当前我国经济已进入高质量发展阶段,提升绿色全要素生产率成为促进经济高质量发展的关键所在。我国资源型城市数量众多,以地级行政单位为例,资源型地级城市占地级城市总数的近40%。资源型城市对我国经济增长作出了巨大贡献,但在经济转型升级及资源节约型、环境友好型约束下,资源型城市面临经济增长乏力、资源消耗过度和环境污染严重等问题,且普遍缺乏推行高质量发展的可实施路径,因此实现资源节约、环境友好和经济高质量协调发展成为重中之重[1]。
自Auty[2]于1993年在分析矿产国自然资源开发与经济增长关系时提出资源诅咒概念以来,学界不断深化此问题研究。尽管资源诅咒的存在性还有待商榷,但是绝大部分学者都认为资源诅咒是可以被规避[3]或逆转的[4],一些学者提出从人力资本[5]、社会资本[6]、技术创新[7]等角度提升资源型地区经济发展质量。但资源诅咒的成因复杂多样,需要在实践中不断探索适合资源地区自身发展方式来破解资源诅咒。以山西、贵州、内蒙古为代表的资源型地区敏锐捕捉到有助于推动经济高质量发展的重要抓手——信息化,纷纷凭借自身能源优势,向云计算及大数据中心抛出“橄榄枝”,吸引企业落户,逐渐提升地区信息化发展水平,实现由能源到电力再到信息产业链条的转换和延伸,促进了经济结构优化,以此推动地区经济向更高质量方向发展,也为本文研究提供了新思路。虽然以云计算、物联网、移动互联网以及大数据为引领的信息技术逐渐成为未来产业发展的新方向,但是目前对于破解资源诅咒的分析框架大多忽视了地区信息化发展水平这一重要因素。
资源型经济的最大问题在于其产业结构单一、运作方式落后,而信息化具有综合开放的形态特征,可以有效弥补和改善资源型经济的弱点,而且信息化对资源地区实现高质量发展的边际作用更显著,信息技术对重工业增长的影响强于轻工业[8],对工业产业结构调整和增长方式转变的效果大于服务业[9]。另一方面,目前有关资源诅咒的研究大多仅分析了资源依赖对GDP增长率的影响[10-11],但GDP增长率仅能反映经济增长速度,而无法衡量由自然资源开发引起的社会福利变化、生态污染、环境破坏等问题。绿色全要素生产率不仅刻画了经济发展效率[3],还将资源消耗和环境污染囊括在经济增长分析中,在我国经济增长阶段转变背景下满足经济高质量发展分析需求[12]。
本文创新之处在于:一是在经济高质量增长要求下,以GDP、经济增长为被解释变量已不适应时代发展,经济高质量增长一方面在于全要素生产率提高,另一方面也暗含环境友好型、资源节约型的低排放、低消耗要求,因此本文基于绿色全要素生产率视角重新验证了资源诅咒的存在性;二是信息化作为经济高质量发展的重要推手,对于资源地区走出资源诅咒困境意义重大,本文创造性地将信息化发展水平因素纳入资源诅咒的理论框架,分析信息化发展水平对于打破地区资源诅咒的作用机制,进而提出相应政策建议。
从现有文献看,学界对于绿色全要素生产率的研究集中于区域或者产业层面绿色全要素生产率测算[13]。关于资源依赖与绿色全要素生产率关系的研究较少,从有限文献中可以发现,资源依赖与绿色全要素生产率关系主要呈现为3种观点。
(1)资源依赖会促进绿色全要素生产率提高。Eugenio & Enrique[14]认为在资源丰裕的经济体中,大量自然资源并不会对地区制度质量造成负面影响,只要采取适当方式,资源依赖反而能够有效促进地区经济绿色效率提升;王云霞、韩彪[15]的研究发现,只要地区技术水平与资源禀赋水平协调,资源禀赋依旧能发挥出对绿色全要素生产率的促进作用;钟成林、胡雪萍[16]认为从生态视角讲,资源诅咒并不存在,即对自然资源的依赖并不会阻碍绿色效率提升。
(2)资源依赖会抑制绿色全要素生产率提高。黄建欢等[17]对比研究了生态效率视角下资源开发型和资源利用型区域的资源诅咒,结果表明省际层面生态效率视角下的资源诅咒是存在的,即资源开发和利用会阻碍绿色全要素生产率提升;李江龙、徐斌[18]将资源诅咒研究扩展到能源环境绩效视角,研究发现,资源丰裕程度对地区绿色经济增长呈现出显著负向影响,资源丰裕度越高,绿色经济增长水平越低。
(3)不同条件下资源依赖与绿色全要素生产率的关系不同。徐杰芳[19]研究了煤炭资源与生态环境效率的关系,当煤炭资源依赖度在一定范围内时,煤炭资源开发会提高绿色生产效率,但煤炭资源依赖度超过一定范围后,两者关系转为负向影响;杜克锐、张宁[20]认为自然资源丰裕度与绿色效率之间呈现出非线性关系,当自然资源丰裕度处于8%~15%的范围内时,能够促进城市绿色效率提升,当自然资源丰裕度过低或者过高时,则会对城市绿色效率造成负面作用。
当前学术界对于如何破解资源诅咒,主要从技术创新、制度质量、人力资本等角度进行了大量研究,但是鲜有学者将信息化纳入资源依赖与绿色全要素生产率关系的研究范畴中。信息化能够产生创造性破坏效应[21],对于提高绿色全要素生产率、破解资源诅咒具有显著作用[22]。信息化发展水平越高的地区,绿色全要素生产率也越高[23],而且信息化与实体经济的融合能够促进生产方式改进,对于生产效率提升具有显著作用[24]。融合度越高,信息化越能发挥出对绿色全要素生产的促进作用[25]。作用机理具体如下:
(1)信息化能够发挥技术先导作用,改善资源地区绿色技术水平落后状况。信息化发展为资源行业带来了先进技术,节约了资源行业对生产要素的消耗,优化了资源产业之间、资源产业内部、资源企业内部的生产资源配置[26],提升了资源产业劳动生产率及经济效益。
(2)信息化能够发挥结构优化作用,优化资源地区产业结构,引领绿色产业发展。信息化能够改变资源地区不同产业部门比例,促使资源地区以资源开发为主的第二产业比重下降,推动产业结构不断向高级化发展[27],特别是在促进绿色发展方面,信息化能够发挥显著作用。在整体能源消费量不变的前提下,信息技术推广及应用可以使碳排放量减少13%~22%[28]。
(3)信息化能够发挥流程再造作用,重塑资源行业绿色生态产业链。以信息化、大数据等为代表的新兴技术能够发挥流程再造作用,对资源产业链各环节进行优化和再造,如信息化在资源开发、流通、交易以及消费全过程中都提供绿色支撑,促进资源产业形成绿色生态链。将信息化应用于自然资源选矿、采矿中,可以有效提高资源采集效率;应用于自然资源冶炼、加工过程,可以促进高端资源产品生产,提高产品附加值。同时,通过对海量能源交易合同大数据的分析,可以帮助资源交易定价;线上能源交易平台的产生,有助于减少线下交易中间环节,使得能源交易更高效、定价更合理,更重要的是线上能源交易平台能够帮助拓展资源型市场。
综合以上分析可知,一方面学界对于资源依赖与绿色全要素生产率关系的研究较少,而且未有定论,因此有必要对其进行深入探讨;另一方面信息化能够有效促进生产效率提升,但是长期以来,鲜有学者将其纳入资源诅咒研究范畴。本文从绿色全要素生产率角度对资源诅咒问题进行再验证,并创造性地将信息化发展水平引入资源诅咒分析,力图剖析信息化发展水平、资源依赖与绿色全要素生产率的关系,为资源地区高质量发展“添砖加瓦”。
尽管目前针对资源依赖与绿色全要素生产率关系的研究不多,但仅有的文献已经足够为本文研究提供相关启示:资源依赖与绿色全要素生产率并不是简单的线性关系。
一般来讲,在绿色产业发展初期,自然资源能够为其提供充足的物质基础,显著降低要素成本,使得产业迅速实现规模效益,显著提升绿色全要素生产率。
随着资源依赖加剧,由于产业结构固化、单一化,使得产业转型升级受到限制,无法发挥结构优化对生产效率的作用,再加上长期依靠大量初级要素投入,不够重视创新驱动力,形成创新惰性,无法发挥创新促进绿色技术进步与改善绿色效率的效用,因此无法促进绿色全要素生产率提升。
基于此,本文提出如下研究假设:
H1:资源依赖与绿色全要素生产率之间存在倒U型关系。
从文献综述可知,信息化在促进绿色全要素生产率方面有显著作用,但是纵观资源地区的现实情况发现,信息化对绿色全要素生产率的促进作用并未达到其应有水平,目前资源地区普遍存在信息化发展水平滞后问题。资源产业的过度发展抑制了当地信息化发展,煤炭、矿产资源开采和加工行业属于低信息化水平、低技术创新效率行业,其信息化建设较为滞后,技术创新效率比较低,严重制约了中国工业部门向“高信息化、高创新”融合模式迈进的步伐[29]。内蒙古、新疆等资源大省的信息化发展程度落后,信息化需求较大,但是当地的信息化供给水平偏低,制约了当地经济发展[30]。可见,信息化发展水平需要达到一定程度,才能发挥其对资源地区经济发展的作用。
基于此,本文提出如下研究假设:
H2:信息化发展水平在资源依赖与绿色全要素生产率的关系中具有门槛效应。
针对两个假设,本文根据Hansen[31]关于门限效应的研究以及Papyrakis & Gerlagh[32]关于资源诅咒问题的经典研究,构建如下公式。
GTFP=α+β1Rd+β2Rd2+β3Infor+θ1Ind+θ2Fix+θ3Hum+θ4Res+θ5Tra+ε
(1)
GTFP=α'+β1'Rd(Inforπ)+β2'Rd(Infor>π)+β3'Infor+θ1'Ind+θ2'Fix+θ3'Hum+θ4'Res+θ5'Tra+ε
(2)
其中,βn及βn'分别为核心待估参数,θn及θn'分别为控制变量的待估参数,ε为残差。
公式(1)将资源依赖的二次项引入,并将信息化发展水平作为主要控制变量,以衡量资源依赖与绿色全要素生产率的二次曲线关系。如果资源依赖系数显著为正,而二次项显著为负,那么资源依赖与GTFP为倒U型关系;相反,如果资源依赖系数显著为负,其二次项显著为正,那么两者之间呈现U型关系。
公式(2)则将信息化发展水平作为门槛变量,研究信息化发展水平对资源依赖与绿色全要素生产率关系的调节作用。
3.2.1 被解释变量——绿色全要素生产率(GTFP)
GTFP表示绿色全要素生产率,该指标将绿色经济发展效率纳入资源诅咒分析中,是对资源诅咒问题的一大补充。目前关于全要素生产率的测算方法见表1。
表1 全要素生产率测算方法
方法分类具体方法 指数法一个生产单元在某时期总产出与总投入的比率,然后将不同时期比率进行比较得出的新比率即为全要素生产率(指数法种类很多,在此不一一列举)非参数法 数据包络法(DEA)通过计算各省生产率水平达到技术前沿距离的相对变化来衡量经济个体的全要素生产率 基于DEA的 Malmquist指数根据DEA的基本思想确定生产前沿面,得出距离函数来度量相对相率 索洛余值法通过产出增长率减去劳动和资本的贡献后间接核算TFP的增长率参数法 随机前沿分析法 (SFA)先估算出随机前沿生产函数中的待估参数,然后进行技术进步、技术效率、配置效率和规模效率的分解,最终测算出全要素生产率 代数指数法通过产出数量指数与所有投入要素加权指数的比率来核算全要素生产率 边界生产函数法通过估算技术进步率与能力实现率,以技术进步率与能力实现率之和表示全要素生产率
在以上方法中,基于DEA的Malmquist指数方法除样本必须包含多个对象和指标外,不需要有关投入产出的价格信息、行为假设,具有较强适应性且计算简便。本文采取该测算方法的同时,在传统全要素生产率的基础上加入资源和环境约束以测算绿色全要素生产率[33]。生产过程包括投入要素和产出要素,具体如下:
(1)投入变量指标。投入变量包括物质资本存量、劳动投入、能源投入,同时,将这些数据以2000年为基期进行调整。
第一,物质资本存量。采取永续盘存法进行测算。
Ki,t=Ii,t+(1-δ)Ki,t-1
(3)
其中,K为物质资本存量,I为当年资本形成总额,δ为折旧率。使用各年固定资产投资价格指数折算为2000年的不变价格,折旧率为9.6%[34];根据Young等[35]的研究,基期资本存量采用当年固定资产投资的10倍进行计算,并利用固定资产投资价格指数进行平减,由于缺乏地级市固定资产投资价格指数,故采用省级固定资产投资价格指数进行平减。
第二,劳动投入。采取年末就业人数表示。
第三,能源投入。由于缺乏地级市能源消费统计量,而电力消费水平和能源消费量具有较强相关性[36],所以本文采用地级市电力消费数作为能源投入衡量指标。
(2)产出变量指标。产出变量包括期望产出GDP和非期望产出。
第一,期望产出。GDP为按照2000年不变价格换算的国内生产总值。
第二,非期望产出。非期望产出包括废水排放量、二氧化硫排放量、粉尘烟尘排放量。
3.2.2 核心解释变量
Rd表示资源依赖度,用采掘业从业人数/总就业人数表示,是本文重点考察的变量。一般的资源型地区随着资源开发力度加大,会吸引更多采掘业人员,所以用采掘业从业人员数/就业总人数表示地区资源依赖程度。
Infor代表信息化发展水平,用互联网用户数表示。随着信息化的不断发展,信息化对经济社会发展、产业结构转型和创新效率提升都具有非常重要的作用。资源型行业的信息化水平相对较低,但是其对信息化的诉求很高,所以将信息化发展水平纳入分析框架十分必要。
3.2.3 其它控制变量
Fix代表物质资本投资,用固定资产投资/GDP表示,它是衡量物质资本投资的常用指标。Ind代表产业结构高级化。茶洪旺、郑婷婷、袁航[37]分析了产业结构与资源诅咒的关系,认为资源型地区的产业结构在资源诅咒传导机制中起重要作用,因此将产业结构高级化纳入分析。一般用李逢春[38]构建的各产业产值比重的加权值作为产业结构高级化的衡量指标,但是由于农业、工业和服务业产品价格粘性程度存在差异,造成三次产业的通胀率也存在较大差异,导致采用产值占比衡量产业结构出现较大偏差,而采用劳动力份额变化能在较大程度上克服上述问题[39],所以本文在李逢春[38]的基础上,用三次产业劳动力份额替代产值,具体公式如下:
(4)
其中,Li为第i产业的劳动力份额,L为总劳动力份额,当1≤Ind≤3时,Ind越接近于1,说明i地区产业结构发展层次越低;当Ind越接近于3时,说明i地区产业结构发展层次越高。Hum代表人力资本,用中等学校在校学生人数/总人口数表示,考虑到我国高等教育机构分布问题,这里采用中等学校在校学生人数/总人口比重衡量人力资本。Res代表科技创新水平,用科技支出占财政支出的比例衡量。内生增长理论认为技术创新能够极大提高生产效率,创新技术以及技术规模效率的提高是驱动绿色全要素生产率发展的重要动力[40]。Tra代表对外开放程度,用外商直接投资占GDP的比重衡量,外商直接投资可以产生技术扩散效应、示范模仿效应、竞争效应、产业关联效应[3],促进人力资本自由流动,从而显著提升被投资地区生产效率。
表2 变量说明
变量符号 含义 度量指标及说明均值方差GTFP绿色全要素生产率DEA-Malmquist指数法1.07510.0199Rd资源依赖度采掘业从业人员数/就业人员总数0.05890.8963Infor信息化发展水平互联网接入户数3.47270.0032Fix物质资本投资固定资产投资/GDP总额0.49490.2176Ind产业结构高级化熵权法0.83360.0591Hum人力资本投资高等学校在校学生人数/总人口数0.01740.0113Res科技创新水平科技支出/财政支出0.01190.0645Tra对外开放程度外商直接投资/GDP总额0.33910.4167
考虑到西藏、港澳台地区数据的可得性较差,以及全国地级市区划的变动,为了保证统计标准的一致性,剔除拉萨、巢湖、毕节、铜仁、三沙、儋州、海东、吐鲁番、哈密、日喀则、昌都、林芝、山南以及港澳台地区数据,选取2003-2017年中国285个地级市数据作为样本进行研究。原始数据主要来自历年《中国城市统计年鉴》、2017年数据来自相应省市统计年鉴,部分缺失数据根据插值法进行补充。为了剔除价格因素的影响,所有用货币衡量的指标都通过相应价格指数折算成以2000年为基期的可比价格。为了缓解异方差问题,相关指标数据进行对数化处理。
依据数据生成方式的不同,面板数据分为同质型和异质型两类,所采用的单位根检验方式也不同,本文使用LLC检验和Hadri两种检验方式,结果见表3,变量均通过单位根检验,且同阶单整。
表3 单位根检验结果
变量LLCP值HadriP值结论GTFP8.860.005.910.00平稳Rd11.010.006.510.00平稳Infor9.970.007.920.00平稳Ind5.010.009.030.00平稳Fix12.710.005.980.00平稳Hum15.370.006.740.00平稳Res9.520.007.350.00平稳Tra8.990.006.490.00平稳
为了检验多个变量之间是否存在长期均衡关系,还需要进行协整检验。本文选择的面板数据均通过了单位根检验,且同阶单整,可以进行协整检验,结果见表4。从表4可见,Gt、Ga、Pt和Pa检验的P值都在1%的水平上显著,故变量存在显著的协整关系。
表4 面板数据协整检验结果
StatisticValueZ-valueP-valueGt-2.148-6.1710.000Ga-1.422-2.3470.009Pt-5.919-2.6750.004Pa-5.843-2.6110.005
在确定协整关系后,还需要运用Hausman检验确定固定效应和随机效应,Hausman检验值为69.26,P值为0.0000,所以在固定效应和随机效应中选择固定效应。
由于前文在测算绿色全要素生产率的过程中加入能源要素,而主要解释变量资源依赖使用采掘业从业人员数占全部从业人员数的比重衡量,解释变量和被解释变量之间具有一定相关性,因此可能存在内生性问题,使得模型检验出现偏误。解决内生性问题的办法有工具变量法、广义矩估计(GMM)等,对于动态面板数据来讲,工具变量法的有效性偏低,而GMM方法的应用更为广泛。
资源依赖与绿色全要素生产率关系的GMM检验结果见表5,模型1仅包含滞后一期绿色全要素生产率、资源依赖及其平方项,模型2-模型6分别加入信息化发展水平、产业结构、固定资产投资、人力资本、创新和对外开放变量。上述6个模型的残差均在1%的水平上存在一阶自相关,但不存在二阶自相关,证明使用GMM估计是有效的,Sargan 检验的P值都大于0.5,说明工具变量选择也是有效的。
公式(1)的GMM估计结果见表5,其中,模型1-模型7分别为依次加入控制变量的结果,模型1仅包含滞后一期绿色全要素生产率、资源依赖及其平方项,模型2-模型7分别加入信息化发展水平、产业结构、固定资产投资、人力资本、创新和对外开放变量。
从表5可见,在依次加入其它控制变量的过程中,除模型1和模型4的资源依赖度系数在5%的水平上显著外,模型3和模型7的资源依赖度平方项系数在5%水平上显著,其余资源依赖系数及其平方项系数都在1%的水平上显著且不为零,而且资源依赖度系数为正,而其平方项系数为负,所以假设H1得到验证,即资源依赖和绿色全要素生产率之间呈现倒U型关系。
表5 资源依赖与绿色全要素生产率关系检验结果
解释变量被解释变量模型1模型2模型3模型4模型5模型6模型7常数项1.1810*1.0564*0.4318***0.5452**0.5378**0.5569**0.6241*(27.02)(25.82)(1.75)(2.27)(2.20)(2.30)(2.55)Rd0.3423**0.3960*0.3471*0.3137**0.3326*0.3851*0.3882*(1.97)(2.78)(3.07)(2.41)(3.08)(3.13)(3.21)Rd2-0.3675*-0.1345*-0.1126**-0.1655*-0.1173**-0.1243*-0.1242**(-3.36)(-2.38)(-2.14)(-3.07)(-2.22)(-3.31)(2.26)Infor0.0340*0.0212*0.0105**0.0163**0.0180**0.0163**(8.76)(3.45)(2.42)(2.49)(2.34)(2.09)Ind0.2971*0.1872**0.1875**0.2325**0.2099**(2.73)(2.31)(2.31)(2.23)(2.54)Fix0.0645**0.0650**0.0692**0.0741**(2.27)(2.26)(2.40)(2.54)Hum0.05240.01670.0108(0.19)(0.06)(0.97)Res0.3596*0.3806*(2.94)(2.95)Tra0.6390(1.49)拐点0.46571.47211.54130.94771.41771.54911.5628AR(1)-4.72-7.01-7.02-7.13-4.05-4.02-4.23(0.00)(0.00)(0.00)(0.00)(0.00)(0.00)(0.00)AR(2)-0.42-0.270.670.740.190.14-0.74(0.67)(0.78)(0.50)(0.46)(0.85)(0.89)(0.43)Sargantest0.394.974.843.833.512.223.81(0.94)(0.90)(0.85)(0.87)(0.74)(0.82)(0.80)
通过观察表5中7个模型对应的拐点值可知,由包含资源依赖度及其平方项的模型1计算出来的拐点值比较小,仅为0.465 7,但是随着信息化发展水平、产业结构、创新、人力资本、固定资产投资、对外贸易等影响经济增长因素的加入,拐点值逐渐增大,由模型1的0.465 7增大到模型7的0.802 1,意味着资源诅咒的拐点值右移,说明控制变量都能显著推迟资源依赖对绿色全要素生产率的负面影响。但是对比加入控制变量后的拐点值变化可知,信息化发展水平的加入使得拐点值由0.465 7变为1.472 1,是所有控制变量中拐点值向右推移幅度最大的。所以得出以下结论:信息化发展水平对资源诅咒存在拐点推移效应。信息化发展水平能够推动资源依赖和经济发展间的倒U型曲线拐点后移,意味着信息化发展可以推迟资源依赖对经济发展的抑制作用。
为了明确信息化发展水平是否为资源依赖与绿色全要素生产率之间的门槛变量,首先进行门槛变量的存在性检验,具体结果见表6。从检验结果可知,信息化发展水平在资源依赖与绿色全要素生产率之间具有较为显著的单门槛效应,但是并不存在双门槛效应。该结果不仅证明了信息化发展水平确为资源依赖与绿色全要素生产率关系的门槛变量,也从侧面印证了资源依赖与绿色全要素生产率的二次曲线关系。
表6 门槛效应存在性检验结果
检验假设F值P值检验结果门槛H0:无门槛,H1:单门槛62.600.020拒绝原假设单门槛H0:无门槛,H1:双门槛2.070.148接受原假设单门槛
门槛模型的具体检验结果见表7,其中,信息化发展水平为门槛变量,模型1-模型6为依次加入控制变量的结果。从表7可见,在模型8中,当信息化发展水平低于阈值2.54时,资源依赖度的系数为-0.488 2,当信息化发展水平高于阈值2.54时,资源依赖度系数变为0.164 2;在模型10中,当信息化发展水平低于2.54时,资源依赖度系数为-1.053 9,且在1%的水平上显著,而当信息化发展水平高于2.54时,资源依赖度系数虽然为0.121 3,但是并不显著;在模型9、模型11-模型14的5个模型中,当信息化发展水平低于2.54时,资源依赖度系数为负,并且均在1%的水平上显著,但当信息化发展水平高于2.54时,资源依赖度系数转为正,但此时模型11和模型13在10%的水平上显著,模型9和模型14在5%的水平上显著,模型12在1%的水平上显著。
表7 资源依赖与GTFP的关系检验(信息化发展水平为门槛变量)
注:括号中为t值,*、**、***分别表示在1%、5%、10%的水平上显著
解释变量被解释变量模型8模型9模型10模型11模型12模型13模型14常数项1.0637*0.0417*0.0236*0.0779*0.0779*0.0367*0.0496*(37.76)(22.6)(7.09)(9.93)(9.94)(5.69)(9.07)Rd(Infor≤ε1)-0.4882*-0.9974**-1.0539*-1.0464*-1.0518*-1.0335*-1.0379*(-3.87)(-3.98)(-4.21)(-4.18)(-4.20)(-4.13)(-4.15)Rd(Infor>ε1)0.1642**0.2656**0.12130.1276***0.1305*0.1242***0.2997**(2.29)(2.06)(0.97)(1.72)(2.66)(1.99)(2.43)Infor0.0365*0.0278*0.0187*0.0163*0.0320**0.0188*(10.78)(6.56)(3.64)(2.93)(2.08)(3.30)Ind0.3198*0.1872*0.1875*0.1682*0.1869*(3.42)(3.26)(3.26)(2.71)(3.21)Fix0.0493*0.0471*0.1663**0.0495**(3.13)(2.96)(2.13)(3.06)Hum0.30900.04680.1306***(1.17)(0.41)(1.74)Res0.0739*0.0744*(16.58)(18.99)Tra0.0431*(11.28)R20.450.570.650.650.660.750.76
所以得出以下结论:信息化发展水平在资源依赖与GTFP关系中起门槛作用。当信息化发展水平低于门槛值时,资源依赖度对地区经济增长的作用显著为负,但是当信息化发展水平高于门槛值时,资源依赖度对地区经济增长的作用逐渐转为正向,虽然在其它因素影响下,其显著程度不高。
根据以上分析,可以用图1表示信息化发展水平、资源依赖与绿色全要素生产率之间的关系。资源依赖与GTFP之间呈现倒U型曲线,信息化发展水平在资源依赖与GTFP的关系中呈现门槛效应,当信息化发展水平低于门槛值时,无论资源依赖程度如何变化,它与GTFP的关系总是处于倒U型曲线右侧,即位于资源诅咒区域;而当信息化发展水平高于门限值时,无论资源依赖程度如何变化,它与GTFP的关系处于倒U型曲线左侧,即位于“资源祝福”区域。
图1 信息化发展水平、资源依赖与GTFP的关系
本文通过分析资源依赖对绿色全要素生产率的影响,将信息化发展水平纳入分析,得出以下结论:
(1)资源依赖与绿色全要素生产率之间呈现倒U型关系。即当资源依赖度超过一定值后,资源依赖会显著阻碍绿色全要素生产率提升,使得地区陷入“资源诅咒”困境,但是只要对自然依赖度保持在一定限度内,就能发挥对绿色全要素生产率的正向影响,使得资源地区处于“资源祝福”中。
(2)信息化发展水平对资源依赖与绿色全要素生产率的倒U型曲线有拐点推移作用,而且其推动幅度是所有变量中最大的。也就是说,信息化发展水平能推迟资源依赖对绿色全要素生产率的负面影响即资源诅咒的到来,让自然资源能够更多地发挥对绿色经济增长的正面影响。
(3)信息化发展水平在资源依赖与绿色全要素生产率的关系中起门槛作用。当信息化发展水平低于门槛值时,资源依赖对绿色全要素生产率的影响显著为负,但是当信息化发展水平高于门槛值时,资源依赖对绿色全要素生产率的作用转为正。
纵观目前我国地级市信息化发展现况,资源依赖度高的地区信息化基础薄弱、信息化发展水平落后,如果当地的信息化水平一直低于门槛值,就不能够发挥信息化抵消资源依赖对绿色全要素生产率负面影响的作用,势必导致当地资源诅咒的产生或者加重,进一步拉大与其它信息化发展水平较高地区的差距。
所以综合以上分析,提出如下政策建议:
(1)加强宣传和普及,提高群众对信息化基础设施建设的认同。信息化基础设施建设行业属于潜在“邻避”问题多发行业,但是这并不意味着所有信息化建设项目都会产生“邻避”问题。广大人民群众,特别是落后地区群众,由于缺乏相关知识技能,很容易受到网络上部分谣言或者不法分子的利用,将一些正常无害的信息化项目当作“邻避”项目,从而产生阻挠项目进展的行为。这就需要通过多种手段加强有关知识宣传和普及,让群众真正了解哪些属于“邻避”项目,哪些不会产生“邻避”问题,从而确保信息化基础设施建设的正常开展。
(2)加大资源地区信息化投入,提升信息化基础设施建设质量。资源型地区的信息化诉求比较强烈,信息化发展不仅能够在一定程度上抵消资源依赖对经济增长的负面作用,还能够降低资源依赖对经济增长的抑制作用,对于破解资源诅咒有巨大助力;而资源依赖地区的信息化发展水平较滞后,难以满足资源依赖地区的信息化诉求。所以,必须加大对资源依赖地区的信息化投入,从资源产业着手,不断加强信息化应用,逐步摆脱资源产业对人力资本、创新的挤压。但是在进行信息化基础设施建设时,要兼顾信息化建设速度和质量,根据自身实际情况采取不同建设速度,防止出现信息化基础设施建设质量问题。
(3)因地制宜,推进资源型地区信息化发展。导致资源型地区信息化水平落后的原因是多样的,有些地区是因为基础设施建设不足导致信息化难以开展,有些地区则是因为信息化应用水平没有跟上时代发展,有些地区信息产业发展不足,还有些地区则因为发展环境制约了信息化发展。所以在推进信息化发展中,要根据不同地区采取不同推进措施:对于基础设施建设不足的地区,要通过专项资金补贴、财政支持等方式,加快基础设施建设;对于信息化应用不足的地区,应不遗余力地推广和普及移动终端设备;对于信息产业落后的地区,则应以吸引、留住信息科技和信息服务企业为主,壮大信息产业发展;对于信息化发展环境恶化的地区,通过教育和科研投入,改善信息化发展环境。
(4)依据资源型地区资源优势,逐步推进信息化建设。资源型地区的最大优势仍然是资源,在推进资源型地区信息化建设时,不能忽略该事实,相反,资源优势是资源地区信息化建设的切入口。目前山西、贵州、西藏、内蒙古等地区大数据中心的落户、大数据产业的发展就为该地区的信息化建设提供了范例。凭借自身环境能源优势,吸引大数据中心落户;将地区其它产业逐步与大数据产业深度融合,从而促进整个产业结构与大数据的融合,提升整个产业信息化水平。
[1] ZHANG L, LONG R, CHEN H, et al. Performance changes analysis of industrial enterprises under energy constraints[J]. Resources, Conservation and Recycling, 2018 (136):248-256.
[2] AUTY R M. Sustaining development in mineral economies: the resource curse thesis [J]. World Development, 1993(47):62-74.
[3] 邵帅,范美婷,杨莉莉.资源产业依赖如何影响经济发展效率?——有条件资源诅咒假说的检验及解释[J].管理世界,2013(2):32-63.
[4] 何雄浪,姜泽林.自然资源禀赋与经济增长:资源诅咒还是资源福音?——基于劳动力结构的一个理论与实证分析框架[J].财经研究,2016,42(12):27-38.
[5] 胡援成,肖德勇.经济发展门槛与自然资源诅咒——基于我国省际层面的面板数据实证研究[J].管理世界,2007(4):15-23+171.
[6] 万建香,汪寿阳.社会资本与技术创新能否打破“资源诅咒”?——基于面板门槛效应的研究[J].经济研究,2016,51(12):76-89.
[7] 徐素波,耿晓媛.自然资源依赖对高技术产业研发效率的抑制效应研究[J].科技管理研究,2019(8):110-115.
[8] 李波,梁双陆.信息通信技术、信息化密度与地区产业增长——基于中国工业数据的经验研究[J].山西财经大学学报,2017,39(9):58-71.
[9] 张敏,马泽昊.信息化、产业结构与区域经济增长——基于中国省际面板数据的经验分析[J].财政研究,2013(8):39-42.
[10] SACHS J D, WARNER A M. The curse of natural resources [J]. European Economic Review, 2001, 45(4):827-838.
[11] COXHEAD I. A new resource curse? impacts of China's boom on comparative advantage and resource dependence in Southeast Asia [J]. World Development, 2007, 35(7):1099-1119.
[12] 刘华军,李超,彭莹,等.中国绿色全要素生产率增长的空间不平衡及其成因解析[J].财经理论与实践,2018,39(5):116-121.
[13] 吴传清,宋子逸.长江经济带农业绿色全要素生产率测度及影响因素研究[J].科技进步与对策,2018,35(17):35-41.
[14] EUGENIO B, ENRIQUE T. Sustainable development in a natural resource rich economy: the case of Chile in 1985-2004[J]. Environment, Development and Sustainability. 2010(12):647-667.
[15] 王云霞,韩彪.技术进步偏向、要素禀赋与物流业绿色全要素生产率[J].北京工商大学学报:社会科学版,2018,33(2):51-61.
[16] 钟成林,胡雪萍.自然资源禀赋对区域生态效率的影响研究[J].大连理工大学学报:社会科学版,2016,37(3):19-26.
[17] 黄建欢,杨晓光,成刚,等.生态效率视角下的资源诅咒:资源开发型和资源利用型区域的对比[J].中国管理科学,2015,23(1):34-42.
[18] 李江龙,徐斌.“诅咒”还是“福音”:资源丰裕程度如何影响中国绿色经济增长[J].经济研究,2018,53(9):151-167.
[19] 徐杰芳. 煤炭资源型城市绿色发展路径研究[D].合肥:安徽大学,2018.
[20] 杜克锐,张宁.资源丰裕度与中国城市生态效率:基于条件SBM模型的实证分析[J].西安交通大学学报:社会科学版,2019,39(1):65-72.
[21] 孙早,刘李华.信息化提高了经济的全要素生产率吗——来自中国1979—2014年分行业面板数据的证据[J].经济理论与经济管理,2018(5):5-18.
[22] 董会忠,刘帅,刘明睿,等.创新质量对绿色全要素生产率影响的异质性研究——环境规制的动态门槛效应[J].科技进步与对策,2019,36(6):43-50.
[23] 张宁,郭昕,闫雅莉.海洋经济、绿色全要素生产率与信息化水平——基于11个沿海省市的实证分析[J].生产力研究,2018(9):87-92+100+161.
[24] ANDROUTSOS A.Access link bandwidth externalities and endogenous internet growth: a long-run economic approach [J]. International Journal of Network Management, 2011, 21(1):21-44.
[25] 惠树鹏,王森.基于多重约束的两化融合对工业绿色全要素生产率的影响研究[J].软科学,2018,32(12):35-39.
[26] 陈庆江,杨蕙馨,焦勇.信息化和工业化融合对能源强度的影响——基于2000-2012年省际面板数据的经验分析[J].中国人口·资源与环境,2016,26(1):55-63.
[27] 李清辉,赵明丽.以发展信息产业为重点加快资源型城市转型[J].经济研究导刊,2010(19):138-140.
[28] 陈庆修.以信息化引领和带动绿色化[N].学习时报,2018-09-12.
[29] 韩先锋,惠宁,宋文飞. 信息化能提高中国工业部门技术创新效率吗[J]. 中国工业经济,2014 (12):70-82.
[30] 卢敏. 中国省域工业行业信息化建设及其对经济增长的贡献研究[D].重庆:中共重庆市委党校,2013.
[31] HANSEN B E. Threshold effects in non-dynamic panels estimation, testing and inference [J]. Journal of Econometrics,1999,93(2):345-368.
[32] PAPYRAKIS E, GERLAGH R. The resource curse hypothesis and its transmission channels[J]. Journal of Comparative Economics, 2004, 32(1):1-193.
[33] LIU G, BING W, NING Z. A coin has two sides: which one is driving China's green TFP growth[J]. Economic Systems, 2016, 40(3):481-498.
[34] 张军,吴桂英,张吉鹏.中国省际物质资本存量估算:1952—2000[J].经济研究,2004(10):35-44.
[35] YOUNG A. Gold into base metals: productivity growth in the people's republic of china during the reform period[J]. Nber Working Papers, 2000, 111(6):1220-1261.
[36] 林伯强.结构变化、效率改进与能源需求预测——以中国电力行业为例[J].经济研究,2003(5):57-65+93.
[37] 茶洪旺,郑婷婷,袁航.资源诅咒与产业结构的关系研究——基于PVAR模型的分析[J].软科学,2018,32(7):97-101.
[38] 李逢春.对外直接投资的母国产业升级效应——来自中国省际面板的实证研究[J].国际贸易问题,2012(6):124-134.
[39] HERRENDORF B, SCHOELLMAN T. Why is measured productivity so low in agriculture[J]. Review of Economic Dynamics, 2015, 18(4):1003-1022.
[40] 吴新中,邓明亮.技术创新、空间溢出与长江经济带工业绿色全要素生产率[J].科技进步与对策,2018,35(17):50-58.