低碳城市试点政策是否抑制制造业就业？

DOI：10.13216/j.cnki.upcjess.2025.01.0005

摘要：通过异质性多期双重差分模型评估低碳城市试点政策对制造业就业的影响，结果显示政策总体上抑制了城市碳排放并促进了制造业就业。2010年和2017年的政策效果显著，分别增加了0.057 4%和0.136 5%的制造业就业人数；2012年的政策效果不显著，对制造业就业人数也无显著影响。全要素生产率在政策效应与制造业就业之间起到了正向中介作用。基于此，建议应逐步推进环境规制，同步实施缓冲政策，保护员工权益；推动企业转型、拓宽就业渠道，为失业员工提供再培训和就业援助或鼓励创新创业。

关键词：制造业；就业；异质性多期双重差分模型；中介效应;低碳政策

中图分类号：F241.4;F407;X321

文献标识码：A

文章编号：1673-5595（2025）01-0039-08

收稿日期： 2023-10-30

基金项目： 广东省科学院打造综合产业技术创新中心行动资金项目（2022GDASZH-2022030601）

作者简介： 刘" 莹（1988—），女，黑龙江哈尔滨人，广东省科学院粤港澳大湾区战略研究院博士后，研究方向为宏观调控、区域经济。

一、引言

《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》强调要“推动经济社会发展全面绿色转型”［1］，党的二十大报告提出“推动制造业高端化、智能化、绿色化发展”［2］30、“推动形成绿色低碳的生产方式”［2］50。2023年，除港澳台外，中国31个省级行政区工作报告均关注了煤炭产业和可再生能源的发展，其中超过三分之二的省份承诺推广“清洁”煤炭和建设“先进”煤电产能，这表明制造业的绿色转型已成为必然趋势，原有的“粗放式”发展模式必须得到遏制。“十四五”规划提出“实施就业优先战略”，党的二十大报告同样强调了“促进高质量充分就业”的重要性。在强调经济高质量发展的同时，如何保障充分就业也成为国家关注的重点，各级政府在未来的规划中必须同时考虑制造业的绿色转型和就业保障问题。制造业作为中国经济增长的主要动力，2021年其就业占全国比重约29.1%①，为全国提供了近三成的就业岗位，是保障就业的关键领域。预计在“十四五”时期，每年将有约1 500万高校毕业生和中职毕业生需要在城镇就业②，加上1 000万左右城镇失业人员③以及年均200多万的新增农村转移劳动力④，到2025年，中国劳动年龄人口和劳动力数量将分别维持在8.7亿和8.03亿⑤的高位。这显示了制造业在解决大量劳动者就业问题上的重要性，无论是现在还是未来很长一段时间内，制造业都将是提供就业机会的重要途径。

中国政府制定了一系列政策全面推动制造业绿色转型升级，但是，制造业在同步实现绿色转型和充分就业上面临较大压力。保障如此大量的就业岗位供给，需要制造业保持高速增长。然而，制造业多是高能耗行业，其高速发展可能意味着污染随之上升，与绿色低碳生产方式之间存在一定矛盾。绿色低碳转型强调低能耗，需要通过企业技术升级或者转型升级来实现，对企业生产经营各环节的冲击在所难免，将会是一场广泛而深刻的经济社会系统性变革［3］，极有可能带来摩擦性和结构性失业。由此来看，制造业绿色转型过程中的就业影响是复杂且多维的，需要深入分析以制定有效的应对措施。

二、文献综述

“遵循成本论”与“创新补偿论”是解释环境规制对经济影响的两大主要理论框架。这两种理论机制的差异对研究环境规制如何影响经济发展提供了不同视角。王勇等［4］认为环境规制通过增加生产成本对就业产生了抑制效应，具体表现为企业可能因成本上升而减少生产规模或转移生产活动，进而影响到就业水平。孙玉阳等［5］认为，在碳排放规制对就业的影响机制中，产业结构升级和技术创新效应有效地促进了就业。王锋等［3］的研究则发现不论产出效应还是要素替代效应，这两种机制均促进了企业层面的就业。陈诗一等［6］的研究认为环境规制对就业存在挤出和引入两种效应。马赛等［7］的研究则认为环境规制对就业的影响是存在阶段性拐点的。周亚虹等［8］的研究发现环境规制对行业和城市层面的就业影响是不同的。现有环境规制对就业影响的结论主要集中于城市、劳动力市场、生产性服务业等领域，较少聚焦于制造业。作为中国经济“压舱石”，制造业举足轻重，并且是主要的污染排放产业，环境规制对制造业的影响也异于其他产业，缺少该方向的研究便很难展现政策作用效果的全貌，无法准确判断政策有效性以及是否产生了其他副作用。根据《中国城市统计年鉴》中的行业数据分析发现，在低碳城市试点实施期间，城市制造业就业人数并未显著减少，因此环境规制是否抑制制造业就业还有待研究。

双重差分模型（DID）的核心思想是，通过政策实施前后处理组与控制组的差异，推断出该政策的净效应。其基本逻辑在于，通过对比两组数据在政策实施前后的变化，可以有效控制政策实施前后二者共同存在的时间趋势及潜在干扰，从而使估计更为准确。DID方法的基本假设是“平行趋势假设”，即假设在没有政策干预的情况下，处理组与控制组在观察期内的变化趋势相同。如果这一假设成立，则可以将控制组在政策实施前后的变化作为处理组在无政策情况下的反事实预测，从而将处理组的变化归因于政策的处理效应。低碳城市试点是中国较有代表性的环境规制，分别于2010年7月、2012年11月和2017年1月分三批次开展，是典型的多期政策。对此，有学者采用了在同一个回归方程中对三批试点分别构造3个政策效果变量［9］或分别进行三次回归等［10］方法检验政策效果。此类做法造成模型中存在多对不同的处理组与控制组，使得回归结果缺少可比性。要真正探究低碳城市试点效果，需要将三批试点城市纳入同一分析框架。［11-12］低碳城市试点政策作为多期、作用对象存在明显异质性的政策，不论单独使用多期双重差分模型还是异质性双重差分模型，都难以全面准确地评估其政策效果。现有研究中使用多期双重差分模型的文献较少阐述如何选取控制组以保证政策可比性；同时，低碳试点政策对城市就业影响会存在差异［13］，但现有研究大多忽视城市异质性，这可能导致有偏估计［14］。

基于此，本研究尝试使用异质性多期双重差分模型来检验低碳城市试点政策效果及其对制造业就业的影响。

三、机制分析

环境规制对制造业就业的影响是多维度且复杂的，涉及结构、规模、时间和需求四种效应。结构效应表现为环境规制导致制造业内部就业结构的转变，其中高污染、高能耗产业的就业减少，而环保、低能耗产业的就业增加。规模效应涉及环境规制对制造业整体规模的影响，环保法规可能使得一些企业退出市场，同时新的环保企业进入，这会影响整体就业规模，特别是那些能够积极应对环境规制、产品或服务更符合市场需求的企业，可能会因竞争力提升而增加就业需求。时间效应说明环境规制对制造业就业的影响随时间变化而变化，初期可能会导致就业下降，因为企业需要时间调整和适应新规制，但长期来看，适应和实施环境规制的企业增多，可能会带动就业增长。需求效应指的是随着环保理念的传播，消费者越来越倾向于选择那些积极应对环境规制的企业，这种消费者行为的变化可能会使这些企业获得更多市场份额，从而带来更多就业机会。总体来看，环保法规的出台和实施可能会推动制造业企业采取更环保、更可持续的生产方式，国家对环保的重视也会逐渐影响消费者行为。因此从长期来看，环境规制可能对制造业就业产生促进作用。基于以上分析提出假设1：环境规制有利于促进制造业就业。

环境规制对制造业就业的影响是多方面的，全要素生产率（tfp）在其中扮演着关键角色。全要素生产率是指在不考虑资本和劳动投入的情况下，生产过程中的效率和创新能力。环境规制通过影响全要素生产率对制造业就业产生间接影响。环境规制可能促使企业采用更环保的生产技术，提高资源利用效率，从而提升全要素生产率。这种技术进步和效率提升可以增加企业的竞争力，可能带来更多的就业机会。然而，环境规制也可能增加企业的生产成本，比如需要投资昂贵的环保设备和遵守更严格的排放标准。这些额外成本可能会降低企业的盈利能力，减少对劳动力的需求，从而对全要素生产率和就业产生负面影响。基于以上分析提出假设2：全要素生产率在环境规制对制造业就业影响中起到正向中介作用。

四、实证策略

（一）低碳城市试点政策效果评估模型

低碳城市试点政策的主要目标是控制城市的碳排放量，而其对制造业就业的影响也是一个重要的考量。因此，对于低碳城市试点政策是否对制造业就业产生影响，首先需要检验政策是否起到了降低碳排放的作用，双重差分模型是评估政策效果的成熟方法，本文构建传统双重差分模型进行评估。

CO2ct=α1+β1citytestct+λ1control1ct+η1c+μ1t+ε1ct（1）

其中，CO2ct表示城市c在t年的二氧化碳排放量；α1为常数项；β1为核心解释变量citytestct的系数，表示城市c在t年是否被纳入低碳城市试点的虚拟变量，通过city×test获得（city表示城市是否被纳入试点范围，纳入为1，未纳入为0；test表示政策发生年份，发生当年为1，其余年份为0），city×test结果为1表示城市在当年被纳入试点范围，否则为0；λ1为控制变量系数；control1ct为城市c在t年内为了剥离其他因素对二氧化碳排放产生影响而选取的控制变量，包括城市经济发展水平（gdp）、人口规模（pop）、卫星人口密度（density）、城镇化率（urbanization）、人均可支配收入（income）；η1c、η1t、ε1ct分别为城市固定效应、年份固定效应、误差项。

（二）低碳城市试点政策对制造业就业影响评估模型

在评估低碳城市试点政策效果的基础上，进一步评估其对制造业就业的影响，模型设定为：

citylaborct=α2+β2citytestct+λ2control2ct+η2cμ2tε2ct（2）

其中，citylaborct为城市c在t年的制造业就业人口，α2为常数项；β2为核心解释变量系数；λ2为控制变量系数；control2ct为控制变量，且在式（1）的基础上加入城市人口出生率（birth）；η2c、μ2t、ε2t分别为城市固定效应、年份固定效应及误差项。

（三）异质性多期双重差分模型

传统的双重差分模型通常假设政策冲击在单一时点发生，这与现实中多期干预政策的情况不符。如本研究关注的低碳城市试点政策在2010年、2012年和2017年分三批实施，存在政策效应的多期性，这可能导致传统模型的交互项系数出现偏差。因此，不能简单地将研究对象分为处理组和控制组。由于个体异质性（如区域差异、政府领导的重视程度等），环境规制的政策效果存在差异，如在经济发展水平较低的城市，严格的环境规制可能限制绿色技术创新，但能够促进产业结构转型升级；而在经济发展水平较高的城市，环境规制对绿色技术创新和产业结构转型升级都有明显促进作用。因此，必须同时考虑政策的多期性和异质性问题。学者们通常采用De Chaisemartin等［15］的多期多倍分体双重差分模型和Callaway等［16］的异质性多期DID模型来解决这类问题。相比于前者，Callaway的异质性多期DID模型更注重动态政策效果和政策交错执行，即处理对象经历了政策从无到有、从有到无的过程。同时，该模型对平行趋势假设进行了调整，不再要求处理组和控制组在政策实施前具有完全相同的趋势，而是在加入了控制变量后，允许处理组和控制组的趋势在控制了这些变量的影响后是平行的。这样的调整使得模型更加灵活，能够适应更多的实际情况，更符合低碳城市试点政策的特点。鉴于此，本研究参照Callaway等［16］的研究选用异质性多期双重差分模型。此外，由于政策的影响不会立即消失，为了使模型更贴近现实，所以设定当研究对象在t-1年被纳入处理组后，在t年仍然保留在处理组，即式（2）中citytestct从政策发生年起一直为1；将处理组按照被处理批次Treattimesn（n=1，2，3）进行分组，如果研究对象在三批试点中从未被纳入试点范围则为控制组；估计每个处理组在时间Treattimesn（n=1，2，3）的处理效应后再计算平均处理效应，以获得每个处理时间的效应。

（四）数据选取与处理

本研究选择2008—2019年为研究区间，鉴于数据可得性选取253座地级以上城市为研究样本，其中111座城市为处理组，包括2010年可获得数据试点城市61座，2012年23座，2017年27座。尽管样本无法涵盖所有试点城市，但依然能够保证试点政策在时间层面和城市层面具有代表性⑥。计算二氧化碳排放量所使用的数据来源于《中国城市建设统计年鉴》（2009—2021），制造业就业人数根据《中国城市统计年鉴》（2009—2020）中行业就业人口计算得到，城市经济发展水平、人口规模、城镇化率、人均可支配收入、城市人口出生率来自《中国城市统计年鉴》（2009—2020）及各地统计年鉴，卫星人口密度来自Worldpop，全要素生产率来自wind数据库等。

五、实证结果

（一）基准回归

计算过程中将方程两侧同时取对数。表1汇报了使用传统双重差分模型回归分析得到的结果，列（1）和列（2）分别为低碳城市试点政策对碳排放（ln CO2）和制造业就业人口（ln citylabor）的影响结果。列（1）中代表政策实施的虚拟变量citytestct系数为负且在5%的水平下显著，表明相比于非试点城市，低碳城市试点政策能够降低试点城市碳排放，证明了试点政策有效，为后续研究奠定了基础。

列（2）中citytestct系数为正且在5%的水平下显著，表明相比于非试点城市，低碳城市试点政策能够增加试点城市制造业就业人数。

（二）异质性多期双重差分模型回归

表2汇报了使用异质性多期双重差分模型，利用双向固定效应进行回归得到的低碳城市试点政策对城市碳排放和制造业就业影响结果，可以看出，该结果与基准回归相差较大。在政策效果ln CO2一列中，2010年在5%的水平下显著，2017年在10%的水平下显著，2012年回归系数为正但不显著。对制造业就业的回归结果均在至少5%的水平下显著， 2010年和2017年的两批试点对于制造业就业起到了促进作用，使城市制造业就业人数分别增加了0.057 4%和0.136 5%，但是2012年却发生了明显的抑制作用，制造业就业人数相比政策实施前下降了0.107 6%。综合回归系数符号和显著性结果可以发现，2012年试点政策并未获得理想效果，政策效果不显著也相应地造成了对制造业就业没有促进作用。

为了证实结果的可靠性，本研究使用第二产业就业人数取对数ln secind替换ln citylabor进行稳健性检验。选取第二产业就业人数的原因在于：制造业作为第二产业的核心部分，其就业人数的变化可以作为衡量该产业整体发展状况的一个关键指标。因此，通过观察第二产业就业人数的变化，可以间接但有效地评估制造业的发展态势，如果以上结果成立，则回归系数至少应该与制造业就业人数系数在符号上保持一致。表2中ln secind与ln citylabor两列系数符号一致，系数变化不大且均显著，可以初步认为研究结果基本可靠。

进一步估计低碳城市试点政策的动态平均处理效应（见表3），可以看出，试点政策实施当年能够使试点城市制造业就业人数平均上升0.030 8%。此外，政策实施后两年促进效果仍然在5%的水平下显著，并且政策效果有所增强。

目前对于低碳城市试点政策效果的研究基本肯定了政策在减少碳排放上的效果，但是郭施宏［17］在研究中认为，三批低碳试点的整体效果可能并没有达到许多评估研究所认为的乐观程度。具体来说，2010年和2012年的政策在减排方面效果显著，而2017年的政策效果则不显著。本研究的分析结果与郭施宏的研究结果存在差异，本研究发现2010年和2017年的政策效果显著，而2012年的政策效果不显著。这种差异可能源于不同年份样本的特征差异，如城市规模、发展水平和基础设施等。本研究采用的异质性多期双重差分模型能够探究这些特征差异如何影响低碳城市试点政策的效果，从而导致不同年份的政策效果在统计显著性上存在差异。此外，考虑到三轮政策分别在2010年7月、2012年11月和2017年1月实施，特别是2012年政策实施的时间接近年末，加上政策效果的时滞性，可能导致2012年政策效果在当年并不明显。

（三）平行趋势检验

双重差分模型的前提是平行趋势，即在政策实施前试点城市与非试点城市制造业就业变化趋势不存在系统性差异。表3中已经汇报了被试前平均效应，各年结果均不显著，表明政策实施前控制组和处理组无系统性差异，平行趋势已经成立。但是因为2010年以前和2017年以后的数据较少，且三次低碳城市试点政策间隔时间不同，2010—2012年中间仅间隔1年，而2012—2017年中间则间隔4年，为了能更准确地探究平行趋势，本研究将政策实施前3年的数据汇总到第-3期，将实施后3年的数据汇总到第3期，并借鉴Callaway等［16］

加入控制变量后满足平行趋势的方法做进一步检验。图1所示的平行趋势检验结果显示，在低碳城市试点政策实施前回归系数估计值均不显著，表明试点城市与非试点城市在政策实施前无系统性差异，平行趋势检验通过。

（四）稳健性检验

为了验证异质性多期双重差分模型的有效性及结论的可信性，本研究采用PSM-DID方法进行稳健性检验。由于PSM-DID方法要求政策实施时点相同，马亚明等［18］的研究采取的做法是将政策实施时间统一归为一年，但是这一做法忽视了政策效果的时间效应。而现有使用PSM-DID方法对多期政策进行研究的文章大多也并未给出具体操作方法。鉴于此，本研究的稳健性检验使用PSM逐年匹配后再结合双重差分模型回归的方法。具体做法为：第一步，对于每个时间点，使用倾向得分匹配方法将处理组与控制组进行匹配；第二步，对于每个时间点，计算处理组与控制组之间的平均处理效应；第三步，使用双重差分回归来估计政策的效果。匹配方法为1∶2最近邻核匹配。

表4汇报了使用PSM逐年匹配再结合DID模型的回归结果，核心解释变量citytestct在五个回归中均显著为正，列（1）—列（4）系数相差不大，尽管列（5）系数相差较大，但是仍然显著，其余控制变量系数也符合预期，通过了稳健性检验。基于以上分析本研究假设1成立。

（五）中介效应分析

为了检验低碳城市试点对城市制造业就业人数的影响机制，使用依次检验法分析城市全要素生产率是否在低碳城市试点与城市制造业就业人数中发挥中介效应。具体检验方法如下。

第一步，检验低碳城市试点政策对城市制造业就业人数的影响，此处沿用式（2）。

第二步，检验低碳城市试点政策对城市全要素生产率的影响，模型为：

tfpct=α3+β3citytestct+λ3control3ct+η3cμ3tε3ct（3）

公式下角标中的“3”表示变量为式（3）中变量，其余符号含义不变，控制变量control3ct为城市教育（edugravity）及科技（scigravity）投入占GDP比重。

第三步，将中介变量纳入低碳城市试点政策对城市制造业就业影响的方程中。

citylaborct=α4+β4citytestct+4tfpct+λ4control123ct+η4cμ4tε4ct（4）

其中，control123ct为所有控制变量；4为tfp系数，表示全要素生产率在低碳城市试点对制造业就业影响中的中介效应。检验依据为：在β2、β3、4均显著的情况下，全要素生产率存在中介效应，β2的显著性在前文中已经检验过便不再重复，如果β3和4中至少有一个不显著则需要进行Sober检验以判定tfpct是否存在中介效应；如果β4的系数不显著或小于β2，说明tfpct存在强中介效应。全要素生产率tfpct数据来自Wind数据库，同样将其取对数计算。此外，本研究将tfpct滞后一期作为工具变量加入回归方程缓解内生性问题。

表5为低碳城市试点政策对全要素生产率的作用效果，citytestct回归系数在1%的水平下显著，说明低碳城市试点政策对全要素生产率提升有一定的促进作用，全要素生产率在试点政策与制造业就业间的中介效应检验将在此基础之上进行。

中介效应分析参考Trenton D.Mize的检验方法⑦。表6汇报了tfpct的中介效应，其中P值均在5%的水平下显著，这为全要素生产率在低碳城市试点对制造业就业的影响中发挥中介效应提供支持。

表7汇报了加入中介变量后的回归结果。结果显示，在加入中介变量后citytestct系数变小，且在5%的水平下显著，表明全要素生产率有效缓解低碳城市试点对制造业就业的冲击。王锋等［3］在研究中发现，低碳城市试点政策对第二产业就业具有显著的正向影响，这与本研究的研究结果相呼应，支持了本研究的结论。表3中Tp0结果为0.030 8，表7中的citytestct结果为0.034 3，尽管第二产业并不能代表制造业情况，但也为本研究结果提供了一定的支持。基于以上分析，本研究假设2成立。

六、结论及建议

制造业高质量发展关系国家未来如何实现绿色低碳生产方式和保障充分就业。本研究分析了环境规制对制造业就业影响的理论机制；使用传统双重差分模型检验了低碳城市试点政策效果，并以此为基础进行后续研究；通过异质性多期双重差分模型，对低碳城市试点政策减少碳排放效果及对制造业就业影响进行深入分析；检验全要素生产率在低碳城市试点政策与制造业就业之间的中介效应。得到以下主要结论。

第一，整体上低碳城市试点政策对城市碳排放起到了一定的抑制作用，相比于非试点城市，试点城市二氧化碳排放减少0.004 3%，证明政策有效。相比于非试点城市，政策使试点城市制造业就业人数增加0.003 7%，对制造业就业起到一定促进作用。

第二，三批试点效果彼此间存在较大差异，特别是2012年第二批试点并未对二氧化碳排放起到抑制作用，对制造业就业也并未显现促进作用。以上结论通过平行趋势检验和稳健性检验。

第三，低碳城市试点政策对制造业就业同时发挥着抑制和促进的双重影响。环境规制在提升制造业生产经营成本而造成就业人数减少的同时，也通过促进企业创新的方式创造了新的就业岗位。在城市全要素生产率的中介效应检验结果中可以发现，政策效果citytestct的回归系数明显减小，证明在面临环境规制的情况下，提高全要素生产率能够为制造业创造更多就业岗位以抵消环境规制对制造业就业的负向冲击。

尽管环境规制长期来看对制造业就业有促进作用，然而在环境规制实施初期，也可能会带来如失业率上升等社会问题。鉴于此，本研究提出如下政策建议。

第一，分批次逐步推进环境规制。环境规制在短期可能会对制造业就业带来一定的压力，为了避免对制造业造成过大的冲击，环境规制应该逐步实施，并为受影响的企业和员工提供适当的过渡期。在此期间，政府可以提供相应的政策指导和支持，帮助企业逐步适应新的环保要求。

第二，同步实施缓冲政策。政府可以通过实施一些缓冲政策来减轻环境规制对制造业就业的短期冲击，例如为受到环境规制影响的企业提供临时补贴或税收减免，帮助企业渡过难关；保障受政策影响员工权益等等。

第三，积极推动企业转型、拓宽就业渠道。环境规制可能会带来新的商业机会和就业领域。政府可以为面临结构性失业员工提供转岗再培训和就业援助，帮助员工顺利过渡到新的就业领域，也可以通过鼓励创新创业等方式，帮助受到环境规制影响的企业和个人寻找新的商机和发展方向。

注释：

① 数据来源于《2021年度人力资源和社会保障事业发展统计公报》。

② 数据来源于《中国就业发展报告（2023）》。

③ 数据来源于《2021年度人力资源和社会保障事业发展统计公报》。

④ 数据来源于《2021年农民工监测调查报告》。

⑤ 数据来源于《“十四五”及未来中长期中国劳动力供需趋势及对策分析》。

⑥ 纳入本次研究范围的试点城市：三门峡市、上海市、上饶市、东莞市、东营市、中卫市、中山市、临沂市、丹东市、丽水市、乌兰察布市、乌海市、乌鲁木齐市、乐山市、九江市、云浮市、伊春市、佛山市、佳木斯市、保定市、信阳市、六安市、六盘水市、兰州市、内江市、包头市、北京市、北海市、十堰市、南京市、南宁市、南平市、南昌市、南通市、南阳市、厦门市、双鸭山市、台州市、合肥市、吉安市、吉林市、吴忠市、周口市、呼伦贝尔市、呼和浩特市、咸宁市、咸阳市、哈尔滨市、唐山市、商丘市、商洛市、嘉兴市、嘉峪关市、四平市、大庆市、大连市、天水市、天津市、太原市、威海市、孝感市、宁德市、宁波市、安庆市、安康市、安阳市、安顺市、定西市、宜宾市、宜昌市、宜春市、宝鸡市、宣城市、宿州市、宿迁市、岳阳市、崇左市、巴彦淖尔市、常州市、常德市、平凉市、平顶山市、广元市、广州市、廊坊市、延安市、开封市、张家口市、张家界市、张掖市、徐州市、德州市、德阳市、忻州市、怀化市、惠州市、成都市、扬州市、承德市、抚州市、抚顺市、揭阳市、攀枝花市、新乡市、新余市、无锡市、日照市、昆明市、晋中市、晋城市、景德镇市、朔州市、朝阳市、本溪市、来宾市、杭州市、松原市、枣庄市、柳州市、株洲市、桂林市、梅州市、梧州市、榆林市、武威市、武汉市、永州市、汉中市、汕头市、汕尾市、江门市、池州市、沈阳市、沧州市、河池市、河源市、泉州市、泰安市、泰州市、洛阳市、济南市、济宁市、海口市、淄博市、淮北市、淮南市、淮安市、深圳市、清远市、温州市、渭南市、湖州市、湘潭市、湛江市、滁州市、滨州市、漳州市、潍坊市、潮州市、濮阳市、烟台市、焦作市、牡丹江市、珠海市、白城市、白山市、白银市、百色市、益阳市、盐城市、盘锦市、眉山市、石嘴山市、石家庄市、福州市、秦皇岛市、绍兴市、绵阳市、聊城市、肇庆市、自贡市、舟山市、苏州市、茂名市、荆州市、荆门市、莆田市、菏泽市、萍乡市、蚌埠市、衡水市、衡阳市、衢州市、襄阳市、西宁市、西安市、许昌市、贵港市、贵阳市、贺州市、资阳市、赣州市、赤峰市、辽源市、辽阳市、运城市、连云港市、通化市、通辽市、遂宁市、遵义市、邢台市、邯郸市、邵阳市、郑州市、郴州市、鄂尔多斯市、鄂州市、重庆市、金华市、金昌市、铜川市、铜陵市、银川市、镇江市、长春市、长沙市、长治市、阜新市、阜阳市、防城港市、阳江市、阳泉市、随州市、雅安市、青岛市、鞍山市、韶关市、马鞍山市、驻马店市、鸡西市、鹤壁市、鹤岗市、鹰潭市、黄冈市、黄山市、黄石市、黑河市、齐齐哈尔市、龙岩市。2010年纳入处理组的城市为全部试点城市的84.72%，2012年纳入处理组的城市为全部试点城市的82.14%，2017年纳入处理组的城市为全部试点城市的75%。除黑龙江省、河南省、湖北省、海南省、云南省、甘肃省、新疆维吾尔自治区等地区个别城市由于数据缺失无法进入研究范围外，其他均已纳入处理组。

⑦ 分析方法详见https：//www.trentonmize.com/software/sgmediation2。

参考文献：

［1］ 中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要［EB/OL］. （2021-03-13）［2023-09-29］.https：//www.gov.cn/xinwen/2021-03/13/content_5592681.htm.

［2］ 习近平.高举中国特色社会主义伟大旗帜 为全面建设社会主义现代化国家而团结奋斗——在中国共产党第二十次全国代表大会上的报告［M］.北京：人民出版社，2022.

［3］ 王锋，葛星.低碳转型冲击就业吗——来自低碳城市试点的经验证据［J］.中国工业经济，2022（5）：81-99.

［4］ 王勇，谢婷婷，郝翠红.环境成本上升如何影响企业就业增长？——基于排污费修订政策的实证研究［J］.南开经济研究，2019（4）：12-36.

［5］ 孙玉阳，唐嘉懿.碳排放规制对就业影响研究——基于省级面板数据的分析［J］.工业技术经济，2022，41（3）：80-86.

［6］ 陈诗一，刘朝良，金浩.环境规制、劳动力配置与城市发展［J］.学术月刊，2022，54（2）：48-62.

［7］ 马赛，薛勇，黄钊坤.京津冀城市群环境规制对就业规模影响［J］.中国软科学，2023（9）：171-181.

［8］ 周亚虹，杨岚，姜帅帅.约束性碳减排与就业——基于企业和地区劳动力变化的考察［J］.经济研究，2023，58（7）：104-120.

［9］ 关华，刘珂.“双碳”背景下低碳城市政策评估与异质性研究——基于准自然实验的多时点DID分析［J］.山东财经大学学报，2022，34（4）：15-27.

［10］ 范贤贤，郭平.低碳城市试点政策对城市经济高质量发展的影响［J］.经济经纬，2023，40（4）：3-14.

［11］ 傅芳宁，李胜兰.是绿色虹吸还是绿色涓滴：低碳试点政策对绿色技术创新的邻里效应研究［J］.南方经济，2023（8）：115-133.

［12］ 宋清华，吕泰亨.低碳城市试点政策能提高重污染企业全要素生产率吗？［J］.南京财经大学学报，2023（4）：68-78.

［13］ Goodman-Bacon A. Difference-in-differences with variation in treatment timing［J］. Journal of Econometrics， 2021， 225（2）： 254-277.

［14］ 闫里鹏，牟俊霖.低碳城市试点对劳动就业的影响机制及其异质性［J］.中国人口·资源与环境，2023，33（7）：105-116.

［15］ De Chaisemartin C， d'Haultfoeuille X. Two-way Fixed Effects Estimators with Heterogeneous Treatment Effects［J］. American Economic Review， 2020，110（9）：2964-2496.

［16］ Callaway B， SantAnna P H C. Difference-in-differences with Multiple Time Periods［J］. Journal of Econometrics， 2021， 225（2）： 200-230.

［17］ 郭施宏.“双碳”目标下的低碳试点效果再评估［J］.北京工业大学学报（社会科学版），2023，23（1）：137-148.

［18］ 马亚明，胡春阳，刘鑫龙.发行绿色债券与提升企业价值——基于DID模型的中介效应检验［J］.金融论坛，2020，25（9）：29-39.

责任编辑：曲" 红

Does Low-Carbon City Pilot Policy Discourage Manufacturing Employment：Based on a Heterogeneous Multi-period Double-difference Modeling

LIU Ying

（Institute of Strategic Research for the Guangdong-Hong Kong-Macao Greater Bay Area， Guangdong Academy of Sciences， Guangzhou 510070， Guangdong， China）

Abstract：A heterogeneous multi-period double-difference model is used to assess the impact of the low-carbon city pilot policy on manufacturing employment， and the results show that the policy generally suppresses urban carbon emissions and promotes manufacturing employment. The policy effects in 2010 and 2017 are significant， increasing manufacturing employment by 0.0574% and 0.1365%， respectively; the policy effect in 2012 is not significant and has no significant effect on manufacturing employment. Total factor productivity plays a positive mediating role between policy effect and manufacturing employment. Based on this， it is suggested that environmental regulation should be promoted gradually， and buffer policies should be implemented simultaneously to protect the rights and interests of employees; expanding the channels for enterprise transformation and employment， providing retraining and employment assistance for unemployed employees or encouraging innovation and entrepreneurship.

Key words： manufacturing; employment; heterogeneous multi-period double-difference models; mediation effects; low-carbon policy

英文编校：马志强