财政纵向失衡对城市绿色全要素生产率的影响——双重机器学习下来自土地财政视角的理论阐释

吕祥伟 张莉娜

内容提要：本文在推动绿色发展的时代背景下,从土地财政的角度为财政纵向失衡如何影响城市绿色全要素生产率提供一种新的理论阐释,并进一步量化分析异质性环境规制情境下影响机制的适用范围。具体而言,本文在利用网络爬虫技术手工整理匹配百万条土地交易信息以及使用两期前沿技术下的曼奎斯特-卢恩伯格指数测度城市绿色全要素生产率的基础上,基于2007—2019年的城市面板数据,运用双重机器学习模型、倾向得分匹配方法等进行了多维检验。研究发现,财政纵向失衡推动了土地财政规模的扩张,阻碍了城市绿色全要素生产率,并且土地财政是重要影响渠道。进一步分析发现,传导渠道会受到环境规制的调节影响,在低环境规制情境下,作用机制的适用性更强。考虑城市异质性特征发现,财政纵向失衡对三线以下城市、非资源型城市以及内陆城市绿色全要素生产率的阻碍作用更强。由此,本文提出完善纵向转移支付体系,降低地方政府对土地财政过度依赖的政策建议。

一、问题提出

绿色发展是贯彻新发展理念、实现高质量发展的关键,尤其是经济发展进入新时代以来,社会各界对环境污染、能源消耗以及碳排放的关注日益增加,加快推进绿色发展的重要性日益凸显。作为衡量绿色发展的重要指标,绿色全要素生产率(TFP)与传统TFP相比,在衡量技术变化的基础上纳入了能源消耗与环境污染,与绿色发展内涵更为契合。因此,实现绿色TFP的提升,不仅符合当前追求经济发展质量和效益的时代背景,而且更与党的二十大报告中提出的“推动绿色发展,促进人与自然和谐共生”的目标高度一致。

财政是国家治理的基础和重要支柱,在提高经济效率、平衡区域发展中起到至关重要的作用[1]。然而,从分税制改革到农业税取消再到当前经济增速放缓下的大幅减税降费,地方政府收支结构的非平衡发展致使财政失衡,制约了财政基础性和保障性作用的发挥。国家统计局的数据显示,地方政府收支缺口由2007年的约14 555亿元上升到2019年的约102 682亿元,增长了7倍多。非对称的事权和财权促使地方政府为提升财力,采取了以地生财的土地财政模式,在实现地方政府目标的同时也带来了房价的非理性过快上涨[2]等一系列负面影响。同时,财政纵向失衡下地方政府对土地财政的过度依赖也会对城市绿色TFP产生严重影响。因此,本文基于财政纵向失衡的特征事实,深入探讨财政纵向失衡下地方政府的收入行为决策及其对城市绿色TFP的影响,从土地财政的角度为财政纵向失衡如何影响城市绿色TFP提供一种理论阐释,并在此基础上进一步量化分析异质性环境规制情境下中介作用渠道的适用条件,由此为推动和落实绿色新发展理念,加快发展方式绿色转型提供有力抓手和着力点。

本文的边际贡献主要体现在:第一,从土地财政的角度在理论上分析财政纵向失衡对土地财政规模和城市绿色TFP的影响及其作用渠道,为财政纵向失衡如何影响绿色TFP提供了一种新的理论阐释,是对现有研究的补充和丰富。第二,在指标测度方面,一方面,通过利用软件Python的网络爬虫技术,在收集近两百万条土地交易信息的基础上,手工整理匹配到城市层面的土地出让交易规模。本文使用的土地交易微观数据不仅包含的信息量更丰富,也更能准确地从城市层面衡量土地出让规模。相比于已有研究,本文寻求在准确衡量土地财政规模、降低测度误差方面有所推进。另一方面,使用两期前沿技术下的曼奎斯特-卢恩伯格指数(biennial Malmquist-Luenberger productivity index)从城市层面测度了绿色TFP。相比于全局曼奎斯特-卢恩伯格指数(global Malmquist-Luenberger productivity index,GMLPI),其不仅解决了不可行解问题,还考虑了技术相对退步的情况。第三,在研究方法方面,在使用传统线性回归模型进行实证检验的基础上,进一步利用双重机器学习(double/debiased machine learning,DML)模型进行分析,在减少对函数形式误设偏误的同时,通过引入残差建模的思想,消除偏差,提供更为稳健的估计量。第四,量化分析了异质性环境规制情境下作用机制的适用范围与条件,即异质性环境规制对中介机制的调节影响程度。本文基于2007—2019年城市面板数据,在利用双重机器学习(DML)模型、倾向得分匹配(PSM)方法、双向固定效应模型(two-way fixed effects model)等实证策略缓解内生性问题的基础上,实证检验财政纵向失衡通过土地财政进而影响城市绿色TFP的作用机制,并进一步探讨异质性环境规制对这一影响渠道的调节作用即有调节的中介作用机制,明确中介渠道适用的环境规制条件。

二、文献综述

现有研究与本文主题密切相关的文献有两支:一支是财政纵向失衡与绿色TFP的相关研究;另一支是财政纵向失衡引致财政压力对绿色TFP的相关研究。

关于财政纵向失衡对绿色TFP影响的研究相对较少,且普遍认为财政纵向失衡会抑制绿色TFP,但在具体作用机制的分析方面存在差异。其中,在环境治理方面,中国式分权制度下财政纵向失衡会通过减少环境治理支出和降低区域环境准入门槛,从而抑制环境治理强度[3],进而降低绿色发展效率;在要素成本方面,财政纵向失衡会使资本应得报酬偏离实际报酬,扭曲资本价格,同时会压低劳动力价格来吸引外地企业[4],以此降低资源配置效率和带来环境污染,进而阻碍绿色TFP;在产业结构方面,财政失衡下为缓解财政压力,地方政府的政策战略会倾向于税源丰富的第二产业,从而抑制产业结构升级[5],降低产业升级的污染减排效应,进而不利于绿色TFP;在技术创新方面,财政纵向失衡下地方政府难以提供资金投入与稳定资金支持,会影响财政对技术创新的风险分担与补偿作用,从而会阻碍技术创新[6],进而抑制绿色TFP。进一步地,财政纵向失衡对绿色TFP的抑制作用会随着地方政府竞争的加剧与所获得转移支付的增加而减弱[7],并且纵向政府竞争对绿色TFP的影响具有空间异质性[8]。

收支分权的非对称性产生财政失衡现象,会导致地方政府收支缺口的扩大,进一步引发财政压力。现有关于财政压力对绿色TFP的相关研究较为丰富,主要集中在对环境污染、技术创新以及经济发展质量的影响等方面。在财政压力的环境效应方面,现有研究普遍认为财政压力会加剧环境污染,是引发高污染发展模式的关键因素之一[9]。具体地,财政压力会通过税收政策、环境管制等方式来降低高污染企业的跨区域转移成本,从而提升地区的环境污染水平[10],主要表现在:低环境规制强度下本地区污染密集型企业数量的增加,导致工业污染水平上升[11];同时财政压力下地方政府会促使高能耗企业扩大产能以增加税收等收入,从而增加碳排放强度[12];鼓励工业发展带来地方雾霾污染程度的提升,从而恶化城市空气质量[13],并且压力越大环境污染越严重[14]。此外,地方政府面临的财政压力降低了区域工业绿色转型试点的政策效果,并且当压力较大时,试点政策效果的持续性被削弱,同时限制了长期的促进作用[15]。在财政压力对技术创新的影响方面,财政压力下地方政府会调整税费征收和补贴行为,从而提升企业税费负担,加剧融资约束,进而降低企业TFP[16]。进一步地,从投入产出的双视角,财政压力会通过提高企业实际税负水平和减少补贴对技术创新产生影响,并且影响效应存在地区差异[17]。关于财政压力对经济发展质量的影响,现有研究大多认为财政压力不利于经济的高质量发展。由于地方政府面临财政压力会通过加强税收征管、偏向特定行业发展以及调整财政支出结构等渠道对就业质量产生负向影响[18],同时通过增加短视行为和机会主义动机的可能性,降低地区引资质量以及软化预算约束,进而不利于提升城市的协调发展水平[19]。并且,为缓解财政压力,地方政府还会牺牲环境质量来实现经济增长[20],不利于经济持续健康发展[21]。

综上所述,关于财政纵向失衡影响绿色TFP的作用机制以及该机制的适用范围,即不同情境下是否受到影响及其影响程度如何存在着一定的探讨空间。尤其是,进一步考虑到在当前加快发展方式绿色转型的时代背景下,绿色TFP作为考虑环境污染等非期望产出因素后的技术进步,相关研究将逐渐成为趋势。因此,本文在推动绿色发展的时代背景下,从土地财政的角度为财政纵向失衡如何影响城市绿色全要素生产率提供一种新的理论阐释,并进一步量化分析异质性环境规制情境下影响机制的适用范围,是对现有研究的拓展和丰富。

三、理论分析与研究假设

中国于1994年进行了分税制改革,旨在重新划分中央与地方政府间财权、事权与支出责任。但此次改革的重点主要集中在财政收入的划分上,上收了地方政府的部分财权,使得地方政府的财政收入自主权不断下降,同时对事权与支出责任进行了下放,尤其是地方政府在公共服务方面的支出责任。因此,分税制下“财权上收,事权下放”给地方政府造成了不匹配的财权与事权,进而导致了财政纵向失衡现象。财政纵向失衡是指在多级政府框架下,由于各级政府责权不相匹配致使某一级政府财政面临赤字,而其上一级政府却出现盈余,即在分权体制下,地方政府自有财政收入与支出所存在的不对称缺口[22]。近年来,财政纵向失衡成为中国财政分权体制的重要特征,也是认识中国经济和各种失衡问题的一个现实背景[23]。

绿色TFP在传统TFP的基础上考虑了能源消耗和环境污染因素,也被称为环境全要素生产率。因此,需要先明确传统全要素生产率的内涵。关于传统TFP的概念最早是由新古典经济学家戴维斯在1955年提出的,将其定义为一个系统中总产出量与总投入量的比值。后来,索洛在1957年改进了生产函数,提出了索洛增长模型,并对全要素生产率进行了量化,把总产量增长中无法用劳动力和资本增长所表示的部分称为“索洛剩余”,即技术变化,并使用索洛残差来测度全要素生产率,由此推动了全要素生产率的发展。现阶段之所以将环境因素纳入全要素生产率的分析框架中,主要是考虑到企业在进行生产活动的同时,不可避免地会有废气、废水等非期望产出的出现,给经济发展带来显著的外部成本,因此,同时考虑能源、环境与经济增长,可以带来环境质量与生产率共赢的发展[24]。尤其在当前推进绿色发展的时代背景下,提升绿色TFP意味着经济发展与环境保护的兼容,有利于发展方式的绿色低碳转型,实现人与自然和谐共生。进一步地,绿色全要素生产率的内涵同时兼具环境和技术两方面的特征。因此,财政纵向失衡可从环境和技术两个层面对绿色TFP产生影响,如图1所示。其中,在环境层面,财政纵向失衡会通过影响城市环境污染水平进而对其产生影响。通常而言,财政纵向失衡下为提升财政收入,地方政府会默认高能耗、高污染企业采取浪费资源、破坏环境的粗放型生产模式[25],同时降低污染密集型企业的进入门槛以牺牲环境为代价进行招商引资,并通过“逐底”竞争扩大地方税基[26]。同时,财政收支不平衡程度的增大会导致地方政府吸引更多污染密集型企业入驻,进而提升了地区工业污染水平[11]。在技术层面,财政纵向失衡会增加企业税收负担[27],阻碍其在绿色生产技术方面的研发投入,不利于企业提升对污染物的处理能力,进而难以降低单位产值的能源消耗和污染物的排放。地方政府掌握了企业发展所需的大量经济和行政资源,企业的发展受制于地方政府[28]。企业可能为了自身发展向政府进行寻租活动,仅将较少资金投入到自主研发中,容易造成资源配置的低效,不仅降低了企业的创新活力,也压缩了企业在研发方面的投入。

图1 财政纵向失衡对绿色全要素生产率的影响机理

综合上述分析,本文提出假设1:财政分权体制下,财政纵向失衡程度的上升会阻碍城市绿色TFP的提升。

关于财政纵向失衡对绿色TFP影响的主要传导机制,随着财政纵向失衡程度的提升,地方政府更可能减少预算内与中央分成的税收努力(1)本文的预算内收入指的是一般公共预算内收入,税收收入在其中占主体地位;预算外收入指的是一般公共预算之外的收入,包括政府性基金收入,而土地财政收入在其中占据主导地位,是仅次于税收的第二大收入来源。这是由于2012年实行预算制度改革,将一般预算收入改为一般公共预算收入。,转而寻求增加预算外的自主性收入将成为重要决策,主要指土地出让收入。这是因为:一方面,由于《中华人民共和国土地管理法》和《中华人民共和国城镇国有土地使用权出让和转让暂行条例》等相关法律赋予了其在一级市场对国有土地的垄断权,为其利用土地获得收入提供了条件和保障;另一方面,从收入归属来看,国有土地出让收入为地方政府所独有。自分税制改革之后,虽然中央政府与地方政府间的财权和支出责任有所明晰,但在增强中央政府宏观调控能力和财力的同时,收支分权的非对称性却直接加剧了地方政府的收支缺口[29],促使地方政府的失衡程度愈发严重。因此,土地财政迅速成为其扩展财源、增强财力的重要手段,并发展成为地方政府的“第二财政”。与此同时,为更大程度地获取财政收入,地方政府对土地财政的依赖度也不断增加,通常情况下,面临的收支缺口越大,土地财政规模就越大[30]。

综合上述分析,本文提出假设2:财政分权体制下,财政纵向失衡程度的上升会促进土地财政规模的扩张。

财政纵向失衡下为增强地方财力导致的以地生财行为会通过影响城市创新能力和环境污染水平等多方面的渠道,来影响城市绿色TFP。具体而言,创新性投资是提升城市创新能力的重要因素,然而由于其周期长、风险高、不确定性大等特点[31],地方政府获得土地财政收入后不会用于创新性投资,而是增加见效快、增长效应明显的基础设施投资[32],从而表现出“重基建、轻创新”的支出偏向;同时,地方政府对土地财政的过度依赖引致房地产市场的异常繁荣[2,33],会吸引非房地产企业的投资,进而挤出用于创新的投资[34];通过土地出让建立融资平台,从银行等融资渠道获得大量信贷资金,进而挤占了企业融资,不利于企业创新;此外,土地财政发展模式下的高房价产生的要素再分配效应也会进一步抑制企业创新、降低全要素生产率[35]。因此,地方政府的土地财政模式会进一步阻碍区域技术创新[36]。另外,通过加剧环境污染也是土地财政影响城市绿色TFP的重要渠道。具体而言,为促进地区经济增长,增加土地财政收入,地方政府会通过以地引资方式,吸引更多企业包括污染密集型企业进入,导致环境污染水平不断上升。此外,低环境规制会促进土地财政收入规模的迅速扩张,进一步加剧土地财政的环境污染效应[37]。

综合上述分析,本文提出假设3:土地财政是财政纵向失衡影响绿色TFP的重要渠道,并且财政纵向失衡会通过促进土地财政规模的扩张降低城市绿色TFP。

四、研究设计

(一)模型设定

1.线性回归模型

根据前文的理论和机制分析,为探究城市绿色TFP与财政纵向失衡、土地财政三者间的关系,设定如下基准模型:

gtfpit=α0+β1govpit+β2landit+θ∑X+λi+vt+εit

(1)

landit=η0+η1govpit+k∑X+λi+vt+ζit

(2)

其中,下标i、t分别为地级城市和年份,α0、η0为常数项。gtfp为被解释变量城市绿色TFP;govp为核心解释变量财政纵向失衡,land为中介变量土地财政收入;∑X为城市层面的控制变量集合。λi、vt分别表示城市以及年份固定效应,来控制随时间和城市而变的不可观测因素产生的影响;εit、ζit为随机误差项。模型(1)和(2)分别用于分析财政纵向失衡、土地财政对城市绿色TFP的影响效应和作用机制。

2.双重机器学习模型

考虑到传统线性回归模型存在的不足,本文借鉴切尔诺茹科夫等(Chernozhukov et al.,2018)[38]提出的双重机器学习模型进行深入分析。该模型把经济学的方法和机器学习结合起来,用机器学习方法实现对边际影响的无偏估计,自提出以来得到广泛的关注和应用。一方面,相比于常用的传统线性回归模型,双重机器学习模型不仅放松了变量间线性关系的假设,减少对函数形式误设带来的偏误,同时可以对高维数据进行建模分析;另一方面,相比于传统的机器学习方法,双重机器学习模型通过引入残差建模的思想,消除偏差,提供更为稳健的估计量,并且收敛速度相对更快。具体地,本文构建如下模型:

(3)

(4)

其中,模型(3)为部分线性模型,是在控制X的基础上估计θ0。Y为结果变量城市绿色全要素生产率,D为处理变量,本文关注的是θ0,θ0为影响城市绿色TFP的因果处理效应,利用机器学习方法估计得到。模型(4)为交互模型,放松了X和D线性可分离的假设,同时假定处理效应是完全异质的,因此该模型比部分线性模型得到更广泛的应用。

(二)变量选择与测度

1.被解释变量

本文的被解释变量为城市绿色TFP(gtfp)。在测度方面,钟等人(Chung et al.,1997)[39]在钱伯斯等(Chambers et al.,1996)[40]所提出方向距离函数(DDF)的基础上,将环境污染等作为非期望产出,开发出了曼奎斯特-卢恩伯格指数(MLPI),后来吴(Oh,2010)[41]又在此基础上进行了改进,提出了全局曼奎斯特-卢恩伯格(GMLPI)指数,克服了使用非期望产出测算绿色TFP时存在的不可行解问题。但是该指数在新增加或减少一年时,都需要重新进行前沿面的构建和测算,缺乏稳定性,同时计算更为复杂。此后,王兵等(2013)[42]在此基础上进行了改进,提出了两期前沿技术下的曼奎斯特-卢恩伯格指数(BMLPI),不仅解决了不可行解问题,还同时考虑了技术相对退步的情况。因此,本文使用BMLPI来测度城市绿色TFP。具体计算公式如下:

(5)

(6)

(7)

其中,EFC表示的是城市绿色技术效率,TEC为城市绿色技术进步。此外,需要说明的是,测算绿色TFP应包括投入和产出两类指标。投入指标具体包括资本、劳动力和能源三种投入要素:资本存量采用张军等(2004)[43]的方法,将折旧率定为9.96%,并根据永续盘存法进行测算,具体公式为Kit=Ki,t-1(1-δ)+Iit,其中K为全社会的固定资本投资,并以2006年为基期进行平减,δ为折旧率,I为新增的固定资产;劳动力要素使用的是年末单位从业人员数;能源要素,由于地级市层面并没有能源消耗的相关数据,因此本文借鉴彭小辉和王静怡(2019)[44]的做法选取电力消耗作为衡量指标。产出指标包括期望和非期望产出,其中前者选择实际国内生产总值(GDP),后者选择工业废水、工业二氧化硫和工业烟(粉)尘排放量。

2.核心解释变量和中介变量

本文的核心解释变量为财政纵向失衡,需要说明的是财政纵向失衡是地方政府事权和支出责任相对于财力、财权不匹配而言的,是个相对的概念。具体地,借鉴孙开和张磊(2019)[45]、储德银和费冒盛(2021)[29]等学者的做法来对财政纵向失衡程度进行衡量。前者使用(地级市一般公共预算财政支出-地级市一般公共预算财政收入)/地级市生产总值来衡量;后者在借鉴埃罗和卢辛严(Eyraud &Lusinyan,2013)[46]的测度方法基础上,结合中国的实际情况,进一步参考储德银和费冒盛(2021)[28]的方法进行测度。以govp代表财政纵向失衡,具体测算公式为:

(8)

(9)

(10)

(11)

需要说明的是,关于财政分权的测度有不同的方法。其中,通过边际分成率或者财政自主权来衡量财政分权,无法判断下级政府在分权程度上的差异以及跨时变化,因此对于分税制改革后的央地关系并不适用[47];而从财政收支角度构建分权指标具有较强的操作性和客观性,从而被学者们广泛采纳[48]。因此,本文通过财政收支分权来衡量财政分权情况,具体借鉴贾俊雪和应世为(2016)[49]、詹新宇和刘文彬(2020)[50]的做法,剔除人口规模的影响,各层级政府财政收入(支出)均采用人均形式来表示。

本文的中介变量为土地财政,为准确衡量土地财政规模,本文使用城市土地出让收入占地级市生产总值的比值来衡量。需要说明的是,城市土地出让收入数据是利用软件Python的网络爬虫功能,从中国土地市场交易网站上获得全国范围内2007年1月1日—2019年12月31日的土地交易信息,共计1 880 347条;在此基础上,通过手工匹配整理,在删除不合理样本后,按照年度和地级市层面加总得到。相比于以往研究,该数据不仅包含的信息量更大,也更能准确地从城市层面衡量土地出让规模。

3.控制变量

本文在借鉴相关文献的基础上,选择产业结构、人力资本、环境规制、政府投资支出等有重要影响的控制变量。

(1)产业结构。一方面,该指标可以反映生产活动的污染密集程度,直接影响污染排放水平;另一方面,产业结构是影响财政收入的重要因素,会对政府财政支出规模、结构以及方向和范围产生重要影响,进而影响城市绿色全要素生产率。此外,促进产业结构升级也是提升城市绿色全要素生产率的重要渠道[51]。具体地,本文选取第三产业增加值占GDP比重来表示。这主要是从产业发展的一般趋势来考虑,中国第三产业产值占国内生产总值的比重近年来发生的变化较为明显,并且比重越来越高,逐渐成为影响财政收入的重要来源,对财政收入的贡献度也越来越大。

(2)环境规制。现有文献中关于环境规制对绿色全要素生产率的影响尚未形成定论,主要有两种观点:一种观点认为环境规制会促进研发投入的增加和绿色技术创新及应用[52],产生的创新补偿效应会提升示范城市的绿色技术创新质量和数量[53],进而促进绿色全要素生产率的提升[54];另一种认为环境规制会挤出一部分资金用于污染治理投入,同时会使企业无暇提升自身实力[55],进而抑制绿色全要素生产率。具体地,本文借鉴欧阳晓灵等(2022)[56]的做法,使用文本分析法对政府工作报告中的环保词频进行统计来衡量城市环境规制强度。

(3)人力资本。人力资本是体现在人身上的知识技能的统称,是影响技术创新的重要因素,而技术创新可提升绿色全要素生产率,具体而言,从数据可得性角度,本文使用城市年末总人口数来衡量。主要出于两方面原因,一方面是数据可获得性,从合理性上讲,城市人均受教育年限来衡量人力资本较为合理,但统计年鉴中缺乏这部分数据;另一方面是从城市人口集聚的原因角度来考虑,城市人口规模的集聚部分原因是具有高人力资本的知识型和技能型人才区位选择的结果,因此两者间会表现出一定的关联性。

(4)政府投资支出。考虑到土地财政与房地产市场之间的密切关联,本文使用固定资产投资占地方财政一般公共预算支出的比重来衡量。

(三)数据来源说明

本文选取的是2007—2019年剔除直辖市后的263个地级市面板数据。一方面,考虑到2007年之后实施了新的财政收支分类科目,为保证前后统计口径的一致性;另一方面,从最新数据的可得性考虑,最终选择2007—2019年263个地级市的3 419个样本数据进行实证分析。其中主要的原因在于计算绿色TFP使用的城市层面的工业废水排放量数据在《中国城市统计年鉴》中只公布到2019年,2020年和2021年未公布,导致这一数据出现严重缺失,而这是计算绿色TFP的重要数据,现有相关研究或者采用线性插值的方法进行补充,或者使用生活废水排放量、废水中氨氮排放量、化学需氧量排放量等相近指标,但都可能会出现多方面的问题。本文使用的原始数据主要来源于中经网、《中国环境年鉴》《中国城市统计年鉴》、中国土地市场交易网以及全球统计数据分析平台(EPS数据平台)等数据库。主要变量的描述性统计结果见表1。此外,从全国城市层面初步分析了在2007—2019年财政纵向失衡与绿色全要素生产率的变化趋势,从图2可发现,两者间表现出较为明显的负相关性,即随着财政纵向失衡程度的上升,城市绿色全要素生产率呈现出下降趋势。因此,有必要明确两者之间的影响机制。

表1 描述性统计

图2 2007—2019年动态变化趋势

五、实证结果及分析

(一)基准回归结果及分析

1.基于线性回归的实证检验结果及分析

考虑到本文使用的是城市面板数据,如果利用混合普通最小二乘回归进行分析,需要假设不存在个体效应,即所有城市的回归方程均相同,然而F检验拒绝了该假设,而常用的面板估计模型包括随机效应(RE)模型和固定效应(FE)模型,因此本文使用豪斯曼(Hausman)检验来确定最终的模型。具体结果见表2,其中列(1)—列(3)为固定效应模型的回归系数结果,使用组内离差信息估计获得,即组内估计量,这是由于当样本期大于两期时,组内估计量会比一阶差分估计更有效率;列(4)和列(5)为随机效应模型结果,其中分别使用广义最小二乘(GLS)法和极大似然估计(MLE)获得。需要说明的是,所有模型均考虑了城市和年份固定效应,分别用来捕捉不随时间而变的城市不可观测的固定特征性因素以及随时间而变的外部宏观经济环境对绿色TFP的影响。从总体上看,随机效应模型和固定效应模型中财政纵向失衡的估计系数均为负,初步表明地方政府面临的财政纵向失衡会降低城市绿色TFP。进一步地,豪斯曼检验结果拒绝原假设,表明固定效应模型优于随机效应模型,所以本文选择面板双向固定效应模型采用逐步回归方法来分析。

表2 线性回归结果

总体而言,根据双向固定效应模型的估计结果,从表2列(1)—列(3)可发现,财政纵向失衡对城市绿色TFP产生负向影响,由此验证了假设1。具体而言,表2列(1)为基准回归结果,只包括核心解释变量财政纵向失衡,列(2)在列(1)的基础上加入中介变量土地财政规模;列(3)—列(5)进一步加入产业结构、环境规制、人力资本等控制变量。从表2中可发现,核心解释变量的回归系数均显著为负,表明在控制了年份和城市固定效应以及城市层面异质性等因素的影响后,地方政府面临的财政纵向失衡会阻碍城市绿色TFP。同理,土地财政降低了城市绿色TFP。在控制变量方面,环境规制、人力资本等变量均会促进城市绿色TFP,该结论也较为符合预期。

2.内生性分析

关于遗漏变量问题,前文使用的包括城市和年份固定效应的双向固定效应模型通过减去组内平均值可在一定程度上消除不随时间而变的遗漏变量带来的内生性问题,但在核心解释变量财政纵向失衡影响城市绿色TFP的同时,绿色发展较好的地区,也就是经济发展质量较高的地区,面临的财政纵向失衡程度也可能较低,由此意味着两变量间可能存在相互影响,即存在双向因果问题。此外,还可能存在选择效应带来的内生性问题,即一个城市的财政纵向失衡程度较高或者较低,可能不是随机因素导致的,而是存在不可观测因素对财政纵向失衡产生影响,从而存在一定的选择偏误。因此,针对上述问题,本文采取如下解决方案:一是在双向因果方面,分别使用财政纵向失衡和全部解释变量的滞后项进行分析;二是通过工具变量方法来纠正可能潜在的其他内生性问题;三是针对选择偏误问题,使用倾向得分匹配(PSM)方法进行分析,此外还使用赫克曼(Heckman)选择模型来进行修正。

在利用工具变量法回归方面,本文借鉴郑威和陆远权(2021)[6]的做法,使用财政纵向失衡的一期滞后项作为工具变量进行分析,具体工具变量的估计系数以及有效性检验结果见表3列(3)。需要说明的是,表中报告了工具变量的第二阶段结果。内生性检验结果显著拒绝了所有变量为外生变量的原假设,表明存在内生性问题。进一步从表3中工具变量有效性检验结果可知,不存在识别不足和弱工具变量问题。综上,在排除双向因果以及其他因素影响的干扰后,财政纵向失衡会阻碍城市绿色TFP的结论仍然是成立的。

表3 内生性分析结果

在选择偏误方面,使用PSM方法进行分析。首先,根据财政纵向失衡指标的均值将城市分为处理组和控制组。其次,选择土地财政、产业结构、政府投资、环境规制、人力资本等作为协变量,使用评定(Logit)模型估计倾向得分。然后,采用k近邻匹配方法进行一对一匹配,并进行平衡性检验,保证匹配后的处理组和控制组之间分布均匀。根据检验结果可知,匹配后样本的似然比检验(LR)卡方值为1.72,P值为0.886,表明匹配后的样本具有较好的平衡性。进一步地,本文绘制了匹配前后控制组和处理组的核密度图,如图3所示。从中可发现匹配前处理组和控制组之间存在较为显著的差异,而匹配后两组无明显差异,意味着实现了较好的匹配。最后,根据匹配后满足共同区间假定的样本进行分析。具体回归结果见表3列(4)。该结果表明,在纠正选择偏误后,财政纵向失衡对城市绿色全要素生产率产生负向影响的结论维持不变。此外,本文使用赫克曼选择模型,通过加入逆米尔斯比率(IMR)来进行分析,具体结果见表3列(5)。回归结果显示,结论维持不变。

综合上述分析,在使用滞后项回归、工具变量法、PSM方法、赫克曼选择模型等多种实证策略纠正内生性问题后,基准回归结论是成立的。

3.稳健性检验

本文主要采用如下方式进行检验:

一是重新测度被解释变量和核心解释变量。其中,对于被解释变量,本文使用全局曼奎斯特-卢恩伯格指数(GMLPI)来重新测度城市绿色TFP;对于核心解释变量,前文主要是从财政纵向失衡导致的财政收支缺口的角度来进行衡量的,通过梳理文献发现,现有研究也有从地方政府收支分权的角度来衡量,因此,本文借鉴储德银和迟淑娴(2020)[22]的做法进行分析。此外,进一步分析了同时改变核心解释变量和被解释变量的情形。具体结果如图4所示,从中可发现,财政纵向失衡的估计系数显著为负,表明财政纵向失衡会阻碍城市绿色TFP,进一步验证前文结论的稳健性。

图4 稳健性检验结果Ⅰ

二是改变回归模型。考虑到被解释变量城市绿色TFP取值范围受限,同时在取值为1处存在堆积情况,本文使用面板截尾回归(Tobit)模型进行回归分析。具体结果如图4所示,从中可发现,在使用面板Tobit模型回归后,财政纵向失衡仍然对城市绿色TFP产生负向影响。

三是考虑到回归模型中可能遗漏随时间而变的城市不可观测因素产生影响,本文控制了城市与年份的交互固定效应;考虑到被解释变量城市绿色TFP在分布两侧可能存在异常值的影响,分别对城市绿色TFP进行2.5%和5%的缩尾处理。从图5中可看出,在控制随时间而变的城市不可观测变量后,财政纵向失衡对城市绿色TFP的影响为负;同理,对被解释变量进行左右两侧缩尾2.5%和5%后的回归结果,结论与前文一致。此外,考虑到同一省份内的城市可能存在空间相关性,进一步将标准误聚类到更高的省级层面,核心结论仍然保持不变。

图5 稳健性检验结果Ⅱ

四是改变回归样本。前文基准回归以2007—2019年城市面板数据为实证研究样本。2016年中央经济工作会议首次提出房住不炒的中国房地产市场定位,对房地产市场和地方政府的土地出让收入产生巨大影响。为避免政策因素变动产生的影响,本文选择2007—2015年的样本进行分析。具体结果如图5所示,从中可发现,结论维持不变。

综上所述,在重新测度变量、更换回归模型、控制随时间而变的城市不可观测变量、进行缩尾处理、改变回归样本以及聚类到更高层面标准误之后,财政纵向失衡负向影响城市绿色TFP的结论不变,由此验证本文结论的稳健性。

4.双重机器学习模型结果及分析

根据模型(3)和模型(4),其中Y选择为城市绿色TFP,D为处理变量,按照财政纵向失衡指标的均值将城市分为处理组和控制组,控制变量X与前文基准回归一致。本文着重关注的是θ0。为提高参数估计结果的无偏性以及防止过拟合问题,采用样本内外交叉验证方法进行双重机器学习,即将总样本分成两份,先用其中一份估计残差,另一份估计待估参数,然后再交换样本分别进行估计,最终取均值为估计结果。具体过程分为四步:首先初始化并选择模型,其次添加监督机器学习以估计条件期望,然后进行交叉验证,最后获得估计结果。从表4结果可知,财政纵向失衡在1%的水平下产生负向影响的结论保持不变,进一步保证本文结论的稳健性。

表4 双重机器学习模型的基准检验结果

(二)影响机制检验

1.作用机制检验

前文发现了财政纵向失衡会对城市绿色TFP产生负向影响,接下来本文进一步分析财政纵向失衡通过土地财政来影响城市绿色TFP的中介作用机制,以此来检验假设2和假设3。具体地,本文以土地财政规模作为被解释变量,以财政纵向失衡作为解释变量,分别利用双重机器学习模型和线性回归模型来分析财政纵向失衡对土地财政规模的影响。表5为使用双重机器学习模型的机制检验结果。从中可发现,回归系数在1%的水平上显著为正,表明财政纵向失衡促进了土地财政规模的扩张。

表5 双重机器学习模型的机制检验结果

此外,基于线性回归的检验结果见图6。同理可发现,所有回归系数均显著为正,表明财政纵向失衡促进了土地财政规模的扩张。需要说明的是,为进一步缓解内生性问题以及保证结论的稳健性和可靠性,分别对土地财政变量进行了5%的缩尾处理来缓解异常值的影响,采用滞后项回归来解决双向因果问题,控制城市与年份的交互固定效应来缓解遗漏随时间而变的城市不可观测变量问题以及聚类到省级层面标准误和更换土地财政规模指标等验证结论的稳健性。从中可发现,财政纵向失衡对土地财政影响的回归系数均在5%的水平上显著为正,表明地方政府的财政纵向失衡会促进土地财政规模的扩张,验证了假设2。

图6 财政纵向失衡对土地财政规模影响的结果

接下来进一步分析土地财政规模对城市环境污染水平的影响,以此检验财政纵向失衡促进土地财政规模进而影响城市绿色TFP的中介渠道。具体地,选择工业废水、烟粉尘以及二氧化硫的排放量为基础指标,使用熵权法构建环境污染水平的综合指标进行分析,具体结果如图7所示。从中可以看出,土地财政规模的扩张提升了城市污染排放水平。因此,结合前文分析,进一步表明,土地财政是财政纵向失衡影响城市绿色TFP的重要渠道,由此验证了假设3。

图7 土地财政规模对环境污染的影响结果

2.作用机制的适用范围检验

在控制城市环境规制产生的异质性影响后,土地财政规模的扩张引发城市环境污染成为财政纵向失衡阻碍城市绿色TFP的重要渠道。然而,现实中不同区域的城市面临的环境规制强度不同,由此表现出异质性的环境规制情境,同时进一步考虑到在不同的环境规制条件下,财政纵向失衡对土地财政规模的影响可能不同,有必要进一步深入探讨异质性环境规制情境下作用渠道的适用范围与条件,即分析异质性环境规制对中介作用机制的调节作用。具体地,通过环境规制强度区分不同情境范围,探讨不同规制强度下财政纵向失衡通过土地财政发挥影响的作用机制的适用性,即有调节的中介作用机制检验。首先根据环境规制强度均值将城市分为高环境规制和低环境规制的城市样本,然后分别利用双重机器学习模型和线性回归模型分析异质性环境规制条件下财政纵向失衡对土地财政规模的影响,具体结果见表6和图8(2)图中显示的是使用土地财政相对规模指标进行分析的结果。此外,本文还使用了土地财政规模的绝对指标进行分析,结果仍然是稳健的,未在图中绘出。。

表6 异质性环境规制调节下双重机器学习模型的机制检验结果

图8 异质性环境规制情境下对中介作用机制的调节结果

从表6中双重机器学习模型的结果可发现,在部分线性模型和交互模型中,低环境规制下财政纵向失衡通过促进土地财政规模的扩张进而影响城市绿色TFP的作用机制均存在,并且相比于高环境规制的条件下,低环境规制情境下财政失衡引致的土地财政规模扩张效应更强。由此表明,环境规制会对财政纵向失衡通过土地财政进而影响城市绿色TFP这一中介作用机制产生调节作用。对此可能的解释是,在低环境规制强度的城市,地方政府更容易通过土地引资,引进污染密集型企业,来促进土地财政规模的迅速扩张,进而缓解面临的失衡程度。

类似地,从图8中可发现,财政纵向失衡通过促进土地财政规模的扩张进而影响城市绿色TFP的作用机制在低环境规制强度中存在,而在高环境规制强度的城市中并不明显。并且随着环境规制强度的降低,土地财政这一中介作用渠道的影响效应逐渐增强。因此,综合上述分析,土地财政作为传导渠道会受到环境规制的调节影响,在低环境规制情境下,作用机制的适用性更强。

(三)异质性分析

上述分析控制了城市类型的异质性特征产生的影响,然而考虑到城市的资源禀赋以及区位特征等重要因素可能产生的异质性影响,接下来进一步基于面板双向固定效应模型,采用分样本回归等方式探讨不同城市类型下财政纵向失衡对城市绿色TFP的异质性。具体而言,根据2019年城市商业魅力排行、是否为资源型城市以及沿海和内陆城市等进行划分,分为三线及以上城市和三线以下城市、非资源型城市和资源型城市、沿海城市和内陆城市等六类城市样本。具体结果如图9所示。

图9 城市异质性特征分组结果

从图9中城市商业魅力排行分组结果可知,在三线以下和三线及以上等不同类型城市中,财政纵向失衡对城市绿色TFP均会产生负向影响,但边际效应存在较为明显的差异。其中,相比于三线及以上城市,财政纵向失衡对城市绿色TFP的阻碍作用在三线以下城市中更强。一种可能的原因是,三线以下城市的经济发展水平相对滞后,地方政府面临的财政收支缺口更大。类似地,从图中资源类型分组结果可发现,财政纵向失衡对城市绿色TFP产生的负向影响在资源型和非资源型城市中存在差异。其中,相比于资源型城市而言,财政纵向失衡对非资源型城市的负向影响更强。一种可能的解释是,资源型城市中的丰富资源产生的税费收入更为充足,而非资源型城市可能面临的财政纵向失衡程度更大。同理,对比图中沿海和内陆城市分组结果可发现,相比于沿海城市而言,财政纵向失衡对内陆城市的负向影响更强。对此可能的解释是,沿海城市经济更加发达,地方政府的财政收入相对更加充裕,在一定程度上可缓解财政纵向失衡问题。

六、结论与政策建议

(一)结论

本文在推动绿色发展,加快发展方式绿色转型的时代背景下,基于地方政府面临财政纵向失衡的特征事实,从土地财政的角度利用双重机器学习等方法探讨了财政纵向失衡影响城市绿色TFP的作用机制,并进一步量化分析了异质性环境规制条件下作用机制的适用范围。具体而言,本文首先从理论上分析了财政纵向失衡对土地财政规模和城市绿色TFP的影响,明确了财政纵向失衡产生影响的作用渠道;然后在利用Python爬虫技术手工整理匹配百万条土地交易信息和使用两期前沿技术下的曼奎斯特-卢恩伯格指数测度城市绿色全要素生产率的基础上,基于2007—2019年的城市面板数据,运用双重机器学习模型、倾向得分匹配方法、双向固定效应模型等进行了多维实证检验,并进一步分析了城市层面异质性特征的影响;最后探讨了土地财政这一作用渠道在异质性环境规制情境下的适用范围,即异质性环境规制对中介机制的调节影响程度,以此明确了土地财政机制的适用条件。

本文研究发现:第一,财政纵向失衡促进了土地财政规模的扩张,阻碍了城市绿色TFP的提升;第二,土地财政是财政纵向失衡降低城市绿色TFP的重要作用渠道;第三,土地财政作为传导渠道会受到环境规制的调节影响,在低环境规制情境下,作用机制的适用性更强,并且随着环境规制强度的降低,这一作用渠道的影响效应逐渐增强;第四,考虑城市异质性特征,相比于三线及以上城市、资源型城市以及沿海城市,财政纵向失衡对城市绿色全要素生产率的阻碍作用在三线以下城市、非资源型城市以及内陆城市中更强。

(二)政策建议

根据本文结论,结合实际,提出如下政策建议:

第一,优化转移支付结构,增加专项转移支付减少一般转移支付来缓解财政失衡问题。首先,明确以缩小地区失衡程度为目标的专项转移支付的具体用途、方向与范围,有针对性地制定专项转移支付计划;其次,根据各地区财政事权与支出责任的实际情况,确定专项转移支付的领域、项目与规模,保证财政转移资金的有效利用;最后,加强财政资金的监督管理,包括采用审计、监督检查、绩效评价等多种方式建立有效的监管机制和绩效评价体系。通过定期的监督检查和绩效评价,确保财政资金得到合理使用,并及时发现和纠正实施过程中出现的问题,确保财政资金的安全和有效。

第二,政绩考核多元目标体系中关注绿色全要素生产率,促进经济绿色可持续发展。首先,将绿色全要素生产率作为一个重要指标纳入政绩考核体系,明确其在考核中的地位和权重,并建立长效机制,提高政府官员对绿色全要素生产率的理解认识;其次,根据各地区实际情况,制定合理的绿色全要素生产率评价标准和考核方法,确保评价和考核结果的客观性、公正性和有效性,其中可以考虑引入第三方评估机构以确保评价的独立性和专业性;最后,对绿色全要素生产率的提升情况进行定期监督和评估,及时发现问题并采取措施进行改进。

第三,优化地方政府的财政支出结构,完善纵向转移支付体系,缓解地方政府的财政纵向失衡程度。财政纵向失衡会降低城市绿色全要素生产率,而财政纵向失衡又直接表现在地方政府事权财权不匹配下收支缺口的扩大,因此要科学界定中央政府与地方政府间的事权和支出责任,明确地方政府的财政支出方向和范围。一方面,调整优化教育、医疗等民生性支出与经济建设性支出间的合理比例,提升财政支出效率,满足居民对民生性公共产品和服务的合理需求;另一方面,完善政府间转移支付,尤其是中央政府与地方政府间的纵向转移支付,缓解地方政府压力。

第四,规范地方政府的土地出让行为,完善相应的法律体系和监督检查机制,降低土地财政产生的资源配置扭曲。由于财政纵向失衡会通过土地财政来抑制城市的绿色发展,地方政府的土地出让收入作为政府性基金预算收入中的重要组成部分,对地方政府筹集财政资金、履行政府职能、促进经济建设发挥重要作用。因此,应加强对地方政府土地出让的法制化、制度化和规范化管理,形成包括法律监督、社会监督等在内的多层次、多方位的监督网络,减少土地财政的资源配置扭曲。

第五,完善税费债利租格局的地方政府收入体系建设,在加强法律监督管理的基础上,进一步规范税收之外的其他收入渠道,缓解地方政府对土地财政的过度依赖。缓解地方政府财政纵向失衡的基本措施是推进地方财源建设,完善地方收入体系。当前地方政府收入体系形成了包括税费债利租在内的收入格局,其中税收在财政收入中占据主体地位,因此,应深化税收制度改革,健全地方税体系。同时,加强对税收以外的其他收入形式如政府性基金收入、政府性收费收入等重要收入使用的监督管理,防止出现权力寻租以及腐败等问题。