王素鳳

（1.合肥工業(yè)大學(xué) 管理學(xué)院，合肥 230009；2.安徽建筑工業(yè)學(xué)院 管理學(xué)院，合肥 230601）

0 引言

近年來，隨著自然災(zāi)害事件發(fā)生的頻度增加、破壞性增大，環(huán)境問題日益成為國際社會關(guān)注的焦點。溫室氣體是導(dǎo)致氣候變暖和環(huán)境污染的直接原因，其中CO2所占的比例最大（大約50%以上）。CO2排放主要來源于化石能源的燃燒[1]，影響CO2排放的因素很多，譬如經(jīng)濟(jì)增長、能源結(jié)構(gòu)、產(chǎn)業(yè)結(jié)構(gòu)、人口規(guī)模等。[2～5]在眾多影響因素中，能源價格在整個國民經(jīng)濟(jì)中占有舉足輕重的地位，但研究能源價格與碳排放的文獻(xiàn)卻偏少，且主要集中在國外[6～12]。綜觀國內(nèi)學(xué)者對能源價格與碳強(qiáng)度之間關(guān)系的研究可以發(fā)現(xiàn)，當(dāng)前主要存在以下三個方面的不足：

（1）研究對象：現(xiàn)有文獻(xiàn)主要基于總量的角度，如經(jīng)濟(jì)增長與二氧化碳排放、能源價格與能源強(qiáng)度等的關(guān)系，缺乏能源價格與碳強(qiáng)度這樣的“質(zhì)量”關(guān)系研究。

（2）研究范圍：現(xiàn)有文獻(xiàn)多以全國的能源消費(fèi)（二氧化碳排放）總量為著眼點，針對省域?qū)哟蔚难芯坎欢郲13～15]，而將經(jīng)濟(jì)發(fā)達(dá)與不發(fā)達(dá)地區(qū)進(jìn)行對比的文獻(xiàn)則更少。

（3）研究方法：現(xiàn)有文獻(xiàn)主要基于傳統(tǒng)的時間序列協(xié)整檢驗方法，常因樣本時間跨度小而影響效果。

為彌補(bǔ)上述研究的不足，本文以能源價格和碳強(qiáng)度的關(guān)系為考察對象，將影響碳強(qiáng)度的其他因素簡化成隨機(jī)擾動項?？紤]到人口規(guī)模這一變量對碳強(qiáng)度亦有重要影響，且以往研究較少，故將人口增長也納入到模型中。為了比較不同地區(qū)的碳強(qiáng)度受能源價格改革影響的差異程度，本文選取了華東6省1市（皖、贛、魯、蘇、浙、閩、滬）的面板資料進(jìn)行分析。按照Im等（2003）[17]的面板單位根檢驗程序、Johansen協(xié)整檢驗方法，考察碳強(qiáng)度等序列的平穩(wěn)性及是否存在協(xié)整關(guān)系。在此基礎(chǔ)上，分別運(yùn)用F檢驗和Hausman檢驗在混合模型與固定模型、固定模型與隨機(jī)模型之間比較優(yōu)選，以達(dá)到能源價格與碳強(qiáng)度關(guān)系模型的最優(yōu)擬合。

1 模型與數(shù)據(jù)

1.1 變量說明及數(shù)據(jù)來源

受自然地理條件、經(jīng)濟(jì)、人口、產(chǎn)業(yè)結(jié)構(gòu)等條件影響，中國華東地區(qū)7個省域的能源價格、能源結(jié)構(gòu)和消費(fèi)總量均存在較大差異。為便于分析，用能源價格代替能源政策?？紤]到人口增長可能會影響能源消費(fèi)總量，進(jìn)而增加二氧化碳排放量，模型中加入了人口因素。

（1）碳強(qiáng)度。碳強(qiáng)度是省域二氧化碳排放量和地區(qū)生產(chǎn)總值之比，故需要分別計算這兩部分的數(shù)值。根據(jù)聯(lián)合國政府間氣候變化專門委員會（IPCC）2006年版碳排放計算指南中的計算公式和碳排放系數(shù)缺省值，結(jié)合各省域2000～2008年間能源消費(fèi)量和地區(qū)生產(chǎn)總值，可以換算出省域二氧化碳排放強(qiáng)度。

（2）能源價格。需求定理表明，價格與能源消費(fèi)之間應(yīng)呈負(fù)相關(guān)關(guān)系。因此，能源價格是影響能源消費(fèi)的重要因素，進(jìn)而也可能改變碳強(qiáng)度。長期以來，中國能源價格的市場化程度不高、能源資源價格較低，價格扭曲嚴(yán)重，價格機(jī)制基本無法有效調(diào)節(jié)資源的生產(chǎn)和消費(fèi)行為。自2000年以來，油、電力和煤炭價格逐步放開，研究這一階段能源價格對能源消費(fèi)和碳強(qiáng)度的影響具有現(xiàn)實意義。為簡化分析，能源價格用燃料、動力購進(jìn)指數(shù)代替代替，數(shù)據(jù)來源于各省域統(tǒng)計年鑒（1999～2009），并按1999年為基年折算為不變價格。

（3）人口增長。一般而言，人口越多，能源消費(fèi)越高，碳排放也越多。華東地區(qū)7個省域人口增長存在較大差異，基數(shù)較大的河南、山東等地已接近1億人口，而上海、江蘇、浙江等地人口數(shù)只有2000萬左右。人口數(shù)據(jù)來源于各省域統(tǒng)計年鑒（2009）。

1.2 模型建立

鑒于本文重點考察能源價格對碳強(qiáng)度的影響，簡化的二氧化碳相對排放函數(shù)可用下式表示：

CI=f(INDEX,POPU,μ)

式中：CI為區(qū)域碳強(qiáng)度，即分地區(qū)二氧化碳排放總量（萬噸）與地區(qū)生產(chǎn)總值（億元）之比；INDEX表示區(qū)域能源消費(fèi)價格，POPU表示區(qū)域人口總數(shù)，μ為隨機(jī)干擾項。

基于以上理論模型，實證研究中用到的經(jīng)驗?zāi)Ｐ褪强虏嫉栏窭梗–obb-Douglas）型的雙對數(shù)生產(chǎn)函數(shù)：

式中，ε為隨機(jī)干擾項，表示未考慮到的因素如效率、技術(shù)進(jìn)步、天氣等的影響。

2000～2008年我國華東6省1市碳強(qiáng)度及其影響因素的面板數(shù)據(jù)的描述性統(tǒng)計結(jié)果如表1所示。表1顯示，各省域人口增長差異較大，而碳強(qiáng)度和能源價格分布則相對比較均衡。

表1 華東六省1市碳強(qiáng)度及其影響因素的描述性統(tǒng)計結(jié)果

2 碳強(qiáng)度的實證分析

2.1 平穩(wěn)性檢驗

計量經(jīng)濟(jì)理論表明，眾多經(jīng)濟(jì)變量尤其是面板數(shù)據(jù)大都是非平穩(wěn)變量，用非平穩(wěn)變量進(jìn)行回歸分析很大程度上表現(xiàn)為偽回歸。為避免偽回歸現(xiàn)象，需要對面板數(shù)據(jù)進(jìn)行單位根和協(xié)整檢驗。

面板單位根檢驗有別于時間序列數(shù)據(jù)單位根檢驗，主要為：LLC檢驗、Breitung檢驗、Hadri檢驗是相同根的檢驗方法，IPS檢驗、Fisher-ADF檢驗是不同根的檢驗方法；LLC檢驗、Breitung檢驗、IPS檢驗、Fisher-ADF檢驗原假設(shè)是含有單位根；Hadri檢驗原假設(shè)為不含有單位根。本文所用數(shù)據(jù)和變量的面板單位根檢驗結(jié)果如表2所示。

上述檢驗結(jié)果除了的水平和一階差分LLC檢驗顯著與眾不同外，其他四種或以上檢驗方法檢驗結(jié)論一致，均表明上述變量為非平穩(wěn)變量。對于面板模型，如果變量是非平穩(wěn)的，進(jìn)行回歸分析之前需要進(jìn)行協(xié)整檢驗，以判斷是否可能屬于偽回歸。

表2 面板數(shù)據(jù)的單位根檢驗

表3 碳強(qiáng)度與能源價格的協(xié)整檢驗結(jié)果

表4 碳強(qiáng)度與人口數(shù)的協(xié)整檢驗結(jié)果

2.2 協(xié)整分析

通過以上結(jié)果可知，In(CI)與In(INDEX)、In(popu)在長期趨于一致，即非平穩(wěn)序列之間存在協(xié)整關(guān)系。

2.3 模型選擇與回歸

常用的回歸模型有三種：混合模型、固定效應(yīng)模型和隨機(jī)效應(yīng)模型。在建立回歸模型之前，需要對這三種模型進(jìn)行比較選擇，以實現(xiàn)最優(yōu)的擬合效果。通常來說，F(xiàn)檢驗用來在混合模型和固定效應(yīng)模型中做出選擇，而Hausman檢驗用來在固定效應(yīng)模型和隨機(jī)效應(yīng)模型中做出選擇。

表5 混合模型檢驗結(jié)果

2.3.1 混合模型與固定效應(yīng)模型的選擇

相應(yīng)的表達(dá)式是：

括號中的數(shù)字表示t統(tǒng)計量的值。上式表示7個省域能源價格和人口總數(shù)對碳強(qiáng)度的影響分別占10.7%和31.3%。

表6顯示，華東地區(qū)7個省域碳強(qiáng)度模型在整體上通過了1%水平的方程顯著性檢驗，能源價格、人口增長對碳強(qiáng)度的解釋能力達(dá)到99.97%；模型參差的序列相關(guān)檢驗值DW為0.477，基本上不存在序列相關(guān)現(xiàn)象。

相應(yīng)的表達(dá)式是：

括號中的數(shù)字表示t統(tǒng)計量值。虛擬變量的定義是：

上式表示7個省級地區(qū)的能源價格和人口總數(shù)對碳強(qiáng)度的影響分別為-5.2%和-37.5%。從結(jié)果來看，江蘇的效應(yīng)要明顯高于其他省份，而福建的效應(yīng)最低。

表6 個體固定效應(yīng)模型檢驗結(jié)果

接下來用F統(tǒng)計量檢驗是應(yīng)該建立混合回歸模型，還是個體固定效應(yīng)回歸模型。

H0：αi=α。模型中不同個體的截距相同（真實模型為混合回歸模型）。

H1：模型中不同個體的截距項αi不同（真實模型為個體固定效應(yīng)回歸模型）。

F統(tǒng)計量定義為：

其中SSEr表示約束模型，即混合估計模型的殘差平方和，SSEu表示非約束模型，即個體固定效應(yīng)回歸模型的殘差平方和。非約束模型比約束模型多了N-1個被估參數(shù)。所以本例中：

所以推翻原假設(shè)，建立個體固定效應(yīng)回歸模型更合理。

2.3.2 固定效應(yīng)模型與隨機(jī)效應(yīng)模型的選擇

相應(yīng)的表達(dá)式是：

括號中的數(shù)字表示t統(tǒng)計量值。虛擬變量V1,V2,…,V7的定義是：

接下來利用Hausman統(tǒng)計量檢驗在個體隨機(jī)效應(yīng)回歸模型和個體固定效應(yīng)回歸模型中做出選擇。

H0：個體效應(yīng)與回歸變量（CIit）無關(guān)（個體隨機(jī)效應(yīng)回歸模型）

H1：個體效應(yīng)與回歸變量（CIit）相關(guān)（個體固定效應(yīng)回歸模型）

分析過程如下：

表7 隨機(jī)效應(yīng)模型檢驗結(jié)果

（續(xù)上表）

表8 隨機(jī)效應(yīng)與固定效應(yīng)的Hausman檢驗結(jié)果

由檢驗輸出結(jié)果的上半部分可以看出，Hausman統(tǒng)計量的值是11.655，相對應(yīng)的概率是0.0029（小于0.05），即拒絕原假設(shè)，應(yīng)該建立個體固體效應(yīng)模型。

檢驗結(jié)果的下半部分是Hausman檢驗中間結(jié)果比較。個體固定效應(yīng)模型對參數(shù)的估計值分別為-0.052和-0.375，隨機(jī)效應(yīng)模型對參數(shù)的估計值分別為-0.101和0.156。兩個參數(shù)的估計量的分布方差的差分別為0.001278和0.080638。

可見，F(xiàn)檢驗和Hausman的檢驗結(jié)果表明，個體固定效應(yīng)模型是最優(yōu)選擇。根據(jù)表6，能源價格與碳強(qiáng)度負(fù)相關(guān)，即在不考慮其他因素的情況下，能源價格每增長1個百分點，碳強(qiáng)度下降0.05%。不過，人口增長的作用卻與以往研究結(jié)論不同，此處與碳強(qiáng)度呈負(fù)相關(guān)（影響效應(yīng)為-0.38%）。對此，我們認(rèn)為，這可能與模型簡化有關(guān)，影響碳強(qiáng)度的因素很多，包括能源結(jié)構(gòu)、產(chǎn)業(yè)結(jié)構(gòu)、能源效率等。盡管隨著人口增長，能源需求增加，但由于能源結(jié)構(gòu)得到改善、能源效率提高、產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化等正面因素作用，例如模型中江蘇、浙江等地區(qū)人口較少而經(jīng)濟(jì)發(fā)達(dá)、技術(shù)先進(jìn)、能源利用效率高，二氧化碳排放得到控制，從而導(dǎo)致人口增長與碳強(qiáng)度出現(xiàn)非常規(guī)變化關(guān)系。由于本文的分析重點是能源價格對碳強(qiáng)度的影響，因此這一發(fā)現(xiàn)并不影響模型主要結(jié)論。

此外，觀察表6還可以發(fā)現(xiàn)，各個省域在模型中的系數(shù)并不相同，碳強(qiáng)度較低的上海、江蘇、浙江和福建系數(shù)為負(fù)，而其它省域的系數(shù)為正。表明經(jīng)濟(jì)增長、技術(shù)進(jìn)步較快的地區(qū)，其碳強(qiáng)度有顯著下降趨勢，反之則相反。

表9 基于隨機(jī)效應(yīng)模型的各地區(qū)碳強(qiáng)度

2.3.3 回歸結(jié)果

由于個體固定效應(yīng)模型的結(jié)果具有邏輯基礎(chǔ)，因此我們嘗試在此的基礎(chǔ)上，分析和探討分省的碳強(qiáng)度，期望找到規(guī)律性的結(jié)論。我們按照表6的回歸結(jié)果，將二氧化碳相對自主排放量編制成表9。由于對碳強(qiáng)度取了對數(shù)，因此結(jié)果存在負(fù)數(shù)，負(fù)數(shù)越小，表明碳強(qiáng)度越小；數(shù)值越大，表明碳強(qiáng)度越大。

表9顯示，模型估計的數(shù)據(jù)與原始數(shù)據(jù)均值非常吻合。故可利用該模型進(jìn)行預(yù)測并比較，為政策制訂提供可靠依據(jù)。根據(jù)表9，碳強(qiáng)度較大的地區(qū)是：山東、安徽、江西；碳強(qiáng)度最低的地區(qū)是江蘇，這與表6的檢驗結(jié)果完全一致。前者的碳排放問題需要引起政府的極大關(guān)注，尤其山東和安徽，經(jīng)濟(jì)較為落后，二氧化碳相對排放量高，對環(huán)境污染較為嚴(yán)重，如此惡性循環(huán)，情景堪憂。對于后者，如何保障環(huán)境不會遭受進(jìn)一步破壞的前提下，有效促進(jìn)經(jīng)濟(jì)發(fā)展和增長，成為國家和當(dāng)?shù)卣囊豁椫匾蝿?wù)。

3 結(jié)論及建議

（1）能源價格、人口增長與碳強(qiáng)度間存在長期均衡關(guān)系根據(jù)F檢驗和Hausman檢驗結(jié)果，應(yīng)當(dāng)建立個體固定效應(yīng)回歸模型，模型顯示擬合程度較好。

（2）從總的碳強(qiáng)度來看，能源價格與碳強(qiáng)度顯著負(fù)相關(guān)能源相對價格的提高對于降低GDP碳強(qiáng)度具有顯著的積極作用（-0.048）。

（3）人口增長與碳強(qiáng)度的正相關(guān)作用不明顯 隨著人口增長，各省域為抑制由于能源需求上升而增加的二氧化碳排放，采取一系列措施降低碳強(qiáng)度，例如技術(shù)創(chuàng)新、能源結(jié)構(gòu)和產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化、提升能源效率等等，從而出現(xiàn)人口規(guī)模上升而碳強(qiáng)度下降的現(xiàn)象。

（4）經(jīng)濟(jì)發(fā)達(dá)和不發(fā)達(dá)地區(qū)碳強(qiáng)度顯著不同 江蘇、福建、浙江、上海等沿海省域碳強(qiáng)度較低，而山東、安徽等中部不發(fā)達(dá)省域碳強(qiáng)度較高，其環(huán)境狀況需要引起警惕。

根據(jù)上述結(jié)論，我們提出如下的政策建議：

（1）發(fā)揮能源價格杠桿作用。提高能源價格，使價格能真實反映市場供求關(guān)系、資源稀缺程度和環(huán)境損害成本，以降低碳強(qiáng)度[1]。

（2）保持人口合理增長。人口的增長無疑導(dǎo)致消耗更多的能源，增加溫室氣體排放。從全球通過碳權(quán)交易而獲得的收益來看，按人口分配碳權(quán)是最佳的選擇，同時它也符合每個人對全球的公共資源享有相同的權(quán)利這一原則[18]。國家發(fā)展改革委能源研究所CDM項目管理中心主任楊宏偉認(rèn)為，比較可行的“劃界”方式是，可以參照“十一五”期間國家節(jié)能減排的做法，先將碳強(qiáng)度指標(biāo)分配到省份，在省內(nèi)某些行業(yè)中細(xì)化這個指標(biāo)。這樣做的好處是，省級行政部門可以結(jié)合行政手段，更加有效率地來達(dá)成這個目標(biāo)。減排指標(biāo)在省內(nèi)行業(yè)劃分，也不會使資源流到外省，因此阻力較小。

(3)合理運(yùn)用調(diào)控指標(biāo)。將能源強(qiáng)度與碳強(qiáng)度相結(jié)合，既有總量也有質(zhì)量，促進(jìn)經(jīng)濟(jì)、環(huán)境可持續(xù)發(fā)展。地區(qū)間的產(chǎn)業(yè)發(fā)展模式并非千篇一律，應(yīng)具體情況具體分析；既不由領(lǐng)導(dǎo)說了算，也不由哪一項因素決定，而應(yīng)當(dāng)建立一套完善的指標(biāo)體系進(jìn)行評估，包括對環(huán)境污染的程度與影響期間的評價，同時避免用GDP這樣的指標(biāo)考核地方政府績效，以可持續(xù)發(fā)展理念指導(dǎo)評估工作，正確處理好責(zé)權(quán)利的辯證關(guān)系。

(4)對個別整體環(huán)境污染嚴(yán)重的地區(qū)，要因勢利導(dǎo) 應(yīng)促進(jìn)省域間的產(chǎn)業(yè)銜接與合作，扭轉(zhuǎn)環(huán)境持續(xù)惡化的惡性循環(huán)狀態(tài)，制定切實可行的綜合治理措施。

本文尚存在一些不足之處，例如為了簡化分析，模型只考慮了能源價格、人口增長對碳強(qiáng)度的影響；限于數(shù)據(jù)可得性，樣本主要取自2000～2008年資料，所跨年度偏少；雖然構(gòu)建了固定效應(yīng)回歸模型，但欠缺利用該模型進(jìn)行碳排放預(yù)測、分配碳排放權(quán)、降低碳強(qiáng)度的具體做法，這些都有待于進(jìn)一步展開研究。

[1]徐玉高，郭元，吳宗鑫.碳權(quán)分配:全球碳排放權(quán)交易及參與激勵[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究,1997，(3).

[2]Ja nicke,M.,Mo nch,H.,Ranneberg,T.,Simonis,U.E.Economic Structure and Environmental Impacts:East-west Comparisons[J].The Environmentalist,1989,(9).

[3]Jan Cornillie,Samuel Fankhauser.The Energy Intensity of Transition Countries[J].Energy Economics,2004,(26).

[4]杭雷鳴,屠梅曾.能源價格對能源強(qiáng)度的影響——以國內(nèi)制造業(yè)為例[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究,2006,(12).

[5]徐國泉,劉則淵,姜照華.中國碳排放的因素分解模型及實證分析: 1995～2004[J].人口·資源與環(huán)境,2006,16(6).

[6]Kuznets,S.Economic Growth and Income Inequality[J].American E-conomic Review,1955,45(1).

[7]Sch urr,S.H.,Netschert,B.C.,Eliasberg,V.F.,Lerner,J.,Landsberg,H.H.Energy in the American Economy,1850-1975[M].Baltimore，Johns Hopkins University Press,1960.

[8]Grossman,G.M.,Krueger,A.B.EnvironmentalImpactofa North American Free Trade Agreement[C].Working Paper 3914，1991.

[9]B.W.Ang.Is the Energy Intensity a Less Useful Indicator than the Carbon Factor in the Study of Climate Change?[J].Energy Policy,1999, (27).

[10]Birol F.,Keppler J.H.Prices,Technology Development and the Rebound Effect[J].Energy Policy,2000,(28).

[11]Fisher-Vanden K.,et al.What is Driving China’s Decline in Energy Intensity?[J].Resource and Energy Economics,2004,(26).

[12]Joseph E.Aldy.Per Capita Carbon Dioxide Emissions:Convergence or Divergence?[J].Environmental&Resource Economics, 2006,33(4).

[13]張雷.中國一次能源消費(fèi)的碳排放區(qū)域格局變化[J].地理研究, 2006,25(1).

[14]吳玉鳴,李建霞.中國省域能源消費(fèi)的空間計量經(jīng)濟(jì)分析[J].中國人口資源與環(huán)境,2008,18(3).

[15]曾賢剛，龐含霜.我國各省區(qū)CO2排放狀況、趨勢及其減排對策[J].中國軟科學(xué),2009,(S1).

[16]Im,K.S.,Pesaran,M.H.,Shin,Y.Testing for Unit Roots in Heterogeneous Panels[J].Journal of Econometrics,2003,(115).

[17]艾慧.能源價格改革的效應(yīng)維度分析[J].統(tǒng)計與決策,2008,(23).

[18]陳文穎,吳宗鑫.碳排放權(quán)分配與碳排放權(quán)交易[J].清華大學(xué)學(xué)報(自然科學(xué)版),1998,38(12).