碳交易試點的電力碳減排政策效應研究

王喜平，王素靜

（華北電力大學 經濟管理系，河北 保定 071003）

0 引言

為應對氣候變暖等環境問題，《巴黎協定》以來各國提出了自主減排貢獻方案，中國于2020年首次提出了爭取2030年前“碳達峰”與2060年“碳中和”目標。為實現上述目標，作為最大碳排放源的電力行業必將成為碳減排重點關注領域。目前，電力CO2排放占能源消費CO2排放的41%，隨著電氣化水平大規模提升，將大幅減少對化石能源（煤、油、氣）的直接使用，會使部分CO2排放從終端用能環節轉移至電力，電力系統因而將承擔更大的減排壓力。在此背景下，研究電力碳排放的影響因素，分析碳交易試點對電力碳減排的作用與影響，不僅有助于有效控制電力碳排放，實現電力工業綠色低碳轉型，而且對于推進全國碳交易市場建設、落實“減排國際承諾”具有重要意義。

國內外學者對電力碳排放影響因素進行了大量研究，從研究方法上，一些學者借助對數均值迪氏分解法（LMDI）進行研究。文獻[1]基于LMDI對消費側電力碳排放進行分解，認為發電量效應、化石能源轉換效率和人均 GDP是造成電力工業碳排放差異的主要因素。文獻[2-3]利用LMDI模型研究得出經濟規模是促使電力碳排放增長的最主要因素。文獻[4]運用 LMDI對1991～2009年間中國省域電力碳排放進行因素分解，同樣認為經濟活動效應是增加發電二氧化碳排放量的最重要因素，而發電效率效應對減少二氧化碳排放量起主導作用。文獻[5]提出兩階段LMDI方法構建覆蓋發電、輸電、用電全產業鏈的LMDI分解模型，并認為人均GDP是導致電力碳排放增加的主要因素。文獻[6]基于 LMDI對火電碳排放進行解構，認為火力發電二氧化碳排放量的變化可分解為能源結構效應、強度效應、能效效應、經濟發展效應和人口效應。文獻[7]利用Tapio脫鉤模型對中國的解耦狀態進行量化，然后利用LMDI方法和Kaya恒等式對解耦指標進行分解，認為能源強度和發電能耗促進了解耦，而經濟規模和電氣化是抑制解耦的兩個主要因素。

除LMDI方法以外，也有學者基于STIRPAT模型對電力碳排放影響因素進行分析。文獻[8]利用擴展的 STIRPAT模型分析了包括電力生產側的供電煤耗、電力結構因素，以及需求側的電耗強度因素，加上人均GDP、城市化水平和工業化率共 6項指標。文獻[9]采用嶺回歸方法對擴展STIRPAT模型進行擬合研究表明，發電效率是CO2減排的決定性因素。文獻[10]通過使用對數線性方程來解釋 CO2排放量及其影響因素之間的關系，認為總用電量的增加是中國電力行業CO2排放增長的最重要因素。文獻[11]運用Tapio解耦模型測算1985～2017年電力行業CO2排放的解耦指數，得出電力行業內CO2排放與經濟發展的關系呈現同步性。文獻[12]提出共同前沿生產理論分解分析（MPDA）模型，研究發現所有技術相關效應都降低了發電廠的排放但程度不同。文獻[13]運用灰色關聯分析法（GRA）對經濟增長、城市化水平、總用電量、凈煤耗率、火電裝機容量等因素進行了識別和分析。

上述分析表明，有關電力碳排放影響因素的研究較為豐富，但立足于碳交易視角，研究碳交易試點對電力碳排放的影響效應卻鮮見。碳排放權交易作為一種控制溫室氣體排放的有效市場手段，已在許多國家實施。我國自 2011年起也先后在北京、上海、天津、廣東、深圳、武漢、重慶等7個省市進行試點，并于2017年12月啟動全國統一碳交易市場建設。本文擬對碳交易試點在多大程度上能夠促進電力碳減排展開研究，以中國省域電力碳排放為研究對象，著重從碳交易視角研究電力碳排放影響因素，將傾向得分匹配與雙重差分方法相結合，研究碳交易政策對電力碳排放的影響效應，探索電力工業低碳發展路徑，進而促進經濟社會的綠色發展。

1 方法模型

本文將碳交易試點政策當作一次自然實驗，通過比較試點省市和未試點省市電力碳排放的差異來研究碳交易政策的實施對電力碳排放的影響效應。若采用單差法來分析試點地區在碳交易政策實施前后的變化，容易產生隨機誤差。因此本文采用雙重差分方法（DID）這一經典的政策評估模型，通過設置處理組和對照組來分析碳交易政策實施的凈效應，能夠在很大程度上減少內生性問題。為減少對樣本選擇的偏差和異質性偏差，進一步將傾向得分匹配和雙重差分模型（PSM-DID）相結合，更加精準地識別碳交易政策對電力碳排放的影響效應。采用PSM方法對處理組和控制組進行匹配，能夠解決多維匹配變量的數據稀疏問題，從而為處理組匹配到特征最為相似的控制組。

中國于2013年下半年開始陸續啟動了北京、天津、上海、重慶、湖北、廣東和深圳7個省市的碳交易試點。為保證研究范圍的統一，將深圳合并到廣東。所以本文處理組為：北京、天津、上海、重慶、湖北和廣東共6個試點省份，其余24個非試點省份（除西藏、港澳臺地區）為對照組。由于大部分試點省份碳交易完全啟動是在2014年，因此本文以2014年為基準，將2014年之前定為非試點期，2014年及之后定為試點期。為防止遺漏變量，在模型中加入控制變量，得到模型（1）：

式中：lnCEit代表省份i在t年的電力行業碳排放量并取對數形式；Treati和Yt分別表示是否實行碳交易試點的省份和年份，Treati=1代表省份i為處理組，Treati=0代表省份i為對照組；當年份小于2014年時，Yt=0，反之Yt=1；交乘項的系數β1表示碳交易政策的凈效應；Xj代表控制變量；βj為第j個控制變量的系數；λi和λt分別代表個體固定效應和時間固定效應；εit為隨機干擾項。

為檢驗碳交易政策隨時間推移而產生的邊際動態效應，本文在模型（1）的基礎上設立模型（2）：

式中：Treati表示碳交易試點地區在t年的虛擬變量；系數 βt表示 t年的邊際動態效應。當省份 i為試點地區且年份在2014年及之后時，Treati為1，否則為0。

2 實證分析

2.1 變量選取與數據來源

以電力碳排放為被解釋變量，以碳交易政策為核心解釋變量，并基于STIRPAT模型和EKC模型選取城市化水平、經濟發展水平、企業研發水平、產業結構、發電結構、電耗強度、環境規制、對外開放程度作為控制變量。選取的變量具體含義如下：

（1）被解釋變量：電力碳排放（CE）。從電力行業內部運行來看，碳排放主要發生在火力發電的生產環節，本文采用IPCC提出的碳排放測算法，對火電生產消耗的 8種主要能源進行測算，來直觀地衡量電力行業碳減排效果，計算公式如下：

（2）核心解釋變量：碳交易政策（Treati×Yt）。當該省份為試點省份且Yt≥2014時，該省份對應的虛擬變量Treati×Yt為1，否則為0，其系數表示碳交易政策對電力碳排放的作用效果。

（3）控制變量：①城市化水平（UR），為城鎮人口與總人口的比例。城市人口的增加會提高電能消耗水平，在一定程度上決定了電力消費需求或潛在電力需求。②經濟發展水平（GDP），以2003年為基期計算實際人均GDP值并取對數，元/人，相比于GDP總量，人均GDP更能反映一個地區的整體富裕水平。③企業研發水平（RD），用各省市專利授權量來衡量，個，體現了一個地區整體的企業研發水平，會影響一個地區電力行業清潔生產和節能減排技術。④產業結構（IS），用第二產業增加值占國民生產總值中的比重來衡量，我國能源消費以第二產業為主且能源使用效率較低，因此第二產業仍然是碳排放的主要來源。⑤發電結構（EPS），以火力發電量與發電總量的比值來衡量，目前我國的電力結構以火力發電為主，核電、水電、新能源等占比較小，發電結構的優化一般會促使碳強度的下降。⑥電耗強度（ECI），以電力消費量與GDP的比值來衡量，（kW?h/元），反映了經濟發展對電力行業的依賴程度，電耗強度的下降一般會使電力碳排放減少。⑦環境規制（EGI），用環境治理投資總額與GDP比值來表示，新《環境保護法》將環境規制提高到了一個更高的水平，說明環境規制在碳減排任務中的作用應當予以重視。⑧對外開放程度（OPEN），用進出口貿易總額與GDP的比值來表示。

本文以我國30個省市作為研究對象，數據來源于2003～2017年的《中國統計年鑒》《中國能源統計年鑒》《中國電力年鑒》《中國環境統計年鑒》，對所有變量均取對數處理，各變量的描述性統計見表1。采用Stata 16軟件進行數據分析。文中數據*，**，***分別代表10%，5%，1%的顯著水平。

表1 變量描述性統計Tab.1 Descriptive statistics of variables

2.2 平行趨勢檢驗

雙重差分方法的使用需要滿足平行趨勢假設，也就是要排除與碳交易政策無關的其他因素對電力碳排放的影響，保證在政策實施前處理組和對照組的電力碳排放變化趨勢一致，為此本文繪制了處理組和對照組各省市電力碳排放的變化趨勢，如圖1所示。

圖1 電力碳排放平行趨勢Fig.1 Parallel trend of carbon emission of electric power

總體而言，在政策實施之前，處理組和對照組電力碳排放水平變化走向大致相同，都呈現波動上升趨勢，全國電力碳排放總量由 2003年的14.8億t上升至2017年的35.5億t。從處理組和對照組之間的差值來看，二者差距逐漸擴大，從2003年的差值1 027萬t到2017年的6 008萬t。從圖1可以明顯看出，2013年以后，處理組和對照組之間的碳排放水平差距進一步擴大，處理組電力碳排放值明顯下降更快，而實驗組卻沒有明顯變化，這是因為部分省份從2013年就開始實施碳交易試點政策，可見碳交易政策對電力碳排放水平影響顯著。以上分析為本文的雙重差分法提供了依據。

2.3 平均處理效應和邊際動態效應

首先利用雙重差分方法分析碳交易政策對電力碳排放的作用效果，根據模型（1），以電力碳排放取對數（lnCE）為被解釋變量，碳交易政策（Treati×Yt）為核心解釋變量，分別對不加入控制變量和加入控制變量兩種情況進行回歸，分析碳交易政策對電力碳排放的平均處理效應。為了避免地區差異以及時間效應對電力碳排放的影響，本文采用雙向固定效應模型進行雙重差分檢驗。從表2的第1列可以看出，交乘項的系數在1%水平下顯著為負，說明在沒有控制其他變量不變的情況下，碳交易政策的實施能夠有效降低電力碳排放水平，與政策實施前相比，減少了38.9%的電力碳排放量。第2列顯示加入控制變量后，交乘項的系數幾乎沒有變化且依然在1%水平下顯著，由此可以得出，無論是否加入其他控制變量，碳交易政策的實施都對電力碳排放具有明顯的抑制作用，能夠減少約37.4%的電力碳排放量。

表2 DID估計結果Tab.2 DID estimation results

上述分析展現了碳交易政策對電力碳排放的平均處理效應，而碳交易政策是否對試點地區的電力碳排放水平具有持續的抑制作用還有待檢驗。對模型（2）進行回歸，得到邊際動態效應結果。從表2的第3列和第4列可以看出，無論是否加入控制變量，2014～2017年的交乘項都顯著為負，這說明在2014年碳交易政策實施后的4年內，碳交易政策持續降低了試點地區的電力碳排放水平。此外，交乘項系數的絕對值逐年增大且顯著性不斷增強，可見碳交易政策不僅能夠有效降低電力碳排放水平，而且時間越長，抑制作用越強。

從控制變量來看，大部分變量對電力碳排放的作用都比較顯著。城市化水平對電力碳排放的影響在1%水平下顯著為正，即對電力碳排放的增加具有推動作用。隨著城市化水平的提高，導致生產和生活中的電力需求增加，進而增加電力行業碳排放量。經濟發展水平的提高也是導致電力碳排放增加的重要因素，經濟發展過程中電力能源投入不斷加大必然會增加碳排放。企業研發水平對電力碳排放具有顯著的負向影響，創新是電力工業綠色發展的重要引擎，企業研發水平提高可以促進電力行業清潔生產和節能減排技術的提升，從而提高發電效率，減少電力碳排放。產業結構對電力碳排放的影響為正，說明第二產業比重的增加會導致電力碳排放的增加，但是作用程度不大，我國能源消費主要集中在以工業為主的第二產業，能源使用效率較低，是電力碳排放壓力的主要來源，產業結構變化對電力碳排放影響有限。發電結構的調整優化將會明顯降低電力碳排放水平，雖然目前我國的電力結構仍以火力發電為主，但是核電、水電、新能源發電等多種發電方式在近年來已經取得顯著成效，使得電力碳排放水平顯著降低。電耗強度對電力碳排放的影響表現為顯著的正向作用。電耗強度降低意味著經濟發展對電力能源的依賴性減弱，也說明發電技術有所進步以及終端電能利用率提高，使得單位GDP產出消耗的電力能源更少，電力碳排放便會隨之降低。環境規制在一定程度上具有抑制電力碳排放的作用，適當加強環境規制力度能夠刺激電力行業技術改進，在改善環境質量的同時也可以提高產出。對外開放程度的提高對電力碳排放具有明顯抑制作用，對外開放程度較高的地區，可以更多地引進電力生產技術，加快電力行業技術創新。

2.4 PSM-DID估計結果

在上述實證分析中，雙重差分方法只是把處理組以外的其他地區作為對照組，沒有嚴格滿足雙重差分法中的平行趨勢假設，回歸結果可能會與實際情況有所偏差。為保證回歸結果的準確性，本文進一步采用PSM-DID方法進行回歸分析。首先利用logit模型計算傾向得分，以地區虛擬變量為因變量，以城市化水平、經濟發展水平、企業研發水平、產業結構、發電結構、電耗強度、環境規制、對外開放程度作為相應的匹配變量，回歸結果如表3所示。從回歸結果來看，準R2的值為0.554 8，說明這一系列匹配變量對因變量的解釋程度較強，因此該數據適合進行傾向得分匹配。從變量顯著性來看，大部分變量都比較顯著，其中，城市化水平越高，企業研發水平越高，對外開放程度越高，越容易進入處理組。

表3 PSM的Logit回歸結果Tab.3 Logit regression results of PSM

進一步根據表3的傾向得分，采用卡尺匹配法對處理組和對照組樣本省份進行匹配，刪掉匹配不成功的樣本，利用雙重差分法對所得數據重新進行估計，并對匹配前和匹配后的回歸結果進行比較，如表4所示。

表4 PSM-DID作用下的回歸結果Tab.4 Regression results under the action of PSM-DID

整體而言，交乘項的系數仍然為負且顯著，說明本文的回歸結果比較穩健，碳交易政策對電力碳排放具有明顯的抑制作用，碳交易促進了電力行業低碳發展。但是系數的大小及顯著程度發生了一定的變化。未加入控制變量時，匹配后交乘項的系數絕對值減小且顯著性有所降低，而R2較匹配前有所增加，說明匹配后模型的整體解釋程度更強。加入控制變量后，交乘項系數的絕對值有所增加，且城市化水平、經濟發展水平、企業研發水平、發電結構、環境規制這些控制變量的顯著性和絕對值明顯增強，R2也隨之增加，說明匹配后模型的解釋能力更強，碳交易政策及一系列控制變量對電力碳排放始終具有顯著的影響，且碳交易政策的實施使得這種作用效果更加顯著。綜上，PSM-DID方法增強了研究結果的準確性。

2.5 穩健性檢驗

以上分析表明碳交易政策能夠有效抑制電力碳排放。為保證DID回歸結果的穩健性，降低估計偏差，本文采用不同方法進行穩健性檢驗。方法一是增加控制變量。由于處理組和對照組樣本省份各方面的條件本身存在較大差異，在選擇試點對象時容易產生內生性問題，因此為排除試點省份的選擇對估計結果的影響，本文在原有控制變量的基礎上，再加入能源強度（lnENI）、發用電比例（lnEGU）、人口數量（lnPS），并分別取對數形式，回歸結果見表5第1列。同時考慮到其他政策可能對試點省份本身具有更大沖擊，例如“十二五”規劃的影響，可能導致試點省份本身執行效果更好而使得估計結果有所偏差，因此將時間跨度改為 2010～2017年，回歸結果見表 5第2列。可以看出，無論是加入控制變量還是改變時間跨度，交乘項系數仍然在1%的水平下顯著為負。方法二是進行反事實檢驗。即通過隨機抽樣法選取6個樣本省份作為處理組，構建一個新的碳排放交易試點政策的虛擬變量，同樣采用雙重差分方法進行回歸分析。如果新構建的碳交易政策虛擬變量仍然顯著，說明本文的回歸結果值得懷疑，反之則說明本文得出的結論較為穩健。分別進行了3次抽樣，回歸結果見表5第3～5列。顯然，這3列中交乘項的系數均不顯著，因此也可以證實本文結論具有穩健性。

表5 穩健性檢驗Tab.5 Robustness test

3 結論

本文以我國省域電力行業作為研究對象，首先運用IPCC提出的碳排放計算法，得出試點省份和非試點省份的電力碳排放量。在此基礎上，以電力碳排放為被解釋變量，碳交易政策為核心解釋變量，并以城市化水平、經濟發展水平、企業研發水平、產業結構、發電結構、電耗強度、環境規制及對外開放程度這8個變量作為控制變量，運用PSM和DID方法研究碳交易政策對電力碳排放的影響效應，主要結論如下：

（1）我國電力行業碳排放量總體呈上升趨勢，全國電力碳排放總量由2003年的14.8億t上升至2017年的35.5億t，各地區之間電力碳排放水平差異較大，碳排放交易試點省份平均水平明顯低于非試點省份，且二者之間差距逐漸擴大。

（2）碳交易政策對電力碳排放具有明顯的抑制作用，且時間越長，抑制作用越強。在考慮控制變量的影響下，碳交易政策的實施能夠使電力碳排放水平降低37.4%。

（3）城市化水平、經濟發展水平、發電結構、電耗強度是導致電力碳排放增加的重要因素，而企業研發水平、對外開放水平、環境規制能夠顯著抑制電力碳排放的增長，產業結構對電力碳排放的影響作用有限。

基于本文得出的結論，提出以下建議：

（1）建設和完善全國碳交易市場，充分發揮碳交易政策對電力碳減排的促進作用。通過補貼等方式吸引更多市場主體參與到碳交易中來，同時要保證價格、供求和競爭等機制平穩運行。其次，碳市場的目標設置和配額分配要給電力行業發展預留一定空間，在滿足電力需求的同時又能激勵企業采取節能降碳措施。此外，配額分配要充分保障煤電的可持續發展，同時又要考慮到區域能源資源稟賦和能源布局的差異。

（2）轉變經濟增長方式，走可持續發展道路。大力發展低碳產業，限制部分高耗能產業發展，推進綠色低碳的新型城市化進程。此外，要加強環境規制，包括征收排污費、環保稅等手段，以實現經濟與環境的協調發展。

（3）鼓勵電力行業技術創新，提升企業研發水平。注重電力行業清潔生產和節能減排技術的提升，加大對綠色環保企業的支持力度，增加科技研發投入。此外，要加大對外開放水平，引進先進技術和高素質人才，通過科技進步與創新推動電力生產設備更新換代。