低碳试点政策实施的碳遗漏效应

吴文洁 刘雪梦 刘佩

【摘要】为全面评价低碳试点政策的实施效果，从试点城市和非试点城市两个角度出发，以2012年第二次低碳试点政策为例，基于2008～2017年中国205个地级市面板数据，采用倾向得分匹配—双重差分方法实证检验低碳试点政策实施的综合效果。研究发现：低碳试点政策的实施降低了试点城市的碳排放强度，却导致了非试点城市碳排放的增加，这不仅减弱了政策实施的减排效果且造成了总体碳排放的上升，即低碳试点政策的实施存在碳遗漏问题；进一步分析发现，碳遗漏具有持续性，其发生的主要路径是能源市场效应和贸易条件效应。因此，试点城市应鼓励企业进行技术创新或对高碳进口产品征税，非试点城市应加强宣传和教育，对从试点城市搬迁的高碳企业征收一定的税费，并引导该企业形成低碳生产模式。

【关键词】低碳试点；碳遗漏效应；倾向得分匹配；双重差分

【中图分类号】F124.5【文献标识码】A【文章编号】1004-0994（2020）04-0124-7

【基金项目】陕西省教育厅科研计划项目“西安市碳排放峰值预测与控制措施研究”（项目编号：18JT010）；陕西省社会科学基金项目“陕西省工业碳排放驱动因素、碳锁定及解锁路径研究”（项目编号：2019D043）；西安石油大学研究生创新与实践能力培养项目“陕西省工业碳排放驱动因素、碳锁定及解锁路径研究”（项目编号：YCS18212058）

一、引言

近百年来，全球气候变暖影响了人类的生活环境和生活质量，现已引起了国际社会的广泛关注，而二氧化碳排放的增加则被认为是气候异常变化的主要原因[1]。最新全球温度记录指出，地球所累积的碳排放正在破坏气候系统的稳定，因此，控制温室气体排放、发展低碳经济已成为当前的重点课题。而作为一个负责任的发展中国家，中国已向国际社会承诺，到2030年实现碳排放峰值目标[2]。为此，中国已在2010年、2012年和2017年先后三次实行低碳试点政策，以降低碳排放并力争提前达峰。伴随着低碳试点政策的进一步推广和实施，中国整体碳排放绩效是否得到了提高？低碳试点政策的实施是否有效减少了试点城市的碳排放？而对于非试点城市的碳排放，该政策的实施是否也会产生一定的影响？

为评估低碳试点政策的实施效果，已有文献主要从试点城市的角度，从理论和实证两个方面进行了研究，但由于研究对象和方法不同，尚未得出一致的结论。从理论角度出发，邓荣荣[3]研究发现试点城市的排放总量和增速较政策实施前显著下降。宋祺佼等[4]却发现低碳试点城市的碳排放水平高于全国水平。从实证角度出发，冯彤[5]对华东地区低碳试点城市进行评估，结果表明低碳项目的实施促进了碳排放；而李顺毅[6]的研究结果却支持政策有效的结论。梳理文献发现，从非试点城市的视角，评估政策实施有效性的研究相对较少。然而，Wen、Wang[7]研究发现碳排放量可以通过省际贸易的转移进而产生碳遗漏问题，但仅是从理论上进行了阐释。与之相反，Barker等[8]运用一般GEE模型考察《京都议定书》的实施效果，发现由于技术溢出效应的存在，碳遗漏问题不明显。由以上分析发现，现有研究针对中国的非试点城市低碳试点政策实施效果的研究相对较少。

二、理论分析与研究假说

由于研究对象和目的的不同，有关碳遗漏的相关概念尚未形成一致的理论体系。IPCC[9]最早研究碳遗漏问题，认为减排国家强制实施了减排政策，却导致非减排国家增加了温室气体排放，增加的排放弱化了减排效果，甚至带来更多的排放，致使政策无效。Kallbekken等[10]认为碳减排政策实施后，减排地区与非减排地区的价格差异导致非减排地区碳排放量增加进而产生碳遗漏。国内研究侧重于对碳遗漏进行定性分析，实证研究相对匮乏。王明喜等[11]在对低碳经济相关研究进行综述中提到了碳遗漏问题，并对其进行了概念界定，认为若一个地区强制实施碳减排措施，会导致另外一些没有实施碳减排措施地区的碳排放量额外增加，增加的这部分碳排放称之为碳遗漏，但并未深入分析中国是否存在碳遗漏问题及實证检验碳遗漏效应机理。因此，基于现有研究，结合中国实施的低碳试点政策，将碳遗漏界定如下：若一个地区实施低碳政策（试点地区），却增加了没有实行低碳政策地区（非试点地区）的碳排放，进而减弱了试点地区的减排效应，并导致中国总体碳排放增加的现象，即为碳遗漏。在此概念的基础上，进一步分析低碳试点政策实施的碳遗漏效应，并提出研究假说。

基于Bernard、Vielle[12]等的研究，本文认为低碳试点政策实施的碳遗漏效应主要发生路径是能源市场效应和贸易条件效应（见图1）。

在供给总量不变的前提下，减排地区由于实施了碳减排政策，使得该地区能源市场需求减少，进而造成相关能源产品价格下降。与之相比，非减排地区的能源产品价格较高，故企业会选择从减排地区进口低价能源产品作为生产投入替代品，结果导致该地区碳排放增加，产生了碳遗漏问题。具体到我国的碳减排政策，在能源供给量不变的前提下，由于低碳试点政策的实施，低碳试点城市为实现碳减排目标，将通过征税或限制能源行业生产的方式，缩小能源生产规模，并提供其他清洁绿色技术产品以替代能源产品，这使得能源生产厂商的生产积极性下降，消费者在政策的引导下对能源产品的偏好降低，转向其他绿色消费品，进而使得整个市场对能源产品的需求下降，导致综合能源价格下降。与之相反，非试点城市市场对能源的需求相对较大，故其能源市场价格相对较高。因此，非试点城市企业为追求利润最大化，将从试点城市进口大量能源产品作为生产投入替代品，进而增加了碳排放，造成了碳遗漏。故提出假设1：

H1：低碳试点政策的实施减少了试点城市的碳排放，而其能源市场效应会产生碳遗漏。

由于地区间联系紧密，各地区间存在模仿或竞争效应，在地区间贸易体系的作用下，碳减排政策的实施，使得碳减排地区的高碳产品生产成本上升，进而造成减排地区产品的市场价格上扬；而对于非减排地区企业，没有减排成本，其产品市场价格相对较低，生产同类型的产品更具竞争优势，产生的价格差将激励非减排地区扩大高碳产品生产规模以获得较高的市场利润，最终导致非减排地区碳排放的增加，进而产生碳遗漏。因此，贸易条件效应引发碳遗漏效应的主要路径为对外直接投资和进出口贸易，即高碳企业重新选址搬迁或地区间的贸易互动行为。针对中国碳减排政策的实际情况，低碳试点政策的实施使得试点城市为控制碳排放量，鼓励企业更新生产设备或革新生产流程，导致生产投入增加，生产成本的增加使得试点城市商品市场价格上扬。故而与非试点城市同类型的产品相比，失去了市场竞争优势，价格差激励了非试点城市扩大高碳产品的生产，并造成了碳排放的增加，产生碳遗漏。故提出假设2：

H2：低碳试点政策的实施减少了试点城市的碳排放，而其贸易条件效应会引发碳遗漏问题。

三、研究设计

（一）样本说明

2010年首批低碳试点省市覆盖中国五省八市，2012年第二批低碳省市包括北京、上海和海南等29个省市，2017年增至45个地区。由于第一批低碳试点地区主要以省区为主，而第三批低碳试点政策实施时间不长，政策效应并未显现，且考虑到样本量的充足性和数据的可得性，因此，以第二批低碳试点政策为例，将第二批试点城市作为政策评价的实验组。而对于政策干扰的处理，剔除了第一批低碳试点地区，即将广东、辽宁、湖北、陕西、云南、海南六省中的所有地级市以及天津、重庆、厦门、杭州、南昌、贵阳、保定七市予以剔除，进一步从城市层面深入分析低碳试点政策实施的碳遗漏效应。此外，由于北京、上海与其他地级市差异性较大，不利于数据匹配，从而予以剔除。巢湖、拉萨、嘉峪关、吴忠、固原、中卫和济源市及大兴安岭地区数据缺失较多，也进行剔除。故选择全国205个地级市作为倾向得分匹配—双重差分分析的样本，其中实验组和控制组的城市个数分别为20个和185个。

（二）模型构建

低碳试点政策的实施可看作是在试点城市进行的一次准自然实验，故采用常用的政策评估方法——双重差分（DID）对该政策的实施效果进行检验，以解决政策内生性问题。然而，DID在使用过程中需要实验组和控制组满足共同平行趋势的要求，即实验组和控制组若本身存在差异则差分结果对政策效果的评估会产生偏差。故在进行DID分析前，先利用倾向得分匹配（PSM）对实验组匹配相似的控制组，以避免样本的选择性偏差。基于匹配后的样本，利用DID方法对政策效应进行检验。因此，基于DID方法建立的回归模型如下：

其中：Yit代表i市t年的碳排放量；treatit和timeit为虚拟变量，treatit=1表示该地区为低碳政策试点城市，treatit=0代表非试点城市；timeit=1表示2012年低碳政策实施之后的年份，timeit=0为政策实施之前的年份；didit为低碳试点城市与政策时间的交乘项did（time×treat）；controlit为控制变量；vi和vt分别为城市个体固定效应和时间固定效应；？0和εit分别为截距项和随机扰动项。从式（1）可以看出，对于控制组（treatit=0）而言，低碳试点政策实施前后的碳排放波动性分别为？0和？0+？2，因此，不受政策影响的非试点城市在低碳试点政策实施年份前后的碳排放波动性差异为？2；对于处理组（treatit=1）而言，政策实施前后的碳排放波动性分别为？0+？1和？0+？1+？2+？3，差异为？2+？3，这一差异不仅包含政策实施的影响？3，还包含了时间趋势？2，故低碳试点政策实施对试点城市碳排放影响的净效应为？3。

（三）指标选取与数据来源

1.被解释变量：城市碳排放强度（lnCO2）。用各城市碳排放量的自然对数衡量碳排放强度，其中碳排放量的计算借鉴周迪等[13]的方法，根据电力、天然气和液化石油气能源消耗数据进行测度，公式如下：

其中：Ce、Cg、Cp分别为电力、天然气和液化石油气消耗所产生的碳排放量；Ee、Eg、Ep分别为电力、天然气和液化石油气的消耗量；η是煤电燃料链温室气体排放系数，折合成等效CO2为1.3023千克/千瓦时，σ为煤电发电量与总发电量的比值；λ和φ分别是天然氣和液化石油气的CO2排放系数。

2.机理分析中的被解释变量。①能源市场价格（pener），由于国家并未公布各地级市综合能源价格的绝对量数据，故借鉴Ma等[14]、叶琴等[15]的做法，对2008 ～ 2017年各地级市的综合能源价格进行了推算。首先，算出各地级市能源均价。根据《中国物价年鉴》公布的36个大中城市煤炭、汽油、电力和柴油的价格计算；其次，采用煤炭采选业出厂价格指数、石油和天然气开采业出厂价格指数及电力、热力的生产和供应出厂品价格指数对价格序列进行扩展。再次，算出各省的能源成本。根据《中国能源统计年鉴》中能源平衡表公布的各省每年四种能源消费量，按照对应的综合能源价格进行加权计算。最后，算出各地级市的综合能源价格。根据各省的能源成本与各省能源消费总量的比值先算出各省的综合能源价格，再利用各地级市GDP占各省GDP比重作为权重得出各地级市的综合能源价格。②商品市场价格（pcom），考虑到数据的可得性，用各城市社会消费品零售总额来衡量，由于该数值较大，为方便分析，对其取自然对数，数据来源于历年《中国城市统计年鉴》。

3.解释变量。低碳试点城市虚拟变量（treat），若该城市为2012年低碳试点政策实施的城市则记为“1”，否则记为“0”；政策时间虚拟变量（time），低碳试点政策实施之后的年份定义为1，政策实施之前的年份定义为0；低碳试点城市与政策时间的交乘项did（time×treat），若该城市既为低碳试点城市又在政策执行年份之后，该值取1，否则取0，用以衡量低碳试点政策实施的净效应。此外，借鉴张庆宇等[16]、周迪等[13]的做法，将碳排放量与地区经济发展水平、年末总人口和能源强度作为控制变量纳入模型（1）中。

综上所述，选择碳排放强度（lnCO2）作为被解释变量，能源市场价格（pener）与商品市场价格（pcom）作为机理分析中的被解释变量，人均GDP（lnpgdp）、能源强度（energy）和年末总人口（lnpop）为模型（1）中的控制变量。此外，由于PSM匹配是将多元变量压缩成单维的倾向得分，本质上是用匹配变量对虚拟变量进行回归，故在控制变量的基础上，加入第二产业比重（lnsec）、第三产业比重（lnthird）和在岗职工平均工资水平（lnwage）等对政策选择有影响的变量，即为PSM分析中的协变量，以得到最佳匹配效果。主要变量的具体含义、均值和标准差如表1所示，除特别说明外，数据均来自《中国统计年鉴》《中国城市统计年鉴》《中国区域经济统计年鉴》和国家统计局，个别缺失值用插值法和均值法补齐。

四、实证分析

（一）倾向得分匹配处理

根据上文的分析和研究设计，选择两类城市进行PSM分析，将2012年开始实施低碳试点政策的20个试点城市作为实验组，并将在2012年未实施低碳试点政策且不受第一次政策影响的185个地级市作为控制组。进一步利用人均GDP（lnpgdp）、能源强度（energy）、在岗职工平均工资水平（lnwage）、年末总人口（lnpop）、第二产业比重（lnsec）和第三产业比重（lnthird）6个可观测变量对实验组和控制组城市进行匹配。并利用Probit模型估计上述匹配指标的倾向得分，然后使用核匹配法确定权重，以及施加“共同支持”条件。结果显示，控制组中185个城市全部匹配成功。此外，在用PSM-DID方法进行回归前，需要检查在匹配之后处理组和控制组在可观测变量上是否具有显著性差异，若无显著性差异，则支持PSM-DID方法的应用，否则核匹配估计失效。表2平衡性检验结果显示：与匹配前相比，匹配后的可观测变量在处理组和控制组的分布较为平衡，各变量的差异大幅度下降，标准化偏差均小于10%，t检验相伴概率值也显示，匹配后各变量的均值在实验组和控制组间均无显著性差异，由此说明使用PSM-DID方法是有效的。

（二）双重差分分析

1.平行趋势检验。进行DID估计需满足趋同假设前提条件，因此，在DID估计前对实验组和控制组碳排放强度的变化趋势进行了检验。如图2所示，2012年低碳试点政策实施前，实验组和控制组的碳排放强度大致保持相同的增长趋势，而政策实施后，实验组和控制组的碳排放强度出现显著的差异，即呈现截然相反的变化趋势，前者整体呈下降趋势，后者呈上升趋势。该结果表明，进行PSM匹配后的样本满足DID同趋势的假设前提条件，且低碳试点政策实施后非试点城市碳排放强度的上升幅度大于试点城市碳排放强度的下降幅度。

2.平均处理效应。在PSM处理的基础上，对式（1）使用固定效应法进行DID检验，即采用一阶差分法对面板双重差分模型进行估计，以消除变量的时间变化因素。此外，由于低碳试点城市虚拟变量treat具有时间不变性，因此，在进行DID固定效应分析时，treat变量会被自动删除，但这不会影响估计结果及其有效性。表3列出了式（1）DID估计结果，列（1）为未加入控制变量的结果，列（2）为加入控制变量的结果。观察发现，无论是否加入控制变量，did的系数值都为负，time系数值都为正，且通过了显著性检验，进一步对比两个变量的系数发现，大多数年份did系数的显著性和数值的绝对值大小与time系数相比，显著性较低且值较小。这一结果表明，低碳试点政策的实施降低了试点城市的碳排放强度，却促进了非试点城市碳排放的增加，且非试点城市碳排放强度的上升幅度大于试点城市碳排放强度的下降幅度，这与上文平行趋势检验结果一致，表明实施低碳试点政策，非试点城市碳排放的增加减弱了政策实施的碳减排效果，并造成总体碳排放增加，即低碳试点政策的实施存在碳遗漏现象。控制变量中，经济发展水平、能源强度和年末总人口与碳排放量正相关，说明现阶段的经济发展、能源消耗和总人口数量不利于碳减排。

3.动态边际影响效应。为进一步检验低碳试点政策实施对碳遗漏的动态边际影响，在式（1）的基础上加入时间虚拟变量，如式（3）所示：

其中，t2013、t2014、t2015、t2016和t2017分別为对应于2013年、2014年、2015年、2016年和2017年的时间虚拟变量，处理组（treat=1）和控制组（treat=0）在2013年碳排放强度的波动性差异分别为？0+？1+？2+？7和？0+？2，同理可得其他年份处理组和控制组的碳排放强度波动性差异。因此，观察表3中第（3）列和第（4）列的回归结果，可以发现：在未加入控制变量之前，对于控制组而言，t2013、t2014、t2015、t2016和t2017的系数都在1%的显著性水平上为正，且总体呈上升趋势，仅在2013 ～ 2014年呈下降趋势，表明低碳试点政策实施后，非试点城市的碳排放强度整体呈上升趋势，仅在2013～2014年间稍有降低，这与上文的时间趋势图相吻合。列（4）为加入控制变量后的结果，和列（3）相比，系数值显著性未发生特别大的变化，与列（3）结果基本一致。对于实验组而言，低碳试点政策实施对于试点城市碳排放强度影响的净效应为treat×t2013、treat×t2014、treat×t2015、treat×t2016和treat×t2017的系数值，观察列（3）和列（4）发现，无论是否加入控制变量，试点城市的碳排放强度在政策实施后的2013 ～ 2017年呈显著下降趋势，且政策的动态边际效应持续显著。具体观察其系数值可以发现，动态边际效应虽具有一定的波动性，但整体呈上升态势。进一步比较实验组和控制组碳排放强度在政策实施后波动性差异变化大小可以发现，非试点城市碳排放强度动态边际效果的增加幅度大于试点城市碳排放强度减少幅度，进而验证了2012年低碳试点政策的实施对碳遗漏具有动态边际效应。

（三）碳遗漏效应的机理分析

为进一步揭示碳遗漏的发生机理，借鉴石大千等[17]提出的三步法，进一步对其作用路径进行检验。具体步骤为：①先对DID方法的基础回归模型进行实证分析，若time变量和did变量系数显著且为正值，说明低碳试点政策的实施存在碳遗漏效应。②将倍差项分别与机制变量综合能源价格和商品市场价格进行回归，若综合能源价格和商品市场价格的系数显著，则说明低碳试点政策的实施影响了低碳城市的综合能源价格和企业的生产成本。③将倍差项和综合能源价格及商品市场价格同时纳入DID基础回归模型中，若倍差项系数不显著或者显著但数值降低了，则证明低碳试点政策实施的碳遗漏效应主要通过能源市场效应和贸易条件效应体现。按照上述步骤，设定的机理验证模型如下：

運用PSM-DID方法对式（4）～式（6）进行回归，实证结果如表4所示，列（1）为式（4）的回归结果，观察发现，？2和？3的系数都通过了显著性检验，前者的系数为正值而后者的系数为负值，且前者的绝对值大于后者，即验证了低碳试点政策实施存在碳遗漏问题。列（2）、列（3）为式（5）的回归结果，可以发现，在综合能源价格方程中，β1的系数在1%的显著性水平上为负值，说明低碳试点政策的实施使得低碳试点城市减少了对能源产品的需求，在供给量不变的前提下，试点城市能源需求减少，能源价格下降，验证了H1；在商品市场价格方程中，β1的系数在1%的显著性水平上为正值，说明低碳试点政策的实施使得试点城市企业为达到低碳生产标准而更新生产设备或革新生产流程，进而增加了企业的生产成本，造成产品价格上扬，验证了H2。列（4）为式（6）的回归结果，观察发现，ω2的系数在5%的显著性水平上为正，与列（1）的回归结果相比，不仅显著性降低且系数值变小了。此外，ω3的系数值为负值但未通过显著性检验，与列（1）回归结果相比，倍差项的系数由显著变得不显著了，证实了低碳试点政策实施的碳遗漏效应是由能源市场效应和贸易条件效应引发的。进一步观察列（4）发现，能源市场价格和商品市场价格的系数在1%的显著性水平上为正。

分析其原因，可能是：①由于试点城市实施的碳减排政策减少了能源产品需求，导致能源市场价格下降，而非试点城市则会从试点城市购买低价的能源产品来替代其他生产投入品，进而增加了非试点城市的碳排放；此外，试点城市中从事能源生产的相关企业为追求利润最大化将会搬迁至非试点城市，以获取收益，导致碳排放的增加。②为实现碳减排目标，试点城市的企业生产投入的增加使得其商品市场价格上扬，与非试点城市相比，其产品价格高于同类产品价格，试点城市的产品失去了市场竞争力，而产生的价格差将激励非试点城市扩大高碳产品生产以增加产出并出口到试点城市，出口量的增加进而导致了非试点城市碳排放的增加。③在能源供给总量不变的前提下，能源价格相对较高的地区一般为非试点城市，该城市的能源价格越高则越倾向于选择进口试点城市价格下降的能源产品替代其他生产投入品，进而增加碳排放。然而，商品市场价格较高的地区一般为试点城市，与非试点城市相比，同类产品的竞争力较低，这会激励非试点城市扩大高碳产品生产量进而增加了碳排放。

五、结论与启示

从碳遗漏视角出发，以2008 ～ 2017年中国205个地级市面板数据为样本，采用PSM-DID方法，对2012年中国低碳试点政策的实施效果进行了深入分析。研究发现：低碳试点政策的实施减少了试点城市的碳排放却增加了非试点城市的碳排放，且非试点城市碳排放增加的幅度大于试点城市碳排放减少的幅度，即低碳试点政策的实施存在碳遗漏问题，且碳遗漏效应主要产生路径为能源市场效应和贸易条件效应。

基于上述结论，得到的启示如下：首先，试点城市在采取碳减排行动时，不应仅仅局限于制定碳排放总量控制制度，还应支持和引导企业进行自主创新，积极开发新能源或新技术以减少能源产品生产利用过程中的资源消耗和碳排放；其次，为避免能源市场效应造成的碳遗漏问题，试点城市可以对本地区低价能源产品的出口征收一定税额，倒逼非试点城市企业进行技术创新，限制因能源投入替代效应造成碳排放的增加，进而削弱低碳试点政策实施的碳减排效应；最后，为避免贸易条件效应造成的碳遗漏问题，非试点城市应加强宣传教育，并引导居民树立低碳理念。而试点城市可以针对非试点城市具有竞争力的高碳低价商品征收进口税额，削弱该类型商品的竞争优势，或者让试点城市的低碳企业免费获得一些碳排放配额，并在试点地区内进行交易，以降低减排成本，提高试点地区低碳商品的竞争优势，进而减少非试点城市的碳排放。

【主要参考文献】

[1]Cuffey K. M.，Vimeux F. Covariation of carbon dioxide and temperature from the Vostok ice core after deuterium-excess correction[J]. Nature，2001（412）：523.

[2]中国能源研究会.中国能源展望2030[M].北京：经济管理出版社，2016：1～100.

[3]邓荣荣.我国首批低碳试点城市建设绩效评价及启示[J].经济纵横，2016（8）：41～46.

[4]宋祺佼，王宇飞，齐晔.中国低碳试点城市的碳排放现状[J].中国人口·资源与环境，2015（1）：78～82.

[5]冯彤.低碳试点城市项目对碳强度的影响评估[J].云南民族大学学报（自然科学版），2017（2）：174～178.

[6]李顺毅.低碳城市试点政策对电能消费强度的影响——基于合成控制法的分析[J].城市问题，2018（7）：38～47.

[7]Wen W.，Wang Q. Re- examining the realization of provincial carbon dioxide emission intensity reduction targets in China from a consumption-based accounting[J].Journal of Cleaner Production，2019（11）：84～88.

[8]Barker T.，Junankar S.，Pollitt H.，et al. Carbon leakage from unilateral environmental tax reforms in Europe，1995-2005[J].Energy Policy，2007（12）：6281～6292.

[9]IPCC. Climate change 2001 mitigation：Contribution of Working GroupⅢto the third assessment report of the Intergovernmental Panel on Climate Change[M].Cambridge：Cambridge University Press，2001：1～100.

[10]Kallbekken S.，Flottorp L. S.，Rive N. CDM baseline approaches and carbon leakage[J].Energy Policy，2007（8）：4154～4163.

[11]王明喜，胡毅，郭冬梅，鲍勤，汤玲.低碳经济：理论实证研究进展与展望[J].系统工程理论与实践，2017（1）：17～34.

[12]Bernard A.，Vielle M. Assessment of European Union transition scenarios with a special focus on the issue of carbon leakage[J].Energy Economics，2009（1）：S274-S284.

[13]周迪，周丰年，王雪芹.低碳试点政策对城市碳排放绩效的影响评估及机制分析[J].资源科学，2019（3）：546～556.

[14]Ma H.，Oxley L.，Gibson J. Substitution possibilities and determinants of energy intensity for China[J].Energy Policy，2009（5）：1793～1804.

[15]叶琴，曾刚，戴劭勍，王丰龙.不同环境规制工具对中国节能减排技术创新的影响——基于285个地级市面板数据[J].中国人口·资源与环境，2018（2）：115～122.

[16]张庆宇，张雨龙，潘斌斌.改革开放40年中国经济增长与碳排放影响因素分析[J].干旱区资源与环境，2019（10）：9～13.

[17]石大千，丁海，衛平，刘建江.智慧城市建设能否降低环境污染[J].中国工业经济，2018（6）：117～135.