摘要：

　　亚太经济合作组织（APEC）发展中经济体的航空业碳排放正在迅速增长，对于这些经济体而言，参与国际协调框架的有效性对于未来决策和区域碳减排至关重要。本文研究了参与国际民用航空组织（ICAO）推出的国际航空碳补偿和减排计划（CORSIA）框架对亚太经合组织发展中经济体航空业碳减排的有效性。基于 2017 年至 2023 年的高频日面板数据，通过差分（DID）模型和时变DID模型检验了这种有效性。基线结果显示，与未参与CORSIA的发展中经济体相比，参与CORSIA的发展中经济体航空业碳排放显著增加，表明CORSIA未能有效促使发展中经济体减少碳排放，反而产生了反向激励效应。机制分析表明，航空业的绿色创新不足、对化石燃料的显性和隐性补贴以及航空公司环境的变化加剧了这种反向激励效应。我们的时间异质性分析表明，这种反向激励效应是长期的。此外，异质性测试表明，在人均收入较高的经济体中，CORSIA会产生更强的反向激励作用，而较高的碳排放和碳捕获与封存能力或更成熟的航空业则会缓解这种反向激励作用。综上所述，我们发现参与 CORSIA等国际协调框架可能无法立即实现亚太经合组织发展中经济体的航空碳减排，甚至在短期内会产生反向效应。然而，加强航空业的环境监管、减少化石燃料补贴、促进绿色创新有望提高这一机制的长期有效性。

　　1. 引言 

　　国际航空碳排放约占全球碳排放总量的 2.5%。随着其他行业逐步去碳化，预计到 2050 年，航空业的碳排放量将达到 22%。虽然发达经济体的碳排放总量仍然很高，但发展中经济体的碳排放水平增长更快，这使得全球碳减排目标更难实现。国际航空运输协会预测，亚太地区将成为客运量增长最快的地区。亚太经济合作组织（APEC）涵盖了全球一些主要经济体，包括美国和中国这两个全球碳排放最高的经济体。亚太经合组织还包括许多正在经历快速工业化和城市化的发展中经济体，如印度尼西亚、越南等新兴市场和中国。随着发展中经济体中产阶级的扩大和国际贸易的增长，对航空的需求显著增加。因此，发展中经济体的航空业碳排放也成为国际气候政策关注的焦点。根据国际民航组织（ICAO）提供的碳排放计算方法，我们利用从全球官方航空指南（OAG）有限公司收集到的2017-2023年航空数据，测算了APEC各成员每天的国际航空碳排放量。根据我们的测算，在 COVID-19 大流行之前的 2017-2019 年间，APEC 区域内的航空碳排放增长率为 5.72%。考虑到 2020 年至 2022 年 COVID-19 导致全球航空运营航线的非正常消失，我们将 COVID-19 后 2023 年 APEC 区域内的航空碳排放量与 2019 年的水平进行比较，发现估计碳排放量下降了 14.73%。与此同时，APEC地区发展中经济体的航空碳排放总量同期下降了11.50%，这表明发展中经济体推动航空业碳减排的需求更为迫切。 

　　为此，国际民航组织第39届大会于2016年10月通过了具有历史意义的《国际航空碳抵消与减排计划》（CORSIA），形成了首个全球行业减排市场机制，也是全球第一个也是唯一一个专门针对航空碳减排的国际协作机制。CORSIA成立的根本依据是《芝加哥公约》第43条，其主要目的是将全球航空碳排放监管和碳抵消纳入市场化措施，从而为国际航空减排提供统一的途径，同时最大限度地减少市场扭曲。从成立的初衷来看，CORSIA 是确保全球 “绿色航空 ”可持续发展，进一步消除和协调各经济体航空业差异，实现 “求大同、存小异 ”目标的基本举措。 

　　根据国际民航组织的正式文件，CORSIA承诺通过碳抵消和减排措施，将国际民航业的温室气体净排放稳定在2020年的水平，并在2050年实现全球国际民航业的碳净零排放。CORSIA 是一种基于市场的机制，通过使用符合条件的排放单位（EEUs）来抵消无法通过航空技术改进、日常运营升级和可持续航空燃料（SAFs）来减少的国际航班碳排放量的增加。为确保在同一航线上飞行的所有航空公司之间有一个公平的竞争环境，CORSIA 的覆盖范围由航线决定。如果起点经济体和终点经济体都参加了 CORSIA，则该航线将在 CORSIA 的覆盖范围内。如果任一经济体没有参加，则该航线不在覆盖范围内。 

　　尽管发展中经济体获得技术和资金支持以参与 CORSIA 具有潜在优势（Prussi 等人，2021 年；Mayeres 等人，2023 年），但发展中经济体往往会权衡利弊以做出谨慎决定。绿色航空技术创新和采用 EEU 的极高成本由单个航空公司承担（Schneider 等人，2020 年；Yusaf 等人，2024 年），这使得拥有大量航空公司和对成本敏感的航空承运商的经济体更加难以做出决定。到目前为止，全球仅有 450 至 500 条航线使用 SAF 来抵消其增加的碳排放量，而其他航线仍不愿更换航油。此外，发展中经济体的政府往往以明示或暗示的方式为化石燃料提供补贴，这使得航空公司更加依赖传统航空燃料。根据国际民航组织最近的一份文件，在亚太经合组织的 21 个成员中，已有 13 个经济体宣布自 2023 年 1 月 1 日起加入 CORSIA，其中包括 7 个发达经济体和 6 个发展中经济体。但仍有包括中国在内的 8 个发展中经济体尚未正式加入 CORSIA（见表 B1）。作为世界第二大航空碳排放经济体和国际民航组织成员，中国正在慎重考虑在公共和私人领域参与此类碳减排国际协调机制。 

　　从国际协调失效的角度来看，由于各经济体在经济发展、能源需求等方面存在差异，这种失效现象较为普遍（Archibugi 和 Coco，2004；Paschalidou 等人，2016；Elmustapha 等人，2018）。关于 CORSIA，一些经济体缺乏必要的资源或政治意愿来严格执行该计划的要求，导致在全球范围内执行不一致，从而降低了 CORSIA 的整体效果（Maertens 等人，2019 年）。然而，CORSIA 是否能有效促进亚太经合组织发展中经济体的碳减排仍缺乏研究。 

　　有文献研究了几个关键行业减排政策的驱动因素和效果，如能源（Katircioglu 等，2014 年；Qin 等，2020 年）、制造业（Sun 等，2019 年；Zhang, S. 等，2022 年）、交通运输（Liu 等，2021 年）、建筑业（Pauliuk 和 Müller，2014 年）和农业（Calvin 等，2016 年）等行业，并发现了不同行业间的异质性效果。然而，有关航空业碳排放的文献仍然相对较少，尤其是在国际协调政策领域，如 CORSIA。CORSIA 目前仍处于试运行阶段，有学者认为其在鼓励航空公司采取碳减排措施方面发挥了一定作用（廖等，2023 年）。然而，由于碳信用市场的不确定性和不同经济体碳抵消项目标准的差异，CORSIA 的实际减排效果仍有待检验（Mai，2021）。CORSIA的实施能否在短期内实现显著减排，尤其是在发展中经济体，仍是个问题。 

　　因此，为了评估CORSIA对APEC发展中经济体航空碳排放的政策冲击，揭示政策的作用机理，本文将已参与CORSIA的6个APEC发展中经济体作为处理组，未参与CORSIA的其他6个经济体作为对照组。本文采用 Bertrand 等人（2004 年）和 Beck 等人（2010 年）开发的差分法（DID）和时变差分法（DID），并使用了一种新的方法，即 “时间差”（time-varying DID）。(2010)的方法，以及基于从OAG数据库中收集的1.6亿条日频率数据估算的航空碳排放指数，分别检验了APEC发展中经济体参与CORSIA的航空碳排放影响，以及国际民航组织网站上显示的这些经济体参与CORSIA试点活动的消息。我们还检验了航空业绿色创新不足和化石燃料补贴是否是导致 CORSIA 失败的机制。此外，我们还进行了异质性分析，包括政策的时间异质性和经济体发展水平的异质性。 

　　我们的基线结果表明，CORSIA 未能减少亚太经合组织发展中经济体的航空碳排放，甚至表现出鼓励发展中经济体增加航空碳排放的反向激励。此外，我们的机制检验结果表明，SAF和飞机发动机绿色创新的不平衡、对化石燃料的隐性和显性补贴以及航空公司情况的变化是CORSIA失败的主要原因。在时期异质性检验中，我们发现发展中经济体在参与 CORSIA 的中期表现出有效的碳减排，但最终出现了衰退。此外，我们的国家异质性效应表明，较发达经济体、碳排放、捕集与封存能力较弱的经济体以及航空业欠发达的经济体的 CORSIA 失效更为明显。我们的研究结果系统地考察了 CORSIA 在亚太经合组织发展中经济体航空碳减排中的作用，从而为这些经济体的决策者在考虑是否加入碳减排国际协调机制时提供了有力的证据。 

　　本文的主要贡献如下。首先，本文首次使用 DID 和时变 DID 检验了全球首个全球航空碳减排协调机制对 APEC 发展中经济体的实际影响。利用每日高频数据估算APEC各发展中经济体的每日民航碳排放指标，在剔除COVID-19期间因国际民航故障导致的异常样本后，我们的样本覆盖了2017年至2023年（剔除2020年至2022年的大流行期）的12个APEC发展中经济体，得到1.6亿个原始有效的每日观测值。指标从飞机类型、大圆距离、出发地目的地流量等方面构建，以确保测试的有效性。在此基础上，将已加入 CORSIA 的 6 个亚太经合组织发展中经济体作为实验组，将未加入 CORSIA 的 6 个亚太经合组织发展中经济体作为对照组。 

　　其次，本文研究了 CORSIA 减少 APEC 地区发展中经济体碳排放的机制。通过收集Lens数据库中2017-2023年APEC经济体的SAF和航空发动机绿色创新专利数据，我们构建了各发展中经济体的民航绿色创新专利不足指标，并将其作为机制变量引入DDD模型。此外，我们还从国际货币基金组织（IMF）的气候变化数据库中收集了政府对化石燃料的隐性和显性补贴数据，并将这些指标作为机制变量加以应用。至于航空方面，我们还添加了代表可用座位千米数（ASK）、乘客和航班的航空变量作为机制变量。最后，我们从各经济体的时滞效应、发展差异、碳捕集与封存水平差异、航空产业水平差异等角度揭示了CORSIA的异质性效应，发现CORSIA对参与的APEC发展中经济体的碳减排具有显著的时滞效应和异质性效应。最后，我们进行了稳健性检验，包括平行趋势检验和安慰剂检验。 

　　本文的其余部分安排如下。第 2 节对现有文献进行了回顾，并介绍了我们的贡献。第 3 节介绍了我们模型的实证方法。第 4 节提供数据说明。第 5 节系统地解释了我们的实证结果。最后，第 6 节总结了我们的结论，并提供了本文的政治启示。 

　　2. 文献回顾  

　　近期文献对产业视角下的碳排放领域给予了高度关注。研究者首先探究了各行业的碳排放特征，包括能源、制造、交通、建筑、农业等行业，以及相应的驱动因素。尽管各经济体之间存在差异，但技术创新和政府政策是有效减少碳排放所需的核心要素。 

　　能源产业是最大的碳排放源之一，但随着能源结构转型政策的推进，人们发现替代可再生能源和提高能源效率正在减缓碳排放（Qi 等，2016）。国际能源署（2020）报告显示，不同经济体在能源领域碳排放管理政策的差异也是影响该领域碳排放的关键因素。对制造业碳排放的研究主要集中在重工业领域，该领域的碳排放与技术进步和产业结构升级密切相关，技术进步被认为是减少碳排放的重要途径（Wei et al.） 环保标准的提高和碳排放配额等环保政策的实施也对制造业的碳减排产生了积极影响（Abadie 等，2008 年）。由于高度依赖石油燃料，运输业也是碳排放的重要来源。地面运输业的碳排放主要受燃料价格和技术进步的影响，而旨在推广新能源汽车和提高燃料效率的政策在碳减排中发挥着重要作用（Wang 等人，2022 年）。建筑行业的碳排放主要来自建筑材料的生产和建筑物运行时的能源消耗（Yuan 等，2018 年）。通过执行建筑能效标准和提供绿色建筑认证激励措施，可以大大促进建筑行业的减排（Winchester 和 Reilly，2020 年）。农业的碳排放主要来自土地利用变化、畜牧业和化肥使用。优化农业生产方式，减少化肥使用量，推广农业碳固存计划和可持续农业实践，对减少排放有积极作用（Li 等人，2023 年）。此外，不同经济体和地区的减排政策实施效果差异较大，发展中经济体由于政策实施滞后，减排效果相对较弱（Barrett，2003）。 

　　现有文献还探讨了政策对工业碳减排效果的作用机制，主要包括通过经济激励、技术创新、市场机制、法规和标准等渠道来减少工业碳排放。首先，碳税和补贴等经济激励直接影响企业的成本结构，鼓励企业减少导致高碳排放的生产活动，从而降低整体碳排放（Runst 和 Thonipara，2020）。其次，技术创新不仅为工业减排提供了技术基础，还使企业能够获得技术领先优势，不仅提升市场竞争力，还保障企业的长期可持续发展（Zhang, W. 等，2022）。因此，它使企业能够在实现经济增长的同时减少碳排放。第三，市场机制渠道，特别是碳交易市场，通过市场化手段实现减排目标（Liao, L. 等，2023）。最后，采取强制性措施是鼓励企业减少碳排放的重要方式。政府通过制定并严格执行环境法规，强制企业遵守更高的环境标准（Antoci 和 Borghesi，2021）。行业组织还通过制定和推广绿色标准来推动整个行业向低碳转型（Rajagopal 等，2015）。 

　　现有文献更关注涵盖在《联合国气候变化框架公约》（UNFCCC）框架下的行业，重点研究交通运输行业的碳减排工具和政策，尤其是地面交通，如汽车和火车。然而，对于国际航空业碳减排政策的研究仍然缺乏。为了填补这一空白并为政府决策提供信息，本文聚焦于CORSIA（一项旨在减少航空业碳排放的国际协调政策）的影响，评估其对亚太经合组织（APEC）发展中经济体的政策效果，同时探讨政策的作用机制和异质性影响。 

　　3. 实证模型 

　　在我们的实证模型中，我们将亚太经合组织（APEC）发展中经济体自2023年1月1日起参与CORSIA框架视为一项准自然实验。根据Hausman和Kuersteiner（2008）以及Hu等（2020）的研究，我们采用差分中的差分（DID）模型来估计APEC发展中经济体参与CORSIA框架的平均效果，其模型如下： 

　（1）

　　在公式 (1) 中，i和t分别表示经济体和日期。y表示每个经济体的每日航空碳排放总量，其由所有以该经济体为出发地或目的地的航空公司碳排放总和构成。如果样本经济体已宣布参与CORSIA，则CORSIA_i等于1，将其归为处理组；否则为0，作为控制组。 

　　Post_t表示政策冲击日期，若经济体自2023年1月1日起参与CORSIA，则等于1，在此之前为0。系数表示参与CORSIA的APEC发展中经济体与未参与经济体相比，其航空碳排放的平均变化。Control_it表示影响样本经济体碳排放的控制变量，详细内容将在后续部分描述。表示国家层面的固定效应，是时间固定效应，是随机扰动项。 

　　此外，尽管一些经济体在同一天宣布参与CORSIA，但它们实际开始试点CORSIA的日期并不相同。为了更详细地验证CORSIA在样本观察期内对发展中经济体碳排放的影响，我们采用时间变化的DID模型（Beck et al., 2010; Yang et al., 2023），以分析CORSIA从实际试点开始日期对航空业碳排放的影响。我们的时间变化DID回归模型如下： 

　　（2）

　　在公式 (2) 中，i和t分别表示经济体和月份。y是每日航空碳排放总量，是一个虚拟变量，用于表示根据国际民航组织（ICAO）网站显示开始试点CORSIA的APEC发展中经济体。对于已开始试点的经济体，在试点之后设为1，否则为0。β₁是我们感兴趣的系数，反映CORSIA对发展中经济体航空碳排放的影响。如果β₁显著为负，则表明CORSIA显著降低了发展中经济体的航空碳排放，体现了CORSIA机制的有效性；相反，如果显著为正，则说明CORSIA不仅未发挥作用，反而加剧了碳排放。 

　　公式 (1) 和公式 (2) 的关键区别在于和。时间变化的DID模型用随时间和个体变化的处理变量替代了标准DID中常用的交互项。 

　　在机制测试方面，Porter和Linde（1995）假设严格的环境法规能够激发技术创新。因此，本文从可持续航空燃料（SAF）和航空发动机创新技术的角度，研究了CORSIA影响的传导机制。在接下来的部分中，我们构建了一个指标，分别评估SAF和航空发动机领域绿色创新的不足之处，并将其纳入三重差分（DDD）模型。此外，化石燃料的政府补贴也可能是影响CORSIA对APEC经济体碳排放影响的潜在因素。因此，我们的DDD模型如下: 

　　（3）

　　在公式 (3) 中，M_it表示机制变量，即各APEC发展中经济体航空业绿色技术创新不足的代理指标(In_patent)，以及化石燃料的隐性和显性政府补贴指标(FFS_EP, FFS_IP, FFS_IAP, FFS_IGW)。我们还考虑了CORSIA对航空业自身的影响，这最终会影响航空的碳排放。因此，可用座公里(ASKs)、客运流量(PSG)以及航班数量(FT)也被作为机制变量。 

　　对于异质性测试，我们首先进行政策滞后期的异质性测试，以检验CORSIA政策对航空业碳排放的具体影响，其模型如下所示： 

　　（4）

　　其中是一个虚拟时间变量，用于测试CORSIA的影响，旨在测试从第0季度到第3季度的特定影响模式。我们分别使用滞后期k = 0、1、2、3来测试效果。 

　　为了检验异质性，我们通过中位数作为划分标准，将样本进行分组，并使用DDD模型分析异质性。样本根据人均收入进行分类，这一指标衡量了经济发展和社会进步的异质性（Ozturk, 2016）。基于国际货币基金组织的碳排放数据库，我们还根据能源燃烧和工业过程中的二氧化碳排放对样本进行分类。考虑到廉价航班的独特性，我们还根据廉价航班的份额对样本进行分组。我们的DDD模型如下： 

 （5）

（6）

（7）

　　在方程（5）中， 表示样本经济体在t时刻的人均收入是否高于中位数，如果是则设为1，否则设为0。考虑到人均收入的数据是按年统计的，因此在给定的一年内，特定经济体的所有日值相同。 

　　在方程（6）中，表示在t月，能源燃烧和工业过程相关的二氧化碳排放是否超过100，如果是则设为1，否则设为0。 

　　在方程（7）中，ALN_it表示在t时刻，航空公司数量是否高于中位数，如果是，则设为1，否则设为0。 

　　4.数据 

　　4.1 因变量 

　　因变量是亚太经济合作组织（APEC）发展中经济体的每日航空碳排放（CE）。用于估算每个APEC发展中经济体碳排放的实时数据来源于OAG数据库，该数据库包括每个航班的详细信息，如出发地和目的地、飞机类型、大圆航程以及承运人名称。OAG是一个全球旅行数据提供商，总部位于英国，提供航空、旅行和酒店领域的数据库管理。目前，OAG通过互联网提供电子数据库，涵盖超过900家航空公司和每天75,000个航班。 

　　本研究应用2017-2023年OAG数据，测量每个经济体的每日航线碳排放，具体方法如下。使用历史数据，依据国际民航组织（ICAO）碳排放计算器（版本11.1）中概述的方法计算每个航班的碳排放，如下所示: 

　　（8）

　　在公式（8）中，total fuel表示飞机在整个航程中消耗的燃料总量。pax-to-freight factor是一个用于分配燃料消耗的系数，表示乘客所消耗的燃料与货物消耗的燃料的比例。Number of y-seats 表示飞机上经济舱的座位数量。pax load factor表示航班的实际乘客负载。该公式计算的是单个乘客的碳排放，常数3.16是燃料燃烧与CO2之间的比例常数（即，每燃烧1吨燃料会产生3.16吨CO2）。由此，可以推导出总的CO2排放量CE，公式如下： 

　　（9）

　　计算过程按照以下步骤进行： 

　　步骤 1：我们利用ICAO碳排放计算器文档的附录B和C。附录中提供了详细的飞机类型匹配和大圆航程调整的方法。本论文附录中也提供了相应的详细方法。总燃料是碳排放计算中的核心因素，因为燃料消耗量直接决定了CO2排放量。ICAO碳排放计算器文档的附录C提供了不同飞机类型在不同航程范围内的燃料消耗数据。通过选择与航班匹配的飞机类型和大圆航程，可以得到更准确的燃料消耗，从而确保碳排放估算的准确性。 

　　步骤 2：根据ICAO碳排放计算器的附录A，每条航线的“乘客与货物系数”根据航班的起始地和目的地的大陆进行确定。在计算乘客碳排放时，需要排除与货物和邮件相关的排放。乘客与货物的比例系数用于分配总燃料消耗，确保乘客只负责与其相关的一部分燃料消耗。此系数是根据每条航线历史数据中的乘客与货物的比例来确定的，以确保分配过程合理并与实际操作一致。 

　　步骤 3：将个别航班的碳排放数据按每日汇总，涵盖所有起点或终点为APEC发展中经济体的全球航班。这一汇总过程产生了16,885个样本，涵盖2017年至2023年，为每个APEC发展中经济体提供了每日的航班碳排放总量。汇总后的航班数据用于建立一个全面的碳排放数据库，该数据库可用于分析全球航空业的碳排放趋势以及模型的训练和验证。通过汇总每日数据，可以捕捉到季节性变化和航空业的运营模式。 

　　4.2 自变量 

　　我们的自变量包括政策冲击的时间变化虚拟变量以及处理组和控制组之间的差异。政策冲击变量表示APEC发展中经济体开始参与CORSIA框架的日期。从官方文件中我们得知，所有APEC发展中经济体于2023年1月1日加入了CORSIA。由于2020年和2021年的COVID-19疫情，全球航空路线几乎压缩了三分之一，这使得这两年的数据与其他年份的数据不可比较。因此，我们排除了COVID-19期间航空路线的异常数据，并将政策冲击变量设置为：2023年1月1日之后为1，之前为0。此外，我们收集了每个APEC发展中经济体在正式参与CORSIA之前所进行的试点活动的新闻，以便在我们的时间变化双重差分（DID）模型中测试这些活动的有效性。 

　　为了捕捉处理组和控制组之间的差异，我们设定变量。参与CORSIA框架的经济体属于处理组，变量等于1；未参与CORSIA的经济体则属于控制组，变量等于0。 

　　4.3 控制变量   

　　对于控制变量，我们使用GDP作为经济活动的指标，使用人均GDP（PGDP）作为衡量经济体平均生活水平的指标。总显性化石燃料补贴（FFS_ET）代表政府通过现金或价格补贴直接提供给生产者或消费者的支持，目的是降低化石燃料的成本或增加化石燃料的生产，包括煤炭、电力、天然气和石油。总隐性化石燃料补贴（FFS_IT）捕捉那些没有通过直接财政支付或价格补贴进行的支持。这包括未收取的环境税、未内化的与化石燃料使用相关的环境和健康成本，如事故、交通拥堵、未征收增值税、全球变暖、地方空气污染，以及单独针对煤炭、电力、天然气和石油的隐性补贴。 

　　此外，我们还考虑了航班层面上个体影响的控制变量，包括低成本航班的比例（LC_rate），计算公式为某一天低成本航班的数量除以当天的航班总数；以及一个季节性指标（Treat_WS），其中冬季和春季编码为1，夏季和秋季编码为0，随后与CORSIAi交互。季节划分基于每年的3月最后一个星期日和10月最后一周之后的那个星期日。 

　　4.4 机制变量   

　　为了进行机制检验，我们选择了三组变量，包括从产业角度出发的绿色技术创新不足和航空公司状况，以及从政策角度出发的化石燃料补贴。首先，我们收集了全球专利数据库Lens中的SAF（可持续航空燃料）管辖权发布日期频率、氢电飞机管辖权发布日期频率以及新型飞机和发动机技术的专利数量，作为技术创新的代理变量。具体而言，我们采用以下方法来计算航空业中绿色技术创新不足的指标： 

　　 （10）

　　在公式（10）中，SAF、HE和FE分别表示可持续航空燃料（SAF）、氢电飞机和新型飞机及发动机技术的每日专利管辖权发布数量。该指标通过计算每个经济体的专利累计平均数减去该经济体的专利累计数来得出。当该变量大于0时，表示该经济体在专利创新方面存在不足；当该变量小于0时，表示该经济体有足够的专利创新。 

　　从航空业的微观航空公司角度出发，我们采用可用座公里数（ASKs）来表示航班的运输能力，乘客流量（PSG）来评估市场开发情况，以及航班数量（FT）来捕捉市场规模。这些指标都基于OAG数据进行收集和计算。 

　　从政策角度出发，我们使用了多个变量来衡量化石燃料补贴对CORSIA减少航空业碳排放的影响，这些变量包括石油的显性化石燃料补贴（FFS_EP）、石油的隐性化石燃料补贴（FFS_IP）、与空气污染相关的隐性化石燃料补贴（FFS_IAP）和与全球变暖相关的隐性化石燃料补贴（FFS_IGW）。这些变量的汇总统计信息见下表1。 

　　4.5 异质性变量   

　　对于国家层面的异质性变量，我们根据三个实际变量设置了三个虚拟变量。首先是根据人均GDP衡量经济发展水平的变量。第二是衡量碳减排技术水平的排放和碳捕捉与储存（EMCCS）数据，这些数据来自金融体系绿色化网络（NGFS）。第三是航空公司数量，这是一个反映航空业发展水平的变量，数据来自OAG数据库。我们计算这些变量的中位数，并根据中位数将经济体分为两组，即当相应值大于中位数时，设置这些虚拟变量为1，否则为0。 

　　Table 1 

　　描述性统计 

　　5.实证分析 

　　5.1 平行趋势检验结果 

　　我们采用平行趋势假设作为双重差分（DID）框架的识别假设。本研究DID模型中的核心识别假设是，未参与CORSIA的APEC发展中经济体的航空部门碳排放本应表现出与参与经济体类似的有效反事实变化（Yu和Zhang，2021）。一个潜在的顾虑是，这些变化可能是由预先存在的时间趋势驱动的，而非CORSIA参与的影响。为了解决这一问题，我们借鉴Hu等（2020）的做法，进行平行趋势检验，以验证该假设的稳健性。 

　　我们构建了一个时间趋势变量（ ）来捕捉CORSIA参与和未参与经济体的线性时间趋势，按照Wang等（2018）的方法分配值。如果控制组和处理组在2023年1月之前表现出相似的时间趋势，则 的系数应该在统计上不显著。估计模型如下： 

　　（11）

　　图1展示了两个样本经济体组在航空部门的平均月度碳排放情况，支持我们DID方法的识别假设。在2023年之前，这些样本经济体航空部门的碳排放趋势相对平行。自2023年1月1日起，加入CORSIA的APEC发展中经济体和未加入的经济体之间的趋势开始出现分歧。此外，我们使用上述模型进行了回归检验，并在图1中展示了结果。研究结果表明，处理组和控制组之间的时间趋势没有系统性差异，确认了本研究DID模型的平行趋势假设没有被违反。 

　　Fig. 1 Parallel trend analysis. 

　　5.2 基准结果   

　　在本节中，我们总结了CORSIA对APEC发展中经济体碳排放的影响。表2展示了我们基准回归结果的汇总。在表2的第（1）列中，当我们不考虑任何控制变量或固定效应时，CORSIA表现出负效应。然而，当我们考虑三组控制变量，包括国家经济发展、燃料补贴和航班特征时，基准结果（第2-4列）显示，感兴趣的系数在1%的显著性水平下变为显著正值，表明加入CORSIA导致了APEC发展中经济体航空部门碳排放的增加，而非减少。通过比较第（1）列和其他列的结果，一个可能的解释是，CORSIA在第（1）列中减少碳排放的观察效果仅出现在我们忽略了经济体之间的差异时。然而，当我们控制了宏观经济、产业和政策方面的经济差异时，发现这一效应实际上是由于这些经济差异，而CORSIA的真实效应是航空碳排放的增加。 

　　Table2

　　此外，我们采用了一个时间变化的DID模型来评估一些APEC发展中经济体在加入CORSIA之前实施的试点活动（CORSIA_pilot）对航空碳排放的影响，并在表3中展示了详细结果。我们的研究结果表明，这些活动可以显著减少APEC发展中经济体的航空碳排放。将这些结果与表1中的结果进行比较，这一现象的根本原因似乎是，发展中经济体在加入CORSIA之前的试点阶段具有压力意识，这促使它们减少航空碳排放以满足CORSIA的要求。然而，一旦它们加入CORSIA，这种压力意识被反向激励和不作为所替代，导致碳排放的增加。 

　　Table 3 

　　5.3 机制分析   

　　考虑到CORSIA带来的反向激励对APEC发展中经济体碳排放的影响，我们进一步进行DDD分析，揭示从政治和产业两方面可能的机制。首先，从产业角度来看，由于过高的成本，缺乏绿色航空技术创新的激励是CORSIA在APEC发展中经济体中带来反向激励的一个可能机制，特别是在可持续航空燃料（SAFs）和发动机技术领域。此外，微观航空公司在运输能力指标（ASKs）、乘客流量（PSG）和航班数量（FT）方面的决策行为，也可能影响CORSIA对航空碳排放的影响。其次，从政治角度来看，大多数发展中经济体强调经济增长，其石油燃料补贴的持续存在通常与其产业政策密切相关（Lin和Ouyang，2014）。此外，化石燃料的隐性成本，如空气污染和全球变暖的影响，也构成了一种补贴，因为污染者没有承担他们所造成的全部损害成本（Kotchen，2021）。为了验证上述三种假设，我们的机制分析采用了三组机制变量，包括不足的航空技术创新（In_patent）、航空公司层面的变化（ASKs、PSG、FT、ALN）以及化石燃料补贴（FFS_EP、FFS_IP、FFS_IAP、FFS_IGW）。 

　　表4展示了使用航空产业中不足的绿色技术创新作为机制变量的结果。我们通过将CORSIA参与和绿色技术创新之间的交互项纳入模型来评估这一结果。根据公式（10）给出的计算方法，如果该指标对某个经济体为正，则表示绿色航空技术创新不足。因此，由于交互项的系数小于0，这表明绿色航空技术创新不足减轻了CORSIA机制未能减少APEC发展中经济体碳排放的问题，意味着APEC地区绿色创新发展不均衡是这一国际协调框架带来反向激励的可能原因。一个可能的原因是，对于绿色创新不足的经济体，它们控制航空碳排放的激励来自于它们愿意通过政策措施来弥补绿色创新能力的不足，以满足CORSIA的要求。另一个潜在原因是，在CORSIA机制下，对于绿色创新不足的经济体，航空公司需要购买绿色证书来抵消碳排放。尽管碳补偿的成本可能低于开发和部署新技术的成本，但绿色技术创新不足增加了航空公司购买绿色证书的成本，这可能促使航空公司减少碳排放，以考虑绿色证书的费用。根据以往研究，公司在选择碳补偿项目时往往优先考虑成本效益，而非潜在的技术转移（Kirchherr和Urban，2018）。因此，从内在排放激励和航空公司成本的角度来看，不足的绿色创新可能缓解了APEC发展中经济体参与CORSIA的反向激励和不作为行为，导致与未参与CORSIA的经济体相比，碳排放减少。 

　　Table 4 

　　我们在表5中的结果与上述机制不同，因为在考虑航空公司特征的情况下，CORSIA对碳排放减少的影响是有效的。然而，航空公司特征的三重差异项系数与CORSIA×Post的系数相反，表明CORSIA对航空公司碳排放减少的影响被APEC发展中经济体中较高的运输能力（ASK）、更大的乘客流量（PSG）和更多的航班数量（FT）所削弱。其背后的逻辑如下：与小型和中型航空公司（如低成本航空公司）相比，大型航空公司具有较低的预算约束，更能够支付碳抵消的费用。由于CORSIA要求航空公司通过购买EEUs采取碳抵消措施，APEC发展中经济体中的小型和中型航空公司无法与大型航空公司竞争，甚至可能被大型航空公司收购（例如，维珍澳大利亚被澳洲航空收购），这使得CORSIA在航空公司层面更加有效。然而，随着航空公司的规模扩大，市场力量增强，碳排放减少的效果将逐渐被其运输能力的过快发展、更大的乘客流量和更多航班数量所抵消。 

　　表6报告了使用化石燃料补贴作为机制变量的结果。在第（1）列和第（4）列中，CORSIA的逆向激励和不作为行为仍然显著。与此同时，在第（2）列到第（4）列中，考虑到隐性补贴，隐性补贴对CORSIA无效性的影响显著加剧。补贴机制的背后解释是，如果航空公司从政府对燃料成本的补贴中受益，那么碳价格信号就会被削弱，从而减少它们减少排放的激励（Amin等，2022）。虽然CORSIA旨在减少航空业的碳排放，但化石燃料补贴却促进了化石燃料的消费。这一政策冲突可能削弱CORSIA的有效性，使得在航空行业实现全球减排目标变得更加困难。 

　　Table 6 

　　5.4 异质性分析   

　　在实际操作中，CORSIA政策的效果可能会因各经济体参与的时机以及其当前发展水平等因素而存在显著差异（Chauvet和Ehrhart，2018）。因此，在本节中，我们重点关注可能影响APEC发展中经济体加入CORSIA后航空部门碳排放的密切相关因素，包括时滞效应、国家发展水平和国家碳排放目标。 

　　首先，我们使用方程（4）进行期间异质性测试，以考察CORSIA对APEC发展中经济体航空部门碳排放的动态影响模式。详细结果见表7。   

　　通过比较表7中短期、中期和长期的结果，我们发现CORSIA机制在短期和长期内表现出无效性，而减排效果仅在中期显著。在初始阶段，参加CORSIA的APEC发展中经济体表现出逆向激励的减排行为，这可能是由于创新成本高、航空市场快速发展以及化石燃料补贴等因素（如上述机制测试所提到的）。这一效应持续到参与后的第一个阶段，即第二季度，如第（3）列和第（4）列所示。然而，在第二个阶段，系数变为负值，意味着CORSIA此时产生了减排效果。其背后的原因是CORSIA的强制要求促使航空产业进行调整，因此逆向激励可能被减排活动所取代。相反，第三阶段的CORSIA影响，在第（4）列中，表现出更大的增加排放效应，这表明航空国际协调的瓶颈难以突破，与博弈论中的囚徒困境相符。APEC发展中经济体面临创新约束、化石燃料补贴以及航空运输市场需求庞大的问题，从政治和经济角度来看，减少航空碳排放的决策成本较高。因此，大多数经济体最终会做出次优选择，而不是长期选择协调。 

　　Table 7 

　　接下来，我们进行国家异质性测试，评估CORSIA对不同发展水平（Development）、碳捕集与储存能力（Level）以及航空业发展水平（以航空公司数量ALN衡量）的经济体的影响是否存在差异。表8第（1）列显示，对于人均GDP高于中位数的经济体，CORSIA对碳排放具有显著的增加影响。对于高收入发展中经济体而言，航空市场需求也更强。因此，这些经济体具有更强的逆向激励，倾向于保持不作为，以保护国内航空市场的发展。此外，由于碳信用购买的财务约束减少，这些高收入发展中经济体的航空公司在减少碳排放方面的激励较低，尤其是考虑到更大客流所带来的高利润。 

　　表8第（2）列显示，在碳捕集与储存能力较强的APEC发展中经济体中，受CORSIA影响，航空部门的碳排放实际增加较少。这与这些经济体在应对碳排放问题时具有更强的能力，并且通常在航空排放问题上更为关注的事实密切相关。 

　　表8第（3）列展示，对于拥有更多航空公司数量的APEC发展中经济体，CORSIA对航空部门碳排放的逆向激励效应更容易被消除。机制变量捕捉了航空业规模对CORSIA政策有效性的潜在影响。航空公司数量较多的经济体往往拥有更大的航空部门和更成熟的航空产业，这可能意味着更高的碳排放潜力。交互项显著为负，这意味着在航空公司数量更多的经济体中，CORSIA可能会产生更积极的效果，负面影响被部分抵消或减少。这是因为这些经济体可能拥有更多的碳减排措施、更强的绿色创新能力或更有效的政策执行，使它们能够在实施CORSIA时更好地控制或减少碳排放。相反，在航空公司较少的经济体中，逆向激励效应更加显著。 

　　Table 8 

　　5.5 稳健性检验 

　　5.5.1 PSM-DID 结果 

　　Yu and Zhang (2021)指出，如果政策发生与政治、社会等因素相关，而非随机选择，就会发生自选择偏差。为了解决这个问题，我们采用了Heckman等人（1998）提出的倾向得分匹配（PSM）策略，结合差分中的差分（DID），将每个处理组样本匹配到一个具有相似特征但未加入CORSIA的对照组样本，从而使准自然实验近似随机化。具体来说，我们利用倾向得分匹配加入CORSIA的经济体与未加入CORSIA的、具有相似特征的经济体。 

　　根据Duan等人（2024）的方法，首先识别选择的协变量。然后，我们采用逻辑回归估计每个样本经济体的倾向得分。基于这些估计的倾向得分，我们使用最近邻匹配法对处理组和对照组进行匹配，匹配比例为1:2。匹配后，我们进行协变量平衡性检验。基于匹配样本的回归结果见表10。结果表明，在进行PSM匹配后，回归结果与基准回归的一致性保持不变。 

　Table 9 

　　Table 10 

　　5.5.2 安慰剂检验结果   

　　为了确认观察到的亚太经济合作组织（APEC）发展中经济体航空部门碳排放增加确实是由于它们参与CORSIA，而不是受到其他未观察到的因素的驱动，我们进行安慰剂检验，以验证不存在遗漏变量偏误。基于基准回归中CORSIA变量的分布，我们在安慰剂检验中进行500次随机抽样，构造一个“伪政策虚拟变量”，并使用公式（1）重新估计模型。图2展示了伪政策虚拟变量的估计分布。结果表明，获得的均值接近零，估计值的分布呈正态分布。这表明结论——即APEC发展中经济体在加入CORSIA后未能实现航空部门的成功碳排放减少——并非偶然，且通过了安慰剂检验。 

　　安慰剂检验的结果见表11。我们使用随机洗牌的伪政策变量CORSIA×Post_rd进行安慰剂检验。使用随机生成的政策冲击变量的回归结果（见第（1）列至第（2）列）在统计上不显著，表明研究的结论并非由于随机性，而是具有稳健性。 

　　Fig. 2 Placebo test analysis 

　　Table 11 

　　6. 结论   

　　通过对2017年至2023年期间12个亚太经济合作组织（APEC）发展中经济体的日均航空碳排放数据进行差异中的差异估计，我们发现碳补偿与减排机制（CORSIA）对这些经济体航空业碳排放产生了反向激励效应，表明其机制存在失败。在一系列的稳健性检验中，本研究的主要结论保持一致。机制分析显示，APEC发展中经济体航空业绿色技术不足，加剧了CORSIA框架的失败。航空公司由于CORSIA产生的变化，也是未能实现预期碳减排效果的关键机制。化石燃料补贴的存在是CORSIA在航空领域成功减少碳排放的另一障碍。我们的异质性分析表明，CORSIA存在一定程度的政策滞后，在中期产生碳减排效果，但最终未能遏制航空领域的碳排放。从国家异质性的角度来看，CORSIA在经济发展水平较高、碳捕捉与储存能力较弱以及航空业不发达的经济体中减排效果较差。这些发现表明，CORSIA的实施仍需进一步探讨。 

　　本文从APEC发展中经济体的角度，深入分析了国际协调机制在减少碳排放方面的有效性，探讨了CORSIA等国际协调机制失败的可能原因或机制。航空领域绿色创新发展的不均衡、包括可持续航空燃料（SAFs）和飞机发动机在内的绿色技术创新不足、化石燃料的隐性和隐蔽性补贴以及航空公司的自身特征是CORSIA框架失败的主要原因。CORSIA的作用有可能得以实现，但从长远来看，这一市场机制无法实现其设计时预期的效果。因此，推动国际协调机制如CORSIA的有效性，关键在于解决APEC发展中经济体航空业绿色创新不足的问题，在CORSIA框架内制定更多基于激励的能源转型原则，而非基于激励的绿色认证购买，并控制政府对化石燃料的隐性和显性补贴。参与CORSIA的经济体政府不仅应采取国际协调机制如谈判与合作，还应推动低碳改革，为本国私营部门提供能源转型的激励。 

　　然而，本文也存在一定的局限性，亟需进一步探索。首先，为避免将COVID-19大流行对航空业的影响纳入分析中，我们主要使用了排除了国际航班异常减少和中断的跨期数据。未来的研究可以通过获取排除疫情影响的连续、可比数据来实现更可靠的估算。其次，虽然本研究将CORSIA在发展中经济体航空领域减排效果的无效归因于绿色技术创新不足和化石燃料补贴的存在，但这些因素是否导致了额外的碳排放成本仍是一个重要问题。遗憾的是，当前的数据和资源不支持对这一问题进行深入研究。我们希望在未来对这一问题进行进一步探讨。最后，本文仅聚焦于APEC内的开发中经济体，未来的研究如果将分析扩展到欧洲及其他地区，将能对该政策的有效性进行更为全面的评估。 

　　参考文献 

　　Abadie, L. M., Chamorro, J. M., 2008. European CO2 prices and carbon capture investments. Energy Economics 30(6), 2992-3015. 

　　Amin, S., Jamasb, T., Llorca, M., Marsiliani, L., Renström, T. I., 2022. Decarbonisation policies and energy price reforms in Bangladesh. Energy Policy 170, 113224. 

　　Antoci, A., Borghesi, S., 2021. Should I stay or should I go? Carbon leakage and ETS in an evolutionary model. Energy Economics 103, 105561. 

　　Archibugi, D., Coco, A., 2004. International partnerships for knowledge in business and academia: A comparison between Europe and the USA. Technovation 24(7), 517-528. 

　　Barrett, S., 2003. Environment and statecraft: The strategy of environmental treaty-making. Oxford University Press. 

　　Beck, T., Levine, R., Levkov, A., 2010. Big bad banks? The winners and losers from bank deregulation in the United States. The Journal of Finance 65(5), 1637-1667. 

　　Bertrand, M., Duflo, E., Mullainathan, S., 2004. How much should we trust differences-in-differences estimates? The Quarterly Journal of Economics 119(1), 249-275. 

　　Calvin, K. V., Beach, R., Gurgel, A., Labriet, M., Rodriguez, A. M. L., 2016. Agriculture, forestry, and other land-use emissions in Latin America. Energy Economics 56, 615-624. 

　　Chauvet, L., Ehrhart, H., 2018. Aid and growth: Evidence from firm-level data. Journal of Development Economics 135, 461-477. 

　　Duan, Y., Liu, L., Zhang, J., 2024. The belt and road initiative and the over-leverage of securities companies. Pacific-Basin Finance Journal 85, 102340. 

　　Elmustapha, H., Hoppe, T., Bressers, H., 2018. Comparing two pathways of strategic niche management in a developing economy; the cases of solar photovoltaic and solar thermal energy market development in Lebanon. Journal of Cleaner Production 186, 155-167. 

　　Hausman, J., Kuersteiner, G., 2008. Difference in difference meets generalized least squares: Higher order properties of hypotheses tests. Journal of Econometrics 144(2), 371-391. 

　　Heckman, J. J., Ichimura, H., Todd, P., 1998. Matching as an econometric evaluation estimator. The Review of Economic Studies 65(2), 261-294. 

　　Hu, Y., Ren, S., Wang, Y., Chen, X., 2020. Can carbon emission trading scheme achieve energy conservation and emission reduction? Evidence from the industrial sector in China. Energy Economics 85, 104590. 

　　IEA, 2020. Global Energy Review 2020: The impacts of the COVID-19 crisis on global energy demand and CO2 emissions. International Energy Agency. 

　　Katircioglu, S. T., Feridun, M., Kilinc, C., 2014. Estimating tourism-induced energy consumption and CO2 emissions: The case of Cyprus. Renewable and Sustainable Energy Reviews 29, 634-640. 

　　Kirchherr, J., Urban, F., 2018. Technology transfer and cooperation for low carbon energy technology: Analysing 30 years of scholarship and proposing a research agenda. Energy Policy 119, 600-609. 

　　Kotchen, M. J., 2021. The producer benefits of implicit fossil fuel subsidies in the United States. Proceedings of the National Academy of Sciences 118(14), e2011969118. 

　　Li, J., Gao, M., Luo, E., Wang, J., Zhang, X., 2023. Does rural energy poverty alleviation really reduce agricultural carbon emissions? The case of China. Energy Economics 119, 106576. 

　　Liao, L., Diaz-Rainey, I., Kuruppuarachchi, D., 2023. The role of fundamentals and policy in New Zealand's carbon prices. Energy Economics 124, 106737. 

　　Liao, W., Fan, Y., Wang, C., 2023. Exploring the equity in allocating carbon offsetting responsibility for international aviation. Transportation Research Part D: Transport and Environment 114, 103566. 

　　Lin, B., Ouyang, X., 2014. A revisit of fossil-fuel subsidies in China: Challenges and opportunities for energy price reform. Energy Conversion and Management 82, 124-134. 

　　Liu, M., Zhang, X., Zhang, M., Feng, Y., Liu, Y., Wen, J., Liu, L., 2021. Influencing factors of carbon emissions in transportation industry based on CD function and LMDI decomposition model: China as an example. Environmental Impact Assessment Review 90, 106623. 

　　Maertens, S., Grimme, W., Scheelhaase, J., Jung, M., 2019. Options to continue the EU ETS for aviation in a CORSIA-world. Sustainability 11(20), 5703. 

　　Mai, D. T. T., 2021. Revising the EU ETS and CORSIA in times of the COVID-19 pandemic: Challenges for reducing global aviation emissions. Climate Policy 21(10), 1357-1367. 

　　Mayeres, I., Proost, S., Delhaye, E., 2023. Climate ambitions for European aviation: Where can sustainable aviation fuels bring us? Energy Policy 175, 113502. 

　　Ozturk, A., 2016. Examining the economic growth and the middle-income trap from the perspective of the middle class. International Business Review 25(3), 726-738. 

　　Paschalidou, A., Tsatiris, M., Kitikidou, K., 2016. Energy crops for biofuel production or for food? SWOT analysis (case study: Greece). Renewable Energy 93, 636-647. 

　　Pauliuk, S., Müller, D. B., 2014. The role of in-use stocks in the social metabolism and in climate change mitigation. Global Environmental Change 24, 132-142. 

　　Porter, M. E., & Linde, C. V. D. (1995). Toward a new conception of the environment-competitiveness relationship. Journal of Economic Perspectives, 9(4), 97-118. 

　　Prussi, M., Lee, U., Wang, M., 2021. CORSIA: The first internationally adopted approach to calculate life-cycle GHG emissions for aviation fuels. Renewable and Sustainable Energy Reviews 150, 111398.  

　　Qi, T., Weng, Y., Zhang, X., 2016. An analysis of the driving factors of energy-related CO2 emission reduction in China from 2005 to 2013. Energy Economics 60, 15-22. 

　　Qin, Q., Liu, Y., Huang, J. P., 2020. A cooperative game analysis for the allocation of carbon emissions reduction responsibility in China's power industry. Energy Economics 92, 104960. 

　　Rajagopal, D., Plevin, R., Hochman, G., 2015. Multi-objective regulations on transportation fuels: Comparing renewable fuel mandates and emission standards. Energy Economics 49, 359-369. 

　　Runst, P., Thonipara, A., 2020. Dosis facit effectum why the size of the carbon tax matters: Evidence from the Swedish residential sector. Energy Economics 91, 104898. 

　　Schneider, L., La Hoz Theuer, S., Howard, A., Kizzier, K., Cames, M., 2020. Outside in? Using international carbon markets for mitigation not covered by nationally determined contributions (NDCs) under the Paris Agreement. Climate Policy 20(1), 18-29.  

　　Sun, C., Li, Z., Ma, T., He, R., 2019. Carbon efficiency and international specialization position: Evidence from global value chain position index of manufacture. Energy Policy 128, 235-242. 

　　Wang, K., Zheng, L. J., Zhang, J. Z., 2022. The impact of promoting new energy vehicles on carbon intensity: Causal evidence from China. Energy Economics 114, 106255. 

　　Wang, X., Cao, F., Ye, K., 2018. Mandatory corporate social responsibility (CSR) reporting and financial reporting quality: Evidence from a quasi-natural experiment. Journal of Business Ethics 152, 253-274. 

　　Wei, Y. M., Liao, H., Fan, Y., 2007. An empirical analysis of energy efficiency in China's iron and steel sector. Energy 32(12), 2262-2270. 

　　Winchester, N., Reilly, J. M., 2020. The economic and emissions benefits of engineered wood products in a low-carbon future. Energy Economics 85, 104596. 

　　Yang, S., Jahanger, A., Hossain, M. R., 2023. Does China's low-carbon city pilot intervention limit electricity consumption? An analysis of industrial energy efficiency using time-varying DID model. Energy Economics 121, 106636. 

　　Yu, Y., Zhang, N., 2021. Low-carbon city pilot and carbon emission efficiency: Quasi-experimental evidence from China. Energy Economics 96, 105125. 

　　Yuan, R., Behrens, P., Rodrigues, J. F., 2018. The evolution of inter-sectoral linkages in China's energy-related CO2 emissions from 1997 to 2012. Energy Economics 69, 404-417. 

　　Yusaf, T., Mahamude, A. S. F., Kadirgama, K., Ramasamy, D., Farhana, K., Dhahad, H. A., Talib, A. R. A., 2024. Sustainable hydrogen energy in aviation – A narrative review. International Journal of Hydrogen Energy 52, 1026-1045. 

　　Zhang, S., Yi, B., Guo, F., Zhu, P., 2022. Exploring selected pathways to low and zero CO2 emissions in China's iron and steel industry and their impacts on resources and energy. Journal of Cleaner Production 340, 130813. 

　　Zhang, W., Li, G., Guo, F., 2022. Does carbon emissions trading promote green technology innovation in China? Applied Energy 315, 119012.