京津冀及周边地区碳排放驱动因素贡献作用及其政策含义…….docVIP

京津冀及周边地区碳排放驱动因素的贡献作用及其政策含义…… 　　摘要：京津冀及周边地区的雾霾天气使得控制碳排放的任务尤为迫切。在STIRPAT-Regression模型框架内，建立了碳排放驱动因素的个体模型和区域模型。对这两个模型利用岭回归方法，分析了本区域碳排放驱动因素的贡献和作用。结果表明：经济增速对碳排放的扩大起到了正向贡献且作用最大，使得该区域整体处在碳排放“倒U型曲线”的左侧；技术进步率对碳排放是负向贡献但作用最小；人口增速对各省区市的碳排放有正向贡献然而作用不同。实证结果的政策含义是国务院相关部门通过制定统筹兼顾的协同政策来控制本区域的碳排放。 　　关键词：碳排放驱动因素；STIRPAT-Regression模型；区域协同控制；低碳经济；节能环保；跨区域碳排放交易 　　中图分类号：F062.2 文献标识码：A 文章编号：1007-2101（2016）01-0102-05 　　一、引言 　　大气污染和气候变化很大程度上都是由化石能源的燃烧排放物造成的[1]，京津冀及周边地区的持续雾霾天气，使得区域协同控制碳排放的任务尤为迫切。环保部、工信部等国务院相关部门出台了《京津冀及周边地区落实大气污染防治行动计划实施细则》等文件。企业已开展实质性合作，节能低碳环保产业联盟签约的金额约200亿元；河北省已选择承德市作为试点，与北京正式启动跨区域碳排放权交易市场建设，待成熟后全面推广。学术界也对本区域的碳排放问题开展了研究：王佳、于维洋[2]对驱动因子进行了分析，王喜平等人[3]比较了碳排放约束下的全要素能源效率，孙乾等人[4]探讨了低碳经济视角下的产业协作模式，王铮等人[5]估计了碳排放趋势。 　　近些年研究碳排放驱动因素主要采用的是STIPAT模型（含IPAT模型）。在Ang（1997）的贡献下，把LMDI法嵌入STIRPAT模型得到广泛应用[6]，我们称之为STIRPAT-LMDI模型。LMDI法的优点是完全分解，但其缺点是各因素每年所占的权重不同，需要进行逐年或者分时段的分析[7]。笔者在沿袭影响碳排放驱动因素的经典STIRPAT模型的基础上，设计了测算区域中长期碳排放驱动因素的STIRPAT-Regression模型，克服了逐年分析的缺陷。通过对京津冀及周边地区的个体模型和区域模型的集成分析，得出了各驱动因素的贡献和作用，并解释了实证结果的政策含义。 　　二、模型设计 　　（一）模型述评 　　式中，CO2是二氧化碳排放量，P表示人口，A表示人均财富，T表示技术，参数a为拟合模型的常数项，β1、β2、β3为相应人口、人均财富和技术的指数值，？淄为随机误差项。 　　尽管这几个模型联系紧密，都采用了因素分解的思路，但也有区别。IPAT（包括STIRPAT模型）与Kaya恒等式的区别是，后者是以国内生产总值为核心展开的分解，前者是以人口为核心展开的分解。这个不同是由二者解决不同问题所决定的，前者是在分析人口大量增长对资源环境造成什么冲击时提出的，而后者是Kaya为了促使人们意识到保证经济增长且降低二氧化碳排放量的困难性时提出的。IPAT与STIRPAT模型的不同地方是，STIRPAT模型中驱动因素的估计参数β1、β2、β3可以是任何数，而前者的β1、β2、β3都等于1，可见IPAT模型是STIRPAT模型的特例。 　　（二）STIRPAT-Regression模型 　　对京津冀及周边地区来说，区域内的任何一个行政单元，都可以用式（3）得到本行政单元的碳排放驱动因素模型，即三省两市一区的个体模型如下： 　　京津冀及周边地区能否建立区域模型，取决于三省二市一区是否有合作基础和共同利益，否则单凭地理位置相邻便建立区域模型容易产生缺乏现实依据的伪回归。由于京津冀及周边地区存在各种相互需求[11]，正在向基础设施衔接、支柱产业配套、新兴产业共建、一般产业互补的分工协作体系迈进[12]，因此本区域的各驱动因素间有紧密联系，可以假设把各个行政单元内的驱动因素进行累加，从而得到区域模型，形式如下： 　　式中，Β1、Β2、Β3分别是整体区域的人口、人均GDP、技术的偏弹性系数，下标分别表示三省两市一区。 　　（三）贡献和作用的判断 　　各驱动因素对碳排放的偏弹性系数我们称之为该因素对碳排放的贡献，如果偏弹性系数的符号与碳排放量的符号相同，我们称之为正向贡献；如果符号相反，则称之为负向贡献。偏弹性系数的数值大小体现了贡献的作用大小。 　　三、数据来源与处理 　　（一）数据来源 　　本文测算的二氧化碳排放量限定在燃烧化石能源造成的排放。原始数据来源于《新中国六十年统计资料汇编》，北京、天津、河北、山东、内蒙古和山西的统计年鉴（2012）。煤炭、天然气和石油的二氧化碳排放系数取国家温室气体排放指南、国家发改委能源研