中国省域可再生能源电力消费对碳排放量的时空影响.pdf

DOI:10.15918/j.jbitss1009-3370.2023.0879中国省域可再生能源电力消费对碳排放量的时空影响孟思琦，孙仁金，邓钰暄，郭风（中国石油大学(北京)经济管理学院，北京102249）摘要：可再生能源电力消费在推动节能减排方面具有强大的动力，是引领清洁低碳发展的新路径。基于此，利用 20112020年中国 30 个省份的可再生能源电力消费水平、碳排放量、国民经济发展水平、人口、能源效率、产业结构合理度及化石能源消费量等数据，通过 STIRPAT 模型，综合考虑横向空间维度及纵向时间维度，就中国省域可再生能源电力消费对碳排放量的影响进行实证分析。研究结果显示：（1）中国各省份的碳排放量呈现出显著的空间溢出效应，并且在空间分布上表现出“高高”型集聚和“低低”型集聚的正相关的特点。（2）总体而言，中国可再生能源电力消费对碳排放量具有明显的抑制作用，分区域而言，西部地区的可再生能源电力消费在对碳排放量的影响中占主导作用。（3）能源效率、产业结构合理化对碳排放量有显著的抑制作用，而国民经济发展水平、人口以及化石能源消费则显著增加碳排放量。提出促进区域化利用，完善基础设施建设，解决弃风弃电问题以及寻求供求平衡等政策建议。关键词：可再生能源电力消费；碳排放量；空间溢出；省域数据；STIRPAT 模型中图分类号:F062.2文献标志码:A文章编号:1009-3370(2023)04008311为应对由温室气体排放引发的气候问题，节能减排和以清洁能源替代为主的能源革命对全球各国带来了严峻的挑战。国际能源署（IEA）发布数据显示，中国排放的二氧化碳总量超过世界其他国家，并且总量还在不断增加。中国当前的能源消费结构显示，煤炭为代表的化石能源仍然是能源消费的主体。面对这一现状，2020 年 9 月，“碳达峰”“碳中和”的目标被提出，标志着中国踏上绿色低碳发展的新征程。中国拥有最大规模的可再生能源体系，为顺应全球能源供需格局的变化，高效实现“双碳”目标，煤炭、石油等传统化石能源，正在被太阳能、风能等可再生能源替代。从理论而言，相对清洁的可再生能源利用能够抑制碳排放量的增加，带来环境的改善，但仍需要以实际的数据去佐证这一观点。基于此，本文从省域视角出发，探究可再生能源消费对碳排放量的作用情况，不仅有助于评估可再生能源电力市场的发展，还可以探索清洁能源发展对环境改善的影响。一、文献综述为衡量这一问题，学术界从多种角度进行了研究。其中，研究重点集中在可再生能源等清洁能源的生产或消费能否带来碳排放的减少上，表 1 展示了国内外学者对可再生能源等清洁能源和减排的关系的研究情况。国内关于此方面的研究起步较晚，且国内学者的研究较多使用可再生能源消费、碳排放量等国家层面的年度数据进行实证，研究结果证明了可再生能源消费可以降低碳排放量1-6。此外，可再生能源的投资和成本也被用于研究对碳减排量的影响之中。何凌云等7通过调节效益模型，证明了可再生能源投资对碳排放量无直接影响。而方时姣和朱云峰8则提出可再生能源成本的下降，可以推动“碳中和”与“碳达峰”的进程。还有部分学者变换视角，从二氧化碳排放产生的影响角度，利用系统动力学模型，得出二氧化碳排放量以及碳排放权的交易会对可再生能源等电力市场带来影响9。国外方面，在可再生能源与其他清洁能源与减排之间关系的研究中，重点在于核能、天然气、可再收稿日期：2022-04-19基金项目：北京市社会科学基金“京津冀协同发展中的金融一体化机制研究”（18YJC023）作者简介：孟思琦（1997），女，博士研究生，E-mail:；孙仁金（1964），男，教授，博士生导师，通信作者，E-mail:；邓钰暄（1999），女，硕士研究生，E-mail:；郭风（1991），女，博士研究生，E-mail:第25卷第4期北京理工大学学报（社会科学版）Vol.25No.42023年7月JOURNALOFBEIJINGINSTITUTEOFTECHNOLOGY(SOCIALSCIENCESEDITION)Jul.2023生能源等清洁能源的生产或利用是否能够减少碳排放上。首先，Menyah 和 Wolde-Rufael10探讨了二氧化碳排放与可再生能源发电消费的关系，格兰杰因果检验的结果表明，可再生能源电力消费量与二氧化碳排放间不存在因果关系。Lin 等11、Mohammad 等12和 Ben 等13检验得出，短期而言，核能与可再生能源电力消费都不会直接影响碳排放量。综上，使用 2015 年之前数据进行研究的大多文章结果表明，2015 年之前，世界主要清洁能源利用国家的可再生能源消费与碳排放量之间没有显著关系，大多研究认为这是因为清洁能源的使用规模较小，不足以对碳排放产生影响。不同于上述研究，Dong等14运用环境库兹涅茨曲线，研究了中国人均可再生能源电力消费对碳排放量的影响，结果表明短期和长期中，核能和可再生能源电力消费都能够减少碳排放量，且可再生能源的影响作用更大。Saidi 和 Omri15从 15 个 OECD 国家对可再生能源利用的角度出发，通过回归分析，得出在大多数国家中可再生能源利用明显抑制了碳排放量。Zoundi16和 Abbasi等17做了相似的研究，结果显示，可再生能源电力的利用对碳排放具有抑制作用。而 Dogan 和 Seker18运用格兰杰因果检验验证了可再生能源利用与碳排放之间存在双向因果关系。对比国内外的研究结果和研究方法可知，学术界大多运用国家层面的年度数据研究可再生能源利用对碳排放量的影响，且对于可再生能源利用的增加是否能真正抑制碳排放量这一问题仍没有形成定论。就研究方法而言，STIRPAT 模型是研究碳排放等指标影响因素时广泛使用的模型。近年来，许多学者根据社会发展的特点，从多个角度对 STIRPAT 模型进行了扩展。Wu 等19从可再生能源消费、产业结构和能源强度的角度研究了二氧化碳排放的影响因素。Ghazali 和 Ali20通过加入城市就业水平、人口、能源结构和贸易开放等因素，扩展了 STIRPAT 模型。Zhang 和 Zhao21则关注研发投资和能源清洁度对二氧化碳的影响。本文在现有研究的基础上，利用 STIRPAT 模型从可再生能源消费、能源效率、产业结构合理性以及化石能源消费量的角度对模型进行扩展，分析研究了各省可再生能源电力消费与碳生产率的关系。通过分析已有国内外研究可知，众多学者从不同角度对可再生能源利用与碳排放量的关系这一主题做了各种研究，但并没有得出统一、确切的结论，且前大多数学者研究选用的多为国家维度的年度数据，但较少将省域数据应用到衡量可再生能源利用对环境的影响的研究中。基于此，文章利用20112020 年中国 30 个省份可再生能源电力消费量、碳排放量等数据，采用扩展的 STIRPAT 模型，通过空间计量方法，综合考虑横向空间维度及纵向时间维度，实证并分析了中国省份可再生能源发展对碳表 1 可再生能源等清洁能源和减排的关系研究综述作者研究地区年份变量选取研究方法因果关系何凌云等7中国20042013RI,GDP,CE调节效应模型RICEGDPCE方时姣等8中国RC,CE定性研究RCCE刘文君等9中国20202030RE,CX,CE系统动力模型CXRECEREMenyah等10美国19602007CE,RE,NU,GDPVAR模型,格兰杰因果检验NUCERECEGDPCEREGDPNUGDPLin等11中国19772011CE,RE,GDP格兰杰因果检验RECEREGDPMohammad等12美国19652012CE,RE,NU,P协整检验,格兰杰因果检验RECEBen等139个发达国家19902013CE,RE,NU,GDP,协整检验,格兰杰因果检验RECEREGDPNUGDPGDPCEDong等14中国19932016CE,REPC,NUPC,GDP,GDP2EKC曲线NUCERECENUGDPSaidi等1515个OECD国家19002018CE,RE最小二乘法RECEZoundi等1625个非洲国家19802012CE,REEKC曲线RECEAbbasi等17泰国19802018CE,REARDL模型RECEDogan等18欧洲19802012CE,RE,NE格兰杰因果检验RECE注：（1）变量：RE为可再生能源消费；RC为可再生能源成本；RI为可再生能源投资；GDP为国内生产总值；GDP2是人均GDP的平方；NU为核能；CX为碳排放权交易;CE是碳排放量；REPC为人均可再生能源；NUPC为人均核能；P为能源价格；NE为不可再生能源。（2）代表变量间存在单向影响关系;代表变量间存在双向影响关系;表示无影响关系。84北 京 理 工 大 学 学 报（社 会 科 学 版）2023 年 7 月排放量的影响。分析上述问题对于加快可再生能源电力市场发展，降低碳排放，促进绿色经济增长具有重要的现实意义。二、研究设计本文为探究可再生能源电力消费对碳排放量的影响，引入省域可再生能源电力消费指数变量，为避免遗漏变量误差，本文还引入了省域碳排放量相关的国民经济发展水平、人口、能源效率、产业合理度以及化石能源消费量等控制变量。首先，在不考虑变量空间模型的情况下进行格兰杰因果检验以及初步回归，检验变量之间的格兰杰因果关系和相关性。其次，通过空间计量方法及空间异质性检验，分析省域可再生能源电力消费等变量对省域碳排放量的影响。再次，通过变换矩阵检验了模型和结果的稳健性。（一）数据来源及统计性检验本文使用 20112020 年中国 30 个省份可再生能源电力消费量、碳排放量、年末常住人口数、能源效率、产业结构合理指数以及化石能源消费量数据。文章涉及的主要变量及数据来源如表 2 所示。本文对变量进行了对数变换，表 3 列出了本文所用到的基本描述性统计量。本文对主要解释变量进行了 Kao 协整检验，以规避伪回归现象，结果如表 4 所示，显著性水平为5%，可以拒绝原假设，进一步进行回归分析。（二）模型建立1.碳排放量计算模型根据 IPCC 在 2006 年为 UNFCCC 以及京都议定书制定的国家温室气体清单指南中第 2 卷（能源）第 6 章提供的参考方法，各种燃料消耗所排放的碳总和即为 CO2排放量，各种能源所排放的 CO2系数公式为k=NVKkCEFkCOFk(4412)k=1,2,8(1)其中，k表示第 k 种能源消耗排放的 CO2的系数；NVVk表示平均低位发热量（IPCC 将其称作净发热表 2 变量说明及数据来源变量名称衡量方式及变量含义数据来源碳排放量（CE）CO2排放量，碳排放量越大减排效果越差根据相关数据手工计算可再生能源电力消费量（RE）各省可再生能源电力消费量国家能源局、中国能源统计年鉴人口（PN）各省年末常住人口数中国统计年鉴能源效率（EEF）单位能源消耗的GDP产值，能源效率指标越高，能源效率越高根据相关数据手工计算产业结构合理度（ISR）修正的Theil指数22，ISR越小，产业结构越合理根据相关数据手工计算化石能源消费量（FEC）化石能源消费量总和中国能源统计年鉴表 3 变量统计性检验统计性检验ln CEln REln GDPln PNln EEFln ISRlnFECMean10.18825.27559.83158.21260.57520.812118.0573Median10.20775.44429.87958.27320.53870.844619.0395Maximun11.90667.759611.615110.94880.25101.107421.7075Minimum8.14080.69317.42086.34211.13010.41096.8719Std.Dev.0.71631.35790.85690.75680.19470.13713.3710Skewness0.35040.71050.57000.58090.53960.77972.1021Kurtosis0.28810.32920.32530.56700.61850.57923.4345Sum3056.47361582.64002949.45802463.7737172.5749243.64405417.1762表 4 协整检验Kao检验统计量检验假设T 统计量UDFH0:不存在协整关系1.4404*（0.0329）DF1.6145*（0.0532）ADF1.9136*（0.0278）注：*、*、*分别表示显著性为10%、5和1%。2023 年第 4 期孟思琦等:中国省域可再生能源电力消费对碳排放量的时空影响85值）；CEFk表示碳排放系数；COFk表示碳氧化因子；44 和 12 分别表示 CO2和 C 的分子量；k 为所选取的 8 种消耗较大的化石燃料之一。式（1）中的参数主要来自于中国能源统计年鉴、2006 年 IPCC 国家温室气体清单指南以及通过整理所得，NVK 源于中国能源统计年鉴提供的各种能源折标准煤参考系数，CEF、COF 源于 2006 年的 IPCC。从理论上来看，CO2排放量可表示为CEt=nk=1CEtk=nk=1(tkk)t,k=1,2,n(2)CEtCEtknk=1CEtktknk=1kk其中，为直接消耗能源产生的 CO2量；为使用第 k 种能源产生的 CO2量；为消耗 k=n 种能源的 CO2排放总量；为第 k 种能源的消耗量；为对 k=n 种能源的消耗量；为第 k 种能源消耗排放的二氧化碳的系数。2.回归模型建立为估计可再生能源电力消费对中国碳排放量的影响，文章构建了如下的计量模型ln CEt=0+1ln REt+2ln GDPt+3ln PNt+4ln EEFt+5ln ISRt+6ln FECt+t+t(3)CEtREtGDPtPNtEEFtISRtFECt0t其中，t 为年份，为被解释变量碳排放量；为可再生能源电力消费量；为国内生产总值；为人口数；为能源效率；为产业结构合理度；为各省十年化石能源消费量；为常数项；为不可观测到的地区效应；为随机误差项。3.省域空间溢出效应检验空间溢出效应即空间相关性分析用于表征经济变量之间的空间关联性。全局空间自相关分析硏究的是经济变量的整体相关性问题,一般采用全局莫兰指数 MoransI 和吉尔里指数 GearysC 进行度量，被解释变量具有空间溢出效应是进行空间回归检测的基础23。文章利用 ESDA 中的空间相关性指数对省域间碳排放量的空间溢出效应进行检验，其通常采用 MoransI 和 GearysC 指数进行计算，其公式分别为I=nni=1nj=1wij(CEiCE)(CEjCE)ni=1nj=1wijni=1(CEiCE)2(4)C=(n1)ni=1nj=1wij(CEiCE)22ni=1nj=1wij)(ni=1(CEiCE)2(5)nwijCECE其中，表示本文所选取 30 个省份，为空间权重矩阵，和分别为省份碳排放量及所有省份碳排放量均值。经过方差归一化之后，MoransI 指数会介于11。若 I0，则空间为正相关，I 值越大，空间相关性越强；若 I1 时表示存在负的空间相关性，C1 时则表示空间正相关。本文构建了以下两种空间权重矩阵。第一种为基于 Queen 邻接规则，利用地图边界矢量数据构造的应用最为广泛的地理近邻权重矩阵，其元素wij=1,当省份i和j拥有共同的边界0,当省份i和j无共同边界或i=j(6)考虑到单一地理权重矩阵存在的局限性，本文在各城市地理临近省份中，以单一近邻省份 GDP 占所有近邻省份 GDP 总和之比构建第二种地理经济综合空间权重矩阵，其元素86北 京 理 工 大 学 学 报（社 会 科 学 版）2023 年 7 月wij=Xi/mi,jXm,当省份i和j拥有共同边界0,当省份i和j无共同边界或i=j(7)4.空间计量模型设计I=PATIPAT最后，进行空间计量分析。Ehrlich 与 Holdren24最先提出 IPAT 方程，表达式为，用于反映人口对环境的影响。其中，代表环境压力、指代人口、代表经济、指代技术因素。随后，York等25在其基础上构建了 STIRPAT 模型，模型形式为Ii=aPbiAciTdie(8)对式（8）两边同时取对数可得ln Ii=ln ai+bln Pi+cln Ai+dln Ti+ln ei(9)STIRPAT模型不仅保留了IPAT方程中的人口、经济、技术，还引入了随机变动因素。本文在其基础上引入省域可再生能源电力消费指数变量，以研究其对省域碳排放量的影响，为避免遗漏变量误差，本文还引入了省域碳排放量相关的国民经济发展水平、人口、能源效率、产业结构合理度以及化石能源消费量等控制变量。关于模型的构建，本文首先构建了不考虑空间效应的标准计量回归模型，以该模型作为研究基础，其计量回归模型为ln CEit=0+1ln REit+2ln GDPit+3ln PNit+4ln EEFit+5ln ISRit+6ln FECit+it+it(10)CPitREitGDPitpnitEEFitISRitFECit0itit其中，i 为省份；t 为年份；为被解释变量各省市十年碳排放量；为各省市十年可再生能源电力消费量；为各省市十年国内生产总值；为各省市十年人口数；为各省市十年能源效率；为各省市十年产业结构合理度；为各省十年化石能源消费量；为常数项；为不可观测到的地区效应；为随机误差项。在能源系统中，可再生能源作为公共物品，具有一定的非排他性、可转移性和可传输性，某省份的可再生能源电力消费可能影响其他省份的碳排放量。任何忽略空间相关性的计量、检验都可能产生有偏估计。因此，本文在式(10)基础上，又构建了考虑空间效应的空间计量模型来分析可再生能源电力消费及碳排放量的空间关联效应，具体模型如下ln CEit=0+Nj=1,j,iwijln RE+Xit+it(11)it=Nj=1,j,iwijit+it(12)wijitX,0=0=0,0其中，为空间权重矩阵；为残差；和 分别为空间自回归系数和空间自相关系数；为式（10）所包含的核心变量和控制变量在内的自变量向量。式（11）代表包含了各种空间效应的一般嵌套模型（GNS）。一是若、，则式（10）为空间滞后模型（SAR）；二是若、，则式（10）为空间误差模型（SEM）。三、实证结果分析本文为确定变量之间的相关关系，首先在不考虑空间计量的情况下，通过回归模型确定各基本变量与碳排放量之间是否存在线性关系；确定了主变量可再生能源电力消费量与碳排放量存在线性关系，且存在双向格兰杰因果关系后，再通过 MoransI 和 GearysC 指数以及散点图结果来确定变量具有空间溢出效应；从 LM、R-LM 及 Hausman 的检验结果来看，本文选择使用固定效应的空间误差模型进行空间计量研究；通过分地区溢出检验发现，西部地区的可再生能源电力消费对碳排放量有主导的影响作用，所有实证成果均通过稳健性检验。（一）回归结果分析为增加后续空间计量的合理性，本文在暂时不考虑空间矩阵的情况下，对变量进行初步回归。从表 5所示的回归结果可知，可再生能源电力消费量的增加、能源效率的提升以及产业结构的改善对碳排放量2023 年第 4 期孟思琦等:中国省域可再生能源电力消费对碳排放量的时空影响87有显著的抑制作用。而国民经济发展水平、人口和化石能源消费量则显著增加了碳排放量，此结果可以理解为国民经济的发展和高污染、高耗能的化石能源消费必然带来更多的碳排放量，而人口的增长同样需要更多的能源消耗等作为支撑，这将带来更多的碳排放量。值得注意的是，可再生能源电力消费量对于碳排放量的抑制作用初步被证实的，且各基本变量对碳排放量都有显著的影响作用，继续运用空间计量进行深入是有价值的。本文在格、兰杰因果检验的基础上，进一步探讨了各种变量间的因果关系。从表 6 和图 1 中可以直观看出，包括 CE 与 RE 之间存在多个双向因果关系，且各变量之间还存在多种单向因果关系，为进一步探寻变量之间的空间关系打下了基础。（二）空间溢出性检验基于上述两种空间权重矩阵的中国省份碳排放量全域空间相关性的检验结果如表 7 所示。可以看出在地理经济综合权重矩阵和地理近邻权重矩阵下，省级碳排放量的 MoransI 指数全部显著大于0，GearysC 指数全部显著小于 1，这表明中国城省级碳排放量都表现为“高高”型集聚和“低低”型集聚的空间正相关分布。图 2 及图 3 以地理近邻权重矩阵和地理经济综合权重矩阵为例，给出了两个代表性年份的省域碳排放量的莫兰矩阵散点图，其横轴表示标准化的碳排放量，纵轴为碳排放量的空间滞后值。从散点图也可以看出，大多数省份处于第一、第三象限的空间正相关区域，进而说明碳排放量的正向空间溢出效应较为显著。（三）空间计量模型选择和回归结果根据Anselin等26提出的模型判别标准，基于表 8 的结果，本文发现各变量在地理经济综合权重矩阵表 5 回归结果基本变量值P值结果ln REt0.0216*0.003RECEln GDPt0.3808*0.000GDPCEln PNt0.0749*0.023PNCEln EEFt0.5750*0.000EEFCEln ISRt0.1052*0.090ISRCElnFECt0.0792*0.068FECCE注：*、*、*分别表示显著性为10%、5和1%。表 6 格兰杰因果检验结果基本变量ln CEtln REtln GDPtln PNtln EEFtln ISRtlnFECtln CEt5.9857*2.3001*29.8723*6.4280*5.4877*52.6712*（0.0000）（0.0214）（0.0000）（0.0000）（0.0000）（0.0000）ln REt12.7833*0.824414.3313*11.6367*13.4006*66.2514*（0.0000）（0.4097）（0.0000）（0.0000）（0.0000）（0.0000）ln GDPt11.8263*2.0511*9.4147*16.7750*4.6357*41.8698*（0.0000）（0.0403）（0.0000）（0.0000）（0.0000）（0.0000）ln PNt7.9728*10.9443*14.0667*9.5119*9.9522*242.7764*（0.0000）（0.0000）（0.0000）（0.0000）（0.0000）（0.0000）ln EEFt4.7611*2.7404*0.50535.0852*7.2108*51.3696*（0.0000）（0.0061）（0.6133）0.0000）（0.0000）（0.0000）ln ISRt7.5543*3.2658*1.9461*2.4071*16.1382*27.0733*（0.0000）（0.0011）（0.0516）（0.0161）（0.0000）（0.0000）lnFECt4.8452*6.4478*-3.0739*66.2772*4.3123*0.4045（0.0000）（0.0000）（0.0021）（0.0000）（0.0000）（0.6858）注：*、*、*分别表示显著性为10%、5和1%。CPPNEETFECISRGDPRE单向格兰杰因果关系双向格兰杰因果关系图1变量间格兰杰因果关系示例图88北 京 理 工 大 学 学 报（社 会 科 学 版）2023 年 7 月下的 SEM 以及 SAR 模型的 LM（Err）和 LM（Lag）在 1%的显著性水平下显著，于是进一步使用 R-LM（Lag）和 R-LM（Err）进行检验，发现，SEM 模型的 R-LM 检验在1%的显著性水平下显著，而 SAR 模型的 R-LM(Err)检验未通过显著性检验，因而选择使用 SEM 模型。最后，空间误差模型的 Hausman 检验结果的 P 值小于 0.05 拒绝了随机效应。综上，本文选定间固定效应的 SEM 模型。表 8 显示大多基本变量在地理经济综合权重矩阵下通过显著性检验，表明省域层面变量间的互相联系。从本文关注的可再生能源电力消费量这一核心解释变量来看，基于地理经济综合权重矩阵的可再生能源电力消费量对碳排放量的影响在 1%水平显著负向。也就是说，省域可再生能源能源消费显著抑制了碳排放量的上升。可再生能源电力消费水平可能通过促进能源效率提升以及促进产业结构合理化等方表 7 两种权重矩阵下 lnCE 的 Morans I 和 Gearys C 统计指标年份地理经济综合权重矩阵地理近邻权重矩阵MoransIGearysCMoransIGearysClnCEit20110.203*（0.027）0.693*（0.033）0.190*（0.030）0.677*（0.015）20120.185*（0.037）0.709*（0.038）0.172*（0.043）0.691*（0.018）20130.171*（0.048）0.702*（0.034）0.156*（0.050）0.682*（0.015）20140.156*（0.062）0.730*（0.049）0.144*（0.069）0.711*（0.024）20150.165*（0.053）0.741*（0.58）0.151*（0.061）0.723*（0.030）20160.169*（0.050）0.744*（0.056）0.152*（0.061）0.719*（0.025）20170.165*（0.053）0.728*（0.047）0.149*（0.063）0.708*（0.022）20180169*（0.050）0.718*（0.042）0.150*（0.062）0.701*（0.020）20190.181*（0.041）0.707*（0.035）0.161*（0.053）0.688*（0.016）20200.189*（0.036）0.695*（0.030）0.167*（0.047）0.674*（0.012）注：*、*、*分别表示显著性为10%、5和1%。11001123221013223123456789101112131415161718192021222324252627282930123456789101112131415161718192021222324252627282930标准化量值空间滞后向量1012标准化量值空间滞后向量a2011年莫兰矩阵指数散点图b2020年莫兰矩阵指数散点图图2地理近邻权重矩阵下部分年份中国省域碳排放量莫兰指数散点图123456789101112131415161718192022232425262728293012345678910111213141516171819202122232425262728293011001123221013223标准化量值空间滞后向量11012标准化量值空间滞后向量a2011年莫兰矩阵指数散点图b2020年莫兰矩阵指数散点图图3地理经济综合权重矩阵下部分年份中国省域碳排放量莫兰指数散点图2023 年第 4 期孟思琦等:中国省域可再生能源电力消费对碳排放量的时空影响89式来提高碳排放量。同时，可再生能源的利用将推动绿色消费逐渐替代以化石能源为主的传统能源消费，构建新型中国能源消费格局，从而促进现有能源消费情况绿色化、低碳化、可持续化升级。因此，可再生能源电力消费的增加可以降低生态环境代价与成本，最大限度的修复自然环境机能与网络生态系统，降低碳排放量，从而培育出绿色经济、循环经济与生态经济等经济新业态。从其他控制变量系数来看，第一，GDP 的影响。基于地理经济综合权重矩阵的 GDP 发展水平对碳排放量的影响均在 1%水平显著正向通过。这表明在其他条件一定的前提下，GDP 水平越高会使得碳排放量水平增加，可见目前经济增长和节能减排之间还存在一定的逆向关系。第二，人口的影响。人口对碳排放量的影响始终呈现出正效应，但未通过显著性检验。第三，能源效率的影响。能源效率水平对碳排放量的影响均在 1%水平显著负向通过，改进能效有助于化石能源的节约，而降低燃烧化石燃料能带来大气污染减少，能源效率提升对降低碳排放量具有促进作用。第四，产业结构的影响。产业结构合理度指标对碳排放量的影响在 1%水平显著正向通过。表明产业结构合理化调整，第二产业比重的降低，有效推动了碳排放量的减少。最后，化石能源消费的影响。化石能源消费指标对碳排放量的影响在 10%的水平显著正向通过，以煤炭、石油为主的高污染能源的消费增加，会带来更多的碳排放量。（四）分地区异质性检验从地域层面看，中国东部、中部和西部在地理、文化和历史上都有所不同。此外，市场化水平、法治水平和经济发展水平差异很大，这可能会影响可再生能源的发展以及碳排放量的变化。为了全面分析可再生能源消费的空间溢出效应对碳排放量的影响。文章将中国大陆分为东、中、西三大经济区，并以东部地区为基准，分别设定西部（W）和中部（M）两个地区为虚拟变量，重新估计固定效应模型。当样本属于中部地区时，M 赋值为 1，否则0；当样本属于西部地区时，W 赋值为1，否则为 0。回归结果如表 9 所示，根据固定效应下的 SEM 模型回归结果，只有西部区域可再生能源消费量的空间误差系数水平下显著，故以可再生能源电力消费量为主的基本变量对于碳排放量的影响存在一定的地表 8 空间计量回归结果基本变量普通回归的权重地理经济综合权重矩阵(1)SEM(2)SARln RE ln REit/1=0.0216*1=0.0173*1=0.0169*（2.98）（2.64）（2.58）ln GDP ln GDPit/2=0.3808*2=0.3062*2=0.3011*（10.33）（8.75）（8.35）ln PN ln PNit/3=0.0749*3=0.02193=0.0225（2.27）（0.73）（0.75）ln EEF ln EEFit/4=0.5750*4=0.4346*4=0.4345*（6.57）（5.57）（5.60）ln ISR ln ISRit/5=0.1052*5=0.1556*5=0.1457*（1.56）（2.56）（2.41）lnFEC/lnFECit6=0.0792*6=0.0873*6=0.0810*（1.04）（4.58）（4.54）或0.0043*0.0380(0.17)(0.57)logL393.0821393.2107Hausman15.95*14.81*LM(Err)1.8607*5.2426*LM(Lag)55.6176*4.9887*R-LM(Err)17.0623*0.6800R-LM(Lag)23.1556*0.5130注：*、*、*分别表示显著性为10%、5和1%。90北 京 理 工 大 学 学 报（社 会 科 学 版）2023 年 7 月区差异性。这一结果可以从以下三个角度来理解。首先，西部地区拥有较多的可再生能源资源禀赋，这使得西部地区可再生能源潜力巨大，而非水可再生能源的消纳责任主要集中在西部地区，可再生能源的资源禀赋对减排有很大的推动作用。其次，与西部地区人口稀少不同，中部和东部地区人口稠密。除能源排放外，人为污染问题十分严重，且中部和东部地区仍以碳排放量较高的煤炭等一次能源消费为主。第三，政府的政策取向是扩大西部地区风能和太阳能开发的供应，使可再生能源产业在西部地区加速发展，可再生能源市场在政策的指导下不断成长和发展，已成为西部地区碳减排的重要驱动力。（五）稳健性检验最后，本文变换矩阵为地理临近权重矩阵，对文章模型进行了重新进行了空间计量回归及分地区异质性检验，结果见表 10 和表 11。结果显示，更换为地理临近权重矩阵后并未突出改变检验结果，进一步验证了文章模型的稳健性。四、结论及政策建议本文利用 20112020年中国 30 个省份可再生能源电力消费水平、碳排放量等数据，基于空间计量模型，从时空异质性的角度，实证研究了可再生能源发电消费量对碳排放量的影响。实证结果表明：（1）中国碳排放量存在明显的空间溢出效应，并且表现为“高高”型集聚和“低低”型集聚的空间正表 9 分地区异质性检验结果基本变量东部中部西部权重Z值结果权重Z值结果权重Z值结果ln REit0.01301.02RECE0.00921.34RECE0.0239*3.10RECEln GDPit0.1444*2.10GDPCE0.2836*6.99GDPCE0.07021.27GDPCEln PNit0.00530.16PNCE0.8657*3.19PNCE2.1477*6.11PNCEln EEFit0.3006*1.51EEFCE0.4453*4.14EEFCE0.3761*3.46EEFCEln ISRit0.2941*3.17ISRCE0.1369*2.23ISRCE0.3194*1.98ISRCElnFECit0.06920.26FECCE0.0154*3.09FECCE0.0084*4.78FECCE注：*、*、*分别表示显著性为10%、5和1%。表 10 地理临近权重矩阵下空间计量模型结果指标地理临近权重矩阵（1）SEM（2）SARln REit1=0.0173*1=0.0171*（2.65）（2.61）ln GDPit2=0.3065*2=0.3019*（8.88）（8.48）ln PNit3=0.02193=0.0226（0.73）（0.75）ln EEFit3=0.02193=0.0226（5.61）（5.62）ln ISRit5=0.1559*5=0.1461*（2.56）（2.42）lnFECit6=0.0681*6=0.0817*（2.38）（2.55）或=0.0043*=0.0042*(0.19)(0.56)log L393.0857393.0564Hausman17.51*14.93*注：*、*、*分别表示显著性为10%、5和1%。表 11 地理临近权重矩阵下的分地区溢出效应基本变量东部中部西部权重Z值结果权重Z值结果权重Z值结果ln REit0.01301.01RECE0.00921.23RECE0.0243*3.18RECEln GDPit0.1450*2.08GDPCE0.2877*6.96GDPCE0.07341.33GDPCEln PNit0.00490.15PNCE0.9375*3.43PNCE2.1623*6.12PNCEln EEFit0.3189*1.58EEFCE0.4614*4.26EEFCE0.3824*3.51EEFCEln ISRit0.2936*3.15ISRCE0.1360*2.16ISRCE0.3126*1.94ISRCElnFECit0.07510.28FECCE0.0149*3.12FECCE0.0084*4.74FECCE注：*、*、*分别表示显著性为10%、5和1%。2023 年第 4 期孟思琦等:中国省域可再生能源电力消费对碳排放量的时空影响91相关分布。（2）基于地理临近权重矩阵下，可再生能源电力消费水平的发展显著抑制了中国的碳排放量，其对碳排放量的影响在 1%水平显著负向通过，且这一结果是稳健的。（3）分地区异质性检验结果表明，西部地区可再生能源电力消费可以显著抑制碳排放量的提高。（4）对于其他控制变量，能源效率和产业结构合理度的提高对降低碳排放量有显著作用，而 GDP、人口及化石能源消费量的增加回显著提高碳排放量。总体而言，可再生能源电力消费作为引擎能有效抑制碳排放量增长，推动低碳经济发展。基于以上结论，本文提出以下政策建议：（1）促进可再生能源的区域分化、大规模有效利用。继续促进中国西部等资源禀赋较高地区可再生能源的有效消纳和输送。（2）加强能源输送基础设施建设，提升东部地区可再生能源供给。统筹推进可再生能源在中国东部等经济发达地区的大规模利用。（3）合理利用人口资源优势，解决弃风弃电等消费问题。合理制定中部等人口密集地区可再生能源电力消纳计划，更好提升可再生能源消费对碳排放量的抑制作用。（4）结合国情，积极寻求供需平衡，逐步形成由市场供求等市场化因素决定的可再生能源价格体系，但仍保留政府对突发事件的管理权，推动建立可再生能源市场化机制。参考文献：1王帅.中国能源使用绿色化、碳排放与经济增长的关系