碳交易与“碳税”的减排效应及作用路径研究

刘海英 钟莹

摘 要：碳排放权交易和碳税是降低碳排放的主要市场化手段。本文采用双重差分空间杜宾模型（SDM-DID）和中介效应检验对其减排效应、空间溢出效应以及作用路径进行检验。研究发现，我国碳排放在空间上存在显著的正相关性，存在高-高排放、低-低排放地区聚集的空间特征；两种碳减排政策在考虑空间关联性后仍然具有显著的减排效果，其中碳排放权交易存在正向的空间溢出效应，试点省份周边地区能借助试点省份的政策红利实现碳减排，而“碳税”的空间溢出效应为负，存在“污染天堂”现象，碳排放权交易能通过促进工业结构低碳转型、改善能源结构来实现碳减排，“碳税”能通过提高能源效率和改善能源消费结构来减少碳排放。

关键词：碳排放权交易；碳税；空间双重差分；空间溢出；作用路径

中图分类号：F832. 5  文献标识码：A  文章编号：1001-148X（2023）01-0098-10

收稿日期：2021-10-26

作者简介：刘海英（1972-），男，吉林松原人，教授，博士生导师，研究方向：环境与经济可持续发展；钟莹（1995-），本文通讯作者，女，重庆人，博士研究生，研究方向：环境治理、低碳经济。

基金项目：国家社科基金重大项目“‘十四五时期环境约束推动产业平稳、绿色低碳发展的机制与路径研究”，项目编号：21ZDA006；国家社科基金项目“环境规制促进我国工业绿色转型作用路径研究”，项目编号：20BJY102；吉林大学基本科研业务费“碳达峰碳中和”哲学社会科学研究专项项目，项目编号：2022ST02。

中国经济发展已由高增长阶段转向高质量阶段，“十四五”时期经济社会发展的主要目标是在质量效益明显提升的基础上实现持续健康发展。在碳达峰和碳中和的目标下，广泛形成绿色生产生活方式，持续减少二氧化碳和“三废”污染物排放总量成为实现经济高质量可持续发展的必然要求。在改革开放的40多年中，中国经济告别了短缺时代取得了举世瞩目的成就，但同时也造成了严重的环境污染。因此，低碳转型已成为经济高质量和可持续发展的必然选择。为了实现“双碳”目标推动经济低碳转型，我国政府出台了许多减排政策，其中碳税和碳排放权交易机制是世界各国应用较为广泛的碳减排手段，我国也进行了相关的尝试。从2006年开始，相关部门和学者就展开了关于碳税征收的必要性、可行性以及税收机制设计等相关研究。与此同时，碳排放权交易制度作为另一种市场型环境管理手段也于2013年6月起先后在七个试点相继启动。这两种碳排放管理市场化手段的有效性如何？在经济运行中通过何种路径实现对碳排放的控制？对这些问題的研究具有重要的现实意义。

一、文献综述与研究假设

（一）文献综述

低碳转型的直接目标是要减少二氧化碳的排放，世界各国进行碳减排的政策工具一般有两种，一种是利用市场的庇古手段，包括征收碳税、环境税、排污费等，另一种是创建市场的科斯手段，包括为碳排放设置交易权、国际补偿制度等［1］。Pigouter在其所著的《福利经济学》中提出，负外部性问题单纯依靠参与者与非参与者之间的协商是不够的，需要政府干预，对产生负外部性的参与者征税或收费才能有效解决［2］。Coase（1960）认为碳税的征收虽然能在一定程度上减排二氧化碳，但政府的干预一定程度上扰乱了市场的资源配置功能，因此提出另一种解决办法：将负外部性当作一种商品，在明晰产权的情况下允许其在市场中交易，相关者在市场机制中都得到了利益的满足。这种解决负外部性的方法既实现了市场的资源配置功能，又提高了社会整体福利［3］。碳排放权交易（简称“碳交易”）就是在这样的理论基础下诞生的制度。总结来说，由于碳排放属于公共物品，具有非竞争性和非排他性，社会中的个体都有消费碳排放的冲动且不必承担相应的责任，因此导致了碳排放的滥用。因此，明晰碳排放的产权并将其产生的“负外部性”内部化为排放者的成本是减少碳排放的重要手段。

碳税研究在方法上主要以可计算一般均衡（CGE）模拟分析为主，Whalley（1991）提出了包含国际贸易和碳排放的静态CGE模型，并分析了在生产和消费过程中征收碳税对国际贸易和环境的影响［4］。Burniaux et al（1992）提出了全球递归的动态CGE模型，自此之后，大量国内外学者开始将CGE模型运用于分析碳税和环境污染治理的相关问题中［5］。张晓娣和刘学悦（2015）基于动态CGE模型进行情景模拟，比较了碳税和发展可再生能源对经济增长和居民福利的影响，结果发现两类政策都会提高能源价格［6］。Zhang Z et al. （2017）构建全球CGE模型，评价分析了单一碳税和组合碳减排政策的实施效果，结果发现，组合碳减排政策的减排效果更佳［7］。总体来看，政策效果方面，征收碳税的减排效应比较明显，但会存在一定的福利损失；研究方法上，由于我国还没有实际征收碳税，所以对碳税的政策效果研究方法通常停留在通过CGE模型进行仿真模拟。

碳交易研究在方法上主要有双重差分法（DID）、控制合成法，在效应评价上以评价减排效应为主，其他效应为辅。任亚运和傅京燕（2019）采用双重差分法研究发现碳排放权交易在减排了二氧化碳的同时，还协同减排了二氧化硫等其他污染物，并促进了试点地区整体的绿色发展［8］。刘传明等（2019）采用双重差分法和合成控制法对碳交易试点地区碳减排效果进行检验，结果表明碳交易制度的减排效果具有区域异质性，广东、天津、湖北、重庆的碳减排效果较为明显［9］。

综上所述，控制碳排放的环境政策主要有碳税和碳排放权交易制度。国内外学者通过CGE情景模拟、DID双重差分对这两种碳减排政策的减排效果进行了大量的研究，基本一致认为这两种碳减排政策对降低碳排放有明显的作用。CGE模型虽然已经是一种成熟的用于评估政策效应的仿真模拟模型，但是它不能摆脱投入产出的设定，内部作用机制难以追踪等CGE模型本身固有的问题，因此，本文选择使用双重差分法来检验政策的有效性。随着经济的发展，信息技术和交通网络的发展为生产要素流通、产业转移提供了便利，各地区间不再是相互独立的个体，经济变量联系愈发紧密。因此，在评价政策效果时考虑地区空间关联性是十分有必要的，但目前国内鲜有学者对碳排放的空间特征以及碳减排政策的空间溢出效应进行评估，或者没有将空间溢出效应进行分解。为弥补已有研究的局限，本文将构建空间双重差分对两种碳减排的政策效果进行评估，并对碳减排政策如何实现碳减排的内在机制进行研究分析。

（二）研究假设

碳减排政策并不是直接作用于碳排放的管控，而是对高排放企业产生直接作用。无论是征收碳税还是交易碳排放额，企业对碳排放的需求越多，所支付的成本越高，在这种成本压力效应下，一部分高排放企业因无法承担高额的费用而被迫退出市场，这驱使生产要素从“高碳”产业向“低碳”产业倾斜，在宏观上表现出“低碳”产业占比上升的特征。而另一部分高排放企业则通过改变生产模式，提高能源效率等方式节省碳排放成本。比如电力行业，发电商会在碳减排政策下权衡碳价或碳税与转换燃料（例如煤与天然气的转换）的成本，选择更为节省的方式。这样的转变会逐步提高清洁能源的占比，优化能源结构，降低燃料的碳排放强度。除此之外，碳减排政策还会诱发留在市场中的企业自发的改变技术进步的偏向性，促使技术朝着低碳与提高能效的方向发展。根据以上分析，本文提出三条碳减排政策的作用路径；工业结构低碳转型路径、能源结构优化路径、提高能源效率路径。

1.工业结构低碳转型路径

根据上述分析，当高排放企业因无法支付环境成本而退出市场时，行业中低碳企业的占比会逐渐提高，最终实现工业结构的低碳转型。李锴和齐绍洲（2020）探究了节能减排政策、新能源补贴、碳交易对工业结构转型的影响，发现节能减排政策能够显著地促进工业结构向低碳化转型升级［10］。原嫄（2016）对多个国家进行对比分析，发现第二产业对碳排放的影响恒为正值，产业结构的调整能有效降低碳排放［11］。根据以上分析提出如下假设：

H1：碳减排政策能够促进工业结构低碳转型从而实现碳减排。

2.能源结构

能源结构决定了单位能源消费所产生的二氧化碳量，在能源消费总量不变的情况下，能源结构的不同带来的碳排放也会有所不同。长期以来，我国的能源结构一直是以煤炭消费为主。图1是根据《BP世界环境统计年鉴2018》绘制出的中国与世界能源结构对比图，从中可以看出，中国煤炭消费占比远高于世界煤炭消费占比，可再生能源消费占比略高于世界平均水平，石油、天然气、核电消费占比低于世界平均水平。张树伟（2011）通过构建可计算一般均衡的CSGM模型，模拟情景显示碳税征收对经济增长影响不大，但能有效改善电力部门能源结构，提高其非化石能源消费的比重［12］。彭旭和崔和瑞（2016）通过定量分析发现加强水电、核电等新能源的利用对降低我国碳强度具有积极作用［13］。基于此，本文提出如下假设：

H2：碳减排政策能够优化能源结构从而实现碳减排。

图1 中国与世界能源结构对比

3.能源效率

能源效率对单位产出的能源消耗有着重要影响，在产出总量既定且其他条件不改变的前提下，能源效率越高能源消耗量越少，碳排放量越少。同时能源效率也隐含了技术效率和规模效率两个方面，因此可以通过能源效率的进步反映技术进步和规模效应。查冬兰等［14］研究发现，虽然存在能源回弹效应，但能源效率的提高仍然能显著减少二氧化碳的排放，尤其是电力部门能源效率的提高对减排二氧化碳有很好的效果，未来绿色技术的研发也会朝着提高能源效率这一方向发展。因此，提高能源的使用效率也是降低二氧化碳排放的途径之一。基于此，本文提出如下假设：

H3：碳减排政策能够通过提高能源效率降低碳排放。

二、模型设定

双重差分法是一种应用较为广泛的用以评估政策效果的方法［15］。传统的非空间双重差分只考虑了政策在当地的影响，忽略了政策对周边地区的影响，导致政策效果被高估。空间计量认为，各省之间并不是相互独立的，在经济上有着广泛的联系，通常距离越近的省份联系越密切。当一个政策实施时，不仅会对本省产生效果，对邻接的省市也会溢出影响。为了更为准确的评估政策效果以及政策的空间溢出效应，本文构建了包含碳交易和碳税两种碳减排政策的空间双重差分计量模型（SDID），对碳减排政策的减排效果进行检验，并且采用空间双重差分的分解模型将碳减排政策空间溢出效应进行分解，除此之外也采用非空间双重差分（DID）评估碳减排政策的作用效果作为稳健性检验。首先，参照范巧和吴丽娜（2018）构造了非空间双重差分模型［16］：

ceit=α0+∑Kkαkxit，k+αK+1Dit+αK+2CTit+γt+μi+εit（1）

公式（1）中ceit表示二氧化碳排放量，xit表示控制變量，Dit为组合虚拟变量，由组别虚拟变量和时间虚拟变量的中心化取值的乘积构成，即Dit=（D1it－D1）×（D2it－D2），其中D1it为组别虚拟变量，若数据属于实验组（政策实施），则D1it=1，反之D1it=0；D2it为时间虚拟变量，在政策实施之前，D2it=0，实施之后的每一年（包括政策实施当期），D2it=1；D1和D2分别为两个虚拟变量的序列均值，CTit表示碳税，εit是与省市年份无关的随机误差项。

在构建空间双重差分之前，需要判断选择空间模型的类型。在空间模型选择检验中，LR检验、Wald检验、LM Error robust检验、LM Lag robust检验和Hausman检验均在在1%显著性水平下显著，因此本文选择固定效应的空间面板杜宾模型（Spatial Durbin Model， SDM），空间双重差分模型构建如下：

ceit=ρWceit+∑Kkαkxit，k+αK+1Dit+αK+2WDit+αK+3CTit+αK+4WCTit+αK+5W∑Kkαkxit，k+γt+μi+εit（2）

公式（2）中，W是空间权重矩阵，本文采用空间邻接矩阵。αK+1是碳排放权交易市场（简称“碳交易”）对试点省市的直接处理效应，αK+3为碳税的的直接效应，αK+2和αK+4分别表示碳交易政策和碳税政策的溢出效应（间接效应）。ρ表示二氧化碳排放量在空间上的关联性，其余符号含义与公式（1）中相同。由于碳税政策在所有省份都有实施，因此该政策的溢出效应不用分解，而碳交易政策只在试点省份实施，模型中测算的溢出效应包括了所有的溢出效应，而本文只关心实验组对控制组的溢出效应和实验组对实验组的溢出效应，因此本文参考Chagas et al将碳交易的溢出效应进行分解，模型构建如下［17］：

ceit=ρWceit+∑Kkαkxit，k+αK+1Dit+αK+2Wtt+Wtnt+Wntt+WntntDit+αK+3CTit+αK+4WCTit+αK+5W∑Kkαkxit，k+γt+μi+εit（3）

公式（3）中將评估碳减排政策的溢出效应的矩阵进行分解，分解为Wtt、Wtnt、Wntt、Wntnt，这四个矩阵分别表示实验组对实验组的溢出效应、控制组对实验组的溢出效应、实验组对控制组的溢出效应、控制组对控制组的溢出效应，具体权重分解方法如下：

Wtt=diagDt×W×diagDt

Wtnt=diagDt×W×diagIn－Dt

Wntt=diagIn－Dt×W×diagDt

Wntnt=diagIn－Dt×W×diagIn－Dt（4）

公式（4）中，In为n×n的单位矩阵，diag（Dt）表示主对角是Dt其余全是0的矩阵。由以上分解可以得到Dtnt=0和Dntnt=0。因此，基于空双重差分模型变为：

ceit=ρWceit+∑Kkαkxit，k+αK+1Dit+αK+2WttDit+αK+3WnttDit+αK+4CTit+αK+5WCTit+αK+6W∑Kkαkxit，k+γt+μi+εit（5）

公式（5）中αK+2和αK+3分别表示碳交易政策对实验组（试点省份）和控制组（非试点区省份）的溢出效益，其余符号含义与前文一致。

三、变量选取和数据来源

（一）二氧化碳排放量

本文选取二氧化碳的排放量作为被解释变量，由图2的碳排放核密度函数可以看出，从2007—2015年，碳排放较低的省份逐渐减少，中等碳排放和高碳排放的省市逐渐增加，二氧化碳排放总量逐年上升（该数据来源于中国碳核算数据库）。

空间计量的前提是数据具有空间依赖性（即“空间自相关”），因此本文对各省碳排放进行了空间全局的Morans I指数检验，检验结果如图3所示。图3的横坐标表示二氧化碳的排放量，纵坐标表示二氧化碳排放量与空间权重矩阵的乘积。从图3中可以看出，二氧化碳排放量在空间上存在“正空间自相关”，也就是具有高排放地区与高排放地区聚集，低排放地区与低排放地区聚集的空间特征。除此之外，本文还进行了空间全局的Gearys C指数检验和Getis-Ords G指数检验，三个指数都在1%的显著性水平下显著为正，说明二氧化碳排放量在空间上存在正向相关。

（二）碳排放交易

2013年6月起，作为减排二氧化碳的市场型环境规制政策，碳交易先后在七个试点省市： 北京、天津、上海、重庆、湖北、广东和深圳启动。由于除了深圳市，其他试点都是省和直辖市，为了统一研究范畴，本文将深圳市合并到广东省。参照李广明和张维洁（2017）的做法，将 2014 年之前定为非试点期，2014 年之后（包括 2014 年）为试点期，将北京、天津、上海、重庆、湖北、广东作为实验组，其余30个省份作为控制组［18］。由于数据可得性以及数据统计口径等原因，不包含西藏、港澳台地区作为控制组。

（三）碳税

世界各国对于二氧化碳的减排政策一般分为两种，一种是征收碳税，另一种是为碳排放设计交易机制，也就是碳交易。虽然我国目前没有碳税这一税收条目，但碳税的本质是对产生二氧化碳的能源消费进行征税，根据这一定义，本文将与能源消费相关的税收项目整合。根据我国目前的税收政策，资源税的纳税对象为原油、天然气、煤炭、其他非金属矿原矿、黑色金属矿原矿、有色金属矿原矿、盐；消费税的纳税对象为成品油、汽车轮胎、摩托车、小汽车、鞭炮烟火、木质一次性筷子、实木地板；车船税的纳税对象为车辆和船舶，这三项税收条目都与二氧化碳的产生息息相关。排污费也是我国普遍减少碳排放的政策之一，按照排污付费的原则征收，与碳税原理一致。因此，本文将消费税、资源税、车船税和排污费之和作为碳税初始值。鉴于我国并没有实施碳税制度，本文将与碳排放有关的税收条目加总作为“碳税”这一指标的替代，具有一定的科学依据。为了剔除各省份本身环境污染程度的差异和经济规模的不同，本文将全国碳强度与各省碳强度之比作为调节权重，将调节权重与碳税初始值的乘积作为碳税的代理变量。税收数据来源于中国研究数据服务平台（CNRDS） 税收研究（CTRD），2000—2012年的排污费数据来自中国人民共和国生态环境部网站，2013—2015年数据来源于《2014-2016中国环境年鉴》。

（四）其他控制变量

经济发展（growth），本文选取人均GDP作为衡量经济发展的表征指标。能源和环境的投入在带来经济增长的同时也带来了环境污染，在我国改革开放的40年中，大部分省市是以牺牲环境为代价的粗放式发展，经济增长越快环境污染越严重。产业结构（ins），本文采用第三产业与第二产业之比作为产业结构的代理指标，第二产业的生产特点使其对能源需求和利用的强度较高，而第三产业的能源消耗依存度较低，因此第二产业占比越高，能源消耗越大，加之中国能源消费中煤炭消费占比较高，导致污染物排放量大。对外开放（fdi），本文使用当年实际使用外资金额这一指标来代表对外开放程度，随着中国国际化进程的推进，国家贸易扩张的同时带来了二氧化碳排放的升高，外资的大量涌入会带来产业规模不合理扩张，导致产能过剩、能源消耗和环境污染。技术进步（innov），本文采用各省当年人均专利授权数这一指标来衡量，绿色技术的进步对减少碳排放有着重要意义。考虑数据可得性，本文选取2007-2015年中国30个省市相关数据进行分析，以上指标均来自于《2008-2016中国统计年鉴》《2008-2016中国工业统计年鉴》和Wind数据库。

四、实证结果分析

本文采用空间双重差分对碳交易和“碳税”两种碳减排政策的实施效果以及空间溢出效应进行评估。为了使估计结果更为稳健，我们首先进行平行趋势检验，然后引入控制变量、个体效应、时间效应，通过非空间双重差分、空间双重差分、空间双重差分的分解三个模型进行估计。回归结果见表2。

表2的第（1）列是平行趋势检验的结果，可以看到在碳交易政策实施的前三年处理效应是不显著的，在碳交易实施当期和后一期是显著的，因此满足平行趋势检验。第（2）列是非空间双重差分，其中碳交易处理效应的虚拟变量系数（Dit）和碳税（CTit）的系数分别为-3. 430和-5. 632，且都在1%的显著性水平上显著为负，这说明这两项碳减排政策能够有效减少二氧化碳的排放。第（3）列是空间双重差分模型，其中空间自回归系数ρ=0. 194，且在1%的水平上显著，说明二氧化碳排放量在空间上有正向的关联性，周边地区二氧化碳的排放会对当地的二氧化碳的排放产生正向的作用，因此，考虑其空间关联性是非常有必要的。Dit和CTit的系数分别为-3. 283和-4. 876，在1%水平上显著，说明两个碳减排政策在考虑地区空间关联性后依然能有效降低二氧化碳的排放，但碳交易和碳税的减排效果在考虑了空间关联性之后，相比与之前的减排效果都有所降低，这是考虑了政策空间溢出效应之后对政策效果评价的修正。除此之外，碳交易的溢出效应（WDit）和碳税的溢出效应（WCTit）的系数分别为-1. 982和6. 377，这说明碳交易政策有着正向的福利扩散，不仅能降低试点省份的二氧化碳排放，还能够降低试点省份周边地区的二氧化碳排放，试点省份起到了示范引领作用。其产生正向空间溢出效应的根本原因是试点省份与非试点省份之间存在要素流动，非试点区借助试点地区的政策红利，实现了福利的流动，进而形成了正向空间溢出效应，促进相邻省份的碳减排。与之相反的是，碳税的征收对周围地区的碳排放存在显著的促进作用，这意味周围地区碳税征收的强度增大会导致本地二氧化碳排放增加，碳排放出现由高强度的环保政策地区向低强度环保政策地区转移的现象，即“污染天堂”现象。第（4）列是空间双重差分的分解，通过分解可以发现，试点省份对试点省份和非试点省份的溢出效应都为负，也就是说碳交易不仅使得试点省份的二氧化碳排放量降低了，也使得周边地区的碳排放降低。但碳税政策的空间溢出效应（WCTit）在SDID分解的模型也在1%水平上显著为正，结合第（3）列的结论，表明当地碳税的提高显著降低当地二氧化碳排放的同时会使得周边地区的二氧化碳排放量提高，存在污染转移的现象。

五、进一步分析

（一）模型设定

为检验三种碳减排政策的作用途径，本文采用中介效应分析对前文提出的三个假设进行检验。借鉴Baron and Kenny（1986）和温忠麟（2004）提出的中介效应检验方法，构建以下三步法递归模型，检验碳减排政策是否能通过以下途径达到减排效果［19-20］。

图4 中介效应示意图

图4是中介效应分析的示意图，图4（1）是两种碳减排政策直接作用域对二氧化碳排放量这一变量，路径系数为c，c代表了碳减排政策对二氧化碳排放的总效应。图4（2）加入了工业低碳结构、能源结构、能源效率三种中介变量，系数a表示碳减排政策对中介变量的效应，系数b表示中介变量对二氧化碳排放量的效应，ab之乘积构成了图4变量间的间接效应，c′表示控制中介变量之后，碳减排政策对二氧化碳排放的效应，为直接效应。因此，总效应=ab+c′，若ab显著存在，则存在中介效应，且ab占总效应比重越高，中介效应越强，当ab显著而c′不显著时，称为完全中介。根据示意图，我们構建三步中介效应检验模型如下：

ceit=cDit+∑Kkα1，kxit，k+γ1，t+ε1，it

Mit=aDit+∑Kkα2，kxit，k+γ2，t+ε2，it

ceit=c′Dit+bMit+∑Kkα3，kxit，k+γ3，t+ε3，it（6）

ceit=cCTit+∑Kkα1，kxit，k+γ1，t+ε1，it

Mit=aCTit+∑Kkα2，kxit，k+γ2，t+ε2，it（7）

ceit=c′CTit+bMit+∑Kkα3，kxit，k+γ3，t+ε3，it

（二）变量测算

1. 工业低碳结构。本文对工业低碳结构指标的构造方法如下：首先，本文选取的工业行业参照《中国工业经济统计年鉴》的细分标准。由于工业行业分类标准在不同年份发生变化，为保持统计口径一致，本文将塑料制品业与橡胶制品业合并为塑料橡胶制品业。由于工艺品及其他制造业、废弃资源和废旧材料回收加工业以及其他采矿业这3个子行业部分年份数据缺失，本文将其剔除。经上述调整后，形成 35 个工业行业。其次，参照童健等（2016）对清洁行业的划分方法，本文采用2005-2015年各行业碳排放强度（单位产值的碳排放）的平均数作为划分依据，将碳排放强度低于0. 1的9个行业定义为低碳行业，将碳排放强度高于1的12个行业定义为高碳行业［21］。最后，工业结构低碳化转型用省际地区低碳行业产值与高碳行业产值之比表示，该比值上升表示投入要素从高碳行业转移到低碳行业，反之则相反。

2. 能源结构。本文将各省当年非煤炭占比作为能源结构的代理变量。

3. 能源效率。测算能源效率主要有参数和非参数两种方法。参数法具有先验的函数形式，这可能与实际的生产函数偏离，导致估计结果存在偏差，并且参数法无法得到每个决策单元的能源效率［22］，因此本文选择日本学者Tone（2001）提出SBM模型这一非参数方法来测算效率［23］。SBM模型是一种非径向的DEA，它允许投入产出按不同比例进行压缩或扩张。Zhang N and Choi Y（2013）将SBM模型用于能源效率的测算［24］。本文参照该方法测算中国各省的能源效率，公式如下：

ρ=min1－1/3s－lxl+s－kxk+s－exe1+s+oyo

s. t.  xl=Xλ+s－l

xk=Xλ+s－k

xe=Xλ+s－e（8）

yo=Yλ－s+o

s－l0，s－k0，s－e0

s+o0，λ0

在以上的规划求解中，（xl，xk，xe，yo）分别代表劳动投入、资本投入、能源投入和产出，劳动投入采用各省当年劳动人口作为代理变量，接着根据单豪杰（2018）提出的方法以2000年为基期计算了各省的资本存量作为资本投入，能源投入采用各省当年能源消费总量作为代理变量，产出采用当年各省实际GDP（2000为基年）［25］。（s－l，s－k，s－e，s+o）代表投入和产出的松弛变量，松弛变量本质上是投入产出的无效率程度，当松弛变量为0的时候，决策单元的效率值等于1。根据这一定义，能源效率测算公式如下：

energy efficiency（ee）=1－s－exe（9）

（三）检验结果及分析

为了探究碳交易和碳税的作用机制，本文将工业低碳结构、能源结构、能源效率作为中介变量通过三步法进行中介效应检验，并且进行了Sobel检验作为中间效应回归的稳健性检验，还三步法回归结果以及Soble检验结果如下：

根据图4、公式（6）和公式（7），表3中c表示碳减排政策对二氧化碳排放的回归系数，a代表碳减排政策对中介变量的回归系数，c′和b表示碳减排政策和中介变量同时作为被解释变量时，其分别的回归系数。ab的乘积表示中介变量的间接效应，c′表示直接效应。首先，第一步是检验碳减排政策对二氧化碳排放量的效果（c），可以看到，碳交易和碳税两种政策的回归系数分别-13. 167和-5. 855，都在1%的水平上显著，说明这两种减排政策能降低碳排放，通过第一步检验；第二步是将两种碳减排政策分别对三种中介变量进行回归，其结果由系数a表示，我们发现，系数a在表3第（1）、（2）、（5）、（6）列均显著，第（3）列和第（4）列不显著。说明碳交易政策可以促进工业低碳转型、降低煤炭消费、改善能源结构，但对能源效率的提升没有显著的正向影响，说明碳减排政策中的碳交易政策能够促进工业低碳转型和優化能源结构两条路径实现碳减排，假设H1、假设H2得到验证。而碳税政策有所不同，其对工业结构低碳转型的作用并不明显，但可以显著的改善能源消费结构和提高能源效率，说明通过提高能源效率从而实现碳减排这一路径成立，假设H3部分得到证实。因此，除了碳交易对能源效率、碳税对工业低碳结构，其余中介变量的第二部检验通过。第三步是将碳减排政策和中介变量同时作为被解释变量，检验加入中介变量，碳减排政策的直接减排作用，同时得到系数b，进而计算中介变量的间接效应（ab）。可以看到，第（1）、（2）、（4）、（5）列中介变量的回归系数b和c′都是显著的，同时c′在加入中介变量之后，碳减排政策的效果（c′）相比没有中介变量的效果（第一步回归结果“c”）时有所降低，自此，碳交易政策下工业低碳结构、能源结构，碳税政策下能源结构、能源效率通过第三步中介效应检验。表4中展示了中介变量的间接效应，整体来看，碳交易政策的工业低碳结构和能源结构的中介效应分别为-4. 108、-1. 564，表明工业结构低碳转型和能源结构的改善可以减少碳排放，且中介效应占比总效应分别为31. 1%和11. 8%；碳税的能源结构和能源效率的中介效应分别为 -0. 868、-0. 996，表明碳税政策可以通过这两种途径实现碳减排，且中介效应占比分别为14. 8%和17. 0%。最后一行展示了Sobel检验的结果，其结果三步法的检验结果一致。

六、结论与建议

本文基于2007-2015年的省际面板数据，采用双重差分空间杜宾模型（SDM-DID）对碳税和碳交易两种碳减排政策的作用效果进行评价，并且采用传统双重差分法（DID）和空间双重差分的分解模型作为稳健性检验，除此之外，本文进一步对碳减排政策减排二氧化碳的作用路径进行分析，得到如下结论：（1）我国碳排放在空间上具有正向相关性，呈现高排放与高排放地区聚集、低排放与低排放地区聚集的特征，同时周边地区的碳排放对当地的碳排放具有正向影响。（2）碳税和碳交易的减排效果都十分明显，其中碳交易政策具有正向的空间溢出效应，试点地区周围省份借助试点地区的政策红利，碳排放都显著降低。与之相反的是碳税政策存在明显的负向空间溢出效应，当地省份的碳排放会随着周边地区碳税征收强度的增大而增加，高碳产业选择向碳税强度较低的省份转移，出现“污染天堂”现象。（3）碳交易政策可以通过工业结构低碳转型、改善能源消费结构两个途径降低碳排放，在促进能源效率提高方面作用并不显著。碳税可以通过改善能源结构、提高能源效率来实现碳减排，但对工业低碳化转型没有明显推动作用，碳税存在负向空间溢出效应，严格的碳税征收会使高碳产业为了规避成本而选择转移，并不能实现当地产业的低碳升级。

根据以上研究结论，本文提出以下建议：（1）完善区域间碳转移的补偿机制。由于碳排放在大气中是没有界限的，在碳减排政策的应用中，二氧化碳排放的转移不可避免。由于碳排放在空间上存在正向相关性，地区之间的应该建立健全碳排放转移的补偿机制，碳排放转出地区应该与碳排放转入地区应共同分享经济收益，逐渐缩小地区之间碳排放的差异，实现全局的碳减排。（2）持续加强碳交易、碳税等碳减排政策的减排作用。对于碳排放权交易，首先在设计碳排放额分配的时候应该兼顾公平和效率原则，采取免费与拍卖相结合的方式，同时需要政府根据地区异质性制定不同的拍卖比例。为避免地方政府官员因“政绩”冲动擅自提高高碳企业的碳配额以及高碳企业为获取更高的利润而出现寻租等行为，相关的监管部门部门必须进行严格的监管，同时社会公众的监管也要参与其中。其次，在碳排放交易过程中标的物二氧化碳的价格稳定尤为重要，目前我国试点省份的碳价格差异较大，这提高了碳交易的风险，因此政府应该完善碳排放的定价机制，降低市场的不确定性，吸引更多的参与者。最后，完善碳交易体系，将更多的省份纳入碳交易市场，加强地区之间碳交易合作。对于征收碳税，首先碳税对碳减排有积极的正向作用，我国应该积极探索碳税推出的时机。然后，对碳税的征收标准和征收方式应该因地制宜，在达到减排作用的同时，避免出现污染的空间转移。（3）多种途径并行推动碳减排。碳交易通过促进工业低碳转型、和改善能源结构实现了碳减排，但对能源效率的提高作用有限，这可能和碳交易制度不完善、碳交易市场流动性较低有关，应该积极完善碳交易的配额机制、定价机制等，让更多的省份参与其中。碳税能改善能源消费结构、提高能源效率，但对工业结构低碳转型作用较少，这可能是由于碳税的征收让地区之间出现了污染转移，因此应该因地制宜根据地区的差异性合理征收碳税。特别值得注意的是，两种碳减排政策都能通过改善能源结构这一途径推进二氧化碳减排的进程，这与中央财经会议上提出的要实施可再生能源的替代行动，构建以新能源为主体的新型电力系统不谋而合。因此，通过碳减排政策倒逼光伏、风伏等新能源行业的发展，完善相关的规范条件，确立新能源与传统化石能源相同的主体地位是实现“双碳”目标的有效途径。除此之外，两种碳减排政策的作用路径可以互补，因此考虑碳减排政策之间的协同作用，通过多种途径并行，实现碳减排目标。

参考文献：

［1］ 宋国军.环境政策分析［M］．北京：化学工业出版社，2008：35-36.

［2］ Pigouter A C. The Economics of Welfare， 1920［M］．Cnina Social Sciences Publishing House， 1999.

［3］ Coase R H. The Problem of Social Cost［M］． Palgrave Macmillan UK， 1960.

［4］ Whalley， John， Wigle， et al. Cutting CO2 Emissions： the Effects of Alternative Policy ［J］． Energy Journal， 1991.

［5］ Burniaux J M， Martin J P， Nicoletti G， et al. Green a Multi-sector， Multi-region General Equilibrium Model for Quantifying the Costs of Curbing Co2 Emissions： a Technical Manual［J］． Oecd Economics Department Working Papers， 1992.

［6］ 张晓娣，刘学悦. 征收碳税和发展可再生能源研究——基于OLG-CGE模型的增长及福利效应分析［J］． 中国工业经济，2015（3）：18-30.

［7］ Zhang Z， Zhang A， Wang D， et al. How to Improve the Performance of Carbon Tax in China？［J］． Journal of Cleaner Production， 2017，142：2060-2072.

［8］ 任亞运，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（5）：11-20.

［9］ 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（11）：49-58.

［10］李锴，齐绍洲.碳减排政策与工业结构低碳升级［J］．暨南学报（哲学社会科学版），2020（12）：102-116.

［11］原嫄，席强敏，孙铁山，李国平.产业结构对区域碳排放的影响——基于多国数据的实证分析［J］．地理研究，2016（1）：82-94.

［12］张树伟. 碳税对我国电力结构演变的影响——基于CSGM模型的模拟［J］． 能源技术经济，2011（3）：11-15.

［13］彭旭，崔和瑞.中国能源结构调整对碳强度的影响研究［J］．大连理工大学学报（社会科学版），2016，37（1）：11-16.

［14］查冬兰，周德群，孙元. 为什么能源效率与碳排放同步增长——基于回弹效应的解释［J］．系统工程，2013（10）：105-111.

［15］王立勇，李东旭，陈晓雨.“国家自主创新示范区”政策的效果评估——来自准自然实验的经验证据［J］．数量经济研究，2019，21（4）：22-39.

［16］范巧，吴丽娜.国家级新区对属地省份经济增长影响效应评估［J］．城市问题，2018（4）：48-58

［17］Chagas，Andre L.S， Azzoni C R， et al. A Spatial Difference-in-differences Analysis of the Impact of Sugarcane Production on Respiratory Diseases［J］． Regional Science and Urban Economics， 2016：24-36.

［18］李广明，张维洁.中国碳交易下的工业碳排放与减排机制研究［J］．中国人口·资源与环境，2017，27（10）：141-148.

［19］Baron R M， Kenny D A.The Moderator-mediator Variable Distinction in Social Psychological Research： Conceptual， Strategic， and Statistical Considerations［J］． Chapman and Hall， 1986， 51（6）：1173-1182.

［20］温忠麟，张雷，侯杰泰，等.中介效应检验程序及其应用［J］．心理学报，2004（5）：614-620.

［21］童健，刘伟，薛景.环境规制、要素投入结构与工业行业转型升级［J］．经济研究，2016，51（7）：43-57.

［22］王庆一. 中国的能源效率及国际比较［J］． 节能与环保， 2005（6）：10-13.

［23］Tone K. A Slacks-based Measure of Efficiency in Data Envelopment Analysis［J］． European Journal of Operational Research， 2001，130（3）：498-509.

［24］Zhang N，Choi Y. Environmental Energy Efficiency of Chinas Regional Economies： A Non-oriented Slacks-based Measure Analysis［J］． Social Science Journal， 2013， 50（2）：225-234.

［25］单豪杰.中国资本存量K的再估算：1952～2006年［J］．数量经济技术经济研究，2008，25（10）：17-31.

Carbon Trading and “Carbon Tax” Emission Reduction Effect and Action Path

LIU Hai-yinga， ZHONG Yingb

（a.Center for uantitative Economics;b.School of Business and Management，Jilin University，

Changchun 130012，China）

Abstract： Carbon Emission Trading （CET） and Carbon Taxes（CT） are typical representatives of market-based measures. This article uses the Spatial Durbin Model-Differences in Differnces（SDM-DID） to re-examine the emission reduction effects of CET and CT. Simultaneously， evaluate the spatial spillover effects of the two carbon emission reduction policies， and further test the mediation effects of their transmission mechanisms.The results found that： Chinas carbon emissions have a significant positive spatial correlation， and at the same time have a positive spatial spillover effect. There are spatial characteristics of high-emission and high-emission regions， and low-emission and low-emission regions. The two carbon emission reduction policies of CET and CT still have significant emission reduction effects after considering the spatial correlation. Among them， the emission reduction effect of CET trading has positive spatial spillover effects. With the help of the pilot provinces policy dividends， carbon emissions have been significantly reduced by regions. On the contrary， the spatial spillover effect of CT is negative， and the increase in the intensity of carbon tax collection in the surrounding areas will increase local carbon emissions， creating a “pollution paradise” phenomenon. Carbon emission rights trading can achieve carbon emission reduction by promoting low-carbon transformation of the industrial structure and improving the energy structure， and carbon taxes can improve energy efficiency and energy efficiency，consumption structure to reduce carbon emissions.

Key words： carbon emission trading; carbon taxes; differences in differences; spatial spillover effect; mediating effect

（責任编辑：赵春江）