内容提要:利用1991-2007中国29个省市的面板数据,对经济增长与环境污染的长期均衡关系进行了研究,对人均实际GDP及代表环境污染的五类污染物排放指标进行了面板单位根检验和面板协整分析。结果表明,在五类污染物排放指标中,只有工业固体废弃物排放量与人均GDP之间符合EKC特征,工业废水排放量随经济增长而逐渐减少,而工业废气排放量与经济增长不存在协整关系。
关键词:经济增长 环境污染 面板单位根 面板协整
作者简介:郭军华,南京航空航天大学经济管理学院(江苏南京210016),华东交通大学经济管理学院(江西南昌330013);李帮义,南京航空航天大学经济管理学院(江苏南京210016)。
0引言
1955年,Kunzites[1]预测人均收入差异与经济增长呈倒U型曲线关系,美国环境经济学家Crossman和Krueger[2]则把其应用到经济增长与环境污染关系的研究中,由此提出了环境库兹涅茨曲线(the Environmental Kuznets Curve,简称EKC),即经济增长与环境污染也呈倒U型曲线关系。这表明:在经济发展水平较低时,环境污染会随经济增长更加严重;当经济发展到较高水平时,环境污染将随经济增长逐渐降低。目前经济增长与环境的关系一般用EKC来表示。
EKC一经提出,便引起了国内外环境经济学家们的研究兴趣,成为研究经济增长与环境污染的主要工具,并利用各种数据来验证EKC的存在性。对EKC进行实证分析的数据主要有截面数据、时间序列数据和面板数据。从目前文献来看,大部分依据截面数据得到的结果都证实了EKC的存在。Carson[3]运用美国50个州的数据,针对七种污染物分别对人均收入作回归,计算结果与EKC预测的结果一致。Wang[4]等运用1990年美国城市的有毒废物横截面数据,采用tobit模型证实城市收入和有毒废物之间存在倒U形环境库兹涅茨曲线关系。然而,从截面数据得到的EKC的证据并不能让人信服,因为截面数据并不能说明一个国家所经历的经济增长的动态性。正因为如此,Vincent J[5]、De Bruyn[6]、Hannes Egli[7]、Kathleen M.[8]等学者分别运用马来西亚、OECD国家、德国和加拿大的时间序列数据进行研究,得出的结论却并不支持EKC。单纯运用截面数据或时间序列数据来检验EKC存在着一些不足,为此更多的学者利用面板数据来检验EKC的存在性,由于使用的数据或模型不同,得出的结论恰好相反。Ming-Feng Hung[9]也分别利用面板数据进行实证研究证明了EKC的存在。与此同时,Kaufmann[10]等、Bruyn[11]等学者利用不同的数据却认为EKC是不存在的。国内对经济增长与环境关系的研究起步较晚,且主要集中在EKC上,使用的数据主要是时间序列数据和面板数据,研究得出的结论却不尽相同。陆虹[12]利用中国的时间序列数据研究表明,人均GDP与人均二氧化碳排放量的当前值与前期值之间确实存在着交互影响作用,但不是简单的倒U型关系。凌亢等[13]利用南京市1988-1998年数据对三种污染进行了分析,发觉EKC在南京市并不成立。包群、彭水军[14]运用基于面板数据的联立方程估计研究表明中国5类污染指标均符合库兹涅茨倒U型曲线关系。
已有文献一般采用最小二乘估计(OLS)方法对时间序列或地区面板数据进行回归分析,并分别获得了关于不同国家或地区环境污染与经济增长之间关系研究的结论。由于经典回归模型假设模型所涉及的变量都是平稳的,当数据为单整的时间序列时,可能会产生伪回归。目前大多数研究仍采用经典回归方法分析环境污染与经济增长之间的关系,较少考虑伪回归的可能性,即关于EKC长期关系是否存在的检验研究较少。由于面板数据比单纯的截面数据或时间序列数据包含更多的数据点,因而带来较大的自由度;且EKC同时具有时序维度特征和截面维度特征,因此本文选用面板数据对EKC的长期关系进行验证,利用面板单位根和面板协整两种方法来研究中国环境污染与经济增长之间的关系,检验在长期上EKC关系是否成立。并在此基础上,运用面板协整技术在含有时间效应和未含时间效应的情形下分别估计出变量之间的关系,进而分析我国环境污染与经济增长之间的变化关系。
1检验方法、数据来源及模型描述
1.1面板数据的单位根检验
许多学者研究了面板数据的单整性,提出了众多的单位根检验方法,这些方法可以分为两大类:一类为相同根情形下的单位根检验,这类检验方法假设面板数据中各截面序列具有相同的单位根过程;另一类为不同根情形下的单位根检验,这类检验方法允许面板数据中各截面序列具有不同的单位根过程。
(1)相同根情况下的LLC检验方法
相同根情况下的单位根检验中最为典型的是LLC检验。LLC检验主要对同质面板数据进行单位根检验,由Levin、Lin和Chu[15]提出,其主要思想是首先分别对每个纵剖面时间序列进行ADF回归,其次构造两组正交的残差序列,最后利用正交残差序列的合并回归系数的t统计量得到修正的t统计量,由该统计量检验面板数据是否存在单位根。其检验过程如下:
对于纵剖面时间序列,首先设定ADF单位根检验式
Fisher ADF检验及Fisher PP检验由于其构造的纵剖面时间序列单位根检验统计量的分布往往是非标准的,不能用解析式表示,其临界值只能通过模拟计算,因此也存在着不足,需要由其它的检验方法补充。
由于以上几种检验方法都存在着某些不足,且有各自的特点,为了提高检验的可信性,本文同时使用这四种检验方法进行单位根检验。
1.2面板数据的协整检验
对于面板数据协整关系的检验,主要有基于Johansen协整检验的Fisher协整检验法和类似于时间序列协整检验的EG两步法,其中在以EG两步法为基础的面板数据的协整检验中,具有代表性的是以Kao[20]为代表的同质面板的协整检验和Pedroni[21]提出的异质面板的协整检验。
(1)基于Johansen检验的Fisher协整检验
其中,滞后阶数p的选择以保证随机项不存在自相关为原则。
定义ADF统计量为
Pedroni[21]指出每一个标准化统计量均趋于一个正态分布:
式中的修正因素μ、v依赖于考虑的统计量、自变量的个数m以及是否包括个体特定的常数和趋势。Pedroni协整检验方法可以允许截距及时间趋势,并适用于非平衡面板数据,相比kao的方法有很大的改进。根据Pedroni[21]的计算,统计量是服从标准正态分布,所以可以得到相关临界值。
本文同时使用Fisher协整检验方法、Kao面板数据协整检验方法及Pedroni协整检验方法进行检验,并相互对比,以提高检验的可信度。
表2各类污染物排放名称、单位及符号
资料来源:《中国统计年鉴》1992-2008各期。
1.3数据来源描述
在研究经济增长与环境污染关系的文献中,对于环境质量较多地使用了如下三类指标:废水排放量、废气排放量、固体废弃物排放量。考虑到数据的可获取性,废水排放量通常用工业废水排放量表示;废气排放量通常用工业二氧化硫排放量、工业烟尘排放量及工业粉尘排放量来表示;固体废弃物排放量通常用工业固体废弃物排放量表示,各指标如表2所示,数据由1992-2008年各期《中国统计年鉴》整理计算得出,由于部分年份中部分污染物排放数据以吨为单位计算,但大部分年份计量单位为万吨,为统一计算口径,本文全部换算成以万吨为单位计算。因为我国在1991年以前没有对工业SO[,2]排放量及工业烟尘排放量进行进行统计,为保证各项污染指标的可比较性,本文面板数据的时序长度统一定为1991-2007年。对于经济增长指标,与大部分文献相同,本文使用了人均GDP来衡量经济的增长,理由是人均GDP更能真实地反映经济的增长水平;为了避免通货膨胀或通货紧缩引起的物价波动的影响,本文的人均GDP为以1991年为基期的实际人均GDP,单位为元/人,数据来源于1992-2008年各期《中国统计年鉴》。
在选择各省源数据时,因为西藏自治区的部分指标难以获得原始数据,所以本文面板数据不包括西藏自治区。另外需要说明的是,由于重庆在1997年设为直辖市,所以重庆市只有1997-2007年的数据,而四川在1997年以后的各项排放与1997年以前相比有较大的差别,为保证数据的连续性,本文把重庆市的排放数据全部并入四川;对于四川省1997年及以后的人均实际GDP的计算中,名义GDP为四川省及重庆市的名义GDP之和,人口总数为两地的人总数相加,GDP平减指数使用四川省的GDP平减指数。考虑到原始数据量较大,本文仅列出河北省相关原始数据作为各省/市代表数据,见表3。
1.4EKC模型描述
关于环境污染程度指标和人均GDP关系的EKC研究国际上常用如下两种形式的简化模型来进行:一是二次多项式;再一个是三次多项式,可以包括常数项或时间项。本文采用三次多项式的简化模型来进行分析,其中仅包含了人均GDP作为变量,没有考虑贸易、技术进步、经济结构等对环境的影响,模型表达式如下:
2检验结果及描述
2.1面板数据的单位根检验
利用Eviews软件对数据进行分析,面板单位根检验结果如表4所示。
表3代表省份各年人均实际GDP及污染排放数据
注:数据来源于1992-2008各期《中国统计年鉴》环境保护数据中的“各地区污染物排放及处理情况”章节,由于部分年份中的某些数据计量单位为吨,但大部分年份计量单位为万吨,为统一计算口径,本文一率换算为万吨.
表4面板数据单位根检验结果
注:*表示5%显著水平上接受单位根假设。
由表4可以看出,不同的检验方法结果并不一致。对于,LLC方法认为其是平稳序列,而后三种方法一致认为其非平稳;对于其一阶差分△
,四种方法一致认为已为平稳序列,因此本文认为
是I(1)过程。对于
而言,四种检验方法一致认为其非平稳,而对于其一阶差分四种检验方法都认为已经平稳,所以本文认为
都为I(1)过程。对于lnindwater,四种方法中LLC方法认为已经平稳,而后三种方法认为其为非平稳序列,Harris & Tzavalis[23]已证明在时间跨度较小时,LLC法的检验能力较差,因此舍去LLC法检验结果;经过一阶差分后,四种方法一致认为其已经平稳,故本文认为lnindwater是I(1)过程。对于三种废气排放指标中的lnindso[,2]、lnindsmoke及lninddust,四种检验都认为其是平稳序列,故不需再对差分进行检验。对于固体废弃物排放指标lnindsolid,由于lnindsolid中FisherADF检验及Fisherpp检验结果表明其非平稳,Brcitung[24]认为在个体存在时间趋势项时,MW检验要优于IPS检验,故舍去IPS检验结果,LLC检验结果同上理也舍去;且一阶差分后所有检验方法认为其已经平稳,所以本文认为lnindsolid为I(1)过程。
2.2面板数据的协整关系检验
根据单位根检验结果可知,被解释变量都是一阶单整的,但由于解释变量
、lnindsmoke及lninddust都是平稳的,这说明工业二氧化硫排放、工业烟尘排放及工业粉尘排放与人均GDP之间不存在协整关系,对其关系所作的回归估计必然为“伪回归”,关于面板数据的EKC关系不存在;而lnindwater与lnindsolid都是一阶单整的,所以废水排放、固体废弃物排放与人均GDP之间存在协整的可能,为了进一步验证协整关系的成立,下面利用三种面板协整检验方法分别对其进行检验,结果分别见表5、表6及表7。
由以上检验结果可以看出,基于Fisher面板数据单位根检验的EG协整方法和Kao的ADF面板数据检验方法都接受存在协整关系的假设;Pedroni检验结果则不一致,但根据Pedroni[20]的结论,Panel ADF、Group ADF检验效果最好,Panel V、Group Rho检验效果最差,其他处于中间,从表7可以得到Panel ADF、Group ADF都在5%的显著性水平下拒绝原假设,所以存在面板协整关系。所以,三种协整检验方法都表明人均GDP与工业废水排放及工业废弃物排放长期均衡关系是存在的。
2.3面板协整方程估计及分析
由于人均GDP与工业废水排放及工业废弃物排放的协整关系是成立的,故可分别对其数据进行估计。在具体的计量方法上,本文采取了在面板数据的计量分析过程中常用的PLS(Pooled Least Squares)方法。考虑到不同省份的经济增长可能呈现出不同的地理特征,本文采用了地区固定效应方法;而考虑到同一省份在经济发展的不同阶段其环境污染特征也可能是动态的,因此本文又采用了时间固定效应方法;在综合考虑以上两种可能性的基础上,本文还采用了双向(地区和时间)固定效应方法;考虑到估计方程的截距项可能会受到时间截面数据库中各成员的随机性影响,因此,本文还尝试着将前述的固定效应方法全部变换为随机效应方法进行估计。
对于工业废水排放与人均GDP的估计中,时间固定效应模型及随机效应模型的估计结果较差,故予以赐除,结果如表8所示。
表8工业废水排放的GLS(Cross Section Weights)估计结果
注:括号中的数的相应的t统计量值。*表示至少在5%的水平上显著。
对于工业固体废弃物,采用三次多项式简化模型,经检验在固定效应模型及随机效应模型的五种方法种,的系数都不显著,故采用二次多项式进行估计。在五类模型中,与工业废水排放估计结果类似,时间固定效应模型及随机效应模型的估计结果较差,故予以赐除,结果如表9所示。
表9工业固体废弃物排放的GLS(Cross Section Weights)估计结果
注:括号中的数的相应的t统计量值。*表示至少在5%的水平上显著。
根据估计方程,可以对人均GDP与污染物排放间的曲线关系进行模拟。对于工业废水排放量与人均GDP之间的关系可见图1和图2,其中图1是地区固定效应模型下的工业废水排放量与人均GDP之间的关系,图2是双向固定效应下的工业废水排放量与人均GDP之间的关系。对于工业固体废弃物排放量与人均GDP之间的关系则由图3和图4表示,其中图3是地区固定效应模型下的工业固体废弃物排放量与人均GDP之间的关系,图4是双向固定效应下的工业固体废弃物排放量与人均GDP之间的关系。
由图1和图2可以看出,工业废水排放量随人均GDP的增加而减少;图3和图4则表明,工业固体废弃物的排放量随人均GDP先增加后减少,符合EKC的假设。
图1工业废水地区固定效应模型
图2工业废水双向固定效应模型
图3工业固体废弃物地区固定效应模型
图4工业固体废弃物双向固定效应模型
3结论
综合上述我国人均GDP与环境污染指标的关系所进行的实证分析表明,我国只有工业固体废弃物排放指标满足环境EKC的假设;工业废水的排放随人均GDP的增加而减少;但工业废气的排放与人均GDP不存在协整关系。也就是说,不同环境污染指标与人均GDP的关系不尽相同,因此,用单一的环境EKC来解释我国各种污染物排放与经济增长之间的关系特征是不太合理的,不能误认为要改善环境质量的关键途径是加速经济增长。
虽然工业废水排放量及工业固体废弃物排放量的估计给出了比较乐观的结论:经济增长最终能降低环境污染。但必须注意的是,没有证据表明这一过程能自动完成,如果没有环境政策的推动,这一过程可能会无比漫长甚至无法完成;另外,在模型的估计时没有考虑到环境存载的阈值,如果环境污染超出这个阈值,经济增长对环境所造成的破坏将要么变得不可恢复,要么将付出昂贵的代价。
另外要指出的是,废气污染指标与人均GDP之间不存在协整关系,这说明经济的增长并不能改善大气的污染,如果要阻止大气环境进一步恶化,只能通过一定的政策和激励措施,比如减少企业的每单位产出的污染强度,或通过产业转型,从多污染型向少污染型产业转移来解决。因此,仅仅依靠部分环境污染指标得出的环境EKC结论不能做为“先污染、后治理”的借口,应该制订有针对性的政策来防止环境的污染。
参考文献:
[1]Kuznets S. Economic growth and income inequality[J]. American Economic Review, 1955,45:1-28.
[2]Grossman G, Krueger A. Economic growth and the environment quarterly[J]. Journal of Economics, 1995,110(2):353-377.
[3]Carson Richard T, Yongil Jeon, et al. The relationship between air pollution emissions and income: U.S.data[J]. Environment and Development Economics, 1997,2(4):433-450.
[4]Wang Hua & David Wheeler. Endogenous enforcement and effectiveness of China's pollution levy system[R]. World Bank Development Research Group Working Paper, 2000, 2336.
[5]Vincent J. Testing for environmental Kuznets curves within a developing country[J]. Environment and Developmental Economics, 1997,2(4):417-433.
[6]De Bruyn S M, Van den Bergh J C M, Opeschoor J B. Economic growth and emissions: reconsidering the empirical basis of environmental Kuznets curves[J]. Ecological Economics, 1998,25(2):161-175.
[7]Hannes Egli. Are Cross-Country studies of the environmental kuznets curve misleading? New evidence from time series data for Germany[R]. FEEM Working Paper No25, 2002.
[8]Kathleen M. Growth and environment in Canada: An empirical analysis[J]. Journal of Agricultural Economics, 2001,51:197-216.
[9]Hung M F, et al. Economic growth and the environmental kuznets curve in Taiwan: A simultaneity model analysis[A]. Human Capital, Trade and Public Policy in Rapidly Growing Economies: From Theory to Empirics[C]. UK, Edward Elgar, 2004:269-290.
[10]Kaufmann R K, Davidsdottir B, Garnham S, et al. The determinants of atmospheric SO[,2] concentrations: reconsidering the environmental kuznets curve[J]. Ecological Economics, 1998,25(2):209-220.
[11]Bruyn S. de Van den Bergh, Opschoor J. Economic growth and emissions: Reconsidering the empirical basis of environmental kuznets curves[J]. Ecological Economics, 1998,25:161-175.
[12]陆虹.中国环境问题与经济发展的关系分析[J].财经研究,2000,(10):50-59.
[13]凌亢,王浣尘,刘涛.城市经济发展与环境污染关系的统计研究[J].统计研究,2001,10:46-52.
[14]包群,彭水军.经济增长与环境污染:基于面板数据的联立方程估计[J].世界经济,2006,11:48-58.
[15]Levin, Lin C F, Chu C S J. Unit root tests in panel data, asymptotic and finite-sample properties[J]. Journal of Econometrices, 2002,108:1-24.
[16]Maddala, Wu G S. A comparative study of unit root tests with panel data and a new simple test[J]. Oxford Bulletin of Economics and Statistics, 1999,61:631-652.
[17]Im K S, Peasaran M H, Shin Y. Testing for unit roots in heterogeneous panels[J]. Journal of Econometrics, 2003,115:53-74.
[18]白仲林.面板数据的计量经济分析[M].天津:南开大学出版社,2008.
[19]Choi I. Unit root tests for panel data[J]. Journal of International Money and Finance, 2001,20:249-272.
[20]McCoskey S and Kao C. A residual-based test of the null of cointegration in panel data[J]. Econometric Reviews, 1998,(17):57-84.
[21]Pedroni P. Critical values for cointegration tests in heterogeneous panels with multiple regressors[J]. Oxford Bulletin of Economics and Statistics, 1999,(61):653-678.
[22]陆懋祖.高等时间序列经济计量学[M].上海:上海人民出版社,1999.
[23]Harris R D, Tzavalias F E. Inference for unit roots in dynamic panels where the time dimension is fixed[J]. Journal of Econometrices, 1999,91:201-226.
[24]Breitung J. The local power of some unit root tests for panel data[A]. Advances in Econometrices, in Baltagi B (ed.) V.15: Nonstationary panels, panel cointegration, and dynamic panels[C]. Amsterdam: JAI press, 2000,161-178.