电力消耗、经济增长与CO2排放量的实证分析——基于中国面板数据

潘 伟,熊建武

(武汉大学经济与管理学院,湖北 武汉 430072)

1 引言

20世纪90年代以来，全球气候变化受到国际社会的广泛关注，世界各国都对气候变化进行了研究以制定相应的能源政策。由于二氧化碳在能源消耗造成的温室气体排放量中占绝对比重，因此，研究能源消耗产生的温室气体二氧化碳排放量已成为气候变化研究的热点领域之一。

中国已成为世界上最大的碳排放国[1]，经济增长和二氧化碳排放量之间的关系，自然也受到广泛的关注。国内外许多学者对中国的碳排放和金融发展[2]，碳排放和交通运输行业[3]等做了许多研究。电力行业是国民经济发展的重要的基础产业，研究中国的电力消耗、经济增长和二氧化碳排放量之间的关系，对低碳经济发展的政策制定有着非常重要意义。

近年来，电力消耗、经济增长和二氧化碳排放量之间的关系已成为一个重要的研究热点。许多研究者从不同角度研究了电力消耗，经济增长和二氧化碳排放量之间的关系，根据研究使用的样本对象，可以分为两大类。

第一类研究是针对特定国家。Akpan等[4]的研究结果表明，尼日利亚的经济增长在长期会造成二氧化碳排放量的增加，电力消耗也会导致二氧化碳排放量的增加；Adebola[5]格兰杰因果检验表明，从长远来看，博茨瓦纳的电力消耗与经济增长之间存在正相关的关系；此外，Hwang和Yoo[6]研究发现，马来西亚的能源消耗和二氧化碳排放量之间存在双向的因果关系；Shaari和Hussain等[7-9]的实证分析表明，印度的经济增长与电力消耗、能源消耗与经济增长之间都存在因果关系；Shahbaz 和Mutascu等[10]的实证研究表明，罗马尼亚的电力消耗与经济增长之间存在双向的格兰杰因果关系。

第二类研究是针对不同国家。面板数据向量误差修正模型估计结果表明，东盟五国的电力消耗与二氧化碳排放量在统计意义上存在显著的正相关关系[11]；Odhiambo[12]的研究表明，南非的电力消耗与经济增长之间存在明显的双向因果关系，并且南非的电力消耗是引起经济增长的格兰杰原因；Wendy等[13]研究了金砖四国的电力消耗、经济增长与二氧化碳排放量之间的关系，面板因果关系分析结果表明，只有在印度存在电力消耗与二氧化碳排放量之间的格兰杰因果关系。

国内学者对经济增长与碳排放也做了很多研究。吴振信等[14]运用面板数据模型分析了中国经济增长、产业结构对碳排放的影响，研究发现产业结构对于发展低碳经济具有重要作用；陆静[15]利用面板数据协整分析研究了中国金融发展和经济增长的关系，发现金融发展能够推动经济增长；顾佰和[16]建立了碳减排潜力情景分析模型，并应用到重庆市化工行业低碳发展当中；刘贞等[17]运用预测模型，研究产业结构调整对电力行业CO2排放的影响，发现大力发展新能源，改善电力能源结构对于节能减排有积极作用。

对比国内外相关研究发现，国内对于碳减排的经济计量模型研究较少，研究碳排放与经济增长应当考虑系统内每一个内生变量对所有其他内生变量的滞后影响。而VAR模型是利用系统内生变量滞后值的函数来构造模型,是处理多个相关经济指标的分析与预测最容易操作的模型之一，并且在国外得到的广泛的应用[7-13]。其次，电力行业作为影响能源消耗的重要行业，其节能减排对于中国发展低碳经济具有重要作用。基于此，本文运用VAR计量经济学模型，探讨了中国电力消耗、经济增长和二氧化碳排放量之间的关系，基于1990-2013年的面板数据进行分析，在电力消耗、经济增长与二氧化碳排放量之间寻找到经济发展的均衡关系，为电力部门的能源决策提供重要的参考价值。

2 研究方法

本文运用计量经济学方法，包括协整检验和格兰杰因果关系检验，脉冲响应函数等，探讨了中国电力消耗、经济增长和二氧化碳排放量之间的关系。

首先，运用单位根检验时间序列数据是否是稳定的，因为只有稳定的时间序列数据才可以进行协整检验和格兰杰因果关系检验；然后，我们使用基于VAR模型的Johansen协整检验和格兰杰因果关系检验法，探索电力消耗、经济增长与二氧化碳排放量之间的长期均衡关系和各变量之间的短期相互影响；最后运用脉冲响应函数分析模型中随机扰动的冲击对其他变量的影响。

3 实证分析

3.1 数据来源

根据数据的可获得性，本文使用的中国年度数据涵盖了1990年至2013年，所有变量包括电力消耗(EC)(人均每千瓦时)，二氧化碳排放量(CO2)(人均每吨)与经济增长(GDP)(按人均GDP(2005美元价格))，所有的年度数据都是从世界银行[18](WDI)获取的，文章使用的所有相关变量的定义如表1所示，变量的统计描述如表2所示。

表1 变量定义

表2 变量的描述性统计

按照Gao[19]和Md等[20]的数据处理方法，所有变量在进行分析之前转化为对数，结果如图1所示。从图1中可以看出，所有这些变量数据都呈现逐年稳步上升趋势。

图1 变量的对数

3.2 计量经济分析

3.2.1 单位根检验

面板数据单位根检验是进行协整检验和格兰杰因果检验分析的基础[21-23]，单位根检验的方法有很多种，通常我们可以见到ADF，DFGLS和KPSS检验等，这里我们选择ADF单位根检验，因为它在大多数国外研究中得到应用[2，19]。

单位根检验的结果如表3所示，从表3中我们得出结论，所有变量的原始序列在5%的显著性水平下都没有拒绝零假设，这表明原始序列是非平稳序列，即存在“单位根”。所有变量的第二差分序列在5%的显著性水平都拒绝零假设，即不存在“单位根”，也就是二阶单整I(2)，这表示电力消耗、经济增长与二氧化碳排放量之间存在协整关系，意味着可能存在长期均衡关系。

3.2.2 Johansen协整检验

面板数据协整检验主要是确定具有相同的趋势两个或多个变量之间是否存在长期均衡关系，以防止出现伪回归问题[24-26]。协整检验方法包括EG 两步法和Johansen检验法，由于传统的EG协整检验方法是基于线性回归的残差序列检验，一般只适用于单变量回归模型检验，所以本文协整检验方法采用被广泛使用的Johansen检验法[2-3]。

表3 单位根检验结果

表4 Johansen协整检验结果

Trace test indicates 1 cointegrating eqn(s) at the 0.05 level;* denotes rejection of the hypothesis at the 0.05 level;**MacKinnon-Haug-Michelis (1999) p-values

Johansen协整检验的结果如表4所示，其结果支持中国电力消耗、经济增长与二氧化碳排放量之间的协整关系。值得注意的是，协整分析的结果只能说明这些变量之间的长期均衡关系，并不能说明它们之间的因果关系，变量之间的因果关系需通过格兰杰因果检验来验证。

3.2.3 格兰杰因果关系检验

协整检验结果说明了变量之间长期均衡关系的存在，但这种均衡关系构成了因果关系，需要通过格兰杰因果检验来验证[27-30]。

为进行格兰杰因果关系检验，我们选择以下VAR模型[31]：

(1)

其中，B0 是一个3×1的单位矩阵，B1,B2,…,Bq是3×3的系数矩阵，q是模型的滞后阶数，εt代表模型随机误差项。我们可以检验方程(1)中的假设，研究电力消耗、经济增长与二氧化碳排放量之间是否存在格兰杰因果关系。

向量自回归模型的滞后阶数是非常重要的，因为它可以减少误差项的自相关，并可能会导致模型效率低下，所以选择一个合适的滞后阶数是必要的。这里我们选择滞后阶数时，采用SC(Schwarz信息准则)和AIC(Akaike信息准则)统计值最小原则，这两个统计值可以表示如下：

AIC=-2l/n+2k/n

(2)

SC=-2l/n+klogn/n

(3)

滞后阶数选择的结果如表5所示，从结果中我们发现，滞后一阶是最合适的，因此在下文的分析中我们采用一阶滞后进行分析。

表5 模型滞后阶数选择

* indicates lag order selected by the criterion;LR: sequential modified LR test statistic (each test at 5% level);FPE: Final prediction error;AIC: Akaike information criterion;SC: Schwarz information criterion;HQ: Hannan-Quinn information criterion

格兰杰检验适用于平稳时间序列，所以我们选择的时间数据序列是I(2)。格兰杰因果检验的结果如表6所示，结果表明，不存在电力消耗与二氧化碳排放量，经济增长与二氧化碳排放量之间的格兰杰因果关系，且存在经济增长与电力消耗之间的双向格兰杰因果关系，这可能意味着经济增长的增加会导致电力消耗的增加；而电力消耗的增加，可能会促进经济增长。

格兰杰因果关系检验的结论只是一种预测，是统计意义上的“格兰杰因果性”，而不是真正意义上的因果关系，不能作为肯定或否定因果关系的根据。当然，即使格兰杰因果关系不等于实际因果关系，也并不妨碍其参考价值。因为在经济学中，统计意义上的格兰杰因果关系也是有意义的，对于经济预测等仍然能起一些作用。

表6 格兰杰因果检验结果

3.2.4 VAR模型估计

面板数据协整检验和因果关系检验只是探索变量之间的短期和长期的关系，没有具体研究这些变量的当前周期和滞后期之间的动态关系，以及其随机扰动项的冲击效果。因此，这里建立面板VAR模型进行进一步的分析，根据Faiza[31]和Xu[3]等的研究，模型如下：

(4)

(5)

(6)

其中t=1,2,…T,εt,λt,θt代表随机扰动项，α,φ,π是常数项，βj,δj,χj,φj,κj,γj,υj,τj,ψj是方程中变量的系数。

VAR模型估计的结果如下表7所示，从结果中可以看出， R方和调整R方都为0.998，这意味着模型是非常拟合的。从表7我们可以看到，滞后一期的电力消耗对当期经济增长和二氧化碳排放量产生正向的作用，这表明电力消耗对经济增长和二氧化碳排放量有较大的影响，滞后一期的电力消耗促进当期的电力消耗，同时也促进当期经济增长和CO2排放量增加。经济增长的滞后期对当前电力消耗和二氧化碳排放量产生负向的作用，而二氧化碳排放量的滞后期对当前经济增长没有显著影响。这表明上期经济增长促进当期的经济增长时，政府通过技术创新和能源效率的提高，可以降低当期的二氧化碳排放量，而上期二氧化碳排放量并不直接促进当期经济增长。

3.2.5 脉冲响应函数

在实际应用中，由于VAR模型通常都是非经济理论性的简化模型，它不需要对变量作任何先验性约束。因此，在分析应用中，往往并不利用VAR模型去分析某一变量的变化对另一变量的影响如何，而是分析当某一扰动项发生变化，或者说模型受到某种冲击时，对系统的动态影响，这种分析方法称为脉冲响应函数方法。

为了进行脉冲响应函数分析，必须确保VAR模型是稳定的[3]。检验VAR模型的稳定性条件是相应的特征方程特征根的绝对值小于1，VAR模型特征根的结果如图2所示，在图中的蓝色圆点表示特征根，从图2中我们可以看出，所有的特征根都在单位圆内，所以VAR模型是稳定的，可以进行脉冲响应函数的分析。

表7 VAR模型估计结果

Note:standard errors in () and t-statistics in []

图2 VAR特征根检验结果

脉冲响应函数分析的结果如图3 所示，从图3中我们可以看出，给定CO2排放量一个标准冲击，对经济增长存在一个负向的冲击影响，这种负向的影响在短期内加大，随后减小并最终为零。这意味着受CO2排放量的冲击影响，短期内经济增长受抑制，但随着技术进步和能源利用效率的提高，这种影响将逐渐减小，长期来看几乎没有影响。CO2排放量的标准冲击对电力消耗产生正向的冲击影响，影响趋势先增加，随后降低，这表明受CO2排放量的冲击，电力消耗成增加趋势。

给定电力消耗一个标准冲击，对CO2排放量在短期内存在一个正向的影响，随后转变为负向的影响，这表明电力消耗的冲击在短期内将促进CO2排放量的增加，但伴随着新能源的兴起和能源效率的提高，将导致CO2排放量减少。电力消耗的标准冲击对经济增长产生负向的影响，影响趋势先增加随后降低，这表明电力消耗的冲击并没有促进经济增长，应进行电力生产结构调整。

给定经济增长一个标准冲击，对CO2排放量在短期内存在一个正向的影响，随后转变为负向的影响，这意味着短期内，经济增长的冲击影响会促进CO2排放量的增加，但经济增长带来的技术进步在长期会导致二氧化碳排放量降低。经济增长的标准冲击对电力消耗产生正向的冲击影响，这意味着受经济增长的冲击，刺激了电力消耗的增加。

4 结语

本文试图探讨中国电力消耗、经济增长与二氧化碳排放量之间的关系，从协整检验和格兰杰因果关系检验结果得出，电力消耗、经济增长与二氧化碳排放量之间存在协整关系，这与Alice等人[32]和Wendy[13]等的研究结果是一致的；从VAR模型估计的结果得出，滞后一期的电力消耗对当期经济增长和二氧化碳排放量产生正向的作用；经济增长的滞后期对当期电力消耗和二氧化碳排放量产生负向的作用；而二氧化碳排放量的滞后期对当期经济增长没有显著影响。这表明上期经济增长促进当期的经济增长时，政府通过技术创新和能源效率的提高，可以降低当期的二氧化碳排放量，而上期二氧化碳排放量并不直接促进当期经济增长。

根据实证结果，我们为中国低碳经济发展和电力部门的能源政策制定提供一些建议。首先，经济增长应当始终是优先考虑的。实证结果表明，经济增长在短期内会促进二氧化碳排放量的增加，但从长期来看，经济增长促进了技术的进步和能源效率的提高，进而导致二氧化碳排放量的减少。作为新兴经济体的中国，经济发展不仅是国民社会进步的真实需要，而且长期以来可以有效降低二氧化碳的排放。正如环境库兹涅茨曲线[33-34]所描述的那样，当经济发展达到一定水平，环境污染物如二氧化碳排放量可能会下降，这个下降的拐点是多少取决于本国的国情，但可以采取一定的政策干预倒“U”形曲线的上升阶段，使得这一拐点提前到来。其次，提高电力消耗的能源效率是十分必要的。从研究中可以发现，电力消耗会促进二氧化碳排放量的增加，但不直接促进经济增长。因此，为了减少二氧化碳排放的同时保持经济增长，就必须提高电力能源消耗的效率，通过技术进步或产业结构调整，使得每单位电能消耗量减少，“低能耗、低排放、高收益”的绿色发展就可以实现。此外，还可以积极推进电力产业结构优化或寻找新能源来发展电力行业低碳经济。

图3 脉冲响应函数分析结果

[1] Duolley B,2015.The BP statistical review of world energy 2015[R].Speech, BP.2015.

[2] Zhang Yuejun.The impact of financial development on carbon emissions:An empirical analysis in China[J].Energy Policy, 2011,3(4):2197-2203.

[3] Xu bin,Lin boqiang.Carbon dioxide emissions reduction in China,s transport sector:A dynamic VAR(vector autogression) approach[J].Energy ,2015,83:486-495.

[4] Akpan G E, Akpan U F.Electricity consumption, carbon emissions and economic growth in Nigeria[J]. International Journal of Energy Economics and Policy ,2012,2 (4), 292-306.

[5] Adebola S S.Electricity consumption and economic growth: Trivariate investigation in Botswana with capital formation[J]. International Journal of Energy Economics and Policy, 2011,1(2) 32-46.

[6] Hwang J H, Yoo S H. Energy consumption, CO2emissions, and economic growth: Evidence from Indonesia[J]. Quality and Quantity, 2014,48(1), 63-73.

[7] Shaari M S, Hussain N E, Ismail M S. Relationship between energy consumption and economic growth: Empirical evidence for Malaysia[J]. Business Systems Review, 2012,2(1): 17-28.

[8] Paul S, Battacharya R N. Causality between energy consumption and economic growth in India: A note on conflicting results[J]. Energy Economics, 2004,26(6):977-983.

[9] Ozturk I, Uddin G S. Causality among carbon emissions, energy consumption and growth in India[J]. Economic Research—Ekonomska Istraživanja ,2012,25(3): 752-775.

[10] Shahbaz M, Mutascu M, Tiwari A K. Revisiting the relationship between electricity consumption, capital and economic growth: Cointegration and causality analysis in Romania[J]. Romania Journal of Economic Forecasting, 2012,(3): 97-120.

[11] Lean H H, Smyth R. CO2emissions, electricity consumption and output in ASEAN[J]. Applied Energy,2010,87(6): 1858-1864.

[12] Odhiambo N M. Electricity consumption and economic growth in South Africa: A trivariate causality test[J]. Energy Economics,2009,31(5): 635-640.

[13] Cowan W N, Chang T, Inglesi-Lotz R, et al. The nexus of electricity consumption, economic growth and CO2emissions in the BRICS countries[J].Energy Policy, 2014,66:359-368.

[14] 吴振信，谢晓晶，王书平.经济增长、产业结构对碳排放的影响分析———基于中国的省际面板数据[J].中国管理科学，2012,20(3)：161-166.

[15] 陆静.金融发展与经济增长关系的理论与实证研究———基于中国省际面板数据的协整分析[J].中国管理科学，2012,20(1)：177-184.

[16] 顾佰和，谭显春，池宏，等.化工行业二氧化碳减排潜力分析模型及应用[J].中国管理科学，2013,21(5)：141-148.

[17] 刘贞，朱开伟，阎建明，等.产业结构优化下电力行业碳减排潜力分析[J].管理工程学报，2014,28(2)：87-92.

[18] The World Bank. World Development Indicators (WDI)[R].http://data.worldbank.org/indicator.

[19] Gao Jing, Zhang Lei.Electricity consumption-economic growth-CO2emissions nexus in sub-Saharan africa: Evidence from panel cointegration[J].African Development Review,2014,26(2):359-371.

[20] Nain M Z, Ahmad W, Kamaiah B.Economic growth, energy consumption and CO2emissions in India: A disaggregated causal analysis[J].International Journal of Sustainable Energy, 2017,36(8):807-824.

[21] Levin A, Lin CF, Chu CSJ. Unit root tests in panel data: Asymptotic and finite-sample properties[J]. Journal of Econometrics,2002,108(1):1-24.

[22] Im K S, Pesaran M H, Shin Y .Testing for unit roots in heterogeneous panels[J]. Journal of Econometrics, 2003,115(1):53-74.

[23] Clarke J A,Mirza S.Comparison of some common methods of detecting Granger non-causality[J]. Journal of Statistical Computation and Simulation,2006,76(3): 207-231.

[24] Johansen S． Statistical analysis of cointegration vectors[J]．Journal of Economic Dynamics and Control，1988，12(2-3): 231-254．

[25] Kao C.Spurious regression and residual-based tests for cointegration in panel data[J].Journal of Econometrics，1999，90(1): 1-44．

[26]Pedroni P.Panel cointegration: Asymptotic and finite sample properties of pooled time series tests with an application to the PPP hypothesis[J]. Econometric Theory, 2004,20(3)：597-627.

[27] Soytas U, Sari R.Energy consumption, economic growth, and carbon emissions: Challenges faced by and EU candidate member[J]. Ecological Economics,2009,68(6): 1667-1675.

[28] Zhang Xingping, Cheng Xiaomei. Energy consumption, carbon emissions, and economic growth in China[J].Ecological Economics, 2009,68(10): 2706-2712.

[29] Apergis N, Payne J E.The emissions, energy consumption and growth nexus: Evidence from the commonwealth of independent states[J]. Energy Policy, 2010,38(1):650-55.

[30] Hamdi H, Sbia R. Short-run and long-run causality between electricity consumption and economic growth in a small open economy[R]. Working Paper No. 49904, Munich Personal RePEc Archive, 2012.

[31] Abbasi F, Riaz K.CO2emissions and financial development in an emerginge economy:An augmented VAR approach[J].Energy Policy ,2016,90:102-114.

[32] Shiu A, Lam P L.Electricity consumption and economic growth in China[J].Energy Policy ,2004,32(1):47-54.

[33] Canas A,Ferrao P,Conceicao P.A new environmental Kuznets curve?Relationship between direct material input and income per capita:Evidence from industrialised countries[J].Ecological Economics. 2003,46(2):217-229.

[34] Galeotti M, Lanza A, Pauli F. Reassessing the environmental Kuznets curve for CO2emissions: A robustness exercise[J]. Ecological Economics ,2006,57(1): 152-163.