空间效应视角下中国省域碳排放总量的驱动的策

　中图分类号：F061.5　文献标识码：A　文章编号：1004-1494（2013）01-0040-06
　　一、引言
　　20世纪90年代以来，世界经济迅猛发展，能源需求量逐年增加。能源消费所导致的二氧化碳排放在人为温室气体排放总量中占有绝对优势。碳排放问题正日益受到国际社会的广泛关注，对其测算及影响因素问题，国内外很多学者从不同角度、应用不同方法进行了大量实证研究。国内碳排放研究方面，宋德勇等用“两阶段”LMDI方法，从全国层面将一次性能源消费产生的二氧化碳排放相关影响因素分解并进行了周期性波动研究［1］。李国志等利用状态空间模型构造可变参数数据模型，分析了出口贸易结构对二氧化碳排放的影响［2］。胡初枝等通过经验数据对江苏区域碳排放进行估算，分析了苏南、苏中、苏北三大区域产业结构的碳排放效应差异［3］。马军杰等测算了1990年—2006年我国省域一次能源CO2排放量并对其影响因素进行了空间计量经济分析［4］。姚亮等采用结构分解分析（SDA）方法对影响居民消费碳排放量变化的驱动因素进行了分析［5］。可见，现有关于碳排放的研究多以传统的时间序列数据分析为基础，主要集中在测算碳排放量及其因素分解方面，忽略了截面数据包含的空间效应。事实上，在多区域的经济和环境系统中，一个区域由于能源消费导致的碳排放行为不仅受该地区内部决定因素的影响，而且越来越多地受到周边地区碳排放量的关联作用，区域之间的能源消费及碳排放活动呈现出明显的空间自相关性［4］。可见，在理论和实证研究中忽略空间邻近效应，势必会影响传统OLS模型参数的无偏估计，导致研究结论的可靠性受到质疑。
　　为此，本文在考虑空间效应的前提下，利用“十一五”规划期间的碳排放数据，研究中国省域碳排放量的驱动因素，分析省域碳排放的空间依赖及邻近省域碳排放量的空间溢出效应，从而为国家和各省域制定节能减排政策提供决策支持依据。
　　二、省际碳排放的决定因素及理论假说
　　现有对碳排放决定因素模型的研究主要有EKC模型和IPAT模型。但是大多研究仅考虑了人口、经济发展、能源消费强度等因素的影响，忽略了技术创新和城市化因素的作用。根据有关经验研究，本文对IPAT模型进行改进，重点考虑人口、经济发展水平、能源消费强度、产业结构、技术创新及城市化等六个决定因素，使用空间计量经济模型研究其对中国省域碳排放量的作用。
　　1.　人口规模（POP）。中国作为人口大国，为满足广大人民群众日益提高的生活水平，刚性的能源消费需求必然会导致区域碳排放量的不断增大。因此，人口是影响碳减排压力的一个重要变量，本文预期其与碳排放之间呈正相关关系。
　　2.　经济发展水平（PGDP）。在经济快速发展的同时，也必然伴随着相应的能源消耗及其碳排放。本文选用人均GDP衡量一个地区的富裕度和经济发展水平，用以检验其对碳排放的影响。一般来说，区域经济发展水平越高，能源消费量相对越大，由此产生的碳排放量也就相应越多，二者之间应为正相关关系。
　　3.　能源消费强度（ENERGY）。能源消费强度定义为生产单位GDP所消耗的能源数量，能源强度越低，意味着能源利用效率越高。能源利用效率的不断提高，使得单位GDP所消耗的能源减少，从而减少碳排放量。因此，本文将能源消费强度纳入影响碳排放的驱动因素之一，并预计两者呈正相关关系。
　　4.　产业结构（STRU）。经济增长方式的转变同样影响着能源消耗和碳排放量的大小。长期以来，中国经济增长方式粗放，直接影响以煤碳为主的能效的提高，使得碳排放增长的态势难以遏制。实现经济方式由粗放式向集约式的转变是减少碳排放的必然选择。本文以第二产业与第三产业产值之比刻画产业结构对碳排放的作用。鉴于我国目前正处于产业结构转型过程中，预期其对碳排放的作用尚未充分发挥。
　　5.　城市化（URB）。近年来，中国城市化过程中的人口迁移对能源消耗和碳排放产生冲击，大规模城市基础设施和住房建设所需要的大量水泥与钢铁生产，导致高能耗高排放。城市化进程也是影响碳排放量的重要因素。本文选用城镇人口占总人口的比重衡量城市化［6］，初步预期其对碳排放产生正向作用。
　　6.　技术创新（RD）。中国每年巨大的能源消耗支撑着经济的快速增长，而经济迅速发展的同时，也带来了开发新技术新工艺的大量投入。但是，对于生产工艺和设备的引进，以及各种研发活动，到底对地区企业的节能减排产生了何种影响，目前的研究结果并不确定。本文选用各省域研究与试验发展（R&D）经费内部支出来衡量技术创新对碳排放的影响，其作用还有待检验。
　　三、模型设定与数据来源
　　（一）模型设定
　　基于以上解释变量，利用柯布—道格拉斯生产函数形式的双对数经验形式，建立如下碳排放影响因素模型：
　　（1）
　　其中，i表示30个省级地区，LnCARBON为被解释变量各地区碳排放量；LnPOP表示各地区人口数量；LnPGDP表示人均GDP；LnENERGY表示能源消费强度；LnSTRU表示第二产业产值占第三产业比重；LnURB表示城市化水平，LnRD表示技术创新。参数β分别反映了六个解释变量对被解释变量碳排放的影响。
　假定模型（1）为没有考虑邻近地区空间效应的碳排放影响因素模型，可用OLS方法估计。但是，如果地区碳排放存在着空间自相关性，则有必要采用纳入了空间相关性效应的空间滞后模型、空间误差模型等空间计量经济模型。
　　空间滞后模型（Spatial　Lag　Model，SLM）主要探讨地区碳排放变量是否存在邻近地区碳排放溢出效应的情况。其模型表达式为：
　　（2）
　　式中，WlnCARBON为空间滞后被解释变量，反映邻近地区的碳排放对区域碳排放行为的作用大小和程度；ρ为空间滞后回归系数；W为n×n阶的空间权值矩阵，w表示W中的元素，一般用空间邻接矩阵；ε为随机误差项向量。
　　当一些决定地区间碳排放的因素没有被考虑到解释变量中时，则需要采用空间误差模型（Spatial　Error　Model，SEM）。空间误差模型的形式为：
　　（3）
　　式中，ε为随机误差项向量，λ为n×1阶的被解释变量向量的空间误差系数，μ为正态分布的随机误差向量。参数λ为存在于扰动误差项之中的空间依赖变量，衡量相 邻地区忽略的具有空间依赖性的碳排放被解释变量的误差冲击对地区碳排放的影响方向和程度。
　　（二）数据来源
　　实证研究中所用到的空间样本为除了西藏外（缺少能源数据）的中国大陆30个省、自治区和直辖市（简称省域或地区）。作为我国国民经济和社会发展“十一五”规划的基数年份，2005年是中国经济发展的一个关键年份，国家致力于通过宏观调控促进经济增长方式转变，力图在结构调整方面取得实质性进展。本文重点考察2005年—2010年之间我国各省域碳排放的决定因素，所用数据来源于2006年—2011年的《中国统计年鉴》、《中国能源统计年鉴》、《中国科技统计年鉴》和《中国区域经济年鉴》，实证变量数据取算术平均数，以消除年度波动影响。在碳排放行为研究中的一个基础工作是测算各种类型能源消耗的碳排放系数。虽然国内外各种能源研究机构和相关学者对各类能源消耗的碳排放系数进行了测算研究，但是大家获得的结果略有差异。国际机构使用的碳排放系数据其所在国情况测算，直接用来计算中国能源消耗碳排放是有问题的。本文综合考察了国内外相关研究，最终确定采用国家发展和改革委员会能源研究所在《中国可持续发展能源暨碳排放情景分析》中推荐的碳排放系数：即煤炭的碳排放系数为0.7476、石油为0.5825、天然气为0.443。
　　四、实证估计与结果分析
　　为了描述中国30个省级地区碳排放量的空间分布情况，本文首先采用空间自相关的Moran’s　I测算各省碳排放量是否存在聚群现象［4］。在做空间相关分析时，选择了常用的描述地区间邻近关系的一阶、二阶和三阶rook权值矩阵进行比较分析，最终再确定阶数。表1报告了三类rook权值矩阵的省际碳排放量空间自相关性的计算结果。
　　表1显示，基于rook一阶空间权值矩阵W1计算的30个省域碳排放的Moran’s　I为0.2227，在0.19%的水平上显著，表明中国省域之间的碳排放量在空间分布上并非分散（随机）分布，具有明显的正自相关关系（空间依赖性），表现出某些省域碳排放量的相似值之间在空间上趋于集群的现象。同时计算发现，rook邻近从低阶到高阶，全域Moran’s　I值逐阶下降，表明地区间碳排放量的空间相关性随着其空间距离的增大而衰减。由此，选择rook一阶空间权值矩阵符合现实，在研究区域碳排放问题时有必要考虑空间效应，否则得到的结果可能存在较大偏差。
　　表1　Moran’s　I检验结果
　　注：表中W1为rook一阶空间权值矩阵，W2为rook二阶空间权值矩阵，W3为rook三阶空间权值矩阵。
　　由于全域Moran’s　I有很大的局限性：如果一部分省域的碳排放增长存在正相关（溢出效应），而另一部分省域存在负相关（回流效应），二者将会抵消，则可能显示省域间的碳排放不存在空间相关性。此外，省际碳排放溢出与回流效应也未必局限于有共同边界的相邻省域间。因此，本文还进行了基于W1的空间关联局域指标LISA检验Moran散点图（略）分析，结果表明：位于第I象限的省域有黑龙江、内蒙古、辽宁、河北、山西、陕西、江苏、山东、河南和安徽，表现为高碳排放量的省域被高排放量的省域所包围（High—High，高—高集聚）；位于第II象限的省域有吉林、北京、天津、宁夏、重庆、江西、福建和广西，为低碳排放量的省域被高排放量的省域所包围（Low—High，低—高集聚）；位于第III象限的省域有新疆、甘肃、青海、贵州和云南，为低碳排放量的省域被低排放量的省域所包围（Low—Low，低—低集聚）；位于第IV象限的有广东、湖南和四川，为高碳排量的省域被低排放量的省域所包围（High—Low，高—低集聚）；其中上海跨越了第I、Ⅱ象限，海南跨越了第Ⅱ、IV象限，湖北和浙江同时跨越了第IV、I象限。显见，各省域碳排放量的空间集聚性非常明显，正向局域相关和集聚的典型特征非常显著，存在一个明显的空间趋同。省域碳排量在地理空间分布上呈非均衡，15个省域（50%）显示了相似的空间关联，其中10个（33.33%）的省域在第I象限（HH：高碳排放量—高空间滞后），5个（16.67%）的省域在第III象限（LL：低碳排放量—低空间滞后）。另外，对空间不稳定性和非典型区域偏离了全域正向空间自相关的省域识别结果显示：2005年—2010年平均来看，11个省域（36.67%）显示了非相似值的空间关联，其中8个省域在第Ⅱ象限（LH），3个省域在第IV象限（HL）。这表明各省域的碳排量行为的空间局域依赖性和差异性是同时存在的。
　　以上空间统计分析结果证明，中国省域碳排放量存在着较强的空间依赖性，有必要建立空间计量经济学模型来分析，将空间效应的省域碳排放量纳入影响因素。经典计量经济学模型假设空间是均质的，没有考虑到空间依赖效应，由于空间自相关性的存在，使得普通最小二乘估计无效，假若忽视空间自相关性，则可能无法得到稳健的回归结果。因此，需要建立空间计量经济学模型来克服OLS无法解决的空间依赖效应。为了与空间计量经济学模型的结果进行比对，本文先采用OLS进行估计，以显示空间计量经济模型估计结果的效果。
　表2中六个解释变量的地区碳排放OLS估计结果显示，调整后的R2高达0.9193，模型的解释能力很强，F统计量为56.0299，通过了1%的方程显著性水平检验，因此模型的拟合程度很好。DW值为1.9197，表明模型残差不存在序列相关问题。变量的t检验结果显示，LnPOP、LnENERGY、LnPGDP均至少可通过0.28%显著性水平的检验，而LnSTRU、LnURB和LnRD均没有通过10%的显著性水平检验，表明这三个变量的作用不明显。进一步对解释变量的多重共线性检验发现，LnPGDP和LnUrban的方差膨胀因子（VIF）分别为12.9358和12.9453，大于10的临界值，表明这两个变量存在较高的共线性，不能同时进入回归模型，lnRD的VIF为9.7701，也存在一定程度的共线性。逐步回归分析获得的表2中三个解释变量的回归结果表明，当剔除不显著的LnSTRU、LnURB和LnRD三个变量后，VIF检验发现模型不存在共线性，而且三个解释变量的t统计量均至少能通过小于0.01%的变量显著性检验，因此三解释变量省域碳排放模型是更为可取的模型。
　　实际上，空间统计的Moran指数检验已经证明了我国30个省域的碳排放具有明显的空间自相关性，经典线性回归模型的OLS估计可 能存在忽略空间效应的模型设定不当问题。为了进一步验证空间自相关性的存在，本文进行了省域碳排放的空间滞后和空间误差模型检验，结果如表3所示。
　　表3中的六个解释变量和三个解释变量模型Moran指数检验、两个拉格朗日乘数的空间依赖性检验结果显示：Moran指数（误差）检验证明经典回归OLS估计误差在4.98%和1.35%的显著性水平下具有显著的的空间依赖性（相关性）；区分内生空间滞后还是空间误差自相关的拉格朗日乘子滞后、误差及其稳健性检验表明：LMLAG和R-LMLAG分别在2.92%和3.78%、2.08%和2.37%的水平上较显著，而LMERR和R-LMERR则均不显著，显见空间滞后模型SLM应是更加恰当的模型形式。
　　最后，比较表2中的检验结果发现，空间滞后模型（SLM）中拟合优度的值（94.16%）、对数似然值LOGL（8.1831）都大于空间误差模型（SEM）和经典回归估计模型（OLS）的估计值，而SLM的AIC值（-0.3662）、SC值（10.8434）则均小于SEM和OLS的估计值。综合以上检验结果，SLM为最优模型。因此，本文以下的分析以SLM结果为主。表2中的三个解释变量省域碳排放模型的拉格朗日乘子误差和滞后及其稳健性检验显示，引入空间效应的模型较之OLS模型均有明显改善，SLM较之SEM是更为可取的模型形式，更好地反映了省域碳排放行为。
　　表2的空间计量分析结果显示，SLM的空间滞后估计参数ρ通过了1.22%和2.03%的显著性水平检验，表明省际碳排放存在空间集聚（回流）效应，即临近地区的碳排放量每增加1%，本地区碳排放量减少0.0782%和0.0618%；SEM的空间误差估计参数λ为0.4854和0.5250，通过了1.11%和0.40%的显著性水平检验，表明省际碳排放存在较强的空间依赖作用，忽略掉的一些因素如资源配置、劳动者素质、管理水平和市场化程度等也可能通过误差项对该地区碳排放产生着一定的作用。
　　最后，三解释变量模型估计结果显示：能源消费强度对省域碳排放的回归系数最大，为1.4433，表明在不考虑其他因素的情况下，地区能源消费强度每增加1%，碳排放总量平均增加1.4433%；其次是人均GDP的回归系数为1.1591，人均GDP每增加1%，碳排放量平均增加1.1591%；人口增长的回归系数为1.1088，人口每增加1%，碳排放量平均增加1.1088%；这三个决定因素的作用与理论预期一致。而城市化、产业结构及技术创新的回归系数均不显著，原因主要是：我国东中西部处于不同城市化发展阶段，“十一五”规划的宏观调控目标及经济增长方式转变对地区碳排放的作用还不够明显，各个地区的企业在生产和工艺环节方面还有待采用更为有效的节能减排技术，需要继续增强技术创新对消减地区碳排放的作用。
　　五、结论与启示
　　本文构建了省域碳排放量决定因素实证模型，对碳排放决定因素及其空间溢出效应进行了空间计量分析，得到如下主要结论及启示。
　　1.　中国30个省域相邻地区的碳排放行为普遍存在着正相关性，省域之间的碳排放行为存在空间集聚（回流）效应，制定省域碳排放政策时需要考虑碳排放行为的空间效应。
　　2.　能源消费强度是影响碳排放的最主要驱动因素。碳排放的实质是能源消耗，驱动中国经济增长的能源消费主要以煤炭为主。长期以来，低下的能源利用效率使得单位GDP的碳排放量较高。从长远利益考虑，中央及各级地方政府应在技术资金政策上鼓励新能源开发，实现节能减排，各省域要增加清洁能源如水能、风能、核能等的使用，各企业单位要提高能效、降低碳排放。
　　3.　人均GDP和人口规模的影响仅次于能源消费强度。虽然“十一五”期间的宏观调控与促进经济增长方式转变取得了一些成绩，但效果比较有限。提高经济增长质量和经济效益势在必行。同时，鉴于各省域人口总量增长惯性仍在持续，在继续严格执行计划生育政策的同时，提倡和鼓励居民理性消费、绿色消费，逐步促进城镇和农村居民消费向“绿色低碳”模式转变，构建资源节约型和环境友好型社会。
　　4.　产业结构对碳排放的影响不显著。1995年以来，我国大多数省域的产业结构变动并不大，第二产业比重基本上保持了小幅上升趋势，有些省域甚至出现了较大幅度下降（如北京、上海、云南）。优化产业结构，促进绿色产业发展是当下各省域实现产业升级的关键。各地方政府要淘汰高能耗、高污染的落后产业，大力发展高新技术产业和现代服务业，尤其是高产出低能耗的产业，如信息产业、生态旅游、新能源开发等，不断提高第三产业在国民经济中的比重，以降低能源消耗和碳排放量。
5.　城市化对碳排放的影响不显著。城市化既可能提升环境效率，也可能对环境产生负面影响。由于东部地区城市化水平较高，提升了第三产业、优化了产业结构，同时不完全竞争条件下的规模收益递增、人口和经济要素的集聚以及相应的知识、技术溢出，提高了整个东部地区的能源利用效率，减少了碳排放；中部地区还处于初级城市化阶段，建设项目主要集中在生活基础设施以及工业化基础设施方面，经济发展水平及能源利用效率相对较低，因而其城市化的提升反而带来了碳排放的增加；西部地区城市化进程缓慢，对碳排放的影响并不显著，导致全国省域城市化水平平均效应对碳排放的影响不显著。
　　6.　技术创新的作用不显著。由于技术创新虽然改善了能源效率而节约了能源，但技术创新同样促进了经济的快速发展，这又将导致对能源需求的增加，出现效率提高所节约的能源被因经济快速增长带来的额外能源消耗（部分地）抵消，即能源的回弹效应，最终导致各省域的研发投资对减少其碳排放数量的作用没有显现出来。为此，各省域的工业企业应该进一步加大清洁能源的研发资金投入，中央政府和各级地方政府要出台鼓励节能技术研发和推广的支持政策，重点提高节能减排投资的效率。
　　参考文献：
　　［1］宋德勇，卢忠宝.中国碳排放影响因素分解及其周期性波动研究［J］.中国人口·资源与环境，2009（3）：18-24.
　　［2］李国志，王群伟.中国出口贸易结构对二氧化碳排放的动态影响——基于变参数模型的实证分析［J］.国际贸易问题，2011（1）：82-89.
　　［3］胡初枝，黄贤金.区域产业结构变化的碳排放效应研究——以江苏省为例［C］.//中国地理学会2007年学术年会论文摘要集，2007：34-39.
　　［4］马 军杰，陈震，尤建新.省域一次能源CO2排放的空间计量经济分析［J］.技术经济，2010（12）：62-67.
　　［5］姚亮，刘晶茹，王如松.中国城乡居民消费隐含的碳排放对比分析［J］.中国人口·资源与环境，2011（4）：25-29.
　　［6］林伯强，刘希颖.中国城市化阶段的碳排放：影响因素和减排策略［J］.经济研究，2010（8）：66-78.
　　［8］杜立民.我国二氧化碳排放的影响因素：基于省级面板数据的研究［J］.南方经济，2010（11）：20-33.
　　［9］许士春，习蓉，何正霞.我国能源消耗碳排放的影响因素与政策启示［J］.资源科学，2012（1）：2-12.