基于动态面板模型的中国区域碳排放影响因素研究

详细信息    查看全文 | 推荐本文 |

英文篇名：Research on Influential Factors of Regional Carbon Dioxide Emissions in China: Based on Dynamic Spatial Panel Model 作者：崔和瑞 ; 王浩然 ; 赵巧芝 英文作者：Cui Herui;Wang Haoran;Zhao Qiaozhi;Economic and Management School, North China Electric Power University; 关键词：碳排放强度 ; 影响因素 ; 系统广义矩估计 英文关键词：carbon emission intensity;;influential factors;;SYS-GMM 中文刊名：科技管理研究 英文刊名：Science and Technology Management Research 机构：华北电力大学经济管理系; 出版日期：2019-06-20 出版单位：科技管理研究 年：2019 期：12 基金：河北省科技厅创新能力提升计划项目“京津冀低碳技术协同创新系统构建及运行机制研究”(18456214D);; 华北电力大学研究生优质课程建设项目“中级计量经济学课程建设项目”(130017043) 语种：中文; 页：245-251 页数：7 CN：44-1223/G3 ISSN：1000-7695 分类号：X321;F127

摘要

通过动态面板模型和系统矩估计方法对影响碳排放强度的因素进行研究。结果表明,碳排放强度具有显著动态效应,高碳排放省份的动态锁定效应不容忽视。人均GDP与产业结构对碳排放强度具有显著正向效应,环境库兹涅茨假说成立。研发投入对碳排放强度具有显著负向作用,而人口、能源结构和外商直接投资未产生显著作用。因此,优化产业结构和加大研发投入将是加速区域低碳转型的主要潜力方向,同时缓解高碳排放省份的动态锁定效应也是未来低碳转型的重要课题。
        This paper used dynamic panel data model and System-Generalized Method of Moments(SYS-GMM) to study influential factors affecting carbon emission intensity. Results are as follows: Carbon emission intensity has significant dynamic effect, dynamic locking-in effect of high carbon emission cannot be ignored. GDP per capita and the industrial structure are significant positive factors, environmental Kuznets hypothesis is supported. R&D input has a significant negative related to carbon emission intensity,but urban population ratio, energy structure and foreign investment are not significant. Therefore, optimize industrial structure and increasing investment in green technology research and development will be the main potential direction for China to accelerate regional low carbon transformation process.Relieving the dynamic locking-in effect in high carbon emission provinces is also a topic that needs attention for low carbon transformation in the future.

引文

[1]BP石油公司.BP世界能源统计年鉴(2017) [EB/OL].(2017-07-05) [2018-06-08].https://www.bp.com/zh_cn/china/reports-and-publications/_bp_2017-_.html.
    [2]国务院.国务院关于印发“十三五”控制温室气体排放工作方案的通知(国发[2016]61号)[EB/OL].(2016-10-27)[2018-06-08].http://www.gov.cn /zhengce/content/2016-11/04/content_5128619.htm.
    [3]胡建波,任亚运,郭风.国际贸易碳排放指数分解法研究综述[J].环境科学与技术,2016,39(10):69-72.
    [4]宋梅,郝旭光.北京市交通运输业能源消费碳排放影响因素分析[J].中国能源,2018,40(2):42-47.
    [5]LIN BOQIANG,OUYANG XIAOLING.Analysis of energy-related CO2(carbon dioxide) emissions and reduction potential in the Chinese non-metallic mineral products industry[J].Energy,2014(68):688-697.
    [6]张鸿武,王珂英,殳蕴钰.中国工业碳减排中的技术效应:1998—2013:基于直接测算法与指数分解法的比较分析[J].宏观经济研究,2016(12):38 - 49.
    [7]QI YAWEI.Factor decomposition of regional carbon emission from energy consumption for China[J].Advance Material Research,2014(962):1332 - 1337.
    [8]张彬.中国碳排放影响因素研究[D].蚌埠:安徽财经大学,2016.
    [9]李玉敏,张友国.中国碳排放影响因素的空间分解分析[J].中国地质大学学报(社会科学版),2016,16(3):73 - 85.
    [10]闫庆友,尹洁婷.基于广义迪氏指数分解法的京津冀地区碳排放因素分解[J].科技管理研究,2017,39(19):239 - 245.
    [11]郭朝先.中国二氧化碳排放增长因素分析:基于SDA分解技术[J].中国工业经济,2010(12):47 - 56.
    [12]XU SICHUN,ZHANG LE,LIU YUANTAO,et al.Determination of the factors that influence increments in CO2 emissions in JiangSu China using the SDA method[J].Journal of Cleaner Production,2017(142):3061-3074.
    [13]王丽,欧阳慧,马永欢.经济社会发展对环境影响的再认识:基于IPAT模型的城市碳排放分析[J].宏观经济研究,2017(10):161 - 168.
    [14]朱宇恩,李丽芬,贺思思,等.基于IPAT模型和情景分析法的山西省碳排放峰值年预测[J].资源科学,2016,38(12):2316-2325.
    [15]杨骞,刘华军.中国二氧化碳的区域差异分解及影响因素:基于1995—2009年省际面板数据的研究[J].数量经济技术经济研究,2012,29(5):36 - 49.
    [16]YANG LIXIA,XIA HAO,ZHANG XIAOLING,et al.What matters for carbon emission in regional sectors?A China study of extended STIRPAT model[J].Journal of Cleaner Production.2018(180):595 - 602.
    [17]黎孔清,马豆豆,李义猛.基于STIRPAT模型的南京市农业碳排放驱动因素分析及趋势预测[J].科技管理研究,2018,38(8):238 - 245.
    [18]佟昕,陈凯,李刚.中国碳排放与影响因素的实证研究:基于2000—2011年中国以及30个省域的灰色关联分析[J].工业技术经济,2015,34(3):66 - 78.
    [19]李凯杰,曲如晓.技术进步对碳排放的影响:基于省际动态面板的经验研究[J].北京师范大学学报(社会科学版),2012(5):129 - 139.
    [20]周杰琦,韩颖.中国碳排放强度的区域差异与驱动因素:基于1995-2013年省际面板数据的实证分析[J].财经理论研究,2016(1):18 - 26.
    [21]DONG FENG,YU BOLIN,HADACHIN T,et al.Drivers of carbon emission intensity change in China[J].Resource,Conservation & Recycling,2018(129):187-201.
    [22]许士春,龙如银.中国能源和碳排放的效率测度与影响因素研究[J].2015,29(3):74 - 78.
    [23]周杰琦,汪同三.外商直接投资、经济增长和CO2排放:基于中国省际数据的实证研究[J].北京理工大学学报(社会科学版),2014,16(3):30 - 37.
    [24]INTERGOVERNMENTAL PANEL ON CLIMATE CHANGE .IPCC guidelines for national greenhouse gas inventories [R].[S.L.]:IGES,2006.
    [25]EHRLICH P R,HOLDEN J P.Impact of population growth[J].Science,1971(3):1212 - 1217.
    [26]BLUNDELL R,BOND S.GMM estimation with persistent panel data:an application to production function [J].Econometric Reviews,2000,19(5):321-340.
    [27]谷安平,史代敏.面板数据单位根检验LLC方法与IPS方法比较研究[J].数理统计与管理,2010,29(5):812 - 818.
    [28]郑丽琳,朱启贵.中国碳排放库兹涅茨曲线存在性研究[J].统计研究,2012,29(5):58 - 65.
    [29]许广月,宋德勇.中国碳排放环境库兹涅茨曲线的实证研究:基于省域面板数据[J].中国工业经济,2010(5):37 - 47.