焦雨生

(武昌首義學(xué)院 經(jīng)濟(jì)管理學(xué)院,湖北 武漢 430064)

進(jìn)入21世紀(jì),全球金融危機(jī)、中美貿(mào)易戰(zhàn)、英國脫歐和貿(mào)易伙伴國貿(mào)易政策的改變等因素推高了中國的經(jīng)濟(jì)政策不確定性。人們注意到,一國經(jīng)濟(jì)政策的高度不確定性不但對本國宏觀經(jīng)濟(jì)變量,如消費(fèi)、投資和其他經(jīng)濟(jì)活動產(chǎn)生不利影響,也通過各種渠道影響社會和環(huán)境等。生態(tài)足跡是衡量一國生態(tài)環(huán)境的重要指標(biāo),經(jīng)濟(jì)政策不確定性對生態(tài)足跡的影響可以是負(fù)面的,也可以是正面的,原因在于經(jīng)濟(jì)政策不確定性提高了能源消耗,從短期和長期來看都增加了二氧化碳排放,惡化了生態(tài)足跡[1-3],這一效應(yīng)可稱為“消費(fèi)效應(yīng)”。另一方面,將投資區(qū)分為資源消耗型投資和資源節(jié)約型投資,更高的經(jīng)濟(jì)政策不確定性使企業(yè)家推遲投資計劃,資源消耗型投資的減少使二氧化碳排放量減少,并最終優(yōu)化生態(tài)足跡,而資源節(jié)約型投資,如新能源投資、環(huán)保投資、研究與開發(fā)(R&D)投資等的減少使二氧化碳排放增加,并最終惡化生態(tài)足跡,這一效應(yīng)可以稱為“投資效應(yīng)”。因此,最終經(jīng)濟(jì)政策不確定性對生態(tài)足跡的影響取決于“消費(fèi)效應(yīng)”和“投資效應(yīng)”的綜合,抑或何者占主導(dǎo)地位。2020年9月,在第75屆聯(lián)合國大會上,中國提出要實(shí)現(xiàn)2030年前碳達(dá)峰、2060年前碳中和的目標(biāo),這是以習(xí)近平同志為核心的黨中央經(jīng)過深思熟慮作出的重大戰(zhàn)略決策。本文以生態(tài)足跡來衡量一國的生態(tài)環(huán)境,以中國為研究對象,采用時變參數(shù)因子增廣向量自回歸模型(TVP-FAVAR),在時變的環(huán)境中分析經(jīng)濟(jì)政策不確定性對生態(tài)足跡的“消費(fèi)效應(yīng)”和“投資效應(yīng)”,有助于深刻了解經(jīng)濟(jì)政策不確定性和生態(tài)足跡的動態(tài)響應(yīng)關(guān)系,制定合理政策規(guī)避經(jīng)濟(jì)政策不確定性對生態(tài)足跡的負(fù)面影響,實(shí)現(xiàn)我國對國際社會的莊嚴(yán)承諾。

一、文獻(xiàn)綜述

在過去的幾十年里,經(jīng)濟(jì)增長和環(huán)境變化之間的關(guān)系日益引起學(xué)者們的興趣。大量研究探討了環(huán)境庫茲涅茨曲線(收入與環(huán)境之間的倒U型關(guān)系)的有效性。這些研究在結(jié)果、方法和數(shù)據(jù)上各不相同,大量的實(shí)證研究支持倒U型關(guān)系[4-6]。然而,越來越多的研究對這一結(jié)論提出了質(zhì)疑。Bagliani et al[7]利用141個國家2001年的生態(tài)足跡數(shù)據(jù),對標(biāo)準(zhǔn)和對數(shù)線性、二次和三次函數(shù)執(zhí)行普通最小二乘和加權(quán)最小二乘分析,通過非參數(shù)回歸復(fù)制跨國分析,研究結(jié)果表明,環(huán)境庫茲涅茨曲線不成立。Yong Wang et al[8]認(rèn)生態(tài)足跡在全球范圍內(nèi)具有顯著的空間自相關(guān)性,這違反了大多數(shù)傳統(tǒng)估計技術(shù)中獨(dú)立分布誤差的假設(shè)。該文利用空間計量經(jīng)濟(jì)學(xué)方法,重新檢驗(yàn)了經(jīng)濟(jì)增長與生態(tài)環(huán)境之間的關(guān)系,結(jié)果沒有發(fā)現(xiàn)倒U型環(huán)境庫茲涅茨曲線存在的證據(jù)。Aziz N et al[9]使用完全修正最小二乘法(FMOLS)、動態(tài)最小二乘法(DOLS)和代數(shù)多重網(wǎng)格算法(AMG)方法利用金磚國家1995年至2018年的年度數(shù)據(jù),探索旅游業(yè)、可再生能源和經(jīng)濟(jì)增長與碳排放的關(guān)系。該研究最終指出金磚四國不存在環(huán)境庫茲涅茨曲線。而Danish &Khan[1]利用DOLS和FMOLS方法,證實(shí)了環(huán)境庫茲涅茨曲線在金磚國家中的有效性。從當(dāng)前研究的數(shù)據(jù)來看,大部分研究采用的是面板數(shù)據(jù),少數(shù)研究使用時間序列數(shù)據(jù)來研究環(huán)境庫茲涅茨曲線。例如,Mrabet et al[10]采用1980-2011年期間卡塔爾生態(tài)足跡數(shù)據(jù),采用具有結(jié)構(gòu)突變的自回歸分布滯后自回歸分布滯后模型(ARDL)估計,通過對短期和長期收入彈性的比較研究,證明了環(huán)境庫茲涅茨曲線在卡塔爾并不成立。

生態(tài)足跡是近年來國際上發(fā)展的用于定量研究和判斷一個國家或地區(qū)可持續(xù)發(fā)展?fàn)顩r的新方法,其值越高表明人類對生態(tài)的破壞就越嚴(yán)重。大量的文獻(xiàn)探討了影響生態(tài)足跡的經(jīng)濟(jì)和非經(jīng)濟(jì)因素,除了環(huán)境庫茲涅茨曲線中提到的經(jīng)濟(jì)增長因素外,還包括了：

(1)旅游業(yè)。大部分學(xué)者以生態(tài)足跡、空氣污染物和生物多樣性等作為環(huán)境指標(biāo),以旅游業(yè)國內(nèi)生產(chǎn)總值等作為經(jīng)濟(jì)指標(biāo),考察了旅游業(yè)對環(huán)境的影響。Ozturk et al[11]基于1988-2008年數(shù)據(jù)為144個國家建立了環(huán)境退化模型,利用生態(tài)足跡作為環(huán)境指標(biāo),旅游業(yè)的國內(nèi)生產(chǎn)總值作為經(jīng)濟(jì)指標(biāo),表明游客欣賞改善的環(huán)境質(zhì)量,這迫使決策者采取嚴(yán)格的環(huán)境措施,使生態(tài)足跡得到優(yōu)化。Qureshi et al[12]考察了1995-2016年間35個國家的國際旅游指標(biāo)、空氣污染物和生態(tài)生物多樣性之間的關(guān)系,認(rèn)為旅游業(yè)可以增加不可再生能源和污染密集型商品和服務(wù)的使用,從而惡化生態(tài)足跡 。

(2)全球化。學(xué)者們主要采用大樣本的面板數(shù)據(jù)考察全球化對環(huán)境的影響。比如,Rudolph &Figge[13]考察了1981-2009年期間的146個國家;Saud et al[14]調(diào)查了1990-2014年間的響應(yīng)“一帶一路”倡議的國家。這些研究大多認(rèn)為經(jīng)濟(jì)全球化惡化了生態(tài)足跡,但是社會全球化優(yōu)化了生態(tài)足跡,同時,政治全球化不影響生態(tài)足跡。

(3)能源消耗。Baloch[15]對1990年至2016年間59個“一帶一路”沿線國家的面板數(shù)據(jù)采用了Driscoll-Kraay面板回歸模型,認(rèn)為能源消耗等使生態(tài)足跡惡化,另一項(xiàng)以16個歐盟國家的研究也支持了該結(jié)論[16-17],該研究區(qū)分了不可再生能源和可再生能源,認(rèn)為不可再生能源消費(fèi)惡化了生態(tài)足跡,而可再生能源消費(fèi)優(yōu)化了生態(tài)足跡。

(4)其他。包括了：城市化[15,17]、外國直接投資[18-19]、人力資本[20-21]和生育率[16]等。

Wang et al[2]提出了將經(jīng)濟(jì)政策不確定性與環(huán)境退化聯(lián)系起來的兩個渠道,即消費(fèi)和投資。認(rèn)為經(jīng)濟(jì)政策不確定性減少了能源消耗和污染密集型商品的使用,因此,環(huán)境退化將得到緩解。然而,經(jīng)濟(jì)政策不確定性也會阻礙可再生能源和R&D的投資,最終導(dǎo)致環(huán)境惡化。Wang et al[2]雖然提出了消費(fèi)效應(yīng)和投資效應(yīng),但是僅僅考慮了可再生能源投資和R&D的投資效應(yīng),是不全面的。在消費(fèi)效應(yīng)方面,一些學(xué)者認(rèn)為經(jīng)濟(jì)政策不確定性減少了能源消耗和污染密集型商品的使用。因此,生態(tài)足跡得到改善。然而更多的研究認(rèn)為經(jīng)濟(jì)政策不確定性提高了能源消耗,從短期和長期來看都增加了二氧化碳排放量[1-3],并最終惡化了生態(tài)足跡。

在投資效應(yīng)方面,Jiang et al[22]以美國為研究對象,認(rèn)為從經(jīng)濟(jì)政策不確定性到碳排放存在單向因果關(guān)系,因?yàn)榻?jīng)濟(jì)政策不確定性不鼓勵對清潔能源的投資,并將決策者的注意力轉(zhuǎn)向經(jīng)濟(jì)穩(wěn)定。隨著二氧化碳排放的減少,生態(tài)足跡得以改善。同樣,Chen et al[23]認(rèn)為經(jīng)濟(jì)政策不確定性不鼓勵R&D投資和可再生能源投資,最終會減少二氧化碳的排放。另一方面,更多的研究認(rèn)為經(jīng)濟(jì)政策不確定性提高了能源消耗,從短期和長期來看都增加了二氧化碳排放量[1-3],并最終惡化了生態(tài)足跡。

由于消費(fèi)效應(yīng)和投資效應(yīng)的存在,最終經(jīng)濟(jì)政策不確定性對生態(tài)足跡的影響取決于這兩種效應(yīng)的綜合效果。最近的一項(xiàng)研究考察了1990年至2015年期間十大碳排放國二氧化碳排放量的影響,并采用具有結(jié)構(gòu)突變的自回歸分布滯后模型(PMG-ARDL)建模方法,研究結(jié)果肯定了世界不確定性指數(shù)對二氧化碳排放的短期和長期影響。從短期來看,世界不確定性指數(shù)增加1%,導(dǎo)致二氧化碳排放量增加0.11%;從長期來看,二氧化碳排放量增加將增加0.12%[24]。

當(dāng)前研究主要存在兩個問題：第一,當(dāng)前研究大多采用了歷史與邏輯、理論與實(shí)線相統(tǒng)一的邏輯理路,新意頻出,但是沒有考慮到消費(fèi)和投資的中介效應(yīng),一些文獻(xiàn)雖然區(qū)分了經(jīng)濟(jì)政策不確定性對生態(tài)足跡影響的消費(fèi)效應(yīng)和投資效應(yīng),但沒有進(jìn)行相應(yīng)的實(shí)證檢驗(yàn)[2];第二,當(dāng)前研究主要采用向量自回歸模型(VAR)、結(jié)構(gòu)向量自回歸模型(SVAR)、面板向量自回歸模型(PVAR)和時變參數(shù)向量自回歸模型(TVP-VAR),考慮到維數(shù)災(zāi)難,納入模型的變量往往非常有限,這樣容易產(chǎn)生遺漏變量的問題,并影響模型對現(xiàn)實(shí)的解釋能力。鑒于上述問題,本文采用因子增廣向量自回歸模型 (FAVAR)納入更多的變量,在時變的環(huán)境中定量考察經(jīng)濟(jì)政策不確定性對生態(tài)足跡影響的消費(fèi)效應(yīng)和投資效應(yīng),具有一定的理論意義和現(xiàn)實(shí)意義。

二、模型與變量

(一)理論模型 當(dāng)前研究經(jīng)濟(jì)政策不確定性對經(jīng)濟(jì)社會沖擊的研究大都是基于自回歸條件異方差模型(GARCH),該模型可以深入了解時間序列的波動性結(jié)構(gòu),然而GARCH模型沒有提供明確的統(tǒng)一方法來揭示所涉及變量之間運(yùn)行的波動性動態(tài)并識別結(jié)構(gòu)變化,而且在許多情況下,難以實(shí)現(xiàn)用于估計參數(shù)優(yōu)化算法的收斂性。

Sims[25]引入的VAR模型已成為宏觀經(jīng)濟(jì)變量之間動態(tài)關(guān)系建模的常用工具,但由于傳統(tǒng)VAR模型中各變量的參數(shù)估計是固定的,無法對結(jié)構(gòu)突變時的非線性關(guān)系進(jìn)行有效解釋。Primiceri[26]認(rèn)為外生沖擊的傳導(dǎo)機(jī)制和變化都隨著時間的推移而改變,提出了時變參數(shù)隨機(jī)波動VAR模型,即TVP-VAR模型,該模型相對于常數(shù)參數(shù)VAR模型具有優(yōu)勢,因?yàn)樗恍枰獙?shù)據(jù)分成子樣本來確認(rèn)模型結(jié)構(gòu)的變化[27]。通過TVP-VAR模型,可以增加一個與時間相對應(yīng)的額外維度,從而可以檢查不同時間點(diǎn)的響應(yīng)。但是TVP-VAR模型的明顯缺陷是納入的變量較少,如果添加過多的變量容易進(jìn)入“維數(shù)魔咒”。

Bernanke et al[28]將 VAR 模型進(jìn)行擴(kuò)展,提出因子增廣向量自回歸模型 (FAVAR),該模型的特點(diǎn)在于將大量的宏觀信息提煉成少數(shù)的幾個精煉指標(biāo),并且只丟失很少的信息。這種處理方法一方面可以最大程度利用宏觀經(jīng)濟(jì)信息,另一方面也使得高維數(shù)據(jù)的分析大大簡化,能夠有效解決TVP-VAR模型存在的變量過少、信息有限的缺陷。根據(jù)Bernanke et al[28]的研究,FAVAR 模型的具體形式如下：

式中：Ft、Yt分別代表不可觀測和可觀測的經(jīng)濟(jì)指標(biāo)向量,t 表示期數(shù);B(L)表示為 p 階滯后多項(xiàng)式;vt～N(0,∑)是均值為零、協(xié)方差矩陣為∑的隨機(jī)誤差項(xiàng)。為了處理不可觀察指標(biāo)的估計問題,依據(jù) Bernanke et al[28],假定Ft、Yt共同引起了Xt的變化,即滿足：

Xt=ΛfFt+ΛyYt+εt

(2)

式中：Λf和Λy分別代表因子載荷矩陣;εt為隨機(jī)誤差項(xiàng)。根據(jù)式(2)來估計經(jīng)濟(jì)指標(biāo)向量Ft,然后將經(jīng)濟(jì)指標(biāo)向量Ft代入式(1)進(jìn)行計量分析。

對于Ft的估計Bernanke等[28]使用了兩步法。第一步將序列變量Xt劃分為可觀測和不可觀測兩類,可觀測變量直接代入模型,不可觀測變量,則進(jìn)行主成分分析得出信息集合Ft。然后,對總體集合Xt同樣進(jìn)行也做主成分分析處理,記為 Ct=(Ft,Yt),并提取前面K+M個主成分構(gòu)成新的信息集合Ct。形成(3)式：

Ct=bfFt+byYt+εt

(3)

由方程(3)可得到不可觀測經(jīng)濟(jì)指標(biāo)向量Ft的估計值Ct-byY。

第二步將Ft的估計值和帶入式(1)得到：

式中：Γ(L)為p階滯后多項(xiàng)式;μt為隨機(jī)誤差項(xiàng)。

在通過FAVAR模型提取公因子的基礎(chǔ)上,為考察經(jīng)濟(jì)政策不確定性波動對生態(tài)足跡消費(fèi)效應(yīng)和投資效應(yīng)的時變性影響,本文進(jìn)一步構(gòu)建TVP-FAVAR模型,在這個模型中,通過允許參數(shù)時變,以捕捉濟(jì)政策不確定性波動對生態(tài)足跡消費(fèi)效應(yīng)和投資效應(yīng)的時變效應(yīng)。

本文采用馬爾科夫蒙特卡洛方法(MCMC)算法估計時變參數(shù),并從樣本的后驗(yàn)分布中抽取樣本,進(jìn)行10000次MCMC抽樣得到相關(guān)時變參數(shù)的估計值。估計脈沖響應(yīng)時用每次MCMC迭代計算脈沖響應(yīng),并在迭代結(jié)束時取平均值,以計算其后驗(yàn)平均值,雖然該方法大大降低了計算速度,但提供了基于響應(yīng)和模型中所有參數(shù)的聯(lián)合后驗(yàn)分布的估計。

(二)變量說明 本文考察經(jīng)濟(jì)政策不確定性對生態(tài)足跡影響的消費(fèi)效應(yīng)和投資效應(yīng),時間序列的區(qū)間為2004年1月到2018年12月,共180期,各變量如表1所示：

表1 各變量說明

三、實(shí)證結(jié)果

(一)公因子提取結(jié)果 首先進(jìn)行巴特利特球形檢驗(yàn)和Kaiser-Meyer-Olkin檢驗(yàn)(KMO),將x1-x16共16個變量納入分析,利用stata16.0為分析工具,結(jié)果巴特利特球形檢驗(yàn)p值為0.0000,小于0.05,否定原假設(shè),KMO值為0.747,適合進(jìn)行因子分析。

其次進(jìn)行因子分析,根據(jù)特征根大于1,共提取兩個公因子,累積貢獻(xiàn)率為0.6545,如表2所示。

表2 公因子提取結(jié)果

通過負(fù)荷矩陣可以看出,公因子1對x1、x2、x7和x9有解釋力度,公因子2對x10、x11、x13和x14有解釋力度,如表3所示。

表3 公因子對相關(guān)變量的解釋力度

很明顯,公因子1代表了消費(fèi)效應(yīng),公因子2代表了投資效應(yīng)。經(jīng)過因子旋轉(zhuǎn)和因子得分測算,最終得到消費(fèi)效應(yīng)因子(xfxy)和投資效應(yīng)因子(tzxy)。

(二)MCMC模擬結(jié)果 利用stata16.0檢驗(yàn)數(shù)據(jù)的平穩(wěn)性,各變量均在1%的顯著性水平上平穩(wěn),可以認(rèn)為通過平穩(wěn)性檢驗(yàn)。利用stata16.0計算滯后階數(shù),確定滯后階數(shù)為2階。考慮到變量間的相互關(guān)系,設(shè)定變量進(jìn)入順序?yàn)閘nepu、xfxy、tzxy、foot,依次建立一個四變量的 TVP-FAVAR模型,MCMC抽樣次數(shù)為10000次,包含截距項(xiàng)和對角協(xié)方差矩陣,模擬結(jié)果見表4：

表4 MCMC模擬結(jié)果

由于Geweke收斂判斷數(shù)值均小于5%的臨界水平 1.96,對于5%顯著性水平的TVP-FAVAR模型參數(shù),未拒絕估計結(jié)果收斂于后驗(yàn)分布的無效假設(shè)。此外,無效因子最大值為153.32,其余均在100以內(nèi)。95%的置信區(qū)間包括每個估計參數(shù)的估計后驗(yàn)平均值。因此,結(jié)果表明,MCMC算法可以有效地生成后驗(yàn)圖。

(三)基于不同滯后期的脈沖響應(yīng)分析 以提前4、8和12期表征短期、中期和長期沖擊,圖1顯示了不同提前期的脈沖響應(yīng)圖,可以看出：

圖1 不同提前期各變量脈沖響應(yīng)圖

給予經(jīng)濟(jì)政策不確定性一個單位標(biāo)準(zhǔn)差的沖擊,(1)對投資效應(yīng)的短期、中期和長期效應(yīng)為負(fù),且短期、中期和長期的效應(yīng)依次遞減;(2)對消費(fèi)效應(yīng)的短期、中期和長期效應(yīng)總體為正,且短期、中期和長期效應(yīng)依次遞減,長期效應(yīng)總體與零值無明顯差異;(3)對生態(tài)足跡的短期、中期和長期效應(yīng)總體為正,且短期、中期和長期效應(yīng)無明顯差異。

給予投資效應(yīng)一個單位標(biāo)準(zhǔn)差的沖擊,對生態(tài)足跡的總體效應(yīng)為負(fù),且在2015年以后表現(xiàn)明顯,短期、中期和長期效應(yīng)無明顯差異。給予消費(fèi)效應(yīng)一個單位標(biāo)準(zhǔn)差的沖擊,對生態(tài)足跡的總體效應(yīng)為正,且短期、中期和長期效應(yīng)無明顯差異。

(三)基于特定時點(diǎn)的脈沖響應(yīng)分析 在考察經(jīng)濟(jì)政策不確定性對生態(tài)足跡的沖擊時,選定2007年10月(t=46)、2009年9月(t=69)和2015年7月(t=139)三個時間點(diǎn)進(jìn)行脈沖響應(yīng)分析。選取這三個時間點(diǎn)的原因?yàn)椋旱谝?三個時間點(diǎn)分別代表了時間序列的前段、中段和后段;第二,三個時間點(diǎn)對應(yīng)了引發(fā)經(jīng)濟(jì)政策不確定性的三個重要事件,即2007年10月,中國共產(chǎn)黨第十七次全國代表大會的召開;2009年全球性金融危機(jī)對中國經(jīng)濟(jì)的嚴(yán)重沖擊和2015年“一帶一路”的實(shí)質(zhì)性推進(jìn)。從圖2脈沖響應(yīng)圖可以看出,在三個時間點(diǎn),經(jīng)濟(jì)政策不確定性對投資效應(yīng)、消費(fèi)效應(yīng)和生態(tài)足跡的影響表現(xiàn)在：(1)對投資效應(yīng)的脈沖沖擊在前2期迅速擴(kuò)大,此后收斂到(-3,0)的負(fù)反饋區(qū)間內(nèi);(2)對消費(fèi)效應(yīng)的脈沖沖擊在前2期迅速擴(kuò)大,此后逐漸趨于零值;(3)對生態(tài)足跡的脈沖沖擊在前5期迅速擴(kuò)大,此后保持平穩(wěn)并收窄到(0.1,0.7)的正反饋區(qū)間內(nèi)。表明經(jīng)濟(jì)政策不確定性對投資的沖擊是長期的,而對消費(fèi)則傾向于短期沖擊,在消費(fèi)效應(yīng)和投資效應(yīng)的綜合下,經(jīng)濟(jì)政策不確定性對生態(tài)足跡的影響是正向的。

圖2 固定時間點(diǎn)各變量脈沖響應(yīng)圖

在t=46和t=69兩個時間點(diǎn),投資效應(yīng)對生態(tài)足跡的脈沖沖擊緩慢縮小,收窄到(-0.0125,-0.0375)的負(fù)反饋區(qū)間內(nèi),而在t=139時間點(diǎn),投資效應(yīng)對生態(tài)足跡的脈沖沖擊總體為前兩個時間點(diǎn)的3倍左右,且在第7期后緩慢縮小。在t=46和t=139時間點(diǎn),消費(fèi)效應(yīng)對生態(tài)足跡的脈沖沖擊緩慢縮小,收窄到0.004附近,而在t=69時間點(diǎn),消費(fèi)效應(yīng)對生態(tài)足跡的脈沖沖擊在前5期迅速擴(kuò)大,隨后穩(wěn)定在0.034附近。表明在2007年10月和2009年9月這兩個時間點(diǎn),經(jīng)濟(jì)政策不確定性對生態(tài)足跡的負(fù)向沖擊是有限的,而在2015年以后,經(jīng)濟(jì)政策不確定性對生態(tài)足跡的負(fù)向沖擊在變大,意味著2015年以后經(jīng)濟(jì)政策不確定性提高了生態(tài)環(huán)境的質(zhì)量。其原因在于2015年以來,隨著中國領(lǐng)導(dǎo)人執(zhí)政理念的變化和對環(huán)境保護(hù)的日益關(guān)切,以及“一帶一路”的實(shí)質(zhì)性推進(jìn),投資的增加帶來了生態(tài)環(huán)境的持續(xù)改善。

四、結(jié)論

本文結(jié)論如下：

(1)經(jīng)濟(jì)政策不確定性提高了能源消耗,增加了二氧化碳排放,惡化了生態(tài)足跡,這一效應(yīng)可以被稱為“消費(fèi)效應(yīng)”。將投資區(qū)分為資源消耗型投資和資源節(jié)約型投資,更高的經(jīng)濟(jì)政策不確定性使企業(yè)家推遲投資計劃,資源消耗型投資的減少使生態(tài)足跡優(yōu)化,而資源節(jié)約型投資的減少使生態(tài)足跡惡化,這種效應(yīng)可以被稱為“投資效應(yīng)”。因此,最終經(jīng)濟(jì)政策不確定性對生態(tài)足跡的影響取決于“消費(fèi)效應(yīng)”和“投資效應(yīng)”的綜合。以中國為研究對象,根據(jù)2004年1月到2017年12月的月度數(shù)據(jù),采用TVP-FAVAR模型,發(fā)現(xiàn)在消費(fèi)效應(yīng)和投資效應(yīng)的綜合中,中國經(jīng)濟(jì)政策不確定性的提升最終對生態(tài)足跡帶來了負(fù)面影響,進(jìn)一步從不確定性的來源看,中國經(jīng)濟(jì)政策不確定性主要受到了世界經(jīng)濟(jì),特別是美國經(jīng)濟(jì)政策不確定性的影響。

(2)給與投資一個單位標(biāo)準(zhǔn)差的沖擊,對生態(tài)足跡的影響是不確定的。其效應(yīng)取決于新能源投資、資源節(jié)約型投資和R&D投資等所占的比例,比例越高越也有利于優(yōu)化生態(tài)足跡。本文沒有明確區(qū)分資源消耗性投資和資源節(jié)約型投資,原因在于二者往往交叉在一起,難以區(qū)分。雖然新能源投資、環(huán)保投資和R&D投資等可以找到具體的數(shù)據(jù),但是不足以概括資源節(jié)約型投資的全部。

(3)2015年以來,隨著中國領(lǐng)導(dǎo)人執(zhí)政理念的變化、對環(huán)境保護(hù)的日益關(guān)切以及“一帶一路”的實(shí)質(zhì)性推進(jìn),投資的增加帶來了生態(tài)環(huán)境的持續(xù)改善(見圖1和圖2)。經(jīng)濟(jì)政策不確定性的提高對生態(tài)環(huán)境負(fù)面影響在逐步縮小。為了順利實(shí)現(xiàn)碳達(dá)峰和碳中和的目標(biāo),中國不僅要關(guān)注新能源投資、資源節(jié)約型投資和R&D投資等對生態(tài)環(huán)境的優(yōu)化作用,還要警惕經(jīng)濟(jì)政策不確定性和能源消耗增加對生態(tài)環(huán)境的惡化作用。

本文研究了經(jīng)濟(jì)政策不確定性對生態(tài)足跡的消費(fèi)效應(yīng)和投資效應(yīng),并最終探討了經(jīng)濟(jì)政策不確定性對生態(tài)足跡的影響。本文的結(jié)論有利于一國在經(jīng)濟(jì)政策不確定的環(huán)境下,通過調(diào)整本國的消費(fèi)政策和投資政策,緩解經(jīng)濟(jì)活動對環(huán)境的影響。當(dāng)然,本文也存在著缺陷,一方面,本文研究經(jīng)濟(jì)政策不確定性下的投資對環(huán)境的影響,卻沒有考慮資源節(jié)約型投資和資源消耗性投資的區(qū)別;另一方面,本文提出了通過調(diào)整消費(fèi)政策和投資政策來緩解經(jīng)濟(jì)活動對環(huán)境的影響,但是沒有提出具體的措施。這些缺陷也是以后研究的方向。