OFDI、逆向技术溢出对绿色全要素生产率的影响研究
朱文涛1吕成锐2顾乃华3
(1.集美大学财经学院，福建 厦门 361021；2.福州大学经济与管理学院，福建 福州 350116；3.暨南大学产业经济研究院，广东 广州 510632)
摘要 在中国对外直接投资快速增长的当下，科学考察对外直接投资及逆向技术溢出对中国绿色全要素生产率的影响，具有十分重要的现实意义。本文利用 SBM方向距离函数及 Malmquist- Luenberger指数( ML指数)测算了 2003— 2015年中国 29个省份绿色全要素生产率，并运用空间杜宾模型( SDM)实证考察了对外直接投资及逆向技术溢出对中国绿色全要素生产率的影响。研究结果表明：①对外直接投资逆向技术溢出能够显著促进绿色全要素生产率增长；②对外直接投资逆向技术溢出能够通过促进本地区技术能力对绿色全要素生产提升产生积极作用；③总体上看，对外直接投资逆向技术溢出不仅能够促进本地区绿色全要素生产率增长，同时也能够通过空间溢出机制，显著提高周边省份的绿色全要素生产率；④对外直接投资逆向技术溢出对省份绿色全要素生产率的影响存在区域异质性，对东部、中部省份和经济发达地区的绿色全要素生产率有显著的正向影响，但对于西部省份和欠发达地区，溢出效应并不明显。中国应进一步加大对外直接投资，鼓励企业投资海外高科技产业，特别是扩大对清洁能源领域的投资；同时，加快吸收和引进发达国家先进的绿色生产技术、生产工艺和管理经验，通过对外直接投资的逆向技术溢出，提高本国绿色全要素生产率水平，最终实现经济的绿色转型。
关键词 对外直接投资；技术能力；空间杜宾模型；溢出效应；绿色全要素生产率
当前中国正处于转变发展方式，优化经济结构和调整增长动力的攻坚期。我国亟需实现经济增长方式由主要依靠资本、劳动力和土地等传统要素投入拉动，向主要依靠创新要素驱动转变，实现由传统的高污染生产模式向绿色生产转型。那么，中国快速增长的对外直接投资是否能够通过逆向技术溢出，推动国内经济发展的绿色转型呢？如果存在逆向技术溢出，是否会通过国内省际间的互动机制，在促进本地区绿色增长的同时也促进周边省份的绿色增长呢？本文通过构建对外直接投资逆向技术溢出与绿色全要素生产率增长关系模型，分析对外直接投资逆向技术溢出影响绿色全要素生产率增长的理论机制，并在测算中国29个省份绿色全要素生产率基础上，运用空间杜宾模型考察对外直接投资、技术能力对绿色全要素生产率的影响，深入分析对外直接投资的逆向技术溢出促进本地区和周边省份绿色全要素生产率增长的影响机制和路径。
1 文献回顾
目前有关对外直接投资的逆向技术溢出效应，国内外进行了多方面的研究。早在1991年，Kogut和 Chang[1]就针对日本对美国的投资是否带来逆向技术溢出进行考察，认为日本对美国的投资是为了分享和吸收美国先进的技术能力。Paradhan和 Singh[2]以印度汽车产业对外直接投资为例，比较了印度对发达东道国和发展中东道国投资的逆向技术溢出效应，发现均存在较为明显的逆向技术溢出。Driffied等[3]针对英国的研究发现，无论是对高劳动力成本国家的技术寻求型对外直接投资还是对低劳动力成本的效率寻求型对外直接投资均能够促进母国全要素生产率增长。Herzer等[4]认为企业对外直接投资与德国全要素生产率之间存在显著的正相关关系。Yang等[5]研究发现，中国台湾地区制造业企业的技术进步和技术效率与其对外直接投资活动正相关。Piperopoulos等[6]针对中国高科技行业的研究发现，新兴经济体的企业管理者能够通过参与对外直接投资学习和吸收国际先进知识和技术提高其子公司的创新绩效。但也有一些研究否定了逆向技术溢出的存在性，如Bitzer和Kerekes[7]、Vahter 和 Masso[8]分别从产业层面和企业层面就对外直接投资是否带来逆向技术溢出进行探讨，认为对外直接投资的逆向技术溢出效应并不明显。Bitzer 和Görg[9]甚至发现一个国家的对外直接投资存量平均与生产率负相关。
国内研究方面，李梅和柳士昌[10]利用2003—2009年省际面板数据，发现对外直接投资的逆向技术溢出存在明显的地区差异特征，积极的逆向溢出效应发生在发达的东部地区。蒋冠宏和蒋殿春[11]的研究发现企业对外直接投资显著提升了企业生产率，但提升作用随着时间推移而逐渐降低，企业的技术研发型外向投资不一定显著提升企业生产率，东道国发展水平的差异对企业生产率提升有较大影响。叶娇和赵云鹏[12]认为中国企业对外直接投资具有正的逆向技术溢出效应，有助于提高企业的全要素生产率，但不同行业和地区OFDI的逆向技术效应存在显著差异。齐亚伟[13]的研究发现我国对外直接投资存在显著的学习效应，具有持续研发投入的企业的学习效应更为明显。
综上，虽然现有文献对于对外直接投资是否存在逆向技术溢出进行了多方面的探讨，然而却极少有文献进行过深入研究，对于对外直接投资能否带来母国技术知识溢出和生产率提升也仍然存在争议。本文在验证对外直接投资是否存在逆向技术溢出效应的同时，识别其环境效应。在环境约束不断趋紧，推动经济发展向绿色转型的背景下，对于对外直接投资是否存在绿色技术溢出的考察显然应该得到更多的关注，本研究有助于弥补这方面的不足。本文考察对外直接投资逆向技术溢出的本地效应和周边影响，克服以往研究中将各省份视为独立个体，而忽视省份之间空间互动效应的研究缺陷。
2 理论模型与研究假说
本文借鉴Broda等[14]、Tientao等[15]提出的模型，从区域生产函数切入，构建技术溢出的空间扩展模型，分析对外直接投资带来的绿色技术进步如何通过省际空间溢出机制影响地区绿色全要素生产率增长。假定在完全市场竞争条件下，省份i 的最终产出Y t 是劳动力L 和其他一系列中间品x 投入组合实现的。在此假定下借鉴Broda等[14]的做法将生产函数设置为以下形式：
(1)
本文的被解释变量为绿色全要素生产率，与传统的全要素生产率测算不同的是，绿色全要素生产率在考虑传统的投入产出变量的同时，也将能源消耗与环境代价纳入到生产率的测算框架体系中，不仅考虑生产过程中的期望产出，也将生产结果的非期望产出考虑在内。使用SBM方向性距离函数计算Malmquist-Luenberger指数(ML指数)对考虑了能源投入和SO2及CO2排放的GTFP 进行估算。①投入指标。选择劳动力、资本存量和能源消费作为投入指标。其中，劳动力数量用各省份年末就业人数(单位：万人)表示。资本存量的计算，借鉴张军等[17]采用的在估计一个基准年后运用永续盘存法按不变价格计算各省份的资本存量，计算公式表示为：K it =K it-1 (1-δ )+I it /p it ，其中I it 为当年固定资本形成总额，δ 为折旧率，这里取9.6%，p it 为固定资产投资价格指数。以2003年资本存量为基期，测算了2003—2015年29省份的资本存量(单位：亿元)。能源消耗包括煤炭、石油、天然气等各类能源投入量(单位：万吨标准煤)。②期望产出。期望产出指标用各省的实际GDP表示，由于目前国家统计局并没有公布分省份的GDP平减指数，本文采用居民消费价格指数(CPI)，将各省份的名义GDP转换为以2003年为基期的实际GDP，作为期望产出的指标。③非期望产出。考虑到SO2和CO2是环境污染的主要来源，本文综合了齐绍洲和徐桂[18]、胡琰欣等[19]以及陈超凡[20]的做法，将SO2和CO2排放量作为非期望产出的指标。但目前各类统计年鉴均未公布我国各省份的CO2排放数据，本文借鉴了陈诗一[21]的测算方法，估算我国2003—2015年分省份的CO2排放量，具体公式为：
(2)
进一步假定每单位中间品都由前一生产环节中一单位最终产品投入生产，也即一个单位中间品的生产必须输入一单位最终产品，根据等比例生产技术条件，可以将总资本存量表示为K (t )=Q i (t )x i (t )，则式(2)可改写为：
Y t (t )=A i (t )1-α L i (t )1-α Q i (t )((1-τ)/τ )α K i (t )α
(3)
可将省份i 的绿色全要素生产率表示为：
(4)
将(3)代入(4)中可以得到：
Z i (t )=A i (t )1-α Q i (t )((1-τ)/τ )α
令w=4|m|πft/c，对于特定的互调频率，ar和w均为恒定常数，lr为随电长度L而定的常数，则式(28)可简写为：
(5)
在(5)式函数中，将绿色全要素生产率来源分解为两个部分：一部分为中间投入品的多样化，由Q i (t )((1-τ)/τ )α 表示；另一部分为中间投入品技术创新，由A i (t )1-α 表示。
借鉴Ertur等[16]的做法，将A i (t )1-α 定义为：
(6)
(6)式中γ ∈[0,1]表示知识的扩散程度，假定中间品质量是省份i 相对于技术前沿技术差距的减函数，本文定义为所有省份技术水平的几何平均数，用Z j (t )表示，其中j =1,2…N 。假设交互项γω ij 是非负、有限和非随机的，其表示知识扩散程度随着地区间距离缩小而增强。技术前沿方面的差距决定了生产力质量。事实上，一个地区越靠近自己的技术前沿，其生产力质量也越高。将(6)代入(5)中得到：
(7)
进一步，假设处于所有省份技术水平几何平均数的省份j 通过对外直接投资，学习和吸收了东道国先进的技术和知识，促使进行对外直接投资的省份j 更为接近于国际技术前沿；而省份j 与省份i 之间存在广泛的产品和服务中间品贸易以及跨地区的投资活动，存在着明显的技术溢出。那么省份i 产品多样化的决定可以由式(8)给出：
Q i (t )((1-τ)/τ )α =
(8)
其中，θ >0表示技术水平的弹性系数，
表示i 省份的技术水平，
表示j 省份的技术水平，ω ij 为i 省份和j 省份的距离权重，反映省份间的空间关联程度。这里有0≤ω ij ≤1，当i =j 时ω ij =0，当i ≠j 时，有
表示对外直接投资的弹性系数，其中0<δ <1。
将(8)式代入(7)中，可以得到：
Z i (t )=
(9)
4.2.1 直接效应
医学分子生物学是医学院校学生重要的基础理论课程之一，以分子生物学的方法来研究中医药，阐明中医辨证原理及中药的作用机理，才能加快中医学走向世界的步伐。中医专业的学生肩负将传统医学发扬光大的使命，分子生物学的理论和实验技术将成为有力的工具。多年来，通过不断改进教学方法，从教材的选择，教学内容的优化，加强教学过程中的各个环节等方面进行探索和实践，在中医专业医学分子生物学的教学过程中取得了较好的效果。今后还要不断努力，为社会培养更多高素质人才。
lnZ i (t )=ln
(10)
由于
进一步地，可以将(10)式，调整为：
上一次来看樟树是春天。很多鸟站在枝上，唧唧喳喳，虽然没有听懂，但它们的样子分明有一种按捺不住的欢喜，往来穿梭，飞去又飞来，似乎在做某种我们人类无法参与的游戏。现在，只剩寥寥数只，它们谨言慎行，偶尔念短促的句子，然后如子弹一般射向天空。
lnZ i (t )=ln
(11)
3.1.2 技术能力(lnK C )
以上推导过程表明，如果对外直接投资存在逆向技术知识溢出，会推动本地技术能力提高，这种技术进步不仅会促进本地区绿色生产率增长，同时也会通过空间溢出机制提高相邻地区的绿色生产率。结合以上分析，提出本文待检验的两个假说。
假说1：OFDI 逆向技术溢出有助于提高进行对外直接投资省份的绿色全要素生产率。
假说2：OFDI 的逆向技术溢出不仅有助于促进本地区绿色全要素生产率的提高，同时也会通过省际间的知识扩散效应，提高周边省份的绿色全要素生产率水平。
3 空间计量模型的构建
3.1 指标选取和数据说明
3.1.1 绿色全要素生产率(lnGTFP )
其中，α ∈[0,1],1-α 表示产出中劳动投入所占份额，τ 为中间品替代弹性，更大的τ 对应于更多的可替代品，x i,τ 为中间投入品，Y i (t )表示省份i 在t 时期的最终产出。为了便于分析，假定所有的中间品都等比例进入生产函数，且所有中间品价格均相同，也即x i (t )=x i,τ (t )，那么在均衡条件下有：
(12)
其中，i 代表煤炭、石油和天然气三种一次能源，E i 为三种能源的消耗量，NCV i 为相应的中国能源的平均低位发热量，CEF i 为碳排放系数，本文直接沿用陈诗一[21]根据IPCC(2006)提供的烟煤和无烟煤排放系数加权平均值(80%和20%)计算的碳排放系数，COF i 为碳氧化因子(原煤和天然气为1，其他为0.99)，44和12分别为二氧化碳和碳分子量。基于投入变量和产出变量，利用SBM方向性距离函数测算Malmquist-Luenberger指数(ML指数)。ML指数表示的是相对于前一年，当年绿色全要素生产率的变化率，还需要经过处理转化为绿色全要素生产率(GTFP)。为此，本文借鉴邱斌等[22]、陈超凡[23]的做法，以2003年为基期，将考察省份的绿色全要素生产率设为1，那么2004年的绿色全要素生产率为2003年值乘以ML指数，2005年的绿色全要素生产率为2004年的绿色全要素生产率乘以2005年的ML指数，以此类推计算出其他年份的GTFP值，对于GTFP分解的绿色技术进步和绿色技术效率值也用相同方法得到。基于以上方法我们通过MaxDEA5.0软件，测算了2003—2015年29个省份分年度绿色全要素生产率。由于数据可得性等原因，研究不含重庆、西藏及港澳台地区。
可以看出γ 越趋于1，省份i 的绿色生产率受到周边省份j 对外直接投资和技术溢出的影响越为明显。
2016年，国家机关事务管理局、国家发展和改革委员共同印发《公共机构节约能源资源“十三五”规划》，该《规划》指出：与2015年相较，2020年全国公共机构人均综合能耗应下降11%、单位建筑面积能耗应下降10%、人均用水量应下降15%，明确了医院节能的硬指标与管理目标。此外，随着公立医院改革工作的深入推进，医院经济运营面临压力。精益管理成为确保医院经济运营的必由之路，节能管理被提上重要高度。
KS it =(1-δ )KS it-1 +IVN it ，t =2003,…,2015,
KS i,2003 =IVN i /(δ +g i )
（4）浓厚绿色金融的科技创新文化氛围。由于绿色发展项目普遍存在前期投入大、收益期长、收益不确定、风险高等特点，影响了金融机构和企业参与的积极性。政府应加大绿色金融的宣传力度，树立并推行节约、环保、可持续发展等绿色信贷理念，重视金融机构在促进经济社会全面、协调、可持续发展中的作用。鼓励更多的金融机构、企业、社会群众参与到绿色金融中来，使金融机构和社会团体资金更多的投向绿色环保产业。
其中，KS it 为i 省份t 年的专利资本存量；δ 为折旧率，借鉴已有多数研究的做法将δ 设为10%；KS it-1 为i 省份t -1年的专利资本存量；IVN it 为t 年新增的专利授权量；g i 为i 省份2003—2015年间专利授权数年均增长率；IVN i,2003 为2003年的专利申请授权数。
3.1.3 对外直接投资(lnOFDI )
临别，两人再次握手告别。伍亦苒的告别词是这么说的，热情地欢迎王总下来再来，我觉得王总是值得交往的朋友，因公，我欣赏你的干练果断，因私，我喜欢你的幽默风趣，待人和善不乏童趣。还有，你骨子里那份淡淡的忧郁气质，特别让女人动心呐。
Michael Mauer:关于未来，我们总想传递出关于体验、逻辑和创新这三个关键点。以概念车为例，设计师总希望它们能传递出关于未来的希望，点亮人们对于未来的向往，将科技与生活紧密地结合在一起。所以，未来在我看来是令人期待的。
对外直接投资数据来源于商务部历年公布的《中国对外直接投资统计公报》，其中分省份对外直接投资额存在对外直接投资存量和对外直接投资流量两种数据，考虑到存量数据较为平稳、波动性较小的特点，最终本文选择对外直接投资存量对数作为对外直接投资规模的替代变量。在数据处理过程中，根据当年平均汇率将以美元为单位的对外直接投存量转换为以人民币为计价单位的对外直接投资存量额。
通过查阅关于药物手性转换的文献综述，本文对美国食品药品监督管理局（FDA）在1994—2011年期间批准的15种由外消旋体药物成功开发成为单一对映体药物的情况进行归纳总结（表1）［10］。目前，手性药物临床用量日益上升，市场份额逐年扩大。世界医药领域研发手性药物之势愈来愈烈，并已有大量新品种面世。而这其中单一对映体形式手性药物的销售额持续增长，单一对映体药物制剂的市场份额从1996年的27%增加到目前的约65%。鉴于各制药公司对手性药物专利保护等政策的影响，笔者并未获得最新的销售数据［12］。
3.1.4 控制变量
以上等式右边对角线系数为直接效应，表示解释变量对本地被解释变量的直接影响；而非对角线系数则为间接效应，表示其他地区解释变量对本地区被解释变量的空间溢出效应。
1）实施阶梯泵改造，使泵站运行组合的种类增加[3]。为了便于管理，原设计一座泵站只配置一种型号的注水泵，在排量不匹配的注水泵站能源浪费较为严重。
本文选择2003—2015年为研究时段，数据主要来源于历年《中国科技统计年鉴》《中国统计年鉴》《中国能源统计年鉴》《中国环境统计年鉴》以及《中国固定资产投资年鉴》。另外，历年对外直接投资数据来源于商务部公布的《对外直接投资统计公报》。由于本文在固定资本存量计算方面延续张军等[17]的结果，考虑到统计口径的一致性，将重庆并入四川进行研究，西藏、香港、澳门和台湾地区由于数据不全或统计口径不一致，因此也进行了剔除，最终保留了29个省份作为研究对象。
3.2 空间相关性检验
在进行空间计量分析之前必须对各变量的空间相关性进行检验，本文采用Moran’s I指数对省份样本间的空间相关性进行识别检验，Moran’s I指数计算公式为：
(13)
其中，
为样本方差，
为样本均值，W ij 为n ×n 维空间权重矩阵。-1≤Moran ’s I ≤1,当Moran ’s I =0表示样本的分布是独立和随机的，不存在空间相关性；当-1≤Moran ’s I <0表示空间负相关；0<Moran ’s I ≤1则表示空间正相关。
已有空间计量研究文献表明，Moran’s I指数的计算依赖于空间权重W ij ，而空间计量模型的估计结果，也会受到空间权重矩阵W的影响。为了克服空间权重设置不当带来的估计偏误问题以及比较不同空间权重下的空间溢出效应大小，本文构造了多种空间权重矩阵进行空间计量模型估计。
3.2.1 地理距离权重
目前在地理距离权重设置方面，较为常见的方法是基于地理单元的球面距离或欧式距离的倒数或者倒数平方构建地理权重矩阵，这种权重设置方法符合“地理学第一定理”，但也有其不足，其中一点是忽略了交通工具和基础设施改善带来的时空压缩效应对地区间的空间关联效应的强化作用。基于这点，本文构造了基于行车距离和行车时间的地理距离权重W 1，具体表示为：
(14)
其中，d ij 为省份i 和省份j 之间的行车距离，t ij 为省份i 和省份j 之间的行车时间。关于行车距离和行车时间，本文使用谷歌地图工具，通过输入省会所在地地址来测度两个省会间的最短行车时间和行车距离。
3.2.2 经济地理加权权重
式中，i为第 i个产业；j为第 j个地区，Xij表示第j个地区的第 i产业的销售收入或产值指标；产业规模区位商也称区域规模优势指数。在本文中，产业规模区位商表示该地区工业总产值占全省三大产业总产值的比重。当产业规模区位商大于1时，表明该地区工业比较集中，一定程度上显示出工业具有较强的竞争力，产业规模区位商越大，表示该地区工业集聚越显著；产业规模区位商等于1时，表示该地区工业处于均势，该产业的集中还不明显；产业规模区位商小于1时，表明该产业在该地区没有形成集中。
鉴于不同省份间由于经济发展差异导致的相互影响的关联效应不尽相同，本文借鉴李婧等[26]的做法以人均实际GDP作为地区经济发展水平的度量，建立如下经济地理复合权重：
(15)
其中，其中W 1为地理距离权重，
表示i 省份在考察期间人均实际GDP的均值
表示考察的所有省份在考察期间人均实际GDP的均值。
3.2.3 制度地理加权权重
由于历史、文化、经济因素，中国各省区之间在制度质量方面存在一定的差异，这种差异可能会制约省份间的技术知识溢出。基于这种考虑，本文采用王小鲁等[27]发布的《中国分省份市场化指数报告》中各省份市场化指数表征地区制度质量，构建基于市场化指数的制度地理距离权重矩阵。制度地理距离的空间权重矩阵表示为：
(16)
其中，其中W 1为地理距离权重，
表示i 省份在考察期间市场化指数均值，
表示所有省份在考察期间市场化指数的均值。
根据(13)式，我们在表1中给出了以上三种不同权重矩阵下绿色全要素生产率空间相关性的Moran’s I检验结果。发现除了前几年没有通过显著性检验外，其余各年份绿色全要素生产率的Moran’s I 均为正值，且至少在10%水平上显著。
3.3 空间计量模型的构建
3.3.1 空间杜宾模型(SDM)
结合理论推导和空间相关性检验结果，我们构建一般形式的空间杜宾模型(SDM)作为本文实证分析的基础：
（三）过于重视评价结果，缺乏过程性。在初中的体育教学中评价，大多只在期末进行，并以期末测试成绩为准，其考核的内容大多是以某些运动为主。从客观的角度来说，这种评价只是单纯反应学生某项运动的成绩，而对于学生的学习过程缺乏一套合理的评价体系。学生自身的差异性没有体现出来，这样只会让学生慢慢失去对体育课的好感。
Y t =αI N +ρWY t +γX t +WX t θ +ε
本文采用知识资本作为反映地区技术能力的衡量指标。由于知识资本包含多个方面，用单一指标衡量知识资本均存在一定的缺陷。陈惠芳和陈超[24]在研究海外知识资本对技术进步溢出效应时，将知识资本划分为研发资本、人力资本、创新设施资本和技术资本四个方面，并在此基础上通过建立指标体系测算了G20国家的知识资本指数。综合测度方法考虑了知识资本的不同维度，因此更能综合反映一个地区的知识资本状况。鉴于此，本文运用类似的方法，构造了反映地区知识资本状况的知识资本指数，具体地本文也将知识资本分为四个方面：①人力资本。地区的人力资本状况如何，在一定程度上反映了学习和吸收先进技术和知识的潜力，是知识资本的重要组成部分，采用就业人员人均受教育年限、高等学校专任教师数和高等学校平均在校生人数来反映地区人力资本状况。②创新资本。采用地区专利申请授权数、三大搜索引擎收录科技论文数及技术市场成交额来反映地区的创新资本。③研发资本，采用RD投入强度、RD人员全时当量来反映地区的研发资本状况。④信息资本。采用移动电话用户数和国际互联网用户数作为反映信息资本状况的指标。我们将反映知识资本的四个方面指标，通过主成分分析法，构造了反映地区知识资本状况的综合指标知识资本指数(K C )，作为衡量地区技术能力的替代变量。另外，为了保证实证结果的稳健性，本文在稳健性检验部分，借鉴张静和王宏伟[25]的做法，通过永续盘存法计算了各省份的专利资本存量，作为技术能力的另一个替代变量，具体计算公式如下：
(17)
其中，Y t 为被解释变量的列向量，X t 为解释变量向量，W 为空间权重矩阵，α 为常数项，I t 为单位矩阵，ρ 、γ 、θ 为待估参数，ε 为随机误差项。ρWY t 为空间滞后项，表示其他地区的被解释变量对本地区被解释变量的空间溢出效应。相似地，θWX t 为解释变量的空间滞后项，表示其他地区的解释变量对本地区解释变量的影响。SAR和SEM为空间杜宾模型的两种特殊形式，当θ =0时空间杜宾模型(SDM)可以简化为空间自相关模型(SAR)，而当θ +ργ =0则空间杜宾模型可以简化为空间误差模型(SEM)。
3.3.2 直接效应和间接效应分解
Lesage和Pace[28]认为使用点估计检验空间溢出效应可能会出现模型估计偏误问题，为了更为准确地估计空间溢出效应，必须借助于偏导数，将总效应分解为直接效应和间接效应两部分。具体地，可以将(17)式转换为：
从表1可以看出，大学生对其性格、舍友、同学、教室、老师等方面进行了隐喻描述，表2将进一步阐述每个隐喻项中所强调的心理价值取向，在此基础上归纳出大学生隐喻中的整体情感类比倾向。
Y t =(1-ρW )-1α t I t +(I -ρW )-1(X t γ +WX t θ )+
(I -ρW )-1ε
(18)
根据(18)式，对各解释变量求偏导数可以得到：
(19)
为了尽量避免因遗漏解释变量带来的估计偏差问题，本文加入了产业结构(INDUS )和交通基础设施状况(TRANS )两个控制变量。其中，对于产业结构变量采用第二产业产值占GDP比重表示；而交通基础设施状况，采用单位面积公路里程表示。
注意到(17)式仅给出了空间杜宾模型的一般形式，我们在理论模型的推导部分认为对外直接投资的省际技术溢出效应，是通过对外直接投资带来的逆向技术溢出通过省际互动实现的。为了验证以上理论模型的适用性，将对外直接投资与技术能力的交互项加入到空间杜宾模型中进行检验，如果交互项系数为正且显著，说明对外直接投资逆向技术溢出确实能够通过强化地区技术能力而促进绿色全要素生产率增长。基于研究目的，空间杜宾模型具体形式可表示为：
表 1 2004— 2015年绿色全要素生产率 Moran’ s I值
注：表中括号内为统计量对应的p值，***、**和*分别表示在1%、5%和10%水平上显著。限于篇幅本文仅报告了绿色全要素生产率的Moran’s I 值，也对其他变量做了空间相关性检验，检验结果除了个别年份不显著外，其余均较为显著。Moran’s I值由stata15计算。
lnGTFP it =
(20)
其中，
为i 省份知识资本指数对数，lnOFDI it 为i 省份的对外直接投资规模，X it 为控制变量向量，交互项
的系数，β 3表示对外直接投资通过作用于技术能力对本地区绿色全要素生产率增长的影响，交互项
的系数θ 3表示其他省份对外直接投资与技术能力的交互作用的空间溢出对本省份绿色全要素生产率的影响。
根据《“十三五”现代综合交通运输发展规划》，贵州“十三五”期新开建铁路项目3个，分别是贵南高铁（贵阳至南宁）、盘兴铁路（盘州至兴义）和铜吉铁路（铜仁至吉首）。其中，贵南高铁已于2016年年底开工建设；盘兴铁路可行性研究报告今年8月初已获中国铁路总公司和贵州省政府联合批复，计划今年年底前开工；铜吉铁路正同步推进工程可行性研究和设计。
4 实证分析
4.1 空间杜宾模型的估计
本文利用Federio等[29]提供的xsmle程序进行空间杜宾模型估计。从稳健性出发，采用三种不同的空间权重对模型进行估计，表2报告了基于MLE估计的回归结果。通常在处理空间面板数据时，需要确定哪种模型对样本的解释力更强，在表2下部分报告了有关模型选择的各种检验结果。具体地，通过一系列检验验证空间杜宾模型相比于其他空间模型的优势及确定模型的最优形式。首先，通过Hausman检验对采用随机效应还是固定效应进行判断，基于三种权重的检验结果均拒绝了采用随机效应的原假设，说明采用固定效应模型更为合适；其次，通过Wald空间滞后检验判断θ =0的原假设是否成立，也即检验SDM模型是否可以简化为SAR模型，检验结果拒绝了SDM模型可以简化为SAR模型的原假设；利用Lratio检验判定θ +ργ =0是否成立，也即检验SDM模型是否可以简化为SEM模型，检验结果拒绝了SDM模型可以简化为SEM模型的原假设。进一步我们通过AIC和BIC在SAC模型和SDM模型进行选择，检验结果表明加入误差项之后并没有使AIC和BIC值变小，说明相比于SAC模型SDM模型更为合适。综上所述，我们最终采用了SDM模型。针对SDM模型包含时间固定效应、空间固定效应和时空固定效应三种类型，我们主要参考log-likelihood、R2、sigma2值进行判断，最终选择了包含时空固定效应的SDM模型作为本文实证分析的基准模型。
为了便于比较，本文也在表2中的(2)、(4)和(6)列报告了SAR模型的估计结果，(1)、(3)和(5)列为SDM模型估计结果。可以看出，在三种空间权重下，对外直接投资变量的系数均显著为正，同时技术能力变量以及对外直接投资与技术能力的交叉项系数也均显著为正，说明对外直接投资与技术能力的提高均能够促进地区绿色全要素生产率增长，且对外直接投资能够强化技术能力对地区绿色全要素生产率的正向促进作用。而从空间滞后项来看，在三种权重下，对外直接投资的空间滞后项均为正，通过1%或5%水平的显著性检验，在经济地理权重和制度地理复合权重下技术能力的空间滞后项在10%和1%显著性水平上为正，而对外直接投资与技术能力交互项则在三种权重下均在1%水平上为正，这说明本地区对外直接投资和技术能力的提高能够对周边地区的绿色全要素生产率提高起积极作用，同时对外直接投资能够强化技术能力的空间溢出效应。但从表2中，我们仅能对对外直接投资与技术能力的绿色生产率效应做初步判断。Lesage和Pace[28]认为使用点估计检验空间溢出效应可能会出现模型估计偏误问题，因此我们借助于偏导数，将总效应分解为直接效应和间接效应两部分(见表3)。
4.2 直接效应与间接效应
将(9)式两边取对数得到：
直接效应，也即本地效应。表3报告了不同空间权重下的直接效应估计结果。我们发现三种空间权重下，对外直接投资和技术能力的系数均为正，且在1%或5%水平上显著，说明对外直接投资的增长、技术能力的提高均有助于提高绿色全要素生产率。从对外直接投资与技术能力的交互项来看，在不同权重下，交互项均为正且在1%水平上显著，这说明技术能力对本地区绿色全要素生产率的促进作用会受到对外直接投资的影响。对外直接投资有助于强化技术能力对本地区绿色生产率溢出效应，进而提高本地区的绿色全要素生产率水平。
对外直接投资之所以能够强化技术能力对本地区绿色生产率的正向促进作用，主要原因在于对外直接投资可以通过多种方式获取绿色技术进步所需的知识资本：一方面，对外直接投资企业能通过吸收发达东道国高质量的技术人才，获取绿色技术进步所需的知识资本；另一方面，对外直接投资企业也能以与东道国企业合作、或直接兼并和收购东道国企业等方式的投资活动，学习和吸收东道国企业先进的绿色生产工艺、生产技术和管理经验，进而提高自身的绿色技术水平。而从以上途径获取的先进绿色技术很容易通过公司内部机制传导到国内母公司，引致国内母公司的技术进步，最终提高国内母公司绿色生产率。从控制变量来看，三种权重下交通基础设施变量均为正，在地理权重和制度地理权重下系数通过了10%水平的显著性检验，说明交通基础设施的改善会在一定程度上提高本地区绿色全要素生产率；而三种权重下产业结构变量的直接效应系数均为负，但并没有通过显著性检验。
4.2.2 间接效应
间接效应，也即省际溢出效应。表3报告了不同空间权重下间接效应的估计结果。在三种空间权重下，对外直接投资系数为正，且在1%或者5%水平上显著，说明本地区外直接投资的增长会对周边地区绿色全要素生产率有显著的正向影响。技术能力系数在三种权重下为正且分别通过10%、5%和1%水平的显著性检验，而从对外直接投资与技术能力的交互项来看，不同权重下交互项系数均为正数，且通过了1%水平的显著性检验。这说明本地区
技术能力的提高会对周边地区的绿色生产力产生积极的正向影响，而对外直接投资则能够强化技术能力对周边地区绿色生产的溢出作用。根据经济学理论，并非所有的技术溢出均为绿色溢出，一些对环境不友好的技术省际溢出，并不会对邻近省份的绿色生产率产生积极影响，有时甚至可能会恶化邻近省份的绿色生产率状况。对外直接投资与知识资本的融合却能够通过空间溢出机制促进相邻地区的绿色全要素生产率增长，恰恰说明对外直接投资确实产生了绿色技术溢出，而这种绿色技术溢出会由于省际间的互动，实现绿色知识和技术的省际扩散，进而间接的提高了周边省份的绿色全要素生产率。企业进行对外直接投资能够通过学习和吸收国外先进的绿色生产工艺、生产技术和管理理念，提高国内母公司的绿色技术水平；而国内母公司通过与其他企业的技术交流与合作、或者企业员工的跨企业流动，会或多或少地产生知识和技术扩散。这种知识和技术扩散通常不仅局限于本地区企业间，跨地区的人员流动、贸易和投资等会使绿色生产工艺、绿色生产技术发生跨地区的扩散。随着技术和知识的扩地区扩散，对外直接投资的逆向技术溢出不仅会促进本地区绿色生产率增长，同时也会通过空间溢出机制间接促进邻近省份的绿色生产率增长。从控制变量看，三种权重下，交通交通基础设施的系数在1%或5%水平上显著为正，同时产业结构系数在1%或5%水平上显著为负，说明本地区交通基础设施完善对周边省份的绿色全要素生产率有显著的促进作用，表现出明显的正空间溢出效应；而本地区第二产业占比的提高则会对周边地区绿色全要素生产率提升产生抑制，表现出明显的负外部性。
表 2空间杜宾模型的估计
注：括号内为p值，***、**和*分别表示在1%、5%和10%水平上显著。
4.3 稳健性检验
通过改变反映地区技术水平的指标以及分地区回归，对本文实证结果的稳健性进行检验。
4.3.1 技术能力的衡量：专利资本存量
用专利资本存量作为反映地区技术水平的替代变量，进行稳健性检验，见表4。可以看出，无论是使用哪种权重，对外直接投资的直接效应和间接效应均为显著为正。三种权重下，反映技术能力的专利资本存量直接效应并不显著，间接效应显著为正，说明本地区专利资本存量的增长会提高周边地区的绿色全要素生产率。对外直接投资与专利资本存量的交叉项在直接效应和间接效应中系数均为正数，且通过了1%水平的显著性检验，意味着对外直接投资通过与专利资本的交互作用不仅会显著促进本地区绿色全要素生产率水平的提升，同时也会促进周边地区绿色全要素生产率的提高。稳健性检验的结果与前文结论基本一致。
4.3.2 地区异质性分析
将29个省市按照所处的地理位置划分为东部地区、中部地区和西部地区，进行地区异质性考察。其中，东部地区省市包括辽宁、河北、北京、天津、山东、江苏、上海、浙江、福建、广东、广西、海南等十二省市；中部地区包括山西、内蒙古、吉林、黑龙江、安徽、江西、河南、湖北和湖南等9个省份，其余为西部地区省份。表5报告了分地区回归结果。
表 3直接效应与间接效应分解
注：括号内为p值，***、**和*分别表示在1%、5%和10%水平上显著。
可以看出，对外直接投资、技术能力对绿色全要素生产率的影响，在东部、中部和西部省份表现出较为明显的异质性。具体体现为：对外直接投资的直接效应和间接效应在东部省份和中部省份均显著为正，但在西部省份回归中，对外直接投资直接效应显著为负，间接效应并不显著；技术能力的直接效应和间接效应在东部和中部地区均显著为正，西部地区技术能力的直接效应显著为正，但间接效应则不显著；而从对外直接投资与技术水平的交互项来看，东部和中部省份回归中直接效应和间接效应均为正，且通过了1%水平的显著性检验，而西部省份的回归中，交互项的直接效应和间接效应均不显著。这说明对外直接投资和技术能力的提高均能够显著地提高东部和中部省份的绿色全要素生产率，且对外直接投资能够强化技术能力对绿色全要素生产率的正向溢出作用。另外，在东部和中部省份，本地区的对外直接投资和技术能力不仅能够促进本地区的绿色全要生产率增长，同时也能够通过空间溢出机制，促进周边地区的绿色全要素生产率增长，对外直接投资能够强化本地区技术能力对周边地区绿色全要素生产率的正向影响。这说明东部和中部地区对外直接投资不仅能够通过绿色技术溢出促进本地区的绿色全要素生产率增长，同时也能够通过空间溢出机制促进周边地区的绿色技术进步，最终提高了周边地区的绿色全要素生产率。
表 4变量替换的稳健性检验结果
注：括号内为p值，***、**和*分别表示在1%、5%和10%水平上显著。
表 5基于地理距离权重的分地区回归结果
注：括号内为p值，***、**和*分别表示在1%、5%和10%水平上显著。
地区异质性是否与所在地区的经济发展水平有关呢？表5下半部分进一步将全样本分为发达地区和欠发达地区，进行分样本回归。可以看出，在经济发达地区，对外直接投资和技术能力对绿色全要素生产率的直接效应和间接效应均显著为正；但在经济欠发达地区，对外直接投资和技术能力的直接效应变为负数，且分别在5%和1%水平上显著，对外直接投资和技术能力的间接效应均不显著。从对外直接投资和技术能力的交互项来看，在发达地区直接效应和间接效应回归中均显著为正，但在欠发达地区交互项的直接效应显著为负，而间接效应并不显著。这说明在欠发达地区对外直接投资并不会促进本地区的绿色全要素生产率增长，相反地会抑制本地区的绿色全要素生产率，同时欠发达地区的对外直接投资并不会对周边地区的绿色全要素生产率提升产生显著影响。之所以会存在如此差异，主要原因可能是：一，相比于西部地区，东部和中部地区经济发展程度较高，市场竞争更为激烈，且环境规制方面也更为严格，这使得这些地区企业在进行对外直接投资时更倾向于学习和吸收东道国的先进绿色技术，进而促进母国地区绿色生产率的提高。而西部地区由于本身经济发展水平较低，政府本身在环境污染治理方面较为宽容，且市场竞争程度也较低，因此企业对外直接投资中并没有动力吸收和引进绿色生产技术以改进和减少母国生产的污染排放。二，相比于东部和中部经济发达省份，西部欠发达地区由于其本身的地理劣势，难以通过招商引资渠道吸引高技术产业、清洁产业入驻。相反的，伴随着中国产业的梯度转移，东部和中部地区的一些落后产能近年来有向西部转移的迹象，使得对外直接投资难以实现绿色技术的逆向溢出，因此影响并不显著，有时甚至起到相反的抑制作用。分区域的回归结果表明，虽然在总体上对外直接投资能够通过逆向技术溢出提高地区绿色全要素生产率水平，但并不意味着所有省份均存在对外直接投资的逆向技术溢出效应。实际上，从以上分区域回归结果来看，对外直接投资逆向技术溢出效应仅发生于东部、中部等经济发展程度较高的省份，而对于经济欠发达的西部省份，对外直接投资逆向技术溢出效应并不明显。
5 基本结论与对策建议
本文从理论层面分析了对外直接投资逆向技术溢出如何促进地区全要素生产率增长的渠道，并利用2003—2015年29个省份面板数据，基于SBM方向性距离函数计算的Malmquist-Luenberger生产率指数方法，测算了29个省市绿色全要素生产率，在此基础上，引入地理距离权重、经济地理距离权重和制度地理距离权重，运用空间杜宾模型考察了对外直接投资、逆向技术溢出对绿色全要素生产率的影响。研究结果显示：全国层面上看，对外直接投资和技术能力的提高均对本地区绿色全要素生产率提高有积极的正向影响，且对外直接投资带来的逆向技术溢出能够强化技术能力对本地区绿色全要素生产率的正向促进作用；对外直接投资和技术能力的提高不仅会对本地区的绿色全要素生产力产生积极影响，同时也会通过空间溢出机制提高周边省份的绿色全要素生产率。但从分区域来看，对外直接投资逆向技术溢出却呈现较为明显的区域异质性，对外直接投资逆向技术溢出的绿色生产率效应，仅出现在东部、中部省份和经济发达地区，对于西部省份和经济欠发达地区，对外直接投资逆向技术溢出的绿色生产率效应并不明显。
基于研究结论，本文得出如下政策启示：第一，进一步加快推进对外直接投资步伐，吸收和引进西方发达国家的绿色生产技术、生产工艺和管理经验，以服务于我国经济发展的绿色转型。第二，进一步加快交通基础设施建设，推进产业结构的优化升级。目前中西部地区特别是西部省份，交通基础设施仍然较为落后，制约了绿色全要素生产率增长，通过进一步完善中西部地区的交通基础设施建设，促使东部沿海地区的绿色产业加快向中西部扩散和转移，最终提高西部地区的绿色生产率水平。第三，扩大对外直接投资领域，不仅要鼓励企业走出去投资海外高科技产业，及扩大对海外清洁能源领域的投资，同时应积极通过与国外一流大学、研究中心和高科技企业合作，找到更多的对外直接投资项目，进而获取更多的国外先进技术，通过逆向技术溢出渠道，最终提高本国的绿色全要素生产率，实现经济发展的绿色转型。
参考文献
[1]KOGUT B, CHANG S J. Technological capabilities and Japanese foreign direct investment in the United States[J]. The review of economics and statistics, 1991,73(3):401-413.
[2]PRADHAN J P, SINGH N. Outward FDI and knowledge flows: a study of the Indian automotive sector[J]. Mpra paper,2009(1):156-187.
[3]DRIFFIELD N, LOVE J H, TAYLOR K. Productivity and labour demand effects of inward and outward foreign direct investment on UK industry[J]. Manchester school, 2009,77(2):171-203.
[4]HERZER D. Outward FDI, total factor productivity and domestic output: evidence from Germany[J]. International economic journal, 2012,26(1):155-174.
[5]YANG S, CHEN K, HUANG T. Outward foreign direct investment and technical efficiency: evidence from Taiwan’s manufacturing firms[J]. Journal of Asian economics, 2013,27:7-17.
[6]PIPEROPOULOS P, WU J, WANG C. Outward FDI, location choices and innovation performance of emerging market enterprises[J]. Research policy, 2018,47(1):232-240.
[7]BITZER J, KEREKES M. Does foreign direct investment transfer technology across borders? new evidence[J]. Economics letters, 2008,100(3):355-358.
[8]VAHTER P, MASSO J. Home versus host country effects of FDI: searching for new evidence of productivity spillovers[J]. Social science electronic publishing, 2005, 53(2):165-196.
[9]BITZER J, GORG H. Foreign direct investment, competition and industry performance[J]. The world economy, 2009,32(2):221-233.
[10]李梅, 柳士昌. 对外直接投资逆向技术溢出的地区差异和门槛效应——基于中国省际面板数据的门槛回归分析[J]. 管理世界, 2012(1):21-32.
[11]蒋冠宏, 蒋殿春. 中国工业企业对外直接投资与企业生产率进步[J]. 世界经济, 2014(9):53-76.
[12]叶娇, 赵云鹏. 对外直接投资与逆向技术溢出——基于企业微观特征的分析[J]. 国际贸易问题, 2016(1):134-144.
[13]齐亚伟. 研发创新背景下中国企业对外直接投资的学习效应研究[J]. 国际贸易问题, 2016(2):111-121.
[14]BRODA C, GREENFIELD J, WENSTEIN D E. From groundnuts to globalization: a structural estimate of trade and growth[R]. NBER, 2006.
[15]TIENTAO A, LEGROS D, PICHERY M C. Technology spillover and TFP growth: a spatial Durbin model[J]. International economics, 2016,145:21-31.
[16]ERTUR C, KOCH W. A contribution to the theory and empirics of Schumpeterian growth with worldwide interactions[J]. Journal of economic growth, 2011,16(3):215.
[17]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.
[18]齐绍洲, 徐佳. 贸易开放对“一带一路”沿线国家绿色全要素生产率的影响[J]. 中国人口·资源与环境, 2018(4):134-144.
[19]胡琰欣, 屈小娥, 董明放. 中国对外直接投资的绿色生产率增长效应——基于时空异质性视角的经验分析[J]. 经济学家, 2016(12):61-68.
[20]陈超凡.节能减排与中国工业绿色增长的模拟预测[J]. 中国人口·资源与环境,2018,28(4):145-154.
[21]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.
[22]邱斌, 杨帅, 辛培江. FDI技术溢出渠道与中国制造业生产率增长研究:基于面板数据的分析[J]. 世界经济, 2008(8):20-31.
[23]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
[24]程惠芳, 陈超. 海外知识资本对技术进步的异质性溢出效应——基于G20国家面板数据的比较研究[J]. 国际贸易问题, 2016(6):58-69.
[25]张静, 王宏伟. 我国知识资本生产特征及其对经济增长的影响[J]. 科学学研究, 2017(8):1156-1166.
[26]李婧, 谭清美, 白俊红. 中国区域创新生产的空间计量分析——基于静态与动态空间面板模型的实证研究[J]. 管理世界, 2010(7):43-55.
[27]王小鲁，樊纲，徐静文.中国分省份市场化指数报告(2016) [M].北京：社会科学文献出版社，2017.
[28]LESAGE J P, PACE R K. Introduction to spatial econometrics[M]. Boca Raton: CRC Press, 2009.
[29]BELOTTI F, HUGHES G, PIANO MORTARI A. Spatial panel data models using stata[J]. Ceis research paper, 2016 (17): 139-180.
Research on the influence of OFDI and reverse technology spillover on green total factor productivity
ZHU Wen -tao 1LV Cheng -rui 2GU Nai -hua 3
(1.Finance and Economics College, Jimei University, Xiamen Fujian 361021, China; 2.School of Economics and Management, Fuzhou University, Fuzhou Fujian 350116, China; 3.Institute of Industrial Economics, Jinan University, Guangzhou Guangdong 510632, China)
Abstract Under the background of high-quality economic development, improving green total factor productivity has become the attention of the Chinese government and academia. At the moment when China’s foreign direct investment is growing rapidly, it is of great practical significance to scientifically examine the impact of foreign direct investment and reverse technology spillovers on China’s green total factor productivity. Given this, this paper used the SBM direction distance function to calculate the Malmquist-Luenberger index (ML index). By measuring the green total factor productivity of 29 provinces in China from 2003 to 2015, and using the Spatial Dubin Model (SDM), this paper empirically examined the impact of provincial foreign direct investment and reverse technology spillover on China’s green total factor productivity. The results showed that: ① The reverse technology spillover of foreign direct investment could significantly promote green total factor productivity growth. ② The reverse technology spillovers of foreign direct investment played a positive role in accelerating the development of green all-factor production by promoting regional technological capabilities. ③ On the whole, the reverse technology spillover of foreign direct investment could not only promote the growth of green total factor productivity in the region, but also significantly increase the green total factor productivity of neighboring provinces through the space spill mechanism. ④ The impact of foreign direct investment of reverse technology spillover on provincial green total factor productivity had its regional heterogeneity. This impact was significant positive in eastern and central provinces and economically developed regions, but not obvious in the western provinces and underdeveloped regions. This means that, in order to improve the level of green total factor productivity, China should keep accelerating the pace of foreign direct investment, expanding the scope of foreign investment, and encouraging enterprises to go out and invest in high-tech industries, especially those specialized in clean energy. At the same time, we should actively accelerate the absorption and introduction of advanced green production technologies, production process and management experience of developed countries, and improve the country’s green total factor productivity through reverse technology spillovers of foreign direct investment, and eventually achieve a green transformation of the economy.
Key words foreign direct investment; technical capability; Spatial Dubin Model; spillover effect; green total factor productivity
收稿日期： 2018-09-18
修回日期： 2018-12-10
作者简介： 朱文涛，博士生，主要研究方向为国际贸易、产业经济与环境经济。E-mail: 17750314428@163.com。
基金项目： 国家社会科学基金项目“共生理论视角下中国与‘一带一路’国家间产业转移模式与路径研究”(批准号：17ZDA047)。
朱文涛,吕成锐,顾乃华.OFDI、逆向技术溢出对绿色全要素生产率的影响研究[J].中国人口·资源与环境，2019,29(9)：63-73.[ZHU Wentao, LV Chengrui, GU Naihua. Research on the influence of OFDI and reverse technology spillover on green total factor productivity[J]. China population, resources and environment, 2019,29(9):63-73.]
中图分类号 F062.1
文献标识码 A
文章编号 1002-2104(2019)09-0063-11 DOI:10.12062/cpre.20181106
(编辑：刘照胜)
标签：对外直接投资论文; 技术能力论文; 空间杜宾模型论文; 溢出效应论文; 绿色全要素生产率论文; 集美大学财经学院论文; 福州大学经济与管理学院论文; 暨南大学产业经济研究院论文;