创新溢出如何影响我国省际环境全要素生产率
——基于DEA-ESDA方法的实证分析

殷 群,李子文

(南京邮电大学 管理学院,江苏 南京 210023)

摘 要:基于2008-2017年省际面板数据,运用非径向、非角度的SBM—DDF模型和GML指数,测算了内地30个省市的环境全要素生产率,借助引力模型,对区域创新溢出进行了量化和空间网络结构分析,进一步搭建空间计量模型,实证分析了创新溢出对我国省际环境全要素生产率的影响。研究结果表明,环境全要素生产率存在显著的空间正相关性;创新溢出能够有效促进GTFP增长,技术进步为主要影响路径;技术市场化水平提升有助于GTFP增长;经济发展和对外开放水平仅对本区域GTFP起促进作用;人力资本水平和环境规制显著制约了GTFP发展;人力资本水平、对外开放水平、环境规制强度对技术效率改善存在显著负向影响。

关键词:创新溢出;环境全要素生产率;空间联系;空间计量

How does Innovation Spillover Affect the Total Factor Productivity of China's Inter-provincial Environment——an Empirical Analysis based on DEA-ESDA Method

Yin Qun,Li Ziwen

(School of Management, Nanjing University of Posts and Telecommunications, Nanjing 210023, China)

AbstractBased on provincial panel data from 2008 to 2017, using the non-radial, non-angle SBM-DDF model and GML index to measure the environmental total factor productivity of 30 provinces, empirically analyzes the impact of innovation spillover on the total elements of the interprovincial environment and its decomposition.The conclusionsare as follows:there is a significant spatial positive correlation in environmental total factor productivity;innovation spillovers can effectively promote the growth of GTFP, and technological progress is the main impact path;the improvement of the level of technology marketization will help to improve GTFP;the level of economic development and opening up will only promote the GTFP in the region;human capital levels and environmental regulations significantly constrain GTFP growth;the level of human capital, the level of opening up, and the intensity of environmental regulation have a significant negative impact on the improvement of technical efficiency.

Key Words:Innovation Spillover; Environmental Total Factor Productivity; Spatial Linkages;Spatial Econometric

收稿日期:2019-04-30

基金项目:国家自然科学基金项目(71373133)

作者简介:殷群(1959-),女,江苏南京人,博士,南京邮电大学管理学院教授,研究方向为创新管理;李子文(1995-),男,江苏徐州人,南京邮电大学管理学院硕士研究生,研究方向为创新管理。

DOI10.6049/kjjbydc.Q201908079

开放科学((资源服务)标识码(OSID):

中图分类号:F061.5

文献标识码:A

文章编号:1001-7348(2019)24-0045-10

0 引言

据生态环境部环境规划院发布的《中国经济生态生产总值核算发展报告2018》显示,我国生态破坏成本和污染损失成本达2.63万亿元。在经济增速放缓、生态环境压力持续增大的转型期,如何转变经济增长动能、实现高质量发展,实现由要素驱动转向创新驱动,提升环境全要素生产率成为重要选择。党的十九大吹响了加快建设创新型国家的集结号,创新成为建设高质量经济体系的引擎。因此,研究区域创新溢出与空间联系对环境全要素生产率的影响具有重要意义。

1 文献综述

资源与环境不仅是经济发展的内生变量,也是经济发展规模和速度的重要制约因素。然而,传统的全要素生产率(Total Factor Productivity,TFP)只考虑生产要素的输入约束,如劳动力和资本等,没有考虑资源环境约束,从而扭曲了对社会福利变化和经济绩效的评价[1]。随着绿色发展和全要素生产理论的不断完善,以及环境污染与资源消耗的加重,将实际生产中的污染治理投入或污染物排放与劳动力、资本、环境资源等投入产出要素一起纳入经济增长分析范式,修正传统TFP的环境全要素生产率(Environmental Total Factor Productivity,GTFP)已经成为关注热点。GTFP可以客观地评价经济绩效,避免因环境评估偏差而得出误导性政策建议,因此成为判断一国或地区经济能否实现可持续健康发展的重要依据[2]

国内学者主要从产业结构、城镇化、环境规制、FDI、金融发展、贸易开放、科技进步等角度研究不同因素对环境全要素生产率的作用机制。经济体的发展阶段主要包括要素驱动—效率驱动—创新驱动,在国家创新驱动战略引领下,从创新视角研究其对GTFP的影响逐渐成为重点。

现有文献重点以不同行业作为研究对象,将创新视为独立的个体系统,从知识创新、技术创新、创新驱动路径等方面分析创新对GTFP的影响,没有考虑系统间存在的关联效应,即认为单位间不存在某种创新联系,并且资源不产生流动互换,从创新溢出和区域空间联系角度的研究相对较少。实际上,地理学第一定律表明,事物在地理空间上必然存在联系,距离影响事物间的联系度[3]。随着区域空间交互作用增强,经济要素加快流动,创新扩散以及技术溢出都强化了区域经济发展的联动性和互动性。在创新联系中衍生出来的创新要素流动会产生显著的空间溢出和扩散效应,一个单元的创新水平不仅会影响本单元的经济发展水平和要素配置效率,也会通过创新资源势差和空间相互作用对邻近单元产生单向、双向或多向影响[4]。创新资源会随之在不同地理单元间发生复杂的动态流动和转换,形成创新溢出空间联系。对我国而言,各省域经济发展和创新能力呈现出严重的失衡状态,地区差异性持续扩大,区域失衡不仅会影响创新资源配置效率,还会引发社会不公、社会矛盾和严重的政治后果[5]。由于区域创新溢出效应的存在,不同区域间的创新效率和经济差距会渐进式缩小。李婧等[6]通过Moran′s I指数检验发现,我国省际单元间的创新活动存在明显的空间相关性。因此,在研究创新与环境全要素生产率关系时,必须具体考虑不同创新单元间存在的空间溢出效应。

区域作为国家创新系统的子系统,创新溢出体现了子系统内部各主体要素间的动态流动,而空间联系则反映了不同子系统间的联结关系。现有研究并没有将创新溢出和空间联系纳入统一分析架构,无法直观量化不同区域单元间的空间联系及强度。鉴于此,本文以全国30个省域(除西藏、香港、澳门、台湾外)为研究样本,首先测算出各省市环境全要素生产率,再运用引力模型,具体计算出区域创新溢出强度,探究创新溢出的空间联系网络格局,识别不同省域创新溢出水平和空间辐射能力,最后运用探索性空间数据分析技术(exploratory spatial data analysis,ESDA)构建环境全要素生产率及其影响因素的空间面板计量模型,分析创新溢出对GTFP的影响。

2 环境全要素生产率测度及分析

2.1 环境全要素生产率测度模型构建

在处理加入非期望产出的多元产出问题时,DEA可直接处理多产出情况,而SFA处理则较为复杂,需要将多产出合并成一个综合产出或者利用距离函数解决[7]。所以,本文在测度GTFP时使用基于松弛变量的非径向、非角度的SBM方向性距离函数(SBM—DDF)模型和Global Malmquist-Luenberger(GML)指数相结合的方法。

首先,构建全局生产可能性集合。假设每个省域为一个生产决策单元(DMU),每个DMU投入u种生产要素可得到m种期望产出和n种非期望产出进而构建全局生产可能性集合。

PG(x)=P1(x1)∪P2(x2)∪…PT(xT)

(1)

其次,构建基于松弛变量的非径向、非角度的SBM—DDF模型。

(2)

式中,(xi,t',yi,t',zi,t')为i省域t时期的投入、期望及非期望产出向量;(gx,gy,gz)代表期望产出扩张、投入和非期望产出压缩向量;为投入和产出的松弛变量。

最后,参考郑强[8]的研究,构造tt+1期间的GML指数,并将其分解为技术效率变动指数(GMLEC)和技术进步指数(GMLTC)。

(3)

(4)

(5)

其中,表示环境全要素生产率指数,当时,表示环境全要素生产率提高;当时,表示环境全要素生产率下降;当时,表示环境全要素生产率保持不变。GMLEC指数反映该时期每个DMU向最优生产前沿面的逼近程度,该指数大于1表明技术效率得到改善;GMLTC指数反映由技术进步引起的生产可能性边界外移,该指数大于1表明技术产生进步。

测度环境全要素生产率通常包括要素投入、期望产出以及非期望产出三大指标。根据数据可获得性和完整性原则,本文选取2008-2017年我国除港澳台、西藏外的30个省域数据(下同)。其中:①投入指标。用各省市年末全社会从业人员数(万人)作为劳动力投入的代理变量,采用永续盘存法计算得到的各省市物质资本存量(亿元)表征资本投入,能源投入选用各省市年末能源消费总量(万吨标准煤)作为代理变量;②期望产出。利用GDP平减指数,将各省市不同年份的名义GDP进行折算,得到以 2000 年为基期的实际GDP表征期望产出;③非期望产出。工业是造成环境污染的主要源头,并且工业生产产生的二氧化硫(SO2)和化学需氧量(COD)受到各国严密监测,且与经济发展过程密切相关,相比之下,工业生产中产生的生活等额外排放量较少,所以本文选取SO2和COD排放量衡量非期望产出。数据来源于《中国能源数据库》、《新中国60年汇编》、《中国环境数据库》、各省市统计年鉴和国家统计局网站。

2.2 测度结果及分析

本文利用MATLAB R2018a测算2008—2017年我国内地30个省市的环境全要素生产率及其分解结果,如表1所示。

表1 2008—2017年我国内地30个省市的Global Malmquist-Luenberger生产率指数及其分解结果

省(市)GMLGMLECGMLTC省(市)GMLGMLECGMLTC省(市)GMLGMLECGMLTC北京1.058 1.000 1.070 山西1.003 0.941 1.080 内蒙古1.005 0.947 1.096 天津1.051 1.002 1.068 吉林1.008 0.999 1.019 广西1.009 1.016 1.048 河北1.004 0.995 1.032 黑龙江1.003 0.967 1.078 重庆1.021 1.026 1.054 辽宁1.005 0.990 1.046 安徽1.017 1.032 1.046 四川1.025 1.020 1.065 上海1.057 1.000 1.076 江西1.018 1.013 1.054 贵州1.008 1.000 1.109 江苏1.038 1.014 1.066 河南1.007 0.995 1.028 云南1.004 0.992 1.040 浙江1.028 0.997 1.067 湖北1.017 1.019 1.062 陕西1.008 1.005 1.020 福建1.016 1.010 1.059 湖南1.025 1.005 1.082 甘肃1.005 0.993 1.054 山东1.010 0.985 1.060 -青海1.002 0.987 1.020 广东1.039 1.000 1.076 -宁夏1.002 0.997 1.007 海南1.013 1.016 1.056 -新疆1.004 1.066 1.044 东部地区1.029 1.001 1.061 中部地区1.012 0.996 1.056 西部地区1.008 1.004 1.051

由表1可知,样本期内我国环境全要素生产率存在一定的省际差异,但大部分省市的GML指数大于1,总体呈上升态势,技术进步成为推动东中西部GTFP提升的主要贡献因素。从整体来看,我国GTFP年均增长率为4%,2018年GTFP增长率为4.5%,低于同期GDP实际增速6.9%,且2011-2015年间GTFP出现下降,说明我国经济发展与资源环境的矛盾虽有所缓和但依然存在,经济增长方式仍以要素驱动的粗放式增长为主。技术效率变动指数小于1的省市约占43.3%,技术进步对GTFP的平均贡献率约为5.6%,可以看出,目前我国部分省域的GTFP提升动力不足,依赖技术进步推动,技术效率低下成为主要制约因素;根据国家统计局东中西部的划分来看,东部环境全要素生产率水平整体处于领跑地位,西部除重庆、四川外,其环境全要素生产率水平整体低于中部,表现出明显的空间异质性。同时,可以发现,技术进步对提高GTFP的贡献率均值达到了5.6%,中部地区GTFP受技术效率的限制较为严重。具体从各省域来看,北京、上海、天津、广东、江苏、浙江的GTFP年均增长率较高,分别为5.8%、5.7%、5.1%、3.9%、3.8%、2.8%;青海、宁夏、山西、黑龙江、河北、云南、新疆、辽宁、内蒙古、甘肃,吉林、河南、贵州、陕西、广西的GTFP年均增长率较低,上述省份主要位于西部和中部欠发达地区,其中多为传统“三高一低”产业大省,过分依赖矿产资源的单一产业结构,对生态环境造成巨大压力,使得GTFP处在较低水平;四川、湖南、重庆、江西、湖北、安徽、福建、海南、山东的GTFP值呈小幅上升,当技术进步增长水平高于技术效率下降水平时,才会出现GTFP小幅上升,所以上述省域的GTFP提升主要依靠技术进步,但从长期发展考虑,由于忽视技术效率,必然出现要素配置低效和资源浪费现象,导致经济与环境非协调式发展。

3 创新溢出时空格局演变分析

3.1 空间联系引力模型构建

引力模型作为分析空间相互作用强度的数学模型,由于具有广义分形性质而被广泛应用于多个研究领域空间联系量的测算与研究,用来反映某区域单元对邻近区域单元的辐射能力以及邻近单元对该区域单元辐射能力的接受程度[9]。本文借鉴蒋天颖等[10]、米雯静等[11]、陈收等[12]关于引力模型和通过交互项测度创新资源协同的经验,改进引力模型并测算创新溢出空间联系,量化区域创新溢出强度。模型如下:

(6)

(7)

式中,Rij表示区域i和区域j的创新溢出空间联系强度,即体现区域i和区域j的创新资源协同水平;K为引力系数,一般为1;b为距离摩擦系数,分别取1和2时可以近似地揭示国家尺度与省区尺度的城市体系空间联系状态[13],考虑到本文实际,b值取1;Dij为两区域的空间距离,采用欧式距离计算得到[14]EiEj分别表示i区域与j区域的创新资源协同水平;INCA为创新资金投入,采用规模以上工业企业研究与试验发展(R&D)经费支出(万元)表示;INHU为创新人力投入,用规模以上工业企业研究与试验发展(R&D)人员折合全时当量(人)表示,数据来自《中国科技统计年鉴》及各省市统计年鉴。式(7)中,CISC为区域创新溢出空间联系势能值,即空间联系总量,用以度量i区域对其余区域的空间吸引与辐射能力。一般来说,某区域势能值越大,中心性和地位越高,其空间辐射影响能力也越强[15]

3.2 创新溢出空间联系强度及GTFP时空拟合网络结构

通过式(6)、(7),可得创新溢出空间联系强度和势能值。由于计算值过多,首先选取2008、2012、2017年的创新溢出空间联系势能值比重进行分析。如表2所示:①我国创新溢出强度的区域差异较大,势能重心集中分布在经济发达省市,东部占74.31%,中部为22.96%,西部仅为4.25%,创新资源分布严重不均,存在区域创新梯次差异;②总体来看,前五位势能占比均超过当年全国势能总和的60%,说明上述省域在样本期内的创新溢出强度、区域中心地位以及辐射影响度较高;③2008—2017年北京和广东的创新溢出空间联系势能占比分别增长了11.46%、10.36%,增长速度为所有省市之最。可以看出,长三角、京津冀、粤港澳创新型城市群由于自身雄厚的经济实力和较高的创新人才集聚水平,已经成为我国重要的创新龙头和增长极,区域创新中心“排头兵”能力不断增强,而中西部地区创新溢出水平处于“洼地”、部分省份的势能值占比出现下降,说明目前我国虽然已初步完成创新布局,但联动性较差,欠发达地区由于创新动能不足、产业结构落后、基础设施和科技创新能力薄弱,导致不能较好地接收和内化东部地区创新溢出,并且由于创新平台搭建和科技项目资金劣势,导致创新人才流失严重,进一步扩大了区域间创新能力鸿沟。

表2 2008—2017年我国各省域创新溢出空间联系势能值比重 (%)

省(市)200820122017省(市)200820122017北京2.705.4714.16江西1.111.011.22天津1.522.014.58河南3.823.403.54河北2.772.222.45湖北3.393.173.29辽宁1.130.590.40湖南1.972.112.06上海9.268.278.59内蒙古0.410.320.35江苏23.6725.4428.59广西0.270.320.21浙江18.3116.8719.27重庆0.900.500.60福建2.052.232.05四川1.140.550.55山东8.536.556.35贵州0.170.150.15广东4.3410.6914.70云南0.120.080.09海南0.010.040.03陕西0.970.610.60山西2.201.030.78甘肃0.180.090.08吉林0.320.290.19青海0.010.010.01黑龙江0.450.260.16宁夏0.070.040.04安徽9.7011.6713.51新疆0.010.010.01

为了进一步探究我国省域创新溢出的空间结构以及是否与环境全要素生产率存在空间重合现象,本文利用ArcGIS10.2对各省域创新资源协同联系量、势能值与GTFP进行时空拟合,绘制出创新溢出空间联系与GTFP时空拟合网络结构,如图1所示。可以直观地看出,我国创新溢出空间联系网络结构层级清晰,呈现出协同演化的多种群发展趋势,环境全要素生产率与创新溢出存在一定的重合分布特征,多数GTFP高值区同时也是区域创新联系中心并且拥有较高的势能值。

2008年,我国创新溢出空间网络结构较为简单,空间引力联系主要集中在东中部地区,联系量较大的一级网络节点集中于长三角地区,形成江苏—浙江—安徽—上海的“Z”型第一网络层级,但长三角城市群与京津冀、珠三角城市群的联动性一般;北京—天津—山东—河南构成了创新溢出空间联系第二网络层级,北京的创新引领作用还未体现;中原城市群、长江中游城市群、粤港澳大湾区构成了第三网络层级,其中,广东的创新辐射能力较强;西部地区仅有四川—重庆进入第三网络层级,其余地区囿于自身经济发展水平,创新溢出空间联系强度较低,省域间的相互牵引作用较弱,构成第四网络层级。

2012年,创新溢出空间网络结构整体没有出现较大变化,其中,第二和第三级网络层级所包含的空间引力连接呈增长态势。第二网络层级已扩展到河北、山东、河南、湖北、安徽、广东六省,北京和天津并不在列,但势能值保持增长态势,原因可能在于核心创新高地作为发展领跑者,由于政策扶持以及大量优质创新资源聚集具有明显的先动优势,而创新水平较低地区由于动能转换和产业转型升级的滞后性,并不能有效吸收和转化外部创新溢出,即该区域辐射能力的接受度不高,因此空间联系量也随之减少。

2017年,创新溢出空间结构发生较大变化,网络结构呈现复杂化和集聚化,多种群、多核心层级特征显著。第一网络层级形成以北京—天津—江苏—上海—浙江—安徽—广东为主的“七足鼎立”结构,势能值占比超过90%,成为创新溢出网络结构中流量最大的中心节点,同时也是空间辐射影响能力最强的省市;京津冀、长三角、粤港澳大湾区作为国家重大战略融合发展区域以及创新型经济体,推动空间联系由东部沿海向中西部、东北部方向纵深蔓延发展,其示范引领和集聚辐射的龙头作用日益凸显;以陕西为代表的关中平原城市群、以湖南和湖北为代表的长江中游城市群、以重庆和四川为代表的成渝城市群,由于积极承接创新溢出和辐射,主动融入高技术产业生态并对接科技创新,成为第二网络层级的重要支撑;东北地区由于市场化程度不高、民营企业发展不充分、国有企业缺乏自主创新动力,创新溢出水平一直维持在较低阶段,随着全面振兴东北老工业基地被纳入我国区域发展总体战略,2017年吉林和辽宁迈入第三网络层级,外部与长三角产生创新引力联系,显示出东北振兴和创新转型的积极信号。

最后基于上述分析,本文提出如下假设:

H:创新溢出有利于环境全要素生产率提升。

图1 2008、2012、2017年创新溢出空间联系与GTFP时空拟合网络结构

4 空间计量模型构建及变量说明

4.1 空间相关性检验

在使用空间计量模型前,需先判断环境全要素生产率是否存在空间集聚特征。本文选用探索性空间数据分析技术(exploratory spatial data analysis,ESDA)中的全局自相关分析Moran′s I指数检验空间相关性,其公式为:

Moran′s I=

(8)

式中,为研究区域个数,CISCii地区的环境全要生产率,Wij为由空间要素构成的基于Rook的一阶邻接性权重矩阵,当存在共同边界时为1,否则为0,即:

(9)

对于空间相关性是否显著的判断,除常用的P-level外,又构建了标准正态统计量Z。

(10)

Moran′s I的取值范围为[-1,1],若大于0且P值与Z值显著,则表明我国省际环境全要素生产率存在空间正相关性;若小于0且P值与Z值显著,则存在空间负相关性。

4.2 空间计量模型构建

为了进一步探究和分析创新溢出对环境全要素生产率的影响,根据空间计量方法,建立如下模型:

(11)

其中,GTFPiti省在t年的环境全要素生产率,CISCit为采用引力模型量化后得到的创新溢出空间联系量,用以表征创新溢出强度。α为常数项, β1β2β3β4β5为待估计参数向量,μiλt分别为个体与时期固定效应捕获项,εit为随机扰动项,wij为空间权重。X为控制变量。结合相关研究[16-18],选取省际环境全要素生产率的控制变量为:经济发展水平(GDP)、人力资本水平(EDU)、对外开放水平(OPEN)、技术市场化水平(TM)、环境规制水平(ER)。

4.3 变量选取与数据说明

(1)被解释变量。采用基于SBM—DDF模型和GML指数测度得到的环境全要素生产率(GTFP)作为被解释变量。

(2)核心解释变量。采用由引力模型测算出的创新溢出空间联系量(CISC)表征创新溢出强度。

(3)控制变量。①经济发展水平(GDP)。经济发展水平较高的区域,其资本、技术、基础设施等具有一定优势,为可持续发展奠定了良好基础,有利于推动地区GTFP提升[19]。本文选取各省市实际人均地区生产总值衡量经济发展水平;②人力资本水平(EDU)。人力资本作为知识受体及传播与推动技术进步主体,对GTFP的提升至关重要。本文选取人均受教育年限表征人力资本水平;③对外开放水平(OPEN)。对外开放水平较高区域,可以更为便捷地接受溢出效应带来的技术进步和生产水平提高,本文采用实际进出口额占地区GDP的比重衡量对外开放水平,根据当期汇率,将进出口额换算成等值人民币,并以2000 年为基期的 GDP 平减指数进行平减处理;④技术市场化水平(TM)。市场化是影响技术效率的重要因素,市场化水平在当期和后期都对技术效率产生正向影响,同时,技术效率提升反过来又促进环境全要素生产率提高[20];⑤环境规制水平(ER)。 波特假说中的创新补偿效应和规制成本效应一直是诸多学者在探究环境规制影响GTFP时的争论焦点,有的学者认为规制带来的创新激励可以加快企业生产技术迭代,实现绿色生产,也有一部分学者认为由规制引发的高生产成本会抑制企业研发投入,阻碍绿色生产[21]。本文结合数据可获取性和完整性原则,选取工业污染治理投资与工业增加值之比衡量环境规制。

5 实证结果及分析

5.1 空间相关性检验结果

由表3可知,2008—2017年我国环境全要素生产率的Moran's I指数值均大于0且通过了1%的显著性检验。借助GeoDa中的Monte Carlo模拟检验发现,2008—2017年我国环境全要素生产率在置换999次后的正态统计量Z值均大于正态分布函数在0.05水平下的临界值(1.96),表明我国环境全要素生产率存在较强的全局空间正向自相关性,即GTFP的空间分布并不呈随机状态,而是存在明显的空间集聚效应,较高(低)环境全要素生产率省域与其它较高(低)环境全要素生产率省域趋于邻近。Moran's I指数在观察期内呈波动式上升趋势,说明整体空间依赖性增强。若在研究省际GTFP收敛性时忽略空间效应,会造成模型估计结果有偏或无效,因此需建立空间计量模型进行分析。

表3 2008—2017年我国环境全要生产率的Moran′s I指数及显著性检验结果

时间Moran's IP值Z值2008-20090.146 0∗∗∗0.0032.277 72009-20100.153 1∗∗∗0.0022.385 22010-20110.163 1∗∗∗0.0022.513 42011-20120.142 7∗∗∗0.0022.210 12012-20130.150 0∗∗∗0.0042.288 22013-20140.148 5∗∗∗0.0032.264 32014-20150.145 7∗∗∗0.0032.207 92015-20160.151 8∗∗∗0.0042.007 32016-20170.265 2∗∗∗0.0013.283 8

注:***表示通过1%的显著性检验

5.2 空间面板模型选择与回归分析

针对具体问题应选择不同空间面板模型,如果选择不当会产生一定偏差且影响估计结果的真实性。本文选用拉格朗日乘数(LM)检验、似然比(LR)检验、Wald 检验、Hausman过度识别检验,借助MATLAB统计工具判断模型的选择。由表4可以看出,空间滞后模型(SLM)和空间误差模型(SEM)的LM以及Robust—LM统计量均通过了1%水平下的显著性检验,因此存在空间自相关性,支持搭建空间面板模型。进一步,由于LR_spatial_lag和LR_spatial_error、Wald_spatial_lag和Wald_spatial_error在 1%的水平下显著,拒绝原假设,故本文选择的空间杜宾模型(SDM)具有合理性。最后,针对混合效应、固定效应、随机效应的有效性问题,运用Hausman过度识别检验,结果表明应采用固定效应下的空间面板Durbin模型。

表4 LM检验、LR 检验、Wald 检验、Hausman检验结果

检验值SLMSEMLMLAG14.6972∗∗∗1.7937∗∗∗R-LMLAG28.7983∗∗∗39.1884∗∗∗LMERR16.1345∗∗∗27.9597∗∗∗R-LMERR44.4631∗∗∗63.3544∗∗∗LR_spatial_lagLR_spatial_error6.7586∗∗∗7.6558∗∗∗Wald_spatial_lagWald_spatial_error6.9637∗∗∗7.9659∗∗∗Hausman70.11∗∗∗

注: ***表示在1%水平下显著

从表5的4种固定效应空间面板Durbin模型回归结果可发现,LR检验和Wald检验均在 1%的水平下显著,证明建立的空间Durbin模型是有效的。其次通过比较R-squared值和Log-likelihood值可发现,空间和时间固定效应模型的R-squared值为0.981 5,在4种固定效应模型中拟合优度最高,且Log-likelihood绝对值最小。通过对比发现,解释变量的显著性水平也为4类模型中的最优,因此本文选用的空间和时间双固定效应模型可作为最终解释模型。

由于表5的回归结果中dep.var.,即空间滞后被解释变量系数不等于0且通过了1%的显著性检验,说明我国省际GTFP受周围省域GTFP的影响较大,具体来说,周围省域的GTFP每提高1%,则本区域GTFP将提高0.3399%。并且,考虑到直接使用空间Durbin模型进行回归会产生偏差,因此采用LeSage & Pace[22]提出的空间回归模型偏微分方法,将创新溢出效应进一步分解为直接效应、间接效应、总效应进行具体分析。

根据表6可以发现,整体上看,在直接效应、间接效应和总效应下创新溢出对环境全要素生产率的估计系数均大于0且在1%的水平下显著,说明创新溢出与环境全要素增长率存在正相关关系,创新溢出能够有效推动GTFP增长,本文假设得到验证。此外,间接效应下的创新溢出系数大于直接效应下的系数,说明创新溢出对周围省域GTFP的促进作用突出,正向空间溢出效应显著。

从直接效应来看,其反映的是变量对本区域单元的影响程度。可以发现,经济发展水平系数为0.135 5且在1%的水平下显著,即经济水平提高对GTFP具有正向促进作用,说明GTFP随着经济发展水平提高而增大。人力资本水平系数为负且显著,与王恕立和王许亮的结论一致[23],可能的原因是目前人力结构还不能完全适应绿色生产技术发展需要,科技人才结构性问题依然存在,高层次技术人才比例较低,且欠发达地区与发达地区人才配置差距较大。对外开放水平系数为0.198 4且通过了5%的显著性检验,说明提高对外开放水平有利于GTFP增长,原因在于开放水平提高可以提升区域在全球价值链中的地位,利于吸收国际平台带来的技术创新能力、高水平人才以及科学高效的管理经验,提高经济运行效率,从而提升GTFP。技术市场化水平系数为0.128 7且通过了1%的显著性检验,说明随着技术市场不断成熟,可以解决机制滞后、供需不对称、成果转化不畅等诸多问题,从而推动产学研深度融合和一体化创新,加速科技成果向现实生产力转化,实现GTFP增长。环境规制系数显著为负,证明波特假说在现阶段对我国不成立,这与齐亚伟的结论相同[24],即环境规制带来的成本增长超过了创新带来的补偿效应。

表5 创新溢出对环境全要素生产率影响的空间面板Durbin模型回归结果

解释变量无固定效应空间固定效应时间固定效应空间和时间固定效应CISC0.031 6∗∗∗0.056 7∗∗∗0.045 3∗∗∗0.047 1∗∗∗(2.722 2)(3.424 3)(2.695 5)(6.296 3)GDP0.059 80.144 80.136 90.123 9∗∗∗(1.331 7)(1.386 8)(1.093 4)(16.955 9)EDU-0.272 2∗∗∗-0.579 1∗∗∗-0.221 1∗-0.591 25∗∗∗( -2.826 1)(-3.333)(1.781 1)(-3.697 3)OPEN0.995 1∗∗∗0.165 5∗0.828 4∗∗∗0.191 1(13.421 0)(1.699 2)(10.884 7)(0.984 5)TM0.199 5∗∗∗0.121 0∗∗∗0.187 60.121 7∗∗∗(-2.614 5)(9.711 3)(1.002 1)(-8.645 4)ER-0.141 5∗∗-0.221 1∗∗-0.087 6∗∗∗-0.215 9∗∗∗(-2.122 3)(-2.160 1)(5.585 3)(-2.919 7)CISC0.051 3∗∗∗-0.017 6∗∗0.030 1∗∗-0.127 7(7.032 1)(-2.088 9)(-2.352 8)(-0.636 8)GDP0.111 4-0.194 20.206 8∗∗∗-0.246 1∗∗∗(0.498 1)(-1.056 9)(2.927 4)(-5.306 6)EDU0.290 30.370 20.821 20.712 7∗(1.522 4)(1.582 4)(-0.062 2)(1.766 4)OPEN-1.028 3∗∗∗0.129 9∗∗∗-1.657 1∗∗∗0.064 9∗∗∗(-6.172 9)(2.873 5)(8.211 7)(-9.286 5)TM0.424 5∗∗∗-0.153 5∗∗∗0.302 8∗∗0.132 5∗∗∗(3.097 1)(-4.320 2)(2.441 6)(7.742 3)ER-0.932 00.085 3-0.222 6-0.099 8∗∗∗(-0.074 8)(0.447 7)(-1.422 9)(-3.244 9)dep.var.0.134 9∗∗∗0.064 9∗∗∗0.059 8∗∗∗0.339 9∗∗∗(2.848 9)(2.653 8)(-2.756 4)(-2.670 9)R-squared0.845 70.954 50.855 30.981 5Log-likelihood-333.886 5-266.289 3-360.719 1-255.182 6LR_spatial_lag53.672 9∗∗∗5.764 7∗∗∗15.137 2∗∗∗6.758 6∗∗∗LR_spatial_error28.678 4∗∗∗5.515 2∗∗∗24.925 6∗∗∗7.655 8∗∗∗Wald_spatial_lag8.256 9∗∗∗5.863 5∗∗∗9.806 4∗∗∗6.963 7∗∗∗Wald_spatial_error27.453 2∗∗∗5.476 1∗∗∗19.723 7∗∗∗7.965 9∗∗∗

注:()内为t值;******分别表示在10%、5%、1%的水平下显著,下同

表6 空间与时间固定效应下的空间Durbin模型效应分解估计结果

解释变量 双固定效应下的空间Durbin模型 直接效应间接效应总效应 CISC0.052 6∗∗∗0.107 8∗∗∗0.055 2∗∗∗(4.5717)(8.607 3)(3.442 6)GDP0.135 5∗∗∗-0.032 50.095 1∗∗∗(2.935 3)(-1.311 2)(6.591 9)EDU-0.731 9∗∗∗0.626 4∗∗-0.094 5∗∗∗(-3.937 6)(2.199 3)(3.512 6)OPEN0.198 40.099 60.097 8(2.160 7)(-0.535 5)(0.649 1)TM0.128 7∗∗∗0.128 3∗∗∗0.292 1∗∗∗(2.739 8)(4.910 2)(2.981 1)ER-0.215 7∗∗∗-0.023 4∗∗∗-0.239 1∗∗∗ (-2.899 5)(-9.398 8)(-7.642 8)

从间接效应来看,其反映的是变量对周边区域单元的影响程度。回归结果显示,经济发展系数为负且没有通过检验,说明现阶段经济发展对于GTFP的负作用并不显著。人力资本水平系数为0.626 4且通过了5%的显著性检验,说明相比于直接效应,人力资本的溢出效应有利于提升GTFP。这是因为人才的区域流动可以解决部分地区人才投入不足问题,推动其在行业和区域间合理分配,提高劳动生产率,同时,打通人才交流通道,产生知识溢出,促进劳动生产率提高,从而实现GTFP增长。对外开放水平系数为正但不显著,说明由于地方引入外资的进入门槛和管制水平降低,导致环境污染加重,侧面证明了“污染避难所假说”。技术市场化水平系数为0.128 3且通过了1%的显著性检验,说明技术市场化水平每提高1%,相应周边区域的GTFP增加0.128 3%。环境规制技术系数为-0.023 4且在1%的水平下显著,说明目前企业自主创新能力严重不足,环境规制的创新补偿效应微乎其微,企业缺乏主动革新技术的积极性,以污染环境换取经济利益成为一种常态。

从总效应来看,其显示的是直接和间接效应对环境全要素生产率的交互影响程度。经济发展水平、技术市场化水平系数分别为0.095 1、0.292 1且均通过1%的显著性检验,说明雄厚的经济基础与成熟的技术市场转化体系可以促进GTFP提升,技术市场化水平每提升1%,GTFP将提升0.292 1%,说明目前我国应该继续完善科技服务模式,推动创新资源聚合和创新成果孵化,促进创新成果以实际生产力形式投入企业生产运营中,革新生产和治污手段。人力资本水平和环境规制系数分别为-0.094 5与-0.239 1且在1%水平下显著,因此人才的结构性和流动性矛盾以及行业、区域配置的低均衡性、环境规制强度不合理以及非长效性机制等问题成为GTFP提升的制约因素。对外开放水平系数为0.097 8,未通过显著性检验,进一步证实“污染避难所假说”在我国是成立的。

5.3 影响机制分析

为了更深入地探究创新溢出对GTFP的作用机制,本文将Global Malmquist-Luenberger生产率指数的分解项作为被解释变量,构建如下模型:

(12)

(13)

其中,GMLEC为技术效率变化指数,GMLTC为技术进步指数。

回归结果如表7所示,可以看出,空间滞后被解释变量系数不为0且都通过了1%的显著性检验,说明GMLEC和GMLTC受邻近省域影响显著,邻近省域的GMLEC和GMLTC每提高1%,该省域的GMLEC和GMLTC将分别提高0.5299%与0.5859%。创新溢出强度对GMLEC的影响为负向且不显著,对GMLTC的影响为正向且通过了1%的显著性检验,说明创新溢出对GTFP提升主要通过正向推动实现技术进步。原因可能在于:①创新溢出强度提升促进了区域间创新要素流动,作为创新增长极的发达省市,其示范和传播作用逐渐增强,正外部性的存在加快了邻近区域技术进步;②创新溢出不是单向输出过程,存在接收、获取的双向过程,东道国吸收消化能力同时决定着溢出效应能否有效实现技术进步,因此增强技术吸收能力成为欠发达地区实现技术进步的重要推力。

表7 空间与时间固定效应下GML指数分解估计结果

解释变量GMLECGMLTCCISC-0.063 9 0.020 5∗∗∗(-1.192 9)(3.884 5)GDP0.094 30.043 7∗∗∗(0.680 9)(3.931 8)EDU-0.064 4∗∗∗0.317 4(-2.970 7)(1.393 2)OPEN-0.642 4∗∗∗0.120 1(-4.643 4)(-0.941 8)TM0.835 4∗∗∗0.062 1∗∗∗(7.027 5)(5.052 7)ER-0.524 0∗∗0.091 3(-2.363 5)(0.678 5)0dep.var.0.529 9∗∗∗0.585 9∗∗∗(4.154 1)(4.633 0)

从控制变量来看,经济发展水平对GMLEC的影响为0.094 3,没有通过显著性检验,对于GMLTC的影响系数为0.043 7且通过了1%的显著性检验,说明目前经济发展水平对技术效率的正向作用不显著,其带来的雄厚物质、人才禀赋以及完善的基础设施只能显著促进技术进步;人力资本水平、对外开放水平、环境规制强度对GMLEC的影响系数分别为-0.064 4、-0.642 4、-0.524 0且都通过了显著性检验,但对GMLTC的正向影响不明显,进一步验证了上文得到的结论,即人才的结构性和低均衡性矛盾、引入外国资本产生的挤出效应、环境规制的成本效应成为制约技术进步效率改善的主要因素;技术市场化指数对于GMLEC和GMLTC的影响系数为0.835 4、0.062 1且都通过1%水平的显著性检验,说明成熟的市场化体制可以有效解决创新成果转化效率低、产学研供需不对称、“伪”创新等问题,改善技术效率、推动技术进步、实现GTFP提升。

6 结论与政策建议

本文基于中国内地30个省市面板数据,研究发现,环境全要素生产率存在显著的空间正相关性;创新溢出和技术市场化水平提升有利于提升环境全要素生产率,并且以推动技术进步为主要影响路径;经济发展水平对于本地GTFP提升具有促进作用但对周围区域起消极作用;人力资本水平和环境规制对GTFP增长起显著制约作用;对外开放水平仅对本区域GTFP增长具有正向影响,对周围区域影响不显著,且人力资本水平、对外开放水平、环境规制强度对技术效率改善存在显著的负向影响。基于上述结论,本文提出如下政策建议:

(1)依托创新溢出空间网络结构,着力构建协同创新生态体系,推动区域高质量集约化发展。根据我国创新溢出空间网络结构呈现出的复杂集聚化、多种群多核心层级特征,应继续因地制宜培育与发展不同功能的创新型中心城市,打造创新策源地,形成创新城市群系统,以点带面、以线带点,推动区域整体创新水平提升。京津冀、长三角、粤港澳大湾区作为我国创新溢出第一网络层级,应发挥作为国家重大战略融合发展区域的创新引领作用,深化协同创新实质性合作机制,探索创新协作新模式;关中平原城市群、长江中游城市群以及成渝城市群等位于第二网络层级,应继续完善创新环境,通过搭建一批高质量的国家级创新平台、科学实验室、国家产业创新中心,更加有效地承接创新高水平区域的知识和技术溢出,提升技术吸收消化能力,攻克关键技术以及核心难点,集聚创新发展新动能;东北地区、中西部发展水平较低地区应完善市场机制,减少管控制约,激发市场活力,改造与提升传统产业,将生态优势转化为创新力和竞争力,同时,加强人才引进和扎根落位,定向激励高端创新。

(2)充分利用创新溢出优势,完善科学开放的人力管理体系,提升育才引智质量。首先,要培育高水平创新人才,打造青年人才高峰和产业技能大师,继续推动产学研协同创新,联合培育创新型、复合应用型人才;其次,构建更具竞争力的人才引进机制和人才落地补贴;最后,加强人才的区域间柔性流动,将有项目、有资金、有技术的高级创新人才团队引向中西部国家新区、高技术开发区开展科研工作,形成人才聚集效应,平衡人才配给。

(3)强化创新溢出的“自我式造血”,建立高水平开放体系,提高引资质量。首先要坚持引进来、走出去双向发展,提升技术吸收和内化能力,提升在全球产业链的地位;其次要加强规则制度建立,坚持环境优先的全面健康开放,完善国际贸易各个环节的监管流和追踪检测闭环,逐步提高准入门槛;最后要加快实施自由贸易区战略,建设一批高标准的自由贸易“实验田”,拓宽贸易渠道,打造自由有序的交易市场,向全球价值链高端攀升。

(4)深化市场化改革,释放科技创新活力。首先应健全资源要素市场化体制,纵深推进管理职能转变。政府部门应从管理角色迈向创新服务性角色,深化科技领域的“放管服”改革,构建良好的市场化生态;其次,继续推动产学研一体化发展,对接企业和市场现实需求,破除闭门研发的“象牙塔”现象,提高专利产业化率,让市场检验创新“真伪”,实现技术价值最大化。

(5)采取合理适度的环境规制强度,激发创新补偿效应。首先,制定针对性的多样化规制工具和政策组合,继续加大技术层面的资金支持,降低企业成本负担,正向引导企业革新生产技术;其次,重视环保行业发展,淘汰单纯追求效益和扩张的企业,培育技术型环保企业,将红利转化为发展动力;最后,引导加强民间资本流动,实现与政企间的有效合作,释放民间资本的创造性与活力,鼓励更多资本入局环保板块,为践行“两山”理论、实现我国绿色可持续发展提供持续推力。

参考文献:

[1] XUELIWANG, CAIZHISUN, SONGWANG,et al.Going green or going away? a spatial empirical examination of the relationship between environmental regulations, biased technological progress, and green total factor productivity[J].Int.J.Environ.Res.Public Health, 2018(15):1-23.

[2] 种照辉,覃成林.“一带一路”贸易网络结构及其影响因素——基于网络分析方法的研究[J].国际经贸探索,2017(5):16-28.

[3] TOBLER W.Philosophy in geography[J].Theory and Decision Library,1979(20):379-386.

[4] 吕海萍, 池仁勇, 化祥雨.创新资源协同空间联系与区域经济增长——基于中国省域数据的实证分析[J].地理科学, 2017(37):1658.

[5] 王淑英, 常乐, 张水娟. 创新生态系统、溢出效应与区域创新绩效——基于空间杜宾模型的实证研究[J]. 哈尔滨商业大学学报(社会科学版),2019(1):107-116.

[6] 李婧, 谭清美, 白俊红. 中国区域创新生产的空间计量分析——基于静态与动态空间面板模型的实证研究[J]. 管理世界, 2010(7):43-55.

[7] 白永亮, 石磊. 长江经济带科技创新的空间溢出—效应测度、路径识别与协同放大[J]. 武汉大学学报, 2019(1):121-134.

[8] 郑强. 城镇化对绿色全要素生产率的影响——基于公共支出门槛效应的分析[J]. 城市问题, 2018(9).

[9] KEUM K. Tourism flows and trade theory: a panel data analysis with the gravity model[J]. Annals of Regional Science, 2010, 44(3):541-557.

[10] 蒋天颖, 谢敏, 刘刚. 基于引力模型的区域创新产出空间联系研究——以浙江省为例[J]. 地理科学, 2014, 34(11).

[11] 米雯静, 任海云. 研发投入内部要素协同匹配对绩效的影响[J]. 科技管理研究, 2015(12).

[12] 陈收, 施秀搏, 吴世园. 互补资源与创新资源协同对企业绩效的影响——环境动态性的调节作用[J]. 系统工程, 2015(1):61-67.

[13] 刘静玉, 杨虎乐, 宋琼, 等. 中原经济区城市间相互作用时空格局演变研究[J]. 地理科学, 2014, 34(9).

[14] 吕拉昌, 梁政骥, 黄茹. 中国主要城市间的创新联系研究[J]. 地理科学, 2015, 35(1):30-37.

[15] 化祥雨, 杨志民, 叶娅芬. 金融空间联系与经济增长关系——基于江苏省县域的实证研究[J]. 经济地理, 2016, 36(3):32-40.

[16] 王裕瑾, 于伟. 我国省际绿色全要素生产率收敛的空间计量研究[J]. 南京社会科学, 2016(11):37-44.

[17] 陈文新, 潘宇, 马磊. 交通基础设施、空间溢出与全要素生产率 ——基于丝绸之路经济带面板数据的空间计量分析[J]. 工业技术经济, 2017(10).

[18] 刘赢时, 田银华, 罗迎. 产业结构升级、能源效率与绿色全要素生产率[J]. 财经理论与实践, 2018(9).

[19] 罗良文, 潘雅茹, 陈峥. 基础设施投资与中国全要素生产率——基于自主研发和技术引进的视角[J]. 中南财经政法大学学报, 2016(1):30-37.

[20] 王敬勇. 市场化技文术效率影响的实征分析——对我国东中西部地区经济增长的随机前沿分析[J]. 软科学, 2011, 25(11).

[21] 彭文斌, 路江林. 环境规制与绿色创新政策:基于外部性的理论逻辑[J]. 社会科学, 2017(10):73-83.

[22] LESAGE J P, PACE R K. Interpreting spatial econometric models[M]. Handbook Regional Science,2014:1353-1552.

[23] 王恕立, 王许亮. 服务业FDI提高了绿色全要素生产率吗——基于中国省际面板数据的实证研究[J]. 国际贸易问题, 2017(12):83-93.

[24] 齐亚伟. 节能减排、环境规制与中国工业绿色转型[J]. 江西社会科学, 2018,38 (3):81-90.

(责任编辑:胡俊健)