区域碳排放效率达到有效水平，相较于第t时期，第t+1时期的碳排放效率得到提升，反之则下降；等于1则表明效率水平不变。EC大于1，表明决策单元对现有经济、技术水平的利用效率提升，各资源要素间协调性增强，促进了碳排放效率的提升。TC大于1，表明决策单元通过技术的不断革新促进了碳排放效率的提升。在规模报酬可变的条件下，EC又可进一步分解为纯技术效率变化指数(PEC)和规模效率变化指数(SEC)的乘积。贡献率以各分解指标与基准值1之间的偏离程度予以衡量，即“Contribution rate_TC=(TC-1)×100%”。历史均值贡献率为各时期贡献率的平均值。

1.2.3 碳排放效率区域差异分析

与传统基尼系数相比，Dagum基尼系数将样本总体差异分解为组内差异、组间差异和超变密度差异，充分考虑各个区域及子区域的空间特征，更好地阐释区域差异的来源问题^[31]。碳排放Dagum基尼系数主要用于衡量碳排放效率水平在不同群体或者区域之间分布的不平等程度。Dagum基尼系数增大表示样本在碳排放效率水平上的差距扩大，反之则表示差距逐步缩小，各区域在碳排放治理上的协同作用逐步凸显。组内基尼系数表示同一群体或区域内部的不平等程度，而组间基尼系数则反映不同群体或区域之间在碳排放治理效能上的不平等水平。超变密度基尼系数反映样本间碳排放效率交叉重叠情况。本研究采用Dagum基尼系数来探讨珠江-西江经济带碳排放效率的区域差异及其差异主要来源。Dagum基尼系数的计算公式如式(3)所示。

$ \begin{aligned} & \quad G=\frac{1}{2 n^2 y}\left(\sum\limits_{i=1}^n \sum\limits_{r=1}^n\left|y_i-y_r\right|\right)= \\ & \frac{\sum\limits_{j=1}^k \sum\limits_{h=1}^k \sum\limits_{i=1}^{n_j} \sum\limits_{r=1}^{n_h}\left|y_{j i}-y_{h r}\right|}{2 n^2 \bar{y}}, \end{aligned} $

(3)

式中：G表示总体基尼系数；y为碳排放效率水平，y为碳排放效率水平的均值；n为样本中区县的数量，k为所划分的区域数量，本研究主要探究上、下游市区和县域之间碳排放效率的差异，故而k=4；j、h分别为所划分区域中的不同地区；n_j、n_h分别为j、h地区中所包含的区县数量。

根据Dagum基尼系数分解方法，样本总体差异可分解为组内差异(G_w)、组间差异(G_nb)和超变密度差异(G_t)3个部分。为进一步了解上、下游地区在碳排放效率水平上的差异变化情况，采用组内基尼系数来表征广西市区、广西县域、广东市区和广东县域4个组别内部在碳排放效率水平上的差异，选用组间基尼系数来表示地区两两之间在排放效率水平上的差异。Dagum基尼系数分解公式如式(4)至式(9)所示。

$ G=G_w+G_{n b}+G_t, $

(4)

$ G_{j j}=\frac{\sum\limits_{i=1}^{n_j} \sum\limits_{r=1}^{n_j}\left|y_{j i}-y_{h r}\right|}{2 \bar{y}_j n_j^2}, $

(5)

$ G_w=\sum\limits_{i=1}^{n_j} G_{j j} P_j S_j, $

(6)

$ G_{j h}=\frac{\sum\limits_{i=1}^{n_j} \sum\limits_{r=1}^{n_h}\left|y_{j i}-y_{h r}\right|}{n_j n_h\left(\bar{y}_j+\bar{y}_h\right)}, $

(7)

$ G_{n b}=\frac{\sum\limits_{j=1}^k \sum\limits_{h=1}^{j-1} G_{j h}\left(P_j S_h+P_h S_j\right)}{D_{j h}}, $

(8)

$ \;\;\;\;\;\;\;\;G_t=\sum\limits_{j=1}^k \sum\limits_{h=1}^{j-1} G_{j h}\left(P_j S_h+P_h S_j\right)\left(1-D_{j h}\right), j=1, \\ 2, \cdots, k, $

(9)

式中：G_jj表示j地区内的基尼系数，G_jh表示j地区和h地区间的基尼系数。D表示地区之间碳排放效率的差值，P表示各地区碳排放效率的超变一阶矩阵，S表示区域碳排放效率占所有地区碳排放效率的比例。

1.2.4 碳排放效率内部增长动力关联性分析

各地区实际情况不同，决定了碳减排工作关注重点也各不相同。为了更好地展现珠江-西江经济带各区县现有技术水平以及实际生产规模对碳排放效率的影响，本研究通过双变量地图直观地展示PEC和SEC的空间集聚与分散情况，并综合运用四象限分析法具体识别珠江-西江经济带各区县碳排放效率增长主要驱动力。按照各区县PEC和SEC是否达到有效水平，将经济带内的67个区县分为双驱动型地区(PEC>1且SEC>1)、规模驱动型地区(SEC>1且PEC＜1)、双滞后型地区(PEC < 1且SEC < 1)、技术驱动型地区(PEC>1且SEC＜1)。

1.3 数据来源与处理

本研究以珠江-西江经济带67个区县为研究对象。由于2000年前后广东、广西两省区的县域行政区划变动较大，且受限于当前县级能源统计数据的不足，难以直接采用联合国政府间气候变化专门委员会(IPCC)的碳排放清单法计算县域单元的CO₂排放量，而CEADs拥有我国时间跨度最长(1997-2017年)、覆盖面最广、准确度最高的县级碳排放量数据^[32]，为保障数据准确性，研究期选择2003-2017年。

目前在碳排放效率测算的研究中，投入要素通常包括资本、能源和劳动力，产出要素则一般分为期望产出和非期望产出。本研究选取资本存量表征资本投入，选取电力消耗表征能源投入，选取全社会年末从业总人数表征劳动力投入，并使用GDP作为期望产出，以CO₂排放量作为非期望产出，构建2003-2017年珠江-西江经济带区县尺度碳排放效率测度体系^[33-34]。由于区县尺度能源数据严重缺失，故采用年末电力消费量表示各区县的能源投入要素^[35]。各区县每年的实际资本存量采用永续盘存法来估算^[36-38]。

本研究所使用的碳排放数据来源于CEADs^[39]。年末全社会就业人数、国内生产总值及电力消费总量等数据均来自各地市统计年鉴。为消除价格变动等因素的影响，以2003年为基期，采用地区生产总值指数对社会经济数据进行平减处理。

2 结果与分析 2.1 静态效率分析

珠江-西江经济带各研究单元的碳排放效率如图 2所示。从内侧的误差棒柱状图可以看出，2003-2017年，珠江-西江经济带碳排放效率的历史均值仅为0.38，整体未达到有效水平，碳减排潜力巨大。分地区来看，市区与县域的碳排放效率差异明显。在4个区域中，排放效率从高到低依次为广东市区(0.63)、广西市区(0.47)、广东县域(0.39)、广西县域(0.38)。市区的碳排放效率整体高于县域，表明市区在投入产出组合优化水平方面长期处于经济带前列，能够较好地实现经济与环境的平衡，碳排放效率较高，对提升经济带整体碳排放效率具有良好的示范作用。从外侧的分组柱状图可知，碳排放效率历史均值达到有效水平的研究单元仅有4个，分别为广州市区(1.28)、龙州县(1.25)、高明区(1.22)和来宾市区(1.16)。碳排放效率高值区在上下游地区分布的单元数量基本相同；而在效率水平排在后10名的区县中，除下游的顺德区外，其余均属上游广西地区。碳排放效率高值区与低值区在上下游分布单元数量上的差异表明，尽管上游广西地区和下游广东地区在碳排放效率高值区的数量上基本相同，但上游广西地区的碳排放效率低值区数量明显高于下游广东地区，高值区与低值区数量悬殊，低值区“拖尾”现象严重，呈现明显的“两级分化”特征。

2.2 Malmquist指数及其分解 2.2.1 经济带整体碳排放效率动态变化及其增长动力分解

从整体上看，除2007-2008年、2009-2010年以及2011-2012年3个时间段以外，剩余年份珠江-西江经济带碳排放效率变化指数(ML)均大于1(图 3)，历年碳排放效率变化指数几何均值为1.04，表明经济带碳排放效率整体提升4%，区域碳排放治理效能持续向好发展。

从碳排放效率动态分解曲线的变化趋势上看，PEC与TC曲线变化趋势与ML最为接近(图 3)，其中PEC历史均值贡献率为1.1%，SEC历史均值贡献率为0.1%，TC历史均值贡献率为2.5%，表明技术水平的不断进步与革新是促进珠江-西江经济带碳排放效率提升的主要内在动力。

2.2.2 各区县碳排放效率增长内部动力分解

2003-2017年珠江-西江经济带各区县碳排放效率内在增长动力空间分布及驱动类型划分如图 4所示。PEC和SEC在空间分布上具有明显的集聚特征，PEC较高区域主要分布于下游广东地区，SEC高值区多分布在上游广西地区，而经济带上游百色市部分边缘区县与下游肇庆地区在效率值空间分布上呈现出与总体分布趋势截然相反的分布特征，形成效率“孤岛”现象。具体来看，经济带内67个区县的碳排放效率增长驱动类型呈显著差异。43.28%的区县在PEC和SEC方面均未达有效水平，反映出碳排放效率驱动“双短板”现象在经济带内普遍存在。而技术驱动型地区以35.82%的数量占比成为仅次于双滞后型的第二大群体。仅有11.94%的区县为双驱动型地区，反映PEC和SEC协同提升难度较高。此外，规模驱动型地区仅占8.96%，表明规模扩张对碳排放效率提升的贡献度有限。

2.3 碳排放效率区域差异分析 2.3.1 碳排放效率区域差异整体评价及来源分解

2003-2017年珠江-西江经济带总体基尼系数有小幅下降，由2003年的0.403下降至2017年的0.396，降幅为1.74%，说明经济带内各区域碳排放效率差异在一定程度上有所减小，但总体差异水平仍较大。碳排放效率Dagum基尼系数整体上呈扁平状“V”形变化，2010年经济带整体Dagum基尼系数达到最低点(0.342)，具体表现为先波动下降后快速上升的态势。组内基尼系数与超变密度基尼系数分别在0.129-0.167和0.120-0.175波动，而组间基尼系数明显小于组内基尼系数与超变密度基尼系数，其数值从2003年的0.139下降至2017年的0.076，降幅达45.32%(图 5)。

2003-2017年珠江-西江经济带碳排放效率区域差异贡献率见图 6。2003-2017年组内基尼系数对总体基尼系数的贡献率从2003年的35.0%上升至2017年的39.7%，历史均值贡献率达38.9%，对经济带碳排放效率差异贡献最大，反映出区域内部碳排放效率的差异是导致经济带碳排放效率差异显著的主要原因。而超变密度基尼系数历史均值贡献率为38.6%，与组内基尼系数历史均值贡献率较为接近，但波动显著，从2003年的30.5%上升至2017年的41.1%，显示经济带内各区县碳排放效率重叠分布与交叉影响的动态增强趋势。组间基尼系数的历史均值贡献率仅为22.5%，且下降趋势明显，从2003年的34.5%下降至2017年的19.2%，表明区域间效率差异对总体差异的影响逐步减弱。

2.3.2 碳排放效率区域内部及区域间差异分析

珠江-西江经济带上下游区县的组内基尼系数和组间基尼系数如图 7所示。从组内基尼系数来看，广西县域组内差异最大(组内基尼系数历史均值为0.39)，远高于其他区域，表明经济带上游广西地区内部各县域碳排放效率极不均衡；而广西市区次之(0.35)，略高于广东市区(0.32)与广东县域(0.30)[图 7(a)]，反映出经济带上游广西地区在城乡内部的效率差异整体高于下游广东地区。从组间基尼系数来看，样本考察期内，广东市区与广西县域差异最为突出(历史均值为0.43)，为所有组别对比的最高值；广西县域与广西市区(0.40)次之[图 7(b)]，反映出东部沿海开放型地区与西部内陆资源型地区在绿色发展方面的显著差异。

3 讨论 3.1 珠江-西江经济带碳排放效率特征

2003-2017年，珠江-西江经济带碳排放效率虽有小幅提升，但整体仍未达到有效水平，区域碳减排潜力较大，且上下游地区碳排放效率差异显著。下游广东地区碳排放效率整体优于上游广西地区，可能是两地在产业结构升级、能源利用效率和绿色技术创新等方面的差异所致。首先，广东以高附加值的制造业和服务业为主，相较于重化工业，其能源需求较低，CO₂排放量相对较少。其次，广东在低碳治理和清洁能源技术研发方面更为领先，能源利用效率和技术创新优势明显；而广西高附加值产业和服务业比重较低，产业升级和结构调整的步伐较慢，能源效率整体偏低，低碳治理和绿色技术投入相对不足，尚未形成成熟的产业体系和技术研发优势。此外，广东积极参与全国碳市场交易，通过碳定价机制激励社会各界参与低碳治理，并为碳减排提供了资金支持；相比之下，广西对全国碳市场的参与度较低，碳定价机制的影响力较弱，缺乏有效激励企业低碳转型的市场措施。未来，上游广西地区需加大碳减排和低碳发展力度，通过引进先进技术、加速产业升级、坚持创新驱动战略，同时完善跨区域低碳治理合作机制，最终实现各区县碳排放效率的协同提升。

3.2 珠江-西江经济带碳排放效率增长内部动力

SEC和PEC对经济带上下游地区的驱动作用具有显著的异质性。具体而言，SEC对上游广西地区的驱动作用更为突出，而PEC对下游广东地区的影响更为显著。上游广西地区经济基础相对薄弱，对创新人才的吸引力不足，因此更依赖基础设施集约化和资源整合来扩大规模效应，降低边际生产成本，从而提高产出效率并促进碳排放效率的提升。以桂西地区为例，当地资源富集，拥有丰富的矿产、水能、旅游、农林生态和民族文化资源，为大规模产业项目的实施提供了坚实基础。近年来，当地政府结合资源优势，出台了一系列创业创新政策，积极推动现代农业产业园、电解铝生产基地、能源基地和产学研结合基地等项目建设。资源的集中开发和基础设施的完善显著提升了生产效率，促进了规模经济的形成。同时，当地充分发挥后发优势，借鉴发达地区经验，利用政策扶持和资源优势，构建具有本地特色的经济发展模式。产学研结合基地等项目的实施，加速了先进技术和管理经验的引入，缩小了与发达地区的技术差距，从而提高了PEC。下游广东地区城市化水平高，经济发达，更注重技术创新以推动低碳发展。然而，肇庆市虽然地处广东，但是由于靠近广佛都市圈，面临技术和人才外流的挑战，导致高新技术产业和低碳技术创新的投入相对不足，PEC未能达到更高水平。不过，作为《珠江三角洲地区改革发展规划纲要(2008-2020年)》^[40]的重要组成部分，肇庆市充分利用区位优势，整合周边资源，通过规模化生产降低边际成本，提高产出效率。这种规模效应在一定程度上弥补了技术创新的不足，维持了其竞争力。

双驱动型地区中，苍梧县PEC最高，得益于其区位优势和对发达地区技术及管理模式的借鉴；合山市则依托矿产资源形成完整产业链，规模效应突出，并通过产业结构绿色转型升级提升了碳排放效率。以百色市区为代表的双滞后型地区，因地理位置偏远、工业基础薄弱，未能抓住产业转移机遇，技术和资源利用长期处于劣势，碳排放效率较低。单一驱动型地区中，南宁市区作为SEC驱动型代表，凭借经济实力和基础设施优势，服务业规模效应显著，但技术效率较低；平果县则作为PEC驱动型典型，依靠铝矿资源和科技创新，形成了完整的铝产业链，技术提升对碳排放效率的推动作用显著。

不同地区碳排放效率的提升受SEC和PEC的驱动作用差异显著，资源禀赋、技术水平和产业发展模式决定了其提升路径。因此，各地应结合自身优势，采取针对性措施以提高碳排放效率。

3.3 珠江-西江经济带碳排放效率区域差异

2003-2017年，珠江-西江经济带碳排放效率的总体基尼系数有小幅下降，整体呈现以2010年为拐点的扁平状“V”形曲线。这一变化可能与2007年我国将建设生态文明列入全面建设小康社会目标后，各区县转变发展理念、深化节能体系改革有关。具体表现为生态文明发展理念促使各地逐步提高对环境污染治理的重视程度，但由于各地经济、科技实力等方面的差异，其在碳排放投入产出体系组合中的优化水平各不相同，治理效能的差距使得碳排放效率水平的差异逐渐凸显。

上游广西各地区在碳排放效率上的差距是导致经济带碳排放效率差异显著的主要原因。与下游广东地区相比，上游广西地区整体经济较为薄弱，且区域内部经济基础差异较大。经济较发达的城市，如南宁、柳州等地，逐渐向高附加值制造业和服务业转型，能源消耗和碳排放相对较低，同时在低碳政策支持和资金投入方面具有一定优势，因此碳排放效率较高。而广西西部的百色、崇左等地区经济基础较弱，基础设施落后，在低碳技术应用、节能减排政策落实和清洁能源推广方面的投入不足，技术创新和绿色转型进程缓慢，导致碳排放效率较低。

3.4 存在的局限性

本研究对珠江-西江经济带各区县绿色低碳发展具有借鉴意义，但仍存在局限性。首先，随着珠江-西江经济带进入发展的关键时期，地区间经济活动日益频繁且复杂，基于社会经济统计数据的排放系数法精度较低且时效性不足，难以满足当前需求。而遥感技术的不断发展，使得通过夜间灯光指数反演碳排放量数据的方法具有更高的精度和良好的时效性，从而能够拓展研究的时间尺度，确保研究的时效性^[41-42]。其次，在选取区县碳排放效率评价的投入产出指标时，主要考虑数据的可获取性，导致分析精度存在一定不足。例如，选用电力消费量表征能源消耗量，忽略了工业和交通等领域不仅依赖电力，还大量使用燃油、天然气等其他能源。仅以电力消费量作为指标，无法准确反映这些领域的综合能源消耗情况，进而影响碳排放效率的评估。此外，Super-SBM模型作为一种经典的效率测度模型，其优势在于能够有效处理含有非期望产出的效率评价问题，但在测度过程中未考虑外部环境和随机因素对碳排放效率的影响，可能导致效率结果出现偏差^[43]。因此，未来研究需要通过引入更细化的数据和评估方法，以进一步提升研究的精确性和全面性。

3.5 碳减排建议

针对珠江-西江经济带各县区碳排放效率现状及问题，提出以下碳减排建议：

① 加强技术创新引导，推动绿色技术应用。针对经济带总体效率偏低的问题，应坚持创新驱动战略，加大绿色技术研发与应用的支持力度，推动低碳技术在工业、交通、能源等高排放行业的普及，充分发挥科技在碳减排中的关键作用。

② 因地制宜制定政策，优化资源配置。各地需制定差异化减排政策，解决因资源禀赋和产业结构差异导致的效率提升动力不足、驱动类型单一等问题。上游广西地区应加快产业升级与绿色产业布局，逐步淘汰高耗能、高污染落后产能，引入先进技术与设备，降低单位能耗与碳排放；同时加强资源高效利用和生态环境保护，加大生态产品价值实现机制研究力度，实现上游广西地区生态“绿水”向经济“活水”的有效转化，提高经济产出，促进碳排放效率的正向收敛。下游广东地区应通过资金扶持和政策引导，强化节能技术研发，推动绿色科技普及应用，提升减排效能。

③ 完善区域协同机制，促进跨区域绿色发展。推进跨区域重大基础设施一体化建设，提升能源、水利等设施的共建共享和互联互通水平；深化碳交易协同机制，加强资源优化配置、技术创新和政策协调，解决上游广西地区在市区和县域上的碳排放效率失衡问题，推动区域生态文明均衡发展，整体提升经济带碳排放效率，助力国家碳中和目标实现。

4 结论

本研究基于Super-SBM模型对珠江-西江经济带67个区县的碳排放效率进行测度，并进一步采用Malmquist指数和Dagum基尼系数分析经济带碳排放效率的内在增长动力及区域差异，结果表明：

① 2003-2017年，珠江-西江经济带碳排放效率有小幅提升，但其历史均值仅为0.38，未达到有效水平，仍有62%的改进空间。市区在排放效率提升方面示范作用显著。

② 科学技术的不断革新是促进珠江-西江经济带碳排放效率提升的关键因素。资源禀赋和产业基础的差异是导致67个区县SEC和PEC对排放效率提升驱动作用差异显著的主要原因。

③ 考察期内，珠江-西江经济带内各区域碳排放效率差异有所减小，各省区的市区和县域在推进生态文明建设方面的协同作用有所增强。然而，广西地区内部(特别是市区和县域之间)的碳排放效率不平等问题依然突出，同时东部沿海地区与西部内陆地区在绿色发展上的分化差异仍然显著。