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 —

标题：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

参考文献

作者：任胜钢，郑晶晶，刘东华，陈晓红

来源：《中国工业经济》2019年第5期

数据概况

1、数据来源： 财务信息、产品销售情况以及其他企业特征的企业级数据来自国泰安数据库(CSMAR)；企业的专利数据来自佰腾网(https//www.baiten.cn)

2、样本：

双重差分样本：沪深两市A股中296家排放企业

三重差分样本：264家非排放企业

3、变量说明：

4、相关数据及代码预览

理论框架

1、SO2排污权交易试点政策对企业全要素生产率的影响

(1)基准回归测度试点政策实施对上市企业全要素生产率的平均影响；

(2)动态效应验证平行趋势假设并测度不同时段的影响；

(3)三重差分排除其他试点政策影响。

2、SO2排污权交易试点政策影响企业全要素生产率的机制验证

(1) 技术进步效应：检验排污权交易制度通过技术创新促进企业全要素生产率；

(2) 资源配置效应：检验排污权交易制度通过资源配置促进企业全要素生产率。

3、异质性分析和稳健性分析

(1) 从企业内部特征和外部特征的异质性分析；

(2) GMM测算全要素生产率更换因变量&安慰剂检验。

实证分析及相关代码

1、SO2排污权交易试点政策对企业全要素生产率的影响

(1) 基准回归：

为了检验SO2排污权交易试点政策对企业全要素生产率的影响，本文构建 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')

#创建年份、地区、ind虚拟变量

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())

代码结果与原文一致，控制变量和固定效应代码略，汇总如下：

结果显示排污权交易制度对全要素生产率的回归系数为 0.2522（在1%水平上显著），且控制变量和固定效应回归系数相差无几，故SO2排污权交易制度显著提高了企业全要素生产率。

（2）动态效应

为严谨验证平行趋势假设，同时反映出试点政策在不同时段内这一影响的差异（基础回归仅测度出平均差异），参考 Jacobson et al.（1993）提出的事件研究法（Event Study Approach）对试点政策的动态效应进行实证检验，并构建以下模型：

# 第一个模型，控制不随时间变化的行业和地区特征

# stata代码对照：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)

# 输入模型代码并导出回归结果

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())

# 输入绘图代码并导出β结果：

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()

代码结果与原文一致，汇总图如下：

在2004-2006 年均不显著，说明处理组和对照组在试点政策实施前不存在明显的差异，满足平行趋势假设;

试点后估计系数从第三年（2010年）开始显著并逐渐增大，说明 2007 年试点政策对全要素生产率的影响滞后两年，并且影响逐渐增大。

（3）三重差分

上述策略可能存在的问题是，除试点政策之外，其他政策可能也对试点地区和非试点地区全要素生产率产生不一致的影响，从而使估计结果出现偏差。

本文使用三重差分法克服这一问题，本文选择制造业和采矿业中属于非 SO2 排放行业的企业作为三重差分的“处理组”和“对照组”

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代码与原文结果不一致，与stata结果一致，结果与原文结果对比如下：

2、影响机制分析

将传导机制分解为技术进步效应和资源配置效应两方面：

# 第一个模型，试点政策对技术创新的影响

# stata代码对照：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筛选数据

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

#地区固定效应和时间固定效应（地区固定效应没有实现）

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

#确定解释变量

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

#确定被解释变量为专利申请量(Patent)的OLS回归

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

#采用聚类稳健标准误

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

print(res)

排污权交易制度促进了技术创新，因此，排污权交易制度通过技术创新途径影响全要素生产率得到有效验证。

# 第五个模型，试点政策对资本配置效率的影响

# stata代码对照：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筛选数据

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

#行业固定效应和时间固定效应（地区固定效应没有实现）

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

#实现数列相乘

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

#确定解释变量

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

#确定被解释变量为资本配置效率的OLS回归

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

#采用聚类稳健标准误

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

print(res)

与对照组相比排污权交易制度显著提高了试点地区企业的资本配置效率水平。排污权交易制度通过资本配置效率提高全要素生产率得到有效验证。

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相关推荐

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（思路梳理+全数据源+python代码）
标题: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参考文献作者:任胜钢, 郑晶晶, 刘东华, 陈晓红来源:<中国工业经济>2019年第5期数据概况 1. 数 ...
复刻顶刊实证论文！思路梳理+全数据源+python代码
参考文献标题:家庭背景.代际传递与教育不平等<中国工业经济> 作者:邹薇马占利数据概况数据来源:1989-2011年九次中国健康与营养调查(CHNS)家庭非平衡面板数据库数据处理 ...
顶刊实证复现：扶贫改革试验区的经济增长效应及政策有效性评估！思路梳理+全数据源+python代码
参考文献标题:扶贫改革试验区的经济增长效应及政策有效性评估作者:张国建佟孟华李慧陈飞数据概况 1.数据来源:数据来自历年<中国县(市)社会经济统计年鉴>.<中国区域经济统 ...
论文复刻：排污权机制是否提高了企业全要素生产率（附代码、数据、原文献）
1.数据来源:自主计算 2.时间跨度:无 3.区域范围:无 4.指标说明: 复刻论文: 任胜钢,郑晶晶,刘东华,陈晓红.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(J).中国 ...
碳中和专题：碳足迹核算、碳中和顶刊论文、碳排放交易2022
(1)碳中和顶刊论文 1.数据来源:自身 2.具体内容: 01周宏春:碳循环经济内涵.实践及其碳中和的深远影响.pdf 02谢和平:碳中和目标下煤炭行业发展机遇.pdf 03秦阿宁:碳中和背景下的国际 ...
考虑碳交易机制的园区综合能源系统电热协同运行优化研究（Matlab代码实现）
考虑阶梯式碳交易机制与电制氢的综合能源系统热电优化（Matlab代码实现）
(顶刊复现)配电网两阶段鲁棒故障恢复(matlab实现)
参考文献: X. Chen, W. Wu and B. Zhang, "Robust Restoration Method for Active Distribution Networks, ...
碳交易机制下考虑需求响应的综合能源系统优化运行论文复现——附代码
目录摘要: 一.区域综合能源系统(IEHS)的基本结构: 二.IEHS 优化运行模型: 三.求解方法: 四.求解结果: 五.Matlab复现代码摘要: 综合能源系统是实现"双碳" ...

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

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相关推荐

最新文章

热门文章