碳交易政策對工業碳生產率的影響及傳導機制

任曉松,馬 茜,劉宇佳,趙國浩

碳交易政策對工業碳生產率的影響及傳導機制

任曉松1,馬 茜2*,劉宇佳3,趙國浩2

(1.山西財經大學管理科學與工程學院,山西 太原 030031；2.山西財經大學工商管理學院,山西 太原 030031；3.對外經濟貿易大學國際經濟研究院,北京 100029)

以2005～2017年30個省市面板數據為研究樣本,采用雙重差分、動態效應檢驗和三重差分等方法,考察了碳交易政策對工業碳生產率的影響效果及異質性,同時利用多重中介效應模型,解析碳交易對工業碳生產率的實現機制.結果表明,碳交易政策顯著提升了工業碳生產率,實現了“降碳促經”效果,且該效果保持逐年上升趨勢;異質性檢驗表明,各試點地區對政策的響應程度存在一定差異,北京、天津、上海、湖北工業碳生產率的提升效果較為顯著,而廣東、重慶未能對政策做出充分響應;機制分析發現,碳交易政策能夠有效激勵環境治理效應、結構優化效應和技術革新效應,進而影響工業碳生產率提升,其中結構優化效應是響應政策最為充分的機制.本文研究結果可為中國未來碳市場運行提供一定參考.

碳交易政策；工業碳生產率；雙重差分模型；多重中介效應模型；碳達峰碳中和

近年來全球變暖趨勢加劇,極端天氣頻繁出現,溫室氣體減排已刻不容緩.中國積極承擔大國責任,陸續發展的碳排放權交易模式已在北京、天津、湖北等7個省市試點多年[1].2021年3月,習近平總書記主持召開中央財經委員會第九次會議,提出“要把碳達峰、碳中和納入生態文明建設整體布局,如期實現2030年前碳達峰、2060年前碳中和的目標.”可以預見,推動低碳經濟發展將成為建設美麗中國的關鍵.然而,當前中國工業經濟正步入高質量發展階段,高能源消耗和高工業排放問題仍舊顯著存在.據國際能源署指出,中國現已成為全球二氧化碳排放量最高的國家,工業是其主要的碳排放來源,它消耗了中國67.9%的能源,排放了83.1%的二氧化碳[2].由此中國面臨的新挑戰是如何“降碳促經”,而工業碳生產率正體現出經濟增長與減碳降污的雙贏要求,是一個國家實現“降碳促經”效用的關鍵所在.

碳生產率是衡量低碳經濟的有效指標,考慮到工業行業的高污染屬性,學者們引申出工業碳生產率的概念,即單位工業二氧化碳的工業增加值產出水平[3].在中國工業經濟新發展格局的背景下,工業碳生產率的提高有助于減少工業增值損失,是平衡經濟增長與污染排放的關鍵舉措.現有文獻針對工業碳生產率的研究,主要集中于工業碳生產率的指標測算[4]、空間格局[5]以及影響因素[6]等方面,而關于碳交易政策對工業碳生產率的影響效應研究頗少,更缺乏對其內在傳導機制的相關研究.鑒于此,討論碳交易政策如何提升工業碳生產率及其傳導機制,是中國政界及學界亟需攻克的重大議題.

自中國碳交易政策試點以來,國內外學者對其能否有效“降碳促經”進行了廣泛討論,前沿文獻研究主要集中在:第一,碳交易政策對減排效果的研究.多數學者論證了該政策可以顯著降低二氧化碳排放,但對碳強度的影響效果并不穩定[7-8].Zhang等[7]研究發現碳交易政策啟動后顯著降低了碳排放總量,而對碳強度沒有明顯影響.周迪等[8]則證實了碳交易政策對城市碳強度的降低有顯著而持續性作用.第二,碳交易政策對經濟效果的研究.從直接效果來看,碳交易政策能夠促進中國低碳經濟發展,且西部地區的低碳轉型效果優于東中部[9].從間接效果來看,碳交易政策對城市低碳技術創新具有誘發作用,隨著創新投入增加和創新產出增多,碳市場有效促進了綠色經濟增長[10].第三,碳交易政策對減排增效綜合效果的研究.目前該類文獻因研究視角不同而結論不一.Yang等[11]基于省域視角發現碳交易政策同時實現了就業規模的擴大和碳排放的減少.Yu等[12]基于行業視角發現碳交易機制整體水平上提高了經濟收益及環境收益.相反,胡玉鳳等[13]基于企業視角發現碳交易顯著降低了綠色全要素生產率和企業全要素生產率.上述研究缺憾在于:①關于碳交易政策對工業碳生產率的研究不夠充分.②缺乏統一的理論框架,未能將“環境治理效應”、“結構優化效應”和“技術革新效應”結合起來,全面考察碳交易政策對工業碳生產率的影響及作用機制.③碳交易政策效果的內在機制具有鏈條較長,影響因素復雜等特點[10],而現有相關研究在機制解析中均采用并行中介效應模型,缺乏對鏈式中介機制的深入探索,中介效應論證有待加強.

本文將碳交易政策作為準自然實驗,采用雙重差分、三重差分、動態效應檢驗等方法,全面評價了該政策對工業碳生產率的影響效果.進一步地,將環境治理效應、結構優化效應、技術革新效應納入多重中介效應模型,深入剖析了碳交易政策提升工業碳生產率的傳導機制.

1 機制解析

碳交易政策本質上是一種政府引導、市場主導的環境規制工具.一方面,碳市場可以將環境外部性問題內化為試點企業所應負擔的遵循成本,督促減排成本較低企業實現超額減排,并在碳市場上出售剩余的排放許可證,令減排成本較高企業通過購買超出自身配額的排放許可來完成減排目標,此類交易可使買賣雙方均獲益實現帕累托最優,最終促成整個社會的節能減排.另一方面,碳交易政策以市場手段為總量減排目標搭建出良性互動平臺,健全綠色低碳循環發展的經濟體系,引導相關行業和企業轉型升級,為我國綠色低碳和高質量發展提供動能.因此,碳交易政策能夠有效實現“降碳促經”作用,積極影響工業碳生產率,是一類利用市場機制控制溫室氣體排放的重大制度創新.

1.1 環境治理效應

2011年10月,國家發展改革委發布《關于開展碳排放權交易試點工作的通知》,明確指出各試點地區應高度重視碳排放權交易試點工作,強化組織領導,建立專職團隊,安排試點工作專項資金,保障環境治理工作順利進行.自此,政府環保支出在碳市場建設中成為重要選擇,其特殊性在于同時擁有發展經濟和保護環境的雙重屬性[14].一方面,環保支出能夠有效改善環境質量,對節能減排具有重要意義.朱小會等[15]通過分析開放經濟、環保財政支出對污染治理的影響,發現環保財政支出能夠抑制污染物排放,具有顯著的環境治理效應.另一方面,環保支出體現政府環境偏好,引導社會資本的投資方向,對經濟增長有推動作用.田淑英等[16]基于省際工業污染數據對政府環保財政支出的政策效應進行研究,發現環保財政支出對環境治理有顯著影響,而且對社會資本有引致效應.

環保支出作為環境治理效應的重要載體,不僅直接促進了經濟建設和環境保護,有益于工業碳生產率提升,而且能夠通過多種鏈式機制間接作用于工業碳生產率.首先,環保支出依靠稅收、補貼、折舊等政策導向,引導了社會投資規模和方向,并通過空間規劃和要素重置,推動了環保性產業發展,有利于產業結構優化[17],進而影響工業碳生產率.其次,環保支出以市場型環境規制方式推動地方科技創新,提高了技術創新水平[14].最后,環保支出作為政府財政支出的一部分, 以投資形式通過“需求效應”激發市場對環保產品及服務的需求,調整了產業結構,并進一步刺激“技術效應”[18],實現現有技術的重新整合,倒逼企業通過技術的外部性提高產品質量,促進了社會整體工業碳生產率的提升.

1.2 結構優化效應

2020年12月,生態環境部審議通過《碳排放權交易管理辦法(試行)》,強調約束溫室氣體排放,要綜合考慮經濟增長、產業結構調整、能源結構優化、污染排放協同控制等因素,規范全國碳市場交易行為,穩步推進綠色經濟發展.可見,產業結構轉型升級是碳市場運行機制中不可或缺的一環,政策帶來的減排壓力令高耗能產業被初步淘汰,低碳環保類和技術密集型產業迅速發展,隨之帶動能源結構升級,有助于工業碳生產率提升[19].另外,根據“結構紅利假說”,生產要素會從效率較低的部門流向效率較高的部門,資源要素的重新配置能夠提高能源利用效率,進而提高工業碳生產率[20].

進一步地,產業結構作為中國企業技術創新的決定性因素[21],能夠帶動區域綠色創新發展.具體來說,在產業結構優化過程中,新興產業逐步替代高耗能、高污染等傳統工業,隨之形成一套以低碳為特征的綠色產業體系.與此同時,資源的有效利用和空間規劃培育出城市新的經濟增長點,煥發了當地企業的創新動能,實現經濟高質量發展[22].

1.3 技術革新效應

2016年1月,國家發展改革委公布《關于切實做好全國碳排放權交易市場啟動重點工作的通知》,提出技術保障專項條款,要求各試點地區重點扶持專業技術機構,安排經費支持和人才保障,協助相關行業企業開展創新活動.據此,在政策激勵、人才保障和技術支撐等因素的共同作用下,碳交易政策能夠有效推動城市創新水平的發展,進而助益于工業碳生產率提升.首先,碳市場的有效運轉促使各創新主體交流互動更為頻繁,有利于觀點碰撞和知識外溢,同時各企業間協同減排模式也加快了創新要素流動,有助于區域內創新水平和工業碳生產率的總體提升.其次,研發經費的投入調動了城市創新積極性[23],使創新能力得以不斷提升,為城市綠色發展提供了內生動能.最后,技術革新打破了試點地區原有的資源消耗型經濟增長模式,為城市高質量發展提供出新的路徑選擇[22],這不僅有利于解決污染排放問題,更保證了經濟環境的可持續性發展.

綜上所述,本文提出以下假設:

H1:碳交易政策可以實現“降碳促經”作用,能夠提升工業碳生產率.

H2:環境治理效應在碳交易政策與工業碳生產率間不僅可能發揮并行中介作用,還可能引導結構優化效應和技術革新效應發揮鏈式中介作用.

H3:結構優化效應在碳交易政策與工業碳生產率間不僅可能發揮并行中介作用,還可能引導技術革新效應發揮鏈式中介作用.

H4:技術革新效應可能在碳交易政策與工業碳生產率間發揮并行中介作用.

2 研究設計

2.1 計量模型的設定

2.1.1 雙重差分模型 為檢驗碳交易政策對工業碳生產率的影響,本文以該政策的實施作為準自然實驗,采用雙重差分模型(DID)進行因果識別.區別于傳統政策評估方法,DID模型將碳交易試點省市作為實驗組,非試點省市作為對照組,通過設置政策發生與否的交互虛擬變量進行固定效應估計,一定程度上緩解了遺漏變量的偏誤,也可以有效避免逆向因果關系導致的內生性問題,從而更加準確地估計出政策干預的凈效應,模型設定如下:

式中:CP為被解釋變量,表示第個省市第年的工業碳生產率;province′time為核心解釋變量(province用于判斷某省市是否受到政策影響,若該省是試點省份,則province=1,反之province=0;time對政策實施時段進行區分,將2012年及以后年份作為試點后時期, 2012年之前年份作為試點前時期,當時,time=1,反之time=0);系數0為常數項;系數刻畫了試點地區與非試點地區的工業碳生產率在碳交易政策實施前后的平均差異,若>0,表明碳交易政策提高了工業碳生產率;Control表示影響工業碳生產率的其他控制變量;和分別表示個體和時間固定效應,為隨機擾動項.

2.1.2 動態效應模型 動態效應模型通過構建時間虛擬變量,將政策虛擬變量(province)與逐年的時間虛擬變量(time)交乘,以此估計碳交易政策對工業碳生產率的年度動態影響.另外,本文參考劉啟仁和趙燦[24]的做法,運用動態效應模型檢驗平行趨勢假設能否成立,平行趨勢假設是使用DID模型的重要前提,即在碳交易政策沖擊前,實驗組和對照組的工業碳生產率差異應該不顯著異于0.具體模型設定如式(2):

式中:time表示各年份的時間虛擬變量,研究第年時,變量time=1,其余年份賦值為0.2005年為基準年,0表示常數項,表示第年時,試點地區與非試點地區間的工業碳生產率差異相對于2005年差異的大小,該系數變化反映出碳交易政策對工業碳生產率的年度動態影響.另外,當平行趨勢假設成立時,2012年之前的系數應該不顯著異于0(系數的置信區間包含0),其余變量解釋與模型(1)一致.

2.1.3 三重差分模型 為檢驗碳交易政策對不同試點省市工業碳生產率的異質性影響(將深圳市合并于廣東省共同分析[10]),本文在模型(1)基礎上引入區域虛擬變量regional,與province′time相結合構成三重交互項,以此挖掘碳交易政策在不同試點省市的差異化實施情況,為未來碳市場運行提供更為針對性的政策建議.模型設定如式(3),當討論省市時,該地區賦值為1,否則為0.0為常數項,1表示碳交易政策對某一特定省市工業碳生產率的凈效應,其余變量解釋與模型(1)一致.

2.1.4 多重中介效應模型 本研究利用多重中介效應模型[25]對碳交易政策與工業碳生產率之間的傳導機制進行深入解析,討論環境治理效應(EG)、結構優化效應(IS)與技術革新效應(TI)在作用機制中發揮的并行及鏈式影響,具體路徑如圖1所示,雙重差分多重中介效應模型設定如下:

式中:模型(7)系數￠代表碳交易政策對工業碳生產率的直接效應,模型(1)系數代表碳交易政策對工業碳生產率的總效應,總效應是直接效應￠與間接效應之和.間接效應又稱中介效應,多重中介效應包括并行中介效應及鏈式中介效應,其中并行中介效應包含3條路徑,分別用模型(4)～(7)系數交乘項1′1、2′2、3′3表示,鏈式中介效應包含4條路徑,分別用模型(4)～(7)系數交乘項1′1′2、1′2′3、2′3′3、1′1′d3′3表征,其余變量解釋與模型(1)一致.

圖1 多重中介效應路徑

Fig.1 Paths of multiple mediating effect

2.2 變量選擇

2.2.1 被解釋變量 基于碳生產率內涵,Long等[6]選用工業增加值占工業CO2排放量的比重來衡量單要素框架下的工業碳生產率.同時,也有學者基于全要素生產率框架對工業碳生產率進行研究[4],但多種投入產出指標數據來源口徑不一致以及資本存量等指標的近似估算均會增加核算誤差及統計噪聲,而且用全要素工業碳績效或工業碳效率來測算工業碳生產率也會帶來概念混淆問題[4].為保證工業碳生產率定義的一致性以及核算方法的簡潔性和準確性,本文借鑒Hu等[3]、Long等[6]的方法界定和測算工業碳生產率.

由于CO2排放數據未公開發布,基于IPCC《國家溫室氣體清單指南》中CO2的估算方法,利用煤炭、焦炭、原油、汽油、燃料油、煤油、柴油、天然氣以及電力等9種能源實物消費量折合計算碳排放量,具體測算方法如式(8)所示.同時,為保證研究結論的穩健性,選取人均工業碳生產率CPP作為替代的被解釋變量進行驗證.

式中:CP表示省市第年的工業碳生產率,選用工業增加值占工業CO2排放量的比重來衡量;GDP是經過平減后省市第年的實際工業增加值;CE表示省市第年的工業碳排放量;分別指代9種能源消費種類;E表示9類能源的實物消耗量;NCV表示能源的平均低熱值;EF表示能源的單位熱值碳排放系數;OF表示能源的碳氧化率.

2.2.2 解釋變量 雖然碳交易試點最早啟動于2013年,但該政策正式批準時間為2011年10月,且各省市試點企業的行為決策存在一定前瞻性 ,極有可能于2012年作出預期反應,因此選用2012年作為政策沖擊時點,若某省市在2012年及以后受到碳交易政策影響,則province′time取值為1,否則為0.

2.2.3 控制變量 考慮到經濟發展水平lneco、人口規模lnpeo、產業結構issec、對外開放程度fdi、國際貿易水平fore都是影響工業碳生產率的關鍵因素[8,26],所以分別以人均GDP對數值、年初年末平均人口數對數值、第二產業增加值占GDP比重、外商直接投資占GDP比重、進出口總額占GDP比重等指標作為影響工業碳生產率的控制變量.

2.2.4 中介變量 環境治理效應EG,選用節能環保支出額占GDP比重衡量[15];結構優化效應IS, ,選用第三產業增加值占工業增加值比重衡量[27];技術革新效應TI,利用各省市R&D經費占GDP比重度量[26].

2.3 樣本選取及數據來源

選取2005～2017年中國除西藏、香港、澳門、臺灣以外的30個省市的面板數據為研究樣本,容量為390個.其中各類能源消費量數據來自歷年《中國能源統計年鑒》;年初年末常住人口數據取自國家統計局年度數據;GDP、第二產業增加值、第三產業增加值、工業增加值、節能環保支出額等數據均來源于歷年《中國統計年鑒》;固定資產投資中外商直接投資額、進出口總額、各省市R&D經費支出等取自CSMAR數據庫,相關變量的描述性統計結果如表1所示.

表1 相關變量的描述性統計

3 實證分析

3.1 碳交易政策對工業碳生產率的影響分析

3.1.1 平均效應檢驗 表2考察了碳交易政策對工業碳生產率的平均處理效應.由(1)～(2)列可知,控制了個體固定效應和時間固定效應,無論是否加入控制變量,核心解釋變量province′time的估計系數均顯著為正,第(2)列顯示,試點地區受碳交易政策影響后,工業碳生產率增加了29.2%,表明碳交易政策提升了工業碳生產率,假設H1得到驗證.第(3)～(4)列,將被解釋變量替換為人均工業碳生產率后,核心解釋變量province′time的估計系數依舊為正,且通過了1%的顯著性檢驗,說明相較于非試點省市,試點省市的工業碳生產率在碳交易政策實施后得到有效提升,結論穩健.

3.1.2 動態效應檢驗 通過比較實驗組和對照組在政策實施前后的平均處理效應,難以有效測度政策實施對試點地區工業碳生產率的歷年沖擊影響,因此本研究引入動態效應檢驗模型,更加嚴謹地分析碳交易政策對工業碳生產率的年度動態影響.

表2 碳交易政策對工業碳生產率的平均效應結果

注:***、**、*分別表示1%、5%和10%的顯著性水平.

圖2給出了對模型(2)的回歸結果,實線部分表示工業碳生產率的邊際效應,虛線部分表示95%的置信區間范圍,兩線交叉處的每一點代表對應時間點的.從中可以看出,政策執行年份之前,系數的置信區間均與橫軸相交,置信區間包含0,即系數均不顯著,說明試點地區與非試點地區的工業碳生產率具有共同變化趨勢,平行趨勢假設成立.2012年政策執行年份之后,系數均顯著為正,且邊際效應線明顯向右上方傾斜,這表明碳交易政策對工業碳生產率的提升作用具有明顯持續性且逐年增強,該逐年提升原因可能是,隨著各省市碳市場的良好運轉,碳排放權交易量在逐年遞增,因而時間推移帶來的政策效果將越來越突出.

3.1.3 異質性檢驗 由于碳交易的不同試點地區在經濟水平、資源稟賦及產業結構等方面存在明顯差異,所以本研究引入三重差分模型探索碳交易政策對工業碳生產率的異質性影響.表3顯示,在加入控制變量并考慮個體和時間固定效應后,碳交易政策對北京、天津、上海、湖北的工業碳生產率有顯著的提升作用,而對廣東、重慶無明顯影響,說明碳交易政策對試點地區工業碳生產率的影響程度存在異質性. 可能的解釋是,“十二五”期間,廣東省要求能源強度和碳強度分別下降18%和19.5%,其過高的減排目標致使邊際減排成本逐漸增大,阻礙工業碳生產率的提升.汪鵬等[28]研究顯示,廣東省碳強度目標控制會對該省GDP帶來近3%的損失.另外,重慶作為老工業基地,其工業碳排放占碳排放總量近70%,加之碳市場初期,重慶市對試點企業給予寬松的配額政策[32],致使其交易狀態長期低迷,未能有效提高工業碳生產率.

圖2 碳交易政策實施前后工業碳生產率的動態效應

3.1.4 穩健性檢驗 (1)傾向得分匹配-雙重差分法(PSM-DID)

DID模型的前提條件是確保對照組與實驗組在政策實施前具備相同的個體特征,即兩組樣本應該滿足隨機性和同質性假設,而本研究樣本涵蓋全國30個省市,樣本之間的地域空間、經濟差別極大,很容易造成“選擇性偏差”問題[29],因此首先使用傾向得分匹配法(PSM)利用全部控制變量作為匹配特征變量,對樣本中實驗組與對照組的省市進行匹配,使實驗組匹配與其同質的對照組樣本,匹配完成后剩余286條觀測值.表4表示了PSM匹配后的平衡性檢驗結果,可以看出,匹配特征變量的標準偏差均大幅降低,統計量在匹配后的結果均不顯著,由此說明PSM方法匹配有效.緊接著,在PSM匹配完成后的樣本基礎上進行雙重差分估計,表5中PSM-DID模型的回歸結果顯示,無論是否加入控制變量,碳交易政策對工業碳生產率及人均工業碳生產率均具有顯著正向影響,再次證明碳交易政策提升工業碳生產率的結論較為穩健,假設H1成立.

表3 碳交易政策對工業碳生產率的三重差分估計結果

注:***、**、*分別表示1%、5%和10%的顯著性水平.

表4 PSM匹配后的平衡性檢驗結果

(2)反事實檢驗

為區別于碳交易政策實施的現實情境,通過隨機選取6個省市作為試點地區,其他省市作為非試點地區而構造反事實檢驗,構造虛擬樣本后新生出核心解釋變量did.參照模型(1),如若did系數均不顯著,則反向說明H1結論成立.為避免樣本的選擇性偏誤,隨機構造3組不同的試點地區,再依次進行DID估計,結果如表6(1)～(3)列所示,did均不顯著,反向支撐了碳交易政策提升工業碳生產率的結論成立.

表5 PSM匹配后碳交易政策對工業碳生產率的基準回歸結果

注:***、**、*分別表示1%、5%和10%的顯著性水平.

(3)證偽檢驗

設置虛擬的政策沖擊年份,分別假設碳交易政策的實施年份為2007年、2008年、2009年,通過剔除2012年及以后年份數據而構造證偽檢驗,如若系數均不顯著,則假設H1成立.根據所設年份依次進行3組DID回歸,結果如表6(4)～(6)列所示,系數均不顯著,說明工業碳生產率的增加確實是由2012年碳交易政策引起,并未受到其它年份的其它政策變量干擾,假設H1結論穩健.

表6 碳交易政策對工業碳生產率的穩健性檢驗結果

注:***、**、*分別表示1%、5%和10%的顯著性水平.

3.2 碳交易政策對工業碳生產率的機制分析

運用2005～2017年30個省市的面板數據,采用雙重差分法構建多重中介效應模型,以環境治理效應、結構優化效應、技術革新效應作為中介變量,通過模型(4)～(7)對碳交易政策提升工業碳生產率的作用機制進行逐步回歸[30].同時,借鑒Preacher[31]提出的Bootstrap方法(bias-corrected confidence interval)對上述中介效應做出具體論證.

3.2.1 逐步檢驗法 表7展示了碳交易政策對工業碳生產率的作用機制檢驗結果.其中,模型(4)～(6)的回歸結果顯示,province′time的估計系數均顯著為正,表明碳交易政策的實施會帶來環境治理效應(0.101)、結構優化效應(0.113)和技術革新效應(0.101),即碳交易政策對試點地區的工業碳生產率可能存在中介效應.另外,模型(7)交互項結果顯示,碳交易政策對試點地區的工業碳生產率(0.277)及人均工業碳生產率(7.113)有正向推動的直接效應;模型(1)交互項結果顯示,碳交易政策對試點地區的工業碳生產率(0.292)及人均工業碳生產率(8.357)有正向顯著的總效應.進一步地,對照模型(1)總效應和模型(7)直接效應可以發現,總效應的系數絕對值大于直接效應,說明存在間接效應,即碳交易政策提升工業碳生產率的作用機制中存在部分中介效應.

表7 碳交易政策對工業碳生產率的作用機制檢驗

注:***、**、*分別表示1%、5%和10%的顯著性水平.

3.2.2 Bootstrap方法 逐步檢驗法必須滿足小樣本、小中介值及中介效應值服從正態分布等前提條件,為克服上述統計缺陷,將運用Bootstrap方法進行多重中介效應檢驗(表8),碳交易政策通過環境治理效應、結構優化效應和技術革新效應間接對工業碳生產率產生影響,三者效用之和即為總中介效應0.476.

表8報告了3類傳導機制在碳交易政策對工業碳生產率產生影響時的多重中介效應.①環境治理效應的中介作用.碳交易政策提升工業碳生產率時存在明顯的環境治理中介效應,該效應發揮了正向累計中介作用為0.09,在總中介效應中占比為18.91%.其中,不僅包括碳交易政策→環境治理效應→工業碳生產率(0.092)的并行中介作用,而且包括碳交易政策→環境治理效應→結構優化效應→工業碳生產率(-0.007)、碳交易政策→環境治理效應→技術革新效應→工業碳生產率(0.004)、碳交易政策→環境治理效應→結構優化效應→技術革新效應→工業碳生產率(0.001)等鏈式中介作用.以上結果表明,環境治理效應可以促成經濟環境的可持續性發展,穩步提升工業碳生產率,但其中一條鏈式效應為負,可能是因為政府現行的環保投資未能有效支撐產業結構轉型,不足以激發市場對環保產品及服務的需求,未能促進環保產業發展,所以對工業碳生產率提高體現出遮掩效果.

表8 碳交易政策對工業碳生產率的多重中介效應機制檢驗

注:***、**、*分別表示1%、5%和10%的顯著性水平,括號內數字是運用Bootstrap方法得出的中介效應置信區間,置信區間不包含0表示顯著.

②結構優化效應的中介作用.碳交易政策對工業碳生產率的影響,一方面存在正向的并行中介作用為0.349(碳交易政策→結構優化效應→工業碳生產率),另一方面存在負向的鏈式中介作用為-0.007 (碳交易政策→結構優化效應→技術革新效應→工業碳生產率),這說明結構優化效應能夠有效帶動工業碳生產率提升,但其通過技術革新效應影響工業碳生產率時卻呈現負向鏈式效果,可能是產業結構升級過程中,對城市技術創新水平的帶動作用較弱,催發的部分創新能力尚處于“波特拐點”之前,未能有效推動經濟的高質量發展.總之,結構優化效應發揮的累計中介作用為0.342,在總中介效應中占比為71.85%.

③技術革新效應的中介作用.技術革新效應單獨發揮了正向顯著的并行中介作用為0.044(碳交易政策→技術革新效應→工業碳生產率),在總中介效應中占比為9.24%,這說明碳交易政策直接帶來的技術革新效應能夠有效推動工業碳生產率提升,政府研發經費的投入調動了城市創新積極性,為經濟綠色發展提供了源源不斷的創新動能.

綜上,不同傳導機制在碳交易政策提升工業碳生產率的過程中發揮了不同程度的效用,結構優化效應最高,占比71.85%,環境治理效應次之,占比18.91%,技術革新效應最低,占比9.24%,總之,三類中介效應均有效解釋了碳交易政策對工業碳生產率的提升機理,假設H2-H4得到驗證.

4 結論與政策建議

4.1 結論

4.1.1 基準回歸及動態效應結果顯示,碳交易政策能夠實現“降碳促經”作用,有利于工業碳生產率的提升,且該提升作用呈現逐年上升趨勢.

4.1.2 異質性分析表明,碳交易政策對北京、天津、上海、湖北的工業碳生產率有顯著提升作用,而對廣東、重慶無明顯影響,即碳交易政策對工業碳生產率的影響程度存在區域異質性.

4.1.3 多重中介效應檢驗證明,碳交易政策對工業碳生產率的間接影響存在多種效應和影響渠道,分別是環境治理效應占比18.91%,結構優化效應占比71.85%,技術革新效應占比9.24%,其中結構優化效應是響應政策最為充分的機制.

4.2 政策建議

4.2.1 完善相關法律制度和配額細則,因地制宜推進碳市場建設工作.中國目前碳交易機制不斷完善,工業碳生產率提升效果明顯,因此要以較高層級的立法來保障碳市場的權威性,并進一步制定和完善碳配額分配細則,通過優化配額總量來調節市場碳價,吸引更多的參與主體.同時,針對不同試點地區做到分類精準施策,對于廣東、重慶等地,要彌補前期設計的不足,加強監管力度,在考慮經濟與環境的耦合協調基礎上,完善碳交易市場的建設體系.

4.2.2 科學制定環保財政預算,保證環保資金合理使用.環境治理效應作為碳市場建設過程的源頭機制,對于工業碳生產率的提升具有先導作用.因此,政府要科學制定環保財政預算,凸顯政策目標的環境偏好性,以此加強環保支出對社會投資的引致作用及環境治理的規制作用.同時,加強績效反饋環節對環保財政資金的動態監管,確保環保資金專款專用,以利于經濟和環境的雙贏.

4.2.3 培育環保產業新業態,催生國際分工新秩序.結構優化效應作為碳市場建設過程的核心機制,對于工業碳生產率的提升具有顯著作用.因此,在政府環保資金的支撐作用下,產業結構的調整應注意提高高能耗企業準入門檻,培育和發展綠色環保等高附加值產業,以此推動環保投入結構和要素產出結構的耦合發展.另外,努力提高工業行業對全球價值鏈的參與度,使產業分工進一步細致化、專業化,進而促成國內國際雙循環的工業發展新格局.

4.2.4 加大減排技術研發力度,促成產學研機制有效整合.技術革新效應作為碳市場建設機制的終端環節,對于工業碳生產率的提升具有深化作用.因此,一方面要利用環境治理和結構優化的協同機制煥發城市創新動能,加大對減排研發技術的支持力度,鼓勵研發投入的綠色偏向性.另一方面,注重資金要素與人才要素的良性匹配,增設研發機構,推進產學研機制有效整合,促成創新成果進一步產業化和市場化.

[1] 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]. 中國環境科學, 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 [J]. China Environmental Science, 2017,37(6):2383-2392.

[2] Hou J, Teo T S H, Zhou F, et al. Does industrial green transformation successfully facilitate a decrease in carbon intensity in China? An environmental regulation perspective [J]. Journal of Cleaner Production, 2018,184:1060-1071.

[3] Hu W, Wang D. How does environmental regulation influence China’s carbon productivity? An empirical analysis based on the spatial spillover effect [J]. Journal of Cleaner Production, 2020,257:120484.

[4] Pan X, Li M, Wang M, et al. The effects of outward foreign direct investment and reverse technology spillover on China's carbon productivity [J]. Energy Policy, 2020,145:111730.

[5] Bai C, Du K, Yu Y, et al. Understanding the trend of total factor carbon productivity in the world: insights from convergence analysis [J]. Energy Economics, 2019,81:698-708.

[6] Long R, Shao T, Chen H. Spatial econometric analysis of China’s province-level industrial carbon productivity and its influencing factors [J]. Applied Energy, 2016,166:210-219.

[7] Zhang H J, Duan M S, Zhang P. Analysis of the impact of China’s emissions trading scheme on reducing carbon emissions [J]. Energy Procedia, 2019,158:3596-3601.

[8] 周 迪,劉奕淳.中國碳交易試點政策對城市碳排放績效的影響及機制[J]. 中國環境科學, 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] 周朝波,覃 云.碳排放交易試點政策促進了中國低碳經濟轉型嗎?——基于雙重差分模型的實證研究[J]. 軟科學, 2020,34(10): 36-42,55.

Zhou C B, Qin Y. The impact of a carbon trading pilot policy on the low-carbon economic transformation in China: An empirical analysis based on a DID Model [J]. Soft Science, 2020,34(10):36- 42,55.

[10] 廖文龍,董新凱,翁 鳴,等.市場型環境規制的經濟效應:碳排放交易、綠色創新與綠色經濟增長[J]. 中國軟科學, 2020,(6):159-173.

Liao W L, Dong X K, Weng M, et al. Economic effect of market- oriented environmental regulation: Carbon emission trading, green innovation and green economic growth [J]. China Soft Science, 2020,(6):159-173.

[11] Yang X Y, Jiang P, Pan Y. Does China's carbon emission trading policy have an employment double dividend and a Porter effect? [J]. Energy Policy, 2020,142:111492.

[12] Yu Y N, Zhang W J, Zhang N. The potential gains from carbon emissions trading in China's industrial sectors [J]. Computational Economics, 2018,52(4):1175-1194.

[13] 胡玉鳳,丁友強.碳排放權交易機制能否兼顧企業效益與綠色效率? [J]. 中國人口·資源與環境, 2020,30(3):56-64.

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

[14] 姜 楠.環保財政支出有助于實現經濟和環境雙贏嗎? [J]. 中南財經政法大學學報, 2018,(1):95-103.

Jiang N. Does fiscal spending on environmental protection help achieve A win-win situation for both the economy and the environment? [J]. Journal of Zhongnan University of Economics and Law, 2018,(1):95-103.

[15] 朱小會,陸遠權.開放經濟、環保財政支出與污染治理[J]. 中國人口·資源與環境, 2017,27(10):10-18.

Zhu X H, Lu Y Q. Open economy, fiscal expenditure of environmental protection and pollution governance [J]. China Population, Resources and Environment, 2017,27(10):10-18.

[16] 田淑英,董 瑋,許文立.環保財政支出、政府環境偏好與政策效應——基于省際工業污染數據的實證分析[J]. 經濟問題探索, 2016, (7):14-21.

Tian S Y, Dong W, Xu W L. Environmental fiscal expenditure, government environmental preference and policy effect: An empirical analysis based on provincial industrial pollution data [J]. Inquiry Into Economic Issues, 2016,(7):14-21.

[17] 杜雯翠.環保投資、環境技術與環保產業發展——來自環保類上市公司的經驗證據[J]. 北京理工大學學報(社會科學版), 2013,15(3): 47-53.

Du W C. Environmental investment, environmental technology and environmental industry development: Evidence from environmental listed companies [J]. Journal of Beijing Institute of Technology (Social Sciences Edition), 2013,15(3):47-53.

[18] 余紅輝.中國環境治理困境的挑戰與策略分析——基于環境投資的內生機制[J]. 管理評論, 2019,31(1):39-47.

Yu H H. The challenges and strategic analysis of environmental governance in China: Based on endogenous mechanism of environmental investment [J]. Management Review, 2019,31(1):39- 47.

[19] 孫華平,杜秀梅.全球價值鏈嵌入程度及地位對產業碳生產率的影響[J]. 中國人口·資源與環境, 2020,30(7):27-37.

Sun H P, Du X M. The impact of global value chains’ participation degree and position on industrial carbon productivity [J]. China Population, Resources and Environment, 2020,30(7):27-37.

[20] 王淑英,衛朝蓉,寇晶晶.產業結構調整與碳生產率的空間溢出效應——基于金融發展的調節作用研究[J]. 工業技術經濟, 2021,40(2): 138-145.

Wang S Y, Wei Z R, Kou J J. Spillover effect of industrial structure adjustment and carbon productivity: Study based on adjustment of financial development [J]. Journal of Industrial Technological Economics, 2021,40(2):138-145.

[21] 馮根福,鄭明波,溫 軍,等.究竟哪些因素決定了中國企業的技術創新——基于九大中文經濟學權威期刊和A股上市公司數據的再實證[J]. 中國工業經濟, 2021,(1):17-35.

Feng G F, Zheng M B, Wen J, et al. What determines the Chinese Firms’ technological innovation: A re-empirical investigation based on the previous empirical literature of nine Chinese economics top journals and a-share listed company data [J]. China Industrial Economics, 2021,(1):17-35.

[22] 王 巧,佘 碩,曾婧婧.國家高新區提升城市綠色創新效率的作用機制與效果識別——基于雙重差分法的檢驗[J]. 中國人口·資源與環境, 2020,30(2):129-137.

Wang Q, She S, Zeng J J. The mechanism and effect identification of the impact of National High-tech Zones on urban green innovation: based on a DID test [J]. China Population, Resources and Environment, 2020,30(2):129-137.

[23] 徐 紅,趙金偉.研發投入的綠色技術進步效應[J]. 中國人口·資源與環境, 2020,30(2):121-128.

Xu H, Zhao J W. The green technology advancement effect of R&D investment [J]. China Population, Resources and Environment, 2020, 30(2):121-128.

[24] 劉啟仁,趙 燦.稅收政策激勵與企業人力資本升級[J]. 經濟研究, 2020,55(4):70-85.

Liu Q R, Zhao C. Tax incentives and upgrading firms’ human capital [J]. Economic Research Journal, 2020,55(4):70-85.

[25] 任曉松,馬 茜,劉宇佳,等.碳交易政策對高污染工業企業經濟績效的影響——基于多重中介效應模型的實證分析[J]. 資源科學, 2020,42(9):1750-1763.

Ren X S, Ma Q, Liu Y J, et al. The impact of carbon trading policy on the economic performance of highly polluting industrial enterprises: Empirical analysis based on multiple mediating effect model [J]. Resources Science, 2020,42(9):1750-1763.

[26] Wang H, Chen Z P, Wu X Y, et al. Can a carbon trading system promote the transformation of a low-carbon economy under the framework of the porter hypothesis?—Empirical analysis based on the PSM-DID method [J]. Energy Policy, 2019,129:930-938.

[27] 黃向嵐,張訓常,劉 曄.我國碳交易政策實現環境紅利了嗎? [J]. 經濟評論, 2018,(6):86-99.

Huang X L, Zhang X C, Liu Y. Does China’s carbon emissions trading policy fulfill the environmental dividend? [J]. Economic Review, 2018,(6):86-99.

[28] 汪 鵬,戴瀚程,趙黛青.基于GD-CGE模型的廣東省碳排放權交易政策評估[J]. 環境科學學報, 2014,34(11):2925-2931.

Wang P, Dai H C, Zhao D Q. Assessment of Guangdong carbon emission trading based on GD-CGE model [J]. Acta Scientiae Circumstantiae, 2014,34(11):2925-2931.

[29] 史 丹,李少林.排污權交易制度與能源利用效率——對地級及以上城市的測度與實證[J]. 中國工業經濟, 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 [J]. China Industrial Economics, 2020,(9):5-23.

[30] 任曉松,劉宇佳,趙國浩.經濟集聚對碳排放強度的影響及傳導機制[J]. 中國人口·資源與環境, 2020,30(4):95-106.

Ren X S, Liu Y J, Zhao G H. The impact and transmission mechanism of economic agglomeration on carbon intensity [J]. China Population, Resources and Environment, 2020,30(4):95-106.

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

[32] 余 萍,劉紀顯.碳交易市場規模的綠色和經濟增長效應研究[J]. 中國軟科學, 2020,(4):46-55.

Yu P, Liu J X. Researchon the effects of carbon trading market size on environment and economic growth [J]. China Soft Science, 2020, (4):46-55.

The impact of carbon trading policy on industrial carbon productivity and its transmission mechanism.

REN Xiao-song1, MA Qian2*, LIU Yu-jia3, ZHAO Guo-hao2

(1.School of Management Science and Engineering, Shanxi University of Finance and Economics, Taiyuan 030031, China；2.School of Business Administration, Shanxi University of Finance and Economics, Taiyuan 030031, China；3.Institute of International Economy, University of International Business and Economics, Beijing 100029, China)., 2021,41(11)：5427～5437

Based on panel data of 30 provinces from 2005 to 2017, this paper evaluated the heterogeneous impacts of carbon trading policies on industrial carbon productivity using the methods of differences-in-differences, dynamic effect analysis, and triple difference. Meanwhile, this paper adopted the multiple mediating effect model to explore the impact mechanism of carbon trading polices on industrial carbon productivity. The results show that impacted by the carbon trading policies, the carbon productivity increased by 29.2% in pilot regions when compared with non-pilot regions. The heterogeneity test shows the carbon trading polices had significant impacts on the carbon productivity in Beijing, Tianjin, Shanghai, and Hubei, while they had small impact on the carbon productivity in Guangdong and Chongqing. The mechanism analysis shows that carbon trading policies can effectively improve carbon productivity by exerting the mediating effects of environmental governance, structural optimization and technological innovation, and the mediating effect of structural optimization effect is the largest. These findings will provide policy implications for the development of China's carbon market in the future.

carbon trading policy；industrial carbon productivity；the difference-in-difference model；multiple mediation effects model；carbon peak and carbon neutrality

X196

A

1000-6923(2021)11-5427-11

任曉松(1986-),男,山西運城人,副教授,博士,主要從事低碳經濟與能源政策研究.發表論文10余篇.

2021-03-23

國家自然科學基金資助項目(71774105);教育部人文社會科學研究青年基金資助項目(18YJCZH143);山西省高校哲學社會科學研究項目(2021W055)

* 責任作者, 博士, renxs@sxufe.edu.cn