內生技術進步、學習效果與溫室氣體減量 - national tsing hua...

65

人文社會學報

內生技術進步、學習效果與溫室氣體減量


林幸樺* 蘇漢邦**

摘要

國外近期的研究顯示，在分析環境及能源相關議題時，有沒有

及如何將內生技術進步與學習效果納入考量，是能否更精確衡量衝

擊或政策效果的指標性因素（Goulder & Mathai, 2000; Kemfert,

2005）。本文參考 Kypreos（2005）在MERGE模型中關於技術學習曲

線之設計，在動態一般均衡分析模型中，將電力技術之學習效果藉由

部門技術參數內生變動的處理方式，架構出一適合衡量我國溫室氣體

減量經濟影響評估之總體模型，並以之重新審視依據2005年全國能源

會議討論之「京都減量模式」對我國總體經濟、能源及環境等構面之

影響。是為國內首見導入技術學習曲線之環境及能源議題模型模擬研

究。

研究結果顯示，經由技術學習效果所創造的「擴張產能」、與

「降低成本」效應，一方面使總體經濟的預測呈現較為合理的預測

軌跡，同時，在減量政策的評估方面，亦能有效地避免高估碳稅與

減量成本的情形。根據本文的模擬分析結果，我們得到與Goulder與

Mathai（2000）、Kemfert（2005）及Kypreos（2005）等文獻相同的

結論，再次印證在環境與能源政策中，納入技術學習效果考量之重要

性。

關鍵詞：技術進步、學習曲線、可計算一般均衡模型、二氧化碳、減量成本

投稿日期：2009年4月21日，2009年9月7日修改完畢，2009年9月7日通過採用*林幸樺，通訊作者，清雲科技大學財務金融系助理教授，E-mail: [email protected] **蘇漢邦，中原大學國際貿易系助理教授，E-mail: [email protected]

66

新竹教育大學人文社會學報第二卷第二期

人文社會學報

1 參見IPCC各國家報告，以及環保署一些相關之委託研究報告。

壹、緒論

近期國際間針對環境及能源政策議題的探討，特別是在2005年初「京都

議定書」生效前後，為估算溫室氣體排放基線及評估達到特定減量目標所衍

生的減量成本時，不管是在學術與實務上的討論重點，多無可避免的專注在

兩個密切關聯的主軸，其一為最適減量模式的確立與選擇，另一則為「能

源-經濟-環境」（Energy, Economy, Environment, 3E）三位一體評估模型之建

構。

在二氧化碳（CO2）減量模式多元發展下，比較受到重視的減量模式已

漸漸匯聚成京都模式、密集度模式（如美國模式）、人均量模式及多階段減

量模式等少數模式。由於各國經濟、環境與社會條件有顯著差異，不同減量

模式之經濟與環境衝擊效果不一，因此各國無不積極針對各項減量模式進行

評估，以期能夠尋求減量成本最低與最符合國家永續發展的減量模式，作為

未來國際談判之依據。

而找尋最適減量模式的同時，如何建立並選擇一合乎經濟現況的3E

評估模型，亦是相當重要的工作。由近期IPCC各項報告、各國國家報告

（national report）及相關的學術文獻中可以發現，可計算一般均衡（CGE）

模型是最常被應用於基線推估及減量政策評估之工具。1再者，綜觀國外近

期的研究也發現，在環境及能源議題的討論中，技術進步的效果已逐漸受

到重視。例如，Goulder與Mathai（2000）在有關最適碳稅的研究中指出，

當考慮技術之學習效果時，將可以降低溫室氣體減量的邊際成本；Kemfert

（2005）以一多區域多部門的整合評估模型（integrated assessment model）

進行減量成本的評估研究時也發現，增加之R&D投資支出如果可以有效提

升能源效率，將可以實質上降低減量的成本。基於此，若實務上各產業均存

在科技研發的投資，但卻未考慮此類投資所誘發的技術進步時，減量目標勢

必只能透過對實質產量的大幅管制來達成，如此將對整體經濟福利產生負面

衝擊。Kemfert（2005）因此建議制定排放減量政策時需搭配促使技術進步

的配套方案，方能減少對整體經濟福利的不利衝擊。

雖然技術的創新及學習效果會對溫室氣體檢量成本有顯著的影響，然觀

諸國內近年環境及能源政策的相關研究，卻鮮少有完整考慮技術創新效果

67

人文社會學報

者，也導致國內過去的CO2排放預測可能有高估的情況，且在減量政策評估

時，也可能造成總體經濟影響、最適碳稅水準及減量成本被高估的結果。

有鑑於此，本文嘗試運用一臺灣之動態可計算一般均衡模型，參考 Kypreos

（2005）在MERGE模型中針對技術學習曲線（learning curve）效果之設

計，將技術之學習效果以其所對應之部門技術參數內生變動的方式引入模型

之中，架構出一符合我國經濟現況之3E總體模型，重新審視在考慮技術之學

習效果下，我國CO2排放的基線預測，並在此基準下，依據2005年全國能源

會議討論之「京都減量模式」，2重新估計我國最適碳稅水準與總體經濟減

量成本，再與未考慮技術學習效果下所得之結論相互比較，以期提供更為合

理的政策建議。

貳、相關文獻彙整

一、技術變動之基本概念

近年來，在面對氣候變遷的威脅下，國際間因應氣候變遷的政策制定

進行的如火如荼，而相關的政策評估研究也如雨後春筍般大量出現。這些

研究建構了不同的模型以評估或預測各國中、長期之減量成本與效益，且

在研究過程中多發現分析結果對模型中技術因子的假設相當敏感（Löschel,

2002）。

技術變動（technological change, TC）可以在不增加生產投入的情況下使

產出水準提升，因此透過產品或製程創新，除可降低替代能源的使用成本，

亦可改善化石能源的轉換成本，從而減少執行溫室氣體減量政策所付出之代

價。技術變動與環境政策間的關聯性在過去十年間已逐漸受到重視，部分的

原因是大家發現，經濟行為對環境的衝擊程度明顯地會受到技術變動的影

響，另一部分原因則是因為環境政策本身的干預即是影響技術變動的條件與

誘因。

Schumpeter（1942）將技術變動的過程區分為三種階段：（a）發明：

發明新產品或製程；（b）創新：將發明轉化為商業化產品並持續改善與修

正該新產品或製程；（c）擴散：其它廠商或個人透過逐步調整製程將原來

2 有關京都減量模式之意涵，將於本文第4節之「模擬設計」中詳細說明之。


68


人文社會學報

屬於一小部分獲利發明者的創新擴散到更廣泛的使用。技術變動開始時常

常是由公部門或私部門的研發（R&D）投資產生發明與創新。R&D初期所

產出的無形資產稱之為「知識資本（knowledge capital）」，知識資本必須

與其他投入一同進入生產過程才能產生效益，而廠商對知識的投資雖然係以

私利的動機出發，但是排除其他廠商獲取該項知識是相當困難的，其他產業

也常可因此而受惠，造成知識外溢的結果，或稱之為正的外部性（Griliches,

1979）。

新技術的擴散並非是瞬間產生，而是隨時間呈現S 型曲線（Rogers,

1995）的擴散過程，這是因為潛在的技術使用者在開始時要調整技術是較緩

慢的，而後調整過程會逐漸加速，最後則因技術發展成熟且趨於飽和，再度

減緩調整速度。廠商對新技術的經驗越充足，將可以大幅改善調整時間，

而這也是學習效果的一種形式。至於學習則可能來自R&D階段的學習、製

程階段的學習（learning-by-doing, LBD）、使用新產品的學習（Rosenberg,

1982）。

在描述技術變動行為之模式設定方面，Romer（1986）首先在經濟體系

中引入研發部門以解釋技術變動的內生來源，並假設技術進步是來自外生的

研發投資，而研發所產生的知識則具有外溢特性，因此，在Romer（1990）

的模型中生產行為係為規模報酬遞增。Lucas（1988）則是利用人力資本累

積來解釋經濟成長的內生來源；而到了近期，部分研究追隨Arrow（1962）

與Romer（1986）的LBD概念，假設技術進步並非外生，而是經由生產操作

過程所獲得之經驗累積而來，故設定技術變動係源自產出或資本的累積，如

Kverndokk, Rosendahl, and Rutherford（2000）之研究即是其中之一。

除了上述以外，誘發性創新（induced innovation）的觀念指出，廠商

會在利潤誘因下投入R&D，期望產生新的產品或製程，以帶來更高的利潤

（Griliches, 1979; Hall & Trajtenberg, 2000）。而R&D雖被視為一種投資行

為，但它具有與其他設備投資或有形資產不同的特質。相對於其他投資結果

所具有的不確定性，R&D結果的不確定則是出現在質的差異上，其投資的

預期報酬變異較其他投資更大，而預期報酬的規模可能比其他投資高但成功

機率卻也相對較小（Scherer, Harhoff, & Kukies, 2000）。

69

人文社會學報

二、技術創新與環境政策評估

基於誘發性創新是在利潤誘因下產生，多數研究在分析模型的設定上會

假設創新的比率與方向與相對價格變化有關。由於環境政策會直接或間接

地影響投入要素的價格（通常變貴），誘發性創新因此提供了一個良好的媒

介，可用於串連環境政策與技術創新間的互動；也因此，引入技術變動便成

為衡量環境政策工具效果的典型做法。

在近期的相關研究中，Goulder與Mathai（2000）在其有關環境政策效果

的探討中，係透過模型動態設定以找尋最適的CO2減量水準。在他們的研究

中，不僅探討最適的減量水準，亦分析最適的減量時程，而在將R&D 誘發

創新納入後，則可以進一步觀察到邊做邊學所產生降低減量成本的效果。誘

發性創新降低了邊際減量成本，另一方面也增加了最適的減量水準，而在時

程上，則是目前的減量成本相對於未來是增加的。

另外，Kemfert（2005）則是以一多區域多部門的整合評估模型，分析

誘發性的技術進步對氣候變遷相關政策經濟衝擊的影響。該文指出，儘管增

加R&D的支出會排擠其他的投資支出，但由模型模擬結果發現，由於增加

R&D的投資是可以提升能源效率，實質上的效益將會是降低減量的成本。

因此，若科技研發的投資沒有誘發技術進步，則減量目標勢必要透過產量的

大幅減少方能達成，如此將對整體經濟的福利產生負面衝擊。亦即，排放減

量政策若搭配技術進步，方有可能減少對整體經濟福利的衝擊。

Kemfert（2005）同時提到，國際上估計減量相關成本時，通常以能源

經濟政策模型進行評估，而能源經濟政策模型則大致可分為兩種類型，一

為「由上而下（top-down）」的總體經濟模型，另一為「由下而上（bottom-

up）」的能源工程模型。有別於Kemfert（2005），Jaccard, Murphy, and

Rivers（2004）認為，傳統的「由上而下」模型因為無法描繪技術的細節，

導致所估計的減量成本往往會有偏誤的情況，因此其使用一能源規劃模型，

納入工程技術的設定，並以實證方式估計相關之風險與技術偏好參數。而在

模擬分析方面，基於運輸部門在溫室氣體減量上扮演重要的角色，該文則模

擬證實了透過內生技術變動影響運輸產業的長期平均成本，將可達到溫室氣

體減量的要求。

除了上述之外，Löschel（2002）曾彙整回顧了國際間用於探討環境政策

議題的重要經濟模型。其指出，事實上，在經濟模型研究中多已確定中期或


70


人文社會學報

長期下，模型中技術的成本假設對溫室氣體減量成本與效益的估計是相當敏

感的。一般而言，大部分的溫室氣體評估模型多將技術變動視為外生，然而

實證上技術變動是不宜視為外生的，因其會因產業需要或是外在壓力而誘發

進步。而為改善此一不合理的假設，一些「由上而下」的3E模型已將技術變

動視為內生，同時設定成會與許多社經變數產生關聯。3

在近期的研究中，Kypreos（2005）即在二氧化碳排放減量政策分析

上，利用MERGE4模型，針對電力部門與非電力部門，以類似於Kemfert

（2005）之設計，將技術創新效果以學習曲線的設定方式，透過單位成本的

變化傳遞至模型其他部分，以評估有無內生之技術學習效果對碳排放減量成

本之影響。藉由計量模型參數的推估與模型的敏感度分析，其發現增加新科

技的研發與創新，透過學習曲線效果將會對降低排放減量的成本有所助益。

國內過去在環境及能源政策的實證及模擬研究方面，幾乎很少有系統

地將內生技術進步效果納入考量，以致有CO2排放預測高估的情形。本文

希望在一已建置相當完整的動態可計算一般均衡模型基礎上，參考 Kypreos

（2005）在MERGE模型中有關技術學習曲線效果的設計，將技術之學習效

果引入「由上而下」之經濟模型中，重新審視我國因應京都議定書之環境與

能源政策的可能效果。

叁、理論及模型架構

本文的相關分析係以一臺灣之單國動態CGE模型為核心，其模型架構主

要係透過一系列非線性函數，以刻劃總體經濟及產業經濟間的連鎖互動關

係，然後再運用線性化的處理方法，進一步構建出可操作之聯立方程組，以

利各種模擬分析。5本節將就模型基本架構、本文模型特色及技術學習曲線

效果之構建等部分加以說明。

一、基本模型

在一個CGE模型的基本架構中，生產者購買包括商品（中間需求）及原3 Löschel（2002）也整理了三種技術創新的要素，分別為：（1）公司進行R&D的投資、（2）R&D的外溢效果、及（3）技術的學習，尤其是學習效果。國內「由上而下」3E模型如：黃宗煌等人（1999, 2005）所建構的TAIGEM及TAIGEM-III模型。

4 MERGE為一整合「由上而下」及「由下而上」兩不同觀點之能源經濟模型。5 線性化的處理主要係配合本模型求解軟體GEMPACK之需要。

71

人文社會學報

始要素（勞動、土地、資本等）來進行生產，而就投資者、家計單位、政府

及國外購買者等最終需求者而言，其僅購買商品，並無原始要素的購置。惟

不論中間或最終需要，其所購買之商品均可分為國產品及進口品。至於在決

策行為模式的設定上，本文模型與著名的澳洲ORANI模型相似，6係利用投

入－產出弱可分割假設（weak separability assumption），將生產者、投資者

及消費者之決策行為以巢式（nested）的結構設定處理。

在投入與產出的可分割假設下，原始投入產出函數形式：

F（投入, 產出）= 0

可改寫為：

G（投入）= Z = H（產出）

其中Z為產業的產出水準（activity level）

ORANI模型自1977年問世以來，便廣被廣泛應用於政策分析的研究

上，7在國內，黃宗煌、李秉正、徐世勳、林師模與劉錦龍（1999）所建

構的TAIGEM 模型及楊子菡與蘇漢邦（2002）所建構的ROCCO2模型即是

根據ORANI的延伸模型ORANI-G研發而來。本文之分析模型主要係參考

TAIGEM-III動態可計算一般均衡模型（Dynamic Taiwan General Equilibrium

Model -- III）之設定，8並經過適度之部門簡化，以及將部分與本文無關之政

策機制與方程式調整、重新設計，以符合本文模擬設計之需。

以下分別就本文模型因應能源環境議題分析所需而設定之特色，以及為

考量技術變動內生化之部門技術學習效果所設定之機制加以說明。相關之變

數設計及操作係以以下三個不同的方式來展現：

（1）「A」：大寫英文符號用以表示變數之值（value）或量（quantity）之

水準。

（2）「ΔA」：delta A用以表示原大寫英文 A 之變動量。

ΔA（3）「a」：用以表示大寫英文符號 A 之百分比變動率，即 a = ×100。 A

6 基本方程式架構與推導詳見Dixon, Pamemter, Sutton, and Vincent（1982）、Horridge（2003）。

7 其詳細研發歷史與應用可參閱Powell與Snape（1993）。8 TAIGEM III模型為清華大學人社院永續發展研究室持續研發與維護之動態CGE模型，於

2005年更新完成最新架構，在2005年「永續能源發展與溫室氣體減量：產業衝擊與評估方法」研討會中，已發表多篇文章。


72


人文社會學報

二、能源機制

在能源研究的領域當中，學者所重視的議題之一是能源在經濟體系中的

使用的狀況與能源如何在經濟體系中做最有效的配置，特別是對類似我國這

種對能源有高度進口依賴的國家而言，針此類問題的釐清與評估，實有其

策略上的必要性。事實上，早在靜態TAIGEM模型研發時就已經考慮到這樣

的問題，當時建置的主要的機制在於電力部門技術配套之CRESH函數設計

與部門使用能源間替代機制之CES函數設計（黃宗煌等人，1999、Li, Hsu,

Huang, and Lin, 2003），而這樣的設計基本上已某種程度結合了「由下而

上」（bottom-up）與「由上而下」（top-down）的模型特性，相對於傳統的

「由上而下」模型，已足以更細緻刻劃能源與電力部門間之互動與關聯。本

文模型在這部分原則上仍保留此一設定，惟在各項參數值的設定上已做了重

新的檢討，此外，在發電技術的種類方面，也設定了納入其他非傳統發電技

術的空間，可以因應議題需要納入其他如再生能源發電之技術，以更廣泛的

探討能源政策的相關議題。

（一）CRESH函數與電力部門「技術配套」（technology bundle）

CRESH函數最早係由 Hanoch（1971）所提出，Hanoch認為傳統CES

（constant elasticity of substitution）函數對於衡量只有兩種生產要素（如資

本及勞動）或兩種產品（如國產品與進口品）之替代行為時，具有非常良

好且合理的簡化分析特性；但當要素種類變成n種（n>2）時，若n種要素之

間的替代彈性均相同，在實務上似乎較不合理。Mukerji（1963）與Gorman

（1965）曾針對此一問題，修正CES並提出另一CRES函數（Constant ratios

of elasticity of substitution）：

Y=[Σ Di xidi] （1）

且 Σ Di xidi =A 。（2）

然而，在CRES架構下，卻引發出另一個問題，亦即：雖然CRES函數

成功地在給定產出（Y）下，合理存在差異化之多要素替代彈性，但在這個

機制下卻出現非直線之產出擴張曲線（expansion line），這表示在CRES函

數成立的條件中，隱含另一個很大的限制條件，就是此生產函數一定需為

1d

73

人文社會學報

非齊次（non-homogeneous or non-homothetic）函數。9在這個限制條件下，

將使得所有總體計量模型所設定的固定規模報酬（constant return to scale,

CRTS）假設完全失效，大幅降低CRES函數運用的可行性。也因此，Hanoch

（1971）修正CRES的設定為

Y=f(x) where x=(x1,x2.......xn) （3）

n F=f(Y,x) Σ[Dixi / h(Y)]di-1=0, Σ ai =1 （4） i-1

式中：x 為生產要素，令最小投入集合（x）必大於0，x >>0 ，Y 為產出，Y 為最大產出， 0≤Y≤Y ≤∞ ， h(Y)=為連續可微分（continuously differentiable），

且 h(0) = 0， h(Y ) = ∞及 h'(Y ) > 0, 即表示Y 為產業之最大產量。

di 為替代彈性。

經過上述之修正後，CRES函數將轉變為符合齊次條件之生產函數，

我們稱之為CRESH函數（homothetic or homogeneous function with constant

ratios of ES）10。

依據我國發電技術之現況與種類可知，電力供給主要是由煤、石油燃料

瓦斯、核能、水力發電或是可再生能源等技術所生產。在可行的技術限制

下，假設電力產業可以根據不同發電技術間的相對成本來決定彼此的替代程

度。同時，為避免模型求解出現不符合現況或技術上不可行的投入組合，實

務上在設定發電技術的選擇行為時，必需限制某些技術「完全」被其他技術

所取代，而此即為與工程規劃模型中類似之「由下而上」的設定。前述之

CRESH函數，在其標準限制條件下，提供類似於「由下而上」模型之限制

條件：即 x >> 0，使得所有被選擇之技術完全不會產生有一個或多個技術發

電水準等於零之均衡解出現。

9 參見 Gorman（1965）文中之說明。10 運用Lagrangian方法，在追求成本極小化之下，將可解得各個要素之引伸性需求函數： 1 logxi=Bi0-ai(log pi-log p )- (ai-1)log Y，式中ai為由各產品需求價格彈性與交叉彈性所共同組 μ

成之函數，亦即可以估計彈性校準而得，另Bi0則為一常數項，在全微分後可省略之。其詳

細推導過程詳參Hanoch（1971）全文。


74


人文社會學報

本文模型即利用CRESH函數投入選擇之特色，以及此一函數易於線性化

之便利，架構出電力部門的技術組合方式，以做為電力部門生產之決策選擇

行為。參考並改進TAIGEM-III電力部門巢式結構：（參考圖1）

1. 將原本電力部門技術配套的設計，修正電力機組分成基載（base

load）、中載（intermediate load），以及尖載（peak load）。

2. 其中基載部分包括水力發電、核能以及燃油與燃煤汽力機組；而中載

機組包括柴油機組與燃氣汽力機組；尖載機組包括氣渦輪機組（燃油與燃氣

機組）、複循環機組（包括燃油與燃氣機組）、風力發電與太陽光電。

本文模型在電力部門巢式結構如圖1所示，模型將發電技術分為12類11，

而每個電力技術部門之中間投入與複合原始投入間之組成，則使用Leontief

生產函數架構之；而水力發電、核能以及燃油與燃煤汽力機組透過CRESH

函數加總而得基載機組，柴油機組與燃氣汽力機組透過CES函數加總而得中

載機組，而尖載機組則是複循環機組、氣渦輪機組、風力發電與太陽光電透

過CES方式加總而得。而基載、中載與尖載機組則是利用CRESH函數加總成

輸配電業（臺電），臺電再跟私人電廠12以CES方式加總成電力部門。

11 由於目前風力與太陽能之成本結構較不明確，同時發電量亦相對微小，目前政府規劃是以裝置容量為主要方向，對於未來的發電量目標並無確實資料可以獲得，因此模型雖已做了

設定，資料庫亦放入非零之參考數值，但實際模擬時則視需要納入此兩項新發電技術。12 私人電廠部分待相關成本資料蒐集完成後即可套用入電力部門，目前此一部分尚未運作。

圖1 電力部門技術配套設計

電力部門

私人電廠臺電

基載中載尖載

水力核能汽力機組｜燃油

汽力機組｜燃媒

柴油機組

汽力機組｜燃氣

複循環機組｜燃油

複循環機組｜燃氣

氣渦輪機組｜燃油

氣渦輪機組｜燃氣

風力發電

太陽光電

中間投入

複合原始投入

中間投入複合原始投入

75

人文社會學報

（二） CES函數與能源替代

本文在能源投入間替代關係的設定方面，則係以較電力技術配套略為簡

單的方式處理。基本上，除了電力部門以外，我們將各部門中間投入中所

使用的能源產品之間的關係，以CES函數來呈現。如圖2所示，我們將前述

技術配套所組成之電力，以及其他能源投入（煤、油、氣）之間的關係以

CRESH 函數來描述，共同組成複合能源投入13後，再導入模型與其他中間投

入以 Leontief 函數架構各產業之生產投入選擇行為。

圖2 產出及能源替代結構

13 生質能部分包括生質柴油與燃料乙醇，同前所述，模型雖已做了設定，資料庫亦放入非零

之參考數值，但實際模擬時則視需要納入此兩項新發電技術。

三、特殊經濟行為機制

本文模型為一動態CGE模型，其假設任一產業從事生產時，除需要投入

原材物料外，也需要有生產要素的投入，其中也包含對資金的需求，此即

構成對該產業之投資。因此，各產業的投資需求是為企業從事生產行為，

所衍伸出之資本需求的一部分，而此項投資也同時是各產業資本累積的來

源。本文即是從產業資本累積的觀點，以逐年遞歸動態（annual recursive

dynamic）的方式架構模型之動態投資機制，並以羅吉斯函數（Logistic

function）來捕捉各產業各期最適之投資行為與其軌跡。


76


人文社會學報

另外，針對國產品與進品口之消費選擇部分，在一般 CGE 模型中，多

以 Armington（1969, 1970）之不完全替代假設來呈現。然而，對於單純以

「價格導向」之 Armington決策模式，在晚近的研究中已有陸續提到，相對

價格並非國產品與進口品間配置決策之唯一標準。例如，Lopez與Matschke

（2005）的研究即指出，在考慮貿易保護政策下，國產品與進口品之選擇行

為將不適用 Armington（1969, 1970）之假設，消費者對於特定產品的偏好亦

應是決定國產品與進口品消費選擇的重要因素之一。基於此，本文模型參考

Horridge（2003）之處理，擴充並延伸出國產品與進口品之偏好選擇行為。14

（一）逐年遞歸動態投資機制

本文模型在處理動態投資決策行為時，係先將資本存量的成長率與投資

及預期報酬率建立關聯，再透過適應性預期（adaptive expectation）機制的

設定，反映投資者針對預期報酬率變化之行為模式，進而得到預期報酬率的

高低會影響投資者的投資意願，再進一步影響產業資本存量累積的結果。其

方程式架構如下：

K(i) (t) = K(i) (t−1) × (1−D(i) )+I(i) (t)，∀i ∈IDN （5）

EROR(t) = (1−a) × EROR(t−1) + a × Gross_ROR(t), 其中， 0<a<1 （6）

M(i) (t)αG(i) (t) = Q(i) × Gtrend × ，∀i ∈IDN （7） (Q(i)-1+M(i) (t)α) M(i) (t) = EROR(t) /Rnormal （8）

其中：K(i) (t) 、D(i) 及I(i) (t)：表示為第 t 期資本、折舊率及投資額，

M(i) (t) ：表示為預期報酬率與長期平均投資報酬率之比值，

EROR(t) ：表示為第 t 期的預期報酬率，

Gross_ROR(t)：表示第t期的毛報酬率

Rnormal：表示為長期平均投資報酬率，

G(i) (t)：表示為當期實際投資成長率，

Gtrend ：表示為長期投資成長率， Gmax Q(i) = ：表示為最高投資成長率與長期投資成長率之比值。 Gtrend

14 亦可稱為twist機制。

77

人文社會學報

方程式（5）為資本累積方程式，表示第 t 期資本為第 t-1 期資本扣除

折舊再加上本期投資額；式（6）為適應性預期投資報酬率決定式，表示

第 t 期預期投資報酬率等於前一期預期投資報酬率與實際投資報酬率之線性

組合；式（7）則是以羅吉斯函數描繪資本成長率與預期投資報酬率間之關

係，而由其函數特性，該式存在一合理上限（upper bound），恰可約束投資

成長率，避免產生過度調整（overshooting）的情況，同時亦可表現出預期

投資報酬率與投資成長率之正向（非負）關聯（如圖3所示）。

在上述的變數設定下，投資行為方程式有以下幾點特性：

（i） Gtrend =F(Rnormal)，當預期投資報酬率等於長期報酬率時，投資成長

率等同於長期投資成長率。

（ii）當M(i) (t) 趨近於無窮大時，則G(i) (t) =Gmax =Q(i) × Gtrend，亦即為羅吉

斯函數之上限（Gmax ）。

（iii）又M(i) (t) 等於0時，G(i) (t) 亦等於0，為羅吉斯函數之下限（lower

bound）。

（iv）另，式中之α則為投資行為方程式之調節速度，其值愈大，投資

成長率（M(i) (t) ）趨近於Gmax （upper bound）的速度愈快。

最後，將方程式（5）、（6）、（7）及（8）合併並線性化，可整理

得： 15

⎧ G(i) (t) ⎫ g(i) (t)−gtrend = ⎨1− ⎬×α×m(i)(t)，∀i ∈IDN （9） ⎩ Gtrend ⎭

∆EROR(i) (t) m(i) (t) +rnormal = eror(t)=100 × （10） EROR(i) (t)

15 詳細推導過程請參考Horridge（2002），ORANIG-RD模型。


78


人文社會學報

（二）偏好與消費選擇

如前所述，本文模型將 Armington（1969, 1970）之設定進一步納入具成

本中立性（cost-neutral）之相對偏好決策機制考量，以更切合實務上之生產

者與消費者對於國產品與進口品之消費選擇行為。

在傳統 Armington國產品與進口品消費選擇決策機制中，若改變個別產

品偏好，將使得生產者（消費者）改變其投入（產品）使用量，並使其產

出、成本或支出發生改變。但是在實務上，生產者或消費者改變其國產品

與進口品消費組合時，並不一定改變其成本結構，亦即是以保持成本中立

性來進行消費決策。因此，有必要在既有的Armington 決策機制中，擴展出

符合成本中立性之相對偏好決策行為。本文參考Buetre與Ahmadi-Esfahani

（2000）及 Horridge（2003）之設定，將國產品與進口品之選擇決策修改如

下。

首先，將傳統 Armington 產品決策與價格系統依國產品（xd）與進口品

（xm）之百分比變動方程式展開為：16

xd − ad =y−σ(pd + ad − py) （11）xm − am =y−σ(pm + am − py) （12）

16 詳細推導過程及變數定義請參考Horridge（2003）

圖3 羅吉斯函數

0.45

0.4

0.35

0.3

0.25

0.2

0.15

0.1

0.05

0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8

79

人文社會學報

其中：py =Sd (pd + ad )+ Sm (pm + am ) 表示為複合價格。

設存在一所謂之 twist 變數（t），表示為（xd − xm）之相對變動率，而

同時滿足所有價格維持不變下（pd、pm及py均等於0，符合成本中立性）之國

產品與進口品相對偏好變數，則可知

Sd ad + Sm am = 0，（13）

且 xd − xm = (1−σ)(ad − am) = t。（14）

經過整理 Armington 國產品與進口品決策機制（式（11）、（12）），

在考慮相對偏好（twist）變數後，可改寫為

xk = y+Rk (t−σ( pd − pm))，k=d,m ，（15）

py = Rd pd − Rm pm 。（16）

式中，Rk 表示為反向份額（reverse shares），即Rd = Sd , Rm = − Sm 。

由式（15）我們可以將國產品與進口品之決策行為拆解成兩部分：

（i）Rkσ( pd − pm)：稱之為傳統 Armington 之「價格導向」決策行為。

（ii）Rkt：則稱之為維持成本中立性之「偏好導向」國產品-進口品決策

行為。當 t 變大時，表示消費者偏好於國產品，反之，當 t 變小時，則表示

消費者偏好於進口品。

四、環境機制

在環境議題的評估方面，本文著重於分析課徵碳稅對總體經濟與產業

結構之影響，以及CO2排放趨勢與減量之成效。是以模型中增加設定了課徵

碳稅與估計CO2排放之方程組與相關連結。以下即針對（1）碳稅機制方程

式，及（2）CO2排放方程組兩個部分做簡要說明。

（一）碳稅機制

本文模型之碳稅機制設定主要係參考黃宗煌等人（1999）之設定，將碳

稅設定為以CO2排放量為稅基之從量稅（specific tax）。配合模型資料庫編製

之CO2排放矩陣，模型可以求解在給定之排放減量情況下能源使用者之碳稅

負擔，而此項稅負也透過貨物（間接）稅引入使用者之購買者價格，再經由


80


人文社會學報

模型影響到整個經濟體系。

在模型中，假設碳稅之單位稅額為ST，為一從量稅變數。（VSTX）等

於碳稅稅基（TAXBASE）17乘以單位稅額（ST），即：

VSTX = TAXBASE * ST （17）

其中：TAXBASE = CO2；

CO2為碳排放矩陣。

由於碳稅係以消費排放CO2的商品為其課徵對象，碳稅之課徵，將影響

模型之價格體系及以購買者價格計價之相關方程式；而另一方面碳稅稅收之

增加，亦將使政府收入增加。簡言之，碳稅機制乃由經濟及所得兩個層面導

入模型，再透過模型求出總體變數、減量效果與所得變數之一般均衡解。

（二） CO2排放方程式

承上所述，模型假設CO2為消費特定商品所產生，因此，CO2排放量變

動百分比必等於該商品之消費量變動百分比，亦即：

x ∆CO2 = CO2* （18） 100

其中，：CO2 之變動量，x：商品之消費量的變動率。

在課徵碳稅時，將使得排放CO2商品之購買者價格上漲，因而促使消費

者減少此類商品之消費，進而達到CO2排放減量之效果。

五、技術內生與「學習曲線」效果

經濟體系各產業在生產過程中將逐漸累積經驗，自發性地修正並調整更

有效率的生產行為，以提高其生產效率。也因此，傳統CGE模型中將技術外

生處理之機制將較不符產業發展之實際演進。本文參考近期國外相關研究，

17 TAXBASE亦可設定為其他溫室氣體排放。會以此假設，主要係以能源局統計CO2氣體排放

主要以固定排放系數乘以能源消費量計算之。因此，經過線性化後，CO2排放變動率將於

能源消費變動率同幅變化。

81

人文社會學報

針對模型中之生產行為設定，考慮技術內生化效果，將原生產決策修改為

min Cost

⎡ XIntermediate(i) XEnergy XFactor ⎤s.t Y = Leontief ⎢, , ⎢ （19） ⎣AIntermediate(i)* Atech AEnergy* Atech AFactor* Atech ⎦

式中，XIntermediate(i) 、AIntermediate(i) 代表非能源產品之中間投入及其技術進步參

數，XEnergy 、AEnergy表示複合能源投入及其技術進步參數，XFactor、 AFactor 則表示

複合原始投入及其技術進步參數，而上述三組變數之技術進步參數均設定為

外生。除了上述以外，本文針對技術內生化的處理，另外增加一內生之總

技術進步變數，同時假設其變動依由另一組變數Z所決定（Atech =g(Z)）。因

此，本文之生產結構可表示為圖4。

上述的設計中，技術參數或變數（AIntermediate(i)、AFactor、AEnergy、Atech）變小

表示為技術進步，技術參數或變數變大表示為技術退步。18因此，若以百分

比變動形式表示，則技術進步效果將表現在參數（aIntermediate(i)、aFactor、aEnergy、

atech）小於0的時候。本文之技術進步參數或變數，在整個CGE動態求解過程

中扮演了兩個不同的角色：

(1)擴張產能：當要素使用維持不變時，將使得總產出因技術進步而增

加。

(2)降低成本：當維持總產出不變時，技術進步將使產業節省中間投入

及能源與原始投入的使用，進而降低其生產成本。

由於在動態處理過程中，要素的使用與產出的決定均係由模型內生求解

而得，因此，除非有特殊的情境或政策設計，在本文中的技術效果均將包含

上述（1）、（2）兩項效果。

最後，在如何決定出內生技術進步變數Atech =g(Z)之函數型態與影響變數

方面，本文則是參考Kypreos（2005）在MERGE模型中的二因子學習曲線設

計：

GCk,t= a × CP−bk,t × KS−c

k,t （20）KSk,t=KSk,t−1 ×(1−s)+AR &D × yppt （21）

18 設定為外生之參數可以外生的方式給定不同的數值，設定為內生之技術變數則會隨模型求解過程而變化。


82


人文社會學報

式中： GCk,t表示為第t期k產業之單位成本；

CPk,t 表示為第t期k產業之累計產量；

KSk,t 表示為第t期k產業之累計研發投資支出；

AR &D 表示為總研發投資規劃；

yppt 表示為研發投資各年之支出比例。

由式（20）可知，在二因子學習曲線設計中，產業的單位成本將受到該

產業的累積產量與累積研發投資兩項因子所影響。隨著產量與研究投資的累

積，特定產業之單位生產成本會有逐年下降的情形。式（21）則為研發投資

之資本累積方程式。

圖4 考慮技術內生化處理之生產結構

上述以產業單位生產成本隨累積產量及累積研發投資而變化的設定方

式，在本文之動態CGE模型中並無法直接比照處理。其中最主要的原因是，

本文模型價格系統設定的核心為生產者價格決定機制，而雖然生產者價格

取決於生產成本，但因此一生產成本的決定係由許多內生投入的量及價格所

決定，而要針對這部分以額外的影響因子來建立直接影響生產成本的設定

83

人文社會學報

方式，基本上並不太可行。也因此，要建立起單位生產成本的變化與累積產

量及累積研發資本有關之機制，需要透過其他的方式來處理。基本上，本文

在學習曲線效果的設計，保留了MERGE模型之二因子設計，但是卻是將學

習效果透過模型之內生技術變數（Atech）來傳達。由於技術變數（Atech）的變

化傳達了就算是在投入不變的情況下，產量也會有所變化的訊息，因此，該

技術變數變化也代表單位生產成本會隨之變化。實際操作上，以內生技術變

數的變化來間接反映技術的學習效果，就如同一般所認知的學習曲線，並沒

有一定的曲線形式。換句話說，如果我們以單位生產成本的變化對應技術變

數的變化來觀察，其間的函數關係並不一定是呈現某種線性或是非線性的形

式；二者之間摻雜了複雜的投入、產出、及價格的互動，以及各產業與總體

經濟及進、出口的互動。

模型操作時，因資料取得限制，本文另假設各產業累積研發投資占總累

積資本之固定比例，則式（20）及（21）可改寫為： 19

Atech(k,t) = a × CP−b(k,t) × KS−c

(k,t) （22）

KS(k,t) = S R&D(k) × K(k,t) （23）

式（22）為本文之技術內生化處理機制，而其與MERGE模型設計之差

異可由圖5說明。在MERGE模型中，當產業存在學習效果，則以單位成本表

示為ab（即產業供給線因學習效果由S1移至S2），這個效果將使得均衡點由

e1移至e2點，致使產量增加e1d，產品價格下降。至於本文則是將單位成本變

化修改為由模型之內生技術變數來處理，產業的學習效果（單位成本下降）

轉換成對應之技術進步效果，而其對單位成本及產量的綜合影響可對應。

也就是說，技術進步效果經由前述式（19）導入產業生產行為，將得到如同

MERGE模型之產量增加及價格下降效果（e1d、e1c）。是以，當特定產業之

供需曲線決定，其單位成本與技術參數間將存在一定之函數關係。20

本文現階段針對產業內生技術進步的處理，依本文研究主題之需要，主

19 （22）及（23）兩式，在模型以百分比變動線性化後，a與SR&D(k)在本文中假設為固定常

數，因此全微分後，兩常數可省略之。若研究者認為研究投資份額SR&D(k)不同的年度會有不

同的配比，則可增加一維度為SR&D(k,t)，此時，便不可以減化並省略，應在預測各年度設定其

投資份額。20 本文將在模擬分析中以模擬結果進一步印證此結果。


84


人文社會學報

要係在電力部門。我們將原有模型之電力部門由僅考慮技術配套的情況，進

一步納入學習曲線效果，使電力部門與其他產業間的互動行為更為複雜，同

時也更接近經濟體系的實際運作。在上述的設定下，電力部門各發電技術的

發電量除了會受其他發電技術部門的影響（因為有替代關係）外，該技術部

門的成本與產量亦同時會受到該部門內部可能存在之學習效果所影響。

圖5 學習曲線效果

肆、實證模擬分析

本文主題係希望藉由考慮技術內生化的學習曲線效果，重新檢視過去國

內總體經濟預測與CO2減量效果評估的結果。基於此，本節以本文所延伸、

修正之模型進行情境設計與模擬分析，希能提供更完善且符合經濟現況之研

究結果。以下就資料來源、情境設定、模擬設計與模擬分析等構面說明之。

一、資料庫來源及結構

本文模型資料庫主要以投入產出表為基本資料架構，並包括資本存量、

資本組成矩陣、發電技術成本投入、社會會計矩陣、能源消費資料與CO2排

85

人文社會學報

放矩陣等資料編制而成。主要資料來源為主計處產業關聯表，以行政院主計

處2004年產業關聯表為基礎，輔助資料則須另行編製21，相關部門分類如表1

所示，共有69個產業部門。

二、基準情境設定

1. 部門數加總為59部門，產品數加總為69種產品。

2. 採用主計處公告之2004年產業關聯表，並利用2005年起至2007年之總

體指標公告值，進行歷史模擬校準（calibration），2008年起至2025

年則為模型預測期間。

3. 家庭戶數與消費者物價指數：在模型中為外生決定，資料來源如下

（1）歷史資料（2005-2007年）採用政府所公告之實際資料。

（2）預測資料（2008~2025年）本文分別採用狀態空間模型（State

Space Model）與ARIMA模型進行推估，並取二者之平均值做為

成長率設定值。

4. GDP成長率與產業結構：由模型自行求解。

5. 國際能源價格預測資料：基於小國假設，在模型中亦為外生設定。國

際能源價格的走勢攸關國內能源使用成本，本文分別參考國際能源總

署之「國際能源展望」（International Energy Outlook, IEO）、美國能

源部能源資訊署（Energy Information Administration, EIA）之「能源

年度展望」（Annual Energy Outlook, AEO）。

6. 核能政策：考慮核四的商轉時間，以及既有核電廠的除役時間。此

外，由於興建核能電廠的資本成本為數不貲，興建期間的投資會排擠

掉其他部門的公共投資，因此本文考慮核四機組運轉前五年所造成的

投資排擠效果。

7. 能源消費量：由於能源稅的課徵以及CO2排放量，均與能源消費

量密切相關，為求初級能源結構配比符合實際資料，本文參考能

源局之「能源平衡表」之歷年能源消費量資料進行歷史模擬階段

（2000~2007年）之校準行為。

8. 長期就業成長趨勢：本模型為充分就業假設，令長期就業成長趨勢等

21 其他資料來源包括能源平衡表、臺電、政府部門委辦計畫內容、相關學術研究單位與自行推估。


86


人文社會學報

於1%。

三、模擬設計

（一）基線預測模擬

依據基準情境設計，透過本文模型可以模擬預測出2008-2025年各

項總體指標、產業結構與CO2排放等資訊，亦是過去研究中所稱之基線

（baseline）預測，是為其他政策模擬之比較基準線。不過，本文之主題是

希望刻劃出經濟體系在考慮及未考慮技術學習效果下之總體及環境指標差

異。因此，在基線模擬設計上分為以下2項：

基線模擬1：未考慮技術學習效果下，進行2008年至2025年基線預測。

（簡稱S1），

基線模擬2：考慮8個電力部門存在技術學習效果下，進行2008年至

2025年基線預測。22（導入8個電力部門學習曲線）（簡稱

S2）。

（二）政策模擬

如前所述，將學習曲線應用於3E模型，除了在基線預測中可觀察出其技

術學習效果所創造之經濟成長與CO2排放之雙重效果外，當我們考慮能源及

環境政策時，其影響應更為顯著。因此，本文另一項模擬則是以類似「京者

議定書」之規範，依2005年全國能源會議討論之期程進行模擬。

雖然「氣候變化綱要公約」及「京都議定書」並未規範與我國國情相似

之開發中國家溫室氣體減量責任，然依國際環保公約（例如蒙特婁議定書、

華盛頓公約等）的經驗，我國即使不簽定公約及享受權利，但相關義務，卻

仍須履行，以避免國際以罰款或貿易報復等方式的制裁。23

我國在2005年全國能源會議中討論出類似「京都議定書」之減量目標與

期程，希自2011年起，實施CO2減量政策，期在2025年將CO2排放量回歸到

22 因本文基準情境中已設定核能政策（核四及除役），是以外生處理電力部門核能機組運作；另因水力發電受限於天然的環境，其產能擴張有限，是以將核能及水力發電排除學習

曲線設計。23京都議定書已對於附件一國家訂出具體的減量目標，要求附件一批准國家在第一個減量期

間內（2008∼2012）內，將排放量降為比1990的排放量平均還低5.4％的水準（實際比例則因國而異，有部分國家的排放量可以不減反增）。此為當前京都議定書分配減量責任的方

案，本文稱之為「京都減量模式」。

87

人文社會學報

2000年的水準。本文據此設計以下2種情境：

京都減量模擬1：未考慮技術學習效果下，由2011年起至2025年實施CO2

減量政策，回歸到2000年之目標。（簡稱S3）

京都減量模擬2：考慮8個電力部門存在技術學習效果下，由2011年起至

2025年實施CO2減量政策，回歸到2000年之目標。（簡稱S4）

四、模擬結果分析

之前曾提及，本文與MERGE模型之學習曲線的處理並不完全相同，惟

依圖5所示，技術進步與單位成本下降之間應存在一定的函數關係（在供需

函數已決定下），是以模擬分析之第一步驟即在應證此一論述是否合理。之

後，方可進一步整理分析各項我們所關心的總體經濟、能源與環境指標。

（一）技術進步與單位成本

本文3E模型中沒有單位成本變數之設計，但藉由觀察模擬後各年之資料

庫更新後內容，將可以大致設算單位成本的變化。根據主計處產業關聯表之

設計，原始投入之「資本」項表示為各產業之資本利得（capital rental），

其中包含股利、保留盈餘、利息、地租及折舊等不同項目，然而，在本文模

型資料庫中並未將其細分，僅以資本總額處理，因此，本文乃以總產出扣除

資本總額作為產業投入成本計算之概估值，再據以進一步計算出預測各年產

業之單位成本變動率。

我們將「基線模擬2」之八個電力技術部門技術變數與單位成本之變動

率繪製成圖6、圖7及圖8。24由圖6及圖7可觀察出，汽力機組與複循環機組共

五個電力技術部門，其內生技術進步率與單位成本下降率均呈現穩定之線性

關係（接近完全正相關），其中，複循環機組二條曲線近乎重疊，表示其成

本結構幾乎完全相同。至於圖8之三個電力技術部門，由於屬於成本相對較

高的電力技術部門（氣渦輪及柴油機機組），其除了技術進步效果外，也同

時存在被其他電力技術部門替代之效果，因而出現非線性關係。25

24 技術變動率負值表示為技術進步，成本變動率負值表示為成本下降，是以為方便製圖，均將技術變動率與成本變動率同乘以（-1），轉換至第一象限。

25 因為在本文中除了技術內生化處理外，同時考慮了電力部門的技術配套，也就是說在成本較低之電力部門（如汽力及複循環機組），其學習效果將完全如同預期地擴張產能與降低

其生產成本。


88


人文社會學報

圖6 汽力機組（3個電力部門）技術進步與單位成本關係

圖7 複循環機組（2個電力部門）技術進步與單位成本關係

89

人文社會學報

（二）總體指標－實質GDP

由表1可知，2008至2025年，當基線考慮技術學習效果時，電力部門產

量擴增，進而透過一般均衡模型之產業互動連結效果，促使各年實質GDP

成長率增加0.03至0.06%。而類似的結果在京都減量模擬（S3, S4）中更為明

顯，由於2011年起實施減量政策以管制CO2成長，基於電力部門是主要耗能

及排放CO2之產業，在未考慮技術學習效果時，減量政策明顯會對實質GDP

產生顯著的負面衝擊，而在考慮電力部門技術學習效果後，將使該部門有

更多的彈性進行要素與資源的重分配，以降低減量政策的衝擊。在2011年至

2025年，就技術學習效果對GDP的助益（S4 減去S3）而言，將使實質GDP

成長率較沒有技術進步的情況增加0.06至0.52%。

（三）能源指標－能源密集度

本模型另一項重要的評估指標即為能源使用效果，而本文以能源密集度

做為模擬評估比較之變數。能源密集度係以「能源使用量除以實質GDP」來

衡量，其中，能源使用量與實質GDP這兩個變數在模型中均為內生求解。透

過模擬，我們可以推估並預測各年之能源密集度變動率（如表2所示）。

首先，以S1基線觀察，2008至2025年能源密集度均呈現下降之勢，而當

圖7 氣渦輪及柴油機機組（3個電力部門）技術進步與單位成本關係


90


人文社會學報

我們考慮技術學習效果時，因技術進步可以減少要素使用，同時創造GDP的

成長，因此依據能源密集度計算公式可明顯得知，其能源密集度下降率將超

過未考慮學習效果之基線。（S2-S1）即可表示為學習曲線所進一步創造之

能源密集度下降率。

能源密集度下降之效果在減量政策模擬卻有不一樣的呈現。由於減量政

策主要在約束CO2的排放，使得排放CO2之能源先行被約束，造成減量政策

模擬（S3）2011年至2025年之能源密集度更顯著地下降，而當考慮技術學習

效果（S4）後，其能源調節彈性已明顯不如基線之效果，是以2011年以後

（S4-S3）之下降幅度較基線（S2-S1）時為少。

（四）環境指標－CO2排放

有關CO2排放，因政策模擬（S3與S4）之減量政策均以在2025年回歸至

2000年的排放量為其政策目標，因此在2025年時其排放量均相同，所以，本

小節將僅以基線模擬（S1與S2）來分析並說明（資料整理如表3）。

本文基線預測2025年在未考慮技術學習效果之下，其CO2排放量為506

百萬噸（含燃燒及製程排放），而各年之CO2成長率除2010及2011年受到核

四開始商轉的影響外，均在2.00至4.00%之間。不過，由近期國外研究可發

現，在CO2排放量之預測中，考慮技術學習效果是一項必需且重要的評估考

量因子。本文模型加入電力部門技術學習效果後，重新進行基線預測我國

的CO2排放，結果顯示，各年CO2成長率均因技術學習效果而減少了能源消

耗，進而降低CO2的排放量（2025年CO2排放量下降為474百萬噸），CO2成

長率均較未考慮學習效果時為低。

（五）政策評估－碳稅與減量成本

Kemfert（2005）曾明確指出，排放減量政策需搭配技術進步方能減少

對整體經濟福利的衝擊。本文為了印證考慮技術學習效果將對環境與能源政

策效果有所影響，同時也為了檢視與Kemfert（2005）所提之論述，特別針

對京都減量政策進行政策評估，而經由模擬求解之最適碳稅與減量成本整理

如表4所示。

研究結果顯示，在未考慮技術學習效果下，當自2011年以後開始實施

CO2減量政策，為達到各年的減量目標，各年所需課徵之最適碳稅如表4所

示。表4顯示，隨著減量期程的進行，由於能源替代可能性越趨困難，將造

91

人文社會學報

成碳稅額度逐年上升，平均約為5,099（元/噸碳）。然當我們加入電力部門

技術學習效果考量之後，如預期地，將有效減少能源的使用，進而得到CO2

減量的效果，而在此情形下，內生求解之最適碳稅將較未考慮技術學習效果

時為低，平均約為4,717（元/噸碳）。相較之下（S4-S3），平均每噸碳的最

適碳稅將減少382（元/噸碳）。

減量成本的估計亦呈現與碳稅相同的結果。若未考慮技術學習效果，將

使經濟體系因CO2減量政策平均承受9,197（元/噸CO2）的減量成本，而在考

慮技術學習效果之後，其減量成本將降至7,384（元/噸CO2）。準此，在環

境與能源政策的評估上，若未考慮技術學習效果將使減量成本有高估的情

形，而此結論可與Kemfert （2005）的結論相互呼應。

表1 總體指標－實質GDP單位：%，百萬元臺幣

年度實質GDP成長率實質GDP 基線政策基線政策 S2-S1 S4-S3 S2-S1 S4-S3 S1 S2 S3 S4 S1 S2 S3 S4 2005 4.16 4.16 4.16 4.16 11454727 11454727 11454727 11454727 2006 4.80 4.8 4.8 4.8 11917597 11917597 11917597 11917597 2007 5.70 5.7 5.7 5.7 12635768 12635768 12635768 12635768 2008 -3.22 -3.19 -3.22 -3.19 0.03 0.03 12228896 12232687 12228896 12232687 3791 3791 2009 -2.30 -2.27 -2.30 -2.27 0.03 0.03 11947632 11955005 11947632 11955005 7373 7373 2010 2.12 2.15 2.12 2.15 0.03 0.03 12200398 12211514 12200398 12211514 11116 11116 2011 3.06 3.08 2.72 2.78 0.02 0.06 12573165 12587063 12531684 12550429 13898 18745 2012 3.84 3.87 3.48 3.54 0.03 0.06 13055551 13073758 12967364 12994291 18207 26927 2013 4.00 4.04 3.22 3.32 0.04 0.1 13578012 13602177 13385151 13425939 24165 40788 2014 4.01 4.05 3.07 3.19 0.04 0.12 14122645 14153221 13796228 13854380 30575 58152 2015 4.46 4.50 3.35 3.49 0.04 0.14 14752287 14789886 14258178 14337673 37600 79495 2016 2.01 2.05 0.84 0.99 0.04 0.15 15048499 15092770 14377648 14479316 44271 101668 2017 3.78 3.82 2.51 2.67 0.04 0.16 15616651 15668630 14737876 14865258 51979 127382 2018 3.60 3.64 1.94 2.15 0.04 0.21 16178597 16238714 15023552 15184620 60117 161068 2019 3.47 3.51 1.73 1.96 0.04 0.23 16739839 16808537 15283315 15482093 68698 198778 2020 3.42 3.45 1.97 2.18 0.03 0.21 17311911 17388000 15584004 15819205 76088 235201 2021 3.22 3.27 1.04 1.36 0.05 0.32 17869904 17957139 15746571 16034848 87235 288276 2022 3.14 3.19 0.91 1.27 0.05 0.36 18430236 18529185 15889176 16237788 98949 348612 2023 3.21 3.25 1.57 1.87 0.04 0.3 19022682 19132223 16139355 16542170 109541 402815 2024 2.89 2.94 0.20 0.68 0.05 0.48 19572962 19695238 16172080 16655113 122276 483034 2025 2.69 2.74 -0.04 0.48 0.05 0.52 20100342 20235760 16166327 16735796 135418 569469資料來源：本研究整理。


92


人文社會學報

表2 能源指標－能源密集度

單位：%

年度能源密集度變動率（%）

基線政策年度 S2-S1 S4-S3 S1 S2 S3 S4

2005 -1.21 -1.21 -1.21 -1.21

2006 -0.79 -0.79 -0.79 -0.79

2007 -0.68 -0.68 -0.68 -0.68

2008 -0.63 -0.92 -0.63 -0.92 -0.29 -0.29

2009 -0.52 -0.82 -0.52 -0.82 -0.30 -0.30

2010 -0.38 -0.70 -0.38 -0.70 -0.32 -0.32

2011 -0.22 -0.54 -2.18 -2.34 -0.32 -0.29

2012 -0.02 -0.32 -2.09 -2.26 -0.30 -0.29

2013 -0.40 -0.74 -3.60 -3.84 -0.34 -0.29

2014 -0.33 -0.70 -3.36 -3.64 -0.37 -0.29

2015 -0.21 -0.61 -3.08 -3.40 -0.40 -0.29

2016 -0.33 -0.77 -2.93 -3.26 -0.44 -0.29

2017 -0.29 -0.76 -2.75 -3.09 -0.47 -0.29

2018 -0.46 -1.00 -3.29 -3.67 -0.54 -0.29

2019 -0.38 -0.96 -3.06 -3.46 -0.58 -0.29

2020 -0.19 -0.77 -2.28 -2.65 -0.58 -0.29

2021 -0.44 -1.11 -3.24 -3.69 -0.67 -0.29

2022 -0.34 -1.07 -2.94 -3.40 -0.73 -0.29

2023 -0.25 -0.97 -1.92 -2.33 -0.72 -0.29

2024 -0.34 -1.17 -2.92 -3.41 -0.83 -0.49

2025 -0.25 -1.14 -2.59 -3.10 -0.89 -0.51註：能源密集度為「能源使用量除以實質GDP」

資料來源：本研究整理。

93

人文社會學報

表3 環境指標－CO2排放

單位：千噸

CO2排放

年度基線政策 S2-S1 S4-S3 S1 S2 S3 S4

2005 3.13 3.13 276661 276661

2006 2.09 2.09 282454 282454

2007 1.33 1.33 286223 286223

2008 -1.43 -1.64 282130 281529 -0.21 -601

2009 -1.29 -1.51 278497 277284 -0.22 -1213

2010 1.74 1.50 283334 281435 -0.24 -1899

2011 2.76 2.52 291162 288535 -0.24 -2627

2012 2.78 2.56 299257 295922 -0.22 -3335

2013 3.00 2.76 308238 304093 -0.24 -4145

2014 3.23 2.96 318180 313080 -0.27 -5100

2015 4.11 3.82 331243 325026 -0.29 -6217

2016 1.14 0.83 335004 327708 -0.31 -7296

2017 3.64 3.30 347185 338510 -0.34 -8675

2018 4.45 4.07 362625 352278 -0.38 -10347

2019 4.53 4.10 379038 366708 -0.43 -12330

2020 3.72 3.28 393154 378751 -0.44 -14403

2021 5.37 4.86 414253 397146 -0.51 -17108

2022 5.63 5.07 437561 417267 -0.56 -20294

2023 3.74 3.17 453930 430498 -0.57 -23432

2024 4.98 4.33 476543 449146 -0.65 -27397

2025 6.21 5.51 506119 473878 -0.7 -32242 資料來源：本研究整理


94


人文社會學報

伍、結論與建議

一、研究結論

依據 Goulder與Mathai（2000）及Kemfert（2005）所指，在分析環境及

能源議題時，考慮技術進步與內生學習效果是十分重要的考量因素。本文

參考Kypreos（2005）在MERGE模型中有關技術學習曲線之設計觀念，將學

習效果以技術參數引入模型之中，架構出一更符合我國經濟現況之3E總體

模型，並重新檢視在考慮技術學習效果下，CO2排放的預測是否有高估之情

形，然後再依據2005年全國能源會議討論之「京都減量模式」，重新估計其

最適碳稅與減量成本。

表4 政策評估－碳稅及減量成本

碳稅（元/噸碳）減量成本（元/噸CO2）年度

S3 S4 S4-S3 S3 S4 S4-S3

2011 1275 1154 -121 4413 933 -3480

2012 1239 1146 -93 4496 2224 -2272

2013 2508 2365 -143 5293 3598 -1695

2014 3017 2829 -188 6103 4594 -1509

2015 3562 3347 -215 6922 5485 -1437

2016 3756 3523 -233 7671 6249 -1422

2017 4095 3850 -245 8393 6960 -1433

2018 5207 4911 -296 9254 7789 -1465

2019 5566 5229 -337 10032 8518 -1514

2020 5103 4760 -343 10595 9034 -1561

2021 7059 6561 -498 11444 9791 -1653

2022 7620 7020 -600 12245 10485 -1760

2023 6662 6069 -593 12801 10949 -1852

2024 9535 8685 -850 13714 11716 -1998

2025 10275 9305 -970 14587 12434 -2153

平均 5099 4717 -382 9198 7384 -1814資料來源：本研究整理。

95

人文社會學報

研究結果顯示，本文以內生技術進步方式導入學習曲線效果之處理方

式，與MERGE模型將單位成本導入學習曲線效果的想法一致，而透過所建

立之技術進步與單位成本間函數圖形關係也印證此一說法。此外，由於本文

模型中考量了電力部門的技術配套關係，透過技術配套與技術進步的交互作

用，也進一步使得電力部門的互動更切合我國實際情況，為本文有別與國內

外相關研究之一項突破。

在各項總體經濟、能源及CO2排放預測與減量政策的模擬中，我們得到

與Goulder與Mathai（2000）、Kemfert（2005）及Kypreos（2005）相同的論

述結果。而與國內著名的動態CGE模型：TAIGEM-III模型比較發現，由於

TAIGEM-III模型並未納入內生技術進步的設計，因此本文在實質GDP的預

測中，不論是基線預測與政策模擬，當考慮技術學習效果時，均較未考慮技

術學習效果呈現更高的經濟成長。以2025年為例，在基線預測中技術學習效

果創造出135,418年萬元的實質GDP成長，而同樣在政策模擬中差距更高達

569,469百萬元。此即為技術進步「擴張產量」效果的展現。

至於在能源與環境指標的評估中，本文納入技術學習效果，將在模型中

引發「降低成本」與「降低要素使用」的成效，將使得CO2排放在基線之預

測由506百萬噸下降為474百萬噸。政策模擬（S3與S4）之最適碳稅與減量

成本方面，技術學習效果亦成功的免除過度悲觀之估計，平均碳稅由5,099

（元/噸碳）降為4,717（元/噸），減量成本亦由9,197（元/噸CO2）降為

7,384（元/噸CO2），再次印證在環境與能源政策評估分析中，技術學習效

果之重要性。相互比較可以發現，本文不論由總體經濟、環境與能源政策等

構面均得到更為合理的評估結果，為本文另一項主要貢獻。

二、研究限制與未來發展

在本文中，我們參考Kypreos（2005）之設計，惟僅考慮電力部門之技

術學習效果，雖成功取得技術進步所引發之經濟、能源與環境效果，但事實

上，技術學習效果應存在於經濟體系之各個產業中。Jaccard et al.（2004）即

認為運輸部門在溫室氣體減量上扮演了重要的角色，亦為高排放量產業，理

應在環境及能源政策中加以考慮。本文因時間因素，無法全面導入所有產業

之技術學習效果，未來如能在研究中考慮所有或更多的產業學習效果，則應

更能突顯技術內生化之影響力，而此亦是筆者未來繼續努力的目標。再則，


96


人文社會學報

本文將研發投資設定為總資本存量之固定配比，是為在資料不完整時的權宜

處理，未來應可如同 MERGE 模型之設定，在各產業研發投資之資料健全完

整的前提下，依實際資料完整刻劃各個年度研發投資支出，以更真切地模擬

出學習曲線在各產業所引發及創造的效果。

陸、參考文獻

黃宗煌、李秉正、徐世勳、林師模、劉錦龍（1999）。TAIGEM模型

建構暨減量策略之經濟評估，環保署委託專案研究計畫（EPA-88-

FA31-03-0006）。

楊子菡與蘇漢邦（2002）。綠色租稅改革的租稅福利成本與結構效果。農業

與經濟，第29期，p29-54。Armington, P. S. (1969). The geographic pattern of trade and the effects of price

changes. IMF Staff Papers, 16, 176-199.

Armington, P. S. (1970). Adjustment of trade balances: Some experiments with a

model of trade among many countries, IMF Staff Papers, 17, 488-523.

Arrow, K. L. (1962). Economic welfare and the allocation of resources for

invention. In R. Nelson,(Eds.)., The rate and direction of inventive activity.

Princeton NJ: Princeton University Press.

Buetre, B. L. & Ahmadi-Esfahani, Fredoun Z.(2000). Updating an input-output

table for use in policy analysis, The Australian Journal of Agricultural and

Resource Economics, 44:4, pp 573-603.

Dixon, P. B., Pamenter, B. R., Sutton, J. M. & Vincent, D. P. (1982). ORANI: A

multisectoral model of the Australian economy, Amsterdam: North-Holland.

Gorman, W. (1965). Production functions in which the elasticities of substitution

stand in fixed proportions to each other. Review of Economic Studies, 32(3),

217-24.

Goulder, L. H. & Mathai, K. (2000). Optimal CO2 abatement in the presence of

induced technological change. Journal of Environmental Economics and

Management, 39, 1-38.

Griliches, Z. (1979). Issues in assessing the contribution of research and

97

人文社會學報

development to productivity growth. Bell Journal of Economics, 10, 92-116.

Hall, B., A. Jaffe & Trajtenberg, M. (2000). Market value and patent citations: A

first look. National Bureau of Economic Research Working Paper, No. 7741.

Hanoch, G.. (1971). CRESH production functions. Econometrica, 39, 695-712.

Horridge, M. (2003). ORANI-G: A generic single-country computable general

equilibrium model., Practical GE Modellong Course, Jun 23-27, 2003. http://

www.monash.edu.au/policy/oranig.htm

Horridge, M. (2002). ORANIGRD: A recursive dynamic version of ORANIG,

http://www.monash.edu.au/policy/oranig.htm

Jaccard, M., Murphy, R. & Rivers, N. (2004). Energy-environment policy

modeling of endogenous technological change with personal vehicles:

Combining top-down and bottom-up methods. Ecological Economics, 51:

31– 46.

Kemfert, C. (2005). Induced Technological Change in a Multi-Regional, Multi-

Sectoral, Integrated Assessment model(WIAGEM)Impact Assessment of

Climate Policy Strategies, Ecological Economics 54: 293– 305.

Kypreos, S. (2005). A MERGE model with endogenous technological change

and the cost of Carbon stabilization, Climate Change Modelling and Policy,

Working Paper, The Fondazione Eni Enrico Mattei Note di Lavoro Series

Index: http://www.feem.it/Feem/Pub/Publications/WPapers/default.htm

Kverndokk, S., Rosendahl, K. E. & Rutherford, T. F. (2000). Climate policies

and induced technological change: Which to choose the carrot or the stick?

Discussion Paper, University of Colorado, Boulder.

Li, P. C., Hsu, S. H., Huang, C. H., & Lin, H. H.(2003). Baseline forecasting for

greenhouse gas reductions in Taiwan: A dynamic CGE analysis, in C.C.

Chang, D.G. Shaw, & Mendelsohn, R.(eds.), Global warming and the Asian

Pacific. Cheltenham, U.K.: Edward Elgar.

Lopez, R. A. & Matschke, X. (2005). Food protection for sale. University of

Connecticut, Department of Economics, Working papers: 2005-13.

Löschel, A. (2002). Technological change in economic models of environmental

policy: A survey. Ecological Economics, 43, 105-126


98


人文社會學報

Lucas, R. E. (1988). On the mechanics of economic development. Journal of

Monetary Economics, 100, 223-251.

Mukerji, V. (1963). A generalized S.M.A.C. function with constant ratios of

elasticities of substitution. Review of Economic Studies, 30(3), 233-36.

Powell, A.A., & Snape, R. H. (1993). The contribution of applied general

equilibrium analysis to policy reform in Australia. Journal of Policy

Rosenberg, N., 1982. Inside the Black Box: Technology and Economics.

Cambridge University Press, Cambridge.

Rogers, E. (1995). The diffussion of innovation, fourth ed.. Free Press, New York

Romer, P. M. (1986). Increasing returns and long-run growth. Journal of Political

Economy, 94(5), 1002-37.

Romer, P. M. (1990). Endogenous technical change, Journal of Political Economy,

98, 71-102.

Rosenberg, N. (1982). Inside the black box: technology and economics. New York:

Cambridge University Press.

Scherer, F. M., Harhoff, D. & Kukies, J. (2000). Uncertainty and the size

distribution of rewards from technological innovation. Journal of

Evolutionary Economics, 10, 175-200.

Schumpeter, J. (1942). Capitalism, socialism and democracy. Harper, New York.

99

人文社會學報

Induced Technical Change, Learning-by-Doing and Greenhouse Gas Emission Mitigation

Hsing-Hua Lin* Han-Pang Su**

Abstract

Recent studies indicate that induced technical change and learning-by-doing

effect are among the most important factors that need to be taken into account

in energy and environmental policy analysis. Following Kypreos(2005), this

paper reformulates a well-known dynamic CGE model by including in it a set

of endogenous technical variables for the electricity-generating sector, which,

in turn, are determined by cumulated output and cumulated R&D capital of that

sector. The modified model is then used to simulate a set of policy scenarios that

correspond to the greenhouse-gas emission mitigation strategies proposed at the

2005 National Energy Conference. Our simulation results show that taking into

account the effect of induced technical change or learning-by-doing significantly

lower the mitigation cost of meeting specific emission reduction targets. This result

has important implications regarding the formulation of national greenhouse-

gas policy, as an over-estimation of the emission reduction target will generate

unnecessary negative impact on the economy.

Key words: Induced technical change, Learning-by-doing, Computable

general equilibrium model, Carbon dioxide, Abatement cost

Received: April 21, 2009; Modified: September 7, 2009; Accepted: September 7, 2009* Hsing-Hua Lin, corresponding auther, Assistant Professor, Department of Finance, Ching-Yun University** Hang-Pan Su, Assistant Professor, Department of International Trade, Chung-Yuan Christian

UniversityE-mail: [email protected]; [email protected]


100


人文社會學報

內生技術進步、學習效果與溫室氣體減量 - national tsing hua...

Documents