碳排放与我国经济发展关系研究

研究结果

本研究基于前人研究结果，对比以往研究分析模型中的变量，从而总结出对我国二氧化碳排放形成影响的可能变量，使得本研究选择的变量更具有可信度。研究查找了我国20年间（1998-2018年）工业生产和能源使用过程中CO2的排放量。同时采用人口、工业化和城镇化水平作为协变量，进而更精确地分析碳排放量与经济增长率之间的关系。

根据以往研究结果，本研究假设我国CO2排放模型为：

M CO2(t)=β0+β1P GDP(t)+β2P GDP(t-1)+β3P indus(t)+β4P hea(t)+β5P urban(t)+β6P trate(t)+α(t)

M CO2为人均CO2排放量；β0为常数；βk表示第k个解释变量的相关系数；P GDP表示GDP 增长率；P indus(t)表示工业化水平；P urban表示城镇化水平；P trate表示外贸水平；α(t)表示不确定因素带来的误差。

1描述性统计结果

表1描述性统计结果

变量M CO2P GDP P hea P indus P urban P trate Mean 2.953159 99.257 51.236 45.21 31.98 0.6398 Median 2.234043 1236.25 51.3 35.39 25.36 0.32147 Maximum 4.876255 1257.32 62.1 49.29 46.32 0.21472 Minimum 1.428795 620.143 41.1 39.14 26.3 0.0159 Std.Dev 0.515541 0.157862 5.218 1.6874 7.324 0.6987 Skewness 1.014521 1.021522 1.2458 -0.3698 0.984 0.3287 kurtosis 3.987525 2.314522 3.624 2.0147 2.146 2.36971 Jarque.bera 6.315658 2.15862 6.2147 1.6257 3.214 1.26987 probability 0.014555 0.314524 0.01479 0.3698 0.3698 0.35722 sum 67.5423 24795.1 1246.8 1254 860.63 6.32178 Sum sq.dev 23.54159 551326 3214.3 106.32 1935 0.68745 observation 20 20 20 20 20 20 表1列出各统计变量的结果。根据表1的数据统计结果可知，在1998-2018年期间，我国人均GDP由620.143增长到了1257.32，表明我国经济得到了明显的提升。而重工业化提高了21%个百分点，由最低的41.1%提高到了62.1%。此外根据统计结果还可以看出，在20年发展期间，我国第二产业的比率由最初的39.14%提高到了49.29，表明我国第二产业得到了明显的增长。另外，我国外贸业也得到了明显的提高，由最初的26.3%提高到了46.32，整个20年发展期间我国外贸业增长了20多个百分点。

2计量检验结果

表2各变量相关性矩阵

变量M CO2P GDP P hea P indus P urban P trate M CO2 1

P GDP0.951475 1

P hea0.869324 0.783215 1

P indus0.632145 0.632589 0.532186 1

P urban0.874562 0.896523 0.785163 0.369842 1

P trate0.965472 0.936441 0.862158 0.632586 0.983261 1 为了得到CO2排放与我国经济增长的精确模型，因此需要对时间序列计量模型进行相关性、平稳性检验，其各变量相关性矩阵如表2所示。由矩阵结果可以看出，M CO2与大多数变量之间的回归系数大多在0.86以上，只有M CO2与P indus的回归系数为0.63，这表明该模型的拟合度较好。此外P GDP与其它个变量之间的回归系数大多在0.78以上，只有P GDP

与P indus的回归系数在0.63，这表明P GDP与各变量之间也有较强的相关关系。从整体上来看，该表内的各项回归系数表现较好，各项变量之间相关性较强。

3时间序列平稳性检验

虽然上述统计结果得出本研究的各项变量之间的相关性表现较好，但如果在时间序列上表现出不平稳的状态，那么就会导致研究结果出现较大的偏差，进而影响到计量模型的信效度。基于以上问题，本研究需对上述统计结果进行单位根检验，其常用方法为迪基—富勒（DF）检验。检验结果如表3所示。根据检验结果可知，本研究各项变量都表现为不平稳状态，M CO2一阶差分检验后为平稳序列（p<0.01）。此外，对P GDP的一阶差分检验的结果也表现为平稳状态（p<0.05）。根据表3统计结果可知，本研究的各项变量的时间序列都是一阶平稳状态，因而可继续对统计结果做回归分析。

表3时间序列平稳性检验结果

被检验水平检验值一阶差分检验值

序列ADF 表现ADF 表现

M CO2 2.36419 非平稳-5.02252*** 平稳

P GDP-2.96412 非平稳-2.36457* 平稳

P hea-1.32185 非平稳-4.23651** 平稳

P indus-2.36459 非平稳-5.03256*** 平稳

P urban-1.02554 非平稳-4.32152** 平稳

P trate-1.36232 非平稳-3.26854* 平稳

通过对统计结果进行时间序列一阶差分检验，进一步对比各项变量一阶差分序列相关关系数据发现，各项变量的一阶差分序列相关系数表现并不明显（表4）。

表4一阶差分序列相关矩阵

变量M CO2P GDP P hea P indus P urban P trate P GDP(-1) M CO2 1

P GDP0.3624 1

P hea0.3126 -0.029 1

P indus0.4521 0.4125 0.225 1

P urban0.2326 -0.29 0.106 0.1225 1

P trate0.3025 0.074 0.452 0.0331 0.1523 1

P GDP(-1)0.4215 0.0652 0.125 0.6322 -0.2356 0.1523 1

4计量模型估计结果

鉴于经济发展过程中碳排放的排放可能会存在滞后效应，如某生产车间的机械设备一旦投入生产过程，那么再工厂更新生产设备之前，该生产设备的碳排放的排放量就处于稳定排放水平。此外，在运输过程中，运输机械的碳排放排放量也较为稳定。另外还有城市规划过程中，生产建设所产生的碳排放以及公共运输系统的调整过程，以上生产过程都能产生长期稳定的碳排放排放。此外，在某一时期碳排放不仅受到当前经济发展的影响，还要考虑上述机械运转、运输等因素的影响，这些都依赖于前一时期的发展情况。因此在考察碳排放量对经济发展影响的过程中，要引入动态模型滞后项这一因素，进而控制滞后因素对计量模型的干扰，从而提高研究的信效度。

表5计量模型分析结果

解释变量模型1 模型2 模型3 模型4 模型5

c 0.042153 0.024423 -0.096213 0.026354 0.0024

M CO2(-1)0.652152

P GDP-0.000135 0.001262 0.002432 0.00163 0.002164