《低碳省区试点政策的净碳减排效应》-经济学论文，人口资源与环境论文-论文范文参考-科学狗论文网

标题

低碳省区试点政策的净碳减排效应

范文

董梅李存芳

摘要?低碳试点是实现中国绿色发展的一项重要政策，旨在探索和推广工业化与城镇化过程中低碳建设的做法及经验。客观评估低碳省区试点政策效果，有助于更好积累和推广省级层面的低碳建设经验，进而全面推进绿色化进程与生态文明建设。作者基于2000—2017年中国26个省区的面板数据，采用合成控制法从人均碳排放和碳强度两个方面，对辽宁、广东、陕西、湖北、云南和海南等6个“低碳省区”试点政策的净碳减排效应进行分析和评价，并通过安慰剂检验和双重差分（DID）估计对政策效应的稳健性进行验证和补充分析。研究发现：低碳省区试点政策下，辽宁和湖北的人均碳排放和碳强度均显著下降，即政策效应双有效;广东和云南的人均碳排放显著下降，而这两个省区的碳强度变动并非源于低碳试点政策;低碳省区试点对陕西和海南的碳减排均无效，相反，这两个省区的碳强度以及陕西的人均碳排放显著上升。分析认为，导致各省区净碳减排效应异质性的因素有以下四点：①工业占地区生产总值比重越低，越有利于人均碳排放控制;省区经济水平越高，即人均地区生产总值越高，越有利于碳强度控制。②碳排放权交易试点政策叠加有效促进碳减排。③政策实施前，省区人均碳排放和碳强度指标越低，其减排空间越小，减排难度越大。④经济发展和产业结构优化的惯性作用会长效推进碳减排。有鉴于此，提出以下建议：在省级层面合理布局低碳产业，特别是低能耗、低排放的第三产业，有效降低能源消费;推动人均碳排放和碳强度较高的省区率先减排;加大对经济欠发达省区的节能减排资金与技术支持;加快全国碳排放权交易市场的建设与完善，形成长效的低碳发展机制，实现生态绿色和经济增长和谐共赢。

关键词?低碳省区试点;碳减排;政策效应;合成控制法;双重差分

中图分类号?F205

文献标识码?A文章编号?2104-1002（2020）11-0063-11DOI：10.12062/cpre.20200634

当前，中国经济正由高速增长阶段向高质量发展阶段转型，大力推进生态文明建设是事关人民美好生活的重要课题。政府推动型的低碳建设有效促进了中国绿色发展和生态文明进程。为了探索低碳发展模式，践行低碳发展路径，有效落实控制温室气体排放行动目标，国家发展改革委于2010年7月确定在广东、辽宁、湖北、陕西和云南五省区，以及天津等八市开展第一批低碳省市试点工作，要求试点省市编制低碳发展规划，制定支持低碳绿色发展的配套政策，加快建立以低碳排放为特征的产业体系，建立温室气体排放数据统计和管理体系，积极倡导低碳绿色生活方式和消费模式等一系列节能减排的具体任务。2012年12月，国家发展改革委又确定海南省，以及北京等28个城市为第二批低碳省市试点。在前期经验积累的基础上，国家发改委在2017年1月再次确定乌海市等45个城市开展第三批低碳城市试点。以上各批低碳试点政策，均是通过建立健全低碳发展制度、推进能源优化利用、打造低碳产业体系、推动城乡低碳化建设和管理，使之引导并形成绿色低碳的生活方式和消费模式，引领和示范全国低碳发展。尽管低碳试点重心逐步由省区转向城市，但经济水平、产业结构和区域位置等特征对试点政策效果的影响具有共性，且试点工作的最终目的是全面推进低碳转型和可持续发展，因此，客观评估低碳省区的试点政策效果，有助于积累和推广省级层面的低碳建设经验。有鉴于此，作者以“低碳省区”试点政策为切入点，聚焦探讨政府推动型低碳建设在省级层面的净碳减排效应。在此基础上值得思考的是：自2010年低碳试点政策实施至今，试点政策是否有效促进了试点省区的碳减排？该政策对人均碳排放和碳强度的影响有何差异？碳排放指标变化是低碳试点政策带来的，还是发展惯性带来的？什么原因导致相同政策在不同省区间产生截然不同的政策效果？这些问题的回答为低碳试点政策的科学评估提供量化依据，也为低碳发展的政策设计和推广提供经验与启示。

1?文献综述

自中国开展低碳试点工作以来，针对低碳试点地区及政策评价的研究不断涌现，其结论在部分层面达成共识。以下分别从研究对象和研究方法两个维度对以往文献进行梳理。

以低碳试点省区及城市为研究对象的文献主要分三类：①评估低碳试点政策的直接效应，包括对低碳试点省区层面[1-3]和城市层面[4-7]的减排效应评价，以及对低碳试点城市空气污染治理效应评价[8-9]，大部分文献都认为该政策对碳减排和空气污染治理产生积极作用。②评估低碳试点政策的间接效应，这类文献关注低碳试点政策对新型城镇化[10]、外贸依存度[11]、外商直接投资[12]和企业技术创新[13]等方面的政策影响。③分析低碳试点地区在政策实施前的碳排放特征，如刘竹等[14]和劉健等[15]分别研究首批试点五省区在2008年和2009年以前的碳排放情况，丁丁等[16]评价前两批36个试点城市在2000—2012年的低碳发展情况，这类文献不涉及政策实施前后的对比，旨在为低碳试点政策实施提供路径指引。

低碳试点政策评价的研究方法主要分四类：①综合评价差值法，即对比政策实施前后的碳排放及能源消费轨迹[4-5，17]，或构造低碳综合评价指标[10，18-19]，对比政策实施前后的指标差值来衡量政策效果。该方法可直观比较低碳指标变化，但无法将非政策因素进行剥离。②双重差分（difference in difference， DID），该方法不仅用于评价低碳试点政策的直接效应[1，8]和间接效应[11-13]，也广泛用于评估“大气十条”政策对空气质量的影响[20]、清洁发展机制的减排效果[21]、经济集聚对节能减排的推动[22]等低碳政策效应。但DID方法需要假设实验组和对照组特征基本相同，满足平行趋势假定，其应用条件较为苛刻，而且DID方法在对照组的选择上，或多或少存在选择性偏误和内生性问题。③倾向得分匹配（propensity score matching，PSM）与双重差分结合（简称PSM-DID），该方法先采用PSM方法匹配样本，选取对照组样本更加精细[6，9]，然后再进行DID检验，有效弥补了DID选择偏误和内生性的问题，但PSM-DID在大样本条件下才能得到最优匹配，并且也不能对非政策因素完全剥离。④为弥补以上研究方法的不足，Abadie等[23-24]提出了合成控制法（synthetic control method，SCM），该方法的优点是通过对未受政策干扰的样本进行适当的线性组合，构造出更好的合成控制样本，其构造过程是通过数据驱动，避免主观选择控制组的随意性。合成控制法一经提出，就被国外学者广泛应用，如分析德国统一对该国经济的影响[25]、《京都议定书》对碳排放的作用[26]、控制温室气体倡议对煤改气的推动[27]、欧洲税制改革对收入的影响[28]、北京奥运会对空气质量的改善[29]、南非的控烟效果[30]、国际货币基金组织对世界经济的贡献[31]、劳动力市场改革对经济的促进[32]等诸多领域。国内较早使用合成控制法的学者有：王贤彬等[33]聚焦重庆从大四川中分离的经济效应，刘甲炎等[34]评价重庆房产税试点的效果，苏治等[35]研究通货膨胀目标制对新兴市场国家通货膨胀率的影响。近几年，该方法被广泛应用于各领域的政策评价，包括聚焦设立碳排放交易试点[36]、经济特区[37]、上海自贸区[38]、国家综合配套改革试验区[39]、经济区划调整[40]、西部大开发[41-42]等区域政策的经济效应，也用于评价用电阶梯定价[43]、长三角扩容对水污染的影响[44]、汶川地震的长期影响[45]等准自然实验效果。陆伟贤[2]采用合成控制法对首批低碳试点省市的碳排放量进行分析，认为仅有陕西和重庆的碳排放量在政策实施后显著降低，这一结论与作者结论差异较大。宋德勇等[3]也以该研究方法对首批试点省市在政策实施前后的碳排放量进行对比，认为低碳试点政策对除了陕西以外其他省市的碳排放增长趋势产生抑制。以上两篇文献均未就低碳试点政策对碳强度的影响进行评判，而无论国家层面的减排目标，还是各试点地区的低碳试点工作实施方案，都将单位生产总值二氧化碳排放（简称碳强度）降低作为发展目标，这不仅为本地区经济增长留有余地，也使省区间的政策效果更具可比性。

通过以上文献梳理，发现学者们在低碳试点政策评估中部分观点达成一致，但一些结论仍存在分歧。分歧的原因可能是：第一，研究方法存在样本选择偏误和内生性问题，包括DID方法对控制组选择存在主观性，PSM-DID方法使用中的样本数不足等问题，这些方法对非政策效果的剔除也不完全。第二，低碳试点政策在省区与城市的实施范围及难度是不同的，已有文献实验组中既有省区也有城市，评估口径存在不一致。第三，以碳排放量变化还是碳强度变化为评价指标，其结果也不相同，前者仅关注碳排放总量变化，而后者是强度指标，不仅考虑了碳排放总量变动，也为经济增长留有余地。

综上所述，合成控制法在政策评价中具有很多优点，但鲜有用其评价低碳试点政策对碳强度影响的分析。本文以“低碳省区”试点政策为准自然实验，采用合成控制法对非政策因素进行剔除，评估第一、二批共6个低碳试点省区的净碳减排效应，其边际贡献在于：①刻画各省区人均碳排放和碳强度在政策实施前后的演变路径，以“人均碳排放控制有效”“碳强度控制有效”“双有效”和“无效”来划分各省区政策效果类别，分析省际政策效应异质性的原因，特别是对碳强度的政策效应给出明确结论，为试点地区经济增长留有余地。②仅以省区作为实验组和控制组的样本，不包含直辖市及其他试点城市，保证评估口径一致。③安慰剂检验中，构造单侧检验统计量，并判断其显著性，提升安慰剂检验结果的可靠程度。

2?研究设计及数据来源

2.1?合成控制法

人均碳排放变化和碳强度变化是评价省级低碳试点政策是否有效的重要指标。给定N+1个省区在t∈[1， T]期的相关数据，假设只有第一个省区（i=1）在时点t=T0实行低碳试点政策，令该省区为实验组，并将该组的人均碳排放pc1t和碳强度cg1t统一表示为结果变量Y1t。将其余N个未实施低碳试点政策的省区划入控制组，其结果变量表示为Yjt（j=2，…，N+1）。时点T0将观测期分两段，t1∈[1， T0]为政策实施前，t2∈[T0+1，T]为政策实施后。若合成值1t是假设实验组没有实施低碳试点政策的结果变量，则gap1t=Y1t-1t可表示低碳试点政策给实验组带来的变化，以此衡量政策效果。上式中，Y1t是可以实际观测的，而1t作为反事实的结果变量是无法观测的。本文采用Abadie等[23]提出的因子模型估计1t：

构造预测误差均方RMSPE统计量可以评价t1时期合成值1t与真实值Y1t之间偏离程度，若RMSPE趋近于0，说明^gap1t整体趋近于0，合成值1t是可靠的：

2.2?数据来源

作者选取2000—2017年26个省区面板数据为研究样本，将6个试点省区视为实验组，即第一批试点的辽宁、广东、陕西、湖北和云南，其政策起始时期设定为2010年，第二批试点的海南，政策起始时期设定为2013年。考虑到针对省区的低碳试点政策对应一揽子相关措施，所涉及的经济体量和实施范围，与直辖市均有不同，而直辖市的低碳试点更接近低碳城市试点，因此，作者的实验组不包括北京、上海、天津和重庆。其他20个省区（包括河北、山东、吉林、黑龙江、江苏、浙江、福建、山西、内蒙古、河南、安徽、江西、湖南、广西、四川、贵州、甘肃、青海、宁夏、新疆）视为控制组，西藏因缺失数据较多，暂不包含。

（1）结果变量选取。人均碳排放（pc，单位：t/人）和碳强度（cg，单位：t/万元）作为结果变量，其中，pc采用单位常住人口的碳排放予以度量，当常住人口变动很小时，pc在一定程度上代表了该省区碳排放总量的变动;cg采用单位地区生产总值（2000年不变价格）的碳排放予以度量，该指标不仅考虑了碳排放总量的变动，也考虑了经济发展的增速。碳排放总量均利用各省区历年能源平衡表，采用《2006年IPCC国家温室气体清单指南》关于固定燃烧源能源消费与缺省排放因子相乘的方法计算而得。

（2）控制变量选取。挑选一系列影响碳减排效应的预测变量，尽可能全面的找出影响结果变量的因素。作者在参照以往同类文献变量选择的基础上，经过反复测试对比，最终确定以下6个指标归入控制变量Zi：①实际人均地区生产总值（pgdp，单位：万元），该指标代表地区经济发展水平（2000年不变价格）。②工业占地区生产总值比重（pind，单位：%），该指标代表产业结构，工业占比越高，其碳排放也越高，不利于碳减排。③城镇化率（ur，单位：%），该指标为城镇人口占总人口比重，一方面，城镇化会引致大量能源消费，另一方面，城镇化会提高能源利用效率，两种影响力度与城镇化所处阶段有关。④火力发电比重（ees，单位：%），该指标是各省区能源结构的一种衡量，因为清洁能源主要由清洁电力生产提供，所以火力发电比重越高，说明清洁能源使用程度越低，不利于碳减排。⑤私家车密度（vden，单位：辆/km），该指标代表交通发展水平，现阶段私家车仍以燃油汽车为主，私家车密度越高，成品油类消费也越高，不利于碳减排。⑥能源强度（ei，单位：tce/万元），采用单位地区生产总值（2000年不变价格）的能源消费予以度量，能源强度越高，说明能源利用效率越低，不利于碳减排。

以结果变量和控制变量的数据为基础，运用Stata15软件进行合成控制分析。

3?低碳省区试点政策的净碳减排效应

3.1?碳减排发展趋势

图1展示了各低碳试点省区人均碳排放和碳强度的真实走势。

人均碳排放变动趋势有以下特点（见图1a）：①实验组省区和其余20省的均值（以下简称控制组均值）都呈现逐步上升趋势，说明在人口数量增速很低的情况下，碳排放总量整体上升。②遼宁的人均碳排放远高于其余5个试点省区和控制组均值，这与辽宁常住人口较少有关。③除辽宁外的其余5省区的人均碳排放都低于控制组均值;海南的人均碳排放最低，广东、陕西、湖北和云南的该指标在2010年之前十分靠近，但其后走势显著分散。④陕西和海南的人均碳排放保持平稳上升，而湖北、广东、云南的该指标在2011年后呈现不同程度下降。

碳强度变动趋势有以下特点（见图1b）：①总体来看，2005年后所有省区的碳强度都呈现下降，且具有收敛的趋势。②在实验组中，湖北、辽宁、陕西和云南的碳强度下降路径很接近，而广东和海南的碳强度保持低位且降幅平缓。③在2010年之前，仅有辽宁和云南的碳强度在某段时期超过控制组均值，在2010年后，所有实验组该指标都低于控制组均值。

由图1发现，部分省区在试点政策实施后的结果变量呈现下降，与控制组均值走势不再平行，但由此就判断该下降是由低碳试点政策带来的，这是不够严谨的。若假设实验组在同一时期并没有经历低碳试点政策，以合成值与真实值的差值来评价政策效果更合理，这正是合成控制法的核心思想。

3.2?净碳减排效应分析

3.2.1?合成控制结果对比分析

表1和表2分别报告了基于人均碳排放和碳强度的控制变量对比情况。比较后发现，表1中辽宁的实际人均GDP（pgdp）、海南的工业占比（pind）、辽宁和广东的私家车密度（vden），以及这两个省区的能源强度（ei）匹配稍欠理想。表2中海南的工业占比（pind）、云南和海南的火电比重（ees）、广东的私家车密度（vden）匹配的差距也略大。除了以上列出指标的真实值与合成值的数据特征差距略有欠缺外，其余特征值的真实值与合成值都很接近。此外，除了辽宁人均碳排放预测误差均方RMSPE为0.481，其余省区的该指标均在0.4以下，说明合成控制拟合情况总体较好，控制组依据这些控制变量可以组合出可靠的实验组合成样本。

3.2.2?净碳减排效应测算

图2刻画了2000—2017年6个实验组省区与合成省区人均碳排放的演变路径。图3描绘了实验组省区与合成省区碳强度的演变路径。综合两个图组可以看出，在垂直虚线左侧（政策实施前），各省区的真实值与合成值都非常接近，部分省区几乎重叠;在垂直虚线右侧，大多数省区的真实值与合成值逐步偏离，二者的差值即为政策效果^gap1t，亦可计算平均政策效应^gapmean。

聚焦人均碳排放的政策效果（见图2）可以得出：①辽宁、广东、云南和海南在低碳试点以后，人均碳排放都呈现明显下降，其平均政策效应分别为-1.057、-1.154、-1.127和-0.487。需要指出的是，广东人均碳排放在政策实施前（2007年）就显著下降了。②湖北人均碳排放平均政策效应为-0.448，但该省在2009—2012年反而高于其合成值， 2012年后又大幅下降，这可能与2013年湖北启动碳排放权交易试点有关[36]。③陕西的人均碳排放在试点政策后反而高于其合成值，说明低碳试点政策对陕西人均碳排放控制无效。

聚焦碳强度的政策效果（见图3）可以得出：①辽宁在政策实施后，碳强度明显下降，平均政策效应为-0.143。②广东从2003年起，碳强度就低于合成值，说明2010年后广东的碳强度降低并不是低碳试点政策引起的，而是由其经济发展惯性带来的。③湖北和云南的碳强度平均政策效应分别为-0.175和-0.119，但这两个省区分别在2012年和2014年才低于各自的合成值，说明政策效果滞后2～4年才显现，其中，湖北的碳强度降低可能与碳排放权交易试点的政策叠加有关。④陕西和海南的碳强度在低碳试点后反而高于其合成值，平均政策效应分别为0.322和0.218，说明低碳试点对这两个省区碳强度的政策效果不理想。

3.3?稳健性检验

3.3.1?安慰剂检验

作者采用安慰剂检验（Placebo test）对合成控制分析的结果进行稳健性检验。安慰剂检验是将控制组的20个省区都假设为实验组，对每个省区各做一次合成控制分析，计算真实值Yjt与合成值jt的差值^gapjt，并绘制线性图。若t2时期实验组的^gap1t

来源于低碳政策试点，则^gap1t的变动应该远大于安慰剂检验得到的^gapjt。需要说明的是，如果t1时期^gap1t与^gapjt差异较大，即不能很好拟合真实结果变量，则t2时期的差异也可能是拟合不好导致的，与政策实施无关。为了避免拟合误差太大带来的问题，本文参照Abadie[24]的做法，在图4与图5中剔除了RMSPE值超过实验组2倍的控制组省区。

图4和图5分别报告了人均碳排放和碳强度的安慰剂检验，图中黑色线为实验组的^gap1t，灰色线为控制组安慰剂检验的^gapjt，若t2时期黑线的走势远低于灰线，则说明净碳减排效应是显著的。以往文献采用排序检验法[2，34]，计算t2时期与t1时期各样本RMSPE的比值，即θi=RMSPE.t2i/RMSPE.t1i，并对θi排序，將超过实验组θ1的θj个数占控制组总个数的比值视为P（θ1），若P（θ1）<0.05，则说明^gap1t显著大于^gapjt，政策效果显著。但该思路实质为双侧检验，将安慰剂检验线的上下边缘都包括在内。作者仅关注结果变量是否降低，即单侧检验。此外，控制组样本仅有20个，再剔除一些拟合不好的样本，很难满足常规统计量P（θ1）<0.05的显著性条件。因此依据本文实际情况做如下调整：用下边沿超过黑线的灰线数量除以灰线总条数（不包含剔除的样本和黑线本身），以此记为P'（θ1），并将P'（θ1）<0.2作为安慰剂检验是否显著的标准，即置信水平调整为80%。以云南人均碳排放的安慰剂检验为例（见图4.e），在t2时期的大部分时段，黑线以下的灰线仅有1条，该图仅剩6条灰线（剔除了14个省区），P'（θ1）=1/6=0.167<0.2，说明云南人均碳排放下降显著大于安慰剂检验的效果，其结果是稳健的。

就人均碳排放来看（见图4），辽宁人均碳排放的安慰剂检验结果是显著的（在表4平均政策效应值上标*），其P'（θ1）=0/18=0<0.2，说明该省人均碳排放下降是低碳试点政策带来的。云南人均碳排放的安慰剂检验结果是显著的（前文举例）。广东、湖北、海南的安慰剂检验均不显著，说明这些省区的人均碳排放下降不是由低碳试点带来的。低碳试点政策反而推动陕西的人均碳排放显著上升。

就碳强度来看（见图5），辽宁在2013年前碳强度的安慰剂检验结果是显著的，其P'（θ1）=1/15=0.067<0.2，湖北在2012年后碳强度的安慰剂检验结果也是显著的，其P'（θ1）=1/8=0.125<0.2。广东和云南的碳强度下降的安慰剂检验不显著。低碳试点政策还显著推高了陕西和海南的碳强度。

3.3.2?DID检验及政策净效应再测算

就原理来看，合成控制法用于评价政策效应时更具优势，但本文控制组数量较少，安慰剂检验显著性判断的精确性略有欠缺，因此采用DID方法对政策效果的显著性进行验证和补充。DID方法设定如下：

式（7）中，Yit是结果变量（分别取pcit和cgit）;treat是区分实验组和控制组的虚拟变量，实验组赋值为1，控制组赋值为0;after是区分政策实施前后的虚拟变量，政策实施前赋值为0，政策实施后赋值为1;交互项treat×after的系数反应低碳试点政策的净效应;Z.kit是控制变量，为了使得稳健性检验中，DID检验结果和合成控制法的安慰剂检验结果可比，DID检验的控制变量与式（1）中控制变量取值相同，k=1，2，…，6;ui和τt分别为个体固定效应和时间固定效应。需要说明的是，由于图4和图5的安慰剂检验对t1时期拟合不好的样本做了剔除，为使DID估计与安慰剂检验可比，将剔除次数较多的5个省区（山西、内蒙古、贵州、宁夏和新疆）在DID估计中也剔除，即DID模型控制组调整为15个省区。

人均碳排放的DID估计显示（见表3）：①广东、湖北和云南的DID平均效应分别为-1.15、-0.516和 -1.075，且均通过显著性检验，表明低碳试点对这些省区具有显著的负向政策效应。②陕西的人均碳排放DID平均效应显著增加，海南该指标变动不显著。③辽宁的DID平均效应0.676，为显著增加，这与合成控制分析相反，但辽宁的安慰剂检验显示出明确的降低情形。合成控制分析与DID分析的结论可能在结果上产生分歧，前者通过一系列预测变量进行拟合来选取对照组，比后者的对照组选择更合理[3];每个省区初始人均碳排放及相关因素都各不相同，对政策的反应快慢、执行力度也差异较大，而辽宁的人均碳排放本就远高于其他省区，因此通过DID分析后得到政策无效的结论，而忽视了辽宁自身的政策效果，这可能是DID分析的局限性。因此本文综合比较后认定辽宁的安慰剂检验结果是可靠的。

碳强度的DID估计显示：①辽宁和湖北的DID平均效应分别为-0.223和-0.275，且降幅均显著。②陕西和海南的DID平均效应显著为正，云南的该指标变动不显著。③广东的碳强度DID平均效应显著增加，这与合成控制分析相反，经分析发现与广东碳强度提前下降有关。

综合对比DID估计与安慰剂检验（见表4），仅有辽宁人均碳排放和广东碳强度在两种检验中变动符号相反，其他省区政策效应变动是一致的，说明净碳减排效应具有较强的稳健性。

3.4?净碳减排效应评价及异质性分析

3.4.1?净碳减排效应评价

人均碳排放是衡量单位常住人口（以下简称人口）碳排放的强度指标，若碳排放增速低于人口增速，且在统计上也显著，即为“人均碳排放控制有效”。各试点省区在2000—2017年的人口增速都很低，例如湖北人口年均下降0.06%，辽宁、陕西、云南和海南该指标分别上升0.25%、0.3%、0.73%和0.94%，只有广东人口年均增速最高，也仅为1.51%。因人口增速低，人均碳排放变动在一定程度上体现了碳排放总量的变动。碳强度是常规意义的强度指标，各省区在控制碳排放总量过快增长的同时，需要给经济增长留一定空间，若碳排放增速低于经济增速，且在统计上也显著，即为“碳强度控制有效”。2000—2017年，各试点省区的经济快速增长，陕西和湖北的年均GDP增速超过11%，广东、云南和海南的GDP增速在10%～11%之间，辽宁的GDP增速为9.68%。同理，若人均碳排放和碳强度都显著下降，则视为“双有效”。

根据合成控制分析、安慰剂检验和DID估计的综合判断，可将6个低碳试点省区归入相应类别：①辽宁和湖北的净碳减排效应“双有效”。其中，辽宁的稳健性检验以安慰剂检验结果为准，认定其人均碳排放显著降低。②广东和云南“人均碳排放控制有效”，即这两个省区在控制碳排放总量过快上涨方面卓有成效。③陕西和海南的净碳减排“无效”。其中，低碳试点并未有效控制陕西的人均碳排放和碳强度，这与该省工业比重较高的经济结构特征密切相关，这一经济结构决定了陕西能源消费结构中煤炭所占比例远高于其余省区，且在低碳试点后，煤炭比重不降反升，由2010年的70.53%逐步上升到2017年的74.94%，这使得低碳试点政策对陕西人均碳排放增长并未起到显著的抑制作用;海南的能源结构特征与陕西正好相反，并且工业比重也远低于其余各省，因此该省的人均碳排放和碳强度都处于较低水平，碳减排空间很小，碳减排难度较大，低碳试点政策效果不理想。

将以上对低碳试点省区净碳减排效应的评估，与以往同类文献的结论进行比较。当然，不同学者的预测变量选择、样本起止时期和实验组包含的省区等各不相同，其结果存在一定差异，但经过对比后发现，部分研究结论存在一致性。宋德勇等[3]利用合成控制法对首批低碳试点5省2市在2005—2016年间的碳排放量进行分析，发现试点政策对除陕西外的6个省市政策效果显著，而低碳试点政策对陕西无效与该省的能源结构特点密切相关。该评估结果与本文“人均碳排放控制有效”与否的结论一致，但该文献未就低碳试点政策对碳强度降低是否有效做进一步研究。

3.4.2?净碳减排效应异质性分析

分析各省区经济特征后，总结出净碳减排政策的有效性受以下四种因素影响：①工业占地区生产总值比重越低，越有利于人均碳排放控制;省区经济水平越高，即人均地区生产总值越高，越有利于碳强度控制。以陕西为例，一方面，该省2005—2017年工业占比在49%～56%之间波动，始终高于其他5省区，这种以工业为主的经济结构，决定了能源结构中煤炭的比重较高，该省碳排放总量控制的难度很大，减排成本很高，人均碳排放控制是无效的;另一方面，经济水平决定了节能减排的资金投入规模，进而影响节能减排技术推广与应用，最终表现为对碳强度降低的促进程度，陕西人均GDP在试点省区中处于中等，仅高于海南和云南，陕西的节能减排资金投入从2010年的82.88 亿元逐步增长到2017年的163.13亿元，与同期广东的239.16 亿元上升到433.23 亿元的资金投入规模相比差距很大，节能减排技术推广与应用还有很大上升空间，因此碳强度控制不显著。该因素还能够解释云南人均碳排放控制有效，而碳强度控制无效，即云南2000—2017年工业占比均未超过45%，且在2015年后降至40%以下，工业占比较低有利于碳排放总量控制，因此该省区人均碳排放控制有效;但云南人均GDP是试点省区中最低的，节能减排资金投入水平也比陕西低，碳强度未能显著降低。辽宁因人口较少，其人均GDP很高，部分年份甚至超过广东，而节能减排资金投入与陕西相近，对辽宁而言资金投入相对充足，低碳试点使辽宁碳强度显著下降。②碳排放权交易试点政策叠加有效促进碳减排。广东和湖北于2013年启动碳交易试点，采用市场机制达到减少碳排放的目的，使这两个省区在控制碳排放总量方面效果显著[36]，因此湖北净碳减排效应显示双有效，对广东的人均碳排放控制也有效;需要指出，广东的碳强度在2010年后也是下降的，但与其经济发展和结构调整惯性的关系更密切。③政策实施前，省区人均碳排放和碳强度指标越低，其减排空间越小，减排难度越大。海南的人均碳排放和碳强度指标均远低于其他试点省区，因为海南的工业占比很低（2008年工业占比达到峰值29.8%，到2017年该指标为22.33%），且经济体量较小，减排空间很有限，减排成本很高，因此人均碳排放和碳强度控制均无效;与之相反，辽宁的人均碳排放，远高于其他试点省份，其碳排放下降空间很大，因此在低碳试点政策下人均碳排放显著降低。④经济发展和产业结构优化的惯性作用能长效推进碳减排。广东经济发达，由于其地区生产总值很高，使得碳强度远低于其余各省，合成控制分析显示该省自2003年起碳強度就低于合成值，说明该省的低碳建设起步较早，2010年后的碳强度降低并非是由低碳试点政策带来的，而是该省已经形成了长效的低碳发展机制，经济发展和结构优化的惯性作用促进该省碳强度不断走低，成为全国各省区低碳发展的“典范”。

[18]QU Y， LIU Y. Evaluating the low-carbon development of urban China[J]. Environment development & sustainability， 2017， 19（3）： 939-953.

[19]LIN J， JACOBY J， CUI S， et al. A model for developing a target integrated low carbon city indicator system： the case of Xiamen， China[J]. Ecological indicators， 2014， 40（5）： 51-57.

[20]罗知，李浩然.“大气十条”政策的实施对空气质量的影响[J].中国工业经济，2018（9）：136-154.

[21]陈林，万攀兵.《京都议定书》及其清洁发展机制的减排效应：基于中国参与全球环境治理微观项目数据的分析[J].经济研究，2019（3）：55-71.

[22]邵帅，张可，豆建民.经济集聚的节能减排效应：理论与中国经验[J].管理世界，2019，35（1）：36-60，226.

[23]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.

[24]ALMER C，WINKLER R，HAINMUELLER J. Synthetic control methods for comparative case studies： estimating the effect of Californias tobacco control program[J]. Journal of the american statistical association， 2010， 105： 493-505.

[25]ALMER C，WINKLER R，HAINMUELLER J.Comparative politics and the synthetic control method[J]. American journal of political science， 2012， 59（2）： 495-510.

[26]ALMER C，WINKLER R.The effect of Kyoto emission targets on domestic CO 2 emissions： a synthetic control approach[J].Social science electronic publishing， 2012，13（1）： 218-219.

[27]KIM M K， KIM T. Estimating impact of regional greenhouse gas initiative on coal to gas switching using synthetic control methods[J]. Energy economics， 2016， 59： 328-335.

[28]ADHIKARI B， ALM J. Evaluating the economic effects of flat tax reforms using synthetic control methods[J]. Southern economic journal， 2016， 83（2）： 437-463.

[29]ZHANG J， ZHONG C P， YI M. DID Olympic games improve air quality in Beijing：based on the synthetic control method[J]. Collected essays on finance & economics， 2016， 18（1）： 21-39.

[30]CHELWA G， VAN W C， BLECHER E. Evaluating South Africa's tobacco control policy using a synthetic control method[J]. Tobacco control， 2017， 26（5）： 509-517.

[31]NEWIAK M，WILLEMS T. Evaluating the impact of Non-Financial IMF programs using the synthetic control method[J]. Social science electronic publishing， 2017， 17（109）： 1.

[32]ADHIKARI B，DUVAL R， HU B， et al. Can reform waves turn the tide：some case studies using the synthetic control method[J]. Open economies review， 2018， 29： 879-910.

[33]王賢彬，聂海峰.行政区划调整与经济增长[J].管理世界，2010（4）：41-53.

[34]刘甲炎，范子英.中国房产税试点的效果评估：基于合成控制法的研究[J].世界经济，2013（11）：117-135.

[35]苏治，胡迪.通货膨胀目标制是否有效：来自合成控制法的新证据[J].经济研究，2015，50（6）：74-88.

[36]刘传明，孙喆，张瑾.中国碳排放权交易试点的碳减排政策效应研究[J].中国人口·资源与环境，2019，29（11）：49-58.

[37]杨经国，周灵灵，邹恒甫.我国经济特区设立的经济增长效应评估：基于合成控制法的分析[J].经济学动态，2017（1）：41-51.

[38]谭文君，崔凡，杨志远.负面清单管理模式对上海自贸区服务业资本流动的影响：基于合成控制法的分析[J].宏观经济研究，2019（5）：117-132.

[39]郭金花，郭淑芬.国家综合配套改革试验区设立促进了地方产业结构优化吗：基于合成控制法的实证分析[J].财经科学，2019（8）：69-81.

[40]李国平，李宏伟.经济区规划促进了西部地区经济增长吗？：基于合成控制法的研究[J].经济地理，2019，39（3）：20-28.

[41]莫神星.以低碳消费机制推进绿色发展策略[J].贵州大学学报（社会科学版），2018，36（4）：113-119.

[42]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.

[43]田露露，冯永晟，刘自敏.不同递增阶梯定价下的政策效果差异：基于定价结构陡峭程度的研究[J].经济学动态，2019（1）：60-75.

[44]赵领娣，徐乐.基于长三角扩容准自然实验的区域一体化水污染效应研究[J].中国人口·资源与环境，2019，29（3）：50-61.

[45]宋妍，李振冉，张明.自然灾害对经济增长的长期间接影响：基于汶川地震灾区县级数据的合成控制法分析[J].中国人口·资源与环境，2019，29（9）：117-126.

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。