曾诗鸿,李 璠,2,翁智雄,钟 震

我国碳交易试点政策的减排效应及地区差异

曾诗鸿1,李 璠1,2,翁智雄3*,钟 震4

(1.北京工业大学经济与管理学院,北京 100124；2.丹麦科技大学管理学院,丹麦 灵比 2800；3.北京工业大学循环经济研究院,北京 100124；4.国务院发展研究中心发展战略与区域经济研究部,北京 100011)

基于连续性双重差分等方法,评估2004～2017年我国碳交易试点政策的减排效应及地区差异,并分析其作用机制.结果显示,碳交易政策能使试点地区的碳排放强度下降9.5%,碳市场规模､活跃度每增加1%,将分别带来试点地区碳排放强度下降0.9%和0.7%.异质性影响上,碳交易政策对东中部地区的减排效应明显,对西部地区无明显作用;对发达省份产生的碳减排影响要显著高于欠发达省份.碳减排效应主要通过对参与市场的企业实施影响来实现.碳交易政策还发挥了一定的污染物协同减排效应,使试点地区的二氧化硫排放量下降22.7%.应加快推进全国碳市场建设,提升碳市场的活跃度,畅通减排渠道,继续发挥试点碳市场作用,推动二氧化碳与其他污染物协同减排.

碳中和；碳达峰；碳市场；连续性双重差分；协同减排效应

碳排放权交易市场(简称碳市场)是实现我国碳达峰与碳中和目标的关键市场化减排机制.尽管我国的碳市场规模较大,但相较于发达国家和地区,我国的碳市场体系建设仍处于起步发展阶段,市场活跃度低、相关法律体系不完善、金融衍生工具不足、监管不到位等问题仍十分突出.

国内外学者对我国碳市场的研究主要从碳市场机制设计和碳市场影响2个维度展开,形成了以碳市场试点地区分析为基础、全国碳市场设计为主的研究体系.碳市场机制设计方面,主要围绕碳市场机制本身,研究碳交易体系的设计与改进.一是从碳配额核定与分配出发,研究最优的碳配额分配方案与不同的供给及分配方式带来的影响[1-2].二是从碳价稳定性及关联影响角度开展研究.研究碳市场价格变化对福利与经济发展的影响[3],识别配额供给数量、碳配额拍卖对碳价的影响[4];也有学者研究碳价的影响因素[5]以及其对碳减排水平的作用[6].三是从碳市场风险管理视角入手,识别碳市场发展的不足,如分析中国碳市场存在机制设计风险、市场供给风险和履约风险等[7].

碳市场影响分析方面,主要围绕碳市场建立产生的经济与环境影响展开,探讨碳市场政策有效性及实施效果.一是研究碳市场的碳减排效应,有学者指出碳交易政策能减少CO2排放[8-10],且这种减排效应有一定的持续性[11],能帮助政策实施地区节省约63.53元/t的减排成本[12];还有学者从工业碳生产率影响的角度出发,认为碳交易政策显著提升了工业碳生产率[13].二是研究碳交易政策实施对我国经济发展的影响[14],部分学者认为,碳交易政策短期内很难对经济发展产生积极效应,但可以通过配合其他方案或政策来辅助减轻碳交易对我国经济的“拖累”[15].三是碳交易实施带来的环境等其他影响,主要包括创新效应[16]、就业红利[17]、环境健康效应[9]、绿色创新效率与区域碳公平的提升[18]等.

目前对碳交易政策实施效果的研究多采用可计算的一般均衡模型(CGE)、双重差分模型等方法.前者可以在不同情景下分析碳交易政策对社会经济与环境的影响[19-20],后者主要通过构建准自然实验减少估计偏差来评估碳交易政策的效果[21-23].现有研究主要侧重于分析碳市场机制设计,从国家与省市层面开展了大量关于碳配额分配、碳价影响等方面的研究.尽管也不乏关于碳交易试点政策的环境效应评估分析,但这些研究侧重于识别碳交易政策实施与否对碳减排的影响,鲜有文献考虑碳市场本身因素,如碳市场规模、市场活跃程度等对碳减排的影响及作用机制.同时,关于碳交易试点政策的研究局限于碳减排效应与经济效应方面,而对碳交易政策可能产生的其他大气污染物协同减排效应也缺乏分析.基于此,本文利用我国2004～2017年30个省份(因数据缺乏,本文的研究样本中不包含西藏、香港、澳门和台湾地区)的面板数据,采用双重差分模型(DID)识别碳交易试点政策的碳减排效果,进而运用连续性双重差分方法研究碳市场规模、碳市场活跃度对碳减排的影响.构建中介效应模型用于识别碳市场通过对控排主体施加影响以实现减排目标的作用机制;最后,从协同减排影响的角度出发,评估碳市场对大气污染物可能存在的协同减排效应.

1 模型与数据

1.1 计量模型

1.1.1 双重差分模型 选取双重差分模型评估碳交易政策的减排效果,对比碳交易试点地区和非碳交易试点地区在碳交易政策实施前后的碳排放强度变化.根据是否为碳交易试点地区,将研究对象分为处理组与控制组,其中,处理组的研究对象为有碳交易政策干预的地区,包括北京市、天津市、上海市、重庆市、湖北省以及广东省(因福建省列为碳交易试点地区的时间较晚,本文未将其纳入),控制组为我国其他省份(因数据原因,不包括西藏、港澳台地区).我国于2011年出台了《关于开展碳排放权交易试点工作的通知》[24],试点省市在2013年基本完成了碳交易试点的筹备工作,因此,将2013年选取为政策执行年.双重差分模型的具体表达式如下:

1.1.2 连续性双重差分模型 普通双重差分模型只能测度碳交易试点政策带来的总体减排效果,而碳交易试点地区的一些差异化特征很可能会对碳减排效果产生影响.传统的双重差分模型只能使用0～1变量来表征碳交易政策的实施,只能简单表示该地区是否实施政策,无法进一步量化政策实施的具体情况.因此,本文构建连续性双重差分模型[25].该模型能够用碳交易市场规模和市场活跃度来代替政策执行的0～1变量,能够更好地识别碳市场本身的特征对试点地区碳减排强度的影响程度.该模型的表达式如下:

式中:volume地区的碳市场在时的碳市场规模,用年化的碳市场日交易额来表示;turnover为地区的碳市场在时间时的碳市场活跃度,用碳市场年化日交易量来测度;2为本文重点关注的估计系数,当2显著为负时,表明碳市场规模的扩大或碳市场活跃度的增加会对碳排放强度产生显著的负向影响.

1.1.3 中介效应模型 主要从碳市场对控排主体产生约束方面考虑碳市场政策对碳减排的作用机制.碳交易政策的实施会对企业施加碳配额限制压力,参与碳交易企业的经营成本会增加.为了控制减排成本,企业会通过研发并使用绿色技术提升能源效率[26],最终导致企业所在地区的碳排放强度降低.企业经营成本增加、研发资金投入等表现在企业资产负债表中即为企业流动资产的减少,因此,本文选取规模以上工业企业的流动资产指标作为碳交易政策对碳排放强度影响的中介变量.基于模型(1)与(2),建立了中介效应模型(3)与(5)以及综合模型(4)和(6):

式中:M为中介变量,具体用规模以上工业企业流动资产与当地GDP的比值来表示.当模型(3)中的3,模型(4)中的1和4都显著时,表明碳交易政策可以通过影响中介变量来影响CO2排放强度.同理,当模型(5)中的5,模型(6)中的2和6都显著时,表明碳交易政策通过对控排企业实施影响进而降低碳排放强度的中介效应存在.

1.2 变量说明与数据来源

选择普通DID和连续DID模型分别检验碳交易政策、碳市场规模及碳市场活跃度对碳排放强度的影响,其中被解释变量为CO2排放强度,碳排放强度能够反映国家或地区在发展自身经济的同时能否兼顾生态环境保护.如果碳排放强度下降,则表明碳减排效应存在,说明实现了经济增长与生态环境保护的双重红利;反之,碳排放强度未下降,说明应对经济发展方式进行调整,以促进生态环境保护[20].解释变量主要包括核心解释变量与其他解释变量.核心解释变量包括碳市场的市场规模(volume),用年化的碳市场日交易额来表示;碳市场的市场活跃度(turnover),用碳市场年化日交易量来测度.其他解释变量包括经济发展水平、对外开放程度、环境治理投资、研发投入、森林覆盖率、能源消费总量、能源消费结构、低碳创新技术水平、产业结构以及工业企业发展状况.其中,gdp代表我国各省的经济发展水平;open代表各地区对外开放程度;invest表示各地区污染治理投入水平;RD表示各省(自治区、直辖市)的自主研发水平[27];forest表示各地区森林覆盖率的指标;total代表我国能源消耗总量;estr表示我国能源消费结构;ctech表示我国的低碳创新技术水平;sec表示我国的产业结构;liquid表示我国各地区的工业企业发展状况.其中,为减少异方差的影响,本文对非虚拟变量均采用取对数的处理方式.

表1 变量说明

选取2004～2017年中国30个省的样本数据进行研究.其中,碳排放相关的数据来源于中国碳核算数据库(CEADs),其他数据来源于国家统计局、Wind数据库、历年《中国统计年鉴》等.由表2初步判断,处理组的平均碳排强度低于控制组,表明碳交易政策对试点地区的碳减排可能存在一定的影响.

此外,为了进一步检验碳交易政策的污染物协同减排效应,本文还选取了各地区二氧化硫、烟粉尘以及PM2.5浓度数据.其中各地区的二氧化硫总量数据来源于国家统计局,各地区的烟粉尘总量数据来源于国家统计局与各年统计年鉴.由于国家对烟粉尘排放总量的统计口径发生了变化,国家统计局并未给出2010年之前各省市的烟粉尘排放总量数据,为了确保统计的连续性,本文根据各年统计年鉴,将烟尘排放总量与工业粉尘排放总量加总得到各省市2004～2009年的烟粉尘总量数据.虽然因为统计口径原因数据存在一定偏差,但整体的污染物变化趋势一致,不会明显影响回归结果.本文的PM2.5浓度数据来源于哥伦比亚大学国际地球科学信息网络中心研究所等相关人员利用卫星搭载设备测得的PM2.5均值.由于数据只包含1998～2016年的数据,为了保持数据的连续性,本文采取指数平滑法预测得到2017年PM2.5平均浓度数据.

表2 描述性统计

注:处理组与控制组的观测值个数分别为84, 336个.

表3 双重差分模型结果

注:***､**和*分别表示在1%､5%和10%的显著性水平下显著,括号内表示稳健标准误,标准误聚类到省份层面.

2 实证结果分析

2.1 双重差分结果分析

2.1.1 双重差分结果 经过Hausman检验,表3中列(1)至列(6)都进行了个体和时间固定效应的有选择控制.列(1)与列(2)中探讨了核心自变量policy*post的系数大小,即碳交易政策对碳减排的影响,结果表明:核心自变量policy*post在1%的显著性水平上为负,说明实施碳交易政策有助于降低碳排放强度,即碳交易试点地区在执行碳交易政策后,其CO2减排效果优于非试点地区.同时控制省份固定效应和时间固定效应后(列(2)所示),试点地区在实施碳交易政策后碳排放强度平均下降了9.5%,与仅控制个体固定效应的结果接近(-7.4%).

列(3)与列(4)表示碳市场规模对碳排放强度的影响,碳市场规模越大,碳交易试点地区的碳排放强度越低.具体来看,在控制个体与时间双固定效应的情况下,碳交易额每提高1%会促使试点地区降低0.9%的碳排放强度.列(5)和列(6)考察了核心自变量volume*post在降低CO2排放强度中的作用,碳市场活跃度越高,碳交易试点地区的碳排放强度越低.碳市场活跃度每增加一单位,碳交易试点地区的碳排放强度能够显著降低0.7%(列(6)).

2.1.2 平行趋势检验 双重差分模型估计结果一致的前提是满足平行趋势条件,即要求处理组和控制组在碳交易政策干预前具有相近的变化趋势,不存在系统性差异.采用2种典型的方式进行平行趋势检验,分别为绘制处理组与控制组的时间趋势变化图、运用事件研究法进行检验.从图1可以看出, 2004年至2012年期间处理组与控制组的碳排放强度的随时间变化趋势基本一致,处理组的CO2排放强度在政策执行后(即2013年)有明显的下降趋势,说明2013年是碳排放强度变化的一个关键转折年份.

图1 处理组与控制组碳排放强度趋势(2004～2017年)

其次,为了更精确地检验平行趋势,本文将年份虚拟变量与处理组虚拟变量的交互项作为解释碳排放强度的自变量来构建模型.模型如式(7)所示:

式中:dit表示区域i所属t年的虚拟变量,当试点省份i在时间t时, dit为1,其他情况下,dit为0.当b2009-b2011不显著时,说明碳排放强度在碳交易政策执行前的变化趋势是相同的,则模型满足平行趋势假设.此外,基准年为政策执行时间点的前一年,即2012年,因此模型(7)中不存在自变量di2012.由表4可知,2013年及1年后,碳交易政策虚拟变量在5%的显著性水平上为负且系数绝对值逐年增加,说明碳交易政策对于碳排放强度有显著的减少效应且这种减排作用具有持续性与累积性. 2013年之前的虚拟变量与处理组虚拟变量的交互项的系数都不显著,说明控制组与处理组的碳排放强度趋势在政策执行前满足平行趋势假设.

绘制碳试点政策的动态效应(图2),并将政策实施前的年份延长至政策实施前第1～9年.以政策执行年的前一年(2012年)的碳排放强度为基准.我国于2011年发布了设立碳交易试点的通知,到2013年,该政策产生了显著的负效应,该减排效应随着时间的推移不断累积.

表4 平行趋势检验

注:***､**和*分别表示在1%､5%和10%的显著性水平下显著,括号内表示稳健标准误,标准误聚类到省份层面.

2.1.3 安慰剂检验 为保证检验结果的可靠性,从2个方面进行安慰剂检验:一是改变碳交易政策发生的时间,在非真实的碳交易政策发生时间随机产生“虚假”的政策实施时间,以检验碳强度的下降是否是周期性变化导致,还是由碳交易政策带来;二是随机生成处理组,通过随机打乱现有的处理组与对照组的方式进行安慰剂检验,以判断碳市场对碳强度的减少效应是否由其他随机性因素引起.

(1)“虚假”政策时间点的安慰剂检验 参考徐现祥等[28]做法,本文使用虚假的碳交易政策执行时间,观察碳交易政策的减排效果是否依然存在,如果“虚假”政策时间下的回归系数不显著,说明减排效应是由碳交易政策带来,而非其他周期性趋势导致;反之,如果回归系数显著,说明存在其他周期性变化趋势的风险.对每个省份随机抽取2004～2017年中的某一个年份(非2013年)设置为其政策执行时间点,在这种“虚假”的政策实施年份下,观察核心变量policy*post的估计系数.将以上随机过程执行1000次后,形成一个所有“虚假”政策年份下的回归系数分布(图3).由图3可知,真实政策实施时间下的回归系数(-0.095)偏离“虚假”政策下的回归系数分布,说明选取2013年为碳交易政策执行时间点具有合理性.

图3 随机设置政策执行年份后政策变量的回归系数分布

(2)随机生成处理组的安慰剂检验 借鉴曹春方等[29]的做法,将碳交易试点政策对各地区碳排放情况的冲击变得随机,从30个省(自治区、直辖市)随机抽取6个省份作为处理组,其他剩余省份为对照组.将处理组的policy变量取1,对照组的policy变量取0后代入前文模型(1)中.将该随机过程重复1000次后得到policy*post的回归系数分布图(图4).由图4可知,policy*post的系数主要分布在0值附近,与实际回归系数(-0.095)相比明显偏离,说明碳交易政策能降低试点地区的碳排放强度,排除了其他随机因素对实证研究结果的干扰.

图4 随机产生处理组后政策变量回归系数分布

2.1.4 稳健性检验 从替换被解释变量与缩尾处理两方面进行稳健性检验.

(1)以人均碳排放量为因变量的检验 人均碳排放量也能反映地区的CO2排放量情况,以人均碳排放量指标替换碳排放强度指标,设定新的被解释变量,进一步验证模型的稳健性.回归结果表明(表5),碳交易政策的实施能显著降低试点地区的人均CO2排放量,碳交易市场的规模扩大与碳市场活跃度增加都能有效推动试点地区的碳减排,这与前文的研究结论一致.具体来看,在控制省份固定效应与时间固定效应的情况下,实施碳交易政策能够使试点地区平均降低5.4%的人均CO2排放量.同样,在省份与时间的双固定效应下,碳市场规模每增加1%,会促进人均CO2排放量降低0.5%,碳市场活跃度每增加1%,能降低0.4%的人均碳排放量.

(2)样本缩尾的检验 为避免出现变量中存在极端值而影响回归结果稳健性的问题,对样本做了1%分位上的双边缩尾处理,对前1%和后99%的数据分别用1%和99%的数值进行替代.表6可见,在1%分位上进行双边缩尾后,policy*post、volume*post与turnover*post的回归系数与显著程度与表3中基本一致,验证了前文的结论.

2.1.5 异质性检验 考虑到碳交易政策的实施在多个维度上存在异质性,讨论了地区与经济发展因素对碳减排的促进效应.

表5 以人均碳排放量为因变量的回归结果

注:***､**和*分别表示在1%､5%和10%的显著性水平下显著,括号内表示稳健标准误,标准误聚类到省份层面.

表6 样本双边缩尾后的估计结果

注:***、**和*分别表示在1%､5%和10%的显著性水平下显著,括号内表示稳健标准误,标准误聚类到省份层面.

(1)地区异质性分析:碳交易试点地区的选择具有高度代表性,这些地区横跨我国东部沿海地区,延伸到中部地区[6].本文将我国30个省份按照东部、中部、西部地区分类,考察碳交易政策在不同地区的影响差异 (表7).其中,第(1)列、第(4)列、第(7)列依次为东部、中部、西部地区的回归结果.回归结果表明,碳交易政策的碳减排效应主要体现在我国东部地区与中部地区,对西部地区的碳排放强度虽然也有一定的抑制作用,但作用并不显著.碳交易政策的实施使东部试点地区的碳排放强度降低10.1%,促使中部试点地区的碳排放强度下降13.2%.从第(2)、(3)、(5)、(6)、(8)、(9)列回归结果可以看出,碳交易市场规模的扩大与碳交易市场活跃度的增加对我国东部、中部地区碳减排都有显著促进作用,但对我国西部地区的碳减排影响并不显著.这主要由于重庆是7个试点地区中唯一的西部省市,主要依靠第二产业来实现经济增长.早期为了协调好碳减排与经济持续增长之间的关系,重庆碳交易市场的碳配额供给较为充足,导致交易市场总体呈现活力不足的状态[30].相较于我国其他碳交易试点地区,重庆的市场规模最小,因此重庆碳交易市场发挥的碳减排作用及环境约束作用并不显著.此外,由于西部地区正处于经济发展快速上升期,区域政府对碳交易市场的重视程度不足[31],对参与碳交易市场的企业的惩罚力度较低,进一步加剧了碳交易市场履约率低、减排作用不显著的问题.

(2)经济发展异质性分析 经济发展水平是影响碳减排的重要影响因素,按照人均实际GDP水平,将30个省份划分为经济发达省份和欠发达省份.其中,经济发达地区为人均GDP大于4万元的地区,剩余地区为欠发达地区,对两类地区分别进行双重差分回归(表8).表中第(1)列至第(3)列表示经济发展水平较高地区的回归结果,其余列表示欠发达省份的回归结果.

表7 东部、中部与西部地区的区分考察

注:***､**和*分别表示在1%､5%和10%的显著性水平下显著,括号内表示稳健标准误,标准误聚类到省份层面.

结果表明,碳交易政策对发达省份产生的碳减排效应比欠发达地区更加明显.实施碳交易政策能够促使发达地区的试点区域平均降低10%的碳排放强度,但对欠发达地区的减排效应略低,为8.7%.此外,碳市场成交额与交易量的增加对发达地区与欠发达地区试点区域的碳排放强度影响也有显著差异.碳市场成交额与交易量每增加1%分别促使发达地区的碳排放强度降低1.1%与0.8%.增大碳市场规模与提高碳市场活跃度虽然也能够对欠发达地区的碳减排强度产生负向作用,但这种负向影响并不显著.这可能是由于相较发达地区,欠发达地区的第二产业在经济中占据非常重要的地位,在平衡经济发展与环境保护的过程中,欠发达地区倾向于放松环境约束来实现经济快速增长,因而欠发达地区企业减排意识较为薄弱,参与碳交易市场的意愿也不强.相较于发达地区,欠发达地区的参与碳市场交易的企业数量相对有限,碳市场规模的扩张与活跃度的增加很难对当地碳排放强度产生较为显著的作用.

2.2 中介效应结果分析

检验影响碳交易政策减排效应的作用机制,分析企业规模在促进碳减排过程中的中介效应(表9).第(1)列的policy*post的回归系数显著为负,说明碳交易政策的实施能显著降低碳交易试点地区的规模以上工业企业流动资产的持有,增加对规模以上工业企业的流动性约束.第(2)列的核心自变量(policy*post)与规模以上工业企业流动资产(liquid)被同时纳入回归中, 规模以上工业企业流动资产的回归系数显著为正,说明规模以上工业企业持有的流动资产越高,碳排放强度越高.同时,policy*post指标的回归系数显著为负,但回归系数的绝对值小于表3中第(2)列的回归系数的绝对值,说明碳交易政策能够通过对规模以上工业企业增加流动性约束来降低碳交易试点地区的碳排放强度.碳交易政策的实施会提高对参与减排交易企业的减排要求,增加其经营成本,致使其流动资产如货币资金、交易性金融资产等减少.为了实现控制减排成本,企业会利用资金来进行技术升级等来降低碳排放,进而推动当地CO2排放强度的降低.

第(3)列与第(5)列的回归结果显示,碳交易市场规模与活跃度的增加会进一步显著降低规模以上工业企业的流动资产,碳交易额与交易量每增加1%会促使试点地区规模以上工业企业的流动资产分别下降0.5%与0.4%.第(4)列与第(6)列中,将核心自变量与规模以上工业企业流动资产(liquid)同时作为解释变量进行回归分析,结果显示,核心解释变量volume*post与turnover*post仍然显著为负,但是相较于表3中第(4)列与第(6)列中volume*post与turnover*post相应的回归系数,表9中volume*post与turnover*post中回归系数的绝对值更小,说明碳交易市场规模与活跃度的增加会对规模以上工业企业的流动资产产生负向作用,进而降低当地的CO2排放强度.随着当地加入碳交易市场的规模以上工业企业数量逐渐增多,碳交易额以及交易事件也不断增加,对当地企业的碳排放约束逐渐加强.碳排放约束会迫使企业进行绿色技术升级,增加其经营成本.企业一个正常营业周期中的货币资金、交易性金融资产减少.同时,经营成本增加也会导致市场产品供应减少,企业存货与应收账款也将随之减少,总体表现在企业的资产负债表中就是企业的流动资产减少.从整个试点地区来看,由于当地企业的减排技术水平提高,当地的CO2排放强度降低.

表8 发达地区与欠发达地区的区分考察

注:***､**和*分别表示在1%､5%和10%的显著性水平下显著,括号内表示稳健标准误,标准误聚类到省份层面.

表9 中介效应估计结果

注:***､**和*分别表示在1%､5%和10%的显著性水平下显著,括号内表示稳健标准误,标准误聚类到省份层面.

2.3 协同减排结果分析

在工业生产过程中,大气污染物的排放与CO2的排放往往相互伴随.这种同源性为实现协同减排提供了可能性,可以在控制温室气体排放的同时,利用协同减排措施来控制大气污染物排放,如运用绿色低碳技术促进CO2与大气污染物的协同减排[32].协同减排效应已受到我国政府部门的重视,在我国《重点区域大气污染防治“十二五”规划》[33]等政策文件中提出了实施多污染物协同控制实施路径的相关内容.因此,本文探究碳交易政策在实施过程中,是否也能发挥协同减排效应,以此降低二氧化硫排放量、烟粉尘排放量以及PM2.5.

表10 协同减排效应估计

注:***､**和*分别表示在1%､5%和10%的显著性水平下显著,括号内表示稳健标准误,标准误聚类到省份层面.

本文以我国二氧化硫排放量、烟粉尘排放量以及PM2.5浓度为因变量替换模型(1)中的碳排放强度,研究碳交易政策的大气污染物协同减排效果,回归结果如表10所示.第(1)列,第(2)列和第(3)列依次为实施碳交易政策对二氧化硫排放量、烟粉尘排放量、PM2.5浓度的影响.结果表明,碳交易政策能显著降低试点地区的二氧化硫排放量.在5%的显著性水平上,碳交易政策的实施促使试点地区的二氧化硫排放量平均下降22.7%.产生这一结果的主要原因为我国能源消费结构中煤炭占比较高,且我国煤炭含硫量相对较高,平均硫分达1.1%[34],煤炭的燃烧会伴随大量的二氧化硫产生.碳交易政策可以通过影响企业的污染物排放决策机制,调整能源消费结构、控制煤炭消费总量与提高煤炭利用效率来降低试点地区的二氧化硫排放量与烟粉尘排放量.碳交易政策实施对烟粉尘、PM2.5浓度虽然有负向影响,但是这种负向影响并不显著.这主要是由于烟粉尘与PM2.5污染源构成更加复杂,污染源涵盖工业、生活、交通等各个领域,导致其浓度值很容易受到其他因素干扰.因此,碳交易政策带来的大气污染物协同减排主要体现在降低二氧化硫排放量方面.

2.4 政策建议

2.4.1 大力推进碳市场发展,提升碳市场的活跃度 研究发现,碳交易政策能有效降低碳排放强度,应加快推进全国碳市场建设,有序推进各交易试点地区与全国碳市场深度对接融合,在电力部门实施全国碳交易的基础上,加快推进石化、化工等其他行业进入全国碳市场.应加快构建支撑碳市场发展的金融机制,有效引导投资机构等不同主体参与全国碳市场交易,开发各类碳金融产品与服务,提升全国碳市场的流动性,增加交易量.

2.4.2 畅通碳市场减排路径,提升碳市场减排效果 碳市场的碳减排效应有一定的作用机制,应进一步畅通碳市场的减排路径:充分发挥碳价对企业碳减排策略选择的引导作用,在减排成本倒逼下推进企业低碳技术的应用;应重新启动我国核证自愿减排量(CCER)备案审批,在严格的方法学下,将更多可再生能源项目作为核证自愿减排量纳入到碳市场交易体系中;应以发展碳市场为抓手之一,推动产业结构升级优化,减少化石能源消费.

2.4.3 充分考虑地区发展差异性,继续发挥试点碳市场作用 碳交易试点政策的地区异质性表明,各地应实施具有差异化的碳交易政策.从建立电力部门的全国碳市场到涵盖所有行业的全国碳市场仍需一定时间,过渡期间应充分发挥好试点碳市场的作用,各试点碳市场应结合当地产业发展现状,采取更加积极的措施推进碳市场建设,欠发达地区的政策措施力度应更大.应努力提高欠发达地区政府对低碳环保的重视程度,增强欠发达地区控排主体的市场参与意愿.

2.4.4 推进配套制度建设,发挥好协同减排效应 碳交易试点政策能发挥一定的污染物协同减排效应,应增强市场化减排工具与其他大气污染减排政策的协调配合,“十四五”期间的大气污染治理应更加明确市场化减排机制的作用,出台更多支撑碳交易试点地区和全国碳市场发展的激励和保障政策,更好地发挥协同减排效应.

3 结论

3.1 碳交易政策的实施能促进试点地区的碳排放强度降低9.5%;同时,碳交易额、碳交易量每增加1%,会促进碳试点地区的CO2排放强度分别下降0.9%与0.7%.

3.2 碳交易政策的减排效应有明显的地区异质性,其中,政策效应在我国东部和中部地区更明显,相较于欠发达省份,碳交易政策在发达省份的碳减排效果优于欠发达省份的减排效果.

3.3 碳交易政策能通过对参与碳交易的减排主体施加影响来实现碳强度降低目标.

3.4 在促进碳减排的同时,碳交易政策还能发挥协同减排效应,能降低试点地区的二氧化硫排放量,为试点地区带来显著的环境红利.

[1] He W, Zhang B, Li Y, et al. A Performance analysis framework for carbon emission quota allocation schemes in China: perspectives from economics and energy conservation [J]. Journal of Environmental Management, 2021,296:113165.

[2] 王文举,陈真玲.中国省级区域初始碳配额分配方案研究——基于责任与目标､公平与效率的视角[J]. 管理世界, 2019,35(3):81-98.

Wang W, Chen Z. A study on the initial carbon quota allocation scheme for provincial regions in China--based on the perspective of responsibility and target, equity and efficiency [J]. Management World, 2019,35(3):81-98.

[3] 魏立佳,彭 妍,刘 潇.碳市场的稳定机制:一项实验经济学研究[J]. 中国工业经济, 2018,(4):174-192.

Wei L, Peng Y, Liu X. The stability mechanism of the carbon market: a study of experimental economics [J]. China Industrial Economics, 2018,(4):174-192.

[4] Ji C, Hu Y, Tang B, Qu S. Price drivers in the carbon emissions trading scheme: evidence from Chinese emissions trading scheme pilots [J]. Journal of Cleaner Production, 2021,278:123469.

[5] Ye J, Xue M. Influences of sentiment from news articles on EU carbon prices [J]. Energy Economics, 2021,101:105393.

[6] Cao K, Xu X, Wu Q, et al. Optimal production and carbon emission reduction level under cap-and-trade and low carbon subsidy policies [J]. Journal of Cleaner Production, 2017,167:505–513.

[7] Wang Y, Wang W. Risk identification and regulatory system design for the carbon market [J]. Chinese Journal of Population Resources and Environment, 2016,14(2):59–67.

[8] Zhang Y, Liang T, Jin Y, et al. The impact of carbon trading on economic output and carbon emissions reduction in China’s industrial sectors [J]. Applied Energy, 2020,260:114290.

[9] Zhang W, Li J, Li G, et al. Emission reduction effect and carbon market efficiency of carbon emissions trading policy in China [J]. Energy, 2020,196:117117.

[10] Zhang Y, Li S, Luo T, et al. The effect of emission trading policy on carbon emission reduction: evidence from an integrated study of pilot regions in China [J]. Journal of Cleaner Production, 2020,265:121843.

[11] 周 迪,刘奕淳.中国碳交易试点政策对城市碳排放绩效的影响及机制[J]. 中国环境科学, 2020,40(1):453-464.

Zhou D, Liu Y. 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.

[12] Zhang H, Zhang B. The unintended impact of carbon trading of China’s power sector [J]. Energy Policy, 2020,147:111876.

[13] 任晓松,马 茜,刘宇佳,等.碳交易政策对工业碳生产率的影响及传导机制[J]. 中国环境科学, 2021,41(11):5427-5437.

Ren X, Ma Q, Liu Y, Zhao G. The impact of carbon trading policy on industrial carbon productivity and its transmission mechanism [J]. China Environmental Science, 2021,41(11):5427-5437.

[14] Jia Z, Lin B. Rethinking the choice of carbon tax and carbon trading in China [J]. Technological Forecasting and Social Change, 2020,159: 120187.

[15] Yang L, Yao Y, Zhang J, et al. A CGE analysis of carbon market impact on CO2emission reduction in China: a technology-led approach [J]. Natural Hazards, 2016,81(2):1107–1128.

[16] 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.

Fan D, Wang W, Liang P. 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.

[17] Yang X, 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.

[18] Zhang S, Wang Y, Hao Y, et al. Shooting two hawks with one arrow: could China’s emission trading scheme promote green development efficiency and regional carbon equality? [J]. Energy Economics, 2021, 101:105412.

[19] Li G, Masui T. Assessing the impacts of China’s environmental tax using a dynamic computable general equilibrium model [J]. Journal of Cleaner Production, 2019,208:316–324.

[20] Zhao Y, L H, Xiao Y, et al. Scenario analysis of the carbon pricing policy in China’s power sector through 2050: based on an improved CGE model [J]. Ecological Indicators, 2018,85:352–366.

[21] Xuan D, Ma X, Shang Y. Can China’s policy of carbon emission trading promote carbon emission reduction? [J]. Journal of Cleaner Production, 2020,270:122383.

[22] Lyu X, Shi A, Wang X. Research on the impact of carbon emission trading system on low-carbon technology innovation [J]. Carbon Management, 2020,11(2):183–193.

[23] 朱 凡,李天琦.中国碳交易市场减排绩效的实证研究[J]. 税务与经济, 2021,(3):54–62.

Zhu F, Li T. An empirical study on emission reduction performance of China's carbon trading market [J]. Taxation and Economy, 2021,(3): 54-62.

[24] 国家发展和改革委员会.关于开展碳排放权交易试点工作的通知(发改办气候[2011]2601) [EB/OL].https://www.ndrc.gov.cn/xxgk/ zcfb/tz/201201/t20120113_964370_ext.html.

National Development and Reform Commission. Notice of the pilot project on carbon emissions trading (Climate change office [2011] 2601) [EB/OL]. https://www.ndrc.gov.cn/xxgk/zcfb/tz/201201/ t20120113_964370_ext.html.

[25] Moser P, Voena A. Compulsory licensing: evidence from the trading with the enemy act [J]. American Economic Review, 2012,102(1): 396–427.

[26] Damert M, Baumgartner R J. Intra-sectoral differences in climate change strategies: evidence from the global automotive industry [J]. Business Strategy and the Environment, 2018,27(3):265–281.

[27] 张翠菊,张宗益,覃明锋.能源禀赋､技术进步与碳排放强度——基于空间计量模型的研究[J]. 系统工程, 2016,34(11):47–53.

Zhang C, Zhang Z, Qin M. Research on energy resources, technology advance and carbon emission intensity--based on spatial panel econometric model [J]. Engineering System, 2016,34(11):47–53.

[28] 徐现祥,李书娟.官员偏爱籍贯地的机制研究——基于资源转移的视角[J]. 经济研究, 2019,54(7):111-126.

Xu X, Li S. A study of the mechanism of leaders' regional favoritism, based on the resource reallocation perspective [J]. Economic Research Journal, 2019,54(7):47-53.

[29] 曹春方,张 超.产权权利束分割与国企创新——基于中央企业分红权激励改革的证据[J]. 管理世界, 2020,36(9):155-168.

Cao C, Zhang C. Partitioning of property rights and the innovation of state-owned enterprises: a quasi natural experiment of bonus incentives reform in central government-owned enterprises [J]. Management World, 2020,36(9):155-168.

[30] 余 萍,刘纪显.碳交易市场规模的绿色和经济增长效应研究 [J]. 中国软科学, 2020,(4):46-55.

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

[31] 易 兰,李朝鹏,杨 历,等.中国7大碳交易试点发育度对比研究 [J]. 中国人口·资源与环境, 2018,28(2):134-140.

Yi L, Li Z, Yang L, Liu J. Comparative study on the development degree of China' s 7pilot carbon markets [J]. China Population, Resources and Environment, 2018,28(2):134-140.

[32] Wu D, Ma X, Zhang S. Integrating synergistic effects of air pollution control technologies: more cost-effective approach in the coal-fired sector in China [J]. Journal of Cleaner Production, 2018,199:1035– 1042.

[33] 环境保护部.关于印发《重点区域大气污染防治“十二五”规划》的通知 [EB/OL]. https://www.mee.gov.cn/gkml/hbb/bwj/201212/ t20121205_243271.htm.

China Ministry of Environmental Protection. On the issuance of the 12th five-year plan for the prevention and control of air pollution in key areas [EB/OL]. https://www.mee.gov.cn/gkml/hbb/bwj/201212/ t20121205_243271.htm.

[34] 薛 飞,周民良.中国碳交易市场规模的减排效应研究[J]. 华东经济管理, 2021,35(6):11-21.

Xue F, Zhou M. Research on the emission reduction effect of the scale of China’s carbon trading market [J]. East China Economic Management, 2021,35(6):11-21.

Study on the emission reduction effect of China's carbon trading pilot policy and regional differences.

ZENG Shi-hong1, LI Fan1,2, WENG Zhi-xiong3*, ZHONG Zhen4

(1.Department of Economics and Management, Beijing University of Technology, Beijing 100124, China；2.Department of Management, Technical University of Denmark, Lyngby 2800, Denmark；3.Circular Economy Research Institute, Beijing University of Technology, Beijing 100124, China；4.Department of Development Strategy and Regional Economic Research, Development Research Center of the State Council, Beijing 100011, China)., 2022,42(4)：1922～1933

Based on a continuous difference-in-difference model, this study evaluated the emissions reduction effect and regional variation and the mechanism of China's carbon trading pilot policies from 2004 to 2017. The results showed that the carbon trading policy could reduce the carbon intensity of the pilot areas by 9.5%, and every 1% increase in the size and activity of the carbon market brought about a 0.9% and 0.7% reduction in the carbon intensity of the pilot areas, respectively. In terms of heterogeneous impact, the carbon trading policy had a significant emission reduction effect on the east and central regions while it had no significant impact on the western areas. Further, the carbon trading policy had a significantly higher impact on carbon reduction in developed provinces than in developing provinces in China. The carbon emission reduction effect was mainly achieved by implementing influence on the enterprises participating in the market. In addition, the carbon trading policy had a synergistic pollution reduction effect, reduced sulfur dioxide emissions by 22.7% in the pilot areas. Therefore, it is necessary to accelerate the national carbon market and increase the level of carbon market activity. While it is also necessary to smooth emission reduction channels, and promote the synergistic emission reduction of carbon dioxide and other pollutants.

carbon neutral；carbon peak；carbon market；continuous difference-in-difference；synergistic emission reduction effect

X82

A

1000-6923(2022)04-1922-12

曾诗鸿(1969-),男, 四川绵阳人,教授,博士,主要从事碳金融与资源经济可持续发展研究.发表论文106篇.

2021-08-15

国家自然科学基金专项项目(72140001);国家社会科学基金青年项目(19CJY064);国家社会科学基金重大项目(21ZDA115,21ZDA044)

*责任作者, 助理研究员, wengzx564@163.com