基于城镇化视角二氧化碳排放的经验分析

白楠楠

（辽宁石油化工大学 经济管理学院，辽宁抚顺113001）

0 引言

在目前经济增长模式面临转型和世界经济形势总体不振的情况下，要保持中国经济平稳增长，继续深入推进城镇化可能是较好的选择，虽然很多学者都提出即使是继续深入推进城镇化，那么传统的城镇化模式也需要转型，但是在传统的城镇化模式到底面临着何种挑战这一问题上，国内尚没有学者进行过深入研究。本文将基于一个全新的视角即中国城镇化与二氧化碳排放之间的关系对此问题进行初步分析。本文将动态模型与静态模型结合起来，并对两种模型的估计结果进行对比。此外，之前的研究大都假设城镇化对CO2排放的影响在不同的国家是相同的，这显然与现实不符，因为不同国家的城镇化阶段不一样必然会造成其对于CO2排放的影响方向和程度也不一样，这对于中国问题的研究显得尤其重要，因此，我们特意将样本分为包括中国和不包括中国两部分，并对样本估计结果进行对比，这不仅可以有效避免由此导致的估计不一致问题，更可以加深对中国问题的认识。

1 模型构建

根据前人的研究，我们同样在控制人口、收入和技术的基础之上研究城镇化对于CO2排放的影响，Dietz and Rosa(1997)建立了如下的模型：

模型（1）中，I表示CO2排放，P表示人口、A表示收入、T表示技术进步，下表i表示国家，t表示时间，ai和eit分别代表个体效应和随机误差项。现在对（2）式两边去自然对数，我们得到模型（2）：

模型（2）中，vi和εit分别表示个体效应和随机误差项，下面我们将城镇化U加入模型（2）中，就得到了我们在本研究中要使用的模型（3）。

下面我们首先说明估计系数异质性对于估计方法选取的影响，如果式（3）中系数不存在异质性，我们可以直接采用一般的面板数据估计方法即可，但是当系数出现异质性时，我们则必须使用均群估计或者方差均群估计来进行。当我们将解释变量或者被解释变量的滞后项加入模型（3）的右边时，其就变成了动态模型，这被称为自回归滞后分布模型（ARDL），其滞后期可以根据SIC信息准则来确定，动态模型相对于静态模型来讲，其优点是可以同时捕捉到短期与长期的弹性。在具体的估计过程中，我们将分别使用均群估计、相关均群估计和增广均群估计来拟合相关模型。

均群估计方法允许系数和残差随个体进行变动，从而将个体异质性考虑进来。具体来说，其首先使用OLS方法对每一个个体进行估计从而得到每一个个体的系数估计值，然后在将这些估计值进行平均，对于大样本而言，这种估计方法能够得到一致估计。对于动态模型而言，其将适当的滞后变量包括进来有利于修正残差的序列相关和内生性问题。但是一般均群估计方法中没有考虑可能在样本数据中出现的相关性，而相关均群估计则在估计当中包含了个体依赖性和异质系数，依赖性主要是用解释变量与被解释变量的个体均值来表示，通过引入依赖性可以在模型中考虑个体之间不可观测的共性，而异质系数则是以个体数目对均群估计的系数进行加权得来的，相关均群估计对于结构突变、非协整和序列相关都具有很好的稳健性。增广均群估计则是相关均群估计的替代估计方法，区别在于前者将不可观测的共性作为一般的动态过程，而后者则将其看做异常值。

2 数据

我们采用的数据是16个发展中国家在1971～2012年的非平衡面板数据，这些国家包括：巴西、智利、中国、哥伦比亚、埃及、匈牙利、印度、印度尼西亚、韩国、马来西亚、墨西哥、摩洛哥、菲律宾、南非、泰国和土耳其。

在实证分析中，CO2表示CO2排放量的自然对数，收入使用人均国内生产总值的自然对数表示，其中，人均国内生产总值以2005年为基期，人口使用总人口的自然对数表示，城镇化率使用居住在城市中的人口与总人口的比率来计算，城镇化则使用城镇化率的自然对数来表示，技术方面，我们使用能源密度来表示，因为这与CO2排放的关系更加密切。能源密度的计算公式为单位GDP（美元）的能源消耗，在分析中，我们同样对其取对数，所有的数据均可以从世界银行的网站上获取。

表1 相关变量的年均增长率（%，1971～2012）

表1计算了所有国家相关变量的年均增长率，我们可以看出其在各个国家的分布。CO2排放量的年均增长率从最高的泰国（7.443%）到最低的匈牙利（-0.298%），泰国、马来西亚和印度尼西亚的CO2排放量年均增长率均超过6%，人均收入方面从最高的中国（7.465%）到最低的南非（0.482%），中国、韩国和泰国人均收入的年均增长率均超过4%，菲律宾、马来西亚、南非和墨西哥的人口增长最快，均超过2%，匈牙利经历了人口的负增长，印度尼西亚和中国的城镇化率均超过2%，埃及的城镇化率最低，仅有0.053%，能源密度最高的分别是摩洛哥、埃及、南非和韩国，均超过0.5%，超过一半的国家能源密度出现了下降，中国的最低，达到了-4.13%。

变量之间的相关分析见表2所示。CO2排放与收入和城镇化负相关，与人口和能源密度正相关，在进行计量分析之前，我们首先对数据进行单位根检验，如果数据具有个体相关性，那么单位根检验就会失效，我们首先使用CD检验来验证面板数据是否具有个体相关性，结果表明（表3），除了能源密度之外，其他变量均具有个体相关性。我们首先使用IPS面板单位根检验，这些检验均带有常数、趋势项和根据AIC信息准则确定的不超过五阶的自回归过程，检验结果（表4）说明除城镇化是平稳序列之外，其他四个变量均是一阶差分平稳过程。但是由于存在变量的个体相关性，因此，我们又进行了CIPS面板单位根检验，所有检验均带有常数和趋势项。CIPS检验表明除城镇化外，其余所有变量均包含一个单位根，这就使得标准的面板估计方法实效，因此，我们只能使用新近发展的对于协整和个体相关性都很稳健的异质面板估计方法。

表2 变量之间的相关分析

表3 个体相关性检验

表4 单位根检验结果

3 估计结果

基于对系数和动态特征的假设不同，我们报告了一系列模型的估计结果，表5列示的是在同质系数的静态模型之下得出的结果，我们分别使用带有面板修正标准差的Pooled OLS（PCSE）、固定效应（FE）和随机效应(RE)对其进行估计。表5显示，收入的弹性在1.009到1.095之间，并且是统计显著的，人口的弹性也是显著的，其取值在0.935到1.874之间，固定效应与随机效应下的城镇化弹性系数分别为0.043和0.209，但是在PCSE方法之下，其弹性系数为负值，能源密度的弹性则显著为正。总之，静态模型的估计结果表明人口、收入、能源密度的弹性均显著为正，但是当样本中都不包含中国时，城镇化的弹性系数都不显著，而且其符号也不统一，但是，一旦当样本中包含了中国，城镇化的弹性系数就显著为正。

这说明是否包含中国对于城镇化的估计系数具有显著影响，也说明各国城镇化进程不一致可能会导致其对CO2排放的影响也不一致。我们对残差进行了CD检验和CIPS检验，结果表明，残差具有显著的个体相关性，并且回归的拟合效果较差，序列存在较强的动态特征。

表5 同质系数与静态模型的估计结果

表6 异质系数与静态模型的估计结果

表6放松了假定，认为存在着异质性系数，但是仍然使用静态模型。从结果可以看出，收入的弹性在1.032和1.158之间且在1%的水平上显著，人口的弹性系数在1.789和3.529之间且在5%的水平上显著，能源密度的弹性系数在0.830和0.978之间且在1%的水平上显著，城镇化的弹性系数在不包含中国的情况下，其系数均不显著，符号也不一致，但是当样本中包含中国，其系数显著为正。CD检验显示在相关均群估计和增广均群估计中有个体相关性的证据，但是在一般均群估计中没有显著的证据。由于控制了异质系数和个体相关性，表6中的残差均具有静态特征，需要注意的是，表6中RMSE值均比表5中的小一个数量级，这说明异质系数更加适合我们的数据。

表7的估计结果是在异质系数和动态模型的基础上得到的，首先看控制变量，收入的弹性系数依然是在1%的水平上显著为正，其大小在1.132到1.447之间，这在不同的估计方法之间不存在明显差别，人口的弹性系数在0.714到2.178之间且有两种方法是在1%的水平上显著。城镇化的系数为正但是不显著，需要注意的是，使用动态模型估计的城镇化弹性系数要大于静态模型下的结果。能源密度的弹性系数显著为正，CO2排放滞后期值在10%的水平上显著为正，且其值在0.123到0.447之间，这表示CO2排放的持续性处于中低水平。收入和能源密度滞后期的估计系数为负且分别在1%和5%的水平上显著。同样的，包含和不包含中国数据的样本估计结果再次表明，包不包含中国对于城镇化估计系数的影响和显著性影响巨大，考虑中国的样本估计结果表明城镇化对于CO2排放具有显著的正面影响，但是不考虑中国的样本估计结果表明城镇化对于CO2排放不具有显著的影响。CD检验和CIPS检验表明不存在个体相关性和误差的动态特征，低的RMSE说明以异质系数和动态模型为基础的估计更加适合本文的数据。

表7 异质系数与动态模型的估计结果

由于城镇化系数的估计值在统计上不显著，因此我们将其忽略掉并对动态模型进行重新估计，估计结果见表8。表8中，滞后期的CO2排放对现期值具有显著的正向影响，现期的收入和能源密度对CO2排放具有显著的正向影响，人口的弹性系数为正且在其中两种方法中是显著的。残差检验显示其在1%的显著性水平上具有静态特征且不存在个体相关性。需要注意的是，带有城镇化变量的RMSE值要略小于不带有RMSE的设定，因此，表8的估计结果更好一些。

根据表7和表8中的估计结果可以进一步计算CO2排放的短期和长期弹性，其他发展中国家收入的短期弹性从1.147到1.178，长期弹性则从0.938到1.008，包括中国在内的所有发展中国家其收入和能源密度的弹性系数均小于不包括其他发展中国家的相应弹性系数，这说明中国的城镇化已经在一定程度上解释了其他变量对于CO2排放的影响，使得其他变量的系数变小。对每一种方法而言，其短期弹性要大于其长期弹性。人口的短期弹性从0.997到1.853，长期弹性从0.978到1.742，能源密度的短期弹性在0.809到0.855之间，其长期弹性为0.762到0.834所有的长期和短期弹性都为正，说明这些变量的增加无论是在长期还是在短期都会增加CO2排放量。本文的结果具有重要的政策含义，CO2的存续时间很长，今天排放到空气中的CO2会持续累积到以后，既然人口和收入在新兴经济体中会不断增长，那么为了降低CO2排放量只能不断的降低能源密度。更重要的是，我们发现对于其他发展中国家而言，城镇化对CO2排放没有显著的影响，从计量模型中去掉城镇化也不会影响其预期，因此，那些没有考虑城镇化影响的能源和环境政策也基本上会实现其预期的目标。

表8 异质系数与动态模型的估计结果

表9 CO2排放的相关弹性

4 结论

本文从经验角度研究了城镇化对CO2排放的影响，由于包括中国在内的新兴发展中国家的城镇化在未来会有一个跨越式发展，因而如果城镇化对CO2排放有显著性影响的话，那么未考虑城镇化的能源和可持续发展政策就会收到极大影响。通过分析我们发现，收入、人口和能源密度三个变量在不同的模型假设下并未表现出明显的差异。而相对于包含中国数据的样本估计结果，未包括中国的样本其城镇化估计系数都是不显著的，也就是说，这些国家的城镇化对于CO2排放的影响可能存在相互抵消的因素，正像我们在文献综述当中的理论分析所指出的那样，城镇化的发展一方面会加重环境的负担，但另一方面也会通过技术进步、结构调整来减轻环境所受到的负面影响，这两方面的效应很可能会相互抵消从而使得城镇化对于CO2排放的影响变得不显著了，因此，对于这些国家来说，忽略掉城镇化影响的可持续发展政策并没有太大的不妥，进一步来讲，从长期弹性系数来看，人口的弹性系数要大于收入的弹性系数，收入的弹性系数又大于能源密度的弹性系数，但是这三者均显著为正，这说明随着新兴经济体城镇化的不断进展，CO2排放会持续增加。由于新兴经济体的人口和收入不会下降，因此，要想降低CO2排放，就必须从提高能源使用效率入手，新兴经济体可以通过市场或税收手段来鼓励经济主体减少对石油、煤炭等化石能源的使用，而增加对于可再生能源的利用。

但是当在样本中考虑中国的数据时，城镇化的弹性系数则变得显著为正，而且中国的收入和能源密度的弹性系数都要小于未考虑城镇化影响的其他国家的弹性系数，这说明中国的城镇化不仅会显著增加CO2排放量，而且还会改变收入和能源密度对于CO2排放的影响，也就是说，其他发展中国家由于城镇化发展的不同阶段使得其对于收入和能源密度影响CO2排放的机制相互抵消了，但中国作为最大的能源消费国，其特殊的城镇化路径使得收入和能源密度对于CO2排放的影响都体现了城镇化的间接影响，一旦我们在模型中包含了城镇化对于CO2排放的显著影响，那么收入和能源密度的影响就会被削弱，这或许能够解释不同的模型在能源消费、CO2排放和变量系数上体现出来的矛盾。

[1]Hossain M S.Panel Estimation for CO2 Emissions,Energy Consumption,Economic Growth,Trade Openness and Urbanization of Newly Industrialized Countries[J].Energy Policy,2011,(39).

[2]Poumanyvong P,Kaneko S.Does Urbanization Lead to Less Energy Use and Lower CO2 Emissions?A Cross-Country Analysis[J].Ecol.Econ,2010,70(2).

[3]Poumanyvong P,Kaneko S.Does Urbanization Lead to Less Energy Use and Lower CO2 Emissions?A Cross-Country Analysis[J].Ecol.Econ,2010,70(2).

[4]Sharma S S.Determinants of Carbon Dioxide Emissions:Empirical Evidence from 69 Countries[J].Applieal.Energy,2011，(88).

[5]付强.双赢互换性规制失效与新型接入歧视[J].财经问题研究，2013,(10).

[6]付强,于良春.论中国电力产业输配管理体制改革路径选择[J].东南学术，2014,(2).