0 引言

近半个世纪以来，伴随着工业发展和人类文明进步而出现的二氧化碳排放问题已成为各国关注的焦点和人类共同的挑战。根据国际能源署（International Energy Agency，IEA）的统计，2018年全球碳排放约为331.43亿t，中国碳排放总量达到100亿t，约占全球的30%。作为世界上目前碳排放最多的国家，中国的环境政策和对节能减排的态度俨然是各国关注的重点。2020年9月22日，中国在第七十五届联合国大会上宣布“将提高国家自主贡献力度，采取更加有力的政策和措施，二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和”。

在碳中和目标的约束下，中国政府为推动节能减排付出了一系列努力[1]，其中，积极建设碳交易市场是一项重要内容[2]。碳交易市场克服了以命令式政策推动减排的缺陷，旨在通过市场力量以较低的治理成本实现高质量减排效果[3]。在“产权明晰以获得资源配置效率”的理论指导下，碳交易市场基本运作思想是：控制排放总量，以法律为依据将排污权商品化[4]，即为参与碳交易市场的企业规定碳排放许可的配额，通过企业在碳交易市场中的配额交易产生碳排放成本，进而激励企业减碳降耗。

《路孚特碳交易市场年度回顾》显示，2020年全球碳交易市场的碳交易额达到2 013.57亿欧元，其中欧盟碳交易机制（European Union-Emission Trading Scheme，EU-ETS）和北美碳交易市场［包括西部气候倡议（Western Climate Initiative，WCI）和区域温室气候提议（Regional Greenhouse Gas Initiative，RGGI）］的碳交易额分别约占总份额的88%和12%①数据来源：《路孚特碳交易市场年度回顾》https://www.refinitiv.com/en/resources/special-report/global-carbon-market-report。。EU-ETS、WCI和RGGI自成立起经历了多个发展阶段，在发展初期均面临过碳价和市场疲软、碳市场信息不准确等问题。经过多阶段的配额制度调整和监管规则完善，EU-ETS、WCI和RGGI逐步发展成为目前全球碳市场的中坚力量。

根据EU-ETS、WCI和RGGI的成功经验，建设碳交易市场需经历长期的调整与完善过程，而建设初期应被视为缓冲阶段，设置这一阶段可以让监管机构有充足的时间和证据获得精确数据，为更好地进行碳排放交易制度安排打下坚实基础。中国的碳交易试点可被视为全国碳交易市场建设的缓冲期，碳交易试点为开启全国碳交易市场积累了大量经验[5]。中国国家发展和改革委员会于2011年10月印发了《关于开展碳排放权交易试点工作的通知》，正式批准北京、天津、上海、重庆、湖北、广东、深圳开展碳交易试点工作，上述省市的碳交易市场于2013年开始陆续启动。截至2020年11月，碳交易试点累计成交量超过4亿t，累计成交额超过90亿元②数据来源：《经济日报》http://www.gov.cn/xinwen/202011/03/content_5556838.htm。。2020年12月31日，生态环境部颁布的《碳排放权交易管理办法（试行）》正式施行，将碳交易范围由此前的7个试点地区推向全国。2021年7月16日，全国碳市场上线交易正式启动。

在全国碳交易市场建设的起步阶段，科学评估碳交易试点的减排效应及减排路径能够为中国碳交易市场的全面开启及后续发展提供实证参考。与此同时，评估过程中需要考虑碳减排的空间溢出效应，这不仅可以使减排效应评估结果更为准确，更重要的是有助于深入了解碳减排的空间互动，为提高碳市场在全国范围内的碳减排效果提供决策依据。

1 文献综述

中国碳交易试点的减排效果长期以来受到学者广泛关注，产生了丰富的研究成果。在相关研究中，建模仿真和倍差法是运用最为广泛的2种研究方法[6]。

合理的仿真模型能够模拟现实中的减排机制，有较好的政策指导意义。但是由于仿真模型所依赖的强参数假设在现实中不易满足且参数设定主观性较强，基于仿真模型的碳交易试点减排效果的研究结果相差较大。Lin等（2019）通过可计算一般均衡模型（computable general equilibrium model，CGE）发现，由于交易价格过低，碳交易试点城市几乎无法实现碳排放量减少，并进一步提出碳价提高可以更有效地促进二氧化碳排放量下降，但是需注意经济成本[7]。Zhang等（2020）通过数据包络分析法（data envelopment analysis，DEA）得出结论，碳交易不但能促进碳强度下降，还能促使工业产值提高[8]。汤铃等（2014）通过multi-agent模型发现，尽管碳交易试点能降低二氧化碳排放，但尚未实现减排与经济脱钩[9]。刘宇等（2013）通过中国多区域一般均衡模型TermCo2方法发现碳交易降低了湖北和广东2个省份的平均减排成本，能显著降低二氧化碳排放量[10]。Liu等（2017）认为虽然湖北碳交易使得湖北地区二氧化碳排放量下降，但是减排付出了经济成本[11]。

碳交易能够被类比为天然的准自然实验，倍差模型由于其自身的特点，在假设满足的前提下，能够较好地识别政策和干预效果。部分学者使用中国各省份的省级面板数据，运用双重差分（difference-indifferences，DID）模型或倾向得分匹配双重差分模型（propensity score matching – difference-in-differences model，PSM-DID）的方法对碳交易试点的效果进行识别[12-17]，一致认为碳交易会使试点地区碳排放量显著下降。李治国等（2021）和刘传明等（2019）采用合成控制法对中国7个碳交易试点的减排效果进行考察，同样发现碳交易显著降低试点地区碳排放量[6,18]。上述研究虽然对碳交易的效果进行了有益的探讨，但是仍存在两点不足：①样本量较小。已有研究使用省级面板数据进行实证分析，样本量有限。样本量不足意味着更强的模型假设，当假设不满足时，回归结果可能无法反映现实，尤其是使用PSM-DID时，容易造成伪回归。②多数文章未考虑空间相关性。忽略空间相关性一方面可能由于不满足一致性假设而造成内生性问题，导致估计结果有偏；另一方面，空间双重差分模型（spatial difference-in-differences model，SDID）能够探究碳交易减排特征及减排传导路径的空间互动，普通双重差分模型却无法实现这一功能，故忽略空间相关性可能会遗漏二氧化碳排放空间溢出效应的相关结论。在笔者掌握的文献范围内，仅文献[6]考虑了省级二氧化碳排放的空间相关性，但省级数据往往存在可变面元问题①可变面原问题指的是因所选面积单元的不同而对分析结果产生影响。，而缩小空间尺度是降低可变面元影响的有效方法。

基于上述原因，本文运用1999—2017年的地级市数据，通过SDID估计碳交易试点的减排效果，并探究碳交易试点减排的传导路径。

本文的创新点为：①使用地级市数据和二氧化碳排放数据，扩大样本量并提高模型识别精度，使估计结果更具说服力；②使用SDID方法探索碳交易的二氧化碳减排效果及减排传导路径，排除空间内生性问题，并探究碳交易市场减排及传导机制的空间特征。

2 模型构建

2.1 DID模型

DID模型是一种估计因果效应的计量方法，近年来被广泛用来进行政策效应评估。模型的基本思想是将全部样本数据分为两组，一组受到政策影响，称为处理组或实验组；一组不受政策影响，称为对照组。选取一个要考察的个体指标，前后进行两次差分，即实验组差分与对照组差分之差，最终得到政策实施的净效应。

DID模型基本形式为

式中：下标i和t分别表示地级市序号和年份；Eit为被解释变量；Cit代表地区虚拟变量，若样本i在第t年被选为碳交易试点城市则取1，反之取0（七大碳交易试点中，深圳、上海、北京、广东和天津试点于2013年正式启动；湖北和重庆试点于2014年正式启动）；Yit代表年份虚拟变量，在本文中若碳交易试点地区已正式启动则取1，反之取0（深圳、上海、北京、广东和天津在2013年及之后取1；湖北和重庆在2014年及之后取1）；Xit为控制变量；μi和γt分别代表个体固定效应和时间固定效应；εit为随机扰动项；θ和β为待估系数；α为常数项。

式中：Dit代表地级市i在第t年是否开启碳交易试点，若是则取1，反之取0。

2.2 SDID模型

空间分析与Waldo Tobler提出的地理学第一定律有关：“所有地理单元上的现象都是相关的，它们之间越接近，关系就越紧密”。经典线性最小二乘估计假定解释变量与随机扰动项不相关[19]，故在以省、地级市或县区作为样本时，其本身暗含地区之间相互独立的假设。但若地区之间不满足相互独立假设，则空间相关性会被遗漏在随机扰动项中，造成内生性问题。

研究表明二氧化碳排放存在较强的空间关联性[6,20]，所得估计结果可能不满足一致性假设。为了解决上述问题，本文参考Chagas等（2016）的做法，建立邻接空间权重矩阵[21]：

在矩阵W中，若城市i与城市j有共同的点(i≠j)，则认为两城市相邻，此时wij=wji=1，若无共同的点则wij=wji=0；当i=j时wij=0。SDID基本形式如下。

空间滞后模型（SAR）：

空间误差模型（SEM）：

式中：WEit表示因变量空间滞后项；Wδit表示误差项的空间滞后项；ρ代表空间系数。

在上述模型中，SEM仅影响随机扰动项形式，故其主要解决估计有效性问题。且SEM只能估计干预的直接效应，无法估计干预的间接效应即空间溢出效应，该模型中的直接效应即系数θ。

SAR模型赋予因变量空间权重，主要解决估计无偏性问题。模型设定决定了SAR既可以估计直接效应，也可以估计间接效应。但在SAR模型中θ与ρ无实际意义，也不能代表直接效应与间接效应，需经过进一步计算将直接效应与间接效应分离。干预总效应即直接效应与间接效应之和。

3 变量、数据与统计检验

3.1 变量选取

3.1.1 被解释变量

二氧化碳排放量（E）：由于排污成本的增加，企业可能会通过技术创新或者调整产量降低二氧化碳排放[3]。但是部分研究也发现碳交易会带来正向的经济效益[8]，经济增长又往往伴随着二氧化碳的排放。故本文以二氧碳排放量作为因变量，其结果衡量的是碳交易的二氧化碳减排效果。

3.1.2 自变量与控制变量

1）自变量。

碳交易试点（D）：虚拟变量，仅试点城市的碳交易所在正式挂牌的当年及以后的年份取1，其他情况取0。

2）控制变量。

本文中双重差分模型解决的核心问题即D系数识别，而D系数的准确识别以共同趋势为前提。所以需对除碳交易以外导致地区间二氧化碳排放趋势差异的变量加以控制。控制变量选取如下：

（1）地区生产总值（G）：地区生产总值衡量地区发达程度，对碳排放有显著影响[3,12-17]。

（2）第一产业增加值占GDP的比重（Ifirst）：第一产业占比高表明地区农业发达而工业和服务业相对落后，进而意味着地区二氧化碳排放量相对较低。

（3）第三产业增加值占GDP的比重（Ithird）：第三产业占比高的地区可能处于由工业主导型经济向服务型经济转变的阶段，服务业对工业的替代将减少地区二氧化碳排放[22]。随着经济发展和城市化推进，第三产业中的交通运输业已经成为目前碳排放增长最快的行业[23]，第三产业占比高也可能意味着交通运输业发达，从而增加地区二氧化碳排放。

（4）规模以上工业总产值（I）：工业生产是中国二氧化碳排放的主要来源。工业生产总值不仅包含了工业产品增加值，还包含了中间产品的价值，故该变量可以解释地区工业生产过程中的二氧化碳排放。

（5）科学技术支出（Texp）：技术进步是第一生产力，研发支出高的地区可能由于技术进步推动生产力发展导致二氧化碳排放量增加，也可能由于提高了生产效率和能源使用效率使得二氧化碳排放量降低[14]。

（6）科研综合从业人数（Tlabor）：人才是推动技术进步的核心驱动力。李广明等（2017）认为科研从业人员越多代表企业越倾向于自主研发和引进新技术，进而影响企业生产过程中的二氧化碳排放[14]。

（7）地区年末总人口（P）：一方面，人口增长增加了能源消费，从而导致二氧化碳排放量增加；另一方面，人口增长可以促进技术创新和城市能源低碳化转型，从而降低二氧化碳排放[15]。

3.2 数据与描述性统计

本文的地级市碳排放数据由Chen等（2020）公布的中国县级碳排放数据处理后所得[24]。控制变量数据来自于《中国城市统计年鉴》各省及地级市统计数据。由于西藏、新疆、青海、海南、云南等地大量地级市数据缺失，本文共采用285个地级市1999—2017年的平衡面板数据，共5415个观测值。变量描述性统计见表1。

表1 变量描述性统计
Table 1 Variable descriptive statistics

变量单位均值标准差E万t2 188.182 184.46 D 0.030.17 G亿元1 290.932 225.78 Ifirst%14.839.95 Ithird%38.7412.93 I亿元2 165.463 687.79 Texp亿元33.0560.60 Tlabor人9 787.8133 036.26 P万人434.80376.51

3.3 统计检验

3.3.1 空间依赖性检验

空间依赖性检验也称空间自相关性检验，旨在通过观察空间统计量的结果，验证是否存在空间自相关性，从而判定是否需要使用空间计量模型。为增强结果有效性，减弱异方差问题，本文所有回归对因变量和控制变量取对数①控制变量中，Ifirst变量代表第一产业产值在总产值中的占比，该变量不做进行数处理。。表2列出了误差项的全局莫兰指数、误差项拉格朗日乘子检验以及滞后项的拉格朗日乘子检验。3个统计值在1%的显著水平下均拒绝不存在空间相关性的原假设。由此看来，有必要使用空间计量模型分析碳交易试点的减排效果②1999—2004年数据缺失值较多，截面回归结果可能并不稳健，故未在表中罗列，本文认为2005—2017年截面回归结果已足够具有代表性。。

表2 空间自相关检验
Table 2 Spatial autocorrelation test

注：*、**、***分别表示在10%、5%、1%水平上显著。

年份误差项的全局莫兰指数误差项拉格朗日乘子检验滞后项拉格朗日乘子检验20176.44***36.98***19.98***20166.17***32.77***13.85***20156.15***32.51***14.33***20145.83***29.12***19.28***20135.58***26.52***10.99***20125.78***29.40***13.88***20115.96***31.58***13.39***20105.75***29.17***11.41***20095.19***23.20***7.55***20085.14***23.01***9.48***20075.20***23.51***9.49***20065.30***24.39***9.86***20055.24***24.01***9.71***

3.3.2 平行趋势检验

平行趋势检验是保证对照组与实验组在被干预前有共同趋势的反事实检验。对照组与实验组在干预前有共同趋势是保证政策外生与准自然实验结果可靠的必要条件。

本文将碳交易试点对二氧化碳排放的影响分摊至干预各期，观察干预前6期和干预后3期实验组与对照组之间碳排放的差异情况。如图1所示，在干预前第1～6期实验组与对照组之间，碳排放差值并不显著，说明在干预前满足平行趋势假设。自干预前第2期开始，实验组二氧化碳排放开始出现轻微下降趋势，这是因为2011年国家发展改革委公布了碳交易试点名单。尽管各大碳交易试点自2013年起陆续挂牌营业，但是不排除市场主体顺应政策风向提前调整生产模式的可能性。在干预当期及干预后3期实验组，碳排放相对于对照组显著下降，说明碳交易机制具有持续减排效果。

图1 平行趋势检验结果（ln E）
Fig.1 Result of common trend (ln E)

4 实证结果及分析

4.1 碳交易的减排效果及空间溢出效应

本文采用SDID模型就中国碳排放交易权对二氧化碳减排的影响进行实证研究。如表3所示，模型A1使用普通多期DID模型；模型A2使用SEM模型；模型 A3使用SAR模型。模型A1结果显示ETS（emission trading scheme）的直接效应为-0.105，这一结果与部分实证研究结果较为相似[13-17]。而SEM模型与SAR模型的直接效应分别为-0.064和-0.093，说明忽略碳排放的空间依赖特征会导致碳交易试点的直接减排效果被高估。SAR模型同时计算了周边地区对试点地区碳减排的影响，在模型A3中ETS的间接效应为-0.012。同时，本文也发现了碳交易在导致本地二氧化碳减排的同时（直接效应），还具有溢出效应，即会导致周边地区的二氧化碳减排（间接效应）。不过，直接减排效应显著强于间接减排效应，这一结果与李治国等（2021）的研究结果相似[6]。完整表格见附录A。

表3 基准回归结果
Table 3 Basic regression results

注：括号内是聚类稳健标准误，*、**、***分别表示在10%、5%、1%的显著性水平下拒绝原假设。

因变量模型A1模型A2模型A3 ln Eln Eln E ETS直接效应-0.105***(0.02)-0.093***(0.022)ETS间接效应-0.012***(0.003)-0.064**(0.027)ETS总效应-0.105***(0.025)控制变量是是是时间固定效应是是是城市固定效应是是是ρ 0.328***(0.021)0.112***(0.017)σ20.054***(0.001)0.056***(0.001)观测值541554155415 R20.7710.5450.546

4.2 碳交易驱动二氧化碳减排的传导路径

为了进一步探究碳交易试点减排的传导机制及空间特征，本文以SAR模型作为基准回归模型进行传导机制研究。在碳交易政策的研究中，经济增长、工业规模调整和技术进步被认为是影响碳排放量的重要因素。本文以地区生产总值（G）代表经济增长，以规模以上工业总产值（I）代表工业规模，以科学技术支出（Texp）和科研综合技术服务业从业人数（Tlabor）代表技术水平。首先分析碳交易对以上因素的影响，以初步确定减排的作用渠道，估计结果见表4。随后本文构造G、I、Texp、Tlabor与D的交互项以进一步探究基于上述渠道是否能驱动地区二氧化碳减排，估计结果见表5。

表4 碳交易对其他因素影响
Table 4 Impact of the carbon trading other factors

注：①括号内是聚类稳健标准误，*、**、***分别表示在10%、5%、1%的显著性水平下拒绝原假设；②模型B1—B4分别代表碳交易对地区生产总值（ln G）、规模以上工业生产总值（ln I）、科学技术支出（ln Texp）和科研综合技术服务业从业人数（ln Tlabor）的影响。

因变量模型B1模型B2模型B3模型B4 ln Gln Iln Texpln Tlabor ETS直接效应0.106***(0.034)0.197***(0.036 9)ETS间接效应0.066***(0.021)-0.012(0.071)-0.110(0.076)0.024***(0.005)ETS总效应0.172***(0.055)-0.038(0.224)-0.399(0.275)0.221***(0.041)控制变量是是是是时间固定效应是是是是城市固定效应是是是是ρ0.406***(0.009)-0.050(0.294)-0.509(0.351)0.110***(0.009)σ20.125***(0.002)0.805***(0.007)0.828***(0.007)0.156***(0.003)观测值5415541554155415 R20.8740.6780.5460.568 0.360***(0.007)0.395***(0.008)

4.2.1 碳交易通过经济增长对二氧化碳减排的影响

表4的模型B1表明碳交易对经济增长影响的直接效应为0.106，即碳交易试点可以显著推动试点地区经济增长。与此同时碳交易试点还能抑制经济增长过程中的二氧化碳排放。表5的模型C1中D×ln G的系数为-0.019，说明在碳交易的作用下，试点地区GDP增长1%引起的二氧化碳排放与非试点地区相比减少了1.9%。这一结果与波特假说理论相一致[25]，也与余萍等（2020）[3]和Zhang等（2020）[8]的研究结果相同，即环境管制与经济增长具有双赢效应。表4模型B1中碳交易对GDP影响的间接效应为0.066，表明碳交易还能推动周边地区的经济增长；且表5的模型C1中W×D×ln G系数显著小于0，说明地区经济水平越高，二氧化碳减排的溢出效应越强。综上所述，碳交易可以通过推动试点地区与周边地区经济增长同时驱动二氧化碳减排，实现经济增长与二氧化碳减排的双赢。

表5 传导路径回归结果
Table 5 Delivery mechanisms regression results

注：①括号内是聚类稳健标准误，*、**、***分别表示在10%、5%、1%的显著性水平下拒绝原假设；②模型C1—C4分别纳入ln G、ln I、ln Texp、ln Tlabor与D的交互项。

因变量模型C1模型C2模型C3模型C4 ln Eln Eln Eln E D×ln G-0.019***(0.003)D×ln I-0.012***(0.003)-0.007***(0.002)D×ln Tlabor D×ln Texp-0.012***(0.003)ln G0.231***(0.008)0.225***(0.009)ln I0.029***(0.002)0.224**(0.008)0.224***(0.008)0.029***(0.002)0.029***(0.002)0.029***(0.002)ln Texp 0.023***(0.002)0.024***(0.002)0.024***(0.002)0.024***(0.002)ln Tlabor 0.04***(0.008)0.044***(0.008)0.044***(0.008)0.045***(0.008)W×D×ln G-0.002***(0.000 5)W×D×ln I-0.002***(0.000 4)-0.001***(0.000 2)W×D×ln Tlabor-0.002***(0.000 4)W×D×ln Texp W×ln G0.027***(0.004)0.028***(0.004)W×ln I0.003***(0.000 6)0.028***(0.004)0.028***(0.004)0.004***(0.000 6)0.004***(0.000 6)0.004***(0.000 6 )W×ln Texp 0.003***(0.000 4)0.003***(0.000 4)0.003***(0.000 4)0.003***(0.000 4)0.006***(0.001)控制变量是是是是时间固定效应是是是是城市固定效应是是是是P0.106***(0.017)W×ln Tlabor 0.005***(0.001)0.006***(0.001)0.005***(0.001)0.111***(0.017)σ20.056***(0.001)0.112***(0.017)0.112***(0.017)0.056***(0.001)观测值5415541554155415 R20.5470.5460.5460.546 0.056***(0.001)0.056***(0.001)

4.2.2 碳交易通过工业规模调整对二氧化碳减排的影响

表4的模型B2结果显示碳交易的直接效应和间接效应均不显著，说明碳交易对试点地区及周边地区工业规模无明显影响。这一结果与以往研究结果相似。闫冰倩等（2018）发现，碳交易虽然导致高耗能企业成本增加，但是对工业部门的负面影响并不大[26]。余萍等（2018）认为碳交易试点时间较短，尚未完成产业调整[3]。表5的模型C2中结果表明，碳交易能促进工业生产过程中的二氧化碳减排。D×ln I和W×D×ln I的系数分别为-0.012和-0.002，说明碳交易在工业规模大的地区有更好的减排效应和溢出效应。

4.2.3 碳交易通过技术进步对二氧化碳减排的影响

表5的模型C3中D×ln Texp与W×D×ln Texp系数分别为-0.007和-0.001，表明碳交易促进研发投入增加，进而推动试点地区及周边地区二氧化碳减排。表4的模型B3结果中碳交易对研发支出影响的直接效应与间接效应均不显著，说明碳交易并不影响研发投入的总量，但可以促进研发重心向低碳化方向转移，从而推动二氧化碳排放量下降。

表4的模型B4结果表明碳交易可以促进试点地区及周边地区研发人员数量增加，这是因为碳交易试点实施后企业存在强烈的减排研发意愿[3]，推动了研发人员向试点地区聚集。表5的模型C4中，D×ln Tlabor和W×D×ln Tlabor的系数分别为-0.012和-0.002，表明碳交易试点地区研发人员数量增加可减少试点地区及周边地区的二氧化碳排放。

综上，碳交易可以通过推动试点地区及周边地区研发人员增加和研发低碳化实现二氧化碳减排。

4.2.4 碳交易驱动二氧化碳减排传导路径的效果比较

综合来看，经济增长与研发人员投入都是碳交易驱动二氧化碳减排的传导路径。其中，基于经济增长的传导路径上存在较强的直接减排效应和间接减排效应，即碳交易能为试点地区（直接减排效应）和试点周边地区（间接减排效应）带来更多的减排红利；基于研发人员投入传导路径的直接减排效应和间接减排效应相对较弱。这说明：一方面，碳交易能推动试点地区及邻近地区的新资本生成，且新资本可能被投入到低碳化的生产过程中，这也是当前碳交易驱动减排的关键路径；另一方面，碳交易可以通过推动研发人员在地区间的流动，为试点地区及周边地区的减排提供外部驱动力和内在支撑。与此同时，碳交易在工业规模调整和研发支出路径上的传导渠道并不通畅，虽然碳交易在工业规模更大和研发支出更高的地区可以实现更好的减排效果，但碳交易其本身对试点地区及试点周边地区工业规模和研发支出影响并不显著。

4.3 稳健性检验

4.3.1 空间权重矩阵检验

空间计量经济学模型的估计系数对空间权重矩阵较为敏感，故错误设置空间权重矩阵可能会导致内生性问题。为了保证估计结果准确，本文使用一阶距离倒数权重矩阵和二阶距离倒数权重矩阵验证空间模型的稳定性。计算结果如表6所示。

表6 空间权重矩阵检验
Table 6 Spatial weight matrix robustness test

注：括号内是聚类稳健标准误，*、**、***分别表示在10%、5%、1%的显著性水平下拒绝原假设。

因变量模型D1模型D2 ln Eln E ETS直接效应-0.094***(0.023)-0.102***(0.022)ETS间接效应-0.011***(0.003)-0.014***(0.004)ETS总效应-0.105***(0.025)-0.116***(0.026)控制变量是是时间固定效应是是城市固定效应是是ρ 0.107***(0.016)0.119***(0.024)σ20.056***(0.001)0.057***(0.001)观测值54155415 R20.5450.544

表6模型D1使用一阶距离权重矩阵，模型D2使用二阶距离权重矩阵。结果表明，变换权重矩阵形式对估计结果影响较小，初步排除空间权重矩阵引起的内生性问题。

4.3.2 调整时间带宽检验

本文使用1999—2017年间的面板数据，面板跨度较长。拉长时间跨度可以扩大样本量以增加估计结果的可信度，但也存在弊端。第一，时间跨度过长不利于实现共同趋势；第二，存在遗漏变量问题。为验证估计结果是否稳健，本文分别去除2003年以前、2005年以前和2007年以前的观测值后再次进行回归，结果分别见表7模型E1—E3。缩短时间带宽后核心自变量结果与基准回归模型结果基本一致，说明由于时间跨度过长导致的非共同趋势问题和遗漏变量问题对核心自变量识别的影响较小，结果稳健。

表7 调整时间带宽检验
Table 7 Test by adjusting the time bandwidth

注：括号内是聚类稳健标准误，*、**、***分别表示在10%、5%、1%的显著性水平下拒绝原假设。

因变量模型E1模型E2模型E3 ln Eln Eln E ETS直接效应-0.102***(0.017)-0.118***(0.014)-0.111***(0.015)ETS间接效应-0.016***(0.003)-0.012***(0.002)-0.014***(0.003)ETS总效应-0.117***(0.019)-0.130***(0.016)-0.125***(0.017)控制变量是是是时间固定效应是是是城市固定效应是是是ρ0.138***(0.015)0.090***(0.014)0.109***(0.016)σ20.028***(0.000 6)0.019***(0.000 4)0.019***(0.000 5)观测值427537053135 R20.5690.5690.525

4.3.3 随机抽样检验

为避免回归结果的偶然性，可随机删除部分样本后再次进行回归。但空间回归模型要求平衡面板数据，故本文随机删除3年数据并重复多次，部分结果在表8中展示。回归结果中核心自变量变化较小，说明基准回归结果较为稳健。

表8 随机抽样检验
Table 8 Random sampling test

因变量模型F1模型F2模型F3 ln Eln Eln E ETS直接效应-0.094***(0.024)-0.091***(0.024)ETS间接效应-0.011**(0.003)-0.089***(0.024)-0.010***(0.003)ETS总效应-0.105***(0.027)-0.001***(0.004)-0.101***(0.026)控制变量是是是时间固定效应是是是城市固定效应是是是ρ0.103***(0.019)-0.101***(0.027)0.114***(0.018)0.096***(0.019)

续表

注：括号内是聚类稳健标准误，*、**、***分别表示在10%、5%、1%的显著性水平下拒绝原假设。

因变量模型F1模型F2模型F3 ln Eln Eln E σ20.060***(0.001)0.059***(0.001)观测值456045604560 R20.5460.5480.544 0.061***(0.001)

5 结论与政策建议

本文基于1999—2017年285个地级市的面板数据对碳交易试点的减排效果和减排作用路径进行探究。考虑到二氧化碳排放的空间依赖性，本文在双重差分模型和空间计量经济学的基础上构建了空间双重差分模型，并使用该模型进行实证分析。主要研究结论如下。

1）碳交易对二氧化碳减排的影响具有溢出效应，即同时促进了本地和周边地区的二氧化碳减排。普通双重差分模型回归结果表明碳交易使试点地区二氧化碳排放量下降10.5%；空间双重差分模型的回归结果表明，碳交易使试点地区碳排放下降9.3%，使试点地区周边地区碳排放量下降1.2%。说明不考虑二氧化碳排放的空间特征会高估碳交易的减排效果，同时遗漏碳交易减排的空间溢出效应。

2）碳交易可以通过推动试点地区与周边地区经济增长驱动二氧化碳减排。碳交易使试点地区经济增长10.6%，周边地区经济增长6.6%；且碳交易降低经济增长过程中的二氧化碳排放。碳交易试点地区每单位经济增长产生的二氧化碳排放相较于非试点地区减少1.9%；碳交易试点的周边地区每单位经济增长产生的二氧化碳排放相较于非试点地区减少0.2%。

3）碳交易在工业规模大的地区有更好的二氧化减排效果及溢出效应。碳交易与工业规模交互项的直接效应为-0.012，间接效应为-0.002。说明碳交易对工业规模大的地区环境规制效果更优。

4）碳交易通过推动试点地区及周边地区研发人员增加和研发投入低碳化促进二氧化碳减排。碳交易使研发人员数量增加19.7%，研发支出金额虽未发生明显变化，但在政策的引导下研发重心向低碳化方向偏移。研发支出和研发人员的增长都会产生显著的直接减排效应和间接减排效应，其中研发支出增加1%引起的二氧化碳排放相较于非试点地区减少0.7%，溢出效应为-0.1%；研发人员数量增加1%引起的二氧化碳排放相对于非试点地区减少1.2%，溢出效应为-0.2%。以上结果说明碳交易通过推动技术进步有效驱动了二氧化碳减排。

基于上述结论，本文提出三点政策建议。

第一，加快推进全国碳交易市场建设发展，同时加强地区间碳排放的协同管理，重视对碳减排空间溢出效应的测算。2020年12月31日，生态环境部公布了《碳排放权交易管理办法（试行）》；紧接着在2021年1月1日，全国碳交易市场发电行业第一个履约周期启动；2021年7月16日，全国碳排放权交易市场正式开市。碳交易被证实是推动二氧化碳减排的有效路径，扩大碳交易市场范围是“双碳”目标下的必然选择。在建设全国碳市场过程中不仅要重视碳交易的本地性减排效应，还应重视碳减排的空间溢出效应。溢出效应表明碳交易推动了区域间二氧化碳协同减排，提高了碳市场减排效率，因此，重视对碳减排空间溢出效应的测算，更有利于全面评价碳交易的实施效果。同时还需注意，当碳交易的直接减排效应较小而溢出效应过大时，则表明可能存在低碳资本与低碳人才向周边地区转移的情况，此时应及时对低碳化资本配置方式及人才待遇等进行调整。

第二，扩大重点地区碳交易市场规模。工业规模更大的地区存在更大的减排潜力，与此同时，碳交易在工业规模大的地区有更好的减排效果。目前，中国碳交易市场建设中对碳交易涵盖的行业范围进行了初步确定，被纳入碳排放交易的主要包括电力、钢铁、石化、化工、有色等20余个行业。未来碳交易市场建设在关注重点行业碳排放交易的同时，还应重点关注工业规模大的重点地区的碳交易问题，应注重加强此类地区的碳市场建设和管理工作，重视促进这些地区碳交易的发展，这样将更加有利于促进二氧化碳减排效果的提升。

第三，促进低碳发展研发人员的培养。低碳发展研究人员是企业低碳化转型的重要驱动因素，也是通过碳交易实现二氧化碳减排的重要传导路径，因此，应加强对低碳发展研发人员的培养力度，满足碳交易市场发展对相关研发人员需求增加的要求。

附录A 基准回归结果

表A1 基准回归结果（直接效应）
Table A1 Basic regression results (direct effect)

注：括号内是标准误，*、**、***分别表示在10%、5%、1%的显著性水平下拒绝原假设。

因变量模型A1-1模型A1-2模型A1-3 ln Eln Eln E D-0.105***（0.026）-0.093***（0.023）ln G 0.250***（0.034）-0.064**（0.027）0.225***（0.009）0.224***（0.008）Ifirst-0.013***（0.002）-0.012***（0.001）-0.012***（0.000 8）Ithird-0.007***（0.000 6）ln I0.003***（0.003）0.008***（0.000 9）-0.008***（0.000 7）0.037***（0.003）0.029***（0.002）0.024***（0.002）ln Tlabor0.043（0.032）ln Texp 0.028***（0.006）0.034***（0.002）0.044***（0.008）ln P-0.017（0.036）0.050***（0.008）-0.008（0.012）-0.013（0.012）

表A2 基准回归结果（间接效应）
Table A2 Basic regression results (indirect effect)

注：括号内是标准误，*、**、***分别表示在10%、5%、1%的显著性水平下拒绝原假设。

因变量模型A1-1模型A1-2模型A1-3 ln Eln Eln E D-0.012***（0.003）ln G0.028***（0.004）-0.002***（0.000 3）Ithird0.0008***（0.000 1）Ifirst ln I0.004***（0.000 6）ln Texp 0.003***（0.000 4）ln Tlabor 0.006***（0.001）ln P0.001（0.001）

表A3 基准回归结果（总效应）
Table A3 Basic regression results (total effect)

注：括号内是标准误，*、**、***分别表示在10%、5%、1%的显著性水平下拒绝原假设。

因变量模型A1-1模型A1-2模型A1-3 ln Eln Eln E D-0.105***（0.025）ln G0.252***（0.008）Ifirst-0.014***（0.001）Ithird 0.007***（0.0007）ln I0.033***（0.002）ln Texp0.027***（0.002）ln Tlabor 0.049***（0.009）ln P-0.009（0.013）时间固定效应是是是城市固定效应是是是ρ 0.328***（0.021）0.112***（0.017）σ20.054***（0.001）0.056***（0.001）观测值541554155415 R20.7710.5740.546