碳交易试点政策对中国工业碳全要素生产率的影响

黄光球，陈琴

（西安建筑科技大学 管理学院，陕西 西安 710055）

全球变暖对人类的生存和可持续发展构成了严峻挑战，积极应对气候变化，促进经济低碳可持续发展成为当今人类社会的重大课题。经过40 多年的改革开放，伴随着工业化水平的不断提高，在经济快速增长的同时，我国能源消费总量不断增长，二氧化碳排放量不断增加，中国在成为世界第二大经济体的同时，自2006 年开始超过美国成为最大的二氧化碳排放国。其中，2017 年，中国的二氧化碳排放量达到了92 亿吨，占全球二氧化碳排放总量的27.6%。作为经济增长的重要引擎，工业部门是能源消耗和二氧化碳排放的最大部门，工业GDP只占全国的40.1%，却消耗了全国67.9%的能源，二氧化碳排放高达全国的83.1%[1]。在双碳目标下，中国工业经济发展“高投入、高消耗、低产出”的粗放型增长模式面临巨大挑战，实现工业碳减排成为亟待解决的问题，采取有效的碳减排政策来缓解气候变化引起的经济和社会冲击已迫在眉睫。

碳排放权交易政策（以下简称碳交易政策）作为我国的主要碳减排政策，起源于《京都议定书》，其主要通过价格机制规范市场参与者，以达到管理和控制二氧化碳排放的目的[2]。中国从2013 年开始碳交易试点，2021年7 月16 日，全国碳排放权交易市场正式启动，而碳交易的政策设计是复杂的，中国仍处于探索阶段，因此，现阶段的碳交易政策的有效性和适用性值得探讨，这关乎中国的碳中和目标能否在未来实现。

1 文献综述

碳交易是实现碳减排目标的一种有效的政策工具，经过十多年的发展，许多国家和地区已经建立并开展了碳交易。自中国开始碳交易政策试点以来，出现了许多与中国碳交易政策效应相关的研究，大多数学者主要对碳交易政策的碳减排效应和经济效应展开研究。

在碳减排效应方面，学者们关于碳交易政策可以降低碳排放基本达成了共识，例如，刘勇等[3]建立了中国工业CGE 仿真模型，表明碳交易能够实现工业碳减排。刘传明等[4]运用合成控制法，研究发现碳交易试点能显著抑制二氧化碳排放。GAO 等[5]对2005—2015 年中国30 个省份28 个行业的生产碳排放、消费碳排放和碳泄漏进行了测算，结果表明，碳交易减少了试点地区试点行业的碳排放。

在经济效应方面，大多数学者的研究主要集中在碳交易政策对碳排放强度的影响上，例如，李广明等[6]采用双重差分法（DID）研究了碳交易对中国30 个省份工业碳排放和碳强度的影响，研究结果表明，碳交易对试点地区规模工业的碳排放量和碳强度有显著抑制作用。ZHANG 等[7]的研究结果表明，碳交易试点对工业碳排放（10.1%）和碳排放强度（0.78%）有显著的负面影响。然而，单要素碳绩效指标仅是考察碳排放量所对应的产出数量，并不能反映总体碳绩效水平，全要素碳绩效指标能更加全面地描述碳绩效水平，因此受到了越来越多的学者的关注，只是，关于碳交易政策对全要素碳绩效影响的研究较少，也未达成一致。例如，胡玉凤等[8]选择2006—2017 年我国沪深两市A 股企业的面板数据，运用双重差分方法，实证结果显示，碳交易能降低碳排放总量与碳排放强度、实现碳减排，但对绿色全要素生产率、企业全要素生产率有显著负向影响。CHEN等[9]利用合成控制法发现，碳交易显著提升了试点地区的碳绩效和能源绩效。贾智杰等[10]基于SBM 模型测算了2002—2017 年264 个城市的全要素碳效率，并通过PSM-DID 模型分析了碳试点对全要素碳效率的影响，研究表明，碳试点对全要素碳效率存在很强的地区异质性，碳试点能提高碳试点地区的全要素碳效率，然而，碳试点对非试点地区的全要素碳效率并没有显著的影响。

因此，首先，现有文献关于碳交易政策的研究对象主要基于中国各省份、各城市、各行业或某个区域，以省域工业为研究对象的文献还相对较少，而工业是我国碳排放的主要来源，也是碳排放交易的主体，且不同省份的工业发展状况存在异质性。其次，碳交易试点政策影响的研究对于全要素生产率的影响评估较少，而碳全要素生产率综合考虑了经济增长的能源和碳排放因素，能更加全面地描述碳绩效。因此，不同于以往的研究主要考虑单因素指标，本文基于全要素视角，在多投入和多产出的框架下，利用包含非期望产出的DDF-GML 指数测算碳全要素生产率，并运用双重差分模型评估碳交易试点政策对中国工业碳全要素生产率的影响。

2 理论分析与研究假说

目前，环境规制分为命令控制型、市场激励型、自愿型三大类。碳交易政策作为市场激励型环境规制手段[11]，通过将碳排放外部性内部化，是以有效实现低成本的方式控制碳排放的一种政策工具。政府为完成控排目标，将控排目标转化为碳排放交易权配额分配企业，企业为实现控排目标需要进行碳减排。根据“强”波特假说，严格而灵活的环境规制会促进企业创新，不仅能抵消企业的合规成本，还能够提高企业竞争力。因此，本文认为碳交易试点政策可以促进工业碳全要素生产率增长，具体分析如下。

（1）低碳技术创新活动具有周期长、投入大和高风险的特点，企业是否进行低碳技术创新取决于企业获得的激励水平。由于碳交易试点政策增加了企业碳减排成本，从而影响企业的生产成本，在面临环境合规成本增加时，会激励企业低碳技术创新来降低成本，以减缓环境规制带来的成本压力。同时，碳交易政策作为一种重要的市场型规制工具，基于明确的市场价格信号，为企业提供了更多低碳技术创新的市场信息，减少了低碳技术创新的不确定性，更利于企业低碳技术创新。

（2）由于不同地区、不同行业、不同技术水平和管理水平的差异，减排企业的减排成本将存在差异[12]。碳交易的实质是允许低碳技术创新水平较高的企业，将多余的碳排放交易权配额在碳市场上出售给减排成本相对较高的企业获得相应的收益。在实践中，由于碳市场普遍存在不完全竞争市场的情形，少数企业可能通过购买并储存远超出自身碳排放配额的碳排放交易权以谋取垄断收益或供未来使用，或部分下级政府可能出于经济发展的考虑，对企业进行“过度干预”，直接影响企业间配额交易的积极性。因此，在政府合理管制下，碳排放交易权能否公平、公开和合理交易与市场化程度息息相关，接近完全竞争的碳市场是碳交易提升碳全要素生产率的重要前提。基于以上分析，本文提出以下三个假说：

假说1：碳交易试点政策可以促进工业碳全要素生产率增长。

假说2：碳交易试点政策通过激励企业进行低碳技术创新促进工业全要素生产率增长。

假说3：碳交易试点政策通过市场化激发企业碳减排动力促进工业碳全要素生产率增长。

3 碳全要素生产率指数测算

宏观经济层面的全要素生产率增长率同经济增长率有着直接的关系，全要素生产率增长率是经济增长率的直接组成部分，这意味着全要素生产率增长率的变动，本身就是经济增长率的变动。正因为如此，度量全要素生产率的增长率，而不是度量全要素生产率的绝对水平，成为生产率研究的一个至关重要的核心问题[13]。传统的全要素生产率未考虑能源和碳排放因素，然而，中国工业经济长期以来通过高投资、高能耗和高碳排放实现高增长，能源和碳排放对产出的影响巨大。

3.1 碳全要素生产率指数测算方法

本文借鉴CHUNG 等[14]提出的方向性距离函数（DDF）以及OH[15]提出的GML 指数的思路，利用2005—2019 年的中国省域工业行业面板数据，选取投入产出指标对碳全要素生产率指数（GTFP）进行测算。

基于全域前沿参比的GTFP 被定义为：

式中：TEs表示s时期与生产前沿的接近程度，即技术效率值，表示s时期的技术前沿与全局技术前沿的差距，即技术进步值，s=t,t+1；EC t,t+1表示(t,t+1)时期内与生产前沿的接近程度的变化，即(t,t+1)期间内省份i工业的节能减排效率追赶，EC t,t+1＞(＜)1 表示节能减排效率增加（减少）；TC t,t+1表示(t,t+1)时期内工业整体生产前沿移动的效应，即(t,t+1)期间内低碳技术创新情况，TC t,t+1＞(＜)1 表示低碳技术进步（退步）。如果生产活动使期望产出增加（减少），非期望产出减少（增加），那么GTFP t,t+1＞(＜)1 表示碳全要素生产率增长（减少）。

3.2 数据来源和指标选取

本文碳全要素生产率指数测算基于2005—2019 年的中国30 个省份（不包括西藏及港澳台地区）工业投入产出面板数据，具体投入和产出指标选择如下。

（1）资本投入。目前普遍的做法是将资本存量作为资本投入指标，资本存量估算是一个比较复杂的过程，本文借鉴陈勇等[16]指标选取和数据处理的做法，以2005 年各地区工业固定资产净值作为初始资本存量，以相邻两年的固定资产净值差额作为投资额，并使用各地固定资产投资价格指数将其进行价格平减（以2005 年为基期），计算公式为：

（2）劳动投入。现有的关于工业全要素生产率的研究多采用工业企业全部从业人员年平均人数（万人）作为劳动投入指标，因此，本文仍采用将工业全部从业人员年平均人数（万人）作为各地区工业劳动投入指标，数据源自《中国工业经济统计年鉴》。

（3）能源投入。本文使用能源消费总量作为能源投入指标，包括原煤、洗精煤、其他洗煤、煤制品、焦炭、焦炉煤气、其他煤气、其他焦化产品、原油、汽油、煤油、柴油、燃料油、其他石油制品、液化石油气、炼厂干气、天然气17 种能源，能源消费实物量数据源自SHAN 等[17]建立的中国碳核算数据库（CEADs），通过计算将能源消费量实物量折算为能源消费量标准量（万吨标准煤），计算公式如下所示：

式中：Eit表示i省t年工业能源消费总量的标准量（万吨）；Eitj表示i省t年工业能源j消费的实物量（万吨）；μj表示能源j的折标准煤系数（万吨/万吨，亿平方米）；NCVj表示能源j平均低位发热量（拍焦/万吨，亿立方米）；σ表示标准煤热量，为29 307 千焦/千克=0.293 07 拍焦/万吨。

（4）期望产出。由于工业生产包含了能源这一中间性质的投入要素，同时，碳排放来源于整个工业生产过程，既包括工业增加值部分的产品生产，也包括中间投入品的生产[18]。大多实证研究均以工业总产值作为工业产出指标，因此，本文使用工业总产值作为期望产出指标。2005—2010 年的工业总产值使用《中国工业经济统计年鉴》数据，2011 年及以后的工业总产值通过各地区统计年鉴进行汇总，对2011—2016 年的缺失数据按照工业总产值=工业销售产值+(本年产成品-上一年产成品)进行计算，并对剩余缺失数据进行线性插值补齐。为消除价格因素的影响，以2005 年为基期，对各年数据采用工业生产者出厂价格指数进行价格平减。

（5）非期望产出。非期望产出是碳全要素生产率和传统全要素生产率的一个重要区分，传统全要素生产率产出越多越好，而碳排放作为工业生产过程的非期望产出，排放越少越好。本文使用30 个省份工业碳排放量作为非期望产出指标，数据源自SHAN 等[17]建立的中国碳核算数据库（CEADs）。

变量数据来源于2006—2020 年《中国工业统计年鉴》《中国统计年鉴》、各地区统计年鉴以及中国碳核算数据库（CEADs）。

3.3 碳全要素生产率指数测算结果及分析

基于以上投入产出面板数据，本文借助Stata17 软件，测度得到各省份2005—2019 年工业碳全要素生产率指数（GTFP）和节能减排效率指数（GEC）、低碳技术创新指数（GTC）。全局前沿以所有各期共同构建的前沿作为参比前沿，各时期GTFP、GEC 和GTC 具备可传递性，可以累乘，进一步计算得到各省份2005—2019 年累积碳全要素生产率指数（CGTFP）、累积节能减排效率指数（CGEC）和累积低碳技术创新指数（CGTC）。2005—2019 年工业整体GTFP、GEC 和GTC 的年均变化值和年均累积变化值见表1，并以2005 年为基期，绘制出CGTFP、CGEC 和CGTC 的时间变化趋势图（图1）。

图1 CGTFP、CGEC和CGTC的时间变化趋势图

表1 2005—2019年工业整体GTFP、GEC和GTC的年均变化值和年均累积变化值

从表1 可以发现，工业整体来看，2005—2019 年我国工业整体工业碳全要素生产率指数（GTFP）年均增长2.38%，累积增长21.46%；节能减排效率指数（GEC）年均增长0.41%，累积增长10.01%；低碳技术创新指数（GTC）年均增长1.95%，累积增长10.41%。GTC 大于GEC，表明研究期内工业整体GTFP 增长主要源于低碳技术创新。从图1 可以看出，工业整体各年累积碳全要素生产率指数（CGTFP）和与累积低碳技术创新指数（CGTC）均大于1 且整体上呈现上升的趋势，而累积节能减排效率指数（CGEC）从2014 年开始呈现下降的趋势，因此，工业碳全要素生产率（GTFP）增长主要来源于低碳技术创新的推动。

2005—2019 年工业分省份GTFP、GEC 和GTC 的年均变化值和年均累积变化值见表2。从表2 可以发现，分省份来看，基于全局前沿，各省份工业全要素碳生产率指数（GTFP）及低碳技术创新指数（GTC）的平均值都大于1，说明各省份工业碳全要素生产率呈现上升趋势，低碳技术创新呈现进步趋势。从节能减排效率指数（GEC）来看，部分省份平均GEC 均小于1，包括天津、河北、山西、内蒙古、辽宁、黑龙江、上海、浙江、广东、云南、甘肃、青海，表明以上省份工业节能减排效率存在下降趋势，对工业碳全要素生产率有负向影响，而其他省份平均GEC 大于1，呈现轻微的上升趋势，因此，可以看出，低碳技术创新是各省份工业碳全要素生产率增长的主要动力来源。

表2 2005—2019年工业分省份GTFP、GEC和GTC的年均变化值和年均累积变化值

4 研究设计

4.1 模型设定

双重差分法（DID）是政策效果评估的一种常用方法。为了检验碳交易试点政策对中国工业碳全要素生产率的影响，通过比较实施碳交易试点政策前后，碳交易试点省份（以下简称“试点省份”）与碳交易非试点省份（以下简称“非试点省份”）在同期碳全要素生产率指数的差异，评估碳交易试点的政策效果，本文构建DID 模型：

式中：CGTFPit表示省份i在t年的工业累积碳全要素生产率指数；虚拟变量treatit和postit分别表示是否为实行碳交易试点政策的省份和年份，treatit=1 表示省份i为试点省份，treatit=0 表示省份i为非试点省份，碳交易试点年份设定为2012，若t≥2012，则postit=0，否则postit=1。treatit×postit的系数α1，即碳交易试点政策对中国工业碳全要素生产率的影响效应。λi和λt分别代表省份固定效应和时间固定效应，λi包括省份所有不随时间变化的特征，如地理和自然特征，λt包含所有省份共同的所有年度因素，如宏观冲击；εit为随机误差项。

4.2 数据来源和变量选取

（1）被解释变量。被解释变量为上节测算的各省份累积工业碳全要素生产率指数（CGTFP），与一般的工业全要素生产率的不同，工业碳全要素生产率指数测度的指标选取在一般的工业全要素生产率指数的基础上增加了碳排放作为非期望产出，将工业总产值作为期望产出，期望产出越多，非期望产出越少，碳全要素生产率水平越高。因此，工业碳全要素生产率兼顾了工业的经济效益和环境效益，能够更好地反映出工业碳绩效水平。

（2）核心解释变量。核心解释变量为是否为实行碳交易的省份和年份，即虚拟变量treatit和postit的交乘项（treatit×postit），其系数α1表示碳交易试点政策的净效应，用以反映碳交易试点政策作用效果的强弱。碳交易试点省份为北京、天津、上海、重庆、广东（包括深圳）及湖北。碳交易试点政策正式批准时间为2011 年10 月，最早启动于2013 年，考虑到碳交易试点政策可能存在的公告效应，因此，碳交易试点年份设定为2012 年。

（3）控制变量。为了解决可能存在遗漏变量的问题，需要对模型加入控制变量，本文选取的控制变量Controlit包括下列变量：①经济发展水平（pgdp）。随着区域经济发展水平的提高，工业化生产力水平将不断提高，且工业经济增长中存在环境库兹涅茨曲线。本文选取人均地区生产总值指标衡量经济发展水平。②工业化水平（indulevel）。中国工业经济的高速增长，离不开大量能源消耗，以煤炭生产和消费为主的能源结构决定了中国工业发展必将带来大量的碳排放，对环境产生了严重的负面影响。本文选取工业增加值占地区GDP 的比重指标衡量工业化水平。③城镇化水平（urbanlevel）。城镇化进程将会带动能源消耗以及钢铁、水泥等材料消费的增加，导致二氧化碳排放量增加，从而影响碳全要素生产率。本文选取城镇常住人口占总人口比重指标衡量城镇化水平。④能源消费结构（fossilenergyratio）。不同能源具有不同碳排放系数导致不同能源结构将存在碳排放量差异，化石燃料仍然是工业终端消费的主要能源。本文选取化石燃料消费量占能源消费总量的比重指标衡量能源消费结构。⑤外商直接投资水平（regionfdiratio）。“污染天堂”假说认为发达国家由于本国较为严厉的环境规制或较高的碳排放成本，通过FDI 将高能耗和高碳排放的行业转移到发展中国家进行生产，使发展中国家沦为发达国家的“污染避难所”，造成发展中国家碳排放增加。而“污染光环”假说认为外商直接投资能够为发展中国家带来更先进的技术，有助于降低发展中国家在生产过程中的能源消耗，提高能源利用效率并减少碳排放。本文选取外国直接投资占工业增加值比重衡量外国直接投资水平。⑥研发投入（lnregionRD）。企业自主研发是实现技术进步的重要途径，对于促进中国工业碳全要素生产率提高、加快中国工业低碳转型具有重要推动作用。本文选取R&D 经费衡量研发投入。

5 实证检验

5.1 工业碳全要素生产率指数的时间趋势图分析

碳交易试点DID 模型的重要前提假设是平行趋势假定，即非试点省份为试点省份的节能减排活动提供了有效的反事实变化。本文绘制了试点省份和非试点省份工业累积碳全要素生产率指数（CGTFP）时间变化趋势图（图2），通过比较处理组省份和对照组省份CGTFP 的变化趋势，以直观反映碳交易试点政策对中国工业碳全要素生产率指数（GTFP）的作用效果。

图2 CGTFP时间变化趋势图

2005—2019 年试点省份和非试点省份的工业碳全要素生产率指数（GTFP）总体呈现上升趋势，且试点省份的工业GTFP 高于碳交易非试点省份。在2012 年之前，试点省份和非试点省份工业GTFP 增长趋势相似。初步表明满足符合平行趋势假设，在没有碳交易试点政策的情况下，试点省份和非试点省份的工业GTFP 在2012年之后也会显示出类似的趋势。本文初步认为，在2012年之后试点省份相对于非试点省份的工业GTFP 提升很可能是由碳交易试点政策驱动的。

5.2 基本回归结果

为了验证由时间趋势图得出的推测，本文使用双重差分法对其进行实证检验，以政策执行年份划分样本期间，通过比较政策执行前和执行后的平均处理效应静态分析政策效果（表3）。从表3 可以看出，treatit×postit系数α1为0.111，在1%的水平上显著，表明碳交易试点政策显著促进了中国工业碳全要素生产率增长，假说1 得到验证。

表3 平均效应

5.3 动态效应

由于政策的效果会受时间变化的影响，因此，通过引入了时间趋势变量，以分析碳交易试点政策对中国工业碳全要素生产率指数（GTFP）的动态效应，同时，虽然从前文中可以看出试点省份和非试点省份工业GTFP在政策执行前的变化趋势基本平行，满足平行趋势假定，但具体的实证检验方法能更为严谨地检验是否满足平行趋势假设，模型设定如下：

式中：yearit表示各年份的年份虚拟变量，研究第t年时，yearit=1，其余年份yearit=0。以2006 年为基准年，αt表示第t年时，试点省份与非试点省份的工业碳全要素生产率差异相对于2006 年差异的大小，此系数变化反映了碳交易试点政策对中国工业碳全要素生产率的年度动态影响，其余变量含义与基准模型式（5）一致。

动态效应各年回归系数αt的结果见表4，并绘制了其95%的置信区间（图3）。从图3 可以直观看出2012年碳交易试点政策实施前，系数αt均不显著，且回归系数均在0 值附近，表明2012 年之前试点省份和非试点省份工业碳全要素生产率指数不存在显著差异，满足平行趋势假定。同时，碳交易试点实施后几年的回归系数均显著为正，说明碳交易试点政策能提高中国工业碳全要素生产率，假说1 得到验证。

图3 动态效应

表4 动态效应

5.4 稳健性检验

（1）PSM-DID。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，也就是处理组和对照组的选择完全随机，而不仅仅是满足平行趋势假设。然而基于多方面因素的考量，碳交易试点省份的选择实际上并不完全随机，因此，可能会存在“选择性偏差”。为了缓解这一问题，本文根据是否属于碳交易试点省份，采用倾向得分匹配方法（propensity score matching，简称PSM），基于Logit 模型，通过核匹配将处理组与对照组的个体依照可观察变量的相似程度进行匹配，消除处理组和对照组在特征上的系统性差异，然后对匹配后的数据重新进行回归分析，以保证论文结论的稳健性。

匹配前后各特征变量的平衡性检验结果（表5）和PSM-DID 估计结果（表6）。从表5 可以看出，与匹配前相比，所有变量的标准化偏差均大幅缩小，匹配后协变量的标准化偏差基本小于10%，而且所有P值的结果都不拒绝处理组与控制组无系统差异的原假设，说明所有协变量都通过了平衡性检验，经过PSM 配比之后，处理组和对照组的数据得到了均衡，很好地解决了处理组和对照组在个体特征上的系统性差异。

表5 倾向得分匹配前后各变量的平衡性检验

表6 PSM-DID估计结果

从表6 可以看出，PSM-DID 的回归结果仍然显著，与基准模型结果（表3）保持了良好的一致性，说明本文回归结果较为稳健，进一步验证了本文结论。

（2）安慰剂检验。为了进一步检验本文的结果是否受其他不可观察因素影响，确保所得研究结论的稳健性，本文采用安慰剂检验，即在所有样本中随机挑选若干次虚拟处理组进行同基准模型一致的回归。具体而言，本文在所有30 个省份中进行了1 000 次随机抽样，每次抽样随机选出6 个省份作为虚拟处理组，其余24 个省份作为对照组，按基准模型式（5）进行回归，系数α1估计核密度分布图见图4，估计系数均值几乎为零，绝大多数抽样估计系数的t值的绝对值都在2 以内，且P值都在0.1 以上，说明碳交易试点政策在1 000 次的随机抽样中均没有显著效果。同时，本文的真实估计（表3）在安慰剂检验中是明显的异常值。因此，本文所得结论可以通过安慰剂检验，受其他不可观察因素影响的可能性较小。

5.5 影响机制检验

为了检验低碳技术创新和市场化对工业碳全要素生产率的影响。本文主要借鉴史丹等[19]的做法，在基准模型式（5）中分别加入低碳技术创新技术和市场化水平变量进行影响机制的验证，模型设定为：

式中：Moderator是代表调节变量，此处指的是低碳技术创新和市场化水平，主要关注的是交互项treatit×postit×Moderatorit的系数α1，其他变量含义与基准模型式（5）一致。

表7 列出了影响机制验证的结果，可以发现，在低碳技术创新方面，采用前文测算的累积低碳技术创新指数（CGTC）验证碳交易试点政策是否诱发“波特效应”，系数α1在5%的水平上显著为正，表明碳交易试点政策通过低碳技术创新的提高显著提升了中国工业碳全要素生产率，假说2 得到验证。在市场化方面，根据《中国分省份市场化指数报告》中的市场化总水平指数验证碳交易试点政策对中国工业碳全要素生产率的促进效果是否受到市场化水平的影响，系数α1在10%的水平上显著为正，表明提高市场化水平可以显著促进中国工业碳全要素生产率增长，假说3 得到验证。同时，总体来看，碳交易试点政策对中国工业碳全要素生产率的促进效果主要是通过低碳技术创新提升得以实现。

表7 影响机制验证：低碳技术创新与市场化视角

6 研究结论及政策建议

6.1 研究结论

本文以省域工业为研究对象，首先，基于2005—2019 年中国30 个省份工业投入产出面板数据，采用DDF-GML 指数测算并分析各省份碳全要素生产率指数及其分解项；其次，通过双重差分法构建处理组和对照组，评估碳交易试点政策对中国工业碳全要素生产率的影响效果，并进行稳健性检验。最后，探究碳交易试点政策对中国工业碳全要素碳生产率的影响机制。研究结果表明：（1）中国30 个省份工业碳全要素生产率呈现上升趋势，低碳技术创新是各省份工业碳全要素生产率增长的主要动力来源；（2）碳交易试点政策对中国工业碳全要素生产率增长的平均效应和动态效应均显著；（3）低碳技术创新及市场化是碳交易试点政策推动中国工业碳全要素生产率增长的两条主要路径。

6.2 政策建议

根据上述研究结论，本文提出以下政策建议：（1）根据省域特点制定减排目标。充分考虑省域的异质性，碳交易机制的设计应因地制宜，保证政策的灵活性。（2）鼓励引导低碳技术创新。一方面，大力发展低碳技术，促进传统能源清洁高效利用，积极研发和推广太阳能、风能、水力等新能源，优化能源结构，减少碳排放。另一方面，政府应合理激励和引导企业进行低碳技术创新，可适当加大对低碳技术创新的补贴和优惠力度，降低企业创新成本和风险，提高碳全要素生产率。（3）完善与创新碳交易市场机制。协调政府与市场的关系，建立市场决定与政府适度干预相结合的中国特色碳交易市场。以市场决定为主，完善碳交易配额和价格机制，建立以市场为导向的碳价机制，提高碳交易市场公平与公开性。同时，以政府适度干预为辅，建立健全公众参与的法律法规，保障公众的知情权。（4）扩大碳交易市场覆盖范围。碳交易是实现碳减排的重要途径，应加快全国碳交易市场建设步伐，扩大碳市场覆盖范围，将成功经验从试点省份推广到非试点省份，以最低的社会成本实现减排目标，充分发挥碳交易对碳全要素生产率的提升作用，推动我国工业经济低碳可持续发展。