碳排放及其影响因素的问题成为气候问题的重要课题,现有碳排放问题的研究主要从人口、能源消费强度、人均GDP、能源消费结构几个因素进行分析[1, 2]。Wu等学者采用对数均值迪氏分解法研究中国及个别区域的人均二氧化碳排放量与能源消费等影响因素的关系问题[3, 4]。李娜等学者采用灰色关联分析等方法对碳排放影响因素进行了研究[5, 6, 7]。
可以看出,国内外学者对中国碳排放影响因素问题已经取得了一些有价值的研究成果,现有研究的碳排放影响因素主要集中在人口、经济增长和技术进步方面,缺少全方位考虑碳排放的影响因素研究,并且现有研究主要采用时间序列分析方法,较少对截面数据进行分析,更是缺少空间面板数据分析。本文研究在借鉴已有研究的基础上,采用空间统计和空间计量模型,对我国省域的不同影响因素对碳排放的作用进行实证分析,检测区域碳排放的空间依赖性及其对碳排放的空间作用机制。
一、 碳排放理论模型构建及数据来源 1. 碳排放模型构建STIRPAT作为IPAT模型的修正和扩展,能够克服IPAT模型假设的不足[8]。关于STIRPAT模型的代表性研究有:何强、朱远程等学者利用STIRPAT模型研究了人口、技术等因素对北京市环境的影响[9, 10]。本文参考STIRPAT模型,构建碳排放变化模型估计影响因素对碳排放的弹性系数,并检验碳排放量变化过程中的溢出效应。
IPAT模型的具体表达式为:
| $I=P\times A\times T$ (1) |
| $I=a\times {{P}^{b}}\times {{A}^{c}}\times {{T}^{d}}\times e$ (2) |
当a、b、c、d都为1的时候,STIRPAT模型就还原为IPAT模型。其中,a是模型的比例常数项,b、c、d皆为指数项,e为误差项。
本文参考STIRPAT模型构造出碳排放与影响因素关系的计量模型:
将碳排放函数(3)两边取对数,则变为经验分析模型:
| $\begin{align} & \ln {{I}_{i}}=\operatorname{lna}+b\ln {{P}_{i}}+d\ln {{T}_{i}}+ \\ & e\ln {{F}_{i}}+f\ln {{U}_{i}}+g\ln {{S}_{i}}+h\ln {{E}_{i}}+ \\ & k\ln E{{X}_{i}}+{{\varepsilon }_{i}} \\ \end{align}$ (4) |
本文在借鉴现有文献的基础上[12, 13, 14],参考IPCC核算碳排放的计量方法及CDIAC等国际组织估算的我国碳排放量数据[15],确定本文碳排放量核算公式:
| ${{I}_{it}}=\sum\limits_{j=1}^{n}{\left( {{E}_{ijt}}\times {{E}_{j}}\times E{{F}_{i}} \right)}$ (5) |
根据《中国能源统计年鉴》中的标准煤系数和美国能源部推荐的碳排放系数,测算出2000—2012年中国30个省域的碳排放量(由于数据缺失,不包含香港、澳门、台湾、西藏地区)。
3. 碳排放的影响因素鉴于我国的实际情况,参考国内外学者关于碳排放相关文献及碳排放影响因素的研究成果,考虑数据的可获得性和完整性,确定了8个碳排放的主要影响因素:
人口(P)。一个国家或区域的经济发展不同阶段往往导致人口增长对碳排放增长作用效应不同,本文采用中国各地区年末人口总数来表示。
经济增长(A)。本文采用国内生产总值数据代表经济增长指标,并调整价格波动的影响。
技术进步(T)。专利数据是被广泛应用在技术进步的测度的方法,本文参考国内外学者的广泛做法采用专利授权数据作为技术进步的评价指标[16]。
金融发展(F)。金融发展是指金融系统规模的扩大和效率的改善,金融相关率是应用评估金融发展水平最为广泛的指标。本文采用金融机构贷款余额与地区生产总值之比来衡量金融发展指标。
城镇化率(U)。本文采用城镇人口占总人口的比率代表城镇化率。
产业结构(S)。通过第二产业国内生产总值占总的国内生产总值比例来代替产业结构指标。
能源价格(E)。采用各个省域的原材料、燃料、动力价格指数来替代能源价格指标。
出口依存度(EX)。根据出口额占国内生产总值比重即出口依存度来反映国际贸易中出口贸易的发展水平。
本文实证研究的样本为中国大陆30个省、自治区和直辖市,数据来源于各年的《中国能源统计年鉴》《中国统计年鉴》等资料。
二、 研究方法 1. 空间面板计量经济模型的类型本文参考STIRPAT模型,构建我国省域碳排放空间面板数据模型,标准面板数据计量经济学模型为:
| $\begin{align} & \ln {{I}_{it}}=b\ln {{P}_{it}}+c\ln {{A}_{it}}+d\ln {{T}_{it}}+ \\ & e\ln {{F}_{it}}+f\ln {{U}_{it}}+g\ln {{S}_{it}}+h\ln {{E}_{it}}+ \\ & k\ln E{{X}_{it}}+{{\mu }_{it}}+{{v}_{it}}+{{\varepsilon }_{it}} \\ \end{align}$ (6) |
本文纳入空间效应的省域碳排放函数,当本区域碳排放量被解释变量决定于其邻近区域的碳排放量观测值及观察到的一组局域特征,就需要采用空间滞后面板数据计量经济模型:
| $\begin{align} & \ln {{I}_{it}}=\rho \sum\limits_{j=1}^{N}{{{\omega }_{ij}}}\ln {{I}_{jt}}+b\ln {{P}_{it}}+c\ln {{A}_{it}}+d\ln {{T}_{it}}+ \\ & e\ln {{F}_{it}}+f\ln {{U}_{it}}+g\ln {{S}_{it}}+h\ln {{E}_{it}}+ \\ & k\ln E{{X}_{it}}+{{\mu }_{it}}+{{v}_{it}}+{{\varepsilon }_{it}} \\ \end{align}$ (7) |
如果地区碳排放被解释变量决定于观察到的一组局域特征及其忽略掉的在空间上相关的重要变量(误差项),这就是空间误差面板数据计量经济模型:
| $\begin{align} & \ln {{I}_{it}}=b\ln {{P}_{it}}+c\ln {{A}_{it}}+d\ln {{T}_{it}}+ \\ & e\ln {{F}_{it}}+f\ln {{U}_{it}}+g\ln {{S}_{it}}+h\ln {{E}_{it}}+ \\ & {{\varphi }_{it}},{{\varphi }_{it}}=\lambda \sum\limits_{j=1}^{N}{{{\omega }_{ij}}{{\varphi }_{jt}}\rho +}{{\varepsilon }_{it}} \\ \end{align}$ (8) |
如果在空间邻近地区的影响因素对省域的碳排放量也有影响,这就需要使用空间杜宾面板数据计量经济学模型:
| $\begin{align} & \ln {{I}_{it}}=\rho \sum\limits_{j=1}^{N}{{{\omega }_{ij}}\ln {{I}_{jt}}+}b\ln {{P}_{it}}+c\ln {{A}_{it}}+d\ln {{T}_{it}}+ \\ & e\ln {{F}_{it}}+f\ln {{U}_{it}}+g\ln {{S}_{it}}+h\ln {{E}_{it}}+\ln E{{X}_{it}}\alpha \sum\limits_{j=1}^{N}{{{\omega }_{ij}}\ln {{P}_{ji}}} \\ & \beta \sum\limits_{j=1}^{N}{{{\omega }_{ij}}\ln {{F}_{ji}}}+\xi \sum\limits_{j=1}^{N}{{{\omega }_{ij}}\ln {{S}_{ji}}}+\zeta \sum\limits_{j=1}^{N}{{{\omega }_{ij}}\ln {{U}_{ji}}}+\eta \sum\limits_{j=1}^{N}{{{\omega }_{ij}}\ln {{E}_{ji}}} \\ & \varphi \sum\limits_{j=1}^{N}{{{\omega }_{ij}}\ln E{{X}_{ji}}}+{{\mu }_{it}}+{{v}_{it}}+{{\varepsilon }_{it}} \\ & \\ \end{align}$ (9) |
空间效应反映随空间变化而不随时期变化的特征变量对碳排放的影响;时期效应反映随时期变化而不随空间变化的特征变量对碳排放的影响。空间面板数据模型根据对空间和时期效应的处理分为空间随机效应、空间固定效应、时期随机效应、时期固定效应、空间时期随机效应和空间时期固定效应等多种模型。空间固定效应模型控制时间上不变的空间固定变量,相对于其他模型更为合理,典型的横截面研究则可能导致有偏的参数估计。
三、 实证分析 1. 省域碳排放空间自相关检验模型在实际的空间相关分析应用研究中,通过Moran's I对全域空间相关性分析。本文采用空间邻近权值矩阵来计算2000—2012年的空间自相关Moran's I指数值,计算和检验过程如下所示。
Moran's I定义:
| $Moran'sI=\frac{\left| \sum\limits_{i=1}^{n}{\sum\limits_{j=1}^{n}{{{W}_{ij}}}}\left( {{Y}_{i}}-\bar{Y} \right)\left( {{Y}_{j}}-\bar{Y} \right) \right|}{\left| {{S}^{2}}\sum\limits_{i=1}^{n}{\sum\limits_{j=1}^{n}{{{W}_{ij}}}} \right|}$ (10) |
| ${{W}_{ij}}=\left\{ \begin{align} & 1,当区域i和区域j相邻 \\ & 0,当区域i和区域j不相邻 \\ \end{align} \right.$ (11) |
Moran's I的值大于0时,表示空间存在正相关,数值越大,空间分布的正相关性就越强;当Moran's I的值小于0时,空间相邻单元之间则不存在相似的属性;当Moran's I的数值为0时,则该空间单元服从随机分布。若各区域的碳排放空间正相关,则其数值就较大;负相关则较小。
局域空间自相关用来检验局域是否存在相似或相异的观测值聚集在一起。为了进一步解释区域碳排放在局部空间上的关联程度,通过绘制散点图来描述2000—2012年碳排放的局域空间自相关性。
2. 空间面板计量经济模型实证分析首先通过Moran's I统计量判断相邻省域的碳排放存在普遍的正相关,采用碳排放Moran散点图分析碳排放局域空间自相关,由于我国低碳排放的省域被低碳排放的其他省域包围,高碳排放的省域被高碳排放的其他省域包围,多数省域和周边省域之间具有碳排放趋同的相似性,证明我国省域碳排放存在集聚的特征。
根据2000—2012年中国30个省域的面板数据对模型(6)~(9)进行估计,实证研究结果如表 1和表 2所示。
 | 表1 省域碳排放的标准面板计量模型分析结果 |
 | 表2 省域碳排放的空间误差计量模型估计结果 |
(1) 根据Hausman检验结果,判断标准面板数据计量模型应该采用固定效应还是随机效应。Hausman检验结果为53.744 5,通过了0.05%的显著性检验,拒绝个体效应和解释变量无关的原假设,所以应该采用固定效应模型。根据模型估计和检验结果,固定效应和空间固定效应模型的DW和Rad2值优于随机效应和时期随机效应模型,所以我们选择固定效应模型。
(2) 根据LM及Robust检验结果,判断应该选择空间滞后面板模型还是空间误差面板模型。标准面板回归中估计残差的LM和Robust检验结果,空间滞后面板模型检验值分别为9.267 7和5.218 9,均通过0.02%的显著性水平检验,空间误差面板模检验值分别为10.812 4和6.763 7,均通过0.009%的显著性水平检验,根据以上结果可以判断应该采用空间误差模型更加合理。
(3) 根据Hausman检验结果,判断空间面板数据计量经济模型的固定效应模型和随机效应模型选择。考察空间效应和解释变量间的相关检验结果显示:Hausman统计量为53.744 5,伴随概率为0.000 0,拒绝个体效应和解释变量无关的原假设,应该采用固定效应模型,空间面板模型和标准面板模型的Hausman检验结果一致,可以判断固定效应模型为较好的选择,因此中国30个省域碳排放的空间面板固定效应模型是更为合理的模型。
(4) 根据Wald和LR检验判断空间面板杜宾模型能否转化为空间滞后模型和空间误差模型,表明对于省域碳排放增长来讲,空间误差面板模型较之空间杜宾面板模型的效果更好一些。
根据表 2中我国省域碳排放的空间误差模型和空间杜宾模型的各种形式模型估计及检验结果可以看出:空间固定效应模型Ⅱ和空间固定效应模型Ⅵ估计结果的对数似然值分别为227.482 3和273.274 7,对应的拟合优度系数分别为0.883 6和0.908 8,都相对较高,根据我国实际情况,模型的经济学含义明显。因此本文选择空间固定效应模型Ⅱ和空间固定效应模型Ⅵ对我国省域碳排放各影响因素弹性系数及其空间溢出效应展开实证研究。
表 2中空间固定效应模型Ⅱ的估计结果显示:经济增长、金融发展、城镇化率、产业结构和出口依存度弹性系数均为正值,即均对碳排放增长具有正向作用,在不考虑其他因素的影响条件下,经济每增长1%,可导致我国省域碳排放增长0.85%;金融发展指标每增长1%,可导致我国省域碳排放增长0.324 7%;城镇化率每增长1%,导致我国省域碳排放增长0.269 2%;产业结构每增长1%,导致我国省域碳排放增长0.629 6%;出口依存度对碳排放的作用效果不显著,可能和我国对外贸易政策有关,降低高能耗和高排放的出口贸易起到显著的效果;人口、技术进步和能源价格对碳排放起到负向作用,人口和技术进步分别通过了显著性水平检验,能源价格对我国省域碳排放作用没有通过显著性检验,这和我国市场经济发展阶段相符合。
表 2中空间固定效应模型Ⅵ估计结果显示:经济增长、金融发展、城镇化率、产业结构和出口依存度弹性系数均为正值,即均对碳排放增长具有正向作用,在不考虑其他因素的影响条件下,经济每增长1%,可导致我国省域碳排放增长1.334 0%;金融发展指标增长1%,可导致我国省域碳排放增长0.475 4%;城镇化率每增长1%,导致我国省域碳排放增长0.189 6%;产业结构每增长1%,导致我国省域碳排放增长0.392 7%,人口、技术进步和能源价格对碳排放起到负向作用,人口和技术进步分别通过了显著性水平检验,能源价格对我国省域碳排放作用同样也没有通过显著性检验。因此,结合本文研究得到的碳排放影响弹性系数,可以看出目前我国经济发展等因素导致的碳排放问题有待解决,技术进步降低碳排放能力有待加强。
表 2回归结果还表明:空间固定效应模型Ⅱ的ρ值(0.240 0)和空间固定效应模型Ⅵ的ρ值(0.215 0)都通过了0.1%的显著性水平检验,可以看出在考虑和不考虑解释变量空间邻近滞后效应的情况下,邻近省域碳排放每增加1%,省域的碳排放分别增加0.24%和0.22%。因此可以证明,在分析区域碳排放增长的时候,传统的不考虑空间效应的面板数据模型估计结果是有偏的。同时,产业结构的空间滞后项的空间滞后系数显著为正,这表示省域产业结构存在显著的空间溢出效应,邻近省域的产业结构对省域碳排放增长表现为集聚效应。可以得出结论:邻近省域碳排放影响因素和碳排放增长都存在明显的空间溢出性,证明在省域碳排放模型中不但被解释变量间存在交互作用,解释变量之间也存在交互作用。在我国省域碳排放增长过程中,一个省域的不同碳排放影响因素能够导致邻近省域的碳排放上升或下降,省域内影响因素与邻近省域影响因素,一同驱动我国省域碳排放的变化,这种空间溢出效应对中国区域经济低碳转型意义重大。
四、 主要结论与政策建议中国省域碳排放具有明显的空间依赖性及较为明显的空间集聚性。本文首次全面考虑碳排放影响因素而建立空间面板数据模型,就不同影响因素对碳排放增长的贡献作了准确估计,检验了影响因素及碳排放增长是否存在空间溢出效应,本文的空间滞后和空间误差模型的分析结果显示:①中国省域碳排放的增长存在明显的空间相关性,而且各省域的产业结构集群现象明显,因此在对中国碳排放增长研究中必须充分考虑省域碳排放增长过程中的相关性。②经济增长、金融发展、城镇化率、产业结构和出口依存度弹性系数均为正值,即均对碳排放增长具有正向作用,在不考虑其他因素的影响条件下,经济增长和产业结构是导致碳排放增长的主要因素,人口、技术进步、能源价格弹性系数为负值,我国属于收入差距较大的老龄化国家,不同国家发展阶段导致人口增加对碳排放的作用截然相反;通过技术进步可以降低碳排放增长。③邻近省域碳排放影响因素和碳排放增长空间溢出效应明显,中国省域碳排放增长过程中,产业结构会对周围省域的碳排放增长存在显著的促进作用。
根据本文的实证研究结果,并结合我国现实情况,本文提出降低省域碳排放增长的政策建议如下:①中国省域碳排放增长具有空间依赖性,这意味着政府部门在制定碳排放政策和相关指标的时候,必须考虑碳排放增长的空间溢出效应,充分重视加强邻近区域低碳技术的合作和交流,加快碳排放的跨区域治理,抑制产业结构对邻近区域碳排放增长的关联效应。②采取相应措施形成省域碳排放影响因素关联互动机制,优化省际影响因素的空间效率,降低影响因素对碳排放增长协同贡献率,增加影响因素对碳排放增长降低贡献率。③随着我国经济发展的不断深入,控制碳排放成为刻不容缓的问题,转变经济增长方式和调整产业结构,金融改革和出口贸易都要考虑低碳经济发展这一重要前提,发展低碳技术是实现碳减排的重要途径。
| [1] | Wang Can, Chen Jining, Zou Ji. Decomposition of Energy-related CO2 Emission in China: 1957—2000[J]. Energy, 2005, 30(1):73-83.( 1) |
| [2] | 王俊松, 贺灿飞. 能源消费、经济增长与中国CO2排放量变化[J]. 长江流域资源与环境, 2010, 19(1):18-23.(1) |
| [3] | Dhaka S, Kaneko S, Imura H. CO2 Emissions from Energy Use in East Asian Mega-cities: Driving Factors and Their Contributions[J]. Environmental Systems Research, 2003, 31(2):209-216.(1) |
| [4] | Wu Libo, Kaneko S, Matsuoka S. Driving Forces Behind the Stagnancy of China's Energy-related CO2 Emissions from 1996 to 1999: The Relative Importance of Structural Change, Intensity Change and Scale Change[J]. Enery Policy, 2005, 33:319-335.(1) |
| [5] | 李娜, 石敏俊, 袁永娜. 低碳经济政策对区域发展格局演进的影响基于动态多区域CGE模型的模拟分析[J]. 地理学报, 2010(12):1569-1580.(1) |
| [6] | Weber C L, Peters G P, Guan D. The Contribution of Chinese Exports to Climate Change[J]. Energy Policy, 2008, 36:3572-3577.(1) |
| [7] | 申笑颜. 中国碳排放影响因素的分析与预测[J]. 统计与决策, 2012(19):90-92.(1) |
| [8] | 吴振信, 石佳. 基于STIRPAT和GM(1, 1)模型的北京能源碳排放影响因素分析及趋势预测[J]. 中国管理科学, 2014, 20(11):803-809.(1) |
| [9] | 何强, 吕光明. 基于IPAT模型的生态环境影响分析以北京市为例[J]. 中央财经大学学报, 2008(12):83-88.(1) |
| [10] | 朱远程, 张士杰. 基于STIRPAT模型的北京地区经济碳排放驱动因素分析[J]. 特区经济, 2012(1):77-79.(1) |
| [11] | York R, Rosa E A, Dietz T. STIRPAT, IPAT and Impacts: Analytic Tools for Unpacking the Driving Forces of Environmental Impacts[J]. Ecological Eeonomies, 2003, 46(3):351-365.(1) |
| [12] | 朱勤, 彭希哲, 陆志明, 等. 人口与消费对碳排放影响的分析模型与实证[J]. 中国人口·资源与环境, 2010, 20(2):98-102.(1) |
| [13] | 徐国泉, 刘则渊, 姜照华. 中国碳排放的因素分解模型及实证分析:1995—2004[J]. 中国人口·资源与环境, 2006, 16(6):158-161.(1) |
| [14] | 胡初枝, 黄贤金, 钟太洋, 等. 中国碳排放特征及其动态演进分析[J]. 中国人口·资源与环境, 2008, 18(3):46-50.(1) |
| [15] | IPCC. 2006 IPCC Guidelines for National Greenhouse Gas Inventories[M]. Tokyo: IGES, 2006.(1) |
| [16] | Acs Z J, Anselinl L, Varga A. Patents and Innovation Counts as Measures of Regional Production of New Knowledge[J]. Research Policy, 2002, 31:1069-1085.(1) |
| [17] | 吴玉鸣. 旅游经济增长及其溢出效应的空间面板计量经济分析[J]. 旅游学刊, 2014, 29(2):16-24.(1) |