电网拓扑结构引致二氧化碳减排的空间溢出机制
王斌+傅强
摘要本文以碳排放指标的省际空间相关性为基础，揭示省际高压电网互联结构对碳排放指标空间相关性的影响机理。依据1998—2014年中国30省份高压电网省间联络线的投运时序构建空间权重矩阵，以反映省间能源设施互联的紧密程度。使用动态空间杜宾面板模型克服静态空间面板模型的忽略变量偏误；以内生变量的滞后一期为代理变量克服内生性偏误。同时，采用反事实计量的方法分析《大气污染防治计划》配套的12条在建高压线路投运后对碳排放指标的影响。研究结果发现：①高压电网互联使得各连接省份间的碳排放指标呈现出空间同质性的特点，拉高低碳排放省份碳排放指标的同时，有助于高碳排放省份碳排放指标的降低。②高压电网互联后，能源强度降低对减少碳排放指标起着关键作用；12条在建高压线路投运后，省间碳排放指标的空间相关性进一步增强，能源强度改善对碳排放指标降低的重要性进一步突显；同时，提升电力占比与改善产业结构也对减少碳排放指标起着重要作用。这不仅实现了省际碳排放指标空间相关性机理分析的方法创新，还为能源基础设施互联政策对节能减排的影响提供了计量测算方法。
关键词电网拓扑结构；空间权重矩阵；动态空间杜宾模型；空间溢出效应
中图分类号F062.4
文献标识码A文章编号1002-2104（2018）02-0077-09DOI：10.12062/cpre.20170418
电能具有清洁、安全、便捷等优势，实施电能替代对于推动能源消费革命、落实国家能源战略、促进能源清洁化发展意义重大，是提高电煤比重、控制煤炭消费总量、减少大气污染的重要举措。为此，国家电网公司提出建设以特高压电网为骨干网架，全球互联的智能电网作为全国范围大规模开发、配置、利用清洁能源的基础平台，通过电能大规模输送的方式，促进一次能源向电能转化，减少二氧化碳排放。国家能源局于2016年9月份批复建设12条输电通道，包含4条特高压交流工程（1 000 kV）、5条特高压直流工程（±800 kV）与3条500 kV高压交流工程线路，作为《大气污染防治行动》的配套政策，对通过高压电网互联以促进全国节能减排的目标寄予厚望。那么强化全国高压电网的互联是否有助于全国碳排放量的减少？现有的高压电网结构如何影响省间碳排放的空间交互效应？地理邻接的省间高压交流电网互联和跨越省份地理邻接的高压直流电网互联如何促进碳排放量的减少？以上问题是全球能源网战略亟需面对的三个问题。本文使用动态空间杜宾面板模型，根据省间高压电网互联的时间顺序和拓扑结构构建空间权重矩阵，据此对中国碳排放问题进行量化分析，为相关政策的制定提供理论依据。
1文献综述
Enrlish[1]等首先提出IPAT模型，量化了人口（P）、富裕程度（A）与技术（T）对环境（I）的影响。Dietz[2]等在此基础上考虑了影响因素的不同弹性系数与随机效应，提出了STIRPAT模型，将回归分析应用于环境影响研究。Ehlorst[3]指出，如果研究对象的空间自相关性确实存在，但在研究中被忽略，则会导致对其他解释变量系数的估算发生偏误。程叶青[4]等分别采用空间自回归模型（SLM）、空间误差模型（SEM）与空间杜宾模型（SDM）对中国各省能源碳排放强度进行回归分析，发现中国各省区碳排放强度既存在空间自相关性又存在误差空间自相关性，适合采用SDM模型，考虑空间交互相应后，能源强度、能源结构、产业结构与城市化率是影响碳排放强度时空格局演变的主要因素且具有较显著的空间自相关性和空间溢出效应。馬大来[5]等研究发现SEM模型有更好的拟合效果，中国省际碳排放效率不仅存在着空间依赖性的特征，同时也具有空间异质性的特征，经济规模、工业结构和能源消费结构对碳排放效率的提升有负向影响，而对外开放、企业所有制结构和政府干预对碳排放效率的提升有正向影响。付云鹏[6]等以STIRPAT模型为基础，利用SLM模型对中国碳排放强度的影响因素进行回归分析，发现碳排放强度存在明显的空间自相关，人口结构、能源强度、能源结构和产业结构是区域碳排放强度的重要影响因素。
以上文献表明，中国区域碳排放的空间相关性普遍存在且对区域碳排放的演化与分析必不可少，但是上述研究还存在两个问题：一是均采用静态空间面板模型，缺乏对碳排放空间效应的动态分析，忽略了碳排放滞后项与滞后期空间自相关项对碳排放指标的影响，可能导致忽略变量偏误；二是仅仅利用了省间地理位置的邻接关系设置空间邻接矩阵，描述碳排放指标的空间相关性，缺乏有效的基础设施载体，无法对这种地理位置邻接关系产生空间相关性的原因及作用机理进行深入分析并提出改变空间相关性的政策措施。
动态空间面板模型解释变量中含有被解释变量的滞后一期、空间自相关项与滞后一期的空间自相关项，导致同时存在内生性问题与空间自相关问题，对无偏估计带来了一定的困难。Elhorst[7]比较了GMM、混合ML/BCLSDV与混合GMM/BCLSDV方法的动态空间面板模型的估算结果，指出GMM方法对空间相关项系数的估算在大N小T型的面板数据中存在严重的偏误，大N小T的面板数据在N小于500的条件下适宜采用混合ML/BCLSDV方法。Elhorst[8]采用此修正方法研究62个国家1979—2005年的金融改革问题，得到的结论与Abiad[9]等人显著不同，由于其对系数的估计是无偏且一致的，故其研究结果更为稳健。可见，采用动态空间面板模型不仅能够更为有效地估算研究对象的空间相关性，还能通过对动态效应和滞后一期空间自相关性的估算更准确地描述各影响因素的直接效应与间接效应，具有广阔的应用前景。
刘振亚[10-11]提出中国未来电网主干网具有大容量、远距离、大规模交直流并列运行与受端多直流集中馈入的特点，进一步提出全球能源互联网战略，倡导煤炭、天然气、石油、太阳能、风能等一次能源将电网作为能源传输的载体，大规模地开发和利用清洁能源，减少二氧化碳的排放。随着电力体制改革的深入，电网公司将退出购售电市场，只负责输配电网的建设与维护，电网将进一步向社会开放，电网拓扑结构对能源生产和使用将起到更大的作用，从而对二氧化碳排放产生深刻的影响。特高压/高压直流输电线路使得中国各省份实现了跨区域的电网连接，空间邻接矩阵不再受限于省份间地理位置是否相邻的影响。地理位置间隔较远的省份可以通过特高压/高压直流输电线路建设，在业已形成的电网拓扑结构的基础上对空间权重矩阵进行修改，以利于碳排放指标的减少。因此，研究如何通过高压电网建设改变空间权重矩阵从而改变碳排放指标的空间溢出关系有重要的学术价值和现实意义。
本文根据高压交流/直流线路建设时序，结合现有电网拓扑结构，构建空间权重矩阵，评价碳排放指标的空间溢出效应；应用动态空间杜宾面板模型，对各省份碳排放指标与其影响因素进行回归分析，更全面地反映各影响因素对碳排放的直接效应和间接效益；在动态空间回归的基础上，研究建设中的高压交流/直流线路对空间权重矩阵的影响，以反事实计量的方法反映在建和规划的特高压交流/直流线路对碳减排指标空间溢出关系的影响。
2动态空间杜宾面板计量模型
2.1空间权重矩阵的设置
空间权重矩阵反映研究对象在地理空间中的相互影响，是空间计量区别于传统计量方法的基础。由于空间权重矩阵W必须为常数阵，而电力线路的建设与投运具有时序性，使得电网的拓扑结构呈现随时间变化的特点，即新建线路的投运导致电网拓扑结构改变。如果按传统的方法对W进行赋值，线路投运年前后会得到不同的空间权重矩阵。为解决此问题，本文提出了基于电力线路投运时间的空间权重矩阵综合赋值法，如t年m月有新线路投运，该线路连接省份i与省份j，则W中的i行j列元素赋值为：
Wij=yrmax-yrt
yrmax-yrmin+
12-m12·（yrmax-yrmin+1）
（1）
其中，yrmax表示研究时期的末年，yrmin表示研究时期的开始年份，yrt表示线路投产年份，m表示线路投产月份。模型（1）中的wij为0至1之间的值，越接近于1表示线路投产时期越早，对两省之间的空间溢出效应贡献越高；越接近于0表示线路投产时间越晚，对两省间的空间溢出效应贡献越低。如电力线路在yrmin年1月前投运，则相应位置赋值为1；如在yrmax年12月还未投运，则相应位置赋值为0。完成赋值后再将空间权重矩阵W行/列标准化，用于动态空间计量分析。同时，为实现分年度的全局MoranI指标分析与Moran散点图的绘制，定义各年度的空间权重矩阵W为：
（Wij）y=1，y年1月前省份i与省份j之间有电力线路相联；
（Wij）y=0，y年1月前省份i与省份j之间无电力线路相联。
（2）
2.2碳排放影响因素理论模型
STIRPAT模型是碳排放指标分析的理论基础：I=aPbAcTde，其中a为常数项，e为残差项，表示随机影响，I、P、A与T分别表示碳排放指标、人口、人均财富与技术。本文采用人口规模、城市化水平表示P的影响，人均GDP表示A的影响，产业结构、能源强度、能源结构与R&D研发投入表示T的影响，同时根据已有研究成果选取对外开放程度、外商直接投资作为控制变量，扩展STIRPAT，两边取对数为：
lnIit=αi+β1lnPopit+β2lnURBit+β3lnPGDPit+β4lnISit+β5lnEIit+β6lnECSit+β7lnRDit+β8lnTRit+β9lnFDISit+eit（3）
下标i、t分别表示相关省份与时间。Pop为人口规模，URB为城市化率，PGDP为人均GDP，IS为产业机构，EI为能源强度，ECS为电力占比，RD为科研投入占比，TR为进出口贸易额占比，FDIS为FDI存量。考虑碳排放指标的动态空间相关效应后，扩展为动态空间杜宾模型（DSDM）：
lnIt=μ+αtlN+τlnIt-1+ρWlnIt+ηWlnIt-1+βkln（Xt）k+γkWln（Xt）k+et（4）
τ表示碳排放指标滞后一期的弹性系数，ρ与η分别表示碳排放指标与其滞后一期的空间自相关项的弹性系数，W为标准化后的空间权重矩阵。μ=（μ1，μ2，…，μN）表示个体效应，αt表示时间效应，lN为N×1单位向量，（Xit）k表示k个控制变量，为N×k列矩阵，N表示研究省份数量，k为控制变量个数。e=（e1，e2，…，eN）为残差项。Elhorst[7]指出，对于大N小T型的空间面板数据，τ+ρ+η<1则指标稳定，τ+ρ+η≥1则需对碳排放指标空间差分处理后在进行动态空间分析。
常用的空间面板模型中，可以在满足一定假设的情况下将空间杜宾模型（SDM）简化为空间自回归模型（SLM）（γk=0），与空间误差回归模型（SEM）（ρ+γkβk=0）。方程（5）同理可以轉化为动态空间自回归模型与动态空间误差回归模型。
Lesage[12]等提出使用矩阵（I-ρW）-1（βkIN+γkW）对角线元素的平均值表示直接效应，非对角线元素的行/列元素之和表示间接效应，采用多变量正态分布模拟最大似然函数，以评估直接效应与间接效应在统计上的显著性。
3碳排放动态空间效应的实证分析
3.1变量说明与数据来源
本文选取除西藏和港澳台地区外的中国30个省份1998—2014年数据作为研究对象，数据的具体选取与处理方法为：
（1）碳排放指标（I）：采用碳排放强度与人均碳排放量表示，前者以碳排放量除以GDP值表示，后者以碳排放量的人均值表示，采用付云鹏等[9]的方法估算。
（2）空间权重矩阵（W）：以国家电网公司和中国南方电网公司2014年《电网运行方式报告》中的电网拓扑图为基础，找出省间500 kV以上的电力线路联络线。根据联络线路，从历年《中国电力统计年鉴》中的重大工程部分找出省间最早投运线路的投运日期，按照公式（2）对空间权重矩阵进行赋值，再对权重矩阵进行标准化处理。
（3）人口规模（Pop）：取自wind数据库。
（4）城市化率（URB）：采用历年各省城镇化率数据表示。2005—2014年数据来源于《中国统计年鉴》，2001—2004数据参考周一星等[14]，采用联合国法利用2000和2005年数据修订得到，1998—2000数据则直接采用其修订值。
（5）人均GDP（PGDP）：各省GDP数据来自历年《中国统计年鉴》，按GDP价格平减指数统一折算为2014年价，与人口规模数据相除得到。
（6）产业结构（IS）：采用第二产业增加值占GDP的比重表示，取自《中国统计年鉴》。
（7）能源强度（EI）：以各省能源消耗总量与区域生产总值的比值表示，数据取自《中国能源统计年鉴》。
（8）电力占比（ECS）：采用各省电力在能源消费中的占比表示。数据来自《中国能源统計年鉴》，统一折算为标准煤。
（9）R&D研发水平（RD）：考虑到用R&D研发支出主要列入成本进行核算，故采用流量数据衡量。用各省份历年R&D投入占GDP比重表示。2000年及以后的数据来自《中国科技统计年鉴》，1998—1999年的数据用科技投入数据替代。
（10）对外贸易水平（TR）：采用各省进出口总额与GDP的比值表示，数据来自国家统计局网站国家数据库。
（11）FDI存量（FDIS）：用永续盘存法估算：FDISit=（1-δ）FDISi，t-1+FDIit/Iit，FDIit为时期t省份i的实际利用外商直接投资额，用当年平均汇率转换为人民币计价。参照单豪杰[15]，折旧率δ取10.6%，Iit表示时期t省份i的固定资产投资价格指数。数据来自《新中国六十年统计资料汇编1949—2008》和《中国统计年鉴》，采用Iit折算为2014年价。
3.2碳排放指标的空间相关性分析
全局空间相关性：据方程（2）的方法分年度对空间权重矩阵赋值，将其标准化以计算中国省际碳排放强度、人均碳排放量的全局Morans I指数，结果如图1所示。1998—2014年间中国省际碳排放强度的全局Morans I指数（Morans I（1））在5%的显著性水平上均为正值，总体上呈现出逐年递增的趋势，说明中国各省间的电力线路是一种有效的碳排放强度溢出渠道。由于各年份的全局Morans I指数均为正，说明高压电力线路的布局对碳排放强度的空间分布格局有很强的影响，有电力线路连接的
省份，碳排放强度趋于一致。同理，人均碳排放量也遵从高压电力线路拓扑结构的分布，呈现出高度的空间正相关性。
局部空间相关性：根据方程（2）的方法分年度对空间权重矩阵赋值，可以得到1998年、2006年、2014年的碳排放强度Moran散点图。随着电网拓扑结构的加强，落于第一、三象限，呈现空间同质性的省份越来越多。1998年，由于新疆、青海、山东、海南和福建电网为孤网运行（电网与其他省份不相联），故其Moran散点图位于横坐标轴上（空间相关性为0）；到2006年，只剩新疆、海南电网呈现孤网运行，故横坐标上只剩下两个点；到2014年初，所有省份的电网均与其他省份相联，不再有省份落于横坐标轴上，除个别省份有空间异质性的特点外，大部分省份均呈现空间同质性的特征。
根据方程（2）的方法分年度对空间权重矩阵进行赋值，得到1998年、2006年、2014年的人均碳排放量Moran散点图。落于横坐标的省份变化情况与碳排放强度的情况相同，但是人均碳排放量的Moran散点图中落于空间异质性区间的省份略多于碳排放强度。
可见，电网拓扑结构对各省份的局部空间相关性有显著的影响，电网拓扑结构随时间越强，碳排放指标呈现空间同质性的省份越多。将一次能源丰富且碳排放指标不高的中西部地区与一次能源相对匮乏且碳排放指标较高的东部负荷中心省份相联，可以通过空间同质性控制东部省份的碳排放指标。
3.3实证分析结果
3.3.1碳排放强度及影响因素的动态空间分析
由于本文解释变量属于大N小T型的面板数据，故采用Levin等[13]提出的面板单位根检验方法对本文9个解释变量进行稳定性检验，发现均稳定，不存在伪回归问题。
现有的空间计量方法，集中于空间自相关项的系数处理与修正[7-8]，而对可能同时存在的解释变量内生性问题缺乏有效的处理方法。本节使用Davidsonmackinon方法对解释变量的内生性进行检验，对存在内生性的解释变量使用其滞后一期值代替原变量进行动态空间回归分析，以得到更为稳健的结果。
内生性检验：在不计及动态空间相关性的前提下，采用Davidsonmackinon的解释变量内生性检验方法。原假设分别为人口规模、城市化率、人均GDP、产业结构、能源强度、电力占比、R&D研发水平、对外贸易水平与FDI存量的对数值均与干扰项不相关（即解释变量是外生变量），分别使用各解释变量的滞后1至8阶作为其工具变量，得到Davidsonmackinon检验统计量分别为：4.56、0.77、0.76、0.88、6.38、0.79、0.48、1.16与0.00，对应的P值分别为0.03、0.38、0.39、0.35、0.01、0.37、0.49、0.28、1.00；表明人口规模、能源强度对数值的外生性假设被拒绝，此两变量存在内生性问题，其余解释变量均可作为碳排放强度的外生变量。
按照方程（1）的方法，根据全国高压电网拓扑结构对空间权重矩阵W进行赋值，由于W的赋值已充分考虑了时间效应，故不再对时间效应进行分析。首先，采用空间Hausman检验方法对空间随机效应模型和空间固定效应模型进行选择，检验结果均选择空间固定效应模型。由于SLM模型、SEM均与SDM模型存在嵌套关系（nested model），采用Wald检验与LR（似然比）检验方法对静态空间面板模型的形式进行选择，并在此基础上进行动态空间面板模型分析。SDM模型可以被简化为SLM模型的原假设H0：γk=0，Wald检验值为22.66，拒绝原假设；LR检验值为23.35，拒绝原假设。Wald检验与LR检验的结果均支持SDM模型。SDM模型可以被简化为SEM模型的原假设H0：ρ+γkβk=0，Wald检验与LR检验的结果均支持SDM模型。
将SDM模型动态化得到DSDM模型，估算其直接/间接效应，结果如表1所示。由于碳排放强度面板数据是大N小T型的形式，故采用Elhorst[8]的方法判断其稳定性。原假设为碳排放强度空间自相关项、滞后一期项与滞后一期空间自相关项的系数之和为1，构造Wald统计量R′inv（var cov）R，R=τ+ρ+η-1，varcov为动态面板回归中τ、ρ与η对应的协方差矩阵。该方程中τ+ρ+η=-0.119，Wald检验值为6.147，为1的显著性水平低于5%，表明考虑动态空间效应后，经过对数化处理的碳排放强度数据稳定。同时，由于各解释变量均稳定，故动态空间回归结果不存在伪回归问题。
直接/间接效益：为了检验解释变量直接、间接与总效应的显著性，采用Lesage[12]的多变量正态分布法模拟最大似然函数，得到解释变量各系数的模拟值，再使用t统计量判断其显著性。为保证结果的稳健性，模拟次数设为10 000次，结果如表1所示。
碳排放强度空间自相关项的系数为0.186，为零的显著性水平小于1%，表明通过高压电网互联省份的碳排放强度正相关，高压电力线路的建设引致碳排放强度空间正向溢出。考虑到高压电网电力潮流主要是由中西部的能源生产省份流向东部、中部的负荷中心省份，而中西部省份的碳排放强度相对于东部较低，因此东部负荷中心碳排放强度会随着与中西部省份高压电网的互联而降低，高压电网联网的方式引起了碳排放强度的空间转移。
人口规模的弹性系数为0.067，为零的显著性水平高于10%，直接效应不显著。通过高压电网的空间溢出影响后，人口规模总效应的弹性系数为0.467，为零的显著性水平低于1%，表明本省份人口规模每上升1%，则碳排放强度上升0.467%。这是因为通过全国范围的高压电网互联，使得能源的生产实现了全国性的区域优化配置，本省份的人口规模增加虽然不能直接提升本省份的碳排放强度，却使得能源生产省份的能源产量增加，碳排放强度上升，由于高压电网互联省份碳排放强度变化的空间同质性，使得本省份的碳排放强度上升。
城市化率的弹性系数为0.283，为零的显著性水平低于1%，直接效应显著。通过高压电网的空间溢出影响后，城市化率总效应的弹性系数为0.249，为零的显著性水平低于10%，表明本省份的城市化率每上升1%，碳排放强度增加0.249%。可见，城市化率变化对碳排放强度的
直接效应显著，间接效益不显著，总效应的统计显著性较弱。这是因为城市居民相对于农村居民，其生产、生活产生的碳排放强度较高；随着省间人口自由流动，人口输入省份的城市化率提升抑制了人口流出省份的城市化率的上升，从而使得间接效应不显著。
人均GDP的弹性系数为-0.199，为零的显著性水平低于1%，直接效应显著。通过高压电网的空间溢出影响后，人均GDP总效应的弹性系数变为-0.243，为零的显著性水平低于1%，表明本省份的人均GDP每升高1%，碳排放强度下降0.243%。人均GDP提高對碳排放强度的直接效应显著，间接效应不显著。这是因为中国经济的
发展方式逐步由粗放型转向更注重科技与技术进步的集约型；同时，各省政府对碳排放强度降低的重视程度进一步提高，通过各项政策逐步淘汰碳排放强度较高的落后产业，积极引入对环境更为友好的新兴产业，使得经济增长过程中碳排放强度进一步降低。
产业结构的弹性系数为0.235，为零的显著性水平低于1%，直接效应显著；间接效应的弹性系数为0.397，为零的显著性水平低于1%；总效应的弹性系数为0.652，为零的显著性水平低于1%。表明各省第二产业占比每提升1%，其碳排放强度增加0.652%，高压电网溢出的间接效益高于直接效应。这是因为第二产业单位GDP所消耗的能源远高于第三产业，其占比提升直接导致本省份的碳排放强度增加；又由于各省份的第二产业占比增加，必然使得第二产业向其他省份外溢，由于全国标杆电价使得各省份用电成本差别较小，高压电网又为这种产业转移提供了能源保障，故其间接效应显著。
能源强度的弹性系数为0.271，为零的显著性水平低于1%，考虑电网拓扑结构的影响后，总效应的弹性系数为1.100，为零的显著性水平低于10%，表明本省份能源强度下降1%，碳排放强度下降1.1%，能源强度的间接效益的弹性系数远高于直接效应，降低各省份的能源强度能大幅减少碳排放强度。这是因为本省份能源利用效率的提升固然能降低自身的碳排放强度，也能通过全国高压电网的空间溢出效应缓解能源生产基地的压力，从而降低其碳排放强度，碳排放强度的空间同质性又进一步使得自身的碳排放强度降低。可见，高压电网互联的同时必须辅以关闭小型火力电厂、鼓励大型火力发电厂建设，鼓励可再生能源利用等能源效率提升的相关政策，才能更好地改善碳排放强度。
电力占比的弹性系数为-0.479，为零的显著性水平低于1%，考虑高压电网拓扑结构的影响后，电力占比总效应的弹性系数为-0.493，为零的显著性水平低于1%，表明电力占比提升对碳排放强度降低的直接效应显著，间接效应不显著，但总效应的弹性系数略高于直接效应。因此，强化全国高压电网互联的同时，提升各省份电力在能源消费中的占比，能更好地发挥全国联网的优势，从总体上降低碳排放强度。
从R&D研发水平与对外贸易水平的弹性系数及其显著看，其变化对能源强度的影响不明显。
3.3.2人均碳排量及影响因素的动态空间分析
本文同时以人均二氧化碳排放量表示碳排放指标，应用动态空间面板模型进行回归分析，更全面地反映电网拓扑结构对碳排放指标的影响。同理使用Davidsonmackinon方法对解释变量的内生性进行检验，对存在内生性的解释变量使用其滞后一期值进行动态空间回归分析，以得到更为稳健的结果。
内生性检验：在不计及动态空间相关性的前提下，采用Davidsonmackinon方法检验解释变量是否存在内生性问题。原假设分别为人口规模、城市化率、人均GDP、产业结构、能源强度、电力占比、R&D研发水平、对外贸易水平与FDI存量的对数值均与干扰项不相关（即解释变量是外生变量），分别使用各解释变量的滞后1至8阶作为其工具变量，得到各自Davidsonmackinon检验统计量分别为：5.14、0.80、1.41、1.44、4.51、0.60、0.57、2.58与0.01，对应的P值分别为0.02、0.37、0.24、0.23、0.03、0.44、0.45、0.11与0.92；表明人口规模、能源强度对数值的外生性假设被拒绝，存在内生性问题，其余解释变量均可作为人均碳排放量的外生变量。
根据全国高压电网拓扑结构对空间权重矩阵W进行赋值，同理不再对时间效应进行分析。采用空间Hausman检验方法对空间随机效应模型和空间固定效应模型进行选择，采用Wald检验与LR（似然比）检验方法对静态空间面板模型的形式进行选择。检验结果显示，应选择固定效应的SDM模型。将SDM模型动态化得到DSDM模型，估算其直接/间接效应。人均碳排放量空间自相关项、滞后一期项与滞后一期空间自相关项的系数之和为-0.538，Wald检验值为47.03，为1的显著性水平低于1%，表明考虑动态空间效应后，经过对数化处理的人均碳排放量数据稳定。由于各解释变量均稳定，故动态空间回归结果不存在伪回归问题。
回归结果显示，人均碳排放量的空间自相关项系数与碳排放强度的空间自相关项系数符号相同，大小相近；同时，人口规模、城市化率、产业结构、能源强度、电力占比的弹性系数对人均碳排放量的影响与其对碳排放强度的影响极为相似。这表明，不论以碳排放强度还是人均碳排放量衡量碳排放指标，用电网拓扑结构为基础构造的空间权重矩阵使用动态空间面板模型进行分析，得到的结论较为一致。
人均GDP对碳排放强度的影响与其对人均碳排放量的影响不同。人均GDP每上升1%，人均碳排放量上升0.854%，直接效應显著；考虑电网拓扑结构的空间溢出效应后，人均GDP每上升1%，人均碳排放量上升1.576%，且结果均高度可靠。但是，人均GDP对碳排放强度的弹性系数为负，总效应的弹性系数也与之相反。这是由于人均碳排放量主要反映的是碳排放量绝对值的影响，而碳排放强度反映每万元GDP产出所产生的碳排放量。经济发展方式转为能源集约型后，碳排放强度随着经济发展水平的提高而下降，但是其绝对值仍然是增加的，反映为人均碳排放量随着经济发展水平的提高而上升。
3.3.3不同电网拓扑结构对碳排放指标的影响
作为《大气污染防治行动》的配套政策，国家能源局于2014年5月发布《国家能源局关于加快推进大气污染防治行动计划12条重点输电通道建设的通知》。由于此12条在建线路均在2014年后陆续开工，对碳排放指标的影响效果无法评估，故采用反事实计量的方法，假设其在1998年已建成投运，据此修改空间权重矩阵，使用动态空间杜宾面板模型进行回归分析。将回归结果与原空间权重矩阵的回归结果进行比对分析，识别出12条在建输电线路对碳排放指标的影响。
内生性检验的结果显示人口规模与能源强度为内生变量，其他解释变量为外生变量。假设12条在建线路在1998年前投运，其动态空间回归结果如表2所示。加入12条线路后，碳排放强度的空间自相关项系数变为0.166，低于未加入12条线路前的0.186，表明12条在建电力线路后，由于采用反事实计量方法所使用的指标数据未变，各省份间碳排放强度的同期空间正相关性减弱。这是因为虽然采用反事实计量的方法修改了空间权重矩阵，但是碳排放强度数据依然是权重矩阵修改前的数据，故空间正相关性的减弱不是12条在建线路加入后的结果，但是加入高压电力线路可以影响碳排放强度空间相关性的结论是成立的。观察人均碳排放量空间自相关项的系数变化可以得到相似的结论。
碳排放强度：与表1的结果相比，能源强度间接效应与总效应的弹性系数大幅增加，表明加入12条在建线路加强电网结构后，本省份能源强度下降的空间溢出效应大为增强，通过高压电网相联省份的碳排放强度大幅下降，使得总效应的弹性系数大幅增加。因此，通过高压线路的新建使得电网结构加强后，能源效率的提升对碳排放强度的下降变得更为关键，《大气污染防治计划》必须配套能源效率提升政策才能发挥出大规模跨省电网建设的效果。
电力占比的弹性系数与其总效应的弹性系数与加入12条线路前相比略微增加，表明省间电网联系越强，提升电力占比越能改善碳排放强度。提升电力占比应成为各省份改善碳排放强度的一项重要措施。
人口规模总效应的弹性系数显著增加，产业结构的弹性系数与其总效应的弹性系数略微增加，人均GDP的弹性系数与其总效应的弹性系数变化不大。表明通过12条线路加强电网结构后，碳排放强度对人口规模的增加更为敏感，第二产业占比提升对碳排放强度的影响与加入12条在建线路前变化不大，而人均GDP的变化对碳排放强度的影响与电网强化前的水平相当。
人均碳排放量：与表1的结果相比，加入12条线路后，能源强度的间接效应大幅增加，导致总效应大幅增加。说明电网拓扑结构加强后，通过高压电力线路相联的各省份之间的能源生产与消费的一体化效应得到增强。本省份能源强度的增加，会通过电网拓扑结构影响到其他省份，省份之间的电网联系越强，空间溢出的间接效应越显著，从而使得能源强度总效应的弹性系数越大。因此，能源效率的提升是降低人均碳排放量的关键。与加入12条线路前相比，电力占比的弹性系数提高，但是总效应的弹性系数略微下降，但绝对值仍达0.471。表明提升电力占比应成为各省份改善人均碳排放量的一项重要措施。
与加入12条在建线路前相比，人均GDP的弹性系数降低，但是间接效应大幅增加，导致总效应大幅增加。说明电网拓扑结构加强后，相联的各省份之间的经济同质性得到一定的加强，由于中国现阶段人均GDP增加导致人均碳排放量增加，因此各省份人均GDP的增加对人均碳排放量的压力通过高压电网的空间溢出效应进一步增强。人口规模总效应的弹性系数增加，城市化率、产业结构的弹性系数与总效应的弹性系数变化不大。这一结果与碳排放强度的情况相近。
因此，加入12条在建电力线路后，通过高压电力线路相联各省的碳排放指标空间同质性会发生相应的改变，能源强度的降低与电力占比的提升对改善碳排放指标日益重要。可见，要使《大气污染防治行动》配套的12条线路能降低碳排放指标，配套能源效率提升与扩大电力在终端能源比重的政策成为关键。
4结论
本文根据高压电网拓扑结构构建空间权重矩阵，并采用动态空间杜宾模型进行回归分析，在计量方法上的贡献体现在两个方面：一是采用动态空间分析方法克服了忽略变量偏误，得到了比静态空间面板模型更为稳健的结果；二是在回归分析前对解释变量进行了内生性检验，并采用内生变量的滞后一期代替原变量进行回归分析，克服了动态空间面板分析不注重解释变量内生性的问题。
動态空间杜宾面板模型回归得到如下结论：一是高压电网互联使得中国各省份间的碳排放指标呈现出空间同质性的特点。通过高压电网互联能使中西部能源生产省
份与东部省份的碳排放指标趋于一致；中西部地区能通过大量生产电力并使用高压电网传输的方式减少东部的碳排放指标。二是高压电网互联后，能源强度的降低与电力占比的提升对减少碳排放指标起着关键的作用，各省份在实现高压电网联网的同时，须配套相应的能源效率提升政策并提升电力在能源消费中的比重才能更好地发挥高压
电网互联的效果，有效降低碳排放指标。三是《大气污染防治计划》配套的12条高压电力线路改变了中国各省之间碳排放指标的空间同质性，使得能源强度、电力占比的弹性系数与其总效应的弹性系数进一步增加，提升能源效率和电力占比对降低碳排放指标的作用日益突出。
（编辑：刘照胜）
参考文献（References）
[1]EHRLISH P， HOLDREN J. Impact of population growth[J]. Science， 1971，171（130）： 1212-1217.
[2]DIETZ T， ROSA E. Rethinking the environmental impact of population， affluence， and technology[J]. Human ecology review， 1994，1（3）： 277-300.
[3]ELHORST P. Spatial econometrics： from crosssectional data to spatial panels[M]. New York： Springer，2014： 37-38.
[4]程叶青，王哲野，张守志，等. 中国能源消费碳排放强度及其影响因素的空间计量[J]. 地理学报， 2013， 68（10）：1418-1431. [CHENG Yeqing， WANG Zheye， ZHANG Shouzhi， et al. Spatial econometric analysis of carbon emission intensity and its driving factor from energy consumption in China[J]. Acta geographica sinica， 2013， 68（10）： 1418-1431.]
[5]马大来，陈仲常，王玲. 中国省际碳排放效率的空间计量[J]. 中国人口·资源与环境， 2015， 25（1）： 67-77. [MA Dalai， CHEN Zhongchang， WANG Ling. Spatial econometrics research on interprovincial carbon emissions efficiency in China[J]. China population， resources and environment， 2015， 25（1）： 67-77.]
[6]付云鹏，马树才，宋琪. 中国区域碳排放强度的空间计量分析[J]. 统计研究， 2015，32（6）： 67-73. [FU Yunpeng， MA Shucai， SONG Qi. Spatial econometric analysis of regional carbon intensity[J]. Statistical research， 2015， 32（6）： 67-73.]
[7]ELHORST P. Dynamic panels with endogenous interaction effects when T is small[J]. Regional science and urban economics， 2010， 40（5）：272-282.
[8]ELHORST P， ZANDBERG E， DE HAAN J. The impact of interaction effects among neighbouring countries on financial liberalization and reform： a dynamic spatial panel data approach[J]. Spatial economic analysis， 2013， 8（3）：293-313.
[9]MODY A. Financial reform： what shakes it？ what shapes it？[J]. American economic review， 2005，95（1）：66-88.
[10]刘振亚. 特高压交流电网[M]. 北京：中国电力出版社， 2013： 197-203. [LIU Zhenya. Ultra high voltage AC power grid[M]. Beijing： China Power Press， 2013： 197-203.]
[11]刘振亚. 全球能源互联网[M]. 北京：中国电力出版社， 2013：92-94. [LIU Zhenya. Global energy interconnection[M]. Beijing： China Power Press， 2013： 92-94.]
[12]LESAGE J P， PACE R K. Introduction to spatial econometrics[M]. London： CRC Press/Taylor & Francis Group，2009： 74-75.
[13]LEVIN A， LIN C F， CHU C S J. Unit root tests in panel data： asymptotic and finite sample properties[J]. Journal of econometrics， 2002， 108（1）： 1-24.
[14]周一星，田帅. 以“五普”数据为基础对我国分省城市化水平数据修补[J]. 统计研究， 2006， 23（1）： 62-65. [ZHOU Yixing， TIAN Shuai. Mending the data of urbanization level of every province in China based on the fifth census data[J]. Statistical research， 2006， 23（1）： 62-65.]
[15]单豪杰. 中国资本存量K的再估算：1952—2006年[J]. 数量经济技术经济研究， 2008（10）：17-31. [SHAN Haojie. Reestimating the capital stock of China： 1952-2006[J]. Journal of quantitative & technical economics， 2008（10）： 17-31.]
[16]WEI W X， LI P， WANG S Y， et al. CO2 emission driving forces and corresponding mitigation strategies under lowcarbon economy mode： evidence from Chinas Beijing-Tianjin-Hebei region[J]. Chinese journal of population， resources and environment，2017，15（2）：109-119.
[17]ARRELANO M， BOND S. Some tests of specification for panel data： Monte Carlo evidence and an application to employment equations[J]. Review of economic studies，1991，58（2）：227-297.
[18]邵帥，李欣，曹建华，等.中国雾霾污染治理的经济政策选择——基于空间溢出效应的视角[J].经济研究，2016（9）：73-88.[SHAO Shuai， LI Xin， CAO Jianhua， et al. Chinaa economic policy choices for governing smog pollution： based on spatial spillover effects[J]. Economic research journal，2016（9）：73-88.]
[19]TIAN Y， ZHANG J B， CHEN Q Q. Distributional dynamic and trend evolution of Chinas agricultural carbon emissions： an analysis on panel data of 31 provinces from 2002 to 2011[J]. Chinese journal of population， resources and environment，2015，13（3）：206-214.
[20]LEE L F， YU J. Some recent developments in spatial panel data models[J]. Regional science and urban economics，2010，40（5）：255-271.
AbstractThe paper based on the spatial correlation of carbon dioxide emission index， illustrate the changing mechanism of spatial correlation caused by interprovincial high voltage electric power lines. A conformation method of spatial weights matrix according to the operation sequence of interprovincial high voltage power lines of China in the period of 1998—2014 is presented to reflect the degree of interconnection of interprovincial energy facilities. The dynamic spatial Dubin panel model is adopted to overcome the ignored bias error induced by the ignored explanatory variable in the static one， and the endogenous variable is replaced by their lag one to control the endogeneity bias error. At the same time the counterfactual econometric method is adopted to analyze the effect caused by the 12 high voltage electric power lines coming from the Chinese state plan named after “Air pollution prevention and control plan”. The finding is that： Firstly， the interconnection of interprovincial high voltage electric power grid makes carbon dioxide emission index to show spatial homogeneity，could increase the index level of provinces with low emission index and help to reduce the index level of provinces with hight emission index； Secondly， the action that reduce provincial energy intensity is the key factor to reduce the index level， resulted from the spatial spillover effect caused by interprovincial topology construction of power grid， especially after the operation of 12 high voltage power lines， and the actions that increase the proportion of electric power consumption and adjust industrial structure are also important factors. The changing mechanism of spatial correlation of interprovincial carbon dioxide emission index can be evaluated by this method， and provides a econometric method of political measures to energysaving and emissionreduction effected by the interconnection of interprovincial energy facilities.
Key wordselectric power grid topology construction； spatial weight matrix； dynamic spatial Dubin model； spatial spillover effect
摘要本文以碳排放指标的省际空间相关性为基础，揭示省际高压电网互联结构对碳排放指标空间相关性的影响机理。依据1998—2014年中国30省份高压电网省间联络线的投运时序构建空间权重矩阵，以反映省间能源设施互联的紧密程度。使用动态空间杜宾面板模型克服静态空间面板模型的忽略变量偏误；以内生变量的滞后一期为代理变量克服内生性偏误。同时，采用反事实计量的方法分析《大气污染防治计划》配套的12条在建高压线路投运后对碳排放指标的影响。研究结果发现：①高压电网互联使得各连接省份间的碳排放指标呈现出空间同质性的特点，拉高低碳排放省份碳排放指标的同时，有助于高碳排放省份碳排放指标的降低。②高压电网互联后，能源强度降低对减少碳排放指标起着关键作用；12条在建高压线路投运后，省间碳排放指标的空间相关性进一步增强，能源强度改善对碳排放指标降低的重要性进一步突显；同时，提升电力占比与改善产业结构也对减少碳排放指标起着重要作用。这不仅实现了省际碳排放指标空间相关性机理分析的方法创新，还为能源基础设施互联政策对节能减排的影响提供了计量测算方法。
关键词电网拓扑结构；空间权重矩阵；动态空间杜宾模型；空间溢出效应
中图分类号F062.4
文献标识码A文章编号1002-2104（2018）02-0077-09DOI：10.12062/cpre.20170418
电能具有清洁、安全、便捷等优势，实施电能替代对于推动能源消费革命、落实国家能源战略、促进能源清洁化发展意义重大，是提高电煤比重、控制煤炭消费总量、减少大气污染的重要举措。为此，国家电网公司提出建设以特高压电网为骨干网架，全球互联的智能电网作为全国范围大规模开发、配置、利用清洁能源的基础平台，通过电能大规模输送的方式，促进一次能源向电能转化，减少二氧化碳排放。国家能源局于2016年9月份批复建设12条输电通道，包含4条特高压交流工程（1 000 kV）、5条特高压直流工程（±800 kV）与3条500 kV高压交流工程线路，作为《大气污染防治行动》的配套政策，对通过高压电网互联以促进全国节能减排的目标寄予厚望。那么强化全国高压电网的互联是否有助于全国碳排放量的减少？现有的高压电网结构如何影响省间碳排放的空间交互效应？地理邻接的省间高压交流电网互联和跨越省份地理邻接的高压直流电网互联如何促进碳排放量的减少？以上问题是全球能源网战略亟需面对的三个问题。本文使用动态空间杜宾面板模型，根据省间高压电网互联的时间顺序和拓扑结构构建空间权重矩阵，据此对中国碳排放问题进行量化分析，为相关政策的制定提供理论依据。
1文献综述
Enrlish[1]等首先提出IPAT模型，量化了人口（P）、富裕程度（A）与技术（T）对环境（I）的影响。Dietz[2]等在此基础上考虑了影响因素的不同弹性系数与随机效应，提出了STIRPAT模型，将回归分析应用于环境影响研究。Ehlorst[3]指出，如果研究对象的空间自相关性确实存在，但在研究中被忽略，则会导致对其他解释变量系数的估算发生偏误。程叶青[4]等分别采用空间自回归模型（SLM）、空间误差模型（SEM）与空间杜宾模型（SDM）对中国各省能源碳排放强度进行回归分析，发现中国各省区碳排放强度既存在空间自相关性又存在误差空间自相关性，适合采用SDM模型，考虑空间交互相应后，能源强度、能源结构、产业结构与城市化率是影响碳排放强度时空格局演变的主要因素且具有较显著的空间自相关性和空间溢出效应。馬大来[5]等研究发现SEM模型有更好的拟合效果，中国省际碳排放效率不仅存在着空间依赖性的特征，同时也具有空间异质性的特征，经济规模、工业结构和能源消费结构对碳排放效率的提升有负向影响，而对外开放、企业所有制结构和政府干预对碳排放效率的提升有正向影响。付云鹏[6]等以STIRPAT模型为基础，利用SLM模型对中国碳排放强度的影响因素进行回归分析，发现碳排放强度存在明显的空间自相关，人口结构、能源强度、能源结构和产业结构是区域碳排放强度的重要影响因素。
以上文献表明，中国区域碳排放的空间相关性普遍存在且对区域碳排放的演化与分析必不可少，但是上述研究还存在两个问题：一是均采用静态空间面板模型，缺乏对碳排放空间效应的动态分析，忽略了碳排放滞后项与滞后期空间自相关项对碳排放指标的影响，可能导致忽略变量偏误；二是仅仅利用了省间地理位置的邻接关系设置空间邻接矩阵，描述碳排放指标的空间相关性，缺乏有效的基础设施载体，无法对这种地理位置邻接关系产生空间相关性的原因及作用机理进行深入分析并提出改变空间相关性的政策措施。
动态空间面板模型解释变量中含有被解释变量的滞后一期、空间自相关项与滞后一期的空间自相关项，导致同时存在内生性问题与空间自相关问题，对无偏估计带来了一定的困难。Elhorst[7]比较了GMM、混合ML/BCLSDV与混合GMM/BCLSDV方法的动态空间面板模型的估算结果，指出GMM方法对空间相关项系数的估算在大N小T型的面板数据中存在严重的偏误，大N小T的面板数据在N小于500的条件下适宜采用混合ML/BCLSDV方法。Elhorst[8]采用此修正方法研究62个国家1979—2005年的金融改革问题，得到的结论与Abiad[9]等人显著不同，由于其对系数的估计是无偏且一致的，故其研究结果更为稳健。可见，采用动态空间面板模型不仅能够更为有效地估算研究对象的空间相关性，还能通过对动态效应和滞后一期空间自相关性的估算更准确地描述各影响因素的直接效应与间接效应，具有广阔的应用前景。
刘振亚[10-11]提出中国未来电网主干网具有大容量、远距离、大规模交直流并列运行与受端多直流集中馈入的特点，进一步提出全球能源互联网战略，倡导煤炭、天然气、石油、太阳能、风能等一次能源将电网作为能源传输的载体，大规模地开发和利用清洁能源，减少二氧化碳的排放。随着电力体制改革的深入，电网公司将退出购售电市场，只负责输配电网的建设与维护，电网将进一步向社会开放，电网拓扑结构对能源生产和使用将起到更大的作用，从而对二氧化碳排放产生深刻的影响。特高压/高压直流输电线路使得中国各省份实现了跨区域的电网连接，空间邻接矩阵不再受限于省份间地理位置是否相邻的影响。地理位置间隔较远的省份可以通过特高压/高压直流输电线路建设，在业已形成的电网拓扑结构的基础上对空间权重矩阵进行修改，以利于碳排放指标的减少。因此，研究如何通过高压电网建设改变空间权重矩阵从而改变碳排放指标的空间溢出关系有重要的学术价值和现实意义。
本文根据高压交流/直流线路建设时序，结合现有电网拓扑结构，构建空间权重矩阵，评价碳排放指标的空间溢出效应；应用动态空间杜宾面板模型，对各省份碳排放指标与其影响因素进行回归分析，更全面地反映各影响因素对碳排放的直接效应和间接效益；在动态空间回归的基础上，研究建设中的高压交流/直流线路对空间权重矩阵的影响，以反事实计量的方法反映在建和规划的特高压交流/直流线路对碳减排指标空间溢出关系的影响。
2动态空间杜宾面板计量模型
2.1空间权重矩阵的设置
空间权重矩阵反映研究对象在地理空间中的相互影响，是空间计量区别于传统计量方法的基础。由于空间权重矩阵W必须为常数阵，而电力线路的建设与投运具有时序性，使得电网的拓扑结构呈现随时间变化的特点，即新建线路的投运导致电网拓扑结构改变。如果按传统的方法对W进行赋值，线路投运年前后会得到不同的空间权重矩阵。为解决此问题，本文提出了基于电力线路投运时间的空间权重矩阵综合赋值法，如t年m月有新线路投运，该线路连接省份i与省份j，则W中的i行j列元素赋值为：
Wij=yrmax-yrt
yrmax-yrmin+
12-m12·（yrmax-yrmin+1）
（1）
其中，yrmax表示研究时期的末年，yrmin表示研究时期的开始年份，yrt表示线路投产年份，m表示线路投产月份。模型（1）中的wij为0至1之间的值，越接近于1表示线路投产时期越早，对两省之间的空间溢出效应贡献越高；越接近于0表示线路投产时间越晚，对两省间的空间溢出效应贡献越低。如电力线路在yrmin年1月前投运，则相应位置赋值为1；如在yrmax年12月还未投运，则相应位置赋值为0。完成赋值后再将空间权重矩阵W行/列标准化，用于动态空间计量分析。同时，为实现分年度的全局MoranI指标分析与Moran散点图的绘制，定义各年度的空间权重矩阵W为：
（Wij）y=1，y年1月前省份i与省份j之间有电力线路相联；
（Wij）y=0，y年1月前省份i与省份j之间无电力线路相联。
（2）
2.2碳排放影响因素理论模型
STIRPAT模型是碳排放指标分析的理论基础：I=aPbAcTde，其中a为常数项，e为残差项，表示随机影响，I、P、A与T分别表示碳排放指标、人口、人均财富与技术。本文采用人口规模、城市化水平表示P的影响，人均GDP表示A的影响，产业结构、能源强度、能源结构与R&D研发投入表示T的影响，同时根据已有研究成果选取对外开放程度、外商直接投资作为控制变量，扩展STIRPAT，两边取对数为：
lnIit=αi+β1lnPopit+β2lnURBit+β3lnPGDPit+β4lnISit+β5lnEIit+β6lnECSit+β7lnRDit+β8lnTRit+β9lnFDISit+eit（3）
下标i、t分别表示相关省份与时间。Pop为人口规模，URB为城市化率，PGDP为人均GDP，IS为产业机构，EI为能源强度，ECS为电力占比，RD为科研投入占比，TR为进出口贸易额占比，FDIS为FDI存量。考虑碳排放指标的动态空间相关效应后，扩展为动态空间杜宾模型（DSDM）：
lnIt=μ+αtlN+τlnIt-1+ρWlnIt+ηWlnIt-1+βkln（Xt）k+γkWln（Xt）k+et（4）
τ表示碳排放指标滞后一期的弹性系数，ρ与η分别表示碳排放指标与其滞后一期的空间自相关项的弹性系数，W为标准化后的空间权重矩阵。μ=（μ1，μ2，…，μN）表示个体效应，αt表示时间效应，lN为N×1单位向量，（Xit）k表示k个控制变量，为N×k列矩阵，N表示研究省份数量，k为控制变量个数。e=（e1，e2，…，eN）为残差项。Elhorst[7]指出，对于大N小T型的空间面板数据，τ+ρ+η<1则指标稳定，τ+ρ+η≥1则需对碳排放指标空间差分处理后在进行动态空间分析。
常用的空间面板模型中，可以在满足一定假设的情况下将空间杜宾模型（SDM）简化为空间自回归模型（SLM）（γk=0），与空间误差回归模型（SEM）（ρ+γkβk=0）。方程（5）同理可以轉化为动态空间自回归模型与动态空间误差回归模型。
Lesage[12]等提出使用矩阵（I-ρW）-1（βkIN+γkW）对角线元素的平均值表示直接效应，非对角线元素的行/列元素之和表示间接效应，采用多变量正态分布模拟最大似然函数，以评估直接效应与间接效应在统计上的显著性。
3碳排放动态空间效应的实证分析
3.1变量说明与数据来源
本文选取除西藏和港澳台地区外的中国30个省份1998—2014年数据作为研究对象，数据的具体选取与处理方法为：
（1）碳排放指标（I）：采用碳排放强度与人均碳排放量表示，前者以碳排放量除以GDP值表示，后者以碳排放量的人均值表示，采用付云鹏等[9]的方法估算。
（2）空间权重矩阵（W）：以国家电网公司和中国南方电网公司2014年《电网运行方式报告》中的电网拓扑图为基础，找出省间500 kV以上的电力线路联络线。根据联络线路，从历年《中国电力统计年鉴》中的重大工程部分找出省间最早投运线路的投运日期，按照公式（2）对空间权重矩阵进行赋值，再对权重矩阵进行标准化处理。
（3）人口规模（Pop）：取自wind数据库。
（4）城市化率（URB）：采用历年各省城镇化率数据表示。2005—2014年数据来源于《中国统计年鉴》，2001—2004数据参考周一星等[14]，采用联合国法利用2000和2005年数据修订得到，1998—2000数据则直接采用其修订值。
（5）人均GDP（PGDP）：各省GDP数据来自历年《中国统计年鉴》，按GDP价格平减指数统一折算为2014年价，与人口规模数据相除得到。
（6）产业结构（IS）：采用第二产业增加值占GDP的比重表示，取自《中国统计年鉴》。
（7）能源强度（EI）：以各省能源消耗总量与区域生产总值的比值表示，数据取自《中国能源统计年鉴》。
（8）电力占比（ECS）：采用各省电力在能源消费中的占比表示。数据来自《中国能源统計年鉴》，统一折算为标准煤。
（9）R&D研发水平（RD）：考虑到用R&D研发支出主要列入成本进行核算，故采用流量数据衡量。用各省份历年R&D投入占GDP比重表示。2000年及以后的数据来自《中国科技统计年鉴》，1998—1999年的数据用科技投入数据替代。
（10）对外贸易水平（TR）：采用各省进出口总额与GDP的比值表示，数据来自国家统计局网站国家数据库。
（11）FDI存量（FDIS）：用永续盘存法估算：FDISit=（1-δ）FDISi，t-1+FDIit/Iit，FDIit为时期t省份i的实际利用外商直接投资额，用当年平均汇率转换为人民币计价。参照单豪杰[15]，折旧率δ取10.6%，Iit表示时期t省份i的固定资产投资价格指数。数据来自《新中国六十年统计资料汇编1949—2008》和《中国统计年鉴》，采用Iit折算为2014年价。
3.2碳排放指标的空间相关性分析
全局空间相关性：据方程（2）的方法分年度对空间权重矩阵赋值，将其标准化以计算中国省际碳排放强度、人均碳排放量的全局Morans I指数，结果如图1所示。1998—2014年间中国省际碳排放强度的全局Morans I指数（Morans I（1））在5%的显著性水平上均为正值，总体上呈现出逐年递增的趋势，说明中国各省间的电力线路是一种有效的碳排放强度溢出渠道。由于各年份的全局Morans I指数均为正，说明高压电力线路的布局对碳排放强度的空间分布格局有很强的影响，有电力线路连接的
省份，碳排放强度趋于一致。同理，人均碳排放量也遵从高压电力线路拓扑结构的分布，呈现出高度的空间正相关性。
局部空间相关性：根据方程（2）的方法分年度对空间权重矩阵赋值，可以得到1998年、2006年、2014年的碳排放强度Moran散点图。随着电网拓扑结构的加强，落于第一、三象限，呈现空间同质性的省份越来越多。1998年，由于新疆、青海、山东、海南和福建电网为孤网运行（电网与其他省份不相联），故其Moran散点图位于横坐标轴上（空间相关性为0）；到2006年，只剩新疆、海南电网呈现孤网运行，故横坐标上只剩下两个点；到2014年初，所有省份的电网均与其他省份相联，不再有省份落于横坐标轴上，除个别省份有空间异质性的特点外，大部分省份均呈现空间同质性的特征。
根据方程（2）的方法分年度对空间权重矩阵进行赋值，得到1998年、2006年、2014年的人均碳排放量Moran散点图。落于横坐标的省份变化情况与碳排放强度的情况相同，但是人均碳排放量的Moran散点图中落于空间异质性区间的省份略多于碳排放强度。
可见，电网拓扑结构对各省份的局部空间相关性有显著的影响，电网拓扑结构随时间越强，碳排放指标呈现空间同质性的省份越多。将一次能源丰富且碳排放指标不高的中西部地区与一次能源相对匮乏且碳排放指标较高的东部负荷中心省份相联，可以通过空间同质性控制东部省份的碳排放指标。
3.3实证分析结果
3.3.1碳排放强度及影响因素的动态空间分析
由于本文解释变量属于大N小T型的面板数据，故采用Levin等[13]提出的面板单位根检验方法对本文9个解释变量进行稳定性检验，发现均稳定，不存在伪回归问题。
现有的空间计量方法，集中于空间自相关项的系数处理与修正[7-8]，而对可能同时存在的解释变量内生性问题缺乏有效的处理方法。本节使用Davidsonmackinon方法对解释变量的内生性进行检验，对存在内生性的解释变量使用其滞后一期值代替原变量进行动态空间回归分析，以得到更为稳健的结果。
内生性检验：在不计及动态空间相关性的前提下，采用Davidsonmackinon的解释变量内生性检验方法。原假设分别为人口规模、城市化率、人均GDP、产业结构、能源强度、电力占比、R&D研发水平、对外贸易水平与FDI存量的对数值均与干扰项不相关（即解释变量是外生变量），分别使用各解释变量的滞后1至8阶作为其工具变量，得到Davidsonmackinon检验统计量分别为：4.56、0.77、0.76、0.88、6.38、0.79、0.48、1.16与0.00，对应的P值分别为0.03、0.38、0.39、0.35、0.01、0.37、0.49、0.28、1.00；表明人口规模、能源强度对数值的外生性假设被拒绝，此两变量存在内生性问题，其余解释变量均可作为碳排放强度的外生变量。
按照方程（1）的方法，根据全国高压电网拓扑结构对空间权重矩阵W进行赋值，由于W的赋值已充分考虑了时间效应，故不再对时间效应进行分析。首先，采用空间Hausman检验方法对空间随机效应模型和空间固定效应模型进行选择，检验结果均选择空间固定效应模型。由于SLM模型、SEM均与SDM模型存在嵌套关系（nested model），采用Wald检验与LR（似然比）检验方法对静态空间面板模型的形式进行选择，并在此基础上进行动态空间面板模型分析。SDM模型可以被简化为SLM模型的原假设H0：γk=0，Wald检验值为22.66，拒绝原假设；LR检验值为23.35，拒绝原假设。Wald检验与LR检验的结果均支持SDM模型。SDM模型可以被简化为SEM模型的原假设H0：ρ+γkβk=0，Wald检验与LR检验的结果均支持SDM模型。
将SDM模型动态化得到DSDM模型，估算其直接/间接效应，结果如表1所示。由于碳排放强度面板数据是大N小T型的形式，故采用Elhorst[8]的方法判断其稳定性。原假设为碳排放强度空间自相关项、滞后一期项与滞后一期空间自相关项的系数之和为1，构造Wald统计量R′inv（var cov）R，R=τ+ρ+η-1，varcov为动态面板回归中τ、ρ与η对应的协方差矩阵。该方程中τ+ρ+η=-0.119，Wald检验值为6.147，为1的显著性水平低于5%，表明考虑动态空间效应后，经过对数化处理的碳排放强度数据稳定。同时，由于各解释变量均稳定，故动态空间回归结果不存在伪回归问题。
直接/间接效益：为了检验解释变量直接、间接与总效应的显著性，采用Lesage[12]的多变量正态分布法模拟最大似然函数，得到解释变量各系数的模拟值，再使用t统计量判断其显著性。为保证结果的稳健性，模拟次数设为10 000次，结果如表1所示。
碳排放强度空间自相关项的系数为0.186，为零的显著性水平小于1%，表明通过高压电网互联省份的碳排放强度正相关，高压电力线路的建设引致碳排放强度空间正向溢出。考虑到高压电网电力潮流主要是由中西部的能源生产省份流向东部、中部的负荷中心省份，而中西部省份的碳排放强度相对于东部较低，因此东部负荷中心碳排放强度会随着与中西部省份高压电网的互联而降低，高压电网联网的方式引起了碳排放强度的空间转移。
人口规模的弹性系数为0.067，为零的显著性水平高于10%，直接效应不显著。通过高压电网的空间溢出影响后，人口规模总效应的弹性系数为0.467，为零的显著性水平低于1%，表明本省份人口规模每上升1%，则碳排放强度上升0.467%。这是因为通过全国范围的高压电网互联，使得能源的生产实现了全国性的区域优化配置，本省份的人口规模增加虽然不能直接提升本省份的碳排放强度，却使得能源生产省份的能源产量增加，碳排放强度上升，由于高压电网互联省份碳排放强度变化的空间同质性，使得本省份的碳排放强度上升。
城市化率的弹性系数为0.283，为零的显著性水平低于1%，直接效应显著。通过高压电网的空间溢出影响后，城市化率总效应的弹性系数为0.249，为零的显著性水平低于10%，表明本省份的城市化率每上升1%，碳排放强度增加0.249%。可见，城市化率变化对碳排放强度的
直接效应显著，间接效益不显著，总效应的统计显著性较弱。这是因为城市居民相对于农村居民，其生产、生活产生的碳排放强度较高；随着省间人口自由流动，人口输入省份的城市化率提升抑制了人口流出省份的城市化率的上升，从而使得间接效应不显著。
人均GDP的弹性系数为-0.199，为零的显著性水平低于1%，直接效应显著。通过高压电网的空间溢出影响后，人均GDP总效应的弹性系数变为-0.243，为零的显著性水平低于1%，表明本省份的人均GDP每升高1%，碳排放强度下降0.243%。人均GDP提高對碳排放强度的直接效应显著，间接效应不显著。这是因为中国经济的
发展方式逐步由粗放型转向更注重科技与技术进步的集约型；同时，各省政府对碳排放强度降低的重视程度进一步提高，通过各项政策逐步淘汰碳排放强度较高的落后产业，积极引入对环境更为友好的新兴产业，使得经济增长过程中碳排放强度进一步降低。
产业结构的弹性系数为0.235，为零的显著性水平低于1%，直接效应显著；间接效应的弹性系数为0.397，为零的显著性水平低于1%；总效应的弹性系数为0.652，为零的显著性水平低于1%。表明各省第二产业占比每提升1%，其碳排放强度增加0.652%，高压电网溢出的间接效益高于直接效应。这是因为第二产业单位GDP所消耗的能源远高于第三产业，其占比提升直接导致本省份的碳排放强度增加；又由于各省份的第二产业占比增加，必然使得第二产业向其他省份外溢，由于全国标杆电价使得各省份用电成本差别较小，高压电网又为这种产业转移提供了能源保障，故其间接效应显著。
能源强度的弹性系数为0.271，为零的显著性水平低于1%，考虑电网拓扑结构的影响后，总效应的弹性系数为1.100，为零的显著性水平低于10%，表明本省份能源强度下降1%，碳排放强度下降1.1%，能源强度的间接效益的弹性系数远高于直接效应，降低各省份的能源强度能大幅减少碳排放强度。这是因为本省份能源利用效率的提升固然能降低自身的碳排放强度，也能通过全国高压电网的空间溢出效应缓解能源生产基地的压力，从而降低其碳排放强度，碳排放强度的空间同质性又进一步使得自身的碳排放强度降低。可见，高压电网互联的同时必须辅以关闭小型火力电厂、鼓励大型火力发电厂建设，鼓励可再生能源利用等能源效率提升的相关政策，才能更好地改善碳排放强度。
电力占比的弹性系数为-0.479，为零的显著性水平低于1%，考虑高压电网拓扑结构的影响后，电力占比总效应的弹性系数为-0.493，为零的显著性水平低于1%，表明电力占比提升对碳排放强度降低的直接效应显著，间接效应不显著，但总效应的弹性系数略高于直接效应。因此，强化全国高压电网互联的同时，提升各省份电力在能源消费中的占比，能更好地发挥全国联网的优势，从总体上降低碳排放强度。
从R&D研发水平与对外贸易水平的弹性系数及其显著看，其变化对能源强度的影响不明显。
3.3.2人均碳排量及影响因素的动态空间分析
本文同时以人均二氧化碳排放量表示碳排放指标，应用动态空间面板模型进行回归分析，更全面地反映电网拓扑结构对碳排放指标的影响。同理使用Davidsonmackinon方法对解释变量的内生性进行检验，对存在内生性的解释变量使用其滞后一期值进行动态空间回归分析，以得到更为稳健的结果。
内生性检验：在不计及动态空间相关性的前提下，采用Davidsonmackinon方法检验解释变量是否存在内生性问题。原假设分别为人口规模、城市化率、人均GDP、产业结构、能源强度、电力占比、R&D研发水平、对外贸易水平与FDI存量的对数值均与干扰项不相关（即解释变量是外生变量），分别使用各解释变量的滞后1至8阶作为其工具变量，得到各自Davidsonmackinon检验统计量分别为：5.14、0.80、1.41、1.44、4.51、0.60、0.57、2.58与0.01，对应的P值分别为0.02、0.37、0.24、0.23、0.03、0.44、0.45、0.11与0.92；表明人口规模、能源强度对数值的外生性假设被拒绝，存在内生性问题，其余解释变量均可作为人均碳排放量的外生变量。
根据全国高压电网拓扑结构对空间权重矩阵W进行赋值，同理不再对时间效应进行分析。采用空间Hausman检验方法对空间随机效应模型和空间固定效应模型进行选择，采用Wald检验与LR（似然比）检验方法对静态空间面板模型的形式进行选择。检验结果显示，应选择固定效应的SDM模型。将SDM模型动态化得到DSDM模型，估算其直接/间接效应。人均碳排放量空间自相关项、滞后一期项与滞后一期空间自相关项的系数之和为-0.538，Wald检验值为47.03，为1的显著性水平低于1%，表明考虑动态空间效应后，经过对数化处理的人均碳排放量数据稳定。由于各解释变量均稳定，故动态空间回归结果不存在伪回归问题。
回归结果显示，人均碳排放量的空间自相关项系数与碳排放强度的空间自相关项系数符号相同，大小相近；同时，人口规模、城市化率、产业结构、能源强度、电力占比的弹性系数对人均碳排放量的影响与其对碳排放强度的影响极为相似。这表明，不论以碳排放强度还是人均碳排放量衡量碳排放指标，用电网拓扑结构为基础构造的空间权重矩阵使用动态空间面板模型进行分析，得到的结论较为一致。
人均GDP对碳排放强度的影响与其对人均碳排放量的影响不同。人均GDP每上升1%，人均碳排放量上升0.854%，直接效應显著；考虑电网拓扑结构的空间溢出效应后，人均GDP每上升1%，人均碳排放量上升1.576%，且结果均高度可靠。但是，人均GDP对碳排放强度的弹性系数为负，总效应的弹性系数也与之相反。这是由于人均碳排放量主要反映的是碳排放量绝对值的影响，而碳排放强度反映每万元GDP产出所产生的碳排放量。经济发展方式转为能源集约型后，碳排放强度随着经济发展水平的提高而下降，但是其绝对值仍然是增加的，反映为人均碳排放量随着经济发展水平的提高而上升。
3.3.3不同电网拓扑结构对碳排放指标的影响
作为《大气污染防治行动》的配套政策，国家能源局于2014年5月发布《国家能源局关于加快推进大气污染防治行动计划12条重点输电通道建设的通知》。由于此12条在建线路均在2014年后陆续开工，对碳排放指标的影响效果无法评估，故采用反事实计量的方法，假设其在1998年已建成投运，据此修改空间权重矩阵，使用动态空间杜宾面板模型进行回归分析。将回归结果与原空间权重矩阵的回归结果进行比对分析，识别出12条在建输电线路对碳排放指标的影响。
内生性检验的结果显示人口规模与能源强度为内生变量，其他解释变量为外生变量。假设12条在建线路在1998年前投运，其动态空间回归结果如表2所示。加入12条线路后，碳排放强度的空间自相关项系数变为0.166，低于未加入12条线路前的0.186，表明12条在建电力线路后，由于采用反事实计量方法所使用的指标数据未变，各省份间碳排放强度的同期空间正相关性减弱。这是因为虽然采用反事实计量的方法修改了空间权重矩阵，但是碳排放强度数据依然是权重矩阵修改前的数据，故空间正相关性的减弱不是12条在建线路加入后的结果，但是加入高压电力线路可以影响碳排放强度空间相关性的结论是成立的。观察人均碳排放量空间自相关项的系数变化可以得到相似的结论。
碳排放强度：与表1的结果相比，能源强度间接效应与总效应的弹性系数大幅增加，表明加入12条在建线路加强电网结构后，本省份能源强度下降的空间溢出效应大为增强，通过高压电网相联省份的碳排放强度大幅下降，使得总效应的弹性系数大幅增加。因此，通过高压线路的新建使得电网结构加强后，能源效率的提升对碳排放强度的下降变得更为关键，《大气污染防治计划》必须配套能源效率提升政策才能发挥出大规模跨省电网建设的效果。
电力占比的弹性系数与其总效应的弹性系数与加入12条线路前相比略微增加，表明省间电网联系越强，提升电力占比越能改善碳排放强度。提升电力占比应成为各省份改善碳排放强度的一项重要措施。
人口规模总效应的弹性系数显著增加，产业结构的弹性系数与其总效应的弹性系数略微增加，人均GDP的弹性系数与其总效应的弹性系数变化不大。表明通过12条线路加强电网结构后，碳排放强度对人口规模的增加更为敏感，第二产业占比提升对碳排放强度的影响与加入12条在建线路前变化不大，而人均GDP的变化对碳排放强度的影响与电网强化前的水平相当。
人均碳排放量：与表1的结果相比，加入12条线路后，能源强度的间接效应大幅增加，导致总效应大幅增加。说明电网拓扑结构加强后，通过高压电力线路相联的各省份之间的能源生产与消费的一体化效应得到增强。本省份能源强度的增加，会通过电网拓扑结构影响到其他省份，省份之间的电网联系越强，空间溢出的间接效应越显著，从而使得能源强度总效应的弹性系数越大。因此，能源效率的提升是降低人均碳排放量的关键。与加入12条线路前相比，电力占比的弹性系数提高，但是总效应的弹性系数略微下降，但绝对值仍达0.471。表明提升电力占比应成为各省份改善人均碳排放量的一项重要措施。
与加入12条在建线路前相比，人均GDP的弹性系数降低，但是间接效应大幅增加，导致总效应大幅增加。说明电网拓扑结构加强后，相联的各省份之间的经济同质性得到一定的加强，由于中国现阶段人均GDP增加导致人均碳排放量增加，因此各省份人均GDP的增加对人均碳排放量的压力通过高压电网的空间溢出效应进一步增强。人口规模总效应的弹性系数增加，城市化率、产业结构的弹性系数与总效应的弹性系数变化不大。这一结果与碳排放强度的情况相近。
因此，加入12条在建电力线路后，通过高压电力线路相联各省的碳排放指标空间同质性会发生相应的改变，能源强度的降低与电力占比的提升对改善碳排放指标日益重要。可见，要使《大气污染防治行动》配套的12条线路能降低碳排放指标，配套能源效率提升与扩大电力在终端能源比重的政策成为关键。
4结论
本文根据高压电网拓扑结构构建空间权重矩阵，并采用动态空间杜宾模型进行回归分析，在计量方法上的贡献体现在两个方面：一是采用动态空间分析方法克服了忽略变量偏误，得到了比静态空间面板模型更为稳健的结果；二是在回归分析前对解释变量进行了内生性检验，并采用内生变量的滞后一期代替原变量进行回归分析，克服了动态空间面板分析不注重解释变量内生性的问题。
動态空间杜宾面板模型回归得到如下结论：一是高压电网互联使得中国各省份间的碳排放指标呈现出空间同质性的特点。通过高压电网互联能使中西部能源生产省
份与东部省份的碳排放指标趋于一致；中西部地区能通过大量生产电力并使用高压电网传输的方式减少东部的碳排放指标。二是高压电网互联后，能源强度的降低与电力占比的提升对减少碳排放指标起着关键的作用，各省份在实现高压电网联网的同时，须配套相应的能源效率提升政策并提升电力在能源消费中的比重才能更好地发挥高压
电网互联的效果，有效降低碳排放指标。三是《大气污染防治计划》配套的12条高压电力线路改变了中国各省之间碳排放指标的空间同质性，使得能源强度、电力占比的弹性系数与其总效应的弹性系数进一步增加，提升能源效率和电力占比对降低碳排放指标的作用日益突出。
（编辑：刘照胜）
参考文献（References）
[1]EHRLISH P， HOLDREN J. Impact of population growth[J]. Science， 1971，171（130）： 1212-1217.
[2]DIETZ T， ROSA E. Rethinking the environmental impact of population， affluence， and technology[J]. Human ecology review， 1994，1（3）： 277-300.
[3]ELHORST P. Spatial econometrics： from crosssectional data to spatial panels[M]. New York： Springer，2014： 37-38.
[4]程叶青，王哲野，张守志，等. 中国能源消费碳排放强度及其影响因素的空间计量[J]. 地理学报， 2013， 68（10）：1418-1431. [CHENG Yeqing， WANG Zheye， ZHANG Shouzhi， et al. Spatial econometric analysis of carbon emission intensity and its driving factor from energy consumption in China[J]. Acta geographica sinica， 2013， 68（10）： 1418-1431.]
[5]马大来，陈仲常，王玲. 中国省际碳排放效率的空间计量[J]. 中国人口·资源与环境， 2015， 25（1）： 67-77. [MA Dalai， CHEN Zhongchang， WANG Ling. Spatial econometrics research on interprovincial carbon emissions efficiency in China[J]. China population， resources and environment， 2015， 25（1）： 67-77.]
[6]付云鹏，马树才，宋琪. 中国区域碳排放强度的空间计量分析[J]. 统计研究， 2015，32（6）： 67-73. [FU Yunpeng， MA Shucai， SONG Qi. Spatial econometric analysis of regional carbon intensity[J]. Statistical research， 2015， 32（6）： 67-73.]
[7]ELHORST P. Dynamic panels with endogenous interaction effects when T is small[J]. Regional science and urban economics， 2010， 40（5）：272-282.
[8]ELHORST P， ZANDBERG E， DE HAAN J. The impact of interaction effects among neighbouring countries on financial liberalization and reform： a dynamic spatial panel data approach[J]. Spatial economic analysis， 2013， 8（3）：293-313.
[9]MODY A. Financial reform： what shakes it？ what shapes it？[J]. American economic review， 2005，95（1）：66-88.
[10]刘振亚. 特高压交流电网[M]. 北京：中国电力出版社， 2013： 197-203. [LIU Zhenya. Ultra high voltage AC power grid[M]. Beijing： China Power Press， 2013： 197-203.]
[11]刘振亚. 全球能源互联网[M]. 北京：中国电力出版社， 2013：92-94. [LIU Zhenya. Global energy interconnection[M]. Beijing： China Power Press， 2013： 92-94.]
[12]LESAGE J P， PACE R K. Introduction to spatial econometrics[M]. London： CRC Press/Taylor & Francis Group，2009： 74-75.
[13]LEVIN A， LIN C F， CHU C S J. Unit root tests in panel data： asymptotic and finite sample properties[J]. Journal of econometrics， 2002， 108（1）： 1-24.
[14]周一星，田帅. 以“五普”数据为基础对我国分省城市化水平数据修补[J]. 统计研究， 2006， 23（1）： 62-65. [ZHOU Yixing， TIAN Shuai. Mending the data of urbanization level of every province in China based on the fifth census data[J]. Statistical research， 2006， 23（1）： 62-65.]
[15]单豪杰. 中国资本存量K的再估算：1952—2006年[J]. 数量经济技术经济研究， 2008（10）：17-31. [SHAN Haojie. Reestimating the capital stock of China： 1952-2006[J]. Journal of quantitative & technical economics， 2008（10）： 17-31.]
[16]WEI W X， LI P， WANG S Y， et al. CO2 emission driving forces and corresponding mitigation strategies under lowcarbon economy mode： evidence from Chinas Beijing-Tianjin-Hebei region[J]. Chinese journal of population， resources and environment，2017，15（2）：109-119.
[17]ARRELANO M， BOND S. Some tests of specification for panel data： Monte Carlo evidence and an application to employment equations[J]. Review of economic studies，1991，58（2）：227-297.
[18]邵帥，李欣，曹建华，等.中国雾霾污染治理的经济政策选择——基于空间溢出效应的视角[J].经济研究，2016（9）：73-88.[SHAO Shuai， LI Xin， CAO Jianhua， et al. Chinaa economic policy choices for governing smog pollution： based on spatial spillover effects[J]. Economic research journal，2016（9）：73-88.]
[19]TIAN Y， ZHANG J B， CHEN Q Q. Distributional dynamic and trend evolution of Chinas agricultural carbon emissions： an analysis on panel data of 31 provinces from 2002 to 2011[J]. Chinese journal of population， resources and environment，2015，13（3）：206-214.
[20]LEE L F， YU J. Some recent developments in spatial panel data models[J]. Regional science and urban economics，2010，40（5）：255-271.
AbstractThe paper based on the spatial correlation of carbon dioxide emission index， illustrate the changing mechanism of spatial correlation caused by interprovincial high voltage electric power lines. A conformation method of spatial weights matrix according to the operation sequence of interprovincial high voltage power lines of China in the period of 1998—2014 is presented to reflect the degree of interconnection of interprovincial energy facilities. The dynamic spatial Dubin panel model is adopted to overcome the ignored bias error induced by the ignored explanatory variable in the static one， and the endogenous variable is replaced by their lag one to control the endogeneity bias error. At the same time the counterfactual econometric method is adopted to analyze the effect caused by the 12 high voltage electric power lines coming from the Chinese state plan named after “Air pollution prevention and control plan”. The finding is that： Firstly， the interconnection of interprovincial high voltage electric power grid makes carbon dioxide emission index to show spatial homogeneity，could increase the index level of provinces with low emission index and help to reduce the index level of provinces with hight emission index； Secondly， the action that reduce provincial energy intensity is the key factor to reduce the index level， resulted from the spatial spillover effect caused by interprovincial topology construction of power grid， especially after the operation of 12 high voltage power lines， and the actions that increase the proportion of electric power consumption and adjust industrial structure are also important factors. The changing mechanism of spatial correlation of interprovincial carbon dioxide emission index can be evaluated by this method， and provides a econometric method of political measures to energysaving and emissionreduction effected by the interconnection of interprovincial energy facilities.
Key wordselectric power grid topology construction； spatial weight matrix； dynamic spatial Dubin model； spatial spillover effect
