OFDI对中国碳排放的影响
——基于省际空间面板数据的实证检验

张昌兵，华丽香，余梅丽

（1.南京邮电大学经济学院，江苏南京，210023；2.南京航空航天大学经济与管理学院，江苏南京，211106）

一、引言

随着经济发展和社会进步，环境保护日益受到重视，发展稳健的高质量绿色经济正成为很多国家追求的目标。碳减排也因此已成为世界各国普遍关注的焦点。在第75界联合国大会上，中国宣布于2030年实现碳达峰，争取在2060年前实现碳中和。[1]随着中国OFDI（对外直接投资）规模的日益扩大，OFDI和FDI（引进外商直接投资）一样，对中国的产业结构和经济结构调整，对中国经济的低碳化发展都会产生重要影响。

OFDI对碳排放即对环境的影响，学者们的研究侧重于分析OFDI对母国的环境影响。主要有三种观点：一是OFDI对母国环境有改善效果。Dijstrai et al认为母国的高环保标准导致高污染产业向外迁移，从而改善了母国的环境质量[2]；Yang和Liu的研究发现，OFDI显著减少了日本的国内碳排放，减少了环境污染[3]；朱婕和任荣明的研究表明，OFDI对中国的环境改善有正向作用[4]。二是OFDI会给母国带来更多的环境污染。余官胜通过对100多个国家的相关数据研究发现，经济发展水平较低的国家OFDI会加剧母国的环境污染[5]；刘海云、李敏研究发现，中国OFDI导致国内碳排放增加[6]；刘夏等研究表明，对发达国家的直接投资不会通过逆向技术溢出效应而抑制国内碳排放[7]。三是OFDI对母国环境的影响具有异质性特征。周力和庞辰晨研究发现，OFDI对东部地区的环境影响是正向的，但是对大部分西北部地区的环境影响是负向的[8]；聂飞和刘海云的研究表明，OFDI对中国碳排放的影响存在门槛效应，受到城镇化水平约束[9]。

综上所述可以看出，OFDI对母国的环境具有较为复杂的影响。本文将基于2004—2019年省际空间面板数据，对OFDI对中国碳排放的影响尤其是具有的时空间异质性特征进行实证检验。

二、OFDI对碳排放影响的机理分析

OFDI对碳减排的影响主要体现在对碳排放量和碳效率的影响方面。具体来说，主要是借助产业升级效应、逆向技术溢出效应和规模经济效应等来实现。[10]（1）产业升级效应。研究表明，中国企业OFDI遵循“边际产业扩张”理论，其结果是中国国内的产业结构实现升级，产业结构不断优化，碳排放因此减少，碳效率因此提高。[11]（2）逆向技术溢出效应。经济全球化的深入发展使得国际竞争机制的作用得以充分发挥。全球环保意识的觉醒使得绿色发展受到世界各国政府和民众的普遍重视。其结果是中国OFDI公司的环保技术水平不断提高。这些先进的环保技术会逆向提升国内母公司的环保能力，实现碳减排和碳效率水平提高。[12]这种效应在对发达国家或新兴发展中国家的直接投资中会表现得更加明显。（3）规模经济效应。随着产品内分工和公司内贸易的深入发展，OFDI公司生产中所需的中间投入品通常来自母公司或母国。因中国在全球产业链和供应链中的独特地位，使得中国OFDI公司生产中所需的中间投入品供给更多依赖国内市场，即随着中国OFDI规模的扩大，中国国内中间投入品的生产规模会迅速扩张。而中间投入品的生产通常是高碳排放的，从这个角度说，中国企业OFDI会增加中国国内的碳排放。

综上，OFDI的产业升级效应和逆向技术溢出效应有利于中国的碳减排目标的实现，但规模经济效应则与碳减排目标背道而驰。由此可见，如果中国OFDI的产业升级效应和逆向技术溢出效应之和大于规模经济效应，则OFDI总体上会有利于碳减排目标实现。反之则相反。因产业升级效应和逆向技术溢出效应，相对来说是一个较长期时期的过程，而规模经济效应则是立竿见影的。因此说，OFDI对中国碳排放影响的积极效应发挥需要经历一段时间。但因受产业结构不同、在产业链和供应链中的地位不同等因素影响，OFDI对各省、直辖市和自治区碳排放的影响会存在较大差异。

三、变量、模型和数据来源

OFDI对碳排放影响还没有一个确定的结论。对二者关系的研究方法也大都局限在空间杜宾模型、面板数据回归分析、时间序列分析等。本文从时间、空间和环境相融合的角度，使用2004—2019年中国大陆30个省份（西藏因数据不完整，故不包含在内）的数据，使用空间杜宾SDM模型和时空地理加权GTWR模型从空间的相关性和异质性两方面综合观察变量的变化，用核密度估计碳排放的变化，阐释直接对外投资对中国碳排放的影响。

（一）变量选择

1.被解释变量

碳排放：由于碳排放并没有官方测度数据，必须通过计算求得。大多数研究采用的有两种方法：（1）用IPCC公布的公式对其进行计算；（2）使用发改委推荐值，将能源消耗近似转换成CO2排放量。不同的计量方法测算结果不尽相同，但是在全国范围内的占比相同。因第二种测度方式测算的结果与国际能源署公布的中国总的碳排量差距较小，因此本文采取第二种测度方法。用各省能源消耗量占全国的比重乘以全国CO2排放量，得到各省的碳排放量。对指标取对数，记为lnCO2。

2.解释变量

对外直接投资：因OFDI对碳排放的影响效果有短期和长期之别，存量比流量能更好地体现OFDI对碳排放的长期性影响即持续性影响效果[13]，因此本文选取了OFDI存量作为衡量OFDI的指标。为剔除汇率变动的影响，OFDI指标以美元为单位，并对指标取对数，记为lnOFDI。

3.控制变量

环境规制：衡量环境政策规定的常用指标主要有：环境规制效率值、单位产出的单一排污量、排污上限指标、单位产出污染治理支出等。经综合比较，本文采用单位产出污染治理支出指标来衡量环境规制强度，记为ER。

经济发展水平：用各省份GDP指标来衡量。经济发展意味着更多的能源消耗，会产生更多的CO2。对指标取对数，记为lnGDP。

人口规模：采用各省份年末总人口指标来表示。人口的增加导致更多的资源和环境的需求，导致耗能增加，从而增加了碳排放。对该指标取对数，记为lnPOP。

城镇化水平：用城镇化率即城镇人口占比指标来衡量。人口聚集在推动区域经济发展的同时，也提高了资源利用率，从而对碳排放产生抑制作用。对指标取对数，记为lnURB。

技术进步：用研发资本存量指标来衡量。研发资本存量使用永续盘存法来计算，计算中按照研发支出价格指数对数据进行平减，剔除了价格因素的影响。研发投入的增加推动创新和科技进步，从而提升碳能源利用率，减少碳排放。对指标取对数，记为lnRD。

产业结构：用第二产业产值占地区生产总值比重指标来衡量。对指标取对数，记为lnSTRC。

交通设施水平：交通是能源消耗的重要主体，交通产生的碳排放占全国比重很高。因此交通设施水平也是影响碳排放的重要指标。本文采用各省份铁路与公路运营里程的总和与行政区划面积的比值指标来表示。对指标取对数，记为lnTRA。

对外开放水平：对外开放水平高的地区，经济发展好，能耗相应也高。另外，对外开放程度高，高新技术广泛使用，提高了能源的利用率。本文采用进出口贸易总额占GDP比重指标来衡量。对指标取对数，记为lnOPEN。

（二）模型设定

1.空间相关性测度方法

在进行空间效应研究前，需要对相关指标进行空间相关性检验，以此判断使用空间计量模型的合理性。空间相关性检验重点是定量分析主要变量的空间自相关性。

（1）全局空间相关性

为分析全局空间相关性，本文使用全局相关分析中最常用的统计量全局莫兰指数（Global Moran’I）用来描述。全局莫兰指数通常用I来表示。其计算公式为：

其中：I为全局莫兰指数，。n代表空间单元数，即省份数30；Yi和Yj分别表示变量y在i地区和j地区的观测值，i与j取1～30自然数；Wij为空间权重矩阵W第i行j列的值。I取值范围[-1，1]；当取值为0时，代表不存在空间相关性；取值为正时，代表存在正空间相关性；为负时则存在负空间相关性；绝对值越接近1，空间相关性越强。

（2）局部空间相关性

全局莫兰指数只能体现是否出现空间集聚或异常，需引入局部Moran’s I指数来检验局部空间自相关。[14]公式如下：

表1 局部莫兰指数结果含义

2.空间杜宾模型

空间杜宾模型（Spatial Dubin Model，SDM）可以很好地解释被解释变量如何受到解释变量的影响，同时考虑到了空间的相关性。公式如下：

当被解释变量的空间滞后项系数显著且不等于零时，不能简单地用SDM模型结果的系数来度量空间溢出效应。[16]本文参考Elhorst的研究，采用偏微分法对变量进行测度，可以拆分出空间杜宾模型的直接效应和间接效应。[17]首先需要将SDM模型改为：

偏微分矩阵如下（为了直观显示，这里的包含解释变量和控制变量）：

其中：矩阵的主对角线上所有元素的均值为各解释变量对被解释变量的直接效应，非对角线以外的元素的均值为解释变量对其他地区被解释变量的间接效应。

3.地理和时间加权回归模型

地理加权回归（GWR）模型是基于非参数回归的全局回归模型的扩展。此模型旨在解释不同变量对空间异质性的影响。同一个变量在不同的空间环境下可能存在不同的影响，也就是空间异质性。GWR模型表示如下：

（三）数据来源

由于OFDI数据从2003年才对外公布，因此本文选取2004—2019年30个省份的数据。数据来源于《中国能源统计年鉴》《中国OFDI统计公报》《中国科技年鉴》《中国统计年鉴》《中国工业统计年鉴》以及各省统计年鉴等。本文中所有GDP数据采用指数平滑法计算，以2003年为基期。为消除原始数据可能存在的异方差现象，减少数据的不平稳性，对所有数据进行对数化处理。

四、OFDI对碳排放影响的SDM模型检验

本文使用Stata 15.0，根据公式（1）计算出2004—2019年中国碳排放及OFDI的全局Moran’s I指数。根据公式（2），使用stata计算出2004—2019年中国各省（直辖市或自治区）碳排放和OFDI的局部莫兰指数。分析表明，2004—2019年中国各省（直辖市或自治区）的碳排放和OFDI皆通过了全局空间自相关性检验和局部空间自相关性检验，表明碳排放和OFDI的空间效应真实存在，使用空间计量模型具有合理性。

（一）空间计量模型选择

Hausman检验结果显示，p值为0.0002，拒绝原假设，所以，选择固定效应模型。而时间和空间固定效应的LR统计量均在1%水平上通过显著性检验，说明接受双固定效应的空间模型。LM检验结果显示：LM-Lag和Robust LM-Lag在1%水平下皆通过显著性检验，表明可以选择SAR模型；LMError和Robust LM-Error在1%水平下也都通过显著性检验，说明可以选择SEM模型。因同时满足SAR模型和SEM模型，故可以使用SDM模型。从空间滞后（spatial lag）和空间误差（spatial error）的LR检验和Wald检验的结果看，LR-SDM-SAR、LR-SDM-SEM、Wald-SAR和Wald-SEM都在1%水平下通过显著性检验，表明SDM模型无法退化为SAR模型和SEM模型，故接受SDM模型。最终选取双固定效应SDM模型为本文研究的空间计量模型。以上检验结果见表2。

表2 空间计量模型选择检验

（二）双固定效应SDM模型检验

时间和空间固定效应SDM模型检验的结果，见表3。

表3中，SDM模型的值为0.167，且在5%的显著性水平上通过检验，说明碳排放存在正向的空间自相关性。OFDI对碳排放影响系数在1%的水平上通过显著性检验，且为正值，说明OFDI会增加二氧化碳排放。

表3 双固定效应SDM模型检验结果

因被解释变量的空间滞后项系数在5%水平上显著且不等于零，所以，SDM模型检验结果的系数无法准确度量空间溢出效应，因此采用偏微分方法进行拆解，拆解出直接效应和间接效应即空间溢出效应，见表4。

表4中，OFDI对碳排放的空间直接效应和空间溢出效应分别为0.044和0.072，说明某省份的OFDI不仅会增加本省份的碳排放，而且还会增加邻近省份的碳排放。

表4 空间解释变量的直接效应、间接效应和总效应检验结果

（三）SDM模型的稳健性检验

1.替换解释变量检验

为验证OFDI对碳排放影响结果的稳定性，本文首先用OFDI流量数据来替换OFDI存量数据作为衡量OFDI的指标来进行模型稳定性检验，检验结果见表5和表6。

将表5、表6中的检验结果与表3、表4中的检验结果分别进行对比，可以看出，在将存量数据替换成流量数据后，OFDI对碳排放的影响依然是正向的，即会增加碳排放，并且空间直接效应和空间溢出效应依然存在。

表5 更换核心解释变量后的双固定效应SDM模型检验结果

表6 更换核心解释变量后的空间解释变量的直接效应、间接效应和总效应检验结果

2.替换空间权重检验

为进一步验证OFDI对碳排放影响结果的稳定性，现用地理距离权重矩阵来替换相邻权重矩阵作为空间权重矩阵指标进行模型稳定性检验。检验结果见表7和表8。

通过与表3、表4中的检验结果对比，在表7、表8中的主要指标基本都通过了显著性水平检验，表明在替换空间权重矩阵后，OFDI依然会增加碳排放，空间效应依然存在。

表7 替换空间权重后的双固定效应SDM模型检验结果

表8 替换空间权重后的空间解释变量的直接效应、间接效应和总效应检验结果

五、OFDI对碳排放影响的GTWR模型检验

为更清楚地识别各省份OFDI对碳排放影响的时空异质性，现引入地理和时间加权回归模型即GTWR模型对各变量对各省份碳排放影响的差异性进行检验分析。为避免因解释变量之间由于存在精确相关关系或高度相关关系而使模型估计失真或难以准确估计的情况发生，在使用GTWR模型进行时空异质性检验前，需进行多重共线性检验。检验结果见表9。

表9 多重共线性检验结果

表9中，方差膨胀系数（VIF）均小于10，是可以接受的，表明解释变量之间没有严重共线性问题存在，可以使用GTWR模型。

根据2004—2019年中国省份的数据，运用GTWR模型，采取高斯核函数以及选取最小CV下带宽来对不同时间各省份碳排放影响因素进行参数估计，以测算各影响因素对碳排放影响的强度。各变量回归系数的描述统计结果见表10。

表10 2004—2019 基于GTWR模型的回归系数统计

由表10结果可知，GTWR在CV值最小为5.3时对应的最佳带宽为0.115。从拟合优度看，调整后的R2为0.987，表明GTWR模型可以较好地拟合解释变量对碳排放的影响。但各影响因素对碳排放的影响存在较大差异，因此有必要分析碳排放的时空异质性问题。

（一）GTWR模型中的碳排放时间演化检验

通过GTWR模型分析模型中各影响因素即解释变量对碳排放的影响强度，进而得出不同时空位置上各解释变量影响强度的拟合系数，再通过绘制箱线图更直观地观察各解释变量拟合系数随时间变化的分布情况，详见图1。

图1 GTWR模型OFDI对碳排放影响回归系数箱线图

图1中，矩形箱体即四分位间距框表示各省份OFDI对碳排放影响强度的拟合系数值的集中范围，上下两条竖线分别表示拟合系数值向上和向下延伸的范围，箱体中的横线表示拟合系数值的中位数值，黑色圆点表示异常值。2004—2019年，四分位间距框的高度即四分位间距呈逐年缩短趋势，上下竖线的延伸范围也呈逐年缩小态势，四分位间距框在坐标平面中的位置呈逐年下降的趋势，在2007年之前下四分位数值皆大于0，2007年之后下四分位数值开始降到0以下，并且在2016年以后上四分位数值小于0。这说明：对绝大多数省份来说，OFDI对碳排放影响的方向随着时间的变化趋向于一致，影响强度的差距不断缩小；2007年以前，75%的省份OFDI导致碳排放增加，而2007年以后OFDI引起碳排放增加的省份逐步减少，到2016年以后，至少75%的省份OFDI导致碳排放减少即对碳排放产生抑制效应，并且这种抑制效应呈逐年增强趋势。

为更直观地描述OFDI对碳排放影响在时间上的演化过程，根据GTWR模型估计的OFDI对碳排放影响系数，绘制了从2004—2019年全国30个省份（不含西藏）OFDI对碳排放影响系数的中位数走势图，见图2。

图2 2004—2019年GTWR模型OFDI对碳排放影响系数的中位数变化趋势图

在图2中，从2004—2019年，OFDI对碳排放影响系数的中位数总体呈逐年下降趋势，并且以2009年为分水岭，2009年之前的中位数值大于0，之后的中位数值小于0。这一检验结果说明，随着时间变化，对至少50%省份来说，OFDI对碳排放具有明显的抑制效应，2009年之前，尽管OFDI会增加碳排放，但是以逐年递减的速度在增加。而2009年之后，OFDI会显著减少碳排放，并且是以递增的速度在减少碳排放。

（二）GTWR 模型中的碳排放空间分布检验

根据从2004—2019年OFDI对碳排放影响系数的变化趋势，将全国30个省份（不含西藏）大致分为4种类，见表11。

表11 全国30个省份（不含西藏）的分类情况

表11可见，尽管OFDI对碳排放的影响存在较明显的省际差异，但总体来说，OFDI对碳排放具有明显的抑制效应，并且随着时间推移，这种抑制效应越来越显著。为帮助更好理解此结论，现在每种类型中选出一个代表性省份（安徽代表第Ⅰ种类型省份，辽宁代表第Ⅱ类型省份，黑龙江代表第Ⅲ类型省份，新疆代表第Ⅳ类型省份），绘制其OFDI对碳排放影响的系数变化趋势图，见图3。

图3 部分省份2004—2019年OFDI系数图

此外，热力分布图也是空间异质性检验中的常用研究方法。通过研究2004—2019年全国30个省份（不含西藏）OFDI对碳排放影响系数的热力分布图发现，OFDI对碳排放的影响存在明显的省际差异，但OFDI导致碳排放减少的省份随时间推移而显著增加，绝大多数省份OFDI导致碳排放减少的效果随时间推移而显著提高。

六、结论和建议

本文使用2004—2019年省级空间面板数据，对OFDI对中国碳排放的影响进行了实证检验。SDM模型检验发现，从研究期内综合整体上看，OFDI会增加碳排放，并且存在空间效应，即某省份的OFDI不仅会增加本省份的碳排放，而且还会增加邻近省份的碳排放。稳定性检验中证实该结论依然成立。GTWR模型检验发现，OFDI对碳排放的影响存在明显的时空异质性：在碳排放时间演化检验中发现，随着时间推移，OFDI对碳排放具有明显的抑制效应，即OFDI增加碳排放的效应随着时间推移而逐年减弱，2007年以前，75%的省份OFDI导致碳排放增加，而2007年以后OFDI引起碳排放增加的省份逐步减少，到2016年以后，至少75%的省份OFDI导致碳排放减少，并且这种减少效应呈逐年增强趋势；在碳排放空间分布检验中发现，OFDI导致碳排放减少的省份随时间推移而显著增加，绝大多数省份OFDI导致碳排放减少的效果随时间推移而显著提高。由此可见，从时间演化和空间分布看，OFDI对碳排放具有显著抑制效应。

为更好地利用OFDI来实现碳减排目标，现提出如下建议：

其一，继续鼓励OFDI，不断优化产业结构和经济结构，借助产业升级效应和逆向技术溢出效应来提高国内的碳效率水平，并降低碳排放水平。因此，政府可以通过建立完善的OFDI法律法规，简化OFDI审核流程，鼓励企业扩大OFDI。

其二，优化OFDI的领域结构，降低规模经济效应的影响，从而降低OFDI增加国内碳排放的效应。政府应鼓励第三产业企业对外投资，鼓励对外转移边际产业，从而更好抑制碳排放。

其三，重视OFDI企业的国内产业链和供应链布局，利用OFDI对碳排放影响的空间直接效应和空间溢出效应来降低国内碳排放水平，并提高对碳排放的管理效率。

其四，根据OFDI对碳排放影响的时空异质性特征，因省施策，以提高各省份的碳效率并降低碳排放水平。