中国碳减排的技术路径及政策建议——基于经典估计贝叶斯平均(BACE)法的实证研究

唐建荣，张白羽，浦徐进

(江南大学商学院，江苏无锡214122)

一、引言

碳排放及其引起的气候变化已引起全球性的普遍关注。联合国政府间气候变化委员会(IPCC)的研究报告指出，正是人类社会经济活动的外部性导致了全球气候变暖加速发展的事实，如果不采取有效行动，世界平均温度在未来100年最高可增加5.8℃，将对全球的可持续发展造成重大威胁。[1]控制和减少二氧化碳等温室气体的排放成为世界各国环境经济政策的重要导向。中国在哥本哈根气候大会上主动承诺:至2020年，单位国内生产总值(GDP)的二氧化碳排放强度较2005年下降40%～45%，并将其作为约束性指标纳入国民经济和社会发展中长期规划。“十二五”规划更是明确提及在五年期间碳排放强度较2010年降低17%。然而对于发展中国家，碳排放量与经济发展呈水涨船高之势，在实现碳减目标的同时，必须要关注成本、代价和发展之间的关系。碳排放强度影响因素的研究具有重大意义，制订恰当的碳减政策、选择合适的碳减路径可以使中国在世界经济、政治和环境的外交博弈中处于优势地位，应该成为政府、企业和消费者共同的诉求重点。

目前，已有大量关于碳排放影响因素的研究文献，这些研究多为运用各类因素分解法对时间序列数据进行分析。例如ZHANG(2008)采用对数差分法对中国1980-2004年碳排放的增长进行了分析，结果表明中国在节能减排中“搭便车”的指责有失公平，事实上若非通过政策与技术手段去降低能源强度，该阶段的碳排放总量会比实际值高50%。[2]徐国泉等(2006)采用Divisia指数分解法对中国1995-2004年间的碳排放做了类似的分解，得出经济发展对拉动中国人均碳排放的贡献呈指数增长。[3]冯相昭等(2008)基于修改后的Kaya恒等式对1971-2005年中国的二氧化碳排放进行了无残差分解，其结果表明经济发展和人口增长是二氧化碳排放增加的主要驱动因素。[4]胡初枝等(2008)基于环境库兹涅茨曲线(EKC)模型，采用平均分配余量的分解方法，分析了1990-2005年中国碳排放的规模效应、结构效应与技术效应，结果表明，经济增长与碳排放之间呈现“N”型关系。[5]这些文献对碳排放的影响因素进行了详细分解，对中国控制碳排放的发展作出了突出贡献，但经过进一步的比较，发现其分析过程中均忽略了由于“经济学的开放性”而导致的模型的不确定性，进而导致对因模型的不确定性而造成的估计偏差认识不足，以至于将根据某一特定模型得到的回归结果看作是一种普适的结论。正如Sala-i-Matin等(2004)所指出:“研究者们试着对解释变量的不同组合进行回归，然后将自己偏爱的结果报告出来，这种‘数据挖掘’很可能导致虚假的推断”。[6]从而造成对各解释变量的作用莫衷一是、众说纷纭，大大降低了实证分析的可信度。

由Sala-i-Martin等(2004)提出的“经典估计贝叶斯平均”(Bayesian Averaging of Classical Estimates，BACE)是一种处理模型不确定性的方法。[6]BACE明确地将模型的不确定性引入分析过程，并通过模型后验概率的加权平均减少了这种不确定性，最终在贝叶斯分析的框架下得到估计结果从而使其更加符合概率的思想。本文基于1995-2009年的面板数据和扩展后的STRIPAT模型，首次运用经典估计贝叶斯平均(BACE)法对中国碳排放强度的影响因素进行了实证分析，其实践应用更具有参考价值。

二、STIRPAT模型及其改进

由于生态环境的限制，西方发达国家在经济发展的过程中已付出了惨重的环境代价，而发展中国家在可以借鉴的情况下应尽量避免重复这种以消耗大量能源和矿产为代价的经济增长模式。STIRPAT模型由Dietz等(1994)[7]提出，用来表征人类活动对环境影响的成因，其数学表达形式如下:

其中，I表示环境影响，P表示人口规模，A表示富裕度，T表示科技水平，a为模型的系数，b、c、d为各自变量的指数，e表示模型的误差。

对式(1)两边取自然对数，可得:

为了更深入研究各个影响因素，本文将碳排放强度作为环境影响，在参考了部分国内外同类文献的基础上对此模型进行了扩展。

人口影响因素的扩展。将城市化发展水平引入模型。城市化是一个地区的人口在城镇和城市相对集中的过程，城市化也就意味着城镇用地扩展，城市文化、城市生活方式和城市价值观等在农村地域的扩散。城镇人口的增加，将会直接或间接导致生活消费能源的增长，所以除人口总量规模外，也需要深入研究人口结构变化对碳排放强度的影响。

富裕程度因素的扩展。将产业结构特征引入模型。从大量分析文献的结论中可以看到，产业结构对碳排放强度有着重要影响，[8-10]为了研究产业结构对碳排放强度的影响，本文将经济影响因素分解为经济发展规模与产业结构特征两个部分。

科技水平因素的扩展。此处为广义的科技水平。在消费能源的过程中，能源利用技术的高低直接影响到碳排放强度的高低；生态系统通过光合作用吸收并固定CO2，在稳定温室气体浓度方面也发挥着不可或缺的作用。因此，本文将科技水平扩展为能源影响因素和生态影响因素两个方面。其中，在能源消费总量一定的情况下，不同的能源消费结构将会导致不同的碳排放量，所以又将能源影响因素分解为能源强度与一次能源结构两个部分。

依此得到扩展的STIRPAT模型如下所示:

上式中各变量的定义为:I为环境影响，用碳排放强度来表示；P为人口因素，分别用P1即人口总量规模和P2即城市化发展水平来表示；A为富裕度，分别用A1即经济发展规模和A2即产业结构特征来表示；T为科技水平，分别用T11即能源强度、T12即一次能源结构、T2即生态碳汇效应来表示。

与传统的STIRPAT模型相比，扩展后的模型可以更全面、更系统地反映碳排放强度的影响因素。

三、碳排放强度的BACE分析

1.数据来源及说明

碳排放可分为自然排放和人工源排放，人工源排放是由于人类活动引起的碳排放，主要包括化石燃料消耗、生物质能燃烧等，其中化石燃料的燃烧消耗所排出的碳占95%以上。[11]因此本文中应用以下因素分解公式对碳排放量进行估算:

其中，C为碳排放总量，E为一次能源消费总量，按标准煤计，ωi为第i类能源所占的比重，αi为第i类能源的碳排放系数(取值于国家发改委能源研究所提供的碳排放因子:煤炭0.7476t C/tce，石油0.5825t C/tce，天然气0.4435t C/tce)。论文基于《中国统计年鉴2010》所提供的1995-2009年的面板数据进行分析，各个变量的表征意义和说明见表1，数值设定见表2。

表1 变量一览表

2.BACE分析

(1)BACE分析法简介。经典估计贝叶斯平均法(BACE)与传统估计方法最明显的区别在于承认模型的不确定性。利用样本数据中所包含的信息，不仅能够对众多的解释变量按其重要性进行排序，还能够得到与各个解释变量相对应的后验均值、后验方差以及其他几个可以反映变量稳健性的指标。简而言之，BACE方法的基本思想就是在分析过程中承认模型的不确定性，将模型的后验概率引入权重，在贝叶斯平均的理论框架下得到所需要的估计结果。

假设列出K个解释变量，由这些解释变量的任何一种组合都可以构建一个模型，从而得到可能的模型共有2K个。BACE方法的估计结果就建立在对这2K个模型回归分析的基础之上。用Mj表示第j个模型，P(Mj)表示模型Mj的先验概率，则该模型的后验概率可以表达为:

表2 变量数据一览表

公式(5)中，T为样本容量，K为模型Mj中所包含的解释变量的个数，SSEj为模型Mj的残差平方和。由此可知，模型Mj的后验概率为其先验概率的加权平均，其权重与模型的解释能力呈正相关关系，与模型中所包含的解释变量的个数呈负相关关系，这与Schwarz模型的选择标准是一致的。[12]在得出各个模型的后验概率之后，可以进一步计算出各个变量相应回归系数的(无条件)后验均值如下:

最后需要说明的一点是先验概率P(Mj)的确定。与其他所有需要参数先验分布的贝叶斯模型方法相比，BACE仅需要一种先验分布，即预期模型的大小，K为所有变量数目的总和，一般假设≥7，若每个相关变量的似然函数相同，则具有相等变量数目的模型也应具有相同的先验概率。Sala-i-Martin等对此的解释是一般文献中的解释变量个数很少超过7个，所以我们认为这种假设并没有什么可靠依据。[13]因此，在本文的分析中将采用一种更自然的假设:各个模型具有相同的先验概率，根据二项分布公式，即每个解释变量在该模型中的先验概率均为0.5。

(2)实证结果分析。本文基于1995-2009年的面板数据并选取了7个解释变量进行研究，因此将得到27=128个不同模型。使用EVIEWS6.0先将各解释变量取对数(这种变换也可以消除可能存在的异方差)后再对各模型进行普通最小二乘法回归。后文将基于这128个回归结果进行分析。

运用贝叶斯模型平均法得到的实证分析结果见表3。其中，后验包含概率是指所有26=64个包含该变量的模型的后验概率之和，根据公式(5)，后验包含概率反映了变量解释能力(或对于被解释变量的重要性)的大小，因此表3中将7个解释变量按其后验包含概率的大小进行排序。表3中的后验均值是以此变量被包含在该模型中为条件计算得到的，也就是根据公式(6)得出的结果。表3中的后验方差，也同样是以此变量被包含在该模型中为条件根据公式(7)计算得到。同时，表3中还给出了两个有关变量稳健性的指标，即“符号确定率”和“p检验显著率”。其中，符号确定率表示在以上所有的64个回归结果中，回归系数的符号和后验均值的符号相同的比例；p检验显著率，表示在所有包含此变量的模型中回归系数在5%的检验水平具有统计显著性的比例。

表3 用BACE方法得到的分析结果

从实证分析的结果来看，七个解释变量的解释能力由大到小依次为能源强度、一次能源结构、经济发展规模、城市化发展水平、人口总量规模、产业结构特征和生态碳汇效应。其中，能源强度、一次能源结构、经济发展规模和城市化发展水平的后验包含概率都大于0.5，即它们在事后应该被纳入模型的概率大于它们的先验概率，说明它们对此模型有着很强的解释能力。另外，能源强度的符号确定率为1，p检验显著率也为1，这说明它具有非常好的稳健性，一次能源结构、经济发展规模和城市发展化水平也都有较高的符号确定率及p检验显著率。综合而言，这四个解释变量都是碳排放强度非常重要的影响因素。人口总量规模、产业结构特征和生态碳汇效应的后验包含概率都小于0.5，解释能力较弱，而且从符号确定率和p检验显著率来看其稳健性也较差。

3.模型预测

(1)STIRPAT模型的建立。根据BACE方法分析所得到的结果，可以剔除模型(3)中的人口总量规模P1、产业结构特征A2和生态碳汇效应T2三个变量，新的STIRPAT模型如下:

从得到的回归模型中，筛选出包含变量城市化发展水平P2、经济发展规模A1、能源强度T11和一次能源结构T12的模型，其数学表达式为:

自相关检验:查表(n=15，k=4，α=5%)得dL=0.69，dU=2.97，可知无法通过杜宾—瓦森检验来判断此模型是否存在自相关。再对其做BG检验(LM检验)，结果显示F统计量和nR2的伴随概率大于0.05，可断定此模型不存在自相关。

异方差检验:用怀特检验法对该模型进行检验可得其F统计量的p值为0.277651大于5%，可判定其不具有异方差性。

该模型的决定系数R2=0.995208，这是相当高的拟合精度，从拟合效率也可以看出，因变量的实际值和拟合值几乎重叠。

(2)STIRPAT模型的预测。采用指数平滑法基于1995-2009年的面板数据对解释变量城市化发展水平P2、经济发展规模A1、能源强度T11和一次能源结构T12进行预测，再通过STIRPAT扩展模型(9)，对未来11年的碳排放强度进行估算，其结果如表4所示。

表4 指数平滑法预估结果

2005年的碳排放强度为127.36吨碳/万元(见表2)，据中国在哥本哈根气候大会上的承诺“至2020年碳排放强度比2005年下降40%～45%”，则2020年碳排放强度应控制在(70.05，76.42)吨碳/万元之间。而STIRPAT模型的预测结果显示，2020年碳排放强度将达到85.52吨碳/万元，仅完成了承诺目标值的73.01%～82.14%；同样，2010年的碳排放强度为104.46吨碳/万元，根据“十二五”规划“至2015年碳排放强度比2010年降低17%”的要求，2015年的碳排放强度应低于87.74吨碳/万元，但预测结果显示2015年为93.70吨碳/万元，仅完成了碳减目标的64.35%。由此可见，当前的生产技术、能源结构及产业体系等因素自然发展趋势下中国将无法完成既定的碳减目标，中国的减碳任务依然任重而道远。

四、碳减排的技术路径及政策建议

扩展后的STIRPAT模型预测结果表明若非采取行之有效的措施来改变当前碳排放主要影响因素的自然发展趋势，中国将无法如期实现碳减承诺。而选择何种路径实施碳减排才能在成本最小的情况下达成碳减目标，正是当前全社会亟须解决的问题。根据BACE方法得到的分析结果，借鉴国内外先进经验，本文提出以下几点建议。

1.生产技术的低碳化改造。BACE分析结果表明，能源强度是影响碳排放强度最为稳健的因素，因此，加大节能科技投入，发展低碳经济关键技术和共性技术是降低碳排放强度的核心路径。技术决定效率，淘汰能源利用效率低下的企业和技术，优化能源利用方式以抑制能源需求量的增加；[9]通过对各企业行为加以约束、激励和引导，将其资本逻辑限制在一定的范围内；推动建立以企业为主体、产学研相结合的低碳技术创新与成果转化体系；[10]逐步发展、完善各个行业和各种主要产品的具体的能源效率标准规范，建立各行业、企业特别是不同规模产业部门的能源消耗和碳排放限额标准，逐步在我国行业、企业间建立碳排放交换机制，将低碳经济的理念融入企业经营和政府管理中，有力推动产品结构调整升级和技术的改造与创新。

2.清洁能源的低碳化利用。BACE分析结果显示，一次能源结构亦是碳排放强度的重要影响因素。当前中国的能源结构仍以化石燃料为主，而化石燃料的燃烧是温室气体的重要来源之一。因而制订切实可行的中长期能源科技发展路线图，推进建立能源供应品种多样化的可持续能源体系，[10]提高获取清洁能源和高级能源的能力，保证可再生能源在能源消费中的比例，积极推行生物质能、太阳能、风能、水力、核能和清洁煤等新型能源的低碳化应用，是中国实施碳减排的必由之路。

3.产业结构的低碳化调整。经济发展规模显然也是影响碳排放强度不容忽视的重要因素。因噎废食放弃发展并非明智之举。以低排放、低能耗、低污染和高能效、高收益为特征的低碳经济，足以应对碳减和经济发展的博弈要求。发展低碳经济宜采用“分清主次、先主后次、树立典型、逐步铺开”的原则。重点发展如计算机通信设备、金融、保险等低排放产业，鼓励发展食品制造等产业，控制发展热力电力的生产及供应业等产业，限制发展金属矿采产业等高能耗低产量产业。同时，地方政府要积极发展低碳工业园，打造产业链的纵向延伸与多产业的横向发展相结合的低碳网络，实现以企业“小循环”、产业“中循环”、省市“大循环”为特色的区域低碳经济体系和一条兼顾生态、社会、经济三大效益的“低碳产业体系”。[9]

4.消费模式的低碳化培育。城市化发展水平也是BACE方法分析结论的碳排放关键影响因素。同经济规模一样，城市化发展水平也是国家进步不可放弃的发展方向，因此关注城市规划模式，培育低碳消费观念是此种情况下的最佳路径。无可否认在人口总量不变甚至逐年递增的情况下人口城镇化水平升高就意味着城市人口规模增大，这意味着对能源的需求和浪费将越来越多。因而实施紧凑型城市规划，提高公共服务水平，开发绿色建筑，推行低碳交通，探索有效节能途径，实现供暖改造工程，普及低碳产品，鼓励引导低碳NGO组织发挥宣传作用，提倡初级食物的消费，加强生态责任意识的培育，正确引导城镇居民的生活习惯，推广使用电子书、电子邮件、电子账单来代替纸质书、邮件和账单，用视频会议替代商务差旅等，对减少碳排放量都具有重要的作用。

5.关键链的低碳化管理。社会是一个有机整体，碳排放是各种不确定因素影响的集合，关键链正是要求以系统的观点在碳减规划中明确筛选重要制约因素进行控制。从而在关于供应链低碳化的应用中应注意改变生产者的生产观念，重视消费性的社会需求，减少经济链下游的消费对上游生产的潜在倍增节约效应，进而降低自采购原材料到制成最终产品间的碳排放，减少产品运输过程中的碳排放，从高能耗的环节中寻找减排契机，最终达到关键链的低碳化管理

6.碳预(核)算的低碳化预警。综合考虑工业、农业、能源、交通和地域等环境因素，研究碳排放现状，加强碳预算分析以及碳平衡核算，明确碳足迹发展目标，实施碳排放的可视化，及时发现碳排放超量的情况。加强低碳经济政策的监控和评估，延伸生产者责任，同时提高社会系统应对气候变化的能力。建立健全碳预测、预防、预警以及应急和重建机制，降低碳排放可能对社会经济造成的危害。

7.国际贸易的低碳化引导。在全球化分工中“低收入国家生产、高收入国家消费”的格局使得中国等发展中国家要为全球低端制造环节中的“高污染、高消耗、高排放”买单。发达国家凭借技术、标准和软件的垄断，占据价值链的制高点，而将高排放量的产业或是产业的低端制造环节转移到中国，使得中国成为了世界碳转移的最大阵地。因此，在发展贸易的同时应注重产品的碳足迹测算，改变“世界工厂”的生产模式，营造多边贸易环境，引导实现出口的低碳化模式。

8.政策体系的低碳化调控。要将低碳化置于国家战略的高度，建立以绿色GDP为核心的新型宏观调控体系，建立健全关于低碳经济的政策法规和法律保障体系。注重需求侧管理，实施回购源自可再生能源的电力等政策。[14]发展碳金融、碳市场及碳贸易，加强政府采购的低碳化倾斜。创新银行业务，加强信贷业务的环境风险评估，推出低碳贷款业务，[15]逐步完善各种主要行业的碳排放限额标准，逐步征收生态税等以实现能源提价，在已经建立环境产权交易所的城市根据自愿减排的原则培育区域性碳排放权交易市场，[16]最终实现整个政策体系的低碳化调控。

中国尚是一个发展中国家，发展经济是硬道理。在低碳化发展的技术路径选择中，既要关注新能源的替代，更要关注能源效率的提高；不但要重视生产技术的低碳化改造，还要重视社会消费的需求管理，更要重视经济链下游的消费对于上游生产的潜在倍增节约效应。同时需要指出的是，在后哥本哈根时代，气候政治与低碳经济共一色。有的放矢，选择合适的技术路径，通过技术进步以有效控制环境的恶化和实现碳减的目标，这是转型绿色经济，缩减资源消耗，引发新一轮经济增长的可能路径。

[1]国家发展和改革委员会能源研究所课题组.中国2050年低碳发展之路[M].北京:科学出版社.2009.

[2]Zhang Z X.Decoupling China’s carbon emissions increase from economic growth:An economic analysis and policy implications[J].World Development,2008,28(4):739-752.

[3]徐国泉，刘则渊，姜照华.中国碳排放的因素分解模型及实证分析:1995-2004[J].中国人口·资源与环境,2006，16(6):158-161.

[4]冯相昭，邹骥.中国CO2排放趋势的经济分析[J].中国人口·资源与环境，2008，18(3):43-47.

[5]胡初枝，黄贤金，钟太洋，等.中国碳排放特征及其动态演进分析[J].中国人口·资源与环境，2008，18(3):38-42.

[6]Sala-i-Martin X,Doppellhofer G,Miller R.Determinants of long-run growth:a Bayesian averaging of classical estimates(BACE)approach[J].American Economic Review,2004，94(4):813-835.

[7]Dietz T,Ross E A.Rethinking the Environmental Impacts of Population,Affluence,and Technology[J].Human Ecology Review,1994，(1):277-300.

[8]刘卫东，陆大道，张雷，等.我国低碳经济发展框架与科学基础[M].北京:商务印书馆,2010.

[9]唐建荣，张荣荣.我国发展低碳经济的可能路径[J].科技进步与对策.2010，27(4):30-32.

[10]唐建荣，谭春辉，张荣荣.挑战、机会与对策——江苏发展低碳经济的可能路径[J].未来与发展，2010，(7):40-44.

[11]宋德勇，易艳春.外商直接投资与中国碳排放[J].中国人口·资源与环境，2011，(21):49-25.

[12]陈宝.基于BACE方法对中国经济增长影响因素的实证研究[J].经济论坛，2011，(1):44-46.

[13]贺京同，李峰.影响自主创新的因素——基于BACE方法对中国省际数据的分析[J].南开经济研究，2007，(3):68-79.

[14]魏伯乐，查理·哈格罗夫斯，迈克尔·史密斯，等.五倍集[M].上海:上海人民出版社.2010.

[15]高岩，王卉彤.发展低碳经济对商业银行创新的推动力[J].江西财经大学学报，2010，(4):19-25.

[16]卢现祥，张翼.政府职能转变与企业二氧化碳减排动力[J].当代财经，2011，(5):5-15.