-
随着人类社会经济的发展，大量化石燃料被挖掘与消耗，CO2浓度急剧上升[1]。在严峻的气候变化压力下，中国作为碳排放大国，其能源消耗与碳排放等环境问题一直是国际社会关注的焦点。2014年，中国主动承诺将在2030年达到碳排放峰值。然而在全球资本流动下实现峰值减排目标似乎需要更多的努力。根据联合国贸易与发展会议（United Nations Conference on Trade and Development，简称UNCTAD）数据库（
https://unctadstat.unctad.org/EN/Index.html ），中国作为全球最大的新兴经济体，近20年来一直在全球吸引外资总量中占据相当大的比例，并在2020年超过美国成为了第一大外资流入国。外商直接投资（Foreign Direct Investment，简称FDI）对于中国的碳排放污染有着不容忽视的影响，然而学者们并未就FDI与环境污染的关系达成一致结论。有研究认为，承担减排责任的发达国家往往因为本国环境成本太高，而将一部分高污染企业通过对外投资设厂的方式转移到环境规制较为宽松的发展中国家，而发展中国家往往因为经济发展的需要而默认地成为“污染天堂”[2-6]。另有研究持相反观点，他们认为FDI的增加并不只是简单地从规模方面叠加了排放总量，还可能通过复杂机制。例如提高绿色生产率和改善产业结构等帮助东道国减少碳排放，从而形成“污染光环”效应[7-12]。那么，中国是否在碳的角度沦为了“污染天堂”？越来越严格的环境规制政策是否对这种关系有所调节呢？针对FDI对环境影响的“污染天堂”和“污染光环”两种对立假说，笔者梳理已有文献后认为主要3个原因：①衡量环境污染的指标选取不同，可能会得出不同的结论。常用的衡量环境污染的指标有PM2.5、SO2、CO2、废水、烟尘等，不同污染的物理特性不同，这使得使用不同污染的研究需要谨慎地外推到其他研究上。研究表明FDI对不同的环境污染物有不同的影响，FDI减少了烟尘，但增加了废水和SO2[13]。②未考虑到FDI对污染排放可能存在的非线性关系。现有文献主要集中于外国直接投资对污染排放的直接影响，而忽略了对FDI影响污染排放的机理检验，尤其是不同强度的环境规制政策对FDI水平的调节作用机制不应该受到忽视。进入21世纪以来，中国国内环境管控持续收紧，于2011年更新了《火电厂大气污染物排放标准》（GB 13223—2011），在2014年修订了《中华人民共和国环境保护法》。2014年制定的超低排放标准政策取得了显著成效[14]，尤其是2017年以来，政府严格的环保监管下，关停了一系列无法满足标准的企业，高排放的外资企业被挤出或无法进入市场。FDI对污染排放影响的复杂机理可能会造成FDI对污染排放的非线性关系，但少有学者对其展开研究[15-16]。③未考虑到污染排放的空间自相关性与空间溢出效应。部分研究忽视了碳排放和FDI两个关键变量可能存在的外部性以及他们的空间依赖与空间溢出性，不考虑变量的时空不平稳性而得出的研究结果是有局限性的[17]。例如，Aklin[18]的研究发现一旦考虑了人均CO2排放的空间相关性，原有的环境库兹涅茨曲线关系（Environmental Kuznets Curve，简称EKC）就会消失。
为了探究FDI流入与中国碳排放的关系，并验证环境规制的调节作用，本文在已有研究基础上对实证方法、分析框架、指标选取做出改进或补充，使研究结论更具科学性。首先，本文具体到CO2污染物排放的空间自相关性，对传统计量方法存在的缺陷进行了方法上的优化，使用双向固定的空间杜宾模型进行空间效应分解。其次，本文通过环境规制水平耦合“污染天堂”效应与“污染光环”效应，建立了综合环境规制、FDI、碳排放污染三者的分析框架，这为理解FDI与污染之间的非线性关系提供了新的见解。最后，本文选择了多种环境规制指标并进行对比，这更全面且更稳健地反映了环境规制水平在FDI对CO2污染排放影响中的作用，有助于政策制定者制定更加合适的治理政策。
-
发展中国家初期环境规制较宽松，或为经济发展故意制定宽松的环境政策。此时，FDI（foreign direct investment，简称FDI，外国直接投资）更多地对东道国碳排放造成了规模上的叠加影响，使东道国沦为“污染天堂”，可以写为效应B。
$$ B={a}_{0} + {a}_{1}I $$ (1) 式中：I为FDI，
$ {a}_{0} $ 和$ {a}_{1} $ 分别为截距项和系数。随着中国经济的发展和环境的恶化，由于环境的负外部性，中国政府开始追求绿色FDI。2011年以来，中国越来越严格的环境规制不仅直接减少了国内的碳排放总量，还间接地导致FDI性质发生变化。环境规制条件的变化使得FDI更多地在产业结构提升和技术溢出方面起到积极作用，技术转移抵消了规模上污染转移的消极作用。这意味着“污染光环”假说表现为减少碳排放，可以写为效应D。
$$ D={b}_{0}-{b}_{1}I-R $$ (2) 式中：R代表环境规制，
$ {b}_{0} $ 和$ {b}_{1} $ 分别为截距项和系数。交互B和D两种关系，即为本文所探究的FDI流入对碳排放的基准模型关系，计算得式（3）。$$ C={a}_{0}{b}_{0}-{a}_{0}R + \left({a}_{1}{b}_{0}-{a}_{0}{b}_{1}-{a}_{1}R\right)I-{a}_{1}{b}_{1}{I}^{2} $$ (3) 通过式（3）可以看出，FDI与碳排放不是线性关系，而且FDI与碳排放的关系受到环境规制的调节，计算其拐点（I*）。
$$ {I}^{*}=\frac{{a}_{1}{b}_{0}-{a}_{0}{b}_{1}-{a}_{1}R}{2{a}_{1}{b}_{1}} $$ (4) 根据以上推论可以得到，拐点取决于环境规制（R）的强度。由于a1为正，所以随着环境规制强度增大，拐点将会向右移动。也就是说，对于某一给定的环境规制强度，存在着唯一的拐点，环境规制的改变会使得倒U型曲线的拐点位置发生改变。以上分析框架意味着两个假设。假设1：FDI与碳排放可能存在着U型关系；假设2：环境规制会调节FDI与碳排放的关系。
由此，得出基于以上两点的基准模型：
$$ C={\beta }_{0} + {\beta }_{1}I + {\beta }_{2}{I}^{2} + {\beta }_{3}X + \varepsilon $$ (5) $$ C={\beta }_{0} + {\beta }_{1}I + {\beta }_{2}{I}^{2} + {\beta }_{3}I\times R + {\beta }_{4}{I}^{2}\times R + {\beta }_{5}X + \varepsilon $$ (6) 式中：C代表碳排放（本文选用人均CO2排放指标描述该变量），X为控制变量组，β0为常数项，β1、β2、β3、β4、β5为系数项，
$ \varepsilon $ 为误差项。式（6）在式（5）基础上加入了环境规制交互项。当R = 0时，式（5）与式（6）相等，此时FDI对碳排放的影响即为
$ \;{\beta }_{1} $ 和$\; {\beta }_{2} $ 所度量的U型关系。当R每增加一个单位，FDI对碳排放的影响等于（$ \;{\beta }_{1} + \;{\beta }_{3} $ ）和（$ \;{\beta }_{2} + \;{\beta }_{4} $ ）所度量的U型关系。因此，环境规制强度的变化会调节FDI与碳排放的关系，式（5）的拐点及式（6）的拐点分别为式（7）和式（8）：$$ {I}^{'}=\frac{{-\beta }_{1}}{2{\beta }_{2}} $$ (7) $$ {I}^{\text{'}}=\frac{-\left({\beta }_{1} + {\beta }_{3}R\right)}{2\left({\beta }_{2} + {\beta }_{4}R\right)} $$ (8) 在某一R值上（一般为均值），可以求出固定的拐点。对拐点式（8）求导，可以得到拐点如何随着R的变动而移动：
$$ \frac{\partial {I}^{*}}{\partial R}=\frac{{\beta }_{1}{\beta }_{4}-{\beta }_{2}{\beta }_{3}}{2{\left({\beta }_{2} + {\beta }_{4}R\right)}^{2}} $$ (9) 拐点的移动方向依赖于式（9）结果的大小，若结果大于0，则随着R的增加拐点向右移动，反之，则向左移动。
-
通过以上框架分析和假设，本文确立研究内容为检验FDI与碳排放的U型关系，并分析环境规制的调节作用。式（5）、（6）左边的被解释变量C选取了人均CO2排放指标，使用中国碳核算数据库CEADs（Carbon Emission Accounts and Datasets，简称CEADs）的省级CO2排放清单与《国家统计年鉴》人口数据，剔除了中国碳排放的人口规模干扰。对于省级规模的碳排放数据，《中国能源统计年鉴》每年仅公布各省能源平衡表，然而由于排放因子等计算差异，联合国政府间气候变化专门委员会（Intergovernmental Panel on Climate Change，简称IPCC）作为国际权威的温室气体排放机构发布的全球碳排放数据与中国国情存在差异[19]。因此，本文选取了在中国较受认可的CEADs数据库以获取中国省级碳排放数据[19-20]，并将人口规模因素剔除。核心解释变量FDI流入使用了国家统计局1998—2017年的面板数据。在进行空间计量模型的构建与选择之前，本文对环境规制变量组与控制变量组进行了指标选取工作。
环境规制变量的选取说明如下：中国实际生效的环境规制目前仍然更多地依赖于政府管控，如政策的颁布或环境标准等。然而，仅仅使用政策颁布数量来衡量规制强度是不准确的。因此本文环境规制指标R从环境管控的投入，环境成本激励及绩效结果三方面进行描述，参考了经典文献Tietenbergy[21]的分类。本文的主要模型中使用了政府对环境治理的实际投入，即工业污染治理投资占工业的地区生产总值（gross domestic product，简称GDP）的比例（R1）衡量环境规制的强度。另外，为保证结果的稳健性，本文在稳健性检验中分别选用单位GDP的排污费（R2）这一最常用的经济激励型环境规制工具以及可以表征环境绩效的单位能源的GDP产出（R3）来衡量环境规制的强度。数据均来源于中国国家统计局的省级数据以及《中国环境统计年鉴》。
本文基于STIRPAT模型和环境库兹涅茨曲线（environmental Kuznets curve，简称EKC）假说进行控制变量组的选取，这两个理论是环境污染影响因素研究的基本理论框架。自Grossman 和 Krueger以来，EKC假说[22]一直是学者们对污染浓度与污染排放建模的主要方法，EKC假说本质上代表了一种经验现象，即人均收入与环境污染的“倒U型”关系。因此本文采用了人均GDP（A）指标解释经济发展水平并加入了二次项[23-24]。STIRPAT模型源于一个环境影响的乘积方法模型IPAT，写为I = P × GDP/P × I/GDP，认为环境污染主要受到人口、财富与技术的影响。Dietz等[25]将其扩展为可以灵活调整的随机形式，学者们通常采取对数化转换为线性形式进行因素分解与估计，被广泛应用到碳排放等环境问题的研究。根据经典STIRPAT模型，除了经济增长外，环境影响还与技术水平与人口规模有关。具有高绿色全要素生产率的企业往往能够通过技术革新，使用清洁能源或循环经济，排放更少的CO2；而人口数量较多，较拥堵的地方，基于规模效应，相比之下碳排放会更多。因此本文采用单位面积的人口数（P）解释某一地区的人口因素，采用科技活动经费内部支出占GDP的比例（T）衡量地区的研发水平。
除此以外，具体到表征环境污染的人均CO2排放指标，其源头主要来自于化石燃料的焚烧，尤其是煤炭的使用[26-27]。从污染物的来源相关性角度，本文将能源强度与产业结构纳入控制变量组。参考邵帅等[28]污染治理的经典文献，使用煤炭消耗占总能源消耗（标煤）的比例（E）解释能源强度，使用第二产业的GDP占总GDP的比例（S）解释产业结构。在理论预期中，能源消耗中煤炭占比越大，人均CO2排放越高；工业制造业等第二产业占比越大，人均CO2排放越高。总之，基于经典理论框架与中国CO2污染排放的特性，本文选定了人均地区生产总值、人均地区生产总值的平方项，人口密度、研发水平、产业结构、以及能源强度作为控制变量组，预期符号方向为正、负、正、负、正、正。模型变量的指标选取如表1所示。
表 1 变量组的指标选取
变量名称 变量定义 单位 变量符号 均值 方差 碳排放 人均CO2排放量 mt C 0.066 0.063 外商直接投资 外商直接投资 万元 I 82824 154349 环境规制 工业污染治理投资占工业GDP的比例 % R1 45.33 37.085 单位GDP的排污费 万元 R2 5.604 4.280 单位能源的GDP产出 万元/吨标准煤 R3 1.014 0.584 经济发展水平 人均GDP 元 A 28971 24511 人口密度 单位面积的人口数 万人/km2 P 0.049 0.059 研发水平 科技活动经费内部支出占GDP的比例 % T 29.481 55.743 产业结构 第二产业的GDP占总GDP的比例 % S 0.464 0.070 能源强度 煤炭消耗占总能源消耗（标煤）的比例（线性调整后） % E 0.975 0.354 -
为保证序列的平稳性，防止出现伪回归，对变量进行平稳性检验。我们使用了Levin-Lin-Chu test的单位根检验，由于担心部分变量截面自相关问题，使用了时间趋势项和无截距项进行控制，结果显示显著拒绝序列存在单位根，即变量为平稳序列。
表 2 单位根检验结果
变量 t值 p值 ln C 5.205 0.000*** ln I −4.633 0.000*** ln I2 −4.569 0.000*** R1 −9.758 0.000*** R2 −3.987 0.000*** R3 −4.052 0.000*** T −4.959 0.000*** ln A −7.294 0.000*** ln A2 −5.579 0.000*** ln P −5.480 0.000*** S −2.261 0.012** E −4.952 0.000*** 注：***、**、*分别代表在1%、5%、10%的水平上显著。 -
碳排放并非单纯的局部CO2的排放，大气环流等自然因素会使CO2在相邻地区扩散。在开始回归之前，基于0-1空间权重矩阵对各年份的碳排放进行空间自相关检验。空间自相关检验中常用的统计量包括Moran's I（莫兰指数）、Geary' C、Getis' G等，本文使用最常见的莫兰指数进行全局空间自相关检验。莫兰指数是一个有理数，经过方差归一化之后，它的值会被归一化到-1.0 ~ 1.0之间。当莫兰指数大于 0时表示观测值存在正的空间自相关，也即低值与低值相邻，高值与高值相邻；当莫兰指数小于 0 时则表示个体观测值之间存在负的空间自相关，也即低值与高值相邻；莫兰指数等于 0 表明空间分布是随机的。表3为1998—2017年碳排放莫兰指数，莫兰指数显示均在1%显著性水平下呈现空间自相关性，值在0.25 ~ 0.35之间。
表 3 碳排放的全局莫兰指数
年份 莫兰指数 标准差 p值 1998 0.249 0.111 0.01*** 1999 0.298 0.110 0.002*** 2000 0.256 0.110 0.008*** 2001 0.294 0.1100 0.003*** 2002 0.308 0.110 0.002*** 2003 0.309 0.109 0.002*** 2004 0.306 0.108 0.002*** 2005 0.327 0.105 0.001*** 2006 0.297 0.103 0.001*** 2007 0.275 0.104 0.003*** 2008 0.283 0.106 0.003*** 2009 0.339 0.107 0.000*** 2010 0.337 0.109 0.001*** 2011 0.347 0.11- 0.001*** 2012 0.327 0.109 0.001*** 2013 0.309 0.101 0.001*** 2014 0.259 0.102 0.004*** 2015 0.267 0.104 0.004*** 2016 0.270 0.103 0.003*** 2017 0.248 0.102 0.005*** 注：***、**、*分别代表在1%、5%、10%的水平上显著。 此外，碳排放的影响因素，如FDI的技术溢出效应、经济发展，以及政策的地区间联动等，也可能存在着空间上的相互作用。因此，考虑到碳排放及其影响因素的空间滞后性，笔者拟在基准模型的基础上构建空间计量模型。基于已标准化的0-1空间权重矩阵，本文进行空间计量模型的选择。常用的空间计量模型有空间自回归模型（spatial autoregressive model，简称SAR）、空间误差模型（spatial error model，简称SEM）、空间自相关模型（spatial autocorrelation model，简称SAC），以及空间杜宾模型（spatial Durbin model，简称SDM）。接下来本文给出一般化的空间计量模型，并通过模型检验方法选定了空间杜宾模型。
$$ \mathrm{log}\;{C}_{it}=\rho W\mathrm{log}\;{C}_{it} + \beta {X}_{it} + \theta W{Z}_{it} + {\alpha }_{i} + {\gamma }_{t} + {\varepsilon }_{it} $$ (10) $$ {\varepsilon }_{it}=\lambda W{\varepsilon }_{it} + {\mu }_{it} $$ (11) 式中：
$ \mathrm{log}\;{C}_{it} $ 是t时期第i个省或直辖市的人均碳排放量取log后的观测值，为本文所研究的被解释变量。W为标准化后的空间权重矩阵，$ \rho $ 为被解释变量的空间自相关回归系数，代表本地区碳排放对其他地区的影响程度。$ {X}_{it} $ 与$ {Z}_{it} $ 为解释变量；θ为解释变量的空间滞后项的系数，表示解释变量对相邻省份的空间外溢效应，θ越显著表明解释变量存在的空间交互作用越强；β为衡量解释变量对本省或直辖市碳排放量的影响系数。$ {\alpha }_{i} $ 代表个体固定效应,$ {\gamma }_{t} $ 代表时间固定效应，$ {\mu }_{it} $ 为不可观测的随机误差项，$ \lambda $ 为随机误差项的空间滞后系数.当
$ \rho =\theta =\lambda =0 $ 时，模型转变为普通的面板回归，此时上述一般化的空间计量模型，即式（10）、式（11）中不存在空间项刻画的空间相依关系。当$\; \rho = \theta =0 $ 时，模型转变为经典的空间误差模型（SEM），空间滞后项仅存在于随机误差项中。当$ \theta =\lambda =0 $ ，模型转变为经典的空间自回归模型（SAR），加入了空间权重与被解释变量的乘积，刻画了被解释变量的空间自相关；这意味着被解释变量不仅受自身的解释变量的影响，还受到其他空间的这个变量的影响。当$ \theta =0 $ 时，模型转变为空间自相关模型（SAC），刻画了被解释变量的空间自相关性以及随机误差项中的空间滞后性。当$ \lambda =0 $ 时，即为经典的空间杜宾模型，对被解释变量与解释变量均进行了空间相依的刻画，也就是说，本地区被解释变量的空间效应不仅体现在与相邻地区的被解释变量相关，还体现在与相邻地区的解释变量相关。如表4所示，由于不同的空间计量模型的空间滞后项不同，他们所刻画的空间相依方式也有所不同。根据赤池信息准则（Akaike information criterion，简称AIC）和贝叶斯信息准则（Bayesian information criterion，简称BIC），本研究选择了值最低的空间杜宾模型（40.18567，127.4462），并进行双向固定。这一结果表明碳排放不仅存在空间自相关性，还可能会受到邻近地区其他变量的空间交互作用。因此我们选用空间杜宾模型，在基准模型式（5）、（6）中加入被解释变量、解释变量的空间滞后项。
表 4 空间计量模型选择检验
变量名称 SAR总效应 SAC总效应 SDM总效应 ln I 0.351*(0.182) 0.219(0.205) −1.569***(0.317) ln I2 −0.0127(0.009) −0.005(0.011) 0.076***(0.015) R1 −0.002***(0.000) −0.002***(0.000) −0.002*(0.001) T 0.003***(0.001) 0.002**(0.001) −0.001(0.002) ln A 1.989***(0.700) 2.464***(0.788) 7.662***(1.203) ln A2 −0.068**(0.034) −0.090**(0.038) −0.339***(0.057) ln P 0.533(0.339) 0.717*(0.373) 2.699***(0.691) S 0.488(0.431) 0.599(0.473) 1.523(0.966) E 1.504***(0.142) 1.621***(0.173) 2.289***(0.232) Wln I −2.202***(0.332) W ln I2 0.104***(0.016) WR1 −0.000(0.001) WT −0.003(0.002) Wln A 7.221***(1.254) W ln A2 −0.331***(0.058) Wln P 2.422***(0.718) WS 0.808(0.830) WE 0.968***(0.220) AIC 85.989 85.565 40.186 BIC 133.982 137.921 127.446 方差σ2 0.000 注：括号数值为标准误，注：***、**、*分别代表在1%、5%、10%的水平上显著。 -
由于空间交互作用和反馈效应的存在，本地区的活动对其他地区的影响会反过来影响本地区。本文通过借鉴Lesage等[29]的偏微分计算方法分解出解释变量X对碳排放的直接效应（作用于本地区）与间接效应（又称溢出效应），计算结果见表5。
表 5 式（5）的分解结果（Ri = R1）
变量名称 直接效应 间接效应 总效应 ln I 0.611***(0.187) −2.180***(0.352) −1.569***(0.317) ln I2 −0.027***(0.010) 0.103***(0.018) 0.076***(0.015) Ri −0.002***(0.000) −0.000(0.001) −0.002*(0.001) T 0.002*(0.001) −0.003*(0.002) −0.001(0.002) ln A 0.552(0.662) 7.110***(1.269) 7.662***(1.203) ln A2 −0.012(0.032) −0.327***(0.059) −0.339***(0.057) ln P 0.298(0.322) 2.401***(0.722) 2.699***(0.691) S 0.666*(0.373) 0.857(0.807) 1.523(0.966) E 1.386***(0.098) 0.903***(0.217) 2.289***(0.232) 注：括号内为标准误，***、**、*分别代表在1%、5%、10%的水平上显著。 结果表明，外商直接投资对于本地区碳排放的直接效应以及对邻近地区碳排放的间接效应均显著，但作用方向相反，间接效应系数约为直接效应的3倍。因此，FDI对于中国碳排放的总效应作用方向取决于间接效应的作用方向。FDI对本地区碳排放的影响呈现“倒U型”关系，即先增加碳排放后减少；而对相邻地区碳排放呈现显著的“正U型”关系，即先减少相邻地区的碳排放后又增加。这表明外商直接投资一开始在本地区出现了“污染天堂”效应，但却更显著地减少了相邻地区的碳排放。然而随着外商直接投资基数不断扩大，在本地区会出现污染光环效应，但同时却更显著的增加了相邻地区的碳排放，使得总体呈现出污染天堂假说。
另外，严格的环境规制使得本地区的碳排放显著减少，但对邻近地区没有显著影响。环境规制除了直接作用于中国碳排放量外，还有可能会对FDI与中国碳排放的空间关系起到调节作用，从而通过FDI的变化间接作用于中国碳排放量。我们将在下一小节进行讨论。控制变量组对中国碳排放的作用方向符合理论预期方向。经济增长与碳排放总体呈现出显著的倒U型关系，符合环境库兹涅茨曲线假说。根据回归结果，人口密度与能源强度也是造成碳排放的因素，从规模上增加了中国碳排放总量。
根据描述性统计，29个省市的580个样本中，ln I变量的中位数为10.26。基于上述模型结果中已被验证的U型关系，本文依据拐点式（7），对环境规制指标R1、R2、R3的直接效应、间接效应以及总效应的拐点进行了计算。计算结果表明：①FDI的直接效应拐点分别为11.27、12.66、13.62，因此推断FDI对于大部分省份人均碳排放的影响仍处于拐点之前，即仍在经历“污染天堂”效应。②FDI的间接效应拐点分别为10.58、10.29、10.47，据此推断FDI对本地区碳排放效应的拐点晚于邻近地区拐点，即FDI流入水平存在一个平台期，会同时增加本地区和邻近地区的碳排放。
基于以上拐点位置的探讨，本文依据2017年各省份统计量进行了合理推断。首先，京津沪3个直辖市以及广东、江苏、浙江、辽宁、山东与福建6个省份的ln I统计值大于或等于12，本文据此推断这些省份的直接效应拐点已经到来。即在这些省或直辖市中，FDI对本地人均碳排放呈现为减排作用，但对邻近省市会呈现为更大程度的增排效应。另外，甘肃、青海以及新疆3个省或自治区的ln I统计值未达到10，可推测在这3个省份或自治区中FDI对本地区仍发挥着“污染天堂”的效应，但对邻近省市的空间溢出呈现为减排作用。
然而，不同环境规制水平下，FDI对中国人均碳排放的“U型”关系可能并非同质。FDI对中国各省市碳排放量的影响并不是只取决于总量的累积，当地环境政策及规制强度调节FDI质量，可能会使得拐点发生移动。因此，下文讨论了式（6）中环境规制的调节作用。
-
在研究FDI 与中国碳排放的关系时，式（5）中环境规制的调节作用并没有从中分离开来。式（6）中加入了FDI与环境规制的交互项，将环境规制对这一关系起到的调节作用分离开。根据第2章的理论分析，式（6）在式（5）的基础上加入了FDI与环境规制的交互项，检验环境规制的调节作用，结果如表6所示。
表 6 式（6）的分解结果（Ri = R1）
变量名称 直接效应 间接效应 总效应 ln I −0.317(0.193) −1.693***(0.370) −2.010***(0.350) ln I2 0.0147(0.010) 0.080***(0.017) 0.094***(0.016) R1ln I 0.019***(0.002) 0.000(0.005) 0.019***(0.006) R1ln I2 −0.001***(0.000) −0.000(0.000) −0.001***(0.000) R1 −0.098***(0.010) −0.006(0.026) −0.103***(0.027) T −0.000(0.001) −0.003*(0.002) −0.003*(0.002) ln A 0.119(0.629) 5.079***(1.173) 5.198***(1.098) ln A2 0.009(0.030) −0.239***(0.055) −0.229***(0.052) ln P −0.276(0.302) 1.269*(0.658) 0.993(0.630) S 0.892***(0.323) 0.289(0.737) 1.181(0.834) E 0.970***(0.092) 0.364*(0.186) 1.334***(0.211) 注：括号内为标准误，***、**、*分别代表在1%、5%、10%的水平上显著。 当R = 0时，FDI的系数即代表了在没有环境规制的情况下FDI对碳排放的作用；当R≠时，交互项的系数代表了环境规制强度R每增加一单位，FDI对碳排放所增加的效应。根据回归结果，环境规制只作用于本地区的碳排放，对邻近省市没有显著影响。在没有环境规制的条件下，FDI对中国碳排放整体上呈现出显著的U型关系。随着环境规制强度的增大，FDI对本地区碳排放的直接效应不断攀升，逐渐呈现出倒U型关系，对无环境规制下总体所呈现的U型趋势起到了缓冲性的作用。这一结果验证了本文最初提出的两个假设：①FDI与碳排放存在着U型关系；②环境规制在其中起到了调节作用。
-
为验证结果的稳健性，①笔者使用地理距离空间矩阵替换0-1空间矩阵，考察稳健性检验结果与原模型结果的一致性；②从环境规制的成本激励以及结果绩效方面，笔者选取了单位GDP的排污费（R2）、单位能源的GDP产出（R3）两个指标，进行环境规制指标替换的模型稳健性检验。
表7结果为地理距离矩阵下的式（5）和（6）的效应分解结果，变量符号与使用0-1空间矩阵的模型结果一致。式（5）结果显示，FDI与当地碳排放量呈现倒U型关系，而在邻近地区呈现更大程度上的U型关系。因此，总体上FDI与碳排放量呈现U型关系。将环境规制的调节作用分解后，式（5）与式（6）的FDI间接效应系数相近，但直接效应的作用方向完全相反。在式（6）的结果中，环境规制为0时，FDI与碳排放的关系在直接效应和间接效应上都表现为U型关系（由FDI系数表征）。随着环境规制强度的增大，对直接效应起到越来越多的相反的作用（交互项系数），这使得直接效应的U型关系逐渐趋向倒U型。这表明，FDI与碳排放的关系中，环境规制强度只对直接效应起到显著的调节作用，总体上表现为对FDI与碳排放U型关系的缓冲作用。通过计算拐点以及对拐点求微分，可以得到FDI与中国碳排放的拐点随着环境规制强度的增强而向左移动，与基准模型结果一致，表明环境规制加速了污染光环效应。除了关键解释变量，控制变量组的系数符号均与预期一致。例如，经济发展水平与碳排放的关系符合环境库兹涅茨理论，呈倒U型曲线。另外，人口密度以及能源强度对中国碳排放显现出非常显著的增排效应，环境规制变量只对本地碳排放呈现减排效应，这些控制变量的系数符号符合理论基础与预期。在稳健性检验中，关键变量以及控制变量组的符号方向均与基准模型结果以及预期一致，加强了模型结果的可信性。
表 7 空间权重矩阵稳健性检验
变量名称 式（5） 式（6） 直接效应 间接效应 总效应 直接效应 间接效应 总效应 ln I 0.408**(0.183) −1.340***(0.441) −0.932**(0.426) −0.528***(0.184) −1.219***(0.435) −1.747***(0.433) ln I2 −0.018*(0.010) 0.069***(0.021) 0.051***(0.019) 0.0240**(0.001) 0.061***(0.020) 0.085***(0.020) R1ln I 0.020***(0.002) −0.003(0.006) 0.0173***(0.006) R1ln I2 −0.001***(0.000) 0.000(0.000) −0.001**(0.000) R1 −0.002***(0.000) 0.002(0.001) −0.000(0.001) −0.107***(0.010) 0.016(0.028) −0.091***(0.028) T 0.002**(0.001) −0.003(0.002) −0.000(0.002) −0.000(0.001) −0.001(0.006) −0.002(0.002) ln A 1.226*(0.713) 5.549***(1.575) 6.775***(1.546) 0.841(0.672) 4.456***(1.433) 5.297***(1.391) ln A2 −0.036(0.035) −0.269***(0.074) −0.305***(0.075) −0.020(0.032) −0.217***(0.067) −0.237***(0.067) ln P 0.319(0.344) 2.237***(0.811) 2.556***(0.762) −0.253(0.321) 1.620**(0.734) 1.367**(0.688) S 0.473(0.400) 0.995(1.037) 1.468(1.244) 0.822**(0.339) 0.292(0.876) 1.114(0.996) E 1.383***(0.100) 0.825*(0.422) 2.208***(0.422) 0.932***(0.090) 0.342(0.354) 1.274***(0.357) 注：括号内为标准误，***、**、*分别代表在1%、5%、10%的水平上显著。 为进一步验证FDI与碳排放的空间效应，本文从环境规制的成本激励以及结果绩效方面选取R2、R3两个指标，对式（5）进行环境规制变量的指标替换以检验模型稳健性，结果见表8。环境规制变量分别替换为R2与R3后，模型结果与原模型结果基本一致。FDI对中国碳排放的总效应均显示为显著的正U型关系，表明FDI在中国总体上先出现了污染光环，随着FDI的继续增长，又总体呈现出增加碳排放的趋势。FDI对邻近地区碳排放产生了更强烈的U型效应，约为其对本地区碳排放作用强度的1/3。控制变量组符号与预期相符，经济发展与碳排放呈现明显的倒U型关系，人口密度以及能源强度显著增加了中国碳排放。环境规制变量指标替换的模型结果与原模型基本一致，进一步增强了结果的可信度。
表 8 式（5）的变量稳健性检验
变量名称 直接效应 R2 直接效应 R3 间接效应 R2 间接效应 R3 总效应 R2 总效应 R3 ln I 0.547**(0.236) 0.346(0.239) −1.929***(0.434) −1.524***(0.420) −1.382***(0.378) −1.178***(0.347) ln I2 −0.022*(0.013) −0.013(0.013) 0.094***(0.021) 0.073***(0.020) 0.072***(0.017) 0.060***(0.016) Ri −8.656(42.14) −0.557***(0.132) −0.814(117.4) −0.420(0.282) −9.471(127.9) −0.977***(0.286) T 0.001(0.001) −0.000(0.001) −0.003(0.002) −0.004**(0.002) −0.002(0.003) −0.004*(0.002) ln A 0.730(0.775) 1.774**(0.834) 7.074***(1.475) 4.885***(1.494) 7.804***(1.364) 6.660***(1.262) ln A2 −0.020(0.038) −0.055(0.040) −0.323***(0.068) −0.198***(0.070) −0.343***(0.064) −0.252***(0.061) ln P 0.383(0.373) 0.744*(0.393) 2.751***(0.824) 1.950**(0.807) 3.134***(0.780) 2.694***(0.715) S 0.747*(0.439) 0.240(0.430) 0.855(0.916) 0.173(0.847) 1.602(1.084) 0.414(1.000) E 1.389***(0.118) 1.282***(0.117) 0.900***(0.260) 0.575**(0.241) 2.289***(0.278) 1.857***(0.257) 注：括号内为标准误，***、**、*分别代表在1%、5%、10%的水平上显著。 -
根据模型与稳健性检验结果，FDI与中国碳排放的关系并非线性，整体呈现为显著的U型趋势，并且其空间效应存在显著差异，迥异的直接效应与间接效应不应被忽略。在FDI流入初期，在中国各省市当地确实出现了“污染天堂”效应，即本地区碳排放量增加，但FDI对邻近地区却产生了更大强度的减排作用，使得整体呈现“污染光环”效应。随着FDI持续增多，FDI对中国碳排放的空间作用发生了转变。FDI在技术以及产业结构方面发挥更大作用，各省市当地逐渐呈现“污染光环”效应，然而这却造成了邻近省市更大强度的碳排放，最终呈现为FDI的持续增加使得中国整体沦为“污染天堂”。
可以看出，FDI对中国碳排放的影响很大程度上取决于邻近省市的反应。因此中国未来要达成碳达峰、碳中和的目标，必须发挥省市间的联动作用，重视FDI所产生的空间效应。
然而，根据描述性统计，中国大部分省市的FDI流入并未跨越拐点，处于U型关系的前半段。也就是说，一定基数内的FDI实际上促进了中国的低碳发展，在中国大部分省市呈现出污染光环效应。然而，随着FDI流入越来越多，边际“污染光环”效应是不断减少的。当FDI基数到达一定程度，“污染光环”效应会消失，并且会带来越来越大的碳排放。目前只有广东、上海、江苏三省市的年平均FDI流入跨越了拐点，因此可以得出结论：FDI在一定基数内，在中国整体上呈现出“污染光环”效应。
-
环境规制有两条路径影响当地的碳排放：一为直接作用于当地碳排放，呈现显著的减排效应；二为间接调节FDI与碳排放的关系，式（6）中环境规制与FDI交互项的系数即代表调节作用强度，呈现出显著的调节效应。根据式（6）结果，得出以下分析结论。
首先，环境规制只对本地区有显著影响，对邻近地区没有显著影响，不存在空间溢出效应。环境规制的调节作用主要表现为反作用力，缓冲碳排放量的猛增与猛减。原模型与稳健性检验结果一致表明，FDI在环境规制为0的情况下，对本地区的直接效应与对邻近省市的间接效应均呈现为U型。然而，环境规制交互项的系数与FDI作用方向完全相反，不断增强的环境规制发挥反作用力弱化了环境规制为0时的U型关系。这可能是环境规制阻挡了一部分FDI的流入，缓冲了FDI与碳排放原本呈现的U型趋势，避免了碳排放量的猛增与猛减。
第二，环境规制的调节作用主要表现为反作用力，缓冲碳排放量的猛增与猛减。原模型与稳健性检验结果一致表明，R1 = 0时，本地区的直接效应与邻近省市的间接效应均呈现为U型。R1 ≠ 0时，环境规制R1与FDI的交互项系数与FDI的系数完全相反，代表环境规制反作用于U型关系。环境规制水平只对本地区产生显著的缓冲调节作用，当FDI流入量达到一定规模时，提高环境规制水平可能有助于解决当地地区“高−高”碳排放污染集聚的困境。
第三，除了使U型关系变得平缓，环境规制还对拐点的位置产生了影响。根据对模型结果的进一步微分计算，可以得到U型关系的拐点位置与环境规制水平的关系。严格的环境规制使FDI对整体人均碳排放的U型关系拐点向左移动，每单位FDI对中国碳减排产生了更大的作用，起到了对FDI流入一定程度的绿色筛选作用。
-
中国作为最大的发展中国家，经济发展、人口以及能源强度（或技术水平）都对这一庞大经济体的碳排放有非常明显且直接的影响[30-31]，本文也对此结论进行了验证。然而，FDI对环境的作用方向一直存在着争议，学者们做了大量研究但结论不一，出现了“污染天堂”以及“污染光环”效应两种对立假说。笔者针对中国的29个省市连续20年的样本数据，从环境规制强度视角考察了FDI 对碳排放的空间影响，给出以下结论及建议。
首先，适度规模的FDI流入在中国整体上呈现出“污染光环”效应，这证明中国过去20年积极引进外资的政策是一种环境与经济的双赢。本文认为，FDI与中国碳排放总体呈现正U型关系，然而描述性统计显示中国绝大部分省市并未达到拐点。也就是说，在拐点出现之前，中国政府过去积极招商引资的政策是利好于低碳发展的。到达拐点后，“污染光环”总效应不再增加，继续增加FDI反而会造成碳排放规模的进一步增大。因此，地方政府在招商引资时应考虑因地制宜，FDI规模上的差异会对各地区碳排放造成不同的效应。对于还未跨过拐点，仍处于“污染光环”效应的地区，应配合积极引资政策吸引更多FDI流入，增大效应规模。而对于已经跨越拐点的小部分地区，过多的FDI会对环境造成更多负累，应因地制宜对流入的FDI进行甄别，阻挡一部分高排放的外资流入，更多的引入高绿色生产率的外资。
第二，FDI的区域分布是否均衡对整体效应强度的呈现有重要影响，这提示我国在处理碳排放问题时应注重区域间的协调发展。本文模型结果表明FDI对本地与相邻地区的碳排放分别呈现为显著的倒U型的直接效应以及正U型的溢出效应，U型的溢出效应是直接效应的3倍左右，主导了FDI整体的作用方向。也就是说，FDI规模较小时，虽然当地沦为“污染天堂”，但对相邻省市显现出更大程度的减排效应。而FDI形成一定规模后，地方引进更多的高绿色生产率FDI，这对当地区域产生了“污染光环”效应，然而却相应的造成了相邻省市更大程度的碳排放。中国改革开放之初，为利用世界经济重心逐步东移给我国经济发展所带来的机遇，采取了优先发展东部沿海地区的非均衡发展战略。这一非均衡发展战略实际上通过空间区域的间接效应增强了FDI的“污染光环”效应。然而，随着FDI规模的不断增大，邻近省市的“污染光环”效应逐渐缩减。尤其是FDI规模到达一定规模后，虽在本地区产生“污染光环”效应，但却造成了邻近省市更大程度的碳排放增加。因此，随着对外开放程度的不断扩大，非均衡发展战略所产生的区域发展不均衡以及政策倾斜不公平的问题会阻碍FDI的“污染光环”效应。因此，从减少碳排放的角度看，未来在吸引高绿色生产率的外资进入的同时，区域间的引资政策与对外开放水平应当更加注重协调发展，处理好效率与公平的关系。
第三，环境规制政策与措施需审慎应用，一味增强环境管制可能会适得其反。依据模型结果，环境规制除了直接的减排效应，还呈现了显著的间接调节作用。调节作用表现为不仅会缓冲FDI对碳排放所产生的效应规模，且会促使拐点向左移动从而加速结束FDI所产生的“污染光环”效应。在FDI规模未跨越拐点前，环境规制虽然对中国碳排放产生了直接的减排作用，但同时缩小了FDI所产生的“污染光环”效应规模，间接掣肘了减排效应。因此，在FDI规模到达拐点前，环境规制强度的进一步增强需在直接的减排作用与调节效应间谨慎权衡，或者搭配积极的招商引资政策，进一步吸引高绿色生产率的外资流入。在FDI到达拐点后，直接的减排效应与间接的调节效应方向一致，此时增强环境管制会取得较好的减排效应。
第四，本文验证了经济发展、人口以及能源强度等已被广泛验证的碳排放影响因素的显著作用。经济发展对中国碳排放的影响符合环境库兹涅茨曲线，清洁的能源以及减少煤炭的使用可以显著减少碳排放，而人口的增加会使得整体碳排放规模增大。这增强了本文研究结果的可信度。
最后，虽然本文采用了大量稳健性检验以佐证研究结果的可信度，然而研究存在一定局限。本文在静态角度下探讨FDI对中国碳排放所产生的空间效应，然而低碳发展并非一蹴而就，在动态角度下可能存在着时滞。另一方面，本文并没有分区域展开进一步的针对性研究。
The Impact of Foreign Direct Investment on China's Carbon Emission Pollution from the Perspective of Environmental regulation
-
摘要: 21世纪以来，中国外商直接投资流入规模逐年增加，在2020年首次超过美国成为了最大外资流入国。FDI流入伴随着污染转移、技术转移与结构转移，对中国碳排放产生了复杂影响。那么，FDI流入是否增加了中国的碳排放环境负荷？日趋严格的环境规制会使得这一效应改变吗？为回答以上问题，将环境规制作为调节变量，基于1998—2017年省级面板数据，使用空间杜宾模型分析FDI对中国碳排放的影响。研究发现：一定规模内的FDI流入在中国整体上呈现出“污染光环”效应，即减少了碳排放，到达拐点后会呈现为相反的增排效应；FDI流入对相邻地区碳排放的溢出效应大于对本地区碳排放的直接效应，作用方向分别呈现为“倒U型”和“U型”；环境规制的调节作用主要表现为反作用力，缓冲碳排放量的猛增与猛减。Abstract: Since the 21st century, the inflow of foreign direct investment (FDI) in China has increased year by year. In 2020, China surpassed the United States for the first time to become the largest foreign capital inflow country. The inflow of FDI is accompanied by the transfer of pollution, technology and structure, and has had a complex impact on China's carbon emissions. So, does FDI inflow increase China's environmental load of carbon emissions? Will tightening environmental regulations change this effect? To answer the above questions, this paper uses environmental regulation as a moderator variable, and uses the spatial Durbin model to analyze the impact of FDI on China's carbon emissions based on provincial panel data from 1998 to 2017. The study found that: FDI inflows within a certain scale show a "pollution halo" effect in China as a whole, that is, carbon emissions are reduced, and when the inflection point is reached, it will show the opposite effect of increasing emissions. FDI inflows have spillover effects on carbon emissions in adjacent areas, greater than the direct effect on carbon emissions in the local region, shown as "inverted U-shaped" and "U-shaped" respectively. The adjustment effect of environmental regulation is mainly reflected in the counter-acting force, which buffers the sharp increase or decrease of carbon emissions.
-
表 1 变量组的指标选取
变量名称 变量定义 单位 变量符号 均值 方差 碳排放 人均CO2排放量 mt C 0.066 0.063 外商直接投资 外商直接投资 万元 I 82824 154349 环境规制 工业污染治理投资占工业GDP的比例 % R1 45.33 37.085 单位GDP的排污费 万元 R2 5.604 4.280 单位能源的GDP产出 万元/吨标准煤 R3 1.014 0.584 经济发展水平 人均GDP 元 A 28971 24511 人口密度 单位面积的人口数 万人/km2 P 0.049 0.059 研发水平 科技活动经费内部支出占GDP的比例 % T 29.481 55.743 产业结构 第二产业的GDP占总GDP的比例 % S 0.464 0.070 能源强度 煤炭消耗占总能源消耗（标煤）的比例（线性调整后） % E 0.975 0.354 
下载: 导出CSV
表 2 单位根检验结果
变量 t值 p值 ln C 5.205 0.000*** ln I −4.633 0.000*** ln I2 −4.569 0.000*** R1 −9.758 0.000*** R2 −3.987 0.000*** R3 −4.052 0.000*** T −4.959 0.000*** ln A −7.294 0.000*** ln A2 −5.579 0.000*** ln P −5.480 0.000*** S −2.261 0.012** E −4.952 0.000*** 注：***、**、*分别代表在1%、5%、10%的水平上显著。
下载: 导出CSV
表 3 碳排放的全局莫兰指数
年份 莫兰指数 标准差 p值 1998 0.249 0.111 0.01*** 1999 0.298 0.110 0.002*** 2000 0.256 0.110 0.008*** 2001 0.294 0.1100 0.003*** 2002 0.308 0.110 0.002*** 2003 0.309 0.109 0.002*** 2004 0.306 0.108 0.002*** 2005 0.327 0.105 0.001*** 2006 0.297 0.103 0.001*** 2007 0.275 0.104 0.003*** 2008 0.283 0.106 0.003*** 2009 0.339 0.107 0.000*** 2010 0.337 0.109 0.001*** 2011 0.347 0.11- 0.001*** 2012 0.327 0.109 0.001*** 2013 0.309 0.101 0.001*** 2014 0.259 0.102 0.004*** 2015 0.267 0.104 0.004*** 2016 0.270 0.103 0.003*** 2017 0.248 0.102 0.005*** 注：***、**、*分别代表在1%、5%、10%的水平上显著。
下载: 导出CSV
表 4 空间计量模型选择检验
变量名称 SAR总效应 SAC总效应 SDM总效应 ln I 0.351*(0.182) 0.219(0.205) −1.569***(0.317) ln I2 −0.0127(0.009) −0.005(0.011) 0.076***(0.015) R1 −0.002***(0.000) −0.002***(0.000) −0.002*(0.001) T 0.003***(0.001) 0.002**(0.001) −0.001(0.002) ln A 1.989***(0.700) 2.464***(0.788) 7.662***(1.203) ln A2 −0.068**(0.034) −0.090**(0.038) −0.339***(0.057) ln P 0.533(0.339) 0.717*(0.373) 2.699***(0.691) S 0.488(0.431) 0.599(0.473) 1.523(0.966) E 1.504***(0.142) 1.621***(0.173) 2.289***(0.232) Wln I −2.202***(0.332) W ln I2 0.104***(0.016) WR1 −0.000(0.001) WT −0.003(0.002) Wln A 7.221***(1.254) W ln A2 −0.331***(0.058) Wln P 2.422***(0.718) WS 0.808(0.830) WE 0.968***(0.220) AIC 85.989 85.565 40.186 BIC 133.982 137.921 127.446 方差σ2 0.000 注：括号数值为标准误，注：***、**、*分别代表在1%、5%、10%的水平上显著。
下载: 导出CSV
表 5 式（5）的分解结果（Ri = R1）
变量名称 直接效应 间接效应 总效应 ln I 0.611***(0.187) −2.180***(0.352) −1.569***(0.317) ln I2 −0.027***(0.010) 0.103***(0.018) 0.076***(0.015) Ri −0.002***(0.000) −0.000(0.001) −0.002*(0.001) T 0.002*(0.001) −0.003*(0.002) −0.001(0.002) ln A 0.552(0.662) 7.110***(1.269) 7.662***(1.203) ln A2 −0.012(0.032) −0.327***(0.059) −0.339***(0.057) ln P 0.298(0.322) 2.401***(0.722) 2.699***(0.691) S 0.666*(0.373) 0.857(0.807) 1.523(0.966) E 1.386***(0.098) 0.903***(0.217) 2.289***(0.232) 注：括号内为标准误，***、**、*分别代表在1%、5%、10%的水平上显著。
下载: 导出CSV
表 6 式（6）的分解结果（Ri = R1）
变量名称 直接效应 间接效应 总效应 ln I −0.317(0.193) −1.693***(0.370) −2.010***(0.350) ln I2 0.0147(0.010) 0.080***(0.017) 0.094***(0.016) R1ln I 0.019***(0.002) 0.000(0.005) 0.019***(0.006) R1ln I2 −0.001***(0.000) −0.000(0.000) −0.001***(0.000) R1 −0.098***(0.010) −0.006(0.026) −0.103***(0.027) T −0.000(0.001) −0.003*(0.002) −0.003*(0.002) ln A 0.119(0.629) 5.079***(1.173) 5.198***(1.098) ln A2 0.009(0.030) −0.239***(0.055) −0.229***(0.052) ln P −0.276(0.302) 1.269*(0.658) 0.993(0.630) S 0.892***(0.323) 0.289(0.737) 1.181(0.834) E 0.970***(0.092) 0.364*(0.186) 1.334***(0.211) 注：括号内为标准误，***、**、*分别代表在1%、5%、10%的水平上显著。
下载: 导出CSV
表 7 空间权重矩阵稳健性检验
变量名称 式（5） 式（6） 直接效应 间接效应 总效应 直接效应 间接效应 总效应 ln I 0.408**(0.183) −1.340***(0.441) −0.932**(0.426) −0.528***(0.184) −1.219***(0.435) −1.747***(0.433) ln I2 −0.018*(0.010) 0.069***(0.021) 0.051***(0.019) 0.0240**(0.001) 0.061***(0.020) 0.085***(0.020) R1ln I 0.020***(0.002) −0.003(0.006) 0.0173***(0.006) R1ln I2 −0.001***(0.000) 0.000(0.000) −0.001**(0.000) R1 −0.002***(0.000) 0.002(0.001) −0.000(0.001) −0.107***(0.010) 0.016(0.028) −0.091***(0.028) T 0.002**(0.001) −0.003(0.002) −0.000(0.002) −0.000(0.001) −0.001(0.006) −0.002(0.002) ln A 1.226*(0.713) 5.549***(1.575) 6.775***(1.546) 0.841(0.672) 4.456***(1.433) 5.297***(1.391) ln A2 −0.036(0.035) −0.269***(0.074) −0.305***(0.075) −0.020(0.032) −0.217***(0.067) −0.237***(0.067) ln P 0.319(0.344) 2.237***(0.811) 2.556***(0.762) −0.253(0.321) 1.620**(0.734) 1.367**(0.688) S 0.473(0.400) 0.995(1.037) 1.468(1.244) 0.822**(0.339) 0.292(0.876) 1.114(0.996) E 1.383***(0.100) 0.825*(0.422) 2.208***(0.422) 0.932***(0.090) 0.342(0.354) 1.274***(0.357) 注：括号内为标准误，***、**、*分别代表在1%、5%、10%的水平上显著。
下载: 导出CSV
表 8 式（5）的变量稳健性检验
变量名称 直接效应 R2 直接效应 R3 间接效应 R2 间接效应 R3 总效应 R2 总效应 R3 ln I 0.547**(0.236) 0.346(0.239) −1.929***(0.434) −1.524***(0.420) −1.382***(0.378) −1.178***(0.347) ln I2 −0.022*(0.013) −0.013(0.013) 0.094***(0.021) 0.073***(0.020) 0.072***(0.017) 0.060***(0.016) Ri −8.656(42.14) −0.557***(0.132) −0.814(117.4) −0.420(0.282) −9.471(127.9) −0.977***(0.286) T 0.001(0.001) −0.000(0.001) −0.003(0.002) −0.004**(0.002) −0.002(0.003) −0.004*(0.002) ln A 0.730(0.775) 1.774**(0.834) 7.074***(1.475) 4.885***(1.494) 7.804***(1.364) 6.660***(1.262) ln A2 −0.020(0.038) −0.055(0.040) −0.323***(0.068) −0.198***(0.070) −0.343***(0.064) −0.252***(0.061) ln P 0.383(0.373) 0.744*(0.393) 2.751***(0.824) 1.950**(0.807) 3.134***(0.780) 2.694***(0.715) S 0.747*(0.439) 0.240(0.430) 0.855(0.916) 0.173(0.847) 1.602(1.084) 0.414(1.000) E 1.389***(0.118) 1.282***(0.117) 0.900***(0.260) 0.575**(0.241) 2.289***(0.278) 1.857***(0.257) 注：括号内为标准误，***、**、*分别代表在1%、5%、10%的水平上显著。
下载: 导出CSV
-
[1] LÜTHI D,LE FLOCH M,BEREITERB,et al. High-resolution carbon dioxide concentration record 650,000–800,000 years before present[J]. Nature,2008,453:379-382. doi: 10.1038/nature06949 [2] BAEK J. A new look at the FDI–income–energy–environment nexus:dynamic panel data analysis of ASEAN[J]. Energy Policy,2016,91:22-27. doi: 10.1016/j.enpol.2015.12.045 [3] DUAN Y,JIANG X. Pollution haven or pollution halo? a re-evaluation on the role of multinational enterprises in global CO2 emissions[J]. Energy Economics,2021,97:105181. doi: 10.1016/j.eneco.2021.105181 [4] LIU S J,XU X L. The pollution halo effect of technology spillover and pollution haven effect of economic growth in agricultural foreign trade:two sides of the same coin?[J]. Environmental Science and Pollution Research,2021,28(16):20157-20173. doi: 10.1007/s11356-020-11786-w [5] 郭红燕,韩立岩. 外商直接投资、环境管制与环境污染[J]. 国际贸易问题,2008(8):111-118. doi: 10.13510/j.cnki.jit.2008.08.019 [6] 周力,李静. 外商直接投资与PM2.5空气污染−基于中国数据的“污染避难所”假说再检验[J]. 国际经贸探索,2015,31(12):98-111. doi: 10.13687/j.cnki.gjjmts.2015.12.008 [7] KISSWANI K M, ZAITOUNI M. Does FDI affect environmental degradation? Examining pollution haven and pollution halo hypotheses using ARDL modelling[J]. Journal of the Asia Pacific Economy, 2021: 1-27. [8] MERT M,CAGLARA E. Testing pollution haven and pollution halo hypotheses for Turkey:a new perspective[J]. Environmental Science and Pollution Research,2020,27(26):32933-32943. doi: 10.1007/s11356-020-09469-7 [9] WANG Y,LIAO M,XU L,et al. The impact of foreign direct investment on China's carbon emissions through energy intensity and emissions trading system[J]. Energy Economics,2021,97:105212. doi: 10.1016/j.eneco.2021.105212 [10] 李金凯,程立燕,张同斌. 外商直接投资是否具有“污染光环”效应?[J]. 中国人口·资源与环境,2017,27(10):74-83. [11] 郑强,冉光和,邓睿,谷继建. 中国FDI环境效应的再检验[J]. 中国人口·资源与环境,2017,27(4):78-86. [12] 李子豪. 外商直接投资对中国碳排放的影响效应: 机理与实证研究[D]. 长沙: 湖南大学, 2014. [13] LIU Q,WANG S,ZHANG W,et al. Does foreign direct investment affect environmental pollution in China's cities? a spatial econometric perspective[J]. Science of the total environment,2018,613:521-529. [14] TANG L,QU J,MI Z,et al. Substantial emission reductions from Chinese power plants after the introduction of ultra-low emissions standards[J]. Nature Energy,2019,4(11):929-938. doi: 10.1038/s41560-019-0468-1 [15] WANG H,DONG C,LIU Y. Beijing direct investment to its neighbors:a pollution haven or pollution halo effect?[J]. Journal of Cleaner Production,2019,239:118062. doi: 10.1016/j.jclepro.2019.118062 [16] XIE Q,SUN Q. Assessing the impact of FDI on PM2.5 concentrations:a nonlinear panel data analysis for emerging economies[J]. Environmental Impact Assessment Review,2020,80:106314. doi: 10.1016/j.eiar.2019.106314 [17] 郭莉,邹梦瑶. 空间溢出视角下的碳排放强度影响因素研究[J]. 生态经济,2020(9):32-37. [18] AKLIN M. Re-exploring the trade and environment nexus through the diffusion of pollution[J]. Environmental and Resource Economics,2016,64(4):663-682. doi: 10.1007/s10640-015-9893-1 [19] SHAN Y,HUANG Q,GUAN D,et al. China CO2 emission accounts 2016-2017[J]. Scientific data,2020,7(1):1-9. doi: 10.1038/s41597-019-0340-y [20] SHAN Y,GUAN D,ZHENG H,et al. China CO2 emission accounts 1997-2015[J]. Scientific data,2017,5(1):1-14. [21] TIETENBERG T. Economics and Environmental Policy[M]. Edward: Edward Elgar Publishing, 1994. [22] GROSSMAN G M, KRUEGER A B. Environmental impacts of a north American free trade agreement[M]. Chapman: Chapman and Hall/CRC, 1991: 1-20. [23] ACARAVCI A,OZTURK I. On the relationship between energy consumption,CO2 emissions and economic growth in Europe[J]. Energy,2010,35(12):5412-20. doi: 10.1016/j.energy.2010.07.009 [24] KAIKA D,ZERVAS E. The environmental Kuznets curve (EKC) theory—part a:concept,causes and the CO2 emissions case[J]. Energy Policy,2013,62:1392-402. doi: 10.1016/j.enpol.2013.07.131 [25] DIETZ T, ROSA E A. Effects of population and affluence on CO2 emissions. Proceedings of the National Academy of Sciences[J]. 1997, 94（1）: 175-9. [26] DONG F,YU B,HADACHIN T,DAI Y,et al. Drivers of carbon emission intensity change in China[J]. Resources,Conservation and Recycling,2018,129:187-201. [27] HUANG L,KRIGSVOLL G,JOHANSEN F,et al. Carbon emission of global construction sector[J]. Renewable and Sustainable Energy Reviews,2018,81:1906-16. doi: 10.1016/j.rser.2017.06.001 [28] 邵帅,李欣,曹建华. 中国的城市化推进与雾霾治理[J]. 经济研究,2019,54(2):148-165. [29] LESAGE J, PACE R K. Introduction to spatial econometrics[M]. Chapman: Chapman and Hall/CRC, 2009: 1-20. [30] CHEN J,LIAN X,SU H,et al. Analysis of China’s carbon emission driving factors based on the perspective of eight major economic regions[J]. Environmental Science and Pollution Research,2021,28(7):8181-8204. doi: 10.1007/s11356-020-11044-z [31] ZHOU P,ANG B W,HAN J Y. Total factor carbon emission performance:a Malmquist index analysis[J]. Energy Economics,2010,32(1):194-201. doi: 10.1016/j.eneco.2009.10.003 -
