摘要

　　为探索沿海港口统筹节能减排与产业发展、落实“双碳”目标的有效路径，本文采用三阶段数据包络分析（DEA）模型，测算 2013—2023 年我国主要沿海港口的碳排放效率；结合核密度估计、马尔可夫转移矩阵、Dagum 基尼系数，剖析碳排放约束下沿海港口效率的时空演化特征。研究结果表明：第一阶段超效率 DEA 测算显示，样本港口平均碳排放效率呈波动上升态势，但除深圳港、海口港外，多数港口尚未达到效率前沿面。第二阶段采用随机前沿分析（SFA）剥离腹地 GDP 等环境因素影响，剔除外部条件与随机扰动对效率测算的干扰。第三阶段代入调整后的投入产出值重新评估港口效率，测算精度显著提升；调整后整体效率值较第一阶段有所改善，但港口效率排名基本保持稳定。除深圳、海口、青岛三港实现生产有效外，多数港口碳排放效率仍未达最优水平，存在较大提升空间。核密度估计与Dagum基尼系数分析结果显示，我国港口群内部资源配置、发展均衡度、竞合关系持续动态演化，区域发展不平衡特征突出。基于上述结论，本文从技术创新、资源整合、政策引导等维度提出优化策略，推动港口碳减排与产业发展协同共进，为沿海港口落实“双碳”目标提供理论支撑与实践参考。

　　研究背景及意义

　　在全球气候变化背景下减少温室气体排放已成为国际社会的核心任务。作为最大的发展中国家之一和主要碳排放国，中国提出了“双碳”目标，目标是在2030年前达到碳排放峰值，并在2060年前实现碳中和。这一承诺不仅体现了参与全球气候治理的决心，也标志着经济发展模式的根本转变。

　　全球气候变化背景下削减温室气体排放，已成为国际社会的核心任务。中国作为全球最大发展中国家与主要碳排放国，提出 2030 年前碳达峰、2060 年前碳中和的 “双碳” 目标。该承诺既彰显了我国参与全球气候治理的决心，也意味着经济发展模式将发生根本性转型。

　　港口是全球贸易物流网络的关键枢纽，是衔接内陆与海洋、推动经济一体化的重要基础设施。凭借区位与资源优势，我国沿海港口在全球航运市场占据重要地位。但伴随港口货物吞吐量持续攀升，能源消耗与碳排放量同步增长，生态环境承载压力持续加大。因此，在 “双碳” 目标框架下，提升我国沿海港口运营效率、降低碳排放已成为亟待落实的重要工作。

　　碳排放效率是衡量港口低碳发展水平的核心指标，能够量化反映投入产出要素、外部环境与碳排放三者之间的内在关联。基于此，本文构建纳入碳排放要素的中国沿海港口效率评价体系，通过对碳排放效率与运营效率开展量化分析，为港口管理部门制定绿色高效发展策略提供科学决策依据。

　　本文采用三阶段数据包络分析（DEA）模型，综合测算2013—2023年我国主要沿海港口在低碳约束下的发展效率；借助马尔可夫链分析效率时空演变特征，并运用核密度估计、Dagum基尼系数量化港口间效率的绝对差距与相对差距，为制定科学低碳、可持续的港口发展政策提供支撑。为清晰梳理现有研究进展与效率研究存在的短板，本文整理了港口效率与碳排放相关核心文献（见表 1），通过表格对比可直观发现过往研究在研究视角、实证方法上的特征与不足。

　　结合上述研究背景与研究目标，本文拟解决三大研究问题：（1）“双碳”目标下我国沿海港口当前碳排放效率处于何种水平？（2）外部环境因素与随机扰动是否会干扰港口效率测算结果？剔除两类干扰后，测算结果与第一阶段原始测算值存在何种差异？（3）沿海港口碳排放效率呈现怎样的时空演化格局，区域间存在哪些发展差距？

　　现有文献虽已围绕港口能源效率与碳排放展开探讨，但多数研究仅聚焦单一减排技术路径或局部碳排放测算，未能将碳排放等非期望产出纳入整体系统效率框架开展综合评估，也未剥离外部环境与随机误差的干扰。本文构建三阶段超效率 SBM-DEA 模型，融合核密度估计、马尔可夫链、Dagum 基尼系数分解多种方法，不仅量化测算我国沿海港口碳排放效率，还揭示效率时空演化规律与区域分异形成机理，搭建更为完备的港口效率评价体系，并提出区域协同发展路径，为港口低碳转型提供系统化决策支撑。

　　研究亮点

　　本文主要存在两点研究贡献：

　　（1）研究视角创新：立足全球气候治理与我国 “双碳” 目标双重背景，将碳排放指标纳入沿海港口效率评价体系，有效控制环境变量与随机噪声，突破传统研究仅关注运营效率的单一范式，从低碳发展视角重新审视港口发展质量，弥补特定政策背景下港口综合效率评价的研究空白，为港口低碳转型拓展研究思路。

　　（2）多方法融合分析，赋能港口低碳转型实践：构建三阶段 DEA 结合马尔可夫链等工具的一体化分析框架，精准测算港口碳排放效率、剔除外部因素干扰，并系统剖析效率时空演变与区域差异。通过厘清碳排放与港口运营效率的内在关联，识别资源配置失衡、技术创新不足等核心痛点，因地制宜制定港口低碳发展对策，助力港口绿色转型与“双碳”目标落地。

　　研究结果

　　1.基于三阶段超高效DEA的中国沿海港口碳排放效率评估模型应用分析

　　为说明本文提出的方法在中国沿海港口碳排放效率评估中的实际应用路径，本节系统地阐述了该模型在具体港口评估中的应用过程，结合图1所示的三阶段分析框架。

　　第一阶段：初步效率评估与松弛识别。本研究最初将每个港口视为决策单元（DMU），并采用超高效SBM-DEA模型。使用终端长度、床位数量和员工人数等输入指标，货物吞吐量和集装箱吞吐量为期望输出，二氧化碳排放为非期望输出。计算每个端口的初始效率值和输入松弛变量。本阶段不考虑外部环境因素，效率数值反映了港口在当前技术和管理水平下的碳排放效率表现。

　　第二阶段：环境因素与随机噪声的消除为消除外部环境干扰和效率评估中的随机误差，本研究使用第一阶段获得的输入松弛变量作为因变量，内陆GDP、总进出口贸易和总固定资产投资作为环境变量，构建SFA回归模型。通过回归分析，环境因素和随机噪声的影响被分离出来，并调整每个端口的输入值，以确保所有端口都处于相同的外部环境基准之下。

　　第三阶段：调整后效率的重新评估。第二阶段调整后的输入数据会重新输入到超高效SBM-DEA模型中，计算最终效率值，该模型排除了环境和随机因素的影响。该阶段的结果更准确反映港口自身的管理效率和低碳技术水平，为港口间的公平比较和改进方向的确定提供了可靠基础。

　　通过上述三阶段分析，本研究不仅量化了港口的碳排放效率，还揭示了外部环境因素如何影响效率评估的机制，为港口制定有针对性的低碳发展战略提供了方法学支持。

　　2.关于考虑碳排放的DEA三阶段港口效率评估研究

　　2.1.第一阶段：调整前中国主要沿海港口碳排放效率评估与分析

　　第一阶段，利用MATLAB软件计算了2013年至2023年中国16个主要沿海港口的港口碳排放超效率值。图3总结了各调查年度的平均结果。观测显示，中国主要沿海港口的平均碳排放超级效率在2014年至2016年间保持相对稳定，波动仅略有，2017年后则呈稳步上升。这种不稳定可能归因于根据《全球港口发展报告》，2014年全球港口向钢铁和煤炭等高能耗产业扩展，导致能源消耗增加并加剧二氧化碳排放。这导致沿海港口碳排放效率波动。然而，中国沿海港口对这一挑战做出了有效回应。2016年推出的第十三个五年计划设定了政策目标，目标是在计划结束前，每单位GDP排放量减少17%。这一向低碳发展的转变在一定程度上扭转了沿海港口碳排放效率的下降趋势。

　　表5展示了中国主要沿海港口在考虑碳排放后的平均效率。根据DengZhao、LiuLu、LiYanan等的分类，这些港口的碳排放效率分为高效率、中等效率和低效率五个区域。

　　(1)高效区：包括深圳港和海口港，这两个区域都展现出高效率水平。深圳港的高进出效率得益于码头长度和泊位容量的大量投资，使其成为吞吐量极为高效的港口。然而，对碳排放的关注可能表明能源使用相对于产出还有提升空间。在研究期间，海口港的碳排放超高效值一直保持在较高水平，呈上升趋势，显示出最佳的投入产出比。

　　(2)高效率区：该组包括日照港、青岛港、上海港和宁波舟山港，效率值均超过0.8。日照港和青岛港均位于山东省，大多数年份保持有效效率。然而，他们必须在追求更高货物和集装箱吞吐量及经济增长的同时，考虑低碳发展计划。上海港和宁波舟山港作为全球前十港口，尽管规模和吞吐量均领先，但由于全球经济放缓和贸易收缩的影响，投入产出尚未达到最佳水平。研究表明，为了提高效率，运营流程应优化以减少不必要的能源消耗。尽管两港口在吞吐量和规模经济方面表现卓越，但仍需进一步努力以实现“双碳”发展目标，特别是在节能和减排方面，以提升环境绩效并与全球可持续发展趋势保持一致。

　　(3)中效区：该区内港口包括广州港、厦门港、连云港港、天津港和烟台港。这些港口因投资和产出差异而显示出效率差异，显示出显著改进和提升效率的潜力。

　　(4)低效率区：如营口港、大连港和福州港等港口属于此类。虽然碳排放效率差异不大，但这些港口的表现相对较差。过度投资和高污染排放等因素导致了碳排放效率较低。

　　(5)低效率区：汕头港和湛江港属于该区。两港投资相对较低，珠江三角洲港口集群优先考虑市场份额的广州港和深圳港。汕头港主要服务客运而非货运，导致货物吞吐量和港口产出都较低。因此，两个端口的效率都较低。

　　2.2.第二阶段：消除外部环境和随机误差因素

　　由于第一阶段确定的松弛变量对环境影响低、统计噪声和管理效率较低，采用了随机前沿分析（SFA）。在此阶段，沿海港口被置于同一环境层面，以消除外部因素和随机误差对效率评估的影响。第一阶段的三个输入变量的松弛值在Frontier4.1中作为因变量使用。解释变量包括进出口贸易总额、固定资产总额以及经济腹地GDP。结果见表6。负回归系数表明，随着环境变量的增加，投入指标的松弛值减少，从而减少投入资源的过度使用并提升生产效率。相反，正回归系数则表明相反效果。

　　在1%的显著水平下，总固定资产与泊位和终端长度输入呈显著正相关，与人员输入呈负相关。沿海港口固定资产总额较高，伴随着泊位和码头长度的更多投资，但这并未有助于提升港口的碳排放效率。

　　(2)进出口贸易总额

　　进出口贸易总量的松弛变量系数显著为负，表明贸易发展的快速增长将促进港口管理、技术能力、劳动力质量和污染减缓技术的改进。因此，增加进出口贸易量有助于减少输入冗余，提升港口的碳排放效率。

　　(3)经济腹地GDP

　　与区域经济水平相关的输入指标（以内陆GDP衡量）的松弛变量显著为正。内陆较高的GDP与更好的港口基础设施和更高的货物吞吐量相关，吸引更多的劳动力和资本投资。然而，由高GDP驱动的过度投资可能导致重复，负面影响碳排放效率，阻碍港口效率的提升。

　　2.3.第三阶段：调整后SBM模型结果分析

　　为了准确计算沿海港口在一致条件下的碳排放效率，第二阶段调整的输入值重新引入SBM-DEA模型以进行效率计算。这使得能够根据环境变量和考虑碳排放前后的随机因素，确定港口效率值。表7展示了第一阶段和第三阶段的效率值和趋势，比较了中国主要沿海港口调整前后的成果。

　　效率值从第一阶段的0.62降至第三阶段的0.59，表明外部环境因素会影响效率测量的准确性。经过第三阶段调整后，大多数港口的效率有所提升，这证实了纳入环境因子分析可以减少资源浪费并提升港口产出。

　　研究期间，由于外部环境投资导致的初期效率估算较高，广州港、连云港、烟台港、厦门港和福州港的效率值有所下降。排除环境因素后，效率值下降;海口港的效率值基本稳定，表明其资源配置合理，碳排放处理技术有效;其他港口碳排放效率值的提升反映了大多数港口的低碳发展受到外部环境因素的显著影响。

　　本研究利用ArcGIS空间分析工具绘制了2013、2017、2020和2023年中国沿海港口碳排放效率的空间分布图。结果见图4、图5、图6、图7。端口根据效率值分为四个等级：低效率低于0.470，中低效率介于0.471至0.588之间，中高效率介于0.589至0.793之间，以及高效率超过0.794。分析了港口碳排放效率的空间分布特征和演变趋势。

　　从2013年到2023年，中国沿海港口碳排放效率的空间差异呈扩大趋势。在此期间，高效港口数量从3个增加到6个，而中高效和高效港口数量则从6个减少到4个。此外，中低效率港口数量从0增加到4个，低效率港口数量从7个减少到2个。海口港、深圳港、青岛港和日照港在碳排放控制方面表现出色，展现出高质量开发转型的良好趋势。在调研期间，天津港稳步发展，效率持续提升。广州港实现了从低碳效率向高效高效的快速转型。凭借腹地经济增长和港口功能整合的优势，宁波舟山港和上海港完成了中效率向高效率的转型。相比之下，汕头港和厦门港从低效率发展到中低效率，而湛江港和大连港则从低效率提升至中高效率。烟台港发展不稳定，效率波动，福州港持续处于低效率区。由于邻近港口的竞争，连云港和营口港的效率下降，显示效率由中高转为中低。

　　2.4.模型稳健性检验：随机超效率DEA的比较分析

　　为测试本文提出的三级超效率SBM-DEA模型的稳健性，本节对随机超效率DEA模型进行了比较分析。采用相同的投入产出变量和环境变量，并利用两个模型评估了2013年至2023年中国16个沿海港口的碳排放效率。

　　为测试本文提出模型的稳健性，比较了三级超效率SBM-DEA与随机超效率DEA（见表8）。结果显示，这两个模型得出的效率排名高度一致，验证了本研究的稳健性。与此同时，三级模型的效率值普遍低于随机DEA模型，表明后者可能因环境和随机因素控制不足而高估了某些端口的真实效率。此外，除少数港口外，绝大多数港口排名保持稳定，进一步证明了该评估结果的稳健性。

　　3.考虑碳排放的中国沿海港口动态演变分析

　　3.1.考虑碳排放的中国沿海港口效率时间序列变化

　　本研究采用了三维动态核密度估计图，展示了中国沿海港口碳排放的发展水平、分布模式及演变趋势，如图8所示。通过通过核密度函数分析港口碳排放效率水平随时间的分布和聚类特征，该技术能够更精细地描绘空间模式演变趋势，直观地展示港口效率的势分布规律，有助于深入分析港口环境性能的差异和聚集特性。

　　2013年，沿海港口的碳排放效率分布显示出单一的广泛峰值，且无明显的极化，反映出港口发展相对均衡。2014年后，其发展水平曲线转变为“主峰+边缘峰”分布。随着时间推移，边缘峰的高度增加，主峰的距离减少。边缘峰高度的增加意味着该地区港口聚集的趋势增强，反映了此前欠发达港口集群的逐步兴起和发展。到2016年和2023年，主峰的形状变得更加锐利，表明一个或几个港口在发展方面明显领先于其他港口。这些港口现已成为各自港口集群的核心，吞吐量、基础设施、服务质量及其他关键绩效指标均有显著提升。因此，核密度函数的应用在识别港口效率的变化及其对港口集群和区域经济发展的潜在影响方面起着关键作用。

　　3.2.马尔可夫时空演化的特征

　　为分析中国沿海港口碳排放效率的时空演变特征，构建了传统的马尔可夫转变概率矩阵（见表9）。

　　表10展示了分析结果，揭示了以下发现：

　　首先，对角线概率值始终高于非对角线元素，表明沿海港口的碳排放性能相对稳定，且保持当前性能水平的可能性较高。其次，中国沿海港口的碳排放表现中出现了“俱乐部趋同”现象。同时具备低碳排放和高碳排放表现的港口，在接下来的一段时间内最有可能保持其水平，概率分别为81.4%和91.9%。第三，“跳跃式”发展的可能性很低，即港口在相邻年份内显著提升碳排放表现。同样，跨性能状态跨级转变的概率也很小。

　　3.3.考虑碳排放后中国沿海港口效率的空间差异分析

　　本研究利用达古姆基尼系数分析区域港口发展差异，并分析了包括长江三角洲、珠江三角洲、渤海沿岸、东南沿海和西南沿海港口集团在内的多个沿海港口群的差异。

　　(1)整体空间差异及其指数分解

　　通过计算基尼系数及其贡献率，量化沿海港口的发展差距，图9显示了变化趋势。研究期间港口发展水平的基尼系数整体呈下降波动趋势。2013年至2014年及2016年至2018年间，基尼系数上升，显示沿海港口发展差距扩大。然而，2019年至2020年间，基尼系数相对稳定，显示出港口的平衡分布，竞争和市场份额均处于较大平衡。2014-2016年和2020-2023年间基尼系数的下降，表明这段时期的发展差距正在缩小。

　　(2)端口之间基尼系数及其指标分解的差异

　　群间基尼系数差异的分解见表9。这种分解为不同端口集群之间的不平等程度提供了洞见。分析显示，东南海岸与西南、东南海岸与长江三角洲、东南海岸与珠江三角洲以及东南海岸与渤海地区组之间的基尼系数平均差异超过0.219，主要原因是投入资源分配不均。沿海港口之间的合作与协作发展对于提高碳排放效率至关重要。然而，当前港口间的区域间合作存在一些不足。此外，西南与珠江三角洲、渤海沿岸与西南、西南与长江三角洲地区之间存在显著的群体间差异。相比之下，渤海河口与珠江三角洲、长江三角洲与渤海河口及长江三角洲之间的基尼系数最小，表明这些港口群在整体发展上相对相似。这种相似性表明货物吞吐量和基础设施建设的差异极小，导致这些地区实现了均衡的发展。

　　(3)端口簇内基尼系数的差异及其指标分解

　　从上述图中可以清楚看出，沿海港口在整体效率上存在显著的地区差异。图10展示了群体内部差异的演化趋势。

　　西南沿海港口群开发水平在群体内空间差异的基尼系数曲线波动较大，2014年达到最大0.30的差异。然而，2014年至2016年及2019年至2023年间呈下降趋势，表明港口发展水平的差距在经历波动后仍在缩小。

　　珠江三角洲港口集群在2016-2017年和2019-2020年间基尼系数呈上升趋势，表明这些港口在这段时期的发展水平差距正在扩大。然而，2013-2016年、2018-2019年和2020-2023年间，群体内基尼系数有所下降，反映出集群内部竞争结构逐渐趋于平衡。

　　渤海边缘港组的基尼系数在2013年后显著下降，表明该时期资源配置有利。然而，从2017年到2020年，港口发展出现了显著的上升趋势，显示出港口发展失衡的加剧。这可归因于一些港口抓住了新的发展机遇，如开辟新航线和采用先进技术，从而实现了快速增长。相比之下，其他港口未能跟上步伐，导致发展差距不断扩大。此外，一些港口可能还面临技术过时和基础设施老化等问题，这些问题阻碍了其适应市场变化的能力，导致落后，进而导致基尼系数不断扩大。2020年至2023年间，渤海环港口集团的基尼系数从0.19降至0.17，显示出下降趋势，过去四年波动较小。

　　长江三角洲港口集群基尼系数整体呈上升波动，表明港口资源配置失衡加剧。港口之间的竞争更加激烈，由于缺乏统一规划，协作开发机制依然不完善。尽管在长江三角洲地区推动合作，省级和市级利益在制定港口规划时往往优先，导致方法分散。这种缺乏协调导致港口间功能角色不明确，基础设施建设频繁重复，资源配置低效，最终阻碍港口集群的整体效率。

　　相比之下，东南沿海港口集群仅在2015-2016年和2019-2020年基尼系数呈上升趋势，其他年份则持续下降。这表明该集群中的港口成功促进了协作发展，实现了资源更均衡的分配。促进合作和减少地区差距的协同努力有助于缩小发展差距，这从研究期间基尼系数的下降中可见一斑。

　　研究展望

　　（1）本研究的局限性

　　首先，关于数据和指标，本研究受限于数据可得性。通过增加研究周期，加入更近期的数据，可以更好地捕捉长期趋势和政策影响。虽然选定了关键投入产出指标，但由于数据稀缺，某些细致因素可能被遗漏影响，如分解的能耗结构、船舶类型的对接频率以及特定绿色技术的实际采用率。

　　其次，研究重点关注利用二氧化碳实现碳排放效率作为主要指标。需要注意的是，港口空气质量还受到氮氧化物（NOx）、硫氧化物（SOx）和颗粒物（PM）等其他污染物的显著影响，这些污染物对当地健康和环境有更直接的影响。当前模型中排除这些污染物构成了限制，因为多污染物视角日益被认可用于全面环境评估。

　　第三，从范围来看，本研究重点关注主要沿海港口。内陆和河港也是交通部门排放的重要来源，但不属于本分析范围。因此，这些发现最适用于沿海环境，未经进一步研究无法完全推广到中国整个港口系统。

　　（2）未来研究方向

　　基于这些局限，未来的研究应采取多条路径。首先，应努力整合更精确的数据，如实时设备能耗和更高分辨率的排放数据。纳入更多与数字化相关的指标（如5G覆盖率、人工智能应用深度）和绿色基础设施（如陆上电力供应能力、液化天然气加注设施）将实现对港口发展状况和脱碳潜力的更细致分析。

　　其次，关于分析范围，未来模型应扩展至多污染物效率分析，纳入氮氧化物、硫氧化物和液压分析。这将有助于对港口环境表现及其对周边社区的影响进行更全面的评估，弥补本研究中指出的空白。

　　最后，地理范围应当扩大。将分析扩展到更广泛的港口，尤其是关键内陆港口，将有助于全国范围内评估港口碳效率。沿海与内陆港口系统的比较研究将为中国物流和交通部门的可持续转型提供更全面的见解和政策建议。

来源：江苏省绿色金融高端智库