基于面板数据的我国碳排放区域差异研究

王亚政，赵 涛， 王雅楠， 崔操操

(天津大学 管理与经济学部,天津 300072)

基于面板数据的我国碳排放区域差异研究

王亚政，赵 涛， 王雅楠， 崔操操

(天津大学 管理与经济学部,天津 300072)

主要利用30个省市1997—2012年共16年间的面板数据，结合STIRPAT模型，考虑人口、人均GDP、能源强度、城镇化水平、工业结构和对外贸易程度等6种影响碳排放的因素，对我国东中西3个区域*东部地区包括11个省、直辖市、自治区，分别是辽宁、北京、天津、河北、山东、江苏、上海、浙江、福建、广东、海南；中部地区包括山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南等8省，西部地区包括重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆、内蒙古、广西等12个省份。由于西藏数据缺失，本文研究的西部地区主要包括11个省份，因此，本文的研究对象为我国的30个省份。的碳排放差异进行比较分析。研究结果表明：东部区域对外贸易程度的提高是降低碳排放的主要因素，而城镇化水平则是影响碳排放增加的主要驱动因素；工业结构是影响中部区域的碳排放的主要因素；经济发展水平对于西部区域的碳排放影响作用最大。不同区域应当根据区域特点，制定符合区域特色的节能减排对策，实施区域差异化减排策略。

碳排放; 区域差异; 面板数据; STIRPAT

进入21世纪以来，全球性气候变化的问题逐渐引起世界各国的广泛关注。而被广泛认同的导致气候变化的主要原因是温室气体和温室效应[1]。研究数据表明:2007年我国碳排放量依然超过美国，成为世界第一碳排放大国[2]。2009年12月，中国对世界承诺到2020年，单位GDP的二氧化碳排放比2005年降低40%～45%，并将其作为约束性指标纳入国民经济和社会发展中长期规划[3]。2015年11月，在巴黎召开的《联合国气候变化框架公约》会议中，我国宣布将在2030年达到碳排放峰值[4]。我国在减排方面将面临巨大压力。我国幅员辽阔，区域之间人口规模、技术水平、能源结构、经济发展水平等各不相同，要实现这一目标，需要各个区域根据各自特点采取相应的措施，区域间的差异直接影响着控制碳排放峰值的目标。因此，有必要对我国分区域进行碳排放差异的研究，分析不同区域之间碳排放现状和影响因素，从而能够根据区域特点制定相应的减排措施。

针对区域碳排放差异的研究，Duro和Padilla[5]应用泰尔指数方法分解分析国际间人均碳排放不平等的关系，结果显示：收入差距是导致国家间二氧化碳排放差异的主要原因。Clarke-Sather等[6]通过基尼系数方法对中国二氧化碳排放的区域差异进行了研究，认为区域内部不平等是碳排放不公平的主要原因。雷厉等[7]测度了1995—2008年我国29个省市的碳排量，利用LMDI模型分解研究了人均GDP、能源结构、能源强度等3个1级影响因素，将进一步把能源强度分解为产业能源强度和产业结构2个2级影响因素，并根据结果分析了我国东、中、西3个区域之间的碳排放差异。邹秀萍等[8]在对我国1995—2006年30个省市的碳排放核算的基础上，将我国划分为东北、华北等6大区域，并利用LMDI方法将影响因素分解为能源效率、经济增长和能源结构3种因素。曹洪刚等[9]将中国划分三大经济区域，运用泰尔指数法分解分析了以人口为权重和以经济增长为权重的中国区域碳排放量差异，通过对比分析人口因素和经济发展水平对区域碳排放差异的影响，提出具有针对性的节能减排对策。

综上所述，对于区域碳排放差异的研究已经取得一定的成果，但是已有成果对于影响碳排放的因素考虑相对单一，基本只在经济水平、能源强度、能源结构3个方面考虑，很少涉及其他方面，这就为研究区域碳排放差异带来一定的局限性。因而，本文将主要利用面板数据，将影响因素划分为人口、人均GDP、能源强度、城镇化水平、工业结构和对外贸易程度等六大因素，对我国东中西三个区域的碳排放影响因素进行比较分析，进一步深入探讨影响区域碳排放差异的主要驱动因素，为针对不同区域实行特定的节能减排政策提供参考依据。

1 区域面板数据统计分析

本文的模型采用STIRPAT模型，具体如下：

α4lnURBit+α5lnISit+α6lnFTDit+Eit

其中：i表示省份，i=1,2,…,30；t代表年份，本文研究时间是从1997到2012年，因此，t=1,2,…,16。下面分别按区域对数据进行描述性统计分析。从人口来看，各地区变化幅度不大，中部地区的人口数量最多，西部地区人口数量最少(图1)。从人均GDP来看，各地区呈逐年上升趋势，由于东部地区的经济发展水平较高，因此人均GDP远高于其他两个地区(图2)。从能源强度来看，各地区呈逐年下降趋势，东部地区的能源强度最低，表明东部地区单位GDP的能源消耗最少，说明能源的利用率较高，而中部地区和西部地区也逐年下降，说明能源利用的技术水平不断提高(图3)。从城镇化水平来看，3个地区的城镇化率不断提高，这是由于我国近几年来不断加强城镇化建设，其中东部地区的城镇化发展比较快、水平最高，越来越多的人口聚集在东部地区，城镇化的建设也就不断加快(图4)。从工业结构来看，第二产业与第三产业的比重在东部地区逐年下降，而在中部和西部地区逐年上升，这是由于东部地区的产业结构调整引起的，政府加快产业升级，转变经济的增长方式，主要以第三产业代替第二产业，因此，东部的许多工业转移到中部和西部地区(图5)。从对外贸易程度来看，东部地区的对外贸易程度远高于中部和西部地区，这是因为东部沿海地区是我国外贸开放的首要区域，并且经济发展环境好，加之我国鼓励外商投资，因此对外贸易程度较高(图6)。

图1 我国分区域人口数量Fig.1 Regional population distribution of China

图3 我国分区域能源强度Fig.3 Regional energy intensity of China

图4 我国分区域城镇化水平Fig.4 Regional urbanization level of China

图5 我国分区域工业结构Fig.5 Regional industry structure of China

2 面板数据模型

2.1 面板数据的计量模型

面板数据可以表示为yit(i=1,2,…,N;t=1,2,…,T)，其中：i表示个体维度；t表示时间维度；N和T分别表示变量的个体数和时间长度。当时间t恒定时，此时的数据为横截面数据；当个体i恒定时，此时的数据为时间序列数据。一般表达式为：

(1)

其中：yit为被解释变量；αit表示截距项；Xit为k×1阶变量向量；βit为k×1阶参数向量(包含k个参数)；μit为随机扰动项。

图6 我国分区域对外贸易程度Fig.6 Regional foreign trade degree of China

本文选取人口(P)、人均GDP(A)、能源强度(EI)、城镇化水平(URB)、工业结构(IS)和对外贸易程度(FTD)6个变量，利用我国30个省市1997—2012年16年的数据来构建面板数据模型。

(2)

其中：i=1,2,…,30;t=1,2,…,16。

2.2 面板数据计量模型的分类

通常将面板数据模型分为3种：固定效应模型、随机效应模型和混合估计模型。

1) 固定效应模型

在截距项不同、斜率系数相同的情况下，称之为变截距模型：

(3)

其中：m=1,2,…,k表示第m个解释变量；k表示解释变量的最大个数；Xmit表示t时间内，i个体第m个解释变量。

在固定效应模型中，βm只与第m个解释变量有关，与个体i无关；而αi是随着个体不同而发生改变的，因此此模型被称为固定效应变截距模型。

2) 随机效应模型

随机效应模型假设模型中存在着随机因素的影响，且不随时间变化，并与随机误差项不相关，因此随机效应模型的表达式为

(4)

其中υi表示随机效应，是无法进行观测的。

随机效应变截距模型的表达式也可以写成：

(5)

其中δit=υi+μit，被称作复合扰动项。

对于随机效应模型，一般适用广义最小二乘法(GLS)进行估计。

3) 混合估计模型

对于任何个体和截面，模型中的斜率系数和截距项均相同，此时的解释变量与误差项不相关，也称之为固定系数模型。

2.3 面板数据计量模型的检验

1) 单位根检验

常用的单位根检验方法有LLC检验(Levin-Lin-Chu)、IPS检验(Im-Pesaran-Shin)、Fisher-ADF和Fisher-PP。本文检验结果如表1～3所示。结果表明：各个变量在水平上不完全平稳，但是经过一阶差分后，存在单位根的原假设均被显著拒绝，即不存在单位根，所以变量同阶平稳。

2) Hausman检验

Hausman检验能帮助决定是选用固定效应模型还是随机效应模型，是选用变截距模型还是选择变系数模型。Hausman统计量的计算公式：

(6)

3) 面板多重共线性检验

利用方差膨胀因子(VIF)分别对3个地区的各个变量进行多重共线性检验，结果如表4所示。

由表4可见：利用方差因子对3个地区各变量进行多重共线性检验，得到的VIF值均小于10，说明变量间不存在明显的多重共线性，通过了多重共线性检验。

表1 东部地区面板的单位根检验Table 1 Unit root test of eastern region panel data

表2 中部地区面板的单位根检验Table 2 Unit root test of central region panel data

表3 西部地区面板的单位根检验Table 3 Unit root test of central region panel data

表4 3个区域的VIF值Table 4 VIF values of 3 regions

3 区域面板数据碳排放影响因素分析

在对模型进行回归之前，本文首先进行了Hausman检验，通过检验发现拒绝原假设，因此选取固定效应模型(FE)。其次，采用Modified Wald Test进行异方差检验(Heteroskedasticity Test)，采用Wooldridge Test进行自相关检验(Autocorrelation Test)，采用Pesaran’s CD Test进行横截面相关性检验(Cross-sectional Independence)。同时，还对模型进行了FGLS和PCSE估计。当时间跨度T大于截面数N时，标准误差会低估真实的可变性，因此采用FGLS估计；而当截面数N大于时间度T时适用PCSE估计；如果同时存在横截面相关性和自相关，可以采用DK估计。根据检验结果的不同，选取更加适合的估计方法。结果表明：中部和西部地区均存在横截面相关性、异质性和自相关，东部地区不存在横截面相关性，而中部和西部地区存在截面相关。因此，本文共采用了4个估计方法，产生了12个模型，在东部地区主要关注模型2，中部地区重点关注模型8，西部地区重点关注模型12。

3.1 东部地区碳排放影响因素分析

从表5可以看出：各个变量在东部地区均显著，表明他们对碳排放均有影响，其中城镇化水平在东部地区对碳排放的影响最大。原因有两个方面：一方面，由于国家的城镇化政策导致。政府在近几年鼓励城镇化建设，截止2014年，北京、上海等地城镇化率已经超过80%，快速的城镇化建设势必导致资源的枯竭与生态环境的恶化。尤其是我国的城镇化建设仍然是粗放的，缺乏长远规划，对资源环境的压力在未来会逐渐增加。数据表明，在1991到2010年间，中国市镇常住人口增长1.15倍，城市建成区面积则扩大了1.86倍，城镇用地的盲目疯狂扩张直接导致了土地资源的严重浪费[10]。同时，在建设过程中增加了公共和私人交通的需求，也耗费了大量的能源，产生更多的二氧化碳排放。另一方面，由于我国大量的务工人员往东部发达省市迁移，导致流动人口增加，加大了城市的承载负荷，增加了公共和私人的消费需求，进而导致碳排放增加。从第1个原因来看，各个国家都会在城镇化建设过程中遇到这样的问题，因此可以借鉴发达国家的经验，主要从合理规划城镇建设、建设低碳城市等方面入手来提出政策建议。而第2个原因是基于我国特有的国情。现如今，在中西部的农村，大量农民从土地中解放出来去东部地区打工，这样一来就导致了东部城市的负荷加重，交通、能源、公共物品的需要增加，进而导致碳排放增加，因此，要想彻底解决流动人口带来的资源环境问题是比较复杂的。从建设低碳城市角度出发，政府一方面要加大技术投入，另一面也要发挥大都市圈的集聚效应和规模效应。

从表5中可以看出：东部地区各个变量对碳排放的影响系数均显著，除了对外贸易水平，其他变量均与碳排放呈正相关。而对外贸易水平与碳排放呈负相关，当对外贸易水平提高1%时，碳排放将会降低约0.12%，表明外贸水平不断增加，可以降低我国东部地区的二氧化碳排放，这是由于外商投资的技术溢出效应产生的结果。这也是我国一直以来引进外资的目标。通过引进国外的先进技术来提高能源使用效率，进而降低碳排放。

表5 东部地区面板数据估计结果Table 5 Panel data estimation results of the eastern region

*p<0.05, **p<0.01, ***p<0.001。

3.2 中部地区碳排放影响因素分析

从表6可以看出：各个变量的回归系数均显著，除了城镇化水平与碳排放呈负相关外(这与实际情况相违背，可能是统计数据的结果造成)，其他变量均呈正相关关系。其中，工业结构对中部地区的影响最大。由于中部地区多年来经济发展落后，产业仍然以第二产业为主，在2006年实施中部崛起战略后，虽然经济发展较快，导致能源消耗增加，碳排放也随之增多。尤其是主要以煤炭为主的山西，第二产业占全省GDP总额近60%，碳排放量逐年增多。到2012年，山西的二氧化碳排放量达到1.8亿吨，远高于中部的其他省份。因此，调整产业结构是实现碳减排的必经之路，必须改变以煤炭为主的能源结构。同时，在一定地域范围内形成产业集聚，优化配置资源，建立良性发展的生态经济圈。

表6 中部地区面板数据估计结果Table 6 Panel data estimation results of the central region

*p<0.05, **p<0.01, ***p<0.001。

3.3 西部地区碳排放影响因素分析

从表7可以看出：城镇化水平和对外贸易水平不显著，其他变量均与碳排放呈现正相关关系，其中，影响西部地区碳排放的主要因素为人均GDP，也就是经济发展水平。从1999年开始，党中央启动了西部大开发战略，此后，西部的经济发展水平逐年提升，但随着经济不断的发展，环境问题也日益突出，尤其是碳排放不断增多。

在实施西部大开发战略初始，主要考虑到的是西部地区的经济原因。西部12省拥有685万km2的面积，占到全国总面积的71.4%，各项资源丰富，市场潜力很大，战略位置也非常重要。然而由于地理位置不佳等自然因素，与国家重点发展东部沿海地区等政治社会因素，西部地区经济发展相对落后，人均国内生产总值仅相当于东部地区平均水平的40%，迫切需要加快改革开放和现代化建设步伐，提高经济发展水平。2000年到2014年，西部地区GDP增长迅速，均保持在10.0%左右，与前几年相比有了较大提升。同时，特色产业发展开始起步，财政收入逐年增长，经济效益逐步提高，人民生活不断改善，基础设施建设取得较大进展。十多年间，陆续新开工60多个重大建设工程，投资总规模约8 500亿元以上。基于西部大开发的大背景，本文认为造成大量碳排放的原因主要从以下几个角度分析：

第一，在能源领域，我国以西电东送、西气东输等重点工程为龙头，加快了西部地区的能源建设。如今，西部地区已经形成了一批大型水电基地、火电基地以及煤炭和石油天然气基地。因此，快速的能源建设不仅消耗了大量能源，同时增加了碳排放，尤其是工业碳排放。

第二，东部地区经济发展较快，随着经济发展，人们对环境的要求也越来越高，环境政策的制定也较为苛刻，因此，大量的高能耗、高污染、高排放的工业企业由东部转移到了西部，这样一来，这些企业一方面带动了工业发展，创造了更多的就业机会，增加了工业产值，但是也带来了一系列的环境问题，消耗了大量能源，产生了大量的碳排放。

第三，西部大开发后，尽管工业得到了巨大发展，经济得到了快速增长，但是这种发展和增长是粗放的，技术水平落后是导致能耗和碳排放不断增加的不可忽视的原因。

表7 西部地区面板数据估计结果Table 7 Panel data estimation results of the western region

*p<0.05, ** p<0.01, *** p<0.001。

4 结论及建议

在对我国30个省份1997—2012年共16年的面板数据统计的基础上，本文利用STIRPAT模型分别对我国东部、中部和西部的碳排放影响因素进行定量分析。首先从面板数据的统计结果上对三大经济区的现状进行描述，其次，介绍了面板数据的计量模型和相对应的检验方法。本文对数据通过4种方法进行单位根检验，进而进行Hausman检验，同时对变量的多重共线性也进行检验。最后，根据检验结果选取了4种面板估计的方法，针对不同的检验结果选取合适的估计方法。从东部地区来看，各个变量在东部地区均显著，表明其对碳排放均有影响，其中，城镇化水平在东部地区对碳排放的影响最大，而对外贸易水平与碳排放呈负相关。从中部地区来看，各变量的回归系数均显著，除了城镇化水平与碳排放呈负相关，其他变量均呈正相关关系，其中工业结构对中部地区的影响最大。从西部地区来看，城镇化水平和对外贸易水平不显著，其他变量均与碳排放呈现正相关关系，其中影响西部地区碳排放的主要因素是经济发展水平。

根据所得结论，要实现2020年的减排以及2030年的排放峰值的目标，必须以各个区域的特点为立足点，实行区域差异化的战略措施，分区域逐步推进低碳经济的发展模式。国家和区域的发展策略应当从以下几个方面考虑：

1) 政府应该从宏观的角度控制经济增长的步伐，以速换质，以降低经济增长的目标，换取环境效益的优质高速发展。重在过程中治理与监管，防止走污染之后再治理的老路子，不断积累实战经验，加快推进各个区域调整产业结构，优化工业结构，调整产业布局，促进产业循环绿色低碳可持续发展。事实上，政府已经逐年调整GDP的增长幅度，从宏观上把脉我国经济发展模式。

2) 针对东部地区，应当在确保经济增长的情况下，调整发展模式，重点把控新型城镇的配套设施建设，探索构建新型绿色低碳循环的城镇发展模式，加快改进升级传统城镇化的发展模式。同时，依靠独特的优势，加大对外贸易的水平，吸引外界先进技术。其次，控制人口规模，创新科技发展，不断优化工业产业结构，降低能源强度。

3) 针对中部地区，重点调整工业结构，利用科技创新驱动传统高耗能高排放高污染的工业体系向着低能耗低排放转变，发挥东部区域的技术优势，带动中部区域迈上更高的台阶。此外，还应注重中部地区的城镇化发展和人口效益。

4) 针对西部地区，应当依靠西部地区地广人稀的独特优势，科学合理地进行功能定位和合理规划利用自然资源，杜绝高能耗高污染的工业产业二次污染西部区域。配合东部和中部地区，协调承担减排的责任。

[1]IPCC.ClimateChange2007:theFourthAssessmentReportoftheIntergovermentalPanelonClimateChange[M].England:CambridgeUniversityPress，2007.

[2]IEA.CO2emissionsfromfueleombustion2008edition[R].InternationalEnergyAgency(IEA),HeadofCommunicationandInformationOffice,2009．

[3]GENGY.Eco-indicators:improveChina’ssustainabilitytargets[J].Nature,2011，477：162.

[4] 《联合国气候变化框架公约》会议[Z].2015.

“UnitedNationsFrameworkConventiononclimatechange”Meeting[Z].2015.

[5]CLARKE-SATHERA.CarbonInequalityattheSub-NationalScale:ACaseStudyofProvincial-levelInequalityinCO2EmissionsinChina1997—2007[J].EnergyPolicy,2011,39(9):5420-5428.

[6]DUROJA,PADILLAE.InternationalInequalitiesinperCapitaCO2Emissions:ADecompositionMethodologybyKayaFactors[J].EnergyEconomics,2006(28):170-187.

[7] 雷厉,仲云云,袁晓玲.中国区域碳排放的因素分解模型及实证分析[J].当代经济科学,2011,33(9):59-65.

LEIli，ZHONGYunyun，YUANXiaoling.DecompositionModelandEmpiricalStudyofRegionalCarbonEmissionsforChina[J].ModernEconomicScience,2011,33(9):59-65.

[8] 邹秀萍,宋敦江.中国碳排放的区域差异及驱动因素分解分析[J].生态经济,2013(1):52-55.

ZOUXiuping,SONGDunjiang.AnalysisontheRegionalGapsoftheCarbonEmissionsandItsImpactFactorsinChina[J].EcologicalEconomy，2013(1)：52-55.

[9] 曹洪刚,佟昕,陈凯,等.中国碳排放的区域差异实证研究[J].工业技术经济，2015(11):84-96.

CAOHonggang，TONGXin，CHENKai，etal.AnEmpiricalStudyofRegionalDisparityofChina’sCarbonEmission[J].JournalofIndustrialTechnologicalEconomics,2015(11):84-96.

[10]王桂新.城市化基本理论与中国城市化的问题及对策[J].人口研究.2013,37(6):43-51.

WANGGuixin.TheBasicTheoryofUrbanizationandProblemsandCountermeasuresofChina’sUrbanization[J].PopulationResearch,2013,37(6):43-51.

(责任编辑 刘 舸)

Study on Regional Differences of Carbon Emission in China Based on Panel Data

WANG Ya-zheng, ZHAO Tao, WANG Ya-nan, CUI Cao-cao

(College of Management and Economics，Tianjin University，Tianjin 300072，China)

This paper uses the panel data of 30 provinces about 16 years during 1997-2012, combined with the STIRPAT model, to compare and analyze the regional difference factors of carbon emissions of Eastern, Central and Western China, including population, per capita GDP, energy intensity, urbanization level, industrial structure and foreign trade degree. The results show that the increase of foreign trade degree is the key reason to reduce the carbon emissions of Eastern China, while urbanization level is the main driving factor that affects the increase of carbon emissions; industrial structure is the main factor affecting the carbon emission in the central region; and economic development level has the greatest impact on the carbon emission in the western region. According to regional characteristics, different regions should implement the strategy of regional difference reduction, and take the road of energy saving and emission reduction with Chinese characteristics.

carbon emission; regional difference; panel data; STIRPAT

2016-09-28

国家自然科学基金资助项目(71373172)；教育部人文社科规划基金资助项目(15YJA790091)；教育部哲学社会科学研究重大课题攻关项目(15JZD21)

王亚政(1990—)，男，硕士研究生，主要从事碳排放研究，E-mail:yzwang_tju@163.com。

王亚政，赵涛， 王雅楠，等.基于面板数据的我国碳排放区域差异研究[J].重庆理工大学学报(自然科学)，2017(1):58-66.

format：WANG Ya-zheng, ZHAO Tao, WANG Ya-nan, et al.Study on Regional Differences of Carbon Emission in China Based on Panel Data[J].Journal of Chongqing University of Technology(Natural Science)，2017(1):58-66.

10.3969/j.issn.1674-8425(z).2017.01.010

X5;O21

A

1674-8425(2017)01-0058-09