EN中文

经济地理 >

2021 , Vol. 41 >Issue 4: 100 - 107

DOI: https://doi.org/10.15957/j.cnki.jjdl.2021.04.013

产业经济与创新发展

省域环境全要素生产率时空差异及其影响因素

  • 赵娜 , 1, 2 ,
  • 李光勤 , ※ ,
  • 何建宁 4
展开
  • 1.西安外国语大学 人文社会科学研究中心，中国陕西 西安 710128
  • 2.西安外国语大学 经济金融学院，中国陕西 西安 710128
  • 3.安徽财经大学 国际经济贸易学院，中国安徽 蚌埠 233030
  • 4.自然资源部第一地理信息制图院，中国陕西 西安 710054
※李光勤（1979—），男，四川泸县人，博士，副教授，硕士生导师，研究方向为环境经济。E-mail：

赵娜（1980—），女，陕西渭南人，博士，副教授，硕士生导师，研究方向为财税政策与环境污染。E-mail：

收稿日期: 2020-05-27

  网络出版日期: 2025-04-25

基金资助

教育部人文社会科学研究青年基金项目(18YJC790229)

陕西省软科学一般项目(2021KRM067)

陕西省哲学社会科学重大理论与现实问题研究项目(2021ND0313)

西安外国语大学2018年“青年优秀人才支持计划”

收起

Spatial-temporal Differences of Environmental Total Factor Productivity and Its Influencing Factors in China

  • ZHAO Na , 1, 2 ,
  • LI Guangqin , ※ ,
  • HE Jianning 4
Expand
  • 1. Research Center for Humanities and Social Sciences，Xi'an International Studies University，Xi'an 710128，Shaanxi，China
  • 2. School of Economics and Finance，Xi'an International Studies University，Xi'an 710128，Shaanxi，China
  • 3. School of International Trade and Economics，Anhui University of Finance and Economics，Bengbu 233030，Anhui，China
  • 4. The First Geographic Information Mapping Institute of the Ministry of Natural Resources，Xi'an 710054，Shaanxi，China

Received date: 2020-05-27

  Online published: 2025-04-25

Fold

摘要

运用非径向、非角度的SBM方向性距离函数和Malmquist-Luenberger指数估算我国30个省域2001—2018年的环境全要素生产率，在此基础上从时间和空间两个维度分析其演变特征。结果表明：中国环境全要素生产率主要受到技术效率的拉动并在样本期内以0.8%的速度增长，技术进步没有改善。西部地区环境全要素生产率一直落后于东部和中部地区，2012年之前，东部地区环境全要素生产率位居前列，2012年之后，东部和中部地区环境全要素生产率交替领先其他地区。省域间环境全要素生产率差距不断缩小，截至2018年已有29个省域环境全要素生产率处于较高水平。进一步分析其影响因素发现：产业结构对环境全要素生产率存在负向影响，外商直接投资、财政分权，以及研发投入对环境全要素生产率有着显著的促进作用。

关键词： 环境全要素生产率; 产业结构; 外商直接投资; SBM方向性距离函数; Malmquist-Luenberger指数

本文引用格式

赵娜 , 李光勤 , 何建宁 . 省域环境全要素生产率时空差异及其影响因素[J]. 经济地理, 2021 , 41(4) : 100 -107 . DOI: 10.15957/j.cnki.jjdl.2021.04.013

Abstract

In this paper,the non-radial and non-angular SBM directional distance function and Malmquist-Luenberger index are used to estimate the environmental total factor productivity (ETFP) in 30 provinces of China from 2001 to 2018. On this basis,its development characteristics are analyzed from spatial and temporal dimensions. The results show that China's ETFP is mainly driven by technical efficiency. And it grows at a rate of 0.8% during the sample period. However,the technological progress has not improved. The ETFP of the western region has been lagging behind the eastern and central regions. Before 2012, the ETFP of the eastern region was in the lead. After 2012,the ETFP of the eastern and central regions alternately got ahead of other regions. The gap of ETFP between provinces has been narrowing. There are 29 provinces with higher ETFP by the end of 2018. Further analysis of the influencing factors of ETFP shows that: Industrial structure has a negative impact on ETFP,foreign direct investment,fiscal decentralization,and R&D investment has a significant role in promoting ETFP.

Key words： environmental total factor productivity; industrial structure; foreign direct investment; SBM; ML index

改革开放40多年来，中国经济取得了举世瞩目的成就。据《2018年全球竞争力报告》统计数据显示，中国的全球竞争力指数为72.6，位居28位，在新兴经济体金砖国家中保持领先地位 ① 。然而，环境问题日益突出，很多新型污染物质已经开始逐渐渗透到人们的生活中，而且有些污染物质的污染周期较长，不但损害了当代人的身体健康，甚至会对下一代健康产生威胁。根据2016年《中国环境统计年鉴》统计，2000—2015年，工业废气排放总量从138 145亿m3增加到685 190亿m3，增长率高达396%，由此可见中国的环境状况不容乐观，并已逐渐成为影响我国经济可持续发展的一块短板。党的十九届五中全会提出“十四五”时期主要经济社会发展的目标之一是主要污染物排放总量持续减少，生态环境持续改善 ① 。《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议》提出坚持创新、协调、绿色、开放、共享的新发展理念是“十四五”时期经济社会发展必须遵循的原则之一，由此可见准确把握环境全要素生产率的演化规律及其影响因素显得极为紧要和迫切。将污染排放这一“非期望产出”纳入全要素生产率测算框架，对中国2001—2018年的环境全要素生产率进行测算，进而对其增长的时空演变特征以及背后的影响因素进行实证考察，不但有利于对我国环境全要素生产率发展现状有所了解，而且对于全面把握整体和地区间环境全要素生产率的时空演变特征和影响因素，进而制定差异化的区域发展政策，实现中国各地区经济增长与资源节约、环境保护协调发展具有非常重要的理论价值和现实意义。
传统的全要素生产率测算仅仅考虑了经济发展过程中所产生的“好”产出，但却忽视了环境资源的约束，比较容易导致测算的偏差。随着世界环境污染的日益恶化，越来越多学者在分析全要素生产率时考虑生产过程中的“坏”产出。国外学者Chung等较早将期望产出和污染排放的非期望产出纳入生产过程中[1]。Kumar将CO2作为“坏产出”，测算了1971—1992年世界41个发达和发展中国家的环境全要素生产率[2]。也有学者从行业角度出发，考察了环境全要素生产率，如Zaim、Sueyoshi等[3-4]。
国内学者较多利用Malmquist-Luenberger（ML）指数测算环境全要素生产率。杨俊等将环境污染作为“坏”产出，估算了我国各地区工业全要素生产率，指出“坏”产出约束下我国工业全要素生产率偏低[5]。赵萌考虑了环境污染及矿难“坏”产出，测算了我国1998—2009年30家大型煤炭企业的全要素生产率，研究发现，“坏”产出约束下大多数企业的全要素生产率出现了负增长[6]。肖攀等将SO2作为“坏”产出，运用方向距离函数计算了我国286个地级市生产率指数，研究结果表明：环境全要素生产率、技术效率和技术进步均有所增长[7]。李小胜等发现人均收入、经济发展水平、对外开放水平及技术进步均是影响环境全要素生产率的主要因素[8]。王冰等以我国中部地区80个地级市为例，运用ML指数估算了2003—2015年的城市环境全要素生产率，研究发现：环境全要素生产率和技术进步逐年增加，而技术效率则逐年减少[9]。少数学者采用SFA方法测算全要素生产率，如余泳泽、李春米等[10-11]。综上可以看出已有文献存在以下三个问题：①现有研究多关注环境全要素生产率的测算，但对环境全要素生产率的时空演化规律分析较少，部分研究表明，环境全要素生产率具有空间相关性，但并没有反映省域之间的空间特征；②部分学者仅将一种污染物作为非期望产出，由于工业废水和工业SO2主要来自于生产活动，因此忽略其中一个非期望产出而估算的全要素生产率有可能是有偏的；③分析环境全要素生产率影响因素的文献较多使用普通面板模型，然而环境全要素生产率介于0和1.1之间，具有截断特征，故而普通面板模型会出现参数估计的偏差。鉴于此，本文同时将工业废水和工业废气作为“坏产出”，运用非径向、非角度的SBM方向性距离函数和Malmquist-Luenberger指数估算我国30个省、自治区和直辖市的环境全要素生产率，并对其时序变化和空间差异进行分析，同时运用Tobit回归模型分析其影响因素，以期为实现美丽中国建设目标提供更加可靠的经验参考依据。

1 数据来源与研究方法

1.1 研究方法

径向的、角度的DEA模型存在以下缺陷：高估评价对象的效率，由于忽视投入或产出的一方面而带来测算结果的不准确。因此借鉴Färe等的研究[12]，本文采用一般化的非径向、非角度的SBM方向性距离函数测度ML指数。
构造一个既包含“好”产出，又包含“坏”产出的生产可能性集，即环境技术，假设在每一个时期 t = 1 , ⋯ , I每一个省域 i = 1 , ⋯ , I使用N种要素投入 x = x 1 , ⋯ , x n ∈ R N +，生产出M种“好”产出 y = y 1 , ⋯ , y m ∈ R m +和P种“坏”产出 b = b 1 , ⋯ , b p ∈ R p +，因此t期i省域的投入向量x所带来的期望产出组合为（y，b），运用数据包络分析（DEA）方法，构建的环境技术模型化为：
P t x t = y t , b t : ∑ i = 1 I λ i t y i m t ≥ y i m t , ∀ m ; ∑ i = 1 I λ i t b i p t ≥ b i p t , ∀ p ; ∑ i = 1 I λ i t x i n t ≥ x i n t , ∀ n ; ∑ i = 1 I λ i t = 1 , λ i t ≥ 0 , ∀ i
式中： λ i t代表每个横截面观测值的权重，根据可变规模报酬（VRS）的约束条件，还需要满足 ∑ i = 1 I λ i t = 1且 λ i t ≥ 0 , ∀ i。

1.1.1 SBM方向性距离函数

依据Fukuyama等的研究成果[13]，本文提出考虑环境约束的SBM方向性距离函数为：
D t → x t i ' , y t i ' , b t i ' , g x , g y g , g y b = m a x s n x , s m y , s p b 1 2 1 N ∑ n = 1 N s n x g n x + 1 M + P ∑ m = 1 M s m y g m x + ∑ p = 1 P s p b g p b s . t .         ∑ i = 1 I λ i t x i n t + s n x = x i n t , ∀ n ; ∑ i = 1 I λ i t y i m t - s m b = y i m t , ∀ m ; ∑ i = 1 I λ i t b i p t - s p b = b i p t , ∀ p ; ∑ i = 1 I λ i t = 1 , λ i t ≥ 0 , ∀ i ; ∑ i = 1 I s n x ≥ 0 , ∀ n ; ∑ i = 1 I s m y ≥ 0 = 1 , ∀ m ; ∑ i = 1 I s p y ≥ 0 , ∀ p
式中： x t i ' , y t i ' , b t i '表示省区 i '的投入向量和产出向量； g x , g y , g b分别代表投入减少，好产出增加，坏产出降低的方向向量； s x , s y , s b代表松弛向量，且 s x , s y , s b中向量均为正，意味着实际投入和坏产出大于边界的投入和坏产出，而好产出则小于边界产出，故而， s x 、 s y 、 s b依次代表投入过多、坏产出过度而好产出过少的量。

1.1.2 Malmquist-Luenberge生产率指标

根据Chung等的研究[1]，构造t期和t+1期之间的Malmquist-Luenberger指数计算中国各城市环境全要素生产率，表示为：
M L t t + 1 = 1 + D 0 t → x t , y t , b t , g t 1 + D 0 t → x t + 1 , y t + 1 , b t + 1 , g t · 1 + D 0 t + 1 → x t , y t , b t , g t 1 + D 0 t + 1 → x t + 1 , y t + 1 , b t + 1 , g t 1 2
当 M L t t + 1 > 1时，表示生产过程中期望产出较多，而非期望产出较少，该省区的ETFP是上升的， M L t t + 1 < 1则代表ETFP是减少的， M L t t + 1 = 1则代表ETFP不变。ML指数可以分解为技术效率指数（EFF）和技术进步指数（TECH）：
E F F t t + 1 = D 0 t → x t , y t , b t , g t D 0 t + 1 → x t + 1 , y t + 1 , b t + 1 , g t
T E C H t t + 1 = D 0 t + 1 → x t , y t , b t , g t D 0 t → x t + 1 , y t + 1 , b t + 1 , g t · D 0 t + 1 → x t + 1 , y t + 1 , b t + 1 , g t + 1 D 0 t + 1 → x t + 1 , y t + 1 , b t + 1 , g t 1 2
E F F t t + 1大于（小于）1意味着技术效率是造成环境全要素生产率上升（下降）的原因， T E C H t t + 1大于（小于）1代表技术进步是造成环境全要素生产率上升（下降）的源泉。

1.2 指标选取与数据来源

考虑到数据的可得性，以我国2000—2018年30个省、自治区、直辖市（不含港澳台及西藏）的相关数据作为样本，分析我国环境全要素生产率发展水平及其时空演变过程，具体的投入产出指标如下：
①好产出。采用30个省区GDP衡量，为了剔除通货膨胀因素，以2000年为基期进行调整。
②坏产出。坏产出的选择比较多样化。如一般采用环境污染排放物来衡量，由于工业废水和工业废气主要来自于生产活动，鉴于数据的可得性，本文选择工业废水排放总量和工业废气排放总量作为坏产出指标。
③劳动投入。本文采用各省域总就业人数作为劳动投入量指标。
④资本投入。借鉴张军等[14]采用通用的永续盘存法估算。计算公式如下： K i t = I i t + 1 - δ i t K i t - 1，其中Kit、Kit-1分别为第i省域第t、t-1年的资本存量， I i t为第i省域在t年不变价固定资产投资额， δ为其折旧率，借鉴单豪杰[15]，采用10.96%。实际固定资产投资额以2000年为基期进行折算。
⑤能源投入。能源是国家经济发展中不可或缺的投入要素之一，故而有必要将能源作为一种投入要素，采用各地区能源消耗量表示。
以上数据分别来自于2001—2019年《中国统计年鉴》《中国环境统计年鉴》和《中国劳动统计年鉴》。

2 中国省域环境全要素生产率的时空演变

2.1 中国省域环境全要素生产率的时空演变

根据公式（1）~（5），运用Matlab软件，测算我国30个省域2001—2018年的环境全要素生产率、技术进步及技术效率 ① ，并将2001—2018年各地区环境全要素生产率、技术进步及技术效率取平均值进行对比分析，见表1。可以看出，2001—2018年中国各省域环境全要素生产率年均增长0.8%，技术进步年均退步-0.01%，技术效率年均增长0.9%，由此可以看出技术效率是各省域环境全要素生产率增长的主要因素，技术进步并没有起到应有的提升环境全要素生产率的作用。
表1 2001—2018年中国省级环境全要素生产率指数及其分解

Tab.1 Environmental Total Factor Productivity Index and its decomposition in China from 2001 to 2018

省区 技术进步指数 技术效率指数 环境全要素生产率
北京 1.008 1.050 1.057
天津 1.000 1.034 1.033
河北 1.000 1.001 1.001
山西 1.006 1.008 1.014
内蒙古 0.988 1.021 1.010
辽宁 1.002 1.003 1.005
吉林 0.997 1.013 1.010
黑龙江 1.013 1.004 1.017
上海 1.001 1.055 1.056
江苏 1.000 1.002 1.002
浙江 1.003 1.003 1.006
安徽 0.995 1.013 1.007
福建 1.004 1.003 1.007
江西 0.998 0.987 0.985
山东 1.000 1.004 1.004
河南 1.004 1.005 1.009
湖北 1.001 1.006 1.006
湖南 0.996 0.986 0.982
广东 1.000 1.000 1.000
广西 1.000 1.000 1.000
海南 1.000 1.034 1.034
重庆 0.993 1.007 1.000
四川 1.000 1.000 1.001
贵州 1.004 1.015 1.020
云南 1.000 1.000 1.000
陕西 1.000 0.964 0.964
甘肃 1.000 1.001 1.001
青海 0.999 1.002 1.001
宁夏 0.989 1.017 1.006
新疆 0.981 1.032 1.013
平均值 0.999 1.009 1.008
东部平均 1.002 1.017 1.019
中部平均 1.001 1.003 1.004
西部平均 0.996 1.005 1.000
分省域来看，整个样本期内除江西（-1.5%）、湖南（-1.8%）、陕西（-3.6%）等省域环境全要素生产率出现下降之外，其他省域的环境全要素生产率均呈现不同程度的增长。其中，陕西环境全要素生产率的年均增长率最低（-3.6%），江西环境全要素生产率较低的原因主要是技术效率年均增长率偏低（-1.3%）和技术进步年均增长率退步（-0.2%）的双重作用。湖南与江西类似，也是因为技术效率年均增长率偏低（-1.4%）和技术进步年均增长率退步（-0.4%）的双重作用。陕西环境全要素生产率偏低的原因主要是技术效率年均增长率的下降（-3.6%）。在环境全要素生产率呈现增长的省域中，内蒙古、吉林、安徽、重庆、青海、宁夏的技术进步年均增长率均呈现下降趋势，分别为-1.2%、-0.3%、-0.5%、 -0.7%、-0.1%、-1.1%。这意味着技术进步对这几个省区的环境全要素生产率增长的贡献作用较弱，今后应充分挖掘技术进步的潜力以促进环境全要素生产率增长。从区域层面来看，整个样本期内东部地区的环境全要素生产率年均增长率最高（1.9%），要高于全国总体的年均增长率（0.8%），中部地区增长率呈现上升趋势（0.4%），而西部地区环境全要素生产率没有增长。中部地区上升的原因分别是技术效率增长率（0.3%）和技术进步增长率（0.1%）分别呈现上升趋势，西部地区没有增长的原因主要是技术进步增长率（-0.4%）呈现下降趋势。
样本期内，环境全要素生产率最大的前3个省域分别是北京、上海和海南（年均增长5.7%、5.6%和3.4%），最小的后3个省域分别是湖南、江西和陕西（年均负增长1.80%、1.5%和3.6%）。这充分表明我国西部和中部地区环境全要素生产率偏低，资源和技术并没有被完全利用，环境全要素生产率被提升的可能性较大。此外，还可以发现：大部分省域的技术效率变化指数大于技术进步变化指数（黑龙江、福建、江西、湖南、陕西除外），技术效率是大部分省域环境全要素生产率增长的主要源泉。这意味着各省区提高技术效率的同时应该在技术进步上下功夫。

2.2 省域环境全要素生产率时间差异分析

根据2001—2018年中国环境全要素生产率测算结果，绘制全国及三大区域环境全要素生产率时间演化趋势（图1）。从中可以看出：全国及三大地区环境全要素生产率呈周期性波动。东部地区平均环境全要素生产率均大于1（除了2008和2011年外），并且在2012年前始终高于全国、中部和西部地区，但2012、2015和 2016年短暂落后于中部地区。2003—2008年中部地区环境全要素生产率落后于东、西部地区，2009年反超西部地区，甚至在2015—2018年处于领先地位。2013—2018年西部地区落后于东、中部地区。各个地区技术效率和技术变化亦呈现周期性波动趋势，东部地区技术效率在多数年份处于领先地位，2001—2008年中部地区水平最低，2011—2019年西部地区水平最低。同时，东部地区技术进步变化优势依然显著，2003—2010以及2013—2015年均处于领先地位，中部地区2016—2018年处于领先地位，西部地区多数年份落后于东部或中部地区。
图1 2001—2018年环境全要素生产率及其分解指标的演变趋势

Fig.1 Development trend of environmental total factor productivity and its decomposition index from 2001 to 2018

2.3 省域环境全要素生产率空间差异分析

采用ArcGIS10.5的自然断裂法将各省域环境全要素生产率（ETFP）划分为ETFP>1.1（高效率）、1<ETFP<1.1（较高效率）、0.9<ETFP<1（较低效率）及ETFP<0.9（低效率）4个等级，选择间隔时间相等的代表性年份2000—2001、2005—2006、2011—2012、2017—2018年，绘制环境全要素生产率空间分布地图（图2）。
图2 2001—2018年中国环境全要素生产率空间分布图

Fig.2 Spatial distribution of environmental total factor productivity in China from 2001 to 2018

从图2a可以看出。2000—2001年所有地区的环境全要素生产率均处于1.1以下，较高效率区域包括北京等15个省区，东部沿海大多数地区的环境全要素生产率低于1，西部的内蒙古和陕西及中部的江西和湖南环境全要素生产率属于低效率区域。这一时期，内蒙古等省区作为国家能源基地建设逐步展开，使得这些省区的环境污染开始恶化，进而促使环境全要素生产率较低；由于东部沿海地区经济发展速度较快，带来的环境问题不断恶化，导致这些省域的环境全要素生产率并不高；虽然湖南和江西2省并没有成为环境恶化的区域，但整体经济水平较低，其环境全要素生产率也并不高。
5年之后（图2b），北京市的环境全要素生产率仍处于高效率区域，只有贵州、新疆等5个省区的环境全要素生产率高于1，其他除了重庆处于较低效率区域之外，有23个省区环境全要素生产率为低效率区域。可以看出，中国工业化进展越快的省区，其环境全要素生产率相对更低一些，如中东部大片区域环境全要素生产率低于1。
2011—2012年（图2c），没有一个省区的环境全要素生产率处于高效率区域，但有9个省区的环境全要素生产率水平高于1，处于低效率的区域有一定的减少，但是中东部仍然有大片区域处于较低效率区域，仅有陕西的环境全要素生产率低于0.9，属于较低效率区域。这一时期，受金融危机之后的经济复苏影响，中东部地区开始抓住机遇扩大出口，由此带来环境恶化，使得这些省区的环境全要素生产率处于较低效率水平；重庆、四川、青海、内蒙古、山西、河北、北京、天津、山东和福建等省区的环境质量开始有一定的好转，其环境全要素生产率处于较高效率水平。
2017—2018（图2d）各个省区的环境全要素生产率全面提升，除海南省处于高效率区域，其余29个省域处于较高效率区域。这一时期，经历了2013年最为严重的雾霾污染之后，各省区均开始对环境问题高度重视，纷纷出台各种环境污染防治措施；特别是一些省域之间开始建立起联防联控机制，区域间的环境扩散问题逐步得到解决，使得环境全要素生产率全面提升。
综上可以看出，2000—2018年我国环境全要素生产率总体呈现上升趋势，高效率区域较少，较高效率区域呈现逐年增加的趋势。

3 环境全要素生产率影响因素分析

3.1 变量选择

在借鉴前期学者研究的基础上，选择的影响因素如下：
①产业结构（stru）。当地区的产业结构由高能耗高污染的第二产业为主转向低污染高产出的第三产业为主时，地区环境污染水平会下降，因而地区环境全要素生产率水平会随着产业结构升级而提升。
②外商直接投资（fdi）。一方面，如果地区引进的外资多为高科技、低能耗的，那么会带来资本、技术和先进的管理经验等，进而促进地区经济增长，改善环境污染，进而促使地区环境全要素生产率的提升；另一方面，如果地区引进的外资大多为高污染、高能耗的，那么会使得生态环境趋于恶化，降低地区环境全要素生产率。
③财政分权（fd）。一方面，财政分权会促使各地方政府偏向于促进经济增长的基础设施建设支出，而减少对科技、教育、环境保护等的投入，这会弱化微观主体创新激励，不利于技术创新[16]；另一方面，财政分权下税收分成的增加导致技术进步的边际生产率的提升，进而激励企业扩大研发投入，这有利于技术进步[17]。
④研发投入（rd）。研发投入的增加有利于企业技术创新，促进新技术的开发，使企业采用清洁生产技术成为可能，从而减少地区环境污染，带来环境全要素生产率的提升。
⑤经济发展水平（pgdp）以及经济发展水平的平方（pgdp2）。EKC假说认为环境污染与经济增长呈现倒U型关系。因此将经济发展水平分解为一次项和二次项来考察经济发展水平对环境全要素生产率的影响。

3.2 模型构建

鉴于本文测算的环境全要素生产率主要位于0.9~1.1之间，普通最小二乘回归方法估计可能会带来结果的有偏，故选取面板Tobit回归模型分析环境全要素生产率的影响因素，构建的模型如下：
m l i , t = α i , t + β 1 s t r u i , t + β 2 f d i i , t + β 3 f d i , t + β 4 r d i , t + β 5 p g d p i , t + β 6 p g d p i , t 2 + u i , t
式中：i和t分别表示省份和时间； α i , t和 u i , t分别是截距项和随机扰动项； β 1 ~ β 6均为各变量系数。

3.3 结果分析

在分析过程中，本文采用逐步回归法，相关的结果见表2。从中可以看出：似然比检验表明在1%的显著性水平下应拒绝混合Tobit模型的原假设，故而表2模型（1）~（6）所列的回归结果均基于随机效应模型。由此可以看出：产业结构（stru）的估计系数为负且在10%的统计水平下显著。这意味着第二产业对环境全要素生产率起着负向抑制作用。其原因是：一方面，我国第二产业依然较多使用传统生产方式，没有较好地推进能源集约利用和治污技术的改进，进而带来环境全要素生产率的降低；另一方面，产业结构调整过程中，各地方政府基于本地经济增长的压力，会开展与其他地方政府要素竞争，带来资源错配、加剧环境污染，进而抑制了环境全要素生产率水平的提升。外商直接投资（fdi）系数显示为正，且通过了10%的显著性水平。可能的解释为：外商直接投资为企业带来了更成熟和更先进的技术，对我国企业产生了示范效应和技术溢出效应，这有利于企业管理水平和技术创新水平的提高。财政分权（fd）的回归系数在1%水平下显著为正，表明财政分权有利于环境全要素生产率的提升。原因可能在于：财政分权赋予地方政府较大的财政自主权，致使省域政府偏向于外部性较小的基础设施建设投资，而减少对外部性较高的教育、卫生、环保等财政支出，阻碍了省域绿色发展，但是基础设施作为技术和知识扩散的载体，能够实现企业的技术进步，从而通过提高劳动、资本等各生产要素的配置效率，促进环境全要素生产率的提升[18]。研发投入（rd）回归系数均显著为正，由此揭示了研发投入的增加对环境全要素生产率的提升具有促进作用。可能的解释是：增加R&D经费支出，促使其改进传统工艺，进而提升了企业的生产技术，有利于环境全要素生产率的提升。经济发展水平（pgdp）的一次项和二次项系数分别为负和正，但不显著，这意味着环境全要素生产率的增长并不支持环境库兹涅茨曲线的假说。
表2 环境全要素生产率影响因素回归结果

Tab.2 Regression results of influencing factors of Environmental Total Factor Productivity

模型（1） 模型（2） 模型（3） 模型（4） 模型（5） 模型（6）
stru -0.029*（0.085） -0.029***（0.001） -0.033***（0.000） -0.028***（0.000） -0.027***（0.002） -0.024***（0.002）
fdi -0.000*（0.094） 0.003*（0.085） 0.002（0.156） 0.002*（0.056） 0.002*（0.072）
fd 0.098***（0.000） 0.092***（0.000） 0.059***（0.001） 0.068***（0.001）
rd 0.005***（0.006） 0.005***（0.006） 0.005***（0.008）
pgdp 0.005*（0.091） -0.032（0.395）
pgdp2 0.002（0.322）
常数项 0.120***（0.000） 0.120***（0.000） 0.164***（0.000） 0.173***（0.000） 0.110**（0.019） 0.287（0.121）
σu 0.012***（0.000） 0.012***（0.000） 0.008***（0.000） 0.008***（0.000） 0.008***（0.000） 0.007***（0.000）
σe 0.024***（0.000） 0.024***（0.000） 0.023***（0.000） 0.022***（0.000） 0.022***（0.000） 0.022***（0.000）
样本量 540 540 540 540 540 540
Wald检验 11.01*** 10.99*** 103.38*** 113.91*** 118.54*** 120.88***

注：***、**和*分别表示在1%、5%和10%的水平下显著，括号内数据为各统计量的p值。

4 结论与政策建议

本文选取2000—2018年面板数据，基于DEASBM模型估算了2001—2018年我国30个省、自治区、直辖市的环境全要素生产率，并分析了其时空差异及影响因素，主要结论如下：①样本期内，各省域环境全要素生产率年均增长0.8%，这主要来自于技术效率；除江西、湖南和陕西外，其他27个省域均呈现出明显的技术效率上升，内蒙古、安徽、湖南等9个省域陷入技术进步下降的局面。省域之间环境全要素生产率存在很大的差异性，东部地区年均增长率最高，而中西部地区均呈现下降趋势；环境全要素生产率增长率排名前三的省份为东部的北京、上海和海南，排名后三位的省份为湖南、江西和陕西。②从时间差异来看，全国及三大区域环境全要素生产率呈波浪式上升趋势。2012年之前，东部地区环境全要素生产率位居前列，而2015—2018年中部地区环境全要素生产率处于领先地位。③从空间差异来看，环境全要素生产率呈现总体上升趋势，较高效率省域逐渐由2001年的15个省域增加到2018年的29个省域，处于环境全要素生产率高效率的省域很少，大部分省域位于较高效率区域。④从影响因素来看，产业结构对环境全要素生产率存在显著的抑制作用，外商直接投资、财政分权，以及研发投入均有利于环境全要素生产率水平的提高，此外环境全要素生产率的增长并不支持环境库兹涅茨曲线的假说。
基于以上结论，本文提出以下政策建议：①应继续加强对企业的技术研发支持，例如地方政府应适时加大对基础研发投入，以带动企业研发投入增加，从而起到促进地区技术进步的作用，最终扭转技术进步减缓的趋势以促进环境全要素生产率的提高。②有针对性地破解部分地区环境全要素生产率低下的难题，对内蒙古、安徽、江西等9个省区加强挖掘其技术进步潜力，而江西、湖南和陕西这3个省域要提高资本和劳动的利用效率进而改善其技术效率，以促进环境全要素生产率的提升。③中部和西部地区应重视人力资本投入，创新人才培养机制，提高劳动者文化素质和技能水平，以推动技术效率水平改善，同时应出台相关政策加大对环保生产技术的引进与开发，从而带动本地区及全国前沿技术的进步。④加快产业结构调整，政府应以“创新驱动发展战略”为基准，将节能环保产业、高端装备制造业等与传统产业进一步融合，支持各类产业园区的建设，进一步加快地区产业的转型升级速度。⑤应鼓励各省域积极吸引外资，但在引资的过程中应制定相应的政策，吸引外资流向先进制造业、新兴产业、高新技术、节能环保等领域。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Chung Y H, R Färe, S Grosskopf. Productivity and undesirable outputs:a directional distance function approach[J]. Journal of Environmental Management, 1997, 51(3):229-240.

[2]
Kumar S. Environmentally sensitive productivity growth:a global analysis using Malmquist-Luenberger index[J]. Ecological Economics, 2006, 56(2):280-293.

[3]
Zaim O. Measuring environmental performance of state manufacturing through changes in pollution intensities:a DEA framework[J]. Ecological Economics, 2004, 48(1):37-47.

[4]
Sueyoshi T, M Goto. DEA radial measurement for environmental assessment:A comparative study between Japanese chemical and pharmaceutical firms[J]. Applied Energy, 2014,115:502-513.

[5]
杨俊, 邵汉华. 环境约束下的中国工业增长状况研究——基于Malmquist-Luenberger指数的实证分析[J]. 数量经济技术经济研究, 2009, 26(9):64-78.

[6]
赵萌. 中国煤炭企业的全要素生产率增长[J]. 统计研究, 2011, 28(8):55-62.

[7]
肖攀, 李连友, 唐李伟, 等. 中国城市环境全要素生产率及其影响因素分析[J]. 管理学报, 2013, 10(11):1681-1689.

[8]
李小胜, 余芝雅, 安庆贤. 中国省际环境全要素生产率及其影响因素分析[J]. 中国人口·资源与环境, 2014, 24(10):17-23.

[9]
王冰, 程婷. 我国中部城市环境全要素生产率的时空演变——基于Malmquist-Luenberger生产率指数分解方法[J]. 长江流域资源与环境, 2019, 28(1):48-59.

[10]
余泳泽. 中国省际全要素生产率动态空间收敛性研究[J]. 世界经济, 2015, 38(10):30-55.

[11]
李春米, 毕超. 中国西部地区环境全要素生产率增长研究[J] 兰州大学学报:社会科学版, 2015, 43(4):48-59.

[12]
Färe R, S Grosskopf, C A Pasurka Jr. Environmental production functions and environmental directional distance functions[J]. Energy, 2007, 32(7):1055-1066.

[13]
Fukuyama H, Weber William L. Output slacks-adjusted cost efficiency and value-Based technical efficiency in DEA Models (Operations Research for Performance Evaluation)[J]. Journal of the Operations Research Society of Japan, 2009, 52(2):86-104.

[14]
张军, 吴桂英, 张吉鹏. 中国省际物质资本存量估算:1952—2000[J]. 经济研究, 2004(10):35-44.

[15]
单豪杰. 中国资本存量K的再估算:1952-2006年[J]. 数量经济技术经济研究, 2008, 25(10):17-31.

[16]
吴延兵. 财政分权促进技术创新吗?[J]. 当代经济科学, 2019, 41(3):13-25.

[17]
台航, 张凯强, 孙瑞. 财政分权与企业创新激励[J]. 经济科学, 2018(1):52-68.

[18]
杨世迪, 韩先锋, 宋文飞. 对外直接投资影响了中国绿色全要素生产率吗[J]. 山西财经大学学报, 2017, 39(4):14-26.

Options
文章导航

/

〈 〉