EN中文

Economic geography >

2025 , Vol. 45 >Issue 5: 132 - 141

DOI: https://doi.org/10.15957/j.cnki.jjdl.2025.05.014

Impact of Carbon Trading Policies on the Carbon Emission Intensity of High Energy Consuming Enterprises

  • ZHAO Yuzhen
Expand
  • School of Economics and Management，Inner Mongolia University of Technology，Hohhot 010051，Inner Mongolia，China

Received date: 2024-12-17

  Revised date: 2025-03-26

  Online published: 2025-07-07

Fold

Abstract

Based on the panel data of high energy consuming enterprises in China from 2009 to 2022, this article analyzes the spatiotemporal characteristics of high energy consuming enterprises, and explores their influencing factors. The research results indicate that: 1) The carbon emissions of high energy consuming enterprises exhibit periodic changes over time, show clustering characteristics in spatial distribution. The differences among various regions have significantly narrowed. 2) The carbon trading policies have a restraining effect on the carbon intensity of high energy consuming enterprises, and have a more significant impact on enterprises in the central region, non-state-owned enterprises, positive growth enterprises, and profitable enterprises. 3) Technological innovation is the core path for carbon trading policies to reduce emissions, while green credit strengthens policy effectiveness through capital allocation. To further reduce the carbon intensity of high energy consuming enterprises, the government should improve carbon trading policies, accelerate the construction of carbon trading markets, expand the coverage of carbon trading policies, and strengthen the collaborative design of policy tools. Enterprises should increase their investment in technological innovation, while non-listed high energy consuming enterprises should learn from the successful experience of listed companies in carbon reduction and actively implement emission reduction measures.

Key words： high energy consuming enterprise; carbon trading policies; carbon emissions; technological innovation; green credit; green development

Cite this article

ZHAO Yuzhen . Impact of Carbon Trading Policies on the Carbon Emission Intensity of High Energy Consuming Enterprises[J]. Economic geography, 2025 , 45(5) : 132 -141 . DOI: 10.15957/j.cnki.jjdl.2025.05.014

从区域或产业层面分析，经济活动是推动碳排放增长的关键驱动因素，且各区域间的碳排放量呈现出显著差异[1]。众多学者聚焦于行业与区域层面，深入探讨了碳交易政策对碳排放的影响[2-4]。研究表明，碳交易政策能够有效推动产业结构优化与节能效益提升，从而促进绿色低碳发展并减少碳排放[5]。同时，在现有技术环境下能源利用效率与技术革新仍是降低碳排放强度的主要潜力领域。研究指出，技术差异是导致CO2减排效果差距的重要因素，因此加强技术创新显得尤为关键[6-7]；技术创新可以通过改变生产成本推动产业结构转型，而产业结构转型又可以提高能源使用效率，进而降低碳排放[8-9]。此外，还有研究分析表明，影响国家或区域碳排放量的关键因素主要集中在能源强度和能源结构两个维度[10-17] 。可见，区域和产业层面的多种因素共同影响着碳排放的增长趋势。
从企业层面分析，碳排放的影响因素可归为两大类：一是外部因素，主要包括环保政策如碳交易政策、绿色信贷政策等；二是内部因素，涵盖企业能源消费结构及其强度、技术创新水平、企业规模、盈利能力等。其中，碳交易政策对企业碳排放影响的相关研究最早兴起于意大利、英国、法国、丹麦和比利时等欧洲国家，这些国家在相继推出欧盟白色证书交易制度后，大多数学者均证实了该制度在节能减排方面的积极效应[18-23]。碳交易政策减少碳排放的必然性由其运行机制决定，碳交易政策的运行机制遵循总量控制原则，保证了碳减排目标的有效实现。具体而言，其运行机制包含3个关键环节：①基于能源消费目标、碳减排目标和GDP增速等综合约束因素确定碳排放总量限额[24]。②基于总量向各行业分配碳排放配额并决定配额价格。③建立碳交易市场，通过拍卖等市场化机制促进企业间的配额交易。这种以“总量控制”为核心的碳交易制度运作机制，不仅提高了可再生能源利用率，还有效降低了碳排放，确保了碳排放目标的实现[25]。中国的碳交易体系作为一项以市场机制为基础的环境管制政策，在激励企业减排的同时，也会对当地政府的减排目标产生一定的影响[26-27]。研究表明，在不同时期，碳交易制度均能显著减少我国产业碳排放量，但其减排效果存在明显的阶段性差异[28]。在碳交易机制的框架下，政府的政策导向能够激励重度污染企业采取更为积极的减排措施[29]。相比之下，绿色信贷政策则是通过融资约束机制，对企业的碳排放行为，特别是重污染企业的排放活动，产生显著的约束效应[30]。就技术因素而言，技术创新可以通过降低能耗水平从而降低碳排放，如部分供应商及原始设备制造商通过发起绿色技术创新，显著降低了产品的碳排放水平[31]。此外，绿色技术创新的空间溢出效应对减少碳排放具有重要的正向作用，且发达地区的减排效果更为显著[32]。可见，企业应致力于提高能源效率，以寻求成本优势，从而减少能源及原料消耗[33-34]。
综上，已有关于碳排放的研究成果非常丰富，但仍有以下问题有待探索：①已有碳排放时空分布特征的相关研究主要集中在区域或产业层面，微观层面的研究也多着眼于企业碳排放的影响因素，少有关于高能耗企业碳排放时空演变特征的研究。②关于碳交易政策对企业碳排放的影响，已有研究单纯研究其对企业碳排放的影响，少有与其他政策协同作用的研究。为此，本文在对2009—2022年中国高耗能企业碳排放时空演变特点进行全面分析的基础上，重点对碳交易政策倒逼企业技术创新的减排机制，以及如何与绿色信贷政策形成协同机制进行探讨，以期为高耗能企业如何降低碳排放、政府如何监管高耗能企业碳减排行为提供科学依据和政策建议。

1 中国高耗能企业碳排放强度的时空特征

1.1 高耗能企业碳排放总量与强度的变化

由图1可以看出：①碳排放总量上，2012—2015年呈现下降趋势，这一变化可能与2012年启动的碳交易试点政策及绿色金融政策等降碳政策措施的实施密切相关。然而，步入“十三五”时期，因经济的快速发展与高耗能企业数量的激增，碳排放总量又出现增长态势。进入“十四五”阶段，随着“双碳”目标的提出及碳交易政策的全面推行，至2022年，碳排放总量显现出下行拐点。②碳排放强度方面，总体而言呈递减趋势，但在2015—2020年所出现的小幅波动增长趋势，这可能是由于该阶段经济增长速度超过碳排放效率提升速度所致。而自2020年“双碳”目标提出后，高耗能企业显著加强减排降碳力度，致使碳排放强度自2021年起急速下降，至2022年降至历史最低水平1.17 t/万元。
图1 2009—2022年中国高耗能企业碳排放总量及碳排放强度变化

Fig.1 Evolution of total carbon emissions and carbon emission intensity of high energy consuming enterprises in China in 2009-2022

1.2 中国高耗能企业碳排放强度的空间演变特征

本文选取“十一五”“十二五”“十三五”每个五年规划的最后1年和“十四五”可以取得数据的最近一年（2010、2015、2020和2022年）为时间截面，同时将中国高耗能上市公司的碳排放强度分为低值区[0,1.0]、较低值区（1.0，2.0]、较高值区（2.0，3.0]和高值区（3.0，4.0]4个等级，深入分析中国高耗能上市公司碳排放强度的空间演变特征（图2）。分析发现：中国高耗能上市公司碳排放强度总体呈现下降趋势。但进一步分阶段分析发现，在“十三五”期间（2016—2020年）碳排放强度出现上升趋势。而进入“十四五”期间，碳排放强度出现更明显下降，其原因是2020年国家提出“双碳”目标，加强高耗能行业碳减排监管与激励而产生的绩效。从地区分布看，各省份高耗能上市公司存在明显的地区差异，颜色越深代表碳排放强度越高，到2022年各省份高耗能上市公司的碳排放强度的地区差异明显缩小。
图2 中国高耗能上市公司碳排放强度的空间分布

注：基于自然资源部标准地图服务网站下载的审图号为GS（2023）2765号的标准地图制作，底图边界无修改。

Fig.2 Spatial characteristics of carbon emission intensity of high energy consuming enterprises in China

2 理论分析与研究假设

2.1 碳交易政策对高耗能企业碳排放时空特征的影响

温室气体的过度排放引发了环境的负外部性效应，具体表现为资源配置效率递减、市场调节作用失灵。科斯产权理论提出：通过明确产权归属，可以有效地利用市场机制将公共物品的负外部性内部化，促使资源流向效率更高的部门，进而防止“公有地悲剧”的发生[35]。这一理论为碳交易市场机制的构建奠定了坚实的理论基础，同时也为温室气体排放治理提供了有效的解决路径。碳交易政策作为一种市场调节机制，通过设定碳排放配额的总量和上限，形成一定的稀缺性，推动控排企业主动减排并通过碳配额交易获取排放权，政府根据减排目标设定某区域内的碳排放总量上限并逐年下调，达到区域内部温室气体减排的目标。而高耗能企业作为重要的控排主体，通过碳交易市场激励和政府行政手段干预可降低其碳排放强度。但随着时间的推移，碳交易政策实施到了成熟阶段时政策减排边际效益递减。基于以上分析，本文提出研究假设1。
H1：碳交易政策可显著降低高耗能企业的碳排放强度，且存在时空差异。

2.2 碳交易政策对高耗能企业碳排放强度时空特征的影响机制

2.2.1 基于技术创新视角

随着我国碳交易市场的逐步建立和碳交易政策的强化，高耗能企业面临着越来越大的碳减排压力。为了适应低碳经济发展的要求，企业必须在履行碳减排责任的同时，实现排放最小化与利润最大化的双重目标。技术创新成为实现这一目标的关键路径，主要体现在：①优化能源结构与提升能源效率。高耗能企业可以通过技术改造减少对传统化石能源的依赖，提升新能源的利用率。同时，企业可以通过改进生产设备、优化工艺流程等方式提升能源利用效率，从而直接减少碳排放强度。②效率提升路径。技术创新不仅可以提升能源效率，还可以通过提高生产效率间接降低碳排放强度。高耗能企业可以通过引入先进的生产技术、自动化设备和数字化管理系统，优化生产流程，减少资源浪费，降低单位产品的碳排放量。③信号传递效应。根据信号传递理论，企业的创新能力越强，越倾向于采用先进的绿色技术和低碳能源。通过技术创新，企业不仅可以降低生产过程中的碳排放量，减轻环境负担，还可以向利益相关方传递积极信号，展示其在碳减排方面的努力和成果。这种信号传递效应有助于提升企业的社会形象和市场竞争力，吸引更多投资者和消费者的关注与支持。这样形成一个良性循环：技术创新不仅能够降低碳排放强度和企业成本，还能提高生产效率，进而提升经济绩效。经济上的正向激励将进一步驱动企业加大研发投入，推动科技创新。随着越来越多的企业和创新者参与碳减排技术的研发，市场竞争与合作将推动技术迭代升级，为低碳经济发展提供持续动力。基于以上分析，本文提出研究假设2。
H2：技术创新可显著增强碳交易政策的减排效应，且因不同时期不同地区技术创新差异而使高耗能企业碳排放具有显著的时空差异。

2.2.2 基于绿色信贷视角

绿色信贷作为我国绿色金融体系中的重要政策工具，旨在通过优化信贷资源配置，引导资金流向绿色低碳领域，同时限制对高耗能、高污染行业的信贷支持。从理论上看，绿色信贷主要通过以下两个途径影响高耗能企业的碳排放：①优化信贷资金配置效应。绿色信贷政策通过差异化信贷支持，引导资金流向清洁、低碳项目，同时限制对高耗能、高污染项目的融资。具体体现在：一是促进清洁性投资。绿色信贷为清洁能源、节能环保技术等项目提供更便利的融资渠道，降低融资成本，激励企业增加对绿色项目的投资。二是限制污染性投资。通过对高耗能、高污染行业实施严格的信贷限制，增加其融资难度和成本，倒逼企业减少对高污染项目的投资。三是优化内部资源配置。高耗能企业为获得信贷支持，可能主动调整内部资源配置，将更多资源投向低碳领域，推动生产方式的绿色转型。②技术创新效应。绿色信贷政策通过融资约束机制，倒逼高耗能企业进行技术创新，推动节能减排。具体而言，一是融资约束倒逼技术升级。高耗能企业面临绿色信贷政策的融资限制，为满足信贷要求或降低融资成本，可能主动进行技术改造，采用更先进的节能环保技术。二是推动低碳项目投资。企业在未来项目规划中，可能倾向于选择能耗低、排放少的项目，以减少环境风险和融资压力。三是提升能源效率：技术创新可以帮助企业提高能源利用效率，降低单位产出的碳排放强度，从而实现节能减排目标。基于以上分析，本文提出研究假设3。
图3 碳交易政策影响高耗能企业碳排放强度的作用机理

Fig.3 Influencing mechanism of carbon trading policies on carbon emission intensity of high energy consuming enterprises

H3：碳交易政策通过发展绿色信贷降低高耗能企业碳排放强度，且因不同时期不同地区绿色信贷政策完善程度的不同而使高耗能企业碳排放具有显著的时空差异。

3 研究数据、变量和方法

3.1 样本选择与数据来源

本文首先选取2009—2022年中国六大高耗能行业 ① A股上市公司为样本，同时剔除ST公司、数据缺失的公司及存在极端值的公司，对所有的连续数据在1%和99%分位处进行了缩尾处理，以确保数据的稳定性和可靠性；继而对数据进行标准化处理，共收集到612家样本公司的4613份样本数据。研究数据来源：行业内的能源消耗数据基于《中国统计年鉴》进行摘录，而能源碳排放的参考系数则采用厦门节能中心提供的标准系数2.493，其余控制变量和企业相关财务数据信息获取来源于国泰安数据库。

3.2 变量说明

3.2.1 被解释变量

为了克服碳排放总量受经济发展规模等因素的影响，本文的被解释变量选择企业碳排放强度来衡量高耗能企业碳排放水平。参考沈洪涛等的研究方法[36]，本文借助营业成本数据，采用行业碳排放量来估算高耗能企业的碳排放量和企业碳排放强度。其中，CO2折算系数采用厦门节能中心提供的标准系数2.493；高耗能行业能源消耗总量和行业主营业务成本的数据则分别从《中国能源统计年鉴》和《中国工业经济统计年鉴》中摘取。具体的计算公式为：
企 业 碳 排 放 强 度 = 企 业 碳 排 放 量 企 业 主 营 收 入
      企 业 碳 排 放 量 = 行 业 碳 排 放 量 行 业 主 营 业 务 成 本 · 企 业 营 业 成 本
      行 业 碳 排 放 量 = ∑ 行 业 各 类 能 源 消 耗 量 · 能 源 碳 排 放 系 数

3.2.2 解释变量

本文的核心解释变量为碳交易政策（time·treat），其衡量方法采用碳交易政策虚拟变量与时间虚拟变量之间的交乘项。具体来说，以treat表示政策虚拟变量，time表示时间虚拟变量，交互项time·treat表示碳交易政策的实施。treat的主要功能是标识上市公司是否位于政策试点地区，其中试点地区的公司赋值为1，非试点地区的公司则被赋值为0。time作为时间虚拟变量，用以区分碳交易政策实施的年份，因为各地区碳交易政策实施年份不同，北京、上海、天津、重庆、湖北、广东和深圳7省市于2011年10月起作为试点地区，所以属于这7个省市的样本公司，将其2012年及以后的年份赋值为1，而2012年之前的年份则赋值为0；由于国家于2017年底在全国启动碳交易政策，因此将7省市以外其他地区的样本公司2017年及之前的time取值为0，2017年之后取值为1。

3.2.3 机制变量

①技术创新（RD）。技术创新用高耗能企业发明专利数来衡量。研发创新作为企业应对外部环境变化与政策调整的重要手段，可以帮助企业快速适应新的市场需求与政策导向，同时也反映了企业在应对政策变化时的策略和能力，增强企业竞争优势，还能推动企业向优化、绿色可持续的方向发展。
②绿色信贷（GC）。因企业未单独披露绿色信贷的相关信息，所以用长期借款占资产总额的比重来衡量高耗能企业绿色信贷程度。一般情况下绿色信贷资金为长期资金且包含在长期借款中，所以用长期借款作为绿色信贷的替代变量具有一定的合理性。

3.2.4 控制变量

根据对被解释变量的影响因素的初步判断，本文选取企业规模、盈利能力、成长潜力、股权集中程度等作为控制变量。①企业规模（Size）：用总资产的自然对数来衡量。企业规模越大碳排放总量会越多，但也可能会产生规模效应，企业规模越大碳排放强度将会越低。②资本结构（lev）：用资产负债率来衡量。资本结构体现的是一种公司治理结构，公司治理结构会影响企业相关决策，从而影响企业碳排放。③产权性质（Equity）：用虚拟变量替代。国有企业与民营企业因产权性质不同，会对企业碳减排行为产生不同的影响，本文将企业分为国有控股企业与非国有控股企业，国有控股企业赋值1，非国有企业赋值0。④固定资产投资规模（Fixed）：用固定资产占总资产的比重衡量。企业在固定资产投资时同时考虑绿色低碳转型，采取降碳技术以及专门进行减污降碳的投资，这样可以抑制企业碳排放强度。⑤企业成长性（Growth）：用企业营业收入的增长速度来衡量。企业的增长需要增加资源投入，因此会增加碳排放。⑥企业的盈利性（Roa）：用总资产净利率来衡量。企业盈利能力越强，可用资金越多，绿色投入也可能会越多，从而可以抑制企业碳排放。⑦股权集中度（Top1）：用第一大股东持股比例来衡量。股权越集中，决策权力越集中，关于企业采取碳减排行为的决策效率也会越高，因此有利于抑制企业碳排放。

3.3 研究模型设定

3.3.1 基准回归模型

本文的基准回归模型采用双向固定效应模型，引入行业固定效应和时间固定效应，有效控制行业差异和时间变化差异，一定程度上避免遗漏变量偏差和缓解数据内生性问题。模型表达式为：
C S i , t = α 0 + α 1 t i m e · t r e a t + α 2 C o n t r o l i , t + γ i + δ t + ε i , t  
式中：i表示行业间的差异；t为标识时间节点；time·treat为解释变量，如果其系数α1显著为负，表明碳交易政策可以显著抑制高耗能企业碳排放；Controli，t表示企业层面的控制变量；γi与δt分别为年份固定效应与行业固定效应；εi，t为随机扰动项，用于捕捉模型中的未观测因素。

3.3.2 机制检验模型

本文采用控制法检验机制变量的影响作用。其基本原理是：在基准回归中控制机制变量，如果核心解释变量对被解释变量的效力减弱（显著性降低甚至消失，系数减小），则表明机制成立。本文的机制变量包括技术创新和绿色信贷两个变量，模型中用M表示，机制检验模型表达式如下：
C S i , t = α 0 + α 1 t i m e · t r e a t + M + α 2 C o n t r o l i , t + γ i + δ t + ε i , t  
式中：M为机制变量，回归时分别用技术创新和绿色信贷两个变量替换；其他变量含义同基准模型。

4 实证结果与分析

4.1 全样本基准回归分析

表1中列（1）为全样本下碳交易政策对高耗能企业碳排放强度影响的检验结果，结果显示碳交易政策对高耗能企业碳排放强度有着明显的抑制作用。表明在政策实施下环境保护与高耗能企业经济成本挂钩，严格的环境规制倒逼高耗能企业积极进行碳减排，因此控排企业倾向于采取改善生产工艺、提高能源效率、使用更清洁的能源等手段实现减排目标。与此同时，碳交易政策也为高能耗企业引入了经济激励措施，促使其投资于低碳技术和创新研发，以期降低碳排放强度。这些举措促使高耗能企业将剩余的碳排放权利转化为碳资产，从而获取额外收益，进一步强化了高能耗企业在市场中的竞争优势。总体而言，碳交易政策对高能耗企业碳排放强度展现出积极影响。
表1 碳交易政策与高耗能企业碳排放强度回归结果

Tab.1 Regression results between the carbon trading policies and the carbon intensity of high energy consuming enterprises

基准回归 时间差异 空间差异
全样本（1） “十二五”（2） “十三五”（3） “十四五”（4） 东部地区（5） 中部地区（6） 西部地区（7）
Time·treat -0.0324*** -0.04756*** 0.0314** -1.7226*** -0.0229* -0.0479** -0.4440***
Size -0.0255*** -0.0217*** -0.0309*** -0.0158** -0.0152*** -0.0356*** -0.0338***
Equity 0.0563*** 0.0455*** 0.0735** 0.0794*** 0.0694*** 0.0633** 0.1378***
Lev 0.2489*** 0.1461** 0.3048*** 0.1766*** 0.1713*** 0.4132*** 0.1044
FIXED 0.1545*** 0.1613*** 0.1896*** 0.1479 *** 0.1241*** 0.1386** 0.2337
Growth 0.0009** -0.0009*** -0.0023 0.0119 -0.0005*** -0.0316 0.0014***
ROA -0.8736*** -0.9949*** -0.6578** -1.2835*** -1.0626*** -0.5743 -0.8407***
TOP1 0.0007** 0.0004** -0.0004 -0.0002 0.0008*** 0.0010 -0.0015***
Constant 2.7047*** 1.7731*** 2.0687*** 2.8006*** 2.5504*** 2.8350*** 2.9245

注：***、**和*分别代表1%、5%和10%的显著性水平，不显示标准误。表2~表3同。

控制变量回归结果显示，企业规模越大、盈利能力越强，越能抑制企业碳排放强度。这说明企业规模在碳排放方面产生规模效应，即规模越大越能降低碳排放强度；企业盈利能力越强越有资金能力采取积极的碳减排行为，从而降低企业碳排放强度。国有产权性质、资产负债率、固定资产投资占比、企业成长性、股权集中度5个控制变量与企业碳排放之间的系数显著为正，表明其会显著增强企业碳排放强度。可能原因是：国有企业产权性质并没有明显抑制企业碳排放的作用，可能是因为国有企业在碳交易政策方面并没有做出积极的响应；资产负债率高的企业来自债权人的约束会更大，债权人从资金安全性考虑，限制了企业采取积极的碳减排行为，所以会增加企业碳排放强度；固定资产占比高的企业多是重工业企业，本身需要消耗更多的能源资源，碳排放强度自然会更大；企业增长越快，需要消耗能源增长也越多，因此企业碳排放强度越大；股权集中度越高，公司治理程度越低，在碳减排措施实施的相关决策上会出现不合理情况，从而不利于企业碳排放的降低。

4.2 时间差异回归分析

表1列（2）~（4）分别列示了“十二五”“十三五”和“十四五”3个五年规划期间的样本公司碳交易政策对碳排放强度影响的检验结果（因“十一五”期间还未实施碳交易政策，故无该期间检验结果）。检验结果显示：碳交易政策在“十二五”和“十四五”期间对高耗能企业碳排放强度具有显著的抑制作用，而在“十三五”期间具有显著的促进作用，这与前文1.1部分阐述的中国高耗能企业碳排放时间特征相吻合。可能的解释是在“十二五”期间，刚实施碳交易政策，政策效果显著，即政策实施初期时碳减排边际效益明显，而到了“十三五”期间政策实施到了成熟期，企业可能对政策熟悉后采取一些有利于经济绩效但不利于减排绩效的应对措施，导致政策出现反效果。进入“十四五”时期，国家提出“双碳”目标，进一步强化碳减排政策的实施，即进入减排政策强化期，所以在“十四五”期间碳交易政策的减排效应再次加强。

4.3 空间差异回归分析

表1列（5）~（7）分别列示了东部、中部、西部3个地区碳交易政策对高耗能企业碳排放强度影响的检验结果，各组结果表明碳交易政策对高耗能企业碳排放强度的影响存在显著的地区差异，但均具有显著的抑制作用。从列5结果看，东部地区样本与全样本检验结果相比，在控制相关变量的情况下，碳交易政策对企业碳排放强度的影响系数绝对值小于全样本，且显著性水平（10%）也低于全样本，这说明东部地区碳交易政策虽然也可以有效降低企业碳排放强度，但影响程度和显著性方面均低于全样本，这可能是因为东部地区相关政策已趋于稳定，碳减排边际效益下降的原因。从列（6）结果看，中部地区样本与东部地区样本检验结果相比，碳交易政策对企业碳排放强度的影响方向相同，只是影响程度和显著性高于东部地区样本，与全样本相比，中部地区碳交易政策对企业碳排放强度的影响程度更高一些，但显著性相比较低。从列（7）结果看，西部地区样本碳交易政策变量系数最大，且显著程度最高，可能的原因是西部地区执行碳交易政策较晚，处于政策执行初期的显著减排效应期，所以碳交易政策对碳排放的影响较明显。

4.4 机制检验

本文的机制变量包括技术创新和绿色信贷两个变量，模型中用M表示，其检验结果见表2。其中，列（1）为基准回归结果，解释同前。列（2）~（3）为分别加入技术创新和绿色信贷机制变量进行控制，结果显示两个机制变量的系数均显著为负，说明两个机制变量部分解释了碳交易政策对碳排放强度的抑制作用，而核心解释变量系数虽然仍为负但系数变小且变得不显著，这表明机制成立，即技术创新和绿色信贷均能够促进碳交易政策对高耗能企业碳排放强度的抑制作用。
表2 机制变量检验结果

Tab.2 Results of mechanism variable test

变量 （1） （2） （3）
基准回归 绿色创新 绿色信贷
t i m e · t r e a t -0.0324*** -0.0008 -0.0138
M -0.0182*** -0.0047***
Size -0.0255*** -0.0069 -0.0198***
Equity 0.0563*** 0.0523*** 0.0494***
Lev 0.2489*** 0.1427*** 0.3751***
FIXED 0.1545*** 0.1272*** 0.1502***
Growth 0.0009** 0.0013*** 0.0007
ROA -0.8736*** -1.3777*** -0.6283***
TOP1 0.0007** 0.0006* 0.0007**
Constant 2.7047*** 2.3927*** 2.5037***

4.5 其他异质性检验

为了更深入地了解企业碳排放强度的影响因素，本部分进一步对各影响因素的异质性进行检验，主要对企业产权性质、企业成长性、企业盈利能力3个因素进行异质性检验（表3）。
表3 碳交易政策对企业碳排放强度影响的异质性检验

Tab.3 Heterogeneity test of the impact of carbon trading policies on the carbon intensity of high energy consuming enterprises

变量 （1）产权性质 （2）企业成长性 （3）企业盈利性
国有企业 非国有企业 正增长企业（Growth>0） 负增长企业（Growth<0） 盈利企业（ROA>0） 亏损企业（ROA<0）
time·treat 0.0699*** -0.0646*** -0.0376*** -0.0246 -0.0246*** -0.0385
Size -0.0231*** -0.0323*** -0.0151*** -0.0429*** -0.0363*** -0.0366***
Lev 0.1812*** 0.3129*** 0.0395*** 0.0780*** 0.0646*** 0.0239
FIXED -0.0608 0.4019*** 0.1951*** 0.3066*** 0.4096*** 0.2624**
Growth 0.0013*** -0.0005*** 0.1170*** 0.1643*** 0.1388*** 0.2502***
ROA -0.7791*** -0.8598*** -1.5180*** -0.2908 0.0008 -0.0533
TOP1 0.0006 0.0004 0.0008** 0.0001 0.0006 0.0005*
Constant 2.8305*** 2.7511*** 2.4418*** 3.1243*** 2.8216*** 3.0737***
具体而言，表3列（1）显示碳交易政策变量的系数在国有企业组中显著为正，而在非国有企业组中显著为负，表明企业产权性质对碳排放强度具有显著影响。这一差异可能源于国有企业对碳交易政策的响应相对滞后，而非国有企业则表现出更高的积极性。列（2）显示正增长企业组的碳交易政策变量的回归系数显著为负，而负增长企业组的碳交易政策变量的回归系数虽然也为负但不显著，这说明正增长企业更有能力响应碳交易政策，采取积极的碳减排行为，从而能显著抑制企业碳排放强度。列（3）显示盈利企业组的碳交易政策变量的回归系数显著为负，而亏损企业组的碳交易政策变量的回归系数虽然也为负但不显著，这说明盈利企业更有能力响应碳交易政策，采取积极的碳减排行为，从而能显著抑制企业碳排放强度，而亏损企业可能会因资金不足而对碳交易政策的响应出现有心无力的情况。由此可见，企业盈利能力越强，越有能力响应碳交易政策并采取积极的碳减排行为，从而越有助于抑制企业碳排放强度。

4.6 平行趋势检验

DID模型的核心前提是确保实验组与对照组满足平行趋势假设，这一假设是实验设计有效性的重要保障。本文对平行趋势进行检验，政策实施前4年、当年及后5年95%置信区间的估计系数，在碳交易政策实施前估计系数在零点附近呈现波动性，并且其95%的置信区间覆盖了0值。而在碳交易政策实施后，估计系数发生显著下降，且置信区间不包含0值。结果表明试点企业与非试点企业在政策实施前具有相同的时间趋势，平行趋势检验通过。

4.7 安慰剂检验

为了降低DID模型结论受其他不可观测因素影响的程度，本文借鉴大部分学者的研究方法，实施安慰剂检验，其具体操作通过随机分配试点企业来完成。具体步骤为：首先随机生成一个与样本中试点企业数量相匹配的试点企业列表，随后利用基准模型对这些随机生成的试点企业进行回归分析。为了获取1000个time·treat估计系数，重复执行这一过程共计1000次。随机实验的估计系数在0附近聚集，且基本符合正态分布，表明本文结论具有稳健性。

5 研究结论与政策启示

5.1 研究结论

本文采用2009—2022年中国6大高耗能行业A股上市公司样本数据，用碳排放强度来衡量高耗能上市公司碳排放水平和碳减排绩效，揭示其时空演变特征；同时利用双重差分法和双向固定效应模型分析了高耗能上市公司碳排放影响因素。主要结论如下：
①高耗能上市公司碳排放强度总体呈现下降趋势，且地区间差异逐渐缩小。从时空分布特征看，样本公司碳排放强度除了在“十三五”期间（2016—2020）出现小幅度上升趋势外，总体表现出下降趋势，尤其是2012年实行碳交易政策和绿色信贷政策以及2020年提出“双碳”目标后，碳排放强度出现明显下降趋势；截至2022年，各地高耗能上市公司的碳排放强度地区差异明显缩小。
②碳交易政策可显著抑制高耗能企业碳排放强度，但存在地区差异。在全样本下碳交易政策对企业碳排放强度的影响系数为-0.0324，在1%水平下显著；分地区样本回归结果则显示中部地区样本组系数最大、显著性最强，西部地区次之，东部地区显著性最低或不显著，其原因可能是东部地区碳交易政策趋于稳定，不会引起碳排放强度的大幅变化。从异质性检验看，碳交易政策对非国有企业碳排放强度具有显著的抑制作用，而对国有企业碳排放强度具有显著促进作用；碳交易政策对正增长、盈利企业的碳排放强度具有显著抑制作用，而对负增长、亏损企业的碳排放强度不具有显著影响。
③技术创新和绿色信贷可以显著促进碳交易政策对高耗能企业碳排放强度的抑制作用。从机制变量检验结果看，两个机制变量的系数均显著为负，而核心解释变量系数虽然仍为负，但系数变小且变得不显著，这表明机制成立。即技术创新和绿色信贷均可以促进碳交易政策对高耗能企业碳排放强度的抑制作用。但从数据描述性分析看，样本公司技术创新投入总体水平偏低，技术创新投入占营业收入的比例只有0.85%。

5.2 政策启示

基于上述研究结论，本文提出以下政策建议：
①进一步完善碳交易政策，加快碳交易市场建设。研究结论显示碳交易政策对企业碳排放强度的影响存在地区、产权性质、企业成长性和盈利性方面的差异。为此，不同地区政府应根据当地碳交易市场建设现状及存在的问题，完善碳交易市场的监管体系，确保碳交易市场的公平、透明和高效，确保国有企业和非国有企业在碳排放配额的分配上享有同等的待遇，同时加强监管高耗能企业尤其是负增长企业和亏损企业对减排政策的落实情况。
②加大技术创新投入，促进工艺流程技术改造。从前述研究结论可知，不管是全部样本还是分组样本，均表明技术创新投入对高耗能上市公司的碳排放强度具有显著抑制作用。技术创新投入可以通过对生产工艺流程等进行技术改造，降低高耗能行业能源消费强度，从而降低碳排放强度。但从目前高耗能上市公司现状看，技术创新投入严重不足，可以想象非上市公司更加不容乐观。因此，政府相关部门应通过政府补贴、税收优惠等激励措施引导企业加大对绿色创新、低碳生产技术投入，促进企业对低碳技术的研发投资，推动低碳技术创新。同时，政府应加强碳排放管理的相关人才队伍建设，加强领导干部教育培训，加强对低碳技术的研究和推广，助力我国“双碳”目标的实现。
③加快推进绿色信贷政策的完善与实施。从机制分析可知，绿色信贷可显著促进碳交易政策对企业碳排放强度的抑制作用，但存在明显的区域异质性。因此，中西部地区的政府相关部门应该进一步完善绿色信贷政策，充分发挥绿色信贷对企业融资的引领和约束作用。金融机构应严格审查并持续监督绿色信贷用途，缓解银企间信息不对称，优化企业内部资源配置，确保企业资金专款专用。此外，银行等金融机构应制定差异化支持政策，以提高重污染企业的市场竞争力顺利完成转型，确保企业后续经营绿色化、规范化。
④非上市企业借鉴上市公司碳减排经验，积极实施减排措施。根据前述研究结论，我国高耗能上市公司的碳排放强度呈现下降趋势，且地区间差异缩小。这说明各地区的上市公司碳减排效果均显著，其减排措施有效。因此，相关部门应引导推动非上市高耗能企业借鉴上市公司减排经验，比如调研了解上市公司在技术创新、设备技术升级改造、绿色信贷利用情况等方面的碳减排经验，引导非上市企业比照执行。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
丁涛, 杨洁, 宋平凡. 中国八大经济区碳排放驱动因素研究——基于时空技术异质性视角[J]. 软科学, 2022, 36(9):89-96.

[2]
张明斗, 代洋洋. 国家生态文明试验区建设有助于提升碳排放效率吗?——基于合成控制法的实证分析[J]. 南京审计大学学报, 2023, 20(6):101-110.

[3]
李志学, 李乐颖, 陈健. 产业结构、碳权市场与技术创新对各省区碳减排效率的影响[J]. 科技管理研究, 2019, 39(16):79-90.

[4]
温涛, 孙鹏翔, 张林. 中国农业碳排放的动态演进与区域格局[J]. 经济地理, 2024, 44(10):165-175.

DOI

[5]
王珍愚, 曹瑜, 林善浪. 环境规制对企业绿色技术创新的影响特征与异质性——基于中国上市公司绿色专利数据[J]. 科学学研究, 2021, 39(5):909-919,929.

[6]
孔凡斌, 罗锐峰, 徐彩瑶. 浙江省县域绿色金融发展水平变化特征、影响因素与情景预测[J]. 经济地理, 2024, 44(11):132-140,150.

DOI

[7]
展进涛, 杨雨, 熊航. 环境规制、绿色创新与农业碳生产率[J]. 科学学与科学技术管理, 2024, 45(8):72-90.

[8]
江深哲, 杜浩锋, 徐铭梽. “双碳”目标下能源与产业双重结构转型[J]. 数量经济技术经济研究, 2024, 41(2):109-130.

[9]
邢明强, 许龙. 数字化转型、动态能力与制造业企业绿色创新[J]. 统计与决策, 2024, 40(3):184-188.

[10]
Can Wang C, Chen J, Zou J. Decomposition of energy-related CO2 emission in China:1957-2000[J]. Energy, 2005, 30(1):73-83.

DOI

[11]
Zhang M, Mu H, Ning Y, et al. Decomposition of energy-related CO2 emission over 1991-2006 in China[J]. Ecological Economics, 2009, 68(7):2122-2128.

[12]
林伯强, 刘希颖. 中国城市化阶段的碳排放:影响因素和减排策略[J]. 经济研究, 2010(8):66-78.

[13]
张伟, 朱启贵, 高辉. 产业结构升级、能源结构优化与产业体系低碳化发展[J]. 经济研究, 2016(12):62-75.

[14]
王峰, 吴丽华, 杨超. 中国经济发展中碳排放增长的驱动因素研究[J]. 经济研究, 2010(2):123-135.

[15]
孟彦菊, 成蓉华, 黑韶敏. 碳排放的结构影响与效应分解[J]. 统计研究, 2013(4):76-83.

[16]
王向前, 夏丹. 工业煤炭生产—消费两侧碳排放及影响因素研究——基于STIRPAT-EKC的皖豫两省对比[J]. 软科学, 2020, 34(8):84-89.

[17]
王喜莲, 屈丽航. 黄河流域工业碳排放时空演化特征及影响因素[J]. 环境科学, 2024, 45(10):5613-5623.

[18]
Ji C Y, Tan Z K, Chen B J, et al. The impact of environmental policies on renewable energy investment decisions in the power supply chain[J]. Energy Policy, 2024,186:113987.

[19]
Zhang J, Liu Z. Low carbon economic dispatching model for a virtual power plant connected to carbon capture system considering green certificates-carbon trading mechanism[J]. Sustainable Energy Technologies and Assessments, 2023,60:103575.

[20]
Fu S, Tan Y, Xu Z. Blockchain-based renewable energy certificate trade for low-carbon community of active energy agents[J]. Sustainability, 2023, 15(23):16300.

[21]
Ji X, Li M, Li M, et al. Low-carbon optimal operation of the integrated energy system considering integrated demand response[J]. Frontiers in Energy Research, 2023,11:1283429.

[22]
Yan S, Wang W, Li X, et al. Stochastic optimal scheduling strategy of cross-regional carbon emissions trading and green certificate trading market based on Stackelberg game[J]. Renewable Energy, 2023,219:119268.

[23]
Liu D, Luo Z, Qin J, et al. Low-carbon dispatch of multi-district integrated energy systems considering carbon emission trading and green certificate trading[J]. Renewable Energy, 2023,218:119312.

[24]
Shen B, Yang X, Xu Y, et al. Can carbon emission trading pilot policy drive industrial structure low-carbon restructuring:New evidence from China[J]. Environmental Science and Pollution Research International, 2023. 30(14):41553-41569.

[25]
Zhang L, Liu D, Cai G, et al. An optimal dispatch model for virtual power plant that incorporates carbon trading and green certificate trading[J]. International Journal of Electrical Power & Energy Systems, 2023,144:108558.

[26]
王璟珉, 窦晓铭, 季芮虹. 碳排放权交易机制对全球气候治理有效性研究——低碳经济学术前沿进展[J]. 山东大学学报(哲学社会科学版), 2019(2):174-184.

[27]
徐小平, 陈珈好, 何平, 等. 需求波动下考虑平台赋能和碳交易机制的供应链协调问题[J]. 管理工程学报, 2024, 38(4):271-282.

[28]
刁心薇, 林美茹, 孙丞. 中国省域环境规制与科技创新耦合协调发展研究[J/OL]. 地理与地理信息科学, 2024, 40(2):75-80.

[29]
王香艳, 李金叶. 环境规制、绿色技术创新与产业结构升级——来自中国“一带一路”节点城市的证据[J]. 统计与决策, 2024, 40(3):128-132.

[30]
李绍哲, 李含笑, 林丽琼. 绿色金融试点政策抑制重污染企业碳排放吗?——来自绿色金融改革创新试验区的证据[J]. 金融发展研究, 2023(11):46-54.

[31]
Zhang Y, Yang R, Shi X, et al. Operational strategies in a lowcarbon supply chain considering the impact of carbon credit[J]. Journal of Cleaner Production, 2024, 442(5):141080-141095.

[32]
张珺倩, 郑永扣. 数字化转型能减少企业碳排放吗?——来自中国上市公司的证据[J/OL]. 工程管理科技前沿,1-13[2025-03-29]. http://kns.cnki.net/kcms/detail/34.1013.N.20241128.0948.006.html.

[33]
张悦, 来逢波, 程钰. 市域尺度上市企业数字化转型演变及对碳排放影响[J]. 经济地理, 2024, 44(5):106-116.

DOI

[34]
文艺, 李何姗, 张磊. 数字基础设施、技术创新与能源消费低碳化[J]. 经济地理, 2024, 44(9):144-152.

DOI

[35]
陈海鸥, 葛兴安. 论碳交易平台对碳交易成本的影响——以深圳碳排放权交易体系为例[J]. 开放导报, 2013(3):99-104.

[36]
沈洪涛, 黄楠. 碳排放权交易机制能提高企业价值吗[J]. 财贸经济, 2019, 40(1):144-161.

Options
Outlines

/

〈 〉