王之越　刘怡　赵晨露

摘要：中国通过嵌入全球价值链获得了相应的资本积累与技术升级，但也存在发达国家企业通过转移污染产业将中国制造业锁定在价值链底端的风险。文章采用2000～2014年中国17个制造业的统计数据，测算了中国制造业GVC嵌入度与绿色全要素生产率，并基于静态面板模型、动态面板模型及行业异质模型，实证分析检验了GVC对中国制造业绿色全要素生产率的影响。文章的研究成果为中国制造业低碳转型和提高在全球价值链中的嵌入地位指明了经验建议。

关键词：全球价值链；绿色全要素生产率；前向嵌入度；后向嵌入度

一、引言

20世纪90年代以来，传统垂直化分工逐渐被取代，各国参与全球价值链（Global value chain，GVC）分工已经成为经济新常态。参与GVC分工在一定程度上提升了广大发展中国家的技术水平和产业化水平，拉动了经济增长。但与此同时，产业间及产业内关联也为占据GVC主导地位的发达国家转移高耗能、高碳排放的生产加工环节转移提供了有利条件，发展中国家面临极大的环境压力。

在低碳经济背景下，提高绿色全要素生产率（Green total factor productivity，GTFP）成为中国实现产业高端攀升和碳减排双重目标的最佳选择。本文结合目前低碳经济发展的大背景，通过构建理论模型，对全球价值链嵌入程度影响制造业部门绿色全要素生产率的内在机制进行了梳理优化，并通过实证分析检验制造业细分行业影响的差异性，这对于我国产业绿色全要素生产率增速的提升、经济的低碳转型具有重要意义。

二、文献综述

（一）全球价值链嵌入对制造业绿色全要素生产率的影响

纵观国内外既有相关文献，许多学者对全球价值链嵌入与全要素生产率的关系进行了分析，认为嵌入GVC会对产业TFP产生双向作用。

正向促进作用的原因主要有以下三个方面：第一，技术溢出效应。企业可以通过进出口贸易、联合研发等路径获得来自发达国家的知识和技术溢出。第二，竞争效应。同类型企业在全球价值链同一环节中的竞争会迫使企业加强研发，通过创新增强核心竞争力。第三，规模效应。GVC有利于企业嵌入全球生产网络，扩大市场规模，实现规模经济。

随着研究的深入，大量学者发现伴随着GVC的嵌入，发展中經济体可能会陷入“低端锁定”的困局，造成这种现象主要由于以下几个原因：第一，替代效应。发展中国家可能会过度依赖GVC而限制自主创新激励，逐渐丧失本土企业自主研发能力，进而影响国内市场发展。第二，低端锁定效应。发展中国家在由低端加工制造到高端技术的过程中极有可能被价值链中高端的发达国家所“俘获”，从而被迫从事低附加值的生产制造环节。第三，污染转移效应。在全球化分工体系下，一些污染程度高的生产环节往往会伴随着技术溢出一起转移和扩散到发展中国家，对产业和国家的经济可持续发展产生较大影响。

在全球一体化趋势日益增强的背景下，中国如何实现产业全球价值链位势提升和经济增长可持续化的“双赢”不仅是现阶段促进经济发展的战略选择，引领中国经济行稳致远，更是推动高质量发展，推动中国经济新常态发展的核心动力。因此研究嵌入全球价值链与绿色全要素生产率之间的作用关系具有充分的现实意义。

（二）全球价值链嵌入度测算的文献综述

关于全球价值链嵌入度的测算，国内外学者已经进行了大量的探索。Hummels等最早提出了全球价值链下的垂直专业化分析框架并据此构建了垂直专业化（VSS）指数。但垂直专业化指标只能衡量垂直专业化分工在一国各产业的发展水平，无法刻画全球价值链中各国各部门的价值来源且不能区分不同的生产阶段，存在较大的局限性。基于此，部分学者在测算全球价值链相关指标时逐步开始采用投入产出表。Koopman等逐步放松了垂直专业化分析框架的假设条件，提出了增加值贸易核算法。在此基础上，Wang等基于前向关联和后向关联，对总出口按中间产品、最终产品和最终吸收的目的进行分解，并分别构建了参与度指数。

主流的测算方法包括Hummels根据垂直一体化理论提出的垂直专业化指数VSS、Antras构建的上游度指数测算法和Koopman的贸易增加值理论。由于前两种方法存在重复计算和部门间距设置等争论，因此本文选择基于增加值的核算方法来进行测算，能更加准确地反映全球价值链嵌入的真实情况。

三、实证分析过程

（一）静态面板模型

基于上述关于“全球价值链嵌入对绿色全要素生产率的影响机制”的理论分析，同时考虑到全球价值链参与度可以由基于前向关联的前向参与度和基于后向关联的后向参与度这两种方法来衡量，故本文借鉴Luo等的方法，选择全球价值链前、后向参与度作为核心解释变量，构建全球价值链嵌入度对制造业绿色全要素生产率影响的静态面板模型如下：

GTFPit=α0+α1GVCit+α2Zit+εit（1）

i表示我国制造业17个部门，t表示年份，GTFP表示制造业绿色全要素生产率，由于传统全要素生产率指标的测度没有考虑到能源消耗、污染排放等资源环境问题，所以本文借鉴chung et al.的方法，采用根据方向性距离函数提出的ML生产率指数来测度中国制造业绿色全要素生产率。GVC表示GVC嵌入度，目前国内外大部分学者采用垂直专业化率（VSS）来衡量各国的全球价值链嵌入程度，普遍具有重复计量的问题，难以精确反映各经济体分工地位的实际情况。因此，根据Wang et al.，本文将全球价值链生产分解为前向参与（GVCPt_f）和后向参与（GVCPt_b）。

（二）动态面板模型

为了衡量绿色全要素生产率的累积效应，本文引入因变量的滞后项。因此，可将式（1）转化为式（2），如下所示：

GTFPit=β0+β1GTFPit-1+β2GVCit+β3Zit+εit（2）

然而，自变量与随机误差的相关性导致的内生性问题及行业异质性、创新驱动政策等其他不可观测变量均会对绿色全要素生产率产生影响。因此，遺漏重要解释变量会导致内生性从而使得模型出现估计偏误。同时，反向因果关系所引起的同时性问题也是内生性产生的重要原因。随着GTFP水平的提高，全球价值链参与度将不可避免地受到影响。所以在实证分析中应综合考虑内生性问题。Arellano和Bond提出了差分-GMM （DIF-GMM）方法。DIF-GMM的主要原理是选择高阶滞后变量作为工具变量来解决由测量误差或遗漏变量导致的内生性问题。但DIF-GMM估计也存在工具变量不足等问题。为了解决DIF-GMM的局限性，Blundell和Bond（1998）提出了系统GMM（SYS-GMM）估计方法，与DIF-GMM相比，SYS-GMM具有更高的估计能力。因此，本文采用SYS-GMM方法来探讨异质性环境规制对绿色创新的影响。

（三）行业异质性模型

由于不同行业的全球价值链嵌入程度（GTFP）存在较大差异，故本文据此将17个行业划分为高技术行业及中低技术行业。其中，高技术行业包括医药制造业，通信设备、计算机及其他电子设备制造业和仪器仪表制造业，电气机械及器材制造业，通用设备、专用设备制造业，交通运输设备制造业等五个行业。考虑到高技术行业在全球价值链中的位置较高，可能对绿色全要素生产率的造成不同的影响，因此构建如下行业异质性模型：

GTFPit=β0+β1GTFPit-1+β2GVCit+β3Di*GVCit+β4Zit+εit（3）

其中，Di为表示行业异质性的虚拟变量，Di=1时代表高技术行业。为行业异质性变量与GVC嵌入度的交互项。

（四）变量说明及数据来源

本文除了使用绿色全要素生产率作为解释变量，全球价值链前向参与度、后向参与度作为核心解释变量外，根据孙华平和杜秀梅、谢会强等，选取了其他对绿色全要素生产率产生影响的控制变量如下：能源结构（ES），即能源消费结构，为能源总消耗量中煤炭消耗量所占比重；资本密集度（KL），用资本劳动比来衡量。资源要素禀赋结构的变化可以改变能源消费，进而影响到制造业绿色全要素生产率，该指标值越小说明制造业偏向劳动密集型的可能性越大。低端锁定水平（Lock），用出口产品国内增加值与工业总产值的比值来表示，该指标为反向指标，比值越大表示锁定效应越弱。

本文使用的测度全球价值链的数据来源于世界投入产出数据库（WIOD， 2016）的世界投入产出表。通过将WIOD数据库中的行业分类标准ISIC REV4与《中国国民经济行业分类2017》进行匹配，得到17个制造业行业，共255个样本。其他数据如制造业的工业总产值、劳动者数、固定资产等来源于《中国工业统计年鉴》，能源消耗量来源于《中国能源统计年鉴》，由煤炭、焦炭、原油、天然气等8种能源加总得到。表1为使用数据的描述性统计。

四、分析结果与讨论

（一）静态分析

表2为GVC嵌入度对于绿色全要素生产率影响的静态回归结果。通过Hausman检验，应采用固定效应模型来进行估计。在模型（1）中，全球价值链嵌入位置为正，但不显著，当控制其他影响因素后，在模型（4）中，对绿色全要素生产率的影响显著为正，意味着提高GVC嵌入位置将有利于绿色全要素生产率的提升。同时，全球价值链前向参与度的系数在模型（2）和（5）中也显著为正，表明中国在全球价值链的上游生产中参与越多，技术水平越高，越有利于绿色全要素生产率提升。这也说明中国在全球价值链中的位置开始向中高端攀升。全球价值链后向参与度的系数虽然为正，但不显著。全球价值链后向参与越多，说明在国内最终品的加工、生产越多，主要从事的都是组装等低技术生产环节，还可能排放较多的污染物，因此对绿色全要素生产率没有产生显著的促进作用。从控制变量来看，低端锁定水平影响为负或不显著，说明被锁定在全球价值链底端将不利于产业的绿色转型；能源结构系数为负，表明能源中煤炭使用越多，绿色全要素生产率越低，与预期相符；资本密集度越高，绿色全要素生产率越高。

（二）动态分析

考虑到内生问题，本文采用SYS-GMM估计方法研究全球价值链嵌入对绿色全要素生产率的影响。分别以全球价值链位置指数、前向参与度、后向参与度的滞后一期为工具变量进行估计，由Arelano - Bond检验统计量可知，误差项一阶相关，二阶不相关，满足GMM方法的基本假设。Hansen检验结果表明，工具变量不存在过度识别。因此，表4中的回归结果是稳健的。

将GTFP滞后一期作为自变量代入方程，系数为正，说明GTFP存在累积效应，前面一期可能影响后面一期的绿色全要素生产率。三种全球价值链嵌入度系数全为正，能源结构系数为负，与静态分析结果一致。低端锁定系数皆为负，说明我国所处GVC的低附加值环节的制造地位越高，绿色全要素生产率越低。

（三）异质性分析

表4为考虑行业异质性的分析结果。GTFP滞后项的系数仍为正。从模型（1）中可以看出，全球价值链嵌入位置对GTFP的影响仍是显著为正，而高技术行业与全球价值链嵌入位置的交乘项的系数也显著为正，说明高技术行业在全球价值链中的位置相对中低技术行业来说对绿色全要素生产率的促进作用更大。而模型（2）和（3）中，高技术行业与前向、后向参与度的交乘项系数虽然为正，但并不显著，说明高技术行业与低技术行业在全球价值链中的参与度对绿色全要素生产率的影响无显著差异。

五、结论及建议

基于上述结论，本文得到结论如下：首先，中国制造业通过出口更多的中间产品而参与到全球价值链上游生产活动中，同时正在向全球价值链中高端攀升；其次，GVC嵌入位置、前向参与度对制造业绿色全要素生产率具有显著的正向影响；最后，提高高技术行业在全球价值链中的地位，对于促进绿色全要素生产率攀升具有更为重要的意义，需要加强高技术行业的竞争优势。

根据以上结论，本文有针对性地提出了提高全球价值链嵌入度、提升绿色全要素生产率的对策建议。第一，中国应采取多方面措施促进制造业由结构升级阶段进入向GVC高端环节攀升的阶段。要加强与新兴国家和经济体的合作，提高制造业在GVC上的增值能力和风险规避能力，培育竞争优势。第二，中国制造业应积极参与国际分工，加强完善并延伸生产链和价值链长度，选择并生产具有比较优势的中间品，继续向全球价值链中高端位置攀升，从而提高制造业绿色全要素生产率。第三，充分发挥高技术产业的技术优势，推动中低技术产业的结构转型升级，综合引进先进技术，促进创新水平提高，进而增强综合竞争力，提高低碳生产技术水平，改进落后的生产技术，实现中国制造业低碳转型。

参考文献：

[1]范德成，刘凯然.GVC嵌入对中国工业可持续发展影响研究[J].科学学研究，2021，39（03）：432-441+462.

[2]Luo Y，Salman M，Lu Z.Heterogeneous impacts of environmental regulations and foreign direct investment on green innovation across different regions in China[J].Science of The Total Environment，2021， 759（02）：143744.

[3]Hao，Xiao，Tianyang，et al.Complex Network Analysis for Characterizing Global Value Chains in Equipment Manufacturing[J].PLOS ONE，2017，12（01）：e0169549.

[4]Tinta Abdoulganiour Almame，Elliott Caroline.The determinants of participation in global value chains：The case of ECOWAS[J].Cogent Economics & Finance，2017，5（01）.

[5]Bloom Nicholas，Draca Mirko，Van Reenen John.Trade Induced Technical Change？The Impact of Chinese Imports on Innovation，IT and Productivity[J].Narnia，2016，83（01）.

[6]Esther Ann B？覬ler，Andreas Moxnes，Karen Helene Ulltveit-Moe.R&D， International Sourcing， and the Joint Impact on Firm Performance[J].American Economic Review，2015，105（12）.

[7]王嵐，李宏艳.中国制造业融入全球价值链路径研究——嵌入位置和增值能力的视角[J].中国工业经济，2015（02）：76-88.

[8]谢建国，姜珮珊.中国进出口贸易隐含能源消耗的测算与分解——基于投入产出模型的分析[J].经济学（季刊），2014，13（04）：1365-1392.

[9]田巍，余淼杰.中间品贸易自由化和企业研发：基于中国数据的经验分析[J].世界经济，2014，37（06）：90-112.

[10]Robert Koopman，Zhi Wang，Shang-Jin Wei.Tracing Value-Added and Double Counting in Gross Exports[J]. American Economic Review，2014，104（02）.

[11]查建平，唐方方，别念民.结构性调整能否改善碳排放绩效？——来自中国省级面板数据的证据[J].数量经济技术经济研究，2012，29（11）：18-33.

[12]Robert Koopman，Zhi Wang，Shang-Jin Wei.Estimating domestic content in exports when processing trade is pervasive[J]. Journal of Development Economics，2012，99（01）.

[13]陈诗一.中国工业分行业统计数据估算：1980～2008[J].经济学（季刊），2011，10（03）：735-776.

[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]John Humphrey，Hubert Schmitz. How does insertion in global value chains affect upgrading in industrial clusters？[J]. Regional Studies，2002，36（09）.

[16]David Hummels，Jun Ishii，Kei-Mu Yi. The nature and growth of vertical specialization in world trade[J].Journal of International Economics，2001，54（01）.

[17]Jonathan Eaton，Samuel Kortum. Technology，trade，and growth：A unified framework[J].European Economic Review，2001，45（04）.

[18]Gary Gereffi.International trade and industrial upgrading in the apparel commodity chain[J].Journal of International Economics，1999，48（01）.

[19]Richard Blundell，Stephen Bond. Initial conditions and moment restrictions in dynamic panel data models[J].Journal of Econometrics，1998，87（01）.

[20]Y.H.Chung，R.F？覿re，S.Grosskopf. Productivity and Undesirable Outputs：A Directional Distance Function Approach[J]. Journal of Environmental Management，1997， 51（03）.

[21]Arellano Manuel，Bond Stephen. Some Tests of Specification for Panel Data： Monte Carlo Evidence and an Application to Employment Equations[J].Narnia，1991，58（02）.

（作者单位：江苏大学财经学院）