中国碳排放权交易试点的碳减排政策效应研究

中国碳排放权交易试点的碳减排政策效应研究
刘传明; 孙喆; 张瑾
【期刊名称】《《中国人口·资源与环境》》
【年(卷),期】2019(029)011
【总页数】10页(P49-58)
【关键词】碳排放权交易; 碳减排; 合成控制法; 作用机制
【作者】刘传明; 孙喆; 张瑾
【作者单位】中央财经大学经济学院北京102206; 中央财经大学保险学院北京102206
【正文语种】中文
【中图分类】F062.1
新制度经济学认为在交易费用不为零的情况下，可以将界定的产权在自由市场上交换和买卖，由于产权是明晰的，市场上的行为个体为了降低交易费用，将资源通过市场手段配置到产出最大成本最低的地方[1-2]，正是市场机制、竞争机制、成本收益机制的引入，内化了公共产品产生的负外部效应，从而避免了公地悲剧的发生[3]，新制度经济学的产权理论对全球变暖问题的解决具有重要指导价值。

目前全球变暖已成为威胁人类可持续发展的世界性环境问题，受到世界各国的高度重视，2013年政府间气候变化专门委员会第五次评估报告预测在21世纪期间全球地表温度在最低排放情景下可能进一步升高0.3至1.7℃。

为了解决全球变暖问题，福
利经济学家庇古提出可以通过征收庇古税、排污收费、转让排污许可证等手段来解决外部性问题，这些手段虽然可以使部分外部效应内部化，但是并不能彻底解决公地悲剧问题。

Dales[4]提出的排污权交易则是在排污总量不超过许可排污量的前提下，采用市场交易手段对排污权进行交易以实现减排的目的。

因此，碳排放交易权成为应对全球气候变暖的市场机制和关键工具[5]。

2011年国家发改委发布了《关于开展碳排放权交易试点工作的通知》批准上海、北京、广东、深圳、天津、湖北、重庆等七省市开展碳排放交易权试点，并于2013年正式启动碳交易试点。

那么我们面临的问题是：碳交易试点的实施是否降低了试点省份的二氧化碳排放量？碳交易试点的碳减排机制是什么？这些问题的回答对于应对全球变暖问题，继而完成中国既定的碳减排目标具有重要的理论和现实意义。

1 文献综述
从现有研究进展看，目前对碳交易政策评估的研究根据研究方法的不同主要分为以下三类：第一类，采用单差法通过对比碳交易试点实施前后二氧化碳排放量的变化来说明碳交易试点的实施效果[6-7]。

虽然单差法可以直观的对比出碳交易试点实
施前后碳排放量的变化，但不能将碳交易试点实施期间其他因素(如：技术进步、
生产工艺革新)所导致的碳排放量的变化与碳交易试点的政策效应进行有效剥离，
若仅对试点省份和非试点省份的碳排放量进行比较，容易将不同省份在碳交易实施前可能存在的不可观测的系统性差异误认为碳交易政策的影响。

第二类，采用双重差分法对碳排放权交易的政策效应进行评估[8]，双重差分法需要满足实验组和对
照组的碳排放具有共同趋势假定，事实上，不仅各地区碳排放量存在显著差异[9],
而且碳排放的收敛速度也存在明显区域异质性[10]，在不满足平行趋势假设时双重差分法不能将政策效应和其他影响因素的减排效应进行完全剥离[11]。

第三类，Heckman[12]将传统DID方法发展为PSM-DID，因此，学术界广泛采用PSM-DID对碳交易试点的政策效应进行研究[13-15]。

虽然PSM-DID在大样本情况下
能够保证匹配效果最优，使研究结论更具可信性，但是PSM-DID有其严格的适用条件，首先，PSM-DID在大样本的情况下才能使匹配结果更优[11]，由于碳交易
试点仅有7个省市，实施时间也不过区区6年，因此碳交易试点的研究样本并不
满足大样本要求。

其次，PSM-DID仅仅可以对可观察变量进行控制，忽视了对不可观测变量的控制，从而导致估计偏差[16]。

再次，PSM-DID将碳交易政策覆盖
的所有省份作为一个整体进行分析，得到的结论只是整体的政策效果。

事实可能并非如此，一方面，实施碳交易政策的省份在经济发展、产业结构、能源效率等方面存在较大差异，即使实施了同样政策所达到的政策效果也不尽相同。

另一方面，碳交易政策实施后各省份在落实政策时所采取的配套措施不同，政策落实效率也存在差异，因此，所达到的政策效果也存在异质性。

因此，如何科学的选择对照组成为学者们所研究的重点问题。

为了弥补已有研究的局限，本文根据Abadie[17]所采用的合成控制法对碳排放交
易试点的实施效果进行评估。

与其他方法相比，合成控制法具有以下三方面优点：第一，合成控制法解决了现实中难以寻找合适的对照组满足实验组基本特征的难题，在除政策覆盖省份之外的其他省份中提取部分信息构建一个虚拟的对照组，这一对照组在政策实施之前与实验组具有完全相同的演变趋势，观察在政策实施之后碳排放是否出现政策跳跃。

第二，在构建对照组权重时通过测度预测变量之间的距离确定权重的取值，从而减少了主观因素对政策效果的影响，而且可以明确展示出实验组与合成对照组在政策实施之前的相似程度，从而避免了将差距较大的省份作为对照组所产生的误差问题。

第三，采用合成控制法构建的虚拟对照组是未实施碳交易试点省份的加权平均，因此可以避免过度外推问题，通过权重设置可以反映未成为碳交易试点的省份在构造反事实状态时的贡献。

2 理论机制分析
2.1 数理模型分析
碳排放权交易政策是以市场手段解决碳问题的重要环境政策，是将二氧化碳排放权视为一种特殊的商品并赋予其商品属性，允许其在碳交易市场上进行交易，促使碳排放权在企业之间进行合理配置，碳排放权交易对于减少碳排放，进而实现经济高质量发展具有重要的作用。

为了方便对碳交易政策的碳减排效应进行分析，本文将碳交易市场上的企业划分为低碳排放的技术密集型企业和高碳排放的资源密集型企业。

高碳排放的资源密集型企业生产过程中所产生的二氧化碳如果超过了政府部门分配的额度，需要在碳交易市场上购买碳排放权。

低碳排放的技术密集型企业可以将自己富余的碳排放额度在碳市场上进行销售，并获得额外利润，用于企业的技术研发。

为了将模型进行简化，本文将两类企业的碳配额均定义为1单位的CO2。

具体而言：
对于碳排放权的购买方而言，高碳排放企业的利润最大化问题是在碳排放约束下使劳动和资本最优配置达到企业成本最小化。

模型采用Cobb-Douglas生产函数进
行生产，在生产函数中不仅考虑了劳动力(L)和资本(K)对生产的影响，而且还考虑
了碳排放权对生产的约束。

碳排放交易权购买方成本最小化的目标函数如式(1)所示：
min{Rtkt+WtLt+p1ξ}
(1)
其中，RtKt表示企业使用资本所要支付的利息成本，WtLt是企业使用劳动力支付给工人的工资成本，p1表示购买碳排放权的价格，ξ表示企业需要在碳市场上购
买的碳排放权数量，p1ξ表示企业需要支付给销售方的碳排放权成本。

(2)
式(2)表示高碳排放企业的生产函数，其中K表示物质资本投入，L表示劳动要素
投入，A表示既定的技术水平，CO2+ξ表示生产过程中产生的二氧化碳排放总量，
作为碳约束纳入到生产函数中，其中CO2表示政府的碳配额，ξ表示高碳排放企
业购买的额外碳排放权，生产函数假设规模报酬不变，即α+β+γ=1。

本文构建Lagrange函数求解高碳排放企业的成本最小化时的最优选择：
(3)
最优化选择的一阶条件：
(4)
(5)
(6)
对于碳排放权的出售方而言，低排放企业面临的问题是在成本既定的情况下使利润达到最大化，其目标函数为Cobb-Douglas类型的生产函数，K表示资本要素投入，L表示劳动要素投入，而且还考虑了碳排放权对生产的约束，其中CO2-ξ表
示低排放企业合意的二氧化碳排放量，即政府规定的二氧化碳排放限额扣除掉出售给高碳排放企业的碳排放权之后的余额。

(7)
本文假设低碳排放企业将出售碳排放交易权所获得的收益p2ξ全部用于技术研发。

由于研发投资具有风险性，并不是所有研发投入均能转化为技术，假设研发投入转化为技术的系数为g，低碳排放企业的技术累积方程为At=A0+gp2ξ，企业所面
临的预算约束如式(8)所示
st:min{RtKt+WtLt}
(8)
则低碳排放企业所面临的利润最大化问题如式(9)所示
(9)
低碳排放企业利润最大化的条件为：
(10)
(11)
(12)
根据(12)式可以得到：
当碳排放市场达到均衡时交易双方的价格应该满足：p1=p2，可以求解均衡价格和均衡产量。

碳交易政策的减排机制对高碳排放企业形成减排压力，对低碳排放企业形成减排动力，接下来本文对碳排放权交易的具体减排机制进行分析。

2.2 影响机制分析
根据图1我们可以发现碳排放权交易政策对高碳排放企业而言，主要通过企业成本压力效应、工艺革新动力效应、市场导向激励效应对碳减排产生影响的，具体而言：①企业成本压力效应。

高碳排放企业由于扩大生产规模的需要，对于超出碳排放配额的二氧化碳排放权，需要在碳交易市场上购买。

与购买之前相比企业的生产成本增加，企业在进行成本收益分析时需要将购买碳排放权所造成的费用纳入生产成本中，企业生产成本的增加给企业的市场竞争力带来了严峻挑战，在此压力下企业倾向于降低二氧化碳排放。

②工艺革新动力效应。

高碳排放企业购买碳排放权所
带来的生产成本增加，迫使企业增加对工艺革新的投入，企业进行工艺革新的积极性提高。

高碳排放企业越是在清洁技术研发中占据优势，其在碳交易市场上节省的购买碳排放权的成本就越多，因此工艺革新成为高碳排放企业节省生产成本提升市场竞争力的重要路径之一。

③市场导向激励效应。

充分发挥市场在碳排放权配置中的决定性作用，此外，高碳排放企业可以以市场为导向加快淘汰高耗能、高污染、低效益的落后产能，从而降低了二氧化碳排放。

碳排放权交易政策对低碳排放的技术密集型企业而言，主要通过市场收益诱导效应、技术创新激励效应和政府支持效应降低二氧化碳排放，具体而言：①市场获益诱导效应。

技术密集型企业可以凭借先进的生产技术和清洁的生产工艺降低二氧化碳排放，并将节约的碳排放权在碳交易市场上出售给高碳排放企业获取额外利润，在市场收益的诱导下企业倾向于降低二氧化碳排放。

②技术创新激励效应。

学术界对技术创新的碳减排效应均予以肯定，Goodchild & Toy[18]和Park et al.[19]发现技术进步能够显著降低二氧化碳排放。

当低碳排放企业转让碳排放权所带来的收益高于技术创新成本时，低碳排放企业将更加注重清洁技术的研发，一旦技术研发成功并投入到生产可以有效降低二氧化碳排放。

③政府政策支持效应。

对于低碳排放企业而言，政府会对低碳排放的企业进行补贴，一方面，企业在政府补贴和减税政策的激励下更加专注于技术研发，另一方面，政府补贴政策可以有效缓解企业的融资约束，增强企业用于研发的资金投入。

伴随着技术的进步以及技术溢出效应的增强，试点省份的整体技术水平会得到显著提高，从而降低了试点地区的二氧化碳排放。

图1 碳排放权交易的碳减排机制图
3 研究设计与数据说明
3.1 合成控制法
考虑到合成控制法在构造对照组方面具有的独特优势，本文根据Abadie[17]提出
的合成控制法对碳交易试点的碳减排效应进行评估。

从现有的研究进展看，合成控制法不仅被运用到碳交易试点对产业结构升级的影响领域[20]，而且还被应用于低碳试点的政策效果评估方面[21-22]。

给定K+1个省份在t∈[1,T]期内的二氧化碳排放量，其中表示第i个省份在时间t 上没有成为碳交易试点时的碳排放量，表示第i个省份在时间t上成为碳交易试点的碳排放量，假定第i个省份在时间t=T0时被确定为碳交易试点，则[1,T0]期内该省份的二氧化碳排放量不受到碳交易政策的影响，即碳交易政策实施之后，即[T0+1，T]期内，我们采用表示碳交易政策给第i个省份带来的碳减排效应。

对于成为碳交易试点的省份，我们可以测算出它的二氧化碳排放量由于该省份在没有成为碳交易试点时的碳排放数据是无法观测到的，因此本文采用Abadie[17]提出的基于参数回归的因子模型对进行估计。

上式中τt是所有省份碳排放的时间固定效应，Xi表示可以观测到的协变量，表示不受碳交易政策影响的控制变量；βt是一个未知参数向量，γt是一个无法观测的公共因子向量，vi是不可观测的省份固定效应；μit是不可观测到的短期冲击在省际水平上的均值为0。

具体的，本文选取目标省份2000—2013年的人均GDP、产业结构、人口密度、FDI、能源消费强度等变量作为预测变量。

我们假设第一个省份(i=1)成为了碳交易试点，其余K个省份i=2,……, K+1均不是碳交易试点。

考虑一个(K×1)维的向量权重W=(w2,…wk+1)以使wk≥0，
k=2,…K+1，且w2+…,wk+1=1。

每一个向量W的特征值都表示一个合成控制的组合，也就是合成K个省份二氧化碳的特定权重。

针对每个对照组省份的结果变量值，经过加权后得到了：
假定使得：
和
能够证明如果是非奇异的，那么：
已有研究证明，通常情况下碳排放权交易政策实施之前的时间段相对于碳排放交易权实施之后的时间段较长，那么，上式右边的均值将趋于0。

在碳排放权交易政策实施之后的时间段(即2013—2016年)可以将作为的无偏估计量，在北京、天津、上海、湖北、重庆、广东实施的碳排放权交易所得到的碳减排效果的估计值为：
对碳减排效果进行估计的重点和难点就是找到某一特殊的权重需要第一个省份的特征向量位于除北京、天津、上海、湖北、重庆、广东之外的其他省份特征向量组的凸组合集合范围之内。

但是通常不存在这样一个特殊的权重使得(3)成立，因此，需要一个近似的值来确定权重。

接下来本文定义一个向量M=(m1,…mr0)表示政策实施前后结果的线性组合：例如，如果m1=m2=…=mT0-1=0,mT0=1，则这表示结果变量值恰好是政策实施前的某一时间段；如果m1=m2=…=mT0-
1=1/T0，则则表示结果变量值是政策实施前期的平均结果。

定义F作为向量
M1，…，MF的线性组合，作为实施碳排放交易权政策的省份在实施前期的((r+M)×1)维特征向量。

相似的定义X0为一个((r+M)×K)的矩阵，涵盖了K个未被列为碳排放交易权的省份的对应的特征向量，即X0的第k列为本文通过最小化X1和X0W的距离||X1-X0W||来确定W*，同时使得wk≥0，k=2,…，K+1，且各省份的权重w2+…+wk+1=1。

根据Abadie教授所采用的来测度距离，其中V是对称半正定矩阵(Symmetric and Positive Semidefinite Matrix)。

尽管我们的推断过程对任意的V都有效，但是V的选择会对估计值的均方误产生影响。

V的最优选择是赋予X1和X0中变量一个合理的权重，以最小化合成控制值的均方误。

本文利用数据驱动的方式得到了对称半正定矩阵使得合成省份近似试点省份在成为
试点之前二氧化碳排放的运动轨迹。

3.2 指标选取
(1)二氧化碳的测度方法。

空气中的二氧化碳主要来源于化石燃料的燃烧。

因此，
根据各省化石燃料的消耗量来估算二氧化碳是二氧化碳测度的主流方法。

本文根据IPCC准则提供的各类化石能源的碳排放系数(如表1)进行估算，具体估算公式如下：
其中，CO2表示二氧化碳的估算值；i表示煤炭、天然气、焦炭、燃料油、汽油、煤油、柴油七类化石燃料。

E表示化石燃料的消耗量，NCV表示平均低位发热量，CEF表示碳排放系数。

(2)控制变量。

本文预测变量的选择主要考虑以下变量：①经济发展水平(rgdp)通
过规模效应增加二氧化碳排放又通过技术效应和结构效应降低二氧化碳排放，本文采用人均GDP作为经济发展的衡量指标。

②产业结构(indu)：二氧化碳排放主要
来源于化石燃料的燃烧，因此本文采用第二产业占地区生产总值的比值来反映产业结构对二氧化碳排放的影响。

③服务业发展水平(serv)，服务业占比的上升对碳排放起到抑制作用，本文采用第三产业占比来衡量服务业发展水平。

④产业结构高级化(stru)：反映了经济结构的服务化倾向，产业结构的服务化倾向越高越能降低经
济对化石能源的依赖程度。

本文参考干春晖等[23]对产业结构高级化的测度方法，采用第三产业产值与第二产业产值之比作为产业结构高级化的度量指标。

⑤能源效率(energy)：本文考察能源效率对二氧化碳的影响，采用能源消费总量与实际地区生产总值的比值来衡量。

⑥人口密度(popu)人口密度可以反映人口的集聚程度，
二氧化碳的排放不仅产生于生产过程中，人口的集聚程度也会产生二氧化碳[24]，采用年末人口总量与省份面积的比值来衡量。

⑦技术进步(tech)，在企业的生产过程中节能环保技术的推广无疑是碳减排的重要途径，技术进步可以提高化石能源的利用效率从而降低单位产出的碳排放量，本文采用技术市场成交额作为技术进步的
代理变量。

表1 IPCC准则中各项指标系数燃料类型煤炭天然气焦炭燃料油汽油煤油柴油
NCV/kj/kg20 90838 93128 43541 81643 07043 07042 652CEF/kg/TJ95 33356 100107 00077 40070 00071 50074 100
3.3 数据来源
本文选取1995—2016年中国30个省(不含港澳台和西藏)作为研究样本，预测变量中人均产出、产业结构、服务业发展水平、产业结构高级化、能源效率、人口密度、技术成交额等指标的原始数据均来自于国家统计局新版数据库。

人均产出数据采用实际地区生产总值除以各省年末总人口，实际地区生产总值是以1995年为基准期进行消胀处理。

能源消费总量数据来自于1995—2016年《中国能源统计年鉴》。

测算二氧化碳排放量时所采用的煤炭、天然气、焦炭、燃料油、汽油、煤油、柴油七类化石能源的消费总量数据来源于《中国能源统计年鉴》以及国家统计局新版数据库。

4 碳交易试点的政策效应评估
4.1 合成试点省份的权重设置
本文采用1995—2013年的经济发展水平、产业结构、能源结构等作为预测变量
来合成虚拟对照组。

运用Stata15软件提供的synth命令对碳交易试点省份所对
应的权重进行了测算。

以北京为例，构造合成北京的省份有海南、黑龙江、陕西，其权重分别为0.797、0.112和0.091，权重加总和为1，即海南、黑龙江、陕西
三个省的二氧化碳排放量分别按照0.797、0.112和0.091的权重加总可以估计北京未启动碳交易之前的二氧化碳排放量。

4.2 碳交易试点的碳减排效应分析
碳交易试点省份与其合成省份碳排放量的演变趋势如图2所示，垂直虚线为目标
省份成为碳交易试点的时间，虚线左侧为碳交易试点实施之前的时期，虚线右侧为
碳交易试点实施之后的时期。

碳交易试点的碳减排效应由试点省市的碳排放量与其合成省市的碳排放量的差值来表示。

如图2所示，湖北、天津、广东、重庆的真
实碳排放量与其合成碳排放量非常接近，这说明碳交易实施之前试点省份和合成省份的碳排放量没有显著差异。

而北京和上海与其合成省份的碳排放量差距较大，这是因为北京和上海是东部地区的直辖市，也是京津冀城市群与长三角城市群的核心城市，其城市经济发展水平、节能技术均为全国前列，其他省份的预测变量难以对二者进行拟合。

从图2可以看出，所有试点省市与合成省市的二氧化碳排放量在
虚线右边均出现了较明显的偏离，且真实二氧化碳排放量远低于合成二氧化碳排放量，这表明碳交易政策可有效降低二氧化碳排放。

碳交易试点实施之前湖北与合成湖北的碳排放总量拟合程度较高，说明在政策实施之前二者没有显著差异，启动碳排放权交易后，湖北的二氧化碳排放总量迅速下降，而合成湖北的碳排放量则按照原有趋势缓慢上升，从湖北和合成湖北的碳排放总量差值来看，湖北省的碳排放总量比合成湖北低，这说明湖北省自启动碳交易试点以来在碳减排方面取得了显著的成效。

碳交易试点实施前天津与合成天津的拟合程度较好，因此能够更好的显示政策实施后的效果。

2013年之前天津二氧化碳排放总量呈现出较为明显上升趋势，成为碳交易试点之后，二氧化碳排放总量出现明显下降，年均下降率为1.913%，而合成天津的二氧化碳排放总量变化较为平稳，没有明显的变化趋势。

天津碳排放量与合成天津碳排放量相比呈明显的下降趋势。

这表明碳交易试点对天津的碳减排有着明显作用。

但从图2可以看出天津真实与合成差距较小，原因在于天津市的二氧化
碳排放总量在六个试点省市中较少，减排空间较小，减排难度相对较大。

碳交易试点实施之前广东与合成广东的二氧化碳排放量基本重合，广东和合成广东的拟合程度在所有试点省市中是最优的，说明广东与合成广东在政策实施之前没有显著差异。

广东碳排放总量明显低于合成广东，这表明广东省作为最大的碳交易试
点，其碳减排效果较为明显。

图2 目标省份与合成省份的碳排放量
碳交易试点实施之前重庆与合成重庆的碳排放总量增长较快，且趋势线基本重合，而在政策实施之后重庆市碳排放总量出现下降趋势，合成重庆按照原有演变趋势缓慢上升。

相较于合成重庆来说，重庆二氧化碳排放总量远远低于合成重庆的碳排放量，说明重庆碳排放权交易制度效果良好。

4.3 安慰剂检验
本文将采用安慰剂检验(Placebo Test)对合成控制法的有效性进行检验。

首先，我们假设未实施碳交易政策的省份与实施碳交易政策的省份均在同时间成为碳交易试点；其次，根据合成控制法的思想，在其他省份中提取部分信息构建合成对照组，从而得到该试点省份与合成对照组之间碳排放总量的差值。

第三，通过对比安慰剂检验中碳排放的差值与试点省份碳排放的差值，我们可以对合成控制法的有效性进行检验。

如果试点省份与合成省份的二氧化碳排放差异主要是由于碳交易试点的实施导致的，那么，试点省份的二氧化碳差值应大于安慰剂检验中二氧化碳排放量的差值，如果试点省份与合成省份的二氧化碳排放量的差异并非由碳交易试点的实施导致，而是由于其他外在因素所导致的，则试点省份的二氧化碳差值要小于安慰剂检验中二氧化碳排放量的差值。

本文采用均方根预测误差(Root Mean Square Prediction Error，RMSE)衡量碳交易试点省份与其合成对照组之间二氧化碳排放的差异程度，具体测算公式如下：RMSPE=
为了方便比较，本文将整个样本期按照碳交易试点的实施年份划分为两个阶段：碳交易政策实施之前(Pre-Period-RMSE)和实施之后(Post-Period-RMSE)。

特别值得注意的是，如果碳交易政策实施之前合成省份的碳排放量不能很好的拟合真实碳排放量，本文将不再对此类试点进行安慰剂检验。

导致此类误差的原因是：对照组。