中国低碳技术进步测度及对碳排放强度影响效应研究

孙欣+沈永昌+陶然

摘要：文章借鉴全要素生产率估算方法，采用GEBML-DEA模型测定出1997—2012年中国30个省份低碳技术进步指数，分析发现低碳技术进步指数呈现东中西部递减趋势，技术创新是低碳技术进步增长的主要动力；2006年以后东中西部地区低碳技术进步指数呈全面较快上升趋势，而且中西部地区低碳技术进步增长较东部稍快，反映我国政府推进低碳经济发展战略效果显著。文章运用经济地理空间权重矩阵的空间面板计量模型研究发现：一是作为“技术效应”因素的低碳技术进步能有效地降低碳排放强度，且影响效应较大，验证了“低碳技术进步是有效降低碳排放强度途径”的命题，同时反映出“低碳技术进步是发展低碳经济的有效途径”。二是“规模效应”因素的经济发展对碳排放强度影响为负，效应较大。三是“结构效应”因素的第二产业比重对碳排放强度影响为正，效应较大。四是城镇化率的提高对碳排放强度影响为正，但影响较小。此外，碳排放强度存在较强的空间相关性，这说明碳排放强度降低受本地因素和相邻区域因素的共同影响。这说明邻近省市的先进低碳技术及管理等具有辐射和示范功能，促进相邻省市的碳排放强度的降低。

关键词：低碳技术进步；测度；EBML-DEA；碳排放强度；空间计量模型

中图分类号：F124.5 文献标志码：A 文章编号：1001-862X（2016）06-0064-008

由于全球气候变暖，以低能耗、低污染为主要特征的低碳经济，日益成为世界各国追求的目标。发达国家大力发展“低碳技术”，推进低碳技术进步，推行以高能效、低排放为核心的低碳经济革命。发展低碳经济方面，国内外学者一致认为，低碳技术进步是降低排放的关键途径。[1][2]中国以“高能耗、高碳排放”特征的经济发展模式，已经显现出不可持续性。2006年以来，我国政府注重节能减排发展，推行低碳经济发展战略，加强低碳技术进步。2006年发布的《国家中长期科学和技术发展规划纲要》中，政府明确提出将能源、水资源和环境保护技术放在科学技术发展的优先位置；《国家环境保护十一五规划》提出大力发展环境技术，以技术创新促进环境问题解决；《国家环境保护十二五规划》指出提升环境科技基础研究和应用能力。可见中国对低碳技术进步的重视。2009年，中国政府在哥本哈根国际气候会议上承诺到2020年我国的碳排放强度（单位GDP的二氧化碳的排放量）较之于2005年下降40%～45%。这显示了中国对碳排放负责任的态度和走低碳型发展道路的决心，彰显了我国积极应对全球气候变化的大国形象。而低碳技术进步应该是促进碳排放强度下降的有效途径。在未来的经济发展中，我国更加注重技术创新，低碳技术进步对我国实现可持续发展愈发重要。

目前，研究技术进步对碳排放的研究较多，但研究低碳技术进步的文献却很缺乏。[3]-[6]实际上，不少学者研究表明技术进步对碳排放影响是不确定的。因此，很有必要研究中国低碳技术进步对碳排放强度如何产生影响，验证低碳技术进步是否是促进碳排放强度下降的有效途径，同时从碳排放强度下降的角度来检验“低碳技术进步是发展低碳经济的有效途径”的命题。

本文借鉴全要素生产率方法测度中国低碳技术进步，使用GEBML-DEA模型估算出低碳约束的全要素生产率，这可以准确地测度出中国各省市低碳技术进步状况；进而根据“规模效应、技术效应和结构效应”三种途径影响环境质量理论，考虑在城市化背景下，将低碳技术进步指标作为碳排放强度的“技术效应”影响因素纳入其中，运用经济地理空间权重矩阵的空间计量模型分析低碳技术进步等对30个省份碳排放强度的影响；最后根据得到的结果，验证“低碳技术进步是有效降低碳排放强度途径”的命题，同时反映出“低碳技术进步是发展低碳经济的有效途径”，并提出相关建议。

一、低碳技术进步测度及评价

（一）GEBML-DEA模型介绍

如何测度低碳技术进步？各省市低碳经济所包含的巨系统，可以看成一个个决策单元通过一定数量的投入而产出一定数量的“产品”的活动。这涉及投入产出问题。借鉴诸多文献，这里使用数据包络分析（DEA）方法测度有低碳约束的全要素生产率来反映低碳技术进步。由于低碳经济有能耗、碳排放约束，因此这里投入变量选择劳动力、资本存量、能源消费总量，产出变量包括地区生产总值和二氧化碳排放量，其中地区生产总值是期望产出，二氧化碳排放量是非期望产出，如果能源消耗大或者碳排放量大，则算出的技术进步指数就小，说明低碳技术进步小，反之则大，反映低碳技术进步大。本文具体选择GEBML-DEA模型测算全局参比Malmquist指数，也就是低碳的TFP，反映低碳技术进步程度。

Tone K & Tsutsui（2010）提出了一种包含径向与SBM两种距离函数的混合模型，即EBM（Epsilon-Based Measure）模型[7]。径向距离函数对环境绩效进行测度时会存在不同比例冗余缩减，径向测度会高估决策单元的实际绩效水平，而SBM模型中，其目标函数会导致投入和产出的无效率值最大化，也就是说被评价的决策单元的投影点是前沿上距离被评价决策单元最远的点。考虑到上述两种距离函数的缺点，本文使用EBM作为距离函数。其非导向EBM模型的规划式表示为：

模型中x和y分别是投入和产出变量，X、Y是投入、产出向量，m表示维度。wi表示各项投入指标的相对重要程度，ε是一个关键参数，取值在[0，1]，它表示效率值的计算中非径向部分的重要程度：取0表示径向距离模型，取1表示SBM模型，ρ表示关联指数矩阵的最大特征根，而v是其对应的特征向量。由于此模型是非导向的，故包含投入导向的效率值和产出导向的效率值，其中投入导向的效率值为θ，θ?（0，1）；而产出导向的效率值是用1/φ表示，φ?1。

在运行面板数据进行技术效率估算时，最常使用的是Malmquist生产率指数，它最早是Fare R等人（1997）采用DEA方法计算出来的[8]，随后迅速发展，Pasror和Lovell（2005）提出了一种全局参比Malmquist模型，它是以所有各期决策单元的总和作为参考集，各期共同参考集为Sg=S1∪S2∪……∪Sp=x1

其中效率变化用EC表示，这里表明由于经济管理创新引致的低碳技术进步，技术变化用TC表示，说明由于低碳技术创新带来的低碳技术进步。由于所有决策单元都包含在全局参考集内，所以全局参比Malmquist指数不存在无可行解问题。全局参比Malmquist指数既满足可传递型要求，又避免存在无可行解问题，选择此模型更具科学性和可行性。而EBM模型很好地避免了径向距离函数和SBM模型的缺点，且可发挥各自优点。故本文结合EBM距离函数、全局参比Malmquist模型（Globle Malmquist）以及Malmquist-Luenberge指数发展了一种包含非期望产出的混合距离函数全局参比Malmquist模型，简称GEBML-DEA模型。

（二）变量及数据处理

考虑到数据的可得性和完整性，本文选择了全国30个省份1997—2012年省际面板数据，其中由于西藏自治区及港澳台地区数据的缺失，故没有考虑在内。其中劳动力选择全国30个省份历年就业人数作为代理变量，资本存量是借鉴了张军等（2004）使用的永续盘存法推算出1996—2012年各省资本存量数据，能源消费总量则是利用各省煤炭、焦炭、汽油、煤油、柴油、燃料油、天然气和电力等八种能源消费量经折算成标准煤消费总量表示，产出变量中地区生产总值是按2005年价格计算的不变价各省市的GDP，二氧化碳排放量数据没有公布，本文参照杜立明（2010）方法计算获得。以上原始数据均来自《中国统计年鉴》、《中国能源统计年鉴》、《新中国60年统计年鉴汇编》和历年相关省份统计年鉴。宁夏、海南和甘肃的能源数据是从《中国能源统计年鉴》相关年份补齐。

（三）中国全要素低碳技术进步指数分析

根据GEBML-DEA方法，对1997—2012年各省的全要素低碳经济进步指数进行测算和分解，程序运行由MaxDEA软件完成，具体计算结果如表2。表2中Malmquist指数（GEBMLPI）计算的是包含了能源消费为投入变量与碳排放作为非期望产出的低碳全要素生产率数值，即为低碳技术进步指数。由于全局参比Malmquist指数具有可累乘的特性，表2中数据表示从1997到2012年的低碳技术进步总变化情况。其中GEBMLEC表示从1997到2012年低碳技术效率总变化数值，GEBMLTC表示此期间内低碳技术创新总变化数值。

根据估算低碳技术进步指数的结果发现：

1.全国省域平均低碳技术进步指数的增长表现有阶段性差异。相对我国经济发展速度来说，1997到2012年期间低碳技术进步指数增长速度较缓慢。表现为全国水平只有1.5778，2012年比1997年的低碳技术进步指数只增长了57.78%，年均增长2.89%，这显然小于同期国内生产总值增长率（按可比价格，2012年GDP是1997年的5倍），这也反映出这一时期我国经济增长表现为高投入、高排放、高污染、低效率的现实，低碳技术进步相对有限。由于2006后，我国注重节能减排，推进发展低碳经济。由计算的低碳技术进步指数值可以看出，2006年是个分界点。2006—2012年期间低碳技术进步指数年均增长达5.10%，明显高于1997—2006年期间年均增长的1.83%，反映该期间低碳技术进步较快。由此可以看出政府推进低碳经济发展战略有显著成效。

2.东中西部区域低碳技术进步指数的表现有差异。1997—2006年期间低碳技术进步指数呈现东中西递减趋势，省际差别显著。GEBMLPI（东部）> GEBMLPI（中部）> GEBMLPI（西部）表明低碳技术进步表现为东部最好，中部次之，西部最小。而且中部和西部均低于全国水平，表明东部对中国低碳技术进步指数的拉动作用强劲，也从侧面反映出改革开放最大受益地区。而中西部地区，大部分地区低碳技术进步指数较低，表明低碳技术进步较慢。2006—2012年期间东部、中部、西部低碳技术指数年均增长率分别为4.22%、4.62%、4.4% ，而1997—2006年期间三大区域年均增长率为3.16%、2.02%、0.95%，可以看出2006—2012年期间三大区域低碳技术进步指数年均增长明显高于1997—2006年期间年均增长，2006年后中西部地区低碳技术进步增长率显著提高，而且还要略高于东部地区。这表明中西部地区正学习东部地区先进技术，提高低碳技术进步，也反映了我国发展低碳经济战略正在中西部发挥重要作用，由于中西部地区低碳经济技术相对落后，因此具有巨大的发展潜力。

区域间的低碳技术效率与低碳技术创新表现有差异。1997—2012年期间，从技术创新上看，GEBMLTC（东部）> GEBMLTC（中部）> GEBMLTC（西部），表明低碳技术创新仍然表现为东部最好，中部次之，西部最小。从技术效率指标看，GEBMLEC（西部）> GEBMLEC（中部）> GEBMLEC（东部），表明中西部在低碳技术管理上比东部提高要快。总体上看，技术创新是东部省份低碳技术进步增长的主要动力，而中西部地区技术管理效率的提高是低碳技术进步提高的主要动力，从全国看，技术创新是低碳技术进步增长的主要动力。

3.省域低碳技术进步指数均呈现不同程度增长。图1反映了各省的低碳技术进步指数变动情况。总体上看各省低碳技术进步指数均有逐渐增长的趋势，但增长幅度差异明显。东部省份如北京、上海、江苏、浙江、辽宁、广东低碳技术进步增长幅度较大，表明东部省份低碳技术进步明显提升；中西部省份低碳技术进步增长幅度较小，表明中西部省份低碳技术有待提升。尤其是山西和甘肃等地低碳技术进步明显较小，亟须提高。大多数省份在2006年是个分界点，2006后低碳技术进步指数上升较快。之前有的省份上升较慢或没有变化，有的甚至下降，同样反映出政府推进低碳经济发展战略的成效。

二、低碳技术进步对碳排放强度空间影响实证分析

（一）空间计量模型的设定

Grossman和Krueger（1991）认为，经济增长会通过规模效应、技术效应和结构效应三种途径影响环境质量。[9]碳排放强度作为重要的环境质量指标，因此，这里将根据规模效应、技术效应和结构效应等三个途径理论设定模型，并考虑在城镇化背景下研究低碳技术进步对碳排放强度的影响。其中规模效应因素指标选择人均GDP，技术效应因素指标选择低碳技术进步，结构效应因素指标为产业结构，城镇化背景选用城镇化率指标。

由于本文采用的省域数据，可能存在空间效应，因此需要相关检验以设定空间计量模型。空间面板模型分为空间自回归模型（SAR）和空间误差模型（SEM）两类，分类主要依据经济数据空间依存性和差异性的特征。经济数据的空间依存性是一个区域的观察数据与其他区域的观察数据相关，这种相关性是由空间的相对和绝对距离决定的，空间差异性则表示空间观察单位的差异性从而在区域层面的空间效应非均一性。空间自回归模型通过空间自回归项来探讨空间“溢出效应”，空间误差模型则是通过空间误差项来体现。这两个模型的基本形式为：

其中Y表示因变量，X表示自变量，W为空间权重矩阵，β表示解释变量系数，t，i分别表示时间维度和截面维度，εit为随机误差项。ρ表示空间自回归系数，若此系数显著则表明变量间存在空间溢出效应，即存在空间依存性，其值大小反映平均强度。λ表示空间自相关系数，表示临近区域样本对本区域样本的影响方向和强度。模型（7）、（8）中因变量为碳排放强度指标，以单位GDP二氧化碳排放量来衡量，用CEI表示；自变量选择低碳技术进步指标，用MI表示；产业结构以第二产业占GDP的比重来衡量，用TIP表示；城镇化率以城镇居民占总人口的比重衡量，用UR表示；经济发展指标用人均GDP衡量，用PGDP表示。由于低碳技术进步指数（MI）本身就是变化量，故模型中除低碳技术进步指标外，其余变量均采用对数形式，所得系数可理解为弹性。

（二）空间权重矩阵的建立

与面板数据模型不同的是，空间计量模型分析需要建立空间权重矩阵，用来表示空间各样本之间的相互依存和关联强度。空间权重矩阵可以采用邻接标准或距离标准来构建。邻接标准是指如果两个地区在地理位置上相互邻接关系，比如安徽和江苏相邻则表明两地区存在邻接关系。可以看见邻接标准认定空间单元之间联系仅仅取决二者是否相邻，但这不能很好地反映实际情况，如在邻接权重矩阵中上海与新疆和上海与安徽之间的权重都是为0，但上海对安徽的影响程度与对新疆的影响程度肯定是不同，根据地理学第一定律，任何事物与它周围事物均存在联系，距离越近联系越紧密。因此选择空间地理距离来计算地理距离空间权重矩阵W1，其表达式为W1=1/d2 i≠j

0 i=j，其中d表示为两地区省会城市的地理位置的距离。但是W1仅仅反映地理邻近特征，这种表示空间权重矩阵是粗糙的，碳排放是经济活动产物，地区发展强弱对碳排放影响显著，通常经济发展高的地区碳排放量较多。因此，本文在空间权重矩阵加入经济基础，建立经济地理空间权重矩阵W，其表达式为：

W=W1diag（Y1 [Y]，Y2 [Y]，……Yn [Y]） （9）

其中W1表示地理距离空间权重矩阵，Yi=1/（t-t1+1）∑Yit 表示时间维度内第i省份资本存量平均值，Y=1/n（tm-t1+1）∑Yit表示时间维度内总物资资本存量均值。若一地区资本存量比重较大，它对周边影响程度也较大。资本存量数据同前文。

（三）空间相关性检验与模型选择

空间面板数据计量分析需要进行空间相关性检验。空间相关性指数Morans I和基于极大似然估计的Lmerro、Lmsar、Walds、Lratias统计量是检验空间相关性的重要指标。它们检验原假设均为H0：ρ=0或λ=0，由于构建这些相关性检验指标均针对截面数据，故不能直接运行，故本文采用对经济地理权重矩阵进行克罗内克积处理得到分块对角矩阵。如表3检验结果显示，所有的空间相关性的检验指标的概率值均远小于1%的显著性水平，说明了中国省域碳排放强度空间相关性非常显著，单纯选择普通面板计量模型是存在缺陷的，应该运用空间面板计量分析。选择何种空间面板模型则需要依据Anselin和Rey利用Monte Carlo模拟方法得到的结果，若Lmsar比Lmerro统计量更为显著，则需选择空间自回归模型。Lmsar统计值为2080.446远大于Lmerro统计值368.736，表明选择空间自回归模型更为合适。

（四）实证结果与分析

选定空间面板计量模型后需要确定是存在固定效应还是随机效应，因此需要进行固定效应和随机效应检验。其中固定效应采用对数似然比检验，即LR for FE检验。其原假设为不存在固定效应。若拒绝原假设则说明选择固定效应模型得到的结果更好。而随机效应检验采用LR for RE检验，若拒绝原假设则说明固定效应存在。为保证结果的稳定性，再进行Hausman检验，若拒绝原假设则选择随机效应模型。表4是空间面板模型SAR上述检验的结果。LR检验结果都在1%的显著水平下认为采用固定效应模型效果会更好，同时Hausman检验结果也进一步证实应该选择固定效应模型。

空间计量的固定效应模型有四类：无固定效应、空间固定效应、时间固定效应和空间时间双固定效应。如表5和表6是空间自回归模型和空间误差模型估计的结果。

由表5、表6发现，空间自回归模型和空间误差模型中，空间自回归系数和空间自相关系数均在1%的显著水平下通过了T检验，这表明我国30个省份的碳排放强度存在明显的空间相关性。所有估计的空间自回归系数和空间自相关系数均为正数，数值较大，说明各省份间碳排放强度体现为一种趋同效应，地区的碳排放强度不仅取决自身因素，还受邻近区域的碳排放强度的影响。这反映出，邻近省市的先进低碳技术及管理等具有辐射和示范功能，促进相邻省市的碳排放强度的降低，有利于碳减排。由于空间固定效应、时间固定效应和双固定效应条件下的空间自回归模型估计的LogL值大于相应的空间误差模型得到的估计值，所以选择空间自回归模型有更好的解释能力。且在空间自回归模型的四个模型中，双固定效应模型得到的R^2、LogL值有明显改进，且空间自相关系数也通过了显著性检验，故表明地区间既存在空间固定效应，也存在时间固定效应。

不论是空间自回归模型还是空间误差模型各估计系数数值大小有变化，但符号均保持不变，反映各因素对碳排放强度影响具有稳定性。低碳技术进步指数和人均GDP对碳排放强度影响为负的，有降低作用，而工业结构和城镇化率对碳排放强度影响为正，会增加碳排放强度。

综合以上模型来看，低碳技术进步指标对碳排放强度影响显著为负，绝对值较大，说明我国经济发展存在对碳排放强度影响的较大技术效应。低碳技术进步能有效地减低碳排放强度，确实是发展低碳经济的有效途径。随着经济的快速发展，节能减排等新技术新工艺会极大地被运用到生产生活中去。

经济发展指标系数为负，反映我国存在对碳排放强度产生影响的规模效应，效应较大。这主要是因为经济发展在导致碳排放量的增长对碳排放强度的正影响小于经济发展对碳排放强度的负面影响。本文测算，1997—2012年我国碳排放量年均增长近6.624%，比这期间的GDP的年均增速近10%明显要小，经济发展指标系数对碳排放强度的弹性为负值，应该是合理的。

产业结构（第二产业比重）对碳排放强度影响系数为正，数值较大，表明第二产业结构占比提高会导致碳排放强度提高，这也表明我国也存在结构效应。工业的发展对自然资源特别是能源的消耗依赖性很高，因而导致大量的碳排放。我国处于经济发展初级阶段，工业化进程不断推进，第二产业结构比重依然较大，这是导致我国碳排放强度居高不下的关键因素。

城镇化率对碳排放强度影响为正，主要是因为城镇化进程的推进会直接导致房地产业及相关产业的发展，这些产业消耗大量能源，导致碳排放增长，但同时也会加速GDP增长，对碳排放强度影响会有抵消部分，故影响系数相对不大。

三、结论及政策建议

本文运用一种包含非期望产出的混合距离函数的全局参比的Malmquist模型，估算出全国30个省份1997—2012年低碳技术进步指数，测算结果可以衡量全国与各省份低碳技术进步状况；进而根据“规模效应、技术效应和结构效应”三种途径影响环境质量理论，将低碳技术进步指标作为碳排放强度的“技术效应”影响因素纳入其中，同时考察了人均GDP、经济结构、城镇化率等因素，运用空间面板模型分析各因素对碳排放强度的作用方向和影响大小。得到以下结论：

1.1997到2012年期间低碳技术进步指数增长速度较慢，反映出这一时期我国经济增长表现为高投入、高排放、高污染、低效率的特征，但2006后低碳技术进步指数上升较快，这反映政府推进低碳经济发展是有效果的；1997到2012年期间低碳技术进步指数呈现东中西递减趋势，低碳技术进步表现为东部最好，中西部地区大部分低碳技术进步指数较低，表明低碳技术进步较慢，省际差别显著；但2006年后，中西部地区低碳技术进步明显加快，部分原因是学习东部地区低碳技术，这也反映我国发展低碳经济战略显现成效。

2.在城市化发展背景下，经济增长通过“规模效应、技术效应和结构效应”三种途径影响碳排放强度。不同影响因素对碳排放强度作用方向和大小不同。一是作为“技术效应”因素的低碳技术进步能有效地降低碳排放强度，且影响效应较大，验证“低碳技术进步是有效降低碳排放强度途径”的命题，同时反映出“低碳技术进步是发展低碳经济的有效途径”。二是“规模效应”因素的经济发展对碳排放强度影响为负，效应较大。三是“结构效应”因素的第二产业比重对碳排放强度影响为正，效应较大。四是城镇化率的提高对碳排放强度影响为正，但影响较小。此外，碳排放强度存在较强的空间相关性，这说明碳排放强度降低受到本地因素和相邻区域因素的共同影响。这说明，邻近省市的先进低碳技术及管理等具有辐射和示范功能，促进相邻省市的碳排放强度的降低。

根据结论，本文提出以下建议：1.健全低碳技术进步机制，促进低碳技术发展。继续实施节能减排技术专项行动计划，解决低碳的关键和共性技术问题；推动建立以企业为主体、产学研相结合的低碳技术创新与成果应用推广体系；加快健全低碳技术服务体系，推行合同能源管理，培育节能和环保服务市场，促进低碳服务产业化。2.各地区结合实地情况，有倾向性地加大鼓励节能减排技术创新与管理的政策力度，在加强低碳技术创新的同时，增强低碳技术管理水平。中西部地区要进一步学习东部地区低碳技术，加快低碳技术进步。特别是山西与甘肃等省份低碳技术落后，低碳技术进步增长潜力大，应加快引进吸收先进地区低碳技术，提高自身低碳技术水平。3.强化发展低碳经济方式， 推动产业结构优化升级，积极推行新型工业化之路，加大第三产业比重，积极发展服务业。4.考虑低碳要求，理性推进城镇化发展。应理性科学地推进城镇化发展，避免“大跃进”式的城镇化运动，造成碳排放等污染排放的急剧增加。城市发展布局应考虑企业集中布局、产业集群发展，推行清洁能源政策，有利于推进低碳技术进步与应用，为低碳经济发展提供低成本的外部条件。5.应该充分发挥邻近省市的低碳技术及管理等方面的辐射和示范功能，带动相邻省市的低碳技术水平的提高。

参考文献：

[1]张坤民.低碳世界中的中国：地位、挑战与战略[J].中国人口·资源与环境，2008，18（3）：1-7.

[2]蔡益泉.我国低碳产业的发展现状与对策思考[J].华东经济管理，2013，（4）：32-35.

[3]魏巍贤，杨芳.技术进步对中国二氧化碳排放的影响[J].统计研究， 2010， 27（7）：36-44.

[4]陈林， 罗莉娅.低碳经济理论及其应用：一个前沿的综合性学科[J].华东经济管理，2014，（4）：148-153.

[5] 袁富华.低碳经济约束下的中国潜在经济增长[J].经济研究，2010，（8）：79-89.

[6] 黄山， 吴小节，宗其俊. 中国制造企业低碳竞争力的来源及提升途径[J].华东经济管理，2013，（5）：42-46.

[7]Tone， K.， & Tsutsui， M. An epsilon-based measure of efficiency in DEA - A third pole of technical efficiency. European Journal of Operational Research[J].2010，（207），1554-1563.

[8]Chung，Y.H.，Fare.R.，Grosskopf.S.Productivity and undesirable outputs： adirectional distance function approach[J].Journal of Environmental Management.1997，（51）：229-240.

[9]Grossman， GM， Krueger， A B. “Environmental impacts of a North American Free Trade Agreement”， National Bureau of Economic Research Working Paper 3914， NBER [C].Cambridge MA， 1991.

（责任编辑 吴晓妹）