環境規制與綠色全要素生產率：兩難還是雙贏？

黃慶華　胡江峰　陳習定

摘要 有關環境規制與生產率的實證研究，大多集中在單向靜態關系的檢驗上，忽視了生產率對環境規制的反向影響，即環境規制與生產率之間可能存在雙向動態關系。基于此，本文采用SBM函數和Luenberger生產率指數對2003—2015年中國36個工業行業的綠色全要素生產率進行測度，同時為了表現環境規制帶來的環境改善和成本負擔的雙重效應，分別構造污染排放強度指標和污染減排成本指標作為環境規制的代理變量，最后通過PVAR模型對“污染排放強度-污染減排成本-綠色全要素生產率”之間是否存在雙向動態關系進行實證檢驗。研究結果顯示：2003—2015年中國工業綠色全要素生產率呈波動變化，總體沒有上升或下降的趨勢；但在2008年前后其波動幅度具有明顯的階段性特征，在2008年之前綠色全要素生產率波動劇烈，其后逐漸向前沿面收斂。此外，綠色全要素生產率與污染減排成本互為Granger因果，但與污染排放強度僅存在單向Granger因果關系。GMM估計結果和脈沖響應函數表明，短期而言，政府減排政策對綠色全要素生產率的影響具有時效性，近期的環境政策確實能夠促進綠色全要素生產率增長，同時綠色全要素生產率也有助于減少污染排放和補償減排成本；但長期來看，由于政策滯后性等特點，陳舊的環境政策不僅無法促進綠色全要素生產率持續增長，而且還誘發企業為補償污染減排成本而加速提高污染型經濟產出的行為，進而惡化了環境狀況。由此，為實現經濟發展和環境質量改善的“雙贏”，中國政府應該在設計合理的環境政策和提高綠色技術創新補貼兩方面發力。

關鍵詞 環境規制；綠色全要素生產率；SBM函數；Luenberger生產率指數；PVAR模型

中圖分類號 F426

文獻標識碼 A 文章編號 1002-2104（2018）11-0140-10 DOI：10.12062/cpre.20180706

近年來，為了改善生態環境，中國政府不僅頒布了一系列更為嚴格的環保法案，而且也在國際溫室氣體減排協議中積極承擔大國責任。然而，諸多研究表明，盡管環境規制的加強會倒逼企業加大對環保設施的投入，從而有利于提升環境質量；但同時這些投資明顯擠占了企業正常生產性投資，進而會對企業競爭力或生產率造成不利影響[1-2]。由此，引發了學術界對中國經濟或生產率是否會因環境規制趨緊而受損的擔憂。

新古典經濟學家認為，由于“遵循成本”效應，隨著環境規制趨緊，短期內勢必會加重企業的環保負擔，抑制企業生產率和盈利能力，從而不利于經濟增長[3]，這也是為什么特朗普政府決意退出《巴黎氣候協定》的重要原因[4]。不僅如此，一些學者基于不同層面的數據（區域、產業、企業）和方法在實證研究中也得到類似的結論[1-5]。然而，與傳統觀點不同的是，Porter[6-7]認為，適當的環境規制將刺激企業進行環保技術方面的創新，綠色技術創新不但會降低污染，而且還能通過生產率的提高抵消環境規制所帶來的成本負擔，即“波特假說”。同樣地，“波特假說”也在一些實證研究中得到了驗證[8-11]。

以上研究表明，環境規制與生產率確實存在因果關系，但究竟是正向關系還是負向關系并沒有一個定論。究其原因，Lanoie[9]、Opaluch[12]、Telle[13]、Hille[14]以及Rubashkina[15]等學者分別從環境規制對生產率影響的時效性、生產率的測度方法和模型內生性等方面做出了解釋。然而，值得注意的是，這些研究主要集中在環境規制對生產率單向靜態關系的檢驗上，忽視了生產率本身對環境規制的反作用。根據Opaluch[12]的觀點，更為嚴格的環境規制將激發企業創新和利用新技術的熱情，從而促進生產率增長。但與此同時，技術創新，尤其是環保技術進步，會促使政策制定者將環境規制力度提高到與現有技術水平相一致的強度上，從而又導致新一輪的技術進步和生產率增長。那么，是否意味著環境規制與生產率之間存在的關系，并非表現為單向靜態的因果關系，而是雙向動態關系呢？如果從環境規制與生產率之間存在的雙向動態關系來看，目前中國實施的一系列嚴格的環境政策可以實現經濟發展與環境質量改善的雙贏嗎？本文將在對現有文獻進行梳理的基礎上，采用SBM函數和Luenberger指數，設定模型和變量，選取相關指標和處理數據對工業綠色全要素生產率進行測度與分析。

1 文獻綜述

環境規制作為解決污染外部性的一種非市場干預，對于滿足人們日益美好生態環境需求意義重大。然而，環境規制對經濟的影響，尤其是對生產率的影響，無論是理論還是實證上都沒有統一的答案。本文主要從環境規制對生產率影響的短期效應和長期效應、生產率的測度方法以及模型內生性等三方面對現有文獻進行梳理，并從中汲取有益的思路和方法。

一般認為，在嚴格的環境規制中，企業不得不將原本用于生產性活動的要素（勞動、資本等），投入到以減少污染排放的非生產性活動中[1-2]。雖然，這一過程有助于企業綠色技術的創新和采用[16-18]，但由于環保設備的額外損耗以及生產資料與原有生產設備匹配度下降，最終會造成生產率損失[5]。而且，長遠來看，在信息不對稱的情況下，政府并不能確切地知道每個廠商施加的外部成本[19]，從而造成過高或過低的征稅和補貼，非但不能有效消除外部性，反而可能通過“稅收轉嫁機制”將“庇古稅”傳導給環境污染的最終受害者[20]，造成“外部性擴散”，不利于工業部門的長遠發展。與此相反，一些學者認為，盡管安裝環保設備、調整生產流程以及培訓工人等一系列減少污染排放的措施短期內擠占了生產性投資，不利于生產率增長[5]。但長期而言，由于環境規制將那些生產率較低且污染嚴重的企業擠出市場，留下高生產率和清潔型的企業[21]，從而有助于整體生產率或競爭力的提升[8-9]。Lanoie[9]和Opaluch[12]將環境規制的滯后項納入到實證模型中發現，環境規制對生產率的當期影響為負向，但環境規制的滯后變量對生產率具有正向影響。由此可見，環境規制對生產率的影響具有明顯的短期和長期差異。

與此同時，有學者指出，由于傳統的生產函數沒有將環境質量考慮在內，也會造成環境規制與生產率之間呈負向關系[22]。理由來自兩方面：一方面從產出績效來看，在生產過程中，期望產出和非期望產出往往相伴而生，環境規制的主要目標是減少污染排放，而現有研究在核算產出時并沒有將污染物排放減少作為一種產出納入到生產函數中，從而低估了生產效率[18]；另一方面從生產要素利用效率來看，資本和勞動不僅用于生產預期產出，而且也被用于污染減排，從而在現有產量水平上高估了要素投入量[23-24]?；诖?，Chung[25]在測度瑞典紙漿廠的TFP時，提出了方向性距離函數，將污染排放看作非預期產出，以測算考慮環境因素的綠色全要素生產率，并在此基礎上構建了基于比值的MalmquistLuenberger指數。自此，測算綠色全要素生產率的方法被廣泛使用。Telle[13]在比較了環境規制分別對傳統Malmquist生產率指數和環境Malmquist生產率指數影響差異的基礎上，發現環境規制僅對環境Malmquist生產率指數具有顯著的正向促進作用，并得出基于傳統全要素生產率的環境政策評價可能會產生偏差的結論。

進一步地，當存在投入過度或產出不足，即存在投入或產出的非零松弛（Slack）時，徑向型的DEA效率測度會高估評價對象的效率。為了解決這一問題， Fre[26]和Fukuyama[27]在Tone[28-29]非徑向基于松弛的（SBM）效率測度的基礎上發展出更加一般化的非徑向且基于松弛型的（SBM）方向性距離函數。同時，MolinosSenante[30]基于SBM函數對英格蘭和威爾士自來水公司的綠色全要素生產率進行了測度，并分別用MalmquistLuenberger指數和Luenberger指數進行分解，認為ML指數會高估生產率。自此，基于SBM函數和Luenberger生產率指數來測算綠色生產率的方法得到廣泛應用。

生產率測算方法的改進，無疑增強了環境規制與生產率之間存在正向關系的解釋力度。然而，由模型內生性導致結果偏差的問題也不容小覷。Hille[14]和Rubashkina[15]比較了控制模型內生性前后的實證結果發現，一旦控制住模型內生性，那么環境規制對生產率的影響由顯著的正向效應變得不顯著，甚至反轉為負向效應。進一步地，根據Gray[31]的觀點，環境規制對生產率產生沖擊的同時，生產率增長也會反向作用于環境規制。一般認為，生產率增長取決于行業或企業新技術采用能力和自主研發能力[32]。在嚴格的環境規制下，生產率較高的企業通過擴大R&D;投資和采用環保技術等措施來降低污染減排成本，從而能夠很快適應嚴格的環境規制[33]。與此同時，由于技術具有正外部性和“準公共品”的特性，一旦被發明出來，則很難阻止其他廠商采用這項新技術[34]。因此對于那些生產率較低無法承擔高昂R&D;負擔的企業而言，仍可借助外部技術溢出效應獲得遵循成本的補償，進而提升自身生產率。從而，在行業整體技術水平和生產率提高的背景下，政府又會實施新一輪更加嚴格的環境規制[12]。如此看來，環境規制與生產率之間可能存在雙向動態關系。這也表明，以往用于驗證單向靜態因果關系的計量模型，顯然不適用于對環境規制與生產率雙向動態關系的檢驗。

為了驗證各變量間存在的雙向動態關系，HoltzEakin[35]提出了面板向量自回歸模型（PVAR）。PVAR模型的優點在于不以經濟理論為基礎建立實證模型，同時能將系統中所有變量作為內生變量，從而避免了模型設定錯誤和內生性等問題。而且，還可以通過脈沖響應函數探測在其他變量不變的情況下，一個變量受到另一個變量沖擊時表現出的短期響應和長期變化趨勢。其后，PVAR模型被越來越多地應用到政策與經濟關系的實證研究中。Antonakakis[36]采用PVAR模型對“經濟增長-能源消費-CO2排放”進行了系統研究，發現經濟增長與能源消費之間存在雙向動態關系，經濟增長提升了能源消費，同時能源消費的上升也促進了經濟增長，結論是經濟增長與環境質量改善不可兼得。

總體來說，盡管現有研究分別從環境政策的時效性、生產率的測度方法和模型內生性等角度，對環境規制與生產率之間正向或負向關系，做出了深刻的解釋，但也僅是基于其中某個視角，而沒有同時將這三種因素納入到統一的實證模型中，更沒有考慮到生產率對環境規制的反向影響，即環境規制與生產率之間可能存在雙向動態關系。基于此，本文選取COD、氨氮、SO2和煙（粉）塵排放量作為非預期產出，采用SBM模型和Luenberger生產率指數測算2003—2015年中國36個工業行業的綠色全要素生產率，分別構造污染排放強度指標和污染減排成本指標作為環境規制的代理變量，最后通過PVAR模型對污染排放強度、污染減排成本以及綠色全要素生產率之間存在的雙向動態關系進行實證檢驗。

3 綠色全要素生產率測度與分析

3.1 指標設定與說明

測算各行業綠色全要素生產率還需要構造預期產出、非預期產出和要素投入相關指標。

（1）預期產出。由于2012年后不再公布工業總產值，本文借鑒劉傳江[38]的方法，選取和工業總產值較為接近的工業銷售產值來表示期望產出，并以1990年作為基期進行折算。

（2）非預期產出。對于非預期產出的選取，相關文獻存在較大的差異，考慮到中國工業污染治理費用僅包含廢水治理費用和廢氣治理費用，為貼合這兩類污染治理費用，本文選取COD、氨氮、SO2和煙（粉）塵排放量作為非預期產出。

（3）要素投入。資本存量，采用永續盤存法來測算當期資本存量，Ki，t=Ii，t+（1-δi，t）Ki，t-1；勞動資本投入，由于各行業勞動力用工時間無法獲取，本文利用《中國工業統計年鑒》中各行業平均從業人數代替人力資本投入；能源投入，選用工業部門細分行業的能源消耗量作為能源投入指標。

3.2 數據來源與處理

指標量化所需數據來源于2003—2015年的《中國工業經濟統計年鑒》《中國環境統計年鑒》和《中國統計年鑒》。針對2012年前后工業某些中類劃分口徑不一致和部分數據缺失的問題，本文還對數據進行了如下處理。

（1）行業歸并與劈分。根據國家統計局在《國民經濟行業分類》（2011）中的分類方法，2012年及以后中國工業共包含41個中類行業。其中，與2012年之前的工業行業對比發生了以下變化：開采輔助活動從石油天然氣開采行業中被剝離出來單獨成為一個行業，橡膠制品業和塑料制品業被合并為橡膠和熟料制品業，交通運輸設備制造業被拆分為汽車制造業和鐵路船舶航空業及其他運輸設備制造業，金屬制品機械設備修理業從以金屬為原材料的制造業中被剝離出來單獨成為一個行業。對于上述情況，為盡可能保持數據的真實性，本文對部分工業部門的細分中類進行了歸并和劈分。具體操作如下：首先將2012年之前的橡膠制品業和塑料制品業合并成為橡膠和熟料制品業；其次將2012年之后的開采輔助活動與石油天然氣開采行業重新歸并為石油天然氣開采行業，汽車工業和鐵路、船舶等運輸設備歸并為交通運輸設備工業，金屬制品機械設備修理業按照當年各指標的比例拆分重新歸并到以金屬為原材料的行業中；最后由于其他采礦、其他制造業和廢物制品回收業數值較小，本文將三者合并為其他工業。最終獲得2003—2015年36個工業行業的面板數據。

（2）缺失值處理。由于2012年的工業部門細分中類的就業人數缺失，本文采用線性擬合的方法補齊這部分缺失值，其他缺失數據也按此方法補齊。

3.3 綠色全要素生產率測度結果分析

按照上述理論方法和指標，本文對相關指標進行量化并基于matlab2015b軟件對考慮COD、氨氮、SO2和煙（粉）塵排放量作為非預期產出的工業綠色全要素生產率變化情況進行估算。圖1是2003—2015年工業GTFP及其來源分解的增長趨勢。

總體來看，2003—2015年中國工業綠色全要素生產率始終圍繞著前沿面上下波動，未表現出明顯的上升或下降的趨勢。但是，波動幅度在2008年前后存在明顯的差異，在2008年之前綠色全要素生產率變動幅度較大，2008年之后逐步向前沿面收斂。

具體而言：①2003—2008年，表現為劇烈波動階段。2003—2005年綠色全要素生產率受到技術利用效率疲軟的影響，呈現出明顯的下降趨勢，從1.46%降為-3.43%。在此期間，中國經濟處在高速增長時期，平均增速為9.5%。然而，高速的經濟增長也帶來了嚴重的環境污染問題。以大氣環境狀況為例，2003年工業二氧化硫排放量為1 791.4萬t，工業煙塵和粉塵排放量為1 867.2萬t，到2005年工業二氧化硫排放量達到2 168.4萬t，工業煙塵和粉塵排放量攀升到1 860.1萬t，大氣中污染物總量呈上升態勢。綠色全要素生產率、技術效率變化以及污染排放量的變化趨勢說明節能減排的艱巨性，也說明中國減排任務政策的脆弱性。②2005—2007年綠色全要素生產率受到技術效率改善的拉力，呈上升趨勢，并在2007年達到4.21%的峰值。本文認為，2006年正是中國“十一五”規劃實施的第一年，并且政府也首次將污染排放總量的顯著減少作為經濟社會發展的約束性指標，因此在2005—2007年，綠色全要素生產率與技術效率變化之間表現出一種追趕的趨勢。③2007—2008年綠色全要素生產率迅速下降到3.01%，這主要是因為技術效率惡化以及技術進步對綠色全要素生產率的貢獻后勁不足導致的。值得注意的是，在此期間技術進步率表現出少有的上升，從-0.22%上升到2.36%。本文認為，2008年全球金融危機發生后，全球經濟陷入低谷，而中國受此影響較小，吸引了大量技術相對先進的企業落戶國內，從而使我國制造業綠色技術進步率在短時間內實現“飛躍”。這也解釋了綠色全要素生產率的波動幅度在2008年前后存在明顯差異的原因。④2008年后，綠色全要素生產率、技術進步效率和技術進步的波動幅度都較為平緩，逐漸向前沿面收斂，表現了中國經濟從高增長、高能耗、高污染的發展方式平穩過渡到“新常態”的中低速增長、低能耗、低排放的綠色發展方式。

4 實證結果與分析

4.1 實證檢驗

為了避免可能存在的數據非平穩性所造成的虛假歸回問題，本文首先對各變量進行了面板單位根檢驗。目前，面板單位根檢驗方法主要分為兩類：一是以LLC、Breitung和Hadri檢驗為主的相同單位根檢驗；二是以IPS、Fisher為主的不同單位根檢驗。出于穩健性考慮，本文分別進行了LLC、Breitung、Fisher和IPS四種面板單位根檢驗，具體結果如表1所示。從表中可以看出所有變量均至少在5%水平上通過了顯著性檢驗，這表明所有變量為平穩序列。

在面板單位根檢驗的基礎上，本文根據Pedroni[39]提出的異質面板數據的協整檢驗方法，以回歸差為基礎構造出7個統計量進行面板協整檢驗，結果如表2所示。由表2可知，只有Panel V和Group Rho沒有通過顯著性檢驗。但Pedroni的Monte Carlo模擬實驗結果表明，在小樣本條件下，Panel ADF和Group ADF統計量較其他統計量有更好的性質，所以即便Panel V和Group Rho在5%的顯著性水平上不顯著，仍然對三個變量間存在協整關系的結論沒有影響。因此，表明變量GTFP、lnPCC和lnPEI之間存在一個長期的穩定關系。

協整關系僅反映變量之間在長期內存在因果關系，并不能明確二者因果關系的具體方向。因此，本文借助面板誤差修正模型對污染排放強度、治理成本與綠色全要素生產率之間進行格蘭杰因果檢驗，具體結果見表3。

由表可知，除GTFP與lnPEI之間僅存在單向Granger因果關系之外，其余變量之間在10%的顯著性水平上均存在雙向Granger因果關系。從而表明，綠色全要素生產率與污染排放強度之間的短期因果關系可能是通過環境規制成本這一路徑建立的，具體的短期和長期因果關系還需要通過GMM估計和脈沖響應函數等計量工具的進一步檢驗。

4.2 GMM估計結果

PVAR模型滯后期數的選取會對模型中各統計量造成較大的影響，一般根據AIC、BIC和HQIC統計量最小準則選擇滯后期數。檢驗結果顯示AIC和HQIC統計量支持滯后2期為最佳滯后期數，而BIC統計量建議滯后1期，研究中一般結合一些基本檢驗結果和樣本長度選擇合適的滯后期數。有鑒于此，本文選擇滯后2期作為PVAR模型的最佳滯后期數。在選擇的最佳滯后期數基礎上本文還對模型參數進行了估計，PVAR模型的GMM估計結果如表4所示。

根據表4的估計結果，污染減排成本的滯后1期和滯后2期對綠色全要素生產率的影響始終為負，但直到滯后2期才顯著，表明污染減排成本負擔加重對綠色全要素生產率的負面影響是長期性的，而且隨著時間的推移這種不利影響也越發突出。其可能的原因是，在創新不足的情況下，污染減排成本會對企業生產性投資具有擠出作用，從而抑制了生產率的提升。污染排放強度滯后1期對綠色全要素生產率具有顯著的負向影響，這也與Lanoie[9]以及Opaluch[12]的結論相一致，表明污染排放強度的滯后項與綠色生產率之間呈反向關系。然而值得注意的是，污染排放強度的滯后2期對綠色全要素生產率的影響轉為正向，但不顯著，表明長期而言，如果政府的減排力度超過現有技術水平下所能達到的最大值，那么將會阻礙經濟發展和環境質量改善雙贏的實現[40]。由此可見，在滯后1期，環境規制對綠色全要素生產率的凈影響主要表現為顯著的促進作用；而在第2期反轉為顯著的抑制作用，這也解釋了有關環境規制對綠色全要素生產率的研究結論不一致的現象。

GMM估計結果還表明，綠色全要素生產率滯后1期和滯后2期始終對環境規制成本和污染排放強度具有負向影響。根據Albrizio[33]的研究，隨著生產率的提高企業將采取更加先進的技術來適應新的環境規制，例如改良生產過程的技術，從而在降低污染排放傾向的同時節約污染減排成本。環境規制成本與污染排放強度二者之間在滯后1期和滯后2期始終具有負向影響，表明環境規制成本與污染排放強度之間實際上存在一種相互疊加的關系，即在末端上投入較多的污染治理費用，雖然能夠降低工業生產活動負的外部性，但同時污染排放減少又進一步加重了行業環境規制成本負擔，這也表明當不存在技術進步的情況下，環境改善和經濟發展二者不可兼得。

總之，一味依靠政府行政命令的方式降低污染排放強度，那么必然帶來治理成本大幅度提升，從而不利于綠色全要素生產率的提升，環境規制對經濟的凈影響偏向于“遵循成本”效應。但與此同時，隨著污染排放強度降低，綠色全要素生產率也會顯著提升。而且，由于綠色全要素生產率蘊含了綠色技術進步的特性，從而在降低污染排放強度的同時也能抵消企業污染治理成本，最終實現經濟發展與環境治理改善的雙贏。

4.3 脈沖響應函數

PVAR模型參數的GMM估計只能較為宏觀地反映變 量之間的動態模擬過程，還不足以反映經濟變量之間的動態傳導機制和影響路徑。基于此，本文利用脈沖響應函數對各變量間的長期動態關系做進一步考察。

為了刻畫各變量之間的長期動態交互過程和效應，在進行蒙特卡洛（MonteCarlo）1 000次模擬的基礎上，得到在95%置信區間，滯后10期的脈沖響應圖，如圖2。

由圖可知：①各變量對來自自身沖擊的響應除綠色全要素生產率為負向之外，其余變量都顯著為正向。這是因為，技術具有正的外部性和“準公共品”性質，一旦被發明出來，則很難阻止其他廠商采用這項新技術[40]，盡管綠色技術外溢有利于行業整體污染減排，但由此導致的“搭便車”行為會降低原始綠色技術創新的動力。此外，污染治理成本和污染排放強度自我增強的現象表明，如果選擇錯誤的治理方式或者對污染不采取任何措施，那么長期來看，將會對此形成路徑依賴。②綠色全要素生產率對來自污染治理成本和污染排放強度的沖擊都做出負向響應。具體來看，當綠色全要素生產率受到來自污染減排成本一個單位標準差沖擊后，在滯后1期時表現為負向的響應，但不明顯，這種負向響應持續到滯后2期時達到最大并且顯著，然后迅速減弱；當綠色全要素生產率受到來自污染排放強度的沖擊，在滯后 1期做出顯著的負向響應，滯后2期迅速減弱至不顯著。這表明，環境規制對綠色全要素生產率的影響具有雙重效應，一方面，隨著污染排放強度的下降有利于環境質量的改善；另一方面，由污染排放強度降低所導致的污染治理成本加重了行業負擔，從而不利于經濟增長。③環境規制成本無論是對來自綠色全要素生產率的沖擊還是對來自污染排放強度的沖擊都表現為顯著的負向響應。這表明，工業企業在不斷減少污染排放量的同時，環境規制成本也會持續上升，從而經濟發展和環境質量改善具有不可兼得性；但由于綠色全要素生產率所包含的技術特征具有正的外部性，綠色技術進步和擴散緩解了工業部門長期污染減排成本負擔。④污染排放強度對來自污染減排成本的沖擊始終為顯著的負向響應，但對來自綠色全要素生產率沖擊的響應較為復雜，在滯后2期時為顯著的負向響應，之后迅速轉為正向響應。理由來自兩個方面：一方面，在測算綠色全要素生產率時，生產函數同時包含了預期產出和非預期產出，因此綠色全要素生產率增長取決于預期產出增長和非預期產出增長速率對比，只要預期產出增長速率大于非預期產出增長，那么綠色全要素生產率就表現為增長；但同時，由于非預期產出在增長，從而污染排放強度也會上升。另一方面，綠色技術污染減排的效率存在邊際遞減的現象，隨著污染物的復雜性不斷增加，原有技術已經難以為繼[41]。

總之，短期而言，政府減排政策對綠色全要素生產率的影響具有時效性，近期的環境政策確實能夠促進綠色全要素增長，同時綠色全要素生產率也有助于減少污染排放和補償減排成本。但長期來看，由于政策滯后性等特點，從而使得陳舊的環境政策不僅無法促進綠色全要素生產率持續增長，而且還誘發企業為補償污染減排成本而加速提高污染型經濟產出的行為，進而惡化了環境狀況。

5 研究結論與啟示

目前，有關環境規制與生產率的實證研究，大多集中在二者之間簡單的單向關系的檢驗上，而忽視了生產率對環境規制的反向影響，即環境規制與生產率之間存在雙向動態關系。為了彌補這一空白，本文采用SBM函數和Luenberger指數測度2003—2015年中國36個工業行業的綠色全要素生產率，并通過PVAR模型對污染排放強度、污染減排成本與綠色全要素生產率之間存在的雙向動態關系進行實證檢驗。結果表明：2003—2015年中國工業的綠色全要素生產率呈波動變化，總體沒有上升或下降的趨勢；但在2008年前后其波動幅度具有明顯的階段性特征，在2008年之前綠色全要素生產率波動劇烈，其后逐漸向前沿面收斂。此外，綠色全要素生產率與污染減排成本互為Granger因果，但與污染排放強度僅存在單向Granger因果關系；GMM估計結果和脈沖響應函數表明，短期而言，政府減排政策對綠色全要素生產率的影響具有時效性，近期的環境政策確實能夠促進綠色全要素生產率增長，同時綠色全要素生產率也有助于減少污染排放和補償減排成本；但長期來看，由于政策滯后性等特點，從而使得陳舊的環境政策不僅無法促進綠色全要素生產率持續增長，而且還誘發企業為補償污染減排成本而加速提高污染型經濟產出的行為，進而惡化了環境狀況。

上述研究結論蘊含著相應的政策涵義：①應制定與產業發展特性相適應的減排目標。根據Porter[6-7]的觀點，環境規制的合理性是促進生產率增長的關鍵因素，也是環境規制與綠色全要素生產率之間雙向互動關系長期維持的保障機制。雖然，嚴格的環境規制有利于環境質量的提升，但如果環境規制的機會成本超出中國產業所能承受的最大極限時，勢必導致經濟方面的巨大代價。有鑒于此，政府在制定污染排放標準時，只有選擇與產業特性相適應的環境規制強度，才能夠真正促進技術進步和效率改進，實現經濟和環境的雙贏。②應加大對綠色技術創新的補貼力度。眾所周知，創新具有高風險性，而且由于綠色技術創新目的并非完全為提高生產率，因此如果企業在環保技術創新方面投入過多，可能會擠出企業生產性投資，不利于企業競爭力的提升[5，42]。不僅如此，由于技術具有正的外部性和“準公共品”性質，當其他企業感知到綠色技術所帶來的好處大于潛在成本時就會模仿該項技術，從而使得原始創新企業在市場上喪失技術創新優勢，不利于綠色技術的再次創新。有鑒于此，政府應該從兩個方面加大對綠色技術創新的補貼力度：一方面通過加大創新過程的扶持力度來降低創新風險；另一方面通過降低綠色產品稅費來鼓勵綠色技術擴散。

（編輯：劉照勝）

參考文獻（References）

[1]GRAY W B，SHADBEGIAN R J. Environmental regulation， investment timing， and technology choice[J]. Journal of industrial economics， 1998， 46（2）：235-256.

[2]AMBEC S，COHEN M A，ELGIE S， et al. The porter hypothesis at 20：can environmental regulation enhance innovation and competitiveness？[J]. Review of environmental economics and policy， 2013， 7（1）：2-22.

[3]GRAY W B，SHADBEGIAN R J. Environmental regulation and manufacturing productivity at the plant level[J]. Social science electronic publishing， 1993.

[4]TOMAIN J P. A U.S. clean energy transition and the Trump administration[J]. Social science electronic publishing， 2017.

[5]HANCEVIC P I. Environmental regulation and productivity： the case of electricity generation under the CAAA-1990[J]. Energy economics， 2016， 60：131-143.

[6]PORTER M E，LINDE C V D. Toward a new conception of the environmentcompetitiveness relationship[J]. Journal of economic perspectives， 1995， 9（4）：97-118.

[7]PORTER M E. Towards a dynamic theory of strategy[J]. Strategic management journal， 1991， 12（S2）：95-117.

[8]BERMAN E，BUI L T M. Environmental regulation and productivity： evidence from oil refineries[J]. Review of economics & statistics， 2001， 83（3）：498-510.

[9]LANOIE P，PATRY M，LAJEUNESSE R. Environmental regulation and productivity： testing the Porter Hypothesis[J]. Journal of productivity analysis， 2008， 30（2）：121-128.

[10]WANG Y，SHEN N. Environmental regulation and environmental productivity： the case of China[J]. Renewable & sustainable energy reviews， 2016， 62：758-766.

[11]XIE R H，YUAN Y J，HUANG J J. Different types of environmental regulations and heterogeneous influence on ‘green productivity： evidence from China[J]. Ecological economics， 2017， 132：104-112.

[12]OPALUCH J J，JIN D，GRIGALUNAS T A. Environmental regulations and technological change in the offshore oil and gas industry[J]. Land economics， 2005， 81（2）：303-319.

[13]TELLE K，LARSSON J. Do environmental regulations hamper productivity growth？ how accounting for improvements of plants environmental performance can change the conclusion[J]. Ecological economics， 2007， 61（2）：438-445.

[14]HILLE E， MBIUS P. Environmental policy， innovation， and productivity growth：controlling the effects of regulation and endogeneity[R]. 2017.

[15]RUBASHKINA Y，GALEOTTI M，VERDOLINI E. Environmental regulation and competitiveness： empirical evidence on the Porter Hypothesis from European manufacturing sectors[J]. Energy policy， 2015， 83（35）：288-300.

[16]NESTA L，VONA F，NICOLLI F. Environmental policies， competition and innovation in renewable energy[J]. Journal of environmental economics & management， 2014， 67（3）：396-411.

[17]POPP D，NEWELL R G，JAFFE A B. Chapter 21： energy， the environment， and technological change[R]. NBER，2009.

[18]GHOSAL V，STEPHAN A，WEISS J. Decentralized regulation， environmental efficiency and productivity[J]. IEEE/RSJ International Conference on Intelligent Robots and Systems， 2014， 5（6）：4200-4200.

[19]GOLUIN M，IVANOVIC' O M，FILIPOVIC' S， et al. Environmental taxation in the european unionanalysis， challenges， and the future[J]. Journal of renewable & sustainable energy， 2013， 5（4）：160-169.

[20]BOVENBERG A L，HEIJDRA B J. Environmental tax policy and intergenerational distribution[J]. Journal of public economics， 1998， 67（1）：1-24.

[21]ACEMOGLU D，AGHION P，BURSZTYN L， et al. The environment and directed technical change[J]. The American economic review， 2012， 102（1）：131-166.

[22]REPETTO R，ROTHMAN D，FAETH P， et al. Has environmental protection really reduced productivity growth？ we need unbiased measures[J]. Challenge， 1997， 40（1）：46-57.

[23]GRAY W B，SHADBEGIAN R J，GRAY W B， et al. Notice， is given to the source. ‘optimal pollution abatement： whose benefits matter， and how much？[R]. NBER， 2002.

[24]SHADBEGIAN R J，GRAY W B. What determines environmental performance at paper mills？ the roles of abatement spending， regulation， and efficiency[J]. Topics in economic analysis & policy， 2003， 3（1）：1144.

[25]CHUNG Y，FARE R. Productivity and undesirable outputs： a directional distance function approach[J]. Microeconomics， 1997， 51（3）：229-240.

[26]FRE R，GROSSKOPF S. Theory and calculation of productivity indexes[J]. Models & measurement of welfare & inequality， 1994：921-940.

[27]FUKUYAMA H， WEBER W L. A directional slacksbased measure of technical efficiency[J]. Socioeconomic planning sciences，2009，43 （4）：274-287.

[28]TONE K. A slacksbased measure of superefficiency in data envelopment analysis[J]. European journal of operational research， 2002， 143（1）：32-41.

[29]TONE K. Dealing with undesirable outputs in dea： a slacksbased measure （SBM） approach[R]. The Operations Research Society of Japan， 2004.

[30]MOLINOSSENANTE M，MAZIOTIS A，SALAGARRIDO R. The luenberger productivity indicator in the water industry： an empirical analysis for England and Wales[J]. Utilities policy， 2014， 30（9）：18-28.

[31]GRAY W B. The cost of regulation： OSHA， EPA and the productivity slowdown[J]. American economic review， 1987， 77（77）：998-1006.

[32]ACEMOGLU D，AGHION P，ZILIBOTTI F. Distance to frontier， selection， and economic growth[J]. Journal of the European economic association， 2006， 4（1）：37-74.

[33]ALBRIZIO S，KOZ'LUK T，ZIPPERER V. Environmental policies and productivity growth： evidence across industries and firms[J]. Journal of environmental economics & management， 2016， 81：209-226.

[34]BRETSCHGER L，LECHTHALER F，RAUSCH S， et al. Knowledge diffusion， endogenous growth， and the costs of global climate policy[J]. European economic review， 2017， 93：47-72.

[35]HOLTZEAKIN D，NEWEY W，ROSEN H S. Estimating vector autoregressions with panel data[J]. Econometrica， 1988， 56（6）：1371-1395.

[36]ANTONAKAKIS N，CHATZIANTONIOU I，FILIS G. Energy consumption， CO2 emissions， and economic growth： an ethical dilemma[J]. Renewable & sustainable energy reviews， 2017， 68（Part 1）：808-824.

[37]CHAMBERS R G，FA-URE R，GROSSKOPF S. Productivity growth in APEC countries[J]. Pacific economic review， 1996， 1（3）：181-190.

[38]劉傳江，趙曉夢. 強“波特假說”存在產業異質性嗎？——基于產業碳密集程度細分的視角[J]. 中國人口·資源與環境， 2017， 27（6）：1-9.

[39]PEDRONI P. Purchasing power parity tests in cointegrated panels[J]. Review of economics & statistics， 2001， 83（4）：727-731.

[40]MACHOSTADLER I，PREZCASTRILLO D. Optimal enforcement policy and firms emissions and compliance with environmental taxes[J]. Journal of environmental economics & management， 2004， 51（1）：110-131.

[41]HEAL G，TARUI N. Investment and emission control under technology and pollution externalities[J]. Resource & energy economics， 2010， 32（1）：1-14.

[42]CHRISTAINSEN G B，HAVEMAN R H. The contribution of environmental regulations to the slowdown in productivity growth[J]. Journal of environmental economics & management， 1981， 8（4）：381-390.

Abstract The empirical research on environmental regulation and productivity is mostly focused on the static unidirectional causality test， ignoring the reverse effect of productivity on environmental regulation. Namely there may be a bidirectional dynamic relationship between environmental regulation and productivity. Based on this， this paper used slacksbased measure （SBM） and Luenberger Productivity Index to calculate the green total factor productivity （GTFP） of 36 industrial sectors in China from 2003 to 2015. At the same time， in order to show the dual effects of environmental regulation and cost burden， the pollution emission intensity index （PEI） and pollution control cost index （PCC） were constructed as the proxy variables of environmental regulation respectively. Finally， the panel vector autoregression （PVAR） model tested whether there is a bidirectional dynamic relationship between ‘PEIPCCGTFP. The results showed that the Chinese industrial GTFP fluctuated， and was no upward or downward trend from 2003 to 2015. However， its volatility had obvious stage characteristics around 2008. Before 2008， the GTFP fluctuated sharply， and then gradually converged to the frontier. Additionally， GTFP and PCC were mutually causal， but there was only unidirectional Granger causality relationship with PEI. GMM estimation results and impulse response function showed that in the short term， the impact of governments emission reduction policies on GTFP had timeliness. Current environmental policies could indeed promote GTFP growth. At the same time， GTFP could also help reduce PEI and offset PCC. But in the long run， due to the characteristics of the policy lag， the old environmental policy not only failed to promote the continuous GTFP growth， but also induced firms to accelerate pollutionbased economic output to compensate the abatement cost. Thus， in order to achieve ‘winwin for Chinas economic development and environmental quality improvement， the government should make efforts to design reasonable environmental regulation and increase subsidy for green technology innovation.

Key words environmental regulation； green total factor productivity； SBM function； Luenberger productivity index； PVAR model