绿色全要素生产率测算方法的研究现状与发展

任秀峰　邱兰

摘要：指出了绿色全要素生产率是综合评价经济增长与环境保护的重要发展指标，它的测算方法对经济增长和环境保护的协调、稳定发展具有重要的指导意义。采用文献法对绿色全要素生产率的研究现状与发展进行了研究，从主要的两种测算思路出发将测算方法分为参数与非参数两类，并对比分析了两类主要的测算方法的优势与劣势。

关键词：绿色全要素生产率;两山理论;经济高质量发展

中图分类号：F424 文献标识码：A 文章编号：1674-9944（ 2020） 2-0226-02

1 引言

綠色全要素生产率是兼顾经济增长与环境保护、人与自然和谐的绿色发展指标。随着经济的不断发展，环境问题也日益严峻，这就要求在经济发展的同时必须要做好环境保护工作。“十三五”规划指出，绿色是持续发展的必要条件，必须坚持节约资源和保护环境的基本国策;党的“十八大”、“十九大”中都将绿色经济发展作为我国经济增长转型的主要目标，以此来提高经济增长的质量。国家主席习近平同志提出的著名的“两山理论”和“经济高质量发展理论”中都明确指出了绿色经济、绿色发展是我国将会长期坚持的基本发展战略。

绿色全要素生产率（ GTFP）是衡量和评价经济增长质量的全面、优良指标，它将能源消耗与环境污染纳入到传统的全要素生产率（ TFP）核算框架中。在GT-FP指标提出之前，经济研究中衡量和评价经济增长的质量主要采用的指标为绿色GDP和全要素生产率（TFP）。绿色GDP是由GDP中扣减资源消耗与环境损失得到，由于资源、能源等与资本间往往具较高的相关性，其次就是环境成本测算困难，所以绿色GDP的测算方法在实际应用中难以实现。TFP测算主要考虑劳动力与资本两大投入要素，部分学者在测算中将人力资本也考虑进来。TFP测算中资本与劳动力数据容易获得，通过参数与非参数的方法都能较容易地测算出结果。但这两种处理方法都没有考虑环境生态因素与资源短缺对于经济发展的约束，这显然与实际经济发展情况不相符合。绿色全要素生产率（ GTFP）测算不但考虑到经济增长中的劳动力、资本、能源消耗等投入问题、同时还考虑到生态环境问题[1-6]。

2 绿色全要素生产率测算方法的研究现状与发展

李俊和许晋涛（2009）通过在TFP测算中加入了反映环境变化的变量将其作为经济增长的指标，并首次在国内文献中应用绿色全要素生产率（ GTFP）的概念。在此之前考虑环境与资源因素的全要素生产率测算中一般将它称为环境全要素生产率，或环境约束下、环境规制下的全要素生态率。随着绿色全要素生产率概念的提出，它的测算方法也有了较大的发展。通过对已有的与GTFP测算方法相关的文献进行梳理，本文将测算方法总得分为两大类：参数方法与非参数方法[7-10]。

2.1 参数法测算的研究现状与发展

采用参数方法进行测算时一般要通过设定生产函数的形式来测算GTFP并将其分解为技术进步、技术效率、规模效应等。在现有的文献中使用参数方法进行GTFP测算的文献相对较少。匡远凤，彭代彦（2012）运用超越对数生产函数形式及随机前沿（ SFA）分析方法对我国三大区域的环境全要素生产率进行了测算。李兆亮等（ 2017）通过设定生产函数的具体形式测算了我国农业的绿色全要素生产率。武义青、陈俊先（ 2018）引入“势效系数”对C-D生产函数进行修正，运用面板数据测算了河北11个区市的绿色全要素生产率，“势效系数”的引入可以在测算过程中得到各单个要素（劳动力、资本、资源、能源）生产率对于绿色全要素生产率的影响。

2.2 非参数法测算的研究现状与发展

非参数方法不需要设定生产函数的形式，直接由数据出发来测算。非参数方法主要基于方向性距离函数运用数据包络分析（DEA）的方法进行测算。Chung等1997年提出基于方向性距离函数的Malmquist绿色全要素生产率指数测算模型，最早使用DEA的方法测算MalmquistGTFP指数，并且首次比较合理地拟合了环境因素在生产活动中所起到的制约作用。此后基于方向性距离函数运用DEA方法测算和分解GTFP指数的方法在国际和国内文献中成为了使用最多也最为广泛的方法。例如，Fare等（2001），Sickles（2004），Nanere等（ 2007），Kumar（ 2006），王兵等（2008），陈诗一（2009），贺胜兵（2009），许海萍（2009），刘华军、杨骞（2014），石风光（2014），冯志军等（2016），李琳（2018）等将非期望产出（“坏产出”）作为产出变量基于方向性距离函数构建了Malmquist - Luenberger（ MI_）绿色全要素生产率指数，并运用DEA方法测算。在测算GTFP指数时ML生产率指数在Malmquist指数基础上进一步地考虑到了非期望产出的问题，这样的计算与实际的经济情况更加接近，但是学者们在研究中发现测算ML生产率指数时使用当期DEA和跨期DEA在结果上存在一定的差距，这表明用ML方法测算的GTFP指数对于所选样本的时期有较强的敏感性。为了克服这种敏感性，学者们进行一步用Simar和wilson的DEAbootsrap的方法来纠偏ML方法，形成了MalmquistLuenberger - bootstrap（ MLB）模型。此外，Arabi（2015），Emrouznejad（ 2015），黄永春、石秋平（2015）等考虑到生产中投入要素与产出的可处置性，所以求最优解的目标函数中引入了投入与产出的松弛量来对方向距离函数进行估计，这种测算方法也被简称为（ SBM）模型。MLB和SBM这两种在ML基础上改进的模型也被国内学者在测算绿色全要素生产率时广泛使用。魏玮、谭林等（2015）运用MLB模型测算了我国T业绿色全要素生产率。尹传斌，蒋奇杰（2017）运用SBM模型测算了我国西部地区的绿色全要素生产率，结果显示西部地区的绿色全要素生产率是提高的，进一步将GT-FP分解为绿色技术进步与绿色效率两部分后发现前者提高而后者是下降的。黄秀路等（2017）使用SBM模型测算了“一带一路”国家的绿色全要素生产率。同样使用SBM模型测算绿色全要素生产率还有李斌等（2016），原毅军、谢荣辉（2016），胡晓琳（2016），龚新蜀（2017），华学成（2018）等。

3 两类主要测算方法的优势与劣势对比

从现有文献中对比参数方法与非参数DEA方法，后者在分析过程中有3个明显的优势：①可以处理多投入与多产出的问题。这种是参数方法很难实现的，参数方法一般情况下只能解决单一产出问题。所以在已有文献中使用参数方法进行估计和测算时，不得不将资源与环境污染的因素作为投入变量或者是作为环境的约束变量从环境规制的角度来分析，而不是作为生产中的产出变量来进处理。②可以将环境与资源引入分析和测算的框架中，二者可以出现在投入与产出任意一方在技术上都是可以处理的，并且还能避开资源与环境价值的测算问题，直接用资源使用量和环境污染排放量数据就可以进行分析和测算（环境与资源的市场价值是比较难测算的，在生态学、经济学领域中研究这方面的文献不少，但至今没有形成统一的大家都认可的方法）。③可以将产出分为“好”产出与“坏”产出两类来处理，这样处理方式更加符合经济增长的实际情况。资源与环境作为投入要素能得到“好”产出，同时还会得到环境污染这样的“坏”产出。这样GTFP的测算中自然就可以更进一步对提高“好”产出，降低“坏”产出的方法进行分析。

然而，参数方法也有比DEA方法更具优势的地方。①参数方法测算绿色全要素生产率（ GTFP）更具有经济意义。DEA方法运用方向距离函数直接由数据出发，投入与产出之间的生产界面被由数据构成的距离空间所代替。DEA测算所得结果是总量层面的增长指数形式，即使将GTFP分解成效率、技术、规模等分解项也无法明确各个投入要素效率的改变与GTFP之间的关系。而参数方法就容易得到各个投入要素效率对GTFP的作用，特别是武义青、陈俊先（2018）参数估计时将“势效系数”引入模型，而“势效系数”就是直接反映各个投入要素效率对GTFP影响大小的。②参数方法对数据不敏感，结果比DEA稳定，特别是在实证数据为面板数据的情况下。尽管用MLB模型通过bootstrap的方法来对DEA測算结果进行纠正偏误，但是DEA方法在没有投入与产出间基本规律（函数形式）的设定下，随机误差项的影响就会被包含在计算的结果之中。③参数方法可以进一步计算各投入要素之间的替代弹性问题，而DEA方法无法进行替代弹性测算。要素间的替代弹性，特别是劳动力、人力资本对于资源与环境要素的替代弹性也是我们研究经济增长质量与经济增长转型的关键指标，具有很强的经济和政策指导意义[11-16]。

参考文献：

[1]Chung Y H， Fare R，C;rosskopf S.Productivity and UndesirableOutputs：A Directional Distance Function Approach[Jl. Micro-economics， 1997，51（3）： 229-240.

[2]Doraisamy S M， Ramli N A. Productivity growth in Malaysianmanufacturing sector：A two stage analyses of the malmquistluen-berger productlvity index [Jl. 2014.

[3]Munisamy S， Arabi B.Eco efficiency change in power plants：using a slacks- based measure for the meta frontier MalmquistI_uenberger productivity index[Jl. Journal of Cleaner Produc-tion，2015（105）：218～232.

[4]Oh D H.A Global Malmquist- Luenberger Productivity Index-an application to OECD countries 1990 2004[Jl. Working Paper. 2009（10）.

[5]Kim T，Kim C G.An Alternative Measure for Green Growth inthe U.S.Agriculture Using the Malmquist- Luenberger Produc-tivity Index [J]。

[6lEmrouznejad A，Yang G L. A framework for measuring globalMalmquist- Luenberger productivityIndex with C（）2 emissionson Chinese manufacturing indust ries[Jl.

Energy， 2016（ 115）： 840 -856.

[7]杨文举，龙睿赟，中国地区工业绿色全要素生产率增长：——基于方向性距离函数的经验分析[J].上海经济研究，2012（7）：3-13.

[8]武义青，陈俊先.绿色全要素生产率测定的一种新方法——以河北省11个设区市工业为例[J].河北经贸大学学报，2018（2）.

[9]王许亮，门小璐，胡宗彪，中国服务业分行业绿色生产率变迁与收敛性研究[J].武汉理工大学学报（社会科学版），2018（3）：58--67.

[10]李兆亮，罗小锋，薛龙飞，中国农业绿色生产效率的区域差异及其影响因素分析[J].中国农业大学学报，2017（10）：203- 212.

[11]李斌，祁 源，李 倩，财政分权、FDI与绿色全要素生产率——基于面板数据动态GMM方法的实证检验[J].国际贸易问题，2016（7）：119-129.

[12]原毅军，谢荣辉.环境规制与工业绿色生产率增长——对“强波特假说”的再检验[J].中国软科学，2016（7）：144-154.

[13]魏玮，谭林，刘希章.中国工业绿色全要素生产率动态演变特征研究[J].价格理论与实践，2015（9）：91-93.

[14]崔 晓，张屹山.中国农业环境效率与环境全要素生产率分析[J].中国农村经济，2014（8）：4-16.

[15]刘华军，杨骞，资源环境约束下中国TFP增长的空间差异和影响因素[J].管理科学，2014（5）：133～144.

[16]韩海彬，赵丽芬.环境约束下中国农业全要素生产率增长及收敛分析[J].中国人口·资源与环境，2013（3）：70～76.

作者简介：任秀峰（1984-），男，博士，讲师，主要研究方向为绿色发展与经济增长，农村经济发展。

通讯作者：邱兰（1986-），女，硕士，主要研究方向为林业经济管理。