基于面板数据的河南省碳排放影响因素实证研究

魏冉

(中原工学院a.经济管理学院;b.系统与工业工程技术研究中心，郑州450007)

0 引言

20世纪90年代，随着《联合国气候变化框架公约》和《京都议定书》的生效，中国政府把应对气候变化纳入经济社会发展规划，并要求各级政府采取有力措施，争取到2020年二氧化碳排放比2005年有显著下降。

河南省政府响应国家的减排要求，提出“十二五”期间大幅度降低单位生产总值二氧化碳排放，到2015年全省单位生产总值二氧化碳排放比2010年下降17%的减排目标，并基于强制性的碳排放量逐步形成碳排放交易市场。因此，对于处于工业化中期阶段的河南省来说，深入研究碳排放下降的驱动因素及影响关系对于河南省制定减排政策、实现区域可持续发展更具有实践指导意义。

目前，国内经济学对于碳排放影响量的研究主要有两种方法，即基于Kaya恒等式的碳排放影响因素分解分析和基于IPAT方程的驱动力分析。

Kaya恒等式及以其为基础的扩展Kaya恒等式，通过建立数学模型，反映能源效率、经济发展水平、人口、能源结构等因素对碳排放量的影响，分解方法普遍采用对数平均迪氏指数分解法(LMDI)。如:王锋等在Wu等三层完全分解法的基础上，认为在整个研究期间人均GDP增长是CO2排放量增长的最大正向驱动因素，而生产部门能源强度、交通工具平均运输线路、居民生活能源强度为负向驱动因素[1];朱勤等基于扩展的Kaya恒等式建立因素分解模型，提出我国节能减排的重点在于调整产业结构、优化能源结构及提高能源效率[2];宋德勇等[3]、尹向飞[4]、申笑颜[5]均对碳排放总量的变化进行了分解研究;徐国泉等对人均碳排放的变化进行了分解研究，认为1990—2004年经济发展对拉动中国人均碳排放的贡献率呈指数增长，而能源效率和能源结构对抑制中国人均碳排放的贡献率都呈倒U型[6];陈诗一针对中国工业38个两位数行业和三类能源，运用LMDI分解法对碳排放强度进行了分解研究，结果表明，能源和工业结构调整以及直接的能源强度的降低是促使工业碳强度波动性下降的主要因素，其中能源强度的降低又最为重要[7]。

IPAT方程同样定量计算考察因素对碳排放量的影响，只是其考察的影响因素有限，主要包括人口规模、经济增长水平和科技进步等。Dietz等在Kaya恒等式基础上建立了IPAT方程的随机模型——STIRPAT模型，解决了Kaya模型及IPAT方程的“各因素同比例影响碳排放”假设的局限，各自变量指数的引入使该模型可以用于各因素非同比例影响碳排放量的情况[8－13]。

针对河南省碳排放问题的研究主要有:田超杰对1978—2009河南省技术进步对经济增长与碳排放脱钩关系进行了实证研究，认为河南省经济增长与碳排放之间的环境库兹涅茨曲线是不规则的N型曲线[14];尚文英对1978—2009河南省一次能源消耗的碳排放量与经济增长的关系进行了研究，结果表明，一次能源消耗的人均碳足迹与人均GDP的关系并不符合标准的环境库兹涅茨曲线，而是呈现出三次曲线关系，而碳排放强度与人均GDP之间则呈现出反比曲线关系[15];余沛对2001—2010河南省物流行业碳排放数据进行核算和分析，并对未来河南省物流业碳排放量作了预测[16];高彩玲等采用扩展的Kaya模型对人均碳排放量变化进行了分解研究[17];王中亚分析了河南产业结构与能源消费的关系，认为第二产业对能源消费的影响最大，第一和第三产业对能源消费的影响并不明显[18]。

分析以上文献的研究可以得出以下结论:1)尽管有其他因素，但产业结构、能源强度、人均GDP以及能源结构等因素是影响碳排放的主要原因;2)针对河南省的文献多从人均GDP一个因素研究其与碳排放之间的关系;3)现有多因素对河南省碳排放影响的研究一般都是基于扩展的Kaya模型，但其只适用于同比例增长因素，且都是时间序列数据，仅从三类一次能源一个维度进行影响因素的分解研究。由于河南省在一定时期内能源结构很难改变，因此，本文从三次产业消耗的三类一次能源的角度，基于面板数据运用STIRPAT模型，实证研究2000—2013年能源强度、产业结构与人均GDP等非同比例影响因素对河南省碳排放量的影响关系。

1 模型及数据解释

1.1 适用模型——STIRPAT模型

本文使用的基础模型表示为

其中:Ii为环境影响;Pi为人口规模;Ai为人均财富;Ti为对环境影响的技术水平;a为常数项;b、c、d为指数;ei为误差项。

在上述STIRPAT模型中，引入河南省三次产业能源强度、产业结构及经济增长的面板数据，于是得到

对式(1)两边取自然对数，以减弱各面板数据中存在的异方差现象，得到如下线性回归模型:

式中，i表示三次产业类型;j表示各年份，产业GDP与河南省GDP均采用2000年的不变价格GDP;Tij为河南省第i产业第j年碳排放量(万t);Kij为河南省第i产业第j年产业比例，Kij=Yij/Yj，其中Yij为第i产业第j年的产值，Yj为第j年河南省总产值;RYij为河南省第i产业第j年人均GDP(元)，RYij=Yij/Pj，其中Pj为第j年河南省总人口数;Nij为河南省第i产业第j年能源强度，Nij=Qij/Yij，其中Qij为第i产业第j年能源消耗量(t/万元);a为常数项;bij、cij、dij为各对数化影响因素的系数;eij是残差项。

1.2 面板数据来源及数据标准化处理

历年河南省名义GDP、人口、三次产业名义GDP均来源于2000—2013年《河南省统计年鉴》，在模型中实际GDP采用2000年不变GDP折算价格;2005—2012年三次产业煤、石油、天然气的消耗量及消耗比例来自于2013年《河南省统计年鉴》及河南省发改委，其中统计年鉴未提供2000—2004年各产业能源消耗数据，根据2001—2004年河南省三次产业的能源终端消耗量、河南省发改委及河南省能源研究所提供的数据估算，各类能源的碳排放系数采用表1中的数据。鉴于实证结果的准确性，本文对数据进行了标准化处理[19]。

表1 各类能源的碳排放系数Table 1 Carbon emission coefficient of energy sources

2 实证研究

2.1 面板数据的单位根检验

为了避免在面板数据分析中出现伪回归现象，确保估计结果的有效性，必须首先对面板数据进行单位根检验，确定数据的平稳性。面板数据单位根检验的数学原理是将面板数据中各变量的截面数据作为一个整体数据序列来进行单位根检验。鉴于单位根检验的变量可能会出现相同单位根和不同单位根两种分类，同时避免选择一种检验方法可能会带来偏差，本文同时采用了Levin-Lin-Chu(LLC)[20]、Im-Pesaran-Shin(IPS)[21]、ADF-Fisher[22]和PP-Fisher[22]4种方法对各变量进行单位根检验，所有检验方法的原假设均为存在单位根。

单位根检验结果如表2所示，可以看出4种检验结果均拒绝存在单位根的原假设(估计量伴随概率Prob＜0.05)，因此面板数据中的(ln K)*、(ln RY)*、(ln N)*和(ln T)*4个变量数据的一阶差分序列数据具有平稳性，即I(1)单整。

表2 单位根检验结果Table 2 Results of unit root test

2.2 面板数据协整性检验

协整检验是对面板数据中各变量之间是否存在长期均衡关系的检验方法，目前常用的面板数据协整检验方法主要有两类:一类是EG(Engle and Granger，1987)两步检验法推广而来的检验方法，包括Pedroni(1999、2004)协积检验[23－24]和Kao协积检验[25];另一类是Johansen迹统计量推广而来的检验方法，包括Fisher个体联合协积检验[22]。为了避免采用单一方法可能带来的误差，本文同时采用上述两类方法进行协整检验。

表3协整检验的结果表明:在有截距项无时间趋势项检验时，(ln K)*、(ln RY)*、(ln N)*和(ln T)*4个变量之间存在着长期稳定的均衡关系，其方程回归残差是平稳的。因此可以判断本文面板数据在取对数和标准化后可以进行回归分析，此时的回归结果是较精确的。

表3 协整性检验结果Table 3 Results of cointegration test

2.3 回归模型选定及结果

在选定回归模型之前，首先使用极大似然比检验方法(F检验法)判断面板数据，从而确定回归模型应采用混合模型还是个体固定效应模型。检验结果如表4所示，因为F=8.560 338＞F0.05(2，29)=3.33，所以选用个体固定效应模型。

表4 极大似然比的检验结果Table 4 Results of maximum likelihood ratio test

进而进行Hausman检验，用于确定回归模型应采用个体固定效应模型还是个体随机效应模型，检验结果如表5所示，因为P＜0.01，所以应选择个体固定效应模型。

表5 Hausman检验结果Table 5 Result of Hausman test

最后，估计回归模型的结果。本文在回归模型中增加了AR(1)和AR(2)误差自回归项，用于克服变量间的自相关性。回归模拟采用了最小二乘法，个体固定效应模型估计结果如下:

可以看出，回归效果较为理想，其中DW值来自DW分布表[26]，符合正态分布。河南省产业结构对碳排放量的弹性系数是－0.046，人均GDP对碳排放量的弹性系数是0.669，能源强度对碳排放量的弹性系数是0.358。显然，在这3个影响因素中，人均GDP对碳排放量的影响最为显著。

就以上回归的经济学含义而言，在2000—2012年间，河南省三次产业能源强度、产业结构及经济增长3个自变量要素与因变量碳排放量的回归结果式(3)显示，自变量与因变量之间存在着高线性相关性，回归系数R2达到0.995。同时，回归结果表明:各自变量与因变量之间的关联特征各异，其中人均GDP、能源强度与碳排放量存在正相关性，说明经济发展和能源消耗仍旧是河南省碳排放量持续增高的推动力;产业结构与碳排放量存在负相关性，说明河南省产业结构调整对降低碳排放量起到了积极作用。

3 实证研究结果分析

3.1 各产业对于河南省碳排放量的影响结果与分析

各产业的固定影响系数如表6所示，河南省第二产业与碳排放量存在正相关关系，而第一产业和第三产业与碳排放量存在负相关关系，并且第一产业和第三产业对于碳排放量的影响是相近的。

表6 河南省各产业对碳排放量的固定影响系数Table 6 Carbon emission coefficients from different industries in Henan

3.2 各因素对河南省碳排放量的影响结果与分析

为了对比各影响因素对河南省碳排放量的影响，分别作出产业结构、人均GDP和能源强度对碳排放量的变化曲线，如图1～图3所示。

从图1和图3中可以看出，河南省产业结构的变化对碳排放量的减少有一定影响，这一点与我国六部门能源消费碳排放量的影响因素的研究结果一致[27]。此外，尽管第二产业比例持续提高，但是由于第二产业能源强度的不断下降，在一定程度上抑制了碳排放量的增加[1]。因此，可以在图2中得出人均GDP是推高碳排放量的主要因素[28－29]。

图1 河南省2000—2012年产业结构与碳排放量变化趋势对比Fig.1 2000－2012 variation trend of industrial structure and carbon emission of Henan

图2 河南省2000—2012年各产业人均GDP与碳排放量变化趋势对比Fig.2 2000－2012 variation trend of GDP per person of different industries and carbon emission of Henan

图3 河南省2000—2012年各产业能源强度与碳排放量变化趋势对比Fig.3 2000－2012 variation trend of energy intensity of different industries and carbon emission of Henan

4 结论与政策建议

4.1 结论

(1)河南省人均GDP和能源强度对碳排放量有显著的正向影响，而产业结构对碳排放量有负向影响。

(2)河南省第二产业人均GDP与碳排放量呈正相关关系，而第一产业和第三产业人均GDP与河南省碳排放量呈负相关关系，这说明第一产业和第三产业的比例增加并不会导致碳排放量的增加。可以得出，河南省第二产业的发展对全省碳排放量的影响最大，这与在全国范围内的研究结果一致[28]。

(3)河南省各产业人均GDP，特别是第二产业人均GDP的持续增长是碳排放量增加的最大正向影响因素，且其贡献率也最大，该结果与前期的研究结果比较一致[28－29]。鉴于河南省人均GDP远未达到10 000美元的标准，经济的增长将是未来较长时间内促进碳排放量增加的主要因素[30]。

(4)通过河南省产业结构、人均GDP和能源强度对碳排放量的影响研究，可以看出河南省“三高”企业比例逐年下降，而对能源依赖较小的高新技术产业和节能企业比例不断增加，在一定程度上体现了河南省第二产业发展结构逐步趋于合理。

4.2 政策建议

依据实证研究结果和主要结论，结合河南省经济社会发展的实际情况，提出如下政策建议:

(1)制定降低碳排放的能源政策，大力推进节能减排。目前，河南省是我国的资源大省，重工业和高能耗产业集中，长期的高投入、高消耗、高污染、低效率的粗放型的经济增长方式已经造成了区域性的生态破坏[31]，如何控制和减少碳排放量将成为河南省政府部门和学术界急需解决的关键问题。然而有关统计结果说明，近年来河南省碳排放总量持续在高水平状态，且呈现递增趋势。因此，为控制碳排放量，河南省必须制定减排能源政策，更有效地减少碳排放量。

(2)制定科学合理的产业低碳经济发展近、中、长期战略规划。在2000—2012年期间，河南省各产业人均GDP，特别是第二产业人均GDP的持续增长是碳排放量增加的最大正向影响因素，为政府制定科学的产业经济发展政策提供了理论支持。通过分析影响因素的弹性系数大小和正负情况对政府在过去的一段时期内为减少碳排放量而采取措施的效果作出评估，为下一步合理平衡经济增长与碳排放控制，建立科学合理的产业低碳经济发展近、中、长期战略规划提供了参考。

(3)鼓励发展产业集群，建立低碳生产链，提高能源利用效率。实证研究表明，2000—2012年间河南省能源强度是影响碳排放量的重要因素，因此，加强区域内各产业的协调发展，建立有利于降低生产运输环节的碳排放的产业集群，同时加快集群内产业的技术升级，形成低碳生产链。

(4)构建低碳税收优惠政策。本文的实证研究结果表明，在2000—2012年间，尽管产业结构的变化在一定程度上抑制了碳排放量的增长，但是河南省第二产业比例持续升高，仍旧导致了实证研究期间碳排放量的增长。因此，对碳排放较多的第二产业产品实行碳消费税制度，采用低碳排放权限制高耗能企业的发展将是未来降低碳排放量的关键手段。

[1]王锋，吴丽华，杨超.中国经济发展中碳排放增长的驱动因素研究[J].经济研究，2010(2):123－136.

[2]朱勤，彭希哲，陆志明，等.中国能源消费碳排放变化的因素分解及实证分析[J].资源科学，2009，31(12):2072－2079.

[3]宋德勇，卢忠宝.中国碳排放影响因素分解及其周期性波动研究[J].中国人口·资源与环境，2009，19(3):18－24.

[4]尹向飞.人口、消费、年龄结构与产业结构对湖南碳排放的影响及其演进分析——基于STIRPAT模型[J].西北人口，2011，32(2):65－69，82.

[5]申笑颜.中国碳排放影响因素的分析与预测[J].统计与决策，2010(19):90－92.

[6]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.

[7]陈诗一.中国碳排放强度的波动下降模式及经济解释[J].世界经济，2011(4):124－143.

[8]Dietz T，Rosa E A.Rethinking the environmental impacts of population，affluence and technology[J].Human Ecology Review，1994，1:277－300.

[9]Rosa E A，Dietz T.Climate change and society:Speculation，constrution and scientific investigation[J].International Sociology，1998，13(4):421－455.

[10]李国志，李宗植.二氧化碳排放决定因素的实证分析——基于70个国家(地区)面板数据[J].数理统计与管理，2011，30(4):585－593.

[11]孙敬水，陈稚蕊，李志坚.中国发展低碳经济的影响因素研究——基于扩展的STIRPAT模型分析[J].审计与经济研究，2011，26(4):86－93.

[12]姜磊，季民河.基于STIRPAT模型的中国能源压力分析——基于空间计量经济学模型的视角[J].地理科学，2011，31(9):1072－1077.

[13]王立猛，何康林.基于STIRPAT模型的环境压力空间差异分析——以能源消费为例[J].环境科学学报，2008，28(5):1033－1037.

[14]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[J].科技进步与对策，2013，30(14):29－31.

[15]尚文英.河南省能源消费碳排放量演变及其与经济增长关系的研究[J].经济经纬，2011(3):39－42.

[16]余沛.河南物流行业碳排放总量分析与节能减排前景展望[J].物流技术，2013，32(8):118－120.

[17]高彩玲，高歌，田采霞.河南省能源消费碳排放的因素分解及减排途径[J].中国矿业，2011，20(3):46－49.

[18]王中亚.河南产业结构与能源消费关系实证研究[J].黄河科技大学学报，2011，13(6):42－44.

[19]河南省统计局.河南省统计年鉴2013[M].郑州:河南统计出版社，2013:248－264.

[20]Levin A，Lin C F，Chu C S J.Unit root tests in panel data:Asymptotic and finite-sample properties[J].Journal of E-conometrics，2002，108(1):1－24.

[21]Im K S，Pesaran M H，Shin Y.Testing for unit roots in heterogeneous panels[J].Journal of Econometrics，2003，115(1):53－74.

[22]Maddala G S，Wu S W.A comparative study of unit root rests with panel data and a new simple test[J].Oxford Bulletin of Economics and Statistics，1999，61(S1):631－652.

[23]Pedroni P.Critical values for cointegration tests in heterogeneous panels with multiple regressors[J].Oxford Bulletin of Economics and Statistics，1999，61(S1):653－670.

[24]Pedroni P.Panel cointegration:Asymptotic and finite sample properties of pooled time series tests with an application to the PPP hypothesis[J].Econometric Theory，2004，20(3):597－625.

[25]Kao C.Spurious regression and residual-based tests for cointegration in panel data[J].Journal of Econometrics，1999，90(1):1－44.

[26]Durbin J，Watson G S.Testing for serial correlation in least squares regression.II[J].Biometrika，1951，38(1－2):159－177.

[27]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.

[28]郑长德，刘帅.产业结构与碳排放:基于中国省际面板数据的实证分析[J].开发研究，2011，2:26－33.

[29]Théophile A，François L，van Nguyen P.Economic development and CO2emissions:A nonparametric panel approach[J].Journal of Public Economics，2006，90(6－7):1347－1363.

[30]Dietz T，Rosa E A.Effects of population and affluence on CO2emissions[J].Proceedings of the National Academy of Sciences，1997，94(1):175－179.

[31]吴彼爱，高建华，徐冲.基于产业结构和能源结构的河南省碳排放分解分析[J].经济地理，2010，30(11):1902－1907.