中国区域绿色全要素生产率的影响因素及其空间特征

陈黎明，王俊昊,赵婉茹，蔡乐颖

摘 要：运用非径向非角度的SBM方向性距离函数与ML指数，将环境污染和能源消耗纳入生产率分析框架，将绿色全要素生产率（GTFP）增长分解为技术进步和技术效率改善，测度中国30个省市区GTFP，利用空间计量模型考量GTFP的影响因素及其空间特征。结果表明：样本期内全国平均GTFP累积增长31%，技术进步贡献较大。各地区的GTFP均呈现增长趋势，而技术效率则有所下降。地理邻接是空间溢出的主要途径，各变量对GTFP、技术进步和技术效率改善的直接效应和空间溢出效应呈现不同的作用机制，R&D投入、外商投资和环境管制等因素對GTFP的增长均有显著影响。

关键词：
绿色全要素生产率;ML指数;影响因素;空间特征

中图分类号：F224;F719   文献标识码：
A    文章编号：1003-7217（2020）04-0122-11

基金项目：
 湖南省哲学社会科学基金项目（19YBA069）

一、 引 言

进入21世纪以来，中国逐步奠定了世界经济大国地位。然而，低效的粗放型经济发展模式造成了不可弥补的资源耗费和环境污染，现阶段的中国面临着环境污染和资源过度消耗的双重压力，飞速发展带来的种种弊端逐渐显现，给中国经济社会的可持续发展带来了巨大的风险和挑战。燃烧化石能源造成的传统煤烟型污染和PM2.5、颗粒物等新型污染并存，社会生产与居民生活、中心城市与周边农村、工业与交通排放污染交织。到2030年，中国的城镇化率将达到70%，居住在城市和城镇的人口将超过10亿人，而城镇人均生活能耗是农村人均水平的1.54倍，城镇化率每提高一个百分点，将增加生活垃圾1200万吨、生活污水11.5亿吨，并消耗8000万吨标准煤[1]。《“十三五”生态环境保护规划》指出，化学需氧量（COD）、二氧化硫（SO2）等主要污染物的排放量高达2000万吨，78.4%的城市空气质量未达标，部分地区冬季重污染频发，环境承载能力已接近上限，生态环境已成为全面建成小康社会突出的短板。在国民经济和社会发展“十三五”规划（2016-2020年）中，绿色发展作为五大发展理念之一，被提升到前所未有的高度，在中国区域经济协同发展愈加紧密、地区间交流合作更加频繁的趋势下，探究绿色全要素生产率的影响因素及地理空间分布特征对统筹区域经济发展规划、制定区域环保政策具有重要的指导意义。

目前，学者们研究绿色全要素生产率的影响因素主要从对外直接投资（OFDI）、环境管制、产业集聚、金融发展等方面展开。从OFDI来看，朱文涛等（2019）认为OFDI技术溢出能够促进本地区技术能力增长从而对绿色全要素生产率产生积极正向的作用[2];孙付华等（2019）认为OFDI对绿色全要素生产率的影响存在着区域差异，沿海地区OFDI显著促进了绿色全要素生产率的增长，而内陆地区OFDI对绿色全要素生产率的影响并不显著[3]。从环境管制的角度考虑，杜龙政等（2019）证实了环境管制与工业绿色全要素生产率之间存在U型曲线关系[4];李鹏升和陈艳莹（2019）认为短期内环境管制对企业的绿色全要素生产率存在抑制作用，长期来看环境管制有利于提升企业的绿色全要素生产率[5];此外，伍格致和游达明（2019）提出，环境管制的工具类型也会导致其对绿色全要素生产率产生不同的影响[6]。从产业集聚方面分析，任阳军等（2019）认为省际视角下的制造业集聚、生产性服务业集聚对绿色全要素生产率的提高具有明显的促进作用，且影响力存在区域差异，生产性服务业集聚对东部地区绿色全要素生产率的促进作用弱于中西部地区，制造业集聚则对东部绿色全要素生产率的影响作用强于中西部地区[7];刘赢时等（2018）运用数据包络分析的ML指数法，考量绿色全要素生产率的影响因素，发现产业结构升级、能源效率以及两者交互作用对绿色全要素生产效率具有正向推动作用，产业结构升级对绿色全要素生产率的促进作用要大于能源效率的促进作用[8]。基于金融发展视角，张帆（2017）构建了一个包含金融发展与绿色全要素生产率的熊彼特内生增长模型，实证考察中国金融发展对绿色全要素生产率的影响，发现金融发展能够促进绿色全要素生产率的增长，这种促进作用会随着金融发展水平的提高而递减，呈现出非线性特征[9]。

从上述研究可以看出，OFDI、环境管制、产业集聚、金融发展等对绿色全要素生产率的影响均存在着明显的区域差异。因此，部分学者引入空间计量模型对绿色全要素生产率的影响因素进行分析。张先锋等（2010）运用索洛余值法对中国1998-2005年25个省市区的全要素生产率进行估算并研究R&D投入、公共基础设施投入对本区域全要素生产率的影响及对邻接地区的空间溢出效应，发现R&D投入对本区域和邻接地区的全要素生产率具有显著的正向影响，公共基础设施投入对本区域的影响为正，但对邻接地区的溢出效应为负[10];周璇和陶长琪（2015）在径向非角度的SBM方向性距离函数基础上，运用GML指数计算环境管制下中国各省全要素生产率增长率，并通过面板门槛回归模型分析要素集聚和环境管制对全要素生产率的门槛效应，发现环境管制和要素集聚皆存在正向溢出效应[11];刘华军等（2018）揭示了中国绿色全要素生产率增长的空间非均衡特征，并利用QAP分析方法从结构组成因素和外部影响因素两个层面实证考察了中国绿色全要素生产率增长空间不平衡的成因，发现技术进步和城市化的差距是导致绿色全要素生产率增长表现出空间不平衡特征的主要原因[12];肖远飞和吴允（2019）基于动态空间杜宾模型研究财政分权与环境管制对中国省际绿色全要素生产率的影响，发现财政分权的提高不仅会引起本地区绿色全要素生产率的下降，也会造成周边地区绿色全要素生产率的下降[13]。

综上所述，现有研究考察了影响绿色全要素生产率的宏观和微观因素，模型估计时也考虑了空间溢出效应，但仍存在一些不足：首先，大量学者采用DEA模型测度绿色全要素生产率时，基于径向、角度的方向性距离函数，忽略了非期望产出，与实际生产过程不符。其次，多数研究仅基于单一空间权重矩阵，从地理或经济某一角度分析全要素生产率的空间溢出效应，未扩展对分解项的研究，对空间特征的研究不够细致全面。基于此，本文基于非径向、非角度的SBM方向性距离函数，充分考虑能源投入和非期望产出，采用DEA模型及ML指数测算中国省域绿色全要素生产率增长;综合R&D、FDI、环境管制等影响因素，基于四种空间权重矩阵对GTFP、TC、EC的空间溢出效应进行检验，为绿色全要素生产率的提高提供更全面的佐证。

二、研究方法和模型选择

（一）绿色全要素生产率的测度及分解

本文基于非径向、非角度的SBM方向性距离函数和ML指数测度中国各省市区（不含西藏自治区和港澳台地区）的绿色全要素生产率增长，并进一步分解为技术进步以及技术效率改善。

1.非径向非角度的SBM方向性距离函数。

根据Fre等（2007）、陈黎明等（2015）和刘华军等（2018）的方法[14-16]，首先構造一个包含期望产出和非期望产出的生产可能性集。各省份作为决策单元（DMU），x表示N种投入的投入向量，则x=（x1，…，xn）∈R+N，本文主要考虑能源、物质资本和人力资本的投入。同理，y和b分别代表M种期望产出向量和I种非期望产出向量，则y=（y1，…，ym）∈R+M、b=（b1，…，bi）∈R+I，期望产出为各省份的实际GDP，非期望产出包括碳排放和SO2排放。K省份T年份的投入产出向量表示为（xk，tyk，tbk，t），p（x）={（y，b）：投入x可能的产出}表示生产可能性集，包含了所有省份在同一时期所有可能的投入和产出组合。

假设生产可能性集为有界闭集，且满足“零结合公理”和“弱可处置性公理”。零结合公理认为期望产出和非期望产出同时存在;弱可处置性公理意味着减少非期望产出的同时一定伴随期望产出的减少。环境技术表示如下：

pt（xt）={（yt，bt）：∑kk=1ztkytkm≥ytkm，m;

∑kk=1ztkbtki=btki，i;

∑kk=1ztkxtkn≤xtkn，n;

ztk≥0，∑kk=1ztk=1，k}（1）

其中，Ztk表示T年份每个省份投入的权重，

∑kk=1z′k=1表示规模报酬可变（VRS），除去这一约束条件则代表规模报酬不变（CRS）。

根据Tone（2001）的方法[17]，将非径向非角度的SBM方向性距离函数定义为：

Stv（xt，kt，yt，kt，bt，kt，gx，gy，gb）=

max sx，sy，sb1N∑Nn=1sxngxn+1M+I[∑Mm=1sxmgym+∑Ii=1sbigbi]2s.t.∑Kk=1ztkxtkn+sxn=xtkn，n;∑Kk=1ztkytkm-sym=

ytkm，m;∑Kk=1ztkbtki+sbi=btki，i;∑Kk=1ztk=1，ztk≥0，k;sxn≥0，n;sym≥0，

m;sbi≥0，i（2）

其中，（xt，kt，yt，kt，bt，kt）代表K省份T年份的投入产出向量，gx，gy，gb的正方向代表期望产出扩张、投入和非期望产出缩减的情况，即在缩减能源、物质和人力资本投入的同时，保证经济产出增加且污染排放减少。（sxn，sym，sbi）为非径向非导向的松弛向量，在求解线性规划的过程中，（sxn，sym，sbi）为正代表存在松弛项，说明投入和非期望产出在边界外，而期望产出则小于边界上的产出水平，即投入和非期望产出过度而期望产出不足。

2.Malmquist-Luenberger（ML）生产率指数。

Chung等（1997）在Luenberger利润函数的基础上利用方向性距离函数的优势和特点创造了Malmquist-Luenberger（ML）生产率指数[18]。本文通过计算ML指数并将其分解为技术进步和技术效率改善，研究绿色全要素生产率增长的动力和趋势特征。分解公式如下：

MLt+1t=[1+D→t0（xt，yt，bt;gt）][1+D→t0（xt+1，yt+1，bt+1;gt+1）]×

[1+D→t+10（xt，yt，bt;gt）][1+D→t+10（xt+1，yt+1，bt+1;gt+1）]12

EC=1+D→t0（xt，yt，bt;gt）1+D→t+10（xt+1，yt+1，bt+1;gt+1）

TC=[1+D→t+10（xt，yt，bt;gt）][1+D→t0（xt，yt，bt;gt）]

×[1+D→t+10（xt+1，yt+1，bt+1;gt+1）][1+D→t0（xt+1，yt+1，bt+1;gt+1）]

ML=EC×TC（3）

其中，TC代表t时期到t+1时期的技术进步，EC则代表技术效率改善，由ML指数分解而成;g为方向向量 。ML、TC和EC > 1（< 1）分别代表绿色全要素生产率上升（下降）、技术进步（退步）和技术效率改善（下降）。

（二）空间自相关性分析

为考察绿色全要素生产率的空间交互作用与溢出效应，需采用Morans I指数进行空间相关性检验，计算公式如下：

MoransI=N∑Nk=1∑Nj=1Wk，j（Yk-Y-）（Yj-Y-）∑Nk=1（Yk-Y-）2∑Nk=1∑Nj=1Wk，j（4）

其中，Yk表示k地区绿色全要素生产率的观测值，采用ML指数作为被解释变量。N为区域总数，Wk，j为空间权重矩阵。Morans I指数的取值范围为[-1，1]，Morans I指数为正，表示存在空间正相关性;反之，则存在空间负相关性。

摒弃以往研究中区域绿色全要素生产率相互独立的假设，通过空间权重矩阵Wk，j能够反映空间交互关系与依赖特征，分别采用四种空间权重矩阵，探索本地区与周边地区的邻接、地理与经济溢出关系：

1.0-1邻接矩阵。简单的二进制空间权重矩阵，设定如下：

Wk，j=1区域k和区域j相邻接

0区域k和区域j不相邻接 （5）

2.距离矩阵。王守坤（2013）认为俩地区的距离越近，赋予权重越大[19]。采用反距离矩阵，设定如下：

Wk，j=1dk，jk≠j0k=j （6）

dk，j表示俩省会城市之间的交通距离，相比通过经纬度计算两点的地表距离，交通距离更加客观地反映了城市间的社会与经济联系。

3.经济矩阵。地理因素并非导致空间效应的唯一因素，在反距离矩阵构建的基础上设定经济矩阵如下：

Wk，j=1Xk-Xjk≠j0k=j（7）

Xk代表k区域的经济变量，Xj代表j区域的经济变量，采用人均GDP。

4.嵌套矩阵。当空间效应中同时包含距离因素与经济因素的影响时，使用嵌套矩阵，设定如下：

W=αWeco+βWdis （8）

其中，Weco代表经济矩阵，Wdis代表距离矩阵，α和β分别代表各权重矩阵的比重，取α=0.7、β=0.3（通过验证，在该取值下模型拟合最佳）。

（三）空间计量模型的设定

考虑不同空间效应，将地区间的相互作用关系引入模型。不同作用形式体现在模型上分为空间滞后模型（SAR）、空间误差模型（SEM）和空间杜宾模型（SDM）。具体如下：

1.空间滞后模型（SAR）。

yk，t=ρ∑Nj=1Wk，jyj，t+βXk，t+c+εk，t （9）

yk，t为空间单元k在t时期的因变量，分别采用ML指数、技术进步及技术效率改善作为被解释变量; Wk，j为N×N维标准化的空间权重矩阵;ρ为空间自回归系数，反映相邻地区的行为对本区域的影响程度;Xk，t为1×K维外生解释变量;β为外生变量对应的K×1维系数向量;c为常数项;εk，t为随机误差向量，且满足均值为0、方差为σ2的基本假设。

2.空间误差模型（SEM）。

yk，t=βXyk，t+c+μk，tμk，t=λ∑Nj=1Wk，jμj，t+εk，t （10）

假设残差具有空间自相关性，先对残差项进行空间自回归分析，将区域k的残差项表示为邻接区域j的残差及随机变量的组合，λ为空间自回归系数。再将残差项的自回归结果纳入因变量的解释模型。

3.空间杜宾模型（SDM）。

yk，t=ρ∑Nj=1Wk，jyj，t+βXk，t+

δ∑Nj=1Wk，jXj，t+c+εk，t （11）

yk，t为空间单元的因变量;Wk，j为空间权重矩阵W的i行j列元素;Xj，t为外生解释变量;β为外生变量对应的系数向量;δ∑Nj=1Wk，jXj，t表示来自邻接地区自变量的影响， εk，t～N（0，σ2）为随机误差向量。

三、数据处理及测度结果分析

（一）变量选取与数据处理

1.投入产出指标的选取与数据处理。

基于上述理论，选取以下指标（见表1）纳入分析框架。以中国30个省市区（不含西藏自治区和港澳台地区）2008-2017年的数据为研究样本。数据来源于历年的《中国统计年鉴》《中国能源统计年鉴》《中国劳动统计年鉴》《中国科技统计年鉴》《中国环境统计年鉴》和国家统计局数据库及各省市区历年统计年鉴。

其中，物质资本存量和人力资本存量的估算方法分别参考了张军和章元（2003）、彭国华（2007）的相关研究[20，21];采用肖宏伟（2013）的方法[22]，将电力和热能作为中间投入纳入碳排放测算范围，通过折算标准煤衡量能源消耗总量。

2.影响因素变量的选取。

对于绿色全要素生产率、技术进步和技术效率的影响因素，结合现有研究选取以下变量：

（1）经济基础（GDP）。采用人均GDP代表经济基础。人均GDP反映了居民的生活水平和地区经济状况，与之对应的是居民的消费水平和习惯，关系到物质资本累计、人力资本流动和能源消耗。

（2）资本深化（K/L）。采用物质资本存量和人力资本存量的比值（资本劳动比）反映资本深化程度。在劳动密集型企业向资本密集型企业转换的过程中，通常伴随着大量的資本投入和严重的污染排放，对技术水平提出更高的要求，促使技术进步影响绿色全要素生产率，这一转换过程可以表现为资本深化程度。

（3）研发人员与经费投入（R&D）。增加R&D投入能够有效提高要素利用效率及污染治理水平，节约资源和治理成本，是推动绿色全要素生产率提高的重要力量。

（4）外商投资（FDI）。选取外商直接投资（FDI）代表外商投资。一方面，外资带来大量资金、技术、人才，对本地企业的管理水平和生产效率产生重大影响，本地企业通过模仿具有优势的投资企业，与其技术、管理人员交流合作，不断创新并提高自身的技术水平，促进绿色全要素生产率的提高;另一方面，“污染天堂”假说认为外资进入伴随着污染的转移，增加了本地区的污染排放和环境治理成本，导致绿色全要素生产率降低。

（5）能源消费结构（str）。选取煤炭消耗占总能耗的比重代表能源消费结构。CO2和SO2作为非期望产出，主要产生于煤炭化石能源消耗的过程中，目前煤炭仍是中国的基础能源和主要能源，但新能源和清洁能源正在不断被开发和普及，能源消费结构同时影响着资源投入的水平和非期望产出的水平，必然对绿色全要素生产率产生影响。

（6）环境管制（inv）。选取工业污染治理完成投资额代表环境管制强度。“波特假说”提出环境管制将促进企业提升技术创新能力。当环境监管力度加大时，在原有技术水平下，企业将因无法达到监管要求而难以维持正常的生产活动，被迫引进先进技术并改善生产流程，促进技术进步。另一方面，环境管制也可能阻碍企业技术创新能力的提高，企业为适应新的环境管制强度，花费额外的资本和人力投入节能减排项目，无形中增加了管理成本，对企业技术创新产生不利的影响，从而抑制绿色全要素生产率的提高。

（7）环保意识（en）。采用6岁以上人口中高中学历以上人口占比来衡量环保意识，作为环境管制强度的补充指标。环保意识的普遍提高在居民的消费观念和消费方式上有所体现，企业必须持续进行以绿色环保为主题的技术创新活动，研发环保产品，开辟新市场，提高竞争力以满足不断变化的社会需求，这种绿色经济发展方式能够更好地协调经济发展与能源、环境之间的矛盾，促进绿色全要素生产率的提高。

（二）ML指数测度结果分析

应用MAXDEA软件，通过非径向非角度的SBM方向性距离函数，计算得到规模报酬不变（CRS）下的ML指数及其分解得到的技术进步（TC）和技术效率改善（EC）。

从表2数据可以看出，2008-2017年全国平均ML指数累计变动1.311，即绿色全要素生产率累积增长了31.1%，同时技术进步累计增长56.6%，技术效率下降16.3%，样本期间内绿色全要素生产率的增长主要归功于技术进步，与国家坚持科技创新、实施创新驱动发展战略息息相关。分地区看，各地区的绿色全要素生产率均呈现增长的趋势，存在技术进步和技术效率下降的特点。从东、中、西部地区的数据来看，东部较发达地区的绿色全要素生产率增长速度明显高于其他地区，技术进步累计增长率高达79.8%，技术发展的地域优势明显，中部和西部地区的技术进步增长速度不如东部地区，但仍有40%以上的较高水平。绿色全要素生产率的增长趋势大致呈现“东高西低”的局面，与张金灿和仲伟周（2015）运用随机前沿法得出的结论相同[23]。

从各省份的数据来看，绿色全要素生产率和经济发展状况息息相关，北京、上海、江苏、浙江等经济发展较好的省份，其绿色全要素生产率增长较快;样本期间内几乎所有省份的绿色全要素生产率的增长均依靠技术进步拉动，李婧等（2013）和王兵等（2008）给出了相同结论[24，25]，但颜鹏飞和王兵（2004）的实证结果表明1978-2001年中国各省份的全要素生产率主要由技术效率的增长带动，而技术进步放缓导致1997年之后全要素生产率的增长出现递减的趋势。忽略环境管制和能源消耗将导致全要素生产率被高估，近年来我国对科技创新的重视程度大大提高，技术进步发展迅猛，极大促进了生产前沿的扩张。在所有省份中，北京、上海和天津的技术效率经常处于生产前沿，只有山西和甘肃的绿色全要素生产率累积略有下降。

四、绿色全要素生产率的影响因素及其空间特征

（一）ML指数空间自相关性检验

分别采用四种空间权重矩阵计算Morans I指数对ML指数进行空间自相关性检验，结果如表3所示。整体来看，ML指数具有显著的空间自相关性，经济矩阵、距离矩阵及0-1邻接矩阵的检验结果相差较大，故本文在多种权重矩阵下对空间面板模型进行拟合分析。

（二）绿色全要素生产率的影响因素分析

从空间因素的设定来看，LM和LR统计量的比较结果支持选取SAR模型，Hausman 统计量显著（显著性水平为5%），因此采用固定效应模型。分别对空间固定效应、时间固定效应以及空间时间双向固定效应下的空间滞后模型进行拟合，发现在空间固定效应下，模型的拟合度更优，结果见表4。

四种空间权重矩阵下，ML指数的空间滞后项（W*dep.var.）系数均在1%的显著性水平下通过检验，ML指数具有稳健的空间自相关性，某地区的绿色全要素生产率提高将对地理邻接及经济属性相似的地区产生积极影响。0-1邻接矩阵和距离矩阵下ML指数的空间自相关系数较大，相比经济因素，地理因素更显著地促进了绿色全要素生产率的增长，经济属性相似的地区亦存在示范效应。

利用点估计结果解释各因素的影响并检验空间溢出效应有失偏颇。利用偏微分方法将系数估计值（总效应）分解为直接效应和间接效应（空间溢出效应），直接效应指本地区对本地区的影响，间接效应指本地区（周边地区）对周边地区（本地区）的影响，结果如表5所示。

资本深化的直接效应和间接效应在四种权重矩阵下显著为正，其对提升本地区和鄰接地区的绿色全要素生产率具有显著的促进作用。随着经济转型升级和资本市场快速发展，劳动密集型企业的弊端逐渐显现，资本深化意味着资源投入的增加和污染的加剧，但资本密集型企业对资金和技术的依赖大大超过了对其他要素的依赖，技术进步在很大程度上抵消了技术效率下降的影响，与王兵等（2010）、王钺和刘秉镰（2017）的研究结论一致[27，28]。

仅在0-1邻接矩阵下，R&D投入对绿色全要素生产率的增长具有显著正向的直接和间接影响，R&D投入对提升绿色全要素生产率的促进作用主要通过地理邻近接壤渠道实现。增加本区域研发投入将推动技术进步，带动本区域与邻接地区绿色全要素生产率的提升，对于经济属性相似或距离较远的地区，空间溢出效应不明显。

外商投资与绿色全要素生产率正相关，具有稳健性。外商投资促进了污染治理及清洁技术的推广引进，改善本地区的环境质量，促进绿色全要素生产率的增长。

在0-1邻接矩阵和距离矩阵下，环境管制强度对绿色全要素生产率增长的直接效应为负，间接效应不显著。本区域污染控制政策仅对本区域的绿色全要素生产率增长有负向影响，对邻接地区的作用不明显。原因在于环境污染严重阻碍绿色全要素生产率的增长，地方政府已颁布相关环境法规并加强环境管制，环境管制力度越强，当地实际的环境污染越严重，在考虑非期望产出测算绿色全要素生产率时则偏低。而本区域加强环境管制对邻接地区没有起到辐射或示范作用，空间溢出效应不显著，邻接地区将根据自身污染情况制定合理的环境管制政策。

经济基础、环保意识及能源消费结构对绿色全要素生产率增长的正面作用在模型中没有得到充分显现。

（三）技术进步与技术效率改善的影响因素分析

表6和表7分别为四种权重矩阵下技术进步和技术效率改善的模型估计结果。仅在0-1邻接矩阵下，技术效率改善的空间滞后项系数通过了显著性检验，且技术进步的空间滞后项系数在0-1邻接矩阵和距离矩阵下通过了显著性检验，某地区的技术效率改善仅对邻接地区产生溢出效应，对距离较远或经济属性相似地区的溢出效应不显著，邻近接壤是溢出的唯一途径。0-1邻接权重或是距离权重均与地理位置相关，技术效率改善和技術进步主要通过地理溢出对邻接地区产生影响。

0-1邻接矩阵下各变量对技术进步和技术效率改善的直接效应和间接效应，结果如表8所示。

资本深化对技术进步的直接和间接效应均显著为正，能够有效促进本区域和邻接地区的技术进步。发展资本密集型企业需要大量技术设备和资金，且资本密集型产业在规模经济下凭借资金优势加强自主创新，加大对研发和创新活动的资金投入，引进国外先进技术，加速企业技术进步。对技术效率改善效果不显著，提高技术效率不能片面追求资本密集型产业的发展，要注重资本密集型技术和劳动密集型技术的并存与结合，实现复合技术的发展，促进技术效率提高。

能源消费结构对技术进步和技术效率改善的直接和间接作用均显著为负。长期以来中国形成了以煤炭为主的低效能源消费结构，与高投入、高消耗、高排放的粗放型生产模式，对技术进步和技术效率改善具有显著的抑制作用。

研发投入的增加推动了本区域技术进步和技术效率改善，随着中国国内知识产权保护制度的完善及自主创新意识的普及，技术和知识产权的溢出渠道减少，R&D投入对技术进步和技术效率改善的溢出效应不显著;相反，张先锋等（2010）认为R&D投入对本区域全要素生产率的影响较小，而地理溢出效应显著[10]。

外商投资促进了技术进步和技术效率改善，对邻接地区的技术进步存在显著的正向溢出效应，但对技术效率改善的溢出效应不显著。FDI的引入往往伴随着先进技术和管理经验，能够有效提高当地的自主创新能力，同时先进的技术和相关管理经验可能会通过人员流动和经验复制传播到其他地区，促进邻接地区技术进步，但核心技术仍受到外资保护和封锁，对周边地区技术效率改善的影响不显著。外资进入虽然增加了污染排放，就目前中国的经济发展状况来看，“污染天堂假说”没有得到验证，与汪锋和解晋（2015）的观点不一致[29]。

环境管制对技术进步和技术效率改善的直接和间接效应均显著为正，“波特假说”在中国得到验证，适当的环境管制将刺激企业创新，促进技术进步，提高企业的技术效率和生产力，抵消了环保费用增加造成的消极影响。

五、结论与建议

本文基于中国省域面板数据，运用非径向、非角度的SBM方向性距离函数和 ML 指数在考虑能源投入和非期望产出的条件下测度绿色全要素生产率增长，通过构建空间面板模型研究绿色全要素生产率、技术进步和技术效率改善的影响因素及空间特征，主要结论如下：

中国的绿色全要素生产率在2008-2017年呈上升趋势，主要由技术进步拉动，技术效率普遍下降。东部地区绿色全要素生产率增长和技术进步明显高于其他地区，中部和西部地区省份增长较慢，北京、上海、浙江、江苏等经济较发达省份的绿色全要素生产率增长和技术进步较快，整体呈现“东高西低”的局面。

地理邻接是各变量对绿色全要素生产率、技术进步和技术效率改善产生空间溢出效应的主要因素。经济因素能够在一定程度上促进绿色全要素生产率的提高但其空间溢出效应不显著，邻接地区的带头示范作用和辐射能力尤为重要。

仅考虑地理因素的影响下，各变量对绿色全要素生产率及技术进步和技术效率改善的直接效应和空间溢出效应呈现出不同的作用机制。资本深化有助于提升绿色全要素生产率和技术进步，并对邻接地区产生正向的溢出效应;增加R&D投入能够有效提高技术进步和技术效率，对绿色全要素生产率产生正向影响，受传播渠道限制，其溢出效应并不显著;外商投资引进的先进技术和管理经验推动了本区域技术进步和技术效率改善，对邻接地区的影响并不明显;环境管制能够促使企业进行技术创新，提高生产效率，降低污染治理成本，从而促进技术进步和技术效率改善并辐射邻接地区，验证了的“波特假说”的猜想。以煤炭为主的低效能源结构将抑制技术进步和技术效率改善并对邻接地区产生负向的溢出效应。

为提高中国绿色全要素生产率、促进技术进步和技术效率改善，实现区域协调发展，提出相关政策建议如下：

（1）削减煤炭消费总量，升级能源消费结构。减少以煤炭为代表的化石能源消耗，将开发充足、稳定、绿色、低污染的新能源作为中国能源转型的主攻方向，大力发展太阳能、风能、核能等新能源和可再生能源，优化能源消费结构，提高能源利用效率;大力推广天然气作为新型燃料在居民日常生活以及工业生产等领域的应用，从改变居民的生活方式入手，从根本上改善能源消费结构，推进生态文明建设。

（2）执行合理的环保政策，确定适当的环境管制强度。在积极倡导绿色消费，推进生态文明建设的同时，结合实际因地制宜地修订动态的、差异化的环境管制标准，激励企业进行自主创新活动，加大对节能环保技术的研发及对高能效产品的投资，持续不断地推动技术进步和促进技术效率改善。选择合理的环境管制形式，根据区域特点灵活利用环境税收、排污收费、污染罚款等各种管制手段。

（3）扩大全社会研发投入，提升科技水平。创新是引领发展的第一动力，加大全社会研发投入是促进技术进步、实现创新驱动发展的必然要求。研发投入的持续扩大将提升自主创新能力，促进新旧动能加速转换和产业结构转型升级，增强经济发展内生动力，推动经济高质量发展。增加科技创新事业的投入，重视科技型、创新型人才的培养，鼓励企业进行自主创新活动并给予相应的扶持和奖励，建立合理的机制引导技术人才的流动。

（4）提高引进外资质量，坚持引进先进技术和消化、吸收、创新相结合。外资的进入势必会带来先进的技术和生产、管理模式，但重复或盲目地引进技术并不能有效地促进技术进步。从长远的目标来看，应有针对性的选择高质量、高效益、低污染的外资企业，在引进、消化、吸收先进技术的同时，强调自主创新能力的提升，努力形成具有自主知识产权的新技术。外资进入环境管制严格的区域将导致环境成本提高，应注意改善外资在国内的发展环境，通过提供优惠政策激励企业开发绿色生产技术，将符合标准的优质外资引入劳动力充足的行业领域，既可维持较高的环境管制强度，也有利于调动优质外资进入的积极性。同时进行严格的管控，对不符合环保政策的外资企业处以警告或罚款，促使企业进行清洁技术创新，适应当地的环境管制标准。

参考文献：

[1] 罗斯·特里尔.习近平复兴中国：历史使命与大国战略[M].美国时代出版公司，2016.

[2] 朱文涛，吕成锐，顾乃华.OFDI、逆向技术溢出对绿色全要素生产率的影响研究[J].中国人口·资源与环境.2019（9）：63-73.

[3] 孙付华，李申达，龚茗菲，等.异质性企业对外投资行为如何影响中国绿色经济增长·[J].产业经济研究，2019（5）：65-76.

[4] 杜龙政，赵云辉，陶克涛，等.环境规制、治理转型对绿色竞争力提升的复合效应——基于中国工业的经验证据[J].经济研究，2019（10）：106-120.

[5] 李鹏升，陈艳莹.环境规制、企业议价能力和绿色全要素生产率[J].财贸经济，2019（11）：144-160.

[6] 伍格致，游达明.环境规制对技术创新与绿色全要素生产率的影响机制：基于财政分权的调节作用[J].管理工程学报，2019（1）：37-50.

[7] 任阳军，汪传旭，李伯棠，等.产业集聚对中国绿色全要素生产率的影响[J].系统工程，2019（5）：31-40.

[8] 刘赢时，田银华，罗迎.产业结构升级、能源效率与绿色全要素生产率[J].财经理论与实践，2018（1）：118-126.

[9] 张帆.金融发展影响绿色全要素生产率的理论和实证研究[J].中国软科学，2017（9）：154-167.

[10]张先锋，丁亚娟，王红.中国区域全要素生产率的影响因素分析——基于地理溢出效应的视角[J].经济地理，2010（12）：1955-1960.

[11]周璇，陶长琪.环境规制、要素集聚与全要素生产率的门槛效应研究[J].当代财经，2015（1）：10-22.

[12]刘华军，李超，彭莹，等.中国绿色全要素生产率增长的空间不平衡及其成因解析[J].财经理论与实践，2018（5）：116-121.

[13]肖远飞，吴允.财政分权、环境规制与绿色全要素生產率——基于动态空间杜宾模型的实证分析[J].华东经济管理，2019（11）：15-23.

[14]Fre R， Grosskopf S， Pasurka C A. Environmental production functions and environmental directional distance functions[J]. Energy，2007，32（7）：1055-1066.

[15]陈黎明，王文平，王斌.“两横三纵”城市化地区的经济效率、环境效率和生态效率——基于混合方向性距离函数和合图法的实证分析[J].中国软科学，2015（2）：96-109.

[16]刘华军，李超，彭莹.中国绿色全要素生产率的地区差距及区域协同提升研究[J].中国人口科学，2018（4）：30-41.

[17]Tone K. A slacks-based measure of efficiency in data envelopment analysis[J]. European Journal of Operational Research，2001，130（3）：498-509.

[18]Chung Y H， Fre R， Grosskopf S. Productivity and undesirable outputs：
A directional distance function approach[J]. Journal of Environmental Management，1997，51（3）：229-240.

[19]王守坤.空间计量模型中权重矩阵的类型与选择[J].经济数学，2013（3）：57-63.

[20]张军，章元.对中国资本存量K的再估计[J].经济研究，2003（7）：35-43.

[21]彭国华.我国地区全要素生产率与人力资本构成[J].中国工业经济，2007（2）：54-61.

[22]肖宏伟.中国碳排放测算方法研究[J].阅江学刊，2013（5）：48-57.

[23]张金灿，仲伟周.基于随机前沿的我国省域碳排放效率和全要素生产率研究[J].软科学，2015（6）：105-109.

[24]李婧，朱承亮，安立仁.中国经济低碳转型绩效的历史变迁与地区差异[J].中国软科学，2013（5）：167-182.

[25]王兵，吴延瑞，颜鹏飞.环境管制与全要素生产率增长：APEC的实证研究[J].经济研究，2008（5）：19-32.

[26]颜鹏飞，王兵.技术效率、技术进步与生产率增长：基于DEA的实证分析[J].经济研究，2004（12）：55-65.

[27]王兵，吴延瑞，颜鹏飞.中国区域环境效率与环境全要素生产率增长[J].经济研究，2010（5）：95-109.

[28]王钺，刘秉镰.创新要素的流动为何如此重要·——基于全要素生产率的视角[J].中国软科学，2017（8）：91-101.

[29]汪锋，解晋.中国分省绿色全要素生产率增长率研究[J].中国人口科学，2015（2）：53-62.

（责任编辑：钟 瑶）

Influencing Factors and Spatial Characteristics of Green Total Factor Productivity in China

CHEN  Liming，  WANG Junhao，ZHAO Wanru， CAI  Leying

（College of Finance and Statistics， Hunan University， Changsha，Hunan 410079， China）

Abstract：The non-radial， non-angle SBM directional distance function and ML index are used to incorporate indicators reflecting environmental pollution and energy consumption into the framework used to analyze productivity. We have measured ML index which can be decomposed into technological progress and technological efficiency changes and green total factor productivity （GTFP） of 30 provinces in 2008-2017. Spatial econometric model is used to explore the influencing factors and spatial characteristics of green total factor productivity. The results show that China"s national average GTFP increased by 31.1% between 2008 and 2017 and it is mainly due to technological progress; the GTFP of all regions shows an increasing trend， and there are characteristics of technical efficiency decline and technological progress. Geographic proximity is the main factor leading to the spatial spillover effect. The direct effects and spatial spillover effects of various variables on GTFP， technological progress and technological efficiency improvement are different. The factors， such as R&D， FDI， and environmental regulation have significant effects on the growth of GTFP.

Key words：green total factor productivity （GTFP）; ML index; influencing factors; spatial characteristics

作者簡介：
陈黎明（1974—），男，湖南隆回人，博士，湖南大学金融与统计学院副教授，硕士生导师，研究方向：宏观经济统计。