贾智杰，温师燕，朱润清

(1.西安交通大学 经济与金融学院,陕西 西安 710061；2.厦门大学a.南洋研究院；b.中国能源政策研究院,福建 厦门 361005)

一、引言

为了应对气候变化和展现大国担当,我国承诺将力争于2030年实现碳达峰,于2060年达成碳中和。当前,我国的主要减排政策是碳排放交易机制(以下简称碳交易)。探究碳交易与全要素碳效率①本文定义的全要素碳效率参考了王慧等的做法,在传统全要素生产率的基础上考虑了碳排放作为非合意产出。详见王慧、孙慧、肖涵月:《环境政策不确定性、双向FDI与低碳全要素生产率的关系》,《中国人口·资源与环境》2020年第11期。之间的关系不仅有利于增强公众对于碳交易的理解,提高碳交易的推广进度,也有利于社会低碳发展。碳交易对生产率、绿色生产率或全要素碳效率(TFCE)的影响尚不明确,文献较少,且存在较大争议。胡玉凤等认为,碳排放权交易机制降低了企业的全要素生产率。②胡玉凤、丁友强:《碳排放权交易机制能否兼顾企业效益与绿色效率》,《中国人口·资源与环境》2020年第3期。Xiao等利用相似的方法和同样的数据却给出了相反的结论,认为碳试点显著提高了企业的全要素生产率:与非试点地区相比,试点地区的全要素生产率提高了约14%。③Xiao,J.,Li,G.,Zhu,B,et al.,“Evaluating the impact of carbon emissions trading scheme on Chinese firms'total factor productivity”,Journal of Cleaner Production,2021,306127104.类似地,Feng等和任亚运等认为碳试点提高了全要素碳效率,并存在一定的空间异质性。①Feng,Y,Wang,X,Liang,Z,et al.“Effects of emission trading system on green total factor productivity in China:Empirical evidence from a quasi-natural experiment”,Journal of Cleaner Production,2021,294126262；任亚运、傅京燕:《碳交易的减排及绿色发展效应研究》,《中国人口·资源与环境》2019年第5期。

综上,针对碳试点对全要素碳效率影响所存在的争议,本文将进一步研究,并填补机制分析的研究空白,深入挖掘其可能的作用机制和影响路径。碳试点对全要素碳效率的影响可以通过各单要素效率进行机制分析,也可以通过中介效应进行机制分析。本文将通过以上两类机制分析手段,研究碳试点是如何影响全要素碳效率的。本文在研究对象、研究设计、研究结论上都具有一定的边际贡献。具体而言,本文的创新体现在以下三点:首先,本文研究中国碳试点工作对全要素碳效率的影响,弥补现有文献的空缺。现有相关研究仅有数篇,且结论存在争议。本文旨在进一步研究碳试点工作对全要素碳效率的影响,通过单要素效率、创新和产业结构等角度,分析其影响机制。其次,本文构建了更加科学的研究设计。不少研究使用PSM-DID模型估计的时候是直接删除权重为零的样本,然后进行DID模型估计,但这样违背了PSM匹配思想的核心内容。本文使用的PSM-加权DID方法能够尽可能地减少样本选择偏误,对碳交易的影响进行精确识别。最后,我们的研究得出了新的研究结论和相关建议。资本效率和碳效率的提升是全要素碳效率提升的重要因素,但劳动效率的降低减少了TFCE的上升的空间。并且各类机制均具有显著的异质性,一线城市和直辖市在调整产业结构、激发创新、资本和技术投资方面都具有优异的条件,而普通城市受到的影响相对较小。针对这样的异质性,结合碳交易的影响因素,本研究提出了多条针对性的建议。

二、文献综述

本研究主要集中研究碳交易政策能否提高全要素碳效率,与全要素效率的测算具有重要关联。全要素生产率的测算方法包括增长核算法、索洛剩余法、非参数方法和参数方法等,而其中随机前沿分析方法(SFA)和数据包络分析(DEA)方法得到了广泛应用和不断发展。②Feng,G.,Wang,C.A.and Zhang,X.B.,“Estimation of inefficiency in stochastic frontier models:a Bayesian kernel approach”,Journal of Productivity Analysis,2019,51(1),pp.1-19.传统的DEA方法,如CCR和BCC模型等是径向效率模型③Picazo-Tadeo,A.J,Beltrán-Esteve,M.and Gómez-Limón,J.A.,“Assessing eco-efficiency with directional distance functions”,European Journal of Operational Research,2012,220(3),pp.798-809.,假定同比例减少投入或同比例增加产出,往往容易高估实际效率值,也不能分解效率值,而SBM方法是DEA中的非径向效率模型,能很好地解决上述问题。④Tone,K.,“A slacks-based measure of efficiency in data envelopment analysis”,European Journal of Operational Research,2001,130(3),pp.498-509；Tone,K.and Tsutsui,M.,“Dynamic DEA:A slacks-based measure approach”,Omega-International Journal of Management Science,2010,38(3-4),pp.145-156.早期的DEA模型虽然测度了全要素效率,却未纳入不良产出对环境的影响,其结果往往会高估“真实”生产率⑤Zhang,C.,Liu,H.,Bressers,H.T.A,et al.“Productivity growth and environmental regulations-accounting for undesirable outputs:Analysis of China's thirty provincial regions using the Malmquist-Luenberger index”,Ecological Economics,2011,70(12),pp.2369-2379.,也不能很好地表达低碳全要素生产率、环境全要素生产率或生态全要素生产率⑥Heshmati,A.,“Productivity growth,efficiency and outsourcing in manufacturing and service industries”,Journal of Economic Surveys,2003,17(1),pp.79-112.。出于对环境保护的重视,多位学者开始将废水、废气、固体废弃物等污染物对环境的不良产出纳入包含非合意产出的SBM模型。⑦Li,L.B.and Hu,J.L.,“Ecological total-factor energy efficiency of regions in China”,Energy Policy,2012,46,pp.216-224.由于碳达峰和碳中和给中国社会的生产方式带来了很大的变化,越来越多的文献开始将碳排放作为非合意产出纳入SBM模型。①Xie,R.H.,Yuan,Y.J.and Huang,J.J.,“Different Types of Environmental Regulations and Heterogeneous Influence on‘Green'Productivity:Evidence from China”,Ecological Economics,2017,132,pp.104-112.Wang,S.,Chen,G.and Han,X.,“An Analysis of the Impact of the Emissions Trading System on the Green Total Factor Productivity Based on the Spatial Difference-in-Differences Approach:The Case of China”,International Journal of Environmental Research and Public Health,2021,18(17),9040.

本研究也与碳交易政策对环境效率的影响有着重要关联。碳交易已成为全球重要的减排手段②Zhou,P.and Wen,W.,“Carbon-constrained firm decisions:From business strategies to operations modeling”,European Journal of Operational Research,2020,281(1),pp.1-15.,是迈向碳中和的重要政策工具,碳市场目前已经覆盖了全球16%的温室气体排放③资料来源:https://icapcarbonaction.com/en/?option=com-attach&task=download&id=735。。碳交易能够通过增加企业碳排放成本从而降低煤炭消耗或刺激企业进行低碳创新提高煤炭使用效率从而减少碳排放。④Zhang,W.,Li,J.,Li,G.et al.,“Emission reduction effect and carbon market efficiency of carbon emissions trading policy in China”,Energy,2020,196117117.中国碳排放试点政策自2011年起开始实施,已经覆盖了多行业、多家重点排放企业,2021年7月全国统一的碳市场开始建立。中国的碳交易遵循“总量控制-配额”原则,在设定配额的基础上进行交易,参与方可以通过出售剩余配额的方式来获取利润。⑤Gao,Y.N.,Li,M.,Xue,J.J,et al.,“Evaluation of effectiveness of China's carbon emissions trading scheme in carbon mitigation”,Energy Economics,2020,90104872.虽然学术界关于中国的碳交易机制降低了碳排放和碳强度基本达成了共识⑥Zhang,W.J.,Zhang,N.and Yu,Y.N.,“Carbon mitigation effects and potential cost savings from carbon emissions trading in China's regional industry”,Technological Forecasting and Social Change,2019,141,pp.1-11.,但关于这种减排效果是通过刺激企业进行绿色技术创新还是通过污染转移实现的并未达成共识⑦Yan,Y.X.,Zhang,X.L.,Zhang,J.H,et al.,“Emissions trading system(ETS)implementation and its collaborative governance effects on air pollution:The China story”,Energy Policy,2020,138111282.。例如,Hu等认为碳交易政策的减排是通过技术效率的提升实现的⑧Hu,Y.,Ren,S.,Wang,Y,et al.,“Can carbon emission trading scheme achieve energy conservation and emission reduction?Evidence from the industrial sector in China”,Energy Economics,2020,85104590.,而Li等则认为试点地区的碳减排效果是由于向非试点地区进行了碳转移⑨Li,X.,Wang,C.,Liao,L.,et al.“The Spillover Effect Evaluation of Chinese Emissions Trading Scheme”,Frontiers in Energy Research,2021,9677873.。那么,衡量地区、行业或企业的全要素碳效率比单纯衡量碳排放量或简单衡量碳强度更有意义。

关于碳交易对全要素生产率或全要素碳效率的研究尚不成熟,也未达成一致。Xiao等利用DID方法研究了碳排放交易机制对中国企业全要素生产率的影响,发现碳交易对高碳排放企业的全要素生产率存在显著的整体正面影响,然而对不同行业的影响不同,如对钢铁行业存在正向影响,对电力行业则存在负向影响。⑩Xiao,J.,Li,G.,Zhu,B.et al.,“Evaluating the impact of carbon emissions trading scheme on Chinese firms'total factor productivity”,Journal of Cleaner Production,2021,306127104.Wang等使用类似的方法和数据得出近似基本结论,但却认为政策效应受到提高能效和绿色创新的驱动。⑪Zhang等提出了碳交易带来绿色发展效率与区域碳平衡双重红利及其中介效应的四种假设,通过基于中国省级面板数据和工业企业数据的DID模型得出基本结论,并利用三种中介效应去探测其内部机制。⑫Zhang,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?”,Energy Economics,2021,101105412.结果表明,碳交易能够带来绿色发展效率和区域碳平衡发展的双重红利,并且在环境规制严格程度较低的省份更有效,而环境规制过于严格省份的绿色发展效率并未得到提升。因而,污染天堂假说并不是区域碳平等改善的原因。Chen和Lin使用了基于全局技术的DEA模型和合成控制法就碳交易对试点地区碳效率和能源效率的影响进行研究,发现碳交易显著提升了湖北省的碳效率和能源效率,是一个行之有效的碳中和政策。①Chen,X.and Lin,B.,“Towards carbon neutrality by implementing carbon emissions trading scheme:Policy evaluation in China”,Energy Policy,2021,157112510.

现有文献对碳交易试点政策影响的研究热点集中在对碳排放量和碳强度的影响上,对于全要素碳效率的影响评估较少,而全要素碳效率综合考虑了既定资本和劳动要素下的非合意产出(碳排放)与合意产出(GDP),能更加全面地描述整个社会的碳排放绩效。然而,关于碳交易政策对低碳绩效的影响尚存在争议,且在行业层面、省份层面存在很大的异质性。另外,关于碳交易对低碳绩效的影响机制,不仅存在中介变量上的差异,也存在方向上的差异。本研究尝试利用包含非合意产出的SBM模型构建全要素碳效率,并使用基于倾向得分匹配的加权DID模型,更准确地识别碳交易政策对全要素碳效率的影响,既能从研究角度上丰富现有文献,也能从技术方法上为后续研究提供新的思路。

三、研究设计

(一)理论框架

以当前试点城市的运行情况来看,纳入碳交易的企业以能源密集型企业为主,与2016年国家发改委关于启动碳交易通知中覆盖的行业相似,如石化、化工、建材、钢铁、有色、造纸、电力和航空等行业。这些行业通常具有如下特性:一是碳排放量大。这些行业会消费大量的化石能源,其二氧化碳碳排放约占社会总排放的75%,而GDP贡献占比不到20%。因此,对碳排放进行定价,可能会影响这些企业的生产决策和技术投入决策,促使企业通过创新降低二氧化碳排放,但对GDP的影响远低于碳排放,从而影响城市层面的碳效率②在机制分析中,本文通过GDP/CO2对碳生产率进行衡量,碳生产率表示的是单位碳排放能够带来的GDP影响。同理,本文也通过单位劳动、资本的投入能够产出的GDP衡量劳动生产率和资本生产率。,提高TFCE。二是重资产。这些重点排放行业通常具有资产属性,一些行业的自然属性决定其本身就属于资本密集型企业,例如电力行业、航空业等。因此,碳交易可能会影响这些行业的投资,提高其资本效率,进而提高城市层面的TFCE。

基于以上两点分析,结合“强波特假说”,文章提出三点假设:

假设1:碳交易政策可以通过技术创新的方式引发全要素碳效率的提高。③强波特假说的含义是:环境规制会促进企业创新,进而促进企业生产率。企业的创新和生产率可以部分反映在城市层面的创新指数和全要素生产率等指标中。

假设2:碳效率的提高是碳交易提高全要素碳效率的主要原因之一。

假设3:资本效率的提高是碳交易提高全要素碳效率的主要原因之一。

另外,根据“污染天堂”假说,由于碳交易政策可能会降低高耗能企业的竞争力,企业可能因此搬出碳试点地区,或者由于竞争劣势而降低产出,表现出来的就是第二产业占比降低,此处称之为产业结构调整。据此,引出文章的第四个假设:

假设4:碳交易政策可以通过产业结构的调整,提高全要素碳效率。

最后,由于碳交易可能会刺激企业进行低碳技术或节能减排技术创新从而降低污染物排放或提高能源效率,一定程度上会提高试点城市的全要素劳动效率；而由于碳试点城市多为经济较发达的城市,目前多个试点城市处于“经济空间聚集稳定而人口集聚的离心力强化”阶段,由人口和GDP衡量的劳动效率往往“徘徊不前”甚至下降④王金营、王晓伟:《人口集聚与经济集聚匹配对劳动生产率影响研究》,《人口学刊》2021年第6期。。由此,引出文章的第五个假设:

假设5:SBM分解的劳动效率会因为碳交易政策的实施而上升,但由人口和GDP衡量的劳动效率会因为碳交易的实施而“徘徊不前”甚至下降。①前者假定在给定的资本投入、GDP产出和碳排放产出的前提下,劳动投入冗余量(与前沿面的距离)占劳动投入的比重；后者表示的是每单位人口平均带来多少单位的GDP,没有考虑其他方面的投入和产出。二者的含义不一致。

(二)方法论

1.效率测算与SBM模型

本研究的主要目标是识别碳交易试点对全要素碳效率(TFCE)的影响,同时分析其主要影响机制。本研究采用考虑非合意产出(二氧化碳排放)的基于松弛变量的测量方法(Slack-Based Measure,简称SBM模型),再通过构建数据包络分析(Data Envelopment Analysis,简称DEA)模型进行求解。本研究定义的全要素碳效率是规划模型的目标函数,具体的规划式见下:

式(1)中,下标i为第i个投入(劳动、资本),m表示投入的个数,下标0表示当前被评估的决策单元(DMU)。xi0为投入要素为好的产出(本研究中为实际GDP)为坏的产出(本研究中为二氧化碳排放)。λ是λk的向量组合,用于构造每个DMU的前沿面。Xλ,Ygλ,Ybλ分别是投入、好产出和坏产出的生产前沿面；而和分别为投入、好产出和坏产出对应的松弛变量。公式(5)表示规划模型的假设为可变的规模报酬,而非不可变的规模报酬。本研究采用DEA模型对该规划式进行求解,前沿面的构造方法基于全局前沿生产技术。通过求解规划式,我们可以得到每一个DMU的生产效率Ø*。本研究将Ø*定义为全要素碳效率。

另外,碳市场对各单要素效率的影响也在本文的研究范围内。因此,除了TFCE以外,碳效率、劳动效率和资本效率也是本文研究目标之一。首先,通过实际GDP与碳排放、劳动投入和资本投入的比例分别定义碳效率、劳动效率和资本效率。本文将这些单要素效率称为“比例单要素效率”。这些单要素效率衡量了碳排放、劳动力或资本投入对GDP产出的实际效率,并且此种核算方法与SBM模型的测算结果不是总体与个体的关系,可用来进行中介分析。

然而,以上公式的对单要素效率的衡量可能存在偏差,因为这些效率指标并没有考虑到其他投入或产出存在带来的结构性影响。因此,根据Zhou和Ang②Zhou,P.and Ang,B.W.,“Linear programming models for measuring economy-wide energy efficiency performance”,Energy Policy,2008,36(8),pp.2911-2916.、Hu和Wang③Hu,J.,and Wang,S.,“Total-factor energy efficiency of regions in China”,Energy Policy,2006,34(17),pp.3206-3217.对全要素投入效率的定义④这几篇文章都是对全要素能源效率的定义,能源是投入要素之一,因此,我们利用同样的原理推导出其余投入和产出要素的全要素效率。,我们使用如下公式来定义TFCE分解后的效率:

其中,TFEi表示第i个投入或产出要素的全要素效率(Total factor efficiency),表示第i个要素的目标投入或产出(Target factor input/output),FSi表示第i个要素的实际投入(Actual factor input/output),AFi表示第i个要素的松弛变量值(factor slacks)。

利用上述公式,可得到碳效率(CE)、劳动效率(LE)和资本效率(KE):

其中,S-CO2i、S-Labori和S-capitali分别表示第个决策单元的碳排放、劳动投入和资本投入的松弛变量。CO2i、Labori和Capitali分别表示第个决策单元的碳排放、劳动投入和资本投入。本研究将这三个基于SBM模型分解得到的单要素效率称为“SBM单要素效率”。

2.创造随机实验条件与PSM方法

我国碳试点主要集中在发达地区:所有的一线城市和直辖市,广东省和湖北省。碳试点工作范围较为集中,严格意义上并不符合随机实验的条件。研究进行了基本的事前统计,发现无论是在人均GDP,还是在生产率上,试点地区的值均优于非试点地区。因此,碳试点的选择不能被视为是随机的,不能够直接运用准自然实验的研究方法,例如双重差分(DID)模型。

为了创造随机实验的条件,我们考虑引入倾向得分匹配(PSM)方法。由于PSM方法只能对截面数据进行匹配,综合考虑到数据时间过早不具有代表性和截面数据不能体现城市的一般特性,本研究对2008—2010年三年的数据进行三次截面匹配,然后将三次得到的权重进行线性相加获得匹配完成的权重。本研究采用核匹配的方法对所有的数据进行匹配。

从得到的匹配权重中可以发现:在实验组中,发展水平较低的城市获得了更高的权重,而在对照组中,发展水平较高的城市获得了更高的权重。这是因为,我国的碳试点包含了大部分发展水平高的城市,而非碳试点地区则多为发展中城市。为了保证整个实验的“随机性”,匹配方法会对两组个体的相似个体进行匹配,赋予更高的权重。本研究采用核匹配的方法对各样本进行匹配。鉴于文章篇幅,本研究不再对匹配结果进行解读。

3.准自然实验与加权DID模型

匹配好样本后,我们可以近似认为实验组和对照组的样本大致是随机分配的,故可以使用基于准自然实验的模型。在本文的研究中,需要确定碳交易试点对全要素碳效率的影响,鉴于数据的可得性,本研究的数据为2002—2017年264个城市的共计4123个观测值的非平衡面板数据。构造以下等式:

其中,D-ETSit是碳试点的虚拟变量。xk是协变量(或称控制变量)。ui表示个体固定效应,υt表示时间固定效应。由于样本是匹配完毕的,并且考虑了协变量,对数据进行分层控制,因此ETS的估计量γ基本上是干净的。由于年份跨度较大,且城市间差异较大,残差项可能出现异方差的问题,为了应对这一问题,本研究所有的结果和P值的计算将汇报稳健的标准误。

另外,每个个体由于禀赋不同,被匹配的次数(权重)不同,因此,在回归分析中,也应当对匹配的权重进行考量。一般而言,实验组(对照组)中权重越大的个体,与对照组(实验组)的个体相似度越高,因为其被对照组(实验组)个体匹配的次数越多。由此可见,加权的估计方法更加符合匹配的思维和样本随机性的条件,因此,本研究考虑使用加权DID模型,对碳试点的影响进行估计。

4.选择加权DID的原因

PSM-加权DID模型能够更干净地识别因果效应,因而可以更好地估计处理效应。DID模型的前提条件是需要满足自然实验或准自然实验的基本假设,也就是实验组和控制组的选择完全随机,而不仅仅是满足平行趋势假设。由于碳试点城市的选择实际上是基于多方面因素的考量,并不完全随机,因而存在“选择偏差”:扰动项可能与主要自变量之间存在相关性,导致实验组和控制组之间的主要变量不平衡。因此,基于可观测变量对实验组和控制组进行匹配很有必要。

匹配估计的基本思路是,对于实验组(控制组)的某个个体i,找到属于控制组(实验组)的某个个体j,使得个体j与个体i的可观测变量(协变量)尽可能相似(匹配)。以“一对一”近邻匹配为例,先假设基于实验组A和处理组B生成空的新组“A*”和“B*”。遍历实验组A中的每个个体,根据可观测变量的相似(匹配)程度,从控制组B中选出其最佳匹配个体,并将每个最佳匹配的控制组B的个体分配至B*。完成后,相应的匹配结果会体现在PSM结果的权重中。当权重为0,代表该个体并没有被对应组匹配上一次,如果权重为N,代表该个体被对应组匹配上N次。

如果按照一般的PSM-DID做法,即在匹配后仅保留观测值在共同取值范围内(on support)的样本,那么实验组内所有个体的总权重与控制组内所有个体的总权重有如下关系:

其中,ΣtreatWeighttreat和ΣcontrolWeightcontrol分别是实验组和对照组的总权重,Ntreat和Ncontrol分别是实验组和控制组的个体数量。

类似地,进行K近邻匹配后,能得到如下关系:

式(13)(14)表达了每个控制组的个体可能会匹配处理组中的K个个体,反之亦然。

需要注意的是,匹配后的新组中的样本与旧组存在很大的差别:一些个体由于可观测变量与另一组的差异较大,未能成功匹配,从而得到了0权重,而另一些个体由于与多个个体的可观测变量相似度较高而被匹配了多次。一般而言,实验组(对照组)中权重越大的个体,与对照组(实验组)的个体相似度越高,因为其被对照组(实验组)个体匹配的次数越多。而这样的匹配次数的信息都留存在了权重上,加权的估计方法更加符合匹配的思维和样本随机性的条件。因此本研究使用加权DID模型①如果仅仅是“一对K”近邻匹配,可以使用频数加权法或分析权重法；如果是其他匹配方式,例如核匹配,只能使用后者。,因为只有使用加权DID模型将匹配后的信息反映在回归模型中,才能保证实验组和控制组选择的随机性,以便干净地识别处理效应。

四、数据来源

本研究主要探索碳交易试点对全要素碳效率的影响及其机制,因变量主要选取基于SBM方法计算的全要素碳效率(TFCE)及其分解的单要素效率,同时包括基于宏观数据计算的的单要素效率,包括劳动效率(Lab-E、LE)、资本效率(Cap-E、KE)和碳效率(CO2-E、CE)。其中,劳动要素的数据以城市就业人员数量衡量、资本要素的数据以基于永续盘存法的真实资本存量衡量,为了消除价格变动带来的影响,GDP采用以1978年为基年的真实GDP。以上数据均来自CEIC数据库,并与中国城市统计年鉴数据进行了比对核验。

本研究的核心自变量为碳交易试点(D-ETS),可以理解为年份虚拟变量postt和个体虚拟变量的交乘项。碳交易试点年份设定为2011年,在此之前的年份虚拟变量取值为0,在此及之后的年份虚拟变量取值为1。碳交易试点地区为北京市、天津市、上海市、深圳市、重庆市、广东省(除深圳市)及湖北省,这些地区的个体虚拟变量设定为1,其余地区则设定为0。另外,由于福建省于2016年发布了福建省碳交易管理办法,且在2017年正式开始交易,我们以管理办法(2016年)为基准,将福建省也纳入碳交易试点的虚拟变量中。此外,为了研究ETS对TFCE影响的异质性,本研究细化了个体虚拟变量的分类,将交易试点中涉及的一线城市(北京市、上海市、广州市和深圳市)和直辖市(天津市、重庆市)划分为一线直辖市(Ddeveloped),其余地区则纳入普通型城市(Ddeveloping)。

本研究不以碳排放权正式交易的时间点划分碳交易机制开始时间,主要考虑了碳交易政策可能存在的公告效应(Announcement Effect),以及监测-报告-核查体系(Monitoring,Reporting,and Verification,简称MRV)的建立早于碳交易正式开始。公告效应是指政策公告后,对公众所产生的一种政策方向“预告性”作用,而这种预告性作用会使得企业提前做好准备,以便在未来的竞争中获得优势。而公告效应可能在充满不确定性和获利可能性的碳市场中更加显著。另外,MRV一定发生在正式交易之前,因为碳排放监测设备、通讯设备等资本投资和人员培训等工作,都发生在碳交易之前,而这些政府和市场的行为本身就会带来影响,这些影响应当也属于碳交易的带来的影响。因此,为了吸收这部分由于碳市场建设的公告带来的影响和MRV的影响,我们选择了2011年(除福建外)和2016年(福建省)作为处理组的时间节点。

为了防止遗漏变量带来的内生性问题,提高模型的准确性,本研究还选取了一定数量的控制变量,这些变量能一定程度上影响全要素碳效率,主要包括对外开放度(lnrFDIpC)、资源配置情况(runemp)、教育支出水平(lnrfiscaledupG)、科技支出水平(lnrfiscalscipG)和产业结构(gdp2ndp)。具体而言,对外开放度主要使用真实外商直接投资使用率来衡量；资源配置情况为人力资源配置效率,本研究使用了一个逆向指标,即失业人数占总人数的比重；教育支出水平和科技支出水平则分别使用政府财政支出中的教育支出和科技支出来衡量；产业结构主要使用第二产业占GDP的比重来衡量。以上数据均来自CEIC数据库,并与中国城市统计年鉴数据进行了比对核验。

为了衡量碳试点对全要素碳效率的内部影响机制,本文还进行了中介效应研究,主要的中介变量是创新指数(Innovation)和产业结构(gdp2ndp),以探究碳试点是否通过刺激创新或优化产业结构来影响全要素碳效率。创新指数来源为复旦大学和第一财经研究院合作的《中国城市和产业创新力报告2017》,该报告计算了2001—2016年中国城市层面的创新指数。产业结构依然使用二产占比来衡量。限于篇幅,不再展示描述性统计表,如有需要向作者索取。

五、基本结果

本文首先利用事件分析法对平行趋势假设进行检验(见图1),通过该假设是PSM-DID模型有效性的必要条件。结果显示,在碳交易试点工作开展以前,(匹配后的)实验组和对照组的TFCE不存在显著差异,但是在碳试点工作展开后,试点地区的TFCE相对高于非试点地区的TFCE,且影响趋势似乎有先高后低的趋势。根据2011年之前的平行趋势结果,我们基本可以认定匹配后的样本通过了平行趋势检验。

研究首先通过加权的双向固定效应模型研究了碳试点对碳效率、劳动效率、资本效率和全要素碳效率的影响(见表1)。研究发现,碳试点显著提高了SBM资本效率、比例碳效率、比例资本效率,降低了比例劳动效率,而对于SBM碳效率和SBM劳动效率不存在显著影响；在总体的层面上对TFCE有显著的正向影响,且在5%水平上显著。假说2在单要素层面成立,假说3在SBM资本效率和比例资本效率层面上都成立。

表1 加权双向固定效应模型基本结果

资本效率提高的主要原因可能是碳试点促进了高效资本的投资与使用。新的机械和厂房的效率、节能性通常要高于老的机械与厂房。而碳效率的提升表明碳试点政策确实取得了一定的减排成效和环境成效。值得注意的是SBM劳动资本提升了0.0322个单位,而比例劳动效率却小幅度下降0.00806个单位。SBM劳动效率的提升可能是由于碳试点导致节能降耗技术提升,单位劳动投入能够在既定资本投入情况下生产更多的产品,从而提升了SBM劳动效率；而比例劳动效率的下降可能是由于试点城市经济发展较为成熟,“经济空间聚集稳定”,人口流入吸引力减弱,劳动对其他要素的替代能力减弱。假说5得证。针对全要素碳效率的变化,研究认为在碳市场内部可能存在较强的异质性,因此需要进一步研究。

由于碳试点城市包括了所有的一线城市和直辖市,这些城市的吸引力、要素禀赋、财政渠道都不同于普通城市,因此,其受到的影响可能也不同于普通的城市。研究设置了所有的一线城市和直辖市(北京、天津、上海、深圳、广州、重庆,简称一线直辖市)碳试点的虚拟变量,同其他普通城市碳试点的虚拟变量一同进行估计(见表2)。结果表明,碳试点提高了一线直辖市的TFCE,而对普通城市影响程度不大。该结果证实了碳试点政策确实在城市间存在较强异质性。从SBM投入产出效率和单要素效率来看,SBM劳动效率仅在一线直辖市得到了显著提升,SBM资本效率则在普通城市得到了显著提升。比例碳效率虽然在两类城市中都得到了提升,但一线直辖市的提升幅度远高于普通城市；而比例资本效率仅在一线直辖市得到了显著提升；两类城市的比例劳动效率下降幅度基本持平,除了劳动要素的替代程度下降等原因以外,还可能由于碳试点带来了额外的就业机会,增加了员工雇佣数量,但这部分员工不直接服务于企业生产,而是碳资产管理员、碳市场交易员或节能减排技术人员。因此,这部分劳动人员的加入,使得试点城市的劳动效率在一定程度上下降,但能够促进碳排放效率的提高。

表2 异质性分析

基于异质性,研究进一步估计了碳试点的动态效应(见图2)。图2中实线为一线直辖市碳试点对TFCE的估计系数及标准误,虚线为普通城市。研究发现碳试点对一线直辖市TFCE的正面影响逐年增大,而对普通城市TFCE的影响仅在前两期显著,之后持续不显著。结论进一步证实了碳交易对不同城市产生的异质性,且异质性随着时间的推移逐渐增大。

图2 碳试点对TFCE的异质动态效应

六、机制分析

(一)创新与产业结构的中介效应

碳试点在一定程度上算是环境规制的政策之一。为了验证碳试点对全要素碳效率的影响机制,本研究进一步考虑了碳试点的中介效应。根据“强波特假说”,环境规制会引发技术创新,进而提高企业的生产率。①Heshmati,A.,“Productivity growth,efficiency and outsourcing in manufacturing and service industries”,Journal of Economic Surveys,2003,17(1),pp.79-112.企业的技术创新和生产率提高一定程度上会体现在城市层面创新指标和全要素碳效率的提高上。因此,本研究应该首先考虑创新可能引起的中介效应。另外,鉴于前文验证了异质性的存在,中介效应的异质性也应同时纳入考量。

表3表示的是中介效应模型的回归结果。

表3 城市创新能力的中介效应

从理论层面来看,碳排放权交易还会给试点地区的高耗能企业带来减排和成本的压力。部分产业转移机会成本较低的企业或许会将厂房搬迁至非试点地区,形成了“污染天堂”效应。通常,大部分高耗能产业集中在第二产业,高耗能产业的碳排放往往较高,同时投入大,产值较小。因此,第二产业尤其是高耗能产业的占比可能会影响TFCE。近年来,我国各地因为环保政策和经济政策的不同,发生了不同程度的产业转移。

研究同时也想探究是否存在由于碳试点导致的产业转移,因此,本研究以第二产业产值占比作为中介变量,中介效应模型的估计结果见表4。研究发现,碳试点能够显著降低一线直辖市的二产占比,进而提高TFCE,整个中介效应过程是显著的,占总效应的6.8%。而对于普通型城市而言,碳试点并没有提高第二产业的占比。本文的假设4在一线直辖市中得以证实。

表4 产业结构的中介效应

关于碳试点对两类不同城市影响的异质性,研究认为可能是各城市属性及其周边城市的属性导致的。一线直辖市地处城市群重心,产业转移甚至是产业链转移更加方便,尤其是处在京津冀、长三角、珠三角的一线城市和直辖市。因此,在碳试点开展的条件下,这些城市具有更便捷的产业转移通道,从而提高了TFCE。而普通城市还处在不同时期的工业发展阶段(湖北或非广州深圳的其他城市),碳交易并不能够显著降低二产占比,相反地,可能有一定程度的提高。

(二)单要素效率的贡献度

为了进一步剖析全要素碳效率变化的原因,我们仍通过中介效应模型,以各类单要素效率为通道①由于SBM碳效率、SBM资本效率和SBM劳动效率都属于全要素碳效率的分解成分,因此,这三个要素效率不适合用作通道,而使用算法不同的比例单要素效率更加妥当。,分析各单要素效率对TFCE的贡献度。为了方便读者理解以及节省版面,我们只展示计算结果。结果显示:一线直辖市碳效率的提高是全要素碳效率提高的主要动力(见图3),其贡献度达到了85.4%；而普通型城市的碳效率的提高也显著促进了TFCE,然而由于其促进作用较小,导致总效应不显著。但总的来说,假设2进一步得到满足。劳动效率的降低一定程度上抑制了碳交易对一线直辖市和普通型城市全要素碳效率的提高,对于一线直辖市而言,贡献度为-19.5%(图4中的中介效应部分),而在普通城市中,文章也发现了劳动效率降低TFCE的证据,假设5得到进一步验证。碳试点也会通过资本效率的渠道提高一线直辖市的TFCE(见图5),其贡献度为54.2%。在一线城市和直辖市上,假设3得到证实。总体而言,碳效率的贡献度大于资本效率大于劳动效率,且一线直辖市和普通型城市具有显著的异质性。

图3 碳效率对全要素碳效率的贡献度

图4 劳动效率对全要素碳效率的贡献度

图5 资本效率对全要素碳效率的贡献度

这一结果说明,碳试点在节能减排上的作用是显著的:碳试点显著提高了试点地区的碳效率,尤其是对一线城市和直辖市,碳效率的上升显著提高了全要素碳效率。而劳动效率具有负面的中介效应,可能由于碳试点带来了额外的就业机会,增加了员工雇佣数量,但这部分员工不直接服务于企业生产,而是碳资产管理员、碳市场交易员或节能减排技术人员。碳试点会显著提高一线直辖市的资本效率,进而提高TFCE,但该路径在普通型城市中并不存在。可能的原因是发达地区的城市在碳约束下更具有运用新资本、新技术或产业转移的可能,而发展中地区的城市欠缺这些条件。

七、稳健性检验

为了验证结果的稳健性,我们考虑了三类稳健性检验。①限于篇幅,本文不再列出稳健性具体结果,如有需要,可向第一作者索取。第一,时间窗口的变化。时间窗口的不同可能会导致不同的结果,因此,我们考虑将原时间窗口(2002—2017年)去掉头2年(2004—2017年)、尾2年(2002—2015年)或头尾各2年(2004—2015年),以此验证结论的稳健性。第二,改变核心变量。本研究设置的碳交易试点的核心变量是以碳交易试点正式文件的签署(2011年)为基准的,但各碳试点从2013—2014年陆续进行正式交易。因此,本研究重新设置了虚拟变量,以交易发生年为时间节点,设定碳试点的虚拟变量。第三,逐步回归法。控制变量的添加和删除一定程度上会影响结论,本研究通过逐步回归法,将控制变量从无到有逐项添加进模型体系内,以验证模型的稳健性。多项稳健性结果表明,本研究得出的结论具有较强的稳健性。

八、结论与政策建议

本研究通过SBM模型构建了城市级的全要素碳效率指标,利用PSM-DID模型分析了我国碳排放权交易试点对全要素碳效率以及各单要素效率的影响；并针对其中的异质性,进行了机制分析；最后,提供了稳健性检验。具体结论如下:

碳交易试点总体而言是有效的。碳试点工作显著地提高了各试点城市的碳效率(表2),尤其是对一线城市和直辖市。试点对工作湖北、广东和福建普通城市的碳效率也有显著的促进作用(0.115),但其促进作用远低于一线城市和直辖市(0.842)。由于存在碳成本,企业可能倾向于使用绿色技术和绿色工艺,以应对碳市场带来的碳压力。另外,一线城市和直辖市在应对碳约束的条件下,可能具有更多的选择空间。通过对单要素效率的贡献度分析(图3、图4和图5),本研究认为,碳试点对全要素碳效率的提高主要来自于碳效率的上升,但劳动效率带来了负向的影响,而资本效率具有显著的异质性。来自碳效率和资本效率的异质性使得一线城市和直辖市的获益更大。

碳交易试点刺激了低碳发展的相关需求。本文认为,碳试点刺激了从事非直接生产的劳动雇佣需求,例如碳资产管理员、碳市场交易员或节能减排技术人员。这一点可以从碳交易试点降低了劳动效率、提高了碳效率中得到验证(表2)。因为这些工种需要投入劳动力,却不会直接产出价值,所以降低了统计意义上的劳动效率,但会支持降低碳排放,提高碳效率。

一线城市与直辖市在碳试点中具有更大的选择空间,因此受到正面影响更大,使得碳试点对这些城市的全要素碳效率有显著的提高作用,且正面影响在不断扩大(图2)。具体而言,研究识别了碳试点对全要素碳效率的两项可能机制。一项是创新,碳试点显著刺激了一线城市与直辖市的技术创新,而技术创新提高了全要素碳效率,创新中介效应占总效应的84.1%(表3)。另一项是产业转移,碳试点显著刺激了一线城市与直辖市的第二产业向外转出。第二产业一般投入较大,排放较多,会负向影响全要素碳效率。因此这些发达城市全要素碳效率的提高部分来自于产业转移,占总效应的6.8%(表4)。

普通型城市在碳交易试点的情况下,表现出了较大的应对压力。首先,碳市场对其创新造成了一定的挤出效应(表3),对全要素碳效率产生了负向影响。其次,这些城市中有相当一部分仍旧处在工业化阶段,二产占比并没有因为碳交易的到来而降低,反而可能承接了一些来自发达城市的产业而上升。因此,综合来看碳试点对普通城市全要素碳效率的影响远小于一线直辖市。

基于研究结论,本文提出了三条政策建议,具体如下:

第一,尽快建立完善的碳交易机制以应对碳中和带来的挑战。本研究认为,碳市场总体是有效的(表1和表2),尤其针对碳效率而言,因此,在2030年碳达峰和2060年碳中和目标的约束下,尽快健全碳市场是降低碳排放的有效手段。由于普通城市的监测、报告、核查的成本较高,如何将全国的高耗能企业纳入碳交易平台,仍旧是一个亟待解决的难点。但碳约束的到来,让碳市场覆盖行业的扩张变得势在必行。

第二,促进企业培训碳市场相关人才,提高碳市场信息透明度与可得性。本研究认为,碳市场一定程度上降低了劳动效率(表1和表2)。主要原因是企业将部分人力资源分配到了不直接生产的岗位上,包括碳资产管理、低碳技术研发等。因此,短期来看,劳动生产效率可能会有所降低。研究建议:在碳市场到来的初期,促进各地企业培训碳市场相关人才,能够适度缓解劳动效率的降低；同时,提高碳市场信息的透明度与可得性,降低企业参与碳市场的阻力,提高参与碳市场的积极性。

第三,扩大低碳技术与管理手段的推广与应用。本研究发现,碳交易对碳效率和资本效率的影响具有很强的异质性(表2)。一线城市与直辖市相比于普通城市,具备更强的技术储备、调整产业结构的能力,因此,这些城市在碳市场中得到的益处也远大于普通城市(表3和表4)。在保证碳市场效率的前提下,如何提高碳市场的公平性是一个重要的议题。本研究认为,一线城市与直辖市在碳市场中的获益大部分来自于技术创新,小部分来自于产业转移。我们无法直接对产业转移进行更多的限制,但可以通过技术溢出的方式,帮助普通城市应对碳约束的压力。具体而言,政府可以加速发达地区的低碳技术在全国的推广与应用,也可将碳资产管理手段、人才向发展中地区输送等。