基于空间计量经济学的碳排放与经济增长相关性分析
发布时间：2014-07-29 14:09
摘要：本文采用空间计量经济学的方法对我国各省份的经济增长与碳排放之间的关系进行了实证分析，结果表明：我国各省份的碳排放在空间分布上表现出一定的空间正自相关性，碳 排放量最高的省份多处于经济发达的沿海地区，如以北京为中心的环渤海地区，以上海为中心的长三角地区和以广东为核心的珠三角地区，而次之的是经济较为发达的地区，如中部的山西、湖北、湖南、江西、安徽和西南地区；我国各省份的碳排放在空间分布上存在一定的空间集群效应，如环渤海地区就表现出高碳排放的空间集群效应，而西部地区的西藏、新疆、甘肃、青海却表现出低碳排放的空间集群效应。经济增长与碳排放呈现出正相关关系，高碳排放的地区多处于经济发达的沿海地区，而低碳排放的地区多处于经济落后的内陆地区；我国目前的经济增长对碳排放的依赖性较强，经济增长对碳排放的弹性系数约为08左右，说明在未来的短时间内很难实行低碳经济的发展模式。
关键词： 碳排放；经济增长；空间计量经济学
最近，关于我国碳排放与经济增长的关系引起了学者们的高度关注。徐玉高、郭元［1］等采用时间序列和截面数据的计量分析方法，对我国经济增长与碳排放的关系进行了实证研究，认为人均碳排放与人均GDP之间不存在库兹涅茨曲线，人口增长和人均GDP的增加是人均碳排放增加的主要来源，而GDP能源消费强度的下降则是碳排放减少的重要来源。张雷［2］的研究认为经济结构多元化的发展导致我国能源消费需求增长的减缓，能源消费结构的多元化发展则是我国碳排放水平下降的重要因素，经济和能源消费两者结构多元化的演进是促使我国经济发展从高碳燃料为主向低碳为主方式转变的重要途径。王中英、王礼茂［3］对我国GDP增长与碳排放量之间的关系进行了相关分析，表明二者存在明显的相关性，认为我国过分依赖投资的增长方式和以第二产业为主的经济结构在很大程度上是导致温室气体排放量增加的主要原因。杜婷婷、毛锋［4］等以库兹涅茨环境曲线（EKC）及其衍生曲线为依据，对我国碳排放量与人均收入增长的时间序列数据进行了统计拟合，得出我国碳排放量与人均GDP之间呈现出“N型”曲线。随后，胡处枝、黄贤金［5］等、王琛［6］等人的研究也证实了该观点。高卫东、姜巍［7］等的研究表明随着产业结构的演进和生产技术进步的加快，我国能源碳排放的增速有了明显的减缓，从区域分布来看，东部地区碳排放经历了先下降后上升的过程，而西部地区碳排放则是保持上升的趋势。也有学者从其他角度对我国的碳排放问题进行了研究。徐国泉、刘则渊、姜照华［8］等基于碳排放恒等式，采用对数平均权重DivEisia分解法，建立了我国人均碳排放量的因素分解模型，对我国1995-2004年间，影响人均碳排放的各种因素进行了分析，认为经济发展对人均碳排放的贡献率呈指数增长的态势，能源利用效率和能源结构对人均碳排放的贡献率呈“倒U型”关系。张雷［9］认为产业结构的演进不仅决定着地区经济发展的基本状态，而且同样决定着国家一次能源消费空间的基本格局；地区产业结构多元化程度越是走向成熟，其一次能源消费的增速也就越是减缓；缓慢的一次能源消费结构变化是难以实现地区碳排放增长有效控制的关键。
与以上学者的研究相比，本文从空间经济学的角度，采用空间计量经济学的方法对我国各省份（自治区、直辖市）的碳排放与经济增长之间的关系进行了实证研究。
1 样本数据与指标选取
1.1 样本数据
本文采用的空间样本数据是除了我国台湾省和香港、澳门特别行政区外的大陆31个省、自治区和直辖市。样本区间为2005-2008年，数据主要来源于《新中国六十年统计资料汇编》，部分数据来源于各省份统计年鉴及统计公报、《中国能源统计年鉴》。
1.2 指标选取
1.2.1 国内生产总值
本文采用国内生产总值（GDP）来衡量各省份的经济发展水平，以1978年为基期，单位为亿元。
1.2.2 碳排放量
由于目前我国没有碳排放量的直接监测数据，而且关于碳排放量的计算学术界也没有一个统一的标准，因而大部分的研究都是基于对能源消费的测算得来。本文采用了两种方法来计算各省份的碳排放量，分别是Kaya碳排放恒等式法和碳的化学燃烧公式法。
Kaya碳排放恒等式［10-11］是由日本学者Yoichi Kaya于1989年在联合国政府间气候变化专门委员会（IPCC）研讨会上提出的，该等式通过一种简单的数学公式将经济、人口和政策等因素与人类活动产生的二氧化碳建立起了一种数学联系，基本公式是：
C=∑ni=1[DD)]Ci=∑ni=1[DD)]EiE×CiEi×EY×YP×P i=1,2,K n（1）
其中，C表示总的碳排放量；i表示所消费能源的种类；Ci为第i种能源的碳排放量；E表示一次能源的消费量；Ei为对第i种能源的消费量；Y表示国内生产总值（GDP）；P为人口数量。
由（1）可分析出几个影响碳排放的因素，并给出如下的定义：能源结构因素Si=EiE表示对第i种能源的消费在一次能源消费中所占的比重；各类能源的排放强度Fi=CiEi表示消费单位第i种能源的碳排放量；能源效率因素I=EY表示单位GDP的能源消耗量（可以理解为GDP的能源消耗系数）；经济发展因素R=YP表示人均GDP。因此，式（1）可简化为C=∑ni=1[DD)]Ci=∑ni=1[DD)]Si×Fi×I×R×P(i=1,2，K n)，这样一个地区的碳排放量就和该地区的能源结构因素、各类能源的排放强度、能源利用效率、经济发展因素以及人类的活动联系到了一起。
碳排放计算的第二种方法使用了碳的化学燃烧公式：C+O2=CO2，在该过程中，碳的燃烧值约为34 070 kj/kg，而每吨标准煤释放的热量为7 000千卡，即约为29 302 kj，于是就可以粗略地计算出每吨标准煤完全燃烧释放出的二氧化碳。
但是考虑到第二种方法中标准煤的碳含量、含有硫、氮等元素、不完全燃烧等因素，最后本文采用两种方法所计算出的每吨标准煤的碳排放系数介于2.277和2.72之间，取两者的算术平均数作为每吨标准煤的碳排放系数，为2.499。本文用各省份的能源消费总量（单位为万吨标准煤）乘以每吨标准煤的碳排放系数得到碳排放量，单位为万吨，用carbon表示。
1.2.3 劳动力投入量
本文中劳动力投入量选取的是各省份的就业人员数，单位为万人，用labor表示。
2 实证方法与模型设定
2.1 空间效应检验
空间效应［12］（Spatial Effects）是指各地区间的经济地理行为之间一般都存在的一定程度的空间相互作用，分为空间依赖性（Spatial Dependence，也叫空间自相关性（Spatial Autocorrelation））和空间异质性。空间依赖性意味着空间上的观测值之间缺乏独立性，也意味着空间相关的强度及模式由空间的绝对位置（格局）和相对位置（距离）共同来决定。空间异质性是指地理空间上的区域缺乏均质性，也即存在中心和外围地区、核心和边缘地区、发达和落后地区等经济地理结构，从而导致经济社会发展存在较大的空间差异性。本文主要采用全域空间相关性检验和局域空间相关性检验来检验我国各地区碳排放的空间效应。
2.1.1 全域空间相关性检验
全域空间相关性又称全域空间自相关（Global Spatial Autocorrelation），是指从区域空间的整体上刻画区域碳排放空间分布的集群情况。这里主要采用Morans I指数法来对我国碳排放的全域空间相关性进行检验。全域Morans I指数定义是：
Morans I=∑ni=1∑nj=1Wij(Yi-Y)(Yj-Y)
S2∑ni=1∑nj=1Wij(2)
其中，S2=1n∑ni=1(Yi-Y)，Y=1n∑ni=1Yi，Yi表示第i地区的观测值（如本文中的碳排放），n为地区总数（在本文中为31个省份），Wij为二进制的临近空间权值矩阵，用以定义空间对象的相互临近关系。
全域Morans I的取值范围介于-1-1之间，若其数值大于0，说明空间存在正自相关，数值越大说明空间分布的正自相关性越强；若其数值小于0，说明空间相邻的单元之间不具有相似的属性，数值越小则说明各空间单元的差异性越大；若其数值为0，则说明该空间服从随机分布。
通过绘制空间相关关系系数的Morans I散点图，可以将碳排放分为四个象限，分别用以识别各个省份与其他临近省份之间的相互关系：右上方为第一象限，表示高碳排放的省份被高碳排放的其他省份所包围（H-H，高-高）；左上方为第二象限，表示低碳排放的省份被高碳排放的其他省份所包围（L-H，低-高）；左下方为第三象限，表示低碳排放的省份被低碳排放的其他省份所包围（L-L，低-低）：右下方为第四象限，表示高碳排放的省份被低碳排放的其他省份所包围（H-L，高-低）。第一、三象限为正的空间自相关关系，表示相似碳排放省份之间的空间关联；而第二、四象限为负的空间自相关关系，表示不同碳排放省份之间的空间关联，如果各省份碳排放均匀地分布于四个象限之内，则说明各省份之间不存在空间相关关系。
2.1.2 局域空间相关性检验
局域空间相关性又称为空间关联局域指标（Local Indicators of Spatial Association,LISA）,它是探索性空间数据分析的重要组成部分。Anselin［13］认为LISA分析应该满足两个条件：每个空间单元的LISA描述了在一定显著性条件下，围绕该空间单元的其他相似空间单元之间所具有的空间集群程度；所有空间单元的LISA之和与对应的全域空间相关性指标成比例。对于局域空间相关性的分析主要包括局域Morans I指数和局域Geary指数，本文采用的是局域Morans I指数，定义为：
Morans Ii=Zi∑nj=1WijZj (i≠j)（3）
其中，Zi=xi-x、Zj=xj-x分别表示观测值与均值的离差，xi表示空间单元i的观测值，Wij表示空间权值矩阵，因此Morans I就可以表示为空间单元i的观测值的离差Zi与其相临近的空间单元j的观测值离差的加权平均值的乘积。
局域Morans I指数还可以定义为：
Morans Ii=(zim)∑[DD(X]jwijzj(i≠j)（4）
其中m表示空间观测单元的数量，若Morans Ii值为正，则说明该空间单元周围存在相似的空间集群；若Morans Ii值为负，则说明该空间单元周围存在非相似的空间集群。
Z(Morans Ii)=Morans Ii-E(Morans Ii)[KF(]VAR(Morans Ii)[KF)]（5）
其中，E(Morans Ii)表示局域Morans Ii值的期望值，VAR(Morans Ii)表示局域Morans Ii值的方差。利用公式（5）就可以对局域空间相关性进行显著性检验。
2.2 空间模型
2.2.1 空间滞后模型
空间滞后模型主要是探讨各变量在一地区是否具有扩散效应（或溢出效应）。模型为：
Y=ρWy+Xβ+ε（6）
其中，Y为被解释变量；X为n×k的外生解释变量矩阵；ρ为空间回归系数，它反映了空间单元之间的相互关系，也就是说相邻空间单元对本空间单元的影响程度（该影响程度为矢量，具有一定的方向性）；W为n×n的空间权值矩阵，Wy为空间权值矩阵W的空间滞后因变量；ε为随机误差向量。参数β主要反映了自变量X对因变量Y的影响，空间滞后因变量Wy是一内生变量，反映了空间距离对各空间单元之间的作用。
2.2.2 空间误差模型
该模型为：
Y=Xβ+ε（7）
ε=λWε+u（8）
其中，Y为因变量；X为n×k的外生解释变量矩阵；W为n×n的空间权值矩阵；ε为随机误差向量；u为正态分布的随机误差向量；参数β为自变量X对因变量Y的影响系数，λ为因变量向量的空间误差系数。
2.3 计量模型的设定
lngdp=C+α1lncarbon+α2lnlabor+ε（9）
其中，lngdp、lncarbon和lnlabor分别表示各省份的GDP、碳排放和劳动力的自然对数；C表示常数项；α1和α2分布为相关的回归系数；ε为随机误差项。
3 我国碳排放的空间格局及其集群现象
为了对我国各省份碳排放的空间格局和集群现象有一个更好的描述，本节以31个省份为空间单元，以2005—2008年各省份的碳排放及其平均数作为衡量指标，首先从宏观的角度分析了碳排放分布的空间格局；其次，采用全域空间相关性指数Morans I及局域Morans I散点图对各省份的碳排放在空间上是否存在自相关及集群现象进行了检验；再次，用局域空间相关性分析方法（LISA分析）对各省份碳排放的空间格局和集群现象进行了更加深入的分析，以揭示相邻省份碳排放之间的空间关系；最后，用空间加权回归的方法对碳排放、劳动力与经济增长之间的关系进行了实证分析。
3.1 碳排放的空间分布描述
从宏观的角度对各省份碳排放的空间分布进行描述性分析，可以清楚地看出各省份的碳排放在三个不同时段的空间分布呈现出一种明显的空间格局，就是碳排放量较高的省份大多处于沿海地区，尤其是以北京为核心的环渤海地区、以上海为中心的长三角地区和以广东为核心的珠三角地区。这表明，我们各省份的碳排放存在一定的空间集群现象，主要的高碳排放集群有内蒙古、河北、辽宁、山东、河南集群，上海、江苏、浙江集群，广东珠三角集群；还有可能会出现一些中等程度的集群，如湖北、湖南、安徽集群，东北的黑龙江，西南的四川、贵州等地区；
主要的低碳排放集群有西藏、青海、甘肃、宁夏集群，西南的重庆，江西和海南。
3.2 碳排放的空间自相关及集群现象检验
采用全域空间相关性指数Morans I及局域Morans I散点图对各省份的碳排放在空间上是否存在自相关及集群现象进行了检验。
由表1可以看出，在5%的显著性水平下，2005-2008年间各省份的碳排放及其平均值表现出较强的自相关性，这说明在2005-2008年的样本期间内，各省份的碳排放呈现出一种集群的趋势，即碳排放相对较高的省份倾向于与其他具有较高碳排放的省份相邻近，而碳排放较低的省份倾向于与其他具有较低碳排放的省份相邻近。
图1-图4是Morans I散点分布图，可以看出，我国各省份碳排放表现出共同的空间分布特征，即各省份的碳排放在空间上呈现出正的自相关性。
2005年有7个省份位于第一象限，分别为：内蒙古、河北、山西、辽宁、山东、江苏和浙江，表现出高-高（H-H）的正自相关关系集群；黑龙江、吉林、北京、天津、陕西、安徽和海南等7个省份位于第二象限，表现出低-高（L-H）的负自相关关系集群；新疆、青海、西藏、甘肃、宁夏、重庆、贵州、云南、江西和福建等10个省份位于第三象限，表现出低-低（L-L）的空间自相关关系；河南、湖北、湖南、广东和四川等5个省份位于第四象限，表现出高-低（H-L）的空间自相关关系。上海同时横跨了第一、二象限，广西同时横跨了第二、三象限。
2008年内蒙古、河北、吉林、山西、山东、江苏、浙江等7个省份位于第一象限，表现出高-高（H-H）正的空间自相关关系；黑龙江、吉林、北京、天津、陕西、安徽、上海、
海南等8省份位于第二象限，表现出低-高（L-H）负的空间自相关关系；新疆、青海、西藏、甘肃、宁夏、重庆、贵州、云南、江西、福建等10个省份位于第三象限，表现出低-低（L-L）的空间自相关关系；河南、湖北、湖南、广东、四川等5省份位于第四象限，表现出低-低（L-L）的空间自相关关系。广西同时横跨第二、三象限。
比较期初的2005年和期末的2008年的Morans I散点图，可以发现：2005年和2008年都有17个省份表现出正向的空间相关关系，其中有7个省份位于第一象限，10个省份位于第三象限；2005年有12个省份表现出不相似的空间分布，其中有7个省份位于第二象限，5个省份位于第四象限；2008年有13个省份表现出不相似的空间分布，其中8个省份位于第二象限，5个省份位于第四象限。
3.3 碳排放的局域空间相关性
采用局域空间相关性分析方法（LISA分析）对各省份碳排放的空间格局和集群现象进行更深入的分析，以弥补全域空间相关性分析方法的不足。结果显示，2005年和2008年河北、河南2个省份均通过了5%的显著性水平，山东、安徽、海南、四川、新疆等5个省份通过了1%的显著性水平；而2005-2008年中，有河北、河南和安徽三个省份通过了5%的显著性水平，山东、四川、海南和西藏四个省份通过了1%的显著性水平检验。
以北京为中心的环渤海地区倾向于分布于第一象限，呈现出高碳排放的空间分布态势，与其他省份呈现出空间正相关关系；安徽和海南分布于第二象限，呈现出低碳排放的省份被其他高碳排放的省份所包围；西藏始终分布于第三象限，是低碳排放的地区，与其他省份呈现出空间负相关关系；西南的四川始终位于第四象限，属于高碳排放的省份被其他低碳排放的省份所包围。
4 实证分析
4.1 空间加权的最小二乘估计
本文采取空间加权的方法对样本期间内的我国各省份经济增长与碳排放、劳动力之间的关系进行最小二乘估计，结果如表2所示。
样本期间内碳排放对经济增长的影响系数都通过了1%的显著性水平检验，这说明碳排放对经济增长的影响是显著的。经济增长对碳排放的弹性系数介于0.81-1.045之间，也就是说碳排放每增加1%就会引起经济增长增加0.81%-1.045%，而且模型的拟合程度较好。
从空间依赖性检验中可以看出，除2005年外，其他年份的LMLAG和LMERR的统计值均通过了5%的显著性水平检验，而且LMLAG检验较LMERR检验更加显著，RLMLAG检验也较RLMERR显著，因此应建立空间滞后模型。
4.2 空间滞后模型估计
估计结果如表3所示。
对比表2和表3中的估计结果，可以看出采用空间滞后模型后的估计结果整体上要好于采用空间加权最小二乘估计的结果。结果表明，碳排放对经济增长的影响系数
均通过了1%的显著性水平检验，经济增长对碳排放的弹性系数介于0.798-1053之间，也就是说碳排放每增加1%，就会引起经济增长增加0.798%-1053%；空间相关系数ρ除2005年外的其他年份均通过了5%的显著性水平检验，说明各省份的碳排放在空间上存在溢出效应，各省份间的碳排放存在相互间的正向影响。
5 结 论
我国各省份的碳排放在空间分布上以及与经济增长都呈现出一定的正自相关性。碳排放量最高的省份多处于经济发达的沿海地区，如以北京为中心的环渤海地区，
以上海为中心的长三角地区和以广东为核心的珠三角地
区，而次之的是经济较为发达的地区，如中部的山西、湖
北、湖南、江西、安徽和西南地区。此外，我国各省份的碳排放在空间分布上也存在一定的空间集群效应，如环渤海地区就表现出高碳排放的空间集群效应，而西部地区的西藏、新疆、甘肃、青海却表现出低碳排放的空间集群效应。
我国各省份的碳排放对经济增长有着十分显著的影响，经济增长对碳排放的弹性系数约为0.8左右，说明我国经济对能源的依赖性较强，在未来很短的时期内实行低
碳经济的发展模式较为困难。
(编辑：刘照胜)
参考文献（References）
［1］徐玉高，郭元，吴宗鑫.经济发展、碳排放和经济演化［J］.环境科学进展，1999，7（2）：54-64.［Xu Yugao,Guo Yuan,Wu Zongxin.Economic Development,Carbon Emission and Economic Evolution［J］.Advances in Environmental Science,1999，7（2）：54-64.］
［2］张雷.经济发展对碳排放的影响［J］.地理学报，2003，58（4）：629-637.［Zhang lEi.Economic Development and Its Bearing on CO2 Emissions［J］.Acta Geograhpica Sinica,2003，58（4）：629-637.］
［3］王中英，王礼茂.中国经济增长对碳排放的影响分析［J］.安全与环境学报，2006，6（5）：88-91.［Wang Zhongying,Wang Limao.Economic Growth and Its Effects on Carbon Emission in China［J］.Journal of Safety and Environment,2006，6（5）：88-91.］
［4］杜婷婷，毛锋，罗锐.中国经济增长与CO2排放演化探析［J］.中国人口•资源与环境，2007，17（2）：94-99.［Du Tingting,Mao Feng,Luo Rui.Study on Chinas Economic Growth and CO2 Emissions［J］.China Population,Resources and Environment,2007，17（2）：94-99.］
［5］胡初枝，黄贤金，钟太洋，等.中国碳排放特征及其动态演进分析［J］.中国人口•资源与环境，2008，18（3）：38-42.［Hu Chuzhi,Huang Xianjin,Zhong Taiyang,et al.Character of Carbon Emission in China and Its Dynamic Development Analysis［J］.China Population,Resources and Environment,2008，18（3）：38-42.］
本文编号：8108
关键词： 碳排放；经济增长；空间计量经济学
最近，关于我国碳排放与经济增长的关系引起了学者们的高度关注。徐玉高、郭元［1］等采用时间序列和截面数据的计量分析方法，对我国经济增长与碳排放的关系进行了实证研究，认为人均碳排放与人均GDP之间不存在库兹涅茨曲线，人口增长和人均GDP的增加是人均碳排放增加的主要来源，而GDP能源消费强度的下降则是碳排放减少的重要来源。张雷［2］的研究认为经济结构多元化的发展导致我国能源消费需求增长的减缓，能源消费结构的多元化发展则是我国碳排放水平下降的重要因素，经济和能源消费两者结构多元化的演进是促使我国经济发展从高碳燃料为主向低碳为主方式转变的重要途径。王中英、王礼茂［3］对我国GDP增长与碳排放量之间的关系进行了相关分析，表明二者存在明显的相关性，认为我国过分依赖投资的增长方式和以第二产业为主的经济结构在很大程度上是导致温室气体排放量增加的主要原因。杜婷婷、毛锋［4］等以库兹涅茨环境曲线（EKC）及其衍生曲线为依据，对我国碳排放量与人均收入增长的时间序列数据进行了统计拟合，得出我国碳排放量与人均GDP之间呈现出“N型”曲线。随后，胡处枝、黄贤金［5］等、王琛［6］等人的研究也证实了该观点。高卫东、姜巍［7］等的研究表明随着产业结构的演进和生产技术进步的加快，我国能源碳排放的增速有了明显的减缓，从区域分布来看，东部地区碳排放经历了先下降后上升的过程，而西部地区碳排放则是保持上升的趋势。也有学者从其他角度对我国的碳排放问题进行了研究。徐国泉、刘则渊、姜照华［8］等基于碳排放恒等式，采用对数平均权重DivEisia分解法，建立了我国人均碳排放量的因素分解模型，对我国1995-2004年间，影响人均碳排放的各种因素进行了分析，认为经济发展对人均碳排放的贡献率呈指数增长的态势，能源利用效率和能源结构对人均碳排放的贡献率呈“倒U型”关系。张雷［9］认为产业结构的演进不仅决定着地区经济发展的基本状态，而且同样决定着国家一次能源消费空间的基本格局；地区产业结构多元化程度越是走向成熟，其一次能源消费的增速也就越是减缓；缓慢的一次能源消费结构变化是难以实现地区碳排放增长有效控制的关键。
与以上学者的研究相比，本文从空间经济学的角度，采用空间计量经济学的方法对我国各省份（自治区、直辖市）的碳排放与经济增长之间的关系进行了实证研究。
1 样本数据与指标选取
1.1 样本数据
本文采用的空间样本数据是除了我国台湾省和香港、澳门特别行政区外的大陆31个省、自治区和直辖市。样本区间为2005-2008年，数据主要来源于《新中国六十年统计资料汇编》，部分数据来源于各省份统计年鉴及统计公报、《中国能源统计年鉴》。
1.2 指标选取
1.2.1 国内生产总值
本文采用国内生产总值（GDP）来衡量各省份的经济发展水平，以1978年为基期，单位为亿元。
1.2.2 碳排放量
由于目前我国没有碳排放量的直接监测数据，而且关于碳排放量的计算学术界也没有一个统一的标准，因而大部分的研究都是基于对能源消费的测算得来。本文采用了两种方法来计算各省份的碳排放量，分别是Kaya碳排放恒等式法和碳的化学燃烧公式法。
Kaya碳排放恒等式［10-11］是由日本学者Yoichi Kaya于1989年在联合国政府间气候变化专门委员会（IPCC）研讨会上提出的，该等式通过一种简单的数学公式将经济、人口和政策等因素与人类活动产生的二氧化碳建立起了一种数学联系，基本公式是：
C=∑ni=1[DD)]Ci=∑ni=1[DD)]EiE×CiEi×EY×YP×P i=1,2,K n（1）
其中，C表示总的碳排放量；i表示所消费能源的种类；Ci为第i种能源的碳排放量；E表示一次能源的消费量；Ei为对第i种能源的消费量；Y表示国内生产总值（GDP）；P为人口数量。
由（1）可分析出几个影响碳排放的因素，并给出如下的定义：能源结构因素Si=EiE表示对第i种能源的消费在一次能源消费中所占的比重；各类能源的排放强度Fi=CiEi表示消费单位第i种能源的碳排放量；能源效率因素I=EY表示单位GDP的能源消耗量（可以理解为GDP的能源消耗系数）；经济发展因素R=YP表示人均GDP。因此，式（1）可简化为C=∑ni=1[DD)]Ci=∑ni=1[DD)]Si×Fi×I×R×P(i=1,2，K n)，这样一个地区的碳排放量就和该地区的能源结构因素、各类能源的排放强度、能源利用效率、经济发展因素以及人类的活动联系到了一起。
碳排放计算的第二种方法使用了碳的化学燃烧公式：C+O2=CO2，在该过程中，碳的燃烧值约为34 070 kj/kg，而每吨标准煤释放的热量为7 000千卡，即约为29 302 kj，于是就可以粗略地计算出每吨标准煤完全燃烧释放出的二氧化碳。
但是考虑到第二种方法中标准煤的碳含量、含有硫、氮等元素、不完全燃烧等因素，最后本文采用两种方法所计算出的每吨标准煤的碳排放系数介于2.277和2.72之间，取两者的算术平均数作为每吨标准煤的碳排放系数，为2.499。本文用各省份的能源消费总量（单位为万吨标准煤）乘以每吨标准煤的碳排放系数得到碳排放量，单位为万吨，用carbon表示。
1.2.3 劳动力投入量
本文中劳动力投入量选取的是各省份的就业人员数，单位为万人，用labor表示。
2 实证方法与模型设定
2.1 空间效应检验
空间效应［12］（Spatial Effects）是指各地区间的经济地理行为之间一般都存在的一定程度的空间相互作用，分为空间依赖性（Spatial Dependence，也叫空间自相关性（Spatial Autocorrelation））和空间异质性。空间依赖性意味着空间上的观测值之间缺乏独立性，也意味着空间相关的强度及模式由空间的绝对位置（格局）和相对位置（距离）共同来决定。空间异质性是指地理空间上的区域缺乏均质性，也即存在中心和外围地区、核心和边缘地区、发达和落后地区等经济地理结构，从而导致经济社会发展存在较大的空间差异性。本文主要采用全域空间相关性检验和局域空间相关性检验来检验我国各地区碳排放的空间效应。
2.1.1 全域空间相关性检验
全域空间相关性又称全域空间自相关（Global Spatial Autocorrelation），是指从区域空间的整体上刻画区域碳排放空间分布的集群情况。这里主要采用Morans I指数法来对我国碳排放的全域空间相关性进行检验。全域Morans I指数定义是：
Morans I=∑ni=1∑nj=1Wij(Yi-Y)(Yj-Y)
S2∑ni=1∑nj=1Wij(2)
其中，S2=1n∑ni=1(Yi-Y)，Y=1n∑ni=1Yi，Yi表示第i地区的观测值（如本文中的碳排放），n为地区总数（在本文中为31个省份），Wij为二进制的临近空间权值矩阵，用以定义空间对象的相互临近关系。
全域Morans I的取值范围介于-1-1之间，若其数值大于0，说明空间存在正自相关，数值越大说明空间分布的正自相关性越强；若其数值小于0，说明空间相邻的单元之间不具有相似的属性，数值越小则说明各空间单元的差异性越大；若其数值为0，则说明该空间服从随机分布。
通过绘制空间相关关系系数的Morans I散点图，可以将碳排放分为四个象限，分别用以识别各个省份与其他临近省份之间的相互关系：右上方为第一象限，表示高碳排放的省份被高碳排放的其他省份所包围（H-H，高-高）；左上方为第二象限，表示低碳排放的省份被高碳排放的其他省份所包围（L-H，低-高）；左下方为第三象限，表示低碳排放的省份被低碳排放的其他省份所包围（L-L，低-低）：右下方为第四象限，表示高碳排放的省份被低碳排放的其他省份所包围（H-L，高-低）。第一、三象限为正的空间自相关关系，表示相似碳排放省份之间的空间关联；而第二、四象限为负的空间自相关关系，表示不同碳排放省份之间的空间关联，如果各省份碳排放均匀地分布于四个象限之内，则说明各省份之间不存在空间相关关系。
2.1.2 局域空间相关性检验
局域空间相关性又称为空间关联局域指标（Local Indicators of Spatial Association,LISA）,它是探索性空间数据分析的重要组成部分。Anselin［13］认为LISA分析应该满足两个条件：每个空间单元的LISA描述了在一定显著性条件下，围绕该空间单元的其他相似空间单元之间所具有的空间集群程度；所有空间单元的LISA之和与对应的全域空间相关性指标成比例。对于局域空间相关性的分析主要包括局域Morans I指数和局域Geary指数，本文采用的是局域Morans I指数，定义为：
Morans Ii=Zi∑nj=1WijZj (i≠j)（3）
其中，Zi=xi-x、Zj=xj-x分别表示观测值与均值的离差，xi表示空间单元i的观测值，Wij表示空间权值矩阵，因此Morans I就可以表示为空间单元i的观测值的离差Zi与其相临近的空间单元j的观测值离差的加权平均值的乘积。
局域Morans I指数还可以定义为：
Morans Ii=(zim)∑[DD(X]jwijzj(i≠j)（4）
其中m表示空间观测单元的数量，若Morans Ii值为正，则说明该空间单元周围存在相似的空间集群；若Morans Ii值为负，则说明该空间单元周围存在非相似的空间集群。
Z(Morans Ii)=Morans Ii-E(Morans Ii)[KF(]VAR(Morans Ii)[KF)]（5）
其中，E(Morans Ii)表示局域Morans Ii值的期望值，VAR(Morans Ii)表示局域Morans Ii值的方差。利用公式（5）就可以对局域空间相关性进行显著性检验。
2.1.3 空间权值矩阵的选择
本文主要采用的是各省份的相关数据，而且相邻省份间有共同的边界，因此，采取K值最临近空间权值矩阵（KNearest NEighbor Spatial Weights）。 2.2 空间模型
2.2.1 空间滞后模型
空间滞后模型主要是探讨各变量在一地区是否具有扩散效应（或溢出效应）。模型为：
Y=ρWy+Xβ+ε（6）
其中，Y为被解释变量；X为n×k的外生解释变量矩阵；ρ为空间回归系数，它反映了空间单元之间的相互关系，也就是说相邻空间单元对本空间单元的影响程度（该影响程度为矢量，具有一定的方向性）；W为n×n的空间权值矩阵，Wy为空间权值矩阵W的空间滞后因变量；ε为随机误差向量。参数β主要反映了自变量X对因变量Y的影响，空间滞后因变量Wy是一内生变量，反映了空间距离对各空间单元之间的作用。
2.2.2 空间误差模型
该模型为：
Y=Xβ+ε（7）
ε=λWε+u（8）
其中，Y为因变量；X为n×k的外生解释变量矩阵；W为n×n的空间权值矩阵；ε为随机误差向量；u为正态分布的随机误差向量；参数β为自变量X对因变量Y的影响系数，λ为因变量向量的空间误差系数。
2.3 计量模型的设定
lngdp=C+α1lncarbon+α2lnlabor+ε（9）
其中，lngdp、lncarbon和lnlabor分别表示各省份的GDP、碳排放和劳动力的自然对数；C表示常数项；α1和α2分布为相关的回归系数；ε为随机误差项。
3 我国碳排放的空间格局及其集群现象
为了对我国各省份碳排放的空间格局和集群现象有一个更好的描述，本节以31个省份为空间单元，以2005—2008年各省份的碳排放及其平均数作为衡量指标，首先从宏观的角度分析了碳排放分布的空间格局；其次，采用全域空间相关性指数Morans I及局域Morans I散点图对各省份的碳排放在空间上是否存在自相关及集群现象进行了检验；再次，用局域空间相关性分析方法（LISA分析）对各省份碳排放的空间格局和集群现象进行了更加深入的分析，以揭示相邻省份碳排放之间的空间关系；最后，用空间加权回归的方法对碳排放、劳动力与经济增长之间的关系进行了实证分析。
3.1 碳排放的空间分布描述
从宏观的角度对各省份碳排放的空间分布进行描述性分析，可以清楚地看出各省份的碳排放在三个不同时段的空间分布呈现出一种明显的空间格局，就是碳排放量较高的省份大多处于沿海地区，尤其是以北京为核心的环渤海地区、以上海为中心的长三角地区和以广东为核心的珠三角地区。这表明，我们各省份的碳排放存在一定的空间集群现象，主要的高碳排放集群有内蒙古、河北、辽宁、山东、河南集群，上海、江苏、浙江集群，广东珠三角集群；还有可能会出现一些中等程度的集群，如湖北、湖南、安徽集群，东北的黑龙江，西南的四川、贵州等地区；
主要的低碳排放集群有西藏、青海、甘肃、宁夏集群，西南的重庆，江西和海南。
3.2 碳排放的空间自相关及集群现象检验
采用全域空间相关性指数Morans I及局域Morans I散点图对各省份的碳排放在空间上是否存在自相关及集群现象进行了检验。
由表1可以看出，在5%的显著性水平下，2005-2008年间各省份的碳排放及其平均值表现出较强的自相关性，这说明在2005-2008年的样本期间内，各省份的碳排放呈现出一种集群的趋势，即碳排放相对较高的省份倾向于与其他具有较高碳排放的省份相邻近，而碳排放较低的省份倾向于与其他具有较低碳排放的省份相邻近。
图1-图4是Morans I散点分布图，可以看出，我国各省份碳排放表现出共同的空间分布特征，即各省份的碳排放在空间上呈现出正的自相关性。
2005年有7个省份位于第一象限，分别为：内蒙古、河北、山西、辽宁、山东、江苏和浙江，表现出高-高（H-H）的正自相关关系集群；黑龙江、吉林、北京、天津、陕西、安徽和海南等7个省份位于第二象限，表现出低-高（L-H）的负自相关关系集群；新疆、青海、西藏、甘肃、宁夏、重庆、贵州、云南、江西和福建等10个省份位于第三象限，表现出低-低（L-L）的空间自相关关系；河南、湖北、湖南、广东和四川等5个省份位于第四象限，表现出高-低（H-L）的空间自相关关系。上海同时横跨了第一、二象限，广西同时横跨了第二、三象限。
2008年内蒙古、河北、吉林、山西、山东、江苏、浙江等7个省份位于第一象限，表现出高-高（H-H）正的空间自相关关系；黑龙江、吉林、北京、天津、陕西、安徽、上海、
海南等8省份位于第二象限，表现出低-高（L-H）负的空间自相关关系；新疆、青海、西藏、甘肃、宁夏、重庆、贵州、云南、江西、福建等10个省份位于第三象限，表现出低-低（L-L）的空间自相关关系；河南、湖北、湖南、广东、四川等5省份位于第四象限，表现出低-低（L-L）的空间自相关关系。广西同时横跨第二、三象限。
比较期初的2005年和期末的2008年的Morans I散点图，可以发现：2005年和2008年都有17个省份表现出正向的空间相关关系，其中有7个省份位于第一象限，10个省份位于第三象限；2005年有12个省份表现出不相似的空间分布，其中有7个省份位于第二象限，5个省份位于第四象限；2008年有13个省份表现出不相似的空间分布，其中8个省份位于第二象限，5个省份位于第四象限。
3.3 碳排放的局域空间相关性
采用局域空间相关性分析方法（LISA分析）对各省份碳排放的空间格局和集群现象进行更深入的分析，以弥补全域空间相关性分析方法的不足。结果显示，2005年和2008年河北、河南2个省份均通过了5%的显著性水平，山东、安徽、海南、四川、新疆等5个省份通过了1%的显著性水平；而2005-2008年中，有河北、河南和安徽三个省份通过了5%的显著性水平，山东、四川、海南和西藏四个省份通过了1%的显著性水平检验。
以北京为中心的环渤海地区倾向于分布于第一象限，呈现出高碳排放的空间分布态势，与其他省份呈现出空间正相关关系；安徽和海南分布于第二象限，呈现出低碳排放的省份被其他高碳排放的省份所包围；西藏始终分布于第三象限，是低碳排放的地区，与其他省份呈现出空间负相关关系；西南的四川始终位于第四象限，属于高碳排放的省份被其他低碳排放的省份所包围。
4 实证分析
4.1 空间加权的最小二乘估计
本文采取空间加权的方法对样本期间内的我国各省份经济增长与碳排放、劳动力之间的关系进行最小二乘估计，结果如表2所示。
样本期间内碳排放对经济增长的影响系数都通过了1%的显著性水平检验，这说明碳排放对经济增长的影响是显著的。经济增长对碳排放的弹性系数介于0.81-1.045之间，也就是说碳排放每增加1%就会引起经济增长增加0.81%-1.045%，而且模型的拟合程度较好。
从空间依赖性检验中可以看出，除2005年外，其他年份的LMLAG和LMERR的统计值均通过了5%的显著性水平检验，而且LMLAG检验较LMERR检验更加显著，RLMLAG检验也较RLMERR显著，因此应建立空间滞后模型。
4.2 空间滞后模型估计
估计结果如表3所示。
对比表2和表3中的估计结果，可以看出采用空间滞后模型后的估计结果整体上要好于采用空间加权最小二乘估计的结果。结果表明，碳排放对经济增长的影响系数
均通过了1%的显著性水平检验，经济增长对碳排放的弹性系数介于0.798-1053之间，也就是说碳排放每增加1%，就会引起经济增长增加0.798%-1053%；空间相关系数ρ除2005年外的其他年份均通过了5%的显著性水平检验，说明各省份的碳排放在空间上存在溢出效应，各省份间的碳排放存在相互间的正向影响。
5 结 论
我国各省份的碳排放在空间分布上以及与经济增长都呈现出一定的正自相关性。碳排放量最高的省份多处于经济发达的沿海地区，如以北京为中心的环渤海地区，
以上海为中心的长三角地区和以广东为核心的珠三角地
区，而次之的是经济较为发达的地区，如中部的山西、湖
北、湖南、江西、安徽和西南地区。此外，我国各省份的碳排放在空间分布上也存在一定的空间集群效应，如环渤海地区就表现出高碳排放的空间集群效应，而西部地区的西藏、新疆、甘肃、青海却表现出低碳排放的空间集群效应。
我国各省份的碳排放对经济增长有着十分显著的影响，经济增长对碳排放的弹性系数约为0.8左右，说明我国经济对能源的依赖性较强，在未来很短的时期内实行低
碳经济的发展模式较为困难。
(编辑：刘照胜)
参考文献（References）
［1］徐玉高，郭元，吴宗鑫.经济发展、碳排放和经济演化［J］.环境科学进展，1999，7（2）：54-64.［Xu Yugao,Guo Yuan,Wu Zongxin.Economic Development,Carbon Emission and Economic Evolution［J］.Advances in Environmental Science,1999，7（2）：54-64.］
［2］张雷.经济发展对碳排放的影响［J］.地理学报，2003，58（4）：629-637.［Zhang lEi.Economic Development and Its Bearing on CO2 Emissions［J］.Acta Geograhpica Sinica,2003，58（4）：629-637.］
［3］王中英，王礼茂.中国经济增长对碳排放的影响分析［J］.安全与环境学报，2006，6（5）：88-91.［Wang Zhongying,Wang Limao.Economic Growth and Its Effects on Carbon Emission in China［J］.Journal of Safety and Environment,2006，6（5）：88-91.］
［4］杜婷婷，毛锋，罗锐.中国经济增长与CO2排放演化探析［J］.中国人口•资源与环境，2007，17（2）：94-99.［Du Tingting,Mao Feng,Luo Rui.Study on Chinas Economic Growth and CO2 Emissions［J］.China Population,Resources and Environment,2007，17（2）：94-99.］
［5］胡初枝，黄贤金，钟太洋，等.中国碳排放特征及其动态演进分析［J］.中国人口•资源与环境，2008，18（3）：38-42.［Hu Chuzhi,Huang Xianjin,Zhong Taiyang,et al.Character of Carbon Emission in China and Its Dynamic Development Analysis［J］.China Population,Resources and Environment,2008，18（3）：38-42.］
本文编号：8108
本文链接：https://www.wllwen.com/jingjilunwen/jiliangjingjilunwen/8108.html