生态补偿是平衡各利益相关者利益、调动地方政府治污积极性的重要举措，而生态补偿与环境质量标准的关系可能会影响政策效果。本研究考察了中国首个针对大气污染治理的生态补偿政策——山东省环境空气质量生态补偿（AAQEC）政策对环境空气质量的影响，并探讨生态补偿与环境质量标准之间的适度关系。理论模型表明，对环境质量不达标的从宽处罚偏离了AAQEC以多种污染物为目标的激励，从而限制了其改善区域整体环境空气质量的有效性。基于月度空气污染物浓度数据和连续双重差分法的实证结果表明，AAQEC是协助地方政府实现环境质量达标的保证措施。AAQEC通过激励环保支出和绿色转变发展方式，有效降低了SO2和PM2.5浓度，但对超标严重的重点污染物（PM10浓度）的控制效果不明显。造成上述困境的原因在于，地方政府不顾实际污染状况，选择污染减排边际净收益较高的污染物进行优先治理的策略性行为，导致环境空气质量的局部改善。以上研究结果表明，应建立灵活的生态补偿政策，对环境质量不达标者进行惩罚，发挥其在提高地方政府环境治理能力方面的作用，在达标的基础上进一步改善整体环境空气质量。
以高能耗、高排放为特征的粗放式发展导致中国空气污染严重。根据《2023年中国生态环境状况公报》，全国339个地级及以上城市中有136个城市空气污染物浓度超过环境空气质量标准，意味着40.1%的城市遭受了空气污染损害。严重的空气污染会对人类健康产生各种不利影响，并对社会福利和经济增长构成威胁，这归因于劳动生产率降低和劳动力外流的不利结果。尽管改善环境空气质量是中国亟待解决的问题，并实施了一系列环境规制措施以抑制污染活动，但中国环境分权体制下的属地管理方式导致了地方政府在环境保护方面的合作困境。大气污染物的空间溢出效应使得地方政府在污染治理方面难以实现长期有效的合作。面对经济增长和环境保护的双重激励，地方政府为追求辖区利益最大化，容易陷入竞相污染的"囚徒困境"。因此，有必要动员地方政府积极主动地治理污染，引导地方政府进行协同环境治理。为此，中国在大气污染治理领域实施了生态补偿政策。
生态补偿作为提升生态系统服务和促进区域可持续发展的有效途径，在全球范围内得到了广泛的应用。狭义但频繁的生态补偿被定义为对生态系统服务的支付，它坚持受益者付费原则，力求通过内部化正的环境外部性来确保生态系统服务的可持续提供。从广义上讲，生态补偿坚持受益者付费原则和污染者付费原则。其实质是重新分配污染者和受益者的部分收益，以补偿受害者和保护者的损失。这一过程同时将正、负环境外部性内部化，从而激励各利益相关者积极参与生态保护。这一定义与我国生态补偿的内涵更加契合，尤其是在大气污染治理领域。中国的生态补偿政策起源于20世纪90年代"退耕还林"工程的实施。中央政府通过发放粮食、现金、种苗和造林费等形式，鼓励农民自愿将不宜耕种的坡耕地转为林地和草地，从而解决水土流失和土地沙化问题。2007年，在自然保护区和重点生态功能区启动生态补偿试点工作。这些项目旨在通过转移支付保障生态安全，增强生态产品供给能力。此后，生态补偿的类型和对象扩大到包括草原、湿地、沙漠、海洋、流域等重要生态环境要素。
与以往研究相比，本研究可能的边际贡献有三。首先，在研究对象方面，本研究丰富了生态补偿政策领域的经验证据，揭示了大气污染治理生态补偿的潜在困境。采用连续DID方法，对AAQEC政策的环境空气质量改善效果进行评估，并考察其在多次政策调整下的长期效应，客观分析其在政策稳定持续实施情景下的实际效果。此外，通过对多个目标污染物的分析，识别出地方政府不顾实际污染状况，策略性选择污染物进行优先治理的扭曲激励。这种综合分析克服了传统生态补偿研究通常只关注单一污染物的治理效果的局限性，能够精准识别大气污染治理中的症结所在，为大气污染治理领域生态补偿政策的精细化设计提供思路。
第二，在研究视角方面，本研究从理论和实证两个角度深入探讨了生态补偿与环境质量标准之间的关系。通过构建包含环境空气质量标准的AAQEC带来的收益和成本的理论模型，深入分析AAQEC内嵌的双向补偿机制对地方政府生产和治污决策的影响，明确环境质量不达标惩罚的缺失对生态补偿政策效果的负面影响。并且，通过实证结果进一步验证了理论模型推导出的研究假设，证实了AAQEC的偏离性激励并不一定能够保证区域整体环境空气质量改善这一政策目标的实现。
第三，本研究揭示了AAQEC政策效果的影响因素和内在机理。本文在空间和时间尺度上探讨了AAQEC在财政收入水平、环境治理压力、剩余环境容量和评估接近性之间的异质性效应，反映并证实了地方政府在策略性污染治理选择上的一致性。因此，建立基于环境质量达标的生态补偿机制的必要性在与地方政府环境经济综合决策的前提下得到了更紧密的契合。此外，本文还从财政支出、人力投入、技术创新和企业进入的角度识别了政策发挥作用的机制，这有助于理解政府在空气污染治理中的作用。
1. 基准回归结果
表2给出了基于Eq（9）的回归结果。列(1)和列(4)中重污染企业×岗位的估计系数表明，AAQEC的实施有效地降低了SO2和PM2.5的浓度。然而，第(2)—(3)列的结果显示，该政策并没有显著降低NO2和PM10浓度。这些结果与Zhang的研究部分一致。他们发现了中国大气污染治理生态补偿政策导致PM2.5浓度降低的证据，但没有探究该政策是否降低了其他同样被评估的空气污染物浓度。考虑到2013年PM10在4种污染物中超标率最高，是决定环境空气质量总体状况的关键污染物，"短板效应"并未得到根本解决。根据2011~2020年山东省大气污染密集型行业企业调查数据，工业烟粉尘的减排率一直居于首位，其次是SO2和氮氧化物。由于污染物的边际减排成本通常随排放量的减少而增加，且氮氧化物主要以NO2的形式存在，而烟粉尘是PM10的主要来源，因此污染物的边际减排成本从大到小依次为PM10、SO2、NO2。由于PM2.5中相当一部分为硫氧化物、氮氧化物和挥发性有机物等二次污染物，有效控制这些二次组分的排放对降低PM2.5浓度具有重要意义。此外，根据2019年前SO2、NO2、PM10和PM2.5的考核权重，PM2.5浓度削减的奖励边际效益最高，其次是SO2和PM10，NO2排名最后。因此，当地政府可能会优先处理SO2和PM2.5以最大化净收益，而忽视NO2和PM10。这些发现表明，生态补偿价格对重点控制污染物的偏离激励了地方政府选择污染治理的"容易选项"。
考虑到生态补偿价格变化对政策效果的潜在影响，以及政策效果可能存在的滞后性，本文进一步评估了AAQEC政策对环境空气质量的长期影响。AAQEC的年度动态效应的回归结果如表3所示。第(1)列的结果表明，AAQEC在实施的前两年并没有发挥降低SO2浓度的作用。但在2016年出现了明显的政策效应，此后基本呈现上升趋势。这一结果与政策调整过程一致，其中2015年和2017年12月的调整提高了生态补偿价格。对于PM2.5，由于其浓度变化与大气中其他污染物存在内在联系，AAQEC并没有一致地表现出降低PM2.5浓度的政策效果，如第(4)列所示。根据列(2)—(3)的结果，2018年AAQEC对NO2和PM10的浓度始终没有降低作用，甚至对NO2浓度表现出显著的正效应。这些发现表明，污染物减排的低边际净效益阻止了它们被优先处理，地方政府倾向于牺牲环境质量来换取对这些污染物的经济增长，从而导致非预期的反向效应。在这种情况下，环境质量的不达标以及NO2和PM10浓度没有显著降低，表明AAQEC已成为地方政府通过策略性污染治理选择获得补贴的工具。因此，改善整体环境空气质量的政策目标是遥不可及的。
2. 稳健性检验
2.1 平行趋势检验
为了简化分析，将政策实施8年以上前/后的领先/滞后关系虚拟变量整合为k≤-8或k≥8。政策实施前一个月(2014年2月)作为基期，在回归中省略。因此，相对于AAQEC实施前的差异，βk捕捉了处理组和控制组之间的结果差异。图2给出了以SO2、NO2、PM10和PM2.5月均浓度为因变量的政策窗口内各月交互项的估计系数及其95%水平置信区间。结果表明，在实施AAQEC之前，交互项的估计系数是稳定的且统计上不显著的，这表明处理组和对照组之间的环境空气质量变化趋势相似。平行趋势的存在证实了本文的连续双重差分模型的有效性。
2.2 替换核心自变量
为了确保基准回归中使用的连续变量能够充分捕捉地方政府受AAQEC影响的程度，本文使用三类代理变量来检验基准回归结果对核心自变量的敏感性。首先，本文根据2013年各城市重污染企业的数值构造重污染企业虚拟变量。为与图1中政策干预强度在城市间的划分保持一致，本文将单位工业增加值大气重污染企业数量高于中位数的城市归为处理组(重污染企业哑变量=1)，低于中位数的城市归为对照组(重污染企业哑变量= 0)。表4第(1)—(4)列的结果显示，SO2和PM2.5浓度显著降低，而NO2和PM10浓度没有显著变化，证实了基准回归结果的稳健性。其次，本文用政策实施前一年单位工业增加值的大气重污染企业平均数(重污染企业2011—2013年)代替重污染企业作为连续变量。基准回归的结论在改变核心自变量的度量方法后依然稳健，如列(5)—(8)所示。第三， 本文使用2013年(新型重污染企业)单位GDP的大气重污染企业数量作为替代指标，第(9)—(12)列的结果表明本文的估计结果是稳健的。
2.3 排除干扰因素
在本研究的样本期内，以下政策可能会对基准回归结果产生干扰：环保目标责任制、打赢蓝天保卫战三年行动计划( "蓝天保卫战"政策)、生态环境部对地方政府进行环保约谈(原为环境保护部)、自2012年起分阶段实施修订后的《环境空气质量标准》。
首先，环境保护目标责任制是将污染物减排或环境质量改善等环境目标自上而下分配到各级地方政府的管理制度。"十一五"以来，中国将实现约束性环境目标纳入地方政府领导人考核体系，并采取问责措施，对未达标的政府官员进行行政处分甚至免职。考虑到SO2的寿命较短，且在很大程度上可归因于固定工业源，这种强烈的行政约束可能会导致SO2总量减排目标更加严格，从而导致SO2浓度的降低，这可能会混淆对AAQEC政策效果的评估。为缓解该政策对估计结果的干扰，本文编制了山东省各市"十二五" ( 2011—2015年)和"十三五" ( 2016—2020年) SO2排放总量的目标削减率，并将该指标(环境保护目标)控制在式( 9 )中。回归结果列于表5的(1)—(4)。
第二，将山东省7个城市(济南、淄博、济宁、德州、聊城、滨州、菏泽)划定为"蓝天保卫战"政策的重点区域。这些城市通过严格的环境检查、问责措施，以及向更清洁的产业结构和能源结构转型，促使其加强空气污染治理。为了减轻"蓝天保卫战"政策的干扰，本文在方程中引入了虚拟变量"蓝天保卫战"。；蓝天保卫战自2018年6月起对上述7个城市取值为1。否则为0。列(5)—(8)报告了相应的结果。
第三，基于《环境保护部约谈暂行办法》，生态环境部对2014年以来未依法履行生态环境保护责任的地方政府及相关部门负责人进行约谈，旨在夯实地方政府官员的环境保护责任。为了消除环保面试的干扰，本文在方程中加入了虚拟变量环保面试。其中接受过采访的城市取值为1，否则为0。估计结果列(9)—(12)。
第四，对于修订后的《环境空气质量标准》，调整了空气污染物的监测指标、监测频率、浓度限值和数据有效性要求，实施时间因城市行政级别而异，如图3所示。类似地，本文在方程中引入虚拟变量Standard实施。城市自各自实施时间起赋值为1，否则赋值为0。回归结果报告在第(13)—(16)列。
2.4 安慰剂检验
为了避免AAQEC在降低SO2和PM2.5浓度方面有效的估计结果是由不可观测的冲击或随机因素引起的，本文将核心自变量替换为随机分配的AAQEC的实现，该实现理论上对因变量没有影响，并用于对虚拟政策冲击进行安慰剂检验。图4描绘了将AAQEC实施状况随机赋值给城市500次后，由再回归得到的估计系数的概率分布，可以明显看出，估计系数集中分布在0附近，这与基准回归结果中的估计系数不同，表明政策效果并不源于其他不可观测的因素，进一步证明了本研究结论的可信性。
2.5 调整模型设定
首先，为了进一步减轻遗漏变量偏差的影响，本文进一步控制了城市固定效应和月份固定效应的交互项。表6第(1)—(4)列的估计结果与基准回归结果一致，为本文的发现提供了补充支持证据。其次，为考察实证发现对模型设定形式的敏感性，本文以单位工业增加值中大气重污染企业数量的10%、40%和70%分位数划分城市的做法，构造代表相应类别的虚拟变量与时间虚拟变量post的交互项，替换式(9)中的"重污染企业×post "进行估计，将落在10%分位数以下的样本设定为基准组。如列(5)和列(8)所示，这些交互项的估计系数的绝对值呈现上升趋势，表明在实施AAQEC后，受政策干预强度较高的城市显示出相对更大幅度的SO2和PM2.5浓度降低，从而验证了本文的识别策略。此外，第(6)列的结果表明，对地方政府的政策干预强度越高，地方政府选择污染物处理的"容易选择"而忽视其他污染物的激励越强，从而突出了环境质量不达标处罚缺失导致的AAQEC的激励扭曲。
2.6 经典DID模型
由于大气污染治理生态补偿政策仅在中国部分地区实施，包括山东、河南、湖北、安徽、陕西、山西、四川、湖南等省份，这一事实为运用经典DID模型评估政策效果提供了契机。然而，由于污染物的本底特征、环境问题的表现和成因、经济社会发展状况和目标等方面的省际差异，寻找合适的山东省城市控制组具有一定的挑战性。通过梳理全国大气污染治理生态补偿政策的实施现状，比较各省份之间的特点，最终选择一个具有可比性的对照组- -辽宁省。与山东省相似，辽宁省属于北方地区，重工业在产业结构中占主导地位，对化石能源的依赖程度较高。面临严重的空气污染问题，迫切需要通过转变发展方式实现经济发展与环境保护的协调。据此，我们收集了山东省16个地级市和辽宁省14个地级市2011—2020年的数据，构建了典型DID模型进行稳健性检验。如表7的第(1)—(4)列所示，研究发现与基准回归类似的结果，支持了本文结论的可靠性。
3. 异质性分析
3.1 不同财政收入水平的异质性效应
首先，本文考察不同财政收入水平城市地方政府对AAQEC的差异化反应策略。考虑到缴纳的罚款或获得的奖励来自或流入地方财政资金，地方政府优先控制能够使其净收益最大化的污染物。在没有对环境质量不达标进行处罚的情况下，这种双向补偿机制甚至可能导致部分城市的不达标污染物浓度进一步上升，造成环境空气质量下降；尽管如此，这些城市同时获得生态补偿资金。因此，本文考察不同财政收入的城市是否采取差异化的污染治理行为以应对AAQEC。以年度地方财政一般预算收入的中位数为界，将样本城市划分为高收入组(前50%)和低收入组(后50%)。政策实施时(2013年)，低财政收入城市和高财政收入城市的SO2平均浓度分别为63.48μg/m3和78.85μg/m3，说明在政策冲击下，低财政收入城市对SO2污染的控制效果更好。财政收入低的城市NO2平均浓度为46.93μg/m3，略低于财政收入高的城市的49.50μg/m3，两组城市之间无显著差异。相反，PM10和PM2.5的平均浓度呈现相反的规律，财政收入低的城市和财政收入高的城市分别为167.08μg/m3/149.21μg/m3和70.08μg/m3/63.86μgμg/m3，说明财政收入高的城市对PM10和PM2.5污染的控制较好。分样本回归结果表明，AAQEC的实施降低了高财政收入城市的SO2浓度，同时也引起了NO2浓度的增加，反映了地方政府的策略性污染治理选择，如表8所示。对于财政收入较低的城市，SO2、NO2、PM10和PM2.5浓度变化不明显。这一现象表明，在财政收入较高的城市，SO2的边际减排成本低于全省平均水平，这意味着削减SO2产生了较高的边际净收益，导致其他污染物进入优先治理行列的可能性较小。此外，财政资金不足和环境治理能力薄弱，加之缺乏明显的"易选项"，抑制了财政收入低的城市治理污染的动力。由于不存在因环境质量标准不达标而对地方政府施加的经济约束，AAQEC的激励被扭曲。
3.2 跨环境治理压力的异质性效应
第二，探讨环境治理压力加大对亚太经合组织政策效果的影响。2002年，生态环境部(原国家环境保护总局)发布《大气污染防治重点城市划定方案》，确定113个城市为大气污染防治重点城市。这些环保重点城市的任务是采取各种措施控制空气污染，并在规定的时间内达到环境质量标准。在嵌入环境绩效考核体系的分级问责和奖惩机制下，环保重点城市的地方政府面临更大的环境治理压力，因而具有较高的大气污染防治优先权。据此，本文将样本城市分为非重点城市组(包括东营、临沂、德州、滨州、聊城、菏泽)和重点城市组(包括威海、日照、枣庄、泰安、济南、济宁、淄博、潍坊、烟台、青岛)进行异质性效应检验。分析2013年两组城市的空气污染物浓度发现，重点环保城市的SO2平均浓度为69.23μg/m3，与非重点环保城市的SO2平均浓度(69.28μg/m3)相当。然而，重点环保城市的NO2、PM10和PM2.5平均浓度较低，分别为45.63μg/m3/51.65μg/m3、142.08μg/m3/190.89μg/m3和63.12μg/m3/75.45μg/m3，表明重点环保城市的NO2、PM10和PM2.5污染控制较好。根据表9中的结果，AAQEC的实施降低了非环保重点城市的PM10和PM2.5浓度，而对环保重点城市的NO2和PM10浓度却产生了意想不到的反向影响。这一发现表明，AAQEC作为一种经济激励型的环境规制工具，主要在环境治理压力较低的地区为污染治理提供激励。而环境治理压力大的地区在政策实施时已经取得了相对较好的治污成效，其污染物边际减排成本较高，难以实现环境空气质量的进一步改善。因此，单一的环境空气质量纵向比较模式无法充分调动各城市地方政府主动治理污染的积极性。
3.3 剩余环境容量的异质性效应
第三，考察不同剩余环境容量下政策效果的异质性。由于中国主要依靠煤炭和生物质供暖，在燃烧过程中排放大量的空气污染物，冬季供暖已成为包括山东省在内的我国北方地区空气污染的主要贡献者。2011—2020年山东省非采暖季(4月至10月)和采暖季(11月至3月)的SO2平均浓度分别为27.36μg/m3和49.78μg/m3，NO2平均浓度分别为32.72μg/m3和47.15μg/m3，PM10平均浓度分别为93.23μg/m3和135.59μg/m3，PM2.5平均浓度分别为45.62μg/m3和76.67μg/m3。由此可见，采暖季的环境空气质量较非采暖季差。由于采暖季污染物排放量的增减带来更明显的污染物浓度波动，当剩余环境容量有限时，地方政府倾向于在采暖季实施污染治理措施，以期获得更高的回报。因此，本文将样本按时间划分为非采暖季组和采暖季组。针对冬季供暖带来的严重污染问题，中国于2017年实施强制性清洁取暖政策，要求北方地区在采暖季逐步采用天然气、电力等大气污染物排放较少的清洁取暖方式替代工业燃煤锅炉和城乡住宅燃煤取暖。2018年，山东省印发了《山东省冬季清洁取暖规划( 2018—2022年)》，将清洁取暖规划建设任务下发到各地级市。为了排除这一政策对估算结果的干扰，本文在回归(政策规定的目标年份为2020年)中控制了每个城市在采暖季的城市和农村的目标清洁取暖率。由表10可知，AAQEC在非采暖季和采暖季均起到了降低SO2和PM2.5浓度的作用，而对NO2和PM10浓度没有影响。这一发现表明，在没有环境质量标准未达标惩罚的情况下，地方政府并没有通过分时使用剩余环境容量(在非采暖季放松排放管制)来阻止环境空气质量的显著恶化；相反，他们继续权衡不同的污染物，以最大化他们的净收益。
3.4 邻近性对评估的异质性影响
第四，探讨评估邻近性是否影响AAQEC在改善环境空气质量方面的有效性。由于生态补偿资金取决于季度平均污染物浓度的同比变化，而环境规制对象通常以考核时间轴的方式加大污染治理力度，因此有必要考察地方政府是否在季度末为快速改善环境空气质量而挤占污染防治资金。因此，本文将样本按时间分为非季度末(1、2、4、5、7、8、10、11月)组和季度末(3月、6月、9月、12月)组来考察这种短期反应行为。如表11所示，AAQEC有效降低了非季度末和季度末的SO2和PM2.5浓度。这一发现表明，对SO2和PM2.5污染的削减效果并不归因于地方政府的短期响应行为；然而，他们对污染物的策略选择依然存在。
4. 机制分析
前面的结果表明，AAQEC的实施有效地降低了SO2和PM2.5的浓度。为识别该政策降低SO2和PM2.5浓度的作用渠道，考察地方政府是主动投入财政资金和人员推进大气污染治理，发挥监管作用，激励企业从事绿色技术创新，还是转变发展方式，吸引清洁工业企业进入，本文从财政支出、人力投入、技术创新和企业进入四个角度探究政策效果的作用机制。表12的回归结果表明，列(2)和(3)的估计系数在统计上不显著，这意味着地方政府在环境基础设施的运营和管理中没有专注于扩大人力资源投入，也没有努力提升绿色创新水平。第(1)、(4)列显著为正的估计系数表明，地方政府主要通过加大节能减排财政支出，以及通过收紧污染项目审批、出台优惠政策等方式激励清洁工业企业进入，从而促进环境空气质量的改善。Cao等发现，仅表现出垂直特征的生态转移支付发挥了其激励地方政府增加环境保护支出的作用。相反，这一发现表明AAQEC不仅促进了地方政府增加环保支出规模，而且促进了发展方式的绿色转型。
尽管这项研究提供了一些见解，但仍然存在一定的局限性。首先，由于大气污染物浓度和大气重污染企业数量等官方数据可得性的限制，本研究未对其他省份的大气污染治理生态补偿政策进行核算。然而，不同省份的政策设计存在差异。例如，在山西省，生态补偿资金不仅与污染物浓度的同比变化有关，还与全省平均水平有关。在河南省，生态补偿价格是浮动的。未来研究应纳入更多省份的生态补偿实践，综合评价政策效果。第二，本研究仅关注生态补偿政策，探究生态补偿与其他政策之间的协同作用是未来值得进一步探索的课题。
初审：王朝勇
审核：徐彩瑶
排版编辑：钱一莹
文献推荐人：钱一莹
参考文献：Dunhu Chang, Zeyang Zhang, Hancheng Song, Jian Wu, Xin Wang, Zhanfeng Dong, “Icing on the cake” or “fuel delivered in the snow”? Evidence from China on ecological compensation for air pollution control, Environmental Impact Assessment Review, Volume 109, 2024, 107620, ISSN 0195-9255.
以上内容仅代表个人对文章的理解，详情请点击阅读原文。
【数字生态与绿色发展学术团队】“Icing on the cake” or “fuel delivered in the snow”Evidence from China on ecological compensation for air pollution control.pdf推荐阅读
探索基于自然的生态文明解决方案，助力实现“双碳”战略目标，协同推进人与自然和谐共生与全体人民共同富裕的中国式现代化建设，让我们一起加油！
