碳排放權交易政策的減污降碳協同效應評估

葉芳羽 單汨源 李勇 張青

[摘 要] 利用中國2004—2018年255個地級及以上城市的面板數據，采用雙重差分模型評估碳排放權交易政策的減污降碳效應及其作用機制。研究結果表明：碳排放權交易政策顯著降低二氧化碳排放量和大氣污染物濃度，表現出明顯的減污降碳協同效應;機制分析表明，碳排放權交易政策通過促進綠色技術創新和污染產業轉移實現污染減排;異質性分析發現，碳排放權交易政策的污染減排效應在規模大和工業化程度高的城市更為顯著。

[關鍵詞] 碳排放權交易政策;污染減排;雙重差分模型;協同效應;政策評估

[中圖分類號]? X196?? [文獻標識碼] A?? [文章編號] 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 引言及文獻綜述

應對氣候變化與大氣污染治理是中國當前面臨的兩大艱巨任務。氣候變化與大氣污染密切相關，但在科學研究和政府決策中較少將這兩個問題有機結合同步考慮。在資源約束條件下，要實現經濟發展和減污降碳雙重目標，實施大氣污染物與二氧化

碳協同治理的措施顯得尤為迫切。隨著生態文明體制改革不斷深入及市場在資源配置中決定性作用發揮，環境經濟政策將成為中國環境治理的中流砥柱?；诖?，本文以環境經濟政策的典型工具——碳排放權交易政策為研究對象，深入考察碳排放權交易政策的減污降碳效應，并分析其作用機制與異質性。

排放權交易的實踐最早出現在發達國家，美國人戴爾斯（Dales J. H.）于1968年在著作《污染、財富價格》中對排放權交易的實施進行了較為全面的敘述。從20世紀70年代起，美國聯邦環保局（EPA）逐步將排放權交易從理論構想推到實踐，先后將排放權交易應用于大氣污染與水污染的治理。在國外排放權交易取得豐碩成果的同時，中國也開啟了排放權交易的積極探索。以二氧化碳排放權交易為例，中國二氧化碳排放權交易的核心思路是，首先設定二氧化碳總量控制目標，然后將碳排放配額分配給不同的企業，最后企業可以自行決定配額的使用[1]。這一政策旨在鼓勵高減排成本的企業與低減排成本的企業進行交易，從而以最小的成本降低二氧化碳排放量[2]。2011年10月，《國家發展改革委辦公廳關于開展碳排放權交易試點工作的通知》（發改辦氣候〔2011〕2601號）印發，選取深圳、上海、湖北等省市作為首批試點地區實施碳排放權交易。在一系列籌備之后，深圳碳排放權交易市場于2013年6月開始運轉。此后，其他省市也陸續開展碳排放權交易，中國碳排放權交易邁入新的歷史階段。460ED1CE-73B4-4421-99C0-3F730659FA94

國內外研究大多關注碳排放權交易的總量控制和初始配額設置[3-4]，少部分研究討論了碳排放權交易政策的影響效應，但僅考察碳排放權交易政策對二氧化碳排放的影響，未考慮政策可能存在的協同減排效應[5]。Zhao等模擬中國實施碳排放權交易的影響，發現在經濟增長和環境保護的雙重限制下，跨省碳排放權交易可以將碳排放量減少到70億噸，下降幅度達27.27%[6]。然而，其研究并未考慮試點省市與非試點省市間是否存在系統性偏差，以及由此導致的估計偏誤問題。劉傳明等運用合成控制法評估碳排放權交易的政策效應，發現碳排放權交易政策顯著降低試點地區的二氧化碳排放量[7]。以上研究為科學認識碳排放權交易政策的減排效應提供了理論依據與現實參考，但都未考慮碳排放權交易政策可能產生的減污降碳協同效應。事實上，大氣污染物與二氧化碳的產生同根同源，都主要源于化石燃料的燃燒。同時，降低碳排放量與減少污染物排放的相關政策要求和基本路徑本質上是一致的。Shmelev和Speck以瑞典為對象的研究發現，超過99%的二氧化硫及超過91%的顆粒物等多種化合物均產生于化石燃料的燃燒[8]。

目前，關于減污降碳協同效應的研究中，學者們利用不同的方法對大氣污染物與二氧化碳的協同減排做出諸多有益的探索。然而，無論是仿真模擬還是協同指標構建，都是基于方法論的量化研究，而未涉及政策的協同效應評估。本文利用中國碳排放權交易試點這一事件構造“準自然實驗”，采用雙重差分模型評估碳排放權交易政策對二氧化碳與大氣污染物的協同減排效應。本研究豐富了環境經濟政策效應評估的相關文獻，為實現減污降碳協同提供經驗借鑒與政策啟示。

二 機理分析與研究假設

排放權交易給予企業更多的減排自主權，引導企業進行自主減排，從而更有利于碳排放總量控制目標的實現[5，9-10]。在排放權交易政策下，超額完成減排目標的企業將其剩余排放權放在市場出售，獲得經濟收益;減排目標未達成的企業則在市場上購買排放權。因此，超額完成減排目標的企業因其積極的環境行為得到經濟補償，而未完成減排目標的企業會因其不良的環境行為付出相應的經濟代價。接下來，本文將對碳排放權交易政策產生的必然性進行詳細闡述，并論述其實現碳排放總量控制的作用機制。

假設市場中存在技術水平、經濟規模差異較大的兩類企業。其中規模較大的企業，技術水平相對較高;而規模較小的企業，技術水平相對較低。與之對應，規模較大、技術水平高的企業，其治污成本相對較低，本文稱之為低治污成本企業。另一類企業的治污成本則相對較高，本文稱之為高治污成本企業。在既定的減排目標下，低治污成本企業利用其技術與規模優勢，超額完成減排目標，碳排放權出現剩余;而高治污成本的企業則由于技術水平落后等，無法完成其減排目標。在給定時間內，未達成減排目標的企業將面臨來自政府的高額行政罰款或被強制關停。當行政罰款或強制關停造成的損失遠高于企業購買碳排放權的成本時，對高治污成本企業來說，購買碳排放權無疑是最優選擇，高治污成本企業的碳排放權需求由此產生。對低治污成本企業而言，將剩余碳排放權置于市場出售會提高資源配置效率，獲得更多的經濟效益。只有當高治污成本企業的碳排放成本或行政罰款低于其購買碳排放權的成本時，兩類企業之間的交易才會終止。在兩類企業的交易過程中，低治污成本企業受到經濟激勵，會進一步進行技術革新，降低碳排放量。同時，高治污成本企業在給定的碳排放目標下，不用減少產出以降低二氧化碳排放量。因此，在碳排放總量控制目標下，企業單位產出的二氧化碳排放量會明顯降低。

根據以上論述，高治污成本企業與低治污成本企業之間的碳排放權交易能夠在促進單位產出的碳排放量減少的同時實現碳排放總量控制的目標。事實上，碳排放總量控制目標不僅會激勵低治污成本企業進行技術革新，而且會刺激高治污成本企業采用清潔生產技術?？偠灾?，碳排放權交易政策可以通過促進企業進行技術升級而降低二氧化碳排放總量。然而，碳排放權交易政策是一項基于市場的環境經濟政策，企業在應對這一政策工具時，除進行技術升級外，還有另一項選擇——轉移污染產業[11]。尤其是在統一市場尚未建立，地方政府各自為政的情況下，企業為了規避本地區碳排放總量控制的約束，可能會選擇將污染產業從試點省市轉移到非試點省市。由于二氧化碳與大氣污染物同根同源，都主要來自煤、石油等化石燃料的燃燒，因此，碳排放權交易政策在降低碳排放量的同時，也有可能產生減少大氣污染物的協同效應。

基于以上的理論分析，本文提出以下兩個假設：

假設1：碳排放權交易政策不僅能夠降低二氧化碳排放量，同時會減少大氣污染物排放。

假設2：碳排放權交易政策通過促進企業綠色技術升級和污染產業轉移減少大氣污染物排放。

三 研究設計

（一）樣本選擇與數據來源

本文利用中國255個地級市及以上城市2004—2018年的面板數據進行實證研究。其中，PM2.5的數據來自哥倫比亞大學社會經濟數據和應用中心，其余數據來自《中國城市統計年鑒》和Wind數據庫。樣本研究的截止年份為2018年是因為目前關于中國市級層面PM2.5濃度數據只更新到2018年。

（二）變量定義

被解釋變量包括二氧化碳與主要大氣污染物。由于目前中國尚未有官方的碳排放數據，本文借鑒蔡博峰等[12]的方法，收集并整理各個時期各城市的化石能源消費量，計算出各個時期各城市二氧化碳排放量。關于大氣污染物的種類，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）、顆粒物（PM10、PM2.5）等。鑒于數據的可得性，本文以二氧化硫（SO2）與細微顆粒物（PM2.5）作為大氣污染物的代理變量。

為防止遺漏變量導致估計偏誤，參考現有相關研究[13-14]，選取如下變量作為控制變量：（1）經濟發展水平（econo），采用人均GDP表示。（2）環境投入（envin），采用環境治理本年投資總額與工業總產值的比值表示。（3）綠色技術（gretech），采用數據包絡分析方法計算出全要素生產率變化的Malmquist指數，然后將其分解為綠色效率與綠色技術。（4）市場化程度（market），采用私營和個體從業人數與總就業人數的比值表示。（5）產業結構（indus），采用第二產業占GDP的比重表示。（6）人口密度（pop），采用年平均常住人口與區域面積的比值表示。（7）外商直接投資（fdi），采用當年實際使用外資金額表示。460ED1CE-73B4-4421-99C0-3F730659FA94

（三）模型構建

關于政策效應評估的模型較多，主要包括：雙重差分、斷點回歸及可計算一般均衡。參考李毅等[15]的研究，本文采用雙重差分（DID） 方法進行實證估計?；貧w模型如下：

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

其中，Y為模型的被解釋變量，分別用二氧化硫排放量、PM2.5濃度、二氧化碳排放量來表示，Cons為常數項。Treati為地區虛擬變量，表示城市i是否被設定為試點地區，若某城市進行了碳排放權交易試點則取值為1，未進行碳排放權交易試點則取值為0。Tt則為時間虛擬變量，若時間為碳排放權交易試點之后取值為1，若時間為碳排放權交易試點之前取值為0。X表示一系列控制變量，包括經濟發展水平、工業化程度、外商直接投資、人口密度、環境投入、市場化程度等。μi是個體異質性，ρt是時間異質性，包括月度時間和年度，εit是隨機誤差項。β為核心解釋變量的回歸系數，即雙重差分的估計量，代表了排放權交易政策對城市大氣污染物與二氧化碳排放的影響效應。

四 實證結果分析

（一）基準回歸分析

1. 碳排放權交易政策對碳排放的影響效應

任何政策或計劃的實施主要都是為了解決某一特定的問題，或是實現某一特定的目標。在本文中，政策的協同效應是指，政策實施不僅對既定的政策目標產生影響，還能產生一些額外政策效果。因此，在考察碳排放權交易的減污降碳協同效應之前，先對碳排放權交易政策的降碳效果進行評估。以二氧化碳排放總量為解釋變量，采用雙重差分模型進行估計，回歸結果如表1所示。

表1的回歸結果顯示，在同時考慮城市固定效應、年份固定效應和控制變量的情況下，碳排放權交易政策的實施對城市二氧化碳排放總量存在顯著的負向效應，即碳排放權交易政策的實施促進了城市二氧化碳排放總量的降低，碳排放權交易政策在促進降碳上是有效的。這與劉傳明等[7]、李治國等[16]的結論一致。對于相關控制變量，經濟發展水平的一次項與二次項系數證明了環境庫茲涅茨假說的成立性。環境投入對碳排放的影響顯著為負，即環境投入越多，二氧化碳的排放總量會越低。綠色技術對碳排放的影響顯著為負，即綠色技術的進步會降低二氧化碳排放量。市場化程度對碳排放的影響為正，在市場利益驅動與缺乏約束的情況下，私營經濟的發展會顯著促進碳排放量提高。產業結構對碳排放的影響顯著為正，第二產業占比越大，能源消耗量也越多，二氧化碳排放總量也越大。人口密度對碳排放量的影響為正且顯著，可能的原因在于，人口密度越大，總體對能源的消耗也越多，二氧化碳排放量也越多[17-19]。外商直接投資對碳排放的影響顯著為正，表明現階段外商直接投資會顯著促進碳排放量的增加。

2. 碳排放權交易政策對大氣污染物的影響效應

本文主要研究碳排放權交易政策能否在降低二氧化碳排放的同時，也減少大氣污染物排放?？紤]數據的可得性，分別以二氧化硫（SO2）及可吸入顆粒物（PM2.5）為大氣污染物的代理變量。以大氣污染物作為被解釋變量進行回歸，估計結果如表2的第（1）、（2）列所示。 在表2的第（2）列中，將交互項與二氧化硫（SO2）排放量進行回歸，控制地區固定效應和年份固定效應，估計系數為負且顯著。同樣，在表2的第（3）、（4）列中，以可吸入顆粒物（PM2.5）作為被解釋變量，在控制其他變量的前提下，政策交互項Treat×T的估計系數為-0.207，且估計結果通過了1%顯著性水平檢驗。這說明在其他條件不變的前提下，碳排放權交易政策的實施顯著促進了城市二氧化硫（SO2）與可吸入顆粒物（PM2.5）的減少，碳排放權交易政策抑制了城市空氣污染物的排放，表現出明顯的減污降碳協同效應。

（二）穩健性檢驗

1. 使用傾向得分匹配雙重差分方法

本文在基準分析中使用雙重差分（DID）模型。與單差法、斷點回歸等方法相比，雙重差分方法的優勢在于能較好地剔除實驗組與控制組在實驗前的差異，從而準確識別出因果效應[20-22]。但使用雙重差分方法要滿足的重要前提條件之一就是：實驗組與控制組的分組是隨機的，即樣本選擇不受干預影響。為了證明本文的實證結果不受可能存在的樣本選擇偏差干擾，本文使用傾向得分匹配雙重差分（PSM-DID）方法進行估計。首先根據鄰近匹配方法挑選出合適的控制組，然后進行雙重差分模型的估計。表3結果顯示，與前文的實證結果一致，碳排放權交易政策對PM2.5的影響是負向的，且通過了顯著性檢驗。這說明本文的基準結果整體上是穩健的。與前文結果不同的是，碳排放權交易政策對二氧化硫排放的影響并不顯著。因此，下文分析碳排放權交易政策對大氣污染物的影響，僅考慮以PM2.5作為被解釋變量進行回歸分析。

2. 排除相近時期其他政策的干擾

在估計碳排放權交易政策對大氣污染物的影響過程中，可能會有其他政策對大氣污染物產生影響，從而使碳排放權交易政策的估計產生偏差。為了解決這一問題，本文搜索了在碳排放權交易政策實施期間發布的其他政策。最終發現，2013年國務院出臺的《大氣污染防治行動計劃》提出了“切實改善空氣污染”的政策，該政策要求到2017年全國地級市及以上城市可吸入顆粒物濃度應比五年前降低10%以上。據此，本文認為《大氣污染防治行動計劃》產生的減污效果可能會對本文的估計結果產生干擾。為了排除干擾，本文在基準回歸模型中加入政策虛擬變量D。若加入政策虛擬變量之后，碳排放權交易政策的回歸系數仍然顯著，則說明本文的結果是穩健的。表4結果顯示，代表政策的系數依然顯著為負，盡管系數大小略有下降。這意味著碳排放權交易政策的減污效應是顯著的，本文的實證結果較為穩健。

3. 安慰劑檢驗

碳排放權交易政策的實施時間為2013年，為了排除時間層面因素造成的干擾，利用虛構政策干預時間的方式進行安慰劑檢驗。具體做法如下：刪除2013年以后的樣本，僅保留碳排放權交易政策實施之前的樣本，依次將2005—2007年作為“假”的碳排放權交易政策的時間點，對其進行減污效應檢驗，回歸結果如表5所示。不難發現，在5%顯著性水平下，雙重差分項的系數不再顯著，這表明大氣污染物的減少確實是由碳排放權交易政策而不是其他因素導致的，據此可以說明本文的結果是穩健的。460ED1CE-73B4-4421-99C0-3F730659FA94

（三）作用機制分析

在機制分析中，中介效應模型被廣泛應用，其基本思路是：研究自變量X對因變量Y的影響，若X通過影響Z而對Y產生影響，則稱Z為中介變量。中介效應模型一般包含以下三個方程：

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）

結合本文的機制分析，為了驗證碳排放權交易政策是否通過影響綠色技術與產業結構對大氣污染物產生影響，以PM2.5為因變量，碳排放權交易政策Treati×Tt為自變量，分別以綠色技術與產業結構為中介變量Z進行機制檢驗，X表示與上文一致的控制變量，μi為城市個體效應，ρt為時間效應，εit為隨機誤差項。其中，式（2）的系數δ0代表自變量對因變量的總效應;式（3）的系數δ1代表自變量對中介變量Z的效應;式（4）的系數λ代表控制自變量的影響后，中介變量對因變量的效應，系數δ2為控制中介變量后自變量對因變量的直接效應。因此，若系數λ與系數δ1均顯著，系數δ2也顯著，則表示直接效應顯著，中介效應也顯著，此時中介效應稱為部分中介效應;若系數λ與系數δ1均顯著，但系數δ2不顯著，說明直接效應不顯著，僅存在中介效應，此時中介效應也稱完全中介效應[23]。中介效應的檢驗結果如表6所示：

表6的（1）～（3）列考察碳排放權交易政策的綠色技術進步機制。第（1）列展示碳排放權交易政策對大氣污染物PM2.5的影響，與前文的結果一致，碳排放權交易政策的系數顯著為負。第（2）列為碳排放權交易政策對綠色技術進步的影響，結果顯示，碳排放權交易政策對綠色技術進步有顯著的正向影響。第（3）列中，碳排放權交易政策與綠色技術進步的回歸系數均在1%的水平下顯著，說明直接效應與中介效應均成立，此時的中介效應為部分中介效應。從中介效應檢驗的結果可以發現，綠色技術進步確實是碳排放權交易政策影響大氣污染物PM2.5的作用路徑。

表6的第（4）～（6）列考察碳排放權交易政策的產業結構調整機制。第（4）列是碳排放權交易政策對大氣污染物PM2.5的影響，與前文的結果一致，碳排放權交易政策的系數為負，且通過了1%的顯著性水平檢驗。第（5）列為碳排放權交易政策對產業結構的影響，結果顯示，碳排放權交易政策對產業結構有顯著的負向影響。第（6）列中，碳排放權交易政策與產業結構的回歸系數均在1%的水平下顯著，說明直接效應與中介效應均成立，此時的中介效應為部分中介效應。從中介效應檢驗結果可知，產業結構也是碳排放權交易政策影響大氣污染物PM2.5的作用路徑，即碳排放權交易政策通過影響產業結構來減少大氣污染物。

（四）異質性分析

1. 城市規模的異質性

參考2014年國務院發布的最新城市規模劃分標準及試點城市的人口規模，將試點城市按常住人口規模劃分為特大城市、大城市、中等城市與小城市。采用固定效應模型進行估計，同時考慮到大氣污染具有路徑依賴特征，在模型中加入大氣污染物的一階滯后項，估計結果如表7所示。從回歸結果可以發現，不同規模城市的大氣污染一階滯后項系數均為正，且在1%的水平下顯著。這表明不論是何種規模的城市，大氣污染物的排放均具有顯著的連續性，即上一期大氣污染物較多的城市在下一期大氣污染物也較多。比較不同規模城市的碳排放權交易政策的估計系數發現，城市規模越大，碳排放權交易政策的大氣污染物減排效應也越強。

2. 產業發展階段的異質性

在產業發展存在異質性的情況下，碳排放權交易政策是否會存在顯著的大氣污染減排效果差異？為了回答這一問題，依據錢納里的工業化階段理論，將城市按第二產業占GDP比重進行劃分，分為工業化前期、工業化中期與工業化后期三個子樣本進行回歸，結果如表8所示。從回歸結果可以發現，碳排放權交易政策的大氣污染物減排效應因城市工業化發展階段而異。相比于處于工業化早期與工業化中期的城市，碳排放權交易政策對處于工業化后期的城市具有更強的大氣污染物減排效應。

五 結論與政策建議

氣候變化與大氣污染密切相關，但在學術研究和政府決策中較少對這兩個問題進行同時考慮。在有限的經濟資源與應對氣候變化和大氣污染控制的多重壓力下，實施二氧化碳與大氣污染物協同治理就顯得愈發重要。本文基于2004—2018年中國255個地級市及以上城市的面板數據，利用雙重差分模型評估碳排放權交易政策的減污降碳協同效應，并進一步分析其作用機制與異質性。研究發現：碳排放權交易政策顯著降低城市的二氧化碳排放量和大氣污染物濃度，表現出明顯的減污降碳協同效應。經過一系列穩健性檢驗后，該結論依然成立。碳排放權交易政策對大氣污染物的減排效應主要通過促進綠色技術創新和污染產業轉移而實現。碳排放權交易政策的大氣污染物減排效應在規模大和工業化程度高的城市更為顯著。

據此，本文提出下述建議：（1）深入推進碳排放權交易試點工作，著力強化頂層設計，確保政策落地見效。在推進碳排放權交易試點擴大的過程中，政府應該做好推進形成統一碳市場的頂層設計，以防止地方政府的不良競爭，保證政策的執行性及有效性。（2）強化環境經濟政策的組合調控，統籌推進減污降碳協同治理。在碳排放市場配額設置的過程中加入大氣污染物，一方面有利于實現大氣污染物與二氧化碳的協同治理;另一方面，可以激勵生產者進行綠色技術創新，從而減少大氣污染物的排放。（3）加大綠色技術創新投入，推動綠色經濟發展。以科技創新推動綠色發展是解決生態環境問題的根本途徑，加大綠色技術投入，鼓勵企業進行綠色技術創新，加快形成資源節約型和環境友好型的經濟發展模式。

[參 考 文 獻]460ED1CE-73B4-4421-99C0-3F730659FA94

[1] 楊超， 吳立軍， 李江風，等. 公平視角下中國地區碳排放權分配研究[J]. 資源科學， 2019（10）： 1801-1813.

[2] 王明喜， 李明， 郭冬梅， 等.碳排放權的非對稱拍賣模型及其配置效率[J]. 管理科學學報， 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] 劉承智， 潘愛玲. 碳排放交易體系下的排放權交易會計政策研究[J]. 財經理論與實踐， 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] 劉傳明， 孫喆， 張瑾. 中國碳排放權交易試點的碳減排政策效應研究[J]. 中國人口·資源與環境， 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]劉滿鳳， 陳華脈， 徐野. 環境規制對工業污染空間溢出的效應研究——來自全國285個城市的經驗證據[J]. 經濟地理， 2021（2）： 194-202.

[12]蔡博峰， 劉曉曼， 陸軍， 等. 2005年中國城市CO2排放數據集[J]. 中國人口·資源與環境， 2018（4）： 1-7.

[13]邵帥， 李欣， 曹建華， 等. 中國霧霾污染治理的經濟政策選擇——基于空間溢出效應的視角[J]. 經濟研究， 2016（9）：73-88.

[14]郭俊杰， 方穎， 楊陽. 排污費征收標準改革是否促進了中國工業二氧化硫減排[J]. 世界經濟， 2019（1）： 121-144.

[15]李毅， 胡宗義， 劉亦文， 等. 碳強度約束政策對中國城市空氣質量的影響[J]. 經濟地理， 2019（8）： 21-28.

[16]李治國， 王杰. 中國碳排放權交易的空間減排效應：準自然實驗與政策溢出[J]. 中國人口·資源與環境， 2021（1）：26-36.

[17]曾望軍. 污染物排放強度與我國經濟增長——基于內生增長模型的研究[J]. 湖南大學學報（社會科學版）， 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]羅舟， 胡尊國. 中國自貿試驗區政策試點對地區外商直接投資的影響——基于雙重差分法的驗證[J]. 財經理論與實踐， 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]溫忠麟， 葉寶娟. 中介效應分析：方法和模型發展[J]. 心理科學進展， 2014（5）： 731-745.460ED1CE-73B4-4421-99C0-3F730659FA94