2025, Vol. 46
生态文明建设是关乎中华民族发展的根本大计, 而中国作为发展中工业化大国, 环境保护的结构性、根源性与趋势性压力还未得到根本缓解[1]. 其中, 大气污染和温室气体(以CO2为主)是当今人类面临的两大挑战, 二者不仅具有同根、同源和同过程的特性, 还具备相似的社会经济效益与环境治理机制. 因此, 对其进行协同治理具备理论上的科学性与实践上的可行性. 近年来, 中国政府高度重视大气污染治理与温室气体减排这两大现实性问题：2021年3月, “十四五”规划和2035年远景目标纲要明确提出“协同推进减污降碳”；2022年6月, 生态环境部和国家发改委等七部门联合印发的《减污降碳协同增效实施方案》指出, “协同推进减污降碳已成为我国新发展阶段经济社会发展全面绿色转型的必然选择”；同年10月, 党的二十大报告再次强调, “站在人与自然和谐共生的高度谋划发展, 协同推进降碳、减污、扩绿、增长”. 无疑, 减污降碳协同治理已经成为中国应对环境问题的重要策略, 如何推动减污降碳协同治理已然成为一个重要的科学问题.
与此同时, 制造业作为污染排放与碳排放最突出的产业, 极大程度上制约着城市减污降碳协同治理的进程. 制造业绿色转型不仅是扭转制造业粗放式发展的重要方式, 也是协调经济增长与环境治理的核心工具. 在此背景下“中国制造2025”这一激励型产业政策应运而出, 其通过打造智能制造和绿色制造体系, 促进制造业转型升级, 形成高效、清洁、循环的绿色制造体系, 进而推进产业整体从粗放型、外延型向集约型、内涵型转变. 为充分发挥各地区在贯彻落实“中国制造2025”战略上的主动性和创造性, 工信部于2016年和2017年先后启动以30个城市(区)为载体的“中国制造2025”试点示范城市建设, 并在随后的《“中国制造2025”城市试点示范工作方案》中明确提出要在3~5 a内取得明显成效. 可见, 该政策将会对试点地区的生产、生活以及生态均产生重要影响. 那么, 就环境效应来看, 该政策能否对城市减污降碳协同治理产生影响?其内在机制是什么?有何异质性表现?进一步, 所产生的经济社会效益如何?回答好上述问题, 不仅能够明晰示范城市建设这一区位导向型产业政策的环境效应, 更能为城市减污降碳的协同治理以及生态文明建设的统筹推进提供重要启示.
从现有文献来看, 与本文密切相关的研究主要集中在两类. 其一, 减污降碳协同治理的相关研究. 中国大气污染物与温室气体的排放具有时空一致性[2~4], 二者的“同根同源”属性以及日益加剧的环境压力, 促使现有研究从对温室气体或单一污染物影响因素的考察, 转为对减污降碳协同治理路径的探索, 其中主要包括“由碳及污”或“由污及碳”的单向协同效益, 以及外生政策冲击或经济要素发展的双向协同效益. 就单向协同效益而言, 不论是降碳政策的协同减污效应[5~8]还是减污政策的协同降碳效应[9~12], 现有研究均给予了肯定结论. 就双向协同效益而言, 不论是用能权交易[13]、环保督政[14]、环境保护税法[15]和大数据综合试验区[16]等外生政策冲击, 还是数字经济[17]、数字化转型[18]、国际贸易[19, 20]和建设用地资源空间集聚[21]等经济要素发展, 均表现出显著的减污降碳协同治理效应. 其二, 示范城市建设的政策效应研究. 示范城市建设能够立足于城市自身的资源禀赋结构, 通过经济活动的集聚效应与规模效应, 促使政策资源和要素资源向试点城市流动[22], 进而发挥“资源效应”与“竞争效应”, 激励企业的创新行为[23]. 同时, 这一政策还能够通过创新效应与资源效应, 提升企业全要素生产率[24, 25], 并促进制造企业的服务化转型[26], 最终带来城市绿色发展效率的提升[27].
总体来看, 现有研究已颇为丰富, 但目前尚未有学者关注示范城市建设这一区位导向型产业政策对试点地区环境状况的影响. 因此, 本文基于减污降碳协同治理视角, 将示范城市建设视为一项准自然实验, 运用渐进双重差分模型系统考察其对减污降碳协同治理的影响. 可能的创新点在于：首先, 将减污与降碳纳入同一分析框架, 通过构建减污降碳协同指数, 系统阐释并检验了示范城市建设对污染排放、碳排放以及减污降碳协同水平的影响, 在补充和完善现有研究不足的同时, 为城市以产业政策推动环境问题治理提供新的证据与经验参考. 其次, 依托“环境三效应”研究范式, 从规模效应、技术效应和结构效应这3个方面挖掘示范城市建设影响减污降碳协同治理的内在机制, 为城市实现减污降碳协同治理提供路径支撑和决策依据. 再次, 基于地理区位与资源禀赋的不同, 考察示范城市建设对减污降碳协同治理的异质性影响, 有助于不同城市因地制宜推动产业转型、解决环境问题. 最后, 评估示范城市建设发挥减污降碳协同治理效应这一过程所产生的经济社会效益, 拓展产业政策效应评估的研究方向.
1 理论分析与研究假说 1.1 示范城市建设与减污降碳协同治理大气污染物与温室气体具有同根、同源和同过程的特点, 经济生产与能源消费等行为不仅会产生PM2.5和SO2等大气污染排放, 也会造成CO2和CH₄等温室气体排放. 在环境污染防治与温室气体控制的双重压力下, 协同推进减污降碳不仅具有重要的现实意义, 且具备实践方面的可行性. 然而, 作为一项系统性与复杂性并存的工程, 减污降碳协同治理需要社会经济的结构性调整、生产技术的根本性升级以及城市运行模式的全面性转型等因素共同推动. 在此背景下, 一方面, 示范城市建设通过对智能制造与绿色制造体系的构建, 能够打通制造业在生产经营、能源消耗及“三废”处理上的技术梗阻[27], 且政策本身也提出了绿色低碳能源使用、节能环保技术创新与绿色监管等方面的环境要求, 由此共同赋能城市减污降碳协同治理. 另一方面, 示范城市建设作为一项国家级区位导向型产业政策, 能够弥补地方产业政策难以规避的资源错配问题[22]. 具体而言, 地方政府官员在制定产业政策的过程中, 会受到“晋升锦标赛”及“标尺竞争”机制的影响, 加之污染排放与碳排放的跨界属性, 各地在环境规制执行过程中存在博弈行为, 即通过环境规制的“逐底竞争”以谋求突出的经济绩效, 从而导致高能耗、高污染型企业的进入和发展, 在“劣币驱逐良币”效应下, 较弱的环境规制导致地区污染排放与碳排放不断加剧[28]. 而示范城市建设立足于国家产业发展层面, 在中央产业政策部署下, 地方政府官员对中央政策的绝对尊重与服从[29], 不仅能够避免地方官员以牺牲社会公共利益为代价换取个人政治前途, 而且确保了其在落实相关绿色规制时有较强的执行力, 从而有助于推动减污降碳协同治理. 由此, 提出如下假说.
假说1：示范城市建设能够有效降低污染排放和碳排放, 实现减污降碳协同治理.
1.2 示范城市建设影响减污降碳协同治理的内在机制依托“环境三效应”研究范式[30, 31], 可分别从规模效应、技术效应和结构效应探寻示范城市建设实现减污降碳协同治理的内在机制, 具体来看：
规模效应机制. 在示范城市建设的评定及实施过程中, 更具有资源禀赋优势与产业发展潜力的地区成为重点发展对象, 资源要素和政策优惠开始向示范城市倾斜, 形成“成本缩减效应”和“融资效应”[32], 诱使不同文化背景的消费者和厂商在地理上集聚. 消费者与厂商的空间协同集聚, 一方面, 能够促使产业之间、产业内部、企业之间形成资源再重置效应, 进而提高区域整体的经济增长水平, 并最终降低环境污染物和温室气体的排放[33]；另一方面, 能够推进能源集中供应, 加强污染物和废弃物的规模化、专业化集中处理以及对环境污染厂商的集中监管, 进而降低污染排放与碳排放, 实现减污降碳协同治理.
技术效应机制. 示范城市建设以创新驱动为基本方针, 提出应“完善有利于创新的制度环境”, “营造大众创业、万众创新的氛围”, 并积极“推动跨领域跨行业协同创新”. 通过对智能制造、“四基”建设、高端装备等领域进行财政补贴, 并加大对信息通信设备、电力装备、新材料、新能源等科技领域的支持力度, 能够发挥产业政策的“资源效应”与“竞争效应”[23], 提升示范城市的技术水平与创新能力. 进一步, 技术创新作为协同治理大气污染与温室气体的关键要素, 能够提高能源使用效率与污染处理技术水平, 实现高效清洁生产, 进而有效减轻经济发展对环境的负面影响, 推动减污降碳协同治理[6].
结构效应机制. 示范城市建设明确了“坚持把结构调整作为建设制造强国的关键环节”. 在此背景下, 示范城市一方面大力发展先进制造与智能制造, 加快新一代信息技术在传统产业生产方式与过程中的应用, 全面提升服务型制造业与生产性服务业在研发、生产与服务环节的智能化水平, 进而推进城市产业结构优化升级；另一方面, 还能够加强企业产品生命周期绿色管理意识, 引导研发重心向先进节能环保领域倾斜, 推动制造业实现循环化、集约化的绿色改造升级目标. 进一步, 随着产业结构的不断优化, 一方面, 相关企业的化石燃料需求逐步减少, 清洁能源占能源消费结构的比例持续提升, 非清洁能源消耗所引致的环境污染问题得以缓解[17]；另一方面, 产业之间的资源得到合理分配和充分利用, 资源要素从污染行业转向清洁行业, 环境污染与温室气体排放随技术密集型结构比例上升而逐渐下降, 从而促进城市减污降碳协同治理. 由此, 提出如下假说.
假说2：示范城市建设能够通过规模效应、技术效应和结构效应, 从而推动减污降碳协同治理.
2 材料与方法 2.1 模型构建 2.1.1 渐进双重差分模型将示范城市建设作为一项准自然实验, 考虑到各城市于2016和2017年分批纳入试点(其中, 2016年试点城市包括宁波、长春、武汉、吴忠、南京、苏州、无锡、常州、镇江、长沙、株洲、湘潭和衡阳共13个地级市；2017年试点城市包括泉州、沈阳、青岛、成都、赣州、广州、合肥、湖州、珠海、佛山、中山、江门、阳江、肇庆、郑州、洛阳和新乡共17个地级市；考虑到研究样本为地级及以上城市, 故剔除顺德区), 构建如下渐进双重差分模型[34], 就该政策对减污降碳协同治理的影响进行评估.
|
(1) |
式中, i为城市, t为年份. Yi, t分别为城市i在第t年的污染排放、碳排放与减污降碳协同水平；Did i, t为政策实施时间虚拟变量与示范城市虚拟变量的交互项；control k, i, t为一系列控制变量；μi 和λt 分别为个体与时间固定效应；α0为截距项；εi, t为随机扰动项.
2.1.2 中介效应模型前文理论分析指出, 规模效应、技术效应、结构效应是示范城市建设影响减污降碳协同的重要传导机制. 鉴于此, 构建如下中介效应模型进行检验：
|
(2) |
|
(3) |
式中, Mi, t为中介变量, 包括规模效应、技术效应和结构效应. β1为示范城市建设对中介变量的影响效应, δ1为政策的直接效应, β1×δ2为中介效应.
2.2 变量描述 2.2.1 被解释变量包括污染排放(PM2.5)、碳排放(CO2)和减污降碳协同水平(Coa)这3项指标. 其中：①污染排放以城市空气中PM2.5浓度均值(×10-3 μg·L-1)表示. ②碳排放通过由排放因子系数计算得到的城市碳排放量(×106 t)表征[35]. ③减污降碳协同水平借鉴现有研究[21], 利用修正后的格鲁贝尔劳埃德指数测度, 该指数由两部分组成, 第一部分反映协同的质量, 第二部分反映协同的高度. 而鉴于PM2.5与CO2具有同根同源性, 因此, 该指数也可用于衡量整体减污降碳协同水平. 具体测算过程如下：
|
(4) |
式中, Coa为减污降碳协同水平, 其值越大, 说明减污降碳能力越强. 考虑到PM2.5和CO2是经济发展过程中的非期望产出项或非效率部分, 其排放规模越大, 降碳与减污的能力越弱, 离零排放越远. 因此, 本文以“零排放”, 即排放水平值1[exp(0)]为基准, 将负向的污染排放(PM2.5)与碳排放(CO2)指标转化为正向的减污水平(e-PM2.5)与降碳水平(e-CO2)指标, 具体处理方法如下：
|
(5) |
|
(6) |
示范城市建设(Did), 表示为政策实施时间虚拟变量与示范城市虚拟变量的交互项. 具体而言, 若城市i在第t年被纳入试点城市范畴, 则将Did赋值为1, 作为处理组；否则赋值为0, 作为对照组.
2.2.3 中介变量规模效应(scale), 采用制造业区位熵作为代理变量, 计算公式为：
|
(7) |
式中, scale i 为i城市制造业在全国的区位熵, qi 为i城市制造业就业人数, Qi 为i城市年末常住人口, q为全国制造业就业人数；Q为全国城市总人口；技术效应(tech), 以各城市当年获得发明数量(由于个别城市在部分年份的发明专利授权量为0, 为保证样本的完整性, 本文对其作加1取对数处理)表征；结构效应(struct), 以产业结构合理化指数表征[36].
2.2.4 控制变量参考既有研究[6, 12, 13], 对如下变量进行控制：经济发展水平(pgdp), 以为人均GDP的自然对数表征；服务业发展水平(ser), 采用第三产业产值占GDP之比衡量；外资利用水平(fdi), 以实际利用外商直接投资额占GDP的比例表示；科教支持力度(se), 采用政府科学技术支出与教育支出之和占财政支出的比例测算；城镇化水平(ur), 使用城镇人口占总人口的比例度量.
2.3 数据说明选取2006~2021年282个地级及以上城市的面板数据作为研究样本, 就示范城市建设的减污降碳协同治理效应展开系统考察. 所涉及数据中, PM2.5浓度数据来源于华盛顿大学圣路易斯分校官网；碳排放数据来源于研究年份的《中国能源统计年鉴》《中国工业统计年鉴》《中国农业统计年鉴》《中国畜牧业年鉴》《中国林业和草原统计年鉴》《中国环境统计年鉴》《中国城市统计年鉴》《省级温室气体排放清单指南(试行)》以及各级政府发布的碳排放清单指南；其余原始数据均来源于《中国城市统计年鉴》、EPS数据库等官方文件或网站. 部分缺失数据采取平均增长率方法补齐, 价格变量均平减至2006年基期水平. 各变量描述性统计如表 1所示.
|
表 1 描述性统计1) Table 1 Descriptive statistics |
3 结果与讨论 3.1 平行趋势检验
渐进双重差分模型有效的前提是满足平行趋势检验, 即在示范城市建设实施前, 实验组和对照组的污染排放、碳排放与减污降碳协同水平应具有相同的变化趋势. 考虑到各城市被纳入示范城市建设的时点不同, 采用事件研究法[34]进行检验, 具体模型构建如下：
|
(8) |
式中, Ti, t为试点城市i政策前后时点的哑变量, k<0和k>0分别为试点政策前后第k年. bk 为政策实施前后实验组和对照组之间污染排放、碳排放与减污降碳协同水平的差异. 由于样本中政策实施前的时间较长, 将政策实施前6 a的数据汇总到-6期, 并以-6期为基期(即去除k=-6的虚拟变量), 以避免时间虚拟变量的多重共线. 图 1显示, 示范城市建设实施前, 实验组与对照组之间的污染排放、碳排放与减污降碳协同水平不存在显著差异, 表明满足平行趋势假设.
|
图 1 平行趋势检验 Fig. 1 Parallel trend test |
在进行回归之前, 对各变量进行了方差膨胀因子(VIF)检验, VIF最大值为2.56, 远小于10, 因此不存在多重共线性问题. 此外, Hansman检验与时间效应联合性显著检验表明, 应选用双向固定效应模型. 表 2汇总了示范城市建设影响污染排放(PM2.5)、碳排放(CO2)和减污降碳协同水平(Coa)的基准回归结果. 可以发现, 无论是否添加控制变量, 该政策对污染排放与碳排放的影响均显著为负、对减污降碳协同水平的影响均显著为正. 具体地, 以加入控制变量的结果为准, Did的回归系数分别为-2.665、-3.510和0.027, 说明与非示范城市相比, 示范城市建设分别使得示范城市的PM2.5浓度与CO2排放量年均降低2.665×10-3 μg·L-1与3.510×106 t, 减污降碳协同水平年均提高0.027个单位. 由此可见, 示范城市建设有效促进了PM2.5浓度、CO2排放总量的下降以及减污降碳协同水平的提升, 发挥了显著的减污降碳协同治理效应, 理论假说1得到初步验证.
|
|
表 2 基准回归1) Table 2 Benchmark regression |
3.3 内生性处理
由于示范城市建设采取自主申报方式, 相关部门会根据申请城市的申报材料及实际情况决定该城市是否入选, 因此, 样本可能存在一定的自选择性. 为了解决样本自选择偏误引致的内生性问题, 采取倾向得分匹配双重差分模型(PSM-DID)方法, 以控制变量为基准, 分别依据核匹配与卡尺匹配, 利用逐期匹配法为示范城市匹配特征相似的样本, 并对成功匹配的样本进行渐进双重差分回归, 以排除样本的选择偏差问题. 表 3结果显示, 不论是核匹配还是卡尺匹配, 示范城市建设对污染排放、碳排放与减污降碳协同水平的影响系数依旧在1%的水平上显著, 且系数方向与基准回归一致, 从而印证了上文结果.
|
|
表 3 内生性处理1) Table 3 Endogenous processing |
3.4 稳健性检验 3.4.1 改变被解释变量数据来源
将PM2.5浓度数据来源替换为哥伦比亚大学社会经济数据和应用中心、碳排放数据来源替换为公众环境研究中心(IPE)双碳地图页面进行检验(考虑到IPE双碳地图页面中关于城市层面的数据仅更新至2020年, 该节样本划定周期为2006~2020年). 由表 4列(1)~(3)结果可知, 在对被解释变量数据来源进行替换后, 示范城市建设的减污降碳协同效应依旧稳健.
|
|
表 4 稳健性检验1 Table 4 Robustness tests 1 |
3.4.2 反事实检验
借鉴既有研究[27], 采取改变政策实施时间与研究时间窗宽相结合的方法进行反事实检验, 将研究时期限定为2010~2015年, 并假定政策实施时间为2012年和2013年, 若Did估计系数不显著, 则表明示范城市的减污降碳协同治理效应确实是由示范城市建设引起的, 反之, 表明前文结论不稳健. 表 4列(4)~(6)结果表明, Did的估计系数均未通过显著性检验, 佐证了基准回归结果的稳健性.
3.4.3 排除其他政策影响由于政策的实施具有周期性与协同互补性, 在示范城市建设的实施过程中, 不可避免地与其他影响污染排放与碳排放的政策产生时间和效果上的交叉重叠. 为有效识别并排除这一影响, 在基准回归模型中分别加入碳排放权交易试点政策(Cet)[6]、用能权交易制度(Eqt)[13]、排污权交易制度(Ets)[12]与环境保护“费改税”(Ftt)[37]的虚拟变量进行回归. 回归结果如表 5所示, 在分别控制这两类政策变量后, Did的系数虽然较基准回归有所变化, 但仍在1%水平上显著, 表明示范城市建设对减污降碳协同治理的影响虽然存在高估, 但并不影响本文研究结论.
|
|
表 5 稳健性检验2 Table 5 Robustness tests 2 |
3.4.4 安慰剂检验
为排除未观测到的城市特征对政策效应评估所产生的干扰, 拟进行安慰剂检验. 具体而言, 随机抽取30座城市作为“伪”处理组进行回归, 重复500次后, 得到500组虚拟变量Did_r, 并绘制相应的回归系数、P值以及核密度分布图. 图 2分别为污染排放、碳排放与减污降碳协同的安慰剂检验结果, 可以看到, “伪”处理组Did_r的估计系数大多集中在0值附近, 明显异于真实估计值-2.665、-3.510和0.027, 说明未观测到的城市特征并未显著促进城市减污降碳协同治理, 当示范城市建设开始实施时, 才会产生上述效应.
|
虚线为基准模型的真实回归系数, 空心圆为虚拟回归系数对应的P值, 实曲线为虚拟回归系数的核密度分布 图 2 安慰剂检验 Fig. 2 Placebo test |
前文基准回归结果表明, 示范城市建设能够显著促进减污降碳协同发展, 但这一政策措施能否通过规模效应、技术效应与结构效应, 进而实现城市减污降碳协同治理, 还需要进一步验证. 基于此, 使用模型(2)和(3)对其内在传导机制进行揭示和验证. 首先, 从表 6各部分列(1)的回归结果来看, 核心解释变量的估计系数均在1%水平上显著为正, 表明示范城市建设能够显著提高城市制造业区位熵、推动城市技术进步, 并优化城市产业结构. 然后, 将规模效应、技术效应以及结构效应变量分别纳入基准回归模型, 由表 6各部分列(2)~(4)检验结果可知, 不论是制造业区位熵的提升、技术水平的提高还是产业结构的优化, 其对污染排放和碳排放均能产生显著的负向影响, 且有效提升城市减污降碳协同水平. 综上, 示范城市建设能够通过规模效应、技术效应与结构效应, 进而有效推进城市减污降碳协同治理, 理论假说2得到验证.
|
|
表 6 内在机制检验 Table 6 Intrinsic mechanism testing |
3.6 异质性分析 3.6.1 地理区位异质性
各地在经济规模、产业结构、生态水平与环保压力等方面的差异性, 可能使得示范城市建设的减污降碳协同效应存在地理区位异质性. 鉴于此, 将样本城市按照地理区位划分为东部与中西部两个子样本分别进行回归. 表 7的A部分结果显示, 在中西部地区, 示范城市建设的减污降碳协同治理效应显著存在；而在东部地区, 降碳效果明显而减污效果不显著, 未能取得协同治理的环境红利. 可能的原因在于, 东部地区经济发展水平更高、产业基础更完善, 较小的经济增长压力使得当地政府能够采取更严厉的环境规制以达成相应的环境目标, 污染减排的可优化空间较小, 减污降碳协同治理的边际效应减弱[38]；而中西部地区的生产效率偏低, 环境规制也相对宽松, 政策的技术效应与结构效应得以有效发挥, 进而推动城市减污降碳协同治理.
|
|
表 7 异质性分析 Table 7 Heterogeneity analysis |
3.6.2 资源禀赋异质性
资源型城市产业发展对自然资源的严重依赖, 以及由此引发的生态保护与环境治理问题, 可能使得示范城市建设的减污降碳效果出现异质性. 鉴于此, 按照《全国资源型城市可持续发展规划》, 将样本城市划分为资源型与非资源型两个子样本分别进行回归. 表 7的B部分结果显示, 示范城市建设对非资源型城市呈现出明显的减污降碳协同治理效果；对资源型城市仅形成减污效应, 未能产生降碳效果. 可能的原因在于, 具有较高自然资源禀赋的资源型城市往往存在产业结构单一与经济结构刚化的问题, 这一问题又会反向强化经济发展过程中的资源路径依赖. 示范城市建设通过改进清洁技术、提升城市治污能力的同时, 未能对资源型城市的产业结构与资源依赖产生根本性改变, 进而造成降碳效应的失效. 而非资源型城市更加注重经济与产业的多元化发展, 重视第三产业与高新技术对经济的驱动作用, 使其快速适应示范城市建设的相关政策要求, 有效推进以可持续发展理念为核心的绿色技术创新与产业结构优化升级, 实现城市减污降碳协同治理.
4 减污降碳协同的经济社会效益分析上述分析结果表明, 示范城市建设显著降低了PM2.5浓度与CO2排放强度, 形成减污降碳协同治理效应, 其影响机制主要来自规模效应、技术效应与结构效应. 与此同时, 环境的优化治理还会对经济社会产生一系列影响, 包括预期寿命[39]、新生儿死亡率[40]、劳动供给[41]和住房价值[42]等. 基于此, 借鉴已有关于收益分析的研究[43], 进一步探究减污降碳协同治理所形成的经济与社会效益. 考虑到首批示范城市建设开展于2016年, 本节将减污降碳协同的经济社会效益的测度区间划定为2016~2021年. 受限于数据的可得性, 仅基于医疗成本视角与碳社会成本视角, 量化PM2.5浓度降低所带来相关医疗费用的减少以及CO2排放下降所节约的社会成本, 以期对示范城市建设的政策收益进行评估.
一方面, 量化估算示范城市建设实施期间的减污效应和医疗成本. 表 8展示了相关测算过程. 首先, 基于该政策对PM2.5浓度的平均效应来估算2016~2021年的减污水平. 结合基准回归结果可知, 政策实施期间, 各示范城市平均减污效应为2.665×10-3 μg·L-1, 根据示范城市PM2.5的实际均值, 可得出示范城市PM2.5的反事实均值, 进而估算出试点城市2016~2021年间的减污水平. 然后, 量化减污效应所降低的医疗成本. 现有研究表明, PM2.5浓度每提升1%, 居民的住院费用将提升0.86%, 门诊费用将提升1.11%, 结合年住院费用均值832.33元与年门诊费用均值1 858.68元[44], 可以得到示范城市建设减污效应所降低的人均医疗成本[832.33×住院费用降低水平+1 858.68×门诊费用降低水平]. 考虑到该研究所依据的CHARLS2015样本为随机选取的45岁以上的村(居)民, 本文将2020年第七次人口普查数据中45岁以上人口比例(38.12%)与示范城市年末常住人口相乘, 得到示范城市45岁以上人口总量, 进而估算出示范城市建设减污效应所降低的医疗成本944.123亿元[∑人均费用降低×45岁以上人口]. 需要说明的是, 这一部分仅对示范城市45岁以上村(居)民所降低的医疗成本进行估算, 且住院费用与门诊费用均为2015年数据, 随着经济的发展与人们对生活质量要求的提高, 实际数据应比本文估算结果有所增加. 除此之外, 上述估算的减污收益仅来源于医疗成本这一方面, 前文中所提到的预期寿命增加等其他社会效益均未考虑, 因此实际政策效益可能被有所低估.
|
|
表 8 减污效应和医疗成本 Table 8 Pollution reduction effects and medical costs |
另一方面, 借鉴已有研究[12], 量化估算示范城市建设实施期间的CO2减排量和碳社会成本. 首先, 估算2016~2021年的CO2减排量. 由基准回归结果可知, 政策实施期间, 各示范城市CO2年均减排量为3.510×106 t, 由于2016年仅有13个城市实行示范城市建设, 2016~2021年的CO2减排量可估算为572.13×106 t[3.510×106×(13+30×5)=572.13×106]. 然后, 估算2016~2021年间的碳社会成本. 其中, 中国2015年的碳社会成本为6.61美元, 且碳社会成本的年均实际增速在2050年之前为3%[45]. 最后, 利用2016~2021年CO2减排量和碳社会成本, 并依据2021年中美平均汇率6.45, 计算出2016~2021年间由于实施示范城市建设所降低的碳社会成本为264.934亿元{3.510×106×[13 × 6.61+30 × 6.61 ×(1.03+1.032+…+1.035)]× 6.45=26 493 521 711.7}.
综上, 示范城市建设作为一项区位导向型产业政策, 在打造智能制造和绿色制造体系的过程中, 不仅有助于推动减污降碳协同治理, 且能够进一步产生约1 209.057亿元的经济与社会效益. 上述分析在一定程度上表明, 示范城市建设在实现减污降碳环境气候效益的同时, 还通过降低医疗成本与碳社会成本等途径产生经济和社会效益, 进而推进环境-气候-经济-社会效益等多重效益目标的实现.
5 政策启示(1) 贯彻减污降碳协同治理理念, 总结试点城市建设经验, 打造制造业转型升级, 驱动城市减污降碳协同治理的典型样板. 一方面, 大气污染物与温室气体具有同根同源同过程的属性, 对两者的协同治理需要厘清其内在规律, 强化环境治理的源头性、系统性与综合性思路. 另一方面, 加强对示范城市成功经验、做法的总结提炼, 加大宣传力度, 通过打造典型样板, 推广可复制的工作经验, 引导城市制造业向智能化、绿色化转型, 为城市减污降碳协同治理提供坚实的实体经济支撑.
(2) 探索城市减污降碳协同治理的多维驱动路径, 关注示范城市建设在发展规模、技术创新及产业结构优化升级中的重要作用, 激发试点政策的绿色发展红利. 首先, 基于规模效应视角, 应科学识别和充分挖掘当地比较优势, 通过打造良好的营商环境, 因地制宜地引进适宜当地优势条件和发展阶段的产业类型, 形成规模经济明显的区域经济竞争力. 其次, 基于技术效应视角, 建立健全有利于人才、资本和技术等创新要素聚集和技术成果转化的制度设计与平台基础, 推动科技创新水平的持续提升. 最后, 基于结构效应视角, 以要素聚集和技术进步为基础带动产业结构生态化, 通过技术创新推进新型工业化发展, 淘汰高污染产业, 推动新兴产业发展, 释放产业政策的环境红利.
(3) 因地制宜、进一步完善产业政策的设计细则与执行思路, 为城市减污降碳协同治理精准赋能. 在地理区位方面, 东部地区应充分发挥在经济基础与地理区位方面的先发优势, 释放绿色技术创新与规模经济的环境红利；中西部地区则应紧抓当下政策机遇, 充分发挥产业结构优化升级的后发优势, 进一步释放减污降碳红利. 在资源禀赋方面, 资源依赖型地区应加快转变经济发展动能, 合理确定资源开发强度, 提高资源深加工水平, 加快延长上下游产业链条, 并积极支持高科技、低污染和低能耗行业的发展, 不断降低地区经济对自然资源的依赖程度, 摆脱“资源诅咒”所引致的“环境魔咒”.
(4) 将环境治理的经济社会效益纳入政绩考核体系, 加大对环境保护成果的考核与奖励力度, 避免单纯追求经济增长而忽视环境问题所带来的经济社会损失. 当前, 中国正在面临环境质量严重恶化与经济发展持续下行的双重挑战, 想实现生态环境治理与经济高质量发展的两大目标, 需重视环境治理所产生的社会经济效益, 将减污降碳目标纳入政绩考核体系, 在经济增长和减污降碳之间找到平衡点, 实现环境-气候-经济-社会效益等多重效益目标.
6 结论(1) 本文基于“双碳”目标与“美丽中国”建设的背景, 选取2006~2021年282个地级及以上城市的面板数据, 以示范城市建设作为准自然实验, 利用渐进双重差分模型考察区位导向型产业政策对减污降碳协同治理的影响. 本文不仅能够明晰示范城市建设这一区位导向型产业政策的环境效应, 更能为城市减污降碳的协同治理以及生态文明建设的统筹推进提供重要启示.
(2) 示范城市建设分别使得示范城市的PM2.5浓度与CO2排放量年均降低2.665×10-3 μg·L-1与3.510×106 t, 减污降碳协同水平年均提高0.027个单位, 形成减污降碳协同治理效应. 经过稳健性检验, 这一基准回归结论得到了证实, 揭示了产业政策在环境影响方面的深刻作用.
(3) 内在机制检验发现, 示范城市建设能够通过规模效应、技术效应以及结构效应, 进而推动减污降碳协同治理. 这表明在产业政策推进的过程中, 应重视城市减污降碳协同治理的多维驱动路径, 充分激发试点政策的绿色发展红利.
(4) 异质性分析揭示了示范城市建设对减污降碳协同治理的影响在不同地理区域和资源禀赋之间存在显著差异. 示范城市建设有助于中西部城市与非资源型城市实现减污降碳协同治理, 东部城市仅降碳而不减污、资源型城市仅减污而不降碳, 尚未形成协同治理效果. 这表明在制定和实施产业政策时, 需要考虑城市的特定区位和禀赋条件.
(5) 进一步研究表明, 示范城市建设减污降碳协同效应的发挥还能带来约1 209.057亿元的经济社会效益. 这表明应将环保纳入地方政府官员考核体系, 统筹经济发展与环境保护, 树立绿色低碳可持续发展理念, 避免单纯追求经济增长而忽视环境问题所带来的经济社会损失.
| [1] | Zhang W, Li G X. Environmental decentralization, environmental protection investment, and green technology innovation[J]. Environmental Science and Pollution Research, 2022, 29(9): 12740-12755. DOI:10.1007/s11356-020-09849-z |
| [2] | Lin X H, Yang R Q, Zhang W, et al. An integrated view of correlated emissions of greenhouse gases and air pollutants in China[J]. Carbon Balance and Management, 2023, 18(1). DOI:10.1186/s13021-023-00229-x |
| [3] |
王雅楠, 李冰迅, 张艺芯, 等. 中国减污降碳协同效应时空特征与影响因素[J]. 环境科学, 2024, 45(9): 4993-5002. Wang Y N, Li B X, Zhang Y X, et al. Spatiotemporal characteristics and influencing factors of the synergistic effect of pollution reduction and carbon reduction in China[J]. Environmental Science, 2024, 45(9): 4993-5002. |
| [4] |
俞珊, 韩玉花, 牟洁, 等. 北京市制造业减污降碳协同效应分析和驱动因素[J]. 环境科学, 2024, 45(4): 1917-1925. Yu S, Han Y H, Mu J, et al. Synergy effects and driving factors of Pollution and carbon emission reduction in manufacturing industry in Beijing[J]. Environmental Science, 2024, 45(4): 1917-1925. |
| [5] | Yan Y X, Zhang X L, Zhang J H, et al. Emissions trading system (ETS) implementation and its collaborative governance effects on air pollution: the China story[J]. Energy Policy, 2020, 138. DOI:10.1016/j.enpol.2020.111282 |
| [6] |
陆敏, 徐好, 陈福兴. "双碳"背景下碳排放交易机制的减污降碳效应[J]. 中国人口·资源与环境, 2022, 32(11): 121-133. Lu M, Xu H, Chen F X. Pollution and carbon reduction effects of the carbon emissions trading mechanism in the context of the 'dual carbon' goals[J]. China Population, Resources and Environment, 2022, 32(11): 121-133. DOI:10.12062/cpre.20220919 |
| [7] | Wang H, Gu K Y, Dong F, et al. Does the low-carbon city pilot policy achieve the synergistic effect of pollution and carbon reduction?[J]. Energy & Environment, 2024, 35(2): 569-596. |
| [8] | Cheng X, Yu Z Y, Gao J Y, et al. Governance effects of pollution reduction and carbon mitigation of carbon emission trading policy in China[J]. Environmental Research, 2024, 252. DOI:10.1016/j.envres.2024.119074 |
| [9] | Gu A L, Teng F, Feng X Z. Effects of pollution control measures on carbon emission reduction in China: evidence from the 11th and 12th Five-Year Plans[J]. Climate Policy, 2018, 18(2): 198-209. DOI:10.1080/14693062.2016.1258629 |
| [10] | Zhang Z H, Zhang J X, Feng Y C. Assessment of the carbon emission reduction effect of the air pollution prevention and control action plan in China[J]. International Journal of Environmental Research and Public Health, 2021, 18(24). DOI:10.3390/ijerph182413307 |
| [11] | Wang W H, Zhao C Y, Dong C, et al. Is the key-treatment-in-key-areas approach in air pollution control policy effective? Evidence from the action plan for air pollution prevention and control in China[J]. Science of the Total Environment, 2022, 843. DOI:10.1016/j.scitotenv.2022.156850 |
| [12] |
宋德勇, 陈梁, 王班班. 环境权益交易如何实现减污降碳协同增效: 理论与经验证据[J]. 数量经济技术经济研究, 2024, 41(2): 171-192. Song D Y, Chen L, Wang B B. How environmental trading achieve the synergistic effects of pollution and carbon reduction: theoretical and empirical evidence[J]. Journal of Quantitative & Technological Economics, 2024, 41(2): 171-192. |
| [13] |
吴雪萍, 邱文海. 用能权交易制度的减污降碳协同效应分析[J]. 环境科学, 2024, 45(8). Wu X P, Qiu W H. Analysis of the synergistic effects of energy consumption permit trading scheme on pollution reduction and carbon abatement[J]. Environmental Science, 2024, 45(8). DOI:10.13227/j.hjkx.202308050 |
| [14] |
李子豪, 赵元, 夏子谦. 环保督政与地区减霾降碳协同治理绩效提升: 基于环保约谈的准自然实验估计[J]. 中国软科学, 2023, 39(12): 198-207. Li Z H, Zhao Y, Xia Z Q. Environmental protection supervision and the improvement of regional efficiency in coordinated governance for smog reduction and carbon reduction: quasi-natural experimental estimation based on environmental protection interviews[J]. China Soft Science, 2023, 39(12): 198-207. DOI:10.3969/j.issn.1002-9753.2023.12.019 |
| [15] | Gao X W, Liu N, Hua Y J. Environmental Protection Tax Law on the synergy of pollution reduction and carbon reduction in China: evidence from a panel data of 107 cities[J]. Sustainable Production and Consumption, 2022, 33: 425-437. DOI:10.1016/j.spc.2022.07.006 |
| [16] | Hu J. Synergistic effect of pollution reduction and carbon emission mitigation in the digital economy[J]. Journal of Environmental Management, 2023, 337. DOI:10.1016/j.jenvman.2023.117755 |
| [17] |
郭沛, 王光远. 数字经济的减污降碳协同作用及机制——基于地级市数据的实证检验[J]. 资源科学, 2023, 45(11): 2117-2129. Guo P, Wang G Y. The synergistic effect of digital economy on pollution and carbon reduction and the influence mechanism: an empirical test based on prefecture-level city data[J]. Resources Science, 2023, 45(11): 2117-2129. DOI:10.18402/resci.2023.11.02 |
| [18] | Liu B, Qiu Z X, Hu L T, et al. How digital transformation facilitate synergy for pollution and carbon reduction: evidence from China[J]. Environmental Research, 2024, 251. DOI:10.1016/j.envres.2024.118639 |
| [19] | Ma T, Wang Y. Globalization and environment: effects of international trade on emission intensity reduction of pollutants causing global and local concerns[J]. Journal of Environmental Management, 2021, 297. DOI:10.1016/j.jenvman.2021.113249 |
| [20] |
白梓函, 吕连宏, 赵明轩, 等. 中国对外直接投资的减污降碳效应及其实现机制[J]. 环境科学, 2022, 43(10): 4408-4418. Bai Z H, Lü L H, Zhao M X, et al. Pollution and carbon reduction effect of OFDI in China and its mechanism[J]. Environmental Science, 2022, 43(10): 4408-4418. |
| [21] |
钟顺昌, 焦怡萌, 闫程莉, 等. 建设用地资源空间集聚对减污降碳协同的影响机制[J]. 地理学报, 2024, 79(3): 688-711. Zhong S C, Jiao Y M, Yan C L, et al. The impact mechanism of spatial agglomeration of construction land resources on the synergistic reduction of pollutants and CO2 [J]. Acta Geographica Sinica, 2024, 79(3): 688-711. |
| [22] |
刘冰冰, 刘戒骄. 区位导向型产业政策的创新驱动效应——基于"中国制造2025"国家级示范区政策的准自然实验[J]. 产业经济研究, 2023(5): 1-14. Liu B B, Liu J J. Innovation-driven effects of location-oriented industrial policies: quasi-natural experiment based on the policy of 'Made in China 2025' national demonstration zone[J]. Industrial Economics Research, 2023(5): 1-14. |
| [23] |
魏向杰, 程琦. 产业政策、信号效应与企业创新——基于《中国制造2025》准自然实验[J]. 管理评论, 2023, 35(8): 117-130. Wei X J, Cheng Q. Industrial policy, signal effect and enterprise innovation——based on the quasi-natural experiment of 'China Manufacturing 2025'[J]. Management Review, 2023, 35(8): 117-130. |
| [24] |
逯东, 池毅. 《中国制造2025》与企业转型升级研究[J]. 产业经济研究, 2019(5): 77-88. Lu D, Chi Y. Research on 'China Manufacturing 2025' and enterprise transformation and upgrading[J]. Industrial Economics Research, 2019(5): 77-88. |
| [25] |
戴魁早, 陈阿丽, 杨新宇. 功能性产业政策能否促进企业生产率增长——基于《中国制造2025》的准自然实验[J]. 南开经济研究, 2024(2): 43-63. Dai K Z, Chen A L, Yang X Y. Can functional industrial policy promote the growth of enterprise productivity?——A quasi-natural experiment based on Made in China 2025[J]. Nankai Economic Studies, 2024(2): 43-63. |
| [26] |
冯玉静, 翟亮亮. 产业政策、创新与制造企业服务化——基于"中国制造2025"准自然实验的经验研究[J]. 科技进步与对策, 2022, 39(13): 114-123. Feng Y J, Zhai L L. Industrial policy, innovation, and manufacturing firms servitization: empirical study on quasi-natural experiment of Made in China 2025[J]. Science & Technology Progress and Policy, 2022, 39(13): 114-123. DOI:10.6049/kjjbydc.2021060257 |
| [27] |
王伟龙, 王健龙, 谢成兴, 等. "中国制造2025"试点示范城市建设对城市绿色发展效率的影响[J]. 中国人口·资源与环境, 2023, 33(9): 147-158. Wang W L, Wang J L, Xie C X, et al. Impact of 'Made in China 2025' pilot demonstration city construction on urban green development efficiency[J]. China Population, Resources and Environment, 2023, 33(9): 147-158. |
| [28] |
游达明, 张杨, 袁宝龙. 官员晋升锦标赛体制下环境规制、央地分权对环境污染的影响研究[J]. 中南大学学报(社会科学版), 2018, 24(3): 66-77. You D M, Zhang Y, Yuan B L. Research about influence of environmental regulation and central-local decentralization policy on environmental pollution in the championship mechanism of official promotion[J]. Journal of Central South University (Social Sciences), 2018, 24(3): 66-77. |
| [29] | Blanchard O, Shleifer A. Federalism with and without political centralization: China versus Russia[J]. IMF Staff Papers, 2001, 48(1): 171-179. |
| [30] | Grossman G M, Krueger A B. Economic growth and the environment[J]. The Quarterly Journal of Economics, 1995, 110(2): 353-377. |
| [31] | Brock W A, Taylor M S. Economic growth and the environment: a review of theory and empirics[J]. Handbook of Economic Growth, 2005, 1: 1749-1821. |
| [32] | Howell S T. Financing innovation: evidence from R & D grants[J]. American Economic Review, 2017, 107(4): 1136-1164. |
| [33] | Grossman G M, Krueger A B. Environmental impacts of a North American free trade agreement[R]. Cambridge: National Bureau of Economic Research, 1991. |
| [34] | 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, 2010, 65(5): 1637-1667. |
| [35] |
丛建辉, 刘学敏, 赵雪如. 城市碳排放核算的边界界定及其测度方法[J]. 中国人口·资源与环境, 2014, 24(4): 19-26. Cong J H, Liu X M, Zhao X R. Demarcation problems and the corresponding measurement methods of the urban carbon accounting[J]. China Population, Resources and Environment, 2014, 24(4): 19-26. |
| [36] |
韩永辉, 黄亮雄, 王贤彬. 产业政策推动地方产业结构升级了吗?——基于发展型地方政府的理论解释与实证检验[J]. 经济研究, 2017, 52(8): 33-48. Han Y H, Huang L X, Wang X B. Do industrial policies promote industrial structure upgrading? Theory and evidence from China's development-oriented local Government[J]. Economic Research Journal, 2017, 52(8): 33-48. |
| [37] |
赵晓梦, 魏婷, 朱俊鹏. 从排污费到环保税: 绿色税制改革视阈下的减污降碳协同治理研究[J]. 中国地质大学学报(社会科学版), 2024, 24(3): 57-72. Zhao X M, Wei T, Zhu J P. From sewage charge to environmental protection tax: research on collaborative governance of pollution control and carbon reduction from the perspective of green tax reform[J]. Journal of China University of Geosciences (Social Sciences Edition), 2024, 24(3): 57-72. |
| [38] | Gielen D, Chen C H. The CO2 emission reduction benefits of Chinese energy policies and environmental policies: a case study for Shanghai, period 1995-2020[J]. Ecological Economics, 2001, 39(2): 257-270. |
| [39] | Ebenstein A, Fan M Y, Greenstone M, et al. Growth, pollution, and life expectancy: China from 1991-2012[J]. American Economic Review, 2015, 105(5): 226-231. |
| [40] | Arceo E, Hanna R, Oliva P. Does the effect of pollution on infant mortality differ between developing and developed countries? Evidence from Mexico City[J]. The Economic Journal, 2016, 126(591): 257-280. |
| [41] | Hanna R, Oliva P. The effect of pollution on labor supply: evidence from a natural experiment in Mexico City[J]. Journal of Public Economics, 2015, 122. DOI:10.1016/j.jpubeco.2014.10.004 |
| [42] | Chay K Y, Greenstone M. Does air quality matter? Evidence from the housing market[J]. Journal of Political Economy, 2005, 113(2): 376-424. |
| [43] | Lu Y, Wang J, Zhu L M. Place-based policies, creation, and agglomeration economies: Evidence from China's economic zone program[J]. American Economic Journal: Economic Policy, 2019, 11(3): 325-360. |
| [44] |
王玉泽, 罗能生. 空气污染、健康折旧与医疗成本——基于生理、心理及社会适应能力三重视角的研究[J]. 经济研究, 2020, 55(12): 80-97. Wang Y Z, Luo N S. Air pollution, health depreciation and medical costs: research based on the three perspectives of physical health, mental health and social adaptability[J]. Economic Research Journal, 2020, 55(12): 80-97. |
| [45] | Nordhaus W D. Revisiting the social cost of carbon[J]. Proceedings of the National Academy of Sciences of the United States of America, 2017, 114(7): 1518-1523. |