新能源产业政策的分析最初主要集中于定性分析，包括政策介绍^[4-5]、政策对比^[6]、政策改善等^[7-8]。但是，新能源产业政策数量较多、体系较为复杂，传统的定性分析具有一定的局限性。因此，部分学者尝试将一些其他领域的分析方法应用于新能源产业政策研究。

第一，内容分析法。通过一种客观、系统和量化的方式识别文本中的关键特征，将定性文本转化为用数量表示的资料，并根据一定规则对分析结果进行解释和检验的科学方法^[9]。曾婧婧和胡锦绣^[10]基于2006—2013年48份宏观太阳能产业政策，按照文本形式、政策年度、政策主体、政策内容四个维度进行频数统计和量化分析。黄萃等^[11]对42份风能政策按照制定分析框架、定义分析单元、统计分析的步骤进行分析，剖析风能政策在政策工具选择、组织和建构中存在的问题。孙蕊和吴金希^[12]、高伟和胡潇月^[13]则分别基于40项包含新能源在内的战略性新兴产业政策、36项新能源汽车产业政策，从分析框架构建、内容分析单元编码、频数统计角度量化分析产业政策。但是，这些内容分析法存在一定的不足。内容分析法中的分析框架构建、内容分析单元编码等依赖于人工判读，受人为因素影响大，而且方法可复制性较低，尤其在产业政策较多时更为不适用。相比于内容分析法，文本挖掘可以实现对政策文本中描述性词组或语义关系的批量化处理，有效量化文本内在结构及其分布，从而分析更加客观、高效。目前已有部分学者尝试利用文本挖掘方法进行政策分析，例如，张永安和周怡园^[14]采用文本挖掘方法整理出新能源汽车补贴政策中的高频有效关键词，并基于关键词将政策进一步分类分析。

第二，政策力度测算方法。指政策的公信力和强制性程度，在一定程度上反映了政策的权威性和影响性。多数学者从政策发布机构、政策类型、政策内容角度测算政策力度^[15-17]。吕明洁等^[18]从政策发布部门、政策类型两个维度衡量新能源产业政策力度，分析产业政策力度和政策连续性对新能源企业创新绩效的影响。王晓珍等^[19]从政策发布部门、政策形式、政策内容三个维度衡量风电产业创新政策力度，探讨风电产业创新政策在创新系统不同阶段的作用效果和作用机理。李军强等^[20]以227项中国光伏产业政策为例，提出光伏产业政策力度和政策目标的量化标准，探讨不同政策协同对光伏产业绩效的影响。可以发现，政策力度通过结合政策发布单位、政策类型等信息，更有效地衡量了产业政策情况。

在充分了解政策实施情况的前提下，评估政策实施效果是一个亟需研究的工作^[21]。关于新能源产业政策的环保效应，由于新能源发电等可以较少地产生CO₂、SO₂、NO_x、PM_2.5等，有学者提出解决环境问题的根本途径是改变能源消费结构，提高新能源比例^[22]。然而，新能源产业的发展、新能源比例的增加，离不开新能源政策的支持。因此新能源产业政策引起广泛关注，成为减轻环境污染、经济可持续发展的重要政策选择。Zhang等^[23]提出财政补贴、税收优惠等新能源产业政策可以促进太阳能、风能的开发和使用，促进经济与环境可持续发展。魏巍贤和赵玉荣^[24]认为，可再生能源电价补贴政策可以让风力发电、太阳能发电的成本逐渐下降，在某些情况下实现清洁能源替代煤炭，从而减少温室气体、污染气体的排放量。当然，已有少数学者尝试测算新能源产业政策的环保效应。丁芸和何辉^[25]根据燃煤火电排放系数、新能源上网电量和上网电价补贴额计算新能源上网电价政策对大气环境的影响，研究发现上网电价政策可以有效减少CO₂、SO₂、NO_x排放量。Fuinhas和Koengkan^[26]以拉丁美洲国家为例，将可再生能源政策总数量作为自变量，建立自回归分布滞后模型研究发现可再生能源政策可以有效减少CO₂排放量。Zeng等^[27]将每年政策数量作为自变量，建立空间计量模型分析新能源和节能减排政策对主要空气污染物的影响，结果表明这些政策对于减少PM₁₀、PM_2.5和SO₂的排放量具有显著效果。但是，将政策数量作为自变量加入回归模型中评价新能源产业政策的环保效应，并没有将政策本身的内容和相应的执行效果相结合，容易引起政策评价的主观性和不确定性。

综上所述，目前学者已经常尝试利用内容分析法、政策力度等方法量化分析新能源产业政策，并且关注到新能源产业政策的环保效应。但是，分析框架构建、内容分析单元编码等内容分析法依赖于人为判断，具有一定的主观性；而且，将新能源政策数量作为自变量分析政策的环保效应，忽略了政策内容信息。因此，本文将利用文本挖掘、政策力度测算方法量化分析新能源产业政策，根据政策关键词、政策力度水平初步了解新能源产业政策对大气环境可能产生的影响；在此基础上，将政策力度作为核心变量评估产业政策产生的环保效应。本文贡献之处为：第一，本文利用文本挖掘中的关键词提取方法、政策力度测算方法量化分析新能源产业政策，从政策内容、政策力度角度对新能源产业政策进行整体把握与正确判断；第二，在已有新能源产业政策环保效应研究基础上，探索包含政策发布单位、政策类型等信息的政策力度测算方法，以建立政策文本量化与政策效果之间的对话机制。

文本分析是政策分析的重要方法之一，可以将政策文本内容分解为一个个可计量的分析方法，从大规模文本库中提取隐藏、未知、潜在的有价值的信息，从而实现政策文本的数据化和可视化^[28]。目前政策文本分析的主要关注点包括政策主体府际关系、政策主题内容、政策工具、政策变迁等。

本文利用文本分析中的关键词提取方法分析新能源产业政策。关键词提取方法可以从文本中提取具有专指性且能反映政策主题的词语或短语。在关键词提取过程中，较为常用方法的是TF-IDF算法。该算法主要涉及词频（TF）和反文档频率（IDF）两个概念^[29]。TF表示特定词语或短语在文档中出现的频率。一般情况下，如果某个词语出现次数越多，则该词语对于该文档越重要。为了把所有的词频在同一个维度上分析，通常会利用式（1）将词频标准化。

但是，如果某个词语在语料库的多数文档中都出现，则这个词语具有很强的普遍性，从而该词语对于文档的重要性降低。因此引入IDF衡量词语的普遍性，其计算方法如式（2）所示

TF-IDF值由TF值乘以IDF值得到

根据文档中每个词语的TF-IDF值按降序排列，位于前面的词语即为文档关键词。

相比于普通面板模型，空间面板模型考虑了空间效应。常见的空间面板模型包括空间滞后面板模型（SLM）、空间误差面板模型（SEM）和空间杜宾模型（SDM）。

1）空间面板滞后模型。假定被解释变量存在空间上的依赖性，即认为空间单元i的被解释变量不仅与解释变量相关，还与其他空间单元的被解释变量相关。其基本设定为

其中， ${y_{it}}$ 是被解释变量观测值； ${X_{it}}$ 是k维解释变量观测值； $\beta $ 是k维回归系数； $\rho $ 是空间自相关系数； ${w_{ij}}$ 是空间权重矩阵W中的元素； ${\mu _i}$ 是空间单元个体效应； ${\varepsilon _{it}}$ 是服从 $N(0,{\sigma ^2}{I_N})$ 独立同分布的误差项。 $i = 1,2, \cdots ,N$ 表示N个不同的空间单元； $t = 1,2, \cdots ,T$ 表示时间。

2）空间面板误差模型。假设个体自身特征决定了被解释变量的取值，而误差项之间存在空间自相关

其中， ${\varphi _{it}}$ 是空间自相关误差项。

3）空间面板杜宾模型。为了研究的需要，Lesage和Pace^[30]在SLM基础上进行了拓展，加入解释变量的滞后项，提出了空间杜宾模型（SDM）。其基本设定为

其中， $\gamma $ 与 $\beta $ 一样，均是回归系数。当 $\gamma $ =0时，空间面板杜宾模型可以简化为空间面板滞后模型；当 $\gamma + \rho \beta = 0$ 时，空间面板杜宾模型则可以简化为空间面板误差模型。

新能源产业政策资料来源于国家发改委、国家能源局、各省发改委、法律之星等网站。（1）在国家发改委、国家能源局、法律之星网站，将“新能源”“风能”“太阳能”“生物质能”“核能”“水能”与“政策”“纲要”“规划”“方案”“规定”“意见”“通知”等词排列组合搜索，利用爬虫技术获取这些网站搜索结果显示的政策；（2）依次查询各省发改委网站对新能源政策进行补充；（3）进行人工筛选和整理，最终确定2003—2017年期间770条有效政策，数据字段包括发文时间、发文单位、政策名称和政策全文等。

CO₂排放量数据根据《中国能源统计年鉴》和IPCC（Intergovernmental Panel on Climate Change）公布的CO₂排放系数计算得到。PM_2.5排放量数据来源于达尔豪斯大学（Dalhousie University）大气成分分析组（Atmospheric Composition Analysis Group）^①观测和计算的中国PM_2.5排放量。SO₂排放量数据来源于《中国统计年鉴》。控制变量中，人均GDP、第二产业比重、地区人口密度、城镇人口比例的数据来源于《中国统计年鉴》，能源消费量数据来源于《中国能源统计年鉴》。

本文从政策内容、政策力度两个方面量化分析新能源产业政策，初步了解政策对新能源产业发展、大气环境的影响。其中，政策内容根据关键词提取技术获取的政策关键词进行分析；政策力度则根据政策发布单位、政策类型、政策数量量化评分得到。

表1是利用TF-IDF算法得到每年新能源产业政策的前10个关键词。根据表1可以发现，2003—2005年新能源产业政策主要集中于新能源产业技术研发，例如，2004年国家发展改革委办公厅发布关于组织实施“节能和新能源关键技术”国家重大产业技术开发专项的通知。在该阶段许多与新能源产业相关的关键技术得到攻克和发展，为新能源产业的快速发展奠定了基础。2006—2013年新能源产业政策主要关注太阳能发电和风电产业发展，光电、热水、设备、光伏、住房、建筑、风能、风电场、项目等关键词多次出现。与政策导向相符合，太阳能产业在太阳能热水器制造、光伏材料制造、光伏发电等方面迅速发展，太阳能热水器保有量从2006年9 000万平方米增加到2013年37 470万平方米，太阳能光伏发电累计装机量从2006年8万千瓦增加到2013年1 942万千瓦；风力发电累计装机规模连续翻番，从2006年259.8万千瓦增加到2013年9 141万千瓦，风电产业已形成一定的产业规模。由于太阳能发电和风力发电具有清洁、可再生的特点，因此可以有效减少CO₂和大气污染物的排放。2014—2017年新能源产业政策倾向于新能源汽车，位于前三位的关键词是新能源、汽车、推广应用，这期间财政部等部门每年都会发布开展新能源汽车推广应用工作的通知。在政策的支持下，新能源汽车保有量从2014年12万量增加到2017年的153万量，增速明显。Qiao等^[31]、阿迪拉·阿力木江等^[32]的研究已证实，新能源汽车与传统燃油汽车相比，可以有效减少温室气体CO₂和大气污染物CO、NO_x、SO₂等的排放。由此可见，新能源产业政策对于新能源产业发展具有政策导向作用，政策内容的侧重可以有效促进该领域的新能源产业的发展，继而降低大气污染和碳排放。

借鉴张国兴等^[33]、吕明洁等^[18]的政策力度量化思路，分别对政策发布单位、政策类型进行评分。不同的政策发布单位中，中央级、省级、市级、区县级单位发布政策的力度逐渐降低。不同的政策类型中，法律由国家制定或认可并由国家强制力保证实施，政策力度最大；规划、方案、纲要作为规划型文书，也具有较强的政策力度；办法、规定、细则、条例等类型的政策力度较低，但是大于通知、公告的政策力度^[34]。具体评分如表2所示。

基于表2的评分细则，政策力度评分可以由式（8）计算得到

其中，EP为政策力度评分； ${\rm{E}}{{\rm{I}}_i}$ 为第i条政策的发布单位评分； ${\rm{E}}{{\rm{T}}_i}$ 为第i条政策的政策类型评分；n为政策数量。根据式（8）计算得到2003—2017年30个省份的政策力度。图1是汇总后的2003—2017年新能源产业政策数量、政策力度、平均政策力度变动趋势。从图1可以看出，平均政策力度变化较少，基本上在4.0~5.0之间；政策力度和政策数量的波动趋势基本一致，政策力度的变化主要依赖于政策数量的变动。2003—2006年，政策数量较少，政策力度较低，在此期间，新能源产业处于成长阶段，太阳能热水器、太阳能光伏发电、风力发电等均处于初步发展状态。2007—2011年，政策数量和政策力度大幅度上升，与之相对应，太阳能产业、风能产业等新能源产业快速发展；2012—2017年，政策数量和政策力度不断波动变化，但是政策数量、政策力度都维持在较高水平，新能源产业进入稳步发展阶段。

图 12003—2017年新能源产业政策数量、政策力度、平均政策力度变动图

因此，新能源产业政策的政策力度会影响新能源产业发展，而新能源产业的发展有利于大气环境的改善。在接下来的研究中，将会把政策力度作为核心解释变量，建立面板模型进一步验证新能源产业政策对大气环境的影响。

在了解新能源产业政策内容和政策力度的基础上，基于2003—2017年中国大陆30个省份CO₂、SO₂、PM_2.5排放量等数据，将政策力度作为核心解释变量，分析新能源产业政策的环保效应。由于空气的流动性，CO₂、SO₂、PM_2.5的排放存在显著的空间相关性，因此考虑加入空间效应，建立空间面板模型分析新能源产业政策对大气环境的影响。

新能源产业政策会促进风力发电、太阳能发电的发展，从而减少CO₂和大气污染物的排放量，改善大气环境。Dogan和Seker^[35]和Zoundi^[36]通过因果检验法证实太阳能、风能等清洁能源与CO₂排放之间存在因果关系，积极发展清洁能源有利于减少CO₂排放。丁芸和何辉^[25]研究表明上网电价政策可以有效减少CO₂、SO₂、NO_x排放量，Zeng等^[27]则研究发现新能源和节能减排政策对于减少PM₁₀、PM_2.5和SO₂的排放量具有显著效果。本文综合以上学者的研究以及数据的可获取性，选取温室气体CO₂和大气污染物SO₂、PM_2.5衡量大气环境水平，并借鉴刘宁宁等^[37]的研究，利用因子分析法将CO₂、SO₂、PM_2.5排放量综合为大气污染综合指数（Air）。

核心解释变量为新能源产业政策力度。新能源产业政策实施以后具有时效性，如果在有效期内，政策会持续产生效果；但是如果超过有效期或者被废止，则政策力度消失。因此，对CO₂、SO₂、PM_2.5排放量产生影响的政策不仅包括当年各个省份发布的新能源产业政策，还包括已经发布但未超过有效期或者未被废止的新能源产业政策。本文借鉴王晓珍等^[19]的做法，用当年各个省份发布的新能源产业政策力度加上之前年份的新能源产业政策力度，再减去已经超过有效期和废止的产业政策力度，计算得到当年各个省份的新能源产业政策力度。另外，由于政策实施效果具有一定的滞后性，因此加入政策力度的滞后项（Policy）。

考虑到大气环境会受到其他因素的影响，为了减少模型估计的遗漏偏差，本文选取以下变量为控制变量。为了消除数据量纲的影响，对数据进行标准化处理。

1）经济发展水平。Grossman和Krueger^[38]提出的环境库兹涅曲线表明经济发展水平和环境污染存在“倒U形”关系，结合我国目前的经济发展阶段，经济增长会对大气污染产生正向影响。本文选取人均GDP（GDP）衡量经济发展水平。

2）产业结构。第一产业和第三产业对大气环境的影响相对较小，以制造业为主的第二产业会产生大量的工业污染排放。因此，第二产业所占比重越大，环境压力越大，空气污染越严重^[39]。本文选取第二产业比重（Ind）衡量产业结构。

3）人口集聚。人口集聚程度越高的地区，各项生产活动越频繁，产生的大气污染物也越多。因此预期人口集聚会对大气污染产生正向的影响^[40]。本文选取地区人口密度（Pop）衡量人口集聚。

4）城镇化水平。随着城镇化进程的加快，大量的人口从农村转移到城市，一方面，人口生产和生活活动的集聚会带来用能的增多，从而引起大气污染排放的增多；另一方面，在新型城镇化的发展背景下，城镇化发展越来越集约化，越来越多利用清洁能源，加之城镇居民的环保意识较强，可能会引起大气污染水平的降低^[41]。因此，城镇化水平对大气污染的影响有待于进一步验证。本文选取城镇人口比例（Urban）衡量城镇化水平。

5）能源消费。中国是一个能源消费大国，而且长期以煤炭等传统化石能源消费为主，因此会产生大量的大气污染物^[42]。本文选取能源消费量（Energy）衡量能源消费水平。

在建立空间面板模型之前，需要检验是否存在空间相关性。本文利用全局Moran’sI指数检验CO₂、SO₂、PM_2.5排放量是否存在空间相关性，其中权重矩阵采用地理邻接空间权重矩阵。表3是大气污染综合指数（Air）的空间相关性检验结果。根据表3可以看出，2003—2017年Moran’sI指数取值均为正，并且通过了显著性检验。这表明CO₂、SO₂、PM_2.5的分布并非完全随机状态，而是受到邻近省份的溢出影响表现出显著的自相关特征。这主要是由于空气的流动性引起，CO₂、SO₂、PM_2.5排放量高的省份受到空气流动性的影响，在邻近省份间形成扩散效应，从而引起邻近省份CO₂、SO₂、PM_2.5排放量的增加；同理，CO₂、SO₂、PM_2.5排放量低的省份其周围省份的排放量也较低。因此，对数据进行分析时，需要考虑到空间相关性对回归模型的影响。

空间面板模型包括空间面板滞后模型（SLM）、空间面板误差模型（SEM）和空间面板杜宾模型（SDM）。LM检验、LR检验、Wald检验可以用于判断和选择合适的空间面板模型，检验结果如表4所示。

从表4可以看出，LM Lag、Robust LM Lag、LM Error通过了显著性检验，Robust LM Error未通过显著性检验，表明建立空间滞后模型更为合适。同时，由于空间杜宾模型是在空间滞后模型的基础上进行了拓展，所以该检验结果不能拒绝建立空间杜宾模型的假设。随后，进一步进行LR检验、Wald检验，检验结果拒绝了空间面板杜宾模型可以简化为空间面板滞后模型或空间面板误差模型的假设。因此，综合考虑LM检验、LR检验、Wald检验结果，建立空间面板杜宾模型较为合适。

此外，由于个体效应的不同，空间面板杜宾模型可以分为固定效应模型和随机效应模型。通过Hausman检验发现，检验统计量值为37.00，拒绝了随机效应模型的原假设。因此，建立固定效应的空间面板杜宾模型更为合适。表5是时间固定效应、空间固定效应、时空固定效应的空间面板杜宾模型的回归结果。

从表5可以看出，三个模型中 $\rho $ 均为正，并通过显著性检验，再一次验证CO₂、SO₂、PM_2.5的排放具有空间溢出效应。此外，通过回归系数的显著性、R²、log-likelihood等判断标准，可以发现时间固定效应的空间杜宾模型，回归系数基本上通过显著性检验，而且比较符合经济学意义，R²、log-likelihood大于其他两个模型，模型拟合效果较好。

在此基础上，将时间固定效应的空间杜宾模型中各个解释变量对大气污染综合指数（Air）的影响进一步分解为直接效应和间接效应，如表6所示。其中，直接效应是指某个省份的解释变量对本省大气污染综合指数（Air）的影响；间接效应是某个省份的解释变量对其他省份大气污染综合指数（Air）的影响。

从表6可以看出，Policy的直接效应系数为负，并通过了显著性检验，表明新能源产业政策力度的增加减少了CO₂、SO₂、PM_2.5排放量，有效改善了大气环境。这是由于新能源产业政策力度较大时，有效促进了风力发电、太阳能发电的发展，增加了清洁能源比例，从而减少了CO₂、SO₂、PM_2.5的排放量。同时，Policy的间接效应系数也为负，并通过了显著性检验，表明新能源产业政策具有溢出效应，会对邻近省份的CO₂、SO₂、PM_2.5的排放起到抑制作用。这是因为当本省新能源产业政策力度较大时，会给邻近省份带来示范效应，从而促进周边地区新能源产业的发展，降低CO₂、SO₂、PM_2.5排放量。

控制变量中GDP、Ind、Pop、Energy的直接效应系数为正，并且均通过了显著性检验。表明经济发展水平、第二产业比重、人口密度、能源消费的提升或者增加，均会增加CO₂、SO₂、PM_2.5排放量，加剧大气环境恶化。Urban对CO₂、SO₂、PM_2.5排放量的影响为负，并通过显著性检验。这主要是由于城镇化水平的提高在一定程度上有利于能源结构的改变，即居民从农村迁移到城市后，城市经济的增长引起技术进步和生产方式变化，提高能源效率、增加清洁能源的使用，加之城镇居民的环保意识较强，从而减少CO₂、SO₂、PM_2.5排放量。控制变量中Ind、Pop、Energy的间接效应系数也为正，并且通过了显著性检验。表明第二产业比重、人口密度、能源消费的增加不仅会加剧本省大气环境恶化，而且对邻近省份也会造成一定程度的影响。因此，CO₂的减排、大气污染的治理必须考虑到省份之间的相互影响，做到联防联控。

本文利用文本分析的关键词提取方法、政策力度测算方法量化分析新能源产业政策，并尝试把政策文本分析与政策效果评估进行衔接，将政策力度作为核心解释变量，建立空间杜宾模型分析新能源产业政策对CO₂、SO₂、PM_2.5排放量的影响。研究表明，新能源产业政策的侧重和政策力度的提升有利于新能源产业快速发展，继而降低大气污染和碳排放；回归模型进一步证实新能源产业政策的实施可以有效改善大气环境。以此研究为基础，接下来可以基于政策文本进一步深化研究，例如，区别于传统的供给、需求、环境类型的政策工具分类模式，可以根据政策关键词分析结果更详细地将新能源产业政策分类，然后分类测算政策力度，从而检验哪种类型的新能源产业政策可以更有效地降低大气污染和碳排放。

基于现有研究结果，并结合“十四五”规划中提及的“能源资源配置更加合理，主要污染物排放总量持续减少，生态环境持续改善”目标，提出以下几点建议：

新能源产业在初级发展阶段，具有较强的政策驱动特征，研究也表明新能源产业政策对产业发展具有引导作用。因此，要充分发挥新能源产业政策的导向作用。在“十四五”规划背景下，各个省份发布的新能源产业政策应该在与国家宏观目标一致的基础上，细化政策内容、加强政策针对性，积极利用新能源产业政策实现能源高效安全、污染物排放总量减少的目标，促进经济与环境的协同可持续发展。

新能源产业政策力度越大，越容易引起重视，越有利于减少温室气体和大气污染物的排放。因此，需要适度加强新能源产业的政策力度。一方面各个省份可以多发布新能源产业政策，增加政策数量；另一方面，适当地多发布一些规划、方案类型的政策，提升新能源产业政策的平均力度。同时，要合理匹配政策力度与政策内容，政策内容与政策力度相互补充、相互配合，充分利用政策力度实现政策目标。

CO₂、SO₂、PM_2.5的排放存在显著的溢出效应，而且扩散不遵循行政边界，这给环境治理带来了巨大的挑战。但是，新能源产业政策的环保效应也具有一定的溢出效应。因此，各个省份必须积极地联合发布新能源产业政策，采取联合措施减少碳排量、治理大气污染。从区域环境整体质量要求的目标出发，切实加强各个省份新能源产业政策的协调，增进地区间的沟通与交流，协同改善大气环境。