期刊佳文 | 中国全要素碳生产率及时空分异研究——基于中国30个省份的数据

面对日益严峻的全球生态与气候变化问题及国际国内经济环境的深刻变化和全新挑战，党的十九届五中全会已将高质量发展作为中国经济发展的主题，并对“双碳”目标作出进一步具体部署。要推动中国经济发展模式绿色转型，实现由规模扩张推动的高速增长转向提质增效带动下的高质量发展，加速提升经济增长的质量和效率已成为必然要求和必要条件。全要素碳生产率既涵盖了期望产出又包含了非期望产出，可以反映出一个国家（地区）社会经济活动的要素资源禀赋水平对其碳生产率结构的潜在影响，综合考虑了区域生产活动的经济效益与环境效益，兼顾了经济效率与生态效率的有机协调。因此，运用全要素碳生产率对中国经济的低碳与高效发展问题展开深入分析成为学术界重点关注的研究领域之一。

对于全要素碳生产率的研究，近年来相关学者多侧重围绕评价指标选择的动态优化、测算方法的适应性改进以及全要素碳生产率时间/空间特征分析这三个方面来展开实证分析。首先，在全要素碳生产率测算评价指标体系的构建方面，投入考核指标体系多选用总劳动、资本、能源要素投入总和作为要素投入考核变量；产出考核体系多直接采用人均国民地区生产消耗总值予以表示。其中，对于二氧化碳排放量这一关键指标，一些学者将其列为投入变量[1-2]，而另有部分学者将二氧化碳排放量列入非期望产出来进行全要素碳生产率测算，以减少不良产出导致的生产效率的偏差[3-4]。产生这两种处理差异的原因在于：前者将二氧化碳作为投入指标，探究单位二氧化碳产生的规模效益；后者将二氧化碳作为非期望产出指标进行测算，在单位投入要素下产生一定量的期望产出和碳排放。

在全要素碳生产率的测度分析方法方面，一些学者采用DEA模型的Malmquist指数法进行全要素碳生产率变化的度量[1,5-7]，但显然此类测算方法存在无法严格将非期望的产与出纳入模型之内的问题。为解决这一问题，部分学者在此函数基础上进一步扩展形成了SBM方向距离函数[8]，这种方法能够包含期望产出和非期望产出，在一定时期内被广泛运用于测算全要素生产率[9-10]。但是这种方法仍存在一定缺陷，无法有效克服因径向或角度的选取不同造成线性规划无解和测评偏差问题。因此，后续学者通过SBM方向距离函数与GML指数相结合，进一步优化了非径向、非角度的函数模型[11-12]，部分学者在测算TFCP和GTFP中亦沿用此方法[13-15]。但是，在计算TFCP过程中，能源消耗与非期望产出碳排放是“不可分的”，属于径向关系；而劳动力、资本等投入要素与期望产出GDP之间是“可分的”，属于非径向关系。而传统的DEA方法模型和SBM方法的模型均无法满足处理同时具有径向的和非径向的投入与产出的变量特征。在此方法的基础上，相关学者主要运用两种方法进行了改进与完善：一种方法是采用基于SBM方向性距离函数的Global Malmquist-Luenberger指数法（SBM-DDF-GML）展开测算分析[16-17]；另一种方法则利用非期望产出的Super-SBM模型进行测算[4,18]。其中，部分学者提出了一种混合距离函数EBM-GML模型[19]，该模型既包含径向因素变量的径向CCR方法模型，又融合了传统包含径向松弛因子变量的非径向的SBM方法的模型，可以进一步提升现有模型的测度和精度。

关于全要素碳生产率时空分异特征的研究，在研究对象上，一些学者在区域差异视角下对碳生产率进行探究分析[20-21]；部分学者通过探究某一产业全要素碳生产率的现状进而对其进行时空演进分析[22-23]。目前对于中国整体的全要素碳生产率的全域时空分异特征缺少相关探究。在研究方法上，一些学者通过测算全要素生产率的结果，将其分解后对不同区域、不同时间的指数进行动态面板数据分析[24-25]，这种方法能够较好地探究空间驱动因素，但无法反映其空间分异程度，具有一定局限性。部分学者采用变异系数法进行时空分异特征探究[26-27]，但这种方法仅能够揭示出区域内部存在差异但无法揭示出差异存在的来源；另外一些学者采用泰尔指数法对差异来源进行分解从而解释区域存在的时空差异[28-29]，但在测算的过程中采用均值运算，大大降低了测度结果的有效性。对于时空分异程度的探究，目前学术界主要采用Dagum基尼系数、核密度估计法对其进行探究：Dagum基尼系数可以揭示出区域差异的程度及来源，并且能够克服样本数据间的交叉重叠造成的问题，可以较好地反映全要素碳生产率的空间分异特征。核密度估计法能够清晰地展现出全要素碳生产率的动态演进趋势，可以直观地反映出全要素碳生产率的演进特征。

虽然现有的研究在全要素碳生产率的测度和TFCP时空特征的分析方面已颇有建树，但目前相关研究大多聚焦在某一区域或某一产业，而针对中国全域范围展开全要素生产率时空演进系统分析的研究还较少，存在进一步补充完善的空间。基于此，本文聚焦于中国的30个省份，将碳排放作为非期望产出通过EBM-GML方法对TFCP进行测算，并利用核密度函数与Dagum基尼系数对其空间分异特征进行系统分析，对于促进“双碳”目标框架下经济高质量发展战略的早日实现具有一定理论意义和决策参考价值。

本文基于EBM-GML模型，同时参考贯君等[30]提出的改进的包含非期望产出的EBM模型进行TFCP测算，模型表达式为：

式（1）、（2）中：γ^*表示EBM模型测度的最优效率值；θ表示径向效率值；x_io和y_ro表示第o个DMU的投入和产出向量；λ表示投入要素的相对权重；s^-_i表示非径向的第i个投入要素的松弛变量；w^-_i表示第i个投入要素的权重，且满足；ε_x是结合径向变动和非径向松弛向量的关键参数，且0≤ε_x≤1；h_po表示第o个DMU的第p种非期望产出；s⁺_r和s^h-_p表示第r种期望产出和第p种非期望产出的松弛向量，若其值大于0，则说明实际投入和产出低于生产前沿边界水平，效率存在提升空间；w⁺_r和w^h-_p分别表示第r种期望产出和第p种非期望产出的权重。模型中权重系数需事先确定本研究通过运用MATLAB软件根据原始数据进行赋权，以避免主观赋权对测度结果造成偏差。

基于全局生产可能性数据集分析编制的GML指数变动曲线数据拥有数据可循环累加性，在能横向交叉比较出各个生产决策活动单元生命周期中或相邻连续两个特定时期内中长短期内TFCP指数的变动状况总的波动趋势之同时，还能准确完整地反映出TFCP指数中短至长期变动的总体状况趋势，其变动曲线数据具体的分析结果公式为：

GML指数代表第t＋1期相对于前一个t期指数的变动，若该期指数变化大于1，则就代表了TFCP指数出现了一个上升的趋势；反之，若小于1，则仅代表TFCP出现到了下降的状态中；若等于1，则代表TFCP处于相对稳定状态。

核密度估计是一种常用的非参数检验方法，通常用于研究变量的动态演进过程，是对直方图的自然拓展[31]。假设随机变量X的密度函数为f(x)，在点x的概率密度可以估计为式（4）：

其中，n是样本个数，d为均值，h为带宽，K(d)为核密度，同时在使用核函数时必须满足下述条件：

常用的核函数有线性核函数/多项式核函数/高斯核函数等，其中高斯核函数最常用，本文中采用高斯核函数，形式具体表示为：

为了对中国全要素碳生产率的空间分异程度进行考察，本文采用Dagum基尼系数分解法，将其空间差异分解为三个部分：区域内差异、区域间差异和超变密度，即G＝G_W＋G_nb＋G_t，其中超变密度反映了区域间重叠引起的不均衡性分析[32]。基尼系数的定义式为：

式中：k为总的区域个数，i和r表示区域内的省份序号，n_j和n_h分别表示j和h区域内的省份个数，y表示各省份全要素碳生产率，n为总的省份个数，本文为30，`y为全要素碳生产率的均值。

Dagum基尼系数分解法是将总的基尼系数分解为区域内差异G_w、区域间差异G_nb和超变密度G_t，总的基尼系数等于三者之和。具体计算公式为：

式（8）～（11）中：p_j=n_j/n，s_j=n_jn；D_jh是指不同地区中的地区j和地区h之间的全要素碳生产率的相对影响；d_jh为全要素碳生产率的差值；p_jh为超变一阶矩；F_j和Fh为地区j和h的累计密度分布函数。

本文基于2011—2020年中国30个省份（未包括西藏及港澳台地区）的数据，采用EBM混合距离函数和全局Malmquist-Luenberger生产率指数法，在规模报酬可变的前提下对中国全要素碳生产率进行测度。

（1）投入指标：分别选取劳动投入、固定资产投入以及能源投入。对于劳动投入，本文采用各省域年末就业人数来表征。对于固定资产投入，采用永续盘存法，对各省域的生产性资本存量加以测算，公式如下：

对于能源投入，采用各地区煤炭、石油等7种主要能源的年消耗量进行表征。

（2）产出指标：期望产出中，采用各省域的名义GDP进行测度；对于非期望产出采用一个地区二氧化碳排放量进行表征，碳排放量的测算采用IPCC方法，模型公式如下：

其中，C为单位碳排放量；E为能源单位一次的能源消耗量；E_i为单位能源i次的总碳消耗量；C_i为主要能源i类的实际总碳的排放数量值，i类为其他重要能源种类，包括了煤炭、石油、天然气、水电能源开发和核能再利用技术等。碳的排放系数为主要国家能源技术研究及发展研究项目中所确定公开及对外所发布的国家主要能源碳的综合排放系数。

以上统计2011—2020年的中国30个省份中使用的数据全部来源于《中国环境统计年鉴》《中国统计年鉴》以及《中国能源统计年鉴》，缺失值采用插值法进行数据补充。

本文测算2011—2020年分省域及四大区域（东部、中部、西部、东北部）的TFCP增长率，测度结果如表1所示。从省域视角上来看，整个样本在研究时间范围内的测算结果中除去吉林出现下降之外，其余29个省份的TFCP均呈现不同程度的增长。其中，云南、宁夏、北京、重庆、新疆、福建、安徽、海南、四川、湖北、贵州等TFCP平均增长率高于5%；黑龙江、广西、广东、山东、河北、青海、天津等省份TFCP平均增长率低于3%。TFCP增长率最高的地区是云南（12.01%），其次是宁夏（10.17%）、北京（9.51%）、重庆（9.14%）、新疆（8.802%）。可以看到在TFCP平均增长较高的地区既有近年来经济发展较好的地区，如北京、重庆等；又有西部偏远地区，如云南、宁夏、新疆等。这说明TFCP的增长实现该地区经济增长与碳排放治理的有机结合。

西部地区尤其是西部偏远地区省份在2014年以前TFCP均出现负增长的情况，而在“十三五”时期实现高速增长。由此可见，这些地区实现了环境规制与经济发展双挂钩，并在十年的整体时期实现总体数值的较高增长。TFCP增长率最低的地区是吉林（‒1.238%），其次是天津（1.481%）、青海（1.626%）、河北（1.628%）、山东（1.78%），这些地区在整体时期增长率稍缓，并在2019年和2020年均出现负增长，且吉林的负增长程度在2019年和2020年尤为严重分别为22.79%和29.01%，天津次之，2019年负增长程度为24.91%。

图1为不同时期全国及四个区域TFCP的变动趋势。根据图1可以发现，2011—2020年，西部地区（内蒙古、广西、重庆、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆）TFCP增长水平最高，为5.23%，东北地区（辽宁、吉林、黑龙江）最低，为4.75%；“十二五”时期，东部地区（北京、天津、河北、山东、江苏、浙江、上海、福建、广东、海南）增长速度较快，而在“十三五”期间西部出现较高的增长情况；在三个时期内，各地区内部增长差异较小，实现同时期，同速度增长。

图2可以呈现出全国及四大地区TFCP逐年增长率变化情况，按照时间将其分为三个阶段：第一阶段（2011—2013年），我国的工业呈现粗放发展态势，空气污染与碳排放规模较大，生态管理与环境规制处于初步落实阶段。因此TFCP的增长情况逐步放缓，并在2012年和2013年全国大部分地区出现负增长情况。第二阶段（2014—2018年），我国在2014年颁布了《中华人民共和国环境保护法》，强调保障公众健康安全，积极推进和深化生态文明建设，促进经济社会可持续发展。在这一阶段内，政府不断加强对高污染，高排放企业的环境治理，减少环境污染和碳排放，全国各地区TFCP得到稳步提升。第三阶段（2019—2020年），我国环境治理成果显著，全国大部分地区TFCP年平均增长幅度放缓并稳步在5%左右的上升状态。值得注意的是，东北地区自2015年起，增长情况持续低于全国平均水平，并在2019年和2020年度出现断崖式下跌。自2015年起，东北地区的TFCP增长情况与全国其他地区的差距逐渐拉大。近年来，东北地区产业转型缓慢、经济发展滞后、人口流失等问题较为突出，全面振兴东北地区等老工业基地的发展战略尚需进一步实施推行。

为了更好地体现出中国省域全要素生产率随时间推移的动态演进趋势，更加清晰直观地展示各区域全要素碳生产率演进特征、差异程度和极化现象，本文运用核密度函数分别绘制了2011—2020年全国以及东部、中部、西部和东北部地区全要素碳生产率的核密度曲线。

曲线的分布位置反映出全国全要素碳生产率水平的高低。如图3所示，2011—2020年，全国全要素碳生产率Kernel曲线分布中心整体向右移动，说明全国全要素碳生产率水平逐渐提高。波峰高度和宽度反映的是差异大小，考察期内全国地区全要素碳生产率主峰高度呈现“上升—下降—上升—下降”的变化过程，主峰宽度呈现“变窄—变宽—变窄—变宽”的变化过程，尤其是在2019年及以后主峰高度明显下降且宽度增大，总体来看，全国范围内各地区全要素碳生产率水平离散程度呈上升趋势。分布延展性反映出全要素碳生产率发展水平最高区域和其他区域的空间差异。不难发现，全国分布曲线存在右拖尾现象，但延展性有所变化，呈现出“拓宽—收敛”的变化过程，意味着随着时间的推移，全要素碳生产率发展水平高的地区与落后地区间的差距在逐渐减小。波峰的数量反映了极化程度，全国全要素碳生产率Kernel曲线基本由单峰或双峰构成。随着时间的推移，不同峰之间的距离缩小，2018年演变为单峰，说明全国范围内全要素碳生产率水平极化特征逐渐减弱。

图4（a）显示，2011—2020年东部地区全要素碳生产率Kernel曲线分布中心整体向右移动。虽然2017年轻微向左移动但幅度不大，说明东部地区整体全要素碳生产率整体逐渐升高。以2018年为界，其波峰高度呈现“上升—下降”的变化过程，曲线宽度呈现“变窄—变宽”的趋势，2019—2020年曲线向扁平化发展，说明东部地区内部各省份离散程度呈上升趋势。但从分布延展性来看，右拖尾现象并不明显，说明东部地区各省份之间发展差距较小，且曲线多由单峰构成，极化现象也并不突出。

图4（b）显示，中部地区全要素碳生产率Kernel曲线分布中心发生先向左后向右偏移的变化过程，在2013年达到最左端后逐渐向右移动。说明中部地区全要素碳生产率水平经历了先下降后升高的过程。主峰高度呈现“上升—下降”的变化过程，曲线宽度呈现“变窄—变宽”的变化过程，总体表现为主峰高度下降、宽度变大，这说明中部地区内部省份之间的离散程度呈上升趋势。从分布延展性来看，十年考察期内均存在明显的右拖尾现象，延展性呈现“拓宽—收敛”的变化趋势，总体趋于小幅收敛，意味着中部地区全要素碳生产率水平低的省份与发展水平高的省份之间的差距在逐渐缩小。Kernel曲线以单峰为主，说明中部地区极化特征不明显。

图4（c）显示，2011—2020年西部地区全要素碳生产率Kernel曲线分布中心整体变动幅度不大，说明几年来西部地区全要素碳生产率水平较为稳定。从波峰高度和宽度来看，主峰高度经历了“下降—上升—下降”的变化，主峰宽度经历了“变宽—变窄—变宽”的变化，总体表现为主峰高度下降、宽度变宽，说明各省份离散程度呈上升趋势。分布曲线存在右拖尾现象但延展性发生变化，经历了“拓宽—收敛—拓宽”的变化过程，总体呈现轻微收敛趋势，意味着西部地区各省份之间的全要素碳生产率水平差距逐渐减小。从波峰数量来看，2018年以前以双峰为主，之后以单峰为主，说明极化现象在2018年后明显减弱。

图4（d）显示，考察期内东北部地区全要素碳生产率Kernel曲线分布中心较为分散，变化相对频繁，不同年份全要素碳生产率水平各不相同。2012年、2015年、2016年和2017年波峰高度较高，宽度明显收窄，说明这三年间东北地区内部全要素碳生产率水平离散程度下降，差异较小；其他年份Kernel曲线均趋于扁平化，说明其余年份内东北地区内部离散程度呈明显上升趋势，发展不稳定。分布曲线以单峰和多峰为主，不同年份区域内不同省份全要素碳生产率水平差异较大，极化现象较为明显。

运用Dagum基尼系数法测算我国2011—2020年全国全要素碳生产率基尼系数，并将基尼系数进一步分解成区域内基尼系数、区域间基尼系数以及超变密度。如表2和图5显示了全国全要素碳生产率总体基尼系数的走势，可以发现，在考察期内TFCP空间差异呈现波动上升趋势。从2011年的0.03增长为2020年的0.067，涨幅为123.33%。具体来看，2011年到2018年间呈现“W”形趋势，从2011年的0.03下降到2012年的0.015，上升为2013年的0.041，此后几年内也是同样的趋势。2018—2019年，全国全要素碳生产率总体基尼系数从0.029迅速上升至0.067，年增幅为131.03%，此后2020年仍然保持较高的基尼系数。这一结果充分说明我国全要素碳生产率的空间差异在总体上呈现上升趋势并且差异程度表现为扩大趋势。

下面将从东部、中部、西部、东北部四大区域的各区域内的角度分析空间差异程度。图6展示了全国四大区域TFCP的空间差异及走势。可以发现，西部地区和东北部地区的全要素碳生产率基尼系数大体上是波动上升的，并且变动趋势大体一致，在2016年后均呈现明显的高速增长趋势；东部地区和中部地区的区域内差异程度近年来呈下降趋势。

首先，东部地区的区域内基尼系数在经历了2011—2012年的波动下降后在2013年达到最大，即0.066，在之后的5年区域内基尼系数整体偏低，均值为0.014，区域内差异整体偏小。2019年基尼系数再次迅速增长为0.065，相较于上一年涨幅为622.22%。虽然在2020年又下降至0.04，但相较于往年数值仍然偏大，差异程度增大但呈缩小趋势。其次，中部地区的区域内差异程度在2011—2016年间较为稳定且差异性较小，基尼系数均值为0.013，2017年经历大幅增长后呈现波动下降趋势，区域内差异表现为缩小趋势。最后，西部在2011—2016年间呈现出小范围内的“W”形波动趋势，2017—2020年均基尼系数整体呈现高速增长态势且增速不断扩大，说明近年来西部地区内部差异程度不断扩大并将长期存在这种情况；而东北部地区与西部地区情况极为相似，仅在2018年有轻微下降趋势后差异又急剧增大，并且增幅远大于西部地区。

从全要素碳生产率的区域间基尼系数比较来看，西部和东北部地区之间的空间差异程度最大，考察期间基尼系数均值为0.036，东部地区和西部地区以及东部地区和东北部地区次之，基尼系数均值为0.033，此后依次是东北地区和中部地区、中部地区和西部地区，东部地区和中部地区之间的空间差异程度最小，基尼系数均值为0.028，如表3所示。

从变动趋势来看，东—中部地区、东—东北地区、东—西部地区之间的整体走势相近，如图7（a）所示。其中前两者在2011—2018年经历“W”形变动趋势后，于2018年基尼系数达到最低，区域间差异程度达到最小，2019年又快速增长为0.057和0.068，涨幅分别为280%和300%；而东—西部地区自2016年后到2019年期间基尼系数一直呈上升趋势；此后2020年基尼系数均有一定程度上的下降趋势，但整体差异程度仍为扩大趋势。中—西部地区、中—东北地区、西—东北地区之间的整体走势相近。如图7（b）所示，2011—2016年之间各区域间差异程度整体偏小，基尼系数均值都在0.020以下，2017年后三区域间基尼系数整体为波动上升趋势，并且区域间差异程度有明显的扩大趋势，其中西部地区和东北部地区之间的差异程度扩大趋势最为显著。

通过Dagum基尼系数分解方法将2011—2020年以来全要素碳生产率差异来源分解为区域内、区域间和超变密度，分别得到各自的差异来源贡献率，如表4所示。不同的差异来源贡献率的变化反映出全国全要素碳生产率水平差异产生机制的变化情况。样本考察期内区域间差异对总体空间分异程度的贡献程度最大，区域间差异对总体空间分异的贡献率均值为41.24%，超变密度贡献率次之，区域内的贡献率最小。

从贡献度走势来看，考察期内区域间差异贡献率在2011—2016年呈现“V”形变动趋势且2013年达到最低，之后的2016—2020年区域内差异贡献率呈“W”形波动趋势且在45%～55%之间变动，区域间差异贡献率数值整体上升，表明区域间的差异有扩大趋势。超变密度用于探究区域间的交叉重叠现象，超变密度贡献率在2011年至2016年呈现先上升后下降的变动趋势且在2013年达到最高，表明在2013年各区域之间的交叉重叠现象最多。之后的2016—2020年超变密度贡献率呈现“M”形变动趋势且在18%～27%之间变动，表明各区域之间仍有交叉重叠现象和异常省份，即虽然某个区域的全要素碳生产率水平整体较高，但该区域内仍然存在某些省份，其全要素碳生产率水平低于全要素碳生产率水平较低区域内全要素碳生产率水平高的省份。区域内差异贡献率长期处于平稳状态且在25%上下浮动，说明区域内差异对总体空间分异程度的贡献较为稳定，区域内部的全要素碳生产率水平整体较为平稳。由此可见，在今后很长时期，全要素碳生产率的区域间差异将对总体差异产生更大的影响，因此充分协调各地区之间的变动过程，进行区域统筹协调，实现跨区域流动必不可少。如图8所示。

总体来说，中国全要素碳生产率存在明显的空间差异特征，且空间差异程度总体上呈上升趋势。从区域内差异来看，西部和东北部地区的地区内差异呈上升趋势，东部和中部地区的地区内差异呈现缩小趋势。从区域间差异程度来看，西部和东北部地区的空间差异程度最大，东—中部地区、东—东北地区、东—西部地区的整体走势相近，中—西部地区、中—东北地区、西—东北地区的整体走势相近，区域间差异程度都呈现明显的扩大趋势。从基尼系数各项分解对总体基尼系数的贡献率来看，中国全要素碳生产率的空间差异主要来源是区域间差异，超变密度贡献次之，区域内的贡献最小。

本文得出以下研究结论。

（1）自“十二五”时期以来，全国全要素碳生产率呈上升趋势，其中西部地区全要素碳生产率增长速度最快，整个样本时期内西部地区TFCP增长水平最高，之后依次是东部地区和中部地区；东北地区最低，且自2015年起TFCP出现负增长并且趋势不断扩大。

（2）运用核密度函数对中国全要素碳生产率分布差异进行时间演进分析可以发现，2011—2020年全国范围内全要素碳生产率存在区域差异且随着时间的推移差异逐渐扩大，在2017年后多极分化现象增强。四大区域的Kernel曲线的分布形态、极化趋势等动态特征各异，但总体上四大区域内全要素碳生产率水平高的省份与落后省份间的差距持续拉大。

（3）通过Dagum基尼系数及分解分析发现中国全要素碳生产率的空间差异总体上呈现上升趋势，从区域内差异来看，西部地区和东北部地区的地区内差异呈上升趋势，东部和中部地区的地区内差异呈现下降趋势。从区域间差异程度来看，西部和东北部地区之间的空间差异程度最大，空间差异的主要来源是区域间差异。

基于以上研究结论，本文提出以下政策建议。

（1）针对目前部分省份出现全要素碳生产率增长指数呈现增长放缓的情况，可以进一步调动企业作为经济生产主体的减废降碳积极性，可以考虑进一步推进完善企业减排降废动态评价和绿色金融联动机制，推动ESG（环境指标、社会指标和治理指标）评价体系建设，将“双碳”评价指标完成值与绿色金融信贷额度和利率优惠、阶梯电价、用水定额等差异化政策等挂钩。

（2）对于全要素碳生产率的空间差距逐渐扩大，多极分化现象增强的情况，可以通过对重点区域完善低碳金融体制机制、加大金融支持力度的方式强化资金支持：可依托碳排放权服务平台以及不同地区的自然环境基础条件，在农、林业碳汇“绿碳”市场的基础上加快引入海洋碳汇，构建“绿碳”+“蓝碳”的“蓝绿”双碳市场。同时，建立“碳”银行，开设“碳账户”，积极推进“碳积分”综合评价计划，根据企业“碳积分”的“碳能力评估报告”为企业减污降碳项目提供精准金融服务支撑。

（3）针对东北地区TFCP与其他地区之间的差异程度扩大趋势最为显著的问题，首先，应根据东北地区资源禀赋情况，因地制宜加速东北地区传统产业转型并探索与高新产业融合创新，重构产业绿色发展生态体系。其次，要充分发挥地区比较优势，充分优化配置，避免要素错配、技术错配、人力资本错配和金融资本错配。最后，对于近年来东北地区人口流失、产业萎缩的突出问题，必须加强人才引进、畅通资本流动、大力改善生活宜居环境和产业发展环境。通过借助税收与资金支持政策、住房政策、教育以及医疗与养老等福利保障政策、改善基础设施、创建宜居环境等人才引进政策与营商环境政策组合实现高效地“选”“用”“育”“留”环境技术与管理人才，发挥环境技术与管理人才的智力支持和创新引擎效应。

（4）面对全国全要素碳生产率多极分化现象增强的情况，要实现“区域高质量协调发展”，在宏观层面，既要强化政府“看得见的手”在环境治理中对环境治理目标的把控能力和核心引导力，加大治理资源的供给力度和项目扶持力度，补偿相关主体的治理成本，弱化各区域间环境治理过程中的利益摩擦。另外，要充分发挥市场“看不见的手”的资源配置基础作用，提高环境治理要素的配置效率，推进环境治理公益性项目与经营性产业开发项目的融合发展，并通过实施环境治理PPP项目、环境治理“政银企”合作项目，签订环境治理“政银企”共建协议，推动社会资本、金融机构和企业深度合作。