中国碳排放强度与煤炭消耗的冲击效应分析

赵 奥 武春友

(大连理工大学管理与经济学部，辽宁大连116024)

自上世纪90年代初期开始，中国经济经历了一个持续的高速发展阶段，随着国内生产总值的逐年增加，一系列资源消耗、环境污染、生态恶化等问题让中国的经济发展与环境问题陷入矛盾局面。进入21世纪以来，中国城市化和工业化发展带来了化石能源，特别是煤炭资源的大量消耗，由“黑色能源”引发的碳排放问题成为温室效应、全球变暖的代名词。相较于天然气、水电、风电消耗而言，煤炭消耗所释放的CO2量平均要高出近50%，虽自1990年以来，我国煤炭消耗比重呈下降态势，然而碳排放总量却逐年上升，由高速经济增长所抵消的环境负面增长促使碳排放强度缓慢降低，但碳排放强度的降低究竟源于煤炭消耗比重的下降还是源于GDP的分母拉动性值得我们为之思考。因此，考察一定年份区间内煤炭消耗与碳排放强度之间的交互冲击效应，有助于从深层次挖掘二者的作用机理，为未来高效控制碳排放量乃至碳排放强度，降低对化石能源的依赖性，提供措施借鉴。

1 文献综述

从已有的研究文献来看，考察碳排放量以及排放强度变化的影响因素的研究较多。其中，徐国泉等人［1］采用Divisia分解法定量分析了能源结构、能源效率和经济发展等因素的变化对中国人均碳排放的影响;冯相昭等人［2］对1971－2005年期间影响中国CO2排放量的因素展开分析，研究发现经济发展、人口增长、能源强度、能源消费结构是影响CO2排放量的主要因素;宋德勇、卢忠宝［3］采用“两阶段”LMDI方法，将能源消费产生的CO2排放的相关影响因素分解为产出规模、能源结构、排放强度和能源强度四个方面;Stephen D.Casler和 Adamrose［4］运用两阶段KLEM模型对影响美国碳排放量的诸多因素进行实证分析;Christopher Yang 和 Stephen H.Schneider［5］认为 CO2排放量的影响因素可以分解为人口规模、富裕程度、能源强度和单位能源消耗的排碳强度。以上研究只能大体计算出影响因素之间的重要程度，而无法显示单一因素或者某几个重要因素的变动，特别是能源消费结构、能源强度的变动对碳排放量的影响，尽管国内外一些学者已经尝试进行相应的研究，例如帅通、袁雯［6］计量分析了上海市产业结构和能源结构的变动对碳排放量的影响，苏方林等人［7］采用加权最小二乘法与向量自回归方法建立广西碳排放量及影响因素间关系的实证模型，杜官印等人［8］测算了1997－2007年中国分省化石能源碳排放强度变化趋势，邵帅等人［9］基于STIRPAT模型的上海分行业动态面板数据得出煤炭消费比重对碳排放规模和强度均具有显著的促进作用。然而，碳排放量是建立在能源消耗和经济发展基础上产生的，单纯考察碳排放量值的高低或仅仅通过影响因素的模型构建无法更好地将碳排放量与能源消耗和经济发展联系起来。

综上所述，本研究尝试将碳排放量进行数值转换处理，换算成碳排放强度，采用VAR模型与脉冲响应函数方法，对能源消费结构中的煤炭消耗比重与碳排放强度之间的动态冲击关系进行计量研究，进一步考察能源消费中煤炭消耗对碳排放强度的影响，从而为未来如何降低碳排放量乃至碳排放强度提供措施路径导向。

2 实证研究

2.1 模型数据

碳排放强度:本研究采用碳排放量与GDP的比值来衡量，记为CI。其中，碳排放量数据来自于中国统计年鉴(1990－2008)、中国能源统计年鉴(1990－2008)公布的1990－2008年中国能源消费构成中按照万吨标准煤折合计算的煤炭、石油、天然气消耗量，经各类能源的碳排放系数折算而得到的碳排放量;GDP数据来源于中国统计年鉴(1990－2008)，根据以1990年为基期的GDP指数和1990年GDP数据计算获得，得到的GDP数据均为1990年不变价格的实际GDP。

煤炭消耗:本研究采用中国统计年鉴(1990－2008)中能源消费构成表中的煤炭消耗比重数据作为煤炭消耗的衡量指标，记为CP。

能源的碳排放系数是在查阅有关权威结构发布的文件的基础上，取各类机构官方公布的排放系数的平均值作为本研究中能源的碳排放折算系数，具体模型数据经过换算整理后如表1所示。

2.2 ADF单位根检验

在建立VAR模型和进行协整分析之前需要对变量的平稳性进行检验，即没有随机趋势或确定性趋势，否则在进行最小二乘回归时易产生“伪回归”现象，单位根检验是判断数据序列是否平稳的常用方法，例如ADF检验、PP检验等。本研究采用ADF检验法对模型数据的原始序列进行单位根检验，具体的平稳性检验报告如表2所示。

表1 模型数据Tab．1 The data of model

从表2可知，在5%的显著水平上，零假设(时间序列非平稳)被拒绝，Prob值也远远小于0.05，由此说明，CI、CP两个时间序列都是平稳的。

2.3 序列的EG协整检验

协整检验是通过多个变量的线性组合关系来验证变量之间具有长期的稳定均衡关系，协整检验的经济意义在于对若干个具有各自长期波动规律的变量，如果它们之间存在协整关系，则也同时具有长期均衡关系。因此，本研究在已经验证模型数据序列具有平稳性的基础上，进一步采用Engle和Granger提出的两步协整方法，对CI、CP两变量序列进行最小二乘回归，然后对模型残差进行平稳性检验，如果残差通过平稳性检验，则证明两变量在长期内存在均衡关系。具体回归方模型残差的单位根检验报告如下所示:

表2 序列的平稳性检验结果Tab．2 The results of stationary test of levels

表3 残差序列的ADF单位根检验结果Tab.3 Unit root test of residual levels

如表3所示，残差序列的ADF单位根检验值小于5%水平上的临界值，由此说明残差序列是平稳的，CI、CP两变量是协整的，碳排放强度与煤炭消耗比重虽在短时间内呈现出逐年波动变化态势，但二者存在长期均衡关系，即煤炭消耗比重变化的一次冲击会使协整变量暂时偏离平衡位置，但煤炭消耗比重变化的长期冲击会使协整变量自动归于平衡位置。

为了避免叠合梁模板与支架之间的接缝处漏浆并提升其外部观感，可以在两者的连接处设置海绵条，并使用胶带加固。

2.4 VAR模型构建

向量自回归模型(VAR)是由西姆斯于1980年提出的，是在模型的每一个方程中用当期内生变量对模型中全部内生变量的滞后值进行回归，从而将单个变量的自回归模型推广至多元时间序列变量组成的“向量”自回归模型。

VAR模型的数学表达式为:

Yt是内生变量向量，Xt是外生变量向量，n是滞后阶数，T是样本数，α1到αn以及β是待估计的系数矩阵，εt是随机扰动向量。通过运用Eviews 6.0计量软件，构建出如下VAR模型。

从表4可知，CI、CP方程的调整后 R2值分别为0.916 554、0.888 738，由此说明此向量回归模型方程具有较强的解释力，F检验通过，AIC与Sc值的大小也符合模型基本要求，因而该VAR模型在理论上成立，但需要进一步进行模型的平稳性检验，具体检验结果如图1所示。由图1可知，VAR模型全部特征根在单位圆曲线之内，说明模型是一个平稳系统，可以进行脉冲响应分析。综上所述，建立碳排放强度与煤炭消耗比重的互动关系的VAR模型整体拟合情况较好，解释力较强。

因此，碳排放强度CI与煤炭消耗比重向量CP自回归方程为:

表4 CI、CP互动关系的VAR模型及检验结果Tab.4 The VAR model and test results of CI and CP

图1 VAR模型系统平稳性检验AR根图Fig．1 Inverse roots of AR characteristic polynomial of VAR model

由方程(2、(3)可知，碳排放强度受CI其自身滞后一阶变化影响较大，煤炭消耗比重CP受CI滞后一阶变化影响较大，但这种影响关系无法显示出未来变化时期内CI、CP两变量的冲击影响，因而需要借助脉冲响应函数进行具体分析。

2.5 脉冲响应函数分析

由于VAR模型的估计系数难以解释，需要根据脉冲响应函数来衡量来自随机扰动项的一个标准差变动是如何影响变量现值以及未来值。因此，在上述检验及模型构建基础上，本研究采用脉冲响应函数，分析煤炭消耗比重与碳排放强度的变化对变量自身以及对对方变量的动态冲击影响。具体冲击函数曲线以及分析如下:

从图2可以看出，碳排放强度对其自身的一个标准差立刻有较强反应，影响率达60%，第二期达到最大值78%，之后呈现出逐渐减弱的趋势。碳排放强度对来自于煤炭消耗比重的波动对碳排放强度的影响在第一期没有响应，第二期则迅速反应，达到最大正影响值18%，从第三期开始呈现出负影响趋势，并于第六期达到最低值。由此可见，煤炭消耗比重的变化对碳排放强度的冲击影响具有滞后性和波动性，煤炭消耗比重的降低短期内不会造成碳排放强度迅速下降，但长期会产生较好的减排效应。

从图3可以看出，对于煤炭消耗来说，煤炭消耗比重对其自身的一个标准差立刻有较强反应，影响率达80%，此后期间逐渐下降，并于第六期开始呈现出负影响态势，之后趋于稳定。煤炭消耗比重对来自于碳排放强度的波动对煤炭消耗比重的影响在第一期就迅速达到62%，此后呈逐渐下降趋势，并于第六期达到最低值。由此可见，煤炭消耗比重的变化在初始阶段会受碳排放强度变化的冲击影响，但随着周期推移，这种冲击会逐渐减弱，即扩大GDP的分母拉动性或强制减排措施产生的减排效应在短期可以对能源消费结构产生微调，但持久性较差。

图2 CI的脉冲响应曲线Fig．2 The impulsing curve of CI

图3 CP的脉冲响应曲线Fig．3 The impulsing curve of CP

图4 CI对CP的一个标准新息的响应Fig．4 The response of CI to CP(one S.D.)

图5 CP对CI的一个标准新息的响应Fig．5 The response of CP to CI(one S.D.)

由图4可知，碳排放强度发生增加变化冲击后，煤炭消耗比重的增加也开始出现明显的正向反应，并于第二期达到最大值，此后冲击力度开始衰退，随后煤炭消耗比重的增长率开始出现明显的负向反应，并于第六期达到负向反应最大值。由此说明:碳排放强度对煤炭消耗比重的冲击影响在短期内较剧烈，但不具有长记忆，碳排放强度发生增加变化的初期，煤炭消耗比重也会出现明显的增加反应，但随着冲击周期的推移，在碳排放强度增加的同时，煤炭消耗比重可能出现降低的负向反应，这也验证了模型原始数据中某些年份碳排放强度下降的同时却对应着煤炭消耗比重的增加，因而碳排放强度变化对煤炭消耗比重的冲击影响不明显。

由图5可知，煤炭消耗比重的增长发生冲击后，碳排放强度的增加也开始出现明显的正向反应，并于第一期就达到最大值80%，此后一直保持着较强的冲击力度，直到第六期开始才逐渐转为负向影响，并逐渐趋于稳定。这说明给煤炭消耗比重一个正向冲击，会造成对碳排放强度在很长时间内的同向冲击，即煤炭消耗比重对碳排放强度的影响作用是长期持久的，因而在较长周期变动中，可以通过降低煤炭消耗比重来达到降低碳排放强度的目的。

3 研究结论及启示

与已有的对碳排放影响因素研究的不同，本文将碳排放量转换成万元GDP的强度值，即碳排放强度，基于VAR模型与脉冲响应函数，对我国1990－2008年期间的煤炭消耗比重与碳排放强度之间的相互动态影响进行考察。具体研究结果如下:①碳排放强度与煤炭消耗比重的时间序列数据是平稳协整的，尽管二者在1990－2008年间呈现波动变化态势，但仍旧存在长期均衡关系;②煤炭消耗比重的变化对碳排放强度的冲击影响具有一定滞后性和波动性，但冲击作用长期持久，煤炭消耗比重在一定时期内的变化会带来碳排放强度同方向的冲击变化，即煤炭消耗比重的降低会促使碳排放强度下降;③碳排放强度对煤炭消耗比重的冲击影响在短期内较剧烈，但长期冲击影响不明显，煤炭消耗比重的变化冲击多是来自于变量自身，因而长期内依靠降低碳排放强度来达到降低煤炭消耗比重的目标是不可行的。综上所述，煤炭消耗比重与碳排放强度有很强的关联性，煤炭消耗比重的变化冲击会在长期内带来碳排放强度的同方向变化，并且这种冲击效应是长期持久的，因而降低碳排放强度的有效途径就是降低煤炭消耗比重。

鉴于以上结论，本研究认为降低中国碳排放强度的关键在于降低煤炭消耗比重，在能源刚性需求难以降低的背景下，煤炭消耗比重的下降可以通过结构性降低、产业传导性降低、技术性降低来实现。具体措施如下:①结构性降低:能源消费结构的优化调整对工业碳减排，特别是绝对量的减排具有重要意义，政府部门应该积极鼓励发展构建多样、安全、清洁、高效的能源供应和消费体系，优化能源消费结构，改善传统的以煤为主的能源消费结构，降低煤炭消耗比重，提高风电、水电和核电等清洁能源的替代性消费比重，大力开发生物质能、太阳能、潮汐能等可再生能源，由依靠传统化石能源向新能源和清洁能源转变;②产业传导性降低:推动产业结构演进由增加碳排放向减少碳排放的方向转化，是中国碳减排的产业潜力所在，推进第三产业发展，促进第二产业高耗能部门向低耗能部门转化，重视人为产业政策干预，制定相关政策措施，促使高耗能产业内部煤炭消耗和环境成本内部化，从而达到控制高耗能行业比重、降低煤炭消耗强度的目的;③技术性降低:重视技术植入，大力发展洁净煤技术，贯彻采选源头的优选控制、燃烧过程的洁净控制和污染物排放的达标处理控制等机制，降低开采、生产、消费整个全生命周期链条过程中的煤炭消耗量和损失量，提高单位耗煤的利用效率，从而达到减少耗煤数量、降低碳排放量的最终目的。

(编辑:刘呈庆)

References)

［1］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.［Xu Guoquan，Liu Zeyuan，Jiang Zhaohua.Decomposition Model and Empirical Study of Carbon Emissions for China，1995 －2004［J］.China Population，Resources and Environment，2006，16(6):158 －161.］

［2］冯相昭，王雪臣，陈红枫.1971－2005年中国CO2排放影响因素分析［J］.气候变化研究进展，2008，4(1):42－47.［Feng Xiangzhao，Wang Xuechen，Chen Hongfeng.Analysis of Factors Impacting China’s CO2Emissions During 1971 － 2005［J］.Advances in Climate Change Research，2008，4(1):42 －47.］

［3］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，2009，19(3):18－24.［Song Deyong，Lu Zhongbao， The Factor Decomposition and Periodic Fluctuations of Carbon Emission in China［J］.China Population，Resources and Environment，2009，19(3):18 － 24.］

［4］Stephen D，Adam R.Carbon Dioxide Emissions in the U.S.Economy:A Structural Decomposition Analysis［J］.Environmental and Resource Economics，1998，11(3 –4):349 －363.

［5］Christopher Y，Stephen H S.Global Carbon Dioxide Emissions Scenarios:Sensitivity to Social and Technological Factors in Three Regions［J］.Mitigation and Adaptation Strategies for Global Change，1997，2(4):373 －404.

［6］帅通，袁雯.上海市产业结构和能源结构的变动对碳排放的影响及应对策略［J］.长江流域资源与环境，2009，18(10):885－888.［Shuai Tong，Yuan Wen.Effect of the Changes of the Industry Structure and the Energy Structure in Shanghai on Carbon Emission and the Strategies Response［J］.Resources and Environment in the Yangtze Basin，2009，18(10):885 －888.］

［7］苏方林，宋帮英，侯晓博.广西碳排放量与影响因素关系的VAR实证分析［J］.西南民族大学学报:人文社会科学版，2010，9:140 －144.［Su Fanglin，Song Bangying，Hou Xiaobo.VAR Analysis about Relations of Carbon Emission and Influencing Factors in Guangxi［J］.Journal of Southwest University for Nationalities:Humanities and Social Sciences Edition，2010，31(9):140 －144.］

［8］杜官印，蔡运龙，李双成.1997－2007年中国分省化石能源碳排放强度变化趋势分析［J］.地理与地理信息科学，2010，26(5):76 －81.［Du Guanyin，Cai Yunlong，Li Shuangcheng.Fossil-Fuel Carbon Emission Intensity Change of Each Province in China during 1997 －2007［J］.Geography and Geo-Information Science，2010，26(5):76 －81.］

［9］邵帅，杨莉莉，曹建华.工业能源消费碳排放影响因素研究——基于STIRPAT模型的上海分行业动态面板数据实证分析［J］.财经研究，2010.36(11):16 － 27.［ Shao Shuai，Yang Lili，Cao Jianhua. Study on Influencing Factors of CO2Emissions from Industrial Energy Consumption:An Empirical Analysis Based on STIRPAT Model and Industrial Sectors’Dynamic Panel Data in Shangha［J］.Journal of Finance and Economics，2010.36(11):16 －27.］

［10］王舒健，李钊.中国地区经济增长互动关系的脉冲响应分析［J］. 数理统计与管理，2007，26(3):385 －390.［Wang Shujian，Li Zhao.A Pulse-responding Analysis on Mutual Effect of Regional Economic Growth in China［J］.Application of Statistics and Management，2007，26(3):385 －390.］

［11］王先柱.VAR模型框架下房地产业与经济增长关系的实证检验［J］. 经 济 问 题，2007，(7):31 －34.［Wang Xianzhu.The Empirical Tests of the Relationship between Real Estate Industry and Economic Growth Based on VAR Model［J］.On Economic Problems，2007，(7):31 －34.］