区域碳排放量的空间溢出效应分析与减排路径探寻

吴　齐,任以胜,杨桂元

(1.安徽财经大学 数量经济研究所，安徽 蚌埠 233030； 2.安徽财经大学 城市与区域经济研究所,安徽 蚌埠 233030)



区域碳排放量的空间溢出效应分析与减排路径探寻

吴齐1,任以胜2,杨桂元1

(1.安徽财经大学 数量经济研究所，安徽 蚌埠 233030； 2.安徽财经大学 城市与区域经济研究所,安徽 蚌埠 233030)

摘要：为探寻碳减排发展路径，选取中国省际面板数据，运用空间计量方法建模。结果表明，拟合效果最优的模型是基于经济权重矩阵的空间滞后模型；各省份碳排放量存在显著的空间自相关性并具有正的空间溢出效应；二产比重、人口比重与碳排放量有正相关关系，高技术产值与技术进步能够促进碳减排。最后，文章从城市产业规划与发展、技术利用效率、技术创新水平三个方面探寻了碳减排发展路径。

关键词：碳排放量;碳减排发展路径;空间溢出效应

一、引言

二氧化碳排放量的不断增加使得气候变暖问题愈加严峻,如何进行低碳节能发展成为了全球亟待解决的事情。我国改革开放以来,虽然经济取得了快速发展,成为世界最大的经济体系之一,但环境问题却日益突出,碳排放量不断攀升,严重影响着我国经济的可持续发展。2008年我国碳排放量高达64.99亿万吨,2013年已经超过100亿吨,占全球碳排放总量的29%.二氧化碳的过量排放会导致一个国家气候条件的变化，进而影响生产能力,而大量的碳排放背后意味着能源的大量消耗。因此,任何国家都需要建立低碳节能的发展模式,使得经济能够持续健康的发展。

国内外学者关于碳排放的研究主要集中在理论方法、研究结构及研究尺度上。关于碳排放核算的方法很多,目前较为流行的是采用IPCC清单法,研究能源消费中所产生的碳排放量,然后进行计量分析。James C.运用IPAT模型对美国加州地区的技术、收入和政府政策等因素建模并分析这些因素对二氧化碳排放量的影响程度[1]。Chung等采用韩国1951-2000年长期面板数据并将时间分段,对温室气体排放进行分析,得出城市化进程是导致碳排放量增加的影响因素[2]。Eero等对城市的碳排放量进行估算,并建立指标体系评估一个城市是否为低碳城市。随着地理经济学的发展,空间计量方法得以广泛应用于区域碳排放研究中[3]。1974年,Paelinck提出该方法,随后经由Anselin等学者拓展,最终形成一套理论体系。国内大量学者运用空间计量方法研究经济中存在的空间相互关系。吴玉鸣等运用空间计量经济学方法对我国2002-2005年省际面板数据建立模型,研究了省际能源消费及影响因素，结果显示，能源消费具有空间依赖性;经济增长、人口增长均对能源消费有正向作用,能源价格影响不显著[4]。宋帮英等考虑空间效应,建立地理加权回归GWR模型,研究表明，GWR模型优于OLS模型;我国省域碳排放量与人口、产业结构、经济发展水平、外商直接投资和能源价格之间存在内生经济关系[5]。杨骞等针对我国省域的创新集群及其影响因素,运用空间自相关指数与集群分析的空间误差模型进行经济计量分析[6]。程叶青等测算我国1997-2010年省际碳排放强度,运用自相关分析方法和空间滞后模型,研究了省级尺度的碳排放强度的时空格局特征及其主要影响因素[7]。

通过文献的梳理可以看出,有关碳排放的研究主要采用时间序列模型和空间计量模型,但针对区域碳排放量的溢出效应分析和减排路径的文献很少。因此,本文选择我国省际面板数据,从空间维度探索我国碳排放量的空间属性、区域之间溢出效应及影响碳排放量的因素,并给出我国省际碳减排路径和措施。这对于我国在经济发展新常态时期建立低碳节能绿色发展机制、打造经济升级版具有重要的现实意义。

二、研究方法

(一)空间自相关检验模型

对于某个统计指标Q,判断区域i和区域j(i≠j)在该指标下的观测值是否存在相关关系可以用全局空间自相关来描述,体现该统计指标的观察值在整个区域的空间属性。常用Moran’sI值[8](以下简记MI表示)来估算空间自相关性,MI值介于-1和1之间。若MI>0，表示在该统计指标观测值下,地区之间存在空间正相关;MI<0,则表示为负相关;MI=0，表示相互独立。MI值的计算方法见式(1)。

(1)

(二)空间计量模型

空间计量经济学[9-10]主要处理面板数据模型中的空间自相关和空间异质性。对于普通的面板回归模型来说,如果被解释变量存在空间上的相关性,则需建立空间滞后模型(Spatial Lag Model,缩写为SLM);如果普通面板回归模型的随机误差项存在空间上的相关性,则需建立空间误差模型(Spatial Error Model,缩写为SEM)。在实际应用中,空间面板模型的表示形式还包括固定效应或随机效应。

1.空间滞后模型

空间滞后模型(SLM)主要研究某地区在某指标下是否存在空间溢出效应,即空间扩散现象,其数学表达式见式(2)。

(2)

式(2)中,W=(wij)n×n表示空间权重矩阵；i表示所研究的个体,t表示时间;y为被解释变量(实证中为各省份的碳排放量C);X为外生变量，实证中X=x1,x2,x3,x4，(x1至x4的含义后文做具体介绍);β为解释变量对被解释变量的影响程度;ε为随机误差项,一般情况下服从正态分布;W为空间权重矩阵。ρ为空间回归系数,用来衡量被解释变量的空间依赖程度,ρ>0，表示被解释变量具有正的空间外溢效应;ρ<0，表示具有负的空间外溢效应;ρ=0，表示不具有空间外溢效应,此时式(2)表示普通的面板回归模型。

2.空间误差模型

空间误差模型(SEM)是度量地理接壤或相邻地域在某个研究指标下除了解释变量意外,其他误差冲击对区域的空间影响,其数学表达式见式(3)。

(3)

式(3)中,i，t，y，X，β，W与式(2)中对应符号的意义相同;μ为误差项;θ为随机误差项,一般情况下服从正态分布;λ为空间误差参数,衡量除解释变量外空间相关作用冲击的影响。λ>0，表示误差冲击对被解释变量具有正的空间影响;λ<0，表示具有负的空间影响;λ=0，表示没有误差冲击影响,此时式(3)表示普通的面板回归模型。

(三)空间权重矩阵的构建

(4)

(5)

三、实证分析

(一)数据来源和指标选择

本文选取2005-2012年的省际样本数据为研究对象(由于部分数据缺失,样本不包括西藏和港澳台地区)。原始数据来源于2006-2013年的《中国能源统计年鉴》《中国统计年鉴》和中国经济与社会发展统计数据库。

被解释变量:各省份的碳排放量,标记为C。参照IPCC清单法来核算我国各省碳排放量,见式(6)。i表示不同的省份，j表示不同能源的类别，t表示年份，n表示核算中能源的种类数,C表示二氧化碳排放量(单位:万吨)，ES表示标准能源消费量(单位:万吨标准煤)，α表示各能源二氧化碳排放系数，δ表示对应能源折算成万吨标准煤的系数，Q表示原煤、焦炭、汽油、天然气等各能源消费量。

(6)

解释变量:二产比重,标记为x1。由于我国处于工业化发展阶段,工业生产与碳排放量息息相关,选取第二产业总产值占GDP比重,来研究其如何影响碳排放。人口比重,标记为x2。从碳产品需求市场来看,高碳产品需求会促进高碳产品的生产与供给。由于城镇人口对碳产品的需求远高于农村人口,故选择城镇人口比重作为衡量人口比重的指标。高技术产值,标记为x3。选择高技术产业总产值作为衡量高技术产值指标,反映一个地区使用高技术进行工业生产的程度。技术进步,标记为x4。专利授权数可直观地表示技术进步水平。由于没有直接衡量碳减排技术的指标,故选择国内三种专利申请授权数作为技术进步的代理变量。

为了消除异方差性，变量C，x1，x2，x3，x4在进行回归分析时均做取对数处理，得到1nC,1nx1,1nx2,1nx3,1nx4.

(二)碳排放的空间分布属性

借助GeoDa软件对我国省际碳排放量数据进行探索性分析,得到其空间地理格局显示:2005-2012年,碳排放量处于较低水平的省份为黑龙江、新疆、陕西、安徽、湖北、湖南、贵州、云南等;碳排放量处于较高水平且在地域上呈现集中态势的省份为内蒙古、河北、山东、山西、河南、江苏等;碳排放量具有逐年减少趋势的省份为辽宁、广西;碳排放量逐年增加的省份为重庆、云南、贵州、江西、广西、湖北、安徽。总体上看,碳排放量水平接近的地区呈现省份地域接壤,初步认为我国省际碳排放量存在地理空间上的相关性与集聚性。

对碳排放量进行空间自相关检验,结果见表1(表中，Z为正态分布统计量)。Moran’sI值在样本期间内显著大于0,表示其具有正的空间自相关性和正向的空间依赖性。碳排放量不是随机分布而是水平相近省份的在空间上呈现集聚态势,即碳排放量高的省份周围省份的碳排放量也高,反之亦然。此外,碳排放量的Moran’sI值在0.362左右波动,这说明碳排放量的空间分布比较稳定。

表1　碳排放的空间全局自相关检验结果

(三)空间溢出效应分析

1.模型的选择

借助MATLAB软件[11]对样本数据进行非空间因素的普通面板回归,其空间相关性检验结果见表2。Moran’sI值为0.350 3,且通过1%的显著性水平,说明在99%置信度下的空间相关性是显著的,可认为省际间的碳排放量存在正的相关关系。基于0-1邻接权重矩阵建模时:LMLAG值和LMERR值在1%的水平下都显著,且LMERR值比LMLAG值大。R-LMERR在1%的水平下显著,但R-LMLAG值却不显著,说明空间滞后模型不适用于该空间权重矩阵的建模,因此选择空间误差模型。基于经济权重矩阵建模时:LMLAG值和LMERR值在1%的水平下都显著,且LMLAG值比LMERR值大;R-LMLAG值在5%的水平下显著,但R-LMERR值却不显著,表明空间滞后模型适用于该空间权重矩阵的建模,因此选择空间滞后模型。由此说明,基于不同的空间权重矩阵对模型的选择存在影响。

表2　空间相关性检验结果

根据Hausman检验,基于经济权重矩阵的SLM与基于0-1邻接空间权重矩阵的SEM均采用固定效应形式。然后,针对这两个模型固定效应的三种形式(空间固定、时间固定、时空双向固定)分别进行拟合。运用MATLAB软件的空间计量软件包对于这两种中模型的三种形式进行拟合，拟合的可决系数值R2，对数似然值Log Likelihood如下。

基于经济权重矩阵的SLM:空间固定形式、时间固定形式、时空双向固定形式的可决系数值分别为0.989 4，0.676 6，0.992 0;空间固定形式、时间固定形式、时空双向固定形式的对数似然值分别为247.677 0，-160.365 3，288.067 8。基于0-1邻接权重矩阵的SEM:空间固定形式、时间固定形式、时空双向固定形式的R2值分别为0.987 0，0.611 9，0.992 0;空间固定形式、时间固定形式、时空双向固定形式的Log Likelihood值分别为247.088 4，-141.901 9，289.071 7。根据Log Likelihood值越大,R2值越接近于1,则模型拟合效果越好的拟合度检验准则,基于经济权重矩阵的SLM的时空双向固定形式、基于0-1邻接权重矩阵SEM的时空双向固定形式的R2和Log Likelihood值均明显较优,因此两个模型均选择时空双向固定形式。

分别对基于不同空间权重矩阵的空间计量模型进行估计和检验,结果见表3。根据检验结果,SLM和SEM的可决系数R2相等,且都为0.992 0;比较Log Likelihood值和AIC值,SLM的Log Likelihood值(289.071 7)大于SEM的Log Likelihood值(288.067 8),而SLM的AIC值(-2.358 9)小于SEM的AIC值(-2.350 6)。根据Anselin判别准则,最优模型是基于经济空间权重矩阵的空间滞后模型(SLM)。

表3　空间计量模型的回归结果

注:***，**，*分别表示在1%，5%，10%水平上显著;变量在回归时均做取对数处理。量增加1%时会引起周边省份的碳排放量增加0.11%.

2.碳排放量及影响因素的空间溢出效应分析

由表3最优模型的拟合结果来看,我国省际碳排放量的空间相关系数为正,其值为0.011 0,且通过了10%的显著性检验,说明相邻省份之间的碳排放量具有正的空间溢出效应。当某个省份碳排放二产比重对碳排放量也存在影响，其影响的弹性系数为0.737 9,且通过1%的显著性检验,说明该因素与碳排放量存在显著的正相关关系,即第二产业产值比重的增加会抑制碳减排。随着我国经济的快速增长,产业结构对能源消耗有着重要的影响,特别是重化工业、低附加值工业导致了二氧化碳排放量过多。在加快发展新型工业化过程中,具有高能耗特性的第二产业比重上升打破了原有的能源消费结构,直接提高了碳排放总量。

人口比重对碳排放量影响的弹性系数为0.227 8,并通过10%的显著性检验，说明城镇人口比重每增加1个单位,碳排放量就会增加0.227 8个单位,两者呈现正相关关系。在加快推进新型城镇化进程中,城市的集聚效应导致了能源的大量消耗,虽然有利于生产,但是不利于资源的节约,不利于碳减排,会出现碳排放的集聚现象。

高技术产值对碳排放量影响的弹性系数为-0.114 3,通过1%的显著性检验，说明高新技术产值对碳排放量存在负向作用,即有利于碳减排工程。随着工业化进程的加快,高新技术产业总产值代表了对高技术水平的利用程度,说明越是利用先进技术投入生产,越对环境有利。由于低能耗、高附加值的产业特征被国家作为重点扶持产业与传统产业共同发展,因此随着高技术产值的不断增加,对于碳减排是有利的。

技术进步对碳排放量的弹性系数为-0.024 9,且通过5%的显著性检验，说明技术进步在一定程度上可以减少碳排放。由于技术进步具有滞后性,对碳减排的影响需要经过时间的积累才能起到显著作用,因此需要对碳减排技术进行持续性投入。在实际经济活动当中,应加大对低碳技术的研发投入和相关技术人员的培养,充分发挥科技是第一生产力的作用,尽快将新技术投入生产以减少碳排放。

四、结论和碳减排路径探寻

(一)结论

减少碳排放可以有效遏制全球变暖的温室效应,促进经济向绿色经济、循环经济和可持续经济转变。本文基于经济地理,从空间维度出发,通过构造0-1邻接权重矩阵和经济权重矩阵,建立不同的空间计量模型,对我国2005-2012年省际碳排放量及其影响因素的空间溢出效应进行研究，得到的主要结论如下。

从全局来看,我国省际碳排放量具有显著的空间正相关关系且呈现出空间集聚现象;不同的空间权重矩阵对空间计量模型的选择具有一定的影响,经济权重矩阵要明显优于传统的0-1邻接权重矩阵,说明经济因素对省际之间碳排放量的影响不容忽视;样本期间内,我国省际碳排放量存在正的空间溢出效应,其值为0.011,即相邻省份间的碳排放量具有相互促进作用;第二产业产值占GDP比重、城镇人口比重的增加会抑制碳减排,而高新技术利用的增加、科学技术的进步对碳减排工程有促进作用。

(二)碳减排路径探寻

结合上述分析,本文从城市产业规划与发展、技术利用效率、技术创新水平三个路径给出我国省际碳减排的相关政策建议以供参考,如图1所示。

图1　我国省际碳减排路径分析图

加强区域间合作。由于我国碳排放量具有正空间溢出效应,故一个地区的碳排放量会受到接壤或相邻地区碳排放量的影响。受到碳排放量影响的空间传导机制影响,各省份要尽快促成控制碳排放量的区域合作,降低高碳排放的区域集聚性。例如区域联合提高“高碳产业”的准入门槛,逐渐淘汰传统的生产模式,鼓励低碳产业的发展;区域联合培养低碳人才,研发低碳产品,实现资源共享等,以促进区域间由高碳集聚转变成低碳集聚。

优化城市产业结构与合理规划城市规模发展。从分析来看,地区第二产业总产值占GDP比重增加会导致碳排放量的增加,说明我国第二产业的低碳技术水平较低或者技术利用水平不高,第二产业产值的增加还是会带来较大程度的碳排放量。因此,各省份需要在经济保持稳定增长的同时,改革传统工业工艺,打造工业优化升级版,转型成低碳产业。城市规模发展在一定程度上会影响对高碳产品的需求,东部地区碳排放量高于西北地区,这也是与人口聚集密不可分。地方政府应当大力倡导居民低碳生活,建立低碳发展的机制,激励居民参与碳减排活动,引导家庭节能减排,营造一个全民低碳行为的社会风气,以缓解城镇人口率增加带来碳排放压力。

提高技术创新能力和先进技术利用效率。大力加强自主创新技术研究投入,尤其是专门针对低碳技术的研发投入。在创新之前,先做实地调查,针对不同的部门做不同的研究。对于已经研发出的低碳技术,应抓紧投入到生产中,释放出技术所带来节能减排的红利。此外,加强各省份之间技术交流和校企联合,共同完成重大的低碳科技项目。在技术创新的同时,还需要培养运用低碳技术的相关人才,确保技术能够顺利地投入到生产中。

总之,经济新常态下,在保证经济稳定增长的同时,保持节能减排的持续性投入,建立低碳节能发展的长期机制,统筹规划,协调发展。

参考文献：

[1]James C.Cramer.Population Growth and Local Air Pollution:Methods,Models,and Results[J].Population and Development Review,2002(28):22-52.

[2]Chung U.,Choi J.,Yun J.I..Urbanization Effect on the Observed Change in Mean Monthly Temperatures between 1951-1980 and 1971-2000 in Korea[J].Climate Change,2004(66):127-136.

[3]Eero Paloheimo,Olli Salmi.Evaluating the carbon emissions of the low carbon city:A novel approach for consumer based allocation[J].Cities,2013(30):233-239.

[4]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):93-98.

[5]宋帮英,苏方林.我国省域碳排放量与经济发展的GWR实证研究[J].财经科学,2010(4):41-49.

[6]杨骞,刘华军.中国二氧化碳排放的区域差异分解及影响因素——基于1995～2009年省际面板数据的研究[J].数量经济技术经济研究,2012(5):36-49.

[7]程叶青,王哲野,张守志，等.中国能源消费碳排放强度及其影响因素的空间计量[J].地理学报,2013,68(10):1418-1431.

[8]沈体雁,冯等田,孙铁山.空间计量经济学[M].北京:北京大学出版社,2010:25-77.

[9]Luc Anselin.Spatial Econometric: Methods and Models[M].Hollad:Kluwer Academic Publisher,1988:32-74.

[10]胡亚权.空间面板数据模型及其应用研究[D].武汉:华中科技大学,2012:1-104.

[11]项歌德.空间计量经济学理论及其方法应用——基于R&D溢出效应测度的视角[M].北京：复旦大学出版社,2013:186-217.

(编辑：李红)

任以胜(1988-),男,安徽肥西人,安徽财经大学硕士生,研究方向:城市经济理论与实践;

杨桂元(1957-),男,安徽萧县人,安徽财经大学教授、硕士生导师,研究方向:数量经济学。

The Analysis of Spatial Spillover Effects of Regional

Carbon Emissions and the Exploration of Carbon Emission Reduction Paths

WU Qi1, REN Yi-sheng2, YANG Gui-yuan1

(1.InstituteforQuantitative&EconomicResearch,AnhuiUniversityofFinance

andEconomy,BengbuAnhui233030,China; 2.InstituteforUrbanandRegionalEconomic

Research,AnhuiUniversityofFinanceandEconomy,BengbuAnhui233030,China)

Abstract：In order to explore the developmental paths of carbon emission reduction, we select provincial panel data in China and use spatial measurement method to model. The results show that the model with the optimal fitting effect is the spatial lag model based on the economic weight matrix; there is a significant spatial autocorrelation of carbon emissions in different provinces and positive spatial spillover effect; there is a positive correlation between the proportion of secondary industry, the proportion of the population and carbon emissions and high technology output and technological progress can promote carbon emission reduction. Finally, this paper explores the developmental paths of carbon emission reduction from the following three aspects: urban industry planning and development, technology utilization efficiency and technological innovation level.

Key words：carbon emission; the developmental paths of carbon emission reduction; spatial spillover effects

收稿日期：*2015-10-24

中图分类号：F061.5;F064.1

文献标识码：A

文章编号：1009-5837(2015)06-0049-06

作者简介：吴齐(1991-),女,安徽蚌埠人,安徽财经大学硕士生,研究方向:数量经济学;