-
2020年9月22日,中国在第七十五届联合国大会上提出,“二氧化碳排放力争2030年前达到峰值,努力争取2060年前实现碳中和”①。围绕“双碳”目标,国务院印发了《2030年前碳达峰行动方案》②,将工业领域的碳达峰作为“碳达峰十大行动”之一,指出“工业领域要加快绿色低碳转型和高质量发展,优化产业结构,促进工业能源消费低碳化,加强重点行业和领域技术改造”等等,力争率先在工业领域实现碳达峰,为“双碳”事业的纵深推进与长远发展奠定坚实基础。加快推进工业绿色转型,可以借助“内部发展”和“外部寻求”两种路径。一是对内加强自身建设,实现《“十四五”工业绿色发展规划》提出的“大力推进工业节能降碳,全面提高资源利用效率,积极推行清洁生产改造,提升绿色低碳技术供给能力”。二是在当前“构建以国内大循环为主体、国内国际双循环相互促进的新发展格局”的战略背景下,依托蓬勃发展的对外直接投资(Outward Foreign Direct Investment,OFDI)活动和逐年扩大的海外投资规模③,推进更高水平的对外开放,统筹利用国内国际两个市场、两种资源,更好地获得逆向技术溢出[1]、促进绿色技术进步[2]、推动产业结构升级[3]等,为国内工业绿色转型创造良好的条件,即借助“外部寻求”驱动“内部发展”。
-
本文基于2004—2019年中国30个省、直辖市、自治区相关数据,以期定量考察OFDI对工业绿色转型的影响,基准回归模型设置如下
$$ \mathrm{l}\mathrm{n}\:{\mathrm{I}\mathrm{G}\mathrm{T}\mathrm{E}}_{i,t}={\beta }_{0}+{\beta }_{1}{\mathrm{l}\mathrm{n}\:{\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}}_{i,t}}+\varphi {X}_{i,t}+{\mu }_{i}+{\gamma }_{t}+{\varepsilon }_{i,t} $$ (1) 其中,下标
$ i $ 和$ t $ 分别表示省份维度和时间维度;$ \mathrm{I}\mathrm{G}\mathrm{T}\mathrm{E} $ 代表省际工业绿色转型效果(Industrial Green Transformation Effect)综合指数;$ \mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I} $ 表示非金融类对外直接投资存量;系数$ {\beta }_{1} $ 度量了对外直接投资对工业绿色转型的影响,是本文关注的核心参数,若在控制了一系列省际特征变量$ X $ 后,$ {\beta }_{1} $ 仍显著为正,则可以初步得到OFDI提升工业绿色转型水平的结论;$ {\mu }_{i} $ 代表所有其他未被纳入模型但是可能影响被解释变量的地区固定效应;$ {\gamma }_{t} $ 表示年份固定效应;${\varepsilon }_{i,t}$ 为误差项。 -
关于工业绿色转型效果的度量方法,区别于绝大多数文献所采用的绿色专利、绿色全要素生产率、产业结构升级指数、经济能耗弹性脱钩值等衡量工业绿色转型的单一指标,本文根据《“十四五”工业绿色发展规划》中提出的关于“产业结构高端化转型、能源消费低碳化转型、生产过程清洁化转型、构建绿色低碳技术体系”的新要求,以及中国社会科学院工业经济研究所课题组对工业绿色转型的定义[18],构建了工业绿色转型指标体系,从技术创新、结构升级、节能减排等3个维度构造一级指标,并扩展为创新投入、创新产出、产业结构优化、能源结构调整、环境治理、能效提高、污染减排等7个二级指标,在此基础上进一步扩展为12个三级指标,以期更全面地度量地区工业绿色转型的整体水平。工业绿色转型指标体系的架构思路和指标的具体含义如表1所示。以构建的三级工业绿色转型指标体系为基础,本文综合运用无量纲化、价值平减法等方法对数据进行标准化处理,并利用熵权法对指标进行赋权,测算IGTE综合指数。
结合现有研究,本文还在基准模型中加入了一组省际控制变量,以尽可能地缓解遗漏变量偏误。这组省际特征变量包括:(1)地区经济发展水平,选取剔除了价格因素的实际人均国内生产总值
$\mathrm{p}\mathrm{G}\mathrm{D}\mathrm{P}$ 来度量[23],并加入人均GDP的二次项$(\mathrm{l}\mathrm{n}\;\mathrm{p}\mathrm{G}\mathrm{D}\mathrm{P})$ 2以检验EKC曲线是否成立[24];(2)外商直接投资$ \mathrm{F}\mathrm{D}\mathrm{I} $ ,采用经美元年均汇率调整后的实际利用外资额与GDP的比值;(3)人力资本水平$ \mathrm{H}\mathrm{u}\mathrm{m}\mathrm{a}\mathrm{n} $ ,先将小学、初中、高中、大学专科、大学本科和研究生的受教育年限分别记为6年、9年、12年、15年、16年和19年,再按照各种受教育程度的就业人员所占比重乘以各自受教育年限的方法核算[25];(4)城镇化水平$ \mathrm{U}\mathrm{r}\mathrm{b}\mathrm{a}\mathrm{n} $ ,选用城镇人口占总人口的比例来衡量;(5)基础设施建设情况$ \mathrm{L}\mathrm{a}\mathrm{m}\mathrm{p} $ ,采用路灯密度(盏/公里)衡量;(6)环境污染PM2.5利用源自达尔豪斯大学统计的历年县级区划PM2.5的数据,经由整理得到各省历年PM2.5的平均值[26];(7)金融发展效率$ \mathrm{F}\mathrm{i}\mathrm{n} $ ,选用地区金融机构年末贷款余额与年末存款余额的比重(贷存比)度量。上述被解释变量、核心解释变量以及一系列控制变量的描述性统计如表2所示。表 1工业绿色转型指标体系的架构思路
一级指标 二级指标 三级指标 具体含义 技术创新 创新投入 研发强度 R&D经费内部支出与国内生产总值之比 创新产出 绿色专利获得情况 当年绿色专利获得量与专利获得总数之比 绿色实用新型专利
获得情况当年绿色实用新型专利获得量与实用新型专利获得总数之比 结构升级 能源结构调整 工业能源消费结构 工业天然气消费与工业化石能源消费之比 产业结构优化 产业结构合理化 泰尔指数 产业结构高级化 第三产业与第二产业增加值之比 节能减排 环境治理 工业污染治理投资情况 工业污染治理完成投资与工业增加值之比 能效提高 工业能源消耗强度 单位工业增加值能耗/(万吨标准煤/亿元) 工业电力消费强度 单位工业增加值电耗/(亿千瓦小时/亿元) 污染减排 工业废水排放强度 单位工业增加值工业废水排放量/(万吨废水/亿元) 工业废气排放强度 单位工业增加值工业SO2排放量/(吨SO2/亿元) 工业固体废物利用情况 工业固体废物综合利用率/% 表 2变量描述性统计
变量名 变量含义 观测数 平均值 标准差 最小值 最大值 $ \mathrm{I}\mathrm{G}\mathrm{T}\mathrm{E} $ 工业绿色转型效果综合指数 480 0.233 0.079 0.115 0.591 $ \mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I} $ 对外直接投资 480 81.403 218.229 102.000 2 010.000 $ \mathrm{p}\mathrm{G}\mathrm{D}\mathrm{P} $ 人均实际GDP 480 3.013 1.919 0.430 11.517 $ \mathrm{F}\mathrm{D}\mathrm{I} $ 外商直接投资 480 12.757 17.640 0.185 132.631 $ \mathrm{H}\mathrm{u}\mathrm{m}\mathrm{a}\mathrm{n} $ 人力资本 480 8.831 1.009 6.378 12.782 $ \mathrm{U}\mathrm{r}\mathrm{b}\mathrm{a}\mathrm{n} $ 城镇化水平 480 0.539 0.143 0.263 0.896 $ \mathrm{L}\mathrm{a}\mathrm{m}\mathrm{p} $ 路灯密度 480 68.325 23.356 16.900 142.769 $\mathrm{P}\mathrm{M}_{2.5}$ 大气污染水平 480 41.436 14.428 9.566 85.629 $ \mathrm{F}\mathrm{i}\mathrm{n} $ 金融发展效率 480 0.752 0.361 0.063 8.061 -
为了保障样本数据的可得性和研究的针对性,本文以2004—2019年中国内地30个省、直辖市、自治区为研究对象进行实证分析,具体原因如下:第一,中国直到2004年才开启大规模的海外投资,对外直接投资才开始成倍增长,“走出去”战略的效果开始显现,且本文的核心解释变量各省市区的非金融类对外直接投资存量也是自2004年起才被公布。因此,本文将2004年作为起始时间。第二,被解释变量工业绿色转型效果综合指数的测算涉及多方面指标,受样本数据可得性的限制,本文将2019年作为样本的终止年份。第三,考虑到对外直接投资对中国工业绿色转型的作用效果在短期内很难体现,且用于测算各省工业绿色转型的多维指标均以年度数据作为时间频度,因而,本文将采用年度数据作为样本的统计口径。第四,在发布年度对外直接投资、测算工业绿色转型等核心指标的省份中,西藏自治区及港、澳、台地区在各项指标的数据上存在大量缺失,因此没有将其列入样本。中国非金融类对外直接投资存量(万美元)来自历年《中国对外直接投资统计公报》;其余变量原始数据均来源于《中国统计年鉴》《中国科技统计年鉴》《中国环境统计年鉴》《中国劳动统计年鉴》,以及中国经济数据库(CEIC)。
-
图2从整体上描述了全国30个样本省份工业绿色转型水平在观测期内(2004—2019年)分布动态的演进趋势。从中不难看出,第一,观测期内全国总体分布曲线中心以及变化区间逐步右移,其主峰高度主要表现为先上升(2004—2009年)后下降(2009—2019年)的演变过程。这意味着全国工业绿色转型水平自金融危机以来呈现下降趋势。第二,全国整体工业绿色转型水平分布曲线左尾明显提高且左侧边界趋于明显收敛的同时,持续存在显著的右拖尾现象,分布延展性呈现一定程度的拓宽趋势。这反映出,在工业绿色转型水平较差的省市,地区间的绝对差异逐年缩小;而全国范围内工业绿色转型水平相对较高的省市与平均水平差距持续拉大,这主要是因为不同省份或地区间影响工业绿色转型水平和增速变化的经济增长、人力资本、城镇化率、基建和金融水平等因素存在明显异质性,工业绿色转型水平低的省份短期内难以迅速赶上水平高的省份,两者之间的差距极有可能会在一定时期内持续拉大。第三,对于其波峰演变进程,全国整体工业绿色转型水平分布经历了“单峰—双峰—单峰”的演进过程,表明全国30个样本省市的工业绿色转型水平仍具有一定梯度效应,呈微弱的两极分化态势。具体来说,2004年分布曲线主要存在一个主单峰;之后,到2009年除存在一个主峰之外,还有一个较低的侧峰,此后再到2014年又回归至单峰状态,两极分化态势渐趋弱化。
-
表3列示了对外直接投资对工业绿色转型影响的基准回归结果。第(1)~第(3)列的结果显示出,在控制了一系列省际特征变量以及固定效应后,对外直接投资与工业绿色转型呈现显著的正相关关系,即OFDI正向影响工业绿色转型。此外,本文发现ln pGDP的系数显著为负,意味着经济发展抑制了工业绿色转型。那么人均实际GDP是否始终对中国工业绿色转型产生负面影响呢,正向影响是否在地区经济发展达到一定水平后才开始逐渐显现?因此,本部分在基准回归模型中加入人均GDP的二次项,结果显示,
${\left(\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{p}\mathrm{G}\mathrm{D}\mathrm{P}\right)}^{2}$ 系数显著为正,表明经济增长与工业绿色转型呈现“U形”关系,即在发展前期,高能耗、高排放、低效益、低产出的粗放型经济增长模式可能会抑制工业绿色转型;而在发展后期,经过技术进步、产业升级和经济转型,经济发展将会对工业绿色转型产生促进作用。表 3基准模型(固定效应)估计结果
解释变量 被解释变量:$\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{I}\mathrm{G}\mathrm{T}\mathrm{E}$ (1) (2) (3) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ 0.026 4** 0.024 3** 0.023 6** (2.54) (2.32) (2.25) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{p}\mathrm{G}\mathrm{D}\mathrm{P}$ −0.252 1*** −0.235 6** −0.231 7** (−2.59) (−2.41) (−2.37) ${\left(\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{p}\mathrm{G}\mathrm{D}\mathrm{P}\right)}^{2}$ 0.070 7*** 0.066 3*** 0.066 7*** (3.26) (3.03) (3.05) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{F}\mathrm{D}\mathrm{I}$ −0.012 5 −0.0138 −0.014 3 (−1.38) (−1.52) (−1.58) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{H}\mathrm{u}\mathrm{m}\mathrm{a}\mathrm{n}$ −0.072 6 −0.112 0 −0.113 1 (−0.31) (−0.48) (−0.49) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{U}\mathrm{r}\mathrm{b}\mathrm{a}\mathrm{n}$ 0.135 6 0.109 1 0.118 1 (0.85) (0.68) (0.73) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{L}\mathrm{a}\mathrm{m}\mathrm{p}$ 0.090 5*** 0.086 4*** 0.083 9*** (3.34) (3.18) (3.07) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{P}\mathrm{M}_{2.5}$ −0.105 7 −0.104 4 (−1.56) (−1.54) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{F}\mathrm{i}\mathrm{n}$ −0.022 3 (−0.86) 省份固定效应 是 是 是 年份固定效应 是 是 是 常数项 是 是 是 R2 0.625 5 0.627 7 0.628 3 F统计量 58.82 53.11 52.32 观测值 480 480 480 注:括号内为标准误;*、**、***分别表示在10%、5%和1%的水平上显著。 -
基于上述OFDI对工业绿色转型的基准模型回归检验,本文发现,中国OFDI显著提升了工业绿色转型水平。然而,对外投资变量的内生性是一个不容忽视的问题。一方面,对外投资可能通过转移母国过剩产能、获得逆向技术知识溢出和获取自然战略资源来影响本国工业绿色转型;另一方面,由于地方行政在对外直接投资的决策过程中会考虑地区工业绿色转型情况的影响,即工业绿色发展水平也可能影响对外投资。为了缓解上述可能存在的逆向因果的内生性问题,得到核心解释变量的一致性估计,本文尝试设计对外直接投资的工具变量,即货币供给波动
$\mathrm M3$ 与各省近代开埠历史$ \mathrm{P}\mathrm{o}\mathrm{r}\mathrm{t} $ 的交叉项$\mathrm M3\times \mathrm{P}\mathrm{o}\mathrm{r}\mathrm{t}$ ,并构建两阶段最小二乘(2SLS)模型进行工具变量估计。工具变量$\mathrm M3\times \mathrm{Port}$ 的构造方法为,将广义货币$\mathrm M3$ 指数(2015年=100)作为货币供给波动的代理变量[27],将中华人民共和国成立之前的开埠年数$ \mathrm{P}\mathrm{o}\mathrm{r}\mathrm{t} $ (1949减去省内口岸首次开埠年)作为近代开埠历史的代理变量。衡量国内货币供给波动性的年度$\mathrm M3$ 指数是以月度货币供给指数(2015年=100)为基础计算得到的。另外,根据吴慧[28]主编的《中国商业通史》整理得到国内部分城市的近代开埠时间,以此为基础获得省内口岸首次开埠的年份数据和各省近代开埠历史数据。货币供应波动与各省近代开埠历史的交叉项之所以能够作为对外资直接投资的工具变量,一方面是因为其与内生解释变量高度相关,货币供给波动性的加剧会促进对外直接投资规模的扩张[27];而各省的开埠年数
$ \mathrm{P}\mathrm{o}\mathrm{r}\mathrm{t} $ 代表了开放历史的长短,近代开放历史越久,积累的国际贸易和对外交流方面的人力资本越深厚,海外市场更广阔,资源获取地更丰富,接受国外先进技术的能力越强[29]。另一方面,货币供给是由央行货币政策决定的客观事实,其外生于企业的对外投资行为和各省历年对外直接投资的结果;而各省的近代对外开埠历史已成为既定事实,由特殊的地理条件决定,现有对外直接投资行为无法对历史事件造成影响,满足了有效工具变量的外生性假定[30]。因此,为了缓解内生性问题,本部分基于最小二乘(2SLS)模型框架进一步估计了OFDI对工业绿色转型的影响,检验结果如表4所示。在第(1)~第(3)列的工具变量回归中,第一阶段工具变量的系数在1%的置信水平下显著为正,表明在货币波动性较大的时期,该省的近代开放史越久远,对外投资活动和金额则越多。第一阶段的F统计量均远大于10这一经验值,意味着所选择的工具变量与内生解释变量OFDI之间具有高度相关性[26];拒绝了Anderson canon. corr. LM统计量检验中关于工具变量识别不足的零假设,认为工具变量与内生解释变量有关;拒绝了Cragg-Donald Wald检验的原假设,排除“弱工具变量”的可能性。第二阶段的回归结果显示,
$\mathrm{ln\:{OFDI }}$ 的系数与基准模型的结果在方向上保持一致,进一步验证了对外直接投资对地区工业绿色转型的正向影响。但从数值上来看,与基准模型的估计结果相比,工具变量(2SLS)估计结果的对外投资系数的绝对值增加。与以表3和表4的第(3)列结果为例,$\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ 的系数值分别为0.023 6和0.114 2,存在较大差别,可能的原因是潜在的内生性问题可能会在一定程度上低估对外直接投资对工业绿色转型的促进作用。另外,在工具变量回归中,其他控制变量估计系数的方向和绝对值与表3的基准回归模型的结果基本保持一致。表 4工具变量(2SLS)估计结果
解释变量 被解释变量:$\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{I}\mathrm{G}\mathrm{T}\mathrm{E}$ (1) (2) (3) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ 0.110 4** 0.113 9** 0.114 2** (2.37) (2.43) (2.38) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{p}\mathrm{G}\mathrm{D}\mathrm{P}$ −0.479 4** −0.478 9** −0.479 7** (−2.03) (−2.01) (−1.99) ${\left(\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{p}\mathrm{G}\mathrm{D}\mathrm{P}\right)}^{2}$ 0.118 7*** 0.112 6*** 0.112 4*** (6.81) (5.62) (5.62) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{F}\mathrm{D}\mathrm{I}$ −0.001 6 −0.000 9 −0.000 7 (−0.14) (−0.07) (−0.06) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{H}\mathrm{u}\mathrm{m}\mathrm{a}\mathrm{n}$ −0.340 0* −0.341 7* −0.340 3* (−1.87) (−1.87) (−1.87) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{U}\mathrm{r}\mathrm{b}\mathrm{a}\mathrm{n}$ 0.391 8** 0.353 9* 0.351 5* (2.29) (1.92) (1.94) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{L}\mathrm{a}\mathrm{m}\mathrm{p}$ 0.104 7*** 0.106 9*** 0.107 4*** (3.63) (3.67) (3.59) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{P}\mathrm{M}_{2.5}$ −0.034 5 −0.034 5 (−0.65) (−0.65) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{F}\mathrm{i}\mathrm{n}$ 0.003 5 (0.11) 常数项 是 是 是 R2 0.530 4 0.525 6 0.525 3 观测值 480 480 480 工具变量 被解释变量$\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$(第一阶段回归结果) $\mathrm{l}\mathrm{n}({\rm{M}}3\times \mathrm{P}\mathrm{o}\mathrm{r}\mathrm{t})$ 0.861 2*** 0.868 7*** 0.851 4*** (4.75) (4.76) (4.68) 第一阶段F统计量 47.19 47.09 42.67 第二阶段F统计量 50.13 44.70 43.77 不可识别检验(Anderson canon. corr. LM statistic) 23.289 23.381 22.693 P-val =0.000 P-val =0.000 P-val =0.000 弱工具变量检验(Cragg-Donald WaldFstatistic) 22.590 22.633 21.884 注:括号内为标准误;*、**、***分别表示在10%、5%和1%的水平上显著;Anderson canon. corr. LM 统计量为识别不足检验的统计量;Cragg-Donald Wald F statistic为弱工具变量的检验统计量;第(1)~第(3)列的Sargan统计量均为0.000。 -
为了确保2SLS回归结果的可靠性,本文还进一步利用变量替换、调整样本期、改变样本容量、控制变量滞后一期等方法进行稳健性检验,并以表4第(3)列为基准进行2SLS回归分析(结果如表5所示)。
表 5稳健性检验结果
解释变量 被解释变量:$\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{I}\mathrm{G}\mathrm{T}\mathrm{E}$ (1)
替换解释变量(2)
缩短时间窗口(3)
改变样本容量(4)
控制变量滞后一期$\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ 0.275 0* 0.114 3** 0.127 2*** (1.76) (2.42) (2.83) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{L}\mathrm{e}\mathrm{v}\mathrm{e}\mathrm{l}$ 0.141 3** (2.29) 其他控制变量 是 是 是 是 常数项 是 是 是 是 R2 0.483 8 0.025 5 0.526 6 0.514 0 F统计量 41.03 21.64 44.58 42.08 观测值 480 330 480 450 注:括号内为标准误;*、**、***分别表示在10%、5%和1%的水平上显著;受限于篇幅,表5中仅列示了第二阶段的回归结果;在第(1)~(4)列稳健性检验的第一阶段回归结果中,F统计量显著大于经验值10,且均通过了不可识别检验和弱工具变量检验。 1. 变量替换:替换核心解释变量
本部分将核心解释变量对外直接投资存量更换为对外直接投资存量(按照汇率与价格指数换算)与资本存量的比值Level。(1)利用世界银行WDI数据库提供的美国GDP平减指数(以2010年为基期)对各省历年对外投资存量(万美元)进行调整,剔除价格效应;依据国家统计局公布的人民币对美元汇率,对各省历年对外投资存量进行换算。(2)各省资本存量计算的基础数据是固定资产投资。资本存量的估算通常是根据固定资产的价值并通过永续盘存法来计算[31]。首先,将各省固定资产投资作为表征变量,并利用固定资产投资价格指数(2004年 =100)进行调整,得到当期不变价投资额,并计算样本期内各省不变价的固定资产投资的平均增长率。其次,以2004 年为基期的资本存量,按照当年不变价的固定资产投资额与资本折旧率和平均增长率之和的比值来计算,其中,资本折旧率沿用张军等[32]的研究取 9.6%。最后,利用永续盘存法得到各省历年资本存量。表5第(1)列的结果显示,
$\mathrm{ln\:Level }$ 的系数为0.141 3,且在显著性、正负性和数值上与表4第(3)列的结果相较基本不变,有效地支持了对外直接投资对工业绿色转型具有推动作用的结论。2. 调整样本期:缩短时间窗口
2008年的全球经济危机对中国对外投资活动和经济发展均造成了一定程度的冲击。对外投资在受到外部冲击后可能会对研究结果产生影响,因此,本文截取了2009—2019年的子样本后进行 2SLS 回归分析。表5第(2)列的结果显示,
$\mathrm{l}\mathrm{n}\:\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ 的系数为0.275 0,并在10%的置信水平下通过检验。该结果与表4第(3)列结果相比符号一致但在数值上明显增加,可以理解为在考虑经济危机的影响后,对外直接投资对工业绿色转型的促进作用更加明显,弥补了2009年后省际工业绿色转型水平下降的境况。可能的原因可以归纳为以下两个方面:第一,在经济危机的影响下,中国对外直接投资数额无论是流量还是存量仍保持增长态势,如图3所示。这说明此次经济危机在一方面,没有使中国陷入困境,反而对外投资成本的下降为中国优质企业提供了海外并购机会;另一方面,增加了基础设施、交通运输、石油化工、污染治理等的投资机会,进一步促进产业转移、资源补缺效应。第二,经济危机提升了中国国际影响力,在世界经济萎缩的情况下,中国市场却不断扩张且潜力巨大,与他国的友好合作也为中国对外投资活动提供了良好机遇。
3. 改变样本容量:缩尾处理
工业绿色转型效果综合指数可能存在测度上的异常,导致核算的工业绿色转型效果值与实际情况存在差异。本文将所有样本按照工业转型效果指数数值的大小进行排序,剔除了工业绿色转型效果综合指数最高和最低两端各1%的样本,并进行缩尾处理,对低于1%分位和高于99%分位的数据分别以1%分位和99%分位进行替代,从而得到新的平滑数据[32],并基于剔除异常值后的样本数据进行2SLS回归分析。表5第(3)列的结果表明,
$\mathrm{l}\mathrm{n}\:\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ 的回归系数在符号和绝对值方面与表4第(3)列相比均较为接近,意味着删除潜在$\mathrm{l}\mathrm{n}\:\mathrm{I}\mathrm{G}\mathrm{T}\mathrm{E}$ 异常值不会影响对外直接投资对工业绿色转型具有促进效应的基本结论,实证结果比较稳健。4. 其他内生性问题:控制变量滞后一期
除了考虑到核心解释变量
$\mathrm{l}\mathrm{n}\:\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ 可能存在内生性问题,本文还在稳健性检验中考量了其他控制变量潜在的内生性偏误,将除了核心解释变量外的其他控制变量滞后一期,以检验结果的稳健性[33]。2SLS 回归结果如表5第(4)列所示,$\mathrm{l}\mathrm{n}\:\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ 的系数为0.1272,且在1%的显著性水平下通过了稳健性检验,与表4第(3)列的结果相似,证明了2SLS回归结果的稳健性。 -
1. 政策差异
2013年“一带一路”倡议的提出激发了中国企业的对外投资活动,为世界经济发展注入了新动能。在经济发展新常态和双循环的新发展格局下,践行“一带一路”倡议对于优化国内市场资源,促进国内与国际市场有效对接,推动中国经济长远发展、构建人类命运共同体具有重要的战略意义。在本文的基本内容框架下,“一带一路”倡议是否能够带动对外投资进而驱动中国工业绿色发展和转型升级值得进一步研究。因此,本文设置“一带一路”倡议政策虚拟变量
$\mathrm{BRI }$ ,若年份为2013年及以后,则取1,否则取0。接着,构造“一带一路”倡议与各省对外投资的交叉项$\mathrm{B}\mathrm{R}\mathrm{I}\times \mathrm{l}\mathrm{n}\:\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ ,厘清在“一带一路”倡议的政策驱动下,OFDI对工业绿色转型影响效果的差异。表6第(1)列报告了估计结果,可以发现“一带一路”倡议与对外投资交互项$\mathrm{BRI}\times \mathrm{ln\:{OFDI}}$ 对工业绿色转型的影响是正向的,影响系数为0.007 0,意味着在“一带一路”倡议背景下,对外投资对工业绿色转型效果具有更显著的提升作用。表 6异质性检验:政策差异和工业绿色转型程度差异
解释变量 被解释变量:$\mathrm{l}\mathrm{n}\:\mathrm{I}\mathrm{G}\mathrm{T}\mathrm{E}$ (1) (3) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ 0.086 6* 0.112 9*** (1.81) (2.37) $\mathrm{B}\mathrm{R}\mathrm{I}\times \mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ 0.007 0*** (4.03) $\mathrm{H}\mathrm{i}\mathrm{g}\mathrm{h}\times \mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ 0.017 7** (2.33) 其他控制变量 是 是 常数项 是 是 R2 0.5794 0.5371 F统计量 47.89 45.10 观测值 480 480 注:括号内为标准误;*、**、***分别表示在10%、5%和1%的水平上显著;受限于篇幅,本部分只报告了第二阶段的回归结果;在第(1)~第(2)列异质性检验的第一阶段回归结果中,F统计量显著大于经验值10,且均通过了不可识别检验和弱工具变量检验。 2. 工业绿色转型程度的差异
省际OFDI对工业绿色转型的作用效果,除了会受到开放政策等因素的影响外,还与母国工业绿色转型水平息息相关。一般来说,当该省工业绿色转型处于较低水平的发展阶段时,技术研发、产业发展、能源利用、节能减排等基础可能较为薄弱,开展对外投资活动对母国工业绿色转型的正向影响可能并不明显。而随着技术进步、产业转型升级以及节能减排效率的优化,工业绿色转型水平也将随之提升,因而对于工业绿色发展和转型升级水平较高的省份,OFDI的积极作用可能开始显现。因此,为了验证在异质性工业绿色转型发展水平下OFDI的作用效果,本文设置虚拟变量
$\mathrm{High }$ ,若各省份历年工业绿色转型效果综合指数大于该年全国均值,则$ \mathrm{H}\mathrm{i}\mathrm{g}\mathrm{h} $ 取1,否则取0,以检验异质性的工业绿色转型发展水平下对外投资的影响效应,表6的第(2)列呈现了对应的回归结果,可以发现当一省的工业绿色转型高于全国平均水平时,对外直接投资将会促进工业绿色转型。 -
值得关注的是,近几年中国工业企业对外直接投资活动由被动参与转向主动寻求的趋势日益明显。工业企业最初主要以绕过进口国关税壁垒为目的被动地开展海外投资,但在吸收国外优势资源并逐步参与价值链高端环节以后,转变为主动寻求自然资源或战略资产,对新兴经济体进行产品或产业转移,或与先进工业国家企业开展核心技术领域合作的发展路线[34],即现阶段对外投资活动对地区工业绿色转型的作用效果可能会受产业转移、技术进步和资源补缺等效应的影响。本文将设立如下实证模型检验产业转移、技术进步和资源补缺在中国对外直接投资对工业绿色转型影响中的调节效应。
$$ \begin{aligned} \ln \;{\rm{IGTE}}_{i,t}= \beta _0+\beta _1 \ln \;{\rm{OFDI}}_{i,t}+\beta _2 \ln \;{\rm{Adjust}}_{i,t}+\beta _3 \ln \;{\rm{Adjust}}_{i,t} \times \ln \;{\rm{OFDI}}_{i,t} +\varphi {X}_{i,t}+{\mu }_{i}+{\gamma }_{t}+{\varepsilon }_{i,t} \end{aligned}$$ (2) 其中,
$ \mathrm{A}\mathrm{d}\mathrm{j}\mathrm{u}\mathrm{s}\mathrm{t} $ 代表调节OFDI对工业绿色转型影响效果的变量,分别是产能利用率$ \mathrm{C}\mathrm{A}\mathrm{P} $ ,技术能力$ \mathrm{T}\mathrm{E}\mathrm{C}\mathrm{H} $ 和工业成本费用利润率$ \mathrm{C}\mathrm{P}\mathrm{M} $ 。在此重点关注交互项$\mathrm{l}\mathrm{n}\:\mathrm{A}\mathrm{d}\mathrm{j}\mathrm{u}\mathrm{s}\mathrm{t}\times \mathrm{l}\mathrm{n}\:\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ ,捕捉中国OFDI对工业绿色转型的影响是否受产能转移、技术进步和资源补缺路径的调节。表7和表8分别汇报了调节模型的基准回归和工具变量回归结果。表 7调节模型的基准回归结果
解释变量 被解释变量:$\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{I}\mathrm{G}\mathrm{T}\mathrm{E}$ 产能转移 技术进步 资源补缺 (1) (2) (3) (4) (5) (6) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ 0.022 1** 0.026 9** 0.021 6** 0.063 8*** 0.022 1** 0.078 0*** (2.12) (2.54) (2.07) (4.95) (2.11) (5.09) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{C}\mathrm{A}\mathrm{P}$ −0.868 6*** −4.052 8*** (−2.63) (−2.75) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}\times \mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{C}\mathrm{A}\mathrm{P}$ 0.281 9** (2.21) $\mathrm{l}\mathrm{n}\:\mathrm{T}\mathrm{E}\mathrm{C}\mathrm{H}$ −0.017 9** −0.220 2*** (−2.12) (−5.65) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}\times \mathrm{l}\mathrm{n}\:\mathrm{T}\mathrm{E}\mathrm{C}\mathrm{H}$ 0.017 8*** (5.31) $\mathrm{l}\mathrm{n}\:\mathrm{C}\mathrm{P}\mathrm{M}$ −0.046 1*** −0.269 8*** (−3.25) (−5.65) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}\times \mathrm{l}\mathrm{n}\:\mathrm{C}\mathrm{P}\mathrm{M}$ 0.022 0*** (4.89) 其他控制变量 是 是 是 是 是 是 省份固定效应 是 是 是 是 是 是 年份固定效应 是 是 是 是 是 是 常数项 是 是 是 是 是 是 R2 0.634 3 0.638 4 0.632 2 0.655 1 0.632 4 0.652 2 F统计量 53.28 53.55 51.65 54.77 50.47 52.55 观测值 480 480 480 480 480 480 注:括号内为标准误;*、**、***分别表示在10%、5%和1%的水平上显著。 表 8调节模型的工具变量(2SLS)回归结果
解释变量 被解释变量:$\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{I}\mathrm{G}\mathrm{T}\mathrm{E}$ 产能转移 技术进步 资源补缺 (1) (2) (3) (4) (5) (6) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ 0.111 7** 0.128 5** 0.117 9** 0.130 9*** 0.117 1** 0.369 6** (2.45) (2.37) (2.48) (2.78) (2.49) (2.00) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{C}\mathrm{A}\mathrm{P}$ −0.681 4** −5.785 2** (−2.00) (−2.50) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}\times \mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{C}\mathrm{A}\mathrm{P}$ 0.459 4** (2.19) $\mathrm{l}\mathrm{n}\:\mathrm{T}\mathrm{E}\mathrm{C}\mathrm{H}$ −0.011 8 −0.346 5*** (−1.24) (−3.50) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}\times \mathrm{l}\mathrm{n}\:\mathrm{T}\mathrm{E}\mathrm{C}\mathrm{H}$ 0.029 1*** (3.34) $\mathrm{l}\mathrm{n}\:\mathrm{C}\mathrm{P}\mathrm{M}$ −0.047 2*** −0.904 1** (−3.17) (−2.07) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}\times \mathrm{l}\mathrm{n}\:\mathrm{C}\mathrm{P}\mathrm{M}$ 0.083 7* (1.95) 其他控制变量 是 是 是 是 是 是 常数项 是 是 是 是 是 是 R2 0.533 4 0.518 2 0.521 1 0.600 7 0.525 5 0.294 8 F统计量 44.62 43.09 42.33 50.64 43.17 29.01 观测值 480 480 480 480 480 480 注:括号内为标准误;*、**、***分别表示在10%、5%和1%的水平上显著;受限于篇幅,本部分只报告了第二阶段的回归结果;在第(1)~(6)列对应的第一阶段回归结果中,F统计量显著大于经验值10,且均通过了不可识别检验和弱工具变量检验。 -
本文使用随机前沿分析(SFA)方法,构建超越对数生产函数,如式(3)所示,以计算产能利用率
$ \mathrm{C}\mathrm{A}\mathrm{P} $ 这一调节变量,考察产能转移路径对OFDI与地区工业绿色是转型关系的调节作用$$\begin{array}{c} \mathrm{l}\mathrm{n}\:{Y}_{it}={\alpha }_{0}+{\alpha }_{1}t+{\alpha }_{2}\mathrm{l}\mathrm{n}\:{K}_{it}+{\alpha }_{3}\mathrm{l}\mathrm{n}\:{L}_{it}+{\alpha }_{4}t\times \mathrm{l}\mathrm{n}\:{K}_{it}+{\alpha }_{5}t\times \mathrm{l}\mathrm{n}\:{L}_{it}+\\ \frac{1}{2}{\alpha }_{6}{t}^{2}+{\frac{1}{2}\alpha_{7} }\mathrm{l}\mathrm{n}\:{K}_{it}\times \mathrm{l}\mathrm{n}\:{L}_{it}+{\frac{1}{2}\alpha_{8} }{\left(\mathrm{l}\mathrm{n}\:{K}_{it}\right)}^{2}+\frac{1}{2}{\alpha _{9}}{\left(\mathrm{l}\mathrm{n}\:{L}_{it}\right)}^{2}+{v}_{it}-{\mu }_{it} \end{array} $$ (3) 其中,
$ i $ 为省份;$ t $ 为年份;$ Y $ 为工业行业产出,采用由工业生产者出厂价格指数(2004年=100)平减的工业总产值,用实际工业总产值表示;$ K $ 为工业资本投入,用资本存量衡量,计算公式为:资本存量t=固定资产投资额t+(1$ - $ 折旧率t)×资本存量t-1,式中的折旧率为10.96%[35],进一步地,利用2004年当年的投资额与样本期间内各省市区平均增长率和折旧率之和的比值,衡量2004年的基期资本存量[36];$ L $ 为劳动力投入,采用工业企业从业人员人数度量;$ v $ 是随机误差项(不可控的影响因素);$ \mu $ 为技术损失误差项。基于对超越对数生产函数的设置,利用Frontier4.1软件计算生产端的产能利用率。产能转移的调节作用结果如表7和表8的第(1)、第(2)列所示。估计结果显示,调节变量产能利用率
$\mathrm{l}\mathrm{n}\:\mathrm{C}\mathrm{A}\mathrm{P}$ 与对外直接投资$\mathrm{l}\mathrm{n}\:\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ 的交乘项系数在5%的置信水平下显著为正。以表8第(2)列为例,交互项$\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}\times \mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{C}\mathrm{A}\mathrm{P}$ 系数值为0.459 4,说明产能转移正向调节了中国OFDI对工业绿色转型的影响。原因在于:对外直接投资旨在转向国外寻求市场,既可以将本国已经或即将处于比较劣势但在他国可能具有比较优势或潜在比较优势的产业转移至其他国家,实现生产要素再配置,集中国内知识、技术和人力资源以支持本国比较优势产业或新兴产业的发展,也能够促进本国扩张海外市场,延长产品生命周期,以提高产能利用调节OFDI对工业绿色转型效果的效应。 -
在检验技术进步对中国OFDI与工业绿色转型的调节作用时,本文将技术能力
$Tech$ 作为调节变量。基于人才基础、创新资本、研发水平、信息通达度等四个维度,本文构建了技术能力指标体系,并利用熵权法测算技术能力综合指数。技术能力(知识资本)指标体系的具体变量选择如表9所示。表 9技术能力指标体系的架构思路
一级指标 二级指标 单位 数据来源 人才基础 高等学校(普通本专科)专任教师数 千人 国家统计局 高等学校(普通本专科)在校生数 千人 国家统计局 创新资本 国内有效专利数 件 《中国科技统计年鉴》 国外主要检索工具(EI、SCI、ISTP)收录中国科技论文数 篇 《中国科技统计年鉴》 技术市场成交合同金额 万元 《中国科技统计年鉴》 研发水平 RD人员全时当量 千人 《中国科技统计年鉴》 实际新产品开发经费支出 万元 《中国科技统计年鉴》 实际R&D研发资本存量 万元 由笔者计算而得 信息通达度 移动电话普及率(每百人移动电话) 部 CEIC数据库 互联网宽带接入用户数 千户 CEIC数据库 在技术能力(知识资本)的测算中,将R&D内部经费作为研发资本的一部分,并使用永续盘存法计算各年的研发资本存量。首先,运用研发资本价格指数计算以2004年为基期的实际研发资本量。其次,基期的研发资本存量采用当年研发资本流量除以折旧率和样本考察期内的研发投入年均增长率计算,再利用永续盘存法计算剩余年份的研发资本存量;进行研发资本价格指数
$r$ 的估算,用消费价格指数$ \mathrm{C}\mathrm{P}\mathrm{I} $ 和固定资产投资价格指数$ \mathrm{I}\mathrm{P}\mathrm{I} $ 的加权平均值确定;研发资本折旧率${\delta }$ 的估算则是将资产性支出$ \mathrm{F}\mathrm{A} $ 与非资产性支出$ \mathrm{R}\mathrm{M} $ 的折旧率分别定为17%和20%[37],依照其在内部经费支出中比重综合确定。如式(4)、式(5)所示$$ {r}_{it}={\mathrm{C}\mathrm{P}\mathrm{I}}_{it}\times \left({\mathrm{R}\mathrm{M}}_{it}/{\mathrm{R}\&\mathrm{D}}_{it}\right)+{\mathrm{I}\mathrm{P}\mathrm{I}}_{it}\times \left({\mathrm{F}\mathrm{A}}_{it}/{\mathrm{R}\&\mathrm{D}}_{it}\right) $$ (4) $$ {\delta }_{it}=17\% \times \left({\mathrm{F}\mathrm{A}}_{it}/{\mathrm{R}\&\mathrm{D}}_{it}\right)+ 20 \mathrm{\times} \left({\mathrm{R}\mathrm{M}}_{it}/{\mathrm{R}\&\mathrm{D}}_{it}\right) $$ (5) 技术进步对中国OFDI影响工业绿色转型的调节作用结果如表7和表8的第(3)、第(4)列所示。由检验结果可以看出,加入技术进步的调节变量技术能力
$\mathrm{l}\mathrm{n}\:\mathrm{T}\mathrm{E}\mathrm{C}\mathrm{H}$ 后,中国OFDI对工业绿色转型仍产生积极稳健的促进效果。以表8第(4)列结果为例,技术进步$\mathrm{l}\mathrm{n}\:\mathrm{T}\mathrm{E}\mathrm{C}\mathrm{H}$ 与对外投资$\mathrm{l}\mathrm{n}\:\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ 交互项系数为0.0291,意味着技术进步正向调节了OFDI对工业绿色转型的影响。可能的原因在于,发展中国家的对外直接投资通常需要综合考虑本国的产业结构情况和技术创新水平,其对发达国家的逆梯度投资往往伴随着“技术寻求”的特征,往往旨在获得东道国的知识、技术和管理经验外溢,产生技术溢出效应和技术进步效应,使得技术进步对OFDI与工业绿色转型的关系起到调节作用。 -
本文采用工业成本费用利润率(
$ \mathrm{C}\mathrm{P}\mathrm{M} $ )这一指标来考察资源补缺效应调节OFDI对工业绿色发展的影响。工业成本费用利润率反映了企业提高生产利润、降低生产成本所取得的经济效益,该项指标越高,表明成本费用控制得越好,工业行业的投资和生产成本越低,行业盈利水平和创新产出能力越强。在对外直接投资的资源补缺效应中,工业成本费用利润率提高的可能原因是,通过对外投资活动,获得并补充自然资源和战略资产资源,具备了良好的资源要素条件,对地区工业绿色转型发展起到了关键的补缺作用。工业成本费用利润率具体计算公式如下$$ \text{工业成本费用利润率} = \text{利润总额}/\text{成本费用总额}$$ (6) 其中,成本费用总额主要包括产品销售成本以及销售、管理、财务等费用。
表7和表8的第(5)、第(6)列的回归结果表明,加入资源补缺的调节变量后,中国OFDI对工业绿色转型呈现出显著的正向影响,说明资源补缺是影响OFDI工业绿色转型效果的一个重要因素。可能是因为,一方面,通过资源寻求型OFDI,从他国获取必要资源,可以使国内产业的资源瓶颈逐步消失,削弱资源短缺对经济和工业发展的制约;另一方面,国内的对外投资尤其是对发达国家的投资存在明显的学习效应,通过整合东道国的研发能力、管理经验、销售渠道和营销技巧等战略资产,使得国内企业能够逐渐减少对自然资源的依赖,更加积极、充分地利用战略性资源,改善本国企业的经营能力,进而影响对外投资促进国内工业绿色转型的影响效果[38]。但相比产能转移的调节效果,这种影响依然较小。
Outward Foreign Direct Investment and Industrial Green Transformation
——An Empirical Study based on Provincial Panel Data in China
-
摘要:在构建“双循环”新发展格局的战略背景下,国内工业如何借助海外投资的外部优势实现绿色发展和转型升级,对如期实现碳达峰、碳中和目标具有重要的现实意义。基于2004—2019年的省际数据,尝试构建工业绿色转型指标体系,以宏观货币供给波动和省际近代开埠历史为基础设计工具变量,并利用两阶段最小二乘(2SLS)模型考察中国对外直接投资(OFDI)对工业绿色转型的影响。研究结果表明:中国OFDI显著推动了工业绿色转型进程,在替换被解释变量、缩短时间窗口、改变样本容量和控制变量滞后一期后,实证结果仍然稳健。另外,研究还发现产业转移、技术进步和资源补缺效应正向调节了对外直接投资影响工业绿色转型的效果。Abstract:Under a new “dual circulation” opening to the outside world, it is of great research significance and practical value for domestic industry to achieve industrial green transformation and realize carbon peaking and carbon neutrality goals on schedule by the external advantages of overseas investment. Based on the inter provincial data from 2004 to 2019, this paper attempts to establish an index system for industrial green transformation, innovatively designs the instrumental variable concerning money supply fluctuation and modern opening history to alleviate the potential endogeneity, and systematically investigates the effect of China’s outward foreign direct investment (OFDI) on industrial green transformation. The main results show that OFDI can facilitate industrial green transformation. After utilizing the methods including the dependent variable replacement, time window shortening, sample size adjustment and control variables lagging to conduct robustness tests, the empirical result that OFDI significantly promotes industrial green transformation is still robust. Otherwise, industrial transfer, technology progress and resource shortage supplement positively regulate the impact of OFDI on industrial green transformation.注释:1) http://www.cnenergynews.cn/zhuanti/2022/02/16/detail_20220216117678.html。2) https://baijiahao.baidu.com/s?id=1714674092276097172&wfr=spider&for=pc。3) 2002—2019年中国对外直接投资流量由27亿美元增长至1 369.1亿美元,年均增长率高达29.78%,为全球第二大对外投资国。4) http://theory.people.com.cn/n1/2017/1102/c40531-29623059.html。5) http://www.gov.cn/zhengce/2021-10/24/content_5644613.htm。6) http://www.gov.cn/zhengce/content/2021-10/26/content_5644984.htm。
-
图 1中国工业绿色转型相关指标均值变动情况(2004—2019年)
资料来源:以中国30个省份历年绿色专利、产业结构合理化指数、产业结构高级化指数、工业绿色全要素生产率的测算结果为基础,文章计算了现有文献常用作工业绿色转型替代指标的全国年度均值。其中,绿色专利数据来自世界知识产权组织(WIPO),根据其发布的绿色专利清单确定绿色专利代码,在国家专利产权局查找各市绿色专利申请量,再整理为省际变量;文章用泰尔指数度量产业结构合理化,而产业结构高级化指数由第三产业与第二产业增加值之比计算而得[21];基于纳入非期望产出的SBM效率测度模型并结合Malmquist-Luenberger 生产率指数法,文章测算了资源环境约束下中国工业绿色全要素生产率[22]。
表 1工业绿色转型指标体系的架构思路
一级指标 二级指标 三级指标 具体含义 技术创新 创新投入 研发强度 R&D经费内部支出与国内生产总值之比 创新产出 绿色专利获得情况 当年绿色专利获得量与专利获得总数之比 绿色实用新型专利
获得情况当年绿色实用新型专利获得量与实用新型专利获得总数之比 结构升级 能源结构调整 工业能源消费结构 工业天然气消费与工业化石能源消费之比 产业结构优化 产业结构合理化 泰尔指数 产业结构高级化 第三产业与第二产业增加值之比 节能减排 环境治理 工业污染治理投资情况 工业污染治理完成投资与工业增加值之比 能效提高 工业能源消耗强度 单位工业增加值能耗/(万吨标准煤/亿元) 工业电力消费强度 单位工业增加值电耗/(亿千瓦小时/亿元) 污染减排 工业废水排放强度 单位工业增加值工业废水排放量/(万吨废水/亿元) 工业废气排放强度 单位工业增加值工业SO2排放量/(吨SO2/亿元) 工业固体废物利用情况 工业固体废物综合利用率/% 表 2变量描述性统计
变量名 变量含义 观测数 平均值 标准差 最小值 最大值 $ \mathrm{I}\mathrm{G}\mathrm{T}\mathrm{E} $ 工业绿色转型效果综合指数 480 0.233 0.079 0.115 0.591 $ \mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I} $ 对外直接投资 480 81.403 218.229 102.000 2 010.000 $ \mathrm{p}\mathrm{G}\mathrm{D}\mathrm{P} $ 人均实际GDP 480 3.013 1.919 0.430 11.517 $ \mathrm{F}\mathrm{D}\mathrm{I} $ 外商直接投资 480 12.757 17.640 0.185 132.631 $ \mathrm{H}\mathrm{u}\mathrm{m}\mathrm{a}\mathrm{n} $ 人力资本 480 8.831 1.009 6.378 12.782 $ \mathrm{U}\mathrm{r}\mathrm{b}\mathrm{a}\mathrm{n} $ 城镇化水平 480 0.539 0.143 0.263 0.896 $ \mathrm{L}\mathrm{a}\mathrm{m}\mathrm{p} $ 路灯密度 480 68.325 23.356 16.900 142.769 $\mathrm{P}\mathrm{M}_{2.5}$ 大气污染水平 480 41.436 14.428 9.566 85.629 $ \mathrm{F}\mathrm{i}\mathrm{n} $ 金融发展效率 480 0.752 0.361 0.063 8.061 表 3基准模型(固定效应)估计结果
解释变量 被解释变量:$\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{I}\mathrm{G}\mathrm{T}\mathrm{E}$ (1) (2) (3) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ 0.026 4** 0.024 3** 0.023 6** (2.54) (2.32) (2.25) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{p}\mathrm{G}\mathrm{D}\mathrm{P}$ −0.252 1*** −0.235 6** −0.231 7** (−2.59) (−2.41) (−2.37) ${\left(\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{p}\mathrm{G}\mathrm{D}\mathrm{P}\right)}^{2}$ 0.070 7*** 0.066 3*** 0.066 7*** (3.26) (3.03) (3.05) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{F}\mathrm{D}\mathrm{I}$ −0.012 5 −0.0138 −0.014 3 (−1.38) (−1.52) (−1.58) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{H}\mathrm{u}\mathrm{m}\mathrm{a}\mathrm{n}$ −0.072 6 −0.112 0 −0.113 1 (−0.31) (−0.48) (−0.49) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{U}\mathrm{r}\mathrm{b}\mathrm{a}\mathrm{n}$ 0.135 6 0.109 1 0.118 1 (0.85) (0.68) (0.73) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{L}\mathrm{a}\mathrm{m}\mathrm{p}$ 0.090 5*** 0.086 4*** 0.083 9*** (3.34) (3.18) (3.07) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{P}\mathrm{M}_{2.5}$ −0.105 7 −0.104 4 (−1.56) (−1.54) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{F}\mathrm{i}\mathrm{n}$ −0.022 3 (−0.86) 省份固定效应 是 是 是 年份固定效应 是 是 是 常数项 是 是 是 R2 0.625 5 0.627 7 0.628 3 F统计量 58.82 53.11 52.32 观测值 480 480 480 注:括号内为标准误;*、**、***分别表示在10%、5%和1%的水平上显著。 表 4工具变量(2SLS)估计结果
解释变量 被解释变量:$\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{I}\mathrm{G}\mathrm{T}\mathrm{E}$ (1) (2) (3) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ 0.110 4** 0.113 9** 0.114 2** (2.37) (2.43) (2.38) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{p}\mathrm{G}\mathrm{D}\mathrm{P}$ −0.479 4** −0.478 9** −0.479 7** (−2.03) (−2.01) (−1.99) ${\left(\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{p}\mathrm{G}\mathrm{D}\mathrm{P}\right)}^{2}$ 0.118 7*** 0.112 6*** 0.112 4*** (6.81) (5.62) (5.62) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{F}\mathrm{D}\mathrm{I}$ −0.001 6 −0.000 9 −0.000 7 (−0.14) (−0.07) (−0.06) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{H}\mathrm{u}\mathrm{m}\mathrm{a}\mathrm{n}$ −0.340 0* −0.341 7* −0.340 3* (−1.87) (−1.87) (−1.87) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{U}\mathrm{r}\mathrm{b}\mathrm{a}\mathrm{n}$ 0.391 8** 0.353 9* 0.351 5* (2.29) (1.92) (1.94) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{L}\mathrm{a}\mathrm{m}\mathrm{p}$ 0.104 7*** 0.106 9*** 0.107 4*** (3.63) (3.67) (3.59) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{P}\mathrm{M}_{2.5}$ −0.034 5 −0.034 5 (−0.65) (−0.65) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{F}\mathrm{i}\mathrm{n}$ 0.003 5 (0.11) 常数项 是 是 是 R2 0.530 4 0.525 6 0.525 3 观测值 480 480 480 工具变量 被解释变量$\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$(第一阶段回归结果) $\mathrm{l}\mathrm{n}({\rm{M}}3\times \mathrm{P}\mathrm{o}\mathrm{r}\mathrm{t})$ 0.861 2*** 0.868 7*** 0.851 4*** (4.75) (4.76) (4.68) 第一阶段F统计量 47.19 47.09 42.67 第二阶段F统计量 50.13 44.70 43.77 不可识别检验(Anderson canon. corr. LM statistic) 23.289 23.381 22.693 P-val =0.000 P-val =0.000 P-val =0.000 弱工具变量检验(Cragg-Donald WaldFstatistic) 22.590 22.633 21.884 注:括号内为标准误;*、**、***分别表示在10%、5%和1%的水平上显著;Anderson canon. corr. LM 统计量为识别不足检验的统计量;Cragg-Donald Wald F statistic为弱工具变量的检验统计量;第(1)~第(3)列的Sargan统计量均为0.000。 表 5稳健性检验结果
解释变量 被解释变量:$\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{I}\mathrm{G}\mathrm{T}\mathrm{E}$ (1)
替换解释变量(2)
缩短时间窗口(3)
改变样本容量(4)
控制变量滞后一期$\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ 0.275 0* 0.114 3** 0.127 2*** (1.76) (2.42) (2.83) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{L}\mathrm{e}\mathrm{v}\mathrm{e}\mathrm{l}$ 0.141 3** (2.29) 其他控制变量 是 是 是 是 常数项 是 是 是 是 R2 0.483 8 0.025 5 0.526 6 0.514 0 F统计量 41.03 21.64 44.58 42.08 观测值 480 330 480 450 注:括号内为标准误;*、**、***分别表示在10%、5%和1%的水平上显著;受限于篇幅,表5中仅列示了第二阶段的回归结果;在第(1)~(4)列稳健性检验的第一阶段回归结果中,F统计量显著大于经验值10,且均通过了不可识别检验和弱工具变量检验。 表 6异质性检验:政策差异和工业绿色转型程度差异
解释变量 被解释变量:$\mathrm{l}\mathrm{n}\:\mathrm{I}\mathrm{G}\mathrm{T}\mathrm{E}$ (1) (3) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ 0.086 6* 0.112 9*** (1.81) (2.37) $\mathrm{B}\mathrm{R}\mathrm{I}\times \mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ 0.007 0*** (4.03) $\mathrm{H}\mathrm{i}\mathrm{g}\mathrm{h}\times \mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ 0.017 7** (2.33) 其他控制变量 是 是 常数项 是 是 R2 0.5794 0.5371 F统计量 47.89 45.10 观测值 480 480 注:括号内为标准误;*、**、***分别表示在10%、5%和1%的水平上显著;受限于篇幅,本部分只报告了第二阶段的回归结果;在第(1)~第(2)列异质性检验的第一阶段回归结果中,F统计量显著大于经验值10,且均通过了不可识别检验和弱工具变量检验。 表 7调节模型的基准回归结果
解释变量 被解释变量:$\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{I}\mathrm{G}\mathrm{T}\mathrm{E}$ 产能转移 技术进步 资源补缺 (1) (2) (3) (4) (5) (6) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ 0.022 1** 0.026 9** 0.021 6** 0.063 8*** 0.022 1** 0.078 0*** (2.12) (2.54) (2.07) (4.95) (2.11) (5.09) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{C}\mathrm{A}\mathrm{P}$ −0.868 6*** −4.052 8*** (−2.63) (−2.75) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}\times \mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{C}\mathrm{A}\mathrm{P}$ 0.281 9** (2.21) $\mathrm{l}\mathrm{n}\:\mathrm{T}\mathrm{E}\mathrm{C}\mathrm{H}$ −0.017 9** −0.220 2*** (−2.12) (−5.65) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}\times \mathrm{l}\mathrm{n}\:\mathrm{T}\mathrm{E}\mathrm{C}\mathrm{H}$ 0.017 8*** (5.31) $\mathrm{l}\mathrm{n}\:\mathrm{C}\mathrm{P}\mathrm{M}$ −0.046 1*** −0.269 8*** (−3.25) (−5.65) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}\times \mathrm{l}\mathrm{n}\:\mathrm{C}\mathrm{P}\mathrm{M}$ 0.022 0*** (4.89) 其他控制变量 是 是 是 是 是 是 省份固定效应 是 是 是 是 是 是 年份固定效应 是 是 是 是 是 是 常数项 是 是 是 是 是 是 R2 0.634 3 0.638 4 0.632 2 0.655 1 0.632 4 0.652 2 F统计量 53.28 53.55 51.65 54.77 50.47 52.55 观测值 480 480 480 480 480 480 注:括号内为标准误;*、**、***分别表示在10%、5%和1%的水平上显著。 表 8调节模型的工具变量(2SLS)回归结果
解释变量 被解释变量:$\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{I}\mathrm{G}\mathrm{T}\mathrm{E}$ 产能转移 技术进步 资源补缺 (1) (2) (3) (4) (5) (6) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}$ 0.111 7** 0.128 5** 0.117 9** 0.130 9*** 0.117 1** 0.369 6** (2.45) (2.37) (2.48) (2.78) (2.49) (2.00) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{C}\mathrm{A}\mathrm{P}$ −0.681 4** −5.785 2** (−2.00) (−2.50) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}\times \mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{C}\mathrm{A}\mathrm{P}$ 0.459 4** (2.19) $\mathrm{l}\mathrm{n}\:\mathrm{T}\mathrm{E}\mathrm{C}\mathrm{H}$ −0.011 8 −0.346 5*** (−1.24) (−3.50) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}\times \mathrm{l}\mathrm{n}\:\mathrm{T}\mathrm{E}\mathrm{C}\mathrm{H}$ 0.029 1*** (3.34) $\mathrm{l}\mathrm{n}\:\mathrm{C}\mathrm{P}\mathrm{M}$ −0.047 2*** −0.904 1** (−3.17) (−2.07) $\mathrm{l}\mathrm{n}\:\mathrm{ }\mathrm{O}\mathrm{F}\mathrm{D}\mathrm{I}\times \mathrm{l}\mathrm{n}\:\mathrm{C}\mathrm{P}\mathrm{M}$ 0.083 7* (1.95) 其他控制变量 是 是 是 是 是 是 常数项 是 是 是 是 是 是 R2 0.533 4 0.518 2 0.521 1 0.600 7 0.525 5 0.294 8 F统计量 44.62 43.09 42.33 50.64 43.17 29.01 观测值 480 480 480 480 480 480 注:括号内为标准误;*、**、***分别表示在10%、5%和1%的水平上显著;受限于篇幅,本部分只报告了第二阶段的回归结果;在第(1)~(6)列对应的第一阶段回归结果中,F统计量显著大于经验值10,且均通过了不可识别检验和弱工具变量检验。 表 9技术能力指标体系的架构思路
一级指标 二级指标 单位 数据来源 人才基础 高等学校(普通本专科)专任教师数 千人 国家统计局 高等学校(普通本专科)在校生数 千人 国家统计局 创新资本 国内有效专利数 件 《中国科技统计年鉴》 国外主要检索工具(EI、SCI、ISTP)收录中国科技论文数 篇 《中国科技统计年鉴》 技术市场成交合同金额 万元 《中国科技统计年鉴》 研发水平 RD人员全时当量 千人 《中国科技统计年鉴》 实际新产品开发经费支出 万元 《中国科技统计年鉴》 实际R&D研发资本存量 万元 由笔者计算而得 信息通达度 移动电话普及率(每百人移动电话) 部 CEIC数据库 互联网宽带接入用户数 千户 CEIC数据库 -
[1] ZHU S, YE A. Does the impact of China’s outward foreign direct investment on reverse green technology process differ across countries? [J]. Sustainability, 2018(11): 38-41. [2] 聂名华, 齐昊. 对外直接投资能否提升中国工业绿色创新效率?: 基于创新价值链与空间关联的视角[J]. 世界经济研究, 2019(2): 111-122. [3] 李逢春. 对外直接投资的母国产业升级效应: 来自中国省际面板的实证研究[J]. 国际贸易问题, 2012(6): 124-134. [4] 王丽, 张岩. 对外直接投资与母国产业结构升级之间的关系研究: 基于1990—2014年OECD国家的样本数据考察[J]. 世界经济研究, 2016(11): 60-69. [5] 韩玉军, 王丽. OFDI逆向技术溢出对中国能源利用效率的影响[J]. 经济问题, 2016(3): 95-101.doi:10.16011/j.cnki.jjwt.2016.03.018 [6] 高文玲. 中国OFDI与技术进步波及: 一个文献综述[J]. 改革, 2012(3): 124-129. [7] ZHOU Y, JIANG J, Ye B, et al. Green spillovers of outward foreign direct investment on home countries: evidence from China's province-level data[J]. Journal of Cleaner Production, 2019(4): 829-844. [8] DUNNING J H, LUNDAN S M. Multinational enterprises and the global economy[M]. London:Edward Elgar Publishing, 2018. [9] 蒋冠宏. 中国企业对外直接投资的“就业效应”[J]. 统计研究, 2016(8): 55-62. [10] VERNON R A. International investment and international trade in the product cycle[J]. Quarterly Journal of Economics, 1966(2): 190-207. [11] KOJIMA K. Direct foreign investment: a Japanese model of multi-national business operations[M]. London: Published by Routledge, 2010. [12] ELIA S, MARIOTTI I, PISCITELLO L. The impact of outward FDI on the home country’s labour demand and skill composition[J]. International Business Review, 2009(4): 357-372. [13] 宋维佳, 王军徽. ODI对母国制造业产业升级影响机理分析[J]. 宏观经济研究, 2012(11): 39-45.doi:10.16304/j.cnki.11-3952/f.2012.11.017 [14] KOGUT B, CHANG S. Technological capabilities and japanese direct investment in the United States[J]. Review of Economics and Statistics, 1991(3): 401-413. [15] COE D, HELPMAN E. International R&D spillovers[J]. European Economic Review, 1993(5): 859-887. [16] 周五七. “一带一路”沿线直接投资分布与挑战应对[J]. 改革, 2015(8): 39-47. [17] 金刚, 沈坤荣. 中国企业对“一带一路”沿线国家的交通投资效应: 发展效应还是债务陷阱[J]. 中国工业经济, 2019(9): 81-99. [18] 中国社会科学院工业经济研究所课题组, 李平. 中国工业绿色转型研究[J]. 中国工业经济, 2011(4): 5-14.doi:10.19581/j.cnki.ciejournal.2011.04.001 [19] BAI Y, QIAN Q, JIAO J, et al. Can environmental innovation benefit from outward foreign direct investment to developed countries? evidence from Chinese manufacturing enterprises[J]. Environmental Science and Pollution Research, 2020(12): 13790–13808. [20] 邓慧慧, 杨露鑫. 雾霾治理、地方竞争与工业绿色转型[J]. 中国工业经济, 2019(10): 118-136. [21] 干春晖, 郑若谷, 余典范. 中国产业结构变迁对经济增长和波动的影响[J]. 经济研究, 2011(5): 4-16. [22] 原毅军, 谢荣辉. FDI、环境规制与中国工业绿色全要素生产率增长: 基于Luenberger指数的实证研究[J]. 国际贸易问题, 2015(8): 84-93. [23] 孙传旺, 罗源, 姚昕. 交通基础设施与城市空气污染: 来自中国的经验证据[J]. 经济研究, 2019(8): 136-151. [24] 邵帅, 张可, 豆建民. 经济集聚的节能减排效应: 理论与中国经验[J]. 管理世界, 2019(1): 43-67+233. [25] BARRO R J, Lee J W. International comparisons of educational attainment[J]. Journal of Monetary Economics, 1993(3): 363-394. [26] 陈诗一, 陈登科. 雾霾污染、政府治理与经济高质量发展[J]. 经济研究, 2018(2): 20-34. [27] 孙文莉, 余靖雯, 伍晓光. 货币波动性对中国OFDI的诱发机制研究[J]. 经济学(季刊), 2016(3): 1581-1602. [28] 吴慧. 中国商业通史: 第5卷[M]. 北京: 中国财政经济出版社, 2008: 134-138. [29] 董志强, 魏下海, 汤灿晴. 制度软环境与经济发展: 基于30个大城市营商环境的经验研究[J]. 管理世界, 2012(4): 9-20. [30] BRONER F, BUSTOS P, CARVALHO V. Sources of comparative advantage in polluting industries[J/OL]. NBER Working Paper, 2012.18337. https://www.xueshufan.com/publication/3147134350. [31] 陈超凡. 中国工业绿色全要素生产率及其影响因素: 基于ML生产率指数及动态面板模型的实证研究[J]. 统计研究, 2016(3): 53-62.doi:10.3969/j.issn.1002-4565.2016.03.007 [32] 张军, 吴桂英, 张吉鹏. 中国省际物质资本存量估算: 1952—2000[J]. 经济研究, 2004 (10): 35-44. [33] 姬超. “一带一路”建设的中国要素分解及其外部性检验[J]. 国际贸易问题, 2019(9): 83-96. [34] 田巍, 余淼杰. 企业生产率和企业“走出去”对外直接投资: 基于企业层面数据的实证研究[J]. 经济学: 季刊, 2012(2): 383-408. [35] 单豪杰. 中国资本存量K的再估算: 1952~2006年[J]. 数量经济技术经济研究, 2008(10): 17-31. [36] YOUNG A. Gold into base metals: productivity growth in the people’s republic of China during the reform period[J]. Journal of Political Economy, 2003(6): 1220-1260. [37] 余泳泽. 中国区域创新活动的“协同效应”与“挤占效应”: 基于创新价值链视角的研究[J]. 中国工业经济, 2015(10): 39-54. [38] HAYAKAWA K, MATSUURA T, MOTOHASHI K, et al. Two-dimensional analysis of the impact of outward FDI on performance at home: evidence from Japanese manufacturing firms[J]. Japan and the World Economy, 2013(4): 25-33. [39] 方国昌; 碳交易驱动新能源发展路径优化与政策协同[M]. 北京: 中国财政经济出版社, 2022.