环境约束下ZG区域工业技术效率与生产率及其影响因素实证研究

　　【论文摘要】运用方向性距离函数和曼奎斯特—卢恩伯格指数方法测算了环境约束下1998—2007年各地区工业技术效率、全要素生产率指数和环境规制成本,并对影响技术效率和全要素生产率增长的因素进行了实证分析。结果显示:环境技术效率呈现东、中、西依次递减,并且技术效率越高的地区,环境管制成本越低;考虑环境因素后,各地区工业全要素生产率指数降低,主要是由技术进步推动;环境约束下工业全要素生产率东部最高,西部次之,中部最低;人均GRP、FDI、工业结构、能源结构、人口密度对技术效率和全要素生产率有不同程度的影响。

　　【论文关键词】方向性距离函数，技术效率，全要素生产率

　　一、引言

　　改革开放30年来,我国经济的平均增长率达到9.8%。经济快速的增长伴随着自然资源利用效率较低、环境质量持续下降,以及环境健康损失不断增加等问题(世界银行,2009)。工业经济作为我国经济的主体,年均增速更是达到11.58%(吴军,2009)。工业的快速发展不可避免地产生各种污染,工业污染是环境污染的主要来源。国家环境保护总局宣布控制工业污染是环境政策制定者的首要任务。

　　环境管制和经济增长之间的关系受到广泛的关注。生产率是经济增长的重要引擎,所以,已经有大量的研究关注环境管制对传统全要素生产率的影响(Jaffeetal.,1995)。传统的全要素生产率的测量仅仅考虑劳动、资本等生产要素的投入约束,并没有考虑资源环境的约束,扭曲了对社会福利变化和经济绩效的评价,从而误导政策建(HailuandVeeman,2000)。因此,在测量地区工业生产率时,考虑环境因素,探求工业污染排放对生产率的影响,以及环境管制对工业生产率损失的影响关系,具有理论和现实的意义。

　　采用1998—2007年各地区规模以上工业企业的面板数据,运用序列数据包络分析(SequentialDEA)方法和曼奎斯特—卢恩伯格生产率指数(ML)测量环境约束下的技术效率、环境管制成本及地区工业全要素生产率,并使用动态面板数据的GMM方法对影响技术效率和工业全要素生产率环境约束下区域工业技术效率与生产率及其影响因素实证研究因素进行实证分析。

　　二、文献综述

　　自二十世纪九十年代开始,国内学者逐渐对工业生产率表现出极大的关注。从现有文献来看,对工业生产率的早期研究大都集中于测度传统的工业生产率,即不考虑工业生产过程所产生的各种污染(孙巍、叶正波,2002;涂正革、肖耿,2005、2006;陈勇、唐朱昌,2006;吴玉鸣、李建霞,2006;陶洪、戴昌钧,2007;涂正革,2007;谢千里、罗斯基和张轶凡,2008)。上述研究存在的问题是,在测量工业生产率时,没有考虑在生产过程中产生的外部性,主要集中于测度市场性的“好产出”,忽略了伴随生产过程产生的非市场性的“坏产出”,例如各种污染。工业生产过程,所产生的各种污染,对社会和环境产生负效应,但污染的治理是需要成本的,政府的环境管制使得部分资源转移出“好产出”的生产。因此,运用上述研究的一些结论对现实进行指导,容易导致偏差和失误。

　　随着环境问题的日益突出,已有学者在测量工业生产率时考虑环境因素的影响。WatanabeandTanaka(2007)利用方向性产出距离函数检验了1994—2002年省际水平工业的环境效率。涂正革(2008)根据我国30个省市地区要素资源投入、工业产出和污染排放数据,计算各地区环境技术效率,衡量环境与工业增长的协调性,并对环境技术效率的差异进行了回归分析。解垩(2008)运用DEA方法测度了1998—2004年31个省区工业的曼奎斯特生产率指数、技术效率和技术进步,然后检验了环境规制对工业技术效率、技术进步和生产率增长的影响。吴军(2009)通过Malmquist-Luenberger指数将环境因素纳入全要素生产率(TFP)分析框架,测算分析了环境约束下1998—2007年地区工业TFP增长及其成分,并对其收敛性进行了检验。杨俊、邵汉华(2009)引入考虑了“坏”产出的Malmquist-Luenberger生产率指数,测算了1998—2007年地区工业考虑了环境因素情况下的全要素生产率增长及其分解。杨文举(2009)在生态效率视角下,结合Malmquist指数和数据包络分析法,以大陆31个省在2003—2007年的工业发展经历为样本进行了相应的经验分析。涂正革、肖耿(2009)根据30个省市地区1998—2005年规模以上工业企业投入、产出和污染排放数据,构建环境生产前沿函数模型,解析工业增长的源泉,特别是环境管制和产业环境结构变化对工业增长模式转变的影响。许冬兰、董博(2009)以工业为研究对象,以经济发展程度不同的东部、中部和西部三个地区作为研究区域,采用非参数数据包络法(DEA)中的径向效率测量方法(Radialefficiencymeasure)作为主要研究方法,分析了在1998—2005年期间环境规制对工业的技术效率和生产力损失的影响。陈茹等(2010)运用曼奎斯特———卢恩伯格生产率指数,测度了2000-2007年东部工业在考虑SO2和不考虑SO2排放情况下的效率、生产率增长及其成份的增长率,并且估计出了环境管制给企业带来的成本。陈诗一(2010)设计了一个基于方向性距离函数的动态行为分析模型来对工业从现在到新成立100周年之际节能减排的损失和收益进行模拟分析,找到了通向未来双赢发展的最优节能减排路径。

　　这些研究主要有以下不足:(1)上述研究虽将环境因素纳入到工业生产率研究框架,但均未对环境管制对工业生产率损失的影响关系进行深入探讨;仅有许冬兰、董博(2009)和陈茹等(2010)讨论了环境规制对技术效率和生产力损失的影响,但前者的实证研究的对象为各地区制造业,后者仅仅为东部地区工业。(2)上述运用DEA的文献大所运用的是当期DEA(ContemporaneousDEA),从而在生产率分析中得到技术有可能退步结论,而序列DEA则可以克服这个不足。(3)大多数文献没有对生产率或技术效率进行影响因素分析,仅有杨俊、邵汉华(2009)、解垩(2008)、涂正革(2008)和陈茹等(2010)对影响环境生产率或技术效率的因素进行了回归分析,但采用的方法是静态面板数据回归模型;但是用DEA方法测量出的生产率结果具有序列相关性,并且影响因素具有动态变化的特征,采用静态估计方法对生产率进行影响因素的分析并不可靠,而动态GMM估计不仅可以有效地解决序列相关问题,而且可以避免解释变量的内生性。

　　试图弥补以上研究不足,采用1998—2007年各地区规模以上工业企业的面板数据,运用序列DEA方法和Malmquist-Luenberger生产率指数法测量环境约束下的技术效率、环境管制成本及地区工业全要素生产率,并运用动态GMM估计方法对影响技术效率和生产率的因素进行实证分析。

　　三、研究方法

　　假设每一个省份使用N种投入x=(x1,…,xN)∈R+N得到M种“好”产出y=(y1,…,yM)∈R+M,以及I种“坏”产出b=(b1,…,bI)∈R+I,每一个时期t=1,…,T,第k=1…K个省份的投入和产出值为(xk,t,yk,t,bk,t)。环境管制的目标是减少污染(“坏”产出),保持经济增长(“好”产出)。为了将这样的生产过程模型化,我们需要引入Chungetal.(1997)的方向性距离函数,这个函数是谢泼德(Shephard)产出距离函数的一般化。选择的方向向量是g=(y,-b),这意味着,同比例的增加“好”产出而减少“坏”产出,同时兼顾环境管制和经济增长。

　　四、数据处理和实证结果

　　(一)数据来源及处理

　　数据来源于1999—2008年的《统计年鉴》、《环境统计年鉴》、《工业经济统计年鉴》、资讯行数据库。根据数据的可得性,我们的研究对象是29个省市自治区规模以上工业企业(西藏和海南省数据不全,故没有纳入分析),涉及到的变量有:工业增加值、固定资产净值年平均余额、全部从业人员人数、工业SO2排放量、工业废水中COD的排放量、以及资本和工业增加值的地区价格指数。其中,工业增加值是作为产出指标,就是我们所说的“好”产出,以固定资产净值年平均余额及全部从业人员人数为投入指标,工业SO2排放量和工业废水中COD的排放量是作为污染指标,也就是我们所提及的“坏”产出。

　　1.产出指标的选择及其处理

　　对工业产出变量的选择有很大争议,有的学者选用工业增加值,有的选取工业总产值。我们遵循涂正革(2008)的做法,选用工业增加值作为产出指标。为了剔除价格因素的影响,我们把各地区工业品出厂价格指数均转化为以1998年为基期,然后,运用该指数对工业增加值进行平减。

　　关于坏产出的选择,具有较大的弹性。李静(2009)选择了工业废水、工业废气和工业固体废物作为坏产出;WatanabeandTanaka(2007)和涂正革(2008)选择了二氧化硫(SO2)作为坏产出;胡鞍钢等(2008)选取了废水、工业固体废弃物排放总量、化学需氧量(ChemicalOxygenDemand,COD)、SO2、CO2排放总量五个指标作为坏产出,并分别考察了单环境因素(只考虑一种坏产出)和双环境因素(考虑两种坏产出)各种组合下的技术效率;ManagiandKaneko(2006)除了选择“三废”排放量之外,还考虑了工业废水中的COD六价铬、铅,以及工业废气中的SO2、工业烟尘、工业粉尘的排放量。由于我国“十一五规划纲要”将主要污染物排放量降低10%作为主要的节能减排目标之一,而工业废水中的COD和工业废气中SO2是我国环境管制中的典型污染物和主要控制对象。所以,在本文的研究中我们选择SO2和COD作为坏产出指标。

　　2.投入指标的选择及处理

　　关于资金指标,我们选择的是固定资产净值年平均余额,并采用统计年鉴上的固定资产价格指数(转化为以1998年基期)对固定资产净值进行增量平减,从而剔除了价格因素的影响。

　　关于劳动投入指标,我们有两个选择,一是劳动人数,一是劳动时间。在衡量劳动力投入作用时,劳动时间可能是比劳动力人数更好的度量,但是在很难获得这方面的数据。本文选取各省规模以工业企业年平均从业人员人数(万人)作为劳动投入指标。由于统计年鉴上没有给出1998年的具体的从业人—7—

　　环境约束下区域工业技术效率与生产率及其影响因素实证研究员人数,只给出了1998年的全员劳动生产率,我们用1998年的工业增加值除以全员劳动生产率间接求得1998年的从业人员人数。

　　(二)主要指标的统计描述

　　我们取各变量1998—2007年的平均增长率,然后对其平均增长率进行统计描述。从我国区域划分来看,我国东部地区在享受工业的高增长(工业增加值的平均增长率的均值为20.467%)的同时,其工业SO2的增长率为1.613%,工业废水中COD的平均增长率的均值为-7.805%;中部地区工业增加值平均值的均值低于东部地区,但工业SO2平均增长率的均值为4.713%,工业废水中COD排放量的平均增长率为-4.238%;西部地区的工业发展与环境的不协调性更加明显,工业增加值平均增长率的均值为17.873%,工业SO2排放量的平均增长率的均值为7.109%,工为废水中COD的排放量的平均增长率的均值为-0.482%。

　　从以上数据可见,近十年,我国各省市规模以上工业企业有较高的经济增长,在所考察期内,我国工业废水中COD的排放呈逐年下降的趋势,说明我国对工业污水的环境管制已经起到作用,但是我国工业SO2的排放却仍呈现正的增长,说明我国对工业SO2的环境管制效果微弱。

　　(三)技术效率和环境管制成本

　　我们运用GAMS软件求解方向性距离函数,在方向性距离函数的基础上计算出技术效率和环境管制成本。表2是1998—2007年各省份工业分别在强可处置性和弱可处置性技术下的方向性距离函数、技术效率值和环境管制成本。环境约束下区域工业技术效率与生产率及其影响因素实证研究我们发现,无论是在强可处置性技术下,还是在弱可处置性下,西部地区的技术无效率值均高于其它两个区域。王兵、吴延瑞和颜鹏飞(2010)也发现,西部地区的环境无效率水平高于其他两个区域。无论在强可处置性下还是在弱可处置性下,东部地区的技术效率值大于中部地区的技术效率值,中部地区的技术效率值高于西部地区的技术效率值。这一研究结果与胡鞍刚等(2008)的结论一致,胡鞍刚对省际生产率在考虑环境因素下进行排名,发现,在双重环境因素的影响下,东部地区技术效率最高,中部次之,西部最低。虽然我们的研究对象与之不同,但是胡鞍刚的这一研究成果在一定程度上支持了我们的实证结果。同时,我们也发现,东部地区的技术效率在强可处置性下和弱可处置性下的差值为0.0721,中部地区在两种技术下的技术效率差值为0.0870,西部地区在两种技术下的技术效率差值为0.0814。技术效率在强可处置性技术和弱可处置性技术下的差距表明环境管制对生产力的影响程度。以上表明,在测算期内,我国中部地区对东部地区不断追赶,技术效率提高,但是环境管制对中部地区的工业经济造成较大的负担;我国“西部大开发”战略虽然使得西部地区生产率增长迅速,但是技术效率偏低,增长模式趋于“粗放”。

　　我们还发现技术效率越高的地区,其环境管制的成本越低。东部地区的环境管制成本为0.1024,中部地区的环境管制成本为0.1437,西部地区的环境管制成本为0.1656。其中,Losst指数越大,表明因为环境管制所造成的好产出的损失越大,即环境管制成本越高。因此,东部地区有力地促进了工业向“又好又快”的方向发展(杨俊、邵汉华2009),东部地区的生产率最高,技术效率最高,但是却不是最大的污染者。

　　我们认为,增加好产出的同时减少污染物排放的可持续发展模式是可能的。而西部地区工业发展则依赖较高的污染排放水平。许东兰和董博(2009)研究表明,由于环境管制所造成的生产力的损失,东部最大,西部次之,中部最小。研究结果的差异,我们归因于研究时间段的不同,以及省际宏观数据所具有的缺点。

　　(四)全要素生产率增长及其分解

　　1.各省份全要素生产率增长及其分解

　　根据上述的研究方法以及处理过的数据,我们运用GAMS软件得到两种类型的全要素生产率及其分解。第一种是不考虑环境因素;第二种考虑环境因素(COD和SO2)。表3是两种情况下1998—2007年各省份工业全要素生产率指数及其成分的平均增长率。不考虑环境因素,整个样本期内,总体平均全要素生产率指数为1.1080,表明各个地区的全要素生产率平均每年的增长率为10.80%,其中技术进步增长率为10.06%,效率改善的贡献仅为0.67%。从全国来看,各个地区均出现了全要素生产率的增长,但仅有60%(18/29)的省市出现了效率的改善;分区域来看,西部地区平均全要素生产率增长最快,东部次之,中部最低。我国“西部大开发”战略使得我国西部地区工业经济增长迅速。

　　若考虑环境约束,全国平均全要素生产率指数为1.0804,低于不考虑环境因素的测量结果,也就是说忽略环境因素的测量高估了我国工业全要素生产率的增长。ManagiandKaneko(2004)、杨俊、邵汉华(2009)在研究中均发现考虑环境因素后的全要素生产率增长率均要低于传统的全要素生产率增长率。

　　我们运用SPSS软件,对不考虑环境因素和考虑环境因素的测量进行Spearman相关系数检验,Spearman相关系数为0.411。考虑环境因素与传统的测量方法的相关程度比较低,符合我们的预期。因此,在测量我国地区工业全要素生产率时,考虑环境因素的测量更加合理。