中国碳交易试点政策的碳减排效应如何?——基于合成控制法的实证研究

杨秀汪,李江龙,郭小叶

(1.西安交通大学 经济与金融学院,陕西 西安 710061;2.西安文理学院 经济管理学院,陕西 西安 710065)

绿色低碳发展理念已成为全球共识,为应对全球气候变暖,降低二氧化碳等温室气体排放,全球区域性组织及许多国家都在不断探索控制碳排放增长的政策措施。中国作为负责任大国,一直积极推动全球碳减排工作。2014年9月中国发布的《国家应对气候变化规划(2014—2020年)》提出到2020年碳强度较2005年下降40%～45%的规划目标,于2015年《巴黎协定》提出2030年碳强度将比2005年下降60%～65%。2020年9月22日国家主席习近平在第七十五届联合国大会上提出中国将力争在2030年前碳排放达到峰值,并争取2060年前实现碳中和。这对中国未来碳减排目标和工作提出了更高要求。

减少碳排放的政策主要分为两类,一类是政府基于行政命令干预碳排放的环境规制手段,另一类则是基于市场行为的碳税和碳排放权交易措施。碳排放权交易(简称“碳交易”)作为最主要的市场激励型措施在欧美国家已得到广泛应用[1],例如欧盟碳排放权交易计划和美国区域温室气体减排行动等。中国自2013年陆续启动北京、上海、天津、重庆、湖北、广东、深圳等七个碳排放权交易试点市场。党的十八届三中全会提出“使市场在资源配置中起决定性作用”的重大理论创新,不断深化市场化体制改革,而碳排放权交易制度将这一理念贯彻于环境政策机制设计之中。

截至2020年9月末,中国七个碳交易试点市场共纳入排放企业和单位超过2 900家,排放企业和单位分配的碳排放配额总量约12亿吨,二级市场配额累计成交量为30 186万吨,累计成交额65.73亿元,市场交易逐年增长(如表1)。中国碳交易试点市场已运行多年,碳交易试点政策是否促进了试点省份二氧化碳排放减少,碳交易试点政策若具有减排效应,其碳减排效应如何实现,以及碳减排效应有多大,这是本文关注的重点。

表1 截至2020年9月末中国碳交易试点市场碳交易情况(二级市场)

一、文献回顾

国外对碳交易市场的研究伴随着碳交易市场的建立而兴起,但对碳排放交易市场的碳减排效应结论并非完全一致。Stern[2]认为相比碳税等其他机制,碳排放权机制具有更强的激励效应。Keohane[3]的研究也证明了在总量限额碳交易模式下,无论企业采用何种减排方式,最终都能够实现减排目标,证明了碳交易机制的优势。但是,Streimikiene等[4]评估了波罗的海国家2005—2007年实施的首期欧盟温室气体(GHG)排放交易计划对温室气体减排的效果,发现欧盟排放交易体系尚未发挥其以较低成本方式减少碳排放的真正潜力,即GHG首期政策并未达到预期效果。碳交易机制能否推动实现全球减排目标,需要各国对碳减排量重复计算达成共识[5]。

随着中国碳交易试点市场政策推出,国内许多学者使用不同方法评估了碳交易试点政策的减排影响,大致可分为基于模拟数据的仿真分析和基于历史数据的实证检验。汤铃等[6]基于多主体(multi-agent)模型仿真分析中国七个碳交易试点地区的碳交易机制,发现碳交易机制有助于促进碳减排;刘宇等[7]使用一般均衡模型模拟分析了天津碳交易市场的经济环境效应;张成等[8]研究了全国GDP受约束和不受约束两种情形下,模拟全国性碳排放权交易的潜在影响程度。更多学者使用经典的双重差分方法(DID),基于不同的研究对象、研究数据以及研究指标评估了中国碳交易试点政策减排效应。但是,其中有些学者使用DID方法时选择的控制组为非试点省份,有些学者并未进行控制组平行趋势假设检验,这可能导致DID方法使用的“平行趋势假设”前提条件难以满足而引起结果的偏差。此外,还有部分学者尝试使用倾向得分匹配—双重差分方法(PSM-DID)[9]研究中国碳交易试点市场的碳减排效应。整体而言,多数研究的结果支持中国碳交易试点市场具有碳减排效应。

碳排放权交易是通过市场机制解决碳排放问题,由政府主导推动实施的碳交易试点市场可视为一项具有准自然实验性质的政策。目前评估政策效应的主流计量方法包括断点回归法(RD)、双重差分法(DID)、倾向匹配法(PSM)和合成控制法(SCM),以上评估方法适用于不同类型的政策,且各有利弊。其中,DID方法被广泛应用于试点政策效应的评估,基本原理是假设无法观测因素不变的情况下,分别对比实验组和控制组各自在政策变化前后的差异,再对差异进行二次比较(即差分再差分),得出的最终差异即为政策效应,DID方法能够较为精确评估政策效应的大小。但是,DID方法应用的前提是实验组和控制组的结果变量具有共同变化趋势,由于DID方法对控制组的选择具有主观性,且对控制组内个体赋予的权重相等,因此难以客观选择与实验组具有共同变化趋势的控制组。SCM方法能够对控制组进行数据处理并赋予不同权重构造合适的反事实控制组,据此对比实验组与控制组之间的差异以评估政策的效应。在控制组选择上,不同于DID方法侧重主观选择,SCM方法的控制组是基于数据选择的结果,由数据驱动选择构造出与控制组最为相近的虚拟控制组,保证了评估结果的可靠性。基于SCM方法在控制组筛选方面的优势,本文运用该方法评估中国碳排放权交易试点政策的碳减排效应。

二、理论分析及研究假设

科斯在《社会成本问题》一文中提出当产权能够被清晰界定,且市场交易成本为零时,市场能够自发调节并在均衡状态下实现资源的最优配置。这一思想被斯蒂格勒命名为科斯定理,也是产权交易理论的雏形和基础。产权交易理论被广泛应用于排污权交易领域,Dales[10]将长期交易理论应用于分析排污治理相关领域的研究,界定了排污权交易的概念并提出了相关分析框架。排污权交易制度是指在一定时期及一定范围内由政府确定排污总量上限,同时由政府确定市场参与主体排污权数量的初始配额,获取配额的主体可以在排污权市场上出售多余排污权配额或者购买缺少的排污权配额,在市场机制作用下以较低成本实现对污染排放总量控制目标的一种集合政府干预和经济激励的治理机制。与排污权交易相类似,碳排放权交易也符合科斯定理,本部分基于这一理论分析碳排放权交易促进碳减排的作用机理,并提出研究假设。

假设碳排放权交易市场上存在两类企业,一类是碳边际减排成本相对较高的企业(也称配额短缺企业),这类企业的生产技术水平通常处于行业前沿,进一步减排的难度较大;另一类是碳边际减排成本相对较低的企业(也称配额富余企业),这类企业的生产技术水平相对较低,进一步减排的空间较大。碳排放权交易市场通过价格信号影响两类市场参与者的碳减排行为,并决定均衡状态下市场的交易价格和交易量。市场均衡状态能够实现碳排放总量控制目标,碳边际减排成本低于配额价格的企业选择“多减排”而拥有富余的碳排放配额,并选择向市场出售排放配额获取收益;而对于碳边际减排成本高于配额价格的企业则选择“多排放”导致缺乏碳排放配额,因此选择在市场上买入碳排放配额,同样实现以较低的成本完成碳排放控制目标。

如图1所示,碳排放权交易将通过创新效应、激励效应和追赶效应激发配额富余企业进一步降低碳排放,也能通过规模效应、惩罚效应和替代效应倒逼配额短缺企业努力减少碳排放,市场交易机制使双方都能够选择较低的成本完成碳排放控制目标,具体作用机理分析如下:

图1 碳排放权交易市场的碳减排机理

碳排放权交易市场发挥创新效应、激励效应和追赶效应对碳配额富余企业的生产规模、生产技术、减排策略等产生影响并推动碳排放下降。第一,创新效应。技术进步和技术创新推动高效生产设备或生产工艺在企业得到广泛应用,降低碳减排成本,使企业能以较低成本实现多减排,并获得可用于交易的富余配额,再通过碳交易市场将富余配额转化为进一步技改提效的投资资金。通过“技术创新—技术进步—提高能效—降低成本—配额资金—技术创新”循环过程不断积累技术,进行技术革新,激发企业持续进行技术创新。第二,激励效应。企业将销售富余碳排放配额所获得的收益用于碳减排技术改造或设备更新的比例越大,越有助于促进企业边际减排成本下降,即使碳排放配额价格下降到较低程度,企业依然能够凭借较低的边际减排成本获取配额销售利润。并且,当用于技术研发投入的配额销售资金比例越高,企业获得的收益也将越大,如此循环递进,形成碳排放权交易机制对低排放企业激励效应的良性循环。第三,追赶效应。对于历史上碳排放量相对较小的企业,如果企业当前较低的边际减排成本并非由于技术优势所致,而仅仅是因为企业自身规模较小的缘故,那么,企业需要不断加大技术研发投入,逐步进行技术设备更新,以适应未来碳排放限额降低和减排成本增加可能产生的不利影响。在激励效应和创新效应的驱动下,提高当前配额销售资金转化为技术进步的效率,并且将更大比例的配额销售资金投入到技术研发当中,缩小企业与领先者的差距,有助于企业提高产出水平的同时减少碳排放量。

碳排放交易市场通过规模效应、惩罚效应和替代效应影响配额缺乏企业的生产规模、生产技术、减排策略进而实现碳减排。第一,规模效应。配额短缺企业一般属于生产规模较大且碳边际减排难度较大的企业,若没有碳排放约束,这类企业倾向于采取扩大规模获得更多成本优势,而碳排放限额造成企业成本同比大幅增加,导致产品市场竞争力下降。为此,配额短缺企业有动力进行碳减排技术的研究与开发,也可凭借其规模、资源和资金优势,优化生产工艺、更新生产设备、提高生产效率,尤其对清洁生产技术的利用,进而降低碳排放成本内部化对产品需求带来的冲击,同时能达到降低企业未来碳排放量的目标。第二,惩罚效应。当碳配额价格高于企业碳排放边际产品价值时,企业通过购买碳配额进行生产不会增加企业利润。除非企业产品价格足够高,并使增加其他要素投入带来的产出增加有利可图时,企业可能会选择继续追加生产投入,但是扩大生产也导致碳排放增加甚至超标。如此,企业将受到来自政府部门的监管处罚,或者企业在权衡超额排放的处罚与扩大生产获取的收益之后,选择放弃扩大生产,这意味着企业将错失获得更多利润的机会。因此,无论企业如何选择,都将处于被“惩罚”的境地(政府监管处罚或错过获利机会)。为了避免被“惩罚”,配额缺乏企业需采取措施降低单位产品碳排放量,一方面是弥补企业因购买配额而导致的成本增加,另一方面是确保在生产扩大中降低碳排放,尤其当碳排放需求量超过初始配额与可购买配额之和时,避免错过市场发展机遇。第三,替代效应。当碳配额价格低于企业碳排放边际产品价值时,企业购买碳配额进行生产会增加企业利润,即当企业自身减排边际成本大于碳配额的价格时,企业倾向于通过购买碳配额替代自身减排,以实现碳排放总量目标,这是短期内企业碳减排的替代效应。从长期来看,在碳排放峰值到来之后,国家对碳排放的约束必然导致碳排放权成为一种更加稀缺的资产,碳排放权配额价格将持续上涨,极可能超过企业边际减排成本,届时通过大规模购买碳配额并非最优选择。因此,从长期来看高排放企业可选择最优的生产技术,通过逐步淘汰污染高、能耗高、效率低的落后产能,降低能源消耗和碳排放水平,实现由购买碳配额向自身减排的转变。

基于碳排放权交易市场的供需双方碳减排作用机理,本文提出假说,即中国实施的碳排放权交易试点市场政策降低了试点市场区域的二氧化碳排放。

三、实证方法、变量选择及数据来源

(一)合成控制法

(1)

式(1)为潜在碳排放量的决定方程,其中,Xi是一个(r×1)维向量,表示可以观测得到且不受碳交易试点政策影响的控制变量;∂t是所有省份碳排放时间固定效应;μi是一个(F×1)维不可观测的省份固定效应向量;βt是一个(1×r)维待估计的参数向量;λt是一个(1×F)维观测不到的公共因子向量;εit是每个省份观测不到的暂时冲击,其均值为0。

(2)

(3)

(4)

(5)

(二)变量选择

1.二氧化碳排放量

2.控制变量选取

合成控制法的思想要求合成碳交易试点省份的碳排放决定因素与碳交易试点省份的碳排放决定因素尽可能一致。预测控制变量Xi表示可以观测得到且不受碳交易试点政策影响的控制变量,参考王锋等[12]的研究,本文选择以下变量作为控制变量:(1)经济发展水平,由人均GDP表示,代表经济发展水平及经济增长因素对碳排放的影响;(2)产业结构,由第二产业增加值占比表示,代表产业结构因素对碳排放的影响,主要原因是中国第二产业的碳排放量占比最大;(3)能源结构,由化石能源消费占比表示,代表能源结构对碳排放的影响,中国以煤为主的能源消费结构特征对碳排放影响巨大;(4)能源强度,由能源消费与GDP的比值表示,能源强度与碳排放存在密切关系;(5)产业深化程度,由第三产业增加值与第二产业增加值的比值表示,产业深化程度的提高将减少二氧化碳排放;(6)交通因素,在此以各个省份人均民用汽车拥有量表示;(7)资本存量,使用人均资本存量表示,资本对能源的替代影响二氧化碳排放量;(8)技术进步,用研究与试验发展(R&D)经费投入强度表示,由R&D经费与GDP的比值计算,技术进步能够提高能源使用效率从而减少二氧化碳排放;(9)人口密度,以各省人口密度表示,人口增长增加了二氧化碳排放;(10)碳交易市场覆盖行业的碳排放占比,选取碳交易试点市场覆盖行业类别,以各省对应行业的碳排放量占碳排放总量的比例表示。

(三)样本选取及数据来源

考虑数据的充分性、时效性及可得性,本文选取1997—2017年中国30个省、自治区、直辖市(因重要变量数据缺失较多,不含港澳台、西藏)的面板数据。由于中国在六个省份建立了七个碳排放权交易试点市场,因此在选择某一试点省份的控制组时将其余五个试点省排除在外,因为这五个省份也受到碳排放权交易试点政策影响,不适宜纳入控制组。30个省份的GDP、三大产业产值、R&D支出、人口数、民用汽车拥有量等数据均来源于对应年度的《中国统计年鉴》,资本存量数据按照永续盘存法计算得出。由于热值和量纲不同,不同种类能源投入不能直接加总,需要将它们统一转换为标准煤,本文根据《中国能源统计年鉴》各省份能源消费平衡表生产所消耗的各种燃料数据(包括煤炭、焦炭、焦炉煤气、高炉煤气、转炉煤气、其他煤气、原油、汽油、煤油、柴油、燃料油、液化石油气、天然气、液化天然气和热力等),结合年鉴附录中《各种能源折标准煤参考系数》将各种燃料转换为标准煤,最后加总得到能源消费量。各个省份的二氧化碳排放量则依据《中国能源统计年鉴》各类能源消耗和碳排放因子数据计算得出。

四、政策评价结果与稳健性检验

2011年10月国家发改委下发了《关于开展碳排放权交易试点工作的通知》,标志着中国碳交易市场试点工作正式启动,2013年下半年至2014年上半年七个碳交易试点市场正式运行,本文选择2013年作为碳交易市场试点政策的冲击点。由于深圳属于广东省,因此不单独对深圳碳交易试点进行政策评估分析。

(一)合成控制组权重系数选择

本文基于经济发展水平、产业结构、能源结构、技术进步、能源强度、产业深化程度、交通因素、资本存量、人口密度、碳交易市场覆盖行业的碳排放占比等控制变量,合成各碳交易试点省份的虚拟控制组,各碳交易试点省份合成的控制组省份的权重系数如表2所示。

表2 各碳交易试点省份对应合成省份的权重系数

合成北京的控制组省份包括海南、辽宁、黑龙江和四川,权重系数分别为0.715、0.193、0.092和0.001,直观上看北京是我国经济政治中心,且现代化程度较高,经济较为发达,模型计算的控制组省份并非全部为经济发达地区,可能意味着北京的合成控制组省份效果不显著。合成上海的控制组省份包括黑龙江、浙江和海南;合成天津的控制组省份包括海南、辽宁、新疆、陕西、吉林、浙江;合成重庆的控制组省份包括江西、新疆、陕西、青海、海南、黑龙江;合成湖北的控制组省份包括安徽、辽宁、湖南、四川、黑龙江、河北、内蒙古;合成广东的控制组省份包括江苏、山西、浙江。上海、天津、重庆、湖北、广东等五个试点省份对应的合成控制组省份与目标省份较为相近,预示着合成控制组能够较好地模拟试点省份的特征。

(二)碳交易试点政策减排效应分析

图2所示分别为各试点省份的碳排放量,图中点状竖虚线为政策冲击时间2013年,虚线左侧为碳交易试点政策实施前二氧化碳排放量曲线,右侧为政策实施后的二氧化碳排放量曲线。根据合成控制法思想,碳交易试点政策的效应大小可以使用试点省份在碳交易试点政策执行后的二氧化碳排放量与合成省份二氧化碳排放量的差值来确定。当政策实施前试点省份与合成省份的拟合程度越好,且在政策实施后两者差异越大,则说明政策效应越显著;反之,则说明政策效应不显著。本文关注到湖北和重庆2013年碳排放下降幅度较大,经核查《中国能源统计年鉴2014》湖北和重庆2013年的能源平衡表(实物量),发现经核算得到的湖北和重庆的碳排放数据在2013年的确出现了明显下降。

图2 碳交易试点省份与其合成省份的碳排放量

由于北京在2013年以前与合成省份的拟合程度较低(真实的碳排放量曲线与合成省份碳排放量曲线差异较大),因此不便使用合成控制法的结果分析北京碳交易试点政策效应。由于在政策冲击前难以找到与北京相近的合成控制组,所以不能基于北京与合成控制组二氧化碳排放量的差异来判断政策冲击后真实二氧化碳排放量与控制组二氧化碳排放量的差异是由碳交易试点政策所致,因为还可能存在其他因素导致两者的差异。除了北京之外,其他试点省份与对应合成省份的二氧化碳排放量在2013年以前拟合程度较好,而在2013年以后具有明显差异且呈现下降趋势,说明除北京之外,其他试点省份碳交易试点政策可使用合成控制法进行政策效应分析。

如图3所示,1997—2010年上海与合成上海二氧化碳排放量差值的平均值为566万吨,波动幅度平均值为3.3%,而2011年及以后上海与合成上海二氧化碳排放量的差异不断扩大,从2011年的-1 380万吨,到2017年进一步下降至-5 495万吨。正如图2所示,上海与合成上海二氧化碳排放量2010年以前两者的拟合程度较好,2010年以后两者的差异明显扩大,表明上海碳交易试点政策较为显著地降低了二氧化碳排放量,具有显著减排效应。虽然上海碳交易试点市场正式运行是在2013年,但是自2011年底国家发展改革委下发了《关于开展碳排放权交易试点工作的通知》之后,上海已经受到该政策冲击的影响,并且二氧化碳排放量增长速度在2011年已开始下降,其主要原因在于上海是中国经济最发达和开发程度较高的地区,同时也是各项政策改革试点或政策先行区,相比其他试点地区,上海更早地启动了碳交易试点政策。

图3 碳交易试点省份与其合成省份碳排放量的差值

1997—2012年天津与合成天津二氧化碳排放量差值的平均值为-245万吨,波动幅度平均值为-2.3%,差异较小,天津与合成天津二氧化碳排放量曲线也表明2013年以前两者曲线极为相近。2013年以后,天津与合成天津碳排放量的差值开始下降,2013年为-1 094万吨,并在2015年以后差值进一步减少,至2017年为-2 233万吨。天津碳交易试点市场运行之后,天津与合成天津二氧化碳排放量的差异不断扩大,说明碳交易试点政策对天津二氧化碳减排效应明显。此外,图2显示天津真实碳排放量在2013年有所下降,但是2014年之后又缓慢上升,并且天津与合成天津排放量的差值绝对值较上海及其他地区相对较小,可能的原因是天津碳减排难度较大、减排潜力相对较小。

重庆与合成重庆二氧化碳排放量对比显示,2013年以前两者的二氧化碳排放量曲线拟合程度不如天津,但2008—2011年期间的拟合程度较好,并在2013年以后重庆真实的二氧化碳排放量比2012年大幅下降,2013年较前一年减少了2 858万吨,降幅达到16.1%。2014年以后有所增长,且在2015年以后缓慢增长。2008—2011年重庆与合成重庆二氧化碳排放量差值的平均值为2.73万吨,波动幅度平均值为1.95%,两者的差异较小,此期间重庆与合成重庆的拟合程度较高。2013年以后重庆与合成重庆的碳排放量的差值显著下降,2013年下降为-7 041万吨,至2017年为-10 197万吨,说明碳交易试点政策实施后,重庆与合成重庆的二氧化碳排放量的差异不断扩大,碳交易试点政策显著降低了重庆二氧化碳排放量。

1997—2012年湖北与合成湖北二氧化碳排放量差值的平均值为255万吨,波动幅度平均值为1.2%,湖北与合成湖北二氧化碳排放量曲线也表明2013年以前两者二氧化碳排放量曲线拟合程度较高,较其他几个试点省份相比,湖北的拟合程度最好。2013年以后湖北与合成湖北碳排放量的差异逐渐扩大,尤其2013年湖北真实二氧化碳排放量比2012年显著减少,较2012年减少了6 225万吨,降幅达到15.6%。2013年湖北与合成湖北碳排放量的差值为-5 994万吨,2014—2017年的差异逐步扩大。湖北在碳交易试点市场运行前与合成湖北无显著差异,而碳交易试点政策实施后两者差异明显,真实碳排放量显著减少,表明碳交易试点政策实施对湖北二氧化碳排放量减排效应十分明显。

广东与合成广东二氧化碳排放量对比显示,2013年以前两者的二氧化碳排放量曲线较为相近,拟合程度较好,1997—2012年广东与合成广东二氧化碳排放量差值的平均值为32万吨,波动幅度平均值为0.11%。2013年以后,广东与合成广东的碳排放量的差值整体呈现下降趋势,尤其2013年显著下降至-5 487万吨,并在2016年进一步下降至-10 400万吨,但是2017年的差值又大幅收窄至-4 330万吨。可见,相比合成广东而言,碳交易试点政策实施后广东真实碳排放量显著下降,并且与合成广东的差值不断扩大,可推断碳交易试点政策的减排效应在广东表现也较为明显。虽然作为中国经济大省的广东以第二产业为主(2017年第二产业占比仍高达55.2%),减排难度较大,但是广东在发展经济的同时也较好地实施了减排政策并且政策效果较为显著。

综上实证结果表明,中国碳排放权交易试点政策在多数省份具有明显的碳减排效应,只有少数试点省份减排效应不显著。湖北、广东、重庆、上海、天津等五个碳交易试点省份与其合成控制组在政策实施前的拟合程度较高,在政策实施后两者的碳排放量差异程度较大,且均呈现不同程度下降,说明碳排放权交易试点市场政策在上述地区的减排效应显著,尤其以湖北、广东、重庆表现较为突出。由于无法给北京匹配拟合程度高的控制组,不宜直接通过SCM方法对其进行政策效应评估。

(三)模型稳健性检验

碳交易试点政策效应分析表明湖北、广东、重庆、上海、天津实际碳排放量与合成组的碳排放量具有显著差异,但是这种差异是否是由于碳交易试点政策的推出导致,还是由其他因素导致,为了验证结果的有效性,本文使用Abadie等[11]提出的排序检验法,运用DID方法对合成控制法实证结果进行稳健性检验。

1.排序检验

Abadie等[11]提出了一种类似于统计学中的秩检验(Rank Test)方法,用以评价政策评估效应是否稳健和显著,该方法可用于判断是否存在其他非碳交易政策试点省份,在使用合成控制法分析之后,存在与政策试点省份类似的结果及其概率。排序检验的思想是,假设真实实施碳交易试点政策之外的省份在相同的时期也实施了碳交易试点政策,按照合成控制法将合成对应的控制组,比较假设实施政策的省份与其合成组的碳排放量差异,得出假设省份的政策效果,最后进一步比较真实实施政策省份与假设实施政策省份的政策效果差异。如果真实实施政策省份的政策效果与假设实施政策省份的政策效果差异较大,则认为碳排放试点政策的政策效果显著。

排序检验方法的具体操作步骤为:首先,需要假设控制组内的省份也被纳入碳交易试点,使用合成控制法构造其合成组的碳排放量,估计该假设情况下的政策效应;其次,比较真实推行碳交易试点政策省份的政策效应与假设被纳入碳交易试点省份的政策效应的差异,如果两者差异较大,说明碳交易试点政策对真实推行政策省份碳排放的影响显著,即合成控制法能够较好地评估碳交易试点政策效应,反之亦然。

参考Abadie等[11]的方法,本文采用均方根预测误差(Root Mean Square Prediction Error,RMSPE)衡量碳交易试点省份(包括假设试点省份)与其合成控制组之间二氧化碳排放量的差异程度,具体计算公式如式(6)所示:

(6)

需要注意的是,为了确保排序检验的效果,保证对碳交易试点政策推行后合成控制组省份数据对真实省份数据模拟的可靠性,参考已有研究的一般做法,本文以碳交易试点政策实施年份作为分界点,首先计算碳交易试点政策实施前的RMSPE值,之后对比假设试点省份与真实试点省份的RMSPE值,最后剔除RMSPE值大于真实试点省份2倍的假设试点省份。假如合成控制组省份的碳排放量在碳排放交易政策实施前不能较好地拟合政策试点省份(包括假设试点省份)的碳排放量,则不能保证试点政策实施后的差异是由于政策实施导致的。

如图4所示,实线代表对应试点省份,虚线为其他2013年以前RMSPE值小于试点省份RMSPE值2倍的省份。竖直虚线左侧为2013年以前年份处置对象与其合成对象碳排放的差值,右侧为2013年以后的差值。2013年以前,上海及其他省份二氧化碳排放量的差值较小,但2013年以后上海与其他省份的差距开始扩大,上海的差值比其他省份更小,说明上海碳交易试点政策的实施相对减少了二氧化碳排放量。剔除山东和内蒙古之后样本剩余23个省份,表明有4.35%(1/23)的概率出现上海与合成上海二氧化碳排放量存在较大的差距,可以认为上海的二氧化碳排放量减少效应在5%的水平上是显著的。同理,根据各地的检验结果,天津、广东、重庆分别以4.35%(1/23)、4.17%(1/24)和5%(1/20)的概率出现与合成城市二氧化碳排放量存在较大差距,因此可以认为至少在5%的显著性水平下碳交易试点政策对这些试点省份碳减排影响的假设并非其他偶然因素引起。另外,湖北的相应概率为5.26%(1/19),因此湖北的碳减排效应结果则在10%的水平上是显著的。

图4 碳交易试点省份及其他省份碳排放量差值分布

2.SCM-DID检验

SCM方法在构造与实验组相似的控制组方面具有优势,能够保证实验组和控制组的结果变量随时间变化的路径平行,而实验组和控制组具有平行趋势是DID方法使用的前提条件。为了与SCM方法进行对比,同时检验SCM方法的稳健性,本文进一步采用基于SCM的DID方法对碳排放交易试点政策的减排效应进行稳健性检验。选择开展碳交易试点政策的省份作为实验组,而将SCM方法构建合成组省份作为控制组,同时将碳交易试点政策推行时间点作为分界,构造出式(7):

(7)

式(7)中,C为被解释变量,指碳排放量;T为时间虚拟变量,在碳排放试点政策推行前(2012年及以前)T=0,碳排放试点政策推行后(2013年及以后)T=1;U为组间虚拟变量,其中纳入碳交易试点政策范围的省份U=1,由SCM方法构建的合成组省份U=0;TU是交叉项,也称双重差分项;X是一系列控制变量,包括经济发展水平、产业结构、能源结构、技术进步、能源强度、产业深化程度、交通因素、资本存量、人口密度、碳交易市场覆盖行业的碳排放占比等因素;ε为残差项。参数β3表示实验组对象在接受政策后结果变量的变动程度,作为目标变量反映政策变动的效应;参数β2表示没有政策干预时,实验组与控制组的经济行为如何随时间变动;而参数β1则反映实验组和参照组中任何不随时间变动的差异。应用DID方法评估政策效应的一个关键假设是:当不存在政策干预时,β3=0,这一假设只有在实验组与参照组性质非常接近时才合理。

对每个碳交易试点省份采取四个模型进行实证检验,模型1、模型2和模型3的控制组为SCM方法中与试点省份匹配权重系数为正的省份,模型4的控制组为除纳入碳交易试点省份之外的其余省份。模型1不含控制变量,模型2、模型3和模型4均加入了控制变量,模型3在模型2实证结果上剔除非显著控制变量之后进行回归,计算结果如表3所示。

表3 碳交易试点政策对试点省份的碳减排效应评估(DID方法)

上海模型3和模型4的交叉项(U*T)系数分别为-91.500、-103.324,均为负值,模型3系数在1%水平下显著,但是模型4的结果不显著,基于SCM得出的控制组省份与上海具有更强的匹配性。天津模型3和模型4的交叉项(U*T)系数分别为-73.471、-186.366,均为负值,分别在10%和1%的水平下显著。重庆模型3和模型4的交叉项系数分别为-112.124、-166.790,均为负值,且在均1%的水平下显著。湖北模型3和模型4的交叉项系数分别为-116.412、-99.076,均为负值,模型3在1%的水平下显著,模型4在10%的水平下显著,基于SCM得出的控制组省份与湖北具有更强的匹配性。广东模型3和模型4的交叉项系数分别为1.464、2.628,结果并不显著。北京模型3和模型4的交叉项系数分别为-28.578、-75.407,且结果均不显著,前文SCM结果显示北京试点政策的碳减排效应并不显著,这与DID方法检验的结果一致。

基于SCM对上海、天津、重庆、湖北、广东、北京等六个试点省份的DID分析结果表明,湖北、天津、重庆、上海等四个省份碳交易试点政策分别在1%、10%、1%、1%的水平下具有显著的碳减排效应,广东碳交易试点政策的碳减排效应在统计上并不显著,而北京碳交易试点政策不具有碳减排效应。整体而言,DID结果与SCM处理得出的结论基本一致,也验证了SCM方法的稳健性。

五、结论与启示

本文基于1997—2017年全国30个省、自治区、直辖市(不含港澳台、西藏)的面板数据,使用合成控制法对中国碳排放权交易试点市场政策的碳减排效应进行评估,并使用排序检验法、基于SCM的DID方法对中国碳排放权交易试点市场政策减排效应进行稳健性检验。主要结论如下:

第一,SCM方法评估结果显示湖北、广东、重庆、上海、天津等五个省份与其合成控制组在碳交易试点政策实施前的拟合程度较高,且在政策实施后碳排放量显著下降,尤其以湖北、广东和重庆表现较为突出。由于难以获取与北京拟合程度较高的控制组,合成控制法难以判断北京试点政策的减排效应。第二,排序检验结果表明天津、上海、广东、重庆的碳减排效应结果在5%的水平上是显著的,而湖北的显著性水平为10%,表明至少可以在5%或10%的显著性水平下认为碳交易试点政策对试点省份碳减排影响的假设并非其他偶然因素引起的。第三,基于SCM的DID分析结果表明,湖北、重庆、上海的碳交易试点政策对当地碳排放在1%水平下具有显著负向效应,天津在10%水平下具有显著负向效应,这与SCM分析得到的结论基本一致,也验证了SCM处理的稳健性。本文实证结果表明中国碳排放权交易试点市场政策的减排效应较为显著。

本文的研究表明,碳排放权交易试点市场具有显著的碳减排效应,应积极推动区域碳排放权交易市场发展,并且在条件允许的情况下,进一步扩大碳排放权交易市场覆盖的范围,加快建立覆盖全国统一的碳排放权交易市场,充分发挥市场机制在应对碳排放问题上的积极作用。在全国性碳排放权交易市场建设中有必要关注以下三点:第一,提高市场参与者的碳排放成本内部化意识。碳排放权交易市场对碳排放进行定价,市场参与者将排放成本内部化,有利于激发其研发低碳生产技术、转变经营方式的积极性,形成绿色高质量发展理念,并带动全社会加入到碳减排行动中。第二,增强碳排放权交易市场的活跃度和流动性。碳交易试点市场的碳减排效应评估结果表明市场交易活跃度较高的湖北和广东,其碳减排效应更为明显,而提高市场流动性将也有助于增强交易活跃度,促进市场价格形成,引导市场参与者的碳排放行为,从而达到减排目标。第三,完善碳排放权交易市场的基础设施和制度设计。碳交易市场发挥减排功能需要建立在稳定、全面、安全、合理的硬件设施建设和制度设计基础上,既包括固定交易场所、安全稳定信息架构、独立第三方核查机构、众多市场参与者、专业咨询服务机构等,也包括统一交易规则、信息披露约束、合理配额设定、有效配额分配原则、适度配额抵消机制等,这是保证碳交易市场体系稳定运行并促进其发挥减排效应的基础。