碳市场对能源结构低碳转型的影响及作用路径

柳亚琴,孙 薇,朱治双

碳市场对能源结构低碳转型的影响及作用路径

柳亚琴*,孙 薇,朱治双

(山西财经大学经济学院,山西 太原 030006)

选取中国2000～2018年30个省市的面板数据,构建了能源消费结构低碳化指数,基于多期双重差分、三重差分等方法实证检验碳交易政策与能源消费结构低碳转型之间的关系及异质性影响,并进一步利用多重中介效应模型探讨碳交易政策推动地区能源消费结构低碳转型的作用路径.结果表明:碳交易政策可以显著提升地区能源消费结构低碳化水平且作用效果逐年增强.从作用路径看,“四大效应”激励作用彰显,作用效果由大到小依次为结构优化效应、行为驱动效应、生态创新效应和环保支出效应;从异质性影响看,GDP增速较慢地区的政策实施加快了能源消费结构低碳转型,影响明显高于GDP增速较快地区;碳交易政策对东部地区的正向推动效应显著,对中西部地区无明显促进作用.

碳交易政策；能源消费结构低碳转型；多期双重差分模型；多重中介效应模型

能源消费结构的转型升级是我国建立健全绿色低碳循环发展经济体系的关键路径[1].然而,当前中国煤炭消费量仍占据世界半壁江山,与多数国家能源消费结构低碳化水平还存在较大差距.“十一五”以来,中国大力加快能源消费清洁低碳转型,持续优化能源消费结构,基本扭转了煤炭比重长期维持在70%左右的局面[2],煤炭消费占比由2008年的72.4%下降至2020年的56.8%,但仍远超27.2%的世界平均水平和11.2%的美国煤炭消费占比.中国亟需加快能源消费结构低碳转型.而碳交易政策作为一种市场型环境规制手段,有助于我国通过较低的成本实现减排目标,同时也是实现“双碳”目标的重要政策工具[3].基于此,本文研究碳交易政策对能源消费结构的影响及传导机制,对于我国推动经济社会发展全面绿色低碳转型具有重要的参考意义.

1 文献综述

现有文献关于能源消费结构的相关研究主要聚焦在影响因素、变动趋势预测和低碳化水平的测度三个方面.就能源消费结构影响因素而言,学者们普遍认为能耗强度[4]、产业结构[5]、城镇化水平[6]、经济发展水平[7]等因素对能源消费结构产生主要影响.就能源消费结构变动趋势预测而言,主要关注于方法选择,如许多学者通过马尔科夫链[8]、能源消费弹性系数[9]、组合模型[10]等考察能源消费结构的变动趋势.其中,与单一模型相比,组合模型可以得到更精确可靠的预测结果.就能源消费结构低碳化的测度方面研究而言,学界主要有以下两种思路:一是使用单一指标对能源消费结构低碳化程度进行刻画,如使用煤炭占比[11]、煤炭消费占比和非化石能源消费占比[12];二是通过构建综合指标来评估能源消费结构低碳化程度,如苗阳等[13]利用AHP模型构建综合能源结构评价体系;周四军等[14]采用稀疏主成分分析测算地区能源高质量发展程度;李荣杰等[15]通过改进加权多维向量夹角方法构建了能源结构低碳化综合指数.

碳交易试点政策对中国经济和环境的影响一直是学者们研究的热点问题.现有文献对于碳交易政策的研究包括:第一,关于碳交易政策影响效应的有效性研究.多数学者认为碳交易政策可以有效降低地区的碳排放[16],且其减排效应逐年增强[17],随着空间计量模型的广泛应用,学界开始将碳交易政策对邻地产生的影响纳入研究范围.研究结果发现碳交易政策还具有一定的溢出效应抑制相邻地区减排[18];第二,关于碳交易政策对于低碳经济发展影响的研究.碳交易政策可助力地区整体实现绿色发展[19],并能够通过激励地区创新促进绿色经济增长[20];第三,关于碳交易政策与其他方向的融合研究.胡江峰等[21]发现碳交易政策在促进企业提升创新数量的同时也可促进企业兼顾创新质量,但对于低质量创新的促进作用更为明显;谭静等[22]从产业结构优化升级视角出发,研究发现碳交易政策对当地产业结构升级具有显著的“倒逼”效应;还有学者证实了碳交易政策对绿色发展效率的促进效应[23-24].

碳交易政策至今试行9年之久,既往文献深入探讨了碳交易政策的治污减排效应,取得了丰硕的研究成果,但关于碳交易政策对于能源消费结构低碳转型影响机制的研究却极为匮乏.基于此,本文首先从生态创新、结构优化、环保支出、行为驱动4个角度提供了碳交易政策促进地区能源消费结构低碳转型的驱动机制.其次,基于省级面板数据构建能源消费结构低碳化指数,运用多期DID模型,实证检验碳交易政策与能源消费结构低碳转型之间的关系,并进一步利用多重中介效应模型考察碳交易政策对地区能源消费结构低碳转型的平行及链式作用路径.最后,运用三重差分模型讨论碳交易政策对不同地区能源消费结构低碳转型的异质性影响.

2 理论机制

实现地区能源消费结构低碳转型是一场颠覆性的能源体系变革,不仅需要政府的顶层宏观设计、相关政策制定,还需要企业积极响应以及公众的参与.碳交易政策是科斯定理在政府治理环境方面的应用,该政策将会导致遵循成本最小化或利益最大化的企业优化调整能源消费结构,长此以往还可促进各行业能源消费结构的升级换代,最终推动整个地区实现能源消费结构绿色、低碳发展.基于此,参考范英等[25]对能源转型驱动机制方面的研究,本文认为碳交易政策之所以能够促进地区能源消费结构低碳化水平提升,主要是存在“生态创新效应为引领、结构优化效应为内驱、环保支出效应为助推、行为驱动效应为补充”的4个重要机制.

2.1 生态创新效应

在理论层面,“波特假说”认为企业在适当的环境规制下,会倾向于从事更多技术创新研发活动,激发的“创新补偿效应”能够抵消部分甚至是全部的环境成本,从而降低企业的合规成本.在现实层面,碳交易政策是一种市场型环境规制,作为逐利型主体的企业在边际治碳成本高于边际技术创新成本时,他们会有足够的动机不断改进生产技术工艺,提高自主创新能力,广泛开展生态创新实现“绿色生产”方式变革.一方面,企业在实现清洁生产的同时还可出售富余的碳排放许可;另一方面,拥有生态创新技术的企业也可向其他高碳企业出售其自主研发的绿色技术,这两者带来的收益均可以缓解企业因政策带来的附加环境成本压力[26].短期来看,生态创新成本会加重企业负担,但从长远角度来看,生态创新不仅可以提高生产效率,还可降低企业的环境治理成本,有利于加大企业的市场竞争能力,同时也有助于实现地区能源消费结构低碳转型.

2.2 结构优化效应

碳交易政策的实施实际上是政府给予高污染、高能耗企业的一种信号,目的在于督促其进行低碳生产改造.一方面,在碳交易政策实施的背景下,作为“理性人”的企业会不断地通过减排来压缩生产成本,当开展减排的企业由点向面进行扩散时,那些不进行减排的“两高”企业会因生产成本过高导致企业竞争力下降最终被挤出市场.此外,这种优胜劣汰的淘汰机制也会使碳交易政策存在“环境壁垒”效应[27],行业准入门槛于无形中不断提高,从而倒逼产业结构优化;另一方面,清洁产业的利润空间随着相关环境法规严苛而增大,便会诱使社会资源重新配置,致使生产要素流向清洁产业,加速产业结构优化,进而实现地区能源消费结构低碳转型.

2.3 环保支出效应

环保支出作为一种特殊的工具同时具有经济和环保双重属性而成为政府的重要选择[28].其最直接的作用是改善环境状况.另外,环保支出所体现出的政府偏好可引导一系列的非官方环保投资,间接地促进社会的环境治理[29].同时,“两高”企业在感知到政府偏好的同时,也会积极调整原料投放或生产工艺以达到清洁生产的目标,有助于能源消费结构低碳转型.除此之外,环保支出还可以通过影响产业结构及生态创新作用于地区能源消费结构低碳转型.具体作用机理表现为:一是环保支出以一种投入型的环境规制方式对地区的技术创新产生激发作用[28];二是环保支出依靠其强烈的政策导向性引导着社会资金的集聚方向,从而有助于产业结构的优化升级[30].

2.4 行为驱动效应

碳交易政策属于环境规制中的正式环境规制,体现了官方治理环境的主动性.除此之外,公众群体的力量也不容小觑,这种非正式环境规制行为目前已成为正式环境规制的重要补充[31].具体而言,公众可能从以下两个维度参与环保事业,一是公众监督具有及时、高效、无利益纠葛等优点,极大程度上缓解了政府与企业之间环境污染信息不对称的问题,在更好地辅助政府进行环保督查的同时施于企业更大的压力[32];二是环保意识的提高会促使公众在消费时倾向选择同质产品中更具有绿色低碳特质的产品,便可“倒逼”企业开展绿色生产改革,推动能源消费结构低碳转型的进程.进一步来说,公众的终端需求决定了企业的生产方向,其对绿色产品的偏好可以影响企业的生产策略,直接激励企业开展生态技术创新,研发环境友好型生产技术或“绿色”产品[33],在助力企业在市场上拥有绝对的竞争力的同时也有利于能源消费结构低碳转型.

3 研究设计

3.1 模型设定

3.1.1 多期双重差分模型 为了探究碳交易政策的实施能否对能源消费结构低碳转型产生影响,本文采用多期DID方法,将碳交易试点政策视为“准自然实验”,以各省实施碳交易政策的实际年份作为政策干预时间点,据此将研究对象分为处理组和控制组,进而对两类地区在政策实施前后的能源消费结构低碳化水平进行比较,设计模型如下:

式中:、分别表示政策实施年份和地区.gec为被解释变量,表示地区在年份的能源消费结构低碳化指数;核心解释变量pro×time表示地区在年份是否启动实施碳交易政策的虚拟变量,当且仅当省份在年份启动实施碳交易试点政策时,取值为1,其他情况则取值为0,该变量的系数为待估政策净效应,反映碳交易政策的实施对地区能源消费结构低碳转型产生的影响.X为一系列控制变量,包括:自然资源禀赋、政府干预、城镇化水平以及经济活力.β为省份固定效应;θ为年份固定效应;为随机扰动项.

3.1.2 多重中介效应模型 利用多重中介效应模型对碳交易政策影响能源消费结构低碳转型的中介传导机制进行分析,引入行为驱动效应(ier)、环保支出效应(es)、结构优化效应(iso)、生态创新效应(ei)四个中介变量对其产生的平行及链式中介效应进行讨论(图1),模型设定如下:

式(1)用于检验碳交易政策影响能源消费结构低碳转型的总效应,其中,系数1反映了碳交易政策影响能源消费结构低碳转型的总效应,式(6)中的系数1反映了碳交易政策对能源消费结构低碳转型影响的直接效应,总效应1也就是直接效应1与间接效应即中介效应之和.式(3)-(6)构成的多方程系统对四种中介变量的中介效应进行检验,其中包括4条平行中介路径和3条链式中介.具体来看,平行中介效应表现为“pro×time→ier→gect”、“pro× time→es→gec”、“pro×time→iso→gec”、“pro× time→ei→gec”,效应大小分别为21324354;链式中介效应表现为“pro×time→ier→ ei→gec”、“pro×time→es→ei→gec”、“pro× time→es→iso→gecit”,效应大小分别为224、334、313.

图1 中介效应传导机制

3.1.3 三重差分模型 通过引入三重交互项对碳交易政策对不同地区能源消费结构低碳转型的异质性影响进行分析,本文将区域虚拟变量reg引入基准模型(1),与pro×time构成三重差分模型来探究碳交易政策在不同地区的实施效果,为全国碳交易市场的良好运行提供参考.模型设定如下:

在讨论某地区时,则该地区reg取值为1,相反则为0.系数1表示碳交易政策对于某特定地区能源消费结构低碳转型影响的净效应.

3.2 变量选取

3.2.1 被解释变量 能源消费结构低碳化指数(gec).能源消费结构低碳化是各类主导能源在替代与互补中,持续不断地优化调整的系统性工程.它是指随着我国加速推进能源消费清洁化,结构呈现出以绿色低碳替代高碳为特征的调整趋势,仅仅使用煤炭或清洁能源消费占比来衡量能源消费低碳化的进程是有失偏颇的.所以,本文借鉴付凌晖[34]的方法构建了能源消费结构低碳化指数来衡量其绿色低碳转型进程.

最后,对年份所有向量夹角进行加权,构成能源消费结构低碳化指数gec,具体计算公式如下:

3.2.2 解释变量 碳交易试点政策(pro×time),表示地区在年份是否启动实施碳交易政策的虚拟变量,若地区在年开始实施碳交易政策,则pro×time取1,否则取0,其系数反映了碳交易政策的实施对地区能源消费结构低碳化产生的影响.具体而言,上海、北京、广东、天津于2013年实施碳交易试点政策,湖北和重庆于2014年开始实施政策,四川及福建也分别于2016年和2017年实施相应的试点政策.

3.2.3 中介变量

(1)生态创新效应(ei),即可实现经济和环境双重友好的技术创新,采用学界普遍使用的专利数量来衡量生态创新效应.参考曾刚等[35]的做法,利用“低碳、减排、环保、节能、可再生、生态治理、环境友好、循环利用、污染治理、清洁能源”等关键词在大为innojoy专利数据库筛选出相关发明专利的授权数.

(2)结构优化效应(iso),选取第二产业增加值与第三产业增加值的比值来表征.iso越小,说明结构优化效应越大.

(3)环保支出效应(es),使用工业污染治理完成投资与GDP的比值来衡量.

(4)行为驱动效应(ier),参考首次提出非正式环境规制这一概念的Wheeler等[36]的刻画方法,利用熵权法从人口密度、受教育水平、人均收入水平3个维度构建非正式环境规制综合指数,以此衡量行为驱动效应的大小.其中,由于研究数据可得性的限制,受教育水平的衡量采取秦炳涛等[37]的方法,选取当地小学、普通中学及高等学校专任教师数总和与年底人口之和的比重来表示.

3.2.4 控制变量 设定自然资源禀赋(nre)、经济活力(qos)、政府干预(gi)、城镇化水平(ul)等变量作为影响能源消费结构低碳化水平的控制变量,分别采取采掘业固定投资占总固定投资的比重、货运量、地方一般预算支出与GDP的比值、常住人口城镇化率等指标来表征.

由于西藏及港、澳、台地区数据缺失严重,本文选取2000～2018年中国30个省(市及自治区)的面板数据进行分析,相关数据来源于EPS数据库、CSMAR数据库、《新中国六十年统计资料汇编》[38]、大为innojoy专利数据库、中国城市统计年鉴以及各省市统计年鉴.另外,利用插值法和平均增长率法补全部分缺失数据.各变量的描述性统计如表1所示.

表1 变量描述性统计

4 实证分析

4.1 基准回归结果

4.1.1 碳交易政策对能源消费结构低碳转型影响分析 本文将模型(1)作为基准模型用以考察碳交易政策影响地区能源消费结构低碳转型的实际效应,为了使研究结论更具稳健性,之后逐步加入地区固定效应、时间固定效应及控制变量,具体检验结果如表2的第(1)～(3)列所示.检验结果显示:在上述三种检验条件下,核心解释变量pro×time的系数均为正且在1%的显著水平下显著,这表明碳排放权交易机制对试点地区的能源消费结构低碳转型具有正向促进作用.以第(3)列回归结果为例,碳交易政策的实施会使得地区能源消费低碳化水平提升17.1%.

4.1.2 平行趋势检验 使用DID方法来估计结果的前提条件是实验组和控制组要满足平行趋势假定,即碳交易政策实施之前,能源消费结构低碳化指数保持相对稳定的变动趋势.上述基准分析得出的是在一段时间内政策实施对于各地区能源消费结构低碳转型影响的平均效应,为了使研究结果更加严谨,本研究引入平行趋势检验模型,进一步分析碳交易政策对能源消费结构低碳转型的动态影响.

表2 基准回归结果

注:*、**、***分别表示在10%、5%、1%的水平下显著.

由图2知,政策执行之前年份的pro×time系数的置信区间均包含0,系数也均不显著,这说明在2013年以前,政策试点省份与政策非试点省份不存在显著差异,满足平行趋势假定.2013年政策执行后,估计系数均显著为正,并呈现出向右上方倾斜的趋势,这说明了碳交易政策的实施对能源消费结构低碳转型起到了诱发的作用,且作用效果逐年增强.

4.1.3 安慰剂检验 为排除其他不可知因素对研究结论的干扰,验证碳交易政策促进地区能源消费结构低碳转型的实际影响效应,采用了在所有样本中随机设置若干次虚拟实验组的安慰剂检验.首先,在30个地区随机抽样得到“伪处理组”;其次,将此抽样过程重复500次并进行回归;最后,便得到500次回归结果.本文将500次回归产生的“伪政策虚拟变量”的估计系数分布以及其值绘制于图3中,从图中可以看到,真实估计系数明显偏离“伪政策虚拟变量”的估计系数分布,相应值也主要集中在0.1,这意味着在10%的水平下不显著.由此,表明本文得到的研究结果在一定程度上避免了偶然性,即可以排除其他政策或者随机性因素对地区能源消费结构低碳转型的影响.

图2 平行趋势假设的动态效应

实线部分表示地区能源消费结构低碳转型的边际效应,虚线部分表示95%的置信区间范围

图3 安慰剂检验

轴反映的是具体的分布密度值及值,轴反映的是“伪政策虚拟变量”待估系数值,图中圆点代表了待估系数相对应的值,曲线表征了估计系数的核密度分布状况

4.2 稳健性检验

4.2.1 扩大处理组 除上文研究的8个试点省份之外,深圳市作为全国首个正式启动碳排放交易试点的城市,于2013年6月18日正式上线交易.为了使研究结论更具稳健性,本节将深圳市的各项数据从广东省剥离出来后扩大实验处理组进一步分析.研究结果如表3所示,回归结果显示无论是否加入控制变量、时间固定效应及地区固定效应,pro×time的估计系数仍正向显著,这与前文回归结果相一致,再次验证了碳交易政策可以显著促进试点地区的能源消费结构低碳转型.

表3 扩大处理组后的回归结果

注:*、**、***分别表示在10%、5%、1%的水平下显著.

表4 政策执行时间调整后的回归结果

注:*、**、***分别表示在10%、5%、1%的水平下显著.

4.2.2 政策执行时间 考虑到上海、北京、广东、天津及四川地区实施碳交易政策的时间接近于当年年末,可能会影响其政策在正式实施年份的执行效果.为了使研究结果更具可靠性,本节将这些地区的政策实施时间调整至其政策正式实施的次年后重新检验.回归结果如表4所示,pro×time系数仍显著为正,说明碳交易政策的推行是试点地区能源消费结构低碳转型的动力,进一步证明上文研究结论的可信性.

4.3 碳交易政策对能源消费结构低碳化影响机制分析

为进一步探究碳交易政策对能源消费结构低碳转型的作用机理,运用多重中介效应模型,将生态创新效应、结构优化效应、环保支出效应、行为驱动效应作为中介变量进行研究.首先,运用逐步回归法对模型(2)～(6)的中介变量进行检验;其次,当逐步回归法失灵时,对模型进行bootstrap检验,若中介变量通过该检验,则证实存在多重中介效应;最后,利用各中介变量的bootstrap检验结果对其传导路径进行深入分析.

4.3.1 逐步检验法 表5中的第(2)(4)(5)列的回归结果显示,pro×time的估计系数均显著,说明了碳交易政策的实施引发了生态创新效应、环保支出效应及行为驱动效应,即碳交易政策在驱动地区能源消费结构低碳转型的过程可能存在中介效应.此外,借助温忠麟等[39]的研究方法,对结构优化效应的中介效应进行检验,结果发现结构优化效应通过了bootstrap检验,说明结构优化效应的中介效应存在.另外,第(6)列的pro×time回归系数表示,碳交易政策对地区能源消费结构低碳转型的影响存在直接效应(0.082);第(1)列的pro×time回归系数表示,碳交易政策对地区能源消费结构低碳转型存在着显著的正向总效应(0.171)影响.进一步分析发现,第(1)列的总效应大于第(6)列的直接效应,这说明存在间接效应,即碳交易政策推动地区能源消费结构低碳转型的进程中存在部分中介效应.

表5 碳交易政策对能源消费结构低碳化的影响机制检验

注:*、**、***分别表示在10%、5%、1%的水平下显著.

4.3.2 Bootstrap检验法 表6为碳交易政策驱动地区能源消费结构低碳转型过程中的传导机制.可以发现,碳交易政策通过生态创新效应、产业结构优化效应、环保支出效应及行为驱动效应间接地推动地区能源消费结构低碳转型,其中介效应之和即总中介效应为0.142.

表6 碳交易政策对能源消费结构低碳化的多重中介效应机制检验

注:***、**、*分别表示1%、5%和10%的显著性水平,括号内数字是运用Bootstrap方法得出的中介效应置信区间,置信区间不包含0表示显著.

①生态创新效应的中介效应.生态创新效应单独发挥显著的正向平行中介效应即碳交易政策→生态创新→能源消费结构低碳化指数(0.041),占总中介效应的28.88%.这说明了生态创新为实现能源消费结构低碳转型注入了不竭的动力,碳交易政策通过倒逼企业进行生态创新以实现生产成本最小化,从而有助于地区实现能源消费结构低碳转型.

②结构优化的中介效应.结构优化效应同生态创新效应一样发挥着平行的中介效应即碳交易政策→结构优化效应→能源消费结构低碳化指数(0.057),占总中介效应的40.15%.这说明了碳交易政策的实施给重污染高能耗的企业带来了生存压力,运营成本的提高倒逼企业转型,产业结构得到持续优化升级进而促进地区能源消费结构实现低碳转型.

③环保支出效应的中介效应.首先,碳交易政策通过环保支出效应本身影响能源消费结构低碳化即碳交易政策→环保支出效应→能源消费结构低碳化指数(-0.025),可能原因是直接作用于地区能源消费结构低碳转型的环保支出由于资金使用效率不足,导致未能有效发挥作用;其次,环保支出一方面凭借其政策导向性调动着各类生产要素向绿色清洁产业集聚,促进产业结构优化调整;另一方面以资金援助的方式缩减企业交易成本,激发企业开展更多的生态创新研发活动.由此产生两条链式中介效应即碳交易政策→环保支出效应→结构优化效应→能源消费结构低碳化指数(0.017)、碳交易政策→环保支出效应→生态创新效应→能源消费结构低碳化指数(0.010).环保支出效应的累积中介效应为0.002,占总中介效应的1.41%.

④行为驱动效应的中介效应.碳交易政策在影响地区能源消费结构低碳转型中存在着显著的行为驱动效应,该效应累计发挥的中介效应为0.042,其占总效应的29.56%.具体来看,包括碳交易政策→行为驱动效应→能源消费结构低碳化指数(0.036)的平行中介效应,以及碳交易政策→行为驱动效应→生态创新效应→能源消费结构低碳化指数(0.006)的链式中介效应.其中,行为驱动效应的平行中介效应作用力要大于其链式中介效应.以上结果表明,碳交易政策作为正式环境规制不仅可以通过影响公众的绿色消费行为促进能源消费结构低碳转型,还可以通过影响公众对绿色消费理念的认同从而助推企业进行生态创新以实现能源消费结构低碳转型.

综上所述,在碳交易政策驱动能源消费结构低碳转型的过程中,以上4种主要中介变量的中介效应贡献度最大的是结构优化效应,最小的是环保支出效应,行为驱动效应和生态创新效应依次次之.具体分析各传导路径可以得出,碳交易政策→结构优化效应→能源消费结构低碳化指数(0.057)这条路径的中介效应最大,究其原因是我国目前最大的能源消耗主体是第二产业,碳交易政策的实施可以激励地区高污染高能耗企业开展清洁能源的使用以及促进地区产业结构的转型升级,由此可以有效降低地区能耗强度,推动地区能源消费结构低碳转型.

4.4 异质性分析

4.4.1 经济发展程度异质性分析 以30个省市GDP增速平均值的中位数为依据将研究样本划分为2类,即GDP增速较快地区和GDP增速较慢地区,以此考察碳交易政策在经济发展程度相异地区的实施效果.表7显示了两类地区的三重差分估计结果,可以看出在加入控制变量以及控制时间固定效应和个体固定效应的情况下,GDP增速较慢地区的碳交易政策可以显著促进地区能源消费结构低碳转型,政策的实施可使GDP增速较慢地区的能源消费结构低碳化水平提高36.4%,与之相对比来看,碳交易政策对GDP增速较高地区的作用效果较差,究其原因是我国经济正迈向新的发展阶段,各地区GDP增速都进入了减档期,但对于GDP增速较快的地区来说,这些地区工作要务还是在于着力提升经济总量,存在通过给环境约束力松绑换取经济增长的现实问题[40],处于环境库茨涅兹曲线的上升阶段[41],即实现经济增长的同时伴随着环境污染,所以会对碳交易政策的红利释放有一定的阻碍作用,使得该政策效果大打折扣.而诸如北京、上海这类GDP增速较慢地区已经步入经济高质量发展的先导期,较好地完成了经济动力的转化,努力践行经济发展与环境的双赢,为碳交易政策的有效实施营造出较为优越的外部条件,因而这些地区的碳交易政策效果得到充分显现.

表7 经济发展异质性的三重差分估计结果

注:*、**、***分别表示在10%、5%、1%的水平下显著.

4.4.2 区域异质性分析 按照国家统计局划分标准将30个省份划分为东部、中部及西部,以此来探索碳交易政策实施效果的区域异质性差异.具体估计结果如表8所示,碳交易政策的正向推动效应主要体现在东部地区,对中部及西部地区的能源消费结构低碳转型虽然也存在一定的促进作用,但效果在统计意义上并不显著.其中原因可能在于湖北作为中部地区的唯一试点地区,其经济发展对第二产业依赖程度较高,同时考虑到经济发展与环境问题之间的平衡关系,市场惩处力度也相对薄弱.此外,湖北碳交易市场还存在“为交易而交易”的虚假繁荣现象[40],由此致使政策作用效果不显著.而西部地区仍处于经济高速发展的机遇期,能源消耗量较大.除此之外,重庆碳交易市场发育度较差,市场活跃度不足,同时还存在对未完成履约企业的处罚力度较弱导致市场有效性不足的问题[42],加之四川的碳交易政策实施较晚,其政策效果可能在本文研究时间段中未完全显现,从而西部地区碳交易政策的实施未能对能源消费结构低碳转型产生较为明显的推动作用.

表8 区域异质性的三重差分估计结果

注:*、**、***分别表示在10%、5%、1%的水平下显著.

5 结论与建议

研究发现:(1)碳交易政策的实施显著地提升了试点地区的能源消费结构低碳化水平,且政策效应逐年增强.通过了一系列稳健性检验后,该结论仍然成立.(2)对碳交易政策影响能源消费结构低碳转型的传导机制进行实证检验,研究发现,碳交易政策可以通过生态创新效应、结构优化效应、环保支出效应及行为驱动效应以平行或链式传导机制对地区能源消费结构低碳转型产生影响.其中,生态创新效的中介效应占比为28.88%,结构优化效应占比为40.15%,环保支出效应占比为1.41%,行为驱动效应占比为29.56%.(3)异质性分析发现,GDP增速较慢地区的碳交易政策对能源消费结构低碳转型的作用效果明显高于GDP增速较快地区;碳交易政策对东部地区能源消费结构低碳转型产生显著的正向促进作用,而对中部及西部地区而言,碳交易政策虽然存在正向作用力,但作用效果并不显著.

针对本文的研究结论,提出如下建议:

(1)着力完善碳交易市场运行机制,针对不同地区制定差异化政策.对不同地区的现实状况要做到“量体裁衣”,对于着力发展经济以实现基本发展目标的地区,要考虑当地经济和环境的耦合度,温和地推进政策的实施力度以便更好地发挥政策效果.

(2)助力企业广泛开展生态创新活动,激发低碳化生产的内在动力.政府应着力为全社会培育滋养创新的肥沃土壤,对积极进行低碳技术创新的企业予以补贴和奖励.同时,还要加大力度消除科技成果转化障碍,促使科技成果可以实现低成本转化以及生态创新技术的普遍推广.

(3)引导高碳产业开展绿色低碳转型,严格控制高碳产业无度扩张.要着力发展高新技术产业,提高“二高”产业的准入门槛,及时淘汰落后的高耗能、高污染产业.另外,在产业结构优化调整过程中,要针对不同的产业问题进行循序渐进式调整,切忌发生“运动式”调整而致使整个社会发展陷入困境.

(4)建立健全环保资金专项配置体系,促进环保资金使用效率提升.政府应建立合理的环保资金配置体系,严格审批环保资金,确保环保资金流向环境治理过程中的薄弱环节,帮助企业克服环境治理过程中的难题.同时,还要设立环保资金实时动态监管机制,确保资金使用落到实处.

(5)加强全社会绿色发展理念的宣传,鼓励公众践行低碳生活理念.政府应充分利用好公众自发产生的力量,引导公众树立低碳发展观,积极倡导绿色低碳生活理念和消费行为.此外,还应拓宽公众参与环保事业的渠道,鼓励公众对企业的各种不良环保行为进行多方位监督,同时建立公众与相关环保部门的良好互动机制以解决政府的信息不对称问题.

[1] 徐 政,左晟吉,丁守海.碳达峰、碳中和赋能高质量发展:内在逻辑与实现路径[J]. 经济家, 2021，(11):62-71.

Xu Z, Zuo C J, Ding S H. Carbon Peak, Carbon Neutrality Empowers High-Quality Development: Internal Logic and Realization Path [J]. Economist, 2021,(11):62-71.

[2] 李俊峰,李 广,中国能源、环境与气候变化问题回顾与展望[J]. 环境与可持续发展, 2020,45(5):8-17.

Li J F, Li G. Review and prospect of energy, environment and climate change in China [J]. Environment and Sustainable Development, 2020,45(5):8-17.

[3] 范秋芳,张园园.碳排放权交易政策对碳生产率的影响研究[J]. 工业技术经济, 2021,40(12):113-121.

Fan Q F, Zhang Y Y. Research on the Impact of Carbon Emission Trading Policy on Carbon Productivity [J]. Journal of Industrial Technological Economics, 2021,40(12):113-121.

[4] 周彦楠,何 则,马 丽,等.中国能源消费结构地域分布的时空分异及影响因素[J]. 资源科学, 2017,39(12):2247-2257.

Zhou Y N, He Z, Ma L, et al. Spatial and temporal differentiation of China's provincial scale energy consumption structure [J]. Resources Science, 2017,39(12):2247-2257.

[5] Xia C X, Wang Z. Drivers analysis and empirical mode decomposition based forecasting of energy consumption structure [J]. Journal of Cleaner Production, 2020,254(C):120107.

[6] 王风云,苏烨琴.京津冀能源消费结构变化及其影响因素[J]. 城市问题, 2018,(8):59-67.

Wang F Y, Su Y Q. Changes in Beijing-Tianjin-Hebei energy consumption structure and its influencing factors [J]. Urban Problems, 2018,(8):59-67.

[7] 张倩倩,李百吉.基于路径分析法的能源结构影响因素效应分析与政策优化[J]. 企业经济, 2017,36(8):11-17.

Zhang Q Q, Li B J. Effect analysis and policy optimization of energy structure influencing factors based on path analysis method [J]. Enterprise Economy, 2017,36(8):11-17.

[8] 翁智雄,马忠玉,葛察忠,等.不同经济发展路径下的能源需求与碳排放预测——基于河北省的分析 [J]. 中国环境科学, 2019,39(8): 3508-3517.

Weng Z X, Ma Z Y, Ge C Z, et al. Projection on energy demand and carbon emission in various economic developing pathways——A case study in Hebei province [J]. China Environmental Science, 2019,39(8): 3508-3517.

[9] 李洪兵,张吉军.中国能源消费结构及天然气需求预测[J]. 生态经济, 2021,37(8):71-78.

Li H B, Zhang J J. China’s energy consumption structure and forecast on natural gas demand [J]. Ecological Economy, 2021,37(8):71-78.

[10] 谢小军,邱云兰,时 凌.基于ARIMA和BP神经网络组合模型的能源消费预测[J]. 数学的实践与认识, 2019,49(10):292-298.

Xie X J, Qiu Y L, Shi L. Prediction of energy consumption based on ARIMA and BP neural network combined model [J]. Mathematics in Practice and Theory, 2019,49(10):292-298.

[11] Liu Y Q, Zhao G H, Zhao Y S. An analysis of Chinese provincial carbon dioxide emission efficiencies based on energy consumption structure [J]. Energy Policy, 2016,96:524-533.

[12] Xu G Y, Peter Schwarz, Yang H. Adjusting energy consumption structure to achieve China's CO2emissions peak [J]. Renewable and Sustainable Energy Reviews, 2020,122:109737.

[13] 苗 阳,邢文杰,鲍健强.城市能源结构低碳化指标体系及实现路径研究[J]. 生态经济, 2016,32(5):53-57.

Miao Y, Xing W J, Bao J Q. Low-Carbon Index Evaluation System of the Urban Energy Structure and Its Attainment [J]. Ecological Economy, 2016,32(5):53-57.

[14] 周四军,戴思琪.长江经济带能源高质量发展的测度与聚类分析 [J]. 工业技术经济, 2020,39(10):116-124.

Zhou S J, Dai S Q. Measurement and Cluster Analysis of High－quality Energy Development in the Yangtze River Economic Belt [J]. Journal of Industrial Technological Economics, 2020,39(10):116-124.

[15] 李荣杰,李 娜,张 静,等.地区能源结构低碳化差异的收敛机制及影响因素——基于加权多维向量夹角指数 [J]. 统计与信息论坛, 2020,35(10):90-99.

Li R J, Li N, Zhang J, et al. Regional Differences Convergence of Low-carbon Energy Structure and Influencing Factors: Based on Weighted Multi-Dimensional Vector Angle [J]. Journal of Statistics and Information, 2020,35(10):90-99.

[16] 曾诗鸿,李 璠,翁智雄,等.碳市场的减排效应研究——来自中国碳交易试点地区的经验证据[J]. 中国环境科学, 2022,42(4):1922-1933.

Zeng S H, Li P, Weng Z X, et al. A Study of the Emission Reduction Effects of Carbon Markets: Empirical Evidence from Pilot Carbon Trading Regions in China [J]. China Environmental Science, 2022, 42(4):1922-1933.

[17] 董直庆,王 辉.市场型环境规制政策有效性检验——来自碳排放权交易政策视角的经验证据[J]. 统计研究, 2021,38(10):48-61.

Dong Z Q, Wang H. Validation of Market-based Environmental Policies: Empirical Evidence from the Perspective of Carbon Emission Trading Policies [J]. Statistical Research, 2021,38(10):48-61.

[18] 李若男,杨力俊,赵晓丽.基于空间模型的中国碳交易减排效果分析[J]. 全球能源互联网, 2021,4(5):486-496.

Li R N, Yang L J, Zhao X L. Reduction Effect of China’s Carbon Emission Trading Scheme Based on Spatial Model Analysis [J]. Journal of Global Energy Interconnection, 2021,4(5):486-496.

[19] 任亚运,傅京燕.碳交易的减排及绿色发展效应研究[J]. 中国人口·资源与环境, 2019,29(5):11-20.

Ren Y Y, Fu J Y. Research on the effect of carbon emissions trading on emission reduction and green development [J]. China population, resources and environment, 2019,29(5):11-20.

[20] 廖文龙,董新凯,翁 鸣,等.市场型环境规制的经济效应:碳排放交易、绿色创新与绿色经济增长[J]. 中国软科学, 2020,(6):159-173.

Liao W L, Dong X K, Weng M, et al. Economic Effect of Market- oriented Environmental Regulation: Carbon Emission Trading, Green Innovation and Green Economic Growth [J]. China Soft Science, 2020,(6):159-173.

[21] 胡江峰,黄庆华,潘欣欣.碳排放交易制度与企业创新质量:抑制还是促进[J]. 中国人口·资源与环境, 2020,30(2):49-59.

Hu J F, Huang Q H, Pan X X. Carbon emission trading system and firms’ innovation quality: suppression or promotion [J]. China population, resources and environment, 2020,30(2):49-59.

[22] 谭 静,张建华.碳交易机制倒逼产业结构升级了吗?——基于合成控制法的分析[J]. 经济与管理研究, 2018,39(12):104-119.

Tan J, Zhang J H. Does China’s ETS Force the Upgrade of Industrial Structure—Evidence from Synthetic Control Method [J]. Research on Economics and Management, 2018,39(12):104-119.

[23] 孙振清,李欢欢,刘保留.碳交易政策下区域减排潜力研究——产业结构调整与技术创新双重视角[J]. 科技进步与对策, 2020,37(15):28-35.

Sun Z Q, Li H H, Liu B L. Research on regional emission reduction potential under carbon trading policy: The perspective of industrial restructuring and technological innovation [J]. Science & Technology Progress and Policy, 2020,37(15):28-35.

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

[25] 范 英,衣博文.能源转型的规律、驱动机制与中国路径[J]. 管理世界, 2021,37(8):95-105.

Fan Y, Yi B W. Evolution, Driving Mechanism, and Pathway of China’s Energy Transition [J]. Management World, 2021,37(8):49-55.

[26] Lanoie P, Patry M, Lajeunesse R. Environmental Regulation and Productivity: Testing the Porter Hypothesis [J]. Journal of Productivity Analysis, 2008,30(2):121-128.

[27] 李 强,丁春林.环境规制、空间溢出与产业升级——来自长江经济带的例证 [J]. 重庆大学学报(社会科学版), 2019,25(1):17-28.

Li Q, Ding C L. Environmental regulation, spatial spillover and industrial upgrading: Evidence from the Yangtze River Economic Zone [J]. Journal of Chongqing University ( Social Science Edition), 2019,25(1):17-28.

[28] 姜 楠.环保财政支出有助于实现经济和环境双赢吗? [J]. 中南财经政法大学学报, 2018,(1):95-103.

Jiang N. Does Environmental Fiscal Expenditure Help Achieve a Win-Win Economy and Environment? [J]. Journal of Zhongnan University of Economics and Law, 2018,(1):95-103.

[29] 田淑英,董 玮,许文立.环保财政支出、政府环境偏好与政策效应——基于省际工业污染数据的实证分析 [J]. 经济问题探索, 2016,(7):14-21.

Tian S Y, Dong W, Xu W L. Environmental Fiscal Expenditure, Government Environmental Preference and Policy Effects: An Empirical Analysis Based on Inter-provincial Industrial Pollution Data [J]. Inquiry into Economic Issues, 2016,(7):14-21.

[30] 杜雯翠.环保投资、环境技术与环保产业发展——来自环保类上市公司的经验证据[J]. 北京理工大学学报(社会科学版), 2013,15(3):47-53.

Du W C. Environmental Investment, Environmental Technology and Environmental Industry Development: Evidence from Environmental Listed Companies [J]. Journal of Beijing Institute of Technology (Social Sciences Edition), 2013,15(3):47-53.

[31] 张 华,冯 烽.非正式环境规制能否降低碳排放?——来自环境信息公开的准自然实验 [J]. 经济与管理研究, 2020,41(8):62-80.

Zhang H, Feng F. Does Informal Environmental Regulation Reduce Carbon Emissions?—Evidence from a Quasi-natural Experiment of Environmental Information Disclosure [J]. Research on Economics and Management, 2020,41(8):62-80.

[32] 郭 进,徐盈之.公众参与环境治理的逻辑、路径与效应 [J]. 资源科学, 2020,42(7):1372-1383.

Guo J, Xu Y Z. The logics, paths, and effects of public participation in environmental management [J]. Resources Science, 2020,42(7):1372-1383.

[33] 盛光华,龚思羽,解 芳.中国消费者绿色购买意愿形成的理论依据与实证检验——基于生态价值观、个人感知相关性的TPB拓展模型 [J]. 吉林大学社会科学学报, 2019,59(1):140-151,222.

Sheng G H, Gong S Y, Xie F. Theoretical basis and empirical test on the formation of Chinese consumers'green purchasing intention: TPB expansion model based on ecological values and personal perception correlation [J]. Jilin University Journal Social Sciences Edition, 2019,59(1):140-151,222.

[34] 付凌晖.我国产业结构高级化与经济增长关系的实证研究 [J]. 统计研究, 2010,27(8):79-81.

Fu L H. An Empirical Research on Industry Structure and Economic Growth [J]. Statistical Research, 2010,27(8):79-81.

[35] 曾 刚,陆琳忆,何金廖.生态创新对资源型城市产业结构与工业绿色效率的影响[J]. 资源科学, 2021,43(1):94-103.

Zeng G, Lu L Y, He J L. Impact of ecological innovation on the economic transformation of resource-based cities [J]. Resources Science, 2021,43(1):94-103.

[36] Wheeler D, Pargal S. Informal regulation of industrial pollution in developing countries: evidence from Indonesia [J]. Journal of Political Economy, 1999,104(6):1314-1327.

[37] 秦炳涛,余润颖,葛力铭.环境规制对资源型城市产业结构转型的影响 [J]. 中国环境科学, 2021,41(7):3427-3440.

Qin B T, Yu R Y, Ge L M. The impact of environmental regulation on the industrial structure transformation of resource-based cities [J]. China Environmental Science, 2021,41(7):3427-3440.

[38] 中华人民共和国国家统计局.新中国六十年统计资料汇编 [M]. 北京:中国统计出版社, 2010.

National Bureau of Statistics of China. China Compendium of statistics data 1949～2008 [M]. Beijing:China Statistics Press, 2010.

[39] 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, 2014,22(5):731-745.

Wen Z L, Ye B J. Analyses of Mediating Effects: The Development of Methods and Models [J]. Advances in Psychological Science, 2014, 22(5):731-745.

[40] 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 C P, et al. Comparative study on the development degree of China’s 7pilot carbon markets [J]. China population, resources and environment, 2018,28(2):134-140.

[41] 包 群,彭水军.经济增长与环境污染:基于面板数据的联立方程估计 [J]. 世界经济, 2006,(11):48-58.

Bao Q, Peng S J. Economic Growth and Environmental Pollution: Simultaneous Equation Estimation Based on Panel Data [J]. The Journal of World Economy, 2006,(11):48-58.

[42] 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 X. Research on the Effects of Carbon Trading Market Size on Environment and Economic Growth [J]. China Soft Science, 2020, (4):46-55.

The impact of carbon market on the low-carbon transition of energy mix and its action path.

LIU Ya-qin*, SUN Wei, ZHU Zhi-shuang

(School of Economics, Shanxi University of Finance and Economics, Taiyuan 030006, China)., 2022,42(9)：4369～4379

This paper selects the panel data of 30 provinces and cities in China from 2000 to 2018 to construct the low-carbon energy consumption structure index, and investigates the relationship and heterogeneity between carbon trading policy and the energy consumption structure using multi-period double difference and triple difference methods, and further explores the mechanism of carbon trading policy on the low-carbon energy consumption structure by using multiple intermediary effect model. The results show that carbon trading policy significantly improves the low-carbon level of regional energy consumption structure and the effect keeps increasing year by year. The mechanism analysis shows that the incentive effect of the“four major effects” is obvious, and the effect from large to small is structural optimization effect, behavior-driven effect, ecological innovation effect and environmental protection expenditure effect. From the perspective of heterogeneity, the implementation of policies in regions with slower GDP growth has accelerated the low-carbon transition of energy consumption structure, and the impact is significantly higher than that in regions with faster GDP growth; carbon trading policy has a significant positive effect on the eastern region, but no significant effect on the central and western regions.

carbon trading policy；low-carbon transition of energy consumption structure；multi-period difference-in-differences model；multiple mediation effects model

X820.3

A

1000-6923(2022)09-4369-11

2022-01-17

国家自然科学基金资助项目(72103113);教育部人文社会科学研究青年基金项目(17YJCZH115)

*责任作者, 副教授, liuyaqin2003@126.com

柳亚琴(1981-),女,山西柳林人,副教授,博士,主要从事能源经济与能源政策研究.发表论文20余篇.