碳中和背景下“一带一路”沿线国家环境对中国能源投资策略影响

聂正雅 刘智厅 刘文志 李树峰

摘要：作为实现温室气体减排的重要手段，碳中和对能源投资起到了一定的影响。在对100篇中国对外能源投资相关论文分析的基础上，利用狄利克雷主题模型挖掘得出6项指标，并引入CO2排放强度和能源强度构建能源投资指标体系。选取2009—2018年35个“一带一路”沿线国家的能源投资及相应指标数据，首先基于描述性统计与相关性分析验证回归分析可行性，然后选择面板数据负二项模型进行实证结果检验，最后通过缩短时间窗口的稳健性检验方法，进行“一带一路”倡议提出后样本的敏感性测试。结果显示：（1）能源投资的影响指标包括能源生产力、贸易开放程度、GDP、制造业占GDP比重、劳动力和基础设施水平，其中东道国的经济状况，如GDP、贸易开放程度以及基础设施水平对中国能源投资影响并不显著，这是由中国能源投资战略导向造成的;（2）在碳中和背景下，“一带一路”沿线各国最终要实现一年内CO2排放量和吸收量的平衡就必然要降低碳排放强度和能源强度，CO2排放强度降低正向促进中国对该国的能源投资，能源强度降低则相反，且能源强度对能源投资的影响更大，因此“碳中和”目标的提出对当前中国能源投资结构影响较大。基于此，建议能源企业应加大新能源投资和合同规模比例，大力发展新能源业务，同时提高能源效率，深化技术改革;此外还需加强风险识别，提高项目风险甄别能力;要更加注重社会责任管理，积极开展植树造林等环保活动。

关键词：碳中和;能源投资;环境治理;LDA模型;负二项回归模型

中图分类号：X321;F832.48 文献标识码：A 文章编号：16735595（2022）03000110

一、引言

能源合作是“一带一路”倡议的重要基础和支撑，也是“一带一路”合作取得成果最为丰富的领域。中国在能源禀赋上是“富煤缺油少气”，“一带一路”沿线国家富裕的油气资源与中国能源结构形成较强的互补，“一带一路”沿线国家能源投资潜力巨大。此外，“一带一路”沿线国家众多，跨越亚洲、欧洲和非洲，国家间的能源资源禀赋有很大差异，这种差异不仅体现在传统的油气资源领域，还体现在优势产能、新能源技术、能源资金、能源基础设施水平建设能力、能源设备等方面。因此，从“一带一路”沿线能源投资的重要地位和复杂程度来看，对该地区能源投资的研究至关重要。

《巴黎协定》之后，陆续有国家和地区提出了与碳中和及净零排放有关的长期目标。碳中和指一个组织一年内的CO2排放量通过移除技术等达到平衡，也称CO2净零排放

（Net-Zero CO2 Emission）。[1]截至2020年10月，在“一带一路”区域，新加坡、匈牙利、斯洛伐克、不丹4个国家通过协定、法律规定等不同形式正式提出碳中和（Carbon Neutrality）或气候中和（Climate Neutrality）有关的目标，保加利亚、克罗地亚、捷克、爱沙尼亚等12个国家提出碳中和目标但暂无目标详细信息。[2]

此外，《巴黎协定》第4条提出要在21 世纪下半叶，人为温室气体排放与清除之间取得平衡，且印度、俄罗斯等CO2 排放大国位于“一带一路”沿线，因此该区域减排的时间紧任务重。在此背景下，“一带一路”沿线国家对环境保护意识、行动、政策的重视程度都将有所提高，而能源的开采、运输、供应与消费的各个环节都受到政府环境治理与管控力度的影响，因此碳中和背景下中国“一带一路”沿线国家的能源投资必然也受到影响。

在“碳中和”的长期目标和发展趋势下，考察“一带一路”沿线国家环境对中国能源投资的影响具有现实意义和重要作用。本文侧重于分析对能源投资产生影响的共性指标，并分析碳中和背景下“一带一路”沿线国家环境是否对能源投资产生影响，以便为能源企业海外投资提供参考意见，使其转变投资策略，调整能源投资结构，尽快适应碳中和背景下能源转型趋势。

二、文献综述

近年来，“一带一路”沿线国家的能源投资成为研究热点问题，涉及战略环境评价[3]、投资可接受性[4]、投资效率评价[5]、风险识别[6]等多个方面。能源投资涉及利益者众多、涉及范围广泛，目前該领域的研究中尚没有统一的指标评价体系，大多根据研究者的具体诉求设置不同的指标。Zhou等[7]利用SE-SBM方法，从资源状况、政治形势、生态技术、社会条件、市场质量、国际合作6个方面评估了中国在“一带一路”沿线国家进行天然气投资的效率。Kozlova等[8]以投资需求、投资收益率、区域可达性和网络状态为主要变量，构建了可再生能源投资吸引力的指标体系。Zhang等[9]将不可再生能源成本、投资成本和市场定价等不确定性因素作为衡量可再生能源投资价值和最优时机的指标。Duan等[10]从政治因素、经济基础、投资环境、资源潜力、环境约束、中国因素6个维度评估了“一带一路”沿线国家的能源投资风险。“一带一路”沿线国家的能源投资问题涉及众多领域，但在已有研究中东道国的环境因素相对其他领域涉及较少。

能源投资和环境是一种双向的关系：中国对“一带一路”沿线能源投资作用于东道国环境，东道国的环境也会反作用于能源投资。[11]目前，对外直接投资（FDI）对环境的影响不管是理论还是实证研究已相当丰富，因研究样本和选取指标等不同，研究得出的结论也截然相反。Ahmad等[12]考察了1990—2017年90个“一带一路”沿线国家经济发展和FDI对环境的影响，认为FDI能促进东道国技术发展，进而能改善CO2排放情况。Joshua等[13]以南非为例，得出FDI能改善环境质量，减少CO2排放的结论。与此相反，Chandran等[14]则指出FDI通过增加能源消耗导致了东南亚国家CO2排放量的增多。Baek[15]、Paramati等[16]、Sbia等[17]分别基于对东盟、新兴经济体、阿联酋的研究得出相同结论。但是，关于环境对能源投资影响的研究尚且不足。Shao等[18]认为东道国薄弱的环境法律会吸引更多规避高昂监管成本组织的FDI。Huang等[11]从环境和资源潜力的角度出发，应用GIS地图和风险-机遇矩阵对“一带一路”沿线64个国家能源投资区位选择进行了评价。

能源投资影响分析方法目前应用较多的有最小二乘法、网络层次分析（ANP）、回归分析等。Rauf等[19]应用动态最小二乘法和完全修正最小二乘法检验了“一带一路”經济体的经济增长、能源消耗、城市化、固定资本形成总额、贸易开放程度、金融发展和CO2排放之间的联系。Lin等[20]应用动态最小二乘法对新兴经济体的经济增长、能源消费和外国直接投资等因素之间的相互作用进行了研究。Wu等[21]通过建立ANP云框架对32个风险因素进行评估及分析，确立了“一带一路”国家可再生能源投资的主要决定因素。Liu等[22]应用Tobit回归模型考察了收入不平等对能源效率的非线性影响。Chen等[23]利用工具变量分位数回归模型研究了气候变化对清洁能源投资的影响。由于能源投资的影响指标本身存在多变性和特殊性，目前并没有一种影响分析方法适用于所有能源投资，指标的数量、取值的正负及分散程度、是否受时间序列影响、不确定性[2425]等因素都会影响分析方法的选择。

现有文献对“一带一路”能源投资影响的研究已取得一系列成果，但仍存在着部分局限性。一方面，当前对于“一带一路”国家的能源投资尚未形成统一的评价指标体系，指标选取较为随意，大多通过人为主观选取指标。因此，本文借助狄利克雷文档主题（Latent Dirichlet Allocation，LDA）模型探究学者普遍选取的共性指标，并分析这些指标是否会对“一带一路”沿线国家能源投资产生显著影响，并针对分析结果倒推原因。另一方面，目前对“一带一路”经济体的能源投资问题研究较多，但是很少考虑东道国的环境因素。理论上，碳中和的长期目标和发展趋势会倒逼“一带一路”沿线国家进行能源结构改革、制定更严格的环境政策、采取更环保的环境治理措施[26]，而能源开采、运输、供应与消费都与政府环境治理和管控力度密切相关，中国对“一带一路”沿线国家的能源投资必然受到影响。因此，本文选取2009—2018年35个沿线国家的数据构造面板模型，并利用负二项回归模型对LDA模型得到的共性指标和环境相关指标进行综合分析，以探究东道国的环境因素对中国能源投资的影响，进而为能源企业在“一带一路”沿线国家的能源投资提供建议。

三、指标与模型建立

（一）数据来源

“一带一路”沿线共有64个国家（见表1），剔除未在指定年份内有投资或指标数据缺失严重等的国家，本文选取了2009—2018年35个“一带一路”沿线国家的面板数据。数据主要来源于美国企业公共政策研究所（American Enterprise Institute）编制的中国全球投资追踪记录（China Global Investment Tracker，CGIT）、世界银行、美国能源信息署（Energy Information Administration of United States，EIA）、《全球竞争力报告》（Global Competitiveness Report，GCR）。对于个别年份缺失的数据采用线性插值法补全。

“一带一路”沿线能源投资的重要地位和复杂程度是本文选择该区域进行研究的原因。首先，中国以煤为基础的能源结构和对油气的过度依赖是中国能源体系最突出的问题[27]，“一带一路”沿线国家丰富的能源储量和地缘优势对中国解决能源短缺问题和实行能源结构改革意义重大。从投资规模来看，据CGIT统计数据显示，2013—2020年间，中国对“一带一路”沿线国家能源领域直接投资和合同规模超2 000亿美元，占总投资的比重超过40%，沿线不同区域国家的投资分布如图1所示，力导向图中线条越粗表示中国在该国家和区域的投资额度越大。从政府间合作来看，中国已与相关国家地区签署能源合作文件100多份，新增“双边”和“多边”合作机构70余项[27]，投资领域涵盖能源基础设施建设、能源工业产业链构建、能源可持续发展等多方面，投资领域广，合作层次深，效益影响深远。此外，“一带一路”沿线各国在油气资源领域、优势产能、新能源技术、能源资金、能源基础设施水平建设能力、能源设备等方面表现差异巨大，能源投资情况复杂。

（二）指标搭建

1.环境指标

东道国的环境指标作为本文研究的自变量指标，可以分为环境风险指标和环境机会指标。环境风险是对企业投资的预警，考虑到本文是研究碳中和背景下“一带一路”沿线国家环境对中国能源投资策略的影响，因此，在自变量指标选取上只考虑与CO2排放相关的环境指标，其他环境指标不予以考虑。在已有研究中，Burnett等[28]、Al-Mulali等[29]将CO2排放量直接作为环境风险衡量指标，Huang[11]将CO2排放强度作为环境风险衡量指标。为了排除东道国经济体量的影响，本文以CO2排放强度作为自变量指标来衡量环境风险，CO2排放强度越小，说明环境风险越小。此外，能源强度表示一个国家能源生产率，是制约可持续发展的重要因素，可作为环境机会指标[11]来衡量其未来能源投资潜力及环境治理能力，能源强度越小，说明未来环境治理能力越强。

2.共性指标

为了使本文选取的能源投资影响指标更具说服力，本文在知网上选取了100篇中国对外能源投资相关论文，并将其摘要作为原始数据导入Python，利用LDA模型进行分类，最终将学者们普遍认可的共性指标作为本文模型的分析指标。

LDA模型由Blei等[30]提出，是一种无监督的产生式概率语料库建模方法和词袋模型。LDA假设每个文档都可以表示为潜在主题上的概率分布，并且所有文档中的主题分布共享一个Dirichlet先验。同时，每个潜在主题被表示为词上的概率分布，主题的词分布也共享一个Dirichlet先验。给定由M个文档组成的语料库D，其中文档d具有Nd个词（d∈1，...，M），LDA根据以下生成过程对D进行建模：

（1）从参数为α的Dirichlet分布中选择一个θz作为主题z所服从的多项分布的参数;

（2）从参数为β的Dirichlet分布中选择一个ηw作为词w所服从的多项分布的参数。

根据上述概率结构，首先从参数为θz的多项分布中抽取一個主题，然后对于选定的主题，从参数为ηw的多项分布中抽取一个词。重复上述过程，直到形成整个文档。具体LDA模型如图2所示。基于语料对LDA模型具体的训练过程如下：

（1）随机初始化，对语料中每篇文档的每个词随机地赋予一个主题;

（2）重新扫描语料库，按照吉布斯采样公式重新采样每个词主题，在语料中进行更新;

（3）重复以上语料库的重新采样过程直到吉布斯采样收敛;

（4）统计语料库的topic-word共线频率矩阵，该矩阵就是LDA模型。

基于训练好的LDA模型计算新文档的语义分布过程和训练过程大体相似，此时模型提供了ηw，因此可直接将最后一个步骤变为统计主题分布，该分布就是θz。

在LDA模型分析过程中，本文将主题数设置为6，每个主题下显示权重前20的关键词，算法在语料库中传递100次。算法最终提取的6个指标分别为：资源禀赋、贸易开放程度、GDP、制造业占GDP比重、劳动力总数和基础设施水平，如图3所示，其中资源禀赋以美国能源情报局的能源生产力来衡量。

3.指标体系

基于上述环境指标和共性指标的分析，确定指标体系主要包括因变量、自变量和控制变量三部分。本文主要为研究碳中和背景下“一带一路”沿线国家环境对中国能源投资的影响，因变量为中国对相关国家的能源投资数额;自变量为环境风险指标和环境机会指标，分别是CO2排放强度和能源强度。为排除其他因素对能源投资和合同规模的影响，本文选取能源生产力、贸易开放程度、GDP、制造业占GDP比重、劳动力总数和基础设施水平作为控制变量。关于变量的具体定义如表2所示。

经过以上分析，能源投资和合同规模与各个影响因素的关系可表示为：

EIit=f（COINit，ENINit，ENERit，TRADit，GDPit，INDUit，LABOit，INFRit）

（三）理论假设

人类活动会引起碳排放量的增加，这也是全球变暖的部分原因，也就是说，碳排放既是环境问题，又是经济发展问题，一国经济的发展往往会导致本国碳排放的增加。[29]中国在“一带一路”沿线国家进行能源投资，在促进该国经济发展的同时，一定也会致使该国碳排放增加，而《巴黎协定》之后，沿线国家和地区陆续提出了与碳中和及净零排放有关的长期目标。[2]据此，本文提出假设1。

假设1：CO2排放强度的降低会正向促进中国对该国的能源投资。

能源强度表示一个国家能源生产率，而能源强度降低的主要途径在于经济增长方式从粗放型向集约型转变。较低的能源强度意味着该国对企业的生产方式和节能降耗能力与措施有着严格的监管和要求[11]，可能会导致中国在当地投资的成本增加。据此，本文提出假设2。

假设2：能源强度的降低会抑制中国对该国的能源投资。

考虑到除CO2排放强度和能源强度外，还存在其他影响能源投资的因素，本文加入其他的控制变量。虽然，现有对“一带一路”能源投资影响指标的研究已经取得了一定的成果[710]，但仍存在部分局限性，如指标选取较为随意，大多通过人为主观地选取指标。因此，为了使本文选取的能源投资影响指标更具说服力，本文采用LDA模型将学者们普遍认可的共性指标作为本文模型的分析指标，具体包括能源生产力、贸易开放程度、GDP、制造业占GDP比重、劳动力总数和基础设施水平。据此，本文提出假设3。

假设3：能源生产力、贸易开放程度、GDP、制造业占GDP比重、劳动力总数和基础设施水平会对中国能源投资策略造成影响。

（四）回归模型

由于本文因变量能源投资为非负整数离散型计数变量，因而应采用计数变量的回归方法。目前的计数变量回归方法主要是泊松回归模型与负二项回归模型。当因变量的数据方差与期望相差不多时，适用泊松回归;若数据过于分散，即数据方差期望比远大于1，则考虑使用负二项回归。[31]据此，本文对因变量能源投资进行期望方差分析，结果如表3所示，因变量能源投资的方差远大于均值，故选择面板数据负二项模型进行实证结果检验。

本文共建立5个模型来探究自变量对中国能源投资的影响。其中，为了验证假设3，本文建立模型1为参照模型，仅加入控制变量6个指标;为了验证假设1，模型2在模型1的基础上加入自变量CO2排放强度;为了验证假设2，模型3在模型1的基础上加入自变量能源强度;模型4加入所有变量，包括2个自变量和6个控制变量;模型5在模型1的基础上加入2个自变量以及交叉项为完全模型，包含所有变量。

EIit=exp（β10+β11ENERit+β12TRADit+β13GDPit+β14INDUit+β15LABOit+β16INFRit）（1）

EIit=exp（β20+β21COINit+β22ENERit+β23TRADit+β24GDPit+β25INDUit+β26LABOit+β27INFRit）（2）

EIit=exp（β30+β31ENINit+β32ENERit+β33TRADit+β34GDPit+β35INDUit+β36LABOit+β37INFRit）（3）

EIit=exp（β40+β41COINit+β42ENINit+β43ENERit+β44TRADit+β45GDPit+β46INDUit+β47LABOit+β48INFRit）（4）

EIit=exp[β50+β51COINit+β52ENINit+β53（COINit×ENINit）+β54ENERit+β55TRADit+β56GDPit+β57INDUit+β58LABOit+β59INFRit]（5）

式中：i为国家，t为年份，β10—β59为回归系数。

四、结果分析

（一）描述性统计与相关性分析

本文选取2009—2018年35个“一带一路”沿线国家的能源投资及相应指标数据。首先，计算因变量、自变量和控制变量的均值、标准差、最小值、最大值和相关系数（见表4）。由表4可以看出，中国对“一带一路”沿线国家能源投资和合同规模最大值为92.4亿美元，最小为0，说明中国对“一带一路”沿线不同国家能源投资差异巨大。由相关性分析结果（见表5）可以发现，变量之间相关性普遍较小，且表4中方差膨胀系数（Variance Inflation Factor， VIF）检验结果均小于10，说明本文所选数据不存在多重共线性问题，可以进行回归分析，结果如表6所示。

（二）回归结果分析

对回归结果进行分析，可以发现以下几点。

（1）由表6中的模型1可知，在选取的6个共性指标中，能源生产力、劳动力总数、制造业占GDP比重对中国能源投资有促进作用，且结果显著。结果还表明东道国的经济状况，如GDP、贸易开放程度及基础设施水平对中国能源投资的影响并不显著，这可能是由中国能源投资的战略导向造成的[32]。

（2）由模型2可知，自变量CO2排放强度通过10%的显著性检验且为负值。“一带一路”沿线国家降低CO2排放强度正向促进中国对该国的能源投资，说明中国倾向于投资CO2排放强度较小的国家，这主要是因为这些国家环境风险较小。

（3）由模型3可知，自变量能源强度通过10%的显著性检验且为正值。“一带一路”沿线国家降低能源强度反向抑制中国对该国的能源投资，说明“一带一路”沿线国家能源强度越大越容易吸引中国能源投资。这主要是由于能源强度大的国家能源利用率较低，环境治理能力较差，中国选择这些国家投资可以减少能源投资的环境成本和监管成本。能源生产力通过10%显著性检验且为正值。结合能源生产力和能源强度来看，中国倾向于投资能源储量丰富且中国能源技术有竞争力的国家。

（4）由模型3和模型4对比可知，模型4中CO2排放强度和能源强度系数的绝对值都增大了，且能源强度系数的绝对值较CO2排放强度系数的绝对值大，说明能源强度对能源投资影响更大。在碳中和背景下，CO2排放强度降低趋势有利于能源投资，能源强度则相反，且能源强度对能源投资影响更大，總体来看，碳中和背景并不利于中国在“一带一路”沿线的投资。由模型5可知，两个自变量交叉项的影响效果并不显著，因此可不加以考虑。

（三）稳健性检验

为确保分析结果的稳健性，本文借鉴王雄元等[33]缩短时间窗口的稳健性检验方法，进行“一带一路”倡议提出后样本的敏感性测试。中国于2013年下半年正式提出“一带一路”倡议，在此之后中国与“一带一路”沿线国家合作关系更加密切，因此将研究时段缩减到2014—2018年，这一时段既可以排除其他政策的影响，又减少了数据缺失。缩短时间窗口后回归分析结果（见表7）中CO2排放强度系数和能源强度系数正负并未发生改变，且显著性增强，说明本文利用负二项回归模型得到的分析结果相对稳健。

五、结论与建议

（一）结论

“一带一路”沿线是中国能源投资的重要区域，且能源利用是CO2排放的主要来源，因此碳中和长期目标和发展趋势必然会影响中国对“一带一路”沿线的能源投资。本文基于2009—2018年35个“一带一路”沿线国家的面板数据，运用LDA模型研究影响能源投资的共性指标，然后用负二项回归模型分析环境风险和环境机会指标及共性指标对能源投资产生的影响，得到如下结论：（1）学者普遍研究的对能源投资产生影响的指标包括能源生产力、贸易开放程度、GDP、制造业占GDP比重、劳动力总数和基础设施水平;（2）东道国的经济状况，如GDP、贸易开放程度以及基础设施水平对中国能源投资影响并不显著，这可能是由中国能源投资的政治导向造成的;（3）降低CO2排放强度正向促进中国的能源投资，因为CO2排放强度越小，环境风险越小;（4）降低能源强度反向抑制中国对该国的能源投资，主要是能源强度较高的国家，其环境治理能力相对较低，中国投资这些国家的环境成本较少，中国的能源技术也更有竞争力。总体来看，在碳中和背景下，各国最终要实现一年内CO2排放量和吸收量的平衡就必然要降低碳排放强度和能源强度，两者在未来较长的时间段里呈现下降趋势，这不利于中国在“一带一路”沿线的能源投资。

（二）建议

针对上述结论，能源企业在对“一带一路”沿线国家进行能源投资时，首先需要考虑东道国的CO2排放强度和能源强度，优先选择CO2排放强度低、能源强度高的国家，这就要求能源企业的项目风险甄别能力要强;其次，为了响应“一带一路”沿线国家的碳中和政策，帮助东道国降低CO2排放强度和能源强度，能源企业可以从投资清洁能源领域、提高能源开采效率和树立清洁能源企业形象三方面入手。据此，本文提出如下建议。

（1）加强风险识别，提高项目风险甄别能力。“一带一路”沿线能源投资机会多，但能源企业要认识到不同国家在资源禀赋条件、国家信用水平、投资环境等方面的差异。尤其是在资源共享[34-35]和很多新能源投资没有经验可以参考的情况下，能源企业更应该做好风险评估及风险应对，对东道国环境风险指标CO2排放强度和能源强度的详细分析更是重中之重。

（2）加大新能源投资和合同规模比例，大力发展新能源业务。一方面，“一带一路”沿线很多国家都蕴含一定的风能、水能、太阳能、地热能等新能源的储量，且处于规划阶段，说明这些国家新能源投资仍有很大潜力。[36]另一方面，基于技术的进步，自2010年以来，太阳能光伏、聚光太阳能、电池储能、陆上风电和海上风电等可再生能源技术成本分别下降了82%、47%、71%、38%和29%，可再生能源的成本竞争力逐渐提高。因此，在碳中和背景下能源企业进行投资时，可以因地制宜，充分发挥“一带一路”沿线国家能源特色，如在水力资源极其丰富、水位落差大的东南亚地区投资水电项目，在地热资源丰富的菲律宾投资地热项目，既能提高投资效率，又能减少温室气体排放，顺应碳中和发展趋势。

（3）提高能源效率，深化技術改革。能源企业可以在电力科技创新、项目开发、新业态和商业模式发展等方面做出改变，不断突破清洁能源发电并网、储能、氢能、分布式能源等关键技术，采用新工艺、新设备提高煤和石油等传统能源的使用效率。能源效率提高具有可观的经济、社会、环境效益，可有效降低一次能源需求总量，有效控制温室气体排放，降低能源利用对环境的影响。能源企业顺应能效投资趋势，深化相关技术改革，在“一带一路”沿线区域因地制宜促进当地能源生产和消费转型，可以获得当地政府和企业信任，以谋取更多合作投资的机会。

（4）注重社会责任管理，树立清洁能源企业形象。对于碳中和来说，减排（减少CO2排放）和增汇（增加CO2吸收）是两条根本路径。能源企业可在东道国开展植树造林、生态保护等公益和宣传活动，积极谋求与环保组织、非营利组织的全方位、深层次合作。这样一方面有利于能源企业与当地经济社会之间建立良好关系，拉近与当地社会的距离;另一方面能够抵消部分能源投资产生的CO2等温室气体排放量，减少对东道国环境的污染。能源企业主动承担社会责任，有利于改善企业形象，获得东道国政府、民众的好感。

参考文献：

[1] 周淑慧，王军，梁严.碳中和背景下中国“十四五”天然气行业发展[J].天然气工业，2021，41（2）：171182.

[2] 邓旭，谢俊，滕飞.何谓“碳中和”？[J].气候变化研究进展，2021，17（1）：107113.

[3] Huang Yanying， Fischer T B， Xu He. The Stakeholder Analysis for SEA of Chinese Foreign Direct Investment： the Case of "One Belt， One Road" Initiative in Pakistan[J]. Impact Assessment and Project Appraisal， 2017，35（2）：158171.

[4] Shi Xunpeng， Yao Lixia. Prospect of China’s Energy Investment in Southeast Asia under the Belt and Road Initiative： A Sense of Ownership Perspective[J]. Energy Strategy Reviews， 2019，25：5664.

[5] Chernysheva N A， Perskaya V V， Petrov A M， et al. Green Energy for Belt and Road Initiative： Economic Aspects Today and in the Future[J]. International Journal of Energy Economics and Policy， 2019， 9（5）： 178185.

[6] Hashemizadeh A， Ju Yanbing， Bamakan S M H， et al. Renewable Energy Investment Risk Assessment in Belt and Road Initiative Countries under Uncertainty Conditions[J]. Energy， 2021，214（1）：118.

[7] Zhou Na， Wu Qiaosheng， Hu Xiangping， et al. Evaluation of Chinese Natural Gas Investment along the Belt and Road Initiative Using Super Slacksbased Measurement of Efficiency Method[J]. Resources Policy， 2020， 67（8）： 110.

[8] Kozlova M， Collan M. Renewable Energy Investment Attractiveness： Enabling Multicriteria CrossRegional Analysis from the Investors’ Perspective[J]. Renewable Energy， 2020， 150（5）： 382400.

[9] Zhang Mingming， Zhou Peng， Zhou Daqing. A Real Options Model for Renewable Energy Investment with Application to Solar Photovoltaic Power Generation in China[J]. Energy Economics， 2016， 59（9）： 213226.

[10] Liang Panning，Yu Mingyang，Jiang Lincheng. Energy Investment Risk Assessment for Nations along China’s Belt & Road Initiative： A Deep Learning Method[J]. Applied Sciences， 2021， 11（5）： 121.

[11] Huang Yanying. Environmental Risks and Opportunities for Countries along the Belt and Road： Location Choice of China’s Investment[J]. Journal of Cleaner Production， 2019， 211（2）： 1426.

[12] Ahmad M， Jiang Ping， Majeed A， et al. Does Financial Development and Foreign Direct Investment Improve Environmental Quality？ Evidence from Belt and Road Countries[J]. Environmental Science and Pollution Research， 2020， 27（19）： 23586–23601.

[13] Joshua U， Bekun F V， Sarkodie S A. New Insight into the Causal Linkage between Economic Expansion， FDI， Coal Consumption， Pollutant Emissions and Urbanization in South Africa[J]. Environmental Science and Pollution Research， 2020， 27（15）： 1801318024.

[14] Chandran V G R， Tang C F. The Impacts of Transport Energy Consumption， Foreign Direct Investment and Income on CO2 Emissions in ASEAN5 Economies[J]. Renewable and Sustainable Energy Reviews， 2013， 24（8）： 445453.

[15] Baek J. A New Look at the FDIincomeenergyenvironment Nexus： Dynamic Panel Data Analysis of ASEAN[J]. Energy Policy， 2016， 91（4）： 2227.

[16] Paramati S R， Ummalla M， Apergis N. The Effect of Foreign Direct Investment and Stock Market Growth on Clean Energy Use across a Panel of Emerging Market Economies[J]. Energy Economics， 2016， 56（5）： 2941.

[17] Sbia R， Shahbaz M， Hamdi H. A Contribution of Foreign Direct Investment， Clean Energy， Trade Openness， Carbon Emissions and Economic Growth to Energy Demand in UAE[J]. Economic Modelling， 2014， 36（1）： 191197.

[18] Shao Qinglong， Wang Xiaoling， Zhou Qian， et al. Pollution Haven Hypothesis Revisited： A Comparison of the BRICS and MINT Countries Based on VECM Approach[J]. Journal of Cleaner Production， 2019， 227（8）： 724738.

[19] Rauf A， Liu Xiaoxing， Amin W， et al. Energy and Ecological Sustainability： Challenges and Panoramas in Belt and Road Initiative Countries[J]. Sustainability， 2018， 10（8）： 27432743.

[20] Lin Boqiang， Benjamin N. Causal Relationships between Energy Consumption， Foreign Direct Investment and Economic Growth for MINT： Evidence from Panel Dynamic Ordinary Least Square Models[J]. Journal of Cleaner Production， 2018， 197（10）： 708720.

[21] Wu Yunna， Wang Jing， Ji Shaoyu， et al. Renewable Energy Investment Risk Assessment for Nations along China’s Belt & Road Initiative： An ANPcloud Model Method[J]. Energy， 2020， 190（1）： 119.

[22] Liu Zhao， Zhang Huan， Zhang YueJun， et al. How Does Income Inequality Affect Energy Efficiency？ Empirical Evidence from 33 Belt and Road Initiative Countries[J]. Journal of Cleaner Production， 2020， 269（5）： 129.

[23] Chen Xia， Fu Qiang， Chang Chunping. What are the Shocks of Climate Change on Clean Energy Investment： A Diversified Exploration[J]. Energy Economics， 2021， 95（3）： 112.

[24] Xu Xiaofeng， Zhang Wei， Li Ning， et al. A Bilevel Programming Model of Resource Matching for Collaborative Logistics Network in Supply Uncertainty Environment[J]. Journal of the Franklin Institute， 2015， 352（9）： 38733884.

[25] Xu Xiaofeng， Lin Ziru， Zhu Jing. DVRP with Limited Supply and Variable Neighborhood Region in Refined Oil Distribution[J]. Annals of Operations Research， 2020， 309（2）： 663687.

[26] 李标， 张航， 吴贾. 实施长江经济带发展战略能降低污染排放强度吗？[J]. 中国人口·资源与环境， 2021， 31（1）：134144.

[27] 许勤华.碳中和趋势下共建绿色丝路——绿水青山如何转化为金山银山[EB/OL]. （20210611）[20220310].http：//m.thepaper.cn/baijiahao_13103754.

[28] Burnett J W， Bergstrom J C， Wetzstein M E. Carbon Dioxide Emissions and Economic Growth in the U.S.[J]. Journal of Policy Modeling， 2013， 35（6）： 10141028.

[29] AlMulali U， Tang C F， Ozturk I. Does Financial Development Reduce Environmental Degradation？ Evidence from a Panel Study of 129 Countries[J]. Environmental Science and Pollution Research， 2015， 22（19）： 1489114900.

[30] Blei D M， Ng A Y， Jordan M I. Latent Dirichlet Allocation[J]. The Journal of Machine Learning Research， 2003（2）： 9931022.

[31] Tüzen M F， Erba S. A Comparison of Count Data Models with an Application to Daily Cigarette Consumption of Young Persons[J]. Communications in StatisticsTheory and Methods， 2018， 47（23）： 58255844.

[32] Chen Yang， Chao Yiying， Liu Wei， et al. Make Friends， Not Money： How Chinese Enterprises Select Transport Infrastructure Investment Locations along the Belt and Road Initiative[J]. Transport Policy， 2020， 101（2）： 119132.

[33] 王雄元， 卜落凡. 國际出口贸易与企业创新——基于“中欧班列”开通的准自然实验研究[J]. 中国工业经济， 2019（10）： 8098.

[34] Xu Xiaofeng， Hao Jun， Zheng Yao. Multiobjective Artificial Bee Colony Algorithm for Multistage Resource Leveling Problem in Sharing Logistics Network[J]. Computers and Industrial Engineering， 2020， 142（4）： 111.

[35] Xu Xiaofeng， Hao Jun， Yu Lean， et al. Fuzzy Optimal Allocation Model for TaskResource Assignment Problem in Collaborative Logistics Network[J]. IEEE Transactions on Fuzzy Systems， 2019， 27（5）： 11121125.

[36] Xu Xiaofeng， Wei Zhifei， Ji Qiang， et al. Global Renewable Energy Development： Influencing Factors， Trend Predictions and Countermeasures[J]. Resources Policy， 2019， 63（10）： 115.

The Impact of the Environment of the B&R Countries on China’s Energy Investment Strategy Within Carbon Neutrality Context

NIE Zhengya1， LIU Zhiting2， LIU Wenzhi2， LI Shufeng3

（1.International Department， China National Petroleum Corporation， Beijing 100007， China;

2.School of Economics and Management， China University of Petroleum （East China）， Qingdao 266580， Shandong， China;

3.China National Oil and Gas Exploration and Development Corporation， Beijing 100034， China）

Abstract：As an important means to achieve greenhouse gas emission reduction， carbon neutrality also has a certain impact on energy investment. Therefore， based on 100 papers on China’s foreign energy investment， this paper uses the Latent Dirichlet Allocation topic model to mine six indicators， and introduces CO2 emission intensity and energy intensity to build an energy investment index system. Then， based on the energy investment and corresponding index data of 35 Belt and Road （B&R） countries from 2009 to 2018， the feasibility of regression analysis was verified based on descriptive statistics and correlation analysis， and the negative binomial model of panel data was selected to test the empirical results. Finally， a robustness test method with a shortened time window was used to test the sensitivity of samples since the Belt and Road Initiative was proposed. The empirical results suggest that： （1） The impact indicators of energy investment include： the energy productivity， trade opening， GDP， proportion of manufacturing in GDP， labor force and infrastructure level. The economic conditions of the host country， such as GDP， trade openness and infrastructure level， have no significant impact on China’s energy investment， which is caused by the strategic orientation of China’s energy investment. （2） Under the background of "carbon neutrality"， B&R countries have to cut carbon emission intensity and energy intensity to achieve a balance between CO2 emissions and absorption on a yearly basis. The decreasing CO2 emission intensity contributes to China’s energy investment in the target country while the decreasing energy intensity does the contrary， exercising more influence on energy investment. Therefore， the proposal of "carbon neutrality" has a great impact on China’s energy investment structure. In light of this， energy enterprises should increase the proportion of new energy investment and the number of contracts， vigorously develop new energy businesses， improve energy efficiency and deepen technological reform. In addition， it is necessary to strengthen risk identification， enhance the ability to identify risk projects， highlight socially responsible management， and actively carry out afforestation and other environmental protection activities.

Key words：carbon neutrality;energy investment;environmental governance;LDA model;negative binomial regression model