中国工业绿色全要素生产率的时空演化特征及影响因素研究——以供给侧结构性改革为视角

马大来，张凤太，肖粤东，宫兆淼，赵娜，揣小伟

（1.重庆理工大学 管理学院，重庆 400054；2.重庆医药高等专科学校，重庆 401331；3.南京大学 地理与海洋科学学院，江苏 南京 210023；4.南京大学 关键地球物质循环前沿科学中心，江苏 南京 210046）

改革开放40 多年来，作为国民经济主导产业的工业部门快速发展，为中国的经济增长做出了突出贡献。当前中国的工业规模已经跃居世界第一，工业增加值从1978 年的1 659.5 亿元增加到2018 年的305 160 亿元，41 年间增长188.92 倍，年均增长达到13.64%。2018 年中国的制造业增加值已经占全球总额的30%，成为推动全世界工业发展的重要引擎。但是，工业部门在创造了大量物质财富的同时，其长期以来高投资、高耗能和高排放的增长模式，也消耗了大量的能源，并且产生了严重的环境污染。数据显示，2018 年工业终端能源消费量高达300 558 万吨标准煤，占全部终端能源消费总量的65.19%。与此同时，当前中国的环境保护工作依旧不容乐观。《2018 年全球环境绩效指数报告》显示，中国环境绩效指数在180 个国家中仅排第120 位。鉴于工业部门作为环境污染物产生的主力军，加快推进工业部门的节能减排已经迫在眉睫。同时，考虑到当前中国工业部门的发展轨迹，以及工业部门在促进经济增长和保障就业中的关键作用，如何在加快推进工业节能减排的前提下，促进工业部门绿色转型成为政府所要解决的重要问题，据此提升工业绿色全要素生产率成为可行之路。

当前党和政府高度重视工业绿色转型问题。习近平总书记在2018 年的全国生态环境保护大会上强调，要围绕调整经济结构和能源结构等重点，培育壮大环保产业。党的十九大报告更是提出要建立健全绿色低碳循环发展的经济体系，壮大节能环保产业、清洁生产产业、清洁能源产业。如何实现工业绿色转型，已经成为社会各界关注的热点问题。为此，不少学者[1-3]从环境规制、金融发展、贸易开放等视角，探讨了实现工业绿色转型之路。但要真正实现工业绿色发展转型，重点是要解决现有工业发展模式存在的产能过剩严重、自主创新能力不足、能源资源消耗和污染排放居高不下、节能减排压力大等“供给侧”问题[4]。在此背景下，深化供给侧结构性改革成为中国工业绿色发展的新动力[5]。供给侧结构性改革的重点，就是从提高供给质量出发，用改革的办法推进结构调整，矫正要素配置扭曲，扩大有效供给，提高供给结构对需求变化的适应性和灵活性，提高全要素生产率。那么，当前中国工业绿色全要素生产率处于何种水平？其演变又呈现出何种特征？供给侧因素是否有效影响工业绿色全要素生产率？通过回答这些问题，对于准确把握当前我国工业绿色发展水平，科学识别工业绿色转型的区域差异和动力源泉，探寻我国实现工业绿色转型路径具有非常重要的实践和参考价值。

学术界对于工业绿色全要素生产率的研究主要体现在评价指标、测算方法和研究尺度三个方面。在评价指标体系方面，主要体现在非期望产出指标的选择上的差异性。一般而言，二氧化碳[6-7]、工业“三废”[8-9]、SO2与COD[10-11]是非期望产出最为常用的衡量指标。在测算方法方面，随机前沿分析法（SFA）[12]、数据包络分析法（DEA）[13-14]是评价工业绿色全要素生产率最为常见的方法。在研究尺度方面，一是在空间尺度上，相关学者对省级层面[15-17]、长江经济带[18]、长三角[19]的工业绿色全要素生产率进行了测算；二是在行业尺度上，已有学者分别对制造业行业[20]、煤炭行业[21]、食品行业[22]的绿色全要素生产率进行了研究。

综上可见，当前已有关于中国工业绿色全要素生产率的研究成果正在逐步丰富，但仍有两点不足之处：其一，已有学者初步认识到供给侧结构性改革对于提升工业绿色全要素生产率的重要性，然而这方面的研究不仅数量相对较少，且主要以定性研究为主，缺乏必要的定量研究；其二，多数学者在研究工业绿色全要素生产率时，主要以时间序列数据模型或者普通面板数据模型为主，未能考虑到地理空间因素的重要影响，这有可能造成研究结果出现一定的偏差。正如TOBLERS[23]提出的地理第一定理也认为，区域上的任何事物有一定的联系，但事物之间的联系度与空间距离成反比。有鉴于此，为解决以上研究的不足，本文基于供给侧结构性改革战略的内容精髓，从“结构调整”和“要素供给”两个方面建立供给侧因素对工业绿色全要素生产率影响的分析框架，并在此基础上进一步采用空间计量模型考察了供给侧因素对工业绿色全要素生产率的影响效应，为实现中国工业绿色转型提供一定的借鉴。

1 研究方法、变量选取与数据说明

1.1 研究方法

1.1.1 EBM模型

本文所考察的是将各种工业环境污染物排放包含在内的工业绿色全要素生产率。传统的CCR、BCC 模型在测度包含有环境污染物在内的效率时，由于环境污染物不符合“最大产出”假设，故环境污染物不能直接作为产出指标被纳入到效率评价体系之中。假如在效率评价体系之中忽略了环境污染物，同样有可能导致效率的测度结果出现偏差[24]。为解决这一问题，TONE[25]建立的SBM 模型较为完美地解决了带有环境污染物的效率评价问题。但是，该模型依旧存在一定的缺陷，即SBM模型在建立之初并没有考虑到投入产出指标的径向与非径向的兼容问题。为此，TONE 等[26]进一步将SBM 模型改进为EBM 模型。可以说，EBM 模型作为一种混合距离模型，克服了单一的径向和非径向测量的缺陷，有效提高了效率测度的精确性。

EBM 模型运行的原理是，在一个生产体系中，包含了n个决策单元。每个决策单元需要投入M个投入要素，分别产生了U个期望产出y和V个非期望产出b。为便于模型的表达，假定投入要素、期望产出、非期望产出分别用向量予以表征，第k个的决策单元为DMUk=（xk,yk,bk）。所有可能的生产性集合为T={(x,y,b):xcan produceyandb}。则EBM 模型具体的表达式如下：

1.1.2 空间计量方法

（1）Global Moran’s I 指数。中国的工业绿色全要素生产率是否存在空间相关性，这是本文所要考察的重要目标。一般而言，衡量工业绿色全要素生产率的空间相关性主要用Global Moran’s I 指数，其具体表达公式如下[27]：

式中：n代表所要测算空间相关性的省份数量，xi、xj分别代表i省份、j省份的观测值，代表对所有省份的观测值取平均值。Global Moran’s I 指数取值有特定的范围，即处于-1 和1 之间。假如Global Moran’s I 为-1，意味着被考察省份观测值之间存在空间负相关性；假如Global Moran’s I 为1，表明被考察省份观测值之间存在空间正相关性；仅当Global Moran’s I 为0 时，此时各省份的观测值之间在空间上是相互独立的，不存在任何空间相关性。Wij为空间权重矩阵，通常有距离矩阵、经济矩阵和邻接矩阵三种形式。其中，空间邻接矩阵由0 和1 所构成，计算方便，应用范围广，故本文选择该类型的矩阵，其具体的表达式如下：

Global Moran’s I 指数在运算过程中，为验证其真实性，其显著性检验也是非常必要的。一般而言，采用Z-score 正态分布即可验证出Global Moran’s I 指数是否通过显著性检验，其具体的表达式如下：

假如Global Moran’s I 指数的Z-score 统计值通过了10%、5%或1%三个显著水平的检验，则表明Global Moran’s I 指数具有真实性，这也说明被考察省份的观测值具有显著的空间相关性。

（2）Local Moran’s I 指 数。由 于Global Moran’s I指数仅能够测量全国所有省份的观测值在全局上的空间相关性，对于每个省份观测值各自的空间相关性是无法表征的，这就导致无法进一步开展深入研究。为克服这一问题，本文引入了Local Moran’s I 指数来分析各个省份观测值具体的局部空间相关性。在计算出Local Moran’s I 指数后，可以通过描绘LISA（local indication of spatial association）图来直观反映各省份观测值空间分布格局或者空间分布规律。LISA 图分为高高集聚区（HH）、低高集聚区（L-H）、低低集聚区（L-L）和高低集聚区（H-L）四种类型。位于高高集聚区（H-H）和低低集聚区（L-L）的省份，意味着该省份的观测值高（低），且四周邻近省份的观测值也高（低）；位于低高集聚区（L-H）和高低集聚区（H-L）的省份，代表着该省份的观测值高（低），但四周邻近省份的观测值则较低（高）。此外，高高集聚区（H-H）、低低集聚区（L-L）为空间集聚区，而低高集聚区（L-H）、高低集聚区（H-L）则为空间离群区。Local Moran’s I 指数的公式表达如下：

（3）空间自回归模型（SAR）和空间误差模型（SEM）。假如中国的工业绿色全要素生产率被检验出有显著的空间相关性，此时再采用传统的最小二乘法（OLS）对后续的工业绿色全要素生产率的供给侧因素开展定量分析已经不再适合。这是因为传统的最小二乘法（OLS）成立的前提是有严格限定的，模型的被解释变量不能有任何的空间相关性，即要满足被解释变量在空间上是相互独立的前提，条件方可成立。若采用最小二乘法（OLS）处理有空间相关性的被解释变量时，可能导致模型估计结果与实际存在较大偏差，故此时需要引入空间计量模型来解决这一问题。当前，经典的空间计量模型有空间自回归模型（SAR）和空间误差模型（SEM）。其中，空间自回归模型（SAR）的基本表达式如下[28]：

式中：y代表了模型中的因变量；X为自变量的合集，β则为自变量的系数；ρ、λ均为模型中的空间自回归参数，假如这些参数通过显著水平的检验，则表明模型有空间相关性存在；W为模型中的空间权重矩阵，这里用0 和1 构成的n×n维形式的空间邻接矩阵表示；σ是标准差，I是单位矩阵，表示方差和单位矩阵的乘积；ε则是随机误差项。

空间误差模型（SEM）的基本表达式为[29]：

式中：y、X分别为自变量、因变量合集；β同样为自变量的系数，表示因变量与自变量之间的相关关系；λ为空间误差系数，其显著性检验结果用于检验该模型是否有空间效应的存在；μ为随机误差项。

1.2 变量选取

本文所要测度的工业绿色全要素生产率可以理解为将资源环境变量约束考虑在内的技术效率，是一个包含工业劳动力、工业资本、工业能源以及工业污染物排放等在内的“全要素”概念，简称为IGTFP。在综合考虑数据可得性、指标代表性、统计口径一致性和相关研究的经验基础上，本文从投入产出视角构建工业绿色全要素生产率的评价指标体系（表1）。整个评价指标体系包含了投入指标和产出指标两部分。其中，投入指标共包括三种工业投入要素：①工业劳动力。借鉴申晨等[30]表征工业劳动力的成果，本文使用历年各省份的工业企业从业人员来表示工业劳动力。②工业资本。在表征工业资本上，不少研究通常采用“永续盘存法”估计工业资本数量。但是，这一方法需要估算初始工业资本存量以及确定折旧率，计算环节多，误差较大。有鉴于此，为进一步减少误差，借鉴许梦博等[31]的研究成果，本文直接采用工业固定资产净值作为各地区的工业资本，并依据固定资产价格指数将名义工业固定资产净值平减为以2000年为基期的实际工业固定资产净值。③工业能源。本文用历年各省份的工业终端能源消费量来表示工业能源。

表1 工业绿色全要素生产率评价指标体系

产出指标由期望产出和非期望产出所构成。其中，期望产出指工业发展过程中的“好产出”。在相关的研究中，工业总产值一直被公认为是衡量工业发展水平的最佳指标[32]。同时，鉴于相关统计年鉴给出的是名义工业总产值，为消除价格通货膨胀可能带来的失真，采用工业品出厂价格指数将名义实际工业总产值平减为以2000 年为基期的实际工业总产值。非期望产出则为工业发展过程中所产生的“坏产出”。一般而言，“坏产出”即为工业能源大量使用后所产生的各种各样的环境污染物，这同样也是工业发展所要支付的环境成本。在具体环境污染物的选择上，工业“三废”是企业污染物排放的三种主要形式，同时，工业“三废”的数据也反映了政府对于企业的环境监管。为此，本文采用工业废水排放量、工业废气排放量和工业固体废物产生量等工业“三废”作为非期望产出的衡量指标。

1.3 数据来源说明

2 工业绿色全要素生产率测度结果及其时空演化特征

2.1 工业绿色全要素生产率的测度结果

基于公式（1），本文采用EBM 模型测算出中国2000—2018 年30 个省份的工业绿色全要素生产率。为便于分析，表2 给出了样本期间各省份工业绿色全要素生产率的平均值。由于中国地域广大，不同地区的资源禀赋有较强的差异性，根据地理位置和经济发展水平差异，将中国划分为东北、华中、华北、华东、华南、西北、西南七大地区。由表2 可知，中国的工业绿色全要素生产率表现出显著的区域差异性。其中，东北地区各省份的工业绿色全要素生产率都较低，其样本期内工业绿色全要素生产率均低于0.75。同样，华中地区3 个省份的工业绿色全要素生产率也均不理想，其各省的效率值均低于0.70。华北地区和华东地区各省的工业绿色全要素生产率表现出典型的两极分化。在华北地区，山西、河北和内蒙古的工业绿色全要素生产率较低，而天津和北京的工业绿色全要素生产率较高；在华东地区，江西和安徽的工业绿色全要素生产率不尽如人意，而福建、山东、江苏、浙江和上海的工业绿色全要素生产率较优。在华南地区，广东的工业绿色全要素生产率拥有强大的优势，处于生产前沿面上，其余省份的工业绿色全要素生产率表现一般。在西南地区和西北地区，各省份的工业绿色全要素生产率均表现不够理想。从全国范围来看，总体工业绿色全要素生产率呈现出由东南向西北的梯度下降规律，这与中国工业发展水平和地势三级阶梯分布密切相关。

表2 中国工业绿色全要素生产率的平均值

2.2 工业绿色全要素生产率的时空演化

由图1（a）可知，在全国七大地区中，工业绿色全要素生产率由高到低分别是：华东、华南、华北、华中、东北、西南、西北。其中，东北、华北、华东、西北地区的工业绿色全要素生产率在研究期间内呈现明显的下降趋势。华中、西南地区的工业绿色全要素生产率呈现先下降后上升的“U”型趋势。华南地区工业绿色全要素生产率则表现出倒“U”型趋势。结合图1（b）可知，东北、华中、西南、西北相对于其他三个区域的工业绿色全要素生产率更加集中，但是这四个区域的工业绿色全要素生产率无法达到高水平（效率值=1）。由图1（c）可以看出，在2007 年之前，各省的工业绿色全要素生产率主要集中在0.6 附近，而在此之后，高密度区域向0.55 移动，说明多数省份的工业绿色全要素生产率在2007 年后迎来了下降压力。根据图1（d），诸如经济发达省份的广东、北京、天津的工业绿色全要素生产率能够达到最高，而经济欠发达的宁夏、陕西、贵州等省份的工业绿色全要素生产率却始终在0.7 以下，这说明工业绿色全要素生产率与经济发展水平密不可分。

图1 全国七大地区和各省份的工业绿色全要素生产率

2.3 工业绿色全要素生产率的空间相关性

2.3.1 工业绿色全要素生产率的Global Moran’ I 指数

基于公式（2）～（4），将各省份历年的工业绿色全要素生产率数值代入Geoda 软件后，本文计算出工业绿色全要素生产率的Global Moran’ I 指数，具体如表3 所示。由表3 可知，中国工业绿色全要素生产率的Global Moran’s I 指数在样本期内均为正数，且都通过了1%显著水平的检验。该结果表明，中国工业绿色全要素生产率表现出显著的正空间相关性，同时这也反映出工业绿色全要素生产率在空间分布上呈现空间集聚性特征。特别是，相邻省份的工业绿色全要素生产率具有强烈的模仿效应，而并非不存在任何的联系。同时这也意味着，在后文要对工业绿色全要素生产率做出进一步的实证研究时，有必要把工业绿色全要素生产率所具有的空间相关性特征考虑在内。假如忽略这一点，则极有可能导致实证结果出现较大的偏差。

表3 中国工业绿色全要素生产率的Global Moran’I 指数

2.3.2 工业绿色全要素生产率的LISA图

基于公式（5），本文测算出2000 年和2018 年各省份工业绿色全要素生产率的Local Moran’I 指数，并据此给出这两个年份的LISA 图，具体见图2。2000 年，位于高高集聚区（H-H）的省份有7 个，同时，有17 个省份处于低低集聚区（L-L）。位于空间离群区的低高集聚区（L-H）和高低集聚区（H-L）的省份分别为4 个、2 个。较之2000 年，2018 年各个省份工业绿色全要素生产率的LISA 图有所变化。其中，有9 个省份位于高高集聚区（H-H），比2000 年增加2 个省份。位于低低集聚区（L-L）的省份则减少至14 个。处于低高集聚区（L-H）的省份没有变化，其数量仍然是4 个。此外，高低集聚区（H-L）的省份则增加1 个，为3 个省份。可见，无论是2000 年还是2018 年，位于高高集聚区（H-H）和低低集聚区（L-L）省份的占比高达75%以上，仅有不足25%左右的省份位于低高集聚区（L-H）和高低集聚区（H-L）。以上表明，中国工业绿色全要素生产率主要形成高值集聚和低值集聚两大空间集聚区，而位于空间离群区的省份则相对较少。

图2 2000年和2018年工业绿色全要素生产率的LISA图

3 工业绿色全要素生产率供给侧因素的空间计量分析

3.1 模型构建与数据来源

本文通过空间计量模型进一步探究工业绿色全要素生产率的供给侧因素，这对于加快工业的绿色发展转型具有重要意义。当前的供给侧结构性改革为加快工业绿色发展转型提供了关键的思路。供给侧结构性改革，其核心内容在于要从提高供给质量出发，用改革的办法推进结构调整，矫正要素配置扭曲，扩大有效供给，提高供给结构对需求变化的适应性和灵活性，提高全要素生产率。为此，本文主要从“结构调整”和“要素供给”两个方面，总结分析供给侧因素对工业绿色全要素生产率的影响。

从“结构调整”的角度出发，本文主要从以下三点分析供给侧因素对工业绿色全要素生产率的影响：①工业产业结构（IS）：产业结构升级已经成为实现工业绿色发展转型的关键所在。鉴于整个工业部门分类众多，相比较于其他工业部门，高技术产业部门具有技术水平高、能源消耗低以及产出水平高的特征，增加高技术产业部门在整个工业部门中的占比不仅成为工业产业结构升级的重要标志，而且也利于促进工业部门的节能减排。基于数据可得性原则，本文选择高技术产业利润额占工业利润总额的比重来度量工业产业结构。②工业产权结构（PRS）：已有研究显示，不同产权性质企业的组织机构、资本构成等存在较大的差异性，这会对企业生产活动产生差异性的激励作用，不仅会直接影响到企业资源配置水平，而且会对企业的环保活动产生重要作用[33]。本文用各省份历年规模以上国有及国有控股企业的工业产值占工业总产值的比重来表征工业产权结构。③工业产品结构（PS）：与传统的初级产品相比，新产品具有能耗低且附加值高的优势，故本文使用工业新产品销售收入与工业总产值的比值来表征工业产品结构。

级配碎石基层由于其本身工程特性限制，在施工中难以控制其平整度，但该指标对于后期路面的行车舒适性有较大影响，因此有必要对该指标进行检测。本文根据《公路路基施工技术规范》（JTG F10—2006），采用3m直尺法对试验段路基平整度进行检测，结果如表4所示。

从“要素供给”的角度出发，本文主要从以下四点分析供给侧因素对工业绿色全要素生产率的影响：①科技创新要素（TI）：以工业研发水平为代表的科技创新，能够带来环境技术革新并且实现对传统企业高能耗设备的更新换代，这利于提高企业生产效率，减少工业能源消耗及污染物排放，促进地区工业绿色转型。本文用各省份历年的工业企业专利申请量的自然对数来衡量科技创新要素。②人力资本要素（HC）：工业部门的人力资本水平越高，往往意味着工业从业人员的受教育水平越高，工业从业人员熟练掌握生产技能，能够操作更为先进的生产设备，加之工业从业人员能够树立良好的环保意识，利于实现工业部门的节能降耗，本文用各省份工业R&D 人员比上工业从业人员来表征人力资本要素。③绿色资本要素（GC）：以工业污染治理投资为代表的绿色资本投入，主要用于企业清洁技术改造以及污染防治设施的建设工作，有利于提升企业的节能减排能力，进而减轻工业部门的资源环境压力[34]。考虑到数据可得性，本文用各省份历年的工业污染治理完成投资与工业总产值之比来表示绿色资本要素。④绿色能源要素（GE）：与煤炭、石油为代表的化石能源相比较，天然气燃烧后产生的环境污染物较少，属于典型的清洁能源。因此，天然气消费比重的提高有利于提高工业减排效果。需要说明的是，由于统计年鉴中没有给出工业能源消费中天然气的消费数量，加之工业能源消费量占整个地区能源消费总量的70%以上，故本文选择地区天然气消费量占能源消费总量的比重来表示绿色能源要素。

依据以上的作用机理分析，从“结构调整”和“要素供给”两个方面出发，本文将工业产业结构、工业产权结构、工业产品结构、科技创新要素、人力资本要素、绿色资本要素和绿色能源要素作为供给侧因素，以此分析这些供给侧因素给工业绿色全要素生产率带来的影响。同时，前文的研究结论表明，中国工业绿色全要素生产率具有显著的空间相关性，此时再使用传统最小二乘法（OLS）建立普通模型进行回归分析，极有可能使得实证结果出现较大偏差。为解决这一问题，需要将传统的普通模型进一步改进为空间计量模型，以此提高估计结果的准确度。基于此，结合公式（6）和（7），本文建立供给侧因素影响工业绿色全要素生产率的空间计量模型如下：

公式（8）为包含固定效应的空间计量模型，具体表现为空间自回归模型（SAR）和空间误差模型（SEM）两种基本形式。哪种空间计量模型更为合适，由空间自回归系数δ和空间误差系数λ的取值所决定。若δ=0，则该模型为空间误差模型（SEM）；若λ=0，则该模型转变为空间自回归模型（SAR）。各个变量具体涵义如下：IGTFP为模型中的因变量，这里具体指各省份历年的工业绿色全要素生产率；IS、PRS、PS、TI、HC、GC、GE为各个自变量，分别代表工业产业结构、工业产权结构、工业产品结构、科技创新要素、人力资本要素、绿色资本要素和绿色能源要素。各个自变量的具体含义见前文。

为保证空间计量模型中相关变量数据的完整性和可获得性，所研究样本同样是中国2000—2018 年30 个省份的面板数据。所有供给侧因素的数据同样来源于2001—2019 年的《中国统计年鉴》《中国环境统计年鉴》《中国环境年鉴》《中国能源统计年鉴》《中国科技统计年鉴》和各省份的统计年鉴。

3.2 实证结果及其解释

本文采用Matlab 软件中的普通计量方法对公式（8）进行初步模拟，同时还进一步检验模型残差项是否存在空间自相关性，其具体的结果如表4 所示。为表明模型控制固定效应后利于提高估计结果的精确度，表4 同时列出了无固定模型、空间固定模型、时间固定模型和双向固定模型的估计结果。通过对4个模型估计结果之间的比较，进而判断出采用哪种固定效应模型的解释力度是最强的。

表4 不同固定效应模型的估计与检验结果

表4 由可知，无固定效应模型、空间固定效应模型、时间固定效应模型和双向固定效应模型的R2值分别为0.549 4、0.155 6、0.689 3 和0.244 4。可见，时间固定效应的R2值要大于其他3 个模型，故该模型的拟合度是最好的。同时，时间固定效应模型的DW值为1.899 5，也大于其他3 个模型。以上两个比较的结果均表明，时间固定效应模型优于其他3 个模型，即时间固定效应模型中变量系数的解释力度是最强的，故本文选择时间固定效应开展进一步的实证分析。此外，表4 的下半部分还给出了模型残差项空间自相关性的检验结果。检验结果表明，时间固定效应的LM-lag、LM-err 分别为47.155 5、14.701 9，且两者均通过了1%显著水平的检验。这充分表明模型的残差项具有显著的空间自相关性，但是普通模型成立的前提是必须满足残差项不存在任何的空间自相关性，故普通模型的计量方法无法有效解决这一问题，因此有必要引入空间计量方法进行重新估计。

鉴于普通模型的估计结果可能存在一定的偏差，故本文采用空间计量方法对公式（8）进行再次估计，所得结果如表5 所示。根据表5 的结果，空间自回归项W·dep.var.值为0.279 9，通过了1%显著水平的检验；同样，空间误差项spat.aut.值为0.2420，也通过了1%显著水平的检验。这两个结果均表明，采用空间自回归模型（SAR）和空间误差模型（SEM）是合适的。与表4 中普通模型的估计结果相比较，空间自回归模型（SAR）和空间误差模型（SEM）中的R2值和log-L值均在原有的基础上实现了提升。这充分表明，空间计量模型估计结果的解释力度要强于普通模型。同时，空间计量模型中部分变量回归系数的t检验值也实现了增大，这同样反映出空间计量模型的估计结果在普通模型的基础上实现了改进。此外，空间自回归模型（SAR）和空间误差模型（SEM）的log-L值分别为609.452 5、593.278 4，前者要大于后者，故空间自回归模型（SAR）的解释力度更强。结合以上比较结果，本文最终选择空间自回归模型（SAR）的估计结果开展变量系数的解释。

表5 空间计量模型的估计与检验结果（时间固定效应）

（1）工业产业结构（IS）的估计系数为正，且通过了1%显著水平的检验，这表明工业产业结构升级有利于提升工业绿色全要素生产率。该结果也反映出，当前高技术产业发展取得显著效果，对于实现工业节能降耗产生了重要的作用。统计数据显示，2000 年中国高技术产业的利润额仅为673.46 亿元，而截至2018 年，这一数据增加至10 293 亿元，18 年间增长了15.28 倍之多。可以说，随着高技术产业规模的不断扩大，进一步带动工业结构朝高技术化、低能耗的可持续发展方向转变。正是得益于不断升级的产业结构，我国单位工业总产值能耗水平也由2000 年的1.20 下降到2018 年的0.26。

（2）工业产权结构（PRS）在1%显著水平上对工业绿色全要素生产率的影响为负。这充分表明，国有及国有控股企业的工业产值占工业总产值的比重降低，反而有利于促进工业绿色发展转型。当前我国一直积极推进“国退民进”策略，在工业企业中加快混合所有制改革步伐，逐步降低国有经济比重，这有利于国有企业市场竞争机制的形成，从而更好发挥市场在资源配置中的关键性作用，进而提高工业企业的生产经营效率。

（3）工业产品结构（PS）在1%显著水平上对工业绿色全要素生产率的影响为正，表明工业新产品销售收入增加对实现工业绿色发展转型至关重要。这也从侧面印证：当前中国工业发展提质增效取得显著效果，工业产品生产逐步摆脱单纯从事附加值较低的“制造—加工—组装”初级产品生产环节，更多转向附加值较高的设计、研发、营销、工程承包、售后服务等新产品生产与销售环节。这既提高了生产效益，同时也显著减少资源消耗以及环境污染物的排放。数据也表明，2000 年工业新产品销售收入占工业总产值的比重仅为8.92%，而截至2018 年这一数据为16.55%，19 年间增长了近1 倍。

（4）科技创新要素（TI）在1%显著水平上对工业绿色全要素生产率的影响为正，这意味着工业专利申请量增加有利于促进工业绿色转型。可以说，地区工业科技创新能力的提升成为驱动节能减排的重要动力。岳鸿飞等[35]的研究也证实，科技创新带来新的生产工艺，尤其随着先进绿色生产技术的逐步推广，提高了工业能源利用效率，有效减少了工业生产过程中的污染排放，增加了工业产品的附加值，进一步提升了工业绿色发展的内生动力。

（5）人力资本要素（HC）的估计系数为正，且通过了10%显著水平的检验，表明工业R&D 人员占工业从业人员比重的提高对工业绿色全要素生产率具有显著的促进效应。伴随着我国大力推进工业高质量发展，人力资本的重要作用显得越来越突出。正如夏良科[36]的研究结果表明，人力资本是工业全要素生产率提升的重要决定因素。此外，随着工业企业对人才的激励程度不断提高，从事新产品开发的R&D 人员的比例也逐步提升。数据也印证，2000 年工业R&D 人员占工业从业人员的比重仅为0.97%，而2018 年这一比重则高达5.37%，增长了4.4 个百分点。

（6）绿色资本要素（GK）的估计系数为正，但是未能通过显著水平的检验，这表明工业污染治理完成投资占工业总产值的比重提高，并没有起到促进工业绿色转型的作用。可能的原因是，当前我国工业污染治理投资水平依旧较低。以2018 年为例，工业污染治理完成投资仅为621.273 6 亿元，占工业总产值的比重仅有0.05%。工业污染治理投资往往代表了地区环境规制力度，虽然有利于提升企业的节能减排能力，但是较低的环境规制力度也会产生“绿色悖论”[37]。特别是对于污染密集型企业而言，当较低的污染治理投资不足以抵消环境技术调整成本时，企业反而会扩大生产规模，增加生产要素并提高经济产出，此时环境规制反而不利于工业结构绿色转型。

（7）绿色能源要素（GE）在1%显著水平上对工业绿色全要素生产率的影响为正，意味着能源消费中天然气比重增加对提升工业绿色全要素生产率具有显著促进作用。该结果印证了前文的假设，即天然气属于典型的清洁能源，增加天然气的消费比重能够为工业发展添加绿色动力。数据也表明，2000 年天然气消费占能源消费总量的比重仅为2.2%，到2018 年这一比重为7.6%，19年间增加了5.5 个百分点。

4 研究结论与政策启示

在供给侧结构性改革背景下，通过构建工业绿色全要素生产率的评价指标体系，本文采用包含非期望产出的EBM 模型评估了中国2000—2018 年30 个省份的工业绿色全要素生产率。同时，在分析其空间相关性的基础上，采用空间计量模型实证分析了供给侧因素对工业绿色全要素生产率的影响，得到如下基本结论：（1）样本期内，中国的工业绿色全要素生产率表现出明显的区域差异性，在东北、华中、西南和西北地区中，各省份的工业绿色全要素生产率均表现得不够理想，而位于华北、华东和华南地区各省份的工业绿色全要素生产率表现出典型的两极分化。

（2）不同地区的工业绿色全要素生产率变动趋势呈现出一定的差异性，其中东北、华北、华东、西北地区的工业绿色全要素生产率在样本期内显著下降，而华中、西南和华南地区的工业绿色全要素生产率变化波动性显著，其中华中、西南地区呈“U”型趋势，而华南地区则表现出倒“U”型趋势；此外，工业绿色全要素生产率与经济发展水平密不可分，往往经济发达省份的工业绿色全要素生产率较高，而经济欠发达省份的工业绿色全要素生产率则相对较低。

（3）工业绿色全要素生产率的Global Moran’ I 指数通过了显著水平的检验，反映出工业绿色全要素生产率的空间集聚性特征表现明显；LISA 图表明，全国大多数省份的工业绿色全要素生产率位于高高集聚区（H-H）和低低集聚区（L-L），仅有少量省份处于低高集聚区（L-H）和高低集聚区（H-L）。

（4）工业产业结构、工业产品结构、科技创新要素、人力资本要素、绿色能源要素对工业绿色发展效率提升有显著的正向影响，工业产权结构对工业绿色发展效率提升产生明显抑制作用，而绿色资本要素的影响却表现不显著。

根据以上研究结果，有以下政策启示：

第一，工业绿色转型政策要考虑到地区差异性。特别是，东北、华中、西南和西北地区是工业绿色发展规划所要重点关注的地区，政府应该在资金、人才以及技术等方面给予一定的政策优惠。同时，还要建立跨区域工业绿色转型的合作与交流制度。经济发达省份与经济欠发达省份之间应该加强合作力度，双方应在工业生产方式、技术、管理、经验等方面强化交流，以弥补中西部落后省份工业绿色发展转型过程中存在的短板。

第二，大力实施工业结构的调整升级策略。其一，继续推进工业产业结构的调整升级，以信息化和工业化深度融合为先导，实现对钢铁、石化、水泥、汽车等传统工业部门的绿色化改造，同时加大先进制造业、生物医药、新能源汽车、高端新材料和节能环保等高技术产业发展力度，提升工业绿色竞争力；其二，继续落实“国退民进”的工业产权结构调整战略，要加快国有企业的混合所有制改革，通过在国有企业中建立现代企业制度，充分发挥市场机制在资源配置中的关键性作用，提高国有企业的生产效率；其三，继续实施工业产品结构升级策略，建立并完善绿色制造体系，大力推进工业新产品制造的绿色化、智能化，提高新产品质量的稳定性，同时还要提升新产品销售的自动化水平，逐步降低人工成本。

第三，进一步优化工业要素供给的有关措施。要加大工业企业研发投入力度，强化技术创新型企业建设，构建以政府为引导、以市场为导向、以企业为主体的科技创新体系，政府既要加大对企业环保技术研发活动的财政支持，又要引导企业建立创新自发投入机制；要加强企业创新型人才的培养力度，完善产学研各方协同培养创新型人才的体制机制，将企业打造成创新型人才培养的主体，畅通高等院校、科研院所到企业从事研发活动的人才流动机制；要进一步增强环境规制力度，通过培育良好的工业污染治理投资环境，提高企业投资环境治理的积极性和主动性，还要拓宽工业污染治理投资的资金筹集渠道，打造合资、独资、PPP 等多种形式的投资模式，吸引民间资本进入工业环保领域；要加快实施清洁能源发展战略，构建清洁低碳、安全高效的能源体系，建设全国性的清洁能源生产基地，打造清洁能源特色产业集群。