氣候變化沖擊下的制造業企業全要素生產率

劉波 李蕓琪 蔣銀娟

［摘 要］ 基于微觀企業生產理論框架，利用縣級地理單元的氣候數據以及1999-2007年中國工業企業數據庫，從機制分析和實證檢驗兩個方面研究氣候變化對制造業企業全要素生產率的影響及作用機制。結果表明：氣候風險顯著降低了制造業企業的全要素生產率，秦嶺-淮河以北及中、東部經濟地區尤甚；機制分析表明，氣候風險削弱了制造業企業的盈利能力，導致企業的融資約束強化、研發投入減少，最終降低了制造業企業的全要素生產率；進一步分析發現，制造業企業所在區縣較強的金融服務能力能夠顯著緩解氣候風險對全要素生產率的負面沖擊。

［關鍵詞］ 氣候變化；氣候風險；全要素生產率

［中圖分類號］ F272．3 ［文獻標識碼］ Ａ ［文章編號］ 1008—1763（2023）01—0078—10

Climate Changes and the Total Factor Productivity of Manufacturing

Enterprises： Mechanism Analysis and Empirical Tests

LIU Bo^1，2，LI Yun-qi²，JIANG Yin-juan¹

（1. College of Economic， Hunan Agricultural University， Changsha 410128， China;

2. College of Finance and Statistics， Hunan University， Changsha 410079， China）

Abstract：Based on the theoretical framework of micro enterprise production， this paper theoretically analyzes and empirically tests the impact of climate changes on the total factor productivity of manufacturing enterprises and the mechanism of action， with the climate data of county-level geographical units and the Chinese Industrial Enterprises Database from 1999 to 2007.The result shows that climate risk significantly reduces the total factor productivity of manufacturing enterprises， especially in the north of Qinling Mountains-Huaihe River Line and in the central and eastern economic regions. The mechanism analysis indicates that climate risks reduce the profitability of manufacturing enterprises， which leads to the strengthening of financing constraint and the reduction of R&D investment， and ultimately reduces the total factor productivity. Furthermore， stronger financial service capacity of the districts and counties where manufacturing enterprises are located can significantly buffer the negative impact of climate risks on total factor productivity.

Key words： climate changes; climate risks; total factor productivity

一 問題的提出

氣候變化是當前全人類面臨的重大挑戰之一，氣候暖化對人類生存環境、經濟發展與社會穩定形成了巨大沖擊。2022年7月21日，國家氣候中心發布消息，自2022年6月以來，多地出現持續性高溫天氣，全國平均氣溫22.1℃，為1961年以來歷史同期最高，湖北、湖南、江西、安徽、福建大部分地區，以及浙江局部地區，均經歷了重旱、特旱災害。在高溫與旱災并行的條件下，長江水位持續下降，水力發電的發電量不足。2022年8月，四川、重慶相繼實施工業限電，安徽、浙江、江蘇等地的化工、水泥、金屬等高耗能企業臨時停產，極端氣象災害對工業生產的不利影響逐漸凸顯。《中國氣候變化藍皮書（2020）》指出，中國是全球氣候變化的敏感區，在1951-2019年期間，中國地表年均氣溫平均升高了0.24℃/10a，增溫速率顯著高于全球同期平均水平。為了穩定氣候、預防損失擴大，減少溫室氣體排放已迫在眉睫。2020年9月22日，習近平總書記宣布二氧化碳排放力爭于2030年前達到峰值，努力爭取2060年前實現碳中和。瑞士再保險（Swiss Re Institute）的壓力測試表明，如果不采取任何行動，2050年的全球經濟因氣候變化導致的損失將達到GDP的18%，亞洲經濟體將面臨最為嚴重的沖擊，我國因氣候變化導致的損失將高達GDP的24%。根據穆迪的測算，企業約有33%～38%的資產暴露于氣象風險之下。在非農部門中，制造業企業首當其沖，極端氣象災害對電子和電器產品制造、石油和煤炭加工、非金屬礦物制品、食品制造和化學制品等行業的負面沖擊尤為突出（《Moodys ESG Solutions》）。雖然氣候暖化已經危及企業的經營績效，但企業對氣候風險的重視程度有待進一步提升。因此，從機制上分析氣候變化對企業全要素生產率的傳導渠道，并從實證上量化沖擊程度，對于提升企業對氣候風險的重視程度、增加企業節能減排的積極性具有重要現實意義。

諾德豪斯（Nordhaus）作為氣候經濟學研究的先驅，提出將碳循環模型和經濟模型相結合的評估體系，為研究氣候變化引起的物理變化同實體經濟之間的交互影響奠定了理論基礎 ^[1]。諾德豪斯將氣候模型和經濟模型的損失函數融入到評估體系中，構建了動態綜合模型（DICE），并進一步將其拓展為區域綜合模型（RICE）以及納入技術變遷因素的R&DICE模型^[2-4]。在DICE的模型設定中，氣候變化僅對產出造成影響，忽視了氣候變化對全要素生產率的沖擊，從而得出“經濟增長對氣候變化不敏感”的結論。基于此，Moyer等對DICE模型進行了改進，將全要素生產率內生化，同產出一并納入氣候變化的考察框架內^[5]。自諾德豪斯的開創性工作以來，越來越多的文獻開始關注氣候變化對經濟金融的影響，并將氣候變化作為影響經濟增長的關鍵變量^[6]。研究發現，較直接影響而言，氣候變化通過全要素生產率對產出造成的間接影響更為持久^[7]。

從國家層面來看，因國情不一，氣候變化對各國全要素生產率的影響各異。以溫度上升為例，熱帶國家受到的沖擊更大^[8]。就行業而言，考慮到溫度、降水等因素對農業生產的特殊性，已有文獻重點側重于農業部門，研究發現氣候變化對農業全要素生產率的沖擊具有突出的異質性。在美國的農業生產中，僅降水量和降水密度的變化對全要素生產率產生影響，溫度變化的影響可忽略不計^[9]。在我國的農業生產中，氣候變化對全要素生產率的影響具有顯著的區域異質性^[10]。雖然氣候因素對農業生產舉足輕重，但近年來，隨著氣候風險的不斷增加，學者將視線轉向制造業，發現制造業部門全要素生產率受氣候變化的沖擊反而更為明顯，全要素生產率是氣候變化影響企業產出的主要途徑^[11-12]。與此同時，對美國和印度制造業企業的研究也得到了相似的結論，高溫環境下工人出現的熱應激，將導致生產率下降、曠工增加，改善工作環境雖能緩解這一現象，但高溫帶來的影響無法完全消除^[13-14]。

氣候變化對制造業企業全要素生產率的作用渠道主要有兩個方面：技術效率渠道與技術進步渠道。在技術效率方面，通過分析勞動生產率和資本生產率的變動發現，當氣候處于適宜區間外時，勞動力工作總量會隨之降低，且出現認知障礙，同時生產設備性能惡化，從而間接對全要素生產率造成負面影響^[14-17]。在技術進步方面，研究與開發（R&D）投入是氣候變化作用于全要素生產率的主要渠道。由內生增長模型可知，技術進步能夠驅動全要素生產率增長，從而形成經濟增長的持久動力。全要素生產率作為技術進步的產出指標，離不開研發投入，研發投入在氣候變化作用于全要素生產率的過程中具有重要作用^[18]。具體而言，企業的盈利能力、所受融資約束，以及地方金融發展水平等有關因素將共同作用于研究與開發活動，進而形成“氣候變化-研發投入-技術進步-全要素生產率”的傳導機制^[10，19-20]。

綜上所述，已有文獻在討論氣候變化對全要素生產率的影響時，多以農業及具體作物為研究對象，關于氣候變化對企業全要素生產率的影響研究相對匱乏。氣候暖化導致的極端氣象災害，已然成為現實經濟中不容忽視的重大環境因素。企業全要素生產率水平高低反映了宏觀經濟增長和社會資源配置效率程度，厘清氣候變化對企業全要素生產率的影響機制及程度，對于完善與氣候變化相關的經濟理論具有重要理論意義。鑒于此，本文將視線轉向微觀主體，首先，在理論層面，構建企業生產理論模型，厘清氣候變化作用于制造業企業全要素生產率的傳導渠道；其次，在實證層面，從總體上檢驗氣候變化對制造業企業全要素生產率的沖擊方向及程度，并從盈利能力、融資約束及研發投入3個方面入手，檢驗傳導渠道是否存在；最后，在實踐層面，所得研究結論為應對氣候變化對制造業企業產生的負面沖擊提供決策參考。

二 機制分析與研究假說

（一）理論模型

借鑒Koren和Tenreyro的設定方式^[21]，假設制造業企業的生產函數為替代彈性不變生產函數（Constant Elasticity of Substitution，CES），如式（1）所示：

其中，At為t期的企業全要素生產率；qt（ω）為t期第ω類中間產品投入量；lt（ω）為t期第ω類中間產品對應的勞動投入量，有ltω=l*ω·rtθt，rtθt為調整系數（0≤rtθt≤1），θt為氣候風險；N為中間產品種類數；ε為替代參數。假設存在最優氣候條件T*，當氣候參數Tt處于適宜制造業企業生產的最佳狀態T*時（Tt=T*，Tt的取值范圍為T^low，T^up），氣候風險θt=θ*=0，與中間投入qtω配套的勞動投入ltω達到預期目標l*ω，有rt（θ*）=1。而當氣候參數Tt偏離最佳狀態T*時（Tt≠T*），此時的氣候風險為θt=Tt－T*>0，氣候風險增加會導致企業的勞動生產率降低，勞動投入無法達到預期目標，只能實現勞動投入ltω

然而，制造業企業生產的最佳氣候條件T*是未知的，因而需要對rtθt與Tt之間的關系進行假設。首先，假設rtθt與Tt為非線性關系，當氣候條件偏離最佳氣候條件時，調整系數將隨之降低，即rtθt與Tt呈“倒U型”。其次，假設rtθt與θt為線性關系，隨著氣候異常程度的增加，調整系數將隨之下降，具體如圖1所示。

在現實生活中，氣候異常程度通常采用50年一遇或者30年一遇予以刻畫，因而可以采用世界氣象組織（WMO）提出的“平均氣候態”或“標準氣候態”來刻畫氣候變化程度。平均氣候態是指在特定地區的一段氣候相對穩定的時期內，氣候要素的平均值所表征的氣候特征和分布形態；標準氣候態是將某個氣象要素30年的平均值作為氣候基準值來表征特定地區的一般氣候特征和分布形態。在實證研究中，氣候風險通常采用年均氣溫的波動幅度予以刻畫，波動幅度越大，氣候風險水平越高。考慮到制造業企業分布在全國各地的區縣，為了使區縣之間的氣候風險具有可比性，可采用標準化年均氣溫作為刻畫氣候風險的指標。標準化年均氣溫與標準氣候態的思路基本一致，在數據允許的條件下，可將30年的參考期擴展為50年，標準化年均氣溫的計算方式如式（2）所示：

一方面，利潤降低會導致企業減少研發投入，從而降低企業的全要素生產率；另一方面，利潤降低會導致企業獲取外源融資的可能性降低，間接地減少研發投入，企業的全要素生產率也會降低。鑒于此，結合蔡競和董艷、蔡衛星的研究^[23-24]，按照“氣候風險-盈利能力-融資約束-研發投入-全要素生產率”的傳導路徑，提出本文的第二、三個研究假說：

假說2：氣候風險會損害企業的盈利能力，強化企業的融資約束、減少企業的研發投入，從而降低企業的全要素生產率；

假說3：如果企業所在地的金融服務能力較強，氣候風險強化企業融資約束的程度會有所降低，對企業全要素生產率的負面沖擊也會相應地減弱。

三 實證研究

（一）研究設計

以下的實證研究將依次驗證本文提出的3個假說。在驗證假說1時，被解釋變量為制造業企業的全要素生產率，其測度方法主要有固定效應模型、OP方法、LP方法、ACF方法和GMM方法^[25-26]，數據來源于1999-2007年中國工業企業數據庫。考慮到所選樣本數據的缺失可能是非隨機的，即模型可能存在選擇性偏差問題，因而，在基準回歸中，本文采用改進后的OP方法^[27]測度全要素生產率，在穩健性檢驗中，則采用LP方法測度全要素生產率。

相較于氣候變量的絕對值，本文更為關注由氣候波動導致的氣候風險，而在已有文獻中，氣候波動主要通過年均氣溫的波動幅度來衡量。囿于年均氣溫會隨經緯度、地形、坡度等指標的變動而改變，為了使得縣域地理單元之間的年均氣溫波動具有橫向可比性，需要將氣溫數據進行無量綱化處理。標準化是無量綱化的常用方式，標準化年均氣溫絕對值既能滿足橫向可比的要求，又能刻畫氣候風險水平^[28]。因此，在驗證假說1時，將標準化年均氣溫絕對值作為氣候風險這一解釋變量的代理變量，年均氣溫源自“GISS Surface Temperature Analysis （v4）”提供的站點觀測數據。

如式（2）所示，首先按制造業企業所在的縣級地理單元，分別求年均氣溫的歷史均值與標準差，然后計算得到標準化年均氣溫指標。滯后期的窗寬長度會影響均值和標準差的估計值，窗寬擬設定為10年、20年、30年、40年和50年。由于五十年一遇或者百年一遇的極端氣象災害更受關注，因而在實證研究中，主要以窗寬為50年的標準化年均氣溫絕對值為核心解釋變量，在穩健性檢驗中，則將窗寬設定為30年。相應地，驗證假說1的模型可以設定為：

其中，tempWit為標準化年均氣溫的絕對值，即氣候風險水平。Xit為控制變量，本文共選取7個控制變量^[23-24，29]，具體包括出口強度、資產負債率、企業規模、市場集中度，以及地方經濟發展水平等，具體的界定方式如表1所示。

假說2的驗證分為2個部分：首先，氣候風險是否會通過降低企業的盈利能力，進而減少企業的研發投入；其次，如果氣候風險損害了企業的盈利能力，是否會強化企業的融資約束。具體而言，氣候風險不僅會通過盈利能力直接損害企業研發投入，而且會通過盈利能力改變企業所面臨的融資約束，對研發投入發揮間接作用。因此，擬采用中介效應模型刻畫三者間的關系。又因中國工業企業數據庫中的研發投入數據缺失較多，故采用逐步檢驗法檢驗中介效應是否存在。在探究氣候風險是否會強化企業的融資約束時，則從“投資-現金流敏感性”的角度予以驗證^[24，30]。相應地，實證模型如式（13）、式（14）所示：

其中，profit為刻畫制造業企業盈利能力的財務指標，考慮到觀測對象為制造業企業，故將營業利潤率作為代理變量；RDit為研發投入，用研究開發費用/工業銷售產值來表示。Iit/Kit反映的是企業新增投資，用（期末固定資產-期初固定資產）/期初固定資產來表示；CFit是內部現金流，由于中國工業企業數據庫中缺乏連續的現金流數據，借鑒Guariglia等的做法^[31]，采用（營業利潤+當期折舊）/總資產來表示內部現金流。若CFit的系數估計值φ顯著為正，則φ的數值在一定程度上反映了企業面臨的融資約束程度；如果交互項tempWit×CFit的系數顯著為正，則意味著氣候風險進一步強化了企業所面臨的融資約束。

假說3的驗證以式（14）為基礎，為了識別出金融服務能力是否能夠緩解氣候風險對企業融資能力的不利沖擊，將式（14）調整為面板門限模型，即以企業所在地的金融服務能力作為門限變量。如果系數φ、的估計值在不同區制之間存在差異，則意味著氣候風險對企業融資能力的沖擊會因金融服務能力的不同而出現差異。我國以間接融資為主，銀行信貸是企業的主要融資渠道，企業所在區縣的銀行網點越多，則意味著該地的金融服務能力越強，故將企業所在區縣的銀行網點數量（banksit）作為金融服務能力的代理變量，具體的實證模型如式（15）所示：

其中，I（·）為示性函數，T為門限值。如果>T顯著小于≤T（或者≤T顯著大于>T），則表明較強的金融服務能力能夠緩解氣候風險對企業全要素生產率的沖擊。考慮到多個指標存在異常值，對除全要素生產率、氣候風險、企業規模和夜間燈光亮度之外的變量做截尾處理，變量的描述性統計結果如表2所示。

（二）假說的驗證

1. 假說1的驗證

以式（12）為基礎，結合樣本數據進行豪斯曼檢驗，檢驗結果表明固定效應模型優于隨機效應模型，因而本文采用固定效應模型。假說1的驗證結果如表3所示，方程1列示了不含控制變量的估計結果，在1%的置信水平上，氣候風險的系數顯著為負。方程2引入控制變量，在包含控制變量的條件下，以過去50年的年均氣溫均值為參照，當年均氣溫偏離其1個標準差時，全要素生產率將減少0.0082個單位，即氣候風險降低了企業的全要素生產率，假說1得以驗證。由區域變量系數可知，較其他地區而言，秦嶺-淮河以北、東部經濟地區的制造業企業全要素生產率水平更高。方程3和方程4分別引入南北區域和氣候風險的交互項、經濟區域和氣候風險的交互項。在1%的置信水平上，南北區域和氣候風險的交互項系數顯著為正，說明與位于北方地區的企業相比，氣候風險對置身于南方的企業的負面沖擊更小。與此同時，在1%的置信水平上，中部地區、東部地區與氣候風險的交互項系數均顯著為負，即與位于西部地區的企業相比，氣候風險對置身于中、東部地區的企業的負面沖擊更大。此外，在1%的置信水平上，資產負債率、企業規模、市場集中度、夜間燈光亮度和經度對企業全要素生產率均存在顯著影響，企業全要素生產率隨著資產負債率和市場集中度的增加而降低，但隨著企業規模、地方經濟發展水平（夜間燈光亮度）和經度的提升而增加。

2. 假說2的驗證

假說2的驗證結果如表4所示，在1%的置信水平上，氣候風險的增加顯著降低了企業的盈利能力，以過去50年的年均氣溫均值為參照，當年均氣溫偏離其1個標準差時，營業利潤率將降低0.1834%；與此同時，滯后1期的盈利能力顯著提升了當期的企業研發投入，如果營業利潤率增加10%，研究開發費用在工業銷售產值中的占比將增加0.002%。由“投資-現金流敏感性”模型的估計結果可知，在包含控制變量的條件下，在5%的置信水平上，交互項（滯后1期的氣候風險與內部現金流水平）對新增投資水平存在顯著的正向影響。根據“投資-現金流敏感性”模型的思路，交互項系數顯著為正則意味著氣候風險顯著強化了企業面臨的融資約束。綜合表4的估計結果，假說2得以驗證。

3. 假說3的驗證

在面板門限模型的估計中，需要將非平衡面板數據調整成平衡面板數據，由于樣本數據缺失2004年的觀測值，故樣本數據被分割為兩個子樣本，相應的估計結果如表5所示。在兩個子樣本中，門限值分別為11和15，兩者分別在10%、1%的置信水平上顯著。由面板門限模型的估計結果可知，在1%的置信水平上，對于第一個子樣本，當企業所在縣級行政單元內的銀行網點數量小于或等于11時，交互項對新增投資水平存在顯著的正向影響，而當銀行網點數量大于11時，交互項對新增投資水平則不存在顯著影響。與之類似，對于第二個子樣本，當銀行網點數量小于或等于15時，交互項對新增投資水平存在顯著的正向影響，而當銀行網點數量大于15時，交互項對新增投資水平亦存在顯著影響，但系數估計值小于前者。與此同時，分組回歸的估計結果與面板門限模型的估計結果具有一致性。由此可見，當企業所在縣級行政單元內的金融服務能力偏弱時，氣候風險會顯著強化企業所面臨的融資約束，而當金融服務能力較強時，氣候風險對融資約束的影響較弱，由此驗證了假說3。

四 穩健性檢驗

穩健性檢驗主要從兩個方面著手：首先，調整全要素生產率的測度方法，采用LP方法測度全要素生產率^[32]；其次，調整標準化年均氣溫的參照標準，將窗寬調整為30年，假說1的穩健性檢驗如表6所示。具體而言，在方程1中，將計算標準化年均氣溫的窗寬調整為30年；在方程2中，全要素生產率的測算選擇LP方法；在方程3中，同時改變窗寬的選擇以及全要素生產率的測算方法。由（1）至（3）列的估計結果知，在1%的置信水平上，標準化年均氣溫的絕對值始終對全要素生產率存在顯著影響，企業全要素生產率隨著氣候風險的增加而降低。由此，驗證了假說1的穩健性。

將窗寬調整為30年后，再次對式（13）至（15）進行估計，估計結果如表7所示。由估計結果可知，在1%、5%的置信水平上，盈利能力隨著氣候風險的增加而顯著降低，而盈利能力的提升會顯著提升企業的研發投入，即氣候風險增加間接地降低了企業的研發投入。“投資-現金流敏感性”模型的估計結果表明，在1%的置信水平上，交互項（滯后1期的氣候風險與內部現金流水平）對新增投資水平存在顯著的正向影響，由此可見，隨著氣候風險的提升，企業的融資約束問題不斷強化，從而驗證了假說2的穩健性。面板門限模型的估計結果表明，在1%的置信水平上，門限值（T=11）的交互項系數顯著不為0，當企業所在地的銀行網點數量小于或等于11時，氣候風險對企業融資約束的強化作用更為突出，從而驗證了假說3的穩健性。

五 結論與政策建議

以現有文獻為基礎，本文首先將氣候因素引入企業生產函數中，從理論層面推導氣候變化與企業全要素生產率的關系，提出相應的假說；其次，從企業盈利能力、融資約束和研發投入切入，分析氣候風險影響企業全要素生產率的傳導機制，并以傳導機制為基礎提出相應的假說。在實證研究中，以1999-2007年中國工業企業數據庫為樣本，結合制造業企業所在縣級地理單元的年均氣溫數據，驗證本文提出的3個假說，主要的實證研究結論如下：（1）因氣候波動形成的氣候風險降低了制造業企業的全要素生產率，且具有區域異質性。與位于北方地區的企業相比，氣候風險對置身于南方的企業的負面沖擊更小；與位于西部地區的企業相比，氣候風險對置身于中、東部地區的企業的負面沖擊更大。（2）氣候風險通過損害企業的盈利能力、強化企業的融資約束、減少企業的研發投入，降低了企業的全要素生產率。“投資-現金流敏感性”模型的估計結果表明，氣候風險進一步強化了企業所面臨的融資約束。（3）企業所在地的金融服務能力強，氣候風險對融資約束的提升作用將有所降低。面板門限模型的估計結果表明，當企業所在縣級行政單元的銀行網點數量低于閾值時，氣候風險對企業融資約束的強化作用更為突出。

鑒于此，本文認為可從以下三方面緩解氣候風險對企業全要素生產率的不利沖擊。

首先，督促企業根據自身的實際生產情況，編寫應對極端氣象災害的應急預案并定期演練。在短期內，氣候暖化的趨勢難以完全逆轉，氣候暖化顯著提升了極端氣象災害的頻次與強度。在此背景下，企業需要將氣候風險作為制定生產規劃的重要條件和前提條件，制定應對高溫、寒潮、干旱和洪澇等災害的應急預案，具體包括：明確組織機構職責、注意災害監控與預警、完善信息傳遞機制、設置避險區域及保障裝置，并將應急演練常態化，以期最大程度地降低氣候風險帶來的直接和間接經濟損失。

其次，鼓勵企業增加研發投入，推動生產技術換代升級，落實節能減排的社會責任。增加研發投入是企業進行生產技術革新的必要條件，生產技術革新是企業節能減排的主要手段，節能減排是控制氣候暖化的有效方式。基于此，為緩解企業資金壓力，一方面應增加政府補助和稅收返還，在直接增加企業資金的基礎上，向社會傳遞政策傾向信號，引導企業進行自主創新；另一方面應通過制定監管政策，改善金融環境，鼓勵金融機構、資本市場為企業以節能減排為目標的研發活動提供資金支持。

最后，鼓勵金融機構開發出更多管理氣候風險的金融工具，為企業應對和防范極端氣象災害沖擊提供融資便利。目前，氣候金融產品創新仍處于起步階段，主要包括以綠色信貸和綠色債券為主的綠色增長金融工具和以綠色保險為代表的綠色治理金融工具。一方面，各國央行陸續試點綠色QE，并將綠色信貸和綠色債券納入合格抵押品范圍，這一舉措在引導市場資本流向低碳企業的同時，改變了銀行的貸款偏好，為企業提供了融資便利，即通過相機決策的方式，縮小了氣候風險帶來的企業融資缺口。另一方面，從微觀企業的角度出發，綠色保險是企業化解氣候風險的有效工具。因此，應鼓勵金融機構針對各個地區的氣候特點、產業結構，因地制宜地推出更多適用于管理氣候風險的產品，如環境保險、巨災保險，以及有利于緩解氣候惡化的低碳保險等。

［參 考 文 獻］

［1］ Nordhaus W D. Economic growth and climate： The carbon dioxide problem[J]. American Economic Review，1977（1）：341-346.

［2］ Nordhaus W D. Managing the global commons： The econo-mics of climate change[M]. Cambridge， MA： MIT press， 1994.

［3］ Nordhaus W D， Yang Z. A regional dynamic general-equilibrium model of alternative climate-change strategies[J]. American Economic Review， 1996（4）：741-765.

［4］ Nordhaus W D. Induced technological change with applications to modeling of climate-change policies[R]. Yale University， New Haven， CT （US）， 2002.

［5］ Moyer E J， Woolley M D， Matteson N J， et al. Climate impacts on economic growth as drivers of uncertainty in the social cost of carbon[J]. Journal of Legal Studies，2014（2）：401-425.

［6］ Dell M， Jones B F， Olken B A. What do we learn from the weather？ The new climate-economy literature[J]. Journal of Economic Literature， 2014（3）：740-798.

［7］ Dietz S， Stern N. Endogenous growth， convexity of damage and climate risk： How Nordhaus framework supports deep cuts in carbon emissions [J]. Economic Journal，2015（583）： 574-620.

［8］ Burke M， Hsiang S M， Miguel E. Global non-linear effect of temperature on economic production[J]. Nature，2015（7577）：235-239.

［9］ Villavicencio X， McCarl B A， Wu X， et al. Climate change influences on agricultural research productivity[J]. Climatic Change，2013（3）：815-824.

［10］尹朝靜，李谷成，范麗霞，等.氣候變化、科技存量與農業生產率增長[J].中國農村經濟，2016（5）：16-28.

［11］Chen X， Yang L. Temperature and industrial output： firm-level evidence from China[J]. Journal of Environmental Economics and Management，2019（5）：257-274.

［12］楊璐，史京曄，陳曉光.溫度變化對中國工業生產的影響及其機制分析[J].經濟學（季刊），2020（5）：299-320.

［13］Graff Zivin J， Neidell M. Temperature and the allocation of time： Implications for climate change[J]. Journal of Labor Economics，2014（1）：1-26.

［14］Somanathan E， Somanathan R， Sudarshan A， et al. The impact of temperature on productivity and labor supply： Evidence from Indian manufacturing[J]. Journal of Political Economy， 2021（6）：1797-1827.

［15］F?re R， Grosskopf S， Norris M， et al. Productivity growth， technical progress， and efficiency change in industrialized countries[J]. American Economic Review，1994（1）：66-83.

［16］汪言在，劉大偉.納入氣候要素的重慶市農業全要素生產率增長時空分布分析[J].地理科學，2017（12）：1942-1952.

［17］林光華，陸盈盈.氣候變化對農業全要素生產率的影響及對策——以冬小麥為例[J].農村經濟，2019（6）：114-120.

［18］易福金，周甜甜，陳曉光.氣候變化、農業科研投入與農業全要素生產率[J].南京農業大學學報（社會科學版），2021（4）：155-167.

［19］Michalopoulos S， Laeven L， Levine R. Financial innovation and endogenous growth[R]. National Bureau of Economic Research， 2009.

［20］孫浦陽，張蕊.金融創新是促進還是阻礙了經濟增長——基于技術進步視角的面板分析[J].當代經濟科學，2012（3）：26-34.

［21］Koren M， Tenreyro S. Technological diversification[J]. American Economic Review， 2013（1）：378-414.

［22］傅曉霞，吳利學.技術差距、創新路徑與經濟趕超——基于后發國家的內生技術進步模型[J].經濟研究，2013（6）：19-32.

［23］蔡競，董艷.銀行業競爭與企業創新——來自中國工業企業的經驗證據[J].金融研究，2016（11）：96-111.

［24］蔡衛星.銀行業市場結構對企業生產率的影響——來自工業企業的經驗證據[J].金融研究，2019（4）：39-55.

［25］魯曉東，連玉君.中國工業企業全要素生產率估計：1999-2007[J].經濟學（季刊）， 2012（2）：541-558.

［26］楊汝岱.中國制造業企業全要素生產率研究[J].經濟研究，2015（2）：61-74.

［27］Olley S， Pakes A. The dynamics of productivity in the telecommunications equipment industry [J]. Econometrica，1996（6）：1263-1297.

［28］Hong H， Li F W， Xu J. Climate risks and market efficiency[J]. Journal of Econometrics，2019（1）： 265-281.

［29］蔣銀娟.政府補貼對企業就業波動的影響研究[J].財經研究，2021（4）：108-123.

［30］Fazzari S， Hubbard R G， Petersen B. Investment， financing decisions， and tax policy[J]. American Economic Review，1988（2）：200-205.

［31］Guariglia A， Liu X， Song L. Internal finance and growth： Microeconometric evidence on Chinese firms[J]. Journal of Development Economics，2011（1）：79-94.

［32］Levinsohn J， Petrin A. Estimating production functions using inputs to control for unobservables[J]. Review of Economic Studies，2003（2）：317-341.