付云鵬，馬樹才

?

基于空間計量的碳排放量影響因素分析

付云鵬，馬樹才

(遼寧大學經(jīng)濟學院，遼寧沈陽，110036)

在對2000?2014年中國30個地區(qū)的碳排放量進行估算的基礎(chǔ)上，利用Moran’s I檢驗法對區(qū)域碳排放量進行了空間相關(guān)性檢驗。在此基礎(chǔ)上以擴展的STIRPAT模型為理論基礎(chǔ)，借助空間回歸模型研究了人口結(jié)構(gòu)、產(chǎn)業(yè)結(jié)構(gòu)、能源結(jié)構(gòu)、技術(shù)水平等因素對碳排放量的影響效應。結(jié)果顯示：產(chǎn)業(yè)結(jié)構(gòu)、人口規(guī)模和技術(shù)水平是碳排放量的主要影響因素，產(chǎn)業(yè)結(jié)構(gòu)和人口規(guī)模對碳排放量的影響是正向的，技術(shù)水平對碳排放量的影響是負向的。

人口規(guī)模；產(chǎn)業(yè)結(jié)構(gòu)；技術(shù)水平；空間自相關(guān)；空間回歸模型

一、引言及相關(guān)文獻綜述

人口與資源環(huán)境的關(guān)系非常密切、復雜，人口規(guī)模、結(jié)構(gòu)、質(zhì)量等因素都與資源環(huán)境密切相關(guān)，因此，不少學者開始關(guān)注人口與碳排放之間的關(guān)系問題，而隨著空間計量經(jīng)濟學的發(fā)展，也使得對碳排放問題的研究考慮了空間因素的影響。中國是一個地廣人多的國家，經(jīng)濟發(fā)展、產(chǎn)業(yè)結(jié)構(gòu)、人口分布、消費結(jié)構(gòu)等都存在著一定的地域差異。因此在研究碳排放量的影響因素時考慮空間因素的影響有著非常重要的理論和現(xiàn)實意義。Ehrlich和Holdren[1]為定量地研究人口對環(huán)境的影響提出了著名的IPAT方程。Dietz和Rose等[2]將IPAT方程改寫成隨機形式并稱之為STIRPAT模型，該模型克服了IPAT方程中解釋變量同比例變動的不足，是一個含有多個解釋變量的指數(shù)形式的模型，模型系數(shù)可以理解為環(huán)境變量對各影響因素的彈性，STIRPAT模型在應用過程中比較靈活，同時還可以根據(jù)研究需要加入其他影響環(huán)境變量的解釋變量。該模型為研究人口因素、社會財富和技術(shù)水平等因素對環(huán)境變量的影響提供了新的依據(jù)，為研究人口與環(huán)境間的關(guān)系奠定了新的理論基礎(chǔ)。Mackellar等[3]將IPAT中的“P”用家庭戶規(guī)模(households)代替，將IPAT改寫為IHAT模型，并用這兩種模型分析了人口因素對全國能源消費量的影響。York等[4]利用STIRPAT模型研究了人口、經(jīng)濟生產(chǎn)、城市化和地理因素對環(huán)境的影響，并解釋了跨國排放對環(huán)境的影響。肖宏偉等[5]基于擴展 STIRPAT模型和空間杜賓模型研究了人口、產(chǎn)業(yè)結(jié)構(gòu)、能源價格等因素對碳排放量和碳排放強度的影響。宋德勇和劉習平[6]基于1978－2010年中國各地區(qū)碳排放數(shù)據(jù)，對碳基尼系數(shù)和碳洛倫茲曲線進行了重新定義，并對中國各地區(qū)2020年的碳排放量進行了空間分配。Wang Can等[7]利用中國1957－2000年的碳排放數(shù)據(jù)，采用LMDI方法研究了碳排放量的影響因素，結(jié)果顯示能源強度、燃料轉(zhuǎn)換和可再生能源的利用是減少碳排放量的積極因素。Wu等[8]利用LMDI分解方法將碳排放強度的影響因素分解為產(chǎn)業(yè)結(jié)構(gòu)、能源強度、能源結(jié)構(gòu)和發(fā)射系數(shù)四種。Ren等[9]利用Divisia指數(shù)法探討了制造業(yè)碳排放量的影響因素。范丹[10]利用擴展Johan 恒等式對中國能源消費人均碳排放的影響因素進行了分析，利用LMDI分解法對產(chǎn)業(yè)能源消耗碳排放進行分解，根據(jù)公式測算出1995－2010年我國能源結(jié)構(gòu)、潛在能源強度、能源績效、能源技術(shù)進步等因素對碳排放的影響效應。許海平[11]采用2000－2008年我國29個省域的空間樣本數(shù)據(jù)研究了城市化水平、貿(mào)易開放、非農(nóng)化就業(yè)人員的比重和技術(shù)進步對碳排放量的空間影響。Stern D. I. 和Common M. S.[12]應用73個國家1960－1990年的樣本數(shù)據(jù)借助環(huán)境EKC研究了人均SO2排放量與人均財富的關(guān)系，研究結(jié)果表明：減排與時間有關(guān)系而不是與收入有關(guān)系。Marzio Galeottia和Alessandro Lanzab[13]利用1960?1995年108個國家的CO2作為環(huán)境污染的代理變量，研究了人均CO2與人均GDP之間的關(guān)系，證明了環(huán)境EKC的“倒U”型關(guān)系存在。Amy K. Richmond和Robert K. Kaufmann[14]研究了收入和能源使用、收入和碳排放之間的關(guān)系，結(jié)果顯示：對于OECD國家，收入與人均能源使用或者碳排放之間的拐點存在；對于非OECD國家，收入與人均能源使用或者碳排放之間的拐點不存在。Song T等[15]利用中國1985－2005年的省級面板數(shù)據(jù)，基于環(huán)境庫茲涅茨曲線假說，以廢氣、廢水、固體廢物作為環(huán)境指標，以GDP作為經(jīng)濟指標，對廢氣、廢水、固體廢物與GDP之間的關(guān)系進行了實證分析。數(shù)據(jù)的協(xié)整檢驗顯示：廢氣、廢水、固體廢物的人均排放與人均GDP之間均存在著長期的協(xié)整關(guān)系，三種污染物與GDP之間均呈“倒U”型關(guān)系。王建軍和周曉唯[16]以空間計量模型為基礎(chǔ)研究了人口、能源消費和碳排放量對我國經(jīng)濟的空間溢出效應和空間關(guān)聯(lián)性。杜慧濱等[17]利用Moran 指數(shù)和空間面板數(shù)據(jù)模型研究了1997－2009年我國29個地區(qū)碳排放績效的空間分布特征與影響因素，結(jié)果表明：我國區(qū)域碳排放績效存在著較強的區(qū)域集群現(xiàn)象。陳德湖和張津[18]利用2000－2009年中國30個省的數(shù)據(jù)，采用空間面板計量經(jīng)濟模型研究了經(jīng)濟增長與碳排放之間的關(guān)系，結(jié)果表明：經(jīng)濟發(fā)展與碳排放之間存在著顯著的空間效應。本文將在前人研究成果的基礎(chǔ)上，利用Moran’s I檢驗法檢驗中國區(qū)域碳排放量的空間相關(guān)性，在空間相關(guān)性檢驗的基礎(chǔ)上將空間因素考慮到碳排放量影響因素模型的構(gòu)建中，研究人口規(guī)模、人口年齡結(jié)構(gòu)、城市化率、經(jīng)濟產(chǎn)出、產(chǎn)業(yè)結(jié)構(gòu)、技術(shù)水平和能源消費結(jié)構(gòu)等因素對中國區(qū)域碳排放量的影響效應。

二、碳排放量的STIRPAT模型的構(gòu)建

(一)變量選取及數(shù)據(jù)來源

目前大多數(shù)國內(nèi)外學者對碳排放問題的研究已由理論分析轉(zhuǎn)向?qū)嵶C分析，主要是利用IPAT方程[19?20]及其擴展模型STIRPAT[21?23]、LMDI[24?25]分解法，分析碳排放量的影響因素及影響效應。碳排放量的影響因素包括經(jīng)濟規(guī)模、人口規(guī)模、產(chǎn)業(yè)結(jié)構(gòu)、能源結(jié)構(gòu)和能源效率等。在借鑒相關(guān)研究成果的基礎(chǔ)上，選取2000－2014年中國30個地區(qū)的省際樣本數(shù)據(jù)，由于西藏地區(qū)大量能源消費數(shù)據(jù)缺失，因此不包含西藏地區(qū)。選取人均 GDP、人口規(guī)模(年末人口總數(shù))、人口年齡結(jié)構(gòu)(勞動年齡人口占總?cè)丝诘谋戎?、產(chǎn)業(yè)結(jié)構(gòu)(第二產(chǎn)業(yè)增加值占地區(qū)生產(chǎn)總值的比重)、城市化率(城鎮(zhèn)人口占總?cè)丝诘谋戎?、技術(shù)水平(專利申請授權(quán)數(shù))和能源消費結(jié)構(gòu)(煤炭消費占能源消費總量的比重)7個指標作為碳排放量的影響因素來研究各因素對碳排放量的影響效應。研究過程中考慮空間因素對碳排放量的影響，通過構(gòu)建空間回歸模型進行實證分析。人均GDP、產(chǎn)業(yè)結(jié)構(gòu)、人口年齡結(jié)構(gòu)、城鎮(zhèn)化率、技術(shù)水平數(shù)據(jù)來源于《中國統(tǒng)計年鑒》歷年數(shù)據(jù)，能源消費結(jié)構(gòu)數(shù)據(jù)由《中國能源統(tǒng)計年鑒》歷年數(shù)據(jù)經(jīng)簡單計算獲得，由于碳排放量沒有統(tǒng)計數(shù)據(jù)，在借鑒李丹丹等[26]、程葉青等[27]研究成果的基礎(chǔ)上，利用焦炭、煤炭、煤油、柴油、汽油、原油、燃料油和天然氣8類能源的消費量來對碳排放量進行估算，公式如下：

式中：2表示碳排放量，單位為萬噸；C表示各類能源的碳排放系數(shù)；E表示第種能源的標準煤消費量?！吨袊茉唇y(tǒng)計年鑒》中提供的是各類能源消費的實物消費量，在利用公式(1)進行碳排放量的估算之前需將實物消費量都轉(zhuǎn)換為標準煤消費量，各類能源的碳排放系數(shù)和標準煤折算系數(shù)數(shù)據(jù)具體見表1。

表1 能源的碳排放系數(shù)和標準煤折算系數(shù)表

注：標準煤折算系數(shù)來源于《中國能源統(tǒng)計年鑒2013》，碳排放系數(shù)來源于IPCC碳排放計算指南；*表示天然氣的標準煤折算系數(shù)單位為千克標準煤/立方米

(二)模型構(gòu)建

IPAT 方程是用來研究人類活動對環(huán)境壓力的影響的模型，目前該模型已被廣泛地應用于研究環(huán)境問題，Dietz 和Rosa[2]將 IPAT方程表示成隨機形式，即 STIRPAT模型：

式中：表示環(huán)境變量；表示人口規(guī)模；表示人均財富；表示技術(shù)水平；表示隨機誤差；表示模型系數(shù)；，，表示各因素的參數(shù)。將模型(2)兩邊同時取對數(shù)，得到如下線性模型：

ln=ln+ln+ln+ln+ln(3)

在人口對環(huán)境的影響中，人口規(guī)模是最主要的影響因素。首先，人口作為生產(chǎn)者通過生產(chǎn)活動對環(huán)境產(chǎn)生影響，人口規(guī)模越大，在就業(yè)率不變的情況下，就業(yè)人口越多，從而將會有更多的生產(chǎn)者從事生產(chǎn)活動，生產(chǎn)規(guī)模的擴大，勢必帶動更多的能源消費、更多的碳排放和更多的其他環(huán)境污染物的排放；其次，人口同時也是消費者，人口消費的各種物質(zhì)生活資料在生產(chǎn)過程中產(chǎn)生間接的碳排放量。用年末人口數(shù)()代表人口規(guī)模。

除人口規(guī)模外，與碳排放量密切相關(guān)的人口因素還包括人口結(jié)構(gòu)，其中最主要的是人口年齡結(jié)構(gòu)和人口城鄉(xiāng)結(jié)構(gòu)。近年來中國的老齡化現(xiàn)象凸顯，人口年齡結(jié)構(gòu)通過就業(yè)、儲蓄率、消費結(jié)構(gòu)等對碳排放量產(chǎn)生影響，勞動年齡人口比重越大，從事生產(chǎn)活動的人口越多，從而帶來更多的碳排放量，同時，年輕人的消費理念和消費方式與老年人不同，年輕人更傾向于汽車等高排放的生活消費品的消費，因此，人口年齡結(jié)構(gòu)對碳排放量也存在影響。用勞動年齡人口占總?cè)丝诘谋戎卮砣丝谀挲g結(jié)構(gòu)；人口城鄉(xiāng)結(jié)構(gòu)()對碳排放量的影響體現(xiàn)在城鄉(xiāng)生活方式的不同；用城市化率()代表人口城鄉(xiāng)結(jié)構(gòu)。

人均財富對碳排放量的影響不言而喻，經(jīng)濟產(chǎn)出越多，人均財富越多。但產(chǎn)出多的同時，能源消費越多，從而能源消費帶來的碳排放量越多，用人均地區(qū)生產(chǎn)總值代表人均財富()。

第二產(chǎn)業(yè)相對于農(nóng)業(yè)和第三產(chǎn)業(yè)需要更多的能源消費，因此第二產(chǎn)業(yè)比重越大，碳排放量越大；用第二產(chǎn)業(yè)增加值占地區(qū)生產(chǎn)總值的比重代表產(chǎn)業(yè)結(jié)構(gòu)()。

技術(shù)水平對碳排放量的影響主要通過提高能源利用效率、改變生產(chǎn)方式等途徑來實現(xiàn)，減少碳排放量的主要手段只能依賴技術(shù)進步。目前大部分學者采用研發(fā)投入和專利數(shù)量作為技術(shù)水平的代理變量，本文采用專利申請授權(quán)數(shù)代表技術(shù)水平()。

能源產(chǎn)品中煤炭類能源的碳排放系數(shù)最大，因此煤炭類能源消費比重越大，碳排放總量越大。本文用能源消費總量中煤炭類能源的比重代表能源消費結(jié)構(gòu)()。

根據(jù)上述分析，以STIRPAT模型為理論基礎(chǔ)，以區(qū)域碳排放量(2)作為環(huán)境變量，以人口規(guī)模()、人口年齡結(jié)構(gòu)()、城市化率()作為影響環(huán)境的人口因素，以人均GDP()表示人均財富，同時考慮產(chǎn)業(yè)結(jié)構(gòu)()、技術(shù)水平()和能源消費結(jié)構(gòu)()對碳排放量的影響，構(gòu)建如下模型：

ln2i=0+1lnpop+2lnpp+3lncpp+4lngdp+

5lnind+6lnpa+7lnes+(4)

式中：表示中國30個不同的地區(qū)。

三、區(qū)域碳排放量的空間回歸分析

(一)空間相關(guān)性檢驗

1. 全局空間相關(guān)性檢驗

全局空間相關(guān)性用以分析空間數(shù)據(jù)在整個系統(tǒng)內(nèi)所表現(xiàn)出的分布特征，目前國內(nèi)外學者大多 采用Moran’s I來度量變量的全局空間相關(guān)性，全局Moran’s I的定義為：

利用空間分析軟件GeoDa對中國30個地區(qū)2000－2014年的區(qū)域碳排放量數(shù)據(jù)進行空間自相關(guān)分析，歷年全局空間自相關(guān)的Moran’s I值見表2。

表2 2000－2014年中國區(qū)域碳排放量的Moran’s I值

從表2中可以看出2000－2014年中國區(qū)域碳排放量間存在明顯的空間自相關(guān)性，空間相關(guān)性指數(shù)Moran’s I值總體上呈現(xiàn)先下降，后上升，再下降的趨勢。Moran’s I值最大的是2001年，為0.2907，此后Moran’s I值呈下降趨勢，下降至2003年的0.2517，2004年又開始上升，2006年之后呈現(xiàn)逐漸下降的趨勢。這說明各地區(qū)碳排放量的空間集聚程度有所減弱，中國區(qū)域碳排量的總體空間差異有所擴大，但仍然呈現(xiàn)比較明顯的空間自相關(guān)性。

2. 局部空間相關(guān)性檢驗

全局空間自相關(guān)指數(shù) Moran’s I揭示了碳排放量的整體空間依賴程度，尚未指出哪些局部地區(qū)出現(xiàn)了高值或低值的空間聚集情況。為進一步檢驗不同年份各地區(qū)碳排放量是否具有高值或低值在空間上的集聚現(xiàn)象，還需要進行局部空間自相關(guān)檢驗。局部Moran’sI(或稱LISA)是檢驗局部地區(qū)之間是否存在相似或相異的觀察值聚集情況的一種指數(shù)。局部Moran’s I的定義為：

若I大于0，表示特征值相似的地區(qū)是集聚的(“高-高”或“低-低”)；若I小于0，表示特征值不相似的地區(qū)是集聚的(“高-低”或“低-高”)。根據(jù)不同地區(qū)的時空分布特點，選取了具有代表性的年份(2001、2003和2012年) 用GeoDa軟件進行分析，可以得到這3年中國區(qū)域碳排放量的Moran’s I散點圖，如圖1所示。

圖1 2001、2003和2012年中國區(qū)域碳排放量散點圖

圖1中，2001年的散點圖中遼寧省、山西省、山東省、河北省、江蘇省、浙江省、黑龍江省、內(nèi)蒙古自治區(qū)、河南省、上海市和安徽省共有11個區(qū)域位于散點圖的第一象限，碳排放量高的地區(qū)與碳排放量高的地區(qū)聚集在一起，呈現(xiàn)“高-高”的正向空間相關(guān)關(guān)系；吉林省、陜西省、福建省、寧夏回族自治區(qū)、北京市和天津市共有6個區(qū)域位于第二象限，碳排放量低的地區(qū)被周圍碳排放量高的地區(qū)包圍，呈現(xiàn)“低-高”聚集的空間關(guān)系；江西省、湖南省、廣西壯族自治區(qū)、海南省、重慶市、四川省、貴州省、云南省、甘肅省、青海省和新疆維吾爾自治區(qū)共有11個區(qū)域位于第三象限，碳排放量低的地區(qū)聚集在一起，呈現(xiàn)“低-低”聚集的空間關(guān)系；湖北省和廣東省共有2個區(qū)域位于第四象限，碳排放量高的地區(qū)被周圍碳排放量低的地區(qū)包圍，呈現(xiàn)“高-低”聚集的空間關(guān)系。2001年的Moran’s I散點圖中“高-高”和“低-低”聚集的類型居于主導地位。2003年的散點圖中，遼寧省、山西省、山東省、河北省、江蘇省、浙江省、黑龍江省、內(nèi)蒙古自治區(qū)、河南省和上海市共10個區(qū)域依舊位于第一象限；吉林省、陜西省、福建省、寧夏回族自治區(qū)、北京市和天津市共有6個區(qū)域依舊位于第二象限；江西省、湖南省、廣西壯族自治區(qū)、海南省、重慶市、貴州省、云南省、甘肅省、青海省和新疆維吾爾自治區(qū)共有10個區(qū)域位于第三象限；四川省、湖北省和廣東省共有3個區(qū)域位于第四象限。從2001年到2003年各地區(qū)的空間聚集現(xiàn)象差別不大，只有安徽省和四川省2個地區(qū)發(fā)生了變化。2012年的散點圖中，山西省、山東省、河北省、江蘇省、浙江省、內(nèi)蒙古自治區(qū)、河南省和上海市共8個區(qū)域位于第一象限；吉林省、上海市、北京市、天津市、安徽省、黑龍江省和寧夏回族自治區(qū)共7個區(qū)域位于第二象限；福建省、江西省、湖南省、廣西壯族自治區(qū)、海南省、重慶市、四川省、貴州省、云南省、甘肅省、青海省和新疆維吾爾自治區(qū)共有12個區(qū)域位于第三象限；遼寧省和廣東省位于第四象限。上述3個時點的Moran’s I散點圖總體上呈現(xiàn)出東部和西部地區(qū)表現(xiàn)出相似的空間關(guān)聯(lián)性(“高-高”或“低-低”)，而中部地區(qū)則表現(xiàn)出非相似的空間關(guān)聯(lián)性(“低-高”或“高-低”)，這說明中國區(qū)域碳排放量的空間依賴性和差異性是并存的，但以空間依賴性為主。

(二)區(qū)域碳排放量的空間回歸分析

由于中國區(qū)域碳排放量間空間相關(guān)性的存在，使得線性回歸模型中空間均質(zhì)的假設遭到破壞，因此有必要構(gòu)建空間回歸模型對中國區(qū)域碳排放量的影響因素及影響程度進行分析，在模型(4)的基礎(chǔ)上考慮空間因素對區(qū)域碳排放量的影響，構(gòu)建空間回歸模型。常見的空間回歸模型有空間誤差模型(SEM)和空間滯后模型(SLM)兩種。

1. 空間誤差模型(Spatial Error Model，SEM)

空間誤差模型用不同地區(qū)間的空間協(xié)方差反映隨機誤差過程，考慮空間因素的碳排放量的SEM為：

ln2i=0+1lnpop+2lnpp+3lncpp+4lngdp+

5lnind+6lnpa+7lnes++(7)

式中：0為待估計常數(shù)項；參數(shù)(=1, 2, …, 7)為各解釋變量對碳排放量的影響系數(shù)；參數(shù)為回歸殘差之間的空間相關(guān)性強度，用來衡量樣本觀測值中的空間依賴作用；為回歸殘差；是正態(tài)分布的隨機誤差。

2. 空間滯后模型(Spatial Lag Model, SLM)

空間滯后模型考慮的是某一空間對象的因變量不僅與該對象的自變量有關(guān)，同時也與相鄰對象的因變量有關(guān)?？紤]空間因素的碳排放量的SLM為：

ln2i=ln2i+0+1lnpop+2lnpp+

3lncpp+4lngdp+5lnind+6lnpa+

7lnes+(8)

式中：為滯后變量系數(shù)，用來反映相鄰的空間對象之間的空間溢出效應；0為待估計常數(shù)項；(=1, 2, …, 7)為各解釋變量對碳排放量的影響系數(shù)；w,j為空間權(quán)重，反映了空間距離對區(qū)域行為的作用；為隨機誤差。

3. 空間回歸模型的適用性檢驗

在利用空間回歸模型進行分析前，需要對模型的適用性進行檢驗。空間回歸模型的適用性檢驗標準為：若空間滯后模型的拉格朗日統(tǒng)計量LM-lag比空間誤差模型的拉格朗日統(tǒng)計量LM-error顯著，則采用空間滯后模型進行回歸分析；反之，則采用空間誤差模型進行回歸分析。

4. 空間回歸分析

空間滯后模型和空間誤差模型都是用于分析截面數(shù)據(jù)的模型，但是單純應用截面數(shù)據(jù)進行分析容易忽略變量之間的滯后效應和忽略某些數(shù)據(jù)信息，因此借鑒呂健等[28]學者的觀點采用2000－2014年數(shù)據(jù)均值進行空間回歸分析。將樣本數(shù)據(jù)帶入模型(4)，用GeoDa軟件先對模型進行普通最小二乘估計(OLS)，估計結(jié)果見表3。

表3 中國區(qū)域碳排放量的OLS和SEM估計結(jié)果表

變量7個變量3個變量 OLSSEMOLSSEM C?20.669**(0.037)?27.572**(0.037)?0.340(0.867)0.045(0.791) lnpop1.046***(0.000)1.091***(0.000)0.486***(0.001)0.580***(0.000) lnind1.170**(0.024)0.973**(0.020)1.641***(0.002)1.096***(0.000) lnpa?0.258(0.117)?0.362***(0.001)?0.113***(0.001)?0.134*(0.060) lnpp2.123(0.483)2.799(0.273) lncpp0.274(0.791)?0.714(0.415) lngdp0.773(0.133)1.557***(0.000) lnes0.221(0.452)0.546**(0.015) λ0.780***(0.002)0.571***(0.000) R20.9840.9900.9870.988 F294.311570.533 AIC35.48430.54838.48828.599 SC47.69542.76044.59334.705

注：系數(shù)下面的括號里為變量顯著性檢驗的P值，***、**和*分別表示1% 、5%和10%的顯著性水平

表3中可以看出，普通最小二乘估計的模型2為0.984，模型的擬合優(yōu)度很好。模型的F統(tǒng)計量為294.311，在1%的顯著水平下通過模型的線性關(guān)系檢驗。解釋變量的顯著性t檢驗顯示：變量ln通過1%顯著性水平的變量顯著性檢驗，變量ln通過5%顯著性水平的變量顯著性檢驗，變量ln通過10%顯著性水平的顯著性檢驗，變量ln、ln、ln和ln沒有通過檢驗，說明這4個變量對被解釋變量的解釋能力不顯著，可能存在多重共線性。進一步進行多重共線性檢驗發(fā)現(xiàn)：ln的方差膨脹因子為14.672，ln的方差膨脹因子為14.672，ln的方差膨脹因子為11.239，都大于臨界值10，自變量間存在較高的多重共線性，不能同時作為ln2的解釋變量進入模型。采用逐步回歸的方法來消除解釋變量間的多重共線性，得到只含有l(wèi)n、ln和ln這3個變量的模型。模型的OLS估計結(jié)果見表3。含有3個變量的模型的共線性檢驗顯示：3個變量均通過了多重共線性檢驗，并且3個變量均通過了5%的變量顯著性檢驗，同時模型的統(tǒng)計量和2也都優(yōu)于包含7個解釋變量的模型，說明含有3個解釋變量的模型更加適用于分析碳排放量的影響因素。

模型的適用性檢驗結(jié)果表明：空間誤差模型的拉格朗日統(tǒng)計量LM-error比空間滯后模型的拉格朗日統(tǒng)計量LM-lag更加顯著，應采用空間誤差模型進行空間回歸分析，將樣本數(shù)據(jù)帶入模型(7)，用GeoDa軟件進行分析，得到表3中的空間誤差模型的估計結(jié)果，為了便于比較同時給出了含有7個變量的空間誤差模型的估計結(jié)果，但分析過程以含有3個變量的模型為主。

從表3中空間誤差模型的回歸分析結(jié)果可以看出，人口規(guī)模、產(chǎn)業(yè)結(jié)構(gòu)和技術(shù)水平是影響中國區(qū)域碳排放量的主要因素。人口規(guī)模和產(chǎn)業(yè)結(jié)構(gòu)對碳排放量的影響都是正的，說明人口規(guī)模和第二產(chǎn)業(yè)比重的增加都將帶來碳排放量的增加，產(chǎn)業(yè)結(jié)構(gòu)的影響系數(shù)為1.096，大于人口規(guī)模的影響系數(shù)0.580，說明產(chǎn)業(yè)結(jié)構(gòu)對碳排放量的影響要大于人口規(guī)模對碳排放量的影響。技術(shù)水平對碳排放量的影響是負的，說明技術(shù)水平的提高將帶來碳排放量的減少，技術(shù)水平對碳排放量的影響系數(shù)為?0.134，說明技術(shù)水平每提高1%，碳排放量將下降0.134%。此外，碳排放量空間誤差模型的空間相關(guān)程度系數(shù)為0.571，并且通過1%顯著性檢驗，說明碳排放量的空間溢出效應為正，鄰近地區(qū)的碳排放量對本地區(qū)的碳排放量存在正向的空間溢出效應，本地區(qū)的碳排放量除了受到本地區(qū)人口、經(jīng)濟、產(chǎn)業(yè)結(jié)構(gòu)、技術(shù)水平等影響外，還受到鄰近地區(qū)空間溢出效應的影響，鄰近地區(qū)的碳排放量增加1%，將會對本地區(qū)的碳排放量帶來0.571%的空間溢出效應。這是傳統(tǒng)線性模型無法反映的。

四、結(jié)論與建議

在對2000?2014年中國區(qū)域碳排放量進行估算的基礎(chǔ)上，采用Moran’s I檢驗法對區(qū)域碳排放量的空間相關(guān)性進行了檢驗，在此基礎(chǔ)上利用空間誤差模型研究了碳排放量的空間依賴性以及人口規(guī)模、人均GDP、城市化率、人口年齡結(jié)構(gòu)、產(chǎn)業(yè)結(jié)構(gòu)、技術(shù)水平、能源消費結(jié)構(gòu)等因素對碳排放量的影響效應，得到以下結(jié)論，并提出相應的對策建議。

1. 中國30個地區(qū)2000?2014年的碳排放量間存在著明顯的空間自相關(guān)性

全局空間自相關(guān)的Moran’s I值最大的是2001年，此后空間自相關(guān)的Moran’s I值總體上呈現(xiàn)下降趨勢。東部地區(qū)碳排放量“高-高”聚集的現(xiàn)象比較明顯，碳排放量高的地區(qū)其鄰近省份的碳排放量也較高。西部地區(qū)碳排放量“低-低”聚集的現(xiàn)象比較明顯。

在碳排放量的Moran’s I散點圖中，對于位于第一象限呈現(xiàn)“高-高”聚集現(xiàn)象的區(qū)域，這些地區(qū)自身的碳排放量較高，同時周圍地區(qū)對其存在空間溢出效應，因此在減排政策制定的時候應先從這些地區(qū)入手，將這些地區(qū)視為減排的重點區(qū)域；對于位于第二象限呈現(xiàn)“低-高”聚集現(xiàn)象的區(qū)域，這些地區(qū)中心區(qū)域碳排放量較低，鄰近地區(qū)碳排放量較高，在減排政策制定的時候應采取保守的減排態(tài)度，由于空間溢出效應的存在鄰近地區(qū)的碳排放可能會對中心地區(qū)造成負面的影響，因此這些地區(qū)在制定減排政策的時候應密切關(guān)注周圍地區(qū)的減排政策的制定和實施情況；對于位于第三象限呈現(xiàn)“低-低”聚集現(xiàn)象的區(qū)域，碳排放量較低的地區(qū)聚集在一起，可以視為減排的緩沖區(qū)，這些地區(qū)碳排放量相對較低，減排潛力弱，這些地區(qū)自身和鄰近地區(qū)碳排放量都比較低，高排放地區(qū)可以借鑒這些地區(qū)的減排經(jīng)驗，實現(xiàn)減排的目標；對于位于第四象限呈現(xiàn)“高-低”聚集現(xiàn)象的區(qū)域，可視為重點的減排區(qū)域，減排潛力大，應制定積極的減排政策，以結(jié)構(gòu)調(diào)整促進節(jié)能減排，對高能耗行業(yè)的新建和擴建進行適度的限制和置換，發(fā)展清潔能源和再生能源，同時大力推廣和發(fā)展節(jié)能環(huán)保行業(yè)。

2. 產(chǎn)業(yè)結(jié)構(gòu)是最重要的影響因素

第二產(chǎn)業(yè)比重的增加將大幅促進碳排放量的增加，其影響系數(shù)為1.096，可見產(chǎn)業(yè)結(jié)構(gòu)和碳排放量之間幾乎是同比例增長的。第二產(chǎn)業(yè)中以能源密集型產(chǎn)業(yè)為主，長期的粗放型增長帶來大量的能源浪費。因此第二產(chǎn)業(yè)比重的增加勢必帶來能源消費量的增加，從而產(chǎn)生更多的碳排放量。因此各地區(qū)應積極優(yōu)化產(chǎn)業(yè)結(jié)構(gòu)，大力扶持和發(fā)展第三產(chǎn)業(yè)，降低第二產(chǎn)業(yè)在整個經(jīng)濟產(chǎn)出中的比重，以達到降低污染，減少碳排放量的目的。

除產(chǎn)業(yè)結(jié)構(gòu)外人口規(guī)模對碳排放量的影響也是正的，我國是一個人口大國，人口基數(shù)大是我國的一個基本國情，近年來各地區(qū)的人口自然增長率均已得到控制，但人口自然增長率降低引發(fā)的新問題是人口老齡化現(xiàn)象嚴重，盡管人口老齡化對于碳排放量有一定程度的抑制作用，但依靠增加老年人口比重來減少碳排放量并不是理想的選擇。

3. 技術(shù)水平對碳排放量的影響是負的，技術(shù)水平的提高將帶來碳排放量的減少

技術(shù)水平對碳排放量的抑制作用主要是通過提高能源利用效率來實現(xiàn)，特別是通過新技術(shù)的應用和新設備的研發(fā)來提高能源的利用效率，達到減少能源使用和減少碳排放量的目的。另一方面新能源的開發(fā)和應用也將大幅度降低能源的消費量，開展能源節(jié)約、資源循環(huán)利用、發(fā)展綠色科技，從而達到降低碳排放量的目的。此外，技術(shù)進步也會帶來經(jīng)濟增長方式的轉(zhuǎn)變，促進產(chǎn)業(yè)結(jié)構(gòu)的優(yōu)化，從而間接地減少碳排放量。因此應加速技術(shù)進步的步伐，鼓勵新技術(shù)的應用和新產(chǎn)品的研發(fā)，積極引進先進的設備和技術(shù)是減少碳排放量積極有效的途徑。

4. 城市化率對碳排放量的影響不顯著

城市化率對碳排放量的影響具有雙向性。一方面，城市化率的提高使得城市基礎(chǔ)設施建設增加，使得建筑材料需求增加，居民日常生活和供暖等都需要更多的能源消費，從而增大碳排放量。另一方面，由于城市化率的提高，使得人口和經(jīng)濟要素的集聚，能源利用效率提高，以及城市化所帶來的知識和技術(shù)等溢出效應使碳排放量得以減少。人口結(jié)構(gòu)對碳排放量的影響盡管不是很顯著，但是人口老齡化現(xiàn)象嚴重是我國目前面臨的另外一個嚴峻的人口問題。因此各級地方政府在制定人口政策時應立足于本地區(qū)的實際情況，根據(jù)自身區(qū)域經(jīng)濟和人口發(fā)展的特點采取相應的人口政策、生育政策來促進本區(qū)域乃至全國人口結(jié)構(gòu)的優(yōu)化。

5. 能源消費結(jié)構(gòu)對碳排放量的影響也不顯著

煤炭消費占能源消費總量比重的增加會帶來碳排放量的增加。其原因在于煤炭的碳排放系數(shù)較大，因此煤炭消費所產(chǎn)生的碳排放量比其他能源消費所產(chǎn)生的碳排放量大。盡管我國各地區(qū)的能源消費結(jié)構(gòu)相差較為懸殊，但是大部分地區(qū)的能源消費以煤炭為主，水能、電能、風能等清潔能源所占的比重較低。北京、上海等經(jīng)濟發(fā)達地區(qū)的煤炭消費占能源消費比重在40%左右，而山西、內(nèi)蒙古、貴州、重慶等地區(qū)的煤炭消費占能源消費比重在80%以上。應鼓勵提高清潔能源在能源消費總量中的比重。此外還應該積極提高地熱和太陽能等清潔、可再生能源的開發(fā)力度，達到減少碳排放量，提高環(huán)境質(zhì)量的目的。

[1] Ehrlich P R, Holdren J P. Impact of population growth[J]. Science, 1971, 171(3977): 1212?1217.

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

[3] Mackellar L F, Lutz W, Prinz C, et al. Population, households and CO2emissions[J]. Population and Development Review, 1995, 21(4): 849?865.

[4] York R, Rosa E A, Dietz T. Footprints on the earth the environmental consequences of modernity[J]. American Sociological Review, 2003,68(2): 279?300.

[5] 肖宏偉, 易丹輝, 張亞雄. 中國區(qū)域碳排放空間計量研究[J].經(jīng)濟與管理, 2013, 27(12): 53?62.

[6] 宋德勇, 劉習平. 中國省際碳排放空間分配研究[J]. 中國人口·資源與環(huán)境, 2013, 23(5): 7?13.

[7] Wang C, Chen J, Zou J. Decomposition of energy-related CO2emission in China:1957?2000[J]. Energy, 2005, 30(1): 73?83.

[8] Wu L, Zeng W. Research on the contribution of structure adjustment on carbon dioxide emissions reduction based on LMDI method[J]. Procedia Computer Science, 2013, 17: 744?751.

[9] Ren S, Yin H, Chen X. Using LMDI to analyze the decoupling of carbon dioxide emissions by China's manufacturing industry[J]. Environmental Development, 2014, 9(1): 61?75.

[10] 范丹. 中國能源消費碳排放變化的驅(qū)動因素研究——基于 LMDI-PDA分解法[J]. 中國環(huán)境科學, 2013, 33(9): 1705?1713.

[11] 許海平. 空間依賴、碳排放與人均收入的空間計量研究[J]. 中國人口·資源與環(huán)境, 2012, 22(9): 149?157.

[12] Stern D I, Common M S. Is there an environmental Kuznets curve for sulfur?[J]. Journal of Environmental Economics and Management, 2001, 41(2): 162?178.

[13] Galeotti M, Lanza A. Desperately seeking environmental Kuznets[J]. Environmental Modelling & Software, 2005, 20(11): 1379?1388.

[14] Richmond A K, Kaufmann R K. Energy prices and turning points: The relationship between income and energy use/carbon emissions[J]. The Energy Journal, 2006, 27(4): 157?179.

[15] Song T, Zheng T, Tong L. An empirical test of the environmental Kuznets curve in China: A panel cointegration approach[J]. China Economic Review, 2008, 19(3): 381?392.

[16] 王建軍, 周曉唯. 人口、能源消耗、碳排放與經(jīng)濟增長關(guān)系實證分析[J]. 統(tǒng)計與決策, 2013(23): 114?117.

[17] 杜慧濱, 李娜, 王洋洋, 等. 我國區(qū)域碳排放績效差異及其影響因素分析——基于空間經(jīng)濟學視角[J]. 天津大學學報(社會科學版), 2013, 15(5): 412?416.

[18] 陳德湖, 張津. 中國碳排放的環(huán)境庫茲涅茨曲線分析——基于空間面板模型的實證研究[J]. 統(tǒng)計與信息論壇, 2012, 27(5): 48?53.

[19] York R, Rosa E A, Dietz T. Bridging environmental science with environmental policy: Plasticity of population, affluence, and technology[J]. Social Science Quarterly, 2002, 83(1): 18?34.

[20] Cole M A, Neumayer E. Examining the impact of demographic factors on air pollution[J]. Population and Environment, 2004, 26(1): 5?21.

[21] 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.

[22] York R, Rosa E A, Dietz T. Stirpat, ipat and impact: Analytic tools for unpacking the driving forces of environmental impacts[J]. Ecological Economics, 2003, 46(3): 351?365.

[23] 彭希哲, 朱勤. 我國人口態(tài)勢與消費模式對碳排放的影響分析[J]. 人口研究, 2010, 34(1): 48?58.

[24] Alvydas B, Tomas B, Dalia S. The energy intensity in Lithuania during 1995－2009: A LMDI approach[J]. Energy Policy, 2011, 39(11): 7322?7334.

[25] 黃芳, 江可申, 盧愿清, 等. 中國碳強度的影響因素分析——基于LIMDI 分解方法[J]. 數(shù)學的實踐與認識, 2012, 42(6): 40?42.

[26] 李丹丹, 劉銳, 陳動. 基于空間聚類分析的中國省域能源消費碳排放分布特征研究[J]. 北京師范大學學報(自然科學版), 2013, 49(5): 529?533.

[27] 程葉青, 王哲野, 張守志, 等. 中國能源消費碳排放強度及其影響因素的空間計量[J]. 地理學報, 2013, 68(10): 1418?1431.

[28] 呂健. 城市化驅(qū)動經(jīng)濟增長的空間計量分析: 2000?2009[J]. 上海經(jīng)濟研究, 2011(5): 3?15.

[編輯: 譚曉萍]

Analysis of factors affecting carbon emissions based on spatial econometrics

FU Yunpeng, MA Shucai

(School of Economics, Liaoning University, Shenyang 110036, China)

The present study, based on the estimate of the carbon emissions of 30 provinces in China from 2000 to 2014, tests the spatial autocorrelation of carbon emissions by exploiting Moran's I Index. On this basis, the extended STIRPAT Model is taken as the theoretical perspective and spatial regression model is employed in studying the effect of demographic structure, industry structure, energy structure, technological level and other factors on carbon emissions. The result shows that industry structure, demographic structure, and technological level are the main influential factors on carbon emissions, and that the effect of industry structure and demographic size is positive while that of technical level is negative.

demographic size; industry structure; technological level; spatial autocorrelation; spatial regression model

F061.5

A

1672-3104(2017)02?0103?08

2016?11?30；

2017?01?14

國家社科基金青年項目“基于空間計量分析的人口規(guī)模、結(jié)構(gòu)對資源環(huán)境的影響效應研究”(13CRK027)；中國博士后科學基金第60批面上項目“中國居民消費碳排放量及其影響因素的空間計量分析”(2016M601327)；遼寧省教育廳科學研究一般項目“遼寧資源環(huán)境承載力的時空特征研究”(W2015171)

付云鵬(1978?)，女，滿族，遼寧鐵嶺人，統(tǒng)計學博士后，遼寧大學經(jīng)濟學院副教授，主要研究方向：資源經(jīng)濟學，計量經(jīng)濟模型及其 應用