EN中文

经济地理 >

2025 , Vol. 45 >Issue 7: 23 - 34

DOI: https://doi.org/10.15957/j.cnki.jjdl.2025.07.003

区域经济与理论方法

中国绿色经济发展对工业产能利用率的提升效用

  • 肖青竹 ,
  • 王立国 , ※
展开
  • 东北财经大学 投资工程管理学院，中国辽宁 大连 116025
※王立国（1957—），男，博士，教授，博士生导师，研究方向为投资经济与工程项目管理。E-mail：

肖青竹（1991—），女，博士，研究方向为绿色经济发展与产业经济。E-mail：

收稿日期: 2024-05-14

  修回日期: 2025-01-18

  网络出版日期: 2025-08-28

基金资助

国家社会科学基金重大项目(19ZDA099)

收起

Enhancing Industrial Capacity Utilization through Green Economic Development in China: Evidence from a Spatial Panel Model

  • XIAO Qingzhu ,
  • WANG Liguo , ※
Expand
  • School of Investment and Construction Management，Dongbei University of Finance and Economics，Dalian 116025，Liaoning，China

Received date: 2024-05-14

  Revised date: 2025-01-18

  Online published: 2025-08-28

Fold

摘要

文章在明晰发展绿色经济必要性的基础上，首先运用非期望产出的SBM模型衡量绿色经济发展，采用复合网络DEA模型衡量工业产能利用率并进行供给侧与需求侧的分解；然后，运用基于邻接矩阵、逆距离矩阵与经济地理嵌套矩阵的空间面板模型评价绿色经济发展对工业产能利用率的空间效应，并通过供给侧与需求侧进行机制分析；最后，分东部、中部和西部地区进行了区域异质性讨论。研究发现：①绿色经济发展能够通过集聚效应提升本地区工业产能利用率，通过扩散效应提升邻近地区工业产能利用率，有利于突破“胡焕庸线”对经济地理格局的束缚。②绿色经济发展对工业产能利用率的促进作用在供给侧主要表现为直接效应，在需求侧主要表现为溢出效应。③区域经济发展呈现显著的非均衡态势，而绿色经济有助于促进区域协调发展。

关键词： 绿色经济发展; 工业产能利用率; 空间面板模型; 空间效应; 供给侧; 需求侧

本文引用格式

肖青竹 , 王立国 . 中国绿色经济发展对工业产能利用率的提升效用[J]. 经济地理, 2025 , 45(7) : 23 -34 . DOI: 10.15957/j.cnki.jjdl.2025.07.003

Abstract

Establishing the imperative for green economic development, this study first quantifies green economic performance using a non-radial SBM model incorporating undesirable outputs. Concurrently,industrial capacity utilization is measured via a composite network DEA model, with decomposition into supply-side and demand-side components. Thereafter, employing spatial panel methodologies grounded in adjacency, inverse distance, and nested economic-geographic weight matrices, evaluated are the spatial spillover effects of green economic advancement upon industrial capacity utilization. Mechanism analysis is conducted through both supply-side and demand-side channels. Finally, regional heterogeneity is examined through separate analyses of eastern, central, and western China. The empirical results indicate: 1) Green economic development not only elevates local industrial capacity utilization via agglomeration effects, but also enhances utilization in neighboring regions through diffusion effects, thereby mitigating the constraining influence of the "Hu Huanyong Line" on economic geography. 2) The promotion effect of green economy development on industrial capacity utilization is mainly manifested as direct effects on the supply-side and spillover effects on the demand-side. 3) Despite significant regional economic disparities, green economic development contributes to fostering greater regional coordination.

Key words： green economic development; industrial capacity utilization; spatial panel model; spatial effects; supply-side; demand-side

当今世界正经历百年未有之大变局，地缘重构与逆全球化浪潮对中国经济运行效率产生深远影响。2008年的全球金融危机暴露出传统增长模式的缺陷，加速了国际社会对绿色经济发展模式的探索。2012年的“里约+20”峰会重申了经济、社会和环境三者紧密结合的发展目标，并锚定绿色经济作为实现这一目标的重要途径。面对外部环境和内生增长双重压力，中国将绿色经济作为新的培育点，契合了高质量发展的需求。
党的二十大报告指出，“推动经济社会发展绿色化、低碳化是实现高质量发展的关键环节”。绿色经济发展以资源效率提升、技术创新驱动与绿色政策构建为内核，推动经济向低碳、可持续方向转型。传统重工业发展依赖于高能耗、高污染产业，与绿色经济发展目标相悖，引发了环境负外部性与产能利用率持续走低的双重困境。2021年12月，国家发展改革委、工业和信息化部印发《关于振作工业经济运行 推动工业高质量发展的实施方案》，强调要加快工业优质产能充分释放，提高工业企业的产品供给质量，进一步彰显了新发展阶段持续推进产能优化的重要意义。2023年1月，国务院发布的《新时代的中国绿色发展》白皮书指出要积极部署高耗能、高污染行业产能减量置换策略，并重点倡导绿色空间格局构建等实践。可见，以生态承载力为刚性约束条件，进行更高层次的产能重新配置与优化升级，是绿色经济发展的系统性结果。
现有相关研究多聚焦环境规制、绿色技术创新、绿色金融改革等政策工具对工业产能利用率的影响[1-2]，宏观视角的影响研究仍存空白，尤其是绿色经济发展如何通过空间效应驱动产能优化尚未被充分解构。鉴于此，本文首先采用非期望产出的SBM模型衡量绿色经济发展，并借鉴Tone[3]、Wei等[4]提出的复合网络DEA模型将供给侧与需求侧要素纳入统一的估算框架测度并分解工业产能利用率；然后运用基于邻接矩阵、逆距离矩阵与经济地理嵌套矩阵的空间面板模型探究绿色经济发展对工业产能利用率的空间效应，并通过供给侧和需求侧进行机制分析；最后，分东部、中部和西部地区分析绿色经济发展对工业产能利用率影响的区域特征。

1 文献综述与研究假设

新古典框架下，传统增长遵循索洛模型的资本积累范式，受边际收益递减规律约束，盲目扩张加剧了产能利用率下行[5]。企业过度投资的深层症结在于政府干预与市场失灵的双重影响，“有形之手”与“无形之手”构成了中国工业产能利用率低迷的根源。
从“政府失灵”的角度出发，地方政府出于对财政目标和政治晋升的追求，通过干预土地、劳动力和银行信贷等资源分配的方式，向企业提供政府补贴与税收优惠，导致投资过热和资源非有效配置，加剧了工业产能利用率的下降[6]。随着经济绿色化转型，地方政府行为逐步优化，通过将绿色因素纳入政绩考核体系，地方政府的竞争模式由以GDP主导的“逐底竞争”向以可持续发展为目标的“逐顶竞争”转变。在此过程中，中央环保监督制度推动地方政府强化环境规制的执行，加速高污染企业的市场出清，为工业行业创造更优的发展环境[7]。而同步推进的绿色信贷政策则通过引导资金从高耗能、高污染的重工业流向绿色产业，促进了产业结构升级与工业产能利用率的提升[2]。
从“市场失灵”的角度出发，在经济繁荣期，企业对外部前景持有乐观态度，而信息不对称与市场机制不完善会加剧这种乐观情绪，导致投资的“潮涌现象”[8]。当经济由盛转衰时，企业未能及时调整生产规模，早期扩张的产能无法适应市场需求变化，进而造成产能利用率降低。林毅夫等[8]进一步指出，随着建厂成本增加，“潮涌现象”会随之缓解，因此适度增加企业的生产成本对提振工业产能利用率具有正向作用。一方面，绿色经济发展通过发挥“遵循成本效应”，将产能过剩行业造成的环境污染、资源浪费等外部成本内部化，抑制了企业过度投资[9]；另一方面，绿色经济发展通过发挥“创新补偿效应”，激励企业提高科研创新水平和产品质量，使其在市场竞争中获得优势，进而提升工业产能利用率[10]。据此，本文提出研究假设1。
假设1：绿色经济发展能够有效逆转政府和市场因素对工业产能利用率的负面影响。
绿色经济发展不仅促进本地区工业产能利用率提升，还对邻近地区工业产能利用率有积极影响。绿色经济发展通过减少污染物排放对工业产能利用率产生正向的空间效应。环境污染具有较强的空间依赖性[11]，本地区排放的污染物通过空间迁移机制，对邻近地区的环境质量产生影响。孙博文等[12]的研究表明，环境污染是工业产能过剩的次生效应，工业发展越粗放的地区，产能过剩与环境污染现象越严重。绿色经济发展以资源节约和环境友好为导向，通过本地减排与空间溢出改善区域环境质量，倒逼工业企业进行技术革新，最终实现跨地区污染协同治理与工业产能利用率提升。
绿色经济发展通过地区间的产业联动对工业产能利用率产生正向的空间效应。首先，发展绿色经济能够推动生产要素向具备绿色产业优势、创新能力强的“核心”地区集聚。依据集聚经济理论，要素的空间集聚能够显著降低企业运营成本并提高经济绩效[13]。因此，绿色经济发展对“核心”地区的工业产能利用率具有提升作用。其次，绿色经济发展通过对“边缘”地区的辐射带动作用，对工业产能利用率产生正向溢出效应。根据Grossman等[14]的技术扩散理论，当“核心”地区的资源和技术达到饱和状态后，会向“边缘”地区扩散，以寻找新的发展空间，带动邻近地区创新能力与经济发展质量提升。因此，绿色经济发展通过集聚效应提升本地区工业产能利用率，并且通过扩散效应提升邻近地区工业产能利用率，有助于突破“胡焕庸线”对经济地理格局的束缚。据此，本文提出研究假设2。
假设2：绿色经济发展对工业产能利用率的提升具有空间效应。
绿色经济发展通过重塑供给侧与需求侧的均衡关系，促进了供给结构优化和有效需求提升，提高了工业产能利用率。Nishitani等的研究[15]表明，企业对温室气体的排放管理能够提升环保产品的消费需求和生产技术的进步，带动供给侧与需求侧经济绩效提升。
从供给侧看，依托新古典经济学理论，绿色经济发展通过提高劳动力供给质量、优化投资结构和推动技术进步三方面推动工业产能利用率提升。首先，Graff Zivin等[16]的研究表明，环境污染会对劳动者的工作能力和生产效率产生负面影响，降低劳动力供给质量。而绿色经济发展能够显著改善环境状况，优化劳动者的工作环境和健康水平，提高劳动生产率，并促进工业产能利用率提升。其次，绿色经济发展引导投资向节能减排领域转移，不仅有助于改善企业的能源结构和提升能源利用效率，而且随着清洁能源的消费占比不断上升，企业显著降低治理污染的成本，增强自身盈利能力，进而提升其产能利用率[17]。最后，绿色技术进步还能推动产业结构向高附加值、低污染产业转型升级，有助于企业在全球价值链中的地位升级，进一步提高有效供给水平，对工业产能利用率具有积极意义[18]。
从需求侧看，扩大有效需求是提升工业产能利用率的关键途径。绿色经济作为一种新型的经济发展模式，可以催生新的消费需求与出口需求。在消费需求层面，绿色消费品在整个生命周期内展现出良好的环境效益[19]，并能够塑造新的消费偏好，企业若顺应这一发展趋势，积极推动绿色技术创新与产品升级，能够增强市场竞争力与盈利水平，实现工业产能利用率的稳步提升[15]。在出口需求层面，外需紧缩与贸易环境变化可能加剧产能利用率下降，但在全球加强环境治理、推动绿色经济发展的背景下，企业若能积极融入国际绿色产业链，将有助于拓展出口市场，增强国际竞争力[20]。在这一过程中，传统高耗能产业向绿色高效产业转型，部分低生产率企业被迫退出市场，市场份额将再分配给具备技术优势的企业，有助于提高整体生产效率和工业产能利用率。据此，本文提出研究假设3。
假设3：绿色经济发展通过供给侧与需求侧双重机制促进工业产能利用率提升。

2 核心变量测算与研究设计

2.1 核心变量测算

2.1.1 工业产能利用率

产能利用率是衡量工业高质量发展的重要指标。学术界越来越倾向于将供给侧与需求侧因素相结合，以综合评估产能利用率[21-22]。然而，当前的测算方法通常先测算供给侧，再将需求侧纳入整合，且需求侧采用供需比代替，忽视了供需两侧要素之间的相互作用和相互影响。鉴于此，本文构建整体分析框架综合测算包含供给侧与需求侧因素的产能利用率。
DEA法是一种非参数方法，由于无需设定先验的经济假设，也不受生产要素价格的扰动，测算结果更符合实际情况，已广泛应用于产能利用率的测算中[1-2,6]。本文借鉴Färe等对产能利用率测算的方法[23]，采用Wei等提出的复合网络DEA模型[4]（也称WYP模型）对供给侧与需求侧两阶段的投入和产出进行分析，测算最大潜在产出与工业产能利用率。
图1展示了工业企业供给侧与需求侧两阶段的复合网络生产过程。对于第 j个生产决策单元 D M U j， j = 1 , . . . , n，供给侧的初始投入变量为固定资本（ x j f）和劳动力（ x j v），中间变量为供给侧生产的工业产品总量，用工业总产值（ y j 1）表示，用于连接企业的生产和销售两个阶段。需求侧的额外投入变量（ z j）为销售管理费用，是企业为了促进产品销售必须进行的费用投入，最终产出变量（ y j 2）为销售总产值。为了反映企业先生产再销售的过程，对所有生产阶段的数据进行一期滞后处理。本文基于规模报酬可变的产出导向模型，对生产决策单元 D M U 0的工业产能利用率测算，以及供给侧与需求侧的分解过程如下。
图1 供给侧与需求侧的复合网络生产过程

Fig.1 The composite network production process based on supply-side and demand-side factors

依据Färe等的研究[23]，对技术有效条件下最大潜在产出的估计为：
Y * ( x 0 f , x 0 v , z 0 , y 0 1 , y 0 2 ) = m a x ∑ j = 1 n λ j y j 1 + ∑ j = 1 n μ j y j 2
依据Johansen对产能产出的定义[24]，在可变投入不受限制时，充分利用固定投入的产能产出估计为：
Y ^ * ( x 0 f , z 0 , y 0 1 , y 0 2 ) = m a x ∑ j = 1 n λ j y j 1 + ∑ j = 1 n μ j y j 2
式中：参数 λ j、 μ j分别表示企业供给侧与需求侧的强度向量，用来确定最佳可行性技术前沿面；约束条件 ∑ j = 1 n λ j = 1、 ∑ j = 1 n μ j = 1分别表示各阶段规模报酬可变； φ 1、 φ 2分别表示两个阶段的实际产出与最大潜在产出的放缩比例； Y * ( x 0 f , x 0 v , z 0 , y 0 1 , y 0 2 )与 Y ^ * ( x 0 f , z 0 , y 0 1 , y 0 2 )分别为式（1）和式（2）强度向量所确定的整体最大潜在产出。令 y 0 1 *和 y 0 2 *分别为式（1）中 ∑ j = 1 n λ j y j 1和 ∑ j = 1 n μ j y j 2的最优解，即供给侧与需求侧的最大潜在产出。同理令 y ^ 0 1 *和 y ^ 0 2 *分别为式（2）中 ∑ j = 1 n λ j y j 1和 ∑ j = 1 n μ j y j 2的最优解，即供给侧与需求侧的产能产出。
则供给侧产能利用率为：
C U s = y 0 1 * y ^ 0 1 *
需求侧产能利用率为：
C U d = y 0 2 * y ^ 0 2 *
供给和需求共同作用的整体产能利用率为：
C U = Y * ( x 0 f , x 0 v , z 0 , y 0 1 , y 0 2 ) Y ^ * ( x 0 f , z 0 , y 0 1 , y 0 2 )
本文首先测算了中国30个省、自治区、直辖市（以下简称“省份”，其中不含西藏和港澳台）的工业产能利用率，并将测算结果与国家统计局公布的数据进行对比，发现两者在数值以及波动趋势上具有较强的协同性，测算结果比较符合实际。然后，借助ArcGIS10.8软件将2001、2007、2014和2020年的工业产能利用率进行可视化处理并绘制其空间分布图（图2）。根据国际通行的评价标准[25]，产能利用率的合理区间为79%~83%，75%~79%为产能过剩，低于75%为产能严重过剩，产能充分利用的区间对应于83%~90%或更高的水平。通过观察图2中产能利用率随时间变化的空间分布特征，发现产能利用率呈现出在“胡焕庸线”两侧，东部地区较高，中部地区次之，西部地区较低的空间地理格局。随着时间的变化，东部与中部较高产能利用率地区未向西北地区形成辐射带动作用，而是进一步向东南地区集聚，加重了地区工业发展不均衡的态势。
图2 中国工业产能利用率的空间分布演变

注：基于自然资源部标准地图服务网站下载的审图号为GS（2024）0650号的标准地图制作，底图边界无修改。

Fig.2 Changing geography of industrial capacity utilization in China

2.1.2 绿色经济发展指标

绿色经济发展的测度方法主要分为两类。一类是绝对量测算法，如绿色GDP、绿色经济发展指数等，主要体现经济总量的增长，弱化了自然资源的约束极限，属于弱可持续性范畴。另一类是相对量测算法，如绿色经济效率，注重单位投入下实现更高的经济产出，同时降低资源消耗与环境污染，强调人造资本与自然资本之间不可相互替代，属于强可持续性范畴。本文考虑长期的经济发展质量，且相对量测算法可避免对绝对数值的依赖，增加了结果的稳定性，因此选择强可持续性范畴的相对量测算法来衡量绿色经济发展。
借鉴Tone提出的非期望产出的SBM模型对绿色经济发展进行测算[3]。SBM模型考虑了投入与产出变量的松弛性，具有非径向、非角度的特征，能够有效处理非期望产出的问题。为了全面评估经济发展中资源利用、环境污染以及经济增长的协调性，本文选取以下投入与产出指标：①投入指标为劳动力、资本、能源和水资源。其中，劳动力投入选取年末就业人员数指标；资本投入选取固定资本存量指标，核算方法综合借鉴张军、单豪杰等的永续盘存法[26-27]；能源投入与水资源投入分别选取能源消费总量和用水总量进行衡量。②产出指标分为期望产出与非期望产出。其中，期望产出选取实际GDP（经GDP平减指数平减）进行衡量，用以反映经济增长水平；非期望产出为了综合评估气候变暖与工业污染对生态环境的负面影响，借鉴赵领娣、Song等的研究[28-29]，分别将CO2排放量与通过熵权法测算的工业废弃物排放综合指数纳入测算模型。由于各省份的CO2排放量数据无法直接获取，本文借鉴《2006年IPCC国家温室气体清单指南》的方法进行测算[30]，计算公式如下：
C i t = ∑ j = 1 n E i j t ⋅ Q i j ⋅ C C i j ⋅ C R i j ⋅ ( 44 / 22 )
式中： C i t表示地区 i在第 t年的CO2排放量； E i j t表示地区 i在第 t年对第 j种能源的消费量； n为能源类别的总数目； Q i j表示第 j种能源的净发热值； C C i j表示第 j种能源的含碳量； C R i j表示第 j种能源的碳氧化率；44/22为CO2与碳的分子量比。本文分别考虑了包含煤炭、焦炭、原油、汽油、煤油、柴油、燃料油和天然气在内的8种化石能源，其CO2排放量的系数估算见表1。
表1 不同化石能源的CO2排放系数

Tab.1 CO₂ emission factors by fossil fuel type

能源类别 系数 能源类别 系数
煤炭 2.0189 煤油 3.1505
焦炭 3.0193 柴油 3.1849
原油 3.1020 燃料油 3.1256
汽油 3.0862 天然气 2.1004

2.2 研究设计

2.2.1 模型构建

前文分析表明，绿色经济发展与工业产能利用率可能具有空间依赖性。传统计量方法只关注两个变量的直接关系，而忽视其空间交互作用，导致回归结果有偏。因此，本文采用空间计量模型，通过构建空间权重矩阵的方式将空间效应纳入分析框架。常用的空间计量模型有空间滞后模型（SAR）和空间误差模型（SEM），表达式为：
Y i t = α 0 + ρ W Y i t + ∑ j = 1 n α j X i t j + ε i t ε i t ∼ N ( 0 , σ 2 I )
Y i t = α 0 + ∑ j = 1 n α j X i t j + ε i t ε i t = λ W ε i t + μ i t ， μ i t ∼ N ( 0 , σ 2 I )
式中： Y i t表示被解释变量； α 0为截距项； ρ、 λ分别为空间自回归系数与空间误差系数； W为空间权重矩阵； X i t j表示一系列解释变量； α j为解释变量系数； ε i t、 μ i t为随机误差项，且服从正态分布。
相对于空间滞后模型和空间误差模型而言，空间杜宾模型（SDM）可以同时捕捉解释变量与被解释变量的空间特征，更具一般性[31]。因此，本文采用空间面板杜宾模型，将解释变量与被解释变量的空间滞后算子纳入模型，进而控制空间依赖性对参数估计结果造成的扰动，模型设定为：
C U i t = α 0 + ρ W C U i t + β G E E i t + γ W G E E i t + ∑ j = 1 n ( α j X i t j + η j W X i t j ) + μ i + σ t + ε i t
式中： C U i t表示工业产能利用率； G E E i t表示绿色经济效率； β、 γ分别表示解释变量及其空间滞后项的待估参数； X i t j为控制变量； η j为控制变量空间滞后项的待估参数； μ i、 σ t分别为空间效应与时间效应；其余变量与式（7）（8）相同。

2.2.2 控制变量与数据来源

为了减少遗漏变量误差，本文借鉴刘帅、于斌斌等的研究[1,32]，控制了如下变量：①工业化程度（Ind），采用第二产业增加值占GDP的比重表示。②对外开放程度（Open），采用货物进出口总额占GDP的比重表示。③市场化程度（Mar），采用私营和个体企业就业人数占总就业人数的比重表示。④消费水平（Con），采用社会消费品零售总额的增速表示。⑤技术创新水平（Rd），采用研究与试验发展经费内部支出占GDP的比重表示。
本文数据主要来源于历年的《中国工业统计年鉴》《中国统计年鉴》《中国环境统计年鉴》《中国能源统计年鉴》、各省份统计年鉴和中经网，个别缺失值数据使用插值法进行补全。此外，由于估算固定资本存量的固定资产投资价格指数从2019年之后不再公布，本文借鉴清华大学中国经济思想与实践研究院（ACCEPT）宏观预测课题组[33]的方法，估算2020年固定资产投资价格指数。

3 实证分析

3.1 全局空间自相关检验

表2列出了2001—2020年中国各省份工业产能利用率与绿色经济效率的全局Moran's I指数，均通过了1%的显著性水平检验（除2020年以外），且z值均为正，表明变量存在显著的空间正相关性。两个指标的全局Moran's I指数呈现出不同的变化趋势，工业产能利用率的全局Moran's I指数呈上升趋势，表明工业产能利用率的空间集聚性不断增强，而绿色经济效率的全局Moran's I指数呈先上升后下降趋势，表明绿色经济发展水平的省际差异从逐步扩大转变为逐渐缩小，绿色经济发展正在变得更加普遍和均衡。
表2 2001—2020年中国工业产能利用率与绿色经济效率的全局Moran's I指数

Tab.2 Global Moran's I index of industrial capacity utilization and green economic efficiency, 2001-2020

年份 CU GEE
2001 0.389***（3.655） 0.284***（2.575）
2002 0.524***（4.719） 0.454***（4.026）
2003 0.553***（4.970） 0.462***（4.116）
2004 0.472***（4.243） 0.470***（4.176）
2005 0.512***（4.561） 0.458***（4.091）
2006 0.426***（3.829） 0.458***（4.088）
2007 0.386***（3.444） 0.449***（4.018）
2008 0.395***（3.559） 0.346***（3.213）
2009 0.403***（3.546） 0.321***（3.009）
2010 0.539***（4.648） 0.305***（2.876）
2011 0.622***（5.387） 0.251***（2.439）
2012 0.637***（5.474） 0.279***（2.656）
2013 0.658***（5.611） 0.254***（2.434）
2014 0.686***（5.826） 0.265***（2.526）
2015 0.685***（5.783） 0.269***（2.544）
2016 0.670***（5.670） 0.285***（2.661）
2017 0.705***（6.001） 0.273***（2.561）
2018 0.687***（5.895） 0.249***（2.376）
2019 0.658***（5.633） 0.246***（2.348）
2020 0.686***（5.846） 0.221**（2.148）

注：括号内为z值；*、**、***分别表示在10%、5%、1%水平上显著。表3同。

3.2 局部空间自相关检验

局部Moran's I指数可以反映各地区与周围地区间的空间差异度。局部Moran's I散点图的第一、二、三和四象限分别表示“高—高”“低—高”“低—低”和“高—低”集聚。本文选取2001、2007、2014和2020年4个时间截面的工业产能利用率与绿色经济效率的局部Moran's I散点图，分别展示在图3和图4。
图3 不同年份中国各省份工业产能利用率的局部Moran's I散点图

Fig.3 Local Moran's I scatter plots of industrial capacity utilization across Chinese provinces in selected years

图4 不同年份中国各省份绿色经济效率的局部Moran's I散点图

Fig.4 Local Moran's I scatter plots of green economic efficiency across Chinese provinces in selected years

从图3的集聚效果来看，大部分地区的工业产能利用率位于第一、三象限。其中，江苏、浙江、安徽、福建、江西、山东、湖南、广东、海南在4个年份中均表现为“高—高”集聚特征；内蒙古、辽宁、黑龙江、甘肃、青海、新疆在4个年份中均表现为“低—低”集聚特征；四川在4个年份中均表现为“高—低”集聚特征；云南分别在2001、2007和2014年表现为“低—高”集聚特征。以上现象表明，东南沿海地区由于资源集中、地理位置优越、基础设施完善等优势，容易形成产业集聚，规模效应有效降低了生产成本并提高生产效率，从而提升了工业产能利用率。而欠发达的西北地区由于资源分散、市场规模小，难以形成规模效应，工业产能利用率较低。2014和2020年的局部Moran's I散点图中数据点较2001和2007年更加集中于趋势线周围，表明各省份工业产能利用率的“高—高”和“低—低”集聚趋势加强，地区间的差异和不均衡性进一步扩大。
从图4的集聚效果来看，大部分地区的绿色经济效率位于第一、三象限。其中，上海、江苏、浙江、福建、广东在4个年份中均表现为“高—高”集聚特征；山西、内蒙古、黑龙江、河南、贵州、云南、陕西、甘肃、青海、宁夏、新疆在4个年份中均表现为“低—低”集聚特征；北京在4个年份中均表现为“高—低”集聚特征；广西分别在2007、2014和2020年表现为“低—高”集聚特征。以上现象表明，大多数省份的绿色经济效率集中在“低—低”集聚区，即绿色经济尚处于起步阶段，未形成全面的区域性提升。2014和2020年的局部Moran's I散点图的趋势线较2001年和2007年的倾斜度降低，且各省份在趋势线周围的分布相对分散，表明空间自相关性有所减弱，各省份绿色经济发展的差异有所缩小，反映了绿色经济在推动地区协调发展方面的潜力。

3.3 空间面板模型的检验与结果分析

本文遵循LeSage等的经验[34]，在开展空间回归分析之前，分别进行了LM（lag）、LM（erro）、LR、Wald检验，以判断空间计量模型的拟合程度。为了提高分析结果的准确性和可靠性，本文分别采用邻接矩阵（W1）、逆距离矩阵（W2）和经济地理嵌套矩阵（W3）三类空间权重矩阵进行检验（表略）。结果显示，在三类空间权重矩阵设定下，LM（lag）、LM（erro）及其稳健性检验结果均在1%统计水平上显著拒绝原假设，表明应采用同时考虑了空间滞后性与空间误差自相关性的空间杜宾模型；LR和Wald的检验结果均在1%的统计水平上显著拒绝原假设，进一步表明空间杜宾模型不能退化为空间滞后模型或空间误差模型；Hausman检验结果表明固定效应优于随机效应。因此，本文采用时间固定效应的空间面板杜宾模型进行回归分析。
本文在采用空间杜宾模型进行回归分析时辅以空间滞后模型作为比对，并基于三类空间权重矩阵，验证模型的稳健性。表3分别汇报了空间杜宾模型，即模型（1）（3）（5），与空间滞后模型，即模型（2）（4）（6）的估计结果。工业产能利用率的空间滞后项系数ρ均在1%的统计水平上显著为正，表明存在显著的空间依赖性，即本地区工业产能利用率较高（较低）时，邻近地区工业产能利用率也倾向于较高（较低）。根据新经济地理假说，资本、人才和技术等要素会自发地向工业化“核心”地区迁入，在规模经济与积累效应的作用下，逐渐形成集聚经济的空间地理格局[13]，这种集聚效应在工业产能利用率上得到充分体现。此外，绿色经济效率的系数均在1%的统计水平上显著为正，表明绿色经济发展对工业产能利用率具有显著的提升作用。绿色经济发展注重高效、环保的生产方式，促进企业资源的有效配置，并且绿色技术具有“创新补偿”效应，鼓励企业推进科技创新，从而提升工业产能利用率。
表3 空间面板模型的估计结果

Tab.3 The estimation results of the spatial panel model

解释变量 （1）
CU（SDM）基于W1		 （2）
CU（SAR）基于W1		 （3）
CU（SDM）基于W2		 （4）
CU（SAR）基于W2		 （5）
CU（SDM）基于W3		 （6）
CU（SAR）基于W3
GEE 0.230***（0.040） 0.248***（0.039） 0.375***（0.042） 0.429***（0.042） 0.368***（0.042） 0.433***（0.043）
Ind 0.658***（0.052） 0.474***（0.051） 0.461***（0.058） 0.435***（0.059） 0.498***（0.057） 0.475***（0.060）
Open -0.112***（0.021） -0.064***（0.022） -0.155***（0.026） -0.090***（0.025） -0.146***（0.026） -0.089***（0.026）
Mar -0.047（0.042） -0.087***（0.044） -0.084*（0.048） -0.092*（0.051） -0.069（0.047） -0.079（0.052）
Con 0.288***（0.085） 0.310***（0.096） 0.341***（0.104） 0.449***（0.110） 0.352***（0.103） 0.454***（0.113）
Rd 2.790***（0.434） 0.372（0.410） 1.031**（0.499） -1.003**（0.460） 1.585***（0.500） -0.993**（0.474）
W·GEE 0.976***（0.071） 1.158***（0.103） 1.228***（0.103）
W·Ind 0.524***（0.110） 0.263*（0.153） 0.541***（0.164）
W·Open -0.367***（0.041） -0.226***（0.058） -0.285***（0.052）
W·Mar -0.204***（0.075） -0.318***（0.112） -0.239**（0.099）
W·Con 0.285*（0.156） 0.168（0.233） 0.157（0.264）
W·Rd 1.938**（0.843） -2.119*（1.134） -1.875*（0.985）
ρ 0.283***（0.047） 0.645***（0.034） 0.275***（0.064） 0.559***（0.051） 0.199***（0.068） 0.536***（0.054）

注：括号内为稳健的标准误；*、**、***分别表示在10%、5%、1%统计水平上显著。表4~表7同。

为了具体量化绿色经济发展对本地区与邻近地区工业产能利用率的影响程度，本文对空间杜宾模型进行偏微分处理，将总的空间效应分解为对本地区的直接效应，以及对邻近地区的间接效应，分解结果见表4。
表4 空间杜宾模型的直接效应、间接效应和总效应

Tab.4 The direct effect， indirect effect， and total effect of the spatial durbin model

效应变量 （7）
直接效应		 （8）
间接效应		 （9）
总效应		 （10）
直接效应		 （11）
间接效应		 （12）
总效应		 （13）
直接效应		 （14）
间接效应		 （15）
总效应
GEE 0.308***
（0.039）		 1.372***
（0.086）		 1.680***
（0.098）		 0.440***
（0.042）		 1.672***
（0.166）		 2.112***
（0.176）		 0.413***
（0.041）		 1.578***
（0.151）		 1.991***
（0.160）
Ind 0.708***
（0.050）		 0.934***
（0.142）		 1.642***
（0.160）		 0.478***
（0.056）		 0.514***
（0.198）		 0.992***
（0.214）		 0.517***
（0.057）		 0.771***
（0.198）		 1.287***
（0.216）
Open -0.140***
（0.021）		 -0.524***
（0.055）		 -0.664***
（0.062）		 -0.166***
（0.026）		 -0.354***
（0.079）		 -0.521***
（0.084）		 -0.155***
（0.025）		 -0.379***
（0.066）		 -0.533***
（0.072）
Mar -0.065
（0.040）		 -0.286***
（0.098）		 -0.352***
（0.107）		 -0.104**
（0.047）		 -0.453***
（0.161）		 -0.557***
（0.176）		 -0.081*
（0.045）		 -0.306**
（0.127）		 -0.387***
（0.137）
Con 0.316***
（0.084）		 0.476**
（0.192）		 0.793***
（0.222）		 0.356***
（0.103）		 0.337
（0.302）		 0.692**
（0.338）		 0.361***
（0.101）		 0.261
（0.307）		 0.623*
（0.335）
Rd 2.987***
（0.417）		 3.623***
（1.161）		 6.610***
（1.239）		 0.938**
（0.474）		 -2.414*
（1.419）		 -1.477
（1.435）		 1.531***
（0.480）		 -1.895*
（1.126）		 -0.364
（1.138）
权重矩阵 邻接矩阵 W 1 逆距离矩阵 W 2 经济地理嵌套矩阵 W 3
ρ 0.283***（0.047） 0.275***（0.064） 0.199***（0.068）
绿色经济发展对提升工业产能利用率的直接效应、间接效应均显著为正。由模型（7）（10）（13）的结果可知，绿色经济发展对工业产能利用率影响的直接效应在1%的统计水平上显著为正，表明发展绿色经济对本地区工业产能过剩具有抑制作用。传统要素驱动模式向绿色集约化转型进程中，环境标准与技术门槛的提高促使企业从盲目跟风投资转向绿色可持续的投资策略，通过技术革新与生产范式转型使企业更加注重资源高效利用与环境保护，有效提升了工业产能利用率。模型（8）（11）（14）的结果表示，绿色经济发展对工业产能利用率影响的间接效应在1%的统计水平上显著为正，表明发展绿色经济对邻近地区工业产能过剩具有抑制作用。绿色经济发展能够促进高级生产要素跨梯度流动，有助于实现技术溢出与资本扩散的双重效应，在强化“核心”与“边缘”地区产业协同过程中推动资源优化配置与可持续增长。值得注意的是，间接效应的系数值比直接效应的系数值大，表明邻近地区工业产能利用率的提升效用较本地区大，说明绿色经济发展能够加速优化工业发展的地理格局。模型（9）（12）（15）为总效应的估计结果，在1%的统计水平上显著为正，因此，绿色经济发展对提升工业产能利用率具有显著的空间溢出效应。

3.4 稳健性检验

为了确保模型估计结果的稳健性，在基准回归分析时已经采用空间滞后模型作为对比分析，并且基于三类空间权重矩阵验证模型的可靠性，得到的核心解释变量系数估计值的显著性高度一致，表明原结论具有较强的稳健性。此外，本文分别通过以下方式进行稳健性检验：①对样本进行缩尾处理。为了降低观测值中可能存在的极端值对估计结果的影响，将样本中低于第1个百分位和超过第99个百分位的值更换为相应的临界值进行稳健性检验，估计结果见表5的模型（1）~（3）。②剔除直辖市样本。考虑到直辖市在经济结构、政策环境和资源配置等方面与其他省份地区存在显著差异，可能导致回归结果出现偏差，因此，剔除了北京、天津、上海和重庆等直辖市样本进行稳健性检验，结果见模型（4）~（6）。③调整样本时间。2008年爆发的全球金融危机对世界经济产生了系统性影响，促使各国加速探索绿色经济发展路径。为了检验绿色经济发展在不同阶段对提升工业产能利用率的稳健性，本文以经济危机冲击时间为截断点，将样本分为危机发生前的2001—2007年，以及危机冲击后的2008—2020年，进行稳健性检验，结果分别见模型（7）~（9）、模型（10）~（12）。稳健性检验的结果表明，绿色经济发展对提升工业产能利用率的直接效应、间接效应和总效应均在1%的统计水平上显著为正，与前文结论保持一致，空间面板杜宾模型的回归分析及其效应分解的结论依然成立，因此，本文的研究结果具有较好的可靠性。
表5 稳健性检验结果

Tab.5 The results of robustness tests

模型 缩尾处理 剔除直辖市 2001—2007年 2008—2020年
（1） （2） （3） （4） （5） （6） （7） （8） （9） （10） （11） （12）
直接效应 0.300***
（0.039）		 0.433***
（0.042）		 0.407***
（0.041）		 0.270***
（0.049）		 0.283***
（0.048）		 0.243***
（0.047）		 0.143*
（0.076）		 0.310***
（0.066）		 0.254***
（0.068）		 0.314***
（0.051）		 0.567***
（0.063）		 0.522***
（0.061）
间接效应 1.361***
（0.087）		 1.623***
（0.162）		 1.545***
（0.149）		 1.136***
（0.108）		 1.210***
（0.151）		 1.218***
（0.127）		 0.976***
（0.160）		 0.659***
（0.137）		 0.619***
（0.135）		 1.560***
（0.105）		 2.637***
（0.308）		 2.348***
（0.246）
总效应 1.662***
（0.099）		 2.056***
（0.173）		 1.952***
（0.158）		 1.406***
（0.132）		 1.493***
（0.168）		 1.461***
（0.143）		 1.120***
（0.193）		 0.969***
（0.145）		 0.872***
（0.143）		 1.874***
（0.107）		 3.203***
（0.325）		 2.870***
（0.257）

3.5 供给侧与需求侧的机制检验

前文分析表明，绿色经济发展有效提升了供给侧与需求侧产能利用率，以下将对这两类机制进行实证检验。对变量进行LM（lag）、LM（erro）、LR、Wald和Hausman检验，结果表明个体固定效应的空间滞后模型是较优选择。表6汇报了基于三类空间权重矩阵的回归分析，以及空间效应的分解结果。
表6 供给侧与需求侧产能利用率的机制检验结果

Tab.6 Results of the mechanism test on supply-side and demand-side capacity utilization

模型 （1）CUs （2）CUs （3）CUs （4）CUd （5）CUd （6）CUd
空间回归 0.241***（0.085） 0.221***（0.085） 0.222***（0.085） 0.366***（0.109） 0.337***（0.110） 0.342***（0.109）
直接效应 0.246***（0.088） 0.224**（0.087） 0.226***（0.087） 0.374***（0.113） 0.343***（0.113） 0.349***（0.113）
间接效应 0.033（0.023） 0.004（0.017） 0.009（0.019） 0.094**（0.044） 0.070*（0.040） 0.089*（0.046）
总效应 0.279***（0.104） 0.228**（0.091） 0.234***（0.094） 0.469***（0.148） 0.413***（0.141） 0.438***（0.148）
模型（1）~（3）为供给侧的机制检验结果。无论基于何种空间权重矩阵，绿色经济发展对供给侧产能利用率的空间回归、直接效应与总效应均显著为正，而间接效应与空间滞后项系数的显著性较低。表明绿色经济发展通过供给侧机制有效提高了本地区工业产能利用率，但对邻近地区的促进作用有限。供给侧机制削弱了绿色经济发展的溢出效应，可能的原因有：首先，工业发展较快的地区在进行绿色转型过程中，凭借已有优势形成的“虹吸效应”，吸引绿色资本、绿色技术等大量优质资源向本地区集中，而邻近地区由于资本缺乏与技术支持的不足，难以形成绿色产业链，限制了供给侧产能的充分利用。其次，地方政府为了促进本地区绿色经济发展，可能会采取“以邻为壑”的策略，造成邻近地区较高的环保成本，在一定程度上抑制了供给侧产能利用率的提升。
模型（4）~（6）为需求侧的机制检验结果。无论基于何种空间权重矩阵，绿色经济发展对需求侧产能利用率的空间回归、直接效应与总效应均在1%的统计水平上显著为正，且间接效应与空间滞后项系数分别在10%和1%的统计水平上显著为正。表明绿色经济发展通过需求侧机制不仅提升了本地区工业产能利用率，而且对邻近地区工业产能利用率具有正向溢出效应。绿色经济发展加快了“从集聚到扩散”的进程，绿色技术转移促进了地区间的产业协同与合作，打破了原有的地区壁垒。企业积极响应市场对绿色产品的需求，对产品质量进行优化与升级，满足多元化的消费需求，需求侧产能利用率在本地区及邻近地区得到进一步提升。

3.6 按区域分组的检验与分析

本文进一步将中国各省份分为东部、中部和西部3个区域进行空间效应分析。在进行相关检验之后，采用时间固定效应的空间滞后模型进行回归分析，为了结果的可靠性，仍基于三类空间权重矩阵进行回归估计（表7）。结果显示，绿色经济发展对工业产能利用率提升作用的直接效应与总效应都通过了显著性检验，但间接效应与空间滞后项系数只有西部地区通过了显著性检验。表明西部地区绿色经济发展对工业产能利用率的促进作用要比东部和中部地区更为明显。在三类空间权重矩阵下，绿色经济发展每促进西部地区工业产能利用率提升1%，分别带动邻近地区工业产能利用率提升0.37%、0.25%、0.24%。西部地区的空间溢出效应较高的可能原因是：西部地区产业集聚度低，尚未形成明显的中心性城市，经济发展依旧保持着追赶趋势，发展绿色经济的边际效益较高，工业产能利用率的提升幅度较大。相对而言，东部发达地区的各方面资源已经接近饱和，并向中西部地区溢出，绿色经济发展的边际效益递减。因此，在推动区域经济发展的战略部署中，应充分发挥西部地区丰富的绿色资源潜力（水电、风电、太阳能和天然气等），推动其经济结构的绿色转型，打破传统意义上的“资源诅咒”，实现绿色、可持续的发展。
表7 东部、中部和西部地区的空间面板模型估计结果

Tab.7 Estimation results of the spatial panel model for eastern, central, and western regions

模型 东部地区 中部地区 西部地区
（1） （2） （3） （4） （5） （6） （7） （8） （9）
直接效应 0.250***
（0.045）		 0.326***
（0.046）		 0.328***
（0.045）		 0.399***
（0.092）		 0.580***
（0.094）		 0.600***
（0.097）		 0.509***
（0.155）		 0.382**
（0.162）		 0.379**
（0.162）
间接效应 0.079***
（0.024）		 0.007
（0.033）		 0.005
（0.032）		 0.213***
（0.056）		 0.114*
（0.064）		 0.077
（0.061）		 0.371**
（0.152）		 0.246**
（0.124）		 0.240**
（0.121）
总效应 0.329***
（0.055）		 0.334***
（0.045）		 0.333***
（0.045）		 0.613***
（0.130）		 0.695***
（0.106）		 0.677***
（0.099）		 0.880***
（0.288）		 0.627**
（0.269）		 0.619**
（0.268）

4 结论与启示

本文在构建绿色经济发展优化工业产能利用率的理论框架基础上，运用非期望产出的SBM模型衡量绿色经济发展，采用复合网络DEA模型测度并对工业产能利用率的供需双侧进行分解，基于邻接矩阵、逆距离矩阵和经济地理嵌套矩阵构建空间面板模型评价绿色经济发展对工业产能利用率的空间效应，并进行供需机制解析与东部、中部和西部地区异质性探讨。主要结论如下：①绿色经济发展显著提升了工业产能利用率，且具有显著的正向空间溢出效应。经过一系列稳健性检验，相关结论依然稳健。②从供给侧角度，绿色经济发展通过供给侧机制有效提高了本地区工业产能利用率，但对邻近地区的溢出效应有限。从需求侧角度，绿色经济发展显著提升了本地区需求侧产能利用率，并对邻近地区产生了积极的溢出效应。③对东部、中部和西部地区的异质性分析发现，绿色经济发展对提升3个地区的工业产能利用率都具有显著的直接效应，但只有西部地区的间接效应显著。在三类空间权重矩阵下，绿色经济发展每促进西部地区工业产能利用率提升1%，分别带动邻近地区工业产能利用率提升0.37%、0.25%、0.24%。
根据上述研究结论，本文得到以下政策启示：
①加大绿色经济政策的支持力度，通过技术创新驱动与产业低碳升级，推动工业产能利用率提升。针对环境标准提升带来的企业技术改造压力，地方政府应建立分阶段动态调整机制，梯度提升环保技术标准并延长技改缓冲期，有效缓解企业短期合规成本压力。同时，可通过财税和金融支持激发企业绿色创新动力，具体政策工具包括对环保设备投资实施增值税阶梯式抵免、提供定向低息贷款等激励措施。针对中小企业转型瓶颈，应加大财政直接补助力度，同步搭建区域低碳技术平台，破解企业的资金约束和技术滞后困境。
②在供给侧，应构建区域产业协同机制，推动资源要素与新技术向欠发达地区转移。地方政府需制定统一的跨区域绿色产业规划，优化供应链网络，增强绿色技术与资本溢出效应，并在中央政府引导下协同制定环保政策，避免“以邻为壑”竞争。如针对“边缘”地区基础设施不足与人才短缺问题，可加大绿色基建投资，并提供住房补贴、科研启动金与绿色技术培训等人才激励措施，以提升区域承载力，助推绿色经济发展。
③在需求侧，应强化绿色消费引导与市场激励措施，扩大绿色需求，推动企业优化产能配置与产品结构。地方政府可通过绿色消费券、税收优惠等政策提升居民绿色消费意愿，并在政府采购中优先选择绿色产品并设定目标比例，进一步扩大绿色消费市场。同时鼓励企业利用数字化平台宣传绿色产品优势，促进消费者转变消费习惯，推动绿色市场发展并提升工业产能利用率。
④持续深化区域协调发展，通过财政支持、技术合作和差异化规划推动西部绿色产业升级。西部地区应依托自然资源禀赋发展新能源、生态旅游和绿色农业等产业，而东部地区则通过设立绿色试点示范区，带动节能技术升级，并通过技术转移与产业链分工向其他地区推广成功经验，实现区域协同与资源互补。同时，绿色经济发展的区域协调效果纳入地方政府的绩效考核体系，也是促进区域一体化发展的有力举措。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
刘帅, 杨丹辉, 金殿臣. 环境规制对产能利用率的影响——基于技术创新中介调节效应的分析[J]. 改革, 2021, 37(8):77-89.

[2]
韦朕韬, 张腾, 陶善信. 绿色信贷、地方官员特征与我国工业产能过剩[J]. 财经论丛, 2023, 36(2):102-112.

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

[4]
Wei Q, Yan H, Pang L. Composite network data envelopment analysis model[J]. International Journal of Information Technology & Decision Making, 2011, 10(4):613-633.

[5]
马红旗, 申广军. 规模扩张、“创造性破坏”与产能过剩——基于钢铁企业微观数据的实证分析[J]. 经济学(季刊), 2021, 21(1):71-92.

[6]
刘满凤, 刘熙, 徐野, 等. 资源错配、政府干预与新兴产业产能过剩[J]. 经济地理, 2019, 39(8):126-136.

DOI

[7]
涂正革, 邓辉, 谌仁俊, 等. 中央环保督察的环境经济效益:来自河北省试点的证据[J]. 经济评论, 2020, 31(1):3-16.

[8]
林毅夫, 巫和懋, 邢亦青. “潮涌现象”与产能过剩的形成机制[J]. 经济研究, 2010, 45(10):4-19.

[9]
邵帅. 环境规制的区域产能调节效应——基于空间计量和门槛回归的双检验[J]. 现代经济探讨, 2019, 26(1):86-95.

[10]
Zheng C, Zhang Y, Chen K. Corporate innovation and capacity utilization in China's coastal areas:Governance under the context of environmental regulation[J]. Journal of Coastal Research, 2020, 109(SI):197-205.

[11]
Zhang Y, Rashid A, Guo S, et al. Spatial autocorrelation and temporal variation of contaminants of emerging concern in a typical urbanizing river[J]. Water Research, 2022, 212:118120.

[12]
孙博文, 尹俊. 损己不利人:僵尸企业对绿色全要素生产率的负面影响[J]. 中国人口·资源与环境, 2023, 33(2):38-50.

[13]
Krugman P. Increasing returns and economic geography[J]. Journal of Political Economy, 1991, 99(3):483-499.

[14]
Grossman G M, Helpman E. Trade,knowledge spillovers,and growth[J]. European Economic Review, 1991, 35(2-3):517-526.

[15]
Nishitani K, Kaneko S, Komatsu S, et al. How does a firm's management of greenhouse gas emissions influence its economic performance?Analyzing effects through demand and productivity in Japanese manufacturing firms[J]. Journal of Productivity Analysis, 2014, 42(3):355-366.

[16]
Graff Zivin J, Neidell M. Environment, health, and human capital[J]. Journal of Economic Literature, 2013, 51(3):689-730.

[17]
Sohag K, Chukavina K, Samargandi N. Renewable energy and total factor productivity in OECD member countries[J]. Journal of Cleaner Production, 2021, 296:126499.

[18]
宋培, 陈喆, 宋典. 绿色技术创新能否推动中国制造业GVC攀升?——基于WIOD数据的实证检验[J]. 财经论丛, 2021, 34(5):3-13.

[19]
Dangelico R M, Pujari D. Mainstreaming green product innovation:Why and how companies integrate environmental sustainability[J]. Journal of Business Ethics, 2010, 95(3):471-486.

[20]
Javad M O M, Darvishi M, Javad A O M. Green supplier selection for the steel industry using BWM and fuzzy TOPSIS:A case study of Khouzestan steel company[J]. Sustainable Futures, 2020, 2:100012.

[21]
杨振兵, 张诚. 产能过剩与环境治理双赢的动力机制研究——基于生产侧与消费侧的产能利用率分解[J]. 当代经济科学, 2015, 37(6):42-52,123-124.

[22]
曹秋菊, 唐新明. 我国工业产能过剩的区域差异及成因分析[J]. 经济地理, 2021, 41(12):132-141.

DOI

[23]
Färe R, Grosskopf S, Kokkelenberg E C. Measuring plant capacity,utilization and technical change:A nonparametric approach[J]. International economic review, 1989, 30(3):655-666.

[24]
Johansen L. Production functions and the concept of capacity[J]. Recherches Recentes Surla Fonction de Production, 1968, 2:49-72.

[25]
Wang H, Li B. Environmental regulations,capacity utilization,and high-quality development of manufacturing:An analysis based on Chinese provincial panel data[J]. Scientific Reports, 2021, 11(1):19566.

[26]
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, 39(10):35-44.

[27]
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.

[28]
赵领娣, 张磊, 徐乐, 等. 人力资本、产业结构调整与绿色发展效率的作用机制[J]. 中国人口·资源与环境, 2016, 26(11):106-114.

[29]
Song Y, Sun X, Xia P, et al. Research on the spatiotemporal evolution and influencing factors of green economic efficiency in the Yangtze River Economic Belt[J]. Environmental Science and Pollution Research, 2022, 29(45):68257-68268.

[30]
IPCC. 2006 IPCC guidelines for national greenhouse gas inventories[M/OL]. Japan:IGES, 2006.

[31]
Zhao P, Zeng L, Li P, et al. China's transportation sector carbon dioxide emissions efficiency and its influencing factors based on the EBM DEA model with undesirable outputs and spatial Durbin model[J]. Energy, 2022, 238(3):121934.

[32]
于斌斌, 陈露. 新型城镇化能化解产能过剩吗?[J]. 数量经济技术经济研究, 2019, 36(1):22-41.

[33]
李稻葵, 厉克奥博, 陈大鹏, 等. 走出疫情稳字当头——2021年中国宏观经济形势分析与2022年发展预测[J]. 改革, 2022, 38(1):28-42.

[34]
LeSage J P, Pace R K. Introduction to Spatial Econometrics[M]. London and New York: Chapman and Hall/CRC, 2009.

Options
文章导航

/

〈 〉