Bersamaan dengan pertumbuhan ekonomi yang cepat, konsumsi batubara China telah melonjak lebih dari 30 tahun terakhir. Saat ini, jumlah batubara yang dikonsumsi oleh China lebih besar daripada negara lain di dunia, dan tingkat pertumbuhan tahunan konsumsi batubara adalah 7,8 persen antara tahun 2000 dan 2012. Akibatnya, batubara telah mendominasi energi China campuran-menurut data Biro Statistik Nasional, sejak tahun 1978, pangsa konsumsi batubara dari total konsumsi energi primer tetap di atas 65 persen.

Konsumsi batubara China telah berkembang di kecepatan yang hampir sama seperti pembangunan ekonomi, seperti batubara telah membantu mendorong pertumbuhan ekonomi China yang pesat sejak akhir 1970-an. Namun, ketergantungan yang tinggi China dan pertumbuhan yang cepat di konsumsi batubara juga membawa serangkaian masalah.

Masalah pertama yang diciptakan oleh konsumsi batubara China yang luas adalah polusi udara yang semakin serius. Semakin banyak insiden polusi berbahaya dalam beberapa tahun terakhir, yang diwakili oleh kabut dan kabut yang telah dilanda sebagian besar wilayah China timur dan utara sejak awal 2012, tidak hanya menjadi ancaman serius bagi kesehatan warga, tetapi juga menghambat pertumbuhan berkelanjutan China. Sebagai Poon dkk. (2006) telah mencatat, pembakaran bahan bakar fosil, terutama batu bara, merupakan salah satu penyebab utama partikel halus (PM2.5), yang merupakan komponen utama dari kabut dan kabut ini polusi. Beberapa studi terbaru telah memperkirakan kerugian ekonomi dan kesejahteraan yang disebabkan oleh konsentrasi tinggi PM2.5 di Cina. Dalam beberapa tahun terakhir, polusi udara meningkat juga telah menarik perhatian internasional yang luas dan karenanya merusak citra internasional China.

Masalah yang signifikan kedua berkaitan dengan konsumsi batubara adalah emisi Gas Rumah Kaca (GRK) yang dihasilkan oleh pembakaran batubara. Sejak tahun 1990, emisi CO2 China telah tumbuh pada kecepatan yang luar biasa. Saat ini, sebagai emitor gas rumah kaca terbesar di dunia, China menyumbang sekitar 25 persen dari emisi CO2 global. Mengingat bahwa perubahan iklim telah menjadi ancaman global, Beijing telah menghadapi tekanan dari masyarakat internasional untuk menahan emisi CO2.

Masalah ketiga, yang masih bisa diperdebatkan tetapi menyebabkan keprihatinan baru, adalah bahwa China semakin tergantung pada pasokan batubara dan energi yang diimpor. Meskipun Cina menghasilkan batubara paling banyak di dunia, Cina telah menjadi net importir batubara sejak 2007, dan jumlah impor meningkat pesat. Pada 2013, batubara impor bersih adalah sekitar 320 juta ton, dan rasio China ketergantungan pada impor batubara mencapai tinggi historis 8,1 persen. Karena China telah menjadi net importer minyak dan gas sejak tahun 1990-an, semua jenis utama dari konsumsi energi bergantung pada impor untuk berbagai derajat. Secara keseluruhan, rasio energi impor bersih terhadap total konsumsi energi telah meningkat pesat dari 3 persen pada tahun 1998 menjadi 11 persen pada tahun 2011. memperluas kesenjangan antara produksi dan konsumsi energi, terutama di batubara, mengancam China se- curity energi dan membentuk berkelanjutan penting hambatan pembangunan.

Untungnya, Cina telah mengakui masalah ini dan telah mulai melakukan upaya untuk mengontrol konsumsi batubara. Terbaru ef- benteng dibuat selama KTT APEC 2014, ketika Cina dan AS mengeluarkan Pengumuman Bersama tentang Perubahan Iklim. Menurut pengumuman, Cina berjanji untuk mencapai emisi CO2 puncaknya dan meningkatkan pangsa bahan bakar non-fosil dalam konsumsi energi primer menjadi sekitar 20 persen pada tahun 2030. Sebagai Auffhammer dan

Carson (2008) mencatat, di Cina, sebagian besar emisi CO2 berasal dari konsumsi batubara ; Oleh karena itu, apakah emisi CO2 China dapat dikurangi sangat tergantung pada dinamika konsumsi batubara. Selain itu, menurut pengalaman historis negara-negara maju, seperti Amerika Serikat, Inggris dan Jerman, konsumsi batubara Total mencapai puncaknya setelah pembangunan ekonomi telah mencapai tingkat tertentu.

Meminjam pengertian tentang Grossman dan Kruger (1991, 1995), U terbalik berbentuk En vironmental Kuznets Curve (EKC) dijelaskan konsumsi batubara. Oleh karena itu, pertanyaan apakah ada puncak konsumsi batubara China setara dengan menanyakan apakah ada sebuah EKC untuk konsumsi batubara di Cina. Sejauh ini, sebagian besar studi tentang EKCs telah berfokus pada berbagai jenis polusi lingkungan, dan hanya beberapa telah diselidiki EKCs untuk konsumsi energi (misalnya, Suri dan Chapman, 1998; Nguyen Van-2010). Sejauh ini, tidak ada penelitian memiliki secara khusus meneliti EKC untuk konsumsi batubara. Selain itu, banyak studi yang ada menderita berbagai masalah. Sebagai contoh, korelasi spasial konsumsi batubara umumnya diabaikan, yang berarti perkiraan bias. Dengan sepenuhnya mempertimbangkan korelasi spasial konsumsi batubara, penelitian ini menggunakan kerangka EKC dan data panel provinsi Cina untuk memperkirakan faktor-faktor yang memengaruhi konsumsi energi China dan kemudian menubuatkan gips total konsumsi batubara China melalui 2020 menggunakan alasan-bisa prediksi kunci penentu konsumsi batubara.

Sejak tahun 1990, studi tentang analisis ekonomi konsumsi energi telah mengumpulkan cepat. Secara umum, studi ini dapat diklasifikasikan ke dalam tiga kategori:

Yang pertama untai sastra mengeksplorasi kausalitas dari konsumsi energi Cina dan pertumbuhan ekonomi. Banyak peneliti telah meneliti kausalitas antara konsumsi energi dan tingkat pendapatan. Misalnya, Zhang (2000) menemukan bahwa peningkatan pendapatan adalah penentu paling penting dari peningkatan konsumsi energi dengan menguraikan emisi CO2 agregat menjadi faktor yang berbeda. Lee dan Chang (2008) dan Chontanawat dkk. (2008) diverifikasi Granger kausalitas dari konsumsi energi untuk pendapatan menggunakan Vector Autoregression (VAR) dan Vector Error Correction Model (VECM), masing-masing. Menggunakan data panel provinsi dan VECMs, Chang (2010) menemukan bahwa dua arah Granger hubungan kausalitas antara konsumsi energi dan pertumbuhan ekonomi ada di China. Dalam penelitian terbaru, Zhang et al. (2014) menemukan bukti untuk kausalitas jangka panjang dari pertumbuhan ekonomi China untuk emisi CO2 konsumsi energi terkait. Selain itu, Wang et al. (2013) diuji dan veri fi ed hubungan yang sama antara pertumbuhan ekonomi dan konsumsi energi dengan menggunakan konsep footprint.2 ekologi Sheng dkk. (2014) digunakan teknik regresi berperan untuk memverifikasi hubungan positif antara pertumbuhan ekonomi dan permintaan energi di China. Namun, hubungan sebab akibat antara konsumsi energi dan pertumbuhan ekonomi belum ditemukan di semua studi karena banyak peneliti telah gagal untuk mendapati bukti hubungan sebab akibat. Dengan kata lain, hubungan kausal tidak stabil, yaitu, tunduk Speci periode fi c di kisaran sampel (misalnya, Zou dan Chau, 2006; Soytas dan Sari, 2006), untuk Speci sumber fi c energi (misalnya, Zou dan Chau, 2006; Chang, 2010), atau untuk industri tertentu (misalnya, Dia et al., 2008). Misalnya, Soytas dan Sari (2006) menemukan bahwa kausalitas ada hanya dalam jangka pendek dan dapat melemahkan dari waktu ke waktu. Selain itu, Ia dkk. (2008) menemukan bahwa hubungan kausalitas antara konsumsi energi dan pertumbuhan ekonomi adalah signifikan hanya dalam industri sekunder.

Tubuh kedua sastra meneliti keberadaan EKC untuk konsumsi energi. Keberadaan empiris dari EKC adalah pertama diusulkan oleh Grossman dan Kruger (1991, 1995), dengan alasan bahwa ada hubungan terbalik berbentuk U antara kualitas lingkungan dan pertumbuhan ekonomi: selama tahap awal pertumbuhan ekonomi, pencemaran agregat dan lingkungan memburuk ; setelah tingkat puncak polusi tercapai, polusi berkurang dan lingkungan meningkatkan sebagai ekonomi terus tumbuh. Sebagian besar penelitian tentang EKC telah menyelidiki berbagai polutan, termasuk polutan atmosfer (seperti SO2, CO2, kebutuhan oksigen biologi, nitrogen oksida dan asap), polutan air (seperti kebutuhan oksigen kimia, COD), deforestasi, dan limbah padat . Karena banyak ulasan sastra yang tersedia untuk untai tertentu, kita menghilangkan keterangan seperti itu. Alur kedua difokuskan pada EKC konsumsi energi. Secara keseluruhan, beberapa studi terbaru menggunakan konsumsi energi sebagai proxy untuk tekanan lingkungan dan memperkirakan hubungan EKC antara konsumsi energi dan pembangunan ekonomi karena hasil estimasi mation untuk studi EKC tidak konsisten (Stern, 2004; Dinda, 2004; Auci dan Becchetti, 2006). Misalnya, Suri dan Chapman (1998) veri fi ed keberadaan konsumsi energi EKC dan menemukan bahwa ekspor dan impor barang-barang industri mendorong lereng atas dan ke bawah, masing-masing. Yoo dan Lee (2010) mendeteksi hubungan U-berbentuk statistik signifikan terbalik antara konsumsi per kapita listrik dan pendapatan per kapita. Namun, sebagaimana ditekankan dalam survei oleh Dasgupta dkk. (2002), banyak kritikus telah menantang EKC konvensional. Perbedaan hasil empiris antara pemeriksaan EKC begitu besar yang belum ada konsensus mengenai apakah hubungan EKC berlaku. Misalnya, Cole et al. (1997) menemukan adanya substansial dari konsumsi energi EKC hanya ketika indikator polutan atmosfer meningkatkan monoton dengan di- datang, jika konsumsi energi EKC tidak diamati. Luzzati dan Orsini (2009) meneliti konsumsi energi dengan menggunakan data panel untuk nilai absolut dari konsumsi energi. Mereka melakukan analisis menggunakan regresi parametrik dan semi-parametrik secara bersamaan untuk dunia serta untuk satu negara. Namun, konsumsi energi EKC diamati tidak untuk dunia maupun untuk negara tunggal. Saboori dan Sulaiman (2013) menganalisis EKC menggunakan Autoregressive Distributed Lag (ARDL) dan co-integrasi metode pengujian batas dan tidak menemukan dukungan untuk U terbalik berbentuk hubungan (EKC) ketika data konsumsi energi dikumpulkan digunakan. Selain itu, ada dua utama defisiensi dalam kelompok kedua studi. Yang pertama adalah bahwa konsumsi energi biasanya dipilih sebagai indikator proxy untuk tekanan lingkungan, dan secara umum, besaran yang digunakan dihitung dengan menggabungkan energi tertimbang sumber daya pembakaran. Namun, dibandingkan dengan data listrik atau konsumsi batubara, kesalahan mungkin menumpuk. Dengan demikian, keakuratan data tersebut rendah dan kurang dapat diandalkan. Hal ini mungkin untuk menghasilkan estimasi bias. Kelemahan kedua adalah bahwa, kecuali untuk listrik, investigasi yang berfokus pada sumber daya energi yang spesifik masih kurang. Sebagai contoh, keberadaan EKC untuk konsumsi batubara China masih belum jelas. Penelitian tersebut secara eksplisit bisa memeriksa U-berbentuk hubungan pendapatan batubara terbalik, yang jarang diperhatikan oleh para ekonom telah. Namun, melakukan riset ini penting utama karena emisi CO2 berhubungan positif dengan konsumsi batubara (Suri dan Chapman, 1998). Oleh karena itu, kemiringan ke bawah dari CO2 EKC setelah titik balik sangat ditentukan oleh puncak dan kemiringan ke bawah dari EKC batubara, kondisi lainnya sama. Selanjutnya, berdasarkan hubungan EKC diperiksa antara konsumsi energi dan pembangunan ekonomi, permintaan energi dapat diperkirakan. Misalnya, Anda (2013) pertama yang digunakan kation spesifik yang berbeda yang tergabung korelasi spasial konsumsi energi untuk memperkirakan dengan U terbalik berbentuk hubungan antara suatu emisi karbon dan PDB per kapita di Cina dan kemudian diproyeksikan CO2 emisinya menggunakan data provinsi 1995-2007.

Cabang ketiga sastra account untuk korelasi spasial konsumsi energi antar daerah tetangga. Sesuai- ing dengan Hukum Pertama Geografi (Tobler, 1970), korelasi spasial menyiratkan bahwa semua benda geografis dan atribut bergantung satu sama lain karena distribusi spasial, dan ada clustering, keacakan dan keteraturan dalam distribusi. Dengan kata lain, penentu kondisi lingkungan daerah tertentu tidak terbatas pada wilayah geografis di hipotesis. Karena, seperti Anselin (1988, 2001) menekankan, ada korelasi spasial eksplisit dalam emisi polutan atau konsumsi energi, koreksi untuk korelasi spasial bisa sangat meningkatkan perkiraan. Oleh karena itu, menghilangkan efek spasial dapat menghasilkan prediksi bias. Rupasingha dkk. (2004) dan Maddison (2006) digunakan Kesalahan Tata Ruang Modeling (SEM) dan Lag Tata Ruang Modeling (SLM) untuk mengontrol korelasi spasial dan menganalisis EKC polutan di AS menggunakan data tingkat kabupaten dan tingkat negara, masing-masing. Mereka berdua mendapati bahwa efek spasial yang penting dalam memahami polusi beracun di kabupaten AS. Demikian pula, Poon dkk. (2006) bekerja cek LM ketahanan untuk efek spasial. Penelitian lain yang telah veri fi ed adanya masalah tata ruang di emisi polutan lingkungan termasuk Giacomini dan Granger (2004), Maddison (2006), dan Auffhammer dan Steinhauser (2007). Adapun China, peningkatan jumlah studi tentang masalah lingkungan mempertimbangkan korelasi spasial. Misalnya, Guo dan Zheng (2012) secara empiris menganalisis berbagai EKCs polutan industri berdasarkan tata ruang yang berbeda efek fi xed model dan menyimpulkan bahwa ada ponent com- spasial yang kuat dalam kualitas lingkungan Cina.

dimanfaatkan model ADL spasial untuk memverifikasi ketergantungan spasial konsumsi batubara antara provinsi Cina dan diperkirakan konsumsi batubara China sampai 2.010,3 Penelitian lain yang mendukung relevansi spasial di Cina termasuk Ying (2003), Aroca dkk. (2006), dan Girardin dan Kholodilin (2009). Oleh karena itu, China con batubara sangkaan juga mungkin memiliki relevansi spasial seperti dengan konsumsi sumber daya energi lain dan emisi polutan.

Akibatnya, kontribusi dari makalah ini adalah tiga kali lipat. Pertama, korelasi spasial konsumsi batubara antara provinsi yang berdekatan dipertimbangkan penuh. Bias estimasi dapat diubah dengan mengontrol efek spasial, dan karena itu perkiraan berdasarkan hasil estimasi ini harus lebih akurat. Kedua, untuk yang terbaik dari pengetahuan kita, tulisan ini membuat upaya pertama untuk memeriksa keberadaan EKC untuk konsumsi batubara menggunakan data panel provinsi untuk China. Implikasi dari tion examina- ini sangat mudah: jika ada memang terbalik berbentuk U EKC untuk konsumsi batubara China, ada kemungkinan bagi Cina untuk mencapai titik balik dalam konsumsi batubara pada kondisi bahwa China mempertahankan development ekonomi yang berkelanjutan dan cepat. Ketiga, menggunakan hasil estimasi ketat mengontrol korelasi spasial, kita membuat prediksi untuk konsumsi batubara nasional dan propinsi menggunakan informasi provinsi tahun 2013 sampai dengan tahun 2020. Dibandingkan dengan perkiraan yang dihasilkan oleh analisis skenario murni, perkiraan kami memiliki pondasi yang kuat dan karena itu lebih akurat dan wajar. Prediksi ini juga dapat digunakan sebagai referensi penting bagi para pembuat kebijakan untuk mengendalikan konsumsi batubara China sebelum 2020, terutama untuk merumuskan target konsumsi batubara wajar total 13 Rencana lima tahun (2016-2020).

Sisa dari makalah ini disusun sebagai berikut. Dalam Bagian 2, data yang digunakan dalam penelitian ini adalah pertama fi ditafsirkan, dan set-up dari model empiris dan metode peramalan dijelaskan. Dalam Bagian 3, hasil regresi dilaporkan, dan perkiraan berdasarkan hasil estimasi dilakukan. Dalam Bagian 4, beberapa temuan penting dari hasil regresi dan fitur dinamis diprediksi konsumsi batubara

nasional dan provinsi yang dibahas. Akhirnya, Bagian 5 menyimpulkan dan mengidentifikasikan beberapa implikasi kebijakan yang relevan.

Metode

2.1. Data

Dalam beberapa tahun terakhir, pertumbuhan ekonomi China telah didorong oleh peningkatan konsumsi batubara. Menurut China Energy Statistical Yearbook, konsumsi batubara telah dipercepat sejak pertengahan 1990-an, dan tingkat pertumbuhan tahunan rata-rata konsumsi batubara di Cina setinggi 10 persen (China Energy Statistical Yearbook, 2002-2006) selama Lima-Rencana tahun ke-10.(2001-2005). Saat ini, konsumsi batu bara China mencapai sekitar 50% dari tingkat dunia. Karena tidak ada statistik untuk konsumsi batubara provinsi sebelum tahun 1995, seri data tanggal ke 1995.

Selain konsumsi batubara, indikator ekonomi dan sosial juga digunakan sebagai variabel penjelas utama. Indikator berikut digunakan:

(1) PDB per kapita (pada 1978 harga konstan). Ada banyak penelitian yang menunjukkan relevansi konsumsi energi untuk pendapatan per kapita dan keberadaan EKC untuk konsumsi batubara (misalnya, Suri dan Chapman, 1998;. Bloch et al, 2012). Dengan demikian, PDB per kapita dan jangka persegi diperkenalkan pada saat yang sama untuk menguji hubungan EKC mungkin. Untuk menjaga komparatif, data untuk PDB per kapita telah dikonversi ke 1978 harga konstan.

(2) Rasio nilai industri sekunder ditambahkan ke PDB. Banyak peneliti telah mencatat bahwa industri sekunder adalah konsumen batubara utama (IEA, 2010). Hal ini terutama berlaku bagi Cina. Karena pentingnya industri sekunder telah meningkat secara dramatis sejak reformasi dan pembukaan Cina, rasio rata-rata di atas 40 persen 2000-2012 (China statistik Yearbook 2014). Dengan demikian, rasio ini termasuk dalam penelitian ini sebagai variabel independen.

(3) tingkat Urbanisasi. Secara umum, dibandingkan dengan mereka di daerah pedesaan, warga di perkotaan cenderung mengkonsumsi barang-barang industri lebih, dan kota-kota Cina masih mengandalkan batubara untuk pemanasan. Akibatnya, urbanisasi yang cepat di China juga dapat memicu konsumsi batubara. Penelitian ini menggunakan tingkat urbanisasi untuk mengendalikan karakteristik demografi yang berkaitan dengan urbanisasi dan dengan demikian dapat mempengaruhi permintaan batubara.

(4) keterbukaan Perdagangan. Perdagangan juga telah memainkan peran penting dalam pertumbuhan ekonomi China. Dalam dekade berikut aksesi China ke Organisasi Perdagangan Dunia pada tahun 2000, tingkat pertumbuhan rata-rata perdagangan luar negeri China (jumlah impor dan ekspor volume) setinggi 17,78 persen (berbagai tahun dari China Energy statistik Yearbook). Keterbukaan perdagangan, diukur dengan rasio total impor dan ekspor volume terhadap PDB, adalah variabel yang umum digunakan dalam studi EKC terkait (Cole, 2003; Ang, 2009). Selain itu, dalam sebuah penelitian terbaru, Shahbaz dkk. (2013) dimanfaatkan Autoregressive Distributed Lag (ARDL) dan Vector Error Correction Model (VECM) metode untuk memverifikasi bahwa perdagangan luar negeri terkait erat dengan konsumsi energi China dan pertumbuhan ekonomi. Setelah penelitian ini, penelitian ini menggunakan keterbukaan perdagangan sebagai variabel kontrol.

Kami memanfaatkan data provinsi di estimasi dan forecasts.6 Total data konsumsi batubara provinsi 1995-2012 yang diambil dari China Energy statistik Buku Tahunan 1996-2013. Data penduduk provinsi dikumpulkan dari China statistik Buku Tahunan 1996-2013. Indikator sosial ekonomi lainnya (termasuk PDB per kapita, rasio industri sekunder nilai tambah terhadap PDB, jumlah total impor dan ekspor) dari seluruh provinsi yang terkandung diamati dari berbagai tahun provinsi statistik Buku Tahunan dan China Kompendium Statistik 1949-2008 ( Biro Statistik Nasional Cina, 2010). Sebagai ringkasan, statistik deskriptif semua variabel yang digunakan dalam penelitian ini adalah pada Tabel 1.

2.2. Regresi spesifikasi-spesifikasi

Seperti disebutkan sebelumnya, hubungan EKC antara konsumsi batubara dan pertumbuhan ekonomi di Cina diperiksa. Berikut Auffhammer dan Carson (2008) dan Anda (2013), persamaan estimasi patokan adalah sebagai berikut:

...

Untuk menggambarkan korelasi spasial konsumsi batubara lebih intuitif, kita memetakan konsumsi batubara dari semua 29 provinsi di bawah penyelidikan pada tahun 1995 dan 2012 di panel A dan B, masing-masing, dari Gambar. 1. Ada dua pengamatan utama dari Gambar. 1. Pertama, di kedua tahun, ada tanda-tanda yang jelas korelasi spasial konsumsi batubara. Misalnya, di kedua tahun, 6 provinsi di China utara (Shanxi, Mongolia, Hebei, Liaoning, Shan- dong dan Jiangsu) termasuk dalam kelompok yang batubara konsumsi per kapita relatif tinggi (bagian atas dan kategori kedua tertinggi). Sebaliknya, 4 provinsi di barat daya China (Yunnan, Guizhou, Guangxi dan Hainan) memiliki konsumsi batubara per kapita yang relatif rendah di kedua tahun. Pengamatan kedua dari Gambar. 1 adalah bahwa pola dasar konsumsi batubara tetap konstan selama periode sampel hampir dua dekade. Mengingat pembangunan ekonomi dan sosial yang cepat, pola terus-menerus dari konsumsi batu bara juga, sampai batas tertentu, menunjukkan peran momentum konsumsi batubara. Ada dua kemungkinan penjelasan untuk pola yang jelas konsumsi batubara China. Pertama, menurut Poon et al. (2006), industri pemakai batubara utama adalah pembangkit listrik, besi dan baja, konstruksi, bahan dan industri kimia. Di antara industri ini, pembangkit listrik telah sangat meningkatkan permintaan batubara. Selanjutnya, Shandong, Guangdong dan Jiangsu, memiliki pembangkit listrik yang paling panas di negara itu pada tahun 2012. listrik tenaga panas yang lebih besar dari 100 miliar Kwh dihasilkan di tiga provinsi terkemuka ini (Cina Energi Statistik Yearbook, 2013). Kedua, meskipun industri listrik, industri batubara padat lainnya, seperti besi dan baja, konstruksi dan bahan kimia, terkonsentrasi di 6 daerah yang sama . Ini adalah kasus di Sichuan, Hebei, Shanxi, Shandong, Mongolia dan Jiangsu. Adanya konsentrasi konsumsi batubara menunjukkan simulasi perilaku konsumsi batubara produktif provinsi yang berdekatan, dan mungkin ada korelasi antar spasial konsumsi batubara.

Untuk makalah ini, mirip dengan pendekatan dari Auffhammer dan Carson (2008) dan Anda (2013), spasial antar korelasi konsumsi batubara provinsi dihitung dengan

….

variabel kunci yang dibutuhkan untuk menghitung ekspresi ini justru adalah ruang matriks berat wij. Ada beberapa cara untuk membangun wij, dan kriteria yang paling umum digunakan untuk menilai apakah dua wilayah yang berdekatan jarak antara dua wilayah dan kedekatan geografis. Berikut literatur klasik di ekonometrik spasial, seperti Abreu et al. (2005) dan Madariaga dan Poncet (2007), kita memilih jarak ambang 1624 km. Dengan kata lain, jika jarak linear antara dua ibu kota kurang dari 1624 km, dua provinsi yang dianggap spasial yang berdekatan, sesuai dengan Wij = 1 dan menunjukkan bahwa korelasi spasial di konsumsi batubara dari kedua provinsi ini ada. Jika jarak linear antara dua kota modal lebih besar dari ambang batas ini, maka Wij = 0, menyiratkan bahwa tidak ada signi fi hubungan spasial tidak bisa antara dua provinces.9,10 ini Kemudian, matriks adalah baris standar untuk menghilangkan efek skala. Setelah baris standardisasi, jumlah elemen dalam setiap baris adalah salah satu, dan unsur-unsur menunjukkan korelasi spasial provinsi sesuai. Prosedur ini memenuhi semua persyaratan ditekankan oleh Giacomini dan Granger (2004) untuk matriks berat spasial cocok. Kemudian, kita kalikan matriks dengan konsumsi batubara dari tetangga provinsi i pada periode sebelumnya untuk menghitung xxx. Nilai-nilai istilah ini dimanfaatkan sebagai pengamatan untuk pengaruh spasial provinsi lain di provinsi i.

2.3. Metode Perhitungan

Untuk menentukan model terbaik untuk peramalan, tiga metode yang berbeda yang digunakan untuk memperkirakan Persamaan, termasuk Efek Tetap (FE) estimator, Square Variabel Dummy (LSDVC) Model Least Bias-Dikoreksi dan Metode Generalized Moments (GMM). dikarenakan harus ada beberapa faktor provinsi-spesifik yang dapat mempengaruhi konsumsi batubara tetapi berubah-ubah dari waktu ke waktu, harus ada heterogenitas di seluruh provinsi. Oleh karena itu, estimator FE harus dimanfaatkan untuk mengendalikan heterogenitas ini, dan hasil estimasi dari FE dapat diperlakukan sebagai patokan untuk metode estimasi lainnya, lebih maju dan rumit, berikut Auffhammer dan Carson (2008) dan Anda (2013). Karena estimator FE masih memiliki beberapa cacat dan keterbatasan, dua metode estimasi tambahan, LSDVC dan GMM, dipekerjakan. Alasan untuk memilih dua metode estimasi yang saling melengkapi ini dijelaskan di bawah.

Pertama, meskipun FE estimator dapat mengatasi heterogenitas, tidak dapat mengatasi masalah endogenitas yang mungkin berasal dari hubungan kausal bilateral antara variabel dependen dan independen atau variabel diabaikan. Ini juga merupakan masalah yang paling penting dalam Cattaneo dkk. (2011) dalam upaya sebelumnya untuk meramalkan konsumsi batubara industri China menggunakan informasi provinsi terpilah. Menurut Persamaan. (1), konsumsi batubara per kapita adalah variabel dependen, dan PDB per kapita merupakan variabel penjelas. Namun, seperti Fei et al. (2011) dan Zhang dan Xu (2012) mencatat, ada hubungan kausal bilateral antara konsumsi energi dan PDB per kapita, dan karena harus ada beberapa faktor yang dapat memengaruhi konsumsi batubara tetapi tidak dapat diperkenalkan ke dalam spesifik kation, sebuah endogenitas blem pro mungkin ada. Untuk mengatasi endogenitas, sistem GMM dikembangkan oleh Arellano dan Bond (1991) digunakan. Selain itu, Conley (1999) telah membuktikan bahwa koefisien fi estimasi koefisien

yang dihasilkan oleh sistem GMM konsisten, bahkan ketika ada korelasi spasial. Selanjutnya, Nickell (1981), Kiviet (1995), dan Judson dan Owen (1999) dimanfaatkan Simulasi Monte Carlo untuk membuktikan bahwa LSDVC melebihi GMM bias atau rata-rata Kesalahan Squared (MSE) dalam keadaan tertentu. Oleh karena itu, model LSDVC juga dibandingkan dengan model GMM.

2.4.

Makalah ini memperkirakan konsumsi batubara provinsi 2013-2020 berdasarkan model dengan kekuatan prediksi tertinggi. Untuk mengevaluasi daya prediksi masing-masing model, diperkiraan sampel konsumsi batubara selama lima tahun terakhir (2008-2012) dilakukan, dan kemudian, di-sampel hasil perkiraan dibandingkan dengan data aktual. Secara khusus, kami menggunakan Root Mean Squared Peramalan Kesalahan (RMSFE) dan rata-rata Berarti Squared Peramalan Kesalahan (AMSFE) untuk menentukan akurasi perkiraan. Formula untuk RMSFE dan AMSFE adalah sebagai berikut

di mana n merupakan jumlah provinsi dan T jumlah tahun di kisaran sampel; t1 adalah akhir periode estimasi (t1 = 2007 dalam makalah ini). Kami terlebih dahulu menghitung nilai RMSFE dan AMSFE untuk setiap provinsi, dan kemudian mendapatkan rata RMSFE dan AMSFE untuk semua 29 provinsi. Semakin rendah rata RMSFEand AMSFE, semakin akurat perkiraan. Oleh karena itu, strategi yang sederhana dan jelas: membiarkan data berbicara sendiri.

Tanpa menyatakan hipotesis hasil metode estimasi yang berbeda, kita hanya mempertimbangkan perkiraan sampel di-masing-masing model dan kemudian membandingkan RMSFE rata mereka dan nilai-nilai AMSFE. Model dengan RMSFE terendah dan / atau AMSFE dipilih sebagai model acuan. Untuk out-of-sampel perkiraan, kita pertama-tama memprediksi nilai-nilai dari variabel-variabel kunci yang memengaruhi konsumsi batubara China (yaitu, variabel penjelas dari model benchmark), dan kemudian, konsumsi batubara provinsi diprediksi dan variabel penjelas kunci diganti menjadi model acuan untuk meramalkan konsumsi batubara provinsi untuk setiap tahun. Jumlah perkiraan konsumsi batubara provinsi memberikan konsumsi batubara nasional yang diproyeksikan. Perlu dicatat bahwa kami menggunakan informasi provinsi untuk meramalkan konsumsi batu bara nasional. Seperti ditekankan oleh Auffhammer dan Steinhauser (2007) dan Cattaneo dkk. (2011), prediksi yang lebih akurat dapat dihasilkan menggunakan data terpilah (misalnya, provinsi-tingkat data) dibandingkan dengan data nasional agregat karena data terpilah dapat menjelaskan heterogenitas daerah (Baltagi et al., 2012), yang merupakan masalah yang signifikan dalam konteks Cina. Oleh karena itu, dengan menggunakan data provinsi daripada data nasional sangat meningkatkan kinerja perkiraan (Marland et al, 2003;. ERI, 2004; Jiang dan Hu, 2006).

Kesimpulannya, untuk mendapatkan model terbaik untuk perkiraan, kami bekerja FE, GMM dan LSDVC untuk memperkirakan Persamaan. (1) dan membandingkan hasil mereka dan akurasi mereka dalam perkiraan sampel oleh perhitungannya RMSFE dan nilai-nilai AMSFE.

3. Hasil

3.1. Estimasi hasil Eq1

Seperti disebutkan dalam bagian sebelumnya, FE, GMM dan LSDVC metode yang digunakan untuk memperkirakan Persamaan. (1). Hasil estimasi disajikan pada Tabel 2. Pada Tabel 2, model (1) dan (2) diperkirakan menggunakan metode data panel FE. Model (3) - (5) diperkirakan oleh sistem GMM; model (6) - (8), oleh LSDVC. Perlu dicatat bahwa dalam model (3) - (8), korelasi spasial dikendalikan oleh memasukkan XXXXXXX jangka. Untuk masing-masing model, kami melaporkan fi tions ca- spesifik dengan semua koefisien koefisien fi yang secara statistik signifikan setidaknya pada tingkat 10%. Karena sistem GMM dan LSDVC estimasi telah dikendalikan untuk potensi endogenitas, dan karena integrasi spasial diperkenalkan di GMM dan LSDVC estimasi, mereka menghasilkan hasil yang lebih handal dan masuk akal daripada estimator FE. Oleh karena itu, model patokan untuk ramalan dipilih dari antara GMM dan model LSDVC. Karena model (3) memiliki RMSFE terendah dan nilai-nilai AMSFE, ia memiliki tertinggi dalam sampel akurasi perkiraan; Oleh karena itu, kami menggunakan model yang (3) untuk out-of-sampel perkiraan.

3.2. Forecasting China’s coal demand for the 2013–2020 period

Seperti disebutkan sebelumnya, out-of-sampel perkiraan ini didasarkan pada hasil perkiraan di-sampel. Karena model (3) pada Tabel 2 memiliki RMSFE terendah dan nilai-nilai AMSFE, dia digunakan sebagai model prediksi benchmark. Secara khusus, prosedur perkiraan ditafsirkan sebagai berikut.

Sebelum perkiraan permintaan batubara dilakukan, sangat penting untuk meramalkan variabel penjelas yang digunakan dalam model 3. Karena hubungan EKC antara konsumsi batubara dan PDB per kapita ada dan koefisien dari PDB per kapita cukup besar dalam besarnya, PDB per kapita merupakn indikator yang paling penting dari konsumsi batubara perkiraan. Banyak lembaga akademis dan peneliti telah menerbitkan berbagai prediksi jangka pendek dan menengah dari tingkat pertumbuhan PDB China. Untuk memastikan otoritas dan objektivitas dari hasil perkiraan, tingkat pertumbuhan proyeksi PDB 2013-2020 yang dilakukan oleh Akademi Ilmu Sosial China (CASS) dipekerjakan sebagai benchmark. Mengingat ketidakpastian yang terlibat dalam pembangunan ekonomi China, terutama karena China memasuki "normal baru", perlu untuk mempertimbangkan kemungkinan dampak dari tingkat pertumbuhan ekonomi yang berbeda pada konsumsi batubara. Oleh karena itu, kami mempertimbangkan dua alternatif tingkat pertumbuhan PDB. Dalam skenario kedua, tingkat pertumbuhan rata-rata PDB per kapita antara 2013 dan 2020 adalah 20% lebih rendah dari pada skenario acuan, sedangkan dalam skenario ketiga, tingkat pertumbuhan rata-rata 20% lebih tinggi benchmark. Akibatnya, skenario kedua dan ketiga diberi nama "pertumbuhan rendah" dan "pertumbuhan yang tinggi" skenario, masing-masing.

Karena kami menggunakan PDB per kapita sebagai variabel penjelas, penduduk provinsi tersebut diprediksi harus digunakan untuk perhitungan nilai per kapita. Kami menggunakan data penduduk diprediksi, termasuk tingkat kematian dan kelahiran, dari Bank Dunia Penduduk Peramalan Laporan di 2010-2050 (Bank Dunia, 2011). Mengingat fakta bahwa variasi laju pertumbuhan penduduk tidak besar seperti yang dari tingkat pertumbuhan PDB, terutama sebelum 2020, kita tidak menguji skenario alternatif untuk laju pertumbuhan penduduk.

Singkatnya, tingkat pertumbuhan PDB diproyeksikan dan indikator penduduk untuk tiga skenario ditunjukkan pada Tabel 3.12

Setelah prediksi variabel penjelas kunci dibuat, konsumsi batubara provinsi dan nasional China dapat diperkirakan. Menurut model 3, perkiraan yang dibuat untuk masing-masing provinsi dan tahun. Misalnya, pada tahun 2013, provinsi i konsumsi batubara diperkirakan dengan memperkirakan model 3 menggunakan PDB diproyeksikan per kapita untuk tahun 2013, konsumsi batubara sendiri pada tahun 2012 dan faktor spasial XXXXX dihitung dari konsumsi batubara semua provinsi lain 'pada tahun 2012. Setelah batubara nilai konsumsi untuk semua provinsi telah diperkirakan untuk 2013, prosedur yang sama digunakan untuk meramalkan konsumsi batubara provinsi untuk setiap tahun

tersisa pada periode 2014-2020 peramalan. Konsumsi batubara nasional yang diproyeksikan adalah sama dengan jumlah dari konsumsi batubara diproyeksikan dari seluruh provinsi. Pada Gambar. 2, perkiraan konsumsi batubara nasional untuk ketiga skenario diplot dari 2013-2020

4. Pembahasan

4.1. Estimasi hasil untuk menentukan konsumsi batubara

Beberapa temuan dasar dari hasil estimasi yang ditunjukkan pada Tabel 2 tercantum sebagai berikut:

Pertama, ada bukti yang mendukung keberadaan sebuah EKC untuk konsumsi batubara China. Untuk semua model, estimasi koefisien koefisien dari PDB per kapita yang signifikan dan positif, sedangkan koefisien koefisien istilah persegi yang signifikan dan negatif. Hasil ini menunjukkan ada terbalik berbentuk U EKC.13 Untuk batas tertentu, temuan ini memperdalam pemahaman tentang hubungan antara konsumsi energi China dan pertumbuhan ekonomi. Dalam studi sebelumnya, beberapa peneliti memiliki diverifikasi kausalitas linear dari konsumsi batubara untuk pertumbuhan ekonomi di China (misalnya, Bloch et al, 2012;. Li dan Leung, 2012). Dalam penelitian terbaru, Zhang dan Da (2015) menemukan bahwa meskipun pertumbuhan ekonomi masih membuktikan kontributor utama emisi konsumsi batubara dan CO2, efek decoupling relatif antara emisi CO2 yang berhubungan dengan energi final dan pertumbuhan ekonomi di China telah menjadi semakin jelas sejak pertengahan -1990s. Temuan-temuan dari studi sebelumnya menunjukkan bahwa hubungan sebenarnya antara konsumsi batubara dan pertumbuhan ekonomi di China mungkin mungkin nonlinier, yang dikonfirmasi oleh hasil estimasi kami. Lebih konkret, perhubungan antara kedua terbukti berbentuk terbalik-U. Ada dua kemungkinan penjelasan untuk keberadaan EKC untuk konsumsi batubara di Cina. Pertama, warga China mungkin menuntut peningkatan kualitas lingkungan, udara bersih terutama, pembangunan ekonomi mencapai tahap tertentu. Saat ini, kabut dan kabut polusi serius sering mempengaruhi sebagian besar timur dan utara Cina, yang telah membangkitkan kesadaran lingkungan dari peningkatan jumlah orang-orang Cina. Di bawah tekanan yang meningkat dari masyarakat, pemerintah China juga telah mulai aktif membatasi konsumsi batubara yang paling disalahkan atas polusi udara yang serius. Kedua, bauran energi China telah mulai bergerak ke arah yang lebih bersih. Meskipun batubara masih merupakan sumber energi yang dominan di China, pangsa konsumsi energi telah menurun dari 76,2% pada tahun 1990 menjadi sebesar 66,6% pada tahun 2012 (Cina Statistik Yearbook 2014). Dalam beberapa pernyataan, pemerintah China telah berjanji untuk terus mengurangi rasio konsumsi batubara dan untuk mempromosikan penggunaan sumber energi yang lebih bersih, seperti matahari dan angin. Dengan mengubah struktur ekonomi dan industrinya, China bisa meningkatkan bauran energi dan mengurangi konsumsi batubara bahkan total kebutuhan energi meningkat.

Selain itu, koefisien koefisien positif dari XXXXXX interaksi spasial dalam model (3) - (8) menunjukkan bahwa korelasi spasial konsumsi batubara China adalah positif dan secara statistik signifikan. Merintis ini konsisten dengan Cattaneo dkk. (2011). Selain itu, korelasi spasial positif konsumsi batubara menjelaskan, untuk sebagian besar, mengapa konsumsi batubara puncak belum tercapai. Perlu dicatat bahwa menurut hasil estimasi model (3), model patokan untuk ramalan, titik balik teoritis dari EKC terjadi ketika PDB per kapita mencapai 4.627 yuan (pada 1978 harga konstan). China PDB per kapita pada tahun 2012 sudah 6.545 yuan (pada 1978 harga konstan), dan konsumsi batubara puncak telah mungkin tidak pernah reached.15 Karena titik balik dari EKC dihitung murni berdasarkan taksiran koefisien koefisien dari PDB per kapita dan yang kuadrat istilah, titik balik

teoritis sebenarnya mengabaikan efek dari semua variabel kontrol. Korelasi spasial yang positif dalam konsumsi batubara menunjukkan bahwa provinsi dapat dirangsang untuk lebih banyak mengkonsumsi batubara ketika mengamati provinsi tetangganya meningkatkan konsumsi batubara. Mengingat sangat tinggi perkirakan efisien koefisien dari variabel spasial integrasi XXXX, korelasi spasial konsumsi batubara cukup tinggi untuk terus meningkatkan konsumsi batubara bahkan setelah teori titik balik telah tercapai. Ada beberapa kemungkinan alasan untuk keberadaan ketergantungan spasial:

(1) konsumsi batubara Tinggi biasanya didorong oleh industrialisasi yang pesat dan perkembangan industri berat. Selama jangka pendek dan menengah, pesatnya perkembangan industri batubara padat dalam satu provinsi dapat secara efektif mendorong pertumbuhan ekonomi. Oleh karena itu, provinsi tetangga memiliki insentif yang kuat untuk menyalin gaya pengembangan provinsi itu, yang dapat menyebabkan konsumsi batubara daerah meningkat dengan cepat.

(2) Karena cadangan batubara di China tidak merata, provinsi dengan cadangan batubara yang kaya dan provinsi tetangga mereka cenderung untuk mengembangkan industri batubara padat. Provinsi utara Mongolia dan Shanxi, misalnya. Sebagai produsen batubara besar, akan lebih mudah bagi mereka untuk mengangkut batubara kokas untuk provinsi terdekat, seperti Hebei dan Liaoning.

(3) Sebagai Maasoumi dan Wang (2008) mencatat, pembangunan antar daerah yang berbeda begitu tidak seimbang bahwa beberapa klub konvergensi di China dapat diamati. Provinsi di klub konvergensi masing-masing memiliki struktur industri dan gaya pembangunan ekonomi yang sama. Akibatnya, provinsi di klub konvergensi yang sama dapat berbagi karakteristik konsumsi batubara; Oleh karena itu, korelasi spasial konsumsi batu bara di provinsi ini mungkin signifikan (Poon et al., 2006).

Pengamatan penting lain dari hasil estimasi ditunjukkan pada Tabel 2 adalah inersia konsumsi batubara provinsi dari waktu ke waktu. Karena koefisien dari lag pertama konsumsi batubara XXXXXXXXX adalah secara signifikan positif dan relatif stabil dalam besarnya (berkisar antara 0,7 dan 0,9 untuk sistem GMM dan LSDVC estimasi), konsumsi batubara dari satu provinsi yang dipengaruhi berat oleh konsumsi historisnya.

Variabel kontrol lainnya juga memiliki dampak penting pada konsumsi batubara. Misalnya, karena diperkirakan koefisien rasio Kedua adalah signifikan dan positif, rasio yang lebih tinggi dari industri sekunder meningkatkan permintaan batubara. Secara khusus, peningkatan pangsa industri sekunder sebesar satu persen akan menyebabkan konsumsi batubara per kapita naik sekitar 1%, hal lain dianggap sama. Demikian pula, hasil menunjukkan bahwa urbanisasi merupakan alasan penting untuk lonjakan konsumsi batubara dan polutan terkait emissions.16 fi nding ini sejalan dengan penelitian sebelumnya (misalnya, Auffhammer dan Carson, 2008; Anda, 2013). Namun, koefisien koefisien keterbukaan perdagangan untuk sistem GMM dan LSDVC estimasi yang signifikan dan negatif (model 5 dan 8 pada Tabel 2), menyiratkan bahwa Polusi Haven Hipotesis (PHH) tidak berlaku bagi Cina.

4.2. The dynamic features of projected national and provincial coal consumption

Seperti yang ditunjukkan pada Gambar. 2, tren konsumsi batubara China meningkat dari 2013 ke 2020. Hanya dalam skenario pertumbuhan yang tinggi puncak konsumsi batu bara nasional, sekitar 4,16 miliar metrik ton pada 2019. Sebuah pengamatan yang menarik dari Gambar. 2 adalah bahwa

tingkat pertumbuhan konsumsi batubara yang lebih tinggi ketika tingkat pertumbuhan PDB yang lebih rendah. Alasan utama untuk fenomena ini adalah bahwa terbalik berbentuk U EKC ada dan mendominasi dinamika konsumsi batubara. Ketika ekonomi tumbuh pada kecepatan yang lebih tinggi, warga menuntut perbaikan lingkungan yang meningkatkan tekanan pada energi-intensif dan polusi intensif rms untuk beralih dari batubara kotor untuk bentuk-bentuk energi lainnya. Ketika tekanan untuk mengurangi konsumsi batubara menguasai peningkatan permintaan batubara yang disebabkan oleh pertumbuhan ekonomi, konsumsi batubara mencapai titik balik dan kemudian mulai menurun. Menurut sistem hasil estimasi GMM ditunjukkan pada Tabel 2, tingkat PDB per kapita yang sesuai dengan titik balik dari konsumsi batubara telah dicapai oleh beberapa provinsi dikembangkan, dan tingkat akan dicapai oleh mayoritas provinsi segera setelah mulai tahun dari periode peramalan (2013). Akibatnya, semakin cepat PDB per kapita tumbuh, semakin cepat puncak konsumsi batubara akan tercapai.

Konsumsi batu bara nasional diperkirakan disajikan dalam baris terakhir dari Tabel 4. Sebuah perhitungan sederhana menunjukkan bahwa kenaikan konsumsi batu bara nasional pada kecepatan penurunan di bawah skenario patokan. Tingkat pertumbuhan tahunan nasional konsumsi batubara menurun dari 16,9% 1995-2012 menjadi sekitar 2,7% 2013-2020. Selain itu, untuk periode 2018-2020, konsumsi batubara diproyeksikan akan meningkat hanya sedikit, tingkat pertumbuhan tahunan 1,11 persen. Akibatnya, di bawah skenario patokan, puncak konsumsi batubara China setelah tahun 2020. Mengingat perbedaan pengembangan yang cukup besar antar daerah di Cina, dinamika diproyeksikan konsumsi batubara mungkin bervariasi sangat oleh provinsi. Pada Tabel 4, konsumsi batubara provinsi antara 2013 dan 2020 diprediksi oleh skenario acuan juga disajikan. Berdasarkan skenario patokan, beberapa provinsi yang relatif dikembangkan akan mencapai titik balik dalam konsumsi batubara sebelum 2020 (misalnya, Beijing pada tahun 2017, Guangdong pada tahun 2018), sementara sebagian besar dari remote, mengembangkan provinsi barat (seperti Guizhou, Yunnan dan Gansu) akan mengalami pertumbuhan yang relatif cepat dalam konsumsi batubara. Menurut ramalan, provinsi dapat dibagi menjadi tiga kategori berdasarkan karakteristik dinamis konsumsi batubara diproyeksikan.

Untuk kelompok pertama provinsi, konsumsi batubara terus menurun dari 2013 sampai 2020. Untuk provinsi ini, konsumsi batubara puncak muncul sebelum 2013; Oleh karena itu, tren penurunan mantap dalam konsumsi batubara diharapkan. Provinsi dalam kelompok ini termasuk Shanghai, Tianjin, Mongolia, Jiangsu, Liaoning dan Zhejiang. Sebuah ilustrasi dari konsumsi batubara diproyeksikan dari Shanghai di bawah tiga skenario alternatif ditarik pada Gambar. 3. Titik balik konsumsi batubara di Shanghai muncul pada tahun 2011, dan setelah itu, konsumsi batubara menurun dari waktu ke waktu.

Untuk kelompok kedua, konsumsi batubara selama periode 2013-2020 peramalan diharapkan tetap stabil sekitar. Untuk provinsi ini, titik balik dalam konsumsi batubara mungkin terjadi selama periode ini; Oleh karena itu, variasi konsumsi batubara sekitar titik balik tidak signifikan. Provinsi dalam kelompok ini meliputi Fujian, Hebei, Ningxia, Guangdong, Jilin, Beijing, Shanxi dan Shandong. Untuk ini 8 provinsi, konsumsi batubara provinsi bervariasi cukup antara 2010 dan 2020: di bawah skenario acuan, tingkat pertumbuhan tahunan rata-rata konsumsi batubara bervariasi dari - 2,6% menjadi 1,1%. Sebagai contoh, diproyeksikan skenario konsumsi batubara untuk Fujian diplot pada Gambar. 4. Untuk provinsi Fujian, konsumsi batubara diproyeksikan ke puncak sekitar 2013 bawah skenario patokan, dan kemudian, harus perlahan dan terus menurun.

Untuk kelompok ketiga, konsumsi batubara diproyeksikan naik terus 2013-2020 tanpa puncak yang tercapai. Provinsi dalam kelompok ini antara lain Xinjiang, Hainan, Guangxi, Jiangxi, Qinghai, Yunnan, Gansu, Hunan, Guizhou, Sichuan, Anhui, Henan, Heilongjiang, Hubei dan Shaanxi. Di provinsi ini, Xinjiang akan mengalami peningkatan tercepat dalam permintaan batubara dan tingkat pertumbuhan tahunan sebesar 13,5%, sedangkan Shaanxi memiliki tingkat pertumbuhan tahunan terendah 3,1%. Konsumsi batubara diprediksi dari Guangxi di bawah tiga skenario alternatif digambarkan pada Gambar. 5. Seperti yang ditunjukkan dengan jelas pada Gambar. 5, peningkatan konsumsi batubara di Guangxi luar biasa: di bawah skenario patokan, konsumsi batubara akan mencapai sekitar 150 juta ton, sekitar 3 kali konsumsi pada tahun 2010. Perhatikan bahwa pada tahun 2012, Guangxi PDB per kapita hanya 4.499 yuan (di 1978 harga konstan), yang jauh lebih rendah dari rata-rata nasional (6545 yuan pada 1978 harga konstan). Oleh karena itu, efek pertumbuhan mendominasi dinamika konsumsi batubara di Guangxi, dan konsumsi batubara harus meningkat dengan cepat karena ekonomi terus berkembang.

Sekarang provinsi China diperkirakan akan mengalami pola yang berbeda dari konsumsi batu bara di masa mendatang, sangat menarik dan bermakna untuk menggali lebih dalam untuk mengeksplorasi alasan mengapa proyeksi yang berbeda dari konsumsi batu bara dapat terjadi. Singkatnya, ada terutama tiga alasan sebagai berikut.

Pertama-tama, terdapat kesenjangan pembangunan daerah luar biasa di antara provinsi-provinsi di Cina. Beberapa provinsi barat, termasuk Gansu, Xinjiang dan Qinghai, tetap di bagian bawah daftar peringkat PDB per kapita. Misalnya, menurut China statistik Yearbook 2014, pada tahun 2013, PDB per kapita Gansu, salah satu yang paling provinsi barat maju, sekitar 24.296 yuan; sedangkan nomor untuk kota Beijing adalah 93.213 yuan, hampir empat kali dari tingkat Gansu ini. Mengingat keberadaan terbalik berbentuk U hubungan EKC antara konsumsi energi dan PDB per kapita di Cina, provinsi dengan tingkat yang lebih rendah dari PDB per kapita (seperti Gansu, Qinghai dan Guizhou) akan mengalami peningkatan pesat dalam konsumsi batubara sebagai ekonomi terus untuk tumbuh, sedangkan provinsi yang relatif makmur (termasuk Shanghai dan Zhejiang) yang PDB per kapita telah jauh melampaui titik balik dari konsumsi batubara diharapkan untuk mengkonsumsi kurang dan kurang batubara dari waktu ke waktu.

Kedua, perbedaan substansial dalam struktur industri antar provinsi juga bertanggung jawab untuk perbedaan dalam pola proyeksi konsumsi batubara. Menurut hasil estimasi ditunjukkan pada Tabel 2, koefisien koefisien rasio nilai tambah industri kedua terhadap PDB yang stabil dan cukup besar dalam besarnya untuk semua tiga metode estimasi, mulai 0,83-1,07. Akibatnya, karena pentingnya intensif industri kedua energi berbeda di seluruh provinsi, konsumsi batubara yang diperkirakan mungkin juga berbeda. Misalnya, di kota-kota besar dari Beijing dan Shanghai, industri tersier memainkan peran paling penting dalam pembangunan ekonomi, sedangkan pangsa industri kedua telah mengurangi menjadi kurang dari 40%. Oleh karena itu, konsumsi batubara diproyeksikan untuk daerah ini akan mulai menurun sebelum tahun 2020. Namun, di beberapa provinsi tengah dan barat yang kurang berkembang (seperti Qinghai, Sichuan dan Henan), rasio industri kedua nilai tambah terhadap PDB berada di atas 50% di 2012 (yang rasio Qinghai bahkan mencapai 57% pada tahun 2012). Ketergantungan berat pada industri kedua dapat menyebabkan konsumsi batubara yang diperkirakan di provinsi ini untuk meningkatkan dalam waktu dekat.

Ketiga, karena signi fi korelasi spasial tidak bisa di batubara con-sangkaan antar provinsi yang berdekatan, efek spill-over positif dari provinsi dengan konsumsi batubara diperkirakan tinggi dapat menyebabkan konsumsi batubara diproyeksikan provinsi tetangganya 'untuk meningkatkan sangat. Sebagai ilustrasi, peningkatan pesat diharapkan konsumsi batubara di beberapa provinsi-provinsi tengah dan barat bisa sebagian disebabkan oleh signifikan dan efek spasial positif dari konsumsi batubara antar provinsi ini. Perlu dicatat bahwa Qinghai, Yunnan, Gansu, Hunan, Guizhou, dan Shaanxi berbagi batas provinsi dengan Sichuan, dan provinsi ini memiliki sejenis industri struktur dan energi mix. Akibatnya, efek spasial positif konsumsi batubara antar provinsi ini, yang disebabkan oleh jarak geografis yang relatif pendek dan karakteristik ekonomi yang sama, mungkin akan saling mempengaruhi dan memberikan intensives untuk meningkatkan konsumsi batubara sekali orang dari provinsi ini bermaksud untuk mengkonsumsi lebih batubara.

5. Simpulan

Penelitian ini menggunakan data panel untuk 29 provinsi Cina 1995-2012 untuk menyelidiki faktor penentu konsumsi batubara di Cina, dan perkiraan konsumsi batubara untuk 2013-2020 dilakukan berdasarkan hasil estimasi. Menggunakan metode estimasi yang berbeda, penelitian ini veri fi es keberadaan Lingkungan Kuznets Curve (EKC). Selain itu, dengan memasukkan istilah integrasi spasial, kami juga fi bukti nd untuk korelasi spasial yang kuat dalam konsumsi batubara provinsi Cina. Selain itu, faktor penentu sosial ekonomi lainnya, seperti pentingnya industri sekunder, urbanisasi dan keterbukaan perdagangan, yang ditemukan secara signifikan terkait dengan konsumsi batubara China.

Dilihat dari RMSFE dan nilai-nilai AMSFE, kami memilih intensif-bentuk tertentu fi kasi estimasi sistem GMM untuk melakukan out-of-sampel perkiraan. Untuk menangkap pengaruh-pengaruh yang mungkin variasi dalam tingkat pertumbuhan ekonomi pada dinamika konsumsi batubara, tiga tingkat pertumbuhan alternatif PDB per kapita dianggap di prediksi. Menurut hasil perkiraan, di bawah skenario patokan, konsumsi batu bara China akan terus meningkat sampai tahun 2020 (ketika konsumsi batubara akan mencapai 4426000000 metrik ton), tetapi tingkat pertumbuhan harus mengurangi dari waktu ke waktu. Hanya di bawah skenario pertumbuhan yang cepat adalah konsumsi batubara China diproyeksikan mencapai puncaknya sebelum 2020. Jadi, meskipun Cina akan mengkonsumsi sejumlah besar batu bara selama masa mendatang, tidak akan butuh waktu lama bagi Cina untuk mengucapkan selamat tinggal pada tingkat pertumbuhan konsumsi batubara yang cepat.

Berdasarkan estimasi ini dan hasil perkiraan, beberapa kesimpulan dan implikasi kebijakan ikuti.

Pertama, karena ada persaingan di provinsi untuk tingkat pertumbuhan ekonomi yang lebih tinggi, korelasi spasial konsumsi batubara merangsang provinsi untuk mengkonsumsi lebih banyak batubara. Efek spasial begitu luar biasa bahwa mereka mendominasi konsumsi batubara baru-baru ini, sebagai titik balik teoritis dari EKC untuk konsumsi batubara telah tercapai. Akibatnya, efek spasial seperti layak perhatian dari pemerintah Cina. Untuk mencapai tujuannya untuk mengurangi konsumsi batubara, pemerintah bisa memanfaatkan karakteristik korelasi spasial dengan mendorong provinsi dengan konsumsi batubara yang tinggi untuk mengurangi konsumsi mereka. Misalnya, spesifik imbalan fi c atau bonus dapat diberikan kepada provinsi yang secara aktif mengurangi konsumsi batubara, dan beberapa daerah perwakilan dari konsumsi batu bara yang rendah dapat ditentukan. Karena adanya korelasi spasial konsumsi batubara, yang pertama-

penggerak dalam mengurangi konsumsi batubara akan memiliki signi fi efek demonstrasi tidak bisa di tetangga mereka, dan provinsi tersebut kemudian dapat bersaing untuk mengurangi konsumsi batubara.

Kedua, karena ada bukti keberadaan EKC untuk konsumsi batubara di Cina, tingkat pertumbuhan ekonomi yang wajar diperlukan untuk memperbaiki struktur konsumsi energi dan kualitas lingkungan. Menurut perkiraan, tingkat pertumbuhan yang diharapkan konsumsi batubara lebih rendah ketika tingkat pertumbuhan PDB yang lebih tinggi, dan puncak konsumsi terjadi hanya ketika memprediksi tingkat pertumbuhan PDB per kapita antara 2013 dan 2020 adalah yang tertinggi dari tiga skenario alternatif. Akibatnya, meskipun ekonomi China telah memasuki "normal baru" keadaan tingkat pertumbuhan ekonomi cukup cepat, hati-hati harus dilakukan untuk mencegah laju pertumbuhan China dari penurunan terlalu cepat. Mempertahankan tingkat pertumbuhan yang wajar dan berkelanjutan di Cina sangat penting tidak hanya untuk meningkatkan kesejahteraan rakyatnya, tetapi juga untuk memperbaiki lingkungan dalam jangka panjang.

Ketiga, faktor lain juga dapat mempengaruhi konsumsi batubara secara signifikan. Faktor-faktor ini meliputi pangsa industri sekunder, tingkat urbanisasi dan keterbukaan perdagangan. Kami juga telah menemukan bahwa konsumsi batubara memiliki inersia berat: konsumsi batubara provinsi saat ini sangat tergantung pada konsumsi sejarah. Dengan kata lain, konsumsi batubara menunjukkan ketergantungan jalur yang kuat. Akibatnya, pemerintah harus mempertimbangkan semua faktor penentu ketika merumuskan peraturan dan kebijakan untuk membatasi konsumsi batubara. Misalnya, struktur industri harus ditingkatkan dengan mendorong pengembangan industri tersier dan cukup mengurangi pangsa industri sekunder. Menurut statistik dari Informasi dan Industri China Departemen, industri sekunder menyumbang sekitar 70% dari konsumsi energi, yang sebagian besar adalah batubara. Oleh karena itu, penyesuaian struktur industri yang mendukung industri tersier bisa SUF fi sien mengurangi konsumsi batubara. Mengingat inersia konsumsi batubara, tindakan dini penting untuk menahan konsumsi batubara dalam jangka panjang