諶 偉 諸大建 白竹嵐

(同濟(jì)大學(xué)經(jīng)濟(jì)與管理學(xué)院,上海200092)

上海市工業(yè)碳排放總量與碳生產(chǎn)率關(guān)系3

諶 偉 諸大建 白竹嵐

(同濟(jì)大學(xué)經(jīng)濟(jì)與管理學(xué)院,上海200092)

工業(yè)碳排放總量與碳生產(chǎn)率之間的關(guān)系對于正確理解絕對意義上的減排與相對意義上的減排具有重要意義。本文首先對上海市1978-2007年工業(yè)碳排放總量以及碳生產(chǎn)率進(jìn)行估算,并在此基礎(chǔ)上運用因果檢驗,協(xié)整檢驗,VAR模型以及脈沖沖擊和方差分解技術(shù),對排放總量與碳生產(chǎn)率的關(guān)系進(jìn)行動態(tài)分析。結(jié)果表明上海工業(yè)碳排放總量是碳生產(chǎn)率的Granger原因,并且兩者存在長期均衡關(guān)系。進(jìn)一步脈沖響應(yīng)和方差分解分析表明:碳排放總量及生產(chǎn)率變化速率互有沖擊作用,兩者主要相對方差貢獻(xiàn)率為自身。研究揭示了提高碳生產(chǎn)率是盡管無法降低碳排放總量,實現(xiàn)絕對減排,卻是具有可行性的相對意義的減排,這符合當(dāng)前上海市內(nèi)在實現(xiàn)自生主觀發(fā)展需求以及外在節(jié)能減排的客觀要求。最后建議將碳生產(chǎn)率指標(biāo)納入上海市工業(yè)低碳化發(fā)展的政策制定中去。

VAR模型;碳排放;碳生產(chǎn)率;上海

隨著中國經(jīng)濟(jì)的迅速發(fā)展,氣候變化的問題已經(jīng)成為我國最主要的國際壓力。2009年底,中國正式宣布了控制溫室氣體排放的行動目標(biāo):到2020年,中國單位國內(nèi)生產(chǎn)總值二氧化碳排放量比2005年下降40%-45%。上海作為中國的經(jīng)濟(jì)中心城市,工業(yè)發(fā)展迅速,工業(yè)總產(chǎn)值年均增速超過12%,工業(yè)能源消耗所產(chǎn)生的二氧化碳約占該市碳排放總量的60%。這導(dǎo)致了上海的碳排放總量以及人均排放量均位列全國前列。因而,為了實現(xiàn)我國的二氧化碳減排目標(biāo)并且指導(dǎo)各城市進(jìn)行減排工作,對上海的碳排放進(jìn)行深入細(xì)致的研究顯得尤為必要。

國內(nèi)外對于能源消耗與經(jīng)濟(jì)發(fā)展,碳排放與經(jīng)濟(jì)發(fā)展進(jìn)行了廣泛而又深入的研究[1-3]。然而對于二氧化碳總量與效率的關(guān)系研究報道較少,而總量控制與效率提高,正是絕對意義上與相對意義上減排的本質(zhì)區(qū)別。碳排放領(lǐng)域中的效率概念,即碳生產(chǎn)率是指單位二氧化碳的G DP產(chǎn)出水平,反映了單位二氧化碳排放所生產(chǎn)的經(jīng)濟(jì)效益,它是將低碳經(jīng)濟(jì)的兩大目標(biāo)—控制二氧化碳排放(低碳)、促進(jìn)經(jīng)濟(jì)增長(經(jīng)濟(jì))融為一體的一個概念。碳生產(chǎn)率與單位G DP的碳排放強度是倒數(shù)關(guān)系,兩者的區(qū)別為:前者是效率表示法,體現(xiàn)了經(jīng)濟(jì)的角度考慮減排問題,可與傳統(tǒng)的勞動或資本生產(chǎn)率相比較,后者是強度表示法,它是從環(huán)境的角度考慮問題。當(dāng)前綠色革命低碳經(jīng)濟(jì)模式下的碳生產(chǎn)率與工業(yè)革命中的核心指標(biāo)勞動生產(chǎn)率相互對應(yīng),這是由于當(dāng)前碳排放空間是比勞動力、資本等更為稀缺的要素。此外碳生產(chǎn)率的衡量具有可操作性,既可作為宏觀低碳經(jīng)濟(jì)指標(biāo)—某地區(qū)的碳生產(chǎn)率,可作為中觀低碳經(jīng)濟(jì)指標(biāo)—某一產(chǎn)業(yè)的碳生產(chǎn)率,亦可作為微觀低碳經(jīng)濟(jì)指標(biāo)—某一企業(yè)的碳生產(chǎn)率。因而諸大建認(rèn)為當(dāng)前中國在可持續(xù)發(fā)展的框架下應(yīng)對氣候變化,關(guān)鍵是提高碳生產(chǎn)率,而并非走絕對減排的發(fā)展之路[4]。何建坤,蘇明山更是將提高碳生產(chǎn)率視為發(fā)展我國發(fā)展低碳經(jīng)濟(jì)的核心[5]。此外麥肯錫全球研究所(MGI)提出了10倍計劃,即在未來近50年的時間里,為實現(xiàn)溫度的增幅不高出2℃的目標(biāo),世界碳生產(chǎn)率必須提高10倍[6]。Kim對韓國碳生產(chǎn)率進(jìn)行了研究,得出為了實現(xiàn)該國2020年的減排目標(biāo),若G DP增幅維持在4%,則該國的碳生產(chǎn)率年均增幅必須達(dá)到4185%[7]。

1978-2007年間上海市工業(yè)碳排放總量年均增速達(dá)到4.3%,尤其是2000年以來,增速為5.9%,而同期碳生產(chǎn)率則表現(xiàn)出更快的增速,達(dá)到11.2%。碳排放總量增加與碳生產(chǎn)率之間是何種動態(tài)變化關(guān)系?提高碳生產(chǎn)率是否有利于上海工業(yè)行業(yè)實現(xiàn)低碳化發(fā)展?是否應(yīng)該推行碳生產(chǎn)率作為上海工業(yè)發(fā)展的衡量指標(biāo)?基于以上問題,本文將估算1978-2007年上海市工業(yè)能源消耗所產(chǎn)生的碳排放量和碳生產(chǎn)率,通過總量與效率關(guān)系的實證研究,旨在為上海市制定合理的低碳工業(yè)發(fā)展政策提供參考依據(jù)。

1 研究方法及數(shù)據(jù)來源

1.1 碳排放總量①本文工業(yè)二氧化碳排放特指終端能源消耗即化石燃料燃燒產(chǎn)生的碳排放,不包括工業(yè)生產(chǎn)過程中的碳排放。和生產(chǎn)率模型

碳排放總量和生產(chǎn)率模型如公式(1)—公式(4)[8-9]所示。由于歷年工業(yè)各類能源消耗數(shù)據(jù)缺失,研究時間段內(nèi)總量計算無法完全采用公式(1)。故本文假定標(biāo)煤碳排放系數(shù)K值不變,根據(jù)公式(1)-公式(4),利用現(xiàn)有13年各部門的能源消耗數(shù)據(jù)(1996-2007),求得 K值,從而估算出歷年工業(yè)碳排放總量和碳生產(chǎn)率。

其中,下標(biāo)j表示17種能源消耗,下標(biāo)i表示上海工業(yè)33個行業(yè)[10]。EF表示為碳排放系數(shù),O表示碳氧化系數(shù),具體系數(shù)均采用 IPCC以及Dhakal的計算值[11]。CSj為燃燒過程中未被氧化比重(=0)。CT表示為T年的碳排放總量,CPT表示T年的碳生產(chǎn)率,GT表示T年的工業(yè)總產(chǎn)值,K為標(biāo)準(zhǔn)煤碳排放系數(shù),n為K值個數(shù)。

1.2 計量模型

本文采用ADF/PP單位根檢驗,協(xié)整分析,基于VAR的Granger因果關(guān)系檢驗,脈沖響應(yīng)函數(shù)與方差分解等數(shù)學(xué)手段,研究上海市工業(yè)碳排放量與碳生產(chǎn)率之間的關(guān)系。下文簡要介紹本文所采用的計量分析方法。

(1)單位根檢驗。單位根檢驗即是對變量平穩(wěn)性的檢驗。如果一個時間序列的均值或自協(xié)方差函數(shù)隨時間變化而改變,那么這個序列就是非平穩(wěn)時間序列,即含有單位根。如果一個非平穩(wěn)時間序列經(jīng)過d次差分達(dá)到平穩(wěn),則稱該序列為d階單整(Integration)序列,記為I(d)。文中將采用ADF(Augmented Dickey2Fuller)檢驗以及PP(Phillips2 Perron)檢驗方法。

(2)建立VAR模型。VAR模型通常用于變量時間序列的預(yù)測和描述隨機(jī)擾動對變量系統(tǒng)的動態(tài)影響。變量間的關(guān)系并不是以經(jīng)濟(jì)理論為基礎(chǔ)。常用的p階VAR形式為如式(5)所示:其中,yt是m維內(nèi)生變量向量,xt是d維外生變量向量,A1...Ap和B1...Br均是待估計的參數(shù)矩陣,內(nèi)生變量和外生變量分別有p和r階滯后期,εt是隨機(jī)擾動項。本文中VAR模型的最優(yōu)滯后期的確定可通過軟件滯后長度準(zhǔn)則,按照5種標(biāo)準(zhǔn)來確定。

(3)協(xié)整分析。協(xié)整關(guān)系是指如果兩個或者兩個以上的非平穩(wěn)的時間序列變量,可以組成某種平穩(wěn)線性組合。通常有檢驗協(xié)整關(guān)系的方法為E-G兩步法和Johanson最大似然法。本文采用Johansen協(xié)整檢驗法(JJ法)。其基本思想在于多變量回歸系統(tǒng)VAR中檢驗回歸系數(shù),構(gòu)建殘差矩陣,根據(jù)矩陣的序判斷協(xié)整關(guān)系。在運用Johansen協(xié)整分析方法來檢驗變量之間是否存在協(xié)整關(guān)系之前,必須確定模型的最優(yōu)滯后期。當(dāng)VAR模型的滯后期確定為K時,JJ檢驗法中最優(yōu)滯后期則為K-1。

(4)Granger因果檢驗。Granger因果檢驗,主要是考慮現(xiàn)在的y能夠在多大程度上被過去的x解釋,當(dāng)加入x的滯后項時,解釋程度是否提高。如果x在y的預(yù)測中有幫助,可稱為y是由x Granger引起的。Granger因果檢驗的前提是序列平穩(wěn),否則檢驗統(tǒng)計式不符合 F分布。根據(jù)Granger定理,當(dāng)具有協(xié)整關(guān)系的變量間,可采用基于VAR模型的格蘭杰因果關(guān)系檢驗法,判斷因果方向,其檢驗統(tǒng)計式服從χ2分布。

(5)脈沖響應(yīng)和方差分解法。對于VAR模型,可以利用脈沖響應(yīng)函數(shù)和方差分解法來分析模型中每個內(nèi)生變量對自身以及其他內(nèi)生變量擾動所作出的反應(yīng),從而了解VAR模型的動態(tài)特征。脈沖響應(yīng)函數(shù)(Impulse Response Function,IRF)是用于衡量來自某個內(nèi)生變量的隨機(jī)擾動項的一個標(biāo)準(zhǔn)差沖擊對于VAR模型中所有內(nèi)生變量當(dāng)前值和未來值的影響。方差分解(Variance decomposition),是將VAR模型中每個外生變量預(yù)測誤差的方差按照其成因分解為各個內(nèi)生變量相關(guān)聯(lián)的組成部門,分析每個新息對內(nèi)生變量變化的貢獻(xiàn)度,從而了解各新息對模型內(nèi)生變量的相對重要性。當(dāng)采用脈沖響應(yīng)和方差分解法時,必須要考慮VAR模型的穩(wěn)定性,即VAR模型中特征根的倒數(shù)值是否小于1。本文對總量變化速率和碳生產(chǎn)率變化速率進(jìn)行脈沖沖擊和方差分解。

1.3 數(shù)據(jù)來源

本文選取1978-2007年作為研究的時間區(qū)間,歷年工業(yè)各種能源消耗(萬噸標(biāo)準(zhǔn)煤)以及工業(yè)總產(chǎn)值指數(shù)來自于《上海工業(yè)能源交通統(tǒng)計年鑒1996-2008》。工業(yè)生產(chǎn)總值根據(jù)工業(yè)總產(chǎn)值指數(shù)折算而得,采用2005年不變價格(億元)。為了避免數(shù)據(jù)的劇烈波動,對碳排放總量(記作C)和碳生產(chǎn)率(記作CP)進(jìn)行對數(shù)化處理,記做LC和LCP。所有計算過程借助Eviews 5.1完成。

2 上海市工業(yè)碳排放與強度變化

計算上海市工業(yè)碳排放總量與碳強度時,需要注意的是本文的假定前提條件,即單位標(biāo)準(zhǔn)煤所排放的二氧化碳量是不變的。這是因為1994年之前的上海市工業(yè)能源分類消耗統(tǒng)計量缺失,因而采用公式(2)估算上海市碳排放總量。根據(jù)現(xiàn)有年鑒數(shù)據(jù),計算1996-2007年 K值,結(jié)果如表1所示,K均值為2.48,誤差率小于5%,因而本文認(rèn)為假定標(biāo)準(zhǔn)煤的碳排放系數(shù)不變是可行的。根據(jù)公式(2),公式(4),估算得1978-2007年上海市工業(yè)碳排放總量以及碳生產(chǎn)率。如圖1所示,1978年上海市工業(yè)碳排放總量的4 043萬t,到2007年總量則達(dá)到13 528萬t。30年中,碳排放總量增加了3.3倍。碳生產(chǎn)率則從1978年的0.19萬元/t,上升到2007年的1.65萬元/t,增幅達(dá)到8.7倍。兩序列的變化趨勢表明了兩者可能存在協(xié)整關(guān)系。

3 上海市工業(yè)經(jīng)濟(jì)增長與CO2排放變化的計量分析

3.1 平穩(wěn)性檢驗及分析

首先根據(jù)ADF和PP單位根檢驗法,對于1978-2007年上海工業(yè)碳排放總量和碳生產(chǎn)率進(jìn)行穩(wěn)定性檢驗。如表2所示,時間序列LC和LCP為非平穩(wěn)序列,一階差分序列在5%的臨界值上為穩(wěn)定序列,記為I(1)。

表1 標(biāo)準(zhǔn)煤碳排放系數(shù)以及誤差Tab.1 Coefficient of the CO2per TCE and error rate

圖1 1978-2007上海工業(yè)碳排放總量與生產(chǎn)率Fig.1 The industrial carbon emissions and carbon productivity in Shanghai,1978-2007

3.2 協(xié)整分析

由于原序列LC和LCP均為I(1),可進(jìn)行協(xié)整分析。本文采用JJ協(xié)整檢驗法。在建立VAR模型前,確定最優(yōu)滯后階數(shù)為1(見表3),因而JJ檢驗中的最優(yōu)滯后階為0。協(xié)整的檢驗結(jié)果如表4所示,1978年到2007年間,當(dāng)假設(shè)協(xié)整個數(shù)為0時候,LC和LCP的跡統(tǒng)計值均大于5%顯著水平臨界值,故拒絕原假設(shè)。當(dāng)假設(shè)兩序列間存在1個協(xié)整關(guān)系時,兩者的跡統(tǒng)計值均小于在5%的顯著水平值,即接收原假設(shè)。這說明在5%的顯著水平下,上海市工業(yè)碳排放總量與生產(chǎn)率間存在長期穩(wěn)定的均衡關(guān)系。均衡關(guān)系的因果方向則需要采用Granger因果檢驗來確定。

3.3 Granger因果關(guān)系

由Granger定理可得,如果變量間是協(xié)整的,則至少存在一個方向上的Granger原因。JJ協(xié)整檢驗結(jié)果得到工業(yè)碳排放量(LC)與生產(chǎn)率間(LCP)存在長期均衡關(guān)系,這表明兩變量之間至少存在一個方向上的因果關(guān)系。然而傳統(tǒng)Granger因果檢驗是建立在平穩(wěn)序列上的檢驗方法,而原序列LC和LCP為一階單整,無法直接檢驗,故采用VAR模型的Granger因果檢驗法。表5給出了兩個內(nèi)生變量相互的Granger因果關(guān)系檢驗統(tǒng)計量和對應(yīng)的概率值,表明了兩序列為單向因果關(guān)系,即工業(yè)碳排放量(LC)增長是碳生產(chǎn)率(LCP)提高的格蘭杰原因,碳生產(chǎn)率(LCP)提高并不是工業(yè)碳排放量(LC)增長的格蘭杰原因。前者實質(zhì)為速度效應(yīng),上海市工業(yè)發(fā)展過程中化石性能源消耗增長迅速,二氧化碳排放也同步快速增長,在發(fā)展過程中由于低碳技術(shù)的應(yīng)用,管理方式的改進(jìn)等因素提高了經(jīng)濟(jì)活動中的能源利用效率,使得工業(yè)經(jīng)濟(jì)增速快于碳排放增速,使這種發(fā)展模式具有相對意義上的低碳化的特點,統(tǒng)計數(shù)據(jù)表現(xiàn)為碳生產(chǎn)率,碳總量同時提高的現(xiàn)象。后者實質(zhì)為規(guī)模效應(yīng),上海市工業(yè)生產(chǎn)總值規(guī)模巨大,平均增速超過12%,由于宏觀經(jīng)濟(jì)規(guī)模高速增長,抑制了由經(jīng)濟(jì)效率的提高所貢獻(xiàn)的減排成果,工業(yè)碳排放總量具有明顯的反彈。當(dāng)然,盡管從趨勢上判斷,提高碳生產(chǎn)率無法逆轉(zhuǎn)工業(yè)二氧化碳增排,實現(xiàn)絕對意義上的減少碳排放,但是作為發(fā)展中的國家的城市,上海需要兼顧內(nèi)在自身發(fā)展主觀需求和外在國際節(jié)能減排客觀壓力,因而低碳發(fā)展模式不可能走絕對減排之路,因而代表相對減排的碳生產(chǎn)率可作為該市衡量自身成效的指標(biāo)。Granger檢驗結(jié)果表明了總量(LC)的增加并非是由于碳生產(chǎn)率(LCP)的提高所導(dǎo)致,這也說明了大力促進(jìn)上海提高碳生產(chǎn)率的合理性。

表2 二氧化碳CO2與碳生產(chǎn)率CP的ADF/PP檢驗結(jié)果Tab.2 Results of ADF/PP test between LC and LCP

表3 LC與LCP滯后階數(shù)判斷Tab.3 Lag length criteria between LC and LCP

表4 LC和LCP協(xié)整檢驗結(jié)果Tab.4 Result of the Johansen cointegration test of LC and LCP

表5 VAR模型的格蘭杰因果檢驗結(jié)果Tab.5 Result of VAR2Granger causality test

3.4 脈沖響應(yīng)與方差分解分析

脈沖響應(yīng)函數(shù)是指在向量自回歸(VAR)模型中,在擾動項上加一個標(biāo)準(zhǔn)差大小的沖擊通過變量之間的動態(tài)聯(lián)系對變量的當(dāng)前值和未來值所帶來的影響。本文建立增長率DLC與DLCP的VAR模型,以期探究總量增長速率與碳生產(chǎn)率增長速率的相互作用。DLC表示為碳排放總量變化速率,DLCP表示為工業(yè)碳生產(chǎn)率變化速率。在進(jìn)行脈沖響應(yīng)與方差分解分析前必須對VAR模型進(jìn)行平穩(wěn)性檢驗,所有特征根均小于1,可以繼續(xù)進(jìn)行。圖2、圖3中的虛線表示在脈沖響應(yīng)圖像兩側(cè)加/減兩倍標(biāo)準(zhǔn)差的置信帶,橫軸表示沖擊響應(yīng)期,縱軸表示內(nèi)生變量對沖擊的響應(yīng)程度。圖2為碳排放變化速率(DLC)對碳生產(chǎn)率變化速率(DLCP)擾動的響應(yīng)情景,即當(dāng)給定碳生產(chǎn)率速率(DLCP)增大的沖擊時,碳排放總量速率(DLC)當(dāng)期并沒有立刻作出響應(yīng)。而隨后上升趨勢明顯,碳排放速率呈現(xiàn)正向反應(yīng)持續(xù)到第10期,表明了DLCP對DLC具有收斂性。整個考察期內(nèi),累計效應(yīng)5年為0.016,10年為0.020,這說明碳生產(chǎn)率速率(DLCP)受到外界沖擊時,在1期后會持續(xù)正向影響碳排放總量發(fā)展速率(DLC),并且這種影響隨著時間的推移先增大后減小。這也符合碳生產(chǎn)率升高而總量同時增長現(xiàn)象。圖3是碳生產(chǎn)率變化速率(DLCP)對碳排放速率(DLC)擾動的響應(yīng)情景,即給定碳總量排放速率增長的沖擊后,碳生產(chǎn)率變化速率當(dāng)期就出現(xiàn)了反向負(fù)增長,但上升趨勢明顯,至第2期開始便轉(zhuǎn)為正向推動作用,第3期達(dá)到最高點,達(dá)到0.003 051,而10年的累計效應(yīng)為-0.022.這說明了總量變化速率(DLC)對碳生產(chǎn)率變化(DLCP)具有反向抑制作用,但時滯較短,影響作用趨向于平衡。上文Granger因果檢驗結(jié)果表明:碳排放總量增長是導(dǎo)致碳生產(chǎn)率增長的Granger原因,當(dāng)上海工業(yè)高速發(fā)展時,經(jīng)濟(jì)發(fā)展速率超過碳總量增速,因而碳生產(chǎn)率也表現(xiàn)出增長趨勢,然而由脈沖分析可知,碳生產(chǎn)率的變化增速將會降低,此外,盡管碳生產(chǎn)率并非碳排放總量的Granger原因,但短期內(nèi)碳生差率變化速率(DLCP)沖擊仍會正向作用于碳排放速率(DLC)。

圖2 碳生產(chǎn)率變化引起的碳總量變化響應(yīng)函數(shù)Fig.2 Response of DLCP to DLC innovation

圖3 碳總量變化沖擊引起的碳生產(chǎn)率變化響應(yīng)函數(shù)Fig.3 Response of DLC to DLCP innovation

與脈沖響應(yīng)函數(shù)追蹤系統(tǒng)中各變量對系統(tǒng)中某一個變量的沖擊效果不同,方差分解法則將系統(tǒng)中某一個變量的預(yù)測均方誤差分解成由系統(tǒng)中各變量沖擊所帶來的影響部分,記錄系統(tǒng)中每個變量沖擊對該變量的預(yù)測均方誤差的貢獻(xiàn),從而了解各新息對模型內(nèi)生變量的相對重要性。碳排放總量變化速率與生產(chǎn)率變化速率的方差分解結(jié)果如表6所示:總量變化速率(DLC)預(yù)測方差的最主要影響因素是其自身擾動所引起,占95.43%而碳生產(chǎn)率變化率(DLCP)對它的影響僅為4.57%.與此對應(yīng)的是,碳生產(chǎn)率變化速率(DLCP)的自身效應(yīng)盡管仍占主導(dǎo)地位,但較總量增速(DLC)的自身效應(yīng)而言,比重有所下降,短期內(nèi)約為65122%,總量增長速率(DLC)對于生產(chǎn)率變化(DLCP)的影響保持穩(wěn)定狀態(tài),短期內(nèi)始終維持在34.78%。這表明未來上海市工業(yè)碳排放總量控制若是絕對意義上的減排,則不可能單獨依靠提高碳生產(chǎn)率來實現(xiàn),必須要將反彈效應(yīng)納入政策制定的考慮范圍中。當(dāng)然,現(xiàn)階段為了實現(xiàn)上海市工業(yè)碳排放相對脫鉤化發(fā)展,首要考核指標(biāo)就是碳生產(chǎn)率。

4 結(jié)論與政策啟示

從上述實證分析中可以得到以下結(jié)論:

本文引入了綠色革命低碳經(jīng)濟(jì)背景下,工業(yè)發(fā)展中的碳排放效率衡量指標(biāo)-碳生產(chǎn)率。通過IPCC碳排放模型估算了簡易碳排放估算模型中的標(biāo)準(zhǔn)煤的碳排放系數(shù),進(jìn)而得出1978-2007年間上海市工業(yè)碳排放總量和碳生產(chǎn)率變化趨勢:30年中該市工業(yè)碳排放量增加3.3倍,碳生產(chǎn)率增速較快,增加8.7倍。這表明盡管上海工業(yè)二氧化碳排放并不是絕對意義的減量,但總排放量的增速減緩,并且排放的經(jīng)濟(jì)效率提高,正處于相對減排的發(fā)展階段。實證分析得到工業(yè)碳排放總量與生產(chǎn)率之間存在長期協(xié)整關(guān)系。碳排放總量與碳生產(chǎn)率之間具有單向Granger因果關(guān)系,即碳排放增加會促進(jìn)碳生產(chǎn)率的增長,但碳生產(chǎn)率提高并非排放總量增長的原因。當(dāng)前上海市二氧化碳排放總量與碳生產(chǎn)率表現(xiàn)出的矛盾實質(zhì)為該市工業(yè)低碳發(fā)展過程中的兩者速度效應(yīng)和規(guī)模效應(yīng)。脈沖沖擊分析和方差分解分析的結(jié)果表明:碳排放總量增速及生產(chǎn)率增長率互有沖擊作用。碳排放總量增速對于碳生產(chǎn)變化的擾動短期內(nèi)便恢復(fù)穩(wěn)定狀態(tài),且排放總量的預(yù)測方差主要是由于自身擾動所導(dǎo)致,而碳生產(chǎn)率對于總量的沖擊反應(yīng)迅速,當(dāng)期便表現(xiàn)反向響應(yīng),碳生產(chǎn)率增速的預(yù)測方差是主要擾動因素也是自身,盡管比重減小。顯然期望依靠大幅度提高碳生產(chǎn)率來實現(xiàn)絕對意義上的總量減排是不可行的。盡管,碳生產(chǎn)率指標(biāo)無法逆轉(zhuǎn)上海工業(yè)碳排放增長趨勢,但從相對減排的角度而言,提高碳生產(chǎn)率,控制排放總量增長速度不僅符合上海當(dāng)前發(fā)展的現(xiàn)狀,而且具有可行性,有利于上海促進(jìn)低碳工業(yè)快速發(fā)展。

表6 不同預(yù)測周期內(nèi)DLC和DLCP的方差分解Tab.6 Variance decomposition of DLC and DLCP in the forecast periods

政策制定者應(yīng)當(dāng)理解并區(qū)別低碳發(fā)展過程中絕對意義上和相對意義上的減排,實質(zhì)是正確把握碳排放總量與碳生產(chǎn)率的關(guān)系,避免走入單純依靠技術(shù)效率改進(jìn)可以降低二氧化碳規(guī)模的誤區(qū)。上海正處于工業(yè)化和城市化的發(fā)展階段,工業(yè)經(jīng)濟(jì)規(guī)模高速增長,能源消耗增加和二氧化碳排放增排不可避免。而作為效率指標(biāo)的碳生產(chǎn)率的提高意味著碳排放與經(jīng)濟(jì)發(fā)展出現(xiàn)相對脫鉤,實現(xiàn)相對減排,對于上海等發(fā)展中新興城市而言推行包含提高碳生產(chǎn)率的政策具有可行性,也是協(xié)調(diào)經(jīng)濟(jì)發(fā)展與應(yīng)對氣候變化的根本途徑。因而在上海市低碳工業(yè)化發(fā)展政策制定中,應(yīng)該將其納入。由于碳生產(chǎn)率是一項簡單并且易于操作的衡量指標(biāo),更有利于政策制定者使用。對于目前上海市所取得的節(jié)能減排成績,一方面要繼續(xù)行動,要區(qū)別二氧化碳碳減排成果在絕對與相對意義上兩種不同尺度的意義,要看到目前上海的碳生產(chǎn)率水平與世界發(fā)達(dá)國家還有差距。另一方面,上海工業(yè)碳排放總量還未到拐點,未來的一段時間內(nèi),仍會保持總量與生產(chǎn)率雙增長的現(xiàn)象。因此上海必須進(jìn)一步發(fā)展低碳化工業(yè),調(diào)整產(chǎn)業(yè)結(jié)構(gòu),提高高碳行業(yè)的市場準(zhǔn)入門檻,建立以碳生產(chǎn)率為考核指標(biāo)的衡量體系,同時降低對化石性燃料的依賴性,發(fā)展包含水能在內(nèi)的可再生能源,積極推行工業(yè)清潔生產(chǎn)。

References)

[1]鐘曉青,吳浩梅等.廣州市能源消費與G DP及能源結(jié)構(gòu)關(guān)系的實證研究[J].中國人口·資源與環(huán)境,2007,17(1):135-138.[Zhong Xiaoqing,Wu Hao2me,et al.The Empirical Study on the Impact of G DP and Energy Structureon Energy Consumption in Guangzhou[J].China Population,Resources and Environment,2007,17(1):135-138.]

[2]汪旭暉,劉勇.中國能源消費與經(jīng)濟(jì)增長:基于協(xié)整分析和Granger因果檢驗[J].資源科學(xué),2007,29(5):57-62.[Wang Xuhui,Liu Y ong.China’s Energy Consumption and Economic Growth:A Study basedon the Cointegration Analysis and Granger Causality Test[J].Resources Science,2007,29(5):57-62.]

[3]Feng Taiwen,Sun Linyan,et al.The Relationship between Energy Consumption Structure,Economic Structure and Energy Intensity in China[J].Energy Policy,2009,37(12):5475-5483.

[4]諸大建.綠色 G DP時代的“碳生產(chǎn)率”[EB].http://www.ipcc.cma.gov.cn/,Nov,2009.[Zhu Dajian.Carbon Productivity in Time of Green G DP[EB].http://www.ipcc.cma.gov.cn/,Nov,2009.]

[5]何建坤,蘇明山.應(yīng)對全球氣候變化下的碳生產(chǎn)率分析[J].中國軟科學(xué),2009,(10):42-47.[He Jiankun,Su Mingshan.Carbon Productivity Analysis to Address G lobal Climate Change[J].China Soft Science,2009,(10):42-47.]

[6]Beinhocker E,Oppenheim J,et al.The carbon productivity challenge:Curbing Climate Change and Sustaining Economic G rowth[EB].http://www.mckinsey.com/mgi/publications/Carbon2Productivity,June,2008.

[7]K im W on2kyu.Current Issues and Implicationsof K orea’s Carbon Productivity[EB].http://kiet.re.kr/UpFile/newsbrief/1266304157908.pdf,Jan,2010.

[8]Zhang Ming,Mu Hailin,et al.Decomposition of energy2related CO2emissionover 1991-2006 in China[J].Ecological Economics,2009,68(7):2122-2128.

[9]陳飛,諸大建.低碳城市研究的理論方法與上海實證分析[J].城市發(fā)展研究,2009,16(10):71-79.[Chen Fei,Zhu Dajian.Theory of Research on Low Carbon City and Shanghai Empirical Analysis[J].Urban Studies,2009,16(10):71-79.]

[10]上海工業(yè)能源交通統(tǒng)計年鑒(1995,1997-2008).上海:上海統(tǒng)計局.[Shanghai statistical bureau .Shanghai StatisticalYearbook on Industry,Energy and Communication,1995,1997-2008.]

[11]Dhakal S.Urban Energy Use and Cities CO2Emissions in China and Policy Implications[J].Energy Policy,2009,37(11):4208-4219.

Research on Relationship Between Industrial Carbon Emissions and Carbon Productivity in Shanghai

CHEN Wei ZHU Da2jian BAI Zhu2lan
(School of Economics and Management,T ongji University,Shanghai 20092,China)

It is very important to study the relationship between industrial carbon emissions and carbon productivity,which helps to understand the difference of relative or absolute carbon emissions reductions.In this paper,Granger causality tests,Cointegrating test,VAR and IRF,Variance decomposition are used to analyze the dynamic effects between industrial carbon emissions and carbon productivityfrom 1978 to 2007 in Shanghai empirically.The result of study indicates that carbon emissions are the Granger reason of carbon productivity,and the balanced relation exists for a long time between them.IRF and VD analysis shows that there are impulses between rate of emissions and productivity,and moreover,the mainly relative variance contribution are derived from their own.The study reveals that the increase of carbon productivity has contribution to relative carbon emissions reductions,but can not reach the absolute emission reduction,which is consistent with requirements of development of economy and emissions reduction in Shanghai at the present stage.Finaly,carbon productivity as an indictor should be recommended to the policymakers of low carbon industrial development in Shanghai.

VAR;carbon emissions;carbon productivity;Shanghai

X24;F127

A

1002-2104(2010)09-0024-06

10.3969/j.issn.1002-2104.2010.09.05

2010-04-22

諶偉,博士生,主要研究方向為低碳發(fā)展與政策研究。

諸大建,教授,博導(dǎo),主要研究方向為循環(huán)經(jīng)濟(jì)與可持續(xù)發(fā)展、城市與區(qū)域發(fā)展、公共管理與公共政策。

3國家自然基金項目(No.70673069)資助。

(編輯:劉文政)