图片来源：百度图片 

原文信息：

Wesley Blundell, When threats become credible: A natural experiment of environmental enforcement from Florida, Journal of Environmental Economics and Management, Volume 101, 2020, 102288, ISSN 0095-0696, https://doi.org/10.1016/j.jeem.2019.102288

为了阻止犯罪，对犯罪的预期惩罚必须超过其预期收益。

在执法资源有限的情况下，环境监管机构通常采用动态执法，根据工厂过去的合规历史进行处罚和执法，以提高工厂整体合规水平、减少污染物排放。

尽管对初犯者的处罚较低，但监管机构可以通过增加处罚和监测惯犯的威胁来阻止违规行为。这意味着工厂必须考虑当前对违规行为的处罚，以及未来任何违规行为所增加的成本。如果有相关的声誉成本，这种效果会得到加强。

2012年，美国联邦环保署（Environmental Protection Agency，EPA）对佛罗里达州环境保护部门( Department of Environmental Protection，DEP)进行了审查，结果发现佛罗里达州环境保护机构此前对“高优先违规（High-Priority Violations,HPV）”企业的处罚力度不够。在审查之后，佛罗里达州大幅增加了对高优先违规监管目标的处罚，而对其它企业不变。在分类标准不变的情况下，只意外增加对优先违规企业的处罚，可以清楚地识别传统执法行为对企业行为的影响。

为了评估美国制造工厂在动态环境下对执法的反应，作者采用了双重差分和三重差分的准实验方法，使用了包含有关排放、监管活动和合规情况的工厂级别面板数据，研究得出佛罗里达州环境监管机构在2012年对“高优先违规”企业加大处罚力度之后，该州所有工厂的排放都有所减少，合规情况也有所改善。

因此，这项研究主要有两个贡献。首先，这项研究使用了准实验，来量化处罚的增加在多大程度上提高了合规性和其他环境结果。其次，提供了经验证据，表明企业对这一准实验的反应与动态执法理论是一致的，这表明动态激励可能对执行政策的设计至关重要。

直到美国国会通过了1970年的《清洁空气法》修正案，并创建了联邦环保署，美国联邦政府才逐渐在空气污染的监管方面发挥重要作用。

此前，在缺乏联邦监管的情况下，一些州制定了自己的法规来管理其管辖范围内的污染者。因此，为了确保工厂符合他们所适用的每一个项目的要求，联邦环保署建立了一个主要由各州环境保护机构实施的监管和执行系统。工厂通常需要至少每五年进行一次全面检查。对于较大的设施，或排放有害污染物的设施，则需要接受更定期、更频繁的合规性评估。不合规的标准通常在各州是一致的，但如果州采用比联邦EPA更严格的标准，则标准会有所变化。一旦工厂因在一个监管计划中至少违反一次而被认定为不合规，工厂可能会收到诸如警告或罚款等执法行动。

1998年，美国环保署提出了“高优先违规（High-Priority Violations，HPV）”，旨在鼓励州级执法机构把那些“对环境最重要”的不合规工厂作为优先处理对象，同时“允许机构有更大的灵活性”。其中“违规行为是否产生了大量污染”、“是否为一个顽固工厂持续的违规行为”是重要的分类标准。理论文献研究了根据工厂的违规持久性或其违规历史来调整执法的好处，这能够帮助“监管机构在不牺牲威慑的情况下节省监控资源”。然而，不合规频率更高的工厂，通常会面临更频繁的检查和执法行动，简单的统计关联常常显示出执法与合规之间的负相关性（检查越多，不合规越多）。

尽管各州对优先违规和不合规的分类标准是一致的，但它们在处理优先违规企业或其他合规问题时被赋予了灵活性。因此，为了限制各州监管机构执法强度的差异，联邦环保署建立了州审查框架，这是一个定期审查各州《清洁空气法》执法情况的国家系统。在这个系统下，每个州监管机构至少每五年会收到一套强制性的指导方针，用于指导他们的执法实践。

而作者正是利用了一个州监管机构在联邦环保署审查后修改其对“高优先违规”企业的执法，来研究动态执法环境中工厂对传统执法行动的反应，并利用数据说明，通过“高优先违规”分类来执行《清洁空气法》修正案与动态执法是一致的。

这项研究主要使用从联邦环保署（EPA）的执法和合规历史在线数据库中获得的废气处理系统（the Air Facility System，AFS）的固定源数据，这些数据包括2007年至2014年期间工厂级别的合规、检查、警告、罚款、罚款金额和监测信息。因为州监管机构需要通过州审查框架（State Review Framework），因此有动力满足有关审查要求，所以这些数据为2007年至2014年期间大型固定空气污染源提供了相对完整的监管历史记录。其中AFS中的合规信息来源于监管报告和工厂自我报告（由于披露虚假的自我报告后果很严重，所以我们可以认为这些自我报告是准确的）。

分析的关键是关于合规性的二元变量，这个值反映了一个设施在给定季度内所有空气项目中的最低合规状态。若在给定的季度内整个废气处理系统至少有一次违规情况，该值为0，如果没有违规记录（包括不清楚是否违规、或违规未被发现等情况）则为1。合规数据的季度性质决定了其他工厂监管信息需要被聚合到“工厂-季度”级别，以供分析使用。

最终，该数据集包含了该时期超过100万条季度观察数据，对应于31,000个不同的制造设施。大约37.4%的工厂在这段时间的至少一个季度中不合规，其中大约10%的工厂在整个时间范围内都不合规。此外，为了将数据从2014年扩展到2017年，本文还使用了EPA新的集成合规信息系统（the EPA’s new Integrated Compliance Information System，ICIS）。该系统包含了类似的工厂级别执法信息，但跟踪合规信息的方式不同。

在开始理论部分之前，作者对两个事实进行了阐释。第一个事实是：相比于合规工厂以及非优先的不合规工厂，高优先违规工厂面临更高的罚款和监控水平。这与监管行动或罚款随着工厂违规或违规历史的增加而增加的观点是一致的。第二个事实是：在可能被归类为“高优先违规”的不合规工厂中，最终被如此分类的工厂在一年后更有可能变得合规。这种模式是文献中所说的“执法杠杆”的证据，即工厂为了降低未来预期的监控和执法水平，而采取成本高昂的合规投资的动态激励。

在理论研究部分，作者参考了Harrington (1988) 的工厂最佳决策模型（最大限度减少工厂成本的预期折扣和的决策），引入了随机性，允许工厂在不同监管等级组间转换。同时，还将模型简化为了两组，而不是现实中环保署可能分的三组（①合规的工厂，②不合规但不被列为优先违规的工厂，③被列为优先违规的工厂）。

监管机构把工厂分成两组，分别是G1和G2。G2组的工厂会受到更严格的监管。每组工厂被检查的概率分别是P1和P2，被发现违规后的罚款分别是F1和F2。其中，P2＞P1，F2＞F1，这意味着G2组的工厂被检查的可能性更大，违规后的罚款也更多。

如果G1组的工厂被发现违规，它们有概率u被重新分类到G2组。但并非所有被发现违规的工厂都会被调整到G2组，这与本文的实证研究背景一致。而如果在G2组的工厂在检查中没有被发现违规，那么这些工厂会被重新分类到G1组。

从工厂的角度来看，这个框架构成了一个马尔可夫决策过程（Markov decision process）。工厂会根据转移概率从每个分类组转移，这些概率取决于工厂当前的分类和合规决策。工厂选择合规时，必须支付合规成本c。否则，工厂将面临检查和罚款风险，罚款的多少取决于工厂当前所属的组别。

工厂的收益在时间上是恒定的，但是它会根据一个贴现因子β（这个值在0和1之间）来考虑未来的收益。也就是说，工厂在这个模型中需要做出是否合规的决策，这个决策会影响它未来可能面临的检查和罚款，同时也要考虑合规成本和对未来收益的预期。

在这些条件下，低合规成本工厂将始终选择合规。中合规成本工厂将根据所属组别来做出选择，高合规成本工厂总是选择不合规。

作者还对实证设定的局限性进行了讨论。主要有四个方面：一是EPA实际上有三个执法组别，而不是模型中的两个。这三个组别包括：总是合规的工厂、有违规但不是优先违规的工厂、被视为优先违规的工厂。然而，作者并没有观察到总是处于优先违规状态的工厂。二是模型没有考虑到工厂可能由于高额的合规成本而选择退出市场，或者新工厂因为执法环境严格而选择不进入市场，这些都可能影响合规率的总体水平。三是模型没有考虑到工厂的合规成本可能随时间变化，如果合规成本变化，可能会影响工厂的合规决策。四是工厂对增加执法的响应程度，取决于工厂合规成本的分布和检查率的变化。如果合规成本分布不均，也可能会影响研究结果的准确性。

根据不同被监管概率、受处罚概率以及不同合规成本，在佛罗里达州环境监管机构对违规的优先监管目标加大处罚力度之后，作者做出如下预测：

（1）总体合规率将会增加。

（2）违规的优先监管目标将会增加合规的可能。

（3）有违规记录的工厂将增加合规的可能，但没有被列为优先违规的工厂程度高。

（4）合规成本较高的工厂对合规的响应将超过合规成本较低的工厂。

其中，前三个预测检验了在动态执法环境中，增加传统执法措施是否提高了合规性。然而，在静态执法环境中，这样的预测也同样成立，因为在静态执法环境中，对处罚的静态增加本应导致合规性的提高。第四个预测检验了工厂的合规行为是否与它对动态激励的遵守一致，并反映了在静态执法环境下人们所预期的相反情况。因为在静态执法环境中，监管机构无法观察到工厂的合规成本，人们会预期合规成本较高的工厂对处罚增加的反应会小于合规成本较低的工厂。

表1通过比较2012年审查前后，针对三组“优先违规”设施的违规行为执行措施，提供了佛罗里达州监管变化的独特证据：(1)佛罗里达州的工厂；(2)南卡罗来纳州、阿拉巴马州和乔治亚州的工厂；(3)美国其他地区的工厂。

表1的第1行强调，尽管在处罚前后，各组间的平均效应并不具有统计显著性，但佛罗里达州优先工厂的处罚增加与附近南部州以及美国其他地区优先工厂的处罚大幅下降趋势之间存在鲜明对比。

表1的第2行强调，与其他组相比，佛罗里达州工厂的烟道测试有显著增加，与南部其他州的变化差异在传统水平上几乎具有统计显著性。

表1的第3行表明，与美国其他地区相比，佛罗里达州工厂的检查变化差异是正面的，并且在1%的水平上具有统计显著性。因此，可以合理地得出结论，佛罗里达州对优先工厂的监控和执法的变化与一般执法趋势形成了对比。

公式中，"Treat"是一个指标，用于表示工厂是否有不同的合规成本。关键的系数是，它是"Treat"和佛罗里达州工厂在审查后期间的交互项。这分离出了佛罗里达州高合规成本工厂对优先违规处罚增加的不同反应。此外，由于工厂的合规成本无法直接观察，作者使用了三个与合规成本相关的变量进行回归分析：一是代表工厂的母公司在佛罗里达州以外是否有一个或多个工厂的虚拟变量，因为该工厂的污染可能被转移到母公司内的其他工厂。二是州制造业企业的总数量，因为该值越大表示制造业对当地就业的贡献越大，那么本地制造业工厂的合规成本就越低。三是折旧后的违规总数，每季度折旧率为10%。样本部分的时间范围以及对照组的设置与DID类似。这可以缓解一定的内生性问题，并定义了高合规成本工厂。作者通过使用不同的代理变量来定义合规成本，以试图揭示工厂的合规决策是否与动态执法激励一致。

表3报告了DDD的结果。结果显示，低合规成本的佛罗里达州工厂的合规增长较小。当使用折旧后的违规总数（每季度折旧率为10%）作为代理变量时，结果显示高合规成本的工厂有更大的合规增长。研究结果表明，佛罗里达州工厂的合规决策与理论模型的预测（4）一致，即合规成本较高的工厂在政策变化后显示出最大的合规增长。

文章发现监管机构的执法资源有下降的趋势，这导致非传统执法措施(例如公众监督)使用扩大和有针对性地使用传统执法措施(例如处罚)。理论工作表明，这种动态执法将鼓励高合规成本和低合规成本工厂的合规。然而，很少有经验证据支持这一理论。总的来说，这篇文章提供了一些关于传统执法在动态环境中确定工厂合规性的作用的第一批准实验证据。执法政策的变化也对预期合规成本较高的工厂产生了最大的影响，这表明动态激励可能很重要。最后一个结果对政策制定尤其重要，因为动态执法的好处取决于经常违规的工厂提高绩效的程度。

Abstract 

Environmental regulators often use dynamic enforcement, which bases penalties and enforcement effort on plants' past compliance history, to improve compliance and decrease emissions when enforcement resources are limited. Using plant-level data from the Environmental Protection Agency (EPA), I examine an unexpected shift in the use of traditional enforcement by environmental regulators in Florida, showing that all of the state's plants decreased emissions and improved compliance following an increase in penalties for those with Priority Violations. The largest improvements were observed among plants with the highest expected costs of compliance, which is consistent with the theory of dynamic enforcement. These results are robust to the use of control plants from nearby southern states, as well as control plants selected via a matching algorithm. The paper's findings (1) provide quasi-experimental evidence on the effectiveness of traditional enforcement actions, and (2) suggest that dynamic incentives may matter for plant compliance decisions.

声明：推文仅代表文章原作者观点，以及推文作者的评论观点，并不代表香樟经济学术圈公众号平台的观点。