EN中文

自然资源学报 >

2022 , Vol. 37 >Issue 7: 1876 - 1892

DOI: https://doi.org/10.31497/zrzyxb.20220715

其他研究论文

低碳试点政策是否提高了城市碳排放效率——基于低碳试点城市的准自然实验研究

  • 郭沛 ,
  • 梁栋
展开
  • 山西大学经济与管理学院,太原 030006

郭沛（1986- ）,女,山西运城人,博士,副教授,硕士生导师,主要从事低碳经济、国际贸易方面的研究。E-mail:

收稿日期: 2021-02-22

  修回日期: 2021-05-12

  网络出版日期: 2022-09-28

基金资助

教育部人文社会科学研究青年基金项目(20YJC790053)

山西省高等学校哲学社会科学研究项目(2021W010)

收起

Does the low-carbon pilot policy improve the efficiency of urban carbon emissions: Quasi-natural experimental research based on low-carbon pilot cities

  • GUO Pei ,
  • LIANG Dong
Expand
  • School of Economics and Management, Shanxi University, Taiyuan 030006, China

Received date: 2021-02-22

  Revised date: 2021-05-12

  Online published: 2022-09-28

Fold

摘要

作为推动我国低碳经济发展的重要政策,低碳试点城市建设成效在当今我国面临碳减排及经济下行双重压力的情况下显得尤为重要。基于2006—2018年间的279个地级市样本数据,运用超效率SBM模型核算了城市碳排放效率,并通过双重差分模型实证检验了低碳试点政策对城市碳排放效率的影响。研究表明：低碳试点政策能够显著提高城市碳排放效率,这一结论在经过PSM-DID等一系列稳健性检验后仍然成立。异质性分析发现,低碳试点政策对碳排放效率的影响在东西部及非资源型地区更显著。机制分析则表明,低碳试点政策的政策效应主要通过提高城市技术创新水平和调整城市能源结构来发挥作用。区分东中西地区的作用机制检验结果表明,东部地区的试点政策主要通过调整能源结构及产业结构合理化来影响碳排放效率,西部地区和中部地区则分别主要通过技术创新和产业结构合理化发挥作用。本文为加强低碳试点城市建设、实现碳减排与经济发展双赢提供了有益的经验启示。

关键词： 低碳试点; 碳排放效率; 超效率SBM模型; 双重差分模型

本文引用格式

郭沛 , 梁栋 . 低碳试点政策是否提高了城市碳排放效率——基于低碳试点城市的准自然实验研究[J]. 自然资源学报, 2022 , 37(7) : 1876 -1892 . DOI: 10.31497/zrzyxb.20220715

Abstract

As an important policy to promote the development of low-carbon economy in China, the construction of low-carbon pilot cities is particularly important under the dual pressure of carbon emission reduction and economic downturn. Based on the panel data of prefecture-level cities from 2006 to 2018, this paper calculates the urban carbon emission efficiency by using the super-efficiency SBM model, and empirically tests the impact of low-carbon pilot policies on the urban carbon emission efficiency through the difference in difference model. Results show that low-carbon pilot policies can significantly improve urban carbon emission efficiency, which is still true after a series of robustness tests such as PSM-DID. Further research shows that the impact of pilot policies on carbon emission efficiency is heterogeneous, and the policy effect is more significant in the eastern and western regions and non-resource-based regions. The mechanism analysis shows that low-carbon pilot policies can help improve urban carbon emission efficiency by enhancing urban innovation level and adjusting energy structure. The pilot policies in the eastern region play a role mainly through the adjustment of energy structure and the rationalization of industrial structure, while those in the central and western regions affect carbon emission efficiency mainly through technological innovation and the rationalization of industrial structure, respectively. This research provides useful experience and inspiration for strengthening the construction of low-carbon pilot cities and realizing the win-win situation of carbon emission reduction and economic development.

Key words： low-carbon pilot; carbon emission efficiency; super-efficiency SBM model; difference in difference model

当前中国正面临2030年碳达峰及经济下行双重压力,而低碳试点城市建设作为中国应对气候变化和实现经济发展的一项积极政策,是破解碳减排与经济发展双赢难题的重要的突破口。2010年,国家发布了《关于开展低碳省区和低碳城市试点工作的通知》,率先在广东、辽宁、湖北、陕西、云南五省和天津、重庆、深圳、厦门、杭州、南昌、贵阳、保定八市正式开始了低碳城市试点工作。随后,2012年确定了第二批试点,2017年确定了第三批试点,试点工作深入推进。而低碳试点城市建设成效如何?是否促进了城市碳排放效率的提高?通过何种机制发挥作用?这些问题的回答都十分必要和具有价值。基于此,本文从低碳试点政策的低碳效率检验及其作用机制检验两方面对该问题进行了深入探索和系统分析。
与本文密切相关的研究,主要有环境政策对碳排放效率的影响及低碳试点政策的相关研究两个方面。关于环境政策对碳排放效率影响的既有研究相对较少,而本质上,碳排放效率属于全要素生产率的范畴。对于环境政策与全要素生产率关系的研究,学术界一直存在争议。已有文献通常围绕“波特假说”。支持“波特假说”的观点认为适当的环境规制会提高企业的全要素生产率[1],一些学者分别从行业和微观企业角度证明了“波特假说”的存在[2,3];与此相反,质疑“波特假说”的学者如Gray等[4]研究发现受环境规制作用,减排成本较高的工厂生产率水平会大大降低;涂正革等[5]的研究则发现SO2排放权交易试点在现实和潜在两个角度都未在中国产生波特效应。介于上述两种观点之间,部分学者认为环境政策对全要素生产率的影响不具有确定性。如余东华等[6]、李德山等[7]的研究得出环境规制与全要素生产率之间呈非线性关系;Lanoie等[8]的研究发现当期环境规制会降低全要素生产率,而滞后期的环境规制会提高其生产率;也有部分学者的研究表明环境规制对全要素生产率的影响具有空间异质性[9⇓-11]。
关于低碳试点政策研究,学者主要对低碳试点政策的效果进行了评价,已有文献主要从空气质量、绿色效率、碳排放三个角度进行分析。空气质量方面,Gehrsitz[12]的研究发现德国实施的低碳区域政策显著提高了当地的空气质量,宋弘等[13]运用双重差分模型的研究发现低碳试点城市的建立有力降低了城市空气污染;绿色效率方面,徐佳等[14]基于上市公司的绿色专利申请数据的研究发现,试点政策的实施促使了企业整体的绿色技术创新;碳排放方面,张华[15]运用双重差分模型估计了前两批试点城市对碳排放的影响,结果表明低碳试点城市建设显著降低了城市碳排放水平。周迪等[16]则以第二批试点为例,发现低碳试点政策会持续降低城市的碳排放强度。此外,也有部分学者对低碳试点城市的发展路径、发展现状进行分析与评价[17⇓-19]。
综合上述文献,国内外学者围绕全要素效率及低碳试点政策进行了不同方面的分析,但存仍在以下不足：（1）尽管已有文献对“波特假说”进行了大量的研究,但研究多针对单一的环境政策,对于低碳试点这一综合性环境政策对效率影响的研究仍十分有限;（2）对于低碳试点政策的分析,既有文献主要关注了其对碳排放量等方面的影响,而对于实现减少城市碳排放和经济发展双赢的城市碳排放效率的研究还没有。基于已有文献的不足,本文研究了低碳试点政策对城市碳排放效率的影响,可能的贡献如下：（1）首次探讨了低碳试点政策对兼顾城市低碳与发展双赢的碳排放效率的影响,丰富了“波特假说”的内容;（2）基于非期望产出的超效率SBM模型计算了城市碳排放效率,然后运用双重差分模型进行实证分析,并在此基础上进行了PSM-DID等一系列稳健性检验,充分保证了研究结论的可靠性;（3）从技术创新、产业结构、能源结构三个视角探索了低碳试点政策的作用机制,为低碳试点城市政策的有效实施提供了保障。

1 研究方法与数据来源

1.1 理论分析

1.1.1 研究假设

低碳试点政策是城市层面的综合性环境规制政策,提高城市的碳排放效率以实现碳减排与经济发展双赢,是试点城市建设的首要目标。从试点城市建设的过程看,试点政策的监管者会采取严格的环境规制措施迫使高污染排放企业降低污染力度,这会促使企业出现“创新补偿效应”和“遵循成本效应”。一方面,迫于环境规制压力,企业通过加大对技术研发投资的力度来减少碳排放,同时碳排放的降低又进一步减少了由于环境规制造成的经济损失,这最终又会提高碳排放效率,即所谓的“创新补偿效应”;另一方面,环境规制的实施加大了企业的排污成本,由此导致企业不得不将本用来技术研发的成本转而投向污染治理,并且这一过程还伴随着对政策执行所需的人力、物力成本投入,最终会导致碳排放效率的下降,即所谓的“遵循成本效应”。因此,当低碳试点城市政策执行后,若“创新补偿效应”大于“遵循成本效应”,则碳排放效率会提高,若“遵循成本效应”大于“创新补偿效应”,则碳排放效率会下降。综合以上分析提出：
假设1a：低碳城市试点政策的实施,基于“创新补偿效应”可能提高城市碳排放效率。
假设1b：低碳城市试点政策的实施,基于“遵循成本效应”可能降低城市碳排放效率。

1.1.2 低碳试点政策影响碳排放效率的可能渠道

通过梳理各试点城市的发展规划,本文将低碳试点政策作用于试点城市的政策工具划分为命令控制型、市场激励型、公众自愿型三种。命令控制型政策工具是政府通过设立严格的减排目标和技术标准等低碳发展规划及建立低碳产业体系来对城市污染主体进行的强制约束。与之相比,市场激励型政策工具是一种较为灵活的规制手段,旨在通过补贴、税收等政策工具及设立低碳数据管理体系引发污染主体节能减排。公众自愿型政策工具则倡导绿色低碳生活,其作用的发挥取决于公众自身的环保意识。基于上述三种政策工具,认为低碳试点政策主要通过技术创新、能源结构、产业结构来影响碳排放效率,其中技术创新是内生动力,能源结构和产业结构优化是实现途径,因此从上述三个渠道来分析低碳试点政策影响碳排放效率的内在机制。
（1）技术创新渠道
现有研究对技术创新与全要素生产率关系的研究较为丰富,认为技术创新能够显著提高全要素生产率[20]。具体到碳排放效率,技术创新一方面可以实现低碳技术对原有技术的替代而降低碳排放量,另一方面又能通过提高生产效率来增加经济效益,从而能够提高碳排放效率。而在这一过程中,环境规制工具起到了重要的推动作用。对比低碳试点政策的三种政策工具,命令控制型工具最为严格,其会通过政府对城市污染主体设立严格的减排目标等强制性规制手段来倒逼污染主体进行绿色技术创新,从而提高城市的碳排放效率。因此,命令控制型工具是城市提高碳排放效率的最重要工具。已有研究表明命令控制型环境规制会显著促进中国的环境效率,加大对技术创新的投资则会促进这种政策的环境效率[21]。市场激励型政策工具则给予城市污染主体一定的自由选择权,对经济活动过程中的污染进行约束的同时,让污染主体自主决策经营,兼顾了生产与环保,因而也可能诱发污染主体的技术创新。既有研究充分证实了市场型政策工具会在一定程度上推动企业进行技术创新[22]。综上,本文提出：
假设2a：低碳试点政策会通过提高技术创新来同时实现降低碳排放量和增加经济效益,从而提高城市碳排放效率。
（2）能源结构渠道
已有文献对环境规制通过调整能源结构来影响碳排放效率的研究较少,而实际上,能源结构的改善也是提高碳排放效率的重要渠道之一。在低碳试点政策中,政府能够通过 三种政策工具来影响能源结构进而影响碳排放效率。具体而言：在命令控制型政策工具中,政府对高污染高排放行业设立的减排目标及技术标准会促使污染主体减少化石能源使用,这一来会倒逼企业采用清洁的能源和先进的节能减排技术,二来也会提高企业生产效率,因而能够提升其碳排放效率。在市场激励型政策工具中,政府同样可以通过减税、补贴等政策工具来优化能源结构。而公众自愿型政策工具则取决于公众自身环保意识,当城市经济主体的污染活动威胁了公众自身健康时,公众可以使用法律给污染主体施加压力,迫使其减少污染排放。此外,出于低碳意识的增强,公众自身也会在一定程度上践行绿色生活理念,提高清洁能源的使用。但是,在政府实施一系列环境规制政策的同时,城市污染主体可能预料到未来环境规制强度会更高,从而加强当前对此类能源的利用[23],造成碳排放增加与能源利用效率下降,最终降低城市碳排放效率。因此,本文提出：
假设3a：低碳试点政策会通过调整城市能源结构来提升能源利用效率,从而提高城市碳排放效率。
假设3b：低碳试点政策会降低能源利用效率,从而降低城市碳排放效率。
（3）产业结构渠道
既有的关于环境规制政策通过产业结构渠道影响全要素生产率的研究相对丰富。具体到低碳试点政策,一方面,政府可以通过建立低碳产业体系等命令控制及税收、补贴等市场政策引导工具来淘汰高耗能、高排放产业,转而发展低能耗、低排放的新兴产业,促进产业价值链升级,实现碳减排与增加经济产出双赢,并最终提高城市的碳排放效率;而另一方面,对于部分资源密集型城市,试点政策的实施可能会激发城市产生较大的“遵循成本效应”,增加了城市污染主体治污成本的同时也动摇了当地的产业链,抑制了当地的经济发展,最终导致该城市碳排放效率的降低。因此,本文提出：
假设4a：低碳试点政策会通过调整城市产业结构,用低排放产业替代高排放产业,促进产业价值链升级,从而提高城市碳排放效率。
假设4b：低碳试点政策会通过调整城市产业结构,激发“遵循成本效应”,从而降低城市碳排放效率。
综合以上分析,具体影响机制如图1所示。
图1 低碳试点政策对城市碳排放效率的影响机制

Fig. 1 Impact mechanism of low-carbon pilot policies on urban carbon emission efficiency

1.2 数据来源

基于地级市数据可得性问题,样本数据选择了2006—2018年中国279个地级市的面板数据来估算试点政策对城市碳排放效率的影响。文中数据均来源于历年《中国城市建设统计年鉴》《中国城市统计年鉴》等官方统计数据。

1.3 研究方法

1.3.1 模型设定

本文所要探讨的问题是低碳试点政策是否提高了城市碳排放效率,解决这一问题的最大挑战便是既有研究所普遍面临的内生性问题。具体来说,内生性来自两个方面：第一,低碳试点城市的选择并不是随机的,而可能受到地区经济发展水平、环境质量差异等因素的影响,而这些地区特质会影响到碳排放效率,即低碳试点城市的选择可能与城市的碳排放效率相关,以此产生了内生性问题;第二,随着试点政策的实施,不同城市的其他不可观测特征也可能会影响城市碳排放效率,即城市碳排放效率的提高来自不可观测的遗漏的城市变量而非试点政策本身,由此产生内生性问题。故本文选用双重差分模型来探究低碳试点政策对城市碳排放效率的影响。双重差分模型会通过比较试点城市与非试点城市在政策实施前后碳排放效率变化的差异,而排除掉试点城市选择的非随机性及不可观测的城市特征对碳排放效率的影响,有效缓解研究中存在的内生性问题,得到试点政策对碳排放效率的净效用。双重差分计量模型设定如下：
C E E i t = α + β L C P C i t + ρ X i t + μ i + λ t + ξ i t
式中：i、t分别表示城市和年份; C E E是被解释变量,表示城市的碳排放效率; L C P C是核心解释变量,表示试点城市的状态,其为试点城市与试点时间的交乘项,若城市i在t年份正在实行低碳试点政策,则 L C P C i t等于1,否则其等于0; X表示可能影响碳排放效率的一组控制变量; μ i表示城市固定效应,控制了城市层面不随时间而变化的因素; λ t表示年份固定效应,控制了时间层面不随城市而变化的特征; ξ i t表示随机扰动项; β是最关心的系数,若 β显著大于0,则表示低碳试点政策显著提升了试点城市的碳排放效率,证明了低碳试点政策的有效性。

1.3.2 城市碳排放效率的测算

指标选取方面,区别于传统的绿色全要素生产率,碳排放效率要求在测定效率时兼顾到碳排放。因此,科学合理的构建碳排放效率需要综合考虑投入和产出指标。本文以Fare等[24]提出的环境生产和方向距离函数为基础,将能源消费纳入投入指标,将碳排放作为非期望产出。综上,选取的碳排放效率的投入变量包括劳动、资本、能源,期望产出为城市GDP,非期望产出为城市碳排放,各变量的具体情况如表1。在测算方法选择上,考虑到一般SBM模型在测算后会出现多个城市效率值为1的情况,无法对碳排放效率进行比较,从而影响回归结果的准确性,因此,基于Andersen[27]提出的超效率模型,进一步构建了包含非期望产出的超效率SBM模型进行碳排放效率的测算。
表1 城市碳排放效率指标涵义与测算

Table 1 Implication and calculation of urban carbon emission efficiency index

一级指标 二级指标 三级指标
投入指标 劳动 各地级市历年单位从业人员数
资本 用资本存量来表示。资本存量采用永续存盘法,公式为： K i , t = K i , t - 1 ( 1 - δ i , t ) + I i , t,其中： K i , t表示城市i在t年的资本存量（亿元）; δ i , t表示资本折旧率,本文沿用张军等[25]的估算,折旧率采用9.6%来计算; I i , t表示资本流量（亿元）
能源 城市直接能源消耗主要包括天然气、液化石油气,间接能源消耗主要包括用电量。由于单位不统一,将能源消耗量折算为标准煤。参照《综合能耗计算通则》,其折算系数依次为1.33 kg tec/m3、1.7143 kg tec/kg、0.1229 kg tec/(kW·h)
期望产出 城市GDP 以2006年不变价格计算GDP
非期望产出 城市碳排放 城市碳排放既包括天然气及液化石油气等直接能源产生的碳排放,也包括电能、热能等间接能源产生的碳排放。具体碳排放计算方法参照吴建新等[26]的做法

1.3.3 低碳试点城市的选择

截至2018年,低碳试点城市建设共实行三批,第一批试点范围5省8市,第二批1省28市,第三批包含45个城市。值得注意的是,三批试点城市名单存在交叉,如湖北省是第一批试点省份,而武汉市是第二批试点城市,对于这种情况,参考宋弘等[13]的做法,将武汉市作为第一批试点范围进行测算。同时,第二批试点城市由国家发展和改革委员会于2012年11月26日确立,由于该批试点的施行时间已近年底,考虑到政策执行可能存在的滞后性,将第二批试点时间设定为2013年,而2012年将作为稳健性检验。

1.3.4 控制变量的选择与测算

控制变量的引入是为了避免因遗漏对碳排放效率产生影响的城市相关变量造成的内生性问题,具体见表2。
表2 控制变量的选择与测算

Table 2 Selection and measurement of control variables

变量名称 计算方法 选择理由
经济发展水平
(lnpgdp,元)		 城市人均生产总值 经济发展水平的提高不断对城市低碳发展提出新要求
政府干预
(inter,%)		 政府财政支出占GDP的比例 地方政府的财政支出可能影响政策工具的实施力度,并因此影响城市的低碳发展
科技支出占比
(ste,%)		 科技支出占政府财政支出的比例 科技研发投入的增加会提升城市相关主体的创新能力,并因此提升城市的碳排放效率
人口密度
(lndep,人/km2)		 城市单位面积的人口数量 城市人口密度的增大一方面会提高能源消耗总量并增加碳排放,另一方面其带来的人口集聚效应可能会提高生产效率并进而提高碳排放效率
在校大学生人数
占比(human,%)
普通高等学校人口占城市总人口的比例 城市在校大学生人数的增加反映出城市的人才培养能力及文明和先进水平的提高,促进了低碳观念和低碳行为的自觉性,并在一定程度上提升人力资本水平,提高城市生产效率,最终提高城市碳排放效率
金融发展
(fde,亿元)
金融机构贷款总额与城市GDP之比 金融发展一方面会促进城市相关主体的投资活动,提高城市技术创新能力并促进经济发展,另一方面会降低企业生产过程中的融资成本,有益于企业提高能源效率并降低能源消费总量
FDI比例
(FDI,%)		 外商直接投资总额占GDP的比例 外商投资一方面可能会改善城市的投资结构,促进其经济发展,从而提高城市碳排放效率。另一方面,外资的大量引入可能造成城市企业对外来技术的依赖性而导致其技术创新的积极性下降,使得城市碳排放效率降低,如果外商投资结构不合理,还可能产生“污染天堂”效应

1.3.5 中介变量的选择与测算

（1）城市技术创新水平（inno）的测算。考虑到专利水平并不能准确衡量城市的创新力,参考佘硕等[28]的做法,选用《中国城市和产业创新力报告》中的城市创新指数来代表城市的创新水平。
（2）能源结构的测算。参考李江龙等[29]的做法,以城市人均电力消费量（lnpec,kW·h/人）来表示城市的能源结构。
（3）产业结构的测算。
考虑到产业自身转型升级以及产业升级与要素的耦合,综合选取产业结构合理化和产业结构高度化两个指标进行衡量。对于产业结构合理化水平的测度,借鉴袁航等[30]的做法,具体计算公式如下：
t h e i l i , t = ∑ m = 1 3 y i , m , t × l n ( y i , m , t / l i , m , t ) , m = 1 , 2 , 3
式中： y i , m , t表示i城市的m产业产值t年份在城市生产总值中的占比（%）; l i , m , t表示i城市的m产业从业人员t年份在总从业人员中的占比（%）。产业结构合理化指数反映了 三次产业的产值结构与其从业人员的从业结构,若该指数值为0,则说明产业结构处于均衡状态,产业结构完全合理,若大于0,则说明产业结构不合理。
产业结构高度化是产业结构转型升级的重要维度,其是产业结构从低向高的发展演进过程,不仅指产业结构从第一产业逐渐向第二三产业顺向递进,更重要的是指要实现产业结构在劳动—资本—技术密集的方向上顺次递进。因此,本文从产业结构高度化的质的角度探讨产业结构的高度化水平。对于其水平的衡量,沿用袁航等[30]的做法,其计算公式如下：
a i s i , t = ∑ m = 1 3 y i , m , t × l p i , m , t , m = 1 , 2 , 3
式中： l p i , m , t表示i城市第m产业在t年份的劳动生产率,其具体计算公式为：
l p i , m , t = Y i , m , t / L i , m , t , m = 1 , 2 , 3
式中： Y i , m , t、 L i , m , t分别表示i城市m产业t年份的城市生产总值（亿元）、城市从业人员数（万人）。
各变量的统计性描述如表3所示。其中PCEE是基于人均产出所计算的城市碳排放效率,其将作为后续的稳健性检验分析。
表3 变量的描述性统计

Table 3 Descriptive statistics of variables

变量 样本量/个 均值 标准差 最小值 最大值
lnCEE 3627 -0.89 0.36 -1.88 0.39
lnPCEE 3627 -1.91 0.74 -5.33 0.41
lnpgdp 3627 10.38 0.71 7.93 12.28
inter 3627 17.74 10.32 1.54 157.52
ste 3627 1.41 1.43 0 20.68
lndep 3627 5.74 0.92 1.55 7.88
human 3627 1.72 2.3 0 13.11
fde 3627 0.87 1.01 0.08 52.6
FDI 3627 1.87 1.96 0 21.07
lninno 3627 1.19 1.22 0 7.24
lnpec 3618 7.23 1.24 3.29 11.81
lntheil 3627 -1.72 1.11 -8.83 1.23
lnais 3627 4.32 0.98 0.83 8.88

2 结果分析

2.1 基准回归

表4列出了低碳试点政策对城市碳排放效率影响的回归结果。其中,模型1和模型2、模型3和模型4分别是基于碳排放效率、人均产出的碳排放效率的回归结果,而模型5和 模型6则按低碳试点政策的官方文件,将第二批试点设为2012年的试点政策对碳排放效率的回归结果。从中可以看出,在控制城市和时间固定效应后,不论是否添加控制变量,试点政策变量的回归均显著为正,这意味着低碳试点的实施显著提高了城市碳排放效率,试点政策的“创新补偿效应”大于“遵循成本效应”,假设1a得到验证。从模型的回归系数大小上看,与未获批试点的城市相比,试点城市的碳排放效率在政策实施期间提高了约2.96%,而试点政策是从2010年开始实施,截至2018年,模型共捕捉了9年的政策效应,这意味着低碳试点政策促使碳排放效率平均每年提高约0.33%。另外,对比不含控制变量的模型,含有控制变量模型的试点政策的回归系数均降低,这在一定程度上证明了控制变量的选择具有合理性。从控制变量的回归结果看,经济发展水平、科技支出、金融发展的回归系数为正,这说明了城市经济水平的提高、研发投入的增加、金融发展水平的提升均会提高城市的碳排放效率;而外商直接投资的系数显著为负,这说明外商投资的大量引入带来的城市技术创新水平的降低及其产生的“污染天堂”效应引起的碳排放效率的下降程度大于其带来的经济发展引起的碳排放效率的提高,使得其最终降低了碳排放效率。政府干预、在校大学生人数占比及人口密度水平则对城市碳排放效率的影响不显著。
表4 低碳试点政策对碳排放效率的基准回归结果

Table 4 The baseline regression results of low carbon pilot policies on carbon emission efficiency

变量 lnCEE lnPCEE lnCEE (第二批试点设为2012年)
模型1 模型2 模型3 模型4 模型5 模型6
LCPC 0.0404***
(0.0135)		 0.0296**
(0.013)		 0.0993***
(0.0213)		 0.0765***
(0.0212)		 0.0382***
(0.0135)		 0.0284**
(0.013)
lnpgdp 0.33***
(0.0292)		 0.3547***
(0.046)		 0.3306***
(0.0292)
inter -0.0019
(0.0012)		 -0.0031*
(0.0017)		 -0.0019
(0.0012)
ste 0.009**
(0.0045)		 0.027***
(0.0088)		 0.009**
(0.0045)
lndep -0.0201
(0.0485)		 -0.1694*
(0.0925)		 -0.0198
(0.0485)
human 0.0096
(0.0076)		 0.0593***
(0.0117)		 0.0096
(0.0076)
fde 0.0061***
(0.0018)		 0.0121***
(0.0029)		 0.0061***
(0.0018)
FDI -0.007***
(0.0025)		 -0.0056
(0.0039)		 -0.007***
(0.0025)
常数项 -1.0404***
(0.0454)		 -4.4233***
(0.4463)		 -3.7411***
(0.126)		 -6.6632***
(0.7841)		 -1.0426***
(0.0463)		 -4.4324***
(0.4459)
观测值/个 3627 3627 3627 3627 3627 3627
R2 0.7313 0.7487 0.8315 0.8389 0.7312 0.7486

注：*、**、***表示变量在10%、5%、1%的水平下显著,括号中的数据为聚类到城市层面的稳健标准误,城市与时间固定效应都已控制,限于篇幅未在表中展示,下同。

2.2 稳健性检验

2.2.1 PSM-DID检验

PSM-DID检验是将非试点城市按照一组城市特征对试点城市进行匹配,匹配后的非试点城市与试点城市在城市特征上的差异已尽可能缩小。因而一方面可以防止样本选择的非随机性带来的估计偏差,另一方面也去除了其他因素对碳排放效率的影响,从而去除了内生性问题,故使用PSM与DID相结合的方法对政策净效用进行评估。其操作如下：以LCPC是否获批试点城市作为因变量,以其余7个控制变量作为匹配变量,使用Logit模型进行回归,匹配方法选择卡尺最近邻匹配,然后对匹配后的样本进行回归。PSM-DID的回归结果如表5中的模型7所示。从模型7的回归结果可知,在使用PSM-DID后,低碳试点政策的回归系数显著为正,即试点政策仍显著提高了城市碳排放效率。
表5 稳健性检验结果

Table 5 Robustness test results

变量 PSM-DID 新能源示范 “一带一路” 碳排放权交易 创新型城市 解释变量滞后
模型7 模型8 模型9 模型10 模型11 模型12
LCPC 0.1018***
(0.0306)		 0.0297**
(0.013)		 0.0327**
(0.0132)		 0.0344***
(0.0134)		 0.0253**
(0.0129)		 0.0216*
(0.013)
nedc 0.0415***
(0.0142)
bar -0.0358**
(0.0166)
cetp -0.0365
(0.0226)
ipc 0.0811***
(0.015)
控制变量 Yes Yes Yes Yes Yes Yes
常数项 -4.5132***
(0.7683)		 -4.3867***
(0.4458)		 -4.3557***
(0.4476)		 -4.502***
(0.4428)		 -4.4724***
(0.4449)		 -4.4312***
(0.4463)
观测值/个 1430 3627 3627 3627 3627 3627
R2 0.7610 0.7492 0.7492 0.7489 0.7507 0.7485

2.2.2 平行趋势检验

双重差分模型有效的前提是满足平行趋势检验,即先试点的城市与后试点的城市、非试点的城市在政策实施之前的碳排放效率不存在系统差异。为检验这一平行趋势,参考宋弘等[13]的做法,构建如下模型：
C E E i t = α + ∑ k = - 4 4 β k D i t k + ρ X i t + μ i + λ t + ξ i t
式中： D i t k是一系列虚拟变量 , D i t k赋值规则如下：ni为i城市实施低碳试点政策的年份（ni=2010年, 2013年, 2017年）。若t-ni≤ -4,则定义 D i t - 4 = 1;若t-ni=k,则定义 D i t k = 1;若t-ni≥4,则定义 D i t 4 = 1。
对于取试点前4期和后4期,是考虑到本文面板数据是2006—2018年,政策时间则包含2010年、2013年、2017年三个年份,政策实施覆盖的前后时间较长（从试点前 11年到试点后8年）,因此对平行趋势的时间虚拟变量进行缩尾处理所得。模型主要关注的参数是 β k ,其反映了试点政策在试点实施前后对碳排放效率的影响,若k<0时 , β k不显著,则满足平行趋势检验。平行趋势检验结果如图2所示。从图中可以明显看出,在k<0时,的95%的置信区间包含零,即 β k不显著;而在k>0时,政策实施一年后的 β k均显著为正,这表明了试点城市与非试点城市在低碳试点政策实施之前的碳排放效率没有差异,而试点政策后政策效应显著提高了碳排放效率,这一结果充分证明了低碳城市试点政策的有效性。
图2 平行趋势检验结果

Fig. 2 Parallel trend test results

2.2.3 其余稳健性检验

考虑到在2006—2018年间可能会有其他环境政策影响城市碳排放效率,并因此带来内生性问题,本文进行了以下稳健性检验：第一,在模型中加入新能源示范城市虚拟变量与获批时间的交叉项（nedc）,以控制新能源示范城市政策对碳排放效率的影响,其结果如表5中模型8所示;第二,在模型中加入“一带一路”沿线城市虚拟变量与“一带一路”建设时间的交叉项（bar）,以控制“一带一路”的影响,其结果如模型9所示;第三,在模型中加入碳排放权交易试点城市与试点时间的交叉项（cetp）,以控制碳排放权交易的影响,回归结果如模型10所示;第四,在模型中加入创新型试点城市与试点时间的交叉项（ipc）,以控制创新型城市的影响,回归结果如模型11所示;另外,考虑到低碳试点政策效应的滞后性,本文对试点城市这一核心解释变量滞后一期处理,回归结果如模型12所示。
从模型回归的结果看,在考虑了其余政策及政策滞后性的影响后,低碳试点政策仍会促进城市的碳排放效率,前文得到的结论再次得到验证。

2.3 异质性分析

不同城市在经济基础、地理位置、环保意识、政府重视程度等方面存在较大差异,这些差异可能会导致城市对低碳试点政策的反应、执行力度及作用效果等产生差别并最终影响城市的碳排放效率。有鉴于此,本文将城市按地区划分为东中西部三个地区以探究上述差别对城市碳排放效率的影响。同样,由于资源型城市和非资源型城市的资源禀赋、资源利用程度等不同,在试点城市建设过程中面临的问题不尽相同,因此也可能使得其试点建设的成效产生差异。故同样将城市划分为资源型城市和非资源型城市以探究其对城市碳排放效率的驱动效应是否具有差异,回归结果如表6所示。
表6 异质性分析结果

Table 6 Heterogeneity analysis results

变量 东部地区 中部地区 西部地区 资源型城市 非资源型城市
模型13 模型14 模型15 模型16 模型17
LCPC 0.061***
(0.0172)		 -0.0376
(0.0275)		 0.0593*
(0.0308)		 0.0065
(0.022)		 0.0315**
(0.016)
控制变量 Yes Yes Yes Yes Yes
常数项 -5.2564***
(0.6135)		 -1.0836
(0.778)		 -4.4908***
(1.3711)		 -0.4122
(0.7978)		 -5.061***
(0.6819)
观测值/个 1456 1391 780 1456 2171
R2 0.7495 0.7951 0.7160 0.7322 0.7483
由表6中的模型13~模型15可知,在样本期内,低碳试点政策对东西部地区城市的碳排放效率产生显著的正向影响,而对中部地区效率的政策作用不显著。原因在于：东部城市经济发展水平较高,金融基础设施体系完善,市场化水平高,政策实施可以得到良好的条件支持和保障,从而产生了“波特效应”;西部地区则经“西部大开发”等国家战略的大力支持,经济基础条件得到发展,科技创新环境得到改善,碳排放效率也得到提升;而中部地区虽然在“中部崛起”等国家战略的推动下经济基础条件得到了一定的发展,但受制于资源禀赋等因素影响,在低碳试点实施期间仍难以发挥试点的政策效应。
从模型16和模型17可知,试点政策会提高非资源型城市的碳排放效率,而对资源型城市的影响不显著,这与佘硕等[28]的研究结论一致。这可能源于资源型城市发展长期依赖于本地区的煤炭、石油、天然气等自然资源,一来会容易形成“路径依赖”,产业转型发展困难;二来受限于技术条件等因素制约,这些资源的利用效率不高,碳排放含量较大。因此,在低碳试点政策实施期间,获批为试点的资源型城市会面临巨大的碳减排与经济发展双重压力,导致政策效果不佳。值得注意的是,中部地区较多城市属于资源型地区,而东部地区较多城市属于非资源型地区,因此这在一定程度上检验了上述东部地区显著为正、而中部地区不显著的结论。

2.4 机制分析

对理论分析提出的低碳试点政策影响碳排放效率的机制进行实证检验,分别选取了城市技术创新水平、能源结构、产业结构作为检验机制的中介变量,采用中介效应模型进行分析。其步骤如下：第一步,以中介变量作为被解释变量,以低碳试点政策变量作为核心解释变量,探究试点政策对中介变量的影响;第二步,以中介变量和低碳试点政策变量作为核心解释变量,以城市碳排放效率作为被解释变量,探究中介变量对城市碳排放效率的影响。据此设置了如下中介效应模型：
M i t = α 1 + β 1 L C P C i t + ρ 1 X i t + μ i + λ t + ξ i t
C E E i t = α 2 + γ M i t + β 2 L C P C i t + ρ 2 X i t + μ i + λ t + ξ i t
式中： M i t代表中介变量,具体包括城市技术创新水平（inno）、人均电力消费量（lnpec）、产业结构合理化（theil）和产业结构高度化（ais）。模型主要关注的系数是 β 1和 γ,若 β 1和 γ都显著且符号一致,则表明低碳试点政策通过这一中介变量提高城市的碳排放效率。若其系数都显著但符号相反,则表明这一中介变量在一定程度上抑制低碳试点政策对城市碳排放效率的促进作用。接下来将依次对三个影响机制展开详细的实证检验。

2.4.1 技术创新

以城市技术创新水平（inno）作为中介变量按式（6）和式（7）回归,其回归结果如表7所示。模型18的结果显示,低碳试点政策在1%的显著性水平上提高了城市技术创新水平。从模型的回归系数大小上看,与未获批试点的城市相比,试点城市的技术创新水平在政策实施期间提高了约9.44%,这验证了环境规制带来的“创新补偿效应”。而根据模型19的回归结果,技术创新在1%的显著性水平上提高了城市碳排放效率。因此,综合两模型的回归可知,低碳试点政策会通过促进城市技术创新水平来提高城市的碳排放效率,其具体中介效应为0.0066（0.0944×0.07）,假设2a得到验证。
表7 低碳试点政策的作用机制检验结果

Table 7 Test results of the mechanism of action of low-carbon pilot policies

变量 lninno lnCEE lnpec lnCEE lntheil lnCEE lnais lnCEE
模型18 模型19 模型20 模型21 模型22 模型23 模型24 模型25
lninno/lnpec/ lntheil/lnais 0.07***
(0.0126)		 -0.3362***
(0.0115)		 0.021**
(0.0088)		 0.0725***
(0.0103)
LCPC 0.0944***
(0.0218)		 0.023*
(0.0127)		 -0.0417*
(0.0237)		 0.0155
(0.01)		 0.0245
(0.0319)		 0.0291**
(0.013)		 -0.0631**
(0.0288)		 0.0342***
(0.0128)
lnpgdp -0.386***
(0.0464)		 0.3571***
(0.029)		 0.5742***
(0.0549)		 0.5231***
(0.0254)		 -0.1555**
(0.0681)		 0.3333***
(0.0292)		 0.51***
(0.0541)		 0.2931***
(0.0291)
inter -0.0133***
(0.0043)		 -0.0009
(0.001)		 0.0037**
(0.0017)		 -0.0006
(0.0008)		 -0.0017
(0.0013)		 -0.0018
(0.0012)		 -0.0032**
(0.0013)		 -0.0016
(0.0012)
ste 0.1191***
(0.0275)		 0.0007**
(0.0038)		 -0.0225***
(0.0081)		 0.0015
(0.0034)		 0.033***
(0.0129)		 0.0083*
(0.0044)		 -0.0073
(0.0071)		 0.0096**
(0.0046)
lndep -0.3311*
(0.178)		 -0.0433
(0.0514)		 0.2048*
(0.1193)		 0.0488
(0.0385)		 -0.098
(0.1893)		 -0.018
(0.0473)		 -0.2351**
(0.1066)		 -0.003
(0.0474)
human 0.0763***
(0.0157)		 0.0042
(0.0075)		 -0.0139
(0.0141)		 0.0049
(0.0068)		 -0.0072
(0.0202)		 0.0097
(0.0077)		 -0.0503**
(0.0139)		 0.0132*
(0.0073)
fde 0.0077**
(0.004)		 0.0056***
(0.0018)		 -0.0133***
(0.0032)		 0.0017
(0.0015)		 0.0047
(0.0079)		 0.006***
(0.0017)		 -0.0658***
(0.006)		 0.0109***
(0.0017)
FDI -0.0283***
(0.006)		 -0.005**
(0.4643)		 0.0009
(0.0055)		 -0.0067***
(0.0025)		 -0.0135*
(0.0074)		 -0.0067***
(0.0025)		 0.0163**
(0.0064)		 -0.0082***
(0.0025)
常数项 6.5966***
(1.2563)		 -4.8854***
(0.4643)		 0.8265
(1.0006)		 -4.1454***
(0.3495)		 -4.4621***
(1.4461)		 -4.3295***
(0.4411)		 -1.1573
(0.8768)		 -4.3394***
(0.4365)
观测值/个 3627 3627 3627 3627 3627 3627 3627 3627
R2 0.9454 0.7518 0.9252 0.8507 0.8413 0.7494 0.8395 0.7551

2.4.2 能源结构

以人均电力消费量（pec）作为中介变量进行回归,其回归结果见表7。从模型20的回归结果看,低碳试点政策会显著降低人均电力消费量,这说明了试点政策的命令控制、市场激励、公众自愿型工具得到了有效发挥,Sinn[23]提出的“绿色悖论”在低碳试点环境规制中并不存在。而从模型21的回归结果看,人均电力消费量会显著降低城市碳排放效率,分析其主要原因在于城市电力消费以煤电为主,电力消费的提高会增加城市碳排放,而同时较高的能源消费并没有带来较高的经济产出,因此最终降低了城市碳排放效率。综合模型的回归结果可知,低碳试点政策会通过降低城市能源消费来提高城市碳排放效率,其中介效应为0.014[(-0.0417)×(-0.3362)],至此,假设3a得到验证。

2.4.3 产业结构

产业结构的转型升级包括产业结构合理化和产业结构高度化,分别将其作为中介变量进行上述回归,回归结果如表7所示。由模型22的结果可知,低碳试点政策对产业结构合理化的影响为正却不显著,这说明低碳试点政策在实施期间,由于未充分考虑区域经济基础条件及产业发展现状,导致资源配置不合理,降低了产业结构与要素投入的耦合程度,因此没有提高产业结构合理化水平。综合模型22和模型23,低碳试点政策并不能通过产业结构合理化来影响城市的碳排放效率。
根据模型24,低碳试点政策对产业结构高度化的影响系数显著为负,即低碳试点政策未提高产业结构高度化水平,说明试点政策通过淘汰高耗能、高排放产业并转而发展低能耗、低排放的新兴产业并没有提高产业生产率。这可能源于产业转型过程中存在新旧动能转换和产业衔接不畅,特别是对于资源依赖型城市,低碳政策的实施极易破坏当地资源密集型产业链,从而导致产业生产率的下降。而从模型25的结果可知,产业结构高度化会显著提高城市碳排放效率,这一结果符合预期。产业生产率的提高一方面意味着可以用更少的投入生产更多的产出,另一方面意味着产业技术水平的提高,这又会减少碳排放,因此其会提高碳排放效率。综合模型24和模型25看,低碳试点政策通过产业结构高度化降低了城市碳排放效率,其中介效用在一定程度上抑制了低碳试点政策对城市碳排放效率的影响,中介效应大小为0.0046（0.0631×0.0725）,假设4b得到部分验证。
从表7中控制变量的回归结果看,城市经济发展通过提高产业生产率水平促进城市碳排放效率;科技投入和金融发展通过提高城市技术创新水平及调整城市能源结构提高城市碳排放效率;外商直接投资则通过降低城市技术创新水平及产业结构合理化降低城市碳排放效率。

2.5 进一步分析

为了进一步分析低碳试点政策对东中西部地区的碳排放效率的影响机制差异,本文分别进行了东中西部地区的作用机制分析（表8）。
表8 东中西部地区的机制分析

Table 8 The mechanism analysis of eastern, central and western regions of China

变量 lninno lnCEE lnpec lnCEE lntheil lnCEE lnais lnCEE
东部地区
lninno/lnpec/lntheil/lnais 0.0334*
(0.0181)		 -0.3109***
(0.0207)		 -0.0452***
(0.0155)		 0.0613***
(0.0195)
LCPC -0.0005
(0.0323)		 0.061***
(0.0171)		 -0.0557*
(0.0302)		 0.0437***
(0.0144)		 -0.0965**
(0.0431)		 0.0567***
(0.0174)		 -0.0679*
(0.0352)		 0.0613***
(0.017)
常数项 7.527***
(1.2253)		 -5.5078***
(0.6171)		 3.7859**
(1.6432)		 -4.0795***
(0.482)		 -0.9061
(1.6321)		 -5.2973***
(0.6073)		 3.3562**
(1.6707)		 -5.462***
(0.65)
观测值/个 1456 1456 1456 1456 1456 1456 1456 1456
R2 0.9565 0.7504 0.9302 0.825 0.866 0.7523 0.8432 0.7536
中部地区
lninno/lnpec/lntheil/lnais 0.0229
(0.0181)		 -0.3048***
(0.0161)		 0.015*
(0.0087)		 0.0447***
(0.0119)
LCPC 0.0634*
(0.0369)		 -0.039
(0.0272)		 -0.0207
(0.0471)		 -0.0439**
(0.0202)		 0.2258***
(0.0657)		 -0.041
(0.028)		 -0.0561
(0.0604)		 -0.0351
(0.0272)
常数项 4.5548***
(1.7247)
-1.1879
(0.7682)
-6.08***
(1.6358)
-2.9366***
(0.558)
4.6806**
(2.3055)
-1.154
(0.7827)
-2.8888
(1.858)
-0.9545
(0.7816)
观测值/个 1391 1391 1391 1391 1391 1391 1391 1391
R2 0.9332 0.7954 0.9141 0.8797 0.8221 0.7956 0.8488 0.798
西部地区
lninno/lnpec/lntheil/lnais 0.214***
(0.0378)		 -0.3892***
(0.0213)		 0.1188***
(0.0261)		 0.1149***
(0.0273)
LCPC 0.0992***
(0.0371)		 0.038
(0.0305)		 -0.026
(0.0584)		 0.0492**
(0.0217)		 0.0068
(0.0678)		 0.0585*
(0.0306)		 -0.043
(0.0748)		 0.0642**
(0.0311)
常数项 1.4474
(1.4829)		 -4.8006
(1.3176)		 -4.5919*
(2.7217)		 -6.2781***
(1.1722)		 -8.9757**
(4.5657)		 -3.4243**
(1.3875)		 -2.8336
(2.3861)		 -4.1652***
(1.2871)
观测值/个 780 780 780 780 780 780 780 780
R2 0.9505 0.7299 0.9272 0.8635 0.8557 0.731 0.8265 0.7295
控制变量 Yes Yes Yes Yes Yes Yes Yes Yes

注：表后一行表示东中西部地区的控制变量都已控制。

从表8模型的东部地区回归结果可知,东部地区低碳试点政策通过降低人均电力消费量及提高产业结构合理化水平提高了城市的碳排放效率,而又通过降低产业结构高度化水平降低了碳排放效率,技术创新中介变量在东部地区的试点政策实施过程中的影响则不明显。可能的原因在于,东部地区劳动力的市场化水平较高,低碳试点政策引导下的产业发展与劳动力匹配程度较高,因此产业合理化程度提高,并进而促进了碳排放效率;技术创新机制影响不显著的原因则在于,东部地区技术创新基础水平较高,导致低碳试点政策对技术创新的激励作用并不明显;而不同于技术创新,东部地区经济总量高、人口基数大,其能源消费含量高,试点政策的实施有效地降低了能源消费量,并进而提高了地区碳排放效率。
从表8模型的中部地区回归结果看,中部地区低碳试点的实施仅通过产业结构的合理化水平提高了城市碳排放效率,技术创新、能源结构与产业结构高度化的作用则不显著。这是由于中部地区大多是资源型地区,迫于自身资源依赖型城市的特点,地区生态环境脆弱,产业结构、能源结构转型困难,技术创新水平的提高尚不能发挥明显作用,使得试点政策的实施在该地区产生“遵循成本效应”,政策成效没有得到充分发挥。
从表8模型的西部地区回归结果可知,西部地区低碳试点政策的实施通过提高技术创新水平提高了城市碳排放效率,能源结构、产业结构的中介效应不显著。原因在于,西部地区的技术创新水平较低,在低碳试点政策的有效实施下,其地区的技术创新水平有效提高,并进而提高了碳排放效率;而由于自身经济基础较差以及地理位置不占优势等原因,其地区产业结构、能源结构较难以改善,试点政策的实施未能通过调整能源结构和产业结构来提高碳排放效率。

3 结论与讨论

本文以低碳试点城市为研究对象,通过构建双重差分模型分析低碳试点政策对城市碳排放效率的影响,并探究了其中的影响机制,结果表明：第一,低碳试点政策能显著提高城市碳排放效率;第二,低碳试点政策对城市碳排放效率的影响存在异质性,其政策效应在东西部和非资源型地区更显著;第三,机制分析表明,低碳试点政策主要通过提高技术创新及调整能源结构来提高城市碳排放效率,而分地区的结果表明,东部地区的试点政策作用发挥主要通过调整城市能源结构和产业结构合理化,西部地区主要通过技术创新来提高碳排放效率,中部地区则仅通过产业结构合理化来影响碳排放效率。
研究结论为进一步推动试点城市建设和提高碳排放效率提供如下政策启示：
（1）加强低碳试点城市建设,重点推广低碳城市试点的先进模式,并逐步扩大试点范围。鉴于低碳试点政策会显著提高城市碳排放效率,说明在当前中国面临经济下行压力及碳减排任务迫在眉睫的情况下,低碳试点政策可以持续作为实现2030年碳达峰及推动经济高质量发展的重要政策工具。未来应进一步加强低碳城市试点建设工作,尤其加大对低碳试点的评估,将先进的经验模式进行推广,形成“试点—推广”的运行机制,并逐渐扩大全国试点范围,充分发挥试点城市的政策效应。
（2）鉴于异质性分析结果表明当前试点政策提高了东西部地区的碳排放效率,而对中部地区的作用不明显,可将东西部地区的低碳城市试点经验进行总结提炼,并且建立长效机制保障低碳城市试点的长效性。另外,当前试点政策对中部地区的作用不明显,而实际上,中部地区因经济发展水平不高、产业转型升级困难及生态环境脆弱等原因更迫切需要提高本地区的碳排放效率。在未来的城市发展中,更应注重中部地区的新旧动能转换和产业升级,并通过从东部地区引进人才、技术、制度等措施来提高中部地区的技术创新、能源效率水平,同时加强构建中部地区的现代产业体系和产业新发展格局,破解中部地区产业转型困难的难题,有效提高中部地区的碳排放效率。
（3）考虑到低碳试点的政策效应主要依赖于技术创新水平的提升与能源结构的调整,而尚不能通过调整产业结构来提高城市碳排放效率。因此,在未来低碳试点城市建设中,首先,应持续提高城市的创新能力,重点从以下两个方面推进：一是持续加强科技研发投入、改善科技创新环境;二是培育低碳技术领域的先进技术人才,从根本上保障低碳技术的研发、应用和推广,提高碳排放效率,助力碳达峰的实现;其次,要不断改善城市能源结构,一是通过加强绿色消费理念、减税补贴等市场化手段进一步降低居民、企业等市场主体对化石能源的消费;二是大力推动战略性能源技术的引进与研发,加快实现能源结构转换,提高能源利用效率;最后,循序渐进打造低碳产业体系,通过建设低碳产业园区、低碳产业集聚区等模式促进产业向低碳化转变,增强产业间的协同带动作用,同时,不断完善要素流动市场机制,促进资源、人才等要素充分流动,提高要素投入与产业发展的耦合度,提高产业的合理化及生产率水平。
（4）基于低碳试点政策在东中西部地区对碳排放效率的影响机制差异,东部地区应注重通过降低能源消费及提高能源利用效率来提升本地区的碳排放效率;中西部地区则应分别通过推动本地区产业结构转型升级及提高技术创新水平来提高碳排放效率。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
PORTER M E, VANDERLINDE C. Toward a new conception of the environment-competitiveness relationship. Journal of Econcmic Perspectives, 1995, 9(4): 97-118.

[2]
任胜钢, 郑晶晶, 刘东华, 等. 排污权交易机制是否提高了企业全要素生产率: 来自中国上市公司的证据. 中国工业经济, 2019, (5): 5-23.

[REN S G, ZHENG J J, LIU D H, et al. Does emissions trading system improve firm's total factor productivity: Evidence from Chinese listed companies. China Industrial Economics, 2019, (5): 5-23.]

[3]
CUI J, ZHANG J, ZHENG Y. Carbon pricing induces innovation: Evidence from China's regional carbon market pilots. AEA Papers and Proceedings, 2018, 108: 453-457.

[4]
GRAY W B, SHADBEGIAN R J. Plant vintage, technology, and environment regulation. Journal of Environment Economics & Management, 2003, 46(3): 384-402.

[5]
涂正革, 谌仁俊. 排污权交易机制在中国能否实现波特效应?. 经济研究, 2015, 50(7): 160-173.

[TU Z G, SHEN R J. Can emissions trading scheme achieve the porter effect in China?. Economic Research Journal, 2015, 50(7): 160-173.]

[6]
余东华, 崔岩. 双重环境规制、技术创新与制造业转型升级. 财贸研究, 2019, 30(7): 15-24.

[YU D H, CUI Y. Dual environmental regulation, technological innovation and manufacturing transformation and upgrading. Finance and Trade Research, 2019, 30(7): 15-24.]

[7]
李德山, 赵颖文, 李琳瑛. 煤炭资源型城市环境效率及其环境生产率变动分析: 基于山西省11个地级市面板数据. 自然资源学报, 2021, 36(3): 618-633.

[LI D S, ZHAO Y W, LI L Y. Analysis on the environmental efficiency and the change of environmental productivity of coal resource-based cities: Based on the data of 11 prefectural cities in Shanxi province. Journal of Natural Resources, 2021, 36(3): 618-633.]

DOI

[8]
LANOIE P, PATRY M, LAJEUNESSE R. Environmental regulation and productivity: Testing the porter hypothesis. Journal of Productivity Analysis, 2008, 30(2): 121-128.

DOI

[9]
沈能, 刘凤朝. 高强度的环境规制真能促进技术创新吗: 基于“波特假说”的再检验. 中国软科学, 2012, (4): 49-59.

[SHEN N, LIU F C. Can high intensity environmental regulation really promote technological innovation? A re-examination based on the Porter hypothesis. China Soft Science, 2012, (4): 49-59.]

[10]
王康, 李志学, 周嘉. 环境规制对碳排放时空格局演变的作用路径研究: 基于东北三省地级市实证分析. 自然资源学报, 2020, 35(2): 343-357.

[WANG K, LI Z X, ZHOU J. The effects of environmental regulation on spatio-temporal carbon emissions patterns: Empirical analysis of prefecture-level cities in Northeast China. Journal of Natural Resources, 2020, 35(2): 343-357.]

DOI

[11]
王帅, 赵荣钦, 杨青林, 等. 碳排放约束下的农业生产效率及其空间格局: 基于河南省65个村庄的调查. 自然资源学报, 2020, 35(9): 2092-2104.

[WANG S, ZHAO R Q, YANG Q L, et al. Agricultural production efficiency and spatial pattern under carbon emission constraint: Based on 65 villages of Henan province. Journal of Natural Resources, 2020, 35(9): 2092-2104.]

DOI

[12]
GEHRSITZ M. The effect of low emission zones on air pollution and infant health. Journal of Environmental Economics and Management, 2017, 83(5): 121-144.

DOI

[13]
宋弘, 孙雅洁, 陈登科. 政府空气污染治理效应评估: 来自中国“低碳城市”建设的经验研究. 管理世界, 2019, 35(6): 95-108, 195.

[SONG H, SUN Y J, CHEN D K. Assessment for the effect of government air pollution control policy: Empirical evidence from "low-carbon city" construction in China. Management World, 2019, 35(6): 95-108, 195.]

[14]
徐佳, 崔静波. 低碳城市和企业绿色技术创新. 中国工业经济, 2020, (12): 178-196.

[XU J, CUI J B. Low-carbon cities and firms' green technological innovation. China Industrial Economics. 2020, (12): 178-196.]

[15]
张华. 低碳城市试点政策能够降低碳排放吗: 来自准自然实验的证据. 经济管理, 2020, 42(6): 25-41.

[ZHANG H. Can low-carbon city construction reduce carbon emissions? Evidence from a quasi-natural experiment. Management of the Economy, 2020, 42(6): 25-41.]

[16]
周迪, 周丰年, 王雪芹. 低碳试点政策对城市碳排放绩效的影响评估及机制分析. 资源科学, 2019, 41(3): 546-556.

[ZHOU D, ZHOU F N, WANG X Q. Impact of low-carbon pilot policy on the performance of urban carbon emissions and its mechanism. Resources Science, 2019, 41(3): 546-556.]

[17]
刘健, 王润, 孙艳伟, 等. 中国低碳试点省份发展路径研究. 中国人口·资源与环境, 2012, 22(3): 56-62.

[LIU J, WANG R, SUN Y W, et al. Analysis of development path for low-carbon pilot provinces in China. Resources and Environment, 2012, 22(3): 56-62.]

[18]
刘佳骏, 史丹, 裴庆冰. 我国低碳试点城市发展现状评价研究. 重庆理工大学学报: 社会科学, 2016, 30(10): 32-38, 66.

[LIU J J, SHI D, PEI Q B. Evaluation and research on the development status of low-carbon pilot cities in China. Journal of Chongqing University of Technology: Social sciences, 2016, 30(10): 32-38, 66.]

[19]
WANG Y, SONG Q, HE J, et al. Developing low-carbon cities through pilots. Climate Policy, 2015, 15: 81-103.

[20]
唐未兵, 傅元海, 王展祥. 技术创新技术引进与经济增长方式转变. 经济研究, 2014, 49(7): 31-43.

[TANG W B, FU Y H, WANG Z X. Intra-product specialization, institution quality and export sophistication. Economic Research Journal, 2014, 49(7): 31-43.]

[21]
TANG M, LI X, ZHANG Y, et al. From command-and-control to market-based environmental policies: Optimal transition timing and China's heterogeneous environmental effectiveness. Economic Modelling, 2020, 90: 1-10.

DOI

[22]
XIE R H, YUAN Y J, HUANG J J. Different types of environmental regulations and heterogeneous influence on "green" productivity: Evidence from China. Ecological Economics, 2017, 132(2): 104-112.

DOI

[23]
SINN H W. Public policies against global warming: A supply side approach. International Tax & Public Finance, 2008, 15(4): 360-394.

[24]
FARE R, GROSSKOPF S, PASURKA C A. Environmental production functions and environmental directional distance functions. Energy, 2007, 32(7): 1055-1066.

DOI

[25]
张军, 吴桂英 张吉鹏. 中国省级物资资本存量估算: 1952—2000. 经济研究, 2004, (10): 35-44.

[ZHANG J, WU G Y, ZHANG J P. The estimation of China's provincial capital stock: 1952-2000. Economic Research Journal, 2004, (10): 35-44.]

[26]
吴建新, 郭智勇. 基于连续性动态分布方法的中国碳排放收敛分析. 统计研究, 2016, 33(1): 54-60.

[WU J X, GUO Z Y. Carbon emission convergence analysis in China based on continuous dynamic distribution method. Statistical Research, 2016, 33(1): 54-60.]

[27]
ANDERSEN P, PETERSEN N C. A procedure for ranking efficient units in data envelopment analysis. Management Science, 1993, 39(10): 1261-1265.

DOI

[28]
佘硕, 王巧, 张璐. 政府创新政策的创新驱动效应评. 城市问题, 2019, (7): 68-76, 103.

[SHE S, WANG Q, ZHANG L. Evaluation of the innovation-driven effect of government innovation policies. Urban Problems, 2019, (7): 68-76, 103.]

[29]
李江龙, 徐斌. “诅咒”还是“福音”: 资源丰裕程度如何影响中国绿色经济增长?. 经济研究, 2018, 53(9): 151-167.

[LI J L, XU B. Curse or blessing: How does natural resource abundance affect green economic growth in China?. Economic Research Journal, 2018, 53(9): 151-167.]

[30]
袁航, 朱承亮. 国家高新区推动了中国产业结构转型升级吗. 中国工业经济, 2018, (8): 60-77.

[YUAN H, ZHU C L. Do national high-tech zones promote the transformation and upgrading of China's industrial structure. China Industrial Economics, 2018, (8): 60-77.]

Options
文章导航

/

〈 〉