碳排放权交易对制造业绿色全要素生产率的影响研究

肖卫国 张语芮

摘 要：随着“双碳”目标的提出，碳排放交易系统（ETS）如何影响高碳排放行业，如制造业的绿色全要素生产率（GTFP）增长逐渐成为一个重要研究话题。双重差分法是近年来识别碳排放权交易与制造业绿色全要素生产率之间关系的常用研究方法。以2014年开始试点的碳排放权交易政策为准自然实验，研究显示，碳排放权交易政策能够显著促进我国制造业的绿色全要素生产率提升。进一步研究发现，碳排放权交易能够通过筛选外商对内直接投资（IFDI）的质量，进而对绿色全要素生产率产生积极作用。稳健性检验表明，在考虑双重差分法设定条件、平行趋势检验、反事实检验、更改倾向得分匹配方法等后，碳排放权交易对我国制造业绿色全要素生产率的积极作用依然成立。

关键词：碳排放权交易；
制造业绿色全要素生产率；
外商对内直接投资；
双重差分法

［中图分类号］ F062.1 ［文章编号］ 1673-0186（2023）007-0019-016

［文献标识码］ A      ［DOI编码］ 10.19631/j.cnki.css.2023.007.002

为保护生态环境，保障经济可持续发展，我国自2011年起陆续启动了全国七省市碳交易市场试点工作［1］；
2013年底广东省和上海市成立碳交易工作小组，并于当年正式启动碳排放权交易（ETS）试点；
2014年，北京、深圳、天津、湖北、重庆五个省市的碳排放权交易也陆续上线；
2016年，福建成为国内第八个碳试点城市；
2020年，“双碳”目标的提出［2］更是把碳排放权交易政策由试点推向全国。作为典型的市场激励型环境规制政策，碳排放权交易是推进绿色发展的重要手段，但各高碳排放行业，如制造业也可能因为环保限制而导致经济效益损失。

与此同时，随着对外开放水平的不断提高，我国逐渐成为全球跨国投资的主要目的地之一，实际利用IFDI增长迅速，堪称“成功利用外资的典范”［3］。后疫情时代，全球经济逐渐回暖，碳排放问题也愈发值得重视［5］，在此背景下，研究碳排放权交易政策对于制造业行业GTFP的影响，以及IFDI在其中的影响渠道和调节效应是非常有意义的：只有正确认识三者的关系，才能明确在经济全球化复苏的时代背景下，碳排放权交易的完善方向［5］，并以小见大，推动碳排放权交易的全国化和全面化，在保障經济稳定发展的同时实现“双碳”目标。

一、文献综述和研究假说

“绿水青山就是金山银山”，为解决20世纪经济迅猛发展引发的环境问题，我国政府一直在探索环保、经济两手抓的可持续发展道路。自2020年“双碳”目标提出以来，降碳减排已成为各界共识，学界对碳排放交易权这一政策的研究不断深入，并取得了一定进展。

（一）文献综述

大量研究认为外商对内直接投资和环境规制是影响东道国绿色全要素生产率的重要因素，但对于具体影响，学者们持有不同的观点。

2014年，我国正式实施碳排放权交易政策后，国内学者对该政策的研究热度也大幅提升。部分学者认为碳排放权交易政策能够促进碳减排［6］，且减排效果逐年增加［7］。余萍和刘纪显发现碳排放权交易政策会促进区域经济发展，具有良好的经济增长效应和绿色效应［8］。但在政策实施的过程中，由于试点地区存在异质性［9］，不同地区的减排效果也会呈现部分差异［10］。

将“碳排放权交易”扩大到“环境规制”这一维度来回溯文献，辛宝贵和高菲菲提出，环境规制对于绿色全要素生产率的提升有显著正向作用，但同样地，这一影响存在区域异质性［11］。李振洋和白雪洁在制造业转型升级背景下，探究不同类型的环境规制政策对制造业绿色全要素生产率的影响，发现鼓励型环境政策对制造业GTFP没有起到明显促进作用；
限制型政策则与之呈现“U”型关系［12］。

既往文献也不乏关于IFDI对绿色全要素生产率影响的研究：杨俊和邵汉华使用随机效应模型进行分析，发现IFDI与绿色全要素生产率呈负相关［13］；
此外肖攀、程中华、范丹等均分别通过空间误差面板模型、空间面板模型等研究模型得出了IFDI对绿色全要素生产率有负向影响的结论［14-16］。相反地，王兵和吴延瑞指出IFDI对绿色全要素生产率的增长具有显著的促进作用［17］。柴志贤、杨冕和王银、吴建新和黄蒙蒙等人的研究也支持这一观点［18-20］。汪锋与解晋则得出了两者之间没有显著关系的结论［21］。

综上所述，既往文献大多是关于碳排放权交易政策的减排效果评估和其他环境规制政策对绿色全要素生产率的影响。关于碳排放权交易政策对区域绿色全要素生产率影响的研究则较少。另外，既往文献鲜少将IFDI与碳排放权交易政策相结合对绿色全要素生产率进行研究。在中国面临“双碳”目标和后疫情时代经济全球化再度发展的背景下，研究碳排放权交易政策对制造业行业GTFP的影响，以及IFDI在其中所发挥的作用具有重要意义。

（二）研究假说

碳排放权交易赋予了碳排放权商品属性，允许各交易主体在市场上合法交易碳排放权，并由此通过价格机制将碳排放带来的外部成本内部化［22-23］。碳排放权交易制度实施后，一方面，由于严格的碳排放量约束，一些高污染、高能耗行业短时间内只能通过减少产量来控制碳排放，导致其绿色全要素生产率在短期内有所下降；
另一方面，在政府环境监管部门的规制作用下，形成倒逼机制，“三高”行业为了谋求长远的稳定发展，不得不通过减少使用污染原料、引进清洁技术等方式缓解减排成本带来的压力。从长期发展的角度而言，大多企业将通过技术创新加快向绿色产业转型升级，提高能源效率，促进低碳转型发展，保障自身的经济效率，实现区域碳减排、提升绿色全要素生产率［24］。

此外，市场化的碳排放权交易也会促使东道国筛选流入的外商投资。根据“污染避难所”的假设，发达国家将把造成严峻环境污染的行业转移到环境标准较低的国家，以减少本国环保压力。然而，如果东道国实行严格的环境规制政策，当地政府和企业将对IFDI进行筛选，从而让更多高质量的绿色IFDI流入市场。优质外商资本的流入，能够从技术溢出效应、优化产业结构、激发规模效应等多个维度来提升东道国的绿色全要素生产率。基于上述的理论与逻辑分析，本文提出以下研究假说：

假说1：碳排放权交易政策的实施促进了地区制造业绿色全要素生产率的增长；

假说2：碳排放权交易政策会通过筛选流入的外商直接投资质量来提高地区的制造业绿色全要素生产率。

二、模型构建与实证分析

在实证分析开始前，对模型设定、变量选择和实验数据来源进行基本描述。

（一）模型设定

为检验上述假说，实证部分将分两步进行：首先检验碳排放权交易政策的实施对制造业GTFP是否有影响；
然后检验IFDI流入对制造业的绿色全要素生产率有何影响，并探究IFDI流入对于碳排放权交易政策和GTFP之间的关系是否有调节作用。换言之，我们想要检验在考虑外商投资流入的情况下，碳排放权交易政策对制造业GTFP的影响是否有所变化。针对上述研究目标，文章选取相应的实证分析模型。

1.检验ETS的实施对制造业GTFP是否有影响

碳交易试点市场的选择是政府综合考虑我国经济发展状况、各地区行业结构等因素的结果，也就是说各试点地区实施碳交易政策的决策并非完全外生。我们采用倾向得分匹配法（Propensity Score Matching，PSM）来缓解这一内生性问题，选择各省市经济发展水平、制造业经济发展水平、产业结构等多个指标进行得分匹配。通过PSM处理，本文为每一个实施碳排放权交易政策的省市匹配了可供比较的配对省市，即那些在观察期内从未实施碳排放权交易，但在政策实施前和试点省市基本具有一致特征的省市。将前者称为处理组或实验组，后者称为对照组或控制组，我们可以通过对比配对后处理组和对照组省市的制造业绿色全要素生产率和外商对内直接投资调节效应，来判断碳排放权交易政策的实施效果。但同时我们还需要考虑到，政策实施点前后，各省市制造业的绿色全要素生产率可能会因为其他外部因素而发生变化，因此还要将2014年之前的所有省市和2014年之后的所有省市进行对比，双重差分模型（Difference in Difference，DID） 可以很好地解决这一问题。

因此，本文以多数省市上线开展碳排放权交易的2014年作为政策起始点，以2009—2019年为观察期。Logit回归被用来计算实验组和控制組的倾向性得分，采用最近邻匹配法进行样本间的匹配，基于“准自然实验”，用PSM-DID法来评估碳排放权交易的政策影响。基本计量模型设定如下：

其中：i表示省市，t表示年份；
gtfpit为省市i在第t年的制造业绿色全要素生产率；
treati为实验虚拟变量，当i为处理组省市时，treati=1，反之为0；
timet为时间虚拟变量，2014年之前，timet=0，2014年及之后，timet=1；
controlit为控制变量，其选取标准将在后续部分进行详细阐释；
μi和λt分别为省市固定效应、时间固定效应。timet和treati交互项的系数β1需要我们重点关注，该值反映了碳排放权交易政策实施对各省市制造业GTFP的影响。

同时，文章将针对该模型进行平行趋势假设、反事实假设等系列稳健性检验。

2.检验IFDI对制造业GTFP的影响

为检验外商对内直接投资对东道国经济和环境发展的综合影响，本文借鉴了傅京燕等对不同来源FDI、环境规制与绿色全要素生产率的研究中所建立的模型［25］。该模型将绿色全要素生产率（GTFP）作为衡量经济绩效的指标；
基于环境库兹涅茨曲线引入经济发展水平及制造业经济发展水平，设定模型如下：

各变量具体含义与式（1）一致。

3.检验IFDI流入对于ETS和制造业GTFP之间的关系是否有调节效应

为进一步检验IFDI在其中的调节效应，本文借鉴何靖的研究方法［26］，在式（1）的基础上引入IFDI及其与虚拟变量timet和treati的交互项，构建基于DID法的回归模型：

其中：ifdiit为省市i的制造业在第t年接受的实际外商直接投资；
其余变量与式（1）中含义一致。对于对照组省市（treat=0），碳排放权交易政策实施年份前后省市外商对内直接投资的调节效应分别是β1和β1+β5，可见，对照组省市在政策实施年份前后制造业GTFP受IFDI调节效应影响的差异为diff0=β5，这一差异可视为时间趋势差异。对于处理组省市（treat=1），这种差异为diff1=β5+β7，这一差异不仅包含了碳排放权交易政策的影响，还包含了上述时间趋势差异。因此净影响效应为diff3=diff1-diff0=β7，β7即为我们关心的系数。

（二）变量选取与数据来源

文章采用除西藏及港澳台地区之外的30个省市作为研究样本，选取各省市自2009年至2019年的相关数据进行实证分析。数据来源于《中国统计年鉴》《中国能源统计年鉴》及各省、直辖市、自治区官方统计年鉴。

1.因变量——绿色全要素生产率

目前学界比较主流的测算GTFP的非参数模型主要有方向性距离函数（Directional Distance Function， DDF）和非径向非角度的SBM（Slack-based measure）模型。相较于DDF模型，SBM模型可以存在无效率生产单元，并可以分解分析测算结果，是一种比较理想的生产效率测算方法。

因此，文章以2009年为基期，参考冯杰和张世秋的研究建立指标［27］，基于非期望产出，用超效率SBM模型和Malmquist指数来测度GTFP数据。使用的投入变量为资本、劳动、能源，分别以各省市制造业资本存量（永续盘存法计算）、从业人数和能源消费量（万吨标准煤）作为指标。期望产出为各省市当年价格的制造业生产总值；
非期望产出包括废气、废水和其余废弃物，分别以各省市制造业的二氧化硫排放量、工业废水排放量和烟粉尘排放量作为指标。

其中xik表示第k个DMU的第i个投入变量。

以上述公式为基础，使用MaxDEA软件进行测算，即可算出目标变量的值。

2.核心解释变量

（1）碳排放权交易

考虑到DID模型的特性，这一变量实则为从时间和是否为试点省市两个维度来度量的虚拟变量：若某省市为七个试点省市之一，且样本时间为2014年及以后年份，则该变量取值为1，其余情况均取值为0。

（2）外商对内直接投资

我们选用外商对东道国制造业直接投资的实际投资金额与东道国对应地区制造业生产总值之比来表示IFDI这一变量。各省、市的统计年鉴中基本都公布了该地区制造业每年接受的外商直接投资实际金额及地区制造业生产总值；
四川省和吉林省由于统计口径变更，官方不再公布2017年前的数据，文章通过搜索既有文献资料找到了大部分数据，仍然缺失的数据则利用线性插值法进行补全。随后，再利用《中国统计年鉴》公布的年均中美货币汇率数据即可求出同汇率货币化后的对应比值。

3.控制变量

除IFDI、碳排放权交易政策之外，其它制造业GTFP的因素有很多，无法穷尽。基于可行性、科学性原则，在参考国内外相关研究成果的基础上，文章最终选取的控制变量为：各省市经济发展水平、制造业经济发展水平、研发水平、贸易开放度及当地产业结构。

地区GTFP与当地的经济发展水平联系紧密，然而，许多地区至今仍没有跨过环境库兹涅茨曲线的“拐点”［28］。人均地区产出（grp）可以反映各地区的经济发展水平；
同时，由于文章的研究样本并非整体数据，而是各省市制造业相关数据，因此文章也加入了制造业经济发展水平（mgrp）作为控制变量。此外，由于这两个指标的原始数据对比其余变量量级较大，因此本文借鉴既往文献的研究方法，对这两个指标的原始数据取对数后再进行相应回归。

研发水平（rd）同样也是重要的控制变量。技术进步有利于环境治理，这里用单位产出对应的国内专利受理数量来表示研发水平，相关数据来源于中国统计局。

贸易开放度/贸易依存度（open）则可反映该地区对外贸易的开放程度，由于本文的研究重点之一就是外商对内直接投资，因此地区的对外开放程度也是不可或缺的变量。我们参考既往文献［29］，决定用进出口总额占当地生产总值的比例来表示这一变量。中美年均汇率数据来自世界银行数据库。

最后是产业结构（is），产业结构升级比能源效率提高更能促进绿色全要素生产率的增长［30］。鉴于第二产业是能源消耗和污染物排放的主要来源，该变量选择采用第二产业的总产值与该地区的区域GDP之比来衡量。

三、实证结果与分析

收集到所需数据后，根据前文构建的计量模型逐步检验前文提出的假说。首先利用PSM-DID模型检验碳排放权交易政策的实施对制造业GTFP是否有影响；
然后检验各省市的外商对内直接投资是否对行业GTFP有显著影响；
最后引入碳排放交易市场与IFDI的交互项，研究外商投资流入对碳排放权交易和GTFP之间的关系是否有调节效应。

（一）检验碳排放权交易政策对制造业GTFP的影响

在进行正式的回归检验前，首先要对样本倾向性得分匹配结果进行观察，匹配效果通常由核密度函数图和平衡性检验结果来反映。

1.倾向性得分匹配（PSM）结果

PSM核密度函数图和PSM平衡性检验是最常见的检验倾向性得分匹配效果的研究方法，前者通过图线直观反映匹配后样本的一致性，后者则通过数据更严谨地反映这一结果。

（1）PSM核密度函数图

检验倾向性得分匹配质量的常用工具就是核密度函数图，实验组和控制组的核密度图重叠部分越多，匹配效果越好。

如图1所示，匹配前，对照组的核密度图的偏度和峰度与处理组的偏差较大；
匹配后，对照组和处理组的核密度分布几乎重叠，说明匹配质量较好。这为后续研究奠定了良好数据基础。

（2）PSM平衡性检验

要使倾向性得分匹配结果更具可靠性，其结果应满足“条件独立性假设”，即要求在匹配变量上，处理组与对照组无明显差异。

表1的结果显示，变量在进行倾向性得分匹配之后，标准偏差的绝对值都在20%以内，这一数值处于有效匹配的区间内。同时，在查看T检验的关联概率值后，发现T值不再显著，这表明原来的匹配变量经匹配后均值相等的假设被接受，傾向性得分匹配有效。

2.双重差分检验（DID）结果

在倾向性得分匹配的基础上，我们用双重差分法检验公式（1），用固定效应法估计面板DID模型，结果如下表所示。

表2展示了式（1）的面板DID检验结果。可以看出，无论是否加入其他控制变量，交互项系数至少在10%的水平上显著为正。说明碳排放权交易政策的实施能够有效促进制造业的绿色全要素生产率，初步验证了假设1。

3.稳健性检验

稳健性检验是实证研究中不可或缺的一步，它能够保证实证的结果更具可靠性。考虑双重差分法的设定条件，结合文献，本文选用了平行趋势检验、反事实检验、更改倾向性得分匹配方法来进行稳健性检验。

（1）平行趋势假设检验

PSM-DID结果无偏性的重要前提条件之一就是满足平行趋势假定，如果这一条件不被满足，那么GTFP的变化就可能不是由碳排放权交易政策实施所致，而是由政策实施点前的不同时间趋势引起的。因此，论文需要验证在碳排放权交易政策实施之前试点省市和非试点省市制造业绿色全要素生产率是否存在平行趋势。

图2表明，碳排放权交易政策实施前，处理组和对照组的制造业GTFP基本保持相同的增长趋势，但政策实施后，处理组和控制组制造业绿色全要素生产率的增长趋势发生了明显变化，平行趋势的假设成立。

（2）改变样本匹配方法

在进行倾向性得分匹配时，文章选择了最近邻域匹配方法。为保证估计结果的可靠性，我们改变了匹配方法。

使用卡尺匹配法、核匹配法对样本进行重新匹配，然后进行双重差分估计，若结果相差不大，表示前文所得结果是稳健的。两种匹配方法对核密度图和DID估计结果如图3和表3所示。结果显示，在更换PSM匹配方法之后，核密度图仍较为理想，且DID估计结果也与初始的基准回归结果接近，表明实证结果具有稳健性。

（3）反事实检验

现实中，可能还存在其他政策因素会对地区制造业GTFP存在潜在影响，本文根据反事实研究思想，参考安礼伟等的研究方法［31］，删除2014年及以后年份的面板數据，仅保留2009至2013年的数据，并将政策实施点提前至2011年；
将after11设定为：2011年及以后都为1，其余为0。after11*treat的系数即为我们所关心的反事实研究结果：如果该系数不显著，则可以排除其他因素对试点省市制造业GTFP产生显著影响的可能性，同时反证了碳排放权交易政策有助于提升试点省市制造业GTFP的事实。表4的前两个结果列报告了以2009—2013年数据为样本的回归结果，后两列则是以2009—2012年数据为样本的回归结果。

表4中模型（1）和（2）的结果显示不论是否加入控制变量，after11*treat的系数均不显著；
模型（3）和（4）同样表明，无论是否加入控制变量，该系数均不显著，反事实检验通过。

（二）检验IFDI对制造业GTFP的影响

依据公式（2）来探究混合回归模型（OLS）、固定效应模型（FE）、随机效应模型（RE）三种研究方法下GTFP如何被FDI影响，实证结果如表5所示。

进行豪斯曼检验，结果显示更推荐使用固定效应模型，因此本文以第（2）列的回归结果为主，OLS和RE模型的回归结果作为参考。

使用不同研究方法得到的IFDI回归系数正负并不一致，随机效应模型的实证结果显示回归系数为正，但并未通过显著性检验；
而作为主要参考的固定效应模型和混合回归模型回归结果则显示IFDI回归系数为负，并且均通过了1%水平的显著性检验。肖攀、范丹等均通过各种研究模型得出了IFDI对绿色全要素生产率有负向影响的结论［14，16］。

代表地区经济发展水平的人均产出变量系数同样有正有负，但显著性水平均不高；
然而，当我们将这一变量细化至地区制造业经济发展水平时，三个模型的回归结果均为正数，且都在1%的水平上显著。这一结果说明，地区制造业的经济发展水平能为该区域制造业的GTFP带来显著正向影响，但这种影响并不是呈线性关系的。

对于控制变量：产业结构的回归系数在固定效应模型和混合回归模型下均为负数且通过了1%的显著性检验，但系数的绝对值未超过1，表明一个地区的第二产业占比越大，该地制造业GTFP越有可能降低；
研发水平和贸易开放度与绿色全要素生产率的关系系数在固定效应模型和混合回归模型的检验中均为正，且在统计上均明显显著，说明地区贸易开放度的提升和研发水平的增长均能对该地制造业绿色全要素生产率起到显著的正向影响，这一结论是与现实相符的。

（三）IFDI的调节效应

我们利用式（3）对假说2进行检验，结果如表6所示。

可以看到，不论是否加入其他控制变量，交互项time*treat*ifdi的系数均显著为正，time*treat的系数同样显著为正，表明随着制造业接受的外商直接投资不断上升，碳排放权交易政策对该行业GTFP产生的促进作用也随之增强。

表6的结果与假说2的预期相同，即碳排放权交易政策对外商投资有筛选作用，从而能促进当地制造业GTFP的提升，证明了外商对内直接投资是ETS影响制造业绿色全要素生产率的渠道之一 。

五、结论与政策建议

碳排放权交易试点政策是“双碳”目标的有力实践，尤其是对于碳排放强度较大的行业如制造业，它在一定程度上能够筛选流入试点地区的外商直接投资质量，进而提高试点地区制造业的绿色全要素生产率。本文将我国于2014年左右实施的碳排放权交易试点政策作为准自然实验，采用2009至2019年期间，我国30个省、直辖市、自治区的面板数据，利用PSM-DID模型和调节效应模型，分析碳排放权交易政策对我国地方制造业GTFP的影响，以及外商对内直接投资在其中的调节作用，得出系列研究结论，并据此提出相应的政策建议。

（一）研究结论

第一，整体来看，碳排放权交易政策的实施能够显著促进我国制造业GTFP的提升；
从控制变量来看，区域制造业绿色全要素生产率的增长在一定程度上也取决于该地区制造业经济发展水平和贸易开放度。在考虑双重差分法平行趋势、匹配方法、反事实等稳健性检验后，碳排放权交易带来的正向效应仍然成立。这一研究结论充分证明了碳排放权交易政策的有效性与合理性，有助于制造业实现经济环境双赢目标。

第二，通过对外商对内直接投资的研究发现，外商资本的大量流入对我国制造业的绿色全要素生产率有负向影响，这是由于部分发达国家为减轻本国环保压力，将高污染、高排放、高耗能产业转向环境规制标准较低的国家。后疫情时代，全球经济回暖，各国间经济交流逐渐恢复，不难预判未来将会有大量外商资本流入，如果不对之进行控制与管理，很可能对我国制造业的绿色全要素生产率产生负面影响。

第三，进一步进行检验发现，碳排放权交易政策的实施能够减缓外商资本流入对制造业绿色全要素生产率带来的负向影响，这说明该政策能够激励各省市地方政府和制造业企业有意识地识别和筛选高质量外商直接投资，从而提升GTFP的增长，这种外商资本质量筛选也是碳排放权交易作用于制造业GTFP的重要渠道。

综上，碳排放权交易政策是影响我国制造业绿色全要素生产率增长的重要因素，其中，通过筛选外商资本的质量是其作用制造业GTFP的重要渠道之一。碳排放权交易政策的发展无疑能够带来碳减排和行业绿色全要素生产率增长的双赢局面。

（二）政策建议

首先，加快完善碳排放权交易制度，拓宽碳排放权交易市场的覆盖面，丰富交易市场参与者，优化碳配额分配机制，提高企业参与碳排放权交易市场的积极性。

虽然我国进行碳排放权交易政策首次试点至今已有九年，全国碳市场也于2021年正式上线，但整体而言，我国的碳排放权交易试点市场由于初次分配额度大、可交易产品种类少等问题，市场活跃度远不如发达国家；
全国碳市场则由于可交易行业仅包含发电行业，市场的稳定性和活跃度也较不理想。因此，政策制定者應该尽快将更多高耗能行业如钢铁、化工等纳入全国碳市场，并合理降低企业免费碳配额比例，引入有偿碳配额调节碳价，提高碳排放权交易市场的有效性和活跃度；
同时，开发和推广多种类的碳金融产品，引导清洁能源投资，促进低碳产业发展的同时让更多人参与到碳排放权交易市场中来，推动全国绿色全要素生产率的提升。

其次，发挥碳排放权交易在筛选外商投资资本质量的重要作用，结合各地环境保护政策，通过设置合理的免费配额和有效的交易价格，以及进行严格的交易核查，挑选外商流入资本的质量，避免成为发达国家的“污染天堂”。

如实证研究结果所示，过去我国多地政府与企业一味追求经济增长速度，大量引入外资，虽然在短时间内有效促进了经济增长，但同时对自然环境造成了较大损伤。而碳排放权交易政策的引入，有效抑制了这种负面影响。粗放型的外商投资会给当地企业带来污染物排放增强等一系列影响，但碳排放权交易政策的实施会让企业为自身污染环境的行为付出经济甚至法律代价，这种约束会促使地方政府和企业主动筛选引入高质量的绿色IFDI。在全球经济交流逐渐恢复的后疫情时代，政策制定者更应该大力发挥碳排放权交易这一筛选作用，通过更合理的碳市场价格、更严格的执法监督等来帮助行业通过运用高质量外资进行结构调整，促进绿色发展，形成内外资本的良性循环，助力“双碳”目标顺利实现。

本文的研究为碳排放权交易市场的发展效果提供了实证结果支撑，证明了碳排放权交易可以有效促进地方制造业绿色全要素生产率的提升；
其中，筛选外商流入资本的质量是其重要影响途径之一。但限于相关研究数据的收集，本文仅在行业层面分析了碳排放权交易市场对制造业绿色全要素生产率的影响。未来随着微观数据的曝光和研究的深入，可以进一步探讨公司层面的政策影响。此外，碳排放权交易市场对不同地区和行业绿色全要素生产率的影响也将是未来研究的重点之一。

参考文献

［1］  郑爽.全国七省市碳交易试点调查与研究［M］.北京：中国经济出版社，2014：1-2.

［2］  习近平.在第七十五届联合国大会一般性辩论上的讲话［N］.人民日报，2020-09-23（003）.

［3］  孙早，宋炜，孙亚政.母国特征与投资动机——新时期的中国需要怎样的外商直接投资［J］.中国工业经济，2014（2）：71-83.

［4］  埃里克·罗斯顿.全球碳排放因为新冠疫情而回落，如今再度回升［EB/OL］.［2021-03-07］.https：//www.fortunechina.com/shangye/c/2021-03/07/content_386829.htm

［5］  易兰，李朝鹏，杨历.中国7大碳交易试点发育度对比研究［J］.中国人口·资源与环境，2018（2）：134-140.

［6］  李治国，王杰，赵园春.碳排放权交易的协同减排效应：内在机制与中国经验［J］.系统工程，2022（3）：1-12.

［7］  周迪，刘奕淳.中国碳交易试点政策对城市碳排放绩效的影响及机制［J］.中国环境科学，2020（1）：453-464.

［8］  余萍，刘纪显.碳交易市场规模的绿色和经济增长效应研究［J］.中国软科学，2020（4）：46-55.

［9］  胡江峰，黄庆华，潘欣欣.碳排放交易制度与企业创新质量：抑制还是促进［J］.中国人口·资源与环境， 2020（2）：
49-59.

［10］  刘传明，孙喆，张瑾.中国碳排放权交易试点的碳减排政策效应研究［J］.中国人口·资源与环境，2019（11）：49-58.

［11］  辛宝贵，高菲菲.生态文明试点有助于生态全要素生产率提升吗？［J］.中国人口·资源与环境，2021（5）：152-162.

［12］  李振洋，白雪洁.产业政策如何促进制造业绿色全要素生产率提升？——基于鼓励型政策和限制型政策协同的视角［J］.产业经济研究，2020（6）：28-42.

［13］  杨俊，邵汉华，胡军.中国环境效率评价及其影响因素实证研究［J］.中国人口·资源与环境，2010（2）：49-55.

［14］  肖攀，李连友，唐李伟，等.中国城市环境全要素生产率及其影响因素分析［J］.管理学报，2013（11）：
1681-1689.

［15］  程中华.集聚经济与绿色全要素生产率［J］.软科学，2015（5）：41-44.

［16］  范丹.中国制造业差异化环境规制策略研究——基于创新力与经济增速均衡视角［J］.宏观经济研究， 2015（5）：83-90.

［17］  王兵，吴延瑞，颜鹏飞.中国区域环境效率与环境全要素生产率增长［J］.经济研究，2010（5）：95-109.

［18］  柴志贤.利用外资、环境约束与中国工业全要素生产率的增长——基于Malmquist指数与Malmquist-Luenberger指数的比较研究［J］.技术经济，2013（1）：64-70.

［19］  楊冕，王银.FDI对中国环境全要素生产率的影响——基于省际层面的实证研究［J］.经济问题探索，2016（5）：30-37.

［20］  吴建新，黄蒙蒙.中国城市经济的绿色转型：基于环境效率和环境全要素生产率的分析［J］.产经评论，2016（6）：98-115.

［21］  汪锋，解晋.中国分省绿色全要素生产率增长率研究［J］.中国人口科学，2015（2）：53-62+127.

［22］  范丹，付嘉为，王维国.碳排放权交易如何影响企业全要素生产率？ ［J］.系统工程理论与实践，2022（3）：591-603.

［23］  尹迎港，常向东.中国碳排放权交易政策促进了地区绿色全要素生产率的提升吗？［J］.金融与经济，2022（3）：60-70.

［24］  VALERIA C， MASSIMILIAN M. On the green and innovative side of trade competitiveness？ The impact of environmental policies and innovation on EU exports［J］. Research Policy， 2011， 41（1）：
132-153.

［25］  傅京燕，胡瑾，曹翔.不同来源FDI、环境规制与绿色全要素生产率［J］.国际贸易问题，2018（7）：134-148.

［26］  何靖.延付高管薪酬对银行风险承担的政策效应——基于银行盈余管理动机视角的PSM-DID分析［J］.中国工业经济，2016（11）：126-143.

［27］  冯杰，张世秋.基于DEA方法的我国省际绿色全要素生产率评估——不同模型选择的差异性探析［J］.北京大学学报（自然科学版），2017（1）：151-159.

［28］  王勇，俞海，张永亮，等.中国环境质量拐点：基于EKC的实证判断［J］.中国人口·资源与环境，2016（10）：1-7.

［29］  DANQUAH M， MORAL-BENITO E， OUATTARA B. TFP Growth and Its Determinants：
A Model Averaging Approach ［J］. Empirical Economics， 2014， 47（1）：
227-251.

［30］  王晶晶.服务业FDI对东道国全要素生产率的溢出效应——基于OECD国家面板数据的门限回归分析［J］.国际经贸探索，2014（9）：33-48.

［31］  安礼伟，蒋元明.长三角区域规划与先进制造业企业全要素生产率——基于PSM-DID模型的经验研究［J］.产业经济研究，2020（4）：45-60.

Carbon emission trading and green total factor productivity of manufacturing industry

Xiao Weiguo   Zhang Yurui

（School of Economics and Management， Wuhan University， Wuhan， Hubei 430072）

Abstract：
With the proposal of the "dual carbon" goal， how carbon emissions trading （ETS） affects high-carbon emission industries， such as the growth of green total factor productivity （GTFP） in manufacturing， has gradually become an important research topic. The double difference method is a common research method to identify the relationship between carbon emissions trading and green total factor productivity in manufacturing in recent years. Based on the pilot carbon emission trading policy in 2014， the study shows that the carbon emission trading policy can significantly promote the development of green total factor productivity in China"s manufacturing industry. Further research finds that carbon emissions trading can have a positive effect on the green total factor productivity of the manufacturing industry by screening the quality of foreign inward direct investment （IFDI）. The robustness test shows that the positive effect of carbon emission trading on the green total factor productivity of China"s manufacturing industry is still valid after considering the setting conditions of the double difference method， the parallel trend test， the counterfact test， and the change of the propensity score matching method.

Key Words：
Carbon emission trading; GTFP of manufacturing industry; Foreign direct investment in China; Double difference method