上海工业行业碳排放的影响因素

　　一个国家或地区的碳排放取决于技术水平、发展程度、能源结构、产业结构、人口结构等多种因素的综合影响,但各种因素的影响程度和影响方向不尽相同。传统观点认为随着人类财富的增加,日益增长的能源消费是碳排放增长的主要因素,但并未将人口、技术等因素考虑其中。也有研究认为人口、经济、技术均是决定碳排放的主要因素,这些决定因素在不同区域对碳排放的贡献是不同的(Shi,2003)。本节将利用STIRPAT模型对上海工业行业碳排放的影响因素进行计量实证分析。

一、计量模型与指标数据

　　针对IPAT方程的缺陷和不足,Dietz和Rosa(1994)将IPAT方程以随机的形式表示,建立了STIRPAT模型,即:

　　I=aP^bA^cT^de(4-4)

　　其中,a为模型系数,b、c、d分别为各影响因素的指数,e为模型误差。

　　当a=b=c=d=e=1时,STIRPAT模型即退化为IPAT等式,因此IPAT等式是STIRPAT模型的特殊形式。STIRPAT模型不仅保留了IPAT等式的乘法结构,还通过指数的引入克服了各影响因素等比例变化的缺陷,更重要的是,STIRPAT模型既允许将各系数作为参数来进行估计,也允许对各影响因素进行适当的分解(Dietz和Rosa,1994;York等,2003),从而弥补了难以定量分析各因素对环境产生影响的不足,同时也为在EKC等假说框架下开展实证考察创造了条件。目前,STIRPAT模型已被广泛地应用于定量分析人口、经济、技术等因素对碳排放影响的研究中。

　　式(4-4)两边同时取对数后可变形为:

　　lnI=a+b(lnP)+c(lnA)+d(lnT)+e(4-5)

　　根据不同的研究目的和需要,相关文献往往在上式基础上进行相应的改进以开展各种实证研究,如引入城市人口比重(York等,2003)、15~64岁人口比重(魏一鸣等,2008)、工业结构和能源消费结构(林伯强和蒋竺均,2009)等变量,以及加入人均收入的平方项来检验EKC假说是否成立(Shi,2003;Rosa等,2004;刘宇等,2007)。

　　与大多数以往研究取单一被解释变量的做法不同,我们选取碳排放规模——碳排放总量的自然对数(表示为lnTC)和碳排放强度——单位产值碳排放的自然对数(表示为lnPC)分别作为被解释变量(在模型中统一表示为lnC),以期分别从规模和强度两方面得到更为全面的分析结果。李小平和卢现祥(2010)也采取了上述做法。

　　我们对式(4-5)中的解释变量也进行了相应的分解和改进。首先,在国家或省域层面上,人口规模无疑在很大程度上会对碳排放产生重要的影响,但在我们所研究的工业行业层面上,人口规模显然不再适合作为解释变量出现在模型中。因为人口规模对碳排放的贡献主要源于人口增加所带来的对能源需求的增加,而对于工业行业来讲,与人口规模相对应的从业规模对其行业碳排放的影响机制并非如此。工业行业的从业规模主要取决于行业生产要素的密集程度,而从前文的分析结果来看,多数从业规模较大的劳动密集型行业,如纺织服装、木材加工、文教体育用品、皮革毛皮、家具制造、仪器仪表等行业均属于中低排放行业,但也不乏存在纺织业和金属制品业这样的中高排放劳动密集型行业,因此,工业行业的从业规模与碳排放之间并不存在十分明确的关联。但从投资规模角度来看,几乎所有典型的资本密集型行业,如黑色金属、石油加工、通用设备、交通运输设备等行业均属于中高排放组。由此可以推断,投资规模是影响工业行业碳排放的主要因素。因此,我们将式(4-5)中的人口规模变量替换为投资规模变量F,并利用固定资产投资来度量,预期其系数符号为正。

　　其次,式(4-5)中的人均收入在本研究中所对应的变量应为劳均产出,即以单位从业人数的工业总产值度量的劳均工业产值(表示为Y),为了对CKC假说进行检验,我们同样对其进行了分解。目前研究CKC的文献通常采用二次方程的模型形式进行分析,但我们考虑到现有研究表明环境变量与经济增长变量之间的关系除了经典的倒U形外,还可能出现线性、U形、N形、倒N形等多种曲线关系,因此,我们将劳均产出变量分解为一次方项、平方项和立方项三项,采用三次方程的模型形式来对碳排放与工业产值之间的关系进行更加全面的实证考察。

　　第三,对于技术水平变量,我们将其分解为投入型变量——研发强度和绩效型变量——能源效率两项。前者由各行业企业科技开发项目内部支出占工业总产值的比重来度量,表示为R,该变量反映了各行业的研发投入力度,其值越大意味着该行业企业的科技创新能力越强,从而有助于提高技术效率和要素利用效率、降低能源消费强度和碳排放强度,因此预期其系数符号为负。后者由单位能源消费量的工业总产值来反映,表示为E,该变量为行业能源利用技术及其研发投入效果的直接外在反映,显然,能源效率越高,同样产出水平所需要消耗的能源及其所产生的碳排放就越少,因此也预期其系数符号为负。

　　最后,我们还考虑引入了两个与碳排放密切相关的变量。其一,众所周知,煤炭是一种高排放、高污染的能源,单位热量燃煤产生的碳排放较石油和天然气分别高出36%和61%左右⁹,因而长期以煤为主的能源消费结构决定了中国化石能源消费产生的二氧化碳大部分来自于煤炭,从前文图4-5所反映的统计观察结果可知,上海工业能源消费的碳排放结构亦是如此。因此,能源消费结构理应成为研究碳排放时所考虑的一个重要因素。我们参考林伯强和蒋竺(2009)的做法,将煤炭消费比重所反映的能源消费结构变量引入STIRPAT模型,表示为S,并预期其系数符号为正。其二,政府的政策战略导向对于相关经济变量无疑将会产生不容忽视的影响。我国在“十一五”规划中首次提出了“节能减排”的战略目标,针对“五年内单位国内生产总值能耗降低20%左右,主要污染物排放总量减少10%”的目标,各级地方政府和各部门积极采取行动,自2006年起纷纷出台了一系列相关的政策措施,这对于能源消费及其产生的碳排放的增加必然可以产生一定程度的抑制作用。为了控制和反映这种政策性影响,我们引入了一个政策虚拟变量D,将2006、2007和2008三年取值为1,其他年份取值为0,并预期其系数符号为负。

　　这样,经过改进的(4-5)式的静态面板数据模型形式为:

　　lnC_it=α₀+α₁(lnF_it)+α₂(lnY_it)+α₃(lnY_it)²+α₄(lnY_it)³

+α₅(lnR_it)+α₆(lnE_it)+α₇(lnS_it)+α₈D+ε_it(4-6)

　　其中,下标i代表工业行业,t表示年份,α_j(j=0,…,8)为待估参数,ε为随机扰动项。根据系数α₂、α₃和α₄的取值情况可以对C与Y之间的曲线关系进行判断:(1)若α₂≠0且α₃=α₄=0或不显著,则C与Y之间为单调递增(α₂>0)或单调递减(α₂<0)的线性关系;(2)若α₂>0,α₃<0且α₄=0或不显著,则C与Y之间为典型的倒U形EKC关系,拐点出现在G^*=-α₂/2α₃;(3)若α₂<0,α₃>0且α₄=0或不显著,则C与Y之间为U形关系;(4)若α₂>0,α₃<0且α₄>0,则C与Y之间为N形关系;(5)若α₂<0,α₃>0且α₄<0,则C与Y之间为倒N形关系。

　　(4-6)式隐含地假定了碳排放会随各影响因素的变化而瞬时发生相应变化,即不存在滞后效应。但现实情况并非如此理想,包括碳排放在内的环境变量通常具有一定的路径依赖特征,前期情况对当期结果可能存在着不可低估的影响。从工业行业样本数据情况来看,工业企业的资本(主要指固定资产)调整通常具有明显的滞后性,无法与当期的经济和制度环境同步进行,这就使得一些物化在生产设备等固定资产中的技术的更新换代滞后,从而导致碳排放的变化也随之滞后。此外,我们所选取的能源消费结构、能源效率等部分影响因素,属于“惯性”较大的经济变量,这些因素的调整往往是长期而缓慢的,而碳排放对于这些宏观经济因素的敏感程度在很大程度上也决定了其滞后效应的大小。因此,对碳排放变化的滞后效应进行考察是具有重要意义的。我们可以利用计量经济学中的局部调整模型对上述滞后效应进行一些推导阐释¹⁰。考虑如下局部调整模型:

　　ln=β+xZ_it+δ_it(4-7)

　　其中,表示碳排放的期望(desired)水平,β为常数项,Z_it为(4-6)式中8个解释变量所组成的向量,x为其系数向量,δ为随机扰动项。

　　碳排放的期望水平也可称为碳排放的目标水平,可以理解为政府为实现经济发展和环境保护的双重目标所预期实现的最佳碳排放水平,(4-7)式表明各解释变量的当期值影响着碳排放的期望值。由于存在技术、制度、经济结构等因素的限制,碳排放的期望水平通常不会在短期内迅速实现,而只能通过政府的相关战略行为(如“退二进三”、“上大压小”、淘汰落后产能等)得到部分的调整,使当期水平向期望水平逐渐靠拢。而局部调整假设认为,被解释变量的实际变化仅仅是预期变化的一部分,即存在如下关系:

　　lnC_it-lnC_i,t-1=(1-σ)(ln-lnC_i,t-1)(4-8)

　　其中,1-σ(0<σ<1)为实际碳排放水平向期望碳排放水平的调整系数,其值越大说明调整速度越快。当σ=0时,实际排放水平与预期相等,为充分调整状态;当σ=1时,当期排放水平与前期相同,说明完全未进行调整。

　　(4-8)式表明,第t-1期的实际碳排放水平lnC_i,t-1与预期排放水平ln的差距为ln-lnC_i,t-1,而第t期的碳排放调整幅度则为(1-σ)(ln-lnC_i,t-1)。上述机制恰好可以为我国政府制定预期的减排目标这一现实情况提供很好的反映。将(4-8)式代入(4-7)式可推出下式:

　　lnC_it=β^*+σlnC_it-1+x^*Z_it+(4-9)

　　其中,β^*=(1-σ)β,x^*=(1-σ)x,δ^*=(1-σ)δ。x^*为短期乘数,反映解释变量Z对碳排放的短期影响情况;x为长期乘数,表明Z对碳排放的长期影响情况;σ为滞后乘数,表示前一期碳排放水平对当期的影响情况,可以对前文提出的滞后效应予以度量。

　　(4-9)式即本研究最终采用的碳排放影响因素的动态面板数据回归模型,其中被解释变量滞后项的存在很可能导致解释变量与随机扰动项相关而产生内生性问题,因此使用一般的面板数据估计方法(固定效应或随机效应模型),所得到的估计结果很可能是有偏的。基于以上考虑,本研究采用被广泛用于处理内生性问题的广义矩估计(GMM)方法来对(4-9)式进行参数估计。

　　由于GMM方法放宽了对随机扰动项的要求,允许误差项存在异方差和自相关,所以其参数估计量不仅比较稳健,而且较其他估计方法也更符合实际。Arellano和Bond(1991)首先提出了差分广义矩估计(DIFGMM)方法,其基本思路是:首先对回归方程进行一阶差分变换以消除由于未观测到的个体效应造成的遗漏变量偏误,然后将滞后变量作为差分方程中相应内生变量的工具变量估计差分方程,以消除由于联立偏误造成的潜在的参数不一致性。该方法不仅可以避免因忽略一些必要解释变量而产生的偏差,而且在某种程度上控制了双向因果关系引起的内生性问题。但Blundell和Bond(1998)研究认为,当数据具有高持续性时,其时间序列的水平滞后项与其一阶差分项是弱相关的,水平滞后变量只是同期差分变量的弱工具变量,导致DIFGMM较易受弱工具变量和小样本偏误的影响,因此其估计量不一定完全有效。为克服上述问题,Arellano和Bover(1995)、Blundell和Bond(1998)提出并建议采用系统广义矩估计(SYSGMM)方法,SYSGMM将解释变量的水平值作为一阶差分方程的工具变量,而解释变量一阶差分的滞后值则作为水平变量估计方程的工具变量,对包含变量水平值的原估计方程与进行了一阶差分后的估计方程同时进行估计。SYSGMM相对于DIFGMM在有效性和一致性上都有了很大的改进(Roodman,2009),提高了估计效率。但SYSGMM的一致性取决于工具变量的有效性,因此有必要利用Hansen检验和ArellanoBond检验(AB检验)来对其进行判断。其中,Hansen检验是工具变量的过度识别约束检验¹¹,其零假设为工具变量的选取是有效的,检验统计量服从自由度为工具变量的个数与待估计参数的个数之差的卡方分布;AB检验为差分误差项的二阶序列相关检验(零假设是不存在序列相关),用来判断是否一阶序列相关而二阶序列不相关¹²,以考察工具变量的选择是否合理。

　　根据对权重矩阵的不同选择,GMM方法可分为一步(onestep)和两步(twostep)估计。与一步估计相比,两步估计是渐进有效的,但同时其估计量的标准误也存在向下的偏误(Blundell和Bond,1998)。Windmeijer(2005)提供一种方法实现了对两部估计标准误的纠正,使得两部稳健估计比一步稳健估计更加有效,尤其对于SYSGMM而言效果更好。因此,本研究选择使用两步系统广义矩估计法对(4-9)式进行参数估计。

　　我们选择1994~2008年15年间上海市32个工业行业的面板数据作为研究样本。数据主要来源于《上海工业物资能源交通统计年鉴》(1995、1997~2001)、《中华人民共和国1995年工业普查资料汇编:上海卷》、《上海工业交通能源统计年鉴》(2002、2003)、《上海工业能源交通统计年鉴》(2004~2009)。各变量的定性描述报告于表4-5。

表4-5变量定性描述

符号

定义

度量指标或说明

单位

预期符号

TC

碳排放规模

本文估算值

万吨

—

PC

碳排放强度

碳排放规模/1990年不变价格的工业总产值

吨/百万元

—

F

投资规模

1995年不变价格的固定资产投资

亿元

+

Y

劳均产出

1990年不变价格的工业总产值/从业人数

万元/人

不确定

R

研发强度

科技开发项目内部支出/工业总产值

%

-

E

能源效率

1990年不变价格的工业总产值/能源总消费

万元/吨标准煤

-

S

能源消费结构

原煤和洗精煤之和占能源总消费比重

%

+

D

政策虚拟变量

2006、2007、2008年取1,其余年份取0

—

-

　　注:由于科技开发项目内部支出无法换算为不变价格,因此为保证口径一致,研发强度指标采用当年价计算。

　　需要说明的是,由于碳排放主要来源于具有中间投入品属性的能源要素,所以本研究的工业产出指标宜使用包含了中间投入成本的工业总产值而非工业增加值。此外,为了保证数据的可比性,我们对工业总产值与固定资产投资均进行了平减处理。前者的1990年不变价格数据在《上海工业能源交通统计年鉴》中可查至2003年,对于未见报告的2004~2008年不变价格数据,我们按照2006~2009年《中国城市(镇)生活与价格年鉴》中的各行业工业品出厂价格指数,以及《上海统计年鉴2005》中报告的各行业相关价格指数将其统一平减为1990年不变价格的可比序列。对于后者,我们按照《上海统计年鉴2009》中报告的上海市历年固定资产投资价格指数将其统一平减为1995年不变价格的可比序列。

　　表4-6报告了各变量的描述性统计量。可以看出,除政策虚拟变量外的所有经济变量在各行业间均表现出较大的差异,其中各行业间碳排放规模和碳排放强度的差别尤为明显,其变动范围分别为0.179 0万吨~3 733.101 0万吨和0.162 9吨/百万元~942.593 9吨/百万元。

表4-6变量描述性统计

变　量

样本容量

均值

标准差

最小值

最大值

碳排放规模

480

175.928 4

527.875 2

0.179 0

3 733.101 0

碳排放强度

480

77.949 5

159.674 7

0.162 9

942.593 9

投资规模

480

20.567 9

34.527 1

0.0179 4

224.722 2

劳均产出

480

35.518 1

41.605 4

3.934 9

394.484 5

研发强度

480

1.647 2

7.757 7

0

109.424 7

能源效率

480

8.048 2

9.099 8

0.102 6

61.208 5

能源消费结构

480

28.061 0

21.606 7

0

89.343 3

政策虚拟变量

480

0.200 0

0.400 4

0

1

二、实证结果及讨论

　　为便于逐步观察各解释变量对碳排放的影响情况,以及实证结果的稳健性,我们采用依次添加解释变量的方法进行分析。表4-7和表4-8分别报告了以lnTC和lnPC为被解释变量的分析结果。两张表中的模型1均为仅包含被解释变量滞后一期而未加入其他影响因素变量的三次方程模型形式CKC的分析结果,模型2至模型6依次添加的解释变量分别为投资规模、研发强度、能源效率、能源消费结构、政策虚拟变量。

表4-7和表4-8中报告的参数联合检验结果表明各模型的参数整体上均非常显著。AB检验的结果显示,所有模型的残差均存在一阶序列相关(在相伴概率10%的显著水平上)但不存在二阶序列相关,Hansen统计量不显著则说明各模型均不存在工具变量过度识别的问题,因此,各模型工具变量的选择均是合理有效的。表4-7和表4-8中结果的最大差别在于:前者中所有模型的参数估计结果均显示碳排放规模与劳均产出之间呈现出N形曲线关系,后者中所有模型的参数估计结果则均显示碳排放强度与劳均产出之间呈现出倒N形曲线关系。这一分析结果与李小平和卢现祥(2010)类似,他们针对我国工业行业碳排放的实证分析结果显示,人均产出与碳排放绝对量和单位产出的碳排放量的曲线关系分别为倒U形和正U形(此文仅考察了二次方程条件下的情形),但他们并未提供相关解释。我们将在下文尝试对这种差异的原因进行分析。

表4-7以碳排放规模的自然对数(lnTC)为被解释变量的分析结果

解释变量

模型1

模型2

模型3

模型4

模型5

模型6

lnTC_t-1

0.866 456a

0.877 351a

0.896 644a

0.914 267a

0.740 415a

0.707 106a

(0.017 827)

(0.014 846)

(0.014 928)

(0.021 103)

(0.034 301)

(0.034 442)

lnY

1.129 836a

1.370 522a

1.422 839a

1.031 869a

1.920 614a

2.849 953a

(0.234 532)

(0.266 957)

(0.325 668)

(0.261 771)

(0.661 699)

(0.843 056)

(lnY)²

-0.246 969a

-0.306 487a

-0.333 378a

-0.259 011a

-0.529 848b

-0.819 189a

(0.066 207)

(0.073 459)

(0.086 222)

(0.070 156)

(0.208 204)

(0.270 871)

(lnY)³

0.017 661a

0.021 347a

0.024 421a

0.022 100a

0.052 610b

0.081 347a

(0.005 915)

(0.006 621)

(0.007 544)

(0.006 320)

(0.021 127)

(0.027 811)

lnF

0.030 485a

0.029 748a

0.031 925b

0.116 327a

0.101 726a

(0.007 871)

(0.005 943)

(0.011 869)

(0.010 465)

(0.015 599)

lnR

-0.143 088a

-0.034 697b

-0.073 092b

-0.076 623a

(0.031 062)

(0.014 152)

(0.030 933)

(0.024 464)

lnE

-0.348 990a

-0.541 795a

-0.675 084a

(0.047 525)

(0.081 818)

(0.118 583)

lnS

0.225 682a

0.204 728a

(0.032 787)

(0.032 568)

D

-0.075 702a

(0.027 396)

常数项

-1.170 390a

-1.810 301a

-1.528 098a

-0.357 420

-1.789 840b

-2.042 763b

(0.245 193)

(0.356 028)

(0.396 585)

(0.478 190)

(0.676 590)

(0.757 794)

曲线类型

N形

N形

N形

N形

N形

N形

拐点

(万元/人)

1.011 367、

1.014 979

1.014 707、

1.024 962

1.018 508、

1.030 980

—

—

—

参数联合

检验值(P)

1 533.53

1 207.19

1 302.57

6 907.77

427.60

977.40

(0.000)　

(0.000)　

(0.000)　

(0.000)　

(0.000)　

(0.000)　

AR(1)

-1.83

-1.83

-1.83

-1.82

-1.80

-1.73

检验值(P)

(0.067)

(0.067)

(0.068)

(0.069)

(0.072)

(0.084)

AR(2)

1.16

1.17

1.16

1.20

1.07

1.05

检验值(P)

(0.245)

(0.243)

(0.244)

(0.230)

(0.283)

(0.293)

Hansen

30.63

29.83

28.27

25.97

26.78

23.53

检验值(P)

(1.000)

(1.000)

(1.000)

(1.000)

(1.000)

(1.000)

样本容量

32×15

32×15

32×15

32×15

32×15

32×15

　　注:系数下方括号内数值为其标准差;a、b、c分别表示1%、5%、10%的显著水平。

表4-8以碳排放强度的自然对数(lnPC)为被解释变量的分析结果

解释变量

模型1

模型2

模型3

模型4

模型5

模型6

lnPC_t-1

0.805 572a

0.912 928a

0.926 394a

0.696 712a

0.655 344a

0.608 202a

(0.013 887)

(0.016 648)

(0.020 962)

(0.024 922)

(0.025 256)

(0.038 286)

lnY

-2.426 576a

-3.819 561a

-2.654 492b

-3.656 350a

-3.172 083a

-3.695 457a

(0.642 280)

(0.911 502)

(1.064 755)

(0.594 869)

(1.091 440)

(1.216 343)

(lnY)²

0.795 875a

1.168 123a

0.940 942a

1.087 180a

0.995 697a

1.113 255a

(0.192 664)

(0.255 289)

(0.309 243)

(0.186 280)

(0.299 292)

(0.325 067)

(lnY)³

-0.083 211a

-0.114 195a

-0.100 419a

-0.102 059a

-0.093 251a

-0.100 473a

(0.018 672)

(0.023 123)

(0.028 666)

(0.018 333)

(0.026 566)

(0.028 046)

lnF

-0.018 251c

-0.032 752b

-0.049 254a

-0.040 141c

-0.040 265c

(0.009 047)

(0.012 827)

(0.017 468)

(0.023 452)

(0.021 037)

lnR

-0.190 101a

-0.254 217a

-0.156 263a

-0.085 533c

(0.041 874)

(0.041 992)

(0.037 056)

(0.045 714)

lnE

-1.020 457a

-0.975 057a

-1.068 757a

(0.077 149)

(0.061 815)

(0.077 374)

lnS

0.201 508a

0.221 993a

(0.016 339)

(0.019 770)

D

-0.148 523a

(0.024 585)

常数项

2.837 550a

4.348 123a

3.058 118b

8.704 565a

6.846 416a

7.736 977a

(0.704 385)

(1.134 628)

(1.317 962)

(0.897 322)

(1.384 236)

(1.708 540)

曲线类型

倒N形

倒N形

倒N形

倒N形

倒N形

倒N形

拐点

(万元/人)

1.170 179、

1.271 499

1.375 917、

1.618 084

1.215 651、

1.450 126

1.292 197、

1.505 907

1.207 227、

1.445 958

1.257 084、

1.556 311

参数联合

3 769.34

4 178.00

643.85

4 773.96

3 102.81

2 304.84

检验值(P)

(0.000)

(0.000)

(0.000)

(0.000)

(0.000)

(0.000)

AR(1)

-1.86

-1.72

-1.89

-1.75

-1.70

-1.68

检验值(P)

(0.062)

(0.086)

(0.059)

(0.081)

(0.089)

(0.093)

AR(2)

1.33

1.13

1.21

1.27

1.04

1.07

检验值(P)

(0.185)

(0.260)

(0.226)

(0.205)

(0.298)

(0.287)

Hansen

31.49

30.16

29.55

30.03

29.36

28.91

检验值(P)

(1.000)

(1.000)

(1.000)

(1.000)

(1.000)

(1.000)

样本容量

32×15

32×15

32×15

32×15

32×15

32×15

　　注:系数下方括号内数值为其标准差;a、b、c分别表示1%、5%、10%的显著水平。

　　我们首先来对表4-7报告的分析结果进行讨论。可以看到,模型1至模型6中几乎所有的参数(除模型4的常数项)均是显著的,而且大部分在1%的水平上显著,各变量在模型1至模型6中的系数符号也均保持不变,表明我们的分析结果相当稳健,所选取的变量对于工业行业的碳排放规模均具有重要影响。模型1的分析结果显示劳均产出的平方项系数是显著为负的,而其一次方项、立方项则是显著为正的,说明CKC为N形,而且在依次加入其他解释变量后,这种N形关系一直稳健地存在。不过从拐点的情况来看,N形曲线的拐点并不明显,两个拐点值比较接近,甚至在加入能源效率变量后完全消失,说明N形曲线比较“陡峭”。对照各工业行业的实际数据来看,所有行业均早已越过了第二个拐点,目前正处于N形曲线的第三阶段,表明目前碳排放规模正随着劳均产出的增加而增加,即劳动生产率提高的同时碳排放的绝对数量也在随之提高。

　　值得一提的是,这种N形曲线关系与“重组假说”所描述的情形相符。De Bruyn和Opschoor(1997)所提出的重组假说认为环境压力与经济增长的分离状态不会长期持续下去,经济发展达到一定水平后会重新组合。环境压力和经济增长之间的关系,从长期来看呈现一种N形关系,而不是倒U形。随着经济增长率的提高,物质强度的减少很有可能被抵消,从而出现重新组合的现象。他们在实证研究中确实发现一些发达国家已经出现了重新组合的情况。此后很多学者在实证研究中加入三次项来验证重组假说,也发现了某些国家的某些指标确实出现了重新组合现象(Friedl和Getzner,2003;MartínezZarzoso和BengocheaMorancho,2004等)。对于重组假说出现的原因主要可解释为以下两点。

　　(1)政策因素:Friedl和Getzner(2003)提出能源危机的恢复和环境政策的软弱造成了污染物排放的增加,从而出现环境压力和经济增长的重组现象。

　　(2)经济因素:De Bruyn和Opschoor(1997)认为在经济迅速发展的同时,减物质化没有受到高度的重视;经济增长率超过了物质强度的减少,从而出现重新组合的情况。

　　就本研究而言,我们认为第三阶段出现的原因主要在于后者:在宏观层面,在经济和工业快速发展的背景下,绝对产出水平的提高必然带来能源要素投入及其所产生的碳排放随之增加;在微观层面,在其他生产要素的偏要素生产率保持不变的情况下,劳动生产率的相对提高意味着同样产出水平下包括能源在内的其他生产要素投入数量的相对增加,而其中能源要素投入的增加势必会产生更多的碳排放。当然,我国对于碳减排的相关政策措施实行较为滞后和监管力度不强等政策原因也不容忽视。

　　其他各影响因素的系数符号均与预期相符。投资规模和能源消费结构对碳排放规模具有显著的促进作用,而研发强度和能源效率对碳排放规模则具有显著的限制效应。从模型6的结果来看,固定资产投资规模和煤炭消费比重(自然对数)每增加1%,可以使碳排放总量(自然对数)分别增加约0.1%和0.2%;科技支出占工业产值比重和单位能源消费工业产值(自然对数)每增加1%,可以使碳排放总量(自然对数)分别减少约0.08%和0.68%,说明能源效率较研发强度对碳排放强度的控制效果更加明显,我们认为这主要是由于企业研发强度、研发活动并非均针对节能减排而开展,而能源效率的提高显然可以更加直接地减少碳排放。政策虚拟变量的系数显著为负,说明政府的节能减排政策导向和相关措施对于抑制碳排放规模是明显有效的。

　　从表4-8所报告的分析结果来看,模型1至模型6中全部参数均是显著的,在依次添加解释变量的过程中,各变量的系数符号一直保持不变,说明分析结果非常稳健,所选取的变量对于工业行业的碳排放强度均具有重要影响。模型1中劳均产出的平方项系数显著为正,而其一次方项、立方项则显著为负,表明CKC为倒N形,而且在依次加入其他解释变量后,这种倒N形关系一直稳健地存在。所有模型均存在两个拐点,但两个拐点值同样比较接近,表明倒N形曲线也比较“陡峭”。从各工业行业的实际数据来看,所有工业行业均已越过第二个拐点,目前正处于倒N形曲线的第三阶段,表明碳排放强度随劳均产出的增加而呈现出下降趋势,即劳动生产率的提高可以减少单位产出的碳排放水平,对于这一结果我们提出如下解释。碳排放强度的变化方向取决于碳排放绝对水平和工业产出水平之间的相对变化幅度,显然,当前者的增加幅度低于后者时,那么碳排放强度会趋于降低。虽然前文的分析结果显示劳均产出具有增加碳排放绝对量的趋势,但只要劳动生产率的提高使绝对产出水平提高的幅度超过碳排放增加的幅度,那么就会出现上述的分析结果——劳均产出具有降低碳排放强度的趋势。

　　从其他影响因素的情况来看,除投资规模外,其他变量的系数均符合预期。由模型6的分析结果可知,科技支出占工业产值比重和单位能源消费工业产值(自然对数)每增加1%,可以使碳排放强度(自然对数)分别减少约0.09%和1.07%,均大于表4-7中的相应水平,这一结果也说明通过技术手段对碳排放强度的控制较对碳排放规模的控制更加有效;煤炭消费比重(自然对数)每增加1%,可以使碳排放强度(自然对数)增加约0.22%,这与表4-7中的相应结果差别不大;2006~2008年的政府政策效应使碳排放强度降低了约0.15个百分点。值得注意的是,投资规模对碳排放规模和碳排放强度表现出截然不同的影响效果,固定资产投资规模每增加1%,可使碳排放规模(自然对数)增加约0.1%,但同时也使碳排放强度(自然对数)降低约0.04%。我们认为合理的解释是:投资规模的增加必然会使工业企业的生产规模随之增加,使其更多地消费化石能源而增加碳排放的绝对水平,因此,规模经济的优点在碳排放方面并不适用;但企业花费在生产设备等固定资产的投资,通常会加速生产技术的改进或更新,而且这种技术的改进和更新通常是朝着提高生产率的方向开展的,因此投资规模的扩大通常最终会提高包括能源要素在内的各种生产要素的单位产出水平(即要素生产效率),同劳均产出对碳排放强度的影响类似,一旦这种要素(尤其是能源要素)生产效率提高所带来的产出水平的增加幅度大于碳排放的增加幅度,那么投资规模的扩大就有可能对碳排放强度产生削弱效应。可见,资本设备的更新所带来的技术改进和更新换代是影响企业碳排放强度的一个关键因素。上述结论的政策含义是显而易见的:政府应该通过建立有效的激励机制及制定相关的政策措施,来鼓励引导企业多使用更加节能的生产设备以助于对碳排放强度进行控制。

　　最后,我们对碳排放变化的滞后效应和各变量的碳排放长期影响进行探讨。由表4-7和表4-8中的结果可知,碳排放规模和碳排放强度的滞后一期的系数(即滞后乘数σ)均在1%的水平上显著为正,取值范围也均符合理论预期的0<σ<1,这对前文提出的碳排放变化具有滞后效应的理论推断提供了很好的证明,表明碳排放的变化是一个连续积累的渐进调整过程。从模型6的结果来看,碳排放规模滞后一期的系数大于碳排放强度滞后一期的系数,说明前者向期望水平的调整速度小于后者,可见碳排放强度较碳排放规模更易于被控制和调整。李小平和卢现祥(2010)利用我国工业行业面板数据样本分析得到的σ值基本均大于0.9,大于本研究的σ值,说明与全国整体水平相比,上海工业行业碳排放的滞后效应较小,调整速度更快。

表4-9各变量对碳排放的长期影响系数(即长期乘数x值)

被解释变量

lnTC

lnPC

lnY

9.730 3

-9.432

(lnY)²

-2.796 9

2.841 4

(lnY)³

0.277 7

-0.256 4

lnF

0.347 3

-0.102 8

lnR

-0.261 6

-0.218 3

lnE

-2.304 9

-2.727 8

lnS

0.699

0.566 6

D

-0.258 5

-0.379 1

拐点(万元/人)

—

4.439 2、17.84

　　表4-9中的数据为利用等式x^*=(1-σ)x计算得到的各变量的长期乘数x的值,其中x^*为表4-7和表4-8中模型6的各影响因素的相应系数(即短期乘数),σ为模型6中的滞后乘数,拐点值也是利用劳均产出的长期乘数计算而得。容易看出,各变量对碳排放的长期影响方向与短期影响一致,但影响程度(由各长期乘数的绝对数值所反映)要更大。

　　从数值大小所反映的情况来看,无论对于碳排放规模还是碳排放强度,长期影响最强的两个因素均是劳均产出(一次项)和能源效率,其长期乘数均大于1,其次是能源消费结构,长期乘数分别约为0.7和0.6,而对排放规模和排放强度影响程度最小的因素分别是政策效应和投资规模。这说明工业经济增长是二氧化碳排放的最主要原因,而能源效率对于控制和降低碳排放则具有最为明显的效果。通过横向比较可知,能源效率和政策效应对排放强度的长期控制效果较排放规模更加有效。如前文所述,碳排放变化滞后效应的大小在很大程度上取决于表4-9中各变量对其产生的长期影响效果。从长期效应下的拐点情况来看,碳排放规模与劳均产出之间的N形曲线不存在拐点,这与表4-7中模型6的结果一致;碳排放强度与劳均产出之间的倒N形曲线两个拐点相差较多,说明长期倒N形曲线与短期相比明显变得更加平缓,对照各行业的实际数据,我们发现除了水的生产和供应业(2008年的劳均产出为11.12万元/人)外,其他行业均已越过第二个拐点,这与表4-8所反映的结果基本吻合。