推文人 | 彭文威

原文信息：Guojun HE, Shaoda WANG and Bing ZHANG,Environmental Regulation and Firm Productivity in China:Estimates from a Regression Discontinuity Design,Working Paper.

 

1 摘要

 

本文基于中国地表水监测系统利用断点回归设计估计了环境规制对企业生产率的影响。水质监测数据对于上级政府评价地方官员至关重要，并且水质监测站只能监测来自上游的排放，地方政府有更强的激励对那些刚好处在监测站上游的企业实施更加严格的排放控制政策。利用这一断点，作者发现处在上游的企业的TFP平均比下游企业低了 27 % 。 基于此估计测算，中国水污染减排计划（2016-2020）将会导致10,000亿元的工业产值损失。

 

2 引言

 

环境规制是否阻碍了经济效率这个问题很重要且具有争议性。一方面，新古典主义认为环境规制会提高生产成本、提高失业率进而降低经济体的竞争力；另一方面，环保主义者和其他关注者表示更强的环境规制政策将迫使企业开发出更加清洁和低成本的技术来降低污染，长期来看，这对企业生产率的提高是有利的。

 

在本文中，作者利用空间断点回归设计估计了中国环境规制政策对企业生产率带来的影响。地表水质监测系统只能监测到监测站上游的排放物，这使得在监测站附近，上下游的企业将面临不同的政策规制程度，地方政府会迫使上游企业实行更严格的排放控制政策。仅仅关注于一部分非常紧邻监测站的企业的生产率关系，作者可以比较干净的识别水质控制政策对企业生产率的影响，而不会受其他混淆因素的干扰。

 

这个识别策略依赖于如果没有任何污染物控制政策的干预的情况下，在水质监测站上、下游的企业应该是基本一样的（可比的）。在作者看来，这个假设基本上是成立的，原因如下：首先，水质监测站的选址几乎只取决于水文因素（水流、河宽等）而不是经济社会因素的考量；特别地，中国政府还要求水质监测站必须尽可能的靠近已经建好的水文站，这样两者可以共享一些基础设施、实现规模经济和将水质数据与其他水文数据相结合。水文站大多建立于1950年代和1970年代，且是为了监测水文状况而建立的，这使得水文站的选址与如今的企业经济和环境排放表现是正交的。另外，作者用数据检验了上下游企业在各方面是否平衡（Balance）。第一，水质监测站上下游的乡镇的不随时变的经济社会条件和基本基础设施是平衡的；第二，作者发现只有那些污染排放企业才受到了水质监测的影响，而其他非污染排放企业则不受影响；第三，这一影响在2003年之后才变得显著，那一年，胡锦涛开始强调可持续发展的重要性。第四，利用很多水质监测站人为的选址于接近水文站，作者将企业是否处于水文站的上游作为是否处于水质监测站的工具变量，结果相似。

 

3 计量模型

 

作者利用环境规制强度在水质监测站附近的空间断点估计了环境规制政策对TFP（全要素生产率）的因果效应。企业到水质监测站的距离作为 Running Variable，作者检验了那些刚好处于水质监测站上游的企业是否比临近的下游企业有更低的生产率。

 

这一计量模型基于一个假设，假设是那些刚好处于上游和下游企业应该在各方面都是平衡的。当且仅当上游企业受到更严格的环境规制时，这两组企业才开始有差别。

 

断点回归可以使用参数估计和非参数估计两种估计方法。根据 Gelman and Imbens (2017)，参数估计更容易使得断点回归设计的估计对多项式阶数的选择敏感等，建议使用局部线性估计的非参数估计方法。基于此，本文主要使用非参估计：

此处，TFPi 是企业 i 的全要素生产率；Downi 是指示变量，等于1表示企业i处于某水质监测站的下游；Disti是企业 i到水质监测站的距离；h 为带宽，带宽的选择是在专注于水质监测站附近样本（识别假设最容易满足的区域）和获得一定的样本量以使得估计结果更加可靠两者之间的权衡。

 

尽管作者收集的年份面板数据，但本文的计量估计设计（RDD）本质上是横截面的。因此，作者将数据压缩成为横截面数据，此时，对系数的解读应该是数年的平均效应。为了充分利用面板结构的数据，作者使用非参数模型对各年进行了估计，并检验断点的效应在各年之间的变化。

 

4 数据

 

作者结合了多个数据集。首先，水质监测站的数据，统计年鉴2003-2010年的水质监测数据，包含了China Environmental Yearbooks、 China Environmental Statistical Yearbooks 和 China Environmental Quality Statistical Yearbooks。数据集中，由中央政府控制的监测站每年的个数为400-500个，并对这些监测站进行了地理编码。

 

其次，作者计算得到 2000-2007年的年度企业级TFP数据是通过工业企业数据获得的，作者基于Olley and Pakes (1996) 提出的方法计算TFP。稳健性检验部分，作者亦使用其他计算方法并得到了基本一致的估计。

 

为了检验水质监测系统是否在事实上减少了水污染物质的排放，作者收集了企业级别的排放数据（China’s Environmental Survey and Reporting）。本文中，作者仅使用那些与工业企业数据库中同一污染行业、相同时间区间的企业样本。

 

另外，作者还利用了乡镇级别的社会经济状况数据。

 

5 数据匹配和平衡性检验

 

5.1 数据匹配

 

首先，作者将水质监测站跟水系流域进行匹配，作者删除了一下难以确定上下游关系的监测站、同时也删除了那些在湖泊和水库中的监测站。对于剩下的161个监测站，首先匹配到其所在地乡镇，并以该乡镇的几何中心点划半径为10km的圆，基于高程数据和水流向数据，识别出处于上、下游的乡镇，至此，作者得到了544个乡镇。最后，对于ASIF和 ESR 中的企业，作者选取落入这544个乡镇的企业为样本，并计算企业到他们所在乡镇的水质监测站的距离。

 

5.2 平衡性检验

 

RD的假设在与断点左右两边的企业在没有环境规制政策时，其他影响TFP的因素应该是光滑的，但是，由于企业级别的特征大都是时变的，所以本文的平衡性检验使用乡镇级别的特征数据，并且这些乡镇的经济社会特征很好地反映了企业的生产条件和所面临的市场环境。作者检验了上下游的乡镇是否在各方面平衡。在 Table 1中，一共检验了3组变量，Panel A 展示了 basic township characteristics，Panel B 总结了 local infrastructure 的对比，Panel C 对比了 human capital。结果表明上下游的乡镇在各方面都是平衡和可比的。

 

 

6 结果

 

6.1 水质监测对 TFP 的影响

 

Table 2 使用严格的回归对 Figure 3 的结果进一步检验，Panel A 展示的是没有任何其他控制的断点回归结果，我们可以看到，对于污染排放行业，那些处于下游的企业有更高的TFP，而对于非污染排放行业的企业而言，上下游的TFP没有显著区别。

 

本文的样本覆盖了161个水质监测站和34个制造业行业。 Panel A 中的 RD 回归对比了处于不同行业和水质监测站附近的上下游企业，这意味着此估计结果是受其他因素影响较大的，为了解决这一问题，作者首先控制了监测站和行业的固定效应，然后使用TFP的残差再做RD回归（Panel B 和 C）。这样做，作者将可以有效地比较监测站间和行业间处于上下游的企业的生产率。在控制了固定效应之后，污染排放行业的RD估计变得显著了。

 

在作者较为喜欢的控制了监测站和行业固定效应的回归设计中，对于污染排放行业的企业，下游企业的TFP（Log 形式）比上游多了0.31到0.35；这个估计可以折算为，由于水污染排放的监测，使得上游企业的TFP下降了26.7% (e^{-0.31}-1)  到 29.5% (e^{-0.35}-1) 。而相反地，对于非污染排放行业的分样本回归中，系数非常接近于0且不显著。对比 Panel B 、C和 Panel A 的回归结果，我们可以看到估计的系数在大小上是非常接近的。这样的结果反映了监测站级和行业级的影响TFP的因素与上下游的指示变量是不相关的。但是，监测站级和行业级的控制变量将能很大程度上的解释TFP的差异，控制他们可以显著地降低Treatment effect 的标准误。同时，此处的RD估计结果对于不同的 Kernel function也很稳健。

 

在Table 3 中，作者检验了监测站对TFP的影响是否随所有权、公司年龄和年份变化而有差异。在 Panel A 中，作者通过分样本回归，发现基准结果中的效应主要来自内资私有企业，对于国有企业和外资企业没有影响。作者认为可能的解释是，国有企业和外资企业有更大的谈判资本，另一方面，也可能是国有企业和外资企业在有更好的控制排放的表现。

 

 

水质监测在2003年胡锦涛主席上台之后变得更加严格，特别是科学发展观的提出，在同一年，中华人民共和国生态环境部升级了地表水监测系统。于是，作者认为，水质监测政策对于TFP的处理效应应该再2003年之后更明显。为此，作者对2003年之前和之后进行了分样本回归，与预期相符，2003年之前，上下游的企业的TFP无显著差异，而这在2003年之后的子样本中，上游企业的TFP显著低于下游的企业。在 Figure 4 中，作者对每一年进行了回归，并对回归系数进行了展示，我们可以发现，2003年之后，这个系数在数值上开始变大。2006年之后开始变得显著（2006年为十一五计划的第一年）。

 

 

在 Panel C 中，作者对比了不同年龄的企业，作者将2003年之后建成的企业定义为“新企业”，作者使用2003年之后的数据对“新企业”和“旧企业”进行了分样本回归。回归结果显示对于“新”和“旧”企业都有影响。

 

6.2 工具变量回归

 

 

结果如下表 Table 4 。首先，水文站的地理位置可以很好的预测水质监测站的位置 (Columns 1 and 3)，IV 的估计结果显示，那些位于上游的污染排放行业企业的TFP要低 0.35 logarithmic units (Column 2)，但这并不影响非污染排放企业的生产率 (Column 4)。

7 机制探讨

 

作者在文中还探讨了企业如何应对更加严格的环境规制政策以及与TFP的关系，作者认为，面对更加严格的环境规制政策时，公司需要雇佣更多的劳动力（或者提高资本投资）来降低排放，处于上游的企业，他们并没有产出更多，却需要支付更多给政府、从而降低了其利润；进一步地，作者还检验了水质监测背后的政治经济学逻辑，作者发现在那些具有较大升迁潜力的市领导治理期间，水质监测对上游企业的TFP的影响是基准回归结果的两倍。当市领导具有很弱的升迁潜力时，这一效应基本为0。作者也讨论了规制与实际排放的关系，作者认为上游的企业不仅应该减少排放，而且应该采用更加清洁的生产技术。基于另一具有企业级别排放的数据实证结果，作者总结道，上游企业排放了更少的COD和其他废水，而且通过使用更加清洁的技术，使得每单位产出的COD排放和废水都降低了。

 

8 经济影响

 

作者在文末还分析了在不同情景下环境规制可能带来的经济成本和效率损失。进一步地，作者也分析了经济成本计算中可能存在的偏误及其原因。

 

9 结论

 

本文首次基于断点回归设计可靠地估计了中国环境规制政策对企业生产率带来的影响，具体而言，对于处于水质监测站上游的污染排放行业企业，其 TFP 较处于下游的企业平均低 26.7%。这一效率损失主要是内资私有企业带动的。在时间维度上，这一效应随着时间的推进而逐渐加大，这也与中国政府实行逐年严格的水质规制政策一致。

 

本文也对水质监测站对污染物排放的影响进行了探讨，利用企业级别的数据，作者发现，就 extensive margin 而言，上游企业减少了 52.8% - 62.8% 的COD排放。在 intensive margin 上，上游企业采用更加清洁的技术并且每单位产出减少排放38.7% - 49.3%。

 

结合两组估计，作者测算出中国水污染监控政策的经济成本。结果显示，减少 10% 的COD排放和COD排放强度将分别导致 2.35%–2.75% 和 3.43%–4.21% 的企业 TFP的下降。 这意味着，中国计划于2016年-2020年COD减排计划将导致9360 到 10,990 亿人民币的损失 (150.5 to 176.7 billion US dollars)。

 

Abstract

 

This paper estimates the effect of environmental regulation on productivity using a regression discontinuity design implicit in China’s water quality monitoring system. Because water quality readings are important for political evaluations, and the monitoring stations only capture emissions from upstream, local governments are incentivized to enforce tighter environmental regulations on firms immediately upstream of a monitoring station, rather than those immediately downstream. Exploiting this discontinuity, we find that upstream firms’ TFP is 27% lower than that of downstream firms. China’s waterpollution abatement target (2016-2020) would lead to roughly one trillion Chinese Yuan (159 billion USD) loss in industrial output value.