“一带一路”沿线国家绿色经济效率评价

崔卓楠，李 冰

（上海理工大学 管理学院，上海 200093）

一、引言

“一带一路”倡议自2013 年提出至今,不断发展并取得重要成效。中国一带一路网①资料来源：https://www.yidaiyilu.gov.cn/xwzx/roll/77298.htm.数据显示，截至2022 年7 月，中国已同149 个国家和32 个国际组织签署二百余份共建“一带一路”合作文件，涵盖投资、贸易、金融等领域。FDI 对东道国的技术进步、产业结构调整与经济增长的推动作用日益引起各界关注。根据联合国贸发会议《2021 年统计手册》，全球外国直接投资流量较2019 年下降35%，该趋势在发达的经济体中尤为明显，但亚洲受影响较小。这不仅体现“一带一路”更好地稳定并促进区域内各国之间的经贸合作，为各国经济复苏做出贡献，还表明我国坚持对外开放，坚持多边合作的积极态度。随着绿色发展理念的深入，习近平总书记提出“绿水青山就是金山银山”等发展理念。而现阶段“一带一路”沿线国家整体发展水平较低，生态环境多样，各国经济发展对资源的依赖程度较高，又普遍面临着产业结构调整、绿色发展等问题。这要求“一带一路”沿线各国在发展时不能以粗放型方式过度投入生产要素追求经济总量的增长，还要考虑环境成本，加快推进经济绿色和高质量发展。因此研究沿线国家的绿色经济效率，对沿线国家的经济可持续发展以及我国对外投资活动具有重要意义。文章测算了“一带一路”沿线国家的绿色经济效率，进一步与传统经济效率比较，探讨绿色经济效率的影响因素。绿色经济效率测算中，侧重于外商直接投资（FDI）在沿线国家绿色经济发展中的作用，以FDI作为重要的投入指标之一，同时考虑能源投入与环境污染产出。

二、文献综述

（一）绿色经济

英国环境经济学家皮尔斯在《绿色经济蓝图》[1]中首次提出绿色经济概念，强调经济和环境的和谐发展。绿色经济从此便受到世界各国关注，逐渐发展为全球性理念。之后有学者（D'Amato 等，2017）[2]对绿色经济概念进行了拓展，提出绿色经济是一个“伞状”概念，包括循环经济和生物经济。近年来，国内外诸多学者从不同领域对绿色经济展开研究，Florin 等（2021）[3]对罗马尼亚的绿色经济文献进行了梳理，识别出其面临的挑战并给出改进建议。由于绿色经济强调低碳发展，朱兆一等（2022）[4]便分析了已实现“碳达峰”的以色列绿色经济发展的总体特征，并对中国借鉴以色列经验进而实现低碳经济给出了政策建议。Nada 和Sverko（2020）[5]研究后得出相关政策对克罗地亚国内生产总值和就业总额存在潜在的积极影响。在FDI 是否会影响绿色经济发展的问题上，有学者认为推行对外投资绿色化，发展绿色金融是践行绿色发展理念的深刻体现，同时也是经济转型升级、推动绿色经济发展的重要方式（王文和杨凡欣，2019）[6]。杨栋旭和于津平（2021）[7]也发现投资便利化会通过强化FDI 在跨国并购中的外溢效应来提高东道国的绿色全要素生产率水平。以上研究与发现均为后续研究FDI 在绿色经济发展中的作用提供了理论和数据支撑。

（二）绿色经济效率评价

绿色经济效率，指考虑资源投入和环境成本后所测算的经济发展综合指标，可量化地区或国家在发展过程中的投入产出效率（杨龙和胡晓珍，2010；钱争鸣和刘晓晨，2013）[8-9]。绿色经济效率可采用不同的方法和模型进行测算。较多学者采用数据包络分析，在中国省域层面，Wu 等（2020）[10]用DEA方法中的Super-PEBM 模型测算了中国30 个省份的绿色经济效率及其动态变化特征；陈祖华和何兆钰（2020）[11]用三阶段DEA 测算中国17 个“一带一路”沿线省区市的绿色经济效率。而在国家层面的研究中，文淑惠和张诣博（2020）[12]使用超效率DEA模型测算“一带一路”沿线国家的经济增长效率；霍林等（2021）[13]使用超效率DEA 模型测算了中国对东盟国家OFDI 的投资效率。使用DEA 方法测算绿色经济效率时，需确定投入和产出指标，虽然上述学者研究对象不同，选取的指标与数据，采用的模型不尽相同，但都为后续研究提供了方向与参考。其他学者则有使用随机前沿引力模型（张友棠和杨柳，2020；吴瀚然和胡庆江，2020；胡冰和王晓芳，2019）[14-16]、全局非径向方向性距离函数（杜莉和马遥遥，2019）[17]来进行实证研究。

（三）影响因素

与此同时，学者们对绿色经济效率的影响因素也进行了探讨，涉及的视角与领域更加多元化。例如,在金融发展视角下，Liu 等（2020）[18]侧重考察了中国绿色金融与绿色经济的协调发展关系，发现二者呈现较强的空间依赖关系。蒋金荷等（2022）[19]则研究了中国绿色经济转型潜力的驱动因素，认为吸引FDI 水平是主要驱动因素之一。周杰琦和张莹（2021）[20]也直接考察了FDI 与绿色经济效率的关系，不同的是，他们从经济集聚视角下得出FDI 虽然对绿色经济效率起到双重作用，但整体上有利于提升绿色经济效率。同样聚焦于经济集聚作用的林伯强和谭睿鹏（2019）[21]则认为经济集聚会通过基础设施、劳动力市场高级程度以及环境规制对绿色经济效率产生先促进后抑制的影响。另外在制度层面，Su 和Zhang（2020）[22]测算中国30 个省份的绿色经济效率后，用Tobit 模型揭示了环境规制会影响中国绿色经济效率，发现二者关系根据地域不同分为倒U 型和负相关型。

三、绿色经济效率测算

（一）测算方法与指标数据

参考已有文献（Andersen 和Petersen，1993；Goto等，2014）[23-24]，本文选取超效率DEA 模型测算绿色经济效率。数据包络分析（DEA）是一种非参数方法，不需要对生产函数形式进行定义与假设，对权重也没有要求，结果较为可靠且客观性较强，被广泛应用于多输入多输出的效率测度。而超效率DEA模型可对位于效率前沿的决策单元进一步排序区分。考虑资源投入和环境污染对绿色经济效率的影响，借鉴现有相关研究（岳立和杨玉春，2019；陈闻君等，2021）[25-26]，故选取劳动力数量、IFDI、固定资本形成总额、一次能源消费作为投入指标，产出指标包括GDP 和CO2排放量。

本文采用2009—2020 年沿线各国的相关数据，筛去了数据缺失多、FDI 为负的国家，最终构建45个国家的平衡面板数据。国家样本涵盖东南亚、南亚、西亚北非、中亚和中东欧等地区。数据来源包括世界银行WDI 数据库、BP 世界能源统计和EIA 数据库。数据处理中，对于少数在部分年份缺少相应数据的国家，采取移动平均法计算并填补其缺失值，以尽量保证测算样本国家的数量。所有指标中除了对非期望产出CO2排放量进行了逆向化处理，处理后取值区间为[0，1]，其余指标均采用原始数据，未做其他处理。

（二）绿色经济效率结果

绿色经济效率部分结果如表1 所示，限于篇幅，仅展示部分年份结果。从全部结果来看，经济不发达、投资热度低的尼泊尔排名前列，查验原始数据后不排除是原始数据的极端异常值导致。因为当投入变量接近零时，超效率值可能不稳定。除此之外，绿色经济效率较高国家依次为马尔代夫、以色列、伊朗等国家。这些国家有较强的投资吸引力和较发达的科技水平，或者第三产业占比高且高污高排产业对经济贡献占比不高。马尔代夫旅游业或服务业占经济比重较大；伊朗在中东国家经济实力排名前列，丰富的石油储备、工业和科学技术较为先进；以色列作为亚洲的发达国家，其科学技术水平排名世界前列。而效率排名落后的国家分别为白俄罗斯、越南、印度、乌兹别克斯坦等。从影响因素分析可能是经济发展水平落后导致基础设施建设不完善，以及经济的不稳定性造成外商投资减少，进而对效率产生负向影响。从发展程度上看，这些国家基本属于发展中国家，自身经济的局限性也是因素之一。以越南为例，其作为东南亚的代表国家，是廉价劳动力的集中地，发达国家低端制造业在此设厂，既破坏环境，经济效益也不高，核心技术也由于壁垒无法掌握，因而造成绿色经济效率低下。此外，低效率还可能由于当地官员为了自身晋升前景，不得不放松环境监管所导致。

表1 部分国家绿色经济效率

文章同样测算了传统经济效率（未考虑能源消耗和碳排放），结果限于篇幅不作展示。由于不同年份效率值无法直接比较，故采用相对排名情况来描述效率变化。比较来看，传统经济效率和绿色经济效率结果均存在区域集群分布特征。二者相同点在于效率相对较高的国家几乎都集中在中东欧及西亚北非地区，而南亚和东南亚地区国家大多表现不理想。后者所在区域由于发展中国家较多，经济不稳定、基础设施落后，且发展处于粗放式经济，对环境的治理并未能做到有效充分。而发达国家的经济已经脱离牺牲环境的粗放式发展，且拥有先进的技术，第三产业经济比重较大。在考虑资源投入和环境污染后，部分国家的绿色经济效率相较传统效率变化较大，如俄罗斯、印度、吉尔吉斯斯坦、马来西亚、马尔代夫、柬埔寨、捷克等国家最为突出，其中俄罗斯、捷克、马来西亚的效率排名呈下降趋势，而吉尔吉斯斯坦、印度、柬埔寨、马尔代夫呈上升趋势。

四、影响因素分析

（一）回归模型

在探讨绿色经济效率的影响因素时，考虑到效率值不能直接跨期比较，直接用效率值作为回归因变量可能导致模型失效，故本文将上文测算的所有国家的效率值按年份进行排名，根据传统效率排名和绿色效率排名的下降和上升情况定义为逻辑回归因变量0 与1，在参考前人（吴瀚然和胡庆江，2020；霍林等，2021）[15][13]的基础上，选取六个相关经济变量分别代表不同维度，整合并构建影响因素体系。最终建立如下逻辑回归模型：

式（1）中，GLit为第i 个国家在第t 年的逻辑因变量，取值0 或1，inc 表示人均收入，fla 表示通货膨胀率，tax 表示总税率，elc 表示通电率，city 表示城市化率，unemp 表示失业率，α 为常数项，β 为自变量的估计参数，εit为随机扰动项。回归变量数据均来自世界银行WDI 数据库，为消除量纲的影响、消除异方差及保证回归系数取值合理，对水平量取自然对数，比例变量不作处理。描述性统计分析结果显示（略），国民收入的标准差较大，说明样本国家的经济发展水平差异很大，回归模型中对其取对数。相关性分析结果显示（略），各解释变量之间相关系数较低，不存在多重共线性问题。

（二）回归结果

如表2 所示，绿色经济效率的影响因素回归结果表明，解释变量的回归系数均通过显著性检验，变量符号除城市化不符预期，其余均符合预期，可以得出：

表2 logit 回归结果表

人均收入对绿色经济效率有负向影响，且在1%的水平上显著。系数为负，即人均收入越高，代表该国家投资时劳动力成本越高，且部分沿线国家人均收入严重依赖能源贸易，从资源投入和环境保护的角度下，不利于绿色经济效率的提高。

通货膨胀对绿色经济效率有负向作用，且高度显著（1%水平上），系数符号与预期相同。系数为负，可能存在门槛效应，即在一定区间内通货膨胀率越高，说明该国家的经济发展不稳定，其带来的物价上涨、投资停止等一系列社会问题会降低绿色经济效率。

总税率对绿色经济效率有负向作用，在10%的水平上显著。系数为负，即当地的税率越高，外国直接投资障碍壁垒越高，越不利于外国直接投资进入，从而降低绿色经济效率。

通电率对绿色经济效率有正向影响，系数为正，即通电率越高，表明国家电力设施越完善，越有利于外国投资建厂，开展制造或者贸易活动，进而提高绿色经济效率。

城市化对绿色经济效率有负向影响，系数为负，与预期不符。虽然城市化可以带来人力、资金、技术等生产要素的集中，但同时资源的过度开发与能源的高消耗可能导致绿色经济效率下降。

失业率对绿色经济效率有正向影响，同样可能存在门槛效应。因为在一定限度内的高失业率会增加劳动力市场的供给，推动劳动力成本下降。但过高的失业率会严重破坏经济发展。此外，根据短期菲利普斯曲线的特点，通货膨胀率与失业率呈替代关系，该回归结果正符合此宏观经济学观点，说明模型拟合较为理想。

（三）稳健性检验

为验证结论是否可靠，本文进行如下稳健性检验：第一步调整样本期间进行稳健性检验，借鉴前人的一般做法（霍林等，2021）[13]，对原样本期间减去首尾年份，结果如表2 第2 列、第3 列所示，回归结果与第1 列基本一致，表明不存在由于时间原因导致模型不稳健的现象。第二步通过替换解释变量进行稳健性检验，考虑到失业率与通货膨胀率存在替代关系，且FDI 在上文作为投入指标衡量效率，故将失业率替换为人均FDI，数据来自世界银行WDI 数据库，并作绝对值处理。结果如表2 第4 列所示，解释变量的系数符号和显著性均未发生明显变化，说明替换变量并不会影响模型的准确性，原模型的回归结果较为稳健。

五、结论与建议

本文构建包含资源投入和环境污染产出的评价体系，使用超效率DEA 模型对“一带一路”沿线国家的绿色经济效率进行测算，进一步与传统经济效率比较，最后对影响绿色经济效率的因素进行回归分析，归纳得出以下结论：

第一，“一带一路”沿线国家绿色经济效率具有明显的区域集聚分布特征，效率相对较高的国家集中在中东欧及西亚北非地区，而南亚和东南亚地区的国家绿色经济效率表现不理想。另外在样本期间，不同国家之间的效率差异呈现波动震荡的变化趋势。

第二，与传统经济效率相比，部分国家的绿色经济效率排名变化较为明显，其中俄罗斯、印度、吉尔吉斯斯坦、马来西亚、马尔代夫、捷克等国家最为突出，俄罗斯、捷克、马来西亚的效率排名呈下降趋势，而吉尔吉斯斯坦、印度、柬埔寨、马尔代夫呈上升趋势。

第三，从绿色经济效率的影响因素来看，人均收入、通货膨胀、总税率和城市化对一个国家的绿色经济效率存在负向作用，而通电率和失业率具有正向影响，回归结果显著且具有稳健性。

基于以上结论，对如何改善“一带一路”沿线各国FDI 绿色经济效率有如下建议：

首先，东道国要稳定本国经济，保证通货膨胀率在合理范围内，在全球价值链中向两端移动以掌握高附加值环节，逐渐取代劳动密集型的低附加值环节，获取高的投资竞争力和盈利能力。

其次，通过降低商业税率创造良好的投资营商环境，并与政策相互配合增加投资便利度，吸引外商投资，从而提高绿色经济效率。但之前有学者认为改善企业过度投资可以提高投资效率，因此也不可盲目对中低收入国家过度投资。

最后，沿线各国要挖掘自身绿色经济发展潜力，充分利用FDI 的技术溢出效应，在加强基础设施建设的同时融合利用绿色技术、新能源、碳排放专利等，在提升基础设施建设水平的同时关注绿色减排，达到资源节约和环境友好型社会，提高绿色经济效率，实现经济绿色发展。