中国省际碳排放强度的空间效应及其传导机制研究

来源:用户上传      作者:赵桂梅 耿涌 孙华平

　　摘要 供给侧改革和高质量发展的适时提出为中国低碳经济发展提供了新思路，调整以往过多的行政配置资源带来的要素扭曲，研究同一个国家不同省份之间资源要素协同问题的方法可以为提出有效的节能减排政策提供科学依据与决策参考。基于此，对我国碳排放强度空间面板数据进行测算，提出探索性时空数据分析框架，运用GeoDa软件刻画我国省际碳排放强度时空关联及其局部空间差异的波动性，将STIRPAT模型和EKC模型相结合检验我国碳排放强度影响因素的空间溢出特性，揭示我国碳排放强度时空演进的一般规律。研究结果表明：我国碳排放强度的局部空间自相关呈现集聚与分异并存的时空分布特征，碳排放强度水平相近的省区均呈现出先减弱后增强的空间集聚现象，我国省际碳排放强度存在俱乐部收敛的演进特征。我国省际碳排放强度存在空间溢出性特征，我国碳排放强度空间集聚、分异与跃迁的形成与演变是各地区资源禀赋以及经济发展水平等多种资源要素协同作用的结果。进一步提出分区域、有重点的区域协同减排措施，提升区域碳排放协同治理的效率。
　　關键词 高质量发展;碳排放强度;空间效应;传导机制;协同减排
　　 碳排放强度指标反映的是经济发展过程中的资源利用效率以及碳排放效率，碳排放强度指标的高低在一定程度上可以反映一个国家或者地区的生产技术效率水平，基于碳排放强度的节能减排政策有利于形成推动中国经济转型的倒逼机制和长效机制[1-3]。碳排放强度的准确评估是建立碳减排政策的基础与前提，因此，国家和地区碳减排政策的制定需要重点关注各省区资源要素协同，降低碳排放强度是推动绿色低碳转型，实现高质量经济发展的重要抓手。《巴黎协定》明确了2℃温升控制目标，发出了全球绿色低碳转型的明确信号。由此，有针对性地剖析中国省际碳排放强度的空间效应及其传导机制，强化区域能源和气候政策的精准性、协同性和实质性作用力，不仅是实现碳排放总量达峰目标的核心任务，更是保障中国经济高质量可持续发展的必然要求[4-5]。
　　1  文献回顾
　　 目前，国内外学者研究文献主要集中在对中国碳排放量和碳排放强度影响因素进行分解[6-8]，然而，在建立碳排放影响因素的分解模型时，仅仅关注到各影响因素对本地区碳排放变动产生的直接影响，常常忽略了各区域之间存在的空间关联性，没有深入研究碳排放影响因素的外溢效应以及辐射作用[9-10]。随着计量经济学的发展，学者们开始运用空间计量经济模型对碳排放总量、人均碳排放、碳排放强度等变动的影响因素展开分析[11-12]。其中，最为广泛的是对碳排放总量的研究，通过构建碳排放空间计量模型，发现中国碳排放量的梯度分布对地区之间碳排放空间集聚产生了强化作用[13-14]，进一步采用空间计量经济学的理论与方法揭示中国省域碳减排时空格局的演变机理。这也为后续对碳排放空间交互作用机制研究提供了理论支持。
　　 由空间集聚所引致的空间效率与区域公平之间的权衡问题是经济地理学的前沿研究主题之一。根据“地理学第一定律”的原则，空间分布中的地理事物或属性相互关联，相邻区域之间的联系更为密切[15]。探索性空间时空数据分析（ESTDA）是以空间权重矩阵为基础，检测和量化不同校准点中取样变化的空间依赖性的统计方法，ESTDA方法能够有效地揭示任何地理单元与邻近单元之间的空间关系以及关联程度。经济发展质量的提高是经济发展方式转变的前提，其中政府的环境治理有助于提升中国经济的高质量发展[16]。同时研究发现制度质量和绿色技术创新都会对能源效率提升具有重要的影响[17]。根据新结构经济学的分析，有效的市场和有为的政府共同发挥作用，才能构建起经济持续发展的良性机制[18]。供给侧改革和高质量发展的适时提出为中国低碳经济发展提供了新思路，调整以往过多的行政配置资源带来的要素扭曲，研究同一个国家不同省份之间资源要素协同问题的方法可以为提出真实有效的节能减排政策提供科学依据与决策参考。
　　 2  研究方法及数据来源
　　2.1 探索性时空数据分析方法
　　 全局空间自相关性分析是对区域之间空间自相关性的总体度量[19]，通常由Z值检验和全局Morans I指数进行判断各省区碳排放强度是否存在空间自相关性，以及其影响程度和作用方向，计算公式如下：
　　 2.2  空间计量模型设定
　　STIRPAT模型既允许将各系数作为参数进行估计，又允许对各影响因子进行适当的分解和改进[20]。鉴于STIRPAT模型和EKC假说是环境污染影响研究的基本理论框架，为了研究资源要素空间外溢效应在不同区域的异质性，该研究将两者相结合来检验各省区资源要素对碳排放空间效应的影响。结合经济系统与碳排放系统的复杂性和相关性[21-22]，在实际回归模型中，除了包括人口规模（P）、经济发展水平（GDPPC）、能源强度（EI）等核心解释变量外，还加入了能源价格（EP）、对外开放水平（OPEN）、能源消费结构（ECS）、产业结构（IS）和城镇化水平（UR）等控制变量，将STRIPAT模型扩展为：
　　 其中，i， t分别表示观测样本和时间，β1it～β8it为相应回归元系数， αit为常数项。为了更客观地衡量中国碳排放强度空间相关性和异质性，提高空间计量经济模型的可解释性，在区域层面建立空间面板数据模型时，结合了地理空间权重矩阵和经济权重矩阵的点积。利用反比大圆距离法构造地理空间权重矩阵，用经度和纬度来计算的大圆距离倒数来度量空间关系。在STIRPAT扩展模型的基础上，建立了以下三类空间面板数据模型。
　　 该研究以我国30个省区作为研究对象（由于数据限制，香港、澳门、台湾和西藏不在研究范围之列），通过构造各省区平均能源消耗的碳排放系数测算各省区碳排放总量和碳排放强度，数据来源于历年的《中国统计年鉴》《中国人口统计年鉴》《中国能源统计年鉴》《中国城市（镇）生活与价格年鉴》《中国人口与就业统计年鉴》《中国科技统计年鉴》《中国工业统计年鉴》及各区域的统计年鉴。 　　3  实证分析
　　3.1  碳排放空間效应分析
　　 全局Morans I指数从整体上描述我国各省区碳排放强度的空间相关性，时间维度的引入可以体现碳排放强度的空间动态特征。运用GeoDa软件生成一次邻接规则的空间权重矩阵（Rook），计算出我国碳排放强度的Morans I值，并采用随机排列法构造正态分布检验其显著性，进一步将全局Morans I指数分解到各个省区单元，根据全局Morans I指数分析中各阶段起始年份同时考虑时间间隔的均衡性，采用空间计量软件GeoDa095i，绘制主要年份碳排放强度的局域 Morans I散点图，反映我国30个省区碳排放强度与各自相邻近省区碳排放强度在空间分布上呈现“集聚”（高-高或低-低） 与“分异”（高-低或低-高） 的时空演进特征。如图1所示，省际碳排放强度存在较强的空间正相关关系，各个省区碳排放强度对与之相邻地区的碳排放强度产生影响，同时，其自身的碳排放强度也会受相邻地区碳排放强度的影响。我国各省区碳排放强度的空间分布是集聚和扩散共存的，研究期间呈现空间正相关性（高-高和低-低）省市的个数全部大于19个，表现为聚集特征的省区已经超过63.33%，说明我国碳排放强度的时空集聚特征显著，通过对6个年份的分析结果也验证了全局空间相关性的分析。进一步分析发现，大多数省区处于第一和第三象限，具有较强的稳健性，表明各省及邻近地区碳排放强度呈正相关，这些省区与相邻接的省区体现出相似的特征值，证明了各省域的碳排放强度在空间上存在较为显著的相互依赖性，我国碳排放强度相近省区的空间集聚表现出不断增强的趋势，碳排放强度水平相近的省区也将会进一步收敛。纵向比较发现位于第三象限的“低-低”省区数量远远多于位于第一象限“高-高”省区，表明低值聚集数量多于高值集聚区，是正向空间自相关性的主要贡献部分，表明我国近年来推行的节能减排和产业结构优化政策取得一定成效。
　　3.2 碳排放空间效应的传导机制分析
　　 为了更全面地反映空间效应，首先对资源要素碳排放空间效应影响的空间固定效应、时间固定效应、时空双固定效应以及无固定效应的4类传统面板数据模型进行LM检验，结果如表1所示。四种类型空间效应模型均通过0.05显著性水平的空间滞后LM检验，其中，时空双固定效应模型的空间误差LM检验结果最为显著，进一步对SLPDM和SEPDM的稳健性进行LM检验，结果显示拒绝非空间性的判断。从时空固定效应LR检验结果也表明拒绝无时间固定效应以及无空间固定效应的原假设，因此，LR检验结果显示时空双固定效应模型能够更加准确地能刻画资源要素空间溢出效应。
　　基于LM检验结果显示拒绝非空间模型时，就应该慎重选择SLPDM或者SEPDM，进一步考虑包括SLPDM和SEPDM的空间杜宾面板数据模型（SDPDM），对于SDPDM进行Wald检验和LR检验，从而判断空间杜宾面板数据模型是否可简化为SLPDM或者SEPDM。根据以上LM检验的结果，首先选择建立时空双固定效应的SDPDM进行检验。SDPDM围绕零假设H0：θ=0以及H0：θ+δβ=0，进一步展开讨论。如果以上两个零假设均被拒绝，那么说明SDPDM将能够最好地描述碳排放强度的数据变动。根据Wald和LR检验结果可以发现，两个零假设均被拒绝，由此判断SLPDM或者SEPDM两个模型均被拒绝，因此，选择SDPDM将更加准确地刻画各省区资源要素对碳排放空间效应影响。进一步采用Hausman检验方法判断，结果显示应该选择反映空间随机效应以及时间固定效应的SDPDM模型。具体检验结果如表2所示，我国各省区资源要素对碳排放影响存在着较强的时空外溢效应，表明传统的面板数据模型没有考虑到空间效应问题，其结果将会存在一定的偏误。
　　在以碳排放强度的自然对数为被解释变量的杜宾模型揭示出各因素对碳排放强度的作用效果。研究结果表明，人口规模和城镇化水平的估计系数为负，通过5%的显著性水平检验，说明人口总量的增加以及城镇化进程的进一步加快，对碳排放强度变动产生抑制作用。能源强度和产业结构估计系数为正，通过1%的显著性水平检验，说明在重工业比重增加，产业结构不合理的情况下，如果地区能源效率水平不能得到有效提升，将驱动碳排放强度的增加。人均收入水平估计系数为正，通过5%的显著性水平检验，说明人均收入水平是碳排放强度变动的主要因素。能源消费结构估计系数为正，但是并不显著，说明能源消费结构对碳排放强度变动产生促进作用。能源价格与对外开放水平估计系数为负，但是并不显著，说明能源价格的调整和对外开放水平扩大有助于推动碳排放强度的下降，虽然影响作用有限，但是意义重大。
　　进一步分析以碳排放强度的自然对数为被解释变量和其他因素为解释变量的空间滞后项，结果显示各影响因素产生的空间溢出性存在着较大差异。空间滞后人口规模、空间滞后城镇化水平与空间滞后人均收入水平自然对数估计系数显著为正，证明存在人口规模与城镇化水平的上升将引致相邻区域碳排放强度的上升，产生碳排放空间外溢效应。空间滞后能源强度和空间滞后产业结构估计系数为负，但均不显著，说明技术进步与产业结构转型升级将推动邻近区域碳排放强度下降，产生的碳排放空间外溢效应，但是效果并不显著。能源价格估计系数为正，但均不显著，说明能源价格的调整将促使邻近区域碳排放强度上升，但是产生的碳排放强度空间外溢效应并不显著。空间滞后能源消费结构和空间滞后对外开放水平估计系数为负，通过5%的显著性水平检验，说明对外开放水平的扩大与能源消费结构的调整有助于驱动邻近区域碳排放强度的下降，呈现比较显著的空间外溢效应。我国在经济全球化以及区域经济一体化的背景下，对沿海、沿江地区加大对外开放的力度，同时加快中西部地区对外开放的步伐，为中国经济发展向低碳转型奠定了坚实的基础。
　　4  结论及政策建议
　　 中国特色社会主义进入新时代，新发展理念统领下的区域协调发展更注重质量和协同性。对我国碳排放强度空间面板数据进行测算，提出探索性时空数据分析框架，运用GeoDa软件刻画我国各省区碳排放强度时空关联及其局部空间差异的波动性，将STIRPAT模型和EKC模型相结合检验我国碳排放强度影响因素的溢出性，揭示资源要素对碳排放空间效应的传导机制，进一步提出促进绿色低碳转型的创新政策。研究结果表明：①梯度发展模式下碳排放强度的空间集聚促使我国碳排放强度水平相近的省区将会进一步收敛。碳排放强度水平相近的省区均呈现出先减弱后增强的空间集聚现象，而且相比于20年前，这种空间集聚现象有所增强，我国省际碳排放强度存在俱乐部收敛的演进特征。②我国省际碳排放强度存在空间溢出性特征，高碳排放强度集聚区的辐射作用要远高于低碳排放强度集聚区，碳排放强度较高的地区是节能减排工作的重点。我国碳排放强度的局部空间自相关呈现集聚与分异并存的时空分布特征，6个时期碳排放强度表现为聚集特征的省区已经超过63.33%，说明我国碳排放强度具有一定的空间锁定或路径依赖特征。③我国各省区资源要素协同作用是驱动碳排放强度下降的重要原因。资源要素对碳排放空间效应的传导机制不仅能够很好的反映相邻地区碳排放强度的时空关联性，而且有利于解释碳排放强度的非均衡空间分布问题。我国碳排放强度空间集聚、分异与跃迁的形成与演变是各地区资源禀赋以及经济发展水平等多种资源要素协同作用的结果。④协同发展的机制创新是实现绿色低碳转型，构建推动我国经济高质量发展体制机制的着力点。为实现我国政府向国际承诺的碳排放强度下降以及碳排放总量达峰的低碳经济转型发展目标，需要将空间关联效应纳入减排政策制定和政策效果评价当中，加强对碳排放强度“稳定”以及“跃迁”的关键省区进行有效监测与治理，进一步采取分区域、有重点的区域协同减排措施，提升区域碳减排协同治理的效率。 　　 碳排放强度的准确评估是建立碳减排政策的基础，因此，国家和地区碳减排政策的制定需要重点关注各省区资源要素协同，降低碳排放强度是实现高质量经济发展的重要组成部分。为了实现我国在巴黎协定国家自主贡献上承诺的国际承诺减排目标，中央以及地方政府需要明晰资源要素对碳排放空间效应的作用机理和空间传导机制，充分发挥空间溢出效应，因地制宜制定差异化碳减排政策。第一，采取分区域因地制宜制定碳排放强度控制措施，重点控制碳排放强度水平高，增速又较快的空间集聚省区;适当控制碳排放强度水平趋缓，增速较为稳定的空间集聚省区。从区域碳排放的溢出效应来看，对于区域间碳排放转移，不能产生正向的经济增长效应的产业转移，应严格执行国家相关政策法规，淘汰落后产能。第二，碳排放强度空间集聚显著的省区亟需加快产业结构优化与升级，改变资源密集与高碳产品出口贸易格局，突破高碳排放强度的“空间锁定”与“路径依赖”。促进传统重化工业向低消耗、轻污染、高技术产业拓展和结构优化升级，延长产业链，提高出口产品附加值，改变传统以出口高碳产品为主的贸易格局，减少贸易中的碳泄露，有效抑制该地区碳排放强度对碳排放份额的收敛效应。利用碳排放控制监测形成的倒逼机制，促进该区域的产业技术水平升级与产业结构优化。第三，碳排放强度空间集聚显著的省区应做好跨区域功能布局与协同治理。根据不同的发展阶段，对溢出热点集聚区的碳排放强度减排目标进行严格控制，通过建立更加高效的区域协调发展新机制，控制集聚区的碳排放，实现集聚区域内部不同功能区域的分工合作和资源最优化组合。依托高效公共交通体系促进集聚区域一体化发展，进一步强化地区碳排放强度对碳排放份额的发散效应。在供给侧改革中，地方政府要让要素自由流动从而促进资源优化配置，同时要从区域规划层面促进各地区之间在绿色低碳转型上的协同创新，实现区域经济的高质量发展。
　　
　　（编辑：李 琪）
　　参考文献
　　[1] 何建坤， 刘滨. 作为温室气体排放衡量指标的碳排放强度分析[J]. 清华大学学报（自然科学版）， 2004， 44（6）：740-743.
　　[2] 潘家华， 黄承梁， 李萌. 系统把握新时代生态文明建设基本方略——对党的十九大报告关于生态文明建设精神的解读[J]. 环境经济， 2017（20）：66-71.
　　[3]WANG C， WANG F. China can lead on climate change [J]. Science， 2017， 357（6353）：764.
　　[4] YE F， XIE X， ZHANG L， et al. An improved grey model and scenario analysis for carbon intensity forecasting in the pearl river delta region of China[J]. Energies， 2018， 11（1）：91-103.
　　[5]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.
　　[6] 林伯强， 毛东昕. 中国碳排放强度下降的阶段性特征研究[J]. 金融研究， 2014（8）：101-117.
　　[7] DONG L， LIANG H. Spatial analysis on Chinas regional air pollutants and CO2， emissions： emission pattern and regional disparity [J]. Atmospheric environment， 2014， 92：280-291.
　　[8]DOBES L， JOTZO F， STERN D I. The economics of global climate change： a historical literature review[J]. Review of economics， 2014， 65（3）：281-320.
　　[9] 张翠菊， 张宗益. 中国省域碳排放强度的集聚效应和辐射效应研究[J]. 环境科学学报， 2017， 37（3）：1178-1184.
　　[10]WANG S， CHU C， CHEN G， et al. Efficiency and reduction cost of carbon emissions in China： a nonradial directional distance function method[J]. Journal of cleaner production， 2016， 113：624-634.
　　[11] 张友国. 经济发展方式变化对中国碳排放强度的影响[J]. 经济研究， 2010（4）：120-133.
　　[12] 赵桂梅， 陈丽珍， 孙华平. 基于异质性收敛的中国碳排放强度脱钩效应研究[J]. 华东经济管理， 2017， 31（4）：97-103.
　　[13] AGUIAR A P D， OMETTO J P， NOBRE C， et al. Modeling the spatial and temporal heterogeneity of deforestation：driven carbon emissions： the INPEEM framework applied to the Brazilian Amazon[J]. Global change biology， 2012， 18（11）：3346-3366.
　　[14] 冯宗宪， 王凯莹. 中国省域碳强度集群的空间统计分析[J]. 资源科学， 2014， 36（7）：1462-1468.
　　[15] CHEN Y H H， PALTSEV S， REILLY J M， et al. Longterm economic modeling for climate change assessment[J]. Economic modelling， 2016， 52：867-883.
　　[16] GENG Y， SARKIS J ， BLEISCHWITZ R . How to globalize the circular economy[J]. Nature， 2019， 565（7738）：153-155.
　　[17] SUN H，EDZIAH B K，SUN C，et al.Institutional quality， green innovation and energy efficiency [J].Energy policy，2019.DOI： 10.1016/j.enpol.2019.111002.
　　[18] 林毅夫. 改革開放40年 中国经济如何创造奇迹[J]. 金融经济， 2018（1）：17-18.
　　[19] SERGIO J R. Spatial empirics for economic growth and convergence[J]. Geographical analysis，2001， 33（3）：195-214.
　　[20]李子奈， 李鲲鹏. 关于计量经济学模型随机扰动项的讨论[J]. 统计研究， 2009， 26（2）：62-67.
　　[21] 张友国， 郑玉歆. 碳强度约束的宏观效应和结构效应[J]. 中国工业经济， 2014（6）：57-69.
　　[22] HAO Y， LIAO H， WEI Y M. Is China’s carbon reduction target allocation reasonable？ an analysis based on carbon intensity convergence[J]. Applied energy， 2015， 142：229-239.
转载注明来源:https://www.xzbu.com/7/view-15184581.htm