一個國家或地區的碳排放取決于技術水平、發展程度、能源結構、產業結構、人口結構等多種因素的綜合影響,但各種因素的影響程度和影響方向不盡相同。傳統觀點認為隨著人類財富的增加,日益增長的能源消費是碳排放增長的主要因素,但并未將人口、技術等因素考慮其中。也有研究認為人口、經濟、技術均是決定碳排放的主要因素,這些決定因素在不同區域對碳排放的貢獻是不同的(Shi,2003)。本節將利用STIRPAT模型對上海工業行業碳排放的影響因素進行計量實證分析。

 

一、計量模型與指標數據

 

　　針對IPAT方程的缺陷和不足,Dietz和Rosa(1994)將IPAT方程以隨機的形式表示,建立了STIRPAT模型,即:

 

　　I=aPbAcTde(4-4)

 

　　其中,a為模型系數,b、c、d分別為各影響因素的指數,e為模型誤差。

 

　　當a=b=c=d=e=1時,STIRPAT模型即退化為IPAT等式,因此IPAT等式是STIRPAT模型的特殊形式。STIRPAT模型不僅保留了IPAT等式的乘法結構,還通過指數的引入克服了各影響因素等比例變化的缺陷,更重要的是,STIRPAT模型既允許將各系數作為參數來進行估計,也允許對各影響因素進行適當的分解(Dietz和Rosa,1994;York等,2003),從而彌補了難以定量分析各因素對環境產生影響的不足,同時也為在EKC等假說框架下開展實證考察創造了條件。目前,STIRPAT模型已被廣泛地應用于定量分析人口、經濟、技術等因素對碳排放影響的研究中。

 

　　式(4-4)兩邊同時取對數后可變形為:

 

　　lnI=a+b(lnP)+c(lnA)+d(lnT)+e(4-5)

 

　　根據不同的研究目的和需要,相關文獻往往在上式基礎上進行相應的改進以開展各種實證研究,如引入城市人口比重(York等,2003)、15~64歲人口比重(魏一鳴等,2008)、工業結構和能源消費結構(林伯強和蔣竺均,2009)等變量,以及加入人均收入的平方項來檢驗EKC假說是否成立(Shi,2003;Rosa等,2004;劉宇等,2007)。

 

　　與大多數以往研究取單一被解釋變量的做法不同,我們選取碳排放規模——碳排放總量的自然對數(表示為lnTC)和碳排放強度——單位產值碳排放的自然對數(表示為lnPC)分別作為被解釋變量(在模型中統一表示為lnC),以期分別從規模和強度兩方面得到更為全面的分析結果。李小平和盧現祥(2010)也采取了上述做法。

 

　　我們對式(4-5)中的解釋變量也進行了相應的分解和改進。首先,在國家或省域層面上,人口規模無疑在很大程度上會對碳排放產生重要的影響,但在我們所研究的工業行業層面上,人口規模顯然不再適合作為解釋變量出現在模型中。因為人口規模對碳排放的貢獻主要源于人口增加所帶來的對能源需求的增加,而對于工業行業來講,與人口規模相對應的從業規模對其行業碳排放的影響機制并非如此。工業行業的從業規模主要取決于行業生產要素的密集程度,而從前文的分析結果來看,多數從業規模較大的勞動密集型行業,如紡織服裝、木材加工、文教體育用品、皮革毛皮、家具制造、儀器儀表等行業均屬于中低排放行業,但也不乏存在紡織業和金屬制品業這樣的中高排放勞動密集型行業,因此,工業行業的從業規模與碳排放之間并不存在十分明確的關聯。但從投資規模角度來看,幾乎所有典型的資本密集型行業,如黑色金屬、石油加工、通用設備、交通運輸設備等行業均屬于中高排放組。由此可以推斷,投資規模是影響工業行業碳排放的主要因素。因此,我們將式(4-5)中的人口規模變量替換為投資規模變量F,并利用固定資產投資來度量,預期其系數符號為正。

 

　　其次,式(4-5)中的人均收入在本研究中所對應的變量應為勞均產出,即以單位從業人數的工業總產值度量的勞均工業產值(表示為Y),為了對CKC假說進行檢驗,我們同樣對其進行了分解。目前研究CKC的文獻通常采用二次方程的模型形式進行分析,但我們考慮到現有研究表明環境變量與經濟增長變量之間的關系除了經典的倒U形外,還可能出現線性、U形、N形、倒N形等多種曲線關系,因此,我們將勞均產出變量分解為一次方項、平方項和立方項三項,采用三次方程的模型形式來對碳排放與工業產值之間的關系進行更加全面的實證考察。

 

　　第三,對于技術水平變量,我們將其分解為投入型變量——研發強度和績效型變量——能源效率兩項。前者由各行業企業科技開發項目內部支出占工業總產值的比重來度量,表示為R,該變量反映了各行業的研發投入力度,其值越大意味著該行業企業的科技創新能力越強,從而有助于提高技術效率和要素利用效率、降低能源消費強度和碳排放強度,因此預期其系數符號為負。后者由單位能源消費量的工業總產值來反映,表示為E,該變量為行業能源利用技術及其研發投入效果的直接外在反映,顯然,能源效率越高,同樣產出水平所需要消耗的能源及其所產生的碳排放就越少,因此也預期其系數符號為負。

 

　　最后,我們還考慮引入了兩個與碳排放密切相關的變量。其一,眾所周知,煤炭是一種高排放、高污染的能源,單位熱量燃煤產生的碳排放較石油和天然氣分別高出36%和61%左右9,因而長期以煤為主的能源消費結構決定了中國化石能源消費產生的二氧化碳大部分來自于煤炭,從前文圖4-5所反映的統計觀察結果可知,上海工業能源消費的碳排放結構亦是如此。因此,能源消費結構理應成為研究碳排放時所考慮的一個重要因素。我們參考林伯強和蔣竺(2009)的做法,將煤炭消費比重所反映的能源消費結構變量引入STIRPAT模型,表示為S,并預期其系數符號為正。其二,政府的政策戰略導向對于相關經濟變量無疑將會產生不容忽視的影響。我國在“十一五”規劃中首次提出了“節能減排”的戰略目標,針對“五年內單位國內生產總值能耗降低20%左右,主要污染物排放總量減少10%”的目標,各級地方政府和各部門積極采取行動,自2006年起紛紛出臺了一系列相關的政策措施,這對于能源消費及其產生的碳排放的增加必然可以產生一定程度的抑制作用。為了控制和反映這種政策性影響,我們引入了一個政策虛擬變量D,將2006、2007和2008三年取值為1,其他年份取值為0,并預期其系數符號為負。

 

　　這樣,經過改進的(4-5)式的靜態面板數據模型形式為:

 

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

 

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

 

　　其中,下標i代表工業行業,t表示年份,αj(j=0,…,8)為待估參數,ε為隨機擾動項。根據系數α2、α3和α4的取值情況可以對C與Y之間的曲線關系進行判斷:(1)若α2≠0且α3=α4=0或不顯著,則C與Y之間為單調遞增(α2>0)或單調遞減(α2<0)的線性關系;(2)若α2>0,α3<0且α4=0或不顯著,則C與Y之間為典型的倒U形EKC關系,拐點出現在G*=-α2/2α3;(3)若α2<0,α3>0且α4=0或不顯著,則C與Y之間為U形關系;(4)若α2>0,α3<0且α4>0,則C與Y之間為N形關系;(5)若α2<0,α3>0且α4<0,則C與Y之間為倒N形關系。

 

　　(4-6)式隱含地假定了碳排放會隨各影響因素的變化而瞬時發生相應變化,即不存在滯后效應。但現實情況并非如此理想,包括碳排放在內的環境變量通常具有一定的路徑依賴特征,前期情況對當期結果可能存在著不可低估的影響。從工業行業樣本數據情況來看,工業企業的資本(主要指固定資產)調整通常具有明顯的滯后性,無法與當期的經濟和制度環境同步進行,這就使得一些物化在生產設備等固定資產中的技術的更新換代滯后,從而導致碳排放的變化也隨之滯后。此外,我們所選取的能源消費結構、能源效率等部分影響因素,屬于“慣性”較大的經濟變量,這些因素的調整往往是長期而緩慢的,而碳排放對于這些宏觀經濟因素的敏感程度在很大程度上也決定了其滯后效應的大小。因此,對碳排放變化的滯后效應進行考察是具有重要意義的。我們可以利用計量經濟學中的局部調整模型對上述滯后效應進行一些推導闡釋10。考慮如下局部調整模型:

 

　　ln=β+xZit+δit(4-7)

 

　　其中,表示碳排放的期望(desired)水平,β為常數項,Zit為(4-6)式中8個解釋變量所組成的向量,x為其系數向量,δ為隨機擾動項。

 

　　碳排放的期望水平也可稱為碳排放的目標水平,可以理解為政府為實現經濟發展和環境保護的雙重目標所預期實現的最佳碳排放水平,(4-7)式表明各解釋變量的當期值影響著碳排放的期望值。由于存在技術、制度、經濟結構等因素的限制,碳排放的期望水平通常不會在短期內迅速實現,而只能通過政府的相關戰略行為(如“退二進三”、“上大壓小”、淘汰落后產能等)得到部分的調整,使當期水平向期望水平逐漸靠攏。而局部調整假設認為,被解釋變量的實際變化僅僅是預期變化的一部分,即存在如下關系:

 

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

 

　　其中,1-σ(0<σ<1)為實際碳排放水平向期望碳排放水平的調整系數,其值越大說明調整速度越快。當σ=0時,實際排放水平與預期相等,為充分調整狀態;當σ=1時,當期排放水平與前期相同,說明完全未進行調整。

 

　　(4-8)式表明,第t-1期的實際碳排放水平lnCi,t-1與預期排放水平ln的差距為ln-lnCi,t-1,而第t期的碳排放調整幅度則為(1-σ)(ln-lnCi,t-1)。上述機制恰好可以為我國政府制定預期的減排目標這一現實情況提供很好的反映。將(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*為短期乘數,反映解釋變量Z對碳排放的短期影響情況;x為長期乘數,表明Z對碳排放的長期影響情況;σ為滯后乘數,表示前一期碳排放水平對當期的影響情況,可以對前文提出的滯后效應予以度量。

 

　　(4-9)式即本研究最終采用的碳排放影響因素的動態面板數據回歸模型,其中被解釋變量滯后項的存在很可能導致解釋變量與隨機擾動項相關而產生內生性問題,因此使用一般的面板數據估計方法(固定效應或隨機效應模型),所得到的估計結果很可能是有偏的。基于以上考慮,本研究采用被廣泛用于處理內生性問題的廣義矩估計(GMM)方法來對(4-9)式進行參數估計。

 

　　由于GMM方法放寬了對隨機擾動項的要求,允許誤差項存在異方差和自相關,所以其參數估計量不僅比較穩健,而且較其他估計方法也更符合實際。Arellano和Bond(1991)首先提出了差分廣義矩估計(DIFGMM)方法,其基本思路是:首先對回歸方程進行一階差分變換以消除由于未觀測到的個體效應造成的遺漏變量偏誤,然后將滯后變量作為差分方程中相應內生變量的工具變量估計差分方程,以消除由于聯立偏誤造成的潛在的參數不一致性。該方法不僅可以避免因忽略一些必要解釋變量而產生的偏差,而且在某種程度上控制了雙向因果關系引起的內生性問題。但Blundell和Bond(1998)研究認為,當數據具有高持續性時,其時間序列的水平滯后項與其一階差分項是弱相關的,水平滯后變量只是同期差分變量的弱工具變量,導致DIFGMM較易受弱工具變量和小樣本偏誤的影響,因此其估計量不一定完全有效。為克服上述問題,Arellano和Bover(1995)、Blundell和Bond(1998)提出并建議采用系統廣義矩估計(SYSGMM)方法,SYSGMM將解釋變量的水平值作為一階差分方程的工具變量,而解釋變量一階差分的滯后值則作為水平變量估計方程的工具變量,對包含變量水平值的原估計方程與進行了一階差分后的估計方程同時進行估計。SYSGMM相對于DIFGMM在有效性和一致性上都有了很大的改進(Roodman,2009),提高了估計效率。但SYSGMM的一致性取決于工具變量的有效性,因此有必要利用Hansen檢驗和ArellanoBond檢驗(AB檢驗)來對其進行判斷。其中,Hansen檢驗是工具變量的過度識別約束檢驗11,其零假設為工具變量的選取是有效的,檢驗統計量服從自由度為工具變量的個數與待估計參數的個數之差的卡方分布;AB檢驗為差分誤差項的二階序列相關檢驗(零假設是不存在序列相關),用來判斷是否一階序列相關而二階序列不相關12,以考察工具變量的選擇是否合理。

 

　　根據對權重矩陣的不同選擇,GMM方法可分為一步(onestep)和兩步(twostep)估計。與一步估計相比,兩步估計是漸進有效的,但同時其估計量的標準誤也存在向下的偏誤(Blundell和Bond,1998)。Windmeijer(2005)提供一種方法實現了對兩部估計標準誤的糾正,使得兩部穩健估計比一步穩健估計更加有效,尤其對于SYSGMM而言效果更好。因此,本研究選擇使用兩步系統廣義矩估計法對(4-9)式進行參數估計。

 

　　我們選擇1994~2008年15年間上海市32個工業行業的面板數據作為研究樣本。數據主要來源于《上海工業物資能源交通統計年鑒》(1995、1997~2001)、《中華人民共和國1995年工業普查資料匯編:上海卷》、《上海工業交通能源統計年鑒》(2002、2003)、《上海工業能源交通統計年鑒》(2004~2009)。各變量的定性描述報告于表4-5。