长三角工业碳排放影响因素实证分析

□文/谢钰思 武 戈

（江南大学商学院 江苏·无锡）

一、引言

中国最大的经济圈——长三角地区，位于长江下游和东海之滨，集“黄金水道”与“黄金海岸”于一体，主要包括上海市，江苏8 市（南京、苏州、无锡、常州、扬州、镇江、南通、泰州），浙江6 市（杭州、宁波、湖州、嘉兴、绍兴、舟山、台州），共16 个城市。由于其优越的自然条件和地理区位，一直是我国经济最为发达的地区，2012年长三角地区实现规模以上工业总产值17.35 万亿元，增长6.9%。《长江三角洲地区区域规划》（以下简称《规划》），是跨省级行政区的区域发展规划，国家“十一五”规划的重要组成部分，长三角地区区域协调发展的纲领。《规划》提出，在各个城市的详细定位中，上海仍然是“核心”，南京和杭州则是上海的“两翼”，同时将进一步提升南京、苏州、无锡、杭州、宁波等区域性中心城市的综合承载能力和服务功能。所以，本文选取上海、南京、苏州、无锡、杭州、宁波这6 个城市作为长三角城市的代表进行研究，分析其碳排放的影响因素，从而提出对策和建议，为整个长三角城市甚至全国范围内的城市工业碳减排提供借鉴和参考。

CO2主要来自于工业部门的能源消耗，所以研究工业部门二氧化碳排放量的变化，对于减少二氧化碳排放和制定未来的能源战略是至关重要的。近年来，许多学者都致力于研究影响二氧化碳排放量的因素，主要有人口规模、经济发展、工业部门内部结构、能源结构、能源效率、产业结构等。张庆民等（2012），基于我国1995～2009年统计数据计算了第一、二、三产业经济结构与碳排放总量碳排放增长率和碳排放强度的动态演化过程。结果表明，第一产业碳排放总量与碳排放强度远低于其他产业，但碳排放量增长率高于其GDP 增长率；第二产业碳排量总量最高，且波动幅度较大，碳排放强度呈现明显下降趋势；第三产业碳排放总量却远低于第二产业，碳排放强度与第一产业相似，但其碳排放增长率较高。孙慧宗（2010），采用1978～2006年的相关统计数据对中国城市化与含碳能源消费发生的二氧化碳排放量进行协整分析，同时建立误差修正模型，并运用Granger 因果关系检验方法，结果显示：城市化与二氧化碳排放量之间存在着长期稳定的均衡关系，但不具有理论上的双向因果关系。二期滞后时，城市化是二氧化碳排放量的Granger 原因，但后者不是前者的原因，对其不具有反馈效应。Karnjana Sanglimsuwan（2012）通过83 个国家从1980年到2007年的数据，分析二氧化碳排放量与人口以及其他相关因素之间的关系。结果表明：人口压力对二氧化碳排放量的增长的关键因素。此外，二氧化碳排放量和经济增长之间的关系显示了一个倒U 形。B.Davidsdottir，M.Fisher（2011）采用面板分析碳排放强度和发展之间的实证关系，并考察了两个变量之间的因果关系。分析数据覆盖从1980年到2000年的美国48 个州，但不包括夏威夷、阿拉斯加、华盛顿特区。结果表明：碳排放强度和国家的经济之间存在显著的双向关系。

二、模型的选取与构建

（一）模型的选取。面板数据是指在时间序列上取多个截面，同时在这些截面上选取样本观测值所构成的样本数据。与时间序列模型相比较，它可以降低各经济变量之间的多重共线性，且能提供更多的样本信息、更高的自由度和估计效率；与截面数据模型相比较，它可以控制由不可观测的经济变量所引发的OLS 估计的偏差，使得模型的设定更加合理，提供更准确的参数样本估计量。因此，本文采用面板数据来构建模型。

面板数据模型的一般形式如下：

Yit=Ci+βiTXit+εiti=1，2，…，N；t=1，2，…，T

其中，N 表示个体数，T 表示时间序列个数。若t 固定不变，Yi（i=1，2，…，N）是横截面上的N 个随机变量；若i 固定不变，Yt（t=1，2，…，T）是纵剖面上的一个时间序列。

面板数据模型常用的包括混合估计模型、固定效应模型和随机效应模型三大类。通常我们使用极大似然比来确定该建立混合模型还是固定效应模型，即当F=时，应当建立固定效应模型，反之则建立混合模型；使用豪斯曼（Hausman）检验法来确定该建立固定效应模型还是随机效应模型，即当（k）时，应当建立固定效应模型；反之，则建立随机效应模型。

（二）模型的构建及变量的选取。国内外利用面板数据模型对工业碳排放的影响因素进行研究的文献众多，目前最主要方法集中于环境库兹涅茨曲线（EKC），其最早的模型为库兹涅茨曲线（KC），是由库兹涅茨（1955）在收入不均的问题研究中发现，收入差距与经济增长呈现倒U型的曲线关系。到了20世纪九十年代初，Crossman 与Krueger（1991）在墨西哥加入北美自由贸易协定的环境影响报告中首次提出，环境与经济发展也呈现倒U 型的曲线关系。于是，Panayotou（1993）首次把环境与经济之间的这种倒U 型曲线关系称为环境库兹列茨曲线（EKC）。

另外，也有学者基于Ehrlich，Holdren（1971）提出的IPAT 等式，研究了人口规模（P）、富裕程度（A）和技术水平（T）对于环境（I）的影响，后来Waggoner、Ausubel（2002）和Schulze（2002）分别进行了I=PACT 和I=PBAT 的两次修改，但都不能解决各影响因素不同比例变化的问题，但在1994年，Dietz 等提出过的人口规模、富裕程度和技术水平的随机回归影响模型STIRPAT，为各因素的计量研究提供了可能，它是将IPAT 等式转变成一种随机模型，即I=aPbAcTde。本文选用第二个模型，并根据研究的内容对等式的变量进行了修改和增加。由于本文研究的对象是工业部门，所以环境压力I 用工业部门的碳排放总量C 来替代，人口规模P 用工业部门的平均从业人数来表示，富裕程度A用工业经济规模Y（即单位从业人员的工业总产值）来替代，技术水平T 用能源效率E（即单位能源消费的工业总产值）来替代。另外，本文还增加了和工业碳排放密切相关的两个变量——工业部门内部结构S 和能源消费结构M。S 用工业各行业总产值与工业总产值的比重来度量，M用各行业的煤炭消费与能源消费的比来表示，因为产生碳排放的各种能源种类很多，但是煤炭类的碳排放系数较石油和天然气类的高。考虑到各个变量的经济意义、可对比性以及在计量分析中可能出现的异方差等因素，我们对各个变量分别取了自然对数，α1、α2、α3、α4、α5表示人口规模、工业经济规模、能源效率、工业部门内部结构和能源消费结构的弹性。根据以上的分析及结合相关的经济理论，我们可得到工业碳排放的面板数据模型如下：

（三）数据来源。长三角6 个城市的工业平均从业人员、单位从业人员的工业生产总值、能源效率、工业部门内部结构和能源消费结构的数据来源于2005～2009年的《上海工业能源交通统计年鉴》和2010年的《上海能源统计年鉴》、2001～2012年的《南京统计年鉴》、2004～2012年的《苏州统计年鉴》、2004～2012年的《无锡统计年鉴》、2001～2012年的《杭州统计年鉴》、2003～2012年的《宁波统计年鉴》。

三、实证分析

（一）单位根检验。只有面板数据是平稳的才可以进行回归，否则会产生虚假回归。为了避免出现伪回归现象的发生，必须对面板数据进行单位根检验，以确定其平稳性，检验方法主要有修正的DW 统计量方法、GLS 估计方法，、LLC 检验方法、IPS 检验方法、ADF-Fisher 和PP-Fisher检验。本文选择LLC 检验方法，分别对各个城市的各变量进行了单位根检验，结果如表1所示。从表中可以看出，6 个城市的6 个变量分别通过了1%、5%和10%水平上的显著性检验，不存在单位根，数据具有平稳性，可以进行最小二乘估计。（表1）

（二）模型的确定。使用EVIEWS6.0对长三角6 个城市的工业分行业面板数据进行模型的回归，通过极大似然比检验，结果如表2每个城市的第一列数据所示，它们的相伴概率P 值均为0，F 统计值均在1%的水平上显著，所以拒绝原假设，应当建立固定效应模型而不是混合效应模型。再通过豪斯曼检验，即表中第二列数据所示的检验结果可以看出，它们的统计值也均在1%的显著水平上通过，所以拒绝随机效应模型的原假设，建立固定效应模型。上述两种检验方法都认为应当建立固定效应模型，为问题的分析提供了可靠的依据，因此本文采用固定效应模型进行最小二乘法估计。（表2）

表1 长三角6个城市的面板单位根检验

表2 长三角6个城市的F值检验和豪斯曼检验

（三）结果分析。由模型的回归结果可以看出：从总体上来看，上海、苏州、无锡、杭州和宁波工业分行业的人口规模P、经济规模Y、能源效率E、工业部门内部结构S 和能源消费结构M 这五个因素对碳排放量C 都有显著的影响，但各自的影响程度随城市而有所变化。它们的回归模型的拟合优度达到0.98～0.99，这表明方程中的解释变量至少解释了98%～99%的因变量变化，回归的结果与前期的判断保持一致，并且所有变量都取了对数，所以系数大小将代表弹性。

从上海的模型结果来看，工业的人口规模P、经济规模Y、能源效率E、工业部门内部结构S 和能源消费结构M 都通过了1%显著性水平的检验，说明这5 个因素对碳排放的影响都是显著的。其中，影响最大的因素是人口规模P 和经济规模Y，其次为工业部门内部结构S，而能源效率E 和能源消费结构M 的影响较小。人口规模的回归弹性系数为0.4758，与碳排放呈正效应，这表明工业平均从业人员每增加1 个百分点，将会增加0.4758 个百分点的碳排放；经济规模，即单位从业人员的生产总值的影响系数为0.4250，表明人均产出每增加1%，将会多排放0.4250%的二氧化碳；两者的弹性系数都小于1 说明碳排放的增长速度低于人口规模和经济规模的增加速度，但相对其他影响因素，它们的弹性系数比较大；能源效率的影响系数为-0.3654，这体现了能源效率对工业碳排放的影响为负，当工业各行业的能源效率提高的时候，工业碳排放将会降低，每单位的能源使用效率的提高会降低0.3654 个百分点的碳排放；工业部门内部结构和能源消费结构对碳排放的影响效应也为正，其中工业部门内部结构对碳排放的正向影响稍大于能源消费结构。

其他5 个城市南京、苏州、无锡、杭州和宁波的人口规模P、经济规模Y、能源效率E 这3 个因素对碳排放的影响都很大，而工业部门内部结构S 和能源消费结构M 的影响就相对比较小，且它们的弹性系数与前三者的差别也比较大。具体来看，南京、无锡和杭州工业分行业对碳排放影响最大的因素都是能源效率，它们通过了1%显著性水平的检验，影响的弹性系数分别为-0.6914、-1.2595 和-1.6553，通过比较不难发现，杭州的能源效率对碳排放的影响最大，这说明当3 个城市的工业分行业的能源效率提高的时候，它们的工业碳排放量都将会减低，但是杭州的降低幅度将达到最大，每单位的能源使用效率的提高会降低1.6553 个百分点的碳排放。其他两个因素人口规模和经济规模工业碳排放呈正相关关系，影响的弹性系数稍低于能源效率，但也不容忽视，因为人口规模的膨胀和工业经济的不断发展将会增加大量的工业二氧化碳排放。对于苏州和宁波的工业碳排放影响最大的是人口规模，每增加1 个百分点的人口，将分别增加0.8956、1.2589 个百分点的碳排放。另外，宁波的能源效率对碳排放的影响也较大，弹性系数达-1.0613，略低于人口规模的影响力，因此继续提高能源的使用效率将会促使碳排放的大幅度下降。南京、苏州、无锡、杭州和宁波这5 个城市的工业部门内部结构和能源消费结构对碳排放的影响相对其他几个因素要小的多，弹性系数均在0.5 以下，它们的能源消费结构虽然都通过了1%显著水平的检验，但影响的弹性系数都较低，南京、苏州和宁波的工业部门内部结构也只在5%的显著水平上通过检验，这说明长期以来以煤炭为主的能源消费结构对碳排放的影响虽没有其他因素那么大，但也不能忽视。

四、小结

通过对长三角6 个城市工业分行业的数据建立面板模型进行实证分析，研究了工业碳排放的各个影响因素，我们可以得到如下结论：

能源使用效率、人口规模、工业经济规模、能源消费结构和工业部门内部结构这5 个因素都不同程度地对碳排放产生了影响，能源使用效率与碳排放呈现负相关关系，在很大程度上减少了二氧化碳排放量，而后4 个因素则表现为正相关，在不同水平上促进了二氧化碳排放量的增加。

上海、苏州和宁波的人口规模对碳排放的影响系数最大，由回归的结果表明，这3 个城市的人口每增加1%，将会分别增加0.48%、0.90%和1.26%的工业碳排放量，而南京、无锡和杭州的能源效率对碳排放的影响系数最大，且表现为抑制作用，能源使用效率每提高1%，工业碳排放量将会分别减少0.69%、1.26%和1.66%。由此可见，长三角6 个城市减少工业二氧化碳排放量应当着重从人口规模和能源效率入手，继续控制人口的不断膨胀和提高能源的使用效率。

工业经济规模、能源消费结构和工业部门内部结构对于碳排放的影响显著程度随城市不同而不同，上海、苏州、无锡和杭州的工业经济规模是其工业碳排放增加的第二大促进因素，单位人均产出每增加1%，将会分别使碳排放增加0.43%、0.80%、0.98%和1.41%。长三角6 个城市的能源消费结构和工业部门内部结构都在一定程度上促进了碳排放量的增加，但它们的影响系数明显小于其他因素，均在0.5 以下。因此，我们应当转变经济发展方式，改变一直以煤炭为主的能源消费结构，更加重视发展新能源和可再生能源，降低传统化石能源，尤其是煤炭在一次能源消费总量中的比重，促进光伏、风电、核电等新能源的发展，强调创新驱动、依靠科学技术，关注产业结构调整。

［1］张庆民，葛世龙，吴春梅.三次产业结构演化与碳排放机制研究——基于面板数据模型的实证分析［J］.科技与经济，2012.1.

［2］孙慧宗，李久明.中国城市化与二氧化碳排放量的协整分析［J］.人口学刊，2010.5.

［3］Karnjana Sanglimsuwan.The Impact of Population Pressure on Carbon Dioxide Emissions：Evidence from a Panel-Econometric Analysis_International Research Journal of Finance and Economics，2012.