中国碳排放权交易试点的碳减排政策效应研究

刘传明 孙喆 张瑾

摘要碳排放权交易是将二氧化碳排放权赋予商品属性，允许其在市场上交易的行为，通过市场机制达到减少二氧化碳排放的目的，碳排放权交易已经成为减少二氧化碳排放的重要途径。中国于2013年启动上海、北京、广东、深圳、天津、湖北、重庆等七省市的碳排放交易权试点。为了对碳排放权交易试点的碳减排效应进行研究，本文基于1995—2016年中国省际面板数据采用合成控制法对碳交易试点的减排效果进行考察，并将合成控制法与双重差分方法相结合对碳交易试点的减排效应进行稳健性检验。研究发现：①碳排放权交易试点的实施降低了二氧化碳排放，但是由于各试点在经济发展、产业结构等方面存在差异，导致各试点省份的碳减排效果存在异质性，合成控制法的分析结果表明广东、天津、湖北、重庆等试点省市的碳减排效果较为明显。②合成控制-双重差分法的分析结果表明碳排放权交易政策的回归系数显著为负且通过了显著性水平检验，这意味着碳排放权交易政策显著减少二氧化碳排放的结论较为稳健。③碳排放权交易政策对于碳排放权的出售方而言通过市场收益诱导效应、技术创新激励效应、政府支持效应等效应实现碳减排;对于碳排放权的购买方而言则通过企业成本压力效应、工艺革新动力效应、市场引导效应等效应实现碳减排。④根据以上研究结论，本文提出以下政策建议：各试点省市在制定减排政策时不能采取一刀切，应因地制宜的进行碳交易试点的建设，从而实现碳减排目标、促进经济的绿色发展。

关键词碳排放权交易;碳减排;合成控制法;作用机制

中图分类号 F062.1

文献标识码A文章编号1002-2104（2019）11-0049-10DOI：10.12062/cpre.20190619

新制度经济学认为在交易费用不为零的情况下，可以将界定的产权在自由市场上交换和买卖，由于产权是明晰的，市场上的行为个体为了降低交易费用，将资源通过市场手段配置到产出最大成本最低的地方[1-2]，正是市场机制、竞争机制、成本收益机制的引入，内化了公共产品产生的负外部效應，从而避免了公地悲剧的发生[3]，新制度经济学的产权理论对全球变暖问题的解决具有重要指导价值。目前全球变暖已成为威胁人类可持续发展的世界性环境问题，受到世界各国的高度重视，2013年政府间气候变化专门委员会第五次评估报告预测在21世纪期间全球地表温度在最低排放情景下可能进一步升高0.3至1.7℃。为了解决全球变暖问题，福利经济学家庇古提出可以通过征收庇古税、排污收费、转让排污许可证等手段来解决外部性问题，这些手段虽然可以使部分外部效应内部化，但是并不能彻底解决公地悲剧问题。Dales[4]提出的排污权交易则是在排污总量不超过许可排污量的前提下，采用市场交易手段对排污权进行交易以实现减排的目的。因此，碳排放交易权成为应对全球气候变暖的市场机制和关键工具[5]。2011年国家发改委发布了《关于开展碳排放权交易试点工作的通知》批准上海、北京、广东、深圳、天津、湖北、重庆等七省市开展碳排放交易权试点，并于2013年正式启动碳交易试点。那么我们面临的问题是：碳交易试点的实施是否降低了试点省份的二氧化碳排放量？碳交易试点的碳减排机制是什么？这些问题的回答对于应对全球变暖问题，继而完成中国既定的碳减排目标具有重要的理论和现实意义。

1文献综述

从现有研究进展看，目前对碳交易政策评估的研究根据研究方法的不同主要分为以下三类：第一类，采用单差法通过对比碳交易试点实施前后二氧化碳排放量的变化来说明碳交易试点的实施效果[6-7]。虽然单差法可以直观的对比出碳交易试点实施前后碳排放量的变化，但不能将碳交易试点实施期间其他因素（如：技术进步、生产工艺革新）所导致的碳排放量的变化与碳交易试点的政策效应进行有效剥离，若仅对试点省份和非试点省份的碳排放量进行比较，容易将不同省份在碳交易实施前可能存在的不可观测的系统性差异误认为碳交易政策的影响。第二类，采用双重差分法对碳排放权交易的政策效应进行评估[8]，双重差分法需要满足实验组和对照组的碳排放具有共同趋势假定，事实上，不仅各地区碳排放量存在显著差异[9]，而且碳排放的收敛速度也存在明显区域异质性[10]，在不满足平行趋势假设时双重差分法不能将政策效应和其他影响因素的减排效应进行完全剥离[11]。第三类，Heckman[12]将传统DID方法发展为PSMDID，因此，学术界广泛采用PSMDID对碳交易试点的政策效应进行研究[13-15]。虽然PSMDID在大样本情况下能够保证匹配效果最优，使研究结论更具可信性，但是PSMDID有其严格的适用条件，首先，PSMDID在大样本的情况下才能使匹配结果更优[11]，由于碳交易试点仅有7个省市，实施时间也不过区区6年，因此碳交易试点的研究样本并不满足大样本要求。其次，PSMDID仅仅可以对可观察变量进行控制，忽视了对不可观测变量的控制，从而导致估计偏差[16]。再次，PSMDID将碳交易政策覆盖的所有省份作为一个整体进行分析，得到的结论只是整体的政策效果。事实可能并非如此，一方面，实施碳交易政策的省份在经济发展、产业结构、能源效率等方面存在较大差异，即使实施了同样政策所达到的政策效果也不尽相同。另一方面，碳交易政策实施后各省份在落实政策时所采取的配套措施不同，政策落实效率也存在差异，因此，所达到的政策效果也存在异质性。因此，如何科学的选择对照组成为学者们所研究的重点问题。

为了弥补已有研究的局限，本文根据Abadie[17]所采用的合成控制法对碳排放交易试点的实施效果进行评估。与其他方法相比，合成控制法具有以下三方面优点：第一，合成控制法解决了现实中难以寻找合适的对照组满足实验组基本特征的难题，在除政策覆盖省份之外的其他省份中提取部分信息构建一个虚拟的对照组，这一对照组在政策实施之前与实验组具有完全相同的演变趋势，观察在政策实施之后碳排放是否出现政策跳跃。第二，在构建对照组权重时通过测度预测变量之间的距离确定权重的取值，从而减少了主观因素对政策效果的影响，而且可以明确展示出实验组与合成对照组在政策实施之前的相似程度，从而避免了将差距较大的省份作为对照组所产生的误差问题。第三，采用合成控制法构建的虚拟对照组是未实施碳交易试点省份的加权平均，因此可以避免过度外推问题，通过权重设置可以反映未成为碳交易试点的省份在构造反事实状态时的贡献。

充分发挥市场在碳排放权配置中的决定性作用，此外，高碳排放企业可以以市场为导向加快淘汰高耗能、高污染、低效益的落后产能，从而降低了二氧化碳排放。

碳排放权交易政策对低碳排放的技术密集型企业而言，主要通过市场收益诱导效应、技术创新激励效应和政府支持效应降低二氧化碳排放，具体而言：①市场获益诱导效应。技术密集型企业可以凭借先进的生产技术和清洁的生产工艺降低二氧化碳排放，并将节约的碳排放权在碳交易市场上出售给高碳排放企业获取额外利润，在市场收益的诱导下企业倾向于降低二氧化碳排放。②技术创新激励效应。学术界对技术创新的碳减排效应均予以肯定，Goodchild & Toy[18]和Parket al.[19]发现技术进步能够显著降低二氧化碳排放。当低碳排放企业转让碳排放权所带来的收益高于技术创新成本时，低碳排放企业将更加注重清洁技术的研发，一旦技术研发成功并投入到生产可以有效降低二氧化碳排放。③政府政策支持效应。对于低碳排放企业而言，政府会对低碳排放的企业进行补贴，一方面，企业在政府补贴和减税政策的激励下更加专注于技术研发，另一方面，政府补贴政策可以有效缓解企业的融资约束，增强企业用于研发的资金投入。伴随着技术的进步以及技术溢出效应的增强，试点省份的整体技术水平会得到显著提高，从而降低了试点地区的二氧化碳排放。

3研究设计与数据说明

3.1合成控制法

考虑到合成控制法在构造对照组方面具有的独特优势，本文根据Abadie[17]提出的合成控制法对碳交易试点的碳减排效应进行评估。从现有的研究进展看，合成控制法不仅被运用到碳交易试点对产业结构升级的影响领域[20]，而且还被应用于低碳试点的政策效果评估方面[21-22]。

给定K+1个省份在t∈[1，T]期内的二氧化碳排放量，其中CIit表示第i个省份在时间t上没有成为碳交易试点时的碳排放量，CNit表示第i个省份在时间t上成为碳交易试点的碳排放量，假定第i个省份在时间t=T0时被确定为碳交易试点，则[1，T0]期内该省份的二氧化碳排放量不受到碳交易政策的影响，即CNit=CIit;碳交易政策实施之后，即[T0+1，T]期内，我们采用effect=CIit-CNit表示碳交易政策给第i个省份带来的碳减排效应。对于成为碳交易试点的省份，我们可以测算出它的二氧化碳排放量CNit，由于该省份在没有成为碳交易试点时的碳排放数据CIit是无法观测到的，因此本文采用Abadie[17]提出的基于参数回归的因子模型对CIit进行估计。

CIit=τt+βtXi+γtνi+μit

上式中τt是所有省份碳排放的时间固定效应，Xi表示可以观测到的协变量，表示不受碳交易政策影响的控制变量;βt是一个未知参数向量，γt是一个无法观测的公共因子向量，vi是不可观测的省份固定效应;μit是不可观测到的短期冲击在省际水平上的均值为0。具体的，本文選取目标省份2000—2013年的人均GDP、产业结构、人口密度、FDI、能源消费强度等变量作为预测变量。

我们假设第一个省份（i=1）成为了碳交易试点，其余K个省份i=2，……， K+1均不是碳交易试点。考虑一个（K×1）维的向量权重W=（w2，…wk+1）以使wk≥0，k=2，…K+1，且w2+…，wk+1=1。每一个向量W的特征值都表示一个合成控制的组合，也就是合成K个省份二氧化碳的特定权重。针对每个对照组省份的结果变量值，经过加权后得到了：

已有研究证明，通常情况下碳排放权交易政策实施之前的时间段相对于碳排放交易权实施之后的时间段较长，那么，上式右边的均值将趋于0。在碳排放权交易政策实施之后的时间段（即2013—2016年）可以将∑K+1k=2w*kCkt作为CNIt的无偏估计量，在北京、天津、上海、湖北、重庆、广东实施的碳排放权交易所得到的碳减排效果的估计值为：

1t=C1t-∑K+1k=2w*kCkt，t∈[T0+1，…，T]

对碳减排效果1t进行估计的重点和难点就是找到某一特殊的权重W*=（w*2，w*3，…，w*k，w*k+1）。

W*需要第一个省份的特征向量（C11，…C1r0，Z′1），位于除北京、天津、上海、湖北、重庆、广东之外的其他省份特征向量组的凸组合{（C21，…，C2r0，Z′2），…（CK+11，…，CK+1r0，Z′k+1）}集合范围之内。但是通常不存在这样一个特殊的权重使得（3）成立，因此，需要一个近似的值来确定权重。接下来本文定义一个向量M=（m1，…mr0）表示政策实施前后结果的线性组合：Mi=∑T0s=1msCis。例如，如果m1=m2=…=mT0-1=0，mT0=1，则Mi=CiT0，这表示结果变量值恰好是政策实施前的某一时间段;如果m1=m2=…=mT0-1=1/T0，则Mi=T-10∑T0s=1Cis，则表示结果变量值是政策实施前期的平均结果。定义F作为向量M1，…，MF的线性组合，X1=（Z′1，M1i，…MF1）作为实施碳排放交易权政策的省份在实施前期的（（r+M）×1）维特征向量。相似的定义X0为一个（（r+M）×K）的矩阵，涵盖了K个未被列为碳排放交易权的省份的对应的特征向量，即X0的第k列为（Z′1，M11，…MFk）。本文通过最小化X1和X0W的距离||X1-X0W||来确定W*，同时使得wk≥0，k=2，…，K+1，且各省份的权重w2+…+wk+1=1。根据Abadie教授所采用的||X1-X0W||v=（X1-X0W）′V（X1-X0W）来测度距离，其中V是对称半正定矩阵（Symmetric and Positive Semidefinite Matrix）。尽管我们的推断过程对任意的V都有效，但是V的选择会对估计值的均方误产生影响。V的最优选择是赋予X1和X0中变量一个合理的权重，以最小化合成控制值的均方误。本文利用数据驱动的方式得到了对称半正定矩阵使得合成省份近似试点省份在成为试点之前二氧化碳排放的运动轨迹。

3.2指标选取

（1）二氧化碳的测度方法。空气中的二氧化碳主要来源于化石燃料的燃烧。因此，根据各省化石燃料的消耗量来估算二氧化碳是二氧化碳测度的主流方法。本文根据IPCC准则提供的各类化石能源的碳排放系数（如表1）进行估算，具体估算公式如下：

CO2=∑7i=1Ei×NCVi×CEFi

其中，CO2表示二氧化碳的估算值;i表示煤炭、天然气、焦炭、燃料油、汽油、煤油、柴油七类化石燃料。E表示化石燃料的消耗量，NCV表示平均低位发热量，CEF表示碳排放系数。

（2）控制变量。本文预测变量的选择主要考虑以下变量：①经济发展水平（rgdp）通过规模效应增加二氧化碳排放又通过技术效应和结构效应降低二氧化碳排放，本文采用人均GDP作為经济发展的衡量指标。②产业结构（indu）：二氧化碳排放主要来源于化石燃料的燃烧，因此本文采用第二产业占地区生产总值的比值来反映产业结构对二氧化碳排放的影响。③服务业发展水平（serv），服务业占比的上升对碳排放起到抑制作用，本文采用第三产业占比来衡量服务业发展水平。④产业结构高级化（stru）：反映了经济结构的服务化倾向，产业结构的服务化倾向越高越能降低经济对化石能源的依赖程度。本文参考干春晖等[23]对产业结构高级化的测度方法，采用第三产业产值与第二产业产值之比作为产业结构高级化的度量指标。⑤能源效率（energy）：本文考察能源效率对二氧化碳的影响，采用能源消费总量与实际地区生产总值的比值来衡量。⑥人口密度（popu）人口密度可以反映人口的集聚程度，二氧化碳的排放不仅产生于生产过程中，人口的集聚程度也会产生二氧化碳[24]，采用年末人口总量与省份面积的比值来衡量。⑦技术进步（tech），在企业的生产过程中节能环保技术的推广无疑是碳减排的重要途径，技术进步可以提高化石能源的利用效率从而降低单位产出的碳排放量，本文采用技术市场成交额作为技术进步的代理变量。

3.3数据来源

本文选取1995—2016年中国30个省（不含港澳台和西藏）作为研究样本，预测变量中人均产出、产业结构、服务业发展水平、产业结构高级化、能源效率、人口密度、技术成交额等指标的原始数据均来自于国家统计局新版数据库。人均产出数据采用实际地区生产总值除以各省年末总人口，实际地区生产总值是以1995年为基准期进行消胀处理。能源消费总量数据来自于1995—2016年《中国能源统计年鉴》。测算二氧化碳排放量时所采用的煤炭、天然气、焦炭、燃料油、汽油、煤油、柴油七类化石能源的消费总量数据来源于《中国能源统计年鉴》以及国家统计局新版数据库。

4碳交易试点的政策效应评估

4.1合成试点省份的权重设置

本文采用1995—2013年的经济发展水平、产业结构、能源结构等作为预测变量来合成虚拟对照组。运用Stata15软件提供的synth命令对碳交易试点省份所对应的权重进行了测算。以北京为例，构造合成北京的省份有海南、黑龙江、陕西，其权重分别为0.797、0.112和0091，权重加总和为1，即海南、黑龙江、陕西三个省的二氧化碳排放量分别按照0.797、0.112和0.091的权重加总可以估计北京未启动碳交易之前的二氧化碳排放量。

4.2碳交易试点的碳减排效应分析

碳交易试点省份与其合成省份碳排放量的演变趋势如图2所示，垂直虚线为目标省份成为碳交易试点的时间，虚线左侧为碳交易试点实施之前的时期，虚线右侧为碳交易试点实施之后的时期。碳交易试点的碳减排效应由试点省市的碳排放量与其合成省市的碳排放量的差值来表示。如图2所示，湖北、天津、广东、重庆的真实碳排放量与其合成碳排放量非常接近，这说明碳交易实施之前试点省份和合成省份的碳排放量没有显著差异。而北京

和上海与其合成省份的碳排放量差距较大，这是因为北京和上海是东部地区的直辖市，也是京津冀城市群与长三角城市群的核心城市，其城市经济发展水平、节能技术均为全国前列，其他省份的预测变量难以对二者进行拟合。从图2可以看出，所有试点省市与合成省市的二氧化碳排放量在虚线右边均出现了较明显的偏离，且真实二氧化碳排放量远低于合成二氧化碳排放量，这表明碳交易政策可有效降低二氧化碳排放。

碳交易试点实施之前湖北与合成湖北的碳排放总量拟合程度较高，说明在政策实施之前二者没有显著差异，启动碳排放权交易后，湖北的二氧化碳排放总量迅速下降，而合成湖北的碳排放量则按照原有趋势缓慢上升，从湖北和合成湖北的碳排放总量差值来看，湖北省的碳排放总量比合成湖北低，这说明湖北省自启动碳交易试点以来在碳减排方面取得了显著的成效。

碳交易试点实施前天津与合成天津的拟合程度较好，因此能够更好的显示政策实施后的效果。2013年之前天津二氧化碳排放总量呈现出较为明显上升趋势，成为碳交易试点之后，二氧化碳排放总量出现明显下降，年均下降率为1.913%，而合成天津的二氧化碳排放总量变化较为平稳，没有明显的变化趋势。天津碳排放量与合成天津碳排放量相比呈明显的下降趋势。这表明碳交易试点对天津的碳减排有着明显作用。但从图2可以看出天津真实与合成差距较小，原因在于天津市的二氧化碳排放总量在六个试点省市中较少，减排空间较小，减排难度相对较大。

碳交易试点实施之前广东与合成广东的二氧化碳排放量基本重合，广东和合成广东的拟合程度在所有试点省市中是最优的，说明广东与合成广东在政策实施之前没有显著差异。广东碳排放总量明显低于合成广东，这表明广东省作为最大的碳交易试点，其碳减排效果较为明显。

碳交易试点实施之前重庆与合成重庆的碳排放总量增长较快，且趋势线基本重合，而在政策实施之后重庆市碳排放总量出现下降趋势，合成重庆按照原有演变趋势缓慢上升。相较于合成重庆来说，重庆二氧化碳排放总量远远低于合成重庆的碳排放量，说明重庆碳排放权交易制度效果良好。

4.3安慰剂检验

本文将采用安慰剂检验（Placebo Test）对合成控制法的有效性进行检验。首先，我们假设未实施碳交易政策的省份与实施碳交易政策的省份均在同时间成为碳交易试点;其次，根据合成控制法的思想，在其他省份中提取部分信息构建合成对照组，从而得到该试点省份与合成对照组之间碳排放总量的差值。第三，通过对比安慰剂检验中碳排放的差值与试点省份碳排放的差值，我们可以对合成控制法的有效性进行检验。如果试点省份与合成省份的二氧化碳排放差异主要是由于碳交易试点的实施导致的，那么，试点省份的二氧化碳差值应大于安慰剂检验中二氧化碳排放量的差值，如果试点省份与合成省份的二氧化碳排放量的差异并非由碳交易试点的实施导致，而是由于其他外在因素所导致的，則试点省份的二氧化碳差值要小于安慰剂检验中二氧化碳排放量的差值。

本文采用均方根预测误差（Root Mean Square Prediction Error，RMSE）衡量碳交易试点省份与其合成对照组之间二氧化碳排放的差异程度，具体测算公式如下：

RMSPE=1T0∑T0t=1（C1t-∑k+1k=2wk×Ckt）212

为了方便比较，本文将整个样本期按照碳交易试点的实施年份划分为两个阶段：碳交易政策实施之前（PrePeriodRMSE）和实施之后（PostPeriodRMSE）。特别值得注意的是，如果碳交易政策实施之前合成省份的碳排放量不能很好的拟合真实碳排放量，本文将不再对此类试点进行安慰剂检验。导致此类误差的原因是：对照组的预测变量不能最大程度拟合试点实施之前的碳排放量。如果在碳交易政策实施之前，合成省份不能很好的拟合真实省份的碳排放量，我们很难得出“差值是由碳交易政策实施导致”的结论。为了避免合成省份不能很好拟合真实省份碳排放量给实证结果带来的问题，本文剔除掉对照组省份在碳排放试点政策实施之前RMSPE大于试点省份的情况。

本文根据有效性检验的分析程序绘制了图3。图3报告了湖北、天津、广东、重庆四个省市的PreRMSE与Post RMSE比值的柱状图。关于对照组省份的选择，本文借鉴刘乃全、吴友[25]的思想，如果对照组省份的权重为正值，表明该试点省份与对照组省份具有总量或者结构上的相似性，因此本文在有效性检验中对照组省份选择权重为正值的省份。合成湖北省的24个省份中权重为正的省有6个，根据合成控制法的基本原理，合成湖北的24个省份中有7个省份的权重为正值，分别为辽宁省、内蒙古、山东省、安徽省、海南省、黑龙江省、新疆，其中新疆的PreRMSPE在2014年试点政策实施之前就高于湖北省的PreRMSPE，因此将其剔除。从图3发现湖北的比值要高于对照组省份，说明合成控制法所得到的“湖北碳交易试点碳减排效果明显”的结论具有有效性和可信性。合成天津的24个省份中权重为正的有7个，天津的比值远高于其他7个对照组省份，这说明天津碳排放权交易试点的碳减排效果有效。

5进一步检验

本部分将合成控制法与双重差分法相结合对碳排放权的碳减排效果进行稳健性检验。采用SCMDID能够将合成控制法在选择对照组方面的优点与双重差分法解决

内生性的优点相结合，既可以规避DID和PSMDID选择对照组方面的苛刻条件，又能有效的解决内生性问题。

5.1合成控制-双重差分法的模型构建

本文采用SCMDID方法对碳交易试点的碳减排效应进行稳健性检验。碳交易试点主要包括北京、天津、上海、广东、湖北、重庆等6个省市（本文在选择样本时为了保证样本空间尺度的一致性，同时由于深圳属于广东省，因此本文将深圳市删除），本文将6个省市作为实验组，将合成控制法构建的6个合成省份作为对照组，政策实施前为对照组，政策实施后为实验组。基于此，本文设置了dt和du两组虚拟变量，dt表示时间虚拟变量，碳交易政策实施之前为0，实施之后为1，du表示组间虚拟变量，碳交易试点省份为1，虚拟碳交易试点为0。具体计量模型如下式所示：

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

∑nn=1θXit+εit

上式中i表示省份，t表示年份，lnCO2为被解释变量，dt为时间虚拟变量，2013年实施碳交易试点之前为0，碳交易政策实施之后为1，du为组间虚拟变量，实施碳交易试点的省份（北京、天津、上海、广东、湖北、重庆）为1，合成控制法构建的合成省份为0。dt×du为双重差分项，回归系数β3为碳交易试点的碳减排效应。X表示一组控制变量包括经济发展水平、第二产业发展水平、第三产业发展水平、技术进步水平、产业结构高级化、人口密度。

5.2稳健性分析

本文将合成控制法与双重差分法相结合，采用SCMDID方法对碳交易政策的碳减排效应进行进一步检验。首先，我们根据Abadie[17]提出的合成控制法的思想，基于非试点省份与试点省份预测变量的最小距离获取权重。其次，根据权重对非试点的24个省份进行加权，构造合成省份的虚拟二氧化碳排放量，即假设试点省份没有成为碳交易试点时的二氧化碳排放量。同时，将合成省份作为对照组，将各试点省份的二氧化碳排放量作为实验组。第三，采用DID估计方法对碳交易试点的减排效应进行政策评估。

表2报告了SCMDID的回归结果，表2第2～3列为未加入控制变量的回归结果，第4～5列为加入控制变量之后的回归结果，我们发现无论是采用二氧化碳排放总量作为被解释变量，还是采用二氧化碳排放总量的对数作为被解释变量，du×dt的估计系数均为负值，这再次表明碳交易试点的碳减排效应具有较强的稳健性。加入控制变量之后模型的拟合优度显著提高，在以二氧化碳排放总量为被解释变量的模型中调整的R2由0.090上升至0654，在以二氧化碳排放总量的对数为被解释变量的模型中调整的R2由0.094上升至0.628，这说明加入控制变量后模型的拟合效果变优。

6研究结论与政策建议

6.1研究结论

本文基于1995—2016年中国省际面板数据，采用合成控制法对碳排放交易试点的碳减排效应进行评估，并对碳排放权交易试点减排效应的内在机制进行分析，研究发现：①合成控制法的评估结果表明湖北、天津、广东、重庆四个试点省市的碳减排效果较为明显。而上海和北京合成省份的碳排放量与其真实值差距较大，原因可能是北京和上海是京津冀城市群与长三角城市群的核心城市，其城市发达程度、经济发展水平、节能技术水平均为全国前列，其他省市难以拟合北京和上海的碳排放水平。安慰剂检验结果表明，湖北、天津、广东、重庆四个试点的比值要高于对照组省份，说明合成控制法所得到的“湖北、天津、广东、重庆的碳减排效果明显”的结论具有有效性和可信性。②合成控制-双重差分法的稳健性分析结果表明被解释变量无论采用二氧化碳排放总量，还是二氧化碳排放总量的对数，政策变量的估计系数均为负值，表明碳交易政策能够显著降低二氧化碳排放。③碳交易试点的碳减排机制表明，对于碳排放权富余的企业而言，可以通过市场获益诱导效应、技术创新激励效应和政府政策支持效应等机制实现碳减排。对于碳排放权不足的企业通过企业成本压力效应、工艺革新动力效应、市场导向激励效应等机制实现碳减排。

6.2政策建议

本文根据上述研究结论提出以下政策建议：①碳交易市场的发展要始终坚持“市场决定”与“政府调节”相结合的发展策略，一方面要继续坚持市场在碳排放权配置中的决定性作用，运用供求机制、竞争机制、价格机制等手段促进碳交易市场的有效运行。不断通过市场手段调节碳排放权富余企业与碳排放权不足企业的利益机制，将碳排放形成的成本内化到企业的成本收益分析中，成为企业利润最大化的重要变量，从而促进碳减排。另一方面，充分发挥政府的调节和辅助作用，政府应制定适合市场健康有效运行的法律法规，弥补由于市场自身局限所带来的垄断、信息不对称、外部性等市场失灵状况，不断的完善市场环境。②促进碳交易试点的碳减排效应发挥作用，关键是促进企业科技研发和技术创新，政府、企业、社会应特别关注科技研发和技术创新对碳交易政策得以发挥碳减排效应的重要作用。应不断的增加所有企业的研发资金投入，鼓励企业进行技术革新，不断的更新生产工艺，促进企业实现绿色发展。③碳交易政策的碳减排效应具有区域异质性，不同试点由于自身经济发展、产业结构、能源结构等因素存在显著差异，因此，各交易试点在制定政策时不能采取“一刀切”，应在认识自身特殊性的情况下“因地制宜”的进行碳交易市场建设，从而实现碳减排目标，促进经济的高质量发展。

（编辑：于杰）

参考文献

[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. 排污权交易的经济学分析[J]. 中国人口·资源与环境，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，尹海涛. 我国碳排放权交易试点的运行和效果分析[J]. 生态经济，2017，33（5）：57-62.

[7]邓荣荣. 我国首批低碳试点城市建设绩效评价及启示[J]. 经济纵横，2016，369（8）：41-46.

[8]王文军，谢鹏程，李崇梅，等. 中国碳排放权交易试点机制的减排有效性评估及影响要素分析[J]. 中国人口·资源与环境，2018，28（4）：26-34.

[9]刘华军，赵浩，杨騫. 中国二氧化碳排放分布的极化研究[J]. 财贸研究，2013，24（3）：84-90.

[10]杨骞，刘华军. 中国地区二氧化碳排放的随机收敛研究——基于两类碳排放指标的再检验[J]. 经济评论，2013（4）：73-80.

[11]谭周令，程豹. 西部大开发的净政策效应分析[J]. 中国人口·资源与环境，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，王维国，梁佩凤. 中国碳排放交易权机制的政策效果分析——基于双重差分模型的估计[J]. 中国环境科学，2017，37（6）：2383-2392.

[15]李广明，张维洁. 中国碳交易下的工业碳排放与减排机制研究[J]. 中国人口·资源与环境，2017，27（10）：141-148.

[16]刘瑞明，赵仁杰. 西部大开发：增长驱动还是政策陷阱——基于PSM-DID方法的研究[J]. 中国工业经济，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]谭静，张建华. 碳交易机制倒逼产业结构升级了吗？——基于合成控制法的分析[J]. 经济与管理研究，2018，39（12）：104-119.

[21]李顺毅. 低碳城市试点政策对电能消费强度的影响——基于合成控制法的分析[J]. 城市问题，2018（7）：40-49.

[22]陸贤伟. 低碳试点政策实施效果研究——基于合成控制法的证据[J]. 软科学，2017，31（11）：98-101.

[23]干春晖，郑若谷，余典范. 中国产业结构变迁对经济增长和波动的影响[J]. 经济研究，2011（5）：4-16.

[24]邵帅，李欣，曹建华. 中国雾霾污染治理的经济政策选择——基于空间溢出效应的视角[J]. 经济研究，2016（9）：73-88.

[25]刘乃全，吴友. 长三角扩容能促进区域经济共同增长吗[J]. 中国工业经济，2017（6）：81-99.