碳排放權(quán)交易的CO2減排效應研究
——基于包含溢出效應的SCM

蘇瑞娟 ，趙博娟，楊文青

（1.天津財經(jīng)大學珠江學院 數(shù)據(jù)工程學院，天津 301811；2.天津財經(jīng)大學 統(tǒng)計學院，天津 300222）

0 引言

碳排放權(quán)交易為一種基于市場機制運行的工具，通過經(jīng)濟激勵對CO2排放進行總量控制，與基于行政處罰的排污準則相比，具有降低治污成本、促進技術革新，同時實現(xiàn)環(huán)境與經(jīng)濟紅利的優(yōu)勢[1-4]。我國自2006 年成為世界上最大的CO2排放國家以來，排放量仍在逐年上升，2018 年的排放占世界的26%，同比增長1.9%[5]。為了實現(xiàn)減排目標，政府在2011 年宣布成立了7 個碳排放權(quán)交易試點，并于2013 年開始陸續(xù)實現(xiàn)交易。初始碳排放權(quán)的合理配置是碳交易市場有效運行的關鍵[6]，試點配額總量過于寬松及控排企業(yè)的初始配額過多會導致碳價格低迷甚至零交易，無法促進企業(yè)的減排行為[7]。劉傳明等[8]則進一步對碳交易市場運行機制進行了數(shù)理模型分析，當?shù)吞寂欧藕透咛寂欧牌髽I(yè)（即碳交易的供、需兩方）均以利潤最大化為目標而做出最優(yōu)選擇時，碳市場達到均衡并實現(xiàn)完全交易，而該均衡得以實現(xiàn)的前提仍是高碳排放企業(yè)初始配額不足且低碳排放企業(yè)配額富余。目前，各試點已形成了事前分配與事后調(diào)整動態(tài)結(jié)合的配發(fā)機制來實現(xiàn)更合理的分配[9]，張武林等[10]、趙立祥和王麗麗[11]、呂靖燁等[12]對各試點碳交易價格進行了研究，得到各市場已逐漸達到了不同程度弱式有效的結(jié)論。然而，碳排放權(quán)交易市場的目的不是交易，而是通過市場機制倒逼企業(yè)節(jié)能減排以及研發(fā)創(chuàng)新，最終實現(xiàn)環(huán)境紅利[13]，因此各試點是否有效地發(fā)揮了減排效用及效用的持續(xù)性有必要進行實證檢驗。

我國多位學者基于省際面板數(shù)據(jù)，采用雙重或三重差分模型（DID）實證檢驗了碳交易在省級層面具有積極的碳減排效應[14-18]；沈洪濤等[19]、劉曄和張訓常[20]將同樣的方法應用于微觀企業(yè)得到了碳交易能夠促進企業(yè)碳減排及研發(fā)創(chuàng)新的結(jié)論；周迪和劉奕淳[21]則應用匹配—雙重差分模型（PSM-DID）對273 個地級市進行分析，得到碳交易對降低試點城市碳排放強度具有顯著且持續(xù)的效用。然而廣泛使用的DID 模型僅為所有試點估計一個綜合或平均的效用，各試點市場制度設計的差異性及封閉運行使得試點的政策效果并不能一概而論，合成控制模型（SCM）為各試點碳減排效果異質(zhì)性的探索提供了有力工具[8,22]。另一方面，學者對碳交易在經(jīng)濟、環(huán)境和社會方面的綜合影響進行了廣泛的模擬分析，例如Cui 等[23]、Lin &Jia[24]運用可計算一般均衡模型，得到碳交易市場能夠促進節(jié)約減排成本、增加減排量，但交易市場不同運行模式下的作用大小有差別；Zhang 等[25]應用隨機前沿技術、線性規(guī)劃等綜合方法得到碳交易能帶來顯著的波特效應，在GDP 不變的約束下使得碳排放強度下降19.79%～25.24%；Wang 等[26]應用基于DEA 的最優(yōu)化模型得到基于市場的控排政策在節(jié)省減排成本及增加減排量方面均有顯著的效用；張俊榮等[27]應用系統(tǒng)動力學方法得到碳交易機制能有效促進京津冀地區(qū)碳減排進程，但影響程度受機制設計例如碳配額總量、免費配額發(fā)放以及碳價的影響。

綜上，大量實證以及模擬研究均表明碳排放權(quán)交易對CO2減排具有促進作用，但是以下兩個問題在已有文獻中均未考慮：（1）碳交易政策溢出效應的存在，可能會引起政策干預效應的低估或高估。（2）類似的碳減排政策，例如低碳試點城市、政府管控和稅收等強制減排政策可能與碳排放權(quán)交易的作用發(fā)生混淆，從而導致政策效用的錯誤估計。鑒于此，本文采用Cao &Dowd[28]提出的包含溢出效應的合成控制模型（SCM-SP）對碳交易在每個試點的CO2減排效果分別進行定量研究，并進行了完備的檢驗，SCM-SP 在溢出效應以及混淆政策存在的情況下仍能對政策效用進行準確的估計，為全國統(tǒng)一碳排放權(quán)交易市場的創(chuàng)建提供經(jīng)驗支持。

1 模型和方法

1.1 合成控制模型

合成控制模型（SCM）由Abadie &Gardeazabal[29]提出，其基本思想是通過為實驗單元合成相似的“反事實”對照單元來探索政策干預在宏觀層面上所產(chǎn)生的效用。假定有N個地區(qū)T時期的觀測數(shù)據(jù)，其中i=1 為實驗單元，i=2,…,N為控制單元，t=1,2,…,T0為干預前的時期，t=T0+1,…,T(1 ≤T0＜T)為干預后的時期。用1 和0 分別表示受到和未受到政策干預，則i在時期t上的觀測值。

因此，地區(qū)1 受政策的干預效應為α1t=y1t(1)-y1t(0)，且在干預前y1t(1)=y1t(0)，然而在政策實施后，實驗單元未進行政策干預的結(jié)果y1t(0)是不可觀測的，需通過利用干預前的信息為控制單元選擇最優(yōu)權(quán)重對實驗單元進行合成，并基于合成的估計值估計政策的效果

Ferman &Pinto[30]研究了傳統(tǒng)SCM 估計方法[31]在政策干預前時期合成不完美時的統(tǒng)計性質(zhì)及缺陷，并提出在合成值中加入截距項對實驗單元進行合成，即：

去均值估計量與Doudchenko &Imbens[32]對傳統(tǒng)SCM 擴展得到相同的結(jié)果。

1.2 溢出效應的合成控制模型（SCM-SP）

上述的SCM 均不允許政策溢出效應及混淆政策的存在，即假定“非實驗單元不受干預效應影響”。而碳排放權(quán)交易對CO2減排存在不可避免的溢出效應，原因為：（1）由“避難者天堂”假說及區(qū)域溫室氣體（RGGI）的經(jīng)驗，企業(yè)因?qū)で蟾欣恼叨M行區(qū)域間轉(zhuǎn)移，進而引發(fā)試點與非試點之間的碳泄漏[33]。（2）非試點地區(qū)企業(yè)可能受到附近試點政策的“文化熏陶”，并依此對自身的行為進行調(diào)整。（3）碳交易首先促進試點地區(qū)企業(yè)進行技術創(chuàng)新，而技術的快速傳播使得非試點區(qū)域間接受到影響。Abadie 等[34]在研究德國合并對西德經(jīng)濟的影響中曾提出溢出效應可能會使傳統(tǒng)的SCM 對政策的干預效應做出偏誤的估計，但并未給出具體的解決方法，Cao &Dowd[28]基于Ferman &Pinto[30]首次提出了包含溢出效應時合成控制模型（SCM-SP）穩(wěn)健的估計量及統(tǒng)計推斷過程，并證明了其在溢出效應存在情況下的優(yōu)良表現(xiàn)。

1.2.1 估計

假定有p個控制單元受政策溢出效應的影響，則溢出結(jié)構(gòu)矩陣可由以下N×P的矩陣A來表示，即：

類似于空間計量經(jīng)濟學中的空間權(quán)重矩陣，A取值為1 的元素表示受政策影響的單元（包括直接政策效應的和間接的溢出效應）的位置，并且看作是已知的。由于溢出效應可以看作一種特殊的干預效應，因此在A中并不需要將兩者進行特別的區(qū)分。本文僅考慮線性的情況，假設干預及溢出效應向量α可以看作某些未知參數(shù)γ的線性變換，則：

從而將α的估計問題轉(zhuǎn)化為對未知參數(shù)γ的估計。

將式（2）擴展到對每個單元進行合成，則有：

1.2.2 統(tǒng)計推斷

Cao &Dowd[28]將P 檢驗[35]推廣到SCM-SP 中，由干預前殘差估計值構(gòu)建統(tǒng)計量來進行干預效應及溢出效應的統(tǒng)計推斷以及區(qū)間估計，本文僅對置信區(qū)間的構(gòu)建進行介紹。

將τ設定為0.025，從而得到干預效應95%的置信區(qū)間。

2 CO2排放量測算及其變化趨勢

2.1 CO2排放量測算

由于碳排放權(quán)交易僅在試點內(nèi)部進行，因此以省域邊界測量各省份CO2排放量以保持與政策的一致性。能源消耗和水泥生產(chǎn)是CO2的兩個主要來源，本文對二者的CO2排放量進行測算[16]，即：

地區(qū)能源平衡表中列出了詳細的各種能源“終端消費量”數(shù)據(jù)，其中“用作原料、材料”的終端消費不是燃燒用途而不產(chǎn)生CO2；電力、熱力在生產(chǎn)階段而非終端消費階段產(chǎn)生CO2，因此用于火力發(fā)電和供熱所消耗能源產(chǎn)生的CO2需進行考慮。因此，地區(qū)i在t時期能源用途消耗的第j種能源的總量=（終端消費量-用作原料、材料）+火力發(fā)電和供熱的“加工轉(zhuǎn)換投入量”（“其他能源”指核能、風能、水能等清潔能源，其產(chǎn)生的CO2可以忽略不計，因此不再考慮）。地區(qū)i能源消耗產(chǎn)生的CO2排放量（萬噸）為：

式中：NVCj、EFj、Oj分別為能源j的凈熱值、CO2排放因子及碳氧化率，17 種能源的上述信息采用Liu 等[36]中的取值，如表1 所示。

表1 各類能源的CO2排放因子及氧化率

水泥生產(chǎn)產(chǎn)生的CO2排放量為：

式中：為地區(qū)i的水泥生產(chǎn)量；EFcement為水泥的CO2排放系數(shù)，其取值為0.5272 萬噸CO2/萬噸水泥[16]。

地區(qū)能源平衡表來源于1996—2017 年《中國能源統(tǒng)計年鑒》，其中2010 年及之后的能源平衡表列出了較表1 更加詳細的石腦油、潤滑油等油品種類以及液化天然氣的數(shù)據(jù)，本文將其分別與相關項“其他石油制品”以及“天然氣”進行合并，以保持與2010 年之前口徑一致。水泥產(chǎn)量來源于國泰君安數(shù)據(jù)庫。由于港澳臺及西藏地區(qū)能源平衡表缺失，本文僅考慮30 個地區(qū)，其中重慶僅包含1997—2016 年共20 年的數(shù)據(jù)，其他29 個地區(qū)均包含1995—2016 年共22 年的數(shù)據(jù)。

2.2 CO2排放量的變化趨勢

由式（11）測算出各地區(qū)在觀測期內(nèi)的CO2排放總量，本文按照是否實施了碳排放權(quán)交易政策將所有地區(qū)分為兩組，其中北京、天津、上海、湖北、廣東和重慶6 個試點地區(qū)歸為實驗組（由于深圳屬于廣東，不再分開考慮），剩余的24 個非試點地區(qū)為控制組，試點以及非試點在觀測期內(nèi)各自的年均排放總量及隨時間的變化趨勢如圖1 所示。非試點的CO2排放量從2002 年開始超過試點，隨著兩組都經(jīng)歷了至2011 年之間的快速增長時期，兩組地區(qū)的排放差距呈現(xiàn)擴大的趨勢；從2012年開始，兩組地區(qū)排放量增長速度明顯下降，并且實驗組于2013 年呈現(xiàn)下降的趨勢，兩組的差異進一步擴大。

圖1 試點與非試點地區(qū)CO2年均排放量趨勢

3 結(jié)果分析及穩(wěn)健性檢驗

3.1 結(jié)果分析

由于各試點碳交易市場存在異質(zhì)性，因此分別對實驗組的每個地區(qū)用其他24 個地區(qū)進行加權(quán)合成，估計碳排放權(quán)交易在不同省份的減排效果。設定每個試點的溢出矩陣A1為一階鄰接權(quán)重矩陣，即將具有相同邊界的地區(qū)看作受政策溢出效應的影響。因此，北京、天津的溢出效應省份均為河北；上海的為江蘇和浙江；湖北的為安徽、江西、河南、湖南和山西；廣東的為福建、江西、湖南和廣西；重慶的為湖南、四川、貴州和陜西。

本文選擇試點的交易年——2013 年作為政策的干預時點。表2 為各試點的最優(yōu)權(quán)重估計以及干預前平均的相對估計誤差（RMSPE）①相對的絕對值誤差計算公式：，圖2 分別為每個試點CO2排放總量的觀測值及相應的反事實合成試點的估計值及其95%的置信區(qū)間。從圖2 可以看出，重慶、北京的合成效果較差，上海與合成上海在2010—2012 年呈現(xiàn)出了較明顯的差異，其他3 個合成試點在干預前幾乎產(chǎn)生了與真實值相同的曲線，由表2 中的估計誤差可以得到類似的結(jié)果。

表2 2013年作為政策節(jié)點時各試點合成權(quán)重及估計誤差

圖2 試點地區(qū)CO2排放總量的觀測值、SCM合成值、SCM-SP合成值及其95%置信區(qū)間

北京、天津、上海和湖北4 個試點的碳排放權(quán)交易政策均起到了顯著的CO2減排效應，真實的排放總量與合成的相比在2013—2016 年間平均每年分別減少3221.88 萬噸、1698.25 萬噸、1686.00 萬噸和3960.25萬噸，約為以2012 年排放量作為基年的30.47%、9.33%、7.50%和9.43%，可見在減排總量以及趨勢上仍呈現(xiàn)了明顯的差異性。廣東、重慶的合成值僅在2013 年顯著高于真實值，但之后又出現(xiàn)政策效用變得不顯著，而且廣東甚至出現(xiàn)了負效用的現(xiàn)象。

SCM-SP 與SCM 得出的結(jié)果比較接近，得出的政策結(jié)論在方向上具備一致性，但在量上有所差異。以5%作為顯著性水平，兩種方法在天津的全部干預時期以及北京、上海和廣東的部分時期存在顯著性的差異，其中北京和廣東傳統(tǒng)的SCM 高估，而天津則低估了政策的干預效用，上海則同時存在低估和高估的時期，湖北、重慶由兩種方法得到的結(jié)果不存在顯著性差異。而具體未考慮溢出效應的后果與溢出結(jié)構(gòu)的設定、合成權(quán)重均有關系，要通過穩(wěn)健性檢驗來對結(jié)論的可靠性進行進一步的測量。

3.2 穩(wěn)健性檢驗

為了檢驗以上碳排放權(quán)交易政策干預效用估計的可靠性，本部分分別從安慰劑、溢出矩陣設定和合成權(quán)重三個方面進行穩(wěn)健性檢驗。

3.2.1 安慰劑檢驗

傳統(tǒng)的安慰劑檢驗將每個控制單元依次看作實驗單元，并為其估計反事實的CO2排放總量從而得到每個控制單元政策干預效應的估計，如果實驗單元的干預效應顯著高于控制單元則證明估計有效，這也稱為“空間上的安慰劑（in-space placebos）”。Abadie 等[34]將安慰劑擴展到時間維度（in-time placebos），檢測政策在時點設定上的穩(wěn)健性。由于SCM-SP 給出了“空間上”的統(tǒng)計推斷方法，因此本部分僅需進行“時間安慰劑”檢驗。將政策時點重新設定為試點頒布時期2011 年，若干預效應的估計值與2013 年相比顯著變大，則有理由相信在2013年之前已經(jīng)產(chǎn)生了效應，合成結(jié)果如圖3 及表3 所示。

圖3 試點地區(qū)CO2排放總量的觀測值、SCM合成值、SCM-SP合成值及其95%置信區(qū)間

為了與2013 年作為政策節(jié)點進行對比，各試點縱向標度與圖2 保持一致；表3 給出了此時的權(quán)重以及干預前預測誤差。天津、湖北估計的預測誤差升高，且在2011、2012 年未發(fā)生顯著的政策作用，其中天津的干預效應大小與2013 年作為政策節(jié)點相比減小，因而以2013 年作為政策干預節(jié)點更可靠。北京、上海和廣東的干預效應則較2013 年作為政策節(jié)點相比均提高，且在2013 年之前的合成省份與真實省份的CO2排放量也呈現(xiàn)了差異，估計誤差降低，說明3 個試點以2011 年作為政策節(jié)點更可靠。重慶的預測誤差與2013 年相比有較為明顯的增加，因此將政策作用節(jié)點設定為2013 年較合理。

表3 2011年作為政策節(jié)點時各試點合成權(quán)重及估計誤差

比較2011 年與2013 年作為政策節(jié)點的合成權(quán)重，同樣得到天津、湖北的權(quán)重變化較小，其他省份權(quán)重變化較大。綜上，將北京、上海和廣東的政策干預年份看作2011 年，將天津、湖北和重慶的政策干預年份看作2013 年是合理的，說明碳排放權(quán)交易政策在不同地區(qū)起作用所需要的時間具有差異性。

3.2.2 溢出結(jié)構(gòu)矩陣的穩(wěn)健性檢驗

以安慰劑檢驗的結(jié)果為基礎，得到不同權(quán)重下各個試點在干預時期的干預效用如圖4 所示。溢出結(jié)構(gòu)矩陣代表了政策溢出效用的空間結(jié)構(gòu)，但在整個估計過程看作已知并且提前設定，然而當其無法描述正確的溢出結(jié)構(gòu)時，有可能導致效用干預的偏誤，因此估計效用對其設定的穩(wěn)健性進行檢驗是必須的。將溢出結(jié)構(gòu)重新設定為每個試點的二階鄰接矩陣A2，因此，北京、天津的溢出效應地區(qū)為河北、山東、內(nèi)蒙古、遼寧、山西和河南6 個省份；上海的為江蘇、浙江、山東、河南、福建、安徽和江西7 個省份；湖北的為安徽、江西、河南、湖南、陜西、江蘇、浙江、福建、河北、山西、山東、廣西、貴州、四川、內(nèi)蒙古、甘肅和寧夏17 個省份；廣東的為福建、江西、湖南、廣西、浙江、安徽、貴州和云南8 個省份；重慶的為湖南、四川、貴州、陜西、江西、廣西、云南、甘肅、青海、河南、山西、內(nèi)蒙古和寧夏13 個省份。

圖4 政策干預效應對溢出權(quán)重結(jié)構(gòu)的穩(wěn)健性檢驗

由圖4 可知，在兩種溢出結(jié)構(gòu)矩陣A1和A2的情況下均得到了相同的干預效應趨勢，除了上海、天津在A2得到的干預效應在部分時期處于A1作為溢出結(jié)構(gòu)5%的置信區(qū)間之外，其他地區(qū)的干預效應則具備一致性，因此為這兩個試點再重新設定范圍更廣的溢出權(quán)重A3，并且得到了與A2近似的結(jié)果。由Cao &Dowd[28]可知，在溢出矩陣的設定高估溢出效應的時候，即設定的受溢出效應的個體比實際偏多時，估計量仍能保證較小的偏誤程度，但是當溢出矩陣低估溢出效應時，估計量的偏誤程度則會比較大。因此，將鄰接矩陣設定A2的結(jié)果更加穩(wěn)健。

3.2.3 合成權(quán)重檢驗

由表2 和表3 可知，每個試點均有權(quán)重較大的合成省份，那么干預效應是不是由于權(quán)重較大省份的趨勢所造成的呢？因此有必要對合成權(quán)重的穩(wěn)健性進行檢驗。以上兩部分的檢驗最優(yōu)結(jié)果為基礎，將合成試點權(quán)重W*中大于0.1 的控制單元在每次迭代中依次從控制組中去掉，再估計每次迭代的干預效應[SCM-SP(LOO)]，排除干預效應是由于某一個控制單元的趨勢所導致的可能性。

圖5 展示了各個試點CO2排放總量觀測值、合成值（黑色的實線、虛線）以及依次去除每個試點權(quán)重較大的控制單元的合成結(jié)果（灰色實線）。結(jié)果表明在去除控制單元前后，干預效應差異最大的是廣東在合成控制單元中去除河北所得的結(jié)果，其中相差最多的為2013 年，與不去除相比下降了2.84%，因此干預效應估計結(jié)果對于從對照組中去除任意一個省份都是穩(wěn)健的。

圖5 政策干預效應對合成權(quán)重的穩(wěn)健性檢驗

4 結(jié)論

本文在應用地區(qū)能源平衡表對各地區(qū)CO2排放量進行精確測量的基礎上，將包含溢出效應的合成控制模型（SCM-SP）應用于分析碳排放權(quán)交易在試點地區(qū)的碳減排效應的研究，該方法在存在溢出效應以及近似政策存在的情況下仍能保證干預效應估計的準確性，適用于分析我國碳交易市場對碳減排效用的實際情況。SCM 與SCM-SP得到的政策作用方向具備一致性，但在量上存在差異，通過時間安慰劑檢驗、溢出矩陣設定檢驗以及合成權(quán)重檢驗為各試點碳交易的CO2減排效果進行了精確的定量分析。

研究發(fā)現(xiàn)，各試點的碳排放權(quán)交易在降低CO2排放效應方面存在顯著的差異，無論是在作用時間以及作用大小方面，因此將各試點單獨分析具有必要性。在效用時間上，北京、上海和廣東在試點頒布后，即2011 年已經(jīng)開始起作用，而天津、湖北和重慶是在2013 年開始交易時起作用；在碳減排程度上，各試點在各自政策的有效實施期間，CO2排放量分別平均每年下降了以政策節(jié)點前一年作為基年的33.87%、18.12%、3.71%、11.34%、9.43%和2.68%（試點排序與上述效用時間相同），其中2008年奧運會的舉行是北京從2008年就開始下降的原因，其間大量高污染企業(yè)向外遷移[37]，因此也導致北京的碳排放權(quán)交易減排效用存在一定程度的高估。在政策持續(xù)性上，廣東、重慶的碳交易市場對碳減排的持續(xù)效用較短，其他試點的政策在有效期內(nèi)均有持續(xù)的碳減排效用。

此外，本文還探索了碳排放權(quán)交易政策對CO2排放強度（即單位實際GDP 所消耗的CO2）的干預效應，以探索CO2減排的作用機制，由于實證和檢驗過程與前文類似僅對結(jié)論進行闡述。在整個研究期內(nèi)，所有試點的CO2排放強度均呈現(xiàn)大幅下降的趨勢，但是除了湖北之外均不是由于碳交易市場的干預效應所致，這與沈洪濤等[19]得到的碳交易短期內(nèi)通過降低微觀企業(yè)的產(chǎn)量實現(xiàn)碳減排的結(jié)論一致。湖北作為最活躍的試點，更能夠發(fā)揮碳交易的市場效用，促進資源更有效的配置，為其他試點以及全國碳交易市場設計提供有效的參考。