電網拓撲結構引致二氧化碳減排的空間溢出機制

王斌+傅強

摘要本文以碳排放指標的省際空間相關性為基礎，揭示省際高壓電網互聯(lián)結構對碳排放指標空間相關性的影響機理。依據(jù)1998—2014年中國30省份高壓電網省間聯(lián)絡線的投運時序構建空間權重矩陣，以反映省間能源設施互聯(lián)的緊密程度。使用動態(tài)空間杜賓面板模型克服靜態(tài)空間面板模型的忽略變量偏誤；以內生變量的滯后一期為代理變量克服內生性偏誤。同時，采用反事實計量的方法分析《大氣污染防治計劃》配套的12條在建高壓線路投運后對碳排放指標的影響。研究結果發(fā)現(xiàn)：①高壓電網互聯(lián)使得各連接省份間的碳排放指標呈現(xiàn)出空間同質性的特點，拉高低碳排放省份碳排放指標的同時，有助于高碳排放省份碳排放指標的降低。②高壓電網互聯(lián)后，能源強度降低對減少碳排放指標起著關鍵作用；12條在建高壓線路投運后，省間碳排放指標的空間相關性進一步增強，能源強度改善對碳排放指標降低的重要性進一步突顯；同時，提升電力占比與改善產業(yè)結構也對減少碳排放指標起著重要作用。這不僅實現(xiàn)了省際碳排放指標空間相關性機理分析的方法創(chuàng)新，還為能源基礎設施互聯(lián)政策對節(jié)能減排的影響提供了計量測算方法。

關鍵詞電網拓撲結構；空間權重矩陣；動態(tài)空間杜賓模型；空間溢出效應

中圖分類號F062.4

文獻標識碼A文章編號1002-2104（2018）02-0077-09DOI：10.12062/cpre.20170418

電能具有清潔、安全、便捷等優(yōu)勢，實施電能替代對于推動能源消費革命、落實國家能源戰(zhàn)略、促進能源清潔化發(fā)展意義重大，是提高電煤比重、控制煤炭消費總量、減少大氣污染的重要舉措。為此，國家電網公司提出建設以特高壓電網為骨干網架，全球互聯(lián)的智能電網作為全國范圍大規(guī)模開發(fā)、配置、利用清潔能源的基礎平臺，通過電能大規(guī)模輸送的方式，促進一次能源向電能轉化，減少二氧化碳排放。國家能源局于2016年9月份批復建設12條輸電通道，包含4條特高壓交流工程（1 000 kV）、5條特高壓直流工程（±800 kV）與3條500 kV高壓交流工程線路，作為《大氣污染防治行動》的配套政策，對通過高壓電網互聯(lián)以促進全國節(jié)能減排的目標寄予厚望。那么強化全國高壓電網的互聯(lián)是否有助于全國碳排放量的減少？現(xiàn)有的高壓電網結構如何影響省間碳排放的空間交互效應？地理鄰接的省間高壓交流電網互聯(lián)和跨越省份地理鄰接的高壓直流電網互聯(lián)如何促進碳排放量的減少？以上問題是全球能源網戰(zhàn)略亟需面對的三個問題。本文使用動態(tài)空間杜賓面板模型，根據(jù)省間高壓電網互聯(lián)的時間順序和拓撲結構構建空間權重矩陣，據(jù)此對中國碳排放問題進行量化分析，為相關政策的制定提供理論依據(jù)。

1文獻綜述

Enrlish[1]等首先提出IPAT模型，量化了人口（P）、富裕程度（A）與技術（T）對環(huán)境（I）的影響。Dietz[2]等在此基礎上考慮了影響因素的不同彈性系數(shù)與隨機效應，提出了STIRPAT模型，將回歸分析應用于環(huán)境影響研究。Ehlorst[3]指出，如果研究對象的空間自相關性確實存在，但在研究中被忽略，則會導致對其他解釋變量系數(shù)的估算發(fā)生偏誤。程葉青[4]等分別采用空間自回歸模型（SLM）、空間誤差模型（SEM）與空間杜賓模型（SDM）對中國各省能源碳排放強度進行回歸分析，發(fā)現(xiàn)中國各省區(qū)碳排放強度既存在空間自相關性又存在誤差空間自相關性，適合采用SDM模型，考慮空間交互相應后，能源強度、能源結構、產業(yè)結構與城市化率是影響碳排放強度時空格局演變的主要因素且具有較顯著的空間自相關性和空間溢出效應。馬大來[5]等研究發(fā)現(xiàn)SEM模型有更好的擬合效果，中國省際碳排放效率不僅存在著空間依賴性的特征，同時也具有空間異質性的特征，經濟規(guī)模、工業(yè)結構和能源消費結構對碳排放效率的提升有負向影響，而對外開放、企業(yè)所有制結構和政府干預對碳排放效率的提升有正向影響。付云鵬[6]等以STIRPAT模型為基礎，利用SLM模型對中國碳排放強度的影響因素進行回歸分析，發(fā)現(xiàn)碳排放強度存在明顯的空間自相關，人口結構、能源強度、能源結構和產業(yè)結構是區(qū)域碳排放強度的重要影響因素。

以上文獻表明，中國區(qū)域碳排放的空間相關性普遍存在且對區(qū)域碳排放的演化與分析必不可少，但是上述研究還存在兩個問題：一是均采用靜態(tài)空間面板模型，缺乏對碳排放空間效應的動態(tài)分析，忽略了碳排放滯后項與滯后期空間自相關項對碳排放指標的影響，可能導致忽略變量偏誤；二是僅僅利用了省間地理位置的鄰接關系設置空間鄰接矩陣，描述碳排放指標的空間相關性，缺乏有效的基礎設施載體，無法對這種地理位置鄰接關系產生空間相關性的原因及作用機理進行深入分析并提出改變空間相關性的政策措施。

動態(tài)空間面板模型解釋變量中含有被解釋變量的滯后一期、空間自相關項與滯后一期的空間自相關項，導致同時存在內生性問題與空間自相關問題，對無偏估計帶來了一定的困難。Elhorst[7]比較了GMM、混合ML/BCLSDV與混合GMM/BCLSDV方法的動態(tài)空間面板模型的估算結果，指出GMM方法對空間相關項系數(shù)的估算在大N小T型的面板數(shù)據(jù)中存在嚴重的偏誤，大N小T的面板數(shù)據(jù)在N小于500的條件下適宜采用混合ML/BCLSDV方法。Elhorst[8]采用此修正方法研究62個國家1979—2005年的金融改革問題，得到的結論與Abiad[9]等人顯著不同，由于其對系數(shù)的估計是無偏且一致的，故其研究結果更為穩(wěn)健。可見，采用動態(tài)空間面板模型不僅能夠更為有效地估算研究對象的空間相關性，還能通過對動態(tài)效應和滯后一期空間自相關性的估算更準確地描述各影響因素的直接效應與間接效應，具有廣闊的應用前景。

劉振亞[10-11]提出中國未來電網主干網具有大容量、遠距離、大規(guī)模交直流并列運行與受端多直流集中饋入的特點，進一步提出全球能源互聯(lián)網戰(zhàn)略，倡導煤炭、天然氣、石油、太陽能、風能等一次能源將電網作為能源傳輸?shù)妮d體，大規(guī)模地開發(fā)和利用清潔能源，減少二氧化碳的排放。隨著電力體制改革的深入，電網公司將退出購售電市場，只負責輸配電網的建設與維護，電網將進一步向社會開放，電網拓撲結構對能源生產和使用將起到更大的作用，從而對二氧化碳排放產生深刻的影響。特高壓/高壓直流輸電線路使得中國各省份實現(xiàn)了跨區(qū)域的電網連接，空間鄰接矩陣不再受限于省份間地理位置是否相鄰的影響。地理位置間隔較遠的省份可以通過特高壓/高壓直流輸電線路建設，在業(yè)已形成的電網拓撲結構的基礎上對空間權重矩陣進行修改，以利于碳排放指標的減少。因此，研究如何通過高壓電網建設改變空間權重矩陣從而改變碳排放指標的空間溢出關系有重要的學術價值和現(xiàn)實意義。endprint

本文根據(jù)高壓交流/直流線路建設時序，結合現(xiàn)有電網拓撲結構，構建空間權重矩陣，評價碳排放指標的空間溢出效應；應用動態(tài)空間杜賓面板模型，對各省份碳排放指標與其影響因素進行回歸分析，更全面地反映各影響因素對碳排放的直接效應和間接效益；在動態(tài)空間回歸的基礎上，研究建設中的高壓交流/直流線路對空間權重矩陣的影響，以反事實計量的方法反映在建和規(guī)劃的特高壓交流/直流線路對碳減排指標空間溢出關系的影響。

2動態(tài)空間杜賓面板計量模型

2.1空間權重矩陣的設置

空間權重矩陣反映研究對象在地理空間中的相互影響，是空間計量區(qū)別于傳統(tǒng)計量方法的基礎。由于空間權重矩陣W必須為常數(shù)陣，而電力線路的建設與投運具有時序性，使得電網的拓撲結構呈現(xiàn)隨時間變化的特點，即新建線路的投運導致電網拓撲結構改變。如果按傳統(tǒng)的方法對W進行賦值，線路投運年前后會得到不同的空間權重矩陣。為解決此問題，本文提出了基于電力線路投運時間的空間權重矩陣綜合賦值法，如t年m月有新線路投運，該線路連接省份i與省份j，則W中的i行j列元素賦值為：

Wij=yrmax-yrt

yrmax-yrmin+

12-m12·（yrmax-yrmin+1）

（1）

其中，yrmax表示研究時期的末年，yrmin表示研究時期的開始年份，yrt表示線路投產年份，m表示線路投產月份。模型（1）中的wij為0至1之間的值，越接近于1表示線路投產時期越早，對兩省之間的空間溢出效應貢獻越高；越接近于0表示線路投產時間越晚，對兩省間的空間溢出效應貢獻越低。如電力線路在yrmin年1月前投運，則相應位置賦值為1；如在yrmax年12月還未投運，則相應位置賦值為0。完成賦值后再將空間權重矩陣W行/列標準化，用于動態(tài)空間計量分析。同時，為實現(xiàn)分年度的全局MoranI指標分析與Moran散點圖的繪制，定義各年度的空間權重矩陣W為：

（Wij）y=1，y年1月前省份i與省份j之間有電力線路相聯(lián)；

（Wij）y=0，y年1月前省份i與省份j之間無電力線路相聯(lián)。

（2）

2.2碳排放影響因素理論模型

STIRPAT模型是碳排放指標分析的理論基礎：I=aPbAcTde，其中a為常數(shù)項，e為殘差項，表示隨機影響，I、P、A與T分別表示碳排放指標、人口、人均財富與技術。本文采用人口規(guī)模、城市化水平表示P的影響，人均GDP表示A的影響，產業(yè)結構、能源強度、能源結構與R&D研發(fā)投入表示T的影響，同時根據(jù)已有研究成果選取對外開放程度、外商直接投資作為控制變量，擴展STIRPAT，兩邊取對數(shù)為：

lnIit=αi+β1lnPopit+β2lnURBit+β3lnPGDPit+β4lnISit+β5lnEIit+β6lnECSit+β7lnRDit+β8lnTRit+β9lnFDISit+eit（3）

下標i、t分別表示相關省份與時間。Pop為人口規(guī)模，URB為城市化率，PGDP為人均GDP，IS為產業(yè)機構，EI為能源強度，ECS為電力占比，RD為科研投入占比，TR為進出口貿易額占比，F(xiàn)DIS為FDI存量。考慮碳排放指標的動態(tài)空間相關效應后，擴展為動態(tài)空間杜賓模型（DSDM）：

lnIt=μ+αtlN+τlnIt-1+ρWlnIt+ηWlnIt-1+βkln（Xt）k+γkWln（Xt）k+et（4）

τ表示碳排放指標滯后一期的彈性系數(shù)，ρ與η分別表示碳排放指標與其滯后一期的空間自相關項的彈性系數(shù)，W為標準化后的空間權重矩陣。μ=（μ1，μ2，…，μN）表示個體效應，αt表示時間效應，lN為N×1單位向量，（Xit）k表示k個控制變量，為N×k列矩陣，N表示研究省份數(shù)量，k為控制變量個數(shù)。e=（e1，e2，…，eN）為殘差項。Elhorst[7]指出，對于大N小T型的空間面板數(shù)據(jù)，τ+ρ+η<1則指標穩(wěn)定，τ+ρ+η≥1則需對碳排放指標空間差分處理后在進行動態(tài)空間分析。

常用的空間面板模型中，可以在滿足一定假設的情況下將空間杜賓模型（SDM）簡化為空間自回歸模型（SLM）（γk=0），與空間誤差回歸模型（SEM）（ρ+γkβk=0）。方程（5）同理可以轉化為動態(tài)空間自回歸模型與動態(tài)空間誤差回歸模型。

Lesage[12]等提出使用矩陣（I-ρW）-1（βkIN+γkW）對角線元素的平均值表示直接效應，非對角線元素的行/列元素之和表示間接效應，采用多變量正態(tài)分布模擬最大似然函數(shù)，以評估直接效應與間接效應在統(tǒng)計上的顯著性。

3碳排放動態(tài)空間效應的實證分析

3.1變量說明與數(shù)據(jù)來源

本文選取除西藏和港澳臺地區(qū)外的中國30個省份1998—2014年數(shù)據(jù)作為研究對象，數(shù)據(jù)的具體選取與處理方法為：

（1）碳排放指標（I）：采用碳排放強度與人均碳排放量表示，前者以碳排放量除以GDP值表示，后者以碳排放量的人均值表示，采用付云鵬等[9]的方法估算。

（2）空間權重矩陣（W）：以國家電網公司和中國南方電網公司2014年《電網運行方式報告》中的電網拓撲圖為基礎，找出省間500 kV以上的電力線路聯(lián)絡線。根據(jù)聯(lián)絡線路，從歷年《中國電力統(tǒng)計年鑒》中的重大工程部分找出省間最早投運線路的投運日期，按照公式（2）對空間權重矩陣進行賦值，再對權重矩陣進行標準化處理。

（3）人口規(guī)模（Pop）：取自wind數(shù)據(jù)庫。

（4）城市化率（URB）：采用歷年各省城鎮(zhèn)化率數(shù)據(jù)表示。2005—2014年數(shù)據(jù)來源于《中國統(tǒng)計年鑒》，2001—2004數(shù)據(jù)參考周一星等[14]，采用聯(lián)合國法利用2000和2005年數(shù)據(jù)修訂得到，1998—2000數(shù)據(jù)則直接采用其修訂值。endprint

（5）人均GDP（PGDP）：各省GDP數(shù)據(jù)來自歷年《中國統(tǒng)計年鑒》，按GDP價格平減指數(shù)統(tǒng)一折算為2014年價，與人口規(guī)模數(shù)據(jù)相除得到。

（6）產業(yè)結構（IS）：采用第二產業(yè)增加值占GDP的比重表示，取自《中國統(tǒng)計年鑒》。

（7）能源強度（EI）：以各省能源消耗總量與區(qū)域生產總值的比值表示，數(shù)據(jù)取自《中國能源統(tǒng)計年鑒》。

（8）電力占比（ECS）：采用各省電力在能源消費中的占比表示。數(shù)據(jù)來自《中國能源統(tǒng)計年鑒》，統(tǒng)一折算為標準煤。

（9）R&D研發(fā)水平（RD）：考慮到用R&D研發(fā)支出主要列入成本進行核算，故采用流量數(shù)據(jù)衡量。用各省份歷年R&D投入占GDP比重表示。2000年及以后的數(shù)據(jù)來自《中國科技統(tǒng)計年鑒》，1998—1999年的數(shù)據(jù)用科技投入數(shù)據(jù)替代。

（10）對外貿易水平（TR）：采用各省進出口總額與GDP的比值表示，數(shù)據(jù)來自國家統(tǒng)計局網站國家數(shù)據(jù)庫。

（11）FDI存量（FDIS）：用永續(xù)盤存法估算：FDISit=（1-δ）FDISi，t-1+FDIit/Iit，F(xiàn)DIit為時期t省份i的實際利用外商直接投資額，用當年平均匯率轉換為人民幣計價。參照單豪杰[15]，折舊率δ取10.6%，Iit表示時期t省份i的固定資產投資價格指數(shù)。數(shù)據(jù)來自《新中國六十年統(tǒng)計資料匯編1949—2008》和《中國統(tǒng)計年鑒》，采用Iit折算為2014年價。

3.2碳排放指標的空間相關性分析

全局空間相關性：據(jù)方程（2）的方法分年度對空間權重矩陣賦值，將其標準化以計算中國省際碳排放強度、人均碳排放量的全局Morans I指數(shù)，結果如圖1所示。1998—2014年間中國省際碳排放強度的全局Morans I指數(shù)（Morans I（1））在5%的顯著性水平上均為正值，總體上呈現(xiàn)出逐年遞增的趨勢，說明中國各省間的電力線路是一種有效的碳排放強度溢出渠道。由于各年份的全局Morans I指數(shù)均為正，說明高壓電力線路的布局對碳排放強度的空間分布格局有很強的影響，有電力線路連接的

省份，碳排放強度趨于一致。同理，人均碳排放量也遵從高壓電力線路拓撲結構的分布，呈現(xiàn)出高度的空間正相關性。

局部空間相關性：根據(jù)方程（2）的方法分年度對空間權重矩陣賦值，可以得到1998年、2006年、2014年的碳排放強度Moran散點圖。隨著電網拓撲結構的加強，落于第一、三象限，呈現(xiàn)空間同質性的省份越來越多。1998年，由于新疆、青海、山東、海南和福建電網為孤網運行（電網與其他省份不相聯(lián)），故其Moran散點圖位于橫坐標軸上（空間相關性為0）；到2006年，只剩新疆、海南電網呈現(xiàn)孤網運行，故橫坐標上只剩下兩個點；到2014年初，所有省份的電網均與其他省份相聯(lián)，不再有省份落于橫坐標軸上，除個別省份有空間異質性的特點外，大部分省份均呈現(xiàn)空間同質性的特征。

根據(jù)方程（2）的方法分年度對空間權重矩陣進行賦值，得到1998年、2006年、2014年的人均碳排放量Moran散點圖。落于橫坐標的省份變化情況與碳排放強度的情況相同，但是人均碳排放量的Moran散點圖中落于空間異質性區(qū)間的省份略多于碳排放強度。

可見，電網拓撲結構對各省份的局部空間相關性有顯著的影響，電網拓撲結構隨時間越強，碳排放指標呈現(xiàn)空間同質性的省份越多。將一次能源豐富且碳排放指標不高的中西部地區(qū)與一次能源相對匱乏且碳排放指標較高的東部負荷中心省份相聯(lián)，可以通過空間同質性控制東部省份的碳排放指標。

3.3實證分析結果

3.3.1碳排放強度及影響因素的動態(tài)空間分析

由于本文解釋變量屬于大N小T型的面板數(shù)據(jù)，故采用Levin等[13]提出的面板單位根檢驗方法對本文9個解釋變量進行穩(wěn)定性檢驗，發(fā)現(xiàn)均穩(wěn)定，不存在偽回歸問題。

現(xiàn)有的空間計量方法，集中于空間自相關項的系數(shù)處理與修正[7-8]，而對可能同時存在的解釋變量內生性問題缺乏有效的處理方法。本節(jié)使用Davidsonmackinon方法對解釋變量的內生性進行檢驗，對存在內生性的解釋變量使用其滯后一期值代替原變量進行動態(tài)空間回歸分析，以得到更為穩(wěn)健的結果。

內生性檢驗：在不計及動態(tài)空間相關性的前提下，采用Davidsonmackinon的解釋變量內生性檢驗方法。原假設分別為人口規(guī)模、城市化率、人均GDP、產業(yè)結構、能源強度、電力占比、R&D研發(fā)水平、對外貿易水平與FDI存量的對數(shù)值均與干擾項不相關（即解釋變量是外生變量），分別使用各解釋變量的滯后1至8階作為其工具變量，得到Davidsonmackinon檢驗統(tǒng)計量分別為：4.56、0.77、0.76、0.88、6.38、0.79、0.48、1.16與0.00，對應的P值分別為0.03、0.38、0.39、0.35、0.01、0.37、0.49、0.28、1.00；表明人口規(guī)模、能源強度對數(shù)值的外生性假設被拒絕，此兩變量存在內生性問題，其余解釋變量均可作為碳排放強度的外生變量。

按照方程（1）的方法，根據(jù)全國高壓電網拓撲結構對空間權重矩陣W進行賦值，由于W的賦值已充分考慮了時間效應，故不再對時間效應進行分析。首先，采用空間Hausman檢驗方法對空間隨機效應模型和空間固定效應模型進行選擇，檢驗結果均選擇空間固定效應模型。由于SLM模型、SEM均與SDM模型存在嵌套關系（nested model），采用Wald檢驗與LR（似然比）檢驗方法對靜態(tài)空間面板模型的形式進行選擇，并在此基礎上進行動態(tài)空間面板模型分析。SDM模型可以被簡化為SLM模型的原假設H0：γk=0，Wald檢驗值為22.66，拒絕原假設；LR檢驗值為23.35，拒絕原假設。Wald檢驗與LR檢驗的結果均支持SDM模型。SDM模型可以被簡化為SEM模型的原假設H0：ρ+γkβk=0，Wald檢驗與LR檢驗的結果均支持SDM模型。endprint

將SDM模型動態(tài)化得到DSDM模型，估算其直接/間接效應，結果如表1所示。由于碳排放強度面板數(shù)據(jù)是大N小T型的形式，故采用Elhorst[8]的方法判斷其穩(wěn)定性。原假設為碳排放強度空間自相關項、滯后一期項與滯后一期空間自相關項的系數(shù)之和為1，構造Wald統(tǒng)計量R′inv（var cov）R，R=τ+ρ+η-1，varcov為動態(tài)面板回歸中τ、ρ與η對應的協(xié)方差矩陣。該方程中τ+ρ+η=-0.119，Wald檢驗值為6.147，為1的顯著性水平低于5%，表明考慮動態(tài)空間效應后，經過對數(shù)化處理的碳排放強度數(shù)據(jù)穩(wěn)定。同時，由于各解釋變量均穩(wěn)定，故動態(tài)空間回歸結果不存在偽回歸問題。

直接/間接效益：為了檢驗解釋變量直接、間接與總效應的顯著性，采用Lesage[12]的多變量正態(tài)分布法模擬最大似然函數(shù)，得到解釋變量各系數(shù)的模擬值，再使用t統(tǒng)計量判斷其顯著性。為保證結果的穩(wěn)健性，模擬次數(shù)設為10 000次，結果如表1所示。

碳排放強度空間自相關項的系數(shù)為0.186，為零的顯著性水平小于1%，表明通過高壓電網互聯(lián)省份的碳排放強度正相關，高壓電力線路的建設引致碳排放強度空間正向溢出。考慮到高壓電網電力潮流主要是由中西部的能源生產省份流向東部、中部的負荷中心省份，而中西部省份的碳排放強度相對于東部較低，因此東部負荷中心碳排放強度會隨著與中西部省份高壓電網的互聯(lián)而降低，高壓電網聯(lián)網的方式引起了碳排放強度的空間轉移。

人口規(guī)模的彈性系數(shù)為0.067，為零的顯著性水平高于10%，直接效應不顯著。通過高壓電網的空間溢出影響后，人口規(guī)模總效應的彈性系數(shù)為0.467，為零的顯著性水平低于1%，表明本省份人口規(guī)模每上升1%，則碳排放強度上升0.467%。這是因為通過全國范圍的高壓電網互聯(lián)，使得能源的生產實現(xiàn)了全國性的區(qū)域優(yōu)化配置，本省份的人口規(guī)模增加雖然不能直接提升本省份的碳排放強度，卻使得能源生產省份的能源產量增加，碳排放強度上升，由于高壓電網互聯(lián)省份碳排放強度變化的空間同質性，使得本省份的碳排放強度上升。

城市化率的彈性系數(shù)為0.283，為零的顯著性水平低于1%，直接效應顯著。通過高壓電網的空間溢出影響后，城市化率總效應的彈性系數(shù)為0.249，為零的顯著性水平低于10%，表明本省份的城市化率每上升1%，碳排放強度增加0.249%。可見，城市化率變化對碳排放強度的

直接效應顯著，間接效益不顯著，總效應的統(tǒng)計顯著性較弱。這是因為城市居民相對于農村居民，其生產、生活產生的碳排放強度較高；隨著省間人口自由流動，人口輸入省份的城市化率提升抑制了人口流出省份的城市化率的上升，從而使得間接效應不顯著。

人均GDP的彈性系數(shù)為-0.199，為零的顯著性水平低于1%，直接效應顯著。通過高壓電網的空間溢出影響后，人均GDP總效應的彈性系數(shù)變?yōu)?0.243，為零的顯著性水平低于1%，表明本省份的人均GDP每升高1%，碳排放強度下降0.243%。人均GDP提高對碳排放強度的直接效應顯著，間接效應不顯著。這是因為中國經濟的

發(fā)展方式逐步由粗放型轉向更注重科技與技術進步的集約型；同時，各省政府對碳排放強度降低的重視程度進一步提高，通過各項政策逐步淘汰碳排放強度較高的落后產業(yè)，積極引入對環(huán)境更為友好的新興產業(yè)，使得經濟增長過程中碳排放強度進一步降低。

產業(yè)結構的彈性系數(shù)為0.235，為零的顯著性水平低于1%，直接效應顯著；間接效應的彈性系數(shù)為0.397，為零的顯著性水平低于1%；總效應的彈性系數(shù)為0.652，為零的顯著性水平低于1%。表明各省第二產業(yè)占比每提升1%，其碳排放強度增加0.652%，高壓電網溢出的間接效益高于直接效應。這是因為第二產業(yè)單位GDP所消耗的能源遠高于第三產業(yè)，其占比提升直接導致本省份的碳排放強度增加；又由于各省份的第二產業(yè)占比增加，必然使得第二產業(yè)向其他省份外溢，由于全國標桿電價使得各省份用電成本差別較小，高壓電網又為這種產業(yè)轉移提供了能源保障，故其間接效應顯著。

能源強度的彈性系數(shù)為0.271，為零的顯著性水平低于1%，考慮電網拓撲結構的影響后，總效應的彈性系數(shù)為1.100，為零的顯著性水平低于10%，表明本省份能源強度下降1%，碳排放強度下降1.1%，能源強度的間接效益的彈性系數(shù)遠高于直接效應，降低各省份的能源強度能大幅減少碳排放強度。這是因為本省份能源利用效率的提升固然能降低自身的碳排放強度，也能通過全國高壓電網的空間溢出效應緩解能源生產基地的壓力，從而降低其碳排放強度，碳排放強度的空間同質性又進一步使得自身的碳排放強度降低?？梢?，高壓電網互聯(lián)的同時必須輔以關閉小型火力電廠、鼓勵大型火力發(fā)電廠建設，鼓勵可再生能源利用等能源效率提升的相關政策，才能更好地改善碳排放強度。

電力占比的彈性系數(shù)為-0.479，為零的顯著性水平低于1%，考慮高壓電網拓撲結構的影響后，電力占比總效應的彈性系數(shù)為-0.493，為零的顯著性水平低于1%，表明電力占比提升對碳排放強度降低的直接效應顯著，間接效應不顯著，但總效應的彈性系數(shù)略高于直接效應。因此，強化全國高壓電網互聯(lián)的同時，提升各省份電力在能源消費中的占比，能更好地發(fā)揮全國聯(lián)網的優(yōu)勢，從總體上降低碳排放強度。

從R&D研發(fā)水平與對外貿易水平的彈性系數(shù)及其顯著看，其變化對能源強度的影響不明顯。

3.3.2人均碳排量及影響因素的動態(tài)空間分析

本文同時以人均二氧化碳排放量表示碳排放指標，應用動態(tài)空間面板模型進行回歸分析，更全面地反映電網拓撲結構對碳排放指標的影響。同理使用Davidsonmackinon方法對解釋變量的內生性進行檢驗，對存在內生性的解釋變量使用其滯后一期值進行動態(tài)空間回歸分析，以得到更為穩(wěn)健的結果。

內生性檢驗：在不計及動態(tài)空間相關性的前提下，采用Davidsonmackinon方法檢驗解釋變量是否存在內生性問題。原假設分別為人口規(guī)模、城市化率、人均GDP、產業(yè)結構、能源強度、電力占比、R&D研發(fā)水平、對外貿易水平與FDI存量的對數(shù)值均與干擾項不相關（即解釋變量是外生變量），分別使用各解釋變量的滯后1至8階作為其工具變量，得到各自Davidsonmackinon檢驗統(tǒng)計量分別為：5.14、0.80、1.41、1.44、4.51、0.60、0.57、2.58與0.01，對應的P值分別為0.02、0.37、0.24、0.23、0.03、0.44、0.45、0.11與0.92；表明人口規(guī)模、能源強度對數(shù)值的外生性假設被拒絕，存在內生性問題，其余解釋變量均可作為人均碳排放量的外生變量。endprint

根據(jù)全國高壓電網拓撲結構對空間權重矩陣W進行賦值，同理不再對時間效應進行分析。采用空間Hausman檢驗方法對空間隨機效應模型和空間固定效應模型進行選擇，采用Wald檢驗與LR（似然比）檢驗方法對靜態(tài)空間面板模型的形式進行選擇。檢驗結果顯示，應選擇固定效應的SDM模型。將SDM模型動態(tài)化得到DSDM模型，估算其直接/間接效應。人均碳排放量空間自相關項、滯后一期項與滯后一期空間自相關項的系數(shù)之和為-0.538，Wald檢驗值為47.03，為1的顯著性水平低于1%，表明考慮動態(tài)空間效應后，經過對數(shù)化處理的人均碳排放量數(shù)據(jù)穩(wěn)定。由于各解釋變量均穩(wěn)定，故動態(tài)空間回歸結果不存在偽回歸問題。

回歸結果顯示，人均碳排放量的空間自相關項系數(shù)與碳排放強度的空間自相關項系數(shù)符號相同，大小相近；同時，人口規(guī)模、城市化率、產業(yè)結構、能源強度、電力占比的彈性系數(shù)對人均碳排放量的影響與其對碳排放強度的影響極為相似。這表明，不論以碳排放強度還是人均碳排放量衡量碳排放指標，用電網拓撲結構為基礎構造的空間權重矩陣使用動態(tài)空間面板模型進行分析，得到的結論較為一致。

人均GDP對碳排放強度的影響與其對人均碳排放量的影響不同。人均GDP每上升1%，人均碳排放量上升0.854%，直接效應顯著；考慮電網拓撲結構的空間溢出效應后，人均GDP每上升1%，人均碳排放量上升1.576%，且結果均高度可靠。但是，人均GDP對碳排放強度的彈性系數(shù)為負，總效應的彈性系數(shù)也與之相反。這是由于人均碳排放量主要反映的是碳排放量絕對值的影響，而碳排放強度反映每萬元GDP產出所產生的碳排放量。經濟發(fā)展方式轉為能源集約型后，碳排放強度隨著經濟發(fā)展水平的提高而下降，但是其絕對值仍然是增加的，反映為人均碳排放量隨著經濟發(fā)展水平的提高而上升。

3.3.3不同電網拓撲結構對碳排放指標的影響

作為《大氣污染防治行動》的配套政策，國家能源局于2014年5月發(fā)布《國家能源局關于加快推進大氣污染防治行動計劃12條重點輸電通道建設的通知》。由于此12條在建線路均在2014年后陸續(xù)開工，對碳排放指標的影響效果無法評估，故采用反事實計量的方法，假設其在1998年已建成投運，據(jù)此修改空間權重矩陣，使用動態(tài)空間杜賓面板模型進行回歸分析。將回歸結果與原空間權重矩陣的回歸結果進行比對分析，識別出12條在建輸電線路對碳排放指標的影響。

內生性檢驗的結果顯示人口規(guī)模與能源強度為內生變量，其他解釋變量為外生變量。假設12條在建線路在1998年前投運，其動態(tài)空間回歸結果如表2所示。加入12條線路后，碳排放強度的空間自相關項系數(shù)變?yōu)?.166，低于未加入12條線路前的0.186，表明12條在建電力線路后，由于采用反事實計量方法所使用的指標數(shù)據(jù)未變，各省份間碳排放強度的同期空間正相關性減弱。這是因為雖然采用反事實計量的方法修改了空間權重矩陣，但是碳排放強度數(shù)據(jù)依然是權重矩陣修改前的數(shù)據(jù)，故空間正相關性的減弱不是12條在建線路加入后的結果，但是加入高壓電力線路可以影響碳排放強度空間相關性的結論是成立的。觀察人均碳排放量空間自相關項的系數(shù)變化可以得到相似的結論。

碳排放強度：與表1的結果相比，能源強度間接效應與總效應的彈性系數(shù)大幅增加，表明加入12條在建線路加強電網結構后，本省份能源強度下降的空間溢出效應大為增強，通過高壓電網相聯(lián)省份的碳排放強度大幅下降，使得總效應的彈性系數(shù)大幅增加。因此，通過高壓線路的新建使得電網結構加強后，能源效率的提升對碳排放強度的下降變得更為關鍵，《大氣污染防治計劃》必須配套能源效率提升政策才能發(fā)揮出大規(guī)?？缡‰娋W建設的效果。

電力占比的彈性系數(shù)與其總效應的彈性系數(shù)與加入12條線路前相比略微增加，表明省間電網聯(lián)系越強，提升電力占比越能改善碳排放強度。提升電力占比應成為各省份改善碳排放強度的一項重要措施。

人口規(guī)?？傂膹椥韵禂?shù)顯著增加，產業(yè)結構的彈性系數(shù)與其總效應的彈性系數(shù)略微增加，人均GDP的彈性系數(shù)與其總效應的彈性系數(shù)變化不大。表明通過12條線路加強電網結構后，碳排放強度對人口規(guī)模的增加更為敏感，第二產業(yè)占比提升對碳排放強度的影響與加入12條在建線路前變化不大，而人均GDP的變化對碳排放強度的影響與電網強化前的水平相當。

人均碳排放量：與表1的結果相比，加入12條線路后，能源強度的間接效應大幅增加，導致總效應大幅增加。說明電網拓撲結構加強后，通過高壓電力線路相聯(lián)的各省份之間的能源生產與消費的一體化效應得到增強。本省份能源強度的增加，會通過電網拓撲結構影響到其他省份，省份之間的電網聯(lián)系越強，空間溢出的間接效應越顯著，從而使得能源強度總效應的彈性系數(shù)越大。因此，能源效率的提升是降低人均碳排放量的關鍵。與加入12條線路前相比，電力占比的彈性系數(shù)提高，但是總效應的彈性系數(shù)略微下降，但絕對值仍達0.471。表明提升電力占比應成為各省份改善人均碳排放量的一項重要措施。

與加入12條在建線路前相比，人均GDP的彈性系數(shù)降低，但是間接效應大幅增加，導致總效應大幅增加。說明電網拓撲結構加強后，相聯(lián)的各省份之間的經濟同質性得到一定的加強，由于中國現(xiàn)階段人均GDP增加導致人均碳排放量增加，因此各省份人均GDP的增加對人均碳排放量的壓力通過高壓電網的空間溢出效應進一步增強。人口規(guī)?？傂膹椥韵禂?shù)增加，城市化率、產業(yè)結構的彈性系數(shù)與總效應的彈性系數(shù)變化不大。這一結果與碳排放強度的情況相近。

因此，加入12條在建電力線路后，通過高壓電力線路相聯(lián)各省的碳排放指標空間同質性會發(fā)生相應的改變，能源強度的降低與電力占比的提升對改善碳排放指標日益重要?？梢姡埂洞髿馕廴痉乐涡袆印放涮椎?2條線路能降低碳排放指標，配套能源效率提升與擴大電力在終端能源比重的政策成為關鍵。

4結論

本文根據(jù)高壓電網拓撲結構構建空間權重矩陣，并采用動態(tài)空間杜賓模型進行回歸分析，在計量方法上的貢獻體現(xiàn)在兩個方面：一是采用動態(tài)空間分析方法克服了忽略變量偏誤，得到了比靜態(tài)空間面板模型更為穩(wěn)健的結果；二是在回歸分析前對解釋變量進行了內生性檢驗，并采用內生變量的滯后一期代替原變量進行回歸分析，克服了動態(tài)空間面板分析不注重解釋變量內生性的問題。endprint

動態(tài)空間杜賓面板模型回歸得到如下結論：一是高壓電網互聯(lián)使得中國各省份間的碳排放指標呈現(xiàn)出空間同質性的特點。通過高壓電網互聯(lián)能使中西部能源生產省

份與東部省份的碳排放指標趨于一致；中西部地區(qū)能通過大量生產電力并使用高壓電網傳輸?shù)姆绞綔p少東部的碳排放指標。二是高壓電網互聯(lián)后，能源強度的降低與電力占比的提升對減少碳排放指標起著關鍵的作用，各省份在實現(xiàn)高壓電網聯(lián)網的同時，須配套相應的能源效率提升政策并提升電力在能源消費中的比重才能更好地發(fā)揮高壓

電網互聯(lián)的效果，有效降低碳排放指標。三是《大氣污染防治計劃》配套的12條高壓電力線路改變了中國各省之間碳排放指標的空間同質性，使得能源強度、電力占比的彈性系數(shù)與其總效應的彈性系數(shù)進一步增加，提升能源效率和電力占比對降低碳排放指標的作用日益突出。

（編輯：劉照勝）

參考文獻（References）

[1]EHRLISH P， HOLDREN J. Impact of population growth[J]. Science， 1971，171（130）： 1212-1217.

[2]DIETZ T， ROSA E. Rethinking the environmental impact of population， affluence， and technology[J]. Human ecology review， 1994，1（3）： 277-300.

[3]ELHORST P. Spatial econometrics： from crosssectional data to spatial panels[M]. New York： Springer，2014： 37-38.

[4]程葉青，王哲野，張守志，等. 中國能源消費碳排放強度及其影響因素的空間計量[J]. 地理學報， 2013， 68（10）：1418-1431. [CHENG Yeqing， WANG Zheye， ZHANG Shouzhi， et al. Spatial econometric analysis of carbon emission intensity and its driving factor from energy consumption in China[J]. Acta geographica sinica， 2013， 68（10）： 1418-1431.]

[5]馬大來，陳仲常，王玲. 中國省際碳排放效率的空間計量[J]. 中國人口·資源與環(huán)境， 2015， 25（1）： 67-77. [MA Dalai， CHEN Zhongchang， WANG Ling. Spatial econometrics research on interprovincial carbon emissions efficiency in China[J]. China population， resources and environment， 2015， 25（1）： 67-77.]

[6]付云鵬，馬樹才，宋琪. 中國區(qū)域碳排放強度的空間計量分析[J]. 統(tǒng)計研究， 2015，32（6）： 67-73. [FU Yunpeng， MA Shucai， SONG Qi. Spatial econometric analysis of regional carbon intensity[J]. Statistical research， 2015， 32（6）： 67-73.]

[7]ELHORST P. Dynamic panels with endogenous interaction effects when T is small[J]. Regional science and urban economics， 2010， 40（5）：272-282.

[8]ELHORST P， ZANDBERG E， DE HAAN J. The impact of interaction effects among neighbouring countries on financial liberalization and reform： a dynamic spatial panel data approach[J]. Spatial economic analysis， 2013， 8（3）：293-313.

[9]MODY A. Financial reform： what shakes it？ what shapes it？[J]. American economic review， 2005，95（1）：66-88.

[10]劉振亞. 特高壓交流電網[M]. 北京：中國電力出版社， 2013： 197-203. [LIU Zhenya. Ultra high voltage AC power grid[M]. Beijing： China Power Press， 2013： 197-203.]

[11]劉振亞. 全球能源互聯(lián)網[M]. 北京：中國電力出版社， 2013：92-94. [LIU Zhenya. Global energy interconnection[M]. Beijing： China Power Press， 2013： 92-94.]

[12]LESAGE J P， PACE R K. Introduction to spatial econometrics[M]. London： CRC Press/Taylor & Francis Group，2009： 74-75.

[13]LEVIN A， LIN C F， CHU C S J. Unit root tests in panel data： asymptotic and finite sample properties[J]. Journal of econometrics， 2002， 108（1）： 1-24.endprint

[14]周一星，田帥. 以“五普”數(shù)據(jù)為基礎對我國分省城市化水平數(shù)據(jù)修補[J]. 統(tǒng)計研究， 2006， 23（1）： 62-65. [ZHOU Yixing， TIAN Shuai. Mending the data of urbanization level of every province in China based on the fifth census data[J]. Statistical research， 2006， 23（1）： 62-65.]

[15]單豪杰. 中國資本存量K的再估算：1952—2006年[J]. 數(shù)量經濟技術經濟研究， 2008（10）：17-31. [SHAN Haojie. Reestimating the capital stock of China： 1952-2006[J]. Journal of quantitative & technical economics， 2008（10）： 17-31.]

[16]WEI W X， LI P， WANG S Y， et al. CO2 emission driving forces and corresponding mitigation strategies under lowcarbon economy mode： evidence from Chinas Beijing-Tianjin-Hebei region[J]. Chinese journal of population， resources and environment，2017，15（2）：109-119.

[17]ARRELANO M， BOND S. Some tests of specification for panel data： Monte Carlo evidence and an application to employment equations[J]. Review of economic studies，1991，58（2）：227-297.

[18]邵帥，李欣，曹建華，等.中國霧霾污染治理的經濟政策選擇——基于空間溢出效應的視角[J].經濟研究，2016（9）：73-88.[SHAO Shuai， LI Xin， CAO Jianhua， et al. Chinaa economic policy choices for governing smog pollution： based on spatial spillover effects[J]. Economic research journal，2016（9）：73-88.]

[19]TIAN Y， ZHANG J B， CHEN Q Q. Distributional dynamic and trend evolution of Chinas agricultural carbon emissions： an analysis on panel data of 31 provinces from 2002 to 2011[J]. Chinese journal of population， resources and environment，2015，13（3）：206-214.

[20]LEE L F， YU J. Some recent developments in spatial panel data models[J]. Regional science and urban economics，2010，40（5）：255-271.

AbstractThe paper based on the spatial correlation of carbon dioxide emission index， illustrate the changing mechanism of spatial correlation caused by interprovincial high voltage electric power lines. A conformation method of spatial weights matrix according to the operation sequence of interprovincial high voltage power lines of China in the period of 1998—2014 is presented to reflect the degree of interconnection of interprovincial energy facilities. The dynamic spatial Dubin panel model is adopted to overcome the ignored bias error induced by the ignored explanatory variable in the static one， and the endogenous variable is replaced by their lag one to control the endogeneity bias error. At the same time the counterfactual econometric method is adopted to analyze the effect caused by the 12 high voltage electric power lines coming from the Chinese state plan named after “Air pollution prevention and control plan”. The finding is that： Firstly， the interconnection of interprovincial high voltage electric power grid makes carbon dioxide emission index to show spatial homogeneity，could increase the index level of provinces with low emission index and help to reduce the index level of provinces with hight emission index； Secondly， the action that reduce provincial energy intensity is the key factor to reduce the index level， resulted from the spatial spillover effect caused by interprovincial topology construction of power grid， especially after the operation of 12 high voltage power lines， and the actions that increase the proportion of electric power consumption and adjust industrial structure are also important factors. The changing mechanism of spatial correlation of interprovincial carbon dioxide emission index can be evaluated by this method， and provides a econometric method of political measures to energysaving and emissionreduction effected by the interconnection of interprovincial energy facilities.

Key wordselectric power grid topology construction； spatial weight matrix； dynamic spatial Dubin model； spatial spillover effectendprint