删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

中国清洁能源使用、要素配置结构与碳生产率增长——基于引入能源和人力资本的生产函数

本站小编 Free考研考试/2021-12-29

李荣杰, 张磊, 赵领娣
中国海洋大学经济学院,青岛 266100

China's clean energy use,factor allocation structure and carbon productivity growth based on production function with energy and human capital

LIRongjie, ZHANGLei, ZHAOLingdi
School of Economics,Ocean University of China,Qingdao 266100,China
通讯作者:通讯作者:赵领娣,E-mail:lingdizhao512@163.com
收稿日期:2015-02-2
修回日期:2015-12-4
网络出版日期:2016-04-25
版权声明:2016《资源科学》编辑部《资源科学》编辑部
基金资助:

国家自然科学基金项目（71473233）

作者简介:
-->作者简介：李荣杰,男,河北鹿泉人,博士,研究方向为人力资本与经济低碳转型。E-mail:rongjieli715@163.com

展开

摘要
提高碳生产率成为实现二氧化碳减排与经济可持续增长双赢目标的重要途径。本文将能源和人力资本引入C-D生产函数推导碳生产率决定方程,使用省级面板数据检验清洁能源使用与要素配置结构的碳生产率效应。结果显示：在全国层面,清洁能源使用对于碳生产率的改善效应业已显现,且在清洁能源发展不同水平地区存在不容忽视的差异;要素配置结构是影响碳生产率的重要因素,资本-能源比和劳动-能源比的提高将有利于碳生产率增长,近年来中国劳动-能源比持续下降对碳生产率造成的不利影响需引起重视;教育水平提升促进了碳生产率增长,但其贡献程度较小;“干中学”并未如理论预期对碳生产率增长产生正向影响。本文研究意味着逐步扩大清洁能源使用规模、审慎调控要素配置结构是保证碳生产率持续增长的重要手段。

关键词：清洁能源;要素配置结构;碳生产率;人力资本;中国
Abstract
Improving China's carbon productivity is regarded as a significant move to achieve the win-win goal of carbon emissions reduction and economic sustainable growth for China's low-carbon transition. This paper introduces the energy and human capital features （including education and learning by doing）into the C-D production function to obtain the baseline and improved carbon productivity determining equations. We also empirically examined the role played by clean energy use and factor allocation structure on carbon productivity using provincial panel data of Mainland China covering the period from 2003 to 2012. Our empirical results showed that the effect of clean energy use has emerged to improve China's provincial carbon productivity;furthermore,the effect is significantly different in regions of different clean energy development stages. Sub-regional regression results showed the effect of clean energy is smaller in the Eastern region than the Midwest region. Factor allocation structure is an important condition affecting China's provincial carbon productivity. Note that there is a significant positive correlation between capital-energy ratio （K/E）and labor-energy ratio （L/E）and carbon productivity,respectively,but a declining labor-energy ratio has adversely affected China's carbon productivity growth in recent years. Improvement of education human capital contributes to carbon productivity growth,however,the contribution is extremely weak. “Learning by doing （LBD）” did not support the expected positive impact on China's carbon productivity as the carbon productivity determining equation previously showed. In addition,we discussed the problem of endogeneity in our models. To ensure China's carbon productivity growth,we should expand the supply scale of clean energy （i.e.,nuclear,wind and solar）continuously and adjust the factor allocation structure prudentially.

Keywords：clean energy;factor allocation structure;carbon productivity;human capital;China

-->0
PDF (765KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNote Ris Bibtex 收藏本文-->
李荣杰, 张磊, 赵领娣. 中国清洁能源使用、要素配置结构与碳生产率增长——基于引入能源和人力资本的生产函数[J]. , 2016, 38(4): 645-657 https://doi.org/10.18402/resci.2016.04.07
LI Rongjie, ZHANG Lei, ZHAO Lingdi. China's clean energy use,factor allocation structure and carbon productivity growth based on production function with energy and human capital[J]. 资源科学, 2016, 38(4): 645-657 https://doi.org/10.18402/resci.2016.04.07

1 引言

近年来国家层面的节能减排计划加上雾霾天气频发,使得地区经济面临来自中央政府自上而下以及媒体和民众自下而上的双重压力。改革开放以来,中国取得了骄人的经济增长成就,形成了被广泛讨论的中国式经济增长奇迹。然而,与举世瞩目的增长奇迹相伴随的是能源消费的快速攀升与巨大的环境代价。作为世界上最大的二氧化碳排放国,国际上要求中国承担定量减排责任。为实现二氧化碳排放总量控制与削减,中国中央政府提出了“十一五”与“十二五”碳强度降低目标。提高碳生产率已经成为中国破解资源消耗危机、实现经济低碳转型的必然选择。
能源消费结构的调整被普遍地视作减少二氧化碳排放、提高碳生产率的重要举措。作为能源消费结构优化的一种表现,近年来,中国能源消费结构中清洁能源使用占比不断提高,2013年中国清洁能源占比提高至9.8%。2014年国务院发布《能源发展战略行动计划（2014-2020年）》,提出“2020年,非化石能源占一次能源消费比重达到15%,到2030年提高到20%左右”的发展目标,这就需要核能、风能、太阳能、水电等清洁能源进一步加快发展。但必须面对的一个事实是,在清洁能源快速发展的同时,面临着生产成本大、调峰困难以及资源分布与电力负载不匹配等诸多问题,相对于传统化石能源而言,其总体使用规模仍然较小,准确评估清洁能源使用对于碳生产率的影响效应具有重要的现实意义。
作为经济发展方式转变的重要特征,资本、劳动、能源三种基本要素的配置结构调整对碳生产率增长有着根本性的影响。在“调结构、谋转型”的背景下,调整要素配置结构以适应低碳发展要求的重要性与迫切性应当被充分重视。2003-2013年中国能源消费总量增长104%,而劳动就业增长仅为3.4%,11年间劳动-能源比下降了49.3%。能源投入在要素配置中的扩张过程必然对经济产出和碳排放量产生重要影响。要素配置结构的调整对中国碳生产率增长究竟有着怎样的影响?对于这一问题的探索与回答,亦将有助于丰富与拓展碳生产率研究,为政策部门提供决策参考。
扩大清洁能源使用规模,控制化石能源消费总量,促进能源结构的清洁化是经济低碳转型的主要途径^[1]。然而目前清洁能源技术水平总体较低,特别是风能、太阳能等新能源起步较晚,关于清洁能源的研究目前仍集中于技术路线、案例研究或扶持政策^[2-4]。少数****已经开始关注清洁能源使用与经济增长之间的因果关系^[5]。在低碳发展要求下,最终目的不是单纯的能源清洁化,而是在能源结构改善、碳排放实现有效控制与削减前提下的经济可持续增长,由Kaya最早提出的碳生产率概念^[6]成为同时考察碳减排与经济增长两个目标时的常用指标。探索分析清洁能源使用与碳生产率增长的关系,识别清洁能源使用对碳生产率增长的真实影响具有重要价值。
从文献计量学角度来看,结构问题成为****在碳生产率（GDP/CO₂）或碳强度（CO₂/GDP）研究领域最为关注的因素。能源结构、三次产业结构及细分行业结构对碳生产率（或碳排放强度）影响的相关研究已经取得丰硕成果^[7-12]。张友国认为经济发展方式与碳排放强度变化之间存在复杂的内部联系,经济发展方式变化中也存在不少不利于降低碳排放强度的因素,产业结构的调整在某些时期反而导致了碳排放强度（碳生产率倒数）的提高^[13]。这可能是因为三次产业结构、各产业内结构的调整没有在更为基础的层次上实现要素结构的合理调整,对能源要素的高度依赖并没有得到有效缓解。
投入要素变动及要素配置结构调整对碳排放总量及碳生产率影响的研究文献目前还比较少。Zhou等融合指数分解和环境生产技术,提出生产分解分析（PDA）技术框架^[14],孙作人等在生产分解分析技术框架内,以广义Fisher理想指数分解方法,将环境全要素生产率指数进一步分解为资本、劳动力、能源、期望产出以及非期望产出驱动指数^[15],这是能源与碳排放问题研究中较早关于生产要素变动影响的分析,但并未延伸至经济发展更深层次的要素结构问题。张成等重点探讨了资本、劳动和能源三要素之间的替代效应对碳生产率波动的不同影响,结果表明,资本-能源要素替代和劳动-能源要素替代是解释中国区域碳生产率增长差异最为重要的因素^[16]。
要素配置结构是经济发展方式的根本体现,要素配置结构变动是相对于产业结构更为深层次的调整。张月玲等发现长时期要素结构匹配失当致使产业结构调整困难重重,难以实现预期效果^[17]。周杰琦等的研究表明地区间碳强度差异呈发散趋势,地区间碳强度差异的收敛性与经济增长差异的收敛性并不同步,人均资本（K/L）等因素对碳强度的地区差异解释力较强,而能源结构、技术水平则解释力不大^[18]。因此,对于碳生产率而言,要素配置结构是不可忽视的重要影响因素,应当被纳入到碳生产率增长的研究。
既有研究主要借助分解分析技术和计量模型进行碳生产率分析,分解分析中较少涉及要素配置结构,而计量研究中也未对低碳发展至关重要的清洁能源给予足够关注。有别于既有研究文献,本文基于引入能源和人力资本的生产函数,并利用包含清洁能源占比的碳排放公式推导碳生产率决定方程,将清洁能源、要素结构以及人力资本（包括教育和“干中学”）统一纳入碳生产率研究框架。依据碳生产率方程设定实证模型,避免模型设定及变量选择的主观性或随意性。通过清洁能源占比和化石能源内部结构两个维度分析能源消费结构对中国碳生产率的影响,同时有别于以往研究主要考察资本-劳动比（K/L）,本文基于碳生产率决定方程,使用资本-能源比（K/E）和劳动-能源比（L/E）两个变量,考察资本、劳动与能源三种要素的配置结构对碳生产率增长的作用。对既有研究中易被忽视的清洁能源、要素结构及人力资本的碳生产率增长效应展开充分讨论,不仅有助于碳生产率研究体系的丰富和完善,而且对于中国经济低碳转型和碳生产率持续增长亦具有重要现实意义。

2 研究方法与数据来源

2.1 碳生产率基准方程及改进

本部分基于包含能源要素的新古典生产函数,并考虑一个简化的碳排放公式,推导碳生产率基准方程。然后在生产函数中进一步引入人力资本,最终得到改进后的碳生产率决定方程。
2.1.1 包含能源的总体生产函数
Solow于1957年提出改进的C-D生产函数形式为^[19]：

\begin{matrix} Y (t) = A (t) K {(t)}^{α} L {(t)}^{β} \end{matrix}

（1）
式中Y为产出;t为时间;K和L分别为资本和劳动;α和β分别为资本和劳动的产出弹性,其中,0<α<1,0<β<1;

\begin{matrix} A (t) \end{matrix}

为随时间变化的希克斯中性外生技术进步：

\begin{matrix} A (t) = A_{0} e^{λt} \end{matrix}

（2）
式中

\begin{matrix} A_{0} \end{matrix}

为初始技术水平;λ为技术进步速度。
将能源（E）视为一种生产要素引入生产函数,假定生产函数满足规模报酬不变的新古典假设,得到包含资本、劳动和能源三种要素的生产函数（为便于书写省略时间t）：

\begin{matrix} Y = A_{0} e^{λt} K^{α} L^{β} E^{1 - α - β} \end{matrix}

（3）
式中0<α<1,0<β<1且 0<α+β<1。C-D形式的生产函数要素替代弹性为1,本文前期研究发现能源与劳动的替代弹性接近于1^[20],表明能源要素引入C-D生产函数具备合理性。
2.1.2 碳生产率基准方程
碳排放问题研究中,一般假定二氧化碳排放量与投入或产出成正比,本文视能源为生产投入要素,假定二氧化碳排放量与化石能源投入成正比。碳排放量主要取决于能源投入中的化石能源总量^1）(1）假定自然环境中碳排放和碳汇处于平衡状态,新增碳排放仅来源于经济生产活动。以目前国内的数据统计现实状况难以满足IPCC（2006年）相对严格的碳排放测算准则,依据研究惯例,碳排放核算基于含碳能源消费。)以及单位化石能源的平均碳排放系数^2）(2）化石能源由于类型、品位及利用方式的差异,其排放系数也不同。单位化石能源平均碳排放系数表示煤炭、石油、天然气等化石能源的平均碳排放水平,其变动主要受化石能源消费结构变化的影响。),因此考虑如下一个简化的碳排放公式：

\begin{matrix} C = θ (1 - γ) E \end{matrix}

（4）
式中C为碳排放总量;γ为能源投入中的清洁能源（非化石能源）占比^3）(3）狭义的清洁能源一般仅指不产生二氧化碳及污染排放的非化石能源,广义的清洁能源亦包括污染程度较低的天然气、清洁煤及清洁油。由于研究碳排放行为,所以本文所指非化石能源和清洁能源为同一范畴（包括核能）,后文的实证分析同样如此。);

\begin{matrix} (1 - γ) E \end{matrix}

为化石能源消费总量;

\begin{matrix} θ \end{matrix}

为单位化石能源的平均碳排放系数。
碳生产率表示为总产出与碳排放总量的比值,将公式（3）除以公式（4）得到碳生产率（Y/C）表达式如下：

\begin{matrix} \frac{Y}{C} = \frac{A_{0} e^{λt} K^{α} L^{β} E^{1 - α - β}}{θ （ 1 - γ ） E} \end{matrix}

（5）
将分母中能源E拆分为

\begin{matrix} E^{α} E^{β} E^{1 - α - β} \end{matrix}

,得到：

\begin{matrix} \frac{Y}{C} = \frac{A_{0} e^{λt}}{θ （ 1 - γ ）} \frac{K^{α} L^{β} E^{1 - α - β}}{E^{α} E^{β} E^{1 - α - β}} \end{matrix}

（6）
化简可得：

\begin{matrix} \frac{Y}{C} = \frac{A_{0} e^{λt}}{θ (1 - γ)} {(\frac{K}{E})}^{α} {(\frac{L}{E})}^{β} \end{matrix}

（7）
对公式（7）两边取对数,则有：

\begin{matrix} \ln \frac{Y}{C} = \ln A_{0} + λt - \ln (1 - γ) - lnθ + αln \frac{K}{E} \\ + βln \frac{L}{E} \end{matrix}

（8）
其中,当γ较小的时候有：

\begin{matrix} - \ln (1 - γ) \approx γ \end{matrix}

（9）
所以,公式（8）也可以表示为：

\begin{matrix} \ln \frac{Y}{C} = \ln A_{0} + λt + γ - lnθ + αln \frac{K}{E} + βln \frac{L}{E} \end{matrix}

（10）
公式（10）即为碳生产率基准方程,可以看出碳生产率是由技术因素、能源因素（包括清洁能源占比和单位化石能源平均碳排放系数）以及要素配置结构（资本-能源比和劳动-能源比）三部分决定。
2.1.3 碳生产率基准方程改进：引入人力资本
总体生产函数中仅考虑劳动力投入数量,忽视劳动力的质量差异,显然不符合真实经济运行情况,因此首先对生产函数进一步扩展,引入人力资本概念,则有：

\begin{matrix} Y = A_{0} e^{λt} K^{α} H^{β} E^{1 - α - β} \end{matrix}

（11）
式中H为人力资本总量,进一步可表示为劳动力数量和劳均人力资本（h）的乘积：

\begin{matrix} H = L h \end{matrix}

（12）
Lucas认为人力资本形成主要通过两种途径,包括工作前学校教育和工作后生产实践（“干中学”）^[21]。不同于一般研究中直接以教育指标代理人力资本,本文同时分析教育和“干中学”两种人力资本形成来源。
教育人力资本（G）借鉴Hall等的做法,以劳动力教育水平（S）的指数形式表示^[22]：

\begin{matrix} G (S) = e^{Ω (S)} \end{matrix}

（13）
微观证据表明,随着受教育时间的增加收入水平也会上升,因此

\begin{matrix} Ω (S) \end{matrix}

为一个增函数。Hall等的研究中假定

\begin{matrix} Ω (S) \end{matrix}

为一个分段线性函数。本文采用更为一般化的假定,假设

\begin{matrix} Ω (S) \end{matrix}

为S的线性增函数：

\begin{matrix} Ω (S) = ωS \end{matrix}

（14）
式中

\begin{matrix} ω \end{matrix}

为教育收益率,显然

\begin{matrix} ω > 0 \end{matrix}

。如果S=0,表示劳动者完全没有接受过教育,此种情形一般认为不具有任何劳动增强效应,因此Ω方程没有常数项。
“干中学”思想认为生产过程中劳动者可以通过学习、探索获得知识和经验。“干中学”形成的知识积累并非源于刻意努力,而是经济生产活动的副产品,其决定于累积的物质资本总投资。随着物质资本投资的增加,“干中学”可以推动人力资本水平提升,因此“干中学”可以通过物质资本表述,通常使用幂函数的形式^[23]：

\begin{matrix} B = bΨ (K) = b K^{?} \end{matrix}

（15）
式中B为“干中学”;

\begin{matrix} b \end{matrix}

为常数,

\begin{matrix} b > 0 \end{matrix}

;

\begin{matrix} ? \end{matrix}

为效率参数,

\begin{matrix} ? > 0 \end{matrix}

。
依据公式（12）-公式（15）,将教育和“干中学”引入生产函数,得到：

\begin{matrix} Y = A_{0} e^{λt} K^{α} (b K^{?} L e^{ωS})^{β} E^{1 - α - β} \end{matrix}

（16）
Lucas的人力资本思想认为“干中学”具有外部效应^[21],内生增长模型中亦将“干中学”形成的知识积累视为内生性技术进步,这里在数学形式上并无差异,均为哈罗德中性。
公式（16）除以公式（4）并化简：

\begin{matrix} \frac{Y}{C} = \frac{1}{θ (1 - γ)} A_{0} e^{λt} b^{β} K^{β?} e^{βωS} {(\frac{K}{E})}^{α} {(\frac{L}{E})}^{β} \end{matrix}

（17）
对公式（17）两边取对数,则有：

\begin{matrix} \ln \frac{Y}{C} = \ln A_{0} + λt + γ - lnθ + βlnb + β?lnK \\ + βωS + αln \frac{K}{E} + βln \frac{L}{E} \end{matrix}

（18）
公式（18）即碳生产率决定方程的改进形式。碳生产率的对数主要由技术因素、能源因素、要素配置结构及人力资本决定。其中技术因素包括初始技术水平

\begin{matrix} （ \ln A_{0} ） \end{matrix}

和技术进步速度

\begin{matrix} （ λ ） \end{matrix}

;能源因素包括清洁能源占比

\begin{matrix} （ γ ） \end{matrix}

以及单位化石能源平均碳排放系数

\begin{matrix} （ lnθ ） \end{matrix}

;要素配置结构包括资本-能源比（K/E）和劳动-能源比（L/E）;人力资本则包括劳动力教育水平

\begin{matrix} （ S ） \end{matrix}

和“干中学”形成的知识积累

\begin{matrix} （ lnb + ?lnK ） \end{matrix}

。

2.2 计量模型与变量说明

依据碳生产率基准方程（10）建立基准模型（19）,依据碳生产率基准方程的改进形式（18）建立改进模型（20）。同时本文在改进模型的基础上进一步扩展,增加了4个控制变量：环境规制强度（ERI）、能源自给率（ESR）、产业结构（SIP）和外商直接投资（PFDI）,建立碳生产率扩展模型（21）。计量模型对碳生产率决定方程中的常数项进行合并,变量顺序有所调整,具体如下：

\begin{matrix} \ln C P_{it} = δ_{0} + δ_{1} T_{it} + δ_{2} γ_{it} + δ_{3} lnFE S_{it} \\ + δ_{4} \ln {(\frac{K}{E})}_{it} + δ_{5} \ln {(\frac{L}{E})}_{it} + μ_{i} + ε_{it} \end{matrix}

（19）

\begin{matrix} lnC P_{it} = δ_{0} + δ_{1} T_{it} + δ_{2} γ_{it} + δ_{3} lnFE S_{it} \\ + δ_{4} \ln {(\frac{K}{E})}_{it} + δ_{5} \ln {(\frac{L}{E})}_{it} + δ_{6} lnLB D_{it} \\ + δ_{7} AED U_{it} + μ_{i} + ε_{it} \end{matrix}

（20）

\begin{matrix} lnC P_{i t} = δ_{0} + δ_{1} T_{it} + δ_{2} γ_{it} + δ_{3} lnFE S_{it} \\ + δ_{4} \ln {(\frac{K}{E})}_{it} + δ_{5} \ln {(\frac{L}{E})}_{it} + δ_{6} lnLB D_{it} \\ + δ_{7} AED U_{it} + δ_{8} lnER I_{it} + δ_{9} lnES R_{it} \\ + δ_{10} lnSI P_{it} + δ_{11} lnPFD I_{it} + μ_{i} + ε_{it} \end{matrix}

（21）
公式（19）-公式（21）中,CP为碳生产率;i、t分别为地区截面（北京,河北,…,新疆）和时间（2003年,2004年,…,2012年）;

\begin{matrix} δ_{0} \end{matrix}

为常数项;

\begin{matrix} δ_{1} \end{matrix}

\begin{matrix} δ_{2} \end{matrix}

,…,

\begin{matrix} δ_{11} \end{matrix}

为各变量的估计系数;T为时间趋势变量;

\begin{matrix} μ_{i} \end{matrix}

为未观测到的不随时间变化的地区特征;

\begin{matrix} ε_{it} \end{matrix}

表示与时间相关的扰动项。模型中解释变量的含义及系数估计值的预期符号方向和取值范围如下：
（1）清洁能源占比（γ）。清洁能源占比表示使用标准煤折算获得的清洁能源消费量占地区能源消费总量的比重,体现了地区能源消费总体结构的清洁化水平。本文清洁能源范畴采用狭义设定,仅指非化石能源,不包括天然气、清洁油、清洁煤等清洁化石能源。γ的系数

\begin{matrix} δ_{2} \end{matrix}

估计值预期为正,据碳生产率决定方程其理想状态下取值接近于1。
（2）化石能源内部结构（FES）。碳生产率决定方程中此变量对应单位化石能源的平均碳排放系数θ,其变动主要源于化石能源中煤炭、石油、天然气等消费比重的变化。为考察化石能源结构变动对碳生产率可能产生的影响,基于中国以煤炭为主的能源消费结构,本文以煤炭的消费总量占化石能源消费总量的比重表征化石能源内部结构的变动,作为单位化石能源平均碳排放系数的代理变量。FES的系数

\begin{matrix} δ_{3} \end{matrix}

估计值预期为负。
（3）资本-能源比（K/E）和劳动-能源比（L/E）。资本-能源比表示资本存量与能源消费总量比值,本文资本存量的估算参考单豪杰的处理方法^[24]。劳动-能源比表示年末就业人员数与能源消费总量的比值。这两个变量的变动体现了要素配置结构的调整。K/E的系数

\begin{matrix} δ_{4} \end{matrix}

和L/E的系数

\begin{matrix} δ_{5} \end{matrix}

估计值预期为正,取值范围为（0,1）,两者之和

\begin{matrix} （ δ_{4} + δ_{5} ） \end{matrix}

取值范围同样为（0,1）。
（4）“干中学”（LBD）。“干中学”是人力资本形成的重要来源之一,亦被认为是内生技术进步主要形式,“干中学”过程中形成的知识积累,作为经济活动的副产品,对于经济增长发挥着重要作用。碳生产率方程中“干中学”包括常数

\begin{matrix} lnb \end{matrix}

和非常数部分

\begin{matrix} ?lnK \end{matrix}

,其中常数部分与初始技术水平合并为计量模型的常数项,LBD仅代表其非常数部分。由于中国经济明显处于回落转型期,不大可能出现爆炸性增长,可以认为公式（16）中

\begin{matrix} ? < 1 \end{matrix}

,进一步由式（18）可知,LBD的系数

\begin{matrix} δ_{6} \end{matrix}

的估计值为正且小于

\begin{matrix} δ_{5} \end{matrix}

。
（5）劳动力平均受教育年限（AEDU）。劳动力教育年限增长体现教育人力资本水平的提升,而基于教育的学习和认知能力有助于环保意识增强^[25],推动碳生产率增长。教育数据来自历年《中国劳动统计年鉴》^[26]中就业人员教育水平的调查统计。平均教育年限基于就业人口口径更为科学^[27],此外以往平均教育年限核算往往将大专及以上人员的教育年限统一视为16年,本文做更为细致的划分,大学专科受教育年限为15年,大学本科表示受教育年限为16年,研究生及以上统一视为19年。如此核算提高了数据的精确度,能够避免对教育人力资本的低估。AEDU系数

\begin{matrix} δ_{7} \end{matrix}

估计值预期为正。
（6）控制变量。借鉴既有经验研究,为考察地区的环境规制、能源禀赋、产业结构以及外商直接投资对碳生产率增长可能的贡献或影响,本文还增加了4个控制变量：环境规制强度、能源自给率、第二产业比重、外商直接投资水平。环境规制强度（ERI）是指以工业产值占GDP比重修正后的污染治理投资与工业产值之比^[28];能源自给率（ESR）是一次能源生产总量与能源消费总量之比,表征地区的能源资源禀赋;产业结构（SIP）以第二产业比重作为代理变量;外商直接投资水平（PFDI）以实际利用外商直接投资额（以当年平均汇率换算为人民币）与GDP之比表征。

2.3 数据来源与处理

考虑数据的可得性和一致性,本文实证分析中所使用的样本为2003-2012年中国29个省、自治区、直辖市的年度数据,其中不包含港澳台地区,西藏地区数据缺失过大,也不纳入实证研究。由于涉及资本存量核算,依据研究惯例,四川和重庆合并处理,最终选定的样本数据为涵盖29个个体和10年时间跨度的面板数据,样本观察值290个。如前文无特殊说明,数据主要来自于历年《中国统计年鉴》^[29]及《中国能源统计年鉴》^[30]。GDP数据以2003年为基期进行价格调整。考虑数据口径和准确性,2003-2008年部分数据依据《新中国六十年统计资料汇编》^[31]做出修正。碳排放量和非化石能源消费量数据引自北京理工大学能源与环境政策研究中心（CEEP-BIT）国家能源模型集成平台^[32]。

3 结果及分析

基准模型（19）、改进模型（20）及扩展模型（21）的Hausman检验结果均拒绝原假设,因此估计方法采用面板固定效应模型。同时,三个计量模型的样本数据经检验均存在组间异方差、组内自相关和组间截面相关（表1）。针对同时存在异方差、自相关以及截面相关的复杂面板,Driscoll等提出了大N小T情况下渐近有效的非参数协方差矩阵估计方法进行校正,以获得控制异方差和自相关的一致标准误^[33]。本文在总体回归结果中同时报告固定效应（FE）以及控制异方差、自相关和截面相关后的稳健标准误（DK-FE）回归结果,以期更为准确地把握各变量对碳生产率的真实影响。
Table 1
表1
表1面板数据稳健性检验结果
Table 1Panel data robustness test results

	基准模型		改进模型		扩展模型
检验内容（方法）	统计量	结果	统计量	结果	统计量	结果
组间异方差（Modified wald test）	chi2 （29）=5 207.69	存在	chi2 （29）=2 005.07	存在	chi2 （29）=4 856.84	存在
组间异方差（Modified wald test）	p=0.000 0	存在	p=0.000 0	存在	p=0.000 0	存在
组内自相关（Wooldridge test）	F（1,28）=6.302	存在	F（1,28）=7.369	存在	F（1,28）=6.980	存在
组内自相关（Wooldridge test）	p=0.018 1	存在	p=0.011 2	存在	p=0.013 3	存在
组间截面相关（Frees'test）	Frees'test=2.352	存在	Frees'test=1.405	存在	Frees'test=1.434	存在
10%临界值 5%临界值 1%临界值	0.255 9 0.342 9 0.519 8	存在	0.255 9 0.342 9 0.519 8	存在	0.255 9 0.342 9 0.519 8	存在

注：检验在Stata13数据包下进行。

新窗口打开

3.1 总体回归结果

表2显示了省际层面清洁能源使用、要素配置结构等因素对碳生产率增长影响的总体回归结果。从基准模型、改进模型及扩展模型的系数估计来看,本文关注的核心变量均较为显著,两种估计方法的结果系数值大小一致,但是DK-FE稳健性标准误方法的大多数变量误差更小,估计结果更为有效。
Table 2
表2
表2总体回归结果
Table 2Overall regression results

变量	基准模型		改进模型		扩展模型
变量	FE	DK-FE	FE	DK-FE	FE	DK-FE
T	0.0444 0***	0.044 4***	0.068 5***	0.068 5***	0.061 0***	0.061 0***
	（0.005 8）	（0.003 3）	（0.008 9）	（0.004 8）	（0.010 2）	（0.010 0）
γ	0.826 0***	0.826 0***	0.725 0***	0.725 0***	0.842 0***	0.842 0***
	（0.181 0）	（0.129 0）	（0.175 0）	（0.097 0）	（0.181 0）	（0.113 0）
lnFES	-0.433 0***	-0.433 0***	-0.431 0***	-0.431 0***	-0.395 0***	-0.395 0***
	（0.051 3）	（0.063 1）	（0.049 3）	（0.055 2）	（0.051 7）	（0.056 4）
ln（K/E）	0.153 0***	0.153 0***	0.582 0***	0.582 0***	0.567 0***	0.567 0***
	（0.045 2）	（0.042 9）	（0.113 0）	（0.064 4）	（0.114 0）	（0.085 8）
ln（L/E）	0.437 0***	0.437 0***	0.105 0	0.105 0	0.106 0	0.106 0
	（0.062 8）	（0.086 9）	（0.099 0）	（0.111 0）	（0.100 0）	（0.094 8）
lnLBD			-0.506 0***	-0.506 0***	-0.471 0***	-0.471 0***
			（0.120 0）	（0.068 9）	（0.126 0）	（0.097 7）
AEDU			0.025 1*	0.025 1*	0.027 8*	0.027 8*
			（0.013 8）	（0.013 7）	（0.014 4）	（0.013 0）
lnERI					-0.004 7	-0.004 7
					（0.011 5）	（0.006 7）
lnESR					-0.079 1**	-0.079 1**
					（0.033 7）	（0.030 8）
lnSIP					0.045 2	0.045 2
					（0.097 6）	（0.071 6）
lnPFDI					-0.002 8	-0.002 8
					（0.011 5）	（0.007 1）
Constant	-0.765 0***	-0.765 0***	2.905 0***	2.905 0***	2.586 0**	2.586 0**
	（0.091 0）	（0.169 0）	（0.948 0）	（0.553 0）	（1.026 0）	（0.908 0）
Hausmantest	16.410 0	16.410 0	48.510 0	48.510 0	49.550 0	49.550 0
	（0.002 5）	（0.002 5）	（0.000 0）	（0.000 0）	（0.000 0）	（0.000 0）
Provinces	29	29	29	29	29	29
Observations	290	290	290	290	290	290

注：（1）检验在Stata13数据包下进行;（2）系数估计结果括号内为标准误差项,Hausman检验括号内为p值;（3）*** 、** 、* 分别表示在1%、5%、10%水平下显著。

新窗口打开
从全国层面来看,清洁能源占比的系数为0.8左右,比较接近理论预期值1,但存在微小差距。这说明清洁能源对碳生产率的改善效应已经显现,估计系数略小于理论预期可能的原因包括：
（1）全国总体而言清洁能源使用规模不大,无法充分发挥规模效益,中国以化石能源为主的能源消费格局没有根本性改变。
（2）由于清洁能源使用存在接入成本大、上网难、调峰困难以及资源分布与电力负载不匹配等问题,一定程度上制约了清洁能源使用对碳生产率增长正向效应的发挥。
就化石能源内部结构而言,煤炭在化石能源消费中的占比与碳生产率呈显著负向关系,说明中国近年来煤炭消费占比的降低有效促进了碳生产率增长,煤炭消费比重的下降有利于中国二氧化碳排放的控制与削减,这与既有研究结论一致^[34]。
要素配置结构（资本-能源比、劳动-能源比）的估计系数符合理论预期取值范围。从统计意义角度看,资本-能源比系数为正且均在1%水平下显著,基准模型中劳动-能源比在1%水平下显著,而改进模型和扩展模型中该变量系数为正但不显著。2003-2012年间,各地区资本-能源比总体呈现相对平稳且缓慢上升的趋势,资本-能源比的上升对中国碳生产率增长产生了积极贡献。应当指出,尽管回归结果显示基准模型与改进模型和扩展模型中劳动-能源比估计系数的显著性存在差异,但不可忽视中国劳动-能源比近年所经历了一个明显的下降过程,这可能造成对碳生产率增长的不利影响。
从技术因素和人力资本角度来看,时间趋势变量T的系数在1%水平下显著,可知中国存在稳定的外生技术进步且对碳生产率增长发挥着正向影响。在改进模型和扩展模型中劳动力平均受教育年限的系数均为正,且在扩展模型中在10%水平下显著,但是系数绝对值较小。“干中学”的系数估计结果为负值,与理论预期不符,无法对碳生产率增长形成正向作用,这可能是由于中国宏观层面的技术特征偏向于能源密集型^[35],与低碳发展要求并不一致有关。人力资本对碳生产率难以发挥足够的影响,同样可能是受制于要素配置结构中劳动-能源比的持续下降。
控制变量中,环境规制的系数并不显著,环境规制措施对于碳生产率增长并未发挥足够的影响,可能与现有的环境规制手段主要针对二氧化硫等污染物排放而非二氧化碳排放有关,同时环境规制作用的发挥也可能存在一定的滞后期;能源自给率的估计系数为-0.079 1,且在5%水平下显著,能源自给能力可能影响地区的能源消费增速及替代能源选择偏好,越是能源自给能力低的地区越有动力降低能源消费总量并发展替代能源,进而实现碳生产率的增长;第二产业比重的系数为正但不显著,这意味着第二产业的发展并未显著抑制碳生产率提高;外商直接投资水平的系数较小且不显著,这也侧面说明了地方在选择接受外商投资时主要以增长为目标,而并未充分考虑其环境影响,此外还可能与外商投资的技术层次不高,国内技术水平与外来投资的技术差距不大从而抑制了其技术溢出效应的发挥有关。

3.2 依据清洁能源发展水平的分组回归结果

表2中全国层面来看清洁能源占比的估计系数与预期存在差距,这是否与地区间清洁能源发展水平差异有关呢?本文根据29个省市样本期内清洁能源占比平均水平,将样本按照地区分为清洁能源发展水平较高和较低两个组别,清洁能源发展水平较高的省份有浙江、福建、湖北、湖南、广东、广西、四川（含重庆）、贵州、云南和青海等10个省市,其余19个省市清洁能源发展水平低于样本期内的全国平均水平。经检验两组样本数据均存在不同程度的异方差、自相关和截面相关^1）(1）为节约篇幅,此处及后文分区域回归中省略面板数据稳健性检验结果,感兴趣的读者可向作者索取。),分组DK-FE估计结果见表3。
Table 3
表3
表3依据清洁能源发展水平分组回归结果
Table 3Subgroup regression results based on clean energy development

	清洁能源发展水平较高地区		清洁能源发展水平较低地区
变量	改进模型	扩展模型	改进模型	扩展模型
T	0.069 5***	0.068 0***	0.070 6***	0.060 9***
	（0.008 2）	（0.018 7）	（0.006 8）	（0.012 9）
γ	0.828 0***	1.103 0***	0.080 0	0.047 0
	（0.162 0）	（0.106 0）	（0.314 0）	（0.279 0）
lnFES	-0.455 0***	-0.528 0***	-0.381 0***	-0.350 0***
	（0.115 0）	（0.104 0）	（0.067 0）	（0.058 0）
ln（K/E）	0.544 0**	0.576 0***	0.519 0***	0.465 0**
	（0.193 0）	（0.173 0）	（0.109 0）	（0.176 0）
ln（L/E）	0.120 0	0.009 0	0.213 0**	0.272 0***
	（0.168 0）	（0.181 0）	（0.074 0）	（0.059 0）
lnLBD	-0.555 0***	-0.621 0***	-0.416 0***	-0.320 0*
	（0.159 0）	（0.162 0）	（0.077 5）	（0.162 0）
AEDU	0.073 8*	0.053 0**	-0.001 2	0.006 5
	（0.036 5）	（0.021 1）	（0.011 8）	（0.013 1）
lnERI		-0.034 7		0.005 0
		（0.019 5）		（0.007 5）
lnESR		-0.116 0*		-0.077 0**
		（0.056 3）		（0.033 0）
lnSIP		-0.159 0		0.058 0
		（0.164 0）		（0.083 1）
lnPFDI		-0.024 2		-0.003 0
		（0.036 0）		（0.020 0）
Constant	2.906 0*	3.113 0**	2.511 0***	1.751 0
	（1.458 0）	（1.289 0）	（0.768 0）	（1.506 0）
Provinces	10	10	19	19
Observations	100	100	190	190

注：（1）检验在Stata13数据包下进行;（2）系数估计结果括号内为标准误差项;（3）*** 、** 、* 分别表示在1%、5%、10%水平下的显著。

新窗口打开
从表3分组估计结果对比来看,清洁能源发展水平较高的地区,清洁能源使用对于碳生产率的增长具有相对显著的促进作用。而在清洁能源占比较低的地区,清洁能源占比的估计系数远小于理论预期值1,且不显著。这进一步说明在清洁能源发展水平不同的地区,清洁能源对于碳生产率的影响存在不可忽视的差异,同时也表明清洁能源使用的碳生产率效应与使用规模存在相关性。可能的原因有：
（1）中国清洁能源分布地区差异较大,清洁能源发展水平较高的地区以水电为主,而清洁能源发展水平较低的地区（如“三北”地区）以风能、太阳能为主,相对于水电而言,风电、太阳能等清洁能源技术成熟度较低^[2],使用效率不高。
（2）风电、太阳能等清洁能源总体装机量较小,据2014年末全国能源会议：中国水电总装机量3亿kW,在运核电机组总装机容量约2 010万kW,风电并网装机9 000万kW,太阳能发电并网装机3 000万kW,生物质能、地热能发电装机920万kW。从装机量来看,截至2014年底,风电、核电、太阳能、生物质能及地热能等总装机量之和不足水电的一半。目前刚步入快速成长期的清洁能源,需要大规模发电装备和前期基础设施投入,这均有可能间接造成化石能源消费的增长,从而部分抵消清洁能源使用所带来的碳生产率增长效应。
此外,不同清洁能源发展水平对碳生产率影响的差异还暗示着清洁能源使用对碳生产率的影响可能存在滞后效应或某种临界点。因此,当清洁能源发展走完因基础设施建设和发电装备生产而致的暂时性化石能源需求增加的初期阶段,供给规模越过临界点之后,清洁电力供给才会源源不断,碳减排潜力才能进一步释放,从而推动碳生产率的持续增长。

3.3 东、中、西部分区域回归结果

本文采用常规的三区域划分法即东部地区（北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南等11个省级行政区）,中部地区（黑龙江、吉林、山西、安徽、江西、河南、湖北、湖南等8个省级行政区）,西部地区（四川（含重庆）、贵州、云南、陕西、甘肃、青海、宁夏、新疆、广西、内蒙古等10个省级行政区）进行区域层面的实证分析,结果见表4。
Table 4
表4
表4分区域回归结果
Table 4Subregional regression results

	东部		中部		西部
变量	改进模型	扩展模型	改进模型	扩展模型	改进模型	扩展模型
T	0.064 9***	0.050 3***	0.063 9	0.085 6	0.063 0***	0.062 6***
	（0.005 3）	（0.006 7）	（0.054 3）	（0.074 4）	（0.013 7）	（0.015 4）
γ	0.665 0**	0.130 0	0.810 0***	0.775 0**	0.780 0***	0.799 0***
	（0.216 0）	（0.323 0）	（0.225 0）	（0.266 0）	（0.165 0）	（0.127 0）
lnFES	-0.312 0***	-0.311 0***	-0.449 0**	-0.429 0**	-0.465 0***	-0.363 0*
	（0.039 3）	（0.038 5）	（0.179 0）	（0.179 0）	（0.135 0）	（0.174 0）
ln（K/E）	0.340 0**	0.151 0	1.041 0	0.815 0	0.556 0**	0.578 0***
	（0.147 0）	（0.178 0）	（0.643 0）	（0.715 0）	（0.191 0）	（0.173 0）
ln（L/E）	0.385 0***	0.384 0***	-0.300 0	-0.002 0	-0.076 0	-0.059 0
	（0.053 0）	（0.051 0）	（0.457 0）	（0.416 0）	（0.180 0）	（0.179 0）
lnLBD	-0.239 0*	-0.050 0	-0.851 0	-0.731 0	-0.591 0***	-0.583 0***
	（0.111 0）	（0.126 0）	（0.746 0）	（0.900 0）	（0.155 0）	（0.155 0）
AEDU	0.021 3	0.022 1*	0.013 0	-0.030 1	0.038 2*	0.041 0
	（0.011 8）	（0.011 8）	（0.039 9）	（0.047 4）	（0.020 6）	（0.024 8）
lnERI		-0.002 0		-0.025 4		0.018 0
		（0.004 72）		（0.018 7）		（0.011 5）
lnESR		-0.027 0		0.108 0		-0.170 0
		（0.030 0）		（0.132 0）		（0.122 0）
lnSIP		-0.418 0***		0.190 0		0.141 0
		（0.095 0）		（0.126 0）		（0.249 0）
lnPFDI		0.052 6**		-0.038 1		-0.004 8
		（0.016 4）		（0.023 1）		（0.009 3）
Constant	1.394 0	-0.473 0	5.863 0	5.296 0	2.690 0*	2.774 0**
	（0.864 0）	（1.075 0）	（6.255 0）	（7.651 0）	（1.289 0）	（1.215 0）
Provinces	11	11	8	8	10	10
Observations	110	110	80	80	100	100

注：（1）检验在Stata13数据包下进行;（2）系数估计结果括号内为标准误差项;（3）*** 、** 、* 分别表示在1%、5%、10%水平下显著。

新窗口打开
从3个区域的估计结果对比来看,东中西部的清洁能源使用均对碳生产率增长存在积极影响,但东部地区清洁能源占比的估计系数略低于中西部,可能与中国以水电为主的清洁能源在中西部分布较多而东部地区分布较少有关。化石能源中煤炭占比的估计系数与全样本回归结果基本一致。就要素配置结构而言,东西部地区估计系数相对显著,中部地区估计系数不显著,可能是由于中部地区选择了有悖于其禀赋优势的发展路径,这正印证了张月玲等的研究结论^[17]。此外,与全样本估计结果略有不同的是,劳动-能源比的估计系数与理论预期存在差异,可能与分组后各区域样本量偏小有关。“干中学”（LBD）的估计系数在3个区域均为负,劳动力平均受教育年限的系数估计值较小,这与全样本回归结果基本一致。
控制变量中,环境规制强度与能源自给率在东中西部地区系数均不显著。第二产业比重变动对碳生产率的积极作用在东部显著,而在中西部不显著。FDI的估计系数在东部显著为正,而在中西部为负且不显著,这说明外商直接投资的碳生产率改善效应存在区域差异。

3.4 稳健性分析

通常计量模型存在内生性的主要原因包括变量观测误差、遗漏变量或函数设定错误以及联立性。本文GDP、能源消费总量等数据均依据《新中国六十年统计资料汇编》^[31]做出调整,修正了各省、市、自治区年鉴中可能存在的数据统计偏差,对变量观测误差可能导致的内生性问题进行了有效控制。变量选择主要依据由生产函数推导得出的碳生产率决定方程,避免了重要变量遗漏和函数设定错误问题。此外,由于低碳政策导向反向影响清洁能源使用的问题是否会导致模型存在内生性呢?本文认为,当期碳生产率高低有可能影响未来碳生产率调控目标的制定而影响未来清洁能源使用,在当期,基于生产函数的投入产出决定关系,这种逆向影响存在的可能性不大。本文总体回归结果中基准模型、改进模型及扩展模型的系数估计值基本符合碳生产率方程中α、β等主要参数的理论预期,对于清洁能源占比这一核心解释变量在全样本回归中系数估计值与理论预期存在的微小差距,通过依据清洁能源发展水平的分组回归揭示了可能被全样本回归结果所掩盖的组间差异。总体来看,本文实证分析结论具有稳健性与可靠性。

4 结论与建议

4.1 结论

本文基于引入能源和人力资本要素的总体生产函数和碳排放公式推导碳生产率方程并进行改进和扩展,发现碳生产率主要受技术因素、能源因素、要素配置结构及人力资本等因素的影响。能源因素中特别考虑了尚处于发展初期的清洁能源,要素配置结构因素通过资本-能源比和劳动-能源比两个角度考察资本、劳动与能源三种要素的配置结构对碳生产率增长的作用。实证分析结果表明：清洁能源的使用对碳生产率增长具有促进作用,但这种正向影响仅在清洁能源发展水平较高的地区显著,在清洁能源发展水平较低地区则与理论预期存在较大差距。要素配置结构变量中,资本-能源比与劳动-能源比的提升将有助于碳生产率增长,而中国近年来劳动-能源比的持续下降则成为碳生产率增长的不利因素。此外,教育人力资本水平提升有助于碳生产率增长,但是其贡献程度较小,样本考察期内“干中学”并未如理论预期对碳生产率增长产生正向作用。逐步减少化石能源消费、加快清洁能源发展,不断优化要素配置结构,推动碳生产率持续增长成为低碳发展的必然选择。

4.2 建议

基于研究结论,提出如下建议：
（1）扩大清洁能源供给规模。清洁能源使用过程中存在的接入成本大、上网难、调峰困难以及资源分布与电力负载不匹配等问题是制约清洁能源供给规模的主要因素。当前化石能源价格正处于2009年以来的又一个低谷,这加剧了清洁能源的成本劣势,化石能源价格低位徘徊和频繁调整给清洁能源的发展带来更大困难。本文认为保证清洁能源的持续投入和规模提升对于未来碳生产率增长至关重要。在当前世界经济格局和能源供求关系深刻调整时期,应立足国内并充分保证清洁能源发展的扶持力度,扩大核电、风电、太阳能等清洁能源供给能力,在清洁能源禀赋较高地区加快落实配额制度。有效的补贴政策对于新能源为主的清洁能源发展具有关键作用^[36],在清洁能源发展水平较低的地区,政府部门应加大对于清洁能源的扶持力度,以提升清洁能源供给能力。
（2）审慎调控要素配置结构。扭转要素配置结构（尤其是劳动-能源比）向不利于碳生产率增长方向变动的趋势,是保证碳生产率持续增长的紧迫任务也是重要手段。进一步提升碳生产率,更深层次的要素结构调整尤为必要,应改变对能源要素的高度依赖,引导要素在地区间合理流动,提升地区要素配置效率,逐步实现资本、劳动对能源要素的替代,特别是提升人力资本积累效率以保证劳动对能源要素的有效替代。经济低碳转型的重要特征体现为劳动力从产品生产部门逐渐向新能源生产和碳减排部门流动^[37],这也提醒政策部门应充分重视劳动要素跨部门流动带来的碳减排效应。需要指出的是,各地区应选择与地区资源禀赋相一致的技术发展路径,不可忽视技术方向及要素配置结构的深层次调整与匹配。
当然,不可否认在未来相当长时期内化石能源消费仍将占据主导地位,加快发展清洁能源的同时,大力推进清洁煤、清洁油等化石能源清洁化利用技术同样重要。从碳减排的角度来看,中国有必要采取更为科学的环境规制制度,执行更为严格的环境标准。只有能源体系、政策体系与经济体系协同改进,才能真正实现经济低碳转型和碳生产率持续增长,有效缓解中国经济可持续发展面临的碳排放约束。
本文研究暗示着清洁能源使用对碳生产率的影响可能存在某种临界点,根据地区要素结构特征和清洁能源发展水平差异找到这个临界点,对于地区能源结构调整和二氧化碳减排措施的制定将富有重要参考意义,这也是文章下一步努力所在。
The authors have declared that no competing interests exist.

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]	付丽苹,刘爱东. 我国清洁能源发展的驱动力及对策研究 [J]. 经济学家,2012,(7):46-52. [本文引用: 1] [Fu L P,Liu A D.The driving force of China's clean energy development and countermeasures [J]. Economist,2012,(7):46-52.] [本文引用: 1]
[2]	薛伟贤,曹佳. 新能源产业技术路线研究述评 [J]. 中国人口·资源与环境,2014,24(3):276-279. [本文引用: 2] [Xue W X,Cao J.A review of technological route for the new energy sector [J]. China Popu-lation,Resources and Environment,2014,24(3):276-279.] [本文引用: 2]
[3]	Zhai Q,Cao H,Zhao X,et al.Assessing application potential of clean energy supply for greenhouse gas emission mitigation:A case study on General Motors global manufacturing [J]. Journal of Cleaner Production,2014,75(14):11-19.]
[4]	赵媛,郝丽莎. 世界新能源政策框架及形成机制 [J]. 资源科学,2005,27(5):62-69. [本文引用: 1] [Zhao Y,Hao L S.New energy policy framework of the world and its forming mechanism [J]. Resources Science,2005,27(5):62-69.] [本文引用: 1]
[5]	Pao H T,Li Y Y,Fu H C.Clean energy,non-clean energy,and economic growth in the MIST countries [J]. Energy Policy,2014,67(4):932-942. [本文引用: 1]
[6]	Kaya Y,Yokobori K. Environment, Energy, and Economy:Stra-tegies for Sustainability[M].New York:United Nations University Press,1997. [本文引用: 1]
[7]	王锋,冯根福. 优化能源结构对实现中国碳强度目标的贡献潜力评估 [J]. 中国工业经济,2011,(4):127-137. [本文引用: 1] [Wang F,Feng G F.Contribution of improving energy mix to carbon intensity target in China:Potential assessment [J]. China Industrial Economics,2011,(4):127-137.] [本文引用: 1]
[8]	张伟,王韶华. 产业结构变动对碳强度影响的灵敏度分析 [J]. 软科学,2013,27(8):46-49. [Zhang W,Wang S H.The sensitivity analysis of the industrial structure change to the effect carbon intensity [J]. Soft Science,2013,27(8):46-49.]
[9]	Yu S,Zhang J,Zheng S,et al.Provincial carbon intensity abate-ment potential estimation in China:A PSO-GA-optimized multi-factor environmental learning curve method [J]. Energy Policy,2015,77:46-55.
[10]	周五七,聂鸣. 中国碳排放强度下降:结构效应与专利效应 [J]. 科研管理,2013,34(6):50-57. [Zhou W Q,Nie M.On the decline of carbon emissions intensity in China:Structural effect and patent effect [J]. Science Research Management,2013,34(6):50-57.]
[11]	Lu Z,Yang Y,Wang J.Factor decomposition of carbon productivity chang in China's main industries:Based on the Laspeyres decomposition method [J]. Energy Procedia,2014,61:1893-1896.
[12]	李宾,周俊,田银华. 全球外部性视角下的碳排放与产业结构变迁 [J]. 资源科学,2014,36(12):2483-2490. [本文引用: 1] [Li B,Zhou J,Tian Y H.Carbon emissions and industrial structure from a global externality perspective [J]. Resources Science,2014,36(12):2483-2490.] [本文引用: 1]
[13]	张友国. 经济发展方式变化对中国碳排放强度的影响 [J]. 经济研究,2010,(4):120-133. [本文引用: 1] [Zhang Y G.Economic development pattern change impact on China's carbon intensity [J]. Economic Research Journal,2010,(4):120-133.] [本文引用: 1]
[14]	Zhou P,Ang B W.Decomposition of aggregate CO₂ emissions:A production-theoretical approach [J]. Energy Economics,2008,30(3):1054-1067. [本文引用: 1]
[15]	孙作人,周德群,周鹏. 工业碳排放驱动因素研究:一种生产分解分析新方法 [J]. 数量经济技术经济研究,2012,(5):63-74. [本文引用: 1] [Sun Z R,Zhou D Q,Zhou P.Driving forces of industrial CO₂ emissions:A new production-based decomposition analysis method [J]. The Journal of Quantitative & Technical Economics,2012,(5):63-74.] [本文引用: 1]
[16]	张成,王建科,史文悦,等. 中国区域碳生产率波动的因素分解 [J]. 中国人口·资源与环境,2014,24(10):41-47. [本文引用: 1] [Zhang C,Wang J K,Shi W Y,et al.Decomposition on the fluctuation of China's regional carbon productivity growth [J]. China Population,Resources and Environment,2014,24(10):41-47.] [本文引用: 1]
[17]	张月玲,叶阿忠. 中国区域技术选择与要素结构匹配差异:1996-2010 [J]. 财经研究,2013,39(12):100-114. [本文引用: 2] [Zhang Y L,Ye A Z.Regional technology selection and matching difference in factor structure in China from 1996 to 2010 [J]. Journal of Finance and Economics,2013,39(12):100-114.] [本文引用: 2]
[18]	周杰琦,汪同三. 地区经济增长与碳强度差异的收敛性及其机理:基于中国省际面板数据的实证分析 [J]. 社会科学研究,2014,(5):66-73. [本文引用: 1] [Zhou J Q,Wang T S.Convergence between regional economic growth and carbon intensity differences and its mechanism:An empirical analysis of China's provincial panel data [J]. Social Science Research,2014,(5):66-73.] [本文引用: 1]
[19]	Solow R M.Technical change and the aggregate production function [J]. Review of Economics & Statistics,1957,39(3):312-320. [本文引用: 1]
[20]	赵领娣,张磊. 区域视角的劳动与能源的替代弹性:趋势、差异与政策启示 [J]. 经济问题探索,2012,(10):50-55. [本文引用: 1] [Zhao L D,Zhang L.Substitution elasticity between labor and energy across regions:Trends,differences and policy implications [J]. Inquiry into Economic Issues,2012,(10):50-55.] [本文引用: 1]
[21]	Lucas R E.On the mechanics of economic development [J]. Journal of monetary economics,1988,22(1):3-42. [本文引用: 2]
[22]	Hall R E,Jones C I.Why do some countries produce so much more output per worker than others? [J]. The Quarterly Journal of Economics,1999,114(1):83-116. [本文引用: 1]
[23]	Arrow K J.The economic implications of learning by doing [J]. The Review of Economic Studies,1962,29(80):155-173. [本文引用: 1]
[24]	单豪杰. 中国资本存量K的再估算:1952-2006年 [J]. 数量经济技术经济研究,2008,(10):17-31. [本文引用: 1] [Shan H J.Reestimating the capital stock of China:1952-2006 [J]. The Journal of Quantitative & Technical Economics,2008,(10):17-31.] [本文引用: 1]
[25]	Lan J,Munro A.Environmental compliance and human capital:Evidence from Chinese industrial firms [J]. Resource and Energy Economics,2013,35(4):534-557. [本文引用: 1]
[26]	国家统计局人口和就业统计司,人力资源和社会保障部规划财务司. 中国劳动统计年鉴[M]. 北京:中国统计出版社,2004-2013. [本文引用: 1] [Department of Population and Employment Statistics（NBSC）,Department of Planning and Finance（MOHRSS）. China Labor Statistical Yearbook[M]. Beijing:China Statistics Press,2004-2013.] [本文引用: 1]
[27]	石庆焱,李伟. 教育年限总和法人力资本测算-基于2010年全国人口普查数据的修订结果 [J]. 中国人口科学,2014,(3):95-103. [本文引用: 1] [Shi Q Y,Li W.A total-education-years (TEYs)approach in measuring human capital:Based on the 2010 population census [J]. Chinese Journal of Population Science,2014,(3):95-103.] [本文引用: 1]
[28]	Levinson A. An Industry-Adjusted Index of State Environmental Compliance Costs [R]. NBER Working Paper No. 7297,1999. [本文引用: 1]
[29]	国家统计局. 中国统计年鉴[M]. 北京:中国统计出版社,2004-2013. [本文引用: 1] [National Bureau of Statistics. China Statistical Yearbook [M]. Beijing:China Statistics Press,2004-2013.] [本文引用: 1]
[30]	国家统计局能源统计司. 中国能源统计年鉴[M]. 北京:中国统计出版社,2004-2013. [本文引用: 1] [Department of Energy Statistics (NBSC)). China Energy Statistical Yearbook[M]. Beijing:China Statistics Press,2004-2013.] [本文引用: 1]
[31]	国家统计局国民经济综合统计司.新中国六十年统计资料汇编[M]. 北京:中国统计出版社,2010. [本文引用: 2] [Department of Compre-hensive Statistics (NBSC).China Compendium of Statistics 1949-2008[M]. Beijing:China Statistics Press,2010.] [本文引用: 2]
[32]	北京理工大学能源与环境政策研究中心. 国家能源模型集成平台非化石能源消费数据库 [DB/OL]. [2015-01-10]. .URL [本文引用: 1] [Center for Energy & Environmental Policy Research,BIT. Integrated National En-ergy Modeling System,Non-fossil Energy Consumption Database [DB/OL]. [2015-01-10]. .]URL [本文引用: 1]
[33]	Driscoll J C,Kraay A C.Consistent covariance matrix estimation with spatially dependent panel data [J]. Review of Economics and Statistics,1998,80(4):549-560. [本文引用: 1]
[34]	王佳,杨俊. 中国地区碳排放强度差异成因研究-基于Shapley值分解方法 [J]. 资源科学,2014,36(3):557-566. [本文引用: 1] [Wang J,Yang J.Regional carbon emission intensity disparities in China based on the decomposition method of Shapley value [J]. Resources Science,2014,36(3):557-566.] [本文引用: 1]
[35]	Ma H,Oxley L,Gibson J,et al.China's energy economy:Tech-nical change,factor demand and interfactor/interfuel substitution [J]. Energy Economics,2008,30(5):2167-2183. [本文引用: 1]
[36]	Cantono S,Silverberg G.A percolation model of eco-innovation diffusion:The relationship between diffusion,learning economies and subsidies [J]. Technological Forecasting and Social Change,2009,76(4):487-496. [本文引用: 1]
[37]	王锋. 化石能源耗竭与气候变化约束下的经济低碳转型 [J]. 当代经济科学,2012,34(3):1-11. [本文引用: 1] [Wang F.Transition to a low-carbon economy under the constraints of fossil energy depletion and climate change [J]. Modern Economic Science,2012,34(3):1-11.] [本文引用: 1]

中国清洁能源使用、要素配置结构与碳生产率增长——基于引入能源和人力资本的生产函数

本站小编 Free考研考试/2021-12-29

China's clean energy use,factor allocation structure and carbon productivity growth based on production function with energy and human capital

1 引言

2 研究方法与数据来源

2.1 碳生产率基准方程及改进

2.2 计量模型与变量说明

2.3 数据来源与处理

3 结果及分析

3.1 总体回归结果

3.2 依据清洁能源发展水平的分组回归结果

3.3 东、中、西部分区域回归结果

3.4 稳健性分析

4 结论与建议

4.1 结论

4.2 建议

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

相关话题/能源 结构 劳动 生产 数据

领限时大额优惠券,享本站正版考研考试资料!

2020年中国能源消费总量预测——基于定基能源消费弹性系数法

中国主要粮食生产的化肥削减潜力及其碳减排效应

基于土地规模经营条件评价的村域生产空间格局厘定----以重庆市合川区大柱村为例

农户应用能源技术扶持政策需求优先序分析

合同能源管理绩效评价的理论模型构建与实证研究

基于RBF神经网络的物流业能源需求预测

中国城镇居民完全能源消费的空间计量分析

基于SBM和Malmquist生产率指数的中国海洋经济效率评价研究

城市化对家庭CO2排放影响的区域差异----基于中国省级面板数据的分析

基于耗散结构理论的国际河流水资源合作开发系统

中国清洁能源使用、要素配置结构与碳生产率增长——基于引入能源和人力资本的生产函数

本站小编 Free考研考试/2021-12-29

China's clean energy use,factor allocation structure and carbon productivity growth based on production function with energy and human capital

1 引言

2 研究方法与数据来源

2.1 碳生产率基准方程及改进

2.2 计量模型与变量说明

2.3 数据来源与处理

3 结果及分析

3.1 总体回归结果

3.2 依据清洁能源发展水平的分组回归结果

3.3 东、中、西部分区域回归结果

3.4 稳健性分析

4 结论与建议

4.1 结论

4.2 建议

参考文献文献选项 原文顺序 文献年度倒序 文中引用次数倒序 被引期刊影响因子

相关话题/能源 结构 劳动 生产 数据

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

相关话题/能源结构劳动生产数据