我国二氧化碳排放的影响因素：基于省级面板数据的研究，本文主要内容关键词为：省级论文,面板论文,因素论文,我国论文,数据论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一 引言
大量证据表明，以二氧化碳（
）为主的人为温室气体排放是全球变暖的主要原因。IPCC（2007）第四次评估报告指出，气候变化可能会导致一些不可逆转的影响，如果全球平均温度增幅超过工业革命前1.5－2.5℃，那么20％－30％的物种可能灭绝，超过3.5℃则可能导致40％－70％的物种灭绝。全球气候变暖关乎人类社会的可持续发展，因此受到国际社会的广泛关注。随着工业化和城市化的快速推进，我国的能源消费快速增长，排放量也随之急剧增加，使得我国政府面临的国际减排压力也越来越大。① 最近，我国政府正式宣布了控制温室气体排放的行动目标，决定到2020年，单位国内生产总值排放量比2005年下降40％－45％，并将之作为约束性指标纳入国民经济和社会发展中长期规划。客观科学地评估我国等温室气体的排放现状和基本特征，全面细致地分析我国C02等温室气体排放的主要影响因素，可以为我国政府有效地实施：等温室气体的减排战略提供理论基础，因此具有重要的研究价值。
大量文献对我国排放的影响因素进行了研究。② 根据研究方法的不同，大致可以归为三类。
第一类方法是指数分解分析（Index Decomposition Analysis），包括Ang and Pandiyan（1997）、Zhang（2000）、Wang et al.（2005）、Wu et al.（2005）、Fan et al.（2007a）、Liu et al.（2007）、Feng et al.（2009）、Zhang et al.（2009a，2009b）、Zha et al.（2010）、查冬兰和周德群（2007，2008）、曾贤刚和庞含霜（2009）、王锋等（2010）等。指数分解方法往往将排放分解为人均GDP、能源强度、能源消费的碳强度、人口规模等诸多因素，并根据所分解的恒等式考察各影响因素的重要性和变化趋势。在实际应用中，根据分解公式和所用指数的不同，指数分解方法多种多样。几乎所有的研究都发现，能源强度和经济规模的变动是影响我国排放的主要因素，而经济结构和能源消费结构的影响并不是很大。指数分解方法简单明确，且可以根据分析的需要对分解恒等式进行一定程度的变化，因此具有相当的优越性。但是，指数分解方法所能考察的因素仍然具有一定的局限性，很多因素难以纳入分析，例如，经济发展水平与排放之间可能存在的非线性关系、技术进步的影响、所有制的影响等。
第二类方法是投入产出分析和可计算一般均衡方法（Computable General Equilibrium,CGE），这两种方法都基于某一年的投入产出表进行分析。基于动态CGE模型，Garbaccio et al.（1999）分析了征收碳税可能对我国减排产生的影响。基于投入产出分析，Fan et al.（2007b）和Liang et al.（2007）考察了技术进步、人口规模、城市化对我国能源需求和碳排放的影响，Lin and Sun（2010）、Guo et al.（2010）、朱启荣（2010）分析了国际贸易对我国碳排放的影响，而张友国（2010）则分析了经济增长方式转变对我国GDP碳排放强度的影响。投入产出分析和CGE方法的优点在于可以进行详细的部门分析，但是这两种方法都基于某一年的投入产出表，而我国的投入产出表每隔5年才更新一次，因此在数据上会存在一定的滞后性。
第三类方法是计量经济分析。Ang（2009）基于宏观时间序列数据考察了我国的影响因素，发现排放与研究强度、技术转移和技术吸收能力负相关，而与收入水平、能源使用量及贸易开放程度正相关。林伯强和蒋竺均（2009）也基于国家层面的宏观时间序列数据，考察了人均收入水平和人均：排放量之间的关系，发现两者之间存在倒U型关系。Auffhammer and Carson（2008）试图在面板数据模型框架下对我国的排放趋势进行预测，但是他们的研究是基于一个废气排放的面板数据集，而非排放数据。李小平和卢现祥（2010）基于分行业面板数据，考察了人均产出、贸易开放程度、技术研发等因素对我国工业行业碳排放的影响。王伟群、周鹏、周德群（2010）则基于数据包络分析，考察了我国包含碳排放因素的全要素生产率变动情况，并在分省面板数据计量模型下对相关影响因素进行了分析。计量分析方法相对灵活，但是长时间跨度的时间序列模型容易受结构突变问题的困扰，而面板数据模型则可以较好地克服这一问题。此外，面板数据模型不但可以扩大样本容量、增加样本自由度、减少变量之间的共线性，而且可以控制样本的个体异质性，从而提高估计的有效性和可靠性（Hsiao,2003; Baltagi,2005）。事实上，国际上关于全球排放的研究大量采用了面板数据计量模型，包括Holtz-Eakin and Selden（1995）、Tucker（1995）、Schmalensee et al.（1998）、Lantz and Feng（2006）、Maddison（2006）、Aldy（2007）等。
本文较为精确地估算了我国29个省1995－2007年的排放量，构建了省级排放面板数据集，并分别应用静态和动态面板数据计量方法，对我国排放的影响因素进行了深入分析，得出了一些有意义的结论。本文的研究具有一定的理论价值和政策含义。从理论上来说，本文重新估算了我国29个省的排放量，构建了新的分省排放面板数据集。本文估算的排放量不仅包括化石能源燃烧的排放量，也包括水泥生产所产生的排放量，而且，化石能源的消费被进一步细分为煤炭、焦炭、汽油、煤油、柴油、燃料油、天然气七类，因此相对较为精确。同时，本文不但估计了静态面板数据模型，而且进一步引入了动态面板调整模型，从而得以考察我国排放的动态影响过程。从政策含义上来说，本文确定了影响我国排放最重要的几个因素，对我国政府制定减排政策具有重要的参考价值。
全文的结构安排如下：第二部分对我国29个省1995－2007年排放量进行了估算，并进行了简单的描述性分析；第三部分是计量模型和数据说明；第四部分是计量结果和相关解释；最后是总结性评论。
二 估算分省排放量
我国没有直接公布排放量，因此必须运用相关方法进行估算。参照IPCC（2006）以及国家气候变化对策协调小组办公室和国家发改委能源研究所（2007）的方法，本文详细估算了我国29个省（直辖市、自治区）1995－2007年的排放量。为了增加估算的全面性，本文不但估算了化石能源燃烧的排放量，而且也估算了水泥生产过程的排放量。③ 为精确起见，本文进一步将化石能源消费细分为煤炭消费、焦炭消费、石油消费（更进一步细分为汽油、煤油、柴油、燃料油四类）和天然气消费。④ 所有化石能源消费数据皆取自历年《中国能源统计年鉴》中地区能源平衡表。本文的能源消费量数据是终端能源消费量、发电能源消费量、供热能源消费量三类消费的加总。水泥生产数据则来自国泰安金融数据库。
化石能源燃烧的排放量具体计算公式如下：
附表1列出了本文估算的我国29个省1995－2007年排放总量，其中西藏自治区由于数据不可得，因此没有估算在内，同时，由于重庆市在1997年以前隶属于四川省，为统计口径的一致性，本文将重庆市并入四川省统一进行计算。
估算出分省排放量以后，可以进一步对我国的排放趋势、排放结构和地区差异等情况进行简单分析。图1显示了1995年和2007年我国各省排放总量以及相应的年均增长率。各省按照1995年排放总量的大小顺序排列。从图中可以看出，从1995年至2007年，我国所有省份的排放总量都有较大幅度的提高。1995年，排放量最小的海南省排放量仅为0.06亿吨，最大的河北省也才2.05吨，而到2007年，海南省虽然仍是排放最少的省份，但是排放量已超过0.24亿吨，排放量最大的省份为山东省，排放总量达到6.68亿吨。从1995年到2007年，基本上所有省份的排放量都翻了一倍，有的省份甚至达到3倍或4倍。从年均增长率来看，各省的差异较大，但大多数省份的年均增长率都超过了5％，内蒙古自治区的年均增长率最高，高达13.03％，海南、宁夏、山东、福建、云南和浙江等省份的年均增长率都超过了10％，而辽宁、四川、北京、黑龙江的年均增长率则低于5％。
图1 各省排放总量及年均增长率
图2显示了分地区排放总量的演进趋势。众所周知，我国地区之间经济发展水平不平衡，这必然使得各地区之间的能源消耗和水泥消耗也不平衡，从而导致各地区之间排放量的不平衡。另外，我国各地区之间的资源禀赋也存在较大差异，西部地区煤炭资源比较丰富，因此煤炭消费的比重可能会更高，而煤炭的碳排放量是最高的，这也可能导致地区之间排放的不同。从图2可以看出，1995年至2000年期间，东、中、西部三个地区的排放量都维持在相对较为平稳的水平，增长幅度都不大，但是自2001年以后，三个地区都呈现出快速增长的趋势。从各地区的排放量绝对值来看，东部地区的排放量明显高于中部地区和西部地区，而中部地区则比西部地区要稍微高一些，这一结果与各地区的经济发展水平基本一致。从全国的情况来看，1995年至2000年期间，我国的排放总量维持在30亿吨左右，但是2001年以后持续上升，至2007年，已达到67.48亿吨。
图2 分地区排放总量
图3显示了1995年至2007年，我国四种排放来源（煤炭类、石油类、天然气和水泥）的构成比例。⑥ 从图中可以看出，1995年至2007年，四种不同排放源的构成比例基本保持稳定，其中，煤炭消
图3 排放结构费始终是我国排放的最主要来源，始终占到总排放量的75％以上，石油消费作为第二大排放来源，其比例则要小得多，大致占总排放量的13％左右，水泥生产也是我国排放的一个重要来源，其排放量占到了总排放量的10％左右，比石油类排放比例略低，而天然气消费的排放量比重相对更低一点，各年基本上维持在2％左右。这一排放结构和我国的能源消费结构是基本一致的。
总而言之，我国各省的排放总量自1995年以来有较大幅度的提高，但是各省的增长速度差异较大。各地区之间由于经济发展的不平衡，导致地区排放量的不均衡，东部地区排放量最高，中西部地区则要小得多。从排放结构来看，煤炭消费始终是我国排放的主要来源，石油消费次之，而天然气消费则基本可以忽略不计，这和我国的能源消费结构密不可分。同时，水泥生产的排放量也不可忽视，其排放量仅比石油消费排放量略低。
三 计量模型及数据说明
考虑如下静态面板数据模型：
对于静态面板数据模型（3）而言，通常应用固定效应模型（Fixed Effects Model）或随机效应模型（Random Effects Model）进行估计。两者的区别在于，随机效应模型相对更有效，但是要求外生变量
和个体效应
不相关，而固定效应模型虽然对外生变量和个体效应之间没有要求，但是消耗更多的自由度，因此两者各有优劣（Baltagi,2005）。为此本文将通过Hausman检验在这两种估计方法之间进行选择。同时，面板数据模型往往受异方差和自相关问题的困扰，本文对此进行了检验，并进一步用FGLS（Feasible Generalized Least Squares）估计方法进行了矫正。
值得指出的是，模型（3）隐含地假设人均排放量会随着各解释变量的变动而即时完全地变动，两者之间不存在滞后效应。事实上，任何经济因素变化本身均具有一定的惯性，前一期结果往往对后一期有一定影响。我国各省份的排放很可能存在滞后效应，其原因可以归纳为以下几方面：首先，本文的排放数据包含了工业企业的排放量，而工业企业的资本调整具有一定的滞后性，从而导致企业技术更新换代的滞后，最终使得CO：排放的变动存在一定的滞后性；其次，本文的排放数据也包含了居民和农牧业能源消费引致的排放量，而居民和农牧业的能源消费习惯存在一定的惯性，这也会使得排放的变动存在一定程度的滞后性；最后，影响我国排放的诸多宏观因素，如能源消费结构、产业结构、城市化水平等，其调整也是长期而缓慢的，而排放量对这些宏观经济因素的敏感程度在很大程度上也决定着排放的滞后效应。引入动态模型滞后项可以较好地控制这些因素。⑦
参照Auffhammer and Carson（2008）的方法，本文引入如下动态调整模型：
值得强调的是，对于动态面板数据模型（4）而言，由于存在内生性问题（Endogeneity Problem），随机效应估计量和固定效应估计量都是有偏的，因此必须借助工具变量进行估计。Arellano and Bond（1991）提出可以用两阶段差分广义矩（DIFF-GMM）进行估计，而Arellano and Bover（1995）以及Blundell and Bond（1998）则进一步提出系统广义矩（SYSTEM-GMM）估计方法，相对来说后者更为有效。本文同时应用差分广义矩和系统广义矩方法对动态模型（4）进行了估计。
根据模型（3）和（4），本文在外生解释变量的选择上具有一定的自由度，但是各变量的选取并非任意，必须有足够的经济理论支持。本文选取了人均收入、能源消费结构、产业结构、工业结构、城市化水平以及时间趋势等几个变量。各变量选取的经济意义以及构建情况说明如下：
1.人均收入（用PER_INCOME表示）。大量研究指出，人均排放量和人均收入之间存在非线性关系，其基本思想是，在不同的收入阶段，人们对环境的要求有所不同，低收入阶段时，人们更关注物质生活，对环境的要求不高，而随着收入的提高，人们很可能转而更关注环境质量，因此，两者之间很可能存在倒U型关系。这一理论也被称为环境库兹涅兹曲线（Environmental Kuznets Curve,EKC）假说。⑧ 借鉴以往研究，本文以人均GDP作为人均收入指标，在回归方程中同时加入人均GDP的一次项和二次项，并取对数形式。分省GDP及人口数据可从各省历年统计年鉴获得，为保证可比性，本文将各年名义GDP转换为以1995年为基期的实际值。
2.能源消费结构（用RATIO_COAL表示）。不同种类能源消费所产生的排放量并不相同，煤炭燃烧的排放量是天然气的1.6倍，石油的1.2倍，而核电、水电、风电、太阳能等则是清洁能源，并不排放，因此考虑能源消费结构对排放的影响具有重要意义（Zhang,2000）。长期以来，我国的能源消费以煤炭为主，占了70％以上，石油和天然气则分别占20％和3％左右，而清洁能源比重则保持在7％左右。为此，本文以各省煤炭消费量占该省一次能源消费总量的比重作为能源消费结构的代理变量，这也是Auffhammer and Carson（2008）所采取的方法。理论上来说，煤炭比重越高，则人均排放量也必然越高，因此能源消费结构变量的回归系数预期为正。计算各省煤炭消费比重所需数据均来自于历年《中国能源统计年鉴》。
3.产业结构（用RATIO_INDIJSTRY表示）和工业结构（用RATIO_HEAVY表示）。工业的能源消耗往往要比农业和第三产业高很多，特别是重工业，一般都是高耗能产业。在相同产出的情况下，重工业的能源消耗相对其他产业要高得多，因此，排放的自然也会高得多。当前我国正处于工业化发展中期，自1995年以来，我国各省的重工业比重持续上升，而且有进一步提升的趋势，这必然对我国排放产生重要影响。为此，本文同时引入产业结构和工业结构两个变量，其中产业结构用工业增加值占GDP的比重表示，工业结构则用重工业总产值占工业总产值的比重来表示。从经济理论上来说，工业比重和重工业比重的增加都将导致我国排放量的增加，因此两个变量预期的回归系数都为正。工业增加值、重工业总产值和轻工业总产值数据来自于《新中国55年统计资料汇编》和各省历年统计年鉴。
4.城市化水平（用RATIO_URBAN表示）。城市化的推进需要进行大规模基础设施建设，需要消耗大量的钢铁和水泥，从而产生大量的排放。同时，城市化也改变人们的生活习惯，城市人口的能源消费要大大高于农村人口的能源消费，而能源消费的大幅度增加则是排放增加的主要原因。从经济理论上来说，城市化水平越高，则人均排放量必然也越高，因此回归系数预期为正。当前，我国正处于城市化高速发展时期，自1995年以来，我国城市化水平持续上升，而且有进一步上升的趋势，因此，控制城市化水平对我国人均排放量的影响具有重要意义。为保证数据统计口径的一致性，本文以非农人口比重作为各省城市化水平的代理变量。⑨ 非农人口比重数据来自于历年《中国人口统计年鉴》和《中国人口和就业统计年鉴》。
5.时间趋势（用TIME表示）。除人均收入、产业结构、能源消费结构等影响因素外，我们以时间趋势项来控制我国排放过程中可能存在的趋势性变动。时间趋势的形成可能是技术进步引起的，也可能是政策变动等其他因素造成的。为刻画时间趋势因素与人均排放可能存在的非线性关系，本文同时加入时间趋势的一次项和二次项加以控制。
表2列出了被解释变量和解释变量的描述性统计。本文的样本数据包括我国29个省（市、自治区）1995年至2007年的观察记录，样本总观察次数达到377次。从表2的描述性统计中可以看出，各变量的观察值之间都具有较大的变差，这为下文的计量估计提供了可能。
四 计量结果及相关分析
表3报告了回归方程（3）和（4）的估计结果。⑩ 为考察模型的多重共线性问题，我们计算了各解释变量之间的相关系数，发现各变量之间的相关系数大多数小于0.3，只有城市化水平（RATIO_URBAN）和人均收入（PER_INCOME）之间的相关系数达到0.7。同时，我们进一步考察了方差膨胀因子，发现全部小于10，因此多重共线性问题并不严重。
模型1和模型2分别用固定效应模型和随机效应模型估计了静态回归方程（3）。随机效应模型要求外生变量和个体效应不相关，而固定效应模型没有这一要求要求。我们试图通过Hausman检验在这两种估计方法之间进行选择，但是结果显示方差协方差矩阵是非正定的，因此Hausman检验失效。为此，我们同时报告了固定效应模型和随机效应模型以供对比，事实上，两者的结果非常接近。
面板数据模型往往受异方差和自相关问题的困扰，有必要对此进行检验。为此，我们用Wooldridge自相关检验方法分别检验了模型1和模型2的组内序列相关（Within-group Serial Correlation）问题。Wooldridge自相关检验的原假设是模型不存在一阶自相关。检验结果显示，在固定效应模型和随机效应模型中，原假设都被拒绝，而且都在1％水平显著，这说明模型存在严重的自相关问题。同时，我们用修正的Wald统计量检验固定效应模型的组间异方差（Groupwise Heteroskedasticity）问题，原假设是模型不存在组间异方差。检验结果拒绝了原假设，且在1％水平显著，这说明模型存在严重的组间异方差问题。为消除异方差和自相关问题，模型3进一步采用Feasible-GLS方法对静态模型进行了估计。
从模型1－3的结果可以看出，产业结构变量（RATIO_INDUSTRY）对我国人均排放的影响并不显著，但是工业结构（RATIO_HEAVY）的影响则是显著的。为了考察这一结果的稳健性，我们进一步在模型4和模型5中分别单独引入产业结构变量和工业结构变量进行了回归，得到了相似的结论。一个有趣的问题是，是什么原因导致产业结构变动对我国人均排放几乎没有影响，而工业结构则存在显著影响？为此，我们考察了样本周期内我国的产业结构和工业结构变动情况。我们发现，自1995年以来，我国大多数省份的产业结构变动并不大，工业占GDP的比重基本上保持了小幅上升的趋势，有些省份甚至出现了较大幅度的下降（如北京、上海、云南）。而工业结构的变动情况正好相反，大多数省份的工业结构发生了较大幅度的变化，重工业占工业的比重持续上升，有些省份的重工业比重甚至提高了20％以上（如天津、上海、江苏、安徽、广东等）。与此同时，我国的人均排放量在此期间则持续上升。考虑到这些因素，产业结构变动的影响不显著这一结果也就不难理解了。
从模型5的回归结果可以看出，人均收入（PER_INCOME）的一次项和二次项都在1％水平显著，而且二次项的系数为负，这说明环境库兹涅兹曲线假说在我国是成立的，人均排放量和人均收入之间呈现出倒U型关系。重工业比重和城市化水平的变动对我国排放的影响最大，而且都在1％水平显著。平均来说，重工业比重和城市化水平每提高1％，我国人均排放量也将提高1％左右。煤炭消费比重的提高也将增加排放量，而且这一结果在1％水平显著，平均而言，煤炭消费比重每提高1％，我国人均排放量将提高约0.67％。这些结果都是符合经济理论的预期的。时间趋势的一次项和二次项都在1％水平显著，而且二次项是正的，这说明时间趋势对我国排放的影响是非线性的，呈现正U型关系。
值得指出的是，对于我国政府而言，以上研究结论显然具有不同的政策含义。控制高耗能重工业的发展，大力发展太阳能、核能、风能等清洁能源以降低煤炭在一次能源消费中的比重，加快节能技术和低碳技术的研究、应用和普及，显然是政府实行低碳经济的有效手段。虽然降低城市化水平有利于减排，但是城市化的发展有其自身的规律，也是我国社会经济发展的目标之一，因此，刻意阻碍城市化的进程以降低排放的做法显然是不明智的。但是，政府在制定减排战略时，确实应考虑城市化发展的因素。
如前所述，本文分别用差分GMM估计量和系统GMM估计量进行了估计，而这两个估计量的一致性有一个重要的前提，即一次差分以后的扰动项不存在二阶序列相关，但是一阶序列相关是允许的。对此可以应用Arellano and Bond（1991）提供的检验方法对一阶和二阶序列相关进行检验，结果如表3所示。从表中的检验结果可以看出，系统GMM估计不能拒绝模型没有二阶序列相关的原假设，因此系统GMM估计量是一致的。但是，差分GMM估计则在10％的水平上拒绝了原假设，这说明差分GMM估计可能是不合适的。同时，我们通过Sargan检验考察了工具变量的有效性，Sargan检验的原假设为所选工具变量是有效的。表3的结果显示，Sargan检验不能拒绝原假设，因此GMM估计是有效的。
从直觉上来说，上一期的人均排放量对本期的排放量应该具有正的影响，由于工业资本、能源消费习惯和相关宏观经济因素调整的滞后型，上期排放量越多，则本期的排放量也应该越多，因此滞后项的回归系数应该是正数。从模型7的回归结果可以看出，动态模型滞后项的系数为小于1的正数，且在1％水平显著，这是符合经济理论的预期的。这一结论说明，加快资本等因素的调整速度以促进技术的更新换代也是降低排放量的有效途径，这对我国政府实行温室气体减排具有重要的政策含义。在实际操作中，政府可以制定相关政策，设计有效的激励机制和监督手段，推动企业的技术更新换代，从而达到温室气体减排的目的。
本文同时报告了用来判断模型拟合优度的三个指标，即Adjusted-
、AIC和BIC，如表3所示。从表中结果可以看出，Feasible-GLS估计要比随机效应和固定效应估计拟合得更好，而动态模型则比静态模型要更优。值得指出的是，在控制了动态调整项以后，工业结构和城市化水平的影响变得不显著，而能源消费结构的回归系数也有所下降，这可能是因为这些因素的影响已经体现在了动态滞后调整项之中的缘故。
五 总结性评论
本文较为精确地估算了1995－2007年我国29个省的人均排放量和排放总量，构建了省级排放面板数据库，并分别运用静态和动态面板数据计量方法对我国排放的影响因素进行了深入分析，得到了丰富而有意义的结论：
（1）自1995年以来，我国各省的排放总量都有较大幅度地提高，但是各省的年均增长速度差异较大。由于经济发展的不平衡以及能源禀赋结构的差异，我国不同地区之间的排放量也存在较大差异，东部地区排放量明显要比中部和西部地区高，而中部地区则比西部地区要稍微高一些。从的排放结构来看，煤炭消费始终是我国排放的主要来源，占到总排放量的75％左右。石油消费作为第二大排放来源，其比例则要小得多，大致占总排放量的13％左右。水泥生产也是我国排放的一个重要来源，其排放量占到了总排放量的10％左右，比石油类排放比例略低，而天然气消费的排放比重仅占2％左右。
（2）静态面板模型的计量结果显示，我国人均排放量与经济发展水平之间呈现倒U型关系，环境库兹涅兹曲线假说成立。重工业比重和城市化水平对我国人均排放的影响最大，平均而言，重工业比重和城市化水平每上升一个百分点，我国人均排放量将上升约1％。能源消费结构对人均排放量也有正的影响，煤炭消费比重每上升一个百分点，我国人均排放量将上升约0.67％。而时间趋势因素和排放之间则存在非线性关系。
（3）动态模型的估计结果显示，上一期人均排放量的大小对本期排放有正的影响。人均排放量的滞后项回归系数约为0.65，而且在1％水平显著，这说明上一期人均排放量越大，则本期的人均排放量也将越大。动态模型的结论对我国政府实行温室气体减排具有重要的政策含义。这一结论说明，加快资本等因素的调整速度以促进技术的更新换代是降低排放量的有效途径。在实际操作中，政府可以制定相关政策，设计有效的激励机制和监督手段，推动企业的技术更新换代，从而达到温室气体减排的目的。
当然，本文的研究仍然比较初步，在诸多方面值得进一步探讨。一个值得深入研究的问题是，如何在本文计量模型的基础上，较为科学地预测未来一段时间我国排放的基本趋势，这对我国政府制定减排战略具有重要的参考价值。另一个值得进一步探讨的问题是，如果我国政府承诺了具体的减排义务，这对我国的经济发展会产生多大的影响，这也是我国政府高度关注的问题。此外，一旦政府确定具体的减排目标，如何才能有效地完成这任务？各省之间的减排额度如何分配？省际碳排放权交易制度如何设计才更有效？这些问题都值得深入探讨。
附录：
注释：
① 据荷兰环境评估机构报告，2006年我国的排放总量就达到62亿吨，超过美国成为世界第一，2007年则进一步上升到67亿吨，占世界总排放量的1/4，增长量占世界总增加量的2/3。以上数据转引自中国能源网（http://www.china5e.net/news/huanbao/200706/200706210237.html）和燕赵环保网（http://www.yzhbw.net/news/shownews－5_7864.dot）.
② 当然，有关排放的研究主题还有很多，如陈诗一（2009，2010）研究了节能排放和我国工业可持续发展的关系；林伯强等（2010）探讨了我国节能和碳排放约束下的能源结构战略调整问题；潘家华和陈迎（2009）、国务院发展研究中心课题组（2009）、樊纲等（2010）探讨了全球温室气体减排的解决方案和机制，等等。
③ 根据IPCC（2006）以及国家气候变化对策协调小组办公室和国家发改委能源研究所（2007），除化石能源燃烧外，水泥、石灰、电石、钢铁等工业生产过程中，由于物理和化学反应，也会排放。在所有工业生产过程排放的中，水泥占56.8％，石灰占33.7％，而电石、钢铁生产所占不足10％。由于石灰、电石、钢铁的分省数据难以获得且排放比重相对较小，故本文没有计算在内。
④ 一次能源消费过程中，有相当大一部分被用来发电和供热，虽然这部分能源消费产生的电能和热能可能并不都在本省使用，但是由此产生的确实都留在本省，因此本文在计算能源消费量时，除终端能源消费量外，还包含了发电和供热用能。
⑤ 水泥主要由石灰石高温煅烧而来，而石灰石的主要成分是碳酸钙（
），碳酸钙在煅烧过程中会分解释放出，其反应式是
。本文估算水泥生产的排放量时，仅计算了化学反应造成的排放，而没有包含水泥生产过程中燃烧化石燃料而造成的排放量。
⑥ 本文将焦炭消费的排放量归入煤炭类消费排放中。
⑦ 审稿人对动态模型滞后项的经济意义进行了深入分析，笔者在此深表感谢。
⑧ 有关环境库兹涅兹曲线的研究，可参加Grossman and Krueger(1995)、Schmalensee et al.(1998)、Maddison(2006)、蔡昉等（2008）、黄莹等（2009）等文献。
⑨ 一般来说，城市化水平用城镇人口占总人口的比重来表示，但是我们不能获得这一指标统计口径一致的数据。统计局在统计城市人口时，2004年以后统计的是城市的常住人口，而在2004年以前统计的只是户籍人口。常住人口不仅包括了户籍人口，而且包含了居住半年以上的流动人口，因此，比户籍人口数要更大一些。
⑩ 本文参数估计所使用的计量软件为stata 10.
标签：城市化水平论文; 重工业论文; 面板数据论文; 能源消费论文; 产业结构理论论文; 能源结构论文; 煤炭行业论文; 煤炭能源论文; 经济论文;