节能减排与经济增长双目标下的R＆D补贴政策选择——基于动态可计算一般均衡的情景分析

魏 玮，何旭波

(西安交通大学经济与金融学院，陕西西安，710061)

节能减排与经济增长双目标下的R＆D补贴政策选择
——基于动态可计算一般均衡的情景分析

魏 玮，何旭波

(西安交通大学经济与金融学院，陕西西安，710061)

本文使用动态可计算一般均衡技术，模拟不同R＆D补贴政策情景下经济增长、能源消费及二氧化碳排放等变量的变化情况，结果发现:知识替代弹性的增加会加快上述变量的增长率，在较高的替代弹性下，提高补贴率水平会对上述变量造成相反的影响;在适度的替代弹性下，上述变量的增长率随补贴率水平的增加而增加;较高的补贴率水平会导致过度补贴，即补贴率增加导致GDP和消费减少;补贴政策实施的越早，越能促进节能减排和经济增长。

R＆D补贴;节能减排;经济增长;动态可计算一般均衡

一、引 言

中国经济的高速增长在使得大量贫困人口得以脱贫的同时也对能源市场和生态环境带来了巨大的压力，2006年，中国的二氧化碳排放量超越美国，成为全球最大的碳排放国;2010年中国排放量占全球当年总排放量的1/4［1］。作为全球最大的二氧化碳排放和发展中国家，中国面临着巨大的减排压力。2009年，中国政府在哥本哈根全球气候大会上正式宣布了控制温室气体排放的行动目标——2020年的单位GDP二氧化碳排放①下文简称为“碳强度”。与碳强度类似，下文将“单位GDP能源消耗”以及“知识存量占GDP的比重”分别简称为能源强度和碳强度。若无特别说明，本文中的“碳”均指“二氧化碳”。“碳”和“二氧化碳”在气候经济学中的差别见Nordhaus的著作。较2005年下降40% －45%。然而，在当前中国以要素驱动、化石燃料消耗为主的经济增长方式下，加大节能减排力度可能会导致经济增长受损，降低社会福利水平，如何在不影响长期增长的前提下减少碳排放、履行国际承诺，是我们不得不思考的问题。

控制和减少碳排放主要有三种方法:使用清洁能源、提高能源使用效率以及增加与能源和气候有关的 R＆D(Energy－ and Climate－Related R＆D)［2－4］。本文从上述第三种思路出发，模拟不同R＆D补贴政策(下文简称为补贴政策)对经济增长、能源消费以及碳排放的影响②本文从第三种思路出发进行分析主要基于以下三点考虑:一是现有的数据中缺乏中国各部门投入—产出的价格数据;二是不同部门或同一部门内部的不同经济主体之间经验积累的速度有差异，且难以加总;三是由于R＆D外溢的存在，其它类型的R＆D也会带来减排的效果，但不同类型R＆D的减排效果可能是难以区分的。。R＆D影响经济增长和节能减排的逻辑框架见图1，图中的实线表示厂商的生产行为，虚线表示政府的税收、补贴政策。通过雇佣知识、资本和能源等生产要素并组织生产，厂商同时也排放出温室气体。由于知识对其它的要素具有替代性，政府可以为R＆D投资提供补贴以鼓励知识积累，从而替代生产中化石燃料的使用，减少温室气体排放。R＆D投资的正外部性导致生产部门缺乏投资激励，因为该项行动的边际私人收益小于边际社会收益［2］。遵从Pigou对外部性及其解决方法的经典阐释，本文认为政府补贴能够缩小R＆D活动的边际私人收益和边际社会收益之间的差距，加速知识积累［5］。然而，补贴政策的实施需要政府增加税收以保持收支平衡，在其它条件不变的情况下，税收的增加会“挤出”消费，减少消费者福利［6－7］。如何选择R＆D补贴政策，使其在促进经济增长的同时实现节能减排是本文主要的研究目标。

图1 R＆D影响经济增长和节能减排的逻辑框架数据来源:BP(2011)。

本文的主要思路是将内生技术变化(Endogenous Technological Change)嵌入“自上而下”(Topdown)①与之相对的被称为“自底向上”(Bottom－up)的模型，这一类模型以工程技术模型为出发点，通过详细刻画能源生产和消费技术，优化能源系统，如MARKAL。此外还有混合两种建模思路的“混合模型”(Hybrid Model)。对几种建模思路的比较可参考Ian Sue Wing的文章。的动态可计算一般均衡模型(Dynamic Computable General Equilibrium，DCGE)，并利用递归动态(Recursive Dynamic)②递归动态方法假设模型的每一期均处于稳态，这样在求解模型时只需逐期求最优解，比较简便。与之相对的解法是跨期动态法(Intertemporal Dynamic)，该解法需要考虑经济主体的前瞻(Forward－Looking)行为，计算较复杂。递归动态法主要用于政策评价，跨期动态法主要用于求解最优政策。Tomas Rutherford对这两种解法做了深入的比较，详细内容见http://www.mpsge.org/dynamics/note.htm。算法求解不同时期模型的均衡值，最后从政策力度和政策引入时间两个维度来设计模拟情景，比较不同情景下经济增长、能源消费以及碳排放等主要3E(Economy－Energy－Environment)变量的变化情况［8－10］。在已有文献中，将气候政策模型中的技术内生化的方法主要有三种，即价格引致型技术变化(Price Induced Technological Change)、学习引致型技术变化(Learning Induced Technological Change)和 R＆D引致型技术变化(R＆D Induced Technological Change)［2，11－12］。由于现有的数据中缺乏中国各部门投入—产出的价格数据，且不同部门或同一部门内部的不同经济主体之间经验积累的速度有差异，难以加总，本文使用R＆D引致型技术变化方法。R＆D引致型技术变化的思想主要源于 Kamien和Schwartz，Binswanger和Ruttan等人的研究以及内生经济增长理论的发展［13－15］。Goulder和 Schneider将 R＆D 引致型技术变化引入气候政策模型，在分析了四种类型的生产部门之间知识的溢出效应之后，发现在存在内生技术变化的情况下，实现既定的减排目标只需要较少的成本［16］。基于 Goulder和 Schneider的研究，Sue Wing通过建立包含89个生产部门的DCGE模拟了不同R＆D补贴水平和减排目标对美国经济的影响并得出相似的结论。Sue Wing与Goulder和Schneider最大的不同在于前者考虑了R＆D不同补贴水平可能导致的相对价格变化及其一般均衡后果［15，17］。运用与Sue Wing类似的模型，Ke Wang等人建立了包含41个生产部门的中国DCGE，并在分析了不同R＆D补贴水平和减排目标的边际成本后，发现在缺乏R＆D补贴政策时，技术变化本身并不会直接带来碳排放量的绝对削减［18］。

本文余下的内容由以下几个部分构成:第二部分介绍本文使用的DCGE模型及相关的社会核算矩阵(Social Accounting Matrix，SAM);第三部分首先模拟了不同的知识替代弹性对结果的影响，之后描述基准(Business as Usual，BaU)情景下的模拟结果;第四部分通过设计政策力度和政策引入时间两个维度的模拟情景解释和比较不同补贴政策的可能结果;第五部分则是结论及相关政策建议。

二、模型介绍及SAM编制

(一)DCGE模型介绍

本文主要参考Sue Wing构建的由生产结构、需求结构、国际贸易、能源和排放核算以及模型动态机制等模块共同构成的DCGE［15］。模型中主要的弹性系数取值参见Ke Wang等人的研究成果［18］。本文模型与上述作者有差异的地方包括以下几个方面:

1.电力部门的拆分

本文以是否会造成碳排放将电力部门分为两类:化石燃料发电和清洁能源发电。由这两种发电技术带来的产品是同质的，但是边际成本上存在差异，文献中常用的做法是将这两种电力通过一个较高的替代弹性(本文为30)组合成最终电力产品［9］。由《电力监管年度报告2007》可知，2007年我国化石燃料发电量占总发电量的82.86%。本文假设化石燃料发电与清洁能源发电所需的要素投入也按照这一比例在两种发电技术之间进行分配。

2.能源和排放核算

本文使用固定排放系数CE和固定能源效率系数EE进行能源和排放核算。EE是将能源由价值量转化为实物量的系数，CE是将某一固定单位的能源消费转化为排放的系数。利用《中国能源统计年鉴2008》中的能源消费总量(电热当量计算法)及构成(发电煤耗计算法)，以及IEA的报告中各种化石燃料的排放数据［19］，计算结果见表1。

3.劳动供给的动态变化

本文假设劳动增长与人口增长之间存在一个简单的线性关系［15，18］，即式(1)。其中L(t)为t时期的劳动数量，N(t)为t时期的人口数量，λ为劳动供给的人口弹性，A为劳动生产率。

表1 2007年中国化石燃料的消费总量、排放量、能效系数和排放系数① 受数据可获性的限制，本文所使用的基础数据主要来自于《中国投入产出表2007》。为保持数据的一致性，能源消费总量及构成，以及各种化石燃料的碳排放量均为2007年的数据。

2007年和2010年的人口数据分别来自《中国统计年鉴2008》和《2010年第六次全国人口普查主要数据公报》。基于IEA与EIA的假设，本文假设中国人口的增长率在2010—2020年间为平均每年0.6%，2020—2050年间为平均每年 0.1%;同时参考WEO对中国实际GDP增长率的预测，本文假设劳动生产率A在2020年之前为平均每年8%，2020年至2050年为平均每年5%［20－21］。劳动供给的人口弹性λ是通过双对数模型拟合1952年至2008年的“年底总人口数”和“就业人员数”得到的，数据来源于《新中国六十年统计资料汇编》。

4.物质资本与知识积累的动态变化

本文假设物质资本和知识具有相同的积累动态变化特征:下一期的物质资本(知识)等于本期的物质资本(R＆D)投资加上本期物质资本(知识)存量减去折旧，见式(2)－(3):

由于投入产出表中只有投资数据，因此需要估计基准年的物质资本和知识存量。假设基期经济处于稳态，则基期的物质资本(R＆D)投资和资本存量(知识)有如下关系［22］:

式(4)－(5)中的g表示稳态时的经济增长率。本文假设物质资本的折旧率和知识的折旧率均为10%，稳态时的经济增长率设定为 8%［15，18］。

(二)SAM的编制

SAM是一个单式记账的核算体系，矩阵中的行和列类似于坐标轴，每一行和相应的列表示一个宏观账户，行记录该账户的收入，列记录该账户的支出。本文所使用的SAM基于《中国投入产出表2007》中的42部门“基本流量表”以及《中国科技统计年鉴》中各行业的“科技经费内部支出总额”。在编制SAM时，使用 Terleckyj的方法处理 R＆D 投资［23－24］②由于《中国投入产出表》和《中国科技统计年鉴》的部门不一致，为了核算知识，本文将投入产出表中的“纺织服装鞋帽毛皮革羽绒及其制品业”并入“纺织业”，将“废品废料”并入“工艺品及其它制造业”，这样本文SAM只包括40个部门。。

本文使用手动平衡法平衡SAM，通过将总产出和总投入之间的差额相对均匀地反映在所有社会核算矩阵元素的变动上，最大限度地保持数据的一致性［15］①本文设定总产出和总投入之间的差额小于即停止迭代。。

三、基准情景下的模拟结果

(一)替代弹性对模拟结果的影响

假设不存在补贴政策的情景为BaU情景，在此情景下，本文以5年为跨度对主要的3E变量进行模拟。由于知识可以替代其它生产要素，因此知识替代弹性(式(6)中的σH)的不同取值可能会对结果造成影响。现有的文献中缺少对替代弹性的实证研究，为保证结果的稳健性，本文采用与Sue Wing相似的方法，在BaU情境下对不同的替代弹性进行模拟［17］②Sue Wing中将σH的取值设为0.5、1、2，并比较了不同σH值下模拟结果的稳健程度;Ke Wang等人将σH的值设定为2.5。由于篇幅所限，故不同替代弹性下的模拟结果未列出，感兴趣的读者可向作者索取，作者的邮箱为fisherbobo@gmail.com.。令 σH取值为 1.5、2、2.5、5，由于知识在中国经济中的稀缺性，假设知识具有大于1的替代弹性具有一定合理性。

随着σH的增加，GDP增长率、消费增长率、能源消耗增长率和排放增长率均增加，能源强度和碳强度在不同的σH下变化不大，同时越来越多的知识被化石燃料和资本等生产要素所替代。如式(7)所示，相对边际生产率是知识、资本－劳动－能源－非能源中间投入合成KLEM和σH的函数。在σH为正的情况下，H、KLEM的相对需求与这两种要素的相对边际生产率成反比，且随着σH的增加，边际生产率上的微小差距就会造成知识需求的大幅减少;当相对边际生产率固定时，相对需求是替代弹性的增函数。若σH为某一大于的1常数时，当知识的边际生产率相对于其它生产要素改善时，知识的相对需求也会下降。

虽然知识对其它的生产要素均具有替代性，但是由于其较高的价格，限制了厂商对知识的使用，为了发挥知识的边际生产率以及替代生产函数中的其它要素，需要对R＆D投资进行补贴，降低知识使用的价格。由于σH对3E变量的影响，相同的补贴政策在不同的替代弹性下可能会有不同的后果。通过两种假设情景分别模拟固定和递增补贴率下，替代弹性变化对各3E变量的影响，具体的情景假设及模拟结果见表2－3。

表2 不同替代弹性下补贴政策效果模拟的情景设计

随着σH的增加，在相同的补贴率水平下，虽然GDP、消费增长率提高，但是替代弹性的增加导致知识积累的速度下降，能源消费和排放增长率增加。然而随着补贴率水平的提高，在较小的下出现了过度补贴，即GDP、消费的增长率随补贴率增加而下降，这是因为由补贴带来的边际产出不足以弥补由于该补贴导致的消费者支出的减少。这一情况随着σH的增加而改善，说明知识的边际生产率是σH的增函数。此外，在最高的替代弹性下，GDP、消费增长率和能源消耗、排放增长率均随着补贴率水平的提高而加快，但能源强度和碳强度随补贴率水平的提升逐渐下降。考虑到知识对其它要素的替代以及过度补贴问题，为不失一般性，本文假设替代弹性等于2。

(二)基准情景下的模拟结果

BaU情景下的模拟结果见表4。从表4可知，BaU情境下除了清洁能源占总能耗、知识占GDP的比重两个变量外，其它变量均出现逐年下降趋势。GDP增长率由2010年的7.39%下降为2050年1.91%，消费的增长率由2010年的11.35%下降为2050年的2.05%，下降幅度超过GDP增长率，但每一期的人均消费增长率均超过同期GDP的增长率。能源消耗增长率由2010年的4.71%下降为2050年1.38%，碳排放增长率由2010年的4.42%下降为2050年的1.23%，碳排放增长率的下降幅度略微超过能源消耗增长率，说明在模拟期内知识积累导致能源效率获得改善，但每一期的能源消耗增长率均高于同期碳排放增长率，这是因为能源效率的改善有限而且清洁能源的增长速度又快于化石燃料①化石燃料和清洁能源的消耗速度可通过式(8)－(9)算出，见下文。。

表3 不同知识弹性下补贴政策效果的模拟结果

续表3

表4中能源消耗和排放的增长速度低于同期GDP增长速度的直接后果是能源强度和碳强度的下降，而碳排放增长率的下降幅度超过能源消耗增长率的降幅的直接后果是碳强度的降幅高于能源强度，即单位能源消耗带来的排放在逐渐降低。在固定能源效率系数和排放系数的假设前提下，碳强度下降的速度比能源强度下降快是因为知识积累促进了知识对化石燃料的替代，从而改善了能源效率;同时知识积累降低了清洁能源的使用成本，替代了能源结构中的部分化石燃料的使用。

表4 基准情景下的模拟结果

从表4可知，即使不存在补贴政策，生产部门的知识积累也会加快，这是因为知识可以替代生产结构中的其它生产要素，并且随着能源的逐渐消耗，递增的能源价格会使R＆D投资的回报增加;同时，生产部门也会逐渐增加清洁能源的使用比例，同时改善能源效率，降低能源强度和碳强度。

四、补贴政策情景下的模拟结果

从BaU情景下的模拟结果可知，若没有政府的政策支持，各生产部门的知识积累有限，虽然排放的速度在基准情境下的模拟期内逐年递减，但排放的增长率仍然较高。本文从政策力度(补贴率水平)和政策引入时间两个维度模拟不同的补贴政策下主要3E变量的变化情况，具体的情景设计见表5:

在2010年引入补贴政策即情景RDS2010a－e下，从表6可知，GDP和消费增长率变化一致，且从引入补贴政策的下一时期开始，GDP和消费增长率开始加快，若一开始补贴率水平较高(RDS2010－c)，则在引入补贴政策的当期，GDP和消费增长率会出现下降，但从后半个模拟期内开始加速，不止超过了基准情景、甚至超过了存在较低补贴率水平(RDS2010－a、RDS2010－b)下的模拟结果。然而若补贴率水平以较高的速度逐年递增(RDS2010－e)，GDP和消费增长率在整个模拟期都不会超过BaU情景下的模拟结果。原因是补贴带来的边际产出增加并不能补偿消费者因征税而损失的支出。较早地引入补贴政策对下一期的GDP和消费增长率存在微小的促进作用，但之后不同时间情景(RDS2010－a、RDS2015－a、RDS2020－a)下的 GDP和消费增长率以相同的趋势逐渐下降。

表5 补贴政策模拟情景设计

表6 不同模拟情境下的GDP和消费增长率

在引入补贴政策的当年，能源消耗和碳排放获得了较高的增长率，但在之后开始逐渐下降，且随着补贴率水平的提高，增长率越来越小(图2－3)。补贴政策的引入时间对能源消耗和碳排放增长率的影响有限，在补贴政策引入的当年，能源消耗和碳排放增长率会出现小幅提升，之后不同政策引入时间情景下的能源消耗和碳排放增长率趋于一致(表7)。由于在本文模型的构建中，知识积累需要时间，若在本时期实施补贴政策，则新增的知识要等到下一时期才会进入生产函数，这造成了补贴政策引入的下一时期能源消耗和碳排放增长率才开始下降。

表7 不同政策引入时间情景下的能源消耗和碳排放增长率

图2 BaU及RDS2010情景下的能源消耗增长率

图3 BaU及RDS2010情景下的碳排放增长率

从引入补贴政策的下一时期开始，知识强度开始逐渐增加，并且若补贴政策引入的时间越早，知识强度就增加得越快，但不同政策引入时间情境下的知识强度的变化会逐渐地趋于一致。同时，能源强度和碳强度开始下降，且随着补贴率水平的提升，能源强度和碳强度的下降幅度会增加(表8)。能源强度和碳强度GDP和能源消耗变化的共同结果，在相同的补贴率水平下，较早的引入补贴政策，会使能源强度的下降幅度出现略微的增加(表8)。

图5 BaU及不同政策引入时间情景下的知识强度

通过能耗增长率和清洁能源占总能耗的比重可分别算出化石燃料和清洁能源的消耗速度，见式(8)－(9)。式中的E(t)、CE(t)、FF(t)、α(t)分别表示时期的能源、清洁能源、化石燃料消耗量和清洁能源占总能耗的比重。

从化石燃料和清洁能源的消耗速度可知，随着补贴政策的引入，除引入补贴政策的当年外，化石燃料和清洁能源的消耗速度均下降，且随着补贴率水平的增加下降速度也开始加快(图6－7)。补贴政策的引入时间对化石燃料和清洁能源的消耗速度影响有限，除补贴政策引入的当年外，较早的引入补贴政策会使化石燃料和清洁能源的消耗速度下降，但是持续时间有限，不同政策引入时间情景下的化石燃料和清洁能源的消耗速度最后总会趋于一致(表9)。

表8 不同模拟情景下的能源强度和碳强度

图6 BaU及RDS2010情景下化石燃料的消耗速度

图7 BaU及RDS2010情景下清洁能源的消耗速度

通过对不同模拟情景下的GDP、消费、能源消耗和碳排放等主要3E变量在整个模拟期内的累计变化进行比较(表10)，可以比较不同补贴政策的成本与收益。 在情景RDS2010－a和RDS2010－b下，模拟期内的GDP和消费比基准情境下增加了0.11%，而随着补贴率水平的提高，GDP和消费不增反降，在较高的补贴率水平(RDS2010－e)下，GDP和消费分别比基准情境下减少0.22%和0.27%，可知R＆D补贴率水平并非越高越好。能源消耗和碳排放则随着补贴率水平的提高而下降。从表10可知，在相同的补贴率水平下，政策引入时间越早，政策的实施可获得更高的GDP和消费、更少的能源消耗和碳排放。

表9 不同政策引入时间情境下的化石燃料和清洁能源消耗速度

表10 不同情境下主要3E变量在模拟期内相对于BaU情景的累计变化

五、结论及政策建议

本文基于包含内生技术变化的气候政策模型，通过运用DCGE技术，从政策力度和政策引入时间两个维度设计补贴政策模拟情景，对不同情境下主要3E变量的变化情况进行了比较。结果发现:

1.随着替代弹性的增加，知识的使用价格增加，导致越来越多的知识被化石燃料和物质资本等生产要素所替代，补贴政策虽然能够在保证知识的边际生产率水平下降低知识的使用价格，但政策的效果一定程度上取决于替代弹性的大小，在缺少关于各生产部门知识替代弹性的实证基础前提下制定的补贴政策可能会带来相反的效果。

2.在适度的替代弹性下，补贴政策会加速知识对其它生产要素的替代，导致能源消耗速度和排放增长率下降，同时增加GDP和消费增长率。但R＆D补贴不是“免费的午餐”，过高的补贴率水平在发挥上述作用时可能会“挤出”消费支出，减少消费者福利，降低GDP增长水平，要同时保证经济增长和节能减排就需要在补贴政策的两种效果之间权衡。

3.本文假设能源的使用效率和排放效率本身不存在“自动能源/排放效率改善”(Autonomous Energy/Emission Efficiency Improvement，AEEI)的可能性，并得出政策越早实施效果越好的结论，但若能源效率和排放效率存在自动改善的可能性，更晚地实施政策因技术进步的存在也可能会带来较小的成本，但是能源效率和排放效率的改善是一个很复杂的过程，充满了不确定性，从这一角度出发，较早地实施政策就显的更加谨慎，毕竟未来的效率改善存在诸多不确定性。

补贴能够促进知识积累，减少能源消耗和排放。在更深的层次上。知识使用价格的降低可能会推动生产部门由传统的要素积累、能源消耗型向知识使用型转变，转变中国的经济增长方式。当前中国政府面临着保持经济增长和实现节能减排双重目标的压力，在此背景下，为生产部门提供R＆D补贴具有重要的实际意义。但是在具体实施补贴政策时，由于替代弹性的不确定性，使得补贴政策的效果也具有不确定性，因此在制定政策时需要对知识替代弹性的大小和作用机制有充分的认识，同时避免过度补贴的出现，在此基础上，政策越早实施，则政策促进经济增长和节能减排的效果越明显。

［1］BP.BP statistical review of world energy June［M］.London:BP，2011.

［2］Popp D，Newell R G，Jaffe A B.Energy，the environment，and technological change［R］.NBER Working Paper，2009，No.14832.

［3］Zhou H，Tamas M M.Impacts of integration of production of black and green energy［J］.Energy Economics，2010，32(1):220－226.

［4］Liu T，Xu G，Cai P，Tian L，Huang Q.Development forecast of renewable energy power generation in China and its influence on the GHG control strategy of the country［J］.Renewable Energy，2011，36(4):1284 －1292.

［5］Pigou A C.The economics of welfare［M］.London:Macmillan and Co，1920.

［6］Popp D.R＆D subsidies and climate policy－is there a free lunch［R］.NBER Working Paper，2004，No.10880.

［7］Grimaud A，Lafforgue G.Climate change mitigation policies － are R＆D subsidies preferable to a carbon tax［J］.Revue D'économie Politique，Dalloz，2008，vol.0(6)，pages 915－940.

［8］Nordhaus W.A question of balance:weighing the options on global warming policies［M］.New Haven:Yale University Press，2008.

［9］Sue Wing I.The synthesis of bottom －up and top－down approaches to climate policy modeling:Electric power technologies and the cost of limiting US CO2 emissions［J］.Energy Policy，2006，34(18):3847－3869.

［10］Paltsev S.Moving from static to dynamic general equilibrium economic models［R］.MIT Joint Program Technical Note，2004，No.4.

［11］Loschel A.Technological change in economic models of environmental policy:A survey［J］.Ecological Economics，2002，43(2－3):105－126.

［12］Gillingham K，Newell R G，Pizer W A.Modeling endogenous technological change for climate policy analysis［J］.Energy Economics，2008，30(6):2734 －2753.

［13］Kamien M I，Schwartz N L.Optimal induced technical change［J］.Econometrica，1968，36(1):1 －17.

［14］Binswanger H，Ruttan V W.Induced innovation:technology，institutions and development［M］.Baltimore:Johns Hopkins University Press，1978.

［15］Sue Wing I.Induced technical change in computable general equilibrium models for climate－change policy analysis［D］.PhD dissertation，Massachusetts Institute of Technology，Engineering Systems Division，2001.

［16］Goulder L H，Schneider S H.Induced technological change and the attractiveness of CO2 abatement policies［J］.Resource and Energy Economics，1999，21(3):211－253.

［17］Sue Wing I.Induced technical change and the cost of climate policy［R］.MIT Joint Program Technical Note，2003，No.6.

［18］Ke W，Can W ，Chen J.Analysis of the economic impact of different chinese climate policy options based on a CGE model incorporating endogenous technological change［J］.Energy Policy，2009，37(8):2930 －29402940.

［19］International Energy Agency.CO2 emissions from fuel combustion － 2011 highlights［M］.Paris:IEA，2011.Available at http://www. iea. org/co2highlights/CO2highlights.pdf

［20］International Energy Agency.World energy outlook 2010［M］.Paris:IEA，2010.

［21］Energy Information Administration.International energy outlook 2011［M］.Washington DC:EIA，2011.Available at http://www.eia.gov/forecasts/ieo/

［22］Lau M I，Pahlke A ，Rutherford T.Approximating infinite－horizon models in a complementarity format:a primer in dynamic general equilibrium analysis［J］.Journal of Economic Dynamics and Control，2002，26(4):577－609.

［23］Terleckyj N.Effects of R＆D on the productivity growth of industries:an exploratory study［M］.Washington DC:National Planning Association Washington，DC，1974.

［24］Terleckyj N.Direct and indirect effects of industrial research and development on the productivity growth of industries［M］.Chicago:University of Chicago Press，1980.

The Choice of R＆D Subsidy Policies under Goals of Energy Saving，Emission Reduction and Economic Growth—A Scenario Analysis Based on DCGE Model

WEI Wei，HE Xu－bo
(School of Economics and Finance，Xi'an Jiaotong University，710061 Xi'an，China)

This paper forecasts the main economic－energy－environmental variables such as economic growth，energy consumption and carbon dioxide emission in China with dynamic computable general equilibrium model.Based on these experiment scenarios designed，we simulate the way the above variables change under different subsidy policies.The results show that the increase of elasticity of knowledge substitution will ac－celerate the growth rates of all the above variables while the effect of the subsidy policies depends on the elasticity of substitution and subsidies rates level will cause opposite effect with increasing elasticity of substitution，that growth rates of energy consumption，carbon emission，GDP and consumption will increase with the level of subsidies rates with the moderate elasticity of substitution，that the consumption will be spilled over under higher subsidies rates and GDP growth rate will decline，and that subsidy policies effects will be better in promoting economic growth，energy saving and emission reduction if policies implemented earlier under the same level of subsidies rate.

R＆D Subsidies;Energy Saving and Emission Reduction;Economic Growth;DCGE

A

1002－2848－2012(06)－0070－11

2012－07－06

魏玮(1966－)，陕西省丹凤县人，西安交通大学经济与金融学院副院长，教授，博士生导师，经济学博士，研究领域:产业组织与产业政策、产业组织与产业政策、可再生能源经济学;何旭波(1985－)，云南省禄丰县人，西安交通大学经济与金融学院博士研究生，研究领域:经济增长、气候变化及CGE建模。

责任编辑、校对:李斌泉