-
气候变化是人类面临的严峻挑战,如何有效控制温室气体排放是世界各国需要共同面对的问题。中国是应对气候变化的积极参与者和贡献者,政府已将应对气候变化融入经济社会中长期发展规划。为推进生态文明建设,推动绿色低碳发展,落实控制温室气体排放行动目标,不断探索低碳发展模式和路径,国家发改委于2010年正式启动首批包含五省八市的低碳试点,后续在2012年开展了包括一省28市的第二批低碳试点,以及2017年包括45个城市的第三批低碳试点,期望通过积极探索和推广工业化与城镇化过程中低碳建设的做法和经验,在保持经济稳定增长的同时,实现控制温室气体排放行动目标。
虽然低碳试点政策行动目标是有效控制温室气体排放,但促进政策有效实施是一个复杂的系统工程,涉及工业、交通、建筑、能源、农业、林业、废弃物管理等众多领域。通过能源结构优化、能源效率提升、降低高能耗高污染高排放产业比重、促进产业结构升级等路径,不仅有助于碳减排,而且能推动能源节约、污染物减排和环境治理,降低工业能耗和污染,有效控制工业废水、废气和固体废物排放,即低碳试点政策的“正外部效应”。排除非政策因素的影响,客观评估低碳城市试点政策的工业污染物净减排效应,不仅为低碳城市试点政策的科学评估提供量化依据,也为低碳发展的政策设计和推广提供经验与启示。
-
假设在t∈[1,T]期的N+1个城市样本中,仅有第一个城市(i=1)在时点
$t = {T_0}$ 实行低碳试点政策,即${t_1} \in \left[ {1,{\rm{ }}{T_0}} \right]$ 为政策实施前,${t_2} \in \left[ {{T_0} + 1,{\rm{ }}T} \right]$ 为政策实施后。令第一个城市为实验组,其结果变量表示为${Y_{1t}}$ ,而其余N个城市均纳入控制组,其结果变量表示为${Y_{jt}}$ ($j = 2,\cdots,N + 1$ )。若假设实验组没有实施低碳试点政策的合成值为${\tilde Y_{1t}}$ ,则${{\rm{gap}} _{1t}} = {Y_{1t}} - {\tilde Y_{1t}}$ 可表示低碳试点政策给实验组带来的变化,用以衡量政策效果。其中,${Y_{1t}}$ 是实际观测的,而${\tilde Y_{1t}}$ 是无法观测的反事实结果变量。本文采用Abadie[22]提出的因子模型估计${\tilde Y_{1t}}$ $${\tilde Y_{it}} = {\lambda _t} + {\theta _t}{{{{ Z}}}_i} + {\gamma _t}{u_i} + {\varepsilon _{it}}$$ (1) 其中,
${\lambda _t}$ 为时间固定效应;${{{Z}}_i}$ 为控制变量;${\theta _t}$ 为未知参数;${u_i}$ 为截面固定效应;${\gamma _t}$ 为公共因子向量;${\varepsilon _{it}}$ 为不可观测的冲击。设一个针对控制组的(N×1)维非负的权重向量
${\boldsymbol{W}} = ({w_2},\cdots,{w_{N + 1}})$ ,且$\displaystyle\sum\nolimits_{j = 2}^{N + 1} {{w_j}} = 1$ 。以${\boldsymbol{W}} $ 向量对控制组的${Y_{jt}}$ 进行加权组合$$\sum\nolimits_{j = 2}^{N + 1} {{w_j}{Y_{jt}}} = {\lambda _t} + {\theta _t}\sum\nolimits_{j = 2}^{N + 1} {{w_j}{{{Z}}_j}} + {\gamma _t}\sum\nolimits_{j = 2}^{N + 1} {{w_j}{u_j}} + \sum\nolimits_{j = 2}^{N + 1} {{\varepsilon _{jt}}} $$ (2) 假定存在一组特定的权重
${{\boldsymbol{W}}^*} = (w_2^*,\cdots,w_{N + 1}^*)$ ,使得$$ \sum\nolimits_{j = 2}^{N + 1} {w_j^*Y_{js}^{}} = Y_{1s}\;\;\;\;\;s=1,2,\cdots,T_0\;\;\;\;\;\;\;\;\;\;\sum\nolimits_{j = 2}^{N + 1} {w_j^*{{{Z}}_j}} = {{{Z}}_1} $$ (3) 式(3)表示在
${t_1}$ 时期对控制组各时点的${Y_{jt}}$ 以及${{{Z}}_j}$ 进行合成,使其等于实验组的对应值,由此估计${t_2}$ 时期的政策效果${\widehat {{\rm{gap}} }_{1t}}$ $${\widehat {{\rm{gap}} }_{1t}} = {Y_{1t}} - {\tilde Y_{1t}} = {Y_{1t}} - \sum\nolimits_{j = 2}^{N + 1} {w_j^*} {Y_{jt}}\;\;\;\;\;\;t \in \left[ {{T_0} + 1,{\rm{ }}T} \right]$$ (4) 在
${t_1}$ 时期,${\widehat {{\rm{gap}} }_{1t}}$ 趋近于0,即${Y_{1t}}$ 与${\tilde Y_{1t}}$ 非常接近,说明合成控制拟合较好。${\widehat {{\rm{gap}} }_{1t}}$ 在${t_2}$ 时期的自然走向即为政策效果,可计算${t_2}$ 时期的平均政策效应$${\rm{\widehat{gap} _{mean}}} = \frac{1}{{T - {T_0}}}\sum\nolimits_{t = {T_0} + 1}^T {{{\widehat{\rm{gap}}}_{1t}}} $$ (5) 借鉴Abadie等[23]的方法近似求解权重
${{\boldsymbol{W}}^*}$ 。令$\left[ {1,{\rm{ }}{T_0}} \right]$ 的时期变量个数为m,即$m = {T_0} - 1 + 1$ 。再定义${{\boldsymbol{X}}_1} = ({Z_1},{\rm{ }}Y_1^1,\cdots,{\rm{ }}Y_1^m)$ 是${t_1}$ 时期实验组$(m \times 1)$ 特征向量,${{\boldsymbol{X}}_0}$ 是控制组在${t_1}$ 时期的$(N \times m)$ 维对应矩阵,其中包含${{{Z}}_j}$ 和${Y_{jt}}$ 指标。用${\left\| {{{\boldsymbol{X}}_1} - {{\boldsymbol{X}}_0}{\boldsymbol{W}}} \right\|_v} = \sqrt {({{\boldsymbol{X}}_1} - {{\boldsymbol{X}}_0}{\boldsymbol{W}})'{\boldsymbol{V}}({{\boldsymbol{X}}_1} - {{\boldsymbol{X}}_0}{\boldsymbol{W}})} $ 度量${{\boldsymbol{X}}_1}$ 和${{\boldsymbol{X}}_0}{\boldsymbol{W}}$ 距离,通过最小化该距离来确定${{\boldsymbol{W}}^*}$ ,其中V是一个$(m \times m)$ 的半正定对称矩阵。构造预测误差均方可以评价合成值
${\tilde Y_{1t}}$ 与真实值${Y_{1t}}$ 之间的偏离程度,${{\rm{RMSPE}} _1}$ 和${{\rm{RMSPE}} _2}$ 分别为${t_1}$ 时期和${t_2}$ 时期的预测误差均方$${{\rm{RMSPE}} _1} = {\left[ {\frac{1}{{{T_0} - 1 + 1}}\sum\nolimits_{t = 1}^{{T_0}} {{{\widehat {{\rm{gap}} }}_{1t}}^2} } \right]^{\frac{1}{2}}}$$ (6) $${{\rm{RMSPE}} _2} = {\left[ {\frac{1}{{T - {T_0}}}\sum\nolimits_{t = {T_0} + 1}^T {{{\widehat {{\rm{gap}} }}_{1t}}^2} } \right]^{\frac{1}{2}}}$$ (7) 若
${{\rm{RMSPE}} _1}$ 趋近于0,说明${\widehat {{\rm{gap}} }_{1t}}$ 整体趋近于0,合成值${\tilde Y_{1t}}$ 是可靠的。${{\rm{RMSPE}} _2}$ 越大,说明政策效应越强。若${{\rm{RMSPE}} _1}$ 与${{\rm{RMSPE}} _2}$ 非常接近,至少满足${{\rm{RMSPE}} _1} < {{\rm{RMSPE}} _2}$ ,说明在政策实施后具有政策效应。 -
本文选取2001—2018年84个城市的面板数据为研究样本①,将第一批(8个城市包括:天津、重庆、深圳、杭州、厦门、南昌、贵阳、保定)和第二批(16个城市包括:北京、上海、广州、昆明、武汉、宁波、苏州、青岛、石家庄、温州、乌鲁木齐、桂林、镇江、吉林、秦皇岛、遵义)共24个低碳试点城市视为实验组,其余60个城市视为控制组②。需要说明的是,第二批试点实际有28个城市,但由于数据的可得性限制,只选择了其中16个城市纳入实验组。第三批低碳城市试点设立时间较短,不利于政策前后的对比,因此暂不包含。
1. 结果变量选取。为衡量低碳试点政策对城市污染物减排的有效性,选取以下四个结果变量:(1)废水排放强度(p_wwater,单位:吨/万元),即单位地区生产总值的工业废水排放量;(2)SO2排放强度(p_SO2,单位:吨/亿元),即单位地区生产总值的工业废气中SO2排放量;(3)烟尘排放强度(p_wsmoke,单位:吨/亿元)即单位地区生产总值的工业废气中烟(粉)尘排放量;(4)固体废物利用率(p_wsolid,单位:%),即一般工业固体废物综合利用的百分比③。其中,前三个强度指标不仅考虑了污染物排放总量的变动,也考虑了经济发展的增速。
2. 控制变量选取。控制变量通过式(1)的因子模型形成实验组的合成值,在选择控制变量时,既要考虑对污染物减排效应的影响,也要辨别城市的相似度。依据数据的可得性并经过反复测试对比,确定以下5个指标纳入控制变量
${Z_i}$ :(1)人均地区生产总值(p_gdp,单位:万元),该指标代表地区经济发展水平;(2)工业占地区生产总值比重(p_ind,单位:%),该指标代表产业结构,工业占比越高,越不利于污染物减排;(3)城镇就业人员平均工资(p_wages,单位:元/人),该指标为城镇在岗职工工资总额与城镇单位从业人员之比,代表人力资本投入的单位成本;(4)人均社会消费零售额(p_sales,单位:元/人),该指标是城市社会消费品零售总额与年末总人口之比,反映人民生活水平和社会零售商品购买力,用于辨别城市的相似度;(5)用电强度(p_power,单位:千瓦时/万元),即单位地区生产总值的全年用电量,是城市能源消费的一种衡量。结果变量和控制变量均来源于历年《中国城市统计年鉴》和Wind经济数据库,实验组和控制组各变量的描述统计特征如表1所示。以结果变量和控制变量数据为基础,运用Stata15软件进行合成控制分析。
表 12001—2018年城市面板数据描述性统计
变量类型 指标 单位 实验组(24个城市) 控制组(60个城市) 全部样本(84个城市) 均值 标准差 观测值 均值 标准差 观测值 均值 标准差 观测值 结果变量 p_wwater 吨/万元 6.59 7.31 432 8.62 11.29 1 080 8.02 10.35 1 512 p_SO2 吨/亿元 53.50 77.99 432 62.57 71.56 1 080 59.98 73.54 1 512 p_wsmoke 吨/亿元 32.92 54.87 432 52.73 72.51 1 080 47.07 68.51 1 512 p_wsolid % 81.11 18.55 432 81.74 20.18 1 080 81.56 19.72 1 512 控制变量 p_gdp 万元 56 186.29 39 000.11 431 43 482.65 32 118.45 1 077 47 113.47 34 691.80 1 508 p_ind % 45.27 9.26 432 48.97 11.50 1 080 47.92 11.03 1 511 p_wages 元/人 40 418.21 24 908.66 430 33 270.42 19 390.95 1 080 35 305.89 21 346.27 1 510 p_sales 元/人 28 697.12 27 603.83 432 17 978.34 15 893.35 1 080 21 035.78 20 516.43 1 511 p_power 千瓦时/万元 673.33 373.91 432 668.96 566.54 1 074 670.21 518.62 1 505 -
图1展示了2001—2018年实验组和控制组四种污染物相关指标均值的演进历程。
聚焦工业废水排放情况(如图1a所示),其排放总量的特点如下:(1)实验组和控制组的废水排放均值在2001—2018年缓慢下降,第一、第二批试点城市和控制组均值分别由2001年的253.383万吨、189.521万吨和105.279万吨,逐渐降至2018年的136.953万吨、98.532万吨和62.514万吨。(2)第一批试点城市废水排放均值最高,其次是第二批试点城市,控制组该指标最低。(3)第一、第二批试点城市均值分别在2010年和2013年后快速下降,控制组该指标降速缓慢。就排放强度来看有如下特点:一是实验组和控制组的废水排放强度快速下降,第一、第二批试点城市和控制组该指标分别由2001年的20.205吨/万元、15.801吨/万元和22.266吨/万元,快速降至2018年的1.627吨/万元、1.134吨/万元和1.497吨/万元。二是在2010年之前,第一、第二批试点城市的废水排放强度均低于控制组,但2010年后,三组均值逐渐收敛并重合。
关注工业SO2排放情况(如图1b所示),其排放总量有以下特点:(1)实验组和控制组的该指标均值经历了先上升、再波动下降的过程,其中,在2005年达到波峰,这是由于“十五”时期(2001—2005年)出现重工业化过程,房地产、汽车工业等快速发展,资源密集型行业集聚扩张,能源消费大幅上升,致使SO2排放快速增加;“十一五”时期(2006—2010年)首次以能源强度下降20%为约束指标,因此SO2排放均值在2006年后波动下降。(2)第一批试点城市的SO2排放均值最高,其次是第二批试点城市,控制组该均值最低,这三组指标在2001年分别为15.459万吨、11.543万吨和6.778万吨,到2018年分别降至2.656万吨、1.903万吨和1.693万吨。(3)第一批试点城市SO2排放均值降速最快,其次是第二批城市,控制组降速最慢,因此三个组的该指标逐步收敛。就SO2排放强度来看有以下特点:一是实验组和控制组的该指标快速下降,且各组在2006年后趋势逐步靠近,第一、第二批试点城市和控制组SO2排放强度分别由2001年的177.597吨/万元、122.854吨/万元和149.681吨/万元,快速降至2018年的2.106吨/亿元、4.267吨/亿元和4.956吨/亿元。二是在2006年之前,控制组该均值在第一、第二批试点城市之间,而2006年之后,试点城市的该指标均低于控制组。
再关注工业烟尘排放情况(如图1c所示),烟尘排放总量的特点如下:(1)实验组和控制组的该指标在2001—2018年波动下降,在2010年前降幅显著。(2)2010年之前,第一批试点城市的烟尘排放总量最高,其次是控制组,第二批试点城市最低,到2018年,第一、第二批和控制组的烟尘排放均值分别为2.155万吨、2.012万吨和2.592万吨。就烟尘排放强度来看:一是实验组和控制组的该指标快速下降,在2010年后降速放缓,且不断收敛;二是控制组的烟尘排放强度高于实验组,第二批试点城市在2010年后略高于第一批试点城市,到2018年,第一、第二批和控制组的烟尘排放强度分别为2.056吨/亿元、3.983吨/亿元和7.962吨/亿元。
就固体废物利用情况来看(如图1d所示),实验组和控制组的固体废物综合利用率在2001—2018年呈现先升后降的过程。其中,第一批试点城市的固体废物利用率在2011年之前波动上升,2011年达到峰值(88.4%)后波动下降;第二批试点城市的该指标波动比第一批试点城市略小;控制组该指标走势相对平缓,前期缓慢上升至2014年峰值(86.183%),其后略有下降。
总体而言,实验组废水、废气的排放量和排放强度均值在低碳政策实施后与控制组的发展趋势不再平行,即实验组的相关指标降速均高于控制组降速。固体废物利用率的实验组趋势在低碳政策实施后并未呈现预期的显著上升。以上分析没有剔除非政策因素的影响,下文采用合成控制法,以实验组真实值与合成值的差值来评价政策效果。
-
1. 污染物净减排效应判断依据
实验组24个城市对应四种污染物一共可计算出96组平均政策效应结果,并绘制96幅实际值与合成值的对比图。但因篇幅所限,本文经过反复测算对比,仅将有显著政策效应的18组结果进行展示(如图2、图3、表2所示)。选出这18组结果的条件有:(1)
${{\rm{RMSPE}} _1} < {{\rm{RMSPE}} _2}$ ;(2)${\widehat {{\rm{gap}} }_{{\rm{mean}}}}$ 符号符合预期(即废水、SO2和烟尘排放强度的${\widehat {{\rm{gap}} }_{{\rm{mean}}}}$ 小于0,固体废物利用率的${\widehat {{\rm{gap}} }_{{\rm{mean}}}}$ 大于0)。确定以上两个条件的理由是:依据合成控制法,期望政策实施前的${{\rm{RMSPE}} _1}$ 趋近于零,以保证合成值的可靠性,但因不同类别污染物结果变量的单位差异较大,判断${{\rm{RMSPE}} _1}$ 是否足够小并无统一标准,若满足${{\rm{RMSPE}} _1} < $ $ {{\rm{RMSPE}} _2}$ ,可说明与${t_2}$ 时期相比,${t_1}$ 时期合成值${\tilde Y_{1t}}$ 与真实值${Y_{1t}}$ 更加贴合,由此评价${t_2}$ 时期的平均政策效应${\widehat {{\rm{gap}} }_{{\rm{mean}}}}$ 较为合理。以天津的废水排放强度为例,2010年之前的预测误差均方为0.643吨/万元,而2010年后的该指标为0.686吨/万元,后者大于前者,说明2010年之前废水排放强度合成值是可靠的,即估算得2010年后废水排放强度平均每年下降0.621吨/万元(如表2所示)。表 2合成控制法与DID方法的工业污染物减排效应
检验 废水排放强度 SO2排放强度 天津 南昌 贵阳 昆明 青岛 镇江 遵义 厦门 镇江 合成控制
平均效应
及安慰剂
检验RMSPE1 0.643 0.56 0.737 0.618 0.322 0.753 1.502 6.098 8.22 RMSPE2 0.686 1.569 0.738 0.837 0.334 1.207 1.994 7.148 8.242 ${\widehat {\rm{gap} }_{{\rm{mean}}} }$ −0.621* −1.279* −0.423* −0.729* −0.226 −1.031* −1.677* −6.197* −6.79* 灰线总数 16 12 18 13 0 16 37 22 25 边沿灰线数 3 1 2 0 0 1 1 3 0 $P(\phi )$ 0.188 0.083 0.111 0.000 — 0.063 0.027 0.136 0.000 安慰剂检验 显著 显著 显著 显著 不显著 显著 显著 显著 显著 DID效应及
检验treat×period −1.475 −1.931* −3.758*** 0.892 — −4.800*** 5.091*** −9.312 −45.978*** (0.008) (0.985) (1.081) (0.893) (0.983) (1.322) (8.851) (9.323) 控制变量 是 否 否 是 — 是 是 是 是 双固定 是 是 是 是 — 是 是 是 是 _cons 13.068*** 12.205*** 14.441*** 10.682*** — 9.441*** 19.461*** 71.371*** 45.427*** (1.698) (0.557) (0.512) (2.159) (1.595) (1.261) (13.388) (14.125) Adj_R2 0.799 0.693 0.736 0.774 — 0.767 0.780 0.654 0.708 N 304 234 342 250 — 304 680 413 467 DID检验 不显著 显著 不显著 不显著 — 显著 显著 不显著 显著 稳健性检验方向比较 一致 一致 一致 不一致 — 一致 不一致 一致 一致 政策有效性结论 有效 有效 有效 有效 无效 有效 有效 有效 有效 检验 烟尘排放强度 固体废物利用率 宁波 青岛 镇江 天津 南昌 保定 北京 石家庄 乌鲁木齐 合成控制
平均效应
及安慰剂
检验RMSPE1 5.594 3.177 3.47 6.084 2.87 8.198 6.86 8.246 13.532 RMSPE2 6.118 5.266 12.272 10.444 6.622 20.241 10.504 18.052 19.56 ${\widehat { {\rm{gap} } }_{{\rm{mean}}} }$ −5.591* −4.959* −11.765* 9.758 5.906 11.122* 9.445 17.576* 18.611* 灰线总数 13 6 7 39 16 46 42 45 46 边沿灰线数 0 0 0 9 6 6 10 3 6 $P(\phi )$ 0.000 0.000 0.000 0.231 0.375 0.130 0.238 0.067 0.130 安慰剂检验 显著 显著 显著 不显著 不显著 显著 不显著 显著 显著 DID效应
及检验treat×period −3.363 6.786 −17.862*** −0.324 4.601 4.762 9.875* 2.999 20.913*** (7.289) (4.612) (4.931) (4.308) (3.418) (4.997) (5.348) (4.786) (4.885) 控制变量 是 否 是 是 是 是 是 是 是 双固定 是 是 是 是 是 是 是 是 是 _cons −3.180 48.854*** 8.561 81.509*** 85.923*** 80.997*** 87.257*** 86.152*** 82.267*** (15.761) (3.228) (17.977) (2.607) (3.251) (2.746) (3.189) (3.080) (2.652) Adj_R2 0.665 0.670 0.783 0.123 0.147 0.087 0.042 0.036 0.065 N 250 126 144 719 305 845 773 827 845 DID检验 不显著 不显著 显著 不显著 不显著 不显著 显著 不显著 显著 稳健性检验方向比较 一致 不一致 一致 不一致 一致 一致 一致 一致 一致 政策有效性结论 有效 有效 有效 无效 无效 有效 无效 有效 有效 注:(1)“灰线总数”和“边沿灰线数”对应图4和图5的安慰剂检验,$P(\phi )$=边沿灰线数/灰线总数,当$P(\phi ) < 0.2$,对应${\widehat {\rm{gap} }_{ {\rm{mean} } } }$的值标*号,表示安慰剂检验显著;(2)DID效应采用面板固定效应模型估计,“双固定”表示包含个体固定效应和时间固定效应;(3)DID效应的treat×period系数与_cons标注*、**、***分别表示在10%、5%、1%的显著水平下拒绝系数显著为零的原假设,系数下“()”内为标准差;(4)“稳健性检验方向比较”是依据${\widehat {\rm{gap} }_{ {\rm{mean} } } }$与treat×period的系数符号是否一致的判断;(5)“政策有效性结论”是根据合成控制分析及安慰剂检验做出的判断。 2. 污染物的实际值与合成值比较
将18组结果变量的实际值与合成值绘制成线形图(如图2、图3所示),能直观反映各污染物排放的演变路径。图组显示:(1)垂直虚线左侧,各城市的真实值与合成值都非常接近,部分省区几乎重叠;在垂直虚线右侧,各城市的真实值与合成值逐步偏离,二者的差值即为政策效果
${\widehat {{\rm{gap}} }_{1t}}$ 。(2)不同种类污染物的合成值拟合程度不同。其中,废水和SO2排放强度的合成值拟合程度较好,而烟尘排放强度和固体废物利用率的合成值拟合程度略有欠缺。聚焦废水排放强度(如图2a~图2g和表2所示)发现:有7个城市(天津、南昌、贵阳、昆明、青岛、镇江、遵义)的该指标在低碳试点政策实施后下降了(
${\widehat {{\rm{gap}} }_{{\rm{mean}}}} < 0$ ),其中,遵义、南昌和镇江的政策效应位于前三位,实施低碳试点政策使废水排放强度年平均分别下降1.667吨/万元、1.279吨/万元和1.031吨/万元;昆明(–0.729吨/万元)、天津(–0.621吨/万元)和贵阳(–0.423吨/万元)的政策效应紧随其后,青岛的废水排放强度年平均降幅最小(–0.226吨/万元)。关注废气排放情况,厦门和镇江的SO2排放强度在政策实施后有减排效应(
${\widehat {{\rm{gap}} }_{{\rm{mean}}}} < 0$ ),该指标年平均分别下降6.197吨/亿元和6.790吨/亿元(如图2h、图2i和表2所示);宁波、青岛和镇江的烟尘排放强度也呈现出减排效应(${\widehat {{\rm{gap}} }_{{\rm{mean}}}} < 0$ ),每年平均分别下降5.591吨/亿元、4.959吨/亿元和11.765吨/亿元(如图3a~图3c和表2所示)。其中,宁波和青岛烟尘排放强度在政策实施前的拟合程度略有欠缺(如图3a、图3b所示),这与烟尘排放强度的波动较大有关。聚焦固体废物利用率(如图3d~图3i和表2所示),有6个城市(天津、南昌、保定、北京、石家庄、乌鲁木齐)的固体废物利用率在政策实施后提高了(
${\widehat {{\rm{gap}} }_{{\rm{mean}}}} > 0$ ),其中,乌鲁木齐、石家庄和保定的该政策效应位于前三位,固体废物利用率每年平均分别提升18.611%、17.576%和11.122%,天津(9.758%)和北京(9.445%)的政策效应紧随其后,南昌的固体废物利用率提升幅度最小(5.906%)。固体废物利用率在政策实施前的拟合程度偏离较大,使这些城市烟尘排放强度合成值的可靠性略有不足,这是由各城市固体废物利用率波动较大所致,图1d也印证了该判断。 -
1. 安慰剂检验
为判定合成控制分析的政策效应在统计上是否显著,可采用安慰剂检验(placebo test)来测定。安慰剂检验是将控制组的60个城市都假设为实验组,对每个城市各做一次合成控制分析,计算真实值
${Y_{jt}}$ 与合成值${\tilde Y_{jt}}$ 的差值${\widehat {{\rm{gap}} }_{jt}}$ 。对废水、SO2和烟尘排放强度来说,若${t_2}$ 时期实验组的${\widehat {{\rm{gap}} }_{1t}}$ 来源于低碳政策试点,则${\widehat {{\rm{gap}} }_{1t}}$ 的降幅应该远大于安慰剂检验的${\widehat {{\rm{gap}} }_{jt}}$ 降幅,说明低碳试点政策能有效降低这些污染物的排放强度;对固体废物利用率来说,若${\widehat {{\rm{gap}} }_{1t}}$ 的增幅远高于安慰剂检验${\widehat {{\rm{gap}} }_{jt}}$ 的增幅,说明低碳试点政策能有效提高固体废物利用率。需要指出的是,若${t_1}$ 时期${\widehat {{\rm{gap}} }_{1t}}$ 与${\widehat {{\rm{gap}} }_{jt}}$ 差异较大,则${t_2}$ 时期的差异也可能是拟合不好导致的,与政策实施无关。所以,为避免拟合误差太大带来的问题,本文参照Abadie[23]的做法,在图4与图5剔除了RMSPE1值超过实验组2倍的控制组城市。图4和图5分别展示了18组结果变量的安慰剂检验,图中黑色线为实验组的
${\widehat {{\rm{gap}} }_{1t}}$ ,灰色线为控制组安慰剂检验的${\widehat {{\rm{gap}} }_{jt}}$ ,若${t_2}$ 时期废水、SO2和烟尘排放强度的黑线走势远低于灰线,或固体废物利用率的黑线走势远高于灰线,则说明政策效应是显著的。本文未采用以往文献的排序检验法[2][32],而是构造统计量做显著性判断[45]:对废水、SO2和烟尘排放强度而言,用下边沿超过黑线的灰线数量除以灰线总条数(不包含剔除的样本和黑线本身),记为$P(\phi )$ ,并将$P(\phi ) < 0.2$ 作为安慰剂检验是否显著的标准,即置信水平调整为80%的单侧检验④。同理,对固体废物利用率而言,关注上边沿超过黑线的灰线数量。以天津废水排放强度的安慰剂检验为例(如图4a所示),剔除RMSPE1值超过实验组2倍样本后剩余灰线总数为16条,在
${t_2}$ 时期的多数时段,黑线以下的边沿灰线数为3条,$P(\phi ){\rm{ = }}3/16{\rm{ = }}0.188 < 0.2$ ,说明天津废水排放强度降幅显著大于安慰剂检验的降幅,安慰剂检验显著,即政策实施后天津废水排放强度平均每年下降0.621吨/万元是可靠的。青岛废水排放强度的安慰剂检验是个特例,剔除RMSPE1值超过实验组2倍样本后剩余灰线总数为0条,即安慰剂检验无法判断青岛废水排放强度的政策效应是否显著,结合青岛该指标的政策效应数值很小(−0.226吨/万元),可判定低碳试点政策对青岛废水排放强度降低无效。
通过安慰剂检验可以看出(如表2所示):(1)就废水而言,天津、南昌、贵阳、昆明、镇江和遵义这6个城市的废水排放强度降低是由低碳试点政策引起的;(2)就废气而言,厦门和镇江的SO2排放强度降低是由低碳试点政策引起的,宁波、青岛和镇江的烟尘排放强度降低也是由低碳试点政策引起的。(3)就固体废物来看,保定、石家庄和乌鲁木齐的固体废物利用率提高是由低碳试点政策引起的。
2. DID检验及政策净效应再测算
除合成控制法外,DID方法也是常用的政策有效性分析工具。本文采用该方法对政策效应做稳健性检验,并与合成控制分析结论对比讨论。DID方法设定如下
$${Y_{it}} = {\beta _0} + {\beta _1} \times {\rm{treat}} \times {\rm{period}} + \sum\nolimits_{k = 1}^5 {{\gamma _k}{{Z}}_{it}^k} + {u_i} + {\tau _t} + {\varepsilon _{it}}$$ (8) 其中,
${Y_{it}}$ 是结果变量;treat(取1为实验组,取0为控制组)和period(取0表示政策实施前,取1表示政策实施后)均为虚拟变量;交互项${\rm{treat}} \times {\rm{period}}$ 的系数${\beta _1}$ 反应低碳试点政策的净效应;${{Z}}_{it}^k$ ($k = 1,2,\cdots, $ $ 5$ )是控制变量,同式(1)含义相同;${u_i}$ 为个体固定效应;${\tau _t}$ 为时间固定效应。需要说明的是,为了DID估计结果与合成控制分析结果可比,对安慰剂检验中因RMSPE1值超过实验组2倍的样本,DID估计也做同样的剔除。以天津废水排放强度的安慰剂检验为例,安慰剂检验剔除了控制组中44个城市,仅保留了16个城市,则DID估计也只对这16个城市做面板模型估计。天津废水排放强度DID估计的${\rm{treat}} \times {\rm{period}}$ 系数(–1.475)即为DID效应,该系数与合成控制分析的平均政策效应(–0.621)符号相同,说明两种检验的方向是一致的,但DID效应并不显著。合成控制分析与DID分析的结论可能产生分歧,依据模型原理,前者将实际值与合成值进行对比,而后者仅对实验组与混合的控制组作对比,两者相较,合成控制分析对非政策因素的剔除更合理。因此就天津废水排放强度而言,以合成控制分析判断为准,DID效应的系数符号可对合成控制分析做补充验证,综合判定低碳试点政策对天津废水排放强度降低是有效的。DID检验对低碳政策有效性的补充分析总结如下:(1)模型整体评价。18组估计中(除了青岛),废水、SO2和烟尘相关估计的Adj_R2在0.654~0.799之间,即模型估计整体代表性较高,DID检验的代表性较好;固体废物利用率相关估计的Adj_R2在0.036~0.147之间,即模型估计整体代表性较弱,DID检验的代表性不强,这与各城市固体废物利用率波动较大有关。(2)DID效应系数符号与合成控制分析
${\widehat {\rm{gap}}_{{\rm{mean}}}}$ 的符号一致,可说明合成控制分析结果是稳健的。表2的18组模型中,有13组DID效应的方向与合成控制分析是一致的,说明合成控制分析的政策效应整体是稳健而可靠的。当两者不一致时,以合成控制分析和安慰剂检验的判断为主⑤。 -
图2~图5和表2展示了合成控制法剔除非政策因素影响后,低碳试点政策的污染物净减排效应。虽然其他城市的污染物排放也有不同程度下降,但并非是低碳试点政策引起的。由于各种污染物减排技术不同,减排难度差异较大,导致低碳政策效应呈现污染物种类的异质性。各城市地理位置、经济水平、产业结构、环保意识等因素存在差异,也导致低碳政策效应存在城市异质性。
1. 污染物种类异质性分析
低碳试点政策下工业废水排放强度下降最为显著。在实验组中,有6个城市的废水排放强度因低碳试点政策而显著下降,并且这些城市在低碳政策实施前的此项指标拟合程度最高,因此对废水减排效应的判断比较准确。其中,2001年,镇江和贵阳的废水排放强度超过20吨/万元,天津、遵义和昆明的此项指标相对较低(12吨/万元以下),到2018年,这6个城市的废水排放强度降至0.279~1.541吨/万元之间。
低碳试点政策对工业废气减排效应仅次于废水。实验组中,有两个城市的SO2排放强度和三个城市的烟尘排放强度因低碳试点政策而显著下降,其中,厦门和镇江的SO2排放强度,以及镇江的烟尘排放强度在政策实施前拟合较好,但宁波与青岛的烟尘排放强度在政策实施前的拟合程度有欠缺,因此对废气减排效应判断的准确性也会降低。其中,厦门和镇江的SO2排放强度分别由2001年的61.314吨/亿元和215.336吨/亿元下降至2018年的0.177吨/亿元和1.752吨/亿元,宁波、青岛和镇江在2001年的烟尘排放强度分别由22.617吨/万元、23.910吨/万元和99.382吨/万元,降至2018年的1.663吨/亿元、0.402吨/亿元和1.421吨/亿元。
低碳试点政策对固体废物利用率的提升作用较小。各城市该指标在政策实施前的拟合都比较松散,再排除安慰剂检验不显著的城市后,仅有3个城市(保定、石家庄和乌鲁木齐)的固体废物利用率因低碳试点政策而显著提升。
废水、废气和固体废物减排效应呈现异质性,与不同种类污染物的治污减排技术和环境规制力度有关。一方面,环保部门对企业废水和废气排放监测技术普及和处罚力度加大,加之公众环保意识提升和对污染容忍度降低,推动企业增加废水、废气治理的各项投入。另一方面,工业固体废物处理需要通过循环利用技术及辅助行业支持来提升其利用率,但由于固体废物易于贮存,增加了固体废物利用率的波动;并且在低碳试点政策中,有关提高固体废物利用率的针对性举措较少。以上多种因素致使固体废物利用率的提升效果较弱。
2. 城市异质性分析
中国幅员辽阔,区域差异大,城市异质性使低碳试点政策的污染物净减排效果不尽相同。
第一,低碳试点政策对经济发展水平处于中、低等城市的污染物减排更有效。表3中“p_gdp排序”所示,实验组中污染物减排效应显著的城市,除了天津、厦门和宁波外,其余城市的p_gdp均在10名以后,说明这些经济水平处于中、低等城市的治污减排有较大提升空间。经济发展水平越高的城市,其人财物积累的富足程度也越高,低碳发展的基础越好,特别是工业企业治污减排设施相对先进与完善,技术创新与人才支撑具有优势,这些城市的废水和废气排放强度处于较低的水平,污染物减排空间很小;而经济发展水平处于中、低等的城市,其工业治污减排技术、设备、人才及各种资源配置都有很大提升空间,因此低碳试点政策对这类城市的污染物减排更有效。
第二,低碳试点政策对工业占比较高城市的污染物减排更有效。表3中“p_ind排序”所示,实验组中污染物减排效应显著的12个城市中,有七个城市的工业占比排名在前十,说明低碳试点政策通过促进经济结构优化能够有效降低这些城市对资源的依赖程度,促进污染物排减排。工业占比是反映各个城市经济结构的指标,工业占比越高的城市对资源依赖性较强。低碳试点政策在一定程度上降低了城市发展对资源的依赖,降低能源需求,污染物排放随之减少。
第三,省会城市的污染物减排更有效。表3中有五个城市(占41.7%)是省会城市,而原实验组24个城市中,有8个省会城市(占33.3%);相比之下,直辖市、副省级城市和地级市在污染物减排有效的12个城市的占比,均小于原实验组中的占比。城市的行政等级差异是影响各种政策有效性的制度因素,行政等级越高的城市能享有更多政策扶持,吸引更多资金支持、产业集聚和人才供给,在低碳试点政策中有更多的资源配置权限,从而获得更好的政策效果[17]。直辖市的规模远高于其他城市,且已推行与节能、减排和治污相关的政策较多,尽管其污染物也呈现降低,但合成控制分析认为其不是由低碳试点政策带来的。而省会城市是仅次于直辖市的城市等级,较好的资源调配能力,为低碳城市试点提供了有力的人财物等支持,获得污染物减排的显著效果。
表 3工业污染物减排效应显著城市的特征
序号 城市 试点批次 废水排放强度
显著降低SO2排放强度
显著降低烟尘排放强度
显著降低固体废物利用率
显著提高p_gdp排序 p_ind排序 行政等级
划分1 天津 1 是 — — — 8 6 直辖市 2 厦门 1 — 是 — — 9 8 副省级 3 南昌 1 是 — — — 13 4 省会 4 贵阳 1 是 — — — 18 16 省会 5 保定 1 — — — 是 23 7 地级市 6 昆明 2 是 — — — 15 15 省会 7 宁波 2 — — 是 — 6 3 副省级 8 青岛 2 — — 是 — 11 9 副省级 9 石家庄 2 — — — 是 19 17 省会 10 乌鲁木齐 2 — — — 是 14 22 省会 11 镇江 2 是 是 是 — 10 2 地级市 12 遵义 2 是 — — — 24 18 地级市
Analysis of the Net Emission Reduction Effect of the Industrial Pollutants in Low-carbon Pilot Cities
——Based on Synthetic Control Method
-
摘要:基于2001—2018年中国84个城市的面板数据,运用合成控制法对24个低碳试点城市的工业污染物净减排效应进行分析,并以安慰剂检验和DID估计做稳健性验证。研究发现:(1)天津、南昌、贵阳、昆明、镇江和遵义等六个城市的工业废水排放强度因低碳试点政策而显著降低;(2)低碳试点政策使厦门和镇江的工业SO 2排放强度以及宁波、青岛和镇江的工业烟尘排放强度显著下降;(3)保定、石家庄和乌鲁木齐的工业固体废物利用率因低碳试点政策而显著提高;(4)污染物减排效应具有种类异质性,工业废水减排效应最显著,工业废气的减排效应次之,工业固体废物减排效应最弱;(5)污染物减排效应具有城市异质性,城市的经济发展水平、经济结构和行政等级对低碳政策效应均产生影响。有鉴于此,认为应该优化城市产业结构,促进治污减排技术的应用推广,提高工业生产效率,提升城市管理能力,推动城市低碳转型,实现治污减排与经济发展和谐共赢。Abstract:Based on the panel data of 84 cities in China from 2001 to 2008, synthetic control method is employed to analyze the net emission reduction effect of the industrial pollutants in 24 low-carbon pilot cities, and corresponding robustness is verified using placebo test and DID estimation. The research finds: (1) Because of the low-carbon pilot policy, the sewage discharge intensity in six cities covering Tianjin, Nanchang, Guiyang, Kunming, Zhenjiang and Zunyi is significantly decreased. (2) The reduction of SO 2emission intensity in Xiamen and Zhenjiang, as well as the reduction of dust emission intensity in Ningbo, Qingdao and Zhenjiang, should be ascribed to the implementation of the low-carbon pilot policy. (3) Because of the low-carbon pilot policy, the solid waste use ratio in Baoding, Shijiazhuang and Urumqi is significantly increased. (4) In respect of pollutants type heterogeneity, industrial sewage ranks first in emission reduction effects, successively followed by industrial exhaust gas and industrial solid wastes. (5) In respect of city heterogeneity, urban economic development level, economic structure and administrative level all have a bearing on the policy effects. Given this, the paper proposes that efforts should be made to optimize industrial structure, promote pollution control and emission reduction technologies, improve productivity and urban governance capacity, push forward the low-carbon transition of the city and realize the harmonious development of pollution control and emission pollution and economic growth.注释:1) 城市样本的选择,兼顾所有大中城市和数据可得性的双重原则:第一步,依据第一财经发布的《2019年商业魅力排行榜》一线城市(4个)、新一线城市(15个)、二线城市(30个)、三线城市(70个),共选入119个城市;第二步,对照国家统计局统计房地产价格的全国70个大中城市,再增添11个城市样本(属于70个大中城市,但不属于三线及以上城市),共选入130个城市;第三步,查询130个城市的相关变量数据后,将数据缺失较多的城市剔除,最终确定84个城市为研究样本。这些城市中,将24个低碳试点城市视为实验组,其余60个城市视为控制组。2) 控制组包括城市有:唐山、邯郸、济南、烟台、济宁、潍坊、淄博、泰安、沈阳、大连、锦州、鞍山、长春、哈尔滨、牡丹江、南京、无锡、扬州、徐州、常州、南通、连云港、绍兴、湖州、福州、泉州、珠海、湛江、汕头、韶关、海口、太原、呼和浩特、包头、郑州、洛阳、平顶山、西安、咸阳、合肥、芜湖、马鞍山、九江、宜昌、荆州、长沙、岳阳、株洲、湘潭、常德、南宁、柳州、北海、成都、绵阳、泸州、南充、兰州、西宁、银川。3) 一般固体废物可通过回收循环利用的比例较高。工业固体废物的常见指标中,“产生量”已包含“综合利用量”“贮存量”和“倾倒丢弃量”,而许多城市的“倾倒丢弃量”存在大量缺失或零值,以上指标都难以衡量固体废物排放。现阶段生态环保相关政策中更加重视提高工业固体废物综合利用率,例如2016年国务院印发的有关《“十三五”生态环境保护规划》通知中明确“到2020年全国工业固体废物综合利用率提高到73%”。综上,本文选择“工业固体废物利用率”作为衡量固体污染物排放的结果变量,与工业废水和废气排放相比,该指标是逆向的,即数值越高,表明固体污染物排放越低。4) 通常显著性检验采用 P值<0.05的显著性条件,即对应95%的置信水平。但本文控制组样本只有60个,再剔除部分RMSPE 1值超过实验组2倍的样本,所剩样本较少,难以满足统计量 P值<0.05的显著性条件,因此将置信水平适当放宽。5) 合成控制分析在本文也存在一些局限性:第一,实验组结果变量的实际值与合成值在政策实施前存在较大偏离时,会降低政策有效性评估的准确性;第二,安慰剂检验中,除去RMPSE 1高于2倍实验组的控制组样本后,所剩样本较少会影响安慰剂检验统计量显著性判断;第三,因子模型中控制变量的选取带有主观性,这将直接影响合成控制分析的结果。
-
表 12001—2018年城市面板数据描述性统计
变量类型 指标 单位 实验组(24个城市) 控制组(60个城市) 全部样本(84个城市) 均值 标准差 观测值 均值 标准差 观测值 均值 标准差 观测值 结果变量 p_wwater 吨/万元 6.59 7.31 432 8.62 11.29 1 080 8.02 10.35 1 512 p_SO2 吨/亿元 53.50 77.99 432 62.57 71.56 1 080 59.98 73.54 1 512 p_wsmoke 吨/亿元 32.92 54.87 432 52.73 72.51 1 080 47.07 68.51 1 512 p_wsolid % 81.11 18.55 432 81.74 20.18 1 080 81.56 19.72 1 512 控制变量 p_gdp 万元 56 186.29 39 000.11 431 43 482.65 32 118.45 1 077 47 113.47 34 691.80 1 508 p_ind % 45.27 9.26 432 48.97 11.50 1 080 47.92 11.03 1 511 p_wages 元/人 40 418.21 24 908.66 430 33 270.42 19 390.95 1 080 35 305.89 21 346.27 1 510 p_sales 元/人 28 697.12 27 603.83 432 17 978.34 15 893.35 1 080 21 035.78 20 516.43 1 511 p_power 千瓦时/万元 673.33 373.91 432 668.96 566.54 1 074 670.21 518.62 1 505 表 2合成控制法与DID方法的工业污染物减排效应
检验 废水排放强度 SO2排放强度 天津 南昌 贵阳 昆明 青岛 镇江 遵义 厦门 镇江 合成控制
平均效应
及安慰剂
检验RMSPE1 0.643 0.56 0.737 0.618 0.322 0.753 1.502 6.098 8.22 RMSPE2 0.686 1.569 0.738 0.837 0.334 1.207 1.994 7.148 8.242 ${\widehat {\rm{gap} }_{{\rm{mean}}} }$ −0.621* −1.279* −0.423* −0.729* −0.226 −1.031* −1.677* −6.197* −6.79* 灰线总数 16 12 18 13 0 16 37 22 25 边沿灰线数 3 1 2 0 0 1 1 3 0 $P(\phi )$ 0.188 0.083 0.111 0.000 — 0.063 0.027 0.136 0.000 安慰剂检验 显著 显著 显著 显著 不显著 显著 显著 显著 显著 DID效应及
检验treat×period −1.475 −1.931* −3.758*** 0.892 — −4.800*** 5.091*** −9.312 −45.978*** (0.008) (0.985) (1.081) (0.893) (0.983) (1.322) (8.851) (9.323) 控制变量 是 否 否 是 — 是 是 是 是 双固定 是 是 是 是 — 是 是 是 是 _cons 13.068*** 12.205*** 14.441*** 10.682*** — 9.441*** 19.461*** 71.371*** 45.427*** (1.698) (0.557) (0.512) (2.159) (1.595) (1.261) (13.388) (14.125) Adj_R2 0.799 0.693 0.736 0.774 — 0.767 0.780 0.654 0.708 N 304 234 342 250 — 304 680 413 467 DID检验 不显著 显著 不显著 不显著 — 显著 显著 不显著 显著 稳健性检验方向比较 一致 一致 一致 不一致 — 一致 不一致 一致 一致 政策有效性结论 有效 有效 有效 有效 无效 有效 有效 有效 有效 检验 烟尘排放强度 固体废物利用率 宁波 青岛 镇江 天津 南昌 保定 北京 石家庄 乌鲁木齐 合成控制
平均效应
及安慰剂
检验RMSPE1 5.594 3.177 3.47 6.084 2.87 8.198 6.86 8.246 13.532 RMSPE2 6.118 5.266 12.272 10.444 6.622 20.241 10.504 18.052 19.56 ${\widehat { {\rm{gap} } }_{{\rm{mean}}} }$ −5.591* −4.959* −11.765* 9.758 5.906 11.122* 9.445 17.576* 18.611* 灰线总数 13 6 7 39 16 46 42 45 46 边沿灰线数 0 0 0 9 6 6 10 3 6 $P(\phi )$ 0.000 0.000 0.000 0.231 0.375 0.130 0.238 0.067 0.130 安慰剂检验 显著 显著 显著 不显著 不显著 显著 不显著 显著 显著 DID效应
及检验treat×period −3.363 6.786 −17.862*** −0.324 4.601 4.762 9.875* 2.999 20.913*** (7.289) (4.612) (4.931) (4.308) (3.418) (4.997) (5.348) (4.786) (4.885) 控制变量 是 否 是 是 是 是 是 是 是 双固定 是 是 是 是 是 是 是 是 是 _cons −3.180 48.854*** 8.561 81.509*** 85.923*** 80.997*** 87.257*** 86.152*** 82.267*** (15.761) (3.228) (17.977) (2.607) (3.251) (2.746) (3.189) (3.080) (2.652) Adj_R2 0.665 0.670 0.783 0.123 0.147 0.087 0.042 0.036 0.065 N 250 126 144 719 305 845 773 827 845 DID检验 不显著 不显著 显著 不显著 不显著 不显著 显著 不显著 显著 稳健性检验方向比较 一致 不一致 一致 不一致 一致 一致 一致 一致 一致 政策有效性结论 有效 有效 有效 无效 无效 有效 无效 有效 有效 注:(1)“灰线总数”和“边沿灰线数”对应图4和图5的安慰剂检验,$P(\phi )$=边沿灰线数/灰线总数,当$P(\phi ) < 0.2$,对应${\widehat {\rm{gap} }_{ {\rm{mean} } } }$的值标*号,表示安慰剂检验显著;(2)DID效应采用面板固定效应模型估计,“双固定”表示包含个体固定效应和时间固定效应;(3)DID效应的treat×period系数与_cons标注*、**、***分别表示在10%、5%、1%的显著水平下拒绝系数显著为零的原假设,系数下“()”内为标准差;(4)“稳健性检验方向比较”是依据${\widehat {\rm{gap} }_{ {\rm{mean} } } }$与treat×period的系数符号是否一致的判断;(5)“政策有效性结论”是根据合成控制分析及安慰剂检验做出的判断。 表 3工业污染物减排效应显著城市的特征
序号 城市 试点批次 废水排放强度
显著降低SO2排放强度
显著降低烟尘排放强度
显著降低固体废物利用率
显著提高p_gdp排序 p_ind排序 行政等级
划分1 天津 1 是 — — — 8 6 直辖市 2 厦门 1 — 是 — — 9 8 副省级 3 南昌 1 是 — — — 13 4 省会 4 贵阳 1 是 — — — 18 16 省会 5 保定 1 — — — 是 23 7 地级市 6 昆明 2 是 — — — 15 15 省会 7 宁波 2 — — 是 — 6 3 副省级 8 青岛 2 — — 是 — 11 9 副省级 9 石家庄 2 — — — 是 19 17 省会 10 乌鲁木齐 2 — — — 是 14 22 省会 11 镇江 2 是 是 是 — 10 2 地级市 12 遵义 2 是 — — — 24 18 地级市 -
[1] 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, 35(12): 56-61.doi:10.3969/j.issn.1000-7695.2015.12.011 [2] 陆贤伟. 低碳试点政策实施效果研究: 基于合成控制法的证据[J]. 软科学, 2017, 31(11): 98-101+109. [3] 宋德勇, 李瑶. 我国低碳试点政策的减排效果及与企业经营绩效关系研究[J]. 生态经济, 2019, 35(10): 13- 24. [4] 宋祺佼, 王宇飞, 齐晔. 中国低碳试点城市的碳排放现状[J]. 中国人口·资源与环境, 2015, 25(1): 78-82.doi:10.3969/j.issn.1002-2104.2015.01.011 [5] 邓荣荣. 我国首批低碳试点城市建设绩效评价及启示[J]. 经济纵横, 2016(8): 41-46. [6] 邓荣荣, 詹晶. 低碳试点促进了试点城市的碳减排绩效吗——基于双重差分方法的实证[J]. 系统工程, 2017, 35(11): 68-73. [7] 周迪, 周丰年, 王雪芹. 低碳试点政策对城市碳排放绩效的影响评估及机制分析[J]. 资源科学, 2019, 41(3): 546-556. [8] 张华. 低碳城市试点政策能够降低碳排放吗: 来自准自然实验的证据[J]. 经济管理, 2020(6): 25-41. [9] 禹湘, 陈楠, 李曼琪. 中国低碳试点城市的碳排放特征与碳减排路径研究[J]. 中国人口·资源与环境, 2020, 30(7): 1-9. [10] 宋弘, 孙雅洁, 陈登科. 政府空气污染治理效应评估: 来自中国“低碳城市”建设的经验研究[J]. 管理世界, 2019, 35(6): 95-108, 195.doi:10.3969/j.issn.1002-5502.2019.06.009 [11] 王华星, 石大千. 新型城镇化有助于缓解雾霾污染吗: 来自低碳城市建设的经验证据[J]. 山西财经大学学报, 2019, 41(10): 15-27. [12] 张志新, 刘名多. 低碳试点城市政策对贸易依存度的影响: 基于DID模型的实证研究[J]. 生态经济, 2019, 35(6): 33-38. [13] 龚梦琪, 刘海云, 姜旭. 中国低碳试点政策对外商直接投资的影响研究[J]. 中国人口. 资源与环境, 2019, 29(6): 50-57. [14] 逯进, 王晓飞, 刘璐. 低碳城市政策的产业结构升级效应: 基于低碳城市试点的准自然实验[J]. 西安交通大学学报(社会科学版), 2020, 40(2): 104-115. [15] 李林红, 王娟, 徐彦峰. 低碳试点城市政策对企业技术创新的影响: 基于DID双重差分模型的实证研究[J]. 生态经济, 2019, 35(11): 48-54. [16] 逯进, 王晓飞. 低碳试点政策对中国城市技术创新的影响: 基于低碳城市试点的准自然实验研究[J]. 中国地质大学学报(社会科学版), 2019, 19(6): 128-141. [17] 王巧, 佘硕. 城市异质性视角下中国低碳试点政策的绿色增长效应评估[J]. 软科学, 2020(9): 1-8. [18] 宋祺佼, 吕斌. 城市低碳发展与新型城镇化耦合协调研究: 以中国低碳试点城市为例[J]. bob手机在线登陆学报(社会科学版), 2017, 19(2): 20- 27. [19] LIN J, JACOBY J, CUI S, et al. A model for developing a target integrated low carbon city indicator system: the case of Xiamen, China[J]. Ecological Indicators, 2014, 40(5): 51-57. [20] QU Y, LIU Y. Evaluating the low-carbon development of urban China.[J]. Environment Development & Sustainability, 2017, 19(3): 939-953. [21] KHANNA N, FRIDLEY D, HONG L. China’s pilot low-carbon city initiative: a comparative assessment of national goals and local plans[J]. Sustainable Cities and Society, 2014, 12: 110-121.doi:10.1016/j.scs.2014.03.005 [22] ABADIE A, GARDEAZABAL J. The economic costs of conflict: a case study of the Basque country[J]. American Economic Review, 2003, 93(1): 113-132.doi:10.1257/000282803321455188 [23] ABADIE A, DIAMOND A, HAINMUELLER J. Synthetic control methods for comparative case studies: estimating the effect of California’s tobacco control program[J]. Journal of the American Statistical Association, 2010, 105: 493-505.doi:10.1198/jasa.2009.ap08746 [24] ABADIE A, DIAMOND A J, HAINMUELLER J. Comparative politics and the synthetic control method[J]. American Journal of Political Science, 2012, 59(2): 495-510. [25] ALMER C, WINKLER R. The effect of Kyoto emission targets on domestic CO2emissions: a synthetic control approach[J]. SSRN Electronic Journal, 2012(1): 218-219. [26] KIM M K, KIM T. Estimating impact of regional greenhouse gas initiative on coal to gas switching using synthetic control methods[J]. Energy Economics, 2016, 59: 328-335.doi:10.1016/j.eneco.2016.08.019 [27] ZHANG J, ZHONG C P, YI M. Did olympic games improve air quality in Beijing: based on the synthetic control method[J]. Collected Essays on Finance & Economics, 2016, 18(1): 21-39. [28] CHELWA G, VAN W C, BLECHER E. Evaluating south Africa’s tobacco control policy using a synthetic control method[J]. Tobacco Control, 2017, 26(5): 509-517.doi:10.1136/tobaccocontrol-2016-053011 [29] NEWIAK M, WILLEMS T. Evaluating the impact of non-financial imf programs using the synthetic control method[J]. Social Science Electronic Publishing, 2017, 17(109): 1. [30] ADHIKARI B, DUVAL R, HU B, et al. Can reform waves turn the tide? some case studies using the synthetic control method[J]. Open Economies Review, 2018, 29: 879-910.doi:10.1007/s11079-018-9490-3 [31] 王贤彬, 聂海峰. 行政区划调整与经济增长[J]. 管理世界, 2010(4): 41-53. [32] 刘甲炎, 范子英. 中国房产税试点的效果评估: 基于合成控制法的研究[J]. 世界经济, 2013(11): 117-135. [33] 苏治, 胡迪. 通货膨胀目标制是否有效: 来自合成控制法的新证据[J]. 经济研究, 2015, 50(6): 74-88. [34] 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. [35] 杨经国, 周灵灵, 邹恒甫. 我国经济特区设立的经济增长效应评估: 基于合成控制法的分析[J]. 经济学动态, 2017(1): 41-51. [36] 谭文君, 崔凡, 杨志远. 负面清单管理模式对上海自贸区服务业资本流动的影响: 基于合成控制法的分析[J]. 宏观经济研究, 2019(5): 117-132. [37] 郭金花, 郭淑芬. 国家综合配套改革试验区设立促进了地方产业结构优化吗: 基于合成控制法的实证分析[J]. 财经科学, 2019(8): 69-81. [38] 李国平, 李宏伟. 经济区规划促进了西部地区经济增长吗: 基于合成控制法的研究[J]. 经济地理, 2019, 39(3): 20-28. [39] 谭周令, 程豹. 西部大开发的净政策效应分析[J]. 中国人口·资源与环境, 2018, 28(3): 169-176. [40] 田露露, 冯永晟, 刘自敏. 不同递增阶梯定价下的政策效果差异: 基于定价结构陡峭程度的研究[J]. 经济学动态, 2019(1): 60- 75. [41] 赵领娣, 徐乐. 基于长三角扩容准自然实验的区域一体化水污染效应研究[J]. 中国人口·资源与环境, 2019, 29(3): 50- 61. [42] 宋妍, 李振冉, 张明. 自然灾害对经济增长的长期间接影响: 基于汶川地震灾区县级数据的合成控制法分析[J]. 中国人口·资源与环境, 2019(9): 117- 126. [43] 陈宇, 孙枭坤. 政策模糊视阈下试点政策执行机制研究: 基于低碳城市试点政策的案例分析[J]. 求实, 2020(2): 46-64.doi:10.3969/j.issn.1007-8487.2020.02.005 [44] 庄贵阳. 中国低碳城市试点的政策设计逻辑[J]. 中国人口·资源与环境, 2020, 30(3): 19-28. [45] 董梅, 李存芳. 低碳省区试点政策的净碳减排效应[J]. 中国人口·资源与环境, 2020, 30(11): 63-74.