绿金论文 | 从协同到扩散：环境规制如何助力中国企业实现低碳扩张并带动供应链协同升级

来源：市场资讯

（来源：江苏省绿色金融高端智库）

摘要

碳减排与绿色扩张协同（CERGE）是企业实现绿色转型的战略导向。随着环境规制被日益广泛地用于推动此类绿色发展，一个重要问题随之产生：这类政策如何促进CERGE协同效应的形成，尤其是如何通过供应链关联，将政策影响力从大型企业延伸至数量庞大的中小企业。本研究旨在探究T10000P这一命令控制型环境规制，在中国“双碳”目标与绿色转型的背景下，对企业CERGE协同效应的影响机制。本研究选取 2008—2020 年中国 A 股上市公司为研究样本，采用耦合协调度模型测度CERGE协同水平，并运用双重差分法评估重点企业节能低碳行动（T10000P）对CERGE协同效应的影响。研究结果表明：T10000P可显著提升企业的CERGE协同水平，且这一效应在高新技术行业与非重污染行业中表现更为显著；融资约束会对这一影响产生负向调节作用，而缓解融资约束则会强化该协同效应。此外，T10000P的供应链溢出效应具有非对称性特征：上游企业参与该政策可显著提升下游企业的CERGE协同水平，而下游企业的政策参与对上游企业则无显著影响。当上游企业具备更强的议价能力，且与下游企业的合作关联更为紧密时，这种单向溢出效应会表现得更为突出。本研究结论为发挥核心企业在供应链中的引领作用、优化环境规制政策，进而推动产业绿色转型与可持续发展提供了重要的经验启示。

研究背景及意义

作为全球二氧化碳排放量最大的国家，中国的能源结构以煤炭为主，碳强度长期处于较高水平。面对减排挑战，中国正积极推进 “双碳” 目标，即实现碳达峰与碳中和。推动减污、降碳、扩绿、增长协同并进，已成为中国环境与发展议程的核心支柱，这一举措彰显了中国坚持生态优先、走资源节约型低碳发展道路的坚定决心。在这场转型进程中，企业作为经济活动的主体，是推动中国生态环境改善、实现高质量可持续发展的核心力量。随着环境规制被日益广泛地用于促进绿色发展，探索能够推动企业及其供应链实现碳减排与绿色扩张协同（CERGE协同）的政策工具，已成为亟待解决的关键问题。这也凸显了探究环境规制如何促成此类协同效应的必要性 —— 尤其是借助供应链这一载体，将规制影响力从大型企业延伸至中小企业，带动全产业链参与绿色低碳转型。

基于成本收益考量，环境规制的调控对象往往聚焦于大型企业。但数量庞大的中小企业能否顺应环境规制的导向调整发展模式，很大程度上决定了包括 “双碳” 目标在内的各项环境治理举措的成效。中小企业贡献了全球 60%—70% 的工业污染、亚太地区超 50% 的工业污染，能源消耗量更是占到全球总量的 13% 以上。在中国，超过 50% 的二氧化碳排放量源自中小企业。供应链可以成为连接 “规制聚焦大型企业” 与 “全行业协同行动需求” 的关键桥梁。随着全球价值链的不断延伸，企业不仅需要对自身的环境与社会责任表现负责，还需对供应商的相关表现承担责任。下游企业的生产率冲击会增加对上游中间产品的需求，进而刺激上游企业扩大生产规模、增加碳排放，直接影响上游企业的环境绩效。这一趋势使得跨企业的绿色转型协同既具备必要性，又具备可行性。已有超 1000 家龙头企业，包括沃尔玛、宜家、IBM 等，已将 “低碳” 标准嵌入供应链关键环节，致力于打造绿色供应链。绿色供应链将环保理念融入供应商管理、生产运营及上下游协作全流程，通过协调供应商、制造商、消费者等多方利益相关者，提升整体环境绩效。其核心价值在于借助供应链网络的传导效应，将单个企业的绿色转型拓展至整个产业体系，在改善环境绩效的同时，提升价值链的可持续竞争力。正因如此，学界强调需从供应链网络合作伙伴的视角审视绿色实践，全供应链层面的绿色低碳经营战略由此具备至关重要的意义。

在此背景下，环境规制成为中国实现CERGE协同的核心政策工具。T10000P是中国于 2011 年针对环境与能源危机推出的一项重要命令控制型环境规制，覆盖万余家重点用能单位，旨在提升能源利用效率、控制能源消费总量、减少碳排放，是落实国家 “双碳” 目标、推进绿色转型的关键抓手。此外，“减污降碳扩绿增长” 倡议是中国政府提出的重要协同战略，用以推动绿色转型、实现高质量发展。在这一框架下，碳减排与绿色扩张的协同效应处于核心地位：碳减排侧重于降低温室气体排放，而扩绿则涵盖拓展生态空间、提升生态系统服务功能，更重要的是，还包括推动企业开展绿色创新，构建可持续的生产与消费模式。两大维度的有机融合能够产生相辅相成的叠加效应，共同助力实现环境可持续的经济社会发展。

作为环境规制的重要类型，命令控制型环境规制具有强制性与规范性的特征，能够显著影响企业的创新行为、污染排放与能源消耗，并在供应链上产生显著的溢出效应，因此在达成环境目标的过程中发挥着关键作用。然而，环境规制往往被视为经济效益的取舍项，导致被规制主体对政策执行存在顾虑。若存在CERGE协同这类增效因素，被规制主体将更有动力遵守环境规制，政策制定者也会更有信心推行相关政策。这类协同效应对于亟需经济增长的发展中国家而言，意义尤为重大。现有关于绿色扩张的研究仍较为有限，且大多立足于区域生态视角。尽管部分研究已意识到企业绿色创新也是绿色扩张的重要维度，但相关分析多聚焦于政府转型或企业自主行动，尚未探究环境规制政策在推动企业绿色转型中更强有力的作用，也未关注绿色扩张在供应链中的微观传导路径。

综上，本研究聚焦典型的命令控制型环境规制 ——T10000P，探究其对企业层面及供应链层面CERGE协同效应的影响。研究揭示的CERGE协同效应，不仅可为规制政策的绩效评估提供参考，还能明确政策介入的切入点以促进协同发展。本研究基于现有文献，选取 2008—2020 年中国 A 股上市公司面板数据，采用双重差分法（DID）展开实证分析（其中，核心解释变量为政策虚拟变量与时间虚拟变量的交互项；若企业被纳入T10000P名录，则政策虚拟变量取值为 1，反之则为 0；T10000P于 2011 年正式实施，因此 2011 年及以后年份的时间虚拟变量取值为 1，反之则为 0），检验企业参与T10000P对其CERGE协同效应的影响。研究的进一步分析部分，还将考察该影响在供应链上的溢出效应。由于本研究聚焦企业微观层面而非区域层面，难以从生态或环境结果维度衡量绿色扩张。因此，本研究借鉴相关分析框架，将绿色扩张主要界定为企业在绿色技术创新方面的投入，将其视为实现绿色转型的核心路径。后续分析将从绿色创新的视角解读企业的扩绿行为。基于此，本研究选取企业绿色技术创新指标，衡量中国 “减污降碳扩绿增长” 政策议程中的 “扩绿” 维度，从而为推动全社会整体绿色转型提供经验证据，而非孤立地聚焦绿色技术创新本身。

研究亮点

本研究的边际贡献主要体现在以下三方面：

第一，本研究将碳减排与绿色扩张纳入统一分析框架，系统揭示环境规制如何影响二者的协同效应，弥补了现有研究多聚焦于碳减排与污染治理协同、鲜少关注CERGE协同的局限性。此外，已有研究指出，企业在满足污染排放标准时，往往忽视绿色技术创新，倾向于采用末端治理技术，这既阻碍了与绿色技术创新的协同推进，也无法从源头上驱动转型。本研究则探究了典型命令控制型环境规制 ——T10000P对企业及供应链层面CERGE协同发展的影响，为减排举措能否与绿色发展相契合的相关研究提供了新的证据。

第二，尽管环境规制的供应链溢出效应已引起部分学者的关注，但现有研究大多聚焦于环境规制下下游企业绿色转型对上游企业的影响，鲜少探究上游对下游的溢出效应，或是供应链内的双向溢出机制。本研究将企业CERGE协同目标与绿色供应链目标纳入统一分析框架，从CERGE协同的视角证实T10000P在供应链上会产生非对称溢出效应。

第三，尽管已有大量研究强调供应链议价能力的作用，但鲜少将供应商议价能力纳入环境规制下供应链绿色转型的分析框架，尤其是忽视了其在上游对下游溢出效应中的作用。本研究考察了供应商议价能力、企业间合作紧密程度对环境规制供应链溢出效应的调节作用，识别出影响供应链溢出效应的关键因素，为强化供应链环境治理协同效应提供了理论启示与管理借鉴。

研究结果

研究假说：

H1a：T10000P可以推动企业实现CERGE之间的协同效应。

H1b：T10000P可能阻碍企业在CERGE之间实现协同效应。

H2a：T10000P的上游企业将在供应链中对下游企业产生溢出效应，有效增强下游客户企业之间的CERGE协同效应。

H2b：下游企业参与T10000P将对上游企业产生溢出效应，促进CERGE之间的协同效应。

1.基准回归结果

表2中的第（1）和（2）列显示回归结果。在两列中，感兴趣的变量在控制固定效应和年份固定效应后，在1%水平表现出显著正系数（无论有无对照变量）。这表明企业参与T10000P能够有效促进CERGE之间的协同效应。后续分析基于第（2）列报告的结果。

在控制变量中，企业规模（Size）与存货比率（Inv）呈显著正相关，营业收入增长率（Growth）与董事会规模（Board）则显著负相关；总资产收益率（ROA）、总资产周转率（Turn）与资产负债率（Lev）的影响不显著。这些结果与既有关于碳减排或绿色扩张的研究结论一致。企业规模（Size）的正向效应可能反映了大企业开展绿色行动的资源优势，而营业收入增长率（Growth）的负向影响则表明企业对短期利润的关注可能以牺牲长期绿色投资为代价。存货比率（Inv）的正向效应说明较高的存货水平为绿色转型提供了更大灵活性，支持了Ruidas等关于存货与绿色创新关联性的论点。董事会规模（Board）的负向影响可能源于规模较大的董事会存在的协调效率问题。

2.平行趋势检验

为验证平行趋势假设的有效性，本文采用事件研究法构建模型进行检验,图2展示了结果，横轴表示年份，纵轴显示动态政策效应，即交互项的估计系数.垂直虚线标示政策实施年份，上下虚线表示95%置信区间。在实施前，处理过的和未处理的企业在CERGE协同效应上表现出相似的趋势，支持了平行趋势假设的有效性。实施后，2014年至2020年间，处理过的企业中CERGE的协同效应显著提升，相较于未处理企业。这表明T10000P显著增强了CERGE之间的协同效应。考虑到参与企业主要耗能高，需要时间调整能源结构和生产技术，并且排放减排管理是一个长期且持续的过程，在实践中常受滞后效应的限制。此外，鉴于资本投资的长周期以及绿色技术创新同样漫长的研发过程，CERGE之间协同效应的改善可能出现一定的政策滞后效应。

3.安慰剂检验

步骤如下：首先，随机选出数量等于实际处理组的一组企业组成伪处理组。然后，伪处理组中的每家公司被随机分配一个伪处理年，以构造伪交互项。最后，使用500次迭代，使用伪交互项代替模型（1）中的DID，得到了图3所示的安慰剂估计值。这些值近似正态分布，约为零，且均匀低于实际估计值0.010。这表明T10000P的政策效应相对稳健，且不受不可观察因素显著驱动。

为了进一步验证2011年实施T10000P政策估计效果的稳健性，并排除时间趋势、遗漏变量或随机因素对核心结论的潜在干扰，本研究遵循Draca等人的方法，并使用时间安慰剂检验进行补充分析。具体来说，政策实施年度被人为提前一年和两年，分别将2009年和2010年定为伪治疗年。结果显示，安慰剂检验在两种情况下均为统计学上不显著，证实了政策效应的有效性。

4.稳健性检验

4.1.替换因变量和部分自变量

首先，根据变量定义，因变量本质上通过耦合协调模型，测量碳排放减少与绿色扩张之间的协调水平，从而更深入地描述两者的耦合关系。

为了确保稳健性，将因变量CERGE替换为CERGE_L（取滞后一期值）后重新进行模型估计。如表3（第1列）所示，系数为在5%水平上保持显著积极，证实T10000P参与促进了CERGE与基准结果验证之间的协同效应。

其次，考虑利用绿色专利申请数量来构造变量可能高估实际产出，本研究进一步利用已授予的绿色专利数量而非申请，以重新计算CERGE之间的协同效应，如表3第（2）列所示，系数为在1%水平保持显著正向，证实了基准结果的稳健性。

第三，考虑到耦合协调模型中碳排放减排和绿色扩张权重的选择可能影响估计结果，本研究遵循了Li等和Song等的加权方法。具体来说，将碳排放减少权重为1/3，绿色扩张权重为2/3，以构建变量，碳排放减少占三分之二，绿色扩展占三分之一建设权重.如表3的第（3）和（4）列所示，系数为分别在5%和1%的水平保持显著正向，进一步证实了结果的稳健性。

第四，T10000P名单不仅包含参与企业的名称和法律法规，还规定了各公司的节能目标，这些目标因公司而异。这表明政策对不同样本的影响程度各不相同。因此，本文构造了一个新的解释变量用于鲁棒性检验。在模型（1）中，解释变量本质上是之间的相互作用项以及虚拟变量。本文替换其中连续变量为，代表每家企业的节能目标，用以构造一个新的解释变量用于连续DID估计。这种方法有效解决了政策对样本影响的异质性，减少了回归结果中的偏差。如表3第（5）列所示，系数在1%水平仍显著正值，尽管相较基准有所下降。这表明在校正样本异质性后，估计误差有所改善。它还确认，考虑样本异质性后，T10000P效应依然稳健。

4.2.消除其他政策的干扰

为消除并行政策的干扰，本文指出“智慧城市”（SC）和“低碳城市”（LCC）项目是在T10000P实施几年后启动的，这两个项目都包含低碳减排成分，这可能会影响政策评估的准确性。为此，论文引用了变量的定义方法并构造变量以及分别对应“智慧城市”（SC）和“低碳城市”（LCC）试点项目。这些变量随后被纳入回归模型（1）。结果见表4的第（1）至（4）列，估计系数为两例均在1%显著水平上保持显著阳性。

5.内生性检验

5.1.减轻样本选择偏差的问题

该T10000P政策于2011年推出，目标对象为主要能源消费者——具体来说，年综合能源使用量超过10,000吨标准煤，或总能耗超过5,000吨的企业。鉴于T10000P名单中的入选主要基于企业的能源消耗，本研究采用PSM方法来减轻选择偏差。PSM通过匹配具有相似可观察特征的处理过和未处理的企业，构建可信的对照组，使得即使处理分配非随机且所有大型企业均包含在项目中，评估政策影响也成为可能。本研究首先采用logit模型，基于控制变量估计倾向得分，随后使用最近邻、卡尺、核和卡尺最近邻方法进行匹配。排除公共支持之外的观察数据。如表5第（1）–（4）列所述，系数依然显著积极，与基准结果相符。

考虑到该政策下受监管企业的选择可能基于其能源消耗而非完全随机，这可能导致潜在的内生性问题，本研究进一步延续了Gruber等人的方法。结果如表5第（5）列所述，系数为在5%水平上显著为正，从而证实了基准回归结果的稳健性。

5.2.工具变量（IV）方法

为应对因遗漏变量及其他因素产生的潜在内生性，本文遵循Jin和Gao的观点，构建了一个工具变量（IV），利用企业地理位置与其工业平均及相关行业层面变量的相互作用，并采用两阶段最小二乘法（2SLS）。选择该IV的理由有两个。首先，作为地理特征，港口与港口的相对距离由自然地理条件决定，且不直接受企业CERGE行为影响，从而满足外生性要求。其次，IV与处理变量相关：当行业平均碳排放较高时，整体减排需求和压力增强，而相对港口距离影响物流成本和能耗。这两者结合影响企业在T10000P中选择的实际约束，从而满足相关性要求。本质上，IV通过行业减排背景和企业地理位置间接影响政策影响，但不直接影响企业在CERGE之间的协同效应，从而满足排除限制。

表6第（1）列报告了第一阶段回归结果。IV在1%水平呈正显著性，相应的F统计量55.12超过传统阈值10，证实其相关性。第（2）列展示了第二阶段的估计值，显示did系数在5%水平保持正向且具有统计学意义。此外，Kleibergen–PaaprkWaldF-统计量（55.124）远高于临界值，提供了有力证据反驳弱工具偏置，并证实了IV的有效性。总体而言，这些结果表明，在解决内生性后，T10000P继续显著促进CERGE之间的协同效应，进一步验证了基准结果的稳健性。

6.异质性与调节效应分析

6.1.异质性分析

考虑到政策效应可能随企业特性变化，本文进一步进行了异质性分析。首先，T10000P对CERGE协同效应的影响可能在高科技行业和非高科技行业之间存在差异。高科技公司通常强调创新，技术进步与可持续发展承诺紧密相关。在监管压力下，他们更可能将碳减排目标与长期绿色技术积累相结合，从而在CERGE之间的协同效应上展现出更强的提升。相比之下，非高科技企业对创新关注较少，绿色技术储备不足，研发与可持续性之间的耦合较弱，政策效应较弱。

其次，重污染行业与非重污染行业之间也可能出现异质性。污染密集行业的企业往往依赖管道端控制设备来满足排放标准，这挤压了研发资源，而非绿色创新则常被用来抵消合规成本，从而削弱了绿色创新和CERGE之间的协同效应。相比之下，非污染企业面临的管道末端治理压力较小，更可能参与基于供应链的绿色声誉管理，并且在政策激励机制下，能够更有效地将脱碳与绿色创新相结合。

因此，企业按高科技地位（基于国家重点支持高科技领域）和重污染状态（基于2010年《上市公司环境信息披露指南》）进行分组。表7第（1）至（4）列的结果显示，T10000P显著增强了高科技企业与非重度污染企业中CERGE的协同效应，而非高科技且严重污染企业的协同效应较弱。

6.2.调节效应分析

除了行业异质性外，融资限制也可能影响T10000P对企业之间CERGE协同效应的影响。拥有足够资本的企业可以通过采用可再生能源和脱碳投资更容易降低排放。相比之下，融资限制限制了资本和投资能力的获取，从而减少了绿色创新产出。此外，严重的环境现金流压力可能迫使企业削减环境支出，削弱了监管的“强制创新”效应——而监管需要充足的财务和人力资源才能有效。因此，融资限制预计将对T10000P诱导的CERGE协同效应产生负面调节作用。

鉴于中国资本市场的制度特征，基于张和王和陈等的FC指数，该指数已被广泛应用于中国企业的研究中。具体来说，FC指数是先标准化公司规模、年龄和现金股息支付率，然后根据这些变量的平均值对企业进行排序。企业按三层分为三组，并应用对数回归来估算财务约束概率，即FC指数。指数范围在0到1之间，数值越高表示融资限制越严重。所有财务数据均来自CSMAR数据库。回归结果见表7第（5）列，显示交互项在5%水平显著负值，证实融资约束的负调节效应。

7.动态趋势分析

为捕捉平行趋势检验中呈现的滞后特征，本文采用动态双重差分法进行深入分析。具体方法为：通过将处理变量（Treat）分别与时间虚拟变量（Year2012、Year2013及Year2014+）交互，构建交互项Treat×Year2012、Treat×Year2013和Treat×Year2014+（其中Year2012、Year2013和Year2014+分别在年份为2012年、2013年及2014年之后时取值为1，否则为0）。随后，将这些交互项代入方程以替代原有的did变量进行回归分析。表8结果显示，Treat×Year2012与Treat×Year2013的系数均未通过统计显著性检验，而Treat×Year2014+的系数显著为正。这一发现进一步印证了政策效果的滞后性，与平行趋势检验的结果一致。

8.进一步讨论

8.1.供应链中CERGE的协同效应

按照前一节的方法，选定了2008年至2020年间中国A股上市公司作为样本。由于上市公司每年都会披露其前五大客户，因此同一年份，多个下游公司可能对应同一家上游公司。因此，样本基于上市公司每年披露的前五大客户数据。某一年（例如2020年）的上游上市公司（A）可能对应多个下游上市公司（B1、B2、B3）。本研究采用Isaksson等和Chu等的方法，构建了例如A–B1–2020、A–B2–2020和A–B3–2020等观测数据。样品源和处理方法遵循前文所述。

回归结果显示，无论是否包含控制变量，上游企业T10000P参与均显著增强了CERGE之间的协同效应，且在1%水平上仍保持显著（表9第（1）–（2）列）。这表明对上游企业的T10000P监管会对下游企业中CERGE的协同效应产生溢出效应。相反，第（3）–（4）列显示，下游参与T10000P不会影响上游企业在CERGE之间的协同效应，表明不存在下游到上游的溢出效应。

总之，H2a被支持，而H2b不支持，表明T10000P产生上游到下游的溢出效应，但反之则不然。多种因素可能解释这种不对称性。首先，如前所述，T10000P主要监管大型上游高能耗企业，这些企业需强制投资CERGE。他们生产的中间产品具有显著的绿色特性，使下游企业能够直接降低自身减排成本并获得创新基准，从而产生溢出效应。其次，大型上游能源企业可能拥有更强的议价能力，而下游客户通常是终端产品公司，其CERGE工作更多依赖于优化最终产品。这限制了他们影响上游高能耗企业所需的原材料或核心技术的能力。此外，上游生产流程趋于僵化，绿色转型需要大量长期投资，因此难以迅速应对下游需求变化。再加上下游企业议价能力可能有限，这使得下游向上游的溢出效应不太可能发生。

8.2.调节效应

上游企业在环境监管下CERGE协同效应的溢出效应可能取决于其议价能力。具有强大议价能力的上游企业可以争取有利的合同条款，甚至迫使下游企业采取不利的行动。这种权力提高了下游企业的切换成本，并促进了稳定的关系，进而促进供应链协作以及技术和知识在企业间的传播，从而强化溢出效应。

此外，关系紧密度——以共同主要股东数量衡量——反映了供应链网络的治理结构。较高的共同所有权鼓励长期合作和价值最大化。在这种情况下，普通股东倾向于推动合作治理，使下游企业更愿意与上游合作伙伴协调，以实现环境监管目标。此外，共同所有权促进了技术溢出、联合研发投资和资源共享的内部化，从而支持下游绿色创新。综合来看，供应商的议价能力以及上下游关系的紧密程度，可能显著影响溢出效应的规模。

8.2.1.议价能力

为检验供应商议价能力的调节效应，本文使用均值中心变量比例估算模型，定义为上游供应商年销售额与下游客户总采购量的比率。如表10第（1）列所示，交互项在1%水平显著为正，表明更强的供应商议价能力增强了T10000P的溢出效应。换句话说，与更强大上游供应商相关联的下游企业，CERGE之间的协同效应提升更为显著。

8.2.2.关系亲密程度

除了供应商的议价能力外，上游和下游企业之间的关系紧密程度也可能有所不同，这可能导致T10000P溢出效应的差异。为澄清这一问题，本研究从共同利益的角度进行分析。首先，供应链关系可能通过所有权结构相互关联。本文构造了一个均值中心变量基于上游企业与下游客户之间的共同主要股东数量，以体现双方的共同利益一致性。在公司体系下，企业旨在最大化股东价值，更多的主要共同股东可能导致上游和下游企业在商业理念和战略导向上更加一致，从而放大供应链T10000P的溢出效应。表10的第（2）列展示了回归结果，显示交互项在1%水平上显著呈正系数，表明共同主要股东的存在调节了供应链溢出效应。

研究展望

本研究主要存在以下局限性：

（1）本研究在“绿色扩张”的测度方面存在一定局限。当前的测度方式主要聚焦于绿色技术创新，这虽能在一定程度上反映企业的绿色发展状况，但无法全面涵盖“绿色扩张”的丰富内涵。从更系统的视角来看，“绿色扩张”还可包含绿色产出、绿色生产效率、绿色 GDP 贡献度等多个维度。这些指标能够更全面地体现企业从技术创新到实际价值实现的绿色转型全链条绩效。然而，由于现有替代测度方法尚未形成统一分类标准，各类指标的统计口径与核算标准差异显著，样本间与跨期可比性较差，加之企业层面相关维度的数据披露口径不统一且获取难度较大，本研究最终选取绿色技术创新作为衡量“绿色扩张”的核心指标。

（2）受数据可得性限制，本研究在核心变量测度与样本时效性两方面均存在局限。一方面，企业层面碳排放的直接数据难以获取，导致碳排放测度工作存在不足。本研究借鉴现有文献的做法，依据企业成本占比分配行业能源消费量的方式估算碳排放量，该方法仅覆盖能源消耗相关的碳排放。尽管这种估算方式在以往研究中被广泛采用，但可能忽略企业间能源利用效率的差异以及非能源相关碳排放，进而引发测度偏差，制约了对政策“碳减排”效应的全面捕捉。另一方面，本研究的样本期间目前仅更新至 2020 年。受后续数据披露时限的影响，研究未能纳入政策实施后的更长期观测数据，这可能会影响对政策长期效应评估的完整性。

本研究的未来拓展方向如下：

（1）未来研究可突破仅以绿色技术创新测度“绿色扩张”的单一维度，纳入绿色产出、生态效益等更为全面的指标。这些指标不仅能更好地刻画企业从研发到价值实现的全链条绿色绩效，还能体现 “绿色扩张”兼具的经济与生态双重价值。这种多维度的测度方式有助于更完整地揭示碳减排与绿色扩张协同（CERGE协同）中“绿色扩张”的内涵，从而提升研究结论对企业绿色转型实践的指导意义。

（2）针对现有数据局限，未来研究可从两个方向推进。其一，随着企业层面碳排放数据披露日益规范化，可采用更精细化的直接申报数据（如涵盖过程排放、废弃物处理排放等），提升二氧化碳排放量测度的准确性。其二，待后续年份数据发布后，可将样本期间拓展至 2020 年之后，纳入政策实施的远期观测数据。这将有助于更全面地评估政策效应的持续性与动态演变特征，进而增强研究结论的时效性与稳健性。

初审：徐娴雅

审核：徐彩瑶

排版编辑：严 露

文献推荐人：严 露