The impact of China's clean energy demonstration provincial policies on carbon emissions and reduction paths under the goals of carbon peaking and carbon neutrality

WANG Wenjun; KOU Chenlu; ZHANG Shiqi

doi:10.15983/j.cnki.jsnu.2025505

Journal of Shaanxi Normal University(Natural Science Edition) >

2025 , Vol. 53 >Issue 5: 54 - 67

DOI: https://doi.org/10.15983/j.cnki.jsnu.2025505

The impact of China's clean energy demonstration provincial policies on carbon emissions and reduction paths under the goals of carbon peaking and carbon neutrality

WANG Wenjun ^,¹^,²^,^* ,
KOU Chenlu ¹ ,
ZHANG Shiqi ¹

Expand

¹ International Business School, Shaanxi Normal University, Xi'an 710119, Shaanxi, China
² School of Management,Yulin University, Yulin 719000, Shaanxi, China

Received date: 2025-03-05

Online published: 2025-09-24

Fold

Abstract

In 2016, the National Development and Reform Commission and the National Energy Administration proposed the construction of clean energy demonstration provinces and regions, and planned key pilot provinces, aiming to reduce the level of carbon emissions across the country. In order to clarify the implementation of clean energy demonstration provincial policies can effectively curb carbon emissions in the pilot areas, the impact of the implementation of clean energy demonstration provincial policies on carbon emissions was studied with the help of a multi-period DID model based on provincial panel data from 2005 to 2022. The results showed that the regression coefficient of the carbon emission reduction effect of the clean energy demonstration province policy was significantly negative(P<0.05), indicating that the clean energy demonstration provincial policy had a significant inhibitory effect on the carbon emission level of the pilot areas. In addition, through the parallel trend test, it also concluded that there was a time lag in the implementation effect of the clean energy demonstration provincial policy, and the impact effect gradually increased with time. Robustness test, intermediary effect test and heterogeneity analysis were carried out to verify the impact of technical level, industrial pollution control level, business environment and other factors on the carbon emission reduction effect of the policy.

Key words： the goals of carbon peaking and carbon neutrality; clean energy demonstration provincial policy; carbon emissions; multi-period difference-in-difference model

Cite this article

WANG Wenjun , KOU Chenlu , ZHANG Shiqi . The impact of China's clean energy demonstration provincial policies on carbon emissions and reduction paths under the goals of carbon peaking and carbon neutrality[J]. Journal of Shaanxi Normal University(Natural Science Edition), 2025 , 53(5) : 54 -67 . DOI: 10.15983/j.cnki.jsnu.2025505

近年来,全球变暖成为全世界面临的首要气候问题。联合国政府间气候变化专门委员会(IPCC)报告指出2006—2015年全球平均气温比工业化之前的月平均气温上升了0.87 ℃,而根本原因就是工业化后全球日益增多的二氧化碳(CO₂)等温室气体的排放^[1]。欧洲城市在应对气候变化上多有尝试,如在2021年底欧盟低碳城市试点政策通过“先锋城市”的示范作用,呼吁和帮助欧盟地区城市尽快加入气候中和队伍,为有意向的城市提供有关碳中和与智慧城市发展路径和政策框架的指导意见,加速全欧洲的绿色转型 ^① )。作为碳排放大国,中国也为环境气候问题做出了不懈努力。2020年9月,习近平主席提出我国二氧化碳排放力争2030年前达到峰值,努力争取2060年前实现碳中和^[2]。

就目前的能源发展现状来看,化石能源仍是我国能源消费的主体,因此提高非化石能源消费比重是我国碳排放量多寡的关键和根本。要降低化石能源消费比重又不影响生产生活对能源的需求,最重要的方式就是增加清洁能源的使用。为使我国早日实现“双碳”目标,国家发展和改革委员会、国家能源局于2016年12月印发了《能源发展“十三五”规划》,提出将建设清洁能源示范省区建设工程列入能源消费革命重点工程,并规划了重点试点省份。通过建设清洁能源示范省,考虑试点地区的实际情况与资源禀赋,探索合适的清洁能源发展道路,或通过产业结构调整,或建设风能水能基地,或大力提升科技创新,推动清洁能源示范省政策试点地区加快构建清洁低碳、安全高效的能源体系,在经济高质量发展的同时兼顾绿色与效率,最终实现以点带面,制定和实施适应中国国情的清洁能源发展模式。

当前,浙江省、四川省、甘肃省、宁夏回族自治区及青海省5个省份被规划为清洁能源示范省政策重点试点省份。其中,2012年宁夏回族自治区成为第一个试点区,并被定义为集中式清洁能源产业区;2014年,浙江省划入国家清洁能源示范省,并提出将其打造成为海洋能+分布式能源创新区;2016年,分别提出将四川省创建成为国家“风光水储一体化”开发试验区、将甘肃省创建成为国家风光电基地跨省消纳示范区;2018年,青海省成为国家清洁能源产业高地,并作为“100%清洁能源供电先行区”进行开发与试验。建立清洁能源示范省政策试点区,实现能源绿色发展,构建轻污染、高质量的能源体系,成为目前中国能源转型的重要绿色发展议题。

在环境与经济的关系研究中,国内一些学者基于环境库兹涅茨曲线理论进行了实证分析,发现在中国经济发展的初始阶段,随着能源等资源的大量消耗,逐渐出现了一系列环境污染问题^[3-4]。要改变这种特征,政策的干预就显得尤为重要,清洁能源等政策也相继应运而生。就清洁能源政策的减排效应而言,Li等^[5]发现清洁能源发电比重的增加,有利于碳减排和能源结构调整;韩楠和罗新宇^[6]采用系统动力学方法构建区域碳排放分析模型,通过识别关键驱动因子并解析其耦合关系,设计6种差异化发展情景,重点评估不同政策组合对京津冀都市圈碳中和进程的影响效应;岳立等^[7]基于2003—2019年中国30个省的面板数据,利用多期双重差分模型进行能源政策对碳排放的效应评估。就清洁能源政策的成本有效性而言,Song等^[8]基于省级面板数据,从国家层面、区域异质性、资源禀赋异质性角度探讨风电政策的直接与间接有效性。此外,能源政策具有创新诱导效应,Belaid等^[9]发现能效政策通过改进低温冷凝锅炉和楼板保温等技术获得成本效益;杜强等^[10]基于蒙特卡洛模拟处理参数不确定性,生成碳排放概率分布曲线,以此来预测中国未来的碳排放水平,设定煤炭消费“绝对量红线”,将新能源消纳权重纳入地方政府考核。对于能源政策的影响因素研究,冯俊华等^[11]从用户和部门单一角度出发分析了能效提高的影响因素及回弹效应;李嘉欣等^[12]构建社会水循环碳核算体系及碳排放综合测算模型,估算了社会水循环全生命周期能源消耗和碳排放;古作良等^[13]构建了碳排放与耗水关联模型,计算东平湖流域用水、碳排放量和排放强度;张艳芳等^[14]基于IPCC清单法和投入产出模型,核算了陕西省居民消费的直接和间接碳排放,并分析了居民消费碳排放的结构与动态特征。

“清洁能源示范省”政策是中国能源政策实施的重要手段,是推动绿色低碳转型、促进可持续发展而采取的一个重要举措。实施清洁能源示范省政策是否能够有效抑制试点地区碳排放?本文基于2005—2022年省级面板数据,结合DID模型研究清洁能源示范省政策对试点地区碳排放量的影响,并通过双向固定效应模型、稳健性检验、中介效应检验等方法来探究清洁能源示范省政策的实施对试点地区碳排放的影响及其异质性,以期为我国实现“2030碳达峰”“2060碳中和”的减排目标,优化能源结构,实现能源、经济、环境的协调和可持续发展提供参考。

1 研究假设与研究设计

1.1 研究假设

随着生态文明建设理念的深入人心以及应对全球气候变化的迫切需求,建设清洁能源示范省成为一项极具战略意义的举措。清洁能源的开发利用能够在很大程度上减少二氧化碳的排放,进而缓解全球气候问题^[15]。因此,在清洁能源示范省政策实施过程中,试点地区积极响应政策号召,纷纷开展能源革命,根据自身条件大力开发并运用风能、水能、太阳能、潮汐能等清洁能源,踊跃投身新能源及再生能源技术的研发与实践中。例如,宁夏回族自治区在成为清洁能源示范省试点地区以来,积极践行国家能源发展政策理念,大力发展清洁能源,积极推进宁东煤炭基地、现代煤化工基地等工程建设;四川省以长江、嘉陵江、金沙江等流域为重点进行水资源的开发与利用,进行了世界级水电基地与多能互补系统创新,构建了以清洁能源为核心的产业生态体系,规模以上企业水力发电量3 583.3亿千瓦时,装机规模和年发电量均居全国第一;青海省则形成了“高比例可再生能源系统+生态协同+市场创新”相互兼容的独特模式,成为我国清洁能源发展历程中乃至全世界的新典范。

此外,清洁能源示范省政策的实施会激励试点地区政府加大研发活动的财政投入力度、外商对试点地区的投资力度、企业创造科技成果的研发力度等,能够很好地营造节能减排的政策环境,激发人们的环保意识,提升全社会的技术创新能力。清洁能源示范省政策的实施还会促使当地政府重视对其工业污染进行治理,加大污染治理投资力度,进而从末端治理的角度减少碳排放量,对清洁能源示范省政策的碳减排效应具有重要作用^[16]。

在清洁能源示范省政策的全面推进与落实进程中,营商环境犹如一个关键的“调节阀”,深刻地影响着两者之间的内在关联;数字经济通常包括信息技术、大数据、人工智能、物联网等技术的集成与创新,这些技术不仅能推动经济的转型升级,还能在清洁能源领域中发挥重要作用。因此,在清洁能源示范省政策的实施过程中,因营商环境、数字化程度等因素所产生的碳减排效应也有所差异。例如浙江省位于我国沿海地区,自成为清洁能源示范省政策试点省份以来,高度重视可再生能源的开发与利用,不断提升能源转化利用效率,凭借自身良好的营商环境和发达的数字化水平较好地完成了能源结构转型的任务;而甘肃省由于经济发展水平较为落后,营商环境和数字化水平较低,清洁能源结构化转型存在一定的阻碍。

综上,提出以下研究假设。

H1:实施清洁能源示范省政策能够显著抑制试点地区的碳排放水平。

H2:清洁能源示范省政策试点地区能通过提高技术创新水平显著抑制试点地区的碳排放水平。

H3:清洁能源示范省政策试点地区能通过提高工业污染治理投资水平显著抑制试点地区的碳排放水平。

H4:营商环境越好的地区实施清洁能源示范省政策,越能抑制碳排放水平。

H5:数字化程度越高的地区实施清洁能源示范省政策,越能抑制碳排放水平。

1.2 模型构建

在广泛阅读相关文献的基础之上,参考秦臻等^[17]和周衍平等^[18]的研究,首先采用多期DID模型验证清洁能源示范省政策对碳排放的影响,其次通过中介效应模型分析其减排作用机制,最后以地域划分对其区域异质性进行分析,并基于实证研究提出结论和建议。

双重差分法是一种常见的因果效应估计法,它通过差上作差的方法,同时消除时间固定和组间双重固定所带来的影响,得到政策的真实效应,被广泛用于评估政策实施带来的影响。双重差分模型的一般形式为

(1)Y=α₀+α₁T+α₂P+α₃T×P+ε。

式中:α₀为常数项;ε为扰动项;Y是评估政策实施效应时主要关注的指标,在文中指CO₂排放量;T表示政策虚拟变量,当T为0时,表示该地未实施此类政策,当T为1时,表示该地实施此类政策;P代表时间虚拟变量,P为0表示该地实施此类政策前,P为1表示该地实施此类政策之后;T×P即为政策交互项DID,是双重差分模型中所关注的核心指标,也是本文中的解释变量,通过观察其对被解释变量的回归系数的正负以及显著性,可以得到此类政策的实施效果。

模型中,处理组为实施清洁能源示范省政策的省份,控制组为未实施政策的省份,政策实施省份和时间以国家能源局正式批复为准(宁夏回族自治区为2012年、浙江省为2014年、四川省和甘肃省为2016年、青海省为2018年)。根据解释变量指标数据可得性,选定时间跨度为2005—2022年,将宁夏回族自治区、浙江省、甘肃省、青海省作为处理组,其余25个省份作为控制组(四川省关键变量数据缺失,故从处理组中剔除;西藏自治区以及港澳台地区关键变量数据缺失,故从控制组中剔除)。

基于以上分析,设置T和P两个虚拟变量,令处理组T=1、控制组T=0、政策实施后的年份P=1、实施政策前的年份P=0,利用虚拟变量生成交互项DID,DID的值为T与P的乘积。由此,设定多期DID模型为

(2)Y_it=β₀+β₁P_i×T_t+γC_it+P_i+T_t+ε_it。

式中:β₀为常数项;ε_it为扰动项,i、t分别表示省份和年份;被解释变量Y_it指碳排放量;解释变量

P i × T t

即交互项DID,表示省份i在年份t是否实施清洁能源示范省政策的虚拟变量,试点省份i在年份t开始实施试点政策的当年和此后各年取值为1,否则为0;C_it是由多个控制变量构成的向量集;P_i表示省份固定效应;T_t表示年份固定效应;β₁表示处理组在实施政策后变量的变动程度,体现政策的变动效应,当其显著为正时,说明政策的实施对碳排放起促进作用,当其显著为负时,说明政策的实施对碳排放起抑制作用。

1.3 样本选择与数据处理

选取2005—2022年中国清洁能源示范省政策试点及非试点的各省份地区为研究样本,同时为了保证结果的可靠性,剔除了关键数据缺失的四川省、西藏自治区、港澳台地区,共30个省份。

中国清洁能源示范省作为政策实施重点地区,其碳排放量具有代表性,本文直接采用CO₂排放量作为碳排放的衡量指标。中国清洁能源示范省政策试点地区数据来源于国家能源局发布的《能源发展“十三五”规划》,计算碳排放量所用的8种能源终端消费数据来源于2005—2022《中国能源统计年鉴》,其余数据均来源于国家统计局官方网站、各省统计年鉴等。使用Stata 17.0进行清洁能源示范省政策试点省份与实施年份双重固定效应回归。

1.4 变量说明

1.4.1 被解释变量

本文的核心被解释变量为碳排放量(Y),从当前国内外学者对碳排放的研究来看,CO₂排放量、CO₂排放强度等通常被视为衡量碳排放水平的核心指标^[19],本文直接采用CO₂排放量作为碳排放的衡量指标。参照刘贤赵等^[20]的研究,基于8种主要化石能源,结合标准煤折算系数,采用IPCC公布的碳排放因子对2005—2022年30个省份碳排放量进行估算。

1.4.2 解释变量

本文选取的核心解释变量是清洁能源示范省政策(X₁)。

1.4.3 中介变量

技术创新水平(X₂)。国内专利申请量是广泛用来衡量技术创新水平的指标。国内专利申请量反映了各主体积极投入创新活动、探索新技术的活跃程度与创新意愿强度,展示了创新资源的投入规模和创新活动的开展热度。因此,本文采用国内专利申请量来表示技术创新水平。

工业污染治理投资水平(X₃)。工业污染治理投资直接关系到污染物的排放水平、能源使用效率及环境质量,从而对清洁能源政策的实施及碳减排目标的达成起到推动作用。本文根据工业污染治理完成投资额占每千元工业增加值的比重来衡量工业污染治理投资水平。

1.4.4 控制变量

参考现有文献,本文选取GDP(X₄)、人口密度(X₅)、产业结构(X₆)、能源消耗总量(X₇)、能源结构(X₈)、城镇化水平(X₉)作为控制变量。

1.4.5 新增控制变量

为进一步检验结果的稳健性,本文还选取财政支持力度(X₁₀)、外商直接投资水平(X₁₁)、城乡居民收入差距(X₁₂)3个变量作为新增控制变量。

上述的全部变量如表1所示。

表1 变量定义表

Tab.1 Variable definition table

变量类型	变量名称	定义	单位
被解释变量	碳排放量(Y)	二氧化碳排放总量的自然对数
解释变量	清洁能源示范省政策(X₁)	即为T×P交互项,其中T若为清洁能源示范省试点省份取值为1,否则取0;P若为试点省份建设时间及之后取值为1,否则为0	虚拟变量
中介变量	技术创新水平(X₂)	国内专利申请量(件)的自然对数
	工业污染治理投资水平(X₃)	工业污染治理完成投资额占每千元工业增加值的比重	%
控制变量	国内生产总值(X₄)	GDP的自然对数
	人口密度(X₅)	地区人口总量占地区总地理面积的比重	%
	产业结构(X₆)	第三产业产值/第二产业产值	%
	能源消耗总量(X₇)	能源消耗总量的自然对数
	能源结构(X₈)	煤炭能源消费占能源消费总量的比重	%
	城镇化水平(X₉)	年末的城市常住人口数与乡镇常住人口数的比值	%
	财政支持力度(X₁₀)	地方政府一般公共预算占地方GDP的比重	%
	外商直接投资水平(X₁₁)	外商直接投资额占地方GDP的比重	%
	城乡居民收入差距(X₁₂)	城镇居民人均可支配收入—农村居民人均可支配收入	元/人

变量的描述性结果如表2所示。总体样本观测值共有510个,碳排放量均值为10.190,标准差为0.572,最小值为8.704,最大值为11.012,说明不同地区的碳排放量存在明显差异,因此回归中涉及的各项变量分布较为合理。

表2 描述性统计

Tab.2 Descriptive statistics

变量	样本量	均值	标准差	最小值	最大值
碳排放量(Y)	510	10.190	0.572	8.704	11.012
国内生产总值(X₄)	510	27.940	1.020	25.198	30.010
人口密度(X₅)	510	5.469	1.313	2.053	8.266
产业结构(X₆)	510	1.134	0.624	0.549	4.165
能源消耗总量(X₇)	510	9.324	0.700	7.215	10.600
能源结构(X₈)	510	3.338	2.384	0.380	9.700
城镇化水平(X₉)	510	0.563	0.138	0.299	0.893
财政支持力度(X₁₀)	510	0.238	0.110	0.092	0.758
外商直接投资水平(X₁₁)	510	0.023	0.021	0.000	0.121
城乡居民收入差距(X₁₂)	510	2.676	0.460	1.827	4.213

2 结果分析

2.1 平行趋势检验

在使用多期DID模型前,需要先使用平行趋势检验(parallel trend test)来检验在未经过处理的情况下,处理组中的个体与控制组中的个体是否在时间变动上具有相同或大致相同的变动趋势。当政策实施节点前后的两组数据未表现出明显差异时,就说明该模型通过了平行趋势检验。与传统双重差分不同,多期DID中不同个体的政策实施时间不同,这就给绘制时间趋势图造成了困扰,所以事件研究法成了多期双重差分模型平行趋势检验的不二选择。本文采用事件分析法来对本文构建的多期DID模型进行平行趋势检验。

表3表明,在政策实施之前清洁能源示范省政策(X₁)与碳排放(Y)呈非显著相关,且回归系数在0附近波动;在政策实施之后清洁能源示范省政策(X₁)与碳排放(Y)在显著性1%的水平下呈负相关,说明本文所选取的观测样本满足X₁的假设前提,通过了平行趋势检验。

表3 平行趋势检验

Tab.3 Parallel trend test

变量	Y
$X 1 (- 3)$	0.092 3 (1.440 5)
$X 1 (- 2)$	-0.053 5 (-0.536 5)
$X 1 (- 1)$	-0.111 8 (-1.585 4)
$X 1 (0)$	-0.105 8 (-1.158 1)
$X 1 (1)$	0.032 3 (0.305 5)
$X 1 (2)$	-0.170 0^*** (-3.812 7)
$X 1 (3)$	-0.627 0^*** (-2.959 8)
国内生产总值(X₄)	0.064 1 (0.773 4)
人口密度(X₅)	-0.206 6 (-0.854 4)
产业结构(X₆)	0.114 8 (1.493 0)
能源消耗总量(X₇)	0.199 9 (1.166 4)
能源结构(X₈)	-0.044 3 (-1.486 9)
城镇化水平(X₉)	0.444 0 (1.187 2)
控制变量集	7.461 2^*** (3.444 9)
观测量	510
R²	0.908 7
省份固定效应	是
年度固定效应	是

注: $X 1 (- 3)$ 、 $X 1 (- 2)$ 、 $X 1 (- 1)$ 、 $X 1 (0)$ 、 $X 1 (1)$ 、 $X 1 (2)$ 、 $X 1 (3)$ 分别表示清洁能源示范省政策实施前3年、前2年、前1年、当年、后1年、后2年、后3年。括号内为t值,***表示P<0.01。

对比控制组,处理组的碳排放量在清洁能源示范省政策实施第2年、第3年呈现显著下降趋势,但是政策实施后的第1年,处理组的碳排放量未呈下降趋势,说明清洁能源示范省政策实施效果具有一定的时滞性。出现这种时滞性的原因可能在于:清洁能源示范省政策实施第1年,才开始加大清洁能源开发与利用的投资水平,各示范省份初步设立地区对策,未能达到碳排放量减少的效果。

为了进一步直观展示平行趋势检验结果,本文结合Stata软件中coefplot命令绘制了清洁能源示范省政策实施前4年到政策实施后3年这一时间段内的回归系数值动态趋势图,如图1所示。政策实施前的4年,其回归系数值的置信区间均在0附近波动(包含0),这表明实施政策之前,实验组和处理组之间样本数据不存在显著差异,符合平行趋势假定要求;而政策实施之后的几年,回归系数置信区间不含0,这充分说明了实验组和处理组之间的差异是政策实施的效果,不过存在一定的滞后效应。

显示原图|下载原图ZIP|生成PPT

图1 平行趋势检验图

Fig.1 Parallel trend test chart

2.2 清洁能源示范省政策对碳排放的抑制效应分析

本文采用双固定效应下的多期DID模型验证清洁能源示范省政策对碳排放的影响,基准回归结果如表4所示,表中(1)、(2)、(3)、(4)列分别表示在不同的控制因素下假设H1的回归结果。由表4可知,清洁能源示范省政策与碳排放量在显著性1%的水平下呈负相关,以上4个模型采用了逐步递进的方式来对控制变量进行处理,以此来探究在不同影响因素下清洁能源示范省政策是否显著抑制碳排放水平。

表4 基准回归分析

Tab.4 Benchmark regression analysis

变量	(1)	(2)	(3)	(4)
清洁能源示范省政策(X₁)	-0.613 8^***	-0.359 1^***	-0.366 9^***	-0.357 9^***
	(-6.084 4)	(-2.770 5)	(-5.026 4)	(-2.793 9)
国内生产总值(X₄)			0.261 0^***	0.118 1
			(6.201 1)	(1.376 9)
人口密度(X₅)			0.182 6^***	-0.350 7
			(9.921 4)	(-1.023 8)
产业结构(X₆)			0.151 6^***	0.147 3
			(3.910 4)	(1.590 6)
能源消耗总量(X₇)			-0.122 8^*	0.043 1
			(-1.925 7)	(0.403 1)
能源结构(X₈)			-0.012 8	-0.018 8
			(-1.049 2)	(-1.034 2)
城镇化水平(X₉)			-0.318 2^*	0.453 4
			(-1.823 8)	(1.055 5)
控制变量集	10.228 2^***	10.212 2^***	3.118 4^***	8.069 9^***
	(404.746 7)	(1 255.575 4)	(4.198 9)	(4.180 8)
观测量	510	510	510	510
R²	0.067 9	0.893 9	0.549 3	0.895 8
省份固定效应	否	是	否	是
年度固定效应	否	是	否	是

注:括号内为t值,***和*分别表示P<0.01和P<0.5。

具体而言,(1)、(2)列在回归分析时并未引入控制变量,旨在单纯考察清洁能源示范省政策变量与碳排放变量之间的基础关系;而(3)、(4)列则加入了控制变量,将地区经济发展水平、能源结构、人口密度等可能对碳排放产生影响的其他因素纳入考量范围,以便更全面、精准地剖析清洁能源示范省政策在复杂现实环境中的实际减排效应。同时,在省份和年份固定效应的控制方面,也采用了对比分析的方法。其中,列(1)、(3)在回归过程中未对省份和年份固定效应加以控制,这样可以先获取在较为宽松的模型设定下政策变量与碳排放变量的关系表现;而列(2)、(4)则严格控制了省份和年份固定效应,充分考虑到不同省份在地域特征、资源禀赋、政策执行力度以及时间序列上可能存在的系统性差异对研究结果的潜在影响。

结果表明,无论是否控制省份和年份固定效应,实施清洁能源示范省政策的回归系数在1%的显著性水平下均显著为负;这表示实施清洁能源示范省政策对碳减排有效这一结果与大多数研究结论一致,假设H1成立。

2.3 清洁能源示范省政策碳减排效应排他因素分析

为了进一步检验基准回归结果的稳健性,验证处理组省份的碳排放量降低是由清洁能源示范省政策实施所带来的,而非其他非观测因素,本文采取绘制核密度图的安慰剂检验方法进行检验,通过随机生成处理组的方式,随机抽样500次重新实证回归并绘制相关系数核密度图。

由图2可知,从绝大多数交互项系数在0附近分布,且基本服从正态分布,与实际的回归系数值(-0.357 9)有明显偏离,具体回归的估计值也偏离大多数值,这一结果证明了清洁能源示范省政策的确能够降低处理组的碳排放量,有效排除了其他随机因素的干扰,通过了安慰剂检验,即表明基准回归结果是稳健的。

显示原图|下载原图ZIP|生成PPT

图2 安慰剂检验图

Fig.2 Placebo test chart

2.4 清洁能源示范省政策碳减排效应有效性分析

为了增加实证结果的可信程度,本文还通过缩尾处理、新增控制变量、剔除疫情以后的样本以及替换Y的衡量方式对清洁能源示范省政策对碳排放的影响进行了稳健性检验,结果见表5。

表5 稳健性检验

Tab.5 Robustness test

变量	(1)	(2)	(3)	(4)
清洁能源示范省政策(X₁)	-0.342 7^***	-0.352 9^***	-0.214 8^**	-1.530 9^**
	(-2.823 1)	(-3.030 3)	(-2.372 7)	(-2.057 9)
国内生产总值(X₄)	0.117 9	-0.027 2	0.065 3	-3.663 2
	(1.404 6)	(-0.498 3)	(1.092 6)	(-1.400 3)
人口密度(X₅)	-0.343 7	-0.339 5	-0.290 0	3.862 0^*
	(-1.043 9)	(-1.078 1)	(-1.182 4)	(1.714 6)
产业结构(X₆)	0.143 5	0.159 9^*	0.084 8	-1.657 4
	(1.620 3)	(1.702 0)	(1.302 7)	(-1.245 4)
能源消耗总量(X₇)	0.037 0	0.060 1	0.013 4	-3.430 0^*
	(0.357 9)	(0.550 5)	(0.132 6)	(-2.003 6)
能源结构(X₈)	-0.018 4	-0.006 5	-0.012 7	0.532 3^*
	(-1.040 7)	(-0.330 5)	(-0.641 2)	(2.025 1)
城镇化水平(X₉)	0.435 2	0.420 0	-0.341 0	-0.816 7
	(1.059 1)	(1.023 1)	(-0.946 3)	(-0.353 5)
财政支持力度(X₁₀)		-0.786 0^**	-0.666 2^***
		(-2.299 8)	(-2.777 9)
外商直接投资水平(X₁₁)		0.260 2	-0.329 6
		(0.683 9)	(-0.986 2)
城乡居民收入差距(X₁₂)		-0.110 6	-0.073 5
		(-1.203 6)	(-1.176 4)
控制变量集	8.105 7^***	12.350 0^***	10.319 2^***	116.725 1
	(4.292 2)	(4.290 2)	(5.784 3)	(1.694 6)
观测量	510	510	426	510
R²	0.902 4	0.897 0	0.931 7	0.892 2
省份固定效应	是	是	是	是
年度固定效应	是	是	是	是

注:括号内为t值,***、**、*分别表示P<0.01、P<0.1和P<0.5。

2.4.1 缩尾处理

缩尾处理是统计分析中的一种数据处理方法,通常用于处理在观测过程中存在一些极端值(尾部数据)的情况。通过缩尾处理,可以限制数据的范围,去除超出指定范围的极端观测值,从而避免它们对分析结果产生过大的影响。

本文对样本数据进行1%水平的缩尾处理,即将小于1%的值统一替换为1%的值,将大于99%的值统一替换为99%的值。处理完成后再进行回归,结果见表5列(1),清洁能源示范省政策的实施对CO₂排放量的效果在1%的水平下显著为负,稳健性检验通过。

2.4.2 增加控制变量

本文在原有控制变量的基础上新增财政支持力度(X₁₀)、外商直接投资水平(X₁₁)、城乡居民收入差距(X₁₂)进行回归,结果见表5列(2)。新增控制变量后,清洁能源示范省政策对CO₂排放量的系数为-0.352 9,且在1%的水平下显著,表明增加财政支持力度、外商直接投资水平、城乡居民收入差距3个控制变量后,清洁能源示范省政策对CO₂排放量仍然具有显著的抑制作用,回归结果同基准回归结果基本一致,通过稳健性检验。

2.4.3 剔除疫情以后的样本

疫情给中国经济发展带来了冲击,进而影响着碳排放水平,因此本文选择剔除疫情发生年份之后的样本数据,总体样本数量减少至426个,来检验清洁能源示范省政策对CO₂排放量的影响,结果如表5列(3)所示。

剔除疫情发生年份的样本后,清洁能源示范省政策的实施对CO₂排放量的效果在5%的水平下显著为负,说明无论使用疫情前的样本还是疫情后的样本,关键因变量的系数值及其平方项的系数值均显著,且与原始结果基本一致,进一步证明了本文模型设置的合理性。

2.4.4 用CO₂排放强度替换CO₂排放量的衡量方式

CO₂排放强度通常被视为碳排放的核心指标,现有学者采用CO₂排放强度度量碳排放水平。例如赵成柏和毛春梅^[19]利用融合时间序列分析与人工神经网络(BP神经网络)的混合预测方法,研究中国碳排放强度的动态演变趋势。

本文在稳健性检验中使用CO₂排放强度代替CO₂排放量进行基准回归,回归结果如表5中列(4)所示。可见,清洁能源示范省政策对试点地区CO₂排放强度的影响显著为负,且系数符号与主回归相同,因此替换被解释变量的稳健性检验通过。

2.4.5 Goodman-Bacon分解检验

多期DID模型在估计过程中,双向固定效应估计量等于样本中所有可能的两期双重差分估计量的加权平均值,很可能出现因异质性处理效应不稳健,如负权重带来的问题,因此本文借鉴戴天仕等^[21]的做法,采用Goodman-Bacon分解法检验是否存在负权重问题。

由于每个省份实施清洁能源示范省政策的时间点不同,本文存在3种对照:已实施清洁能源示范省政策的省份(处理组)与未实施清洁能源示范省政策的省份(从未受政策处理组)、较早实施清洁能源示范省政策的省份(较早受政策处理组)与较晚未实施清洁能源示范省政策的省份(较晚未受政策处理组)、较早实施清洁能源示范省政策的省份(较早受政策处理组)与较晚实施清洁能源示范省政策省份(较晚受政策处理组)。如果第3组的权重占比大就说明碳减排效应不是由于实施清洁能源示范省政策带来的,而是时间早晚的问题。结果显示,第1组的权重非常大,而第3组的权重仅为0.016,证明了清洁能源示范省政策导致的碳减排效应主要来源于处理组和未实施政策的对照组,结果较为稳健。

分解结果如表6所示,本文整体DID估计结果的主要来源是未受政策处理样本作为控制组,其权重高达96.3%,而可能带来偏误的是较早受政策处理个体为控制组,权重仅占1.6%,对整体估计结果的干扰较小,同时也没有高估清洁能源示范省政策对碳排放的影响。综上,本文使用的多期双重差分估计结果是可靠的。

表6 分解结果

Tab.6 Goodman-Bacon decomposition results

控制组类型	权重	估计值
处理组与从未受政策处理组	0.963	-0.375
较早受政策处理组与较晚未受政策处理组	0.021	0.113
较早受政策处理组与较晚受政策处理组	0.016	0.113

2.4.6 CSDID检验

为进一步检验双向固定效应给多期DID模型带来的偏误,本文参照汤玉刚等^[22]提出的多时期双重稳健估计量(callawayand sant difference-in-differences,CSDID)方法进行稳健性检验,其核心思想是将样本分为不同的组,分别估计不同组的处理效应,再通过特定方法将不同组的处理效应加总算出样本期的平均处理效应(ATT)。具体结果见表7。

表7 CSDID检验

Tab.7 CSDID test

类型	简单加权平均处理效应	日历平均处理效应	分组平均处理效应
ATT	-0.483 873^*** (-4.471 685 14 )
GAverage		-0.452 320 5^*** (-36.460 365 31 )
CAverage			-0.395 072 1^*** (-2.583 056 931 )

注:括号内为t值,***表示P<0.01。

3种不同类型的平均处理效应都说明,实施清洁能源示范省政策可以显著抑制试点地区的CO₂量,进而显著抑制碳排放水平,与基准结果一致,说明了结论的稳健性。

2.5 清洁能源示范省政策碳减排效应中介作用分析

清洁能源示范省政策的实施会促使当地政府加大对创新活动投入的财政支出,并且对研发的科技成果进行绿色金融、信贷支持、现金奖励等各种优惠补贴政策,同时对其工业污染进行治理,加大污染治理投资力度,进而从末端治理的角度减少碳排放量,对清洁能源示范省政策的碳减排效应具有重要作用^[23]。

为了检验技术创新水平(X₂)及工业污染治理投资水平(X₃)在清洁能源示范省政策对试点地区碳排放量影响中的中介作用,本文进行中介机制检验^[24-25],结果如表8所示。列(1)表示技术创新水平(X₂)对清洁能源示范省碳减排效应的中介作用,列(2)表示工业污染治理投资水平(X₃)对清洁能源示范省碳减排效应的中介作用。

表8 中介效应检验

Tab.8 Mediator effect test

变量	(1)	(2)
清洁能源示范省政策(X₁)	1.921 3^***	1.222 0^***
	(5.976 8)	(2.773 1)
国内生产总值(X₄)	1.353 8^***	-8.066 7^***
	(5.894 7)	(-6.868 2)
人口密度(X₅)	-1.475 3^***	-24.813 8^***
	(-2.935 3)	(-10.425 1)
产业结构(X₆)	-0.152 5	4.965 5^***
	(-1.115 3)	(8.811 2)
能源消耗总量(X₇)	0.230 4	1.124 5
	(0.442 8)	(1.179 8)
能源结构(X₈)	0.033 6	0.734 1^***
	(0.332 0)	(3.832 5)
城镇化水平(X₉)	0.515 8	4.395 3^*
	(0.707 7)	(1.694 5)
控制变量集	-23.118 6^***	347.875 2^***
	(-3.453 7)	(9.803 8)
观测量	510	510
R²	0.912 3	0.945 5
省份固定效应	是	是
年度固定效应	是	是

注:括号内为t值,***、*分别表示P<0.01和P<0.5。

在双固定效应模型下,技术创新水平的系数估计值为1.921 3,且在1%的水平下显著,表明技术创新在清洁能源示范省政策对试点地区碳排放量影响中确实发挥了中介作用;在双固定效应模型下,工业污染治理投资水平系数估计值为1.222 0,并在1%的水平下显著,表明工业污染治理投资水平在清洁能源示范省政策对碳排放量的影响中发挥了正向的中介作用。

基于此,假设H2、H3成立,说明技术创新和工业污染治理投资水平是清洁能源示范省政策实现碳减排目标的关键中介变量。

2.6 清洁能源示范省政策碳减排效应异质性分析

本文选用2005—2022年中国30个省份市场化指数中的营商环境(X₁₃)这一特定维度的指标数据来衡量地区的营商环境好坏^[26]。市场化指数具有广泛的认可度和权威性,其营商环境维度通过多方面因素综合评定,如法律法规的完善程度、执法的公正性与效率、产权保护力度等。若X₁₃大于样本中位数,则取值为1,表示为营商环境好;若X₁₃小于样本中位数,则取值为0,表示为营商环境坏。检验结果如表9所示。

表9 异质性分析

Tab.9 Heterogeneity analysis

变量	(1)	(2)	(3)	(4)
清洁能源示范省政策(X₁)	-0.608 5^***	-0.006 1	-0.514 8^***	-0.016 8
	(-7.969 6)	(-0.155 2)	(-2.991 7)	(-0.244 9)
国内生产总值(X₄)	0.133 0	0.180 7^*	0.120 6	-0.098 8
	(0.999 8)	(1.773 1)	(0.267 6)	(-0.430 6)
人口密度(X₅)	-0.728 1	-0.316 0	-2.893 2	0.833 4
	(-1.117 9)	(-1.604 5)	(-1.299 6)	(1.109 5)
产业结构(X₆)	0.131 4	0.068 3	0.314 8	0.073 3
	(1.377 6)	(1.291 5)	(1.608 1)	(1.452 3)
能源消耗总量(X₇)	0.008 1	-0.125 4	0.388 1	-0.474 0^**
	(0.033 0)	(-1.322 8)	(1.578 6)	(-2.224 6)
能源结构(X₈)	-0.016 2	0.012 5	0.217 0	0.086 4^**
	(-0.861 4)	(0.660 4)	(1.519 1)	(2.215 6)
城镇化水平(X₉)	0.129 8	0.091 0	0.438 7	0.798 6
	(0.440 9)	(0.079 3)	(0.782 0)	(0.956 8)
控制变量集	10.986 3^***	7.449 5^***	17.766 6^**	12.073 2^**
	(3.015 6)	(2.951 9)	(2.545 5)	(2.705 2)
观测量	259	249	172	173
R²	0.822 8	0.967 8	0.829 9	0.980 8
省份固定效应	是	是	是	是
年度固定效应	是	是	是	是
费舍尔组间差异检验	P=0.01		P=0.072

注:括号内为t值,***、**、*分别表示P<0.01、P<0.1和P<0.5。

列(1)显示在营商环境好时,清洁能源示范省政策DID对CO₂排放量有着在1%显著水平上的反向作用;列(2)显示在营商环境差时,清洁能源示范省政策DID对CO₂排放量有非显著的反向作用。这表明营商环境好的地区,实施清洁能源示范省政策能够有效抑制碳排放水平;反之,营商环境越差的地区,实施清洁能源示范省政策抑制碳排放水平的效果不明显。

综上,假设H4成立。在清洁能源示范省政策的实施下,试点地区可通过加强营商环境建设,建立健全相关法律体系,促进企业节能减排行为,为解决能源问题及减排降碳提供有力保障。

本文还选取了2011—2022年中国30个省份的数字化程度(X₁₄)这一指标数据,探究数字化程度高低对清洁能源示范省政策实施的影响^[27]。在样本数据处理过程中,若X₁₄大于样本中位数352.96,则取值为1,表示数字化程度高;若X₁₄小于样本中位数352.96,则取值为0,表示数字化程度低,回归结果如表9列(3)、(4)所示。

列(3)在1%水平下显著为负,列(4)则显示不显著,表明对于数字化程度高的地区,实施清洁能源示范省政策对其降低碳排放量的效果强于数字化程度低的地区。综上,假设H5成立。

为了进一步验证上述异质性分析结果的稳健性,本文进行了费舍尔组间差异检验:第一组营商环境异质性分析的费舍尔组间差异检验P值为0.01,第二组数字化程度异质性分析的费舍尔组间差异检验P值为0.072,均小于0.1。两组异质性分析均通过费舍尔组间差异检验,结果成立。

3 结论与建议

清洁能源示范省政策能够加快试点地区构建现代能源体系、促进能源低碳转型,进而推动经济社会高质量发展,因此探究该政策是否能有效控制试点地区碳排放水平显得意义重大^[28]。本文基于2005—2022年省级面板数据,利用多期DID模型与双向固定效应模型研究清洁能源示范省政策对试点地区碳排放量的影响,并进行了一系列稳健性检验和异质性分析来验证结果的可靠性。结果发现:清洁能源示范省政策能够显著抑制试点地区的碳排放量;清洁能源示范省政策的实施效果存在时滞性,且影响效应随时间延长而逐步增强;技术创新水平和工业污染治理水平在清洁能源示范省政策与碳排放之间起到中介作用;营商环境好的地区实施清洁能源示范省政策能够更好地抑制碳排放;数字化程度更高的地区实施清洁能源示范省政策能够更好地抑制碳排放。

基于本文分析,政府应进一步扩大试点范围,出台一系列清洁能源示范省政策,重视技术创新水平对提高清洁能源开发与利用水平的重要性,健全以市场为导向的绿色技术体系,建立长效碳减排机制^[29]。同时,各实施清洁能源示范省政策试点地区政府应因地制宜,一方面,根据本地区独特资源禀赋与清洁能源生产条件,加快构建清洁低碳、安全高效的现代能源体系。例如宁夏回族自治区、青海省及甘肃省位于我国西部,面积辽阔,适合大力发展风能、太阳能等;而四川省作为我国内陆省份,其辖内有数条河流,水资源丰富,适合大力发展水能发电;浙江省为我国沿海地区,同样在水资源上具备一定的优势,可以充分利用其区位优势,通过发展海上贸易、港口经济等来提升当地经济实力,同时发展数字化产业来进一步发挥其绿色低碳、节能减排的优势。另一方面,营商环境较好且数字化程度较高的地区(如东部地区)应持续加大对能源优化技术的投入,持续提升清洁能源利用水平,建立健全清洁能源示范省政策相关法律法规,及时进行产业结构升级与绿色转型,为营商环境较差且数字化程度较低地区(如西部地区)提供技术支撑,带动周边地区绿色能源开发利用;营商环境较差且数字化程度较低地区应注重分析自身的不足,加大能源结构调整力度,在承接提升发达地区高碳企业转移任务的同时,提高能源利用效率,充分利用自身资源推动传统产业转型,践行绿色发展,全力推进传统能源向清洁能源转换、粗放高碳向绿色低碳转变、资源优势向经济优势转化,努力增强民众绿色低碳、环保节约意识,落实宣传教育、政策引导等多方面工作,提振绿色、低碳消费品的需求,促进消费结构的绿色转型^[30]。

References

Publishing order | Descend order by publishing year | Descend order by cited within

[1]	IPCC. Special report on global warming of 1.5 ℃[M]. UK: Cambridge University Press, 2018.

[2]	庄贵阳, 窦晓铭, 魏鸣昕. 碳达峰碳中和的学理阐释与路径分析[J]. 兰州大学学报(社会科学版), 2022, 50(1):57-68. ZHUANG G Y, DOU X M, WEI M X. Theoretical interpretation and path analysis of “peak carbon dioxide emission” and “carbon neutrality”[J]. Journal of Lanzhou University (Social Sciences), 2022, 50(1):57-68.

[3]	林伯强, 蒋竺均. 中国二氧化碳的环境库兹涅茨曲线预测及影响因素分析[J]. 管理世界, 2009, 25(4):27-36. LIN B Q, JIANG Z J. Environmental Kuznets curve prediction and influencing factors analysis of carbon dioxide in China[[J]. Management World, 2009, 25(4):27-36.

[4]

王长燕, 赵景波. 西安市工业废气排放的环境库兹涅茨曲线变异及原因分析[J]. 陕西师范大学学报(自然科学版), 2007, 35 (3):100-103.

WANG

C Y

, ZHAO

J B

. Study on the variation of environmental Kuznets curves and reason analysis of industrial waste gas discharge in Xi'an city[J]. Journal of Shaanxi Normal University (Natural Science Edition), 2007, 35(3):100-103.

[5]	LI W, LU C, ZHANG Y W. Prospective exploration of future renewable portfolio standard schemes in China via a multi-sector CGE model[J]. Energy Policy, 2019,128:45-56.

[6]	韩楠, 罗新宇. 多情景视角下京津冀碳排放达峰预测与减排潜力[J]. 自然资源学报, 2022, 37(5):1277-1288. DOI HAN N, LUO X Y. Carbon emission peak prediction and reduction potential in Beijing-Tianjin-Hebei region from the perspective of multiple scenarios[J]. Journal of Natural Resources, 2022, 37(5):1277-1288. DOI

[7]	岳立, 曹雨暄, 王宇. 能源政策的区域碳减排效应[J]. 资源科学, 2022, 44(6):1105-1118. DOI YUE L, CAO Y X, WANG Y. Effect of energy policies on regional carbon emission reduction[J]. Resources Science, 2022, 44(6):1105-1118. DOI

[8]	SONG Y, LIU J, WEI Y C, et al. Study on the direct and indirect effectiveness of wind power policy:empirical evidence from 30 provinces in China[J]. Renewable Energy, 2021,170:749-763.

[9]	BELAID F, RANJBAR Z, MASSIÉ C. Exploring the cost-effectiveness of energy efficiency implementation measures in the residential sector[J]. Energy Policy, 2021,150:112122.

[10]	杜强, 陈乔, 陆宁. 基于改进IPAT模型的中国未来碳排放预测[J]. 环境科学学报, 2012, 32(9):2294-2302. DU Q, CHEN Q, LU N. Forecast of China's carbon emissions based on modified IPAT model[J]. Acta Scientiae Circumstantiae, 2012, 32(9):2294-2302.

[11]	冯俊华, 张路路, 唐萌. 农业经济-生态-社会复合系统耦合协调发展研究:以陕西省为例[J]. 系统科学学报, 2021, 29(3):92-96. FENG J H, ZHANG L L, TANG M. Research on coupling coordination in ecology-economy-society system—taking Shaanxi province as an example[J]. Chinese Journal of Systems Science, 2021, 29(3):92-96.

[12]

李嘉欣, 朱永楠, 彭少明, 等. 社会水循环碳排放综合测算模型:以黄河流域为例[J]. 清华大学学报(自然科学版), 2024, 64(4):626-637.

J X

, ZHU

Y N

, PENG

S M

, et al. Integrated carbon emission measurement model for the social water cycle:taking the Yellow River Basin as an example[J]. Journal of Tsinghua University (Science and Technology), 2024, 64(4):626-637.

[13]	古作良, 高焰. 流域用水碳排放量计算方法及应用[J]. 水电能源科学, 2022, 40(10):53-56,143. GU Z L, GAO Y. Calculation method of carbon emissions from water use in basin and its application[J]. Water Resources and Power, 2022, 40(10):53-56,143.

[14]	张艳芳, 张宏运. 陕西省居民消费碳排放测算与分析[J]. 陕西师范大学学报(自然科学版), 2016, 44(2):98-105. ZHANG Y F, ZHANG H Y. Calculation and analysis on carbon emissions of residents' consumption in Shaanxi province[J]. Journal of Shaanxi Normal University (Natural Science Edition), 2016, 44(2):98-105.

[15]	XU C B, YANG J J, HE L, et al. Carbon capture and storage as a strategic reserve against China's CO₂emissions[J]. Environmental Development, 2021,37:100608.

[16]	杜可, 陈关聚, 梁锦凯. 异质性环境规制、环境双元战略与绿色技术创新[J]. 科技进步与对策, 2023, 40(8):130-140. DU K, CHEN G J, LIANG J K. Heterogeneous environmental regulation, environmental dual strategy and green technology innovation[J]. Science & Technology Progress and Policy, 2023, 40(8):130-140.

[17]	秦臻, 李成, 王倩. 基于PSM-DID方法的湖北省双创示范基地政策评估[J]. 统计与决策, 2023, 39(5):185-188. QIN Z, LI C, WANG Q. Policy evaluation of innovation and entrepreneurship demonstration base in Hubei province based on PSM-DID method[J]. Statistics & Decision, 2023, 39(5):185-188.

[18]

周衍平, 李晶, 陈会英. 清洁能源示范省政策对试点地区碳排放量及经济发展水平的影响:基于多期PSM-DID的验证[J]. 软科学, 2024, 38(1):53-60,82.

ZHOU

Y P

, LI

, CHEN

H Y

. The impact of clean energy demonstration provincial policies on carbon emissions and economic development in pilot areas: a verification based on multi-period PSM-DID[J]. Soft Science, 2024, 38(1):53-60,82.

[19]	赵成柏, 毛春梅. 基于ARIMA和BP神经网络组合模型的我国碳排放强度预测[J]. 长江流域资源与环境, 2012, 21(6):665-671. ZHAO C B, MAO C M. Forecast of intensity of carbon emission to China based on BP neural network and ARIMA combined model[J]. Resources and Environment in the Yangtze Basin, 2012, 21(6):665-671.

[20]	刘贤赵, 高长春, 张勇, 等. 中国省域碳强度空间依赖格局及其影响因素的空间异质性研究[J]. 地理科学, 2018, 38(5):681-690. DOI LIU X Z, GAO C C, ZHANG Y, et al. Spatial dependence pattern of carbon emission intensity in China's provinces and spatial heterogeneity of its influencing factors[J]. Geographical Science, 2018, 38(5):681-690.

[21]	戴天仕, 赵琦. 新三板分层制度与企业创新:基于“柠檬市场”治理机制的视角[J]. 数量经济技术经济研究, 2024, 41(3):153-172. DAI T S, ZHAO Q. The tiered system and the innovation of SMEs: from the perspective of governance, mechanism based on “lemon market”[J]. Journal of Quantitative & Technological Economics, 2024, 41(3):153-172.

[22]	汤玉刚, 张鹤鹤. 中国特色对口帮扶及其效应研究:来自珠三角“飞地经济”的证据[J]. 财贸经济, 2024, 45(4):20-35. TANG Y G, ZHANG H H. China's paired-up assistance program and its effects: evidence from the “enclave economy” in the Pearl River Delta[J]. Finance & Trade Economics, 2024, 45(4):20-35.

[23]	金都, 刘新平. 中国能源结构转型:碳减排效应、驱动因素及碳达峰探索[J]. 安全与环境学报, 2024, 24(12):4908-4916. JIN D, LIU X P. Exploring the carbon emission reduction effects, drivers, and peak carbon strategies in China's energy structure transformation[J]. Journal of Safety and Environment, 2024, 24(12):4908-4916.

[24]	江艇. 因果推断经验研究中的中介效应与调节效应[J]. 中国工业经济, 2022(5):100-120. JIANG T. Mediating effects and moderating effects in causal inference[J]. China Industrial Economics, 2022(5):100-120.

[25]	温忠麟, 叶宝娟. 中介效应分析:方法和模型发展[J]. 心理科学进展, 2014, 22(5):731-745. DOI WEN Z L, YE B J. Analyses of mediating effects: the development of methods and models[J]. Advances in Psychological Science, 2014, 22(5):731-745. DOI

[26]	张忠民, 王雅琪, 冀鹏飞. “双碳”目标的法治回应论纲:以环境司法为中心[J]. 中国人口·资源与环境, 2022, 32(4):44-56. ZHANG Z M, WANG Y Q, JI P F. An outline of the legal response to the ‘dual carbon' goals: focusing on environmental justice[J]. China Population, Resources and Environment, 2022, 32(4):44-56.

[27]	任苗苗, 舒晓斌. 人工智能在中国新能源领域中的应用与前景分析[J]. 储能科学与技术, 2024, 13(10):3619-3621. DOI REN M M, SHU X B. Application and prospect analysis of artificial intelligence in the field of new energy in China[J]. Energy Storage Science and Technology, 2024, 13(10):3619-3621. DOI

[28]	洪竞科, 黄河, 王先柱. 经济结构转型的碳减排效应[J]. 资源科学, 2023, 45(11):2103-2116. DOI HONG J K, HUANG H, WANG X Z. The effect of economic structural transformation on carbon emission reduction[J]. Resources Science, 2023, 45(11):2103-2116. DOI

[29]	刘亚莉, 郭晓, 戴文婷, 等. “碳中和”愿景下我国碳排放现状和减排路径[J]. 地球环境学报, 2023, 14(6):683-700. LIU Y L, GUO X, DAI W T, et al. Carbon emission status and mitigation path under the vision “carbon neutrality” in China[J]. Journal of Earth Environment, 2023, 14(6):683-700.

[30]	郑逸璇, 宋晓晖, 周佳, 等. 减污降碳协同增效的关键路径与政策研究[J]. 中国环境管理, 2021, 13(5):45-51. ZHENG Y X, SONG X H, ZHOU J, et al. Synergetic control of environmental pollution and carbon emissions: pathway and policy[J]. Chinese Journal of Environmental Management, 2021, 13(5):45-51.

Options

Outlines

模态框（Modal）标题