九大重点行业启动节能降碳改造攻坚行动

根据交易成本经济学，命令控制型规制的执行效率取决于信息不对称程度与监督成本。九大行业中，行业集中度高的行业（如钢铁、电解铝）因企业数量少、监管信息相对透明，合规监督的交易成本较低，规制执行效率应更高。另一方面，根据激励相容理论，国有比重较高的行业，企业目标函数更接近政府社会目标（减排），利润最大化动机较弱，规制合规意愿更强。然而，多任务委托代理模型提示：当企业同时面临产量考核与减排考核时，若考核权重配置不当，可能引发"指标替代"——企业以产量损失换取减排达标。

据此提出以下假说：
- H1：行业集中度越高，节能降碳攻坚的执行效果越好（交易成本渠道）。
- H2：国有资本比重越高的行业，节能降碳合规程度越高（激励相容渠道）。
- H3：盈利能力较低的企业更倾向于以减产而非技术改造来实现减排目标，导致"绿色逆增长"效应（多任务扭曲渠道）。

本文以2026年五部门联合发文冲击作为准自然实验，采用渐进DID识别规制执行的因果效应。核心识别逻辑为：政策针对"钢铁、电解铝、水泥、煤电等"九大行业，具有明确的行业选择标准（高耗能、高碳排放），形成了处理组（九大行业）与对照组（其他高耗能但未被列入的行业，如有色金属冶炼中的部分细分行业）的自然分野。关键识别假定包括：（1）处理组与对照组在政策前具有平行趋势——通过事件研究法检验2026年前行业能耗强度的趋势一致性；（2）政策选择的行业标准是外生的能耗/碳排放规模阈值，非由行业游说内生决定。通过Bacon-Decomp分解检验处理组内部的异质性处理效应，排除"坏比较"的干扰。

基准渐进DID模型设定为：

E_it = α + β Treat_i × Post_t + γ X_it + μ_i + λ_t + ε_it

其中 E_it 为行业 i 在第 t 年的能耗强度（吨标准煤/万元增加值）或碳排放强度（吨CO2/万元增加值）。Treat_i 为二元变量（九大行业=1）。Post_t 为2026年及之后=1。β 为核心参数，预期符号为负（规制降低能耗/碳强度）。X_it 为行业时变控制变量（行业产值增速、利润总额同比、固定资产投资增速）。μ_i 为行业固定效应，λ_t 为年份固定效应。标准误在行业层面聚类。

被解释变量：行业能耗强度（行业能源消费总量/行业增加值，国家统计局能源统计年鉴）；行业碳排放强度（CEADs分行业碳排放/行业增加值）。核心解释变量：Treat_i × Post_t 交互项。控制变量：行业集中度（CR4，前四企业产值占比，来自中国工业统计年鉴）；行业国有资本占比（Wind行业分类下国有企业产值占比）；行业利润率（利润总额/主营业务收入）。样本区间为2020—2028年，年度频率，覆盖约30个工业细分行业（含处理组9个行业和对照组约20个行业）。预计有效观测值约270个行业-年。

• **替换被解释变量**：以单位产出综合能耗（tce/万元）替代能耗强度、以单位产出碳排放替代碳强度，检验结论对能耗/碳排测度方式的敏感度。同时引入万元增加值能耗降幅（年度变化率）作为替代指标，排除水平值中的行业异质性趋势。
• **合成DID估计**：采用Arkhangelsky et al.（2021）的合成DID方法，以政策前行业特征（能耗水平、利润率、国有比重）构建合成对照组权重，放松传统DID的平行趋势线性假定，检验处理效应的稳健性。
• **排除同期政策干扰**：手动梳理2026—2028年期间与高耗能行业相关的其他政策（如碳市场扩容、差别电价调整），在基准方程中逐项加入对应政策虚拟变量，观察β估计值的变化幅度——若β在加入其他政策变量后仍保持稳定符号和显著性，则证实节能降碳攻坚的独立效应。
• **安慰剂检验**：将政策时间节点前移至2024年（虚假冲击），以2020—2025年样本重新估计，预期β不显著——验证2026年真实的政策冲击而非前期趋势驱动了结果。

在财政分权与晋升锦标赛的双重激励下，地方政府面临经济增长与减排达标的多目标权衡。当节能降碳攻坚行动要求关停或限产高耗能企业时，地方政府可能因担忧税收流失与就业冲击而选择性执行——对利税贡献大的企业"睁一只眼闭一只眼"。多部门联合发文虽然提升了政策的权威性，但也增加了部门间协调成本与责任推诿空间（"九龙治水"困境）。行业层面，国有大型企业因与地方政府的历史纽带更易获得非正式豁免；民营企业虽缺乏政治资源，但可能率先通过技术改造换取合规认定以获取政策红利。

据此提出以下假说：
- H1：地方财政收入对高耗能行业的依赖度越高，该省份节能降碳攻坚的执行力度越弱（经济利益竞争减排目标）。
- H2：在省级党代会召开年份，地方官员晋升激励增强，减排执行力度显著提升（政治周期效应）。
- H3：国有资本比重高的行业，企业层面获得的非正式政策缓冲（延迟执行、分期达标）多于民营主导行业（规制俘获渠道）。

核心内生性挑战为反向因果：减排执行力度弱本身可能是高耗能产业结构的结果而非原因。本文采用省级党代会年份作为地方政府减排执行力度的工具变量——党代会年份晋升激励强化的政治周期逻辑具有外生性（由党代会议程而非地方经济状况决定），且通过影响官员行为间接影响减排执行力度，满足排他性约束。第一阶段回归以党代会年份虚拟变量预测减排执行力度，第二阶段估计执行力度对行业能耗/碳强度的因果效应。补充策略：利用2016年中央环保督察制度建立的制度断点，比较督察覆盖前后省份的执行力度差异。

基准模型设定为：

Y_{ipt} = α + β Enforcement_{pt} + γ Political_{ipt} + δ X_{ipt} + μ_i + λ_p + θ_t + ε_{ipt}

其中 Y_{ipt} 为行业 i 在省份 p 第 t 年的能耗/碳排放强度。Enforcement_{pt} 为省份 p 第 t 年的政策执行力度（由文本分析得到的地方实施方案中约束性指标数量与惩罚条款强度构造）。Political_{ipt} 为行业—省份层面的政治关联变量（行业内省级以上人大代表企业产值占比）。关键参数 β 预期为负，γ 预期为正（政治关联削弱执行效果）。μ_i、λ_p、θ_t 分别为行业、省份、年份固定效应。

IV第一阶段：
Enforcement_{pt} = π_0 + π_1 CongressYear_{pt} + π_2 Z_{pt} + ν_{pt}
其中 CongressYear_{pt} 为省份 p 在 t 年是否为省级党代会召开年份（前一年或当年）。

被解释变量：行业—省份层面的能耗强度与碳排放强度（各省统计年鉴、CEADs省级碳核算）。核心解释变量 Enforcement_{pt}：通过对各省政府网站发布的节能降碳攻坚实施方案进行文本分析，提取约束性指标数量（如"2028年单位GDP能耗下降X%"）、惩罚条款强度（是否包含约谈、问责、区域限批等）、时间安排紧度（是否设年度分解目标），经主成分分析构造综合执行力度指数。工具变量 CongressYear_{pt}：省级党代会召开年份（由公开政治日历确定）。企业政治关联：CSMAR数据库中企业高管/实际控制人的政治身份（人大代表、政协委员、党代表），按行业—省份汇总。样本区间为2023—2028年，省份×行业×年份面板。

• **替换文本分析测度方式**：以基于BERT预训练模型的政策文本语义相似度替代词典法构造的执行力度指数，检验文本量化方法对结论的敏感性。
• **安慰剂工具变量**：以省级人代会（非党代会）召开年份作为替代IV——人代会的政治激励强度弱于党代会，预期第一阶段F统计量显著下降，从而验证党代会议程的外生激励逻辑。
• **排除经济周期的混淆**：在基准模型中加入省份GDP增速、工业增加值增速等控制变量，检验政治周期效应是否被经济周期所混淆——若加入经济控制后 CongressYear 系数仍显著，证明纯粹的政治激励效应。
• **分行业子样本回归**：分别在国有主导行业、民营主导行业、外资主导行业子样本中估计基准模型，检验H3关于政治关联异质性的稳健性。

波特假说（Porter & van der Linde, 1995）挑战了新古典"环境规制必然增加成本"的传统观点，提出严格但设计合理的规制可通过诱发创新来提升企业的长期竞争力。Acemoglu et al.（2012）的诱导创新理论进一步指出，当规制提高了高碳生产要素的相对价格时，企业有激励将研发活动从棕碳技术转向绿色技术。然而，波特效应并非必然——其实现需要三个条件：（1）规制强度足够高以形成真实的创新压力；（2）企业具备吸收和转化创新的能力（技术吸收能力）；（3）市场竞争压力足够大以驱动企业将创新转化为效率收益。九大行业的节能降碳攻坚以1亿吨标准煤和2亿吨CO2的量化目标为约束，提供了检验波特效应的绝佳场景。

据此提出以下假说：
- H1（波特效应弱版本）：列入攻坚名单的行业，企业绿色专利申请量在政策后显著增加。
- H2（波特效应强版本）：绿色专利增加进一步传导为企业TFP的提升——即技术创新在规制与TFP之间起正向中介作用。
- H3（异质性）：行业技术吸收能力越强（以研发投入强度、高学历员工占比衡量），波特效应越显著；行业利润率越低、短期合规压力越大的行业，遵循成本效应可能压倒波特效应。

本文以2026年五部门联合发布攻坚行动为政策冲击时点，采用双重差分法识别因果效应。处理组为九大行业中规模以上工业企业，对照组为未纳入攻坚名单的其他高耗能行业企业（如部分有色金属冶炼、化工细分行业）。核心识别挑战：（1）处理组和对照组企业的选择可能非随机——进入攻坚名单的行业本身能耗水平更高，若无政策干预，其TFP可能已有下行趋势；（2）企业可能预期到政策而提前调整行为。为此，通过事件研究法检验政策前处理组与对照组的TFP平行趋势，并加入行业—年份联合固定效应吸收产业层面时变冲击。中介效应检验采用Baron & Kenny三步法配合Sobel检验，并以Bootstrap法校正标准误。

基准DID模型：

TFP_{it} = α + β Treat_i × Post_t + γ X_{it} + μ_i + λ_t + ε_{it}

其中 TFP_{it} 为企业 i 在 t 年的全要素生产率（LP法测算）。Treat_i 为处理组虚拟变量（所属行业在九大名单中=1），Post_t 为2026年及之后=1。核心参数 β 的正负和显著性将决定遵循成本效应（负）还是波特效应（正）占主导。X_{it} 为企业层面的控制变量（企业规模、企业年龄、资产负债率、出口占比）。

中介效应检验：Patent_{it} = α_1 + β_1 Treat_i × Post_t + γ_1 X_{it} + FE + ε（路径a：规制→创新）
TFP_{it} = α_2 + β_2 Treat_i × Post_t + θ Patent_{it} + γ_2 X_{it} + FE + ε（路径b+c：直接效应+中介效应）
若 β_1 和 θ 同时显著且 β_2 的绝对值小于 β，则技术创新具有显著中介效应。

被解释变量 TFP：以企业营业收入为产出变量、固定资产净值和员工人数为资本和劳动投入、中间投入为代理变量，采用Levinsohn-Petrin（LP）半参数法估算企业层面的全要素生产率（对数形式）。核心解释变量：Treat_i × Post_t。中介变量 Patent_{it}：企业当年申请的绿色专利数量（按IPC分类号匹配WIPO绿色专利清单，取对数）。控制变量：企业规模（总资产对数）、企业年龄、资产负债率、出口交货值占比。样本来自中国工业企业数据库（2018—2028年，年销售收入2000万元以上企业），剔除异常值（资产负债率>1、从业人数<10），预计有效观测值约50万企业-年。

• **替换TFP测算方法**：分别以OLS残差法、Olley-Pakes（OP）法和Ackerberg-Caves-Frazer（ACF）法替代LP法测算TFP，检验波特效应的结论是否对生产函数估计方法敏感。
• **替换创新测度**：以绿色专利授权量替代申请量、以绿色实用新型专利与绿色发明专利分别检验，区分"实质性创新"与"策略性创新"，验证波特假说的强度差异。
• **排除规模效应**：按企业规模（大型/中型/小型）分样本回归，检验波特效应是否仅由大型企业驱动（因其研发能力与规模经济优势）——若中小型企业子样本波特效应仍显著，说明规制效应的广泛性。
• **动态处理效应**：将 Post_t 分解为政策后各年虚拟变量（Post2026、Post2027、Post2028），观察处理效应的动态演变——波特效应可能随时间推移从短期遵循成本效应转向长期创新补偿效应。

根据Davis-Haltiwanger-Schuh的就业创造与破坏理论，技术变革和环境规制冲击同时引致就业创造与就业破坏——关键在于净效应及其在技能、行业、地区维度的分布。Acemoglu & Autor的任务框架进一步揭示了关键机制：节能降碳改造本质上是企业以低能耗资本设备替代高能耗旧设备的过程，这会改变工作任务的需求结构——重复性、操作性的传统生产任务可能被自动化替代（就业破坏），而设备维护、能效监测、碳核算等技术密集型任务的需求将上升（就业创造）。

搜寻匹配模型提示，从被破坏的"棕碳岗位"中被释放的劳动者，因技能不匹配可能面临较长的失业持续期和工资折价——即结构性失业而非摩擦性失业。这种就业再配置的摩擦成本是绿色转型的重要社会成本。

据此提出以下假说：
- H1：节能降碳攻坚后，九大行业企业的就业总量短期内净减少（就业破坏效应大于创造效应），但绿色技能相关岗位占比逐渐上升。
- H2：从九大行业流出的劳动者，转入其他行业后面临工资折价（相对于原行业可比岗位），折价幅度与个人技能可迁移性负相关。
- H3：具有大专及以上学历的劳动者从就业破坏中恢复（再就业）的速度快于低学历劳动者，且再就业工资折价更小（技能偏向性再配置）。

就业效应的因果识别面临企业层面自选择的挑战：高生产效率企业本身可能同时实施节能改造和优化用工结构，无法区分是政策还是企业自身调整所致。本文利用政策覆盖的行业外生性——九大行业的选择基于行业整体能耗水平这一外生阈值而非企业自选——以行业层面Treat×Post作为企业层面劳动需求变化的工具变量。在企业层面，使用DID以政策冲击年份（2026年）为断点，比较九大行业内企业与对照组企业劳动需求的变化差异。

个体层面，使用CFPS/CLDS追踪数据中劳动者在政策前后行业变动的个体固定效应模型，以是否在九大行业就业作为处理变量，识别政策对个体工资和就业状态的影响。双重差分—倾向得分匹配（PSM-DID）处理企业进入攻坚名单的选择性偏误。

企业层面基准模型：

ΔEmp_{it} = α + β Treat_i × Post_t + γ X_{it-1} + μ_s + λ_t + ε_{it}

其中 ΔEmp_{it} 为企业 i 在 t 年的就业增长率（对数差分）。Treat_i × Post_t 为核心交互项。β 预期为负（就业破坏多于创造）。μ_s 为行业细分固定效应，λ_t 为年份固定效应。

就业动态分解：
Job Creation Rate = Σ_{e∈C} ΔEmp_{et} / Total_t
Job Destruction Rate = Σ_{e∈D} |ΔEmp_{et}| / Total_t
Excess Reallocation = Creation + Destruction - |Net Change|

个体Mincer工资方程：
ln(wage_{ijt}) = α + δ GreenJob_{jt} + θ Post_t × NineIndustry_i + φ X_{it} + μ_i + λ_t + ε_{ijt}
其中 δ 捕捉绿色技能溢价，θ 为九大行业劳动者在政策后的工资折价。

被解释变量（企业层面）：企业雇佣人数增长率（对数差分）、企业人均工资（工资总额/从业人数对数）。被解释变量（个体层面）：劳动者是否就业（0/1）、年工资收入对数。核心解释变量：企业所属行业是否在九大名单中（Treat_i），政策年度 Post_t（≥2026=1）。绿色岗位识别：基于O*NET中国化映射，将职业分为绿色增强型（现有职业技能升级）和绿色新兴型（全新职业），以CLDS个体职业信息匹配。

数据来源：企业层面来自中国工业企业数据库（2018—2028年）+ 全国税收调查数据；个体层面来自CFPS（每两年追踪）和CLDS（劳动力动态调查），匹配劳动者行业、职业、工资、教育信息。样本区间为2020—2028年，企业面板预计约8万家企业，个体追踪预计约3万劳动者。

• **替换就业测度**：以社保缴纳人数（全国税收调查数据中的企业社保登记人数）替代企业报表从业人数，避免企业劳动统计口径不一致（含/不含劳务派遣、临时用工）带来的测量误差。
• **事件研究法**：以企业层面岗位创造/破坏率的年度时间序列，在2026年前后做事件研究图，直观展示就业效应的动态演变，同时验证政策前无预期效应（即无Ashenfelter's dip）。
• **个体层面替换识别策略**：以行业—地区交叉层面的政策冲击强度（行业能耗水平×省级节能目标严厉程度）作为个体就业的连续处理变量，替代二元Treat×Post，估计政策强度对就业的剂量反应关系。
• **排除劳动力市场其他政策干扰**：加入省份层面的最低工资调整、失业保险金标准等劳动市场制度变量，检验节能降碳的就业效应是否为独立效应而非其他劳动政策变动的混淆。

在新古典环境经济学框架下，碳排放可被视为一种非期望产出（bad output），其影子价格衡量企业减少一单位碳排放所放弃的期望产出价值——即边际减排成本（MAC）。Chambers, Chung & Färe（1996）提出的方向距离函数提供了在同时增加期望产出和减少非期望产出的方向下估算影子价格的方法论基础。Baumol & Oates（1988）的环境规制效率理论指出：当不同排放源的边际减排成本存在显著异质性时，统一的价格信号（碳市场碳价）比统一的行政命令（各行业均等减排比例）更具成本有效性——减排应优先在边际成本最低的行业进行。

九大行业在技术结构、能源依赖度和替代可能性方面存在显著差异：钢铁行业有电炉短流程替代高炉长流程的技术选项，而水泥行业的工艺碳排放（碳酸钙分解）难以通过燃料替代消除。这些技术差异意味着行业间边际减排成本必然存在巨大异质性。

据此提出以下假说：
- H1：九大行业之间的碳排放影子价格存在显著异质性，水泥、电解铝的边际减排成本高于钢铁和煤电（因工艺碳排放占比差异）。
- H2：在当前的全国碳市场碳价水平（约60—80元/吨CO2）下，若以碳市场交易替代部分行政命令减排量，可节约总减排成本15%—30%。
- H3：九大行业边际减排成本的排序可为碳市场扩容提供经济效率依据——优先将边际减排成本最低的行业（钢铁、煤电）纳入碳市场，以行政命令覆盖边际减排成本最高的行业（水泥），形成行政与市场的混合治理最优组合。

碳排放影子价格的估计核心是环境生产技术的识别——即在给定投入（资本、劳动、能源）下，期望产出（工业总产值）与非期望产出（碳排放）之间的生产可能性边界。使用非参数数据包络分析（DEA）框架下的方向距离函数，设定方向向量为 g = (y, −b)，即同时最大化期望产出和最小化非期望产出。影子价格由方向距离函数对期望产出和非期望产出的偏导数之比导出：q = p · (∂D/∂b) / (∂D/∂y)，其中 p 为期望产出的市场价格（以行业产品出厂价格指数替代）。

为处理DEA的敏感性，同时采用参数化的二次型方向距离函数（二次规划估计），以便推导统计推断（标准误、置信区间）。两种方法的估计结果相互校验。

二次型方向距离函数参数形式：

D(x, y, b; g) = α₀ + Σαₙxₙ + β₁y + γ₁b + (1/2) ΣΣαₙₘxₙxₘ + (1/2)β₂y² + (1/2)γ₂b² + Σδₙxₙy + Σηₙxₙb + μyb

其中 x 为投入向量（资本 K、劳动 L、能源 E），y 为期望产出（工业总产值），b 为非期望产出（CO2排放量）。方向向量 g = (1, −1)，即沿期望产出增加、非期望产出减少方向。

参数估计通过线性规划最小化各观测点到生产前沿面的距离之和，约束条件包括单调性（∂D/∂y ≥ 0, ∂D/∂b ≤ 0）和转换性质（D(x, y+α, b−α; g) = D(x, y, b; g) − α）。

碳排放影子价格：
q_b = −p_y · (∂D/∂b) / (∂D/∂y)
其中 p_y 为行业产品出厂价格指数（国家统计局），q_b 的经济含义为减少一吨CO2排放所放弃的产出价值。

投入变量：资本存量 K — 行业固定资产净值年均余额（中国工业统计年鉴），经永续盘存法调整；劳动投入 L — 行业从业人员年平均人数（中国工业统计年鉴）；能源投入 E — 行业能源消费总量（万吨标准煤，国家统计局能源统计年鉴）。期望产出 y — 行业工业总产值（不变价，以2018年为基期的分行业出厂价格指数平减）。非期望产出 b — 行业CO2排放量（CEADs中国碳核算数据库，按IPCC方法计算的行业化石燃料燃烧排放+工艺排放）。

样本为九大行业及对照组高耗能行业2015—2025年的年度数据（2026年前的行业面板，用于估计政策前影子价格分布），预计约200个行业—年观测值。碳市场价格：全国碳排放权交易市场（上海环境能源交易所）日度碳配额成交均价，取年度均值。

1. 替换距离函数方法：以随机前沿分析（SFA）的产出距离函数替代DEA方向距离函数，对比非参数与参数方法的影子价格估计结果。SFA可区分随机误差与无效率项，对异常值更稳健。
2. 替换碳价参照：分别以全国碳市场碳价（覆盖电力行业）、北京/广东等试点碳市场碳价（覆盖更多行业）作为市场价格参照，计算行政减排相对于不同碳市场情景的成本超额。同时做碳价敏感性分析（碳价从50元波动至150元/吨），绘制不同的最优减排分配方案。
3. 替代资本测算方法：以行业折旧率—投资法替代账面净值法测算资本存量，检验资本投入测度方式对影子价格估计的敏感性。
4. Bootstrap置信区间：对非参数DEA估计的影子价格进行Bootstrap重抽样（1000次），构造影子价格的95%置信区间，确保行业间影子价格差异具有统计显著性而非抽样噪声。
---
date: 2026-06-15
field: 产业经济 — 消费与服务业
source: 新闻联播
source_url: https://tv.cctv.com/2026/06/15/VIDEYSpe8a1Kuxo5iYDdgBBl260615.shtml
topics_count: 5
---