绿色ZF

表1中的结果还证明了SC的一个关键特征：SC方法是自适应的，如果它能很好地近似于反事实，则可以很好地将很大的权重分配给单个控制状态（即基本上选择单个控制状态）。表1:SC权重：能源产出2排放量矿物油煤炭可再生能源风能太阳能柏林0.0950巴伐利亚0.3300.5270.9480.456勒曼0.1790.1060.6290黑森0.3300.0640.184汉堡0贝克伦堡-波默拉尼亚洛0.1370萨克森-北莱茵-威斯特伐利亚0.044石勒苏益格-荷尔斯泰因0.123 0 0 0.087萨克森0.1630 0 0萨克森-安哈尔特0 0 0.008 0图林根0.245 0.107 0 0.141 0 0.273图3显示了二氧化碳排放量（以1000吨围生居民为单位）、矿物油份额和煤炭份额的SC结果。绿色ZF对个人能源和环境结果的影响是通过治疗后BW和合成BW的个人能源和环境结果之间的差距来衡量的。例如，我们发现，处理后BW的矿物油使用量略高于合成BW，而处理后BW的二氧化碳排放量则明显低于合成BW。为了评估结果的统计意义，我们采用了Abadie等人（2010）广泛使用的术语推断方法。我们将治疗反复分配给供体池中的每个状态。对于某些控制状态，SC方法无法提供良好的预处理效果。因此，我们排除了预处理MSPE（均方预测误差）至少比BW预处理MSPE大10倍的状态。

图3的中间子图显示了结果，可以直观地比较体重差距和安慰剂差距的排列分布。显然，MSPE cuto off 10的选择是任意的，例如，人们也可以像Abadie等人（2010）那样选择5或20。因此，继Abadie等人（2015年）之后，我们报告了处理后根MSPE（RMSPE）与处理前RMSPE的比率。一个较大的比率表明，绿色ZF没有任何影响的无效假设遭到了否定。就二氧化碳排放量而言，生物量的比率在所有州中排名第九。隐含置换p值为p=（J+1）-1PJ+1j=11{rj≥ r} =9/11，其中Rj是单位j的RMSPE比率，j=1指数BW。因此，结果并不表明绿色ZF影响二氧化碳排放。我们也没有发现绿色ZF对矿物油使用的显著影响：BW的RMSPE比率在所有州中排名第三。煤炭的使用会导致高二氧化碳排放。因此，绿色ZF有望减少煤炭使用量。然而，图3显示，绿色ZF甚至在一定程度上增加了煤炭的份额，尽管其影响并不显著。我们还调查了褐煤的使用情况。对于褐煤的使用，不来梅需要被排除在DONOR池之外，因为工业问题会影响我们的分析（2011年，英国制造业开始用褐煤取代煤炭）。

在将不来梅排除在捐赠池之外后，SC法没有提供令人满意的预处理效果。图3:SC结果：二氧化碳、矿物油、煤炭（a）每个居民1000吨的二氧化碳排放量。006.0065.007.0075.008.00851990 1995 2000 2005 2010 2015BW合成BWBW与合成BW-.001-.0005 0.0005.0011990 1995 2000 2005 2010 2015突变试验：干预和安慰剂效应0.5 1.5后期RMSPE/前期RMSPETHHBBWSNbBbsBestshhenw（b）矿物油30 35 40 45 501990 1995 2005 2005 2015BW合成BWBW与合成BW-15-10-5 101990 1995 20002005年2010年2015年术语变异试验：干预和安慰剂效应后期RMSPE/前期RMSPESNBBTHBEHBSHHEBWNWBY（c）Coal9 10 11 12 141990 1995年2000年2005年2010年2015BW合成BWBW与合成BW-10-5 101990 1995年2000年2005年2010年术语变异试验：干预和安慰剂效应后期RMSPE/前期RMSPESNBBTHBHWWBWHERNWBHW注：中心图中不包括预处理MSPE至少比BW预处理MSPE大10倍的州。这些数据来自国家能源平衡工作委员会。接下来，我们研究可再生能源。图4显示了结果。在治疗前，可再生能源在一次能源使用中所占的份额在BW和合成BW中相似。排列推断程序并不表明绿色政府影响可再生能源的份额。我们也没有观察到对太阳能份额的重大影响。

在绿色ZF的领导下，太阳能的份额有所下降，但BW的RMSPE比率并不是所有州中最大的。图4:SC结果：可再生能源（a）可再生能源0 5 10 151990 1995 2000 2005 2010 2015 BW合成BWBW与合成BW-5 0 5 10 151990 1995 2000 2005 2010 2015突变试验：干预和安慰剂效应0 2后周期RMSPE/前周期RMSPEBethbsbsbsbsbsbshwhehbwsh（b）太阳能-1 0 1 32002 2004 2008 2010 2014 2016 BW合成BWBW与合成BW-1-.5 0.5 1 1 1.52002 2004 2006 2008 2010 2012 2014 2016置换试验：干预和安慰剂效应20 40 60后周期RMSPE/前周期RMSPEHBBwBesbensthhHHHNWHebbst（c）风能-2 0.2.4.61998 2000 2002 2004 2006 2008 2010 2012 2014 2016BW合成BwW与合成BW-5 0.51998 2000 2002 2006 2008 2010 2012 2014 2016置换试验：干预和安慰剂效应0.5 10 15 2025后周期RMSPE/前周期RMSPEBBNWTHSTHBSHBYSNBWNotes：中心数据不包括预处理MSPE至少比BW预处理MSPE大10倍的州。这些数据来自国家能源平衡工作委员会。绿色ZF如何影响风力发电是值得注意的。图4表明，绿色ZF显著降低了风能在一次能源使用中的份额：处理后与处理前RMSPE的比例是BW中最大的。这种影响是基于风力发电在BW中的使用量比在BW中的增加更大。巴伐利亚州的SC重量为94.8%（参见表1）。福岛灾难后，BW的绿色ZF对风力发电的推广程度低于巴伐利亚州的保守党CSU。对风能使用的负面影响与人们对绿色ZF的期望形成了鲜明对比。

然而，它确实证实了绿色ZF如何影响BW风力发电的传闻证据（例如，Goetz，2019）。在2011年3月大选前的竞选活动中，绿党承诺增加风力发电，促进直接民主和公众参与。例如，绿色ZF引入了一个新的公共参与国务部。因此，绿色ZF需要与公民行动委员会（“不是在我的后院”）合作，在建造风力涡轮机和保护鸟类等动物的自然栖息地之间进行权衡。风力涡轮机限制了动物的自然栖息地。首先，它们威胁着鸟和蝙蝠的生命。在BW，自然保护协会反对风力涡轮机，因为风力涡轮机限制了蝙蝠和红风筝的栖息地。第二，安装和维护风力涡轮机需要减少植被，减少生活在地面上的动物栖息地。因此，绿色ZF必须处理好内部生态冲突：自然和动物保护与气候保护（Wurster，2017）。此外，绿色州ZF在地方一级没有得到广泛的政治支持。在地方和市议会中拥有绿色政治多数可能也有助于扩大风力发电（考虑到内部生态冲突，绿色ZF应该愿意这样做）。当随机分配治疗（即拥有绿色ZF）时，本节中报告的置换p值可以解释为经典的随机p值，用于检验绿色ZF没有任何影响的无效假设（例如Abadie等人，2010年；Firpo and Possebom，2018年；Abadie，2021年）。

然而，在我们的背景下，随机分配可能并不合理，例如，因为2011年之前绿党的投票份额可能会影响获得绿色ZF的可能性。当治疗不被随机分配时，置换P值可以被解释为评价“相对于分配过程的损坏标记分布的符号”（Abadie，2021，第404页）。由于这种解释可能并不总是令人满意的，我们在第5节中使用了Chernozhukov等人（2021a）的保形推理程序作为稳健性检查。这种方法不依赖随机分配，而是对“不在我的后院”施加了弱依赖。运动强调，风力涡轮机会给希望从可再生能源中获得潜在利益的选民带来直接成本。关于选民对“不良政策”的要求，参见Dal Bó等人（2018年）。例如，参见Serrano等人（2020年），以获取来自西班牙的证据。以及SC预测误差的平稳性。采用共形推理程序不会改变推理。在附录C.1中，我们还调查了绿色ZF是否扩大了自然保护区和景观保护区（以该州总面积的份额衡量）。我们没有发现绿色ZF对这两种结果产生重大影响的证据。为了应对福岛核灾难，联邦ZF决定在2011年关闭17座核电站中的60座，其中包括BW的一座核电站。这一决定可能对拥有和没有核电站的国家产生了不同的影响。因此，在附录B中，我们根据2011年关闭核电站的四个州的有限捐赠池申请SC。我们的结果有力地限制了捐赠者的数量。4.2宏观经济结果就目前而言，绿色ZF对宏观经济结果的影响尚不清楚。

一方面，党派理论（Hibbs，1977年；Chappell and Keech，1986年；Alesina，1987年）表明，当左翼ZF执政时，GDP和就业在短期内会增加，绿党传统上属于左翼政治阵营。一个重要原因是左翼ZF被期望实施扩张性政策，比如增加公共支出。事实上，新的绿色ZF倡导的ZF规模和范围要比之前的基民盟领导的ZF更大（H"orisch and Wurster，2017）。另一方面，党派理论是在20世纪70年代和80年代为传统政党制度发展起来的，忽视了绿色ZF。此外，德国以前没有任何其他绿色州（或国家）ZF。因此，政治不确定性变得明显，公民和企业家可能在消费和投资方面犹豫不决（例如，Julio and Yook，2012），这将在短期内降低GDP。我们的利息结果是以欧元计算的每位员工的GDP和失业率。这些数据由联邦统计局和联邦工作局的地区账户研究小组提供。2014年，绿色ZF推出了BW的第一个国家公园：北方黑森林。由于北部黑森林是BW唯一的国家公园，而德国其他州要么没有国家公园，要么只有很少的国家公园，因此国家公园不适合SC方法。我们首先调查了与德国其他州相比，BW州的宏观经济结果是如何发展的。图5显示，以BW（粗线）为单位的宏观经济产出水平与德国其他州不同。BW州的GDP再就业率较高，而BW州的失业率低于大多数其他德国州。

附录D中的表3显示了宏观经济结果的SC权重。图5：意大利面图：宏观经济结果（a）人均GDP 20000 40000 60000 80000 1000001990 1995 2000 2005 2010 2015（b）失业率5 10 15 20 251990 1995 2000 2005 2010 2015注：数据来自区域账户VGRdL和联邦工作机构。图6显示了SC结果。我们发现，治疗后BW组的人均GDP比合成BW组高一些，而治疗后BW组的失业率几乎不高于合成BW组。对于GDPper员工来说，BW的比例是所有州中第五大。隐含术语p值为p=5/15=1/3。因此，结果并不表明绿色政府提高了每位员工的GDP。对于失业率，我们没有发现绿色政府的显著影响：BW的RMSPE比率在所有州中排名第二。图6:SC结果：宏观结果（a）人均GDP 40000 50000 60000 70000 80000 1990 1995 2000 2005 2010 2015BW合成BWB与合成BW-4000-2000 2000 2000 40001990 1995 2000 2005 2010 2015项突变试验：干预和安慰剂效应后期RMSPE/前期RMSPESLNWTHHHBBEHBNIMWSHBBBWHESNBYST（b）失业率2 4 8 101990 1995 2000 2005 2010 2015年合成BWBWBW与合成BW-4的比较-2 0 2 4 61990 1995 2000 2005 2010 2015置换试验：干预和安慰剂效应1 2 3后期RMSPE/前期RMSPEBBBWHHSTMWBYSLNWBSHBethnisnotes：中心数据排除了治疗前MSPE至少是BW治疗前MSPE 10倍的状态。这些数据来自区域账户VGRdL和联邦政府。4.3教育成果德国各州政府在制定教育政策方面有相当大的回旋余地。一个主要问题是州政府如何组织学校系统。

在德国，十年的学校教育是强制性的。学生在BW上小学四年，必须再上至少六年的中学。有四种类型的中学：初中（Hauptschulen）、中学（Realschulen）、高中（Gymnansien）和综合学校（Gesamtschulen）。学生上高中八年或九年（而不是初中和中学六年），毕业后获得高中文凭（Abitur）。在综合性学校，不同能力的学生在同一所学校上课，但在个别班级授课。综合性学校通常有三种表现水平，与初中、中学和高中的表现水平相对应。2011年大选前，BW的绿党主张在小学或综合学校集体学习十年。他们强调，社区和社会总体上应该在设计学校结构方面拥有更大的权力（Busemeyer和Haaster，2017）。在采取行动后，绿色ZF推出了所谓的社区学校（Gemeinschaftschulen）。在社区学校，不同能力的学生在同一个班级授课。中学可以自由选择是否成为社区学校；州ZF为此提供了财政激励。尽管许多初中和中学成为社区学校，但对成为社区学校感兴趣的高中却少得多（“FAQ Zurgemeinschaftschule”，2020年）。社区学校的数量正在快速增长。2012/2013学年，共有42所社区学校成立了一个启动小组。一年后，已经有89所社区学校。我们研究了绿色ZF如何影响中学的组织。

我们估计了每种学校类型的学生数量的SC模型：初中、中学、高中和综合学校（包括社区学校）。数据和分类由德国教育和文化部长常务会议（CMC）提供。我们在这里讨论高中和综合学校的成绩，在附录C.2中讨论初中和中学的成绩。附录D中的表4显示了教育成果的SC权重。图7：意大利面条图：学生人数（a）比较。学校0 100000 200000 3000001990 1995 2000 2005 2010 2015（b）高中0 200000 400000 6000001990 1995 2000 2005 2010 2015注：数据来自伦德教育和文化部长常设会议。图8显示，SC法为CMC将社区学校纳入综合学校提供了极好的预处理效果。综合学校的学生。BW和治疗后合成BW的学生之间的差距是巨大的。排列推断程序表明，这些差距在德国各州中是最大的（中间小组）。与其他德国州（右图）相比，治疗后与治疗前RMSPE的比率在BW中是最大的，隐含置换p值为1/14≈ 0.07（可能的最小p值）。这些结果表明，ZF的更迭导致了综合学校的大幅扩张，这是基于引入社区学校的影响。高中学生的预处理能力比综合学校学生的预处理能力稍差。