碳排放權交易、數字經濟與企業全要素生產率

董雨 袁雪 查勇

摘?要：“雙碳”戰略目標的提出契合高質量發展的內在需要，碳排放權交易市場是實現該目標的關鍵工具，2013—2014年，我國建立了首批七個試點碳交易市場，近十年以來，此項政策的減排效果已經受到廣泛認可，但其對經濟發展的影響依然值得探究?；?010—2019年重污染行業A股上市公司的數據，本文以首批七個試點碳交易市場的正式啟動為準自然實驗，構建雙重差分模型探討該項政策對企業全要素生產率的影響，并從碳交易市場特征和數字經濟發展的角度對作用機制進行分析。研究發現，碳交易政策能夠顯著提高企業的全要素生產率。機制分析表明，在碳交易政策對全要素生產率的作用過程中，企業數字化轉型發揮了部分中介作用。此外，碳交易政策效果在非國有企業、風險承擔水平高的企業中更強，并且碳市場的交易規模、流動性、數字基礎設施、互聯網普及率和數字普惠金融的發展都對碳交易政策效果發揮著正向調節效應，碳配額價格水平也具有一定的負向調節效應。

關鍵詞：碳排放權交易市場；全要素生產率；雙重差分模型；數字經濟

中圖分類號：F49；F124；F8325??文獻標識碼：A??文章編號：1001-148X（2024）01-0012-11

收稿日期：2023-05-07

作者簡介：董雨（1968—），男，安徽阜陽人，副教授，博士，研究方向：管理科學與工程；袁雪（1999—），本文通訊作者，女，安徽滁州人，博士研究生，研究方向：金融工程；查勇（1977—），男，安徽廬江人，教授，博士，研究方向：管理科學與工程。

基金項目：國家自然科學基金面上項目“創新驅動下能源行業結構轉型的效率評價、策略博弈及發展模型研究”，項目編號：71973001。

一、引?言

黨的二十大報告強調“高質量發展是全面建設社會主義現代化國家的首要任務”，這意味著經濟發展需要進行動能轉換、效率提升和結構優化。當前，我國產業結構仍然以重工業為主，能源消費以煤炭為主，長久以來造就的高碳發展慣性依然很大，這種發展模式伴隨著溫室氣體的過度排放，容易造成生態環境破壞。鑒于高質量發展的內在需求和全球氣候問題的外在壓力，我國提出在2030年前實現碳達峰和在2060年前實現碳中和的“雙碳”目標，以此為引領不斷加強我國綠色低碳技術創新，倒逼經濟發展進行變革?！半p碳”目標的實現是一個多維且復雜的系統工程，為此我國政府開展了一系列實踐，碳排放權交易市場成為其中的重要抓手。2013年下半年至2014年上半年，我國在深圳、北京、上海、廣東、天津、湖北、重慶等地區相繼建立了七個碳排放權交易試點，這標志著我國應對氣候變化政策從依賴行政措施和財政補貼向市場機制轉變。近十年以來，該項政策的減排效果已經受到廣泛認可，但其對經濟發展的影響依然值得探究，如何實現碳減排和生產率提高的協調統一，已經成為重要議題。此外，值得注意的是，在以信息網絡和智能制造為代表的新一輪科技革命中，數字化信息的識別、選擇、過濾、存儲和使用能夠引導資源的快速優化配置，為企業節能減排和效率改進帶來新思路。國務院印發的《“十四五”數字經濟發展規劃》強調，我國數字經濟即將邁向全面擴展時期，要以數據為核心要素，以數字技術與實體經濟深度結合為主要路徑，賦能傳統產業轉型升級。

現有關于碳交易政策影響的研究主要集中在區域層面的生態環境和工業水平以及企業層面的技術創新和生產經營績效。作為一種市場化環境規制工具，碳交易政策能夠有效刺激企業使用清潔能源或提升能源效率的方式來實現減排目標，降低社會碳排放總量。內部治理結構越合理、碳信息披露意愿越高的企業，碳交易政策對其環?？冃У奶岣咝Ч斤@著［1］。Martin等（2016）［2］基于歐盟碳交易體系數據的研究發現受規制企業更有動力進行技術創新，胡江峰等（2022）［3］則發現中國碳交易政策顯著提高了試點地區上市企業的綠色創新產出和質量，但是政府的事前補貼行為會對政策效果起到一定程度的抑制作用。Zhu等（2022）［4］發現試點市場的碳價與邊際減排成本的差距越小，碳金融衍生品越豐富，本地市場監管越強，創新效應越顯著。李暉（2022）［5］則更為細致地將發明專利作為實質性創新指標，實用新型和外觀設計專利作為策略性創新，發現碳交易政策對企業的兩類創新都有顯著提升，但對實質性創新的提升更高。除了技術創新相關指標，還有研究發現碳交易政策有助于受規制企業緩解融資壓力［6］、提升品牌價值［7］和拓展出口業務［8］。關于碳交易市場給生產效率造成的影響，已有研究從宏微觀層面選擇了多種指標進行探討。在宏觀層面，?學者們發現碳交易體系可以通過激勵技術進步、改善能源結構、促進產業升級等方式實現經濟的高質量發展［9］。在微觀層面，長期企業層面的面板數據集有助于避免因使用國家或部門層面的數據集而導致的聚合偏差，并通過控制企業之間未觀察到的異質性來克服政策的內生性。對于能夠直接反映生產經營效率和經濟發展質量的全要素生產率，有學者傾向于認為，碳交易政策迫使企業將大量可用資本投入到碳減排中，增加了企業的生產成本，對研發投入存在擠出效應［10］，進而影響企業生產經營和效率改進［11］；還有學者認為，碳交易體系有利于企業提升盈利能力和生產效率，這類觀點主要基于波特理論［12］，該理論認為市場激勵型環境規制作為一種外部壓力，能夠倒逼企業技術升級。Andreou和Kellard（2021）［13］發現在歐盟排放交易體系中采取環保舉措的公司財務表現不佳，從第一階段到第二階段，歐盟排放交易體系損害了企業的利潤，即使發展到第三階段企業提高生產效率的激勵可能仍然無法得到改善。如果ETS變得更加嚴格，高排放企業可能對撤資和搬遷更感興趣。對于中國碳交易試點市場，Pan等（2022）［14］使用雙重差分模型發現碳交易政策對于被強制納入交易系統的A股上市企業全要素生產率具有顯著且持續的正向影響，政府參與程度和碳交易市場規模與流動性對該影響具有正向調節效應。范丹等（2022）［15］則將處理組的樣本范圍從被強制納入碳交易體系的上市企業擴展到試點地區內的所有上市企業，發現碳交易政策對全要素生產率的正向促進效果依然顯著，作用路徑為激發技術創新和優化資源配置效率。已有研究主要集中在碳交易市場和企業全要素生產率之間的直接關系上，對于其中作用機制的探討，仍然圍繞以專利申請數或授權數作為代理變量的技術創新程度，在調節變量的選擇上則以所在地政府的環境規制強度為主，基于碳交易市場自身和所在地區的其他特征指標的研究尚有不足。

本文以首批七個碳交易試點市場的正式啟動為準自然實驗，基于2010—2019年重污染行業A股上市公司的數據，構建雙重差分模型探討碳交易政策對企業全要素生產率的影響。從數字經濟發展的全新角度出發，使用文本分析和詞頻統計的方法對企業的數字化轉型程度進行測度，研究企業數字化轉型在碳交易政策作用過程中發揮的中介效應。在得到基準模型的估計結果后，本文使用平行趨勢檢驗、安慰劑效應檢驗以及替換被解釋變量測度等方法進行穩健性檢驗。為了對作用機制進一步研究，一方面，本文從企業所有制、風險承擔水平以及各試點市場的特征指標對碳交易政策效果表現出的差異進行分析；另一方面，結合數字經濟發展所需的外部條件，本文搜集整理了各省的數字信息基礎設施、互聯網普及率和數字普惠金融的相關數據，探究了這些變量對碳交易政策效果的調節效應。本文可能的邊際貢獻：第一，已有文獻關于碳交易政策對企業的影響，多圍繞以發明專利數為度量指標的技術創新展開，少數文獻探討了碳交易政策對企業全要素生產率的影響機制，本文則從數字化轉型這一全新視角對碳交易政策對企業全要素生產率的作用效果和機制進行探討。第二，已有文獻在進行政策效果異質性分析時，多聚焦企業規模、地理位置，本文則關注了企業的風險承擔水平。第三，與已有文獻多關注政府監管或環境規制強度不同，本文從各個碳交易試點市場的自身特征和數字經濟的豐富內涵出發，選取了多個變量進行調節效應分析。

二、理論分析與研究假設

碳排放權交易政策作為一種環境規制措施旨在收緊企業的碳排放，環境規制對于企業全要素生產率影響的文獻，由于樣本或選擇方法的不同，結論也不完全一致?？偨Y已有研究，學者們通常認為，指令控制型的環境監管更易對企業生產效率產生抑制效果，而基于市場的環境監管在創新效應大于成本損失的情況下，將會提高企業的全要素生產率，即“波特效應”。對屬于市場型環境規制行為的碳交易政策，少數研究認為其給企業全要素生產率帶來了消極影響，多數研究則持相反觀點，認為碳交易政策的實施帶來了先發優勢，以補償受規制企業的環境成本，具體而言，碳排放權交易能夠通過澄清產權有效緩解負外部性，從而節省了交易成本。對于配額富余的企業，可以通過碳排放交易降低生產運營成本，獲得額外的減排收入；對于配額緊缺的企業，若保持原有的生產技術不變，無論是購買碳排放權還是減少總產量，都會損害營業利潤。為了降低生產成本，企業改進生產技術的動力增強了，而技術改進的潛在好處是可以抵消增加的非生產性投入。隨著信息技術的飛速發展，近年來，在眾多技術改進方式或路徑中，數字經濟成為學術界與實業界共同關注的熱點。數據要素驅動型經濟作為一種環境友好型經濟模式，與傳統經濟發展模式相比，具有能耗低、污染排放少等優點，數字經濟在協助節能減排和提升生產效率中發揮的作用已經受到廣泛認可。從自身角度來看，企業可以借助數字化技術動態采集和監測生產活動中的能源消耗和污染物排放，高效的數據傳輸和處理能力有效地緩解了響應時間慢、控制時間長帶來的資源浪費和環境污染等問題［16］。從網絡效應來看，基于數字技術形成的企業間網絡能夠打破信息孤島，形成知識和技術共享機制，利用數字智能技術能夠減少產業鏈中的資源消耗和企業間的信息搜尋成本，可以從設計、生產、銷售等環節滿足消費者，有助于減少無效營銷和資源冗余，緩解要素扭曲［17］。此外，還有研究發現數字經濟憑借技術創新效應使得市場更加透明和充分競爭，快速的信息流動和較高的創新效率加速了新技術向傳統產業的擴散，因此企業更有動力提高自身技術創新能力以提升市場競爭力，進而提升了生產效率?？紤]到在我國國家減排戰略中，碳交易試點地區的企業被動地從傳統生產型向污染治理型轉變，無論是否直接參加碳交易市場，都會導致企業額外的減排支出，這些企業既可能使用數字化技術對生產經營全過程和產品生命周期管理中的能源消耗和碳足跡進行監測管控，又可能借助數字化轉型來提高設備效率，優化工藝流程，細化管理顆粒度，進而降低成本以抵消碳排放量規制造成的利潤折損。因此，?本文提出如下假設：

H1：碳排放權交易政策能夠通過促進試點地區企業提升數字化轉型程度，進而對企業全要素生產率產生積極影響。

一方面，所有制不同是影響企業生產效率的重要原因，相較于非國有企業，國有企業帶有較強的政治背景，既容易獲取政府扶持和優惠政策，也更容易實現國家重點產業和工程的投資和建設，并具備更大的資源優勢和較弱的融資約束，能夠以更低的成本進行數字化轉型，但它們的經營效率通常較為低下，缺乏強烈的市場競爭意識，決策機制不夠靈活，往往難以適應市場變化，不完善的激勵機制使其進行生產效率改進的動力可能相對不足。因此，國有企業和非國有企業在面臨碳交易市場約束時的決策可能會有所不同，技術路線的選擇也會有所差異，進而導致政策效果呈現出異質性。另一方面，風險貫穿企業經營活動的始末，風險承擔水平能夠反映企業在經營決策中對預期利潤存在不確定性活動的選擇傾向，體現了企業對投資項目風險承受能力與意愿，較高的風險承擔水平意味著管理者在投資決策過程中，在對項目未來收益和風險強度進行量化評估后，傾向于選擇高風險、高收益的投資機會。風險承擔水平高的企業通常具備更強的研發投入力度和更高的創新活動積極性，在面對碳交易政策帶來的不確定性時，不同風險承擔水平的企業可能表現出不同投資決策行為，進而在數字化轉型和全要素生產率提高程度上呈現出異質性。因此，本文提出如下假設：

H2：碳排放權交易政策對企業全要素生產率的作用效果在企業所有制和風險承擔水平上存在異質性。

碳交易市場特征會直接影響政策功能的發揮，交易量分布均勻、流動性適中、定價合理的市場有助于促進市場交易，實現不同邊際減排成本企業的利潤最大化。目前是中國區域性碳交易試點向全國統一市場過渡的關鍵時期，分析現有試點市場特征對企業生產經營活動的影響效果具有重要借鑒意義。然而，我國試點碳交易市場總體存在效率不足的問題，具體表現為市場流動性較差、活躍度較低且交易集中在履約期，部分試點碳交易市場長期處于“有價無市”的局面，不同月份交易量的不穩定性不利于碳市場定價功能的實現，阻礙了交易成本的降低。在碳交易市場效率較低時，企業通過數字化轉型等途徑提高生產效率來緩解成本壓力或通過節能減排來出售多余碳排放權獲取收益的交易成本較高，積極性會受到抑制，進而使得碳交易政策對企業全要素生產率的促進作用可能受到影響。碳交易市場具有多個維度的特征指標，鑒于指標的直觀性和數據的可得性，本文重點關注試點碳交易市場的交易規模和流動性水平。除此之外，作為價格信號，一個合理有效的碳價能夠匹配短期減排成本，具有促進技術革新和激發市場活力的作用，在完全競爭的市場中，碳價應等于企業的邊際減排成本。若碳價過低，將使得受規制企業的減排動力不足，但若碳價過高，又會給控排企業造成較大的成本壓力，對技術創新的研發投入造成擠壓效應。從橫向來看，當前，我國各個試點交易規則設計存在差異，納入強制減排的最低年排放量門檻水平不同，具體實施規則實行的嚴格程度也不同，且試點地區的經濟發展程度和第二產業發展水平存在差異，因此，各個試點市場在交易規模、流動性以及價格水平上呈現不同的特征；從縱向來看，同一個試點市場，在不同的年度也會對交易規則、納入標準和懲治力度進行改動，因此，在時間維度上呈現市場特征的變動?；谝陨戏治?，本文提出以下假設：

H3：碳交易市場的交易規模、流動性以及價格能夠影響其對企業全要素生產率的作用效果。

企業的數字化轉型除了依靠自身的研發投入和技術改進之外，還依賴于外部環境、數字經濟發展水平，數字技術的基礎設施建設和互聯網用戶的增長為企業利用數據要素優化資源配置和生產經營提供了條件，有利于促進企業創新要素的集聚與技術的迭代更新，外部數據資源嵌入企業的經營管理環節能夠通過推動技術創新與降低交易成本促進企業全要素生產率提升。其中，數字基礎設施是數字經濟發展的基石，基于其承載的應用服務，推動信息技術及其應用滲透擴散到各行各業，使得經濟社會生活實現信息化、數字化以及智能化轉型。一方面，數字基礎設施通過提供技術應用助力資源配置效率的提升；另一方面，通過支撐技術與商業模式創新同經濟活動緊密結合，提升全要素生產率［18］。此外，數字普惠金融是數字經濟大背景下金融行業的重大變革，使得各項金融機構可以深度下沉到更廣泛的客戶群體中以吸納更多的資金，大數據評估等手段能夠緩解借貸主體之間的信息不對稱，從而更加精準高效地滿足企業的融資需求。數字普惠金融有利于降低企業的資金機會成本、緩解融資約束以及促進生產要素流動，進一步助力企業生產效率的提升。因此，本文提出以下假設：

H4：數字基礎設施的建設、互聯網普及率的上升和數字普惠金融的發展能夠正向調節碳交易政策對企業全要素生產率的作用效果。

三、研究設計

（一）模型構建

為了檢驗碳交易試點政策對于企業全要素生產率的影響，本文把碳交易市場的正式啟動視為準自然實驗，將位于試點地區的企業作為處理組，其余非試點地區的企業作為控制組，利用基于面板數據的固定效應雙重差分模型考察政策前后兩組企業全要素生產率的變動趨勢差異，具體形式如下：

tfpit=α+βdid+ΒX+τi+λt+εit（1）

其中，tfpit表示企業i在t年的全要素生產率。政策變量did=Di·Tt，虛擬變量Di在企業i處于處理組時取1，處在控制組時取0；Tt在碳市場正式啟動前取0，啟動后取1。β為本文所關注的碳交易政策對企業全要素生產率的處理效應，τi和λt分別表示個體和年份固定效應，X為一組控制變量。使用雙重差分估計方法的關鍵前提是共同趨勢假設，指處理組和控制組的全要素生產率在碳交易政策實施前變動趨勢相似，若違背了這一假設，估計結果就會偏離真實效應。常用的平行趨勢檢驗有描繪時間趨勢圖和事件研究法，前者是比較粗糙的方法，雖然簡單直觀，但無法從統計意義層面判斷兩組樣本之間在政策實施前是否存在顯著差異。相比之下，事件研究法則更加科學，實際做法是構建時間虛擬變量與處理組虛擬變量的交互項，加入基準模型中進行回歸，具體形式為：

tfpit=α0+∑TD-2s=1βpresDiTst+∑Ts=T0βpostsDiTst+ΒX+τi+λt+εit（2）

其中，Tst表示第s期的時間虛擬變量，TD為政策發生當期，將政策正式實施的前一年作為基期，βpres和βposts為在政策實施前后第s期處理組和控制組企業全要素生產率相對基期的差異，若βpres不顯著說明處理組和控制組的企業在政策實施前的時間趨勢不存在差異。此外，為了解決異質性和序列相關性，本研究通過企業—年度聚類計算穩健標準誤。

（二）變量說明

1被解釋變量：全要素生產率

全要素生產率是生產投入要素不變時生產率仍然能增加的部分，反映了資本、勞動和土地生產要素投入轉化為產出的總體效率。對企業全要素生產率的測算基于Cobb-Douglas生產函數，具體形式為：

yit=α+θLit+γKit+ωit+εit（3）

其中，yit是企業i在第t年總產出的對數值，Lit表示勞動投入，被視作自由變量，為可變要素，企業能夠隨時進行調整，對將來投資無影響且不進入投資函數。Kit是資本投入量，被視作狀態變量，當期資本取決于上期資本和投資。θ和γ為產出彈性系數，ωit是企業i在時刻t的生產率水平，對于企業可觀測，但對研究者不可觀測，εit是白噪聲沖擊。理論上可以對上式進行OLS估計從而獲得企業全要素生產率測度值，然而，在實際生產過程中，決策者可能受當期生產率沖擊的影響對生產要素進行調整，進而導致OLS估計結果出現偏誤。此外，在面對消極因素沖擊時，企業資本存量規模通常與它退出市場的概率呈負相關，造成γ被低估。針對同時性偏差和樣本性偏差，Olley和Pakes（1996）［19］提出了兩步一致半參數估計方法，簡稱為OP方法，其核心思想是用企業的當期投資額作為生產率沖擊的代理變量。OP方法嚴格要求企業的投資與總產出之間為單調正向關系，投資額非正的企業將被剔除。鑒于此，Levinsohn和Petrin（2003）［20］提出使用中間品投入作為代理變量，有效緩解了樣本量損失和內生性問題。然而，OP和LP方法在對勞動投入系數進行估計時可能遇到共線性問題，現實中企業勞動調整成本可能會很高，此時Lit作為自由變量的假設略顯嚴格。針對此問題，Wooldridge（2009）［21］將總產出滯后項作為工具變量，提出了一種廣義矩估計方法，簡稱為GMM。該方法能夠克服勞動投入系數估計中潛在的識別問題，在有著序列相關和異方差的情況下，依然可以得到參數估計的穩健標準誤。上述三種方法都受到眾多學者的廣泛認可和應用，本文將選擇LP方法計算企業全要素生產率tfp1，將GMM方法得到的測度量tfp2應用在穩健性檢驗中。

2核心解釋變量：碳排放權交易試點政策

我國試點碳排放權市場的正式啟動時間存在細微差異，集中在2013年下半年及2014年上半年，其中深圳市場啟動時間最早，為2013年6月18日，上海、北京、廣東、天津碳市場在2013年11月—12月之間開始正式交易，湖北和重慶兩個試點則是在2014年正式成立。隨后，在2016年12月四川和福建碳市場作為非試點區域市場開展碳匯交易，但交易機制和規模都與首批7個市場之間存在較大差異。為了避免干擾，樣本中將位于四川和福建兩省的企業剔除。2021年7月以電力行業為基礎的全國碳市場正式啟動，對于本文的研究對象和時間區間，全國碳市場啟動造成的影響可以忽略。因此，考慮到碳配額清算和企業財報編制的時間周期，本文將深圳碳交易市場的政策時點設為2013年，其余六個碳交易試點市場的政策時點設為2014年。

3中介變量：數字化轉型程度

在學術界和實務中，企業數字化轉型的測度都是比較新穎的主題。針對企業數字化轉型的定量研究，少數學者進行了有益嘗試，比如通過整理上市公司財務報告，挑選出其中與數字化高度相關的披露指標，計算這一部分占總無形資產的比例，以此來評估企業數字化水平。要實證檢驗企業數字化轉型的程度需要對該行為進行直觀、凝練、合理的描繪，本文則受吳非等（2021）［22］的啟發，使用企業年報能夠反映出數字化轉型動作的關鍵詞詞頻統計作為代理指標進行量化計算。從企業后端的技術賦能到前端的業務場景，本文將企業數字化轉型界分為底層技術架構和業務場景運用兩個主要層面，前者指企業內部生產經營和管理模型中數字技術的嵌入和使用，這部分的關鍵核心技術主要為AI、區塊鏈、云計算、大數據四個方面；后者指數字化技術與企業具體業務生態場景的有機結合。年報能夠反映企業的戰略特征、經營理念和發展路徑，從年報中相關詞頻統計角度來刻畫其數字化轉型程度，具有一定的科學性和可操作性。詳細操作流程為：首先，利用Python爬蟲歸集整理A股企業年報，并使用Java?PDFbox庫提取全部文本內容來獲得作為特征詞數據池；其次，參考已有一系列數字化轉型的學術成果以及重要政策文件確定特征詞庫，形成了企業數字化轉型結構化特征圖譜，并剔除關鍵詞前存在否定詞語的表述以及非本公司如來自股東、客戶、供應商等的數字化轉型關鍵詞；最后，在數據池中，根據特征詞進行搜索、匹配和計數形成最終加總詞頻。此外，由于這類數據呈現右偏性特征，本文進行對數化處理，從而得到反映企業數字化轉型程度的量化指標，記為dig1。在穩健性檢驗中，本文參考趙宸宇等（2021）［23］的方法，對數字技術的運用狀況進行口徑細分，并綜合使用文本分析法和專家打分法構造企業數字化轉型指數，記為dig2。

4控制變量

本文從企業自身特征和外部影響因素兩個方面確定控制變量：自身特征包括企業規模size、企業年齡age、資產負債率lev、資產收益率roa、股權集中度top10、現金比率cash、研發投入強度rd和資本密度ki；外部影響因素包括所在地級市的經濟發展和創新水平，分別用地區生產總值對數gdp和發明專利總量對數inv表示。

（三）樣本選擇

本文選取了2010—2019年我國161個主要城市A股重污染行業的企業為研究對象。依照《上市公司環境信息披露指南》，重污染行業包括火電、煤炭、化工和采礦業等16類行業。本文之所以將研究的企業限定在重污染行業，是因為與其他行業企業相比，它們面臨著更加嚴格的命令式環境監管規制，如強制環境信息披露等，此外劉巖和秦海林（2022）［24］的研究結果表明2012年出臺的綠色信貸政策對重污染行業企業的生產經營活動產生顯著影響，選擇它們作為研究對象，能夠更好地排除其他環境規制對碳交易政策效果評價的影響。對于城市的選擇，則依據每年公布的我國主要城市污染源監管信息公開指數報告，選擇了廣泛分布于我國東中西部地區的重點環保城市，樣本具有很好的代表性。企業數據來源于國泰安數據庫，省市級數據來源于中國統計年鑒。為提高檢驗效果，對原始樣本作如下處理：剔除重要變量數據缺失的樣本以及剔除在碳市場啟動前已退市、啟動后才上市的企業樣本。為消除極端值的影響，對全部連續變量在1%和99%分位上進行縮尾處理。經過處理后共得到560家上市A?股重污染企業的4855組有效樣本，其中位于試點地區的重污染企業有176個。

四、實證結果分析

（一）基準回歸

據上文構建的固定效應雙重差分模型，表1分別列出了碳交易政策對企業全要素生產率和數字化轉型程度的參數估計結果，可以看出did的系數符號在1%的水平上顯著為正。在加入控制變量、個體和年份固定效應后，碳排放權交易政策的實施使企業全要素生產率和數字化轉型程度分別提高了58%和114%，基準結果傾向支持波特假設。從控制變量的回歸結果上看，規模更大、收益情況更好、現金流更穩定、資本密度更小的企業在全要素生產率提高上更具優勢。而除了資產規模和成立年限外，其他控制變量與企業數字化轉型程度的關系不顯著。在對假設H1進行驗證之前，本文還需要多個檢驗來提高基準回歸結果的穩健性。

（二）穩健性檢驗

1平行趨勢檢驗

本文采用事件研究法對企業的全要素生產率和數字化轉型程度進行平行趨勢檢驗，交互項系數反映出特定年份處理組和控制組之間的差異。圖1刻畫了碳排放權交易政策對全要素生產率和企業數字化轉型的動態影響。在碳交易政策實施以前全要素生產率回歸模型中的碳交易政策變量系數βpres分別為-0039、-0006和-0023，P值分別為0282、0832和0387；數字化轉型程度回歸模型中的碳交易政策變量系數βpres為0029、0041和0017，P值分別為0810、0648和0838，這一結果意味著在政策實施之前，處理組和控制組之間的被解釋變量不存在顯著的趨勢差異，符合平行趨勢假設。進一步地，從動態時間趨勢來看，碳交易政策對于企業生產效率的提高具有良好持續的影響，系數βposts分別為0010、0041、0067、0063、0056和0058，P值分別為0667、0052、0007、0011、0025和0024，可以看出碳交易市場正式啟動當年，其對全要素生產率的提升尚不顯著，此后的幾年里它的促進效果都顯著為正。對于數字化轉型程度，βposts分別為0044、0259、0145、0175、0108和0055，P值分別為0511、0001、0056、0023、0188和0511，可以看出碳交易政策給企業數字化轉型帶來的正向影響在正式啟動一年之內最為強烈，隨后呈現下降趨勢，在2019年時已經不顯著。

2安慰劑效應

盡管使用雙重差分模型能夠有效緩解內生性問題，但試點地區的選擇可能具有不隨機性。為了解決上述問題，本文通過隨機虛構處理組的方法進行安慰劑測試，具體做法是，隨機選取企業作為處理組，重復500次，觀察估計“偽政策虛擬變量”的系數是否顯著。如果“偽政策虛擬變量”的系數依然顯著則說明基準回歸結果極有可能出現了偏誤，企業全要素生產率的變動可能是受到其他因素的影響。圖2報告了“偽政策虛擬變量”系數估計值的核密度分布圖，可以看到隨機分配的估計值集中在0附近，且P值都遠大于01，這表明碳交易政策對企業全要素生產率和數字化轉型的正向影響沒有受到未觀察到的遺漏變量的干擾。

圖1?平行趨勢檢驗

圖2?安慰劑效應檢驗

3傾向得分匹配

為了進一步解決處理組和對照組之間的選擇性偏誤，本文采用了PSM-DID方法對碳交易政策的影響進行分析。本文以控制變量中企業自身特征的8個指標作為協變量，使用如下的二元logistic回歸來估計傾向得分：

P（Xi）=E（Di=1|Xi）=P（Treat=1|Xi）（4）

其中，Xi表示企業特征，PXi表示i企業參加碳交易政策的概率，在獲得傾向得分后，本文使用近鄰匹配方法為受碳交易政策影響的企業尋找那些傾向得分相近的企業作為新的對照組。經過傾向得分匹配后，各協變量在處理組和控制組之間的偏差有明顯下降趨勢。表2中的結果表明，無論是對于全要素生產率還是企業的數字化轉型，在經過樣本匹配之后，碳交易政策發揮的正向影響效果依然顯著。

4替換被解釋變量

本文將基準回歸模型中的全要素生產率從LP方法得到的測度量替換成GMM估計得到的測度量tfp2，對于數字化轉型程度的替換為使用文本分析法和專家打分法構建制造業企業的數字化轉型指數dig2，回歸得到碳交易政策變量的系數分別為0072和0084，且在1%和10%的水平上顯著，進一步說明了基準回歸結論的穩健性。

5預期效應

雙重差分的預期效應是指企業因預期到碳交易市場的啟動而改變了生產行為，造成處理組和控制組形成了明顯的事前不可比有效預期。本文將處理組的政策實施時間提前一年，在原有模型中加入提前一年的預測變量did1，如表2所示，無論是對于全要素生產率還是數字化轉型程度，did1的回歸系數都不顯著，即預期效應不對基準回歸模型的結論造成影響。

（三）中介效應檢驗

中介效應模型能夠分析解釋變量對被解釋變量的作用機制，直觀地說，解釋變量X可以直接影響被解釋變量Y，也能夠通過中介變量M影響Y。M作為中介變量需要滿足以下兩個條件：一是X對M有顯著影響，二是M對Y有顯著影響。檢驗中介變量是否有效需要依次估計下列關系式中的系數：

Y=CX+ε1

M=aX+ε2

Y=C′X+bM+ε3（5）

其中，C被稱為變量X對Y的總效應，ab被稱為變量通過M對Y產生的間接效應。對比加入中介變量C和C′的變化，若C-C′或ab顯著，則中介效應顯著。常見的中介效應檢驗方法主要有逐步回歸檢驗法、Sobel檢驗法和Bootstrap檢驗法。逐步回歸是一種經典的檢驗方法，該方法依次檢驗系數C、a和b是否顯著。Sobel檢驗法則基于a和b的大小構造統計量得：

Z=ab?a2S2b+b2S2a[SX）]（6）

進一步，對其進行檢驗直接判斷ab顯著性。Sobel檢驗法的檢驗功效強于逐步回歸法，但假設樣本數據滿足正態分布和大樣本條件。對于非正態的數據，Bootstrap方法能夠更準確地分析ab的顯著水平。具體操作方法為：假設原始數據的樣本容量為100，從中隨機有放回地抽取一組樣本容量為50的樣本，重復2000次，對每個Bootstrap樣本的統計量進行估計。通過對以上2000個Bootstrap統計從小到大排序構造一個抽樣分布，使用25%與975%分位數構成一個置信區間，如果該置信區間沒有包括0，則可驗證ab的顯著性，中介效應成立。

本文分別使用了上述三種方法對中介效應進行檢驗。根據表3，對于逐步回歸法，系數a和b均在1%的水平上顯著為正。對于Sobel檢驗方法，間接效應ab在5%的水平上顯著為正。對于Bootstrap檢驗方法，將經過2000組抽樣得到的樣本統計量從小到大排序構造了一個分布，ab在25%和975%的分位數分別為0017和0030，置信區間不包括0，即在5%的顯著性水平上可以拒絕ab為0的假設。在上述三種檢驗框架下，實證結果都驗證了假設H1的成立，即在碳排放權交易政策對企業全要素生產率產生積極效果作用的過程中，企業數字化轉型發揮了一定的中介效應。然而，從C′和C的數值對比可以看出，企業的數字化轉型并不是完全的中介變量，進一步說明碳排放權交易政策也會通過其他途徑對企業的全要素生產率產生影響。

五、進一步分析

（一）所有制對碳交易政策效果的影響

本文進一步探究了碳交易政策對于不同所有權企業影響強度的差異。異質性分析方法分為兩種：一是依據固定特征將樣本分組回歸，比較回歸系數的差異，但該方法可能會忽略分組樣本差異因素導致的結果偏差；二是構造虛擬變量與核心解釋變量的交互項，基于樣本總體回歸得到的交互項系數直接反映了兩組樣本差分的結果。本文使用后者進行異質性分析，引入所有制虛擬變量Ownership，將非國有制企業賦值為1，國有企業賦值為0，進行全樣本回歸。根據表4中的結果，Ownership與did交互項系數在1%的水平上顯著為正，這表明無論是對于企業全要素生產率還是數字化轉型程度，碳排放權交易政策對非國有制企業的數字化轉型和生產效率的促進效果更強。

（二）風險承擔水平

本文進一步研究了企業自身的風險承擔水平對碳交易政策效果產生的影響。參考何瑛等（2019）［25］使用的方法，使用roa波動程度來衡量企業的風險承擔水平，具體操作方法為：首先，將企業roa減去年度行業均值，隨后以每三年為一個觀測時間段，滾動計算經過行業周期調整后的roa標準差，將該結果乘上100后得到相應指標。在原有結果基礎上進行對數化處理后得到企業風險承擔水平度量指標Risk，將Risk、Risk與政策變量did的交互項帶入基準模型中進行估計，由于部分數據缺失，本部分的樣本觀測總數為4689組。根據表4，風險承擔水平對企業的全要素生產率和數字化轉型都具有顯著的正向促進作用，碳排放權交易政策對于全要素生產率的提升效果在風險承擔水平更高的企業中更為明顯，假設H2被驗證。然而，對于企業的數字化轉型程度，風險承擔水平與碳排放權交易政策效應并沒有表現出顯著的協同效應。

（三）碳交易市場特征

基準回歸結果和穩健性檢驗結果均證實了碳交易市場能夠顯著提升企業的全要素生產率并且企業的數字化轉型在其中發揮著一定的中介效應。根據前文的理論分析，各個試點碳交易市場對企業全要素生產率的政策效果可能受到其自身規模、價格水平等多種特征的影響。本文選取碳交易市場的成交規模、價格水平、流動性三個特征指標對假設H3進行具體探究。其中，各個碳交易市場的規模為年度碳交易市場成交總量的對數，價格水平為年度成交均價的對數，流動性為當年有效交易日與所有交易日的比值。

根據表5，可以看出市場成交規模與流動性的系數都顯著為正，成交均價顯著為負，這些結果在一定程度上驗證了假設H3。更大的市場規模和更高的市場流動性加強了碳交易市場中供需雙方企業的聯系，使雙方都能從交易市場中獲益，從而有益于提高企業的全要素生產率。在碳交易市場的初始建設階段，過高的碳交易配額價格將過度增加企業的減排成本和壓力，對企業效率改進產生一定程度的資源擠出效應，進而部分抑制了企業的全要素生產率。

（四）數字經濟指標

上述結果驗證了碳交易政策能夠通過推動企業數字化轉型進而提升企業的全要素生產率，進一步地，本文基于數字經濟發展的豐富內涵，研究企業所在地區支撐數字化發展所需設施的建設水平、互聯網普及率和數字金融發展水平對于碳交易政策效果造成的影響。本文選擇了省級信息傳輸、計算機服務和軟件業固定資產投資作為通信基礎設施的代理變量，長途光纜皮長占國土面積比例作為光纖建設水平的代理變量，互聯網用戶數占常住人口比例作為互聯網普及率的代理變量，數字來源于國家統計局和各省統計年鑒。從企業進行數字化轉型所需的金融環境出發，本文則選取了由北京大學數字金融研究中心和螞蟻科技集團研究院聯合負責編制的數字普惠金融指數作為數字金融發展水平的度量。該指數從數字金融覆蓋廣度、數字金融使用深度和普惠金融數字化程度等三個維度構建了數字普惠金融指標體系［26］，但由于該指數從2011年起才開始發布，因此在對該變量的調節效應進行研究時，損失了2010年共288組觀測數據。

表6中的結果顯示，幾組回歸結果中的交互項系數均顯著為正，說明所在地區支撐數字經濟發展的相關硬件建設，互聯網普及率以及數字普惠金融的發展對于碳交易的政策效果具有正向調節效應，即數字化硬件建設越完善，互聯網普及率越高和數字金融發展水平越高，碳交易政策給企業全要素生產率帶來的提升效果越強，假設H4得以驗證。

六、結論與啟示

評估碳交易試點市場的政策效果，對于我國碳交易市場的建立和完善，助力高質量發展的目標實現具有重要的現實意義。碳交易市場中最重要的主體是企業，企業能否同時實現全要素生產率的提高和減排目標是衡量碳交易市場政策效果的重要標準之一。本文基于2010—2019年部分城市A股重污染行業的上市企業數據，使用雙重差分模型探討了碳交易政策對企業全要素生產率的影響水平和作用機制。本文得到以下結論：（1）試點碳交易政策能夠顯著提高重污染行業企業全要素生產率，企業數字化轉型在這一過程中發揮著中介作用。（2）碳交易政策對非國有企業和風險承擔水平更高的企業全要素生產率的提升效果更強。（3）碳交易市場的成交規模越大，流動性越強，它對企業全要素生產力的提升作用越強，而成交均價過高則會對碳交易政策的正向效果產生的抑制作用。（4）地區通信設施建設、光纖建設水平、互聯網普及率和數字普惠金融發展都能正向促進碳交易政策對企業全要素生產率的提升效果。

根據本文結論，可以得到以下政策啟示：首先，碳交易是通過價格信號引導企業采取適當措施實現減排目標的有效工具，合理的碳價能夠有效促進經濟的低碳轉型，優化社會激勵機制。我國目前碳交易市場的產品較為單一，基本上都為現貨交易，更為豐富的碳金融產品有待開發，從而增加碳資產的吸引力。政府應適當調控碳價，將宏觀立法與微觀市場運作相結合，建立合理的初始免費配額分配和價格引導機制，以穩定碳價，提高效率。其次，碳交易政策是實現碳減排與企業生產效率提高的重要舉措，數字經濟在其中能夠發揮積極的正向作用。數字經濟是加快經濟發展的新引擎，是推動社會高質量綠色發展的新思路，根據本文的顯性影響路徑，政府應完善數字經濟基礎設施，重視科技人才的培養，夯實數字產業化基礎，將數字經濟作為實“雙碳”目標的關鍵抓手，協助企業提升數字技術創新水平，加快各領域數字科技成果轉化。

參考文獻：

［1］?Yu?X，?ShiJ，?Wan?K，?et?al.?Carbon?Trading?Market?Policies?and?Corporate?Environmental?Performance?in?China［J］.?Journal?of?Cleaner?Production，?2022，371：133683.

［2］?Martin?R，Muuls?M，?Wagner?UJ.?The?Impact?of?the?European?Union?Emissions?Trading?Scheme?on?Regulated?Firms：?What?is?The?Evidence?after?Ten?Years？［J］.?Review?of?Environmental?Economics?and?Policy，2016，10（1）：?129-148.

［3］?胡江峰，黃慶華，潘欣欣.?環境規制、政府補貼與創新質量——基于中國碳排放交易試點的準自然實驗［J］.?科學與科學技術管理，2020，41（2）：?50-65.

［4］?Zhu?R，Long?L，Gong?Y.?Emission?Trading?System，Carbon?Market?Efficiency，and?Corporate?Innovations［J］.?International?Journal?of?Environmental?Research?and?Public?Health，2022，19（15）：?9683.

［5］?李暉.?碳排放權交易能促進企業創新嗎？——基于中國碳交易試點覆蓋企業的檢驗［J］.系統工程，2022，40（6）：?11-22.

［6］?Meng?L，Wang?K，Su?T，et?al.?Carbon?Emission?Trading?and?Corporate?Financing：?Evidence?from?China［J］.?Energies，2022，15（14）：?5036.

［7］?王守杰，周暢，金藝冉.?碳交易與企業品牌價值提升效應——基于項目制與市場制碳交易的檢驗［J］.?財務研究，2021（5）：?29-41.

［8］?Yang?S，Shen?Q，Jahanger?A，et?al.?The?Impact?of?Carbon?Emission?Trading?Scheme?on?Export：?Firm-level?Evidence?from?China［J］.?Frontiers?in?Environmental?Science，2022，10：1035650.

［9］?Wang?L，Chen?Z，Huang?Z.?Research?on?The?Effects?and?Mechanism?of?Carbon?Emission?Trading?on?The?Development?of?Green?Economy?in?China［J］.?Sustainability，2022，14（19）：?12483.

［10］Yuan?B，Xiang?Q.?Environmental?Regulation，Industrial?Innovation?and?Green?Development?of?Chinese?Manufac-?turing：?Based?on?an?Extended?CDM?Model［J］.?Journal?of?Cleaner?Production，2018，176：?895-908.

［11］Andreou?P?C，Kellard?N?M.?Corporate?Environmental?Proactivity：?Evidence?from?the?European?Unions?Emissions?Trading?System［J］.?British?Journal?of?Management，2021，32（3）：?630-647.

［12］Wang?E，NieJ，Zhan?H.?The?Impact?of?Carbon?Emissions?Trading?on?the?Profitability?and?Debt?Burden?of?Listed?Companies［J］.?Sustainability，2022，14（20）：?13429.

［13］Andreou，P.C.，Kellard，N.M.?Corporate?Environmental?Proactivity：?Evidence?from?the?European?Unions?Emissions?Trading?System［J］.?British?Journal?of?Management，2021，32：630-647.

［14］Pan?X，Pu?C，Yuan?S，et?al.?Effect?of?Chinese?Pilots?Carbon?Emission?Trading?Scheme?on?EnterprisesTotal?Factor?Productivity：?The?Moderating?Role?of?Government?Participation?and?Carbon?Trading?Market?efficiency［J］.?Journal?of?Environmental?Management，2022，316：?115228.

［15］范丹，付嘉為，王維國.?碳排放權交易如何影響企業全要素生產率？［J］.?系統工程理論與實踐，2022，42（3）：?591-603.

［16］余姍，樊秀峰，蔣皓文.數字經濟發展對碳生產率提升的影響研究［J］．統計與信息論壇，2022，37（7）：26-35.

［17］Stallkamp?M，Schotter?A?P?J.?Platforms?without?Borders？?The?International?Strategies?of?Digital?Platform?Firms［J］.?Global?Strategy?Journal，2021，11（1）：?58-80.

［18］韓曉晨，陳風帆.數字化轉型與全要素生產率——基于綠色創新的中介效應分析［J］．哈爾濱商業大學學報（社會科學版），2023（4）：71-87.

［19］Olley?G?S，Pakes?A.?The?Dynamics?of?Productivity?in?the?Telecommunications?Equipment?Industry［J］.Econo-?metrica，1996，64（6）：?1263-97.

［20］LevinsohnJ，Petrin?A.?Estimating?Production?Functions?Using?Inputs?to?Control?for?Unobservables［J］.?The?Review?of?Economic?Studies，2003，70（2）：?317-341.

［21］WooldridgeJ?M.?On?Estimating?Firrm-level?Production?Functions?Using?Proxy?Variables?to?Control?for?Unobserv-ables［J］.?Economics?Letters，2009，104（3）：?112-114.

［22］吳非，胡慧芷，林慧妍，等.?企業數字化轉型與資本市場表現——來自股票流動性的經驗證據［J］.?管理世界，2021，37（7）：?130-144+10.

［23］趙宸宇，王文春，李雪松.?數字化轉型如何影響企業全要素生產率［J］.?財貿經濟，2021，42（7）：?114-129.

［24］劉巖，秦海林.?綠色信貸政策能否抑制重污染企業金融化——基于《綠色信貸指引》的準自然實驗［J］.?金融監管研究，2022（10）：?61-77.

［25］何瑛，于文蕾，楊棉之.?CEO?復合型職業經歷、企業風險承擔與企業價值［J］.?中國工業經濟，2019（9）：?155-173.

［26］郭峰，王靖一，王芳，等.?測度中國數字普惠金融發展：?指數編制與空間特征［J］.?經濟學（季刊），2020，19（4）：?1401-1418.

Carbon?Emissions?Trading，Digital?Economy?and?Total?Factor?Productivity?of?Enterprises

DONG?Yu，?YUAN?Xue，?ZHA?Yong

（School?of?Management，University?of?Science?and?Technology?of?China，Hefei?230026，China）

Abstract：?The?goal?of?“carbon?neutral，carbon?peak”?is?in?line?with?the?inherent?need?for?high-quality?development，and?the?carbon?emission?trading?market?is?an?important?tool?to?achieve?the?goal.?However，its?impact?on?economic?development?is?still?worth?exploring.?Based?on?the?data?of?A-share?listed?companies?in?the?heavy?pollution?industry?from?2010?to?2019，this?paper?explores?the?impact?of?the?policy?on?the?total?factor?productivity?of?enterprises?by?difference-in-differences?model?based?on?the?official?launch?of?the?first?seven?pilot?carbon?trading?markets，and?analyzes?the?mechanism?from?the?perspective?of?the?characteristics?of?the?carbon?trading?market?and?the?development?of?the?digital?economy.?It?is?found?that?the?carbon?trading?policy?can?significantly?increase?the?total?factor?productivity?of?enterprises，and?the?above?findings?hold?after?a?series?of?robustness?tests?such?as?overcoming?sample?selection?bias，alleviating?endogeneity，and?replacing?the?explanatory?variables.?The?results?of?the?mechanism?analysis?suggest?that?the?digital?transformation?of?firms?plays?a?partly?mediating?role?in?the?process?of?carbon?trading?policys?effect?on?total?factor?productivity.?The?carbon?trading?policy?effect?is?stronger?in?non-state?enterprises?and?enterprises?with?a?higher?level?of?risk-taking.?Moreover，the?scale?of?carbon?market?transactions，liquidity，digital?infrastructure，Internet?penetration?and?the?development?of?digital?universal?finance?all?play?a?positive?moderating?effect?on?the?effect?of?carbon?trading?policy，while?the?level?of?carbon?quota?price?has?some?negative?moderating?effect.

Key?words：carbon?emission?trading?market;?total?factor?productivity;?difference-in-differences;?digital?economy

（責任編輯：趙春江）