貿易開放、自選擇與中國區域碳排放績效差距
——基于傾向得分匹配模型的“反事實”分析

李 鍇 齊紹洲

(武漢大學 氣候變化與能源經濟研究中心，湖北 武漢 430072)

一、引言及文獻評述

二氧化碳排放引致的溫室效應已經成為全世界共同關注的問題。聯合國政府間氣候變化委員會(IPCC)第5次評估報告(AR5)指出，全球氣候變暖超過90%的可能性與人類活動產生的溫室氣體排放有關(IPCC，2014)。發展低碳經濟，降低碳排放已經成為中國應對氣候變化的重大戰略舉措。根據國際能源署(IEA)統計數據，2008年中國二氧化碳排放量就已超過美國，成為全球二氧化碳排放第一大國。作為負責任的發展中國家，中國2030年左右二氧化碳排放將達到峰值。事實上，中國地域廣闊，經濟發展水平和資源稟賦存在較大不平衡性，二氧化碳排放也呈現較大的區域差異(Clarke-Sather et al.，2011；Yao et al.，2015)，節能減排目標也是在充分考慮到不同區域的人口、經濟和技術等因素基礎上做出的，2014年國家發改委發布的《國家應對氣候變化發展規劃(2014—2020年)》也強調，碳約束目標應因不同行業、不同區域而異。

此外，由于中國實行區域性非平衡的對外開放戰略，結構上表現為對外開放程度較高的東部沿海地區、對外開放程度較低的中西部地區。從數據上看，東部地區貿易開放度在過去十年平均值達到90%左右，而中西部地區則只有10%左右。同時，隨著“碳關稅(carbon tariff)”、“碳轉移(carbon transfer)”和“碳泄露(carbon leakage)”等新研究課題的出現(Prell et al.，2015；Dong et al.，2015；Michalek et al.，2015；Paroussos et al.，2015)，提高了研究貿易開放與區域碳排放之間關系難度。因此，需要關注貿易開放中的碳排放問題。值得思考的是，貿易開放程度較高地區是否導致更高的碳排放量呢？區域間貿易開放程度的差異能否導致顯著的碳排放差距呢？研究這些問題，有利于根據區域差異制訂不同的對外貿易策略、節能減排措施與發展低碳經濟政策。

從現有文獻來看，針對二氧化碳排放區域差異的研究方法存在兩類，一類是指數分解法，即通過變異系數、基尼系數和泰爾指數等方法，從不同地域層面考察人均碳排放量、碳排放量或碳強度的區域差異(Cantore et al.，2010；Clarke-Sather et al.，2011)，甚至運用非參數DEA方法及其衍生形式對區域碳排放效率差異進行測度(Yao et al.，2015)。總之，不管是絕對指標，還是相對指標，或是效率指標，其研究結果都表明中國碳排放存在明顯區域差異。另一類研究方法主要是建立面板數據模型上，從區域角度計量回歸分析碳排放差異的各種影響因素及收斂性(Yan et al.，2011；Xu et al.，2016)，也有從空間計量的視角對區域碳排放問題進行研究，發現中國區域碳排放存在較強的空間相關性和不同演變趨勢(Liu et al.，2016)。不過，不論是基于哪一種研究方法，大多數文獻對于區域碳排放“差異”的研究并沒有定量說明這種“差異”有多大，以及報告其統計顯著性，而且這些研究都是分區域進行的，然后比較其差異，這種做法忽視了區域間異質性問題，同時也沒有將研究對象同時納入到同一個框架內進行分析。

而關于貿易開放和碳排放之間關系的文獻則主要是源于貿易和環境質量的研究，具體可以分為兩大類研究文獻：一類文獻認為貿易開放對環境質量有積極作用，即“積極論”，認為貿易開放并不是環境問題產生的根源，采取限制措施解決環境問題只會造成環境問題進一步惡化。貿易開放不僅不是環境問題產生的根源，貿易開放長遠還會給各個國家帶來低碳經濟、節能減排等方面的先進理念、管理經驗和生產技術(Caldwell，1996；McAusland，2008)，從而使各個國家的企業具有一定的競爭效應和出口學習效應，本土企業在面臨出口環境標準與市場競爭壓力的情況下，通過模仿先進的進口設備，改進節能減排生產工藝，從而提高經濟效率，降低環境治理成本，改善環境質量(Al-Mulali et al.，2015；Shahbaz et al.，2013；Farhani et al.，2014)。另外，Antweiler et al.(2001)、Judith(2002)和何潔(2010)從效應分解的角度發現，貿易總體上能夠改善環境質量。

另一類研究文獻認為，貿易開放對環境質量有消極作用，即“消極論”。貿易開放增加了各個國家的經濟活動，擴大了經濟規模，從而加重了環境負擔，惡化了環境質量，尤其在國內環境規制不力的情況下，出口市場競爭壓力的加劇也可能會導致本土企業以犧牲環境為代價來降低成本(Farhani et al.，2015；Kasman et al.，2015；Islam et al.，2016)。李鍇等(2011)、Busse et al.(2013)和Chakraborty et al.(2013)也提到了“向底線賽跑”(Race to the Bottom)假說——作為全球貿易自由化的結果，各國會通過降低各自環境規制水平的方式以維持或增強競爭力優勢，即基于成本考慮或為避免競爭力優勢流失而不再提高環境規制水平，而這樣做的結果將導致生產企業減少節能減排技術的研發投入，促使本國企業采用高耗能、高排放的技術和生產工藝，從而造成環境質量惡化。

然而，有關貿易開放對碳排放的影響，積極論和消極論都沒有得到有力的證明。Copeland(2012)和Perkins et al.(2012)認為，國際貿易對碳排放的影響并不確定，尤其是國際貿易對本土企業低碳技術溢出效應還取決于東道國經濟發展水平、吸收能力、環境規制、勞動力的受教育程度等方面因素。另外，從核算方法上來看，目前僅僅測算國際貿易隱含的碳排放并不能判斷國際貿易對碳排放的真實影響，出口隱含碳絕對數量主要取決于出口產品規模，這一測算過程還存在數據缺失、數據滯后和數據來源不確定性等問題。劉宇(2015)改進了投入產出分析方法，發現中國隱含碳排放實際上遠遠沒有那么大，不應再過分強調貿易轉移對中國碳排放的影響。換言之，發達國家向中國轉移的產業并不僅僅是污染產業，還向中國轉移了“干凈”產業，中國并沒有通過國際貿易成為發達國家進行污染產業轉移的“污染天堂”(李小平 等，2010)。

現有大多數文獻認為國際貿易是影響中國碳排放變動的一個因素，而中國各地區在對外貿易開放的深度和廣度方面存在較大差異，那么本文要回答的一個問題是：對外貿易開放度高的地區與對外貿易開放度低的地區相比，碳排放績效的平均差距到底有多大？而要評估貿易開放地區和貿易相對封閉地區的碳排放績效差距，就要考慮貿易開放地區的自選擇問題(Self-Selection)。一省區*省區是省份、直轄市、自治區的簡稱，本文研究對象不包括西藏、臺灣、香港和澳門地區等省區。是否成為貿易開放地區是多方面因素促成的結果，不能簡單地對貿易開放地區和貿易相對封閉地區進行比較，因為這兩個地區的區域特征和區域背景可能存在明顯的差異，若不考慮樣本省區因自選擇問題造成不同的特征分布，從而導致估計的結果也可能是誤導性的結果，這不利于問題的解決和相關政策的制定。

因此，本文利用1999—2014年中國30個省區樣本數據，從另外一個視角去評估貿易開放對碳排放的影響，即將總體樣本分為貿易開放地區樣本和貿易相對封閉地區樣本兩組，在基于“準實驗”的研究設計基礎上建立傾向得分匹配模型(Propensity Score Matching，PSM)，進而就貿易開放對碳排放績效所產生影響進行評價。PSM方法能夠有效地均衡組間特征變量或協變量(Covariate)的分布，在組間協變量均衡的基礎上進一步評價貿易開放的平均處理效應，可以有效減少由于自選擇等觀測的異質性問題導致的選擇偏誤誤差，從而得到接近隨機對照研究的結論。

二、研究方法設計

(一)傾向得分匹配法(PSM)

為了比較貿易開放地區和貿易封閉地區的碳排放績效差距，最理想的狀況是能夠獲得這個經濟體在同樣時間段內貿易開放情況下和貿易不開放情況下的碳排放績效數據，然而這是不成立的“反事實”(Counterfactual)狀態。一個經濟體在特定的時間內只能觀測到一種狀態，即貿易開放狀態或不開放狀態。因此，本文面臨著數據缺失的問題。同時，一些經濟體成為貿易開放地區往往不是外生的,部分的是由所研究的問題決定的。例如，GDP的高低、基礎設施完善程度和是否靠近海外市場顯然會影響經濟體的選擇。因研究主體有意識的選擇(或稱自選擇行為)使得樣本不再具有隨機性，從而導致估計結果產生偏差，即為樣本選擇性偏差。當評估中國貿易開放地區與貿易相對封閉地區之間的碳排放績效差距時，研究總體樣本應該為全部省區，而在實際中往往只能得到分布在這兩個地區內的省區碳排放績效信息，樣本只可以分別代表這兩個地區的省區總體情況，而不能代表全部省區的研究總體情況，因此直接比較兩個地區間的碳排放績效差距會產生樣本選擇問題，由此得到的估計結果是有偏的且不一致的。

傾向得分匹配模型(PSM)是一種能夠有效修正選擇偏誤的方法。匹配法不是考察“效應的原因”(Causes of Effects)，而是轉而獲取某種“原因的效應(Effects of Causes)”(Morgan et al.，2006)。在控制一些可觀測因素后，通過利用盡可能相似的處理對象和控制對象，可以減小樣本選擇偏誤。同時，在一般情況下，比較具有多維特征的研究對象是不可能的，傾向得分匹配法將這些特征濃縮成一個單一變量(即傾向得分值，PS值)來進行比較，起到“降維”的作用，從而使多元匹配成為可能。此外，由Rubin(1974)、Rosenbaum et al.(1983)建立的反事實方法能夠允許我們去定義并估計各種處理效應。

本文使用PSM方法的步驟是：先估計省區成為貿易開放地區的PS值，接下來依據PS值的共同支持域匹配處理組和控制組，最后估計三種平均處理效應。

1.估計傾向得分值

定義傾向得分值(簡稱：傾向值或PS值)為：給定處理前的協變量或特征變量X，透過概率函數(傾向得分函數)的估計而得到一概率。在本文中就是省區樣本成為貿易開放地區的條件概率，通過logit模型估計省區特征變量 X的參數值α：

(1)

其中：D為樣本是否成為貿易開放地區的二分變量(dichotomous variable)或虛擬變量；X是研究對象接受處理前的多維向量，表示省區的各種特征，用于估計PS值的特征變量X不僅是省區成為貿易開放省區的重要影響因素，同時也包含了影響省區碳排放的各種因素。只有考慮并控制了這些因素的影響，才能夠降低樣本自選擇偏差對研究結論客觀性的影響(Brookhart et al.，2006)。Rosenbaum et al.(1983)研究表明，如果在由X定義的空間內，研究對象是否接受處理是隨機的，則在單一變量P(X)定義的空間內研究對象是否接受處理也是隨機的。

2.匹配方法

在估計出傾向值后，接下來需要選擇的就是匹配的方法。匹配的核心思想是在獲得傾向值之后創建一個新的樣本。只有當處理組和控制組的匹配協變量的分布是相同的，這時才可以表明數據是平衡的，匹配才被認為是成功的(Morgan et al.，2007)。平衡性檢驗可以通過雙變量的均值差的t檢驗或是Kolmogorov-Smirnov正態性檢驗來實現(Diamond et al.，2006)，我們也會在實證分析中進行該檢驗。而最常用的匹配方法就是所謂的貪婪匹配(Greedy Matching)，貪婪匹配具體包括：最近鄰居匹配(Nearest Neighbor Matching)、卡尺匹配(Caliper Matching)、馬氏距離匹配(Mahalanobis Metric Matching)等。

另外，除了貪婪匹配方法，還有兩種非參數回歸的傾向值分析方法——內核匹配方法(kernel matching)和局部線性回歸匹配方法(local linear regression matching)，這是對貪婪匹配算法的一種擴展，貪婪匹配法大都屬于1對1匹配或1對n匹配(這里n是個固定的數字)。而基于非參數回歸的傾向值匹配方法，則以距離處理組個體最近的控制組個體中獲得最大的權重，以降低距離更遠成員權重的方式來對所有控制組個體進行匹配。換言之，基于非參數回歸的算法比貪婪匹配算法使用了相對更多的信息。

3.估計平均處理效應

三種平均處理效應包括：處理組即貿易開放地區的平均處理效應(Average effect of Treatment on the Treated，ATT)、平均處理效應(Average Treatment Effect，ATE)以及控制組即貿易相對封閉地區的平均處理效應(Average Treatment effect on the Untreated，ATU)。給定省區的特征為X，從貿易開放地區的省區中隨機地挑選一個省區，這個省區的碳排放與假定該省區成為貿易相對封閉地區時碳排放績效的平均差距，此即為處理組的平均處理效應。ATT用公式表示如下：

ATT≡E{CE1i-CE0i|Di=1}=E(CE1i|Di=1)-E(CE0i|Di=1)

(2)

給定省區的特征為X，從總體樣本中隨機地選取一個省區，當這個省區貿易開放度較高時的碳排放與假定該省區貿易開放度較低時的碳排放績效的平均差距，此即為貿易開放的平均處理效應。ATE可由式(3)進行定義：

ATE≡E{CE1i-CE0i|X}

(3)

給定省區的特征為X，從貿易相對封閉地區中隨機地挑選一個省區，這個省區的碳排放與假定該省區成為貿易開放地區時碳排放績效的平均差距，此即為貿易相對封閉地區的平均處理效應。ATU可以用式(4)表示：

ATU≡E{CE1i-CE0i|Di=0}=E(CE1i|Di=0)-E(CE0i|Di=0)

(4)

其中:CE1i和CE0i是接受處理和不接受處理兩種反事實情況下的潛在結果。在本文的研究背景下，CE1i=(碳排放績效，當省區i屬于貿易開放地區時，D=1)，CE0i=(碳排放績效，當省區i屬于貿易相對封閉地區時，D=0)。

關于式(2)的估計，由于觀測不到E(CE0|

Di=1)，實證上通常以E(CE0|Di=0)來替代E(CE0|Di=1)，然而這有賴于條件獨立假設成立，即在給定傾向值的情況下，處理分配和觀測協變量有條件地相互獨立，該假設也被稱為平衡假設(Balancing Hypothesis)。換言之，該假設成立可以由協變量的相似性延伸至傾向值的相似性上，即通過選取相同傾向值的貿易相對封閉地區成為貿易開放地區的“反事實”樣本，則可以將兩組樣本的碳排放差距歸因于貿易開放對碳排放績效的影響效果上。以ATT為例：

(5)

(二)基于匹配樣本和傾向值的計量模型分析

根據匹配得到的新樣本，對選擇偏差以及內在于多元分析模型中的統計假定遭到違背(如樣本隨機性假定)進行了修正。通過使用這一匹配的新樣本，可以將通常使用隨機化實驗得到的樣本進行多元回歸分析。但是，大部分多元分析僅對貪婪匹配所形成的匹配樣本才是允許的。本文估計貿易開放影響碳排放績效的平均處理效應可以用式(6)所示：

CEPit=β0+β1tradeit+Xγ+εit

(6)

其中：下標i和t分別表示第i個省區和第t年；β0是常數；X是表征各省區一系列特征的匹配協變量向量，分別是人均產值、工業結構、基礎設施、產業集中度、人力資本和環境規制；結果變量CEPit是省區i的碳排放績效；trade是省區貿易開放的二分變量，等價于式(1)中的虛擬變量D，如果省區i在t年的貿易開放度按從高到低排名前9，則歸入貿易開放地區樣本，即tradeit=1，否則tradeit=0；β1用以評估貿易開放對碳排放績效的平均處理效應，若本文的實證結果顯示估計值β1顯著為正，則表示貿易開放地區的碳排放績效比貿易相對封閉地區平均要大；εit為隨機誤差項。

基于貪婪匹配法的再抽樣樣本，除了使用傳統Pool-OLS對式(6)進行估計，我們還結合預測的概率值或PS值來建立模型，分別建立以下三種方法的計量模型：第一種方法叫做協變量調整法(covariate adjustment)，即直接將傾向值作為自變量引入模型，根據具體情況可以加入PS值函數形式，如PS值平方項或立方項等。*對于模型中是否加入重要協變量存在爭議，有的研究者認為PS值已經綜合所有協變量的信息，不需再放入模型中；也有研究者認為可以將重要變量加入模型，以提高回歸的貢獻性。第二種方法是傾向值權重法，它是采用傾向值賦予觀測值權重，使得樣本能代表研究的總體情況。基于權重法的平均處理效應的估計具有一致性，能夠提供近似于無偏的估計。分析的關鍵要素在于基于估計的傾向值賦予權重，具體情況視是否估計ATE、ATT還是ATU而定，進而再使用不同類型的權重*這種方法的詳細內容可以在Hirano et al.(2001)、McCaffrey et al.(2004)研究中找到。如估計ATE，處理組權重為1/PS，控制組權重為1/(1-PS)。。第三種方法是傾向值分層線性回歸法，其基本思想是根據估計的傾向值以升序排列樣本，將樣本分為數個亞層，在各層內計算處理組(貿易開放地區)和控制組(貿易相對封閉地區)在碳排放績效上的平均差距，為了比較成為貿易開放地區后不同特征的省區碳排放績效變化情況，本文使用異質性干預模型(Heterogeneous Treatment Effect，HTE)*異質性干預模型的相關方法介紹詳見Xie et al.(2012)的研究。，采用方差最小二乘估計法回歸(Variance Weighted Least-squares Estimation)方法估計貿易開放的影響效應是如何隨著傾向值分層的變化而變化的。

三、變量說明及數據處理

本文相關變量說明和數據處理如下：

(1)結果變量：碳排放績效。我們采用兩種方式來衡量碳排放績效：一、根據Fukuyama et al.(2009)提出的基于松弛的方向性距離函數(Slack-Based Measure，SBM)測算的Global Malmquist-Luenberger指數來度量全要素碳排放績效(Total Factor Carbon Emission Performance，TFCEP)；二、直接采用人均碳排放指標(CEPC)。本文從全要素的角度出發，綜合考慮生產要素投入、期望產出、非期望產出三者之間的關系，通過加入非期望產出的SBM模型測算中國碳排放生產效率，并使用Maxdea軟件進行以上計算。具體所使用的數據說明如下：由于大部分的貨物貿易集中在工業生產部門，期望產出為以1999年不變價表示的工業總產值，非期望產出選用二氧化碳排放量表示，勞動投入量為工業從業人員年平均人數，資本投人為固定資本凈值，能源投入指標為能源消費總量。考慮到工業終端能源消費品種(煤炭、焦炭、焦爐煤氣、其它煤氣、其它焦化產品、石油和天然氣)以及工業產品水泥所產生的CO2排放量，基于二氧化碳排放系數測算的工業碳排放量比全部從業人員年平均人數，可以得到人均碳排放量*準確地應該表述為“勞均碳排放”，而除以人口數稱之為“人均”，除以從業人員數稱之為“勞均”。但同大多數文獻的表述習慣一樣，本文仍然用“人均”一詞。。所有能源終端消費數據皆取自《中國能源統計年鑒》。

(2)處理變量：貿易開放(trade)。如前所述，trade是省區貿易開放的二分變量。如果省區i在t年的貿易開放度按從高到低排名前9，則可以歸入貿易開放地區樣本，即tradeit=1，否則tradeit=0。本文以各省區按境內目的地和貨源地分貨物進出口總額比地區生產總值來反映貿易開放度。地區進出口總額、地區生產總值(當年價)以及人民幣匯率(年平均價)數據均來自于歷年的《中國統計年鑒》。

(3)人均產值(y)。一省區貿易開放水平在很大程度上依賴于該省區的經濟發展水平，經濟越發達與國外的聯系也會越緊密，從而會推動省區貿易開放水平提高。借鑒以往研究，本文以規模以上工業總產值比全部從業人員年平均人數(即人均產值)來衡量一個地區工業經濟發展水平，以1999年為基期，根據工業品出廠價格指數得到1999—2014年的實際值。各省區工業總產值和工業品出廠價格指數來源于《中國統計年鑒》和《中國工業經濟統計年鑒》。

(4)工業內結構(comp)。工業內結構的變動會影響一國或一地區的國際分工地位和產業競爭力，反映了該地區提供相關投入品和服務的能力。同時，作為能源密集度最高的產業部門，工業內結構的變動也會直接影響能源消耗和碳排放的變動。為了更細致地刻畫工業內結構的變動*一般的處理方法是，使用重工業比重或當地工業增加值比上全國工業增加值來表示當地工業結構，但這種處理方式太過粗糙，難以刻畫工業內部結構變動情況。，本文參考He(2006)的相關研究，并根據本文研究需要做適當改進，具體如下：

(7)

其中：j表示各工業行業；Yit表示第i個省區在第t年工業總產值；Yjit表示相應行業層面的第j個工業行業總產值：EIj0為基期全國第j個行業的單位產值能源消費量(1999年=100)，該指標上升表示工業向高耗能方向發展，因為不同的工業行業能源強度也會存在不同，通過給每個工業行業貼上耗能級別的標簽(EIj0)，能夠用來衡量工業行業結構重耗能化程度。在計算工業內結構指標時，考慮到統計口徑一致性及數據來源等問題，選取了25個工業行業作為研究對象。這25個行業的工業總產值占到整個工業總產值的90%以上，因此能夠較好地反映工業行業結構的變化。具體數據來源于《中國工業統計年鑒》、《中國經濟普查年鑒》、《中國經濟年鑒》以及各省區統計年鑒*25個工業行業分別是：電力蒸汽熱水生產供應業、電氣機械及器材制造業、電子及通信設備制造業、紡織業、非金屬礦物制品業、黑色金屬礦采選業、黑色金屬冶煉及壓延加工業、化學纖維制造業、化學原料及化學制品制造業、交通運輸設備制造業、金屬制品業、煤炭開采和洗選業、普通機械制造業、石油和天然氣開采業、石油加工及煉焦業、食品加工業、食品制造業、飲料制造業、煙草加工業、造紙及紙制品業、醫藥制造業、儀器儀表文化辦公用機械制造業、有色金屬冶煉及壓延加工業、有色金屬礦采選業和專用設備制造業。。

(5)基礎設施(infra)。在其它條件相同的條件下，一個地區的交通設施越是完善，進行外貿、吸引外資的能力就越強。而公路、鐵路等交通基礎設施的建設、運行需要消耗大量的高能源、高碳密度原材料產品，能源和材料的使用可能會排放大量的二氧化碳，但完善的交通基礎設施也會減小運輸成本和交易費用，進而提高效率。本文用省區公路、鐵路和水路里程之和比上省區國土面積來衡量省區的交通基礎設施水平。由于公路、鐵路和水路的運輸能力不同，有必要將鐵路和水路的公里數轉化成相應的標準公路里程數，最終轉化比率為1∶4.27∶1.06(姚樹潔 等，2007)。各省區基礎設施數據來源于《中國統計年鑒》。

(6)行業集中度(concen)。由于擁有更多的創新所必需的資源，大規模的企業比小規模的企業更有可能創新。而大規模企業比重越大，市場越趨向于壟斷，從而不利于外貿企業進入，這里用工業大中型企業資產占比來表示行業集中度。具體數據來源于《中國統計年鑒》、《中國工業經濟統計年鑒》。

(7)人力資本(human)。人力資本的提高有助于企業生產者傾向于使用環境友好型生產技術，消費者傾向于使用節能產品，從而促進低碳產業發展。因此，本文按照Barro et al.(1993)的方法，用6歲及6歲以上人口的平均受教育年限來衡量人力資本水平，并取自然對數。各省6歲及6歲以上人口中不同學歷層次人群的比重數據來源于歷年《中國統計年鑒》。

(8)環境規制(regu)。自“十一五”規劃以來，中國將能源強度、碳強度下降目標作為約束性指標寫入五年規劃。“十二五”規劃開始，大部分工業行業在其行業“十二五”規劃中明確了能源強度、碳強度下降目標。本文采用碳強度作為衡量節能減排政策目標的指標，碳強度根據工業總產值除以碳排放得到(1999年=100)。

從貿易開放地區樣本(trade=1)和貿易相對封閉地區樣本(trade=0)的分組描述性統計中可以發現：在480個總樣本中，有30%樣本屬于貿易開放地區，剩下的70%則屬于貿易相對封閉地區；最高者是上海的1.668(2006年)，最低者是青海的0.025(2013年)；北京、浙江、福建、上海、廣東、江蘇和天津一直屬于貿易開放度較高省區，這些省區的貿易開放度平均值達到0.860；海南、遼寧和山東在有些年份屬于貿易開放地區，有些年份又落入較低貿易開放度省區樣本；與貿易開放地區相比，貿易相對封閉地區的貿易開放度平均值只有0.123，相差比較大。

四、實證分析

(一)傾向得分匹配分析

在運用PSM方法評估貿易開放的平均處理效應時，需要進行一項三步分析：第一步，使用不同協變量組合得到傾向值；第二步，使用最近鄰匹配、卡尺匹配和馬氏距離匹配來構建不同的匹配樣本；第三步，根據匹配樣本來估計平均處理效應。

首先，需要用logit模型或probit模型得到研究對象暴露于處理效應之下的概率，也即是各省區成為貿易開放地區(trade=1)時的概率*限于篇幅，logit模型回歸結果沒有報告，備索。。logit 1模型包含了2個預先設定的協變量(人均產值、工業內結構)；考慮了變量之間的內生性問題以及條件獨立性假設，logit 1模型考慮人均產值、工業內結構變量的滯后一期進入方程；logit 2—logit 5模型分別進一步加入協變量基礎設施、行業集中度、環境規制和人力資本等變量。在用logit模型預測傾向值之后，我們還需要根據匹配樣本來進行平衡性檢驗*如前所述，在匹配前后運行雙變量分析(Wilcoxon 秩和Mann-Whitney檢驗、t檢驗、卡方檢驗)是一種常見方法，檢驗處理組和控制組在納入logit回歸中的協變量上是否存在差異。，logit 6模型考慮了匹配效果、共同支持域規模等因素，最終去掉了環境規制變量(下文會說明)。總之，模型估計效果較好，大多數變量都是統計顯著的，這也說明各省區成為貿易開放地區是受到這些因素的影響。

其次，采用一個“3*3*2”的設計。本文使用三個logit回歸模型(logit 4、logit 5和logit 6，每個模型設定不同的一組條件變量來預測接受處理的傾向值)、三種匹配算法(即最近鄰匹配、卡尺匹配和馬氏距離匹配)以及兩種匹配設定(對最近鄰匹配，我們使用n=1和n=2兩種設定；對卡尺匹配，使用不同的卡尺大小設定；而對馬氏距離匹配，計算馬氏距離的一種方法使用傾向值，另一種方法不使用傾向值)，最終總共檢驗了18個匹配方案。而使用多個匹配方案的設計，是出于比較不同方法的結果以及檢驗研究發現對不同模型設定之敏感的需要。

貪婪匹配法需要一定的共同支持域，共同支持域會因步驟1中被用來預測傾向值的模型不同設定而不同，因為具有不同條件變量或函數形式的logit回歸產生不同的共同支持域。要想在傾向值匹配的常規框架范圍內解決這一問題，需要嘗試不同的模型并通過改變共同支持域的大小進行敏感性分析。

表1描述了這18個匹配方案以及再抽樣樣本的成員數量：方案1到方案6基于logit 4模型，方案7到方案12基于logit 5模型，方案13到方案18基于logit 6模型；在每一組使用同一logit回歸的方案中，前面兩個方案都采用最近鄰匹配，其中第一個方案采用無回置(noreplacement)策略，即一旦某個處理組成員和某個控制組成員能夠匹配，兩個成員都要從數據中移出去；中間兩個方案都采用卡尺匹配(一個使用傾向值經log變換后標準差(σp)的四分之一或0.25σp，另一個采用更窄的卡尺0.125σp)，最后兩個方案使用馬氏距離匹配(一個使用而另一個不使用傾向值作為匹配協變量)。

表1 匹配機制描述與平衡性分析結果

注：在進行卡尺匹配時，根據Rosenbaum et al.(1985)、Austin(2009)等的建議，本文將傾向值定義為logit=log((1-PS)/PS)，因為logit近似地服從正態分布。

對不同卡尺的使用表現為匹配中的兩難處境：盡管寬的卡尺會導致更多的相配者和一個更大的樣本，但會出現不精確的匹配問題。本文將兩種大小的卡尺納入分析來檢驗結果對卡尺大小變動的敏感性。在所有匹配方案中，方案7的匹配樣本規模最小：使用同樣的卡尺為0.25σp的匹配，樣本規模從方案3的224降到方案9的196，這表明加入協變量人力資本限制了成功的匹配，并減少了樣本規模。不過進一步的分析表明，再抽樣樣本規模對納入變量“環境規制”(regu)最為敏感。logit 6保留了“人力資本”這個變量，但去掉了“環境規制”變量，從匹配的樣本結果來看，樣本量從方案9的196上升到方案15的305。進一步研究可以看出，基于logit 6模型中協變量的匹配方案樣本量都有較大幅度地增加，匹配后的樣本也都通過了平衡性檢驗(除了方案13)，從而成功地消除了處理組和控制組之間協變量分布的所有顯著差異。

PSM法致力于兩個組別在每個協變量上達到大致相同的分布。由于不同的匹配方案產生了不同的再抽樣樣本，因此在匹配后檢查協變量分布以及考察結果對不同抽樣策略的敏感性就顯得十分重要*限于篇幅，沒有報告平衡性檢驗分析結果，感興趣的讀者可以向作者索取。。在樣本匹配前，處理組和控制組之間在每個協變量上的差異都是統計顯著的。這表明在原樣本中，協變量分布在處理組和控制組之間并不十分重合。如處理組成員(貿易開放地區)往往是人均產值比較高的(p<0.000)，即貿易開放地區的人均產值比貿易相對封閉地區平均要高0.514萬元/人，其它協變量也都表明貿易開放地區基礎設施水平更加完善(p<0.000)、人力資本更高(p<0.000)等。如果不控制這些協變量，平均處理效應的估計值將是有偏的。不過，不同方案匹配后的樣本中，兩組間仍然可能存在顯著差異。從匹配方案平衡性檢驗結果可以看到，方案14—方案18表明協變量的顯著差異消失了，也就是協變量的平均數差異皆不顯著地異于零。先前提及到，若要將兩組地區樣本的碳排放績效高低歸因于貿易開放這一因素，最好所使得的兩組地區樣本的協變量要盡量相近，我們發現在這五種匹配演算下平均數皆達到了這個要求，如此可以有效地降低樣本選擇偏誤的估計誤差。

在得到各省區成為貿易開放地區(trade=1)的概率以及匹配樣本之后，就可以估計處理組(貿易開放地區)的平均處理效應(ATT)、貿易開放的平均處理效應(ATE)和控制組(貿易相對封閉地區)的平均處理效應(ATU)。為了克服潛在的小樣本偏誤對結論的影響，本文除采用傳統的統計推斷方法外，還基于新近發展的“自抽樣法(Bootstrap)”(自迭代50次)獲得相關統計量的標準誤，最終結果的穩定性狀況較好。

表2報告了貿易開放地區與貿易相對封閉地區的碳排放績效平均差距的估計結果。由表2可以看到，基于logit 6模型的協變量匹配方案都得到顯著的平均處理效應估計結果，從結果變量為TFCEP的估計結果來看，貿易開放地區的平均處理效應(ATT)為1.111～1.635，這表明若從貿易開放地區中隨機地挑選一個省區，這個省區的全要素碳排放績效與假定該省區貿易開放度較低時的平均差距為1.111～1.635，即僅考慮分配到貿易開放地區的省區樣本，其TFCEP比假定成為貿易相對封閉地區平均要高1.111～1.635。貿易開放地區的平均處理效應(ATE)的估計結果為正，貿易開放地區的TFCEP比貿易相對封閉地區平均高0.692～1.009。同時，貿易相對封閉地區的平均處理效應(ATU)估計結果也顯著為正，表明其TFCEP比假定開放時平均要低0.478～0.739。

表2 基于匹配樣本的匹配后平均處理效應估計結果

注：估計值的標準誤通過自主抽樣得到，可以被用來進一步估計平均處理效應的95%自主抽樣置信區間(bootstrap confidence interval)，我們報告了使用偏差矯正方法(bias-correction method)得到的95%置信區間；**表示在5%水平上是顯著的。

從表2中也可以看到，結果變量為人均碳排放的平均處理效應估計值都落入95%置信區間，這表明貿易開放對人均碳排放的影響顯著為負，貿易開放地區的人均碳排放比貿易相對封閉地區平均少0.648～0.709噸/人；從貿易開放地區的平均處理效應(ATT)來看，其人均碳排放比假定不開放時平均要少0.363～0.512噸/人；而貿易相對封閉地區的平均處理效應(ATU)顯示，從較低的貿易開放度省區中隨機地挑選一個省區，這個省區的人均碳排放與假定該省區貿易開放度較高時人均碳排放的平均差距為0.227～0.431噸/人，即僅考慮分配到貿易相對封閉地區的省區樣本，其人均碳排放比假定貿易開放度較高時平均要多0.227～0.431噸/人。

一般而言，一個理想的logit回歸模型應當最小化總體樣本的預測誤差。但就實際情況而言，一個最佳的logit模型應包含更大的共同支持域規模，并能夠同時將協變量平衡納入到考察中。鑒于logit 6模型匹配的共同支持域規模及平衡性檢驗結果，在三個logit模型(logit 4、logit 5和logit 6)回歸中，logit 6是最好的。因此，接下來將只針對logit 6模型進行分析。表3是使用非參數回歸的平均處理效應估計結果，主要使用局部線性回歸匹配方法和內核匹配方法，以默認內核設定和默認帶寬來計算加權平均差值(weighted average difference)*這一方法進行一個“潛在”的匹配，使用非參數回歸(即三次立方內核修勻技術)將加權和結果分析合并成一步。考慮這一方法與Rosenbaum et al.(1983)和Rubin(1974)的方法在所屬類別上的不同，需要分開進行實證分析。。一般而言，使用從多重匹配(multiple matches)中得到的傾向值來計算一個被用作反事實的加權均值(weighed mean)。就此而言，基于非參數回歸的匹配屬于一種穩健估計量(robust estimator)。同時，考慮到有限樣本屬性，本文就分析結果對帶寬(bandwidth)和修剪水平(trimming level)的不同設定的敏感性進行了檢驗。在修剪策略相同的情況下，使用了三種帶寬值：0.01、0.05和0.4。本文也檢驗了分析結果對修剪程度變化的敏感性。在將帶寬固定在默認取值(0.06)的情況下，本文采用了以下三種修剪方案(即刪除那些傾向值比控制組成員傾向值的最大值更大或最小值更小的處理組成員)：35%和45%。

表3給出了使用非參數回歸的平均處理效應估計值。以結果變量TFCEP為例，通過評估平均處理效應的計算中處理組成員與其相配控制組成員之間在傾向值的距離上，平均處理效應的局部線性回歸估計量為1.323，落入0.909和1.862所圍成的95%自主抽樣置信區間中。即本文有95%的可能性表明，貿易開放地區和貿易相對封閉地區之間的TFCEP的非零差值落入這一區間。貿易開放地區的處理效應值為0.745，也落入0.558和0.935圍成的95%自主抽樣置信區間，貿易相對封閉地區的平均處理效應值也是在95%上顯著的。

表3 使用非參數回歸的平均處理效應估計結果

注：局部線性回歸匹配的默認內核設定為epanechnikov kernel，內核匹配的默認內核設定為tricube kernel，默認帶寬值都為0.06，括號內為估計值的標準誤，均通過自主抽樣得到，使用偏差矯正方法得到的95%置信區間；**表示在5%水平上是顯著的。

不同帶寬設定和不同修剪策略的敏感性分析傾向于肯定以上結果。以內核匹配的結果來看，對于人均碳排放，所有的分析都給出了一個由非零的估計值所構成的95%的自助抽樣置信區間。這表明兩地區間人均碳排放平均差距估計值并不包含零值，因此我們肯定這一差距在統計上也是顯著的。

綜合貪婪匹配和非參數回歸的估計結果可知，貿易開放影響碳排放績效的平均處理效應(ATE)是顯著的，即使考慮“反事實”的潛在結果，ATT和ATU的估計量也是顯著的。估計結果表明，貿易開放提高了碳排放績效，有利于節能減排，因為貿易開放地區能夠更多地接觸到物化于進口產品中的國外先進工藝、節能低碳技術，國內供應商則主要通過“逆向工程”、模仿和消化吸收等方式促進節能減排。除物化知識以外，進口貿易強化了國內同行業產品之間的競爭，競爭壓力的加劇提高了國內供應商對節能減排項目投資的意愿，進而對節能減排產生影響。同時，跨國公司對本土供應商出口產品質量要求較高，從而促使本土供應商在跨國公司技術援助的激勵下加大人力資本投資，引導研發資本投入的方向，調節研發資本投入力度，進而不斷提升技術水平。此外，為應對激烈的國際市場競爭，保持出口貿易競爭力，尤其在國內環境規制力度不夠強的情況下*就碳排放而言，碳稅和碳交易是兩種不同類型的環境規制手段。目前中國沒有采用碳稅政策，2013年以來僅在上海、北京等七省區啟動碳交易試點(具體實施時間各地有所不同)。而一般的節能減排措施都是由發改委統一發布并執行。，本土供應商可能會以犧牲環境為代價不斷壓低成本，從而對碳排放造成消極影響。不過，這也難以抵消貿易開放對節能減排的貢獻。

(二)基于匹配樣本和傾向值的計量回歸分析

傾向得分匹配分析是匹配后進行多元回歸分析的基礎(Rosenbaum et al.，1983)。發展傾向值和匹配是因為觀察數據經常是不平衡的，因此不能假定處理分配是可以忽略的。在基于估計的傾向值進行匹配之后，至少樣本在觀察的協變量上處理組成員和控制組成員之間是平衡的。因此，可以類似隨機化實驗進行多元回歸分析。從理論上，在這一階段通過設置貿易開放的二分解釋變量，我們可以使用回歸類的模型來估計平均處理效應。

采用四種不同的模型設定來評估貿易開放的平均處理效應，即估計貿易開放地區與貿易相對封閉地區的相對碳排放績效高低。第一種方法是傳統的Pool-OLS方法，也就是估計第四部分的式(7)，另外三種模型設定分別是：傾向值回歸調整、傾向值加權和傾向值分層。本文主要想要觀察的是二分解釋變量(trade)是正負及其統計顯著性。表4主要報告了基于方案14、方案16和方案17匹配樣本的多元回歸分析結果。模型(1)—(3)分別基于方案14、方案16和方案17的匹配樣本進行Pool-OLS回歸；模型(4)—(6)分別基于方案14、方案16和方案17的匹配樣本并加入PS值進行Pool回歸；模型(7)—(9)基于方案14的匹配樣本進行傾向值加權分析。

注：限于篇幅，只報告了處理變量的估計結果；模型(1)—(3)分別基于方案14、方案16和方案17的匹配樣本進行Pool回歸；模型(4)—(6)分別基于方案14、方案16和方案17的匹配樣本在加入PS值進行的Pool回歸；模型(7)—(9)基于方案14的匹配樣本進行傾向值加權分析：對于估計ATT，處理組的權重為1/PS，控制組1/(1-PS)，而要估計ATT，處理組權重為1，控制組權重為PS/(1-PS)；回歸系數括號里的數為穩健標準誤；*、**、***分別表示10%、5%、1%水平上顯著。

從表4模型(1)—(3)的實證回歸結果來看，貿易開放地區與貿易相對封閉地區在全要素碳排放績效、人均碳排放方面是有顯著差距的，并且貿易開放對全要素碳排放績效的平均處理效應是正的，而人均碳排放的平均處理效應是負的，即貿易開放地區全要素碳排放績效水平要高于貿易相對封閉地區，其人均碳排放水平是低于貿易相對封閉地區的。換言之，在其他條件不變的情況下，貿易開放地區平均比貿易相對封閉地區全要素碳排放績效高0.784～0.965，且碳排放少0.444～0.474噸/人。

表4中模型(4)—(6)進行了傾向值回歸調整(也叫做協變量調整)，即直接將傾向值作為自變量引入模型，與此同時仍然將原先的協變量放到模型中，以增加估計的貢獻度。結果同樣顯示，對全要素碳排放績效的平均處理效應顯著為正，對人均碳排放的平均處理效應顯著為負。

接下來，需要闡述傾向值加權分析，根據ATT、ATE估計值的不同，分別賦予處理組和控制組不同的權重，以方案14(最近鄰匹配)的匹配樣本進行傾向值加權回歸分析，其結果對應于表4中的模型(7)—(9)。表4中的模型(7)—模型(9)結果表明，貿易開放地區平均比貿易相對封閉地區效率高0.535。從處理組的處理效應來看，即分配到貿易開放地區的省區全要素碳排放績效比假定不開放情況平均要高1.063，而針對人均碳排放的估計結果表明，貿易開放地區比假定不開放地區平均要少0.585噸/人。

最后來分析貿易開放的影響效應是如何隨著傾向值分層的改變而改變的。在這一步中，我們基于方案14(最近鄰匹配)匹配樣本傾向值進行分層，通過異質性處理效應模型(HTE)比較不同傾向值分層的貿易開放影響效應。圖1顯示，基于方案14的傾向值分層與平均處理效應之間存在線性趨勢。橫軸表示傾向值分層，縱軸表示貿易開放對碳排放績效的平均處理效應。左側的圖顯示，TFCEP的平均處理效應與傾向值分層之間向上傾斜的線性趨勢，表明貿易開放對全要素碳排放績效的影響效應隨著進入貿易開放地區的傾向性的提高而提高，即越可能成為貿易開放地區的省區效率越高。同理，右側的圖表明，貿易開放對人均碳排放的影響效應隨著進入貿易開放地區的傾向性的提高而降低，即越可能成為貿易開放地區的省區排放越少。其他匹配方案得到類似的結果，在此不再敘述。

圖1 傾向值分層與平均處理效應之間的線性趨勢

五、穩健性檢驗

下面將從兩個方面進行穩健性分析，第一個方面是從變量處理方面著手，重新設定貿易開放二分變量，即改變研究對象的分組方式，以此分析貿易開放對碳排放的影響結果；第二個方面從模型設定檢驗方面出發，由于先前研究的PSM方法都是針對可觀測的選擇偏差(observed bias)進行糾正或調整，沒有考慮未被觀測的選擇偏差(unobserved bias)。因此，本文采用一個新的穩健性分析的框架——Rosenhaum邊界估計方法(Rosenhaum′s bounds)，該方法旨在回答這樣一個問題，估計結果對不可觀測的異質性(隱藏的選擇偏差)有多敏感。

縱觀本文的分析，皆是將研究對象中每年貿易開放度排名前10的省區樣本歸入貿易開放地區樣本，余下數據則屬于貿易相對封閉地區。然而，在此我們需要改變此劃分方式，以確認先前所得到的分析結果是否會出現明顯變化。我們將貿易開放度70%(前30%)分位數以上或65%(前35%)分位數以上的省區樣本定義為貿易開放地區樣本*我們在進行穩健性檢驗時，還將貿易開放度排名前10的省區歸入貿易開放地區樣本，其余樣本屬于貿易相對封閉地區，估計傾向值和進行樣本匹配的結論也肯定上述研究結果。，其余小于該比例的省區樣本歸入貿易相對封閉地區，并再次對估計傾向值和進行樣本匹配。從表5中的估計結果可以發現，以貿易開放度進入前35%的劃分方式為例，在基于最近鄰匹配、卡尺匹配、馬氏距離匹配和內核匹配的不同方法下，結果變量為全要素碳排放績效平均處理效應(ATT、ATE和ATU)的估計值均在5%的水平上顯著為正，同樣表明在考慮到可觀測的選擇偏差以及消除協變量在兩組間的所有差異后，平均處理效應(ATE)的估計值表明，貿易開放地區的全要素碳排放績效比貿易相對封閉地區平均高0.65～0.91；從處理組的處理效應(ATT)來看，貿易開放地區比假定不開放情況下平均高1.2～1.6；控制組的處理效應(ATU)也表明，貿易封閉地區比假定開放情況下平均低0.42～0.63。相較于先前的分析結果，穩健性檢驗結果并未出現顯著而根本的改變。此外，結果變量為人均碳排放的平均處理效應(ATT、ATE和ATU)的估計值大部分在5%的水平上顯著為負，同樣表明貿易開放地區碳排放要相對更少些。

表5 穩健性檢驗(變量處理和模型設定)

注：匹配方法的估計值下面括號內為自主抽樣得到的標準誤，使用偏差矯正方法得到的95%置信區間；最近鄰匹配采用1-to-2匹配；對于卡尺匹配，卡尺大小為0.969；局部線性回歸匹配和內核匹配均采用默認內核設定和默認帶寬值；基于Rosenhaum邊界估計方法的顯著性水平上下限是Wilcoxon符號秩檢驗的p值區間。

另一方面，通過分析Rosenhaum邊界估計結果，我們就可以知道不可觀測的異質性是否會顯著改變估計結果。Gamma指的是可歸因于隱藏偏差的可能數值，如果一個較小的偏差就可以解釋貿易開放的影響效應，那么基于可觀測異質性的PSM方法估計的平均處理效應對隱藏偏差較為敏感，其研究結果是不穩健的*如果接近于1的Gamma值能夠使得統計推論與假定研究不會有隱藏偏差情況下的統計推論極為不同，那么該項研究就是敏感的。。從表5可以看出，以結果變量為TFCEP的方案14為例，當Gamma=1、2、3、4的時候，顯著性水平都在2%以下，而且貿易開放影響置信區間的最大值是大于0的，這意味著貿易開放對TFCEP的影響基本是為正的。當Gamma=4.7的時候，上限顯著性水平增加到4.8%，而且其置信區間的最小值小于0。這意味著當Gamma>4.7時，由于異質性導致貿易開放可能性的差異，貿易開放對全要素碳排放績效的影響可能是0。換言之，隱藏偏差或未被觀測的協變量需要將暴露發生比提高到Gamma=4.7倍以上，此時顯著性區間才開始變得毫無意義，由于4.7是一個較大的值，因此可以認為研究結果對隱藏偏差具有較好的穩健性。同樣，對于結果變量為人均碳排放的方案14而言，此研究在Gamma=6.8時開始對隱藏偏差敏感。當Gamma>5時，由于不可觀測異質性導致貿易開放的可能性的差異有5倍，貿易開放對人均碳排放的影響仍然是顯著為負的，顯著性水平都在1%左右，5%顯著性水平的置信區間都小于0。相對于結果變量為全要素碳排放績效的匹配方案，該方案對非觀測到的偏差更不敏感。

綜上所述，在5%的顯著性水平上，貿易開放對碳排放績效有顯著的影響。由于不可觀測的異質性，導致貿易開放的可能性存在較小程度的差異時并不會導致估計結果發生顯著的改變。這也意味著基于可觀測異質性的PSM估計方法是適用的，估計結果是穩健的。

六、主要結論及評述

一國貿易開放地區碳排放績效是否相對多于非貿易開放地區呢？貿易開放對碳排放績效的平均影響效應到底有多大呢？關于這些議題，相當多的學者只是分區域進行計量回歸，進而比較估計結果，并未考慮區域間研究樣本在協變量上普遍存在的差異，即貿易開放程度較高地區與貿易開放程度較低地區的相對碳排放高低并不能判定為是由貿易開放度超過某一比例所導致的，也就是樣本的非隨機特性將會使樣本被劃分到貿易開放地區樣本或是貿易相對封閉地區樣本，從而對碳排放績效差距的評估產生干擾，會導致樣本的選擇偏誤估計誤差。

基于此，根據1999—2014年中國省區樣本數據，利用Rubin(1974)與 Rosenbaum et al.(1983)所發展的傾向得分匹配方法，通過進行樣本匹配，建構與貿易開放地區樣本之協變量相類似的貿易相對封閉地區樣本，進而分析兩組省區樣本的碳排放差距，以降低選擇偏誤估計誤差。本文的實證研究結果顯示，綜合考慮匹配共同支持域規模、平衡性檢驗及差異減少百分比之后，在三個logit模型中，發現基于logit 6中的協變量組合進行匹配是更為可靠的和有效的。同時，基于logit 6模型的協變量進行貪婪匹配(最近鄰匹配、卡尺匹配和馬氏距離匹配)，其平均處理效應(ATE)估計值都落入95%置信區間，表明貿易開放地區的全要素碳排放績效比貿易相對封閉地區平均高0.692～1.009；從貿易開放地區的平均處理效應(ATT)來看，其全要素碳排放績效比假定封閉時平均要高1.111～1.635；而貿易相對封閉地區的平均處理效應(ATU)顯示，該地區的全要素碳排放績效與假定該地區貿易開放時平均要低0.478～0.739。結果變量為人均碳排放的平均處理效應估計值表明，貿易開放對人均碳排放的影響顯著為負，貿易開放地區的人均碳排放比貿易相對封閉地區平均少0.648～0.709噸/人。使用非參數回歸的估計量(局部線性回歸匹配和內核匹配)研究也肯定以上結果。我們就分析結果對帶寬和修剪的不同設定的敏感性進行了檢驗，也證實了以上結論。另外，基于匹配樣本的傾向值的計量回歸分析結果也表明，貿易開放程度較高地區有更高的碳排放績效。

接下來，我們從變量處理和模型設定檢驗兩個方面進行穩健性檢驗。在變量處理方面，重新設定貿易開放二分變量，將貿易開放度65%(前35%)分位數以上或70%(前30%)分位數以上的省區樣本定義為貿易開放地區樣本，由此得到我們的基本分析結論——兩組省區樣本的碳排放存在顯著差異，并未出現改變。在模型設定檢驗方面，使用Rosenhaum邊界估計方法考察估計結果對不可觀測的異質性(隱藏的選擇偏差)的敏感性。結果顯示，由于不可觀測的異質性導致貿易開放的可能性，出現較小程度的差異并不會導致估計結果發生顯著的改變。這也意味著基于可觀測異質性的PSM估計方法是適用的，估計結果是穩健的。

總之，我們的研究發現，貿易開放地區有更強的環境管理能力，在對外貿易與環境質量二者之間存在協調發展、良性互促的可能性。由于與國外較多聯系，貿易開放地區在全球生產網絡中開始向價值鏈的中高端環節躍進，而不再是僅僅局限在依靠低廉的勞動力價格以及能源要素為優勢的低端加工組裝環節。其帶來的國際分工能夠將生產階段分解到不同國家，在產品生產的各個工序環節就可以實現資源的最佳配置，由此獲得規模經濟帶來的好處，進而大大降低能耗水平。同時，貿易開放可以通過多種渠道強化其在技術與環境管理方面的溢出效應，不僅可以使該地區更容易接觸到與節能減排相關的先進技術和管理經驗，還能通過提高地區競爭力方式以更有效地利用資源和減少碳排放，以滿足國外消費者對清潔產品的要求，幫助該地區實現以技術為導向的可持續發展能力轉型。許多學者認為，貿易是一種重要的促進經濟發展的手段，只有貿易手段運用的不恰當才會導致環境污染的問題，因此，在國際貿易自由化的背景下，通過環境政策改革和不同區域之間的政策協調或許可以避免這一問題(Jayadevappa et al.，2000)。所以，無論是貿易開放地區還是貿易相對封閉地區都應通過加強環境規制來應對貿易的環境影響。特別是對貿易相對封閉地區而言，由于與外界聯系較少，尤其需要通過政府的干預來強化環境規制，抑制發展碳密集型產業的沖動，走綠色工業化和城鎮化道路，從而減少碳排放差距。鑒于較長時期內中國仍然會存在區域性非平衡的貿易模式，總體上仍然有利于貿易開放地區的碳減排，不利于貿易相對封閉地區的碳減排，因此，貿易開放地區應向貿易相對封閉地區提供節能技術、設備、資金以及人才培訓等多方面的支持，而中央政府可以通過完善排放責任核算機制，引人共擔責任機制，促進區域間的環境治理合作。

何潔. 2010. 國際貿易對環境的影響:中國各省的二氧化硫(SO2)工業排放[J]. 經濟學(季刊)(2):29-60.

李鍇,齊紹洲. 2011. 貿易開放、經濟增長與中國二氧化碳排放[J]. 經濟研究(11):60-72.

李小平,盧現祥. 2010. 國際貿易、污染產業轉移和中國工業CO2排放[J]. 經濟研究(1):15-26.

劉宇. 2015. 中國主要雙邊貿易隱含二氧化碳排放測算:基于區分加工貿易進口非競爭型投入產出表[J]. 財貿經濟(5):96-108.

姚樹潔,韋開蕾. 2007. 中國經濟增長、外商直接投資和出口貿易的互動實證分析[J]. 經濟學(季刊)(1):151-170.

AL-MULALI U, OZTURK I, LEAN H H. 2015. The influence of economic growth,urbanization,trade openness,financial development, and renewable energy on pollution in Europe [J]. Natural Hazards, 79(1):621-644.

ANTWEILER W, COPELAND B R, TAYLOR M S. 2001. Is free trade good for the environment [J]. The American Economic Review, 91(4):877-908.

AUSTIN P C. 2009. Some methods of propensity-score matching had superior performance to others: results of an empirical investigation and Monte Carlo Simulations [J]. Biometrical Journal Biometrische Zeitschrift, 51(1):171-184．

BARRO R J, LEE J W. 1993. International comparisons of educational attainment [J]. Journal of Monetary Economics, 32(3):363-394.

BROOKHART M A, SCHNEEWESS S, ROTHMAN K J, et al. 2006. Variable selection for propensity score models [J]. American Journal of Epidemiology, 163(12):1149-1156.

CALDWELL L K. 1996. Trading up: consumer and environmental regulation in a global economy [J]. American Political Science Review, 90(2):322-473.

CANTORE N, PADILLA E. 2010. Equality and CO2emissions distribution in climate change integrated assessment modeling [J]. Energy, 35(1):298-313.

CHAKRABORTY D, MUKHERJEE S. 2013. How do trade and investment flows affect environmental sustainability? Evidence from panel data [J]. Environmental Development, 6(6):34-47.

CLARKE-SATHER A, QU J, WANFG Q, et al. 2011. Carbon inequality at the sub-national scale: a case study of provincial-level inequality in CO2emissions in China 1997—2007 [J]. Energy Policy, 39(9):5420-5428.

COPELAND B R. 2012. International trade and green growth [R]. World Bank Policy Research Working Paper 6235.

DONG Y, ISHIKAWA M, HAGIWARA T. 2015. Economic and environmental impact analysis of carbon tariffs on Chinese exports [J]. Energy Economics, 50(4):80-95.

DIAMOND A, SEKHON H U. 2006. Genetic matching for estimating causal effects: a general multivariate matching method for achieving balance in observational studies [J]. Review of Economics and Statistics, 95(3):932-945.

FARHANI S, CHAIBI A, RAULT C. 2014. CO2emissions,output,energy consumption,and trade in Tunisia [J]. Economic Modelling, 38(1):426-434

FARHANI S, OZTURK I. 2015. Causal relationship between CO2,emissions,real GDP,energy consumption,financial development,trade openness,and urbanization in Tunisia [J]. Environmental Science and Pollution Research, 22(20):15663-15676.

FREEDMAN D A, BERK R A. 2008. Weighting regressions by propensity scores [J]. Evaluation Review, 32(4):392-409.

FUKUYAMA H, WEBER W L. 2009. Output slacks-adjusted cost efficiency and value-based technical efficiency in dea models [J]. Journal of the Operations Research Society of Japan, 52(2):86-104.

HE J. 2006. Pollution haven hypothesis and environmental impacts of foreign direct investment: the case of industrial emission of Sulfur Dioxide (SO2) in Chinese provinces [J]. Ecological Economics, 60(1):228-245.

HIRANO K, IMBENS G. 2001. Estimation of causal effects using propensity score weighting: an application to data on right heart catheterization [J]. Health Services & Outcomes Research Methodology, 2(3-4):259-278.

IPCC. 2014. IPCC fifth assessment report-climate change 2014: synthesis report 2014 [M]. [S.l.]: Cambridge university press．

ISLAM M, KANEMOTO K, MANAGI S. 2016. Impact of trade openness and sector trade on embodied greenhouse gases emissions and air pollutants [J]. Journal of Industrial Ecology, 20(3):494-505.

JAYADEVAPPA R, CHHATRE S. 2000. International trade and environmental quality: a survey [J]. Ecological Economics, 32(2):175-194．

JUDITH M D. 2002. Does trade liberalization harm the environment? A new test [J]. Canadian Journal of Economics, 35(4):819-842．

KANG J D Y, SCHAFER J L. 2007. Demystifying double robustness: a comparison of alternative strategies for estimating a population mean from incomplete data [J]. Statistical Science, 22(4):523-580.

KASMAN A, DUMAN Y S. 2015. CO2emissions,economic growth,energy consumption,trade and urbanization in new EU member and candidate countries:a panel data analysis [J]. Economic Modelling, 44(44):97-103

KOHLER M. 2013. CO2emissions,energy consumption,income and foreign trade:a South African perspective [J]. Energy Policy, 63(6):1042-1050

LIU Y, XIAO H, ZHANG N. 2016. Industrial carbon emissions of China′s regions:a spatial econometric analysis [J]. Sustainability, 8(3):1-14.

MATTHIAS M, SILBERBERGER M. 2013. Trade in pollutive industries and the stringency of environmental regulations [J]. Applied Economics Letters, 20(4):320-323.

MCAUSLAND C. 2008. Trade,politics,and the environment: Tailpipe VS Smokestack [J]. Journal of Environmental Economics and Management, 55(1):52-71．

MCCAFFREY D F, RIDGEWAY G, MORRAL A R. 2004. Propensity score estimation with boosted regression for evaluating causal effects in observational studies [J]. Psychological Methods, 9(4):403-425.

MICHALEK G, SCHWARZE R. 2015. Carbon leakage: pollution,trade or politics [J]. Environment,Development and Sustainability, 17(6):1471-1492.

MORGAN S L, HARDING D J. 2006. Matching estimators of causal effects: prospects and pitfalls in theory and practice [J]. Sociological Methods and Research, 35(1):3-60.

MORGAN S L, WINSHIP C. 2007. Counterfactuals and causal inference: methods and principles for social research [M]. New York: Cambridge University Press.

PAROUSSOS L, FRAGKOS P, CAPROS P, et al. 2015. Assessment of carbon leakage through the industry channel: the EU perspective [J]. Technological Forecasting & Social Change, 90:204-219.

PERKINS R, NEUMAYER E. 2012. Do recipient country characteristics affect International spillovers of CO2-efficiency via trade and foreign direct investment [J]. Climate Change, 112(2):469-491.

PRELL C, SUN L. 2015. Unequal carbon exchanges: understanding pollution embodied in global trade [J]. Environmental Sociology, 1(4):256-267.

ROSENBAUM P R, RUBIN D B. 1983. The central role of the propensity score in observational studies for causal effects [J]. Biometrika, 70(1):41-55.

ROSENBAUM P R, RUBIN D B. 1985. Constructing a control group using multivariate matched sampling methods that incorporate the propensity Score [J]. American Statistician, 39(1):33-38.

RUBIN D B. 1974. Estimating causal effects of treatments in randomized and non-randomized studies [J]. Journal of Educational Psychology, 66(1):688-701.

SHAHBAZ M, HYE Q M A, TIWARI A K, et al. 2013. Economic growth,energy consumption,financial development,international trade and CO2emissions in Indonesia [J]. Renewable & Sustainable Energy Reviews, 25(25):109-121

XIE Y, BRAND J, JANN B. 2012. Estimating heterogeneous treatment effects with observational data [J]. Sociological Methodology, 42(1):314-347.

XU S C, HE Z X, LONG R Y, et al. 2016. Impacts of economic growth and urbanization on CO2emissions: regional differences in China based on panel estimation [J]. Regional Environmental Change, 16(3):1-11.

YAO X, ZHOU H, ZHANG A, et al. 2015. Regional energy efficiency,carbon emission performance and technology gaps in China: a meta-frontier non-radial directional distance function analysis [J]. Energy Policy, 84:142-154.

ZHANG Y, ZHANG J, YANG Z. 2011. Regional differences in the factors that influence China′s energy-related carbon emissions,and potential mitigation strategies [J]. Energy Policy, 39(12):7712-7718.