The Impact of Financial Development on Carbon Emissions in Beijing-Tianjin-Hebei Region: a Spatial Durbin Model Based on STIRPAT
-
摘要:
基于2005—2019年北京、天津两个直辖市和河北11个地级市的城市面板数据,测算了各城市的人均CO2排放量,建立了包含金融规模和金融效率在内的扩展STIRPAT固定效应模型,并通过中介效应模型和空间杜宾模型,探究地区金融发展对人均CO2排放量的作用机制和空间效应。结果表明:①金融规模扩张促进了房价提升,推高了企业的生产成本,影响传统制造业的布局迁移,从而抑制碳排放;②提升金融效率为工业企业扩张提供了融资便利,产生的规模效应促进了碳排放;③金融发展对技术创新的支持作用不明显;④京津冀城市群的碳排放之间存在着负反馈效应,不利于城市群环境治理的协调发展;⑤与本地效应相比,金融规模和金融效率对邻近城市碳排放影响的方向一致,但强度较弱。基于以上结论,提出加快完善绿色金融体系、强化对绿色创新的信贷支持、坚定淘汰过剩产能等建议。
Abstract:Based on the panel data of Beijing, Tianjin and 11 cities in Hebei from 2005 to 2019, this paper measures the per capita carbon dioxide emissions of each city and establishes an extended STIRPAT model including financial scale and financial efficiency. On this basis, the paper establishes mediation effect model and spatial Durbin model to explore the mechanism and spatial effect of financial development on per capita carbon dioxide emissions. The results show as follows: ① The expansion of financial scale increases the housing prices, pushes up the production cost of enterprises, affects the layout migration of traditional manufacturing, and thus curbs carbon emissions. ② The improvement of financial efficiency provides financing convenience for the expansion of industrial enterprises, and the resulting scale effect promotes carbon emissions. ③ The role of financial development in supporting technological innovation is not significant. ④ There exists negative feedback effect between the carbon emissions of the Beijing-Tianjin-Hebei cities, which is not conducive to the coordinated development of urban agglomeration's environmental governance. ⑤ Compared with the local effect, the influence of financial scale and financial efficiency on carbon emissions of neighboring cities is weaker. Based on the above findings, policy suggestions are proposed on speeding up the improvement of green finance system, promoting credit support for green innovation, and resolutely eliminating excess production capacity.
-
Keywords:
- carbonemissions /
- financial scale /
- financial effect /
- spatial Durbin model
-
生态系统服务是指人类从生态系统获得的各种惠益[1-4],它是连接自然生态系统与社会经济系统之间的桥梁[5-6],主要包括供给、调节、文化和支持服务四大类[4]。生态系统服务功能已经成为评估生态系统状况和变化的重要指标,并能够为有效保护与科学利用生态系统、权衡和选择不同的生态系统服务提供依据[6]。评估生态系统服务价值是认识生态价值,评估生态资产,使绿水青山转变为金山银山的基础环节[7],对推动生态效益纳入经济社会发展评价体系、制定满足可持续发展和生态文明要求的政策措施都具有重要意义[8-9]。
灌丛是以灌木为主体的植被类型,灌木植株通常为簇生,无明显主干,群落高度多小于5 m,盖度多大于30%[10-11],具有种类多、分布广、生产力高、生命力强等特点[12]。在我国,灌丛主要分布在较干旱和海拔较高的地区,覆盖了约1/5的陆地面积[12-13]。灌丛具有重要的生态功能,对我国陆地生态系统碳收支的研究显示,灌丛储存了约30%的碳,是除森林外最重要的碳汇[14]。此外,在全球气候变暖和大规模的植被恢复行动(例如退耕还林、“三北”工程等[15])的影响下,灌丛分布范围的扩张和灌木入侵使得灌丛在群落演替中发挥着越来越重要的作用[12-14, 16]。虽然灌丛具有多种生态价值,对保护区域生态环境也很重要[12],但与森林、草地等陆地生态系统相比,针对灌丛的研究较少,这可能与其定义不清晰、群落分布变化快、基础生物量数据获取困难有关[13]。早期的研究有部分将灌丛归类到森林或是草地生态系统中进行评估[11, 13, 15, 17]。例如王兵等[15]将灌木林与经济林、竹林并列,归类为我国的重要森林资源;赵海珍等[17]选择了山地灌丛草地生态系统为研究对象进行服务功能价值评价,将山地灌丛归为一种草地类型。受可获取数据的限制,现有的研究或是仅对某一区域的灌丛进行服务功能评估,如王伟民等[11]选择我国西部为研究区域对灌丛的服务功能进行评估;或是在对退耕还林、生态林建设等工程的成效进行评估时,对工程范围内的灌丛进行测算[18-19]。在国家尺度上,针对灌丛的研究很少。王庆慧等[20]对我国2009年和2015年灌丛生态系统服务的价值量进行了评估,但其研究数据来源于各省(直辖市、自治区)政府的统计公报,不具有统一性,且缺少功能量和空间分布研究。
基于对我国灌丛生态系统服务评估研究现状的整理,本研究以生态环境部和中国科学院资助的“全国生态环境变化(2010—2015年)调查评估”项目(于2018年4月交由生态环境部审议通过并发布)数据为来源,分类结果经过验证,并采用《陆地生态系统生产总值(GEP)核算技术指南》[21]中的GEP方法(gross ecosystem product,简称 GEP),评估2015年全国灌丛生态系统4项调节服务(水源涵养、土壤保持、防风固沙、碳固定)的功能及价值,以期为正确认识我国灌丛生态系统服务功能及空间分布情况,深入理解灌丛生态系统的重要生态价值提供数据支撑。
一. 研究区域概况
我国大部分位于北温带,小部分位于热带,南北纬度跨越近50°,气候复杂多样,植被类型丰富,是全球灌丛生态系统分布最广泛的国家之一[12]。我国的灌丛种类繁多、生活型各异、区系组成复杂、生态适应范围也很广[13]。本研究采用30 m空间分辨率的光学卫星遥感数据和生态系统特征相结合的分类方法,将灌丛生态系统分为常绿阔叶灌木林、落叶阔叶灌木林、常绿针叶灌木林和稀疏灌木林4类。2015年,4类灌丛生态系统的面积分别为16.52万、44.45万、0.87万、5.66 万 km2,具体的空间分布情况如图1所示。
二. 研究数据与方法
本研究以“全国生态环境变化(2010—2015年)调查评估”项目为基础,根据生态系统分类结果,以遥感参量如地上生物量、植被覆盖度等为主要数据源,结合地面调查数据与统计资料等[22],评估全国灌丛生态系统水源涵养、土壤保持、防风固沙和碳固定4项调节服务的功能量和价值量,并明确其空间分布状况。港澳台地区由于数据缺乏没有评估。
灌丛生态系统调节服务功能评估方法依据2020年生态环境部发布的《陆地生态系统生产总值(GEP)核算技术指南》[21],其中功能量核算采用模型法,分别对水源涵养量、土壤保持量、防风固沙量和固碳量进行核算。核算采用的是差别化参数,来源于当地气象、水利、统计等部门,或通过实测获取;价值量的核算基于功能量及其单价,具体的核算方法包括影子工程法、替代成本法和恢复成本法。工程造价及维护成本等数据来自国家发展和改革委员会、水利部等部门发布的工程预算依据,并根据2015年价格指数折算得到[21,23]。其他核算参数,包括土壤容重、土壤沙化覆沙厚度、泥沙淤积系数、土壤中污染物纯含量来源于已发表的文献[7, 8, 24-26]。
一 水源涵养评估
1 功能量核算
水源涵养量采用水量平衡法,通过水量平衡方程计算。公式为:
$ {Q}_{w}=\displaystyle\sum\nolimits_{i=1}^{n}{A}_{i}\times ({P}_{i}-{R}_{i}-{\mathrm{E}\mathrm{T}}_{i})\times {10}^{-3} $ 。式中:Qw为水源涵养量(m3/a);Ai为i类生态系统的面积(m2);Pi为产流降雨量(mm/a);Ri为地表径流量(mm/a);ETi为蒸散发量(mm/a);i为核算区内生态系统类型,i = 1,2,3,…,n。2 价值量核算
水源涵养价值表现在蓄水保水的经济价值,运用影子工程法。公式为:
$ {V}_{w} = {Q}_{w} \times {C}_{w} $ 。式中:Vw为水源涵养价值(元/a);Qw为核算区内总的水源涵养量(m3/a);Cw为水库单位库容的工程造价及维护成本(元/m3)。二 土壤保持评估
1 功能量核算
土壤保持量的估算基于修正的通用水土流失方程:
$ {Q}_{s}=R\cdot K\cdot L\cdot S\cdot \left(1-C\cdot P\right) $ 。式中:Qs为土壤保持量(t/a);R为降雨侵蚀力因子,用多年平均年降雨侵蚀力指数表示;K为土壤可蚀性因子,通常用标准样方上单位降雨侵蚀力所引起的土壤流失量(t/a)来表示;L为坡长因子(无量纲);S为坡度因子(无量纲);C为植被覆盖因子(无量纲);P为水土保持措施因子(无量纲)。2 价值量核算
土壤保持价值主要包括减少面源污染和减少泥沙淤积两个方面,运用替代成本法核算。公式为:
${{{V}}_{{{s}}}} = {V_{1}} + {V_{2},}{V_{1}} = {\rm{\lambda \times (}}{Q_{s}}/\rho ) \cdot {c}$ ,$ {V_{2}} = \displaystyle\mathop \sum \nolimits_{{{i = 1}}}^{{n}} {Q_{s}} \times {c_i} \times {p_i} $ 。其中:Vs为生态系统土壤保持价值(元/a);V1为减少泥沙淤积价值(元/a);V2为减少面源污染价值(元/a);λ为泥沙淤积系数;Qs为土壤保持量(t/a);ρ为土壤容重(t/m3);c为单位水库清淤工程费用(元/m3);ci为土壤中污染物(如氮、磷)的纯含量(%);pi为单位污染物处理成本(元/t);i为土壤中污染物种类数量,i = 1,2,3,…,n。三 防风固沙评估
1 功能量核算
防风固沙量通过潜在风蚀量与实际风蚀量的差值进行估算。公式为:
$ {Q}_{f}=0.169 \; 9\times (\mathrm{W}\mathrm{F}\cdot \mathrm{E}\mathrm{F}\cdot \mathrm{S}\mathrm{C}\mathrm{F}\cdot $ $ {K}')^{1.371 \; 1}\cdot (1-{C}^{1.371 \; 1}) $ 。式中:Qf为防风固沙量(t/a);WF为气候侵蚀因子(kg/m);EF为土壤侵蚀因子(无量纲);SCF为土壤结皮因子(无量纲);K'为地表糙度因子(无量纲);C为植被覆盖因子(无量纲)。2 价值量核算
防风固沙价值由减少的沙化土地面积乘以治沙工程单价得到,运用恢复成本法。减少的沙化土地面积根据防风固沙量和土壤沙化覆沙厚度计算。
$$ {V}_{f}=\frac{{Q}_{f}}{\rho \cdot h}\times c $$ 式中:Vf为防风固沙价值(元/t);Qf为防风固沙量(t/a);ρ为土壤容重(t/m3);h为土壤沙化覆沙厚度(m);c为单位治沙工程的成本或单位植被恢复成本(元/m2)。
四 碳固定评估
1 功能量核算
选用固定CO2的量作为灌丛生态系统固碳功能的评价指标,固碳速率法评估公式为:
$ {Q}_{c}= $ $ {M}/ {N}\cdot \mathrm{S}\mathrm{F}\cdot \left(\mathrm{F}\mathrm{C}\mathrm{S}\mathrm{R}\cdot (1+\beta )\right) $ 。式中:$ {Q}_{c} $ 为灌丛生态系统CO2总固定量(t/a);M代表CO2的分子质量;N代表碳的分子质量;$ {M}/{N} $ = 44/12是碳转化为CO2的系数;FCSR为灌丛的固碳速率(t·hm−2·a−1);SF为灌丛面积(hm2);β为灌丛土壤固碳系数。2 价值量核算
生态系统固碳价值采用替代成本法(造林成本法)核算。公式为:
$ {{V}}_{c} ={Q_c}\cdot {C_c} $ 。式中:Vc为生态系统固碳价值(元/a);$ {Q_c} $ 为生态系统固碳总量(t/a);$ {C_c} $ 为CO2价值(元/t)。三. 研究结果与分析
一 灌丛生态系统服务功能量
1 全国总体情况
2015年,全国灌丛生态系统水源涵养量为1 652.89 亿m3,单位面积水源涵养量为24.49 万m3/(km2·a);土壤保持量为267.33 亿t,单位面积土壤保持量为396.05 t/(hm2·a);固碳量为1 289.96 Tg,固碳能力为1 911.06 g /(m2·a)。这3项生态系统服务的空间分布具有一致性,大体上呈现西南、华中地区高,东北、华北地区低的格局。发挥这3项生态服务的灌丛主要位于太行山脉、黄土高原、秦岭山脉、横断山脉、藏东南和云贵高原等地(见图2a,b,d)。
全国灌丛生态系统防风固沙量为22.10 亿t,单位面积固沙量为4 437.82 t/(km2·a)。发挥固沙生态服务的灌丛集中分布在浑善达克沙地、吕梁山和太行山所处的山西高原、鄂尔多斯高原、河西走廊、准噶尔盆地和塔里木盆地四周的天山−昆仑山山脉等区域(见图2c)。
2 各省(自治区、直辖市)的情况
1)水源涵养。2015年,在全国31个省(自治区、直辖市)中,灌丛生态系统水源涵养量最高的是四川,为274.14 亿m3,约占全国总量的16.59%;其次是湖南和云南,分别为208.50 亿m3和167.98 亿m3,各占全国总量的12.62%和10.17%;水源涵养量高于100 亿m3的还有广西、贵州和西藏,上述6省(自治区)合计在全国水源涵养量中占比超过60%。水源涵养量较低的省(自治区、直辖市)包括天津、山东、江苏和黑龙江,均小于1 亿m3(见图3a)。
从单位面积水源涵养量来看,水源涵养能力最强的是江西省,为71.56 万m3/(km2·a);其次是浙江和福建,分别为70.57 万m3/(km2·a)和69.38 万m3/(km2·a)(见图3a)。
2)土壤保持。2015年,在全国31个省(自治区、直辖市)中,灌丛生态系统土壤保持量最高的是四川,为42.44 亿t,约占全国总量的15.88%;其次是陕西和云南,分别为37.64 亿t和24.74 亿t,各占全国总量的14.08%和9.26%;广西、西藏、湖南等省份的土壤保持量也较高,上述6省(自治区)的土壤保持总量在全国占比超过60%。土壤保持量较低的省(自治区、直辖市)包括天津、江苏、黑龙江和新疆,均小于0.1 亿t(见图3b)。
从单位面积土壤保持量来看,土壤保持能力最强的是海南省,为1 671.30t/(hm2·a);其次是浙江和福建,分别为1 170.30 t/(hm2·a)和1 091.78 t/(hm2·a)(见图3b)。
3)防风固沙。2015年,灌丛生态系统防风固沙服务分布在15个省(自治区、直辖市)中,其中新疆和内蒙古的防风固沙量最高,分别为14.92 亿t和5.02 亿t,在全国防风固沙量中占比超过90%;其次是陕西、甘肃、河北、山西和宁夏,分别为0.54亿、0.39亿、0.34亿、0.24亿、0.22 亿t;其余省份防风固沙量较低,均低于全国总量的1%(见图3c)。在被核算的省(自治区、直辖市)中,从单位面积固沙量来看,防风固沙能力最强的是新疆,为20 317.54 t/(km2·a);其次是内蒙古和宁夏,分别为17 388.27 t/(km2·a)和6 870.74 t/(km2·a)(见图3c)。
4)碳固定。2015年,在全国31个省(自治区、直辖市)中,灌丛生态系统固碳量最高的是四川,为229.29 Tg,占全国总量的17.80%;其次是西藏和云南,分别为151.52 Tg和129.97 Tg,各占全国总量的11.76%和10.09%。年固碳量超过5%的还有陕西、广西、湖南、贵州和湖北,上述8省(自治区、直辖市)的固碳总量超过全国的70%。年固碳量较低的省(自治区、直辖市)包括天津、山东、江苏和宁夏,均小于1 Tg(见图3d)。从固碳能力来看,碳固定能力最强的是浙江省,为3 465.34 g /(m2·a);固碳能力超过3 000 g /(m2·a)的还有广西、江西、福建和湖北(见图3d)。
二 灌丛生态系统服务价值量
1 全国总体情况
2015年,全国灌丛生态系统服务功能价值总量为22 388.15亿元。其中,水源涵养功能的价值量最高,为13 388.37 亿元,占比高达59.80%;其次是碳固定功能,价值量为4 979.26 亿元,占比为22.24%;再次为土壤保持功能,为3 386.00 亿元,占比为15.12%;防风固沙功能的价值量最低,为634.52 亿元,占比仅为2.84%(见表1)。
表 1 全国灌丛生态系统调节服务价值量服务功能 核算指标 功能量 单位 价值量/亿元 总价值/亿元 比例/% 水源涵养 水源涵养量 1 652.89 亿m3 13 388.37 13 388.37 59.80 土壤保持 减少泥沙淤积 267.33 亿t 846.62 3 386.00 减少面源污染(氮) 267.33 亿t 1 730.97 15.12 减少面源污染(磷) 267.33 亿t 808.41 防风固沙 防风固沙量 22.10 亿t 634.52 634.52 2.84 碳固定 固碳量 1 289.96 Tg 4 979.26 4 979.26 22.24 合计 22 388.15 100.00 2 各省(自治区、直辖市)的情况
2015年,在全国31个省(自治区、直辖市)中,灌丛生态系统服务功能总价值量最高的是四川,为3 643.27 亿元,占比达16.28%;总价值量高于2 000亿元的还有湖南和云南,分别为2 282.78 亿元和2 175.73 亿元,占比分别为10.20%和9.72%;除上海外,总价值量较低的省(自治区、直辖市)还有天津、山东和江苏,均低于10 亿元,占比不足0.05%(见图4)。
从单项服务功能的价值量分析,水源涵养价值量较高的省(自治区)是四川、湖南、云南、广西和贵州,分别为2 220.55亿、1 688.83亿、1 360.63亿、1 341.80亿、1 057.81亿元;较低的是天津、山东、江苏和黑龙江,分别为1.08亿、4.86亿、6.66亿、7.15亿元。土壤保持价值量较高的省是四川、陕西和云南,分别为537.57亿、476.80亿、313.41 亿元;较低的是天津、江苏和黑龙江,分别为0.34亿、0.65亿、0.90 亿元。防风固沙价值量较高的省(自治区)是新疆和内蒙古,分别为428.46 亿元和144.16 亿元;较低的是云南和四川,分别为0.01亿、0.08 亿元。碳固定价值量较高的省(自治区)是四川、西藏和云南,分别为885.08亿、584.87亿、501.69 亿元;较低的是天津、山东和江苏,分别为1.81亿、8.34亿、8.71亿元(见图4)。
四. 结论与讨论
本研究基于“全国生态系统变化(2010—2015年)调查评估”项目研究结果,对2015年我国灌丛生态系统4项调节服务的功能量和价值量进行评估:2015年全国灌丛生态系统的水源涵养量为1 652.89 亿m3,土壤保持量267.33 亿t,防风固沙量22.10 亿t,固碳量1 289.96 Tg。灌丛生态系统的4项主要调节服务价值总量为22 388.15亿元,其中水源涵养价值13 388.37 亿元,土壤保持价值3 386.00 亿元,防风固沙价值634.52 亿元,碳固定价值4 979.26 亿元。
灌丛在全国生态系统类型中面积占比仅为7.1%,但在提供调节服务功能中占有重要地位。灌丛是我国仅次于森林的陆地生态系统土壤保持和碳固定的主体。2015年灌丛提供的土壤保持量占全国总量的21%左右,提供的固碳量占14%左右,单位面积土壤保持量和固碳能力也是除森林外最高的。灌丛提供的水源涵养量仅次于森林和草地,占全国总量的15%左右,但单位面积水源涵养量较低,高于草地,低于森林和湿地。灌丛在防风固沙功能中占次要地位,防风固沙量占全国总量的7%左右,但单位面积固沙量相对较高,仅低于草地。
2015年,全国灌丛生态系统价值量表现为水源涵养 > 碳固定 > 土壤保持 > 防风固沙,价值量的分布在全国尺度上呈现西部高于东部、南部高于北部的格局,价值量最高的省份集中在西南地区,这种格局是多因素综合作用的结果。生态系统服务功能价值量与生态系统类型、质量、生产力等密切相关[27],我国的灌丛生态系统中面积最大的是落叶阔叶灌木林,占比高达65.85%,还有常绿阔叶灌木林(占24.47%)、常绿针叶灌木林(占1.30%)和稀疏灌木林(占8.38%)。灌丛面积和类型在各省(直辖市、自治区)间的不均匀分布是影响价值量分布格局的主要因素。灌丛群落的生物量作为估算灌丛碳储量的重要指标,同时也是影响生态系统服务功能的重要因素,生物量和碳库的空间分布规律与生态系统服务功能的分布应具有一定的相似性[20, 27-28]。杨弦等[29]对中国北方温带灌丛生物量的分布进行了研究,发现东西部的生物量分布差异较大,东部温带落叶灌丛的生物量高于西部的荒漠灌丛;华北地区的灌丛生物量又略高于东北地区。胡会峰等[12]估算了我国6种主要灌丛植被的碳储量,发现云、贵、川3省既是我国灌丛的主要分布区域,又是灌丛的重要碳库。海拔、温度、降水、坡度、坡向、土壤结构等自然条件在各省(直辖市、自治区)间差异很大,它们通过影响灌丛的植被质量、群落生产力、健康状况等来间接影响区域生态系统服务功能的强弱和价值量的大小[27-28]。
需要指出的是,考虑到不同区域的灌丛类型、地理位置、土壤条件等对价值量评估可能造成的影响,本研究在功能量评估的过程中对数据进行了本地化处理,采用了差别化的核算参数。但由于数据可获得性的限制,在全国层面采用统一的而非体现区域差异性的价格参数,可能对评估结果带来一定误差。另外,在选择评估对象时并未涵盖灌丛生态系统提供的所有服务,仅针对主要的4项调节服务,是由于以下两方面的原因:其一,调节服务的价值最高,占各类生态系统服务功能价值的70%[30],其评估结果对自然生态系统与社会经济系统协调发展的政策制定具有重要意义,对调节服务评估的需求最为迫切[6];其二,供给、文化和支持服务更加依赖于完整的自然生态系统,较难将不同生态系统类型分别评估,其中产品提供、美学、艺术、教育等服务功能受市场价格和公众支付意愿的影响较大,评估易受主观性影响[6]。因此,确定在国家尺度上具有代表性的核算参数和完善生态系统服务评估指标体系将是后续生态系统服务功能评估工作的重点。同时,本研究也将在“全国生态系统变化(2015—2020年)调查评估”项目完成后,增加对灌丛生态系统服务功能量和价值量的动态变化分析,以更全面地评估灌丛生态系统蕴含的潜力。
-
表 1 各城市主要年份生产效率
2005 2010 2015 2019 年平均值 北京 0.524 1.140 1.382 1.985 1.136 天津 0.848 0.707 1.079 1.032 0.795 石家庄 0.685 0.727 0.701 0.593 0.685 承德 0.543 0.652 0.641 0.665 0.625 张家口 0.505 0.484 1.415 0.513 0.619 秦皇岛 0.602 0.913 0.783 0.786 0.742 唐山 1.197 1.274 1.066 1.219 1.299 廊坊 0.588 0.655 0.743 0.823 0.638 保定 0.551 0.641 0.681 0.594 0.605 沧州 0.788 0.819 0.829 0.753 0.767 衡水 0.533 0.617 0.664 0.684 0.663 邢台 0.581 0.555 0.548 0.616 0.552 邯郸 0.611 0.648 0.506 0.609 0.580 平均值 0.658 0.756 0.849 0.836 表 2 各变量的描述性统计
变量类型 变量名称 变量
符号均值 标准差 最小值 最大值 被解释变量 人均碳排放量 C 1.854 0.584 0.703 3.222 核心解释变量 金融规模 F 2.765 1.485 1.052 8.131 金融效率 E 0.627 0.138 0.365 1.137 控制变量 人均财富 Z1 10.430 0.586 9.205 12.010 产业结构 Z2 6.573 0.389 5.969 7.647 对外贸易 Z3 0.108 0.102 0.007 0.606 外商投资 Z4 0.021 0.017 0.001 0.082 生产效率 Z5 0.747 0.277 0.412 1.985 中介变量 专利申请 M1 2.222 1.366 0.369 6.057 专利授权 M2 1.830 1.224 0.247 5.506 实际房价 M3 8.223 0.641 7.169 10.310 工业产值 M4 0.983 0.347 0.333 1.937 表 3 基准回归结果
变量 C C C F −0.105
(−1.032)−0.189*
(−1.973)−0.407***
(−2.786)E 0.661**
(2.332)0.601**
(2.165)1.056***
(3.620)Z1 0.280***
(7.078)−0.144
(−1.479)Z2 −3.173***
(−5.050)−2.186***
(−3.200)Z3 0.647***
(2.686)0.973***
(3.802)Z4 −1.195
(−0.968)−0.387
(−0.337)Z5 −0.414***
(−4.022)−0.356***
(−3.511)个体效应 是 是 是 时间效应 否 否 是 R2 0.248 0.378 0.517 注:***、**、*分别表示1%、5%、10%的显著性水平,括号内数值为t值。 表 4 中介效应检验结果
变量 技术效应 成本效应 规模效应 M1 M2 M3 C M4 C F −0.529
(−0.729)−0.504
(0.654)1.781***
(17.160)−0.393***
(−2.718)0.639***
(9.492)−0.118
(−0.748)E 1.417
(0.423)1.335
(3.019)0.225
(0.508)1.043***
(3.612)0.557*
(1.937)0.640**
(2.138)M3 −0.140**
(−2.140)M4 0.590***
(3.892)控制变量 是 是 是 是 是 是 个体/时间效应 是 是 是 是 是 是 R2 0.004 0.005 0.730 0.530 0.135 0.558 注:***、**、*分别表示1%、5%、10%的显著性水平,括号内数值为t值。 表 5 人均碳排放量Moran检验
年份 Moran's I p值 2005 0.075 0.078 2006 0.080 0.071 2007 0.080 0.071 2008 0.099 0.052 2009 0.103 0.047 2010 0.129 0.029 2011 0.158 0.016 2012 0.137 0.024 2013 0.138 0.024 2014 0.151 0.018 2015 0.134 0.025 2016 0.153 0.017 2017 0.152 0.017 2018 0.181 0.009 2019 0.183 0.008 表 6 空间模型形式检验
检验 统计量 p值 global Moran test 0.118 0.018 LM-Lag 15.944 0.000 LM-Lag Robust 32.974 0.000 LM-Error 4.519 0.034 LM-Error Robust 21.549 0.000 表 7 4种空间面板计量模型估计结果
SDM SAC SAR SEM ρ −0.254**
(−2.546)−0.254
(−1.553)−0.232**
(−2.355)λ 0.036
(0.210)0.105
(1.101)F −0.446***
(−3.161)−0.393***
(−3.028)−0.395***
(−3.035)−0.178*
(−1.913)E 0.961***
(3.647)1.022***
(3.921)1.024***
(3.935)0.657**
(2.421)Z1 −0.186**
(−2.097)−0.161*
(−1.856)−0.162*
(−1.862)0.275***
(6.959)Z2 −2.199***
(−3.610)−2.277***
(−3.695)−2.258***
(−3.709)−3.224***
(−5.310)Z3 0.949***
(4.079)0.911***
(3.857)0.897***
(3.901)0.693***
(3.035)Z4 −0.313
(−0.301)−0.493
(−0.483)−0.490
(−0.478)−1.062
(−0.913)Z5 −0.386***
(−4.263)−0.376***
(−4.147)−0.378***
(−4.157)−0.392***
(−3.951)WF −0.292
(0.234)WE 0.354
(0.447)个体/时间效应 是 是 是 是 对数似然函数值 190.005 189.179 189.168 162.575 注:***、**、*分别表示1%、5%、10%的显著性水平,括号内数值为t值。 表 8 金融发展对人均碳排放量的影响
直接效应 间接效应 总效应 F −0.428***
(−2.974)−0.164
(−0.900)−0.593**
(−2.427)E 0.939***
(3.505)0.143
(0.361)1.082***
(2.804)注:***、**、*分别表示1%、5%、10%的显著性水平,括号内数值为t值。 -
[1] 周曙东,欧阳纬清,葛继红. 京津冀PM2.5的主要影响因素及内在关系研究[J]. 中国人口·资源与环境,2017,27(4):102-109. [2] 范建双,周琳. 城镇化及房地产投资对中国碳排放的影响机制及效应研究[J]. 地理科学,2019,39(4):644-653. [3] 李德山,徐海锋,张淑英. 金融发展、技术创新与碳排放效率:理论与经验研究[J]. 经济问题探索,2018(2):169-174. [4] TAMAZIAN A,CHOUSA J P,VADLAMANNATI K C. Does higher economic and financial development lead to environmental degradation:evidence from BRIC countries[J]. Energy Policy,2009,37:246-253. doi: 10.1016/j.enpol.2008.08.025
[5] SHAHBAZ M,TIWARI A K,NASIR M. The effects of financial development,economic growth,coal consumption and trade openness on CO2 emissions in South Africa[J]. Energy Policy,2013,61:1452-1459. doi: 10.1016/j.enpol.2013.07.006
[6] KUMBAROGLU G,KARALI N,ARIKAN Y. CO2,GDP and RET:an aggregate economic equilibrium analysis for Turkey[J]. Energy Policy,2008,36(7):2694-2708. doi: 10.1016/j.enpol.2008.03.026
[7] JALIL A,FERIDUN M. The impact of growth,energy and financial development on the environment in China:a cointegration analysis[J]. Energy Economics,2011,33(2):284-291. doi: 10.1016/j.eneco.2010.10.003
[8] 顾洪梅,何彬. 中国省域金融发展与碳排放研究[J]. 中国人口·资源与环境,2012,22(8):22-27. doi: 10.3969/j.issn.1002-2104.2012.08.004 [9] 严成樑,李涛,兰伟. 金融发展、创新与二氧化碳排放[J]. 金融研究,2016(1):14-30. [10] 罗知,张川川. 信贷扩张、房地产投资与制造业部门的资源配置效率[J]. 金融研究,2015(7):60-75. [11] 王文春,荣昭. 房价上涨对工业企业创新的抑制影响研究[J]. 经济学(季刊),2014,13(2):465-490. [12] 冯萍,刘建江,罗双成. 房价、劳动力成本与制造业区位布局:理论与证据[J]. 产业经济研究,2019(2):88-101. [13] 熊灵,齐绍洲. 金融发展与中国省区碳排放:基于STIRPAT模型和动态面板数据分析[J]. 中国地质大学学报(社会科学版),2016(2):63-73. [14] ZHANG Y J. The impact of financial development on carbon emissions:an empirical analysis in China[J]. Energy Policy,2011,39(4):2197-2203. doi: 10.1016/j.enpol.2011.02.026
[15] WAYGOOD S. How do the capital markets undermine sustainable development? what can be done to correct this?[J]. Journal of Sustainable Finance and Investment,2011,1:81-87. doi: 10.3763/jsfi.2010.0008
[16] ACHEAMPONG A O. Modelling for insight:does financial development improve environmental quality?[J]. Energy Economics,2019,83:156-179. doi: 10.1016/j.eneco.2019.06.025
[17] EHRLICH P R,HOLDREN J P. Impact of population growth:complacency concerning this component of man's predicament is unjustified and counterproductive[J]. Science,1971,171(3977):1212-1217. doi: 10.1126/science.171.3977.1212
[18] ROSA E A,YORK R,DIETZ T. Tracking the anthropogenic drivers of ecological impacts[J]. AMBIO:A Journal of the Human Environment,2004,33(8):509-512. doi: 10.1579/0044-7447-33.8.509
[19] ANSELIN L,BERA A K. Spatial dependence in linear regression models with an introduction to spatial econometrics[J]. Statistics Textbooks and Monographs,1998,155:237-290.
[20] ANSELIN L, FLORAX R J G M, REY S J. Advances in spatial econometrics: methodology, tools and applications[M]. Berlin: Springer Verlag Press, 2013: 1-25.
[21] 白俊红,王钺,蒋伏心,等. 研发要素流动、空间知识溢出与经济增长[J]. 经济研究,2017,52(7):109-123. [22] 朱东波,任力,刘玉. 中国金融包容性发展、经济增长与碳排放[J]. 中国人口·资源与环境,2018,28(2):66-76. [23] 史恩义,王娜. 金融发展、产业转移与中西部产业升级[J]. 南开经济研究,2018(6):3-19. [24] 付凌晖. 我国产业结构高级化与经济增长关系的实证研究[J]. 统计研究,2010,27(8):79-81. [25] TONE K. A slacks-based measure of efficiency in data envelopment analysis[J]. European Journal of Operational Research,2001,130(3):498-509. doi: 10.1016/S0377-2217(99)00407-5
[26] BURNETT J W,BERGSTROM J C,DORFMAN J H. A spatial panel data approach to estimating US state-level energy emissions[J]. Energy Economics,2013,40:396-404. doi: 10.1016/j.eneco.2013.07.021
-
期刊类型引用(2)
1. 杨丽媛,陈婷婷,孙华平,张灵. 数字金融应用于碳交易市场的减排效应. 煤炭经济研究. 2024(05): 38-45 . 百度学术
2. 王嘉祯,韩有鹏. ESG对河南省降碳减排与经济增长协同发展的影响研究. 南都学坛. 2024(06): 116-124 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 351
- HTML全文浏览量: 137
- PDF下载量: 72
- 被引次数: 3