方向性技術變化與工業高質量增長

王文普

（南通大學經濟與管理學院,江蘇 南通 226019）

高質量工業增長是破解資源緊缺和生態環境困境，提升工業發展能力的重要著力點。四十多年的工業化變革，我國工業生產能力穩步上升，制造業增加值占世界的比重逐步提高，主要工業品產量居世界前列。然而，“高投入、高消耗、高排放”的工業增長也帶來嚴重的資源消耗和巨大的環境壓力，是不可持續的。因此，必須轉變增長方式，走綠色、清潔、高效的工業發展之路。

技術創新是提升工業增長質量的重要來源，源自技術創新所引起的技術性質，即中性技術變化還是非中性技術變化。Hicks認為，要素相對價格變化會促使技術創新傾向于以節約較為昂貴生產要素的使用。由于受外部條件的約束，技術創新會以不同方式影響要素的邊際生產率，使技術變化表現出很強的方向性。Acemoglu分析了影響技術方向性特征的“誘導性技術創新偏差”[1]，并進一步拓展該模型，將環境約束引入到方向性技術變化模型，論證了方向性技術變化的環境效應[2]，為更深入理解方向性技術變遷的來源、作用與影響、以及環境效應奠定了理論基礎。

方向性技術變遷突破了CD生產函數的中性技術變化假設，有關技術變化方向性的經驗探索主要歸為兩大類：一是關于方向性技術變化的測算，另一個是關于方向性技術變化的來源及影響因素。從具體方法來看主要有三種。一種采用標準化供給面系統方法，該方法通常是利用嵌套CES生產函數測算方向性技術變化，如Kemfert和Welsch[3],Sato和Morita[4]，Li和Stewart[5]。一些學者也從產業和地區等層面測度我國的方向性技術變化，如戴天仕和徐現祥[6]、陳曉玲等[7]、Zha等[8]。另一種是隨機前沿分析法。與CES生產函數方法相比較，超越對數函數放寬了CES生產函數中不變彈性的假設，具有較大的靈活性，備受經驗研究青睞。Santad等[9]、王班班和齊紹洲[10]、楊振兵[11]、Shao等[12]通過超越對數生產（成本）函數對技術變化的要素偏向性進行測算。然而，一些研究也運用超越生產函數進行分析時，并未處理生產函數中解釋變量的內生性問題，這可能使解釋變量的系數估計有偏誤，從而有可能導致誤導性的結果。最后是采用數據包絡分析方法。與前兩種方法相比較，DEA方法的優勢在于不僅規避了具體函數形式的設定，而且能夠考慮多產出的情形，引入環境污染等因素，通過對技術變化指數進一步分解獲得方向性技術變化[13][14][15]，進而分析方向性技術變化的來源與影響因素。不過，鮮有直接檢驗方向性技術變化的環境效率。

本文從高質量發展的視角考察方向性技術變化的資源環境效應。首先利用ACF方法處理超越生產函數中投入變量的內生性問題，獲得一致的系數估計，進而比較精確測算出方向性技術變化和要素替代性。然后，運用Binscatter方法考察方向性技術變化影響區域工業增長質量的過程。本文的邊際貢獻是，從高質量發展的視角考察方向性技術變化的資源環境效應；常規的實證分析注重于平均影響，忽略了影響過程分析，而運用較新的Binscatter方法考察了方向性技術變化影響過程是本文的一個鮮明特點。

一、模型與方法

（一）綠色生產者模型

假定代表性生產者使用兩類投入（清潔型要素X和污染型要素E），生產最終產品Q。在最終產品的生產過程中，將會產生一種副產品——污染。假設E是污染的唯一來源。在環境政策約束下，生產者需要花費資源進行污染治理c（用產出Q表示）。此時，用凈產出表示的生產函數為：

其中，t為時間變量，eα+ρ1t+0.5ρ2t2捕捉中性技術變化的影響。上式兩邊取對數，推導凈產出增長率：

式中，代表凈產出增長率，β′為關于時間的一階導數。

技 術 變 化 定 義 為TC=?lnY/?t=ρ1+ρ2t+β′X(t)lnX+β′E(t)lnE。其中，純（中性）技術變化為ρ1+ρ2t，捕捉技術變化對所有要素的共同影響。根據技術的要素偏向定義，技術偏向要素X表示為BTCX=?TC/?lnX=β′X(t)，技術偏向污染要素E可寫為BTCE=?TC/?lnE=β′E(t)。如果β′X（β′E）＞0，技術變化偏向于更多使用要素X(E)；如果β′X（β′E）＜0，技術變化趨于節約要素X(E)。可見，總的技術變量是由中性技術變化和要素偏向技術變化兩部分組成，因而，凈產出增長不僅取決于中性技術變化，而且也取決于要素偏向技術變化。

綜上，技術變化是凈產出（扣除污染治理成本后）增長率的關鍵影響因素。一方面，技術變化通過提高所有要素的生產效率，節約生產要素，減少污染排放，促進產出增長及增長質量的提高。另一方面，通過技術變化的要素偏向影響清潔要素和污染要素的邊際生產率，特別是提高污染要素的生產效率，降低污染要素的使用，進而減少污染排放量和污染治理成本，這不僅增加產出量，而且也改善了產出的質量。因而，技術變化尤其是方向性技術變化對于實現資源-環境-經濟的共贏和提升經濟增長質量的具有重要意義。

（二）經驗設定

為考察方向性技術變化的資源環境效應，在超越生產函數的框架下，生產函數設定為：

其中，μi表示省區固定效應，εit為隨機誤差項。xj,xs∈(K,L,E)，其中，資本(K)和勞動(L)作為清潔投入，能源消耗(E)作為污染投入。t為時間變量。在式（1）基礎上，推導要素偏向技術變化和產出彈性測算式，進而投入要素產出彈性為：

此式表明投入要素的產出彈性是投入水平和時間的函數，并隨省區和時間的變化而變化。

要素偏向技術變化衡量任意兩個投入要素之間邊際替代率隨時間的比例變化[16]。定義要素j和s之間要素偏向技術變化指數：

其中，fj和fs分別表示要素j與s的邊際產出。bjt和bst分別為式（1）中要素j與s與時間變量的交叉項系數。ηj和ηs分別為要素j與s的產出彈性。如果Biasjs＞0，意味著方向性技術變化相對偏向要素j。如果Biasjs＜0，表明技術變化偏向要素s。

（三）估計方法：ACF法

超越生產函數中包含交叉項和平方項，因而，估計時一個重要問題是要素投入的內生性，從而使標準OLS估計有偏。有關處理內生性問題，Olley和Pakes提供了一種估計量（OP法），他們將控制函數方法引入生產函數估計：以投資作為生產率的代理變量，用低階多項式近似控制函數[17]。考慮到可能出現太多零投資的情形，Levinsohn和Petrin提供了一種代理變量方法（LP法），他們用中間投入作為代理變量[18]。然而，Ackerberg等指出，只有當可變投入獨立于代理變量變化時，OP法和LP法在第一階段中才能夠獲得可變投入系數的一致估計[19]。否則，可變投入的系數是不可識別的。因此，Ackerberg等提出了一種新的估計方法[19]（ACF法）。為了簡化標注，將生產函數用矩陣表述：

其中，y代表總產出或增加值，z為可變投入，x為狀態變量（如資本存量），ω表示不可觀測的生產率，ε為誤差項。ACF法是在LP方法基礎上，假定勞動投入l是狀態變量，使其進入控制函數，從而有mit=f(xit,ωit,lit)，其中m代表中間投入。利用單調性假設，則有代入（5）得到：

式中，ht(?)用低階多項式近似。與OP法和LP法不同的是，第一階段不能識別勞動投入系數，但得到?估計，其可用來近似不可觀察的生產率。在第二階段中，假設生產率按照一階Markov過程變化，即ωit=E(ωit|ωit-1)+ηit=g(ωit-1)+ηit，這里ηit為生產率隨機項，并利用φ?t-1，估計下列方程：其中，uit=εit+ηit。函數g(?)可用低階多項式近似。并選取(xit,mit-1,lit-1,zit)作為工具變量，利用矩條件，得到狀態變量的系數估計，并通過自舉法獲得系數的標準誤。

二、變量與數據來源

數據取自中國統計年鑒、工業統計年鑒、能源統計年鑒、環境年鑒和2019年各省統計年鑒。樣本區間為1998-2018年中國30個省區（不包括西藏）的規模以上工業企業面板數據。

（1）產出。以工業增加值作為產出。2008年以后，部分工業增加值數據取自各省統計年鑒，對于部分缺失值，用以前每個省工業增加值率對時間進行回歸，再外推各省工業增加值序列。使用各省工業品出廠價格指數換算為2005年價格。

（2）資本和勞動投入。資本投入使用工業固定凈值平均余額表示，并用各省的固定資產投入價格指數換算為2005年不變價。勞動投入用工業從業人員平均數來表征。

（3）工業能源消費（E）。一般地，工業增加值作為產出變量，不需要考慮能源使用，因為能源使用通常作為中間投入。基于本文目的，將工業能源消耗作為污染投入要素，部分缺失值通過線性外插法填補。

（4）工業質量指數（QI）。為了體現“能源消耗低、污染排放少”的高質量增長要求，從能源節約和主要污染物排放兩個維度構建工業質量指數。首先計算萬元實際工業增加值的能源消耗量、工業二氧化硫排放量、工業煙粉塵排放量和工業化學需氧量排放量，再計算其下降率，最后，為規避權重選擇的隨意性，利用主成分方法將上述各項指標合成單一指標。QI值越大，工業增長質量水平越高。如果QI小于0，表明工業增長處于粗放式階段。

三、實證結果與分析

（一）回歸結果

表1是生產函數的各種估計結果。出于比較目的，也報告了固定效應估計（FE）。ACF方法取3階多項式進行近似，其中，ACF1為選取工業電力消耗作為不可觀測生產率的代理變量，ACF2則選取中間投入①作為生產率的代理變量。結果顯示：（1）FE估計中，14個系數中只有2個系數是顯著的。主要原因可能是回歸方程中包括交叉項和平方項，導致解釋變量的內生性。（2）在減緩解釋變量內生性后，ACF1估計中，除趨勢變量與能源使用交叉項（t×lnE）的系數不顯著外，14個系數中13個系數是高度顯著的。從系數的符號看，與FE的結果相比較，除了趨勢變量的平方項和t×lnE的符號由負變為正外，ACF1中多數變量的系數符號與FE估計結果是一致的。（3）ACF1的系數是否會因使用不同的代理變量而發生改變，對此，進行ACF2估計，結果表明14個系數中13個系數的符號和顯著都沒有發生明顯的變化，只有lnK×lnK的系數顯著性有所下降，即由高度顯著變為不顯著。表明ACF1的結果是相當穩健的。（4）函數設定相關檢驗。超越生產函數是否簡化CD函數，零假設為除3個投入變量（lnK、lnL和lnE）系數外，其余變量的系數同時等于0，結果顯示：FE、ACF1和ACF2都顯著拒絕零假設。Hicks中性技術變化檢驗，零假設為3個投入變量與趨勢變量的交叉項系數同時等于0，三個估計也都顯著拒絕零假設。表明超越對數生產函數設定是合適的。

（二）結果分析

要素偏向技術變化測算的平均結果如表2所示，其中，以2008年金融危機為臨界點，把樣本期劃分為兩個子時期：時期Ⅰ（1998-2007年）和時期Ⅱ（2008-2018年）。從表中可以發現：樣本期內，平均biasKL、biasKE和biasLE分別為-0.152、-0.086和0.057,說明工業技術變化總體上是偏向于勞動力和能源兩種要素。這與王班班和齊紹洲[10]的結果相一致。此外，Kruskal-Wallis秩檢驗顯示，biasKL和biasLE在1%水平上顯著拒絕東中西部之間均值相等的零假設，而biasKE并沒有拒絕相等的零假設，表明技術要素偏向存在比較明顯的區域差異。

表1回歸結果

分區域看，東部的biasKL、biasKE和biasLE平均值分別為-0.208、-0.107和0.081，它們的絕對值都高于全國平均水平，說明東部的勞動偏向和能源偏向技術變化高于全國平均水平；中部的平均biasKL、biasKE和biasLE分別為-0.047、0.008和0.052，并且它們的絕對值都小于全國平均，表明中部的技術變化偏向資本和勞動兩要素；西部的三個技術要素偏向指數平均分別為-0.172、-0.133和0.036，其中，后者小于全國水平，前兩者的絕對值高于全國平均水平。方向性技術變化的區域表現是，biasKL為東部＞西部＞中部，biasKE為西部＞東部＞中部；biasLE平均值則是東中西部依次遞減。

分時段看，東部的平均biasKL平均從1998-2007年的-0.256上 升 到2008-2018年 的-0.165，而biasKE和biasLE平均值分別從-0.097和0.119下降到第Ⅱ個時期的-0.107和0.081，意味著東部的技術偏向勞動逐漸減弱，技術偏向能源要素逐漸增強。中部的biasKL和biasKE均值分別從第Ⅰ時期的-0.157和-0.088上升到第Ⅱ時期的0.054和0.096，而biasLE平均從0.069下降到0.037，可見，中部的技術變化由偏向勞動與能源兩要素逐步轉變為偏向資本和勞動兩要素。西部的biasKL、biasKE和biasLE均值分別從第Ⅰ時期的-0.139、-0.090和0.049下 降 到 第Ⅱ時 期 的-0.201、-0.171和0.024，表明西部技術要素偏向勞動要素有所減弱，而技術偏向能源要素表現出增強的態勢。

綜上，東部和西部的工業技術變化總體上偏向能源與勞動兩要素，而中部的技術變化則偏向資本和勞動兩要素，這為改善工業增長質量提供了可能性。一方面，能源是污染投入，能源使用是污染的重要來源，尤其在我國以化石能源為主的能源消費結構條件下，能源要素偏向技術變化的不利影響可能比較突出；另一方面，隨著我國能源市場化改革的不斷推進，能源價格不斷上升，通過價格效應促節能型技術研發，開發清潔替代能源，同時提高非能源要素對能源的替代，降低能源使用，從而減少污染排放，促進工業增長質量的提高。

表2測算結果

四、影響區域工業增長質量的過程分析

（一）Binscatter方法

要素偏向技術變化究竟對區域工業增長質量會產生有何影響，為此，設定半參數線性回歸檢驗式：

其中，εi為誤差項，假設E(εi|xi,wi)=0。y表示工業質量指數(QI)。x為技術要素偏向指數。μ(x)表示在控制其他影響因素下，y與x之間的平均（局部）關系。wi為其他影響因素，選取4個變量來控制區域工業增長質量的異質性，即人均GDP（2005年價格）的對數，反映各地的經濟發展水平；產業結構變量，參照張雷[20]，以第一產業GDP為基礎，構建產業結構多元化指數，即ISit=1+第二產業GDP/第一產業GDP+第三產業GDP/第一產業GDP，捕捉各省產業結構演變；市場化程度，以王小魯等[21]等測算的各省滯后一期市場化指數的對數表示，反映市場化進程的影響；城鎮登記失業率，捕捉勞動力市場緊張程度②。

對于解釋變量的影響過程，Cattaneo等提供了一個基于數據驅動式的Binscatter分析方法[22]。首先，利用分位數間隔將xi分割為J個連續間隔（稱作bins），J個數確定是通過積分誤差平方和（IMSE）方法。然后，在每個間隔B內，進行p階多項式近似，定義?(x)=[IB1(x),…,IBJ(x)]′?[1,x,…,xp]′，其 中，指 示 函 數IB(x)=I(x∈B)。于是，對于0≤s,v≤p，一個平滑Binscatter估計是p階多項式、s次連續可微的、經協變量調整的估計量，即有：

這一方法的優勢在于：一是通過對μ(x)提供更靈活的平滑近似，并對bin之間進行平滑限制。二是利用數據確定最優bin數，并將關注變量與被解釋變量之間關系可視化，刻畫平均效應和邊際效應的影響過程，也就是，隨著關注變量的變化，描述其對被解釋變量的影響軌跡。最后，構造置信帶進行統計推斷，即利用置信帶，對函數設定和函數形態限制檢驗。

（二）估計結果

表3是要素偏向技術變化影響的平均值及相關檢驗。對于函數設定檢驗，判斷準則是：如果μ(x)或μ(1)(x)中少有一個拒絕線性函數的零假設，或者μ(1)(x)沒有拒絕線性函數的零假設，那么函數μ(x)都是非線性的。線性設定檢驗結果顯示：9個中有6個至少在10%水平拒絕μ(1)(x)是線性的零假設，3個沒有拒絕μ(1)(x)是線性的零假設，表明μ(x)是非線性函數，就是說，要素偏向技術變化與區域工業增長質量之間存在非線性關系。

表3影響平均值與相關檢驗

從影響的符號檢驗看，9個平均效應符號檢驗都沒有拒絕μ(x)≥0或μ(x)≤0的零假設，意味著要素偏向技術變化的平均效應均值符號是穩健的。9個邊際效應中有5個至少在10%水平上拒絕μ(1)(x)≥0或μ(1)(x)≤0的零假設，表明要素偏向技術變化的平均效應具有單調性。

從置信帶的大小看，平均來說，biasKL和biasKE置信帶具有東中西部依次遞增的特征，而biasLE置信帶呈現東部＜西部＜中部，這一現象為圖1中的置信帶圖示所支持。說明東部要素偏向技術變化的影響比較穩定，而中部和西部要素技術變化的影響具有較大的不確定性，因為置信帶越大，平均效應與邊際效應的不確定性就越大。

圖1是方向性技術變化的影響過程。圖中實線或虛線為平均效應或邊際效應的趨勢線，陰影部分為95%置信帶。從平均效應軌跡看，三個區域biasKL和biasKE的平均效應具有非常相似軌跡與特征，所以重點描述了biasKL的平均效應軌跡。東部biasKL的平均趨勢線處于零線以上，隨biasKL逐漸增大，其平均趨勢線趨于穩定。中部biasKL的平均效應軌跡為淺U型，基本上在零線以下運行。西部的平均趨勢線呈W型。平均效應非參數檢驗結果是，三個區域都沒有拒絕μ(x)≤0的零假設（見表3），意味著biasKL對三個區域的QI總體上具有不利的平均影響。一種可能的解釋是，資本和勞動是清潔投入，并不直接貢獻污染。但隨著biasKL不斷上升，即技術變化偏向資本要素越強，可能產生截然相反的兩種作用：一方面隨著新設備和清潔技術的使用，資源消耗的下降，污染排放的減少，生產效率的提高，從而提升工業增長質量。另一方面，新設備的使用，如果沒有替代清潔能源，將會導致能源使用量的增加，污染排放量上升，從而對工業增長質量產生不利影響。這兩種相反作用的結果是biasKL的平均效應為負。

biasLE的平均影響。東部和西部biasLE平均效應趨勢線基本上為線性式運行，中部的平均趨勢線呈淺倒U型。它們的區別是，東部和中部的平均趨勢線在零線以下，而西部的平均趨勢線從零線以下逐漸穿過零線。平均效應統計檢驗顯示：東部和中部都沒有拒絕μ(x)≤0的零假設，西部也未能拒絕μ(x)≥0的零假設（見表3），表明勞動偏向技術變化對東部和中部的QI具有負向影響，對西部的QI有正向作用。主要原因是，隨著技術偏向勞動要素的不斷越強，工業部門將需要更多機器設備，由于東部的biasKL和biasKE平均效應大于零，從而部分抵消biasLE負的平均效應，使得東部的biasLE的不利平均效應逐漸減弱。然而，中部的情形則相反，中部的biasKL和biasKE的平均效應均為負，可能放大資本要素偏向技術變化的不利影響，導致西部biasLE負向平均效應有增大傾向。

圖1方向性技術變化的影響過程

從邊際效應軌跡看，三個區域的biasKL和biasKE邊際效應趨勢線非常相似。東部和中部的biasKL邊際效應軌跡為淺W型，西部的邊際效應趨勢線呈M型，說明三個區域biasKL的邊際影響大小與符號依賴于biasKL值。邊際效應統計檢驗結果是，東部和西部在5%水平上分別顯著拒絕μ(x)(1)≥0和μ(1)(x)≤0的零假設，中部并未拒絕μ(1)(x)≤0的零假設（見表3），表明東部和中部biasKL平均而言有負的邊際效應，西部biasKL具有正的邊際影響。

biasLE的邊際影響。東部biasLE的邊際效應軌跡為負—正—負模式，中部為負—正相間模式，西部表現出負—正—零—負模式。因而，三個區域biasLE邊際影響的大小與方向取決于biasLE值。邊際效應統計檢驗表明，東部和西部分別沒有拒絕μ(1)(x)≤0與μ(x)(1)≥0的零假設，中部在10%水平上拒絕μ(1)(x)≤0的零假設，表明東部biasLE具有非正的平均邊際效應，而中部和西部biasLE存在非負的平均邊際影響。

綜上，要素偏向技術變化對區域工業增長的影響是非線性的，就是說，要素偏向技術變化的影響大小與符號高度依賴于技術的要素偏向程度。平均而言，三個區域要素偏向技術變化的影響方向如表4所示。biasKL和biasKE平均效應的符號是東部和西部為非負、中部為非正；相應的邊際效應影響表現為東中西部分別是負、非正和正。biasLE平均效應的符號為東部和中部是非正、西部為非負；其邊際影響為東部為非正、中部為正、西部為非負。說明要素偏向技術變化的影響方向呈現明顯的區域差異性。

表4影響平均值的符號

五、主要結論

基于高質量發展的角度考察方向性技術變化的資源環境效應，本文運用ACF方法處理超越生產函數估計中投入要素的內生性問題，得到一致的系數估計，進而測算出我國30個省的要素偏向技術變化指數，并運用Binscatter方法考察了它們對區域工業增長質量的影響過程。經驗結果如下：

第一，資本—勞動間、資本—能源間和勞動—能源間的技術要素偏向平均分別為-0.152、-0.086和0.057,表明工業技術變化總體上偏向于勞動力和能源兩要素。分區域看，東部和西部的技術變化平均而言偏向能源與勞動兩要素，而中部的技術變化偏向資本與勞動兩要素，而且,資本-勞動之間技術要素偏向大小為東部＞西部＞中部，資本—能源之間技術要素偏向程度為西部＞東部＞中部，勞動-能源之間技術要素偏向程度呈現東中西部依次遞減。分時段看，東部和西部的勞動要素技術偏向趨于減弱、能源要素技術偏向趨于增強，中部的技術變化由偏向勞動與能源兩要素逐漸轉變為偏向資本與勞動兩要素，這為提升區域工業增長質量創造了政策空間。

第二，要素偏向技術變化與區域工業增長質量之間存在非線性關系。要素偏向技術變化對區域工業增長質量的平均效應和邊際效應大小與方向高度都取決于要素偏向程度，平均來說，它們的影響方向具體表現是：資本—勞動之間和資本—能源之間技術要素偏向的平均影響是東部和西部為非負、中部為非正，相應的邊際影響則有東部為負、中部為非正、西部為正。勞動-能源之間技術要素偏向的平均效應有東部和中部是為非正、西部為非負，相應的邊際影響表現出東部是非正、中部為正、西部為非負。表明技術要素偏向的影響方向呈現出明顯的區域差異性。

為了促進工業高質量發展，各區域要積極探索符合區域資源稟賦和工業特征的有效途徑，充分利用技術要素偏向的正效應，避免它們的不利影響。一是為企業技術創新提供強有力的政策支持，鼓勵企業技術升級與研發投入，激發清潔節能型、環境友好型技術創新動力。研發投入是提升生產技術和改進落后生產工藝的重要源泉，也是企業獲取方向性技術變化的主要途徑。二是推動企業對先進適用技術的投入、新工藝和新方法的創新與應用。最后，深化“放管服”改革，打破行業壁壘與地區壁壘，促進生產要素跨地區跨行業流動，鼓勵企業清潔生產要素的使用，探索新的替代能源，加大對清潔能源的開發和利用，逐漸減少煤炭等化石能源的使用量，推進綠色清潔生產方式。

注釋：

①中間投入為工業總產出與工業增加值之差，并用工業品購進價格指數換算為2005年不變價。

②除注明外，數據均來自中國統計年鑒和各省統計年鑒。