低碳城市的CO2與PM2.5減排協同效應分析

趙彥云,陸香怡,王 汶

低碳城市的CO2與PM2.5減排協同效應分析

趙彥云1*,陸香怡1,王 汶2

(1.中國人民大學統計學院,北京 100872；2.中國人民大學環境學院,北京 100872)

將基于衛星遙感數據的CO2與PM2.5納入統一研究框架,運用多期雙重差分等方法,在城市尺度上分析評估2007～2019年中國低碳城市政策對CO2減排與PM2.5污染控制的協同效應及其影響機制.研究發現:低碳城市CO2與PM2.5減排的協同效應十分顯著,低碳政策使試點城市的CO2排放量和大氣PM2.5濃度分別下降3.2%和0.74%,且結論在一系列穩健性檢驗后依然成立.機制分析表明,改善公共交通環境是低碳城市建設實現協同效應的最主要途徑.低碳城市政策的協同效應存在地區差異,經濟發展水平高?產業結構水平高的城市以及非資源型城市的協同效應更為顯著.對此,應充分發揮協同效應,進一步加快低碳城市建設,實現CO2和PM2.5等大氣污染物協同治理.

協同效應；CO2；PM2.5；低碳城市；雙重差分

隨著我國城市化的快速發展和經濟社會活動的不斷升級,碳排放量持續增加,霧霾等重污染天氣頻繁發生,中國面臨著碳減排和大氣污染控制的雙重壓力.CO2與PM2.5等大氣污染物具有同根同源性[1-3],大部分均來自于化石能源的燃燒,這種同源性特征決定了對兩者的控制存在協同效應.為應對氣候變化,滿足低碳綠色發展的時代需求,中國提出實現碳達峰碳中和的莊嚴承諾,努力推動減污降碳協同增效,以環境治理助推高質量達峰.因此,分析研究城市控制CO2排放對PM2.5污染的協同效應,對新發展階段減碳降霾協同治理工作的統籌推進具有重要意義.

協同效應最初由政府間氣候變化專門委員會(IPCC)在2001年提出,IPCC將協同效應定義為實現溫室氣體減排的政策行動所帶來的其他社會經濟效益,如空氣質量改善?減少人體健康成本等[4].國內外學術界關于CO2或大氣污染物行動的減排成效相關研究非常活躍,這些研究圍繞某一具體政策分析了歷史時期下CO2或大氣污染物的單一減排效應,為協同效應的研究奠定基礎[5-8].近年來,協同效應越來越受到研究者的關注[9-10],為區域環境管理和氣候變化政策的制定與評估提供了新的視角[11].國外部分學者對控制溫室氣體排放政策的協同效應進行分析,驗證了措施對CO2與SO2[12]、PM2.5[13]等的協同減排效應.在國內,協同效應的研究對象多為CO2與SO2、NO等大氣污染物[14-15],卻很少關注CO2和PM2.5的協同效應.這是因為我國開始監測PM2.5的時間較晚,直至2013年底監測系統才開始在全國大范圍試運行,無法滿足對長時間段CO2和PM2.5協同效應研究的需求.隨著中國減碳降霾治理壓力的增加,分析評估我國CO2和PM2.5的協同減排效應成效十分必要.低碳城市政策是我國提高城市應對氣候變化能力的一項重要舉措,現有研究對該政策在碳排放[16-18]、PM10[5]、工業污染物[19]以及經濟和社會因素[20-22]等方面的影響進行了探討,但尚未從協同效應的角度分析.作為一項重要綜合減排政策,低碳城市政策為協同效應的相關研究提供了現實基礎.因此,本文主要研究我國低碳城市CO2和PM2.5的協同效應成效,在一定程度上彌補該問題研究的不足.

本文利用衛星遙感技術估算的數據,獲得了比地面監測時間更早?范圍更廣的中國各區域PM2.5濃度,解決了對較長時間段CO2和PM2.5協同效應進行研究的問題.將低碳城市試點作為準自然實驗,運用多期雙重差分模型,從CO2控制協同PM2.5污染的角度評估2007～2019年低碳城市政策的協同效應.構建中介效應模型分別分析低碳城市建設控制CO2和PM2.5的傳導機制,并對城市進行多種分類,探索不同城市群實施低碳政策的協同減排成效,為行使類似職能的城市推進協同治理工作提供參考.

1 模型構建與變量描述

1.1 數據

當前我國分別于2010、2012和2017年在6個省和81個城市開展了三批國家低碳省市試點.綜合考慮數據情況,選取2007～2019年中國279個地級市的面板數據為研究樣本.其中,第二批試點城市名單發布時間為2012年11月,考慮到政策實施的滯后性,將其實施時間設定為2013年.本文的CO2排放數據來源于CEADs中國碳核算數據庫中的中國縣級尺度碳排放數據集[23],包含1997～2017年中國2735個縣的CO2排放量.本文按行政區域分區加總統計得到各地級市CO2排放量.PM2.5濃度數據來源于ChinaHighAirPollutants(CHAP)中的ChinaHighPM2.5數據集[24-25],數據為2000～2020年1km中國PM2.5濃度.本文對柵格數據進行轉換處理,得到各城市的年均PM2.5濃度.社會經濟類數據:2007～2020年的GDP、人口、第三產業增加值、生活垃圾無害化處理率、科學技術支出、外商直接投資、金融機構貸款余額、發明專利數量、綠色發明專利數量、工業廢水排放量、工業SO2排放量、工業煙(粉)排放量、公共汽(電)車營運車輛數、公共汽(電)車客運總量數據來源于中國研究數據服務平臺(CNRDS)[26];全社會用電量數據來源于2008～2020年《中國城市統計年鑒》[27].氣象類數據來源于"中國地面氣候資料日值數據集(V3.0)"[28],主要包括1951～2020年平均氣溫、平均相對濕度和平均風速.對于數據中的個別缺失值用插值法填補.

1.2 模型構建

1.2.1 多期雙重差分模型 為了檢驗低碳城市試點政策是否有效地降低了CO2排放,減少PM2.5濃度,產生協同效應,本文將低碳城市建設作為一項準自然實驗,使用多期雙重差分模型進行實證分析.多期雙重差分法適用于政策開始時間不完全一致的情況,可以有效地解決樣本選擇、遺漏變量等內生性問題,比較試點城市與非試點城市在政策執行前后的減排差異.具體地,本文借鑒Beck等[29]的研究思路,設定如下計量模型:

Y=+D+X+++(1)

式中:表示城市;表示年份;Y表示城市在年的CO2排放量或PM2.5濃度;D為虛擬政策變量,若城市在年屬于低碳試點城市,則D=1,否則為0;X表示一系列隨時間變化的城市層面控制變量;表示城市固定效應;表示時間固定效應;表示隨機誤差;是本文關注的核心回歸系數,若當被解釋變量為CO2和PM2.5時,的估計值均顯著小于0,則說明低碳城市政策具有控制CO2排放和PM2.5污染的協同效應.

1.2.2 中介效應模型 本文參考溫忠麟等[30]構建的中介效應模型對低碳城市政策實現協同效應的可能途徑進行影響機制檢驗.具體地,在模型(1)的基礎上,構建如下計量模型:

M=1+1D+1X+++(2)

Y=2+M+2D+2X+++(3)

式中:M為機制變量,即低碳城市試點政策通過這些變量來影響碳排放和PM2.5污染;其余變量設定與上文相同.首先對模型(1)進行檢驗,若顯示值顯著為負,則進行下一步檢驗.將機制變量作為被解釋變量,政策作為核心解釋變量,建立模型(2)進行回歸.若回歸系數1顯著,說明政策對該機制變量產生顯著影響,可以進行下一步檢驗.最后將機制變量作為解釋變量加入模型(1)中,建立模型(3)進行回歸.若回歸系數顯著,且系數2相較于的顯著性降低或估計系數絕對值變小,則中介效應顯著,說明低碳城市政策通過該機制變量對碳排放或PM2.5產生影響.若顯著且2不顯著,則存在完全中介,認為該機制變量是低碳政策實現減排效應的最主要原因[31].

1.3 變量選擇

1.3.1 CO2排放量 用CO2排放量反映城市碳排放水平.對于碳排放量的估算,不少學者參考使用IPCC提出的各能源碳排放系數和計算方法[32].從我國公開的城市級數據來看,可以進行計算的能源消耗種類較少,這樣估算出來的碳排放量與實際城市碳排放水平相差較大.為此,本文使用基于DMSP/OLS和NPP/VIIRS衛星圖像進行估算的數據[33].此數據集已被學者廣泛應用于研究中,如Lin等[34]利用該數據分析了協同影響長三角城市群CO2排放和PM2.5濃度的社會經濟因素.

1.3.2 PM2.5濃度 在已有文獻中,常用城市空氣質量監測站點數據計算城市PM2.5濃度,但該類數據存在兩個問題.一方面,監測PM2.5的站點設立時間點較晚且數量有限,無法滿足長時間段、大區域尺度有關PM2.5污染的研究.另一方面,監測站點通常設置在污染較為嚴重的區域,其位置選擇不具有隨機性,得到的大氣PM2.5濃度往往會高于城市的真實水平,導致模型結果產生偏差.本文使用基于遙感反演估算的PM2.5數據開展研究[24-25],該研究使用MODIS新發布的基于多角度大氣校正算法(MAIAC)的AOD產品及其他輔助數據(氣象、地表、污染物排放等),運用時空-極端隨機樹模型(STET)進行估算,且對中國PM2.5地面環境監測站點數據進行交叉驗證,結果顯示驗證點處的年尺度估算值和實測值高度一致(2=0.94).

1.3.3 控制變量 STIRPAT模型認為,人口?財產和技術是影響環境的三大因素[35],該模型常被用于分析碳排放和大氣污染的影響因素.隨后,許多學者對傳統STIRPAT模型的驅動因素進行拓展,將其應用于實證檢驗,如黃蕊等[36]分析了人口、人均GDP、能源強度和城鎮化率對碳排放量的影響.本文基于STIRPAT模型和已有相關文獻[37-38],考慮數據的完整性和準確性后,選擇的城市社會和經濟特征控制變量為:人均GDP、總人口、第三產業占GDP比重、生活垃圾無害化處理率、科學技術支出占GDP比重、外商直接投資與GDP比值、金融機構貸款余額與GDP比值.大氣污染受自然因素與人類活動的共同作用,氣象要素會制約污染物在大氣中的稀釋、擴散、遷移和轉化[39].因此,本文在研究低碳城市政策對PM2.5污染的影響時加入氣象要素作為控制變量.我國學者已對大氣污染物與氣象條件的關系進行了較為全面的分析,如李慧杰等[40]的研究結果表明氣溫、相對濕度、氣壓和風速與京津冀地區的AQI均顯著相關,而降水與AQI的相關性不顯著;周夢鴿等[41]對菏澤、威海兩市進行分析,發現風速、氣溫、相對濕度和日照時數與PM2.5顯著相關,但對兩市的PM2.5影響程度不同.基于已有文獻結論,本文選擇的氣象特征控制變量為:平均氣溫、平均相對濕度和平均風速.

1.3.4 機制變量 根據低碳政策核心內涵和制定的基本思路,本文認為低碳城市政策實現對CO2和PM2.5污染控制的協同效應途徑主要包括推動技術創新、提升能源利用效率、優化交通出行環境、促進產業結構升級4個方面[42-44].為此,分別從技術創新、能源利用效率、公共交通和產業結構角度構建機制變量考察試點政策對降低CO2排放、減少PM2.5濃度的影響機制.參考宋弘等[5]、趙立祥等[45]相關文獻,結合數據的可得性和完整性,本文共選取了11個二級指標.其中,產業結構升級用第三產業與第二產業增加值之比表示,而技術創新、能源利用效率、公共交通三個方面分別選取多個指標來綜合度量.對于技術創新水平,選取發明專利總量、綠色發明專利數量、綠色專利與專利總量之比、科學技術支出占GDP比重四個指標作為代理變量.對于能源利用效率,選取單位GDP電耗(用電總量與GDP比值)、工業廢水排放量、工業SO2排放量、工業煙(粉)排放量4個指標作為代理變量.對于公共交通,選取公共汽(電)車營運車輛數、公共汽(電)車客運總量兩個指標作為代理變量.本文對這3個維度的指標標準化后再使用熵權法分別進行權重賦值,將加權計算得到各維度的總指數作為機制變量.熵權法已被大量應用于城市環境評價等相關領域的研究[46-47],是當前使用最廣泛的確定權重的方法.這是一種客觀賦權法,本質是利用指標的離散程度來表示該指標的信息價值,可以避免人為因素的過多影響,但要求樣本中零值和指標層級數不可過多,否則會降低有效性[48].由于本文樣本中零值比例小且只需對二級指標計算權重,因此適合使用熵權法.以上各變量描述性統計結果見表1,具體機制指標及其權重情況見表2.

表1 變量描述性統計

表2 影響機制指標及權重

注:將有利于降低CO2排放和PM2.5污染的指標定為正向指標,將不利于降低CO2排放和PM2.5污染的指標定為負向指標,最終計算得到的一級指標均為正向指標.

2 結果與討論

2.1 低碳城市對CO2和PM2.5的影響分析

表3顯示了低碳城市試點政策對CO2和PM2.5污染的基準回歸結果.列(1)、列(3)控制了時間固定效應和城市固定效應,列(2)在此基礎上加入了城市社會和經濟控制變量,列(4)同時還加入了城市氣象特征控制變量.從結果可以發現,各列低碳城市政策變量D的回歸系數均顯著為負,且列(2)、列(4)回歸系數表明,相比于非試點城市,低碳城市政策降低了試點城市3.2%的CO2排放量和0.74%的PM2.5濃度.這說明低碳城市政策減少了試點城市的CO2和PM2.5,產生顯著的協同效應.

在控制變量方面,氣象變量對PM2.5濃度具有顯著的影響.結果表明,風速的增加可以有效降低大氣PM2.5濃度,而氣溫升高會導致PM2.5濃度增加,說明風速越大,污染物越容易擴散,而氣溫上升對PM2.5污染的形成起著重要作用.另一方面,城市社會和經濟控制變量對CO2和PM2.5的協同效應產生一定的影響.科學技術支出占比的提高顯著降低城市碳排放和PM2.5,說明技術創新有效推動了CO2和PM2.5的協同減排,為提升環境質量提供有效支持;而人口數量的增多顯著增加了CO2排放和PM2.5,對協同效應產生負向影響,這說明人類生活和生產活動與環境污染高度相關,人口增長會加劇溫室效應和霧霾污染.

2.2 穩健性檢驗

為保證雙重差分模型估計結果的合理性和準確性,確保研究結論的可靠性,本文將從多重維度進行穩健性檢驗.

2.2.1 平行趨勢假設檢驗 使用雙重差分模型的一個重要假設條件是滿足"平行趨勢",即在政策實施之前,試點城市和其他城市的被解釋變量應具有相同的變化趨勢,從而保證估計量的無偏性.本文參照已有研究[49],使用事件研究法來進行平行趨勢假設檢驗.具體模型形式如下:

式中:P,t-是一個虛擬變量,若在年份-時城市成為試點城市,則該變量取1,否則為0;表示城市獲批為低碳試點城市后的第年,考慮到試點城市樣本的時間范圍,本文將被解釋變量為CO2和PM2.5的模型范圍設置為[-6,7],即覆蓋了政策實施前6年和實施后7年,將政策實施的前1年設置為基準組;是平行趨勢假設檢驗關注的核心變量,若<0時,的估計值不顯著且趨勢平緩,則平行趨勢假設成立.

表3 低碳城市政策對CO2和PM2.5的基準回歸結果

注:括號內數值為穩健標準誤;***、**、*分別表示檢驗在1%、5%和10%的水平上顯著;由于文章篇幅限制,未報告常數項.下同.

由于將政策實施前一年設定為基準組,因此圖中沒有-1期的數據

垂直虛線表示真實的低碳城市名單的估計系數值

2.2.3 PSM-DID 低碳試點城市是綜合考慮各申報地區的示范性和代表性等因素后確定的,因此并非是隨機性選擇,一些城市由于地理區位?經濟發展等因素存在的差異隨著時間的變化可能會對城市環境產生不同的影響,造成估計偏差.為此,本文使用傾向得分匹配(PSM)的DID模型進行穩健性檢驗.PSM-DID方法常應用于政策效應評估中[51],用以緩解選擇性偏差帶來的內生性問題.具體地,選取人均GDP、人口數、第三產業占比和金融機構貸款余額占比等可能影響低碳試點城市選取的相關因素作為匹配變量,采用1:4有放回的最近鄰匹配方式,基于Logit模型估計傾向得分值,尋找試點城市的配對城市,再使用配對后的樣本進行雙重差分模型.在利用PSM-DID方法進行估計之前,需先進行平衡性檢驗,即檢驗匹配后的兩組樣本的協變量取值是否存在顯著性差異.平衡性檢驗結果表明,兩組間并無顯著差距,因此本文使用PSM-DID方法是合理的.

2.2.4 其他政策影響 在考慮低碳城市建設的協同效應時,可能會受到其他政策的影響,從而對低碳城市試點政策的估計效應產生偏差.因此,本文梳理了2010年以來城市層面可能會對環境產生影響的重要政策,包括創新型城市試點政策、碳排放權交易試點政策、新能源示范城市政策、大氣污染排放限值政策以及新能源汽車補貼政策,在基準計量模型中加入各政策虛擬變量與時間線性趨勢的交叉項.具體形式如下:

Y=+D+X+Z′tim+++(5)

式中:Z為表示其他政策的虛擬變量,若城市在年實施了該政策,則Z=1,否則Z=0;tim表示時間趨勢.如果加入交叉項后低碳城市建設的政策效果不顯著,則表明本文結論不穩健.結果如表4列(5)、列(6)所示.可以發現,回歸系數的顯著性和估計值均有一定程度的下降,但系數依然顯著,說明低碳城市的政策效果存在高估現象,但并不影響本文結論,本文估計結論相對穩健.此外,觀察其他政策與時間趨勢交叉項的回歸系數值及其顯著性,發現各政策均或多或少地降低了碳排放和PM2.5濃度,再次印證了CO2與PM2.5之間存在協同效應.

2.2.5 其他穩健性檢驗 為進一步保證本文估計結論的可靠性,還進行了一系列其他的穩健性檢驗,結果見表5.第一,更改了第二次低碳城市政策的實施時間,將其設定為政策公布的2012年,結果如表5列(1)、列(2)所示.第二,為排除異常值對估計結果的干擾,對被解釋變量進行5%和95%的縮尾處理,結果如表5列(3)、列(4)所示.第三,替換被解釋變量,將人均碳排放量(ACO2)作為衡量碳排放水平的指標,結果如表5列(5)所示.第四,由于本文使用的CO2數據只計算了直接能源消耗產生的CO2排放,而未計算電能等間接排放[33],這可能導致估計結果產生一定的偏差.因此,本文借鑒吳建新等[52]的做法,使用城市用電量和歷年各區域電網基準線排放因子計算各城市電能消耗產生的CO2排放(ECO2),取對數后將其替換為被解釋變量.最終結果如表5列(6)所示.

表4 穩健性檢驗(1)

表5 穩健性檢驗(2)

從表5列(1)～列(5)可以看出,結果與基準回歸并無顯著差別,低碳試點政策的回歸系數依然顯著為負.同時,表5列(6)顯示低碳城市政策顯著降低了試點城市電能消耗產生的碳排放,其降低程度為4.2%.因此,低碳城市同時降低了能源消耗和電能消耗產生的CO2排放,低碳城市建設的實際CO2減排效應可能還要高于基準回歸結果.但這并不影響本文結論,低碳城市對CO2與PM2.5仍然具有顯著的協同效應,本文結論依然較為穩健.

2.3 影響機制分析

以上研究表明,低碳城市試點政策可以有效減少碳排放,降低PM2.5污染,具有顯著的協同效應.在此基礎上,本文進一步從技術創新、能源利用效率、公共交通、產業結構4個方面檢驗低碳城市政策控制CO2和PM2.5的影響機制,具體結果見表6.

表6的列(1)～列(4)展示了各個機制模型(2)的回歸結果.結果顯示,當被解釋變量為技術創新、能源利用效率和公共交通環境時,政策變量的回歸系數均顯著為正,說明低碳城市政策顯著提高了試點城市的技術創新水平和能源利用效率,改善了試點城市的公共交通.當被解釋變量為產業結構升級時,政策變量的回歸系數不顯著,說明低碳城市建設并未使試點城市與非試點城市之間的產業結構升級有明顯的差異.

表6的列(5)～列(12)展示了各個機制模型(3)的回歸結果.結果顯示,對于CO2,技術創新水平、能源利用效率、公共交通相關變量的回歸系數均顯著為負,且政策變量回歸系數相較前文基準模型中的系數的絕對值減小,因此存在中介效應,說明低碳城市政策通過這3種影響機制顯著降低了試點城市的CO2排放量.對于PM2.5,公共交通的回歸系數顯著為負且政策變量回歸系數的絕對值相較基準模型有所減小,說明低碳城市建設優化了試點城市的居民出行環境,隨著公共交通網絡的日趨完善和公交出行分擔比例逐年提升,有效減少了PM2.5污染.技術創新和能源利用效率的回歸系數雖為負但并不顯著,說明低碳城市政策尚未通過提升技術創新和能源利用效率來降低PM2.5濃度.隨著城市化進程加快,能源和產業結構等因素對PM2.5的貢獻度越來越小,而交通對PM2.5的貢獻度越來越大.目前,機動車等移動污染源已經成為北京、上海、杭州等大中型城市PM2.5的主要來源[53].此外,被解釋變量為PM2.5時,產業結構升級回歸系數為負,說明產業結構升級可以顯著降低大氣PM2.5濃度.

綜上,機制檢驗結果表明,當前我國低碳城市政策主要通過優化城市公共交通實現了CO2和PM2.5的協同效應.低碳城市政策還通過提高技術創新水平和提升能源利用效率降低了試點地區的CO2排放,但這兩種途徑尚未對PM2.5污染產生顯著影響.雖然產業結構升級可以顯著降低PM2.5濃度,但相比于非試點城市,低碳城市政策并未顯著優化升級試點城市的產業結構.

表6 影響機制檢驗

2.4 地區差異分析

我國各城市的經濟發展水平、區位優勢、資源稟賦等均有較大區別,城市的CO2排放和PM2.5污染的主要來源領域也不盡相同.因此,探索發展情況與定位類似的城市在減碳降霾路徑上的可能性是十分重要的.參考張華[18]、張兵兵[21]等人的城市分組方法,本文分別根據城市的經濟發展水平、產業結構和資源稟賦特征對城市進行分類,考察不同城市群低碳城市建設的協同效應是否存在差異.

表7顯示了不同分組下低碳城市試點政策對CO2和PM2.5的影響結果.其中,列(1)和列(2)以城市2019年人均GDP是否高于全國平均水平進行劃分;列(3)和列(4)以城市2019年產業結構比例是否為三產>二產>一產進行劃分;列(5)和列(6)以城市是否為資源型城市進行劃分.從結果可以看出,低碳城市政策的協同效應存在地區差異.首先,列(1)和列(2)表明,不論是對CO2還是PM2.5,低碳建設下經濟發展水平較高城市的減排力度更強.城市經濟發展水平越高,會有更多的政府財力支持、更高的技術水平、更充足的人才來保障政策的實施,因而減排效果更好.其次,相較第二產業占比更高的城市,低碳城市政策對服務業比重更高城市的協同效應效果更好.服務業比重高的城市產業結構水平較高,技術集約化水平高,有較好的減碳降霾基礎;而重工業城市碳排放和污染物排放強度大,增長慣性大,更不易減排.最后,低碳城市政策對非資源型城市的協同效應更有效,對資源型城市的影響不顯著.資源型城市的發展主要依賴于資源稟賦,較多城市經濟發展滯后,生態環境壓力大,而低碳試點城市沒有額外的財政資金支持,政府更多使用市場激勵型政策,因此資源型城市的政策力度較弱,實施效果不明顯.非資源型城市的發展更多依賴于完善的產業結構和創新,在低碳政策的幫助下,更利于通過實施技術創新、推動產業結構升級等方式降低CO2和PM2.5的排放.

表7 不同分組下低碳城市試點政策的協同效應

2.5 政策建議

2.5.1 充分發揮CO2和PM2.5等大氣污染物的協同效應,進一步推動低碳城市建設.實證結果表明,低碳城市建設不僅可以降低碳排放,還可以減少PM2.5污染.因此,在制定城市低碳發展的方針政策時應優化管理路線,強化減污降碳協同增效要求,積極推進CO2和PM2.5等大氣污染物的協同控制.具體而言,首先要提升減碳降霾協同監測能力,完善CO2和PM2.5為一體的監測評估體系;其次要加強協同管理,將碳減排措施和霧霾污染治理政策相協調,建立統一的規劃目標和考核體系,在產業、城市層面開展減碳降霾協同度評價的研究;最后要加大對綠色低碳技術和投資項目的財政政策支持,大力發展綠色金融,助力企業綠色低碳發展.

2.5.2 統籌協調推進多部門的低碳發展工作,實現多途徑協同減排.機制分析結果表明,當前低碳城市實現協同效應的重要機制是交通,而技術創新和能源利用等方面的作用較為有限.因此在制定低碳規劃時,一方面應優化交通運輸結構,有序推動老舊車輛的替換,加快發展新能源車,構建安全、綠色、經濟的現代綜合交通運輸體系,另一方面需進一步加強技術創新,尤其是多污染物系統治理等綠色低碳協同技術的研發應用;同時推動能源綠色低碳轉型,提高能源加工轉化和利用效率,大力發展風能、太陽能、地熱能等新能源,不斷提高非化石能源消費比重,切實實現多路徑多部門的協同減排.

2.5.3 總結各地低碳城市發展經驗,因地制宜開展低碳建設工作.實證結果表明低碳政策的協同效應因城市地理、社會、經濟等因素而存在地區差異,經濟發展水平較低、第二產業比重大的城市和資源型城市的CO2和PM2.5協同效應較弱,而經濟發展水平高、以服務業為主的城市和非資源型城市具有顯著的CO2和PM2.5協同減排效應.因此,低碳城市應深入分析自身發展條件和資源稟賦特征,更有針對性的解決核心問題,探索低碳發展有效路徑.例如,對于重工業城市,應加大財政資金支持,鼓勵企業綠色轉型,同時通過協同技術引進?能效提升等方式積極推進工業領域的協同增效,優化產業和能源結構;對于一線、新一線等經濟發達的城市,應進一步加強技術創新和管理創新,充分發揮帶頭作用,探索更有效的減碳降霾協同治理路徑.同時,區域間應加強交流,讓非試點城市多借鑒與其職能定位相似的低碳城市實現協同效應的路徑等成功經驗,推動低碳工作在全國范圍穩步開展.

3 結論

3.1 低碳城市對CO2和PM2.5的回歸結果顯示,低碳城市政策使試點城市的CO2排放量和大氣PM2.5濃度分別下降3.2%和0.74%,有效實現CO2和PM2.5減排的協同效應,且結論在一系列穩健性檢驗后仍然成立.

3.2 影響機制分析表明,低碳城市建設協同效應主要通過優化城市公共交通的途徑來實現的.此外,技術創新和提升能源利用效率也是低碳城市政策降低CO2排放的途徑之一,但對PM2.5的影響并不顯著.雖然產業結構升級可以有效降低PM2.5濃度,但低碳政策并未通過產業結構升級對碳排放和大氣污染產生顯著影響.

3.3 低碳城市建設的協同效應存在地區差異,經濟發展水平、產業結構、自然資源稟賦等條件均會對減碳降霾成效產生影響.其中,對于經濟發展水平較高的城市、產業結構水平較高的城市以及非資源型城市,低碳城市政策的協同效應更為顯著.

[1] Dong F, Yu B L, Pan Y L. Examining the synergistic effect of CO2emissions on PM2.5emissions reduction: Evidence from China [J]. Journal of Cleaner Production, 2019,223:759-771.

[2] Portugal-Pereira J, Koberle A, Lucena A, et al. Interactions between global climate change strategies and local air pollution: lessons learnt from the expansion of the power sector in Brazil [J]. Climatic Change, 2018,148:293-309.

[3] Swart R, Amann M, Raes F, et al. A good climate for clean air: Linkages between climate change and air pollution. An Editorial Essay [J]. Climatic Change, 2004,66(3):263-269.

[4] Houghton J, Ding Y H, Griggs J, et al. Climate change 2001: The scientific basis [R]. Cambridge: Cambridge University Press, 2001.

[5] 宋 弘,孫雅潔,陳登科.政府空氣污染治理效應評估——來自中國“低碳城市”建設的經驗研究 [J]. 管理世界, 2019,35(6):95- 108,195.

Song H, Sun Y J, Chen D K.Assessment for the effect of government air pollution control policy: empirical evidence from “low-carbon city” construction in China [J]. Management World, 2019,35(6):95- 108,195.

[6] 曾詩鴻,李 璠,翁智雄,等.我國碳交易試點政策的減排效應及地區差異 [J]. 中國環境科學, 2022,42(4):1922-1933.

Zeng S H, Li F, Weng Z X, et al. Study on the emission reduction effect of China's carbon trading pilot policy and regional differences [J]. China Environmental Science, 2022,42(4):1922-1933.

[7] 高 原,申珍珍.綠色金融改革政策的碳減排效應 [J]. 中國環境科學, 2022,42(10):4849-4859.

Gao Y, Shen Z Z. The role of green finance reform policy in carbon reduction [J]. China Environmental Science, 2022,42(10):4849-4859.

[8] 周 迪,劉奕淳.中國碳交易試點政策對城市碳排放績效的影響及機制 [J]. 中國環境科學, 2020,40(1):453-464.

Zhou D, Liu Y C. Impact of China’s carbon emission trading policy on the performance of urban carbon emission and its mechanism [J]. China Environmental Science, 2020,40(1):453-464.

[9] 劉茂輝,劉勝楠,李 婧,等.天津市減污降碳協同效應評估與預測 [J]. 中國環境科學, 2022,42(8):3940-3949.

Liu M H, Liu S N, Li J, et al. Evaluation and prediction of the synergistic effect of pollution reduction and carbon reduction in Tianjin [J]. China Environmental Science, 2022,42(8):3940-3949.

[10] Alam M S, Hyde B, Duffy P, et al. Analysing the co-benefits of transport fleet and fuel policies in reducing PM2.5and CO2emissions [J]. Journal of Cleaner Production, 2018,172:623-634.

[11] Xue B, Yang M. Co-benefit prevention and control of air pollutants and green-house gases [J]. Reform, 2017,282(8):78-80.

[12] Vuuren D, Cofala J, Eerens H E, et al. Exploring the ancillary benefits of the Kyoto Protocol for air pollution in Europe [J]. Energy Policy, 2006,34(4):444-460.

[13] Markandya A, Armstrong B G, Hales S, et al. Public health benefits of strategies to reduce greenhouse-gas emissions: low-carbon electricity generation [J]. The Lancet, 2009,374(9706):2006-2015.

[14] 李麗平,周國梅,季浩宇.污染減排的協同效應評價研究——以攀枝花市為例 [J]. 中國人口·資源與環境, 2010,20(S2):91-95.

Li L P, Zhou G M, Ji H Y. Study of Co-benefits Assessment of Pollution Reduction: A Case Study in Panzhihua [J]. China population, resources and environment, 2010,20(S2):91-95.

[15] 王慧慧,曾維華,吳開亞.上海市機動車尾氣排放協同控制效應研究 [J]. 中國環境科學, 2016,36(5):1345-1352.

Wang H H, Zeng W H, Wu K Y. Co-control effects of motor vehicle pollutant emission in Shanghai [J]. China Environmental Science, 2016,36(5):1345-1352.

[16] 周 迪,周豐年,王雪芹.低碳試點政策對城市碳排放績效的影響評估及機制分析[J]. 資源科學, 2019,41(3):546-556.

Zhou D, Zhou F N, Wang X Q. Impact of low-carbon pilot policy on the performance of urban carbon emissions and its mechanism [J]. Resources Science, 2019,41(3):546-556.

[17] 禹 湘,陳 楠,李曼琪.中國低碳試點城市的碳排放特征與碳減排路徑研究 [J]. 中國人口·資源與環境, 2020,30(7):1-9.

Yu X, Chen N, Li M Q. Research on carbon emission characteristics and reduction pathways of low-carbon pilot cities in China [J]. China population, resources and environment, 2020,30(7):1-9.

[18] 張 華.低碳城市試點政策能夠降低碳排放嗎?——來自準自然實驗的證據 [J]. 經濟管理, 2020,42(6):25-41.

Zhang H. Can Low-carbon City Construction Reduce Carbon Emissions? Evidence from a Quasi-natural Experiment [J]. Economic Management Journal, 2020,42(6):25-41.

[19] 董 梅.低碳城市試點政策的工業污染物凈減排效應——基于合成控制法 [J]. 北京理工大學學報(社會科學版), 2021,23(5):16-30.

Dong M.Analysis of the net emission reduction effect of the industrial pollutants in low-carbon pilot cities-Based on synthetic control method [J]. Journal of Beijing Institute of Technology (Social Sciences Edition), 2021,23(5):16-30.

[20] 韋東明,顧乃華.城市低碳治理與綠色經濟增長——基于低碳城市試點政策的準自然實驗 [J]. 當代經濟科學, 2021,43(4):90-103.

Wei D M, Gu N H. Low-carbon governance and green economic growth-Quasi-natural experiment from Chinese low-carbon polit policy [J]. Modern Economic Science, 2021,43(4):90-103.

[21] 張兵兵,周君婷,閆志俊.低碳城市試點政策與全要素能源效率提升——來自三批次試點政策實施的準自然實驗 [J]. 經濟評論, 2021, (5):32-49.

Zhang B B, Zhou J T, Yan Z J. 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.

[22] 龔夢琪,劉海云,姜 旭.中國低碳試點政策對外商直接投資的影響研究 [J]. 中國人口·資源與環境, 2019,29(6):50-57.

Gong M Q, Liu H J, Jiang X. A study on the impact of China’s low-carbon pilot policy on foreign direct investment [J]. China population, resources and environment, 2019,29(6):50-57.

[23] 清華大學碳中和研究院.中國碳核算數據庫 [DB/OL]. https: //www.ceads.net.cn/data/county/.

Institute for Carbon Neutrality, Tsinghua University. Carbon Emission Accounts & Datasets for emerging economies [DB/OL]. https://www. ceads.net.cn/data/county/.

[24] Wei J, Li Z, Lyapustin A, et al. Reconstructing 1-km-resolution high- quality PM2.5data records from 2000 to 2018 in China: spatiotemporal variations and policy implications [J]. Remote Sensing of Environment, 2021,252,112136.

[25] Wei J, Li Z, Cribb M, et al. Improved 1km resolution PM2.5estimates across China using enhanced space-time extremely randomized trees [J]. Atmospheric Chemistry and Physics, 2020,20:3273–3289.

[26] 上海經禾信息技術有限公司.中國研究數據服務平臺 [DB/OL]. https://www.cnrds.com.

Shanghai Jinghe Information Technology Co., LTD. Chinese research data services platform [DB/OL]. https://www.cnrds.com.

[27] 中國國家統計局城市社會經濟調查司.中國城市統計年鑒 [M]. 北京:中國統計出版社, 2020.

Department of Urban Socio- Economic Survey of the National Bureau of Statistics of the People’s Republic of China. China’s urban statistical yearbook [M]. Beijing: China Statistics Press, 2020.

[28] 國家氣象信息中心.中國地面氣候資料日值數據集(V3.0) [DB/OL]. http://data.cma.cn.

National Meteorological Information Center. Daily data sets of Chinese surface climatological data(V3.0) [DB/OL]. http://data.cma. cn.

[29] Beck T, Levine R, Levkov A. Big bad banks? The winners and losers from bank deregulation in the United States [J]. The Journal of Finance, 2020,65:1637-1667.

[30] 溫忠麟,張 雷,侯杰泰,等.中介效應檢驗程序及其應用 [J]. 心理學報, 2004,(5):614-620.

Wen Z L, Zhang L, Hou J T, et al. Testing and application of the mediating effects [J]. Acta Psychologica Sinica, 2004,(5):614-620.

[31] Preacher K J, Hayes A F. Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models [J]. Behav Res Methods, 2008,40(3):879-891.

[32] 賈璐宇,王艷華,王 克,等.大氣污染防治措施二氧化碳協同減排效果評估 [J]. 環境保護科學, 2020,46(6):19-26,43.

Jia L Y, Wang Y H, Wang K, et al. Evaluation of carbon dioxide coordination emission reduction based on national air pollution control plan [J]. Environmental Protection Science, 2020,46(6):19- 26,43.

[33] Chen J, Gao M, Cheng S, et al. County-level CO2emissions and sequestration in China during 1997～2017 [J]. Scientific Data, 2020, 7(1):1-12.

[34] Lin H X, Jiang P. Analyzing the phased changes of socioeconomic drivers to carbon dioxide and particulate matter emissions in the Yangtze River Delta [J]. Ecological Indicators, 2022,140:109044.

[35] Dietz T, Rosa E A. Rethinking the environmental impacts of population, affluence and technology [J]. Human Ecology Review, 1994,1(2):277-300.

[36] 黃 蕊,王 錚,丁冠群,等.基于STIRPAT模型的江蘇省能源消費碳排放影響因素分析及趨勢預測 [J]. 地理研究, 2016,35(4):781-789.

Huang R, Wang Z, Ding G Q, et al. Trend prediction and analysis of influencing factors of carbon emissions from energy consumption in Jiangsu province based on STIRPAT model [J]. Geographical Research, 2016,35(4):781-789.

[37] Zhang K, Zhang Z Y, Liang Q M. An empirical analysis of the green paradox in China: From the perspective of fiscal decentralization [J]. Energy Policy, 2017,103(4):203-211.

[38] 嚴成樑,李 濤,蘭 偉.金融發展、創新與二氧化碳排放 [J]. 金融研究, 2016,(1):14-30.

Yan C L, Li T, Lan W. Financial development, innovation and carbon Emission [J]. Journal of Financial Research, 2016,(1):14-30.

[39] 李小飛,張明軍,王圣杰,等.中國空氣污染指數變化特征及影響因素分析 [J]. 環境科學, 2012,33(6):1936-1943.

Li X F, Zhang M J, Wang S J, et al. Variation characteristics and influencing factors of air pollution index in China [J]. Environmental Science, 2012,33(6):1936-1943.

[40] 李慧杰,王秀蘭,王計平,等.2013～2017年間京津冀地區空氣質量及影響因素分析 [J]. 環境監測管理與技術, 2019,31(2):21-25.

Li H J, Wang X L, Wang J P, et al. Analysis on air quality influence factors in Beijing-Tianjin-Hebei region during 2013～2017 [J]. The Administration and Technique of Environmental Monitoring, 2019, 31(2):21-25.

[41] 周夢鴿,楊 依,孫 媛,等.2016～2020年山東省空氣質量時空分布特征及影響因素分析 [J]. 環境科學, 2022,43(6):2937-2946.

Zhou M G, Yang Y, Sun Y, et al. Spatio-temporal characteristics of air quality and influencing factors in Shandong province from 2016 to 2020 [J]. Environmental Science, 2022,43(6):2937-2946.

[42] Auffhammer M, Sun W, Wu J, et al. The decomposition and dynamics of industrial carbon dioxide emissions for 287 Chinese cities in 1998～2009 [J]. Journal of Economic Surveys, 2016,30(3):460-481.

[43] 綠色低碳發展智庫伙伴.中國城市低碳發展規劃峰值和案例研究 [M]. 北京:科學出版社, 2016:10-23.

Think tank partners for green and low carbon development. Peak value and case study of urban low carbon development planning in China [M]. Beijing: Science Press, 2016:10-23.

[44] 莊貴陽.中國低碳城市試點的政策設計邏輯 [J]. 中國人口·資源與環境, 2020,30(3):19-28.

Zhuang G Y. Policy design logic of low-carbon city pilots in China [J]. China Population, Resources and Environment, 2020,30(3):19-28.

[45] 趙立祥,趙 蓉,張雪薇.碳交易政策對我國大氣污染的協同減排有效性研究 [J]. 產經評論, 2020,11(3):148-160.

Zhao L X, Zhao R, Zhang X W.Study on the effectiveness of carbon trading policy on the coordinated emission reduction of air pollution in China [J]. Forward Position or Economics, 2020,11(3): 148-160.

[46] 孫久文,崔雅琪,張 皓.黃河流域城市群生態保護與經濟發展耦合的時空格局與機制分析 [J]. 自然資源學報, 2022,37(7):1673-1690.

Sun J W, Cui Y Q, Zhang H. Spatio-temporal pattern and mechanism analysis of coupling between ecological protection and economic development of urban agglomerations in the Yellow River Basin [J]. Journal of Natural Resources, 2022,37(7):1673-1690.

[47] 董戰峰,郝春旭,劉倩倩,等.基于熵權法的中國省級環境績效指數研究 [J]. 環境污染與防治, 2016,38(8):93-99.

Dong Z F, Hao C X, Liu Q Q, et al. Chinese provincial environmental performance index based on entropy method [J]. Environmental Pollution & Control, 2016,38(8):93-99.

[48] Zhu Y X, Tian D Z, Feng Y. Effectiveness of entropy weight method in decision-making [J]. Mathematical Problems in Engineering, 2020,2020:3564835.

[49] 羅 知,趙奇偉,嚴 兵.約束機制和激勵機制對國有企業長期投資的影響 [J]. 中國工業經濟, 2015,(10):69-84.

Luo Z, Zhao Q W, Yan B. The impact of constriction mechanism and incentive mechanism on the long run investment of SOEs [J]. China Industrial Economics, 2015,(10):69-84.

[50] Li P, Lu Y, Wang J. Does flattening government improve economic performance? Evidence from China [J]. Journal of Development Economics, 2016,123:18-37.

[51] Abadie A, Drukker D, Herr J L, et al. Implementing matching estimators for average treatment effects in Stata [J]. The stata journal, 2004,4(3):290-311.

[52] 吳建新,郭智勇.基于連續性動態分布方法的中國碳排放收斂分析 [J]. 統計研究, 2016,33(1):54-60.

Wu J X, Guo Z Y. Research on the convergence of carbon dioxide emissions in China: A continuous dynamic distribution approach [J]. Statistical Research, 2016,33(1):54-60.

[53] 陸錫明,邵 丹.北京、上海、杭州機動車對PM2.5的貢獻度差異 [J]. 城市交通, 2017,15(2):93-95.

Lu X M, Shao D. Different PM2.5emissions by transportation in Beijing, Shanghai and Hangzhou [J]. Urban Transport of China, 2017,15(2):93-95.

Assessment for Co-benefits of low-carbon city on CO2and PM2.5in China.

ZHAO Yan-yun1*, LU Xiang-yi1, WANG Wen2

(1.School of Statistics, Renmin University of China, Beijing 100872, China；2.School of Environment & Natural Resources, Renmin University of China, Beijing 100872, China )., 2023,43(1)：465～476

This paper incorporated CO2and PM2.5that based on satellite remote sensing data into a unified research framework. The time-varying difference-in-differences model was used to explore the Co-benefits and impact mechanism of low-carbon city construction from 2007 to 2019 at the city scale. It was found that the Co-benefits of CO2and PM2.5were significant, which reducing CO2emissions and atmospheric PM2.5concentrations in pilot cities by 3.2% and 0.74%. The findings still held after a series of robustness tests. The mechanism analysis showed thatimproving the public transportation environment was the most important way to achieve the Co-benefits in low-carbon city construction. Moreover, there were regional differences in the Co-benefits of low carbon policies, and the Co-benefits were more significant in cities with high levels of economic development, high levels of industrial structure, and non-resource-based cities. Therefore, we should give full play to the Co-benefits and further accelerate the construction of low-carbon cities to promote the synergistic management of CO2, PM2.5and other air pollutants.

co-benefits；CO2；PM2.5；low-carbon cities；difference-in-differences

X51

A

1000-6923(2023)01-0465-12

趙彥云(1957-,)男,天津武清縣人,教授,博士,主要研究方向為經濟統計和分析、國際競爭力與創新指數、互聯網統計及大數據應用.發表論文300余篇.

2022-06-17

國家重點研發計劃項目(2021YFB3901201);中國人民大學科學研究基金資助重大規劃項目(17XNLG09)

* 責任作者, 教授, cas-kriu@ruc.edu.cn