可再生能源政策与温室气体减排：基于多期双重差分与双机器学习模型的实证分析

为评估可再生能源战略计划(RESPs)与目标(RETs)对减排的实际效果，研究人员整合多期双重差分法(Multi-period DID)与双机器学习模型(Double ML)，分析80国1971-2020年数据。研究发现RETs通过降低化石燃料消费(-0.223* )、提升可再生能源占比(-0.07* )及促进产业升级(-0.219* )显著减排，而RESPs效果不显著。该研究为气候政策制定提供了关键实证依据。

　　

全球温室气体(GHG)排放持续攀升，2021年大气CO₂
浓度已达415.7±0.2 ppm，甲烷浓度突破1908±2.0 ppb。面对这一气候危机，各国将可再生能源政策(REPs)作为核心应对工具，例如中国计划2024年投入676亿美元发展可再生能源。尽管太阳能、风能等技术被寄予厚望，但不同政策工具的实际减排效果缺乏系统评估。传统研究多采用固定效应模型或面板回归，难以解决政策评估中的因果推断难题。

为破解这一困局，由中国科学院等机构研究人员组成的团队在《Journal of Environmental Management》发表研究，创新性地融合多期双重差分法(Multi-period DID)和双机器学习(Double ML)模型，构建包含80国50年数据的分析框架。研究特别关注两类政策：可再生能源战略计划(RESPs)和可再生能源目标(RETs)，通过三组对比（无政策组、仅RESPs组、RESPs+RETs组）揭示政策差异效应。

关键技术方法
研究采用多期DID解决政策实施时间异质性问题，结合双机器学习处理高维混杂变量。数据涵盖80国1971-2020年经济、人口、技术等21维指标，使用随机森林算法进行样本分割（训练集:测试集=1:4）。通过中介效应模型验证化石燃料消费、可再生能源占比、产业结构升级三条通路，显著性水平设定为1%/10%。

研究结果

基准回归
双机器学习结果显示RETs对GHG减排具有1%水平的显著负向影响(-0.392^***
)，而RESPs系数未通过显著性检验。平行趋势检验证实RETs组政策实施前后存在显著差异。

中介机制

1. 化石燃料消费路径：RETs通过降低煤炭/石油消费实现减排，总效应-0.223^***

2. 能源结构路径：促进可再生能源占比提升7.3%，间接效应-0.07^*

3. 产业升级路径：推动高耗能产业转型，总效应-0.219^***

政策启示
研究发现RESPs虽能降低化石能源依赖（中介效应-0.118）并促进产业升级（-0.091），但单独实施不足以显著减排。RETs则通过"目标约束-市场激励"双重机制产生即时效果，其减排贡献度达政策组合的68.5%。研究建议将RETs作为优先政策工具，并优化RESPs的长期规划功能。

结论与意义
该研究首次实证验证RETs相较RESPs的显著优势，为《巴黎协定》下各国政策选择提供关键证据。方法论上开创的DID-DML混合框架，解决了传统因果推断在环境政策评估中的局限性。结果直接支持联合国可持续发展目标(SDGs)7（清洁能源）和13（气候行动），尤其对发展中国家制定阶梯式减排路线具有指导价值。后续研究可进一步探讨政策组合在不同经济阶段的差异化效果。