碳排放对绿色全要素生产率的影响与地区异质效应

第

37

卷第

4

期

2020

年

12

月

经

济

数

学

JOURNAL

OF

QUANTITATIVE

ECONOMICS

Vol.

37

,

No.

4

Dec92020

碳排放对绿色全要素生产率的影响

与地区异质效应

*

胡宗义

，

石威正

，

李毅

（

湖南大学金融与统计学院

，

湖南长沙

410000

）

摘

要

采用

DEA-Malmquist

方法测度绿色全要素生产率

，

构建

1998

—

2017年中国省际面板数据模

型

，

考察碳排放对绿色全要素生产率的影响

，

并进一步分析其地区异质效应.结果表明：

碳排放与绿色全要

素生产率之间存在显著的倒

U

型关系，

即具有先促进后抑制的作用

；碳排放对绿色全要素生产率的影响存

在显著的地区异质性

，

其中

，

在东部和中部地区呈现出显著的促进作用

，而对西部地区则存在显著的倒

U

型关系

.

关键词

碳排放

；

绿色全要素生产率

；

DEA-Malmquist

到U

型

"

中图分类号

X24

；

F124

；

F224

文献标识码

A

The

Impact

of

Carbon

Emissions

on

Green

Total

Factor

Productivity

and

Regional

Heterogeneity

Effects

HU

Zongyi

,

SHI

Weizheng

,

LI

Yi

(

School

of

Finance

and

Statistics

,

Hunan

University

,

Changsha

,

Hunan

410000

,

China

)

Abs#rac#

ThetotalfactorproductivityofgreenwasmeasuredbytheDEA-Malmquistmethod

，

theinter-provincialpan-

el

data

model

of

China

from

1998

to

2017

was

constructed

to

investigate

the

impact

of

carbon

emissions

on

green

total

factor

productivity

，

andthenitsregionalheterogeneitye

f

ultsshowthatthereisasignificantinverted

U

relationship

between

carbon

emissions

and

green

total

factor

productivity,

that

is,

it

has

the

effects

of

first

promoting

and

then

inhibiting

；

the

impact

of

carbon

emissions

on

green

total

factor

productivity

has

significant

regional

heterogeneity.

Specifically,

iPhasasignificanPpromoPeef

ecPinPheeasPernandcenPralregions

!

whilePhereisasignificanPinverPed

U

rela

ionship

inPhe

wesPernregion.

Keywords

carbonemission

；

greenPoPalfacPorproduciviy

；

DEA-MalmquisP

；

inverPedUPype

1

引言

气候变暖

，

温室效应已经成为当前世界上气候变化的热门话题之一.作为世界上碳排放量最大的国家,

*

收稿日期

：

20200422

基金项目

：

国家自然科学基金面上项目

（

71774053

）

；

教育部人文社会科学研究规划项目

"

7YJA790030

）

；

湖南省发改委重大项目

（

湘

发改

'

016

（

1057

）

作者简介:胡宗义

"

964

—

）

男，

湖南宁乡人

，

博士

，

教授

，

博士生导师

，

研究方向

：

数量金融

E-mail

：

zongyihu@

163.

com

第

4

期

胡宗义等:碳排放对绿色全要素生产率的影响与地区异质效应

115

中国政府在巴黎协定中庄严承诺

,2020

年降低碳排放量

45%

〜

50%

，

目前已经提前

3

年完成.但长期以来

,

中国过多注重经济发展速度而忽略了发展质量和高速发展带来的负面影响

•

面对我国经济下行风险压力加

大新情况，

党的十九大提出

：

必须坚持质量第一

、

效益优先

，

以供给侧结构性改革为主线

，

推动经济发展质量

变革

、

效率变革

、

动力变革

，

提高全要素生产率

'

（

显然

，

全要素生产率是衡量经济发展效率的一个重要指标.

然而

，

在

“

绿水青山就是金山银山

”

的今天

，

仅仅考虑发展效率仍然不够充分

，

更重要的是发展效率与保护环

境的最优解

•

如何实现生态效率与经济效率的最优化是学术界重点关心的问题

•

本文拟从二氧化碳排放量与

绿色全要素生产率的角度出发

，

探讨如何实现生态效率与经济效率的最优解

，

为促进经济又好又快的高效发

展提供经验建议和数据支持

.

生态环境状况与经济发展水平之间的关系

，

一直以来都是国内外众多学者关注的问题之一.

Grossman

等通过把库兹涅茨曲线应用在环境经济领域

，

最早提出了环境库兹涅茨曲线⑵

（

Environmental

Kuznets

Curve

，以下简称

“

EKC

”

）

的概念.表明环境污染的严重程度与经济的增长速度之间呈现倒

U

型关系

，

也即生

产初期是以破坏环境为代价促进经济总量的快速增长

，

后期资源减少且生产率低下反而抑制了经济的发展

•

学术界目前对于环境污染与经济发展之间的关系

，

尚未形成统一认识

，

对于

EKC

曲线的真伪性也未达成共

识

.

因此

，

一些学者转而从绿色全要素生产率

（

Green

Total

Factor

Productivity

，

简称

“

GTFP

”

）

的角度研究经

济发展质量.对于

GTFP

的测度

，

学者主要是基于

Pittman

引入的非合意产出

，

并将非合意产出模型化

，

构建

了多种测度方法

[

3

]

.

李培根据传统

DEA

方法作出估算皿

；

邵军等主要采用

Malmquist

指数的测度方法®

;

李平通过松弛的方向性距离函数结合

DEA

方法进行测度

'

6

（

不同学者从不同的角度进行了详细的实证研

究

，

刘钻扩等对

“

一带一路

”

沿线地区和

“

非一带一路

”

沿线地区进行比较

，

结果发现

GTFP

与是否沿线所影

响的地区经济水平之间呈现倒

U

型关系"

（

一部分学者从政府环境规制的角度来探讨

GTFP

的发展问题

，

沈能发现政府环境规制存在门槛效应

[

8

]

;

Managi

等也通过实证对环境规制的正向影响进行了探讨分析

2

碳排放对绿色全要素生产率的影响

：

文献综述视角回顾

减少碳排放政策是促进经济合理发展的重要途径

，

合理的碳排放量对

GTFP

的增加具有明显的影响

•

以往的全要素生产率的测度多以劳动

、

资本等为主要变量

，

很少涉及资源能源等相关变量

•

随着人们越来越

注重发展质量问题

，

更多的学者在计算

GTFP

中加入二氧化碳等污染排放变量

，

进一步探究碳排放与全要

素生产率的相互关系.徐妍通过改进传统的全要素生产率模型

，

将包含二氧化碳等作为生产要素引进生产函

数

，

发现碳排放强度对经济期望产出出现负相关关系并会抑制全要素生产率的增长

'

10

（

再根据现有研究成

果

，

大致可以分为以下几类观点.首先

，

碳排放量抑制绿色全要素生产率的发展

&

一

“

抑制假说

”

.在碳排放限

制和能源政策的影响下

，

会产生负向影响

，

应将以环境为生产成本的经济增长模式转变为以能源技术为核心

的低碳经济模式

'

11

（

.

这种观点在国外也获得了一定的实证数据支持.

Rusiawan

在对印尼低碳经济的发展研

究中

，

也发现碳排放量的减少对提高生产率具有显著的效果

也有一大部分学者认为合理的碳排放量会实现

GTFP

的增长

—

—

“

促进假说

”

.在经济上升的初期

，

多

是以消耗资源为生产总值的重要来源

，

因此伴随碳排放量增加的是生产率的发展.陶小马和周雯认为碳排放

约束是一个重要的影响因素

，

约束碳排放量时能够促进

GTFP

两个百分点的增长减排政策的实施有利

于促进其发展.从决定因素来看

，

碳排放量的限制政策通过技术研发

，

提高了生产率

，

对中

、

轻污染行业的增

进作用更加显著

，

而对重污染行业的驱动作用较差

'

14

（

已有的实证也没有在理论上取得一致的定论

，

相对于

“

抑制假说

”

和

“

促进假说

”

，

还有一部分学者支持

“

不确定假说

”

.Li

等认为有效的碳排放规制对

GTFP

的发展存在

“

阈值效应

”

，

即在环境强度与其相关关系

表现为先负后正

，

最后负相关

'

15

（

刘和旺和左文婷从碳排放量规制的角度来探寻二者之间的影响机制

，

通过

实证发现二者之间存在先促进后抑制倒

U

型的关系

，

也就是适度的碳排放规制使得碳排放量减少

，

在改善

环境的同时又可以促进绿色全要素生产率发展

，

由此验证

“

波特假说

”

16

（

由于各个地区资源状况

、

社会生产率

、

政府规制政策等情况差异性较大

，

每个地区的绿色全要素生产率

116

经

济

数

学

第

37

卷

的发展既存在一些协同作用

，

也存在这一些差异

.

一些学者也对减排政策区域异质性特征做了分析

，

发现绿

色全要素生产率既存在较显著的空间关联特性

，

又呈现出较明显的区域差异.具体来看

，

由于中国

“

全国一盘

棋

”

的政治制度和经济环境

，

特别是诸如

“

粤港澳大湾区

，

京津冀城市群

，

长三角城市群

”

的区域经济体的存

在

，

使得各个城市绿色全要素生产率之间存在明显的区域相关性

［

17

］

（

李健和刘召

，

2019

）

.

然而

，

另一方面

，

由

于各地区资源禀赋

，

经济发展水平

，

人才规模和质量的差异

，

地区之间的绿色全要素生产率也存在明显的差

异,其中以东西部之间的差异最为显著.具体来说

，

西部地区的绿色全要素生产率明显低于中部.绿色生产效

率的走低是西部地区经济发展长期落后

，

导致我国发展不平衡

，

不充分的重要原因

'

18

（

.

综合国内外的诸多研究学者的情况

，

目前大多数的文献都是从省际数据出发进行研究

，对于碳排放对绿

色全要素生产率的影响方向尚未形成统一定论.本文认为二者之间不但存在单一的正相关或者负相关关系

，

而且随着碳排放强度不同呈现出不同的影响结果

•

并且

，

根据省际数据进一步分析

GTFP

增长的区域异质

性问题.据此

，

提出

：

H1

合理的碳排放量下

，

碳排放的增加会促进

GTFP

的增长.但是较高的碳排放量也会抑制增长

.

由此

认为

，

随着碳排放量在由低到高的增加过程中

，

二者之间呈现出

“

先增后降

”

的倒

U

型趋势.

H2

二氧化碳排放量对

GTFP

的影响作用在不同区域以及不同经济水平下

，

呈现出一定的差异.相对

于经济落后的西部地区

，

在经济发达的东部以及中部地区

，

影响作用更强

.

3

研究设计与数据说明

3.

1

绿色全要素生产率的测算

全要素生产率的增长问题一直都被国内外诸多学者所关注

•

已有的研究中

，

对

GTFP

的测算存在明显

的缺点

：

没有考虑到非期望产出

（

环境污染

）

对

GTFP

所带来的影响

，

从而忽视了资源环境的稀缺性

、

有限性

对发展绿色经济的系统约束性.此时

，

若只是使用包括劳动

、

资本以及期望产出建立

CD

生产函数来测度

，

其

结果必然会出现误差

9

3.

T

1

超效率

SBM

模型

传统的测算方法多采用基于径向距离函数的

DEA

模型

，

该模型在测算效率时

，

通常只考虑到投入和产

出的影响

，

而在实际要求中的径向条件很难满足.为了克服上述缺陷

，

ToneK

提出了可以修正松弛变量的超

效率

SBM

模型,效率值的取值范围是

［

1

，

hb

）

，

从而可以正确评估有效决策单元.本文借鉴

ToneK

的方法

，

结合

SBM

模型对非期望产出的处理优势

，

通过构建

SBM

模型对碳排放约束下的

GTFP

进行测算.模型的

基本形式为

S

4

(

k

，

y

t

，

b

kt

=

p*

=

min

----------------------------------------------------

1

+

]

(

.

s

m/

yj

+

.

Sb

)]

s.

t.

.

T

k

X

；

n

十

S

；

—

@

kn

，n

K

K

1,

…

，

N

；

〉

:

z

k

y

n

+

s

'

=

y

kn

，

n

K

1

，

…

,M

；

.

十

=

l

(

,

，n

1

，

…

，

L

；

(

1 )

T

#

0,s

@

#

0,

s

'

#

0,s

『

#

0

,k

=

1,

■•-

,K

.

其中

，

s

表示为投入与产出的松弛向量

，

（

@

tn

，

y

k

”

，

L

i

）

表示决策单元

k

在第

t

时期产出值

，

s

，

s

3

，

si

）

表示非期望的投入产出带来的非效率量.松弛变量值大于

°

，

则意味目标决策单元在生产中有投入过度

，

产

出不足或者废弃物排放过多

，

从而导致了无效率生产

.

目标函数

”

的值越高

，

表明该决策单元生产效率

第

4

期

胡宗义等:碳排放对绿色全要素生产率的影响与地区异质效应

117

越高9

3.

1

2

Malmquist

指数模型

由经济学家

Farrell

提出用来测算效率的方法

，

指在某一时期决策单元要保持技术水平不变的情况下进

行测度

.

对于时间序列进行效率的动态分析时

，

相应的技术水平会产生变化

，

这时候就需要通过

Malmquist

指数模型对其进行动态测算.

Farell

把

DEA

模型与

Malmquist

指数模型结合

，

产生的

Malmquist

指数更符

合实际测算的条件

，

被广泛应用于测算动态生产效率

.

决策单元从

t

时期到

t

+

1

时期的

Malmquist

指数

ML

如下

：

IL(X

,+1

,Y

'+

1

,

X

t

,Y

t

#

H

(X

'+

1

,

Y

+

1

)

D

+1

(

X

'+

1

,

Y

+

1

)

槡

,

Y

t

)

D

t+1

(Xt,

Y

$

)

=

D

，

+1

(

X

+

1

,

Y

+1

)

/

D

，

(

X

+

,

Y

+

J

DX

,

Y

)

=

D

—

1

(.

X

t

+1

,

Y

—

1

)

D

—

1

(.

X

t,

Y

t

)

.

槡

⑵

'

2

D

"

,

Y

，

)

表示决策单元在

t

时期的函数

,

X

’

表示决策单元在

t

时期的投入要素

,

Y

’

表示决策单元在

t

时期

的产出要素.当

IL

%

1

时

,

说明决策单元效率有所提高

；

当

IL

=

1

时

,

说明决策单元效率基本不变

；

当

IL

*

1

时

,

说明决策单元效率有所下降

.

3.2

实证模型设计

借鉴相关学者的文献研究成果

,

并结合中国

GTFP

变化的结构特征

,

考虑到数据的可得性

,

构建面板数

据计量模型

：

II

,

—

/o

+

0

1

CO

Z

+

0

2

K

”

+

0

3

L

t

+

0

4

GDP

t

+

/

t

+

A

，

+

—

,

(3)

其中

，

I]

,

为

GTFP

指数

,

1

表示为没有省份差异的时间哑变量

,

A

,

表示为观测省份个体不可控制的随机因

素

,

+

表示为既随着省份变动又随着时间变动的误差项

.

首先

,

采用随机效应以及固定效应的方法依次对模型进行估计

.

同时考虑到碳排放量与绿色全要素生产

率之间可能存在的“

先增后降

”

的倒

U

型关系

，

因此本文在模型中加入碳排放量的平方项来进行讨论分析

.

该面板数据计量模型如下

：

II

,

—

/o

+

0

1

CO

Z

+

0

2

K

”

+

0

3

L

t

+

0

4

GDP

t

+

0

5

CO

；

+

h

+

A

t

+

.

(4)

最后

,

鉴于

GTFP

的发展也存在惯性

,

前期的发展水平可能会对本期的发展产生一定的影响

.

这也就表明

,

静态面板回归方程式可能会存在有偏的情况.因此

,

在模型中加入上一期的

MI

指数的滞后项作为其工具变

量

,

再通过动态面板数据对其回归后进行稳健性检验

.

对于该动态面板回归模型

,

采用系统

GMM

估计方

法

,该估计方法可以将差分方程中的滞后项加入水平方程中作为工具变量

，

同时对差分方程以及水平方程进

行估计

，

从而充分利用了已有的样本信息

.

3.3

变量选取及数据说明

采用

1998

—

2017

年

30

个省份作为决策单元

,

由此搜集了下列投入产出数据作为样本来实证分析二氧

化碳排放量对

GTFP

发展的影响与地区异质效应

.

所有数据均来自于每一年的

《

中国城市统计年鉴

》

《

各省

统计年鉴

》

《

新中国六十年统计资料汇编

》

《

中国经济社会大数据研究平台

》

.并对数据做如下处理

：

西藏地区

数据缺失严重

,

故全部删去

,

部分缺失值利用临近插补法进行补全,删去行政区域发生较大变更

，

如城市名变

化

、

行政等级变化的城市

.

经过处理后

,

共得到

30

个省份共

600

条数据

.

所使用的主要变量的描述性统计如

表

1

所示

.

4

实证结果及分析

4.

1

基准回归分析

为消除量纲的影响

,

以下对模型进行取对数处理

,

表

2

列出了对计量模型

(3)

和

(4)

取对数后的回归结果

和稳健性检验

,

Hausman

检验的结果显示

，

固定效应模型好于随机效应模型

.

从第

(1

)+

3

)

列的结果

,

可以看

118

经

济

数

学

第

37

卷

出

，

碳排放量对

GTFP

的影响呈现显著的正相关

，

且在

1%

的显著性水平下显著.也就是二氧化碳排放量每

增长

1%

，

会使得

GTFP

平均上升约

0.

01.

然而

，

这一结论可能是值得怀疑的.从理论上来说

，

重工业城市碳

排放量往往较高,重工业城市的

GTFP

往往较低

，

这与实证结果不符.为更进一步检验该结论

，在计量模型

(1)

的基础上

，

加入了二氧化碳排放量的二次项

，

做进一步的研究.表中第

(2)+4)

列汇报了加入碳排放量的

平方项后的回归结果

，

结果表明

，

碳排放量平方项的系数为负

，

且通过了显著性检验.这表明

，

碳排放量与绿

色全要素生产率的关系呈现

“

先促进,后抑制

”

的倒

U

型曲线

，

这也就实证了理论假设

H1.

表

1

主要变量的描述性统计

指标

变量名

L

K

平均值

250336

标准差

1665

43

6968

44

最小值

254

80

最大值

6767

00

38390

85

从业人员

/

万人

固定资本总额

/

亿元

621170

12688

86

42

74

220

92

81

支出法

(

GDP)/

亿元

碳排放量

/kt

ML

指数

GDP

14682

94

172

80

100882

CO

2

MI

221

22

1

04

84220

1

41

0

07

071

表

2

基准回归

(

1

)

碳排放量对

GTFP

影响

稳健性检验

(

2

)

0

1165

(444

)

(

3

)

(

4

)

2

0.

0152

***

(

—

0

94

)

—

***

*

*

*

0

0103

(

2

42

)

***

0

1090

(

4

00

)

—

00102

(9.

59

)

**

*

*

**

(

lnCO

2

)

2

—

0

0116

—

0

0028

(

0

39

)

**

*

(

—

4

41

)

—

00037

(054

)

—

0

075

(

—

1

36

)

—

—

0

0065

(

0

97

)

*

*

*

1

n

L

—

0

0052

(

—

0

94

)

**

—

0

0075

(

111

)

—

0

0074

(

—

1

30

)

—

0

0055

(

—0

98

)

*

0

0093

***

0

0100

**

0

0029

***

(

104

)

(

114

)

(

2555

)

0

0033

(

2

38

)

**

注

％

*

和

**

*

分别代表在

10%,5%

和

1%

的显著性水平下显著

，

FE

代表固定效应方法

，

RE

代表随机效应方法

；

并对已有的模型取

对数

，

主变量括号内为

t

值

.

基准回归模型的结果表明

，

碳排放量的增加会显著促进了绿色全要素生产率的增长.那么碳排放量是否

一直对

GTFP

有促进作用呢

，

抑或是这种促进作用在碳排放量达到一定程度后会发生其他变化

？

大量研究

发现

，

二者之间很有可能存在倒

U

型关系.基于此,进一步将碳排放量平方项加入基准回归模型进行实证分

析.图

1

绘制了碳排放量与

MI

指数之间的非线性关系.显然

，

碳排放量与

GTFP

之间的关系大致呈现

“

先促

进,后抑制

”

的倒

U

型特征

，

与前文理论假说基本一致

.

通过上述基准回归分析

，

已经实证了

，

碳排放量对

GTFP

的影响表现为倒

U

型趋势.从目前来看

，

考虑

到我国地域之间发展差距较大

，

广东

、

江苏

、

上海等省市发展遥遥领先

，

而云南

、

新疆等偏远地区发展较为落

后.那么

，

这种不平衡不充分的发展对会使得碳排放量对

GTFP

的影响产生不同吗

，接下来对这个问题展开

研究

4.2

异质性分析

我国不同地区的经济生产水平和绿色全要素生产率发展程度都存在一定的非平衡性

，

各地区的碳排放

量的情况也显著不同.碳排放量对绿色全要素生产率的发展影响在不同区域会存在怎样的差异

？

本文将基

于已有的样本对该问题进行实证分析

.

参考国家计委对经济区域的划分标准

，

将

30

个省份划分为东部

、

西部

、

东北部和中部

4

个地区.其中

，

东

部地区包括北京

、

天津

、

河北

、

江苏

、

浙江

、

上海

、

山东

、

广东

、

福建和海南

10

个省市.西部地区包括内蒙古

、

广

西

、

重庆

、

四川

、

贵州

、

云南

、

陕西

、

甘肃

、

青海

、

宁夏和新疆

11

个省市

.

中部地区包括湖北

、

湖南

、

山西

、

江西

、

安徽和河南

6

个省市.东北部地区包括黑龙江

、

吉林

、

辽宁

3

个省.接下来依次对东部

、

西部

、

东北部和中部

4

个子样本通过式

(4)

进行估计

，

可得到表

3

所示的回归结果

.

第

4

期胡宗义等

：

碳排放对绿色全要素生产率的影响与地区异质效应

119

0

0

0

0-7

h

°

°

2

3

4

■X

5

6

图

1

MI

指数与

GTFP

的散点图及拟合曲线

表

3

因变量

：

MI

碳排放量对

GTFP

的影响的区域差异

（

2

）

⑴

东部

0.

0678

*

*

(2.75)

—

0.0050

(

—

2.

06

)

3

）

4

）

西部

0.

2576

*

*

*

东北

0.2933

2.54

)

中部

0.

2933

*

*

lm

CO

2

"

m

CO

2

)

$

(3.

24

)

(2.

54)

—

0.

0292

*

*

*

—

0.0261

—

0.0261

*

—

3.32

)

0.

0082

*

*

*

(

—

T

78

)

—

2.39

)

—

0.

0222

*

(

—

2.

32

)

—

2.39

)

lm

K

lm

L

lm

GDP

—

0.

0079

0.46

)

—

0.

0293

(

—

2.

88

)

—

0.

013

*

*

—

1.33

)

—

0.0010

*

*

*

—

0.0102

**

—

0.0102

—

0.76

)

—

0.11

)

0.

0120

(0.

61

)

(

—

0.

76

)

—

0.0118

(0.55

)

0.0341

1.89

)

0.

0341

(1.

89

)

注

：

*

,

*

*

和

*

*

*

分别代表在

10%,5%

和

1%

的显著性水平下显著

，

FE

代表固定效应方法

,RE

代表随机效应方法

；

并对已有的模型取

对数

，

主变量括号内为

（

值

•

从表

3

中第

（

1

）

列

，

二氧化碳排放量的系数显著为正

，

这表明东部地区碳排放量对

GTFP

有显著的促进

作用•第

（

2

）

列中

，

西部地区

ln

CO2

的系数显著为正

，

平方项

"

h

CO2

）

2

的系数显著为负

，

这表明在西部地区

存在倒

U

型影响

.

第

（

3

）

列表明在东北地区碳排放量对

GTFP

的影响并不显著

•

第

（

4

）

m

CO2

的系数为正

，

且在

5%

的统计水平下显著

，

也就是说在中部地区碳排放量对

GTFP

也存在明显的促进效应

•

因此不同地区

碳排放量对

GTFP

的影响不同

，

存在一定的异质性

，

实证所得的结果均表明地区差异与省份所处的区域位

置

、

经济发达程度之间存在很大的关系

•

由于政策因素和区位因素

，

我国的东部沿海地区以及中部的经济发

展程度以及所处的地理位置都更加优越,并且科技创新能力强

、

政府管制更加严格等原因

，

会导致碳排放的

排放量的减少•相对而言,东部沿海发达省份的促进作用会更加突出

，

而西部地区经济的发展程度较低

，

科技

创新能力较差.同时还有一些省份是能源丰富型省份

，

这就会带来一系列的以消费能源为代价的经济发展

，

从而出现碳排放量对

GTFP

呈现先促进后抑制的影响效应

•

区域异质性分析只能显示不同省份在同一时间点上存在的空间差异

，

进一步考虑到由于科技创新水平

和绿色经济的发展水平差异

，

以

MI

指数的四分位数把全样本分为

4

组，

依次对模型

（

4

）

进行估计

，

其结果表

3

.最低组主要包括宁夏

、

青海

、

云南

、

广西

、

福建和新疆

，

次低组主要包括辽宁

、

江西

、

黑龙江

、

河南

、

内蒙古

、

河

北

、

山西和甘肃

，

次高组主要包括山东

、

浙江

、

安徽

、

广东

、

天津

、

湖北和湖南

，

最高组主要包括吉林

、

四川

、

陕

西

、

江苏

、

重庆

、

上海

、

贵州和北京

•

表

3

第

（

1

）

—

（

4

）

列分别报告了

GTFP

在不同水平下的

4

个子样本的估计

结果•首先在

MI

最低的时候

lm

CO2

的系数显著为正

，

（

lm

CO2

）

2

的系数显著为负

，

表明碳排放量与

GTFP

120

经

济

数

学

第

37

卷

之间的发展存在先促进后抑制的倒

U

型关系.这表明在生产率水平较低和次低的情况下的时候

，

碳排放量

的增加会产生促进作用

，

而在排放量持续增加的情况下

，

随着科技创新水平的提高抑或是政府政府管制更加

严格

，

会再次降低

MI

的增加

,

即减缓绿色全要素生产率的提高速度

.

其次在

MI

水平次高和较高的水平下均

不显著

，

由此表明

，

随着生产率的提高

，

碳排放量对生产率的影响逐步降低.产生上述现象的原因很有可能

是

，

在生产初期

，

过度地追求经济数量上的增进

，

资源利用率低

，

并带来大量的污染气体排放

，

相应的生产率

水平较低.面对环境污染产生的一系列社会问题

，

使得人们愈发意识到保护环境节约能源的必要性

，

随着绿

色发展理念的深入,也越来越重视经济发展质量

，

从而加大科技研发力度

，

促进

GTFP

水平的提高

.

表

4

不同

MI

水平下碳排放量对

GTFP

的影响差异

因变量

：

MI

lnCO

2

1

)

2

)

3

)

4

)

最低

0

026

次低

0

0075

次高

最高

0

0020

"

—

0

03

)

*

*

0

0145

1

03

)

*

2

40

)

dn

CO

2

)

2

067

)

—

00007

"

—

0

64

)

—

0

00568

"

—

1

97

)

—

0

0014

"

—0

98

)

—

0

0001

"

—

0

01

)

ln

K

ln

L

0.

0261

**

279

)

0

0010

0

0001

*

0

0102

*

044

)

0

0012

0

06

)

0

0010

"

—0

48

)

—

00015

"

—0

64

)

"

—

041

)

—

0

0077

1

73

)

071

)

—

00007

"

—

0

25

)

151

—

0

018

"

—

1

97

)

0

0127

*

lnGDP

0

0039

"

—

0

32

)

151

*

0

75

)

151

样本量

151

注

％

*

，

*

*

和

*

*

*

分别代表在

10%,5%

和

1%

的显著性水平下显著

，

FE

代表固定效应方法

，

RE

代表随机效应方法

；

并对已有的模型取

对数

，

主变量括号内为

t

值

•

3.3

稳健性检验

根据国内外学者的一系列研究

，

都表明经济活动存在一定的时间惯性(崔百胜

,2015

；

Mankiw

and

Reis

，

2007).

也就是经济活动不仅仅受当期的影响

，

也受到前期的影响.为此

，

利用动态面板模型

，来进一步研究经

济惯性对

GTFP

的影响

，

并做稳健性检验

.

模型的设定为

I]

=

a

+

/II

t-1

+

ln

CO

Z

+

&

ln(CO2

)

+

X

(

+

+

s

)

.

对

(5)

式进行估计首先进行一阶差分

，

将个体效应消去

，

即

(5)

)

MI

t

=

/M[

t-

1

+

0

)lnCO2

+

&

)ln(CO2

)

2

+

)

X

(

+

As

)

.

(6)

然而

，

由于一阶滞后项的差分项与随机误差项的差分项存在同期相关

，

也就使得

0

的估计量既有偏

，

也不一

致因此

，

利用

Anderson

and

Hsiao

和

Aerllao

and

Bond

提出的差分广义矩估计

(

Diff-GMM

)进行估计

.

在

大样本面板情况下

，

对计量经济学古典假定:解释变量与随机误差项均值独立进行了放松

，

只要求解释变量

与随机误差项无同期相关.若解释变量与被解释变量存在异期相关

，

差分后可能会存在内生性问题,使得估

计量有偏且不一致.为提高估计效率,使用差分广义矩估计

(Diff-GMM

)

和系统广义矩估计

(Sys-GMM

)

分别

进行估计

•

表

5

汇报了

Diff-GMM

和

Sys-GMM

的估计结果

.

自相关检验结果表明

，

误差项的差分项存在一阶自相关而不能解决不存在二阶自相关的原假设

，

因此没

有充分的理由拒绝扰动项无自相关的原假设

，

故可以使用

Diff-GMM

方法对模型进行回归分析

.

Sargan

工

具变量的有效性检验表明

，

所有

P

值均远大于

0.05,

因此不能拒绝所有工具变量都有效的原假设

，

认为所有

的工具变量都是有效的.第

(1

)+

2

)

列的回归结果表明

，

GTFP

存在明显的时间滞后效应

，前一期的生产水平

对当期有显著的正向影响

，

同时也证明了碳排放量对

GTFP

的影响呈现先促进后抑制的倒

U

型特征

.

为避

免遗漏变量误差对估计量造成的影响

，

使得估计量有偏且不一致

，

本文参考学者的研究成果(陈诗一和陈登

科

,2018

；

湛莹

,2017),

选择了劳动力人数

、

投

资总额

、

GDP

作为控制变量

.第

(3

)+

4

)

列汇报了加入控制变

量后的回归结果

.

回归结果与第

(1)+2)

列的结果较为接近

，

且显著性水平及其正负性基本相同.这表明

，

绿

色全要素生产率确实存在明显的时间相关性

，

且碳排放量对

GTFP

的影响存在

“

先促进后抑制

”

的倒

U

型

第

4

期

胡宗义等:碳排放对绿色全要素生产率的影响与地区异质效应

121

特征

表

5

稳健性回归结果

项目

⑴

Di

f-GMM

2

)

Sys-GMM

3)

4

)

Di

f

-GMM

0083

Sys-GMM

0

021

MI-1

lnCO

2

0

076

"

—

2

19

)

0

301

**

0

056

"

—

2

55

)

0

170

**

**

*

**

*

*

*

*

**

"

—4

01

)

0254

"

—

2

88

)

***

*

"

—

1

99

)

—

0

021

"

—

2

63

)

"

—2

9

)

—

0

015

***

*

*

*

"

—3

66

)

0

164

"

—

1

47

)

—

0

012

"

—

1

98

)

"

n

CO2)

2

—

0

013

*

"

—

2

84

)

(T.

79

)

控制变量

AR

"

）

检验

AR

"

）

检验

Sargan

检验

未控制

—

301

"

—

0

001

)

***

未控制

—

2

52

"

—

0

006

)

***

已控制

—2

28

"

—

0010

)

—0

94

"

—0

23

)

***

已控制

—

2

24

*

*

"

—

0

019

)

1

07

"

—

0

33

)

0

91

"

—

0

82

)

29

36

"

—

0

89

)

118

"

—

021

)

29

62

"

—

0

71

)

2913

"

—0

92

)

29

53

"

—

0

90

)

注

：

和

**

*

分别代表在

10%,5%

和

1%

的显著性水平下显著;并对已有的模型取对数

，

主变量括号内为

t

值

.Sargan

检验和

AR

检验括号内均为

P

值

.

5

结论与政策建议

通过

DEA-Malmquist

方法对绿色全要素生产率进行测度

，

并探讨了影响因素以及与地区异质效应.利

用我国

1998

—

2017

年30

个省份的面板数据,对模型进行实证分析.结果显示

，

当碳排放量超过一定水平时

,

对经济发展的促进作用会削弱

，

产生抑制

GTFP

发展的现象

，

即呈现倒

U

型关系.且二者之间也存在地区异

质性

，

在一些比较发达的东部沿海省份

，

例如江苏

、

广东等地区

，

存在显著的促进作用.而在西部地区

，

例如广

西

、

甘肃

，

则存在显著的倒

U

型关系.这也就意味着

，

必须要加快技术创新才能够提高资源的有效利用率

，

提

高生产率

，

推动经济又好又快地发展.上述研究分析对如何提高我国绿色全要素生产率

，

为充分利用资源

、

减

少环境污染

，

从而建设生态文明

、

推进经济可持续发展有着重要的政策意义

.

首先,加强科技创新

，

从源头提高生产率.要想从根本上促进生产率的发展

，

需要做的不仅仅是加大能源

的投入

，

而是要促进绿色科技的创新.这就需要政府和企业共同努力

，

一方面

，

政府可以提高环境标准

，

通过

环境规制手段来迫使产业结构升级

，

发展绿色能源.另一方面

，

研发创新也是产业有效发展的必要途径

，

企业

只有不断创新

，

推进产业结构优化

，

才能在改革的浪潮中屹立不倒

.

其次

，

根据二氧化碳排放量的严重程度和经济发展水平差异

，

要因地制宜地进行规划

，实施有效的驱动

生产率提高的政策.研究表明

，

碳排放量对

GTFP

的增长存在明显的区域异质性

，因此可以根据碳排放量和

经济发展程度

，

将对省份生产率的提高分为两类区域

.

一类是经济发达的东部沿海或者中部省份

，

该地区重

视科技创新水平的发展

，

能够有效减少污染

，

提高生产率

，

促进经济快速发展.另一类是经济相对落后或者矿

物资源丰富的西部省份,这类城市的主要问题是以牺牲环境

、

消耗资源为代价

，

生产率也较低

，

经济发展缓

慢.这两类省份都面临着提高生产率的困扰

，

但是考虑到经济水平以及自然条件等方面的差异性，

因此需要

有所侧重的实行不同的区域生产方案

，

均要在加大生产的同时

，

提高生产率

.

绿色全要素生产率的提高是一项系统工程

，

在以经济建设为中心的发展背景下

，

普遍观点是

，

只有提高

生产率才是经济可持续发展的长久之策.减少以消耗能源资源

、

污染环境为代价的粗放型经济发展模式

，

加

快实现产业转型

、

优化产业结构来促进绿色经济的发展.在社会各方面的协调努力下

，

实现富强民主文明和

谐的美丽中国梦

.

122

经

济

数

学

第

37

卷

参考文献

'

1

(

习近平•决胜全面建成小康社会

，

夺取新时代中国特色社会主义伟大胜利

：

在中国共产党第十九次全国代表大会上的报告

[M(

：

北京

：

人

民出版社

！

°17.

[2(

GROSSMAN

G

M

,

KRUEGER

A

B.

Economic

growth

and

the

environment[J

]

.

NBER

Working

Papers

,

1994

,

110(2

)

：

353

—

377.

[3]

PITTMAN

R

W.

Multilateral

productivity

comparisons

with

undesirable

outputs|!J

(

.

The

Economic

Journal

,

1983

,

93(372)

:

883

—

89T

'(

李培.中国城市经济增长的效率与差异口

(.

数量经济技术经济研究

2007(7

):

97—

106.

'(

邵军

，徐康宁.我国城市的生产率增长

、

效率改进与技术进步口(.数量经济技术经济研究

201027

(

1

)

：

58

—66T06.

'(

李平.环境技术效率

、

绿色生产率与可持续发展

：

长三角与珠三角城市群的比较口(.数量经济技术经济研究

201734

(

11

):

3

—

23.

'(

刘钻扩

，

辛丽.

“

一带一路”

建设对沿线中国重点省域绿色全要素生产率的影响:

J

(

.

中国人口

/

资源与环境

201828

(

12):87

—

97.

'(

沈能.环境规制对区域技术创新影响的门槛效应:

J

(

.

中国人口

/

资源与环境

201222(6

):

12

—

16.

[9

(

MANAGI

S

,

OPALUCH

J

J

,

JIN

D

,

ta%.

Environmental

regulations

and

technological

change

in

the

offshore

oil

and

gas

industry]

〕

]

.

Land

Economics

,

2005

,

81(2)

:

303

—

319.

[

0

(

徐妍•低碳转型中新疆工业行业全要素生产率增长研究:

J

(

.

资源科学

2017,39(2

):

356

— 366.

[

11

(

郭辉

，

董晔•碳排放和能源消费约束下的中国绿色全要素生产率和经济增长研究

一&

基于扩展的索洛模型分析

□(•

经济经纬

2012(6

):

77

—

819

[

12

(

RUSIAWAN

W

,

TJIPTOHERIJANTO

P

,

SUGANDA

E

,

eta%.

Assessment

of

green

total

factor

productivity

impact

on

sustainable

In-

donesiaproductivitygrowth

J

(

.ProcediaEnvironmentalSciences

!

2015

!

28

:

493

—

501.

[

13

(

陶小马

，

周雯.中国地区工业部门二氧化碳排放量及碳排放约束下全要素生产率测算

[J

(.

技术经济

201231(9):4°

—50,132.

[14(

WANG

Z,

CHEN

S,

CUI

C,

et

a%.

Industry

relocation

or

emission

relocation?

Visualizing

and

decomposing

the

dislocation

between

China's

economy

and

carbon

emissions[J

(

.

Journal

of

Cleaner

Production

,

2019

,

208

:

1109

—

1119.

[15(

LI

B,

PENG

X,

OUYANG

M.

Environmental

regulation,

green

total

factor

productivity

and

the

transformation

of

China's

industrial

de

­

velopment

mode

:

Analysis

based

on

data

of

China's

36

mdustries[J(.

China

Industrial

Economics

,

2013

,

4

:

56

—

68.

[16

(

刘和旺

，

左文婷

.

环境规制对我国省际绿色全要素生产率的影响:

J

(

.

统计与决策

2016(9):141

—

145.

[

17

(

李健

，

刘召

•

中国三大城市群绿色全要素生产率空间差异及影响因素

：

J

(

.

软科学

201933(2):61

—

64,80.

[

8

(

袁宝龙

，

李琛

.

环境规制政策下创新驱动中国工业绿色全要素生产率研究

：

J

(

.

产业经济研究

2018(5)

:

101

—

113.

(责任编辑

：

文

轩

)