我国省际碳排放量空间溢出效应的实证检验

杨桂元，吴 齐

（安徽财经大学 数量经济研究所，安徽 蚌埠233030）

我国省际碳排放量空间溢出效应的实证检验

杨桂元，吴 齐

（安徽财经大学 数量经济研究所，安徽 蚌埠233030）

文章选取中国省际面板数据，引入行业集中度概念，基于多种权重矩阵建立空间计量模型，并运用偏微分效应分解方法测算产业结构、人口规模、技术产值、技术进步等因素对碳排放总量的区域内溢出、区域间溢出及空间总溢出效应。结果表明：碳排放总量呈现轻度集聚态势并具有正向空间溢出效应；空间杜宾模型拟合最优；不同因素对于碳排放总量的各种溢出效应存在差异。

碳排放；集中度；空间计量模型；偏微分效应分解方法；低碳发展

0 引言

气候变暖已是全球性的问题，二氧化碳排放量的不断增加使得该问题更为严峻，降低碳排放和发展低碳经济成为全球普遍关注的话题。对于中国，在经济新常态下，探寻省际碳排放影响因素的空间效应分析，有助于我国建立低碳节能发展机制和实施可持续发展战略。

《京都协定书》正式生效于2005年，随后环境、经济、能源以及相关问题引起国内外学者和决策者的研究和关注。在研究碳排放量方面，国内外学者主要从地域范围、领域范围和理论方法三个方面研究。主要包括：碳排放量核算及空间属性分析、碳排放效率核算、碳排放影响因素分析、经济增长与碳排放关系等。本文主要运用空间计量方法，分析我国省际碳排放总量的空间属性，影响碳排放因素的区域间、区域内和总体空间溢出效应。根据实证，从产业规划、城市规模、技术利用效率、技术创新水平四个方面探寻我国省际低碳合作发展路径。

1 研究方法

1.1 空间自相关检验模型

对于某个统计指标Y，判断区域i和区域 j（i¹j）在该指标下的观测值x是否存在相关关系可以用全局空间自相关来描述，体现该统计指标的观察值在整个区域的空间属性。常用Moran’sI值[1]来估算空间自相关性，MI值介于-1和1之间。若MI>0，则表示区域间在该统计指标观测值下是空间正相关；若MI<0，则表示为负相关；MI=0表示相互独立。

1.2 空间计量模型与方法

1.2.1 空间计量模型

空间计量经济学能够处理面板数据模型中的空间自相关和空间异质性。空间回归模型[2，3]的一般表达式见式（1），i=1，2…n表示不同个体；t=1，2…T表示时间。

式（1）中，y表示被解释变量，X表示解释变量行向量，β为系数列向量；εit、μit为随机误差项；ρ、θ为空间回归系数，分别衡量y和X的空间依赖性；λ为空间误差系数，衡量除X以外空间相关作用冲击的影响；W为空间权重矩阵。当λ=0，即为空间杜宾模型（SDM）；当λ=θ=0，即为空间滞后模型（SLM）；当ρ=θ=0，即为空间误差模型（SEM）。当ρ、θ、λ大于0时，与参数对应的变量有正向的空间溢出；反之存在负的空间溢出。在空间计量模型中，如果估计参数ρ¹0，那么Wyit和WXit的回归系数ρ和θ、Xit的回归系数β不能直接解释空间溢出效应，需进一步分解。

1.2.2 空间溢出效应分解方法

LeSage和Pace（2009）提出空间计量模型的偏微分分解方法[3]，该方法通过对模型进行变换，可对空间计量模型进行合理解释，模型见式（2）至式（7）：

式（2）至式（4）中，k表示解释变量x的个数，xr表示第r个解释变量，βr表示xr的回归系数，θr表示WXit的第r个变量的回归系数；I为单位矩阵；某个个体yi（i=1，2…n）表示为式（5）：

式（5）中，yi对自身i的第r个解释变量xir求偏导得式（6），yi对空间中其他个体 j的第r个解释变量xjr求偏导得式（7），Sr(W)ii表示个体i的第r个解释变量对于自身被解释变量的影响，Sr(W)ij表示个体i的第r个解释变量对于空间内其他个体j被解释变量的影响。

某个个体解释变量的变化既影响自身的被解释变量（称为直接效应），也影响空间中其他个体的被解释变量（称为间接效应），两种效应相加为总体空间效应。

2 实证分析

2.1 数据与指标

选取2006—2012年中国省际面板数据为研究对象（由于部分数据缺失，样本不包括西藏和港澳台地区）。原始数据来源：《中国统计年鉴》、《中国能源统计年鉴》和《中国高技术产业统计年鉴》。

碳排放总量，记为TCE。先将一次能源消耗折算成万吨标准煤，再根据IPCC清单法核算，见式（8）：i、j、t分别表示不同的省份、能源类别及年份，δ为对应能源折算成万吨标准煤的系数；Q为各能源消费量；CS为二氧化碳排放总量（单位：万吨）；α表示各能源二氧化碳排放系数。

产业结构，记为IS。不同产业构成比例会影响碳排放量，大部分文献均是研究第二产业，而本文的产业结构指标选取第三产业总产值占GDP比重，研究其对碳排放的影响。人口规模，记为PS。从碳产品需求市场来看，高碳产品需求会促进高碳产品的生产与供给，这对碳减排工程具有负面影响。一般情况下，人口规模与高碳产品需求量成正比，而城镇人口对碳产品需求远高于农村人口，故选择城镇人口比重作为衡量人口规模的指标。技术产值，记为TP，它反映一个地区采用先进技术的产出情况和技术利用效率。选择高技术产业总产值指标度量技术产值。技术进步，记为TA。技术上的创新可在一定程度上减少能耗和碳排放。由于没有碳减排技术的直接指标，故选择专利申请受权数作为技术进步的代理变量，是衡量碳减排工作的重要指标。

空间权重矩阵选择。0～1邻接空间权重矩阵：W0=(wij)n´n，其中两地区相邻wij为1，否则为0；地理距离权重矩阵：W1=(sij)n´n，sij为两地区球面距离的倒数；经济空间权重矩阵[4]（借鉴林广平等的研究）：W2=W1·G，G是代表地区由于经济发展程度所造成的空间影响力差异的矩阵，矩阵元素选择各省市人均GDP差额（已剔除计量中通胀等影响因素）绝对值的倒数。（区域自身距离定义为0）

2.2 碳排放量的空间属性

对我国省际碳排放量（TCE）数据进行探索性分析，得到空间地理格局见图1所示。地图颜色由深至浅表示TCE由高逐渐降低。30个省市在2006—2012年中，黑龙江、吉林、陕西、安徽、湖南、云南、贵州、新疆等呈现较浅颜色，TCE处于较低水平；内蒙古、河北、山东、山西、河南、江苏呈现较深颜色，TCE处于较高水平，且在地域上呈现集中态势；新疆、湖南、广西由深色转为浅色，说明TCE具有逐年减少趋势；云南、陕西、重庆、安徽、江西、吉林、贵州颜色由浅色转为深色说明随着经济发展，TCE也逐年增多。总体上，相同颜色的省份呈现区域相邻，表明TCE水平接近的省域呈现接壤成片，初步认为我国省域TCE存在地理空间上的相关性与集聚性。此外，TCE主要集中在东北地区并向东中南有扩散趋势，可能存在时空上的相关性。

图1 2006年和2012年碳排放空间分布图

2.2.1 空间自相关检验

三种权重矩阵下对碳排放量（TCE）进行空间自相关检验。由表1，Moran指数均显著大于0，TCE具有正的空间自相关性，即TCE不是随机分布而是水平相近的省市在空间上呈现集聚态势，TCE存在溢出性与正向的空间依赖性，即碳排放量高的省市周围地区碳排放量高，反之亦然。此外，碳排放量的Moran’s I值在0.344左右波动，变化浮度不大，说明我国省域的碳排放空间分布比较稳定。

表1 碳排放的全局空间自相关检验

2.2.2 空间集中度分析

由于我国省际碳排放（TCE）存在正的空间相关性，故可借鉴估算行业集中度的方法来量化分析TCE的集中分布情况。行业集中度[5]常用来衡量市场结构，度量规模排名靠前的几家大企业规模之和占整个行业的比重。行业的集中程度按照30%、50%、70%三个节点划分，处于30%～50%为轻度集中，处于50%～70%为中度集中，高于70%为高度集中。我国省域TCE的集中度计算见式（9），估算结果见表2。

式（9）中，CRa含义：碳排放前a的各个省市碳排放量之和占全国碳排放总量的比重。考虑实际情况，本文采用CR4测度碳排放量最大的四个省份占全国的份额。

表2 碳排放的空间集中度 （单位：%）

由表2，2006—2012年我国TCE的空间集中度CR4>30%，属于轻度集中阶段。究其原因，经济快速发展，某些产业往往需要形成一定规模进行生产，产业的集聚化生产引起碳排放集聚化。样本期间碳排放量主要集中在山东、山西、河北、内蒙古等地区，可能由于这些地区还处于工业化和城镇化快速发展时期，大量耗能产业的集聚使得碳排放的高度集聚。

2.3 空间溢出效应分析[6]

2.3.1 空间面板模型回归分析

在三种空间权重矩阵下对数据建立SLM、SEM和SDM，分别采用固定效应（FE）和随机效应（RE）形式，并采用极大似然方法估计参数，结果见表3至表5所示。ρ(λ)表示被解释变量的空间滞后项（空间误差项）的系数，均显著为正，说明我国省际碳排放总量具有显著的空间依赖属性。根据赤池信息准则（AIC）和对数似然值准则（LogL）筛选模型；分别检验SDM是否可以转化为SLM或SEM（SDM®SLM、SDM®SEM），卡方统计量值在表3至表5中列出（参考刘华军等[7]的实证）。空间计量模型的偏微分效应分解方法通过对溢出效应分解来度量产业结构、人口规模、技术产值、技术进步对于碳排放总量的各种效应，此时回归结果就显得不那么重要了，后面的效应分解才是分析重点。

表3 基于0～1邻接权重矩阵的空间计量模型的估计及检验结果

表4 基于地理距离权重矩阵的空间计量模型的估计及检验结果

表5 基于经济权重矩阵的空间计量模型的估计及检验结果

由表3，SDM的固定效应形式（SDM-FE）模型估计的AIC值最小、LogL值最大，为最优模型。根据卡方检验值，SDM不可转化为SLM、SEM。结合AIC值和LogL值，SLM和SEM的随机效应形式（SLM-RE，SEM-RE）拟合效果较差，这与卡方检验结果是一致的。

由表4，依照同样的方法，SDM-FE为最优模型，且SDM不能转化为SLM和SEM。对于SDM-FE，经济空间权重矩阵下的模型估计优于地理距离权重矩阵下的模型估计。

由表5，SDM-FE为最优模型，SDM不能转化为SLM与SEM。比较各空间权重矩阵下模型的AIC值和LogL值，基于经济权重矩阵的SDM-FE拟合结果最优。由于ρ¹0，所以回归分析中，解释回归系数的传统方法失效，需要对系数分解分析。

2.3.2 空间溢出效应分解

对SDM-FE在各权重矩阵下的估计，运用偏微分效应分解方法对溢出效应进行分解与测算。由表6可知各因素对于碳排放的直接效应（区域内部的空间溢出效应）、间接效应（不同区域间的空间溢出效应）和空间总溢出效应。

表6 空间溢出效应分解（SDM-FE）

由表6，产业结构（IS）的空间溢出效应。0～1邻接和地理距离权重矩阵下IS的直接效应显著为负，说明第三产业总产值占GDP比重对碳排放总量存在负向区域内溢出效应，即三产占比增加使得本区域内碳排放总量的减少。经济权重矩阵下产业结构直接效应显著为正，与前两个权重矩阵下系数的符号不同，这是合理的，由于三产产值与GDP相关，而前两个矩阵仅从区域位置考虑相关关系。地理距离和经济权重矩阵下产业结构的间接效应显著为正，即区域之间碳排放存在正向溢出效应，根据系数绝对值看，远大于直接效应，即某区域第三产占比增加所对区域间碳排放增加的影响作用大于对区域内碳减排作用。总效应上，地理距离和经济权重矩阵下产业结构对于碳排放空间溢出为正，而0～1邻接权重矩阵下空间溢出为负。

人口规模（PS）的空间溢出效应。各权重矩阵下PS对碳排放总量的三种效应均为正，即正向空间溢出，且直接效应、总效应系数均显著；地理距离和经济权重矩阵下的间接效应在统计上不显著。由此表明，城镇人口比重的增加会使得区域内和区域间的碳排放总量的增加，城镇人口的增加不利于区域碳减排。

技术产值（TP）的空间溢出效应。各权重矩阵下技术产值对于碳排放的直接效应显著为正，说明高技术产值对区域内碳排放没有抑制作用，与采用先进技术生产能够促进碳排放量减少的预期不符，考虑成因，可能是通过提升技术水平进行生产来促进碳减排存在“门槛效应”，即区域内高技术水平发展到一定程度才会使得区域内碳减排。

技术进步（TA）的空间溢出效应。各权重矩阵下技术进步对碳排放的总效应显著为负，存在负的空间溢出效应，即当技术创新进步时，对区域碳减排是有利的。0～1邻接和地理距离权重矩阵下技术进步的直接效应显著为负，说明技术进步会有助于区域内碳排放减少。各权重矩阵下的技术进步对于碳排放的间接效应均显著，但符号不同，0～1邻接和地理距离权重矩阵下为正，经济权重矩阵下为负，说明技术进步可以通过空间中的经济关系来减少区域之间的碳减排。技术进步效应分解的系数很小，说明目前我国专门针对碳减排的技术进步力度还不够，还需要加强。

3 结论

本文从空间维度出发，利用我国十一五规划以来省际样本数据建立相应指标体系，将行业集中度引入碳排放总量的空间集聚性分析中；运用空间计量模型偏微分效应分解方法，考虑区域不同关联下的空间权重，分析产业结构、人口规模、技术产值、技术进步四个因素对我国省际碳排量的空间溢出效应，得到的主要结论如下：

（1）我国省际碳排放总量存在正的空间相关关系，具有显著的空间依赖性和异质性。

（2）碳排放的空间集中度大于30%，属于轻度集聚阶段。

（3）各模型中碳排放均具有正向空间溢出效应。

（4）影响碳排放的各因素的空间效应有差异。产业结构存在负的区域内溢出效应和正向的区域间溢出效应，且区域间溢出效应远大于区域内效应；人口规模存在正向空间溢出效应；技术产值存在“门槛效应”；技术进步的空间溢出总效应为负。

[1]沈体雁，冯等田，孙铁山.空间计量经济学[M].北京：北京大学出版社，2010.

[2]Anselin L.Spatial Econometric:Methods and Models.[M].Amstel Dam:Kluwer Academic Publisher，1988.

[3]LeSage J，Pace R.Introduction to Spatial Econometrics[M].New York: Taylor&Francis Group，2009.

[4]林光平，龙志和，吴梅.我国地区经济收敛的空间计量实证分析: 1978—2002年[J].经济学(季刊)，2005，(4).

[5]韩中.中国制造业空间集聚、要素流动与技术进步[J].云南财经大学学报，2010，(4).

[6]Elhorst J.P Spatial Econometrics From Cross-Sectional Data to Spa⁃tial Panels[M].Berlin:Springer，2014.

[7]刘华军，张权，杨骞.城镇化、空间溢出与区域经济增长——基于空间回归模型偏微分方法及中国实证[J].农业技术经济，2014，(10).

（责任编辑/浩 天）

F061.5;F064.1

A

1002-6487（2016）21-087-04

国家社会科学基金资助项目（12BTJ008）；安徽财经大学研究生科研创新基金项目（ACYC2015081）

杨桂元（1957—），男，安徽萧县人，教授，研究方向：数量经济学。

吴 齐（1991—），女，安徽蚌埠人，硕士研究生，研究方向：数量经济学。