排污权交易如何提升企业生产率：基于中国上市公司的实证分析

markdown复制## 1. 研究背景与核心问题

最近在整理环境经济学领域的经典论文时，发现2021年发表在《经济研究》上的一篇重磅文章《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》。这篇由清华大学团队完成的实证研究，通过2007-2018年中国上市公司的面板数据，系统评估了排污权交易试点政策对企业生产效率的影响。

作为环境规制领域的创新政策工具，排污权交易机制（Emission Trading Scheme, ETS）自2007年起在我国部分省市试点。与传统"命令-控制"型环境规制不同，ETS通过市场化手段将排污权转化为可交易商品，理论上既能降低减排成本，又能激励企业技术创新。但这项政策实际效果如何？特别是对企业全要素生产率（TFP）这一核心竞争力的影响，一直是学界和政策界关注的焦点问题。

## 2. 研究设计与数据准备

### 2.1 实证模型构建

研究采用双重差分法（DID）作为核心识别策略。基准模型设定如下：

```stata
TFP_it = α + βTreat_i×Post_t + γX_it + μ_i + λ_t + ε_it

其中：

• Treat_i表示企业是否位于试点地区
• Post_t表示政策实施后时期
• X_it为控制变量（企业规模、年龄、资本密集度等）
• μ_i和λ_t分别代表企业和时间固定效应

注意：实际分析中需考虑平行趋势检验、动态效应分析等稳健性检验，原始论文还采用了PSM-DID等方法处理样本选择偏差。

2.2 数据来源与处理

研究使用的核心数据包括：

1. 企业层面数据：

   • 财务数据：来自CSMAR数据库（2007-2018）
   • 专利数据：来自CNRDS数据库
   • 污染排放数据：来自企业环境报告和环保部门披露

2. 政策信息：

   • 试点省份名单（江苏、浙江、天津等11省市）
   • 政策实施时间表（各试点地区差异）

数据处理关键步骤：

python复制# 示例：TFP计算（OP方法）
import pandas as pd
from opmethod import op_regression

df = pd.read_csv('firm_data.csv')
tfp_resul