-
气候变化是世界各国面临的重大挑战,减少碳排放并促进低碳发展成为全球的发展目标。中国作为CO2排放大国,其中家庭碳排放占比已经达到碳排放总量的1/2以上。因此,从家庭的消费行为探究家庭碳排放量有利于中国低碳发展战略实施的落地。伴随着互联网行业的快速发展, 2019年全国电子商务交易额达34.81万亿元,继续引领全球。依据互联网依赖理论,当消费者频繁使用互联网时,会引发消费者过度依赖互联网信息进行不确定性决策,形成自我认知。因此,在网购已成为家庭日常消费的大背景下,探究如何借助互联网媒介来影响家庭碳消费倾向,可以为碳中和目标实现提供新的研究视角。
以互联网使用程度为切入点,分析互联网对家庭碳排放的影响机理是控制家庭碳排放的重要前提。本文从消费者这个微观视角入手,利用残差度量法衡量互联网依赖程度,探寻互联网的合理使用对家庭碳排放的效应,并利用链式中介模型刻画出消费者在线消费行为、互联网使用、家庭碳排放之间的影响机制。该影响机制的构建,一方面可以为降低家庭碳排放的经济可行性、技术可行性提供理论基础;另一方面有利于政府在家庭微观层面制定差异化减排政策,合理引导居民的环保理念。
-
本文所使用的数据主要来自中国家庭追踪调查(CFPS)、世界投入产出数据库(WIOD)中的中国投入产出表①和其中统计的中国35个行业的碳排放量。中国家庭追踪调查是北京大学社会科学研究所开展的大规模面板调查项目,该项目旨在研究当代中国的家庭福祉及其动态变化,以家庭为抽样对象,该研究收集了有关抽样家庭以及所有单个家庭成员的大量信息。样本涵盖近1.5万户家庭,2010年分布于25个省,2016年开始调查家庭已分布于所有31个省。世界投入产出数据库包含了世界主要国家的投入产出数据,提供了有关国际贸易和能源消耗的大规模时间序列数据源,推动了对有关动态全球化过程的深入了解。
-
本文利用不同的方法分别计算家庭直接碳排放和间接碳排放,使用碳排放系数法计算家庭
$k$ 的直接碳排放量,家庭$k$ 的直接碳排放量为$${\rm{HC}}{{\rm{E}}_{{\rm{direct}}\_k}} = \sum\limits_i {{f_i}{\rm{Energ}}{{\rm{y}}_{ik}}} $$ (1) 其中,
${f_i}$ 为能源$i$ 的碳排放因子系数;${\rm{Energ}}{{\rm{y}}_{ik}}$ 为家庭$k$ 所消耗的能源$i$ 的数量。本文所使用的碳排放因子来自联合国公布的燃料碳排放系数。利用天然气、LNG、煤炭和汽油的全国平均价格以及CFPS数据库中各个类别的消费金额,计算出家庭各类能源消耗数量,即${\rm{Energy}}_{ik}$ 。家庭间接碳排放通过投出—产出模型(IOM)进行估算,这是一种广泛采用的方法。家庭
$k$ 的间接碳排放量计算如下$${\rm{HC}}{{\rm{E}}_{{\rm{indiect}}\_k}} = {{D}}{{\rm{(}}{{I}} - {{A}}{\rm{)}}^{{\rm{ - 1}}}}{{{E}}_k}$$ (2) 其中,
${{D}}$ 为每个部门碳排放强度的行向量;${{\rm{(}}{{I}} - {{A}}{\rm{)}}^{{\rm{ - 1}}}}$ 为Leontief逆矩阵,这是应用投入—产出模型的关键;${{{E}}_k}$ 是家庭$k$ 消费商品和服务支出的列向量。计算完成后,为减少由于异常值的存在而导致的误差,将家庭碳排放量和收入的最高和最低的1%的家庭排除在外。
-
在以往探讨家庭或个人互联网使用的相关研究中,往往采用“互联网使用频率”或“是否使用过互联网”等指标度量互联网使用。这种直观的互联网使用指标难以进行针对性的判断,即根据家庭特征判断家庭互联网依赖与否,也难以衡量互联网依赖的大小。本文认为,家庭互联网使用程度的过度与否取决于其最优使用水平。超过最优水平的家庭被认为互联网过度依赖;反之,被称为互联网依赖不足。在最优使用水平的衡量中,现有文献做法就是取家庭互联网使用程度的平均值或者中位数。但是由于家庭的个体特征存在较大差异,所以根据平均数或中位数衡量的最优水平存在一定的不足。因此, 要考察家庭的最优互联网使用程度根据其家庭特征、成员特征等基本面因素来进行显得更为合适。为此本文借鉴残差度量非效率投资的思想[24-25],通过对家庭互联网使用的综合影响因素回归模型,找到其最优使用程度,若超过即认为存在互联网过度依赖,反之则认为互联网依赖不足,最后获得残差项对家庭互联网依赖指标进行估计,模型如下
$${Y_i} = {\alpha _0} + {\;\beta _1}{V_{1i}} + {\;\beta _2}{V_{2i}} + {\;\beta _3}{V_{3i}} + {\;\beta _4}{V_{4i}} + {\;\beta _5}{V_{5i}} + {\;\beta _6}{V_{6i}} + {\mu _i}$$ (3) 其中,
${Y_i}$ 表示第$i$ 个家庭每周闲暇时间使用互联网总时长(小时)对数化的连续性变量。根据相关参考文献提出以下解释变量作为影响互联网使用时长的关键原因[26-27],${V_{1i}}$ 是家庭$i$ 的平均年龄,以此排除由于家庭规模不同造成的家庭年龄差异;${V_{2i}}$ 为家庭$i$ 的人均纯收入,等于家庭所有成员纯收入除以家庭规模的自然对数;${V_{3i}}$ 为家庭规模,等于家庭所有成员数总和;${V_{4i}}$ 为家庭$i$ 的人情礼支出;${V_{5i}}$ 是家庭$i$ 的工作性质,这是一个二分类变量,当家庭有从事农业工作者时取值为1,当家庭没有从事农业工作者时取值为0;${V_{6i}}$ 是家庭$i$ 的平均教育水平,等于家庭所有成员教育水平总和除以家庭规模,以此排除由于家庭规模不同造成的家庭教育水平差异。对上述模型进行回归,得到残差值
$r$ ,即实际观察值与拟合值之间的差,表示家庭互联网依赖程度,当$r$ >0,表示家庭过度依赖互联网,反之表示互联网依赖不足。在之后的回归中,使用$r$ 作为关键解释变量,进行后续分析。通过借鉴以往文献[28],对部分不显著变量进行替换后,由表1可知解释变量在1%的显著水平下显著。结果显示,随着家庭平均年龄的上升,家庭对互联网的使用程度会下降;家庭规模越大、家庭中人口越多对互联网的使用也会越频繁;家庭的平均教育水平与互联网的使用正向相关;家庭的人均纯收入水平也与互联网存在正向关系。
表 1家庭互联网依赖回归结果
变量 β t 常数 −5.383 6*** −10.289 0 ${V_1}$ −0.087 1*** −21.808 3 ${V_2}$ 0.640 5*** 14.171 3 ${V_3}$ 0.455 7*** 16.794 3 ${V_4}$ 0.000 1*** 2.833 6 ${V_5}$ −0.552 6*** −6.856 3 ${V_6}$ 0.610 2*** 13.819 6 Year Fixed YES Cluster YES R2 0.427 6 注:*、**和***分别表示10%、5%和1%的显著水平。 基于上述回归的结果,最终得到20 205个残差,即为互联网依赖(
$r$ )。通过观察$r$ 发现,总体互联网依赖的均值为0.010 4,表明中国家庭存在一定的互联网过度使用问题。其中,城市家庭中互联网依赖均值达到0.146 0,表明城市家庭存在较大的互联网依赖行为。但是农村家庭的$r$ 的均值仅为−0.114 0,这表明在互联网使用方面,中国城乡家庭差异较大,也为以后分样本分析提供支持。 -
1)收入差距。对于收入差距的衡量,通常有以下几个指标可供选取:基尼系数和泰尔指数。其中应用最广泛的为基尼系数,本文亦采用基尼系数代表收入差距[29]。具体而言,本文选用区县级别人均纯收入的基尼系数表示收入差距。借鉴以往学者计算基尼系数的方法[30],将样本家庭按照县区分成
$n$ 组,设${w_i}$ 代表第$i$ 组家庭的人均纯收入份额;${m_i}$ 代表第$i$ 组家庭的平均人均收入;${p_i}$ 代表第$i$ 组家庭的人口频数($i{\rm{ = }}1,2, \cdots ,n$ )。对全部组家庭按照人均收入${m_i}$ 由小到大排序后,利用如下公式计算$$G = 1 - \sum\limits_{i = 1}^n {2{B_i}} = \sum\limits_{i = 1}^n {{p_i}(2{Q_i} - {w_i})} $$ (4) $${Q_i} = \sum\limits_{k = 1}^i {{w_k}} $$ (5) 其中,
$ {Q_i}$ 为从1~$i$ 的累积收入比重。2)消费升级。中国家庭追踪调查数据库按照国家统计局给出的分类标准对家庭消费进行分类统计。结合现有分类,本文将家庭消费划分为基本消费和发展消费两类[31]。其中基本消费包括食品、衣着和居住支出,是家庭为维持基本生活所产生的消费;发展消费包括生活用品、医疗保健、交通通讯、文化娱乐和其他消费,是为提高自身生活水平,实现更高的价值追求而进行的消费。本文用发展型消费所占家庭总消费的比重代表家庭消费升级。
-
参考相关文献[32-33],引入以下控制变量:(1)家庭规模(Size):CFPS数据库统计的家庭人口数量;(2)人均收入(Perincome):家庭纯收入的人均值;(3)家庭决策者年龄(Age):以对家庭财务最了解的人作为家庭决策者,其年龄作为家庭决策者年龄;(4)家庭决策者的教育水平(Edu):从1~10分别代表从低到高的教育水平;(5)家庭户口所在地(Urban):这是一个二分类变量,根据国家统计局资料的城乡分类,当家庭是城镇户口时取值为1,当家庭是农村户口时取值为0。
-
Ehrlich和Holden[17]提出了IPAT等式用以分析人文因素对环境水平的影响,但是该模型存在一定的局限,只能研究对因变量的等比例影响。后来有学者为克服这一不足,建立了STIRPAT模型,即可拓展的随机性环境影响评估模型,如下所示
$$I = \alpha {P^b}{A^c}{T^d}e$$ (6) 其中,I为环境水平;P为人口规模;A为人均财富;T为技术水平;
$\alpha $ 为该模型的系数;b、c、d为各自变量的指数;$e$ 为随机误差项。对式(6)两边取对数得
$${\rm{ln }}\;I = {\rm{ln }}\;\alpha + b\;{\rm{ ln }}\;P + c\;{\rm{ ln }}\;A + d\;{\rm{ ln }}\;T + {\rm{ln }}\;e$$ (7) 根据式(7)以及对控制变量的选取,首先将控制变量引入,构建式(8)如下所示
$$\begin{array}{c} {\rm{ln}}\;{\rm{HC}}{{\rm{E}}_i} = {\;\beta _0} + {\;\beta _1}{\rm{ ln}}\;{\rm{Siz}}{{\rm{e}}_i} + {\;\beta _2}{\rm{ ln}}\;{\rm{Perincom}}{{\rm{e}}_i}{\rm{ + }}\\ {\;\beta _3}{\left( {{\rm{ln}}\;{\rm{Perincom}}{{\rm{e}}_i}} \right)^2} + {\;\beta _4}{\rm{ln Ag}}{{\rm{e}}_i}{\rm{ + }}{\;\beta _5}{\rm{ln}}\;{\rm{Ed}}{{\rm{u}}_i} + {\;\beta _6}{\rm{Urba}}{{\rm{n}}_i} + {u_i} \end{array}$$ (8) 为考察互联网使用对家庭碳排放量的影响,在式(8)的基础上,加入互联网依赖(
$r$ )构造模型(1),如式(9)所示$$\begin{array}{c} {\rm{ln}}\;{\rm{HC}}{{\rm{E}}_i} = {\;\beta _0} + {\;\beta _r}r{\rm{ + }}{\;\beta _1}\;{\rm{ln}}\;{\rm{Siz}}{{\rm{e}}_i} + {\;\beta _2}\;{\rm{ln}}\;{\rm{Perincom}}{{\rm{e}}_i}{\rm{ + }}\\ {\;\beta _3}{\left( {{\rm{ln}}\;{\rm{Perincom}}{{\rm{e}}_i}} \right)^2} + {\;\beta _4}\;{\rm{ln}}\;{\rm{Ag}}{{\rm{e}}_i}{\rm{ + }}{\;\beta _5}\;{\rm{ln}}\;{\rm{Ed}}{{\rm{u}}_i} + {\;\beta _6}{\rm{Urba}}{{\rm{n}}_i} + {u_i} \end{array}$$ (9) 为分析中介效应,本文首先在式(8)的基础上分别增加了收入差距(
${\rm{Gap}}$ )和消费升级(${\rm{Upgrade}}$ )变量,构建模型(2)和模型(3),分别由式(10)和式(11)表示,分别研究了收入差距和消费升级对家庭碳排放的影响$$\begin{array}{c} {\rm{ln}}\;{\rm{HC}}{{\rm{E}}_i} = {\;\beta _0} + {\;\beta _g}{\rm{Ga}}{{\rm{p}}_i} + {\;\beta _1}\;{\rm{ln}}\;{\rm{Siz}}{{\rm{e}}_i} + {\;\beta _2}\;{\rm{ln}}\;{\rm{Perincom}}{{\rm{e}}_i}{\rm{ + }}\\ {\;\beta _3}{\left( {{\rm{ln}}\;{\rm{Perincom}}{{\rm{e}}_i}} \right)^2} + {\;\beta _4}{\rm{ln}}\;{\rm{Ag}}{{\rm{e}}_i}{\rm{ + }}{\;\beta _5}{\rm{ln}}\;{\rm{Ed}}{{\rm{u}}_i} + {\;\beta _6}{\rm{Urba}}{{\rm{n}}_i} + {u_i} \end{array}$$ (10) $$\begin{array}{c} {\rm{ln}}\;{\rm{HC}}{{\rm{E}}_i} = {\;\beta _0} + {\;\beta _u}{\rm{Upgrad}}{{\rm{e}}_i} + {\;\beta _1}\;{\rm{ln}}\;{\rm{Siz}}{{\rm{e}}_i} + {\;\beta _2}\;{\rm{ln}}\;{\rm{Perincom}}{{\rm{e}}_i}{\rm{ + }}\\ {\;\beta _3}{\left( {{\rm{ln}}\;{\rm{Perincom}}{{\rm{e}}_i}} \right)^2} + {\;\beta _4}{\rm{ln}}\;{\rm{Ag}}{{\rm{e}}_i}{\rm{ + }}{\;\beta _5}{\rm{ln}}\;{\rm{Ed}}{{\rm{u}}_i} + {\;\beta _6}{\rm{Urba}}{{\rm{n}}_i} + {u_i} \end{array}$$ (11) 然后根据Preacher和Hayes[34]提出的链式中介效应检验程序,以检验收入差距和消费升级在互联网依赖和家庭碳排放之间的链式中介作用。为此,本文构建模型(4)、模型(5)和模型(6)进行分析,分别由式(12)、式(13)和式(14)表示
$$\begin{array}{c} {\rm{Ga}}{{\rm{p}}_i} = {\;\beta _0} + {\;\beta _r}r{\rm{ + }}{\;\beta _1}\;{\rm{ ln}}\;{\rm{Siz}}{{\rm{e}}_i} + {\;\beta _2}\;{\rm{ln}}\;{\rm{Perincom}}{{\rm{e}}_i}{\rm{ + }}\\ {\;\beta _3}{\left( {{\rm{ln}}\;{\rm{Perincom}}{{\rm{e}}_i}} \right)^2} + {\;\beta _4}\;{\rm{ln}}\;{\rm{Ag}}{{\rm{e}}_i}{\rm{ + }}{\;\beta _5}\;{\rm{ln}}\;{\rm{Ed}}{{\rm{u}}_i} + {\;\beta _6}{\rm{Urba}}{{\rm{n}}_i} + {u_i} \end{array}$$ (12) $$\begin{array}{c} {\rm{Upgrad}}{{\rm{e}}_i} = {\;\beta _0} + {\;\beta _r}r{\rm{ + }}{\;\beta _g}{\rm{Ga}}{{\rm{p}}_i} + {\;\beta _1}\;{\rm{ln}}\;{\rm{Siz}}{{\rm{e}}_i} + {\;\beta _2}\;{\rm{ln}}\;{\rm{Perincom}}{{\rm{e}}_i}{\rm{ + }}\\ {\;\beta _3}{\left( {{\rm{ln}}\;{\rm{Perincom}}{{\rm{e}}_i}} \right)^2} + {\;\beta _4}{\rm{ln}}\;{\rm{Ag}}{{\rm{e}}_i}{\rm{ + }}{\;\beta _5}{\rm{ln}}\;{\rm{Ed}}{{\rm{u}}_i} + {\;\beta _6}{\rm{Urba}}{{\rm{n}}_i} + {u_i} \end{array}$$ (13) $$\begin{array}{c} {\rm{ln}}\;{\rm{HC}}{{\rm{E}}_i} = {\;\beta _0} + {\;\beta _r}r{\rm{ + }}{\;\beta _g}{\rm{Ga}}{{\rm{p}}_i} + {\;\beta _u}{\rm{Upgrad}}{{\rm{e}}_i} + {\;\beta _1}\;{\rm{ln}}\;{\rm{Siz}}{{\rm{e}}_i} + {\;\beta _2}\;{\rm{ln}}\;{\rm{Perincom}}{{\rm{e}}_i}{\rm{ + }}\\ {\;\beta _3}{\left( {{\rm{ln}}\;{\rm{Perincom}}{{\rm{e}}_i}} \right)^2} + {\;\beta _4}{\rm{ln}}\;{\rm{Ag}}{{\rm{e}}_i}{\rm{ + }}{\;\beta _5}{\rm{ln}}\;{\rm{Ed}}{{\rm{u}}_i} + {\;\beta _6}{\rm{Urba}}{{\rm{n}}_i} + {u_i} \end{array}$$ (14) -
主要变量的描述性统计如表2所示。从表2可以看出,家庭碳排放量的均值为13 232.153 6千克,但变异系数较大,表明不同家庭的碳排放量差距较大。互联网依赖的均值为0.010 5,表明目前中国家庭存在一定的互联网依赖现象,且不同家庭的互联网依赖程度存在较大的差距。家庭消费升级的均值为0.423 2,变量变异系数也较低,这反映出目前大多数家庭还是将过半的消费用于生存型消费。县级人均纯收入的基尼系数均值为0.386 4,表明在区县级家庭人均纯收入的收入差距较小。
表 2描述性统计
变量类型 变量定义 变量说明 均值 标准差 因变量 家庭碳排放 投入产出法计算而得 13 232.153 6 10 795.427 5 自变量 互联网依赖 残差度量法计算而得 0.010 5 2.695 1 中介变量 收入差距 县级基尼系数 0.386 4 0.075 8 消费升级 享受消费占比 0.423 2 0.201 1 控制变量 家庭规模 家庭常住人口数量取对数 1.193 6 0.530 3 人均收入 (家庭纯收入/家庭常住人口数量)取对数 9.532 2 0.974 6 人均收入平方 人均收入取对数的平方 91.811 9 18.384 7 年龄 家庭决策者年龄取对数 3.881 7 0.308 4 教育水平 家庭决策者教育水平取对数 1.490 5 0.305 4 城镇户口 二分类变量,家庭户籍为城镇户口时取1,否则为0 0.389 2 1.041 0 -
表3给出了各个解释变量的直接效应的回归结果。模型(1)的结果表明,互联网依赖与家庭碳排放显著正相关(
$\;\beta {\rm{ = }}0.076\;3,p < 0.01$ ),假设H1得到验证,说明过度依赖互联网的家庭容易排放更多CO2。另外,家庭收入差距与家庭碳排放显著负相关($\;\beta {\rm{ = - 0}}{\rm{.058\;2}},p < 0.01$ ),而家庭消费升级的提高与家庭碳排放显著正相关($\;\beta {\rm{ = }}0.083\;8,p < 0.01$ ),这表明在促进节能减排和推动消费升级之间需要一定的政策权衡,同时在缩小收入差距与降低碳排放之间也需要政策制定者的权衡。这与理论假设相符合。表 3家庭碳排放回归结果
解释变量 模型(1) 模型(2) 模型(3) β t β t β t 常数 −0.100 3*** −9.743 4 −0.106 0*** −10.282 5 −0.117 3*** −11.373 8 互联网依赖 0.076 3*** 13.089 4 收入差距 −0.058 2*** −9.105 9 消费升级 0.083 8*** 14.113 4 家庭规模 0.406 9*** 65.632 5 0.411 2*** 66.271 7 0.396 2*** 63.143 9 人均收入 −0.768 6*** −9.832 7 −0.760 1*** −9.700 3 −0.672 8*** −8.607 7 人均收入平方 1.203 9*** 15.298 7 1.181 5*** 14.987 8 1.107 8*** 14.078 4 年龄 −0.039 9*** −5.974 9 −0.043 5*** −6.487 8 −0.037 8*** −5.661 1 教育水平 0.097 5*** 13.893 1 0.088 7*** 12.564 6 0.090 8*** 12.948 3 城镇 0.116 3*** 9.121 9 0.105 3*** 8.121 6 0.144 3*** 11.288 9 Year Fixed YES YES YES R2 0.336 0 0.333 0 0.337 0 F 1 248.507 0 1 232.011 0 1 253.705 0 注:*、**和***分别表示在10%、5%和1%的显著水平。 -
参照Taylor等[35]对多重中介检验方法的对比研究,Bootstrap方法用于检验中介效果最好。因此,本文首先采用普通最小二乘法检验中介效应,检验结果如表4所示,然后利用SPSS执行基于Bootstrap的链式中介效应检验,结果如表5所示,通过Bootstrap检验能够进一步判断中介效应的稳健性。
表 4中介效应回归分析
解释变量 模型(4) 模型(5) 模型(6) β t β t β t 常数 −0.010 7 −0.934 5 0.142 8*** 11.604 2 −0.112 3*** −10.939 8 互联网依赖 −0.077 5*** −11.951 9 0.062 4*** 8.929 0 0.067 3*** 11.553 2 收入差距 0.020 3*** 2.649 8 −0.053 1*** −8.350 4 消费升级 0.080 2*** 13.555 5 家庭规模 0.010 5 1.521 8 0.172 0*** 23.210 8 0.393 6*** 63.033 4 人均收入 −0.477 4*** −5.492 1 −0.704 2*** −7.530 6 −0.736 7*** −9.462 7 人均收入平方 0.232 3*** 2.654 6 0.717 2* 7.622 8 1.158 3*** 14.787 4 年龄 −0.076 4*** −10.279 6 −0.014 2*** −1.779 5 −0.042 7*** −6.414 5 教育水平 −0.095 5*** −12.232 9 0.042 7*** 5.065 8 0.089 2*** 12.728 3 城镇 −0.350 0*** −24.681 1 −0.216 8*** −14.011 2 0.115 7*** 8.947 2 Year Fixed YES YES YES R2 0.417 3 0.228 1 0.586 6 F 520.741 2 120.426 4 1 036.239 4 注:*、**和***分别表示10%、5%和1%的显著水平。 表 5Bootstrap方法估计的中介效应及95%置信区间
路径 间接效应估计(标准化) 95%置信区间 下限 上限 总计间接效应 0.009 0 0.007 2 0.010 9 具体间接效应分解 ID→GINI→HCE 0.004 1 0.003 0 0.005 3 ID→CU→HCE 0.005 0 0.003 7 0.006 5 ID→GINI→CU→HCE −0.000 1 −0.000 4 −0.000 1 注:ID表示互联网依赖;GINI表示收入差距;CU表示消费升级;HCE表示家庭碳排放。 1. 从互联网依赖到家庭碳排放的路径系数为0.067 3,p<0.01,表明互联网依赖能够显著正向影响家庭碳排放量,假设H1得到验证。互联网依赖能够直接增加家庭碳排放原因在于,对互联网的依赖增加了家庭对各类电子设备的使用,扩大了电力等能源消耗,直接增加碳排放;另一方面互联网的发展与普及产生的去物质化会使得个人对环境危害的感知降低,从而对影响个人实施低碳行为。
2. 从互联网依赖到收入差距的路径系数为−0.077 5,p< 0.01,表明互联网依赖能够显著降低收入差距;从收入差距到家庭碳排放的路径系数为−0.053 1,p< 0.01,表明收入差距的降低能够显著扩大家庭碳排放。并且,由表5可知,收入差距在互联网依赖与家庭碳排放之间的部分中介效应显著(β=0.004 1,p< 0.01),Bootstrap=50 000的95%置信区间为[0.007 2,0.010 9],不包含0,假设H2也得以验证。
3. 从互联网依赖到消费升级的路径系数为0.062 4,
$p < 0.01$ ,表明家庭对互联网的依赖能够显著正向影响家庭的消费升级,即家庭使用互联网越多,则家庭的享受消费占比越高。消费升级到家庭碳排放的路径系数为0.080 2,$p < 0.01$ ,表明消费升级会显著增加家庭碳排放。同时,由表5可知,消费升级在互联网依赖与家庭碳排放之间的部分中介效应显著($\;\beta {\rm{ = }}0.005\;0,\;p < 0.01$ ),Bootstrap=20 000的95%置信区间为[0.003 7, 0.006 5],假设H3得以验证。根据表5与模型(1)对比可以发现,同时加入中介变量和核心解释变量后,收入差距与消费升级的估计系数分别显著为负和正,且互联网依赖的系数仍然显著为正,说明收入差距与消费升级在互联网依赖对家庭碳排放的影响中发挥部分中介传导效应。
结果表明,全样本下,互联网依赖通过降低收入差距对家庭碳排放发挥正向间接作用;通过推动消费升级对家庭碳排放发挥正向间接作用。首先,互联网依赖能够通过收入差距的途径增加碳排放的原因在于,收入差距的缩小能够使低收入群体增加收入,居民追求更加舒服但也更耗能的消费产品,消费篮子“高碳化”,导致家庭碳排放增加。其次,家庭过度使用互联网会导致家庭非理性消费行为,一方面造成家庭消费数量增加,另一方面使得家庭对享受类产品消费占比提高,而这两种行为都会导致消费篮子“高碳化”。
4. 本文检验了链式中介模型,即互联网依赖通过影响收入差距,抑制消费升级,进而降低家庭碳排放。结果显示,收入差距与消费升级的路径系数为0.020 3,
$p < 0.01$ ,表明收入差距能够显著正向影响家庭消费升级,即家庭所在区县的收入差距越小,家庭的享受消费占比越低。并且,由表5可知,收入差距与消费升级在互联网依赖与家庭碳排放之间的链式中介效应显著($\;\beta {\rm{ = - }}0.000\;1,\;p < 0.01$ ),Bootstrap=20 000的95%置信区间为[−0.000 4, −0.000 1],假设H4得以验证。分步回归发现,互联网依赖对收入差距有显著负向影响(
$\;\beta {\rm{ = - }}0.077\;5,\;p < 0.01$ ),而收入差距对消费升级有显著正向影响($\;\beta {\rm{ = }}0.062\;4,\;p < 0.01$ ),且消费升级对家庭碳排放有显著正向影响($\;\beta {\rm{ = }}0.080\;2, \;p < $ $ 0.01$ )。由于链式中介效用和直接效用的方向不同,此链式中介效应表现为“遮掩效应”,即收入差距缩小导致消费升级的减缓会抑制互联网依赖对家庭碳排放的正向影响。但遮掩效应在总效应内占比较低(−0.000 1),对直接效应影响较小。互联网依赖越高,表明当地互联网发展可能更具有优势,这一方面可以降低成本,促进资源配置,实现生产效率的提高,从而达到缩小收入差距的效果;另一方面可以增强互联网贸易促进地区间收入平衡,缩小收入差距。而收入差距的缩小导致更多人偏向生存型消费,推动了消费篮子低碳化,家庭碳排放增加减缓。链式中介效应的存在使得互联网依赖对家庭碳排放的影响出现了新的结论,即收入差距对消费升级的负效应遮掩了互联网依赖对家庭碳排放的直接影响,这在一定程度上解释了不同研究得出的互联网技术对碳排放影响的不同结论。
The Impact of Internet Dependence on Household Carbon Emissions
——The Chain Intermediary Role of Income Gap and Consumption Upgrade
-
摘要:以互联网依赖理论为基础,借助2016—2018年中国家庭追踪调查(CFPS)的微观数据库,采用STIRPAT模型和Bootstrap链式中介模型,实证分析互联网依赖对家庭消费碳排放的影响及链式中介传导机制。研究结果表明:互联网依赖对家庭碳排放存在显著正向影响;收入差距与消费升级在互联网依赖对家庭碳排放的正向影响中具有显著的直接中介作用。但是,收入差距和消费升级的链式中介作用具体表现为遮掩效应,即互联网依赖通过收入差距的缩小造成消费升级减缓,进而降低碳排放。在未来实现碳中和目标的过程中,政府应协调处理减排与收入差距和消费升级的关系,推进差异化减排策略,倡导低碳型消费模式。Abstract:This paper utilizes the STIRPAT model and the Bootstrap intermediary model to empirically analyze the impact of Internet dependence on household carbon emissions and the chain mediation mechanism, using the 2016—2018 China Family Tracking Survey (CFPS) micro-database. The results show that Internet dependence has a significant positive impact on household carbon emissions. The income disparity and consumption upgrades have a significant direct intermediary role on the positive impact of Internet dependence on household carbon emissions. However, the intermediary effect of the chain of income disparity and consumption upgrade is specifically manifested as a masking effect, that is, the Internet dependence slows down consumption upgrades through the reduction of income disparity, thereby reducing carbon emissions. The results show that in the process of achieving the goal of carbon neutrality in the future, the government should coordinate the relationship between emission reduction and income disparity and consumption upgrading, promote differentiated emission reduction strategy, and advocate low-carbon consumption mode.注释:1) WIOD出版于2016年,涵盖了全球43个主要国家和地区的世界投入产出表和基础数据,来自于http://www.wiod.org/database/wiots16。
-
表 1家庭互联网依赖回归结果
变量 β t 常数 −5.383 6*** −10.289 0 ${V_1}$ −0.087 1*** −21.808 3 ${V_2}$ 0.640 5*** 14.171 3 ${V_3}$ 0.455 7*** 16.794 3 ${V_4}$ 0.000 1*** 2.833 6 ${V_5}$ −0.552 6*** −6.856 3 ${V_6}$ 0.610 2*** 13.819 6 Year Fixed YES Cluster YES R2 0.427 6 注:*、**和***分别表示10%、5%和1%的显著水平。 表 2描述性统计
变量类型 变量定义 变量说明 均值 标准差 因变量 家庭碳排放 投入产出法计算而得 13 232.153 6 10 795.427 5 自变量 互联网依赖 残差度量法计算而得 0.010 5 2.695 1 中介变量 收入差距 县级基尼系数 0.386 4 0.075 8 消费升级 享受消费占比 0.423 2 0.201 1 控制变量 家庭规模 家庭常住人口数量取对数 1.193 6 0.530 3 人均收入 (家庭纯收入/家庭常住人口数量)取对数 9.532 2 0.974 6 人均收入平方 人均收入取对数的平方 91.811 9 18.384 7 年龄 家庭决策者年龄取对数 3.881 7 0.308 4 教育水平 家庭决策者教育水平取对数 1.490 5 0.305 4 城镇户口 二分类变量,家庭户籍为城镇户口时取1,否则为0 0.389 2 1.041 0 表 3家庭碳排放回归结果
解释变量 模型(1) 模型(2) 模型(3) β t β t β t 常数 −0.100 3*** −9.743 4 −0.106 0*** −10.282 5 −0.117 3*** −11.373 8 互联网依赖 0.076 3*** 13.089 4 收入差距 −0.058 2*** −9.105 9 消费升级 0.083 8*** 14.113 4 家庭规模 0.406 9*** 65.632 5 0.411 2*** 66.271 7 0.396 2*** 63.143 9 人均收入 −0.768 6*** −9.832 7 −0.760 1*** −9.700 3 −0.672 8*** −8.607 7 人均收入平方 1.203 9*** 15.298 7 1.181 5*** 14.987 8 1.107 8*** 14.078 4 年龄 −0.039 9*** −5.974 9 −0.043 5*** −6.487 8 −0.037 8*** −5.661 1 教育水平 0.097 5*** 13.893 1 0.088 7*** 12.564 6 0.090 8*** 12.948 3 城镇 0.116 3*** 9.121 9 0.105 3*** 8.121 6 0.144 3*** 11.288 9 Year Fixed YES YES YES R2 0.336 0 0.333 0 0.337 0 F 1 248.507 0 1 232.011 0 1 253.705 0 注:*、**和***分别表示在10%、5%和1%的显著水平。 表 4中介效应回归分析
解释变量 模型(4) 模型(5) 模型(6) β t β t β t 常数 −0.010 7 −0.934 5 0.142 8*** 11.604 2 −0.112 3*** −10.939 8 互联网依赖 −0.077 5*** −11.951 9 0.062 4*** 8.929 0 0.067 3*** 11.553 2 收入差距 0.020 3*** 2.649 8 −0.053 1*** −8.350 4 消费升级 0.080 2*** 13.555 5 家庭规模 0.010 5 1.521 8 0.172 0*** 23.210 8 0.393 6*** 63.033 4 人均收入 −0.477 4*** −5.492 1 −0.704 2*** −7.530 6 −0.736 7*** −9.462 7 人均收入平方 0.232 3*** 2.654 6 0.717 2* 7.622 8 1.158 3*** 14.787 4 年龄 −0.076 4*** −10.279 6 −0.014 2*** −1.779 5 −0.042 7*** −6.414 5 教育水平 −0.095 5*** −12.232 9 0.042 7*** 5.065 8 0.089 2*** 12.728 3 城镇 −0.350 0*** −24.681 1 −0.216 8*** −14.011 2 0.115 7*** 8.947 2 Year Fixed YES YES YES R2 0.417 3 0.228 1 0.586 6 F 520.741 2 120.426 4 1 036.239 4 注:*、**和***分别表示10%、5%和1%的显著水平。 表 5Bootstrap方法估计的中介效应及95%置信区间
路径 间接效应估计(标准化) 95%置信区间 下限 上限 总计间接效应 0.009 0 0.007 2 0.010 9 具体间接效应分解 ID→GINI→HCE 0.004 1 0.003 0 0.005 3 ID→CU→HCE 0.005 0 0.003 7 0.006 5 ID→GINI→CU→HCE −0.000 1 −0.000 4 −0.000 1 注:ID表示互联网依赖;GINI表示收入差距;CU表示消费升级;HCE表示家庭碳排放。 -
[1] REINDERS A, VRINGER K, BLOK K. The direct and indirect energy requirement of households in the European union[J]. Fuel & Energy Abstracts, 2003, 31(2): 139-153. [2] LIU L C, WU G, WANG J N, et al. China's carbon emissions from urban and rural households during 1992–2007[J]. Journal of Cleaner Production, 2011, 19(15): 1754-1762.doi:10.1016/j.jclepro.2011.06.011 [3] DING Q, CAI W J, WANG C, et al. The relationships between household consumption activities and energy consumption in China: an input-output analysis from the lifestyle perspective[J]. Applied Energy, 2017, 207(26): 520-532. [4] ZANG X L, ZHAO T, WANG J, et al. The effects of urbanization and household-related factors on residential direct CO2emissions in Shanxi, China from 1995 to 2014: a decomposition analysis[J]. Atmospheric Pollution Research, 2016, 8(2): 297-309. [5] LI Y, ZHAO R, LIU T, et al. Does urbanization lead to more direct and indirect household carbon dioxide emissions? evidence from China during 1996—2012[J]. Journal of Cleaner Production, 2015, 102(17): 102-114. [6] ZHANG Y J, BIAN X J, TAN W, et al. The indirect energy consumption and CO2emission caused by household consumption in China: an analysis based on the input–output method[J]. Journal of Cleaner Production, 2015, 163(19): 68-83. [7] 王钦池. 家庭规模对中国能源消费和碳排放的影响研究[J]. 资源科学, 2015, 37(2): 299-307. [8] DUARTE R, MAINAR A, SÁNCHEZ-CHÓLIZ J. The impact of household consumption patterns on emissions in Spain[J]. Energy Economics, 2009, 32(1): 176-185. [9] HAN L, XU X, HAN L. Applying quantile regression and Shapley decomposition to analyzing the determinants of household embedded carbon emissions: evidence from urban China[J]. Journal of Cleaner Production, 2015, 103(9): 219-230. [10] SALAHUDDIN M, GOW J, OZTURK I. Is the long-run relationship between economic growth, electricity consumption, carbon dioxide emissions and financial development in gulf cooperation council countries robust?[J]. Renewable and Sustainable Energy Reviews, 2015, 51(11): 317-326. [11] DAVID M, AUBRY A, DERIGENT W. Towards energy efficient buildings: how ICTs can convert advances?[J]. IFAC-PapersOnline, 2018, 51(11): 758-763.doi:10.1016/j.ifacol.2018.08.410 [12] BASTIDA L, COHEN J, ANDREA K, et al. Exploring the role of ICT on household behavioural energy efficiency to mitigate global warming[J]. Renewable and Sustainable Energy Reviews, 2019, 103(5): 455-462. [13] JIANG Z H, HAN J, LIU W Z, et al. Energy internet: a new driving force for sustainable urban development[J]. Energy Procedia, 2018, 152(4): 239-248. [14] ASONGU S, ROUX S, BIEKPE N. Enhancing ICT for environmental sustainability in sub-Saharan Africa[J]. Technological Forecasting & Social Change, 2018, 127(2): 209-216. [15] 李寿国, 宋宝东. 互联网发展对碳排放的影响: 基于面板门槛模型的实证研究[J]. 生态经济, 2019, 35(11): 33-36, 70. [16] HALL A, PARSONS J. Internet addiction: college student case study using best practices in cognitive behavior therapy[J]. Journal of Mental Health Counseling, 2001, 23(4): 312-327. [17] EHRLICH P, HOLDEN J. One-dimensional economy[J]. Bulletin of the Atomic Scientists, 1972, 28(5): 16-27.doi:10.1080/00963402.1972.11457930 [18] HEERINK N, MULATU A, BULTE E. Income inequality and the environment: aggregation bias in environmental Kuznets curves[J]. Ecological Economics, 2001, 38(3): 359-367.doi:10.1016/S0921-8009(01)00171-9 [19] 潘敏, 刘知琪. 居民家庭“加杠杆”能促进消费吗: 来自中国家庭微观调查的经验证据[J]. 金融研究, 2018, 61(4): 71-87. [20] KOUFARIS M. Applying the technology acceptance model and flow theory to online consumer behavior[J]. Information Systems Research, 2002, 13(2): 205-223.doi:10.1287/isre.13.2.205.83 [21] WANG Z, CUI C, PENG S. How do urbanization and consumption patterns affect carbon emissions in China? A decomposition analysis[J]. Journal of Cleaner Production, 2019, 211(6): 1201-1208. [22] BROWN P H, BULTE E, ZHANG X. Positional spending and status seeking in rural China[J]. Journal of Development Economics, 2011, 96(1): 139-149.doi:10.1016/j.jdeveco.2010.05.007 [23] IRELAND N J. Status-seeking, income taxation and efficiency[J]. Journal of Public Economics, 1998, 70(1): 99-113.doi:10.1016/S0047-2727(98)00062-0 [24] RICHARDSON S. Over-investment of free cash flow[J]. Review of Accounting Studies, 2006, 11(2-3): 159-189.doi:10.1007/s11142-006-9012-1 [25] 周伟贤. 投资过度还是投资不足: 基于A股上市公司的经验证据[J]. 中国工业经济, 2010, 27(9): 151-160. [26] 丁黎黎, 韦伟, 于文成. 互联网依赖对家庭超常规杠杆的作用解释: 双重风险的交互调节效应[J]. 山西财经大学学报, 2019, 41(8): 17-28. [27] 孙赫, 任金政, 王贝贝. 初始信任对个人互联网理财使用意愿的影响研究: 兼论性别、受教育水平等因素的中介效应与调节效应[J]. 管理评论, 2020, 32(1): 142-152. [28] BERNER J, MIKAEL R, CLAES J, et al. Factors associated with change in internet usage of Swedish older adults (2004—2010)[J]. Health Informatics Journal, 2013, 19(2): 152-162.doi:10.1177/1460458212462151 [29] 周广肃, 樊纲, 申广军. 收入差距、社会资本与健康水平: 基于中国家庭追踪调查(CFPS)的实证分析[J]. 管理世界, 2014, 30(7): 12-21, 51, 187. [30] 胡祖光. 基尼系数理论最佳值及其简易计算公式研究[J]. 经济研究, 2004, 50(9): 60-69. [31] 李晓楠, 李锐. 中国四大经济地区农户的消费结构及其影响因素分析[J]. 数量经济技术经济研究, 2013, 30(9): 89-105. [32] 朱勤, 彭希哲, 陆志明, 等. 人口与消费对碳排放影响的分析模型与实证[J]. 中国人口·资源与环境, 2010, 20(2): 98-102. [33] 王垒, 曲晶, 赵忠超, 等. 组织绩效期望差距与异质机构投资者行为选择: 双重委托代理视角[J]. 管理世界, 2020, 36(7): 132-153. [34] PREACHER J, HAYES A. Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models[J]. Behavior Research Methods, 2008, 40(3): 879-891.doi:10.3758/BRM.40.3.879 [35] TAYLOR A B, MACKINNON D P, TEIN J Y. Tests of the three-path mediated effect[J]. Organizational Research Methods, 2008, 11(2): 241-269.doi:10.1177/1094428107300344