张豪+何宇+张建华

摘 要：使用SBM方向性距离函数和Malmquist-Luenberger指数，测算并分解了中国66个城市的绿色全要素生产率（TFP），并运用空间杜宾模型探讨其空间溢出效应。研究认为：前沿技术进步是绿色TFP增长的主要贡献因素，而环境技术效率的改善却比较滞后；66个城市的绿色TFP显示出较大的地区差异，但是存在空间溢出；其中人力资本对绿色TFP的增长不仅具有空间溢出效应，也具有明显的本地促进效应，而R&D仅具有空间溢出效应，本地促进效应并不明显。

关键词：绿色全要素生产率；方向性距离函数；空间杜宾模型；空间溢出

文章编号：2095-5960（2016）06-0082-09；中图分类号：F127；文献标识码：A

一、引言和文献综述

众所周知，传统粗放型增长方式是以牺牲环境为代价的，不可持续。十八届五中全会首次将“绿色”和“共享”纳入到发展理念中，体现了国家转变绿色发展方式、倡导绿色经济的信心和决心。传统文献对经济效率的研究一般都剥离“环境因素”，仅仅从经济总量上考察，并没有考虑到经济增长背后的环境牺牲，以此计算的经济效率不符合绿色发展的内涵。鉴于此，如何核算绿色环境生产效率，探索经济发展和环境保护的可持续发展方式，具有重要的学术意义和政策参考价值。

绿色全要素生产率（以下简称“绿色TFP”）综合考虑了传统产出和非期望的坏产出，是将环境因素纳入生产函数后对生产效率的测度。目前，已有大量的文献对国内外绿色TFP展开了研究。学者们分别利用索罗余值法、随机前沿分析法和DEA方法等对绿色TFP的测度方式及其分解测算进行了大量研究。Pittman（1983）[1]首次将污染作为“坏的产出”纳入到生产函数中，由于DEA方法不需要设定生产函数形式并且能够同时处理多产出的情形，因此受到了众多学者的青睐。Chung（1997）[2]、Fare等（2001）[3]拓展了距离函数，提出了方向距离函数（directional distance function），并使用了更能契合经济绿色发展内涵的Malmquist-Luenberger指数分析法。胡鞍钢、郑京海（2008）[4]使用中国30个省际面板数据，测算并分区域对比分析了中国东、中、西部绿色生产效率。匡远凤、彭代彦（2012）[5]对比分析了传统TFP和绿色TFP，发现中国绿色TFP增长大于传统TFP增长。另有很多学者（陈诗一，2009[6]；李斌等，2013[7]）在TFP测算基础上，实证分析了TFP的影响因素，探讨环境管制政策和绿色TFP的关系。岳书敬和刘富华（2009）[8]使用工业部门数据，对比分析了行业部门间的绿色TFP，认为市场化水平、FDI、R&D能够促进工业绿色生产效率，但是技术经费的引入和市场竞争等没有促进作用。王兵等（2008）[9]利用17个APEC国家和地区的面板数据考察了环境管制和TFP的关系，认为人均GDP、工业化水平、技术无效率水平、劳均资本、人均能源使用量以及开放度会对TFP产生影响。李斌等（2013）[7]认为环境规制的不合理设计是中国工业粗放发展的重要原因，不合理的环境规制政策并不能有效提高绿色TFP。李谷成（2014）[10]研究了中国农业绿色TFP，从城市化进程、农产品价格体制、农业公共支出等制度因素分析了对农业绿色TFP的影响。

综上，现有关于绿色TFP的文献多集中在省域或行业层面的研究，鲜有从地级市层面研究绿色TFP及其空间溢出效应。本文首先采用考虑非期望产出和松弛问题的非径向非角度SBM 效率测度模型并结合Malmquist-Luenberger生产率指数法来科学测度中国主要城市的绿色技术效率和绿色TFP，同时利用空间杜宾模型验证城市间绿色TFP的空间溢出效应，为实现中国城市经济和环境的双赢发展提供一定的政策参考。

ML、EFFCH 和 TECH大于1表明生产率增长、效率改善以及技术进步，反之如果小于1则表明指数的无效率。本文运用MaxDEA软件，测度了66个城市（2005-2012）的生产率指数、效率变化指数及技术进步指数。

（二）绿色全要素生产率的空间溢出机制与模型

城市间绿色TFP溢出机制存在四种情况：（1）知识性溢出。新贸易理论和新经济增长理论认为，知识溢出和经济增长是密切联系的。知识传播和知识溢出分别是知识的复制和再造。如果一个行业出现知识创新时，那么新知识就会通过上下游行业间的渠道而传播。（2）技术溢出。每个城市都会进行一定的研发投入，但是新的技术本身容易通过各种渠道传播到其他的地区或企业，进而影响周边具有贸易联系的地区或企业。（3）产业关联性溢出。任何企业都是与其他企业相互关联的，而且处于产业链条的某一环节，处于产业链条中的企业之间必然会有或多或少的联系。（4）市场交易性溢出。市场交易可以促使地区之间的技术溢出。上游产业产品技术水平的变化一般会对下游产业产品生产技术产生影响；下游产业对上游供应企业在管理质量、技术水平、人力资源上有一定的保障。

基于此，本文认为，类似于传统TFP通过地区间的人力资本和知识存量的空间流动而引起地区间TFP的溢出，区域间绿色TFP也会通过人力资本和知识存量的传导路径而表现出空间溢出。根据Grossman和Helpman（1991a，b）[12][13]和Ertur等（2011）[14]构建衡量TFP增长的空间杜宾模型（SDM）：

W是空间权重（N×N）矩阵。当采取空间自回归模型时，OLS将不再适用，我们将利用最大似然法来估计模型。一般而言，线性回归的参数可以同时被理解为因变量与自变量之间的偏导数。

三、数据来源和处理

（一）数据来源

文章选取了中国地级市层面的投入产出面板数据来度量我国主要城市的绿色TFP。计算中剔除了数据缺失的城市，对于个别城市的缺失值采用插值法进行补充，最终数据包含了27个省市自治区的66个地级城市①①北京、天津、石家庄、唐山、邯郸、张家口、晋城、包头、吉林、哈尔滨、上海、南京、无锡、徐州、常州、苏州、南通、连云港、盐城、镇江、杭州、宁波、温州、嘉兴、绍兴、金华、台州、合肥、安庆、福州、宁德、南昌、新余、济南、青岛、郑州、平顶山、武汉、宜昌、广州、南宁、海口、三亚、重庆、贵阳、遵义、昆明、西安、秦皇岛、太原、长治、运城、忻州、沈阳、大连、长春、临沂、菏泽、长沙、深圳、惠州、东莞、咸阳、榆林、嘉峪关、银川。，时间跨度为2005年到2012年。计量过程中涉及数据来自于《中国统计年鉴》、《中国区域统计年鉴》、《中国城市统计年鉴》、《中国能源统计年鉴》、《中国环境统计年鉴》以及66个城市的统计年鉴。

（二）变量选择

期望产出（“好”的产出）：期望产出由实际GDP来定义，根据各省市GDP平减指数对应各自城市GDP调整为2003年不变价格，我们假设同一省份内城市的GDP平减指数一样，并与该省GDP平减指数相同。

非期望产出（“坏”的产出）：对于非期望产出指标的选取，王兵等（2008）[9]选择CO2作为非期望产出，李玲等（2012）[15]使用了废水、CO2、SO2和固体废物作为非期望产出。若仅选择工业“三废”则没有考虑到指标的同质性，而选择其他指标中的某一两个子指标作为非期望产出显然不全面，目前国内外研究还没有统一标准来确定如何科学全面地表达非期望产出指标。本文采用王兵（2015）[16]的方法，选择COD和SO2作为非期望产出。

投入：本文不仅考虑了资本和劳动投入，还把能源投入纳入了考察范围。关于劳动投入，现有研究大多采用《中国城市统计年鉴》提供的在岗职工人数和城镇就业人数（不包含乡村就业人员），如果利用这个数据计算TFP，结果会产生比较大的偏差。鉴于此，本文选择了《中国区域经济年鉴》中的相关数据，以期望获得更加全面的就业数据。一般将能源消费总量作为能源投入数据，但是《中国能源统计年鉴》中并没有给出地级市层面的能源消费数据，而大部分城市统计年鉴中只提供规模以上工业企业能源消费总量，因此将其作为能源投入的替代变量。

资本存量：本文根据《中国城市年鉴》，采用永续盘存法（PIM）估算，根据《中国统计年鉴》中各省、市自治区的固定资产投资平减指数将对应各个城市的资本存量调整为以2003年为基期的不变价格。基期的资本存量使用Reinsdorf（2005）[17]推导得到公式K0=I0（1+g）/（g+ρ），g为不变价投资的平均增长率，ρ为资本平均折旧率，具体值为10.96%（单豪杰，2008）[18]。相关数据的一般统计描述见表 1。

人力资本（HR）：人力资本包含了劳动者的健康、知识、经验和专业技能等综合因素的总称。目前，国内外许多学者使用地区平均受教育年限来衡量人力资本，其计算公式为：H1（t）=∫∞0·χ（t，）d ，其中，表示受教育年限，H1（t）表示第t期的人均人力资本存量，χ（t，）表示第t期受教育年限为的人口占总人口比例（姚先国等，2008）[19]。

技术水平（R&D）：采用R&D投入作为替代变量。鉴于《中国科技统计年鉴》中R&D研发数据只有省域层面，许多省市统计年鉴中也没有报告R&D研发支出的详细数据。《中国城市统计年鉴》中各城市也只是报告科学事业费和教育事业费支出，并没有研发数据的报告。有学者将两者之和作为R&D投入的替代变量，但是由于数量级别的差异往往会导致估计的误差。因此，笔者采用如下方法对城市中R&D研发数据进行估算：首先，计算城市科学事业费和教育事业费支出之和，并且算出其每年在各自省份中的比例。然后用各省真实R&D数据乘以这一比例，即得出城市每年估算的R&D数据。最后利用各省市GDP平减指数将对应各自城市的R&D投入调整为2003年不变价格，从而算出实际R&D投入。

空间权重矩阵（W）：我们受到Frankel 和Romer（1999）[20]的启示，并结合引力模型，认为两个贸易地区之间不仅受到空间距离的影响，也和经济发展水平有关，因此我们定义Gij=GDPiGDPjd2i，j，引力矩阵中GDP数据是2005—2012年城市的平均值。其空间权重矩阵的构建如下：

四、中国主要城市绿色全要素生产率增长差异分析

（一）绿色全要素生产率增长及其分解

利用MaxDEA软件对数据进行分析得知，2005—2012年期间，66个城市绿色技术效率平均指数0.992，绿色技术进步指数1.022，绿色ML指数1.014，这表示2012年较2005年城市绿色技术效率下降0.8%，绿色技术进步上升2.2%，绿色TFP上升了1.4%。

图1是66个城市的绿色TFP（ML）、绿色效率变化（EC）和绿色技术进步（TP）的折线图。从图中可以看出，技术进步和整体的绿色TFP具有很大的同步性，而技术效率与整体绿色TFP的变化并不表现出较强的关联性，这说明TFP的变动由技术进步率的变化主导。我国主要城市整体绿色TFP（ML指数）呈现先上升后下降的趋势，在2009年达到最大值，整体绿色TFP变化大致分为三个时期：2005年—2007年，ML指数呈上升趋势，这一时期技术进步成为经济增长的主要动力，可能是因为在此期间，由于产业结构调整、优化，淘汰了一批高耗能、高污染的生产设备（金相郁，2006[21]；高春亮，2007[22]）；2007年—2010年ML指数表现为下降趋势，并且在此时期，绿色技术进步率下降的幅度大于绿色技术效率的上升幅度；2010—2012年，绿色TFP又有复苏的迹象。

（二）主要城市绿色全要素生产率差异分析

表2列出了2005—2012年66个城市平均绿色TFP指数及分解，并按照绿色TFP进行排名。绿色TFP排名靠前的城市为：三亚、长治、嘉峪关、包头、沈阳、武汉、广州、吉林、长沙、北京、上海、深圳，而排名靠后的城市是：东莞、新余、邯郸、石家庄、哈尔滨、遵义、台州、宿迁、南通。绿色TFP的排名基本上反映了这样一个规律：大城市（如沈阳、武汉、广州、长沙、北京、上海、深圳）和旅游类城市（如三亚、嘉峪关）的排名比较靠前，而排名靠后的城市经济体量小而且多为资源型城市。这也正如绿色TFP所定义的一样，在综合考虑常规产出最大化和非期望产出最小化后，经济体量大并且转型较快的城市以及以旅游为主的绿色发展城市具有更高的绿色生产效率，而经济体量小又不能及时转型以及资源消耗型城市具有更低的绿色生产效率。对比环境污染变量加入前后结果的变化，我们发现绿色TFP的排名与传统TFP的排名也具有明显差异①①对于传统TFP的排名，鉴于篇幅，暂不列出，对此感兴趣的读者可向作者索取核算结果。，环境友好型生产技术的排名更加靠前；而排名靠后的城市特点主要为通过模仿和改造生产改善生产技术，并承接东部地区资源消耗型、污染型的产业转移。

以上情况表明在经济发展的过程中，绿色增长绩效和污染排放具有密切的关联。资本深化的技术进步是纯粹经济增长为导向的，而绿色发展的技术进步依旧滞后。

（三）城市绿色TFP改善分析

在我们的考察期间内，有多少城市绿色TFP得到改善，这对于评价城市绿色发展质量至关重要。表3统计了2005年到2012年城市绿色TFP改善情况。可以看出在此期间，绿色TFP改善的城市占比超过一半，并且整个66个城市的样本中，技术进步的比例大于效率改善的比例。而且单独看38个绿色TFP改善的城市，效率改善的占比有57.89%，而技术进步改善的比例达到了92.11%。这说明无论是从整体66个样本城市还是从绿色TFP提升的38个城市来看，技术进步改善的比例都是大于效率进步的比例，而且在绿色TFP提升的38个城市数据中，技术进步提升效应显著大于效率进步效应，表明绿色TFP的提升主要受益于技术进步，而效率进步对绿色TFP的促进作用可能不显著。

（四）绿色TFP的空间溢出效应分析

通过对中国主要城市绿色TFP的分解和绿色TFP差异分析，我们认为：（1）大城市及旅游型城市绿色TFP比较高，资源型城市绿色TFP比较低；（2）对于绿色TFP的提升，技术进步起着主要作用。基于这两点，我们认为规模、区位、产业不同的城市绿色TFP存在差异，而技术进步是影响城市绿色TFP的主要渠道。因此，本部分内容从人力资本和技术水平探讨城市绿色全要素生产率的空间溢出效应。

本文通过似然比检验判断空间杜宾模型（SDM）是否可以简化为空间误差模型（SEM）或空间滞后模型（SLM）。检验的结果显示：LR_spatial_error 值为54.12，拒绝了γ + ρβ 为零的原假设。LR_spatial_lag值为66.54，在1%的水平上拒绝了γ为零的原假设。进一步空间相关性检验表明，TFP的Moran I值始终在0.1以上波动，说明相邻城市的经济绩效存在显著的空间依赖关系，这也印证了理论部分所推导模型的正确性。经Hausman检验，本文选择随机效应模型。

本文采用拟极大似然法进行参数估计，运用STATA13.1软件进行数据分析。表4是回归结果，第二列GTFP表示绿色TFP第三列TTFP代表传统TFP，从表4中发现：（1）无论是绿色TFP还是传统TFP的空间滞后回归系数ρ在1%的水平上均显著为正，分别为1.126和1.180，这正说明了城市间TFP溢出效应的存在。（2）虽然研发和人力资本是促进全要素生产率的重要途径，但是从回归结果来看，人力资本对于全要素生产率的提升具有显著的正向促进作用，而研发对于全要素生产率的提升符号不确定（绿色TFP的符号为负，传统TFP的符号为正）且并不显著，这说明人力资源是促进TFP进步的主要因素，本地的R&D对于TFP的提升并没有促进作用，反而对绿色TFP 具有阻碍作用；陈刚（2010）[23]认为造成R&D效率低下的原因可能是因为产权、法律等制度的落后不利于市场主体主动提高研发的效率，同时制度原因也内生地决定了政府主导型的研发体制，使得研发结构不合理及研发投资效率低下。（3）从区域溢出视角来看，无论是研发还是人力资本，对城市间的TFP溢出都表现出了比较显著的正溢出效应，表明虽然研发对于地区生产率促进作用并不显著，却具有显著的空间溢出效应，因而地方政府更应该关注有助于绿色技术提升的研发资本投入与研发效率。

五、基本结论

本文认为：（1）前沿技术进步（TP）是绿色TFP的主要贡献因素，而环境技术效率（EC）的改善却比较滞后。未来通过改善城市环境技术效率来进一步实现城市绿色TFP是很有前景的，否则将导致技术成果闲置和区域发展更加失衡。（2）中国城市绿色TFP表现出较大的地区差异，并存在空间溢出，其中人力资本对绿色TFP具有显著的本地促进效应和空间溢出效应，而研发对于绿色TFP具有显著的空间溢出效应，其本地促进效应不明显。

论文仍存在一定不足：（1）鉴于统计数据获取的原因，本文选取的时间窗口序列比较短，可能会因为样本量小而造成结果分析的偏差；（2）我们选择了城市化学需氧量和二氧化硫排放量作为非期望产出对绿色TFP进行了核算，而未考虑其他类型污染物（如二氧化碳，废水，固体排放物等），这可能会影响绿色TFP核算的准确性；（3）选取的城市并没有涵盖中国所有的地级市，甚至连一半都没有，虽然存在一定的客观原因，但对于科学研究不是太妥当，根据本研究结论讨论政策建议时仍需采取一种审慎态度。

参考文献：

[1]Pittman， Russell W.， Multilateral Productivity Comparisons with Undesirable Outputs [J]. The Economic Journal， 1983（93）： 883-891.

[2]Chung， Yangho H.， Rolf Fare， Shawna Grosskopf. Productivity and undesirable outputs： a directional distance function approach [J]. Journal of Environmental Management， 1997（3）： 229-240.

[3]Fare， Rolf， Shawna Grosskopf， Carl A. Pasurka Jr. Accounting for air pollution emissions in measures of state manufacturing productivity growth [J]. Journal of Regional Science， 2001 （3）：381-409.

[4]胡鞍钢，郑京海，高宇宁等.考虑环境因素的省级技术效率排名（1999—2005）[J].经济学（季刊），2008（3）：933-960.

[5]匡远凤，彭代彦.中国环境生产效率与环境全要素生产率分析[J].经济研究，2012（7）：62-74.

[6]陈诗一. 能源消耗、二氧化碳排放与中国工业的可持续发展[J]. 经济研究，2009（4）：41-55.

[7]李斌，彭星，欧阳铭珂.环境规制、绿色全要素生产率与中国工业发展方式转变——基于36个工业行业数据的实证研究[J].中国工业经济，2013（4）：56-68.

[8]岳书敬，刘富华.环境约束下的经济增长效率及其影响因素[J].数量经济技术经济研究，2009（5）：94-106.

[9]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.

[10]李谷成.中国农业的绿色生产率革命：1978—2008年[J].经济学（季刊），2014 （2）：537-558.

[11]Fare R， Grosskopf S， Pasurka C A. Environmental production functions and environmental directional distance functions [J]. SSRN Electronic Journal， 2007，32（7）：1055-1066.

[12]Grossman GM， Helpman E. Quality ladders in the theory of growth[J]. Rev Econ Stud，1991a，58（1）：43-61.

[13]Grossman GM， Helpman E. Trade， knowledge spillovers， and growth[J]. Eur Econ Rev，1991b，35（2-3）：517-526.

[14]Ertur C， Koch W. A contribution to the theory and empirics of Schumpeterian growth with worldwide interactions[J].Econ Growth，2011，16（3）： 215-55.

[15]李玲，陶锋.中国制造业最优环境规制强度的选择——基于绿色全要素生产率的视角[J].中国工业经济，2012（5）：76.

[16]王兵，刘光天.节能减排与中国绿色经济增长——基于全要素生产率的视角[J].中国工业经济，2015（5）：61.

[17]Reinsdorf M， Cover M. Measurement of capital stocks， consumption of fixed capital， and capital services [J]. Report on a presentation to the Central American Ad Hoc Group on National Accounts， Santo Domingo， Dominican Republic， 2005.

[18]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，2008，10：17-31.

[19]姚先国，张海峰.教育、人力资本与地区经济差异经济研究[J].经济研究，2008（5）：47-57.

[20]Frankel J A， Romer D. Does trade cause growth？[J]. American economic review， 1999： 379-399.

[21]金相郁.中国城市全要素生产率研究： 1990—2003[J]. 上海经济研究，2006 （7）： 14-23.

[22]高春亮，周晓艳，王凌云.“市场换技术”策略能实现吗[J]. 世界经济，2007， 30（8）： 14-21.

[23]陈刚. R&D 溢出，制度和生产率增长[J]. 数量经济技术经济研究，2010 （10）： 64-77.