能源消费与环境污染的关系研究

周南南 林修宇

[摘 要]基于能源消费对环境污染的重要影响，选取衡量能源消费和环境污染的评价指标，采用主成分分析分别测度各地区能源消费水平和环境污染程度;选取2011—2017年我国30省份的面板数据，构建回归模型研究能源消费与区域环境污染的关系。结果表明：不同变量对环境污染的影响不同，能源消费、人口因素对环境污染的影响为正，科技水平对环境污染的影响为负。据此，提出应优化能源消费结构、扩大环境治理投资规模、发挥政府引领作用的对策建议。

[关键词]主成分分析;能源消费;环境污染

[中图分类号]F206 [文献标识码]A [文章编号]1671-8372（2020）03-0062-08

Abstract：Based on the important influence of energy consumption on environmental pollution， the evaluation indexes of energy consumption and environmental pollution is selected， and the principal component analysis is used to measure the energy consumption level and environment pollution degree. The panel data of 30 provinces from 2011 to 2017 were selected to build a regression model to study the relationship between energy consumption and regional environmental pollution. The results show that different variables have different effects on environmental pollution， the influences of energy consumption and population factors on environmental pollution are positive， and the influences of science and technology level on environmental pollution are negative. Based on this， some countermeasures and suggestions are put forward to optimize the energy consumption structure， expand the investment scale of environmental governance， and give play to the leading role of the government.

Key words：principal component analysis; energy consumption; environmental pollution

一、引言

隨着中国特色社会主义进入新时代，中国经济已由高速增长转向高质量发展，经济总量已位居世界第二，同时也应清晰地认识到经济实力不断提升的背后往往伴随着的是资源、能源的过度使用。作为世界上最大的发展中国家，中国是能源生产和消费大国。以2018年为例，中国能源生产总量达到37.7亿吨（以标准煤为单位），其中原煤占比69.3%，原油占比7.2%，天然气占比5.5%，其他能源占比18.0%;中国能源消费总量达到46.4亿吨（以标准煤为单位），其中原煤占比59.0%，原油占比18.9%，天然气占比7.8%，其他能源占比14.3%。根据《BP世界能源统计年鉴2019》数据显示，2018年，中国占全球能源消费量的24.0%和全球能源消费增长的34.0%，连续18年稳居全球能源增长榜首。高投入、高消耗的粗放式能源消费模式已严重阻碍中国经济的可持续发展。因此，研究能源消费与环境污染的关系具有重要的现实意义。

有学者对能源消费与环境污染二者之间的关系进行了分析。张红通过研究山东省能源消耗和环境污染的现状，发现山东省的经济增长是以巨大的能源消耗为基础，而能源的过度消耗进一步导致严重的环境污染[1];Apergis等通过研究考察25个经合组织国家的煤炭消费与经济增长之间的关系，发现煤炭消费与经济增长存在短期和长期的双向因果关系，且短期的双向因果关系为负[2];高源等对中国煤炭、石油天然气消费量与工业三废排放量进行灰色关联分析，发现中国能源消费和环境污染之间的关联度是显著的[3];Bilgili等通过研究可再生能源消费对环境质量潜在影响的环境库兹涅茨曲线（EKC）假说，发现人均国内生产总值和人均国内生产总值平方分别对二氧化碳排放量产生正面和负面影响，可再生能源消费与二氧化碳排放量存在负因果关系[4];冷艳丽等考察能源价格扭曲对雾霾污染的影响，发现能源价格扭曲对雾霾污染具有正向影响[5]。

还有学者在能源消费与环境污染二者中加入其他因素进行了研究。杨旭等基于VECM模型研究经济增长与环境污染和能源消耗的关系，发现中国的经济增长与环境污染和能源消耗存在长期稳定的协整关系，能源消耗波动始终是环境污染的主要原因，证明我国经济的高速增长是以能源消耗为代价，并在能源消耗的过程中又造成了环境污染[6]。Bastola等通过探讨尼泊尔能源消耗、污染排放和经济增长之间的因果关系，得出能源消费与碳排放存在长期的双向因果关系，经济增长与碳排放和能源消费存在单向因果关系[7]。袁程炜等基于四川省1991—2010年样本数据，发现污染综合指数、能源消费与污染的交叉乘积项对经济增长存在长期稳定关系，而且能源消费对经济增长的正向效应大于环境污染对经济增长的负向效应，但环境污染本身对经济增长负向效应显著[8]。Zhang Lei等利用1995—2011年的区域面板数据，在多变量框架下通过探讨国际旅游业对中国经济增长、能源消费和环境污染的影响，得出旅游业对我国东中西部地区的经济增长和二氧化碳排放均有因果关系、经济增长与二氧化碳排放之间存在反馈效应的结论，验证了旅游诱发EKC假说在我国并不存在的事实[9]。蒋照华等从绿色创新的环境效益出发，通过VAR模型证明绿色创新对能源消耗和环境污染问题能起到一定的改善作用[10]。马青等利用PVAR模型和GLS方法检验城乡收入差距对能源消费与温室气体和污染物排放的影响，得出碳排放和固体废物排放受城乡收入差距影响均为正效应，受废水排放呈负效应;通过GLS回归得出，固体废物排放量不同、城乡收入不同对工业固体废物排放倶表现出显著的异质性[11]。

本文以我国30省份作为研究样本，以2011—2017年为研究区间，在测量能源消费水平和环境污染程度的基础上，构建回归模型，研究能源消费与环境污染之间的关系，并提出促进能源环境可持续发展的相关建议。

二、研究设计

（一）方法介绍

1.典型相关分析

本文采用典型相关分析，分析能源消费和环境污染是否存在较强的相关关系，这也是进行后续实证分析的前提。典型相关分析是研究两组变量之间线性相关关系的一种多元统计方法，其基本思想是在两组变量中分别提取有代表性的两组综合变量U和V，分别是两组变量通过线性变换得到的线性组合。U和V也被称为典型相关变量，利用典型相关变量之间的相关关系能够反映两组变量的整体相关性。

2.主成分分析

在对某一事物进行实证研究时，为了全面、准确地反映事物特征及其发展规律，需要构建相关指标评价体系。但随着相关指标的增多不可避免地造成信息重叠，从而增加研究的复杂性。故需要采用主成分分析法、因子分析法、层次分析法进行相关分析，以确保得出的结果更加全面准确。主成分分析法是利用降维的思想[12]筛选相关指标，将重复的指标删去，建立尽可能少的综合变量。这些综合变量即为主成分，包含了原始数据中大部分的信息。该方法能避免信息的大量重叠和主观赋权评价的影响，保证结果的客观性。计算步骤具体如下：

（1）设对某一事物的研究涉及p个指标，分别用表示。p个指标构成的p维随机向量组X可表示为，对向量组进行线性变换，可以形成新的综合变量，用Y表示，可表示为：

（2）采用Z-Score法对数据进行标准化处理。通过处理将不同大小、不同单位的数据转化为统一度量、无单位的Z-Score分值，使得数据标准统一化，提高数据的可比性。计算公式为：

其中，Xij表示第i个指标第j个样本的原始数据，μi表示第i个指标的样本均值，σi表示第i个指标的样本标准差。

（3）计算相关系数矩阵。

（4）计算特征根和相应的标准特征向量。

（5）根据主成分得分矩阵以及方差贡献率，计算相关指标的综合得分。

3.聚类分析

聚类分析将研究个体进行分类，使得同一类的对象之间的相似性比其他类的对象相似性更强。其目的在于使同类间对象的同质性最大化和不同类间对象的异质性最大化。對样品的分类常称为Q型聚类分析，对变量的分类常称为R型聚类分析。聚类分析中包含许多方法，如系统聚类法、模糊聚类法、K-均值法、有序样品的聚类和分解法等。本文采用系统聚类法，对主成分分析得到的能源消费和环境污染的两类综合得分进行聚类分析。

（二）指标选取和数据来源

评价指标的选取是研究能源消费和环境污染的关键步骤，所选指标需要能很好地测算能源消费水平和环境污染程度。基于数据可得性原则，本文选择各地区煤炭消费量（X1）、石油消费量（X2）、天然气消费量（X3）、电力消费量（X4）、城市燃气普及率（X5）、县城燃气普及率（X6）和村镇燃气普及率（X7）作为反映能源消费水平的综合评价指标;选择各地区二氧化硫排放量（Y1）、氮氧化合物排放量（Y2）、烟尘排放量（Y3）、废水排放总量（Y4）、环境污染治理投资（Y5）和工业污染治理投资（Y6）作为反映环境污染程度的综合评价指标。由于Y5和Y6与环境污染呈负相关，取负值作正向处理。构建的指标体系见表1和表2。

三、能源消费水平和环境污染程度评价

（一）能源消费和环境污染的典型相关分析

根据收集的能源消费和环境污染数据，通过SPSS19.0软件的典型相关分析，得到典型相关系数表（见表3）。

由表3可知，共有三对典型相关变量通过5%显著性水平检验，得到的典型相关系数分别为λ1=0.986，λ2=0.854，λ3=0.754，三个典型相关系数均较高，表明典型相关变量之间高度相关。

根据提取的典型相关变量计算得到典型相关变量与原始变量的相关系数表，也称为典型载荷矩阵（见表4）。该表由四个部分组成：第一部分（U与X）和第四部分（V与Y）是本组变量与本组典型变量的相关系数，第二部分（V与X）和第三部分（U与Y）是本组变量与另一组典型变量的相关系数。由表4可知，能源消费的第一对典型变量与X1-X4高度相关，第二对典型变量与X7高度相关，第三对典型变量与X5-X6高度相关，说明选取的综合指标很好地反映能源消费情况;X1-X4与环境污染的第一对典型变量高度相关，表明能源消费不仅受内部指标的影响，也受外部环境污染指标的影响。环境污染的第一对典型变量与Y1-Y6高度相关，表明选取的综合指标很好地反映环境污染情况;Y1-Y6与能源消费的第一对典型变量高度相关，表明环境污染不仅受内部指标的影响，也受外部能源消费指标的影响。

由表5可知，两组变量的第一典型冗余之和分别为0.611和0.802，第二典型冗余之和分别为0.523和0.719，表明三对典型变量不仅能很好地解释本组原始变量，还能很好地解释另一组原始变量;三个典型相关系数的平方分别0.972、0.724、0.569，同样表明能源消费和环境污染之间具有很强的相关性。

（二）能源消费和环境污染的主成分分析

1.能源消费水平评价

根据收集的我国30省份能源消费指标的相关数据，对我国地区能源消费水平进行主成分分析，具体分析过程及结果如下：

（1）KMO和Bartlett球形检验

KMO和Bartlett球形检验是用于辨别变量之间是否存在相关性，判断主成分分析是否适用的一种方法。一般来说KMO值越接近1，表明变量越适合进行主成分分析。Bartlett检验结果的显著性水平小于0.1，表明各变量间存在相关性，适合进行主成分分析。经检验，KMO值为0.661，Bartlett检验值为132.473且P值为0.000，表明适合进行主成分分析。

（2）计算相关系数矩阵

在KMO和Bartlett球形检验的基础上，计算原始变量的相关系数矩阵，得到的结果如表6所示。

2.环境污染程度评价

对我国30省份的环境污染指标进行KMO 和 Bartlett 球形检验，经检验KMO值为0.650，Bartlett检验值为151.573且P值为0.000，表明所选指标适合进行主成分分析。在此基础上计算原始变量的相关系数矩阵，得到的结果如表9所示。

由表10可知，第一个主成分特征值为3.913，方差贡献率为65.214%;第二个主成分特征值为1.118，方差贡献率为18.639%;第三个主成分特征值为0.454，方差贡献率为7.569%。前三个主成分累计贡献率达到91.896%，能较好地保留原始变量的信息，故选取3个主成分替代6个原始变量。根据因子载荷矩阵，可得主成分得分系数矩阵，如表11所示。

3.能源消费和环境污染的综合得分

将标准化处理的数据代入式（3）、式（4）、式（5）分别求出F1、F2、F3的值，再代入式（6）求出W1，得到2017年我国30省份的能源消费水平综合得分及排名情况。将标准化处理后的数据代入式（7）、式（8）、式（9）分别求出F4、F5、F6的值，再代入式（10）求出W2，得到2017年我国30省份的在环境污染程度综合得分及排名情况（见表12）。

表12中，正值代表地区的能源消费或环境污染高于全国平均水平，负值代表能源消费或环境污染低于全国平均水平。综合得分越高，则能源消费水平或环境污染程度越高，从而也可以直观地看出各省市之间存在着较大的差异。

总体来看，能源消费水平高于全国平均水平的有13省份，环境污染高于全国平均水平的有13省份，表明能源消费与环境污染存在正相关关系，能源消费水平越高，其环境污染程度越严重。其中，以山东、江苏、广东、浙江、河北为代表的经济实力较强和人口较多的地区，其两类综合得分均排在前列，表明这些地区能源消耗量较大，环境污染较为严重。从东中西空间分布来看，能源消费水平和环境污染程度较高的地区多数在东部地区，山西属于中部地区，内蒙古、新疆属于西部地区;而排名较为落后的北京、天津、上海、海南属于东部地区。这表明不仅区域间的能源消费和环境污染存在差异，区域内部也存在不均衡的现象。但总体上东部地区能源消费水平和环境污染程度较高，中西部地区能源消费水平和环境污染程度较低。

（三）能源消费和环境污染的聚类分析

根据我国30省份的能源消费水平和环境污染的综合得分及排名情况，采用系统聚类方法对两项综合指标得分进行聚类。具体结果如图1所示。

四、能源消费对区域环境污染的影响

（一）变量选取及模型设定

环境污染程度除受能源消费因素影响外，还受产业结构、人口、科技等其他因素的影响。通过对已有文献的梳理和实际污染现状的分析，本文选择能源消费水平（EC）作为核心解释变量，区域环境污染程度（EP）作为被解释变量，产业结构、人口压力、科技水平作为控制变量。其中，选择此前主成分分析的综合得分作为衡量能源消费水平和环境污染程度的指标，产业结构（IS）用第二产业占地区生产总值的比重表示，人口压力（HUM）用年末常住人口表示，科技水平（TD）用R&D投入占GDP比重表示。设定的回归模型如下：

（11）

式（11）中，i代表不同省份样本，t代表不同时期，βi代表待估参数，α代表截距项，μ代表随机扰动项。基于数据可得性原则，对于部分缺失数据采用移动平滑法进行补齐，然后使用Stata15.0进行分析。

（二）实证结果分析

1.单位根检验

在进行实证分析前，为保证数据的平稳性和结果的准确性，消除变量可能存在的伪回归，需要对面板数据的相关指标进行单位根检验。为避免单一方法检验的局限性，本文采用LLC、ADF-Fisher进行检验，检验结果如表13所示。

由表13可知，环境污染、能源消费、产业结构、人口压力、科技水平的两种检验均通过5%显著性水平检验，表明这四个变量在水平情况下是平稳的，在回归分析时不会产生伪回归。

2.Hausman检验

对于面板数据而言，选择固定效应模型和随机效应模型非常关键，需要进行Hausman检验进行判断。Hausman检验的原假設为，备择假设为。若原假设成立，则选择随机效应模型更为有效，反之选择固定效应模型更为有效。经过Hausman检验，检验统计量值为67.51，P值为0.0000，故应拒绝原假设，选择备择假设，使用固定效应模型进行回归分析。

3.回归结果分析

使用Stata15.0进行分析，得到能源消费对环境污染的回归结果（见表14）。

由表14可知，模型的R2=0.8093，修正后的R2=0.8056，这表明各变量之间拟合程度较高;各变量除产业结构外在1%显著性水平下均通过检验，表明环境污染程度与能源消费水平、产业结构、科技水平之间均有显著相关性，而人口压力对环境污染的影响不显著。能源消费、产业结构、人口压力、科技水平的回归系数分别为0.7673、0.2607、0.0001、-18.0152，表明在其他条件不变的情况下，能源消费每增加1，环境污染随之平均增长0.7673;第二产业占比每增加1，环境污染随之平均增长0.2607;人口总量每增加1，环境污染平均增长0.0001;R&D经费支出占比每提高1，环境污染平均降低18.0152。

具体来看，能源消费对环境污染的影响为正，这是由于我国能源消费结构不合理、煤炭使用量仍占比过大、能源利用率偏低，导致环境污染严重;产业结构对环境污染的影响为正，这是因为工业污染是环境污染的主要来源之一，随着第二产业产值比重的增加，工业废气、废水、固体废物排放量也会增加，其处理净化较为困难，导致环境污染加剧，环境治理效率低下;人口对环境污染呈显著正相关，表明随着人口数量的增多，生活需要和工业发展产生的垃圾也随之变多，进而导致环境污染程度加深;科技水平对环境污染的影响为负，并且影响系数非常大，表明科技水平的提高能显著改善环境污染程度，这是由于科技能引入清洁能源技术和能源利用技术，减少了环境污染物的排放，从而提高环境治理效率和能源利用率。因此，在未来的环境污染防治中，可根据影响变量有针对性地提出建议，降低环境污染、增强能源可持续发展。

五、结论与建议

本文研究能源消费对环境污染的影响，首先选取反映能源消费水平和环境污染程度的相关指标，通过主成分分析测度我国30省份的能源消费水平和环境污染程度。其次，选取2011—2017年各地区的面板数据，在相关指标测度的基础上，通过构建回归模型，对能源消费与区域环境污染的关系进行实证分析。研究结果表明：能源消费、产业结构、人口压力对环境污染的影响为正，而科技水平对环境污染的影响为负。为此提出促进能源消费可持续发展和环境污染治理的相关建议如下：

一是优化能源消费结构，提高能源使用效率。我国能源消费结构仍然是以化石能源为主，而化石能源的特点是碳含量较高，燃烧产生大量的有害气体，多是不可再生能源。因此，减少煤炭、原油、石油等高污染能源的使用，寻找清洁能源等可再生能源，可以有效解决碳排放过大和化石能源依赖过度的问题;将提高能源利用效率作为实施环境保护和可持续发展的重要战略，可以达到节约成本、有效控制环境污染程度加重的目标，从而利用低成本获取高回报，大力发展低碳经济。

二是加大环境治理投资力度，优化产业结构，促进经济绿色发展。国家应给予更多支持，扩大环境污染治理资金的投入规模，拓宽资金流动渠道，建立长期的资金保障体制，为实现环境治理提供资金支撑;加大关键技术的研发和引进，培养相关技术人才，推动产业结构优化升级，减少重工业等高污染产业的比重，发展清洁产业，建立资源节约型和环境友好型社会。

三是充分发挥政府的指导作用，积极引导个人、企业为环境治理作出重要贡献。各地区政府应加强环境治理水平，建立多元化的监管体系，严格落实各项污染指标减排措施，提倡绿色、低碳、环保的生活方式;加强区域间的交流合作，发挥区域联动作用，共同推进环境污染治理工作。居民应提高环保意识和资源节约意识，学会垃圾分类，减少生活垃圾的产生。企业应不断创新，严控污染治理各环节，加强利用不同污染物处理的新技术，从而减少污染气体的排放量。由此，政府、个人和企业多方联动，共同提高生态环境质量，从而达成人与自然和谐发展的新格局。

张红.山东省能源消耗与环境污染现状及对策分析[J].山东社会科学， 2008（6）：113-116.

Apergis N，Payne J E.Coal consumption and economic growth：evidence from a panel of OECD countries[J].Energy Policy，2010（3）：1353-1359.

高源，牛飞亮.能源消费与环境污染的灰色关联分析[J].中州学刊，2010（2）：79-81.

Bilgili F，Kocak E，Bulut U.The dynamic impact of renewable energy consumption on CO2 emissions：a revisited environmental Kuznets curve approach[J].Renewable and Sustainable Energy Reviews， 2016（54）： 838-845.

冷艳丽，杜思正.能源价格扭曲与雾霾污染—中国的经验证据[J].产业经济研究， 2016（1）：71-79.

杨旭，徐洋，王宝健，等.基于VECM模型的经济增长与环境污染和能源消耗关系研究[J].地理与地理信息科学，2012（5）：75-79.

Bastola U，Sapkota P.Relationships among energy consumption， pollution emission， and economic growth in Nepal[J].Energy，2015（80）：254-262.

袁程炜，张得.能源消费、环境污染与经济增长效应—基于四川省1991—2010年样本数据[J].财经科学，2015（7）：132-140.

Zhang L，Gao J.Exploring the effects of international tourism on China's economic growth，energy consumption and environmental pollution：evidence from a regional panel analysis[J].Renewable and Sustainable Energy Reviews，2016（53）：225-234.

姜照華，马娇.绿色创新与环境污染、能源消耗的相互关系研究[J].生态经济，2019（4）：160-166.

马青，傅强.城乡收入差距、能源消耗与环境污染的双向耦合关系—基于经济起因的互动关系[J].技术经济，2019（3）：67-77.

秦炳涛，葛力铭.我国区域工业经济与环境污染的实证分析[J].统计与决策，2019（4）：133-136.

[责任编辑 祁丽华]