碳排放权交易政策的减污降碳协同效应评估

叶芳羽 单汨源 李勇 张青

[摘 要] 利用中国2004—2018年255个地级及以上城市的面板数据，采用双重差分模型评估碳排放权交易政策的减污降碳效应及其作用机制。研究结果表明：碳排放权交易政策显著降低二氧化碳排放量和大气污染物浓度，表现出明显的减污降碳协同效应;机制分析表明，碳排放权交易政策通过促进绿色技术创新和污染产业转移实现污染减排;异质性分析发现，碳排放权交易政策的污染减排效应在规模大和工业化程度高的城市更为显著。

[关键词] 碳排放权交易政策;污染减排;双重差分模型;协同效应;政策评估

[中图分类号]  X196   [文献标识码] A   [文章編号] 1008—1763（2022）02—0043—08

An Evaluation of the Synergistic Effect of Air Pollutants

and Carbon Reduction of the Carbon Emissions Trading Policy

YE Fang-yu1，2， SHAN Mi-yuan1， LI Yong2， ZHANG Qing3

（1. Business School， Hunan University， Changsha 410082， China;

2. School of Economics and Management， Changsha University， Changsha 410022， China;

3. School  of Finance and Statistics， Hunan University， Changsha 410079， China）

Abstract：Based on the panel data of 255 cities at prefecture-level and above in China from 2004 to 2018， this paper uses the difference-in-differences model to evaluate the synergistic effect of air pollutants and carbon reduction of the carbon emission trading policy. The results show that the carbon emission trading policy has significantly reduced the citys carbon dioxide emissions and the concentration of air pollutants， showing obvious synergistic effect of reducing pollution and carbon. Mechanism analysis shows the reduction effect of carbon emission trading policy on air pollutants is mainly achieved by promoting green technological innovation and the transfer of polluting industries. Heterogeneity analysis shows the reduction effect of carbon emission trading policies is more significant in large-scale and highly industrialized cities.

Key words： carbon emission trading policy; pollution reduction; difference-in-differences model; synergistic effect; policy evaluation

一 引言及文献综述

应对气候变化与大气污染治理是中国当前面临的两大艰巨任务。气候变化与大气污染密切相关，但在科学研究和政府决策中较少将这两个问题有机结合同步考虑。在资源约束条件下，要实现经济发展和减污降碳双重目标，实施大气污染物与二氧化

碳协同治理的措施显得尤为迫切。随着生态文明体制改革不断深入及市场在资源配置中决定性作用发挥，环境经济政策将成为中国环境治理的中流砥柱。基于此，本文以环境经济政策的典型工具——碳排放权交易政策为研究对象，深入考察碳排放权交易政策的减污降碳效应，并分析其作用机制与异质性。

排放权交易的实践最早出现在发达国家，美国人戴尔斯（Dales J. H.）于1968年在著作《污染、财富价格》中对排放权交易的实施进行了较为全面的叙述。从20世纪70年代起，美国联邦环保局（EPA）逐步将排放权交易从理论构想推到实践，先后将排放权交易应用于大气污染与水污染的治理。在国外排放权交易取得丰硕成果的同时，中国也开启了排放权交易的积极探索。以二氧化碳排放权交易为例，中国二氧化碳排放权交易的核心思路是，首先设定二氧化碳总量控制目标，然后将碳排放配额分配给不同的企业，最后企业可以自行决定配额的使用[1]。这一政策旨在鼓励高减排成本的企业与低减排成本的企业进行交易，从而以最小的成本降低二氧化碳排放量[2]。2011年10月，《国家发展改革委办公厅关于开展碳排放权交易试点工作的通知》（发改办气候〔2011〕2601号）印发，选取深圳、上海、湖北等省市作为首批试点地区实施碳排放权交易。在一系列筹备之后，深圳碳排放权交易市场于2013年6月开始运转。此后，其他省市也陆续开展碳排放权交易，中国碳排放权交易迈入新的历史阶段。460ED1CE-73B4-4421-99C0-3F730659FA94

国内外研究大多关注碳排放权交易的总量控制和初始配额设置[3-4]，少部分研究讨论了碳排放权交易政策的影响效应，但仅考察碳排放权交易政策对二氧化碳排放的影响，未考虑政策可能存在的协同减排效应[5]。Zhao等模拟中国实施碳排放权交易的影响，发现在经济增长和环境保护的双重限制下，跨省碳排放权交易可以将碳排放量减少到70亿吨，下降幅度达27.27%[6]。然而，其研究并未考虑试点省市与非试点省市间是否存在系统性偏差，以及由此导致的估计偏误问题。刘传明等运用合成控制法评估碳排放权交易的政策效应，发现碳排放权交易政策显著降低试点地区的二氧化碳排放量[7]。以上研究为科学认识碳排放权交易政策的减排效应提供了理论依据与现实参考，但都未考虑碳排放权交易政策可能产生的减污降碳协同效应。事实上，大气污染物与二氧化碳的产生同根同源，都主要源于化石燃料的燃烧。同时，降低碳排放量与减少污染物排放的相关政策要求和基本路径本质上是一致的。Shmelev和Speck以瑞典为对象的研究发现，超过99%的二氧化硫及超过91%的颗粒物等多种化合物均产生于化石燃料的燃烧[8]。

目前，关于减污降碳协同效应的研究中，学者们利用不同的方法对大气污染物与二氧化碳的协同减排做出诸多有益的探索。然而，无论是仿真模拟还是协同指标构建，都是基于方法论的量化研究，而未涉及政策的协同效应评估。本文利用中国碳排放权交易试点这一事件构造“准自然实验”，采用双重差分模型评估碳排放权交易政策对二氧化碳与大气污染物的协同减排效应。本研究丰富了环境经济政策效应评估的相关文献，为实现减污降碳协同提供经验借鉴与政策启示。

二 机理分析与研究假设

排放权交易给予企业更多的减排自主权，引导企业进行自主减排，从而更有利于碳排放总量控制目标的实现[5，9-10]。在排放权交易政策下，超额完成减排目标的企业将其剩余排放权放在市场出售，获得经济收益;减排目标未达成的企业则在市场上购买排放权。因此，超额完成减排目标的企业因其积极的环境行为得到经济补偿，而未完成减排目标的企业会因其不良的环境行为付出相应的经济代价。接下来，本文将对碳排放权交易政策产生的必然性进行详细阐述，并论述其实现碳排放总量控制的作用机制。

假设市场中存在技术水平、经济规模差异较大的两类企业。其中规模较大的企业，技术水平相对较高;而规模较小的企业，技术水平相对较低。与之对应，规模较大、技术水平高的企业，其治污成本相对较低，本文称之为低治污成本企业。另一类企业的治污成本则相对较高，本文称之为高治污成本企业。在既定的减排目标下，低治污成本企业利用其技术与规模优势，超额完成减排目标，碳排放权出现剩余;而高治污成本的企业则由于技术水平落后等，无法完成其减排目标。在给定时间内，未达成减排目标的企业将面临来自政府的高额行政罚款或被强制关停。当行政罚款或强制关停造成的损失远高于企业购买碳排放权的成本时，对高治污成本企业来说，购买碳排放权无疑是最优选择，高治污成本企业的碳排放权需求由此产生。对低治污成本企业而言，将剩余碳排放权置于市场出售会提高资源配置效率，获得更多的经济效益。只有当高治污成本企业的碳排放成本或行政罚款低于其购买碳排放权的成本时，两类企业之间的交易才会终止。在两类企业的交易过程中，低治污成本企业受到经济激励，会进一步进行技术革新，降低碳排放量。同时，高治污成本企业在给定的碳排放目标下，不用减少产出以降低二氧化碳排放量。因此，在碳排放总量控制目标下，企业单位产出的二氧化碳排放量会明显降低。

根据以上论述，高治污成本企业与低治污成本企业之间的碳排放权交易能够在促进单位产出的碳排放量减少的同时实现碳排放总量控制的目标。事實上，碳排放总量控制目标不仅会激励低治污成本企业进行技术革新，而且会刺激高治污成本企业采用清洁生产技术。总而言之，碳排放权交易政策可以通过促进企业进行技术升级而降低二氧化碳排放总量。然而，碳排放权交易政策是一项基于市场的环境经济政策，企业在应对这一政策工具时，除进行技术升级外，还有另一项选择——转移污染产业[11]。尤其是在统一市场尚未建立，地方政府各自为政的情况下，企业为了规避本地区碳排放总量控制的约束，可能会选择将污染产业从试点省市转移到非试点省市。由于二氧化碳与大气污染物同根同源，都主要来自煤、石油等化石燃料的燃烧，因此，碳排放权交易政策在降低碳排放量的同时，也有可能产生减少大气污染物的协同效应。

基于以上的理论分析，本文提出以下两个假设：

假设1：碳排放权交易政策不仅能够降低二氧化碳排放量，同时会减少大气污染物排放。

假设2：碳排放权交易政策通过促进企业绿色技术升级和污染产业转移减少大气污染物排放。

三 研究设计

（一）样本选择与数据来源

本文利用中国255个地级市及以上城市2004—2018年的面板数据进行实证研究。其中，PM2.5的数据来自哥伦比亚大学社会经济数据和应用中心，其余数据来自《中国城市统计年鉴》和Wind数据库。样本研究的截止年份为2018年是因为目前关于中国市级层面PM2.5浓度数据只更新到2018年。

（二）变量定义

被解释变量包括二氧化碳与主要大气污染物。由于目前中国尚未有官方的碳排放数据，本文借鉴蔡博峰等[12]的方法，收集并整理各个时期各城市的化石能源消费量，计算出各个时期各城市二氧化碳排放量。关于大气污染物的种类，目前主要有硫化合物（SO2、H2S等）、含氮化合物（NO、NO2等）、含碳化合物（CO、VOCs等）、颗粒物（PM10、PM2.5）等。鉴于数据的可得性，本文以二氧化硫（SO2）与细微颗粒物（PM2.5）作为大气污染物的代理变量。

为防止遗漏变量导致估计偏误，参考现有相关研究[13-14]，选取如下变量作为控制变量：（1）经济发展水平（econo），采用人均GDP表示。（2）环境投入（envin），采用环境治理本年投资总额与工业总产值的比值表示。（3）绿色技术（gretech），采用数据包络分析方法计算出全要素生产率变化的Malmquist指数，然后将其分解为绿色效率与绿色技术。（4）市场化程度（market），采用私营和个体从业人数与总就业人数的比值表示。（5）产业结构（indus），采用第二产业占GDP的比重表示。（6）人口密度（pop），采用年平均常住人口与区域面积的比值表示。（7）外商直接投资（fdi），采用当年实际使用外资金额表示。460ED1CE-73B4-4421-99C0-3F730659FA94

（三）模型构建

关于政策效应评估的模型较多，主要包括：双重差分、断点回归及可计算一般均衡。参考李毅等[15]的研究，本文采用双重差分（DID） 方法进行实证估计。回归模型如下：

Yit=Cons+βTreati×Tt+θXit+μi+ρt+εit （1）

其中，Y为模型的被解释变量，分别用二氧化硫排放量、PM2.5浓度、二氧化碳排放量来表示，Cons为常数项。Treati为地区虚拟变量，表示城市i是否被设定为试点地区，若某城市进行了碳排放权交易试点则取值为1，未进行碳排放权交易试点则取值为0。Tt则为时间虚拟变量，若时间为碳排放权交易试点之后取值为1，若时间为碳排放权交易试点之前取值为0。X表示一系列控制变量，包括经济发展水平、工业化程度、外商直接投资、人口密度、环境投入、市场化程度等。μi是个体异质性，ρt是时间异质性，包括月度时间和年度，εit是随机误差项。β为核心解释变量的回归系数，即双重差分的估计量，代表了排放权交易政策对城市大气污染物与二氧化碳排放的影响效应。

四 实证结果分析

（一）基准回归分析

1. 碳排放权交易政策对碳排放的影响效应

任何政策或计划的实施主要都是为了解决某一特定的问题，或是实现某一特定的目标。在本文中，政策的协同效应是指，政策实施不仅对既定的政策目标产生影响，还能产生一些额外政策效果。因此，在考察碳排放权交易的减污降碳协同效应之前，先对碳排放权交易政策的降碳效果进行评估。以二氧化碳排放总量为解释变量，采用双重差分模型进行估计，回归结果如表1所示。

表1的回归结果显示，在同时考虑城市固定效应、年份固定效应和控制变量的情况下，碳排放权交易政策的实施对城市二氧化碳排放总量存在显著的负向效应，即碳排放权交易政策的实施促进了城市二氧化碳排放总量的降低，碳排放权交易政策在促进降碳上是有效的。这与刘传明等[7]、李治国等[16]的结论一致。对于相关控制变量，经济发展水平的一次项与二次项系数证明了环境库兹涅茨假说的成立性。环境投入对碳排放的影响显著为负，即环境投入越多，二氧化碳的排放总量会越低。绿色技术对碳排放的影响显著为负，即绿色技术的进步会降低二氧化碳排放量。市场化程度对碳排放的影响为正，在市场利益驱动与缺乏约束的情况下，私营经济的发展会显著促进碳排放量提高。产业结构对碳排放的影响显著为正，第二产业占比越大，能源消耗量也越多，二氧化碳排放总量也越大。人口密度对碳排放量的影响为正且显著，可能的原因在于，人口密度越大，总体对能源的消耗也越多，二氧化碳排放量也越多[17-19]。外商直接投资对碳排放的影响显著为正，表明现阶段外商直接投资会显著促进碳排放量的增加。

2. 碳排放权交易政策对大气污染物的影响效应

本文主要研究碳排放权交易政策能否在降低二氧化碳排放的同时，也减少大气污染物排放。考虑数据的可得性，分别以二氧化硫（SO2）及可吸入颗粒物（PM2.5）为大气污染物的代理变量。以大气污染物作为被解释变量进行回归，估计结果如表2的第（1）、（2）列所示。 在表2的第（2）列中，将交互项与二氧化硫（SO2）排放量进行回归，控制地区固定效应和年份固定效应，估计系数为负且显著。同样，在表2的第（3）、（4）列中，以可吸入颗粒物（PM2.5）作为被解释变量，在控制其他变量的前提下，政策交互项Treat×T的估计系数为-0.207，且估计结果通过了1%显著性水平检验。这说明在其他条件不变的前提下，碳排放权交易政策的实施显著促进了城市二氧化硫（SO2）与可吸入颗粒物（PM2.5）的减少，碳排放权交易政策抑制了城市空气污染物的排放，表现出明显的减污降碳协同效应。

（二）稳健性检验

1. 使用倾向得分匹配双重差分方法

本文在基准分析中使用双重差分（DID）模型。与单差法、斷点回归等方法相比，双重差分方法的优势在于能较好地剔除实验组与控制组在实验前的差异，从而准确识别出因果效应[20-22]。但使用双重差分方法要满足的重要前提条件之一就是：实验组与控制组的分组是随机的，即样本选择不受干预影响。为了证明本文的实证结果不受可能存在的样本选择偏差干扰，本文使用倾向得分匹配双重差分（PSM-DID）方法进行估计。首先根据邻近匹配方法挑选出合适的控制组，然后进行双重差分模型的估计。表3结果显示，与前文的实证结果一致，碳排放权交易政策对PM2.5的影响是负向的，且通过了显著性检验。这说明本文的基准结果整体上是稳健的。与前文结果不同的是，碳排放权交易政策对二氧化硫排放的影响并不显著。因此，下文分析碳排放权交易政策对大气污染物的影响，仅考虑以PM2.5作为被解释变量进行回归分析。

2. 排除相近时期其他政策的干扰

在估计碳排放权交易政策对大气污染物的影响过程中，可能会有其他政策对大气污染物产生影响，从而使碳排放权交易政策的估计产生偏差。为了解决这一问题，本文搜索了在碳排放权交易政策实施期间发布的其他政策。最终发现，2013年国务院出台的《大气污染防治行动计划》提出了“切实改善空气污染”的政策，该政策要求到2017年全国地级市及以上城市可吸入颗粒物浓度应比五年前降低10%以上。据此，本文认为《大气污染防治行动计划》产生的减污效果可能会对本文的估计结果产生干扰。为了排除干扰，本文在基准回归模型中加入政策虚拟变量D。若加入政策虚拟变量之后，碳排放权交易政策的回归系数仍然显著，则说明本文的结果是稳健的。表4结果显示，代表政策的系数依然显著为负，尽管系数大小略有下降。这意味着碳排放权交易政策的减污效应是显著的，本文的实证结果较为稳健。

3. 安慰剂检验

碳排放权交易政策的实施时间为2013年，为了排除时间层面因素造成的干扰，利用虚构政策干预时间的方式进行安慰剂检验。具体做法如下：删除2013年以后的样本，仅保留碳排放权交易政策实施之前的样本，依次将2005—2007年作为“假”的碳排放权交易政策的时间点，对其进行减污效应检验，回归结果如表5所示。不难发现，在5%显著性水平下，双重差分项的系数不再显著，这表明大气污染物的减少确实是由碳排放权交易政策而不是其他因素导致的，据此可以说明本文的结果是稳健的。460ED1CE-73B4-4421-99C0-3F730659FA94

（三）作用机制分析

在机制分析中，中介效应模型被广泛应用，其基本思路是：研究自变量X对因变量Y的影响，若X通过影响Z而对Y产生影响，则称Z为中介变量。中介效应模型一般包含以下三个方程：

Yit=δ0Treati×Tt+θ0Xit+μi+ρt+εit    （2）

Zit=δ1Treati×Tt+θ1Xit+μi+ρt+εit  （3）

Yit=λZit+δ2Treati×Tt+θ2Xit+μi+ρt+εit   （4）

结合本文的机制分析，为了验证碳排放权交易政策是否通过影响绿色技术与产业结构对大气污染物产生影响，以PM2.5为因变量，碳排放权交易政策Treati×Tt为自变量，分别以绿色技术与产业结构为中介变量Z进行机制检验，X表示与上文一致的控制变量，μi为城市个体效应，ρt为时间效应，εit为随机误差项。其中，式（2）的系数δ0代表自变量对因变量的总效应;式（3）的系数δ1代表自变量对中介变量Z的效应;式（4）的系数λ代表控制自变量的影响后，中介变量对因变量的效应，系数δ2为控制中介变量后自变量对因变量的直接效应。因此，若系数λ与系数δ1均显著，系数δ2也显著，则表示直接效应显著，中介效应也显著，此时中介效应称为部分中介效应;若系数λ与系数δ1均显著，但系数δ2不显著，说明直接效应不显著，仅存在中介效应，此时中介效应也称完全中介效应[23]。中介效应的检验结果如表6所示：

表6的（1）～（3）列考察碳排放权交易政策的绿色技术进步机制。第（1）列展示碳排放权交易政策对大气污染物PM2.5的影响，与前文的结果一致，碳排放权交易政策的系数显著为负。第（2）列为碳排放权交易政策对绿色技术进步的影响，结果显示，碳排放权交易政策对绿色技术进步有显著的正向影响。第（3）列中，碳排放权交易政策与绿色技术进步的回归系数均在1%的水平下显著，说明直接效应与中介效应均成立，此时的中介效应为部分中介效应。从中介效应检验的结果可以发现，绿色技术进步确实是碳排放权交易政策影响大气污染物PM2.5的作用路径。

表6的第（4）～（6）列考察碳排放权交易政策的产业结构调整机制。第（4）列是碳排放权交易政策对大气污染物PM2.5的影响，与前文的结果一致，碳排放权交易政策的系数为负，且通过了1%的显著性水平检验。第（5）列为碳排放权交易政策对产业结构的影响，结果显示，碳排放权交易政策对产业结构有显著的负向影响。第（6）列中，碳排放权交易政策与产业结构的回归系数均在1%的水平下显著，说明直接效应与中介效应均成立，此时的中介效应为部分中介效应。从中介效应检验结果可知，产业结构也是碳排放权交易政策影响大气污染物PM2.5的作用路径，即碳排放权交易政策通过影响产业结构来减少大气污染物。

（四）异质性分析

1. 城市规模的异质性

参考2014年国务院发布的最新城市规模划分标准及试点城市的人口规模，将试点城市按常住人口规模划分为特大城市、大城市、中等城市与小城市。采用固定效应模型进行估计，同时考虑到大气污染具有路径依赖特征，在模型中加入大气污染物的一阶滞后项，估计结果如表7所示。从回归结果可以发现，不同规模城市的大气污染一阶滞后项系数均为正，且在1%的水平下显著。这表明不论是何种规模的城市，大气污染物的排放均具有显著的连续性，即上一期大气污染物较多的城市在下一期大气污染物也较多。比较不同规模城市的碳排放权交易政策的估计系数发现，城市规模越大，碳排放权交易政策的大气污染物减排效应也越强。

2. 产业发展阶段的异质性

在产业发展存在异质性的情况下，碳排放权交易政策是否会存在显著的大气污染减排效果差异？为了回答这一问题，依据钱纳里的工业化阶段理论，将城市按第二产业占GDP比重进行划分，分为工业化前期、工业化中期与工业化后期三个子样本进行回归，结果如表8所示。从回归结果可以发现，碳排放权交易政策的大气污染物减排效应因城市工业化发展阶段而异。相比于处于工业化早期与工业化中期的城市，碳排放权交易政策对处于工业化后期的城市具有更强的大气污染物减排效应。

五 结论与政策建议

气候变化与大气污染密切相关，但在学术研究和政府决策中较少对这两个问题进行同时考虑。在有限的经济资源与应对气候变化和大气污染控制的多重压力下，实施二氧化碳与大气污染物协同治理就显得愈发重要。本文基于2004—2018年中国255个地级市及以上城市的面板数据，利用双重差分模型评估碳排放权交易政策的减污降碳协同效应，并进一步分析其作用机制与异质性。研究发现：碳排放权交易政策显著降低城市的二氧化碳排放量和大气污染物浓度，表现出明显的减污降碳协同效应。经过一系列稳健性检验后，该结论依然成立。碳排放权交易政策对大气污染物的减排效应主要通过促进绿色技术创新和污染产业转移而实现。碳排放权交易政策的大气污染物减排效应在规模大和工业化程度高的城市更为显著。

据此，本文提出下述建议：（1）深入推进碳排放权交易试点工作，着力强化顶层设计，确保政策落地见效。在推进碳排放权交易试点扩大的过程中，政府应该做好推进形成统一碳市场的顶层设计，以防止地方政府的不良竞争，保证政策的执行性及有效性。（2）强化环境经济政策的组合调控，统筹推进减污降碳协同治理。在碳排放市场配额设置的过程中加入大气污染物，一方面有利于实现大气污染物与二氧化碳的协同治理;另一方面，可以激励生产者进行绿色技术创新，从而减少大气污染物的排放。（3）加大绿色技术创新投入，推动绿色经济发展。以科技創新推动绿色发展是解决生态环境问题的根本途径，加大绿色技术投入，鼓励企业进行绿色技术创新，加快形成资源节约型和环境友好型的经济发展模式。

[参 考 文 献]460ED1CE-73B4-4421-99C0-3F730659FA94

[1] 杨超， 吴立军， 李江风，等. 公平视角下中国地区碳排放权分配研究[J]. 资源科学， 2019（10）： 1801-1813.

[2] 王明喜， 李明， 郭冬梅， 等.碳排放权的非对称拍卖模型及其配置效率[J]. 管理科学学报， 2019（7）： 34-51.

[3] Garcia A， Leal M， Lee S H. Time-inconsistent environmental policies with a consumer-friendly firm： tradable permits versus emission tax[J]. International Review of Economics & Finance， 2018（ 58）： 523-537.

[4] 刘承智， 潘爱玲. 碳排放交易体系下的排放权交易会计政策研究[J]. 财经理论与实践， 2015（2）： 77-82.

[5] Cao J， Ho M S， Jorgenson D W， et al. China's emissions trading system and an ETS-carbon tax hybrid[J]. Energy Economics， 2019（81）： 741-753.

[6] Zhao X G， Jiang G W， Nie D， et al. How to improve the market efficiency of carbon trading： a perspective of China[J]. Renewable and Sustainable Energy Reviews， 2016（59）：1229-1245.

[7] 刘传明， 孙喆， 张瑾. 中国碳排放权交易试点的碳减排政策效应研究[J]. 中国人口·资源与环境， 2019，29（11）：49-58.

[8] Shmelev S E， Speck S U. Green fiscal reform in Sweden： econometric assessment of the carbon and energy taxation scheme[J]. Renewable and Sustainable Energy Reviews， 2018（90）： 969-981.

[9] Chang S， Sethi S P， Wang X. Optimal abatement and emission permit trading policies in a dynamic transboundary pollution game[J]. Dynamic Games and Applications， 2018（3）：542-572.

[10]Tang K， Liu Y， Zhou D， et al. Urban carbon emission intensity under emission trading system in a developing economy： evidence from 273 Chinese cities[J]. Environmental Science and Pollution Research， 2021（5）： 5168-5179.

[11]劉满凤， 陈华脉， 徐野. 环境规制对工业污染空间溢出的效应研究——来自全国285个城市的经验证据[J]. 经济地理， 2021（2）： 194-202.

[12]蔡博峰， 刘晓曼， 陆军， 等. 2005年中国城市CO2排放数据集[J]. 中国人口·资源与环境， 2018（4）： 1-7.

[13]邵帅， 李欣， 曹建华， 等. 中国雾霾污染治理的经济政策选择——基于空间溢出效应的视角[J]. 经济研究， 2016（9）：73-88.

[14]郭俊杰， 方颖， 杨阳. 排污费征收标准改革是否促进了中国工业二氧化硫减排[J]. 世界经济， 2019（1）： 121-144.

[15]李毅， 胡宗义， 刘亦文， 等. 碳强度约束政策对中国城市空气质量的影响[J]. 经济地理， 2019（8）： 21-28.

[16]李治国， 王杰. 中国碳排放权交易的空间减排效应：准自然实验与政策溢出[J]. 中国人口·资源与环境， 2021（1）：26-36.

[17]曾望军. 污染物排放强度与我国经济增长——基于内生增长模型的研究[J]. 湖南大学学报（社会科学版）， 2016（3）：94-100.

[18]Xu T. Investigating environmental Kuznets curve in China-aggregation bias and policy implications[J]. Energy Policy， 2018（114）： 315-322.

[19]Jiang P， Yang H， Ma X. Coal production and consumption analysis， and forecasting of related carbon emission： evidence from China[J]. Carbon Management， 2019（2）： 189-208.

[20]罗舟， 胡尊国. 中国自贸试验区政策试点对地区外商直接投资的影响——基于双重差分法的验证[J]. 财经理论与实践， 2021（2）： 67-72.

[21]Donald S G， Lang K. Inference with difference-in-differences and other panel data[J]. The Review of Economics and Statistics， 2007（2）： 221-233.

[22]MacKinnon J G， Webb M D. Randomization inference for difference-in-differences with few treated clusters[J]. Journal of Econometrics， 2020（2）： 435-450.

[23]温忠麟， 叶宝娟. 中介效应分析：方法和模型发展[J]. 心理科学进展， 2014（5）： 731-745.460ED1CE-73B4-4421-99C0-3F730659FA94