政府干預、環境規制與綠色全要素生產率

張建華+李先枝

內容提要：本文基于非徑向、非角度的SBM方向性距離函數和Malmquist-Luenberger生產率指數，運用MaxDEA軟件測算包含工業廢水排放量、工業廢氣排放量兩種非期望產出在內的中國30個省、市、自治區的綠色全要素生產率（GTFP），并運用面板數據回歸分析政府干預、環境規制以及二者之間的交互作用對綠色全要素生產率的影響。研究結果表明：在一定范圍內，環境規制水平的提高能有效地促進綠色全要素生產率的提升，但這種正向促進作用一旦超過某個臨界值就會減弱，即驗證了“強波特假說”。在政府干預程度越強的地區，當地政府可能越傾向于采用行政性環境規制手段迫使企業進行污染治理，造成了資源的扭曲，不利于綠色全要素生產率的提高；在政府干預程度較弱的地區，當地政府會趨向于選擇逐步引導的環境規制方式，有效地促進企業進行綠色技術創新，對綠色全要素生產率產生積極的影響。因此，政府恰當設計環境規制、合理把握對市場的干預程度，才能實現經濟與環境保護協調發展。

關鍵詞：政府干預；環境規制；綠色全要素生產率

中圖分類號：F061.3 文獻標識碼：A 文章編號：1001-148X（2017）10-0162-09

一、引言

黨的十八屆五中全會提出“創新、協調、綠色、開放、共享”五大發展理念，首次將綠色發展列入十大目標，綠色全要素生產率（Green Total Factor Productivity，GTFP）這一概念應運而生。通過制定合理的環境規制政策來推進綠色全要素生產率的持續改善成為政府保護環境發展經濟的重要目標。如何實現環境規制與經濟發展“雙贏”，政府應如何適度干預市場、控制市場失靈則具有重要的理論意義和現實價值。

現有文獻對政府干預、環境規制與綠色全要素生產率關系的研究主要集中在以下幾個方面：（1）政府干預。覃家琦等（2015）的研究表明H+A交叉上市公司由于受到更多的政府干預而具有更低的資本配置效率；李思霖（2015）在研究我國30個省區市全要素生產率增長時引入政府干預，結果表明政府干預在金融集聚與TFP增長之間產生了負效應；胥愛歡（2012）發現政府干預行為會顯著影響經濟從馬爾薩斯經濟向索洛經濟的產業結構變遷過程的速度；邢志平等（2016）通過對金融資源錯配的研究，發現政府對經濟的干預程度越強，國企之間的金融資源錯配程度越低。（2）環境規制。葉祥松等（2011）將環境規制作為約束條件帶入方向性距離函數，分別測算了無環境規制、弱環境規制、中環境規制、強環境規制四種狀態下的環境規制技術效率，發現考慮環境規制后，環境規制技術效率提高，但是地區差異化明顯。原毅軍等（2015）運用SBM方向性距離函數和Luenberger生產率指數測度了在考慮能源消耗以及把二氧化碳當作非期望產出情況下中國30個省的工業GTFP及其分解，并考慮了FDI和環境規制以及二者的交叉項對GTFP的影響，結果表明技術進步是GTFP增長的主要來源，環境規制對GTFP增長具有明顯的促進作用，而FDI并沒有直接促進GTFP增長，而是通過增強環境規制水平來間接促進GTFP的增長。劉和旺等（2016）運用SBM和ML指數考察我國29個省的GTFP的影響因素，結果表明環境規制與GTFP之間呈倒“U”型關系，并且適宜的市場型環境規制可以通過激發技術創新來提高生產率從而促進GTFP的增長。李斌等（2013）在研究環境規制與中國工業發展方式轉變時發現存在環境規制強度的“門檻效應”。很顯然，此類研究方法存在一個很大的問題，即衡量環境規制程度的綜合指標會受到政府干預程度的影響。（3）綠色全要素生產率及其測度。Chung et al（1997）在研究瑞典紙漿廠的全要素生產率（TFP）時，首次提出可以把污染排放當作非期望產出的方向性距離函數（SBM），并將其用來測度綠色全要素生產率。此后，方向性距離函數就被廣泛運用到綠色全要素生產率的測度中。Kumar（2006）運用Malmquist-Luenberger（ML）指數測度41個國家的綠色全要素生產率，通過與傳統TFP對比發現GTFP與傳統TFP并沒有顯著的區別，但是在指數分解項方面ML指數跟Malmquist指數之間的差別比較顯著。Oh and Heshmati（2010）在研究26個OECD國家的綠色全要素生產率時同樣也運用了ML指數，研究結果表明傳統的TFP跟GTFP在指數分解方面雖然存在顯著的差別，但是它們二者之間的增長趨勢相同，在GTFP增長的初期，技術效率起到支配作用，后期技術進步的作用更加明顯。國內學者對GTFP的研究主要側重于測度方法的介紹和來源分解。王兵等（2010）將方向性距離函數和Luenberger指數結合起來運用到GTFP的測度上，并將指數分解成純粹技術進步、純粹效率變化、規模效率變化以及技術規模變化四個層面，研究結果表明GTFP增長和傳統TFP增長的主要區別來源于純粹的技術進步。由此可見，相關學者在研究環境規制與綠色全要素生產率之間的關系時并沒有特別關注過政府干預對環境規制以及綠色全要素生產率的影響。另外，在“波特假說”驗證方面，王國印等（2011）在分析我國中東部地區的省際數據時發現，“波特假說”效應具有顯著區域差異現象，在中西部地區并沒有得到很好的驗證。原毅軍等（2015）的研究發現，在環境規制方面，沿海省份的環境規制水平跟GTFP呈正相關關系，而內陸省份的環境規制水平跟GTFP呈負相關關系且系數不顯著。這種區域性差異可以從政府干預程度來解釋。

考慮到能源消耗和工業廢水、工業廢氣的非期望產出，本文首先采用非徑向、非角度方向性距離函數和Malmquist-Luenberger生產率指數對我國省際層面的綠色全要素生產率進行測度，然后進一步深入研究政府干預、環境規制對我國省際層面的GTFP的影響，以期為我國在經濟新常態下轉變經濟發展方式實現綠色發展提供一定的理論參考。

二、研究方法與理論基礎endprint

（一）綠色全要素生產率的測度

1.環境技術函數

2.方向性距離函數（Directional Distance Function）

本文借鑒原毅軍等（2016）的方法，將各個省（市、自治區）當作一個決策單元（Decision Making Unit， DMU）來構造生產性前沿。沿用前文的假設，將每個決策單元（DMU）的生產可能性集合表示為（x，y，b），如圖1所示，橫坐標表示非期望產出b的量，縱坐標表示期望產出y的量。如果企業在生產過程中不需要考慮非合意產出，即非合意產出是“強處置”的，那么企業就可以無限量的生產非合意產出，此時的生產可能性集合在圖1中BF和橫坐標之間的部分。反之，如果不能隨意處理非合意產出，即非合意產出是“弱處置”的，那么企業在生產過程中就需要將部分資源用來處理非合意產出，從而使得合意產出下降，此時的生產可能性集合用圖1中包絡線OCDEF與橫坐標之間的部分表示。

若上述ML、EFFCH、TECH指數大于1，則說明生產率增長了、效率得到改善以及技術進步了；反之，則說明指數沒有效率。本文運用MaxDEA軟件對我國30個省、市、自治區（由于西藏的數據缺失，本文將西藏剔除）的ML指數、EFFCH指數、TECH指數進行了測算。

（二）理論基礎

1.政府干預對環境規制以及綠色全要素生產率（GTFP）的影響

適度的政府干預可以有效地解決環境公共物品及其外部性帶來市場失靈問題，但政府對市場的干預程度對綠色全要素生產率的影響不確定，它取決于政府干預程度的高低。政府干預對環境規制與綠色全要素生產率之間關系起調節作用。在政府干預程度越高的區域，其環境規制與綠色全要素生產率之間的關系也會相對較弱。反之，政府干預程度越低，環境規制與綠色全要素生產率之間的關系越強。在政府干預程度越弱的區域，環境規制能更加有效地促進企業進行綠色技術創新，從而進一步提高當地的綠色全要素生產率。

2.環境規制對綠色全要素生產率的影響

環境規制對綠色全要素生產率的影響主要有兩個途徑，一個是通過環境成本來影響綠色全要素生產率，另一個是通過技術創新來影響綠色全要素生產率。從環境成本的角度看，環境規制強度的增加不僅會增加企業在生產過程中面臨的應對環境的成本，從而降低企業的利潤、不利于企業擴大再生產過程，而且還會迫使企業加大對環境污染治理的投資，進而擠出企業的營業利潤。因此，環境規制強度的提高對綠色全要素生產率的影響不利。從技術創新的角度來看，環境規制強度對綠色全要素生產率的影響不確定。一方面，環境規制強度的提高可以激發企業進行技術創新、優化升級工藝流程來適應不斷提高的產品質量標準和人民群眾多元化的消費模式。另一方面，環境規制強度的提高也會使得企業為了應對高標準的環境而增加其在技術創新方面的資源耗費，再加上綠色技術創新初期表現出高成本、低收益，所以這時的創新是缺乏規模經濟效益，會使得資源配置無效率。此外，環境規制強度的提高也容易使得企業形成不良的技術創新路徑依賴，這些都對企業的技術創新不利。因此，環境規制強度對綠色全要素生產率的影響也不確定。

三、數據來源、變量選取與模型建立

（一）數據說明

根據前文的研究方法，本文選取1997-2014年中國30個省、市、自治區的相關數據，剔除數據缺失較多的西藏地區。對于個別省份的缺失值，本文運用插值法對其進行補充。本節所使用的相關數據分別來源于《中國統計年鑒》、《中國勞動統計年鑒》、《中國能源統計年鑒》、《中國環境統計年鑒》、《中國城市統計年鑒》及30個省份的統計年鑒。

（二）變量選取

1.期望產出，即好的產出：本文采用各省的實際GDP來衡量。將各省份的名義GDP通過其對應的該省份的GDP平減指數進行平減，從而得到以1997年不變價格計量的實際GDP。

2.非期望產出，即壞的產出：對于非期望產出的選取，原毅軍等（2015）選擇“溫室效應”氣體CO2排放量來衡量，劉和旺等（2016）則選用SO2排放量、工業廢水排放量、工業煙（粉）塵排放量、工業固體廢棄物四個指標，并對其進行處理得到非期望產出的指標值。由于本文選取的時間序列相對較長，考慮到數據的可獲得性，最終選取各省的工業廢水和工業廢氣排放量作為非期望產出的指標。

3.要素投入：對于要素投入變量的選取，本文采用大部分學者的方法，除了基本的資本、勞動投入之外，還將能源投入納入到模型中。資本投入方面，由于各類統計數據中并沒有直接列出各省的資本存量數據，而只有各省固定資產投資總額指標，考慮到該指標是名義變量，本文首先用各省的固定資產投資價格指數對該變量進行平減，將其處理成以1997為基期的不變價格，然后運用永續盤存法將實際固定資產投資總額轉化為資本存量。其中基期的資本存量K0借鑒Marshall Reinsdorf et al（2005）推導的公式K0=I0（1+g）g+δ，g表示不變價格固定投資的平均增長率，ρ表示資產折舊率，具體數值采用單豪杰（2008）估算的值10.96%。1998-2014年的資本存量借鑒葉宗裕（2010）的處理方法，具體計算公式為：Kt=Kt-1（1-δ）+It。勞動投入方面，本文根據國家統計局和各省統計年鑒中的各省就業人數來衡量。能源消耗方面，本文根據《中國能源統計年鑒》中能源消費總量萬噸標準煤來度量。各類指標的描述性統計如表1。

4.綠色全要素生產率的測算。基于各省、市、自治區1997-2014年的數據，本文借鑒王兵等（2010）的處理方法，選擇非徑向非角度方向性距離函數和ML生產率指數在VRS假設前提下運用MaxDEA軟件對包含工業廢水和工業廢氣兩種非期望產出以及能源消耗在內的模型進行測算，從而得到相應的ML指數，用ML指數值來表示綠色全要素生產率GTFP。圖2顯示了我國30個省、市、自治區1997-2014年綠色全要素生產率增長分布情況①。endprint

（三）模型建立

將以上運用MaxDEA測算得到的ML指數值作為因變量，由于測算的ML指數是相鄰兩年的變化率，損失了一個自由度，因此，本文后面的計量分析全部選擇1998-2014年的樣本數據。根據第二部分的理論機制，并借鑒以往學者的相關實證研究，建立以下計量模型：

式（9）主要是為了考察環境規制對綠色全要生產率的影響，加入平方項是為了驗證“波特假說”，式（10）是為了考察政府干預對綠色全要素生產率的影響，式（11）是為了考察環境規制與政府干預對綠色全要素生產率的影響，式（12）加入政府干預與環境規制的交叉項是為了考察政府干預對環境規制與綠色全要素生產率關系的調節作用。

其中i表示省份，t表示年份，ER表示環境規制強度，關于這一變量指標的選擇，李玲等（2012）選取工業廢水排放達標率、工業SO2去除率、工業固體廢棄物綜合利用率三類指標并對其進行無量綱化處理而得到衡量環境規制強度的綜合指標，考慮到本文時間段較長，工業廢水排放達標率、工業二氧化硫去除率等指標數據無法查到，因此，本文最終還是選擇排污費征收金額作為衡量環境規制強度的指標。同時考慮到環境規制可能存在內生性，為了消除內生性的影響，本文選取環保系統年末實有人數（PP）作為環境規制強度的工具變量來消除可能存在的內生性問題。GI表示政府干預程度，本文選擇王小魯等（2011&2016）《中國分省份市場化指數報告》一書中政府與市場的關系評分作為政府干預程度的度量，并且該指標值越大，表明政府對市場的干預程度越低。

式（13）是影響綠色全要素生產率（GTFP）的控制變量，根據宏觀經濟理論以及相關學者在研究過程中考慮到的變量，本文最終選擇了研發投入（RD）、國內生產總值GDP增速（GG）、對外開放水平（OPEN）、工業化程度（II）以及人口規模（PI）五類控制變量。

研發投入（RD）：本文運用各省R&D經費支出表示，同時通過各省GDP指數對其進行平減消除價格因素的影響。另外，考慮到研發投入可能存在滯后效應，本文最終選擇滯后一階的RD來進行計量分析。

GFP增速（GG）：計算公式為GG=GDPt-GDPt-1GDPt-1。

對外開放水平（OPEN）：本文選擇用進出口貿易總額與GDP總量的比值來進行衡量。

工業化程度（II）：本文選用工業增加值與GDP總量的比值來進行衡量。

考慮到做計量分析數據的一致性，本文對環境規制強度（ER）、研發投入（RD）、人口規模（PI）等絕對數均進行對數化處理。

四、實證結果分析

（一）各類變量的描述性統計分析

表2給出了各類研究變量的描述性統計特征，結果表明，排污費征收金額的均值為1.485億元，各省排污費征收金額差異較大，這說明各省份的環境規制水平也是存在很大區別的。從政府干預程度、R&D經費支出、人口規模等統計特征來看，各省市之間均有較大區別，但是否真實存在顯著的地區差異，還有待進一步檢驗。至于政府干預是否會影響環境規制與GTFP之間的關系，需要進一步運用計量分析工具進行科學的考證。

（二）回歸結果分析

表3給出了上述計量模型（9）、（10）、（11）、（12）的回歸結果，并且它們各自對應的Hausma檢驗結果都顯著性地拒絕了原假設，表明這四個模型的固定效應均優于隨機效應。

從回歸結果看，固定效應下的模型（9）、（11）、（12）的環境規制強度（ER）均在5%的顯著性水平下顯著，表明環境規制強度的提高能有效地促進綠色全要素生產率的提高，這與大多數學者的研究結果一致。與此同時，環境規制強度的平方項也在5%的顯著性水平下顯著，并且符號為負，這表明環境規制強度與綠色全要素生產率的關系是非線性的，它們之間的關系是一個處于坐標系第一象限的開口向下的拋物線，也就是人們通常所說的倒“U”型。從經濟學意義上來講，這表明在環境規制水平到達某一個臨界值之前，隨著環境規制強度的增強，它對綠色全要素生產率的正向促進作用是越來越強的，但是一旦超過該臨界值，它對綠色全要素生產率的正向促進會逐漸減弱，這恰好驗證了“強波特假說”，同原毅軍等（2016）對環境規制與工業綠色生產率增長——對“強波特假說”的再檢驗一文的結論是一致的。這說明環境規制強度的提高給企業帶來的環境成本要小于企業進行綠色技術創新所帶來的利潤。適度的環境規制不僅能夠提高環境質量水平，還能有效地促進全要素生產率的提高，實現環保和經濟增長的雙贏目標。

從模型（10）、（11）、（12）的回歸結果看，在固定效應模型中政府干預（GI）在1%的顯著性水平下顯著。由于政府干預程度這一變量選擇的是王小魯（2011、2016）在《中國分省份市場化指數報告》一書中政府與市場關系的評分，并且政府與市場關系的評分越高，市場化程度越高，從而政府干預程度越低。回歸結果顯示政府干預程度這一變量的系數符號為負，即政府干預程度能顯著促進綠色全要素生產率的提高，這表明我國政府對市場干預程度是處在合理范圍之內的，并沒有過度干預市場，同時也說明了黨的十八屆三中全會強調的“要使市場在資源配置中起決定性作用和更好地發揮政府作用”得到很好的踐行。

模型（12）中加入了政府干預與環境規制的交叉項，其目的在于驗證本文第二部分理論機制中政府干預對環境規制與綠色全要素生產率之間關系的調節機制。該模型的固定效應回歸結果表明政府干預與環境規制的交叉項在5%的顯著性水平下顯著，且符號為正，這表明隨著政府干預程度的降低，環境規制與綠色全要素生產率之間的關系得到加強，這正好驗證了第二部分的理論機制，即認為在政府干預程度較弱的地區，當地政府會更加傾向于用經濟性規制的市場化手段去引導進行污染治理投資，而不是強制企業進行，這種方法更加符合市場化機制，從而也能更加有效地激勵企業在污染治理時實現綠色技術創新，從而可以有效地提高當地的綠色全要素生產率水平。endprint

從其他影響綠色全要素生產率的因素來看，研發投入（RD）滯后一期的值在1%的顯著性水平下顯著，這充分表明技術創新能有效地促進綠色全要素生產率的提高，增加R&D經費支出能促使企業積極選用綠色環保的生產工藝和污染治理水平高的生產技術，從而有效地促進綠色全要素生產率的提高。GDP增速（GG）同樣也在1%的顯著性水平下顯著，這表明在GDP增長速度加快的同時，也能有效地帶動綠色全要素生產率的提高。對外開放水平（OPEN）在5%的顯著性水平下顯著為正，表明隨著對外開放水平的提高，能有效地促進綠色全要素生產率的提高，這正好否定了“污染天堂假說”，即我國的對外開放政策為我國的生產發展提供了國外先進的技術和理念，對外開放帶來的技術溢出效應以及“學習效應”加快了我國產業進行轉型升級，使資源配置得到了帕累托改進，這些都在一定程度上促進了我國綠色環保生產技術的提高。工業化水平（II）整體上來看是在5%的顯著性水平上為正，這表明我國工業化水平的提升可以有效促進綠色全要素生產率的提高，同時也說明我國近些年來實行的一系列促使重污染重能耗的工業產業轉型升級的政策已經逐步起到了改善作用。人口規模（PI）這一變量在10%的顯著性水平上顯著為正，這說明人口規模對綠色全要素生產率有一定的促進作用，其可能的原因就是人口規模越大，相對而言其勞動力資本更豐富，從而能有效促進綠色全要素生產率的提高。

（三）穩健性檢驗——工具變量法（IV）

考慮到環境規制變量可能存在內生性，從而影響對回歸結果的合理判斷。本文選擇環保系統年末實有人數（PP）這一變量作為環境規制的工具變量來解決內生性問題。選擇這一變量的原因在于該變量會對環境規制強度產生一定的影響，但是不會對被解釋變量GTFP產生影響，正好符合工具變量的選擇標準。本文對環保系統年末實有人數這一變量取對數后，將其作為環境規制的工具變量，讓后運用兩階段最小二乘法對模型（12）進行重新估計，得到回歸結果如表3中（14）所示。回歸結果表明，考慮內生性問題后排污費征收金額仍然能促進綠色全要素生產率的提高，而且兩者之間仍然呈倒“U”型關系，并且其他變量也仍然是穩健的。

五、結論

本文運用1997-2014年我國30個省、市、自治區的面板數據，基于非徑向、非角度的方向性距離函數與ML生產率指數測算了包含兩種非期望產出的綠色全要素生產率，并考察了政府干預對環境規制與綠色全要素生產率之間關系的調節作用，研究結果表明：

1.在1997年到2014年間，我國30個省、市、自治區中，綠色全要素生產率比較高的省份有江蘇、北京、廣東、上海、新疆，而綠色全要素生產率比較低的省份有吉林、福建、江西、內蒙古，其他省份的綠色全要素生產率則處于中間水平。

2.在一定范圍內，環境規制水平的提高能有效地促進綠色全要素生產率的提升，但一旦超過某個臨界值，這種正向促進作用就會減弱，驗證了“強波特假說”，同時也說明了環境規制強度的提高給企業帶來的環境成本要小于企業進行綠色技術創新所帶來的利潤，在整體上對綠色全要素生產率起促進作用。因此，只有“恰當設計的”環境規制才能實現經濟與環境保護的協調發展，政府應建立合理的規制工具，積極誘導經濟體進行制度、技術、管理等方面的創新，使環境規制的運行更加有效。

3.政府干預能有效地提高綠色全要素生產率水平，我國政府干預程度總體上處在合理范圍之內。在干預程度較強的地區，當地政府可能傾向于采用行政性環境規制手段迫使企業進行污染治理，由此造成資源的扭曲，不利于綠色全要素生產率的提高。而在干預程度較弱的地區，當地政府會趨向于選擇逐步引導的環境規制方式，有效地促進企業進行綠色技術創新，對綠色全要素生產率產生積極的影響。因此，對于政府而言，合理地把握對市場的干預程度才能更好地發揮市場對資源的配置作用。

注釋：

① 限于文章篇幅，本文只給出了各省綠色全要素生產率增長分布圖，感興趣的可以向作者索取具體數值。

參考文獻：

[1] 單豪杰.中國資本存量K的再估算：1952～2006年[J].數量經濟技術經濟研究，2008（10）.

[2] 李斌，彭星，歐陽銘珂.環境規制、綠色全要素生產率與中國工業發展方式轉變——基于36個工業行業數據的實證研究[J].中國工業經濟，2013（4）.

[3] 李玲，陶鋒.中國制造業最優環境規制強度的選擇——基于綠色全要素生產率的視角[J].中國工業經濟，2012（5）.

[4] 劉和旺，左文婷.環境規制對我國省際綠色全要素生產率的影響[J].統計與決策，2016（9）.

[5] 覃家琦，邵新建.交叉上市、政府干預與資本配置效率[J].經濟研究，2015（6）.

[6] 王兵，吳延瑞，顏鵬飛.中國區域環境效率與綠色全要素生產率增長[J].經濟研究，2010（5）.

[7] 王國印，王動.波特假說、環境規制與企業技術創新——對中東部地區的比較分析[J].中國軟科學，2011（1）.

[8] 王小魯，樊綱，余靜文.中國分省份市場化指數報告[M].北京：社會科學文獻出版社，2016.

[9] 葉祥松，彭良燕.我國環境規制下的規制效率與全要素生產率研究：1999-2008[J].財貿經濟，2011（2）.

[10]葉宗裕.中國省際資本存量估算[J].統計研究，2010（27）.

[11]原毅軍，謝榮輝.FDI、環境規制與中國工業綠色全要素生產率增長——基于Luenberger指數的實證研究[J].國際貿易問題，2015（8）.

[12]原毅軍，謝榮輝.環境規制與工業綠色生產率增長——對“強波特假說”的再檢驗[J].中國軟科學，2016（7）.

[13]Chung Y. H.， Fare R.， Grosskopf S. Productivity and undesirable output： A directional distance function approach[J].Journal of environmental management， 1997，51（3）：229-240.endprint

[14]Fare R.， Grosskopf S and Carl A. Environmental production functions and environmental directional distance functions[J].Energy，2007，32（7）：1055-1066.

[15]Kumar S. Environmentally sensitive productivity growth： A global analysis using malmquist-Luenberger index[J].Ecological economics，2006，56（2）：280-293.

[16]Marshall Reinsdorf， Mariam Cover， Measurement of capital stocks， consumption of fixed capital， and capital services， report on a presentation to the central American ad hoc group on national accounts， 2005（5）：37-49.

[17]Oh， D.， A. Heshmati. A sequential Malmquist-Luenberger productivity index： Environmental sensitive productivity growth considering the progressive nature of technology[J].Energy economic， 2010，32（6）：1345-1355.

Abstract：Based on the non-radial and non-angle SBM direction distance function and Malmquist-Luenberger productivity index， this paper calculates the Green Total Factor Productivity（GTFP） indicators of 30 provinces， municipalities and autonomous regions in China with industrial waste water and gas emissions as unexpected outputs included in the calculation process， and analyzes the effects of government intervention， environment regulation and their interaction effect on GTFP. Research shows the improvement of environmental regulation level can effectively promote the promotion of GTFP， but this positive promotion will be weakened once it exceeds a critical value， confirming the Strong Potter Hypothesis. In the region where government intervention is strong， the government incline to force firms to cut down pollution by administrative means， which results in misallocation of resources and is harmful to the improvement of firms′ GTFP； in the regions where government intervention is inferior， however， the local government tends to regulate by more progressive ways， which is conducive to firms′ green technology innovation and will have positive effect on GTFP. Therefore， in order to realize the coordinated development of economy and environment protection， government should properly design environmental regulations and reasonably grasp the degree of intervention in the market.

Key words：government intervention； environmental regulation； Green Total Factor Productivity

（責任編輯：周正）endprint