李素芳 徐钰楚 王定国

[摘 要] 构建双机制的非线性FAVAR模型，从贝叶斯角度出发，研究中国高耗能行业能源消费对宏观经济以及环境污染因素的影响效应。利用中国高耗能行业的能源消费以及废气排放数据，结合贝叶斯方法进行非线性FAVAR模型的参数估计，结果发现中国高耗能行业的能源消费增加和减少对国内生产总值、外商直接投资等宏观经济因素以及主要环境污染因素都具有非对称影响效应。但是，高耗能能源消费增加或减少的冲击一般都是短期效应，不具有长期影响效应。

[关键词] 非对称效应;非线性;贝叶斯分析;高耗能;能源消费

[中图分类号]  F224.0[文献标识码] A [文章编号] 1008—1763（2020）01—0058—09

The Bayesian Asymmetric Influence of Energy Consumption

in Chinese EnergyIntensive Industries

LI Sufang， XU  Yuchu， WANG  Dingguo

（School of Statistics and Mathematics， Zhongnan University of Economics and Law， Wuhan 430073， China）

Abstract：This paper proposes tworegime nonlinear FAVAR model， and from the perspective of Bayesian analysis， the influence of energy consumption  to macroeconomics and environmental pollution variables are studied in Chinese energyintensive industries. Nationally， energy consumption and exhaust emissions data of Chinese energyintensive industries are collected. Nonlinear FAVAR model is used to examine the asymmetric influence of energy consumption. The results suggest that there exists asymmetric effects from energy consumption increase or decrease to GDP， FDI and the main environmental pollution variables. However， these effects are generally temporary.

Key words： asymmetry; nonlinear; Bayesian analysis; energyintensive; energy consumption

一 引 言

自改革開放以来，我国经济以平均10%左右的速度增长[1]，工业化和城市化进程持续加快，能源作为人类生存、社会进步、经济发展不可缺少的物质基础，对我国经济发展和人民生活水平的提高起着重要作用。根据《中国统计年鉴》的数据资料，自上世纪90年代中期以来，能源消费排名前10位的高耗能行业的能源消费占总能源消费的56.7%，占工业部门能源消费量的81.6%。尤其在当前环境问题日益凸显的形势下，“可持续发展”理论应运而生，如何处理能源消费与环境污染、经济发展之间的关系，中国能源消费应该以怎样的趋势发展才能达到能源利用节约型的经济可持续发展，成为实务界和理论界需要广泛关注的问题。因此，在考虑环境污染因素的条件下，探索以高耗能行业为代表的能源消费与经济发展之间长期动态关系具有重要的意义。能源消费与经济增长之间的关系研究最初由Kraft J.和Kraft A.[2]进行了开创性工作，随后四十余年来，国内外学者开展了大量深入的研究。但是，能源消费与经济增长之间的关系到底如何至今仍然没有形成一致结论。现有的研究结论主要可以归纳为如下四种观点：第一种观点认为能源消费与经济增长之间没有因果关系[3-5]，也就是所谓的“中性假说”，这就意味着减少能源消费量不会影响经济增长;第二种观点认为存在经济增长对能源消费的单向因果关系[6][7]，即所谓的“能源节约假说”，这就表明减少能源消费对经济增长没有负面影响;第三种观点认为存在能源消费导致经济增长的单向因果关系[8][9]，也就是所谓的“经济增长假说”，这种情况下节约能源可能会对经济增长有负面影响;第四种观点认为能源消费与经济增长间存在双向因果关系[10][11]，也被称为“反馈假说”，这就意味着能源消费和经济增长是互相影响的。

现有的研究主要利用双变量模型对单个国家或多个国家的能源消费——经济增长关系进行考察。Zhang和Cheng[12]研究了1960-2007年期间中国能源消费，碳排放和经济增长之间的关系，发现能源节约政策对经济增长几乎没有负面影响;谢志明等[13]考察发现能源强度与CO2排放之间存在显著相关性与长期均衡性。总体而言，目前对中国高耗能行业能源消费的影响因素分析，以及其与环境污染、经济增长之间的关系研究还较少，例如，沈可挺和龚健健[14]利用方向性距离函数和非参数数据包络方法分析了高耗能产业环境全要素生产率的行业和省际差异基础上对其影响因素进行了实证研究;牛雄鹰和丁言乔[15]发现我国当期对外直接投资对“一带一路”沿线国家的碳排放有恶化作用，但是滞后一期的对外直接投资可以降低沿线国家碳排放;柳瑞禹和叶子菀[16]则研究了中国高耗能行业电力消费与宏微观经济变量之间的动态关系。黄晓凤和陈永康[17]发现2005年至2015年间我国农业技术创新总体上是偏向非能源要素的使用，即资本和劳动。与以往研究不同，本文利用大量变量、大规模数据，结合贝叶斯非线性FAVAR模型研究高耗能行业为代表的中国能源消费与经济增长之间的非对称效应，克服了数据潜在的测量误差，有效弥补了以往研究所采用的主要多变量模型（如VAR、VECM、SVAR等）变量少、信息有限等缺陷，同时能够解决中国由于经历了快速的机构和结构变化而导致的缺乏长时期时间序列的难题。特别地，利用贝叶斯方法进行非线性FAVAR模型的估计，能够解决模型的高维度问题，并且，贝叶斯方法融合了先验历史信息和样本信息，有助于提高模型分析的精度。

二 非线性FAVAR模型的构建

在实际经济运行中能源消费可能直接或间接地影响着众多的宏微观经济因素，政策制定者需要考虑的经济因素很多，而以往通常运用的VAR、VECM、SVAR以及DSGE等计量经济模型最多可以处理12个经济变量，无法反映所有的经济信息[18]，显然很难直接观察和测量到能源消费影响宏微观经济的所有信息。Bernanke等[18]提出的FAVAR模型从根本上解决了上述问题，其具体方法是用主成分分析法从高维的经济信息集中提取少数几个宏观共同因子，再使用提取的宏观共同因子与政策变动因子建立VAR模型。因此，FAVAR模型为综合研究能源消费与经济增长之间的动态关系提供了一个很好的计量经济框架。

假设Xt为t时期的N维可观测变量，Ft是从大量数据集中提取的K维不可观测共同因子，反映了t时期大量数据集中变量的共同趋势，这些不可观测因子Ft可以理解成不能由一两个指标刻画，而需要用一系列经济变量来反映的经济活动或者政策因素。Yt是M维影响经济动态的可观测变量，在此，能源消费就是可观测变量，记为ENEt，同时，考虑到环境污染因素的影响，引入与高耗能行业环境污染密切相关的三个可观测变量，即三个空气污染指标：工业二氧化硫（SO2）、二氧化碳（CO2）和工业烟粉尘排放量，分别记为SO2t，CO2t和SMOt。根据Bernanke等[18]提出的FAVAR模型，不可观测因子和可观测变量的联合动态（Ft，Yt）服从VAR过程，其具体形式如下：

FtYt=Φ（L）Ft-1Yt-1+υt，t=1，2，…，T（1）

其中Φ（L）为p阶滞后算子多项式，υt是均值为0、协方差矩阵为Q的随机误差项，并且，假定信息时间序列变量Xt与不可观测因子Ft、观测变量Yt相关，有如下测量方程：

Xt=ΛfFt+ΛyYt+εt（2）

此处，Λf是N×K的因子载荷矩阵，Λy是可观测变量的N×M的因子载荷矩阵，误差项εt的均值为0，协方差为对角阵R，从而使得可观测变量的误差项是互不相关的。

方程（1）和（2）共同构成了FAVAR模型，对于模型Ft中的估计，Boivin等[19]提出了一种新的反复迭代估计法。由于经济社会背景复杂化，能源消费对经济和环境的影响可能不一定是线性的，而存在非对称等非线性特征。因此，为了研究中国高耗能行业能源消费对经济和环境潜在的非对称影响效应，则要考察如下非线性FAVAR模型，其测量方程为：

Xt=ΛfFt+ΛyYt+Λ1ΔENEtI（ΔENEt0）+Λ2ΔENEtI（ΔENEt<0）+εt （3）

在此，ΔENEt为能源消费变量的一阶差分，表示能源消费的变化情况，I（·）是示性函數，Λ1，Λ2为可观测变量能源消费变化的因子载荷矩阵，表明在能源消费增加和减少两个不同机制下的特征。此时，相应的VAR模型为：

FtYt=Φ（L）Ft-1Yt-1+ΔZt-1+υt（4）

其中ΔZt-1=Ψ1（L）ΔENEt-1I（ΔENEt-10）+Ψ2（L）ΔENEt-1I（ΔENEt-1<0），Φ（L），Ψ1（L）和Ψ2（L）为p阶滞后系数矩阵。

三 非线性FAVAR模型的贝叶斯估计

（一）模型参数的初始值选择及贝叶斯估计

由于贝叶斯方法能够解决FAVAR模型的高维度问题，在此利用贝叶斯似然方法和多步Gibbs抽样进行模型估计，从而，可以同时估计上述非线性FAVAR模型的因子和动态过程。为了通过似然方法同时估计方程（3）和（4），将上述非线性FAVAR模型写成如下状态空间模型形式：

XtYt=

ΛyIΛf0Λ10Λ20YtFtΔENEtI（ΔENEt≥0）ΔENEtI（ΔENEt<0）+

εt0 （5）

FtYt=Φ（L）Ft-1Yt-1+ΔZt-1+υt（6）

其中εt～iid（0，R），υt～iid（0，Q），式（5）表示测量方程，式（6）表示状态方程。

记X′t=（X′t，Y′t）′，u′t=（ε′t，0）′，F′it=（F′it，Y′t，ΔENE′t）′，i=1，2，，则式（5）和（6）又可以写成

Xt=A1FitI（ΔENEt≥0）+A2FitI（ΔENEt<0）+ut（7）

Fit=Ψ1（L）Fi，t-1I（ΔENEt≥0）+

Ψ2（L）Fi，t-1I（ΔENEt<0）+υt （8）

当ΔENEt≥0时，令模型参数为Θ1=（A1，R1，vec（Ψ1），Q1）和因子F1tTt=1，当ΔENEt<0时，令模型参数为Θ2=（A2，R2，vec（Ψ2），Q2）和因子F2tTt=1，此处，vec（Ψ1）和vec（Ψ2）为Ψ1和Ψ2的拉直算子。

令T=（X1，X2，…，XT）和iT=（Fi1，Fi2，…FiT）分别为X和F的历史，则iT和Θi的边缘后验密度分别为p（iT）=∫p（iT，Θi）dΘi，p（Θi）=∫p（iT，Θi）diT，在此，p（iT，Θi）为联合后验密度，iT和Θi边缘后验密度分别为联合后验密度关于支撑Θi和iT积分，iT和Θi的估计即为这些边缘后验密度的中位数或均值。

为了得到iT和Θi的边缘后验密度的经验估计，利用多步Gibbs抽样估计状态空间模型（7）和（8），具体步骤如下：

步骤一 初始化Θi，记为Θ（0）i;

步骤二 从条件密度p（iT丨T，Θ（0）i）抽取（1）iT;

步骤三 从条件密度p（Θi丨T，（1）iT）抽取Θ（1）i。

重复步骤一至三，迭代s次，直到（s）iT和Θ（s）i的经验分布收敛。特别地，随着迭代次数s→SymboleB@

，（s）iT和Θ（s）i的边缘分布和联合分布都以指数速度收敛到相应的准确分布，因此，基于（（s）iT，Θ（s）i）进行贝叶斯推断，取s≥B，要求B足够大，以保证算法的收敛性，从而可以用抽样序列{（s）iT，Θ（s）i}Ss=B的中位数和分位数估计上述非线性FAVAR模型的模型参数，因子以及相应的置信区间。

1.初始值Θ（0）i选择

在此，可以采用模型（7）的主成分估计和模型（8）的参数估计作为参数的初始值，同时要求这些参数的估计满足正则化条件，即载荷矩阵

Ai=ΛyiIΛfi0Λi0=（0，IK，0），i=1，2;

同样，也可以设置如下初始值：Λyi=0，Λfi=0，Λi=0，Ri=I，vec（Φi）=0，vec（Ψi）=0，Qi=I其中，0和I分别为零矩阵和单位阵。

2.因子iT的条件分布

假设给定参数空间Θi的超参数，则生成状态向量的条件分布可以表示为每个时刻t处因子的条件分布的乘积：

p（iT丨T，Θi）=p（FiT丨T，

Θi）∏T=1t=1p（Fit丨Fi，t+1，T，Θi）（9）

此处t=（X1，X2，…Xt）。上式依赖于Fit的马尔可夫性质，即p（Fit|Fi，t+1，Fi，t+2，…，FiT，XT，Θi）=p（Fit|Fi，t+1，Xt，Θi）。同时，由于状态空间模型是线性正态的，所以有

FiTT，ΘiN（FiTT，PiTT）（10）

Fit丨Fi，t+1，T，ΘiN（Fit丨Fi，t+1，PitFi，t+1），

t=T-1，T-2，…，1（11）

其中

FiTT=E（FiTT，Θi）（12）

PiTT=Cov（（FiTT，Θi）（13）

Fitt，Fi，t+1=E（FitFi，t+1，t，Θi）=E（FitFi，t+1，Fitt，Θi）（14）

Fitt，Fi，t+1=Cov（FitFi，t+1，t，Θi）=

Cov（FitFi，t+1，Fitt，Θi）（15）

在此，Fitt表示在時刻t或更早时刻的信息条件下Fit的期望。从而令因子的初始值为0，协方差矩阵为单位阵，在Θi和数据t的条件下，首先利用Kalman滤波计算Fitt和Pitt，t=1，2，…，T;滤波的最后一次迭代得到FiTT 和PiTT，结合式（10）可以抽取FiT的一个值。然后将此抽样值作为额外信息，取后退一个时间点的样本，利用Kalman滤波获得Fi，T-1丨T-1，FiT和Pi，T-1丨T-1，，FiT;结合式（11）抽取Fi，T-1的一个值;用类似方法继续抽取Fit的值，t=T-2，T-3，…，1。

根据模型（7）和（8），分解出能源消费冲击通过K+1维载荷矩阵中对应宏观因子信息集指标的行向量对相应指标的影响。特别地，我们考察了黑色金属冶炼及压延加工业，非金属矿物制品业，煤炭开采和洗选业，化学原料及化学制品制造业，电力、热力的生产和供应业，石油加工、炼焦及核燃料加工业，有色金属冶炼及压延加工业，纺织业与造纸及纸制品业九大高耗能行业的能源消费增加和能源消费减少冲击对宏观经济和环境污染因素的影响效应。由于篇幅限制，这里只给出煤炭开采和洗选业在能源消费增加和能源消费减少两种不同机制下的脉冲响应图，其他几个高耗能行业的脉冲响应的幅度和时期各有不同，但是其影响的大体趋势基本类似。图1（a）-（c）分别给出了煤炭开采和洗选业的能源消费增加和减少冲击对几个宏观经济变量的非对称脉冲响应。可以看出，煤炭开采和洗选业的能源消费增加和能源消费减少冲击对国内生产总值（GDP）、外商直接投资以及全部在岗职工数的影响效应是非对称的，能源消费增加导致国内生产总值、外商直接投资以及全部在岗职工数增加，反之亦然。这与经济理论的解释基本一致，短期内，能源消费增加意味着经济处于上行阶段，经济活力很好，GDP增加，FDI也会增加，失业人数降低;反之，能源消费减少可能会对工业生产等产生直接影响，继而减少GDP和FDI，导致失业人数增加。特别地，在能源消费减少冲击下，国内生产总值、外商直接投资以及全部在岗职工数首先减少，继而，能源消费减少的冲击作用逐渐变小，其波动逐渐被经济完全接受，国内生产总值、外商直接投资以及全部在岗职工数逐渐增加，慢慢达到基本稳定趋势。另一方面，能源消费减少的传导速度要比能源消费增加的传导作用速度快，从图形的趋势可以看出能源消费增加或减少的冲击一般都是短期效应，而不具有长期影响，而随着时间推移，能源消费的波动被经济完全接受，非对称效应就会减少。这表明，减少能源消费的政策如果实施有度，在长期来看对经济的冲击会弱化，其非对称影响效应也会减弱。

（a1）第一机制中GDP的脉冲响应

（a2）第二机制中GDP的脉冲响应

（b1）第一机制中外商直接投资的脉冲响应

（b2）第二机制中外商直接投资的脉冲响应

（c1）第一机制中全部在岗职工数的脉冲响应

（c2）第二机制中全部在岗职工数的脉冲响应

图1 能源消费冲击对几个宏观经济变量的非对称脉冲响应图

同时，图2（a）-（d）则分别给出了煤炭开采和洗選业的能源消费增加和减少冲击对能源消费以及环境污染因素（包括二氧化碳（CO2）、工业二氧化硫（SO2）和工业烟（粉）尘（Smoker））的非对称脉冲响应。从图中可以看出，煤炭开采和洗选业的能源消费增加和能源消费减少冲击对能源消费、二氧化碳、工业二氧化硫以及工业烟（粉）尘的影响也是非对称的，煤炭开采和洗选业能源消费增加导致其能源消费增加，而煤炭开采和洗选业能源消费减少对其能源消费的冲击作用不大，而且没有长期作用。另一方面，煤炭开采和洗选业能源消费增加导致二氧化碳、工业二氧化硫以及工业烟（粉）尘排放量增加，其中，二氧化碳和工业烟（粉）尘排放量的增加速度更大，而煤炭开采和洗选业能源消费减少首先会导致二氧化碳、工业二氧化硫以及工业烟（粉）尘排放量减少，然后随着时间推移，二氧化碳、工业二氧化硫以及工业烟（粉）尘排放量逐渐增加，其增加速度越来越慢，直到最后趋于平缓。这种现象的原因可能是高耗能行业能源消费减少会导致二氧化碳、工业二氧化硫以及工业烟（粉）尘排放量减少，同时，随着时间推移，能源消费减少的冲击会逐渐被整个经济完全接受，并且，当我国逐渐过渡到完全能源节约型工业，二氧化碳、工业二氧化硫以及工业烟（粉）尘排放量增加将会达到一个基本平缓稳定的状态。

另一方面，利用一般FAVAR模型进行能源消费、国内生产总值、外商直接投资、全部在岗职工数、二氧化碳、工业二氧化硫以及工业烟（粉）尘排放量的脉冲响应分析发现能源消费对国内生产总值、外商直接投资、全部在岗职工数、二氧化碳、工业二氧化硫以及工业烟（粉）尘排放量有正向冲击作用，其脉冲响应的幅度和时期与贝叶斯非线性FAVAR的结论不一致，这主要是由于一般FAVAR模型不能刻画具有非线性特征的非对称脉冲响应。可见，

（a1）第一机制中能源消费的脉冲响应

（a2）第二机制中能源消费的脉冲响应

（b1）第一机制中CO2排放的脉冲响应

（b2）第二机制中CO2排放的脉冲响应

（c1）第一机制中SO2排放的脉冲响应

（c2）第二机制中SO2排放的脉冲响应

（d1）第一机制中烟粉尘排放的脉冲响应

（d2）第二机制中烟粉尘排放的脉冲响应

图2 能源消费冲击对环境污染因素等的非对称脉冲响应图

基于贝叶斯非线性FAVAR模型进行分析能够刻画中国高耗能行业能源消费潜在的非线性影响效应，并且，利用贝叶斯方法进行非线性FAVAR模型的估计，由于贝叶斯方法能够融合先验历史信息和样本信息，所以能够解决FAVAR模型的高维度问题，有助于提高模型参数估计的精度。

五 结束语

高耗能行业由于能源消费高，行业产值大，产生的环境污染偏大等特点，越来越受到当前能源节约型社会建设的关注。本文构建双机制的非线性FAVAR模型，结合贝叶斯参数估计方法，考察了黑色金属冶炼及压延加工业，非金属矿物制品业，煤炭开采和洗选业，化学原料及化学制品制造业，电力、热力的生产和供应业，石油加工、炼焦及核燃料加工业，有色金属冶炼及压延加工业，纺织业与造纸及纸制品业九大高耗能行业的能源消费增加（减少）冲击对宏观经济以及环境污染因素的非对称影响效应。由于FAVAR模型利用了中国的156个宏观经济变量，基本集合了所有的中国宏观经济信息，因此，能够避免某些变量数据潜在的测量误差问题。同时，由于贝叶斯方法能够融合先验历史信息和样本信息，所以，利用贝叶斯方法进行非线性FAVAR模型的参数估计，能够解决FAVAR模型的高维度问题，从而有利于提高模型估计的准确性。

实证结果表明，高耗能行业的能源消费增加和减少对宏观经济的影响是非对称的：能源消费增加会导致国内生产总值、外商直接投资以及全部在岗职工数增加，反之亦然;继而，能源消费减少的冲击作用逐渐变小，其波动逐渐被经济完全接受，国内生产总值、外商直接投资以及全部在岗职工数逐漸增加，慢慢达到基本稳定趋势。因此，如果高耗能行业由目前的高能耗逐渐过渡到节约型能源，其能源消费的减少最初可能会对国民经济发展有短期负向刺激，导致国内生产总值、外商直接投资以及就业人数减少，但是经过一段时间的调整，能源消费减少的冲击作用会逐渐变小，国内生产总值、外商直接投资以及就业人数都会逐渐上升，慢慢达到基本稳定状态。同时，高耗能行业的能源消费增加和减少对环境污染因素的影响也呈现非对称性，能源消费增加会导致二氧化碳、工业二氧化硫以及工业烟（粉）尘排放量增加，能源消费减少最初会导致二氧化碳、工业二氧化硫以及工业烟（粉）尘排放量减少，然后随着时间推移，二氧化碳、工业二氧化硫以及工业烟（粉）尘排放量逐渐增加，其增加速度越来越缓慢，直到最后趋于平缓。这也充分说明了节约型能源建设的必要性和迫切性。高耗能行业只有寻找到可替代的新能源，才能在既保证国民经济长期发展的同时又解决了“高能耗、高污染”问题，达到行业增长与节能减排有效结合的经济健康持续发展。

[参 考 文 献]

[1] 张延群，娄峰.中国经济中长期增长潜力分析与预测：2008～2020年[J]. 数量经济技术经济研究，2009（12）：137-145.

[2] Kraft J.， Kraft A. On the relationship between energy and GNP[J]. Journal of Energy Development， 1978（3）：401-403.

[3] Altinay G.， Karagol E. Structural break， unit root， and the causality between energy consumption and GDP in Turkey[J]. Energy Economics， 2004（6）： 985-994.

[4] Jobert T.， Karanfil F. Sectoral energy consumption by source and economic growth in Turkey[J]. Energy Policy， 2007（35）：5447-5456.

[5] Halicioglu F. An econometric study of CO2 emissions， energy consumption， income and foreign trade in Turkey[J]. Energy Policy， 2009（37）：1156-1164.

[6] Lise W.， Van Montfort K. Energy consumption and GDP in Turkey： is there a co-integration relationship？[J]. Energy Economics， 2007（29）：1166-1178.

[7] Ang J.B. Economic development， pollutant emissions and energy consumption in Malaysia[J]. Journal of Policy Modeling， 2008（30）：271-278.

[8] Oh W.， Lee K. Causal relationship between energy consumption and GDP： the case of Korea 1970-1999[J]. Energy Economics， 2004（1）：51-59.

[9] Bowden N.， Payne J.E. The causal relationship between US energy consumption and real output： a disaggregated analysis[J]. Journal of Policy Modeling， 2009（2）：180-188.

[10]Glasure Y U. Energy and national income in Korea： further evidence on the role of omitted variables[J]. Energy Economics， 2002（24）：355-365.

[11]Erdal G.， Erdal H.， Esengun K.， 2008. The causality between energy consumption and economic growth in Turkey[J]. Energy Policy， 2008（10）：3838-3842.

[12]Zhang X.P.， Cheng X.M. Energy consumption， carbon emissions， and economic growth in China[J]. Ecological Economics， 2009（68）：2706-2712.

[13]谢志明，晏奎，周乐明，杨盼盼. 经济增长、能源转型与CO2排放的长期均衡——基于省级面板数据的实证分析[J].财经理论与实践，2017（6）：113-118.

[14]沈可挺，龚健健. 环境污染、技术进步与中国高耗能产业——基于环境全要素生产率的实证分析[J]. 中国工业经济，2011（12）：25-34.

[15]牛雄鹰，丁言乔. 我国对外直接投资对“一带一路”沿线国家经济增长的影响——基于碳排放的中介作用[J].西北师大学报（社会科学版），2019（3）：108-117.

[16]柳瑞禹，叶子菀. 高耗能行业电力消费长期波动效应研究[J]. 中国管理科学，2014（6）：125-133.

[17]黄晓凤，陈永康. 中国农业能源偏向型技术创新测度及结构优化研究[J]. 湖南大学学报（社会科学版），2018（1）：100-107.

[18]Bernanke B.S.， Boivin J.， Eliasz P. Measuring monetary policy： A factor augmented vector autoregression （FAVAR） approach[J]. Quarterly Journal of Economics， 2005（120）： 387-422.

[19]Boivin J.， Giannoni M.P.， Mihov I. Sticky prices and monetary policy： Evidence from disaggregated U.S. data[J]. American Economic Review， 2009（99）：350-384.

[20]Pan J.， Phillips J.， Ying C. Chinas balance of emissions embodied in trade： Approaches to measurement and allocating international responsibility[J]. Oxford Review of Economic Policy， 2008（2）：354-376.

[21]陳诗一.能源消耗、二氧化碳排放与中国工业的可持续发展[J]. 经济研究，2009（4）：41-55.

[22]李小平，卢现祥.国际贸易、污染产业转移和中国工业CO2排放[J].经济研究，2010（1）：15-26.

[收稿日期] 2019-08-29

[基金项目] 国家自然科学基金项目：截面相依条件下的贝叶斯面板协整理论与应用研究（71301166）;国家社会科学基金项目：贝叶斯面板数据非线性协整模型及应用研究（18BTJ032）

[作者简介] 李素芳（1983—），女，湖南邵阳人，中南财经政法大学统计与数学学院副教授，博士。研究方向：金融计量经济模型及应用。