汤学良，顾斌贤，康志勇，宗大伟

（1.扬州大学商学院，扬州 225009;2.扬州大学环境科学与工程学院，扬州 225009;3.上海财经大学经济学院，上海 200433）

中国在经济高速发展的同时也付出了巨大的环境代价。以大气污染为例，2006年，中国成为世界第一大二氧化碳排放国并以每年6%左右的速度不断增长；2015年，中国二氧化碳排放量更是超过美国和欧盟的总和，占全球二氧化碳排放总量的27%左右[1]。中国500个大型城市中，达到世界卫生组织空气质量标准的城市不足1%[2]。2013年前后，我国中东部地区出现的大范围雾霾天气更是引发了全社会对经济发展过程中环境污染问题的高度关注。在绿色发展理念成为“十三五”乃至更长时期我国经济社会发展方向的大背景下，加强环境治理、降低环境污染和实现经济可持续发展，建设“美丽中国”已成为当下全社会的普遍共识。

作为世界上最大的能源消费国和二氧化碳排放国，中国政府一直致力于减少二氧化碳的排放量、提升环境质量。2009年，国务院发布的《国家应对气候变化规划（2014—2020年）》明确提出，要在2020年实现单位GDP中二氧化碳排放比2005年下降40%～45%，非化石能源占一次性能源消费的比重达到15%左右。但现实中，数量巨大而价格低廉的煤炭在满足高速发展的中国经济对大量廉价能源需求的同时，也成为中国二氧化碳排放的主要源头。努力降低经济发展中煤炭等化石能源消耗量，降低二氧化碳排放，提升环境质量，成为中国政府的政策选择[3]。由于中国尚未启动全国范围的碳排放权交易和碳税征收政策，由国家发展与改革委员会（以下简称发改委）领衔，会同教育部、工业和信息化部、财政部、住房城乡建设部、交通运输部、商务部、国务院国资委、国家质检总局、国家统计局、银监会、国家能源局11个部委共同制定了《万家企业节能低碳行动实施方案》（下文简称“节能减碳”政策）①万家企业是指年综合能源消费量1万吨标准煤以上以及有关部门指定的年综合能源消费量5 000吨标准煤以上的重点用能单位。，以贯彻落实“十二五”节能减排规划《纲要》，推动重点用能单位加强节能工作，提高能源利用效率，实现中国经济发展节能减碳的目的。据估计，上述万家企业能源消费量占全国能源消费总量的60%以上，因此，《万家企业节能低碳行动实施方案》是目前中国最典型、最具有代表性的“减碳”政策。

如此大规模的“节能减碳”政策是否会抑制中国生产力的增长，进而抑制经济发展呢？生产力增长对我国经济发展发挥了举足轻重的作用，全要素生产率（total factor productivity，TFP）对我国1978—2007年间人均GDP的增长贡献达80%左右[4]。“生产力虽然不是一切，但从长远来看，它几乎就是一切。”[5]新古典主义认为，严苛的环境管制短期内虽然有助于消除经济活动对环境的不良影响，但也会增加企业生产成本，增加企业负担，抑制企业发展[6]，长期看会拖累宏观经济的增长[7]。尤其是一些学者将美国20世纪70年代生产率的下降归结于环境规制产生的抑制性影响[8-10]。但“波特假说”给出了另外一种可能[11-12]，即合理的环境规制能够激励被规制企业的技术和产品创新，从而部分或完全抵消由环境规制所带来的规制成本，提升企业竞争力[13]。一些学者基于不同国家数据的经验研究也发现，环境规制能激发创新并带来生产率的增长[14-17]。还有学者认为，环境规制与生产率之间并非简单的线性关系，存在“U形”“倒N形”以及“倒U形”[18-20]等特征。

由上述文献可知，环境规制对生产率影响的经验研究尚未达成一致结论，一个可能的原因是对环境规制的度量，即环境规制强度决定着其对生产率的影响[21-23]。环境规制可以通过多种途径对经济体产生正的或负的影响，且不同政策工具的影响存在极大差异。因此，在实证分析检验环境规制对生产率的影响时，如何测度环境规制的强度是一个不可回避的关键问题。一项以APPCL2000的修订为自然实验的研究，评估了中国环境规制对中国工业行业全要素生产率增长的影响[24]，一定程度上解决了环境规制变量的选择问题，但是忽视了对环境规制强度的衡量。本文研究的“万家企业节能低碳行动”政策属于前端限制企业能源使用权类的政策，直接限制企业的能源使用，即使某一企业面临非常好的市场前景，也必须完成政府分配的节能任务。进一步地，为了能够更好地反映“节能减碳”政策对中国制造业企业TFP的因果影响，本文采用匹配方法考察被规制企业的相对生产率变化，即被选择进行节能减碳的企业相对于未被选择进行节能减碳企业的TFP在政策实施前后的变化差异。考虑不同企业面临“节能减碳”政策强度存在差异性，本文选择使用能够对多值型或者连续型处理变量的处理效应（tveatment effect，TE）进行评估的广义倾向得分匹配模型（generalized propensity score matching，GPSM））进行实证分析，以进一步刻画不同的减碳规制强度对企业TFP的影响差异。

1 研究设计

1.1GPSM模型

从研究方法的角度来看，能否有效解决样本选择偏差导致的内生性问题，是科学且准确地衡量“节能减碳”政策是否影响企业TFP的关键。倾向得分匹配模型可以克服依可测变量的选择性偏误，但传统的倾向得分匹配模型（PSM）只能识别企业是否受到“节能减碳”政策的影响，不能识别政策强度的大小引起的企业TFP的差异。为克服这一不足，本文采用广义倾向得分匹配模型（GPSM）评估“节能减碳”政策强度对“万家企业”TFP的影响，即本文关注的“节能减碳”政策强度是否会对企业TFP产生异质性影响。

GPSM方法基于多值型或者连续型处理变量设定“反事实”分析框架：假定个体（ii=1,2,…,N）在处理变量（tt∈D）取不同值时会有不同的潜在产出水平yi(t)，称为个体剂量函数（unit-level dose-response function）。进一步对个体i取期望，可以得到平均剂量函数（average dose-response function），即μ(t)=E[yi(t)]，该函数能够在平均意义下识别处理变量与产出变量之间的变动关系。显然，针对个体i只能观测到一个处理变量和产出变量组合{Ti,Yi}②以大写字母表示观测值，Yi=yi(Ti)，即Yi是处理变量取Ti时的产出值。，无法识别函数关系。若干样本观测值提供了识别函数关系的可能性，但是如果个体i受到何种程度的处理与潜在产出有关的话③例如，如果存在“能者多劳”选择机制，受到较强的减碳政策的就可能是那些（潜在）效率水平高的企业。，利用样本观测数据就无法拟合出正确的函数关系。可行的做法是，引入一组个体特征Xi平滑这种选择机制，即特征相同的个体之间处理强度与潜在产出无关，这一原理（即条件独立性）与PSM无异。个体特征的选择依赖于经验判断和既有文献。GPSM同样需要将多维的个体特征降维成单一指标，即倾向得分指标。不同于PSM的是，由于处理变量为连续形变量，GPSM方法需要引入处理变量的条件概率密度函数（简洁起见，省略下标i）。

以一维的倾向得分值作为匹配依据，就是要保证给定的R一致时，受到不同处理强度的个体之间在主要匹配特征X上无差异（即平衡条件），即

从而，才能将条件独立性从多维的个体特征X引致一维的倾向得分值R上，即

倾向得分所做的匹配是否合适，取决于式（3）是否成立，本文在实证部分给出了检验结果。条件式（4）是否成立，则依赖于特征变量X的选取，目前不存在直接检验的方法，主要是基于经验判断和既有文献。GPSM方法中要求处理变量的条件分布满足正态的假定[25]，限制了GPSM的使用范围，当处理变量存在大量0值时，可以用Fractional Logit模型对其条件分布进行拟合[26]，即给定特征变量观测值Xi时，处理变量Ti的条件期望满足：

其中，系数β为处理变量条件分布的待估参数，Fractional Logit模型属于广义线性模型，采用极大似然估计法进行参数估计，进一步计算得到每个个体的倾向得分值。

利用倾向得分值完成对平衡条件的检验，在其成立的基础上，利用三阶多项式对处理强度Ti、倾向得分值Ri和产出值Yi的函数关系进行拟合。

平均剂量函数能够帮助识别不同处理强度带来的平均处理效应，即与不受处理的情形相比，处理强度t带来的平均产出TE变化有多大。

1.2 数据介绍与处理

本文数据由两部分构成。第一部分是2010—2013年的中国规模以上工业企业数据库。该数据库统计口径在2011年前后发生变化，由2011年之前的主营业务收入为500万元及以上拓展为2 000万元及以上，会有部分企业样本因为统计口径的变化而不在工业企业数据库中。就本文所掌握的工业企业数据看，2010—2013年的数据库中包含的企业样本数分别为348 536家、303 392家、311 557家和345 101家。第二部分是国家发改委公布的“万家企业节能低碳行动”企业名单及节能目标。《万家企业节能低碳行动实施方案》中的企业是指年综合能源消费量在1万吨标准煤以上的重点用能单位。初步统计，2011年全国共有16 076家企业纳入“万家企业节能低碳行动”，上述万家企业能源消费量占全国能源消费总量的60%以上。

根据“节能减碳”政策，一家企业是否进入“万家企业”名录的依据是该企业在2010年的能耗量（以标准煤计）是否超过1万吨。考虑“节能减碳”政策颁布和生效时间是2011年，即“十二五”规划的起始年，但“万家企业”经各地发改委统计、上报的时间应该早于2011年，笔者担心在政策起始年（2011年）“万家企业”已经对“节能减碳”政策做出一定的反应，导致2011年企业的核心变量不适合作为匹配变量来削弱依可测变量产生的选择性偏误。因此，在本文主要的实证分析中，将以2010年（即政策发布的前一年）企业的关键特征作为GPSM的匹配变量。在稳健性检验中，本文将报告以2011年作为基期的实证结果。本文在将发改委公布的“万家企业”数据匹配到2010—2013年工业企业数据库时，说明如下：①尽管发改委要求“万家企业”名录在“十二五”期间保持稳定，但在2011年以后仍有增加，本文剔除了2012年和2013年进入“万家企业”名录的企业，以保证在基期控制组中的企业不会在（以后期）处理组中出现。②将2011年公布的“万家企业”名录匹配到2010年的企业数据中，会因为企业的进入、退出和统计口径的变化产生样本损失，损失约16%的“万家企业”。③重点选择工业企业中的制造业企业作为研究对象（即二分位工业行业代码为13～43的企业样本）。制造业是整个工业体系的核心，更能反映我国企业的国际竞争力；本文在两个数据库的匹配过程中剔除了非制造业企业，最终成功匹配的“万家企业”为7 880家。经过上述处理后，进一步保留2010—2013年持续经营的企业样本④在拓展分析“节能减碳”政策的滞后影响时，分别保留2010年和2011年、2010年和2012年、2010年和2013年都在数据集中的企业样本，避免样本损失过大。，并按照主流文献的处理步骤对企业样本进行处理。

1.3 变量的界定与估算

1.3.1 核心变量 “节能减碳”政策以及政策强度和企业TFP是本文关注的核心变量。实际上，确定每个“万家企业”在“十二五”期间的“节能减碳”规模的依据是企业2010年的能耗规模。由于数据的限制，无法获取2011年之前企业的能耗数据，且假设对于企业而言能耗规模与企业产出规模密切相关，给定的其他条件不变，产出越高，相应的能耗就越大。同样，“节能减碳”目标对于生产规模不同的企业代表了不同的“节能减碳”政策强度。本文将“万家企业”在“十二五”期间“节能减碳”的目标规模除以基期的企业生产规模作为“节能减碳”政策强度的度量。由于“减碳”强度为0的非“万家企业”（即不在“万家企业”名录中的企业）占据企业样本的绝大部分，为克服经典GPSM方法可能产生的偏误，本文利用Fractional Logit模型估计处理强度的分布。但是，Fractional Logit模型要求处理强度变量的取值落在[0,1]上，根据本文界定的方式，处理强度变量的取值基本都符合要求，只有36家“万家企业”的处理强度大于1，对于这些样本，本文进行了“缩尾”处理。

本文检验的核心问题是“节能减碳”政策对企业TFP的影响，需要界定规制政策实施后企业TFP的变化。首先，本文采用OP法⑤OLLEY和PAKES于1996年提出了一种半参数的估计生产函数的方法，该方法能有效克服企业层面数据估计生产函时带来同性偏误（simultaneitybias）和样本选择性偏误（selection bias）。Stata提供的官方命令opreg，能够完成生产函数估计和分离生产率信息。计算了所有样本企业的TFP值（具体计算过程见附录）。其次，考虑“节能减碳”政策的实施周期是整个“十二五”期间，但是目前所掌握的制造业企业数据只覆盖到“十二五”的前3年，即企业的TFP数据只到2013年。笔者担心企业可能会受到经济周期的影响，企业TFP增长出现周期波动特征。为了控制潜在的波动因素，本文以企业3年TFP的平均值作为被解释变量，以期能够平滑掉周期的影响。再次，企业对于政策需要一个反应和调整的时间，因此，在拓展分析中，本文又尝试分规制政策实施“1年后”“2年后”和“3年后”3种情形，以检验“节能减碳”政策对企业TFP的影响是否是逐步释放的。同样地，这3种情形下本文也是分别对企业2011年、2012年和2013年的企业TFP。

由图1可知，在“节能减碳”政策前两类企业TFP的分布均比较集中，且“万家企业”的TFP整体要高于非“万家企业”，即政策实施前两类企业存在明显的效率差异，因此，本文在使用GPSM检验和评估政策影响时，需要将企业初始期的TFP作为GPSM一个重要的协变量以抹平初始的效率差异。图2统计描绘了“节能减碳”政策实施后两类企业TFP均值的核密度分布情况。从图2可以看出，在“节能减碳”政策实施后，“万家企业”的TFP明显高于非“万家企业”，核密度整体都处在右边。值得注意的是，政策实施后“万家企业”TFP分布的离散程度较高，说明“节能减碳”政策对“万家企业”TFP的影响存在异质性。本文将从政策强度的视角进行实证研究，探究不同政策强度处理效应是否存在差异更具价值。

1.3.2 协变量 采用GPSM方法评估“节能减碳”政策强度对企业TFP的异质影响，关键在于选择合适的协变量保证条件式（3）能够成立。综合既有文献和企业数据的特征，本文选取可能同时影响企业能耗（进而影响“减碳”政策处理强度）和TFP的协变量如下。①总产值。该变量准确度量了企业的生产规模，且可以直接从企业数据中获得，为剔除量纲和异常值影响，本文取了自然对数。②企业基期全要素生产率（TFP）。一方面，企业的TFP越高，越有助于减少要素投入，从而减少能耗；另一方面，需要有效应对在政策实施前存在的差异，因此，在协变量中加入企业基期的TFP。③人均资本。企业的资本密度高低可能会同时影响企业TFP和能耗，本文用企业固定资产年末净值余额除以就业人数后取自然对数进行估算。④研发投入。实际上，本文用基期的研发投入区分企业的创新精神，除了创新可能会同时影响能耗和TFP外，还因为创新可能会是“节能减碳”政策影响企业TFP的重要传导机制之一。本文采用根据基期企业研发费用界定的0—1型变量。⑤补贴收入。该变量对数据中报告的企业补贴收入取自然对数进行估算。补贴作为企业额外的收入来源，能够抵消“节能减碳”政策产生的成本，从而削弱能耗规制的负面影响。该变量也反映出政企关系，从而对企业“节能减碳”政策强度产生影响。⑥财务状况。由企业的总负债除以企业的总资产进行估算，即资产负债率。⑦企业出口特征。本文采用根据基期企业出口交货值界定的0—1型变量。此外，本文还进一步控制了企业的年龄、产权特征、行业特征（四分位代码行业哑变量）、所属省份（省份哑变量）等。本文按照是否属于“万家企业”将企业样本区分为两组，分别整理了主要变量的描述性统计，如表1所示。

图1“节能减碳”政策实施前两类企业TFP核密度Fig.1 Two kinds of enterprises’ TFP nuclear density before implementation of“carbon reduction”policy

图2“节能减碳”政策实施后两类企业TFP均值的核密度Fig.2 Two kinds of enterprises’ TFP nuclear density after implementation of“carbon reduction”policy

表1 主要变量的描述性统计Tab.1 Descriptive statistics of the main variables

2 实证分析

2.1“节能减碳”政策强度的Fractional Logit回归

首先，本文基于Fractional Logit模型估计了“节能减碳”政策强度的分布，估计方法如式（3）和式（4）所示，估计结果整理成表2。基期企业的能耗规模是确定其“十二五”期间“减碳”强度的直接依据，但是所有样本企业的碳消耗数据无从获取，那么，基期的产出规模（其他条件不变，碳消耗规模几乎完全由产出规模决定）即为估计“节能减碳”政策强度分布的关键变量。按照控制变量中有无基期产出规模，表2中报告了两种回归结果，通过比较发现：基期总产值对企业在“十二五”期间受到的“节能减碳”政策强度有显著的正向影响。在本文的计量检验中，“节能减碳”政策强度是“减碳”目标规模除以基期产出规模，在其他条件不变时，样本企业产出规模越大，“节能减碳”政策强度应该越弱。回归结果中，企业总产值的系数显著为正，说明基期产出规模对确定“减碳”目标规模的影响为正。在控制了产出总产值的影响后，TFP、出口、研发等对能耗规模的影响，进而对“节能减碳”目标规模和“节能减碳”政策强度的影响才显现出来，更加说明控制企业生产规模的重要性。

表2“节能减碳”强度的Fractional Logit回归结果Tab.2 Fractional Logit regression of“carbon reduction”intensity

根据表2第（1）列的结果，全要素生产率对“减碳”强度的影响显著为负，因为产出规模一定的情况下，TFP越高,则投入越少，相应地,能耗越低，“节能减碳”政策的强度越弱。人均资本对“减碳”强度的影响显著为正，这可能是因为资本密度越高，企业的能耗越高，从而“减碳”强度越高。财务状况和企业年龄对“减碳”强度的影响未能通过显著性检验。创新研发对“节能减碳”政策强度的影响为负，说明研发能够通过提高能源使用效率降低产出中蕴含的能耗规模，与直觉是一致的。出口对降低企业能耗也具有积极的影响。补贴能够刺激企业扩展产品范围和规模，从而促使能耗上升，数据分析的结果也支持了补贴会提升企业受到的“节能减碳”政策强度。

2.2 GPSM匹配的平衡条件检验

在估计“节能减碳”政策强度分布的基础上，按照式（6）计算广义倾向得分并进行匹配。这种匹配能够剔除依可测变量产生的选择性偏误，但还需要检验平衡条件。满足平衡条件除了要求选择合适的协变量外，还要求合适的匹配分组和分段。由于“节能减碳”政策强度在[0，1]区间上非常偏向0值一端，本文尝试在处理强度取值较小的部分进行细分，在取值较大的部分进行粗分。先选取处理强度为0.045、0.090、0.143和0.223作为临界值，将企业样本按照处理强度值区分为5组；然后，每一组内部又按照GPSM值平均分为4段。最终匹配方式如表3所示。

表3中第2列报告的是未经GPSM匹配时“万家企业”和非“万家企业”两组样本在主要协变量上的统计差异。“万家企业”基本在所有协变量上的平均值均显著地大于非“万家企业”，描述显著性的t值最小为6.06，最大超过了90，这与在表1中得到的直观判断是一致的。第3列至第7列分别报告了每个处理强度分组中的企业样本，在经过GPSM匹配选出参照对象后，两类企业在关键控制变量上的统计差异。在5组处理强度分组共45个控制变量的检验中，除了个别变量存在显著性差异之外，其余变量经过GPSM匹配后在不同组别之间均无显著区别。这说明本文使用GPSM匹配后，较好地削弱了依可测变量产生的选择性偏误。

表3 广义倾向得分匹配的平衡条件检验Tab.3 Balance condition test of generalized propensity score matching

2.3“节能减碳”政策强度对企业TFP的处理效应

图3报告了以2010年为基期、企业3年TFP的平均值为产出变量的GPSM处理结果，通过GPSM匹配方法得到了“节能减碳”政策强度和企业TFP之间的关系，其中，图3（a）报告的是平均剂量反应函数图，图3（b）报告的是相对于不受规制情形不同规制强度对企业TFP的影响（即处理效应）。图3（a）中，“节能减碳”政策强度与企业TFP之间呈现出明显的“N”形关系，即随着“节能减碳”政策强度从无到有、从低到高，企业TFP先上升—后下降—再上升。

图3“节能减碳”政策强度与企业TFPFig.3 Policy intensity of“carbon reduction”and enterprises’ TFP

进一步地，通过计算不同“减碳”政策强度下企业TFP与零减排强度下企业TFP的差异，本文报告了“节能减碳”政策强度对企业TFP的处理效应，如图3（b）所示。政策强度在（0，0.43]区间时，“节能减碳”政策对企业TFP有正向的影响；政策强度在（0.43，0.97]区间时，“节能减碳”政策对企业TFP的影响为负。笔者认为，“节能减碳”政策对于企业TFP有两种影响机制：从直接影响的角度看，“节能减碳”政策直接增加了企业的成本负担，降低了企业竞争力，抑制企业TFP；从间接影响的角度看，完成“减碳”目标的激励（包括企业将从资本市场和政府获得的利益）刺激企业进行生产的优化和创新，促进企业效率提升，提高企业的竞争力。在适度的“节能减碳”政策强度下，间接的正向影响将超过直接的负向影响，“节能减碳”政策强度的处理效应为正，即“节能减碳”政策强度位于（0，0.19]区间时，处理效应不断上升；当“节能减碳”政策强度为0.19时，处理效应达到最大值0.80左右。随着“节能减碳”政策强度趋于增强，直接的负向影响将逐步逼近直至超过间接的正向影响，处理效应也随之降低至0并逐渐转负，即当政策强度位于（0.21，0.43]区间时，处理效应不断下降，说明政策的正向影响与负向影响的差距不断缩小，直至正向影响等于负向影响。当“节能减碳”政策强度为0.75时，处理效应达到最小值-1.19左右。总体而言，“节能减碳”政策对企业TFP的影响随“减碳”强度的变化而先正后负，当政策强度较低时，“节能减碳”政策有利于企业TFP的提升；一旦政策强度超过企业承担的合理范围，则会对企业TFP产生负面影响。

2.4 处理效应随时间变化以及不同基期的检验

首先，上文的检验中企业TFP均为2011—2013年的平均值，目的是平滑掉可能存在的周期影响。但是，这么做无法检验“节能减碳”政策对企业TFP影响的滞后效应。实际上，规制对企业TFP的直接的成本增加效应可能很快就发生了作用，创新研发的间接影响效应的释放则需要更长时间。本文接下来按照2011年、2012年和2013年企业的TFP分别进行实证研究，检验两个问题：①在规制政策实施“1年后”“2年后”和“3年后”3种情况下，评估“节能减碳”政策强度对企业TFP的影响，分别对应TFP-Lag1、TFPLag2、TFP-Lag3判断处理效应的研究结论是否随时间仍然稳健；②通过比较3种情形的研究结论，判断规制政策对企业TFP的影响（尤其是间接的正向影响）是否随时间逐步释放。图4展示的是随时间变动的处理效应实证结果。①“节能减碳”政策发生“1年后”“2年”后和“3年后”，政策强度对企业TFP的影响均呈“N”形的对应关系，从而可以判断前文的基本分析结论随时间推移仍然是稳健的。②随着时间推移，对企业TFP有正向影响的“节能减碳”政策强度区间在扩大，其中，“1年后”和“2年后”的正向影响区间基本重合，为（0，0.45]，“3年后”的正向影响区间为（0，0.48]。这说明随时间推移，“节能减碳”政策对企业TFP正向的间接影响不断被释放。③“3年后”的处理效应曲线落在“2年后”和“1年后”的处理效应曲线的上方，进一步说明随时间推移，“节能减碳”政策对企业TFP正向的间接影响会显现和释放出来，从而出现每个“节能减碳”政策强度下，规制政策对企业TFP的处理效应不断提升。企业对“节能减碳”政策需要一定的反应时间，企业在面临政策激励进行创新研发时，也会存在一定的协调成本。另外，增加的研发投入以及研发人员等要素会逐步且持续地发挥作用。因此，“节能减碳”政策对企业TFP影响的政策效果可能会在更长的时间内继续发挥作用。

其次，考虑基期选择差异对研究结论的影响。如前文政策部分的介绍，该政策正式颁布的时间是2011年，前述的实证分析均以2010年为基期对企业的关键特征进行GPSM匹配，主要考虑政策颁布年企业可能已经做出反应。接下来，本文选择以2011年作为基期，进行GPSM匹配分析“节能减碳”政策强度对企业2012年和2013年TFP的异质性作用。分析同样按照3种方式展开：①取2012年和2013年企业TFP的平均值作为因变量（TFP_Avg_2011）；②选择2012年企业TFP作为因变量（TFP_Lag1_2011）；③选择2013年企业TFP作为因变量（TFP_Lag2_2011），实证结果如图5所示。显然，处理效应满足“N”形曲线的基本结论依然是稳健的，但以2011年作为基期时，正向区间明显大幅下降，约在（0，0.14]；“2年后”相对于“1年后”正处理效应的区间更大，处理效应的水平也更高，这与以2010年为基期的情形一致。

图4 随时间变动的处理效应Fig.4 Treatment effect with time change

图5 以2011年为基期的处理效应Fig.5 Treatment effect based on 2011

2.5 研发创新的作用

“节能减碳”政策通过“倒逼”企业优化生产和研发创新间接地促进企业TFP提升，因为实现“减碳”目标对企业而言也会带来丰厚的回报。但是，间接影响要能够切实地发挥出来，取决于该企业是否具备创新精神和创新能力。无论是生产环节的优化还是能耗技术的改良，都需要企业具备创新研发的实力。研发创新是一个厚积薄发的过程，大量的经验研究也证明企业创新活动具有较强的惯性。本文进一步考虑根据基期企业的研发特征，将“万家企业”区分为有研发投入组和无研发投入组，分别估计“节能减碳”政策强度对企业TFP的处理效应。通过比较实证结果，预期识别出创新能力在实现“减碳”间接促进企业TFP上发挥的作用。由图6结果可知，“节能减碳”政策对基期有研发的企业正向影响的区间更大，为（0，0.57]；而基期无研发的企业，正向影响区间则明显偏短，为（0，0.45]；换言之，具备创新研发能力的企业在面临“节能减碳”政策时，更有可能通过优化生产和改良能耗技术获得效率优势。因此，图6表明，“节能减碳”政策可以通过促进企业创新研发进而实现提升TFP的目的。

图6 基期有研发与无研发企业样本“节能减碳”政策的处理效应Fig.6 The treatment effect of“carbon reduction”policy on the R＆D and non-R＆D enterprises

2.6 分所有制的检验

为了考察不同所有制类型企业对“节能减碳”政策的反应是否存在差异，接下来检验本文的研究结论在各类子样本中是否仍然稳健。本文将样本分为国有企业（SOE）、外资企业（FDI）（包括港澳台资）和民营企业（private）3个子样本，以2010年为基期、企业3年TFP的平均值为产出变量进行检验，结果如图7所示。3类企业样本的处理效应曲线均大致呈现“N”的形状，“节能减碳”政策对TFP的促进和抑制两种机制在3类样本企业中均有不同程度的体现，上文的结论在不同所有制样本中依然稳健。“节能减碳”政策对民营企业 TFP 的促进区间最大，为（0，0.48），其次是外资企业，为（0，0.41），最后是国有企业，为（0，0.32）。外资企业样本的处理效应曲线最高，民营企业样本次之，国有企业样本最低。这说明两种作用机制在不同所有制样本中存在差异。不同所有制企业所面临的外部环境是影响“节能减碳”政策对企业研发创新行为的效应主要原因。国有企业天然地与政府联系密切，能够获得财税补贴、金融支持等缓解环境规制的压力，从而“节能减碳”政策对国有企业效率提升的促进作用被削弱了。民营企业在面临“节能减碳”政策时，更有动力进行创新研发，以弥补应对规制产生的成本。

图7 不同所有制企业“节能减碳”政策的处理效应Fig.7 The treatment effect of“carbon reduction”policy on different ownership enterprises

3 结论和政策含义

本文利用2011年中国政府发布的《万家企业节能低碳行动实施方案》，采用广义倾向匹配得分法研究了“节能减碳”政策对中国制造业企业TFP的影响，得到如下研究发现。①“节能减碳”政策对企业TFP具有直接的成本增加效应和间接的创新促进效应，“节能减碳”政策对企业TFP影响的实际效果取决于两种效应的叠加效果。当减碳强度较低时，“节能减碳”政策可以促进企业TFP的增长；当减碳强度超过一定范围后，对企业TFP的抑制效应逐步显现。一系列分样本检验证实了这一结论十分稳健。②企业创新研发可以补偿企业应对规制政策所产生的额外成本，有利于“节能减碳”政策实施后企业TFP的增长。③随着时间的推移，“节能减碳”政策对企业TFP的促进作用会逐步释放。

本文的研究结论具有重要的政策启示：社会对美好生态环境的诉求，并不必然抑制经济发展，不会负向影响制造业企业发展，实现环境与经济双赢发展的良好局面关键在于环境规制政策的实施强度。在以“节能减碳”为例的环境规制政策的具体实施过程中，应充分考虑环境保护的要求和不同行业中企业的承受能力，制定灵活、有效的环境保护政策和执行强度，让环境规制成为企业创新的动力，实现环境改善和企业竞争力提升的最终目标。