上海工业行业碳排放的影响因素

一个国家或地区的碳排放取决于技术水平、发展程度、能源结构、产业结构、人口结构等多种因素的综合影响,但各种因素的影响程度和影响方向不尽相同。传统观点认为随着人类财富的增加,日益增长的能源消费是碳排放增长的主要因素,但并未将人口、技术等因素考虑其中。也有研究认为人口、经济、技术均是决定碳排放的主要因素,这些决定因素在不同区域对碳排放的贡献是不同的(Shi,2003)。本节将利用STIRPAT模型对上海工业行业碳排放的影响因素进行计量实证分析。

 

一、计量模型与指标数据

 

　　针对IPAT方程的缺陷和不足,Dietz和Rosa(1994)将IPAT方程以随机的形式表示,建立了STIRPAT模型,即:

 

　　I=aPbAcTde(4-4)

 

　　其中,a为模型系数,b、c、d分别为各影响因素的指数,e为模型误差。

 

　　当a=b=c=d=e=1时,STIRPAT模型即退化为IPAT等式,因此IPAT等式是STIRPAT模型的特殊形式。STIRPAT模型不仅保留了IPAT等式的乘法结构,还通过指数的引入克服了各影响因素等比例变化的缺陷,更重要的是,STIRPAT模型既允许将各系数作为参数来进行估计,也允许对各影响因素进行适当的分解(Dietz和Rosa,1994;York等,2003),从而弥补了难以定量分析各因素对环境产生影响的不足,同时也为在EKC等假说框架下开展实证考察创造了条件。目前,STIRPAT模型已被广泛地应用于定量分析人口、经济、技术等因素对碳排放影响的研究中。

 

　　式(4-4)两边同时取对数后可变形为:

 

　　lnI=a+b(lnP)+c(lnA)+d(lnT)+e(4-5)

 

　　根据不同的研究目的和需要,相关文献往往在上式基础上进行相应的改进以开展各种实证研究,如引入城市人口比重(York等,2003)、15~64岁人口比重(魏一鸣等,2008)、工业结构和能源消费结构(林伯强和蒋竺均,2009)等变量,以及加入人均收入的平方项来检验EKC假说是否成立(Shi,2003;Rosa等,2004;刘宇等,2007)。

 

　　与大多数以往研究取单一被解释变量的做法不同,我们选取碳排放规模——碳排放总量的自然对数(表示为lnTC)和碳排放强度——单位产值碳排放的自然对数(表示为lnPC)分别作为被解释变量(在模型中统一表示为lnC),以期分别从规模和强度两方面得到更为全面的分析结果。李小平和卢现祥(2010)也采取了上述做法。

 

　　我们对式(4-5)中的解释变量也进行了相应的分解和改进。首先,在国家或省域层面上,人口规模无疑在很大程度上会对碳排放产生重要的影响,但在我们所研究的工业行业层面上,人口规模显然不再适合作为解释变量出现在模型中。因为人口规模对碳排放的贡献主要源于人口增加所带来的对能源需求的增加,而对于工业行业来讲,与人口规模相对应的从业规模对其行业碳排放的影响机制并非如此。工业行业的从业规模主要取决于行业生产要素的密集程度,而从前文的分析结果来看,多数从业规模较大的劳动密集型行业,如纺织服装、木材加工、文教体育用品、皮革毛皮、家具制造、仪器仪表等行业均属于中低排放行业,但也不乏存在纺织业和金属制品业这样的中高排放劳动密集型行业,因此,工业行业的从业规模与碳排放之间并不存在十分明确的关联。但从投资规模角度来看,几乎所有典型的资本密集型行业,如黑色金属、石油加工、通用设备、交通运输设备等行业均属于中高排放组。由此可以推断,投资规模是影响工业行业碳排放的主要因素。因此,我们将式(4-5)中的人口规模变量替换为投资规模变量F,并利用固定资产投资来度量,预期其系数符号为正。

 

　　其次,式(4-5)中的人均收入在本研究中所对应的变量应为劳均产出,即以单位从业人数的工业总产值度量的劳均工业产值(表示为Y),为了对CKC假说进行检验,我们同样对其进行了分解。目前研究CKC的文献通常采用二次方程的模型形式进行分析,但我们考虑到现有研究表明环境变量与经济增长变量之间的关系除了经典的倒U形外,还可能出现线性、U形、N形、倒N形等多种曲线关系,因此,我们将劳均产出变量分解为一次方项、平方项和立方项三项,采用三次方程的模型形式来对碳排放与工业产值之间的关系进行更加全面的实证考察。

 

　　第三,对于技术水平变量,我们将其分解为投入型变量——研发强度和绩效型变量——能源效率两项。前者由各行业企业科技开发项目内部支出占工业总产值的比重来度量,表示为R,该变量反映了各行业的研发投入力度,其值越大意味着该行业企业的科技创新能力越强,从而有助于提高技术效率和要素利用效率、降低能源消费强度和碳排放强度,因此预期其系数符号为负。后者由单位能源消费量的工业总产值来反映,表示为E,该变量为行业能源利用技术及其研发投入效果的直接外在反映,显然,能源效率越高,同样产出水平所需要消耗的能源及其所产生的碳排放就越少,因此也预期其系数符号为负。

 

　　最后,我们还考虑引入了两个与碳排放密切相关的变量。其一,众所周知,煤炭是一种高排放、高污染的能源,单位热量燃煤产生的碳排放较石油和天然气分别高出36%和61%左右9,因而长期以煤为主的能源消费结构决定了中国化石能源消费产生的二氧化碳大部分来自于煤炭,从前文图4-5所反映的统计观察结果可知,上海工业能源消费的碳排放结构亦是如此。因此,能源消费结构理应成为研究碳排放时所考虑的一个重要因素。我们参考林伯强和蒋竺(2009)的做法,将煤炭消费比重所反映的能源消费结构变量引入STIRPAT模型,表示为S,并预期其系数符号为正。其二,政府的政策战略导向对于相关经济变量无疑将会产生不容忽视的影响。我国在“十一五”规划中首次提出了“节能减排”的战略目标,针对“五年内单位国内生产总值能耗降低20%左右,主要污染物排放总量减少10%”的目标,各级地方政府和各部门积极采取行动,自2006年起纷纷出台了一系列相关的政策措施,这对于能源消费及其产生的碳排放的增加必然可以产生一定程度的抑制作用。为了控制和反映这种政策性影响,我们引入了一个政策虚拟变量D,将2006、2007和2008三年取值为1,其他年份取值为0,并预期其系数符号为负。

 

　　这样,经过改进的(4-5)式的静态面板数据模型形式为:

 

　lnCit=α0+α1(lnFit)+α2(lnYit)+α3(lnYit)2+α4(lnYit)3

 

+α5(lnRit)+α6(lnEit)+α7(lnSit)+α8D+εit(4-6)

 

　　其中,下标i代表工业行业,t表示年份,αj(j=0,…,8)为待估参数,ε为随机扰动项。根据系数α2、α3和α4的取值情况可以对C与Y之间的曲线关系进行判断:(1)若α2≠0且α3=α4=0或不显著,则C与Y之间为单调递增(α2>0)或单调递减(α2<0)的线性关系;(2)若α2>0,α3<0且α4=0或不显著,则C与Y之间为典型的倒U形EKC关系,拐点出现在G*=-α2/2α3;(3)若α2<0,α3>0且α4=0或不显著,则C与Y之间为U形关系;(4)若α2>0,α3<0且α4>0,则C与Y之间为N形关系;(5)若α2<0,α3>0且α4<0,则C与Y之间为倒N形关系。

 

　　(4-6)式隐含地假定了碳排放会随各影响因素的变化而瞬时发生相应变化,即不存在滞后效应。但现实情况并非如此理想,包括碳排放在内的环境变量通常具有一定的路径依赖特征,前期情况对当期结果可能存在着不可低估的影响。从工业行业样本数据情况来看,工业企业的资本(主要指固定资产)调整通常具有明显的滞后性,无法与当期的经济和制度环境同步进行,这就使得一些物化在生产设备等固定资产中的技术的更新换代滞后,从而导致碳排放的变化也随之滞后。此外,我们所选取的能源消费结构、能源效率等部分影响因素,属于“惯性”较大的经济变量,这些因素的调整往往是长期而缓慢的,而碳排放对于这些宏观经济因素的敏感程度在很大程度上也决定了其滞后效应的大小。因此,对碳排放变化的滞后效应进行考察是具有重要意义的。我们可以利用计量经济学中的局部调整模型对上述滞后效应进行一些推导阐释10。考虑如下局部调整模型:

 

　　ln=β+xZit+δit(4-7)

 

　　其中,表示碳排放的期望(desired)水平,β为常数项,Zit为(4-6)式中8个解释变量所组成的向量,x为其系数向量,δ为随机扰动项。

 

　　碳排放的期望水平也可称为碳排放的目标水平,可以理解为政府为实现经济发展和环境保护的双重目标所预期实现的最佳碳排放水平,(4-7)式表明各解释变量的当期值影响着碳排放的期望值。由于存在技术、制度、经济结构等因素的限制,碳排放的期望水平通常不会在短期内迅速实现,而只能通过政府的相关战略行为(如“退二进三”、“上大压小”、淘汰落后产能等)得到部分的调整,使当期水平向期望水平逐渐靠拢。而局部调整假设认为,被解释变量的实际变化仅仅是预期变化的一部分,即存在如下关系:

 

　　lnCit-lnCi,t-1=(1-σ)(ln-lnCi,t-1)(4-8)

 

　　其中,1-σ(0<σ<1)为实际碳排放水平向期望碳排放水平的调整系数,其值越大说明调整速度越快。当σ=0时,实际排放水平与预期相等,为充分调整状态;当σ=1时,当期排放水平与前期相同,说明完全未进行调整。

 

　　(4-8)式表明,第t-1期的实际碳排放水平lnCi,t-1与预期排放水平ln的差距为ln-lnCi,t-1,而第t期的碳排放调整幅度则为(1-σ)(ln-lnCi,t-1)。上述机制恰好可以为我国政府制定预期的减排目标这一现实情况提供很好的反映。将(4-8)式代入(4-7)式可推出下式:

 

　　lnCit=β*+σlnCit-1+x*Zit+(4-9)

 

　　其中,β*=(1-σ)β,x*=(1-σ)x,δ*=(1-σ)δ。x*为短期乘数,反映解释变量Z对碳排放的短期影响情况;x为长期乘数,表明Z对碳排放的长期影响情况;σ为滞后乘数,表示前一期碳排放水平对当期的影响情况,可以对前文提出的滞后效应予以度量。

 

　　(4-9)式即本研究最终采用的碳排放影响因素的动态面板数据回归模型,其中被解释变量滞后项的存在很可能导致解释变量与随机扰动项相关而产生内生性问题,因此使用一般的面板数据估计方法(固定效应或随机效应模型),所得到的估计结果很可能是有偏的。基于以上考虑,本研究采用被广泛用于处理内生性问题的广义矩估计(GMM)方法来对(4-9)式进行参数估计。

 

　　由于GMM方法放宽了对随机扰动项的要求,允许误差项存在异方差和自相关,所以其参数估计量不仅比较稳健,而且较其他估计方法也更符合实际。Arellano和Bond(1991)首先提出了差分广义矩估计(DIFGMM)方法,其基本思路是:首先对回归方程进行一阶差分变换以消除由于未观测到的个体效应造成的遗漏变量偏误,然后将滞后变量作为差分方程中相应内生变量的工具变量估计差分方程,以消除由于联立偏误造成的潜在的参数不一致性。该方法不仅可以避免因忽略一些必要解释变量而产生的偏差,而且在某种程度上控制了双向因果关系引起的内生性问题。但Blundell和Bond(1998)研究认为,当数据具有高持续性时,其时间序列的水平滞后项与其一阶差分项是弱相关的,水平滞后变量只是同期差分变量的弱工具变量,导致DIFGMM较易受弱工具变量和小样本偏误的影响,因此其估计量不一定完全有效。为克服上述问题,Arellano和Bover(1995)、Blundell和Bond(1998)提出并建议采用系统广义矩估计(SYSGMM)方法,SYSGMM将解释变量的水平值作为一阶差分方程的工具变量,而解释变量一阶差分的滞后值则作为水平变量估计方程的工具变量,对包含变量水平值的原估计方程与进行了一阶差分后的估计方程同时进行估计。SYSGMM相对于DIFGMM在有效性和一致性上都有了很大的改进(Roodman,2009),提高了估计效率。但SYSGMM的一致性取决于工具变量的有效性,因此有必要利用Hansen检验和ArellanoBond检验(AB检验)来对其进行判断。其中,Hansen检验是工具变量的过度识别约束检验11,其零假设为工具变量的选取是有效的,检验统计量服从自由度为工具变量的个数与待估计参数的个数之差的卡方分布;AB检验为差分误差项的二阶序列相关检验(零假设是不存在序列相关),用来判断是否一阶序列相关而二阶序列不相关12,以考察工具变量的选择是否合理。

 

　　根据对权重矩阵的不同选择,GMM方法可分为一步(onestep)和两步(twostep)估计。与一步估计相比,两步估计是渐进有效的,但同时其估计量的标准误也存在向下的偏误(Blundell和Bond,1998)。Windmeijer(2005)提供一种方法实现了对两部估计标准误的纠正,使得两部稳健估计比一步稳健估计更加有效,尤其对于SYSGMM而言效果更好。因此,本研究选择使用两步系统广义矩估计法对(4-9)式进行参数估计。

 

　　我们选择1994~2008年15年间上海市32个工业行业的面板数据作为研究样本。数据主要来源于《上海工业物资能源交通统计年鉴》(1995、1997~2001)、《中华人民共和国1995年工业普查资料汇编:上海卷》、《上海工业交通能源统计年鉴》(2002、2003)、《上海工业能源交通统计年鉴》(2004~2009)。各变量的定性描述报告于表4-5。