文章快速检索     高级检索
  中国环境管理  2022, Vol. 14 Issue (2): 34-42  
0

引用本文 

王璐, 方行明. 中国清洁电力发展对二氧化碳排放的空间效应及影响路径研究[J]. 中国环境管理, 2022, 14(2): 34-42.
WANG Lu, FANG Xingming. Research on the Spatial Effect and Impact Path of China's Clean Power Development on Carbon Dioxide Emission[J]. Chinese Journal of Environmental Management, 2022, 14(2): 34-42.

基金项目

国家自然科学基金项目青年科学基金项目“同质竞争、政府管制与产能过剩——基于中国电力行业的研究”(72003156)

作者简介

王璐(1994—),女,博士研究生,研究方向为国民经济学,E-mail: 1474344301@qq.com.

责任作者

方行明(1956—),男,国民经济研究所所长,研究员,博士生导师,研究方向为国民经济学,E-mail: xingmingf@163.com.
中国清洁电力发展对二氧化碳排放的空间效应及影响路径研究
王璐 , 方行明     
西南财经大学经济学院, 四川成都 611130
摘要: 有关清洁电力是否有效降低二氧化碳排放,有两种不同观点,本文分析了产生争议的原因,并基于机理分析,选取1998—2018年中国30个省份的相关数据,利用空间面板杜宾模型研究清洁电力发展对区域二氧化碳排放的影响。回归结果显示:①二氧化碳排放在省域之间具有显著的正向空间溢出效应。②清洁电力发展与二氧化碳排放之间呈倒U形关系并通过了一系列稳健性检验。③进一步地通过效应分解发现,清洁电力发展无论是直接效应还是间接效应,均需要达到一定的门槛值之后才会对区域二氧化碳排放产生促减效用。最后,通过中介效应模型检验发现,清洁电力发展带来的能源消费结构调整和能源利用效率改变是影响二氧化碳排放的作用机制。
关键词: 清洁电力发展    二氧化碳减排    空间溢出效应    效应分解    传导机制    
Research on the Spatial Effect and Impact Path of China's Clean Power Development on Carbon Dioxide Emission
WANG Lu , FANG Xingming     
School of Economics, Southwest University of Finance and Economics, Chengdu 611103, China
Abstract: There are two different views on whether clean power is effective in reducing carbon dioxide emissions. This paper analyzes the reasons for the controversy, and based on the mechanism analysis, the relevant data of 30 provinces in China from 1998 to 2018 and the spatial panel Durbin model (SDM) are used to study the impact and characteristics of clean power development on regional carbon dioxide emissions. Regression results show that carbon dioxide emissions have a significant positive spatial spillover effect among provinces; there is an inverted U-shaped relationship between clean power development and carbon dioxide emission and this conclusion passes a series of robustness tests. Furthermore, through the effect decomposition, it is found that the development of clean power, whether direct effect or indirect effect, needs to reach the threshold value before it can reduce the carbon emissions. Finally, through the mediating effect model, it is found that the adjustment of energy consumption structure and the change of energy intensity brought by the development of clean power are the mechanisms that affect carbon dioxide emissions.
Keywords: clean power development    carbon dioxide emissions    spatial spillover effect    effect decomposition    transmission mechanism    
引言

大气中温室气体浓度升高带来的气候变暖和极端天气事件频发等一系列环境问题使各国逐渐意识到减排的迫切性[1]。作为一个负责任的大国,中国近些年来一直倡导绿色发展并积极参与国际各项环保工作,努力实现国内经济增长与碳(CO2)排放之间的脱钩关系。近期,“2060碳中和”目标的提出更是对中国的低碳任务提出了明确要求。虽然中国已于2018年实现全国碳排放强度比2005年下降45.8%,基本扭转了温室气体排放快速增长的局面,然而,全国CO2排放总量却仍处于波动上升当中。这说明,从CO2排放总量角度,剖析温室气体减排路径至关重要

① 数据来源:《中国应对气候变化的政策与行动2019年度报告》,参见:http://www.ncsc.org.cn/yjcg/cbw/201912/P020191202625356887110.pdf

② 温室气体中最主要的组成部分为二氧化碳,故本文采取二氧化碳排放等同于碳排放这一设定。

同时,随着国家能源安全形势的进一步严峻,清洁能源与温室气体排放的关系逐渐受到重视[2]。尤其是对煤炭高度依赖的中国电力行业而言,发展清洁能源关键在于实现电力行业的低碳转型。国家统计局数据显示,2014—2019年我国电力产量不断扩大,清洁发电占总发电量的比重也在逐年提高。这表明清洁电力发展在减少CO2排放方面将发挥越来越重要的作用。然而,事实上直到2019年,中国仍有约70% 的电力来自化石能源。这意味着在经济高质量发展的过程中,必须不断提高清洁电力的比例,以能源转型驱动碳减排。在上述背景下,本文将克服现有研究的不足,对中国清洁电力发展与CO2排放之间的长期关系进行实证考察,从而为中国CO2减排提供科学的经验证据。

③ 清洁电力指利用特定的发电设备(如水力发电机组、太阳能光伏电池等),将水能、太阳能等可再生能源转化成的电能。另外,本文清洁电力也包括核电。

1 文献回顾

目前,学术界关于清洁能源与CO2排放关系的实证研究主要形成两种观点:一种观点认为,清洁能源发展有利于减少CO2排放,如国内学者林美顺研究发现增加清洁能源消费是降低CO2排放的主要动因之一[3]。该观点与鲁万波等[4]以及彭水军等[5]的研究结论一致。国外学者Baek等通过多变量协整向量自回归研究发现核能有助于减少国家的CO2排放[6]。Shafiei等利用STIRPAT模型实证得出可再生能源的消费减少了CO2排放的结论[7]。另外一种观点认为,清洁能源发展并不能显著减少CO2排放。例如,国内学者徐斌等使用中国30个省份的面板数据,研究认为从线性角度来看清洁能源发展并不会显著降低CO2排放量[8]。国外学者Jaforullah等[9]以及Kahia等[10]分别通过格兰杰因果关系检验和面板向量自回归(PVAR)方法发现,CO2排放水平与可再生能源消费无关。

综合来看,研究结论的不同导致各自对应的政策含义也不明晰。只有明确结论相悖的原因,克服现有研究的不足,才能制定出符合中国国情的清洁能源发展战略,帮助中国顺利实现碳达峰与碳中和。而根据已有学者观点,悖论原因主要在于:第一,研究对象、研究方法以及使用数据时间跨度的不同[4];第二,研究期间某些能源对一个国家的重要性发生了改变[11];第三,所建模型中遗漏其他影响CO2排放的重要变量[9]。除此之外,我们认为现有研究的不足还表现在以下方面:

第一,清洁电力发展对CO2排放可能表现出不同的阶段性影响。发展前期,受限于开发技术与相关基建的不成熟,清洁电力仅在可再生能源丰富的西南、西北地区得到大规模生产消费,其他区域的经济发展仍然依托于化石能源,小规模清洁电力发展带来的减排量不足以抵消大规模化石能源消费带来的增排量。另外,由于西南、西北地区清洁电力快速发展,会产生逆向激励,诱使该地方政府发展高能耗高排放产业,从而造成清洁电力发展并不会带来CO2排放的大幅减少反而整体上表现为促增效应的局面。然而,等发展到一定阶段之后,技术突破可使各地的清洁能源得到充分开发,加上存储、运输等基础设备的完善使清洁电力可以运往各地,此时化石能源消费比例会大幅下降。此外,随着社会进步居民对物质的追求会转向环境诉求,迫使政府放弃高污染企业转而发展绿色产业。当清洁电力发展带来的减排效益超过化石能源消费带来的增排效应,就会降低CO2排放总量。因此,清洁电力与CO2排放之间可能并非仅仅是简单的线性关系,二者之间的长期关系需要使用特殊的非线性计量模型来确定。

第二,在大气流动及产业转移等因素的影响下各区域CO2排放理应具有较强的空间相关性[12]。这意味着在研究中国清洁电力发展与CO2排放的长期关系时,需要考虑CO2排放自身的空间溢出效应。另外,中国各地之间存在资源共享、产业互助、经济互动、污染共治等联动现象,能源消费、产业结构、经济发展水平等经济要素对省域间CO2的影响必然也存在空间效应,通过对各因素溢出效应的细致分解,才可以从全局角度,为国家制定清洁能源发展政策提供针对性的政策建议。但是,现有研究在考察清洁能源发展与CO2排放的关系时大多采用了截面数据模型或者传统的面板数据模型,没有考虑到空间要素,这会降低结果的准确性。

第三,尽管少数研究就清洁能源发展对CO2排放的影响机制进行了理论阐述,但其中存在的作用机制尚未进行规范的实证检验,使得其中的机理分析缺乏严谨性,从而无法准确理解清洁能源发展驱动CO2减排的传导路径。

为克服上述研究的不足,本文以1998—2018年中国省级面板数据为研究样本,将基于空间杜宾模型(SDM)及中介效应模型就清洁电力发展与CO2排放的长期关系及其传导途径进行系统的实证考察,最终提出具有针对性且符合中国实际的清洁能源发展建议。

2 模型构建与数据说明 2.1 基准模型构建

理论上,中国各区域间经济联系日益紧密,空间聚集现象愈加明显,模型构建时既要思考CO2排放的空间溢出效应,也要考虑清洁电力发展带来的空间溢出效应。另外,其他对CO2排放产生影响的经济变量也可能存在空间溢出效应,故SDM适宜作为本文研究的基准模型。本文基于STIRPAT模型[13]和地理学第一定律[14],将基准SDM模型扩展为式(1):

(1)

其中,it分别代表中国30个省份截面单位(不包含西藏、港澳台数据)和年份,j表示i省份的相邻省份;ln CO2表示取对数处理的CO2年排放总量;W是衡量中国30个省份之间联系的空间权重矩阵;CE为核心解释变量,即清洁电力发展水平;X为一组相关控制变量;β0~β6为待估系数;ε为随机扰动项。

2.2 数据来源与说明

本文共收集了1998—2018年全国30个省份的相关统计数据,数据来源于1999—2019年的《中国统计年鉴》《中国能源统计年鉴》《中国人口与就业统计年鉴》。另外,对于《中国统计年鉴》上部分缺失数据通过查找各省份统计年鉴进行补齐。主要变量的解释与说明及描述性统计结果分别如表 1表 2所示。

表 1 主要变量的衡量方式与数据处理
表 2 描述性统计结果
2.3 空间权重矩阵

考虑到地理距离空间权重矩阵或经济距离空间权重矩阵仅体现了地理因素或经济因素对CO2排放空间分布特征的影响,本文参考邵帅等[16]的研究,令W=ωW1 + (1-ω) W2,构造了基于省域的地理距离与经济距离的嵌套空间权重矩阵(W)。其中,ω表示地理距离空间权重矩阵(W1)的权重且取值为0.5;其中,W1的元素Wij取值为区域i与区域j经纬度距离平方的倒数;W2表示经济距离空间权重矩阵,其元素Wijij区域1998—2018年人均GDP年均值绝对差值的倒数。

3 主要结论与稳健性分析 3.1 CO2排放的空间相关性检验

在回归之前需要对中国省域CO2排放的空间相关性进行检验,以判定前文所构建的基准模型是否恰当。检验方法主要是计算历年全局Moran's I指数和观察平均局部Moran's I散点图。表 3说明在权重矩阵W下中国1998—2018年Moran's I的值均为正且伴随概率均通过5% 水平的显著性检验,这说明中国各省份CO2排放表现为正的空间依赖性。另外,观察图 1,1998—2018年中国平均CO2排放值的Moran's I的系数为0.423,且30个省级区域有22个区域处于一、三象限。进一步证明中国省域CO2排放数据呈现“低—低”“高—高”的空间集聚特点。因此,本文所建模型具有合理性。

表 3 中国省域CO2排放全局Moran's I指数
图 1 中国CO2排放的Moran's I散点图
3.2 非线性关系是否存在?

表 4报告了中国省域清洁电力发展对CO2排放影响的空间计量分析结果。参照邵帅等所使用的方法[16],第(1)、(2)和(5)列仅考虑了核心解释变量(清洁电力发展)和STIRPAT模型包含的基本变量(经济增长、衡量人口特征的城市化、共同衡量技术水平的能源强度和研发强度)对CO2排放的影响,第(3)、(4)、(6)列则在此基础上加入了其他控制变量。除了第(2)、(4)列使用的随机效应回归,其余结果均为固定效应回归。基于面板数据特征以及控制变量选择的全面性,我们重点关注第(6)列双固定效应回归结果。

表 4 清洁电力发展与CO2排放非线性关系的回归结果

表 4显示CO2空间滞后项的系数通过1% 的显著性检验,说明CO2的确存在显著的空间溢出效应,说明我们选择此计量模型是符合现实经济的。具体来看,CO2排放空间滞后项的系数为0.277,表明本地区域的CO2排放每增加1个单位,会向其他地区溢出0.277个单位。正如Anselin所言,空间数据都有可能存在空间自相关性[17],本文证明CO2排放数据也不例外。主要原因在于CO2排放会受到区域间重工业产业转移、碳排放权交易以及能源利用区域调动等因素影响,使其存在一定的空间自相关性且表现为正向空间溢出效应。同时,表 4各列结果均表明,清洁电力发展的一次方和二次方系数均在1% 的水平上显著,即中国清洁电力发展与CO2排放之间存在显著的倒U形关系。这说明在早期阶段,清洁电力发展没有起到显著减少CO2排放的作用;而到了后期阶段,清洁电力发展有助于减少CO2排放。原因在于发展前期,不成熟的清洁能源生产、传输及利用等方面的技术以及小规模的产量消费量会导致CO2增加成为清洁能源建设出现的“副产品”。另外,清洁电力发展在我国呈现出明显的区位差异,这导致西部地区由于清洁电力量丰价低,减排压力明显小于其他地区,反而使政府发展高耗能高排放企业。但从长期来看,建设清洁能源技术会逐渐走向成熟,清洁电力行业规模扩大,有望改变以化石能源为主的能源消费结构,此时大规模的清洁电力消费带来的减排量足以抵消化石能源消耗产生的CO2排放。另外,化石能源使用带来的CO2大量排放和能源安全问题,已经使政府意识到削减煤炭和石油消费、扩大清洁能源使用的重要性和紧迫性。社会基本矛盾的转变意味着消费者对环境质量也提出进一步要求,企业也逐渐转向绿色生产,保持与国家发展步调基本一致。最终,随着清洁电力生产规模不断扩大,发展到一定阶段之后,其对CO2排放的促减效应会超过其促增效应。

其他控制变量系数的正负号及显著性也基本符合预期。从表 4第(6)列的结果来看,实际人均GDP系数显著为正,表明CO2排放随着经济增长而增加。值得一提的是在基准回归之前本文已在式(1)中加入了人均GDP的二次项验证环境库兹涅茨(EKC)理论是否适用于现在的中国。遗憾的是其回归系数并未通过显著性检验,表明中国尚未实现经济增长与CO2排放的完全“脱钩” [18]。能源强度、能源消费结构、产业结构以及城市化回归系数同样在1% 的水平下显著为正,表明这些因素与CO2排放之间存在正相关关系。与大多数关于产业结构与CO2排放关系的研究结论一致[19, 20],本文也发现第二产业比重增加会增加CO2排放。煤炭消费比重增加对CO2排放具有显著的促增效应[15]。中国大部分地区的城市化和工业化仍处于加速推进阶段,城市人口的增加以及工业产值的增加会催生汽车需求、房地产建设等最终带动化石能源的消费需求[21]。研发强度对CO2排放的影响显著为负,说明技术创新有望成为低碳经济发展的关键助力。

3.3 稳健性检验 3.3.1 采用新的空间权重矩阵

本小节稳健性检验方式主要是针对所建的空间权重矩阵。将嵌套权重空间矩阵分别替换成地理距离权重矩阵(W1)和经济距离权重矩阵(W2)进行回归,其检验结果如表 5所示。可以看到,空间自相关系数项(W·ln CO2)仍在1% 的水平下显著,而且清洁电力发展与CO2排放之间仍然存在显著的倒U形关系。因此,前文的基准分析具有较强的稳健性。

表 5 稳健性检验结果(一)
3.3.2 重新衡量被解释变量与核心解释变量

重新衡量变量也是稳健性检验的常用方法之一,因此,我们进一步尝试了替换被解释变量和核心解释变量的方法。关于被解释变量,我们用CO2排放强度(CO2F)取代CO2排放总量(ln CO2);关于核心解释变量,采用取对数处理的清洁电力总产量(ln CE)衡量清洁能源发展水平。表 6结果证实了清洁电力发展与CO2排放之间的倒U形关系是相对稳健的。另外,被解释变量的空间滞后项通过了1% 的显著性检验且系数保持为正,这说明本文所构建的空间计量模型也是合适的。

表 6 稳健性检验结果(二)
4 进一步研究 4.1 空间效应分解

为了系统全面地理解空间计量模型的回归意义,不仅要解释基准回归中被解释变量的空间滞后项和解释变量的系数,还应揭示各个解释变量的空间溢出效应。其中,最常见的方法为Lesage等[22]以及Elhorst[23]提出的偏导数分解法。因此,本文对中国清洁电力发展影响区域CO2排放的空间溢出效应进行详细分解并同时报告了其他解释变量的直接效应、间接效应和总效应。分解与估计结果如表 7所示。

表 7 清洁电力发展对CO2排放影响的空间效应分解

从解释变量的直接效应来看:直接效应跟表 4基准回归系数相比,区别在于其包括反馈效应(指i地区某变量对j地区的影响反过来又会影响i地区)。本区域清洁电力发展与本地CO2排放之间呈现倒U形曲线关系。能源强度、经济增长、产业结构和能源消费结构的直接效应大于表 4中的系数,说明这些变量均存在正向的反馈作用,即本省份的能源效率降低、经济发展水平提高、产业结构与能源消费结构的调整对自身CO2排放产生的影响会传递给邻近省份,再把邻近省份的影响传回该区域自身,最终强化了这些变量与CO2排放之间的正相关关系。同样,技术水平通过负向反馈效应,使其最终作用于本地的直接减排效应增强。城市化水平表现为负向反馈效应,但整体上,随着当地城市化水平的提高,该地CO2排放量会增加。

基于解释变量的间接效应层面:j区域清洁电力的发展与i地区的CO2排放之间也呈现倒U形关系。综合直接效应以及间接效应来看,清洁能源的长期发展无论是对本地区还是对所能辐射到的区域而言,均存在一个拐点,即清洁能源发展前期会增加自身以及相邻地区的CO2排放,而一旦发展水平跨越“门槛值”,就会对所能辐射到的所有地区产生减排效益。能源强度、经济增长和产业结构对CO2排放影响的间接效应均在1% 的显著性水平下为正。这说明相关部门在开发清洁能源中要坚持区域协作,共同规划产业布局与制定经济发展规划,最终通过各种效应强化效果形成效益最大化。但是有望成为全国碳减排关键助力的研发强度因素却没有表现出显著的间接效应,这说明各地在区域合作方面可能还存在技术壁垒。另外,城市化水平与能源消费结构对周边地区也不存在明显的辐射效应。这充分说明中国在碳减排工作中还存在地域分割现象,区域合作还有待进一步深化。

从各解释变量的总效应来看,全国清洁电力发展与CO2排放之间呈显著倒U形关系。能源强度增加、煤炭消费比重升高、经济增长和第二产业产值占GDP比重提升均会显著增加中国的CO2总排放量。目前,城市化水平和研发强度对省域CO2排放的总效应暂时无法确定。

4.2 清洁电力发展对CO2排放的影响机制

上文分析了中国清洁电力发展与CO2排放之间的倒U形关系,并重点探讨了各因素影响CO2排放的空间溢出效应。接下来的关键问题在于论证清洁电力发展影响CO2排放的传导途径。本小节借助中介效应模型对作用机制进行识别检验。

基于机理分析,我们认为清洁电力发展可能通过能源消费结构调整、产业结构升级、能源利用效率改变以及技术进步四种途径影响CO2排放。第一,对于能源消费结构调整而言,清洁电力发展与能源消费结构之间应具有倒U形关系。清洁能源发展前期会伴随基础设施建设,从而会增加水泥、煤炭、钢铁等高能耗产品的需求,导致化石能源消费增加。发展后期,清洁能源得到规模生产,能源消费结构必然由煤炭等化石能源逐渐转向清洁能源消费。第二,对于产业结构升级而言,清洁电力发展与产业结构之间可能也存在倒U形关系。同理,由于发展前期的基础设施建设和可能存在的逆向激励,反而会带动第二产业的发展,但随着技术逐渐成熟,第三产业尤其是绿色产业产值会得到大幅增加。随着产业结构转向第三产业,清洁电力发展则有助于减排;反之,则会增加CO2排放。第三,清洁能源发展过程中可能会通过多种途径影响到能源使用效率而最终影响到CO2排放。第四,清洁能源发展需要技术支持,会迫使各地进行技术创新,实现清洁能源的生产消费。这在很大程度上会推动绿色技术进步,使清洁生产的技术和工艺得到推广应用,从而有利于清洁生产和末端治理[24],最终实现CO2减排。可见,清洁电力发展会通过影响能源消费结构、产业结构、能源强度和研发强度,最终传导到对CO2排放的影响。本文使用中介效应模型对上述机理和传导路径进行识别检验。借鉴杜运周等的相关研究[25],构建了如下中介效应检验模型。

(2)
(3)
(4)

其中,X为控制变量组成的向量集;M为可能的中介变量,包括能源消费结构(ENS)、产业结构(IND)、能源强度(ENE)和研发强度(ln RD);D为虚拟变量,取值0或1。当变量M为能源消费结构(ENS)和产业结构(IND)时,D取值为1;当M为能源消费强度(ENE)和研发强度(ln RD)时,D取值为0。根据中介效应模型的原理[26],若系数α3γ2γ3D为0时则要求γ2显著,D为1时则要求γ3显著)、β3均显著,并且系数β3α3绝对值变小或显著程度下降,则表明通过检验,验证的影响机制成立。

中介效应模型的估计结果见表 8,其中式(4)中清洁电力发展平方项的系数β3对应表 4中的基准回归系数。通过表 8,我们发现,将能源消费结构视为中介变量时,式(2)~ 式(4)中清洁电力平方项的系数均显著为负,且式(4)中CE2的系数与式(2)相比绝对值有所下降,符合判断标准,说明能源消费结构升级具有部分中介作用[27, 28],且符合逻辑机理,其与清洁电力发展之间也存在倒U形的长期关系。同理,能源强度也符合中介效应成立的判定准则,说明清洁电力发展过程中伴随的能源利用效率转变也是影响CO2排放的作用机制。最后,对于产业结构和研发强度这两个潜在中介变量,式(3)表明两者关于清洁电力发展的回归系数并不显著,据此可以判定产业结构和研发强度的中介作用并不显著。

表 8 清洁电力发展影响CO2排放的机制检验
5 结论与建议

本文基于中国30个省份1998—2018年的面板数据,采用空间计量模型实证分析了清洁电力发展对CO2排放的非线性影响,并采用多种形式的稳健性检验验证了两者之间倒U形关系的稳健性。进一步,采用求偏导数形式的方法对中国相关经济变量影响本地区和邻近区域CO2排放的各种空间效应进行分解。最后,利用中介效应模型对清洁电力发展影响CO2排放的作用机制进行了检验。基本结论如下:第一,中国省域的CO2排放呈现显著的空间依赖性,相互之间存在正向的空间溢出效应。整体上,清洁电力发展与CO2排放之间存在显著的倒U形关系。此外,效应分解结果表明,无论是基于自身碳减排还是邻省份低碳发展,清洁电力都只有在达到拐点之后才能发挥其促降效应。第二,从其他变量来看,仅能源强度、经济增长和产业结构对周边地区的CO2排放存在显著的空间溢出效应,而城市化水平、研发强度与能源消费结构没有发挥出显著的间接效应,说明现阶段中国各省域之间还存在发展壁垒,未能充分做到资源置换与技术互通。第三,影响机制分析表明,现阶段中国能源利用效率变化和能源消费结构升级是清洁电力发展影响CO2排放的主要传导途径,但是发展过程中可能带来的产业结构调整和技术创新却并没有发挥其中介作用。

本文得到的清洁电力发展、CO2排放及其他经济变量具有显著空间溢出效应的结论为我国低碳经济发展道路必须遵循各地区“共享技术、共同开发、共同减排”的原则提供了经验证据。对此,我们提出如下政策建议:第一,通过建立区域间生态环境监测治理共享机制,加强区域联合发展与联合治理力度,杜绝“以邻为壑”的发展布局。第二,要大力发展低碳电力,提高新能源发电占比份额,如积极发展风电、光电、核电、水电等清洁能源。第三,清洁能源发展带来的能源消费结构升级是影响CO2排放的重要传导路径,而目前中国依旧是以煤炭为主的化石能源消费大国,其中一个重要原因在于以第二产业为主的产业结构会带来更多的化石能源能耗。因此,发挥清洁能源的碳减排效用,应该加快促进产业布局合理化,实现第三产业比重的提升,从而实现产业结构升级对碳减排的中介效应,削弱以第二产业为主和以煤炭为主的结构效应对减排的不利影响。第四,电力企业要不断加大力度,加快步伐,加强科技攻关,推动绿色与清洁方面的相关技术创新,提高清洁电力发展水平并促进能源使用效率的改善;更要在发展过程中注重合作,打破区域间存在的技术壁垒,实现互通有无。

参考文献
[1]
PATA U K. Renewable energy consumption, urbanization, financial development, income and CO2 emissions in Turkey: Testing EKC hypothesis with structural breaks[J]. Journal of cleaner production, 2018, 187: 770-779. DOI:10.1016/j.jclepro.2018.03.236
[2]
DOGAN E, SEKER F. Determinants of CO2 emissions in the European Union: The role of renewable and non-renewable energy[J]. Renewable energy, 2016, 94: 429-439. DOI:10.1016/j.renene.2016.03.078
[3]
林美顺. 清洁能源消费、环境治理与中国经济可持续增长[J]. 数量经济技术经济研究, 2017, 34(12): 3-21.
[4]
鲁万波, 仇婷婷, 杜磊. 中国不同经济增长阶段碳排放影响因素研究[J]. 经济研究, 2013, 48(4): 106-118.
[5]
彭水军, 张文城. 中国居民消费的碳排放趋势及其影响因素的经验分析[J]. 世界经济, 2013(3): 124-142.
[6]
BAEK J, PRIDE D. On the income-nuclear energy-CO2 emissions nexus revisited[J]. Energy economics, 2014, 43: 6-10. DOI:10.1016/j.eneco.2014.01.015
[7]
SHAFIEI S, SALIM R A. Non-renewable and renewable energy consumption and CO2 emissions in OECD countries: a comparative analysis[J]. Energy policy, 2014, 66: 547-556. DOI:10.1016/j.enpol.2013.10.064
[8]
徐斌, 陈宇芳, 沈小波. 清洁能源发展、二氧化碳减排与区域经济增长[J]. 经济研究, 2019, 54(7): 188-202. DOI:10.3969/j.issn.1672-5719.2019.07.155
[9]
JAFORULLAH M, KING A. Does the use of renewable energy sources mitigate CO2, emissions?A reassessment of the US evidence[J]. Energy economics, 2015, 49: 711-717. DOI:10.1016/j.eneco.2015.04.006
[10]
KAHIA M, KADRIA M, AÏSSA M S B. What impacts of renewable energy consumption on CO2 emissions and the economic and financial development?A panel data vector autoregressive (PVAR) approach[C]//2016 7th International Renewable Energy Congress. Hammamet, Tunisia: IEEE, 2016: 1-6.
[11]
OZCAN B, ARI A. Nuclear Energy consumption-economic growth nexus in OECD: A bootstrap causality test[J]. Procedia economics and finance, 2015, 30: 586-597. DOI:10.1016/S2212-5671(15)01271-X
[12]
韩峰, 谢锐. 生产性服务业集聚降低碳排放了吗?——对我国地级及以上城市面板数据的空间计量分析[J]. 数量经济技术经济研究, 2017, 34(3): 40-58.
[13]
DIETZ T, ROSA E A. Rethinking the environmental impacts of population, affluence and technology[J]. Human ecology review, 1994, 1(2): 277-300.
[14]
TOBLER W R. A computer movie simulating urban growth in the Detroit region[J]. Economic geography, 1970, 46(S1): 234-240.
[15]
林伯强, 刘希颖. 中国城市化阶段的碳排放: 影响因素和减排策略[J]. 经济研究, 2010, 45(8): 66-78.
[16]
邵帅, 李欣, 曹建华. 中国的城市化推进与雾霾治理[J]. 经济研究, 2019, 54(2): 148-165.
[17]
ANSELIN L, GETIS A. Spatial statistical analysis and geographic information systems[J]. The annals of regional science, 1992, 26(1): 19-33. DOI:10.1007/BF01581478
[18]
孙叶飞, 周敏. 中国能源消费碳排放与经济增长脱钩关系及驱动因素研究[J]. 经济与管理评论, 2017(6): 21-30.
[19]
李健, 周慧. 中国碳排放强度与产业结构的关联分析[J]. 中国人口·资源与环境, 2012, 22(1): 7-14. DOI:10.3969/j.issn.1002-2104.2012.01.003
[20]
曹丽斌, 蔡博峰, 王金南. 中国城市产业结构与CO2排放的耦合关系[J]. 中国人口·资源与环境, 2017, 27(2): 10-14.
[21]
童玉芬, 王莹莹. 中国城市人口与雾霾: 相互作用机制路径分析[J]. 北京社会科学, 2014(5): 4-10.
[22]
LESAGE J, PACER K. Introduction to Spatial Econometrics[M]. Boca Raton, FL: CRC Press, 2009.
[23]
ELHORST J P. Spatial panel data models[M]//FISCHER M M, GETIS A, eds. Handbook of Applied Spatial Analysis. Berlin: Springer, 2010: 377-407.
[24]
ANDREONI J, LEVINSON A. The simple analytics of the environmental Kuznets curve[J]. Journal of public economics, 2001, 80(2): 269-286. DOI:10.1016/S0047-2727(00)00110-9
[25]
杜运周, 张玉利, 任兵. 展现还是隐藏竞争优势: 新企业竞争者导向与绩效U型关系及组织合法性的中介作用[J]. 管理世界, 2012(7): 96-107.
[26]
BARON R M, KENNY D A. The moderator-mediator variable distinction in social psychological research: conceptual, strategic, and statistical considerations[J]. Journal of personality and social psychology, 1986, 51(6): 1173-1182. DOI:10.1037/0022-3514.51.6.1173
[27]
温忠麟, 叶宝娟. 中介效应分析: 方法和模型发展[J]. 心理科学进展, 2014, 22(5): 731-745.
[28]
EDWARDS J R, LAMBERT L S. Methods for integrating moderation and mediation: a general analytical framework using moderated path analysis[J]. Psychological methods, 2007, 12(1): 1-22. DOI:10.1037/1082-989X.12.1.1