《Sustainability》:Decomposing the Drivers of CO2 Emissions in India: A Dual Adjustment Approach
理解经济增长(GDP)、畜牧业生产指数(LPI)、农业-林业-渔业增加值(AFF)、可再生能源消费(REN)以及城市化(URB)如何影响碳排放,对于在快速转型经济体中制定有效的气候政策具有重要意义。本研究运用双重调整方法(Dual Adjustment Approach, DAA)与自回归分布滞后模型(Autoregressive Distributed Lag, ARDL),考察了1990—2024年间上述因素对印度CO2排放的长期与短期效应。DAA框架将变量分解为永久性(趋势)成分与暂时性(周期)成分,从而得以同时评估长期均衡关系与短期动态特征。DAA与ARDL模型的结果均表明,GDP和LPI在长期内增加CO2排放,而REN则降低排放。与其他决定因素相比,AFF对排放的影响较弱。URB与较低的长期排放相关联,支持了城市效率假说(urban efficiency hypothesis),但这种效应依赖于持续的基础设施投资与政策支持,而非当前城市化水平的自发结果。暂时性成分分析显示,GDP的短期波动增加排放,而其余变量的效应主要由长期结构性变化所驱动。研究结果凸显了扩大可再生能源部署、提升农业与畜牧业生产系统的环境效率、以及推动可持续城市发展对于降低印度碳排放的重要性。
## 研究背景、问题与意义
气候变化已成为21世纪最紧迫的环境议题之一,CO
2排放被公认为全球变暖和环境退化的主要驱动因素。印度作为新兴经济体,其快速经济增长、人口扩张、加速城市化以及日益增长的能源需求,使其在全球碳排放格局中占据特殊地位。尽管印度的人均CO
2排放量远低于美国、加拿大、澳大利亚和俄罗斯等发达经济体,但1990—2024年间印度人均CO
2排放呈持续上升趋势,从1990年代初的不足1吨/人增至近年超过2吨/人,反映了工业化、经济扩张和能源消费增加所带来的环境后果。与此同时,尽管印度在可再生能源技术方面进行了大量投资并承诺于2070年实现净零排放,化石燃料仍在该国能源系统中占主导地位,煤炭继续是发电的主要来源。在此背景下,印度面临着在维持经济增长、保障能源安全和促进可持续发展之间取得平衡的多重挑战。
既有文献运用传统计量经济学方法对印度CO
2排放的决定因素进行了广泛研究,但这些研究共同存在三方面局限:第一,多数研究将调整过程视为单一机制,主要关注长期与短期效应,而未能明确区分永久性结构变化与暂时性周期波动对环境的不同影响;第二,农业和畜牧业活动作为印度经济的重要组成部分和环境退化的重要来源,相对于经济增长和能源相关变量受到的关注明显不足;第三,传统协整框架虽能估计长期效应和短期调整,但无法识别观测到的环境影响究竟源于永久性结构转型还是暂时性波动,导致政策制定者难以判断环境压力是由长期发展模式还是短期周期扰动所驱动。
基于上述研究缺口,本研究旨在将DAA框架应用于印度环境可持续性和农业、畜牧业部门的分析,为新兴经济体环境可持续性的永久性和暂时性驱动因素提供新证据。该研究发表于《Sustainability》期刊。
## 主要技术方法
本研究使用的数据样本为印度1990—2024年的年度时间序列数据,涵盖CO
2排放、GDP、AFF不得以、LPI、REN和URB等变量,数据来源为《世界发展指标》(World Development Indicators, WDI)和Our World in Data数据库。
研究的核心技术方法包括两部分:一是**双重调整方法(DAA)**,采用Hodrick-Prescott(HP)滤波、Baxter-King(BK)滤波和Christiano-Fitzgerald(CF)滤波将各变量分解为趋势成分(永久性成分)和周期成分(暂时性成分),通过Engle-Granger和Co-HP趋势检验判断变量间是否存在共同长期趋势,进而分别估计长期均衡关系和短期动态调整;二是**ARDL边界检验方法**,用于检验变量间的协整关系,并通过误差修正模型(Error Correction Model, ECM)捕捉短期调整动态,最优滞后阶数依据AIC等信息准则确定。此外,研究还运用了KPSS单位根检验、Bai-Perron多重结构断点检验、以及Breusch-Godfrey LM序列相关检验、Breusch-Pagan-Godfrey异方差检验、Jarque-Bera正态性检验、Ramsey RESET模型设定检验和CUSUM/CUSUMSQ稳定性检验等诊断方法,并通过脉冲响应函数(Impulse Response Functions, IRFs)分析变量冲击的动态效应。
## 研究结果
### 输入数据分析
描述性统计表明,GDP(标准差0.464)和CO
2排放(标准差0.359)的变异程度相对较高,而URB(标准差0.100)最为稳定。时间趋势显示,GDP、LPI和URB呈明显上升轨迹,而AFF和REN总体呈下降趋势——后者的下降反映的是可再生能源在总能源消费中占比的结构性变化,而非绝对消费量的减少。KPSS单位根检验证实所有变量均为I(1)序列,满足ARDL应用条件。Bai-Perron多重结构断点检验识别出2000年和2010年两个结构性断点,对应印度工业化加速和"国家太阳能任务"等重大可再生能源政策推出的时期。
### 双重调整方法:永久性成分(趋势)分析
Engle-Granger和Co-HP趋势检验的结果显示,三种滤波方法(HP λ=6.25、BK、CF)下的检验统计量均为负且高度显著,拒绝了不存在共同趋势的原假设,确认了变量间存在稳定的长期关系。
GDP对CO
2排放具有显著的正向永久性影响(HP: 1.342, t=20.30;BK: 1.256, t=8.78;CF: 0.978, t=11.82),表明长期经济活动的增加与更高排放密切相关。LPI同样呈现正向显著效应(HP: 0.497, t=13.53;BK: 0.502, t=2.17;CF: 0.443, t=2.77),说明畜牧业活动的长期扩张通过饲料生产、能源使用和供应链排放等渠道增加了环境压力。REN具有负向高度显著的系数(HP: ?1.018, t=?43.94;BK: ?1.078, t=?20.49;CF: ?0.950, t=?25.24),表明更大程度地依赖可再生能源可降低碳排放。URB亦呈负向显著效应(HP: ?6.646, t=?22.42;BK: ?6.378, t=?7.46;CF: ?4.585, t=?7.52),支持城市效率假说,但这种效益依赖于持续的基础设施投资而非自动产生。AFF的系数为负且不显著(HP: ?0.014, t=?1.45;BK: ?0.012, t=?0.19;CF: +0.004, t=0.092),表明农业、林业和渔业增加值的变化并非印度长期CO
2排放的主要驱动因素。
### 双重调整方法:暂时性成分(缺口)分析
短期波动分析显示,仅GDP的暂时性变化对排放产生显著正向影响(0.645, t=4.339, p=0.000),表明暂时性的经济活动增加会导致更高的环境压力。AFF(?0.191, t=?1.422, p=0.166)、LPI(?0.087, t=?0.567, p=0.575)、REN(?0.091, t=?0.561, p=0.579)和URB(?7.724, t=?1.516, p=0.140)的周期性波动对排放均无显著影响,说明这些变量的环境效应主要通过长期结构性渠道而非短期周期波动发挥作用。
### ARDL模型结果
VAR滞后阶数选择准则确定最优滞后阶数为3。ARDL边界检验F统计量为5.85,超过1%显著性水平的上界临界值,确认了变量间存在长期协整关系。
长期估计结果显示:GDP系数为0.474,表明经济扩张继续与更高能源消费和环境压力相关;AFF系数为?0.198,呈负向显著,可能反映农业生产率提升或结构变化带来的排放降低效应;LPI系数为0.428,表明畜牧业活动扩张增加长期CO
2排放;REN系数为?0.643,凸显可再生能源在减排中的关键作用;URB系数为?1.872,支持城市化可通过基础设施改善和技术创新降低排放。
短期动态方面:滞后因变量系数显著为正(ΔCO
2(?1)=0.398, ΔCO
2(?2)=0.333),表明排放存在持续性;ΔGDP系数为0.332,说明短期经济增长增加排放;ΔURB系数为?17.899,表明短期城市发展可能通过效率改进降低排放。误差修正项系数为?1.173,高度显著,表明约117%的短期非均衡在一年内得到修正,虽略超传统?1边界,但处于[?2, ?1]的理论可接受区间内,表明系统通过阻尼振荡而非单调方式向长期均衡收敛,这与印度作为全球金融危机、2016年废钞令和2020年新冠疫情等多重冲击下新兴经济体的典型调整模式一致。诊断检验和CUSUM/CUSUMSQ稳定性检验确认了模型的统计可靠性。
脉冲响应函数分析进一步验证了上述结论:GDP和LPI的正向冲击导致CO
2排放持续上升;REN的正向冲击逐渐降低排放;URB产生相对较小的负向响应;AFF的响应微弱且为负,与DAA和ARDL估计中不显著的结果一致。
## 讨论与结论
研究表明,DAA和ARDL模型的发现具有高度一致性:GDP和LPI增加CO
2排放,而REN和URB降低排放。GDP与CO
2排放的正向关系确认,经济扩张仍与印度环境压力密切相关,反映了能源密集型发展模式的持续性。这一发现与BRICS国家的国际证据一致,表明印度仍面临将经济增长与环境退化脱钩的重大挑战。
LPI的正向效应与国际证据相符。畜牧业生产通过饲料生产、运输、粪便管理和肠道发酵等渠道成为温室气体排放的重要来源。研究指出,改善畜牧业管理技术、提升资源效率和推动结构性转型是降低畜牧业供应链碳排放的关键路径。
REN的负面效应凸显了清洁能源在促进环境可持续性中的重要作用。可再生能源投资在BRICS经济体中产生的环境效益尤为显著,这为印度继续推进能源转型提供了实证支持。
URB的负向系数需要审慎解读。这一结果与城市效率假说一致,但研究强调,不应将其视为印度当前城市化进程已实现最优环境效率的证据。该效应更可能反映了基础设施现代化和效率提升所产生的减排效应在城市化过程中占据了主导地位,而非城市化本身的自发结果。研究指出,城市化的环境效益可通过三种互补机制实现:基础设施现代化(高效交通网络、节能建筑、改善公共服务)、城市集聚带来的规模经济与技术扩散、以及高密度区域更高效的公共交通系统。然而,由于本研究未纳入基础设施质量、产业集聚或能源效率的直接指标,这些机制应被理解为合理的解释路径而非直接估计的因果效应。其他针对亚洲高密度经济体的研究发现城市化可能通过交通基础设施扩张、工业集中和更高能源需求增加排放,这表明城市化效应具有情境依赖性,依赖于政策干预和制度支持。
研究的政策含义明确:应继续扩大可再生能源投资并改善电网整合与储能技术;经济增长需伴随更严格的能效标准、清洁生产技术和绿色创新激励;畜牧业领域需改进粪便管理、可持续饲料系统和资源高效的生产实践;城市化方面则需持续投资公共交通、节能建筑、智能基础设施和有效的城市规划。
**研究结论**如下:本研究运用DAA结合ARDL框架,考察了1990—2024年间印度CO
2排放的决定因素。通过区分永久性和暂时性效应,DAA为理解环境退化的驱动因素提供了更深入的认识。研究发现,长期因素比短期波动对塑造印度CO
2排放轨迹更为重要。可再生能源扩张、可持续畜牧业管理以及高效城市发展,是印度迈向低碳经济的重要组成部分。尽管城市化被发现在长期内降低CO
2排放,但这一结果不应被解读为印度当前城市化进程已实现城市效率假说所假设的基础设施效率。现有研究指出,通过"智慧城市使命"等倡议已取得实质性进展,但基础设施赤字、交通拥堵和各城市间实施不均等问题依然存在。因此,本研究无法确定城市化的估计环境效益是源于现有的城市政策,还是源于与城市发展相关的更广泛结构性变化。未来研究应纳入基础设施质量、公共交通效率和智慧城市实施的直接度量指标。