低碳转型能助力制造业绿色发展吗？

摘 要：低碳城市试点政策是国家为推动产业转型升级的重要举措。本文将低碳城市试点政策（LCCP）作为一项准自然实验，采用双重差分（DID）模型揭示城市低碳转型对制造业绿色发展的影响及其机制。结果表明：LCCP政策显著提高地区制造业绿色全要素生产率（GTFP）并助力其绿色发展；LCCP政策主要通过提高绿色技术创新水平和降低能源消耗助力制造业绿色发展；LCCP政策对东部地区大城市制造业GTFP改善效果最为优越，但对中西部小城市制造业GTFP影响效果却较弱。

关键词：低碳城市；制造业绿色转型；绿色技术创新；双重差分模型

中图分类号：F270  文献标识码：A  文章编号：1001-148X（2024）03-0001-08

收稿日期：2023-12-30

作者简介：俞中（1993—），男，安徽芜湖人，博士研究生，研究方向：绿色金融。

基金项目：国家自然科学基金面上项目“区域一体化视角下污染产业空间分布的边界效应与区域协调对策研究”，项目编号：71974120。

一、引 言

随着城市化和工业化进程的快速推进，全球城市经济虽实现快速增长，但也加剧了环境污染和生态恶化［1］。作为碳排放总量最大的国家，中国在全球二氧化碳排放量中所占比重约为1/3。2020年，中国在第75届联合国大会提出“碳达峰”“碳中和”的目标［2］。当前，绿色发展成为全球经济结构调整和环境治理的重要动力。由于城市工业发展消耗了大量能源和资源，若想要实现低碳发展，必须从城市着手［3］。低碳城市试点政策是国家为推动产业转型升级的重要举措。目前，学者们主要研究低碳试点政策对于城市碳排放［4］、技术创新［5-6］、高质量发展［7］等方面的影响，鲜有从产业绿色转型的角度进行探讨。

本文运用双重差分模型分析低碳城市试点政策对产业绿色转型的影响及其内在作用机制。 主要边际贡献如下：（1）利用超效率SBM模型将污染排放视为非期望产出，并对中国城市制造业绿色转型进行了定量测度，弥补现有研究片面利用单一指标衡量的不足。（2）从技术创新、能源消耗两个维度探讨了LCCP政策影响制造业绿色转型的内在作用机制。（3）探讨了LCCP政策对不同经济发展水平和不同规模的地区制造业绿色转型的异质性影响，并发现LCCP政策对东部经济发达地区与大城市的制造业绿色转型推动作用最为强烈，为采取差异化环境规制助力产业绿色转型提供经验证据。

二、政策背景与研究假设

（一）政策背景

中国国家发展和改革委员会（NDRC）于2010年开展首批低碳城市试点工作，包括5个省和8个城市。首批试点主要集中在省级开展，在借鉴首批试点的经验上，国家发改委于2012年11月开展第二批试点，主要集中在市级，包括1个省和28个城市。在这个过程中，国家发改委对低碳城市试点政策提出了更严格的要求，如碳减排强度目标的确定，不断扩大试点城市范围，进一步提出政策创新要求，实施第三批试点。2017年1月国家开展第三批试点，新增45个城市，不涉及省级行政单位，包括4个区县。总体来看，LCCP政策首先于省市实施，国家发改委根据实践效果在实施过程中对政策进行调整。

（二）研究假设

作为综合性环境规制策略，LCCP通过设置节能减排目标、排污收费以及鼓励公众参与等多种方式助力产业绿色转型。第一，LCCP为企业设定节能减排目标，引导其进行低污染、低能耗生产，使得企业改变原有生产方式，推动企业绿色发展。第二，LCCP通过征收排污费、补贴等方式，发挥市场资源配置的作用。为减少污染排放成本，企业积极调整生产方式，提高绿色生产能力，提高能源利用效率。第三，LCCP鼓励公众积极参与环境治理，通过公众的监督与反馈，高能耗、高污染产业的生产会受到一定的限制，吸引更多绿色低碳产业进入市场，促进产业绿色发展。因此，虽然短期内LCCP约束行为增加了其生产成本，但是长期来看企业加大研发投资可以提高创新能力，通过提高生产效率来抵消LCCP的生产成本效应。基于此，本文提出以下研究假设：

H1：LCCP能够助力制造业绿色转型。

LCCP通过促进绿色技术创新来推动制造业绿色转型。一方面，作为一种环境规制，LCCP促进了绿色技术创新。第一，LCCP促使政府更为重视科技创新，对有创新潜力的企业进行补贴，为企业创新提供经济激励。第二，LCCP实施将增加科研人员数量，有效提高创新能力。第三，作为一种环境规制，LCCP政策增加了控制污染的预期成本，企业意识到必须投资于低碳技术以减少碳排放，才能在市场竞争中留存，否则将被市场淘汰。另一方面，绿色技术创新引致新型发展模式转变促进产业绿色转型。首先，在总产出不变的前提下，LCCP将提升技术进步效率，减少生产过程中投入要素。其次，绿色技术创新可以改善产业内部结构，提升资源配置效率，提高总产量。最后，绿色技术创新能力的提升，带来绿色技术、清洁技术的进步，转变企业旧有的生产方式，引导企业进行低碳化生产。基于此，本文提出以下研究假设：

H2：LCCP可以通过提高地区绿色技术创新能力助力产业绿色转型。

LCCP可以通过降低能源消耗，提高能源利用率来推动制造业绿色转型。一方面，LCCP要求地方各级政府、企业、公民减少能源消耗。第一，政策要求提高能源效率和增加碳汇，建立低碳考核机制和碳排放数据核算体系，改变政府一贯强调GDP的发展思路。第二，地方政府可以通过推动能源消费结构低碳化，以排污费等方式对企业生产过程中的环境治理成本施加压力。第三，LCCP政策通过建立碳信用额改善能源结构，使得企业改变原有的能源消费习惯，鼓励低碳化新能源行业发展，同时大力发展低碳城市交通系统，积极倡导建筑节能和绿色建筑，有效降低能耗，最大限度地实现人与自然的和谐共处。另一方面，能源消耗降低有利于产业绿色转型。企业会改变其过分依赖能源的生产结构，减少在生产过程中对一次性不可再生能源特别是煤炭的使用，促进清洁生产，推行低碳化、零碳化生产模式，提高能源利用效率，实现绿色发展。基于此，提出以下研究假设：

H3：LCCP通过降低能源消耗促进产业绿色转型。

三、研究设计

（一）变量测度

1.制造业绿色转型的测度

尽管学者们对制造业绿色转型的内涵进行初步界定，但仍然比较抽象，对其测度未形成统一的标准。第一，一些学者用污染密集型产业产值占比或清洁产业产值占比等指标对制造业绿色转型进行测度［8］。由于制造业转型意味着生产要素在行业间重新分配以增加或减少产量，故学者认为无污染行业占比越高，表明该地区制造业绿色转型程度越高。第二，一些学者依据制造业绿色发展的主要指标构建指标体系，以熵值法综合评价制造业绿色转型的质量［9］。第三，尽管综合指标体系能够反映制造业绿色转型，但是在选择指标和权重赋予上具有一定的主观性，使得结果的准确性降低。借鉴投入产出的分析方法［10］，本文提出以制造业绿色全要素生产率来衡量制造业绿色转型，通过SBM-GML方法进行测度制造业GTFP以衡量其绿色转型。制造业绿色转型的具体指标设置如表1所示，计算方式如下：

（1）投入变量。第一，劳动投入。由于数据可获得性，以城市第二产业从业人数来表示。第二，资本投入。采用永续盘存法计算资本存量来衡量资本投入情况。第三，能源投入。由于能源消耗数据难以获得，鉴于制造业消耗的主要来源是水和电，分别选用制造业用电量和制造业用水量来衡量能源投入，囿于制造业用水数据无法获取，故以制造业全年用电量来表示。

（2）产出变量。第一，期望产出。由于制造业总产值数据更新不足，存在大量缺失，故以城市第二产业增加值来表示。第二，非期望产出。用制造业企业的“三废”产生量表示，包括制造业SO2排放量、制造业废水排放量以及制造业烟尘排放量。

2.其他变量的测度

核心解释变量为Cityposti，t，反映城市i在t年是否实施试点的虚拟变量，其系数可以衡量低碳城市试点政策的净效应。参照已有文献［11］，控制变量主要包括：（1）城市资源禀赋（Resource），以采掘工人占总就业人数的比例来衡量；（2）经济发展水平（Gdp），以人均GDP来表示；（3）对外开放度（Fdi），以当年实际使用外资余额来表示；（4）产业结构（Infrastructure），以第二产业、第三产业增加值占GDP比重来表示；（5）产业集聚程度（Agglomeration），根据张华（2020）［12］的做法，测算公式为：Aggi=qiq/QiQ，其中，qi代表城市i的某产业的从业人员数，q为全国该产业从业人员数。Qi为城市i就业人数，Q为全国就业总人数；（6）人力资本水平（Humancapital），以普通高等学校在校学生数占总人口比重来表示。为了剔除量级因素对计量结果的影响，本文对人均GDP、实际使用外资额进行取对数。

（二）模型设定

本研究采用DID模型探讨了LCCP政策对制造业绿色转型的影响，通过比较LCCP政策实施前后的时间趋势差异及实验组和对照组的相对差异来控制除政策干预之外的其他因素的影响，以确定政策的净效应。由于第一批、第二批试点于2010年、2012年下半年开展，故将2011年、2013年作为试点的节点年，2017年则直接作为第三批试点的节点年。考虑到随时间变化的城市特征，构建DID模型进行估计。模型设置如下：

GTFPi，t=α0+α1×Cityposti，t+Xi，tβ+μi+θt+εi，t（1）

模型（1）中，GTFPi，t代表城市制造业绿色全要素生产率；Cityposti，t是反映城市i在t年是否实施试点的虚拟变量，若城市i在t年实施试点，则赋值为1，否则为0；系数α1 是衡量低碳城市试点政策能否改善城市制造业绿色全要素生产率的核心系数，表明低碳城市试点政策对城市制造业绿色全要素生产率的净效应； Xit表示一系列控制变量；μi表示个体固定效应；θt表示时间固定效应。

依据前文分析，LCCP主要通过技术创新、能源消耗对GTFP产生影响。为了识别LCCP对制造业绿色转型的具体作用机制，参照Baron和Kenny（1986）做法［13］，分为四个步骤。模型（1）旨在显示实施LCCP和制造业GTFP之间的关系。模型（2）、模型（5）旨在分别探讨LCCP和绿色技术创新、能源利用效率之间的关系。模型（3）、模型（6）旨在分析绿色技术创新、能源利用效率与制造业GTFP关系。模型（4）、模型（7）旨在表明，当中介因子存在于模型中时，自变量对因变量的影响会减弱。只有当所有四个条件都满足时，中介效果才会发生。根据此过程，我们使用以下等式来表示因果关系。

Innovationi，t=β0+β1×Cityposti，t+Xi，tβ+μi+θt+εi，t（2）

GTFPi，t=β0+β1×Innovationi，t+Xi，tβ+μi+θt+εi，t（3）

GTFPi，t=β0+β1×Cityposti，t+β2×Innovationi，t+Xi，tβ+μi+θt+εi，t（4）

Energyi，t=β0+β1×Cityposti，t+Xi，tβ+μi+θt+εi，t（5）

GTFPi，t=β0+β1×Energyi，t+Xi，tβ+μi+θt+εi，t（6）

GTFPi，t=β0+β1×Cityposti，t+β2×Energyi，t+Xi，tβ+μi+θt+εi，t（7）

模型（2）—（7）中， Innovationi，t、Energyi，t分别表示城市的绿色技术创新能力、能源消耗程度。绿色技术创新能力以城市万人绿色专利申请数表示，能源消耗程度以制造业全年用电量来表示。我们主要关注的β1、β2 的符号及其显著性。

（三）数据来源与处理

本文选取2008—2019年中国272个城市的数据，分析LCCP对于制造业绿色转型的影响。低碳城市的名单来自《关于开展低碳省区和低碳城市试点工作的通知》，城市经济数据来自《中国城市统计年鉴》，包括人均GDP、人力资本、对外开放程度、制造业结构、制造业集聚、资源禀赋等控制变量。本文中，所有数值变量统一取值计入不变价格，基期为2007年。部分缺失数据通过查阅各省统计年鉴、统计公报进行补充完善，若无法查询获取则采用线性插值法进行补充完善。

四、实证结果分析

（一）基准回归

核心解释变量Citypost估计系数估计值为0336，且在1%的水平上通过了显著性检验（表2）。这说明了与非试点城市相比，该政策使得试点城市的制造业GTFP平均提升约336%，整体上LCCP对于制造业绿色转型具有显著的促进作用，产生了预期的政策效应。这一结果具有较强的现实意义，其原因主要是按照绿色低碳发展要求，中国通过环境规制政策，借助市场调节手段引导其将资金、技术、人才等要素投入到绿色产业上。同时，采取节能减排措施，对制造业的绿色转型产生积极政策导向作用。各城市在政策指引下加大金融支持，吸引投资，鼓励开发绿色技术，培育绿色新兴产业，提高了绿色低碳产业的规模水平，假设H1得到验证。

（二）稳健性检验

1.平行趋势检验

平行趋势假设是多期双重差分法的重要前提，即在受到低碳城市试点政策冲击之前，试点城市和非试点城市制造业GTFP的变化趋势是平行的，也就是说，在此政策实施之前，试点城市和非试点城市的趋势不存在显著差异（见图1）。

图1 平行趋势检验结果

图1反映了政策动态效应估计值及其在95%置信水平上的置信区间。根据图1，在LCCP实施之前相对应的系数均未通过显著性检验，说明政策实施前处理组和对照组的GTFP没有显著差异，处理组和对照组的GTFP变动趋势满足平行趋势假设。从动态效应来看，在LCCP实施的当年，系数就已经通过显著性检验，并且显示一定的上升趋势，随着时间的推移，系数仍然正显著，并通过检验，反映出LCCP政策实施后对制造业绿色转型产生了冲击，并推动其绿色转型。

2.PSM-DID检验

为了缓解样本选择偏误而造成的内生性问题，本文采取倾向得分匹配法（PSM-DID）进行稳健性检验。从表3三种匹配方式的结果来看，在纳入控制变量与控制固定效应之后，Citypost的系数均正向显著，与基准回归结果基本一致，进一步说明LCCP政策对制造业绿色转型产生显著的促进作用。

3.安慰剂检验

为避免基准回归结果受到不可观测的遗漏变量的影响，本文随机选择低碳试点城市名单进行安慰剂检验，以增加检验的可信度。绘制模拟虚拟处理变量的回归系数与p值分布图，由图2可知，伪政策虚拟变量的估计值大多数集中在0附近且服从正态分布。从p值可以看出，大部分在10%的水平下不显著，表明本文的实证结果较为稳健，其他的不可观测因素不会干扰LCCP对制造业绿色转型的影响。

4.排除其他政策的干扰

为避免在样本期间其他政策会影响城市制造业GTFP，造成基准估计结果的偏误，本文通过搜集文件，发现一些相关重大政策如创新政策（创新型城市）、环境政策（环保约谈、碳排放交易权试点）会对制造业绿色转型产生影响，使得政策效应被高估或者低估。为排除同时段其他政策的干扰以识别低碳城市试点政策的净效应，在基准回归中逐次引入这三项政策的虚拟变量。其中，Iinnopolicy表示该城市是否属于国家创新型城市，如果是则赋值为1，否则赋值为0；Carbonpolicy表示该城市是否实行碳排放交易权试点，如果实行则赋值为1， 否则赋值为0；Inquirypolicy表示该城市是否被环保约谈过，如果被约谈过则赋值为1，否则赋值为0（见表4）。其他政策的影响在1%的显著性水平上是积极的，表明当前中国的环境政策是有效的。同时，核心解释变量Citypost的估计系数为0309，在1%的水平上通过了显著性检验。与基准回归模型相比，相关系数有所降低，说明低碳城市试点政策对制造业绿色转型的影响被高估。但是政策效应的高估并不改变低碳城市试点政策对制造业绿色转型的促进作用，结论是稳健的。

（三）内生性检验

通过构建实验组和对照组对比来缓解内生性问题的前提是低碳试点城市选取应具备随机性，低碳城市的选取还会受到其他因素的影响。鉴于此，本文采取工具变量处理可能的内生性问题。借鉴张兵兵等（2021）［14］的方法，选择城市空气流通系数的自然对数作为试点政策的工具变量。在总体污染排放水平一定的条件下，各个城市的空气流通系数越小，监测的污染浓度水平越高，政府更有可能加大环境规制强度，入选成为低碳城市的概率也就越大，符合相关性假设，此外，作为客观存在的地理变量，较好地满足了外生性假设。采用两阶段最小二乘法回归（表5）。第一阶段结果表明，空气流通系数的估计系数在1%的显著性水平上显著为负，F统计量值大于临界值10，表明不存在弱识别性问题，拒绝“弱工具变量”的假设。第二阶段结果表明，核心解释变量Citypost的回归系数显著为0344，并在5%的水平上显著，解决可能存在的内生性问题后，试点仍有显著作用，与基准结果基本一致，证明了结果的稳健性。

（四）影响机制检验

1.绿色技术创新效应

表6列（1）为基本分析结果，表明低碳城市试点能够显著提高城市的制造业GTFP。列（2）是模型2的结果，被解释变量为绿色技术创新，此时核心解释变量Citypost的系数估计值为1594，在1%的水平上通过了显著性检验。这说明该政策有效促进了城市绿色技术创新。作为一种重要的环境规制策略，LCCP政策增加企业污染治理的成本并迫使企业进行绿色技术创新，以获得政府补贴和减少污染排放。列（3）是模型3的结果，检验绿色技术创新对城市制造业GTFP的影响。结果表明，Citypost的系数估计值为00242，且在1%的水平上通过了显著性检验，这说明了绿色技术创新与城市制造业GTFP的正相关关系。列（4）的结果表明，在加入绿色技术创新变量后，核心解释变量Citypost的回归系数值有所降低，且通过了1%的统计显著性检验，说明绿色创新能力的中介效应存在，假设H2得到验证。这表明低碳城市试点政策通过绿色技术创新的中介机制效应改善了城市制造业GTFP。在LCCP政策作用下，企业为降低污染治理成本进行了绿色技术创新，提高制造业生产效率并减少污染排放，从而推动制造业绿色转型。

2.能源利用效率中介效应

表7的列（1）是基本分析结果。列（2）是模型5的结果，被解释变量为能源消耗，此时核心解释变量Citypost的系数估计值为-00943，在5%的水平上通过了显著性检验。这说明该政策有效降低了能源消耗，提高了能源利用率。在LCCP政策作用下，企业减少不可再生能源的消费，并提高清洁可再生能源的生产与使用，从而推动能源结构绿色化转型。同时，LCCP政策也改变了政府绩效考核体系并增加碳汇，从而引导企业提高能源利用效率并减少能源浪费。列（3）是模型6的结果，变量Energy的系数为-0120，在1%的水平上显著，表明能源消耗与城市制造业GTFP的负相关关系。列（4）表明在加入能源消耗的变量后，核心解释变量Citypost的回归系数有所降低且通过了1%的统计显著性检验，说明能源利用效率的中介效应存在，验证了假设H3。这说明低碳城市试点政策通过降低能源消耗，提高能源利用效率改善了城市制造业GTFP 。在LCCP政策作用下，能源消费效率不断提高并且能源利用结构也更加优化，从而推动制造业绿色转型。

（五）异质性分析

1.区域异质性

为了弄清试点对制造业绿色转型影响的区域异质性，本文将272个地级市分为东部城市、中部城市和西部城市（见表8）。从结果上来看，该试点政策对三个区域的城市制造业GTFP都产生了显著的正向影响，其中东部城市最大，在1%的显著性水平为正，其回归系数为0357；其次为西部城市，回归系数为0328；最后为中部城市，回归系数为0287。主要原因可能是由于东部地区发达城市多，在基础设施等方面具有优势，为制造业结构升级、绿色经济发展提供良好基础。而就西部城市而言，污染密集型制造业相比东部、中部城市更多，大部分地区生态环境脆弱并且成为生态管控区，企业总体较少且污染排放总量也较低，低碳试点城市有助于培育新技术和新工艺，以降低当地企业污染排放并提高其制造业GTFP。此外，中部由于污染企业较多并且试点城市范围较为分散，有限资金和技术使得该政策实施效果和东西部城市相比要差一些，系数值最小。

2.城市规模异质性

参照2014年《国务院关于调整城市规模分类标准的通知》，本文将城市人口数大于300万的划分为大城市，城市人口数处于100—300万之间的划分为中等城市，城市人口数小于100万的划分为小城市。

大城市核心解释变量Citypost的系数在1%的显著性水平上为0364，中等城市Citypost的系数在1%的显著性水平上为0302，低于大城市，而对于小城市而言，则不显著（见表9）。这说明低碳城市试点政策对于制造业GTFP的影响具有规模递减特征，其中对大城市制造业GTFP影响最为显著，对小城市则影响不显著。一方面，大中城市拥有更为倾斜的政策支持与更充足的劳动力和资本等资源，改变传统生产方式，降低能源消耗，为制造业绿色转型提供全方位的支持；另一方面，大城市环境规制更为严格，倒逼高污染、高能耗的制造业转型升级或转移，从而提高制造业GTFP。而小城市技术创新能力相对不足，环境污染治理成本较高且治理能力有限，使得GTFP增长缓慢。

五、结论与启示

本文利用超效率SBM模型计算中国城市制造业GTFP，并通过双重差分法探讨了LCCP对城市制造业绿色转型的影响及其作用机制。主要结论如下：（1）相比于非试点城市，LCCP对制造业绿色转型产生显著积极作用，证实了LCCP的有效性。（2）LCCP对制造业绿色转型的影响存在异质性，政策效应在东部城市、大城市最为显著。（3）机制检验表明，LCCP能有效促进技术创新、降低能源消耗，进而推动制造业GTFP的改善。此外，本文采取平行趋势法、排除其他政策影响、安慰剂检验等方法确保结果的稳健性。

上述结论给未来的低碳城市试点改革一些启示：（1）扩大试点城市范围，有效推进低碳城市试点工作。各地区应结合实际有针对性地制定政策，吸收并推广成功地区的经验，优化能源消费结构，形成绿色生活方式，推进制造业绿色转型。（2）建立低碳制造业体系，打造绿色低碳制造业链。各城市一方面要建设和提供科技创新服务平台，出台相应创新激励政策吸引人才；另一方面，各城市要打造符合自身特色的低碳制造业体系，培育低碳节能的农业、制造业和服务业体系。（3）建立低碳城市考评制度。对低碳城市建设进行一定评估和考察，督查工作常态化，使各城市加大执行力度，从而保证建设效果的持续性。

参考文献：

［1］ 郭克莎，田潇潇.加快我国工业发展方式绿色转型：成效、挑战与路径［J］．经济纵横，2023（1）：8-16.

［2］ 张伟，叶诗奇.绿色技术创新体系的历史进程、演进逻辑与动力机制——基于历史制度主义的分析［J］．行政论坛，2023（6）：91-99.

［3］ 徐毅，王志强.“双碳”目标下数字经济与地区绿色发展——基于国家级大数据综合试验区的分析［J］．哈尔滨商业大学学报（社会科学版），2023（4）：117-128.

［4］ Huo W， Qi J， Yang T， et al. Effects of Chinas Pilot Low-Carbon City Policy On Carbon Emission Reduction： A Quasi-Natural Experiment Based On Satellite Data［J］．Technological Forecasting and Social Change， 2022，175.

［5］ Liu X， Xu H. Does Low-Carbon Pilot City Policy Induce Low-Carbon Choices in Residents Living： Holistic andSingle Dual Perspective［J］．Journal of environmental management， 2022，324： 116353.

［6］ 靳毓，文雯，赵廷宇.绿色基金持股对企业绿色创新的影响研究［J］．珞珈管理评论，2022（3）：22-45.

［7］ Zhou Q， Cui X， Ni H， et al. The Impact of Environmental Regulation Policy On Firms Energy-Saving Behavior： A Quasi-Natural Experiment Based On Chinas Low-Carbon PilotCity Policy［J］．Resources Policy， 2022，76： 102538.

［8］ 原毅军， 陈喆. 环境规制、绿色技术创新与中国制造业转型升级［J］．科学学研究， 2019， 37（10）： 1902-1911.

［9］ 邓慧慧， 杨露鑫. 雾霾治理、地方竞争与工业绿色转型［J］．中国工业经济， 2019（10）： 118-136.

［10］Zhang， Zhou， Yan. Low-Carbon City Pilot Policies and Total Factor Energy Efficiency Improvement： Quasi-Natural Experiment From the Implementation of Three Batches of Pilot Policies［J］．Economic Review，2021（5）：32-49.

［11］Hua Z. Can Low Carbon City Pilot Policies Reduce Carbon Emissions？——Evidence from a Quasi-Natural Experiment［J］．Economic Management， 2020，42（6）： 25-41.

［12］张华. 低碳城市试点政策能够降低碳排放吗？——来自准自然实验的证据［J］．经济管理， 2020，42（6）： 25-41.

［13］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.

［14］张兵兵， 周君婷， 闫志俊.低碳城市试点政策与全要素能源效率提升——来自三批次试点政策实施的准自然实验［J］．经济评论，2021（5）：32-49.

Can Low Carbon Transition Help Manufacturing Industry Go Green？

A quasi-natural experiment based on LCCP

YU Zhong

（School of Economics，Dongbei University of Finance and Economics，Dalian 116025，China）

Abstract： The Low-Carbon City Pilot policy is an important measure for the country to promote industrial transformation and upgrading. In this research， the Low-Carbon City Pilot （LCCP） is taken as a quasi-natural experiment， and the impact of urban low-carbon transition on the green development of manufacturing industry and its mechanism are revealed by using the Double Difference Difference （DID） model. The results show that LCCP policy significantly improves the green total factor productivity （GTFP） of regional manufacturing industry and promotes its green development.The LCCP policy mainly helps the green development of manufacturing industry by improving the level of green technology innovation and reducing energy consumption.The LCCP policy has the best effect on GTFP improvement in large cities in eastern region， but has a weak effect on GTFP improvement in small cities in central and western China.

Key words：low carbon city; manufacturing green transformation; green technology innovation; double difference model

（责任编辑：周正）