EN中文

自然资源学报 >

2024 , Vol. 39 >Issue 3: 712 - 730

DOI: https://doi.org/10.31497/zrzyxb.20240313

其他研究论文

碳排放交易制度的减污降碳效应研究——基于合成控制法的实证分析

  • 张雪纯 , 1 ,
  • 曹霞 , 2 ,
  • 宋林壕 1
展开
  • 1.山西财经大学法学院，太原 030006
  • 2.澳门科技大学法学院，中国澳门，氹仔 999078
曹霞（1963- ），女，山西平遥人，博士，教授，博士生导师，研究方向为环境资源法、能源政策与法律、法律经济学。E-mail:

张雪纯（1994- ），女，山西太原人，博士研究生，研究方向为环境资源法、能源经济、法律经济学。E-mail:

收稿日期: 2023-03-27

  修回日期: 2023-11-13

  网络出版日期: 2024-03-12

基金资助

国家社会科学基金项目(14BFX185)

收起

The effect of pollution control and carbon reduction of the carbon emission trading system: An empirical analysis based on the Synthetic Control Method

  • ZHANG Xue-chun , 1 ,
  • CAO Xia , 2 ,
  • SONG Lin-hao 1
Expand
  • 1. School of Law, Shanxi University of Finance and Economics, Taiyuan 030006, China;
  • 2. Faculty of Law, Macau University of Science and Technology, Taipa 999078, Macao, China

Received date: 2023-03-27

  Revised date: 2023-11-13

  Online published: 2024-03-12

Fold

摘要

在生态环境与气候变化协同治理的要求下，碳排放交易制度作为典型的市场激励型环境规制工具，其减污降碳效应备受关注。基于2000—2020年全国30个省（市、自治区）的面板数据，采用合成控制法评估碳排放交易制度对试点地区减污降碳的影响效果，并运用双重差分模型检验碳排放交易制度推动减污降碳的作用路径。研究结果表明：总体上，碳排放交易制度在试点地区具有较为显著的减污降碳效应；考察试点地区个体政策实施效应，北上广的减污降碳效果最为显著；作用机制分析表明，碳排放交易制度可以通过促进产业结构升级、能源结构优化、绿色技术创新和能源利用效率提升实现减污降碳协同治理；区域异质性分析表明，碳排放交易制度对东部地区的减污降碳效应更为显著；不同大气污染物异质性分析显示，碳排放交易制度对PM2.5减排有更明显的效果。

关键词： 碳排放交易制度; 减污降碳; 合成控制法; 双重差分模型

本文引用格式

张雪纯 , 曹霞 , 宋林壕 . 碳排放交易制度的减污降碳效应研究——基于合成控制法的实证分析[J]. 自然资源学报, 2024 , 39(3) : 712 -730 . DOI: 10.31497/zrzyxb.20240313

Abstract

Under the requirement of collaborative governance of the ecological environment and climate change, the carbon emission trading system (CETS), as a typical market-based environmental regulation tool, has attracted much attention for its role in pollution control and carbon reduction. Based on the panel data of 30 provincial-level regions (hereafter province) in China from 2000 to 2020, this paper applies the Synthetic Control Method to evaluate the effect of CETS in pollution control and carbon reduction in pilot provinces. The paper also applies the DID model to test the paths of CETS in promoting pollution control and carbon reduction. The findings are: In general, the effect of CETS in pilot provinces is more significant in pollution control and carbon reduction. In terms of individual policy, the effect on pollution control and carbon reduction in Beijing, Shanghai and Guangdong is most significant, followed by other provinces and cities. The study of the function mechanisms has shown that CETS is likely to realize pollution control and carbon reduction by promoting industrial structure upgrading, energy structure optimization, green technology innovation and energy use efficiency improvement. The analysis of regional heterogeneity has shown that the effect of CETS on pollution control and carbon reduction in the eastern region is more significant. The heterogeneity analysis of different types of air pollutants has indicated that CETS is more effective in terms of PM2.5 emission reduction.

Key words： carbon emission trading system; pollution control and carbon emission reduction; Synthetic Control Method; Difference-in-Difference model

目前中国仍处于工业化、城市化快速发展期，高耗能产业结构及高碳能源结构问题积重难返，大气污染物治理与应对气候变化成为中国亟待解决的两大艰巨任务。鉴于“碳污同源”以及“美丽中国”与“双碳”目标的高度关联性，协同推进减污与降碳工作迫在眉睫。党的“二十大”报告强调，要通过“降碳、减污、扩绿、增长”一体推进，形成更大合力，牵引经济社会发展全面绿色转型和生态环境质量持续改善，为减污降碳协同治理工作指明了方向。中国长期以来的环境治理历程表明，减污降碳协同治理不能仅依靠强制性行政手段，必须坚持政府和市场协同发力。2022年6月，生态环境部会同其他六部委联合发布的《减污降碳协同增效实施方案》也着重提出，要加快全国碳排放交易市场建设，强化减污降碳经济政策。碳排放交易制度是典型的市场激励型政策工具，自2013年试点运行已近十年，其能否推进中国大气污染物和二氧化碳协同减排，亟待进行实践验证与理论证成。
学界对碳排放交易制度的政策效应研究方兴未艾，并形成一些共识：在减排方面，碳排放交易制度的实施可以促进地区碳减排，显著降低试点省市的碳排放量[1,2]及碳排放强度[3,4]，但由于经济发展水平、产业结构、政策执行效率的不同，各试点省市的碳减排效果会呈现异质性[5,6]。此外，在减污方面，碳排放交易制度的实施也会产生显著效应，如Yan等[7]证实了碳排放交易可以降低雾霾浓度，另有学者将二氧化硫、PM2.5等污染物与二氧化碳纳入同一研究中，通过面板回归模型[8]、双重差分法（DID）[9]探究碳排放交易制度对减污降碳的协同减排效应。如叶芳羽等[10]验证了碳排放交易既显著降低了碳排放量，又对二氧化硫和PM2.5的排放起到抑制作用；李胜兰等[11]证实了碳排放交易对工业排放的废水、二氧化硫及固体废物具有协同减排效应；陆敏等[12]也认为碳排放交易可以实现试点省市污染物与碳排放的协同减排。可见，碳排放交易制度已成为推动减污降碳进程的关键环境政策工具[13]。
综上，学界从“减污”与“降碳”双视角对碳排放交易试点的减污降碳协同效应进行了有益的研究，但整体来看，从环境规制政策角度开展减污降碳的实证研究相对阙如。就研究方法而言，目前研究多采用双重差分法，但该法难以对试点省市个体政策实施效应进行考察和比较，同时也无法避免由于样本选择偏误以及实验组与控制组的系统性差别而导致的内生性问题[14]；就研究对象而言，二氧化硫、烟（粉）尘、PM2.5等大气污染物与二氧化碳排放具有高度同源性，现有研究大多单独考察某种大气污染物的“减污”效应，缺少对整体大气污染物水平“减污”效应的分析；就研究内容而言，现有文献或多或少存在稳健性检验、机制检验不全面等问题。鉴于此，本文拟采用合成控制法，尝试从“减污”和“降碳”两个视角探究碳排放交易制度实施的总体效应及各试点省市政策实施效果的异质性，从而避免双重差分法参照组选取的主观性和政策内生性问题；并通过构建大气污染领域的综合污染物排放水平指标，试图更为全面、准确地评估碳排放交易制度的“减污”效应；同时，为证实合成控制法所得结论的可靠性，采用排序检验法和双重差分法两种方法进行稳健性检验，并从影响机制分析和异质性检验两个角度进行拓展性分析。

1 理论分析和假设提出

碳排放交易制度源于科斯的产权理论：不论产权的初始分配合理与否，若产权能够被明确界定，并且交易成本为零时，市场则可以通过自由交易实现资源配置的帕雷托最优[15,16]。在科斯定理影响下，碳排放交易制度作为市场激励型环境规制工具被广泛应用于解决环境外部性问题[17]。假设碳排放交易市场存在技术和资源两类密集型企业，前者治污成本、碳排放量较低；后者治污成本、碳排放量相对较高。前者利用其技术优势超额完成减排目标，并通过将其剩余碳排放配额出售而获益；而后者往往因超额排放、未能达标而成为碳交易市场的需求者[18]。可见，碳排放交易制度可以对高碳排放的资源密集型企业造成减排压力，而对低碳排放的技术密集型企业形成减排动力[19]。近年来，学界对于“碳排放交易制度能够有效推动碳减排”这一结论已基本达成共识[1]，但鉴于二氧化碳和大气污染物排放的同根同源性，本文认同“碳排放交易制度在降低碳排放量的同时，也会产生大气污染物排放减少的协同效应”[20]之观点。为进一步验证这一判断，本文提出：
假设1：碳排放交易制度不仅可以实现“降碳”，同时还会产生“减污”效应。
在制度实际运行过程中，因存在多方面的不同，各试点地区减污降碳的效果会有所差异。首先，经济越发达的地区会将更多的资源应用于技术创新、高端制造业、绿色低碳产业[21]，减污降碳效果更显著；同时，经济发展水平较高的地区，全社会绿色环保理念较为超前，人们对于“减污、降碳、扩绿”的需求更为迫切[22]，这为碳排放交易制度的实施营造了良好氛围，有利于产生较好的政策实施效果。其次，不同试点省市的产业结构及能源消费结构有所不同，一些地区的经济发展主要依靠“高耗能”重工业及低端制造业[23]，导致碳排放交易制度实施动力不足，减污降碳效果打了折扣。最后，各碳交易试点省市的制度环境不尽相同，也会产生不同的政策实施效果。制度环境质量较低的地区，其碳排放交易制度的实施可能会因寻租、腐败及恶性竞争等问题受阻而弱化了政策的实施效果[24]。有鉴于此，本文提出：
假设2：碳排放交易制度的减污降碳效应在各试点省市中呈现显著异质性。
碳排放交易制度影响减污降碳效应的主要路径有四条：一是通过市场自发调节“倒逼”试点地区产业结构升级[12]。市场在碳排放交易中起着决定性作用：基于“遵循成本”理论[25]及“利润最大化”原则[26]，如果碳排放配额出售所取得的收益大于绿色低碳技术的创新成本，大量资本将会流向绿色低碳产业，导致“高污染、高排放、高耗能”落后产业逐步被淘汰，低污染、低排放、高技术新型产业得以蓬勃发展，从而推动试点省市产业结构实现由低端向高端的转型升级，进而有效降低碳污排放[27,28]。二是通过成本节约激励机制促进能源结构优化[29]。碳排放量会内化为企业成本：碳排放交易市场的需求者会因购买碳排放配额而增加生产成本，反之碳排放交易市场的供给者会因出售多余碳排放配额而享受额外收益。在降低成本激励下，企业将优先选用碳排放系数较低的化石能源或新能源以实现减排，在这一过程当中，众多企业的“优选”行为会推动地区能源消费结构逐步向“绿色低碳”转变，从而总体上降低地区的大气污染物及碳排放量[30]。三是通过“信号—预期”机制诱发企业进行绿色技术创新[31]。“波特假说”提出，环境规制可以激励企业的清洁技术创新，产生“创新效应”。在碳排放交易制度出台至试点成立之时，企业预期绿色技术创新将带来减污降碳效益，因此，他们会提前做出创新活动决策以维持自己的市场竞争力。Goodchild等[32]对技术创新的碳减排效应均予以了肯定。四是通过资源配置效应提升能源利用效率。出于长远发展考虑，企业更偏好于配置绿色低碳资源、研发低碳生产技术、整合优质生产要素，以提高能源利用效率[33]，进而实现节能减排[34]。基于此，本文提出：
假设3：碳排放交易制度可以通过促进产业结构升级、能源结构优化、绿色技术创新、能源利用效率提升来实现减污降碳目标。

2 研究设计与数据说明

2.1 合成控制法

合成控制法[35]是目前较为有效的非参数政策评估方法之一，特别是在无法精准确定碳交易试点地区最佳控制组时，合成控制法可以基于数据特征确定控制组的最优权重，构建一个与试点地区相似的“反事实”控制组，通过对比实验组和控制组大气污染物及二氧化碳的排放情况来评估碳排放交易制度的减污降碳效果。“减污”和“降碳”效应在研究过程中所采取的方法、模型均相同，为节省篇幅，下文以“降碳”效应为例展开介绍。
本文拟将碳排放交易制度作为一项准自然实验，对K+1个地区进行观测，t∈[1, T]。具体而言，假设第1个地区（A地区）在T0实施碳排放交易制度，其中1≤T0<T，则A地区设为处理组，剩余K个在观测期内实施该制度的省市为控制组。为了评估A地区实施碳排放交易制度的“降碳”效果，令Yit为A地区的“降碳”效应指标，将未受到碳排放交易制度影响的控制组用数学方法赋予权重 W = ( w 2 ,   … ,   w k + 1 )表示，并满足Wi≥0且 w 2 + … + w k + 1 = 1，通过线性组合构成一个未受到碳排放交易制度影响的“合成A地区”作为对照组，并使“合成A地区”的碳排放特征与实施碳排放制度前的A地区尽可能相似，然后将“合成A地区”的相应“降碳”指标（记为 Y i t N）与真实A地区的“降碳”指标（Yit）进行比较分析，二者的差值（ α i t = Y i t - Y i t N, t=T0, T0+1, …, T）即为碳排放交易制度实施的政策效应。

2.2 变量选择及数据来源

2.2.1 被解释变量

本文将综合污染物排放水平与二氧化碳排放量作为被解释变量。（1）综合污染物排放水平（poll）。鉴于数据可得性，采用二氧化硫排放量、烟（粉）尘排放量、可吸入颗粒物PM2.5浓度，构建综合污染物排放水平评价指标，将由熵权TOPSIS法[36,37]测算出的综合污染物排放水平作为衡量“减污”效果的代理变量，以更为全面地评估大气污染减排情况。其中涉及的二氧化硫、烟（粉）尘数据来源于《中国环境统计年鉴》，PM2.5来自哥伦比亚大学社会经济数据和应用中心。（2）二氧化碳排放量（CO2）。参考王康等[38]、张彩江等[27]的研究，搜集原煤、焦炭、原油、汽油、煤油、柴油、燃料油、液化石油气八种能源消费数据，通过碳排放系数法对2000—2020年30个省（市、自治区）的碳排放量进行估算。上述数据来源于《中国能源统计年鉴》。

2.2.2 控制变量

合成控制法要求合成省市的减污降碳决定因素与碳交易试点省市的减污降碳决定因素尽可能一致，且决定因素的代理变量可观测、不易受碳排放交易制度的影响。本文参考相关研究，选取以下变量作为控制变量：（1）经济发展水平（RGDP），采用人均GDP表示[39,40]；（2）环境规制强度（ER），采用工业污染治理投资额与工业总产值的比值表示[41,42]；（3）工业化水平（indus），采用第二产业占GDP之比表示[43,44]；（4）城市化水平（urb），采用城镇人口占年末常住人口数量比例表示[20,45]；（5）外商直接投资（FDI），采用外商直接投资额表示[46,47]，经参考美元对人民币年均汇率换算而得。以上数据主要来源于《中国统计年鉴》《中国环境统计年鉴》等。
本文主要变量的描述性统计如表1所示：
表1 变量的描述性统计

Table 1 Descriptive statistics of variables

变量 观察值/个 均值 标准差 最小值 最大值
poll 630 0.353 0.165 0.020 0.828
lnCO2 630 5.490 0.862 1.700 7.351
lnRGDP 630 10.138 0.856 7.887 12.013
ER 630 0.421 0.361 0.017 2.855
indus 630 45.096 8.321 16.100 61.500
urb 630 51.746 15.399 20.000 89.600
lnFDI 630 2.996 1.768 -3.110 5.879
Upgra* 630 230.768 13.854 202.765 285.135
ES* 630 81.057 13.842 6.480 98.967
lntec* 630 9.000 1.750 4.248 13.212
EI* 630 1.379 1.373 0.005 10.320

注：*为后续机制检验中的变量。

3 结果分析

3.1 政策效应评价

3.1.1 合成控制法合成省市及权重

本文基于“减污”和“降碳”两个视角，利用Stata 16软件，根据所有非试点省市的数据特征，通过数据驱动程序为每一个试点地区拟合出反事实的最佳权重组合。“减污”和“降碳”视角下各碳交易试点对应合成地区的权重系数如表2、表3所示。以天津为例，在“减污”视角下，构造合成天津的地区有黑龙江、浙江、青海，其权重分别0.594、0.027、0.379，权重加总和为1，表明若黑龙江、浙江、青海三个省的综合污染排放水平分别按照0.594、0.027、0.379的权重加总，可以估计出天津被确定为碳交易试点之前的综合污染排放水平。
表2 “减污”视角下碳交易试点对应合成地区的权重系数

Table 2 Weights of synthetic provinces corresponding to carbon trading pilots in terms of "pollution control"

北京 天津 上海 湖北 广东 重庆
合成地区 权重 合成地区 权重 合成地区 权重 合成地区 权重 合成地区 权重 合成地区 权重
浙江 0.464 黑龙江 0.594 黑龙江 0.938 河北 0.136 河北 0.510 黑龙江 0.526
海南 0.536 浙江 0.027 青海 0.062 内蒙古 0.135 黑龙江 0.261 安徽 0.123
青海 0.379 黑龙江 0.391 江苏 0.229 海南 0.337
安徽 0.173 甘肃 0.009
四川 0.165 青海 0.006
表3 “降碳”视角下碳交易试点对应合成地区的权重系数

Table 3 Weights of synthetic provinces corresponding to carbon trading pilots in terms of "carbon reduction"

北京 天津 上海 湖北 广东 重庆
合成地区 权重 合成地区 权重 合成地区 权重 合成地区 权重 合成地区 权重 合成地区 权重
黑龙江 0.667 黑龙江 0.409 黑龙江 0.945 河北 0.060 内蒙古 0.093 吉林 0.469
青海 0.333 甘肃 0.399 青海 0.055 辽宁 0.312 辽宁 0.684 江西 0.117
青海 0.192 安徽 0.470 浙江 0.192 湖南 0.160
福建 0.059 海南 0.030 海南 0.011
海南 0.046 青海 0.242
四川 0.035
甘肃 0.018

3.1.2 碳排放交易制度的减污降碳效应分析

本文采用合成控制法对比碳交易试点地区与对应合成地区的综合污染物排放水平和碳排放量的差异，考察碳排放交易制度可否产生“减污”与“降碳”双重效应。
（1）碳排放交易制度的减污效应分析。图1为“减污”视角下2000—2020年碳交易试点地区与合成地区的综合污染物排放水平。图中点状垂直虚线为政策冲击点，即碳排放交易制度实施的时间，实线代表碳交易试点地区的综合污染物排放水平，虚线代表合成地区的综合污染物排放水平。从图1可以看出，在政策冲击前，各碳交易试点地区的综合污染水平基本上沿着合成地区的走势变动，说明各试点地区与合成地区的拟合程度较好。此外，还可从图中直观比较出政策冲击前各试点地区间综合污染水平真实轨迹与合成轨迹重合度的差异，由此得出，天津、湖北、重庆的拟合程度优于北京、上海和广东。这可能是由于北上广在经济发展、招商引资、环境治理等方面远超于其他地区，因此，与北上广对应的合成地区未能表现出较好的拟合效果。然而，无论各试点地区的拟合程度存在怎样的差异，总体来看，在受到政策冲击后，所有试点地区的综合污染物排放水平普遍低于其对应的合成地区，综合污染水平真实轨迹与合成轨迹间的差距明显拉大。由此可见，碳排放交易制度的实施有利于降低碳交易试点地区的综合污染物排放水平。此外，各碳交易试点地区的“减污”效果存在差异，即各碳交易试点地区与其对应合成地区的综合污染物排放水平之间的差距有所不同。表4展示了政策冲击之后各碳交易试点地区真实值与合成值的平均差值，其中，广东与合成广东综合污染水平差值的平均值为0.106，排名第一，其次分别是上海、北京、湖北和天津，这些试点地区的“减污”效果较为明显；重庆与合成重庆综合污染水平差值的平均值为0.028，排名最后，说明“减污”效果相对较弱。
图1 2000—2020年碳交易试点地区综合污染物排放水平的拟合结果

Fig. 1 Fitting results for comprehensive pollutant emission levels of carbon trading pilots between 2000 and 2020

表4 试点地区实际值与合成值的平均差值

Table 4 The average difference between actual value and synthetic value of carbon trading pilots

试点地区 综合污染水平 lnCO2
北京 0.068 0.570
天津 0.050 0.129
上海 0.077 0.258
湖北 0.062 0.183
广东 0.106 0.258
重庆 0.028 0.067
（2）碳排放交易制度的降碳效应分析。图2为“降碳”视角下，2000—2020年碳交易试点地区与合成地区的二氧化碳排放量（图中各曲线表示的意义与图1相似）。通过比较政策冲击前各碳交易试点真实轨迹与合成轨迹的变化情况得出，各试点地区与合成地区的拟合程度有所不同，其中广东、天津、湖北的拟合程度最好，重庆次之，上海和北京的拟合效果欠理想。总体来看，在受到政策冲击后，碳交易试点地区的碳排放量明显下降，碳排放的真实轨迹与合成轨迹间的差距明显拉大，这充分说明碳排放交易制度推动了试点地区的“降碳”进程。同样，由表4可知，在政策冲击后，北上广的lnCO2真实值与合成值的平均差值分别为0.570、0.258和0.258，位居前三位，“降碳”效果最为显著。尽管在政策冲击前北上广三地与其对应合成地区的碳排放量的差距已有所显现，但这种差距走势并不稳定。2008年北京奥运会、2010年上海世博会和广州亚运会的召开助推了这些主办城市的生态环境治理进程，也解释了政策冲击前出现的差距。碳排放交易制度出台之后，三地由于具有较高的综合发展水平以及较强的政策实施动机，与其对应合成地区的碳排放量差距逐渐拉大。反观重庆，如同“减排”效应，其“降碳”效果也同样较弱。在政策冲击之后，重庆与合成重庆lnCO2差值的平均值仅为0.067，排名最后，且随着时间的推移，重庆与其对应合成地区碳排放量的差距时而拉大、时而缩小，“降碳”效果呈现不稳定状态。
图2 2000—2020年碳交易试点地区二氧化碳排放量的拟合结果

Fig. 2 Fitting results for carbon dioxide emissions of carbon trading pilots between 2000 and 2020

综合上述碳交易试点的“减污”和“降碳”效应可知，总体而言，碳排放交易制度在试点地区具有较为明显的减污降碳效应，但各试点地区的减污降碳效果有所差异。北上广的减污降碳效果比较显著，可能缘于这些地区的经济转型步伐快、绿色发展理念超前。它们率先提出空气质量改善、碳达峰与经济高质量发展协同的目标并付诸于实践，形成了减污、降碳、经济发展协同增效的中国样板。其次是湖北和天津，其减污降碳效果较好。最后是重庆。重庆的减污降碳效果较弱且不稳定，恐与其综合发展实力相对不高、中低端制造业占比较大、政策执行效率相对偏低等问题相关。

3.2 稳健性检验

上述政策效应分析表明，碳排放交易制度推动了碳交易试点的减污降碳进程。为进一步检验结果是否稳健，本文采用排序检验法和双重差分法。

3.2.1 基于排序检验的稳健性检验

本文参考Abadie等[48]的研究，采用排序检验方法评价碳排放交易制度的减污降碳效应是否稳健且显著。即假设控制组的每一个地区也在相同时间受到政策冲击，通过政策效应估算，得出各地区与对应合成地区综合污染排放水平和二氧化碳排放量之差距并进行图示排列；之后比较真实试点地区与假设试点地区的减污降碳效果。如果试点地区的减污降碳效果显著优于假设试点地区，则表明合成控制法能够较好地评价碳排放交易制度的政策实施效应，反之亦然。此外，为保证排序检验的效果和可靠性，参考现有研究的一般做法，删除政策实施前均方根预测误差（RMSPE值）大于真实试点地区两倍的假设试点地区，即剔除政策实施前拟合效果较差的地区。
图3和图4分别为基于综合污染水平和二氧化碳排放量的检验结果，其中实线代表对应试点地区，虚线代表假设试点地区。从图中可以看出，在政策冲击前，试点地区与假设试点地区的综合污染水平、碳排放量的差距尚不明显；但在政策冲击之后，试点地区与假设试点地区的综合污染水平、碳排放量的差距显著扩大，说明碳排放交易制度总体上推动了试点地区的减污降碳进程。此外，各试点地区的综合污染水平、碳排放量的变化幅度与上述减污降碳效应的分析结果基本保持一致，表明研究结论具有一定的稳健性。针对“减污”效果，从统计学角度考察，以广东为例，剔除RMSPE值大于广东2倍的假设试点地区之后剩余25个地区，表明有4.00%（1/25）的概率出现广东与合成广东综合污染水平存在较大差距，可以认为广东的“减污”效应在5%的水平上是显著的。同理可得，北京、天津、上海分别以4.00%（1/25）、4.76%（1/21）、4.00%（1/25）的概率出现与合成地区综合污染水平存在较大差距，即这些试点地区的“减污”效应在5%的统计水平上是显著的。湖北、重庆的相应概率为5.26%（1/19）、5.00%（1/20），它们的“减污”效应结果在10%的水平上显著。针对“降碳”效果，北京、天津、上海、重庆分别以4.35%（1/23）、4.35%（1/23）、4.35%（1/23）、4.76%（1/21）的概率出现与合成地区碳排放量存在较大差距，即这些试点地区的“降碳”效应在5%的统计水平上是显著的。另外，广东、湖北的相应概率分别为5.56%（1/18）、7.69%（1/13），它们的“降碳”效应结果则在10%的水平上显著。
图3 基于综合污染物排放水平的碳交易试点地区排序检验

Fig. 3 Ranking test of carbon trading pilots based on comprehensive pollution levels

图4 基于二氧化碳排放量的碳交易试点省市排序检验

Fig. 4 Ranking test of carbon trading pilots based on carbon dioxide emissions

3.2.2 基于双重差分法的稳健性检验

本文进一步通过双重差分法进行稳健性分析，选择北京、天津、上海、湖北、广东、重庆作为“实验组”，其余24个地区作为“控制组”。此外，参考已有研究，将2000—2012年设置为非试点期，2013—2020年设置为试点期。基于此，参照袁航等[49]的做法，构建双重差分计量模型，以有效识别碳排放交易制度的减污降碳效应，具体见下式：
Y i t = α 0 + α 1 E T S t × Y e a r i + β X i t + u i + λ t + ε i t
式中：Yit为被解释变量，包括综合污染排放水平（poll）和二氧化碳排放量（lnCO2），以分别衡量“减污”和“减碳”效果；Year为时间虚拟变量，2000—2012年取值为0，2013—2020年取值为1；ETS为组间虚拟变量，碳交易试点地区为1，非试点地区为0；ETS×Year为交叉项，也称双重差分项，其系数反映碳交易试点地区的“减污”或“降碳”效应；Xit为控制变量，与前文一致；i代表不同地区；t代表样本年度；ui代表个体效应；λt代表时间效应；ε代表随机干扰项。
（1）平行趋势检验。采用双重差分法评估碳交易试点的减污降碳效应，必须满足一个前提，即在碳排放交易制度未实施的情况下，实验组和对照组符合平行趋势假设。本文借鉴事件研究法[50]来进行平行趋势检验：
在图5中，横坐标-4~ -1为相对碳排放交易制度实施前第1至第4年的虚拟变量，0表示该制度实施当年的虚拟变量，1~5则为该制度实施之后的第1年至第5年的虚拟变量，本文将2008年作为基准期，纵轴表示系数估计值。在碳排放交易制度实施之前的四年内，综合污染排放水平和二氧化碳排放量的回归系数并不显著，这表明该制度实施之前，处理组和对照组的“减污”与“降碳”无显著系统性差异，满足平行趋势假设。同时，从制度实施后的估计系数可以看出，碳排放交易制度对试点地区减污降碳的推动具有持续效应。
图5 双重差分平行趋势检验

Fig. 5 Parallel trend test through difference-in-difference model

（2）双重差分实证结果分析。表5中，列 (1) 和列 (2) 是综合污染排放水平作为被解释变量的回归结果，列 (3) 和列 (4) 表示被解释变量为二氧化碳排放量的回归结果。可以看出，不论是否引入控制变量，碳排放交易制度对综合污染排放水平和二氧化碳排放量的影响均在1%的统计水平上显著为负。这一结论进一步验证了合成控制法的稳健性，即碳排放交易制度可以推动碳交易试点地区的减污降碳进程。
表5 碳排放交易制度的减污降碳效应（DID方法）

Table 5 Effect of pollution control and carbon reduction of the carbon emission trading system (Based on DID model)

poll lnCO2
变量 (1) (2) (3) (4)
ETS×Year -0.088***(0.008) -0.067***(0.009) -0.392***(0.036) -0.288***(0.035)
lnRGDP 0.027(0.018) 0.181**(0.071)
ER 0.011(0.007) 0.048*(0.03)
indus -0.001(0.001) 0.014***(0.002)
urb 0.004***(0.001) 0.005(0.003)
lnFDI 0.007**(0.003) -0.049***(0.012)
Constant 0.360***(0.002) -0.090(0.156) 5.520***(0.007) 2.945***(0.634)
时间固定效应 是 是 是 是
地区固定效应 是 是 是 是
Observations/个 630 630 630 630
R2 0.944 0.949 0.963 0.969

注：*、**、***分别表示10%、5%、1%的显著性水平，括号内数值为稳健标准误，下同。

3.3 进一步研究

3.3.1 影响机制分析

为进一步验证碳排放交易制度的实施影响大气污染物与二氧化碳排放的传导机制与内在机理，基于上文理论分析与研究假说，参考江艇[51]的观点，选用产业结构升级、能源结构优化、技术进步、能源利用效率提升四要素进行影响机制检验。
产业结构升级方面，参考徐敏等[52] l n d = ∑ j = 1 3 q j × j（qj表示第j产业的产值比例）来衡量产业结构升级水平（upgra）。表6列 (1) 估计结果表明，政策变量ETS×Year对产业结构升级水平的估计系数为2.257，且在1%的统计水平上显著，说明碳排放交易制度的实施能显著提升产业结构升级水平。能源结构优化方面，选取单位热值含碳量较高的原煤和焦炭在能源消耗量中的占比来衡量能源结构（ES），数值越低表示地区能源结构清洁化程度越高。由表6列 (2) 可知，核心解释变量ETS×Year对机制变量能源结构的估计系数在1%的统计水平上显著为负，表明碳排放交易制度的实施推动了能源结构的清洁化转型。绿色技术创新方面，选取绿色发明授权数量与绿色实用新型授权数量之和作为绿色技术创新（tec）的代理变量。由表6列 (3) 可知，绿色技术创新（tec）的估计系数在5%的统计水平上显著为正，表明碳排放交易制度的实施有效驱动了绿色技术进步。能源利用效率提升方面，参考史丹等[53]的研究，采用单要素能源效率—单位地区生产总值能耗来衡量能源利用效率（EI）。表6列 (4) 估计结果表明，政策变量ETS×Year对能源利用效率提升的估计系数在1%的统计水平上显著为负，说明碳排放交易制度的实施能显著降低单位GDP能耗，进而提升能源利用效率。毫无疑问，以上四要素在减少污染物与二氧化碳排放量中均发挥着重要作用，也反证了它们与碳排放交易制度之间的传导关系，即碳排放交易制度的实施可以倒逼产业结构升级、能源结构优化、技术进步、能源利用效率提升，从而实现“减污”与“降碳”双赢效果。
表6 产业结构升级、能源结构优化、技术进步与能源利用效率提升的机制检验

Table 6 Mechanism test of upgra, ES, Intec and EI

变量 (1) (2) (3) (4)
upgra ES lntec EI
ETS×Year 2.257***(0.769) -8.094***(1.266) 0.149**(0.058) -0.381***(0.109)
lnRGDP 5.207***(1.553) 8.527***(2.556) 0.034(0.117) (0.007)-0.479**
ER 1.321**(0.605) 0.649(0.995) 0.0195(0.046) -0.074(0.086)
indus -0.366***(0.046) -0.297***(0.076) 0.001(0.004) 0.007(0.007)
urb 0.022(0.065) 0.212**(0.107) 0.038***(0.005) -0.033***(0.009)
lnFDI 1.694***(0.260) -0.477(0.427) 0.004(0.020) -0.041(0.037)
Constant 187.5***(13.76) -1.194(22.65) 6.597***(1.040) 7.811***(1.959)
时间固定效应 是 是 是 是
地区固定效应 是 是 是 是
Observations/个 630 630 630 630
R2 0.944 0.847 0.980 0.884

3.3.2 异质性分析

（1）区域异质性分析
通过合成控制法的分析得出，碳排放交易制度实施的减污降碳效应在各试点地区存在差异。同样有学者指出，碳排放交易制度的政策效应具有区域异质性特征[54]。本文将30个地区划分为东部、中部和西部三组，利用DID法对实施碳排放交易制度的减污降碳效应进行区域异质性分析，结果见表7。根据实证结果可知，东部地区的“减污”“降碳”效果最为显著，政策变量ETS×Year对综合污染水平和碳排放量的影响均在1%的统计水平上显著为负；中部地区的“降碳”效应在1%的统计水平上显著，“减污”效应在5%的统计水平上显著；西部地区ETS×Year对综合污染水平的影响在5%的统计水平上显著为负，且对碳排放量的影响不显著。碳排放交易制度属于典型的市场激励型环境规制工具，东部地区的交易市场更有活力，且该地区更加注重产业绿色低碳转型、技术创新，因此会产生更好的政策实施效果；而中、西部地区绿色发展理念更新相对滞后、经济发展动力不足，因而显现出较弱的政策实施效果。如果在产业结构优化、技术创新等方面步履维艰，对交易市场的反应即会疲软，也会进一步影响政策的实施效果。区域异质性的研究结果基本与上述合成控制法所得出的各试点地区政策效果差异相一致，进一步验证了本文研究结论的合理性。
表7 区域异质性分析

Table 7 Analysis of the regional heterogeneity

变量 东部 中部 西部
poll lnCO2 poll lnCO2 poll lnCO2
ETS×Year -0.069*** -0.326*** -0.044** -0.179*** -0.061** -0.086
(0.019) (0.077) (0.021) (0.040) (0.028) (0.061)
lnRGDP 0.004 0.163 -0.036 0.104 (0.002) 0.292*
(0.048) (0.117) (0.060) (0.115) 0.010 (0.154)
ER -0.035* -0.019 0.028 0.071* 0.020 0.175***
(0.019) (0.037) (0.022) (0.042) (0.013) (0.060)
indus 0.004 0.015*** 0.001 0.003 -0.004*** 0.028***
(0.048) (0.004) (0.001) (0.002) (0.002) (0.004)
urb -0.006*** -0.043*** -0.006*** 0.016*** -0.007*** 0.0120**
(0.002) (0.007) (0.002) (0.003) (0.003) (0.005)
lnFDI 0.002 0.032* -0.004 -0.032* 0.014** -0.076***
(0.009) (0.017) (0.010) (0.019) (0.006) (0.029)
Constant 0.560 4.734*** 1.000* 3.859*** 0.664* 0.844
(0.447) (1.059) (0.564) (1.078) (0.386) (1.428)
时间固定效应 是 是 是 是 是 是
地区固定效应 是 是 是 是 是 是
Observations/个 231 231 168 168 231 231
R2 0.943 0.968 0.946 0.984 0.828 0.979
（2）不同大气污染物的异质性分析
通过合成控制法的研究得出，碳排放交易制度对于综合污染排放水平具有“减污”效应。为进一步检证碳排放交易制度的实施对不同大气污染物减排的影响效应，本文采用DID法分别对二氧化硫、烟（粉）尘、PM2.5排放进行实证检验。三类大气污染物的数据均经过归一化处理，以消除量纲的影响、实现变量间可比。表8显示，二氧化硫、PM2.5在1%的置信水平上显著为负，说明碳排放交易制度的实施可以显著降低二氧化硫和PM2.5的排放；其中对PM2.5的影响系数绝对值0.124大于二氧化硫影响系数的绝对值0.0711，说明碳排放交易制度的实施对PM2.5减排效果更显著。此外，碳排放交易制度对烟（粉）尘的影响为负，也未通过显著性检验，说明碳排放交易制度的实施对烟（粉）尘减排的作用有限，可能的原因如下：首先，国家“十一五”至“十三五”规划中均对二氧化硫设置了明确的减排目标，“十三五”规划还将PM2.5减排设定为主要发展指标，但这些规划并未设置烟（粉）尘减排的具体目标，因此，相较于对二氧化硫和PM2.5的治理，社会对烟（粉）尘治理的关注度并不高。其次，在碳排放交易制度下，企业会选择更加节能、低碳的生产技术，但这些技术并不一定能有效减少烟（粉）尘的排放，如风力发电机的生产和报废过程中会产生大量的复合材料废弃物，若这些固废未得以妥善处置，可能会进一步导致烟（粉）尘的产生。再次，由于烟（粉）尘的成分、形态、粒径存在多样性，且治理技术更为复杂，致使烟（粉）尘的减排效果并不稳定。
表8 不同大气污染物的异质性分析

Table 8 Analysis of the heterogeneity of different air pollutants

变量 (4) (5) (6)
SO2 烟（粉）尘 PM2.5
ETS×Year -0.071*(0.039) -0.034(0.046) -0.124***(0.026)
lnRGDP 0.102***(0.038) 0.015(0.044) 0.026(0.025)
ER 0.010(0.015) 0.019(0.017) -0.000(0.010)
indus 0.003**(0.001) -0.002*(0.001) -0.002**(0.001)
urb -0.011***(0.002) -0.004**(0.002) 0.008***(0.001)
lnFDI 0.009(0.006) -0.005(0.007) 0.0085***(0.001)
Constant -0.314(0.338) 0.458(0.392) -0.127(0.220)
时间固定效应 是 是 是
地区固定效应 是 是 是
Observations/个 630 630 630
R2 0.874 0.824 0.927

4 结论与政策建议

作为解决碳排放过程中负外部性问题的有效手段，碳排放交易制度不仅是中国实现“双碳”目标的重要政策工具，也是改善生态环境质量、形成绿色生产生活方式、全面推进美丽中国建设的重要引擎。本文以碳排放交易制度作为准自然实验，基于2000—2020年全国30个地区面板数据，运用合成控制法评估该制度对各碳交易试点地区减污降碳的政策效应，并利用DID方法对该制度推动减污降碳的作用机制进行分析。研究结果表明：总体上，碳排放交易制度的实施显著推动了试点地区的减污降碳进程，并且这一结果通过了稳健性检验；从试点地区的异质性分析来看，北上广的政策效果最为显著，湖北和天津表现次之，而重庆的政策效果相对较弱。在进一步研究中，影响机制检验表明，碳排放交易制度实施的减污降碳效应可以通过促进产业结构升级、能源结构优化、绿色技术创新和能源利用效率提升而实现；区域异质性分析表明，碳排放交易制度实施的减污降碳效应在东部地区更为显著；不同大气污染物的异质性分析表明，碳排放交易制度的实施对于不同大气污染物的减排效应存在差异，对PM2.5减排效果更显著。
基于上述结论，本文提出以下政策建议：
（1）实证结果证明：碳排放交易制度的实施对试点地区大气污染物与二氧化碳具有协同减排作用，该制度可以作为实现减污降碳协同增效的重要政策工具。未来应坚持政府引导和市场主导原则，推进全国碳排放交易市场的精细化建设，以充分发挥市场机制对减污降碳的激励约束作用，实现碳排放交易制度减污降碳效应从试点地区辐射至全国。具体而言，一是推动碳排放权交易专项法律落地实施。不日前，期盼已久的、首次以行政法规形式明确碳排放交易的制度——《碳排放权交易管理暂行条例》发布，要确保“条例”的顺利实施，离不开更为具体的规定作支撑[55]。未来，还需要在优化碳排放配额分配方式、完善市场稳定机制、强化数据质量管理等方面逐步出台配套措施。二是要丰富碳交易市场的交易品种，鼓励推行碳期货、碳期权、绿色资产证券等金融工具，加大对减污降碳协同增效项目的信贷投放，进一步提升碳交易市场的活跃度。三是鉴于碳排放交易与排污权交易的“制度亲缘性”，未来可以考虑推进两种交易活动在政策制定、机制设计和运行方面的深度融合、协同运行，如可将企业碳排放交易的相关信息纳入现有排污许可证管理信息共享平台，实现排污权交易与碳交易的一体化管理。
（2）影响机制检验表明：产业结构的优化调整、能源消费结构的清洁化转型、绿色技术创新活动驱动以及能源利用效率的提高，是碳排放交易制度推动减污降碳的重要途径。因此，未来首先要加快产业结构转型升级，重点从以下两个方面推进：一是通过积极构建战略性新型产业布局，促进产业链在广度、深度上的延伸发展；二是大力推动绿色产业项目高效运转，加快实现产业结构的绿色化、低碳化[56]。其次，要不断改善能源消费结构，一是加强煤炭等传统能源的高效清洁利用，着力提升新能源供给水平及消纳能力；二是通过倡导绿色消费理念和生活方式，推动低碳消费蔚然成风。再次，要坚持创新驱动，一是加大对企业绿色技术研发的财政补贴和税收优惠政策激励；二是鼓励“校企”合作，联合培养低碳技术创新人才。最后，要坚持“节约、集约、减约”理念，从资源开发环节到生产加工利用环节再到全社会，全方面提高能源资源利用效率。
（3）区域异质性和不同大气污染物异质性检验表明：碳排放交易制度实施的减污降碳效果存在地区差异性，东部地区的政策效应更为显著。因此，未来可将北上广的试点经验进行总结提炼，为中西部地区的制度建设提供样本参考。在全国碳排放交易市场建设中，应充分考虑各地的经济发展水平、产业结构、资源禀赋、制度环境等实际情况，避免碳交易机制设计的“一刀切”。同时，还应注重中西部地区的技术创新和产业升级，鼓励东部地区对中西部地区进行人才、技术、政策等的帮扶。此外，碳排放交易制度对某些污染物的协同减排效果可能尚未显现，未来在探索大气污染物与二氧化碳排放清单的协同编制和协同管理上，还需要对二氧化硫、烟（粉）尘、PM2.5等污染物追根溯源，明确各类大气污染物减排的重点领域，制定有针对性的减排方案和目标，有效发挥协同减排效应。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
宋德勇, 夏天翔. 中国碳交易试点政策绩效评估. 统计与决策, 2019, 35(11): 157-160.

[ SONG D Y, XIA T X. Performance evaluation of China's carbon trading pilot policies. Statistics & Decision, 2019, 35(11): 157-160.]

[2]
范丹, 王维国, 梁佩凤. 中国碳排放交易权机制的政策效果分析: 基于双重差分模型的估计. 中国环境科学, 2017, 37(6): 2383-2392.

[ FAN D, WANG W G, LIANG P F. Analysis of the performance of carbon emissions trading right in China: The evaluation based on the difference-in-difference model. China Environmental Science, 2017, 37(6): 2383-2392.]

[3]
周迪, 刘奕淳. 中国碳交易试点政策对城市碳排放绩效的影响及机制. 中国环境科学, 2020, 40(1): 453-464.

[ ZHOU D, LIU Y C. Impact of China's carbon emission trading policy on the performance of urban carbon emission and its mechanism. China Environmental Science, 2020, 40(1): 453-464.]

[4]
WANG Q, GAO C Y, DAI S P. Effect of the emissions trading scheme on CO2 abatement in China. Sustainability, 2019, 11(4): 1055, Doi: 10.3390/su11041055.

[5]
刘传明, 孙喆, 张瑾. 中国碳排放权交易试点的碳减排政策效应研究. 中国人口·资源与环境, 2019, 29(11): 49-58.

[ LIU C M, SUN Z, ZHANG J. Research on the effect of carbon emission reduction policy in China's carbon emissions trading pilot. China Population, Resources and Environment, 2019, 29(11): 49-58.]

[6]
李治国, 王杰. 中国碳排放权交易的空间减排效应: 准自然实验与政策溢出. 中国人口·资源与环境, 2021, 31(1): 26-36.

[ LI Z G, WANG J. Spatial emission reduction effects of China's carbon emissions trading: Quasi-natural experiments and policy spillovers. China Population, Resources and Environment, 2021, 31(1): 26-36.]

[7]
YAN Y X, ZHANG X L, ZHANG J H, et al. Emissions trading system (ETS) implementation and its collaborative governance effects on air pollution: The China story. Energy Policy, 2020, 138: 111282, Doi: 10.1016/j.enpol.2020.111282.

[8]
张瑜, 孙倩, 薛进军, 等. 减污降碳的协同效应分析及其路径探究. 中国人口·资源与环境, 2022, 32(5): 1-13.

[ ZHANG Y, SUN Q, XUE J J, et al. Synergistic effects of pollution control and carbon reduction and their pathways. China Population, Resources and Environment, 2022, 32(5): 1-13.]

[9]
曾诗鸿, 李璠, 翁智雄, 等. 我国碳交易试点政策的减排效应及地区差异. 中国环境科学, 2022, 42(4): 1922-1933.

[ ZENG S H, LI F, WENG Z X, et al. Study on the emission reduction effect of China's carbon trading pilot policy and regional differences. China Environmental Science, 2022, 42(4): 1922-1933.]

[10]
叶芳羽, 单汨源, 李勇, 等. 碳排放权交易政策的减污降碳协同效应评估. 湖南大学学报: 社会科学版, 2022, 36(2): 43-50.

[ YE F Y, SHAN M Y, LI Y, et al. An evaluation of the synergistic effect of air pollutants and carbon reduction of the carbon emissions trading policy. Journal of Hunan University: Social Sciences, 2022, 36(2): 43-50.]

[11]
李胜兰, 林沛娜. 我国碳排放权交易政策完善与促进地区污染减排效应研究: 基于省级面板数据的双重差分分析. 中山大学学报: 社会科学版, 2020, 60(5): 182-194.

[ LI S L, LIN P N. Research on carbon emission trading policy improvement and promoting regional pollution reduction effect: Difference-in-difference analysis based on provincial panel data. Journal of Sun Yat-sen University: Social Science Edition, 2020, 60(5): 182-194.]

[12]
陆敏, 徐好, 陈福兴. “双碳”背景下碳排放交易机制的减污降碳效应. 中国人口·资源与环境, 2022, 32(11): 121-133.

[ LU M, XU H, CHEN F X. Pollution and carbon reduction effects of the carbon emissions trading mechanism in the context of the 'dual carbon' goals. China Population, Resources and Environment, 2022, 32(11): 121-133.]

[13]
孙晶琪, 周奕全, 王愿, 等. 市场型环境规制交互下减污降碳协同增效的效应分析. 中国环境管理, 2023, 15(2): 48-57.

[ SUN J Q, ZHOU Y Q, WANG Y, et al. Research on the synergistic effect of reducing pollution and carbon emissions under the interaction of market-based environmental regulations. Chinese Journal of Environmental Management, 2023, 15(2): 48-57.]

[14]
陈太明. 改革开放与中国经济增长奇迹: 基于合成控制法的研究. 经济理论与经济管理, 2021, 41(6): 22-36.

[ CHEN T M. Reform and opening-up policy and China's economic growth miracle: A research based on synthetic control method. Economic Theory and Business Management, 2021, 41(6): 22-36.]

[15]
杨秀汪, 李江龙, 郭小叶. 中国碳交易试点政策的碳减排效应如何: 基于合成控制法的实证研究. 西安交通大学学报: 社会科学版, 2021, 41(3): 93-104.

[ YANG X W, LI J L, GUO X Y. The impact of carbon trading pilots on emission mitigation in China: Empirical evidence from synthetic control method. Journal of Xi'an Jiao tong University: Social Sciences, 2021, 41(3): 93-104.]

[16]
COASE R H. The problem of social cost. Journal of Law & Economics, 1960, 3(4): 1-14.

[17]
王凤荣, 李安然, 高维妍. 碳金融是否促进了绿色创新水平: 基于碳排放权交易政策的准自然实验. 兰州大学学报: 社会科学版, 2022, 50(6): 59-71.

[ WANG F R, LI A R, GAO W Y. Whether carbon finance promotes the green innovation: Quasi-natural experiment based on carbon emission trading policy. Journal of Lanzhou University: Social Sciences, 2022, 50(6): 59-71.]

[18]
张希良, 张达, 余润心. 中国特色全国碳市场设计理论与实践. 管理世界, 2021, 37(8): 80-95.

[ ZHANG X L, ZHANG D, YU R X, Theory and practice of China's national carbon emissions trading system. Journal of Management World, 2021, 37(8): 80-95.]

[19]
尹应凯, 武祯妮, 马鸿鑫. 中国碳排放权交易试点政策对区域碳脱钩效应的影响研究. 上海金融, 2022, (5): 70-79.

[ YIN Y K, WU Z N, MA H X, Study on the influence of China's carbon emission trading pilot policy on regional carbon decoupling effect. Shanghai Finance, 2022, (5): 70-79.]

[20]
李治国, 王杰, 赵园春. 碳排放权交易的协同减排效应: 内在机制与中国经验. 系统工程, 2022, 40(3): 1-12.

[ LI Z G, WANG J, ZHAO Y C. The synergistic emission reduction effect of carbon emission trading: Internal mechanism and China's experience. Systems Engineering, 2022, 40(3): 1-12.]

[21]
张峰, 宋晓娜. 提高环境规制能促进高端制造业“绿色蜕变”吗: 来自绿色全要素生产率的证据解释. 科技进步与对策, 2019, 36(21): 53-61.

[ ZHANG F, SONG X N. Can environmental regulation improve the "green transformation" of high-end manufacturing? Evidence interpretation from green total factor productivity. Science & Technology Progress and Policy, 2019, 36(21): 53-61.]

[22]
张荣博, 钟昌标. 智慧城市试点、污染就近转移与绿色低碳发展: 来自中国县域的新证据. 中国人口·资源与环境, 2022, 32(4): 91-104.

[ ZHANG R B, ZHONG C B. Smart city pilot projects, nearby pollution transfer, and green and low-carbon development. China Population, Resources and Environment, 2022, 32(4): 91-104.]

[23]
葛立宇, 莫龙炯, 黄念兵. 数字经济发展、产业结构升级与城市碳排放. 现代财经: 天津财经大学学报, 2022, (10): 20-37.

[ GE L Y, MO L J, HUANG N B. Development of digital economy, upgrading of Industrial structure and urban carbon emission. Modern Finance and Economics: Journal of Tianjin University of Finance and Economics, 2022, (10): 20-37.]

[24]
李响, 张楠, 宋培. 碳排放交易制度的节能减排效应及作用机制研究: 基于合成控制法的经验证据. 现代财经: 天津财经大学学报, 2022, (4): 96-113.

[ LI X, ZHANG N, SONG P. Research on energy saving and emission reduction effect and mechanism of carbon emission trading system: Empirical evidence based on synthetic control method. Modern Finance and Economics: Journal of Tianjin University of Finance and Economics, 2022, (4): 96-113.]

[25]
胡玉凤, 丁友强. 碳排放权交易机制能否兼顾企业效益与绿色效率?. 中国人口·资源与环境, 2020, 30(3): 56-64.

[ HU Y F, DING Y Q. Can carbon emission permit trade mechanism bring both business benefits and green efficiency?. China Population, Resources and Environment, 2020, 30(3): 56-64.]

[26]
GU L. Product market competition, R&D investment, and stock returns. Journal of Financial Economics, 2016, 119(2): 441-455.

DOI

[27]
张彩江, 李章雯, 周雨. 碳排放权交易试点政策能否实现区域减排?. 软科学, 2021, 35(10): 93-99.

[ ZHANG C J, LI Z W, ZHOU Y. Can carbon emissions trading pilot policy promote regional emissions reductions?. Soft Science, 2021, 35(10): 93-99.]

[28]
赵领娣, 张磊, 徐乐, 等. 人力资本、产业结构调整与绿色发展效率的作用机制. 中国人口·资源与环境, 2016, 26(11): 106-114.

[ ZHAO L D, ZHANG L, XU L, et al. Mechanism of human capital, industrial structure adjustment and green development efficiency. China Population, Resources and Environment, 2016, 26(11): 106-114.]

[29]
钱丽, 魏圆圆, 肖仁桥, 等. 碳交易试点政策对中国区域经济绿色增长的影响机制研究. 技术经济, 2023, 42(4): 110-124.

[ QIAN L, WEI Y Y, XIAO R Q, et al. Research on the impact mechanism of carbon trading pilot policy on China's regional economic green growth. Journal of Technology Economics, 2023, 42(4): 110-124.]

[30]
刘海英, 钟莹. 碳交易与“碳税”的减排效应及作用路径研究. 商业研究, 2023, (1): 98-107.

[ LIU H Y, ZHONG Y. Carbon trading and "carbon tax" emission reduction effect and action path. Commercial Research, 2023, (1): 98-107.]

[31]
于向宇, 陈会英, 李跃. 基于合成控制法的碳交易机制对碳绩效的影响. 中国人口·资源与环境, 2021, 31(4): 51-61.

[ YU X Y, CHEN H Y, LI Y. Impact of carbon emission trading mechanism on carbon performance based on synthetic control method. China Population, Resources and Environment, 2021, 31(4): 51-61.]

[32]
GOODCHILD A, TOY J. Delivery by drone: An evaluation of unmanned aerial vehicle technology in reducing CO2 emissions in the delivery service industry. Transport and Environment, 2018, 61(6): 58-67.

[33]
张琨, 蔡树勋. 碳排放权交易、能源利用效率与经济增长: 基于异时DID方法的讨论. 城市发展研究, 2022, 29(10): 61-67.

[ ZHANG K, CAI S X. Carbon emissions trading, energy efficiency and economic growth: A discussion based on the heterogeneous timing DID method. Urban Development Studies, 2022, 29(10): 61-67.]

[34]
白雪洁, 宋培, 王宝璐. 碳排放交易制度的节能减排路径: 效率提升还是结构转型: 来自中国省级数据的准自然实验. 商业经济与管理, 2021, (8): 70-85.

[ BAI X J, SONG P, WANG B L. Energy saving and emission reduction path of carbon emission trading system: Efficiency improvement or structural transformation? Quasi natural experiments based on provincial data in China. Journal of Business Economics, 2021, (8): 70-85.]

[35]
ABADIE A, GARDEAZABAL J. The economic costs of conflict: A case study of the Basque country. The American Economic Review, 2003, 93(1): 113-132.

DOI

[36]
张建伟, 蒲柯竹, 图登克珠. 中国农业经济高质量发展指标体系构建与测度. 统计与决策, 2021, 37(22): 89-92.

[ ZHANG J W, PU K Z, TUBDEN K. Construction and measurement of high quality development index system of China's agricultural economy. Statistics & Decision, 2021, 37(22): 89-92.]

[37]
雷勋平, QIU R, 刘晨. 土地集约利用与城镇化协调发展评价及障碍因子诊断. 农业机械学报, 2020, 51(6): 138-151.

[ LEI X P, QIU R, LIU C. Evaluation of coordinated development between land intensive use and urbanization and diagnosis of obstacle factors. Transactions of the CSAM, 2020, 51(6): 138-151.]

[38]
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.

DOI

[ 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

[39]
徐英启, 程钰, 王晶晶, 等. 中国低碳试点城市碳排放效率时空演变与影响因素. 自然资源学报, 2022, 37(5): 1261-1276.

DOI

[ XU Y Q, CHENG Y, WANG J J, et al. Spatio-temporal evolution and influencing factors of carbon emission efficiency in low-carbon city of China. Journal of Natural Resources, 2022, 37(5): 1261-1276.]

DOI

[40]
路正南, 罗雨森. 中国碳交易政策的减排有效性分析: 双重差分法的应用与检验. 干旱区资源与环境, 2020, 34(4): 1-7.

[ LU Z N, LUO Y S. Analysis of China's carbon trading policy in mitigation effectiveness: Application and testing through DID. Journal of Arid Land Resources and Environment, 2020, 34(4): 1-7.]

[41]
何爱平, 安梦天. 地方政府竞争、环境规制与绿色发展效率. 中国人口·资源与环境, 2019, 29(3): 21-30.

[ HE A P, AN M T. Competition among local governments, environmental regulation and green development efficiency. China Population, Resources and Environment, 2019, 29(3): 21-30.]

[42]
李国祥, 张伟. 环境分权、环境规制与工业污染治理效率. 当代经济科学, 2019, 41(3): 26-38.

[ LI G X, ZHANG W. Environmental decentralization, environmental regulation and industrial pollution control efficiency. Modern Economic Science, 2019, 41(3): 26-38.]

[43]
李治国, 杨雅涵, 赵园春. 地方政府竞争促进了地区碳排放强度吗?. 经济与管理评论, 2022, 38(2): 136-146.

[ LI Z G, YANG Y H, ZHAO Y C. Does local government competition promote regional carbon emission intensity?. Review of Economy and Management, 2022, 38(2): 136-146.]

[44]
王勇, 赵晗. 中国碳交易市场启动对地区碳排放效率的影响. 中国人口·资源与环境, 2019, 29(1): 50-58.

[ WANG Y, ZHAO H. The impact of China's carbon trading market on regional carbon emission efficiency. China Population, Resources and Environment, 2019, 29(1): 50-58.]

[45]
范建双, 任逸蓉, 虞晓芬. 人口城镇化影响区域绿色经济效率的中介机制分析: 基于随机边界模型的检验. 宏观质量研究, 2017, 5(4): 52-65.

[ FAN J S, REN Y R, YU X F. An analysis of the mechanism between population urbanization and regional green economic efficiency: Based on stochastic frontier analysis model. Journal of Macro-quality Research, 2017, 5(4): 52-65.]

[46]
李繁荣, 尚云舟, 薛紫玥. 外商直接投资对我国绿色发展的影响: 基于中国260个地级市的数据验证. 经济问题, 2022, (4): 75-84.

[ LI F R, SHANG Y Z, XUE Z Y. The impact of foreign direct investment on China's green development: Evidence from 260 prefecture level cities in China. On Economic Problems, 2022, (4): 75-84.]

[47]
冉启英, 任思雨. 外商直接投资、新型城市化与中国碳排放. 贵州财经大学学报, 2019, (2): 83-90.

[ RAN Q Y, REN S Y. Foreign direct investment, new urbanization and China's carbon emissions. Journal of Guizhou University of Finance and Economics, 2019, (2): 83-90.]

[48]
ABADIE A, DIAMOND A, HAINMUELLER J. Synthetic control methods for comparative case studies: Estimating the effect of California's tobacco control program. Journal of the American Statistical Association, 2010, 105(490): 493-505.

DOI

[49]
袁航, 朱承亮. 智慧城市是否加速了城市创新?. 中国软科学, 2020, (12): 75-83.

[ YUAN H, ZHU C L. Do smart cities accelerate urban innovation?. China Soft Science, 2020, (12): 75-83.]

[50]
JACOBSON L S, LALONDE R J, SULLIVAN D. Earnings losses of displaced workers. American Economic Review, 1993, 83(4): 685-709.

[51]
江艇. 因果推断经验研究中的中介效应与调节效应. 中国工业经济, 2022, (5): 100-120.

[ JIANG T. Mediating effects and moderating effects in causal inference. China Industrial Economics, 2022, (5): 100-120.]

[52]
徐敏, 姜勇. 中国产业结构升级能缩小城乡消费差距吗?. 数量经济技术经济研究, 2015, 32(3): 3-21.

[ XU M, JIANG Y. Can the China's industrial structure upgrading narrow the gap between urban and rural consumption?. Journal of Quantitative & Technological Economics, 2015, 32(3): 3-21.]

[53]
史丹, 李少林. 排污权交易制度与能源利用效率: 对地级及以上城市的测度与实证. 中国工业经济, 2020, (9): 5-23.

[ SHI D, LI S L. Emissions trading system and energy use efficiency: Measurements and empirical evidence for cities at and above the prefecture level. China Industrial Economics, 2020, (9): 5-23.]

[54]
张优智, 刘寅可, 赵璟. 碳排放权交易试点政策能否促进绿色经济增长. 西安石油大学学报: 社会科学版, 2023, 32(2): 1-10.

[ ZHANG Y Z, LIU Y K, ZHAO J. Can the pilot policy of carbon emissions trading promote green economic growth?. Journal of Xi'an Shiyou University: Social Science Edition, 2023, 32(2): 1-10.]

[55]
张维. 对碳市场发展具有里程碑意义. 法治日报, 2024-02-07(002).

[ ZHANG W. It is a milestone for the development of the carbon market. Legal Daily, 2024-02-07(002).]

[56]
刘志华, 徐军委, 张彩虹. 科技创新、产业结构升级与碳排放效率: 基于省际面板数据的PVAR分析. 自然资源学报, 2022, 37(2): 508-520.

DOI

[ LIU Z H, XU J W, ZHANG C H. Technological innovation, industrial structure upgrading and carbon emissions efficiency: An analysis based on PVAR model of panel data at provincial level. Journal of Natural Resources, 2022, 37(2): 508-520.]

DOI

Options
文章导航

/

〈 〉