我国省域碳排放量与经济发展GWR实证研究.docVIP

我国省域碳排放量与经济发展的GWR实证研究 　　[内容摘要]普通最小二乘法(OLS)仅是对变量“均值”估计,不能反映省域碳排放量在空间上的非平稳性。采用地理加权回归(GWR)技术引入空间效应,发现GWR模型比OLS模型具有明显优势:省域碳排放量与经济发展水平、产业结构、人口、外商直接投资和能源价格之前存在内生经济关系;影响碳排放量各因素在省域空间上存 在明显差异。最后对模型进行验证并为低碳经济实现提出相关政策。 　　[关键词]碳排放量;低碳经济;地理加权回归 　　 　　一、引 言 　　 　　早期工业经济粗放式发展,我国目前经济发展越来越受到社会经济、环境的双重约束 的泥潭。工业经济发展滞后影响,特别是碳排放量对环境的影响,在目前经济中越来越突出。“低碳经济”概念首先由英国在《我们未来的能源――创建低碳经济》白皮书中提出,为我国经济增长方式转变提供了新思路。然而低碳经济的实现是十分艰难的,目前国外已有文献涉及到对低碳经济的研究,如,Johnston. et al.、[1]Treffers. et al.、[2]Kawase. et al.、[3]Shimada. et al.。[4]而国内对低碳经济进行分析的文献却很少,如,杜飞轮、[5](74)[6](30-31)?付允云等、[7](14- 19)?陈英姿,李雨 潼、[8](66-73)?谢军安,郝东恒。[9](1-7)?但是国内研究低碳经济的文献基本很少涉及计量方法,引入空间计量方法研究低碳领域更是基本处于空白 状态。传统最小二乘法(Ordinary least squares, OLS)还存有很大问题,它仅是对变量“均值”进行回归估计,然而我国省域之多,区域状况存在差异,同样的政策对不 同省域影响效果是不同的,即影响因素存在着空间差异。地理加权回归(Geo-? 　　※ 基金项目:广西壮族自治区科技厅软科学项目(编号:桂科软0897003);2009桂林市第四批科学研究与技术开发项目(编号:16)。graphical Weighted Regression, GWR)改变了传统计量和统计研究中研究对象相互独立的假设,充分考虑各观测单元数据在空间上和时间上的相关性,从而把地理因素非平稳性引入到省域能源消费分析的实证研究中。基 于GWR技术在研究省域低碳经济的优势,通过分析碳排放量各影响因素在空间上的不同影响权重,为差异化省域政策提供理论、实践支持。 　　二、模型与方法 　　(一)模型建立依据 　　 　　根据需求函数,一种产品需求量最直接受价格影响,即Q(x)=p,碳排放量直接受碳需求量影响,采用与碳排放量最为密切的五个解释变量,建立模型如下: 　　LNGQ?i=LNGGDP?i+LNSTRU?i+LNPEO?i+LNPRICE?i+LNFDI?i+μ?i(1) 　　 　　其中,i表示中国的30个省域,GQ表示各省域碳排放量,GGDP表示各省域地区生产总值,STRU表示各省产业结构,PEO表示各省人口状况。PRICE表示各省能源价格,FDI表示各省域的外商投资,μ是随机误差项。 　　(二)地理加权回归(GWR)技术 　　 　　对于一个全局回归模型: 　　y?i=β?+∑kβ?kx??ik?+ε?i(2) 　　地理加权回归GWR扩展了传统回归框架,允许局部而不是全局的参数估计,扩展后模型如下: 　　y?i=β?0(u?i,v?i)+∑kβ?k(u?i,v?i)x??ik?+ε?i(3) 　　其中,(u?i,v?i)是第i个样本点空间坐标,β?k(u?i,v?i)是连续函数β?k(u,v)在i点的值。如果β?k(u,v)在空间中保持不变,模型(3)就变为了全局模型(2),GWR模型承认了空间变化关系的存在。 　　 　　此时未知量个数增加,方程(3)的校准出现了问题,根据Fotheringham.et al.[10](605-627)?的观点:当对一个给定位置的参数值进行估计的时候,可以使用和相近的位置数据进行回归。依此类推,其他的位置也可以用这样的方法得到,这样就可以用方程(2)来近似地替代(3)。在方程(3)中,对于β?k(u?i,v?i)来说,接近位置的数据会比那些离远的数据的估计有更多影响,利用加权最小二乘法(WLS)来估计参数,得到: 　　(u?i,v?i)=[X?TW(u?i,v?i)X]??-1?X?TW(u?i,v?i)Y(4) 　　其中,是β的估计值,W是空间权重矩阵。 　　 　　文中对权重的采用方法是利用高斯函数来确定权重函数: 　　w??ij?=exp-d??ij?b?2 (5) 　　 　　其中,b是带宽,d??ij?是样本点i和j之间的距离,如果i的数据被观测,则其他点的权重会依据高斯曲线随着距离d?