中国二氧化硫排污权交易试点的政策效应

曹静 郭哲

摘 要：排污权交易制度在中国11个省（市）已经试行十余年，但仍未在全国范围内推广。排污权交易制度是否改善了试点地区的环境质量？其政策效应如何？能否进一步推广？本文将2007年财政部会同环境保护部、国家发展改革委批准11个省（市）为国家级排污权交易试点视作一次准自然实验，基于2001—2015年中国30个省份的面板数据，利用基于倾向得分匹配的双重差分法（PSM-DID）评估排污权交易政策对试点地区工业二氧化硫排放强度的影响。研究发现，排污权交易政策显著降低了试点地区的二氧化硫排放强度。稳健性检验证明，该政策效应并非时间趋势所导致，即使剔除2002年在市级层面试点的省份，该政策效应依旧显著，证明了排污权交易试点政策具有顯著的减排效果。

关键词：排污权交易;政策评估;政策效应

[中图分类号] X321   [文章编号] 1673-0186（2019）07-0024-014

[文献标识码] A     [DOI编码] 10.19631/j.cnki.css.2019.07.003

我国经济高速发展，但环境问题却日益严重。近些年来，国家也愈发重视环境治理及生态文明建设，采取多种手段积极推动环境治理。从国家层面的立法保障，到由政府引导的诸如气候规划、节能减排、低碳发展行动方案，再到推动市场发挥在资源配置中的决定性作用，党和政府积极探索环境治理机制以及降污减排的有效方法，以切实改善我国环境质量。

其中，排污权交易制度作为生态文明制度体系建设的重要市场化手段，已在中国试点十余年。2007年起，财政部会同环境保护部、国家发展改革委先后批复江苏、天津、浙江、湖北等11个省（市）作为国家级试点单位，积极探索实行排污权有偿使用和交易制度。2014年，国务院办公厅印发了《关于进一步推进排污权有偿使用和交易试点工作的指导意见》，提出：“到2017年年底基本建立排污权有偿使用和交易制度，为全面推行排污权有偿使用和交易制度奠定基础。”但至今，排污权交易制度仍未在全国范围内全面推行。那么，排污权交易试点政策有无真正发挥作用？其是否改善了试点地区的环境质量？能否在全国范围内进一步推广？

排污权交易对象主要是二氧化硫，同时涵盖温室气体二氧化碳，以及少量水污染物。本文聚焦排污权交易制度对二氧化硫排放的影响，通过实证分析对其政策效应进行评估。本文将2007年国家先后批复11个省（市）作为国家级排污权交易试点看作一次准自然实验，运用基于倾向得分匹配的双重差分方法（PSM-DID）对试点省（市）和非试点省（市）在政策实施前后二氧化硫排放强度的变化进行比较，以期排除干扰因素，评估试点地区排污权交易政策的净效应，从而为排污权交易制度的进一步推广提供现实和经验依据。

一、文献综述

早期有关环境治理的研究多关注经济发展与环境质量之间的关系。较为经典的是，世界银行以及格罗斯曼与克鲁格（Grosman & Krueger）的一项研究发现，经济发展与环境污染存在“倒U型”曲线关系[1]，这是由于早期经济增长导致资源过度开发和污染物过量排放，环境污染加重;但当经济发展到一定水平后，产业结构发生变化，技术进步及人们对环境质量的要求会使得环境污染状况得到改善。塞尔登与宋（Selden & Song）、沙菲克等人（Shafik， et al.）、科尔等人（Cole， et al.）、希尔顿与莱文森（Hilton &; Levinson）的研究均证实了环境污染和经济增长之间的“倒U型”曲线关系[2-5]。但也有学者对环境库兹涅茨曲线提出质疑，认为样本选择、其他控制变量的增加和计量方法的不同都有可能导致环境库兹涅茨曲线发生变化。例如，彭水军、包群利用中国省际面板数据，对经济增长和环境污染之间的关系给出了中国的实证证据，得出变量选取会影响该曲线关系的结论[6]。王敏、黄滢发现在考虑时间趋势变量后，经济发展与环境污染不再存在“倒U型”曲线关系[7]。

后有学者通过实证研究发现，没有证据表明我国的人均GDP的增加有助于解决中国的环境问题，强调环境政策和激励措施在环境治理中的重要作用[8]。何为等学者也基于天津市的面板数据，证实天津市大气环境质量与收入水平关系并不显著，而是环境政策与企业减排技术显著降低了污染物排放量[9]。

为改善环境质量，中国采取了多种污染控制政策，一般学者将其分为命令控制型政策工具与市场型政策工具。命令控制型政策工具主要借助直接的政策管控，如环境排放标准、不可交易的排污许可证等政策。例如，国家《“十二五”环境保护规划》、1997年中国环保部划定的“两控区”，以及2016年环境保护部颁发的《排污许可证管理暂行规定》均属于命令控制型政策工具。市场型政策工具则主要依赖对污染物排放制定价格等市场手段。例如，中国于1982年颁布的《征收排污费暂行办法》，2002年颁布的《排污费征收管理使用条例》，2018年1月起正式实施的《中华人民共和国环境保护税法》，以及排污削减设备补贴和污染减排补贴等激励型污染控制政策均属于市场型政策工具。

诸多学者分别从理论与实证两个层面对不同的环境政策工具进行了比较与评估。沈小波从环境经济学的视角在理论上评估了各种政策工具的有效性，认为命令控制型工具更能实现政策目标，但效率较差;市场型工具的消减成本最小，但在确定税率方面存在困难[10]。许士春同样基于理论模型，对排污税与减排补贴的减排效应进行了对比[11]。李永友和沈坤荣则基于跨省工业污染数据，从实证方面比较了中国具体环境政策措施的减排效果，认为相对于减排补贴和环保贷款，排污费的减排效果最为显著[12]。童梦怡利用广义矩估计方法研究了命令控制型环境规制工具和经济激励型工具对不同的污染排放物排放的影响，认为命令控制型工具对SO2排放量的管控作用更为显著[13]。除了直接的环境政策工具效应评估，还有学者借鉴威慑效应理论，研究了环境监管的确定性和严厉性对污染物排放的影响[14]。也有学者提出政府的环境政策执行力度是节能减排的关键，基于此分析影响地方环境政策执行的因素[15]。

现有研究中，对于排污权交易的研究仍多关注排污权交易的国外经验与本土化实践[16]、排污权的总量控制[17]、排污权的初始分配[18]。有关排污权的政策效应评估较为少见，对于二氧化硫排污权交易的实证研究更是从近几年才开始兴起。较为有代表性的研究有：闫文娟、郭树龙将2002年在6个省份实施的二氧化硫排污权交易示范工作看作一次自然实验，基于全国省级面板数据，使用双重差分模型，考察了二氧化硫排污权交易对单位产出二氧化硫排放强度的影响，证明了该交易制度显著降低了单位产出二氧化硫排放强度[19]。但其研究忽略了试点省市与非试点省市之间可能存在的系统性差异，因此可能存在评估偏差。张墨等人则在以上研究的基础上作出进一步改善，运用匹配倍差方法对政策实施前后二氧化硫排放强度进行了比较分析，其研究证明二氧化硫排污交易示范工作对降低工业二氧化硫排放强度有显著作用[20]。还有学者聚焦于某一特定省份，如程等人（Cheng， et al.）运用CGE模型，预测排污权交易制度将使广东2020年二氧化硫排放量相较于2010年下降近三分之一[21]。但不同学者在控制不同变量或采用不同模型的情形下，得出的结论也不尽相同。王等人（Wang， et al.）的研究显示中国排污权交易政策并没有发挥作用，没有降低二氧化硫排放量[22]。涂正革、谌仁俊运用倍差法研究了2002年6个试点省份的排污权交易政策效应，得出二氧化硫排污交易政策在中国未能实现经济与环境的双赢的结论[23]。申（Shin）则从政策创新与扩散角度探讨了中国排污权交易制度实施的失败的原因，认为这主要归因于试点地区并没有真正将二氧化硫排污权交易制度化[24]。

同时，逐渐有学者提出，以往的研究选取2002年作为研究分界点，但在试点实施初期，排污权交易活跃程度非常低，大部分试点地区交易量甚至为0，因此政策效应很弱。2007年，我国进一步深化排污权交易试点工作，国务院正式审批11个省（市）成为排污权交易试点单位，各试点省（市）也纷纷出台相关政策文件保障排污权交易的进行。因此，李永友、文云飞选取2007年作为政策干预时间，先使用PSM方法对试点地区与非试点地区进行1对1匹配，然后进行回归分析，其分析认为就减排效果而言，中国试点的排污权交易政策整体上是有效的[25]。还有学者提出，评估排污交易政策的有效性，不能仅考察污染物的减排量，还应将经济可持续发展纳入考察。刘承智等人结合环境全要素生产率变化趋势来评估2007年试点前后两个时期的排污权政策的有效性，得出了总体上中国污染控制和减排成效并不显著，该政策仅对试点省份有直接减排效果，同时对试点省份经济绩效有提升作用的结论[26]。

总的来说，对排污权交易试点政策效应的研究仍较为少见，已有研究仍存在以下缺陷：一是直接将二氧化硫排污权交易试点政策看作一次自然实验，使用双重差分法评估政策效应，但试点省（市）和非试点省（市）的确定并非随机选择，两组样本可能存在系统性差异;二是部分研究选取2002年作为政策干预时间点，但早期二氧化硫排污交易示范工作的交易活跃度十分低，同时2002年的试点工作多是市级试点，使用省级面板数据对其进行评估可能导致结果存在偏误;三是部分研究直接选取2007年作为时间干预点，但实际上，我国是2007年先后批复11个省（市）作为国家级试点单位，内蒙古、陕西更是2010年才被确定为排污权交易试点单位，直接“一刀切”式进行政策干预时间划分，有所不足;四是已有研究对排污权的政策效應评估多缺少稳健性检验，研究结论存在不确定性。本文选取各省被批准为国家级排污权交易试点单位的真实时间作为政策干预时间点，运用基于倾向得分匹配的双重差分法（PSM-DID）对排污权交易政策进行评估，同时完善面板数据的平稳性检验、结论的稳健性检验部分，以确保结论的稳健性。

二、模型构建

双重差分模型（Difference-in-Difference，DID）因为借助外生冲击形成的（准）自然实验，能够较为准确地识别出真实的因果关系，所以在经济学中被广泛使用。根据DID方法设定的模型如下：

Yit=β0+β1*time+β2*treat+β3*time*treat+εit

其中Y为被解释变量，在本文中即工业二氧化硫排放强度。下标i和t分别表示第i个省和第t年。本文设置了政策和时间虚拟变量，其中treat=1，表示是排污权交易试点省份，treat=0，则表示是非试点省份;time=1，表示受到排污权交易政策干预及之后的年份，time=0，则表示受到排污权交易政策干预之前的年份。time*treat是虚拟变量treat和time的交互项。ε表示随机误差项。

如表1所示，试点省市在政策时间点前后的变化幅度为β1+β3，非试点省市在政策时间点前后的变化幅度为β1。使用处理组政策前后的变化差异减去比较组政策前后的变化差异，得到的即是排污权交易试点的政策净效应——β3。

选用DID模型，需要满足两个前提条件：一是平行趋势假定，即处理组和比较组在接受政策干预前结果变量的增长率应该一致，这样才可以用比较组在政策干预之后结果变量的值对处理组进行反事实估计;二是处理组与比较组需要满足随机分配假定。但是二氧化硫排污权交易政策试点的选取并不满足随机分配的前提假设，2007年国家批准的11个试点省（市）中，有部分省（市）早在2002年就已在市级层面进行了排污权交易的探索。同时考虑到排污权交易政策的实施主要是借助市场手段降低二氧化硫排放量，我们有理由认为一个省（市）被选为排污权交易试点省（市），与该地区工业二氧化硫排放量和市场化程度有着密切关系。因此，试点省（市）与非试点省（市）之间可能存在系统性差异，直接使用非试点省（市）的工业二氧化硫排放强度对试点省（市）进行反事实估计，会影响评估结果的准确性。

因此本文采用基于倾向得分匹配的双重差分法（PSM-DID），即先采用倾向得分匹配方法（Propensity Score Matching， PSM）对样本可能存在的系统性差异进行调节，再进一步使用双重差分（DID）方法评估政策净效应。

倾向得分匹配方法（PSM）是对处理组的省份i，通过可观测变量在比较组中找到与之匹配的省份j，使二者具有可比性。具体来讲，即在非试点省份（比较组）中找到一个省份j，使其和试点省份i的可观测变量足够相似（匹配），即xi≈xj。基于可忽略性假设，当省份的个体特征对是否实施排污权交易完全取决于可观测变量时，我们认为省份i和省份j实施排污权交易制度的概率相近，从而解决处理组和比较组之间的系统性差异问题。由于需要在高维空间进行匹配，如果需要匹配的可观测变量较多，会导致数据稀疏，很难找到合适的匹配组，或者使得处理组和匹配组在匹配后数量过少，无法满足后续分析的需要。罗森鲍姆（Rosenbaum）和鲁宾（Rubin）提出了倾向得分（Propensity Score）的方法来解决这一问题。倾向得分是指“个体在一组既定的协变量下，接受某种参与的可能性”[27]。传统方法中针对多个可观测变量进行匹配的方法在实践中施行十分困难，倾向得分匹配（PSM）方法通过将多维协变量用一个一维变量——倾向得分P（x）来代替，使研究者只需要根据单一的倾向得分变量进行匹配即可，大大降低了匹配难度。

因此，在使用PSM方法对处理组和比较组进行匹配后，再使用DID方法，将实施排污权交易制度的省份在政策实施前后二氧化硫排放强度的变化减去匹配后非试点省份在政策实施时间点前后二氧化硫排放强度的变化，即可得到排污权交易制度政策的参与者平均处理效应（Average Treatment Effect on the Treated，ATT）。

三、变量选取与描述统计

本文的变量选取及变量具体计算方式如表2所示。下文详述变量选取及其数据来源。

（一）因变量的选取

本文的因变量为工业二氧化硫排放强度（单位：吨/百万元），具体是指工业二氧化硫排放量占工业生产总值的比重。之所以选取工业二氧化硫排放量，而未涵盖生活二氧化硫排放量，是因为在中国，大气污染中的二氧化硫的主要来源是工业排放，占据了总排放量的近九成。二氧化硫排放量数据来源于《中国环境统计年鉴》，工业生产总值数据来源于《中国统计年鉴》。

（二）控制变量的选取

本文设有四个虚拟变量，分别为政策干预虚拟变量、时间虚拟变量、二氧化硫污染控制区虚拟变量、2002年试点虚拟变量。具体来說：

政策干预虚拟变量（treat），不是国家批准的排污权交易试点的省（市）赋值为0;是国家批准的排污权交易试点的省（市）赋值为1。

时间虚拟变量（time），按照各试点省份真实被批准为试点的时间为界，在政策实施前赋值为0;政策实施后，则赋值为1。

二氧化硫污染控制区虚拟变量（controlzone），根据《大气污染防治法》的规定，将近三年来环境空气二氧化硫年平均浓度超过国家二级标准的地区划定为二氧化硫污染控制区，本文添加了该虚拟变量，以此控制被划为二氧化硫污染控制区对政策试点入选的影响。如果该省（市）未被划为二氧化硫污染控制区，赋值为0;反之则赋值为1。

2002年试点虚拟变量（pretreat），2002年，山东省、山西省、江苏省、河南省、上海市、天津市、柳州市开展SO2排放总量控制及交易政策实施的示范工作，后来又追加了中国华能集团公司作为示范单位，形成“4+3+1”的项目试点范围。因此，本文将没有入选2002年示范工作的省（市）赋值为0;将入选的省（市）赋值为1。

借鉴以往相关研究，本文还包含以下控制变量：教育程度、经济发展程度、排污费收入、外商直接投资、环境治理投资、工业化程度、市场化程度、技术水平。具体来说：

本文使用平均受教育年限来衡量教育程度（edu，单位：年），具体衡量公式为（小学文化程度人口数*6+初中*9+高中*12+大专及以上*16）/六岁以上抽样总人口。数据来源于《中国统计年鉴》。

本文使用人均GDP（单位：元/人）来衡量一个地区的经济发展程度，同时考虑到数据分析的需要，文中对人均GDP取对数（lngdp）。数据来源于《中国统计年鉴》。

以往研究中诸多学者评估了排污费对环境治理、大气污染的影响，因此本文将排污费收入纳入控制变量，考虑到数据分析需要，对排污费取对数（lnfee）。数据来源于《中国环境年鉴》。

污染天堂假说认为如果各个国家除了环境标准外，其他方面的条件都相同，那么污染企业就会选择在环境标准较低的国家进行生产，这些国家就成为污染的天堂。但也有学者反驳认为外商投资将会带来技术和环保理念的溢出，从而改善环境质量。本文以实际利用的外商直接投资来检验外商投资与该地区二氧化硫排放强度的相关性。考虑到数据分析需要，对实际利用外商投资取对数（lnfdi）。数据来源于Wind数据库。

对于环境治理投资，以往有学者直接采用环境治理投资总额或者更具体的工业污染治理投资总额作为衡量指标。但一方面，工业污染治理投资总额涵盖了治理废气、废水、固体废弃物、噪音及其他五个子指标，鉴于本文研究的主要是二氧化硫排放量，其本质上属于工业废气污染;另一方面，治理投资总额这一绝对数值更容易受到经济规模的影响。因此本文采取相对指标，选取工业废气污染治理投资占地区工业生产总值的比重衡量环境治理投资（invest）。数据来源于《中国统计年鉴》。

正如前文提及的，本文衡量的二氧化硫排放强度实质为工业二氧化硫排放强度，我们有理由猜测一个地区工业化程度越高，其工业二氧化硫排放量也越大。因此本文以工业化总产值占地区生产总值的比重来衡量该地区的工业化程度（industry）。数据来源于《中国统计年鉴》。

一个地区的市场化程度可能会影响该地区排污权交易制度的运行。以往研究中，学者多采用樊纲等人制定的市场化指数作为衡量指标，但由于其子指标后期发生改变，2008年后的数据与前期数据不可比，因此本文未使用樊纲等人的市场化指数。也有学者以政府财政支出占GDP比重来衡量市场化，但由于2007年财政收支科目实施了较大改革，特别是财政支出项目口径变化很大，2007年后的财政支出比重与往年数据不可比。因此，考虑到数据的可得性，本文借鉴樊纲等人市场化指数中的子指标——非国有经济发展的衡量方法，以非国有经济就业人数占城镇总就业人数比重衡量市场化程度（market）。数据来源于《中国统计年鉴》及各省份的统计年鉴。

同时一个地区的二氧化硫排放水平也与技术水平相关，有学者认为排污权交易和研发投入水平能够提高清洁技术新水平[28]，从而降低二氧化硫排放强度。本文借鉴以往研究，选取R&D经费支出占地区生产总值的比重来衡量R&D投入强度。数据来源于国家统计局《R&D普查公报》。

各变量的描述性统计结果如表3所示。

四、实证结果与分析

本文使用的数据为2001—2015年中国30个省（市）①的面板数据，在进行回归以及PSM-DID分析之前，笔者对面板数据的平稳性进行了检验，采用了LLC、IPS以及Hadri三种检验方式，结果显示各变量至少在两种检验中均拒绝存在单位根的原假设，证明了数据的稳定性。

本文首先对影响各省份成为排污权交易试点省（市）的可观测因素进行了logit回归分析，回归结果见表4。回归结果显示，工业二氧化硫排放强度与成为国家审批的排污权交易试点省（市）相关，二者的关系在1%的水平上显著。同时，排污费收入和人均GDP也均与成为排污权交易试点省（市）相关，其中排污费收入与成为二氧化硫排污权交易试点省（市）在0.1%的水平上显著相关，一个地区征收的排污费越多，其越可能成为排污交易试点省（市）。人均GDP则与成为国家级试点省（市）在1%的水平上负相关。此外，工业化程度与市场化程度也与成为国家级试点省（市）正向相关，并在统计学上显著，即一个地区工业化程度越高，或者其市场化程度越高，其越容易被批准为排污权交易试点。

回归分析表明，仍存在诸多因素影响一个省份入选国家级排污权交易试点省（市），即试点省（市）和非试点省（市）存在系统性差异。因此，直接使用双重差分方法直接对比试点省（市）和非试点省（市）的二氧化硫排放强度差异来评估政策效应，会存在结果偏差。

本文选用倾向得分匹配方法来解决样本选择的系统性差异问题。常用的倾向得分匹配方法主要有最近邻匹配法、域阀和半径匹配法以及核匹配法。其中最近邻匹配法适用于未参与者的数量远多于参与者数量的情况，核匹配法适用于当配对的参与者多于未参与者的数量的情况，以优先保证匹配数量。当参与者和未参与者数量相当，差距不大时，或者是大样本数据时，三种匹配方法结果趋于一致。研究中可以综合运用三种方法，同时还可以以此检验估计效应的稳健性。本文選取核匹配法，并运用最近邻匹配法、域阀和半径匹配法进行稳健性检验，检验发现，三种匹配方法的结果并无显著差异，具有稳健性。

使用倾向得分匹配方法后，需要检验匹配后数据的平衡性和共同支撑领域，以确保样本匹配的效果符合评估的要求。如果以上两个条件均得到满足，我们即可认为倾向得分匹配方法能够消除内生性偏误。

平衡性检验是为了确保协变量的倾向得分在处理组和比较组之间不存在显著差异，数据平衡，以克服选择偏差问题。平衡性检验可以通过对比匹配前后标准化偏差，或者对匹配前后处理组和比较组的均值差异进行t检验。平衡性检验结果如表5所示。

平衡性检验结果显示，以二氧化硫排放强度为结果变量进行匹配后，处理组和比较组的标准化偏差均小于10%。同时，匹配后各控制变量的t检验结果及其对应的p值显示处理组和比较组之间不存在显著性差异。总的来说，匹配后协变量的均值在处理组与比较组之间未出现显著差异，不同变量在处理组与比较组的分布更加平衡，支持基于倾向得分匹配的双重差分法的应用。

同时，在估计平均处理效应之前，还需要进行共同支撑检验，即检验处理组和比较组之间是否有足够大的共同支撑区域，以保证倾向得分匹配的有效性。当以二氧化硫排放强度为结果变量时，处理组和比较组落在共同支撑域之内的样本量分别是151个和235个，落在共同支撑域之外的样本量分别是14个和50个。处理组和比较组具有足够大的共同支撑域。

综上，我们认为匹配后，处理组和比较组的数据得到了较好的匹配。

在使用PSM方法对处理组和比较组进行匹配后，本文选用处于共同支撑域的样本，采用DID方法，以期得到二氧化硫排污权交易政策的参与者平均处理效应（ATT）。参与者平均处理效应结果见表6。如表6所示，政策干预之后与政策干预之前的双重差分系数为-1.094，并且t检验结果显著，表明二氧化硫排污权交易政策显著地影响了二氧化硫排放强度，影响方向为负，即排污权交易制度显著降低了试点地区的二氧化硫排放强度，每百万元的工业生产总值减少1.094吨的二氧化硫排放量。

五、稳健性检验

为了验证上述结果的稳健性，本文采用了替换政策干预时间点和剔除先前试点省（市）两种方法来进行稳健性检验。

（一）替换政策干预时间点

上文中设定的时间虚拟变量时间点为中国正式审批各省成为二氧化硫排污权交易试点省（市）的时间。由于早在2002年，部分省（市）在市级层面进行了二氧化硫排污权交易的示范工作，因此本文也将2002年作为一个政策干预时间点纳入稳健性检验之中。同时考虑到从政策实施到政策发挥作用可能存在时间上的滞后性，因此本文将2012年也选取为政策干预时间点，生成新的时间虚拟变量进行稳健性检验。表7与表8分别显示了将2002年与2012年作为政策干预时间点进行的PSM-DID分析结果。

如表7及表8所示，无论虚拟时间变量设置为2002年还是2012年，排污权交易政策对二氧化硫排放强度的参与者平均处理效应（ATT）均不显著。这在一定程度上验证了排污权交易政策对国家批准的试点地区二氧化硫排放强度产生的显著影响，并不是时间变动所导致的。

（二）剔除先前试点省份

考虑到早在2002年，已有4个省份（山东省、山西省、江苏省、河南省）以及3个城市（上海市、天津市、柳州市）被选为排污权交易政策示范工作点，以上省份在省（市）内选取一个或多个城市开展了对排污权交易政策的探索。为避免干扰，本文剔除掉以上省份的相关数据，再次使用PSM-DID方法检验排污权交易的政策效应。参与者平均处理效应如表9所示。我们发现，在剔除2002年在市级层面试点省份的数据之后，ATT值依然显著，即剔除先前试点省份后，排污权交易政策对试点省份的二氧化硫排放强度依然有显著的负向影响，依旧显著降低了试点地区二氧化硫排放强度，每百万元的工业生产总值减少了1.667吨的二氧化硫排放量。

总的来说，稳健性检验表明，首先，中国排污权交易政策顯著降低了试点地区的工业二氧化硫排放强度，该政策效应非时间趋势所导致;其次，即使剔除2002年在市级层面试点的省份，该政策效应依旧显著，证明了排污权交易制度能够显著降低试点区域的工业二氧化硫排放强度。

六、结论

本文运用基于倾向得分匹配的双重差分方法（PSM-DID）评估了排污权交易政策对试点地区工业二氧化硫排放强度的减排效果，一方面化解了以往评估中存在的系统性差异问题，另一方面也部分解决了数据内生性问题。研究发现，排污权交易政策显著降低了试点地区工业二氧化硫排放强度。稳健性检验证明无论是选取在市级层面探索二氧化硫排污权交易制度的2002年，还是选取政策实施后的2012年作为政策干预时间点，以上结论均具有稳健性，证明了排污权交易政策对试点地区二氧化硫的减排效应并非是时间趋势所导致的。同时，本文剔除了2002年试点省（市）相应数据，再次检验排污权交易制度的政策效应，研究发现，剔除2002年试点省（市）的数据后，政策效应依旧显著，证明了本文结果的稳健性。

中国自2007年正式由国家审批确立国家级排污权交易试点单位，至今已有十余年的时间。国务院办公厅印发的《关于进一步推进排污权有偿使用和交易试点工作的指导意见》曾提出“到2017年年底基本建立排污权有偿使用和交易制度，为全面推行排污权有偿使用和交易制度奠定基础”。本研究选取工业二氧化硫排放强度为结果变量，从实证角度评估了排污权交易制度的政策效应，为排污权交易政策的进一步推广提供了一定的现实支撑依据。研究使用基于倾向得分匹配的双重差分方法，同时改进以往“一刀切”式的政策干预时间划定方式，选取各省（市）真正被批准为国家级试点单位的时间作为政策干预时间点，尽可能减少评估偏差，得到政策的净效应。

但本文仍有以下不足，一是本文选用了一系列可观测变量进行倾向得分匹配，但限于数据可得性，某些指标仅以替代性指标衡量，同时本研究可能未涵盖到某些重要变量，从而可能会对匹配结果和最终的政策净效应评估产生影响;二是近年来，非国家级试点省份也开始积极开展排污权交易的自我探索，这也许会对本文的政策效应评估产生影响;三是二氧化硫排放具有外溢性，可能会对相邻区域的二氧化硫排放强度产生影响，从而影响评估效果。以上均是后续研究中应注意到的问题。

参考文献

[1]  Grossman， G. M.， & Krueger， A. B. Economic growth and the environment[J]. Quarterly Journal of Economics，1995， 110（2）： 353-377.

[2]  Selden， T.， & Song， D. Neoclassical growth， the J curve for abatement and the inverted U curve for pollution[J]. Journal of Environmental Economics and Management， 1995， 29（2）： 162—168.

[3]  Shafik， N.， Banerjee， A.， Forder， J. Economic development and environmental quality： An econometric analysis[J]. Oxford Economic Papers， 1994， 46：757-773.

[4]  Cole， M. A.， Rayner， A. J.， & Bates， J. M. The environmental Kuznets curve： an empirical analysis[J]. Environment & Development Economics， 1997（2）： 401-416.

[5]  Hilton， F. G. H.， & Levinson， A. Factoring the environmental Kuznets curve： evidence from automotive lead emissions[J]. Discussion Papers， 1998， 35（2）： 126-141.

[6]  彭水军，包群.经济增长与环境污染——环境库兹涅茨曲线假说的中国检验[J].财经问题研究，2006（8）：3-17.

[7]  王敏，黄滢.中国的环境污染与经济增长[J].经济学（季刊），2015（2）：557-578.

[8]  马树才，李国柱.中国经济增长与环境污染关系的Kuznets曲线[J].统计研究，2006（8）：37-40.

[9]  何为，刘昌义，刘杰，等.环境规制、技术进步与大气环境质量——基于天津市面板数据实证分析[J].科学学与科学技术管理，2015（5）：51-61.

[10]  沈小波.环境经济学的理论基础、政策工具及前景[J].厦门大学学报（哲学社会科学版），2008（6）：19-25+41.

[11]  许士春.排污税与减排补贴的减排效应比较研究[J].上海经济研究，2012（7）：14-21.

[12]  李永友，沈坤荣.我国污染控制政策的减排效果——基于省际工业污染数据的实证分析[J].管理世界，2008（7）：7-17.

[13]  童梦怡.命令控制型与经济激励型环境规制之比较研究——来自中国1999—2008年的经验证据[D].合肥：合肥工业大学， 2011.

[14]  何彬，潘新美.環境监管对污染物排放的影响：基于中国省级面板数据的实证分析[J].公共行政评论，2017（5）：26-45+215-216.

[15]  刘政文，唐啸.官员排名赛与环境政策执行——基于环境约束性指标绩效的实证研究[J].技术经济， 2017（8）：118-127.

[16]  于杰，周伟铎，蒋金星.排污权交易：理论引进与本土化实践[J].中国地质大学学报（社会科学版）， 2014（6）：96-104.

[17]  马中，Dan Dudek，吴健，等.论总量控制与排污权交易[J].中国环境科学，2002（1）：90-93.

[18]  吴征帆，向晓东.一种排污权初始分配结构设计框架[J].环境科学与技术，2012（1）：201-205.

[19]  闫文娟，郭树龙.中国二氧化硫排污权交易会减弱污染排放强度吗？——基于双倍差分法的经验研究[J].上海经济研究，2012（6）：76-83.

[20]  张墨，王璐，王军锋.基于匹配倍差法的排污权交易制度实施效果研究[J].干旱区资源与环境，2017（11）：26-32.

[21]  Cheng， B.， Dai， H.， Wang， P.， Xie， Y.， Chen， L.， & Zhao， D.， et al. Impacts of low-carbon power policy on carbon mitigation in Guangdong province， China[J]. Energy Policy， 2016， 88： 515-527.

[22]  Wang，J.N.， Yang， J.T， Ge， C.Z.， et al. Controlling sulfurdioxide in china： will emission trading work？[J]. Environment Science & Policy for Sustainable Development， 2004， 46（5）： 28-39.

[23]  涂正革，谌仁俊.排污权交易机制在中国能否实现波特效应？[J].经济研究，2015（7）：160-173.

[24]  Shin， S. China's failure of policy innovation： the case of sulphur dioxide emission trading[J]. Environmental Politics， 2013， 22（6）： 918-934.

[25]  李永友，文云飞.中国排污权交易政策有效性研究——基于自然实验的实证分析[J].经济学家，2016（5）：19-28.

[26]  刘承智，杨籽昂，潘爱玲.排污权交易提升经济绩效了吗？——基于2003—2012年中国省际环境全要素生产率的比较[J].财经问题研究，2016（6）：47-52.

[27]  Rosenbaum， P.& Rubin， D. The central role of Propensity Score Matching in observational studies for causal effects[J]. Biometrika， 1983， 70： 41-55.

[28]  刘海英，谢建政.排污权交易与清洁技术研发补贴能提高清洁技术创新水平吗——来自工业SO2排放权交易试点省份的经验证据[J].上海财经大学学报，2016，18（5）：79-90.

Abstract： The emission trading system has been carried out in China`s 11 provinces for more than 10 years， but it`s still not been applied nationwide. Does the emission trading system improve the environmental quality in the pilot areas？ How is its policy effect？ Can it be further expanded？ This paper views the nationally approved pilot project of the emission trading system in 2007 as a quasi-natural experiment. Based on a panel dataset from 2001 to 2015， this paper combines propensity score matching（PSM） and difference-in-difference（DID） method to assess the influence of emission trading policy on the emission intensity of industrial sulfur dioxide （SO2） in pilot areas. The results indicate that the emission trading policy significantly reduces the emission intensity of SO2 in the pilot areas. The robustness check proves that the findings are not driven by time trend and testifies the emission reduction even after eliminating the data of provinces which piloted this policy in 2002.

Key Words： Emission trading system; Policy evaluation; Policy effect.