低碳约束下制造业减排创新绩效的DEA-Tobit估计

唐潜宁

（西南政法大学 经济学院，重庆 401120）

1 问题的提出

随着全球经济的快速增长，与之相关的气候、环境问题随着经济增长推进动力——工业的发展而不断扩大。其中，工业的快速增长使得工业生产过程中的排放成为制约全球经济向生态化、低碳环保进步的重要因素。各国在出台各项环保化约束政策的同时，也呼吁制造业能通过生产创新减排来实现更为环保化的经济增长。然而制造业在自身内部创新过程中同时面临减排压力和减排创新乏力的双重问题，因此结合低碳约束获取制造业减排创新绩效势在必行。

面对环境治理约束与生产创新扩展，产业主体的创新投入与生产环境制约是一个相互作用的变量，共同影响着产业的减排创新绩效。学者们分别采用数据包络、随机前沿等方法开展实证分析，并分别从产业部类的直接生产低碳化控制[1]，碳排放量和碳强度的协同控制[2]，碳竞争力、碳强度[3]以及减排创新的“碳交易”市场运营机制[4]开展研究。而对于制造业，产业内部的环保化技术创新意味着生产环节的低碳化嵌入和环境技术的进一步控制改良[5]，并在这一过程中实现环保化技术创新投入与环保创新效率的平衡[6]。综上所述，对于生态与产业创新以及环保化发展的综合问题，在产业低碳约束背景下，各种减排创新实践行为之间的互动作用，以及这种相互作用对于整个创新目标实现的影响等问题，应该在既有研究基础上进一步深入。为此，本文利用DEA-Tobit对样本指标进行逐层回归后，借助DEA截尾数据进行样本间减排创新行为互动作用的极大似然估计，以期获得低碳约束背景下的减排创新实践作用影响规律。

2 制造业减排技术创新的基本模型设定

2.1 DEA模型框架

DEA（数据包络分析）主要用于一对多映射模式的决策行为所对应的效应评价问题。对于低碳约束背景的产业减排创新措施，可以结合其不同的减排措施进行相应的评价。因为对于低碳约束下的减排创新，不仅包括制造业针对其传统生产的生产环保化效能问题，也可以促使企业主体通过更多环保化投入的创新来实现生产全流程环节的低碳创新绩效。这便是一个项目目标决策映射下的多决策应对措施决策单元集，符合传统DEA框架设定。根据低碳约束背景要求，以及制造业减排创新的措施差异，可以设定制造业减排创新的基本DEA评估方法模式：

式（1）分别表示一个决策单元对应的效率增长以及效率进步，在低碳约束背景下的产业减排创新分别对应了产业减排后产业产出增长比，以及减排过程的创新度；第三项为前两项的乘积，测度了决策单元对应的纯效率增长，这里主要对应刻画低碳约束背景下的制造业减排创新增长效应。当效率进步超过1时，意味着决策主体实现了对应一个决策目标的多项决策实践，在这里对应的是制造业主体为适应更高要求的低碳约束而实施的超越原先自我内部环保化生产要求的减排创新；而当效率增长超过1时，决策主体的决策时间实现了映射下的目标，在这里对应的是制造业通过相应的减排创新措施实现了产业产出的增长。

同时，按照DEA数据包络分析针对样本决策目标的投入、产出分别按照如下决策单元进行设定：

式（2）主要是一个基于基本决策单元的趋近非阿基米德无穷小量、松弛变量、剩余变量，三者对应的决策单元都可以被设定为基础C2R关联形式。其验证基础条件是，XT取值1时，上述决策单元弱有效，否则设定S+=S-=0，进行进一步DEA规划检验。式（3）为前述制造业减排创新决策行为对应的投入、产出组合，如此循环直至获得主体每一个映射决策目标获得多决策单元对应的投入最小化和收益最大化，由其对应的达成决策目标时的收益，即：

2.2 Tobit模型机理

Tobit模型一般用以解释因变量在受到自变量相互间动态作用影响的问题，最先被应用于消费者动态需求的分析，而后逐步由经济学家Goldberger采用于其他计量分析。Tobit模型一般模型为：

对应低碳约束背景下的制造业减排创新举措组合，式（5）对应的回归模型为：

即经过转置后的样本对应目标层级效应的指标间相互作用机制以及作用关联程度。

3 变量选取与数据来源

结合上文分析，本文将制造业在低碳约束下的减排技术视作基于环境污染和能耗规制下的创新驱动技术改进，因此将变量选定为投入以及产出两方面。其中，投入主要考察了制造业为进一步削减其生产过程中的能耗要素进行的人力、物力改进以及前述的环境污染，而产出方面则归纳为减排技术形成后的产出增值。其中，环境污染按照“三废”来源类型的结构比。该单项首先以每一种类型的排污熵值进行差异系数折算，其中，污染源熵值以及差异系数确定按式（7）至式（9）进行：

其中，fp、gp分别为不同污染源排放的测度熵值以及对应的污染源差异弹性值。

式（9）作为相较于fp具有不同污染源的排放权中，由此可以进行不同污染源交叉后的产业部类内综合环境污染指数：

以上指标构成低碳约束背景下制造业减排技术创新的测度指标，一级指标对应下的二级指标及其测度方式具体如表1所示。

表1 低碳约束背景下制造业减排技术创新绩效测度指标

以上关于产业产出增长以及减排技术创新过程中的人力、物力投入方面的数据源自相应年份的中国统计年鉴、中国科技统计年鉴、中国工业统计年鉴，而环境污染的累积量投入则源自中国环境统计年鉴。

4 制造业减排创新绩效分析

4.1 制造业减排创新与投入发展现状分析

根据式（1）至式（4），本文针对选取样本指标进行了环境污染作为投入变量与制造业投入增长对比的变动态势分析（见表2）。

表2 低碳约束背景下制造业减排过程环境污染变动态势 （单位：%）

从表2中可以看出，样本在不同制造业产业部类中基本保持了以相对向上而且稳定的环境污染“投入”变量增值，从2006年的21.22%增至2015年的31.28%，年均增幅为4.74%，并从2010年开始逐步加快“投入”步伐。尽管在年涨幅上要低于整个制造业的投入增长幅度，但是从总体走势来看，制造业的环境污染要大于投入增长的波动；而相比之下，制造业投入增幅从2006年的24.25%增长到2015年的35.28%，年均增幅保持在4.55%。可见，自2006年以来制造业实施了大量的创新投入，然而由于对产业创新投入中的减排创新只是在近几年形成重视，措施的出台与效应的获取存在一定程度的滞后，致使大量的制造业创新投入未能直接转化为基于创新投入的环境减排改善。

4.2 制造业减排创新DEA指标分解

根据上文分析，将制造业总产值增值比作为效率增长，将减排创新程度作为效率进步，进行低碳约束背景下制造业减排创新绩效的DEA效率分解（见表3）。

表3 制造业减排创新效应的DEA分解

从表3可知，形成DEA显著效率时序在综合变动方面表现为逐年下降，相应的曼奎斯特指数也仅有第一时续断高于其余时续断，说明制造业在低碳约束背景下的减排创新存在一定程度的综合效率获取时滞性。同时，效率增长上出现先高后低的变动态势特征，而效率进步则保持在相对稳步的发展变化中，说明在进一步的减排创新过程中，制造业通过一定程度的减排技术改造获得了减排创新程度的提升，然而其对应的减排后经济增长相对波动较大，这主要是由于制造业在进行低碳环保化创新的过程中仍然存在技术效应溢出的滞后，而技术改进的程度不深也造成了制造业在低碳约束下的适应性低碳式生产改造无法更高效地直接推动产业减排经济增长，这与马涛等（2011）[3]的研究观点一致。

4.3 低碳约束下制造业减排创新绩效的初步关联影响分析

从上文分析情况来看，制造业在面临如何提升能源消耗水平时，需要考虑投入产出，特别是鉴于制造业自身环保化举措以及外部环境因为制造业着力实施减排技术投入的改造。本文将逐级回归引入针对低碳约束背景下政府对于制造业减排技术创新的措施支持，以及影响制造业减排技术创新绩效增值的影响因素逐层回归（见表4）。

表4 基于DEA-Tobit的制造业减排创新绩效逐层回归

从表4可以看出，无论是人力、物力的减排创新改善型投入，还是环境污染“投入”，均对整个制造业的减排技术创新绩效形成了对应层级中的显著效应。其中，减排创新奖励投入和产业减排技术投入在共同关联这一项上报告了负值，分别为-0.813和-0.719，并且对应的标准差方面，与其他形成制造业减排创新绩效正相关联的因素相比，具有相对较高的标准误差。因此可以确定，单纯从减排创新人员的偶得奖励不能有效促使制造业面临低碳约束的减排行动，而减排投入作为直接的减排创新措施改进，也未完全获得基于低碳约束的产业减排创新绩效改进。

由此，本文基于DEA-Tobit进行基于显著性水平中间值0.8%的设定层级重回归验证，结果如表5所示。

表5 基于DEA-Tobit的制造业减排创新绩效逐层回归

从表5中可以看出，经过显著关联临界值调整后，减排技术创新人员投入、产业减排设备引进、工业“三废”结构比、低碳约束措施限制，以及减排创新产出增值等二级指标均保持了与制造业总体的减排技术向创新绩效正相关，标准差数量级也处于统一级别。可见，基于一定的显著关联灵敏度调整，制造业减排的创新投入、环境污染生产行为的控制才得以获得与产业减排创新的显著关联，DEA-Tobit的逐层回归对于制造业在政府低碳约束背景下的减排创新绩效具有更为显著的解释作用。同时也说明目前阶段，制造业减排创新的内部激励和技术引入仍需要进一步的时间累积来换取产业减排创新绩效。

4.4 制造业减排创新绩效的DEA-Tobit关联分析

根据上文可知，制造业在低碳约束背景下存在减排创新绩效的减排创新奖励投入以及产业减排技术投入等不同选择指标之间的交叉叠合作用，致使直接利用Tobit模型进行OLS检验发生参数效应叠合以及关联影响分析偏离原始数据作用的问题。而上文进一步筛选样本指标则为基于DEA截尾数据进行极大似然估计最优解奠定了基础。

本文将结合χA检验作为设定样本指标选取后的DEA截尾数据中的DEA效率原始值较为显著年份按照两年为一周期进行极大似然估计的样本代入，并按照逐层回归进行DEA-Tobit回归验证，结果如表6所示。

表6 制造业减排创新绩效的Dea-Tobit估计

由表6可知，经过DEA截尾数据χA极大似然估计的Tobit验证，前述相对关联显著程度低的要素指标仍未表现出显著性。即在低碳约束背景下的制造业减排创新绩效DEA-Tobit验证中，减排创新奖励投入和产业减排技术投入分别为0.098352和0.072427，但未通过显著性检验，说明利用减排创新人员奖励没有直接促进制造业减排创新的增长，而产业减排技术投入的追加主要是由于没有高效转化成减排后制造业生产力增长。而相比之下，减排技术创新人员投入报告了0.026728的结果，并通过5%检验；产业减排设备引进报告了0.0231743的结果，并通过1%显著性检验；低碳约束措施限制报告了0.028649的结果，并通过了1%显著性水平，而工业“三废”结构比报告了0.092664的结果，并通过了10%显著性检验，这就说明我国制造业现阶段减排创新绩效尚未获得直接的创新效应，而是主要依赖于工业“三废”排放结构的调整控制来适应低碳约束。在减排创新投入方面，主要依赖的是设备引进，而减排技术的自我创新对整个环保化产业绩效推进则相对乏力。且政府的低碳排放环境规制对于整个产业的减排创新绩效获取产生的作用也相对微弱。

5 结束语

制造业在不断增加投入和创新研发的过程中，还面临能耗水平提升与环境污染减排的压力与问题。不同制造业部类在持续增长和创新投入过程中，存在减排技术创新与总体创新投入不匹配等问题。本文通过介入制造业减排创新的DEA评价截尾数据进行极大似然估计，并按照Tobit逐层回归验证影响制造业在低碳约束下减排创新绩效获取的因素，验证了当前制造业减排创新中的减排技术创新人员投入、减排创新奖励投入、产业减排设备引进、产业减排技术投入、工业“三废”结构比以及低碳约束措施限制等方面的投入和环保化产出因素之间的关联。从验证的结果来看，制造业在低碳约束背景下的减排创新仍受制于产业结构，并相对依赖于产业对于排放物的适应性调整，以及环保化设备的引入。而从产业内部生产环节出发，进行生产方式方法改良来换取减排创新绩效的程度尚有不足。这不仅需要进一步改进减排创新的人员激励机制，而且与政府的低碳约束惩戒措施存在紧密关联。