长三角绿色全要素生产率及其影响因素研究

武 戈，张如玉

（江南大学 商学院，江苏 无锡 214122）

现阶段长三角地区力求经济高质量增长，发展经济的同时减少环境污染和能源消耗，促进长三角区域内资源合理配置、要素适当流动，实现区域协同发展进步。为了能以更少的资源消耗、更低的环境代价实现长三角经济可持续地发展，必须关注环境因素，促进绿色全要素生产率的提升，对绿色全要素生产率进行合理评价具有重要的现实意义。因此，本文尝试以绿色全要素生产率为研究切入点，分析长三角绿色全要素生产率的增长来源，探究长三角地区绿色全要素生产率的影响因素，寻求绿色生产率提升的策略。

一、文献综述

关于绿色全要素生产率的测算，Fare 等（1989）[1]提出的产出角度的方向性距离函数，考虑了“非期望产出”的效率评价，但没有考虑投入产出的松弛性问题。Tone（2001）[2]提出的SBM 模型可以解决该问题，SBM 模型基于松弛测度，包含“非期望产出”的非径向、非角度，但是SBM 模型不能解决投入和产出都存在径向和非径向关系的情况。Tone 和Tsutsui（2010）[3]提出的EBM 模型同时包含径向和非径向两类距离函数，能在一定程度上弥补传统DEA 模型和SBM 模型的缺陷。

目前国内外学者在测算全要素生产率时，普遍将以上的模型与生产率指数结合运用。Oh（2010）[4]提出的Global Malmquist-Luenberger（GML）指数，将全局参比Malmquist 指数与包含坏产出的方向距离函数进行结合测算生产率。郭庆旺等（2005）[5]利用非参数DEA-Malmquist 指数方法估算中国各省份1979—2003 年间的全要素生产率。李斌等（2016）[6]等选用基于SBM 方向距离函数的ML 指数测算绿色全要素生产率增长率。李斌等（2013）[7]采用非径向非角度SBM 效率测度模型结合ML 生产率指数来测算分行业的绿色全要素生产率。朱文涛等（2019）[8]利用SBM 模型及ML 指数测算2003—2015 年中国29 个省份绿色全要素生产率。郭海红等（2018）[9]基于EBM 函数和ML 指数测算省际及区域的农业绿色全要素生产率。刘晓洁和刘洪（2018）[10]结合EBM模型和Malmquist-Luenberger 生产率指数，研究2000—2016年中国30 个省份的绿色全要素生产率。

大部分学者的研究表明绿色全要素生产率增长主要源于技术进步[11-13]，少数学者的研究表明技术效率改进对绿色全要素生产率增长的贡献更大[14]。

关于绿色全要素生产率的影响因素研究，多数学者从经济发展水平、技术进步、人力资本、政府干预、能源结构、产业结构、贸易开放、环境规制等角度考察对绿色全要素生产率的影响[15-17]。

二、绿色全要素生产率测算方法与模型构建

（一）EBM 模型

EBM 模型同时包含径向和非径向两类距离函数，既考虑了非期望产出，又可以解决传统DEA 模型和SBM 方向距离函数存在的缺陷。具体如下：

γ* 代表最佳效率值；xik，yrk，bpk为第i 个决策单元的第k 种投入、第r、p 种期望和非期望产出；λ 为线性组合系数；θ 为径向规划参数；εx表示非径向部分的重要程度分别表示第i 种投入要素、r 种期望产出、p 种非期望产出的松弛量和权重。

（二）GML 指数

GML 指数将所有各期的总和作为参考集，可以进行跨期比较。可分解为技术进步指数（TC）和技术效率指数（EC）：

三、变量设定

2011 年国务院撤销了安徽省的地级市巢湖，本研究的决策单元为上海市、江苏省、浙江省、安徽省（除巢湖）在内的三省一市的41 个地级市。

（一）投入指标

1.劳动投入。以各城市年末单位从业人员数、私营和个体从业人员数的总和衡量劳动投入。

2.资本投入。以资本存量来衡量资本投入。资本存量运用永续盘存法进行计算，公式为：

其中，δ 为折旧率，Iit为t 年城市i 现价的固定资产投资，dit为固定资产投资的省级价格指数。参考张军等（2004）[18]、单豪杰等（2008）[19]的研究，令折旧率等于9.6%。

3.能源投入。城市层面缺少一次能源消费统计数据，采用各城市用电量来衡量生产率产出的能源消耗。

（二）产出指标

1.期望产出：选择以样本基期的不变价格计算的各城市地区生产总值。

2.非期望产出：根据环境指标数据的可得性及其经济含义，非期望产出选择工业废水、工业二氧化硫、工业烟（粉）尘排放量。

上述指标数据来源于《中国统计年鉴》《中国城市统计年鉴》。

四、测算结果分析

本文运用MaxDEA 软件采用考虑非参数混合径向（EBM）与Global Malmquist-Luenberger（GML）指数结合来测算长三角41 个城市2003—2018 年的绿色全要素生产率。

（一）绿色全要素生产率年均增长率分析

表1 为长三角41 个城市绿色全要素生产率指数在2003—2018 年的几何均值。从长三角地区整体层面看，长三角绿色全要素生产率在2003—2018年几何平均值为1.013，由于比1 大，说明长三角地区整体处于生产前沿面上，整体的效率在提高，年均上升了1.3 个百分点。由城市GML 指数几何均值看，长三角地区29 个城市的绿色全要素生产率大于1，占比达到样本城市总数的70.73%，说明长三角大部分城市2003—2018 年实现了绿色全要素生产率的提升。

表1 长三角地区绿色全要素生产率指数2003—2018 年的几何均值

（二）长三角城市GML 指数增长动力分析

表2 为长三角地区2003—2018 年间总体平均绿色全要素生产率指数及其分解。由表2 可知，绿色全要素增长率总体呈现增长态势，但增长率差异较大，且有部分年份出现下降的趋势。计算可得GML、TC 指数的几何年均增长率分别为1.33%、1.88%，EC 指数下降0.54%。

表2 长三角地区总体平均绿色全要素生产率及其分解指数

具体来说，2003—2006 年GML 指数持续增长，这主要是受到技术进步增长的影响，但技术效率持续下降；2006—2007 年GML 指数为1.016，上升了1.65%，技术效率增加了6.22%，但技术进步下降了4.31%，技术效率是主要影响因素；2007—2018 年GML、TC 和EC 在1 上下小幅波动，但GML 和TC变化方向始终保持一致。2017—2018 年GML 指数为1.095，上升了9.54%，技术效率下降0.20%，技术进步指数增加了9.76%。由此可见样本期内长三角城市绿色全要素生产率增长动力主要来自技术进步，而技术效率改进的贡献相对较小。

图1 所示是2003—2018 年长三角地区GML、TC 和EC 的变化趋势。从折线图的变化趋势看，TC 与GML 的变动趋势保持大体一致，再次表明长三角地区绿色全要素生产率增长主要由技术进步所推动。

图1 2003—2018 年长三角地区绿色全要素生产率及其分解指数变化趋势

五、长三角绿色全要素生产率的影响因素分析

（一）变量选取与模型构建

本文在借鉴国内外相关文献的基础上，结合长三角地区现状，选取以下变量作为被解释变量进行回归分析。

1.经济发展水平（InPGDP）。经济发展水平比较高的城市有利于经济增长，对全要素生产率产生正向影响。但是经济快速增长的同时往往会消耗大量的能源，加重环境污染，对绿色全要素生产率产生负面影响。本文选用人均GDP 来衡量经济发展水平的影响。

2.人力资本（InEDU）。人力资本是经济增长的重要源泉。正规的学校教育是产生人力资本的主要途径，本文选用劳动力受教育程度，即普通高等学校在校人数来衡量各城市的人力资本水平。

3.外商投资（FDI）。外商投资可以提高本地生产效率，也可能加重环境污染，对绿色全要素生产率的影响具有不确定性，本文采用外商直接投资实际使用额占地区生产总值的比例衡量外商投资水平。

4.产业结构（IS）。产业结构影响资源在经济系统中的运行效率，对整个经济体的能源消耗具有强大的调节作用。本文选取第二产业增加值占GDP 比重来衡量产业结构对绿色全要素生产率的影响。

5.环境治理能力（ER）。环境治理一方面可以减少污染物的排放；另一方面由于环境治理会在一定程度上抑制生产率的提高。本文选用固体废物利用率来衡量环境治理能力的水平。

6.能源结构（ES）。工业能源的消耗是中国环境污染的主要来源，调整能源结构是城市生态可持续发展的必然要求。考虑到城市数据的可得性，选取工业用电量占城市总用电量的比例作为能源消费结构的衡量指标。

7.技术进步（InPT）。技术进步可以提高生产率和能源利用率，但如果技术在发展初期为污染性技术，会对环境产生负面影响。本文用各城市专利授权数量衡量技术进步水平。

8.政府干预（GOV）。政府的干预也会影响绿色全要素生产率。本文用地方财政一般预算内支出与GDP 的比值衡量各地政府的干预程度。

基于以上因素分析，本文构建如下计量模型：

其中，i=1，2…，41，表示长三角地区41 个城市，t 表示年份；CGTFPit、CGECit和CGTCit为被解释变量，分别代表i 地区在第t 年的累积绿色全要素生产率、累积绿色技术效率以及累积绿色技术进步；αit为常数项，β1～β8为各解释变量的回归系数，μit表示不可观测的个体效应，εit表示随机扰动项。

本文使用面板数据采用随机效应模型（RE）进行回归，为保证实证结果的稳健性，进一步采用全面FGLS 模型进行回归。表3 显示RE 模型、全面FGLS模型回归结果。

表3 RE 模型、全面FGLS 模型回归结果

（二）实证结果分析

从模型的回归结果可以看出，大部分变量系数相近、影响相同，个别变量的显著度有所差异，全面FGLS 模型的回归结果更加显著，本文将根据全面FGLS 模型（4）～ 模型（6）的回归结果分析长三角绿色全要素生产率的影响因素。

经济发展水平对CGTFP 具有促进作用，对CGTC具有抑制作用。对绿色技术效率具有正向影响，但影响不显著。

人力资本对CGTFP 具有显著的正向影响，对CGEC 和CGTC 具有负向影响，但绿色技术进步未通过显著性检验。

外商投资对CGTC 和CGEC 未通过显著性检验，对绿色全要素生产率的负向影响通过了10%的显著性水平检验，总体来看，外商投资在一定程度上抑制了CGTFP。

产业结构虽然对CGTC 具有显著的促进作用，但对CGTFP 具有更加显著的抑制作用。对绿色技术效率也具有负向影响，但并未通过显著性检验。总体来看，现行的产业结构和产业政策还是抑制了CGTFP的提升。

环境治理能力未通过显著性检验。指标的选取不能很好地反映环境治理能力和CGTFP 之间的关系，仍需深入分析。

能源结构对CGTFP 具有显著的促进作用，对CGEC 和CGTC 的影响不显著。这一结果肯定了当前长三角地区在能源结构方面的调整成效，有效促进了经济的绿色可持续发展。

技术进步对CGEC 具有显著的正向影响，对CGTFP 和CGTC 的影响不显著。技术进步作为经济增长的主要源泉，可以大幅提高CGEC。

政府干预对CGTFP 和CGEC 具有显著的正向影响，对CGTC 具有显著的负面影响。

六、研究结论与政策启示

（一）研究结论

本文通过EBM-GML 指数测度长三角地区41个城市绿色全要素生产率，全面探究长三角地区绿色经济发展状况。

从动态演变角度分析，样本期内长三角地区绿色全要素生产率整体层面呈上升趋势，增长幅度不大。增长动力主要来自技术进步，技术效率改进的贡献相对较小。虽然长三角地区城市的技术创新能力不断提高，但技术效率增长不足，需要进一步改善。

从影响因素角度分析，经济发展水平、人力资本、能源结构、政府干预等因素促进长三角绿色全要素生产率增长，外商投资、产业结构抑制长三角绿色全要素生产率的增长。

（二）政策启示

1.长三角一体化发展过程中，各个城市之间可以加强人才交流和互动，实现人力资本均衡合理分布，以适应当地的经济发展水平。在提升人力资本的同时，要重视高质量人才的引进，提高绿色技术效率。对于在人才流动过程中可能出现的一些障碍，从长三角一体化发展的角度出发，对长三角地区在医疗、教育、住房等基础方面实施协同发展，促进人才跨城市流动，使人力资本在资源配置的过程中均衡协调发展。

2.为了实现长三角地区绿色协调可持续发展，在建立绩效评价体系过程中，不能仅仅考虑经济增长，还需要重点关注能源消耗和环境污染。要建立一定的激励和适当的惩罚机制，让各个城市和企业有动力改善环境质量，追求绿色GDP。积极优化调整能源结构，促进能源体系的低碳化，提高城市绿色全要素生产率。

3.长三角各个城市在积极引入外商投资的过程中，不能只追求外商投资带来的经济利益，还需要考虑引入的外商投资在环境和能源方面的问题。调整招商引资的工作思路，引导外商直接投资更多的流入高新技术产业部门，促进技术进步，对高污染高能耗部门设置一定的环境规制成本，尽可能降低能源消耗和减少污染排放，提高绿色生产率。

4.长三角一些城市目前仍然存在较多的传统产业，产业结构优化不足。上海、南京、杭州、苏州和合肥等核心城市可以进一步优化产业结构，提升自身产业优势的同时，还可以与周边辐射城市形成互补关系，促使各城市产业结构优化升级，在推进长三角一体化的进程中实现整体产业分布更优格局，提升绿色全要素生产率，优势互补协同发展，实现经济绿色可持续提升。