人力资本对制造业绿色全要素生产率的影响研究

李 琳，卢思璇

（重庆师范大学，重庆 400047）

0 引言

制造业是国民经济发展的重要引擎和支撑力，《中国制造2025》提出要构建高效、清洁、低碳、循环的绿色制造体系。提高制造业绿色全要素生产率成为构建绿色制造体系的必经之路，人力资本可以通过影响一国的技术创新能力与技术模仿两条路径来提高绿色全要素生产。因此，人力资本对提高制造业绿色全要素生产率的作用不容忽视。那么，对于中国制造业而言，人力资本对制造业绿色全要素生产率会产生何种影响？

1 文献综述

人力资本包括人们一生中积累的知识、技能和健康，是体现在劳动者身上的一种资本类型（Schultz，1960）[1]，可以促进经济长期持久的增长。人力资本对经济增长的作用机制可以划分为两大类：一类是把人力资本作为一种生产要素放入生产函数，人力资本增长将直接推动经济增长。另一类是将人力资本视为技术生产的关键投入品，通过影响技术进步这一中介间接作用于经济增长。这一类模型认为人力资本存量会影响创新能力或模仿、吸收新技术的能力（Romer，1990）[2]。后发优势理论认为，发展中国家可以通过人力资本来提升自主创新和模仿创新能力，进而实现技术创新。

1.1 人力资本对自主创新的影响

自主研发活动是实现技术创新的重要途径。其中，研发人力资本是影响自主研发对技术创新效果的重要因素。研发人力资本可以对技术创新产生两种影响：一是在技术研发能力一定的情况下，提高整体的技术研发概率，从而推动技术创新。二是通过“干中学”等效应提高技术研发能力，从而提升创新能力（谷军健，2020）[3]。

1.2 人力资本对模仿创新的影响

除采用自主研发创新进行创新外，发展中国家还可以通过引进国外先进知识和技术，加以学习、消化和吸收并转化为自身的创新能力，从而实现模仿创新（侯建，2017）[4]。其主要有两种观点：一种观点认为东道国的技术越落后，其技术进步的潜力就越大，技术溢出效应就越显著（Findlay，1978）[5]。但技术溢出的水平和程度直接取决于一个国家人力资本对知识、技术和信息的接受能力，只有当人力资本发展到一定水平时，技术溢出才有可能成为现实。另一种观点则认为东道国的吸收能力至少需要达到一个最低“门槛”水平才能吸收和应用国外的先进技术，国外直接投资（FDI）才会对东道国产生技术溢出。

由此可见，人力资本可通过自主创新和模仿创新来促进技术进步，而绿色全要素生产率是技术进步的主要表现形式。因此，人力资本可以通过自主创新和模仿创新两条路径来提升绿色全要素生产率。

人力资本作为推动经济增长的重要因素之一，其与绿色全要素生产率的关系受到了人们的关注。谭政（2016）运用面板数据发现人力资本是推动绿色全要素生产率的关键[6]。苏科（2021）实证检验了人力资本与绿色全要素生产率的直接影响，发现人力资本可以通过科技创新来推动绿色全要素生产率提升[7]。朱金鹤（2019）在研究省域绿色全要素生产率的影响因素时，发现人力资本对绿色技术效率具有负向作用[8]。可见，有关人力资本对中国绿色全要素生产率的影响研究还未形同统一的结论，人力资本对中国绿色全要素生产率的作用还有待进一步探索，因此本文就有关问题进行了有益的尝试。

2 实证检验

本文设定制造业绿色全要素生产率（GTFP）作为被解释变量，人力资本、自主创新、模仿创新作为核心解释变量，环境规制、产权结构、能源结构和资本密集度作为控制变量。各变量设定如下。

2.1 测算制造业绿色全要素生产率GTFP

本文采用SBM-GML指数来测算我国制造业绿色全要素生产率GTFP，GML指数的全域可能生产性集为PG（x），公式如下：

在此基础上，本文进一步引入GML指数来衡量中国制造业行业绿色全要素生产率，公式如下：

（1）GTFP指标设定和数据选取。本文使用制造业分行业面板数据对绿色全要素生产率进行测算。选取27个制造业行业为研究对象，关于投入、期望产出以及非期望产出的相关指标及数据处理说明见表1。

表1 GTFP投入产出指标及数据

（2）GTFP测算结果和评价。表2给出了2011—2020年中国制造业行业的绿色全要素生产率，数据显示制造业大部分行业的绿色全要素生产率均大于1，说明中国制造业的绿色全要素生产率整体上是呈增长趋势的。

表2 中国2011—2020年制造业绿色全要素生产率

2.2 其他变量设定

解释变量和控制变量指标设定和数据来源见表3。

表3 解释变量和控制变量指标设定和数据来源

2.3 统计描述

对所选取变量进行描述性统计，结果见表4。

表4 描述性统计结果

表4为各项指标的描述性统计结果。绿色全要素生产率的最大值为9．588，最小值为0，方差和标准差分别为2．045和1．430。核心解释变量高等教育人数最大值为 140．7，最小值为 2．560，方差为 936．0，标准差为30．59。各行业R&D人员占比最大值为0．080 4，最小值为0．004 2，方差和标准差分别为 0．000 3、0．018 3。各行业FDI占比最大值为5．138，最小值为-3．248，方差和标准差分别为2．779、1．667。表明制造业各行业发展情况存在差异，各指标整体分布不均匀。

3 模型设定和实证结果分析

3.1 模型设定

为检验人力资本与制造业绿色全要素生产率之间是否存在线性关系，本文设定如下面板模型：

模型（4）是以edu和RD或者edu和FDI为核心解释变量的回归模型，其中，i代表行业，GTFP是制造业各细分行业绿色全要素生产率，edu是人力资本，RD是自主创新，FDI是模仿创新，C是控制变量，包括能源结构、产权结构、资产密集度和环境规制。i代表个体固定效应。

3.2 实证结果分析

（1）基础回归模型。本文使用固定效应模型对式（1）和式（2）进行回归，回归结果见表5。

表5 基准回归结果

表5中结果显示，高等教育人数对GTFP呈现显著的正向影响，在5%的显著性水平下显著，R&D人员占比在1%的显著性水平下对GTFP有显著的正向影响，说明人力资本和自主创新都能促进制造业GTFP的提高。第二列结果显示，高等教育人数对GTFP呈现显著的正向影响，在1%的显著性水平下显著，FDI占比在5%的显著性水平下对GTFP有显著的负向影响，说明模仿创新对我国制造业GTFP有抑制作用。

综上，人力资本、自主创新和模仿创新对我国制造业GTFP有显著影响，其中，人力资本和自主创新能力的提升均会促进我国制造业GTFP水平的提升，而模仿创新对制造业GTFP有显著的抑制作用。

（2）稳健性检验。本文通过工具变量法来解决这内生性问题，进而证明回归结果的稳健性。使用高等教育人数的滞后一、二、三期作为工具变量。冗余工具变量检验结果显示，高等教育人数滞后二期在10%显著性水平下接受其为冗余工具变量的原假设，因此本文最终选定高等教育人数滞后一期和滞后三期为工具变量进行回归，所得结果见表6。

表6 工具变量回归结果

表6报告了工具变量回归结果，Kleibergen-Paaprk LM统计量检验结果在1%水平上显著拒绝“工具变量识别不足”的原假设，Kleibergen-Paaprk Wald F统计量分别为19．02和16．46，Cragg-Donald Wald F统计量分别为38．26和31．29，均拒绝工具变量弱识别的原假设，Hansen J检验不能在10%显著性水平上拒绝工具变量过度识别的原假设，说明模型工具变量是外生的。综上，本文对工具变量的选取是有效的。

第一列报告的是高等教育人数和R&D人员占比与GTFP的工具变量回归结果。其中，高等教育人数在1%的显著性水平下对GTFP存在正向影响，表明人力资本能促进制造业绿色全要素生产率的提升。R&D人员占比在1%的显著性水平下对GTFP呈现正向影响，表明自主创新能力的提升可以提高我国制造业绿色全要素生产率水平。

第二列报告的是高等教育人数和FDI占比与GTFP的工具变量回归结果。其中，高等教育人数对GTFP的影响仍然在1%的显著性水平为正，表明高等教育带来的人力资本能促进制造业绿色全要素生产率的提升。而FDI占比对GTFP存在着负向影响，并在5%的显著性水平下显著，这表明模仿创新对我国制造业GTFP有着显著的抑制作用。

工具变量回归结果与基础回归结果基本保持一致，在一定程度上说明本文回归结果具有稳健性。

4 结论和建议

本文对人力资本与绿色全要素生产率之间的线性和非线性关系进行了分析和检验，实证结果证明：人力资本和自主创新对制造业绿色全要素生产率有显著的正向促进作用，而模仿创新对制造业绿色全要素生产率有着显著的抑制作用。因此，为了促进我国制造业绿色全要素生产率发展，应重视高等教育，加大人力资本投入，减少对国外技术的依赖，加强自主研发，促进我国制造业自主创新能力的提升，进而推动我国经济发展。