交通基础设施对绿色全要素生产率增长的空间溢出效应研究

梁 喜，李思遥

(重庆交通大学 a.经济与管理学院;b.交通运输学院，重庆 400074)

一、引言

基础设施建设是物质财富积累的重要领域，也是全球环境恶化的重要来源。“大推动理论”把基础设施作为推动国民经济发展的社会先行资本，大量实证研究也表明基础设施建设与经济增长正相关。据经济合作与发展组织(OECD)测算，2030年全球基础设施需求将达65～70万亿美元[1]。在中国，区域经济一体化进程使外部市场的经济发展为地区经济增长创造了良好的市场需求，以交通基础设施为依托，通过网络化发展提高全要素生产率成为各地区经济增长的重要驱动。党的十九大报告提出了建设“交通强国”的目标，交通基础设施建设将有更高质量的大发展。然而，根据国际能源署的数据，全球范围内，交通运输业是仅次于电力行业的第二大碳排放行业，其碳排放量占总量的21%[2]；据《中国统计年鉴》的数据，中国近10年交通运输能源消费总量增幅近90%。面对资源危机和环境污染，将资源和环境作为自然资本纳入生产函数的“绿色全要素生产率(Green TFP)”理念应运而生。鉴于交通基础设施对地区经济增长的空间溢出效应显著，进一步分析交通基础设施对绿色全要素生产率增长的空间溢出效应的意义重大。

网络化和空间溢出效应是交通基础设施的固有特性(Condeco-Melhorado et al，2014；Tong et al，2013)[3-4]，而在不同时间、不同区域交通基础设施会产生不同的空间溢出效应(Aschauer，1989；Hulten，1991；Boarnet，1998)[5-7]。要客观评估交通基础设施对绿色全要素生产率增长的空间溢出效应，需要有先进、科学的计量方法，下面基于文献梳理，从研究路径、分析模型和变量选择三个方面确定本文的研究思路和方法。

研究交通基础设施对经济增长产生怎样的影响？一条路径是将交通基础设施资本从总资本中分离，并估计其产出弹性(Barro，1997)[8]，这种一般溢出效应直接表现为GDP增加；另一路径是考察交通基础设施对全要素生产率增长的影响，即其资本存量通过空间溢出效应促进经济增长(刘秉镰，2010)[9]，该路径在“新增长理论”提出后迅速成为研究热点。交通基础设施对区域经济增长的作用可分为投资带来的乘数效应、可达性带来的直接效应和外部性带来的间接效应(Banister et al，2001；Oosterhaven et al，2001)[10-11]。交通基础设施的经济增长空间溢出效应，源于完善的交通基础设施会加速地区间的要素流动，进而促进关联地区的经济发展；而全要素生产率的提升主要依靠技术进步和规模效率的提升，其进一步反映了资源配置的效率改善。因此，本文选择分析交通基础设施对全要素生产率增长的空间溢出效应，以深入探究交通基础设施建设对区域要素配置和生产效率的影响。

研究交通基础设施对经济增长的影响，宏观经济下的理论模型是在传统的生产函数中加入交通基础设施变量，传统的实证模型则主要有二种：一是基于宏观经济模型和行为方法的截面和面板数据计量模型(刘生龙等，2010)[12]，二是基于处理内生关系的向量自回归法(VAR)时间序列计量模型(王任飞 等，2007)[13]。时间序列数据无法克服多重共线性问题，往往高估自变量对因变量的贡献，而截面数据不好把握变量的发展趋势。克鲁格曼创立的新经济地理理论和面板数据的运用促进了空间计量方法的发展，Holtz-Eakins和Schwartz(1995)创建的空间权重矩阵将空间面板计量分析推向高潮(Munnel et al，1990；刘生龙 等，2010；张学良，2012)[14-17]。本文的研究即使用宏观实证分析下的空间面板计量模型。

关于对交通基础设施的量化，一种方法是采用新古典理论下的资本形式，另一种方法是采用实物形式。我国交通基础设施作为一种政府投资的公共产物，不完全遵循利益最大化原则，因而较多学者选取公路、铁路作为其代理变量(叶昌友 等，2013)[18]。同时，根据《中国统计年鉴2016》，截至2015年我国铁路和公路所负担的全社会客运和货运量分别占到96.37%和83.47%，因此本文选取铁路和公路密度及其细化指标来度量各地区的交通基础设施。

在绿色发展的大环境下，国内外很多研究都对考虑资源环境因素及非期望产出的全要素生产率进行了测算，但提法不一，本文借鉴“绿色GDP”的概念称之为“绿色全要素生产率”(李斌 等，2013)[19]。对国内外文献梳理发现，相关文献大都选择GDP作为因变量，而交通基础设施对中国的全要素生产率有显著的正向影响(刘秉镰，2010)[9]，同时，交通基础设施建设与资源环境的矛盾日益突出，实现交通基础设施的绿色转型是缓解矛盾的必然选择。因此本文选取绿色全要素生产率作为被解释变量，采用空间杜宾模型重点研究交通基础设施的空间溢出效应。

二、绿色全要素生产率测算

本文对全要素生产率的测算兼顾经济收益和环境收益。根据Färe等(2007)定义的环境技术函数[20]，参考Tone(2003)和冯杰等(2017)的研究，选用考虑非期望产出的方向性距离函数(SBM)效率测度模型[21-22]，基于绿色生产率指数(GML)测算绿色全要素生产率增长率(卢丽文 等，2017)[23]。其中，绿色生产率指数可分解为绿色技术进步和绿色技术效率变化，而绿色技术效率变化又可分解为绿色纯技术效率变化和绿色规模效率变化。

本文选取我国除港、澳、台地区和西藏自治区外的30个省级行政区域为研究样本；由于从2005年开始我国将节能减排作为经济发展的目标之一，选取的研究期间为2005—2015年；投入、期望和非期望产出的指标选取与既有文献选择的C-D生产函数要素保持一致。投入变量包括劳动力、资本和自然资源，以年末从业人员衡量劳动力投入，以物质资本存量衡量资本投入，以能源消费总量衡量自然资源投入*基于各地区逐年数据的获取难度，这里选择能源消费总量当量值作为衡量指标。。由于基年选择较早会使后续年份误差较小，采用永续盘存方法通过固定资产价格指数平减得到以2000年(基年)不变价格表示的投资实际值，折旧率为9.6%，基年资本存量为当年固定资本形成总额的10倍(张军 等，2004)[24]。选择GDP作为期望产出变量，以2005年为基准进行平减得到实际地区生产总值*下文所有关于GDP的指标数据均采用此方法处理。；根据《中国环境经济核算研究报告》和《中国环境统计年鉴》，选择二氧化硫和烟(粉)尘排放总量作为非期望产出变量。相关数据来源于《中国统计年鉴》(2006—2016)、《中国环境统计年鉴》(2006—2016)及各样本地区历年统计年鉴。

根据前述测算方法，运用MaxDEA Pro测算得到绿色全要素生产率增长率及其分解结果(见表1)*鉴于数据包络分析(DEA)计算出的绿色生产率指数(GML)是绿色全要素生产率的增长率，本文借鉴既有文献设置基年绿色全要素生产率为1，而后每年以上一年的绿色全要素生产率与本年绿色生产率指数的乘积作为本年的绿色全要素生产率，以此类推得到2006—2015年的绿色全要素生产率及其分解指数绝对效率值。。2005—2015年，我国绿色全要素生产率均大于1，年均增幅为7.18%，但低于同时段我国年均经济增长率(13.63%)*年均经济增长率由《中国统计年鉴2016》中的历年国内生产总值计算得出。，表明在考虑资源输入、非期望产出和松弛变量后，资源消耗和环境污染明显降低了我国的经济增长绩效。从增长来源看，绿色技术进步与绿色生产率指数的变化趋势最为相近，是绿色全要素生产率增长的主要推动力，该结论在一定程度上验证了“波特假说”(环境与经济发展的双赢是技术创新与产业集聚的双重作用)。相比于绿色技术进步7.6%的增幅，绿色规模效率基本持平，绿色技术效率年均下降0.36%(主要源于纯技术效率的降低)。

表1 2005—2015年样本地区平均绿色全要素生产率增长及其分解

三、交通基础设施对绿色全要素生产率的空间溢出效应

1.空间面板计量模型及估计方法

空间权重矩阵是反映变量间空间关联的网络结构矩阵，现实中区域经济活动的影响因素复杂，设定适当的空间权重矩阵对空间计量分析至关重要。目前大多数研究仍只是使用0-1邻接矩阵，为得到更加稳健的分析结果，本文参考李婧等(2010)和杨海文(2015)的做法构建多种空间权重矩阵(见表2)[25-26]。

表2 空间权重矩阵

空间计量分析中某一区域不同空间单元的经济活动之间具有关联，静态空间模型主要包括空间滞后模型(Spatial Lag Model，SLM)和空间误差模型(Spatial Error Model，SEM)。在SLM中加入解释变量的空间滞后项，即空间杜宾模型(Spatial Durbin Model，SDM)，可以较好地避免内生性问题。Elhorst(2010)认为在各观察时间序列下的每个空间单元以及每个时间点的不同空间分布皆存在相互依赖，因此选用基于时间序列样本的动态空间模型评估此类不可预测的时空效应的拟合优度较高[27]。动态空间杜宾模型(Dynamic Spatial Durbin Model, DSDM)具体形式如下：

当模型中引入解释变量及被解释变量的空间滞后项时，空间效应的建模假设包含了大量邻接地区的交互作用，即绿色全要素生产率增长依赖于本地区(直接效应)及邻接省域(间接效应)的交通基础设施。动态空间杜宾模型可以确定影响被解释变量的长期和短期的直接和间接(溢出)效应(Elhorst，2014)[28]：当δ=θ=0时，短期效应不存在；当δ=-η且θ=0，长期效应不存在。鉴于研究内容的特定性，本文仅研究固定效应权重矩阵下的短期效应和随机效应权重矩阵下的长期效应。借鉴Lesage(2008)的方法[29]，通过偏微分进一步解析交通基础设施产生的直接效应和溢出效应：

作为检验是否存在空间溢出效应的更为有效的基础，上式矩阵中对角线元素的均值为交通基础设施的直接效应，溢出效应为空间滞后值的系数估计。

2.变量选择及数据来源

研究样本的选择与前文一致，数据来源于历年《中国统计年鉴》《中国交通年鉴》及《交通运输行业发展统计公报》。应用实物形态的变量对交通基础设施进行描述更具代表性，各变量的具体说明如下：被解释变量为绿色全要素生产率，解释变量包括公路密度(每百平方公里的公路通行里程)和铁路密度(每百平方公里的铁路营运里程)，其中公路密度又细分为各等级公路密度(5项)和等外公路密度，铁路密度鉴于数据可得性不再细分*各等级公路包括高速公路、一级公路、二级公路、三级公路和四级公路。。控制变量包括非农化和人力资本，考虑到中国仍处于发展中国家的现代化进程中，亟待完成城乡二元经济结构向现代经济结构的转换，因此用第二、三产业占国内生产总值的比重衡量非农化变量；人力资本是地区经济增长的重要决定因素，选取人口平均受教育年限衡量人力资本，具体计算方法借鉴陈钊等(2004)的研究[30]。

3.空间相关性检验及模型选择

首先，应用Stata12.1计算各空间权重矩阵下逐年残差的Moran’ I值*限于篇幅原因，各权重矩阵下的Moran’I值未列出，需要者可与作者联系。，结果表明残差在10%显著性水平下不显著，说明不存在空间残差相关，进而选用不存在空间残差相关条件下的空间自回归效应LM检验来初步确定模型*参考李子奈的《高级应用计量经济学》，利用Moran’I检验无法确定空间实质相关，因此本文选用不存在空间残差相关条件下的空间自回归效应的LM检验，以验证模型是否存在空间实质相关。，由Hausman及联合显著性检验确定效应类型，选择LR显著性判断进行最终检验。鉴于检验结果均在10%水平下拒绝原假设，最终模型如下：选择动态空间杜宾模型进行后续分析，在0-1邻接权重矩阵、大圆距离矩阵和经济矩阵下(即W1、W2和W3)选用时空双固定动态空间杜宾模型，在经济距离权重矩阵下(W4和W5)选用随机效应空间杜宾模型，具体检验结果见表3。

表3 各空间权重矩阵下的检验结果

注：*，**，***分别表示在10%、5%和1%的显著性水平下显著，下表同。

鉴于动态空间杜宾模型中时空滞后项的存在，使用最小二乘法(OLS)估计不准确，因此选用极大似然估计(ML)，结果见表4。各效应下解释变量的估计结果相近，表明后续研究具有稳健性。

表4 动态空间杜宾模型系数估计结果

注：随机效应的权重矩阵仅估计静态空间杜宾模型系数。

表4的系数估计结果显示，被解释变量的一阶滞后项系数均为正且通过了1%水平下的显著性检验；固定效应下除人口平均受教育年限外其余解释变量的空间滞后项均在1%水平下显著，表明各地区绿色全要素生产率存在显著的时空依赖。各权重矩阵下公路密度和铁路密度的估计系数均为正且显著性较高，表明其正向促进作用明显；其中高速公路密度和铁路密度及其空间滞后项的系数估计值远高于其他交通基础设施，验证了高速公路和铁路的空间相关性及其对地区绿色全要素生产率的巨大贡献。此外，三级公路密度的正向作用也较为突出，但一、二、四级和等外公路密度表现为负向作用。考虑到反馈效应会影响解释变量尤其是空间滞后项的回归系数，本文进一步通过效应分解对研究期内的交通基础设施及其细分项的长短期效应进行深入探讨，详见表5。

表5 动态空间杜宾模型效应分解

表5验证了表4中系数估计结果的稳健性，固定效应下除大圆距离权重的分解效应不显著外，其余解释变量显著性较高，而随机效应的显著性较弱。从短期效应与长期效应的比较看，多数解释变量短期效应更为显著，说明在加入了资源和环境因素后，交通基础设施对绿色全要素生产率影响的滞后性较弱；单一权重下的空间溢出效应明显高于直接效应，且基于经济权重的分析结果高于基于地理权重的分析结果，这与许多经典文献的结论一致，充分验证了交通基础设施是地区间要素流动的重要载体，空间溢出效应是其固有特性，同时也说明了经济增长仍是我国各地区绿色全要素生产率提高的主要途径，在节能减排方面仍有不足。在各解释变量中，高速公路密度和铁路密度正向促进地区绿色全要素生产率增长，且对邻接地区的短期溢出显著，说明提高交通基础设施投资规模和路网可达性在短期内可以提高本地区和辐射区域的运输效率并降低运输成本，助力地区间的要素流动和经济交往，进而不但可以加速本地经济发展，更可以促进邻近地区的经济发展。值得注意的是，公路密度对绿色全要素生产率增长的影响存在“中部坍塌”现象，其中一、二级公路密度的负向作用明显，可能是由于其原材料生产和建设施工时有较高的能耗和污染产出，且相比三、四级公路的养护和环保成本更高，规模不经济较为明显。

四、结论及启示

本文基于2005—2015年我国30个省级地区面板数据研究交通基础设施对绿色全要素生产率增长的空间溢出效应，得到以下结论：我国的绿色全要素生产率增长慢于GDP增长，各地区绿色技术进步与绿色生产率指数的变化趋势相近；单一权重下，交通基础设施对绿色全要素生产率增长的空间溢出效应明显高于直接效应，高速公路密度和铁路密度的正向溢出效应显著，短期溢出效应尤其明显；各等级公路密度对绿色全要素生产率增长的影响存在“中部坍塌”现象。总体上看，我国大力发展交通基础设施建设带来的经济效益总体良好，尤其是高速公路和铁路建设对绿色全要素生产率增长具有显著促进作用，同时其空间溢出效应明显。交通基础设施的空间溢出效应主要是通过促进地区间要素流动实现的，各地区在推进交通基础设施建设中应注意加强与关联地区的协作，以充分发挥交通基础设施的空间溢出效应，促进区域协调发展；同时，公路建设中出现的“中部坍塌”现象需要引起注意，要努力减少交通基础设施原材料生产、建设施工和维护使用中的资源浪费和环境污染，并积极提高其使用效率。基于此，本文提出以下建议：

国家应科学统筹规划交通基础设施建设，尤其应加快落后地区的交通发展，通过各地区的交通协同促进区域经济协调发展；同时，要鼓励和推动低能耗、低污染的智慧化交通基础设施建设，特别要在国家战略区域内(如“长江经济带”和“京津冀”以及各大城市群)建设现代化立体交通网路；此外，在进一步推进网络化、全覆盖高速公路和高铁(动车)建设的同时，要降低一、二级公路建设成本并调配三、四级公路合理占比，以避免公路建设的“中部坍塌”。各地区一方面要加快自身交通发展，另一方面也要推进与关联地区的协同发展，尤其是经济发达地区应积极向欠发达地区输出创新理念和先进技术，推进区域间交通基础设施建设一体化进程；各地区还应优化具有显著正向溢出效应的高速公路线网结构，协调制定各等级公路建设规划，高效对接客货运输通道，充分发挥交通基础设施促进要素流动的作用。

参考文献：

[1] 张衡.全球基础设施建设绿色化势在必行[N].中国财经报，2017-06-29(003).

[2] 丁金学.我国交通运输业碳排放及其减排潜力分析[J].综合运输，2012(12)：20-26.

[3] CONDECO-MELHORADO A，TILLEMA T，DE DONG T，et al. Distributive effects of new highway infrastructure in the Netherland：The role of network effects and spatial spillovers[J]. Journal of Transport Geography，2014，34：96-105.

[4] TONG T，YU T H E，CHO S H，et al. Evaluating the spatial spillover effects of transportation infrastructure on agricultural output Across the United States[J]. Journal of Transport Geography，2013，30：47-55.

[5] ASCHAUER D A. Is public expending productive[J]. Journal of Monetary Economies，1989，23(2)：77-200.

[6] HULTEN C R，SCHWAB R M. Public capital formation and the growth of regional[J]. National Tax Journal，1991，44(4)：121.

[7] BOARNET M G. Spillovers and the locational effects of public infrastructure[J].Journal of Regional Science，1998，30(3)：381-400.

[8] BARRO R，SALA-I-MARTIN X. Technological diffusion，convergence and growth[J].Journal of Economic Growth，1997，2(1)：1-26.

[9] 刘秉镰，武鹏，刘玉海.交通基础设施与中国全要素生产率增长——基于省域数据的空间面板计量分析[J].中国工业经济，2010(3)：54-64.

[10] BANISTER D，BERECHMAN Y. Transport investment and the promotion of economic growth[J]. Journal of transport geography，2001，9(3)：209-218.

[11] OOSTERHAVEN J，KNAAP T，RIJGROK C，et al. On the development of RAEM：The Dutch spatial general equilibrium model and its first application to a new railway link[C]//41thCongress of the European Regional Science Association， Zagreb，August. 2001：29.

[12] 刘生龙，胡鞍钢.基础设施的外部性在中国的检验：1988—2007[J].经济研究，2010(3)：4-15.

[13] 王任飞，王进杰.基础设施与中国经济增长：基于VAR方法的研究[J].世界经济，2007，30(3)：13-21.

[14] HOLTZ-EAKIN D，SCHWARTZ A E. Spatial productivity spillovers from public infrastructure：Evidence from state highway[J]. International Tax and Public Finance，1995(2)：459-468.

[15] MUNNEL A H，COOK L M. How does public infrastructure affect regional performance?[J]. New England Economic Review，1990 (Sep)： 11-33.

[16] 刘生龙，胡鞍钢.交通基础设施与经济增长：中国区域差距的视角[J].中国工业经济，2010(4)：14-23.

[17] 张学良.中国交通基础设施促进了区域经济增长吗？——兼论交通基础设施的空间溢出效应[J].中国社会科学，2012(3)：60-77.

[18] 叶昌友，王遐见.交通基础设施、交通运输业与区域经济增长——基于省域数据的空间面板模型研究[J].产业经济研究，2013(2)：40-47.

[19] 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分析[J].中国工业经济，2013(4)：56-68.

[20] FäRE R，GROSSKOPF S，PASURKA C A. Environmental production functions and environmental directional distance functions[J]. Energy，2007，32(7).

[21] TONE K. Dealing with undesirable outputs in DEA：A slack-based measure(SBM)approach[R]. GRIPS Research Report Series No.I-2003-005，2003.

[22] 冯杰，张世秋.基于DEA方法的我国省际绿色全要素生产率评估——不同模型选择的差异性探析[J].北京大学学报(自然科学版)，2017，53(1)：151-159.

[23] 卢丽文，宋德勇，黄璨.长江经济带城市绿色全要素生产率测度——以长江经济带的108个城市为例[J].城市问题，2017(1)：61-67.

[24] 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.

[25] 李婧，谭清美，白俊红.中国区域创新生产额空间计量分析——基于静态与动态空间面板模型的实证研究[J].管理世界，2010(7)：43-65.

[26] 杨海文. 空间计量模型的选择、估计及其应用——基于经典方法与MCMC方法的比较[D].江西财经大学，2015.

[27] ELHORST P，PIRAS G. Growth and convergence in a multiregional model with space time dynamics[J]. Geographical Analysis，2010，42(3)：338-355.

[28] ELHOEST J P. Spatial econometrics：From cross-sectional data to spatial panels[M]. Berlin：Springer，2014：95-119.

[29] LESAGE J P，PACE R K. Introduction to spatial econometrics[M]. Boca Raton，FL：CR Press Taylor & Francis Group，2008.

[30] 陈钊，陆铭，金煜.中国人力资本和教育发展的区域差异：对于面板数据的估算[J].世界经济，2004(12)：25-31+77.