王斌+傅強(qiáng)

摘要本文以碳排放指標(biāo)的省際空間相關(guān)性為基礎(chǔ)，揭示省際高壓電網(wǎng)互聯(lián)結(jié)構(gòu)對(duì)碳排放指標(biāo)空間相關(guān)性的影響機(jī)理。依據(jù)1998—2014年中國(guó)30省份高壓電網(wǎng)省間聯(lián)絡(luò)線的投運(yùn)時(shí)序構(gòu)建空間權(quán)重矩陣，以反映省間能源設(shè)施互聯(lián)的緊密程度。使用動(dòng)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(nèi)生變量的滯后一期為代理變量克服內(nèi)生性偏誤。同時(shí)，采用反事實(shí)計(jì)量的方法分析《大氣污染防治計(jì)劃》配套的12條在建高壓線路投運(yùn)后對(duì)碳排放指標(biāo)的影響。研究結(jié)果發(fā)現(xiàn)：①高壓電網(wǎng)互聯(lián)使得各連接省份間的碳排放指標(biāo)呈現(xiàn)出空間同質(zhì)性的特點(diǎn)，拉高低碳排放省份碳排放指標(biāo)的同時(shí)，有助于高碳排放省份碳排放指標(biāo)的降低。②高壓電網(wǎng)互聯(lián)后，能源強(qiáng)度降低對(duì)減少碳排放指標(biāo)起著關(guān)鍵作用；12條在建高壓線路投運(yùn)后，省間碳排放指標(biāo)的空間相關(guān)性進(jìn)一步增強(qiáng)，能源強(qiáng)度改善對(duì)碳排放指標(biāo)降低的重要性進(jìn)一步突顯；同時(shí)，提升電力占比與改善產(chǎn)業(yè)結(jié)構(gòu)也對(duì)減少碳排放指標(biāo)起著重要作用。這不僅實(shí)現(xiàn)了省際碳排放指標(biāo)空間相關(guān)性機(jī)理分析的方法創(chuàng)新，還為能源基礎(chǔ)設(shè)施互聯(lián)政策對(duì)節(jié)能減排的影響提供了計(jì)量測(cè)算方法。

關(guān)鍵詞電網(wǎng)拓?fù)浣Y(jié)構(gòu)；空間權(quán)重矩陣；動(dòng)態(tài)空間杜賓模型；空間溢出效應(yīng)

中圖分類號(hào)F062.4

文獻(xiàn)標(biāo)識(shí)碼A文章編號(hào)1002-2104（2018）02-0077-09DOI：10.12062/cpre.20170418

電能具有清潔、安全、便捷等優(yōu)勢(shì)，實(shí)施電能替代對(duì)于推動(dòng)能源消費(fèi)革命、落實(shí)國(guó)家能源戰(zhàn)略、促進(jìn)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(fèi)總量、減少大氣污染的重要舉措。為此，國(guó)家電網(wǎng)公司提出建設(shè)以特高壓電網(wǎng)為骨干網(wǎng)架，全球互聯(lián)的智能電網(wǎng)作為全國(guó)范圍大規(guī)模開(kāi)發(fā)、配置、利用清潔能源的基礎(chǔ)平臺(tái)，通過(guò)電能大規(guī)模輸送的方式，促進(jìn)一次能源向電能轉(zhuǎn)化，減少二氧化碳排放。國(guó)家能源局于2016年9月份批復(fù)建設(shè)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(dòng)》的配套政策，對(duì)通過(guò)高壓電網(wǎng)互聯(lián)以促進(jìn)全國(guó)節(jié)能減排的目標(biāo)寄予厚望。那么強(qiáng)化全國(guó)高壓電網(wǎng)的互聯(lián)是否有助于全國(guó)碳排放量的減少？現(xiàn)有的高壓電網(wǎng)結(jié)構(gòu)如何影響省間碳排放的空間交互效應(yīng)？地理鄰接的省間高壓交流電網(wǎng)互聯(lián)和跨越省份地理鄰接的高壓直流電網(wǎng)互聯(lián)如何促進(jìn)碳排放量的減少？以上問(wèn)題是全球能源網(wǎng)戰(zhàn)略亟需面對(duì)的三個(gè)問(wèn)題。本文使用動(dòng)態(tài)空間杜賓面板模型，根據(jù)省間高壓電網(wǎng)互聯(lián)的時(shí)間順序和拓?fù)浣Y(jié)構(gòu)構(gòu)建空間權(quán)重矩陣，據(jù)此對(duì)中國(guó)碳排放問(wèn)題進(jìn)行量化分析，為相關(guān)政策的制定提供理論依據(jù)。

1文獻(xiàn)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(shù)（T）對(duì)環(huán)境（I）的影響。Dietz[2]等在此基礎(chǔ)上考慮了影響因素的不同彈性系數(shù)與隨機(jī)效應(yīng)，提出了STIRPAT模型，將回歸分析應(yīng)用于環(huán)境影響研究。Ehlorst[3]指出，如果研究對(duì)象的空間自相關(guān)性確實(shí)存在，但在研究中被忽略，則會(huì)導(dǎo)致對(duì)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(duì)中國(guó)各省能源碳排放強(qiáng)度進(jìn)行回歸分析，發(fā)現(xiàn)中國(guó)各省區(qū)碳排放強(qiáng)度既存在空間自相關(guān)性又存在誤差空間自相關(guān)性，適合采用SDM模型，考慮空間交互相應(yīng)后，能源強(qiáng)度、能源結(jié)構(gòu)、產(chǎn)業(yè)結(jié)構(gòu)與城市化率是影響碳排放強(qiáng)度時(shí)空格局演變的主要因素且具有較顯著的空間自相關(guān)性和空間溢出效應(yīng)。馬大來(lái)[5]等研究發(fā)現(xiàn)SEM模型有更好的擬合效果，中國(guó)省際碳排放效率不僅存在著空間依賴性的特征，同時(shí)也具有空間異質(zhì)性的特征，經(jīng)濟(jì)規(guī)模、工業(yè)結(jié)構(gòu)和能源消費(fèi)結(jié)構(gòu)對(duì)碳排放效率的提升有負(fù)向影響，而對(duì)外開(kāi)放、企業(yè)所有制結(jié)構(gòu)和政府干預(yù)對(duì)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(chǔ)，利用SLM模型對(duì)中國(guó)碳排放強(qiáng)度的影響因素進(jìn)行回歸分析，發(fā)現(xiàn)碳排放強(qiáng)度存在明顯的空間自相關(guān)，人口結(jié)構(gòu)、能源強(qiáng)度、能源結(jié)構(gòu)和產(chǎn)業(yè)結(jié)構(gòu)是區(qū)域碳排放強(qiáng)度的重要影響因素。

以上文獻(xiàn)表明，中國(guó)區(qū)域碳排放的空間相關(guān)性普遍存在且對(duì)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(gè)問(wèn)題：一是均采用靜態(tài)空間面板模型，缺乏對(duì)碳排放空間效應(yīng)的動(dòng)態(tài)分析，忽略了碳排放滯后項(xiàng)與滯后期空間自相關(guān)項(xiàng)對(duì)碳排放指標(biāo)的影響，可能導(dǎo)致忽略變量偏誤；二是僅僅利用了省間地理位置的鄰接關(guān)系設(shè)置空間鄰接矩陣，描述碳排放指標(biāo)的空間相關(guān)性，缺乏有效的基礎(chǔ)設(shè)施載體，無(wú)法對(duì)這種地理位置鄰接關(guān)系產(chǎn)生空間相關(guān)性的原因及作用機(jī)理進(jìn)行深入分析并提出改變空間相關(guān)性的政策措施。

動(dòng)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(guān)項(xiàng)與滯后一期的空間自相關(guān)項(xiàng)，導(dǎo)致同時(shí)存在內(nèi)生性問(wèn)題與空間自相關(guān)問(wèn)題，對(duì)無(wú)偏估計(jì)帶來(lái)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(dòng)態(tài)空間面板模型的估算結(jié)果，指出GMM方法對(duì)空間相關(guān)項(xiàng)系數(shù)的估算在大N小T型的面板數(shù)據(jù)中存在嚴(yán)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(gè)國(guó)家1979—2005年的金融改革問(wèn)題，得到的結(jié)論與Abiad[9]等人顯著不同，由于其對(duì)系數(shù)的估計(jì)是無(wú)偏且一致的，故其研究結(jié)果更為穩(wěn)健?？梢?jiàn)，采用動(dòng)態(tài)空間面板模型不僅能夠更為有效地估算研究對(duì)象的空間相關(guān)性，還能通過(guò)對(duì)動(dòng)態(tài)效應(yīng)和滯后一期空間自相關(guān)性的估算更準(zhǔn)確地描述各影響因素的直接效應(yīng)與間接效應(yīng)，具有廣闊的應(yīng)用前景。

劉振亞[10-11]提出中國(guó)未來(lái)電網(wǎng)主干網(wǎng)具有大容量、遠(yuǎn)距離、大規(guī)模交直流并列運(yùn)行與受端多直流集中饋入的特點(diǎn)，進(jìn)一步提出全球能源互聯(lián)網(wǎng)戰(zhàn)略，倡導(dǎo)煤炭、天然氣、石油、太陽(yáng)能、風(fēng)能等一次能源將電網(wǎng)作為能源傳輸?shù)妮d體，大規(guī)模地開(kāi)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(wǎng)公司將退出購(gòu)售電市場(chǎng)，只負(fù)責(zé)輸配電網(wǎng)的建設(shè)與維護(hù)，電網(wǎng)將進(jìn)一步向社會(huì)開(kāi)放，電網(wǎng)拓?fù)浣Y(jié)構(gòu)對(duì)能源生產(chǎn)和使用將起到更大的作用，從而對(duì)二氧化碳排放產(chǎn)生深刻的影響。特高壓/高壓直流輸電線路使得中國(guó)各省份實(shí)現(xiàn)了跨區(qū)域的電網(wǎng)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(yuǎn)的省份可以通過(guò)特高壓/高壓直流輸電線路建設(shè)，在業(yè)已形成的電網(wǎng)拓?fù)浣Y(jié)構(gòu)的基礎(chǔ)上對(duì)空間權(quán)重矩陣進(jìn)行修改，以利于碳排放指標(biāo)的減少。因此，研究如何通過(guò)高壓電網(wǎng)建設(shè)改變空間權(quán)重矩陣從而改變碳排放指標(biāo)的空間溢出關(guān)系有重要的學(xué)術(shù)價(jià)值和現(xiàn)實(shí)意義。endprint

本文根據(jù)高壓交流/直流線路建設(shè)時(shí)序，結(jié)合現(xiàn)有電網(wǎng)拓?fù)浣Y(jié)構(gòu)，構(gòu)建空間權(quán)重矩陣，評(píng)價(jià)碳排放指標(biāo)的空間溢出效應(yīng)；應(yīng)用動(dòng)態(tài)空間杜賓面板模型，對(duì)各省份碳排放指標(biāo)與其影響因素進(jìn)行回歸分析，更全面地反映各影響因素對(duì)碳排放的直接效應(yīng)和間接效益；在動(dòng)態(tài)空間回歸的基礎(chǔ)上，研究建設(shè)中的高壓交流/直流線路對(duì)空間權(quán)重矩陣的影響，以反事實(shí)計(jì)量的方法反映在建和規(guī)劃的特高壓交流/直流線路對(duì)碳減排指標(biāo)空間溢出關(guān)系的影響。

2動(dòng)態(tài)空間杜賓面板計(jì)量模型

2.1空間權(quán)重矩陣的設(shè)置

空間權(quán)重矩陣反映研究對(duì)象在地理空間中的相互影響，是空間計(jì)量區(qū)別于傳統(tǒng)計(jì)量方法的基礎(chǔ)。由于空間權(quán)重矩陣W必須為常數(shù)陣，而電力線路的建設(shè)與投運(yùn)具有時(shí)序性，使得電網(wǎng)的拓?fù)浣Y(jié)構(gòu)呈現(xiàn)隨時(shí)間變化的特點(diǎn)，即新建線路的投運(yùn)導(dǎo)致電網(wǎng)拓?fù)浣Y(jié)構(gòu)改變。如果按傳統(tǒng)的方法對(duì)W進(jìn)行賦值，線路投運(yùn)年前后會(huì)得到不同的空間權(quán)重矩陣。為解決此問(wèn)題，本文提出了基于電力線路投運(yùn)時(shí)間的空間權(quán)重矩陣綜合賦值法，如t年m月有新線路投運(yùn)，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(shí)期的末年，yrmin表示研究時(shí)期的開(kāi)始年份，yrt表示線路投產(chǎn)年份，m表示線路投產(chǎn)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(chǎn)時(shí)期越早，對(duì)兩省之間的空間溢出效應(yīng)貢獻(xiàn)越高；越接近于0表示線路投產(chǎn)時(shí)間越晚，對(duì)兩省間的空間溢出效應(yīng)貢獻(xiàn)越低。如電力線路在yrmin年1月前投運(yùn)，則相應(yīng)位置賦值為1；如在yrmax年12月還未投運(yùn)，則相應(yīng)位置賦值為0。完成賦值后再將空間權(quán)重矩陣W行/列標(biāo)準(zhǔn)化，用于動(dòng)態(tài)空間計(jì)量分析。同時(shí)，為實(shí)現(xiàn)分年度的全局MoranI指標(biāo)分析與Moran散點(diǎn)圖的繪制，定義各年度的空間權(quán)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(wú)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(biāo)分析的理論基礎(chǔ)：I=aPbAcTde，其中a為常數(shù)項(xiàng)，e為殘差項(xiàng)，表示隨機(jī)影響，I、P、A與T分別表示碳排放指標(biāo)、人口、人均財(cái)富與技術(shù)。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(chǎn)業(yè)結(jié)構(gòu)、能源強(qiáng)度、能源結(jié)構(gòu)與R&D研發(fā)投入表示T的影響，同時(shí)根據(jù)已有研究成果選取對(duì)外開(kāi)放程度、外商直接投資作為控制變量，擴(kuò)展STIRPAT，兩邊取對(duì)數(shù)為：

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

下標(biāo)i、t分別表示相關(guān)省份與時(shí)間。Pop為人口規(guī)模，URB為城市化率，PGDP為人均GDP，IS為產(chǎn)業(yè)機(jī)構(gòu)，EI為能源強(qiáng)度，ECS為電力占比，RD為科研投入占比，TR為進(jìn)出口貿(mào)易額占比，F(xiàn)DIS為FDI存量?？紤]碳排放指標(biāo)的動(dòng)態(tài)空間相關(guān)效應(yīng)后，擴(kuò)展為動(dòng)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(biāo)滯后一期的彈性系數(shù)，ρ與η分別表示碳排放指標(biāo)與其滯后一期的空間自相關(guān)項(xiàng)的彈性系數(shù)，W為標(biāo)準(zhǔn)化后的空間權(quán)重矩陣。μ=（μ1，μ2，…，μN(yùn)）表示個(gè)體效應(yīng)，αt表示時(shí)間效應(yīng)，lN為N×1單位向量，（Xit）k表示k個(gè)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(gè)數(shù)。e=（e1，e2，…，eN）為殘差項(xiàng)。Elhorst[7]指出，對(duì)于大N小T型的空間面板數(shù)據(jù)，τ+ρ+η<1則指標(biāo)穩(wěn)定，τ+ρ+η≥1則需對(duì)碳排放指標(biāo)空間差分處理后在進(jìn)行動(dòng)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(shè)的情況下將空間杜賓模型（SDM）簡(jiǎn)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(zhuǎn)化為動(dòng)態(tài)空間自回歸模型與動(dòng)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(duì)角線元素的平均值表示直接效應(yīng)，非對(duì)角線元素的行/列元素之和表示間接效應(yīng)，采用多變量正態(tài)分布模擬最大似然函數(shù)，以評(píng)估直接效應(yīng)與間接效應(yīng)在統(tǒng)計(jì)上的顯著性。

3碳排放動(dòng)態(tài)空間效應(yīng)的實(shí)證分析

3.1變量說(shuō)明與數(shù)據(jù)來(lái)源

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

（1）碳排放指標(biāo)（I）：采用碳排放強(qiáng)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(quán)重矩陣（W）：以國(guó)家電網(wǎng)公司和中國(guó)南方電網(wǎng)公司2014年《電網(wǎng)運(yùn)行方式報(bào)告》中的電網(wǎng)拓?fù)鋱D為基礎(chǔ)，找出省間500 kV以上的電力線路聯(lián)絡(luò)線。根據(jù)聯(lián)絡(luò)線路，從歷年《中國(guó)電力統(tǒng)計(jì)年鑒》中的重大工程部分找出省間最早投運(yùn)線路的投運(yùn)日期，按照公式（2）對(duì)空間權(quán)重矩陣進(jìn)行賦值，再對(duì)權(quán)重矩陣進(jìn)行標(biāo)準(zhǔn)化處理。

（3）人口規(guī)模（Pop）：取自wind數(shù)據(jù)庫(kù)。

（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(lái)源于《中國(guó)統(tǒng)計(jì)年鑒》，2001—2004數(shù)據(jù)參考周一星等[14]，采用聯(lián)合國(guó)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(lái)自歷年《中國(guó)統(tǒng)計(jì)年鑒》，按GDP價(jià)格平減指數(shù)統(tǒng)一折算為2014年價(jià)，與人口規(guī)模數(shù)據(jù)相除得到。

（6）產(chǎn)業(yè)結(jié)構(gòu)（IS）：采用第二產(chǎn)業(yè)增加值占GDP的比重表示，取自《中國(guó)統(tǒng)計(jì)年鑒》。

（7）能源強(qiáng)度（EI）：以各省能源消耗總量與區(qū)域生產(chǎn)總值的比值表示，數(shù)據(jù)取自《中國(guó)能源統(tǒng)計(jì)年鑒》。

（8）電力占比（ECS）：采用各省電力在能源消費(fèi)中的占比表示。數(shù)據(jù)來(lái)自《中國(guó)能源統(tǒng)計(jì)年鑒》，統(tǒng)一折算為標(biāo)準(zhǔn)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(jìn)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(lái)自《中國(guó)科技統(tǒng)計(jì)年鑒》，1998—1999年的數(shù)據(jù)用科技投入數(shù)據(jù)替代。

（10）對(duì)外貿(mào)易水平（TR）：采用各省進(jìn)出口總額與GDP的比值表示，數(shù)據(jù)來(lái)自國(guó)家統(tǒng)計(jì)局網(wǎng)站國(guó)家數(shù)據(jù)庫(kù)。

（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(shí)期t省份i的實(shí)際利用外商直接投資額，用當(dāng)年平均匯率轉(zhuǎn)換為人民幣計(jì)價(jià)。參照單豪杰[15]，折舊率δ取10.6%，Iit表示時(shí)期t省份i的固定資產(chǎn)投資價(jià)格指數(shù)。數(shù)據(jù)來(lái)自《新中國(guó)六十年統(tǒng)計(jì)資料匯編1949—2008》和《中國(guó)統(tǒng)計(jì)年鑒》，采用Iit折算為2014年價(jià)。

3.2碳排放指標(biāo)的空間相關(guān)性分析

全局空間相關(guān)性：據(jù)方程（2）的方法分年度對(duì)空間權(quán)重矩陣賦值，將其標(biāo)準(zhǔn)化以計(jì)算中國(guó)省際碳排放強(qiáng)度、人均碳排放量的全局Morans I指數(shù)，結(jié)果如圖1所示。1998—2014年間中國(guó)省際碳排放強(qiáng)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(shì)，說(shuō)明中國(guó)各省間的電力線路是一種有效的碳排放強(qiáng)度溢出渠道。由于各年份的全局Morans I指數(shù)均為正，說(shuō)明高壓電力線路的布局對(duì)碳排放強(qiáng)度的空間分布格局有很強(qiáng)的影響，有電力線路連接的

省份，碳排放強(qiáng)度趨于一致。同理，人均碳排放量也遵從高壓電力線路拓?fù)浣Y(jié)構(gòu)的分布，呈現(xiàn)出高度的空間正相關(guān)性。

局部空間相關(guān)性：根據(jù)方程（2）的方法分年度對(duì)空間權(quán)重矩陣賦值，可以得到1998年、2006年、2014年的碳排放強(qiáng)度Moran散點(diǎn)圖。隨著電網(wǎng)拓?fù)浣Y(jié)構(gòu)的加強(qiáng)，落于第一、三象限，呈現(xiàn)空間同質(zhì)性的省份越來(lái)越多。1998年，由于新疆、青海、山東、海南和福建電網(wǎng)為孤網(wǎng)運(yùn)行（電網(wǎng)與其他省份不相聯(lián)），故其Moran散點(diǎn)圖位于橫坐標(biāo)軸上（空間相關(guān)性為0）；到2006年，只剩新疆、海南電網(wǎng)呈現(xiàn)孤網(wǎng)運(yùn)行，故橫坐標(biāo)上只剩下兩個(gè)點(diǎn)；到2014年初，所有省份的電網(wǎng)均與其他省份相聯(lián)，不再有省份落于橫坐標(biāo)軸上，除個(gè)別省份有空間異質(zhì)性的特點(diǎn)外，大部分省份均呈現(xiàn)空間同質(zhì)性的特征。

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

可見(jiàn)，電網(wǎng)拓?fù)浣Y(jié)構(gòu)對(duì)各省份的局部空間相關(guān)性有顯著的影響，電網(wǎng)拓?fù)浣Y(jié)構(gòu)隨時(shí)間越強(qiáng)，碳排放指標(biāo)呈現(xiàn)空間同質(zhì)性的省份越多。將一次能源豐富且碳排放指標(biāo)不高的中西部地區(qū)與一次能源相對(duì)匱乏且碳排放指標(biāo)較高的東部負(fù)荷中心省份相聯(lián)，可以通過(guò)空間同質(zhì)性控制東部省份的碳排放指標(biāo)。

3.3實(shí)證分析結(jié)果

3.3.1碳排放強(qiáng)度及影響因素的動(dòng)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(yàn)方法對(duì)本文9個(gè)解釋變量進(jìn)行穩(wěn)定性檢驗(yàn)，發(fā)現(xiàn)均穩(wěn)定，不存在偽回歸問(wèn)題。

現(xiàn)有的空間計(jì)量方法，集中于空間自相關(guān)項(xiàng)的系數(shù)處理與修正[7-8]，而對(duì)可能同時(shí)存在的解釋變量?jī)?nèi)生性問(wèn)題缺乏有效的處理方法。本節(jié)使用Davidsonmackinon方法對(duì)解釋變量的內(nèi)生性進(jìn)行檢驗(yàn)，對(duì)存在內(nèi)生性的解釋變量使用其滯后一期值代替原變量進(jìn)行動(dòng)態(tài)空間回歸分析，以得到更為穩(wěn)健的結(jié)果。

內(nèi)生性檢驗(yàn)：在不計(jì)及動(dòng)態(tài)空間相關(guān)性的前提下，采用Davidsonmackinon的解釋變量?jī)?nèi)生性檢驗(yàn)方法。原假設(shè)分別為人口規(guī)模、城市化率、人均GDP、產(chǎn)業(yè)結(jié)構(gòu)、能源強(qiáng)度、電力占比、R&D研發(fā)水平、對(duì)外貿(mào)易水平與FDI存量的對(duì)數(shù)值均與干擾項(xiàng)不相關(guān)（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(yàn)統(tǒng)計(jì)量分別為：4.56、0.77、0.76、0.88、6.38、0.79、0.48、1.16與0.00，對(duì)應(yīng)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(qiáng)度對(duì)數(shù)值的外生性假設(shè)被拒絕，此兩變量存在內(nèi)生性問(wèn)題，其余解釋變量均可作為碳排放強(qiáng)度的外生變量。

按照方程（1）的方法，根據(jù)全國(guó)高壓電網(wǎng)拓?fù)浣Y(jié)構(gòu)對(duì)空間權(quán)重矩陣W進(jìn)行賦值，由于W的賦值已充分考慮了時(shí)間效應(yīng)，故不再對(duì)時(shí)間效應(yīng)進(jìn)行分析。首先，采用空間Hausman檢驗(yàn)方法對(duì)空間隨機(jī)效應(yīng)模型和空間固定效應(yīng)模型進(jìn)行選擇，檢驗(yàn)結(jié)果均選擇空間固定效應(yīng)模型。由于SLM模型、SEM均與SDM模型存在嵌套關(guān)系（nested model），采用Wald檢驗(yàn)與LR（似然比）檢驗(yàn)方法對(duì)靜態(tài)空間面板模型的形式進(jìn)行選擇，并在此基礎(chǔ)上進(jìn)行動(dòng)態(tài)空間面板模型分析。SDM模型可以被簡(jiǎn)化為SLM模型的原假設(shè)H0：γk=0，Wald檢驗(yàn)值為22.66，拒絕原假設(shè)；LR檢驗(yàn)值為23.35，拒絕原假設(shè)。Wald檢驗(yàn)與LR檢驗(yàn)的結(jié)果均支持SDM模型。SDM模型可以被簡(jiǎn)化為SEM模型的原假設(shè)H0：ρ+γkβk=0，Wald檢驗(yàn)與LR檢驗(yàn)的結(jié)果均支持SDM模型。endprint

將SDM模型動(dòng)態(tài)化得到DSDM模型，估算其直接/間接效應(yīng)，結(jié)果如表1所示。由于碳排放強(qiáng)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(shè)為碳排放強(qiáng)度空間自相關(guān)項(xiàng)、滯后一期項(xiàng)與滯后一期空間自相關(guān)項(xiàng)的系數(shù)之和為1，構(gòu)造Wald統(tǒng)計(jì)量R′inv（var cov）R，R=τ+ρ+η-1，varcov為動(dòng)態(tài)面板回歸中τ、ρ與η對(duì)應(yīng)的協(xié)方差矩陣。該方程中τ+ρ+η=-0.119，Wald檢驗(yàn)值為6.147，為1的顯著性水平低于5%，表明考慮動(dòng)態(tài)空間效應(yīng)后，經(jīng)過(guò)對(duì)數(shù)化處理的碳排放強(qiáng)度數(shù)據(jù)穩(wěn)定。同時(shí)，由于各解釋變量均穩(wěn)定，故動(dòng)態(tài)空間回歸結(jié)果不存在偽回歸問(wèn)題。

直接/間接效益：為了檢驗(yàn)解釋變量直接、間接與總效應(yīng)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(jì)量判斷其顯著性。為保證結(jié)果的穩(wěn)健性，模擬次數(shù)設(shè)為10 000次，結(jié)果如表1所示。

碳排放強(qiáng)度空間自相關(guān)項(xiàng)的系數(shù)為0.186，為零的顯著性水平小于1%，表明通過(guò)高壓電網(wǎng)互聯(lián)省份的碳排放強(qiáng)度正相關(guān)，高壓電力線路的建設(shè)引致碳排放強(qiáng)度空間正向溢出?？紤]到高壓電網(wǎng)電力潮流主要是由中西部的能源生產(chǎn)省份流向東部、中部的負(fù)荷中心省份，而中西部省份的碳排放強(qiáng)度相對(duì)于東部較低，因此東部負(fù)荷中心碳排放強(qiáng)度會(huì)隨著與中西部省份高壓電網(wǎng)的互聯(lián)而降低，高壓電網(wǎng)聯(lián)網(wǎng)的方式引起了碳排放強(qiáng)度的空間轉(zhuǎn)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(yīng)不顯著。通過(guò)高壓電網(wǎng)的空間溢出影響后，人口規(guī)模總效應(yīng)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(qiáng)度上升0.467%。這是因?yàn)橥ㄟ^(guò)全國(guó)范圍的高壓電網(wǎng)互聯(lián)，使得能源的生產(chǎn)實(shí)現(xiàn)了全國(guó)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(qiáng)度，卻使得能源生產(chǎn)省份的能源產(chǎn)量增加，碳排放強(qiáng)度上升，由于高壓電網(wǎng)互聯(lián)省份碳排放強(qiáng)度變化的空間同質(zhì)性，使得本省份的碳排放強(qiáng)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(yīng)顯著。通過(guò)高壓電網(wǎng)的空間溢出影響后，城市化率總效應(yīng)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(qiáng)度增加0.249%?？梢?jiàn)，城市化率變化對(duì)碳排放強(qiáng)度的

直接效應(yīng)顯著，間接效益不顯著，總效應(yīng)的統(tǒng)計(jì)顯著性較弱。這是因?yàn)槌鞘芯用裣鄬?duì)于農(nóng)村居民，其生產(chǎn)、生活產(chǎn)生的碳排放強(qiáng)度較高；隨著省間人口自由流動(dòng)，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(yīng)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(yīng)顯著。通過(guò)高壓電網(wǎng)的空間溢出影響后，人均GDP總效應(yīng)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(qiáng)度下降0.243%。人均GDP提高對(duì)碳排放強(qiáng)度的直接效應(yīng)顯著，間接效應(yīng)不顯著。這是因?yàn)橹袊?guó)經(jīng)濟(jì)的

發(fā)展方式逐步由粗放型轉(zhuǎn)向更注重科技與技術(shù)進(jìn)步的集約型；同時(shí)，各省政府對(duì)碳排放強(qiáng)度降低的重視程度進(jìn)一步提高，通過(guò)各項(xiàng)政策逐步淘汰碳排放強(qiáng)度較高的落后產(chǎn)業(yè)，積極引入對(duì)環(huán)境更為友好的新興產(chǎn)業(yè)，使得經(jīng)濟(jì)增長(zhǎng)過(guò)程中碳排放強(qiáng)度進(jìn)一步降低。

產(chǎn)業(yè)結(jié)構(gòu)的彈性系數(shù)為0.235，為零的顯著性水平低于1%，直接效應(yīng)顯著；間接效應(yīng)的彈性系數(shù)為0.397，為零的顯著性水平低于1%；總效應(yīng)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(chǎn)業(yè)占比每提升1%，其碳排放強(qiáng)度增加0.652%，高壓電網(wǎng)溢出的間接效益高于直接效應(yīng)。這是因?yàn)榈诙a(chǎn)業(yè)單位GDP所消耗的能源遠(yuǎn)高于第三產(chǎn)業(yè)，其占比提升直接導(dǎo)致本省份的碳排放強(qiáng)度增加；又由于各省份的第二產(chǎn)業(yè)占比增加，必然使得第二產(chǎn)業(yè)向其他省份外溢，由于全國(guó)標(biāo)桿電價(jià)使得各省份用電成本差別較小，高壓電網(wǎng)又為這種產(chǎn)業(yè)轉(zhuǎn)移提供了能源保障，故其間接效應(yīng)顯著。

能源強(qiáng)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(wǎng)拓?fù)浣Y(jié)構(gòu)的影響后，總效應(yīng)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(qiáng)度下降1%，碳排放強(qiáng)度下降1.1%，能源強(qiáng)度的間接效益的彈性系數(shù)遠(yuǎn)高于直接效應(yīng)，降低各省份的能源強(qiáng)度能大幅減少碳排放強(qiáng)度。這是因?yàn)楸臼》菽茉蠢眯实奶嵘倘荒芙档妥陨淼奶寂欧艔?qiáng)度，也能通過(guò)全國(guó)高壓電網(wǎng)的空間溢出效應(yīng)緩解能源生產(chǎn)基地的壓力，從而降低其碳排放強(qiáng)度，碳排放強(qiáng)度的空間同質(zhì)性又進(jìn)一步使得自身的碳排放強(qiáng)度降低?？梢?jiàn)，高壓電網(wǎng)互聯(lián)的同時(shí)必須輔以關(guān)閉小型火力電廠、鼓勵(lì)大型火力發(fā)電廠建設(shè)，鼓勵(lì)可再生能源利用等能源效率提升的相關(guān)政策，才能更好地改善碳排放強(qiáng)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(wǎng)拓?fù)浣Y(jié)構(gòu)的影響后，電力占比總效應(yīng)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(duì)碳排放強(qiáng)度降低的直接效應(yīng)顯著，間接效應(yīng)不顯著，但總效應(yīng)的彈性系數(shù)略高于直接效應(yīng)。因此，強(qiáng)化全國(guó)高壓電網(wǎng)互聯(lián)的同時(shí)，提升各省份電力在能源消費(fèi)中的占比，能更好地發(fā)揮全國(guó)聯(lián)網(wǎng)的優(yōu)勢(shì)，從總體上降低碳排放強(qiáng)度。

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

3.3.2人均碳排量及影響因素的動(dòng)態(tài)空間分析

本文同時(shí)以人均二氧化碳排放量表示碳排放指標(biāo)，應(yīng)用動(dòng)態(tài)空間面板模型進(jìn)行回歸分析，更全面地反映電網(wǎng)拓?fù)浣Y(jié)構(gòu)對(duì)碳排放指標(biāo)的影響。同理使用Davidsonmackinon方法對(duì)解釋變量的內(nèi)生性進(jìn)行檢驗(yàn)，對(duì)存在內(nèi)生性的解釋變量使用其滯后一期值進(jìn)行動(dòng)態(tài)空間回歸分析，以得到更為穩(wěn)健的結(jié)果。

內(nèi)生性檢驗(yàn)：在不計(jì)及動(dòng)態(tài)空間相關(guān)性的前提下，采用Davidsonmackinon方法檢驗(yàn)解釋變量是否存在內(nèi)生性問(wèn)題。原假設(shè)分別為人口規(guī)模、城市化率、人均GDP、產(chǎn)業(yè)結(jié)構(gòu)、能源強(qiáng)度、電力占比、R&D研發(fā)水平、對(duì)外貿(mào)易水平與FDI存量的對(duì)數(shù)值均與干擾項(xiàng)不相關(guān)（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(yàn)統(tǒng)計(jì)量分別為：5.14、0.80、1.41、1.44、4.51、0.60、0.57、2.58與0.01，對(duì)應(yīng)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(qiáng)度對(duì)數(shù)值的外生性假設(shè)被拒絕，存在內(nèi)生性問(wèn)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(guó)高壓電網(wǎng)拓?fù)浣Y(jié)構(gòu)對(duì)空間權(quán)重矩陣W進(jìn)行賦值，同理不再對(duì)時(shí)間效應(yīng)進(jìn)行分析。采用空間Hausman檢驗(yàn)方法對(duì)空間隨機(jī)效應(yīng)模型和空間固定效應(yīng)模型進(jìn)行選擇，采用Wald檢驗(yàn)與LR（似然比）檢驗(yàn)方法對(duì)靜態(tài)空間面板模型的形式進(jìn)行選擇。檢驗(yàn)結(jié)果顯示，應(yīng)選擇固定效應(yīng)的SDM模型。將SDM模型動(dòng)態(tài)化得到DSDM模型，估算其直接/間接效應(yīng)。人均碳排放量空間自相關(guān)項(xiàng)、滯后一期項(xiàng)與滯后一期空間自相關(guān)項(xiàng)的系數(shù)之和為-0.538，Wald檢驗(yàn)值為47.03，為1的顯著性水平低于1%，表明考慮動(dòng)態(tài)空間效應(yīng)后，經(jīng)過(guò)對(duì)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(dòng)態(tài)空間回歸結(jié)果不存在偽回歸問(wèn)題。

回歸結(jié)果顯示，人均碳排放量的空間自相關(guān)項(xiàng)系數(shù)與碳排放強(qiáng)度的空間自相關(guān)項(xiàng)系數(shù)符號(hào)相同，大小相近；同時(shí)，人口規(guī)模、城市化率、產(chǎn)業(yè)結(jié)構(gòu)、能源強(qiáng)度、電力占比的彈性系數(shù)對(duì)人均碳排放量的影響與其對(duì)碳排放強(qiáng)度的影響極為相似。這表明，不論以碳排放強(qiáng)度還是人均碳排放量衡量碳排放指標(biāo)，用電網(wǎng)拓?fù)浣Y(jié)構(gòu)為基礎(chǔ)構(gòu)造的空間權(quán)重矩陣使用動(dòng)態(tài)空間面板模型進(jìn)行分析，得到的結(jié)論較為一致。

人均GDP對(duì)碳排放強(qiáng)度的影響與其對(duì)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(yīng)顯著；考慮電網(wǎng)拓?fù)浣Y(jié)構(gòu)的空間溢出效應(yīng)后，人均GDP每上升1%，人均碳排放量上升1.576%，且結(jié)果均高度可靠。但是，人均GDP對(duì)碳排放強(qiáng)度的彈性系數(shù)為負(fù)，總效應(yīng)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(duì)值的影響，而碳排放強(qiáng)度反映每萬(wàn)元GDP產(chǎn)出所產(chǎn)生的碳排放量。經(jīng)濟(jì)發(fā)展方式轉(zhuǎn)為能源集約型后，碳排放強(qiáng)度隨著經(jīng)濟(jì)發(fā)展水平的提高而下降，但是其絕對(duì)值仍然是增加的，反映為人均碳排放量隨著經(jīng)濟(jì)發(fā)展水平的提高而上升。

3.3.3不同電網(wǎng)拓?fù)浣Y(jié)構(gòu)對(duì)碳排放指標(biāo)的影響

作為《大氣污染防治行動(dòng)》的配套政策，國(guó)家能源局于2014年5月發(fā)布《國(guó)家能源局關(guān)于加快推進(jìn)大氣污染防治行動(dòng)計(jì)劃12條重點(diǎn)輸電通道建設(shè)的通知》。由于此12條在建線路均在2014年后陸續(xù)開(kāi)工，對(duì)碳排放指標(biāo)的影響效果無(wú)法評(píng)估，故采用反事實(shí)計(jì)量的方法，假設(shè)其在1998年已建成投運(yùn)，據(jù)此修改空間權(quán)重矩陣，使用動(dòng)態(tài)空間杜賓面板模型進(jìn)行回歸分析。將回歸結(jié)果與原空間權(quán)重矩陣的回歸結(jié)果進(jìn)行比對(duì)分析，識(shí)別出12條在建輸電線路對(duì)碳排放指標(biāo)的影響。

內(nèi)生性檢驗(yàn)的結(jié)果顯示人口規(guī)模與能源強(qiáng)度為內(nèi)生變量，其他解釋變量為外生變量。假設(shè)12條在建線路在1998年前投運(yùn)，其動(dòng)態(tài)空間回歸結(jié)果如表2所示。加入12條線路后，碳排放強(qiáng)度的空間自相關(guān)項(xiàng)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(shí)計(jì)量方法所使用的指標(biāo)數(shù)據(jù)未變，各省份間碳排放強(qiáng)度的同期空間正相關(guān)性減弱。這是因?yàn)殡m然采用反事實(shí)計(jì)量的方法修改了空間權(quán)重矩陣，但是碳排放強(qiáng)度數(shù)據(jù)依然是權(quán)重矩陣修改前的數(shù)據(jù)，故空間正相關(guān)性的減弱不是12條在建線路加入后的結(jié)果，但是加入高壓電力線路可以影響碳排放強(qiáng)度空間相關(guān)性的結(jié)論是成立的。觀察人均碳排放量空間自相關(guān)項(xiàng)的系數(shù)變化可以得到相似的結(jié)論。

碳排放強(qiáng)度：與表1的結(jié)果相比，能源強(qiáng)度間接效應(yīng)與總效應(yīng)的彈性系數(shù)大幅增加，表明加入12條在建線路加強(qiáng)電網(wǎng)結(jié)構(gòu)后，本省份能源強(qiáng)度下降的空間溢出效應(yīng)大為增強(qiáng)，通過(guò)高壓電網(wǎng)相聯(lián)省份的碳排放強(qiáng)度大幅下降，使得總效應(yīng)的彈性系數(shù)大幅增加。因此，通過(guò)高壓線路的新建使得電網(wǎng)結(jié)構(gòu)加強(qiáng)后，能源效率的提升對(duì)碳排放強(qiáng)度的下降變得更為關(guān)鍵，《大氣污染防治計(jì)劃》必須配套能源效率提升政策才能發(fā)揮出大規(guī)模跨省電網(wǎng)建設(shè)的效果。

電力占比的彈性系數(shù)與其總效應(yīng)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(wǎng)聯(lián)系越強(qiáng)，提升電力占比越能改善碳排放強(qiáng)度。提升電力占比應(yīng)成為各省份改善碳排放強(qiáng)度的一項(xiàng)重要措施。

人口規(guī)?？傂?yīng)的彈性系數(shù)顯著增加，產(chǎn)業(yè)結(jié)構(gòu)的彈性系數(shù)與其總效應(yīng)的彈性系數(shù)略微增加，人均GDP的彈性系數(shù)與其總效應(yīng)的彈性系數(shù)變化不大。表明通過(guò)12條線路加強(qiáng)電網(wǎng)結(jié)構(gòu)后，碳排放強(qiáng)度對(duì)人口規(guī)模的增加更為敏感，第二產(chǎn)業(yè)占比提升對(duì)碳排放強(qiáng)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(duì)碳排放強(qiáng)度的影響與電網(wǎng)強(qiáng)化前的水平相當(dāng)。

人均碳排放量：與表1的結(jié)果相比，加入12條線路后，能源強(qiáng)度的間接效應(yīng)大幅增加，導(dǎo)致總效應(yīng)大幅增加。說(shuō)明電網(wǎng)拓?fù)浣Y(jié)構(gòu)加強(qiáng)后，通過(guò)高壓電力線路相聯(lián)的各省份之間的能源生產(chǎn)與消費(fèi)的一體化效應(yīng)得到增強(qiáng)。本省份能源強(qiáng)度的增加，會(huì)通過(guò)電網(wǎng)拓?fù)浣Y(jié)構(gòu)影響到其他省份，省份之間的電網(wǎng)聯(lián)系越強(qiáng)，空間溢出的間接效應(yīng)越顯著，從而使得能源強(qiáng)度總效應(yīng)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(guān)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(yīng)的彈性系數(shù)略微下降，但絕對(duì)值仍達(dá)0.471。表明提升電力占比應(yīng)成為各省份改善人均碳排放量的一項(xiàng)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(yīng)大幅增加，導(dǎo)致總效應(yīng)大幅增加。說(shuō)明電網(wǎng)拓?fù)浣Y(jié)構(gòu)加強(qiáng)后，相聯(lián)的各省份之間的經(jīng)濟(jì)同質(zhì)性得到一定的加強(qiáng)，由于中國(guó)現(xiàn)階段人均GDP增加導(dǎo)致人均碳排放量增加，因此各省份人均GDP的增加對(duì)人均碳排放量的壓力通過(guò)高壓電網(wǎng)的空間溢出效應(yīng)進(jìn)一步增強(qiáng)。人口規(guī)?？傂?yīng)的彈性系數(shù)增加，城市化率、產(chǎn)業(yè)結(jié)構(gòu)的彈性系數(shù)與總效應(yīng)的彈性系數(shù)變化不大。這一結(jié)果與碳排放強(qiáng)度的情況相近。

因此，加入12條在建電力線路后，通過(guò)高壓電力線路相聯(lián)各省的碳排放指標(biāo)空間同質(zhì)性會(huì)發(fā)生相應(yīng)的改變，能源強(qiáng)度的降低與電力占比的提升對(duì)改善碳排放指標(biāo)日益重要?？梢?jiàn)，要使《大氣污染防治行動(dòng)》配套的12條線路能降低碳排放指標(biāo)，配套能源效率提升與擴(kuò)大電力在終端能源比重的政策成為關(guān)鍵。

4結(jié)論

本文根據(jù)高壓電網(wǎng)拓?fù)浣Y(jié)構(gòu)構(gòu)建空間權(quán)重矩陣，并采用動(dòng)態(tài)空間杜賓模型進(jìn)行回歸分析，在計(jì)量方法上的貢獻(xiàn)體現(xiàn)在兩個(gè)方面：一是采用動(dòng)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(jié)果；二是在回歸分析前對(duì)解釋變量進(jìn)行了內(nèi)生性檢驗(yàn)，并采用內(nèi)生變量的滯后一期代替原變量進(jìn)行回歸分析，克服了動(dòng)態(tài)空間面板分析不注重解釋變量?jī)?nèi)生性的問(wèn)題。endprint

動(dòng)態(tài)空間杜賓面板模型回歸得到如下結(jié)論：一是高壓電網(wǎng)互聯(lián)使得中國(guó)各省份間的碳排放指標(biāo)呈現(xiàn)出空間同質(zhì)性的特點(diǎn)。通過(guò)高壓電網(wǎng)互聯(lián)能使中西部能源生產(chǎn)省

份與東部省份的碳排放指標(biāo)趨于一致；中西部地區(qū)能通過(guò)大量生產(chǎn)電力并使用高壓電網(wǎng)傳輸?shù)姆绞綔p少東部的碳排放指標(biāo)。二是高壓電網(wǎng)互聯(lián)后，能源強(qiáng)度的降低與電力占比的提升對(duì)減少碳排放指標(biāo)起著關(guān)鍵的作用，各省份在實(shí)現(xiàn)高壓電網(wǎng)聯(lián)網(wǎng)的同時(shí)，須配套相應(yīng)的能源效率提升政策并提升電力在能源消費(fèi)中的比重才能更好地發(fā)揮高壓

電網(wǎng)互聯(lián)的效果，有效降低碳排放指標(biāo)。三是《大氣污染防治計(jì)劃》配套的12條高壓電力線路改變了中國(guó)各省之間碳排放指標(biāo)的空間同質(zhì)性，使得能源強(qiáng)度、電力占比的彈性系數(shù)與其總效應(yīng)的彈性系數(shù)進(jìn)一步增加，提升能源效率和電力占比對(duì)降低碳排放指標(biāo)的作用日益突出。

（編輯：劉照勝）

參考文獻(xiàn)（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(guó)能源消費(fèi)碳排放強(qiáng)度及其影響因素的空間計(jì)量[J]. 地理學(xué)報(bào)， 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(lái)，陳仲常，王玲. 中國(guó)省際碳排放效率的空間計(jì)量[J]. 中國(guó)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(shù)才，宋琪. 中國(guó)區(qū)域碳排放強(qiáng)度的空間計(jì)量分析[J]. 統(tǒng)計(jì)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(wǎng)[M]. 北京：中國(guó)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(wǎng)[M]. 北京：中國(guó)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(chǔ)對(duì)我國(guó)分省城市化水平數(shù)據(jù)修補(bǔ)[J]. 統(tǒng)計(jì)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(guó)資本存量K的再估算：1952—2006年[J]. 數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)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(guó)霧霾污染治理的經(jīng)濟(jì)政策選擇——基于空間溢出效應(yīng)的視角[J].經(jīng)濟(jì)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