王 星

重慶工商大學(xué) 數(shù)學(xué)與統(tǒng)計學(xué)院,重慶 400067

1 引 言

由Sim[1]提出的向量自回歸模型(VAR)廣泛應(yīng)用于包括多元時間序列分析、貨幣政策效應(yīng)分析等宏觀經(jīng)濟研究中,但該模型只能包含有限的變量,在高維數(shù)據(jù)情形下會產(chǎn)生數(shù)據(jù)信息不全、誤差增大、預(yù)測精度降低等問題。為了彌補這一缺陷,Koop等[2]提出將貝葉斯方法中的先驗分布引入VAR模型中,從而建立貝葉斯向量自回歸模型(BVAR)。先驗信息為模型增加了額外的數(shù)據(jù)結(jié)構(gòu),使模型參數(shù)的不確定性降低并顯著增強了樣本外預(yù)測性能。然而,先驗分布的具體選擇和超參數(shù)的確定始終為該類模型的難點,對此,國內(nèi)外學(xué)者提出了許多解決辦法。

Litterman[3]在其研究中發(fā)現(xiàn),在包含6個變量的VAR模型中應(yīng)用貝葉斯收縮可以顯著提高預(yù)測準確性;Miranda等[4]提出共軛先驗分布同樣能夠有效地估計模型,達到極高的預(yù)測精度并在一般的宏觀經(jīng)濟分析中表現(xiàn)出較好的性能。為了降低先驗分布的主觀性,Giannone等[5]利用分層建模思想,基于已有數(shù)據(jù)集,運用馬爾可夫鏈蒙特卡洛(MH)算法提取先驗信息;Carriero等[6]提出在正態(tài)-逆Wishart分布的前提下,利用模型系數(shù)的后驗方差Kronecker結(jié)構(gòu)和蒙特卡洛算法可以有效地模擬多步預(yù)測密度函數(shù);Banbura等[7]從更實際的角度出發(fā),考慮一組與能源消費變化關(guān)聯(lián)性較強的變量,并在此基礎(chǔ)上評估不同先驗分布BVAR模型的泛化能力和有效性,其中正態(tài)-逆Wishart分布的表現(xiàn)尤其出色;而Sims等[8]同樣發(fā)現(xiàn)將正態(tài)-逆Wishart先驗分布與VAR模型相結(jié)合,經(jīng)優(yōu)化,其緊密性和滯后長度得出的BVAR模型符合預(yù)期。

盡管Banbura[7]和Sims[8]提出的BVAR模型展現(xiàn)了良好的效果,但當數(shù)據(jù)呈現(xiàn)高維情形時,模型難以在較多變量下保持準確估計。因此,本文考慮在傳統(tǒng)VAR模型中運用貝葉斯收縮建立BVAR模型,其中先驗分布根據(jù)具體研究問題由MH算法從以往數(shù)據(jù)集中提取超參數(shù)來確定,并且當變量增加時,通過設(shè)定與模型尺寸相關(guān)的收縮程度以保留相關(guān)樣本信息的同時控制過度擬合。

另一方面,BVAR模型在實際運用中容易受到面板時間序列數(shù)據(jù)的制約,Fan[9]認為,這類數(shù)據(jù)不是一個線性隨機過程,而是由時變、高階矩結(jié)構(gòu)、非對稱周期等非線性動力學(xué)性質(zhì)產(chǎn)生的,數(shù)據(jù)在時間序列中可能存在跳躍或斷裂。為了使BVAR模型能夠應(yīng)用在時間序列分析中,Hamilton[10]提出的馬爾可夫區(qū)制轉(zhuǎn)移自回歸模型是目前應(yīng)用較廣泛的選擇,該模型可以較好地擬合數(shù)據(jù)出現(xiàn)跳躍或斷裂的時間序列。Krolzig[11]將Hamilton模型推廣到馬爾可夫區(qū)制轉(zhuǎn)移向量自回歸模型(MS-VAR)和馬爾科夫區(qū)制轉(zhuǎn)移誤差修正模型(MS-VECM),MS-VECM模型在估計變量受限模型框架的長期關(guān)系時更加靈活,并且由于該模型具有時變的動態(tài)特征,對市場變化的適應(yīng)性更強。但在MS-VAR模型的基礎(chǔ)上建立的MS-VECM模型仍然具有傳統(tǒng)VAR模型的局限性,因此本文在改進的BVAR模型基礎(chǔ)上,將MS-VAR模型推廣為MS-BVAR模型,并基于該模型建立MS-BVECM模型。

為了驗證改進后模型的有效性,本文以重慶市為例,研究其能源消費、產(chǎn)業(yè)結(jié)構(gòu)升級和經(jīng)濟增長的動態(tài)關(guān)系,并對各項指標進行相關(guān)預(yù)測。

2 模型簡述

2.1 傳統(tǒng)向量自回歸模型

向量自回歸模型(VAR)是單變量自回歸模型的推廣,較后者能夠更充分考慮滯后值之間的相互依賴關(guān)系,通常作為研究動態(tài)沖擊效應(yīng)的工具。有限p階的VAR模型可表示為

yt=Ac+A1yt-1+A2yt-2+…+Apyt-p+εt

(1)

其中,t=1,2,…,T;AT=[Ac,A1,…,AP];εt～N(0,∑)為N×M維誤差協(xié)方差矩陣。

若定義一個由截距項和滯后p階的解釋變量組成的矩陣

則式(1)可改寫為

yt=ATxt+εt

(2)

VAR模型以伴隨形式表示多步預(yù)測,即

(3)

在高維情形下,高密度參數(shù)化導(dǎo)致維數(shù)災(zāi)禍的風(fēng)險急劇上升,因此如何改進傳統(tǒng)VAR模型,使其能在變量增加時,通過設(shè)定與模型尺寸相關(guān)的收縮程度以保留相關(guān)樣本信息的同時控制過度擬合成為了關(guān)鍵。

2.2 先驗分布的設(shè)定

為了處理向量自回歸模型普遍存在的維數(shù)災(zāi)禍問題,引入先驗信息概念,從而降維數(shù)據(jù)成為眾多學(xué)者的選擇。此處采用Kadiyala[12]和Robertson[13]的方法,為傳統(tǒng)BVAR模型設(shè)置正態(tài)-逆Wishart共軛先驗分布,即

A|∑～N(A0,∑?Ω0)∑～IW(S0,V0)

(4)

該分布保留了Minnesota先驗分布的基本準則,同時,由于正態(tài)-逆Wishart先驗分布為共軛先驗分布,該模型的條件后驗分布也為N-IW分布,即

(5)

其中,

以及

2.3 BVAR模型參數(shù)估計過程

概率轉(zhuǎn)移函數(shù)為

β(xt+1|xt)=q(xt+1|xt)α(xt,xt+1)

接著,添加虛擬觀測值來實現(xiàn)式(5),在式(3)中添加Td(Yd和Xd)虛擬觀測值,將

S0=(Yd-XdB0)T(Yd-XdB0)T

以及V0=Td-k添加到正態(tài)-逆Wishart先驗中。為了匹配Minnesota先驗分布的維度,此處添加的虛擬觀測變量形式為

現(xiàn)將式(6)代入式(3)中,以強化BVAR模型

(7)

其中,

需要說明的是,系數(shù)的后驗期望與Y*對X*的回歸OLS估計值一致。并從計算的觀點來看,模型估計是可行的,只需求出維度為M=np+1方陣的逆矩陣即可。

2.4 MS-BVECM模型的建立

改進后的BVAR模型可以有效預(yù)測高維數(shù)據(jù)下能源消費和產(chǎn)業(yè)結(jié)構(gòu)的動態(tài)關(guān)系,但卻無力分析經(jīng)濟周期內(nèi)各變量之間長期與短期均衡狀態(tài)變化。當短期內(nèi)經(jīng)濟變量受到波動而與長期均衡狀態(tài)發(fā)生偏離時,誤差修正模型機制會使其逐漸重新回到長期均衡狀態(tài),以保證模型的穩(wěn)健性。但一般的誤差修正模型無法具體描述短期均衡向長期均衡狀態(tài)轉(zhuǎn)移的過程,因此筆者考慮在以MS-VAR為基礎(chǔ)發(fā)展的MS-VECM模型中進一步結(jié)合貝葉斯理論建立MS-BVECM模型。

若式(7)中的向量均為一階單整向量,且向量之間存在協(xié)整關(guān)系,則將其變換可得到以下形式:

(8)

(9)

根據(jù)Hamilton[10]的方法,對上述誤差修正模型加入馬爾科夫區(qū)制轉(zhuǎn)移特征,即對于可觀測的時間序列向量yt,其潛在數(shù)據(jù)生成過程的參數(shù)依賴于不可觀測的區(qū)制變量st,其中st∈{1,2,k,m}表示系統(tǒng)所處的不同狀態(tài),且

pij=P(st=j|st-l=i),?i,j∈{1,2,…,m}

(10)

(11)

(12)

其中,μ(st)表示經(jīng)濟周期中不同階段的增長率均值向量,即

μ(st)=[μ1(st),μ2(st),μ3(st)]T

例如:μ1(st),μ2(st)和μ3(st)可分別表示為重慶市能源消費增長率、地區(qū)生產(chǎn)總值增長率和產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)化率的條件均值。

3 實證分析

首先構(gòu)造適當?shù)奶摂M觀測先驗分布,接著估計虛擬先驗分布的參數(shù)并對其進行分層處理。需提出的是,這里不對先驗參數(shù)α分層處理,因為該參數(shù)可以通過模式論證固定,一般情況下α=1,先驗參數(shù)λ服從伽馬超先驗分布,之后運用MH算法時會為其算法所需的建議分布(此處為高斯分布)提供上界和下界。

對每個變量擬合p階自回歸模型后,自動設(shè)定先驗參數(shù)ψ;接著,通過MH算法將確定的超參數(shù)分層處理后提供給虛擬觀測先驗分布,為建立BVAR模型提供條件。同時,為判斷超參數(shù)是否達到平穩(wěn)分布,需要知道其樣本路徑圖,模型中選擇的超參數(shù)包括lambda,soc和sur,經(jīng)過優(yōu)化后,以上3個超參數(shù)值分別為0.889 29,0.400 88,0.970 96,其中λ系數(shù)較大,說明模型可能會過擬合,因此參數(shù)數(shù)量應(yīng)當縮減,如圖1所示。(圖1左側(cè)圖為軌跡圖,右側(cè)為概率密度函數(shù)度)可以看出:lambda、soc和sur是平穩(wěn)的,沒有漂移的情況發(fā)生,即可以認為3個超參數(shù)的馬氏鏈構(gòu)造是成功的,接下來便可以通過采集到的樣本建立BVAR模型。

圖1 邊際似然和分層處理的超參數(shù)跟蹤和軌跡圖Fig.1 Hyperparametric tracking and trajectory plots for marginal likelihood and hierarchical processing

由表1可見:由于VAR模型中滯后階數(shù)對協(xié)整檢驗和后續(xù)模型估計有一定的影響,所以根據(jù)LR、FPE、AIC、HQIC和SBIC這5種信息準則選定滯后階數(shù)為5(Lag為滯后階數(shù),NA表示取值為空)。

表1 VAR模型滯后階數(shù)選擇Table 1 VAR model lag order selection

基于R軟件進行平穩(wěn)性檢驗和先驗分布的選取以及滯后階數(shù)確定之后,就可以估計并得到BVAR模型的參數(shù),本文選取產(chǎn)業(yè)結(jié)構(gòu)對數(shù)、能源消費對數(shù)和地區(qū)生產(chǎn)總值對數(shù)這3個指標即L=[lnVEC,lnVIS,lnVGDP]T建立BVAR模型,該模型以矩陣的形式可表示如下:

如圖2所示,模型的殘差都接近于0,說明其擬合程度較好,模型可用。重慶市能源消費、產(chǎn)業(yè)結(jié)構(gòu)和地區(qū)生產(chǎn)總值對數(shù)時間序列的預(yù)測結(jié)果如圖3所示,陰影區(qū)間分別表示90%置信區(qū)間和68%置信區(qū)間。

(a) 能源消費

(b) 產(chǎn)業(yè)結(jié)構(gòu)

(c) 地區(qū)生產(chǎn)總值圖2 能源消費、產(chǎn)業(yè)結(jié)構(gòu)升級和地區(qū)生產(chǎn)總值對數(shù)殘差圖Fig.2 Residuals of energy consumption, industrial upgrading and regional GDP

(a) 能源消費

(b) 產(chǎn)業(yè)結(jié)構(gòu)

根據(jù)近5年能源消費增長率進行二區(qū)制劃分,區(qū)制1(即st=1)表示平穩(wěn)增長階段,區(qū)制2(即st=2)表示快速增長階段,并利用三元變量的MS2-VECM2模型描述不同增長階段下重慶市能源消費和產(chǎn)業(yè)結(jié)構(gòu)升級之間的動態(tài)關(guān)系。μ1(st)表示重慶市產(chǎn)出增長率過程中對應(yīng)區(qū)制的條件均值,在區(qū)制階段的限制下條件均值的參數(shù)約束為μ1(1)<μ1(2);μ2(st)和μ3(st)分別表示能源消費增長率和產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)換率在對應(yīng)區(qū)制中的條件均值,其中能源消費增長率的區(qū)制劃分依賴于產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)化率,所以能源消費增長率對應(yīng)取值的條件均值沒有參數(shù)約束。

在建立和估計MS-VECM模型之前,需要對重慶市能源消費、產(chǎn)業(yè)結(jié)構(gòu)和地區(qū)生產(chǎn)總值進行平穩(wěn)性檢驗,表2分別給出了以上3個指標的對數(shù)序列以及對數(shù)差分序列的ADF檢驗結(jié)果。結(jié)果表明:重慶市能源消費、產(chǎn)業(yè)結(jié)構(gòu)以及地區(qū)生產(chǎn)總值的對數(shù)序列都是一階單整過程,因此以上3個時間序列具有相同的單整階數(shù),可以在此基礎(chǔ)上通過建立協(xié)整關(guān)系和誤差修正模型來分析這3者之間的短期波動和長期均衡關(guān)系。

表2 ADF檢驗結(jié)果Table 2 ADF test results

已知向量yt=(y1t,y2t,y3t)T,表3給出了yt的Johansen協(xié)整檢驗結(jié)果,通過比較5%顯著性水平臨界值與跡統(tǒng)計量的大小,得出結(jié)果為拒絕“沒有協(xié)整關(guān)系”和“至多一個協(xié)整關(guān)系”的原假設(shè),接受“至多兩個協(xié)整關(guān)系”的原假設(shè),所以重慶市能源消費、產(chǎn)業(yè)結(jié)構(gòu)和地區(qū)生產(chǎn)總值的對數(shù)序列之間存在兩個顯著協(xié)整關(guān)系,即長期均衡關(guān)系,說明重慶市能源消費、產(chǎn)業(yè)結(jié)構(gòu)和地區(qū)生產(chǎn)總值之間具有相同的趨勢水平。

表3 Johansen協(xié)整檢驗Table 3 Johansen co-integration test

隨后,根據(jù)EVIEWS軟件可估計得出協(xié)整方程為

et1=y1t-22.200 47y3t+9.150 286et2=y2t-39.664 61y3t+23.339 27

向量誤差修正模型將偏離長期均衡關(guān)系的變量作為解釋變量,對短期偏離的變量進行長期調(diào)節(jié),因此該模型能同時描述短期調(diào)節(jié)過程和長期調(diào)節(jié)過程。并且該模型是在變量之間具有協(xié)整關(guān)系的基礎(chǔ)上來體現(xiàn)不同經(jīng)濟時間序列之間的長期關(guān)系,以及短期偏離長期均衡的修正機制,所以具有較高的穩(wěn)健性和準確性。模型估計結(jié)果如表4所示。

由表4可知:第一個協(xié)整方程3個誤差修正項CE1分別為-0.163 298、0.166 208、-0.006 074,說明模型分別以-0.163 298、0.166 208、-0.006 074的速度對重慶市能源消費、地區(qū)生產(chǎn)總值和產(chǎn)業(yè)結(jié)構(gòu)進行修正。第二個協(xié)整方程3個誤差修正項CE2分別為0.107 606、-0.118 445、0.008 406,說明模型分別以0.107 606、-0.118 445、0.008 406的速度對重慶市能源消費、地區(qū)生產(chǎn)總值和產(chǎn)業(yè)結(jié)構(gòu)進行修正。

得到變量的協(xié)整關(guān)系后,再假定式(11)中均值修正項μ(st)=[μ1(st),μ2(st),μ3(st)]T,具有狀態(tài)轉(zhuǎn)移性質(zhì)的前提下,取式(11)中的滯后階數(shù)p=5(該階數(shù)由LR、FPE,AIC,HQIC和SBIC 5種信息準則得出),則所得MS-VECM模型為

圖4和圖5給出了能源消費在兩個區(qū)制中的濾波概率估計。圖4所示:1984—1996年,重慶市能源消費增長率開始出現(xiàn)區(qū)制1的運行特征,區(qū)制的取值概率接近于1,這意味著產(chǎn)業(yè)結(jié)構(gòu)基本保持不變,同時經(jīng)濟增長基本保持平穩(wěn),能源消費基本處于“快速增長階段”。1997—2006年,區(qū)制概率發(fā)生改變,此處是因為重慶成為直轄市后能源消費持續(xù)上升。圖5表明此時重慶市能源消費正處于“平穩(wěn)增長階段”:2007—2011年,區(qū)制概率頻繁發(fā)生改變,表明此時能源消費轉(zhuǎn)變了平穩(wěn)增加的狀態(tài),原因在于此時重慶市開始出臺關(guān)于加快產(chǎn)業(yè)結(jié)構(gòu)升級的若干政策,在產(chǎn)業(yè)結(jié)構(gòu)升級的過程中能源消費增長率在逐漸降低。

圖4 快速增長期的濾波概率Fig.4 Filtering probabilities for fast growth periods

圖5 平穩(wěn)增長期的濾波概率Fig.5 Filter probabilities for a period of smooth growth

表5給出了能源消費時間序列中區(qū)制轉(zhuǎn)移概率pij,當能源消費增長率處于“快速增長階段”時,區(qū)制1的持續(xù)概率為0.958,這表明該階段具有相當高的穩(wěn)定性,主要原因在于重慶作為工業(yè)城市,在加速工業(yè)發(fā)展的同時必定會需要大量的能源消耗。從區(qū)制1轉(zhuǎn)移到區(qū)制2的概率為0.042,從區(qū)制2轉(zhuǎn)移到區(qū)制1的概率為0.038,這表明能源消費的階段性轉(zhuǎn)移具有一定的次序。當通過產(chǎn)業(yè)結(jié)構(gòu)升級后,能源消費進入到“平穩(wěn)增長階段”,區(qū)制2的持續(xù)概率為0.962,這表明經(jīng)過工業(yè)產(chǎn)業(yè)結(jié)構(gòu)合理升級后,能源消費增長率大概率會持續(xù)在“平穩(wěn)增長階段”,但由于區(qū)制之間轉(zhuǎn)移概率相差不大,一旦產(chǎn)業(yè)結(jié)構(gòu)不合理便又會回到“快速增長階段”。

表5 轉(zhuǎn)移概率矩陣Table 5 Transfer probability matrix

4 結(jié)論與建議

4.1 結(jié) 論

針對傳統(tǒng)向量自回歸模型(VAR)的高維估計問題,結(jié)合貝葉斯理論,提出一種融合正態(tài)-逆Wishart共軛先驗分布的估計方法并引入Metropolis-Hastings(MH)算法。從以往數(shù)據(jù)集中確定超參數(shù)收縮模型尺寸與傳統(tǒng)VAR模型相比,基于貝葉斯理論的估計方法可在保留相關(guān)樣本信息的同時控制過度擬合,具有較好的穩(wěn)健性和有效性。此外,在改進的VAR模型基礎(chǔ)上,結(jié)合區(qū)制轉(zhuǎn)移技術(shù)與誤差修正模型提出了MS-BVECM模型,該模型能夠有效分析經(jīng)濟周期內(nèi)各變量之間長期與短期均衡狀態(tài)變化。最后,以重慶市能源消費為例進行了實證分析,主要研究結(jié)論如下:

(1) 通過MH算法將確定的超參數(shù)分層處理后提供給虛擬觀測先驗分布,并建立BVAR模型進行預(yù)測。預(yù)測結(jié)果表明:長期內(nèi)重慶市產(chǎn)業(yè)結(jié)構(gòu)升級和經(jīng)濟增長對能源消費增加有顯著影響;短期內(nèi)能源消費對經(jīng)濟增長有正向作用,但長期來說其對經(jīng)濟發(fā)展的促進作用有限。

(2) 通過平穩(wěn)性檢驗和Johansen協(xié)整檢驗,得知重慶市能源消費、產(chǎn)業(yè)結(jié)構(gòu)和地區(qū)生產(chǎn)總值的對數(shù)序列之間存在兩個顯著協(xié)整關(guān)系,即長期均衡關(guān)系,說明重慶市能源消費、產(chǎn)業(yè)結(jié)構(gòu)和地區(qū)生產(chǎn)總值之間具有相同的趨勢水平。

(3) 在協(xié)整關(guān)系基礎(chǔ)上建立的MS-VECM模型(向量誤差修正模型)表明:短期波動中,能源消費增長率與產(chǎn)業(yè)結(jié)構(gòu)升級呈反向關(guān)系,與地區(qū)生產(chǎn)總值增長率呈正向關(guān)系,并且對能源消費和地區(qū)生產(chǎn)總值短期修正力度更大。

(4) 運用Hamilton模型中劃分二區(qū)制的方法,將能源消費增長率劃分為“快速增長階段”和“平穩(wěn)增長階段”,通過建立區(qū)制轉(zhuǎn)移模型得出結(jié)論:1984—1996年,重慶市能源消費增長率開始出現(xiàn)區(qū)制1的運行特征,區(qū)制的取值概率接近于1,這意味著產(chǎn)業(yè)結(jié)構(gòu)基本保持不變,經(jīng)濟增長也基本保持平穩(wěn),能源消費基本處于“快速增長階段”;1997—2006年,區(qū)制概率發(fā)生改變,原因在于重慶成為直轄市以后,能源消費明顯增加;2007—2011年,區(qū)制概率頻繁發(fā)生改變,表明此時能源消費轉(zhuǎn)變?yōu)槠椒€(wěn)增加的狀態(tài)。

(5) 區(qū)制轉(zhuǎn)移矩陣中,當能源消費增長率處于“快速增長階段”時,該階段具有相當高的穩(wěn)定性,能源消費的階段性轉(zhuǎn)移具有一定的次序。當通過產(chǎn)業(yè)結(jié)構(gòu)升級后,能源消費進入到“平穩(wěn)增長階段”,此時經(jīng)過工業(yè)產(chǎn)業(yè)結(jié)構(gòu)合理升級后,能源消費增長率大概率會持續(xù)在“平穩(wěn)增長階段”,但由于區(qū)制之間轉(zhuǎn)移概率相差不大,一旦產(chǎn)業(yè)結(jié)構(gòu)不合理便又會回到“快速增長階段”。

4.2 建議

針對上述研究結(jié)果,提出建議:

(1) 致力于發(fā)展低碳技術(shù),特別是煤的清潔高效凈化技術(shù),以及二氧化碳捕獲與埋存等領(lǐng)域開發(fā)的有效控制碳排放的新技術(shù)。重慶市“十四五”時期是能源低碳轉(zhuǎn)型進入碳達峰關(guān)鍵期,加大開展林業(yè)碳匯交易,研發(fā)出低價、清潔、高效和低排放的能源技術(shù),對搶占低碳能源技術(shù)制高點,大力推進碳排放交易具有重要意義。因此,重慶市也應(yīng)聯(lián)合多方組織開展有關(guān)低碳經(jīng)濟關(guān)鍵技術(shù)的攻關(guān),制定開發(fā)新型高效低碳技術(shù)的長遠發(fā)展規(guī)劃。

(2) 大力調(diào)整產(chǎn)業(yè)結(jié)構(gòu),尤其是工業(yè)內(nèi)部行業(yè)結(jié)構(gòu)。對于重慶市高能耗產(chǎn)業(yè),例如電石、鋼鐵、鐵合金等,可通過行業(yè)電價差別引導(dǎo),實施懲罰性電價政策以整治高能耗產(chǎn)業(yè)。加大對重慶市落后產(chǎn)能的淘汰力度,降低節(jié)能損耗和推動循環(huán)經(jīng)濟,并打造新的低碳產(chǎn)業(yè)鏈。以往產(chǎn)業(yè)鏈的價值流向主要是資源型企業(yè),發(fā)展低碳經(jīng)濟可打破目前流向:首先將由高碳產(chǎn)業(yè)引申出來的產(chǎn)業(yè)鏈條“低碳化”,接著通過逐漸降低高碳產(chǎn)業(yè)在國民經(jīng)濟中的比重,調(diào)整高碳產(chǎn)業(yè)結(jié)構(gòu),最終使重慶市國民經(jīng)濟的產(chǎn)業(yè)結(jié)構(gòu)逐步趨向低碳經(jīng)濟的標準。

(3) 注重能源技術(shù)進步的長期發(fā)展以及持久研發(fā),同時保持區(qū)制的自維持概率。短期內(nèi),行業(yè)能源技術(shù)的提高具有較強的跟風(fēng)效應(yīng),但長期效應(yīng)表現(xiàn)得并不明顯。目前重慶市制度、市場和政策等條件雖然具備支持區(qū)制自維持能力,但企業(yè)技術(shù)進步的效應(yīng)很難持久,缺乏長期、持久研發(fā)的動力。所以應(yīng)加大對研發(fā)企業(yè)的補貼力度,增強企業(yè)研發(fā)的持久動力,保持重慶市快速經(jīng)濟增長過程的持續(xù)性和穩(wěn)定性。