长三角地区制造业碳排放脱钩研究

曹广喜,刘禹乔,周　洋

(南京信息工程大学,南京 210044)



长三角地区制造业碳排放脱钩研究

曹广喜,刘禹乔,周洋

(南京信息工程大学,南京 210044)

摘要：基于Tapio模型,发现自2006年以来,长三角地区制造业企业碳排放基本呈现弱脱钩状态。根据面板数据模型和空间计量模型,研究发现能源消费的经济增长弹性、经济增长率、第二产业增速、单位GDP能耗是影响长三角地区制造业企业碳排放脱钩的主要因素,且碳排放脱钩的空间相关性及差异性表现并不显著。未来应充分发挥市场的力量,从经济发展内部降低碳排放强度,深化产业结构调整,推动环保产业的发展,建立健全碳排放强度降低目标责任评价考核制度。

关键词：Tapio模型;长三角地区制造业;碳排放脱钩;空间计量;经济新常态

一、文献综述

近年来,我国经济逐渐呈现出新常态,作为我国制造业集聚中心的长三角地区,若要实现经济增长质量的提升,使经济健康、持续发展,就必须主动寻找新的增长点。大力提升碳排放脱钩水平不但是长三角地区适应经济新常态的必由之路,也是今后我国经济持续、健康发展的新亮点。在经济新常态的背景下,处理好经济增长和环境保护的关系,转变发展方式、推动制造业绿色发展,正在成为另一种新常态。因此,研究长三角地区制造业碳排放脱钩问题有利于我国在经济新常态下实现节能减排与产业结构调整同步并行,具有较强的前瞻性和现实意义。

碳排放脱钩可解释为经济增长与温室气体排放之间关系不断弱化乃至消失的理想化过程,即在实现经济增长的基础上,逐渐降低能源消费量。碳排放的经济增长弹性就是碳排放脱钩情况,因此弹性成为衡量各地区低碳状况的主要工具。经济合作与发展组织为讨论环境污染与经济发展的关联性首先提出了脱钩(decoupling)概念,其中包含绝对脱钩和相对脱钩。*OECD, Indicators to Measure Decoupling of Environmental Pressures from Economic Growth, Pairs: OECD, 2002,p.4.Tapio提出以弹性指标度量脱钩的概念,并将指标细分为连结、脱钩和负脱钩三种状态,*Tapio P, “Toward a Theory of Coupling: Degrees of Decoupling in the UE and the Case of Road Traffic in Finland Between 1970 and 2001,” Transport Policy, vol.12,no.2(2005,07),pp.137-151.并根据脱钩弹性值的不同细化为扩张连结、衰退连结、弱脱钩、强脱钩、衰退连结、扩张性负脱钩、强负脱钩、弱负脱钩八大类。

我国经济步入新常态,节能减排工作备受关注。徐盈之等采用拉氏因素分解法对我国制造业(1995—2007年)碳排放驱动因素进行研究,表明产出效应为主要的正向因素,能源强度为主要的负向因素,仅较少年份碳排放出现强脱钩。*徐盈之,徐康宁,胡永舜等:《中国制造业碳排放的驱动因素及脱钩效应》,统计研究,2011年第28期,第55-61页。武义青等测算了1980—2011年河北省的碳排放量、排放强度、人均排放量和单位面积排放量,发现河北省的能源消费量、碳排放量呈上升趋势,但碳排放强度呈下降趋势,且碳排放量与能源消费量主要受能源结构和产业结构影响。*武义青,赵亚南:《河北省碳排放与能源消费和经济增长》,河北经贸大学学报,2015年第1期,第123-129页。张颖建立能耗、二氧化碳排放与工业经济脱钩模型,发现1995—2008年我国工业碳排放脱钩水平与能耗脱钩水平有相同的变动趋势。*张颖:《能源消耗、二氧化碳排放与中国工业可持续发展的脱钩分布研究》,开发研究,2013年第1期,第104-108页。李新等测算了2001—2010年中国省际电力碳排放强度时空演变和差异性特征,发现西部省份的电力碳强度普遍高于东部发达地区,省际电能消费碳排放强度的差异性与资源禀赋、经济发展、人口状况、消费水平等因素有关。*李新,王海滨,陈朝镇,刘泉,于晓菡:《中国电力能源碳排放强度的时空演变及省际间差异性》,干旱区资源与环境,2015年第1期,第43-47页。其他学者从不同角度对我国的碳排放脱钩情况进行了研究。有学者利用分解技术和解耦的方法来探讨影响江苏工业能源碳排放的主要因素,发现2005—2012年,江苏工业处于弱脱钩状态,其中能源效率提升是碳排放降低的主要原因。*Lu Q L, Yang H, Huang X L,Chuai X W,Wu C Y,“Multi-sectoral decomposition in decoupling industrial growth from carbon emissions in the developed Jiangsu Province, China,”Energy,vol.82, no.15(2015. 03),pp.414-425.Yi等采用人均GDP、累计碳排放、单位工业增加值碳排放等数据建立了省级分配模型。*Yi W J, Zou L L, Guo J, Wang K, Wei Y M, “How can China reach its CO2 emissions allowance over provinces in China by 2020,” Energy Policy, vol.39, no.12(2011.11),pp.2407-2415.Geng等研究了能源碳排放强度特征、区域差异和空间格局变化。*Geng Y H, Tian M Z, Zhu Q A, Zhang J J, Peng C H, “Quantification of provincial-level carbon emissions from energy consumption in China,” Renewable and Sustainable Energy Reviews, vol. 15, no. 8 (2011. 10), pp. 3658-3668.已有研究表明,我国仍处于经济增长和人均收入上升阶段,碳排放存在上升趋势。虽然各地加大了节能减排投入,但作用并不显著。

国内已有研究主要存在以下不足:第一,主要集中在宏观经济增长和碳排放脱钩关系方面,从制造业的角度开展碳排放脱钩的研究较少;第二,缺乏从核心经济区域进行联动的层次性分析;第三,鲜有学者将空间计量模型引入长三角地区,研究制造业碳排放脱钩的空间相关性及差异性。因此,本文基于长三角地区江苏省、浙江省、上海市的省级面板数据,以Tapio模型为基础,测算长三角地区制造业碳排放脱钩状态,并研究影响碳排放脱钩的主要因素。同时,采用空间自回归模型与空间误差模型分析长三角地区碳排放脱钩的空间效应。

二、实证方法与模型设定

本文用C表示碳排放量,用GDP度量经济规模,用TCE表示能源消耗量。

(一)Tapio模型

Tapio模型采用弹性概念对碳排放脱钩状况进行度量。将Tapio模型表述为:

E(C,GDP)=(△C/C)/(△TCE/GDP)；

(1)

E(C,TCE)=(△C/C)/(△TCE/TCE)；

(2)

E(TCE,GDP)=(△TCE/TCE)/(△GDP/GDP)。

(3)

其中△为1阶差分算子。在该模型中,E(C,GDP)表示碳排放量的经济增长弹性,E(C,TCE)表示碳排放量的能源消耗弹性,E(TCE,GDP)表示能源消耗的经济增长弹性，E(C,GDP)=E(C,TCE)*E(TCE,GDP)。从碳排放脱钩角度来看,E(C,GDP)<0且△GDP>0表示经济增长的同时，碳排放量减少,是实现碳排放脱钩的最佳状态;00表示在实现经济增长的同时,碳排放量增速小于经济增速,部分实现碳排放脱钩。引入E(C,TCE)与E(TCE,GDP)是因为,碳排放和经济增长的互动是通过能源消费实现的,所以这两个变量是衡量碳排放脱钩状态的重要中介变量。

(二)面板回归模型

本文采用面板回归模型分析影响碳排放脱钩水平的驱动因素。面板数据包含时序数据和截面数据,既可用于分析各区域的静态差异,又可描述各区域的动态变化特征;可有效扩大样本容量,提高模型估计精度;同时,利用面板数据模型可反映一些被忽略的时间因素和个体差异因素的综合影响,如政策差异和观念差异等难以观察或量化的因素。本文采用面板数据中的混合回归模型对上述数据进行分析。该模型假定截距和斜率系数都是常数,得到:

yit=αit+xit·βit+εit;i=1,2,…n;t=1,2,…T。

(4)

其中,xit为解释变量向量,下标i代表不同个体(地区),t代表时间(年),α、β分别为截距向量及参数向量。此模型中个体差异因素对截距和斜率系数没有影响,此时相当于将T个时期的横截面数据融合成一个“混合样本”(样本容量nT)。

(三)空间计量模型

空间效应(Space Effects)指各区域的经济地理行为之间存在着一种空间相互作用,主要被分为空间相关性(Spatial Dependence)与空间异质性(Spatial Heterogeneity)。空间计量的两种基本模型分别是空间自回归模型和空间误差模型,其基本形式如下所示。

空间自回归模型(SAR):

y=ρ(IT⊗Wn)y+X′β+ε。

(5)

空间误差模型(SEM):y=X′β+μ;

μ=λ(IT⊗Wn)μ+ε。

(6)

其中,y为因变量,X为自变量向量(包括常数项),β为变量系数,ρ和λ分别为空间自回归系数和空间自相关系数,ε为误差成分。t,i分别为时间维度与截面维度,IT为T维单位时间矩阵,Wn为n×n的空间权重矩阵(n为地区数),权重视数据实际情况决定。根据误差成分ε分解的不同结果，可以分为固定效应及随机效应。模型中控制了两类非观测效应——空间固定效应和时间固定效应。

三、碳排放脱钩数据的来源及处理

本文从《中国能源统计年鉴》及《中国统计年鉴》获取了上海市、江苏省、浙江省2004—2012年的工业企业能源消费量和其他相关数据,本文依据《中国能源统计年鉴》提供的能源折算标准煤系数将各种能源折算为标准煤,计算能源消耗量(由于篇幅原因,具体系数在此省略)。特别说明的是,由于目前官方尚未公布分省的制造业行业相关数据,而制造业作为我国工业体系的主体且在工业行业中占核心地位,因此本研究暂以工业行业数据替代制造业数据。另采用GDP、第二产业增加值等作为衡量各省市经济发展水平的基础指标,其中GDP以1978年为基期,单位为亿元。

根据折算为标准煤的各种能源的消费总量，结合《2006年IPCC国家温室气体清单指南》中各种能源的碳排放系数，可计算出各种能源的碳排放量，求和可得上海市、江苏省、浙江省每年的制造业(工业)能源碳排放量(如图1)。

图1　2003—2011年长三角地区工业二氧化碳排放量

四、实证分析

(一)碳排放脱钩情况

根据上文的计算方法,得出2004—2012年上海市、江苏省、浙江省制造业(工业)碳排放脱钩情况。上海市在2004年为强脱钩,在2005年为扩张性负脱钩,2006—2011年为弱脱钩;江苏省在2004—2005年为扩张性负脱钩,2006—2011年为弱脱钩;浙江省在2004年为扩张性负脱钩,2009—2010年为强脱钩,其余年份为弱脱钩。从碳排放脱钩水平来看,上海市的碳排放脱钩水平最高,浙江省和江苏省的碳排放脱钩水平略低。从脱钩系数计算结果来看,自2006年以来,上海市、江苏省、浙江省的碳排放量增长幅度持续低于经济增长幅度,其中浙江省在2010—2011年实现

了负脱钩,经济增长与能耗降低同步。

(二)碳排放脱钩的影响因素分析

制造业碳排放脱钩在定义和计算方法上主要涉及经济增长、能源消耗与碳排放三个基础变量，而制造业碳排放脱钩的指标变量E(C，GDP)与碳排放的能源消费弹性系数E(C，TCE)、能源消费的经济增长弹性系数E(TCE，GDP)具有紧密联系，因此本文将E(C，TCE)、E(TCE，GDP)作为影响制造业碳排放脱钩情况的解释变量。

涂红星、田超杰等分别从不同地域、不同时间范围研究了我国工业领域的碳排放脱钩情况，发现碳排放脱钩情况主要受到经济发展、工业发展以及能源效率等因素的影响。*涂红星，肖序，许松涛等：《基于LMDI的中国工业行业碳排放脱钩分析》，中南大学学报(社会科学版)，2014年第4期，第31-36页。田超杰：《技术进步对经济增长与碳排放脱钩关系的实证研究——以河南省为例》，科技进步与对策，2013年第14期，第29-31页。因此，本文主要从以下三个层次选取解释变量。第一，在经济增长方面，选取GDP作为基础变量，采用各地GDP总值、GDP增速两个变量从经济增长规模和增速两个角度研究经济增长对碳排放脱钩的影响。第二，在第二产业方面，以第二产业增加值为基础变量，从第二产业增加值、第二产业增加值增速、第二产业增加值在GDP中所占比重三个角度研究第二产业规模、增速以及结构对碳排放脱钩的影响。第三，在能源消耗方面，采用单位GDP能耗来衡量能源消费结构对碳排放脱钩的影响。根据公式(4)，上述变量的描述性统计结果如表1所示。

表1　碳排放脱钩各变量的描述性统计

经过检验得知GDP增长率、第二产业增速等变量之间存在多重共线性，因而本文建立制造业碳排放脱钩的指标变量、经济增长、工业发展以及能源消耗等四个模型，对制造业碳排放脱钩的影响因素进行分析，结果见表2。

表2　面板回归结果

注：***表示在0.01的显著性水平下显著,**表示在0.05的显著性水平下显著,*表示在0.10的显著性水平下显著。

模型一采用碳排放的能源消费弹性系数E(C，TCE)、能源消费的经济增长弹性系数E(TCE，GDP)进行回归。从结果来看，E(TCE，GDP)的回归结果在0.05的显著性水平下是显著的，而E(C，TCE)的回归结果在0.05的显著性水平下并不显著。该结果说明碳排放脱钩主要受能源消费的经济增长弹性系数影响。E(TCE，GDP)的估计系数为0.7224，在0.05的显著性水平可以拒绝原假设，说明能源消费的经济增长弹性系数每提高1%，碳排放脱钩指标提高0.72%。

模型二采用GDP增长率和GDP规模对工业碳排放脱钩情况进行分析。从结果来看，该回归方程的F统计量在0.10的显著性水平下不能拒绝原假设，说明经济增长并不是制造业碳排放脱钩的有效解释变量。

模型三采用第二产业增加值及其增速作为解释变量，结果表明，第二产业增加值增速变量的估计系数为4.9801，该估计系数在0.05的显著性水平下可以拒绝原假设。说明第二产业增加值增速对工业碳排放脱钩情况影响较大：第二产业增加值增速提高1%，碳排放脱钩指标上升4.98%；第二产业增加值增速降低1%，碳排放脱钩指标下降4.98%。

模型四采用工业增加值占比和单位GDP能耗对碳排放脱钩指标进行分析，从结果中可以看出，单位GDP能耗估计系数为5.6531，该估计系数在0.05的显著性水平下可以拒绝原假设。说明单位GDP能耗对工业碳排放脱钩情况影响很大：单位GDP能耗每增加1%，碳排放脱钩指标上升5.65%；单位GDP能耗每降低1%，碳排放脱钩指标下降5.65%。

从表2看,对长三角地区制造业碳排放脱钩情况有显著影响的变量包括能源消耗的GDP弹性、GDP增速、第二产业增速、单位GDP能耗。这四个变量估计系数均为正值,表示变量越高,碳排放脱钩指标就越倾向于负脱钩。这四个变量可分为经济增长、工业增速和技术效率三类。综上所述,我国经济增长在很大程度上仍依赖资源消耗,增长方式依旧是粗放型的,技术创新对提振经济增长速度、改变经济增长质量的作用有限。

(三)碳排放脱钩的空间效应检验

为研究碳排放脱钩的空间效应，对表2中的四个模型建立空间自回归模型，并进行空间误差模型的建模。通过固定效应检验和随机效应检验判定模型发现，除模型一与模型四的空间误差模型在0.10的显著性水平下可以拒绝原假设外，其余模型检验均无法拒绝原假设，见表3。因此本文在估计模型时，模型一、模型四的空间误差模型采用随机效应模型进行估计，模型二、模型三采用混合回归模型进行估计。

表3　固定效应检验和随机效应检验

注：***表示在0.01的显著性水平下显著,**表示在0.05的显著性水平下显著,*表示在0.10的显著性水平下显著。√表示模型与变量的匹配关系。

从空间自回归模型和空间误差模型的估计结果来看，解释变量的结果与普通面板回归的结果类似，E(TCE，GDP)、GDP增长率、第二产业增加值增速、单位GDP能耗对制造业碳排放脱钩指标具有显著的影响，影响的方向和程度也与普通面板回归的结果基本接近，见表4、表5。且模型一至四的空间项相关系数估计结果均为正值，但在0.10的显著性水平下均不能拒绝原假设，说明从空间相关性和空间异质性角度，制造业碳排放脱钩指标在上海市、江苏省、浙江省的空间相关性和溢出性并不显著。主要是因为长三角地区经济发展水平和经济发展效率较高，所以这种碳排放脱钩的空间相关性以及溢出性并不明显。

表4　空间自回归模型估计结果

表5　空间误差模型估计结果

五、主要结论和建议

本文基于Tapio模型对长三角地区制造业(工业)碳排放脱钩情况与影响因素进行了研究,并引入空间计量模型分析其空间相关性和差异性。研究结果表明:第一,自2006年以来，长三角地区制造业(工业)碳排放脱钩情况基本表现为弱脱钩;第二,影响其碳排放脱钩情况的因素有四,分别是能源消费的经济增长弹性、经济增长率、第二产业增速、单位GDP能耗,上述变量数值越高,脱钩指标就越倾向于负脱钩;第三,上海市、江苏省与浙江省之间具有微弱的空间相关性和溢出性,即碳排放脱钩的空间依赖性和空间差异性表现得并不显著;第四,长三角地区短期内难以实现强脱钩,碳排放总量还将继续增长,但排放增速将逐步降低。

为了在经济新常态下提高长三角地区碳排放脱钩水平,提出以下意见和建议。首先,加快制造业设备的低碳改造,提高清洁能源使用比例,降低单位GDP能耗等指标;其次,深化产业结构调整,推动制造业从要素驱动型向质量效率型迈进;再次,加快节能环保产业的发展,培育以企业为主的低碳技术创新主体,建立健全低碳科研、技术人才与管理人才培养体系;最后,建立健全碳排放强度降低目标责任评价考核制度,将碳排放强度降低指标完成情况纳入地方政府考核评价体系,并建立区域联防联控机制。在此过程中,要发挥市场机制的决定性作用,通过税收、价格等措施,鼓励社会资本投入,发展碳排放权交易制度,鼓励制造业企业主动实现节能减排。

〔责任编辑：沈丹〕

·制造业研究·

Study on Carbon Emission Decoupling of the Manufacturing

Industry in Yangtze River Delta Area

CAO Guang-xi, LIU Yu-qiao, ZHOU Yang

(NanjingUniversityofInformationScience&Technology,Nanjing210044,China)

Abstract:Based on the Tapio model, the paper has studied carbon emission decoupling problem of manufacturing industry in Yangtze River Delta Area and considers that since 2006, the carbon emission approximately takes on weak decoupling state. The main influencing factors and the spatial effects of carbon emission are analyzed by panel data model and spatial econometric model. It is found that economic growth elasticity of energy consumption, economic growth rate, the growth rate of the secondary industry and energy consumption per GDP are major factors that impact the carbon emission decoupling of this region. Moreover, the spatial correlation and differences of the carbon emission decoupling don’t perform well. There is need give full play to the market forces, reduce carbon emissions intensity from internal economic development, deepen the adjustment of industrial structure, promote the development of environmental protection industry and establish and improve the carbon intensity by reducing the target evaluation system of the responsibility.

Key words:Tapio model; the manufacturing industry in Yangtze River Delta Area; carbon emission decoupling; the space measurement; in the new normal

作者简介：曹广喜,男,博士,南京信息工程大学经济管理学院副教授;刘禹乔,男,南京信息工程大学中国制造业发展研究院研究助理;周洋,男,南京信息工程大学中国制造业发展研究院研究助理。

基金项目：国家自然科学 “环境规制下我国制造业转型升级研究”(71173116);中国制造业发展研究院2013年度开放课题“中国制造业发展与碳排放脱钩的空间计量研究”(SK20130090-2);2014年江苏省大学生创新训练项目“长三角地区制造业发展与碳排放脱钩的空间计量研究”(201410300063)

收稿日期：2014-09-20

中图分类号：F062.2

文献标识码：A文章分类号：1674-7089(2015)02-0037-08