低碳城市试点效果实证分析

褚国栋+高志英

[提要] 2010年7月，国家发改委确立在广东、湖北等五省八市开展低碳试点工作。六年来，试点省市根据自身的具体情况开展大量工作，然而对试点效果的研究却较少，本文力图运用双重差分模型对其效果进行分析。实证结果表明：相比未进行试点省份，低碳试点省份显著地减少二氧化碳的排放，试点期2010～2014年间的二氧化碳平均减排效应为-6.84%。在时间序列上，试点各省的二氧化碳减排效应在2011年、2012年、2013年和2014年分别为-6.00%、-7.66%、-7.61%和-9.81%，减碳效果有逐渐增强的趋势。在影响碳排放诸多因素中，人均GDP、能源强度、人口规模和能源结构每上升1%，会导致能源消费二氧化碳排放量上升约1.04%、1.04%、0.95%、0.48%。

关键词：低碳城市；低碳试点；双重差分法

中图分类号：F29 文献标识码：A

引言

2009年12月，中国政府在哥本哈根世界气候大会上郑重承诺，到2020年单位国内生产总值二氧化碳排放比2005年下降40%～45%。为了应对全球气候变化，国家发改委于2010年7月发布了《关于开展低碳省区和低碳城市试点工作的通知》，将广东、辽宁、湖北、陕西、云南五省和天津、重庆、深圳、厦门、杭州、南昌、贵阳、保定八市确定为低碳试点省市，试图通过低碳城市建设，实现城市的清洁发展、高效发展、低碳发展，从而实现减排目标。六年来，各省市根据自身的具体情况先后提出了低碳试点工作的实施方案，在产业结构和能源结构、低碳交通、低碳建筑、低碳生活和低碳消费以及碳汇能力建设等方面进行了积极探索。在产业转型升级方面，淘汰了电力、钢铁、化工、水泥、印染等行业的落后产能，建立了高耗能落后机电产品和设备的登记、淘汰退出制度；支持信息、新材料、节能环保、服务业等产业的发展。在能源结构方面，优化火电，更新改造了低效燃煤锅炉，推广低耗能低污染燃烧等技术的运用；积极推动清洁能源的发展，使水电、核电、风电、太阳能、光伏发电在整体能源中的比重上升。在碳汇能力建设方面，积极培育森林资源，增加森林碳汇；开发运用二氧化碳捕集、利用与封存技术。在低碳交通等方面，倡导低碳绿色生活方式和消费模式；积极发展轨道交通等快速交通系统和由自行车和步行构成的慢性交通体系，推广应用新能源汽车；编制低碳建筑标准，推广应用新型节能建材。

总之，低碳试点省市做了大量工作，但是对试点效果的研究却较少。在为数有限的几篇文献中，丁丁、蔡蒙、付琳等通过建立碳排放相关指标、经济社会指标、碳排放目标三大类10个指标，对36个低碳试点城市的低碳发展现状和趋势进行了分析；戴嵘、曹建华运用双重差分模型对中国首次低碳试点城市的减碳效果进行了评价。在有关低碳城市的评价方面，学术界的较多研究都集中在构建指标体系，并以此进行综合评价分析上。比如，辛玲从经济、基础设施、生活方式、低碳技术、低碳制度和生态环境六个方面来构建低碳城市评价指标体系；付允等综合经济、环境和生活三个方面，使用23项具体指标，构建了评价城市低碳水平的指标体系。指标体系评价法具有涉及面广、考虑全面、时空可比等优点，但也存在着评价指标权重的确定具有较大的主观性，过多的定性指标影响评价的准确性和科学性的缺点。而以单一的以二氧化碳排放绝对量为基础的低碳城市评价方法，如胡初枝等人对1985～2000年各行业的碳排放量和二氧化碳排放总量进行了测算，没有显示经济发展、技术水平、人口规模等与碳排放之间的内在联系和低碳城市建设对碳排放减少所起到的作用。虽然戴嵘、曹建华曾运用双重差分模型对低碳试点城市的减碳效果进行过较深入的分析，但由于考察的时间较短，引入的控制变量较少，使评价结果的客观性受到一定程度的影响。为此，本文在测算各省市的能源消费二氧化碳排放量的基础上，在更长的时间范围内，综合了影响二氧化碳排放的各种因素，采用双重差分法，对我国第一批低碳试点省、市的二氧化碳减排效果进行实证分析。

一、模型构建

（一）基本双重差分模型。双重差分法是在公共政策评价或项目实施效果研究中广泛使用的方法。它区分政策实施组和对照组（政策未实施组），通过实施组在政策实施前后的纵向对比，实施组与对照组的横向对比，在进一步加入控制变量的基礎上，分离出该政策效果的真实评价或净效应。本文利用双重差分模型的基本思路是，将实施低碳试点的省市，广东、湖北等五省以及天津、重庆两个直辖市作为实施组，其余省份作为对照组（其中，因北京市、上海市和海南省被包括在2012年底施行的第二批低碳试点城市，故排除），考察试点省市在试点前后的二氧化碳排放，以及试点与非试点省市的二氧化碳排放差异的净效应。由于该试点工作从2010年7月施行，故选取2003～2009年为非试点期，2010～2014年为试点期。基本双重差分模型为：

其中，我们以LEMISit作为被解释变量，表示各省在各年份能源消费的二氧化碳排放量的对数，i表示我国境内除西藏、北京、上海和海南外的27个省（下文统一用省表示省、自治区和直辖市），t表示样本期2003～2014的任一年。YEARt为时间虚拟变量，在试点期2010～2014年任一年取值为1，非试点期取值为0。TREATi为地区虚拟变量，当i为试点省时取值为1，非试点省时取值为0。3表示模型双重差分的结果，即低碳试点省市减少二氧化碳的净效应，是本文的讨论重点。然而在模型估计中，试点省份不是随机选择的，模型存在着较大的变异性问题，仅纳入虚拟变量TREAT、YEAR及其交互项TREAT·YEAR是远远不够的，往往需要加入其他可能影响被解释变量的因素。

（二）纳入控制变量的双重差分模型。在有关二氧化碳排放的影响因素研究中，Kaya恒等式明确表达了人口数、人均GDP、能源强度和能源碳强度（单位能源消费碳排放）是二氧化碳排放的主要驱动因素。林伯强等曾用城市化率直接代替Kaya恒等式中的人口数，得出了中国城市化阶段的碳排放影响因素的显著水平顺序，由大到小依次为人均GDP、能源强度、能源消费碳强度和城市化水平。杨骞等认为能源强度、能源结构、人均GDP、产业结构是造成碳排放水平差异的重要原因。李国志等则认为人口对二氧化碳排放的影响具有双向性，经济增长对碳排放具有较强的促进作用，而技术进步则在一定程度上缓解二氧化碳排放。郑义等认为技术效应是能源强度下降的主要原因。endprint

综合学术界的研究，以及结合我国煤炭资源比较丰富，煤炭类能源一直在能源消费中占主导地位的特征，本文将人均GDP、人口数量、能源强度、煤炭类能源占能源消费的比例、产业结构纳入模型之中。其中人均GDP、人口数量、能源强度采用对数形式，构建双重差分模型为：

其中，LAGDPit表示各省各年份的人均GDP（单位：万元）的对数，LPOPUit表示各省各年份的人口数量（单位：万人）的对数，LENERit表示各省各年份能源强度（单位：吨标准煤/万元）的对数，RCOALit表示各省各年份的煤炭类能源在能源消费中所占比率（单位：%），RINDUit表示各省各年份的第二产业产值占地区生产总值比例（单位：%）。为进一步讨论该试点项目在每一年的试点效果，我们将YEARt设为向量，包括试点期的Y10、Y11、Y12、Y13和Y14年，并分别在2010年、2011年、2012年、2013年和2014年取值为1，其余时间取值为0。

二、数据来源

本文研究的样本包括2003～2014年全国境内27个省的省级数据（不包括西藏、北京、上海和海南）。各类数据主要来源于2003～2014年《中国统计年鉴》，2003～2014《中国能源统计年鉴》及其附录和《2006年IPCC国家温室气体清单指南》。

本文根据IPCC的计算公式，结合各省的能源消费情况，选取原煤、焦炭、原油等8种主要能源，对2003～2014年27个省的二氧化碳排放量进行了计算。计算公式为：

其中：EMIS为二氧化碳排放量（单位：万吨）；i为能源类型，E为各类能源的消费量，各能源消费量均折算成标准煤；C为各类能源二氧化碳排放系数，数据来源于IPCC《国家温室气体清单指南2006》；V为各类能源的平均低位热值，数据来源于2006年《中国能源统计年鉴》附录。

三、实证结果分析

（一）描述性统计分析。图1描述了试点和非试点省份在2003～2014年间的平均二氧化碳排放量的变化。在2003～2010年期间，试点和非试点省份的二氧化碳排放量都呈现明显上升趋势；在2011～2014年期间，试点省份平均二氧化碳排放量的增幅有降低趋势，2013年增幅为负，2014年向上波动的幅度较小；非试点省份的减排量也具有大致一致的规律，但在试点期的2010～2014年，平均二氧化碳排放量的增幅明显大于试点省份。进一步从试点与非试点省份二氧化碳排放量的差值看，试点省份在试点期间减排效果明显。（图1）

（二）双重差分法回归结果。本文运用Eviews7.2对面板数据模型进行估计，先利用Hausman检验判定模型形式，由于p值显示为0.39，即使在10%的显著性水平下都不能拒绝“随机影响模型中个体影响与解释变量不相关”的原假设，因此采取随机效应模型进行估计。

表1报告了城市低碳试点对二氧化碳的减排效应。模型1为基本双重差分模型，模型3在模型1的基础上引入了包括人均GDP、能源强度、人口数量、能源结构和产业结构等重要控制变量，而模型2和模型4则是将模型1和模型3的YEAR作为向量，分别考察每一年的情况。YEAR和TREAT的交互项度量了城市低碳试点对二氧化碳的减排效应。（表1）

在未纳入控制变量时，TREAT·YEAR及其向量形式都不显著，纳入人均GDP、能源强度、人口数和能源结构等控制变量后，模型1和模型2解释系数分别由0.58和0.59增加为0.95和0.95，表明纳入控制变量的模型更合理。此时，TREAT·YEAR系数为-0.0684且显著，表示试点省二氧化碳的平均减排效应为6.84%，此次城市低碳试点起到了减少二氧化碳排放量的作用。具体到每一年的二氧化碳减排效应不显著，可能是因为试点工作在2010年下半年才开始，各项工作还处于前期的筹划准备阶段。而TREAT·Y11、TREAT·Y12、TREAT·Y13和TREAT·Y14均显著，且显示每年二氧化碳减排效应分别为-6.00%、-7.66%、-7.61%、-9.81%，總体上呈现出逐年增加的趋势。其原因可能是随着试点工作的逐步展开，各项支持低碳发展的配套措施日臻完整和完善，各省逐渐加快了对传统高耗能产业的升级改造，新能源产业、低碳交通、低碳建筑得到发展的结果。

模型纳入的五个重要控制变量中，LAGDP、LENER、LPOPU和RCOAL显著，RINDU不显著。其中人均GDP对数、能源强度对数、人口规模对数系数较大，分别为1.0385，1.0399和0.9535。在其他条件不变时，人均GDP、能源强度、人口规模每增加1%，分别会导致能源消费二氧化碳排放量增加约1.04%、1.04%、0.95%。由此可得，经济增长、人口增长对二氧化碳减排极为不利，而能源强度下降则会起到抑制二氧化碳排放的作用。能源结构RCOAL的变动对二氧化碳排放也具有显著影响，能源结构即煤炭类能源在能源消费中所占的比率每上升1%，二氧化碳排放量上升0.48%。至于产业结构RINDU，对二氧化碳排放没有显著影响。

（三）平行趋势假设检验。双重差分估计的前提是平行趋势假设是否成立。所谓平行趋势假设就是实施组和对照组在政策实施前后因变量的增长率保持一致，只有这样，才能根据对照组在政策实施之后的值推算实施组在无政策影响的情况，从而相减得到平均处理效应。借鉴付明卫等的做法，使用政策实施前2003～2009年的数据检验平行趋势假设是否成立。设定模型如下：

其中，t为2003～2009年中任一年，TRENDt在t为2003年、2004年、2005年、2006年、2007年、2008年和2009年时分别取值1、2、3、4、5、6和7。其他变量定义如前文。（表2）

表2报告了平行趋势假设检验结果。其中，TREAT·TREND交互项不显著，说明平行趋势假设在2003～2009年成立，由此，我们可以认为平行趋势假设在2003～2014年不成立的可能性很小，由此认为模型估计是稳健的。endprint

四、结论

我国2010年7月实行的低碳城市试点，对于二氧化碳減排起到了积极作用。试点省的平均二氧化碳排放自试点之后，其增幅呈现出下降趋势，并明显低于非试点省份。以首批低碳试点省份作为实施组，其余省份作为对照组，运用双重差分模型进行的实证检验同样表明：试点各省的二氧化碳减排效应显著，其减排效应在2011年、2012年、2013年和2014年分别为-6.00%、-7.66%、-7.61%和-9.81%，减排效果有逐渐增强的趋势。在影响碳排放的诸多因素中，人均GDP、能源强度、人口规模和能源结构每上升1%，会导致二氧化碳排放量上升约1.04%、1.04%、0.95%、0.48%。经济增长、人口增加对二氧化碳减排极为不利，而能源强度下降、能源结构改变则会起到抑制二氧化碳排放的作用。

低碳试点工作虽然取得了显著效果，但是二氧化碳的减排压力仍然很大。虽然限制经济增长、人口增加能够降低二氧化碳排放，但这显然不可行。降低能源强度、改变能源结构依然是低碳城市建设的重要手段。

主要参考文献：

[1]丁丁，蔡蒙，付琳等.基于指标体系的低碳试点城市评价[J].中国人口·资源与环境，2015.25.10.

[2]戴嵘，曹建华.中国首次低碳试点政策的减碳效果评价——基于五省八市的DID估计[J].科技管理研究，2015.12.

[3]辛玲.低碳城市评价指标体系的构建[J].统计与决策，2011.7.

[4]付允，刘怡君，汪云林.低碳城市的评价方法与支撑体系研究[J].中国人口·资源与环境，2010.20.8.

[5]胡初枝，黄贤金等.中国碳排放特征及其动态演进分析[J].中国人口·资源与环境，2008.18.3.

[6]叶芳，王燕.双重差分模型介绍及其应用[J].中国卫生统计，2013.30.1.

[7]Kaya Y.Impact of carbon dioxide emission on GNP growth：interpretation of proposed scenarios[R].Paris：IPCC Energy and Industry Subgroup，1989.

[8]林伯强，刘希颖.中国城市化阶段的碳排放影响因素和减排策略[J].经济研究，2010.8.

[9]杨骞，刘华军.中国二氧化碳排放的区域差异分解及影响因素——基于1995～2009年省际面板数据的研究[J].数量经济技术经济研究，2012.5.

[10]李国志，李宗植.人口、经济和技术对二氧化碳排放的影响分析[J].人口研究，2010.5.34.

[11]郑义，徐康宁.中国能源强度不断下降的驱动因素[J].经济管理，2012.2.

[12]付明卫，叶静怡，孟俣希，雷震.国产化率保护对自主创新的影响——来自中国风电制造业的证据[J].经济研究，2015.2.endprint