预测性排放监测方法

Erlich和Holdren（1971）^[41]提出了环境影响决定因素的IPAT分析框架，即：I＝PAT，这里I指环境影响，P代表人口因素，A代表富裕程度，T代表技术水平，IPAT模型被广泛地作为分析环境变化驱动因素的模型框架（Raskin，1995^[42]；York et al.，2002^[43]）。Dietz和Rosa（1994）^[44]建立了STIRPAT（Stochastic Impacts by Regression on Population Affluence and Technology）模型，保留了IPAT模型中环境影响、人口、富裕度、技术的关系等主要思想，克服了它的单位弹性的假设限制的缺点，加入了随机性，既允许将各系数作为参数来估计，也允许对各影响因素进行适当分解，便于根据研究需要进行相应改进展开实证分析（York et al.，2003^[45]；Lin and Zhao，2009^[46]）。STIRPAT模型通常具有如下形式：

Ii、Pi、Ai、Ti含义和IPAT模型基本相同，β是估计参数，ζi为随机误差。为便于研究和分析，STIRPAT模型转换成对数形式：

本书根据中国工业特征及其碳排放强度的行业差异对STIRPAT模型进行相应拓展与改进，实证分析工业低碳经济增长与低碳技术进步的关系及其主要影响因素。碳排放强度越小，代表单位经济产出的排放越小，对环境影响也越小，这里，碳排放强度（τ）既代表环境影响I，也代表低碳经济发展程度。代表富裕度的A选用经济总产出（Y），将其分解为一次项、平方项。采用低碳SML指数的两个部分指数（即低碳技术效率指数SEF和低碳技术进步指数STE）作为技术水平变量Ti，预期符号为负。由于CO2排放受行业能源消费结构的影响，且碳排放强度和煤炭消费在一次能源中的比例走势基本一致（林伯强和蒋竺均，2009）^[47]，因此，将能源消费结构EM（用煤炭消费比重表示）引入模型，预期符号为正。基于上述分析，建立如下面板数据模型：

其中，i和t分别代表行业和年度，ui和ζit分别是不可观测的个体效应和随机扰动项。在分析过程中，为了消除变量的量纲，对所有价值和数量变量取自然对数进行分析。上述变量的描述性统计见表4.8。

表4.8　按碳排放强度分组的主要变量统计性描述

资料来源：笔者根据《中国统计年鉴》的数据计算和整理。