EN中文

GEOGRAPHICAL RESEARCH >

2014 , Vol. 33 >Issue 8: 1406 - 1416

DOI: https://doi.org/10.11821/dlyj201408002

Orginal Article

Optimal R&D investment path for China to fulfill its emission intensity target and the corresponding economic growth path

  • ZHU Yongbin , 1 ,
  • WANG Zheng , 1, 2
Expand
  • 1. Institute of Policy and Management, CAS, Beijing 100190, China
  • 2. East China Normal University, Key Laboratory of Geographical Information Science, Ministry of State Education of China, Shanghai 200062, China

Received date: 2013-09-05

  Request revised date: 2014-03-15

  Online published: 2014-08-10

Copyright

《地理研究》编辑部
Fold

Abstract

This paper selected the R&D investment as primary abatement instrument, and constructed an optimal economic growth model with the constraint of carbon intensity reduction target. The mechanism behind the carbon intensity reduction here is that R&D activity will increase the knowledge stock and further improve the efficiency of energy use. Besides, the efficiency gap with developed countries will enhance the improvement rate through spillover effect. Given the linear relationship between energy intensity and carbon intensity of GDP, the improvement of energy efficiency means the decrease of energy intensity, which can easily conduct its relationship with carbon intensity. Furthermore, based on this model, it studied the optimal R&D investment and balanced economic growth path that satisfies both targets of social welfare maximization and carbon intensity reduction proposed by China in 2009, which is to reduce the carbon intensity in 2020 by 40%-45% compared with 2005. The simulation results indicated that the social welfare can benefit from increasing the consumption-output ratio from the 2007 level -49% to the optimal level -55%, and decelerating the R&D investment enlargement. However, in order to achieve the abatement target of 40% carbon intensity reduction it is required to raise the R&D intensity of GDP to 2.85% rapidly after 2014 and keep it at 3% thereafter. Perceivably, the optimal choice for the social planner is to postpone the start point to take concrete measures to reduce the carbon intensity before it is too late. Accordingly, the economic growth will attenuate due to the energy input decline and the resource invested on R&D, the balanced economic growth rate would drop sharply after 2014 with the annual average growth rate of 6% and 9.4% respectively in the optimal and baseline scenarios, whilst the path of carbon intensity indicates it would decline smoothly before 2013, and then after 2014 it would drop significantly but with the decline rate gradually slowing down, which is in accordance with the path of R&D intensity. Meanwhile, due to the combined effects of carbon intensity and economic growth trajectories, the energy consumption and carbon emission would keep increasing by and large, with a temporary decrease after an unobvious peak showing up in 2014. By the end of 2020, the energy and carbon emissions will reach 4176 Mtoe and 3478 MtC under the baseline scenario.

Key words： R&D investment; carbon intensity objective; optimal abatement path; balanced economic growth; China

Cite this article

ZHU Yongbin , WANG Zheng . Optimal R&D investment path for China to fulfill its emission intensity target and the corresponding economic growth path[J]. GEOGRAPHICAL RESEARCH, 2014 , 33(8) : 1406 -1416 . DOI: 10.11821/dlyj201408002

1 引言

近年来,中国经济高速发展以及工业化阶段对能源的过度依赖,导致能源消费量和碳排放量也随之快速增长。2007年中国的碳排放超过美国,成为第一排放大国。为了应对国际减排压力,中国承诺到2020年碳排放强度比2005年降低40%~45%。但是,由于碳排放主要来自经济增长过程中的化石能源使用,因此减排行动意味着降低能源消费,这就可能给经济增长带来负面影响。为此,研究减排目标下的经济增长路径可以为中国以最小的经济代价实现碳排放强度目标提供科学依据。
对于减排目标下的最优政策问题国际上已有研究。Manne等在将全球碳排放稳定在1990年水平和将CO2大气浓度稳定在当前水平两种情景下对最优减排政策进行了模拟[1];Doyen等在可承受的CO2浓度上限约束下,对最优和有效的减排率进行了研究,并得出减排率如何随时间变化是成本有效和代际公平的[2];Bosetti等在对能源技术细分的基础上,探讨了将CO2大气浓度稳定在550 ppm和450 ppm的目标下的经济增长与能源替代路径[3,4];Nordhaus等将经济系统与气候系统耦合,研究了气候目标约束下的经济最优与减排控制问题[5,6]。这些研究均是在内生经济增长模型[7, 8]框架下,引入气候系统[9]构建经济—气候耦合模型,从全球尺度分析气候目标下的最优减排路径。因此不适用于国家层面的排放强度目标研究。
国内方面,张清等从理论上对碳减排约束条件下的内生经济增长机制进行了研究,认为碳减排最终将依靠科技进步以及非化石类能源的增长实现[10];杨劬等在经济增长模型的基础上,分别构造并比较了考虑减排投入和不考虑减排投入的情况,认为减排降低了投入生产环节的资本量,会给经济增长的实现增加难度[11]。这两个研究仅在理论上分析了减排约束下的经济增长机制,而没有对经济增长的最优路径进行模拟研究。刘卫东等在对影响中国碳排放主要因素进行分析的基础上,在不同情景下研究了各行业节能措施对实现2020年排放强度降低目标的贡献程度[12];林伯强等基于碳排放影响因素分析与情景预测,对实现中国排放强度目标的可能途径进行了分析[13],但未能给出最优减排路径;朱潜挺等在2 ℃升温目标下模拟了碳交易如何在实现全球减排目标中发挥作用[14]。
在减排策略上,鉴于中国经济产业部门中能源密集型行业比重较大,能源利用效率较低的特征,减排目标可以通过技术进步提高能效、降低经济增长对能源的依赖程度,使经济与能源脱钩来实现。而技术进步可通过中国自身的研发活动来促进。同时,在实现减排目标的过程中,考虑保证经济的平稳增长,避免刺激经济危机的出现[15]。为此,本研究以研发投资为减排手段,在最优经济增长模型框架下构建碳排放强度目标下的最优控制模型,模拟研究实现碳排放强度目标以及社会福利最大化目标下的最优研发投资路径和经济平稳增长路径,即最优减排路径。

2 研究方法

传统的Ramsey模型认为,资本和劳动力两大生产要素是经济增长的动力。而随着人类生产活动对能源依赖程度的增强,能源也逐渐被学界认为是一种必要的生产要素,尤其是在经济—能源—环境框架下研究温室气体排放以及气候变化时,能源通常作为经济与环境之间的纽带而引入模型。与朱永彬等研究[16]的模型类似,本文的生产函数采用如下Cobb-Douglas形式:
式中:Y(t)表示t期的社会总产出;K(t)、E(t)、L(t)分别表示t期的资本、能源与劳动投入;A(t)可以认为是t期的技术水平;α和r分别为资本与劳动力的产出弹性。根据能源强度的定义τ=E⁄Y,则社会总产出可以表示为关于能源强度的函数形式:
同样假设社会只存在一种产品,该产品既可用于消费,又可以作为投资。在模型中,将投资进一步分为物质资本投资和研发投资,其中物质资本投资可以增加下期的物质资本存量,进而投入到下期的产品生产中,资本积累方程表示为:
式中:δ为资本折旧率;i(t)表示t期资本投资占当期总产出的比重。
由于社会计划者在进行最优决策时,不仅要使社会成员效用最大化,还必须满足其所承诺的排放强度终期约束。而排放强度与能源强度密切相关,能源强度的下降一般意味着能源利用效率的提高。而能效的提高必须通过技术进步,加强对节能减排技术的研发力度。因此在模型中,除物质资本投资以外,还要将一部分资金投入旨在促进能效提高的研发领域,用于研发活动。为此将排放强度作为内生状态变量,其动态变化轨迹由研发投资控制。
基于经验曲线,认为能效提高(能源强度下降)的机制主要存在三个方面:① 技术水平,即知识存量水平,可由能源利用相关领域的专利授权数表征,知识存量水平越高,在较高技术水平上进行再研发的成功概率与效率越高。② 学习能力,由研发努力和技术进步潜力两方面因素决定。其中研发努力可由当年的研发活动强度,即研发投资占GDP的比重来表征,研发强度越大,学习能力越强;技术进步潜力可由技术差距表示,进步潜力越大,学习能力越强。③ 技术差距,即与能效较高国家存在的技术差距。在开放经济中,国家之间可以通过高能效产品的贸易进行“技术溢出”,一方面技术差距越大表示技术进步潜力越大;另一方面,如果差距过大,吸收学习高能效技术反而就越困难,因此“溢出效应”也就越小。为此,能效方程可表示为:
式(4)具有Cobb-Douglas的函数形式。式中:ζ为单位能源投入带来的经济产出,用来表示能源使用效率,它是能源强度的倒数。若将能源效率 看作是一种特殊的“产品”,其生产过程就是提高能源效率、降低能源强度的过程。 B可以看作“能效产品”的生产率;CP(t)表示t期的知识存量水平;IRD(t)为t期的研发活动强度; G(t)为t期与能效较高国家之间的技术差距;ϑ, , 分别表示上述3个“生产要素”的能源效率弹性。
可将(4)表示更为简洁的形式:
能源知识存量类似于资本存量,每期都会有一定比例的折旧,即落后知识或技术的淘汰,也会在每期产生新的知识。而新知识的产生既决定于现有知识水平,又受研发投资的影响。现有知识水平越高,新知识的创造越容易,研发投入越多也会刺激研发活动,从而产生更多的新知识。因此知识资本累积方程可表示为:
式中:δp表示知识折旧率;Bp为知识生产率;ψ和ϕ分别为研发活动强度与技术水平的知识创造弹性。
表征技术进步潜力的能效差距可由两国之间能源强度的比值表示,因此将其定义为如下形式:
式中:τ(t)为t期的能源强度; 为能效较高国家的能源强度。从世界范围来看,除经济极不发达国家之外,日本在发达国家中的能源强度最低,且与中国的经济往来较为密切,技术溢出及学习模仿较为容易,因此选择日本的能源强度作为 。能源强度由于技术进步与研发投入而不断下降,其与高能效国家之间的技术差距也逐渐缩小,当技术差距消失时,本国即变成能效较高国家,因此(7)式表征的技术差距取值为1,从而其不再对能源强度的下降有任何贡献。
社会计划者的目标沿用Ramsey模型的设定[17],即在所考虑的时间内,使社会成员的效用现值之和最大。模型采用的效用函数表示为:
式中:C(t)和N(t)分别表示t期的社会总消费和总人口;σ为风险厌恶系数;ρ为时间偏好率;tf代表所考虑时段的终时时刻。若定义消费占总产出的比重c=C/Y则效用函数可表示为:
此外,总产出中的一部分还将用来支付能源投入成本,与无排放控制模型一致,假设能源进口综合成本为θ则能源支出占总产出的比重为θτ。因此,消费、资本投资、研发投资以及能源支出应满足如下总量约束:
根据中国对2020年碳排放强度的承诺,到2020年,排放强度相比2005年降低 40%~45%。而排放强度与模型中的能源强度具有如下关系:
式中: 为碳排放强度; 为反映能源结构演变的综合排放系数,计算方法为:
因此排放强度终端目标可以转化为能源强度终端目标。至此,整个终端控制最优化问题模型可以表示为:
式中:第五个约束关系式即为排放强度终端控制约束条件——排放强度相对于基期的降低率;b为减排目标设定的期末排放强度相对基年的下降比例。考虑经济平稳增长,即消费增长与经济增长同步,不存在消费过剩或不足的情况,根据关系式c=C/Y,可以得出如下关系:
平稳增长下,消费在产出中的比重(消费产出比)c需保持恒定。于是,社会计划者的任务是通过调整或控制消费、资本投资与研发投资的路径,使排放强度指标在终期满足设定目标的同时,使社会成员的效用最大。式(13)中的状态变量为K(t)、τ(t)和CP (t),控制变量为i(t)和IRD(t)。

3 数据来源与参数估计

基于上述模型,研究中国平稳增长下的最优减排路线需要确定模型参数。应用模型中,对生产函数参数、效用函数参数与能源进口综合成本,利用更新到2008年的GDP、资本、劳动力和能源数据对朱永彬等的模型[16]重新校准:全要素生产率、资本和劳动的产出弹性参数根据式(1)利用历史数据统计回归得到,分别为0.249、0.802和0.372;边际效用弹性和时间偏好参数采用校准法得到,分别为1.5和0.21;能源进口综合成本参数利用经济增长速率最高年份能源强度与能源支出之间关系计算得到,为1017元/toe;劳动力及人口数据、资本折旧率以及综合碳排放系数直接取自朱永彬等的估计值[15]。

3.1 能源强度动态方程参数

由式(4)可知,对能源强度动态方程中的参数进行估计,需要能源强度数据、能源知识资本存量、研发投资比重以及与日本的能效差距等数据。其中,中国能源强度数据根据《中国能源统计年鉴》和《中国统计年鉴》中的能源消费量与GDP数据计算,能源知识资本存量数据利用类似永续盘存法[18]计算,知识资本折旧率参照Bosetti等[19]取5%,新增知识采用历年“国家知识产权局统计年报”中能源利用领域专利授权数,研发投资及占GDP比重来自中国科技部“中国主要科技指标数据库”,能效差距通过式(7)计算得到,其中,中国与日本的能源强度来自美国能源情报局EIA网站。所有数据样本时间段为1987-2007年。对式(4)进行对数变换,得到参数估计统计模型:
式中: ; ; ; ; 为残差项。通过对上式进行回归分析,得到各参数的估计结果如表1所示。
Tab. 1 Estimation of parameters in energy intensity dynamic equation

表1 能源强度动态方程参数估计结果

参数值 t值 显著性水平
b 1.389 -3.559 0.002
0.034 -2.016 0.060
0.105 -2.696 0.015
-0.727 10.726 0.000
由表1,技术差距的弹性参数通过了1%的显著性检验,研发活动强度的弹性参数在5%的显著性水平上通过检验,知识存量的显著性水平达到10%。模型整体的拟合程度达到0.983,说明知识存量、研发活动及技术差距解释了能源强度变化98.3%的信息。因此,接受各参数的估计值。

3.2 能源知识资本积累方程参数

将能源领域的知识资本积累方程式(6)变换为统计模型形式:
式中: ,其中 为当年新增的知识资本,即当年能效专利授权数; 和 ; 为误差项。通过式(16)的回归分析,得到参数估计结果如表2所示。
Tab. 2 Estimation of parameters in energy knowledge capital accumulation equation

表2 能源知识资本积累方程参数估计结果

参数值 t值 显著性水平
6.285 4.838 0.000
0.595 3.058 0.007
0.497 10.586 0.000
由表2可见,各参数均通过了1%的显著性检验,而且模型整体的拟合程度为0.948。因此可以接受各参数估计值。同时得到当期研发活动强度与能源知识存量对新创造的知识的产出贡献率分别为0.595和0.497。

4 结果分析

针对中国中长期规划目标情景,对排放强度终端控制目标下中国的最优经济增长路径及碳排放趋势进行模拟。受统计资料可得性的制约,模拟起始点取为2007年,模拟期到2020年,设定终期的碳排放强度相比2005年的排放强度降低40%。此外,假设期间经济增长过程保持均衡平稳,即意味着消费产出比系数 在模拟期间恒定。
模型设定研发投资为减排控制变量,研发投资比重的可及水平,也即研发投资占GDP的比例上限对最优减排路径和经济增长路径有非常大的影响。从历史情况来看,研发投资比重与能源强度在1996-2007年间出现了非常显著的线性增长现象(图1),线性拟合程度达到99.03%,且每年增长0.0859个百分点。
Fig. 1 The ratio of R&D investment to GDP during 1996-2007 and its trend for China

图1 1996-2007年中国研发投资比重及其趋势线拟合

若以2007年为起点,研发投资比重在2007年1.44%的水平上,按照每年0.0859个百分点的增幅递增,到2020年可达到2.56%。但是在此研发投资序列给定的情况下,利用模型(13)模拟得到的最优经济增长路径下,碳排放强度到2020年较2005年可降低34.4%,无法完成40%的减排目标。因此若要完成减排目标,需要提高研发投资比重,促进技术更快进步。在此设定研发比重上限可以达到3%,通过模拟得到具体结果。

4.1 模拟情景设定

在经济平稳增长的假设下,需要保持消费产出比在模拟期间恒定。为此,外生给定消费产出比,并将每个消费产出比的取值作为一种情景,来分析模拟期间的经济增长、研发投资、排放强度以及能源消费和碳排放的走势。
消费产出比情景的选择参照历史数据:1978-2000年中国消费产出比基本在60%~70%之间波动,部分年份略低于60%;从2000年开始出现了明显的下降趋势,2007年降至49%。在此下降趋势下,到2020年有可能突破40%。为此,在30%~70%区间内,每间隔1个百分点选取一个消费产出比作为一种情景进行模拟。由此得到不同情景对应的社会成员所能获得的累积福利效用最大值,如图2所示。
Fig. 2 The standardized optimal utility values in each consumption-output ratio scenario

图2 不同消费产出比情景对应的最优效用值

注:模型所给的效用函数受到量纲以及参数取值的影响,其绝对值并无实际意义,因此根据最大最小值对结果进行0-1标准化。

由图2可知,随着消费产出比的增大,最优经济路径对应的消费效用呈先增后降的趋势。这是由于本模型中的效用是用规划期内的总消费来衡量的,而总消费量与消费产出比有如下关系:若消费产出比较大,则意味着每期产出中用于消费的比例较多,投资比例相对较少,资本积累缓慢,经济增长动力不足,进而减少未来各期可供消费的经济总量,可以认为是用未来消费能力的下降换取近期消费增加的做法。反之,若减少消费产出比,增大投资比例,将促进经济增长,增加未来可供消费的经济总量。正是由于消费产出比对近期消费量和未来消费能力的此消彼长的作用,从而存在一个“最优”的消费产出比,使得偏离该比值都将造成最优效用值的损失。
表现在图2上,即为一条倒U型的曲线。当将消费产出比提高至55%时,社会成员可以获得的最优效用值最大,即消费产出比从2007年的49%水平提高至55%的水平,可以使2007-2020年间可获得的最优效用进一步提高。因此社会计划者应从社会福利的角度考虑,提高消费比例,将经济产出中更多的比例用于消费。
虽然模拟时设定了41个情景,但为了便于分析,将重点分析两个特殊的情景,最优情景和基准情景。最优情景对应最优效用值最大的消费产出比55%的情景,基准情景是以2007年实际消费产出比49%的情景。

4.2 研发投资路径

研发投资是为提高能效、降低能源强度,间接降低排放强度所需采取的主动应对措施。通过模拟得知,为达到减排目标所需且使社会福利效用最大时的研发投资路径在所有情景下都是一致的,模拟得到结果(图3)。
Fig. 3 The trajectory of R&D-GDP ratio under the 40% emission intensity reduction objective

图3 不同消费产出比情景下的研发投资路径(排放强度2020年相对2005年降低40%的目标下)

图3给出了在2007-2019年间的研发投资路径。从中可以看出,所有情景下,最优研发投资路径的特点均为前轻后重,即规划期的初期不急于进行高研发投入降低能源强度。这一方面是由于过早的降低能源强度会对经济增长产生一定的抑制作用,另一方面也会因大量的减排努力(高研发比重)使得用于消费和投资的比例减少,这会使更偏好当期消费的社会成员效用下降;而到了减排的后期不得不投入大量的研发投资以实现减排目标。这也解释了中国各地减排实践中在规划期初期不采取有效的减排措施,而到末期通过各种手段突击完成减排目标的现象。这种现象提示,减排模式的最优方式应该是排放总量控制。
从各期的研发投资来看,初期各种情景的研发强度都较低,保持在2007年1.44%的水平上。为保证减排目标完成,从2014年开始需要提高研发强度,达到2.85%的水平。从2015年开始则需要全力降低排放强度,研发强度也必须达到所设定的最大值3%。
模拟得到的最优研发投资路径也说明,中国设定的排放强度减排目标是可行的,但需灵活调整研发强度,使其可以快速地增长到3%的水平上。因为如按目前研发投资增长速度则无法完成这一目标。

4.3 经济增长路径

根据模拟结果计算得到的规划期年平均经济增长速度显示,消费产出比在45%~50%间对应的经济增长速度约为11.8%~8.8%之间,与近年来的实际经济增长情况基本一致。基准情景与最优情景下的经济增长路径如图4所示。
Fig. 4 The GDP growth under the 40% emission intensity reduction objective in the optimal and baseline scenarios

图4 最优与基准情景下的经济增长路径(排放强度2020年相对2005年降低40%的目标下)

由于基准情景下的消费产出比低于最优情景,因此有更多的产出用于资本投资,促进经济增长。表现在图4上,基准情景GDP增长率均高于最优情景约2个百分点,GDP总量与最优情景的差距也越来越大。
从时间演变路径来看,前期经济增长高于后期,受研发投资挤压资本投资的影响,经济增长率在2014年有明显的回落,并且此后一直保持在较低的水平上。根据计算,基准情景下2007-2010年GDP平均增长率为10.2%,2010-2015年间为9.5%,2015-2020年间为8.9%;而在最优情景下2007-2010年GDP平均增长率为6.7%,2010-2015年间为6.0%,2015-2020年间为5.6%。

4.4 排放强度降低路径

在研发投资路径的作用下,规划期内各年的排放强度指标演变路径如图5所示。在本文的模型中,研发投资是主动降低排放强度的控制变量,同时研发活动还通过增加知识存量间接抑制排放强度。因此排放强度的走势受研发投资路径的影响。由于从效用最大化的目标出发,期初研发活动强度较低,因此从图5可以看出,排放强度初期下降较为平缓,从2013年开始,随着研发强度的加大下降趋势也更为显著,直到2020年达到预期目标。值得注意的是,在2013-2020年期间,排放强度的下降速度出现由急变缓的现象,这是由于随着排放强度的降低,与高能效国家之间的技术差距缩小,从而下降潜力变小的缘故。
Fig. 5 The emission intensity under the 40% emission intensity reduction objective in the optimal and baseline scenarios

图5 不同消费产出比情景下的排放强度路径(排放强度2020年相对2005年降低40%的目标下)

4.5 能源消费及碳排放路径

在最优经济增长路径与能源(排放)强度演变路径已知的基础上,进一步计算得到2007-2020年间能源消费量以及碳排放量的演变趋势(图6、图7)。能源消费与碳排放演变趋势基本保持一致。由于2013年及之前研发投资比例较低,没能有效遏制排放强度,排放强度降低速度较慢,加之期间经济增长率仍保持较快提升,相应地能源消费与碳排放量不断增长。伴随排放强度从2013年开始下降速度明显加快,能源消费与碳排放量的增长速率也明显放缓,甚至在随后的一两年内略有下降,出现能源消费与碳排放量的小高峰。但由于经济增长的原因,此后,排放总量仍保持小幅增长。到规划期后期,排放强度的下降速度又逐渐减慢,排放总量的增幅又有上扬的趋势。
Fig. 6 The energy consumption under the 40% emission intensity reduction objective in the optimal and baseline scenarios

图6 最优与基准情景下的能源消费路径比较(排放强度2020年相对2005年降低40%的目标下)

Fig. 7 The carbon emissions under the 40% emission intensity reduction objective in the optimal and baseline scenarios

图7 最优与基准情景下的碳排放路径比较(排放强度2020年相对2005年降低40%的目标下)

对比两种情景下能源消费与碳排放走势可以看出,消费产出比越高,能源消费与碳排放总体水平越低。其原因在于,能源消费与碳排放量主要受经济总量以及能源(排放)强度两个因素的影响,其中经济总量起支配作用。由于高消费产出比带来资本投资率的下降,使经济增长动力不足;另一方面,能源(排放)强度的最优路径是一致的,因此受经济总量的制约,能源消费和碳排放量在高消费产出比的最优情景下较低。
基准情景下模拟得到能源消费量与碳排放量,小高峰2013年分别为3267.1 Mtoe和2779.3 MtC,2020年分别4174.6 Mtoe和3478.7 MtC,与王铮等[20]的预测值(2020年分别为3070.5 Mtoe和2558.4 MtC)相比较高。这可以从两方面给予解释:一是本文排放强度控制目标下的最优路径要求研发投资前轻后重,而王铮等[20]设定的基准情景则是在当前技术水平下使能源强度持续下降,因此二者在能源强度降低路径上存在很大差异;二是两者能源强度下降路径上存在的差异也使本文得到的经济总量高于王铮等[20]中基准情景的预测结果。
而在最优情景下,由于消费产出比较高,经济增长速率不及基准情景,因此能源消费与碳排放量都低于基准情景。小高峰2013年分别为2693.6 Mtoe和2291.4 MtC,2020年分别为2778.5 Mtoe和2315.3 MtC。

5 结论与讨论

在无排放控制效用最大化模型基础上,将能源强度内生,通过研发强度控制能源强度的演变趋势,利用排放强度与能源强度之间的线性关系,对排放强度控制下的最优经济增长路径与碳排放趋势进行了研究。排放强度目标设定为是到2020年排放强度较2005年降低40%,结果发现:
(1)随着消费产出比的提高,社会成员所获得的效用值先随之提高,而后随之下降。当消费比重为55%时最优效用值最大。
(2)模拟得到的平均最优增长率在各种消费产出比情景中均略低于资本增长率,意味着排放强度下降有损经济增长。随着消费产出比的提高,最优经济增长率逐渐下降。最优情景与基准情景对应的年平均经济增长率分别为6%和9.4%。
(3)最优研发投资路径具有前轻后重的特点,即前期研发投入较少,而从2015年开始需要全力减排,研发比重为3%的上限值,以使排放强度到期末达标。这说明在终端减排指标(排放强度)目标的约束下,社会计划者的最优选择是尽量推迟开始减排的时间,并在规划期末突击完成目标。这与将排放强度作为减排目标有关。
(4)受研发投资路径特点的影响,排放强度初期下降缓慢,从2013年开始降速提高,对应于能源消费与碳排放量在2013年出现一个小高峰,而后又开始增长。但由于排放强度的降低速度慢于经济的增长速度,能源消费与碳排放量一直呈上升趋势。
受研究视角的影响,本研究尚存在一些不足。如,减排手段仅考虑了通过提高能源效率减少能源使用和碳排放,而且能源效率的提高手段也侧重主动的研发投资。未来研究应考虑更多的减排手段,如产业结构和能源结构调整等;促进能效提高的技术进步也可以引入更多的因素,如人力资本、创新激励等。此外,最优减排策略还会受到一些动态变化因素的影响,如能源价格水平。当能源价格大幅提高,将刺激生产者减少能源消费,转向通过提高能源效率更加高效地利用能源,最终更有利于减排目标的实现。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Manne A S, Mendelsohn R, Richels R. MERGE: A model for evaluating regional and global effects of GHG reduction policies. Energy Policy, 1995, 23(1): 17-34.

[2]
Doyen L, Dumas P, Ambrosi P. Optimal timing of CO2 mitigation policies for a cost-effectiveness model. Mathematical and Computer Modelling, 2008, 48: 882-897.

[3]
Bosetti V, Carraro C, Massetti E, et al. Optimal energy investment and R&D strategies to stabilize atmospheric greenhouse gas concentrations. Resource and Energy Economics, 2009, 31: 123-137.

[4]
Bosetti V, Tavoni M, Cian E, et al. The 2008 WITCH model: New model features and baseline. Fondazione Eni Enrico Mattei, Working Papers 2009.

[5]
Nordhaus W D,Boyer J. Warming the World. Cambridge: MIT Press, 2000.

[6]
Nordhaus W D. Economic aspects of global warming in a post-Copenhagen environment. Proceedings of the National Academy of Sciences of the United States of America, 2010, (107): 11721-11726.

[7]
Smulders S. Entropy, environment, and endogenous growth. International Tax and Public Finance, 1995, (20): 319-340.

[8]
Hettich F. Economic Growth and Environmental Policy. Cheltenham: Edward Elgar, 2000.

[9]
Hackl F, Pruckner G J. How global is the solution to global warming. Economic Modelling, 2003, (20): 93-117.

[10]
张清, 陶小马, 杨鹏. 碳减排约束条件下的内生经济增长机制研究. 经济理论与经济管理, 2010, (11): 33-39.

[Zhang Qing, Tao Xiaoma, Yang Peng. Endogenous economic growth under restraints of carbon abatement. Economic Theory and Business Management, 2010, (11): 33-39.]

[11]
杨劬, 肖韶峰. 减排投入对我国经济增长路径的影响分析. 西南民族大学学报: 人文社会科学版, 2011, (4): 165-169.

[Yang Qu, Xiao Shaofeng. Effect of abatement input on the economic growth path of China. Journal of Southwest University for Nationalities: Humanities and Social Science, 2011, (4): 165-169.]

[12]
刘卫东, 张雷, 王礼茂, 等. 我国低碳经济发展框架初步研究. 地理研究, 2010, 29(5): 778-788.

[Liu Weidong, Zhang Lei, Wang Limao, et al. A sketch map of low-carbon economic development in China. Geographical Research, 2010, 29(5): 778-788.]

[13]
林伯强, 孙传旺. 如何在保障中国经济增长前提下完成碳减排目标. 中国社会科学, 2011, (1): 64-76.

[Lin Boqiang, Sun Chuanwang. How can China achieve its carbon emission reduction target while sustaining economic growth?. Social Sciences in China, 2011, (1): 64-76.]

[14]
朱潜挺, 吴静, 王铮. 基于自主体的全球碳交易模拟. 地理研究, 2012, 31(9): 1547-1558.

[Zhu Qianting, Wu Jing, Wang Zheng. Research on carbon trading market: An agent-based simulation. Geographical Research, 2012, 31(9): 1547-1558.]

[15]
朱永彬, 王铮. 经济平稳增长下基于研发投入的减排控制研究. 科学学研究, 2013, 31(4): 554-559.

[Zhu Yongbin, Wang Zheng. Abatement control with R&D investment for China under the balanced economic growth path. Studies in Science of Science, 2013, 31(4): 554-559.]

[16]
朱永彬, 王铮, 庞丽, 等. 基于经济模拟的中国能源消费与碳排放高峰预测. 地理学报, 2009, 64(8): 935-944.

[Zhu Yongbin, Wang Zheng, Pang Li, et al. Simulation on China's economy and prediction on energy consumption and carbon emission under optimal growth path. Acta Geographica Sinica, 2009, 64(8): 935-944.]

[17]
Ramsey Y F. A mathematical theory of saving. Economic Journal, 1928, (38): 543-559.

[18]
Goldsmith R W. A perpetual inventory of national wealth. In: National Bureau of Economic Research. NBER Studies in Income and Wealth, New York: National Bureau of Economic Research, 1951: 5-61.

[19]
Bosetti V, Massetti E, Tavoni M. The WITCH Model. Structure, Baseline, Solutions. Fondazione Eni Enrico Mattei, Working Papers 2007.

[20]
王铮, 朱永彬, 刘昌新, 等. 最优增长路径下的中国碳排放估计. 地理学报, 2010, 65(12): 1562-1571.

[Wang Zheng, Zhu Yongbin, Liu Changxin, et al. Integrated projection of carbon emission for China under the optimal economic growth path. Acta Geographica Sinica, 2010, 65(12): 1562-1571.]

Options
Outlines

/

〈 〉