節能減排與經濟增長雙目標下的R＆D補貼政策選擇——基于動態可計算一般均衡的情景分析

魏 瑋，何旭波

(西安交通大學經濟與金融學院，陜西西安，710061)

節能減排與經濟增長雙目標下的R＆D補貼政策選擇
——基于動態可計算一般均衡的情景分析

魏 瑋，何旭波

(西安交通大學經濟與金融學院，陜西西安，710061)

本文使用動態可計算一般均衡技術，模擬不同R＆D補貼政策情景下經濟增長、能源消費及二氧化碳排放等變量的變化情況，結果發現:知識替代彈性的增加會加快上述變量的增長率，在較高的替代彈性下，提高補貼率水平會對上述變量造成相反的影響;在適度的替代彈性下，上述變量的增長率隨補貼率水平的增加而增加;較高的補貼率水平會導致過度補貼，即補貼率增加導致GDP和消費減少;補貼政策實施的越早，越能促進節能減排和經濟增長。

R＆D補貼;節能減排;經濟增長;動態可計算一般均衡

一、引 言

中國經濟的高速增長在使得大量貧困人口得以脫貧的同時也對能源市場和生態環境帶來了巨大的壓力，2006年，中國的二氧化碳排放量超越美國，成為全球最大的碳排放國;2010年中國排放量占全球當年總排放量的1/4［1］。作為全球最大的二氧化碳排放和發展中國家，中國面臨著巨大的減排壓力。2009年，中國政府在哥本哈根全球氣候大會上正式宣布了控制溫室氣體排放的行動目標——2020年的單位GDP二氧化碳排放①下文簡稱為“碳強度”。與碳強度類似，下文將“單位GDP能源消耗”以及“知識存量占GDP的比重”分別簡稱為能源強度和碳強度。若無特別說明，本文中的“碳”均指“二氧化碳”。“碳”和“二氧化碳”在氣候經濟學中的差別見Nordhaus的著作。較2005年下降40% －45%。然而，在當前中國以要素驅動、化石燃料消耗為主的經濟增長方式下，加大節能減排力度可能會導致經濟增長受損，降低社會福利水平，如何在不影響長期增長的前提下減少碳排放、履行國際承諾，是我們不得不思考的問題。

控制和減少碳排放主要有三種方法:使用清潔能源、提高能源使用效率以及增加與能源和氣候有關的 R＆D(Energy－ and Climate－Related R＆D)［2－4］。本文從上述第三種思路出發，模擬不同R＆D補貼政策(下文簡稱為補貼政策)對經濟增長、能源消費以及碳排放的影響②本文從第三種思路出發進行分析主要基于以下三點考慮:一是現有的數據中缺乏中國各部門投入—產出的價格數據;二是不同部門或同一部門內部的不同經濟主體之間經驗積累的速度有差異，且難以加總;三是由于R＆D外溢的存在，其它類型的R＆D也會帶來減排的效果，但不同類型R＆D的減排效果可能是難以區分的。。R＆D影響經濟增長和節能減排的邏輯框架見圖1，圖中的實線表示廠商的生產行為，虛線表示政府的稅收、補貼政策。通過雇傭知識、資本和能源等生產要素并組織生產，廠商同時也排放出溫室氣體。由于知識對其它的要素具有替代性，政府可以為R＆D投資提供補貼以鼓勵知識積累，從而替代生產中化石燃料的使用，減少溫室氣體排放。R＆D投資的正外部性導致生產部門缺乏投資激勵，因為該項行動的邊際私人收益小于邊際社會收益［2］。遵從Pigou對外部性及其解決方法的經典闡釋，本文認為政府補貼能夠縮小R＆D活動的邊際私人收益和邊際社會收益之間的差距，加速知識積累［5］。然而，補貼政策的實施需要政府增加稅收以保持收支平衡，在其它條件不變的情況下，稅收的增加會“擠出”消費，減少消費者福利［6－7］。如何選擇R＆D補貼政策，使其在促進經濟增長的同時實現節能減排是本文主要的研究目標。

圖1 R＆D影響經濟增長和節能減排的邏輯框架數據來源:BP(2011)。

本文的主要思路是將內生技術變化(Endogenous Technological Change)嵌入“自上而下”(Topdown)①與之相對的被稱為“自底向上”(Bottom－up)的模型，這一類模型以工程技術模型為出發點，通過詳細刻畫能源生產和消費技術，優化能源系統，如MARKAL。此外還有混合兩種建模思路的“混合模型”(Hybrid Model)。對幾種建模思路的比較可參考Ian Sue Wing的文章。的動態可計算一般均衡模型(Dynamic Computable General Equilibrium，DCGE)，并利用遞歸動態(Recursive Dynamic)②遞歸動態方法假設模型的每一期均處于穩態，這樣在求解模型時只需逐期求最優解，比較簡便。與之相對的解法是跨期動態法(Intertemporal Dynamic)，該解法需要考慮經濟主體的前瞻(Forward－Looking)行為，計算較復雜。遞歸動態法主要用于政策評價，跨期動態法主要用于求解最優政策。Tomas Rutherford對這兩種解法做了深入的比較，詳細內容見http://www.mpsge.org/dynamics/note.htm。算法求解不同時期模型的均衡值，最后從政策力度和政策引入時間兩個維度來設計模擬情景，比較不同情景下經濟增長、能源消費以及碳排放等主要3E(Economy－Energy－Environment)變量的變化情況［8－10］。在已有文獻中，將氣候政策模型中的技術內生化的方法主要有三種，即價格引致型技術變化(Price Induced Technological Change)、學習引致型技術變化(Learning Induced Technological Change)和 R＆D引致型技術變化(R＆D Induced Technological Change)［2，11－12］。由于現有的數據中缺乏中國各部門投入—產出的價格數據，且不同部門或同一部門內部的不同經濟主體之間經驗積累的速度有差異，難以加總，本文使用R＆D引致型技術變化方法。R＆D引致型技術變化的思想主要源于 Kamien和Schwartz，Binswanger和Ruttan等人的研究以及內生經濟增長理論的發展［13－15］。Goulder和 Schneider將 R＆D 引致型技術變化引入氣候政策模型，在分析了四種類型的生產部門之間知識的溢出效應之后，發現在存在內生技術變化的情況下，實現既定的減排目標只需要較少的成本［16］。基于 Goulder和 Schneider的研究，Sue Wing通過建立包含89個生產部門的DCGE模擬了不同R＆D補貼水平和減排目標對美國經濟的影響并得出相似的結論。Sue Wing與Goulder和Schneider最大的不同在于前者考慮了R＆D不同補貼水平可能導致的相對價格變化及其一般均衡后果［15，17］。運用與Sue Wing類似的模型，Ke Wang等人建立了包含41個生產部門的中國DCGE，并在分析了不同R＆D補貼水平和減排目標的邊際成本后，發現在缺乏R＆D補貼政策時，技術變化本身并不會直接帶來碳排放量的絕對削減［18］。

本文余下的內容由以下幾個部分構成:第二部分介紹本文使用的DCGE模型及相關的社會核算矩陣(Social Accounting Matrix，SAM);第三部分首先模擬了不同的知識替代彈性對結果的影響，之后描述基準(Business as Usual，BaU)情景下的模擬結果;第四部分通過設計政策力度和政策引入時間兩個維度的模擬情景解釋和比較不同補貼政策的可能結果;第五部分則是結論及相關政策建議。

二、模型介紹及SAM編制

(一)DCGE模型介紹

本文主要參考Sue Wing構建的由生產結構、需求結構、國際貿易、能源和排放核算以及模型動態機制等模塊共同構成的DCGE［15］。模型中主要的彈性系數取值參見Ke Wang等人的研究成果［18］。本文模型與上述作者有差異的地方包括以下幾個方面:

1.電力部門的拆分

本文以是否會造成碳排放將電力部門分為兩類:化石燃料發電和清潔能源發電。由這兩種發電技術帶來的產品是同質的，但是邊際成本上存在差異，文獻中常用的做法是將這兩種電力通過一個較高的替代彈性(本文為30)組合成最終電力產品［9］。由《電力監管年度報告2007》可知，2007年我國化石燃料發電量占總發電量的82.86%。本文假設化石燃料發電與清潔能源發電所需的要素投入也按照這一比例在兩種發電技術之間進行分配。

2.能源和排放核算

本文使用固定排放系數CE和固定能源效率系數EE進行能源和排放核算。EE是將能源由價值量轉化為實物量的系數，CE是將某一固定單位的能源消費轉化為排放的系數。利用《中國能源統計年鑒2008》中的能源消費總量(電熱當量計算法)及構成(發電煤耗計算法)，以及IEA的報告中各種化石燃料的排放數據［19］，計算結果見表1。

3.勞動供給的動態變化

本文假設勞動增長與人口增長之間存在一個簡單的線性關系［15，18］，即式(1)。其中L(t)為t時期的勞動數量，N(t)為t時期的人口數量，λ為勞動供給的人口彈性，A為勞動生產率。

表1 2007年中國化石燃料的消費總量、排放量、能效系數和排放系數① 受數據可獲性的限制，本文所使用的基礎數據主要來自于《中國投入產出表2007》。為保持數據的一致性，能源消費總量及構成，以及各種化石燃料的碳排放量均為2007年的數據。

2007年和2010年的人口數據分別來自《中國統計年鑒2008》和《2010年第六次全國人口普查主要數據公報》。基于IEA與EIA的假設，本文假設中國人口的增長率在2010—2020年間為平均每年0.6%，2020—2050年間為平均每年 0.1%;同時參考WEO對中國實際GDP增長率的預測，本文假設勞動生產率A在2020年之前為平均每年8%，2020年至2050年為平均每年5%［20－21］。勞動供給的人口彈性λ是通過雙對數模型擬合1952年至2008年的“年底總人口數”和“就業人員數”得到的，數據來源于《新中國六十年統計資料匯編》。

4.物質資本與知識積累的動態變化

本文假設物質資本和知識具有相同的積累動態變化特征:下一期的物質資本(知識)等于本期的物質資本(R＆D)投資加上本期物質資本(知識)存量減去折舊，見式(2)－(3):

由于投入產出表中只有投資數據，因此需要估計基準年的物質資本和知識存量。假設基期經濟處于穩態，則基期的物質資本(R＆D)投資和資本存量(知識)有如下關系［22］:

式(4)－(5)中的g表示穩態時的經濟增長率。本文假設物質資本的折舊率和知識的折舊率均為10%，穩態時的經濟增長率設定為 8%［15，18］。

(二)SAM的編制

SAM是一個單式記賬的核算體系，矩陣中的行和列類似于坐標軸，每一行和相應的列表示一個宏觀賬戶，行記錄該賬戶的收入，列記錄該賬戶的支出。本文所使用的SAM基于《中國投入產出表2007》中的42部門“基本流量表”以及《中國科技統計年鑒》中各行業的“科技經費內部支出總額”。在編制SAM時，使用 Terleckyj的方法處理 R＆D 投資［23－24］②由于《中國投入產出表》和《中國科技統計年鑒》的部門不一致，為了核算知識，本文將投入產出表中的“紡織服裝鞋帽毛皮革羽絨及其制品業”并入“紡織業”，將“廢品廢料”并入“工藝品及其它制造業”，這樣本文SAM只包括40個部門。。

本文使用手動平衡法平衡SAM，通過將總產出和總投入之間的差額相對均勻地反映在所有社會核算矩陣元素的變動上，最大限度地保持數據的一致性［15］①本文設定總產出和總投入之間的差額小于即停止迭代。。

三、基準情景下的模擬結果

(一)替代彈性對模擬結果的影響

假設不存在補貼政策的情景為BaU情景，在此情景下，本文以5年為跨度對主要的3E變量進行模擬。由于知識可以替代其它生產要素，因此知識替代彈性(式(6)中的σH)的不同取值可能會對結果造成影響。現有的文獻中缺少對替代彈性的實證研究，為保證結果的穩健性，本文采用與Sue Wing相似的方法，在BaU情境下對不同的替代彈性進行模擬［17］②Sue Wing中將σH的取值設為0.5、1、2，并比較了不同σH值下模擬結果的穩健程度;Ke Wang等人將σH的值設定為2.5。由于篇幅所限，故不同替代彈性下的模擬結果未列出，感興趣的讀者可向作者索取，作者的郵箱為fisherbobo@gmail.com.。令 σH取值為 1.5、2、2.5、5，由于知識在中國經濟中的稀缺性，假設知識具有大于1的替代彈性具有一定合理性。

隨著σH的增加，GDP增長率、消費增長率、能源消耗增長率和排放增長率均增加，能源強度和碳強度在不同的σH下變化不大，同時越來越多的知識被化石燃料和資本等生產要素所替代。如式(7)所示，相對邊際生產率是知識、資本－勞動－能源－非能源中間投入合成KLEM和σH的函數。在σH為正的情況下，H、KLEM的相對需求與這兩種要素的相對邊際生產率成反比，且隨著σH的增加，邊際生產率上的微小差距就會造成知識需求的大幅減少;當相對邊際生產率固定時，相對需求是替代彈性的增函數。若σH為某一大于的1常數時，當知識的邊際生產率相對于其它生產要素改善時，知識的相對需求也會下降。

雖然知識對其它的生產要素均具有替代性，但是由于其較高的價格，限制了廠商對知識的使用，為了發揮知識的邊際生產率以及替代生產函數中的其它要素，需要對R＆D投資進行補貼，降低知識使用的價格。由于σH對3E變量的影響，相同的補貼政策在不同的替代彈性下可能會有不同的后果。通過兩種假設情景分別模擬固定和遞增補貼率下，替代彈性變化對各3E變量的影響，具體的情景假設及模擬結果見表2－3。

表2 不同替代彈性下補貼政策效果模擬的情景設計

隨著σH的增加，在相同的補貼率水平下，雖然GDP、消費增長率提高，但是替代彈性的增加導致知識積累的速度下降，能源消費和排放增長率增加。然而隨著補貼率水平的提高，在較小的下出現了過度補貼，即GDP、消費的增長率隨補貼率增加而下降，這是因為由補貼帶來的邊際產出不足以彌補由于該補貼導致的消費者支出的減少。這一情況隨著σH的增加而改善，說明知識的邊際生產率是σH的增函數。此外，在最高的替代彈性下，GDP、消費增長率和能源消耗、排放增長率均隨著補貼率水平的提高而加快，但能源強度和碳強度隨補貼率水平的提升逐漸下降。考慮到知識對其它要素的替代以及過度補貼問題，為不失一般性，本文假設替代彈性等于2。

(二)基準情景下的模擬結果

BaU情景下的模擬結果見表4。從表4可知，BaU情境下除了清潔能源占總能耗、知識占GDP的比重兩個變量外，其它變量均出現逐年下降趨勢。GDP增長率由2010年的7.39%下降為2050年1.91%，消費的增長率由2010年的11.35%下降為2050年的2.05%，下降幅度超過GDP增長率，但每一期的人均消費增長率均超過同期GDP的增長率。能源消耗增長率由2010年的4.71%下降為2050年1.38%，碳排放增長率由2010年的4.42%下降為2050年的1.23%，碳排放增長率的下降幅度略微超過能源消耗增長率，說明在模擬期內知識積累導致能源效率獲得改善，但每一期的能源消耗增長率均高于同期碳排放增長率，這是因為能源效率的改善有限而且清潔能源的增長速度又快于化石燃料①化石燃料和清潔能源的消耗速度可通過式(8)－(9)算出，見下文。。

表3 不同知識彈性下補貼政策效果的模擬結果

續表3

表4中能源消耗和排放的增長速度低于同期GDP增長速度的直接后果是能源強度和碳強度的下降，而碳排放增長率的下降幅度超過能源消耗增長率的降幅的直接后果是碳強度的降幅高于能源強度，即單位能源消耗帶來的排放在逐漸降低。在固定能源效率系數和排放系數的假設前提下，碳強度下降的速度比能源強度下降快是因為知識積累促進了知識對化石燃料的替代，從而改善了能源效率;同時知識積累降低了清潔能源的使用成本，替代了能源結構中的部分化石燃料的使用。

表4 基準情景下的模擬結果

從表4可知，即使不存在補貼政策，生產部門的知識積累也會加快，這是因為知識可以替代生產結構中的其它生產要素，并且隨著能源的逐漸消耗，遞增的能源價格會使R＆D投資的回報增加;同時，生產部門也會逐漸增加清潔能源的使用比例，同時改善能源效率，降低能源強度和碳強度。

四、補貼政策情景下的模擬結果

從BaU情景下的模擬結果可知，若沒有政府的政策支持，各生產部門的知識積累有限，雖然排放的速度在基準情境下的模擬期內逐年遞減，但排放的增長率仍然較高。本文從政策力度(補貼率水平)和政策引入時間兩個維度模擬不同的補貼政策下主要3E變量的變化情況，具體的情景設計見表5:

在2010年引入補貼政策即情景RDS2010a－e下，從表6可知，GDP和消費增長率變化一致，且從引入補貼政策的下一時期開始，GDP和消費增長率開始加快，若一開始補貼率水平較高(RDS2010－c)，則在引入補貼政策的當期，GDP和消費增長率會出現下降，但從后半個模擬期內開始加速，不止超過了基準情景、甚至超過了存在較低補貼率水平(RDS2010－a、RDS2010－b)下的模擬結果。然而若補貼率水平以較高的速度逐年遞增(RDS2010－e)，GDP和消費增長率在整個模擬期都不會超過BaU情景下的模擬結果。原因是補貼帶來的邊際產出增加并不能補償消費者因征稅而損失的支出。較早地引入補貼政策對下一期的GDP和消費增長率存在微小的促進作用，但之后不同時間情景(RDS2010－a、RDS2015－a、RDS2020－a)下的 GDP和消費增長率以相同的趨勢逐漸下降。

表5 補貼政策模擬情景設計

表6 不同模擬情境下的GDP和消費增長率

在引入補貼政策的當年，能源消耗和碳排放獲得了較高的增長率，但在之后開始逐漸下降，且隨著補貼率水平的提高，增長率越來越小(圖2－3)。補貼政策的引入時間對能源消耗和碳排放增長率的影響有限，在補貼政策引入的當年，能源消耗和碳排放增長率會出現小幅提升，之后不同政策引入時間情景下的能源消耗和碳排放增長率趨于一致(表7)。由于在本文模型的構建中，知識積累需要時間，若在本時期實施補貼政策，則新增的知識要等到下一時期才會進入生產函數，這造成了補貼政策引入的下一時期能源消耗和碳排放增長率才開始下降。

表7 不同政策引入時間情景下的能源消耗和碳排放增長率

圖2 BaU及RDS2010情景下的能源消耗增長率

圖3 BaU及RDS2010情景下的碳排放增長率

從引入補貼政策的下一時期開始，知識強度開始逐漸增加，并且若補貼政策引入的時間越早，知識強度就增加得越快，但不同政策引入時間情境下的知識強度的變化會逐漸地趨于一致。同時，能源強度和碳強度開始下降，且隨著補貼率水平的提升，能源強度和碳強度的下降幅度會增加(表8)。能源強度和碳強度GDP和能源消耗變化的共同結果，在相同的補貼率水平下，較早的引入補貼政策，會使能源強度的下降幅度出現略微的增加(表8)。

圖5 BaU及不同政策引入時間情景下的知識強度

通過能耗增長率和清潔能源占總能耗的比重可分別算出化石燃料和清潔能源的消耗速度，見式(8)－(9)。式中的E(t)、CE(t)、FF(t)、α(t)分別表示時期的能源、清潔能源、化石燃料消耗量和清潔能源占總能耗的比重。

從化石燃料和清潔能源的消耗速度可知，隨著補貼政策的引入，除引入補貼政策的當年外，化石燃料和清潔能源的消耗速度均下降，且隨著補貼率水平的增加下降速度也開始加快(圖6－7)。補貼政策的引入時間對化石燃料和清潔能源的消耗速度影響有限，除補貼政策引入的當年外，較早的引入補貼政策會使化石燃料和清潔能源的消耗速度下降，但是持續時間有限，不同政策引入時間情景下的化石燃料和清潔能源的消耗速度最后總會趨于一致(表9)。

表8 不同模擬情景下的能源強度和碳強度

圖6 BaU及RDS2010情景下化石燃料的消耗速度

圖7 BaU及RDS2010情景下清潔能源的消耗速度

通過對不同模擬情景下的GDP、消費、能源消耗和碳排放等主要3E變量在整個模擬期內的累計變化進行比較(表10)，可以比較不同補貼政策的成本與收益。 在情景RDS2010－a和RDS2010－b下，模擬期內的GDP和消費比基準情境下增加了0.11%，而隨著補貼率水平的提高，GDP和消費不增反降，在較高的補貼率水平(RDS2010－e)下，GDP和消費分別比基準情境下減少0.22%和0.27%，可知R＆D補貼率水平并非越高越好。能源消耗和碳排放則隨著補貼率水平的提高而下降。從表10可知，在相同的補貼率水平下，政策引入時間越早，政策的實施可獲得更高的GDP和消費、更少的能源消耗和碳排放。

表9 不同政策引入時間情境下的化石燃料和清潔能源消耗速度

表10 不同情境下主要3E變量在模擬期內相對于BaU情景的累計變化

五、結論及政策建議

本文基于包含內生技術變化的氣候政策模型，通過運用DCGE技術，從政策力度和政策引入時間兩個維度設計補貼政策模擬情景，對不同情境下主要3E變量的變化情況進行了比較。結果發現:

1.隨著替代彈性的增加，知識的使用價格增加，導致越來越多的知識被化石燃料和物質資本等生產要素所替代，補貼政策雖然能夠在保證知識的邊際生產率水平下降低知識的使用價格，但政策的效果一定程度上取決于替代彈性的大小，在缺少關于各生產部門知識替代彈性的實證基礎前提下制定的補貼政策可能會帶來相反的效果。

2.在適度的替代彈性下，補貼政策會加速知識對其它生產要素的替代，導致能源消耗速度和排放增長率下降，同時增加GDP和消費增長率。但R＆D補貼不是“免費的午餐”，過高的補貼率水平在發揮上述作用時可能會“擠出”消費支出，減少消費者福利，降低GDP增長水平，要同時保證經濟增長和節能減排就需要在補貼政策的兩種效果之間權衡。

3.本文假設能源的使用效率和排放效率本身不存在“自動能源/排放效率改善”(Autonomous Energy/Emission Efficiency Improvement，AEEI)的可能性，并得出政策越早實施效果越好的結論，但若能源效率和排放效率存在自動改善的可能性，更晚地實施政策因技術進步的存在也可能會帶來較小的成本，但是能源效率和排放效率的改善是一個很復雜的過程，充滿了不確定性，從這一角度出發，較早地實施政策就顯的更加謹慎，畢竟未來的效率改善存在諸多不確定性。

補貼能夠促進知識積累，減少能源消耗和排放。在更深的層次上。知識使用價格的降低可能會推動生產部門由傳統的要素積累、能源消耗型向知識使用型轉變，轉變中國的經濟增長方式。當前中國政府面臨著保持經濟增長和實現節能減排雙重目標的壓力，在此背景下，為生產部門提供R＆D補貼具有重要的實際意義。但是在具體實施補貼政策時，由于替代彈性的不確定性，使得補貼政策的效果也具有不確定性，因此在制定政策時需要對知識替代彈性的大小和作用機制有充分的認識，同時避免過度補貼的出現，在此基礎上，政策越早實施，則政策促進經濟增長和節能減排的效果越明顯。

［1］BP.BP statistical review of world energy June［M］.London:BP，2011.

［2］Popp D，Newell R G，Jaffe A B.Energy，the environment，and technological change［R］.NBER Working Paper，2009，No.14832.

［3］Zhou H，Tamas M M.Impacts of integration of production of black and green energy［J］.Energy Economics，2010，32(1):220－226.

［4］Liu T，Xu G，Cai P，Tian L，Huang Q.Development forecast of renewable energy power generation in China and its influence on the GHG control strategy of the country［J］.Renewable Energy，2011，36(4):1284 －1292.

［5］Pigou A C.The economics of welfare［M］.London:Macmillan and Co，1920.

［6］Popp D.R＆D subsidies and climate policy－is there a free lunch［R］.NBER Working Paper，2004，No.10880.

［7］Grimaud A，Lafforgue G.Climate change mitigation policies － are R＆D subsidies preferable to a carbon tax［J］.Revue D'économie Politique，Dalloz，2008，vol.0(6)，pages 915－940.

［8］Nordhaus W.A question of balance:weighing the options on global warming policies［M］.New Haven:Yale University Press，2008.

［9］Sue Wing I.The synthesis of bottom －up and top－down approaches to climate policy modeling:Electric power technologies and the cost of limiting US CO2 emissions［J］.Energy Policy，2006，34(18):3847－3869.

［10］Paltsev S.Moving from static to dynamic general equilibrium economic models［R］.MIT Joint Program Technical Note，2004，No.4.

［11］Loschel A.Technological change in economic models of environmental policy:A survey［J］.Ecological Economics，2002，43(2－3):105－126.

［12］Gillingham K，Newell R G，Pizer W A.Modeling endogenous technological change for climate policy analysis［J］.Energy Economics，2008，30(6):2734 －2753.

［13］Kamien M I，Schwartz N L.Optimal induced technical change［J］.Econometrica，1968，36(1):1 －17.

［14］Binswanger H，Ruttan V W.Induced innovation:technology，institutions and development［M］.Baltimore:Johns Hopkins University Press，1978.

［15］Sue Wing I.Induced technical change in computable general equilibrium models for climate－change policy analysis［D］.PhD dissertation，Massachusetts Institute of Technology，Engineering Systems Division，2001.

［16］Goulder L H，Schneider S H.Induced technological change and the attractiveness of CO2 abatement policies［J］.Resource and Energy Economics，1999，21(3):211－253.

［17］Sue Wing I.Induced technical change and the cost of climate policy［R］.MIT Joint Program Technical Note，2003，No.6.

［18］Ke W，Can W ，Chen J.Analysis of the economic impact of different chinese climate policy options based on a CGE model incorporating endogenous technological change［J］.Energy Policy，2009，37(8):2930 －29402940.

［19］International Energy Agency.CO2 emissions from fuel combustion － 2011 highlights［M］.Paris:IEA，2011.Available at http://www. iea. org/co2highlights/CO2highlights.pdf

［20］International Energy Agency.World energy outlook 2010［M］.Paris:IEA，2010.

［21］Energy Information Administration.International energy outlook 2011［M］.Washington DC:EIA，2011.Available at http://www.eia.gov/forecasts/ieo/

［22］Lau M I，Pahlke A ，Rutherford T.Approximating infinite－horizon models in a complementarity format:a primer in dynamic general equilibrium analysis［J］.Journal of Economic Dynamics and Control，2002，26(4):577－609.

［23］Terleckyj N.Effects of R＆D on the productivity growth of industries:an exploratory study［M］.Washington DC:National Planning Association Washington，DC，1974.

［24］Terleckyj N.Direct and indirect effects of industrial research and development on the productivity growth of industries［M］.Chicago:University of Chicago Press，1980.

The Choice of R＆D Subsidy Policies under Goals of Energy Saving，Emission Reduction and Economic Growth—A Scenario Analysis Based on DCGE Model

WEI Wei，HE Xu－bo
(School of Economics and Finance，Xi'an Jiaotong University，710061 Xi'an，China)

This paper forecasts the main economic－energy－environmental variables such as economic growth，energy consumption and carbon dioxide emission in China with dynamic computable general equilibrium model.Based on these experiment scenarios designed，we simulate the way the above variables change under different subsidy policies.The results show that the increase of elasticity of knowledge substitution will ac－celerate the growth rates of all the above variables while the effect of the subsidy policies depends on the elasticity of substitution and subsidies rates level will cause opposite effect with increasing elasticity of substitution，that growth rates of energy consumption，carbon emission，GDP and consumption will increase with the level of subsidies rates with the moderate elasticity of substitution，that the consumption will be spilled over under higher subsidies rates and GDP growth rate will decline，and that subsidy policies effects will be better in promoting economic growth，energy saving and emission reduction if policies implemented earlier under the same level of subsidies rate.

R＆D Subsidies;Energy Saving and Emission Reduction;Economic Growth;DCGE

A

1002－2848－2012(06)－0070－11

2012－07－06

魏瑋(1966－)，陜西省丹鳳縣人，西安交通大學經濟與金融學院副院長，教授，博士生導師，經濟學博士，研究領域:產業組織與產業政策、產業組織與產業政策、可再生能源經濟學;何旭波(1985－)，云南省祿豐縣人，西安交通大學經濟與金融學院博士研究生，研究領域:經濟增長、氣候變化及CGE建模。

責任編輯、校對:李斌泉