长三角地区城镇化对绿色全要素生产率的影响

荀守奎,秦梦云

(安徽理工大学 经济与管理学院,安徽 淮南 232001)

2022年,国家发展和改革委员会发布《“十四五”新型城镇化实施方案》,强调城镇化要以推动高质量发展为主题,同时也要为城市可持续发展提供更加坚实的客观条件。这再次说明城镇化不是简单的人口向城镇转移,而是要坚持以人为核心,从人口、布局、城市建设、城市治理水平、城乡融合等多方面提高城镇化建设质量,增强城市的可持续发展能力。

长三角是我国经济发展最活跃、开放程度最高、创新能力最强的区域之一。长三角一体化发展上升为国家战略以来,其城镇化进程取得重大进展。然而,快速城镇化有时难免以生态环境为代价。城镇化进程中的高资源消耗、高能源消耗和高碳排放等问题会影响环境的可持续性,从而对该地区的绿色发展产生不利影响[1]。绿色全要素生产率是用来衡量一个地区或一个行业绿色发展效率的重要指标,研究城镇化对绿色全要素生产率的影响作用对促进长三角地区经济绿色可持续发展具有重要的理论和实际意义。

一、文献综述

鉴于城镇化与生态环境状况的协调程度会直接影响到一个地区的可持续发展能力,近些年部分学者开始研究城镇化对绿色全要素生产率的影响作用[2]。一部分学者认为城镇化会对绿色全要素生产率产生正面影响。尚娟运用系统GMM模型对我国30个省份的面板数据进行分析,发现新型城镇化能显著促进绿色全要素生产率的提高[3]。申丹虹运用OLS估计方法对黄河流域面板数据进行回归,发现人口城镇化对绿色全要素生产率有正向影响[4]。但也有学者对此提出不同的见解,如吴丽娟运用Tobit回归模型分析了流通业绿色全要素生产率的影响因素,发现城镇化水平对流通业绿色全要素发展率具有显著的负面影响[5]。郑垂勇基于长江经济带2006—2015年省际面板数据构建了以人口城镇化率为门槛变量的门槛模型,研究发现城镇化率总体对绿色全要素生产率起抑制作用[6]。此外,也有学者认为城镇化对绿色全要素生产率的影响是非线性的,如徐倩运用OLS对面板数据进行回归分析,发现人口城镇化率对绿色发展效率存在显著的先抑制后促进的“U”型关系[7]。

综上所述,目前关于城镇化与绿色全要素生产率的关系已经有了一定的研究,但尚未形成统一的结论,且现有研究大多从人口方面选取单一指标研究城镇化对绿色全要素生产率的影响,而较少从新型城镇化视角下探究二者之间的关系。在此基础上,本文从新型城镇化体系测算城镇化水平并进行后续研究,契合政策的同时得出的结论也更加客观全面。此外,目前的研究多从行业或省份层面上研究绿色全要素生产率及其影响因素,本文以长三角地区为研究对象分析了城镇化对绿色全要素生产率的影响,为长三角地区绿色发展研究作出贡献。

二、研究设计

1.研究方法

(1)绿色全要素生产率测度方法

数据包络分析(DEA)是由Charnes等于1978年创建的绩效评价方法,可用于在多投入多产出情况下对多个决策单元(DMU)的相对效率进行评价。为了解决径向模型在评价效率过程中对于松弛变量的忽视问题,Tone于2001年提出了SBM模型(Slack Based Measure)[8],并于次年将超效率模型和SBM模型结合,提出超效率SBM模型,从而可以进一步对标准效率模型中同时有效的DMU进行效率排序[9]。考虑非期望产出的超效率SBM模型数学表达式如式(1)所示。

(1)

其中,n表示DMU的个数,即城市个数;每个DMU有m种投入、S1种期望产出和S2种非期望产出;x表示投入矩阵中的元素;yd表示期望产出矩阵中的元素;yu表示非期望产出矩阵中的元素;ρ表示静态的绿色发展效率值,ρ越大,说明绿色发展效率值越大,即绿色发展水平越高。

超效率SBM模型只能对截面数据进行效率分析,为了衡量效率的动态变化程度,需要结合动态指数对效率值进行跨期比较。传统的Malmquist指数没有将非期望产出纳入考虑范围[10],Chung等人改进后得到的Malmquist-Luenberger指数在测算跨期方向距离函数时,面临潜在的线性规划无可行解的问题[11]。为此,吴东贤将全局可能性生产集和方向距离函数的概念进行整合,提出了Global Malmquist-Luenberger(GML)指数[11]。GML指数综合运用各期数据的总和作为参考集,由于各期参考的是共同的全局前沿,所以GML指数具备传递性,可累乘[12]。第t期～第t+1期的GML指数计算公式如式(2)所示。

(2)

(3)

(2)城镇化水平测度方法

运用熵值法确定城镇化水平测度的指标权重。具体步骤如下。

第一步,原始数据的设定。

假设数据为t个年度内m个省份的n个指标,则Xθij表示第θ年省份i的第j个指标值。

第二步,数据标准化。

正向指标:

(4)

负向指标:

(5)

标准化后会出现0值,因此对所有数据加0.0001向右平移,使标准化后的数据在[0.0001,1.0001]的区间内。

第三步:比重计算。

计算第θ年省份i的第j个指标在第j个指标中所占的比重。

(6)

第四步:信息熵计算。

计算第j个指标对应的信息熵。

(7)

第五步:权重计算。

首先,计算第j项指标的差异系数。

Gj=1-Ej

(8)

其次,计算第j项指标的权重。

(9)

第六步,综合得分计算。

计算第θ年第i个省的综合得分。

(10)

(3)城镇化对绿色全要素生产率影响分析方法

由以上方法可以计算出绿色全要素生产率和城镇化水平,为了进一步检验城镇化对长三角地区绿色全要素生产率的影响作用,构建基准回归模型如式(11)所示。

(11)

其中,GTFPit为被解释变量,表示第i个城市第t年的绿色全要素生产率;URBit为核心解释变量,表示第i个城市第t年的城镇化水平;β0为核心解释变量的回归系数;βn为控制变量的回归系数;Xn为控制变量;αi是个体不随时间变化的因素,表示个体固定效应;λt是不随个体改变而随时间变化的因素,表示时间固定效应;εit为随机误差项。

2.指标选取及数据来源

(1)绿色全要素生产率测算指标

投入指标从资本、劳动和能源三方面选取,分别用固定资本存量、就业人员数和能源消费总量来表示。其中,固定资本存量用永续盘存法测算,公式为Kt=(1-δ)Kt-1+It,Kt表示t期的固定资本存量,δ表示折旧率,It表示t期的投资。文章在张军等的方法基础上[13],选取资本形成总额作为当期投资指标,以9.6%的折旧率、2000年为基期,得到更为接近现实的省际资本存量,并参考张少辉等的方法将省级资本存量按一定权重折算到各个城市[14]。就业人员数从各城市统计年鉴中直接获取。能源消费总量则以省级能源数据为基础,通过GDP占比将省级能源数据折算为城市级能源投入数据。

期望产出用地区生产总值来表示。为了剔除价格因素的影响,对各年GDP以2009年为基期进行平减处理。

非期望产出的指标选取上,参考多数学者的研究,选取工业废水排放量、工业二氧化硫排放量和工业烟(粉)尘排放量作为非期望产出指标[15]。此外,考虑到国际上对“双碳”问题的愈发重视,加上气候问题的日益严峻,本文将二氧化碳排放量也纳入非期望产出指标体系中,最终构建指标体系如表1所示。

表1 绿色全要素生产率测算指标体系

(2)城镇化水平测算指标

从人口、土地、生态、社会和经济五个方面分别选取指标构建城镇化指标体系,并用熵值法确定各指标所占权重,结果如表2所示。

表2 城镇化水平评价指标体系

(3)城镇化对绿色全要素生产率影响的回归模型变量

被解释变量:绿色全要素生产率(GTFP)。以2009年为基期,以2009年各城市绿色发展效率值为基数,以后各年的绿色全要素生产率由2009年的绿色发展效率值累乘每年的GML指数得到。

核心解释变量:城镇化指数(URB)。根据城镇化指标体系计算得出的城镇化指数。

控制变量:经济发展水平(PGDP),用人均生产总值取对数来表示;环境规制(ENV),用工业废水排放量、工业二氧化硫排放量和工业烟(粉)尘排放量通过熵值法构建的环境规制综合指数来表示;外商直接投资(FDI),用实际利用外商投资额取对数来表示,其中实际利用外商投资额乘以人民币汇率的年平均价转化为以人民币为单位的计价方式;技术创新投入强度(RDE),用全社会R&D经费占GDP的比例来表示;产业结构(INS),用第二产业增加值占GDP的比重来表示。

(4)数据来源

如表3所示,数据来自2009—2021年长三角三省一市及各地级市的统计年鉴、统计公报、《中国城市统计年鉴》《中国能源年鉴》以及中国碳核算数据库(CEAD)。为保证面板数据的平衡性,剔除研究期内出现行政区域变动的巢湖市。少量缺失数据采取插值法补齐。

表3 变量的描述性统计

三、实证分析

1.长三角地区绿色全要素生产率分析

(1)静态分析

通过超效率SBM模型测算2009—2020年间长三角地区41个城市的绿色发展效率如表4所示。长三角地区的绿色发展效率整体呈现出东南高、西北低的分布特征,从行政区划来看,绿色发展效率最高的是上海,其次是江苏,第三是浙江,最后是安徽,且安徽绿色发展效率与前面三个省市仍有差距。绿色发展效率高的城市主要有两类:一类是上海、杭州、无锡等经济发达的城市,经济水平的提高弥补了其他方面的不足,从而带来高绿色发展效率;另一类是黄山、苏州和温州等旅游型城市,以良好的生态环境和自然风光作为发展基础,在经济水平提高的同时不会对环境造成严重污染,从而使绿色发展效率保持在高水平状态。而马鞍山、铜陵、淮南、淮北、宣城等资源型城市,主要依靠煤矿等重工业发展经济,必然会给环境带来严重负担,从而导致绿色发展效率水平低下。

表4 静态绿色发展效率分析

(2)动态分析

采用核密度估计长三角地区绿色全要素生产率的动态演进情况,变化特征如图1所示。从曲线分布特征来看,呈明显的双峰分布,说明长三角地区绿色全要素生产率两极分化态势显著,存在较大区域差异。主峰一直位于左侧,即长三角地区绿色全要素生产率较低的城市居多。2009—2012年间,主峰高度持续上升,绿色全要素生产率低水平聚集程度加大。主峰高度在2012年达到最高,主峰与次峰高度差距大,表明这一年大多城市的绿色全要素生产率聚集于较低水平,较少城市的绿色全要素生产率聚集于较高水平。2014年开始波峰变窄,主峰与次峰的高度差降低,隐隐呈现由双峰向单峰过渡的趋势,说明长三角地区绝对差异总体减小,区域间发展不均衡程度降低、且绿色全要素生产率两极化趋势减弱。主峰总体向右偏移,说明长三角地区绿色全要素生产率低水平聚集城市的绿色全要素生产率水平提升明显。从2009—2020年的总体变化可以看出,长三角区域绿色全要素生产率水平整体提高,区域差异总体缩小,两极化趋势减弱。

图1 长三角GTFP动态特征

2.城镇化对绿色全要素生产率影响实证分析

(1)基准回归

通过HT检验和IPS检验检验数据的平稳性,结果p值都小于0.05,所以拒绝原假设,即不存在单位根,数据平稳。在模型的选择上,首先,用LM检验确定了随机效应模型优于混合OLS模型;其次,用修正的Hausman检验确定了固定效应模型优于随机效应模型。因此,文章最终选择用固定效应模型进行回归。

城镇化水平对绿色全要素生产率的回归结果如表5所示。第(1)列是仅考虑核心解释变量的最小二乘回归结果,第(2)列是仅考虑核心解释变量的固定效应回归结果。两种情况下,URB的回归系数分别为0.472和0.153,且都在1%的置信水平下显著,说明城镇化水平对绿色全要素生产率有明显的正向影响。第(3)-(7)列分别为依次加入控制变量的固定效应回归结果,在引入控制变量的过程中,核心解释变量URB的系数始终为正,进一步说明城镇化水平对长三角地区绿色全要素生产率具有显著的促进作用。

表5 固定效应模型回归结果

经济发展水平(PGDP)系数显著为负,长三角地区经济发展水平对绿色全要素生产率具有显著的抑制作用。现有文献大多表明,在经济发展初期,由于技术水平有限、资源利用效率较低以及产业结构不合理等原因,生产过程中污染排放量大,不利于环保,从而对绿色全要素生产率的提高产生负面影响;当经济发展到某一阶段时,技术迭代提高资源利用效率,生产方式变得绿色环保,从而使经济发展开始逐渐对绿色全要素生产率产生正面影响。虽然长三角地区自“一体化”战略以来经济发展水平不断提高,但仍存在较大区域差异,整体经济发展水平还处于“环境库兹涅茨曲线”的右侧,尚未达到经济发展促进绿色全要素生产率发展的阶段。

环境规制(ENV)的系数显著为负,长三角地区的环境规制强度对于绿色全要素生产率具有显著抑制作用。根据目前的研究来看,绿色技术创新的补偿效应大小是能否实现环境规制与绿色全要素生产率的双赢的关键所在[16]。而在长三角地区目前的发展状态下,环境规制引领企业技术创新的补偿效应还不能完全抵消其带来的高成本与高投入,即环境规制对绿色全要素生产率产生的仍是抑制作用。

产业结构(INS)的系数显著为负,长三角地区的产业结构对绿色全要素生产率产生显著的负面影响。长三角地区虽已提出要产业转型以推进高质量发展,但主导产业仍集中在制造业。除上海外,江苏、浙江和安徽的第二产业增加值占生产总值比例都在40%以上,说明第二产业仍是长三角经济发展的重要支柱。而第二产业占比大不可避免会带来高污染与高能耗,不利于绿色全要素生产率的提高。

外商直接投资(FDI)的系数为负,但并不显著。在经济全球化背景下,外商直接投资带来技术和知识,为推动各国经济增长作出重要贡献。与此同时,大量吸引外资有时也意味着降低环境准入条件,外资企业因此选择将高污染高能耗的生产环节转移被投资地区,从而对绿色全要素生产率产生负面作用。可能是因为长三角地区城市间吸引外商直接投资的能力悬殊,所以在城市群层面回归中外商直接投资对绿色全要素生产率的影响不显著。

科技创新投入强度(RDE)的系数为正,但并不显著。新古典经济增长理论认为,技术创新是提高全要素生产率的重要途径。一方面,科技创新改进技术条件,提高资源利用效率;另一方面,科技创新可以减少污染物排放,提高污染治理能力。不论是从节能,还是减排方面来看,加大科技创新投入强度都能对绿色全要素生产率产生正面影响。长三角地区科技创新投入强度对绿色全要素生产率的促进作用不显著可能是因为对创新资源的配置效率不高,科技创新投入未能充分发挥在对制约产业链的关键核心技术的创新发展上。

(2)分解指数回归

为了探究城镇化对绿色全要素生产率的作用路径,分别用绿色全要素生产率分解得出的效率进步(EC)和技术进步(TC)作为被解释变量进行固定效应回归,结果如表6所示。

表6 绿色全要素分解指数回归结果

城镇化对EC和TC的系数都为正,且分别在5%和1%的置信水平下显著,说明城镇化对效率进步和技术进步都存在显著促进作用。其中,TC的系数为0.186,EC的系数为0.060,说明城镇化对技术进步的影响更强,通过影响技术进步从而促进绿色全要素生产率增长是长三角地区城镇化水平影响绿色全要素生产率的主要路径。

(3)异质性检验

根据城区常住人口数量将城市规模划分为小型、中型、大型、特大和超大。因为超大城市仅有上海,所以将其和特大城市一起做回归。表7中(1)-(4)列分别表示特大及超大城市、大型城市、中型城市和小型城市样本的固定效应回归结果。

结果显示,城镇化对中型城市的绿色全要素生产率具有显著的促进作用,对其他规模城市的绿色全要素生产率影响作用并不显著。规模大的城市城镇化进程大多已经到中后期,物质资源、人力资本等已经与产业充分融合,所以进一步城镇化对绿色全要素生产率的影响不显著。中型城市处于城镇化快速发展期,在发展模式的探索上已经形成相对成熟的经验,通过产业结构优化、能源消费结构优化等路径对绿色全要素生产率产生明显的带动作用。小型城市城镇化进程大多处于较为初期的阶段,在这一阶段往往会过分注重城镇化速度,忽视城镇化的质量,造成土地过度开发、资源过分开采等问题,从而无法给绿色全要素生产率增长带来显著的正面影响。总体来看,回归结果与实际情况相符合。

表7 城市规模异质性检验

续表7

四、结论与建议

1.结论

本文运用超效率SBM-GML模型测算了长三角地区41个城市的绿色全要素生产率,并运用固定效应回归模型实证分析了城镇化水平对绿色全要素生产率的影响,得到主要结论如下。第一,长三角地区绿色全要素生产率整体提高,两极分化趋势减弱,即城市间绿色发展协调性提高,但区域差异仍然存在。第二,城镇化水平总体提升,呈现东高西低、中部高南北低的态势;同时,城镇化能显著促进长三角地区绿色全要素生产率增长,且这种促进作用主要是通过影响技术进步实现的。第三,异质性分析表明,城镇化对中型城市的全要素生产率促进作用十分显著,对小型城市和超大、特大及大型城市的作用不明显。

2.建议

根据上述结论,提出以下建议。

第一,推动城镇化高质量发展,提升城市可持续发展能力。从长三角整体来看,城镇化水平提高会对绿色全要素生产率产生显著的正面影响。因此,要深入推进以人为核心的新型城镇化战略,促进城镇化建设的提质增效,以此实现提高长三角地区绿色全要素生产率、增强可持续发展能力的目的。

第二,加大科技创新投入,促进对绿色技术的研发与应用。通过对分解指数进行回归发现,“城镇化-技术进步-绿色全要素生产率”是城镇化影响绿色全要素生产率的主要作用路径。在城镇化发展进程中,政府可以通过制定政策、发放补贴等方式引导企业进行绿色技术研发,大力推动技术革新,推动城镇化向绿色集约方向发展。

第三,因地制宜实施城镇化建设措施,推动长三角地区城镇化均衡、协调发展。对于城镇化建设已经较完善的超大、特大和大型城市,要避免过度城镇化,将重点放在城镇化质量的提升上,推动现代服务业、公共服务业、文化旅游等产业发展,形成更高质量的城镇化体系。对于城镇化规模扩张较快的中型城市,应重点关注产业结构的升级调整,在发展经济的过程中控制对环境的影响,使城镇化进程对绿色全要素生产率的促进作用更加显著。对于城镇化初期的小型城市,应重点健全产业体系,保证充足的就业机会,避免因人口流失导致经济规模缩小;同时,提高城市治理能力,最大程度降低城镇化过程中给环境带来的负面影响。