减少空气污染有助于提升中国城市的绿色生产力,并降低碳排放
《Resources, Conservation and Recycling》:Air pollution reduction improves green productivity and lowers carbon emissions in Chinese cities
【字体:
大
中
小
】
时间:2026年07月30日
来源:Resources, Conservation and Recycling 10.4
编辑推荐:
摘要:绿色全要素生产率是衡量经济增长质量的重要指标,反映了生产要素配置的效率。本文构建了一个新的绿色全要素生产率分析框架,测算了2011年至2020年中国各城市的绿色全要素生产率,并采用工具变量法分析空气污染对绿色全要素生产率的影响。研究结果表明,PM2.5浓度每降低1微克/立方
摘要:绿色全要素生产率是衡量经济增长质量的重要指标,反映了生产要素配置的效率。本文构建了一个新的绿色全要素生产率分析框架,测算了2011年至2020年中国各城市的绿色全要素生产率,并采用工具变量法分析空气污染对绿色全要素生产率的影响。研究结果表明,PM2.5浓度每降低1微克/立方米,绿色全要素生产率平均上升0.8%。这一效应在胡焕庸线东南地区以及非资源型、新兴工业城市中更为显著。机制分析显示,资本和能源消耗的变化是空气污染影响绿色全要素生产率的主要途径。此外,研究还探讨了污染控制与碳排放减少的效应,发现PM2.5浓度下降可使碳排放量减少约573,000吨,其中近49.9%可归因于绿色全要素生产率的提升。
1. 引言
空气污染是全球性的重大环境问题,不仅威胁人类健康,还会对生态系统造成长期损害。作为最大的发展中国家,中国面临着严重的空气污染问题,其主要污染物为颗粒物、臭氧和二氧化硫。其中,PM2.5和PM10的浓度往往超过监管标准。为应对这一严峻挑战,中国于2013年出台了《大气污染防治行动计划》。如图1所示,自该计划实施以来,中国在空气污染控制方面取得了显著进展。然而,尽管如此,2023年的PM2.5年平均浓度仍比上一年上升了3.4%,这表明中国仍面临严峻的空气污染问题,其根源在于持续的工业化与城市化进程。
严重的空气污染常常导致资源分配效率低下,进而阻碍经济增长。全要素生产率是衡量经济增长质量的关键指标,反映生产要素的配置效率。绿色全要素生产率是在全要素生产率基础上发展而来的概念,它注重在追求经济增长的同时最小化环境影响,从而为优化资源配置和提高经济效率提供了新的视角。因此,本文采用工具变量法分析空气污染对绿色全要素生产率的影响,探讨污染控制与碳排放减少之间的潜在协同效应。这些研究结果可为中国的政策制定者提供实证依据,帮助他们制定出兼顾经济增长与环境保护的政策,实现双赢并推动可持续发展目标的实现。
现有研究从不同角度探讨了空气污染与绿色全要素生产率之间的关系,大致可分为两类。第一类研究聚焦于个体和企业层面,利用工人或企业数据分析空气污染对劳动生产率的影响。这类研究普遍认为,接触空气污染物会降低工人的生产率。第二类研究则从宏观层面出发,将环境因素纳入全要素生产率或绿色全要素生产率分析框架中,评估空气污染对经济效率与绿色发展的影响。这些研究通常采用数据包络分析法及其扩展模型来衡量绿色全要素生产率,将污染物排放或空气质量指标视为不希望出现的产出或外部约束条件。尽管上述研究为空气污染的经济后果提供了重要证据,但仍存在一些局限性。一方面,第一类研究往往针对特定行业或职业群体,其研究结果难以推广到整个城市经济体系;另一方面,宏观层面的绿色全要素生产率研究往往未能充分考虑城市间的差异,且部分方法在处理松弛变量或不可行解时存在不足,可能影响估算结果的稳健性与可解释性。此外,从绿色全要素生产率角度系统研究空气污染控制与碳排放减少之间潜在协同效应的研究相对较少,多数研究将空气污染与碳排放视为相互独立的约束条件。
为弥补现有研究的不足,本文主要有两项贡献。首先,本文提出了一种估算和分解绿色全要素生产率的新框架。该框架结合了非参数的马尔奎斯特-伦伯格生产率指数与两阶段非径向方向距离函数,有效解决了传统数据包络分析法中存在的松弛变量处理不当及不可行解等问题。同时,该框架还将城市间的差异性纳入绿色全要素生产率测算过程,为分析中国各城市绿色全要素生产率的动态变化提供了更为稳健且具有可比性的分析工具。其次,从生产效率的角度,本文系统研究了空气污染、绿色全要素生产率与碳排放之间的关系,拓展了现有关于环境约束与经济效率关系的研究。这些研究结果为协调推进空气污染控制与气候变化缓解工作提供了重要的科学依据与政策启示。
2. 方法论
2.1 绿色全要素生产率的测算
本文基于非参数生产经济学理论,构建了一个用于测算绿色全要素生产率的新框架。与传统の马尔奎斯特指数以及基于松弛变量的测算方法相比,后者依赖于径向距离或静态的松弛调整,可能导致生产率估算出现偏差或不完整,而本文提出的测算框架在两个维度上实现了更全面的改进。首先,该框架将马尔奎斯特-伦伯格生产率指数与双阶段非径向方向距离函数相结合,打破了传统的径向假设,从而能更好地捕捉投入与产出之间的非径向效率损失。其次,通过将不希望出现的产出纳入方向距离框架,该框架缓解了基于松弛变量模型的局限性,能够更有效地同时考量期望产出与非期望产出。此外,该框架还放宽了传统方向距离函数方法中常见的可行性约束,有助于解决效率测算中的不可行性问题。因此,本文提出的测算框架能够更灵活、更具理论一致性且实证上更为稳健地分解绿色全要素生产率的动态变化,同时更能体现不同城市间生产技术的差异性。
遵循F?re等人(2007)的分析框架,我们假设存在N个城市,每个城市被视为一个决策单元。每个决策单元都会运用资本、劳动力和能源等要素来产生期望产出(实际GDP)以及非期望产出(如废水排放、二氧化硫和颗粒物排放)。这里,资本、劳动力、能源、期望产出和非期望产出均属于正实数集。在经济活动中,决策者的目标是提高期望产出,同时尽量减少非期望产出。因此,环境生产技术可定义为:
T={(K,L,E,Y,B):(K,L,E)→Production(Y,B)}
在该框架中,环境生产技术遵循基本的生产公理以及三个标准假设:非期望产出具有弱可弃性;期望产出与非期望产出之间不存在关联;技术集合是紧凑的。详细说明可参见F?re和Grosskopf(2006)的研究。
基于这些假设,我们采用F?re等人(2007)的方法,N个城市的环境生产技术可表示为:
T={(K,L,E,Y,B):∑n=1NznKn≤K,∑n=1NznLn≤L,∑n=1NznEn≤E,∑n=1NznYn≥Y,∑n=1NznBn=B;zn≥0,n=1,?,N}
其中,zn为强度变量。借鉴Pastor等人(2011)的研究,本文引入了一种新的距离函数——双阶段非径向方向距离函数,该函数结合了非径向方向距离函数与环境生产技术。该函数既保留了非径向方向距离函数的优势,又融入了两期环境生产技术,能够考虑要素替代关系,并在评估过程中解决不可行性问题。因此,通过该方法估算得到的绿色全要素生产率更符合环境经济学理论。双阶段非径向方向距离函数的定义如下:
D→jB?(Lt,Kt,Et,Yt,Bt;gt)=max[βjB?t:βjB?t=(wlβjLB?t+wkβjKB?t+weβjEB?t+wyβjYB?t+wbβjBB?t)]s.t.∑j=1NzjtLjt+∑j=1Nzjt+1Ljt+1≤Ljt?βjLB?tgjLt,∑j=1NzjtKjt+∑j=1Nzjt+1Kjt+1≤Kjt?βjKB?tgjKt,∑j=1NzjtEjt+∑j=1Nzjt+1Ejt+1≤Ejt?βjEB?tgjEt,∑j=1NzjtYjt+∑j=1Nzjt+1Yjt+1≥Yjt+βjYB?tgjYt,∑j=1NzjtBjt+∑j=1Nzjt+1Bjt+1=Bjt?βjBB?tgjBt,(3)zj≥0;βjLB?t≥0;βjKB?t≥0;βjEB?t≥0;βjYB?t≥0;βjBB?t≥0
上标B?表示由t期和t+1期数据构成的两期环境生产技术。βjB?t、βjLB?t、βjKB?t、βjEB?t、βjYB?t和βjBB?t分别表示第j个城市在评估中所对应的双阶段非径向方向距离函数的总和与各分项之和。在评估实际生产绩效时,方向向量定义为g=(?gL,?gK,?gE,+gY,?gB)。wl、wk、we、wy和wb分别为各要素的权重,这些权重的总和为1。权重值是根据相应变量的平均值计算得出的。本研究涉及三种投入要素:资本、劳动力和能源,一种期望产出:实际GDP,以及三种非期望产出:工业废水排放、二氧化硫排放和颗粒物排放。因此,各要素的权重设置为(1/9, 1/9, 1/9, 1/3, 1/3)。
双阶段非径向方向距离函数的取值范围在0到1之间。数值越低,表示决策单元的效率越高。当双阶段非径向方向距离函数值为0时,意味着决策单元处于生产前沿,即实现了最优生产。将上述双阶段非径向方向距离函数与马尔奎斯特-伦伯格生产率指数相结合,可构建出一个新的生产率指数——两期非径向马尔奎斯特-伦伯格生产率指数,用于衡量2011年和2011+1年期间中国各城市绿色全要素生产率的动态变化。该指数的计算公式如下:
BNMLPIj=1+DjB?(Ljt,Kjt,Ejt,Yjt,Bjt;g)1+DjB?(Ljt+1,Kjt+1,Ejt+1,Yjt+1,Bjt+1;g)
具体而言,当两期非径向马尔奎斯特-伦伯格生产率指数大于0时,说明中国各城市的绿色全要素生产率有所提升;反之,若该指数小于0,则表示绿色全要素生产率出现下降;当指数值为0时,说明在所研究的时期内,这些城市的绿色全要素生产率保持不变。此外,两期非径向马尔奎斯特-伦伯格生产率指数还可进一步分解为效率变化和技术变化两部分,其计算公式如下:
BNMLPIj=ECj×TCj(6)ECj=1+Djt(Ljt,Kjt,Ejt,Yjt,Bjt;g)1+Djt+1(Ljt+1,Kjt+1,Ejt+1,Yjt+1,Bjt+1;g)(7)TCj=BNMLPIjECj=1+DjB?(Ljt,Kjt,Ejt,Yjt,Bjt;g)1+DjB?(Ljt+1,Kjt+1,Ejt+1,Yjt+1,Bjt+1;g)×1+Djt+1(Ljt+1,Kjt+1,Ejt+1,Yjt+1,Bjt+1;g)1+Djt(Ljt,Kjt,Ejt,Yjt,Bjt;g)
其中,ECj用于衡量第j个城市的 Technical效率。F?re等人(1994)指出,ECj指数还能体现技术扩散效应,即技术较为先进的生产者会对落后生产者产生技术传播影响,这也可理解为落后生产者向最优生产前沿靠拢的程度。如果ECj大于0,说明该城市的效率正在提升,存在追赶效应;反之,若ECj小于0,则表明效率出现下降。TCj则表示技术变化,反映的是在t期到t+1期期间生产前沿的变动情况。同样,若TCj大于0,说明技术正在进步,领先生产者取得了技术提升;否则,则表示技术出现退步。
2.2 绿色全要素生产率测算结果
本文采用了前述的绿色全要素生产率测算方法,计算了2011年至2020年间中国268个地级城市的两期非径向马尔奎斯特-伦伯格生产率指数。需要说明的是,该指数反映的是绿色全要素生产率的增长率,而非其实际水平,后者才能体现城市绿色发展的程度。为得到绿色全要素生产率的实际数值,我们对该指数进行了相应调整。我们以2010年为基准年,假设该年的绿色全要素生产率水平为1,然后通过逐步累积乘以相应的指数值来计算实际绿色全要素生产率。例如,2011年的实际绿色全要素生产率可通过2010年的绿色全要素生产率值与2011年的两期非径向马尔奎斯特-伦伯格生产率指数相乘得到。2012年的绿色全要素生产率则通过2011年的数值再乘以2012年的相应指数得出,后续年份以此类推。通过这种方法,我们可以计算出2011年至2020年这268个城市的实际绿色全要素生产率值,同时还能分解出技术变化和效率变化各自所起的作用。附录中的图A1展示了2011年至2020年这些指标的变化情况。
如图A1所示,绿色全要素生产率在不同年份间波动较大,既有正值也有负值,这说明绿色全要素生产率的变化并不稳定,可能受到外部冲击的影响。大多数年份里,技术变化的数值为正,这体现了技术进步在推动绿色生产方面的关键作用。相比之下,效率变化的数值波动较大,某些时期会出现负值。值得注意的是,效率变化有时会与绿色全要素生产率的变化趋势相反,这说明在改善资源配置和生产效率方面存在困难。这些困难可能源于先进技术应用不足、产业结构调整滞后以及政策落实不到位等因素。总体而言,绿色全要素生产率的变化受到技术变化和效率变化的共同影响,二者所占的比重会随时间而变化。因此,要提升绿色全要素生产率,不仅需要持续推动技术创新,还需要改进资源配置和生产效率,才能实现可持续发展目标。
2.3计量经济模型
由于空气污染对环境质量、公共健康和经济表现有着重大影响,它已成为全球关注的焦点(Umar和Safi,2023;Yang等人,2023;Rentschler和Leonova,2023)。为实证分析其对全要素生产率的影响,我们的基准分析采用了双向固定效应框架,其表达式为:
(8) lngtfpct=β0+β1pm25ct+β2Xct+φc+λt+εct
其中,c表示城市,t表示年份。lngtfpct是指城市c在年份t的全要素生产率的自然对数。取对数有助于进行线性估计,并便于基于弹性进行解读。核心解释变量pm25ct反映了城市c在年份t的PM2.5浓度,即空气污染程度。该模型还包括一组天气控制变量Xct,如平均地表温度、风速、降水量、气象站气压、日照时数和相对湿度。城市固定效应φc用于捕捉地理特征等不受时间影响的因素,而年度固定效应λt则用于体现特定时期的影响。误差项εct按城市进行聚类。值得注意的是,空气污染可能与包括城市经济发展在内的社会经济活动存在关联,这可能带来内生性问题。为缓解这一问题,分析中仅控制了天气变量,避免引入可能带来新的偏差的额外控制变量。
方程(8)中的计量经济模型可能存在三种内生性来源。首先是被遗漏变量问题。城市空气污染与人类经济活动密切相关,源于生产和消费过程。一些因素,如经济发展,可能会同时影响空气污染程度和全要素生产率。其次是测量误差问题。由于数据处理中的技术原因,可能会出现数据精度问题,且由于研究变量难以精确测量,因此可能存在较大的测量误差。第三是反向因果关系问题。提升全要素生产率可能促进经济增长,但经济发展往往会导致能源消耗增加,而能源消耗是空气污染的主要来源,进而加剧污染程度。
当存在内生性问题时,使用普通最小二乘法得到的估计系数可能无法反映真实的因果关系,并可能存在偏差(Shojaeddini等人,2024)。工具变量法是一种常用的解决内生性问题的方法。为消除这些问题,我们以温度逆转为空气污染的工具变量,采用两阶段最小二乘法来获得一致且无偏的估计结果。关于为何选择温度逆转作为工具变量的理由,详见2.4节。
具体而言,在第一阶段回归中,将内生解释变量(空气污染)与工具变量(温度逆转)及天气控制变量进行回归,从而得到拟合值。工具变量的第一阶段回归模型为:
(9) pm25ct=α0+α1days1ct+α2Xct+σc+ψt+υct
其中,pm25ct表示城市c在年份t的PM2.5浓度,days1ct则表示温度逆转日的数量,作为空气污染的工具变量。其他参数设定与方程(8)相同。在第二阶段回归中,则以第一阶段回归得到的拟合值及天气控制变量为自变量,对城市全要素生产率的自然对数进行回归。第二阶段回归模型为:
(10) lngtfpct=γ0+γ1pm25^ct+γ2Xct+μc+τt+ξctl
其中,lngtfpct表示城市c在时期t的全要素生产率的对数,pm25^ct表示第一阶段回归得到的预测值。我们关注的是系数γ1,它反映了空气污染变化对全要素生产率的影响。
2.4 变量描述与数据来源
考虑到数据的可用性,我们使用了2011年至2020年中国268个地级市的平衡面板数据集,以分析空气污染对全要素生产率的影响。数据来源包括《中国城市统计年鉴》《中国区域经济统计年鉴》《中国能源统计年鉴》以及《中国环境统计年鉴》。附录中的表A1总结了各变量的描述性统计结果。
因变量:全要素生产率。第2.1节介绍了全要素生产率的计算方法。
自变量:空气污染。本研究以空气污染作为衡量空气质量的主要自变量。选择这一变量是因为PM2.5颗粒尺寸小、有害物质含量高,且在大气中停留时间长、易远距离传输,因此它是影响人类健康和环境质量的重要污染物。PM2.5数据来源于圣路易斯华盛顿大学。本研究计算了中国各城市2011年至2020年的年均PM2.5浓度。该数据集以栅格格式提供,可覆盖全球范围,通过数据裁剪后可提取出中国相关数据。此外,利用2021年的行政区划数据,我们对栅格数据按城市进行裁剪和汇总,从而得到了中国各城市的年度面板数据。
控制变量:天气数据。我们纳入了可能影响估计结果的天气相关控制变量,以此减少潜在的被遗漏变量偏差。这些变量包括平均地表温度、风速、降水量、气象站气压、日照时数和相对湿度。这些天气数据来自国家气象科学数据共享服务平台发布的《中国地面气候数据日值数据集》(V3.0版)。原始的站点级数据通过反距离加权法处理,将其插值到0.1°×0.1°的网格上,然后再将插值后的数据转换为栅格格式,并按区域汇总,从而得到城市级别的天气数据。从2011年1月1日到2020年12月31日,整个研究期均采用这一处理方法。
需要指出的是,在选择控制变量时,我们并未直接纳入城市层面的经济和社会变量。原因是这些变量很可能处于空气污染影响全要素生产率的因果路径上,直接控制这些变量可能会阻断有效的因果通道,从而导致“不良控制”偏差(Angrist和Pischke,2009;Cinelli等人,2024)。相比之下,本研究将气象因素作为控制变量,因为天气条件是决定PM2.5浓度的关键因素,同时也可能直接影响经济活动,如果忽略这些因素,可能会破坏工具变量的排除约束。因此,控制气象因素有助于提升工具变量识别策略的可信度,这一做法与Deryugina等人(2019)采用的工具变量设定是一致的。
工具变量:温度逆转数据。本研究以温度逆转作为空气污染的工具变量,旨在解决潜在的内生性问题,这一选择基于两个主要考虑。首先,温度逆转的形成取决于当地的大气热力条件,从理论上讲与人类社会经济活动无关,因此可视为外生冲击。不过需要指出的是,在极端情况下,温度逆转可能会通过影响温度等气象条件,直接对经济活动产生影响,从而可能威胁到排除约束。为缓解这一问题,回归模型中控制了温度、降水量和风速等主要气象变量,尽可能分离出天气条件对全要素生产率的直接影响。其次,从相关性角度来看,更严重的温度逆转通常会导致污染物扩散能力下降,进而使空气污染程度上升。现有研究也表明,温度逆转日数量与空气污染浓度之间存在较强相关性(Yu等人,2020)。
温度逆转数据来源于NASA的“现代时代再分析研究应用版本2”(MERRA-2)数据集。温度逆转是通过比较两个特定大气层级的平均温度来判断的:即第三层(320米)和第一层(110米)。当第三层的温度高于第一层时,即认为出现了温度逆转。
3 实证结果
3.1 基准估计
我们首先对普通最小二乘法模型进行了估计,附录中的表A2列出了估计结果。第(1)列未包含固定效应或协变量。研究结果表明,较低的空气污染水平可能有助于提升全要素生产率,且这一效应具有统计学意义。为增强模型的解释能力,第(2)至(4)列逐步加入了固定效应和协变量。在第(4)列中,估计系数为0.0002,且不具显著性,这说明在控制了这些因素后,两者之间的关联减弱了。值得注意的是,第(1)列和第(4)列的结果差异较大,这表明可能存在严重的内生性问题,很可能是由于双向因果关系所致。因此,普通最小二乘法估计无法准确反映空气污染对全要素生产率的影响。
为解决内生性问题,本研究采用了两阶段最小二乘法进行估计。表1展示了估计结果。在第(1)列中,工具变量是根据第一阶段和第二阶段的标准确定的温度逆转日数量。第一阶段回归得到的系数为正,且具有统计学显著性,表明工具变量与空气污染之间存在较强的关联。Kleibergen-Paap Wald F统计量为33.93,超过了弱识别的Stock-Yogo临界值,说明工具变量的有效性足够强。同时,LM统计量也在1%的显著性水平上显著拒绝了识别不足的零假设,进一步证明了将城市温度逆转日作为工具变量的合理性和识别强度。
表1 两阶段最小二乘法估计结果
空单元格
IV:days1 lnbnml tfp (1)
IV:days2 lnbnml tfp (2)
PM2.5 ?0.0080**(0.0040)?0.0048**(0.0023)
控制变量 √√城市固定效应 √√年度固定效应 √√样本量2680 2680
第一阶段结果
IV 0.0399***(0.0068)0.0606***(0.0075)
F统计量 33.93*** 65.20***
Kleibergen–Paap rk Wald F 33.93*** 65.20***
Kleibergen–Paap rk LM统计量 33.01*** 57.78***
备注:括号内为县级聚类标准误差。统计显著性标记如下:*** p < 0.01,** p < 0.05,* p < 0.1。
第二阶段回归结果显示,系数为?0.0080,在5%的显著性水平上具有统计意义。这说明在解决了潜在的内生性问题后,降低PM2.5的平均浓度有助于提升城市全要素生产率。具体而言,PM2.5平均浓度每降低1微克/立方米,城市全要素生产率就会上升0.8%。从经济角度看,随着《大气污染防治行动计划》的实施,2013年至2020年间,中国的城市平均PM2.5浓度下降了约29.7微克/立方米(Geng等人,2024)。根据第二阶段回归的估计系数,按照线性近似,这一下降幅度意味着同期城市全要素生产率将累计上升约24%。这一数值表明,空气质量改善能带来绿色经济表现的显著提升,体现了环境监管在提升生产力方面的作用,除此之外,它还具备已得到充分证实的健康和生态效益。不过,这一粗略估算需谨慎对待,因为它没有考虑可能的非线性效应、动态调整过程或未被观测到的混杂因素,而这些因素都可能影响空气污染与生产力之间的长期关系。
此外,第(2)列用基于第一层和第三层标准确定的温度逆转日数量替换了工具变量。结果显示,回归系数在5%的显著性水平上依然为负。这一发现进一步表明,加强空气污染物控制,降低城市空气污染浓度,能够有效提升城市全要素生产率,从而推动经济社会的全面绿色转型。
3.2 稳健性检验
本研究进行了多项稳健性检验,包括排除中央政府直接管理的城市、缩小样本时间范围以及对变量进行截尾处理。
首先,中国的中央政府直接管理的城市具有独特的政治、经济和区域特征,这些特征的差异可能会影响这些城市的全要素生产率。为消除潜在的偏差,我们在稳健性检验中排除了这些城市的数据。表A3的第(1)列和第(2)列显示,即便排除了这些城市,空气污染浓度的下降依然能显著提升全要素生产率,这说明主要研究结论在不同样本设定下依然稳健。
其次,2019年底爆发的新冠疫情给全球经济活动带来了前所未有的冲击,这一冲击可能在2020年暂时扰乱了城市的生产进程,进而影响全要素生产率。为避免这一极端且全国性的冲击影响基准估计结果,我们排除了2020年的数据后重新进行了模型估计。如表A3的第(3)列和第(4)列所示,排除2020年数据后,估计系数的大小和显著性均保持稳定。具体而言,点估计值仅从?0.0080略微变为?0.0077,从?0.0048略微变为?0.0053,且依然具有统计显著性。这表明基准结果并非由新冠疫情带来的短期干扰所导致,而是空气污染与全要素生产率之间的负向关系在不同样本期间都具有持续性和稳定性。
最后,为减少异常值的可能影响,我们对所有变量进行了截尾处理,去掉了其分布中最高和最低1%的观测值。表A3的第(5)列和第(6)列显示,即便排除了异常值,PM2.5浓度的下降仍能显著提升GTFP。这一结果进一步印证了主要回归分析结果的稳健性,表明这些发现并未受到极端数据点的过度影响。3.3. 差异性分析中国幅员辽阔,各地区发展水平存在显著差异。我们通过分析不同地区和城市间的差异性效应,探讨空气污染对GTFP的影响,为制定针对性的污染控制与绿色发展政策提供有益参考。在区域层面,图A2显示,位于胡焕庸线东南侧的城市,空气污染的减少能显著提升其GTFP,而西北侧城市的这种效应则不具统计学显著性。这种差异很可能源于各地发展阶段和产业结构的不同。东南部地区经济发展水平相对较高,产业结构以高科技制造业和现代服务业为主。这些行业通常更易适应环境监管要求,能够通过技术创新、绿色转型以及提升管理效率,将环境改善转化为生产力提升。因此,空气质量的好转更容易体现为GTFP的上升。相比之下,西北部地区发展水平较低,仍依赖煤炭、钢铁等资源型和高污染的重工业产业(Shi等人,2020)。这些产业不仅面临较高的污染治理成本,还存在较强的路径依赖,制约了技术替代和产业升级。此外,中国北方的冬季供暖需求等因素进一步加剧了空气污染控制的难度,使得空气质量改善难以转化为生产力提升。因此,该地区空气污染对GTFP的效应在统计上并不显著。在城市层面,不同类型城市在资源禀赋、产业结构和发展路径方面存在显著差异,这些差异可能进而影响污染治理的经济效应。为此,本文从资源依赖性和产业基础两个维度进一步开展了差异化分析。首先,依据《资源型城市可持续发展规划(2013–2020)》,我们将样本城市分为资源型城市和非资源型城市。资源型城市的发展长期以来依赖矿产、能源等自然资源,其产业结构通常以高能耗、高污染的初级加工产业为主。尽管这类城市高度依赖环境质量,但也面临较强的路径依赖和较高的转型成本。在这种情况下,空气质量改善短期内可能难以转化为生产力提升。而非资源型城市则往往拥有更为多元化的产业结构,升级后的制造业和服务业占比更高,因而更能适应污染控制政策。以资源型与非资源型城市作为分组标准,有助于识别资源依赖型发展模式下环境改善带来的经济效益差异。其次,根据《老工业基地调整改造规划(2013–2022)》中规定的120个老工业基地城市及省会城市所在的地级行政区,本文进一步将城市划分为老工业基地城市和非老工业基地城市。老工业基地城市通常以重工业和化学工业为主,设备陈旧,技术升级缓慢,污染治理成本高昂,这可能限制环境改善对生产力提升的边际效应。而非老工业基地城市则通常拥有更为灵活的产业结构和更强的创新能力,更容易将环境改善转化为GTFP的提升。因此,这种分组方式有助于从产业基础和制度惯性的角度解释空气污染对GTFP影响的差异性。图A2展示了城市层面差异化分析的结果,显示空气污染对GTFP的影响在非资源型城市和非老工业基地城市中更为显著。这一发现与基于资源依赖性和产业基础差异的理论分析一致,表明在产业结构更为多元化、转型成本较低的城市,环境改善更有可能转化为生产力提升。因此,政府应根据各城市的资源禀赋和产业基础,实施差异化的环境和产业政策,逐步增强环境改善对GTFP的积极影响。此外,为检验结果的稳健性并分析不同城市功能类型间的差异,本文在附录图A3中以大城市、交通枢纽城市和重点环保城市为对象进行了分析。通过根据人口规模、交通条件和环境政策导向对城市进行分类,我们更全面地了解了不同类型城市中空气污染对GTFP影响的差异。图A3显示,空气污染对GTFP的影响在大城市、交通枢纽城市和重点环保城市中更为显著。这主要是因为大城市和交通枢纽在城市产业多元化、技术基础和治理能力方面具有优势,有利于将环境改善转化为GTFP的提升。与此同时,重点环保城市往往面临更严格的环境约束和更高的公众期望,这使得空气污染对经济表现和绿色转型的制约作用更为明显,从而使得环境改善带来的生产力提升更为显著。总体而言,差异化分析结果表明,空气污染对GTFP的影响在很大程度上取决于城市的功能属性。未来的政策应依据城市功能采取差异化的环境和产业策略,进一步提升环境改善对GTFP的贡献。3.4. 机制分析主要的回归结果显示,空气污染物浓度的下降与GTFP的提升之间存在关联。为进一步探究驱动这一关系的内在机制,本节开展了机制分析。具体而言,该分析采用了Cobb-Douglas生产函数框架,在传统投入要素劳动力L和资本K之外,还加入了能源投入E。总产出Y的模型如下:(11)Y=(ALL)α(AKK)β(AEE)γ在此框架中,AL、AK和AE分别代表劳动力、资本和能源的生产率。参数α、β和γ则表示劳动力、资本和能源的产出弹性。对生产函数两边取自然对数后可得以下表达式:(12)lnY=αlnAL+αlnL+βlnAK+βlnK+γlnAE+γlnEGTFP的对数定义为ln(GTFP)=αlnAL+βlnAK+γlnAE。该表达式代表了劳动生产率、资本生产率和能源生产率的加权平均值,权重对应于各投入要素的产出弹性。实际上,GTFP的计算公式为:GTFP=ALαAKβAEγ。因此,这一关系可以用对数形式表示为:(13)ln(GTFP)=lnY?αlnL?βlnK?γlnE方程(13)表明,空气污染可通过Y、L、K和E影响GTFP。为了实证检验这些潜在渠道,我们用实际GDP、劳动力就业、资本存量和能源消费的自然对数分别替代因变量。表2展示了估算结果。表2. 机制分析。空白单元格IV:天数1 lngdp (1)IV:天数1 lnlabor (2)IV:天数1 lncapital (3)IV:天数1 lnpower (4)PM2.50.00060.0190**?0.0159**0.0360**空白单元格(0.0059)(0.0079)(0.0080)(0.0181)控制变量√√√√城市固定效应√√√√年份固定效应√√√√样本量2680268026802680表2的第(1)列显示,空气污染对产出的影响为正,但并不显著。尽管空气污染通常被认为会对经济增长产生不利影响,但在中国发展的某些阶段,短期增长仍可能由高能耗、高排放的产业推动(Green和Stern,2017)。这种增长模式往往以牺牲环境为代价,并不属于绿色发展。第(2)列显示,空气污染与劳动力呈正相关。这一结果与第(1)列一致,可能是因为我们将劳动力定义为就业人数总和。在资源密集型城市,采矿、钢铁、水泥和化工等高污染产业仍占据重要地位。这些行业通常对劳动力需求较大,可能在一定程度上掩盖了污染对人力资本积累的长期负面影响。第(3)列和第(4)列显示,在5%的显著性水平下,空气污染对资本有显著的负向影响,而对能源则有显著的正向影响。就资本而言,空气污染可能削弱投资者信心,减少资本流入,限制企业扩张,并增加基础设施维护成本,从而降低资本效率(Kuang和Peng,2012)。在能源方面,对高污染化石燃料的依赖往往伴随着高能耗(Zhang和Lin,2012;Lu等人,2021)。为进一步评估表2中关于GDP和劳动力的研究结果是否受城市类型的影响,我们采用了与差异化分析相同的分类方法。表A4展示了估算结果。第(1)列和第(2)列显示,在资源型城市中,空气污染与GDP之间存在正相关关系,而在非资源型城市中则呈负相关。同样,第(3)列和第(4)列表明,在资源依赖型城市中,空气污染对劳动力有显著影响,而在非资源型城市中则不存在此类效应。因此,上述结果表明,空气污染与经济活动之间的正相关关系主要出现在资源依赖型地区,这进一步证实,在全部样本中,劳动力渠道并非真正的生产力传递机制。如图2所示,空气污染主要通过资本渠道和能源渠道削弱城市的GTFP。对此,政府应实施更严格的环保信息披露要求,提高资本配置效率,推动绿色可持续发展。下载:下载高分辨率图片(424KB)下载:下载完整尺寸图片图2. 机制分析框架。4. 污染减排与碳减排的协同效应本节探讨污染减排与碳减排的协同效应,重点分析二者对GTFP的共同影响。空气污染物和温室气体源自相似的来源、驱动因素和排放路径(Yang等人,2025;Long等人,2025)。图3显示,在本研究涉及的样本城市中,这两类排放的时空分布模式存在大量重叠,表明污染减排与碳减排工作具有很强的协同潜力。这一潜力已在政策层面得到正式认可。2022年6月,七家政府机构联合发布了《污染与碳减排协同实施计划》,旨在到2025年建立协调一致的框架,推进污染控制与碳减排工作,并力争到2030年显著提升协调能力。这一政策方向凸显了协同方法在中国“双碳”战略中的核心地位。在此背景下,本节的分析不仅有助于我们更深入地理解空气污染如何通过协同的污染减排与碳减排措施影响GTFP,还为设计更有效的绿色发展政策提供了科学依据。下载:下载高分辨率图片(967KB)下载:下载完整尺寸图片图3. PM2.5与碳排放的分布情况。表3展示了碳排放的相关结果,进一步证明了污染控制与碳减排之间的协同效应。第(1)列显示,PM2.5浓度每上升1微克/立方米,碳排放量就会增加2872.6万吨。这一发现表明,从来源、排放机制以及时空分布模式来看,空气污染物与温室气体之间存在密切关联。第(2)列显示,GTFP每提升1%,碳排放量就会减少3571.7万吨,这凸显了提升生产效率作为实现碳减排目标的重要途径。在基于PM2.5与GTFP的主要回归分析基础上,我们估算出PM2.5通过对GTFP的负面影响而间接导致的碳排放量约为2857.3万吨(0.008×3571.652)。这一间接效应几乎与空气污染直接导致的碳排放增量相当(2872.6万吨)。总体而言,PM2.5对碳排放的总影响约为5730万吨,其中约49.9%可归因于其对GTFP的影响。这一结果表明,污染导致的碳排放不仅来自直接的排放过程,还源于生产系统中的效率损失。有研究表明,污染控制措施能够带来显著的碳减排协同效益,尤其是在那些能够提升要素配置效率并推动绿色技术升级的政策支持下。尤其通过清洁能源替代、优化资本配置以及以生产力为导向的环境监管来提升全要素生产率,应被视为实现中国双碳目标的关键政策手段。表3. 污染减排与碳减排的协同效应分析。空白单元格CO2排放量(1)CO2排放量(2)PM2.5 28.7 26* (15.5 26) lnGTFP ?35 71.652* (2157.266) 控制变量√√城市固定效应√√年份固定效应√√均值3317.759 3317.759观测值2680 26805. 结论与政策建议5.1. 结论随着中国经济的快速发展和城市化进程的加快,空气污染已成为一个亟待解决的难题。它不仅威胁公共健康和生态环境,还对国家的长期经济和社会可持续发展构成重大制约。全要素生产率作为衡量经济增长质量的重要指标,反映了生产中要素配置的效率,近年来受到了广泛关注。在此背景下,本文基于非参数生产经济学构建了一个新的全要素生产率衡量框架,并将其应用于2011年至2020年间中国268个城市的全要素生产率估算。随后,我们采用工具变量法分析空气污染对全要素生产率的影响。主要研究结果如下:首先,我们发现总资本强度的变化趋势与全要素生产率的变化趋势十分相似,这表明技术进步很可能是推动全要素生产率增长的主要动力。相比之下,能源消费强度与全要素生产率之间的相关性较弱,且往往为负,这说明在绿色发展框架下,提高生产效率仍面临诸多挑战。其次,实证分析表明,PM2.5浓度的下降对全要素生产率的提升有着显著贡献。具体而言,PM2.5浓度每降低1微克/立方米,全要素生产率平均上升0.8%。这一效应在胡焕庸线东南地区的城市、非资源型城市以及非老工业基地更为明显。这些地区通常具有较高的经济发展水平、更强的环境治理能力、更高的公众环保意识,以及更强的能力和意愿去采用和实施新技术。机制分析表明,资本和能源消耗的变化是空气污染影响全要素生产率的关键途径。而在资源依赖型地区,空气污染与经济活动则存在一定的正相关关系。这一发展模式值得政策制定者高度重视并予以相应调整。第三,我们研究了污染减排与碳减排之间的协同效应。研究结果表明,PM2.5浓度的变化预计使得碳排放减少了约573,000吨,其中约49.9%的减排效果可归因于全要素生产率的提升。这表明全要素生产率不仅有助于提升经济质量,还能为碳减排提供支持。因此,污染控制不仅能直接减少碳排放,还能通过提升全要素生产率来实现额外的减排效果。5.2. 政策建议基于上述研究结果,本文从协同治理和区域差异化政策等方面提出了以下政策建议。首先,建立涵盖污染减排、全要素生产率提升和碳排放削减的协调治理体系,推动环境政策从单一的污染控制向多目标协调转变。鉴于PM2.5浓度的下降能够提升全要素生产率,并与碳减排产生协同效应,政策制定者应将空气污染控制纳入碳达峰和碳中和的战略框架之中。这一视角表明,污染控制不仅是环境保护策略,也是提升经济效率的重要途径。在具体实施层面,可将PM2.5减排目标作为城市双碳绩效评估的正式指标。这样一来,地方政府在考虑问题时既能兼顾碳减排,又能关注空气质量改善,避免仅仅依靠压缩生产规模来实现减排。同时,财政补贴和绿色税收优惠也应与全要素生产率的提升挂钩,而不仅仅是与碳排放的减少挂钩。此类政策能够激励城市和企业通过提高效率和技术升级来实现污染控制,而非仅仅依赖末端处理措施。其次,应根据不同地区的特征、发展阶段和资源禀赋,实施差异化的区域环境政策。对于那些经济基础较好、环境治理能力较强的地区,如胡焕庸线东南地区的城市,应采取更严格的环境标准和创新导向的政策,进一步挖掘空气质量改善带来的生产力提升潜力。而对于那些资源型城市和老工业基地,由于转型能力较弱,应将污染控制与产业结构调整相结合,通过推动技术升级、减少对高耗能产业的依赖,以及促进向更清洁、低碳的生产体系过渡,来实现污染控制。第三,由于资本配置效率和能源消费被确定为空气污染影响全要素生产率的关键途径,政策制定者应推动金融市场和能源系统方面的协同改革。在资本方面,政府应通过扩大绿色信贷、绿色债券和可持续性融资等方式,加强绿色金融建设,引导更多资金流向清洁能源、节能产业和绿色创新领域。此外,金融支持还应优先流向那些致力于技术升级和节能投资的企业。在能源方面,政策制定者应加快用可再生能源替代化石燃料的进程,推广节能生产技术,鼓励企业采用更清洁的生产工艺。这些措施不仅能够在源头降低污染强度,还能进一步增强污染控制对全要素生产率的积极影响。5.3. 局限性尽管我们研究了空气污染对全要素生产率的影响,但未来研究仍需解决一些局限性问题。首先,本文是在城市层面衡量全要素生产率的,因此未能考虑空气污染对企业层面全要素生产率的影响。要进一步深入研究这一问题,就需要更全面的微观数据。其次,目前的分析仅聚焦于空气污染物,以PM2.5和PM10作为解释变量,未能体现二氧化氮、二氧化硫和化学需氧量等其他污染物对全要素生产率的影响。未来的研究可以从多个维度探讨这些污染物的影响,并通过引入更详细的数据,进一步丰富和完善现有研究成果。作者贡献声明张宁:撰写——初稿、资料收集、方法论、研究实施、资金获取、数据整理。张慧伟:撰写——初稿、软件应用、方法论、数据整理。张新阳:数据整理。孟欣:撰写——初稿、软件应用、方法论、研究实施、数据整理。孙浩:数据整理。张宁|张慧伟|张新阳|孟欣|孙浩中国山东省威海市,山东大学蓝绿发展研究院,邮编264209