ＪｏｕｒｎａｌｏｆＪｉｎｇｃｈｕＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ
２０１９年４月Ａｐｒ.２０１９
碳排放权交易政策对环境效率影响的实证研究
马晓伟ꎬ余华银
(安徽财经大学统计与应用数学学院ꎬ安徽蚌埠 ２３３０３０)
摘要:为促进碳减排ꎬ发展绿色经济、低碳经济ꎬ中国于２０１１年批准开展碳交易试点工作ꎮ为探究碳排放权交易政策对环境效率的影响及作用机制ꎬ利用中国３０个省份面板数据ꎬ基于双重差分法展开分析ꎮ研究发现碳排放权交易政策能够显著有效提升环境效率水平ꎻ该政策对环境效率存在持续的正向影响ꎬ且存在着累积效应ꎻ其通过调整能源消费结构、产业结构提高环境效率水平ꎮ该政策不会对科研水平产生显著影响ꎬ但是科研水平依然对环境效率具有显著的提升作用ꎮ因此ꎬ中国政府有必要进一步探索跨省市碳排放权交易市场ꎬ稳步推进建设全国碳排放权交易平台ꎬ加大科研创新研发投入ꎬ通过调整产业结构、能源消费结构等ꎬ提升环境效率水平ꎬ促进绿色发展ꎮ
关键词:碳排放权ꎻ环境效率ꎻ双重差分ꎻ影响机制
中图分类号:Ｆ１２３.９ꎻＸ－０１ꎻＸ１９６ 文献标志码:Ａ 文章编号:１００８－４６５７(２０１９)０２－００８８－０９
０ 引言
评估报告ꎬ近百年来全球气候变暖ꎬ而其元凶主要是化石燃料燃烧以及工业生产所产生的温室气体[１]ꎮ为应对全球变暖的局面ꎬ世界各国都在积极探索有效的规制ꎬ其中主要有命令控制型和市场激励型两种方式ꎮ以市场激励为主的环境经济措施备受推崇ꎬ因为该种方式具有鼓励创新、产生新技术、促进污染物减排等诸多优点ꎮ世界银行统计数据显示ꎬ中国是世界上最大的能源消费国ꎬ其每年排放的二氧化硫量和二氧化碳量不容忽视[２]ꎮ因此ꎬ中国在治理全球大气污染的进程中发挥着举足轻重的作用ꎮ
在中国ꎬ执行力较高、效果较好的经济措施主要有碳税和排污权交易政策ꎮ不过ꎬ碳税运行成本比根据联合国政府间气候变化专门委员会(ＩｎｔｅｒｇｏｖｅｒｎｍｅｎｔａｌＰａｎｅｌｏｎＣｌｉｍａｔｅＣｈａｎｇｅꎬＩＰＣＣ)第五次
较高ꎬ且信息不对等ꎮ相比较而言ꎬ排污权交易机制无需提前了解企业生产成本、排污成本、产出需求等信息ꎬ而是将环境资源商品化ꎬ根据环境容量确定污染物排放总额ꎬ制定权证数量ꎬ让其在市场上自由流通ꎬ允许这种权利像商品那样被买卖ꎬ内部各污染源之间通过货币交换的方式相互调剂排污量ꎬ从而达到控制或减少排污量、保护环境的目的[３]ꎮ事实上ꎬ从上世纪９０年代开始ꎬ中国便逐渐探索运用排污权交易机制治理大气污染的相关问题ꎮ２００２年ꎬ二氧化硫排污权交易试点政策开始在中国实行ꎬ至今已有十多年的时间ꎮ与二氧化硫排污权交易政策相比ꎬ碳排放权交易试点工作起步较晚ꎬ２０１１年１０月ꎬ为了实现碳减排目标ꎬ促进环境发展ꎬ国家发展和改革委员会印发«关于开展碳排放权交易试点工作的通知»ꎬ批准北京市、上海市、天津市、重庆市、湖北省、广东省和深圳市开展碳排放权交易(简称“碳交１２月ꎬ国家发改委发布«全国碳排放权交易市场建设方案(发电行业)»ꎬ标志着全国碳市场正式启动[５]ꎮ可见ꎬ运用市场交易机制已成为中国政府治理大气污染的重要途径ꎮ那么ꎬ排污权交易机制能
收稿日期:２０１９－０３－３０
基金项目:安徽省软科学研究规划项目(１２０２０５０３０３２)
作者简介:马晓伟(１９９３－)ꎬ女ꎬ安徽淮北人ꎬ安徽财经大学硕士研究生ꎮ研究方向:经济统计ꎮ
余华银(１９６２－)ꎬ男ꎬ安徽全椒人ꎬ安徽财经大学教授ꎮ研究方向:金融统计、宏观经济统计ꎮ
易”)试点工作ꎮ不过碳交易试点工作的正式启动时间是２０１３年下半年至２０１４年上半年[４]ꎮ２０１７年
８８
否提高环境效率ꎬ改善环境状态?排污权交易政策通过何种机制影响环境效率?各机制作用如何?显然ꎬ以上问题的回答更有助于人们客观了解市场化交易机制与环境水平之间的关系ꎬ从而为决策者提供建议ꎮ
对于近几年提出的二氧化碳政策ꎬ相关研究比较少ꎬ多数学者基于一般均衡方法进行分析[６－８]ꎮ不
过ꎬ一般均衡方法具有一定的局限性ꎬ参数的选择会对模型的模拟结果产生一定的影响ꎮ另有部分学者采用双重差分法对碳排放权交易政策的减排效应进行实证分析[９]ꎮ相比较而言ꎬ双重差分法能够有效评估碳交易的实际减排效应ꎬ减少估计偏差ꎬ因此ꎬ本文考虑利用中国３０个省份数据(受指标数据可得性限制ꎬ本文不考虑中国港澳台及西藏地区)ꎬ采用双重差分法探究碳交易政策对环境效率产生的影响及其作用机制ꎮ
１ 计量模型构建
１.１ 双重差分模型
本研究可以看作是一次自然实验ꎮ将研究对象划分为干预组和控制组ꎬ即北京市、天津市、上海市、
重庆市、湖北省、广东省六个试点省(市)作为干预组ꎬ其余省份作为控制组ꎮ由于中国碳排放权交易政策的实际执行时间是２０１３年后期至２０１４年上半年ꎮ因此ꎬ本文将２０１４年作为政策执行年ꎬ即２０１４年以前是非试点时期ꎬ２０１４起(包括２０１４年)是试点时期ꎮ计量模型如公式(１)所示ꎮ
ＧＥｉｔ＝α０＋α１ｐｏｌｉｃｙｉ＋α２ｙｅａｒｉ＋α３(ｐｏｌｉｃｙｉｙｅａｒｉ)＋εｉｔ
(１)
在公式(１)中ꎬｉ代表地区ꎬｔ代表时间ꎬＧＥ代表环境效率ꎮｐｏｌｉｃｙｉ、ｙｅａｒｉ分别表示地区虚拟变量和时间虚拟变量ꎮ当ｐｏｌｉｃｙｉ＝１时ꎬ表示地区ｉ实施碳排放权交易政策ꎬ当ｐｏｌｉｃｙｉ＝０时ꎬ表示地区ｉ未实施碳排放权交易政策ꎮ当ｙｅａｒｉ＝１时ꎬ表示时间ｔ实施碳排放权交易政策ꎬ当ｙｅａｒｉ＝０时ꎬ表示时间ｔ未实施碳排放权交易政策ꎮεｉｔ为随机扰动项ꎮ
由于模型(１)可能存在遗漏变量等问题ꎬ因此ꎬ为增加模型的可信度ꎬ本文在模型(１)的基础上增加控制变量ꎬ以加强模型的解释能力ꎬ具体公式如(２)所示ꎮ
其中ꎬｘｊ表示第ｊ个控制变量ꎬ其余变量含义与公式(１)一致ꎮ
ＧＥｉｔ＝α０＋α１ｐｏｌｉｃｙｉ＋α２ｙｅａｒｉ＋α３(ｐｏｌｉｃｙｉｙｅａｒｉ)＋
∑αｊｘｊｉｔ
＋εｉｔ
(２)
１.２ 变量选取与数据来源１.２.１ 被解释变量
ＤＥＡ模型ꎬ测度中国省域环境效率水平ꎮ其中ꎬ投入指标包括资本投入、劳动力投入、能源投入ꎻ产出指标包括期望产出、非期望产出ꎮ鉴于指标数据的可获得性、全面性等ꎬ在选取资本投入指标时ꎬ运用单豪杰方法ꎬ以２０００年为基期ꎬ计算中国资本存量(单位:亿元)来衡量资本投入水平ꎻ劳动力指标采用年末从业人数(单位:万人)进行衡量ꎻ能源投入采用能源消费总量(单位:万吨标准煤)进行衡量ꎻ期望产出采用实际ＧＤＰ(以２０００年为基期计算得出ꎬ单位:亿元)进行衡量ꎻ非期望产出采用二氧化碳排放量(单位:万吨)进行衡量ꎮ计算方法采用２００６年联合国政府间气候变化专门委员会(ＩＰＣＣ)提供的方法ꎮ环境效率值越大ꎬ表明中国各省域环境效率水平越高ꎻ反之ꎬ则越低ꎮ中国各省环境效率水平如表１所示ꎮ
表１ ２０００~２０１６年中国各省份环境效率表
地区北京天津河北辽宁上海江苏
２００００.７６３０.６４８０.４３８１.０１７１.０２８０.６４１
２００１０.６６５０.６２００.４２１０.６０３０.９７４０.６０８
２００２０.６２４０.６０２０.４０５０.５９８０.８５２０.６０６
２００３０.６１４０.５９４０.３９６０.５８３０.８２６０.５５７
２００４０.５９１０.５８７０.３７９０.５３３０.７８００.５３０
２００５０.５９２０.５８４０.３６９０.５１００.７６００.４９２
２００６０.５９９０.５８５０.３６１０.４９４０.７９８０.４９１
２００７０.６２８０.５７９０.３５３０.４７６１.０１２０.５００
２００８０.６６９０.５８６０.３５４０.４７９０.６７５０.５６７
２００９０.７０８０.５８８０.３３５０.４２８０.７３９０.５４０
２０１００.７３３１.０４７０.３３２０.４３００.７６１０.５５９
２０１１０.７８１０.５８９０.３２９０.４３２０.８２８０.５８０
２０１２０.７９４０.５９７０.３２９０.４３４１.００７０.６１４
２０１３０.８５５０.６０８０.３３１０.４５００.８４８０.６５８
２０１４０.８９００.６５８０.３３６０.４５３１.００１０.７０９
２０１５０.９３５０.７７３０.３４７０.４７６１.００９０.７７４
２０１６１.０７６１.００９０.３６３０.４７１１.０３３１.０３６
均值０.７３６０.６６２０.３６３０.５２１０.８７８０.６１５
排名３６２６１０２７
环境效率(ＧＥ)ꎮ本文在借鉴相关文献[１０－１２]的基础上ꎬ选取投入指标、产出指标ꎬ构建超效率ＳＢＭ－
８９
续表１
地区浙江福建山东广东海南
２００００.６２８０.５５６０.５３３１.０３７１.１３７
２００１０.５８００.５５６０.５１１０.９５８０.９７００.６７９０.３８７０.５２５０.５７４０.４５４０.５７９０.４７４０.４０６０.５９５０.４９９０.４９４０.５５９０.４５１０.４４２０.２５１０.４６４０.４１３０.４１８０.８６３０.８０８０.４３７０.５０９０.５６９
２００２０.５４１０.５２１０.４４９０.９０７０.８１４０.６２９０.３８１０.４８９０.５７４０.４４４０.５０１０.４５１０.４１８０.５３８０.４７４０.４７６０.５２４０.４６８０.４１３０.２４６０.４２１０.３９２０.３９８０.８４２０.７０８０.４１７０.４８２０.５３４
２００３０.５２１０.５０００.４３５０.８５５０.７４７０.６０２０.３７５０.４６２０.５６４０.４３１０.４６００.４２００.４０３０.４９８０.４５１０.４５２０.４７８０.４６２０.３８５０.２３１０.３９９０.３７７０.３８４０.７７７０.５５６０.３９７０.４４５０.５０５
２００４０.４９６０.４４９０.４２３０.９３５０.７６４０.５８８０.３７６０.４６００.５５５０.４４６０.４４５０.４０３０.３９００.４５００.４４１０.４１４０.４４３０.４３６０.３７９０.２３１０.３９８０.３６５０.３７４０.７３７０.４８６０.３７９０.４２２０.４８８
２００５０.４６７０.４２７０.３９７０.９２９０.７４３０.５７００.３６００.４４５０.５４３０.４２００.４３５０.３９２０.３７２０.４１３０.４２２０.３８４０.４２７０.３９６０.３８３０.２５００.３５２０.３５００.３６８０.７２７０.４９５０.３６２０.４０９０.４７１
２００６０.４６９０.４１８０.３８８０.７８４０.７３５０.５５７０.３３６０.４０９０.５３４０.４１９０.４２４０.３８１０.３６１０.４１００.４０９０.３６５０.４１６０.３９１０.３８７０.２５１０.３４５０.３３９０.３６２０.６５８０.４５７０.３５３０.３９３０.４５７
２００７０.４７１０.４１２０.３８９１.００５０.７２４０.５９５０.３３４０.３８８０.５４９０.４１８０.４２００.３６００.３７６０.４１７０.４０８０.３５５０.４０９０.３９９０.３９３０.２６２０.３３６０.３３８０.３６２１.０１１０.４５００.３５３０.４２４０.４８３
２００８０.５２３０.４３８０.４３１１.２５２０.５８６０.５９６０.３１６０.３７３０.５３４０.４２６０.３８２０.３７２０.３７５０.３９８０.３９７０.３５５１.０３３０.３６９０.４０２０.２６６０.３３８０.３５８０.４０４０.４７１０.４５００.３５４０.４３６０.４８５
２００９０.４９５０.４０４０.４１１０.７７５０.６８７０.５５５０.２９４０.３７４０.５０５０.４０７０.４３４０.３３３０.３８２０.４１２０.３９３０.３４６０.３７９０.４０５０.３８６０.２６４０.３３４０.３３５０.３４７０.８４９０.４０１０.３５２０.４０００.４５５
２０１００.５０８０.４１００.４２２１.００２０.７０６０.６２８０.２８６０.３７３０.４９３０.４１１０.４３６０.３２２０.３７００.４０７０.３８７０.３４１０.３５３０.４１７０.３９３０.２６８０.３２２０.３２９０.３３９０.６３８０.４０４０.３４８０.３７８０.４７２
２０１１０.５１５０.４０１０.４３６１.００４０.６５６０.５９５０.２８２０.３７６０.４８２０.４１３０.４４００.３１８０.３６９０.４０２０.３８５０.３３５０.３３９０.４２７０.４０９０.２７００.３１４０.３３２０.３３７０.６１００.３７５０.３３７０.３７１０.４５７
２０１２０.５４８０.４１３０.４５２１.００１０.６３９０.６２１０.２７９０.３９１０.４７２０.４１４０.４５６０.３２３０.３７４０.４０９０.３９００.３３２０.３４１０.４４９０.４１６０.２６８０.３１２０.３３５０.３４１０.６０２０.３７３０.３２００.３７２０.４６８
２０１３０.５８３０.４３９０.５０４１.００５０.５８９０.６２５０.２７７０.４１２０.４７４０.４１７０.４６５０.３３９０.４１１０.４４１０.４０５０.３３３０.３６００.４５３０.４３８０.２７３０.３２６０.３４９０.３３９０.６２３０.３６８０.３０１０.３７８０.４７６
２０１４０.６２９０.４４００.５２９０.９６６０.６１８０.６５７０.２７３０.４２３０.４７９０.４２４０.４７２０.３５００.４２３０.４５６０.４１２０.３３２０.３７００.５２７０.４４９０.２７１０.３２５０.３５５０.３４２０.５９００.３６００.２９００.３８３０.４９１
２０１５０.６６９０.４６００.５５１１.００３０.５７２０.６８８０.２７００.４４６０.４８５０.４３４０.４８２０.３７１０.４４２０.４７１０.４２５０.３４３０.３９００.５５９０.４７２０.２７１０.３４４０.３６３０.３４６０.５６９０.３５１０.２８２０.３９００.５０９
２０１６０.７１３０.４９３０.５８２１.０４８０.６３９０.７６９０.２７００.４７１０.４９７０.４４４０.４９５０.３９７０.４５８０.４８７０.４４００.３５５０.３９５０.６０８０.５０２０.２７１０.３５１０.３７５０.３５３０.５７００.３４７０.２７６０.４０００.５４６
均值０.５５００.４５５０.４６１０.９６９０.７２５０.６３１０.３２４０.４３３０.５２３０.４２９０.４６６０.３８２０.３９７０.４６２０.４２７０.４１３０.４５８０.４５４０.４１９０.２６００.３６４０.３６２０.４０１０.７１７０.４９６０.３５４０.４２７０.５０２
排名８１６１４１４(１)２９１８９１９１２２４２３１３(３)２１１５１７２０３０２５２７２２５１１２８(２)
东部均值０.７６６山西吉林黑龙江安徽江西河南湖北湖南
０.４０６０.５４５０.５８００.４７１０.５９４０.４９１０.４１６０.６４６
中部均值０.５１９内蒙古广西重庆四川贵州云南陕西甘肃青海宁夏新疆
１.００８０.５７８０.４９２０.４７３０.２６９０.５１２０.４４２１.００１１.０４６１.０３４０.４５８
西部均值０.６６５全国均值０.６６３
注:表格中结果运用ＭａｘＤＥＡ７.８整理得出ꎮ
由表１可知ꎬ中国各区域、各省份环境效率水平存在一定的差异性ꎮ整体而言ꎬ东部地区环境效率
水平较优ꎬ长年高于全国平均水平ꎬ稳居第一ꎮ其中ꎬ广东省位列全国第一ꎬ该省无论经济发展水平还是环境污染治理水平ꎬ均值得其他省份借鉴学习ꎮ中部地区、西部地区环境效率水平较差ꎬ长年低于全国平均水平ꎬ进步空间较大ꎮ尤其是贵州省ꎬ环境效率水平长年倒数第一ꎬ该省份有必要采取有力措施提高经济水平以及环境污染治理能力ꎮ中国三大区域与全国环境效率水平发展状态相似ꎬ呈现出先下降后上升的趋势ꎬ然而各省份效率水平各不相同ꎬ发展趋势也有所差异ꎬ碳排放权交易政策对试点区域环１.２.２ 控制变量９０
境效率有何影响ꎬ其作用机制如何尚有待检验ꎮ
在借鉴已有研究[４]ꎬ[１３－１８]的基础上ꎬ考虑指标数据的可得性ꎬ本文选取以下指标作为控制变量ꎮ①
产业结构(ｓｔｒ)ꎬ以地区第二产业产值与地区生产总值之比表示ꎬ②能源消费结构(ｅｓ)ꎬ鉴于煤炭是中国
碳排放的主要来源ꎬ本文以煤炭消费量与能源消费总量之比表示能源消费结构ꎮ③科研水平(ｒｃｇ)ꎬ以技术合同成交额与地区生产总值之比表示ꎮ④经济发展(ｌｎｇｄｐ)ꎬ用人均实际ＧＤＰ的对数表示ꎬ以消除异方差带来的不利影响ꎮ⑤外贸程度(ｌｎｊｃｋ)ꎬ用地区进出口总额(单位:亿元人民币)的对数表示ꎮ⑥治污投入(ｌｎｇｙｚｌ)ꎬ用工业污染治理投资总额(单位:万元)的对数表示ꎮ国能源统计年鉴»«中国劳动统计年鉴»中经网统计数据库等ꎮ
本研究时间跨度为２０００~２０１６年ꎬ各基础数据来源于国家统计局、相应年份的«中国统计年鉴»«中
２ 实证结果分析
２.１ 双重差分回归结果分析
模型(１)作为基准模型ꎬ未加入任何控制变量ꎮ模型(２)到模型(７)依次逐步加入控制变量产业结
构、能源消费结构、科研水平、经济发展、外贸程度、治污投入ꎮ从模型(１)到模型(７)依次加入控制变量ꎬ碳排放权交易政策对环境效率的影响如表２所示ꎮ
表２ 碳排放权交易政策对环境效率的影响表
变量ｐｏｌｉｃｙｙｅａｒ
ｙｅａｒｐｏｌｉｃｙｓｔｒｅｓｒｃｇｌｎｇｄｐｌｎｊｃｋｌｎｇｙｚｌＣＮ
０.４５９∗∗∗(０.０２３４)５１０３０
０.８６２∗∗∗(０.０９９４)５１０３０
０.９６９∗∗∗(０.０９１６)５１０３０
０.９５４∗∗∗(０.０９５３)５１０３０
１.２７４∗∗∗(０.１５２)５１０３０
１.４５３∗∗∗(０.１４０)５１０３０
(１)０.１５９∗∗∗(０.０３９０)(０.０２０２)(０.０８９０)－０.０１５１ＧＥ
(２)０.１３２∗∗∗(０.０３４７)(０.０２１３)(０.０９３５)(０.１９２)０.１７６∗－０.０３２０ＧＥ
(３)０.１０５∗∗∗(０.０３０７)(０.０１９６)(０.０８９０)(０.１６３)０.１３１－０.０２９０ＧＥ
(４)０.０９５５∗∗∗(０.０２９４)(０.０１９４)(０.０９３９)(０.１６８)０.１１１－０.０３１０ＧＥ
(５)０.０９８８∗∗∗(０.０２９０)(０.０１４６)(０.１０１)(０.１８３)０.１４３０.０１４８ＧＥ
(６)０.０９９５∗∗∗(０.０２８８)(０.０１４８)(０.０８２２)(０.１８４)０.０９３９０.０１７４ＧＥ
(７)０.１０５∗∗∗(０.０２９７)(０.０１３８)(０.０６６７)(０.１８１)０.０３８７０.０２２４ＧＥ
０.１９８∗∗
－０.８６２∗∗∗－０.７６３∗∗∗－０.２１１∗∗∗(０.０５９７)
－０.７４５∗∗∗－０.２０７∗∗∗(０.０５８５)(０.６６８)０.９１６
－０.４８０∗∗∗－０.２１３∗∗∗(０.０４９８)(０.６９１)１.３１９∗
－０.４８４∗∗∗－０.２０８∗∗∗(０.０４９８)(０.６７２)１.３１４∗
－０.４４２∗∗－０.１８８∗∗∗(０.０５６２)(０.６９８)１.１４９∗
－０.０４６５∗∗∗(０.０１８０)
－０.０９５９∗∗∗(０.０３１５)(０.０３０５)０.０４６５
０.０７７７∗∗∗－０.０８４２∗∗１.７４５∗∗∗(０.１９２)５１０３０(０.０３６１)(０.０２４１)
(０.０３５５)
－０.０４７３
ｉｄ
注:∗∗∗、∗∗、∗分别表示在１％、５％、１０％水平上显著ꎬ括号内为稳健标准误ꎮ下同ꎮ
在表２中ꎬ核心解释变量ｐｏｌｉｃｙｙｅａｒ的系数符号和显著性水平并未发生任何变化ꎬ任何控制变量
的系数符号均未发生任何变化ꎮ在逐渐增加控制变量的过程中ꎬ各控制变量的显著性基本通过了检验ꎬ说明模型的估计结果比较稳健ꎮ
首先观察核心解释变量ｐｏｌｉｃｙｙｅａｒꎬ该变量的回归系数为正ꎬ且通过了１％的显著性检验ꎬ说明碳０.１０５ꎮ
排放权交易政策能够有效提升环境效率水平ꎬ试点地区在实施该项政策后环境效率水平平均提高
观察控制变量可知ꎬ产业结构、能源消费结构、治污投入分别在５％、１％、５％的显著性水平下为负ꎮ
９１
这说明ꎬ第一ꎬ就产业结构而言ꎬ我国经济发展仍然以第二产业为主ꎬ表现出粗放型的经济发展模式ꎻ第
二产业污染性较高ꎬ第二产业占比越大ꎬ创造相同的国内生产总值时对环境造成的污染越严重ꎬ从而环境效率越低ꎮ第二ꎬ就能源消费结构而言ꎬ煤炭消费量占比越高ꎬ产生的温室气体等越高ꎬ导致环境效率低下ꎬ符合客观事实ꎮ第三ꎬ就治污投入而言ꎬ该变量系数显著为负ꎬ表面上看与客观事实不符ꎬ但一般而言ꎬ一个地区环境污染水平越高ꎬ治污投入越大ꎮ经济发展水平系数为负ꎬ且没有通过显著性检验ꎬ说明在一定程度上ꎬ经济发展抑制环境效率的提高ꎬ相关部门有必要改进措施ꎬ实现经济、环境双赢目标ꎮ科研水平、外贸程度分别在１０％、１％的显著性水平下为正ꎬ说明通过加大研发强度ꎬ提升科学技术ꎬ引进２.２ 稳健性检验
国外先进水平ꎬ能够有效提升环境效益ꎮ
首先ꎬ本文随机选取１２个非试点区作为处理组ꎬ构造一个假的碳排放权交易机制政策试点虚拟变
量ꎬ并进行相同回归ꎬ若结果表明假的政策试点虚拟变量能够显著影响环境效率水平ꎬ表明双重差分计量模型及估计结果有待商榷ꎻ反之ꎬ则可信ꎮ其次ꎬ由于在“十二五”期间ꎬ中国进一步推进节能减排工作ꎬ无论是国家发展还是战略层面的要求都有所提高ꎬ因此ꎬ未排除试点区环境效率可能因“十二五”相关政策而显著提高ꎬ本文选取２０１１~２０１５年数据进行回归分析ꎮ稳健性检验结果如表３所示ꎮ
表３ 稳健性检验表
反事实检验
变量ｐｏｌｉｃｙｙｅａｒ
ＣｉｄＮ
ＧＥ(０.０２０５)(０.２１６)５１０３０－０.００５７３
∗∗∗
(１)
扣除十二五影响
ＧＥ０.０５４１∗∗０.４１１∗∗∗(０.０２１４)１５０３０(０.０２１７)
(２)
１.５９５
由表３可知ꎬ核心解释变量并不显著ꎬ因此ꎬ本文结果是值得信赖的ꎻ政策效应依然显著为正ꎬ说明２.３ 平行趋势与动态效应分析
碳排放权交易政策能够有效提升环境效率水平ꎮ
双重差分模型需要满足平行趋势假设ꎬ即在碳排放权交易机制实施之前ꎬ干预组和控制组的环境效
率具有相同的变动趋势ꎮ换言之ꎬ在政策实施之前ꎬ干预组和控制组的环境效率不应该具有显著性差异ꎮ同时ꎬ为了分析碳排放权交易政策随着时间的推移而产生的动态效应ꎬ本文进行动态效应检验ꎬ二者结果如表４所示ꎮ
表４ 平行趋势和动态效应表
变量ｐｏｌｉｃｙｙｅａｒｏ.ｔｒｅａｔｅｄｒｉꎬ２０００ｒｉꎬ２００１ｒｉꎬ２００２ｒｉꎬ２００３
平行趋势(０.０４１７)
－－０.０９００∗(０.０５３９)(０.０５３３)(０.０５３４)(０.０５２５)－０.０５１９－０.０４１４－０.０４８１０.０７７４∗(１)
动态效应(２)
－
９２
续表４
变量ｒｉꎬ２００４ｒｉꎬ２００５ｒｉꎬ２００６ｒｉꎬ２００７ｒｉꎬ２００８ｒｉꎬ２００９ｒｉꎬ２０１０ｒｉꎬ２０１１ｒｉꎬ２０１２ｏ.ｒｉꎬ２０１３ｒｉꎬ２０１４ｒｉꎬ２０１５ｒｉꎬ２０１６ＣＲ－ｓｑｕａｒｅｄ
注:变量前有ｏ.表示该变量被省略ꎬ变量前无系数ꎮ
ｉｄＮ
(０.６２１)０.４３７３０５１００.４９１(１)
(２)
平行趋势(０.０５２１)(０.０５２１)(０.０５１５)(０.０５１４)(０.０５１３)(０.０５１３)(０.０５１２)(０.０５１２)(０.０５１０)
－０.０３４００.００９９００.０６５８－０.０６３４－０.０２９７－０.０７１６－０.００７７４－０.０４９２－０.０４７６
动态效应
０.１１８∗∗∗０.１５０∗∗∗０.２０９∗∗∗０.６６３∗∗∗(０.０１５４)０.３３４３０５１０(０.０３９９)(０.０３９９)(０.０３９９)
根据表４平行趋势结果可知ꎬ２０００年显示出显著差异ꎬ这可能和２０００年中国修订通过«中华人民
共和国大气污染防治法»有关ꎮ２００１~２０１３年ꎬ虚拟变量的回归系数均不显著ꎬ因此整体而言共同趋势假说是成立的ꎮ根据表４动态效应回归结果可知ꎬ２０１４~２０１５年虚拟变量回归系数均显著为正ꎬ且逐年增大ꎬ表明碳排放权交易机制对环境效率存在持续的正向影响ꎮ２０１４年ꎬ碳排放权交易政策使得干预组环境效率平均提高０.１１８ꎮ２０１５年、２０１６年ꎬ该政策效应逐年变得更大ꎬ使得干预组环境效率平均提２.４ 影响机制分析
高０.１５０、０.２０９ꎮ所以ꎬ在提升环境效率方面ꎬ碳排放权交易政策存在着累积效应ꎮ
根据上述分析结果可知ꎬ中国碳排放权交易政策有效提升了环境效率水平ꎮ那么该政策是如何影
响地区环境效率水平的呢?由此ꎬ本文借鉴Ｂａｒｏｎ和Ｋｅｎｎｙ的中介效应模型[１９]ꎬ通过以下四个步骤对碳排放权交易政策的中介效应进行探究ꎮ①运用双重差分模型观察交易政策对环境效率的影响ꎬ若回归结果显著为正ꎬ则说明该政策能够有效提升环境效率水平ꎻ②用碳排放权交易政策虚拟变量对中介变
９３
量进行回归ꎬ若回归系数显著ꎬ说明政策显著影响中介变量ꎻ③以环境效率为因变量ꎬ中介变量为自变量进行回归ꎬ若回归系数显著ꎬ说明中介变量显著影响环境效率水平ꎻ④若以上三个结果均成立ꎬ将碳排放权交易政策和中介变量均放入双重差分模型中ꎬ以环境效率为因变量进行回归ꎬ若回归结果显示政策虚拟变量估计系数绝对值有所下降ꎬ或显著性水平有所降低ꎬ则说明碳排放权交易政策通过影响中介变量进而影响中国环境效率水平ꎮ本文主要考察碳排放权交易政策是通过调整能源消费结构还是通过调整产业结构、亦或通过提升科研水平实现环境红利ꎬ因此ꎬ本文选取了能源消费结构(ｅｓ)、产业结构(ｓｔｒ)、２.４.１ 能源消费结构
科研水平(ｒｃｇ)作为中介变量ꎬ进行中介效应检验ꎮ
以能源结构作为中介变量ꎬ进行中介效应检验ꎬ检验结果如表５所示ꎮ
表５ 中介变量为能源结构的中介效应检验表
变量ｐｏｌｉｃｙｙｅａｒ
ｙｅａｒｐｏｌｉｃｙｅｓｌｎｇｄｐｌｎｊｃｋｌｎｇｙｚｌＣｉｄＮ
(０.０２９４)(０.０２１８)(０.０３３１)(０.２２５)５１０３０－０.０４０７
(０.０５５３)(０.０３２１)(０.０４７１)－０.０８５８(０.３４１)５１０３０－０.０５３２
(１)０.１６０ＧＥ
∗∗∗
(２)－０.１４２
ｅｓ
∗∗∗
(３)ＧＥ
(４)０.１２９∗∗∗０.０５２０∗∗∗(０.０１５１)(０.０６７２)(０.０６００)(０.０２４０)(０.０２２６)(０.０３２５)(０.２０４)５１０３００.０６７２(０.０３３６)ＧＥ
０.０５５７∗∗∗(０.０１６１)(０.０６５９)０.０８７１
(０.０３８７)
(０.０３６１)－０.０１５５(０.０１９６)(０.０４３３)
－０.０９１９∗∗
－０.２７９∗∗∗(０.０５９６)－０.０１９９(０.０２４４)(０.０２３２)(０.０２８４)(０.２０１)５１０３０
－０.２１５∗∗∗－０.０５１８∗∗０.０８５９∗∗∗－０.１０８∗∗∗１.８３１∗∗∗
０.１０３∗∗∗－０.１４２∗∗∗１.８５３∗∗∗
－０.０７９４∗∗０.１５６∗∗∗
０.０８２５∗∗∗－０.１０３∗∗∗１.５４９∗∗∗
注:表中(１)~(４)分别对应中介效应模型中步骤①~④的结果ꎮ下同ꎮ
表５基准结果核心虚拟变量ｐｏｌｉｃｙｙｅａｒ显著为正ꎬ表明碳排放权交易政策对环境效率有显著正向
影响ꎮｅｓ核心虚拟变量显著为负ꎬ表明碳排放权交易政策对能源消费结构有显著负向影响ꎬ即实施该项政策后ꎬ试点地区煤炭消费量占比显著下降ꎮ步骤②ｅｓ的回归系数显著为负ꎬ说明能源消费结构和环境效率水平存在着显著的负相关关系ꎮ在步骤④中ꎬ同时纳入核心虚拟变量ｐｏｌｉｃｙｙｅａｒ以及ｅｓꎬ发现ｐｏｌｉｃｙｙｅａｒ在１％的显著性水平下依然为正ꎬ系数绝对值有所下降ꎬ说明碳排放权交易政策通过调２.４.２ 产业结构
整能源消费结构ꎬ减少煤炭消费量占比来提升环境效率水平ꎮ
以产业结构作为中介变量ꎬ进行中介效应检验ꎬ检验结果如表６所示ꎮ
表６ 中介变量为产业结构的中介效应检验表
变量ｐｏｌｉｃｙｙｅａｒ
ｙｅａｒ
(１)０.１６０∗∗∗０.０５５７∗∗∗(０.０１６１)(０.０３８７)ＧＥ
(２)－０.０３１８∗－０.０６５１∗∗∗(０.００８８４)(０.０１８９)
ｓｔｒ
(３)ＧＥ
(４)０.１４２∗∗∗(０.０３６４)(０.０１５７)０.０１９０ＧＥ
９４
续表６
变量ｐｏｌｉｃｙｓｔｒｌｎｇｄｐｌｎｊｃｋｌｎｇｙｚｌＣｉｄＮ
(０.０２９４)(０.０２１８)(０.０３３１)(０.２２５)５１０３０－０.０４０７
(０.０２７３)０.０４６７∗∗(０.０２２３)(０.１２３)５１０３０－０.１７０(０.０１１６)－０.０１６７０.０２０８
(１)(０.０６５９)０.０８７１ＧＥ
(２)(０.０３１０)－０.０２８１ｓｔｒ
(３)ＧＥ
(４)(０.０６４９)(０.１９２)－０.０２９２０.０７１２ＧＥ
－０.７８６∗∗∗(０.０４１９)(０.０２７６)(０.０３６９)(０.２２４)５１０３０(０.１９４)－０.００９１０
－０.５６７∗∗∗(０.０３８５)(０.０２２８)(０.０３５８)(０.２０６)５１０３０
０.１０３∗∗∗－０.１４２∗∗∗１.８５３∗∗∗
０.１００∗∗∗－０.１１７∗∗∗１.６６０∗∗∗
０.０９３８∗∗∗－０.１１５∗∗∗１.７６０∗∗∗
表６显示基准结果核心虚拟变量ｐｏｌｉｃｙｙｅａｒ显著为正ꎬ与表５结果相同ꎬ表明碳排放权交易政策对环境效率有显著正向影响ꎮ步骤②的核心虚拟变量显著为负ꎬ表明碳排放权交易政策对产业结构有显著负向影响ꎬ即实施该项政策后ꎬ试点地区第二产业占比显著下降ꎮ步骤③ｓｔｒ的回归系数显著为负ꎬ说明产业结构和环境效率水平之间存在着显著的负相关关系ꎮ在步骤④中ꎬ同时纳入核心虚拟变量排放权交易政策通过调整产业结构ꎬ减少第二产业占比来提升环境效率水平ꎮ
以科研水平作为中介变量ꎬ进行中介效应检验ꎬ检验结果如表７所示ꎮ
表７ 中介变量为科研水平的中介效应检验表
变量ｐｏｌｉｃｙｙｅａｒ
ｙｅａｒｐｏｌｉｃｙｒｃｇｌｎｇｄｐｌｎｊｃｋｌｎｇｙｚｌＣｉｄＮ
(０.０２９４)(０.０２１８)(０.０３３１)(０.２２５)５１０３０－０.０４０７
(０.００４６５)(０.００２９８)(０.００４９６)(０.０１６８)５１０３００.０１６１－０.００６４６０.００２７８０.００４８３
(１)０.１６０∗∗∗０.０５５７∗∗∗(０.０１６１)(０.０６５９)０.０８７１(０.０３８７)ＧＥ
(２)(０.００８４３)０.０１６３∗∗(０.００７６０)
３.０２９
∗∗∗
ｐｏｌｉｃｙｙｅａｒ以及ｓｔｒꎬ相较于步骤①ꎬ发现ｐｏｌｉｃｙｙｅａｒ的系数绝对值有所下降ꎬ说明存在中介效应ꎬ即碳２.４.３ 科研水平
０.０１１６
ｒｃｇ
(３)ＧＥ
(４)０.１３８∗∗∗０.０５３３∗∗∗(０.０１５９)(０.０６７５)(０.６７３)－０.０５０００.０５７１(０.０３３４)ＧＥ
(０.００１５１)
０.００１４９
０.１０３∗∗∗－０.１４２
∗∗∗
０.０９２５∗∗∗－０.１２３(０.０３０３)(０.０３９５)(０.２５３)５１０３０
∗∗∗
(０.０３４５)
(０.６３５)－０.０２０５
１.８４８∗∗∗(０.０３２３)(０.０２３０)(０.０３７０)(０.２２７)５１０３０
０.０９８１∗∗∗－０.１３０∗∗∗１.８２８∗∗∗
１.８５３∗∗∗１.５０５∗∗∗
９５
遵循前文分析思路ꎬ本文发现ꎬ在表７步骤②中ꎬ核心虚拟变量回归系数并不显著ꎬ说明碳排放权政策并不会对科研水平带来显著影响ꎬ即此项中介效应不存在ꎬ碳排放权交易机制并没有通过提升科研水平而改变环境效率ꎮ但是ꎬ通过步骤③可以发现ꎬ科研技术与环境效率水平之间存在着显著的正相关关系ꎮ结合步骤④ꎬ科研水平(ｒｃｇ)的引入使得核心虚拟变量系数绝对值有所下降ꎬ说明科研水平对提升环境效率有着显著的积极影响ꎮ
３ 结论与政策性建议
通过构建双重差分模型分析碳交易政策对环境效率的影响ꎬ发现该项政策能够显著提升环境效率水平ꎬ实现环境红利ꎮ此外ꎬ对模型进行共同趋势假说及动态效应检验ꎬ发现碳排放权交易政策能够持续稳定地提升环境效率水平ꎬ且碳排放权交易政策通过调整能源消费结构、产业结构提高环境效率水平ꎻ该政策不会对科研水平产生显著影响ꎬ但是科研水平依然对环境效率具有显著的提升作用ꎮ
基于以上研究结论ꎬ提出如下建议:
首先ꎬ碳排放权交易政策作为新兴的市场型减排政策ꎬ能够有效提升环境效率水平ꎬ相关部门要逐步完善碳排放权交易市场ꎬ建设碳排放权交易平台ꎬ提高碳排放权交易效率ꎮ
其次ꎬ研究表明ꎬ科研水平能够显著提高环境效率水平ꎬ因此各地区可以考虑加大科研创新投资力度ꎬ提高绿色技术创新水平ꎬ研发清洁产品ꎬ更新环保设备ꎬ淘汰耗能高、污染严重的老旧设施ꎮ
最后ꎬ目前ꎬ中国多数省市产业结构仍以第二产业为主ꎬ对环境发展产生很大的阻碍ꎮ各省市要不断优化产业结构、能源消费结构ꎬ对新建项目要严格把关ꎬ提高“高能耗、高污染”项目的准入门槛ꎮ
参考文献:
[１]ＩＰＣＣ.ＣｏｎｔｒｉｂｕｔｉｏｎｏｆＷｏｒｋｉｎｇＧｒｏｕｐｓⅠꎬⅡａｎｄⅢｔｏｔｈｅＦｉｆｔｈＡｓｓｅｓｓｍｅｎｔＲｅｐｏｒｔｏｆｔｈｅＩｎｔｅｒｇｏｖｅｒｎｍｅｎｔａｌＰａｎｅｌｏｎＣｌｉ￣[２]ＷｏｒｌｄＢａｎｋａｎｄｔｈｅＤｅｖｅｌｏｐｍｅｎｔＲｅｓｅａｒｃｈＣｅｎｔｅｒｏｆｔｈｅＳｔａｔｅＣｏｕｎｃｉｌꎬＰ.Ｒ.Ｃｈｉｎａ.Ｃｈｉｎａ２０３０:ＢｕｉｌｄｉｎｇａＭｏｄｅｒｎꎬＨａｒｍｏｎｉ￣[３]闫文娟ꎬ郭树龙.中国二氧化硫排污权交易会减弱污染排放强度吗?———基于双倍差分法的经验研究[Ｊ].上海经济[４]黄向岚ꎬ张训常ꎬ刘晔.我国碳交易政策实现环境红利了吗?[Ｊ].经济评论ꎬ２０１８(６):８６－９９.[６]万敏.碳税与碳交易政策对电力行业影响的实证分析[Ｄ].南昌:江西财经大学ꎬ２０１２.
(７):８２－９０.
研究ꎬ２０１２ꎬ２４(６):７６－８３.
[５]傅京燕ꎬ司秀梅ꎬ曹翔.排污权交易机制对绿色发展的影响[Ｊ].中国人口资源与环境ꎬ２０１８ꎬ２８(８):１２－２１.[７]石敏俊ꎬ袁永娜ꎬ周晟吕ꎬ等.碳减排政策:碳税、碳交易还是两者兼之?[Ｊ].管理科学学报ꎬ２０１３ꎬ１６(９):９－１９.[８]孙睿ꎬ况丹ꎬ常冬勤.碳交易的“能源－经济－环境”影响及碳价合理区间测算[Ｊ].中国人口资源与环境ꎬ２０１４ꎬ２４[９]沈洪涛ꎬ黄楠ꎬ刘浪.碳排放权交易的微观效果及机制研究[Ｊ].厦门大学学报(哲学社会科学版)ꎬ２０１７(１):１３－２２.[１０]王兵ꎬ吴延瑞ꎬ颜鹏飞.中国区域环境效率与环境全要素生产率增长[Ｊ].经济研究ꎬ２０１０ꎬ４５(５):９５－１０９.[１１]孙欣ꎬ赵鑫.长江经济带生态全要素生产率评价及协调性分析[Ｊ].湖州师范学院学报ꎬ２０１６ꎬ３８(７):１－９.
口资源与环境ꎬ２０１５ꎬ２５(１２):２５－３４.
[１２]黄永春ꎬ石秋平.中国区域环境效率与环境全要素的研究———基于包含Ｒ＆Ｄ投入的ＳＢＭ模型的分析[Ｊ].中国人[１３]周源ꎬ张晓东ꎬ赵云ꎬ等.绿色治理规制下的产业发展与环境绩效[Ｊ].中国人口资源与环境ꎬ２０１８ꎬ２８(９):８２－９２.[１５]李健ꎬ周慧.中国碳排放强度与产业结构的关联分析[Ｊ].中国人口资源与环境ꎬ２０１２ꎬ２２(１):７－１４.[１７]陈诗一.能源消耗、二氧化碳排放与中国工业的可持续发展[Ｊ].经济研究ꎬ２００９ꎬ４４(４):４１－５５.[１８]魏巍贤ꎬ杨芳.技术进步对中国二氧化碳排放的影响[Ｊ].统计研究ꎬ２０１０ꎬ２７(７):３６－４４.
[１９]ＢａｒｏｎＲＭꎬＫｅｎｎｙＤＡ.ＴｈｅＭｏｄｅｒａｔｏｒ–ｍｅｄｉａｔｏｒＶａｒｉａｂｌｅＤｉｓｔｉｎｃｔｉｏｎｉｎＳｏｃｉａｌＰｓｙｃｈｏｌｏｇｉｃａｌＲｅｓｅａｒｃｈ:ＣｏｎｃｅｐｔｕａｌꎬＳｔｒａ￣
ｔｅｇｉｃꎬａｎｄＳｔａｔｉｓｔｉｃａｌＣｏｎｓｉｄｅｒａｔｉｏｎｓ[Ｊ].ＪｏｕｒｎａｌｏｆＰｅｒｓｏｎａｌｉｔｙａｎｄＳｏｃｉａｌＰｓｙｃｈｏｌｏｇｙꎬ１９８６ꎬ５１(６):１１７３－１１８２.５４.
[１４]黄志平.碳排放权交易有利于碳减排吗?———基于双重差分法的研究[Ｊ].干旱区资源与环境ꎬ２０１８ꎬ３２(９):３２－３６.[１６]王群伟ꎬ周鹏ꎬ周德群.我国二氧化碳排放绩效的动态变化、区域差异及影响因素[Ｊ].中国工业经济ꎬ２０１０(１):４５－
ｏｕｓａｎｄＣｒｅａｔｉｖｅＳｏｃｉｅｔｙ[Ｍ].ＷａｓｈｉｎｇｔｏｎꎬＤ.Ｃ.:ＷｏｒｌｄＢａｎｋꎬ２０１３.
ｍａｔｅＣｈａｎｇｅ[Ｒ]//ＣｌｉｍａｔｅＣｈａｎｇｅ２０１４:ＳｙｎｔｈｅｓｉｓＲｅｐｏｒｔ.Ｇｅｎｅｖａ:ＩＰＣＣꎬ２０１４:４０－４１ꎬ４５－４６.
９６
[责任编辑:许立群]
因篇幅问题不能全部显示，请点此查看更多更全内容