趙彥云,陸香怡,王 汶

低碳城市的CO2與PM2.5減排協(xié)同效應(yīng)分析

趙彥云1*,陸香怡1,王 汶2

(1.中國(guó)人民大學(xué)統(tǒng)計(jì)學(xué)院,北京 100872；2.中國(guó)人民大學(xué)環(huán)境學(xué)院,北京 100872)

將基于衛(wèi)星遙感數(shù)據(jù)的CO2與PM2.5納入統(tǒng)一研究框架,運(yùn)用多期雙重差分等方法,在城市尺度上分析評(píng)估2007～2019年中國(guó)低碳城市政策對(duì)CO2減排與PM2.5污染控制的協(xié)同效應(yīng)及其影響機(jī)制.研究發(fā)現(xiàn):低碳城市CO2與PM2.5減排的協(xié)同效應(yīng)十分顯著,低碳政策使試點(diǎn)城市的CO2排放量和大氣PM2.5濃度分別下降3.2%和0.74%,且結(jié)論在一系列穩(wěn)健性檢驗(yàn)后依然成立.機(jī)制分析表明,改善公共交通環(huán)境是低碳城市建設(shè)實(shí)現(xiàn)協(xié)同效應(yīng)的最主要途徑.低碳城市政策的協(xié)同效應(yīng)存在地區(qū)差異,經(jīng)濟(jì)發(fā)展水平高?產(chǎn)業(yè)結(jié)構(gòu)水平高的城市以及非資源型城市的協(xié)同效應(yīng)更為顯著.對(duì)此,應(yīng)充分發(fā)揮協(xié)同效應(yīng),進(jìn)一步加快低碳城市建設(shè),實(shí)現(xiàn)CO2和PM2.5等大氣污染物協(xié)同治理.

協(xié)同效應(yīng)；CO2；PM2.5；低碳城市；雙重差分

隨著我國(guó)城市化的快速發(fā)展和經(jīng)濟(jì)社會(huì)活動(dòng)的不斷升級(jí),碳排放量持續(xù)增加,霧霾等重污染天氣頻繁發(fā)生,中國(guó)面臨著碳減排和大氣污染控制的雙重壓力.CO2與PM2.5等大氣污染物具有同根同源性[1-3],大部分均來自于化石能源的燃燒,這種同源性特征決定了對(duì)兩者的控制存在協(xié)同效應(yīng).為應(yīng)對(duì)氣候變化,滿足低碳綠色發(fā)展的時(shí)代需求,中國(guó)提出實(shí)現(xiàn)碳達(dá)峰碳中和的莊嚴(yán)承諾,努力推動(dòng)減污降碳協(xié)同增效,以環(huán)境治理助推高質(zhì)量達(dá)峰.因此,分析研究城市控制CO2排放對(duì)PM2.5污染的協(xié)同效應(yīng),對(duì)新發(fā)展階段減碳降霾協(xié)同治理工作的統(tǒng)籌推進(jìn)具有重要意義.

協(xié)同效應(yīng)最初由政府間氣候變化專門委員會(huì)(IPCC)在2001年提出,IPCC將協(xié)同效應(yīng)定義為實(shí)現(xiàn)溫室氣體減排的政策行動(dòng)所帶來的其他社會(huì)經(jīng)濟(jì)效益,如空氣質(zhì)量改善?減少人體健康成本等[4].國(guó)內(nèi)外學(xué)術(shù)界關(guān)于CO2或大氣污染物行動(dòng)的減排成效相關(guān)研究非?；钴S,這些研究圍繞某一具體政策分析了歷史時(shí)期下CO2或大氣污染物的單一減排效應(yīng),為協(xié)同效應(yīng)的研究奠定基礎(chǔ)[5-8].近年來,協(xié)同效應(yīng)越來越受到研究者的關(guān)注[9-10],為區(qū)域環(huán)境管理和氣候變化政策的制定與評(píng)估提供了新的視角[11].國(guó)外部分學(xué)者對(duì)控制溫室氣體排放政策的協(xié)同效應(yīng)進(jìn)行分析,驗(yàn)證了措施對(duì)CO2與SO2[12]、PM2.5[13]等的協(xié)同減排效應(yīng).在國(guó)內(nèi),協(xié)同效應(yīng)的研究對(duì)象多為CO2與SO2、NO等大氣污染物[14-15],卻很少關(guān)注CO2和PM2.5的協(xié)同效應(yīng).這是因?yàn)槲覈?guó)開始監(jiān)測(cè)PM2.5的時(shí)間較晚,直至2013年底監(jiān)測(cè)系統(tǒng)才開始在全國(guó)大范圍試運(yùn)行,無(wú)法滿足對(duì)長(zhǎng)時(shí)間段CO2和PM2.5協(xié)同效應(yīng)研究的需求.隨著中國(guó)減碳降霾治理壓力的增加,分析評(píng)估我國(guó)CO2和PM2.5的協(xié)同減排效應(yīng)成效十分必要.低碳城市政策是我國(guó)提高城市應(yīng)對(duì)氣候變化能力的一項(xiàng)重要舉措,現(xiàn)有研究對(duì)該政策在碳排放[16-18]、PM10[5]、工業(yè)污染物[19]以及經(jīng)濟(jì)和社會(huì)因素[20-22]等方面的影響進(jìn)行了探討,但尚未從協(xié)同效應(yīng)的角度分析.作為一項(xiàng)重要綜合減排政策,低碳城市政策為協(xié)同效應(yīng)的相關(guān)研究提供了現(xiàn)實(shí)基礎(chǔ).因此,本文主要研究我國(guó)低碳城市CO2和PM2.5的協(xié)同效應(yīng)成效,在一定程度上彌補(bǔ)該問題研究的不足.

本文利用衛(wèi)星遙感技術(shù)估算的數(shù)據(jù),獲得了比地面監(jiān)測(cè)時(shí)間更早?范圍更廣的中國(guó)各區(qū)域PM2.5濃度,解決了對(duì)較長(zhǎng)時(shí)間段CO2和PM2.5協(xié)同效應(yīng)進(jìn)行研究的問題.將低碳城市試點(diǎn)作為準(zhǔn)自然實(shí)驗(yàn),運(yùn)用多期雙重差分模型,從CO2控制協(xié)同PM2.5污染的角度評(píng)估2007～2019年低碳城市政策的協(xié)同效應(yīng).構(gòu)建中介效應(yīng)模型分別分析低碳城市建設(shè)控制CO2和PM2.5的傳導(dǎo)機(jī)制,并對(duì)城市進(jìn)行多種分類,探索不同城市群實(shí)施低碳政策的協(xié)同減排成效,為行使類似職能的城市推進(jìn)協(xié)同治理工作提供參考.

1 模型構(gòu)建與變量描述

1.1 數(shù)據(jù)

當(dāng)前我國(guó)分別于2010、2012和2017年在6個(gè)省和81個(gè)城市開展了三批國(guó)家低碳省市試點(diǎn).綜合考慮數(shù)據(jù)情況,選取2007～2019年中國(guó)279個(gè)地級(jí)市的面板數(shù)據(jù)為研究樣本.其中,第二批試點(diǎn)城市名單發(fā)布時(shí)間為2012年11月,考慮到政策實(shí)施的滯后性,將其實(shí)施時(shí)間設(shè)定為2013年.本文的CO2排放數(shù)據(jù)來源于CEADs中國(guó)碳核算數(shù)據(jù)庫(kù)中的中國(guó)縣級(jí)尺度碳排放數(shù)據(jù)集[23],包含1997～2017年中國(guó)2735個(gè)縣的CO2排放量.本文按行政區(qū)域分區(qū)加總統(tǒng)計(jì)得到各地級(jí)市CO2排放量.PM2.5濃度數(shù)據(jù)來源于ChinaHighAirPollutants(CHAP)中的ChinaHighPM2.5數(shù)據(jù)集[24-25],數(shù)據(jù)為2000～2020年1km中國(guó)PM2.5濃度.本文對(duì)柵格數(shù)據(jù)進(jìn)行轉(zhuǎn)換處理,得到各城市的年均PM2.5濃度.社會(huì)經(jīng)濟(jì)類數(shù)據(jù):2007～2020年的GDP、人口、第三產(chǎn)業(yè)增加值、生活垃圾無(wú)害化處理率、科學(xué)技術(shù)支出、外商直接投資、金融機(jī)構(gòu)貸款余額、發(fā)明專利數(shù)量、綠色發(fā)明專利數(shù)量、工業(yè)廢水排放量、工業(yè)SO2排放量、工業(yè)煙(粉)排放量、公共汽(電)車營(yíng)運(yùn)車輛數(shù)、公共汽(電)車客運(yùn)總量數(shù)據(jù)來源于中國(guó)研究數(shù)據(jù)服務(wù)平臺(tái)(CNRDS)[26];全社會(huì)用電量數(shù)據(jù)來源于2008～2020年《中國(guó)城市統(tǒng)計(jì)年鑒》[27].氣象類數(shù)據(jù)來源于"中國(guó)地面氣候資料日值數(shù)據(jù)集(V3.0)"[28],主要包括1951～2020年平均氣溫、平均相對(duì)濕度和平均風(fēng)速.對(duì)于數(shù)據(jù)中的個(gè)別缺失值用插值法填補(bǔ).

1.2 模型構(gòu)建

1.2.1 多期雙重差分模型 為了檢驗(yàn)低碳城市試點(diǎn)政策是否有效地降低了CO2排放,減少PM2.5濃度,產(chǎn)生協(xié)同效應(yīng),本文將低碳城市建設(shè)作為一項(xiàng)準(zhǔn)自然實(shí)驗(yàn),使用多期雙重差分模型進(jìn)行實(shí)證分析.多期雙重差分法適用于政策開始時(shí)間不完全一致的情況,可以有效地解決樣本選擇、遺漏變量等內(nèi)生性問題,比較試點(diǎn)城市與非試點(diǎn)城市在政策執(zhí)行前后的減排差異.具體地,本文借鑒Beck等[29]的研究思路,設(shè)定如下計(jì)量模型:

Y=+D+X+++(1)

式中:表示城市;表示年份;Y表示城市在年的CO2排放量或PM2.5濃度;D為虛擬政策變量,若城市在年屬于低碳試點(diǎn)城市,則D=1,否則為0;X表示一系列隨時(shí)間變化的城市層面控制變量;表示城市固定效應(yīng);表示時(shí)間固定效應(yīng);表示隨機(jī)誤差;是本文關(guān)注的核心回歸系數(shù),若當(dāng)被解釋變量為CO2和PM2.5時(shí),的估計(jì)值均顯著小于0,則說明低碳城市政策具有控制CO2排放和PM2.5污染的協(xié)同效應(yīng).

1.2.2 中介效應(yīng)模型 本文參考溫忠麟等[30]構(gòu)建的中介效應(yīng)模型對(duì)低碳城市政策實(shí)現(xiàn)協(xié)同效應(yīng)的可能途徑進(jìn)行影響機(jī)制檢驗(yàn).具體地,在模型(1)的基礎(chǔ)上,構(gòu)建如下計(jì)量模型:

M=1+1D+1X+++(2)

Y=2+M+2D+2X+++(3)

式中:M為機(jī)制變量,即低碳城市試點(diǎn)政策通過這些變量來影響碳排放和PM2.5污染;其余變量設(shè)定與上文相同.首先對(duì)模型(1)進(jìn)行檢驗(yàn),若顯示值顯著為負(fù),則進(jìn)行下一步檢驗(yàn).將機(jī)制變量作為被解釋變量,政策作為核心解釋變量,建立模型(2)進(jìn)行回歸.若回歸系數(shù)1顯著,說明政策對(duì)該機(jī)制變量產(chǎn)生顯著影響,可以進(jìn)行下一步檢驗(yàn).最后將機(jī)制變量作為解釋變量加入模型(1)中,建立模型(3)進(jìn)行回歸.若回歸系數(shù)顯著,且系數(shù)2相較于的顯著性降低或估計(jì)系數(shù)絕對(duì)值變小,則中介效應(yīng)顯著,說明低碳城市政策通過該機(jī)制變量對(duì)碳排放或PM2.5產(chǎn)生影響.若顯著且2不顯著,則存在完全中介,認(rèn)為該機(jī)制變量是低碳政策實(shí)現(xiàn)減排效應(yīng)的最主要原因[31].

1.3 變量選擇

1.3.1 CO2排放量 用CO2排放量反映城市碳排放水平.對(duì)于碳排放量的估算,不少學(xué)者參考使用IPCC提出的各能源碳排放系數(shù)和計(jì)算方法[32].從我國(guó)公開的城市級(jí)數(shù)據(jù)來看,可以進(jìn)行計(jì)算的能源消耗種類較少,這樣估算出來的碳排放量與實(shí)際城市碳排放水平相差較大.為此,本文使用基于DMSP/OLS和NPP/VIIRS衛(wèi)星圖像進(jìn)行估算的數(shù)據(jù)[33].此數(shù)據(jù)集已被學(xué)者廣泛應(yīng)用于研究中,如Lin等[34]利用該數(shù)據(jù)分析了協(xié)同影響長(zhǎng)三角城市群CO2排放和PM2.5濃度的社會(huì)經(jīng)濟(jì)因素.

1.3.2 PM2.5濃度 在已有文獻(xiàn)中,常用城市空氣質(zhì)量監(jiān)測(cè)站點(diǎn)數(shù)據(jù)計(jì)算城市PM2.5濃度,但該類數(shù)據(jù)存在兩個(gè)問題.一方面,監(jiān)測(cè)PM2.5的站點(diǎn)設(shè)立時(shí)間點(diǎn)較晚且數(shù)量有限,無(wú)法滿足長(zhǎng)時(shí)間段、大區(qū)域尺度有關(guān)PM2.5污染的研究.另一方面,監(jiān)測(cè)站點(diǎn)通常設(shè)置在污染較為嚴(yán)重的區(qū)域,其位置選擇不具有隨機(jī)性,得到的大氣PM2.5濃度往往會(huì)高于城市的真實(shí)水平,導(dǎo)致模型結(jié)果產(chǎn)生偏差.本文使用基于遙感反演估算的PM2.5數(shù)據(jù)開展研究[24-25],該研究使用MODIS新發(fā)布的基于多角度大氣校正算法(MAIAC)的AOD產(chǎn)品及其他輔助數(shù)據(jù)(氣象、地表、污染物排放等),運(yùn)用時(shí)空-極端隨機(jī)樹模型(STET)進(jìn)行估算,且對(duì)中國(guó)PM2.5地面環(huán)境監(jiān)測(cè)站點(diǎn)數(shù)據(jù)進(jìn)行交叉驗(yàn)證,結(jié)果顯示驗(yàn)證點(diǎn)處的年尺度估算值和實(shí)測(cè)值高度一致(2=0.94).

1.3.3 控制變量 STIRPAT模型認(rèn)為,人口?財(cái)產(chǎn)和技術(shù)是影響環(huán)境的三大因素[35],該模型常被用于分析碳排放和大氣污染的影響因素.隨后,許多學(xué)者對(duì)傳統(tǒng)STIRPAT模型的驅(qū)動(dòng)因素進(jìn)行拓展,將其應(yīng)用于實(shí)證檢驗(yàn),如黃蕊等[36]分析了人口、人均GDP、能源強(qiáng)度和城鎮(zhèn)化率對(duì)碳排放量的影響.本文基于STIRPAT模型和已有相關(guān)文獻(xiàn)[37-38],考慮數(shù)據(jù)的完整性和準(zhǔn)確性后,選擇的城市社會(huì)和經(jīng)濟(jì)特征控制變量為:人均GDP、總?cè)丝?、第三產(chǎn)業(yè)占GDP比重、生活垃圾無(wú)害化處理率、科學(xué)技術(shù)支出占GDP比重、外商直接投資與GDP比值、金融機(jī)構(gòu)貸款余額與GDP比值.大氣污染受自然因素與人類活動(dòng)的共同作用,氣象要素會(huì)制約污染物在大氣中的稀釋、擴(kuò)散、遷移和轉(zhuǎn)化[39].因此,本文在研究低碳城市政策對(duì)PM2.5污染的影響時(shí)加入氣象要素作為控制變量.我國(guó)學(xué)者已對(duì)大氣污染物與氣象條件的關(guān)系進(jìn)行了較為全面的分析,如李慧杰等[40]的研究結(jié)果表明氣溫、相對(duì)濕度、氣壓和風(fēng)速與京津冀地區(qū)的AQI均顯著相關(guān),而降水與AQI的相關(guān)性不顯著;周夢(mèng)鴿等[41]對(duì)菏澤、威海兩市進(jìn)行分析,發(fā)現(xiàn)風(fēng)速、氣溫、相對(duì)濕度和日照時(shí)數(shù)與PM2.5顯著相關(guān),但對(duì)兩市的PM2.5影響程度不同.基于已有文獻(xiàn)結(jié)論,本文選擇的氣象特征控制變量為:平均氣溫、平均相對(duì)濕度和平均風(fēng)速.

1.3.4 機(jī)制變量 根據(jù)低碳政策核心內(nèi)涵和制定的基本思路,本文認(rèn)為低碳城市政策實(shí)現(xiàn)對(duì)CO2和PM2.5污染控制的協(xié)同效應(yīng)途徑主要包括推動(dòng)技術(shù)創(chuàng)新、提升能源利用效率、優(yōu)化交通出行環(huán)境、促進(jìn)產(chǎn)業(yè)結(jié)構(gòu)升級(jí)4個(gè)方面[42-44].為此,分別從技術(shù)創(chuàng)新、能源利用效率、公共交通和產(chǎn)業(yè)結(jié)構(gòu)角度構(gòu)建機(jī)制變量考察試點(diǎn)政策對(duì)降低CO2排放、減少PM2.5濃度的影響機(jī)制.參考宋弘等[5]、趙立祥等[45]相關(guān)文獻(xiàn),結(jié)合數(shù)據(jù)的可得性和完整性,本文共選取了11個(gè)二級(jí)指標(biāo).其中,產(chǎn)業(yè)結(jié)構(gòu)升級(jí)用第三產(chǎn)業(yè)與第二產(chǎn)業(yè)增加值之比表示,而技術(shù)創(chuàng)新、能源利用效率、公共交通三個(gè)方面分別選取多個(gè)指標(biāo)來綜合度量.對(duì)于技術(shù)創(chuàng)新水平,選取發(fā)明專利總量、綠色發(fā)明專利數(shù)量、綠色專利與專利總量之比、科學(xué)技術(shù)支出占GDP比重四個(gè)指標(biāo)作為代理變量.對(duì)于能源利用效率,選取單位GDP電耗(用電總量與GDP比值)、工業(yè)廢水排放量、工業(yè)SO2排放量、工業(yè)煙(粉)排放量4個(gè)指標(biāo)作為代理變量.對(duì)于公共交通,選取公共汽(電)車營(yíng)運(yùn)車輛數(shù)、公共汽(電)車客運(yùn)總量?jī)蓚€(gè)指標(biāo)作為代理變量.本文對(duì)這3個(gè)維度的指標(biāo)標(biāo)準(zhǔn)化后再使用熵權(quán)法分別進(jìn)行權(quán)重賦值,將加權(quán)計(jì)算得到各維度的總指數(shù)作為機(jī)制變量.熵權(quán)法已被大量應(yīng)用于城市環(huán)境評(píng)價(jià)等相關(guān)領(lǐng)域的研究[46-47],是當(dāng)前使用最廣泛的確定權(quán)重的方法.這是一種客觀賦權(quán)法,本質(zhì)是利用指標(biāo)的離散程度來表示該指標(biāo)的信息價(jià)值,可以避免人為因素的過多影響,但要求樣本中零值和指標(biāo)層級(jí)數(shù)不可過多,否則會(huì)降低有效性[48].由于本文樣本中零值比例小且只需對(duì)二級(jí)指標(biāo)計(jì)算權(quán)重,因此適合使用熵權(quán)法.以上各變量描述性統(tǒng)計(jì)結(jié)果見表1,具體機(jī)制指標(biāo)及其權(quán)重情況見表2.

表1 變量描述性統(tǒng)計(jì)

表2 影響機(jī)制指標(biāo)及權(quán)重

注:將有利于降低CO2排放和PM2.5污染的指標(biāo)定為正向指標(biāo),將不利于降低CO2排放和PM2.5污染的指標(biāo)定為負(fù)向指標(biāo),最終計(jì)算得到的一級(jí)指標(biāo)均為正向指標(biāo).

2 結(jié)果與討論

2.1 低碳城市對(duì)CO2和PM2.5的影響分析

表3顯示了低碳城市試點(diǎn)政策對(duì)CO2和PM2.5污染的基準(zhǔn)回歸結(jié)果.列(1)、列(3)控制了時(shí)間固定效應(yīng)和城市固定效應(yīng),列(2)在此基礎(chǔ)上加入了城市社會(huì)和經(jīng)濟(jì)控制變量,列(4)同時(shí)還加入了城市氣象特征控制變量.從結(jié)果可以發(fā)現(xiàn),各列低碳城市政策變量D的回歸系數(shù)均顯著為負(fù),且列(2)、列(4)回歸系數(shù)表明,相比于非試點(diǎn)城市,低碳城市政策降低了試點(diǎn)城市3.2%的CO2排放量和0.74%的PM2.5濃度.這說明低碳城市政策減少了試點(diǎn)城市的CO2和PM2.5,產(chǎn)生顯著的協(xié)同效應(yīng).

在控制變量方面,氣象變量對(duì)PM2.5濃度具有顯著的影響.結(jié)果表明,風(fēng)速的增加可以有效降低大氣PM2.5濃度,而氣溫升高會(huì)導(dǎo)致PM2.5濃度增加,說明風(fēng)速越大,污染物越容易擴(kuò)散,而氣溫上升對(duì)PM2.5污染的形成起著重要作用.另一方面,城市社會(huì)和經(jīng)濟(jì)控制變量對(duì)CO2和PM2.5的協(xié)同效應(yīng)產(chǎn)生一定的影響.科學(xué)技術(shù)支出占比的提高顯著降低城市碳排放和PM2.5,說明技術(shù)創(chuàng)新有效推動(dòng)了CO2和PM2.5的協(xié)同減排,為提升環(huán)境質(zhì)量提供有效支持;而人口數(shù)量的增多顯著增加了CO2排放和PM2.5,對(duì)協(xié)同效應(yīng)產(chǎn)生負(fù)向影響,這說明人類生活和生產(chǎn)活動(dòng)與環(huán)境污染高度相關(guān),人口增長(zhǎng)會(huì)加劇溫室效應(yīng)和霧霾污染.

2.2 穩(wěn)健性檢驗(yàn)

為保證雙重差分模型估計(jì)結(jié)果的合理性和準(zhǔn)確性,確保研究結(jié)論的可靠性,本文將從多重維度進(jìn)行穩(wěn)健性檢驗(yàn).

2.2.1 平行趨勢(shì)假設(shè)檢驗(yàn) 使用雙重差分模型的一個(gè)重要假設(shè)條件是滿足"平行趨勢(shì)",即在政策實(shí)施之前,試點(diǎn)城市和其他城市的被解釋變量應(yīng)具有相同的變化趨勢(shì),從而保證估計(jì)量的無(wú)偏性.本文參照已有研究[49],使用事件研究法來進(jìn)行平行趨勢(shì)假設(shè)檢驗(yàn).具體模型形式如下:

式中:P,t-是一個(gè)虛擬變量,若在年份-時(shí)城市成為試點(diǎn)城市,則該變量取1,否則為0;表示城市獲批為低碳試點(diǎn)城市后的第年,考慮到試點(diǎn)城市樣本的時(shí)間范圍,本文將被解釋變量為CO2和PM2.5的模型范圍設(shè)置為[-6,7],即覆蓋了政策實(shí)施前6年和實(shí)施后7年,將政策實(shí)施的前1年設(shè)置為基準(zhǔn)組;是平行趨勢(shì)假設(shè)檢驗(yàn)關(guān)注的核心變量,若<0時(shí),的估計(jì)值不顯著且趨勢(shì)平緩,則平行趨勢(shì)假設(shè)成立.

表3 低碳城市政策對(duì)CO2和PM2.5的基準(zhǔn)回歸結(jié)果

注:括號(hào)內(nèi)數(shù)值為穩(wěn)健標(biāo)準(zhǔn)誤;***、**、*分別表示檢驗(yàn)在1%、5%和10%的水平上顯著;由于文章篇幅限制,未報(bào)告常數(shù)項(xiàng).下同.

由于將政策實(shí)施前一年設(shè)定為基準(zhǔn)組,因此圖中沒有-1期的數(shù)據(jù)

垂直虛線表示真實(shí)的低碳城市名單的估計(jì)系數(shù)值

2.2.3 PSM-DID 低碳試點(diǎn)城市是綜合考慮各申報(bào)地區(qū)的示范性和代表性等因素后確定的,因此并非是隨機(jī)性選擇,一些城市由于地理區(qū)位?經(jīng)濟(jì)發(fā)展等因素存在的差異隨著時(shí)間的變化可能會(huì)對(duì)城市環(huán)境產(chǎn)生不同的影響,造成估計(jì)偏差.為此,本文使用傾向得分匹配(PSM)的DID模型進(jìn)行穩(wěn)健性檢驗(yàn).PSM-DID方法常應(yīng)用于政策效應(yīng)評(píng)估中[51],用以緩解選擇性偏差帶來的內(nèi)生性問題.具體地,選取人均GDP、人口數(shù)、第三產(chǎn)業(yè)占比和金融機(jī)構(gòu)貸款余額占比等可能影響低碳試點(diǎn)城市選取的相關(guān)因素作為匹配變量,采用1:4有放回的最近鄰匹配方式,基于Logit模型估計(jì)傾向得分值,尋找試點(diǎn)城市的配對(duì)城市,再使用配對(duì)后的樣本進(jìn)行雙重差分模型.在利用PSM-DID方法進(jìn)行估計(jì)之前,需先進(jìn)行平衡性檢驗(yàn),即檢驗(yàn)匹配后的兩組樣本的協(xié)變量取值是否存在顯著性差異.平衡性檢驗(yàn)結(jié)果表明,兩組間并無(wú)顯著差距,因此本文使用PSM-DID方法是合理的.

2.2.4 其他政策影響 在考慮低碳城市建設(shè)的協(xié)同效應(yīng)時(shí),可能會(huì)受到其他政策的影響,從而對(duì)低碳城市試點(diǎn)政策的估計(jì)效應(yīng)產(chǎn)生偏差.因此,本文梳理了2010年以來城市層面可能會(huì)對(duì)環(huán)境產(chǎn)生影響的重要政策,包括創(chuàng)新型城市試點(diǎn)政策、碳排放權(quán)交易試點(diǎn)政策、新能源示范城市政策、大氣污染排放限值政策以及新能源汽車補(bǔ)貼政策,在基準(zhǔn)計(jì)量模型中加入各政策虛擬變量與時(shí)間線性趨勢(shì)的交叉項(xiàng).具體形式如下:

Y=+D+X+Z′tim+++(5)

式中:Z為表示其他政策的虛擬變量,若城市在年實(shí)施了該政策,則Z=1,否則Z=0;tim表示時(shí)間趨勢(shì).如果加入交叉項(xiàng)后低碳城市建設(shè)的政策效果不顯著,則表明本文結(jié)論不穩(wěn)健.結(jié)果如表4列(5)、列(6)所示.可以發(fā)現(xiàn),回歸系數(shù)的顯著性和估計(jì)值均有一定程度的下降,但系數(shù)依然顯著,說明低碳城市的政策效果存在高估現(xiàn)象,但并不影響本文結(jié)論,本文估計(jì)結(jié)論相對(duì)穩(wěn)健.此外,觀察其他政策與時(shí)間趨勢(shì)交叉項(xiàng)的回歸系數(shù)值及其顯著性,發(fā)現(xiàn)各政策均或多或少地降低了碳排放和PM2.5濃度,再次印證了CO2與PM2.5之間存在協(xié)同效應(yīng).

2.2.5 其他穩(wěn)健性檢驗(yàn) 為進(jìn)一步保證本文估計(jì)結(jié)論的可靠性,還進(jìn)行了一系列其他的穩(wěn)健性檢驗(yàn),結(jié)果見表5.第一,更改了第二次低碳城市政策的實(shí)施時(shí)間,將其設(shè)定為政策公布的2012年,結(jié)果如表5列(1)、列(2)所示.第二,為排除異常值對(duì)估計(jì)結(jié)果的干擾,對(duì)被解釋變量進(jìn)行5%和95%的縮尾處理,結(jié)果如表5列(3)、列(4)所示.第三,替換被解釋變量,將人均碳排放量(ACO2)作為衡量碳排放水平的指標(biāo),結(jié)果如表5列(5)所示.第四,由于本文使用的CO2數(shù)據(jù)只計(jì)算了直接能源消耗產(chǎn)生的CO2排放,而未計(jì)算電能等間接排放[33],這可能導(dǎo)致估計(jì)結(jié)果產(chǎn)生一定的偏差.因此,本文借鑒吳建新等[52]的做法,使用城市用電量和歷年各區(qū)域電網(wǎng)基準(zhǔn)線排放因子計(jì)算各城市電能消耗產(chǎn)生的CO2排放(ECO2),取對(duì)數(shù)后將其替換為被解釋變量.最終結(jié)果如表5列(6)所示.

表4 穩(wěn)健性檢驗(yàn)(1)

表5 穩(wěn)健性檢驗(yàn)(2)

從表5列(1)～列(5)可以看出,結(jié)果與基準(zhǔn)回歸并無(wú)顯著差別,低碳試點(diǎn)政策的回歸系數(shù)依然顯著為負(fù).同時(shí),表5列(6)顯示低碳城市政策顯著降低了試點(diǎn)城市電能消耗產(chǎn)生的碳排放,其降低程度為4.2%.因此,低碳城市同時(shí)降低了能源消耗和電能消耗產(chǎn)生的CO2排放,低碳城市建設(shè)的實(shí)際CO2減排效應(yīng)可能還要高于基準(zhǔn)回歸結(jié)果.但這并不影響本文結(jié)論,低碳城市對(duì)CO2與PM2.5仍然具有顯著的協(xié)同效應(yīng),本文結(jié)論依然較為穩(wěn)健.

2.3 影響機(jī)制分析

以上研究表明,低碳城市試點(diǎn)政策可以有效減少碳排放,降低PM2.5污染,具有顯著的協(xié)同效應(yīng).在此基礎(chǔ)上,本文進(jìn)一步從技術(shù)創(chuàng)新、能源利用效率、公共交通、產(chǎn)業(yè)結(jié)構(gòu)4個(gè)方面檢驗(yàn)低碳城市政策控制CO2和PM2.5的影響機(jī)制,具體結(jié)果見表6.

表6的列(1)～列(4)展示了各個(gè)機(jī)制模型(2)的回歸結(jié)果.結(jié)果顯示,當(dāng)被解釋變量為技術(shù)創(chuàng)新、能源利用效率和公共交通環(huán)境時(shí),政策變量的回歸系數(shù)均顯著為正,說明低碳城市政策顯著提高了試點(diǎn)城市的技術(shù)創(chuàng)新水平和能源利用效率,改善了試點(diǎn)城市的公共交通.當(dāng)被解釋變量為產(chǎn)業(yè)結(jié)構(gòu)升級(jí)時(shí),政策變量的回歸系數(shù)不顯著,說明低碳城市建設(shè)并未使試點(diǎn)城市與非試點(diǎn)城市之間的產(chǎn)業(yè)結(jié)構(gòu)升級(jí)有明顯的差異.

表6的列(5)～列(12)展示了各個(gè)機(jī)制模型(3)的回歸結(jié)果.結(jié)果顯示,對(duì)于CO2,技術(shù)創(chuàng)新水平、能源利用效率、公共交通相關(guān)變量的回歸系數(shù)均顯著為負(fù),且政策變量回歸系數(shù)相較前文基準(zhǔn)模型中的系數(shù)的絕對(duì)值減小,因此存在中介效應(yīng),說明低碳城市政策通過這3種影響機(jī)制顯著降低了試點(diǎn)城市的CO2排放量.對(duì)于PM2.5,公共交通的回歸系數(shù)顯著為負(fù)且政策變量回歸系數(shù)的絕對(duì)值相較基準(zhǔn)模型有所減小,說明低碳城市建設(shè)優(yōu)化了試點(diǎn)城市的居民出行環(huán)境,隨著公共交通網(wǎng)絡(luò)的日趨完善和公交出行分擔(dān)比例逐年提升,有效減少了PM2.5污染.技術(shù)創(chuàng)新和能源利用效率的回歸系數(shù)雖為負(fù)但并不顯著,說明低碳城市政策尚未通過提升技術(shù)創(chuàng)新和能源利用效率來降低PM2.5濃度.隨著城市化進(jìn)程加快,能源和產(chǎn)業(yè)結(jié)構(gòu)等因素對(duì)PM2.5的貢獻(xiàn)度越來越小,而交通對(duì)PM2.5的貢獻(xiàn)度越來越大.目前,機(jī)動(dòng)車等移動(dòng)污染源已經(jīng)成為北京、上海、杭州等大中型城市PM2.5的主要來源[53].此外,被解釋變量為PM2.5時(shí),產(chǎn)業(yè)結(jié)構(gòu)升級(jí)回歸系數(shù)為負(fù),說明產(chǎn)業(yè)結(jié)構(gòu)升級(jí)可以顯著降低大氣PM2.5濃度.

綜上,機(jī)制檢驗(yàn)結(jié)果表明,當(dāng)前我國(guó)低碳城市政策主要通過優(yōu)化城市公共交通實(shí)現(xiàn)了CO2和PM2.5的協(xié)同效應(yīng).低碳城市政策還通過提高技術(shù)創(chuàng)新水平和提升能源利用效率降低了試點(diǎn)地區(qū)的CO2排放,但這兩種途徑尚未對(duì)PM2.5污染產(chǎn)生顯著影響.雖然產(chǎn)業(yè)結(jié)構(gòu)升級(jí)可以顯著降低PM2.5濃度,但相比于非試點(diǎn)城市,低碳城市政策并未顯著優(yōu)化升級(jí)試點(diǎn)城市的產(chǎn)業(yè)結(jié)構(gòu).

表6 影響機(jī)制檢驗(yàn)

2.4 地區(qū)差異分析

我國(guó)各城市的經(jīng)濟(jì)發(fā)展水平、區(qū)位優(yōu)勢(shì)、資源稟賦等均有較大區(qū)別,城市的CO2排放和PM2.5污染的主要來源領(lǐng)域也不盡相同.因此,探索發(fā)展情況與定位類似的城市在減碳降霾路徑上的可能性是十分重要的.參考張華[18]、張兵兵[21]等人的城市分組方法,本文分別根據(jù)城市的經(jīng)濟(jì)發(fā)展水平、產(chǎn)業(yè)結(jié)構(gòu)和資源稟賦特征對(duì)城市進(jìn)行分類,考察不同城市群低碳城市建設(shè)的協(xié)同效應(yīng)是否存在差異.

表7顯示了不同分組下低碳城市試點(diǎn)政策對(duì)CO2和PM2.5的影響結(jié)果.其中,列(1)和列(2)以城市2019年人均GDP是否高于全國(guó)平均水平進(jìn)行劃分;列(3)和列(4)以城市2019年產(chǎn)業(yè)結(jié)構(gòu)比例是否為三產(chǎn)>二產(chǎn)>一產(chǎn)進(jìn)行劃分;列(5)和列(6)以城市是否為資源型城市進(jìn)行劃分.從結(jié)果可以看出,低碳城市政策的協(xié)同效應(yīng)存在地區(qū)差異.首先,列(1)和列(2)表明,不論是對(duì)CO2還是PM2.5,低碳建設(shè)下經(jīng)濟(jì)發(fā)展水平較高城市的減排力度更強(qiáng).城市經(jīng)濟(jì)發(fā)展水平越高,會(huì)有更多的政府財(cái)力支持、更高的技術(shù)水平、更充足的人才來保障政策的實(shí)施,因而減排效果更好.其次,相較第二產(chǎn)業(yè)占比更高的城市,低碳城市政策對(duì)服務(wù)業(yè)比重更高城市的協(xié)同效應(yīng)效果更好.服務(wù)業(yè)比重高的城市產(chǎn)業(yè)結(jié)構(gòu)水平較高,技術(shù)集約化水平高,有較好的減碳降霾基礎(chǔ);而重工業(yè)城市碳排放和污染物排放強(qiáng)度大,增長(zhǎng)慣性大,更不易減排.最后,低碳城市政策對(duì)非資源型城市的協(xié)同效應(yīng)更有效,對(duì)資源型城市的影響不顯著.資源型城市的發(fā)展主要依賴于資源稟賦,較多城市經(jīng)濟(jì)發(fā)展滯后,生態(tài)環(huán)境壓力大,而低碳試點(diǎn)城市沒有額外的財(cái)政資金支持,政府更多使用市場(chǎng)激勵(lì)型政策,因此資源型城市的政策力度較弱,實(shí)施效果不明顯.非資源型城市的發(fā)展更多依賴于完善的產(chǎn)業(yè)結(jié)構(gòu)和創(chuàng)新,在低碳政策的幫助下,更利于通過實(shí)施技術(shù)創(chuàng)新、推動(dòng)產(chǎn)業(yè)結(jié)構(gòu)升級(jí)等方式降低CO2和PM2.5的排放.

表7 不同分組下低碳城市試點(diǎn)政策的協(xié)同效應(yīng)

2.5 政策建議

2.5.1 充分發(fā)揮CO2和PM2.5等大氣污染物的協(xié)同效應(yīng),進(jìn)一步推動(dòng)低碳城市建設(shè).實(shí)證結(jié)果表明,低碳城市建設(shè)不僅可以降低碳排放,還可以減少PM2.5污染.因此,在制定城市低碳發(fā)展的方針政策時(shí)應(yīng)優(yōu)化管理路線,強(qiáng)化減污降碳協(xié)同增效要求,積極推進(jìn)CO2和PM2.5等大氣污染物的協(xié)同控制.具體而言,首先要提升減碳降霾協(xié)同監(jiān)測(cè)能力,完善CO2和PM2.5為一體的監(jiān)測(cè)評(píng)估體系;其次要加強(qiáng)協(xié)同管理,將碳減排措施和霧霾污染治理政策相協(xié)調(diào),建立統(tǒng)一的規(guī)劃目標(biāo)和考核體系,在產(chǎn)業(yè)、城市層面開展減碳降霾協(xié)同度評(píng)價(jià)的研究;最后要加大對(duì)綠色低碳技術(shù)和投資項(xiàng)目的財(cái)政政策支持,大力發(fā)展綠色金融,助力企業(yè)綠色低碳發(fā)展.

2.5.2 統(tǒng)籌協(xié)調(diào)推進(jìn)多部門的低碳發(fā)展工作,實(shí)現(xiàn)多途徑協(xié)同減排.機(jī)制分析結(jié)果表明,當(dāng)前低碳城市實(shí)現(xiàn)協(xié)同效應(yīng)的重要機(jī)制是交通,而技術(shù)創(chuàng)新和能源利用等方面的作用較為有限.因此在制定低碳規(guī)劃時(shí),一方面應(yīng)優(yōu)化交通運(yùn)輸結(jié)構(gòu),有序推動(dòng)老舊車輛的替換,加快發(fā)展新能源車,構(gòu)建安全、綠色、經(jīng)濟(jì)的現(xiàn)代綜合交通運(yùn)輸體系,另一方面需進(jìn)一步加強(qiáng)技術(shù)創(chuàng)新,尤其是多污染物系統(tǒng)治理等綠色低碳協(xié)同技術(shù)的研發(fā)應(yīng)用;同時(shí)推動(dòng)能源綠色低碳轉(zhuǎn)型,提高能源加工轉(zhuǎn)化和利用效率,大力發(fā)展風(fēng)能、太陽(yáng)能、地?zé)崮艿刃履茉?不斷提高非化石能源消費(fèi)比重,切實(shí)實(shí)現(xiàn)多路徑多部門的協(xié)同減排.

2.5.3 總結(jié)各地低碳城市發(fā)展經(jīng)驗(yàn),因地制宜開展低碳建設(shè)工作.實(shí)證結(jié)果表明低碳政策的協(xié)同效應(yīng)因城市地理、社會(huì)、經(jīng)濟(jì)等因素而存在地區(qū)差異,經(jīng)濟(jì)發(fā)展水平較低、第二產(chǎn)業(yè)比重大的城市和資源型城市的CO2和PM2.5協(xié)同效應(yīng)較弱,而經(jīng)濟(jì)發(fā)展水平高、以服務(wù)業(yè)為主的城市和非資源型城市具有顯著的CO2和PM2.5協(xié)同減排效應(yīng).因此,低碳城市應(yīng)深入分析自身發(fā)展條件和資源稟賦特征,更有針對(duì)性的解決核心問題,探索低碳發(fā)展有效路徑.例如,對(duì)于重工業(yè)城市,應(yīng)加大財(cái)政資金支持,鼓勵(lì)企業(yè)綠色轉(zhuǎn)型,同時(shí)通過協(xié)同技術(shù)引進(jìn)?能效提升等方式積極推進(jìn)工業(yè)領(lǐng)域的協(xié)同增效,優(yōu)化產(chǎn)業(yè)和能源結(jié)構(gòu);對(duì)于一線、新一線等經(jīng)濟(jì)發(fā)達(dá)的城市,應(yīng)進(jìn)一步加強(qiáng)技術(shù)創(chuàng)新和管理創(chuàng)新,充分發(fā)揮帶頭作用,探索更有效的減碳降霾協(xié)同治理路徑.同時(shí),區(qū)域間應(yīng)加強(qiáng)交流,讓非試點(diǎn)城市多借鑒與其職能定位相似的低碳城市實(shí)現(xiàn)協(xié)同效應(yīng)的路徑等成功經(jīng)驗(yàn),推動(dòng)低碳工作在全國(guó)范圍穩(wěn)步開展.

3 結(jié)論

3.1 低碳城市對(duì)CO2和PM2.5的回歸結(jié)果顯示,低碳城市政策使試點(diǎn)城市的CO2排放量和大氣PM2.5濃度分別下降3.2%和0.74%,有效實(shí)現(xiàn)CO2和PM2.5減排的協(xié)同效應(yīng),且結(jié)論在一系列穩(wěn)健性檢驗(yàn)后仍然成立.

3.2 影響機(jī)制分析表明,低碳城市建設(shè)協(xié)同效應(yīng)主要通過優(yōu)化城市公共交通的途徑來實(shí)現(xiàn)的.此外,技術(shù)創(chuàng)新和提升能源利用效率也是低碳城市政策降低CO2排放的途徑之一,但對(duì)PM2.5的影響并不顯著.雖然產(chǎn)業(yè)結(jié)構(gòu)升級(jí)可以有效降低PM2.5濃度,但低碳政策并未通過產(chǎn)業(yè)結(jié)構(gòu)升級(jí)對(duì)碳排放和大氣污染產(chǎn)生顯著影響.

3.3 低碳城市建設(shè)的協(xié)同效應(yīng)存在地區(qū)差異,經(jīng)濟(jì)發(fā)展水平、產(chǎn)業(yè)結(jié)構(gòu)、自然資源稟賦等條件均會(huì)對(duì)減碳降霾成效產(chǎn)生影響.其中,對(duì)于經(jīng)濟(jì)發(fā)展水平較高的城市、產(chǎn)業(yè)結(jié)構(gòu)水平較高的城市以及非資源型城市,低碳城市政策的協(xié)同效應(yīng)更為顯著.

[1] Dong F, Yu B L, Pan Y L. Examining the synergistic effect of CO2emissions on PM2.5emissions reduction: Evidence from China [J]. Journal of Cleaner Production, 2019,223:759-771.

[2] Portugal-Pereira J, Koberle A, Lucena A, et al. Interactions between global climate change strategies and local air pollution: lessons learnt from the expansion of the power sector in Brazil [J]. Climatic Change, 2018,148:293-309.

[3] Swart R, Amann M, Raes F, et al. A good climate for clean air: Linkages between climate change and air pollution. An Editorial Essay [J]. Climatic Change, 2004,66(3):263-269.

[4] Houghton J, Ding Y H, Griggs J, et al. Climate change 2001: The scientific basis [R]. Cambridge: Cambridge University Press, 2001.

[5] 宋 弘,孫雅潔,陳登科.政府空氣污染治理效應(yīng)評(píng)估——來自中國(guó)“低碳城市”建設(shè)的經(jīng)驗(yàn)研究 [J]. 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 “l(fā)ow-carbon city” construction in China [J]. Management World, 2019,35(6):95- 108,195.

[6] 曾詩(shī)鴻,李 璠,翁智雄,等.我國(guó)碳交易試點(diǎn)政策的減排效應(yīng)及地區(qū)差異 [J]. 中國(guó)環(huán)境科學(xué), 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 [J]. China Environmental Science, 2022,42(4):1922-1933.

[7] 高 原,申珍珍.綠色金融改革政策的碳減排效應(yīng) [J]. 中國(guó)環(huán)境科學(xué), 2022,42(10):4849-4859.

Gao Y, Shen Z Z. The role of green finance reform policy in carbon reduction [J]. China Environmental Science, 2022,42(10):4849-4859.

[8] 周 迪,劉奕淳.中國(guó)碳交易試點(diǎn)政策對(duì)城市碳排放績(jī)效的影響及機(jī)制 [J]. 中國(guó)環(huán)境科學(xué), 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 [J]. China Environmental Science, 2020,40(1):453-464.

[9] 劉茂輝,劉勝楠,李 婧,等.天津市減污降碳協(xié)同效應(yīng)評(píng)估與預(yù)測(cè) [J]. 中國(guó)環(huán)境科學(xué), 2022,42(8):3940-3949.

Liu M H, Liu S N, Li J, et al. Evaluation and prediction of the synergistic effect of pollution reduction and carbon reduction in Tianjin [J]. China Environmental Science, 2022,42(8):3940-3949.

[10] Alam M S, Hyde B, Duffy P, et al. Analysing the co-benefits of transport fleet and fuel policies in reducing PM2.5and CO2emissions [J]. Journal of Cleaner Production, 2018,172:623-634.

[11] Xue B, Yang M. Co-benefit prevention and control of air pollutants and green-house gases [J]. Reform, 2017,282(8):78-80.

[12] Vuuren D, Cofala J, Eerens H E, et al. Exploring the ancillary benefits of the Kyoto Protocol for air pollution in Europe [J]. Energy Policy, 2006,34(4):444-460.

[13] Markandya A, Armstrong B G, Hales S, et al. Public health benefits of strategies to reduce greenhouse-gas emissions: low-carbon electricity generation [J]. The Lancet, 2009,374(9706):2006-2015.

[14] 李麗平,周國(guó)梅,季浩宇.污染減排的協(xié)同效應(yīng)評(píng)價(jià)研究——以攀枝花市為例 [J]. 中國(guó)人口·資源與環(huán)境, 2010,20(S2):91-95.

Li L P, Zhou G M, Ji H Y. Study of Co-benefits Assessment of Pollution Reduction: A Case Study in Panzhihua [J]. China population, resources and environment, 2010,20(S2):91-95.

[15] 王慧慧,曾維華,吳開亞.上海市機(jī)動(dòng)車尾氣排放協(xié)同控制效應(yīng)研究 [J]. 中國(guó)環(huán)境科學(xué), 2016,36(5):1345-1352.

Wang H H, Zeng W H, Wu K Y. Co-control effects of motor vehicle pollutant emission in Shanghai [J]. China Environmental Science, 2016,36(5):1345-1352.

[16] 周 迪,周豐年,王雪芹.低碳試點(diǎn)政策對(duì)城市碳排放績(jī)效的影響評(píng)估及機(jī)制分析[J]. 資源科學(xué), 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 [J]. Resources Science, 2019,41(3):546-556.

[17] 禹 湘,陳 楠,李曼琪.中國(guó)低碳試點(diǎn)城市的碳排放特征與碳減排路徑研究 [J]. 中國(guó)人口·資源與環(huán)境, 2020,30(7):1-9.

Yu X, Chen N, Li M Q. Research on carbon emission characteristics and reduction pathways of low-carbon pilot cities in China [J]. China population, resources and environment, 2020,30(7):1-9.

[18] 張 華.低碳城市試點(diǎn)政策能夠降低碳排放嗎?——來自準(zhǔn)自然實(shí)驗(yàn)的證據(jù) [J]. 經(jīng)濟(jì)管理, 2020,42(6):25-41.

Zhang H. Can Low-carbon City Construction Reduce Carbon Emissions? Evidence from a Quasi-natural Experiment [J]. Economic Management Journal, 2020,42(6):25-41.

[19] 董 梅.低碳城市試點(diǎn)政策的工業(yè)污染物凈減排效應(yīng)——基于合成控制法 [J]. 北京理工大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版), 2021,23(5):16-30.

Dong M.Analysis of the net emission reduction effect of the industrial pollutants in low-carbon pilot cities-Based on synthetic control method [J]. Journal of Beijing Institute of Technology (Social Sciences Edition), 2021,23(5):16-30.

[20] 韋東明,顧乃華.城市低碳治理與綠色經(jīng)濟(jì)增長(zhǎng)——基于低碳城市試點(diǎn)政策的準(zhǔn)自然實(shí)驗(yàn) [J]. 當(dāng)代經(jīng)濟(jì)科學(xué), 2021,43(4):90-103.

Wei D M, Gu N H. Low-carbon governance and green economic growth-Quasi-natural experiment from Chinese low-carbon polit policy [J]. Modern Economic Science, 2021,43(4):90-103.

[21] 張兵兵,周君婷,閆志俊.低碳城市試點(diǎn)政策與全要素能源效率提升——來自三批次試點(diǎn)政策實(shí)施的準(zhǔn)自然實(shí)驗(yàn) [J]. 經(jīng)濟(jì)評(píng)論, 2021, (5):32-49.

Zhang B B, Zhou J T, Yan Z J. Low-carbon city pilot policies and total factor energy efficiency improvement: Quasi-natural experiment from the implementation of three batches of pilot policies [J]. Economic Review, 2021,(5):32-49.

[22] 龔夢(mèng)琪,劉海云,姜 旭.中國(guó)低碳試點(diǎn)政策對(duì)外商直接投資的影響研究 [J]. 中國(guó)人口·資源與環(huán)境, 2019,29(6):50-57.

Gong M Q, Liu H J, Jiang X. A study on the impact of China’s low-carbon pilot policy on foreign direct investment [J]. China population, resources and environment, 2019,29(6):50-57.

[23] 清華大學(xué)碳中和研究院.中國(guó)碳核算數(shù)據(jù)庫(kù) [DB/OL]. https: //www.ceads.net.cn/data/county/.

Institute for Carbon Neutrality, Tsinghua University. Carbon Emission Accounts & Datasets for emerging economies [DB/OL]. https://www. ceads.net.cn/data/county/.

[24] Wei J, Li Z, Lyapustin A, et al. Reconstructing 1-km-resolution high- quality PM2.5data records from 2000 to 2018 in China: spatiotemporal variations and policy implications [J]. Remote Sensing of Environment, 2021,252,112136.

[25] Wei J, Li Z, Cribb M, et al. Improved 1km resolution PM2.5estimates across China using enhanced space-time extremely randomized trees [J]. Atmospheric Chemistry and Physics, 2020,20:3273–3289.

[26] 上海經(jīng)禾信息技術(shù)有限公司.中國(guó)研究數(shù)據(jù)服務(wù)平臺(tái) [DB/OL]. https://www.cnrds.com.

Shanghai Jinghe Information Technology Co., LTD. Chinese research data services platform [DB/OL]. https://www.cnrds.com.

[27] 中國(guó)國(guó)家統(tǒng)計(jì)局城市社會(huì)經(jīng)濟(jì)調(diào)查司.中國(guó)城市統(tǒng)計(jì)年鑒 [M]. 北京:中國(guó)統(tǒng)計(jì)出版社, 2020.

Department of Urban Socio- Economic Survey of the National Bureau of Statistics of the People’s Republic of China. China’s urban statistical yearbook [M]. Beijing: China Statistics Press, 2020.

[28] 國(guó)家氣象信息中心.中國(guó)地面氣候資料日值數(shù)據(jù)集(V3.0) [DB/OL]. http://data.cma.cn.

National Meteorological Information Center. Daily data sets of Chinese surface climatological data(V3.0) [DB/OL]. http://data.cma. cn.

[29] Beck T, Levine R, Levkov A. Big bad banks? The winners and losers from bank deregulation in the United States [J]. The Journal of Finance, 2020,65:1637-1667.

[30] 溫忠麟,張 雷,侯杰泰,等.中介效應(yīng)檢驗(yàn)程序及其應(yīng)用 [J]. 心理學(xué)報(bào), 2004,(5):614-620.

Wen Z L, Zhang L, Hou J T, et al. Testing and application of the mediating effects [J]. Acta Psychologica Sinica, 2004,(5):614-620.

[31] Preacher K J, Hayes A F. Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models [J]. Behav Res Methods, 2008,40(3):879-891.

[32] 賈璐宇,王艷華,王 克,等.大氣污染防治措施二氧化碳協(xié)同減排效果評(píng)估 [J]. 環(huán)境保護(hù)科學(xué), 2020,46(6):19-26,43.

Jia L Y, Wang Y H, Wang K, et al. Evaluation of carbon dioxide coordination emission reduction based on national air pollution control plan [J]. Environmental Protection Science, 2020,46(6):19- 26,43.

[33] Chen J, Gao M, Cheng S, et al. County-level CO2emissions and sequestration in China during 1997～2017 [J]. Scientific Data, 2020, 7(1):1-12.

[34] Lin H X, Jiang P. Analyzing the phased changes of socioeconomic drivers to carbon dioxide and particulate matter emissions in the Yangtze River Delta [J]. Ecological Indicators, 2022,140:109044.

[35] Dietz T, Rosa E A. Rethinking the environmental impacts of population, affluence and technology [J]. Human Ecology Review, 1994,1(2):277-300.

[36] 黃 蕊,王 錚,丁冠群,等.基于STIRPAT模型的江蘇省能源消費(fèi)碳排放影響因素分析及趨勢(shì)預(yù)測(cè) [J]. 地理研究, 2016,35(4):781-789.

Huang R, Wang Z, Ding G Q, et al. Trend prediction and analysis of influencing factors of carbon emissions from energy consumption in Jiangsu province based on STIRPAT model [J]. Geographical Research, 2016,35(4):781-789.

[37] Zhang K, Zhang Z Y, Liang Q M. An empirical analysis of the green paradox in China: From the perspective of fiscal decentralization [J]. Energy Policy, 2017,103(4):203-211.

[38] 嚴(yán)成樑,李 濤,蘭 偉.金融發(fā)展、創(chuàng)新與二氧化碳排放 [J]. 金融研究, 2016,(1):14-30.

Yan C L, Li T, Lan W. Financial development, innovation and carbon Emission [J]. Journal of Financial Research, 2016,(1):14-30.

[39] 李小飛,張明軍,王圣杰,等.中國(guó)空氣污染指數(shù)變化特征及影響因素分析 [J]. 環(huán)境科學(xué), 2012,33(6):1936-1943.

Li X F, Zhang M J, Wang S J, et al. Variation characteristics and influencing factors of air pollution index in China [J]. Environmental Science, 2012,33(6):1936-1943.

[40] 李慧杰,王秀蘭,王計(jì)平,等.2013～2017年間京津冀地區(qū)空氣質(zhì)量及影響因素分析 [J]. 環(huán)境監(jiān)測(cè)管理與技術(shù), 2019,31(2):21-25.

Li H J, Wang X L, Wang J P, et al. Analysis on air quality influence factors in Beijing-Tianjin-Hebei region during 2013～2017 [J]. The Administration and Technique of Environmental Monitoring, 2019, 31(2):21-25.

[41] 周夢(mèng)鴿,楊 依,孫 媛,等.2016～2020年山東省空氣質(zhì)量時(shí)空分布特征及影響因素分析 [J]. 環(huán)境科學(xué), 2022,43(6):2937-2946.

Zhou M G, Yang Y, Sun Y, et al. Spatio-temporal characteristics of air quality and influencing factors in Shandong province from 2016 to 2020 [J]. Environmental Science, 2022,43(6):2937-2946.

[42] Auffhammer M, Sun W, Wu J, et al. The decomposition and dynamics of industrial carbon dioxide emissions for 287 Chinese cities in 1998～2009 [J]. Journal of Economic Surveys, 2016,30(3):460-481.

[43] 綠色低碳發(fā)展智庫(kù)伙伴.中國(guó)城市低碳發(fā)展規(guī)劃峰值和案例研究 [M]. 北京:科學(xué)出版社, 2016:10-23.

Think tank partners for green and low carbon development. Peak value and case study of urban low carbon development planning in China [M]. Beijing: Science Press, 2016:10-23.

[44] 莊貴陽(yáng).中國(guó)低碳城市試點(diǎn)的政策設(shè)計(jì)邏輯 [J]. 中國(guó)人口·資源與環(huán)境, 2020,30(3):19-28.

Zhuang G Y. Policy design logic of low-carbon city pilots in China [J]. China Population, Resources and Environment, 2020,30(3):19-28.

[45] 趙立祥,趙 蓉,張雪薇.碳交易政策對(duì)我國(guó)大氣污染的協(xié)同減排有效性研究 [J]. 產(chǎn)經(jīng)評(píng)論, 2020,11(3):148-160.

Zhao L X, Zhao R, Zhang X W.Study on the effectiveness of carbon trading policy on the coordinated emission reduction of air pollution in China [J]. Forward Position or Economics, 2020,11(3): 148-160.

[46] 孫久文,崔雅琪,張 皓.黃河流域城市群生態(tài)保護(hù)與經(jīng)濟(jì)發(fā)展耦合的時(shí)空格局與機(jī)制分析 [J]. 自然資源學(xué)報(bào), 2022,37(7):1673-1690.

Sun J W, Cui Y Q, Zhang H. Spatio-temporal pattern and mechanism analysis of coupling between ecological protection and economic development of urban agglomerations in the Yellow River Basin [J]. Journal of Natural Resources, 2022,37(7):1673-1690.

[47] 董戰(zhàn)峰,郝春旭,劉倩倩,等.基于熵權(quán)法的中國(guó)省級(jí)環(huán)境績(jī)效指數(shù)研究 [J]. 環(huán)境污染與防治, 2016,38(8):93-99.

Dong Z F, Hao C X, Liu Q Q, et al. Chinese provincial environmental performance index based on entropy method [J]. Environmental Pollution & Control, 2016,38(8):93-99.

[48] Zhu Y X, Tian D Z, Feng Y. Effectiveness of entropy weight method in decision-making [J]. Mathematical Problems in Engineering, 2020,2020:3564835.

[49] 羅 知,趙奇?zhèn)?嚴(yán) 兵.約束機(jī)制和激勵(lì)機(jī)制對(duì)國(guó)有企業(yè)長(zhǎng)期投資的影響 [J]. 中國(guó)工業(yè)經(jīng)濟(jì), 2015,(10):69-84.

Luo Z, Zhao Q W, Yan B. The impact of constriction mechanism and incentive mechanism on the long run investment of SOEs [J]. China Industrial Economics, 2015,(10):69-84.

[50] Li P, Lu Y, Wang J. Does flattening government improve economic performance? Evidence from China [J]. Journal of Development Economics, 2016,123:18-37.

[51] Abadie A, Drukker D, Herr J L, et al. Implementing matching estimators for average treatment effects in Stata [J]. The stata journal, 2004,4(3):290-311.

[52] 吳建新,郭智勇.基于連續(xù)性動(dòng)態(tài)分布方法的中國(guó)碳排放收斂分析 [J]. 統(tǒng)計(jì)研究, 2016,33(1):54-60.

Wu J X, Guo Z Y. Research on the convergence of carbon dioxide emissions in China: A continuous dynamic distribution approach [J]. Statistical Research, 2016,33(1):54-60.

[53] 陸錫明,邵 丹.北京、上海、杭州機(jī)動(dòng)車對(duì)PM2.5的貢獻(xiàn)度差異 [J]. 城市交通, 2017,15(2):93-95.

Lu X M, Shao D. Different PM2.5emissions by transportation in Beijing, Shanghai and Hangzhou [J]. Urban Transport of China, 2017,15(2):93-95.

Assessment for Co-benefits of low-carbon city on CO2and PM2.5in China.

ZHAO Yan-yun1*, LU Xiang-yi1, WANG Wen2

(1.School of Statistics, Renmin University of China, Beijing 100872, China；2.School of Environment & Natural Resources, Renmin University of China, Beijing 100872, China )., 2023,43(1)：465～476

This paper incorporated CO2and PM2.5that based on satellite remote sensing data into a unified research framework. The time-varying difference-in-differences model was used to explore the Co-benefits and impact mechanism of low-carbon city construction from 2007 to 2019 at the city scale. It was found that the Co-benefits of CO2and PM2.5were significant, which reducing CO2emissions and atmospheric PM2.5concentrations in pilot cities by 3.2% and 0.74%. The findings still held after a series of robustness tests. The mechanism analysis showed thatimproving the public transportation environment was the most important way to achieve the Co-benefits in low-carbon city construction. Moreover, there were regional differences in the Co-benefits of low carbon policies, and the Co-benefits were more significant in cities with high levels of economic development, high levels of industrial structure, and non-resource-based cities. Therefore, we should give full play to the Co-benefits and further accelerate the construction of low-carbon cities to promote the synergistic management of CO2, PM2.5and other air pollutants.

co-benefits；CO2；PM2.5；low-carbon cities；difference-in-differences

X51

A

1000-6923(2023)01-0465-12

趙彥云(1957-,)男,天津武清縣人,教授,博士,主要研究方向?yàn)榻?jīng)濟(jì)統(tǒng)計(jì)和分析、國(guó)際競(jìng)爭(zhēng)力與創(chuàng)新指數(shù)、互聯(lián)網(wǎng)統(tǒng)計(jì)及大數(shù)據(jù)應(yīng)用.發(fā)表論文300余篇.

2022-06-17

國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2021YFB3901201);中國(guó)人民大學(xué)科學(xué)研究基金資助重大規(guī)劃項(xiàng)目(17XNLG09)

* 責(zé)任作者, 教授, cas-kriu@ruc.edu.cn