標(biāo)題：排污權(quán)交易機(jī)制是否提高了企業(yè)全要素生產(chǎn)率 ——來自中國上市公司的證據(jù)

參考文獻(xiàn)

作者：任勝鋼， 鄭晶晶， 劉東華， 陳曉紅

來源：《中國工業(yè)經(jīng)濟(jì)》2019年第5期

數(shù)據(jù)概況

1、 數(shù)據(jù)來源：?財務(wù)信息、產(chǎn)品銷售情況以及其他企業(yè)特征的企業(yè)級數(shù)據(jù)來自國泰安數(shù)據(jù)庫(CSMAR)；企業(yè)的專利數(shù)據(jù)來自佰騰網(wǎng)(https//www.baiten.cn)

2、樣本：

雙重差分樣本：滬深兩市A股中296家排放企業(yè)

三重差分樣本：264家非排放企業(yè)

3、變量說明：

4、相關(guān)數(shù)據(jù)及代碼預(yù)覽

理論框架

1、SO2排污權(quán)交易試點(diǎn)政策對企業(yè)全要素生產(chǎn)率的影響

(1)基準(zhǔn)回歸測度試點(diǎn)政策實(shí)施對上市企業(yè)全要素生產(chǎn)率的平均影響；

(2)動態(tài)效應(yīng)驗(yàn)證平行趨勢假設(shè)并測度不同時段的影響；

(3)三重差分排除其他試點(diǎn)政策影響。

2、SO2排污權(quán)交易試點(diǎn)政策影響企業(yè)全要素生產(chǎn)率的機(jī)制驗(yàn)證

(1) 技術(shù)進(jìn)步效應(yīng)：檢驗(yàn)排污權(quán)交易制度通過技術(shù)創(chuàng)新促進(jìn)企業(yè)全要素生產(chǎn)率；

(2) 資源配置效應(yīng)：檢驗(yàn)排污權(quán)交易制度通過資源配置促進(jìn)企業(yè)全要素生產(chǎn)率。

3、異質(zhì)性分析和穩(wěn)健性分析

(1) 從企業(yè)內(nèi)部特征和外部特征的異質(zhì)性分析；

(2) GMM測算全要素生產(chǎn)率更換因變量&安慰劑檢驗(yàn)。

實(shí)證分析及相關(guān)代碼

1、SO2排污權(quán)交易試點(diǎn)政策對企業(yè)全要素生產(chǎn)率的影響

(1) 基準(zhǔn)回歸：

為了檢驗(yàn)SO2排污權(quán)交易試點(diǎn)政策對企業(yè)全要素生產(chǎn)率的影響，本文構(gòu)建 DID 模型：

import pandas as pd

import numpy as np

from linearmodels import PanelOLS

import statsmodels.formula.api as sm

data = pd.read_csv(r'C:\Users\monstar\Desktop\tfp.csv')

#創(chuàng)建年份、地區(qū)、ind虛擬變量

data=data[(data.so2==1)]

year_dummy= pd.get_dummies(data['year'],drop_first=False,prefix='year')

area_dummy= pd.get_dummies(data['area'],drop_first=False,prefix='area')

ind_dummy= pd.get_dummies(data['ind'],drop_first=False,prefix='ind')

mod=sm.ols('lntfp~tt+year_dummy+ area_dummy+ ind_dummy ',data=data)

res=mod.fit()

print(res.summary())

代碼結(jié)果與原文一致，控制變量和固定效應(yīng)代碼略，匯總?cè)缦?#xff1a;

結(jié)果顯示排污權(quán)交易制度對全要素生產(chǎn)率的回歸系數(shù)為 0.2522（在1%水平上顯著），且控制變量和固定效應(yīng)回歸系數(shù)相差無幾，故SO2排污權(quán)交易制度顯著提高了企業(yè)全要素生產(chǎn)率。

（2）動態(tài)效應(yīng)

為嚴(yán)謹(jǐn)驗(yàn)證平行趨勢假設(shè)，同時反映出試點(diǎn)政策在不同時段內(nèi)這一影響的差異（基礎(chǔ)回歸僅測度出平均差異），參考 Jacobson et al.（1993）提出的事件研究法（Event Study Approach）對試點(diǎn)政策的動態(tài)效應(yīng)進(jìn)行實(shí)證檢驗(yàn)，并構(gòu)建以下模型：

# 第一個模型，控制不隨時間變化的行業(yè)和地區(qū)特征

# stata代碼對照：reg lntfp tt1 tt2 tt3 tt5 tt6 tt7 tt8 tt9 tt10 tt11 tt12 zcsy lf age owner sczy lnaj lnlabor lnzlb i.year i.area i.ind if so2==1,cluster(area) level(90)

# 輸入模型代碼并導(dǎo)出回歸結(jié)果

area_dummy= pd.get_dummies(data['area'],drop_first=False,prefix='area')

ind_dummy= pd.get_dummies(data['ind'],drop_first=False,prefix='ind')

mod=sm.ols('lntfp~tt1+tt2+tt3+tt5+tt6+tt7+tt8+tt9+tt10+tt11+tt12+zcsy+lf+age+lnlabor+lnzlb+sczy+owner+lnaj+ area_dummy+ind_dummy ',data=data)

res1=mod.fit()

print(res1.summary())

# 輸入繪圖代碼并導(dǎo)出β結(jié)果：

data=pd.read_excel(r'E:\β.xlsx')

plt.figure(figsize=(5,5))

plt.title('β(1)',fontsize=14)

plt.xlabel('year',fontsize=14)

x=data["year"]

y=data["β1"]

plt.scatter(x, y)

plt.show()

代碼結(jié)果與原文一致，匯總圖如下：

在2004-2006 年均不顯著，說明處理組和對照組在試點(diǎn)政策實(shí)施前不存在明顯的差異，滿足平行趨勢假設(shè);

試點(diǎn)后估計系數(shù)從第三年（2010年）開始顯著并逐漸增大，說明 2007 年試點(diǎn)政策對全要素生產(chǎn)率的 影響滯后兩年，并且影響逐漸增大。

（3）三重差分

上述策略可能存在的問題是，除試點(diǎn)政策之外，其他政策可能也對試點(diǎn)地區(qū)和非試點(diǎn)地區(qū)全要素生產(chǎn)率產(chǎn)生不一致的影響，從而使估計結(jié)果出現(xiàn)偏差。

本文使用三重差分法克服這一問題，本文選擇制造業(yè)和采礦業(yè)中屬于非 SO2 排放行業(yè)的企業(yè)作為三重差分的“處理組”和“對照組”

import pandas as pd

import numpy as np

from linearmodels import PanelOLS

import statsmodels.formula.api as sm

year_dummy= pd.get_dummies(data['year'],drop_first=False,prefix='year')

area_dummy= pd.get_dummies(data['area'],drop_first=False,prefix='area')

ind_dummy= pd.get_dummies(data['ind'],drop_first=False,prefix='ind')

data = pd.read_csv(r'C:\Users\lullaby\Desktop\tfp.csv')

mod=sm.ols('lntfp ~ ttt+tt+treats+times+so2+ year_dummy+ area_dummy+ ind_dummy ',data=data ',data=data)

res=mod.fit()

print(res.summary())

python代碼與原文結(jié)果不一致，與stata結(jié)果一致，結(jié)果與原文結(jié)果對比如下：

2、影響機(jī)制分析

將傳導(dǎo)機(jī)制分解為技術(shù)進(jìn)步效應(yīng)和資源配置效應(yīng)兩方面：

# 第一個模型，試點(diǎn)政策對技術(shù)創(chuàng)新的影響

# stata代碼對照：reg zlb tt zcsy zc lf iso lnlabor xfs sch i.year i.area i.ind if so2==1,cluster(area)

# 按照so2=1篩選數(shù)據(jù)

data=data[(data.so2==1)]

#地區(qū)固定效應(yīng)和時間固定效應(yīng)（地區(qū)固定效應(yīng)沒有實(shí)現(xiàn)）

data = data.set_index(['area','year'])

#確定解釋變量

exog = sm.add_constant(data[['tt','zcsy', 'zc','lf','iso','lnlabor','xf','sch']])

#確定被解釋變量為專利申請量(Patent)的OLS回歸

mod_fet=PanelOLS(data['zlb'],exog,entity_effects=True,time_effects=True,drop_absorbed=True)

#采用聚類穩(wěn)健標(biāo)準(zhǔn)誤

res = mod_fet.fit(cov_type='clustered',cluster_area=True)

print(res)

排污權(quán)交易制度促進(jìn)了技術(shù)創(chuàng)新，因此，排污權(quán)交易制度通過技術(shù)創(chuàng)新途徑影響全要素生產(chǎn)率得到有效驗(yàn)證。

# 第五個模型，試點(diǎn)政策對資本配置效率的影響

# stata代碼對照：xtreg lntfp tt zcsy lf age sczy owner lnlabor lnzlbi.year i.area i.ind if so2==1&ajj==1,cluster(area)

# 按照so2=1篩選數(shù)據(jù)

data=data[(data.so2==1)]

#行業(yè)固定效應(yīng)和時間固定效應(yīng)（地區(qū)固定效應(yīng)沒有實(shí)現(xiàn)）

data = data.set_index(['ind','year'])

#實(shí)現(xiàn)數(shù)列相乘

data['ttroa']=data['tt']*data['roa']

#確定解釋變量

exog = sm.add_constant(data[['ttroa','roa','tt','age','zlb','lf','sczy','iso']])

#確定被解釋變量為資本配置效率的OLS回歸

mod_fet=PanelOLS(data['tz'],exog,entity_effects=True,time_effects=True,drop_absorbed=True)

#采用聚類穩(wěn)健標(biāo)準(zhǔn)誤

res = mod_fet.fit(cov_type='clustered',cluster_area=True)

print(res)

與對照組相比排污權(quán)交易制度顯著提高了試點(diǎn)地區(qū)企業(yè)的資本配置效率水平。排污權(quán)交易制度通過資本配置效率提高全要素生產(chǎn)率得到有效驗(yàn)證。

總結(jié)

以上是生活随笔為你收集整理的顶刊实证复现！排污权交易机制是否提高了企业全要素生产率 ——来自中国上市公司的证据的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。