2023, Vol. 15
2. 宁波大学东海战略研究院, 浙江宁波 315211;
3. 浙江大学经济学院, 浙江杭州 310012
2. Donghai Academy, Ningbo University, Ningbo 315211, China;
3. Economics School, Zhejiang University, Hangzhou 310012, China
环境动态随机一般均衡（E-DSGE）模型是环境政策评估的常用分析工具，它能将环境政策、宏观经济指标和不确定性冲击纳入同一框架进行考量[1-3]。E-DSGE这一简称最早来源于Khan等[4]的工作论文并得到了认可和普及，Dissou等[5]、程郁泰[6]和Chan[7-10]等皆加以沿用。E-DSGE模型在近十年间取得了长足发展，但相关的研究工作尚未得到全面且深入地梳理与总结。本文将系统回顾国内外学者采用动态随机一般均衡（DSGE）分析框架研究环境经济学问题的经典文献，着重从如何引入环境因素的新视角剖析E-DSGE模型构建中的环境与经济系统耦合问题，在此基础上进一步梳理E-DSGE建模的若干前沿课题和研究展望。
1 E-DSGE模型的内涵和外延 1.1 什么是E-DSGE模型E-DSGE是指运用一般均衡理论将复杂环境系统与经济系统进行耦合，进而研究在各种随机冲击下经济系统和环境系统短期变化趋势的一类动态模型。
环境：E-DSGE模型是动态随机一般均衡（DSGE）模型在环境领域的应用，主要考虑在资源环境约束下，宏观经济的规模与总量问题。其核心在于刻画环境外部性、环境公共物品等环境问题引起的市场失灵，以及研究如何通过环境经济手段实现经济系统与环境协调发展。
动态：DSGE分析中的动态是指经济主体都是跨期决策，这有利于分析三方面因素：导致系统趋于稳态的经济力量，达到稳态需要的时间和不同变量的变化趋势[11]。
随机：经济主体在决策时面临各种不确定性，包括技术冲击、自然灾害冲击、碳排放税率冲击等[12]。
一般均衡：使用一系列均衡条件计算各个市场处于出清时的状态。此时，产品市场和要素市场达到均衡。
1.2 为什么要用E-DSGE模型在进行环境政策评估时，E-DSGE模型的动态性、随机性和一般均衡特征更贴合现实中复杂的环境系统，满足环境问题研究的需要。
第一，环境系统的动态性。环境因素是影响效用的重要因素。未来环境的变化将影响人们的预期，最终对当下的决策产生影响。换言之，环境问题既要考虑当下又要考虑未来[13]。E-DSGE模型在进行环境政策评价时，可以充分考察消费者对环境经济系统动态的预期，从而提高评估的准确性。
第二，环境系统的随机性。经济系统和环境系统是一个耦合的复杂系统，存在经济不确定性和环境不确定性等外生冲击[14]。污染与宏观经济波动密切相关，只有在E-DSGE框架下考虑不确定性，环境政策才能有效[15]；忽视不确定性的分析可能会导致政策建议效率低下[16, 17]。E-DSGE模型在进行环境政策评价时，不仅可以考察不同环境政策在应对经济或者环境不确定性冲击时的优劣，也可以考察环境政策自身的不确定性冲击对环境经济系统的动态影响。
第三，环境系统与一般均衡。现代环境经济学强调协调环境与经济的关系，研究宏观环境问题不能忽略环境系统与经济产出、宏观就业、居民总效用等各个经济因素的关联[1, 8]。E-DSGE模型的一般均衡视角不仅可以检验环境政策的经济环境双重效果，还可以考察环境政策对就业、投资、物价水平等因素的影响。
1.3 E-DSGE模型与其他宏观环境经济模型的比较 1.3.1 与动态集成的气候经济模型的比较动态集成的气候经济模型（DICE）由Nordhaus在1992年正式提出[3, 18]，并于1996年被拓展成为多区域动态集成的气候经济模型（RICE）[19]。DICE模型是首个从经济视角研究宏观经济、温室气体排放、气候长期变化的综合模型，对后续的环境经济研究产生了深远的影响[20]。尽管DICE模型在气候经济研究领域具有里程碑式的意义，但由于未能考虑不确定性而受到质疑[21]。气候变化存在的不确定性[22, 23]，不能排除温度的短期剧烈变动等小概率事件发生的可能[24, 25]。E-DSGE的部分理论基础来源于DICE模型等先进气候经济模型，并充分考虑了不确定性问题[26, 27]。因此，E-DSGE模型在考察自然灾害、价格波动、暂时性环境政策等不确定性冲击对稳态的短期影响时具有优势。
1.3.2 与可计算一般均衡模型的比较可计算一般均衡模型（CGE）是环境和气候变化领域应用最广泛的模拟评估模型之一，它强调以真实数据为基础探讨多主体的决策和市场出清[28]。该模型能够较好地刻画政策实施前后的静态变化，但无法揭示动态路径[29]，在处理动态随机冲击引起的经济系统中的深层不确定性时的能力较弱[30]。现实中，经济和环境系统的不确定性冲击将会对经济社会产生深远影响[31]。面对随机因素的冲击，家庭、企业、政府的最优决策不是一个点，而是一条动态路径[32]。E-DSGE模型能较好地刻画经济参数变化的动态路径[33]。
1.3.3 与代理人基模型的比较代理人基模型（ABM）正逐渐被运用于环境宏观经济领域[34-36]。ABM模型采用自下而上的建模方式，重在探讨主体与主体、主体与环境之间的交互关联机制。ABM模型能处理异质性、不平衡性、复杂动态性和有限理性等问题[37, 38]。Farmer等[39]指出，在气候不确定性（概率分布未知）情况下，ABM模型表现更好。虽然ABM模型相对于E-DSGE模型具有一定的理论优势，但ABM模型的复杂性使得它们很难进行实证检验，绝大多数ABM模型研究缺乏正式的估算程序[38]。
总之，以上模型被共同誉为气候变化经济学的第三波浪潮[39]，都有潜力解释大部分环境问题，但E-DSGE模型已经拥有较为成熟的理论体系①。
① Farmer等[39]所比喻的三波浪潮是指气候变化经济学中综合评估模型（IAMs）的演化。第一波浪潮由联合国政府间气候变化专门委员会（IPCC）创建推动，包括以下模型：DICE[18]、RICE[20]、PAGE[31, 40]等。这些模型在很大程度上借鉴经典经济增长文献的工具和概念，但受到数据可得性和计算力的限制。第二波浪潮主要是指对第一波模型的改进，包括WITCH[41]、EPPA[42]、FUND 3.7[43]和PAGE09[44]等。
2 E-DSGE模型的核心设计 2.1 环境系统的嵌入从生命周期的视角看，环境系统的嵌入主要包括三个阶段：经济系统对环境系统的作用、环境系统的演化过程和环境系统对经济系统的反作用。
2.1.1 经济系统对环境系统的作用主要指生产部门的污染排放行为。对于这方面的刻画，文献中主要有两种方法：
（1）污染作为生产的附属产品。企业在生产过程中总会不可避免地产生废水、废气和固体废物等非期望产出。例如，Angelopoulos等[14]将污染作为生产过程的副产品，其方程式为：
|
(1) |
式中，Pt是t期污染排放量；Yt是t期的产出水平；φt是单位产出的污染排放系数。该设定表明，污染排放随着产出水平的增长呈现同比例增长的趋势。
由于污染是生产中难以规避的附属产品，学者们往往会增加企业减排率和减排努力等设定[45]。例如，郑丽琳等[46]增加了考虑减排支出的设定：
|
(2) |
式中，Pt为t期污染排放量；Yt为t期总产出；Zt为t期减排支出。他们假设，随着减排支出的提高，企业的污染排放也会随之下降。
（2）污染作为投入要素。将污染排放作为一种投入要素直接影响经济生产。例如，Fischer等[47]的模型设定为：
|
(3) |
式中，Kt是t期资本；Lt是t期劳动；Ft是t期生产函数；α和γ是资本和污染型中间品的产出弹性。他们设定了一个污染型的中间产品M，这种中间品的使用可能会带来环境损害或资源消耗。这种做法得到了杨翱等[48]、吴兴弈等[49]和Aghion等[50]的引用。
此时，企业主要通过调整生产要素的使用来改变污染的排放。例如Atalla等[51]指出，环境压力会迫使企业使用清洁的能源组合。Benavides等[52]也指出，碳税政策会驱使企业资源使用从碳密集度更高的燃料转向碳密集度更低的燃料。
2.1.2 环境系统的演化过程企业生产行为产生的污染物在环境系统中不是一成不变的，需要经过环境系统再反作用于经济系统。环境系统演化过程也是E-DSGE模型设定的重要一环，包括污染在时间维度上的积累过程和空间维度上的扩散过程。
（1）污染在时间维度的积累过程。积累过程考察的是污染流量与污染存量的关系。例如，Angelopoulos等[17]将环境质量演变方程设定如下：
|
(4) |
式中，Qt是t期的环境质量；Q是无污染时的环境质量；Pt是t期污染流量；0 < δq < 1是环境持久性的程度。这表明未来的环境质量取决于当期环境质量和当期的污染流量。
（2）污染在空间维度的扩散过程。Heutel[53]已经考虑了这个问题，将国外的污染纳入本地区的环境方程设定为：
|
(5) |
式中，Xt+1是t+1期污染存量；Xt是t期污染存量；Pt是t期污染流量；Ptrow是t期国外污染流量。该模型中Ptrow是外生的，Annicchiarico等[54]进一步将其内生化。
2.1.3 环境系统对经济系统的反作用环境系统对经济系统的反作用是E-DSGE模型形成逻辑闭环的关键。主要包括以下三个层面：
（1）居民效用的损失。环境因素可通过居民效用函数方式影响社会福利。Angelopoulos等[17]将环境质量偏好引入家庭居民的效用函数：
|
(6) |
式中，β是贴现因子；E0是期望算子；Ct是t期消费；Qt是t期环境质量。随后，学者们针对居民效用函数进行了一定的拓展。例如，武晓利[55]认为居民对于当期的污染排放水平尤为敏感，因此在效用函数中同时引入了环境质量变量和污染排放量：
|
(7) |
式中，Qt表示t期环境质量；Xt表示t期污染排放量；Ct代表t期消费；Lt代表t期劳动供给；其他为待定参数。
（2）企业收益的损减。产出损减机制描述了既有的污染存量对于产出的负影响。这种损减机制最早由Nordhaus[3]建立的DICE模型刻画：
|
(8) |
式中，Yt是t期产出；At是t期技术；f是生产函数；Kt-1是t-1期人均资本投入；Xt为t时期污染存量；d(Xt)衡量了t期污染造成的潜在产出损失。Nordhaus的这一方法在E-DSGE文献中得到了最为广泛的应用[4, 56, 57]。
此外还有一部分学者认为，资源消耗的直接后果是资源的采集成本提高。例如Li等[58]在模型中设定：
|
(9) |
式中，Ct为单位取水成本；Xt为水资源的储量，随着水资源储量的下降，单位取水成本不断提高；e为自然底数；其他为待定参数。资源的枯竭会逐渐提高企业的成本，降低企业的利润。
（3）政府偏好的下降。政府会兼顾经济效益和环境效益，齐结斌等[59]将环境质量同时引入家庭和政府的效用函数：
|
(10) |
式中，g是政府环境质量偏好参数，反映社会管理者对环境质量的重视程度；(1-Tt)Yt是用于治理污染TtYt之外的产出，产出进入政府的效用函数可看作是政府官员对政治锦标赛做出的反应；ηtg是环境质量的政府偏好冲击，可用于表示突发环境事件等。
2.2 不确定性冲击的设定根据Bloom[60]对于不确定性的分类，可以将E-DSGE模型的不确定性划分为经济不确定性、政策不确定性和环境不确定性。
2.2.1 经济不确定性全要素生产率被视为经济周期性波动的主要原因，也是标准DSGE模型中不确定性的基础设定[56, 61, 62]。然而，全要素生产率冲击对解释商业周期波动的经验贡献仍有争议[4, 63]，对于理解环境问题周期性行为的相关性也尚未确定。因此在研究环境问题时，学者们开始倾向于使用分部门生产率冲击来代替总体生产率冲击[64-66]。除了生产率冲击之外，经济不确定性还包括资本价值冲击[54]、投资技术冲击[67]、低碳技术冲击[57]、能源效率冲击[68]、环保技术冲击[55]、污染技术冲击[69]等其他经济变量的不确定性冲击。
2.2.2 政策不确定性Pastor等[70]将政策的不确定性广义地解释为政府未来行动的不确定性。政策不确定性被广泛引入E-DSGE模型。例如Xiao等[68]设定了政府消费、资本税率和劳动税率三种类型的不确定性冲击。Annicchiarico等[71]引入了公共消费冲击和货币政策冲击。Niu等[72]刻画了环境税收冲击。Zhao等[73]引入了碳减排补贴率。Zhang等[57]将碳税和碳强度目标等排放政策视为外生冲击。王任等[74]分析了燃油税冲击对节能减排、消费和投资的影响。
2.2.3 环境不确定性环境不确定性有狭义与广义之分，狭义的环境不确定性指环境系统中人为无法预见的不确定性。例如，Keen等[75]将自然灾害作为不确定性冲击，灾难的表现形式为一部分资本存量遭到破坏，暂时性的负面技术冲击降低了产量。广义的环境不确定性还包括与环境系统相关联的经济变量不确定性。Angelopoulos等[14]将经济活动对环境影响设定为环境的不确定性。Kilian[76]、Atalla等[51]和Blazquez等[11]也分别将石油、天然气、煤炭等燃料价格冲击纳入模型。
2.3 环境政策的引入 2.3.1 环境税环境税在E-DSGE文献中的讨论较充分。Angelopoulos等[17]将环境税设定为：
|
(11) |
当t期的环境税率为Γt时，政府在t期的环境税收入为Gt，Mt是t期污染物排放量。Niu等[72]和Golosov等[77]沿用了此设定。
2.3.2 限额与交易Angelopoulos等[14]在模型设定中考虑了限额与交易，即政府在每一期会发行一定量的排放许可
|
(12) |
这些排放许可在t期以价格Pt出售，在t+1期使用。因此，在排放许可交易制度的情形下，经济主体的预算约束方程为：
|
(13) |
It为t期投资水平；Ct为t期消费水平；Yt为t期收入水平。Annicchiarico等[71]与Dissou等[5]均采用了限额基础上的交易设定。
2.3.3 强度管制强度管制意味着政府将宣布一个强制性排放强度目标，对“污染排放量/ 产出”进行控制。例如Annicchiarico等[71]将强度管制设定为：
|
(14) |
式中，Zt为t期污染排放量；Yt为t期经济产出；v即为强度管制系数。强度管制政策同时考虑了经济增长和环境保护的双重目标。杨翱等[48]发现，在相同减排目标下，碳排放强度管制政策更能促进经济的平稳增长。
3 E-DSGE模型的研究前沿 3.1 从单一环境制度到多重环境制度文献中最为常见的是对单一环境政策进行讨论[48, 49, 78]，尽管这些研究可以判断单一制度是否有效，但决策部门更加关注某一情形下哪个制度最为有效，多重环境制度选择研究成为主流。Benavides等[52]使用E-DSGE模型对智利不同环境政策的经济影响进行了评估。Xiao等[68]在新凯恩斯主义框架下比较不同环境政策对宏观经济波动的影响。Angelopoulos等[14]建立了E-DSGE模型比较分析了污染税、污染许可证和排放数字规则三类环境政策的有效性。近期，基于E-DSGE模型的环境政策耦合效果研究成为越来越多学者关注的对象。朱军[79]研究发现，许可证制度、污染税制度和协会规则的混合政策效应与单一政策效应差别显著。Zhang等[80]发现碳税政策可以抵消碳交易制度对于市场的波动。总之，从单一环境制度绩效评价研究，到多种环境制度的优化选择，再到环境制度的耦合研究，环境制度研究的广度和深度不断提高。基于E-DSGE模型研究多重环境制度的耦合关系并提出多重环境制度匹配方案，可以为各级政府灵活组合各类环境制度提供理论依据和经验参考。
3.2 从单一经济结构到多元经济结构随着E-DSGE模型研究的深入，学者们发现单一的生产厂商结构不符合现实场景，基于单一结构初始条件的政策模拟可能失效，多厂商的多元经济结构成为主流。Dissou等[5]将企业划分为能源密集型企业和非能源密集型企业；Zhang等[57]建立了能源部门，其职能是向最终厂商提供能源；Niu等[72]建立了独立能源部门经济结构。此类异质性的厂商设定一定程度上打破了完全竞争市场的假定，非完全竞争市场模式下的环境问题研究成为学者们关注的重点。Annicchiarico等[81]研究了排放上限制度在垄断企业价格竞争情形下的环境经济效益。Roach[82]同时考虑垄断竞争和价格黏性等市场缺陷或摩擦，提出了一个动态的、基于规则的、收入中性的碳税设计。E-DSGE模型多元经济结构建模的重点在于精准刻画多元市场主体的关联以及市场结构的缺陷。考虑复杂经济结构和多重市场摩擦情形是未来研究的重点领域。
3.3 从封闭经济系统到开放经济系统早期的E-DSGE模型构建往往基于经济封闭体。但在现实中，已经几乎无法找到一个完全封闭的经济体，而且学者们探讨的二氧化碳等温室气体或污染排放都极具外部性，封闭经济体的假定有待改进。已经有一些学者考虑了开放经济体，如Heutel[53]在污染存量变化方程里加入了国外碳排放流量，Benavides等[52]在模型中考虑了对外出口厂商。Annicchiarico等[54]率先建立了一个两国经济模型研究碳税和允许跨境交换排放许可证的限额与交易制度。Chan[83]在两城经济模型中刻画了劳动力的迁移。Pan等[84]研究关注的是环境支出冲击的动态溢出效应。从封闭经济系统向开放经济系统的转型是指在固定环境系统的情形下，重点考察经济系统环境差异化设置可能带来的不同影响，关键在于揭示开放经济系统假设下的环境经济效应，符合经济全球化不可逆转等现实。
3.4 注重环境政策与宏观经济政策的融合E-DSGE模型发展趋势越来越倾向于将环境政策和宏观经济政策纳入同一个分析框架。Chan[8]研究发现财政政策、货币政策和碳税政策有自己独特的减排机制。Annicchiarico等[85]考察了环境政策和货币政策的最优组合。Economides等[86]研究了货币政策是否应该考虑气候变化的预期影响问题。王遥等[87]则基于E-DSGE模型研究了绿色信贷激励政策。环境政策与宏观经济政策融合的关键在于政策目标的统一。无论是环境政策还是经济政策均从环境与经济的双重目标考察其效果，从环境政策内部组合到环境政策与宏观经济政策的融合是政策评价研究的一次飞越，真正让环境系统和经济系统在政策调整层面实现了耦合创新。
3.5 信息摩擦与行为基础等新兴研究不确定条件下决定最优环境政策一直是环境经济学的主流问题[88]。然而，信息摩擦可能导致环境政策非最优。例如预先宣布的碳政策可能造成信息摩擦，损害减排积极性[10]。Zhang等[80]从理论和实证两个方面对中国碳市场中新闻驱动的信息摩擦进行了动态测量。上述研究均使用新闻冲击来刻画信息摩擦。与此同时，传统DSGE框架的微观基础也受到了学者的质疑。Chan[7]认为以往的模型设定忽略了家庭的行为异常。Kaplan等[89]认为家庭同质性假定会影响政策评估的效果。虽然E-DSGE模型凭借其微观基础克服了卢卡斯针对传统政策分析没有充分考虑人们预期影响这一批判，但信息摩擦与行为基础等领域的研究发现，E-DSGE微观基础即消费部门的决策可能受到信息摩擦等外部因素干扰。寻找不确定性情形下的微观决策基础和弥补微观决策机制是相关新兴研究的重点。
4 结论与展望E-DSGE模型这一更富有洞察力的工具正为环境政策评估提供了更多研究的可能。但是，E-DSGE模型也面临着挑战和批评[90]。
第一，代表性个体的假设仍为E-DSGE模型设定的核心，但在环境恶化、家庭和企业环保决策、最优碳税率等环境经济议题上，代表性个体的假设存在与现实的偏差，忽略了单个家庭和企业在偏好和禀赋上的差异，同时代表性个体的设定无法反映大量微观个体互动产生的涌现效应。如此，基于家庭和企业行为基础的政策模拟效果可能无法给出稳健的预测结果，从而影响环境政策的制定。
第二，E-DSGE模型往往将消费者设定为无限理性，却将企业设定为只考虑当期利益的群体。此时，在E-DSGE框架中就会出现当期企业损害下一期的状况。过分短视的企业不符合耦合环境系统下的微观基础。同时，Chan[7]也已指出习惯形成和社会比较等行为经济学揭示的人类行为系统性偏误会对最优碳税率施加影响。
第三，E-DSGE模型同样面临不确定冲击理论上的挑战。Romer[91]认为，不确定性冲击的选取缺乏理论依据和实证的佐证，将经济周期发生的原因归结为无法解释的外生冲击会导致经济周期的原因与结果“本末倒置”。范志勇等[92]认为，外生周期分析模式只关注冲击在经济体内部的传递过程，而非探索经济危机的根源，无法解决预测经济危机的问题。E-DSGE模型难以对潜在的“环境危机”、经济与环境周期拐点或是环境与经济的复杂互动进行预测。
尽管E-DSGE模型有待完善，但仍不能否认其在环境政策评估领域的学术地位和应用价值。尤其是在环境问题关注度日益增加的背景下，E-DSGE模型能为全球环境政策的经济、社会与环境效应分析提供有力的支持。就E-DSGE模型发展而言，可以将行为人异质性[89, 93]、有限理性[94]和厂商的短期理性等代理人基模型（ABM）设定[95]纳入E-DSGE模型分析框架，构建更加贴合实际的微观基础；需要加强新凯恩斯框架下E-DSGE模型的构建与应用[96]，加强贝叶斯参数估计方法等的运用[97]，进而提高不确定性冲击的参数估计精准度。就研究内容来看，E-DSGE模型有望进一步发展为3E-DSGE模型（经济、能源与环境），将经济系统、环境系统和能源系统纳在同一个框架下进行分析。此外，现有的E-DSGE文献尽管已开始从封闭走向开放，但甚少有文献用E-DSGE模型研究跨流域和跨界的环境问题、水的问题和碳的问题等。
| [1] |
FISCHER C, HEUTEL G. Environmental macroeconomics: environmental policy, business cycles, and directed technical change[J]. Annual review of resource economics, 2013, 5: 197-210. DOI:10.1146/annurev-resource-091912-151819 |
| [2] |
DALY H E. Towards an environmental macroeconomics[J]. Land economics, 1991, 67(2): 255-259. DOI:10.2307/3146415 |
| [3] |
NORDHAUS W D. An optimal transition path for controlling greenhouse gases[J]. Science, 1992, 258(5086): 1315-1319. DOI:10.1126/science.258.5086.1315 |
| [4] |
KHAN H, KNITTEL C R, METAXOGLOU K, et al. How Do Carbon Emissions Respond to Business-Cycle Shocks?[R]. CEEPR, 2015: 1-28.
|
| [5] |
DISSOU Y, KARNIZOVA L. Emissions cap or emissions tax? A multi-sector business cycle analysis[J]. Journal of environmental economics and management, 2016, 79: 169-188. DOI:10.1016/j.jeem.2016.05.002 |
| [6] |
程郁泰. 我国环境政策的宏观经济效应测度——基于E-DSGE模型构建研究[D]. 天津: 天津财经大学, 2017.
|
| [7] |
CHAN Y T. Optimal emissions tax rates under habit formation and social comparisons[J]. Energy policy, 2020, 146: 111809. DOI:10.1016/j.enpol.2020.111809 |
| [8] |
CHAN Y T. Are macroeconomic policies better in curbing air pollution than environmental policies? A DSGE approach with carbon-dependent fiscal and monetary policies[J]. Energy policy, 2020, 141: 111454. DOI:10.1016/j.enpol.2020.111454 |
| [9] |
CHAN Y T. Collaborative optimal carbon tax rate under economic and energy price shocks: a dynamic stochastic general equilibrium model approach[J]. Journal of cleaner production, 2020, 256: 120452. DOI:10.1016/j.jclepro.2020.120452 |
| [10] |
CHAN Y T. On the impacts of anticipated carbon policies: a dynamic stochastic general equilibrium model approach[J]. Journal of cleaner production, 2020, 256: 120342. DOI:10.1016/j.jclepro.2020.120342 |
| [11] |
BLAZQUEZ J, MARTIN-MORENO J M, PEREZ R, et al. Fossil fuel price shocks and CO2 emissions: the case of Spain[J]. The energy journal, 2017, 38(6): 161-176. |
| [12] |
DEJONG D N, DAVE C. Structural Macroeconometrics[M]. Princeton: Princeton University Press, 2007: 50-101.
|
| [13] |
沈满洪. 资源与环境经济学(第二版)[M]. 北京: 中国环境出版社, 2015: 10-67.
|
| [14] |
ANGELOPOULOS K, ECONOMIDES G, PHILIPPOPOULOS A. What is the Best Environmental Policy? Taxes, Permits and Rules under Economic and Environmental Uncertainty[J]. Munich, Germang CESifo Working Paper, 2010, 1-37. |
| [15] |
SHOBANDE O A, SHODIPE O T. Carbon policy for the United States, China and Nigeria: an estimated dynamic stochastic general equilibrium model[J]. Science of the total environment, 2019, 697: 134130. DOI:10.1016/j.scitotenv.2019.134130 |
| [16] |
PIZER W A. The optimal choice of climate change policy in the presence of uncertainty[J]. Resource and energy economics, 1999, 21(3-4): 255-287. |
| [17] |
ANGELOPOULOS K, ECONOMIDES G, PHILIPPOPOULOS A. First-and second-best allocations under economic and environmental uncertainty[J]. International tax and public finance, 2013, 20(3): 360-380. DOI:10.1007/s10797-012-9234-z |
| [18] |
NORDHAUS W D. Optimal greenhouse-gas reductions and tax policy in the" DICE" model[J]. The American economic review, 1993, 83(2): 313-317. |
| [19] |
NORDHAUS W D, YANG Z L. A regional dynamic generalequilibrium model of alternative climate-change strategies[J]. The American economic review, 1996, 86(4): 741-765. |
| [20] |
NORDHAUS W. Climate change: the ultimate challenge for economics[J]. American economic review, 2019, 109(6): 1991-2014. DOI:10.1257/aer.109.6.1991 |
| [21] |
CIARLI T, SAVONA M. Modelling the evolution of economic structure and climate change: a review[J]. Ecological economics, 2019, 158: 51-64. DOI:10.1016/j.ecolecon.2018.12.008 |
| [22] |
ALLEN M R, FRAME D J. Call off the quest[J]. Science, 2007, 318(5850): 582-583. DOI:10.1126/science.1149988 |
| [23] |
STERN N. The economics of climate change[J]. American economic review, 2008, 98(2): 1-37. DOI:10.1257/aer.98.2.1 |
| [24] |
ROE G H, BAKER M B. Why is climate sensitivity so unpredictable?[J]. Science, 2007, 318(5850): 629-632. DOI:10.1126/science.1144735 |
| [25] |
WEITZMAN M L. Fat tails and the social cost of carbon[J]. American economic review, 2014, 104(5): 544-546. DOI:10.1257/aer.104.5.544 |
| [26] |
IKEFUJI M, LAEVEN R J A, MAGNUS J R, et al. Expected utility and catastrophic risk in a stochastic economy-climate model[J]. Journal of econometrics, 2020, 214(1): 110-129. DOI:10.1016/j.jeconom.2019.05.007 |
| [27] |
TRAEGER C P. A 4-stated DICE: quantitatively addressing uncertainty effects in climate change[J]. Environmental and resource economics, 2014, 59(1): 1-37. DOI:10.1007/s10640-014-9776-x |
| [28] |
STERN N. Economics: current climate models are grossly misleading[J]. Nature, 2016, 530(7591): 407-409. DOI:10.1038/530407a |
| [29] |
BABATUNDE K A, BEGUM R A, SAID F F. Application of computable general equilibrium (CGE) to climate change mitigation policy: a systematic review[J]. Renewable and sustainable energy reviews, 2017, 78: 61-71. DOI:10.1016/j.rser.2017.04.064 |
| [30] |
XIAO B W, FAN Y, GUO X D. Dynamic interactive effect and co-design of SO2 emission tax and CO2 emission trading scheme[J]. Energy policy, 2021, 152: 112212. DOI:10.1016/j.enpol.2021.112212 |
| [31] |
PARHI M, DIEBOLT C, MISHRA T, et al. Convergence dynamics of output: Do stochastic shocks and social polarization matter?[J]. Economic modelling, 2013, 30: 42-51. DOI:10.1016/j.econmod.2012.09.034 |
| [32] |
盛仲麟. 我国碳排放因素分析及对应碳经济政策的DSGE模拟[D]. 北京: 北京科技大学, 2017.
|
| [33] |
DEL NEGRO M, SCHORFHEIDE F. DSGE Model-Based Forecasting[R]. New York: FRB, 2012.
|
| [34] |
GERST M D, WANG P, ROVENTINI A, et al. Agent-based modeling of climate policy: an introduction to the ENGAGE multi-level model framework[J]. Environmental modelling & software, 2013, 44: 62-75. |
| [35] |
WOLF S, FÜRST S, MANDEL A, et al. A multi-agent model of several economic regions[J]. Environmental modelling & software, 2013, 44: 25-43. |
| [36] |
FARMER J D, FOLEY D. The economy needs agent-based modelling[J]. Nature, 2009, 460(7256): 685-686. DOI:10.1038/460685a |
| [37] |
HOWITT P. What have central bankers learned from modern macroeconomic theory?[J]. Journal of macroeconomics, 2012, 34(1): 11-22. DOI:10.1016/j.jmacro.2011.08.005 |
| [38] |
DILAVER Ö, JUMP R C, LEVINE P. Agent-based macroeconomics and dynamic stochastic general equilibrium models: where do we go from here?[J]. Journal of economic surveys, 2018, 32(4): 1134-1159. DOI:10.1111/joes.12249 |
| [39] |
FARMER J D, HEPBURN C, MEALY P, et al. A third wave in the economics of climate change[J]. Environmental and resource economics, 2015, 62(2): 329-357. DOI:10.1007/s10640-015-9965-2 |
| [40] |
HOPE C, ANDERSON J, WENMAN P. Policy analysis of the greenhouse effect: an application of the PAGE model[J]. Energy policy, 1993, 21(3): 327-338. DOI:10.1016/0301-4215(93)90253-C |
| [41] |
BOSETTI V, CARRARO C, MASSETTI E, et al. International energy R&D spillovers and the economics of greenhouse gas atmospheric stabilization[J]. Energy economics, 2008, 30(6): 2912-2929. DOI:10.1016/j.eneco.2008.04.008 |
| [42] |
PALTSEV S, REILLY J M, JACOBY H D, et al. The MIT Emissions Prediction and Policy Analysis (EPPA) Model: Version 4[J]. Cambridge: MIT Joint Program on the Science and Policy of Global Change, 2005, 1-78. |
| [43] |
ANTHOFF D, TOL R S J. The uncertainty about the social cost of carbon: a decomposition analysis using fund[J]. Climatic change, 2013, 117(3): 515-530. DOI:10.1007/s10584-013-0706-7 |
| [44] |
HOPE C. Critical issues for the calculation of the social cost of CO2: why the estimates from PAGE09 are higher than those from PAGE2002[J]. Climatic change, 2013, 117(3): 531-543. DOI:10.1007/s10584-012-0633-z |
| [45] |
徐文成, 薛建宏, 毛彦军. 宏观经济动态性视角下的环境政策选择——基于新凯恩斯DSGE模型的分析[J]. 中国人口·资源与环境, 2015, 25(4): 101-109. DOI:10.3969/j.issn.1002-2104.2015.04.013 |
| [46] |
郑丽琳, 朱启贵. 技术冲击、二氧化碳排放与中国经济波动——基于DSGE模型的数值模拟[J]. 财经研究, 2012, 38(7): 37-48, 100-100. DOI:10.16538/j.cnki.jfe.2012.07.002 |
| [47] |
FISCHER C, SPRINGBORN M. Emissions targets and the real business cycle: intensity targets versus caps or taxes[J]. Journal of environmental economics and management, 2011, 62(3): 352-366. DOI:10.1016/j.jeem.2011.04.005 |
| [48] |
杨翱, 刘纪显, 吴兴弈. 基于DSGE模型的碳减排目标和碳排放政策效应研究[J]. 资源科学, 2014, 36(7): 1452-1461. |
| [49] |
吴兴弈, 刘纪显, 杨翱. 模拟统一碳排放市场的建立对我国经济的影响——基于DSGE模型[J]. 南方经济, 2014(9): 78-97. DOI:10.3969/j.issn.1000-6249.2014.09.006 |
| [50] |
AGHION P, DECHEZLEPRÊTRE A, HÉMOUS D, et al. Carbon taxes, path dependency, and directed technical change: evidence from the auto industry[J]. Journal of political economy, 2016, 124(1): 1-51. DOI:10.1086/684581 |
| [51] |
ATALLA T, BLAZQUEZ J, HUNT L C, et al. Prices versus policy: an analysis of the drivers of the primary fossil fuel mix[J]. Energy policy, 2017, 106: 536-546. DOI:10.1016/j.enpol.2017.03.060 |
| [52] |
BENAVIDES C, GONZALES L, DIAZ M, et al. The impact of a carbon tax on the Chilean electricity generation sector[J]. Energies, 2015, 8(4): 2674-2700. DOI:10.3390/en8042674 |
| [53] |
HEUTEL G. How should environmental policy respond to business cycles? Optimal policy under persistent productivity shocks[J]. Review of economic dynamics, 2012, 15(2): 244-264. DOI:10.1016/j.red.2011.05.002 |
| [54] |
ANNICCHIARICO B, DILUISO F. International transmission of the business cycle and environmental policy[J]. Resource and energy economics, 2019, 58: 101112. DOI:10.1016/j.reseneeco.2019.07.006 |
| [55] |
武晓利. 环保政策、治污努力程度与生态环境质量——基于三部门DSGE模型的数值分析[J]. 财经论丛, 2017(4): 101-112. DOI:10.3969/j.issn.1004-4892.2017.04.012 |
| [56] |
GRODECKA A, KURALBAYEVA K. The price vs quantity debate: climate policy and the role of business cycles[J]. Bonn, North Rhine-Wescphalen, Germany: GRI Working Papers, 2015, 1-34. |
| [57] |
ZHANG J K, ZHANG Y. Examining the economic and environmental effects of emissions policies in China: a Bayesian DSGE model[J]. Journal of cleaner production, 2020, 266: 122026. DOI:10.1016/j.jclepro.2020.122026 |
| [58] |
LI C Z, SWAIN R B. Grow th, water resilience, and sustainability: a DSGE model applied to South Africa[J]. Water economics and policy, 2016, 2(4): 1650022. DOI:10.1142/S2382624X16500223 |
| [59] |
齐结斌, 胡育蓉. 环境质量与经济增长——基于异质性偏好和政府视界的分析[J]. 中国经济问题, 2013(5): 28-38. |
| [60] |
BLOOM N. Fluctuations in uncertainty[J]. Journal of economic perspectives, 2014, 28(2): 153-176. DOI:10.1257/jep.28.2.153 |
| [61] |
ARGENTIERO A, ATALLA T, BIGERNA S, et al. Comparing renewable energy policies in EU-15, U.S. and China: a Bayesian DSGE model[J]. The energy journal, 2017, 38: 77-96. |
| [62] |
BASU S, BUNDICK B. Uncertainty shocks in a model of effective demand[J]. Econometrica, 2017, 85(3): 937-958. DOI:10.3982/ECTA13960 |
| [63] |
COCHRANE J H. Shocks[J]. Carnegie-Rochester conference series on public policy, 1994, 41: 295-364. DOI:10.1016/0167-2231(94)00024-7 |
| [64] |
FOERSTER A T, SARTE P D G, WATSON M W. Sectoral vs. Aggregate Shocks: A Structural Factor Analysis of Industrial Production[R]. Cambridge: National Bureau of Economic Research, 2008.
|
| [65] |
ACEMOGLU D, AGHION P, BURSZTYN L, et al. The environment and directed technical change[J]. American economic review, 2012, 102(1): 131-166. DOI:10.1257/aer.102.1.131 |
| [66] |
ACEMOGLU D, AKCIGIT U, HANLEY D, et al. Transition to clean technology[J]. Journal of political economy, 2016, 124(1): 52-104. DOI:10.1086/684511 |
| [67] |
KHAN H, METAXOGLOU K, KNITTEL C R, et al. Carbon emissions and business cycles[J]. Journal of macroeconomics, 2019, 60: 1-19. DOI:10.1016/j.jmacro.2019.01.005 |
| [68] |
XIAO B W, FAN Y, GUO X D. Exploring the macroeconomic fluctuations under different environmental policies in China: a DSGE approach[J]. Energy economics, 2018, 76: 439-456. DOI:10.1016/j.eneco.2018.10.028 |
| [69] |
汪中华, 陈思宇. DSGE模型下碳税政策与厂商技术冲击的动态效应研究[J]. 科技与管理, 2021, 23(4): 57-64. |
| [70] |
PÁSTOR L', VERONESI P. Political uncertainty and risk premia[J]. Journal of financial economics, 2013, 110(3): 520-545. DOI:10.1016/j.jfineco.2013.08.007 |
| [71] |
ANNICCHIARICO B, DI DIO F. Environmental policy and macroeconomic dynamics in a new Keynesian model[J]. Journal of environmental economics and management, 2015, 69: 1-21. DOI:10.1016/j.jeem.2014.10.002 |
| [72] |
NIU T, YAO X L, SHAO S, et al. Environmental tax shocks and carbon emissions: an estimated DSGE model[J]. Structural change and economic dynamics, 2018, 47: 9-17. DOI:10.1016/j.strueco.2018.06.005 |
| [73] |
ZHAO L X, YANG C X, SU B, et al. Research on a single policy or policy mix in carbon emissions reduction[J]. Journal of cleaner production, 2020, 267: 122030. DOI:10.1016/j.jclepro.2020.122030 |
| [74] |
王任, 蒋竺均. 燃油税、融资约束与企业行为——基于DSGE模型的分析[J]. 中国管理科学, 2021, 29(4): 36-45. |
| [75] |
KEEN B D, PAKKO M R. Monetary policy and natural disasters in a DSGE model[J]. Southern economic journal, 2011, 77(4): 973-990. DOI:10.4284/0038-4038-77.4.973 |
| [76] |
KILIAN L. Not all oil price shocks are alike: Disentangling demand and supply shocks in the crude oil market[J]. American economic review, 2009, 99(3): 1053-1069. DOI:10.1257/aer.99.3.1053 |
| [77] |
GOLOSOV M, HASSLER J, KRUSELL P, et al. Optimal taxes on fossil fuel in general equilibrium[J]. Econometrica, 2014, 82(1): 41-88. DOI:10.3982/ECTA10217 |
| [78] |
BARRAGE L. Optimal dynamic carbon taxes in a climateeconomy model with distortionary fiscal policy[J]. The review of economic studies, 2020, 87(1): 1-39. |
| [79] |
朱军. 基于DSGE模型的"污染治理政策"比较与选择——针对不同公共政策的动态分析[J]. 财经研究, 2015, 41(2): 41-53. |
| [80] |
ZHANG H G, CAO T T, LI H X, et al. Dynamic measurement of news-driven information friction in China's carbon market: theory and evidence[J]. Energy economics, 2021, 95: 104994. DOI:10.1016/j.eneco.2020.104994 |
| [81] |
ANNICCHIARICO B, CORREANI L, DI DIO F. Environmental policy and endogenous market structure[J]. Resource and energy economics, 2018, 52: 186-215. DOI:10.1016/j.reseneeco.2018.02.003 |
| [82] |
ROACH T. Dynamic carbon dioxide taxation with revenue recycling[J]. Journal of cleaner production, 2021, 289: 125045. DOI:10.1016/j.jclepro.2020.125045 |
| [83] |
CHAN Y T. Optimal environmental tax rate in an open economy with labor migration-an E-DSGE model approach[J]. Sustainability, 2019, 11(19): 5147. DOI:10.3390/su11195147 |
| [84] |
PAN X F, XU H T, LI M N, et al. Environmental expenditure spillovers: evidence from an estimated multi-area DSGE model[J]. Energy economics, 2020, 86: 104645. DOI:10.1016/j.eneco.2019.104645 |
| [85] |
ANNICCHIARICO B, BATTLES S, DI DIO F, et al. GHG mitigation schemes and energy policies: a model-based assessment for the Italian economy[J]. Economic modelling, 2017, 61: 495-509. DOI:10.1016/j.econmod.2016.12.028 |
| [86] |
ECONOMIDES G, XEPAPADEAS A. Monetary Policy under Climate Change[J]. Munich, Germang: CESifo Working paper, 2018, 1-43. |
| [87] |
王遥, 潘冬阳, 彭俞超, 等. 基于DSGE模型的绿色信贷激励政策研究[J]. 金融研究, 2019(11): 1-18. |
| [88] |
WEITZMAN M L. Prices vs. quantities[J]. The review of economic studies, 1974, 41(4): 477-491. DOI:10.2307/2296698 |
| [89] |
KAPLAN G, MOLL B, VIOLANTE G L. Monetary policy according to HANK[J]. American economic review, 2018, 108(3): 697-743. DOI:10.1257/aer.20160042 |
| [90] |
STIGLITZ J E. Where modern macroeconomics went wrong[J]. Oxford review of economic policy, 2018, 34(1-2): 70-106. DOI:10.1093/oxrep/grx040 |
| [91] |
ROMER P. The Trouble with Macroeconomics[R]. Omicron Delta Epsilon Society, New York, USA. 2016: 1-26.
|
| [92] |
范志勇, 宋佳音. 主流宏观经济学的"麻烦"能解决么?[J]. 中国人民大学学报, 2019, 33(2): 68-77. |
| [93] |
HECKMAN J J. Micro data, heterogeneity, and the evaluation of public policy: Nobel lecture[J]. Journal of political economy, 2001, 109(4): 673-748. DOI:10.1086/322086 |
| [94] |
FARHI E, WERNING I. Monetary policy, bounded rationality, and incomplete markets[J]. American economic review, 2019, 109(11): 3887-3928. DOI:10.1257/aer.20171400 |
| [95] |
GEANAKOPLOS J, AXTELL R, FARMER J D, et al. Getting at systemic risk via an agent-based model of the housing market[J]. American economic review, 2012, 102(3): 53-58. DOI:10.1257/aer.102.3.53 |
| [96] |
CHRISTIANO L J, EICHENBAUM M, EVANS C L. Nominal rigidities and the dynamic effects of a shock to monetary policy[J]. Journal of political economy, 2005, 113(1): 1-45. DOI:10.1086/426038 |
| [97] |
SMETS F, WOUTERS R. Shocks and frictions in US business cycles: a Bayesian DSGE approach[J]. American economic review, 2007, 97(3): 586-606. DOI:10.1257/aer.97.3.586 |