碳排放的空间关联：基于两阶段SYS-GMM的实证研究

何立华，金地

（1中南民族大学 经济学院，武汉 430074；2中南财经政法大学 文澜学院，武汉 430073）

习近平总书记强调，“绿水青山就是金山银山”.如何实现“在保护中发展、在发展中保护”，已经成为了中国政府当前迫切需要解决的难题之一.对此，国内学者已经从不同层面开展了比较多的讨论.相比于现有成果，本研究在考虑时间滞后效应的同时，将重点测度各省区的空间关联，以探讨中国经济增长过程中碳排放的演变特征.

1 研究设计

为了测度中国经济增长过程中碳排放的空间关联，借鉴ELHORST、BURNETT等、DONFOUET等、许海平、李锴和齐绍洲以及周杰琦和汪同三，本研究采用时空联立模型（time-space simultaneous model）如下：

其中，CO2_PCit-1是被解释变量人均碳排放量CO2_PCit的一阶滞后项，系数φ刻画了上一期人均碳排放量对本期排放量的影响；WCO2_PCit为同一时域内人均碳排放量的空间滞后项，即邻近观测单元上随机变量CO2PCit与空间权重矩阵W的加权平均，ρ为空间自回归系数（Spatial AutoregressiveParameter），度量了空间滞后项WCO2_PCit对CO2_PCit的影响；Xit则表示其他需要控制的外生解释变量，uit为随机扰动项.遵循Rook相邻规则，本研究采用简单二分权重矩阵：主对角线上的元素为0，如果i地区与j地区相邻，则wij为1，否则为0.

现有研究表明，相比于仅含人均收入多项式的计量模型，加入其他控制变量将使回归估计更为优化.参考现有文献，时空联立模型式（1）中，本研究控制的其他解释变量包括：

（1）人均收入（GDP_PC）.EKC假说认为，人均碳排放量和人均收入之间存在着非线性关系，为此本研究在时空联立模型中同时加入了人均收入的一次项和二次项.

（2）工业化（Industrialization）.为了考察工业化或产业结构对碳排放的影响，本研究选取工业产值占地区生产总值的比重作为工业化的指标.

（3）对外开放度（Openness）.对外贸易具有不可忽视的环境效应，为此本研究选用货物进出口总额与地区生产总值的比值以反映各地区对外开放度.

（4）城镇化（Urbanization）.城镇化与碳排放之间的密切联系，采用常规作法，本研究用各省区城镇常住人口占总人口的百分比作为反映指标.

2 碳排放估算

与二氧化硫、氮氧化物、烟（粉）尘等污染物排放量不同，中国并没有直接公布的碳排放官方统计数据，需要进行估算.参照国家发改委能源研究所以及林伯强和刘希颖的方法，本研究估算省级碳排放量的主要来源包括煤炭消费、焦炭消费、石油消费（包括汽油、煤油、柴油和燃料油）、天然气消费和水泥生产等，其估算公式为：

其中，CO2it是第i省份第t年的碳排放量；Sit，k是第i省份第t年的碳排放来源的消费量或水泥生产量；ηk是第k种碳排放来源的排放系数，即煤炭、焦炭、汽油、煤油、柴油、燃料油、天然气和水泥等8种碳排放主要来源的排放系数分别为1.776、2.860、3.045、3.150、3.174、3.064、21.670以及0.527.这样，通过2006-2019年《中国能源统计年鉴》获取的各省能源消费量数据以及《中国统计年鉴》获取的水泥生产和常住人口数据，就可以计算出省级层面总的以及人均的碳排放量.由于数据获取方面的约束，本研究仅包括30个省市自治区，不包括西藏以及台湾、香港、澳门.

3 实证检验与分析

在时空联立模型式（1）中，等式右边既包含了被解释变量的一阶滞后项，也包含了空间滞后项，因此参数估计需要考虑内生性问题（Endogeneity Problem）.一般来说，有限样本条件下SYS-GMM估计值的标准差是有偏的.为此，根据WINDMEIJIER提出的修正方法，回归时用更为准确的稳健标准差进行了矫正.考虑到工具变量的数量过多亦将严重地削弱估计量的有效性，根据ROODMAN的建议，设定两阶段SYS-GMM的工具变量最多选择两个其他期的滞后值，对此进行了必要控制.此外，考虑到不同时期外部特定因素（如国际金融危机）的影响，在回归时引入了时间虚拟变量.

在估计检验方面，为了判断模型中空间滞后项的设定是否合理，回归时申请了LMError、LMLag以及其稳健形式的空间相关性测试.为了考察SYSGMM方法的使用是否合适，回归时不仅采用了差分转换方程的一阶、二阶序列相关检验AR（1）、AR（2）来判断随机扰动项是否序列相关，同时还采用了Sargan过度识别检验来检验工具变量的可靠性.最后，为了考察估计结果的稳定性，在使用两阶段SYS-GMM方法的同时，还使用混合OLS、固定效应估计方法对时空联立模型式（1）进行了参数估计.

具体的估计结果如表1所示。

在表1中，空间面板空间自相关检验表明，统计量LM Error和LM Lag都在1%的水平上显著.进一步比较Robust LM Lag和Robust LM Error，Robust LMLag在1%的水平上显著，而Robust LM Error的P值为0.4621.也就是说，时空联立模型式（1）中，用空间滞后项的形式来反映人均碳排放的空间相关性是合适的.从误差项自回归的检验看，AR（1）、AR（2）的P值分别为0.0807和0.3511，可以判断uit不存在序列相关性.同时，Sargan过度识别检验的P值为0.6846，不能拒绝原假设，即SYS-GMM估计使用的矩条件是正确的.由此，可以认定两阶段SYSGMM方法是可行的，可以保证参数估计量是一致有效的.

表1 回归模型及其结果Tab.1 Regression model and itsresults

相应的，实证结果的发现可简要总结如下：

（1）碳排放存在持续的时间效应.在表1中，无论是混合OLS估计、固定效应估计还是SYS-GMM估计，变量L1.CO2_PC的参数估计量在的1%水平下都是显著的.其中，混合OLS、固定效应的估计结果分别为1.0734和0.7327.SYS-GMM的估计结果是0.7913，恰好介于二者的估计结果之间.这表明，SYS-GMM的估计结果是合理的，并非是有限样本有偏的.变量L1.CO2_PC的参数估计值为0.7913，其直观的含义是，当期碳排放的1个单位增加将导致下一期的碳排放增加0.7913个单位，反之亦然.

（2）碳排放在各省区间存在显著的空间关联.两阶段SYS-GMM的估计结果表明，空间滞后项WCO2_PC的参数估计在的1%水平下是显著的，系数ρ的估计值为0.3735，这说明周边省区不仅对本省的碳排放有影响，而且这种影响还非常大.这一现象的产生，可能主要与各省区为经济发展展开的过度竞争有关.如围绕一些热点行业或国家重点工业项目，各个省区都竞相进入、一拥而上，而无论其是否是“高能耗、高污染、高排放”.

（3）碳排放EKC假说在中国是成立的.两阶段SYS-GMM的估计结果显示，变量GDP_PC及其平方项的参数分别为0.0001和-9.53e-10，并且在1%水平下是显著的.由于GDP_PC的参数的符号为正，其平方项参数的符号为负，即其他条件不变时二者关系的图形特征为一条开口向下的抛物线，因此可以认为碳排放EKC假说在中国是成立的.这意味着，碳排放的增加不仅是经济增长的结果，而且碳排放的减少最终也需要依赖经济的不断增长.

（4）工业化、对外开放以及城镇化等对碳排放都有显著影响.和其他相关的研究一样，本研究发现变量Industrialization的估计参数是显著的，其符号为正，即工业化对CO2减排有显著的负面影响.原因主要在于：相对于与农业和服务业，工业发展需要消耗的更多的能源，因而导致更多的碳排放.在表1的最后一列中，对外开放和城镇化的估计参数符号都是显著为负.这说明，无论对外开放还是城镇化，都没有增加中国的碳排放，相反都是需要借以利用的有利因素.

4 启示与建议

本实证研究的上述发现表明：（1）碳排放是经济增长的必然产物，但CO2减排的最终实现也依赖于经济增长；（2）碳排放存在显著的空间正相关，某一地方（政府）以牺牲环境为代价来发展经济，不仅会造成自身环境恶化，也会对周边地区的环境质量产生负面影响，因此环境治理需要全国一盘棋、各省区需要协调行动.

相应地，为了避免到达EKC拐点之前突破环境安全阈值、实现经济与环境的协调发展，在政策设计上建议：（1）加快第三产业发展，在促进我国经济增长的同时降低工业化对环境的负面效应；（2）在加快工业部门产业结构升级的同时，鼓励企业通过项目改造、技术创新等途径不断提高能源使用效率；（3）加大对非石化能源产业发展的扶持力度，不断优化能源消费结构；（4）建立地方政府CO2协同联动减排激励机制，鼓励地方政府进行跨行政区环境治理合作；（5）进一步推进对外开放和城镇化建设，以发挥其对CO2减排的积极作用.