二 中国环境规制与经济增长关系的实证分析
（一）模型的建立
1.模型的说明
由于面板数据具有精确度高和信息量大的优点，较之时间序列数据可以反映不同截面之间的不同，较之截面数据可以反映截面随时间的变化，具有全面、动态的效果。因此，本文采用面板数据模型对环境规制与经济增长的关系进行研究，选取全国除港澳台地区和西藏之外的30个省、自治区和直辖市2004—2012年的相关数据建立模型，分为东部、中部、西部地区进行比较分析。其中，东部、中部、西部的划分如上文。
2.数据来源与变量的选取
本文选取的数据是中国东部、中部、西部省份2004—2012年的省际面板数据，数据来自国家统计局网站。
本文主要研究环境规制与经济增长的关系，而环境规制对经济的作用有很大部分取决于环境规制对技术进步的作用，所以，本文采用以罗默等为代表的研究开发增长模型，根据该模型，在不考虑资本的情况下，经济增长主要受劳动和技术进步的影响。因此，本文选取城镇居民消费支出、国内专利申请受理量、工业污染治理完成投资额分别代表影响经济增长的劳动、技术和环境规制因素，以各个省份的GDP作为代表经济增长的变量。下面分别对所涉及的变量做简要说明。
国内生产总值（GDP）。经济增长一般指宏观经济增长，常用国内生产总值来衡量，指一国或地区在一定时期内最终产品和服务的增加。GDP受到各种因素的影响，是一定时期内各种因素作用于经济的反映。
工业污染治理完成投资额（E）。除环境立法之外，工业污染治理是政府环境规制的一大体现。在对环境的破坏中，工业污染是最严重的一部分，而工业污染治理完成投资额不仅是重要的环境规制措施，同时也可以反映政府环境规制的力度。
城镇居民消费支出（L）。本文选取城镇居民消费支出作为劳动因素的代表，因为：一是居民的消费支出大部分来源于劳动收入；二是居民的消费支出能促进企业生产经营，是拉动经济增长的重要力量。
国内专利申请受理量（N）。随着知识产权制度的完善和人们维权意识的提高，更多的科研人员为自己的研发成果申请专利，因此，选择专利申请受理量作为解释变量，不仅能反映科研成果，还在一定程度上反映了技术进步及其带来的经济产出。
3.模型的建立
本文认为，影响经济增长的因素有环境规制（E）、城镇居民消费支出（L）和国内专利申请受理量（N）。各地区的经济增长函数可表示为：
GDP= f（E，L，N）
具体的函数形式表示为：
式中，i表示不同地区，t表示不同年份。
通常面板数据有两种分析模型：固定效应模型和随机效应模型。由于两种模型的估计结果不是一致的，所以，为了获得更精确的估计结果，需要用Hausman检验来判断模型形式。
为了便于比较，先对方程两边取对数形式，得到计量方程为：
ln（GDPit）=α+β1ln（Eit）+β2ln（Lit）+β3ln（Nit）+εit
式中，α、β1、β2、β3是待估参数，ε代表其他没有在式中表示出来的影响经济增长的因素。
（二）实证检验
1.各变量的描述性统计
表3 各变量的描述性统计
续表
说明：表中第一行为东部地区数据，第二行为中部地区数据，第三行为西部地区数据。
2.东部地区实证检验
（1）单位根检验。为了保证数据的平稳性，需要利用Eviews对序列数据进行单位根检验，零假设为：序列存在单位根，是非平稳的。如果接受原假设，则序列是非平稳的，需要对序列进行逐阶差分，然后再次检验，直到序列平稳为止。经过多次检验，log（Eit）是平稳的，有截距项而没有趋势项；log （GDPit）、log（lit）、log（Nit）是一阶单整的，前两者有截距项而没有趋势项，后者既有截距项又有趋势项。
（2）协整检验。进行平稳性检验后，为了验证变量之间是否存在长期稳定的关系，需要对序列进行协整检验。在确定模型形式后对模型进行回归估计，然后检验残差项的单整性，如果残差项是平稳序列，则说明变量之间是协整关系。
（3）Hausman检验。利用Eviews对数据模型进行Hausman检验，零假设是“方程的残差项与解释变量不相关”，若接受零假设，则采用随机效应模型；若拒绝零假设，则采用固定效应模型。检验结果如表4所示。
表4 H检验结果（东部地区）
由表4可以看出，Hausman统计量为76.7492，相对应的概率为0.0000，在0.05的显著性水平下，拒绝原假设，所以应该采用固定效应模型。
（4）回归估计及结果。由上文得出，应采用固定效应的回归模型，回归结果如表5所示。
表5 最小二乘回归结果（东部地区）
回归方程为：
log（GDPit）=-3.4983-0.0117 log（Eit）+ 1.3044 log（Lit）+ 0.0780 log（Nit）
首先，对回归方程的残差项进行单位根检验，结果发现残差项是平稳的，因此，变量之间存在协整关系。
从表5中可以看出，模型的拟合优度为0.9974，说明解释变量对被解释变量的解释程度大，线性影响强。F统计量为2507.1580，对应的概率值为0.0000，说明模型的整体显著性强。从各个解释变量的概率值可以看出，除了工业污染治理完成投资额显著性较弱，其他变量均显著。
3.中部地区实证检验
（1）单位根检验。为了保证数据的平稳性，需要利用Eviews对序列数据进行单位根检验，零假设为：序列存在单位根，是非平稳的。如果接受原假设，则序列是非平稳的，需要对序列进行逐阶差分，然后再次检验，直到序列平稳为止。经过多次检验，log（Eit）是平稳的，有截距项而没有趋势项；log （GDPit）、log（Lit）、log（Nit）是一阶单整的，均有截距项而没有趋势项。
（2）协整检验。进行平稳性检验后，为了验证变量之间是否存在长期稳定的关系，需要对序列进行协整检验。在确定模型形式后对模型进行回归估计，然后检验残差项的单整性，如果残差项是平稳序列，则说明变量之间是协整关系。
（3）Hausman检验。利用Eviews对数据模型进行Hausman检验，零假设是“方程的残差项与解释变量不相关”，若接受零假设，则采用随机效应模型，若拒绝零假设，则采用固定效应模型。检验结果如表6所示。
表6 H检验结果（中部地区）
由表6可以看出，Hausman统计量为17.4300，相对应的概率为0.0006，在0.05的显著性水平下，拒绝原假设，所以应该采用固定效应模型。
（4）回归估计及结果。由上文得出，应采用固定效应的回归模型，回归结果如表7所示。
表7 最小二乘回归结果（中部地区）
回归方程为：
log（GDPit）=-4.1579+0.0009log（Eit）+1.4224log（Lit）+0.0324log（Nit）
首先，对回归方程的残差项进行单位根检验，结果发现残差项是平稳的，因此，变量之间存在协整关系。
从表7中可以看出，模型的拟合优度为0.9859，说明解释变量对被解释变量的解释程度大，线性影响强。F统计量为426.1119，对应的概率值为0.0000，说明模型的整体显著性强。从各个解释变量的概率值可以看出，除了工业污染治理完成投资额显著性较弱，国内专利申请受理量显著性不强，其他变量均显著。
4.西部地区实证检验
（1）单位根检验。为了保证数据的平稳性，需要利用Eviews对序列数据进行单位根检验，零假设为：序列存在单位根，是非平稳的。如果接受原假设，则序列是非平稳的，需要对序列进行逐阶差分，然后再次检验，直到序列平稳为止。经过多次检验，log（Eit）、log（GDPit）、log（Lit）、log（Nit）是一阶单整的，均有截距项而没有趋势项。
（2）协整检验。进行平稳性检验后，为了验证变量之间是否存在长期稳定的关系，需要对序列进行协整检验。在确定模型形式后对模型进行回归估计，然后检验残差项的单整性，如果残差项是平稳序列，则说明变量之间是协整关系。
（3）Hausman检验。利用Eviews对数据模型进行Hausman检验，零假设是“方程的残差项与解释变量不相关”，若接受零假设，则采用随机效应模型，若拒绝零假设，则采用固定效应模型。检验结果如表8所示。
表8 H检验结果（西部地区）
由表8可以看出，Hausman统计量为24.7044，相对应的概率为0.0000，在0.05的显著性水平下，拒绝原假设，所以应该采用固定效应模型。
（4）回归估计及结果。由上文得出，应采用固定效应的回归模型，回归结果如表9所示。
表9 最小二乘回归结果（西部地区）
回归方程为：
log（GDPit）=-6.0206+0.0440log（Eit）+1.4633log（Lit）+0.0603log（Nit）
首先，对回归方程的残差项进行单位根检验，结果发现残差项是平稳的，因此，变量之间存在协整关系。
从表9中可以看出，模型的拟合优度为0.9965，说明解释变量对被解释变量的解释程度大，线性影响强。F统计量为1879.4770，对应的概率值为0.0000，说明模型的整体显著性强。从各个解释变量的概率值可以看出各解释变量均显著。