劉傳明 孫喆 張瑾

摘要碳排放權交易是將二氧化碳排放權賦予商品屬性，允許其在市場上交易的行為，通過市場機制達到減少二氧化碳排放的目的，碳排放權交易已經(jīng)成為減少二氧化碳排放的重要途徑。中國于2013年啟動上海、北京、廣東、深圳、天津、湖北、重慶等七省市的碳排放交易權試點。為了對碳排放權交易試點的碳減排效應進行研究，本文基于1995—2016年中國省際面板數(shù)據(jù)采用合成控制法對碳交易試點的減排效果進行考察，并將合成控制法與雙重差分方法相結合對碳交易試點的減排效應進行穩(wěn)健性檢驗。研究發(fā)現(xiàn)：①碳排放權交易試點的實施降低了二氧化碳排放，但是由于各試點在經(jīng)濟發(fā)展、產(chǎn)業(yè)結構等方面存在差異，導致各試點省份的碳減排效果存在異質性，合成控制法的分析結果表明廣東、天津、湖北、重慶等試點省市的碳減排效果較為明顯。②合成控制-雙重差分法的分析結果表明碳排放權交易政策的回歸系數(shù)顯著為負且通過了顯著性水平檢驗，這意味著碳排放權交易政策顯著減少二氧化碳排放的結論較為穩(wěn)健。③碳排放權交易政策對于碳排放權的出售方而言通過市場收益誘導效應、技術創(chuàng)新激勵效應、政府支持效應等效應實現(xiàn)碳減排;對于碳排放權的購買方而言則通過企業(yè)成本壓力效應、工藝革新動力效應、市場引導效應等效應實現(xiàn)碳減排。④根據(jù)以上研究結論，本文提出以下政策建議：各試點省市在制定減排政策時不能采取一刀切，應因地制宜的進行碳交易試點的建設，從而實現(xiàn)碳減排目標、促進經(jīng)濟的綠色發(fā)展。

關鍵詞碳排放權交易;碳減排;合成控制法;作用機制

中圖分類號 F062.1

文獻標識碼A文章編號1002-2104（2019）11-0049-10DOI：10.12062/cpre.20190619

新制度經(jīng)濟學認為在交易費用不為零的情況下，可以將界定的產(chǎn)權在自由市場上交換和買賣，由于產(chǎn)權是明晰的，市場上的行為個體為了降低交易費用，將資源通過市場手段配置到產(chǎn)出最大成本最低的地方[1-2]，正是市場機制、競爭機制、成本收益機制的引入，內(nèi)化了公共產(chǎn)品產(chǎn)生的負外部效應，從而避免了公地悲劇的發(fā)生[3]，新制度經(jīng)濟學的產(chǎn)權理論對全球變暖問題的解決具有重要指導價值。目前全球變暖已成為威脅人類可持續(xù)發(fā)展的世界性環(huán)境問題，受到世界各國的高度重視，2013年政府間氣候變化專門委員會第五次評估報告預測在21世紀期間全球地表溫度在最低排放情景下可能進一步升高0.3至1.7℃。為了解決全球變暖問題，福利經(jīng)濟學家庇古提出可以通過征收庇古稅、排污收費、轉讓排污許可證等手段來解決外部性問題，這些手段雖然可以使部分外部效應內(nèi)部化，但是并不能徹底解決公地悲劇問題。Dales[4]提出的排污權交易則是在排污總量不超過許可排污量的前提下，采用市場交易手段對排污權進行交易以實現(xiàn)減排的目的。因此，碳排放交易權成為應對全球氣候變暖的市場機制和關鍵工具[5]。2011年國家發(fā)改委發(fā)布了《關于開展碳排放權交易試點工作的通知》批準上海、北京、廣東、深圳、天津、湖北、重慶等七省市開展碳排放交易權試點，并于2013年正式啟動碳交易試點。那么我們面臨的問題是：碳交易試點的實施是否降低了試點省份的二氧化碳排放量？碳交易試點的碳減排機制是什么？這些問題的回答對于應對全球變暖問題，繼而完成中國既定的碳減排目標具有重要的理論和現(xiàn)實意義。

1文獻綜述

從現(xiàn)有研究進展看，目前對碳交易政策評估的研究根據(jù)研究方法的不同主要分為以下三類：第一類，采用單差法通過對比碳交易試點實施前后二氧化碳排放量的變化來說明碳交易試點的實施效果[6-7]。雖然單差法可以直觀的對比出碳交易試點實施前后碳排放量的變化，但不能將碳交易試點實施期間其他因素（如：技術進步、生產(chǎn)工藝革新）所導致的碳排放量的變化與碳交易試點的政策效應進行有效剝離，若僅對試點省份和非試點省份的碳排放量進行比較，容易將不同省份在碳交易實施前可能存在的不可觀測的系統(tǒng)性差異誤認為碳交易政策的影響。第二類，采用雙重差分法對碳排放權交易的政策效應進行評估[8]，雙重差分法需要滿足實驗組和對照組的碳排放具有共同趨勢假定，事實上，不僅各地區(qū)碳排放量存在顯著差異[9]，而且碳排放的收斂速度也存在明顯區(qū)域異質性[10]，在不滿足平行趨勢假設時雙重差分法不能將政策效應和其他影響因素的減排效應進行完全剝離[11]。第三類，Heckman[12]將傳統(tǒng)DID方法發(fā)展為PSMDID，因此，學術界廣泛采用PSMDID對碳交易試點的政策效應進行研究[13-15]。雖然PSMDID在大樣本情況下能夠保證匹配效果最優(yōu)，使研究結論更具可信性，但是PSMDID有其嚴格的適用條件，首先，PSMDID在大樣本的情況下才能使匹配結果更優(yōu)[11]，由于碳交易試點僅有7個省市，實施時間也不過區(qū)區(qū)6年，因此碳交易試點的研究樣本并不滿足大樣本要求。其次，PSMDID僅僅可以對可觀察變量進行控制，忽視了對不可觀測變量的控制，從而導致估計偏差[16]。再次，PSMDID將碳交易政策覆蓋的所有省份作為一個整體進行分析，得到的結論只是整體的政策效果。事實可能并非如此，一方面，實施碳交易政策的省份在經(jīng)濟發(fā)展、產(chǎn)業(yè)結構、能源效率等方面存在較大差異，即使實施了同樣政策所達到的政策效果也不盡相同。另一方面，碳交易政策實施后各省份在落實政策時所采取的配套措施不同，政策落實效率也存在差異，因此，所達到的政策效果也存在異質性。因此，如何科學的選擇對照組成為學者們所研究的重點問題。

為了彌補已有研究的局限，本文根據(jù)Abadie[17]所采用的合成控制法對碳排放交易試點的實施效果進行評估。與其他方法相比，合成控制法具有以下三方面優(yōu)點：第一，合成控制法解決了現(xiàn)實中難以尋找合適的對照組滿足實驗組基本特征的難題，在除政策覆蓋省份之外的其他省份中提取部分信息構建一個虛擬的對照組，這一對照組在政策實施之前與實驗組具有完全相同的演變趨勢，觀察在政策實施之后碳排放是否出現(xiàn)政策跳躍。第二，在構建對照組權重時通過測度預測變量之間的距離確定權重的取值，從而減少了主觀因素對政策效果的影響，而且可以明確展示出實驗組與合成對照組在政策實施之前的相似程度，從而避免了將差距較大的省份作為對照組所產(chǎn)生的誤差問題。第三，采用合成控制法構建的虛擬對照組是未實施碳交易試點省份的加權平均，因此可以避免過度外推問題，通過權重設置可以反映未成為碳交易試點的省份在構造反事實狀態(tài)時的貢獻。

充分發(fā)揮市場在碳排放權配置中的決定性作用，此外，高碳排放企業(yè)可以以市場為導向加快淘汰高耗能、高污染、低效益的落后產(chǎn)能，從而降低了二氧化碳排放。

碳排放權交易政策對低碳排放的技術密集型企業(yè)而言，主要通過市場收益誘導效應、技術創(chuàng)新激勵效應和政府支持效應降低二氧化碳排放，具體而言：①市場獲益誘導效應。技術密集型企業(yè)可以憑借先進的生產(chǎn)技術和清潔的生產(chǎn)工藝降低二氧化碳排放，并將節(jié)約的碳排放權在碳交易市場上出售給高碳排放企業(yè)獲取額外利潤，在市場收益的誘導下企業(yè)傾向于降低二氧化碳排放。②技術創(chuàng)新激勵效應。學術界對技術創(chuàng)新的碳減排效應均予以肯定，Goodchild & Toy[18]和Parket al.[19]發(fā)現(xiàn)技術進步能夠顯著降低二氧化碳排放。當?shù)吞寂欧牌髽I(yè)轉讓碳排放權所帶來的收益高于技術創(chuàng)新成本時，低碳排放企業(yè)將更加注重清潔技術的研發(fā)，一旦技術研發(fā)成功并投入到生產(chǎn)可以有效降低二氧化碳排放。③政府政策支持效應。對于低碳排放企業(yè)而言，政府會對低碳排放的企業(yè)進行補貼，一方面，企業(yè)在政府補貼和減稅政策的激勵下更加專注于技術研發(fā)，另一方面，政府補貼政策可以有效緩解企業(yè)的融資約束，增強企業(yè)用于研發(fā)的資金投入。伴隨著技術的進步以及技術溢出效應的增強，試點省份的整體技術水平會得到顯著提高，從而降低了試點地區(qū)的二氧化碳排放。

3研究設計與數(shù)據(jù)說明

3.1合成控制法

考慮到合成控制法在構造對照組方面具有的獨特優(yōu)勢，本文根據(jù)Abadie[17]提出的合成控制法對碳交易試點的碳減排效應進行評估。從現(xiàn)有的研究進展看，合成控制法不僅被運用到碳交易試點對產(chǎn)業(yè)結構升級的影響領域[20]，而且還被應用于低碳試點的政策效果評估方面[21-22]。

給定K+1個省份在t∈[1，T]期內(nèi)的二氧化碳排放量，其中CIit表示第i個省份在時間t上沒有成為碳交易試點時的碳排放量，CNit表示第i個省份在時間t上成為碳交易試點的碳排放量，假定第i個省份在時間t=T0時被確定為碳交易試點，則[1，T0]期內(nèi)該省份的二氧化碳排放量不受到碳交易政策的影響，即CNit=CIit;碳交易政策實施之后，即[T0+1，T]期內(nèi)，我們采用effect=CIit-CNit表示碳交易政策給第i個省份帶來的碳減排效應。對于成為碳交易試點的省份，我們可以測算出它的二氧化碳排放量CNit，由于該省份在沒有成為碳交易試點時的碳排放數(shù)據(jù)CIit是無法觀測到的，因此本文采用Abadie[17]提出的基于參數(shù)回歸的因子模型對CIit進行估計。

CIit=τt+βtXi+γtνi+μit

上式中τt是所有省份碳排放的時間固定效應，Xi表示可以觀測到的協(xié)變量，表示不受碳交易政策影響的控制變量;βt是一個未知參數(shù)向量，γt是一個無法觀測的公共因子向量，vi是不可觀測的省份固定效應;μit是不可觀測到的短期沖擊在省際水平上的均值為0。具體的，本文選取目標省份2000—2013年的人均GDP、產(chǎn)業(yè)結構、人口密度、FDI、能源消費強度等變量作為預測變量。

我們假設第一個省份（i=1）成為了碳交易試點，其余K個省份i=2，……， K+1均不是碳交易試點?？紤]一個（K×1）維的向量權重W=（w2，…wk+1）以使wk≥0，k=2，…K+1，且w2+…，wk+1=1。每一個向量W的特征值都表示一個合成控制的組合，也就是合成K個省份二氧化碳的特定權重。針對每個對照組省份的結果變量值，經(jīng)過加權后得到了：

已有研究證明，通常情況下碳排放權交易政策實施之前的時間段相對于碳排放交易權實施之后的時間段較長，那么，上式右邊的均值將趨于0。在碳排放權交易政策實施之后的時間段（即2013—2016年）可以將∑K+1k=2w*kCkt作為CNIt的無偏估計量，在北京、天津、上海、湖北、重慶、廣東實施的碳排放權交易所得到的碳減排效果的估計值為：

1t=C1t-∑K+1k=2w*kCkt，t∈[T0+1，…，T]

對碳減排效果1t進行估計的重點和難點就是找到某一特殊的權重W*=（w*2，w*3，…，w*k，w*k+1）。

W*需要第一個省份的特征向量（C11，…C1r0，Z′1），位于除北京、天津、上海、湖北、重慶、廣東之外的其他省份特征向量組的凸組合{（C21，…，C2r0，Z′2），…（CK+11，…，CK+1r0，Z′k+1）}集合范圍之內(nèi)。但是通常不存在這樣一個特殊的權重使得（3）成立，因此，需要一個近似的值來確定權重。接下來本文定義一個向量M=（m1，…mr0）表示政策實施前后結果的線性組合：Mi=∑T0s=1msCis。例如，如果m1=m2=…=mT0-1=0，mT0=1，則Mi=CiT0，這表示結果變量值恰好是政策實施前的某一時間段;如果m1=m2=…=mT0-1=1/T0，則Mi=T-10∑T0s=1Cis，則表示結果變量值是政策實施前期的平均結果。定義F作為向量M1，…，MF的線性組合，X1=（Z′1，M1i，…MF1）作為實施碳排放交易權政策的省份在實施前期的（（r+M）×1）維特征向量。相似的定義X0為一個（（r+M）×K）的矩陣，涵蓋了K個未被列為碳排放交易權的省份的對應的特征向量，即X0的第k列為（Z′1，M11，…MFk）。本文通過最小化X1和X0W的距離||X1-X0W||來確定W*，同時使得wk≥0，k=2，…，K+1，且各省份的權重w2+…+wk+1=1。根據(jù)Abadie教授所采用的||X1-X0W||v=（X1-X0W）′V（X1-X0W）來測度距離，其中V是對稱半正定矩陣（Symmetric and Positive Semidefinite Matrix）。盡管我們的推斷過程對任意的V都有效，但是V的選擇會對估計值的均方誤產(chǎn)生影響。V的最優(yōu)選擇是賦予X1和X0中變量一個合理的權重，以最小化合成控制值的均方誤。本文利用數(shù)據(jù)驅動的方式得到了對稱半正定矩陣使得合成省份近似試點省份在成為試點之前二氧化碳排放的運動軌跡。

3.2指標選取

（1）二氧化碳的測度方法?？諝庵械亩趸贾饕獊碓从诨剂系娜紵?。因此，根據(jù)各省化石燃料的消耗量來估算二氧化碳是二氧化碳測度的主流方法。本文根據(jù)IPCC準則提供的各類化石能源的碳排放系數(shù)（如表1）進行估算，具體估算公式如下：

CO2=∑7i=1Ei×NCVi×CEFi

其中，CO2表示二氧化碳的估算值;i表示煤炭、天然氣、焦炭、燃料油、汽油、煤油、柴油七類化石燃料。E表示化石燃料的消耗量，NCV表示平均低位發(fā)熱量，CEF表示碳排放系數(shù)。

（2）控制變量。本文預測變量的選擇主要考慮以下變量：①經(jīng)濟發(fā)展水平（rgdp）通過規(guī)模效應增加二氧化碳排放又通過技術效應和結構效應降低二氧化碳排放，本文采用人均GDP作為經(jīng)濟發(fā)展的衡量指標。②產(chǎn)業(yè)結構（indu）：二氧化碳排放主要來源于化石燃料的燃燒，因此本文采用第二產(chǎn)業(yè)占地區(qū)生產(chǎn)總值的比值來反映產(chǎn)業(yè)結構對二氧化碳排放的影響。③服務業(yè)發(fā)展水平（serv），服務業(yè)占比的上升對碳排放起到抑制作用，本文采用第三產(chǎn)業(yè)占比來衡量服務業(yè)發(fā)展水平。④產(chǎn)業(yè)結構高級化（stru）：反映了經(jīng)濟結構的服務化傾向，產(chǎn)業(yè)結構的服務化傾向越高越能降低經(jīng)濟對化石能源的依賴程度。本文參考干春暉等[23]對產(chǎn)業(yè)結構高級化的測度方法，采用第三產(chǎn)業(yè)產(chǎn)值與第二產(chǎn)業(yè)產(chǎn)值之比作為產(chǎn)業(yè)結構高級化的度量指標。⑤能源效率（energy）：本文考察能源效率對二氧化碳的影響，采用能源消費總量與實際地區(qū)生產(chǎn)總值的比值來衡量。⑥人口密度（popu）人口密度可以反映人口的集聚程度，二氧化碳的排放不僅產(chǎn)生于生產(chǎn)過程中，人口的集聚程度也會產(chǎn)生二氧化碳[24]，采用年末人口總量與省份面積的比值來衡量。⑦技術進步（tech），在企業(yè)的生產(chǎn)過程中節(jié)能環(huán)保技術的推廣無疑是碳減排的重要途徑，技術進步可以提高化石能源的利用效率從而降低單位產(chǎn)出的碳排放量，本文采用技術市場成交額作為技術進步的代理變量。

3.3數(shù)據(jù)來源

本文選取1995—2016年中國30個?。ú缓郯呐_和西藏）作為研究樣本，預測變量中人均產(chǎn)出、產(chǎn)業(yè)結構、服務業(yè)發(fā)展水平、產(chǎn)業(yè)結構高級化、能源效率、人口密度、技術成交額等指標的原始數(shù)據(jù)均來自于國家統(tǒng)計局新版數(shù)據(jù)庫。人均產(chǎn)出數(shù)據(jù)采用實際地區(qū)生產(chǎn)總值除以各省年末總人口，實際地區(qū)生產(chǎn)總值是以1995年為基準期進行消脹處理。能源消費總量數(shù)據(jù)來自于1995—2016年《中國能源統(tǒng)計年鑒》。測算二氧化碳排放量時所采用的煤炭、天然氣、焦炭、燃料油、汽油、煤油、柴油七類化石能源的消費總量數(shù)據(jù)來源于《中國能源統(tǒng)計年鑒》以及國家統(tǒng)計局新版數(shù)據(jù)庫。

4碳交易試點的政策效應評估

4.1合成試點省份的權重設置

本文采用1995—2013年的經(jīng)濟發(fā)展水平、產(chǎn)業(yè)結構、能源結構等作為預測變量來合成虛擬對照組。運用Stata15軟件提供的synth命令對碳交易試點省份所對應的權重進行了測算。以北京為例，構造合成北京的省份有海南、黑龍江、陜西，其權重分別為0.797、0.112和0091，權重加總和為1，即海南、黑龍江、陜西三個省的二氧化碳排放量分別按照0.797、0.112和0.091的權重加總可以估計北京未啟動碳交易之前的二氧化碳排放量。

4.2碳交易試點的碳減排效應分析

碳交易試點省份與其合成省份碳排放量的演變趨勢如圖2所示，垂直虛線為目標省份成為碳交易試點的時間，虛線左側為碳交易試點實施之前的時期，虛線右側為碳交易試點實施之后的時期。碳交易試點的碳減排效應由試點省市的碳排放量與其合成省市的碳排放量的差值來表示。如圖2所示，湖北、天津、廣東、重慶的真實碳排放量與其合成碳排放量非常接近，這說明碳交易實施之前試點省份和合成省份的碳排放量沒有顯著差異。而北京

和上海與其合成省份的碳排放量差距較大，這是因為北京和上海是東部地區(qū)的直轄市，也是京津冀城市群與長三角城市群的核心城市，其城市經(jīng)濟發(fā)展水平、節(jié)能技術均為全國前列，其他省份的預測變量難以對二者進行擬合。從圖2可以看出，所有試點省市與合成省市的二氧化碳排放量在虛線右邊均出現(xiàn)了較明顯的偏離，且真實二氧化碳排放量遠低于合成二氧化碳排放量，這表明碳交易政策可有效降低二氧化碳排放。

碳交易試點實施之前湖北與合成湖北的碳排放總量擬合程度較高，說明在政策實施之前二者沒有顯著差異，啟動碳排放權交易后，湖北的二氧化碳排放總量迅速下降，而合成湖北的碳排放量則按照原有趨勢緩慢上升，從湖北和合成湖北的碳排放總量差值來看，湖北省的碳排放總量比合成湖北低，這說明湖北省自啟動碳交易試點以來在碳減排方面取得了顯著的成效。

碳交易試點實施前天津與合成天津的擬合程度較好，因此能夠更好的顯示政策實施后的效果。2013年之前天津二氧化碳排放總量呈現(xiàn)出較為明顯上升趨勢，成為碳交易試點之后，二氧化碳排放總量出現(xiàn)明顯下降，年均下降率為1.913%，而合成天津的二氧化碳排放總量變化較為平穩(wěn)，沒有明顯的變化趨勢。天津碳排放量與合成天津碳排放量相比呈明顯的下降趨勢。這表明碳交易試點對天津的碳減排有著明顯作用。但從圖2可以看出天津真實與合成差距較小，原因在于天津市的二氧化碳排放總量在六個試點省市中較少，減排空間較小，減排難度相對較大。

碳交易試點實施之前廣東與合成廣東的二氧化碳排放量基本重合，廣東和合成廣東的擬合程度在所有試點省市中是最優(yōu)的，說明廣東與合成廣東在政策實施之前沒有顯著差異。廣東碳排放總量明顯低于合成廣東，這表明廣東省作為最大的碳交易試點，其碳減排效果較為明顯。

碳交易試點實施之前重慶與合成重慶的碳排放總量增長較快，且趨勢線基本重合，而在政策實施之后重慶市碳排放總量出現(xiàn)下降趨勢，合成重慶按照原有演變趨勢緩慢上升。相較于合成重慶來說，重慶二氧化碳排放總量遠遠低于合成重慶的碳排放量，說明重慶碳排放權交易制度效果良好。

4.3安慰劑檢驗

本文將采用安慰劑檢驗（Placebo Test）對合成控制法的有效性進行檢驗。首先，我們假設未實施碳交易政策的省份與實施碳交易政策的省份均在同時間成為碳交易試點;其次，根據(jù)合成控制法的思想，在其他省份中提取部分信息構建合成對照組，從而得到該試點省份與合成對照組之間碳排放總量的差值。第三，通過對比安慰劑檢驗中碳排放的差值與試點省份碳排放的差值，我們可以對合成控制法的有效性進行檢驗。如果試點省份與合成省份的二氧化碳排放差異主要是由于碳交易試點的實施導致的，那么，試點省份的二氧化碳差值應大于安慰劑檢驗中二氧化碳排放量的差值，如果試點省份與合成省份的二氧化碳排放量的差異并非由碳交易試點的實施導致，而是由于其他外在因素所導致的，則試點省份的二氧化碳差值要小于安慰劑檢驗中二氧化碳排放量的差值。

本文采用均方根預測誤差（Root Mean Square Prediction Error，RMSE）衡量碳交易試點省份與其合成對照組之間二氧化碳排放的差異程度，具體測算公式如下：

RMSPE=1T0∑T0t=1（C1t-∑k+1k=2wk×Ckt）212

為了方便比較，本文將整個樣本期按照碳交易試點的實施年份劃分為兩個階段：碳交易政策實施之前（PrePeriodRMSE）和實施之后（PostPeriodRMSE）。特別值得注意的是，如果碳交易政策實施之前合成省份的碳排放量不能很好的擬合真實碳排放量，本文將不再對此類試點進行安慰劑檢驗。導致此類誤差的原因是：對照組的預測變量不能最大程度擬合試點實施之前的碳排放量。如果在碳交易政策實施之前，合成省份不能很好的擬合真實省份的碳排放量，我們很難得出“差值是由碳交易政策實施導致”的結論。為了避免合成省份不能很好擬合真實省份碳排放量給實證結果帶來的問題，本文剔除掉對照組省份在碳排放試點政策實施之前RMSPE大于試點省份的情況。

本文根據(jù)有效性檢驗的分析程序繪制了圖3。圖3報告了湖北、天津、廣東、重慶四個省市的PreRMSE與Post RMSE比值的柱狀圖。關于對照組省份的選擇，本文借鑒劉乃全、吳友[25]的思想，如果對照組省份的權重為正值，表明該試點省份與對照組省份具有總量或者結構上的相似性，因此本文在有效性檢驗中對照組省份選擇權重為正值的省份。合成湖北省的24個省份中權重為正的省有6個，根據(jù)合成控制法的基本原理，合成湖北的24個省份中有7個省份的權重為正值，分別為遼寧省、內(nèi)蒙古、山東省、安徽省、海南省、黑龍江省、新疆，其中新疆的PreRMSPE在2014年試點政策實施之前就高于湖北省的PreRMSPE，因此將其剔除。從圖3發(fā)現(xiàn)湖北的比值要高于對照組省份，說明合成控制法所得到的“湖北碳交易試點碳減排效果明顯”的結論具有有效性和可信性。合成天津的24個省份中權重為正的有7個，天津的比值遠高于其他7個對照組省份，這說明天津碳排放權交易試點的碳減排效果有效。

5進一步檢驗

本部分將合成控制法與雙重差分法相結合對碳排放權的碳減排效果進行穩(wěn)健性檢驗。采用SCMDID能夠將合成控制法在選擇對照組方面的優(yōu)點與雙重差分法解決

內(nèi)生性的優(yōu)點相結合，既可以規(guī)避DID和PSMDID選擇對照組方面的苛刻條件，又能有效的解決內(nèi)生性問題。

5.1合成控制-雙重差分法的模型構建

本文采用SCMDID方法對碳交易試點的碳減排效應進行穩(wěn)健性檢驗。碳交易試點主要包括北京、天津、上海、廣東、湖北、重慶等6個省市（本文在選擇樣本時為了保證樣本空間尺度的一致性，同時由于深圳屬于廣東省，因此本文將深圳市刪除），本文將6個省市作為實驗組，將合成控制法構建的6個合成省份作為對照組，政策實施前為對照組，政策實施后為實驗組?；诖耍疚脑O置了dt和du兩組虛擬變量，dt表示時間虛擬變量，碳交易政策實施之前為0，實施之后為1，du表示組間虛擬變量，碳交易試點省份為1，虛擬碳交易試點為0。具體計量模型如下式所示：

lnCO2it=β0+β1dttime+β2dugroup+β3（dttime×dugroup）+

∑nn=1θXit+εit

上式中i表示省份，t表示年份，lnCO2為被解釋變量，dt為時間虛擬變量，2013年實施碳交易試點之前為0，碳交易政策實施之后為1，du為組間虛擬變量，實施碳交易試點的省份（北京、天津、上海、廣東、湖北、重慶）為1，合成控制法構建的合成省份為0。dt×du為雙重差分項，回歸系數(shù)β3為碳交易試點的碳減排效應。X表示一組控制變量包括經(jīng)濟發(fā)展水平、第二產(chǎn)業(yè)發(fā)展水平、第三產(chǎn)業(yè)發(fā)展水平、技術進步水平、產(chǎn)業(yè)結構高級化、人口密度。

5.2穩(wěn)健性分析

本文將合成控制法與雙重差分法相結合，采用SCMDID方法對碳交易政策的碳減排效應進行進一步檢驗。首先，我們根據(jù)Abadie[17]提出的合成控制法的思想，基于非試點省份與試點省份預測變量的最小距離獲取權重。其次，根據(jù)權重對非試點的24個省份進行加權，構造合成省份的虛擬二氧化碳排放量，即假設試點省份沒有成為碳交易試點時的二氧化碳排放量。同時，將合成省份作為對照組，將各試點省份的二氧化碳排放量作為實驗組。第三，采用DID估計方法對碳交易試點的減排效應進行政策評估。

表2報告了SCMDID的回歸結果，表2第2～3列為未加入控制變量的回歸結果，第4～5列為加入控制變量之后的回歸結果，我們發(fā)現(xiàn)無論是采用二氧化碳排放總量作為被解釋變量，還是采用二氧化碳排放總量的對數(shù)作為被解釋變量，du×dt的估計系數(shù)均為負值，這再次表明碳交易試點的碳減排效應具有較強的穩(wěn)健性。加入控制變量之后模型的擬合優(yōu)度顯著提高，在以二氧化碳排放總量為被解釋變量的模型中調(diào)整的R2由0.090上升至0654，在以二氧化碳排放總量的對數(shù)為被解釋變量的模型中調(diào)整的R2由0.094上升至0.628，這說明加入控制變量后模型的擬合效果變優(yōu)。

6研究結論與政策建議

6.1研究結論

本文基于1995—2016年中國省際面板數(shù)據(jù)，采用合成控制法對碳排放交易試點的碳減排效應進行評估，并對碳排放權交易試點減排效應的內(nèi)在機制進行分析，研究發(fā)現(xiàn)：①合成控制法的評估結果表明湖北、天津、廣東、重慶四個試點省市的碳減排效果較為明顯。而上海和北京合成省份的碳排放量與其真實值差距較大，原因可能是北京和上海是京津冀城市群與長三角城市群的核心城市，其城市發(fā)達程度、經(jīng)濟發(fā)展水平、節(jié)能技術水平均為全國前列，其他省市難以擬合北京和上海的碳排放水平。安慰劑檢驗結果表明，湖北、天津、廣東、重慶四個試點的比值要高于對照組省份，說明合成控制法所得到的“湖北、天津、廣東、重慶的碳減排效果明顯”的結論具有有效性和可信性。②合成控制-雙重差分法的穩(wěn)健性分析結果表明被解釋變量無論采用二氧化碳排放總量，還是二氧化碳排放總量的對數(shù)，政策變量的估計系數(shù)均為負值，表明碳交易政策能夠顯著降低二氧化碳排放。③碳交易試點的碳減排機制表明，對于碳排放權富余的企業(yè)而言，可以通過市場獲益誘導效應、技術創(chuàng)新激勵效應和政府政策支持效應等機制實現(xiàn)碳減排。對于碳排放權不足的企業(yè)通過企業(yè)成本壓力效應、工藝革新動力效應、市場導向激勵效應等機制實現(xiàn)碳減排。

6.2政策建議

本文根據(jù)上述研究結論提出以下政策建議：①碳交易市場的發(fā)展要始終堅持“市場決定”與“政府調(diào)節(jié)”相結合的發(fā)展策略，一方面要繼續(xù)堅持市場在碳排放權配置中的決定性作用，運用供求機制、競爭機制、價格機制等手段促進碳交易市場的有效運行。不斷通過市場手段調(diào)節(jié)碳排放權富余企業(yè)與碳排放權不足企業(yè)的利益機制，將碳排放形成的成本內(nèi)化到企業(yè)的成本收益分析中，成為企業(yè)利潤最大化的重要變量，從而促進碳減排。另一方面，充分發(fā)揮政府的調(diào)節(jié)和輔助作用，政府應制定適合市場健康有效運行的法律法規(guī)，彌補由于市場自身局限所帶來的壟斷、信息不對稱、外部性等市場失靈狀況，不斷的完善市場環(huán)境。②促進碳交易試點的碳減排效應發(fā)揮作用，關鍵是促進企業(yè)科技研發(fā)和技術創(chuàng)新，政府、企業(yè)、社會應特別關注科技研發(fā)和技術創(chuàng)新對碳交易政策得以發(fā)揮碳減排效應的重要作用。應不斷的增加所有企業(yè)的研發(fā)資金投入，鼓勵企業(yè)進行技術革新，不斷的更新生產(chǎn)工藝，促進企業(yè)實現(xiàn)綠色發(fā)展。③碳交易政策的碳減排效應具有區(qū)域異質性，不同試點由于自身經(jīng)濟發(fā)展、產(chǎn)業(yè)結構、能源結構等因素存在顯著差異，因此，各交易試點在制定政策時不能采取“一刀切”，應在認識自身特殊性的情況下“因地制宜”的進行碳交易市場建設，從而實現(xiàn)碳減排目標，促進經(jīng)濟的高質量發(fā)展。

（編輯：于杰）

參考文獻

[1]COASE R H. The problem of social cost [M].Journal of law and economics， 1960：1-44.

[2]WILLIAMSON O E. The economics of organization： the transaction cost approach[J]. American journal of sociology， 1981， 87（3）：548-577.

[3]武普照，王倩. 排污權交易的經(jīng)濟學分析[J]. 中國人口·資源與環(huán)境，2010，20（S1）：55-58.

[4]DALES J H. Land， water and ownership [J]. Canadian journal of economics， 1968（1）：791-804.

[5]LIU L， CHEN C， ZHAO Y， et al. Chinas carbonemissions trading： overview， challenges and future[J]. Renewable and sustainable energy reviews， 2015， 49（9）： 254-266.

[6]肖玉仙，尹海濤. 我國碳排放權交易試點的運行和效果分析[J]. 生態(tài)經(jīng)濟，2017，33（5）：57-62.

[7]鄧榮榮. 我國首批低碳試點城市建設績效評價及啟示[J]. 經(jīng)濟縱橫，2016，369（8）：41-46.

[8]王文軍，謝鵬程，李崇梅，等. 中國碳排放權交易試點機制的減排有效性評估及影響要素分析[J]. 中國人口·資源與環(huán)境，2018，28（4）：26-34.

[9]劉華軍，趙浩，楊騫. 中國二氧化碳排放分布的極化研究[J]. 財貿(mào)研究，2013，24（3）：84-90.

[10]楊騫，劉華軍. 中國地區(qū)二氧化碳排放的隨機收斂研究——基于兩類碳排放指標的再檢驗[J]. 經(jīng)濟評論，2013（4）：73-80.

[11]譚周令，程豹. 西部大開發(fā)的凈政策效應分析[J]. 中國人口·資源與環(huán)境，2018，28（3）：169-176.

[12]HECKMAN J J， ICHIMURA H， TODD P E. Matching as an econometric evaluation estimator： evidence from evaluating a job training programme [J]. The review of economic studies， 1997， 64（4）： 605-654.

[13]ZHANG Y J， PENG Y L， MA C Q， et al. Can environmental innovation facilitate carbon emissions reduction？ evidence from China[J]. Energy policy， 2017， 100（1）： 18-28.

[14]范丹，王維國，梁佩鳳. 中國碳排放交易權機制的政策效果分析——基于雙重差分模型的估計[J]. 中國環(huán)境科學，2017，37（6）：2383-2392.

[15]李廣明，張維潔. 中國碳交易下的工業(yè)碳排放與減排機制研究[J]. 中國人口·資源與環(huán)境，2017，27（10）：141-148.

[16]劉瑞明，趙仁杰. 西部大開發(fā)：增長驅動還是政策陷阱——基于PSM-DID方法的研究[J]. 中國工業(yè)經(jīng)濟，2015（6）：32-43.

[17]ABADIE A， GARDEAZABAL J. The economic costs of conflict： a case study of the Basque Country[J]. American economic review， 2003， 93（1）：113-132.

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

[19]PARK C， XING R， HANAOKA T， et al. Impact of energy efficient technologies on residential CO2 emissions： a comparison of Korea and China[J]. Energy procedia， 2017， 111（3）： 689-698.

[20]譚靜，張建華. 碳交易機制倒逼產(chǎn)業(yè)結構升級了嗎？——基于合成控制法的分析[J]. 經(jīng)濟與管理研究，2018，39（12）：104-119.

[21]李順毅. 低碳城市試點政策對電能消費強度的影響——基于合成控制法的分析[J]. 城市問題，2018（7）：40-49.

[22]陸賢偉. 低碳試點政策實施效果研究——基于合成控制法的證據(jù)[J]. 軟科學，2017，31（11）：98-101.

[23]干春暉，鄭若谷，余典范. 中國產(chǎn)業(yè)結構變遷對經(jīng)濟增長和波動的影響[J]. 經(jīng)濟研究，2011（5）：4-16.

[24]邵帥，李欣，曹建華. 中國霧霾污染治理的經(jīng)濟政策選擇——基于空間溢出效應的視角[J]. 經(jīng)濟研究，2016（9）：73-88.

[25]劉乃全，吳友. 長三角擴容能促進區(qū)域經(jīng)濟共同增長嗎[J]. 中國工業(yè)經(jīng)濟，2017（6）：81-99.