我国经济增长与二氧化碳排放的关系研究

罗曼

摘 要：以国内生产总值支出法的核算公式为基础构造方程系统，采用1994—2014年的样本数据，利用似不相关回归方法进行联合估计，再对2015—2025年的数据进行预测。利用样本和预测数据探究我国二氧化碳EKC的形状，并估算其拐点。研究发现，我国二氧化碳EKC呈“倒N型”，随着GDP的提高，CO2排放量先减少、再增加、最后呈下降趋势，目前处于该曲线的第二阶段。

关键词：CO2排放量；LMDI分解法；环境库兹涅茨曲线

中图分类号：F120.3 文献标识码：A 文章编号：2095-3283（2016）12-0117-06

改革开放以来，我国国内生产总值持续高速增长，随之产生了CO2排放急剧增长。我国的经济增长是典型的要素驱动型的粗放式增长，即投入要素的增长率显著快于产出增长率。1994—2014年间我国第二产业生产总值占全国GDP的比重均值为45.75%，却消耗了全国能源的90.40%（按折算标准煤计算），二氧化碳（CO2）排放量占全国的91.68%。我国经济增长具有明显的高能耗和高排放特征，这种增长方式使得能源和环境成为制约未来经济发展的瓶颈。我国是能源消耗大国，也是CO2排放大国。在可持续发展理念的指导下，推行和实践低碳经济与每位公民的切身利益密切相关。

目前，关于CO2排放量与经济增长关系的研究大部分集中在实证分析方面，探究CO2排放量变化的影响因素。对CO2排放量及相关重要变量进行预测的文献并不多，而且还没有出现在模型中加入可再生能源的消费并探究我国CO2环境库兹涅茨曲线形状的相关研究。

一、文献综述

目前，国内外学者关于CO2排放与经济增长关系的研究，主要是运用LMDI分解法和计量模型两种方法。

徐国泉和刘泽渊等（2006）利用LMDI分解法，建立我国人均碳排放的因素分解模型，分析了1995—2004年间能源结构、能源效率和经济发展等因素的变化对我国人均碳排放的影响，发现经济发展对拉动我国人均碳排放的贡献率呈指数增长，而能源效率和能源结构对抑制我国人均碳排放的贡献率呈“倒U型”。张丽峰（2013）以1995—2010年为样本期，运用LMDI分解法将我国碳生产率的总体变动分解为能源效率、碳排放能耗和碳排放结构，发现能源效率是影响我国碳生产率变动的主要因素。郭朝先（2012）采用LMDI分解法，对我国1996—2009年的碳排放进行分解，发现产业结构变化驱动了碳排放的增长，但是未来产业结构的变动将有助于减少碳排放。E. Hatzigeorgiou et al.（2008）以希腊1990—2002年为样本期，利用LMDI分解法将CO2排放量分解为收入效应、能源强度效应、能源结构效应和人口规模效应，研究发现对CO2排放量增长贡献率最高的为收入效应，而能源强度效应对减少CO2排放最有效。

赵会宁（2013）建立了碳排放量与人口数量、GDP、第二产业比重、能源结构多元化系数等因素的回归方程，发现河北省的GDP及第二产业比重与排放量正相关，能源结构多元化及技术进步与碳排放量负相关。李科（2013）通过建立我国碳强度与产业结构、能源消费结构和能源利用效率的回归模型，发现产业结构和能源利用效率对碳强度的长期效应为负，能源消费结构对碳强度产生正效应。李锴和齐绍洲（2011）分别利用静态和动态面板模型，考察了贸易开放与CO2排放之间的关系，发现贸易开放增加了我国省区的CO2排放量和碳强度。Chien和Hu（2008）在基本模型中加入可再生能源消费量这一变量，发现了可再生能源与GDP之间的一个反馈机制。

此外，李科（2013）利用超效率DEA方法得到了无碳排放约束和考虑碳排放约束的全要素能源效率，考察我国经济增长的类型；通过建立全要素能源效率与经济增长方式、产业结构调整的回归模型，发现我国以投资为主要驱动力的经济增长方式不利于全要素能源效率的提高。

针对环境库兹涅茨曲线的相关研究主要集中在计量模型回归的方法，不同学者设立模型不尽相同。陆沛江（2015）用碳生产率代替人均GDP建立回归模型，发现碳生产率与人均碳排放的函數关系为“倒N型”，并预测了我国碳排放的拐点。刘晓敏（2012）根据EKC建立了产业结构变化影响碳排放的计量模型，发现我国经济增长与碳排放之间的关系仍处在EKC的左端。赵细康和李建民等（2005）通过建立污染排放与人均GDP及人均GDP二次项的计量模型，对我国经济发展与多种污染排放的实证研究发现，多数污染物的排放并不具有典型的环境库兹涅茨曲线特征。薛冰（2006）引入微观经济学中以供需平衡为基础的环境库兹涅茨理论，利用面板数据研究发现，东北老工业基地的工业废水排放量和人均GDP之间的关系符合EKC。A. Robalino-López和A. Mena-Nieto（2015）等以委内瑞拉为研究对象，预测了该国2011—2025年的相关数据，发现委内瑞拉即将进入EKC曲线的第二阶段。

二、可再生能源消费量与经济增长关系的实证分析

（一）模型设定与数据说明

文中数据来自wind资讯，部分2013年和2014年的数据来源于《中国统计年鉴》。考虑到数据的可获取性和连续性，本文选取我国1994—2014年共21年的宏观经济数据和能源行业数据。

GDP表示国内生产总值（亿元）；I表示资本形成总额（亿元）；NX表示货物和服务净出口（亿元）；C表示居民最终消费支出（亿元）；Eimp表示能源进口金额（亿元）；RN表示可再生能源消费量（万吨标准煤）。

上述模型中RN代表可再生能源消费量的滞后一期，原因如下：第一，公式（1）的解释变量中除可再生能源消费量之外，显然其他变量都是直接影响当期GDP的，而能源消费量可以通过生产活动的扩张间接影响国内生产总值，有时间上的延迟；第二，这样使得可再生能源消费量、国内生产总值与总能源消费量之间形成循环关系（图1），便于下文中进行预测。

在方程（1）中，GDP的影响因素包括投资、净出口和消费，一国在能源方面的投入也影响GDP，所以该方程中也包括了能源进口量和可再生能源消费量。在方程（2）中，投资的影响因素包括可再生能源，这是因为增加可再生能源的使用，将使经济活动扩张，从而导致资本积累。收入Y包括消费和储蓄，而储蓄又能够转化为投资，所以投资的影响因素包括消费C。在方程（3）中，能源进口金额会影响净出口，这是因为净出口的统计口径中包括了能源进出口金额。Domac（2005）等人提出的理论表明，可再生能源的使用将导致能源进口减少，从而导致净出口增加。同理，在方程（4）中，可再生能源使用的增加会导致能源进口量的减少。在方程（5）中，根据国际贸易相关理论，出口商品的国内同种商品价格会上涨，进口商品的国内同种商品价格会下降。所以，净出口会通过影响国内商品的价格来影响消费。能源进口会影响国内能源的价格和消费量，而且能源相关产品的消费也会受到影响。此外，为了确定可再生能源消费的增长与GDP增长的关系，需要检验可再生能源的消费是否会增加投资和净出口。其他变量之间的关系可以通过一般的经济理论直观得出。

（二）回归结果与分析

对于上述模型，不同方程之间的误差项可能会相互影响，用似不相关回归方法（SUR）考虑方程扰动项之间的相关性，可以提高估计的效率。本文根据Chien和Hu的方法继续对初始回归结果进行检验、调整和优化，逐步剔除模型中不显著的变量。得到最终方程系统的估计结果如下：

根据表1，第（1）列中L.RN的系数为负，说明可再生能源的消费与国内生产总值呈负相关，验证了Chien和Hu（2008）的结论。第（2）列投资与消费呈正相关，这说明投资与消费的收入效应大于替代效应。第（3）列净出口与能源进口金额正相关，与可再生能源消费量负相关，与理论分析相反。一个可能的原因是能源进口越多，国内经济扩张越快，相应地出口也会越多。第（4）列能源进口金额与可再生能源消费量负相关，国内市场可再生能源消费量越多，能源进口金额越少，符合上文的理论分析。第（5）列消費与能源进口金额正相关，说明能源进口金额增长的收入效应大于替代效应。

三、二氧化碳排放量与经济增长趋势的预测

（一）二氧化碳排放量估算方法

关于CO2排放量的估算方法，根据联合国政府间气候变化专门委员会（IPCC）制定的《2006年IPCC 国家温室气体清单指南》（第二卷：能源）中提出的CO2排放总量的计算方法，CO2排放量计算公式为：

C=∑Ej×CFj×CCj×COFj×（44/12）（6）

公式（6）中，Ej表示第j种能源的消费量，数据来自wind数据库；CFj为第j种能源的平均低位发热量，数据来自《中国能源统计年鉴》附录4；CCj和COFj分别为第j种能源的碳排放系数和碳氧化因子，数据来自IPCC（2006）。j代表九种能源，根据《中国能源统计年鉴》的统计口径，分别为煤炭、焦炭、原油、汽油、柴油、煤油、燃料油、天然气和可再生能源；i代表三次产业部门。

（二）预测方法

利用上文中方程系统的回归结果，可以对我国CO2排放量与经济增长的趋势进行预测。如图1所示，通过在模型中加入可再生能源的消费量，可以在整个过程中形成一个反馈机制。具体来说，上一期的可再生能源消费量会影响当期的国内生产总值，当期的国内生产总值会影响当期的能源消费量，从而可以得到当期的可再生能源消费量，以此类推。

公式（11）中，n表示样本时期数，在本文中为20。公式（8）要求得到每个产业每种能源的消费份额，但是由于数据不完整，无法获得可再生能源在每个产业中的消费量。但可再生能源主要包括太阳能、风力、潮汐能、地热能等，而且经常转化为电能使用，所以本文取不同产业部门内可再生能源份额相等。

做经济预测需要对经济数据设置一定的目标，使其能够在预测期完成设定的目标。本文中预测的目标如下：1.2025年国内生产总值肯定大于2014年；2.可再生能源的消费量的比重不断提高；3.能源强度下降，即能源效率上升。本文设置了两种预测方案。方案1：预测期GDP年均增长率为4%，2025年可再生能源份额达到18%，各产业部门每年的能源强度下降率为1%。参考国际上发达国家的第三产业比重数据，我国第三产业比重每年增长1%。方案2：各产业部门每年的能源强度下降率取2%，其他变量的设置与方案1相同。这一方案表示，国家也通过节约能源和提高能源效率来承担保护环境责任实现可持续发展。

（三）预测结果

预测结果如下：

1. CO2排放量。预测期CO2排放量的变化趋势见图2。方案1中，2025年CO2排放量的预测值为1269226.05万吨；方案2中CO2排放量的期末预测值为1141665.96万吨。方案1中CO2排放量增长至2021年左右开始下降，方案2中CO2排放量的增长速度显著慢于方案1，2019年之后开始下降，说明能源效率的改善可以显著降低CO2排放量。

2.能源消费量。图3和图4分别描绘了两种方案下可再生能源消费量和能源消费总量预测期的变化趋势。由图3可以看出，不同方案下的可再生能源消费量增长都较快。从图4的能源消费总量来看，预测期内我国能源消费总量依然呈上升趋势。此外，由于能源效率的提高，图4中方案2的能源消费量要低于方案1。

（四）LMDI分解

为了进一步探究各因素对碳排放的影响，本文以KAYA恒等式为基础进行扩展，建立了LMDI分解模型。

C=∑ijCij=Q∑ijQiQ EiQi EijEi CijEij=Q∑ijSiEIjMijUij（12）

公式（12）中，C表示CO2排放总量；Cij表示第i产业第j种能源的CO2排放量；Q表示国内生产总值；Qi表示第i产业的生产总值；Ei表示第i产业的能源消费量；Eij表示第t产业第j种能源的消费量；Si=Qi/Q，表示产业结构；EIi=Ei/Qi，表示能源强度，即第i产业能源消费量与该产业生产总值的比值；Mij=Eij/Ei，表示能源结构，即第i产业第j种能源的消费量占该产业能源消费总量的比重；Uif=Cij/Eij，表示CO2排放系数。

根据这一等式，影响CO2排放量的因素为经济规模、产业结构、能源强度、能源结构和CO2排放系数。根据B.W.Ang的方法，可以计算出各因素贡献率。本文以2014年为基期，2025年为T期，进行LMDI分解，得到各影响因素对CO2排放量的贡献率（见表2）。Dtot表示总贡献率，等于各因素贡献率的乘积；Dact表示经济规模效应的贡献率；Dstr表示产业结构效应的贡献率；Dstr表示能源强度效应的贡献率；Dint表示能源结构效应的贡献率；CO2排放系数的贡献率为1。

方案1中，2014—2015年之间CO2排放量增长了15%，增长的原因是经济规模的扩张，Dact=1.56，其他因素的贡献率都小于1，使CO2排放量减少。方案2中，2014—2025年之间CO2排放量增长了3%，和方案1相比增幅下降了12%，这是因为能源强度的降低。两个方案能源强度的年均变化率差异为1%，而CO2排放量增长率和能源强度效应的贡献率的差异都很大，这说明CO2排放量对能源强度的变化非常敏感。

总体来看，CO2排放量的增长主要是因为经济规模的扩张，产业结构、能源强度和能源结构的变化都降低了CO2排放量。两个方案比较可以发现，通过降低能源强度可以显著减少CO2排放。因此，要降低CO2排放水平，可以从提高能源利用效率和发展节能技术方面考虑。

四、我国CO2环境库兹涅茨曲线分析

（一）模型的设定

关于我国CO2环境库兹涅茨曲线的形状如何，是否符合标准的“倒U”型，本文根据陆沛江关于碳生产率与人均碳排放关系的模型、刘晓敏关于产业结构影响碳排放的模型以及赵细康关于我国污染物水平与经济发展关系的模型，建立检验模型如下：

LCO2t=v0+v1LGDPt+v2（LGDPt）2+v3（LGDPt）3+εt（13）

根据公式（13）回归结果中系数的正负，可以判断CO2EKC的形状。常见的系数变化与曲线的关系有以下几种：1.v1>0，v2<0，v2=0，CO2EKC為“倒U型”，随着GDP的提高，CO2排放量先增加后减少；2.v1<0，v2>0，v3=0，CO2EKC为“U型”，随着GDP的提高，CO2排放量先减少后增加；3.v1>0，v2<0，v3>0，CO2EKC为“N型”，随着GDP的提高，CO2排放量先增加、再减少、最后呈增加趋势；4.v1<0，v2>0，v3<0，CO2EKC为“倒N型”，随着GDP的提高，CO2排放量先减少、再增加、最后呈下降趋势。

在进行回归之前，要检验时间序列的平稳性，如果各变量同阶单整再检验变量是否有协整关系，以防出现伪回归的问题。本文采用PP单位根检验，结果显示LCO2t和LGDPt均为一阶单整，然后通过检验模型回归的残差项在水平阶是否平稳，来确定变量是否协整（EG两步法）。结果显示，所有模型回归的残差项都是平稳的。

（二）回归结果与分析

表3为公式（13）确定CO2EKC形状模型的最终回归结果，由于原始结果用LM检验后发现存在序列相关问题，该表为经过序列相关调整后的结果。其中第（1）列为样本数据的结果，第（2）列为样本数据与方案1预测数据的结果，第（3）列为样本数据与方案2预测数据的结果。第（1）—（3）列中，GDP的一次项系数都为负、二次项系数为正、三次项系数为负，符合上文中的情形4。可以据此判断我国CO2EKC呈“倒N型”，即随着GDP的提高，CO2排放量先减少、再增加、最后呈下降趋势。

根据回归结果，可以估算EKC的拐点，进而判断我国目前所处的阶段。通过计算各方程的拐点得到我国在1994年左右进入CO2EKC的第二阶段。对于第二个拐点，第（1）列和第（2）列对应方程估算结果显示其在2025—2030年之间，而第（3）列对应的方程拐点则在2014年左右。由于存在预测偏差等问题，对于我国目前是否已经跨过第二个拐点进入EKC的第三阶段需要进一步验证。总体来看，我国目前仍处在CO2EKC的第二阶段。

五、结论与建议

本文利用似不相关回归方法对方程系统进行估计，再根据KAYA恒等式进行拓展，通过回归结果对相关数据进行预测，最后对我国CO2EKC形状进行实证分析，得出的主要结论及相关建议如下：

第一，可再生能源消费量与能源进口金额、净出口和GDP负相关。可再生能源消费量可以通过影响净出口来影响GDP。本文以可再生能源消费量为关键变量，构造了一个循环预测系统，一方面可以直观地看出我国各变量之间的影响关系，另一方面也展示了对我国CO2排放量、能源消费量等变量进行预测的一种思路和方法。

第二，我国CO2环境库兹涅茨曲线呈“倒N型”，且我国目前处于该曲线的第二阶段。通过分析发现，CO2排放量不会出现无限制的增长。这是因为，随着经济的发展，能源效率也在不断提高，产业结构不断优化。此外，结合方案（1）预测结果来看，如果经济增长速度仍然保持样本期的年均增长率，那么我国CO2EKC曲线呈“U型”。经济增速放缓也是主要原因之一。

第三，我国CO2排放量增长的主要因素为经济规模效应，而能源强度效应对减少CO2的排放非常有效。目前国内经济增速放缓，产能过剩问题突出，在这一背景下我国提出了“去产能”路线，优化产业结构。这一措施可以从化石能源消费量和产业结构两个方面，降低我国的CO2排放水平。但是，目前我国处于“倒N型”二氧化碳EKC的第二阶段，即CO2排放量随经济发展而增长，要从根本上缓解CO2排放问题，仍然需要从提高能源效率和发展能源技术两方面入手。

目前，我国面临的环境形势依然严峻，生态环境质量改善的速度、幅度与公众预期之间仍存在相当的差距。究其根源，是我国能源的过度消耗和污染物排放量巨大的现状还没有得到根本的改变。我国三十多年的粗放式的经济发展对生态环境造成了破坏，现在到了必须治理的关键时期。虽然经济增长并不会必然导致环境恶化，但是面对我国环境问题的严峻形势，我们必须贯彻实施可持续发展战略，加快绿色发展，改善生态环境质量。

[参考文献]

[1]陈强.高级计量经济学及stata应用（第2版）[M].高等教育出版社，2014.

[2]郭朝先.产业结构变动对中国碳排放的影响[J].中国人口·资源与环境，2012（7）：15-20.

[3]李锴，齐绍洲.贸易开放、经济增长与中国二氧化碳排放[J].经济研究，2011（11）：60-72，102.

[4]李科.中国产业结构调整与节能减排的计量分析[D].华中科技大学，2013.

[5]刘晓敏.产业结构变化对碳排放的影响研究[D].湖南大学，2012.

[6]陆沛江.我国CO2排放的变化趋势分析——基于1995—2011年的面板数据[J].资源开发与市场，2015（2）：194-198.

[7]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（6）：158-161.

[8]薛冰.环境库兹涅茨曲线及其存在性检验[D].东北财经大学，2006.

[9]张丽峰.基于LMDI分解法的我国碳生产率影响因素研究[J].资源开发与市场，2013（7）：742-745.

[10]赵会宁.基于碳排放量的河北省产业结构优化研究[D].燕山大学，2013.

[11]赵细康，李建民，王金营，周春旗.环境库兹涅茨曲线及在中国的检验[J].南开经济研究，2005（3）：48-54.

[12]Ang B W. The LMDI Approach to Decomposition Analysis： A Practical Guide[J]. Energy Policy， 2005， 33（7）： 867-871.

[13]Chien T， Hu J L. Renewable Energy： An Efficient Mechanism to Improve GDP[J]. Energy Policy， 2008， 36（8）： 3045-3052.

[14]Domac J， Richards K， Risovic S. Socio-economic Drivers in Implementing Bioenergy Projects[J]. Biomass and Bioenergy， 2005， 28（2）： 97-106.

[15]Hatzigeorgiou E， Polatidis H， Haralambopoulos D. CO2 Emissions in Greece for 1990–2002： A Decomposition Analysis and Comparison of Results Using the Arithmetic Mean Divisia Index and Logarithmic Mean Divisia Index Techniques[J]. Energy， 2008， 33（3）： 492-499.

[16]Robalino-López A， Mena-Nieto á， García-Ramos J E， et al. Studying the Relationship Between Economic Growth， CO2 Emissions， and the Environmental Kuznets Curve in Venezuela （1980—2025）[J]. Renewable and Sustainable Energy Reviews， 2015（41）： 602-614.

（責任编辑：乔虹）