基于城鎮化視角二氧化碳排放的經驗分析

白楠楠

（遼寧石油化工大學 經濟管理學院，遼寧撫順113001）

0 引言

在目前經濟增長模式面臨轉型和世界經濟形勢總體不振的情況下，要保持中國經濟平穩增長，繼續深入推進城鎮化可能是較好的選擇，雖然很多學者都提出即使是繼續深入推進城鎮化，那么傳統的城鎮化模式也需要轉型，但是在傳統的城鎮化模式到底面臨著何種挑戰這一問題上，國內尚沒有學者進行過深入研究。本文將基于一個全新的視角即中國城鎮化與二氧化碳排放之間的關系對此問題進行初步分析。本文將動態模型與靜態模型結合起來，并對兩種模型的估計結果進行對比。此外，之前的研究大都假設城鎮化對CO2排放的影響在不同的國家是相同的，這顯然與現實不符，因為不同國家的城鎮化階段不一樣必然會造成其對于CO2排放的影響方向和程度也不一樣，這對于中國問題的研究顯得尤其重要，因此，我們特意將樣本分為包括中國和不包括中國兩部分，并對樣本估計結果進行對比，這不僅可以有效避免由此導致的估計不一致問題，更可以加深對中國問題的認識。

1 模型構建

根據前人的研究，我們同樣在控制人口、收入和技術的基礎之上研究城鎮化對于CO2排放的影響，Dietz and Rosa(1997)建立了如下的模型：

模型（1）中，I表示CO2排放，P表示人口、A表示收入、T表示技術進步，下表i表示國家，t表示時間，ai和eit分別代表個體效應和隨機誤差項。現在對（2）式兩邊去自然對數，我們得到模型（2）：

模型（2）中，vi和εit分別表示個體效應和隨機誤差項，下面我們將城鎮化U加入模型（2）中，就得到了我們在本研究中要使用的模型（3）。

下面我們首先說明估計系數異質性對于估計方法選取的影響，如果式（3）中系數不存在異質性，我們可以直接采用一般的面板數據估計方法即可，但是當系數出現異質性時，我們則必須使用均群估計或者方差均群估計來進行。當我們將解釋變量或者被解釋變量的滯后項加入模型（3）的右邊時，其就變成了動態模型，這被稱為自回歸滯后分布模型（ARDL），其滯后期可以根據SIC信息準則來確定，動態模型相對于靜態模型來講，其優點是可以同時捕捉到短期與長期的彈性。在具體的估計過程中，我們將分別使用均群估計、相關均群估計和增廣均群估計來擬合相關模型。

均群估計方法允許系數和殘差隨個體進行變動，從而將個體異質性考慮進來。具體來說，其首先使用OLS方法對每一個個體進行估計從而得到每一個個體的系數估計值，然后在將這些估計值進行平均，對于大樣本而言，這種估計方法能夠得到一致估計。對于動態模型而言，其將適當的滯后變量包括進來有利于修正殘差的序列相關和內生性問題。但是一般均群估計方法中沒有考慮可能在樣本數據中出現的相關性，而相關均群估計則在估計當中包含了個體依賴性和異質系數，依賴性主要是用解釋變量與被解釋變量的個體均值來表示，通過引入依賴性可以在模型中考慮個體之間不可觀測的共性，而異質系數則是以個體數目對均群估計的系數進行加權得來的，相關均群估計對于結構突變、非協整和序列相關都具有很好的穩健性。增廣均群估計則是相關均群估計的替代估計方法，區別在于前者將不可觀測的共性作為一般的動態過程，而后者則將其看做異常值。

2 數據

我們采用的數據是16個發展中國家在1971～2012年的非平衡面板數據，這些國家包括：巴西、智利、中國、哥倫比亞、埃及、匈牙利、印度、印度尼西亞、韓國、馬來西亞、墨西哥、摩洛哥、菲律賓、南非、泰國和土耳其。

在實證分析中，CO2表示CO2排放量的自然對數，收入使用人均國內生產總值的自然對數表示，其中，人均國內生產總值以2005年為基期，人口使用總人口的自然對數表示，城鎮化率使用居住在城市中的人口與總人口的比率來計算，城鎮化則使用城鎮化率的自然對數來表示，技術方面，我們使用能源密度來表示，因為這與CO2排放的關系更加密切。能源密度的計算公式為單位GDP（美元）的能源消耗，在分析中，我們同樣對其取對數，所有的數據均可以從世界銀行的網站上獲取。

表1 相關變量的年均增長率（%，1971～2012）

表1計算了所有國家相關變量的年均增長率，我們可以看出其在各個國家的分布。CO2排放量的年均增長率從最高的泰國（7.443%）到最低的匈牙利（-0.298%），泰國、馬來西亞和印度尼西亞的CO2排放量年均增長率均超過6%，人均收入方面從最高的中國（7.465%）到最低的南非（0.482%），中國、韓國和泰國人均收入的年均增長率均超過4%，菲律賓、馬來西亞、南非和墨西哥的人口增長最快，均超過2%，匈牙利經歷了人口的負增長，印度尼西亞和中國的城鎮化率均超過2%，埃及的城鎮化率最低，僅有0.053%，能源密度最高的分別是摩洛哥、埃及、南非和韓國，均超過0.5%，超過一半的國家能源密度出現了下降，中國的最低，達到了-4.13%。

變量之間的相關分析見表2所示。CO2排放與收入和城鎮化負相關，與人口和能源密度正相關，在進行計量分析之前，我們首先對數據進行單位根檢驗，如果數據具有個體相關性，那么單位根檢驗就會失效，我們首先使用CD檢驗來驗證面板數據是否具有個體相關性，結果表明（表3），除了能源密度之外，其他變量均具有個體相關性。我們首先使用IPS面板單位根檢驗，這些檢驗均帶有常數、趨勢項和根據AIC信息準則確定的不超過五階的自回歸過程，檢驗結果（表4）說明除城鎮化是平穩序列之外，其他四個變量均是一階差分平穩過程。但是由于存在變量的個體相關性，因此，我們又進行了CIPS面板單位根檢驗，所有檢驗均帶有常數和趨勢項。CIPS檢驗表明除城鎮化外，其余所有變量均包含一個單位根，這就使得標準的面板估計方法實效，因此，我們只能使用新近發展的對于協整和個體相關性都很穩健的異質面板估計方法。

表2 變量之間的相關分析

表3 個體相關性檢驗

表4 單位根檢驗結果

3 估計結果

基于對系數和動態特征的假設不同，我們報告了一系列模型的估計結果，表5列示的是在同質系數的靜態模型之下得出的結果，我們分別使用帶有面板修正標準差的Pooled OLS（PCSE）、固定效應（FE）和隨機效應(RE)對其進行估計。表5顯示，收入的彈性在1.009到1.095之間，并且是統計顯著的，人口的彈性也是顯著的，其取值在0.935到1.874之間，固定效應與隨機效應下的城鎮化彈性系數分別為0.043和0.209，但是在PCSE方法之下，其彈性系數為負值，能源密度的彈性則顯著為正。總之，靜態模型的估計結果表明人口、收入、能源密度的彈性均顯著為正，但是當樣本中都不包含中國時，城鎮化的彈性系數都不顯著，而且其符號也不統一，但是，一旦當樣本中包含了中國，城鎮化的彈性系數就顯著為正。

這說明是否包含中國對于城鎮化的估計系數具有顯著影響，也說明各國城鎮化進程不一致可能會導致其對CO2排放的影響也不一致。我們對殘差進行了CD檢驗和CIPS檢驗，結果表明，殘差具有顯著的個體相關性，并且回歸的擬合效果較差，序列存在較強的動態特征。

表5 同質系數與靜態模型的估計結果

表6 異質系數與靜態模型的估計結果

表6放松了假定，認為存在著異質性系數，但是仍然使用靜態模型。從結果可以看出，收入的彈性在1.032和1.158之間且在1%的水平上顯著，人口的彈性系數在1.789和3.529之間且在5%的水平上顯著，能源密度的彈性系數在0.830和0.978之間且在1%的水平上顯著，城鎮化的彈性系數在不包含中國的情況下，其系數均不顯著，符號也不一致，但是當樣本中包含中國，其系數顯著為正。CD檢驗顯示在相關均群估計和增廣均群估計中有個體相關性的證據，但是在一般均群估計中沒有顯著的證據。由于控制了異質系數和個體相關性，表6中的殘差均具有靜態特征，需要注意的是，表6中RMSE值均比表5中的小一個數量級，這說明異質系數更加適合我們的數據。

表7的估計結果是在異質系數和動態模型的基礎上得到的，首先看控制變量，收入的彈性系數依然是在1%的水平上顯著為正，其大小在1.132到1.447之間，這在不同的估計方法之間不存在明顯差別，人口的彈性系數在0.714到2.178之間且有兩種方法是在1%的水平上顯著。城鎮化的系數為正但是不顯著，需要注意的是，使用動態模型估計的城鎮化彈性系數要大于靜態模型下的結果。能源密度的彈性系數顯著為正，CO2排放滯后期值在10%的水平上顯著為正，且其值在0.123到0.447之間，這表示CO2排放的持續性處于中低水平。收入和能源密度滯后期的估計系數為負且分別在1%和5%的水平上顯著。同樣的，包含和不包含中國數據的樣本估計結果再次表明，包不包含中國對于城鎮化估計系數的影響和顯著性影響巨大，考慮中國的樣本估計結果表明城鎮化對于CO2排放具有顯著的正面影響，但是不考慮中國的樣本估計結果表明城鎮化對于CO2排放不具有顯著的影響。CD檢驗和CIPS檢驗表明不存在個體相關性和誤差的動態特征，低的RMSE說明以異質系數和動態模型為基礎的估計更加適合本文的數據。

表7 異質系數與動態模型的估計結果

由于城鎮化系數的估計值在統計上不顯著，因此我們將其忽略掉并對動態模型進行重新估計，估計結果見表8。表8中，滯后期的CO2排放對現期值具有顯著的正向影響，現期的收入和能源密度對CO2排放具有顯著的正向影響，人口的彈性系數為正且在其中兩種方法中是顯著的。殘差檢驗顯示其在1%的顯著性水平上具有靜態特征且不存在個體相關性。需要注意的是，帶有城鎮化變量的RMSE值要略小于不帶有RMSE的設定，因此，表8的估計結果更好一些。

根據表7和表8中的估計結果可以進一步計算CO2排放的短期和長期彈性，其他發展中國家收入的短期彈性從1.147到1.178，長期彈性則從0.938到1.008，包括中國在內的所有發展中國家其收入和能源密度的彈性系數均小于不包括其他發展中國家的相應彈性系數，這說明中國的城鎮化已經在一定程度上解釋了其他變量對于CO2排放的影響，使得其他變量的系數變小。對每一種方法而言，其短期彈性要大于其長期彈性。人口的短期彈性從0.997到1.853，長期彈性從0.978到1.742，能源密度的短期彈性在0.809到0.855之間，其長期彈性為0.762到0.834所有的長期和短期彈性都為正，說明這些變量的增加無論是在長期還是在短期都會增加CO2排放量。本文的結果具有重要的政策含義，CO2的存續時間很長，今天排放到空氣中的CO2會持續累積到以后，既然人口和收入在新興經濟體中會不斷增長，那么為了降低CO2排放量只能不斷的降低能源密度。更重要的是，我們發現對于其他發展中國家而言，城鎮化對CO2排放沒有顯著的影響，從計量模型中去掉城鎮化也不會影響其預期，因此，那些沒有考慮城鎮化影響的能源和環境政策也基本上會實現其預期的目標。

表8 異質系數與動態模型的估計結果

表9 CO2排放的相關彈性

4 結論

本文從經驗角度研究了城鎮化對CO2排放的影響，由于包括中國在內的新興發展中國家的城鎮化在未來會有一個跨越式發展，因而如果城鎮化對CO2排放有顯著性影響的話，那么未考慮城鎮化的能源和可持續發展政策就會收到極大影響。通過分析我們發現，收入、人口和能源密度三個變量在不同的模型假設下并未表現出明顯的差異。而相對于包含中國數據的樣本估計結果，未包括中國的樣本其城鎮化估計系數都是不顯著的，也就是說，這些國家的城鎮化對于CO2排放的影響可能存在相互抵消的因素，正像我們在文獻綜述當中的理論分析所指出的那樣，城鎮化的發展一方面會加重環境的負擔，但另一方面也會通過技術進步、結構調整來減輕環境所受到的負面影響，這兩方面的效應很可能會相互抵消從而使得城鎮化對于CO2排放的影響變得不顯著了，因此，對于這些國家來說，忽略掉城鎮化影響的可持續發展政策并沒有太大的不妥，進一步來講，從長期彈性系數來看，人口的彈性系數要大于收入的彈性系數，收入的彈性系數又大于能源密度的彈性系數，但是這三者均顯著為正，這說明隨著新興經濟體城鎮化的不斷進展，CO2排放會持續增加。由于新興經濟體的人口和收入不會下降，因此，要想降低CO2排放，就必須從提高能源使用效率入手，新興經濟體可以通過市場或稅收手段來鼓勵經濟主體減少對石油、煤炭等化石能源的使用，而增加對于可再生能源的利用。

但是當在樣本中考慮中國的數據時，城鎮化的彈性系數則變得顯著為正，而且中國的收入和能源密度的彈性系數都要小于未考慮城鎮化影響的其他國家的彈性系數，這說明中國的城鎮化不僅會顯著增加CO2排放量，而且還會改變收入和能源密度對于CO2排放的影響，也就是說，其他發展中國家由于城鎮化發展的不同階段使得其對于收入和能源密度影響CO2排放的機制相互抵消了，但中國作為最大的能源消費國，其特殊的城鎮化路徑使得收入和能源密度對于CO2排放的影響都體現了城鎮化的間接影響，一旦我們在模型中包含了城鎮化對于CO2排放的顯著影響，那么收入和能源密度的影響就會被削弱，這或許能夠解釋不同的模型在能源消費、CO2排放和變量系數上體現出來的矛盾。

[1]Hossain M S.Panel Estimation for CO2 Emissions,Energy Consumption,Economic Growth,Trade Openness and Urbanization of Newly Industrialized Countries[J].Energy Policy,2011,(39).

[2]Poumanyvong P,Kaneko S.Does Urbanization Lead to Less Energy Use and Lower CO2 Emissions?A Cross-Country Analysis[J].Ecol.Econ,2010,70(2).

[3]Poumanyvong P,Kaneko S.Does Urbanization Lead to Less Energy Use and Lower CO2 Emissions?A Cross-Country Analysis[J].Ecol.Econ,2010,70(2).

[4]Sharma S S.Determinants of Carbon Dioxide Emissions:Empirical Evidence from 69 Countries[J].Applieal.Energy,2011，(88).

[5]付強.雙贏互換性規制失效與新型接入歧視[J].財經問題研究，2013,(10).

[6]付強,于良春.論中國電力產業輸配管理體制改革路徑選擇[J].東南學術，2014,(2).