政府创新支持对城市碳排放绩效的影响研究

何志强，于晨阳，臧传香

(1.广州检验检测认证集团有限公司，广东 广州 511447；2.广州大学 广州发展研究院，广东 广州 510405；3.广州大学 管理学院，广东 广州 510405)

一、引言

近年来，温室气体排放的快速增长加剧了全球变暖和极端气候现象，严重威胁着人类社会的可持续发展[1]。作为世界上碳排放最高的国家，中国的碳排放总量从1978年的14.19亿吨增加到2020年的98.99亿吨，增长了6.98倍[2]。中国面临着巨大的减排压力。2020年，中国政府提出了“2030年碳达峰”和“2060年碳中和”的双碳目标，旨在缓解温室气体排放带来的气候问题。提高碳排放绩效，即单位碳排放的产出，被认为是实现双碳目标最有力的政策工具，也吸引了大量学者的研究和探讨。

现有文献关于政府支持创新对碳排放绩效的影响并没有得出一致的结论。一种观点认为，政府对创新的支持可以有效提高碳排放绩效。Pan等选取2010—2018年的企业层面面板数据来考察碳排放权交易试点(CETS)的效果，基于PSM-DID模型得出政府支持对碳排放绩效和全要素生产率具有显著的正向作用[3]。Doan等利用1994—2004年G7国家数据，研究环境税对碳排放、自然资源租金、可再生和不可再生资源的影响，发现环境税政策可以显著减少碳排放，并改善这些国家的碳排放绩效[4]。然而，另一种观点认为，政府对创新的支持对改善碳排放绩效的作用非常有限。Fu等采用博弈理论框架来检验碳税政策下企业的运营策略，得出的结论是碳税不一定会导致绿色技术的采用和碳排放绩效的改善[5]。Yldrm等基于1997—2018年32个OECD国家的大型数据集，实证研究了环境创新对能源部门二氧化碳排放的影响，利用面板平滑过渡回归(PSTR)模型，发现政府创新对碳排放绩效的影响在不同阶段不稳定，存在反弹效应[6]。

通过技术创新提高碳排放绩效是各国缓解未来气候问题的重要措施[7]。本文旨在全面评估政府创新支持对碳排放绩效的影响。本文认为现有研究面临三大挑战，忽视这些挑战可能会降低结论的可靠性。第一个挑战是如何构建一个更可靠的模型以评估碳排放绩效。最广泛使用的方法是数据包络分析(Data Envelopment Analysis，以下简称DEA)和随机前沿分析(Stochastic Frontier Approach，以下简称SFA)[8]。基于线性规划的DEA忽略了碳排放绩效中未观察到的城市异质性，传统的SFA方法不能同时去除个体效应、时间效应和未观察到的异质性。这可能导致对城市碳排放绩效的高估或低估，干扰政府支持创新的作用。第二个挑战是如何规避政府创新支持的内生干扰。现有文献一般采用政府补贴、税收优惠等指标来衡量政府对创新行为的支持，但此类指标与城市经济发展具有较强的相关性[9]。碳排放绩效还与经济发展密切相关，由此产生的内生干扰会降低估计结果的可靠性。第三个挑战是如何克服空间因素对结果的影响。中国产业集群众多，使得周边城市经济发展与碳排放具有明显的空间相关性[10]。此外，地方政府通过创新支持吸引的人才和技术也为周边地区积累了创新要素[11]，这会在一定程度上影响周边地区的碳排放绩效[12]。忽略空间因素对碳排放绩效的潜在影响会降低估计结果的可靠性。为应对上述挑战，本文采用双重差分模型(Difference-in-Differences，以下简称DID)评估政府创新支持对城市碳排放绩效的影响。

本文的贡献主要体现在以下三点。首先，基于2008—2019年的地级市面板数据，本文采用扩展SFA模型进行碳排放绩效评价。该方法考虑了时变、时不变和城市特征，能更可靠地测度碳排放绩效。其次，本文通过准自然实验评估了政府创新支持对碳排放绩效的影响。作为政府创新支持的重要举措，我国于2008年开始实施创新型城市试点政策，该政策是一项渐进式试点政策，从2008年以来先后分批设立了78个试点城市。创新型城市试点政策具有较强的外生性，可在一定程度上避免内生性对评价结果的干扰。基于该政策的经验研究能为其他致力于通过政府创新支持政策提高碳排放绩效的国家和地区提供重要的经验。最后，本文在传统的DID模型中引入了空间因素。通过空间DID模型估计的结果可以减少空间因素的干扰，能够更可靠地评估政府创新支持对碳排放绩效的影响。

二、文献综述

现有文献关注碳排放绩效的两个方面，包括碳排放绩效的度量和技术创新对碳排放绩效的影响。首先，在碳排放绩效的测度方面，以往的研究采用了单位碳排放的经济产出指标[13]。该指标值越高，表明碳排放绩效水平越高。然而，该指标的局限性在于忽略了其他因素对碳排放绩效的潜在影响，如人口和行业水平[13]。为了克服这一局限性，近期的研究广泛使用DEA和SFA来衡量碳排放绩效[14]。DEA首先求解投入产出要素的最优组合[15]，并通过最优组合的实际碳排放量与预期碳排放量之间的差距来衡量碳排放绩效[16]。然而，DEA忽略了城市之间未观察到的异质性。在小样本中研究中，由此带来的误差相对较低。然而，对于大样本，必须考虑到未观察到的异质性导致的对结果的高估或低估[8]。SFA则通过从随机前沿函数估计中提取残差来衡量碳排放绩效[17]。回归残差越接近零，碳排放绩效越高。然而，传统的SFA模型仍然不能分离出残差中未观察到的异质性。Kumbhakar等提出了一种扩展的SFA模型，可以同时分离残差中的时变特征、时不变特征和城市异质性[18]。因此，本文将应用扩展后的SFA模型来更可靠地评价城市碳排放绩效。

作为缓解气候变化的重要工具，如何提高碳排放绩效是学术界关注的重点。现有研究表明，经济发展、产业结构、政府干预、金融发展水平和对外投资水平是影响碳排放绩效的关键因素[17]。随着工业机器人、大数据、云计算、人工智能等新兴技术的兴起，技术创新能否为节能减排提供新动力成为了近期的研究热点。有研究表明清洁生产技术的改进可以降低企业生产过程中的碳排放，降低单位产量碳排放[19]。Zhang和Liu研究了数字金融和绿色技术创新对中国碳排放的影响，发现技术创新提升了碳排放绩效[20]。Kuang 等探索了绿色技术创新和可再生能源投资对降低碳排放的影响，发现长期技术创新可以提高碳排放绩效[21]。但仅靠企业自身的技术创新无法实现节能减排，主要原因在于注重能效和减排的技术创新并没有给企业带来更高的超额回报，公司将把有限的资源用于更有利可图的项目[22]。此时，政府必须补贴和支持企业的创新行为，以降低企业研发风险[3]。特别是对于绿色生产技术，政府的激励可以在一定程度上刺激企业创新。因此，必须重视政府创新支持在城市碳排放绩效提升中的作用。

三、政策背景与研究假设

(一)创新型城市试点的政策背景

创新型城市试点是中国基于日益激烈的国际竞争形势提出的一项重要政策[23]，目的是增强创新能力，实现国家发展规划。未来，中国希望以自主创新为动力，推动产业经济结构调整和建设可持续社会。2008年，深圳成为第一个创新型试点城市。政府希望创新要素在深圳进一步集聚，以发挥深圳在粤港澳大湾区的科技引领作用，实现区域创新水平的全面提升。2010年初，大连、青岛等14个城市陆续加入了创新型城市试点行列。随着创新型城市试点规模的加速扩大，截至2018年，全国创新型城市数量已达78个。从试点创新型城市的位置来看，东、中、西部地区均有城市进入试点，但东部经济相对发达的沿海省份创新试点城市较多[23]。就创新型城市的发展而言，建设创新型城市的目标正逐步从加强创新向重构城市产业和建设可持续社会转变。各级政府与当地企业也在充分利用这些创新型城市的政策优势，间接推动了周边地区创新水平的协同发展，这一趋势对于中国早日进入创新型国家的前沿具有重要意义。

(二)研究假设

在本研究中，我们认为政府创新支持通过三个主要渠道来提升地方碳排放绩效。首先，政府创新支持将通过提高全要素生产率来提高当地的碳排放绩效。有文献表明，政府创新支持显著提高了全要素生产率[3]。这意味着在同等水平的碳排放约束下，城市的总产出会增加，从而推动城市碳排放绩效的提升。第二，政府创新支持推动了地方绿色创新水平，从而提高了碳排放绩效。政府创新支持可以有效降低企业创新风险，进而极大地激发企业节能减排等绿色技术创新行为[21]。绿色创新可以显著降低单位产出的碳排放，即推动碳排放绩效的提升。最后，政府创新支持也将促进产业升级，从而提高城市碳排放绩效。政府创新支持可以加速当地企业从生产加工向研发的转型，即产业升级[12]。产业升级导致能源投入在企业生产中的比重下降，产品附加值上升[11]。因此，企业可以以更低的资源投入获得更高的产出，从而提升城市碳排放绩效。基于以上分析，本文提出第一个研究假设：

H1：政府创新支持可以通过促进全要素生产率、绿色创新和产业升级来提高城市碳排放绩效。

政府创新支持不仅会影响本地碳排放绩效，还可能通过溢出效应影响邻近区域的碳排放绩效。政府创新可以有效吸引研发人员、研发资金等各类创新要素向本地聚集。Li等指出，政府环境支持具有显著的创新集聚效应，周边地区可以通过技术合作分享本地创新集聚的收益[22]。因此，政府创新支持会显著改善周边地区的绿色技术水平，从而推动周边地区碳排放绩效的提升。此外，周边地区可以通过匹配技术人才承接本地创新要素的溢出，由此产生的产业升级将提升区域的整体碳排放绩效。因此，本文提出第二个假设：

H2：政府创新支持对周边地区碳排放绩效存在显著的正向溢出效应。

四、模型、数据与变量设定

(一)空间DID模型

本文将创新型城市试点作为一个准自然实验，并采用DID模型来评估政府创新支持对城市碳排放绩效的影响。为降低城市碳排放绩效的空间溢出效应对结果的干扰，本文进一步将空间因素纳入传统的DID模型，利用空间DID评价创新支持政策实施对城市碳排放绩效的影响。在纳入空间因素方面，应用最广泛的方法是空间滞后模型(Spatial Lag Model，以下简称SLM)、空间误差模型(Spatial Error Model，以下简称SEM)和空间Durbin模型(Spatial Durbin Model，以下简称SDM)[17]。本文将在基准分析中报告这三个模型的估计结果。首先，基于SLM的空间DID模型构建如下：

(1)

Yit=α+βICPit+εit

(2)

εit=λWitε+μ，μ～N(0，σ2I)

(3)

其中，Yit表示碳排放绩效，ICPit表示创新型城市试点实施情况，λ表示空间自相关误差项的估计系数；μ表示误差项。最后，指定基于SDM的空间DID模型：

(4)

Yt=(1-δW)-1(βICPt+γWICPt)+(1-δW)-1εt

(5)

以第k个自变量为例，根据上式可将结果表示为偏微分矩阵：

(6)

上述矩阵反映偏微分矩阵中分别显示对角元素和非对角元素的平均值，该区域和其他区域自变量的变化表示直接和间接影响。

(二)变量设定

1.因变量

在对现有碳排放绩效评估方法进行综述的基础上，本文采用了Kumbhakar等提出的扩展SFA模型[18]。该模型可以同时区分出残差中的时变低效、时不变低效和城市异质性。模型规定如下：

CEi，t=β0+f(Xi，t；β)+μit+λi-τit-γi

(7)

(8)

(9)

CEPi，t=PCEPi×RCEPi，t

(10)

2.自变量

创新型城市试点是一种渐进式改革，共有6批城市实施创新型城市试点。其中，77%的试点城市集中在2010—2013年，2010、2011、2012和2013年分别有41、6、3和10个试点城市。只有深圳是2008年设立的，其余17个试点城市是2018年设立的。本研究以创新支持政策实施情况为自变量，评估政府创新支持对城市碳排放绩效提升的影响。如果i市在第t年实施了创新支持政策，该值为1；如果i市没有实施，该值为0。

3.控制变量

为了更可靠地评估创新型城市试点对城市碳排放绩效的影响，本文在模型中纳入了一系列控制变量，包括经济发展水平、产业结构、政府干预、金融发展水平和外国投资水平[17]。各变量的具体测度如表1所示。表2报告了每个变量的描述性统计数据。

表1 变量定义

表2 描述统计分析

(三)数据来源说明

基于Oda等推导的空间网格碳排放数据集(ODIAC)[24]，本文使用1km×1km的高分辨率碳排放数据，汇总成地级市面板碳排放数据集。样本期为2008—2019年。控制变量数据来自中国研究数据服务(CNRDS)平台中的中国城市统计数据库(CCSD)和中国城市统计年鉴。由于空间DID模型要求数据结构是一个平衡面板，因此本文剔除了任意年份存在缺失值的城市样本。平衡面板数据集每年包含238个城市，共计2856个样本。

五、实证结果与分析

(一)碳排放绩效测度与空间自相关检验

基于城市碳排放绩效的测度结果，本文发现北方城市的平均碳排放绩效相对较高，而南方城市的平均碳排放表现相对较低。同时，沿海城市的碳排放绩效平均高于相似纬度的内陆城市。结果还表明，2010—2019年，中国碳排放绩效基本保持不变，但整体碳排放绩效有所提升。此外，本文对城市碳排放绩效的空间相关性进行了检验。表3报告了2008—2019年间城市碳排放绩效的Moran’s I指数测度结果，表中Moran’s I指数显著小于零，表明城市碳排放绩效之间存在空间负相关关系。2008—2019年期间，Moran’s I指数在1%的水平显著为负值。索引的值在-1到0之间。这说明中国城市的碳排放绩效具有较强的空间相关性。因此，在估计模型中应考虑空间因素。

表3 城市碳排放绩效的Moran’s I指数

(二)创新型城市试点对碳排放绩效的影响

表4报告了基准回归结果。结果表明，创新型城市试点政策对碳排放绩效具有显著的正向贡献。四种模型计算的创新型城市试点对碳排放绩效的影响系数分别为0.9% (p<0.01)、1.7% (p<0.01)、1.2% (p<0.01)和1.3%(p<0.01)。由于SDM同时考虑了空间滞后效应和空间误差效应，因此其对创新支持政策效应的评估更加可靠。因此，排除了空间因素干扰后，创新型城市试点政策的实施最终使城市碳排放绩效提高了1.3%。结果表明，创新型城市试点政策能够提高碳排放绩效。

表4 创新型城市试点对城市碳排放绩效的影响

表5进一步报告了创新型城市试点政策对碳排放绩效的空间溢出效应。其中，创新型城市试点政策对碳排放绩效改善的直接效应、间接效应和总效应均显著为正。这表明区域内创新型城市试点政策首先对区域的碳排放绩效有显著贡献，同时对其他区域的碳排放绩效也有显著贡献。因此，创新型城市试点对碳排放绩效的平均效应均有所提高，这与Xu等的研究结果[25]一致。然而，Xu等的研究忽略了创新型城市试点的空间溢出效应。本文认为，创新型城市试点政策对区域碳排放绩效的贡献大于其他区域。此外，一些研究使用财政创新支出或碳税来衡量政府创新支持，发现碳排放绩效的改善并不显著。本文认为，基于上述指标的评价结果可能会受到内生干扰。相反，本文采用创新型城市试点政策测度政府创新支持，可以减少来自内生的潜在干扰。综上所述，政府还应重视试点城市的示范作用，通过制定跨区域合作等政策来提高辐射效率。此类政策能够在更大范围内促进碳排放绩效的整体提升。

表5 SDM的直接效应、间接效应和总效应

(三)平行趋势检验

图1为平行趋势检验结果。创新型城市试点政策实施前，各回归系数均未通过显著性检验。这表明，在政策实施前，对照组和实验组之间没有显著差异，符合平行趋势假设。创新型城市试点政策实施后，回归系数呈现先升高后降低的趋势。这说明创新型城市试点政策在实施的前两年效果最强。随着时间的推移，政策对碳排放绩效的影响开始下降。这意味着在短期内，试点创新型城市可以带来碳排放绩效的改善，但效果会逐渐减弱。

图1 平行趋势检验

(四)进一步分析

1.创新型城市试点对城市碳排放绩效的影响机制

为检验假设1，本文构建以下中介效应模型，检验创新型城市试点对城市碳排放绩效的影响机制：

CEPit=α+βICPit+λConit+εit

(11)

Mit=α+βICPit+εit

(12)

CEPit=α+βICPit+γMit+λConit+εit

(13)

其中Mit为中介变量，包括全要素生产率、绿色创新和产业升级。全要素生产率通过扩展的SFA模型进行测量，其中GDP总量为因变量，人口、政府支出和外国投资为自变量。绿色创新由t年i市绿色发明专利总数和绿色适用专利总数的对数来衡量，通过以下方程来衡量产业升级：

(14)

其中，yimt表示t时刻i城市产业m占GDP的比重。该指标表示中国三大产业的比例关系由第一产业主导向第二、第三产业主导的演变过程。该指标数值越高，说明产业升级水平越高。

表6中第(1)、(3)和(5)列的结果表明，政府创新支持可以显著提高城市全要素生产率、绿色创新和产业升级，这与Xu等的研究结论[15]一致。第(2)、(4)和(6)列的结果表明，创新支持政策通过促进城市全要素生产率、绿色创新和产业升级来提高城市碳排放绩效的机制显著存在。

表6 创新型城市试点影响城市碳排放绩效的机制分析

2.异质性分析

表7报告了创新支持政策对碳排放绩效的异质性分析结果。从地理位置上看，创新支持政策对东部城市碳排放绩效的影响为1.9%。创新支持政策对中心城市碳排放绩效的影响显著低于东部城市，仅为0.1%。这意味着创新支持政策对西部城市碳排放绩效的改善效果与东部城市无显著差异。从城市规模来看，创新支持政策在小城市可显著提高0.9%的碳排放绩效，而大城市创新支持政策的碳排放绩效改善水平为1.7%，几乎是小城市的两倍。因此，国家在关注大城市绿色创新发展的同时，应重视大城市带来的辐射效应。大城市应该成为周边小城市更有效的政策执行协同的中心。从资源依赖程度来看，非资源型城市的创新支持政策对碳排放绩效的影响不显著，而资源型城市的创新支持政策对碳排放绩效有2%的提升效应。一方面，这表明资源型城市在通过技术创新提升碳排放绩效方面具有独特的优势。另一方面，建议提高非资源型城市的创新支持政策的有效性。根据Kang等的研究，需要更好的政策引导和实施，以促进各类城市的碳排放绩效[13]。

表7 异质性分析

(五)稳健性检验

1.安慰剂试验

本文采用蒙特卡罗模拟进行安慰剂检验，图2为随机抽取500个样本后估计的系数分布和核密度曲线。结果表明，估计系数呈正态分布，平均值约为0。因此，处理组中城市碳排放绩效的变化源于创新支持政策的实施，即本文估计结果是稳健的。

2.使用PSM-DID重新估计

为了确保本文结论的稳健性，进一步使用PSM方法进行匹配后回归。表8报告了基于1：1最近邻匹配与核密度匹配后的回归结果。结果表明，创新支持政策均能显著提高城市的碳排放绩效，即本文的结论是稳健的。

表8 基于PSM-DID的再估计

3.排除同期政策干扰后的再估计

为排除同期其他政策对本文分析结果的干扰，本文进一步控制模型中低碳城市试点(LCCP)和碳排放交易试点(CETP)政策冲击[2]。

由表9的结果可知，在列(1)中ICP和LCCP的系数分别为0.009 (p<0.01)和0.001(p<0.1)，在列(2)中ICP和CETP的系数分别为0.009 (p<0.01)和0.011(p<0.01)，以上结果表明，分别控制LCCP和CETP后，创新支持政策仍然对碳排放绩效有显著的正向影响。这表明政府创新支持提高碳排放绩效的结论是稳健的。

表9 剔除同期政策干扰的再估计

4.更换因变量的再估计

为了避免变量设置对估计结果的潜在影响，本文还选择用单位碳排放GDP的对数来衡量城市的碳排放绩效。表10报告了被替换因变量的重新估计结果，在固定效应模型、SLM模型、SEM模型和SDM模型中，创新支持政策对城市碳排放绩效的影响分别为4.9%、3.7%、3.8%和3.4%。所有系数均通过1%显著性检验，即本文的结论是稳健的。

表10 替换因变量的再估计

六、结论和建议

(一)主要结论

本文基于中国创新支持政策的准自然实验，利用空间DID模型评估了政府创新支持对城市碳排放绩效的影响。本文的主要发现可以归纳为如下几点。

首先，本文通过扩展SFA模型来衡量城市碳排放绩效，结果表明我国城市碳排放绩效存在显著的空间相关性，北方城市和沿海地区的碳排放绩效远高于中西部地区。其次，空间DID的估计结果表明，政府创新支持不仅显著提升了本地碳排放绩效，而且具有正向的空间溢出效应。再次，机制分析结果表明，政府创新支持主要通过促进全要素生产率、绿色创新和产业升级来提高城市碳排放绩效。然后，异质性分析结果表明东部和西部城市创新支持政策对碳排放绩效的贡献没有显著差异，而中心城市创新支持政策的影响相对较低，大城市碳排放绩效的创新支持政策增幅几乎达到小城市的两倍，且资源型城市创新支持政策对碳排放绩效有显著提升作用，而非资源型城市创新支持政策对碳排放绩效无显著影响。最后，本文还进行一系列稳健性检验，以保证分析结果的可靠性。

(二)对策建议

首先，应加大政府创新支持力度，提高碳排放绩效。实现硫达峰和碳中和目标的关键在于控制高碳部门的总排放和控制部门的总体排放绩效。创新支持政策的实施不仅显著提高了当地的碳排放绩效，而且对周边地区具有显著的溢出效应。因此，应更好地发挥创新支持在污染治理中的作用。一方面，政府对创新的支持应该集中在石油、钢铁和建筑等传统行业，通过财政补贴和税收优惠促进传统部门碳排放绩效的提升。另一方面，政府的创新支持也需要培育前沿产业，如碳捕获和存储，这些产业可以吸收传统行业的碳排放，从而有效提高区域的整体碳排放绩效。

其次，对于中国等区域发展存在差异的经济体，应针对不同地区制定差异化的创新支持政策。中国经济发展的特点是东部沿海地区比较发达，中西部地区比较落后。东部地区率先完成产业升级转型，具有较高的碳排放绩效。而中西部地区承接了东部地区的部分产业转移，其碳排放绩效较低。如果在全国范围内采取类似的创新支持政策，将抑制中西部地区通过绿色创新提升碳排放绩效的意愿。因此，政府需要给予中西部地区更强的激励，促使其集聚创新要素，以提高其碳排放绩效。