文献阅读 | 改进多目标能源政策评估：事前分析与事后分析的对比

题目

Improving Evaluation of Energy Policies with Multiple Goals: Comparing Ex Ante and Ex Post Approaches

作者

Minghao Qiu, Yangqin Weng, Jing Cao, Noelle E. Selin, and Valerie J. Karplus

期刊

Environmental Science & Technology

时间

2020年12月

一作

单位

Institute for Data, Systems, and Society, Massachusetts Institute of Technology, Cambridge, Massachusetts 02139-4307, United States

链接

https://pubs.acs.org/doi/10.1021/acs.est.0c01381

研究内容

可持续发展政策往往希望实现多个目标，例如同时减轻能源使用对气候变化和空气质量的影响。事前分析通过估计策略对多个目标的影响来为决策提供参考，事后分析剥离各种可能影响目标的因素，针对性地评估政策有效性。同一政策的事前分析和事后分析很少进行比较，而这些比较可以评估事前分析中假设的真实性，并找到事前分析可改进的空间。本文以中国的两项能源政策（能源强度政策和SO₂减排政策）为例，分别运用事前分析和事后分析进行了政策评估，揭示比较事前分析与事后分析的好处。

研究方法

企业耗能和排污行为的事后分析

本研究首先为中国的水泥和钢铁制造企业构建了一个企业级别的数据库。样本跨越2005年到2008年，一共包括1332个水泥制造厂和368个钢铁制造厂，内容包括公司基本信息、主要财务信息、能源消费数据，以及SO₂、NO_x、粉尘、烟尘的排放和处理数据。
在采用熵平衡和倾向得分匹配策略改进控制组和对照组之间可比性的基础上，使用双向固定效应的双重差分法（Difference In Differences, DID）估计每项政策对企业耗能和排污的影响。由于数据质量问题，本文主要关注企业的煤炭消耗和SO₂排放。能耗方面包括煤炭使用量和煤炭强度，排污方面包括SO₂排放量和SO₂强度。DID可以估计控制组和对照组在政策施加前后的变化，识别政策效果。DID的主要假设是，在没有干预的情况下，控制组和对照组的被解释变量没有系统性差异。我们估计以下等式：

这里y_it是被解释变量的自然对数形式，包括煤耗、煤强度、SO₂排放、SO₂强度、SO₂排放因子、SO₂去除率、总产出。若政策已执行，则τ_it等于1，否则为零。若企业受政策管制，则ω_it等于1，否则为零。交互项的系数β₂可以认为是政策对控制组企业的平均作用。X_it代表一系列与时间有关的企业特征，包括总产量、员工人数和省级煤炭价格。另外加入了时间固定效应η_t来解释给定年份内所有企业受到的普遍冲击，加入了企业固定效应θ_i来解释企业不随时间变化的特征。ε_it是残差项。

能源强度政策对企业耗能和排污行为影响的情景分析

通过设计四个排放情景（事前情景、事后情景和两个敏感性情景），探索使用事前分析和事后分析得到能源强度政策效果的出现差异的原因。对于每个情景，分别计算政策实施和无政策实施情况下的企业SO₂排放，二者之间的差异视为政策效果。不同情景中表1总结了四种不同排放情景中能源强度和排放因素的假设。

表1.  排放情景中能源强度和排放因子的假设

（一）事前情景设计

事前情景中，政策实施情况假设能达到能源强度目标，其他主要假设则与无政策情况相同。政策实施后，预计企业能源强度达到省级“十一五”规划的能源强度目标。无政策情况根据历史趋势估计能源强度和排放系数。另一种假设方式是无政策情况的能源强度和排放系数从基年开始保持不变，本文将在两个敏感性场景中对此进行测试。

（二）事后情景设计

根据事后分析的结果构建事后情景。对于事后情景，政策实施情形包括政策真正实行后观察到的能源强度和SO₂排放系数。无政策的反事实基线包括控制组的能源强度和排放系数。假设对照组在政策实施前与控制组表现相同。这里并不试图将能源强度降低的现实效果单独归结于能源政策。能源强度政策对空气质量的单独贡献将比预计的小，因为大多数企业同时受能源强度政策和SO₂政策的影响。事后情景旨在尽可能模拟现实世界中可能测量的内容，并与事前情景进行比较。

（三）敏感性情景设计

事前敏感性和事后敏感性情景旨在进一步理解企业异质性和反事实基线构建如何影响对能源强度政策节能减排等方面的估计。进行以下三个比较：（1）比较事前情景与事前敏感性情景：揭示不同的反事实基线对政策效果事前估计的影响。（2）比较事后情景与事后敏感性情景：揭示不同反事实基线对政策效果事后估计的影响（使用控制组与恒定基线构建）。（3）比较事前敏感性情景与事后敏感性情景：揭示企业异质性对政策响应的影响，以及前定生产函数对政策效果估计的影响。

空气污染和健康影响

使用 GEOS-Chem模型来模拟不同排放情景下的PM_2.5浓度。另外，还使用2010年全球疾病负担（GBD）的剂量反应关系，计算了相应情景下PM_2.5浓度降低所避免的过早死亡。

研究结果

能源强度政策对能源和SO₂的事后影响

平均而言，能源强度政策对企业能源强度的影响非常有限。在完整样本中，虽然受能源强度政策影响的企业的煤炭浓度比控制组低（其中水泥企业降低12.0%，钢铁企业降低4.7%），但在统计学上不显著。在熵平衡样本中，与控制组相比，对照组的总体煤炭强度降低了17.4%（p<0.05），不过钢铁企业的煤炭强度上升了10.2%（在统计学上不显著）。

图1.  完整样本（蓝色）和熵平衡样本（橙色）的DID回归中的交互项系数（95%置信区间）

在完整样本中，对照组中水泥企业的SO₂强度比控制组低14.1%（p<0.05），钢铁企业高12.0%（不显著）。在熵平衡样本中，对照组水泥企业的SO₂强度比控制组低18.9%（p<0.1），钢铁企业低6.8%（不显著）。此外，对照组中水泥企业的SO₂去除率降低了2.8%（p<0.1）。然而，企业的反应存在异质性，一些企业有大幅变化。但平均而言，事后分析表明，能源强度政策对企业SO₂排放或煤炭使用没有显著的净影响。 

SO₂控制政策对能源和SO₂的事后影响

“十一五”期间的政策侧重于限制企业SO₂排放，以满足全国整体SO₂减少10%的目标。全国范围内，“十一五”期间SO₂排放量下降了14%，这主要得益于电力部门排放量的下降（23%），而水泥行业排放量仅下降5%，钢铁行业排放量反而增加24%。
通过比较政策实施前后企业的表现，可以估计SO₂控制政策的效果。受政策影响的水泥企业显著减排了22.7%，这与煤炭使用量减少（6.4%，p<0.05）和煤炭强度下降（7.3%，p<0.05）有关。在钢铁行业，与控制组相比，对照组并没有显著减排，但煤炭使用量减少（39.4%，p<0.05），煤炭强度降低（39.8%，p<0.05）。此外，水泥企业对照组的排放系数平均减少16.3%（p<0.01），结果与熵平衡和PSM样本相似。

对事前预测PM_2.5浓度和死亡的评估

 本研究使用事前分析估计能源强度政策对空气质量和死亡的影响，并与事后分析进行比较。图2描绘了PM_2.5变化的空间分布以及相关的死亡变化。由于对照组规模较小，PM_2.5的变化并不明显，全国平均PM_2.5浓度几乎没有改善。观察到的政策影响的方向、大小和空间分布在事后情景和事前场景不同。表2总结了煤炭总使用量减少、SO₂减排、人口加权PM_2.5浓度在不同情景下的变化，以及对应避免的过早死亡。

图2.  能源强度政策对前和事后情景下的空气质量(a,b)和人类健康(c,d)的影响。(a)(c)对应事前分析，(b)(d)对应事后分析

表2.  不同情景中能源强度政策的效果

这项研究的两个敏感性情景检验了企业异质性和反事实基线构建的影响。企业异质性使煤炭使用总量比预计的多减少72%，SO₂排放系数多减少2.6。这是因为一些对照组企业（通常在政策出台前污染比较严重）减少了煤炭的使用和SO₂超标排放。

使用三重差分模型（添加公司特征与 DID 中交叉项的相互作用），发现对于不同规模、所有权比例、能源强度、排放系数的企业，政策效果也有区别，尽管在统计学上不显著。敏感性结果还表明，采用保持能源强度不变的基线（广泛被用于证明政策合理性），将会高估政策带来的能源环境收益。若采用能量强度和排放因素不变的基线，则将会高估SO₂减排量。

编辑：林鹏昇

排版：江琴

相关阅读

点击“阅读原文”浏览小组主页