中国碳排放区域划分与减排路径

摘要：碳减排路径是指在保证经济发展的前提下，尽可能地减少碳排放。在进行碳排放区域划分时，要综合考虑碳排放、能源、人口、经济等因素。本文结合我国区域经济发展阶段的碳排放特点，区分生产和生活两大部门，选取与碳排放量直接相关的四大相对指标，基于1995—2010年省级数据，构建多指标面板数据的聚类分析方法，将30个省市划分为能源重型化、能源较重型化、高能源强度和较高能源强度四个碳排放区域。结果表明，为了实现区域碳减排，各地区应制定“共同但有区别”的碳减排政策。

关键词：碳排放；区域划分；面板数据；聚类分析

中图分类号：F1245

文献标识码：A

文章编号：16710169（2012）06000707

一、文献综述

近年来，我国碳排放问题，尤其是区域碳排放问题，越来越受到学者关注。他们基于不同的研究视角，采用不同的研究方法，对我国区域碳排放问题进行研究，试图探寻出一条适合我国现阶段经济发展现状的碳减排路径。考虑到我国省市地区较多，而且人均碳排放量在部分地区间存在“俱乐部收敛”[1]（P31-42）[2]（P35-46），即地区间碳排放存在一定的相似性，大部分学者在研究我国区域碳排放问题时，一般会在一定的标准下，对我国30个省市地区①进行分类，这也在一定程度上方便了我国区域碳排放问题的研究和相关政策的制定。从目前的碳排放区域划分方法来看，大致可以分为两大类：一类是直接使用国家已有的区域划分结果，一类是基于某些与碳排放相关的指标进行区域划分。

我国已有的区域划分主要有三种，部分学者选择其中一种，对区域碳排放问题进行研究。（1）东中西区域划分②。使用该区域划分的学者较多，且研究视角丰富。其中，陈诗一等[3]（P111-119）、雷厉等[4]（P59-65）和仲云云等[5]（P123-133）使用LMDI方法，研究了我国区域碳排放量及其因素效应的差异性问题；李国志等[6]（P32-39）利用STIRPAT模型，研究了人口、经济和技术对各区域碳排放的影响；许广月等[7]（P37-47）、张为付等[8]（P14-23）研究了全国及各区域碳排放环境库兹涅茨曲线的存在性问题；许广月[1]（P31-42）、林伯强等[2]（P35-46）研究了我国区域碳排放的“俱乐部收敛”问题。（2）国务院发展研究中心在《地区协调发展的战略和政策》中所提出的经济区域划分③。使用该区域划分的学者较少，王文举等[9]（P442-447）使用该区域划分结果，利用对应分析，对碳税政策效应的区域差异特征问题进行了分析研究。（3）《中国区域间投入产出表》中的经济区域划分④。使用该区域划分的，主要是因为要用到中国区域间投入产出表进行相关研究。其中，刘红光等[10]（P129-135）建立我国区域产业结构调整的碳减排模型，对各区域各行业的减排效果进行了分析。姚亮等[11]（P16-19）利用投入产出技术的生命周期评价方法，对我国区域间产品（服务）以及隐含的碳排放在区域之间流动和转移总量进行了相关核算与分析。以上这三种区域划分结果，均是基于各地区经济发展状况及地域分布特点，并未充分考虑到区域间的碳排放特征。使用这三种区域划分结果去研究区域碳排放问题，均缺少较强的针对性。因此，大部分学者在研究区域碳排放问题时，基于其研究视角，采用不同的分类指标和方法，进行碳排放区域划分。这里也可以分为三种分类方式：（1）单指标分类方式，由于这种方法较为简便，大部分学者选择了该方法。比如，李国志等[12]（P22-27）、宋德勇等[13]（P8-14）选择碳排放量年度均值指标，设置一定的大小区间，均将我国划分为高排放、中排放和低排放等三个地区，并在此基础上采用STIRPAT模型分析了全国及不同地区城镇化对碳排放的影响；张雷等[14]（P211-217）根据2005年碳排放量的截面数据，将我国分成超重碳排放型、重碳排放型I、重碳排放型II、一般碳排放型I、一般碳排放型II和轻碳排放型等六个地区；肖黎姗等[15]（P21-27）选择1990—2007年的碳排放强度（即单位GDP碳排放量）年度均值，将我国划分为三类地区；曲如晓等[16]（P10-17）为验证中国省级收入排放的不一致性，选择1997—2010年的人均GDP年度均值，将我国划分为高收入、较高收入、低收入和最低收入等四个地区。（2）双指标分类方式，部分学者选择了该方法。比如，何建武等[17]（P9-16）在研究统一碳税对各区域的经济影响时，选择2002年人均GDP和碳排放强度两个指标，将中国划分为三大地区，即第一类地区（人均GDP水平很高，碳排放强度较低）、第二类地区（经济发展水平较为落后，碳排放强度却很高）和第三类地区（经济发展水平较低，碳排放强度也较低）。许泱等[18]（P1　304-1　309）根据2008年城镇化水平和1995—2008年的城镇化年均增长率，将我国划分为四个地区。（3）聚类分析分类方式。前面两种分类方式，均是采取数据间简单大小排序，此种分类方式则全然不同。张彬等[19]（P53-56）通过Kaya恒等式得到人口、人均GDP和碳排放强度等三个碳排放区域划分的模糊聚类指标，然后基于截面数据，将我国按碳排放驱动因素分为四大地区，即北京、上海完全城镇化地区、东部沿海地区、西部地区和天津。

综上，已有文献在碳排放区域划分方面各具特色，但仍存在尚可完善的地方：（1）由于影响区域碳排放的重要因素不止一两个，所以采用单指标和双指标的分类方式，指标选取过于单一，未能充分反映区域间的碳排放特征，且其选取也尚未统一；（2）张彬等[19]（P53-56）采用模糊聚类分析，虽然较为全面地考虑到了区域间的碳排放特征，但是并未充分结合我国区域经济发展阶段的碳排放特点，同时由于使用截面数据，仅考虑区域碳排放在截面上的特征，而忽略了其在时序变化上的特征。因此，是否存在一种有效的分类方式，对碳排放区域进行划分呢？多指标面板数据的聚类分析方法在进行分类时，不仅能充分考虑指标在时间和截面两个维度上的特征，而且能一次容纳多个指标。这恰恰为碳排放区域划分提供了一个全新的解决思路。聚类分析是多元统计分析中的重要方法，也是处理分类问题的主要方法。近年来，面板数据的聚类分析成为了热点研究领域。Bonze和Hermosilla[20]（P339-360）首次将聚类分析引入到面板数据中，运用概率连接函数和遗传算法改进聚类分析算法，从而提出面板数据的聚类分析方法。Ren和Shi[21]（P253-258）基于费舍尔次序集群理论，通过Frobenius准则重建Ward函数，提出了多指标面板数据的聚类分析方法。这两种方法较为复杂，且李因果等[22]（P73-79）指出他们都没有详细考察面板数据的动态分类统计特征。朱建平等[23]（P11-14）提出了单指标面板数据的聚类分析方法，但是单指标所包含的信息量太少，且在现实应用中多为多指标问题，因此具有一定的局限性，未能解决面板数据的聚类分析问题。郑兵云[24]（P265-270）对多指标面板数据的聚类分析做了一些基础性的研究，对时间进行了“降维”，即每个指标在时间维度上取均值，消去时间维度，退化为截面数据的聚类分析问题。但这种处理方法存在两个缺陷：一是信息损失问题，均值只能表现平均变动情况，不能反映其他分布特征，如离散程度等；二是存在一个隐形假设，即各样品的每一相同指标在时间维度上同方向变化，否则会得出不准确或错误的结论。在上述研究基础上，李因果等[22]（P73-79）选取面板数据的绝对量、增长速度、变异系数三个统计指标，分别建立测度相似性的欧式距离函数，将其赋权构建综合距离函数，并重构Ward聚类算法，从而提出了面板数据的聚类分析方法。虽然其研究综合考虑了面板数据的时序和截面特征，但仍存在一定问题。其一，综合距离函数权重的选择带有一定的主观因素，如果选取的权重不一样，可能会导致不同的聚类结果；其二，增长速度和变异系数均可能远远小于绝对量，尤其是增长速度，这样如果综合到一起来构建Ward聚类算法，即便选取较大的权重，也很容易忽略增长速度和变异系数的影响。

鉴于此，本文在已有研究的基础上，提出一种较为简单、可操作性强的方法，即综合各指标的年度均值和年均增长率的聚类结果，来解决多指标面板数据的聚类分析。在这样的思路下，基于我国30个省市1995-2010年与碳排放直接相关的相对指标数据，对我国进行碳排放区域划分。相比已有文献，本研究有以下特色与拓展：（1）分类指标的选择。结合我国工业化、城镇化高速发展阶段的区域碳排放特点，基于涂正革等⑤⑥的LMDI“两层完全分解法”，提取影响区域碳排放的指标，在分类指标选择上不仅较为全面合理，而且首次区分了生产和生活两大部门的影响因素；（2）分类方法的选择。选取多指标面板数据的聚类分析进行区域分类，在分类时不仅考虑到区域碳排放的截面特征，而且也考虑到区域碳排放的时序变化特征。

二、理论方法框架

（一）多指标面板数据的聚类分析

由于对各指标进行时间“降维”再聚类分析，可以体现面板数据的截面特征；取各指标的年度平均增长率进行聚类分析，可以显示面板数据的时序特征。那么综合这两个指标，便能较全面地说明面板数据的时序和截面特征。于是，本文提出以下思路，进行多指标面板数据的聚类分析。第一步，计算各指标的年度均值，在时间上对各指标“降维”，并对其进行聚类分析。第二步，计算各指标的年均增长率，并对其进行聚类分析。第三步，综合第一步和第二步的聚类结果，将其作为最终的聚类分析结果。如第一步的聚类结果将北京划为第一类，而第二步的聚类结果北京被划到了第二类，但其他省市均没变化，那么便可以将北京单独划为一类。

本文选用欧氏距离，选取系统聚类法中的离差平方和法（或称Ward法）进行聚类分析。相比已有的多指标面板数据的聚类分析，该聚类思路操作较为简单，操作性强，较为全面地反映了面板数据的时序和截面特征。此外，在进行第二步，即对各指标的年均增长率进行聚类分析时，若相异性取到较小的值，仍未获得良好的分类结果，那么便说明各个体的每一相同指标在时间维度上同方向变化。此时，便可以不考虑面板数据的时序特征，即不进行第二步操作，此时本文的方法便退化为郑兵云[24]（P265-270）所提出的多指标面板数据的聚类分析。

（二）碳排放区域聚类的指标选取

为了得到较为科学的碳排放区域划分结果，必须选取合理的分类指标。从已有研究文献来看，碳排放量、碳排放强度、人均GDP、城镇化水平和人口等指标先后被用于进行碳排放区域划分。

纵观国内外研究碳排放影响因素的文献，主要有三种思路。一种是Ehrlich和Holdren[27]（P1212-1217）所提出IPAT的模型以及由此演化出的“I=PACT”、“I=PBAT”和STIRPAT模型，认为人口、富裕程度和技术水平是影响环境的三大主要因素。一种是Kaya[26]所提出的Kaya恒等式，认为人口、人均GDP、能源强度和碳排放密度（即单位能源消费碳排放量）是影响碳排放量的四大主要因素。一种是Grossman和Krueger[27]发现的环境库茨涅茨曲线，认为经济规模、技术水平和经济结构是影响环境的三大主要因素。综合以上思路，可以总结为：影响碳排放的因素主要来自人口、经济、结构（包括能源结构和经济结构）和技术（主要体现为能源强度的变化）四大方面。涂正革等⑤⑥基于Kaya恒等式所提出的LMDI“两层完全分解法”，很好地涵盖了以上四个方面，是目前研究碳排放影响因素较为全面的文献。本文基于该模型，提取碳排放区域聚类的指标，具体模型如下

其中，P表示30个省市；i表示7个部门，即农林牧渔业、工业、建筑业、商业、运输业、城镇居民生活和农村居民生活；其他符号含义如表1所示。从（1）式可以看出，影响碳排放的因素包括地区生产总值、城乡总人口、碳排放密度、生产部门能源强度、居民人均生活用能量、经济结构和城乡人口结构。