推文人 | 李艺璇 

原文信息：Blundell, W., Gowrisankaran, G., & Langer, A. (2018). Escalation of scrutiny: The gains from dynamic enforcement of environmental regulations (No. w24810). National Bureau of Economic Research.

 

引言

 

美国联邦政府和州政府仅在2014年就在清洁空气法案和清洁水资源法案上花费了超过210亿美金，如此庞大的支出是否达到预期的效果呢？本文就想探讨美国清洁空气法案中对表现极差的企业的重点关注是否具有提高效率，降低成本的效果。

 

制定有效的环境政策常常面临着很多困难，首先，对排污企业的监控常常是做不到完全完备的，而且监控成本不可忽视；其次，企业在减排方面的投资需要不可忽略的资本，也需要时间去产生效果；同时，对违规企业的惩罚面临着来自联邦政府和州政府的政治压力；排污企业之间也有着很大的差异性，完全相同的政策并不能达到最有效率的情况。这些特征促使政策制定者们通过对多次违规或者单次违规程度十分严重的企业进行重点监管（更多检查，更高罚金等），而对其他企业实施成本更小的一般监管来以更高的效率降低污染。

 

美国的清洁空气法案（clean air act）将监管下的企业分为合规者（compliance），一般违规者（regular violators），严重违规者（high priority violators）三类进行了不同检查频率和惩罚力度的监管。下图展示了三类排污企业的检查频率，罚款数额和判定违规的次数。显然，被检查的频率，罚款数额和被判违规的次数逐级显著增长。后文中我们将这种特征叫做动态执行（dynamic enforcement）。

本文估计了企业在这种动态执行的背景下遵守法案的成本，继而估计了这种动态执行的方法相比于一些其他执行方法所带来的成本节约。文章建立了企业在动态监管环境下的动态最优化模型，估计出了所关心的参数。

 

研究结果发现这种动态执行方法为监管者节约了法律施行成本，对于企业来说，被归类为严重违规类别相当于每个季度都多交了一笔43万美金的罚款，而在减排方面的投资则相当于规避了一笔2600万美金的罚款。

 

法规动态执行的reduced-form 证据

 

本文动态部分模型上的刻画需要我们有充分的信息去定义state, action,待估计参数等，这里的实证部分主要用来motivate模型设定。

 

作者们首先探讨投资决定是否可以促进污染企业被重新归类为合规者（compliance），下表展示了结果，确认投资确实可以提高未来这个企业脱离重点监管的概率。

下表则将这种过程直观地展示了出来。

接下来作者需要估计出一个合适的对过往违规记录进行depreciation的折旧率，组着将检查，罚款和违规记录对折旧后的累计的违规次数做回归，比较哪个depreciation rate与实际数据有着最好的拟合效果，从而决定出最合适的折旧率。表4展现了结果：

10%折旧率的模型结果最为合理，因此后文中采用了10%每季度的折旧率。

 

监管环境的差异性将为后文的参数估计有重要作用，图A1展示了10个地区（由美国环保局分类的10各地区）法规执行力度的差异性。

作者们接下来检查了投资决策在时间上的相关性，发现数据呈现出了一定的相关性，这可能表明random coefficient model是更合理的。

模型

 

在模型中，监管者做出是否对企业进行检查和罚款的决策，企业则决定在当期是否进行减排方面的投资。每一期开始时，监管者首先根据企业的之前的记录和一些随机因素决定是否检查这个企业，监管者和企业都会受到关于这个企业当期表现的信号，这个信号的分布与该企业是否被检查有关。接下来监管者决定是否对企业进行罚款，以及是否调整该企业的评级（compliance, regular violator, high priority violator）。接下来企业方作出是否在减排方面进行投资的决定。虽然这种投资是有成本的，但是由于它降低了企业的污染，可以带来降低罚款，以及重回到compliance的作用。作者使用了两个模型进行估计，第一个模型中，刻画检查投资等对效用函数的影响的参数对所有企业是相同的，在第二个模型中，这些参数可以在不同企业间不一样。

 

估计方法

 

首先估计出监管者的conditional choice probability，作者使用probit model估计进行检查，被判定为违规的概率，tobit model来估计罚款的概率和数额，最后用probit model来估计transition function，回归是对三类企业分别做的，允许他们的CCP有所不同。下边两张表展示了结果：

得到了这些CCP之后，我们用maximum likelihood的方法来估计我们想知道的参数，这里是想让模型估计的做投资的决策和真实数据尽量相似，根据模型部分的结果，似然函数为：

估计方法是fixed point estimator（这里不详细介绍估计过程，有兴趣的可自行学习），这里也介绍没有引入企业间异质性的模型，引入了企业间异质性的模型可以查阅原文学习。

 

数据

 

作者获得了7年间超过250万个企业-季度观测值的数据，数据包含企业在每个季度的被检查情况，罚款情况，是否被判定违规，在三类被监管类别中的哪一类，投资与否。

 

结果

这张表展示了用不同模型估计出来的结果。

 

作者接下来做反事实分析（counterfactual analysis）来估计这种动态执行带来的效率提升。作者假定了几种新的政策结构，估计新的政策结构下的污染排放量

比较表格中不同列的mean pollution cost，确实发现这种对high priority violator重点关注的方式是提升了效率的。

 

Abstract

 

The U.S. Environmental Protection Agency uses a dynamic approach to environmental enforcement for air pollution, with repeat offenders subject to high fines and designation as high priority violators (HPV). We estimate the benefits of dynamic monitoring and enforcement by developing and estimating a dynamic model of a plant and regulator, where plants decide when to invest in pollution abatement technologies. We use a fixed grid approach to estimate random coefficient specifications. Investment, fines, and HPV designation are very costly to most plants. Eliminating dynamic enforcement would have large adverse impacts on the number of high priority violators and pollutants emitted.