外商直接投资对我国碳减排的影响研究——基于中国省际面板数据的空间计量分析

方 艳，曾维琴，韦天慈

(上海对外经贸大学 统计与信息学院，上海，201620)

2021年，全球外商直接投资(FDI)比2020年增长77%，从0.93万亿美元增至1.65万亿美元。而我国2021年FDI首次突破万亿元，达到1.15万亿元，同比增长14.9%。与此同时，全球碳排放量在2021年达历史新高，与能源相关的二氧化碳排放量增加了6%，达到363亿吨，其中，我国二氧化碳排放量超过119亿吨，占全球总量的33%。FDI的大量流入推动了我国地区经济快速增长的同时也带来了不容忽视的环境问题。2020年9月22日的联合国大会上，中国提出了二氧化碳排放力争于2030年前达到峰值、2060年前实现碳中和。2022年3月5日的政府工作报告再次指出有序推进碳达峰碳中和工作。因此，在以国内大循环为主体、国内国际双循环相互促进的新发展格局下，关注全球环境问题，探究FDI对我国地区碳排放的影响，不仅是近年来国内外学术界广泛讨论的热点问题，也是当今时代业界面临的重大现实问题。

目前学术界中，学者在不同背景下运用不同的方法研究了FDI对碳排放的影响。Zhang等[1]考察了GDP、贸易结构、汇率和 FDI流入对我国碳排放的影响，得出FDI流入对我国碳排放有正向影响。李坤明等[2]基于空间滞后分位数回归模型研究了我国碳排放的驱动机制，发现不同分位点下FDI对碳排放影响的不一致性。Pan等[3]借助非线性马尔可夫切换向量误差校正模型分析FDI与二氧化碳排放的状态、切换概率和状态相关性，研究发现FDI对二氧化碳排放的总体影响是抑制性的。Demena等[4]运用65个独立研究，采用元分析发现FDI显著地减少了二氧化碳的排放。江心英等[5]通过动态面板GMM估计和面板门槛模型，发现正式环境规制下FDI对碳排放的作用不显著。周杰琦等[6]通过构造联立方程组，发现FDI总体上改善了碳排放绩效，消除要素市场扭曲可使FDI的环境福利效应提升。综上所述，可以发现，这些已有研究主要是基于面板回归[7-10]、门槛回归[11-12]等方法研究了FDI对碳排放的影响作用。然而，传统面板模型常常忽略了经济现象在时间和空间维度上的相关性，这样不可避免带来模型设定和模型估计的偏误问题。而在门槛回归方法中，当门槛变量含有较强的时间趋势时，突变点似然分布检验将受到改变，从而导致置信区间无法构建等问题。

一般来说，信息和资源在相邻地区常存在交换和溢出，碳排放也不例外，相邻省份间碳排放存在一定的空间相关和空间溢出效应。而目前FDI对碳排放影响的研究极少考虑碳排放在空间层面的这种关系，从而造成计量模型的不完善性。因此，为了有效厘清FDI与碳排放的关系，本研究首先利用全局Moran’s I考察我国碳排放的空间集聚效应，然后利用空间面板模型研究FDI对我国碳排放的影响，以期为碳排放及其影响因素的研究提供新的视角，从而为实现碳达峰和碳中和目标以及制定差异化的碳减排方案提供重要的理论参考和科学依据。

(一)变量选择

Dietz等[13]提出用STIRPAT模型分析人口、社会富裕程度和技术水平对环境压力产生的随机影响。STIRPAT模型一般表达式为

(1)

式中：i为第i个观测值；
Yi为环境压力；
Pi为人口指标；
Ai为富裕程度；
Ti为技术水平；
ei为误差项；
a，b，c，d为未知参数。参照Wu等[14]和邵帅等[15]对式(1)进行对数化处理，得到

lnYi=a+blnPi+clnAi+dlnTi+lnei

(2)

用碳排放(C)刻画环境压力，人口数量(POP)和人均GDP(PGDP)分别刻画人口和富裕程度。根据内生增长理论，人力资本的积累是决定技术水平的最重要的因素。另外，在开放经济中，外商直接投资可以通过知识和技术溢出效应、竞争效应等相关效应来影响技术水平。为此，参考Cheng等[16]，式(2)中的技术水平Ti可分解为

Ti=f(HCi， FDIi)

(3)

式中：HCi为人力资本；
FDIi为外商直接投资。除了上述指标，在式(2)中还考虑了基础设施(INFRA)和产业结构(IS)两个变量。交通运输是碳排放的最大来源之一，其中，公路运输则是交通运输中碳排放的主体，而基础设施主要体现在各省的公路里程中[17]，因此，基础设施不仅会影响碳排放，还会影响FDI流入地理位置的选择[18]。另外，我国正处于全面推进乡村振兴的阶段，城市化的快速发展，促进了工业和建筑业的蓬勃发展[19]，工业生产的废气是二氧化碳的重要来源。

综上所述，本研究的被解释变量为碳排放量，解释变量为FDI，而控制变量则包含了人口数量等其他6个变量。变量具体说明如表1所示。

表1 指标说明

(二)计量模型

1. 全局莫兰指数。为了考察区域碳排放与其所处空间的关系，首先需要了解碳排放的空间相关性。全局莫兰指数(Moran’s I)[22]定量反映了全局空间集聚性和异质性，故常用来作为研究区域经济变量空间相关性的统计量，其表达式为

(4)

空间权重参数ωi， j反映了碳排放的空间关系，且随着地理距离的增加而减少。为了简便起见，本研究在全局Moran’s I中仅考虑以下两种空间权重关系：邻接空间权重和地理距离空间权重[23]。其中，邻接空间权重ωi， j主要取决于地区之间是否为邻接关系，其构建表达式为

(5)

而地理距离空间权重ωi， j则取决于区域之间的地理距离di， j，其表达式为

(6)

式中：距离倒数1/di， j反映了区域间相关性与地理距离间的衰减关系。

2.空间计量模型。为研究FDI对我国碳排放的影响，主要采用以下三个空间计量模型：空间自回归模型(Spatial Autoregression Model， SAR)、空间杜宾模型(Spatial Dubin Model， SDM)和空间误差模型(Spatial Error Model， SEM)。假设yt=(y1t，…，ynt)T为n×1的因变量列向量，Xt是n×k的k维回归向量矩阵，其中，i=1，…，n，t=1，…，T。对于每个横截面，W则由n个单元的空间权重ωi，j构建而成的n×n空间权重矩阵，其中，ωi，j∈W表示单元i与j相关联的空间权重。SAR，SDM和SEM模型的具体描述如下。

(1)SAR模型。SAR模型的基本方程为

yt=ρWyt+Xtβ+u+εt

(7)

(2)SDM模型。在SAR模型基础上，SDM模型则进一步考虑了带空间权重解释变量，其表达式为

yt=ρWyt+Xtβ+WZtθ+u+εt

(8)

式中：WZt为空间加权自变量。SDM模型可以通过对空间滞后因变量(Wyt)和空间加权解释变量(WZt)使用不同的空间权重或使用zt≠Xt来进行推广。

(3)SEM模型。SEM模型则在残差项中考虑了空间自相关性，其表达式为

yt=Xtβ+u+vt；
vt=λMvt+εt

(9)

式中：矩阵M是一个空间权重矩阵，且其可以等于或不等于W。

针对上述3个空间面板模型，研究主要使用XSMLE手册[24]对模型参数进行极大似然估计。

(三)数据来源

本研究收集了2001—2019年我国各地区FDI和碳排放的年度数据，其中，碳排放主要是考察了二氧化碳的排放量。由于数据缺失，去除西藏和港澳台，最终合计30个省区市。按照国家统计局数据查询中显示的三大地带，分为东、中、西部三个部分，其中，东部包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南等11个省市，中部包括山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南等8个省，西部包括重庆、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆、内蒙古、广西等11个省区市。碳排放数据来源于国家碳核算数据库，其他指标来源于国家统计年鉴、各省市统计年鉴、各省市统计公报。

基于邻接空间权重和地理距离空间权重，2001—2019年我国30个省区市的全局Moran’s I均大于0，且其对应的p值均小于0.05。这说明过去19年间我国各地的碳排放并不是处于完全随机的状态，而是受其他具有相同空间特征省区市的碳排放的影响，即我国碳排放在地理空间上呈现明显的空间集聚现象或羊群效应。为了进一步说明各省区市碳排放在空间上的局部特征，图1，2分别从邻接空间权重和地理距离空间权重绘制了2001，2007，2013，2019年我国碳排放的Moran散点图。

从图1，2可以发现，大部分省区市的全局Moran’s I位于第一象限(HH)和第三象限(LL)，这表明我国各省区市碳排放量存在显著的空间正相关性。大部分省区市与其邻近省区市表现出相似的集群特征，高碳排放量省区市被高碳排放量的邻近省区市所包围，而低碳排放量省区市被低碳排放量的邻近省区市所包围。另外，比较发现，基于邻接空间权重和基于地理距离空间权重的Moran散点图具有一致性，这说明本研究的结论是稳健可靠的。鉴于Moran散点图不能判断各省份聚集区是否在统计意义上显著，采用LISA方法进一步探究我国碳排放的空间聚集情况。2001，2007，2013，2019年我国碳排放的LISA集聚图的计算结果如表2所示。

表2 LISA集聚图结果

从表2可以发现，2001年主要形成以安徽、北京、河北、河南、江苏、山东6个省市为主的高碳排放集聚区，以四川为主的低碳排放集聚区，以广东为主的HL象限。其中，LL象限只有四川，说明四川与其邻近省的碳排放均较低；
HL象限只有广东，说明广东省与其邻近省的碳排放存在较大差异。2002年主要形成以北京、河北、河南、江苏、山东5个省市为主的高碳排放集聚区，安徽具有明显的跨越现象(从HH象限到LH象限)，广东和四川仍分别属于HL象限和LL象限。2013年主要形成以北京、河北、河南、内蒙古、山西5个省区市为主的高碳排放集聚区，此时江苏和山东被排除在高碳排放集聚区之外。另外，自2013年以后四川被排除在低碳排放集聚区之外，安徽则被排除在LH象限之外。2019年主要形成以北京、河北、河南、山西四个省市为主的高碳排放集聚区，新疆取代了广东被列为HL象限。总之，随着时间的推移，东部较发达地区逐渐被排除于高碳排放集聚区之外，而越来越多的西部地区被卷入高碳排放集聚区，这跟我国经济发展重心西移的发展战略密不可分。此外，从协同发展角度来看，HH象限牵涉到的省区市均为相邻省区市，例如2019年的HH象限为北京、河北、河南和山西，这说明我国省区市间碳排放具有明显的协同效应。

(一)省级层面FDI与碳排放的关系

为了刻画FDI对碳排放的影响，首先从省级层面对其进行研究。采用拉格朗日乘子(LM)检验方法，先对模型进行选择，即从空间回归模型和OLS模型中选择最佳模型。基于邻接空间权重矩阵和地理距离空间权重矩阵的LM检验和Hausman检验的p值均小于0.001，表明在省级层面数据分析中空间面板回归是最优模型，且固定效应优于随机效应。而LR检验和Wald检验的p值均大于0.050，表明省级层面碳排放的研究中SAR和SEM模型是最优选择。SAR模型的表达式为

lnCit=ρ∑WijlnCjt+β1ln FDIit+β2ln POPit+

β3ln PGDPit+β4lnHCit+β5ln OPENit+

β6ln INFRAit+β7lnISit+ui+ξt+εit

(10)

lnCit=β1ln FDIit+β2ln POPit+β3ln PGDPit+

β4lnHCit+β5ln OPENit+β6ln INFRAit+

β7lnISit+ui+ξt+vit

vit=λ∑Mijlnvit+εit

(11)

公式(10，11)的回归结果如表3所示。其中，第2，3列为邻接空间权重的回归结果，第4，5列为地理距离空间权重的回归结果。从表3可以发现FDI的系数显著为负，表明控制了其他变量后，FDI的流入显著降低各省的碳排放。且在其他变量保持不变时，当FDI扩大一倍，在邻接空间权重下二氧化碳排放量将分别减少5.03%(基于SAR模型)和4.27%(基于SEM模型)，而在地理距离空间权重下二氧化碳排放量将分别减少4.56%(基于SAR模型)和5.70%(基于SEM模型)。因此，从省级角度分析结果来看,“污染天堂”的假说[25]在我国并不成立，其原因主要是我国逐渐从要素驱动下的粗放型经济发展阶段步入了高质量国际资本流入驱动低碳经济的阶段，且基本上完成了对重污染外资企业的洗牌。

表3 省级数据FDI对碳排放空间计量估计结果

(二)地区层面FDI与碳排放的关系

当从地区层面研究FDI对碳排放影响时，LM检验和Hausman检验的p值均小于0.001，表明空间面板模型优于普通面板，且固定效应优于随机效应。在LR检验和Wald检验中，东部地区SEM模型的p值大于0.050，SAR模型的p值接近于0，故在该地区采用SEM模型；
而中部和西部地区的p值都接近于0，为此，在这两个地区使用SDM模型，其中，SDM模型具体表达为

lnCit=ρ∑WijlnCjt+β1ln FDIit+β2ln POPit+

β3ln PGDPit+β4lnHCit+β5ln OPENit+

β6ln INFRAit+β7lnISit+β8∑Wijln FDIit+

β9∑Wijln POPit+β10∑Wijln PGDPit+

β11∑WijlnHCit+β12∑Wijln OPENit+

β13∑Wijln INFRAit+β14∑WijlnISit+

ui+ξt+εit

(12)

表4给出了公式(12)的回归结果，其中，第2，5列为东部的回归结果，第3，6列为中部回归结果，第4，7列为西部回归结果。

表4 东中西区域FDI对碳排放空间计量估计结果

表4 (续)

从表4可以发现，东部和中部地区FDI的系数显著为负，说明FDI的大量引入能够显著降低我国东部和中部地区的碳排放。其主要原因是较发达的东、中部地区在引入FDI时充分考虑了外资的质量，不仅从量的角度还从质的角度对待外资引入问题。相比较而言，西部地区FDI估计系数显著为正，表明FDI的流入导致该地区碳排放增加。这主要是西部大开发战略在促进西部经济快速发展的同时，也不可避免地导致了这些地区碳排放量的增加。不难发现，新疆逐渐成为碳排放高地，而LISA图中新出现的新疆“高-低”碳排放也证实了这一点。

总之，从省级层面来看，FDI总体来说对我国碳排放量有抑制作用。从地区层面来看，发达地区的FDI对碳排放量有一定的抑制作用，而相对落后的西部，FDI对碳排放量未起到一定的抑制作用。

(一)研究结论

基于2001—2019年我国30个省级行政区域(西藏和港澳台除外)面板数据，本研究不仅考察了我国碳排放量的空间相关性和集聚效应，还研究了FDI对我国碳排放量的影响关系。其中，碳排放空间集聚分析结果表明：第一，2001—2019年19年间我国30个省区市的碳排放存在显著的空间正相关。第二，碳排放的集群中高-高型碳排放集中在山东、辽宁、河南、河北等中东部地区，低-低型碳排放集中在云南、四川、青海、贵州等中西部地区。而FDI对碳排放影响的实证分析表明：第一，从省级层面来看，FDI对我国碳排放具有显著的降低作用，且在SAR模型中，邻接空间权重和地理距离空间权重下，当其他变量保持不变时，FDI扩大一倍，二氧化碳排放量将分别减少5.03%，4.56%。第二，从地区层面来看，FDI在东中部地区的系数均为负值，且都显著，而西部地区的系数为正，即西部地区的碳排放随着FDI的引进有所增长，说明FDI对我国碳排放的影响存在区域异质性。

然而，数据来源的局限性导致目前的分析中未涉及西藏和港澳台，因此，未来的研究可以考虑将西藏和港澳台的数据结合进来探讨。另外，在空间面板模型中，可以借助分位数回归，从而在不同的分位数水平下考察FDI对碳排放的影响。

(二)政策建议

为了更好地帮助我国完成“十四五”规划碳减排目标，实现2030年二氧化碳排放达峰目标和2060年碳中和愿景任务，基于研究结论，提出以下政策建议。第一，高质量地引入外资，形成长效闭环发展。对于高污染高耗能的产业应当限制引入，而对于一些绿色环保的新兴产业应当积极引入。此外，要加强引入后的用资考核和治理，进一步吸引优质外资进入，从而形成长效闭环发展，激发FDI在碳排放绩效中的积极作用。第二，差异化地引入外资，推动区域协调发展。由于我国仍然存在相当明显的区域经济差异，企业应当提高技术水平，从而促进经济发展，可以根据地区异质性调整引资策略。西部地区经济发展相对落后，在西部大开发战略的推进过程中，可以选择具备先进的生产技术、管理经验以及环保理念的FDI，从而提高西部环境质量。第三，抓住“十四五”重要机遇期，有序推动绿色低碳发展。“十四五”时期是实现碳达峰碳中和目标的重要机遇期，一方面要健全碳排放数据质量管理长效机制，制定生态考核办法及其实施细则并开展考核试点，另一方面也要关注中心省区市碳排放的溢出效应，通过区域碳排放治理政策协同，减少高排产业向邻近省区市转移。

猜你喜欢省区市象限排放量勘 误现代食品科技(2022年8期)2022-09-02复数知识核心考点综合演练中学生数理化·高一版(2022年3期)2022-04-05饲粮蛋白质水平对妊娠期云南半细毛羊氮平衡和养分排放的影响动物营养学报(2022年3期)2022-03-30天然气输配系统甲烷排放量化方法煤气与热力(2021年6期)2021-07-28复课华人时刊·校长(2020年4期)2020-12-28常数牵手象限畅游中考初中生学习指导·提升版(2020年10期)2020-09-10西部10省区市谋划开发新格局领导决策信息(2018年7期)2018-05-22减贫成效显著 安徽等8省份获中央32亿元奖励人民周刊(2017年11期)2017-08-02平面直角坐标系典例分析中学生数理化·七年级数学人教版(2017年4期)2017-07-0850%，全球最富有的10%人口碳排放量占全球一半中国国情国力(2016年1期)2016-11-26

推荐访问:中国 外商 计量