京津冀及周边地区碳排放驱动因素的贡献作用及其政策含义……

陈永国　褚尚军　聂锐

摘要：京津冀及周边地区的雾霾天气使得控制碳排放的任务尤为迫切。在STIRPAT-Regression模型框架内，建立了碳排放驱动因素的个体模型和区域模型。对这两个模型利用岭回归方法，分析了本区域碳排放驱动因素的贡献和作用。结果表明：经济增速对碳排放的扩大起到了正向贡献且作用最大，使得该区域整体处在碳排放“倒U型曲线”的左侧；技术进步率对碳排放是负向贡献但作用最小；人口增速对各省区市的碳排放有正向贡献然而作用不同。实证结果的政策含义是国务院相关部门通过制定统筹兼顾的协同政策来控制本区域的碳排放。

关键词：碳排放驱动因素；STIRPAT-Regression模型；区域协同控制；低碳经济；节能环保；跨区域碳排放交易

中图分类号：F062.2 文献标识码：A 文章编号：1007-2101（2016）01-0102-05

一、引言

大气污染和气候变化很大程度上都是由化石能源的燃烧排放物造成的[1]，京津冀及周边地区的持续雾霾天气，使得区域协同控制碳排放的任务尤为迫切。环保部、工信部等国务院相关部门出台了《京津冀及周边地区落实大气污染防治行动计划实施细则》等文件。企业已开展实质性合作，节能低碳环保产业联盟签约的金额约200亿元；河北省已选择承德市作为试点，与北京正式启动跨区域碳排放权交易市场建设，待成熟后全面推广。学术界也对本区域的碳排放问题开展了研究：王佳、于维洋[2]对驱动因子进行了分析，王喜平等人[3]比较了碳排放约束下的全要素能源效率，孙乾等人[4]探讨了低碳经济视角下的产业协作模式，王铮等人[5]估计了碳排放趋势。

近些年研究碳排放驱动因素主要采用的是STIPAT模型（含IPAT模型）。在Ang（1997）的贡献下，把LMDI法嵌入STIRPAT模型得到广泛应用[6]，我们称之为STIRPAT-LMDI模型。LMDI法的优点是完全分解，但其缺点是各因素每年所占的权重不同，需要进行逐年或者分时段的分析[7]。笔者在沿袭影响碳排放驱动因素的经典STIRPAT模型的基础上，设计了测算区域中长期碳排放驱动因素的STIRPAT-Regression模型，克服了逐年分析的缺陷。通过对京津冀及周边地区的个体模型和区域模型的集成分析，得出了各驱动因素的贡献和作用，并解释了实证结果的政策含义。

二、模型设计

（一）模型述评

式中，CO2是二氧化碳排放量，P表示人口，A表示人均财富，T表示技术，参数a为拟合模型的常数项，β1、β2、β3为相应人口、人均财富和技术的指数值，？淄为随机误差项。

尽管这几个模型联系紧密，都采用了因素分解的思路，但也有区别。IPAT（包括STIRPAT模型）与Kaya恒等式的区别是，后者是以国内生产总值为核心展开的分解，前者是以人口为核心展开的分解。这个不同是由二者解决不同问题所决定的，前者是在分析人口大量增长对资源环境造成什么冲击时提出的，而后者是Kaya为了促使人们意识到保证经济增长且降低二氧化碳排放量的困难性时提出的。IPAT与STIRPAT模型的不同地方是，STIRPAT模型中驱动因素的估计参数β1、β2、β3可以是任何数，而前者的β1、β2、β3都等于1，可见IPAT模型是STIRPAT模型的特例。

（二）STIRPAT-Regression模型

对京津冀及周边地区来说，区域内的任何一个行政单元，都可以用式（3）得到本行政单元的碳排放驱动因素模型，即三省两市一区的个体模型如下：

京津冀及周边地区能否建立区域模型，取决于三省二市一区是否有合作基础和共同利益，否则单凭地理位置相邻便建立区域模型容易产生缺乏现实依据的伪回归。由于京津冀及周边地区存在各种相互需求[11]，正在向基础设施衔接、支柱产业配套、新兴产业共建、一般产业互补的分工协作体系迈进[12]，因此本区域的各驱动因素间有紧密联系，可以假设把各个行政单元内的驱动因素进行累加，从而得到区域模型，形式如下：

式中，Β1、Β2、Β3分别是整体区域的人口、人均GDP、技术的偏弹性系数，下标分别表示三省两市一区。

（三）贡献和作用的判断

各驱动因素对碳排放的偏弹性系数我们称之为该因素对碳排放的贡献，如果偏弹性系数的符号与碳排放量的符号相同，我们称之为正向贡献；如果符号相反，则称之为负向贡献。偏弹性系数的数值大小体现了贡献的作用大小。

三、数据来源与处理

（一）数据来源

本文测算的二氧化碳排放量限定在燃烧化石能源造成的排放。原始数据来源于《新中国六十年统计资料汇编》，北京、天津、河北、山东、内蒙古和山西的统计年鉴（2012）。煤炭、天然气和石油的二氧化碳排放系数取国家温室气体排放指南、国家发改委能源研究所、国家科委气候变化项目和电子工业协会测算结果的平均数，分别为2.661 5、1.518 8和2.010 5。河北省的统计年鉴中有分能源品种的消费量，故直接计算。其他几个地区的能源数据有些年度不全，对没有分能源品种的碳排放量的年度数据，通过有分能源品种年度计算综合能源碳排放系数的方法进行估算。北京、天津、山东、内蒙古的综合能源碳排放系数分别为2.427 6、2.350 9、2.519 4、2.554 9，山西省的二氧化碳用煤和石油消费量估算。

GDP是以1990年为不变价的实际GDP；北京、天津和山西的人口数据口径为常住人口，河北、山东、内蒙古的人口数据口径为户籍人口。

（二）数据处理

1. 消除共线性。由于模型中自变量的选择是通过因素分解法获得的，因而自变量间有可能有相关性。这种牵一发而动全身本是因素分解法的长处，但在取对数以后的回归方程中便表现为多重共线性的缺点。发挥因素分解法的优点与消除回归方程缺点的关键在于消除多重共线性。消除多重共线性的办法有逐步回归法、主成分法、偏最小二乘法、剔除法、岭回归法等，这些方法至今还没有哪一个方法占绝对优势，但岭回归是最有影响的一种估计方法[13]。本文采用岭回归的方法。

岭回归（Ridge Regression，RR）是由Hoerl和Kennard在1970年提出。对于多元线性回归模型Y=Xβ+ε，当自变量间存在多重共线性时，|XTX|≈0，给XTX加上一个正常数矩阵KI（K>0），那么XTX+KI接近奇异的程度就比XTX接近奇异的程度小得多，从而降低其病态程度，使得求逆运算相对稳定，过程如下：

（6）式为β的岭回归估计，其中K为岭参数，当K=0时，岭回归估计就是普通最小二乘估计。K值越小，回归模型越逼近，K值越大，回归模型越稳定，因此K值的选择是在理论定性推理与数据定量分析相结合的基础上的有偏判断值。

四、实证分析

（一）平稳性检验

由于技术进步、经济发展和人口增长，碳排放各驱动因素的时间序列是不平稳的，但它们的线性组合却有可能是平稳序列。如果存在这种平稳线性组合形成的协整方程，那么该方程便可解释这几个变量间长期稳定的均衡关系，即是否存在这种长期均衡关系是我们研究各驱动因素贡献作用的充分条件，因而需要先对这几个变量进行平稳性检验。

通常我们在检验时间序列是否平稳的ADF、PP检验在小样本中的检验功效明显下降，由于本文的研究期较短且各变量在研究期（1990—2011年）有确定趋势，因而采用检验功效明显较高的DF-GLS（ERS）检验法[14]。

表1表明，除内蒙古以外，其他5省市的原序列为非平稳序列，经过一阶差分后得到平稳序列，而内蒙古的log（A）非一阶差分平稳序列。如果将这6省市区放在一起研究有可能产生“伪结果”，因而以下研究时笔者并未将内蒙古与其他5个省市放在一起研究。不包括内蒙古的本地区4个指标的汇总数据同样采用DF-GLS（ERS）检验法，得到一阶差分平稳数据。

（二）模型共线性诊断

笔者用方差膨胀因子（Variance inflation factor，VIF）来诊断方程是否存在共线性。方差膨胀因子由Marquardt于1960年提出。经验判断方法表明：当0

（三）回归分析

为了克服共线性，我们采用了spss软件中的岭回归方法。spss得到的系数结果有标准化和非标准化之别。标准化回归系数代替了不同量纲带来的变换，有利于消除变量的数量级不同带来的误差，能够直接判断哪个因素对因变量变化的贡献和作用大小。由于本文的研究目的是探讨各驱动因素对碳排放增长的贡献作用，进而分析回归结果的政策含义，因而采用了标准化回归系数。实证回归结果见表3。

1. 从回归系数的显著性和符号看，北京、天津、河北、山西和京津冀晋的人口增长、经济增长和技术进步对碳排放增速的影响都在统计上是显著的，其中人口和经济的增速对碳排放增速的影响是正向贡献，技术进步对碳排放呈负向贡献。山东省的技术进步对碳排放增速的影响在统计上不显著，且拟合程度较差（调整R2仅0.76）。为了在同一约束条件下进行比较，我们排除了山东省的驱动因素对整体区域碳排放的影响。

2. 从纠偏系数的比较来看，在个体模型中，北京市纠偏系数的绝对值最大，也就是说，在同样的精确性下，北京市的估计系数更可靠，误差更小。山东省的纠偏系数的绝对值最小，相应地其标准差（0.12）也最大。

五、结果讨论与政策含义

STIRPAT-Regression模型本质上反映了以人口为核心的社会、以人均GDP为核心的经济、以碳强度为核心的技术是“社会─经济─技术”三位一体的区域碳排放驱动系统的具体表现，三者通过一个子系统（驱动因素）的改变必然导致其他系统（驱动因素）改变的方式影响碳排放量。

（一）结果讨论

1. 人口增速对碳排放有正向贡献但作用不同。人口对碳排放有较大影响，Eugene A等[15]学者认为人口数量对碳排放量是正向的、显著的，二者基本上是单位弹性或富有弹性关系。京津冀及周边地区的人口增速对碳排放增速同样是正向显著的，但与这些学者研究结论不同的地方是，本区域人口增速对碳排放增速是缺乏弹性（偏弹性系数<1）。其中，天津市的人口增速对碳排放的驱动作用最大，北京市的人口增速与经济增长相当，河北、山西和整个区域的人口增速的作用相对较小。

2. 经济增速对碳排放的扩大起到了正向贡献且作用最大。碳排放与经济发展的关系受到学者的广泛关注。Selden、Galeotti等人认为存在CO2的Kuznets曲线（CKC曲线）[16]，但也有学者认为不存在CKC曲线[17]。本文实证分析结果表明，京津冀及周边地区的人均GDP增速与碳排放的增速呈同向关系，处于倒“U”曲线的左侧，这与Selden等人的结论一致。其中，河北、山西和京津冀晋整个区域的经济增速对碳排放增加的作用最大，天津和北京的经济增长的作用低于人口增速的作用。

3. 技术进步率对碳排放是负向贡献但作用最小。技术进步对碳排放的贡献是一个有争议的话题，其争议的核心在于是否存在能源的回弹效应。碳排放是由化石能源的燃烧引起的，而化石能源的消费有可能存在回弹效应[18]，由能源的回弹效应直接产生了碳排放的回弹效应。碳排放的回弹效应是指技术进步形成的碳排放效率的提高与碳排放量之间的悖论现象：技术进步不仅没有降低碳排放，反而造成了碳排放的增加。实证分析结果表明，本区域没有回弹效应。北京的碳排放技术进步率对控制碳增速的作用较明显，北京的技术每进步1%，其碳排放减少0.21%。山西、河北和天津的作用较小。山东的技术进步率对控制碳增速缺乏统计上的显著性，京津冀晋整体上的技术进步率对碳排放是负向贡献但在三个因素中的作用最小。

（二）政策含义

1. 内蒙古和山东需要特殊对待。内蒙古和山东的碳排放增长与其他省市的特点不同：内蒙古的增长速度最快，是非平稳数据；山东是我国最大的碳排放地区，技术进步对控制碳排放缺乏统计上的显著性。在京津冀协同发展上升到重大国家战略的背景下，为了减少国家战略执行中的不确定性，建议国务院相关部门修订京津冀及周边地区的范围，将山东和内蒙古不包括在本区域；如果继续保留京津冀及周边地区的提法，则在制订政策时将山东和内蒙古单列。

2. 控制北京和天津的人口增速。北京1990—2011年的人口增长了1.86倍，天津增长了1.70倍，这两个超大城市如果人口按照过去的速度增加，则对控制碳排放形成更大压力，其技术进步对碳排放的贡献将会被人口的膨胀所吞噬。

3. 控制河北和山西的高碳经济增速。为了遏制碳排放的无序增长，我国采取了GDP碳强度的考核办法。尽管各省区市都完成了考核任务，但大气污染的严峻形势表明，以提高经济增速的方式只能完成行政考核但解决不了环境问题[19]。河北和山西的经济增长仍然呈高碳态势：在推动碳排放增长中，经济增长起主要正向贡献且作用较大，而技术进步的负向贡献作用较小。受此影响，京津冀晋地区的经济增速对控制碳排放增速的贡献也最大，因而控制河北和山西的高碳增长对本地区控制碳排放有重要现实意义。

4. 推动京津低碳技术扩散。京津的低碳技术进步对整个区域控制碳排放有溢出效应。在驱动碳排放增长的各因素中，整个区域的技术进步率小于北京和天津的作用，但大于河北和山西的作用。今后各地应通过促进人才流动、共享科技资源等方式推动京津的先进技术向周边地区扩散。

参考文献：

[1]丁一汇，等.空气污染与气候变化[J].气象，2009，（3）：3-14.

[2]王佳，于维洋.京津冀区域C排放量驱动因子分析[J].统计与决策，2012，（1）：114-116.

[3]王喜平，孟明，刘剑，蒋理.碳排放约束下京津冀都市圈全要素能源效率研究[J].工业技术经济，2013，（1）：11-19.

[4]孙乾.低碳经济视角下京津冀产业分工合作初探[D].石家庄：河北经贸大学，2011.

[5]王铮，刘晓，朱永彬，黄蕊.京、津、冀地区的碳排放趋势估计[J].地理与地理信息科学，2012，（1）：84-89.

[6]金乐琴，吴慧颖.中国碳排放的区域异质性及减排对策[J].经济与管理，2013，（11）：83-87.

[7]林伯强，刘希颖.中国城市化阶段的碳排放：影响因素和减排策略[J].经济研究.2010，（8）：66-78.

[8]Ehrlich P.， Holden J.A bulletin dialogue on the ‘closing circle：critique：One-dimensional ecology[J].Bulletin of the Atomic Scientists，1972，（5）：16-27.

[9]Kaya Y.Impact of Carbon Dioxide Emission Control on GNP Growth：Interpretation of Proposed Scenarios [C].Presented at the IPCC Energy and Industry Subgroup.Paris：Response Strategies Working Group，1990.

[10]Dietz T.，Rosa E. A.Effects of population and affluence on CO2 emissions[J]. Proceedings of the National Academy of Sciences，1997，（1）：175-179.

[11]于刃刚，戴宏伟.京津冀区域经济协作与发展[M].北京：中国市场出版社，2006.

[12]纪良纲，晓国.京津冀产业梯度转移与错位发展[J].河北学刊，2004，（6）：198-201.

[13]何晓群，刘文卿.应用回归分析（第三版）[M].北京：中国人民大学出版社，2012.

[14]房林，邹卫星.多种单位根检验法的比较研究[J].数量经济技术经济研究，2007，（1）：151-160.

[15]Eugene A.Rosa，Richard York，Thomas Dietz. Tracking the Anthropogenic Drivers of Ecological Impacts[J].A Journal of the Human Environment 2004，（8）：509- 512.

[16]Galeotti M，Lanza A.Desperately Seeking Environmental Kuznets [J].Environmental Modeling & Software，2005，（11）：1379-1388.

[17]He J，Richard P.Environmental Kuznets curve for CO2 in Canada[J].Ecological Economics，2010，（5）：1083-1093.

[18]王群伟，周德群.能源回弹效应测算的改进模型及其实证研究[J].管理学报，2008，（5）：688-691.

[19]陈永国，褚尚军，聂锐.我国产业结构与碳排放强度的演进关系[J].河北经贸大学学报，2013，（2）：54-59.

责任编辑、校对：张增强