一、 引言

当前，绿色低碳可持续发展成为国际共识。截至2023年9月，全球已有150多个国家作出了碳中和承诺，覆盖全球80%以上的二氧化碳排放量、GDP和人口。^[1]党的十八大以来，在习近平生态文明思想指引下，中国政府将应对气候变化摆在国家治理更加突出的位置，积极推动经济社会全面绿色发展，强化能源消费总量、能源强度和碳强度约束性指标管理，努力建设人与自然和谐共生的现代化。近十年，中国以年均不到3%的能源消费增速支撑了年均超过6%的经济增长，能源强度、碳强度大幅下降。^[2]与其他国家相比（见表1），中国承诺的从碳达峰到碳中和只有30年时间，远远少于欧美发达国家所用时间，碳排放和碳强度降幅任务更加艰巨。

碳排放绩效是一种基于“效率”概念建立起来的环境绩效评价指标。现有关于碳排放绩效测算的文献，提供了单要素和全要素两个不同视角。单要素碳排放绩效以二氧化碳排放总量与某一要素的比值来表示，通常采用单位GDP的二氧化碳排放量（即碳强度）进行衡量。^[5]相对于单要素碳排放绩效，全要素碳排放绩效同时考虑了多个生产要素，一般选择劳动、资本、能源作为要素投入，以GDP作为期望产出，以碳排放作为非期望产出，更加全面、客观地评价经济发展方式是否符合节能减排和经济增长“双赢”的要求。^[6-7]由于碳排放与能源消费之间存在着不能忽视的物质联系，一些学者提出，在进行全要素碳排放绩效测度时应当考虑物质平衡原则。^[8-12]所谓“物质平衡原则”是指，物质既不能被毁灭，也不能被创造出来，只不过是改变了形式。对于因能源燃烧产生的碳排放来说，其数量实际上取决于能源投入的碳含量。^[11]因此，基于物质平衡原则考察各个国家（经济体）全要素碳排放绩效，分析碳排放绩效的驱动因素，有助于客观地评估各经济体碳排放绩效的真实水平；分析各经济体提升碳排放绩效所采取的差异化的行动措施，为中国提供国际经验参考。

注：表内国家为2022年碳排放量最多的10个国家，其碳排放量合计占2022年全球碳排放总量的67.4%。碳达峰时间来自世界能源研究所（WRI）发布的报告^[3]，其中日本和韩国根据碳排放数据判断。碳中和时间根据公开资料整理。碳排放数据来自Energy Institute^[4]。碳强度取碳排放量与GDP（2015年不变价美元）的比值，GDP数据来自世界银行WDI数据库。

二、 文献综述

在单要素视角下，现有文献对碳排放绩效的测算展开了丰富且有益的探讨。Mielnik等^[13]最先以单位能源消耗的碳排放量（即碳化指数）评估发展中国家的碳排放绩效。而后，学者们提出了多种碳排放绩效指标，包括能源强度^[14]、碳强度^[15]、工业化的人均累积排放量^[16]、人均碳排放量^[17]等。

单要素碳排放绩效驱动因素的研究方法主要包括结构分解法（SDA）^[18]、指数分解法（IDA）^[19]、生产理论分解法（PDA）^[20]。SDA一般利用投入产出模型进行分析，对于数据有较高要求。IDA主要包括算数平均指数（AMDI）和对数平均指数（LMDI）两种形式，可以同时应用于加法和乘法分解形式。在PDA模型中，由于结构成分在产出距离函数中是对称的，PDA分解可能会给出与现实相悖的结论^[21]，为此，一些学者将PDA和LMDI方法结合起来使用^[22-23]。

在全要素视角下，碳排放绩效通常采用DEA方法测算得到，这是由于该方法可以较好地处理同时具有“好的”产出和“坏的”产出的效率评价问题。王兵等^[24]考察了1980—2004年APEC 17个国家和地区包含二氧化碳排放的全要素生产率，中国、秘鲁和马来西亚是提升幅度最大的3个国家。Zhou等^[25]考察了1995—2004年全球18个碳排放大国的碳排放绩效，发现只有中国和印度尼西亚的碳排放绩效在恶化。Guo等^[26]在考察2000—2010年26个OECD国家和中国的碳排放效率时指出，相对于生产前沿上的投影，中国碳排放应减少184.19%。借鉴Hampf等^[27]基于物质平衡原则提出的DEA模型，Wu等^[28]在对2007—2016年全球25个国家碳排放绩效进行测度时，把能源投入分为化石能源投入和非化石能源投入，并把化石能源消费和碳排放设定为弱可处置的，把劳动、资本和非化石能源设定为强可处置的，研究发现：中国和南非碳排放绩效最低，俄罗斯和韩国的减排潜力最大，加拿大、韩国、伊朗和俄罗斯应注重提高能源效率，而中国、澳大利亚、墨西哥、波兰、土耳其、泰国和南非则应着力优化能源结构。

关于全要素碳排放绩效的影响因素研究，已有文献主要采用两类方法：一是生产率指数分解法，将碳排放绩效变化分解为纯技术效率变化、规模效率变化和技术变化等多重因素的共同作用^[24，29]；二是计量经济学方法，一般考察宏观经济、能源结构、产业结构、开放程度等因素对碳排放绩效的影响^{[5，11，30-31]}。

鉴于上述分析，本文基于物质平衡原则，采用一种把能源投入和碳排放设定为弱可处置的DEA模型，对2012—2019年全球78个经济体的碳排放绩效进行测算。在此基础上，把碳排放绩效变化分解为技术效应、调节效应和结构效应，利用LMDI分解法解析已实现和未实现碳达峰两类经济体以及10个碳排放大国的碳排放绩效驱动因素。具体而言，本文可能的边际贡献主要体现在两个方面：其一，将能源消费和碳排放设定为弱可处置的，碳排放系数定义为碳排放与能源消费之比，以碳排放系数变化衡量经济体的能源结构优化（或者恶化），使测算结果更具解释力；其二，采用LMDI模型对碳排放绩效变化进行分解分析，更加清晰地揭示出技术效率改进、能源规模调整、能源结构优化对于碳排放绩效提升在个体上的差异以及时间上的动态变化。

三、 模型构建与数据说明

（一） 模型构建

1 . 联合生产技术

假设有n个决策单元（DMU），每个决策单元使用劳动（L）、资本（K）和能源（E）三种生产要素获得一定的期望产出（Y）。能源的使用通常伴随着非期望产出，碳排放（C）。参考魏权龄^[32]、Hampf等^[27]、Wu等^[28]的研究，联合生产技术T可以表示为：

其中，L＞0，K＞0，E＞0，Y＞0，C≥0。同时，T还需满足以下公理假设：

（1）平凡公理，对于第i个决策单元（DMU_i，i=1，2，···，n），它的投入产出组合记为（L_i，K_i，E_i，Y_i，C_i），那么（L_i，K_i，E_i，Y_i，C_i）∈T；

（2）强可处置性公理，如果（L，K，E，Y，C）∈T，那么对于任意的ε_L≥0，ε_K≥0，ε_Y≥0都满足（L+ε_L，K+ε_K，E，Y-ε_Y，C）∈T；

（3）弱可处置性公理，如果（L，K，E，Y，C）∈T，那么对于任意的ρ≥1都满足（L，K，ρE，Y，ρC）∈T；

（4）凸性公理，如果（L，K，E，Y，C）∈T和（L′，K′，E′，Y′，C′）∈T，那么对于任意的α∈[0，1]都满足α（L，K，E，Y，C）+（1-α）（L′，K′，E′，Y′，C′）∈T；

（5）最小公理，T是同时满足假设（1）—（4）的最小集合。

公理（1）假设已观测到的n个决策单元的投入产出组合属于集合T。公理（2）假设L、K、Y是强可处置的，即在没有改变其他投入或产出水平的情况下，“自由地”增加劳动或者资本、减少期望产出都是技术可行的。公理（3）假设E和C是弱可处置的，即以相同比例扩大能源消费规模和碳排放规模是技术可行的。公理（4）假设T是凸集。公理（5）假设生产前沿为最小凸包络面。^[33]

当技术T同时满足公理（1）—（5）时，T还可以表示为^[32]：

式中:λ_j≥0，表示第 j 个决策单元的权重。

2 . 碳排放绩效测度模型

定义碳排放系数s（s≥0）为单位能源消费产生的碳排放，那么对于任意的（L，K，E，Y，C）∈T，它的碳排放系数设为s=C/E。于是，s的减少、不变和增加分别对应着能源结构的改善、不变和恶化。

在不改变其能源结构（即s不变）的情况下，DMU_i碳排放绩效提升可以通过技术效率的改进而实现。不妨设能源消费由原来的E_i缩减至θE_i（0＜θ≤1），那么碳排放将由原来的C_i缩减至θC_i。根据Hampf等^[26]、Wu等^[27]的研究，碳排放的最大缩减比例可以通过以下模型计算得到：

记 θ^∗为模型（3）的最优解^①，显然 0<θ^∗≤1。

倘若允许决策单元调整能源结构（即 s 可以改变），那么能源消费和碳排放将以不同比例缩减，不妨设能源消费由原来的 E_i 调整至 βE_i，碳排放由原来的 C_i 缩减至 δC_i（0≤δ≤1）。于是，碳排放的最大缩减比例可以通过以下模型计算得到:

记δ^*和β^*为模型（4）的最优解，显然0≤δ^*≤θ^*≤1^②。

3 . 碳排放绩效的分解

本文以δ^*作为碳排放绩效，因为δ^*反映了在当前生产技术水平下（即以当前生产前沿为参考）DMU_i碳排放下降的最大潜力^③。令DMU_i当前的投入产出组合为状态0，那么模型（3）和模型（4）的最优解给出了两种不同的最优状态，分别记作状态1和状态2。

状态0：能源消费为E_i，碳排放为C_i，碳排放系数定义为s_i=C_i/E_i。

状态1：能源消费规模缩减至θ^*E_i，碳排放降至θ^*C_i，碳排放系数保持不变，仍然为s_i。

状态2：能源消费规模调整为β^*E_i，碳排放降至δ^*C_i，碳排放系数调整为δ^*C_i/（β^*E_i）=（δ^*/β^*）s_i，即状态2的碳排放系数为状态0（或状态1）的δ^*/β^*倍。

根据上面三种状态的定义，碳排放绩效δ^*被分解为以下三个指标相乘的形式：

其中，θ^*为技术效率，它反映了在既定碳排放系数下从状态0到状态1（从生产前沿内部移动到生产前沿上）能源消费规模所需的缩减比例，即能源消费规模需要由E_i调整为θ^*E_i。θ^*＜1（=1）表示决策单元是非技术有效的（技术有效的）。β^*/θ^*表示决策单元沿着生产前沿从状态1到状态2能源消费规模所需的额外调整比例^④，即能源消费规模需要进一步由θ^*E_i调整为β^*E_i。这种额外调整具有方向性：β^*/θ^*＜1（＞1）表示需要额外减少（增加）能源消费，β^*/θ^*=1表示不需要额外调整能源消费规模。δ^*/β^*表示从状态0（或者状态1）到状态2碳排放系数所需的调整比例，δ^*/β^*＜1（＞1）表示需要降低（提升）碳排放系数，δ^*/β^*=1表示不需要调整碳排放系数。

图1描绘了碳排放绩效分解的经济含义。黑色折线段表示生产前沿，灰色区域表示技术T，该集合内任意一点与原点连线的斜率恰好是这个点的碳排放系数。点A、D、G、I、M、P实现了状态1，点B、F、H、J、N、Q实现了状态2。图1（a）和图1（b）满足β^*/θ^*＜1，即在决策单元达到状态1后，进一步降低碳排放还需继续减少能源消费；图1（d）、图1（e）、图1（f）满足β^*/θ^*＞1，即在决策单元达到状态1后，进一步降低碳排放则需额外增加能源消费。

4 . 碳排放绩效变化的LMDI分解

LMDI因素分解法由Ang等^[34]提出，该方法的优势是不产生无法解释的残差项，且允许数据中包含零值，具有较好的解释力^[35]。参考李国璋等^[36]、刘博文等^[37]的研究，记t时期DMUi通过模型（4）、模型（5）得到的最优解为${\theta }_{t，i}^{*}，{\delta }_{t，i}^{*}$和${\beta }_{t，i}^{*}，{\delta }_{t，i}^{*}$，于是令$x_{t，i}^1={\theta }_{t，i}^{*}，x_{t，i}^2={\beta }_{t，i}^{*}/{\theta }_{t，i}^{*}$，$x_{t，i}^3={\delta }_{t，i}^{*}/{\beta }_{t，i}^{*}，V_{t，i}=x_{t，i}^1{x}_{t，i}^2{x}_{t，i}^3$，$V_t=\sum _{i=1}^n{V}_{t，i}，D_{\text{total}}=V_t/V_0$，那么乘法形式下的LMDI模型为：

算子L（·）定义为：

D_total表示t时期相对于基期的碳排放绩效变化。D_total＞1（＜1，=1）表示碳排放绩效的提升（下降，不变）。$D_{x_1}$表示从0时期到t时期技术效率θ^*的变化，简称技术效应，$D_{x_1}$＞1（＜1）表示在碳排放系数保持不变的前提下决策单元在靠近（远离）生产前沿。$D_{x_2}$表示从0时期到t时期能源消费规模额外调整比例的变化，简称调节效应，即在保持决策单元技术有效的情况下能源消费规模变化产生的效应，这种效应既可能是由能源消费增长引起的，也可能是由能源消费下降引起的。$D_{x_3}$表示碳排放系数调整比例的变化，即能源结构优化效应，简称结构效应，$D_{x_3}$＞1（＜1，=1）表示能源结构的优化（恶化，不变）。

（二） 变量选择与数据来源

本文以全球78个经济体作为决策单元（已达峰41个，未达峰37个），样本期选择2012—2019年，共8年。劳动用就业人数衡量，资本用资本存量衡量，期望产出用GDP衡量，这三项数据来自佩恩世界表10.01^[38]；能源用一次能源消费量衡量，非期望产出用碳排放量衡量，这两项数据来自世界能源统计^[4]。各投入产出变量的描述性统计如表2所示。

注：资本和GDP取2017年不变价美元。经济体是否实现碳排放判断依据同表1。

四、 实证结果与分析

（一） 碳排放绩效测算结果

全球78个经济体的碳排放绩效（δ^*）测算结果如图2所示。

从图 2（a）2019 年的结果来看，碳排放绩效为 1（δ^∗ = 1）的经济体有 9 个（ 7 个已达峰、2 个未达峰），分别是瑞士、德国、法国、英国、爱尔兰、冰岛、 美国、中国和埃及。 如果这些国家的碳排放继续下降，意味着更绿色低碳、更高效的经济发展方式的出现，这将改变现有的生产前沿，带来整体生产技术水平的进步。 碳排放绩效在 0. 6~1 之间的经济体有 19 个，在 0. 3~0. 6 之间的经济体有 25 个，低于 0. 3 的经济体有 25 个，其中委内瑞拉的碳排放绩效（0. 012）为最低。 以印度为例，2019 年印度碳排放绩效为 0. 79，表示在现有的技术水平下印度碳排放量最多可以减少 21%，即减排潜力为 21%; 其中，技术效率（θ^∗）为 1，能源消费规模额外调整比例（β^∗ / θ^∗）为 1. 116; 碳排放系数调整比例（ δ ^∗ / β^∗）为 0. 708，且 β^∗ 为 1. 116。 2019 年印度可以看作处在图 1（f）中的 P 点，参考当前的生产前沿，印度碳排放最低可以降至 Q 点，即减少 21%，而在这一过程中印度能源消费仍将继续增长。

从图2（b）2012—2019年均值（取几何平均值）来看，全部78个经济体的碳排放绩效均值为0.377，已达峰经济体（0.446）高于未达峰经济体（0.311）。其中，冰岛（0.974）最高，委内瑞拉（0.009）最低。从数值分布来看，碳排放绩效均值在0.6~1之间的经济体有23个，在0.3~0.6之间的有31个，低于0.3的有24个。

（二） 碳排放绩效驱动因素比较

从表3可以看出，2012—2019年间这78个经济体的碳排放绩效整体提升了5.9%。技术效应是推动碳排放绩效提升的主要因素，其次是结构效应，调节效应对于碳排放绩效的提升起到了抑制作用，且作用微弱。样本期内，碳排放绩效下降的经济体有18个，包括3个已达峰经济体（阿塞拜疆、白俄罗斯、巴西），15个未达峰经济体。科威特碳排放绩效下降了87%，降幅最大。爱尔兰、波兰、罗马尼亚碳排放绩效变化分别为2.099、2.028、2.025，提升明显。

注：2012—2019年中国碳排放绩效变化、技术效应、调节效应和结构效应均为1，为此，表内仅中国取2013—2018年碳排放绩效变化及其驱动因素分解，以便后文展开分析。

41 个已达峰经济体的碳排放绩效提升了22.0%，技术效应和结构效应是主要驱动力，调节效应相对微弱。这说明样本期内已达峰经济体在提升技术效率和优化能源结构方面做出了较大努力，对碳排放绩效的提升发挥了重要作用。

37 个未达峰经济体的碳排放绩效下降了11.1%，结构效应和技术效应是主要驱动因素，调节效应相对微弱，即未达峰经济体碳排放绩效下降主要是由技术效率的下降和能源结构的恶化造成的。

（三） 碳排放大国的碳排放绩效及驱动因素比较

鉴于各国碳排放绩效在样本期内的变动规律与驱动因素并不相同，本文以当前碳排放最多的10个国家作为典型国家进行比较。

这10个国家的碳排放绩效如图3所示。从2012—2019年均值来看，美国碳排放绩效的整体水平最高，其次是德国和日本，然后是印度、中国、沙特阿拉伯、印度尼西亚，韩国、俄罗斯、伊朗三国相对较低。不同于其他国家，中国碳排放绩效呈现出一个“U”型曲线。一般来说，碳排放绩效出现“大增大减”变化主要有两方面原因:一是数据取值的变化，这与国家政治和经济环境、能源与环境政策有关；二是与生产前沿“包络面”特征有关。就中国来说，样本期内所有投入产出指标均保持着持续增长的态势，增长率没有大幅增加，所以本文认为是第二个原因，即2012年和2013年分别以生产前沿不同超平面作为绩效评价的参考标准，并且这两个超平面的方向差异比较大，2018年和2019年亦是如此。近年来，中国的能源消费量和碳排放量已经达到较大规模，且还在增加，中国碳排放绩效测度缺乏规模相当的其他国家作为参照，观测数据对于“真实”生产前沿的模拟在规模比较大的区间范围不够充分。

从这10个国家的碳排放绩效变化及其驱动因素分解（见表3）来看，2012—2019年德国碳排放绩效提升了33.7%，为10个碳排放大国之中最高；其次是印度和日本，碳排放绩效分别提升了32.2%和29.7%。碳排放绩效提升的国家还有：印度尼西亚、美国、韩国、俄罗斯。2012—2019年，中国碳排放绩效没有变化，沙特阿拉伯碳排放绩效下降了59.8%。倘若去掉图3中2012年和2019年结果，那么2013—2018年中国碳排放绩效提升了16.0%。

从碳排放绩效的驱动因素来看，这10个国家大致可以分为四个类别。

第一类，美国和日本，其碳排放绩效驱动因素以调节效应为主，结构效应次之，技术效应再次之。以美国为例，美国的技术效率一直保持在较高水平（2012—2019年平均0.993），技术效率提升空间非常有限，所以技术效应对于碳排放绩效的提升作用微弱。如前所述，能源消费变化来自于技术效应和调节效应的共同作用，在技术效应的作用下能源消费会削减；而在调节效应的作用下能源消费可能会缩减，也可能会增加。2012—2019年美国一次能源消费不降反增（见表4），说明美国能源消费增长来自于调节效应的作用。但是，能源消费增长并没有带来碳排放增长，这是因为碳排放系数在下降。2017年，特朗普执政后，推翻了奥巴马政府出台的“清洁电力法案”，提出“美国能源主导权”战略，大力发展油气产业。美国碳排放系数的下降是通过“降煤增油气”实现的，而非大幅增加非化石能源比重。所以，美国提升碳排放绩效的模式可以概括为：在靠近生产前沿的区域，寻找碳排放水平更低的经济发展模式，虽然一次能源消费规模有所增加，但是能源强度和碳强度在下降，碳排放绩效在提升。

第二类，德国和中国，其碳排放绩效驱动因素以结构效应为主，调节效应次之，技术效应再次之。以中国为例，中国的技术效率也一直保持在较高水平（2012—2019年平均0.998），技术效率在2013—2018年累积变化了0.988，即技术效应对于碳排放绩效的提升起微弱的反作用。2012—2019年中国一次能源消费仍在增长，这主要来自于调节效应。对比中美两国，虽然样本期内两国一次能源消费量都在增长，但是由于中国一次能源消费量增幅过大，碳排放系数下降的减排效应不足以抵消因一次能源消费量增长导致的碳排放量增长，所以中国碳排放量仍在增长，而美国碳排放量却下降了。在碳排放绩效变化的驱动因素之中，结构效应是推动中国碳排放绩效提升的关键因素。2014年，习近平创造性地提出了“四个革命、一个合作”能源安全新战略。2015年，党的十八届五中全会首次提出“建设清洁低碳、安全高效的现代能源体系”。“十三五”时期，中国执行了严格的能耗双控政策。这些政策的实施推动了中国新能源和清洁能源发展，非化石能源比重大幅增加，能源结构明显改善（见表4）。

第三类，俄罗斯、韩国、印度和印度尼西亚，其碳排放绩效驱动因素以技术效应为主，调节效应和结构效应都很弱。以印度为例，2012—2019年印度技术效应为1.217，说明样本期内印度的技术效率有着明显提升，其经济发展方式越来越靠近当前的生产前沿。莫迪政府2014年上台以来，积极推动印度经济体制改革，围绕“印度制造”“数字印度”“季风计划”“向东行动”和环印工业走廊等重大战略重构印度经济格局，印度经济长期保持较快增长。^[39]从表4可以看出，印度能源结构没有明显改善。所以，印度技术效率的提升来自于经济快速发展的拉动作用，结构效应较弱。

第四类，伊朗和沙特阿拉伯，其碳排放绩效驱动因素以技术效应为主，且技术效应小于1，说明技术效应对于碳排放绩效的提升起着反向作用。这两个国家的经济发展严重依赖于石油出口，2015年国际石油价格大幅下跌，并持续多年在低价位波动，对这两个国家的经济发展造成较大影响。2012—2019年，沙特阿拉伯技术效率下降了43.2%，伊朗下降了18.9%。与第三类国家相反，技术效率的下降是这两个国家碳排放绩效下降的主要原因。

注：数据来自参考文献^[4]。

五、 结论与启示

本文基于物质平衡原则，采用把能源投入和碳排放设定为弱可处置的DEA模型，对2012—2019年全球78个经济体的碳排放绩效进行测算；利用LMDI模型解析不同类型经济体技术效应、调节效应和结构效应对于碳排放绩效提升的贡献。研究发现，已达峰经济体累计提升22.0%，未达峰经济体累计下降11.1%。对于这两类经济体，技术效应和结构效应是主要驱动因素。本文还深入考察了全球碳排放最多的10个国家的碳排放绩效驱动因素，其中，美国和日本碳排放绩效驱动因素以调节效应为主；德国和中国以结构效应为主；俄罗斯、韩国、印度、印度尼西亚以技术效应为主；伊朗和沙特阿拉伯，技术效应对于碳排放绩效的提升起着明显的反向作用。

全球气候治理是当前国际社会面临的一项重要挑战，需要各国共同努力来应对气候变化带来的影响。当前，大部分经济体都在致力于推动经济社会发展的绿色转型，实现经济增长与节能降碳的双赢。然而，各国的行动存在着明显差异。美国、日本、德国、中国的技术效率已经处于较高水平，提升空间有限，可以为其他技术有效或者接近技术有效的国家提供借鉴。美国和日本主要是在保障经济发展的同时，寻找碳排放水平更低的经济发展模式；德国和中国主要是加大对清洁能源和新能源的开发利用，优化能源消费结构，通过非化石能源替代化石能源实现碳排放绩效的提升。俄罗斯、韩国、印度、印度尼西亚则可以为正在努力提升技术效率的国家提供借鉴。

本文的研究结论对中国具有以下政策启示。第一，加快发展方式绿色转型，积极推动形成绿色低碳的生产生活方式，推进能源节约集约利用，提高能源效率，抑制不合理能源消费；大力发展战略性新兴产业、先进制造业、现代服务业、绿色低碳产业，培育经济发展新动能。第二，推动能源消费需求和碳排放水平早日达峰。当前，中国一次能源消费量增速趋缓，但是从绝对量来看，每年增长仍在1.5亿吨标准煤以上（2020年除外），能源强度和碳强度仍然较高。第三，加快能源结构调整优化，积极推进清洁能源发展，在确保能源安全稳定供应的前提下，实现清洁能源在更大范围的互补互济和优化配置。第四，建议坚持市场主导、政府引导，深化能源领域体制机制改革，有序推进全国能源市场建设和碳市场建设。第五，积极参与国际能源合作，通过“一带一路”倡议等方式，与其他国家分享清洁能源开发的经验和技术，共同推动全球气候治理，同时也带动中国清洁能源技术、产品和标准的国际化。

注释:

① 当θ=θ^*时，模型（2）中的ρ_i必然满足ρ_i=1，推导过程见参考文献^[26]。

② 把δ=β=θ^*带入模型（4）可知它们是模型（4）的可行解，那么最优解δ^*一定小于等于可行解，即δ^*≤θ^*≤1。

③ 随着新能源、碳捕集等技术的发展，生产前沿可能会因为新出现的投入产出组合（如碳排放水平更低的投入产出组合）而向外移动。某个决策单元碳排放下降的最大潜力会随着生产前沿的变化而变得更低。

④ 参考文献^[27]称β^*/θ^*为权衡效应（trade-off effect）。本文称之为“能源消费规模额外调整比例”，理由是：从状态0到状态2，DMU_i需要经历两次能源消费规模调整，从状态0到状态1，能源消费规模削减为原来的θ^*倍，从状态1到状态2需要进行额外的能源消费规模调整，调整为状态1的β^*/θ^*倍。由于θ^*≤1，所以第一次调整时能源消费规模要么保持不变、要么减少了。β^*/θ^*可能大于、小于、等于1，所以第二次调整时能源消费规模可能增加、减少、也可能不变。需要指出的是，这种额外能源消费规模调整，建立在保持决策单元技术有效的前提下。

参考文献