政府支出與碳排放的影響因素分析
——基于STIRPAT拓展模型的面板實證

劉書玲 曹慶仁,2 鄭 衛

(1.中國礦業大學管理學院，江蘇省徐州市，221116；2.江蘇能源經濟管理研究基地，江蘇省徐州市，221116)

在2009年哥本哈根氣候大會上，我國承諾2020年單位GDP碳排放較2005年將減少40%～45%。但相關報告已指出，中國的碳排放量已經達到了100億t，總量連續多年居全球首位。工業是使用化石燃料的重點行業，是碳排放的主要貢獻者。工業4.0時代背景下，我國成為世界上最大的機械制造國，以工業產值計算，我國已經成為全球最大的工業國，生產出了接近全世界一半的主要工業品。工業4.0為我國制造業創造了眾多機遇與盈利，但同時也給我國環境帶來一些危害，為緊跟工業4.0的步伐，我國制造業在加大技術投入、轉型升級的過程中，必然會加大能源消耗，最終導致碳排放的增加。因此在工業4.0時代背景下，研究工業省(市)碳排放的影響因素，對我國實現減排承諾而言至關重要。

STIRPAT模型一直是研究環境問題的主流手段之一。黃蕊、王錚等(2016)利用STIRPAT模型，定量分析江蘇省能源消費碳排放量與人口、富裕度、技術進步和城鎮化水平之間的關系；張麗峰(2015)基于STIRPAT模型，構建狀態空間模型，定量分析了北京市1980-2011 年的人口規模、人口城市化結構、居民消費與經濟規模4個變量對碳排放隨時間變化的動態影響；朱勤等(2010)從消費壓力人口因素出發探討碳排放，利用擴展后的STIRPAT模型分析居民消費水平、人口城市化率、人口規模3個因素對我國碳排放的影響；馬素琳等(2016)通過拓展后的STIRPAT模型(加入能源消費需求、工業化水平和產業集聚度)，分析我國30個省份和直轄市2003-2012年的面板數據，最后得出：城市規模與集聚程度對空氣質量有不同的影響。另一部分學者將STIRPAT模型應用到工業中，如何小鋼(2012)、任曉松(2014)、肖宏偉等(2013)基于STIRPAT模型研究工業碳排放的影響因素，其中何小鋼(2012)基于改進的STIRPAT模型，利用動態面板數據實證，發現投資規模與碳排放顯著正相關，政府節能減排政策有助于降低碳排放；任曉松等(2014)基于STIRPAT模型的基礎確定中國工業碳排放的影響因素為人口規模、人均工業產值和工業技術水平，并采用灰色預測模型對碳排放進行預測，結果表明：人均工業產值對工業碳排放影響最大；肖宏偉等(2013)從區域層面構建了工業排放驅動因素的擴展STIRPAT模型，考察各驅動因素對區域工業碳排放規模和碳排放強度的影響，實證發現驅動因素通過直接和間接途徑影響碳排放。

雖然許多學者利用STIRPAT模型及其變形，針對工業碳排放的影響因素做出了很多貢獻，但很少有人考慮到政府因素對碳排放的影響。胡宗義(2014)已通過實證研究發現：政府公共支出對碳排放具有負向的直接作用和正向的積極作用，但在均衡收入水平下，總效應為正，使得政府公共支出對碳排放不具有減排效應；Tian從區域層面研究中國碳排放，最后發現政府行為導致的碳排放在總碳排放中占比9%；Meng等根據投入產出模型，從消費端出發研究天津、重慶、北京、上海4個特大城市的碳排放，證明了北京市的政府開支是當地碳排放最大的貢獻者。綜上可知，政府因素應是當地碳排放的主要影響因素之一，故本文在以上學者的研究基礎上，構建STIRPAT模型的拓展模式(加入政府因素)，利用8省(市)1996-2015年的相關面板數據，探究工業碳排放的影響因素。

1 STIRPAT模型和研究方法

IPAT模型是早期研究環境問題時較常使用的一個模型，其將人為驅動力與環境問題爭論的核心問題結合形成了一個分析框架。國家或地區對環境和生態系統的影響(I)都是其人口數量(P)和富裕水平(A)的產物，并被支持這種富裕程度的特定技術(T)所破壞，即I=PAT。但是IPAT模型往往只是改變一個因素，保持其他因素不變來研究其對環境的影響，因變量對自變量的彈性等于1，其結果是因變量的等比例影響，在如今復雜的社會環境中存在很大的局限性。為了克服IPAT模型的不足，Dietz 等人在IPAT模型的基礎上提出了STIRPAT模型，其標準形式為：

I=aPbAcTde

(1)

式中：I、P、A、T——環境影響、人口因素、富裕程度和技術水平；

a——模型系數；

b、c、d——各自變量指數；

e——誤差(除P、A、T外的所有影響碳排放量的因素)。

在實際研究中，需對模型(1)進行對數化處理，模型變為：

lnI=lna+blnP+clnA+dlnT+lne

(2)

某一地區內的政府支出在總支出中所占的比重較大，其對當地環境的影響不容忽視，故本文考慮到政府對環境的影響，參考馬素琳(2016)、周彥楠等(2017)關于STIRPAT模型的拓展方法，將政府因素引入到模型(2)，則模型(2)變為：

(3)

式中：G——政府因素；

f——政府對環境的影響指數。

本文選取人口總量、城鎮化率、人均GDP、能源強度、政府支出5個變量對碳排放進行分析。其中，人口總量、城鎮化率作為反映人口因素的指標；人均GDP(反映居民消費水平)是評價經濟發展的重要指標，故將其作為反映富裕程度的指標；能源強度作為反映技術水平的指標；政府支出作為反映政府因素的指標。STIRPAT模型變量分析圖見圖1。由于篇幅限制，本文僅對能源強度和政府支出指標進行分析。

(1)能源強度，是一個國家或地區在一定時間內的單位產值所消費的能源量，是能源綜合利用效率和能源經濟效益的重要指標，反映了一個國家或地區的技術水平。其計算公式為：能源強度=能源消費總量/實際GDP。

(2)政府支出，是指一個國家或地區為了完成其公共職能，對購買的所需商品和勞務進行的各種財政資金的支付活動，是政府必須向社會付出的成本。

圖1 STIRPAT模型變量分析圖

由上述分析可得，模型(3)變為：

(4)

式中：I——碳排放量；

P1、P2——人口總量、城鎮化率；

A——人均GDP；

T——能源強度；

G——政府支出。

因為P2取的是百分數，若取對數形式則失去了經濟意義，故保留了其原來形式。

2 實證分析

2.1 數據來源

本文分別選取了4個以輕工業為主的省(市)和4個以重工業為主的省(市)：江蘇省、浙江省、廣東省、上海市、山東省、遼寧省、黑龍江省、北京市，其中江蘇省、浙江省、廣東省和上海市等長三角地區及珠三角地區主要發展輕工業，山東省、遼寧省、黑龍江省和北京市主要發展重工業。通過分析以上8省(市)1996-2015年的面板數據，研究我國工業碳排放量的影響因素。碳排放量計算公式主要參考《2006年國家溫室氣體清單指南》及員開奇等(2014)的研究成果：

(5)

式中：I——碳排放量；

Energyi——第i種能源的消費量(已折算成標準煤)，由于我國二氧化碳主要通過化石能源的燃燒產生，則本文碳排放量的核算主要考慮煤炭、石油、天然氣，其消費量來源于《國家統計年鑒》；

βi——第i種能源的碳排放系數，本文參考國際上較權威的機構所發布的碳排放系數數據，并采取各數據的平均值進行計算，見表1。

表1 碳排放系數表

能源消費總量來源于各年《能源統計年鑒》，政府支出用政府一般預算支出表示，其與人口規模、人口結構及GDP等數據來源于各年《國家統計年鑒》、《各省統計年鑒》及《新中國60年統計資料匯編》，其中GDP數據根據平減指數法已經剔除了價格影響因素(1996=100)。

2.2 結果分析

2.2.1 政府一般預算支出與碳排放

1996年以來上述8省(市)的政府一般預算支出情況如圖2所示，一般預算支出總體上保持不斷增長的趨勢。對比而言，每年廣東省的政府一般預算支出最大，黑龍江省的政府一般預算支出最小。1996年廣東省的政府一般預算支出為601.23億元，2015年上升到12827.8億元，增長了2033.59%；1996年黑龍江省的政府一般預算支出為208.88億元，2015年上升到4020.66億元，增長了1824.87%。1996-2015年，江蘇省、浙江省、山東省、遼寧省、北京市和上海市的政府一般預算支出也保持著高增長的趨勢。

圖2 8省(市)政府一般預算支出情況

1996年以來上述8省(市)的碳排放情況如圖3所示，其總量保持不斷增長的趨勢。山東省的碳排放量最大，增長最為迅猛，1996年碳排放量為8025.167萬t，2015年上升到34560.95萬t，增長了330.62%。2002年以前江蘇省、遼寧省、廣東省、浙江省和黑龍江省的碳排放量較平穩，2002年急劇增加，之后增長速度有所下降，但仍然保持不斷增長的趨勢。上海市和北京市的碳排放增長速度相比其他6省而言較為平緩。

圖3 8省(市)碳排放情況

結合圖2和圖3分析總體趨勢可以發現：1996-2002年，8省(市)的政府一般預算支出在1996-2002年緩慢增加，期間碳排放量無明顯變化；2002年后，8省(市)的政府一般預算支出增長加速，在2015年前一直保持明顯的增長趨勢，其碳排放量(除北京市、上海市)在2002年開始明顯增長，2015年前一直保持高速增長的趨勢。

2.2.2 Hausman檢驗

在運用面板數據進行STIRPAT模型的構建前，首先應考慮個體可能存在的特殊效應對估計方法的影響。一般用隨機誤差項公式μit=αi+εit分析個體的特殊效應，其中αi表征個體特殊效應，反映了不同個體間的差別，根據αi是否為固定的常數，分為固定效應模型(Fixed Effect Model)和隨機效應模型(Random Effect Model)。Hausman等學者認為隨機效應模型優于固定效應模型，固定效應模型在估計時會損失較多的自由度，但隨機效應模型在實際運用中可能因為忽略一些變量，而滿足不了“隨機變化的個體影響與模型中的解釋變量不相關”的前提假設。故在利用面板數據進行STIRPAT建模時應在固定效應模型和隨機效應模型之間進行選擇，本文運用Hausman提出的一種嚴格的統計檢驗方法——Hausman檢驗對其進行判斷，其原假設是：隨機效應模型中個體影響與解釋變量不相關(即選擇隨機效應模型)。Hausman檢驗結果見表2。

表2 Hausman檢驗結果

注：χ2值為Hausman檢驗的統計量值，括號內為對應的臨界值，***表示在1%的顯著性水平下拒絕原假設

由表2可知，8省(市)20年間的Hausman檢驗的χ2統計量值大于其臨界值，且在1%的顯著性水平下顯著，則拒絕原假設，接受備擇假設，即認為隨機效應模型中個體影響與解釋變量相關，故本文在運用面板數據進行STIRPAT建模時選擇固定效應模型。

2.2.3 回歸結果

本文根據STIRPAT模型，利用EViews 8軟件對數據進行回歸，結果見表3。

由表3可知，常數項C通過了10%的顯著性水平檢驗，其他變量都通過了1%的顯著性水平檢驗，各變量系數的檢驗都拒絕原假設，且調整R2的值和模型的F值都較大，表明模型擬合效果較好，即模型(4)能較好地描述碳排放與各變量的關系，其具體表現形式為：

(6)

分析系數發現，城鎮化、人均GDP、能源結構和政府一般預算支出的增加都會促進當地的碳排放增加，而人口總量的增加并不一定會導致碳排放增加。其中，政府一般預算支出對碳排放的影響最大，能源結構的影響次之，政府一般預算支出每增加1%，碳排放將增加11.97%，政府支出對碳排放的影響不可忽視，能源強度每增加1%，碳排放將增加0.89%。城鎮化率和人均GDP每增加1%，碳排放將分別增加0.35%和0.16%。嚴格把控、合理利用政府支出可以有效減少二氧化碳的排放，提高科學技術水平、降低能源強度。

表3 普通最小二乘法估計結果

注：*、***分別表示在10%、1%的顯著性水平下拒絕原假設，adjust-R2表示調整后的判定系數，F值指模型整體的F統計值

3 結論與啟示

(1)政府一般預算支出與碳排放在總體上具有類似的變化趨勢。政府一般預算支出和碳排放在1996-2002年間都無顯著變化，2002年后快速增加，并一直保持高速增長的趨勢。

(2)城鎮化率、人均GDP、能源結構和政府一般預算支出的增加會促進當地碳排放的增加。城鎮化率、人均GDP、能源結構和政府一般預算支出每變化1%， 碳排放會同方向變化0.35%、0.16%、0.89%和11.97%，其中政府一般預算支出對碳排放的影響最大。

(3)工業4.0背景下，我們應該提高科學技術水平，增強能源使用率，降低能源強度，減少碳排放。此外，政府支出對碳排放的影響較大，今后應將政府支出作為碳排放研究的一個方向。