上海市工业碳排放总量与碳生产率关系

摘要 工业碳排放总量与碳生产率之间的关系对于正确理解绝对意义上的减排与相对意义上的减排具有重要意义。本文首先对上海市1978-2007年工业碳排放总量以及碳生产率进行估算,并在此基础上运用因果检验,协整检验,VAR模型以及脉冲冲击和方差分解技术,对排放总量与碳生产率的关系进行动态分析。结果表明上海工业碳排放总量是碳生产率的Granger原因,并且两者存在长期均衡关系。进一步脉冲响应和方差分解分析表明:碳排放总量及生产率变化速率互有冲击作用,两者主要相对方差贡献率为自身。研究揭示了提高碳生产率是尽管无法降低碳排放总量,实现绝对减排,却是具有可行性的相对意义的减排,这符合当前上海市内在实现自生主观发展需求以及外在节能减排的客观要求。最后建议将碳生产率指标纳入上海市工业低碳化发展的政策制定中去。

关键词 VAR模型; 碳排放; 碳生产率; 上海

中图分类号 X24; F127 文献标识码 A 文章编号 1002-2104(2010)09-0024-06 doi:10.3969/j.issn.1002-2104.2010.09.05

随着中国经济的迅速发展,气候变化的问题已经成为我国最主要的国际压力。2009年底,中国正式宣布了控制温室气体排放的行动目标:到2020年,中国单位国内生产总值二氧化碳排放量比2005年下降40%-45%。上海作为中国的经济中心城市,工业发展迅速,工业总产值年均增速超过12%,工业能源消耗所产生的二氧化碳约占该市碳排放总量的60%。这导致了上海的碳排放总量以及人均排放量均位列全国前列。因而,为了实现我国的二氧化碳减排目标并且指导各城市进行减排工作,对上海的碳排放进行深入细致的研究显得尤为必要。

国内外对于能源消耗与经济发展,碳排放与经济发展进行了广泛而又深入的研究[1-3]。然而对于二氧化碳总量与效率的关系研究报道较少,而总量控制与效率提高,正是绝对意义上与相对意义上减排的本质区别。碳排放领域中的效率概念,即碳生产率是指单位二氧化碳的GDP产出水平,反映了单位二氧化碳排放所生产的经济效益,它是将低碳经济的两大目标―控制二氧化碳排放(低碳)、促进经济增长(经济)融为一体的一个概念。碳生产率与单位GDP的碳排放强度是倒数关系,两者的区别为:前者是效率表示法,体现了经济的角度考虑减排问题,可与传统的劳动或资本生产率相比较,后者是强度表示法,它是从环境的角度考虑问题。当前绿色革命低碳经济模式下的碳生产率与工业革命中的核心指标劳动生产率相互对应,这是由于当前碳排放空间是比劳动力、资本等更为稀缺的要素。此外碳生产率的衡量具有可操作性,既可作为宏观低碳经济指标―某地区的碳生产率,可作为中观低碳经济指标―某一产业的碳生产率,亦可作为微观低碳经济指标―某一企业的碳生产率。因而诸大建认为当前中国在可持续发展的框架下应对气候变化,关键是提高碳生产率,而并非走绝对减排的发展之路[4]。何建坤,苏明山更是将提高碳生产率视为发展我国发展低碳经济的核心[5]。此外麦肯锡全球研究所(MGI)提出了10倍计划,即在未来近50年的时间里,为实现温度的增幅不高出2℃的目标,世界碳生产率必须提高10倍[6]。Kim对韩国碳生产率进行了研究,得出为了实现该国2020年的减排目标,若GDP增幅维持在4%,则该国的碳生产率年均增幅必须达到485%[7]。

1978-2007年间上海市工业碳排放总量年均增速达到4.3%,尤其是2000年以来,增速为5.9%,而同期碳生产率则表现出更快的增速,达到11.2%。碳排放总量增加与碳生产率之间是何种动态变化关系?提高碳生产率是否有利于上海工业行业实现低碳化发展?是否应该推行碳生产率作为上海工业发展的衡量指标? 基于以上问题,本文将估算1978-2007年上海市工业能源消耗所产生的碳排放量和碳生产率,通过总量与效率关系的实证研究,旨在为上海市制定合理的低碳工业发展政策提供参考依据。

谌?伟等:上海市工业碳排放总量与碳生产率关系

中国人口•资源与环境 2010年 第9期1 研究方法及数据来源

1.1 碳排放总量本文工业二氧化碳排放特指终端能源消耗即化石燃料燃烧产生的碳排放,不包括工业生产过程中的碳排放。和生产率模型

碳排放总量和生产率模型如公式(1)―公式(4)[8-9]所示。由于历年工业各类能源消耗数据缺失,研究时间段内总量计算无法完全采用公式(1)。故本文假定标煤碳排放系数K值不变,根据公式(1)-公式(4),利用现有13年各部门的能源消耗数据(1996-2007),求得K值,从而估算出历年工业碳排放总量和碳生产率。

CT=∑i∑jCTij=∑i∑jETij×EFj×(1-CSTj)×Oj×M(1)

CT=K×ET (2)

K=1n×∑KT=1n∑CTET(3)

CPT=GTCT(4)

其中,下标j表示17种能源消耗,下标i表示上海工业33个行业[10]。EF 表示为碳排放系数,O表示碳氧化系数,具体系数均采用IPCC以及Dhakal的计算值[11]。CSj为燃烧过程中未被氧化比重(=0)。CT表示为T年的碳排放总量,CPT表示T年的碳生产率,GT表示T年的工业总产值,K为标准煤碳排放系数,n为K值个数。

1.2 计量模型

本文采用ADF/PP单位根检验,协整分析,基于VAR的Granger因果关系检验,脉冲响应函数与方差分解等数学手段,研究上海市工业碳排放量与碳生产率之间的关系。下文简要介绍本文所采用的计量分析方法。

(1)单位根检验。单位根检验即是对变量平稳性的检验。如果一个时间序列的均值或自协方差函数随时间变化而改变,那么这个序列就是非平稳时间序列,即含有单位根。如果一个非平稳时间序列经过d次差分达到平稳,则称该序列为d阶单整(Integration)序列,记为I(d)。文中将采用ADF(Augmented DickeyFuller)检验以及PP(PhillipsPerron)检验方法。

(2)建立VAR模型。VAR模型通常用于变量时间序列的预测和描述随机扰动对变量系统的动态影响。变量间的关系并不是以经济理论为基础。常用的p阶VAR形式为如式(5)所示:其中,yt是m维内生变量向量,xt是d维外生变量向量,A1...Ap和B1...Br均是待估计的参数矩阵,内生变量和外生变量分别有p和r阶滞后期,εt是随机扰动项。本文中VAR模型的最优滞后期的确定可通过软件滞后长度准则,按照5种标准来确定。

Yt=A1Yt-1+A2Yt-2+...+B0Xt+...+BrXt-r+εt(5)

(3)协整分析。协整关系是指如果两个或者两个以上的非平稳的时间序列变量,可以组成某种平稳线性组合。通常有检验协整关系的方法为E-G两步法和Johanson最大似然法。本文采用Johansen 协整检验法(JJ法)。其基本思想在于多变量回归系统VAR中检验回归系数,构建残差矩阵,根据矩阵的序判断协整关系。在运用Johansen协整分析方法来检验变量之间是否存在协整关系之前,必须确定模型的最优滞后期。当VAR模型的滞后期确定为K时,JJ检验法中最优滞后期则为K-1。

(4)Granger因果检验。Granger因果检验,主要是考虑现在的y能够在多大程度上被过去的x解释,当加入x的滞后项时,解释程度是否提高。如果x在y的预测中有帮助,可称为y是由x Granger引起的。Granger因果检验的前提是序列平稳,否则检验统计式不符合F分布。根据Granger定理,当具有协整关系的变量间,可采用基于VAR模型的格兰杰因果关系检验法,判断因果方向,其检验统计式服从χ2分布。

(5)脉冲响应和方差分解法。对于VAR模型,可以利用脉冲响应函数和方差分解法来分析模型中每个内生变量对自身以及其他内生变量扰动所作出的反应,从而了解VAR模型的动态特征。脉冲响应函数(Impulse Response Function,IRF)是用于衡量来自某个内生变量的随机扰动项的一个标准差冲击对于VAR模型中所有内生变量当前值和未来值的影响。方差分解(Variance decomposition),是将VAR模型中每个外生变量预测误差的方差按照其成因分解为各个内生变量相关联的组成部门,分析每个新息对内生变量变化的贡献度,从而了解各新息对模型内生变量的相对重要性。当采用脉冲响应和方差分解法时,必须要考虑VAR模型的稳定性,即VAR模型征根的倒数值是否小于1。本文对总量变化速率和碳生产率变化速率进行脉冲冲击和方差分解。

1.3 数据来源

本文选取1978-2007年作为研究的时间区间,历年工业各种能源消耗(万吨标准煤)以及工业总产值指数来自于《上海工业能源交通统计年鉴1996-2008》。工业生产总值根据工业总产值指数折算而得,采用2005年不变价格(亿元)。为了避免数据的剧烈波动,对碳排放总量(记作C)和碳生产率(记作CP)进行对数化处理,记做LC 和LCP。所有计算过程借助Eviews 5.1完成。

2 上海市工业碳排放与强度变化

计算上海市工业碳排放总量与碳强度时,需要注意的是本文的假定前提条件,即单位标准煤所排放的二氧化碳量是不变的。这是因为1994年之前的上海市工业能源分类消耗统计量缺失,因而采用公式(2)估算上海市碳排放总量。根据现有年鉴数据,计算1996-2007年K值,结果如表1所示,K均值为2.48,误差率小于5%,因而本文认为假定标准煤的碳排放系数不变是可行的。根据公式(2),公式(4),估算得1978-2007年上海市工业碳排放总量以及碳生产率。如图1所示,1978年上海市工业碳排放总量的4 043万t,到2007年总量则达到13 528万t。30年中,碳排放总量增加了3.3倍。碳生产率则从1978年的0.19万元/t,上升到2007年的1.65万元/t,增幅达到8.7倍。两序列的变化趋势表明了两者可能存在协整关系。

3 上海市工业经济增长与CO2排放变化的计量分析3.1 平稳性检验及分析

首先根据ADF和PP单位根检验法,对于1978-2007年上海工业碳排放总量和碳生产率进行稳定性检验。如表2所示,时间序列LC和LCP为非平稳序列,一阶差分

表1 标准煤碳排放系数以及误差

Tab.1 Coefficient of the CO2 per TCE and error rate

项目Item年份 Year199619971998199920002001200220032004200520062007均值Avg.Value标煤转化系数*2.47 2.45 2.48 2.56 2.52 2.45 2.49 2.42 2.45 2.50 2.40 2.54 2.48误差0.3%1.0%0%-3.0%-1.5%1.0%-0.3%2.4%1.2%-0.9%3.3%-2.5%*单位:tCO2/tce

图1 1978-2007上海工业碳排放总量与生产率

Fig.1 The industrial carbon emissions and carbon productivity in Shanghai, 1978-2007

序列在5%的临界值上为稳定序列,记为I(1)。

3.2 协整分析

由于原序列LC和LCP均为I(1),可进行协整分析。本文采用JJ协整检验法。在建立VAR模型前,确定最优滞后阶数为1(见表3),因而JJ检验中的最优滞后阶为0。协整的检验结果如表4所示,1978年到2007年间,当假设协整个数为0时候,LC和LCP的迹统计值均大于5%显著水平临界值,故拒绝原假设。当假设两序列间存在1个协整关系时,两者的迹统计值均小于在5%的显著水平值,即接收原假设。这说明在5%的显著水平下,上海市工业碳排放总量与生产率间存在长期稳定的均衡关系。均衡关系的因果方向则需要采用Granger因果检验来确定。

3.3 Granger因果关系

由Granger定理可得,如果变量间是协整的,则至少存在一个方向上的Granger原因。JJ协整检验结果得到工业碳排放量(LC)与生产率间(LCP)存在长期均衡关系,这表明两变量之间至少存在一个方向上的因果关系。然而传统Granger因果检验是建立在平稳序列上的检验方法,而原序列LC和LCP为一阶单整,无法直接检验,故采用VAR

表2 二氧化碳CO2与碳生产率CP的ADF/PP检验结果

Tab.2 Results of ADF /PP test between LC and LCP

变量检验形式ADF统计值5%临界值1%临界值状态LC(C,T,0)-1.803 9-3.574 2-4.309 8不平稳LCP(C,0,0)1.663 8-2.967 8-3.679 3不平稳DLC(C,0,0)-4.702 2-2.971 9-3.689 2平稳DLCP(C,0,0)-3.708 9-2.971 9-3.689 2平稳变量检验形式PP统计值5%临界值1%临界值状态LC(C,T,1)-1.858 0-3.574 2-4.309 8不平稳LCP(C,0,1)1.501 4-2.967 7-3.679 3不平稳DLC(C,0,0)-4.702 2-2.971 9-3.689 2平稳DLCP(C,0,3)-3.765 2-2.971 9-3.689 2平稳注:检验类型(C ,T ,K) 分别表示单位根检验中是否有常数项、时间趋势项以及滞后的阶数。D表示一阶差分。

表3 LC与LCP滞后阶数判断

Tab. 3 Lag length criteria between LC and LCP

LagLogLLRFPEAICSCHQ0-3.777 2NA0.005 350.444 40.541 20.472 3191.437 1168.456 1*4.81e-06*-6.572 088*-6.281 8*-6.488 5*293.914 74.002 15.44 e-06-6.455 0-5.971 1-6.315 6396.564 13.872 36.15 e-06-6.351 1-5.673 6-6.156 0498.481 32.507 17.45 e-06-6.190 9-5.319 9-5.940 1*最优滞后期;LR: 似然比检验统计量(5% 水平),FPE: 最终预测误差检验,AIC: 赤池信息量准则,SC: 施瓦茨信息准则,HQ: 汉-奎信息准则

表4 LC 和 LCP协整检验结果

Tab. 4 Result of the Johansen cointegration test of LC and LCP

原假设特征根迹统计值0.05 临界值Prob.**None*0.409 817.618 015.494 70.023 6At most 10.077 12.325 63.841 50.127 3*表示在5%的显著性水平下拒绝原假设

**P值来自MacKinnonHaugMichelis (1999)

模型的Granger因果检验法。表5给出了两个内生变量相互的Granger因果关系检验统计量和对应的概率值,表明了两序列为单向因果关系,即工业碳排放量(LC)增长是碳生产率(LCP)提高的格兰杰原因,碳生产率(LCP)提高并不是工业碳排放量(LC)增长的格兰杰原因。前者实质为速度效应,上海市工业发展过程中化石性能源消耗增长迅速,二氧化碳排放也同步快速增长,在发展过程中由于低碳技术的应用,管理方式的改进等因素提高了经济活动中的能源利用效率,使得工业经济增速快于碳排放增速,使这种发展模式具有相对意义上的低碳化的特点,统计数据表现为碳生产率,碳总量同时提高的现象。后者实质为规模效应,上海市工业生产总值规模巨大,平均增速超过12%,由于宏观经济规模高速增长,抑制了由经济效率的提高所贡献的减排成果,工业碳排放总量具有明显的反弹。当然,尽管从趋势上判断,提高碳生产率无法逆转工

表5 VAR模型的格兰杰因果检验结果

Tab.5 Result of VARGranger causality test

内生变量: LCPExcluded χ2统计值 df Prob. LC4.773 910.028 9 All4.773 910.028 9 内生变量: LCExcluded χ2统计值df Prob. LCP1.567 5 10.210 6 All1.567 510.210 6 业二氧化碳增排,实现绝对意义上的减少碳排放,但是作为发展中的国家的城市,上海需要兼顾内在自身发展主观需求和外在国际节能减排客观压力,因而低碳发展模式不可能走绝对减排之路,因而代表相对减排的碳生产率可作为该市衡量自身成效的指标。Granger检验结果表明了总量(LC)的增加并非是由于碳生产率(LCP)的提高所导致,这也说明了大力促进上海提高碳生产率的合理性。

3.4 脉冲响应与方差分解分析

脉冲响应函数是指在向量自回归(VAR) 模型中,在扰动项上加一个标准差大小的冲击通过变量之间的动态联系对变量的当前值和未来值所带来的影响。本文建立增长率DLC与DLCP的VAR模型,以期探究总量增长速率与碳生产率增长速率的相互作用。DLC表示为碳排放总量变化速率,DLCP表示为工业碳生产率变化速率。在进行脉冲响应与方差分解分析前必须对VAR模型进行平稳性检验,所有特征根均小于1,可以继续进行。图2、图3中的虚线表示在脉冲响应图像两侧加/减两倍标准差的置信带,横轴表示冲击响应期,纵轴表示内生变量对冲击的响应程度。图2为碳排放变化速率(DLC)对碳生产率变化速率(DLCP)扰动的响应情景,即当给定碳生产率速率(DLCP)增大的冲击时,碳排放总量速率(DLC)当期并没有立刻作出响应。而随后上升趋势明显,碳排放速率呈现正向反应持续到第10期,表明了DLCP对DLC具有收敛性。整个考察期内,累计效应5年为0.016,10年为0.020,这说明碳生产率速率(DLCP)受到外界冲击时,在1期后会持续正向影响碳排放总量发展速率(DLC),并且这种影响随着时间的推移先增大后减小。这也符合碳生产率升高而总量同时增长现象。图3是碳生产率变化速率(DLCP)对碳排放速率(DLC)扰动的响应情景,即给定碳总量排放速率增长的冲击后,碳生产率变化速率当期就出现了反向负增长,但上升趋势明显,至第2期开始便转为正向推动作用,第3期达到最高点,达到0.003 051,而10年的累计效应为

图2 碳生产率变化引起的碳总量变化响应函数

Fig.2 Response of DLCP to DLC innovation

图3 碳总量变化冲击引起的碳生产率变化响应函数

Fig.3 Response of DLC to DLCP innovation

-0.022.这说明了总量变化速率(DLC)对碳生产率变化(DLCP)具有反向抑制作用,但时滞较短,影响作用趋向于平衡。上文Granger因果检验结果表明:碳排放总量增长是导致碳生产率增长的Granger原因,当上海工业高速发展时,经济发展速率超过碳总量增速,因而碳生产率也表现出增长趋势,然而由脉冲分析可知,碳生产率的变化增速将会降低,此外,尽管碳生产率并非碳排放总量的Granger原因,但短期内碳生差率变化速率(DLCP)冲击仍会正向作用于碳排放速率(DLC)。

与脉冲响应函数追踪系统中各变量对系统中某一个变量的冲击效果不同,方差分解法则将系统中某一个变量的预测均方误差分解成由系统中各变量冲击所带来的影响部分,记录系统中每个变量冲击对该变量的预测均方误差的贡献,从而了解各新息对模型内生变量的相对重要性。碳排放总量变化速率与生产率变化速率的方差分解结果如表6所示:总量变化速率(DLC)预测方差的最主要影响因素是其自身扰动所引起,占95.43% 而碳生产率变化率(DLCP)对它的影响仅为4.57%.与此对应的是,碳生产率变化速率(DLCP)的自身效应尽管仍占主导地位,但较总量增速(DLC)的自身效应而言,比重有所下降,短期内约为6522%,总量增长速率(DLC)对于生产率变化(DLCP)的影响保持稳定状态,短期内始终维持在34.78%。这表明未来上海市工业碳排放总量控制若是绝对意义上的减排,则不可能单独依靠提高碳生产率来实现,必须要将反弹效应纳入政策制定的考虑范围中。当然,现阶段为了实现上海市工业碳排放相对脱钩化发展,首要考核指标就是碳生产率。

4 结论与政策启示

从上述实证分析中可以得到以下结论:

本文引入了绿色革命低碳经济背景下,工业发展中的

表6 不同预测周期内 DLC和DLCP的方差分解

Tab.6 Variance decomposition of DLC and DLCP in the forecast periods

DLC方差分解分析DLCP方差分解分析周期DLCDLCPDLCDLCP11000.0041.1258.88297.112.8937.3562.65396.123.8835.7964.21495.724.2835.1964.81595.554.4534.9565.05695.484.5234.8565.15795.454.5534.8165.19895.444.5634.7965.21995.434.5734.7865.221095.434.5734.7865.22Cholesky 顺序: DLC DLCP

碳排放效率衡量指标-碳生产率。通过IPCC碳排放模型估算了简易碳排放估算模型中的标准煤的碳排放系数,进而得出1978-2007年间上海市工业碳排放总量和碳生产率变化趋势:30年中该市工业碳排放量增加3.3倍,碳生产率增速较快,增加8.7倍。这表明尽管上海工业二氧化碳排放并不是绝对意义的减量,但总排放量的增速减缓,并且排放的经济效率提高,正处于相对减排的发展阶段。实证分析得到工业碳排放总量与生产率之间存在长期协整关系。碳排放总量与碳生产率之间具有单向Granger因果关系,即碳排放增加会促进碳生产率的增长,但碳生产率提高并非排放总量增长的原因。当前上海市二氧化碳排放总量与碳生产率表现出的矛盾实质为该市工业低碳发展过程中的两者速度效应和规模效应。脉冲冲击分析和方差分解分析的结果表明:碳排放总量增速及生产率增长率互有冲击作用。碳排放总量增速对于碳生产变化的扰动短期内便恢复稳定状态,且排放总量的预测方差主要是由于自身扰动所导致,而碳生产率对于总量的冲击反应迅速,当期便表现反向响应,碳生产率增速的预测方差是主要扰动因素也是自身,尽管比重减小。显然期望依靠大幅度提高碳生产率来实现绝对意义上的总量减排是不可行的。尽管,碳生产率指标无法逆转上海工业碳排放增长趋势,但从相对减排的角度而言,提高碳生产率,控制排放总量增长速度不仅符合上海当前发展的现状,而且具有可行性,有利于上海促进低碳工业快速发展。

政策制定者应当理解并区别低碳发展过程中绝对意义上和相对意义上的减排,实质是正确把握碳排放总量与碳生产率的关系,避免走入单纯依靠技术效率改进可以降低二氧化碳规模的误区。上海正处于工业化和城市化的发展阶段,工业经济规模高速增长,能源消耗增加和二氧化碳排放增排不可避免。而作为效率指标的碳生产率的提高意味着碳排放与经济发展出现相对脱钩,实现相对减排,对于上海等发展中新兴城市而言推行包含提高碳生产率的政策具有可行性, 也是协调经济发展与应对气候变化的根本途径。因而在上海市低碳工业化发展政策制定中,应该将其纳入。由于碳生产率是一项简单并且易于操作的衡量指标,更有利于政策制定者使用。对于目前上海市所取得的节能减排成绩,一方面要继续行动,要区别二氧化碳碳减排成果在绝对与相对意义上两种不同尺度的意义,要看到目前上海的碳生产率水平与世界发达国家还有差距。另一方面,上海工业碳排放总量还未到拐点,未来的一段时间内,仍会保持总量与生产率双增长的现象。因此上海必须进一步发展低碳化工业,调整产业结构,提高高碳行业的市场准入门槛,建立以碳生产率为考核指标的衡量体系,同时降低对化石性燃料的依赖性,发展包含水能在内的可再生能源,积极推行工业清洁生产。

参考文献(References)

[1]钟晓青,吴浩梅等. 广州市能源消费与GDP及能源结构关系的实证研究[J].

中国人口•资源与环境,2007,17(1):135-138.[Zhong Xiaoqing,Wu Haome,et al. The Empirical Study on the Impact of GDP and Energy Structureon Energy Consumption in Guangzhou[J].China Population, Resources and Environment, 2007,17(1):135-138.]

[2]汪旭晖,刘勇. 中国能源消费与经济增长:基于协整分析和Granger 因果检验[J].资源科学,2007,29(5):57-62.[Wang Xuhui,Liu Yong. China's Energy Consumption and Economic Growth: A Study based on the Cointegration Analysis and Granger Causality Test [J]. Resources Science, 2007, 29(5):57-62.]

[3]Feng Taiwen,Sun Linyan,et al. The Relationship between Energy Consumption Structure, Economic Structure and Energy Intensity in China[J].Energy Policy,2009,37(12):5475-5483.

[4]诸大建. 绿色GDP时代的“碳生产率”[EB]. www.ipcc.cma.省略/, Nov, 2009.[Zhu Dajian.Carbon Productivity in Time of Green GDP [EB]. www.ipcc.cma.省略/, Nov, 2009.]

[5] 何建坤,苏明山. 应对全球气候变化下的碳生产率分析[J].中国软科学,2009,(10):42-47. [He Jiankun,Su Mingshan. Carbon Productivity Analysis to Address Global Climate Change [J]. China Soft Science,2009,(10):42-47.]

[6]Beinhocker E, Oppenheim J, et al. The carbon productivity challenge: Curbing Climate Change and Sustaining Economic Growth [EB]. www.省略/mgi/publications/ Carbon_Productivity, June, 2008.

[7]Kim Wonkyu.Current Issues and Implications of Korea's Carbon Productivity[EB].kiet.re.kr/UpFile/newsbrief/1266304157908.pdf,Jan,2010.

[8]Zhang Ming,Mu Hailin,et al.Decomposition of energyrelated CO2 emission over 1991-2006 in China[J].Ecological Economics,2009,68(7):2122-2128.

[9]陈飞,诸大建.低碳城市研究的理论方法与上海实证分析[J].城市发展研究,2009,16(10):71-79.[Chen Fei,Zhu Dajian. Theory of Research on Low Carbon City and Shanghai Empirical Analysis [J]. Urban Studies, 2009, 16(10):71-79.]

[10]上海工业能源交通统计年鉴(1995,1997-2008).上海:上海统计局.[Shanghai statistical bureau .Shanghai Statistical Yearbook on Industry, Energy and Communication, 1995, 1997-2008.]

[11]Dhakal S.Urban Energy Use and Cities CO2 Emissions in China and Policy Implications[J]. Energy Policy, 2009, 37(11): 4208-4219.

Research on Relationship Between Industrial Carbon Emissions and

Carbon Productivity in Shanghai

CHEN Wei ZHU Dajian BAI Zhulan

(School of Economics and Management, Tongji University, Shanghai 20092, China)

Abstract It is very important to study the relationship between industrial carbon emissions and carbon productivity, which helps to understand the difference of relative or absolute carbon emissions reductions. In this paper, Granger causality tests, Cointegrating test, VAR and IRF, Variance decomposition are used to analyze the dynamic effects between industrial carbon emissions and carbon productivity from 1978 to 2007 in Shanghai empirically. The result of study indicates that carbon emissions are the Granger reason of carbon productivity, and the balanced relation exists for a long time between them. IRF and VD analysis shows that there are impulses between rate of emissions and productivity, and moreover, the mainly relative variance contribution are derived from their own. The study reveals that the increase of carbon productivity has contribution to relative carbon em issions reductions, but can not reach the absolute emission reduction, which is consistent with requirements of development of economy and emissions reduction in Shanghai at the present stage. Finaly, carbon productivity as an indictor should be recommended to the policymakers of low carbon industrial development in Shanghai.

Key words VAR ;carbon emissions ;carbon productivity;Shanghai