政府支出与碳排放的影响因素分析——基于STIRPAT拓展模型的面板实证

刘书玲 曹庆仁,2 郑 卫

(1.中国矿业大学管理学院，江苏省徐州市，221116；2.江苏能源经济管理研究基地，江苏省徐州市，221116)

在2009年哥本哈根气候大会上，我国承诺2020年单位GDP碳排放较2005年将减少40%～45%。但相关报告已指出，中国的碳排放量已经达到了100亿t，总量连续多年居全球首位。工业是使用化石燃料的重点行业，是碳排放的主要贡献者。工业4.0时代背景下，我国成为世界上最大的机械制造国，以工业产值计算，我国已经成为全球最大的工业国，生产出了接近全世界一半的主要工业品。工业4.0为我国制造业创造了众多机遇与盈利，但同时也给我国环境带来一些危害，为紧跟工业4.0的步伐，我国制造业在加大技术投入、转型升级的过程中，必然会加大能源消耗，最终导致碳排放的增加。因此在工业4.0时代背景下，研究工业省(市)碳排放的影响因素，对我国实现减排承诺而言至关重要。

STIRPAT模型一直是研究环境问题的主流手段之一。黄蕊、王铮等(2016)利用STIRPAT模型，定量分析江苏省能源消费碳排放量与人口、富裕度、技术进步和城镇化水平之间的关系；张丽峰(2015)基于STIRPAT模型，构建状态空间模型，定量分析了北京市1980-2011 年的人口规模、人口城市化结构、居民消费与经济规模4个变量对碳排放随时间变化的动态影响；朱勤等(2010)从消费压力人口因素出发探讨碳排放，利用扩展后的STIRPAT模型分析居民消费水平、人口城市化率、人口规模3个因素对我国碳排放的影响；马素琳等(2016)通过拓展后的STIRPAT模型(加入能源消费需求、工业化水平和产业集聚度)，分析我国30个省份和直辖市2003-2012年的面板数据，最后得出：城市规模与集聚程度对空气质量有不同的影响。另一部分学者将STIRPAT模型应用到工业中，如何小钢(2012)、任晓松(2014)、肖宏伟等(2013)基于STIRPAT模型研究工业碳排放的影响因素，其中何小钢(2012)基于改进的STIRPAT模型，利用动态面板数据实证，发现投资规模与碳排放显著正相关，政府节能减排政策有助于降低碳排放；任晓松等(2014)基于STIRPAT模型的基础确定中国工业碳排放的影响因素为人口规模、人均工业产值和工业技术水平，并采用灰色预测模型对碳排放进行预测，结果表明：人均工业产值对工业碳排放影响最大；肖宏伟等(2013)从区域层面构建了工业排放驱动因素的扩展STIRPAT模型，考察各驱动因素对区域工业碳排放规模和碳排放强度的影响，实证发现驱动因素通过直接和间接途径影响碳排放。

虽然许多学者利用STIRPAT模型及其变形，针对工业碳排放的影响因素做出了很多贡献，但很少有人考虑到政府因素对碳排放的影响。胡宗义(2014)已通过实证研究发现：政府公共支出对碳排放具有负向的直接作用和正向的积极作用，但在均衡收入水平下，总效应为正，使得政府公共支出对碳排放不具有减排效应；Tian从区域层面研究中国碳排放，最后发现政府行为导致的碳排放在总碳排放中占比9%；Meng等根据投入产出模型，从消费端出发研究天津、重庆、北京、上海4个特大城市的碳排放，证明了北京市的政府开支是当地碳排放最大的贡献者。综上可知，政府因素应是当地碳排放的主要影响因素之一，故本文在以上学者的研究基础上，构建STIRPAT模型的拓展模式(加入政府因素)，利用8省(市)1996-2015年的相关面板数据，探究工业碳排放的影响因素。

1 STIRPAT模型和研究方法

IPAT模型是早期研究环境问题时较常使用的一个模型，其将人为驱动力与环境问题争论的核心问题结合形成了一个分析框架。国家或地区对环境和生态系统的影响(I)都是其人口数量(P)和富裕水平(A)的产物，并被支持这种富裕程度的特定技术(T)所破坏，即I=PAT。但是IPAT模型往往只是改变一个因素，保持其他因素不变来研究其对环境的影响，因变量对自变量的弹性等于1，其结果是因变量的等比例影响，在如今复杂的社会环境中存在很大的局限性。为了克服IPAT模型的不足，Dietz 等人在IPAT模型的基础上提出了STIRPAT模型，其标准形式为：

I=aPbAcTde

(1)

式中：I、P、A、T——环境影响、人口因素、富裕程度和技术水平；

a——模型系数；

b、c、d——各自变量指数；

e——误差(除P、A、T外的所有影响碳排放量的因素)。

在实际研究中，需对模型(1)进行对数化处理，模型变为：

lnI=lna+blnP+clnA+dlnT+lne

(2)

某一地区内的政府支出在总支出中所占的比重较大，其对当地环境的影响不容忽视，故本文考虑到政府对环境的影响，参考马素琳(2016)、周彦楠等(2017)关于STIRPAT模型的拓展方法，将政府因素引入到模型(2)，则模型(2)变为：

(3)

式中：G——政府因素；

f——政府对环境的影响指数。

本文选取人口总量、城镇化率、人均GDP、能源强度、政府支出5个变量对碳排放进行分析。其中，人口总量、城镇化率作为反映人口因素的指标；人均GDP(反映居民消费水平)是评价经济发展的重要指标，故将其作为反映富裕程度的指标；能源强度作为反映技术水平的指标；政府支出作为反映政府因素的指标。STIRPAT模型变量分析图见图1。由于篇幅限制，本文仅对能源强度和政府支出指标进行分析。

(1)能源强度，是一个国家或地区在一定时间内的单位产值所消费的能源量，是能源综合利用效率和能源经济效益的重要指标，反映了一个国家或地区的技术水平。其计算公式为：能源强度=能源消费总量/实际GDP。

(2)政府支出，是指一个国家或地区为了完成其公共职能，对购买的所需商品和劳务进行的各种财政资金的支付活动，是政府必须向社会付出的成本。

图1 STIRPAT模型变量分析图

由上述分析可得，模型(3)变为：

(4)

式中：I——碳排放量；

P1、P2——人口总量、城镇化率；

A——人均GDP；

T——能源强度；

G——政府支出。

因为P2取的是百分数，若取对数形式则失去了经济意义，故保留了其原来形式。

2 实证分析

2.1 数据来源

本文分别选取了4个以轻工业为主的省(市)和4个以重工业为主的省(市)：江苏省、浙江省、广东省、上海市、山东省、辽宁省、黑龙江省、北京市，其中江苏省、浙江省、广东省和上海市等长三角地区及珠三角地区主要发展轻工业，山东省、辽宁省、黑龙江省和北京市主要发展重工业。通过分析以上8省(市)1996-2015年的面板数据，研究我国工业碳排放量的影响因素。碳排放量计算公式主要参考《2006年国家温室气体清单指南》及员开奇等(2014)的研究成果：

(5)

式中：I——碳排放量；

Energyi——第i种能源的消费量(已折算成标准煤)，由于我国二氧化碳主要通过化石能源的燃烧产生，则本文碳排放量的核算主要考虑煤炭、石油、天然气，其消费量来源于《国家统计年鉴》；

βi——第i种能源的碳排放系数，本文参考国际上较权威的机构所发布的碳排放系数数据，并采取各数据的平均值进行计算，见表1。

表1 碳排放系数表

能源消费总量来源于各年《能源统计年鉴》，政府支出用政府一般预算支出表示，其与人口规模、人口结构及GDP等数据来源于各年《国家统计年鉴》、《各省统计年鉴》及《新中国60年统计资料汇编》，其中GDP数据根据平减指数法已经剔除了价格影响因素(1996=100)。

2.2 结果分析

2.2.1 政府一般预算支出与碳排放

1996年以来上述8省(市)的政府一般预算支出情况如图2所示，一般预算支出总体上保持不断增长的趋势。对比而言，每年广东省的政府一般预算支出最大，黑龙江省的政府一般预算支出最小。1996年广东省的政府一般预算支出为601.23亿元，2015年上升到12827.8亿元，增长了2033.59%；1996年黑龙江省的政府一般预算支出为208.88亿元，2015年上升到4020.66亿元，增长了1824.87%。1996-2015年，江苏省、浙江省、山东省、辽宁省、北京市和上海市的政府一般预算支出也保持着高增长的趋势。

图2 8省(市)政府一般预算支出情况

1996年以来上述8省(市)的碳排放情况如图3所示，其总量保持不断增长的趋势。山东省的碳排放量最大，增长最为迅猛，1996年碳排放量为8025.167万t，2015年上升到34560.95万t，增长了330.62%。2002年以前江苏省、辽宁省、广东省、浙江省和黑龙江省的碳排放量较平稳，2002年急剧增加，之后增长速度有所下降，但仍然保持不断增长的趋势。上海市和北京市的碳排放增长速度相比其他6省而言较为平缓。

图3 8省(市)碳排放情况

结合图2和图3分析总体趋势可以发现：1996-2002年，8省(市)的政府一般预算支出在1996-2002年缓慢增加，期间碳排放量无明显变化；2002年后，8省(市)的政府一般预算支出增长加速，在2015年前一直保持明显的增长趋势，其碳排放量(除北京市、上海市)在2002年开始明显增长，2015年前一直保持高速增长的趋势。

2.2.2 Hausman检验

在运用面板数据进行STIRPAT模型的构建前，首先应考虑个体可能存在的特殊效应对估计方法的影响。一般用随机误差项公式μit=αi+εit分析个体的特殊效应，其中αi表征个体特殊效应，反映了不同个体间的差别，根据αi是否为固定的常数，分为固定效应模型(Fixed Effect Model)和随机效应模型(Random Effect Model)。Hausman等学者认为随机效应模型优于固定效应模型，固定效应模型在估计时会损失较多的自由度，但随机效应模型在实际运用中可能因为忽略一些变量，而满足不了“随机变化的个体影响与模型中的解释变量不相关”的前提假设。故在利用面板数据进行STIRPAT建模时应在固定效应模型和随机效应模型之间进行选择，本文运用Hausman提出的一种严格的统计检验方法——Hausman检验对其进行判断，其原假设是：随机效应模型中个体影响与解释变量不相关(即选择随机效应模型)。Hausman检验结果见表2。

表2 Hausman检验结果

注：χ2值为Hausman检验的统计量值，括号内为对应的临界值，***表示在1%的显著性水平下拒绝原假设

由表2可知，8省(市)20年间的Hausman检验的χ2统计量值大于其临界值，且在1%的显著性水平下显著，则拒绝原假设，接受备择假设，即认为随机效应模型中个体影响与解释变量相关，故本文在运用面板数据进行STIRPAT建模时选择固定效应模型。

2.2.3 回归结果

本文根据STIRPAT模型，利用EViews 8软件对数据进行回归，结果见表3。

由表3可知，常数项C通过了10%的显著性水平检验，其他变量都通过了1%的显著性水平检验，各变量系数的检验都拒绝原假设，且调整R2的值和模型的F值都较大，表明模型拟合效果较好，即模型(4)能较好地描述碳排放与各变量的关系，其具体表现形式为：

(6)

分析系数发现，城镇化、人均GDP、能源结构和政府一般预算支出的增加都会促进当地的碳排放增加，而人口总量的增加并不一定会导致碳排放增加。其中，政府一般预算支出对碳排放的影响最大，能源结构的影响次之，政府一般预算支出每增加1%，碳排放将增加11.97%，政府支出对碳排放的影响不可忽视，能源强度每增加1%，碳排放将增加0.89%。城镇化率和人均GDP每增加1%，碳排放将分别增加0.35%和0.16%。严格把控、合理利用政府支出可以有效减少二氧化碳的排放，提高科学技术水平、降低能源强度。

表3 普通最小二乘法估计结果

注：*、***分别表示在10%、1%的显著性水平下拒绝原假设，adjust-R2表示调整后的判定系数，F值指模型整体的F统计值

3 结论与启示

(1)政府一般预算支出与碳排放在总体上具有类似的变化趋势。政府一般预算支出和碳排放在1996-2002年间都无显著变化，2002年后快速增加，并一直保持高速增长的趋势。

(2)城镇化率、人均GDP、能源结构和政府一般预算支出的增加会促进当地碳排放的增加。城镇化率、人均GDP、能源结构和政府一般预算支出每变化1%， 碳排放会同方向变化0.35%、0.16%、0.89%和11.97%，其中政府一般预算支出对碳排放的影响最大。

(3)工业4.0背景下，我们应该提高科学技术水平，增强能源使用率，降低能源强度，减少碳排放。此外，政府支出对碳排放的影响较大，今后应将政府支出作为碳排放研究的一个方向。