资源描述：
第３２卷第１期管理评论Ｖｏｌ. ３２ꎬ Ｎｏ. １２０２０年１月Ｍａｎａｇｅｍｅｎｔ Ｒｅｖｉｅｗ Ｊａｎ.ꎬ ２０２０大气污染协同治理能促进污染物减排吗 基于城市的三重差分研究赵志华１ 吴建南２ꎬ３１.西安交通大学公共政策与管理学院ꎬ西安７１００４９ꎻ２.上海交通大学中国城市治理研究院ꎬ上海２０００３０ꎻ３.上海交通大学国际与公共事务学院ꎬ上海２０００３０摘要大气污染具有流动性ꎬ跨区域特征明显ꎬ协同治理至关重要ꎮ基于２０１０－２０１５年２７５个城市的面板数据ꎬ运用三重差分法ＤＤＤ研究了大气污染协同治理对污染物减排的影响ꎮ从全样本分析结果来看ꎬ大气污染协同治理降低了工业二氧化硫排放量和工业烟粉尘排放量ꎬ而此结果并没有通过显著性检验ꎮ从子样本分析结果来看ꎬ大气污染协同治理显著降低了工业二氧化硫排放量ꎬ但对工业烟粉尘排放量没有产生显著影响ꎮ城市在促进不同污染物减排时存在差异ꎬ减排难度较低的污染物往往被优先完成ꎮ从时间效应来看ꎬ大气污染协同治理对污染物减排的影响存在时滞性ꎬ而且这种时滞性在不同污染物减排之间存在差异ꎮ关键词大气污染ꎻ协同治理ꎻ政策效果ꎻ三重差分收稿日期２０１８－０７－１７基金项目教育部哲学社会科学研究重大课题攻关项目１７ＪＺＤ０２５ꎻ国家自然科学基金面上项目７１５７３１７６ꎮ作者简介赵志华ꎬ西安交通大学公共政策与管理学院博士研究生ꎻ吴建南通讯作者ꎬ上海交通大学国际与公共事务学院特聘教授ꎬ博士生导师ꎬ博士ꎮ引 言中国在经济发展取得巨大进步的同时ꎬ能源消耗量持续增加ꎬ大气污染防治压力持续加大ꎮ特别是大气污染具有较强的流动性ꎬ如果以行政区划为基础的属地治理模式来治理大气污染ꎬ各地区往往更多地考虑自身的利益ꎬ从而造成大气污染治理效果有限[１]ꎮ打破行政区划限制ꎬ实现协同治理是大气污染治理的关键[２]ꎮ中国政府已经意识到大气污染需要协同治理ꎬ从中央政府到地方政府已经出台了很多大气污染协同治理的政策ꎬ进行了诸多大气污染协同治理的实践ꎮ大气污染协同治理对污染物减排的影响值得研究ꎬ即大气污染协同治理能促进污染物减排吗协同治理是指不同公共部门、不同层级政府和公民等集体参与到公共政策决策的过程[３]ꎬ通过协商一致的集体决策来制定或执行公共政策或管理公共项目[４]ꎮ在协同治理的诸多研究中ꎬ关于协同治理对污染物减排影响的研究比较少见ꎮ在少有的几篇研究中ꎬ有学者研究了水污染领域协同治理对污染物减排的影响ꎮ例如Ｂｉｄｄｌｅ和Ｋｏｏｎｔｚ[５]研究了协同治理过程对环境治理效果的影响ꎬ发现设置特定的污染物减排目标能显著影响流域的环境改善ꎮ Ｓｃｏｔｔ[６]使用有代表性的流域质量数据系列对ＥＰＡ的国家河流和溪流进行评估ꎬ对协同治理和流域质量之间的关系进行研究ꎬ发现协同治理改善了溪流的生态环境ꎮ也有学者研究了大气污染领域协同治理对污染物减排的影响ꎮ例如ꎬＷａｎｇ等[７]对北京及周边城市的大气污染联防联控进行研究ꎬ发现这些大气污染联防联控措施降低了除Ｏ３之外的污染物排放ꎬ并发现风等气象条件对城市ＰＭ２ ５和ＰＭ１０浓度有很强的相关性ꎮ杜雯翠和夏永妹[８]基于京津冀地区１５个城市２０１４－２０１６年的每日ＡＱＩ数据ꎬ用双重差分模型研究了京津冀雾霾协同治理措施的实施效果ꎬ发现一般性的协同治理措施和“大事件”的协同治理措施都没有从本质上改善京津冀的空气质量ꎮ除上述协同治理研究外ꎬ还有学者从政策协同的视角对节能减排进行研究ꎮ张国兴等[９]基于文献计量分析了１９９８年以来我国节能减排科技政策的状况ꎬ在此基础上分析了政策措施与政策目标的协同有效性ꎬ发现同一政策措施与不同政策目标的协同对节能减排科技政策效果的第１期赵志华ꎬ等大气污染协同治理能促进污染物减排吗 ２８７ 影响存在差异ꎬ在多数情况下ꎬ两项政策措施与政策目标的协同效果要优于单一政策措施与政策目标的协同效果ꎮ现有一些研究关注水污染领域协同治理对污染物减排影响ꎮ而大气污染比水污染有更强的流动性ꎬ更加需要协同治理ꎮ现有一些学者研究了大气污染领域协同治理对污染物减排影响ꎬ然而仍存在一些不足ꎬ需要进一步的研究ꎮ第一ꎬ针对大气污染协同治理对污染物减排影响的判断没有达成一致ꎬ需要进一步验证ꎮ比如ꎬＷａｎｇ等[７]发现协同治理能降低污染物减排ꎬ而杜雯翠和夏永妹[８]发现协同治理没有从本质上改善京津冀的空气质量ꎮ第二ꎬ现有实证研究中ꎬ双重差分法ＤＩＤ通过处理组和对照组的对比减少了分析结果的偏差ꎮ但大气污染协同治理的区域均为重污染区域ꎬ这些区域与非大气污染协同治理区域有较大的区别ꎬ并不符合双重差分法ＤＩＤ平行趋势的前提假设ꎮ第三ꎬ现有研究多选择京津冀等一个地区为研究对象[７ꎬ８]ꎬ没有发现基于整个中国的研究ꎮ然而ꎬ全国很多地区已经进行了大气污染协同治理ꎬ亟待从全国层面对其效果进行研究ꎮ此外ꎬ还有学者对政策措施与政策目标的协同有效性进行分析[９]ꎬ但大气污染具有较强流动性ꎬ不同行政区域之间的协同更加重要ꎬ有必要从不同行政区域协同的角度进行研究ꎮ基于此ꎬ本文选取２０１０－２０１５年中国大陆２７５个城市的面板数据ꎬ采用基于自然试验的三重差分法ＤＤＤꎬ就大气污染协同治理对污染物减排的影响进行研究ꎮ本文在实践上可在全国层面验证大气污染协同治理对污染物减排的影响ꎬ进而探索改进大气污染协同治理的途径ꎮ本文在学术上可弥补已有大气污染协同治理研究方法和研究对象的不足ꎮ在研究方法方面ꎬ本文选择能够较好解决平行趋势不成立问题的三重差分法ＤＤＤꎬ有效避免了因大气污染协同治理区域与非大气污染协同治理区域的差别而导致的结果偏差ꎮ在研究对象方面ꎬ本文选取全国２７５个城市进行研究ꎬ弥补了已有研究仅仅从京津冀等部分区域进行研究的缺陷ꎮ中国大气污染协同治理状况中国政府已经意识到大气污染需要协同治理ꎬ出台了一系列的大气污染协同治理的政策ꎬ在大气污染协同治理方面做出了很多的努力ꎮ在中央政府层面ꎬ２０１０年国家出台了«关于推进大气污染联防联控工作改善区域空气质量的指导意见»ꎬ在这个意见中提出了“联防联控”这一概念ꎬ这意味着国家开始重视大气污染协同治理ꎮ２０１２年ꎬ«重点区域大气污染防治“十二五”规划»比较系统、具体地提出大气污染协同治理ꎮ ２０１３年ꎬ«大气污染防治行动计划»进一步强调了大气污染协同治理的重要性ꎮ ２０１５年ꎬ新修订的«中华人民共和国大气污染防治法»中提到“国家建立重点区域大气污染联防联控机制”ꎬ这为大气污染协同治理提供了法律保障ꎮ与此同时ꎬ京津冀、长三角、珠三角等地方政府也出台了诸多的大气污染协同治理政策ꎮ比如ꎬ姜玲等[１０]研究发现京津冀及周边地区省/直辖市层级就有多达１９件政策提及建立和完善大气污染协同治理机制ꎮ面对诸多的大气污染协同治理的政策ꎬ要研究其是否能促进污染物减排比较困难ꎮ但通过对这些政策的分析发现ꎬ这些政策中«重点区域大气污染防治“十二五”规划»在全国层面比较系统、具体地提出大气污染协同治理ꎬ该政策为研究大气污染治理提供了较好的研究视角ꎮ本文选择这个政策ꎬ就大气污染协同治理对污染物减排的影响进行研究ꎮ«重点区域大气污染防治“十二五”规划»提出在重点区域率先推进大气污染联防联控工作ꎬ实现区域“统一规划、统一监测、统一监管、统一评估、统一协调”ꎬ其突破了原有以行政区域为主的属地治理模式的局限ꎬ充分考虑了大气的流动性的特征ꎮ重点区域即大气污染协同治理的范围ꎮ该规划提出的大气污染协同治理范围包括京津冀、长三角、珠三角、辽宁中部、山东、武汉及其周边、长株潭、成渝、海峡西岸、山西中北部、陕西关中、甘宁、新疆乌鲁木齐城市群ꎬ共１３个区域ꎬ并提到这些大气污染协同治理范围的面积约１３２ ５６万平方千米ꎬ占到全部国土面积的１３ ８１％ꎮ该规划划定的大气污染协同治理的范围由城市组成ꎬ比如京津冀包括北京市、天津市、石家庄市、唐山市等１３个城市ꎬ长三角包括上海市、南京市、无锡市、徐州市等２５个城市ꎮ这种准确的大气污染协同治理范围的划分使城市清晰地了解到与哪些城市进行协同ꎬ为不同城市更加有效地进行协同治理提供了基础ꎬ也为准确地区分大气污染协同治理区域和非大气污染协同治理区域提供了条件ꎮ«重点区域大气污染防治“十二五”规划»提出了明确的减排目标ꎬ还制定了严格的考核体系ꎬ从而有效地保证了该规划的有效落实ꎮ该规划提出“二氧化硫、氮氧化物、工业烟尘排放量分别下降１２％、１３％、１０％ꎬ挥发性有机物污染防治工作全面展开ꎻ环境空气质量有所改善ꎬ可吸入颗粒物、二氧化硫、二氧化氮、细颗粒物年２８８ 管理评论第３２卷均浓度分别下降１０％、１０％、７％、５％ꎬ臭氧污染得到初步控制ꎬ酸雨污染有所减轻ꎻ建立区域大气污染联防联控机制ꎬ区域大气环境管理能力明显提高”等目标ꎮ该规划还针对具体的区域设定减排目标ꎬ比如ꎬ针对北京、天津、上海、江苏、浙江、珠三角、辽宁中部、山东等ꎮ该规划制定了严格的考核体系ꎬ提出“考核办法由环境保护部会同国务院有关部门制定ꎬ每年对重点区域大气污染防治规划实施情况进行评估考核ꎻ在规划期末ꎬ组织开展规划终期评估ꎮ规划年度考核与终期评估结果向国务院报告ꎬ作为地方各级人民政府领导班子和领导干部综合考核评价的重要依据ꎬ实行问责制ꎬ并向社会公开ꎮ对规划完成情况好、大气环境质量改善明显的省区、市ꎬ环境保护部会同财政、发展改革等部门加大对该地区污染治理和环保能力建设的支持力度ꎬ并予以表彰ꎻ对考核结果未通过的省区、市进行通报ꎻ对项目进展缓慢、大气环境污染严重的城市ꎬ实施阶段性建设项目环评限批ꎬ取消国家授予该地区的环境保护方面的荣誉称号”ꎮ研究设计１、样本选择本文选取２０１０－２０１５年中国大陆２７５个城市的面板数据ꎬ研究大气污染协同治理对污染物减排的影响ꎮ本文以城市为研究对象是因为城市是大气污染协同治理的重要政府层级ꎮ «重点区域大气污染防治“十二五”规划»划定的大气污染协同治理的范围即是以城市为单元ꎮ本文选取２０１０－２０１５年的数据ꎬ这个时间的数据横跨了«重点区域大气污染防治“十二五”规划»实施前后ꎬ有利于进行实施前后的比较ꎮ考虑到数据的可获得性ꎬ本文对数据缺失严重的城市进行了剔除ꎬ最终选取了２７５个城市作为研究对象ꎮ由于本文的因变量包括多种污染物ꎬ因此ꎬ本文样本由城市－年份－污染物组合而成ꎬ比如西安－２０１０－工业二氧化硫排放量是一个样本ꎬ西安－２０１０－工业烟粉尘排放量是一个样本ꎬ西安－２０１０－工业废水排放量是一个样本ꎬ等等ꎮ２、研究方法大气污染协同治理对污染物减排的影响往往受到自然特征、地理特征等影响ꎬ这往往会造成分析结果的偏差ꎮ为减少这种偏差ꎬ学术界比较成熟的方法是通过对处理组受到政策变化影响和对照组不受政策变化影响进行比较来完成ꎮ其中ꎬ双重差分法Ｄｉｆｆｅｒｅｎｃｅ￣ｉｎ￣Ｄｉｆｆｅｒｅｎｃｅꎬ简称ＤＩＤ和三重差分法Ｄｉｆｆｅｒｅｎｃｅ￣ｉｎ￣Ｄｉｆｆｅｒｅｎｃｅ￣ｉｎ－ Ｄｉｆｆｅｒｅｎｃｅꎬ简称ＤＤＤ在国内外得到了比较广泛的应用ꎮ比如ꎬＫｉｍ等[１１]、付明卫等[１２]运用三重差分法进行了相关研究ꎮ双重差分法ＤＩＤ通过对受到政策变化影响的处理组和不受政策变化影响的对照组进行对比ꎬ以此反映政策变量对政策结果的实际影响ꎮ双重差分法ＤＩＤ一个关键是找到合适的对照组ꎬ要求对照组和处理组要有相似的特征ꎬ即平行趋势假设成立ꎬ否则会使分析的结果产生较大偏误ꎮ然而ꎬ大气污染协同治理的区域一般是大气污染严重的区域ꎬ这些区域与非大气污染协同治理区域之间存在较大的差别ꎬ尤其是ꎬ«重点区域大气污染防治“十二五”规划»划分的大气污染协同治理区域与非大气污染协同治理区域之间的差别很大ꎮ正如«重点区域大气污染防治“十二五”规划»提到“重点区域是我国经济活动水平和污染排放高度集中的区域ꎮ重点区域占全国１４％的国土面积ꎬ集中了全国近４８％的人口ꎬ产生了７１％的经济总量ꎬ消费了５２％的煤炭ꎬ排放了４８％的二氧化硫、５１％的氮氧化物、４２％的烟粉尘和约５０％的挥发性有机物ꎬ单位面积污染物排放强度是全国平均水平的２ ９至３ ６倍”ꎮ这不符合双重差分法ＤＩＤ平行趋势的前提假设ꎮ三重差分法ＤＤＤ可解决平行趋势假设不成立的问题[１２]ꎮ与双重差分法ＤＩＤ相比ꎬ三重差分法ＤＤＤ需要找到另外一个对照组ꎬ以减少因平行趋势假设不成立而造成的结果偏误ꎮ考虑到工业废水排放量与工业二氧化硫等大气污染物同属于环境治理的主要污染物ꎬ并且大气和水都具有流动性ꎬ二者具有相似的特征ꎮ同时ꎬ大气污染协同治理仅针对大气领域而不针对水领域ꎬ其对工业废水排放量几乎没有影响ꎮ工业废水排放量的数据也可公开较容易的获得ꎬ选择工业废水排放量在数据获取方面具有可行性ꎮ因此ꎬ本文选择工业废水排放量作为这个对照组ꎮ本文采用的三重差分计量模型如下Ｙ ＝ α ＋ β１ＴｒｅａｔＳｃｏｐｅ ＋ β２ＴｒｅａｔＴｉｍｅ ＋ β３ＴｒｅａｔＥｍｉｓｓｉｏｎ ＋ β４ＴｒｅａｔＳｃｏｐｅ∗ ＴｒｅａｔＴｉｍｅ ＋β５ＴｒｅａｔＳｃｏｐｅ∗ ＴｒｅａｔＥｍｉｓｓｉｏｎ ＋ β６ＴｒｅａｔＴｉｍｅ∗ ＴｒｅａｔＥｍｉｓｓｉｏｎ ＋β７ＴｒｅａｔＳｃｏｐｅ∗ ＴｒｅａｔＴｉｍｅ∗ ＴｒｅａｔＥｍｉｓｓｉｏｎ ＋ β８ＣＶ ＋ ｅｉｊ １第１期赵志华ꎬ等大气污染协同治理能促进污染物减排吗 ２８９ 在公式１中ꎬＹ为因变量ꎬＴｒｅａｔＳｃｏｐｅ、ＴｒｅａｔＴｉｍｅ和ＴｒｅａｔＥｍｉｓｓｉｏｎ是三重差分的变量ꎮ本文选择ＴｒｅａｔＳｃｏｐｅ表示城市是否属于大气污染协同治理区域ꎻ选择ＴｒｅａｔＴｉｍｅ表示样本处于政策实施前还是实施后ꎻ选择Ｔｒｅａｔ￣Ｅｍｉｓｓｉｏｎ表示样本污染物是否受大气污染协同治理影响ꎮ ＴｒｅａｔＳｃｏｐｅ∗ ＴｒｅａｔＥｍｉｓｓｉｏｎ表示ＴｒｅａｔＳｃｏｐｅ和ＴｒｅａｔＥｍｉｓｓｉｏｎ的乘积ꎬＴｒｅａｔＳｃｏｐｅ∗ ＴｒｅａｔＴｉｍｅ表示ＴｒｅａｔＳｃｏｐｅ和ＴｒｅａｔＴｉｍｅ的乘积ꎬＴｒｅａｔＴｉｍｅ∗ ＴｒｅａｔＥｍｉｓｓｉｏｎ表示Ｔｒｅ￣ａｔＴｉｍｅ和ＴｒｅａｔＥｍｉｓｓｉｏｎ的乘积ꎬＴｒｅａｔＳｃｏｐｅ∗ ＴｒｅａｔＴｉｍｅ∗ ＴｒｅａｔＥｍｉｓｓｉｏｎ表示ＴｒｅａｔＳｃｏｐｅ、ＴｒｅａｔＴｉｍｅ与ＴｒｅａｔＥｍｉｓｓｉｏｎ三个变量的乘积ꎮ其中ꎬＴｒｅａｔＳｃｏｐｅ∗ ＴｒｅａｔＴｉｍｅ∗ ＴｒｅａｔＥｍｉｓｓｉｏｎ是三重差分的关键变量ꎬ反映政策的净效应ꎮ经过上述模型的设置ꎬ就从是否属于大气污染协同区域、样本处于政策实施前还是实施后、样本污染物是否受大气污染协同治理影响三个方面形成处理组和对照组ꎬ构建了三重差分的“准自然试验”研究ꎮ具体而言ꎬ所有数据可划分以下为８种类型ꎬ即ＴｒｅａｔＳｃｏｐｅ＝１ꎬＴｒｅａｔＴｉｍｅ＝１ꎬＴｒｅａｔＥｍｉｓｓｉｏｎ＝１、ＴｒｅａｔＳｃｏｐｅ＝１ꎬＴｒｅａｔ￣Ｔｉｍｅ＝０ꎬＴｒｅａｔＥｍｉｓｓｉｏｎ ＝ １、ＴｒｅａｔＳｃｏｐｅ ＝ １ꎬＴｒｅａｔＴｉｍｅ ＝ １ꎬＴｒｅａｔＥｍｉｓｓｉｏｎ ＝ ０、ＴｒｅａｔＳｃｏｐｅ ＝ １ꎬＴｒｅａｔＴｉｍｅ ＝ ０ꎬＴｒｅａｔＥｍｉｓｓｉｏｎ＝０、ＴｒｅａｔＳｃｏｐｅ＝ ０ꎬＴｒｅａｔＴｉｍｅ ＝ １ꎬＴｒｅａｔＥｍｉｓｓｉｏｎ ＝ １、ＴｒｅａｔＳｃｏｐｅ ＝ ０ꎬＴｒｅａｔＴｉｍｅ ＝ ０ꎬＴｒｅａｔＥｍｉｓｓｉｏｎ ＝１、ＴｒｅａｔＳｃｏｐｅ＝ ０ꎬＴｒｅａｔＴｉｍｅ ＝ １ꎬＴｒｅａｔＥｍｉｓｓｉｏｎ ＝ ０、ＴｒｅａｔＳｃｏｐｅ ＝ ０ꎬＴｒｅａｔＴｉｍｅ ＝ ０ꎬＴｒｅａｔＥｍｉｓｓｉｏｎ ＝ ０ꎮ其中ꎬＴｒｅａｔＳｃｏｐｅ＝１ꎬＴｒｅａｔＴｉｍｅ＝１ꎬＴｒｅａｔＥｍｉｓｓｉｏｎ＝１是处理组ꎬ其余均为参照组ꎮ本文还选择了一些控制变量ꎬ其在公式１中用ＣＶ表示ꎮ各变量的回归系数用β１ꎬβ２ꎬβ３ꎬβ４ꎬβ５ꎬβ６ꎬβ７ꎬβ８表示ꎮ其中ꎬ三重差分关键变量的系数用β７表示ꎬ是本文最关心的系数ꎮ扰动项用ｅｉｊ表示ꎮ３、变量及测量本文因变量选取工业二氧化硫排放量、工业烟粉尘排放量和工业废水排放量ꎮ工业二氧化硫排放量和工业烟粉尘排放量是«重点区域大气污染防治“十二五”规划»列入减排目标的污染物ꎬ也是大气污染减排的主要一次污染物ꎮ同时ꎬ直到２０１３年开始才有ＰＭ２ ５等细颗粒污染物的统计ꎬ囿于数据的限制ꎬＰＭ２ ５等细颗粒污染物暂不在本文范围之内ꎮ因变量中工业废水排放量是基于三重差分方法设置的对照组ꎮ借鉴张攀[１３]的研究ꎬ本文的因变量采取合成的方式处理ꎬ即把工业二氧化硫排放量、工业烟粉尘排放量、工业废水排放量组合形成因变量ꎮ为减少数据的异方差性ꎬ本文首先对数据取对数ꎬ然后组合形成因变量ꎮ在组合的过程中ꎬ为了避免不同污染物单位不同的影响ꎬ本文对每种污染物分别单独进行标准化处理ꎬ然后依次排列形成因变量ꎮ组合中的因变量是城市在具体某一年某种污染物排放量取对数后再经过标准化的值ꎮ比如西安－２０１０－工业二氧化硫排放量取对数后再经过标准化的值ꎮ上述三种污染物中ꎬ工业二氧化硫排放量、工业烟粉尘排放量是«重点区域大气污染防治“十二五”规划»中设置的目标ꎬ其属于处理组ꎬ工业废水排放量是本文选择的对照组ꎮ此外ꎬ考虑到大气污染协同治理可能对不同污染物减排的影响存在差异[１４]ꎬ本文将因变量分成两组ꎬ分别研究大气污染协同治理对不同污染物的减排效果ꎮ考虑到对照组和处理组的选择ꎬ本文将工业二氧化硫排放量、工业烟粉尘排放量分别与工业废水排放量进行组合ꎮ即第一组因变量由工业二氧化硫排放量、工业废水排放量组合形成ꎬ其中工业二氧化硫排放量为处理组ꎬ工业废水排放量为对照组ꎬ这组因变量用来研究大气污染协同治理对工业二氧化硫排放量的影响ꎻ第二组因变量以工业烟粉尘排放量、工业废水排放量组合形成ꎬ其中工业烟粉尘排放量为处理组ꎬ工业废水排放量为对照组ꎬ这组因变量用来研究大气污染协同治理对工业烟粉尘排放量的影响ꎮ本文的自变量按三重差分模型设计ꎮ «重点区域大气污染防治“十二五”规划»提出在重点区域率先进行大气污染协同治理ꎬ重点区域是实施大气污染协同治理的区域ꎮ因此ꎬ大气污染协同治理范围的城市ꎬＴｒｅａｔ￣Ｓｃｏｐｅ取值为１ꎬ其他城市ＴｒｅａｔＳｃｏｐｅ取值为０ꎻ«重点区域大气污染防治“十二五”规划»在２０１２年１０月正式发布ꎬ发布时间在２０１２年的年底ꎬ本文认为该规划在次年即２０１３年以后产生效果ꎮ因此ꎬ选取２０１０－２０１２年为政策实施前ꎬ２０１３－２０１５年为政策实施后ꎮ即２０１０－２０１２年ＴｒｅａｔＴｉｍｅ取值为０ꎬ２０１３－２０１５年ＴｒｅａｔＴｉｍｅ取值为１ꎻ工业二氧化硫排放量、工业烟粉尘排放量是«重点区域大气污染防治“十二五”规划»设置的减排目标ꎬ这两个变量的样本ＴｒｅａｔＥｍｉｓｓｉｏｎ取值为１ꎬ工业废水排放量是不受«重点区域大气污染防治“十二五”规划»影响的对照组ꎬ工业废水排放量目标样本ＴｒｅａｔＥｍｉｓｓｉｏｎ取值为０ꎮ同时ꎬ本文根据已有研究选择了控制变量ꎬ以进一步消除产业结构、人口密度、经济特征等诸多因素的影响ꎬ使结果更加准确ꎮ为防止因果关系逆转ꎬ控制变量采取滞后一年的方式处理ꎮ比如ꎬ因变量选取２０１５年数据ꎬ全部控制变量都选取２０１４年的数据ꎮ变量的代码、测量和数据来源如表１所示ꎮ２９０ 管理评论第３２卷表１ 变量一览表变量变量代码测量数据来源工业二氧化硫排放量或工业烟粉尘排放量或工业废水排放量Ｅｍｉｓｓｉｏｎ各城市工业二氧化硫排放量或工业烟粉尘排放量或工业废水排放量ꎬ取对数ꎬ做标准化处理中国城市统计年鉴工业二氧化硫排放量或工业废水排放量Ｅｍｉｓｓｉｏｎ１各城市工业二氧化硫排放量或工业废水排放量ꎬ取对数ꎬ做标准化处理中国城市统计年鉴工业烟粉尘排放量或工业废水排放量Ｅｍｉｓｓｉｏｎ２各城市工业烟粉尘排放量或工业废水排放量ꎬ取对数ꎬ做标准化处理中国城市统计年鉴ＴｒｅａｔＳｃｏｐｅ Ｔｒｅａｔ￣Ｓ位于大气污染协同治理范围的城市取值为１ꎬ其他取值为０作者编码ＴｒｅａｔＴｉｍｅ Ｔｒｅａｔ￣Ｔ ２０１０－２０１２年期间取值为０ꎬ２０１３－２０１５年期间取值为１作者编码ＴｒｅａｔＥｍｉｓｓｉｏｎ Ｔｒｅａｔ￣Ｅ样本为工业二氧化硫排放量、工业烟粉尘排放量的取值为１ꎬ样本为工业废水排放量的取值为０作者编码ＴｒｅａｔＳｃｏｐｅ∗ ＴｒｅａｔＴｉｍｅ Ｔｒｅａｔ￣Ｓ∗ Ｔ ＴｒｅａｔＳｃｏｐｅ与ＴｒｅａｔＴｉｍｅ的乘积作者计算ＴｒｅａｔＳｃｏｐｅ∗ ＴｒｅａｔＥｍｉｓｓｉｏｎ Ｔｒｅａｔ￣Ｓ∗ Ｅ ＴｒｅａｔＳｃｏｐｅ与ＴｒｅａｔＥｍｉｓｓｉｏｎ的乘积作者计算ＴｒｅａｔＴｉｍｅ∗ ＴｒｅａｔＥｍｉｓｓｉｏｎ Ｔｒｅａｔ￣Ｔ∗ Ｅ ＴｒｅａｔＴｉｍｅ与ＴｒｅａｔＥｍｉｓｓｉｏｎ的乘积作者计算ＴｒｅａｔＳｃｏｐｅ∗ ＴｒｅａｔＴｉｍｅ∗ＴｒｅａｔＥｍｉｓｓｉｏｎ ＤＤＤＴｒｅａｔＳｃｏｐｅ、ＴｒｅａｔＴｉｍｅ与ＴｒｅａｔＥｍｉｓｓｉｏｎ三者的乘积作者计算第二产业产值比重Ｉｎｄｕｓｔｒｙ各城市第二产业产值除以该城市ＧＤＰ％中国城市统计年鉴ＧＤＰ ＧＤＰ各城市地区生产总值万元ꎬ取对数中国城市统计年鉴人口密度Ｐｏｐｕｌａｔｉｏｎ各城市人口除以该城市土地面积人/平方千米ꎬ取对数中国城市统计年鉴财政收入Ｒｅｖｅｎｕｅ各城市地方财政收入万元ꎬ取对数中国城市统计年鉴地域虚拟变量Ｅａｓｔ/ Ｗｅｓｔ以中部为参照组ꎬ设两个哑变量作者编码数据分析１、描述性分析表２显示了所选因变量、自变量和控制变量的描述性分析结果ꎮ其中ꎬＥｍｉｓｓｉｏｎ是本文的因变量ꎬ其最大值和最小值差距较大ꎬ说明各城市之间存在一定的差异ꎬ具有较大的解释空间ꎮ ＤＤＤ是三重差分的关键变量ꎬ表示政策的净效应ꎮ各自变量和控制变量之间的差异也较大ꎬ这为较好的解释因变量提供了前提ꎮ表２ 描述性分析结果变量样本数均值标准差最小值最大值Ｅｍｉｓｓｉｏｎ ４９５０ ３ １０ｅ－０９ ０ ９９９８ －６ ７１７７ ５ ２５２２ＤＤＤ ４９５０ ０ １３９４ ０ ３４６４ ０ １Ｔｒｅａｔ￣Ｓ∗ Ｔ ４９５０ ０ ２０９１ ０ ４０６７ ０ １Ｔｒｅａｔ￣Ｓ∗ Ｅ ４９５０ ０ ２７８８ ０ ４４８５ ０ １Ｔｒｅａｔ￣Ｔ∗ Ｅ ４９５０ ０ ３３３３ ０ ４７１５ ０ １Ｔｒｅａｔ￣Ｓ ４９５０ ０ ４１８２ ０ ４９３３ ０ １Ｔｒｅａｔ￣Ｔ ４９５０ ０ ５ ０ ５００１ ０ １Ｔｒｅａｔ￣Ｅ ４９５０ ０ ６６６７ ０ ４７１５ ０ １Ｉｎｄｕｓｔｒｙ ４９５０ ５０ ８５５８ １０ ２４０９ １６ ０９ ８９ ７５ＧＤＰ ４９５０ ７ ０７２２ ０ ３９９０ ５ ９４４１ ８ ３７２３Ｐｏｐｕｌａｔｉｏｎ ４９５０ ２ ４９５８ ０ ３９９９ ０ ６９６３ ３ ４２２９Ｒｅｖｅｎｕｅ ４９５０ １３ ６０１２ １ ０９３２ １０ ４７１４ １７ ６４１０第１期赵志华ꎬ等大气污染协同治理能促进污染物减排吗 ２９１ ２、相关性分析表３显示了本文的相关性分析结果ꎬ三重差分的关键变量ＤＤＤ与本文的因变量Ｅｍｉｓｓｉｏｎ呈显著正相关关系ꎮ据此ꎬ本文得出初步的结论ꎬ即大气污染协同治理与因变量呈正相关关系ꎬ即城市在实施大气污染协同治理后污染物的排放量会增加ꎬ这是一个比较难以理解的结果ꎮ大气污染协同治理考虑到大气污染具有较强流动性ꎬ致力于促进多个地区协同来治理大气污染ꎮ大气污染协同治理理应与工业二氧化硫排放量、工业烟粉尘排放量呈负相关ꎬ而相关分析的结论正好与此相反ꎮ但值得注意的是ꎬ单靠相关系数无法完全检验大气污染协同治理对污染物减排的影响ꎬ特别是考虑到本文采用的是面板数据结构ꎬ相关系数无法捕捉时间等方面的影响ꎮ相关分析也仅能得出两个变量之间的关系ꎬ可能忽视了其他存在的没有控制的因素ꎬ从而抹杀了多个变量之间存在的复杂的影响机理ꎮ表３ 相关性分析结果变量１ ２ ３ ４ ５ ６ ７ ８ ９ １０ １１ １２１ Ｅｍｉｓｓｉｏｎ １２ ＤＤＤ ０１０５８∗ ∗ ∗ １３ Ｔｒｅａｔ￣Ｓ∗ Ｔ ０１５７５∗ ∗ ∗ ０７８２７∗ ∗ ∗ １４ Ｔｒｅａｔ￣Ｓ∗ Ｅ ０１４５１∗ ∗ ∗ ０６４７３∗ ∗ ∗ ０４４４８∗ ∗ ∗ １５ Ｔｒｅａｔ￣Ｔ∗ Ｅ ００３０５∗ ∗ ０５６９２∗ ∗ ∗ ０３６３６∗ ∗ ∗ ０２１９８∗ ∗ ∗ １６ Ｔｒｅａｔ￣Ｓ ０２５４８∗ ∗ ∗ ０４７４７∗ ∗ ∗ ０６０６５∗ ∗ ∗ ０７３３４∗ ∗ ∗ －０００００ １７ Ｔｒｅａｔ￣Ｔ ００１７４ ０４０２５∗ ∗ ∗ ０５１４２∗ ∗ ∗ ０００００ ０７０７１∗ ∗ ∗ －０００００ １８ Ｔｒｅａｔ￣Ｅ ０００００ ０２８４６∗ ∗ ∗ －０００００ ０４３９６∗ ∗ ∗ ０５０００∗ ∗ ∗ －０００００ ０００００ １９ Ｉｎｄｕｓｔｒｙ ０２２０８∗ ∗ ∗ ００２０３ ００２５９∗ ００５２６∗ ∗ ∗ －０００５９ ００７１８∗ ∗ ∗ －０００８３ ０００００ １１０ ＧＤＰ ０５００７∗ ∗ ∗ ０３０６３∗ ∗ ∗ ０３９１３∗ ∗ ∗ ０３４６４∗ ∗ ∗ ０１４９２∗ ∗ ∗ ０４７２３∗ ∗ ∗ ０２１０９∗ ∗ ∗ ０００００ ００７９５∗ ∗ ∗ １１１ Ｐｏｐｕｌａｔｉｏｎ ０１９５５∗ ∗ ∗ ０１９３１∗ ∗ ∗ ０２４６７∗ ∗ ∗ ０２９２２∗ ∗ ∗ ０００５０ ０３９８５∗ ∗ ∗ ０００７０ ０００００ ００９４０∗ ∗ ∗ ０５０５８∗ ∗ ∗ １１２ Ｒｅｖｅｎｕｅ ０４８３７∗ ∗ ∗ ０３１４３∗ ∗ ∗ ０４０１５∗ ∗ ∗ ０３２７５∗ ∗ ∗ ０１９０８∗ ∗ ∗ ０４４６６∗ ∗ ∗ ０２６９８∗ ∗ ∗ ０００００ ００７９０∗ ∗ ∗ ０９４７７∗ ∗ ∗ ０４５９７∗ ∗ ∗ １注∗ ∗ ∗ ｐ０ ０１ꎬ∗ ∗ ｐ０ ０５ꎬ∗ ｐ０ １ꎮ３、三重差分分析结果本文采取全样本分析和子样本分析来检验大气污染协同治理对污染物减排的影响ꎮ其中ꎬ全样本分析反映的是大气污染协同治理对污染物减排的整体影响ꎮ子样本分析反映的是大气污染协同治理对不同的污染物减排的影响ꎮ此外ꎬ鉴于本文选择的数据是面板数据ꎬ首先采用Ｈａｕｓｍａｎ检验来确定采用随机效应模型或固定效应模型ꎮ本文所有模型Ｈａｕｓｍａｎ检验的卡方值均不显著ꎬ因此本文所有模型均选择随机效应模型ꎮ１全样本分析结果表４显示了基于三重差分法的全样本分析结果ꎮ其中ꎬ模型１是没有加入控制变量的分析结果ꎬ模型２是加入了控制变量后的分析结果ꎮ无论是没有加入控制变量的分析结果ꎬ还是加入控制变量的分析结果ꎬ三重差分的关键变量ＤＤＤ的系数虽都为负值ꎬ但都没有通过显著性检验ꎮ大气污染协同治理对工业二氧化硫排放量、工业烟粉尘排放量没有产生显著影响ꎮ大气污染协同治理虽然致力于打破行政区划来考虑大气污染治理问题ꎬ但其对污染物的减排效果并不显著ꎮ中国出台了诸多的大气污染协同治理政策ꎬ进行了诸多的大气污染协同治理的实践ꎬ然而数据显示对污染物减排影响的系数虽为负值ꎬ但没有通过显著性检验ꎮ这有必要从子样本来进一步研究大气污染协同治理对不同污染物的影响ꎮ分析大气污染协同治理对哪一种污染物减排没有产生显著影响而造成了全样本分析结果的不显著ꎮ２子样本分析结果表５显示了基于三重差分法子样本的分析结果ꎮ模型３和模型４显示了大气污染协同治理对工业二氧化硫排放量的影响ꎮ模型３是没有加入控制变量的分析结果ꎬ模型４是加入了控制变量后的分析结果ꎮ从表５可以看出ꎬ无论是没有加入控制变量的分析结果ꎬ还是加入控制变量的分析结果ꎬ三重差分的关键变量ＤＤＤ的系数均显著为负ꎮ大气污染协同治理显著降低了工业二氧化硫排放量ꎮ模型５和模型６显示了大气污染协同治理对工业烟粉尘排放量的影响ꎮ模型５是没有加入控制变量的分析结果ꎬ模型６是加入了控制变量后的分析结果ꎮ从表５可以看出ꎬ无论是没有加入控制变量的分析结果ꎬ还是加入控制变量的分析结果ꎬ三重差分的关键变量ＤＤＤ的系数均不显著ꎮ大气污染协同治理对工业烟粉尘排放量没有产生显著影响ꎮ大气污染协同治理对工业二氧化硫排放量和对工业烟粉尘排放量的影响之间存在明显的差异ꎮ大气２９２ 管理评论第３２卷污染协同治理不是对任何污染物都没有产生减排效果ꎬ其对工业烟粉尘排放量的影响不显著导致了全样本分析结果的不显著ꎮ表４ 全样本三重差分分析结果变量模型１因变量工业二氧化硫排放量或工业烟粉尘排放量或工业废水排放量模型２因变量工业二氧化硫排放量或工业烟粉尘排放量或工业废水排放量ＤＤＤ －０ ０１８３０ ０５５３ －０ ０１８３０ ０５５７Ｔｒｅａｔ￣Ｓ∗ Ｔ －０ ０２８００ ０３９７ －０ ００７６０ ０３９９Ｔｒｅａｔ￣Ｓ∗ Ｅ －０ ３３７２∗ ∗ ０ １３０６ －０ ３３７２∗ ∗ ∗ ０ １０９３Ｔｒｅａｔ￣Ｔ∗ Ｅ ０ １６１８∗ ∗ ∗ ０ ０４０２ ０ １６１８∗ ∗ ∗ ０ ０４０１Ｔｒｅａｔ￣Ｓ ０ ７１５８∗ ∗ ∗ ０ １１８０ ０ ４３０６∗ ∗ ∗ ０ １００１Ｔｒｅａｔ￣Ｔ －０ ０５６２∗ ０ ０３０６ －０ ２５７９∗ ∗ ∗ ０ ０３２０Ｔｒｅａｔ￣Ｅ ０ ０６４００ ０８６６ ０ ０６４００ ０７３８Ｉｎｄｕｓｔｒｙ ０ ００７６∗ ∗ ∗ ０ ００２１ＧＤＰ ０ ９８４１∗ ∗ ∗ ０ １７８８Ｐｏｐｕｌａｔｉｏｎ －０ ２４６５∗ ∗ ∗ ０ ０８３８Ｒｅｖｅｎｕｅ ０ ０５１３０ ０５５８Ｎ ４９５０ ４９５０Ｒ￣ｓｑｕａｒｅｄ ｏｖｅｒａｌｌ ０ ０９６８ ０ ３０１１Ｗａｌｄ ｃｈｉ２ １３０ ３５∗ ∗ ∗ ３６９ ９１∗ ∗ ∗选择模型随机效应模型随机效应模型地域效应Ｃｏｎｔｒｏｌ Ｃｏｎｔｒｏｌ注∗ ∗ ∗ ｐ０ ０１ꎬ∗ ∗ ｐ０ ０５ꎬ∗ ｐ０ １ꎻ括号内为标准误ꎮ表５ 子样本分析结果变量模型３因变量工业二氧化硫排放量或工业废水排放量模型４因变量工业二氧化硫排放量或工业废水排放量模型５因变量工业烟粉尘排放量或工业废水排放量模型６因变量工业烟粉尘排放量或工业废水排放量ＤＤＤ －０ １３６１∗ ∗０ ０５８０－０ １３６１∗ ∗０ ０５７８０ ０９９５０ ０６６１０ ０９９５０ ０６６７Ｔｒｅａｔ￣Ｓ∗ Ｔ －０ ０２８００ ０３９８ －０ ０１６９０ ０３９４ －０ ０２８００ ０３９８ －０ ００８４０ ０３９８Ｔｒｅａｔ￣Ｓ∗ Ｅ －０ １４８８０ １５４３ －０ １４８８０ １３２８ －０ ５２５５∗ ∗ ∗０ １４５０－０ ５２５５∗ ∗ ∗０ １２４９Ｔｒｅａｔ￣Ｔ∗ Ｅ ０ ０２５８０ ０４６ ０ ０２５８０ ０４５６ ０ ２９７７∗ ∗ ∗０ ０４７３０ ２９７７∗ ∗ ∗０ ０４７３Ｔｒｅａｔ￣Ｓ ０ ６５１４∗ ∗ ∗０ １２１８０ ３７７６∗ ∗ ∗０ １０６１０ ６９３７∗ ∗ ∗０ １２２４０ ３６７０∗ ∗ ∗０ １０３５Ｔｒｅａｔ￣Ｔ －０ ０５６２∗０ ０３０６－０ １８３６∗ ∗ ∗０ ０３１６－０ ０５６２∗０ ０３０６－０ ２８４４∗ ∗ ∗０ ０３２７Ｔｒｅａｔ￣Ｅ ０ ０７７８０ １０７５ ０ ０７７８０ ０９３７ ０ ０５０１０ ０９８６ ０ ０５０１０ ０８３４Ｉｎｄｕｓｔｒｙ ０ ００６２∗ ∗ ∗０ ００２４０ ００５４∗ ∗０ ００２６ＧＤＰ ０ ９３７９∗ ∗ ∗０ ２１４４１ １８７４∗ ∗ ∗０ ２０８２Ｐｏｐｕｌａｔｉｏｎ ０ ０７０３０ １０２２ －０ ２４８８∗ ∗０ １０００Ｒｅｖｅｎｕｅ －０ ０５８２０ ０６４６ ０ ０３８２０ ０６６６Ｎ ３３００ ３３００ ３３００ ３３００Ｒ￣ｓｑｕａｒｅｄ ｏｖｅｒａｌｌ ０ １３４９ ０ ３４７０ ０ １３４６ ０ ３２５１Ｗａｌｄ ｃｈｉ２ １７６ ７１∗ ∗ ∗ ３５２ ７９∗ ∗ ∗ ２１４ ２５∗ ∗ ∗ ４２８ ３５∗ ∗ ∗选择模型随机效应模型随机效应模型随机效应模型随机效应模型地域效应Ｃｏｎｔｒｏｌ Ｃｏｎｔｒｏｌ Ｃｏｎｔｒｏｌ Ｃｏｎｔｒｏｌ注∗ ∗ ∗ ｐ０ ０１ꎬ∗ ∗ ｐ０ ０５ꎬ∗ ｐ０ １ꎻ括号内为标准误ꎮ第１期赵志华ꎬ等大气污染协同治理能促进污染物减排吗 ２９３ 为进一步检验大气污染协同治理对工业二氧化硫排放量和对工业烟粉尘排放量影响的差异ꎬ本文设置子样本进行再检验ꎮ具体而言ꎬ把工业烟粉尘排放量设置为对照组ꎬ把工业二氧化硫排放量设置为处理组ꎮ因变量即工业二氧化硫排放量或工业烟粉尘排放量ꎮ与本文表１的因变量处理方式相同ꎬ本部分因变量同样取对数并做标准化处理ꎮ ＴｒｅａｔＥｍｉｓｓｉｏｎ测量为样本为工业二氧化硫排放量的取值为１ꎬ样本为工业烟粉尘排放量的取值为０ꎮ其余自变量和控制变量与表１相同ꎮ本部分选择的样本是工业二氧化硫排放量和工业烟粉尘排放量样本ꎮ表６显示了子样本再检验的分析结果ꎬ模型７是没有加入控制变量的分析结果ꎬ模型８是加入了控制变量后的分析结果ꎮ从表６可以看出ꎬ无论是没有加入控制变量的分析结果ꎬ还是加入控制变量的分析结果ꎬ三重差分的关键变量ＤＤＤ的系数均显著为负ꎮ大气污染协同治理对工业二氧化硫排放量和对工业烟粉尘排放量的影响存在差异ꎮ进一步论证了大气污染协同治理往往优先促进工业二氧化硫排放量减排ꎮ表６ 子样本再检验变量模型７因变量工业二氧化硫排放量或工业烟粉尘排放量模型８因变量工业二氧化硫排放量或工业烟粉尘排放量ＤＤＤ －０ ２３５６∗ ∗ ∗ ０ ０６７６ －０ ２３５６∗ ∗ ∗ ０ ０６８４Ｔｒｅａｔ￣Ｓ∗ Ｔ ０ ０７１５０ ０５２９ ０ １００８∗ ０ ０５４１Ｔｒｅａｔ￣Ｓ∗ Ｅ ０ ３７６７∗ ∗ ０ １４９４ ０ ３７６７∗ ∗ ∗ ０ １２９０Ｔｒｅａｔ￣Ｔ∗ Ｅ －０ ２７２０∗ ∗ ∗ ０ ０４９８ －０ ２７２０∗ ∗ ∗ ０ ０４９９Ｔｒｅａｔ￣Ｓ ０ ２７６６∗ ∗ ０ １１６６ ０ ０４６８０ １００３Ｔｒｅａｔ￣Ｔ ０ ２４１６∗ ∗ ∗ ０ ０３６１ ０ ０１０３０ ０３９８Ｔｒｅａｔ￣Ｅ ０ ０２７７０ １０９２ ０ ０２７７０ ０９０９Ｉｎｄｕｓｔｒｙ ０ ０１１０∗ ∗ ∗ ０ ００２６ＧＤＰ ０ ７１６２∗ ∗ ∗ ０ ２２６８Ｐｏｐｕｌａｔｉｏｎ －０ ５３４７∗ ∗ ∗ ０ １０１０Ｒｅｖｅｎｕｅ ０ １７５２∗ ∗ ０ ０７０８Ｎ ３３００ ３３００Ｒ￣ｓｑｕａｒｅｄ ｏｖｅｒａｌｌ ０ ０６１９ ０ ２６９９Ｗａｌｄ ｃｈｉ２ ２１１ ９３∗ ∗ ∗ ４２２ １６∗ ∗ ∗选择模型随机
展开阅读全文