省域绿色全要素生产率的时空演变与空间溢出效应
张红梅（教授），张 宁
【摘要】 运用超效率SBM模型测算我国30个省市2006 ～2015年绿色全要素生产率，借助标准差椭圆和重心模型分析绿色全要素生产率的时空演变特征，并采用空间杜宾模型分析绿色全要素生产率的空间溢出效应。研究结果表明：在样本考察期间，绿色全要素生产率呈现波动上升趋势；绿色全要素生产率能客观反映经济增长和技术进步趋势；绿色全要素生产率总体呈现出东北→西南的空间分布格局，且呈现出不断扩散的趋势；效率重心位于河南和湖北境内，先后经历的迁移过程为东南→西北→西南；省域绿色全要素生产率存在明显的空间溢出效应，同时6个影响因素对其产生了不同的直接和间接效应，其中提高经济发展水平是现阶段提升绿色全要素生产率的主要路径。
【关键词】 绿色全要素生产率；超效率SBM；标准差椭圆；空间杜宾模型
一、引言
目前，我国进入增速换挡期、调整阵痛期和前期政策消化期“三期叠加”阶段。而我国经济增长依然由大量要素投入和大规模投资所驱动，经济红利中全要素生产率所占份额较少，粗放式经济增长模式没有得到根本性改变，这一状况已经不能适应当前经济发展。
党的十九大报告指出，必须坚定不移地贯彻“创新、协调、绿色、开放、共享”的五大发展理念，逐步健全绿色低碳循环发展的现代经济体系。所谓绿色低碳循环发展的现代经济体系，就是经济发展要努力摆脱以往“物耗高、能源高、污染高”等经济增长方式，逐步迈向“劳动生产率提高、污染排放减少、资源消耗下降和可持续发展能力增强”阶段，换言之就是绿色全要素生产率的持续改善。
在已有研究中，对绿色全要素生产率的测度主要以索洛余值法、数据包络法（DEA）为主。其中前者适合多投入单产出的形式，将通过生产函数形式变换得到的索洛余值作为绿色全要素生产率；后者适合多投入多产出的形式，运用非参数线性规划技术测度生产者的实际生产水平和最前沿生产技术的距离来度量绿色全要素生产率（GTFP）。
陈诗一[1]采用二氧化碳作为投入要素，利用超越对数分行业生产函数和索洛余值法估算了我国工业全要素生产率，并进行了绿色增长核算。郭辉等[2]运用扩展索洛模型估算了我国1978 ～2008 年能源消费和二氧化碳排放约束下的绿色全要素生产率。胡晓珍等[3]和杨桂元等[4]分别将熵值法拟合的环境污染综合指数和工业“三废”作为经济的非期望产出纳入非参数DEA-Malmquis 指数函数。而丁黎黎等[5]通过熵值法构建“资源与环境损耗指数”，测算了资源环境双重因素下我国沿海11 个地区的海洋经济绿色全要素生产率。
在绿色全要素生产率影响因素研究方面，屈小娥[6]认为研发强度能有效提升绿色全要素生产率，而沈可挺等[7]的研究结果与之相反。屈小娥[6]、肖攀等[8]分别采用第三产业和工业产值占GDP 比重衡量产业结构，发现产业结构对绿色全要素生产率具有提升作用。除此之外，对绿色全要素生产率的影响因素还有外商直接投资[9，10]、贸易开放程度[11]、能源结构[12]、地区经济发展水平[13]。
以上述研究为基础，本文将能源因素和环境污染因素纳入传统全要素生产率的研究体系框架中，运用超效率SBM 模型测算我国省域绿色全要素生产率，并借助标准差椭圆、重心模型等方法，探究2006 ～2015年我国省域绿色全要素生产率的时间演变趋势和空间迁移趋势，以厘清绿色全要素生产率的时间和空间演化特征。同时利用空间杜宾模型探究绿色全要素生产率的空间溢出效应，以期为我国的经济绿色转型提供借鉴。
二、研究方法与变量说明
1.超效率SBM模型。数据包络法（DEA）是由著名运筹学家Charnes、Cooper、Rhodes在1978年最先提出的，该方法是评价具有多个输入和多个输出的决策单元（DMU）间相对效率的非参数分析方法[14]。它主要是将每一个评价样本作为一个DMU，对于每一个DMU 都存在各自的投入和产出，通过对投入和产出数值进行数据线性规划，以确定由投入和产出构成的最优解所形成的相对有效的生产前沿面。然后，通过分析决策单元与相对有效的生产前沿面之间的距离来判断DMU的效率值。
学者Tone 在2002 年提出了一种基于松弛变量评价DMU相对效率的非径向DEA模型，即SBM模型[15]。该模型将松弛变量纳入目标函数，使其效率值不再是使效益比例最大化，而变为使实际利润最大化。
（1）GTFP和TFP比较分析。运用DEA-SOLVER Pro5 软件基于非径向超效率SBM 模型测算规模报酬可变条件下2006 ～2015 年30 个省市的绿色全要素生产率GTFP。同时，本文也测算出不考虑非期望产出、以传统GDP为产出的全要素生产率TFP进行比较分析，结果见表1。
2.标准差椭圆。标准差椭圆是分析空间分布方向性特征的经典方法之一，使用标准差椭圆可以从全局和空间两个角度定量解释经济要素空间分布的中心性、方向性、空间形态等整体性特征。该方法主要通过椭圆的空间分布范围以及中心、长轴、短轴、方位角等基本参数定量描述经济属性空间分布特征。SDE基本参数的计算公式如下：
剪力墙属于高层建筑结构设计与施工建设中较为常见的一种结构形式，能够承载整个建筑工程的重量，发挥支撑的作用，保持整个建筑工程的稳定性，很好的抵抗水平方向外力的作用。剪力墙结构是空间结构，在布置时应双向设置，且两个方向的刚度必须接近，否则容易发生扭转。沿着建筑物从下至上，剪力墙不应突然减少或增加，宜上下连续设置。而且剪力墙上开窗、开门也很有讲究，需工程师根据规范要求并结合经验，慎重设置，同时采取适宜的计算方法。
选用同一批次、体重接近、饲养条件一致的14日龄扬州鹅公仔鹅360只，随机分成5个试验处理组，每组设6个重复，每个重复12只。即：对照组（饲喂基础饲粮），试验Ⅰ组（基础日粮+250 mg/kg CTS）、试验Ⅱ组（基础日粮+500 mg/kg CTS）、试验Ⅲ组（基础日粮+1 000 mg/kg CTS）、试验Ⅳ组（基础日粮+2 000 mg/kg CTS）。
中心：
其中，误差项
包括随机误差项εit、空间效应μi、时间效应vt。在特定时间点的不同空间单位中被解释变量Y 相对于第k 个解释变量（即xik，i=1，2，…，N）的偏微分矩阵为：
Y轴标准差：
方位角：
其中：（xi，yi）为研究对象中心地理位置的经纬度坐标
分别表示各点距离区域重心的相对坐标
表示加权平均重心；wi表示权重；n 表示研究对象的个数；θ为椭圆的方位角，表示正北方向顺时针旋转到椭圆长轴所形成的夹角；σx和σy分别为沿x轴的标准差和沿y轴的标准差。
3.空间计量模型选择与估计。通过构建混合OLS、空间固定、时间固定、空间和时间双固定模型的非空间面板模型来选择空间计量模型的类别，主要通过拉格朗日乘数（LM）进行检验。表3 中，空间固定和空间时间双固定模型中的残差平方和δ2、回归平方和R2 和对数似然值Log-like 均大于混合OLS和时间固定相对应的δ2、R2和Log-like，以上结果表明空间固定和时间双固定模型是最优的。时间和空间LR 检验均通过了1%水平上的显著性检验，拒绝了时间固定和空间固定的混合非显著性的原假设，故应采取空间时间双固定模型[19]。空间时间双固定模型均在1%或5%的显著性水平上通过了LM检验或稳健的LM检验。
（1）空间相关性检验。空间相关性检验采用Moran 在1950 年提出的Moran's I 指数来检验变量是否存在区域关联性与空间依赖性。Moran's I 指数定义为：
Yi为第i个省份的指标值，n为省份总数，Wij为邻接距离空间权重矩阵。一般来说，Moran's I 指数的取值范围为［-1，1］。若Moran's I＞0，表明变量在空间上表现出正相关；若Moran's I＜0，表明变量在空间上表现出负相关；若Moran's I=0，表明变量在空间上表现出随机性，不存在空间相关性。
（2）空间Durbin 计量模型。常用的空间计量分析模型主要有空间滞后模型（SLM）、空间误差模型（SEM）和空间杜宾模型（SDM）。SLM模型侧重于考察被解释变量的空间溢出效应，因此模型中包含被解释变量的空间滞后项；SEM模型侧重于考察因遗漏变量所造成的空间依赖性，因此模型中包含误差项的空间滞后项。但是SLM模型和SEM模型都没有考虑解释变量之间的空间相关性，且有可能遗漏不可观测变量的影响。LeSage、Pace[16]提出的SDM 模型综合了SEM和SLM的优点，既能够考虑被解释变量和解释变量的空间依赖性，又能够考虑随机误差冲击的空间影响。因此，为了验证绿色全要素生产率（GTFP）的空间溢出效应，本文将采用SDM 模型表达式：
从一开始，康提尼·巴黎塔就种植了黑玛尔维萨来给阿方斯莱弗宁增加酒液颜色和果味。意大利酿酒师贾科莫·安塞米和助手阿贡·威利斯则与农民密切合作，执行严格的葡萄园管理规则，比如进行绿色采摘和控制采收至一年两次，以此来提高葡萄成熟度。他们还计划用其他意大利葡萄品种进行试验，包括歌蕾拉、黑珍珠和普里米蒂沃等葡萄品种来提高葡萄酒的品质。
式中，yit 是观测单位i 在时间t 上的被解释变量
是一个1×N阶的外生变量，表示解释变量矩阵的第i 行；β是一个固定且未知的k×1 阶参数向量；k为解释变量个数；μi对应空间效应；vt则对应时间效应；εit为随机误差项，且
（3）直接效应、间接效应和总效应分解。许多实证研究使用一个或者多个空间回归模型的点估计来检验是否存在空间溢出效应。然而，LeSage、Pace[16]认为利用点估计检验溢出效应可能存在偏误，而且不同模型设定中变量的变化影响了偏微分方程。因此，为准确估计解释变量对被解释变量的影响程度，LeSage 和Pace 通过偏微分方法将SDM 模型中的参数向量θ分解为直接效应和间接效应。空间杜宾模型的向量形式可以表示为：
2.节温器主阀的气流孔堵塞后机体水套内气体排不净水箱加不满水易引起开锅寒冬季节水箱内热水进不去医冻坏水箱。
X轴标准差：
上式中：直接效应就是偏微分矩阵右边矩阵对角线的元素的均值；间接效应是这个矩阵非对角线元素对应行或列的均值；总效应是这个矩阵的所有元素平均值，其数值等于直接效应加上间接效应。
4.变量选取和数据来源。本文以2006 ～2015年我国内地30个省市（由于数据缺失严重，剔除西藏地区）为研究样本，选取资本、劳动和能源消费三种要素作为超效率SBM模型的投入变量，以经过环境污染指数调整的相对绿色GDP作为超效率SBM模型的产出变量。具体投入和产出变量的数据来源和处理情况如下所示：
（1）经济发展水平（EDL）：一个地区的经济发展水平直接影响该地区的绿色全要素生产率，提升经济发展水平将显著提升绿色全要素生产率。选取人均地区生产总值的对数值表示，预期为正。
Petter Neksa[26]等通过研制的试验样机对以CO2为制冷工质的热泵热水器进行了研究，结果表明，在90℃的高温水下样机仍可正常运行，在0℃的环境温度下样机平均COP达到了4.3。
（1）投入指标方面。①劳动投入采用各省市历年就业人员数来表示，数据来源于《中国劳动统计年鉴》。②资本投入用固定资产存量衡量，此数据无法直接获得，需进行计算。本文主要借鉴张军等[17]采用的永续盘存法计算资本投入：Kit=Kit-（11-δ）+Iit。其中Kit为研究样本i 地区t 时期的固定资本存量，Kit-1为i 地区t-1 时期的资本存量，δ表示固定资本折旧率（取值9.6%），Iit为样本i地区第t期的实际固定资本形成总额，数据来源于《中国统计年鉴》。③能源投入采用能源消耗总量表示，数据来源于《中国能源统计年鉴》。
（2）产出指标方面。通过熵值法构建环境污染指数EPI 来表示非期望产出部分[10]，在此基础上用期望产出GDP减去环境污染的产出部分，其中将GDP以2006 年为基期进行平减处理，得到绿色产出EDP。考虑到数据的可获得性，参考胡晓珍等[18]的研究方法，选取工业废气排放量、工业废水排放量、工业烟（粉）尘排放量代表非期望产出的指标，数据来源于《中国环境统计年鉴》。
三、绿色全要素生产率的时空演变
1.绿色全要素生产率的时间演变。
同年，Tone为了弥补原始SBM模型不能将所有DMU 效率值进行统一排序的缺陷，进一步提出了超效率SBM模型。该模型假设存在n个DMU，每个DMU的评价体系由m个投入、r1个期望产出和r2个非期望产出三个部分组成，向量形式为x∈Rm，yd∈Rr1，yu∈Rr2；X、Yd、Yu是矩阵，且X=［x1…xn］∈Rm×n，
假设以上的变量数据均为正值，则超效率SBM模型构建如下所示：
表1 2006 ～2015年GTFP和TFP均值比较
从表1 中可以看出，30 个省市考虑非期望产出GTFP 效率值要低于不考虑非期望产出TFP 效率值。结合现实情况，可认为不考虑环境投入和环境代价的全要素生产率TFP 出现虚高现象，绿色全要素生产率GTFP能够更真实客观地反映我国的经济增长和技术进步。
（2）GTFP 时间演变趋势分析。从全国范围来看，在2006 ～2015 年期间，全国地区绿色全要素生产率从0.7299 增长到0.8244，总体而言呈现出波动上升趋势。从区域分布来看，东、中、西部地区的绿色全要素生产率也呈现出波动上升趋势，且东部地区远高于中西部地区。从时间段来看，不论是全国还是三大地区均呈现出2011年前快速上升、2011年后轻微下降趋势。这主要是因为在建设资源节约型、环境友好型社会和节能减排的目标下，我国不仅对排放污染物设定了最高限值，而且大力发展循环经济、积极推动节能清洁资源的利用，从而取得了一定的政策效果。
从省域来看，2006 ～2015 年我国绿色全要素生产率呈现出逐年上升的趋势，且存在着显著的省际差异。绿色全要素生产率保持较高水平的省市主要有北京、上海、江苏、山东、广东、青海和海南等，其中北京、上海为直辖市，江苏、山东、广东位于东部沿海地区，这些省市经济实力雄厚、环境技术先进、教育资源丰富、交通便利，因而绿色全要素生产率处于全国最高水平，实现了经济发展和环境保护的“双赢”。与此同时，大部分中西部省市绿色全要素生产率虽然处于上升趋势，但是十年间的效率值仍然低于1，处于较低水平。这主要是因为中西部省市经济基础较为薄弱，技术人才引进、技术创新能力以及治污设备等方面的不足，导致环境技术落后于东部沿海地区。同时中西部省市还需要承接东部省市带来的重污染、高投入、劳动密集型产业的转移，从而进一步加重了环境污染，导致绿色全要素生产率持续处于较低水平。
图1 区域GTFP时间演变趋势分析
图2 省域GTFP时间演变趋势分析
该文探讨的接受美学理论是广义上的读者接受文论，结合了读者接受文学理论先驱，波兰美学家英加登的读者阅读理论中的文本“空白”理论和沃尔夫冈·伊瑟夫的“召唤结构”观点；同时分析过程中也运用了德国文学理论学家姚斯的“历史距离”和“期待视域”等理论。
（1）从重心分布范围来看，绿色全要素生产率在空间分布上的重心可看做标准差椭圆的重心。绿色全要素生产率重心均分布于湖北和河南境内，说明在东西方向上位于我国东部地区的绿色全要素生产率要平均高于西部地区。从重心迁移轨迹来看（如图3），在东→西方向上，2006 ～2009年绿色全要素生产率重心呈现出明显的向东移动趋势，在2009年之后绿色全要素生产率重心又开始向西移动，向西移动总距离要大于向东移动总距离；在北→南方向上，总体呈现出先往北移动再往南移动的趋势，且向南移动总距离要大于向北移动总距离。总体来看，我国绿色全要素生产率重心先偏东南再偏西北然后偏向西南，在样本研究期间内绿色全要素生产率重心总位移为13.0226Km，其中向西总移动27.8299Km，向南总移动46.7543Km。
图3 2006 ～2015年绿色全要素生产率空间重心变化
2006 ～2009年重心向东南偏移主要是由于经济发展快速的东部沿海地区环保意识增强、经济发展方式向集约型转变，资源浪费和污染下降导致绿色全要素生产率快速提升。受国家的西部大开发和中部崛起等政策的推动，中西部地区为追求经济的快速增长，注重发展高污染高投入的产业，造成大量污染物排放和能源消耗过度，这一系列问题阻碍了社会经济效益增长，致使生产效率低下。
2009 ～2015 年重心向西北和西南偏移，这主要是因为国家大力推进生态文明建设和绿色发展，并逐渐将西北地区和西南地区列入生态文明建设的行列中，致使西北和西南地区生态环境质量不断提升。同时，加强资源节约和管理、加大环境保护力度及促进生态保护和修复等一系列措施的不断提出，间接地促进了这些地区绿色全要素生产率的提升。
（2）从标准差椭圆来看，2006 ～2015年绿色全要素生产率标准差椭圆主要位于东中部的大部分地区，在研究期间内椭圆向东偏移且分布范围逐年扩大。椭圆周长由2006 年的68.5967 上升至2015 年的72.4374、椭圆面积由2006年的364.6525扩展至2015年的408.2780，椭圆形状逐渐接近于正圆，说明我国的绿色全要素生产率逐渐趋于扩散。从方位角θ来看，转角呈现出缩小的趋势，2006 ～2015年转角变化了6.4696，这说明绿色全要素生产率空间分布格局由偏东北→西南向正北→正南方向转动了6.4696。从长短轴变化来看（如图4），长短轴总体上是延长的，长轴标准差由2006年的12.3104Km延长至2015年的12.8879Km，短轴标准差由2006年的9.4293Km延长至2015 年的10.0843Km。虽然总体变动幅度较小，但是表明绿色全要素生产率空间分布在长轴和短轴方向上有分散的趋势，即表示绿色全要素生产率在北→南、东→西方向呈现出扩散态势。
图4 重心移动距离和标准差椭圆长短轴变化
四、绿色全要素生产率的空间溢出效应
1.模型设定与影响因素选择。为了检验绿色全要素生产率的空间溢出效应和影响因素，本文运用空间杜宾模型进行回归分析。选取的解释变量如下：
酯化反应是羧酸与醇反应脱水得到酯键的反应，需要酸[4]或酶[5]催化，是油脂酸水解的逆反应，是得到酯类化合物的重要途径之一（酰氯、脂肪酸乙烯酯等与醇反应及卤代烃、叠氮烃等与羧酸反应也可制备）。脂肪酸与醇直接酯化的反应机理如下：
（2）能源结构（ES）：随着工业化进程的加快，以能源消耗为主的产业结构逐渐形成，然而煤炭是主要的污染环境的来源，造成生态环境被破坏。选取折算为标准煤的煤炭消费量占能源消费量的比重表示，预期为负。
（3）人力资本（HC）：人力资本是经济发展的必要因素之一，可促进经济增长和技术进步，从而为绿色全要素生产率提升提供支撑。选取普通高等学校在校生人数表示，预期为正。
（4）产业结构（IS）：合理的产业结构带来的技术进步将有助于绿色全要素生产率的提升，反之亦然。选取第二产业增加值占国内生产值的比重表示，预期不确定。
（5）基础设施（INF）：基础设施的改善能为经济增长提供便利的外部环境，从而降低经济运行成本，加快产业结构转换，间接地促进绿色全要素生产率的提升。选取城市道路人均占有面积表示，预期为正。
（6）环境规制（ER）：环境规制对绿色全要素生产率的影响存在“遵循成本”和“创新补偿”两种观点，两种观点从不同的角度说明了环境规制对绿色全要素生产率起到正向影响。选取排污费收入占国内生产总值的比重表示，预期为正。
上述变量所涉及数据来源于国家统计局官方网站、《中国劳动统计年鉴》、《中国能源统计年鉴》。
本文以绿色全要素生产率为被解释变量，以上述6 个影响因素为解释变量，构建的空间杜宾模型如下：
上式中
为空间特质效应，νt为时间特质效应。
据国家食品药品监督管理总局的数据，2017年食品药品监管部门共查处食品（含保健食品）案件25.7万件，罚款23.9亿元，没收违法所得1.6亿元，责令停产停业1852户次，吊销许可证186件，捣毁制假售假窝点568个，移送司法机关2454件。
2.空间相关性检验。根据超效率SBM 模型测算的绿色全要素生产率，利用Matlab 2017a 按照Moran's I 指数定义公式计算出2006 ～2015 年绿色全要素生产率的Moran's I值及Z值，如表2所示。
表2显示：2006 ～2015年，我国绿色全要素生产率Moran's I值在邻接距离权重矩阵下均为正值，且通过了1%或5%水平上的显著性检验，表明我国各省域绿色全要素生产率存在显著的空间相关性。
阑尾炎在临床中一种比较常见且多发的急腹症,临床表现变化快,极易引起诸多严重的并发症,危害患者的身体健康,故而临床需尽早诊治,以控制病情进展所致的阑尾穿孔。近两年来,腹腔镜技术因为微创、术后康复快等优势而在临床治疗阑尾炎患者中备受青睐,但手术治疗期间的护理配合也是提高临床疗效的关键[1]。对此,本文以笔者所在医院收治的阑尾炎腹腔镜手术患者70例为研究对象,特此分析了优质护理服务的方式与效果。现做如下报道:
表2 绿色全要素生产率的Moran's I值及Z值
空间联系局部相关性的Moran's I 指数散点图是衡量观测单元属性与周边单元相近或差异程度的一种方法。为了进行简单的对比分析，本文仅给出2006 年和2015 年各省市绿色全要素生产率的局部空间散点图，如图5所示。
图5 2006年和2015年绿色全要素生产率Moran's I散点图
从图5可以看出，局部Moran's I散点图将30个省市绿色全要素生产率划分为四个象限，其中大部分省市的局部Moran's I指数值位于第一象限（代表绿色全要素生产率较高的地区，其相邻地区的绿色全要素生产率也较高，即高值与高值的空间相关）和第三象限（代表绿色全要素生产率较低的地区，其相邻地区的绿色全要素生产率也较低，即低值与低值的空间相关），这说明我国各省市的绿色全要素生产率呈现出空间集聚效应。综合全局空间相关性检验和局部空间相关性检验，需要建立空间计量模型来探讨绿色全要素生产率的空间溢出效应。
3.空间计量模型。
综上所述，采用PS联合BiPAP治疗NRDS患儿 后，可有效提高临床疗效并降低不良反应发生率，并可有效改善患儿血清中TGF-β1及BMP-7水平。但本研究临床样本数较少，并未对患者长期疗效进行追踪。
表3 非空间面板模型拉格朗日乘数（LM）检验
对上述构建的空间杜宾模型进行Hausman 检验，统计结果显示，该模型拒绝随机效应原假设，因此选择固定效应的空间杜宾模型更加有效。由于空间时间双固定模型测算的直接估计系数存在一定的偏误[20]，因此表4同时给出了空间时间双固定模型的误差修正参数估计。
表4中模型估计结果的R2值均大于0.9，说明空间时间双固定效应空间杜宾模型拟合程度较好。同时Wald 检验均在1%的显著性水平上拒绝了θ=0 和θ+ρβ=0的原假设，表明SDM 模型不能简化为SLM或SEM 模型，SDM 模型是最优选择。模型估计中的ρ空间滞后变量解释为正（0.6253），且通过了1%显著性水平上的检验，说明绿色全要素生产率存在着显著的空间溢出效应，即本地区绿色全要素生产率的提升可以促进周边地区的绿色全要素生产率提升。这一现象的合理解释为：随着区域间经济一体化的推进，地理位置相邻接的地区可以实现经济资源在地区间流动，进而促进技术和知识等要素的扩散；同时地区之间的高级经济要素可实现共享和优化配置，从而在地区之间产生规模经济等现象。
表4 SDM模型估计结果
4.空间效应分解。上述分析主要是为了确定空间时间双固定效应的空间杜宾模型的适用性。根据LeSage、Pace[16]的观点，SDM 模型采用点估计的方式分析存在一定的偏误，即回归结果不能代表展示的偏回归系数。因此，本文运用偏微分方式将空间效应分解为直接效应、间接效应和总效应，具体结果见表5。
本研究结果数据显示，不同年龄段患儿呼吸道感染非典型病原体的组成不同，0～1岁患儿九种呼吸道感染病原体单项阳性率排前两位的是MP、RSV，而1岁及以上患儿是MP、INFB。非典型病原体阳性率与年龄有关，在0～10岁患儿中，非典型病原体阳性率随患儿年龄增加而升高，其中MP、INFB、PINF趋势明显。这可能跟因年龄不同免疫能力不同有关，还可能与不同年龄段儿童生活环境不同有关，学龄儿童以群居为主，增加了交叉感染的机会。
通过测定溶液中原始花色苷的浓度以及经过不同时间后残留的花色苷浓度来研究AB-8大孔树脂对玫瑰茄花色苷的静态吸附效果。由图1可知，在前2 h内，AB-8大孔树脂对花色苷的吸附速率迅速上升，随后逐渐下降，并在3 h时趋于平衡，因此AB-8大孔树脂的静态吸附饱和时间约为3 h。
由表5 可知，本地区的经济发展水平对该地区的绿色全要素生产率存在显著的正向直接影响，即快速的经济发展水平有助于该地区绿色全要素生产率的提升。一般来说，经济发展水平越高的地区，相应的环境保护投入力度就越大，从而有利于绿色全要素生产率的提升。同时，经济发展水平的系数要大于其他影响因素的系数，这表明现阶段经济发展水平是提升绿色全要素生产率的主要路径。经济发展水平的间接效应显著为负，表明经济发展水平存在一定的“虹吸效应”，引起周边地区经济资源、人才、资金等经济要素向本地区聚集，提升本地区绿色全要素生产率，抑制周边地区绿色全要素生产率的提高。
表5 空间效应分解结果
能源结构的直接效应显著为负，对绿色全要素生产率起到抑制作用。这种情形与我国现状相符合，2015 年我国的能源消费总量达到42.99 亿吨标准煤，其中煤炭消费占能源消费总量的比重高达63.7%，清洁能源所占比重较低，可见我国仍以煤炭为主要消费能源，且能源消费存在严重不平衡的现象，从而加剧了生态环境的破坏、抑制了生产率的提升。不仅如此，能源结构的间接效应显著为负，即本地区煤炭消费总量的增加还会抑制周边地区绿色全要素生产率的提高。
2.绿色全要素生产率的空间演变。2006 ～2015年我国省域绿色全要素生产率空间格局表现出明显的演化趋势，具体表现为向西偏南移动，且空间分布呈现逐渐扩散的趋势。本文主要从重心分布范围和标准差椭圆两个方面定量分析我国省域绿色全要素生产率空间差异的演变趋势。
人力资本对绿色全要素生产率的影响显著为正，并且通过了1%的显著性水平检验，每提高一单位的人力资本投入，本地区的绿色全要素生产率效率值就提升0.28%。其原因在于，人力资本投入的增加可以显著提高劳动者的综合素质、创新能力和整个社会的知识积累，从而提高劳动生产率、促进知识外溢或扩散，进而提高绿色全要素生产率。人力资本的间接效应显著为正，说明本地区的人力资本对周边地区的绿色全要素生产率具有促进作用。
产业结构的直接效应为正，对绿色全要素生产率具有负向作用，这与理论预期不符。目前我国大部分地区仍以制造业为主，而我国的制造业多是以高能耗高污染为主，科技含量高的工业产业占比较低，不利于绿色全要素生产率的提升。同时，产业结构的间接效应不显著，对其周边地区的绿色全要素生产率不存在溢出效应。
环境规制对绿色全要素生产率的直接效应为正，表明环境规制对绿色全要素生产率产生了积极影响，环境规制强度的加大对考虑环境因素的全要素生产率产生了推动作用。这主要是由于严格的环境规制将促使本地区产业率先发展与环境兼容的创新技术，并且促使传统生产工艺向环保型、节能型生产工艺转型，从而达到环境清洁与经济增长双赢。这就验证了“波特假说”的存在，在我国经济发展体系下，环境规制能够促使一个地区从长远发展考虑主动进行技术创新。环境规制的间接效应显著为正，说明环境规制具有明显的外溢效应。
五、结论与启示
1.结论。本文参考已有的研究成果，收集了2006 ～2015 年我国30 个省市（除西藏）的投入和产出指标，通过熵值法拟合环境污染指数并得出相对绿色GDP，运用超效率SBM非参数分析方法对绿色全要素生产率进行测算。在此基础上，考察了我国省域绿色全要素生产率的时空演变特征和空间溢出效应。研究结果表明：
（1）与绿色全要素生产率比较，未考虑环境因素的传统全要素生产率出现虚高现象。
（2）绿色全要素生产率从全国、地区和省域来看均呈现出波动上升趋势。
（3）绿色全要素生产率重心迁移呈现先偏东南移动，再偏西北移动，最后偏向西南移动，总体呈现出向西偏南的迁移趋势。
（4）标准差椭圆表现出绿色全要素生产率的空间分布格局不断扩散态势。方位角呈现出不断缩小的趋势，表明绿色全要素生产率呈现东北→西南的空间分布格局，并存在向正北→正南不断转动的趋势。
（5）绿色全要素生产率存在着显著的空间溢出效应，即本地区绿色全要素生产率的提升可促进周边地区的绿色全要素生产率提升。同时经济发展水平、能源消耗、人力资本、产业结构、基础设施和环境规制对绿色全要素生产率存在不同程度的直接效应和间接效应影响，其中经济发展水平是现阶段提升绿色全要素生产率的主要路径。
2.启示。结合上述结论和我国当前状况，本文提出以下建议：
（二）剖检变化 胃大弯和贲门的黏膜层和肌肉之间水肿，结肠肠系膜胶样水肿、肺水肿，心包、胸腔和腹腔积液，全身淋巴结充血、出血、水肿。
（1）对于东部地区，政府要加大资金的支持力度，促进绿色技术创新；对于中西部地区，政府需要合理地引导政府、金融资金的流向，鼓励银行信贷向技术研发项目倾斜、向低污染低能耗企业倾斜，通过资金支持加快企业技术升级，促进绿色技术创新，进而推动绿色全要素生产率增长。
（2）改变以往的传统全要素生产率的核算方法，将资源消耗和环境代价纳入核算体系中，通过相对绿色GDP把经济发展和资源环境结合起来，为经济绿色转型提供新型可持续发展模式。同时，各省市应该始终保持生态文明建设的战略高度，加大环保力度，倡导循环经济、技术经济和绿色经济，并结合自身的环境禀赋特征，制定适合本地区经济发展的环境规制政策。
主要参考文献：
[1]陈诗一.能源消耗、二氧化碳排放与中国工业的可持续发展［J］.经济研究，2009（4）：41 ～55.
[2]郭辉，董晔.碳排放和能源消费约束下的中国绿色全要素生产率和经济增长研究——基于扩展的索洛模型分析［J］.经济经纬，2012（6）：77 ～81.
[3]胡晓珍，杨龙.中国区域绿色全要素生产率增长差异及收敛分析［J］.财经研究，2011（4）：123 ～134.
[4]杨桂元，吴青青.我国省际绿色全要素生产率的空间计量分析［J］.统计与决策，2016（16）：113 ～117.
[5]丁黎黎，朱琳，何广顺.中国海洋经济绿色全要素生产率测度及影响因素［J］.中国科技论坛，2015（2）：72 ～78.
[6]屈小娥.考虑环境约束的中国省际全要素生产率再估算［J］.产业经济研究，2012（1）：35 ～43.
[7]沈可挺，龚健健.环境污染、技术进步与中国高耗能产业——基于环境全要素生产率的实证分析［J］.中国工业经济，2011（12）：25 ～34.
[8]肖攀，李连友，唐李伟，苏静.中国城市环境全要素生产率及其影响因素分析［J］.管理学报，2013（11）：1681 ～1689.
[9]王兵，吴延瑞，颜鹏飞.中国区域环境效率与环境全要素生产率增长［J］.经济研究，2010（5）：95 ～109.
[10]朱承亮，岳宏志，师萍.环境约束下的中国经济增长效率研究［J］.数量经济技术经济研究，2011（5）：3 ～20.
[11]田银华，贺胜兵，胡石其.环境约束下地区全要素生产率增长的再估算：1998 ～2008［J］.中国工业经济，2011（1）：47 ～57.
[12]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.
[13]Kumar S..Environmentally sensitive productivity growth ：A global analysis using maimquist-luenberger index［J］.Ecological Economics，2006（2）：280 ～293.
[14]李心丹，朱洪亮，张兵，罗浩.基于DEA 的上市公司并购效率研究［J］.经济研究，2003（10）：15 ～24.
[15]Kaoru T..A slacks-based measure of efficiency in data envelopment analysis［J］.European Journal of Operational Research，2002（1）：32 ～41.
[16]J.P.Lesage，R.K.Pace.Introduction to spatial econometrics［M］.Boca Raton：RC Press，2009：513 ～514.
[17]张军，吴桂英，张吉鹏.中国省级物质资本存量估算：1952 ～2000［J］.经济研究，2004（10）：35 ～44.
[18]胡晓珍，杨龙.中国区域绿色全要素生产率增长差异及收敛分析［J］.财经研究，2011（4）：123 ～134.
[19]杨恺钧，褚天威.互联网发展、交通运输及进口贸易关系研究——基于中国省际面板数据空间计量分析［J］.经济问题，2016（6）：95 ～100.
[20]Lee L.F.，Yu J..Estimation of autoregressive panel data models with fixed effects［J］.Journal of Econometrics，2010（2）：165 ～185.
【中图分类号】 F205；F127
【文献标识码】 A
【文章编号】 1004-0994（2019）24-0119-9
DOI： 10.19641/j.cnki.42-1290/f.2019.24.015
【基金项目】 国家自然科学基金项目（项目编号：71861003）
作者单位： 贵州财经大学大数据应用与经济学院，贵阳550025
标签：绿色全要素生产率论文; 超效率SBM论文; 标准差椭圆论文; 空间杜宾模型论文; 贵州财经大学大数据应用与经济学院论文;