1 背景

2010年，国家发展和改革委员会（NDRC）启动了首个国家级气候政策——低碳城市试点（LCCP）试点项目，旨在“开发并示范”有助于加速向低碳经济转型的道路，探讨它是否对人均碳排放和GDP的碳强度产生了显著的缓解效果。已有文献关注效率和生产力效应，并得出结论认为LCCP具有适度但统计上显著的影响。

在三个维度上补充了现有文献：

1. 识别并克服了由LCCP独特设计和时机引起的潜在因果推断挑战，供了纠正文献中关于LCCP实际有效性的经验证据。
2. 鉴于LCCP的实施在很大程度上是自愿的，为评估自愿环境政策工具的稀缺实证文献贡献了一项研究。
3. 应用Shan等(2017)的方法，基于政府间气候变化专门委员会（IPCC）指南，构建了一个替代排放清单。这个替代数据集不仅能够考察结果对数据源变化的敏感性，还能够更仔细地审视LCCP的行业影响，并讨论燃料转换的潜力。

2 政策背景

2007年发布了国家气候变化计划， 2008年发表了关于国家应对气候变化行动与策略的白皮书。在2009年联合国气候变化大会框架下做出的承诺基础上，国务院首次宣布了减排目标，即到2020年比2005年的水平降低GDP的碳强度40%-45%。这一减排目标被首次纳入十二五规划（2011-2015年），同时设定了在2011至2015年间GDP单位CO2排放量下降17%的强制性目标。在十二五规划框架内，根据每个省份的社会经济特征和增长轨迹，给各省分配了不同的减排目标。当2016年公布了十三五规划（2016-2020年）时，GDP碳强度的减排目标被设定为2016至2020年间降低18%，并进一步分解为各城市的不同目标。

在此背景下，发改委启动了低碳城市试点项目（LCCP），旨在加速向低碳经济的转型，并为其他城市展示实现碳减排目标的路径。2010年7月19日，发改委发布了“关于开展低碳省区和低碳城市试点工作的通知”，开始了第一轮试点。这一阶段包括两个直辖市、五个省份和六个地级市。两年后，第二轮开始，覆盖了两个直辖市、一个省份和26个地级市。第三轮于2017年推出，重点在于地级市和较小的行政区划，总计有八个额外的县级行政区和35个地级市在被纳入试点方案。

根据发改委，这些试点城市和省份的选择是基于它们的地理、社会和经济多样性及其代表性，而不是随机挑选的。此外，在选择试点地点时，考虑到在低碳发展方面正在进行的工作，以及地区希望成为试点一部分。这一过程也容易受到zz博弈和操纵的影响。

中央没有给每个试点单位分配强制性目标或具体任务，只要与总体的五年规划要求一致，每个试点单位在定义自身的减排目标方面有相当大的灵活性，它们可以自由决定在各个部门之间的减排分配。按照发改委要求，试点城市需要编制明确的低碳发展规划，阐述促进有效本地低碳经济、加快建立低碳产业体系、建设温室气体排放统计管理体系以及鼓励低碳生活方式和绿色消费模式所需采取的措施。

在大多数情况下，目标是以碳强度、非化石能源份额、淘汰过时的发电厂和森林覆盖率的形式设定的。具体包括编制温室气体清单、农业脱碳、公共交通系统和建筑的脱碳、引入绿色引导措施以及湿地保护的推广。对于其中一些措施，一些城市设定了目标。例如，石家庄在第二轮中被处理，其在线议程明确指出，到2015年个人交通系统中的“新能源汽车”比例应超过90%。

与传统的政策工具不同，LCCP在很大程度上是一个自愿项目，没有强制执行。减排途径是由区域当局根据其区域经济和地方偏好设计的。虽然处理单位之间的减排途径有所不同，但几乎所有城市都有针对CO2排放或GDP CO2强度的目标，其中一些目标比五年规划的要求更为严格。

3 识别策略和数据

合成控制模型（SCM）通过构建合成的反事实情况并与处理单位的实际结果进行比较来估计处理效应。合成控制是通过对来自对照组的选定单位赋予权重来构造的，以便合成控制在预处理阶段与处理单位的结果紧密匹配。虽然SCM最初是为了研究单一处理单位而设计的，但最近的一些文献提出了SCM向多个处理单位扩展的可能性。然而，估计最小化不同处理单位预处理不平衡的权重可能会产生几乎完美的平均匹配，但导致较差的单位特异性匹配。另一方面，为每个处理单位单独构建合成控制并估计处理单位的平均处理效应可能产生良好的单位特异性预测因子匹配，但产生较差的平均平衡。

Ben-Michael等(2022)提出的部分混合合成控制法，在一个分阶段处理框架内缓解这种偏见。将处理单位的平均处理效应（ATT）估计误差分解为源自混合匹配和单位特异性匹配的误差，然后最小化这两个误差的加权组合。在他们基本模型的一个扩展中，Ben-Michael等(2022)进一步建议加入辅助协变量，以确保不仅对主要感兴趣的输出变量，而且对分析单位的其他关键特性都有良好的预处理匹配。它很好地适应了确保一系列设计上异质且在不同时点接受处理的单位具有良好匹配的需求。

3.1 数据

因变量：人均二氧化碳排放量（吨/人）和GDP的二氧化碳强度（吨/万元）。

Chen等（2020年）数据基于卫星图像的夜间灯光数据提供了县级碳排放数据。排放清单涵盖了大约350个行政划分中的2735个县和区，时间跨度为1997年至2017年。

协变量：人均GDP（万元人民币）、工业化率（第二产业占GDP比例）、社会固定资产投资（100亿元）、工业二氧化硫排放量（万吨）作为额外的预测变量。

4 实证结果

表2和图1展示了遵循de Chaisemartin和D’Haultfoeuille (2022)提出的方法的分阶段DiD估计的结果。结果显示，LCCP对人均二氧化碳排放量产生了统计学上的显著影响，对GDP的碳强度没有显著影响。然而，对于两种结果，治疗期间的估计表明它们是早在t=0之前就开始的趋势的延续，从而违反了“平行趋势”假设。

表3呈现了运行LCCP前两波的部分混合、分阶段合成控制程序的结果。结果显示，相对于未处理城市，LCCP对处理城市在传统水平上没有产生统计学上的显著影响。图2绘制了随时间变化的效果估计。总体而言，预处理匹配是令人满意的，根据绘制的置信区间，整个治疗期间两种指标的处理效应保持不显著。

4.1 识别的挑战

在同一时期实施了多项旨在将碳排放与经济增长脱钩的政策倡议。例如，在LCCP推出不久后，开始讨论将碳交易作为应对气候变化的工具。从2011年开始，至2013年启动交易，七个碳交易试点项目被推出，包括一个地级市（深圳）、两个省份（湖北和广东）以及四个直辖市（北京、上海、天津、重庆）。双重挑战：一方面，对照城市可能受到试点项目的影响，导致潜在的衰减偏差；另一方面，一些LCCP城市也可能被纳入这些碳交易试点计划中，使得无法仅归因于LCCP单独产生任何处理效果。为了控制这种混淆因素，我们从样本中排除所有受碳交易监管的城市。

除了LCCP之外，五年规划（FYP）中越来越严格的目标来减少经济的碳排放。识别框架隐含地假设在FYP下，处理单位和对照单位被分配了相似的减排目标，从而不会偏斜对LCCP影响的估计。为了验证这一假设是否成立，收集了样本中每个城市在十二和十三FYP下规定的减排目标的信息。然后执行等价性检验以确保平均减排目标的一致性。结果不能拒绝两组间减排目标相等的原假设。这意味着我们的结果不太可能由FYP中的减排目标差异驱动。

LCCP是在早期宣布之后推出的，选择合适的试点过程也比较缓慢。在某些处理城市中，gy和经济主体可能已经通过自身游说入选试点或其他zz联系得知未来的处理状态。一些试点城市可能已经采取了早期行动准备试点。

处理溢出效应。一方面，试点可能成功地识别、开发并展示了其他城市可以采用的低碳路径.可能会导致处理单位和控制单位的两种结果都减少。另一方面，LCCP的引入可能会提高处理区域的碳排放成本，促使经济活动向环境法规较宽松的地区转移，从而导致碳泄漏。在这种情况下，目的地城市的排放量会随着经济活动的增加而增加。为了测试处理溢出效应，并假设任何溢出更可能发生在与试点城市‘接近’的城市，首先从样本中排除地理上接近试点项目的城市。限制对照组只包括邻近城市，在存在处理溢出的情况下，后一组结果应该比前一组更不显著。

为了控制可能的泄漏效应，使用人均GDP作为结果进行测试，这允许我们识别经济泄漏。

4.2 稳健性检验

确保主要结果并非由用于构建合成控制的主要规范中的预测因子集驱动。使用不同的预测因子集重复估计，从仅匹配结果开始。然后逐个变量扩展预测因子集，直到使用了所有可用的变量。完整的预测因子集包括两个原始结果变量、人均GDP、工业化率、社会固定资产投资、工业二氧化硫排放、就业、科技支出。如果结果没有实质性改变，可以得出结论，预测因子的选择并不驱动SCM结果。

表8和图5展示了对不同预测因子集的敏感性分析的结果。包括或排除预测因子仅边际改变了点估计值，没有估计值接近显著，表明结果在预测因子集中极其稳健。

LCCP前两波可能存在的差异效果。LCCP的任何好处在短期到中期较为微弱，但可能需要更长时间才能显现。但随着时间的推移，反事实可能变得不太令人信服，类似于违反了SUTVA。

县级二氧化碳排放清单可能是有问题的，因为它们是从基于夜间灯光数据的省级碳排放估算值向下缩放至县级。夜间灯光数据只能直接代理用于照明的电力使用，而任何其他外推（到经济活动水平或总体能源需求和碳排放）充其量是一种嘈杂的过程。一种替代方案，即使用IPCC指南和中国调查研究中更新的排放因子编制的基于消费的二氧化碳排放估算。

5 讨论与行业分析

调查了处理城市与未处理城市相比在投资活动方面增加的迹象。对物质资本和知识资本的投资，预期LCCP将在处理区域内提供创新激励，和旧机器和基础设施需要更换以支持低碳转型。使用“科学技术投资”和“社会固定资产投资”作为上述投资活动的代理指标。没有发现证据表明LCCP城市的投资比其他城市更多。可能解释是，低碳投资可能挤出了其他类型的投资，使总额保持不变。

即使总体投资保持不变，仍应能通过部门排放的变化推断出低碳结构变化的存在。如果LCCP城市中任何一个部门相对于控制城市变得更加绿色，应该观察到部门间二氧化碳排放模式的变化。类似地，任何经济活动的绿化都应该通过燃料转换被标记出来，例如在制造业中从煤炭转向天然气，或者在交通运输部门减少石油消耗。

表14总结了合成控制估计结果。即使在这一细分水平上，未能找到任何由LCCP带来的显著低碳转型的证据。

LCCP试点城市设定的目标类型出乎意料地一致。图10提供了11个城市中各部门目标的分布。这些城市中的大多数公布了旨在促进服务业、公共运输系统去碳化、推动低碳建筑和引入绿色推动力的目标。

综上，LCCP尽管政策设计旨在通过示范效应推动低碳实践，但实际效果并不显著。这可能与政策执行力度不足、目标设定的同质性以及投资行为未发生预期变化有关。此外，LCCP未能显著降低处理城市的碳排放，甚至在其设定明确目标的部门中也是如此，这表明政策可能未能有效引导行业和企业向低碳方向转型。最后，我们没有发现LCCP增加了处理城市的生产成本，这可能意味着政策执行过程中未对经济活动产生负面影响，但同时也未能激发所需的低碳投资和技术创新。这些发现强调了在设计和实施类似政策时，需更深入理解地方经济特点和行业动态，以更精准地引导低碳发展路径。

附录 二氧化碳排放清单与计算方法

近期的研究文献中，学者们普遍采用联合国政府间气候变化专门委员会（Intergovernmental Panel on Climate Change，IPCC）制定的方法来计算二氧化碳排放量，具体做法是将能源消耗量乘以标准的排放因子。然而，根据对中国100个不同矿区的602个样本进行的最新调查数据，结果显示，IPCC提出的默认排放因子平均比中国实际情况高出约40%。此外，多数研究并未考虑工业过程产生的二氧化碳排放。例如，在2016年，中国总的二氧化碳排放量为9,217.15百万吨，其中7.6%的排放源于与工业过程相关的化学反应，而非化石燃料的燃烧。因此，为了准确评估各城市的碳排放量，不仅需要使用修订后的排放因子，还要将工业过程排放纳入考量。

本研究借鉴Shan et al. (2017)的方法，使用更新的排放因子为每个观测点计算二氧化碳排放量，以编制二氧化碳排放清单。所需数据来自各自城市级别的统计年鉴，将总排放分解为17种不同化石燃料、47个社会经济部门及水泥生产所产生的排放。二氧化碳排放量的计算公式如下：
p表示城市；t表示年份；i指17种不同的化石燃料类型；j指47个不同的经济部门；AD_ptij表示活动数据，即部门j消耗的燃料i的物理数量；NCV_pti表示净热值，即每单位物理单位化石燃料的热量值；CC_i表示每单位净热值的二氧化碳排放量；O_ij表示氧化率，即化石燃料燃烧过程中的氧化率。

水泥生产所导致的二氧化碳排放量可表示为：CE=AD_pt x EF

AD_pt表示水泥生产的产量（物理数量）；EF表示相应的排放因子。

表A.1汇总了计算化石燃料燃烧和水泥生产二氧化碳排放所需的净热值和排放因子。对于燃烧排放，采用了Shan et al. (2018b)提供的氧化率。