自然资源禀赋、技术进步方式与绿色经济增长——基于中国省级面板数据的经验研究

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-12-29

孟望生^,¹^,², 张扬^,³

1.甘肃政法大学经济学院,兰州 730070

2.甘肃政法大学西部地区经济发展研究中心,兰州 730070

3.陕西师范大学国际商学院,西安 710119

Natural resource endowment, path selection of technological progress, and green economic growth: An empirical research based on China’s provincial panel data

MENG Wangsheng^,¹^,², ZHANG Yang^,³

1. School of Economics, Gansu University of Political Science and Law, Lanzhou 730070, China

2. Economic Development Research Center of Western Region, Gansu University of Political Science and Law, Lanzhou 730070, China

3. International Business School, Shaanxi Normal University, Xi’an 710119, China

通讯作者: 张扬,女,辽宁沈阳人,博士研究生,研究方向为资源环境经济学。E-mail: 2601057430@qq.com

收稿日期:2019-11-16修回日期:2020-04-30网络出版日期:2020-12-25

基金资助:

国家自然科学基金面上项目.71774028
甘肃省技术创新引导计划——软科学专项.20CX4ZA081
甘肃省高等学校创新能力提升项目.2019A-085

Received:2019-11-16Revised:2020-04-30Online:2020-12-25
作者简介 About authors
孟望生,男,甘肃礼县人,博士,副教授,研究方向为资源环境经济学和发展经济学。E-mail: mengwangsheng@163.com

摘要
绿色经济增长的核心要义是资源节约和环境改善基础上的经济增长。当前中国经济增长中存在的一个普遍事实是,自然资源丰富的地区往往面临更为严峻的资源和环境问题;因此,这些地区在绿色增长方面的表现也相对较差。本文在梳理以往研究文献的基础上,通过“自然资源禀赋—技术进步方式—绿色增长”这一脉络对自然资源禀赋通过技术进步方式影响绿色增长的逻辑进行理论辨析;然后,在数据包络分析框架下,采用全局参比的非径向方向距离函数方法,构建并测度省级层面绿色增长效率的衡量指标,并以此为基础构建面板数据样本;最后,结合样本数据特点和理论逻辑构建计量模型,分析中国自然资源禀赋通过不同的技术进步方式影响绿色增长效率的情况。得出以下结论：①自然资源禀赋抑制了地区绿色增长效率的提升;②自然资源禀赋对创新这一技术进步方式具有挤出效应的同时,对技术引进具有增进效应;③创新有利于地区绿色增长效率,而技术引进则不利于地区绿色增长效率提升。本文的研究将对自然资源丰富地区节约资源和改善环境,实现绿色高质量发展具有理论和现实意义。
关键词： 绿色经济增长;自然资源禀赋;技术创新;技术引进;外商直接投资（FDI）;非径向方向距离函数（NDDF）

Abstract

The core of green economic growth is high-speed economic growth based on resource conservation and environmental improvement. A common phenomenon in China’s economic growth presently is that natural resource-rich areas often face more severe resource and environmental problems. On the basis of reviewing existing research, this study first analyzed the relationship between natural resource endowment and green economic growth by choosing the way of technological progress as the intermediary variable. Second, under the framework of data envelopment analysis (DEA), it used the non-radial direction distance function method with global reference to build the measurement of green growth efficiency of provinces in China, and set up the panel data samples. Third, based on the characteristics of sample data and theoretical analyses, an econometric model was constructed to analyze the impact of resource endowment on green growth efficiency through technological progress. The conclusions are as follows: (1) Natural resource endowments inhibit green growth efficiency; (2) Resource endowments have crowding-out effect on technology innovation and promoting effect on technology import; (3) Technology innovation is conducive to the improvement of green growth efficiency, while technology import is not. This research has theoretical and practical significance for areas rich in natural resources to save resource and improve the environment and realize green and high-quality development.

Keywords：green economic growth;natural resource endowment;technology innovation;technology import;foreign direct investment (FDI);non-radial directional distance function (NDDF)

PDF (3910KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex 收藏本文
本文引用格式
孟望生, 张扬. 自然资源禀赋、技术进步方式与绿色经济增长——基于中国省级面板数据的经验研究. 资源科学[J], 2020, 42(12): 2314-2327 doi:10.18402/resci.2020.12.05
MENG Wangsheng, ZHANG Yang. Natural resource endowment, path selection of technological progress, and green economic growth: An empirical research based on China’s provincial panel data. RESOURCES SCIENCE[J], 2020, 42(12): 2314-2327 doi:10.18402/resci.2020.12.05

1 引言

改革开放以来,中国经济发展成就巨大。1978—2018的40年间,GDP年均增速高达9.5%,增长近33.5倍。与增速不相称的是,增长效率的改善却较为缓慢。测算结果显示,40年来中国全要素生产率的年均增速仅为2.4%,增长不到3倍。同时,长期依靠投资拉动的增长模式下,资源枯竭和环境污染等问题日趋凸显,已成为制约当前中国经济高质量发展的主要因素;此外,作为发展中人口大国,严峻的就业形势和匮乏的人均财富现实仍然需要将维持经济的高速增长视为“第一要务”。因此,如何在维持经济增速的同时,实现效率提升、资源节约和环境改善,走出一条绿色增长转型之路,对于实现经济高质量发展和美丽中国建设,具有重要意义。

经济绿色增长的核心是,以尽可能小的资源和环境代价实现尽可能大的经济增长——即绿色增长效率的提升^[1]。绿色增长效率的提升主要依靠国家（或地区）绿色技术水平的整体性进步^[2]。而创新和引进作为技术进步的主要方式对绿色增长效率的影响存在不确定性。有研究认为技术创新和引进均促进中国经济增长效率^[3],然而,也有研究显示创新和引进会在短期内抑制中国的经济增长效率^[4];还有研究得出两种技术进步方式对经济增长效率存在不同影响的结论：如唐未兵等^[5]采用省级面板数据的研究发现,以R&D支出衡量的技术创新对增长效率具有促进作用的同时,以外商直接投资衡量的技术引进对增长效率具有抑制作用;朱娟等^[6]的研究则明确指出创新和引进对地区绿色经济增长效率的作用存在不确定性。技术进步方式对绿色增长效率存在不确定影响的原因主要体现在两个方面：一是进步方式能否形成提升增长效率的技术进步存在不确定性。如技术创新面临机会成本、基础研究条件限制和逆向溢出等问题;技术引进面临技术匹配、引进地消化吸收能力差等问题^[7]。另一方面,技术进步方式即使能够形成提升增长效率的技术进步,这一技术进步能否提升绿色增长效率还依赖于其所形成技术进步的偏向情况;当创新和引进形成的技术进步是偏向环境改善的绿色技术进步类型时,会提高绿色增长效率,反之,则会阻碍绿色增长效率的提升^[8,9]。

此外,当前中国与绿色增长转型密切相关的一个事实是,自然资源丰富的地区往往面临更为严重的资源和环境问题,即中国的绿色增长转型面临一定程度的“自然资源诅咒”问题^[10]。绿色增长转型面临自然资源诅咒的原因主要有以下几个方面：第一,丰富的自然资源收入容易诱发寻租和腐败,不利于环境规制政策的有效实施从而阻碍绿色增长转型;第二,丰富的自然资源收入会“挤出”驱动绿色增长转型的某些因素：如王嘉懿等^[11]认为丰富的自然资源会对制造业形成“挤出”,进而无法发挥制造业部门具有的学习、积累和传承效应,降低一国的增长效率;赵伟伟等^[12]认为丰富的自然资源会引起利于强占者的制度来“挤出”利于生产者的制度;万建香等^[13]认为丰富的自然资源会对人力资本、技术进步等经济增长的内生驱动因素形成“挤出”;李江龙等^[14]则认为自然资源会对产业和创新两方面形成“挤出”,进而不利于绿色增长转型。

综上所述,绿色技术进步作为绿色增长效率提升的主要驱动因素已基本形成共识;而作为技术进步主要选择方式的创新和引进对绿色增长效率的影响有待进一步研究。另外,自然资源禀赋如何通过影响地区的技术进步方式对绿色增长效率发生作用也值得深入研究。因此,有必要将自然资源禀赋、技术进步方式和绿色增长效率纳入同一框架加以分析,以探讨自然资源禀赋通过技术进步方式对绿色增长效率的影响情况,这也是本文研究的主要贡献。基于此,本文首先对自然资源禀赋、技术进步方式与绿色经济增长之间关系的逻辑进行理论辨析;然后,采用数据包络分析框架下,全局参比的非径向方向距离函数方法,测度中国省级层面的绿色经济增长效率;并以此为基础构建面板数据模型,分析不同自然资源禀赋下技术进步方式选择对地区绿色增长效率的影响。通过本文研究以期获得当前中国不同地区自然资源禀赋通过技术进步方式对绿色经济增长的影响机制,为资源丰富地区避免陷入“资源诅咒”陷阱,促进地区经济绿色高质量发展提供有益启示。

2 理论逻辑辨析

绿色增长效率的提高主要决定于绿色技术进步;因此,自然资源禀赋也主要通过绿色技术进步来影响绿色增长效率。由于技术进步的主要选择方式——即创新和引进,对绿色技术进步的影响存在不确定性,因此,自然资源禀赋通过技术进步方式对绿色增长效率的影响也存在不确定性,影响的理论路径见图1。

图1

新窗口打开|下载原图ZIP|生成PPT
图1自然资源禀赋通过技术进步方式对绿色增长影响的逻辑路径

Figure 1Mechanism of natural resource endowment impact on green growth through technological progress

2.1 自然资源禀赋对技术进步方式的影响逻辑

首先,自然资源禀赋对技术创新具有“挤出”效应,主要体现在以下4个方面：第一,自然资源丰富的地区更容易形成以自然资源开发为主导产业的经济结构——即自然资源开发产业会对制造业形成“挤出”^[15],而制造业部门往往比自然资源开发部门具有更高的技术含量、更频繁的研发创新活动^[16];第二,自然资源丰富的地区往往会导致更多的潜在创新人力资本流向自然资源部门,且自然资源部门往往是创新水平低的初级产品部门,潜在创新人力资本向初级产品部门的流动会对地区整体的创新活动形成抑制^[17];第三,自然资源丰富的地区在经济发展中面临更小的资源约束和更弱的资源效率提升激励,进而导致其为提高资源和生产效率而进行技术创新的动力不足^[18];第四,自然资源在一定程度上属于“意外之财”^[19],对其开采的直接收益非常可观,这会导致自然资源丰富地区在发展经济时倾向于扶持技术贡献率偏低的自然资源开发部门,进而造成对创新的忽视和投入不足。

其次,自然资源禀赋对以外商直接投资为载体的技术引进存在不确定性影响。一方面,自然资源丰富地区的资源类初级产品价格相对较低,这会吸引到资源开发类外商投资为载体的先进技术进入^[20]。另一方面,自然资源丰富地区往往会形成以自然资源开采为主导的产业结构,且自然资源类产业的国有化比例相对较高,这种类型的经济结构往往在市场活跃度、营商环境等方面表现不佳;这些因素又可能会降低以外商直接投资为载体的技术引进^[21]。因此,资源丰富程度对技术引进的影响存在不确定性。当自然资源禀赋对外商直接投资的吸引超过其引起的市场活跃度下降和营商环境恶化对外商直接投资的排斥时,自然资源禀赋对地区以外商直接投资为载体的技术引进具有促进作用;反之则反。

可见,自然资源禀赋对技术创新存在挤出作用,而对以外商直接投资为载体的技术引进存在不确定性影响。因此,自然资源禀赋对技术创新的挤出作用需要通过实证研究进行检验,而对以外商直接投资为载体的技术引进的影响则需要通过实证研究加以确定。

2.2 技术进步方式对绿色增长效率的影响逻辑

首先,技术创新对绿色增长效率的影响存在不确定性。创新只有形成能提高生产率的技术进步,且这种技术进步属于资源和环境节约型的绿色技术进步时,才会提高绿色增长效率。然而,创新和绿色技术进步无法完全匹配,即创新能否提升绿色增长效率存在不确定性。主要原因如下：第一,创新存在机会成本,当创新的机会成本大于短期收益时,创新可能在短期内无法形成促进增长效率提升的实质性技术进步。第二,创新能否形成提高增长效率的实质性技术进步还依赖于基础研究条件,只有积淀充足的基础研究条件才有利于创新形成技术进步,反之则会对技术进步的形成产生制约。第三,技术创新存在逆向溢出。技术创新的逆向溢出是指外资企业高工资吸引致使国内企业技术创新人员外流形成的国内地区技术人力资本减少、创新投入产出率和成果转化能力下降等现象^[22],这些现象往往不利于创新形成技术进步。第四,创新即使形成了提高增长效率的技术进步,其能否提高绿色增长效率还依赖于该技术进步是否为资源和环境节约型的绿色技术进步。

其次,技术引进对绿色增长效率的影响也存在不确定性。技术引进能否形成绿色技术进步以提升绿色增长效率,同样受到多种因素的制约。主要体现在以下几个方面：第一,引进技术与当地技术的匹配程度制约着技术引进能否形成实质性技术进步^[23]。如果引进技术与当地要素结构和禀赋特点（资本劳动比、熟练劳动与非熟练劳动之比、人力资本水平等）相匹配,则引进技术能提高当地的资源利用效率,进而形成提升增长效率的技术进步;反之则无法形成技术进步。第二,技术引进能否形成技术进步还受当地对新技术消化吸收能力的制约。这里的消化吸收能力主要指技术基础能力,这种能力内生于经济系统中,具有累积性和连续性特征。引进地基础能力强时,引进技术的消化吸收效果好,能较快形成生产技术,利于增长效率的提升,反之则无法形成生产技术。第三,技术引进即使形成了提升增长效率的技术进步,其能否提升绿色增长效率还依赖于所形成技术进步的偏向情况^[24]。当技术引进形成的技术进步为资源和环境节约偏向型时,说明技术引进形成了绿色技术进步,有利于提高绿色增长效率;如果技术引进形成的技术进步是资源和环境浪费偏向型时,对绿色增长效率的作用,需要将技术进步带来的常规增长效率提升,与技术进步偏向带来的资源和环境浪费程度进行比较而定;如果前者大于后者,说明技术引进能提升绿色增长效率;反之,则会降低绿色增长效率。

可见,技术创新和引进对绿色增长效率的影响存在不确定性,同样需要根据研究对象进行实证分析加以确定。

3 绿色增长效率测度

自然资源禀赋通过创新和引进对绿色增长效率影响的理论辨析结论需要根据分析对象的具体情况进行实证分析加以确定,为此,首先需要构建并测度绿色增长效率的衡量指标。OECD将绿色经济增长定义为“在确保自然资产能够继续为人类幸福提供各种资源和环境服务的同时促进经济增长”。结合中国当前发展面临能源和环境约束的现实,本文将采用DEA框架下的非径向方向距离函数（NDDF）方法构建衡量中国各省区绿色经济增长效率的衡量指数,具体如下：

以资本（K）、劳动（L）和能源（E）为投入要素,生产总值（Y）为期望产出,生产过程中排放的二氧化硫（S）、烟（粉）尘（D）和废水中的化学需氧量（C）和氨氮排放量（H）为非期望产出。定义一个“多投入—多产出”的生产技术集为：

（1）

\begin{array}{l} P = \{(K, L, E, Y, S, D, C, H) : K, L, E \\ 可以生产 Y, 同时产生副产品 S, D, C, H\} \end{array}

假设此生产技术集满足以下条件：①若

(K, L, E, Y) \in P

且

Y^{'} \leq Y

,则

(K, L, E, Y^{'}) \in P

,即投入和期望产出具备强可处置性;②若

(Y, S, D, C, H) \in P

且

0 \leq θ \leq 1

（θ为辅助参数）,则

(θY, θS, θD, θC, θH) \in P

,即期望产出和非期望产出的联合集为弱可处置性;③若

(Y, S, D, C, H) \in P

且

S = D = C = H = 0

,则

Y = 0

,即期望产出和非期望产出零交集。

以省区i为基本决策单元（i=1,2,

?

,N）、以年份t为决策期（t=1,2,

?

,T）;在规模报酬不变的前提下以全局参比技术构建生产前沿面,

z_{it}

为辅助参数,

z_{it} \geq 0

。上述生产技术集具体化为：

（2）

\begin{array}{l} P = \{(K, L, E, Y, S, D, C, H) : \overset{T}{\sum_{t = 1}} \overset{N}{\sum_{i = 1}} z_{it} K_{it} \leq K, \overset{T}{\sum_{t = 1}} \overset{N}{\sum_{i = 1}} z_{it} L_{it} \leq L, \\ \overset{T}{\sum_{t = 1}} \overset{N}{\sum_{i = 1}} z_{it} E_{it} \leq E, \overset{T}{\sum_{t = 1}} \overset{N}{\sum_{i = 1}} z_{it} Y_{it} \geq Y, \overset{T}{\sum_{t = 1}} \overset{N}{\sum_{i = 1}} z_{it} S_{it} = S, \\ \overset{T}{\sum_{t = 1}} \overset{N}{\sum_{i = 1}} z_{it} D_{it} = D, \overset{T}{\sum_{t = 1}} \overset{N}{\sum_{i = 1}} z_{it} C_{it} = C, \overset{T}{\sum_{t = 1}} \overset{N}{\sum_{i = 1}} z_{it} H_{it} = H, z_{it} \geq 0\} \end{array}

根据绿色增长效率提升关于产出增加的同时尽可能减小投入和污染物排放的原则,定义NDDF：

（3）

\begin{array}{l} \overset{?}{D} (K, L, E, Y, S, D, C, H; g) \\ = \sup \{w^{T} β : ((K, L, E, Y, S, D, C, H) + g \cdot diag (β)) \in P\} \end{array}

式中：

w^{T} = (w_{K}, w_{L}, w_{E}, w_{Y}, w_{S}, w_{D}, w_{C}, w_{H})

为权重向量,表示

K 、 L 、 E 、 Y 、 S 、 D 、 C 、 H

的相对重要性;

g = (g_{K}, g_{L}, g_{E}, g_{Y}, g_{S}, g_{D}, g_{C}, g_{H})

为方向向量,表示各对应变量变化的方向是缩减还是扩张;

β = (β_{K}, β_{L}, β_{E}, β_{Y}, β_{S}, β_{D}, β_{C}, β_{H})^{T}

为松弛向量,表示各对应变量可以缩减或扩张的比例;

diag (β)

表示对

β

向量进行对角化处理。上述NDDF线性规划求解的思路是,设定权重向量

w^{T}

和方向向量

g

的情况下求解最大（即最优）松弛向量

β^{*}

。

在构建绿色全要素效率指数时,我们根据变量同等重要原则^①（①没有先验信息的情况下,各种投入产出要素的均等化处理是比较合理的作法^[25]。）,将权重向量设定如下：

w^{T} = (\frac{1}{9}, \frac{1}{9}, \frac{1}{9}, \frac{1}{3}, \frac{1}{12}, \frac{1}{12}, \frac{1}{12}, \frac{1}{12})

,与此对应,方向向量设定为

g = (- K, - L, - E, Y, - S, - D, - C, - H)

。与之对应的距离函数

\overset{?}{D}

可通过如下线性规划求解：

（4）

\begin{array}{l} \overset{?}{D} (K, L, E, Y, S, D, C, H) = \\ \max \{\frac{1}{9} β_{K} + \frac{1}{9} β_{L} + \frac{1}{9} β_{E} + \frac{1}{3} β_{Y} + \frac{1}{12} β_{S} \\ + \frac{1}{12} β_{D} + \frac{1}{12} β_{C} + \frac{1}{12} β_{H}\} \end{array}

\begin{array}{l} \begin{array}{l} s . t . \overset{T}{\sum_{t = 1}} \overset{N}{\sum_{i = 1}} z_{it} K_{it} \leq K - β_{K} g_{K}, \overset{T}{\sum_{t = 1}} \overset{N}{\sum_{i = 1}} z_{it} L_{it} \leq L - β_{L} g_{L}, \\ \overset{T}{\sum_{t = 1}} \overset{N}{\sum_{i = 1}} z_{it} E_{it} \leq E - β_{E} g_{E}, \overset{T}{\sum_{t = 1}} \overset{N}{\sum_{i = 1}} z_{it} Y_{it} \geq Y + β_{Y} g_{Y}, \end{array} \\ \begin{array}{l} \overset{T}{\sum_{t = 1}} \overset{N}{\sum_{i = 1}} z_{it} S_{it} = S - β_{S} g_{S}, \overset{T}{\sum_{t = 1}} \overset{N}{\sum_{i = 1}} z_{it} D_{it} = D - β_{D} g_{D}, \\ \overset{T}{\sum_{t = 1}} \overset{N}{\sum_{i = 1}} z_{it} C_{it} = C - β_{C} g_{C}, \overset{T}{\sum_{t = 1}} \overset{N}{\sum_{i = 1}} z_{it} H_{it} = H - β_{H} g_{H}, \end{array} \\ \begin{array}{l} β_{K}, β_{L}, β_{E}, β_{Y}, β_{S}, β_{D}, β_{C}, β_{H} \geq 0 \end{array} \end{array}

求解上式线性规划问题可得最优松弛向量

β_{it}^{*} = (β_{it, K}^{*}, β_{it, L}^{*}, β_{it, E}^{*}, β_{it, Y}^{*}, β_{it, S}^{*}, β_{it, D}^{*}, β_{it, C}^{*}, β_{it, H}^{*})^{T}

,其经济涵义是指i省区在时期t的对应变量与全局前沿面相比可缩减的最大比例;即i省区在时期t实现最优生产时要素投入、期望产出和非期望产出的目标值分别为

ρ_{it} - β_{ρ, it}^{*} ρ_{it}

（其中

ρ = K, L, E

）、

Y_{it} + β_{Y, it}^{*} Y_{it}

和

η_{it} - β_{η, it}^{*} η_{it}

（其中

η = S, D, C, H

）。基于松弛变量最优解,本文利用投入和环境污染排放的实际产出效率与各自最优产出效率比的加权平均,构建各省区对应年份的绿色全要素效率指数（GTFPI）,如下：

（5）

\begin{array}{l} GTFP I_{it} = \frac{1}{2} (\frac{1}{3} \sum_{ρ = K, L, E} \frac{\frac{Y_{it}}{ρ_{it}}}{\frac{(Y_{it} + β_{Y, it}^{*} Y_{it})}{(ρ_{it} - β_{ρ, it}^{*} ρ_{it})}}) + \\ \frac{1}{2} (\frac{1}{4} \sum_{η = S, D, C, H} \frac{\frac{Y_{it}}{η_{it}}}{\frac{(Y_{it} + β_{Y, it}^{*} Y_{it})}{(η_{it} - β_{η, it}^{*} η_{it})}}) \\ = \frac{\begin{array}{l} \frac{1}{2} [1 - \frac{1}{3} (β_{K, it}^{*} + β_{L, it}^{*} + β_{E, it}^{*})] + \\ \frac{1}{2} [1 - \frac{1}{4} (β_{S, it}^{*} + β_{D, it}^{*} + β_{C, it}^{*} + β_{H, it}^{*})] \end{array}}{1 + β_{Y, it}^{*}} \end{array}

鉴于当前中国面临能源环境约束的现实,能源环境效率也是反映绿色增长转型的重要变量;因此,本文根据相同的原理构造各省区能源环境效率指数。能源环境效率主要关注“能源—环境”绩效;因此,对于该指标的测度需要在资本和劳动投入不变的情况下,求解能源投入、期望产出和非期望产出的最大缩减或扩张比例。由此,可将资本和劳动变量的权重设为0,其他变量权重按照投入、期望和非期望产出同等重要的原则赋值,即设定权重向量

w^{T} = (0,0, \frac{1}{3}, \frac{1}{3}, \frac{1}{12}, \frac{1}{12}, \frac{1}{12}, \frac{1}{12})

,与之对应,方向向量则为

g = (0,0, - E, Y, - S, - D, - C, - H)

,对应的方向距离函数线

\overset{?}{D}

通过如下线性规划求解：

(6)

\begin{array}{l} \overset{?}{D} (K, L, E, Y, S, D, C, H) = \\ \max \{\frac{1}{3} β_{E} + \frac{1}{3} β_{Y} + \frac{1}{12} β_{S} + \frac{1}{12} β_{D} + \frac{1}{12} β_{C} + \frac{1}{12} β_{H}\} \end{array}

\begin{array}{l} \begin{array}{l} s.t. \overset{T}{\sum_{t = 1}} \overset{N}{\sum_{i = 1}} z_{it} E_{it} \leq E - β_{E} g_{E}, \overset{T}{\sum_{t = 1}} \overset{N}{\sum_{i = 1}} z_{it} Y_{it} \geq Y + β_{Y} g_{Y}, \\ \overset{T}{\sum_{t = 1}} \overset{N}{\sum_{i = 1}} z_{it} S_{it} = S - β_{S} g_{S}, \overset{T}{\sum_{t = 1}} \overset{N}{\sum_{i = 1}} z_{it} D_{it} = D - β_{D} g_{D}, \\ \overset{T}{\sum_{t = 1}} \overset{N}{\sum_{i = 1}} z_{it} C_{it} = C - β_{C} g_{C}, \overset{T}{\sum_{t = 1}} \overset{N}{\sum_{i = 1}} z_{it} H_{it} = H - β_{H} g_{H}, \end{array} \\ β_{E}, β_{Y}, β_{S}, β_{D}, β_{C}, β_{H} \geq 0 \end{array}

求得最优松弛向量

β_{it}^{*} = (β_{it, E}^{*}, β_{it, Y}^{*}, β_{it, S}^{*}, β_{it, D}^{*}, β_{it, C}^{*}, β_{it, H}^{*})^{T}

,其经济内涵为资本和劳动投入既定的情况下,地区i在时期t实现最优生产时能源投入和非期望产出需要缩减的比例和期望产出需要扩张的比例。同样地,利用各地区对应年份能源和环境污染的实际产出效率与各自最优产出效率比的加权平均构造能源环境效率指数（EEEI）为：

（7）

\begin{array}{l} EEE I_{it} = \frac{1}{2} (\frac{\frac{Y_{it}}{E_{it}}}{\frac{(Y_{it} + β_{Y, it}^{*} Y_{it})}{(E_{it} - β_{E, it}^{*} E_{it})}}) \\ + \frac{1}{2} (\frac{1}{4} \sum_{η = S, D, C, H} \frac{\frac{Y_{it}}{η_{it}}}{\frac{(Y_{it} + β_{Y, it}^{*} Y_{it})}{(η_{it} - β_{η, it}^{*} η_{it})}}) \\ = \frac{\frac{1}{2} [(1 - β_{E, it}^{*}) + 1 - \frac{1}{4} (β_{S, it}^{*} + β_{D, it}^{*} + β_{C, it}^{*} + β_{H, it}^{*})]}{1 + β_{Y, it}^{*}} \end{array}

式中：

E_{it}

为i省区在t时期的能源投入。

4 测度结果与实证设计

4.1 测度结果

本文所采用的样本为中国（西藏和港澳台由于数据缺失未包含在内）30个省区2003—2017年的面板数据。因此,绿色全要素效率指数和能源环境效率指数的测度也与样本对应。绿色增长效率指数构建中涉及所有变量对应指标的选择和计算情况具体见表1。所有指标的数据来源均为历年《中国统计年鉴》和各省《统计年鉴》。

Table 1
表1
表1绿色增长效率测度所需变量及其指标和数据说明
Table 1Variables, indicators, and data for measuring green growth efficiency

类别	变量	指标	数据说明
投入	资本（K）	资本存量	该指标采用永续盘存法计算获得。借鉴孟望生等^[26]的作法,以“固定资本形成总额”为资本投资,在建筑和设备类资本寿命分别为38和15年的假设下,采用几何下降模式的效率变化折算出资本折旧率,采用1980年的资本投资与1980—1985年投资平均增长率之比,折算出1980年资本存量,然后从1980年开始逐年采用永续盘存法折算出各省区2003—2017年的资本存量。资本投资的价格全部采用固定资产价格指数折算成2003年的实际值。单位：亿元
	劳动（L）	年末就业人数	单位：万人
	能源（E）	能源消费总量	单位：万t标准煤
期望产出	产出（Y）	地区生产总值	以2003年为基期计算的实际生产总值。单位：亿元
非期望产出	SO₂（S）	SO₂排放量	2011年环保部对该指标进行了修订,由2010年之前分别统计工业和生活SO₂排放量调整为2011之后统计SO₂排放总量;因此,2010年之前的SO₂排放量为工业和生活两方面加总。单位：万t
	烟（粉）尘（D）	烟（粉）尘排放量	同样地,2010年之前的烟（粉）排放量为工业烟尘、工业粉尘和生活烟尘排放量的加总,2011之后则为烟（粉）排量。单位：万t
	化学需氧量（C）	废水中的化学需氧量	2010年之前的废水中的化学需氧量为工业废水化学需氧量+生活污水化学需氧量,2011年之后则为废水排放总量中的化学需氧量。单位：万t
	氨氮（H）	废水中的氨氮量	2010年之前的废水中的氨氮量为工业废水氨氮量+生活污水氨氮量,2011年之后则为废水排放中的氨氮量。单位：万t

新窗口打开|下载CSV

将表1中各变量对应的指标数据带入NDDF下进行线性规划求解的式（4）和式（6）可得与绿色全要素效率指数和能源环境效率指数构建对应的两组最优松弛向量,然后分别按照式（5）和式（7）计算各省区对应年份的绿色全要素效率指数（GTFPI）和能源环境效率指数（EEEI）。依据测度结果,本文首先绘制GTFPI和EEEI在样本初期（2003年）、中期（2010年）和末期（2017年）的核密度图（图2）,以直观呈现中国绿色经济增长效率随时间的变化情况;其次绘制了GTFPI和EEEI在传统西、中、东三大地区的核密度图（图3）,以直观呈现中国绿色经济增长效率的地域差异情况。可见,中国各省区的绿色增长效率整体都比较低,GTFPI和EEEI的平均值绝大部分都处于0.5以下,且都出现了波动下降后整体上升的趋势;以此同时,GTFPI和EEEI在西、中、东地区均呈现递增趋势,这说明绿色增长效率和经济发达程度之间呈现出地域趋同特征,经济发达的东部地区在绿色增长效率上处于领先水平、中部次之、西部落后。通过省区间平均值的计算可知,中国整体的绿色增长效率在样本期内分化为两个发展阶段：第一阶段为2003—2012年,第二阶段为2013—2017年。在第一阶段省区间GTFPI和EEEI的平均值分别仅增长了6.4%和12.5%;而在第二阶段,GTFPI和EEEI的平均值分别增长了35.1%和54.9%;这可能与以习近平总书记为核心的新一届领导集体比以往更加重视绿色发展有直接关系。

图2

新窗口打开|下载原图ZIP|生成PPT
图2GTFPI和EEEI在不同时期的核密度图

Figure 2Kernel density of green total factor productivity index (GTFPI) and energy environmental efficiency index (EEEI) in different periods

图3

新窗口打开|下载原图ZIP|生成PPT
图3GTFPI和EEEI在不同地区的核密度图

Figure 3Kernel density of green total factor productivity index (GTFPI) and energy environmental efficiency index (EEEI) in different regions

此外,为直观呈现绿色增长效率与自然资源禀赋之间的关系,本文将各省区自然资源禀赋（用RES表示）分别与绿色全要素效率指数（GTFPI）和能源环境效率指数（EEEI）作散点图（图4）。可见,二图的趋势线均向右下方倾斜,即斜率为负。这一结果初步说明,样本期内中国各省区的绿色增长效率与自然资源禀赋之间存在负相关,换言之,地区的资源丰富程度可能会对绿色增长效率产生负效应。

图4

新窗口打开|下载原图ZIP|生成PPT
图4GTFPI和EEEI分别与RES的散点图

Figure 4Scatter plots of green total factor productivity index (GTFPI) and energy environmental efficiency index (EEEI) with natural resource endowment (RES)

4.2 实证设计

自然资源禀赋通过技术进步方式对绿色增长效率影响逻辑的考察,首先需要通过实证研究确认中国自然资源禀赋对绿色增长效率的总体影响逻辑,然后进一步确认自然资源禀赋对技术进步方式、技术进步方式对绿色增长效率的影响逻辑。因此,本文需要建立自然资源禀赋对绿色增长效率、自然资源禀赋对技术进步选择方式和技术进步选择方式对绿色增长效率影响效应估计的三大计量模型。由于绿色增长效率的两大衡量指标—— GTFPI和EEEI,均有0<GTFPI≤1,0<EEEI≤1,且在各自最小值处的左侧和1的右侧为归并数据;因此,选择Tobit归并模型作为以GTFPI和EEEI为被解释变量的分析模型更为合适。类似研究可参见林伯强等^[27]。自然资源禀赋对绿色增长效率总体影响效应估计的具体模型构建如下：

（8）

\begin{array}{l} y_{it}^{*} = α_{0} + α_{1} \times RE S_{it} + γContro l_{it} + μ_{i} + ε_{it} \\ y_{it} = \{\begin{array}{l} \min y_{it}, \\ y_{it}^{*}, \\ 1, \end{array} \begin{array}{l} if y_{it}^{*} \in (- \infty, \min y_{it}) \\ if y_{it}^{*} \in (\min y_{it}, 1] \\ if y_{it}^{*} \in (1, + \infty) \end{array} \begin{array}{l}  \end{array} \end{array}

式中：i和t分别为对应的省区和年份;

y

为实际测算到的绿色经济增长效率衡量指数;

y_{}^{*}

为

y

对应的隐含变量;RES为自然资源禀赋状况;

Control

为一组控制变量;参数

α_{0}

为常数项;

α_{1}

和

γ

分别表示对应解释变量和控制变量对绿色增长效率影响效应的待估参数;

μ

为面板数据的个体效应,

ε

为随机扰动项。

其次,自然资源禀赋对技术进步方式影响的检验与确认。从自然资源禀赋对技术进步方式影响的理论辨析中可知,自然资源禀赋对技术进步方式中的创新具有“挤出”效应,而对技术引进的影响存在不确定性。为此,本文需要建立自然资源禀赋对技术创新和引进影响效应估计的计量模型,以检验在中国自然资源禀赋是否对技术创新存在挤出效应,同时确认自然资源禀赋对技术引进的影响逻辑并估计影响效应,具体模型如下：

（9）

\begin{array}{l} TE C_{it} = α_{0} + α_{1} \times TE C_{it - 1} + α_{2} \times RE S_{it} \\ + γContro l_{it} + μ_{i} + ε_{it} \end{array}

式中：TEC为被解释变量,表示地区对不同技术进步方式的选择情况——即对技术创新或技术引进的选择情况;

α_{2}

为待估参数;其他变量含义与式（8）相同。上式中的被解释变量——技术创新或技术引进程度、以及其余变量的衡量指标数据均为非归并数据,因此不需要采用面板Tobit模型。考虑到宏观经济事物变化的持续性,需在模型解释变量中纳入被解释变量TEC的一阶滞后项TEC_t_-1,用于刻画技术进步方式的持续性,即上一期技术创新或引进情况对本期的影响;另外,考虑到经济事物间的相互影响——即内生性问题,需要选择核心解释变量的适当滞后项为工具变量,采用系统GMM对该模型进行估计。

最后,技术进步方式对绿色增长效率的影响逻辑确认与影响效应估计。同样地,自然资源通过技术进步方式影响绿色增长的理论辨析中认为,作为技术进步主要选择方式的技术创新和引进对绿色增长效率的影响存在不确定性。为此,本文需要根据中国省级面板数据构建计量模型,以确认样本期内中国技术进步方式中技术创新和引进对绿色增长效率影响逻辑的同时,估计影响效应。同样地,由于这一实证估计环节中,绿色经济增长效率为被解释变量;因此,同（8）式一样,选择面板Tobit归并模型更为合适,具体如下：

（10）

\begin{array}{l} y_{it}^{*} = α_{0} + α_{1} \times TE C_{it} + γContro l_{it} + μ_{i} + ε_{it} \\ y_{it}^{*} = \{\begin{array}{l} \min y_{it}, \\ y_{it}^{*}, \\ 1, \end{array} \begin{array}{l} if y_{it}^{*} \in (- \infty, \min y_{it}) \\ if y_{it}^{*} \in (\min y_{it}, 1] \\ if y_{it}^{*} \in (1, + \infty) \end{array} \end{array}

式中：各变量含义与式（8）和（9）相同。

上述计量模型中各变量的对应指标如下：式（8）和（10）中被解释变量y的主要衡量指标为测算所得的绿色全要素效率指数GTFPI;此外,为提高估计稳健性,还引入了能源环境效率指数EEEI作为

y_{it}

的又一衡量指标;（8）式中的核心解释变量——自然资源禀赋RES,采用采掘业固定资产投资占全社会固定资产投资的比重衡量;（9）式中的核心解释变量——技术进步选择方式TEC主要存在两种,分别为技术创新和技术引进,其衡量指标分别为研究与开发经费内部支出占GDP的比重（用R&D表示）和外商直接投资占GDP的比重（用FDI表示）。（10）式中的被解释变量和核心解释变量分别与（9）和（8）式对应变量的衡量指标相同。

另外,上述模型中的控制变量主要包含了以往研究中常见的影响绿色技术进步和绿色增长效率的因素,分别为：第一,制度变量。制度变量中最为重要的是地区市场化,因此,采用非公有部门经济固定资产投资占全社会总投资比重（用INS表示）衡量的地区市场化作为制度变量。第二,环境规制水平。一方面,环境规制可能会刺激企业加快技术创新和引进,推动地区技术进步水平,进而利于提高绿色经济效率。另一方面,环境规制带来企业治污投资成本的增加可能会挤占企业研发投入,阻碍地区技术进步,进而不利于绿色经济增长。环境规制水平的衡量指标选用地区治理污染投资占GDP的比重（用REGU表示）。第三,财政支出规模。财政支出规模也会影响绿色技术进步和绿色增长。财政支出的方向偏重于行政管理时会扭曲资源分配,进而造成效率损失不利于绿色增长和技术进步;当财政支出的方向偏重于教育、技术设施改善等方面时会促进地区技术进步进而有利于绿色增长。财政支出规模的衡量指标选用财政支出占GDP的比重（用FIS表示）。

5 结果与分析

5.1 实证结果

首先,为检验自然资源禀赋对绿色增长效率的总体影响情况,本文对（8）式对应的模型进行估计,对应结果见表2。其中,列（1）是仅以RES为唯一解释变量对GTFPI进行回归的结果,列（2）则是在列（1）的基础上加入控制变量的估计结果;列（3）、（4）是分别将列（1）、（2）中的被解释变量换成EEEI进行稳健性估计的结果。通过LR检验显示,列（1）-（4）均应采用随机效应的面板Tobit估计方法进行估计;另外,由于在此基础上分别加入地区和时间虚拟变量后的估计结果未发生明显变化;因此,仍以未加入地区和时间虚拟变量的结果为准。结果显示：RES对GTFPI和EEEI的影响系数均在5%的显著性水平下显著为负,具体以加入控制变量（即列（2）和（4））的结果为准分别为-0.0039和-0.0057,即RES每增加1个单位,GTFPI和EEEI分别会下降0.0039和0.0057个单位。这说明,自然资源禀赋对绿色经济增长效率存在负向影响;也就是说,丰富的自然资源往往会形成地区绿色经济增长的“诅咒”。这可能与自然资源禀赋决定的技术进步方式以及与之伴随的路径依赖有关;自然资源丰富的地区往往会形成以自然资源为主要投入品的工业体系,加之环境效率的激励不足等,可能会致使其倾向于选择不利于绿色增长效率提升的技术进步方式及路径。此外,控制变量INS和FIS对GTFPI和EEEI的回归系数均显著为正,REGU对GTFPI和EEEI的回归系数均显著为负,这说明市场化程度的提高和财政支出规模的增加有利于提升地区绿色增长效率,环境规制强度的增加不利于地区增长效率的提升。

Table 2
表2
表2自然资源禀赋对绿色增长效率的影响效应估计结果
Table 2Estimated results of natural resource endowment impact on green growth efficiency

	GTFPI		EEEI
	（1）	（2）	（3）	（4）
RES	-0.0036* （-1.70）	-0.0039**（-2.30）	-0.0101***（-5.22）	-0.0057***（-3.28）
INS		0.0021***（4.52）		0.0055***（11.69）
REGU		-0.0270***（-3.00）		-0.0210**（-2.36）
FIS		0.0024**（2.43）		0.0018*（1.73）
常数项	0.3929***（13.80）	0.3441***（8.82）	0.3908***（12.45）	0.0082（0.20）
LR检验（p）	470.57（0.0000）	458.13（0.0000）	439.20（0.0000）	521.05（0.0000）
样本量	450	450	450	450

注：括号内为参数估计的t值;“***”“**”“*”分别表示在1%、5%和10%的显著性水平下显著,下同。

新窗口打开|下载CSV

其次,为检验自然资源禀赋通过技术进步方式影响绿色增长效率过程中,自然资源禀赋对地区技术进步方式的影响,需对式（9）表示的模型进行估计,结果见表3。其中列（1）是仅以RES为解释变量,以技术创新（R&D）为被解释变量,采用静态面板数据模型估计的结果;列（2）是在列（1）基础上加入控制变量的估计结果;列（3）是在列（2）基础上采用系统GMM方法估计的结果,列（4）、（5）、（6）则是以技术引进（FDI）为被解释变量分别对应列（1）、（2）、（3）的方法进行估计的结果。结果显示,RES对R&D的影响系数均显著为负,具体（以列（3）准）为 -0.0094;RES对FDI的影响系数均显著为正,具体（以列（6）准）为0.0092。这说明,当前中国省级层面的自然资源禀赋对技术创新存在负向影响、对技术引进存在正向影响;具体为,以RES衡量的自然资源禀赋每增加1个单位,分别会引起以R&D衡量的技术创新下降0.0094个单位,以FDI衡量的技术引进上升0.0092个单位。也就是说,自然资源禀赋会抑制地区技术进步方式中的技术创新,而增进进步方式中的技术引进。因此,自然资源丰富的地区更倾向于通过引进的方式推动技术进步,而自然资源缺乏的地区更倾向通过创新的方式推动技术进步。与此同时,以R&D和FDI为被解释变量的系统GMM估计结果中,两变量的一阶滞后系数均显著为正,具体分别为0.9234和0.9760。这说明,省级层面在技术进步方式上无论是采用创新还是引进,都会形成很强的路径依赖。上述结果也进一步印证了逻辑辨析中自然资源禀赋对创新这一技术进步方式具有“挤出”效应的结论,同时也将中国自然资源禀赋对技术引进影响的逻辑进行了确认——即存在促进作用。另外,控制变量中INS对R&D的回归系数显著为正,对FDI的回归系数为负,但不显著;REGU对R&D和FDI的回归系数分别为负和正,但均不显著;FIS对R&D和FDI的回归系数均显著为负。这说明,市场化程度促进了技术创新,对技术引进没有明显的影响;当前的环境规制对技术创新和引进都没有明显的影响;财政支出规模对地区的技术创新和引进均存在抑制作用。

Table 3
表3
表3自然资源禀赋对技术进步方式的影响效应估计结果
Table 3Estimated results of natural resource endowment impact on the mode of technological progress

	R&D			FDI
	模型(1)	模型(2)	模型(3)	模型(4)	模型(5)	模型(6)
	静态	静态	系统GMM	静态	静态	系统GMM
RES	-0.0449*** (-5.99)	-0.0206*** (-3.33)	-0.0094*** (-10.67)	0.0608*** (2.61)	0.0484** (2.08）	0.0092*** (2.63)
INS		0.0147*** （9.76）	0.0023*** （8.04)		-0.0284*** (-5.02)	-0.0008 (-0.64)
REGU		-0.0132 (-0.42)	-0.0022 (-0.78)		0.3554*** (2.97)	0.0050 (0.34)
FIS		0.0153*** (3.98)	-0.0026*** (-4.14)		0.0074 (0.51)	-0.0070*** (-2.65)
l.R&D			0.9234*** (148.26)
l.FDI						0.9760*** (43.29)
常数项	1.4500*** (12.04)	0.1010 (1.26)	0.0848*** (7.21)	2.2090*** (22.08)	3.4962*** (10.60)	0.1632** (2.43)
R²	0.1897	0.4508		0.2421	0.3245
F/Wald值	35.90	85.37	50100.29	6.81	13.42	8153.21
AR(1)			-3.5331 (0.0004)			-2.222 (0.0263)
AR(2)			-1.1251 (0.2605)			-0.2729 (0.7849)
Sargan			28.2763 (0.9970)			23.3391 (0.9998)
Hausman	1.93 (0.3818)	15.89 (0.0072）		12.19 (0.0023)	20.93 (0.0008)
FE/RE	RE	FE		FE	FE
样本量	450	450	450	450	450	450
截面数	30	30	30	30	30	30

注：“l.”为滞后算子,表示对应变量的滞后一期;AR（1）、AR（2）和Sargan对应括号内的数值为其估计值的p值,下同。

新窗口打开|下载CSV

最后,为检验自然资源禀赋通过技术进步方式影响绿色增长效率过程中,技术进步方式对绿色增长效率的影响,还需对式（10）表示的模型加以估计,估计结果分别见表4和表5。以GTFPI为被解释变量的表4中,列（1）和（3）分别是仅以R&D和FDI为唯一解释变量的估计结果,列（2）和（4）列则是分别在列（1）和（3）的基础上加入控制变量的估计结果。以EEEI为被解释变量的表5中,列（1）-（4）的解释变量与表4中列（1）-（4）相同;因此,表5也可视为表4的稳健性检验。LR检验结果显示,采用随机效应的面板Tobit模型对表4和表5进行估计是合理的;结果显示：R&D对GTFPI和EEEI的影响系数均在5%的显著性水平下显著为正,具体以加入控制变量的估计结果（表4和5中的列（2））为准分别为0.1073和0.1374;FDI对GTFPI和EEEI的影响系数均在1%的显著性水平下显著为负,同样以加入控制变量的估计结果（表4和5中的列（4））为准分别为-0.0176和-0.0106。这说明,现阶段在中国省级层面,以创新为主的技术进步方式能促进地区绿色增长效率的提升,而以引进为主的技术进步方式会抑制地区绿色增长效率的提升。外商直接投资为载体的技术引进阻碍地区绿色增长效率提升的可能原因是：第一,引进的技术可能更多为非环境偏向型。国外技术的引进可能在投入产出效率上属于先进技术,但是在节能减排和环境标准上并非为最先进技术,从而不利于绿色增长效率。第二,引进技术并未形成提高绿色增长效率的现实生产力。引进的先进技术要想成为提高地区绿色增长效率的现实生产力,依赖于引进地区对先进技术的消化吸收能力,如果先进技术在短期内无法和现有技术设备条件、人才储备相匹配,有可能导致先进技术停滞浪费,进而不利于绿色增长效率的提升。

Table 4
表4
表4技术创新与引进对绿色全要素效率影响效应的估计结果
Table 4Estimated results of technological innovation and introduction impact on green total factor efficiency

	GTFPI
	模型(1)	模型(2)	模型(3)	模型(4)
R&D	0.0917***(8.84)	0.1073***(8.80)
FDI			-0.0209***(-4.82）	-0.0176***(-3.93)
INS		0.0001(0.15)		0.0018***(3.72)
REGU		-0.0273***(-3.27)		-0.0186**(-2.09)
FIS		0.0026***(2.95)		0.0023**(2.36)
常数项	0.2536***(9.84)	0.3166***(9.85)	0.4300***(12.75)	0.3797***(8.94)
LR检验（p）	417.24(0.0000)	369.74(0.0000)	523.04(0.0000)	476.21(0.0000)
样本量	450	450	450	450

新窗口打开|下载CSV

Table 5
表5
表5技术创新与引进对能源环境效率影响效应的估计结果
Table 5Estimated results of technological innovation and introduction impact on energy and environmental efficiency

	EEEI
	模型(1)	模型(2)	模型(3)	模型(4)
R&D	0.1948***(17.45)	0.1374***(10.93)
FDI			-0.0293***(-5.58)	-0.0106**(-2.37)
INS		0.0029***(5.24)		0.0052***(10.79)
REGU		-0.0206**(-2.59)		-0.0136*(-1.79)
FIS		0.0016*(1.88)		0.0026***(2.71)
常数项	0.0825***(2.49)	-0.0336(-0.98)	0.4202***(10.01)	0.0036(0.08)
LR检验(p)	554.60(0.0000)	469.17(0.0000)	513.42(0.0000)	550.07(0.0000)
样本量	450	450	450	450

新窗口打开|下载CSV

5.2 稳健性检验

为对上述实证结果进行稳健性检验,本文分别采用“采掘业从业人员数占全社会从业人员数之比”（用REE表示）替代“采掘业固定资产投资占全社会固定资产投资之比”作为自然资源禀赋的衡量指标,“国外技术引进合同金额占GDP之比”（用FTCM表示）替代“外商直接投资占GDP之比”作为技术引进的衡量指标,来对自然资源禀赋通过技术进步方式影响绿色增长效率的上述结论进行重新考察,结果见表6。其中,列（1）和（2）分别是以 GTFPI和EEEI为被解释变量,以REE为核心解释变量估计自然资源禀赋对绿色增长效率的总体影响效应;结果显示,REE的系数均显著为负;这一结果再一次印证了自然资源禀赋会抑制绿色增长效率提升——即丰富的自然资源往往会对地区绿色经济增长形成“诅咒”的结论。列（3）和（4）分别是以R&D和FTCM为被解释变量,以REE为核心解释变量检验自然资源禀赋对技术进步方式影响的估计结果;结果显示,REE对R&D的回归系数显著为负,对FTCM的回归系数显著为正;这一结果也再一次印证了自然资源禀赋会抑制地区技术创新,而增进技术引进的结论。列（5）和（6）则是以R&D和FTCM为核心解释变量,分别以GTFPI和EEEI为被解释变量,检验两大技术进步方式如何影响绿色增长效率的估计结果;结果显示,R&D的系数均显著为正,FTCM的系数均显著为负;这一结果同样再一次印证了技术进步方式中的技术创新有利于绿色增长效率提升,而技术引进不利于绿色增长效率提升的结论。

Table 6
表6
表6自然资源禀赋、技术进步方式与绿色增长效率关系的稳健性检验
Table 6A robustness test of the relationship between natural resource endowment, technological progress mode, and green growth efficiency

	GTFPI	EEEI	R&D	FTCM	GTFPI	EEEI
	(1)Tobit	(2)Tobit	(3) S-GMM	(4) S-GMM	(5)Tobit	(6)Tobit
REE	-0.0492*** (-2.69)	-0.0289** (-2.31)	-0.0826*** (-2.64)	0.1363*** (3.00)
R&D					0.0966*** (8.11)	0.1271*** (10.33)
FTCM					-0.0627*** (-8.47)	-0.0408*** (-5.56)
l.R&D/ l.FTCM			0.9299*** (25.02)	0.2458*** (3.54)
常数项	0.3601*** (8.86)	0.0585* (1.94)	0.0426 (0.51)	0.1519 (1.37)	0.3787*** (11.66)	0.0071 (0.20)
控制变量	控制	控制	控制	控制	控制	控制
LR检验 (p)	452.21 (0.0000)	431.43 (0.0000)			435.63 (0.0000)	499.02 (0.0000)
AR(1)			-3.537 (0.0004)	-3.1629 (0.0016)
AR(2)			-1.1303 (0.2584)	-1.0001 (0.3173)
Sargan值			28.3939 (0.2900)	19.3027 (1.0000)
样本量	450	450	420	420	450	450

新窗口打开|下载CSV

6 结论与启示

6.1 结论

本文通过“自然资源禀赋—技术进步方式—绿色经济增长”这一脉络对自然资源禀赋影响绿色增长的逻辑进行了理论辨析;在构建并测度省级层面绿色全要素效率指数和能源环境效率指数的基础上构建面板数据样本;结合样本数据特点和理论辨析,构建计量模型来确认并分析当前中国的自然资源禀赋通过技术进步方式影响绿色增长效率的情况。最终得出如下结论：

（1）自然资源禀赋对绿色增长效率具有抑制效应,即当前中国的绿色经济增长存在一定程度的“自然资源诅咒”现象;与此同时,自然资源禀赋会抑制技术进步方式中的创新选择而增进引进选择,即当前中国自然资源丰富的地区在技术进步方式上往往更倾向于购买国外技术,而自然资源相对缺乏的地区在技术进步方式上则更倾向于地区内的自主创新;另外,各地区的技术进步方式无论是倾向于创新还是引进,都会形成很强的路径依赖,即技术进步的主要方式一旦形成,后续对这种进步方式路径的改变将非常困难。

（2）技术进步方式中的创新选择有利于提高绿色增长效率,而技术引进选择则不利于绿色增长效率的提升。大部分地区的技术引进由于匹配程度、消化吸收能力和引进技术偏向等方面的原因没有形成能够促进绿色增长效率提升的绿色技术进步,甚至有些伴随技术引进而来的外商直接投资还将中国自然资源丰富的地区变成其资源的供给地和“污染天堂”;这些形式的技术引进阻碍了中国绿色经济增长效率的提升。

（3）当前中国的自然资源禀赋通过技术进步方式影响绿色增长效率的基本逻辑为：自然资源禀赋会抑制——即“挤出”技术创新,而技术创新作为技术进步的主要方式之一恰恰会促进现阶段各地绿色增长效率的提升;与此同时,自然资源禀赋会促进技术引进,而技术引进则恰恰不利于现阶段各地绿色增长效率的提升。换句话说,当前中国自然资源越丰富的地区在技术进步方式上越倾向于选择引进技术,自然资源越欠缺的地区则在技术进步方式上越倾向于选择自主创新;而自主创新恰恰是现阶段各地区绿色增长效率提升的主要推动力量,技术引进在当前则不利于各地区绿色增长效率提升。

6.2 启示

当前中国自然资源禀赋通过技术进步方式影响绿色增长效率的逻辑和各中间环节的作用效应给予的启示如下：

（1）自然资源丰富的地区在经济发展中形成的以资源为主要投入品的工业体系,致使其倾向于选择不利于绿色增长效率提升的技术进步方式并形成路径依赖;这在一定程度上促使自然资源丰富的地区在绿色增长效率的表现上劣于自然资源相对缺乏的地区。应引导资源丰富地区转变技术进步选择方式,提高资源产业的附加值和资源的利用效率,以推动其绿色技术进步,使自然资源由绿色发展的“诅咒”变为“福音”。

（2）自然资源丰富的地区要想转变引进型的技术进步方式,存在两个思路：一是在自然资源产业形成的初始阶段就要通过研发补贴、创新奖励等政策手段有意识地引导辖区内自然资源开发类企业以自主创新为主;二是政府要全方位做好自然资源开发类企业研发、创新活动的配套服务,如在科研人员的引进与培训、协调企业与科研机构的合作等方面提供更多的便利。

（3）当前中国要提高绿色增长效率、实现绿色发展转型,在技术进步方式上要更加倚重于本土的自主创新,坚持走自主创新绿色发展之路;在技术引进时也需要提高环境标准。

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]

孟望生. 经济增长方式转变与能源消费强度差异的收敛性: 基于中国2001-2016年省级面板数据
[J]. 资源科学, 2019,41(7):1295-1305.