EN中文

Resources Science >

2021 , Vol. 43 >Issue 10: 2130 - 2145

DOI: https://doi.org/10.18402/resci.2021.10.16

The impact of aquatic product trade on the intensity of fishery carbon emissions: Based on intermediary and threshold models

  • LI Chen , 1, 2 ,
  • WANG Linlin 1 ,
  • SHAO Guilan 1
Expand
  • 1. School of Economics, Ocean University of China, Qingdao 266100, China
  • 2. Marine Development Studies Institute, Ocean University of China, Qingdao 266100, China

Received date: 2021-01-14

  Request revised date: 2021-04-16

  Online published: 2021-12-25

Fold

Abstract

Identifying the impact of aquatic product trade on fishery carbon emission intensity is an important way to promote low carbon development of fishery. This study examined the impact path and income threshold effect of aquatic product trade on fishery carbon emission intensity from the three dimensions of scale effect, technology effect, and structural effect. The results show that: (1) Aquatic product trade has a strong direct promoting effect on fishery carbon emission intensity. Although it can indirectly inhibit fishery carbon emission intensity through the path of scale economy, energy-saving technology innovation, and industrial transformation and upgrading, it still increases fishery carbon emission intensity on the whole. (2) Under the constraint of income threshold, there is an inverted U-shaped relationship between aquatic product trade and fishery carbon emission intensity. Trade has a negative effect on carbon emission intensity when income is in the high zone. (3) Fishery scale expansion, industrial structure optimization and upgrading, technology improvement, and factor endowment can effectively reduce fishery carbon emission intensity. There is a threshold for the effectiveness of environmental regulation on carbon emission intensity of fisheries, and excessive environmental regulation will lead to the phenomenon of “more regulation, more pollution”. Therefore, it is necessary to accelerate the transformation of aquatic product trade growth model, optimize the fishery industrial structure, and promote the innovation of open fishery technology. On the basis of fully considering regional differences, we should reasonably control fishery environmental regulation and assume common but differentiated responsibilities for fishery emission reduction.

Key words： aquatic product trade; fishery carbon emission intensity; influence mechanism; mediating effect; threshold effect; per capita income

Cite this article

LI Chen , WANG Linlin , SHAO Guilan . The impact of aquatic product trade on the intensity of fishery carbon emissions: Based on intermediary and threshold models[J]. Resources Science, 2021 , 43(10) : 2130 -2145 . DOI: 10.18402/resci.2021.10.16

1 引言

国际贸易是经济全球化背景下世界各国嵌入全球价值链的重要方式。中国水产品贸易已连续10多年位居世界首位,出口贸易额由1994年的1815.47百万美元上升至2019年的20326.57百万美元,增长近11倍,是推动农产品贸易的重要力量。伴随着贸易规模的不断扩大,能源消费愈加显著,从而导致碳排放总量持续增长。据《BP世界能源统计年鉴》统计,2019年中国因化石燃料燃烧产生的碳排放达9920.5百万t;渔业单位产值的碳排放量为0.35万t标准煤/万元。尽管水产品贸易为渔业增产创收、提高渔民收入作出了巨大贡献,但在以能源高投入为特征的渔业增长模式下,水产品贸易规模的扩张也加快了碳源的消耗与碳排放的增长,使渔业低碳转型面临严峻挑战。因此,研究水产品贸易规模与贸易布局对渔业碳排放强度的综合效应,探索水产品贸易的环境效应规律,有利于提高水产品贸易对渔业发展的贡献,为优化水产品贸易结构、促进渔业绿色化、低碳化转型提供参考。
经济活动的外部性导致商品成本中环境成本的缺位,是环境污染的根本原因。理想状态的贸易并不会造成环境污染,但贸易过程中生产环节与消费环节的分离,加速了环境成本的外部化进程,从而加重环境负担[1]。一般来说,贸易开放对碳排放具有双重效应,一方面,贸易会通过规模经济效应、技术溢出效应和示范效应[2]等降低发展中国家的能源消耗,提高其技术水平并减少碳排放[3],该观点被称作“污染光环”假说[4],印证了贸易开放的正外部性;另一方面,贸易对碳排放也存在负外部性,由于各国经济发展水平、环境规制等存在差异,贸易将导致污染在国家间转移,发展中国家环境监管的缺位使其备受发达国家高能耗、高污染生产环节的青睐,最终导致环境负担在发达国家与发展中国家中间再分配[5],发展中国家成为污染行业的“避风港”[6,7]。事实上,在不区分正负外部性的前提下,贸易对碳排放的影响可以分为规模效应、技术效应与结构效应[8]。贸易开放可以通过规模扩张加剧碳排放,但同时也会通过技术溢出、产业升级等路径提高能源效率而降低碳排放,所以贸易最终作用到碳排放的影响取决于3种效应的综合效果[9]。此外,随着贸易规模的扩大,贸易还会对环境产生诸如产品效应、规制效应[10]等。目前学术界围绕贸易与环境的关系展开了大量研究,但主要集中在工业[11,12]、农业[13,14]等生产部门,对渔业碳排放的研究相对较少。
实现渔业低碳化转型的关键在于降低渔业碳排放,但无论使用碳排放量[15]或碳排放强度[16]等单指标测算,还是在考虑经济波动、能源价格等因素的前提下从全要素视角[17]进行测算,渔业碳排放水平均被证实在逐年上升,且捕捞业碳排放贡献最大[18]。能源是渔业经济活动的重要投入要素,能源消耗产生的渔业碳排放应与渔业经济发展相协整[19],即渔业经济增长与渔业碳排放两者应呈同步上升趋势,但受能源强度、渔业规模与产业结构对碳排放的影响,渔业经济增长对碳排放的响应关系不稳定,出现交替脱钩状态[20]。从贸易角度看,生产和消费分离使隐含在水产品中的能耗发生空间转移,进而导致隐含碳排放转移,而水产品贸易规模效应、结构效应及强度效应三方面均会对水产品贸易隐含碳排放转移产生影响[21],但是贸易不仅仅通过产品载体以“隐含碳”形式[22,23]产生“碳泄露”[24],同样会通过技术、结构、收入等效应影响碳排放,因此仅测算水产品贸易中隐含碳排放还不足以全面研究水产品贸易对渔业碳排放强度的真实影响。
现有文献为研究贸易开放与碳排放两者的关系提供了借鉴,但一方面,在贸易开放的背景下,大多数文献探讨了工业、农业等部门的贸易环境效应,而将研究视角聚焦于渔业、探讨水产品贸易与渔业碳排放关系的文献略显不足,且受研究方法、研究对象的局限,得出的结论往往大相径庭,无法达成共识;另一方面,贸易的环境效应会受到诸如产业规模、产业结构、技术水平等因素影响,单纯研究贸易对碳排放的抑制或促进效果,忽略了上述因素的约束作用,未有效揭示贸易影响碳排放的中间机制,因而研究结果的准确性也有待考证。此外,对于差异性主体而言,收入异质性导致各地区的能源利用效率也会有所差别,忽略这种差异不利于全面探讨水产品贸易的环境效应。鉴于此,本文以2008—2017年省际渔业面板数据为研究对象,采用中介效应理论分析并实证检验水产品贸易对渔业碳排放强度的影响路径与传导机制,进一步将渔业人均收入异质性纳入研究,以期探讨渔业绿色发展、低碳转型的路径和政策措施。

2 理论分析与研究假设

Grossman等[4]在考察北美自由贸易区协定对碳排放的影响中,建立了贸易-环境一般均衡分析模型,将贸易对环境的影响分解为规模效应、技术效应和结构效应。此后,Antweiler等[25]进一步结合标准H-O模型的基本要素理论,推导出相应的估计方程式,构建出一般均衡污染-贸易模型,该理论现已被联合国环境规划署确立为分析贸易影响环境变化的理论基础。尽管部分学者在此基础上进一步引入环境政策、产品效应等进行补充与拓展,但大多数学者认为贸易对环境的影响仍主要来源于规模效应、技术效应、结构效应。故本文采用基于以上3种效应的贸易一般性机理来分析水产品贸易对渔业碳排放强度的影响。
（1）规模效应。贸易扩张引起经济规模扩张,对碳排放产生正负两种效应。一方面,贸易对渔业生产提出更高的生产力要求,出口创汇的诉求驱动企业扩张生产规模,鱼类贝类等生物的生命活动与生产中的能源消耗均引致碳持续上升。加之当前中国农业生态环境没有明确产权,渔业生态系统无条件免费使用,较低的环境治理成本刺激企业无视生产成本压力而肆意排放污染物。此外,规模扩张带来的“恶性竞争”“过度拥堵”导致污染物集中排放,产生严重的污染溢出[26],加剧环境恶化。另一方面,贸易扩大了国际市场加速商品流转,进一步转移国内过剩产能、带动产业规模扩大,以达到吸引价值链上下游企业形成空间集聚[27],实现规模经济。在将能源消耗与环境恶化作为生产要素投入[28]的前提下,集聚区域基于基础设施共享与知识技术外溢等优势能够有效配置资源和提高节能技术水平,降低生产投入成本、提升能源效率以实现规模经济的减排效应;另外,经济集聚有利于实现专业集中治污,降低边际治污成本[29,30],改善碳生产率。据此,提出假设：
H1a：贸易规模效应通过产业扩张、污染溢出等路径促进渔业碳排放强度增长。
H1b：贸易规模效应通过设施共享、技术外溢等促进规模经济,降低边际治污成本,从而抑制渔业碳排放强度。
（2）技术效应。技术效应对碳排放的减排路径分为两种：①提高生产效率,实现规模经济;②提高能源使用效率,减少能源消耗[31]。一方面,贸易延伸了国际共同市场的广度和深度,为扩大市场份额、增强市场竞争力,贸易国通过激励企业内部技术研发、科技创新等提高产出效率,同时在生产成本压力驱动下减少能源消耗[32],改善能源利用状况;另外,发达国家往往具有严格的环境规制与产品标准,激励国内企业采用低碳节能生产技术降低出口含污量。另一方面,贸易带动国际层面上的技术交流与合作,通过“示范与模仿”（国内企业以贸易产品作为载体,模仿国外先进的生产方式并加以内化创新）、“产业关联”（通过承接外资企业带动国内上下游企业发生前向与后向产业关联,借鉴其技术优势）等实现技术“反向溢出”,不仅扩大渔业的生产性技术边界,增加了单位能耗的产出效率,而且为渔业生产引进了前沿的低碳理念与清洁技术,从生产侧降低单位产出的环境损害。据此,提出假设：
H2：贸易的技术效应通过“激励效应”“反向溢出效应”提高渔业生产效率与能源使用效率抑制渔业碳排放强度。
（3）结构效应。首先,贸易自由化推动国际分工垂直深化[33],在优化资源配置的前提下,东道国集中资本、人力进行低碳技术创新,带动渔业产业结构从资源密集型向技术密集型转移,变革传统的投资驱动模式[34],减少渔业生产对能源的刚性需求抑制能源消费增长。其次,在环境准入标准等贸易壁垒的约束下,企业将更多的资金转移到清洁生产与技术研发中,试图打破贸易壁垒抢占市场份额,这会对国内一部分低技术高能耗企业产生“挤出效应”。最后,根据边际产业论[35],国内高能耗、高污染的水产品加工业受低碳转型理念影响,逐渐被“边际化”,贸易开放促进此类“边际产业”向外输出,将市场让位于高附加值产业,为其提供物质、人才支持。这不仅降低了高污染行业的比重,扩大清洁环保型水产品的生产,还推动水产品贸易由低附加值、高能耗、高污染向高附加值、低能耗、低污染方向转变[36],实现抑制渔业碳排放强度的目的。据此,提出假设：
H3：贸易的技术效应会通过“资源配置效应”“挤出效应”“边际产业效应”改善渔业产业结构,抑制渔业碳排放强度。

3 数据来源、变量选取与研究方法

3.1 数据来源与变量选取

基于数据可得性,本文选择2008—2017年省际渔业面板数据,鉴于西藏、青海、甘肃、宁夏、香港、澳门、台湾的部分或整体数据不可得,在样本中予以剔除。所有数据均来自历年《中国统计年鉴》《中国渔业统计年鉴》《中国水产品进出口贸易统计年鉴》《中国能源统计年鉴》与国家统计局,利用STATA软件对数据进行处理。根据研究目的,选择渔业碳排放强度（CEI）作为被解释变量,水产品贸易（TRADE）作为核心解释变量,结合以往贸易影响碳排放强度的研究,还引入了产业规模（SCALE）、技术水平（TECH）、产业结构（IS）、人均收入（PGDP）、环境规制（ER）与要素禀赋（FT）。各变量说明如下：
（1）被解释变量：渔业碳排放强度。渔业碳排放强度是衡量渔业碳排放效率与能源利用状况的重要指标,采用渔业碳排放总量与渔业GDP的比值表示。渔业碳排放总量方面,根据《中国渔业节能减排基本情况研究报告》,捕捞业碳排放约占渔业碳排放总量的70%。因此,首先,利用捕捞业年末渔船功率与燃油消耗系数计算出捕捞业的总能耗,根据温室气体排放量公式得出不同温室气体的排放量;然后,结合参数增温潜势统一转化计算捕捞业碳排放量;最后,利用公式（渔业碳排放总量=捕捞业碳排放量/0.7）得出渔业碳排放总量。渔业GDP方面,以2008年为基期,采用名义GDP除以CPI计算当年实际渔业GDP。
（2）解释变量：水产品贸易。该变量反映了各省份水产品贸易的对外依赖程度,采用各省份水产品进出口贸易额与渔业总产值的比值衡量。为保证水产品进出口贸易额与渔业总产值单位的统一,将贸易额按照各年份的平均汇率换算成人民币计量。
（3）中介变量。水产品贸易会通过规模效应、技术效应、结构效应对渔业碳排放强度产生间接影响,所以选取产业规模、技术水平与产业结构作为中介变量。①产业规模。水产品生产加工过程中能源的消耗多少直接取决于渔业规模的大小,其直接关系到渔业碳强度,因此采用渔业GDP与各省份GDP的比值表示产业规模,二者均以2008年为基期,经CPI指数平减得到。②技术水平。水产技术经费投入是渔业技术创新的主要驱动力,技术改进与创新通过提高渔业生产效率与能源利用效率等路径抑制渔业碳排放强度增长。因此,选取各省份水产技术推广经费（人员经费与技术经费）与渔业GDP的比值度量渔业技术水平,二者均以2008年为基期经CPI指数平减得到。③产业结构。产业结构作为衡量产业转型升级的核心指标,决定着产业碳排放强度的变化方向。渔业第三产业蕴含巨大的减排潜力[37],是低碳渔业发展的新方向,因此,选取各省份渔业第三产业的GDP占渔业GDP的比重衡量渔业产业结构。
（4）其他变量。考虑到其他可能影响渔业碳排放强度的因素,本文引入了人均收入、环境规制与要素禀赋3个变量。①人均收入。收入是衡量地区经济水平的重要指标,环境库兹涅茨曲线学说认为经济发展水平会在一定程度上影响污染排放,收入与环境污染之间可能存在倒“U”型关系。因此,选取以2008年为基期经CPI指数平减计算得到的人均实际渔业GDP衡量收入水平。②环境规制。碳排放具有环境外部性,需要政府在减排方面承担相应责任,而环境规制是政府进行监督和引导节能减排的手段之一,政府通过提高环境规制强度对渔业产业群体进行强制性的“精洗”,直接决定了企业的清洁产品的生产导向,进而影响产业碳排放。目前就环境规制的代理指标选取,学术界并没有达成一致,主流的方法可以分为3种：首先,采用环境治理成本衡量环境规制强度,如Levinson等[38]、臧新等[39];其次,采用单位产值的污染物排放量指标,如郑石明[40];最后,构建环境规制综合评价体系计算综合指数衡量规制强度,如傅京燕等[41]、沈坤荣等[42]。由于《中国环境年鉴》自2016年后部分环境指标数据不可得,故本文选择第一种方法,即用当年各省份环境治理投资额占GDP的比重表示。③要素禀赋。能源消费是造成碳排放的主要驱动力,从生产角度出发,资本、劳动和能源三者之间存在一定的要素替代或互补关系,因而要素禀赋会通过能源消费总量的变化向碳排放强度施加影响。因此,采用渔业资本与渔业劳动力的比值表示渔业要素禀赋。其中,针对渔业资本的估算,首先,采用张军等[43]的做法使用永续盘存法计算各省份的资本存量;然后,根据公式渔业资本=渔业GDP×各省份资本存量/各省份GDP计算得到。

3.2 模型设定

3.2.1 基于中介效应的动态面板模型
根据前文阐述的理论,结合渔业的具体特征,引入收入效应、环境规制、要素禀赋变量,构建水产品贸易与渔业碳排放强度的计量模型。同时为消除异方差与数据波动对回归结果造成的负面影响,对各变量取对数处理,得到如下模型：
ln CE I i , t = β 0 + β 1 ln TRAD E i , t + β 2 ln SCAL E i , t + β 3 ln TEC H i , t + β 4 ln I S i , t + β 5 ln PGD P i , t + β 6 ln E R i , t + β 7 ln F T i , t + μ i + ε i , t
式中：i表示省份截面单位;t表示年份;CEIi,t表示渔业碳排放强度;TRADEi,t表示水产品贸易;SCALEi,t、TECHi,t、ISi,t、PGDPi,t、ERi,t、FTi,t分别表示渔业产业规模、技术水平、产业结构、人均收入、环境规制与要素禀赋;β0为常数项;β1-β7为各变量的回归系数;μi表示不可观测个体效应;εi表示随机误差项。通过对已有文献总结,多数研究是基于静态角度考察贸易对碳排放的影响,考虑到碳排放本身的连续性带来的滞后效应与贸易开放和碳排放之间可能存在反向因果关系导致的模型内生性问题,为减少估计误差,在模型中引入渔业碳排放强度的滞后一期反映渔业碳排放动态变化,构造动态面板模型如下：
ln CE I i , t = β 0 + α ln CE I i , t - 1 + β 1 ln TRAD E i , t + β 2 ln SCAL E i , t + β 3 ln TEC H i , t + β 4 ln I S i , t + β 5 ln PGD P i , t + β 6 ln E R i , t + β 7 ln F T i , t + μ i + ε i , t
式中：α为滞后一期的渔业碳排放强度的回归系数,其他符号的含义同上式。
学术界常用中介效应法检验、识别中间变量的作用机制。中介效应是指解释变量对被解释变量的影响是通过中介变量实现的,即解释变量（X）通过中介变量（M）对被解释变量（Y）产生影响,常用的检验方法为逐步回归法[44]。中介效应模型组如下：
Y = VX + ε 1
M = ξX + ε 2
Y = δX + ηM + ε 3
逐步回归法的检验原理[45]为：第一步,检验式（3）中解释变量对被解释变量的影响系数V是否显著,若显著则按中介效应处理;第二步,检验式（4）中解释变量对中介变量的影响系数 ξ与式（5）中的中介变量对被解释变量的影响系数 η是否显著,若二者都显著则证明中介效应存在。第三步,检验式（5）中,解释变量对被解释变量的影响系数δ是否显著,若显著证明存在部分中介效应,不显著证明存在完全中介效应。
通过前文的理论分析得出水产品贸易不仅会直接作用于渔业碳排放强度,还会通过规模效应、技术效应、结构效应对渔业碳排放强度产生间接影响。为验证这一机制是否存在,研究拟借助中介效应模型采用逐步回归法进行识别与检验。中介模型组设计如下：
ln SCAL E i , t = μ 0 + μ 1 ln TRAD E i , t + ω 1 Z i , t + μ i + ε i , t
ln TEC H i , t = φ 0 + φ 1 ln TRAD E i , t + ω 2 Z i , t + μ i + ε i , t
ln I S i , t = τ 0 + τ 1 ln TRAD E i , t + ω 3 Z i , t + μ i + ε i , t
ln CE I i , t = ρ 0 + σ ln CE I i , t - 1 + ρ 1 ln TRAD E i , t + ω 4 Z i , t + μ i + ε i , t
式中： μ 0、 φ 0、 τ 0、 ρ 0为常数项; σ为滞后一期的渔业碳排放强度的回归系数; μ 1、 φ 1、 τ 1、 ρ 1为核心解释变量的回归系数;Z为模型其他变量; ω 1- ω 4为其他控制变量的回归系数;其他符号含义同上式。式（2）及式（6）-（9）构成水产品贸易对渔业碳排放强度影响的规模效应、技术效应、结构效应。其中,系数β1表示水产品贸易对渔业碳排放强度的直接效应;μ1×β2、φ1×β3、τ1×β4分别表示水产品贸易影响渔业碳排放强度的规模效应、技术效应、结构效应。
就估计方法而言,尽管引入被解释变量的滞后一期更符合现实情况,但会导致模型内生性问题。使用普通混合最小二乘估计与固定效应估计将会导致估计结果的有偏和非一致,最普遍的做法是选用工具变量法（IV）与广义矩估计（GMM）。为避免使用IV法带来的遗漏变量导致“虚假回归”[46],本文使用动态GMM法,选取合适的滞后项作为模型的工具变量,有效解决贸易与碳排放强度之间的内生性问题。GMM法可以分为差分GMM与系统GMM。相较于系统GMM,当被解释变量的持续性较强时,滞后项与差分之间的相关性微弱,差分GMM可能存在弱工具变量问题,导致估计量小样本偏误;而系统GMM法更能充分利用样本信息,减小估计量偏误,提高估计结果的准确性,故选择使用系统GMM法。系统GMM又有一步和两步之分,一步法倾向于过度拒绝工具变量[47],最后本文选择两步系统GMM进行估计。
3.2.2 基于门槛特征的动态面板门槛模型
贸易与碳排放强度二者并非单纯的线性关系,受收入、人力资本水平[48]等因素的影响也可能存在异质性影响,因此在模型中引入非线性调节机制符合现实中多数经济变量渐进式调整的动态变化特征[49]。针对该问题,有学者提出可以在模型中引入交叉项或者设置分组来回归检验。然而引入交叉项一方面无法准确判断正确的交叉形式,另一方面可能造成多重共线性;而设置分组存在很大的人为主观性,且无法对回归结果进行显著性检验,故本文均未采用。
本文采用Hansen[50]提出的门槛回归模型,借鉴佘群芝等[51]的研究,以渔业人均收入为门槛对水产品贸易与渔业碳排放强度进行回归。为避免内生性问题,引入渔业碳排放强度的滞后一期,构造动态面板门槛模型：
ln CE I i , t = β 0 + α ln CE I i , t - 1 + β 1 ln TRAD E i , t × I ln PGD P i , t ≤ γ 1 + ⋯ + β n ln TRAD E i , t × I γ n - 1 < ln PGD P i , t ≤ γ n + θ Z i , t + μ i + ε i , t
式中：lnPGDP为门槛变量;Z为模型其他变量;γ为门槛值;I(·)为示性函数,当满足括号里的表达式时,取值为1;反之,取值为0。
因模型中含有被解释变量的滞后一期,传统的门槛估计已不适用。本文选择以Caner等[52]提出的包含内生解释变量的门槛模型为基础,借鉴Kremer等[53]处理动态面板的方法,对上述模型进行估计。首先,为兼顾斜率与截距的门限效应,采用Arellano等[47]提出的前向正交离差法消除模型的个体固定效应,避免变换后误差项序列相关。然后,采用简化型OLS估计法,使用工具变量对滞后内生变量进行拟合估计,选取依据主要参考黄智淋等[54]的处理方法,选择内生变量滞后一期作为工具变量。最后,将得到的拟合值替代该内生变量代入门槛模型估计门槛值γ,以γ划分各组子样本,使用两步系统GMM方法估计回归系数。

4 结果与分析

4.1 水产品贸易对渔业碳排放强度影响的回归分析

4.1.1 水产品贸易对渔业碳排放强度的基本影响分析
为避免动态面板数据出现“伪回归”,首先对各面板数据序列进行单位根检验,使用同质LLC检验、异质IPS检验和Fisher-ADF检验3种方法检验数据平稳性。综合结果显示,在1%显著性水平下回归变量均平稳。为避免多重共线问题,采用方差膨胀因子（VIF）检验模型的多重共线性,发现最大VIF远小于10,故不存在多重共线问题。表1中（4）给出了两步系统GMM（SYS2）估计,同时（1）-（3）分别给出普通混合最小二乘估计（POLS）、固定效应估计（FE）与一步系统GMM估计（SYS1）作为对比。
表1 水产品贸易对渔业碳排放强度的基本影响

Table 1 Basic influence of aquatic product trade on fishery carbon emission intensity

（1）POLS （2）FE （3）SYS1 （4）SYS2
L.lnCEI 0.948*** 0.346*** 0.862*** 0.840***
(46.13) (3.55) (18.32) (14.95)
lnTRADE 0.028** 0.031** 0.051** 0.055**
(2.00) (2.14) (2.47) (2.15)
lnSCALE -0.111*** -0.315* -0.090* -0.102**
(-2.92) (-1.95) (-1.71) (-2.44)
lnTECH -0.012 -0.014 -0.019** -0.021**
(-1.02) (-1.34) (-2.43) (-2.44)
lnIS -0.152*** 0.172 -0.212*** -0..225***
(-2.89) (1.24) (-4.05) (-3.61)
lnPGDP 0.160*** -0.328** 0.158*** 0.174**
(3.08) (-2.47) (2.95) (2.30)
lnER 0.039* 0.005 0.041** 0.040**
(1.67) (0.37) (2.41) (2.25)
lnFT -0.084** -0.205** -0.074* -0.086*
(-2.29) (-2.51) (-1.83 ) (-1.75)
_cons 1.929*** 2.215 -1.379* -1.524
(-2.90) (1.37) (-1.68) (-1.35)
AR(1) 0.016 0.021
AR(2) 0.997 0.986
Hansen Test 0.987 0.276
N 243 243 243 243

注：*、**、***分别表示在10%、5%、1%水平下显著;括号内为t值;AR（1）、AR（2）、Hansen Test为检验统计量对应的P值,下同。

结果显示,两步系统GMM估计中AR（1）小于0.05,AR（2）大于0.05,证明模型不存在二阶序列相关。Hansen Test大于0.05说明模型工具变量有效,不存在过度识别问题,回归结果是可信的。此外,POLS估计中包含没有控制的个体效应,所以通常会导致被解释变量滞后期的系数被高估;FE估计中被解释变量的滞后期与随机误差项负相关,所以通常会导致被解释变量滞后期的系数被低估。回归结果显示,使用GMM估计的渔业碳排放强度滞后一期的系数0.862与0.840,均介于FE估计与POLS估计的两个系数（即0.346与0.948）之间,证明系统GMM估计有效。如前文所述,一步系统GMM估计倾向于过度拒绝工具变量导致模型估计效率降低,故以两步系统GMM估计结果（表1（4））为准。此外,无论使用哪种模型进行估计,渔业碳排放强度的滞后一期系数均通过1%显著性水平的检验,证明在模型中引入滞后一期的渔业碳排放强度是合理的。
核心解释变量水产品贸易的估计系数显著为正,说明贸易增加对渔业碳排放强度的直接影响为正。在粗放型渔业发展模式下,迫于出口创汇压力盲目扩张贸易规模只会增加化石能源的消耗,不合理的能源结构与非集约的能源利用方式的催化导致渔业碳排放急剧增加。另外,中国水产品贸易以低要素成本优势嵌入全球价值链,贸易结构多以出口附加值低、污染高的初级加工品为主,单位渔业产值的碳排放量较高,这一特征进一步提高渔业碳排放,验证了前文提到的“污染避难所”效应。
渔业产业规模对渔业碳排放强度的估计系数显著为负,渔业规模越大越有利于带动产业空间集聚实现区域内要素优化配置,加快知识技术溢出,此外渔业基础设施共享也可以有效减少基建投资的能源消耗,促进渔业节能减排。技术水平显著负向作用于渔业碳排放强度,在渔业养殖、水产品加工等环节,技术经费的增加显著推动绿色生产水平提高与节能技术创新,在提高生产效率的同时提升能源利用效率,从生产侧降低渔业碳排放强度,这与王少剑等[31]的研究结果一致。产业结构显著负向作用于渔业碳排放强度,渔业产业结构的优化升级推动了贸易结构合理布局,有利于渔业生产要素向清洁生产部门流动,提高能源配置效率,既减少渔业能源消费又兼顾了贸易效益,促进经济增长与碳排放脱钩。人均收入的估计系数为正说明收入增加显著提高了渔业碳排放强度。然而,在固定效应估计中,人均收入的系数却显著为负,这表明贸易通过收入对于碳排放强度产生效应的方向可能受地区间人均收入异质性的影响,这一讨论将在下一节给出。
环境规制对渔业碳排放强度具有正向影响,出现“越规制,越污染”的现象,对此徐建中等[55]作出了合理的解释：尽管在初期,环境规制刺激企业加强节能环保技术创新以降低渔业能耗,验证了“波特假说”[56];但过强的环境规制导致追求经济效益的企业不愿再投入更多的资金提升渔业治污水平。这表明环境规制对减少碳排放存在积极影响,但是有效性存在阈值[57],这与李毅等[58]的结论一致。要素禀赋对渔业碳排放强度的影响显著为负,表明要素禀赋高的地区,其污染的调出程度大于调入程度,可以有效削减该地区碳排放强度。另外,渔业碳排放强度滞后一期的回归系数为正,说明上一期的渔业碳排放强度对于当期有显著的正向影响,渔业碳排放强度具有很强的持续性与累积效应。
4.1.2 水产品贸易对渔业碳排放强度的中介效应检验
为检验水产品贸易影响渔业碳排放强度的作用机制,首先,对贸易如何影响产业规模、技术水平、产业结构进行了识别;然后,分析贸易如何通过中介变量最终作用于渔业碳排放强度,估计结果如表2所示。
表2 中介效应检验

Table 2 Intermediary effect test

（1）直接效应 （2）规模效应 （3）技术效应 （4）结构效应 （5）综合效应
L.lnCEI 0.911*** 0.840***
(30.11) (14.95)
lnTRADE 0.030*** 0.082*** 0.005*** 0.062*** 0.055**
(2.54) (-5.34) (2.65) (3.00) (2.15)
lnSCALE -0.102**
(-2.44)
lnTECH -0.021**
(-2.44)
lnIS -0.225***
(-3.61)
控制变量 YES YES YES YES YES
AR(1) 0.023 0.021
AR(2) 0.955 0.986
Hansen Test 0.553 0.276
N 243 243 243 243 243
（1）规模效应。水产品贸易通过扩大渔业产业规模形成规模经济,降低渔业碳排放强度。对规模效应的估计结果显示,贸易对渔业规模的影响系数为0.082。综合效应回归结果显示,产业规模对碳排放的影响系数为-0.102。根据逐步回归法计算得出贸易的规模效应为-0.008（0.082×（-0.102））,说明规模效应的正外部性强于负外部性,规模效应显著抑制渔业碳排放强度增长。渔业生产在贸易驱动下实现规模经济,不仅通过“要素配置效应”“技术溢出效应”提高能源利用效率,还通过“挤出效应”等激励企业环保技术创新、减少污染排放,提升环境质量。
（2）技术效应。水产品贸易通过提高节能技术水平,降低渔业碳排放。技术效应回归结果显示,贸易对技术水平的影响系数为0.005。综合效应回归结果显示,技术水平对碳排放的影响系数为-0.021。根据逐步回归法计算得出水产品贸易的技术效应为-0.00011（0.005×（-0.021））,效应系数虽小但同样说明贸易的技术效应对降低渔业碳排放强度有积极效应。技术增进是节能减排的有效途径,而目前的水产品贸易兼具反向技术溢出的特征,贸易间的国际交流合作促进先进节能技术的吸收、融合与创新,推动渔业生产技术向“低碳、高效”方向发展,实现贸易增长与碳排放脱钩。
（3）结构效应。水产品贸易通过产业结构转型升级,降低渔业碳排放强度。对结构效应的估计结果显示,贸易对技术水平的影响系数为0.062。综合效应回归结果显示,产业结构对碳排放的影响系数为-0.225。根据逐步回归法计算得出水产品贸易的结构效应为-0.014（0.062×（-0.225））,可见结构效应显著抑制渔业碳排放强度,证实了H3。正如前文所述,水产品贸易直接扩大清洁产品生产,降低高污染生产的比重,即通过改善生产要素的配置体系完善渔业产业价值链,拉动渔业结构优化升级,带动渔业低碳化转型产生减排效应。
综上,水产品贸易对渔业碳排放强度的综合效应等于直接效应与间接效应之和（图1）,经计算得结果为0.033（0.055-0.008-0.00011-0.014）,换言之,贸易的规模效应、技术效应、结构效应虽在一定程度上抑制了碳排放强度,但是并未抵消贸易对碳排放强度的直接促进效应,水产品贸易在总体上仍提升了渔业碳排放强度,实证结果证实“污染避难所”假说。原因在于：在规模效应方面,渔业虽在贸易扩张的驱动下产生了规模经济,但与此同时带来的污染集中排放与污染外溢的负效应显著,规模经济的正外部性在抵消负向影响之后效果微弱;在技术效应方面,迫于出口创汇压力,国内企业通过贸易激励作用与技术反向溢出掌握的技术多专注于提高企业生产效率,而对清洁生产、节能环保的生产技术引进相对较少,仅仅依靠技术降污的第一重效应产生的渔业减排效用微弱;在结构效应方面,近年来以清洁低碳为特征的渔业第三产业得到一定程度的发展,但其产品在出口中所占的份额较少,并未扭转贸易仍然以高能耗、高污染的加工制造业为主的局面,造成渔业碳排放总量下降速度缓慢。
图1 水产品贸易对与渔业碳排放强度的直接效应和中介效应

Figure 1 Direct and intermediary effects of aquatic product trade on carbon emission intensity of fishery

4.1.3 稳健性检验
为检验估计结果的可靠性,借鉴张彩云等[59]的方法替换解释变量,使用原始数据渔业水产品贸易额替换原有的解释变量进行估计,稳健性检验结果如表3、表4所示。
表3 水产品贸易对渔业碳排放强度基本影响的稳健性检验

Table 3 Robustness test of the basic influence of aquatic product trade on fishery carbon emission intensity

（1）POLS （2）FE （3）SYS1 （4）SYS2
L.lnCEI 0.945*** 0.354*** 0.864*** 0.920***
(50.54) (3.77) (21.20) (19.17)
lnTRADE 0.028* 0.027 0.043** 0.032*
(2.26) (1.58) (2.47) (1.73)
lnSCALE -0.172*** -0.563** -0.203*** -0.256***
(-3.87) (-2.66) (-3.15) (-3.93)
lnTECH -0.016 -0.023* -0.025* -0.024*
(-1.32) (-1.78) (-1.81) (-1.73)
lnIS -0.137*** 0.217 -0.197*** -0.134**
(-2.64) (1.51) (-3.77) (-2.04)
lnPGDP 0.166*** -0.275* 0.202*** 0.247***
(3.01) (-1.76) (3.15) (3.56)
lnER 0.039* 0.012 0.043** 0.052***
(1.73) (0.78) (2.43) (2.76)
lnFT -0.072* -0.161** -0.076*** -0.127***
(-1.92) (-2.06) (-1.89) (-2.74)
_cons -2.444*** 0.943 -2.741*** -3.548***
(-3.21) (0.54) (-3.41) (-3.89)
AR(1) 0.018 0.023
AR(2) 0.915 0.913
Hansen Test 0.987 0.264
N 243 243 243 243
表4 水产品贸易对渔业碳排放强度作用机制的稳健性检验

Table 4 Robustness test of the mechanism of aquatic product trade on fishery carbon emission intensity

（1）直接效应 （2）规模效应 （3）技术效应 （4）结构效应 （5）综合效应
L.lnCEI 0.935*** 0.920***
(26.77) (19.17)
lnTRADE 0.025* 0.347*** 0.008*** 0.090*** 0.032*
(1.78) (16.42) (4.48) ( 4.48) (1.73)
lnSCALE -0.256***
(-3.93)
lnTECH -0.024*
(-1.73)
lnIS -0.134**
(-2.04)
控制变量 YES YES YES YES YES
AR(1) 0.025 0.023
AR(2) 0.984 0.913
Hansen Test 0.593 0.264
N 243 243 243 243 243
上述稳健性结果显示,各变量的回归系数符号与前文的结论完全一致,且都通过了显著性检验,证明模型设定合理,回归结论具有较好的稳健性。

4.2 基于收入的门槛效应检验

前文采用线性模型探讨了水产品贸易对渔业碳排放强度的影响机制,但贸易对于碳排放强度的作用机制较复杂,且会受地区异质性的约束,如存在显著的人均收入与人力资本等门槛效应。故在模型中引入非线性关系十分必要。在前文的讨论中,人均收入对于渔业碳排放强度的影响方向有待讨论,所以本节以人均收入作为门槛变量,分析不同收入条件下水产品贸易与渔业碳排放强度的关系。
4.2.1 门槛估计值
考虑到稳健性问题,给出静态面板门槛估计作为对照。表5的门槛效应检验与门槛估计的结果中表明,无论是静态门槛还是动态门槛,渔业人均收入均通过了单一门限检验。在确定了模型的单一门槛效应后,采用极大似然估计可检验实证估计的门槛值与真实值是否相等。图2、图3分别为静态门槛模型与动态门槛模型的单一门槛下的似然比值函数图,LR统计量最低点对应真实的门槛值。虚线以下是指LR小于5%显著水平下的临界值7.35对应的γ区间。
表5 门槛效应检验

Table 5 Threshold effect test

模型 门槛变量 门槛个数 F值 1% 5% 10% 门槛值 95%置信区间
静态面板门槛 人均收入 单一 28.450* 37.698 30.543 25.506 6.164 [6.073,6.252]
双重 1.220 50.752 41.499 35.443 6.363 [6.023,6.887]
动态面板门槛 人均收入 单一 27.600* 37.194 28.246 24.507 6.148 [6.060,6.252]
双重 18.920 45.784 32.421 28.152 6.483 [6.415,7.068]
图2 静态门槛效应下门槛估计值与置信区间

Figure 2 Threshold estimate and confidence interval under the static threshold effect

图3 动态门槛效应下门槛估计值与置信区间

Figure 3 Threshold estimate and confidence interval under the dynamic threshold effect

根据表5,静态门槛模型的95%的置信区间为[6.073,6.252],门槛估计值为6.164,动态门槛模型的95%的置信区间为[6.060,6.252],门槛估计值为6.148。两门槛估计参数比较接近,说明了门槛估计的稳健性。
门槛值分别为6.164和6.148,两值非常接近,证明门槛结果估计的稳健性。
4.2.2 门槛回归结果分析
考虑到碳排放本身具有连续性,以计算得出的收入门槛值为依据,采用动态面板门槛估计将总体样本划分为不同的子样本,使用两步系统GMM估计各个子样本的斜率系数,并给出静态面板门槛估计作为对照,回归结果见表6。
表6 基于收入的门槛回归

Table 6 Threshold regression based on income

静态 动态
L.lnCEI 0.904***
(44.91)
lnTRADE（lnPGDP<γ） 0.008 0.040**
(0.46) (2.92)
lnTRADE（lnPGDP>γ） -0.142*** -0.111***
(-2.78) (-10.51)
lnSCALE -0.103 -0.050
(-0.51) (-3.31)
lnTECH 0.045*** -0.012***
(5.75) (-3.69)
lnIS 0.100 -0.107***
(0.85) (-3.52)
lnER 0.023 0.034***
(1.11) (5.30)
lnFT -1.034*** -0.034
(-6.15) (-1.96)
_cons -1.034*** -0.034
(-6.15) (-1.96)
AR(1) 0.014
AR(2) 0.533
Hansen Test 0.444
N 243 243
从动态门槛分析结果可见,水产品贸易对于渔业碳排放强度的影响受渔业人均收入水平的门槛限制。当lnPGDP<6.148时,水产品贸易对渔业碳排放强度有助长效应。在低收入水平阶段,出口以高能耗、高污染的初级水产品加工为主,进口以清洁环保型的高端水产品为主,长期形成的“碳顺差”贸易仍是以能源消耗和环境污染为代价,导致渔业生态环境逐渐恶化。当lnPGDP>6.148时,水产品贸易对渔业碳排放强度有抑制效应,即在高收入水平阶段,各地区发展贸易的诉求不在仅仅集中于“量”的增长,更多地开始注重“质”的提升。政府出于保护环境的目的提高环境管控标准、约束企业生产侧碳排放,在一定程度上发挥节能减排的政策效果;同时,人们对清洁环境的要求提高,对节能清洁产品的需求增加,刺激企业加强技术创新、降低商品含污量。

5 结论、政策建议与讨论

5.1 结论

基于2008—2017年中国省际水产品贸易及渔业碳排放面板数据,从规模效应、技术效应和结构效应3个维度提出贸易影响碳排放强度的假设,运用系统GMM法构建中介效应模型,分别检验水产品贸易对渔业碳排放强度的影响路径与传导机制,并运用动态面板门槛回归模型对水产品贸易影响渔业碳排放强度的门槛效应进行实证检验。主要研究结论如下：
（1）水产品贸易对渔业碳排放强度具有较强的直接促进效应,虽然贸易会通过规模经济、节能技术创新及产业转型升级等路径对渔业碳排放强度产生间接抑制,但总体上水产品贸易仍提升了渔业碳排放强度。
（2）不论是静态角度还是动态角度,人均收入在水产品贸易对渔业碳排放强度的影响中都具有显著的门槛效应,在收入门槛的约束下,水产品贸易与渔业碳排放强度之间呈现倒“U”型关系,当人均收入处于低门槛区间时,贸易增长对碳排放强度起到促进作用;只有收入处于高门槛区间时,贸易对碳排放强度才具有抑制作用。
（3）渔业规模扩张、技术水平提高、产业结构优化升级及要素禀赋都有效减少了渔业能耗,降低了渔业碳排放强度;而环境规制对渔业碳排放强度影响的有效性存在阈值,适当的环境规制可以降低渔业碳排放强度,符合“波特假说”,但过强的环境规制会出现“越规制,越污染”现象。

5.2 政策建议

上述研究结果表明,水产品贸易总体上提高了渔业碳排放强度,但存在人均收入水平的门槛限制。要实现经济效益与环境效益的双赢在于改善水产品不合理的贸易结构,更要注重发挥贸易规模效应、技术效应与结构效应的积极影响;此外,在考虑地区差异的基础上制定有效的环境规制,发挥政策的低碳导向功能。具体建议如下：
（1）变革传统的水产品贸易发展战略,促进水产品贸易向高产值、低污染的方向转变。加强水产品出口质量的监管,降低高碳排放水产品的出口比例,减轻绿色壁垒对我国水产品出口的负面影响;推动建立水产示范养殖、示范加工基地,形成养殖加工一体化的绿色渔业平台,加强能源节约、清洁高效为核心的渔业产业链条建设。
（2）优化渔业产业结构,推动渔业向绿色化、高效化方向转型升级。降低捕捞业产业的比重,切实执行伏季休渔期,结合多举措执法专项活动严控休伏管控情况;鼓励水产品深加工,同时升级水产品冷链物流技术,实现渔业价值链前向后向延伸。
（3）加强渔业技术创新,为发展低碳渔业提供新动能。支持渔业企业积极参加技术交流会、贸易展览会等国际性的低碳技术合作会议,引进先进的渔业低碳技术;搭建渔业低碳技术创新平台,增加水产品技术研发投入,降低渔业单位产值碳排放以减少高碳锁定。
（4）政府需始终坚持低碳渔业发展道路,将渔业生态环境治理作为政府工作的重中之重。完善适应渔业低碳化发展的法律法规,有地区针对性地制定合理的渔业环境规制。

5.3 讨论

在贸易开放和环境压力剧增的双重背景下,促进水产品贸易低碳转型是中国调整渔业贸易结构、平衡贸易增长与环境保护的关键。本文的贡献在于提出了现阶段水产品贸易对渔业碳排放强度的影响机制假说,并引入收入异质性进行了实证检验,针对水产品贸易对渔业碳排放的影响机制给出了相应的对策与建议,这既为进一步审视与理解贸易开放背景下中国渔业可持续发展问题提供了新视野,一定程度上也指出了当前中国贸易开放与环境治理二者之间存在的协调不足。扩大水产品贸易规模符合经济全球化必然趋势,如何在保证经济效益的同时承担起渔业绿色化转型的责任,是现代渔业发展的主要任务。进一步归纳与延伸,水产品贸易对中国渔业的短期价值在于如何获取更大贸易利益,而长期的潜在威胁依然是渔业生态的可持续发展。
本文将研究视角聚焦于省级层面,由于数据获取受限尚未细化到市级行政单位,在一定程度上忽略了某些市级单位的渔业差异性特征,此后将通过更多开放数据进一步细化研究对象,强调地区间的异质性。贸易通过哪些中介机制影响渔业碳排放强度,是研究水产品贸易环境效应的关键,本文从规模效应、技术效应、结构效应3个方面展开研究,是否仍存在规制、收入等其他机制的影响,也是今后可以进一步讨论的方向。最后,不同的水产品加工方式、不同的水产品品种对渔业碳排放强度的影响程度也不尽相同,因此,进一步研究中可以考虑从一般贸易与加工贸易以及不同的水产品品种分别进行研究,从而得出更为详细的结论。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
王丽萍, 姚子婷, 李创. 环境战略对环境绩效和经济绩效的影响: 基于企业成长性和市场竞争性的调节效应[J]. 资源科学, 2021, 43(1):23-39.

[ Wang L P, Yao Z T, Li C. Effect of environmental strategy on environmental performance and economic performance: Based on the regulating effect of enterprise growth and market competition[J]. Resources Science, 2021, 43(1):23-39.]

[2]
朱东波, 张月君. 中国对外直接投资影响母国环境的理论机理与实证研究[J]. 中国人口·资源与环境, 2020, 30(1):83-90.

[ Zhu D B, Zhang Y J. The home-country environmental effects of China’s OFDI: A theoretical mechanism and empirical study[J]. China Population, Resources and Environment, 2020, 30(1):83-90.]

[3]
Forslid R, Okubo T, Ulltveit-Moe K H. Why are firms that export cleaner? International trade, abatement and environmental emissions[J]. Journal of Environmental Economics and Management, 2018, 91(8):166-153.

DOI

[4]
Grossman G M, Krueger A B. Economic growth and the environment[J]. The Quarterly Journal of Economics, 1995, 110(2):353-377.

DOI

[5]
冯志轩, 刘凤义. 生态不平等交换、价值转移与发展中经济体的环境问题[J]. 世界经济, 2019, 42(4):3-28.

[ Feng Z X, Liu F Y. Ecological unequal exchange, value transfer and environmental problems in developing economies[J]. The Journal of World Economy, 2019, 42(1):3-28.]

[6]
江永红, 陈奡楠. 中国出口退税政策对环境保护有正面影响吗?[J]. 中国人口·资源与环境, 2020, 30(7):100-106.

[ Jiang Y H, Chen A N. Does China’s export tax rebate policy have a positive impact on environmental protection?[J]. China Population, Resources and Environment, 2020, 30(7):100-106.]

[7]
刘啟仁, 陈恬. 出口行为如何影响企业环境绩效?[J]. 中国工业经济, 2020, 38(1):99-117.

[ Liu Q R, Chen T. How does export behavior affect firm environmental performance?[J]. China Industrial Economics, 2020, 38(1):99-117.]

[8]
Yang L S, Li Z. Technology advance and the carbon dioxide emission in China: Empirical research based on the rebound effect[J]. Energy Policy, 2017, 101(2):150-161.

DOI

[9]
李金凯, 程立燕, 张同斌. 外商直接投资是否具有“污染光环”效应?[J]. 中国人口·资源与环境, 2017, 27(10):74-83.

[ Li J K, Cheng L Y, Zhang T B. Does foreign direct investment have the pollution halo effect?[J]. China Population, Resources and Environment, 2017, 27(10):74-83.]

[10]
杨子晖, 田磊. “污染天堂”假说与影响因素的中国省际研究[J]. 世界经济, 2017, 40(5):148-172.

[ Yang Z H, Tian L. A panel co-integration analysis of the pollution haven hypojournal and its determinants in China[J]. The Journal of World Economy, 2017, 40(5):148-172.]

[11]
郝敏, 陈伟强, 马梓洁, 等. 2000-2015年中国铜废碎料贸易及效益风险分析[J]. 资源科学, 2020, 42(8):1515-1526.

[ Hao M, Chen W Q, Ma Z J, et al. Benefits and risks of China’s copper waste and scrap trade during 2000-2015[J]. Resources Science, 2020, 42(8):1515-1526.]

[12]
耿强, 李希博. 中国工业贸易的资源环境效应再检验: 基于水资源投入-产出模型的分析视角[J]. 产业经济研究, 2018, 17(1):65-77.

[ Geng Q, Li X B. Reexamination of resources and environment effects of China’s industrial trade: An analysis based on water resources input-output model[J]. Industrial Economics Research, 2018, 17(1):65-77.]

[13]
汪艺晗, 杨谨, 刘其芸, 等. “一带一路”国家粮食贸易下虚拟水和隐含能源流动[J]. 资源科学, 2021, 43(5):974-986.

DOI

[ Wang Y H, Yang J, Liu Q Y, et al. Virtual water and embodied energy transfer in grain trade across the countries along the “Belt and Road”[J]. Resources Science, 2021, 43(5):974-986.]

[14]
Sun J, Mooney H, Wu W B, et al. Importing food damages domestic environment: Evidence from global soybean trade[J]. Proceedings of the National Academy of Sciences, 2018, 115(21):5415-5419.

DOI

[15]
He W J, Wang B, Danish, et al. Will regional economic integration influence carbon dioxide marginal abatement costs? Evidence from Chinese panel data[J]. Energy Economics, 2018, 74(8):263-274.

DOI

[16]
Tang Z P, Mei Z A, Liu W D, et al. Identification of the key factors affecting Chinese carbon intensity and their historical trends using random forest algorithm[J]. Journal of Geographical Sciences, 2020, 30(5):743-756.

DOI

[17]
李晨, 冯伟, 邵桂兰. 中国省域渔业全要素碳排放效率时空分异[J]. 经济地理, 2018, 38(5):179-187.

[ Li C, Feng W, Shao G L. Spatio-temporal difference of total carbon emission efficiency of fishery in China[J]. Economic Geography, 2018, 38(5):179-187.]

[18]
徐胜, 张鑫. 碳金融对我国现代渔业经济发展支持研究[J]. 中国渔业经济, 2010, 28(5):11-19.

[ Xu S, Zhang X. The support of carbon finance to modern Chinese fishery economy development[J]. Chinese Fisheries Economics, 2010, 28(5):11-19.]

[19]
王泽宇, 卢雪凤, 韩增林, 等. 中国海洋经济增长与资源消耗的脱钩分析及回弹效应研究[J]. 资源科学, 2017, 39(9):1658-1669.

[ Wang Z Y, Lu X F, Han Z L, et al. Decoupling analysis and rebound effect between China’s marine economic growth and resource consumption[J]. Resources Science, 2017, 39(9):1658-1669.]

[20]
岳冬冬, 王鲁民. 中国低碳渔业发展路径与阶段划分研究[J]. 中国海洋大学学报(社会科学版), 2012, (5):15-21.

[ Yue D D, Wang L M. Development path and stages of low carbon fishery in China[J]. Journal of Ocean University of China (Social Sciences), 2012, (5):15-21.]

[21]
李晨, 迟萍, 邵桂兰. 我国远洋渔业碳排放与行业经济增长的响应关系研究: 基于脱钩理论与LMDI分解的实证分析[J]. 科技管理研究, 2016, 36(6):233-237.

[ Li C, Chi P, Shao G L. Research on the responsive relationship between China’s deep-sea fishery carbon emissions and industry economic growth: An empirical analysis based on decoupling theory and LMDI decomposition[J]. Science and Technology Management Research, 2016, 36(6):233-237.]

[22]
李晖, 姜文磊, 唐志鹏. 全球贸易隐含碳净流动网络构建及社团发现分析[J]. 资源科学, 2020, 42(6):1027-1039.

[ Li H, Jiang W L, Tang Z P. Net embodied carbon flow network in global trade and community finding analysis[J]. Resources Science, 2020, 42(6):1027-1039.]

[23]
Zhu Y B, Shi Y J, Wu J, et al. Exploring the characteristics of CO2 emissions embodied in international trade and the fair share of responsibility[J]. Ecological Economics, 2018, 146:574-587.

DOI

[24]
Kim D, Suen Y, Lin S. Carbon dioxide emissions and trade: Evidence from disaggregate trade data[J]. Energy Economics, 2019, 78:13-28.

DOI

[25]
Antweiler W, Copeland B R, Taylor M S. Is free trade good for the environment?[J]. American Economic Review, 2001, 91(4):877-908.

DOI

[26]
陈世强, 张航, 齐莹, 等. 黄河流域雾霾污染空间溢出效应与影响因素[J]. 经济地理, 2020, 40(5):40-48.

[ Chen S Q, Zhang H, Qi Y, et al. Spatial spillover effect and influencing factors of haze pollution in the Yellow River Basin[J]. Economic Geography, 2020, 40(5):40-48.]

[27]
韩峰, 谢锐. 生产性服务业集聚降低碳排放了吗? 对我国地级及以上城市面板数据的空间计量分析[J]. 数量经济技术经济研究, 2017, 34(3):40-58.

[ Han F, Xie R. Does the agglomeration of producer services reduce carbon emissions?[J]. The Journal of Quantitative & Technical Economics, 2017, 34(3):40-58.]

[28]
邵帅, 张可, 豆建民. 经济集聚的节能减排效应: 理论与中国经验[J]. 管理世界, 2019, 35(1):36-60.

[ Shao S, Zhang K, Dou J M. Effects of economic agglomeration on energy saving and emission reduction: Theory and empirical evidence from China[J]. Management World, 2019, 35(1):36-60.]

[29]
郭然, 原毅军. 环境规制、研发补贴与产业结构升级[J]. 科学学研究, 2020, 38(12):2140-2149.

[ Guo R, Yuan Y J. Environmental regulation, R＆D subsidy and industrial structure upgrading[J]. Studies in Science of Science, 2020, 38(12):2140-2149.]

[30]
孙华平, 杜秀梅. 全球价值链嵌入程度及地位对产业碳生产率的影响[J]. 中国人口·资源与环境, 2020, 30(7):27-37.

[ Sun H P, Du X M. The impact of global value chains’ participation degree and position on industrial carbon productivity[J]. China Population, Resources and Environment, 2020, 30(7):27-37.]

[31]
王少剑, 黄永源. 中国城市碳排放强度的空间溢出效应及驱动因素[J]. 地理学报, 2019, 74(6):1131-1148.

DOI

[ Wang S J, Hang Y Y. Spatial spillover effect and driving forces of carbon emission intensity at city level in China[J]. Acta Geographica Sinica, 2019, 74(6):1131-1148.]

[32]
廖文龙, 董新凯, 翁鸣, 等. 市场型环境规制的经济效应: 碳排放交易、绿色创新与绿色经济增长[J]. 中国软科学, 2020, (6):159-173.

[ Liao W L, Dong X K, Weng M, et al. Economic effect of market-oriented environmental regulation: Carbon emission trading, green innovation and green economic growth[J]. China Soft Science, 2020, (6):159-173.]

[33]
周经, 戴翔, 刘梦. 贸易增速下降之“谜”: 基于全球价值链分工视角的解释[J]. 财经研究, 2018, 44(5):83-96.

[ Zhou J, Dai X, Liu M. The “mystery” of declining trade growth: Interpretation from the perspective of global value chain division of labor[J]. Journal of Finance and Economics, 2018, 44(5):83-96.]

[34]
毛其淋, 许家云. 外资进入如何影响了本土企业出口国内附加值?[J]. 经济学(季刊), 2018, 17(4):1453-1488.

[ Mao Q L, Xu J Y. How does foreign entry affect domestic value-added of local firm’s exports?[J]. China Economic Quarterly, 2018, 17(4):1453-1488.]

[35]
臧新, 姚晓雯. 中国OFDI和出口关联度的测算及影响因素研究[J]. 国际贸易问题, 2018, 44(12):122-134.

[ Zang X, Yao X W. Study on correlation between China’s OFDI and export and its determinants[J]. Journal of International Trade, 2018, 44(12):122-134.]

[36]
余东华, 孙婷. 环境规制、技能溢价与制造业国际竞争力[J]. 中国工业经济, 2017, (5):35-53.

[ Yu D H, Sun T. Environmental regulation, skill premium and international competitiveness of manufacturing industry[J]. China Industrial Economics, 2017, (5):35-53.]

[37]
何培培, 张俊飚, 何可. 农业生产何以存在低碳效率幻觉? 来自1997-2016年31个省份面板数据的证据[J]. 自然资源学报, 2020, 35(9):2205-2217.

[ H P P, Zhang J B, He K. Why there is a low-carbon efficiency illusion in agricultural production? Evidence from Chinese provincial panel data in 1997-2016[J]. Journal of Natural Resources, 2020, 35(9):2205-2217.]

[38]
Levinson A, Taylor M S. Unmasking the pollution haven effect[J]. International Economic Review, 2008, 49(1):223-254.

DOI

[39]
臧新, 唐琦. 新国际分工背景下贸易对货运业碳排放的影响[J]. 数量经济技术经济研究, 2019, 36(3):76-91.

[ Zang X, Tang Q. Study on the effect of international trade on Chinese freight transport CO2 emissions under the background of new international division of labor[J]. The Journal of Quantitative & Technical Economics, 2019, 36(3):76-91.]

[40]
郑石明. 环境政策何以影响环境质量: 基于省级面板数据的证据[J]. 中国软科学, 2019, (2):49-61.

[ Zheng S M. How does environmental policy influence environmental quality? Based on provincial panel data[J]. China Soft Science, 2019, (2):49-61.]

[41]
傅京燕, 胡瑾, 曹翔. 不同来源FDI、环境规制与绿色全要素生产率[J]. 国际贸易问题, 2018, (7):134-148.

[ Fu J Y, Hu J, Cao X. Different sources of FDI, environmental regulation and green total factor productivity[J]. Journal of International Trade, 2018, (7):134-148.]

[42]
沈坤荣, 金刚, 方娴. 环境规制引起了污染就近转移吗?[J]. 经济研究, 2017, 52(5):44-59.

[ Shen K R, Jin G, Fang X. Does environmental regulation cause pollution to transfer nearby?[J]. Economic Research Journal, 2017, 52(5):44-59.]

[43]
张军, 吴桂英, 张吉鹏. 中国省际物质资本存量估算: 1952-2000[J]. 经济研究, 2004, (10):35-44.

[ Zhang J, Wu G Y, Zhang J P. The estimation of China’s provincial capital stock: 1952-2000[J]. Journal of Finance and Economics, 2004, (10):35-44.]

[44]
Baron R M, Kenny D A. The moderator-mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations[J]. Journal of Personality and Social Psychology, 1986, 51(6):1173-1182.

PMID

[45]
鄢哲明, 杨志明, 杜克锐. 低碳技术创新的测算及其对碳强度影响研究[J]. 财贸经济, 2017, 38(8):112-128.

[ Yan Z M, Yang Z M, Du K R. Impact of low-carbon technological innovation on carbon intensity[J]. Finance & Trade Economics, 2017, 38(8):112-128.]

[46]
司登奎, 李小林, 葛新宇, 等. 泰勒规则、国际资本流动与人民币汇率动态决定[J]. 财经研究, 2019, 45(9):30-43.

[ Si D K, Li X L, Ge X Y, et al. Taylor rule, international capital flows and the dynamic determinant of RMB exchange rate[J]. Journal of Finance and Economics, 2019, 45(9):30-43.]

[47]
Arellano M, Bover O. Another look at the instrumental variable estimation of error-components models[J]. Journal of Econometrics, 1995, 68(1):29-51.

DOI

[48]
占华. 贸易开放对中国碳排放影响的门槛效应分析[J]. 世界经济研究, 2017, (2):38-49.

[ Zhan H. Threshold effects of trade openness on China’s carbon emissions[J]. World Economy Studies, 2017, (2):38-49.]

[49]
王必好, 张郁. 技术进步过程的非线性趋势和异质性特征研究[J]. 中国科技论坛, 2019, (3):42-52.

[ Wang B H, Zhang Y. No-linear trend and heterogeneity character of the technology progress process[J]. Forum on Science and Technology in China, 2019, (3):42-52.]

[50]
Hansen B E. Threshold effects in non-dynamic panels: Estimation, testing, and inference[J]. Journal of Econometrics, 1999, 93(2):345-368.

DOI

[51]
佘群芝, 吴肖丽, 潘安. 气候资金对受援国碳排放的影响[J]. 资源科学, 2020, 42(6):1015-1026.

[ She Q Z, Wu X L, Pan A. Effects of climate finance on carbon emissions in recipient countries[J]. Resources Science, 2020, 42(6):1015-1026.]

[52]
Caner M, Hansen B E. Instrumental variable estimation of a threshold model[J]. Econometric Theory, 2004, 20(5):813-843.

[53]
Kremer S, Bick A, Nautz D. Inflation and growth: New evidence from a dynamic panel threshold analysis[J]. Empirical Economics, 2013, 44(2):861-878.

DOI

[54]
黄智淋, 董志勇. 我国金融发展与经济增长的非线性关系研究: 来自动态面板数据门限模型的经验证据[J]. 金融研究, 2013, (7):74-86.

[ Huang Z L, Dong Z Y. The nonlinear relationship between financial development and economic growth in China: Empirical evidence from dynamic panel data threshold model[J]. Journal of Financial Research, 2013, (7):74-86.]

[55]
徐建中, 王曼曼. 绿色技术创新、环境规制与能源强度: 基于中国制造业的实证分析[J]. 科学学研究, 2018, 36(4):744-753.

[ Xu J Z, Wang M M. Green technology innovation, environmental regulation and energy intensity: An empirical study based on Chinese manufacturing industry[J]. Studies in Science of Science, 2018, 36(4):744-753.]

[56]
Severo E A, Guimar es J C F D, Dorion E C H. Cleaner production and environmental management as sustainable product innovation antecedents: A survey in Brazilian industries[J]. Journal of Cleaner Production, 2017, 142(1):87-97.

DOI

[57]
毛建辉, 管超. 环境规制抑制产业结构升级吗? 基于政府行为的非线性门槛模型分析[J]. 财贸研究, 2020, 31(3):29-42.

[ Mao J H, Guan C. Does environmental regulation inhibit industrial structure upgrading? Analysis of nonlinear threshold model based on government behavior[J]. Finance and Trade Research, 2020, 31(3):29-42.]

[58]
李毅, 胡宗义, 何冰洋. 环境规制影响绿色经济发展的机制与效应分析[J]. 中国软科学, 2020, (9):26-38.

[ Li Y, Hu Z Y, He B Y. Research on the mechanism and effect of environmental regulations on green economic development[J]. China Soft Science, 2020, (9):26-38.]

[59]
张彩云, 苏丹妮. 环境规制、要素禀赋与企业选址: 兼论“污染避难所效应”和“要素禀赋假说”[J]. 产业经济研究, 2020, (3):43-56.

[ Zhang C Y, Su D N. Environmental regulation, factor endowment, and enterprise location: An interpretation of “pollution haven effect” and “factor endowment hypojournal”[J]. Industrial Economics Research, 2020, (3):43-56.]

Options
Outlines

/

〈 〉