EN中文

资源科学 >

2021 , Vol. 43 >Issue 10: 2026 - 2041

DOI: https://doi.org/10.18402/resci.2021.10.08

资源管理

命令控制型和市场激励型环境规制对造林面积的影响——来自中国县级层面的准自然实验证据

  • 潘丹
展开
  • 江西财经大学经济学院,南昌 330013

潘丹,女,江西宜春人,教授,主要从事农业经济和资源环境经济研究。E-mail:

收稿日期: 2020-12-05

  要求修回日期: 2021-04-27

  网络出版日期: 2021-12-25

基金资助

中共中央组织部国家“万人计划”青年拔尖人才项目

国家自然科学基金项目(71673123)

国家自然科学基金项目(71863016)

国家社会科学基金重大项目(20ZDA045)

版权

《资源科学》编辑部
收起

The impact of command-and-control and market-based environmental regulations on afforestation area: Quasi-natural experimental evidence from county data in China

  • PAN Dan
Expand
  • School of Economics, Jiangxi University of Finance and Economics, Nanchang 330013, China

Received date: 2020-12-05

  Request revised date: 2021-04-27

  Online published: 2021-12-25

Fold

摘要

命令控制型和市场激励型环境规制,孰能更有效地提升造林面积从而更好地保护森林生态环境一直存在争议。本文利用国家重点生态功能区政策这一命令控制型环境规制,和生态转移支付政策这一市场激励型环境规制作为准自然实验,基于2006—2016年1372个县级数据,采用双重差分法识别了这两类环境规制对造林面积影响的因果效应及政策相对有效性。研究结论如下：①与命令控制型环境规制相比,市场激励型环境规制对造林面积的影响更为显著且具有长期效果。表现为国家重点生态功能区政策使造林面积提升了6.7%,但该效应随着时间推移呈现出下降的趋势;生态转移支付政策使造林面积提升了8.2%,且该效应随着时间推移逐步增强。②异质性分析发现,初始造林面积较高和经济发展水平较高的县表现出更高的造林面积提升效应。③进一步的成本收益估算表明,国家重点生态功能区和生态转移支付政策通过提高造林面积带来的环境健康效应分别为5926.11亿元和7256.14亿元,是其减少财政收入所产生的经济成本的2.19和1.92倍。本文结论有助于我国制定长期有效的森林环境规制政策。

关键词： 造林面积; 命令控制型环境规制; 市场激励型环境规制; 国家重点生态功能区; 生态转移支付; 双重差分法; 准自然实验

本文引用格式

潘丹 . 命令控制型和市场激励型环境规制对造林面积的影响——来自中国县级层面的准自然实验证据[J]. 资源科学, 2021 , 43(10) : 2026 -2041 . DOI: 10.18402/resci.2021.10.08

Abstract

There has been controversy over the relative effectiveness of heterogeneous environmental regulations—command-and-control environmental regulations and market-based environmental regulations—on afforestation area improvement. Employing the difference-in-differences method, this study took advantage of two Chinese policies—the National Key Ecological Functional Areas Policy (NKEFAP), which can be regarded as a command-and-control regulation, and the Ecological Transfer Payment Policy (ETPP), which can be viewed as a market-based regulation—as quasi-natural experiments to delve into the treatment effects of these two types of environmental regulations on afforestation area improvement. We collected data from 1372 counties in China during 2006-2016. The results show that: (1) Both the NKEFAP and ETPP can improve the afforestation area, but the effect of the ETPP was higher than the NKEFAP. Specifically, the NKEFAP increased afforestation areaby 6.7%, while the ETPP increased afforestation area by 8.2% and the effect increased over time. (2) The heterogeneity analyses found that the impact of the NKEFAP and ETPP on afforestation area was greater for counties with better initial afforestation area and high economic development levels. (3) Further cost-benefit analysis indicates that the total health benefit from reduced mortality due to NKEFAP and ETPP was RMB 592.611 billion and 725.614 billion yuan, respectively, which is 2.19 and 1.92 times the cost of reducing fiscal revenue. The conclusions of this study can contribute to the formulation of long-term effective forest environmental regulation policies in China.

Key words： afforestation area; command-and-control environmental regulation; market-based environmental regulation; National Key Ecological Functional Areas; Ecological Transfer Payment; difference-in-differences method; quasi-natural experiment

1 引言

作为陆地生态系统的主体,森林除提供林产品外,还能提供重要的生态服务[1]。但改革开放以来至20世纪末,我国为实现工业化发展,森林建设主要以提供林产品为中心,森林砍伐强度较大。森林的密集砍伐严重损害了森林的生态功能,导致了一系列自然灾害的发生。例如1998年,由于森林过度损毁,引发了各地特大洪灾,造成4150人丧生和2500亿元的经济损失[2]。同时,根据《第九次全国森林资源报告》,我国是一个缺林少绿的国家,截至2018年,森林覆盖率仅为22.96%,低于全球30.7%的平均水平;人均森林面积仅为0.16 hm2,不足世界人均水平的1/3。
在森林问题越发凸显的背景下,中央政府于20世纪末停止了天然林大面积采伐,并实施了一系列环境规制政策以保护森林生态环境[3]。目前已基本形成了以林地生态红线、森林禁伐等命令控制型和森林生态补偿、生态工程建设等市场激励型等多种环境规制结合的治理体系[4]。命令控制型和市场激励型环境规制孰能更有效地增加造林面积、改善森林生态环境,一直是存在争议的话题。理论上,在完全信息环境下,两类环境规制的政策成效是相同的,但是实际中由于信息充分程度、资源禀赋、市场条件等差异,两者的政策成效孰优孰劣一直存在较大分歧,也是环境规制领域的研究热点问题之一[5,6]。因此,严谨地评估命令控制型和市场激励型环境规制对造林面积的政策效应,是我国制定长期有效的森林环境政策的重要基础,是建设生态文明社会和美丽中国的必然需要。然而,目前鲜有文献对此进行评估。
在一个统一框架下科学严谨地评估命令控制型和市场激励型环境规制的政策效应是环境经济学的一大挑战[6]。主要原因在于：①政府通常同时实施了多种环境规制政策,从而难以对某一具体类型环境规制的政策效应进行剥离和准确估计。②环境规制政策和环境效果变量之间有极强的内生性,从而难以准确评估环境规制政策的净效应。例如环境规制可能提高了造林面积,但是这可能是因为政府选择那些造林面积本来就较高的地区实施环境规制,造林面积的增加并不完全是环境规制的效果。③遗漏变量所导致的内生性问题。模型中可能遗漏了那些同时影响环境规制和环境效果的变量,从而导致估计结果出现偏误。
中国政府于2010年实施的国家重点生态功能区政策可视为命令控制型环境规制,其主要通过禁止占用林用地和砍伐天然林,注重提供生态产品和修复森林生态系统,以提高造林面积。中国政府于2008年实施的生态转移支付政策可视为市场激励型环境规制,其规定国家重点生态功能区中的部分县可以获得专项转移支付,从而补偿因生态保护产生的经济成本,并对森林生态环境保护较好的县给予奖励。因此,通过比较这两个政策实施前后造林面积的变化,采用双重差分法克服潜在内生性,可以准确识别出两类环境规制对造林面积影响的净效应。
基于此,本文试图通过构造“准自然实验”,基于2006—2016年国家重点生态功能区和生态转移支付政策数据,以及1372个县级行政单元的造林面积数据,采用双重差分法研究命令控制型和市场激励型环境规制对造林面积的政策效应。具体而言,本文研究主要集中在以下3个方面：首先,评估两类环境规制对造林面积的平均及动态效应,并考察两类环境规制的政策效果是否有差别;其次,探究在不同初始造林面积、不同经济发展水平的县,两类环境规制对造林面积的政策效果是否存在差别;最后,测算造林面积提高带来的环境健康收益及政策实施经济成本,初步评估国家重点生态功能区和生态转移支付政策的成本收益和社会福利影响。

2 政策背景和文献综述

2.1 政策背景

2.1.1 命令控制型环境规制：国家重点生态功能区政策
国家重点生态功能区是提供生态屏障、维护生态安全的区域。2007年,国家提出了建立重点生态功能区的要求;2010年随着国务院《全国主体功能区规划》的发布,国家重点生态功能区政策开始正式实施。该规划指出：“重点生态功能区重点在于提供生态产品与服务,应限制城镇化开发与高污染产业发展”。
国家重点生态功能区政策颁布了一系列具体措施以提高造林面积。首先,该政策严禁各类毁林开荒等破坏生态环境的行为,并加大退耕还林力度,从而达到提高造林面积、防止森林生态系统受损的目的。其次,该政策还规定各地要注重植被恢复,禁止商业性砍伐。此外,国家重点生态功能区的政府官员绩效评价更加侧重于对森林覆盖率和林分生物量等生态环境指标的考核,而逐步淡化对GDP、城镇化率等传统经济发展评估指标的考核。因此,实行国家重点生态功能区政策的地方政府有更大的动力提高造林面积。
图1显示了2010—2016年中国实行国家重点生态功能区政策的县级行政单元（后文简称县）数量。可以看出,2010—2015年实施国家重点生态功能区政策的县数量基本稳定：分布在我国25个省份的436个县,分别占国土面积的41%和总人口的8.5%。2016年,推行国家重点生态功能区的县增至676个,占国土面积的比例提高到53%。
图1 2008—2016年国家重点生态功能区数量、生态转移支付县数量与资金规模

Figure 1 The number of National Key Ecological Functional Areas Policy (NKEFAP) counties, and the number and fund of Ecological Transfer Payment Policy (ETPP) counties, 2008-2016

2.1.2 市场激励型环境规制：生态转移支付政策
上述国家重点生态功能区政策的实施意味着实施该政策的县将因生态保护而产生经济成本。由于生态环境的非排他性和竞争性,政府需要采取补偿政策维持环境保护者的利益。基于此,2008年开始,中央政府对部分国家重点生态功能区县推行了生态转移支付试点政策,下发专项转移支付资金,补偿因限制发展产生的机会成本和生态保护的经济成本。生态转移支付政策是政府为了提高生态环境权重而采取的一项倾斜式财政制度,是生态补偿政策的一种[7]。
生态转移支付政策对造林面积也会产生积极影响。原因在于：政府通过3年一次的全面普查、单一环境指标检查和一年一度的抽查,评估享受生态转移支付县的环境质量。评估体系中的多项生态环境质量指标与森林有关,例如林地覆盖率、植被覆盖指数以及未利用地比例等。因此享受生态转移支付的县将更加重视提高造林面积。
如图1所示,中国实施生态转移支付的县由2008年的221个增加至2016年的725个。转移支付的资金规模由2008年的66亿元增加至2016年的570亿元,累计投资额3088亿元。

2.2 文献综述

2.2.1 国家重点生态功能区及生态转移支付的政策研究
现有对国家重点生态功能区及生态转移支付政策的研究主要有两大类：一类是采用定性分析方法分析该两项政策存在的问题,提出政策改善方案。例如卢洪友等[8]、伏润民等[9]的研究。另一类是实证研究。例如,徐洁等[10]基于土地覆被数据,评估了国家重点生态功能区政策的环境质量效应,发现政策实施后生态环境质量改善幅度较小,需要进一步实施生态转移支付政策提升整体生态安全水平。李国平等[11]采用面板数据分析方法评估了生态转移支付对陕西省生态环境质量的影响,发现生态转移支付能够提高生态环境质量,但是影响较小。徐鸿翔等[12]采用系统GMM方法考察了陕西省生态转移支付政策的生态环境治理效果,结果表明生态转移支付政策能显著影响生态环境质量。朱艳等[13]采用倾向值匹配法评估了广东省生态转移支付政策的生态效果,发现生态转移支付有效地提高了所在县的生态环境。
2.2.2 命令控制型和市场激励型环境规制对造林面积影响的研究
在命令控制型环境规制方面,目前学者主要研究了林地生态保护红线、全面禁伐这两个政策对造林面积和森林保护的影响。①生态保护红线政策。燕守广等[14]基于2000—2015年南京市土地利用数据,分析了生态保护红线对南京市森林的影响,发现与耕地、水域、湿地和草地相比,生态保护红线政策使林地面积增至最大并逐年增加。邓伟等[15]基于2000—2015年重庆市生态系统服务价值数据,研究了生态保护红线对重庆市森林生态系统服务的影响,发现森林面积在生态保护红线政策实施后呈增加趋势。然而,陈海嵩[16]的研究认为,林地生态红线制度由于缺乏可行的森林保护和处罚措施,无法禁止红线区域内项目对林地的占用,从而对森林保护的效果不显著。②全面禁伐政策。吕洁华等[17]以黑龙江省国有林区为例,分析了全面禁伐政策对森林的影响,发现全面禁伐政策强制性禁止了对天然林的采伐,从而促使2007—2016年黑龙江国有林区的森林蓄积、天然林面积得到稳步提升。徐文茹等[18]研究了全面禁伐政策对大兴安岭地区森林的影响,结果表明全面禁伐政策实施后森林恢复速率上升,林地生物量增长,但从长期来看,并不利于所有树木生长。
在市场激励型环境规制方面,目前学者主要研究了森林生态补偿、森林生态工程等政策对造林面积和森林保护的影响。①森林生态补偿政策。王华丽等[19]评估了森林保险政策后发现,这一生态补偿政策能有效改善森林生态环境,但后续仍需加大保险金额。周婷等[20]测算了2001—2015年杭州市临安区的植被退化情况,发现生态公益林补偿能有效抑制植被退化,提升当地森林环境。②森林生态工程政策。朱洪革等[21]基于重点国有林区所属87个森林工业分局数据的研究发现,天保工程转移支付资金能够显著提升重点国有林区的森林生态效益。Ouyang等[22]通过对中国2000—2010年生态系统进行评估,发现中国实施的天然林保护工程、退耕还林还草工程等生态工程项目对森林生态系统服务有显著提升作用。Bryan等[23]评估了我国16个生态环境保护重大工程的生态效果,发现生态环境保护重大工程使得我国的森林砍伐率下降,森林覆盖率增至22%。
上述研究成果对于本文研究具有重要的参考价值,但是通过文献梳理后发现已有研究还存在以下3个不足：①现有研究大多数将环境规制作为一个同质性的整体对待,在不同的框架下探讨了单一命令控制型或市场激励型环境规制对造林面积的影响,从而无法直接对这两类环境规制的政策效应进行比较,以识别出不同类型环境规制的相对有效性。②现有研究多采用多元回归模型、面板数据模型等方法评估环境规制政策的政策效应,没有考虑环境规制的内生性问题,从而可能导致评估结果并不准确。③现有研究多集中于分析不同类型环境规制政策对经济发展、环境保护的影响,鲜有学者关注环境规制对人民健康收益和社会福利的影响。
相较于已有成果,本文可能的边际贡献在于：①针对当前命令控制型和市场激励型环境规制政策效应孰优孰劣的争论,首次利用国家重点生态功能区和生态转移支付政策这一绝佳的外生冲击,采用双重差分法准确识别这两类环境规制对造林面积的净影响,从而期望处理以往研究中环境规制内生性的难题,为环境规制政策效应的评估提供新的证据与有益补充。②克服已有研究只考虑单一环境规制政策对造林面积影响的缺陷,在一个统一的框架下评估命令控制型和市场激励型环境规制对造林面积的影响,从而可以比较这两种环境规制的相对有效性,为政府环境规制策略的选择提供依据参考。③首次评估命令控制型和市场激励型环境规制政策的成本收益情况及其社会福利影响。将环境健康经济学的剂量-反应关系引入分析模型中,定量评估异质性环境规制政策对居民健康的影响并测算成本收益情况,为环境健康经济学的应用提供进一步的证据。④鉴于不同地区造林面积、经济发展水平的差异,考察了两类环境规制政策效应的差异性,为政府因地制宜地实施环境规制政策提供参考。

3 变量与模型

3.1 变量选取

3.1.1 被解释变量：造林面积
本文的被解释变量是各县的造林面积,数据来自于2007—2017年《林业统计年鉴》。
如图2所示,2010年实施国家重点生态功能区政策后,国家重点生态功能区的造林面积在2010—2012年间呈增加趋势,但在2012年之后造林面积基本维持在32万hm2,并未发生明显变化。而2008年实施生态转移支付政策后,生态转移支付县的造林面积呈现出随时间推移逐步增加的趋势,并于2014年达到最大值（56.66万hm2）,几乎是政策前一年造林面积（31.26万hm2）的两倍。
图2 2006—2016年国家重点生态功能区与生态转移支付县造林面积

Figure 2 Afforestation area of the National Key Ecological Functional Areas Policy (NKEFAP) counties and Ecological Transfer Payment Policy (ETPP) counties, 2006-2016

3.1.2 核心解释变量：命令控制型和市场激励型环境规制
本文的核心解释变量是两类环境规制,用样本县是否实施了国家重点生态功能区政策或生态转移支付政策来衡量。图3显示了不同政策组合的县域数量。其中,425个县同时推行了国家重点生态功能区和生态转移支付政策,反映的是这两项政策共同对造林面积的影响。因此,为比较国家重点生态功能区和生态转移支付政策对造林面积的影响差异,在实证分析中剔除了同时推行这两项政策的样本县。
图3 不同政策组合的县域数量

Figure 3 The number of counties in each policy group

根据是否实行国家重点生态功能区政策和是否享受生态转移支付为标准,将样本划分为3组：国家重点生态功能区组、生态转移支付组、非国家生态功能区与生态转移支付组。其中,前两组为处理组,表明样本县单独实施国家重点生态功能区（生态转移支付）政策;后一组为对照组,表明样本县既不实施国家重点生态功能区政策也不实施生态转移支付政策。通过比较国家重点生态功能区和生态转移支付的政策效果,可以识别两类环境规制的政策相对有效性。国家重点生态功能区县名单根据国务院颁发的《国家主体功能区计划》整理而得;生态转移支付县名单是作者通过政府信息公开渠道从财政部申请获得。
3.1.3 控制变量
除了国家重点生态功能区政策和生态转移支付政策外,还有其他很多因素会影响造林面积。本文从以下两个方面选择影响造林面积的变量以控制其干扰。
（1）地理特征。温度升高和降雨量增加能在一定程度上提升林木生长量,间接地提升造林面积。故选择年均气温和年均降水量作为地理特征控制变量。
（2）经济因素。人均GDP反映的是县域经济发展速度。以往的研究表明,经济增速较快将带来环境质量的恶化,人们更有动力从事造林活动,从而带来造林面积的增加[24]。人口密度增加表明单位范围内的人数增加,对土地（例如建设用地）的需求增加,从而造成造林面积的减少[25]。耕地面积反映的是土地用途,现有研究表明在土地面积总量固定的前提下,耕地面积增加主要来自于森林的砍伐,从而降低了森林覆盖率[26]。故选择人均GDP、人口密度和耕地面积作为经济因素控制变量。其中,人均GDP用样本县当年的实际GDP与年末人口比值表示;人口密度用各县总人口规模与行政区域面积比值表示;耕地面积用年末各县耕地面积表示。
上述控制变量数据主要来自《中国区域统计年鉴》《中国县域统计年鉴》和各省统计年鉴,部分年份的缺失数据以平均数据代替。最终形成了2006—2016年的1372个县的非平衡面板数据集。

3.2 模型设定

利用国家重点生态功能区和生态转移支付政策这两个政策作为“准自然实验”,使用双重差分方法评估命令控制型和市场激励型环境规制对造林面积影响的净效应。双重差分方法可以通过考察国家重点生态功能区和生态转移支付政策实施前后,处理组和对照组造林面积是否存在显著差异,从而可以解决内生性难题,较为准确地评价两类环境规制的政策效果。其中,2010年后236个县推行了国家重点生态功能区政策,2008年后315个县推行了生态转移支付政策,为处理组;剩余821个县皆未推行上述两种政策,为对照组。
首先,估算国家重点生态功能区（生态转移支付）政策对造林面积的平均影响。基准回归模型设置如下：
fores t i , t = α + β 0 nkefa p i , t + γX + δ i + θ t + ε i , t
fores t i , t = α + β 1 etp p i , t + γX + δ i + θ t + ε i , t
式中： fores t i , t是因变量,表示 i县在 t年的造林面积。 nkefa p i , t表示 i县在 t年是否位于国家重点生态功能区内,如果位于取值为1,否则取值为0; X为一系列控制变量,包括年均气温、年均降水量、人均GDP、人口密度和耕地面积; α为常数项; δ i和 θ t分别表示地区与时间固定效应; ε i , t为随机误差项; etp p i表示 i县在 t年是否享受生态转移支付政策,如果是取值为1,否则为0。式（1）考察的是国家重点生态功能区的政策效应,式（2）考察的是生态转移支付的政策效应。 nkefa p i , t和 etp p i的系数 β 0 、 β 1即为国家重点生态功能区与生态转移支付政策对造林面积的影响,如果 β 0、 β 1显著为正,则表明政策有效。
此外,任何一项政策的执行都会存在短期和长期的影响,上述基准模型仅仅反映了国家重点生态功能区（生态转移支付）政策对造林面积的短期影响。为检验这两项政策的长期效应,继续在上述基准模型的基础上进行拓展,建立如下动态效应模型：
$forest _{i, t}=\alpha+\sum_{j \epsilon\{1,2,3,4,5\}} \beta_{3} D_{\mathrm{NKEFAP}}^{j}+\gamma X+\delta_{i}+\theta_{t}+\varepsilon_{i t}$
$forest _{i, t}=\alpha+\sum_{j \epsilon\{1,2,3,4,5\}} \beta_{4} D_{\mathrm{ETPP}}^{j}+\gamma X+\delta_{i}+\theta_{t}+\varepsilon_{i t}$
式中：变量 D NKEFAP j表示国家重点生态功能区政策的虚拟变量和政策实行后时间虚拟变量的交互项;变量 D ETPP j表示生态转移支付政策的虚拟变量和政策实行后时间虚拟变量的交互项; j表示推行政策后的第 j年;系数 β 3、 β 4测度的即为政策的动态净效应。其余变量同（1）、（2）式。
使用双重差分法的重要前提是平行趋势：即在颁布国家重点生态功能区和生态转移支付政策之前,处理组和对照组间的造林面积并不会随着时间的推移呈现出显著的差异。构建以下模型检验平行趋势：
$forest _{i, t}=\alpha+\sum_{j=-4}^{j=-1} \beta_{5} D_{\mathrm{NKEFAP}}^{j}+\gamma X+\delta_{i}+\theta_{t}+\varepsilon_{i t}$
$forest _{i, t}=\alpha+\sum_{j=-4}^{j=-1} \beta_{6} D_{\mathrm{ETPP}}^{j}+\gamma X+\delta_{i}+\theta_{t}+\varepsilon_{i t}$
如果系数 β 5、 β 6不显著,说明处理组和对照组的造林面积不因时间推移而存在显著差异,满足平行趋势检验。
此外双重差分法结果的有效性还基于如下假设：国家重点生态功能区和生态转移支付政策实施的时间不受不同县域造林面积的影响。但是,中央政府可能会根据不同县域的造林面积状况选择实施这两类政策：即造林面积越差或者越好的县越可能推行国家重点生态功能区和生态转移支付政策,从而导致政策可能不是外生随机选择的。设立以下模型来检验政策的随机性选择问题,以观察国家重点生态功能区和生态转移支付政策的推行是否与当地造林面积状况有关：
nkefa p i , t = α 0 + α 1 fores t i , t + X + ε i , t
etp p i , t = α 0 + α 2 fores t i , t + X + ε i , t
式中： α 0为常数项;从理论上讲,如果 fores t i , t的回归系数 α 1、 α 2在统计上不显著,则能证明推行国家重点生态功能区和生态转移支付政策县的选择是外生随机的; nkefa p i , t和 etp p i , t为虚拟变量,因此对式（7）、（8）进行Probit或Logit回归。

4 实证结果与分析

实证部分将从以下几个方面评估国家重点生态功能区和生态转移支付政策对造林面积的改善效应：首先,评估这两个政策提高造林面积的平均效应和动态效应;其次,基于此结果,考察政策效果在不同造林面积和不同经济水平条件下的异质性;最后,进行一系列稳健性检验。

4.1 基准回归结果

4.1.1 平均效应分析
基于式（1）的模型设定,表1报告了国家重点生态功能区和生态转移支付政策对造林面积的平均影响。结果表明：
表1 国家重点生态功能区政策和生态转移支付政策对造林面积影响的基准结果

Table 1 Benchmark results of the National Key Ecological Functional Areas Policy (NKEFAP) and Ecological Transfer Payment Policy (ETPP) on afforestation area

造林面积
（1） （2）
国家重点生态功能区政策 0.067**(0.031)
生态转移支付政策 0.082**(0.041)
年降水量 -0.000(0.001) -0.002(0.004)
年均气温 0.000(0.000) 0.000(0.000)
人均GDP 0.010*(0.005) 0.006**(0.003)
人口密度 -7.039***(2.117) -6.258***(2.091)
耕地面积 -3.745**(1.943) -2.286**(1.227)
时间效应 控制 控制
地区效应 控制 控制
R2 0.233 0.154
观测值 12607 13476

注：*、**和***分别表示在10%、5%和1%的水平上显著,下同。

（1）国家重点生态功能区和生态转移支付政策均能有效提高造林面积。国家重点生态功能区和生态转移支付政策对造林面积的回归系数分别为0.067和0.082,且在5%的水平上显著。可能的原因在于：国家重点生态功能区政策采取了一系列强制性措施来增加造林面积,例如设定耕地和建设用地比例,严禁各类毁林开荒和非保护性采伐等破坏生态环境行为,要求各地加强植被恢复等。生态转移支付政策则通过与森林有关的生态绩效评估确定下发的转移支付金额,奖励生态绩效高的县,惩罚生态绩效低的县并扣除转移支付,从而激励地方政府增加造林面积。
（2）生态转移支付政策的造林面积提高效果要高于国家重点生态功能区政策。表1中第（1）列提供了国家重点生态功能区政策的估计结果,相对于非国家重点生态功能区及生态转移支付县,国家重点生态功能区造林面积平均增加了6.7%。第（2）列报告了生态转移支付政策的估计结果,生态转移支付处理组相较对照组,造林面积平均增加8.2%。理论上,在完全信息环境下中,国家重点生态功能区政策作为命令控制型环境规制的效果与生态转移支付政策作为市场激励型环境规制的效果相同。但是现实中,命令控制型环境规制可能未充分考虑因交易成本存在而引发的政策扭曲,而市场激励型环境规制的有效实施还取决于市场监督能力等因素。因此,环境规制的结果往往取决于特定的政策和环境。在本文中,生态转移支付政策的效果要高于国家重点生态功能区政策。这和以往的研究结果相类似,例如张宁等[5]研究发现用能权交易这种市场激励型环境规制对中国工业行业的经济增长潜力和节能潜力的影响要高于命令控制型政策;屈小娥等[27]也发现了同样的结果。可能的原因在于：森林生态环境作为公共品,其正外部性和非排他性导致私人收益和社会收益不一致,从而制约了个人的保护意愿。为解决因外部性导致的市场失灵问题,需要政府的转移支付财政政策。生态转移支付政策作为生态补偿政策的一种,在一定程度上考虑了提升造林面积的成本效益,能够降低政府的森林保护成本,从而调动政府森林保护的积极性。而国家重点生态功能区政策往往以“一刀切”的形式开展,较少考虑到地方的实际情况,同时也缺乏合理的补偿机制激励地方政府更有效地提高造林面积。
4.1.2 动态效应分析
上述基准回归结果表明国家重点生态功能区政策和生态转移支付政策能够显著增加造林面积。然而,基准回归结果无法反映这一政策效应随着时间的推移是否具有可持续性。基于式（2）的模型设定,表2报告了国家重点生态功能区和生态转移支付政策对造林面积提升的动态效应。结果表明：
表2 国家重点生态功能区政策和生态转移支付政策对造林面积影响的动态效应

Table 2 Dynamic effects of the National Key Ecological Functional Areas Policy (NKEFAP) and Ecological Transfer Payment Policy (ETPP) on afforestation area

造林面积
（1） （2）
国家重点生态功能区政策 0.067**(0.031)
生态转移支付政策 0.082**(0.041)
实施政策后1年 0.062***(0.023) 0.084**(0.033)
实施政策后2年 0.037**(0.016) 0.085**(0.035)
实施政策后3年 0.049(0.033) 0.089*(0.051)
实施政策后4年 0.041(0.035) 0.096***(0.034)
实施政策后5年 0.047(0.035) 0.101**(0.058)
控制变量 控制 控制
时间效应 控制 控制
地区效应 控制 控制
R2 0.142 0.154
观测值 12607 13476
（1）国家重点生态功能区政策对造林面积的提升作用并不具有较好的可持续性且呈现出逐步下降的趋势。第（1）列显示了国家重点生态功能区政策实施后1~5年的动态政策效果。具体表现为：国家重点生态功能区政策仅在实施1年和2年后的交互项系数通过了显著性水平检验,且实施2年后的交互项系数（0.037）低于实施1年后的交互项系数（0.062）。可能的原因在于：如前所述,国家重点生态功能区政策主要通过封山育林、直接禁止天然林采伐等一刀切的手段来达到其政策效果。这些强制性政策可能会在前2年对造林面积增加有效果。但是长期来看,中央及地方政府未能采取相应措施来进一步维持和增强国家重点生态功能区政策的激励效果,导致政策效果逐渐趋于平缓。
（2）生态转移支付政策对造林面积的提升作用具有较好的可持续性且呈现出随时间推移逐步增强的趋势。第（2）列的结果表明了生态转移支付政策实施后1~5年的动态政策效应。具体表现为：实施政策后1~5年的交互项估计系数均显著,且回归系数从0.084上升到0.101,表明生态转移支付政策不仅能显著促进造林面积的增加,而且享受生态转移支付的时间越长,越有利于提高造林面积。可能的原因在于：生态转移支付政策直接增加了政府的环境保护财政收入,例如增加森林防护工资、森林生态补偿等,并且生态转移支付的资金规模由2008年的66亿元增加至2016年的570亿元,从而为政府提供了可持续的财政激励进行森林生态环境保护。

4.2 异质性分析

对于所有县平均而言,国家重点生态功能区和生态转移支付政策能够有效地增加造林面积,但是我国各县在初始造林面积禀赋和经济发展水平等方面呈现不平衡的特征,政策效应在不同县存在差异,因此需要通过分析不同条件下基准回归结果的异质性,为中央政府因地制宜地实施环境规制政策提供参考。本文从不同初始造林面积和不同经济发展水平两个方面考察政策的异质性效果。
4.2.1 不同初始造林面积县域的异质性政策效果
She等[28]的研究认为初始生态环境质量较低的地区会更有动力实施环境政策以提高生态环境质量。为了检验不同初始造林面积下的政策异质性效果,根据国家重点生态功能区政策和生态转移支付政策推行前样本县造林面积的中位数,将样本划分为初始造林面积较高组和初始造林面积较低组进行分析。表3列出了这两组样本的回归结果。
表3 不同初始造林面积的异质性分析结果

Table 3 Heterogeneity analysis results of different initial afforestation areas

初始造林面积较高组 初始造林面积较低组
（1） （2） （3） （4）
国家重点生态功能区政策 0.081***(0.029) 0.012(0.032)
生态转移支付政策 0.097***(0.041) 0.024(0.028)
控制变量 控制 控制 控制 控制
固定效应 控制 控制 控制 控制
结果显示：初始造林面积较高的县森林生态环境改善效应显著高于初始造林面积较低的县。第（1）和第（2）列的结果表明国家重点生态功能区及生态转移支付政策使得初始造林面积较高的县平均增加了8.1%和9.7%的造林面积。而第（3）和第（4）列的结果显示,在初始造林面积较低的县,国家重点生态功能区及生态转移支付政策对造林面积没有显著影响。产生这一结果的可能解释如下：①政策在初始造林面积较高的县能更好地发挥作用。已有研究表明,森林生态环境能够影响林业政策的执行效果。森林生态环境恶劣会带来水土流失、森林损毁等一系列制约林业资源和经济发展的问题[29]。例如,黄土高原原始生态环境恶劣,造成水土流失和经济落后并存,加深了黄土高原生态和经济功效的恶化。因此在森林生态环境好的县,林业资源与经济社会协调发展,政策能更好地发挥作用,并形成良性循环。②初始造林面积较高的地方政府更为注重造林面积提升与生态环境保护。地方政府对初始造林面积较高地区的环境质量和政策力度要求较高。例如,重庆市要求在森林公园等森林生态环境较好的区域,完善森林生态监测体系,设立大气质量监测站点,并坚持每日测量汇报等。
4.2.2 不同经济发展水平县域的异质性政策效果
国家重点生态功能区和生态转移支付政策对不同经济发展水平县域的影响也可能存在差异。杨万平等[30]认为理论上,经济发展水平越高,地方政府用于治理环境的资金越高,从而能更好地保护生态环境。为了检验不同经济发展水平下两类不同的环境规制的效果差异,将样本县根据人均GDP的中位数划分为经济发展水平较高组和经济发展水平较低组。表4列出了这两组样本的回归结果。
表4 不同经济发展水平地区的异质性分析结果

Table 4 Heterogeneity analysis results of different economic development levels

经济发展水平较高组 经济发展水平较低组
（1） （2） （3） （4）
国家重点生态功能区政策 0.079**(0.028) 0.036(0.078)
生态转移支付政策 0.096*(0.043) 0.054(0.031)
控制变量 控制 控制 控制 控制
固定效应 控制 控制 控制 控制
结果显示：经济发展水平较高的县造林面积改善效应显著高于经济发展水平较低的县。第（1）和第（2）列的结果表明国家重点生态功能区及生态转移支付政策使得经济发展水平较高的县平均增加了7.9%和9.6%的造林面积,而第（3）和第（4）列的结果显示,在经济发展水平较差的县,国家重点生态功能区及生态转移支付政策对造林面积没有显著影响。可能的原因在于：在以经济增长为考核目标的“晋升锦标赛”机制下,经济发展水平较低的县更加注重发展经济来增加财政收入。因此,在实施了国家重点生态功能区及生态转移支付政策之后,尽管有转移支付资金的财政支持和生态环境绩效评估的压力,但经济发展水平较低县仍然将经济增长作为主要目标,而将造林面积提升作为次要目标,从而导致造林面积提升效应较弱[31]。

4.3 稳健性检验

上述研究结果证明了国家重点生态功能区和生态转移支付政策有效地提升了造林面积,并且该效应在初始造林面积和经济发展水平方面存在差异。但该结果可能仍会因遗漏变量和样本自选择等问题而受到干扰。为了验证上述基准结果的可靠性,分别采取平行趋势检验、安慰剂检验、排除其他政策影响与政策外生性检验等一系列稳健性检验。具体如下：
4.3.1 平行趋势检验
基于式（5）和式（6）的模型设定,表5列出了平行趋势检验的回归结果。结果显示：政策实施前1~4年的交互项系数均没有通过显著性水平检验,而在政策实施当年的系数通过显著性水平检验。说明在推行国家重点生态功能区和生态转移支付政策之前的前4年,处理组和对照组间的造林面积并不存在显著差异,两者具有可比性,从而可以排除时间趋势对实证结果的影响。
表5 稳健性检验一：平行趋势检验

Table 5 Robustness test 1: common trend test

造林面积
国家重点生态功能区政策 0.067**(0.031)
生态转移支付政策 0.082**(0.041)
实施政策前1年 0.021(0.066) 0.049(0.078)
实施政策前2年 0.195(0.054) 0.086(0.073)
实施政策前3年 0.249(0.217) 0.179(0.394)
实施政策前4年 0.437(0.558) 0.382(0.515)
控制变量 控制 控制
时间效应 控制 控制
地区效应 控制 控制
R2 0.219 0.187
观测值 12607 13476
4.3.2 安慰剂检验
尽管上述基准回归结果中控制了县域的时间效应和地区效应以及其他变量,但一些影响造林面积的随机因素和非观测遗漏变量仍可能对本文的估计结果造成影响。为排除这些随机因素的干扰,分别使用时间和地区反事实进行安慰剂检验。具体如下：
（1）构建虚假推行国家重点生态功能区和生态转移支付政策实施时间的安慰剂检验。具体而言,将国家重点生态功能区和生态转移支付政策的推行时间提前1年和提前2年进行安慰剂检验。如果虚拟时间后的政策系数显著,则说明存在其他因素影响造林面积,造林面积的增加并不完全来自国家重点生态功能区和生态转移支付政策的推进。如果虚拟时间后的政策系数不显著,则说明国家重点生态功能区和生态转移支付政策确实可以增加造林面积,原始结论稳健。表6的估计结果表明无论是提前1年还是提前2年,国家重点生态功能区和生态转移支付政策并未有效增加造林面积,意味着并不存在其他随机因素对造林面积产生影响,即造林面积的提高确实是由这两项环境政策带来的,本文结论是稳健的。
表6 稳健性检验二：虚假时间安慰剂检验

Table 6 Robustness test 2: virtual time placebo test

提前1年 提前2年
（1） （2） （3） （4）
国家重点生态功能区政策 0.094(0.539) 0.075(0.921)
生态转移支付政策 0.081(0.450) 0.073(0.233)
控制变量 控制 控制 控制 控制
固定效应 控制 控制 控制 控制
R2 0.211 0.109 0.263 0.172
观测值 12607 13476 12607 13476
（2）构建虚假推行国家重点生态功能区和生态转移支付政策县域地区效应的安慰剂检验。参考周茂等[32]的做法,在1372个样本县中随机抽取与原政策处理组相同数量的县作为虚假处理组,将剩余县作为对照组进行间接检验,并估计随机抽取县的政策效应。图4报告了这500个虚拟系数估计值的核密度图。可知,虚拟政策的估计值集中分布在0附近,表2的真实估计结果（0.067和0.082）位于整个分布之外。这一结果表明随机抽取的虚假政策处理组并未对造林面积产生作用,即国家重点生态功能区和生态转移支付政策对造林面积产生的正向影响是真实存在的。同时意味着上述基准结果几乎不受年份-地区的未观测因素影响。
图4 稳健性检验三：构建虚假实施国家重点生态功能区和转移支付县的安慰剂检验结果

Figure 4 Robustness test 3: virtual implementation counties of the National Key Ecological Functional Areas Policy (NKEFAP) and Ecological Transfer Payment Policy (ETPP) placebo test

4.3.3 排除其他政策对造林面积的影响
利用双重差分法评估国家重点生态功能区和生态转移支付政策对造林面积的政策效应,特别是估计这两种政策的长期效应时,可能同时存在其他环境政策也会对造林面积产生影响,导致评估出的政策效应存在偏差。鉴于此,本文搜集了同时期一些可能会影响造林面积的其他政策,具体包括：①低碳城市政策。2010年,为了推进低碳生活,控制碳排放量,国家发改委实施了第一批低碳试点城市,范围囊括5省8市。并在2013年实施了第二批试点城市,两批共计115个城市。②生态文明建设示范政策。2017年,为了加快生态文明和美丽中国建设,环境保护部颁布了46个第一批国家生态文明建设示范市县。上述两个政策均将提高造林面积,保护森林生态环境作为主要工作之一,并且实行时间和地区与本文研究政策出现了重叠,因此会使推行国家重点生态功能区和生态转移支付政策的县域可能也同时推行了低碳城市政策和生态文明建设示范政策,评估结果可能受影响。
为消除这两个政策对本文估计结果产生的偏误,根据Li等[33]的做法,在基准回归模型中放入了样本县是否实施了低碳城市政策和生态文明建设示范政策的虚拟变量。如果加入政策虚拟变量后的回归结果和基准结果一致,这说明在剔除一系列潜在影响造林面积的政策后,国家重点生态功能区和生态转移支付政策对造林面积的提升作用并未发生显著改变。
表7的结果表明：在控制上述政策的影响之后,国家重点生态功能区和生态转移支付政策的回归系数仍然显著为正,并且与基准结果差异较小,证实本文回归结果是稳健的。
表7 稳健性检验四：排除其他政策影响后的结果

Table 7 Robustness test 4: results of excluding other policy impacts

排除低碳城市政策的影响 排除生态文明建设示范政策的影响
（1） （2） （3） （4）
国家重点生态功能区政策 0.047***(0.013) 0.057**(0.028)
生态转移支付政策 0.078***(0.032) 0.069***(0.020)
低碳城市政策虚拟变量 0.031 (0.029) 0.008(0.014)
生态文明建设示范政策虚拟变量 0.024(0.132) 0.019(0.035)
控制变量 控制 控制 控制 控制
固定效应 控制 控制 控制 控制
R2 0.081 0.090 0.142 0.174
观测值 12607 13476 12607 13476
4.3.4 政策外生性检验
基于式（7）和式（8）的模型设定,表8列出了政策外生性检验的结果。结果表明,国家重点生态功能区和生态转移支付政策的推行时间不受造林面积影响。具体表现为：造林面积系数在两个回归结果中均不显著,表明该县推行国家重点生态功能区政策和生态转移支付政策与初始造林面积无关。证明在以上的基准回归中不存在明显的随机选择偏差,从而排除了可能的内生性问题。
表8 稳健性检验五：政策外生性检验

Table 8 Robustness test 5: exogenous test

是否实施国家重点
生态功能区政策		 是否实施生态转移
支付政策
造林面积 0.006(0.053) 0.004(0.039)
控制变量 控制 控制
时间效应 控制 控制
地区效应 控制 控制
R2 0.216 0.187
观测值 12607 13476

5 成本收益分析

本部分进一步评估国家重点生态功能区和生态转移支付政策的成本收益。成本收益分析是政府进行环境政策评估的有效手段,具体到本文中,就是通过货币化计算和衡量由于国家重点生态功能区和生态转移支付政策所导致的社会福利的变化。通过成本收益分析,探讨国家重点生态功能区和生态转移支付政策能否形成提高造林面积的长效机制。首先,从成本角度考察这两个政策给全国财政收入造成的经济损失;其次,将环境健康经济学的剂量-反应关系引入分析中,定量评估这两个政策通过造林面积提升带来的环境健康收益。本文计算结果基于2016年数据,主要原因在于,2016年国家重点生态功能区和生态转移支付政策实施范围相较于前面的年份更加广泛,因此使用2016年数据进行成本效益分析更具有代表性。
需要说明的是,因为数据可得性问题,无法精确度量国家重点生态功能区和生态转移支付政策的成本收益,本文的分析只是一个粗略的估计。

5.1 经济成本分析

经济成本主要是指推行国家重点生态功能区及生态转移支付政策后对地方经济发展造成的负面影响。基于祁毓等[34]的研究,国家重点生态功能区和生态转移支付政策实行后会导致工业、农业经济等产业发展受到制约,从而减少政府财政收入。因此,利用财政收入来衡量国家重点生态功能区和生态转移支付政策的经济成本。祁毓等[34]利用双重差分法计算了这两项政策对财政收入的影响,发现推行国家重点生态功能区和生态转移支付政策的县,人均财政收入分别减少了196元和273元。基于这一研究结论,按照2016年我国13.83亿的人口数量计算,计算得出实施国家重点生态功能区的经济成本为2710.68亿元（196元/人×13.83亿人）,实施生态转移支付政策的经济成本为3775.59亿元（273元/人×13.83亿人）。

5.2 收益分析

联合国环境与资源部门提出环境规制收益可以通过污染物的环境损失价值化来核算。这一评估方法通过污染损失调查,计算由环境污染所带来的危害,例如对人体健康等的影响,进而采用一定的定价进行污染经济损失评估[35]。参照涂正革等[36]的评估思路和方法,本文从健康收益角度,借鉴国际经验,采用环境健康经济学的剂量-反应函数评估国家重点生态功能区和生态转移支付政策通过造林面积提升带来的环境健康收益。造林面积提升可以减少空气污染物,例如,张灵婕等[37]研究了福建省空气质量,发现森林对空气污染物PM10、CO等的抑制作用较大;而空气污染的降低可以显著降低肺癌和呼吸系统疾病的死亡率,从而改善人体健康[38]。
首先,计算国家重点生态功能区和生态转移支付政策对死亡率的影响。本文采用周海川[39]的估计结果：其研究表明森林面积增加1%,烟粉尘排放量降低0.884%;而烟粉尘排放量增加1%,万人中死于肺癌人数将增加0.777%,死于呼吸系统疾病的人数将增加0.704%。因此森林面积增加1%,万人中死于肺癌人数将降低0.687%（0.884%×0.777）,死于呼吸系统疾病的人数将降低0.622%（0.884%×0.704）。前文基准回归分析发现,实施国家重点生态功能区和生态转移支付政策可以使造林面积增加6.7%和8.2%,因此,国家重点生态功能区中,万人中死于肺癌和呼吸系统疾病人数可以分别降低4.60%（6.7%×0.687）和4.17%（6.7%×0.622）。生态转移支付政策中,万人中死于肺癌和呼吸系统疾病人数可以分别降低5.63%（8.2%×0.687）和5.10%（8.2%×0.622）。进一步,根据2016年全国死因监测数据集,10万人中死于肺癌和呼吸系统疾病的人数分别为45人和81人,按照2016年我国13.83亿的人口数量计算,则国家重点生态功能区政策能减少7.53万人（13.83×104万人×（45人/105人）×4.60%+13.83×104万人×（81人/105人）×4.17%）因肺癌和呼吸系统疾病死亡,生态转移支付政策能减少9.22万人（13.83×104万人×（45人/105人）×5.63%+13.83×104万人×（81人/105人）×5.10%）因肺癌和呼吸系统疾病死亡。
其次,估算国家重点生态功能区和生态转移支付政策减少死亡率带来的健康收益。该收益用生命统计价值（Value of Statistical Life,VSL）来表示。VSL表示为降低由环境污染导致的额外死亡风险,公众愿意支付的货币价值,能够反映因额外死亡而造成的个人经济损失,包括伤亡费用、财产损失费用等[40]。VSL被广泛用于环境污染的健康收益测算中,例如Miller[41]测算VSL为142倍当年人均GDP。按照2016年我国人均GDP 55412元计算,VSL为787万元/人,则由于国家重点生态功能区和生态转移支付政策而带来的死亡率减少的直接健康收益分别为5926.11亿元（7.53万人×787万元/人）和7256.14亿元（9.21万人×787万元/人）,相当于2016年我国GDP的0.77%及0.95%。
表9中第（1）、（2）列分别列出了国家重点生态功能区和生态转移支付政策的经济成本和健康收益情况,第（3）列的成本收益倍数表明这两项政策健康收益分别是其成本的2.19倍和1.92倍。
表9 国家重点生态功能区和生态转移支付政策的成本收益分析

Table 9 Cost-benefit analysis of the National Key Ecological Functional Areas Policy (NKEFAP) and Ecological Transfer Payment Policy (ETPP)

经济成本/亿元 健康收益/亿元 成本收益/倍
（1） （2） （3）
国家重点生态
功能区政策		 2710.68 5926.11 2.19
生态转移支付
政策		 3775.59 7256.14 1.92
需要说明的是,本文的健康收益只测算了国家重点生态功能区和生态转移支付政策改善空气污染带来的收益,未测算改善水污染物、土壤污染物等其他污染物的收益。因此,实际上,国家重点生态功能区和生态转移支付政策的健康收益将远远高于本文测算值。

6 结论与政策启示

6.1 结论

命令控制型环境规制和市场激励型环境规制两者孰能提升造林面积,从而更好地保护生态环境一直是学术界关心的主题。本文采用双重差分方法,利用国家重点生态功能区政策和生态转移支付政策作为准自然实验,研究了这两类环境规制对造林面积提升的因果效应及政策相对有效性。研究发现：
（1）国家重点生态功能区政策使造林面积提升了6.7%,但该效应随着时间的推移呈现出下降的趋势;生态转移支付政策使造林面积提升了8.2%,且该效应随着时间推移逐步增强。
（2）异质性分析表明,国家重点生态功能区政策和生态转移支付政策对初始造林面积较高和经济发展水平较高的县更加有效。
（3）进一步的成本收益估算表明,国家重点生态功能区和生态转移支付政策的健康收益高于经济成本,这两项政策降低死亡率带来的健康收益分别为5926.11亿元和7256.14亿元,是减少财政收入所产生的经济成本的2.19倍和1.92倍。

6.2 政策启示

基于上述研究结果,得到如下两点政策启示：
（1）坚持市场激励型环境规制为主,命令控制型环境规制为辅,共同促进造林面积的提升。本文研究结果证明国家重点生态功能区政策这一命令控制型环境规制和生态转移支付政策这一市场激励型环境规制均能有效提高造林面积,但是生态转移支付政策造林面积提升效果更好。因此应加大生态转移支付的资金规模以及覆盖区域,并增加更多的生态补偿项目,强化此政策在森林生态保护中的核心作用。同时也需完善国家重点生态功能区政策,如提高监管力度,将更多生态环境指标纳入考核体系等,使其能长期提高造林面积。
（2）应继续推进国家重点生态功能区和生态转移支付政策。本文的成本收益分析结果表明,国家重点生态功能区和生态转移支付政策虽然在短期内会造成财政收入的降低,但是从长期看,这两项政策均能够带来较高的居民健康收益。同时短期的财政收入损失是以淘汰落后产能为基础的,长期则有利于促进企业绿色发展进而提高经济发展潜力。从长远来看,该两项政策能兼具环境和健康收益。因此,应继续推进国家重点生态功能区和生态转移支付政策,从而促进我国生态文明建设。
本文虽然得出了一些有意义的结论,然而,正如文章引言中所言“命令控制型和市场激励型环境规制的政策效应是环境经济学的一大挑战”,未来的研究可以选择更为合适的准自然实验,采用多种因果推断计量方法（例如断点回归、随机干预实验等方法）对不同类型环境规制的效果进行科学评估,从而为环境规制政策的完善提供参考。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
孙婉馨, 张黎, 任小丽, 等. 1998-2017年中国典型森林生态系统潜在蒸散的变化趋势及成因[J]. 资源科学, 2020, 42(5):920-932.

[ Sun W X, Zhang L, Ren X L, et al. Trends and influencing factors of potential evapotranspiration in typical forest ecosystems of China during 1998-2017[J]. Resources Science, 2020, 42(5):920-932.]

[2]
Li W H. Degradation and restoration of forest ecosystems in China[J]. Forest Ecology and Management, 2004, 201(1):33-41.

DOI

[3]
纪鹰翔. 我国林业政策变化对森林资源产生作用的研究[J]. 中国林业经济, 2018, (6):66-67.

[ Ji Y X. Study on the impact of China’s forestry policy changes on forest resources[J]. China Forestry Economics, 2018, (6):66-67.]

[4]
潘丹, 陈寰, 孔凡斌. 1949年以来中国林业政策的演进特征及其规律研究: 基于283个涉林规范性文件文本的量化分析[J]. 中国农村经济, 2019, (7):89-108.

[ Pan D, Chen H, Kong F B. The evolution of forestry policies since 1949: An quantitative analysis based on 283 texts of forest-related normative policy documents[J]. Chinese Rural Economy, 2019, (7):89-108.]

[5]
张宁, 张维洁. 中国用能权交易可以获得经济红利与节能减排的双赢吗?[J]. 经济研究, 2019, 54(1):165-181.

[ Zhang N, Zhang W J. Can energy quota trading achieve win-win development for economic growth and energy savings in China?[J]. Economic Research Journal, 2019, 54(1):165-181.]

[6]
Blackman A, Li Z Y, Liu A T. Efficacy of command-and-control and market-based environmental regulation in developing countries[J]. Annual Review of Resource Economics, 2018, 10(1):381-404.

DOI

[7]
祁毓, 陈怡心, 李万新. 生态转移支付理论研究进展及国内外实践模式[J]. 国外社会科学, 2017, (5):45-54.

[ Qi Y, Chen Y X, Li W X. Research progress in Ecological Transfer Payment Theory and its practice model[J]. Social Sciences Abroad, 2017, (5):45-54.]

[8]
卢洪友, 祁毓. 生态功能区转移支付制度与激励约束机制重构[J]. 环境保护, 2014, 42(12):34-36.

[ Lu H Y, Qi Y. Transfer payment system of ecological function areas and incentive & constraints mechanism refactoring[J]. Environmental Protection, 2014, 42(12):34-36.]

[9]
伏润民, 缪小林. 中国生态功能区财政转移支付制度体系重构: 基于拓展的能值模型衡量的生态外溢价值[J]. 经济研究, 2015, 50(3):47-61.

[ Fu R M, Miao X L. A new financial transfer payment system in ecological function areas in China: Based on the spillover ecological value measured by the expansion emergy analysis[J]. Economic Research Journal, 2015, 50(3):47-61.]

[10]
徐洁, 谢高地, 肖玉, 等. 国家重点生态功能区生态环境质量变化动态分析[J]. 生态学报, 2019, 39(9):3039-3050.

[ Xu J, Xie G D, Xiao Y, et al. Dynamic analysis of ecological environmental quality changes in national key ecological function areas in China[J]. Acta Ecologica Sinica, 2019, 39(9):3039-3050.]

[11]
李国平, 刘倩, 张文彬. 国家重点生态功能区转移支付与县域生态环境质量: 基于陕西省县级数据的实证研究[J]. 西安交通大学学报(社会科学版), 2014, 34(2):27-31.

[ Li G P, Liu Q, Zhang W B. Transfer payment system in the national key ecological function area and the ecological environmental quality: Empirical study based on the countryside data of Shaanxi Province[J]. Journal of Xi’an Jiaotong University (Social Sciences), 2014, 34(2):27-31.]

[12]
徐鸿翔, 张文彬. 国家重点生态功能区转移支付的生态保护效应研究: 基于陕西省数据的实证研究[J]. 中国人口·资源与环境, 2017, 27(11):141-148.

[ Xu H X, Zhang W B. Study on the ecological protection effect of the transfer payment of national key ecological function areas: An empirical study based on Shaanxi data[J]. China Population, Resources and Environment, 2017, 27(11):141-148.]

[13]
朱艳, 陈红华. 重点生态功能区转移支付改善生态环境了吗? 基于PSM的结果[J]. 南方经济, 2020, (10):125-140.

[ Zhu Y, Chen H H. Did the transfer payment in key eco-functional areas improve the eco-environment? Based on PSM[J]. South China Journal of Economics, 2020, (10):125-140.]

[14]
燕守广, 李辉, 李海东, 等. 基于土地利用与景观格局的生态保护红线生态系统健康评价方法: 以南京市为例[J]. 自然资源学报, 2020, 35(5):1109-1118.

[ Yan S G, Li H, Li H D, et al. Ecosystem health assessment method of eco-redline based on land use and landscape pattern in Nanjing[J]. Journal of Natural Resources, 2020, 35(5):1109-1118.]

[15]
邓伟, 周渝, 张勇, 等. 重庆市生态保护红线区生态系统服务价值时空演变特征及其驱动[J]. 长江流域资源与环境, 2020, 29(1):79-89.

[ Deng W, Zhou Y, Zhang Y, et al. Spatio-temporal evolution characteristics of ecosystem service value in Chongqing ecological red line area[J]. Resources and Environment in the Yangtze Basin, 2020, 29(1):79-89.]

[16]
陈海嵩. “生态红线”制度体系建设的路线图[J]. 中国人口·资源与环境, 2015, 25(9):52-59.

[ Chen H S. Road map of institutional system for “eco-redline”[J]. China Population, Resources and Environment, 2015, 25(9):52-59.]

[17]
吕洁华, 孙喆, 张滨. 森林管护对森林生态安全的响应成效与影响路径分析[J]. 林业经济问题, 2019, 39(4):355-362.

[ Lv J H, Sun Z, Zhang B. Analysis on the response effectiveness and influence path of forest management and protection to forest ecological security[J]. Issues of Forestry Economics, 2019, 39(4):355-362.]

[18]
徐文茹, 贺红士, 罗旭, 等. 停止商业性采伐对大兴安岭森林结构与地上生物量的影响[J]. 生态学报, 2018, 38(4):1203-1215.

[ Xu W R, He H S, Luo X, et al. Long-term effects of commercial harvest exclusion on forest structure and aboveground biomass in the Great Xing’an Mountains, China[J]. Acta Ecologica Sinica, 2018, 38(4):1203-1215.]

[19]
王华丽, 张宇. 生态补偿视角下政策性森林保险的实施效果评价[J]. 林业经济, 2019, 41(4):105-109.

[ Wang H L, Zhang Y. The effect evaluation on policy-related forest insurance under the ecological compensation perspective[J]. Forestry Economics, 2019, 41(4):105-109.]

[20]
周婷, 张勇, 严力蛟. 生态公益林补偿政策对植被覆盖时空格局的影响: 以杭州市临安区为例[J]. 生态学报, 2018, 38(13):4800-4808.

[ Zhou T, Zhang Y, Yan L J. Effects of forest compensation policy for public welfare on the spatiotemporal patterns and dynamics of vegetation cover: A case study at Lin’an, Hangzhou City[J]. Acta Ecologica Sinica, 2018, 38(13):4800-4808.]

[21]
朱洪革, 付玉竹, 张少鹏. 天保工程转移支付的森林生态效益及其影响机制[J]. 应用生态学报, 2020, 31(8):2663-2670.

[ Zhu H G, Fu Y Z, Zhang S P. Ecological benefits of transfer payment of natural forest protection projects and their impact mechanisms[J]. Chinese Journal of Applied Ecology, 2020, 31(8):2663-2670.]

[22]
Ouyang Z Y, Zheng H, Xiao Y, et al. Improvements in ecosystem services from investments in natural capital[J]. Science, 2016, 352(6292):1455-1459.

DOI

[23]
Bryan B A, Gao L, Ye Y Q, et al. China’s response to a national land-system sustainability emergency[J]. Nature, 2018, 559(7713):193-204.

DOI

[24]
李凌超, 刘金龙, 程宝栋, 等. 中国劳动力转移对森林转型的影响[J]. 资源科学, 2018, 40(8):1526-1538.

[ Li L C, Liu J L, Cheng B D, et al. Influence of labor transfer on China’s forest transition[J]. Resources Science, 2018, 40(8):1526-1538.]

[25]
赵佳程, 张沛, Max K, 等. 森林治理中以行动者为中心的权力理论[J]. 资源科学, 2020, 42(4):636-648.

[ Zhao J C, Zhang P, Max K, et al. Actor-centred power theory in forest governance[J]. Resources Science, 2020, 42(4):636-648.]

[26]
何文剑, 王于洋, 江民星. 集体林产权改革与森林资源变化研究综述[J]. 资源科学, 2019, 41(11):2083-2093.

[ He W J, Wang Y Y, Jiang M X. A review on the collective forestland tenure reform and changes in forest resources[J]. Resources Science, 2019, 41(11):2083-2093.]

[27]
屈小娥. 异质型环境规制影响雾霾污染的双重效应[J]. 当代经济科学, 2018, 40(6):26-37.

[ Qu X E. Double effects of heterogeneous environmental regulation on haze pollution[J]. Modern Economic Science, 2018, 40(6):26-37.]

[28]
She Y, Liu Y B, Jiang L, et al. Is China’s River Chief Policy effective? Evidence from a quasi-natural experiment in the Yangtze River Economic Belt, China[J]. Journal of Cleaner Production, 2019, 220:919-930.

DOI

[29]
李泽红, 柏永青, 孙九林, 等. 西部生态脆弱贫困区生态文明建设战略研究[J]. 中国工程科学, 2019, 21(5):80-86.

[ Li Z H, Bai Y Q, Sun J L, et al. Ecological civilization construction in ecologically fragile poverty-stricken areas in western China[J]. Strategic Study of CAE, 2019, 21(5):80-86.]

[30]
杨万平, 赵金凯. 政府环境信息公开有助于生态环境质量改善吗?[J]. 经济管理, 2018, 40(8):5-22.

[ Yang W P, Zhao J K. Is government environmental information disclosure conducive to improvement of ecological environment quality?[J]. Business Management Journal, 2018, 40(8):5-22.]

[31]
Feng G F, Dong M Y, Wen J, et al. The impacts of environmental governance on political turnover of municipal party secretary in China[J]. Environmental Science and Pollution Research, 2018, 25(25):24668-24681.

DOI

[32]
周茂, 陆毅, 杜艳, 等. 开发区设立与地区制造业升级[J]. 中国工业经济, 2018, (3):62-79.

[ Zhou M, Lu Y, Du Y, et al. Special economic zones and region manufacturing upgrading[J]. China Industrial Economics, 2018, (3):62-79.]

[33]
Li P, Lu Y, Wang J. Does flattening government improve economic performance? Evidence from China[J]. Journal of Development Economics, 2016, 123:18-37.

DOI

[34]
祁毓, 陈建伟, 李万新, 等. 生态环境治理、经济发展与公共服务供给: 来自国家重点生态功能区及其转移支付的准实验证据[J]. 管理世界, 2019, 35(1):115-134.

[ Qi Y, Chen J W, Li W X, et al. Ecological environment management, economic development and public service supply: Quasi experimental evidence from the national key ecological functional areas and their transfer payments[J]. Management World, 2019, 35(1):115-134.]

[35]
He G J, Liu T, Zhou M G. Straw burning, PM2.5, and death: Evidence from China[J]. Journal of Development Economics, 2020, DOI: 10.1016/j.jdeveco.2020.102468.

[36]
涂正革, 邓辉, 谌仁俊, 等. 中央环保督察的环境经济效益: 来自河北省试点的证据[J]. 经济评论, 2020, 221(1):3-16.

[ Tu Z G, Deng H, Chen R J, et al. The environmental and economic benefits of the central environmental protection supervision: Evidence from policy pilot in Hebei[J]. Economic Review, 2020, 221(1):3-16.]

[37]
张灵婕, 尤添革, 林柳璇, 等. 福建省空气质量与森林覆盖率的关系研究[J]. 武夷科学, 2018, 34(1):144-150.

[ Zhang L J, You T G, Lin L X, et al. Research on the relationship between air quality and forest coverage in Fujian[J]. Wuyi Science Journal, 2018, 34(1):144-150.]

[38]
Jim C Y, Chen W Y. Ecosystem services and valuation of urban forests in China[J]. Cities, 2009, 26(4):187-194.

DOI

[39]
周海川. 空气质量与公共健康: 以森林吸收烟粉尘为例[J]. 林业科学, 2017, 53(8):120-131.

[ Zhou H C. Air pollution and public health: Evidence from forests absorb smoke and dust emission in China[J]. Scientia Silvae Sinicae, 2017, 53(8):120-131.]

[40]
阿子雅, 韩柱. 空气污染的健康效应及经济损失研究: 以2014年亚太经济合作组织会议期间为例[J]. 内蒙古民族大学学报(社会科学版), 2019, 45(2):117-124.

[ A Z Y, Han Z. The health effects and economic losses of air pollution: Evidence from the period of 2014 Beijing APEC-Meeting[J]. Journal of Inner Mongolia University for the Nationalities (Social Sciences), 2019, 45(2):117-124.]

[41]
Miller T R. Variations between countries in values of statistical life[J]. Journal of Transport Economics and Policy, 2000, 34(2):169-188.

Options
文章导航

/

〈 〉