华东地区能源价格与碳强度的协整分析

王素凤

（1.合肥工业大学 管理学院，合肥 230009；2.安徽建筑工业学院 管理学院，合肥 230601）

0 引言

近年来，随着自然灾害事件发生的频度增加、破坏性增大，环境问题日益成为国际社会关注的焦点。温室气体是导致气候变暖和环境污染的直接原因，其中CO2所占的比例最大（大约50%以上）。CO2排放主要来源于化石能源的燃烧[1]，影响CO2排放的因素很多，譬如经济增长、能源结构、产业结构、人口规模等。[2～5]在众多影响因素中，能源价格在整个国民经济中占有举足轻重的地位，但研究能源价格与碳排放的文献却偏少，且主要集中在国外[6～12]。综观国内学者对能源价格与碳强度之间关系的研究可以发现，当前主要存在以下三个方面的不足：

（1）研究对象：现有文献主要基于总量的角度，如经济增长与二氧化碳排放、能源价格与能源强度等的关系，缺乏能源价格与碳强度这样的“质量”关系研究。

（2）研究范围：现有文献多以全国的能源消费（二氧化碳排放）总量为着眼点，针对省域层次的研究不多[13～15]，而将经济发达与不发达地区进行对比的文献则更少。

（3）研究方法：现有文献主要基于传统的时间序列协整检验方法，常因样本时间跨度小而影响效果。

为弥补上述研究的不足，本文以能源价格和碳强度的关系为考察对象，将影响碳强度的其他因素简化成随机扰动项。考虑到人口规模这一变量对碳强度亦有重要影响，且以往研究较少，故将人口增长也纳入到模型中。为了比较不同地区的碳强度受能源价格改革影响的差异程度，本文选取了华东6省1市（皖、赣、鲁、苏、浙、闽、沪）的面板资料进行分析。按照Im等（2003）[17]的面板单位根检验程序、Johansen协整检验方法，考察碳强度等序列的平稳性及是否存在协整关系。在此基础上，分别运用F检验和Hausman检验在混合模型与固定模型、固定模型与随机模型之间比较优选，以达到能源价格与碳强度关系模型的最优拟合。

1 模型与数据

1.1 变量说明及数据来源

受自然地理条件、经济、人口、产业结构等条件影响，中国华东地区7个省域的能源价格、能源结构和消费总量均存在较大差异。为便于分析，用能源价格代替能源政策。考虑到人口增长可能会影响能源消费总量，进而增加二氧化碳排放量，模型中加入了人口因素。

（1）碳强度。碳强度是省域二氧化碳排放量和地区生产总值之比，故需要分别计算这两部分的数值。根据联合国政府间气候变化专门委员会（IPCC）2006年版碳排放计算指南中的计算公式和碳排放系数缺省值，结合各省域2000～2008年间能源消费量和地区生产总值，可以换算出省域二氧化碳排放强度。

（2）能源价格。需求定理表明，价格与能源消费之间应呈负相关关系。因此，能源价格是影响能源消费的重要因素，进而也可能改变碳强度。长期以来，中国能源价格的市场化程度不高、能源资源价格较低，价格扭曲严重，价格机制基本无法有效调节资源的生产和消费行为。自2000年以来，油、电力和煤炭价格逐步放开，研究这一阶段能源价格对能源消费和碳强度的影响具有现实意义。为简化分析，能源价格用燃料、动力购进指数代替代替，数据来源于各省域统计年鉴（1999～2009），并按1999年为基年折算为不变价格。

（3）人口增长。一般而言，人口越多，能源消费越高，碳排放也越多。华东地区7个省域人口增长存在较大差异，基数较大的河南、山东等地已接近1亿人口，而上海、江苏、浙江等地人口数只有2000万左右。人口数据来源于各省域统计年鉴（2009）。

1.2 模型建立

鉴于本文重点考察能源价格对碳强度的影响，简化的二氧化碳相对排放函数可用下式表示：

CI=f(INDEX,POPU,μ)

式中：CI为区域碳强度，即分地区二氧化碳排放总量（万吨）与地区生产总值（亿元）之比；INDEX表示区域能源消费价格，POPU表示区域人口总数，μ为随机干扰项。

基于以上理论模型，实证研究中用到的经验模型是柯布道格拉斯（Cobb-Douglas）型的双对数生产函数：

式中，ε为随机干扰项，表示未考虑到的因素如效率、技术进步、天气等的影响。

2000～2008年我国华东6省1市碳强度及其影响因素的面板数据的描述性统计结果如表1所示。表1显示，各省域人口增长差异较大，而碳强度和能源价格分布则相对比较均衡。

表1 华东六省1市碳强度及其影响因素的描述性统计结果

2 碳强度的实证分析

2.1 平稳性检验

计量经济理论表明，众多经济变量尤其是面板数据大都是非平稳变量，用非平稳变量进行回归分析很大程度上表现为伪回归。为避免伪回归现象，需要对面板数据进行单位根和协整检验。

面板单位根检验有别于时间序列数据单位根检验，主要为：LLC检验、Breitung检验、Hadri检验是相同根的检验方法，IPS检验、Fisher-ADF检验是不同根的检验方法；LLC检验、Breitung检验、IPS检验、Fisher-ADF检验原假设是含有单位根；Hadri检验原假设为不含有单位根。本文所用数据和变量的面板单位根检验结果如表2所示。

上述检验结果除了的水平和一阶差分LLC检验显著与众不同外，其他四种或以上检验方法检验结论一致，均表明上述变量为非平稳变量。对于面板模型，如果变量是非平稳的，进行回归分析之前需要进行协整检验，以判断是否可能属于伪回归。

表2 面板数据的单位根检验

表3 碳强度与能源价格的协整检验结果

表4 碳强度与人口数的协整检验结果

2.2 协整分析

通过以上结果可知，In(CI)与In(INDEX)、In(popu)在长期趋于一致，即非平稳序列之间存在协整关系。

2.3 模型选择与回归

常用的回归模型有三种：混合模型、固定效应模型和随机效应模型。在建立回归模型之前，需要对这三种模型进行比较选择，以实现最优的拟合效果。通常来说，F检验用来在混合模型和固定效应模型中做出选择，而Hausman检验用来在固定效应模型和随机效应模型中做出选择。

表5 混合模型检验结果

2.3.1 混合模型与固定效应模型的选择

相应的表达式是：

括号中的数字表示t统计量的值。上式表示7个省域能源价格和人口总数对碳强度的影响分别占10.7%和31.3%。

表6显示，华东地区7个省域碳强度模型在整体上通过了1%水平的方程显著性检验，能源价格、人口增长对碳强度的解释能力达到99.97%；模型参差的序列相关检验值DW为0.477，基本上不存在序列相关现象。

相应的表达式是：

括号中的数字表示t统计量值。虚拟变量的定义是：

上式表示7个省级地区的能源价格和人口总数对碳强度的影响分别为-5.2%和-37.5%。从结果来看，江苏的效应要明显高于其他省份，而福建的效应最低。

表6 个体固定效应模型检验结果

接下来用F统计量检验是应该建立混合回归模型，还是个体固定效应回归模型。

H0：αi=α。模型中不同个体的截距相同（真实模型为混合回归模型）。

H1：模型中不同个体的截距项αi不同（真实模型为个体固定效应回归模型）。

F统计量定义为：

其中SSEr表示约束模型，即混合估计模型的残差平方和，SSEu表示非约束模型，即个体固定效应回归模型的残差平方和。非约束模型比约束模型多了N-1个被估参数。所以本例中：

所以推翻原假设，建立个体固定效应回归模型更合理。

2.3.2 固定效应模型与随机效应模型的选择

相应的表达式是：

括号中的数字表示t统计量值。虚拟变量V1,V2,…,V7的定义是：

接下来利用Hausman统计量检验在个体随机效应回归模型和个体固定效应回归模型中做出选择。

H0：个体效应与回归变量（CIit）无关（个体随机效应回归模型）

H1：个体效应与回归变量（CIit）相关（个体固定效应回归模型）

分析过程如下：

表7 随机效应模型检验结果

（续上表）

表8 随机效应与固定效应的Hausman检验结果

由检验输出结果的上半部分可以看出，Hausman统计量的值是11.655，相对应的概率是0.0029（小于0.05），即拒绝原假设，应该建立个体固体效应模型。

检验结果的下半部分是Hausman检验中间结果比较。个体固定效应模型对参数的估计值分别为-0.052和-0.375，随机效应模型对参数的估计值分别为-0.101和0.156。两个参数的估计量的分布方差的差分别为0.001278和0.080638。

可见，F检验和Hausman的检验结果表明，个体固定效应模型是最优选择。根据表6，能源价格与碳强度负相关，即在不考虑其他因素的情况下，能源价格每增长1个百分点，碳强度下降0.05%。不过，人口增长的作用却与以往研究结论不同，此处与碳强度呈负相关（影响效应为-0.38%）。对此，我们认为，这可能与模型简化有关，影响碳强度的因素很多，包括能源结构、产业结构、能源效率等。尽管随着人口增长，能源需求增加，但由于能源结构得到改善、能源效率提高、产业结构优化等正面因素作用，例如模型中江苏、浙江等地区人口较少而经济发达、技术先进、能源利用效率高，二氧化碳排放得到控制，从而导致人口增长与碳强度出现非常规变化关系。由于本文的分析重点是能源价格对碳强度的影响，因此这一发现并不影响模型主要结论。

此外，观察表6还可以发现，各个省域在模型中的系数并不相同，碳强度较低的上海、江苏、浙江和福建系数为负，而其它省域的系数为正。表明经济增长、技术进步较快的地区，其碳强度有显著下降趋势，反之则相反。

表9 基于随机效应模型的各地区碳强度

2.3.3 回归结果

由于个体固定效应模型的结果具有逻辑基础，因此我们尝试在此的基础上，分析和探讨分省的碳强度，期望找到规律性的结论。我们按照表6的回归结果，将二氧化碳相对自主排放量编制成表9。由于对碳强度取了对数，因此结果存在负数，负数越小，表明碳强度越小；数值越大，表明碳强度越大。

表9显示，模型估计的数据与原始数据均值非常吻合。故可利用该模型进行预测并比较，为政策制订提供可靠依据。根据表9，碳强度较大的地区是：山东、安徽、江西；碳强度最低的地区是江苏，这与表6的检验结果完全一致。前者的碳排放问题需要引起政府的极大关注，尤其山东和安徽，经济较为落后，二氧化碳相对排放量高，对环境污染较为严重，如此恶性循环，情景堪忧。对于后者，如何保障环境不会遭受进一步破坏的前提下，有效促进经济发展和增长，成为国家和当地政府的一项重要任务。

3 结论及建议

（1）能源价格、人口增长与碳强度间存在长期均衡关系根据F检验和Hausman检验结果，应当建立个体固定效应回归模型，模型显示拟合程度较好。

（2）从总的碳强度来看，能源价格与碳强度显著负相关能源相对价格的提高对于降低GDP碳强度具有显著的积极作用（-0.048）。

（3）人口增长与碳强度的正相关作用不明显 随着人口增长，各省域为抑制由于能源需求上升而增加的二氧化碳排放，采取一系列措施降低碳强度，例如技术创新、能源结构和产业结构优化、提升能源效率等等，从而出现人口规模上升而碳强度下降的现象。

（4）经济发达和不发达地区碳强度显著不同 江苏、福建、浙江、上海等沿海省域碳强度较低，而山东、安徽等中部不发达省域碳强度较高，其环境状况需要引起警惕。

根据上述结论，我们提出如下的政策建议：

（1）发挥能源价格杠杆作用。提高能源价格，使价格能真实反映市场供求关系、资源稀缺程度和环境损害成本，以降低碳强度[1]。

（2）保持人口合理增长。人口的增长无疑导致消耗更多的能源，增加温室气体排放。从全球通过碳权交易而获得的收益来看，按人口分配碳权是最佳的选择，同时它也符合每个人对全球的公共资源享有相同的权利这一原则[18]。国家发展改革委能源研究所CDM项目管理中心主任杨宏伟认为，比较可行的“划界”方式是，可以参照“十一五”期间国家节能减排的做法，先将碳强度指标分配到省份，在省内某些行业中细化这个指标。这样做的好处是，省级行政部门可以结合行政手段，更加有效率地来达成这个目标。减排指标在省内行业划分，也不会使资源流到外省，因此阻力较小。

(3)合理运用调控指标。将能源强度与碳强度相结合，既有总量也有质量，促进经济、环境可持续发展。地区间的产业发展模式并非千篇一律，应具体情况具体分析；既不由领导说了算，也不由哪一项因素决定，而应当建立一套完善的指标体系进行评估，包括对环境污染的程度与影响期间的评价，同时避免用GDP这样的指标考核地方政府绩效，以可持续发展理念指导评估工作，正确处理好责权利的辩证关系。

(4)对个别整体环境污染严重的地区，要因势利导 应促进省域间的产业衔接与合作，扭转环境持续恶化的恶性循环状态，制定切实可行的综合治理措施。

本文尚存在一些不足之处，例如为了简化分析，模型只考虑了能源价格、人口增长对碳强度的影响；限于数据可得性，样本主要取自2000～2008年资料，所跨年度偏少；虽然构建了固定效应回归模型，但欠缺利用该模型进行碳排放预测、分配碳排放权、降低碳强度的具体做法，这些都有待于进一步展开研究。

[1]徐玉高，郭元，吴宗鑫.碳权分配:全球碳排放权交易及参与激励[J].数量经济技术经济研究,1997，(3).

[2]Ja nicke,M.,Mo nch,H.,Ranneberg,T.,Simonis,U.E.Economic Structure and Environmental Impacts:East-west Comparisons[J].The Environmentalist,1989,(9).

[3]Jan Cornillie,Samuel Fankhauser.The Energy Intensity of Transition Countries[J].Energy Economics,2004,(26).

[4]杭雷鸣,屠梅曾.能源价格对能源强度的影响——以国内制造业为例[J].数量经济技术经济研究,2006,(12).

[5]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].人口·资源与环境,2006,16(6).

[6]Kuznets,S.Economic Growth and Income Inequality[J].American E-conomic Review,1955,45(1).

[7]Sch urr,S.H.,Netschert,B.C.,Eliasberg,V.F.,Lerner,J.,Landsberg,H.H.Energy in the American Economy,1850-1975[M].Baltimore，Johns Hopkins University Press,1960.

[8]Grossman,G.M.,Krueger,A.B.EnvironmentalImpactofa North American Free Trade Agreement[C].Working Paper 3914，1991.

[9]B.W.Ang.Is the Energy Intensity a Less Useful Indicator than the Carbon Factor in the Study of Climate Change?[J].Energy Policy,1999, (27).

[10]Birol F.,Keppler J.H.Prices,Technology Development and the Rebound Effect[J].Energy Policy,2000,(28).

[11]Fisher-Vanden K.,et al.What is Driving China’s Decline in Energy Intensity?[J].Resource and Energy Economics,2004,(26).

[12]Joseph E.Aldy.Per Capita Carbon Dioxide Emissions:Convergence or Divergence?[J].Environmental&Resource Economics, 2006,33(4).

[13]张雷.中国一次能源消费的碳排放区域格局变化[J].地理研究, 2006,25(1).

[14]吴玉鸣,李建霞.中国省域能源消费的空间计量经济分析[J].中国人口资源与环境,2008,18(3).

[15]曾贤刚，庞含霜.我国各省区CO2排放状况、趋势及其减排对策[J].中国软科学,2009,(S1).

[16]Im,K.S.,Pesaran,M.H.,Shin,Y.Testing for Unit Roots in Heterogeneous Panels[J].Journal of Econometrics,2003,(115).

[17]艾慧.能源价格改革的效应维度分析[J].统计与决策,2008,(23).

[18]陈文颖,吴宗鑫.碳排放权分配与碳排放权交易[J].清华大学学报(自然科学版),1998,38(12).