中国对外贸易环境影响非线性关系研究——基于全球价值链视角.pdf

西南交通大学学报(社会科学版)2024 年第 2 期中国对外贸易环境影响非线性关系研究 基于全球价值链视角邵旭阳,徐洪海,苏威摘 要:全球价值链不仅涉及生产和销售领域的合作,还由此衍生出基于全球范围内的污染再分配。以我国多个数据库为基础构建动态面板 GMM 模型,发现我国企业的全球价值链参与程度与污染排放呈现出非线性的倒 U 型关系,即企业污染排放随着全球价值链参与程度的上升先增加后降低。同时,上游度和下游度与污染排放影响的模型显示,上游度与污染排放负相关,企业在全球价值链当中的上游环节经济成分会产生减排效果;下游度与污染排放是正相关关系,表示企业在全球价值链当中的上游环节经济成分会增加污染排放。而多重中介效应模型说明,这种非线性倒 U 型关系的形成是企业上游参与度和下游参与度共同影响下的最终结果。关键词:全球价值链参与度;企业污染排放;国际贸易作者简介:邵旭阳,成都大学人文社科高等研究院特聘副研究员,主要从事区域经济、世界经济研究,E-mail:shaoxuyang1990 ;徐洪海,西华大学经济学院讲师,主要从事金融经济、产业经济研究;苏威,西南交通大学经济管理学院硕士研究生,主要从事产业经济、工商管理研究。引用格式:邵旭阳,徐洪海,苏威.中国对外贸易环境影响非线性关系研究 基于全球价值链视角J.西南交通大学学报(社会科学版),2024,(2):82-104.一、引言 随着通信和运输技术的发展,全球价值链(Global Value Chain,GVC)的分工模式为国际减排带来了机遇和挑战。发达国家通过研发设计等高端环节参与 GVC 分工,而将加工组装等制造环节分配给发展中国家,但同时,发展中国家能够学习发达国家的先进技术和管理经验,提升能源利用效率进而降低污染排放。那么,融入 GVC 到底与一国污染排放存在着何种关系?这一问题的讨论一直贯穿于全球化推进过程之中,而中国经验无疑为研究中国对外贸易环境影响非线性关系研究 基于全球价值链视角此问题提供了丰富的依据:首先,中国是全球贸易规模最大的国家,GVC 嵌入程度日益加深,GVC 参与度从 1990 年的 29.55%上升至 2018 年的 44.49%1;其次,参与在 GVC 中的中国企业,其角色也产生显著变化,正逐渐由以往的下游生产制造商转变为更为强势的上游供应商,国际分工地位由此实现了极大提升2,而这一积极趋势又必将对中国参与 GVC所带来的环境效应产生显著影响;最后,随着 PM2.5 等环境问题引起广泛的舆论讨论,中国居民对于环境污染的关注程度日渐增高。中国政府还承诺,在 2030 年前实现碳达峰,在2060 年前实现碳中和。因此,研究中国企业 GVC 参与对污染排放的影响,对环境治理和“双碳目标”的实现十分重要,也具备极高的全球代表性,能够为其他发展中国家制定适合于自身的对外贸易政策提供借鉴。中国自改革开放以来,特别是于 2001 年末加入 WTO 后,凭借自身具备的成本优势与市场潜力,不断深度参与到 GVC 生产体系的构建与发展之中。然而,在贸易出口和经济增长取得巨大成就的背后,随之伴生的便是国内日益恶化的生态环境问题3。Lin 等研究发现,中国主要空气污染物排放规模当中的 17%36%源于以低端要素嵌入 GVC 的下游生产制造环节领域4。但随着 GVC 嵌入的不断加深,中国在 GVC 中的生产环节以及所处的分工地位发生了明显变化,这一因素无疑将对中国嵌入 GVC 所带来的环境效应产生重要影响5。在新型国际分工体系不断演进和中国国内环境治理形势日益严峻的情形下,本文从不同嵌入方式的角度对中国企业在全球分工体系中的地位进行了较为全面的考察,旨在揭示其污染排放行为如何受到全球分工体系的深刻影响,为在新型国际分工秩序下通过调整GVC 嵌入战略改善国内环境提供理论和实践参考。本文发现:第一,在构建动态面板 GMM 模型后,企业的 GVC 参与程度与污染排放呈现出非线性的倒 U 型关系,即企业污染排放随着 GVC 参与程度的上升先增加后降低;第二,本文单独构建上游度和下游度与污染排放影响模型后发现,上游度与污染排放负相关,企业在 GVC 当中的上游环节经济成分(如技术研发、国际营销和关键零部件制造)会产生减排效果。而下游度与污染排放是正相关关系,这表示企业在 GVC 当中的上游环节经济成分(如组装、非关键零部件生产等)会增加污染排放;第三,基于第二个结论,本文假定倒 U 型关系的形成原因是企业上游参与度和下游参与度共同影响下的最终结果,且这一假定在构建多重中介效应模型后得到了证明。此外,融资约束对企业参与 GVC 所产生的环境效应具有减弱效果,且东部地区 GVC 环境效应实现逆转的要求高于中西部地区,而南北划分后不存在明显差异。大型企业进入污染排放下行区间的 GVC 临界标准最高,而中小型企业的临界点水平大致相同。这些发现有助于政府制定更为精准的、符合自身发展需要的产业和环境政策,以达成贸易发展和环境保护之间的平衡。综上,本研究为全球发展中经济体选择参与 GVC 的模式和路径38西南交通大学学报(社会科学版)提供参考,对于全球污染的治理具有重要意义。二、文献综述 早在 1994 年,学术领域相关专家便提出了“污染天堂假说”,该假说主要用于描述高能耗、重污染产业在参与 GVC 过程中向低端嵌入位置的发展中经济体的转移现象,意味着生产的国际分割使得环境污染在国家间转移成为可能。发达国家采用“保留核心、外包其余”的产业及外贸投资策略,将高污染的下游生产制造环节转移到其他发展中国家,借以改善自身的环境质量。然而,这一做法却极大可能加剧发展中国家的环境污染67。GVC 上游经济体主要进行技术研发和国际营销,或掌握高附加值的关键性零部件生产,主要消耗的生产要素是资本和人力。而下游经济体则参与组装生产以及制造一些低附加值的、易被替代的零部件,消耗更多传统能源,因此其污染排放随之增加8。处于较低 GVC 分工位置的经济体贸易在其开放水平提高后,扩大贸易规模反而会导致其污染贸易条件的恶化9。而 GVC 位置和参与度对污染排放呈正向影响,例如,基于MRIO 模型,结合 Koopman 增值分解法,发现参与 GVC 分工可能引起更高水平的隐含碳排放10。与“污染天堂假说”针锋相对的是,Vogel 曾提出“环境收益假说”(即污染光晕假说),即通过 GVC 的嵌入,发展中经济体通过倒逼机制吸收外国先进技术,从而在生产环节抑制污染排放11。由于“污染关税”等贸易壁垒限制了高污染、高排放产品的入境,因此发展中经济体为了确保出口的同时改善贸易结构和提高环保水平,必须向价值链上游攀升。此外,这一举措短期内满足了国际通行的环境标准,使发展中国家制定了更为严格的污染排放目标,从而形成了控制污染排放的良性循环。因此,在 GVC 位置上移过程中,生产结构、技术水平、规模情况以及法律法规对污染排放有重要影响。除了正相关的“污染天堂假说”与负相关的“污染光晕假说”以外,许多学者发现,GVC 的分工地位对污染排放产生非线性效应1214。吕越和吕云龙在基于 Copland 和Taylor 模型的基础上考察企业价值链参与情况,发现前向嵌入在很大程度上减少了第二产业的总体贸易隐含碳排放15。在 GVC 嵌入的过程中,不仅可能导致工业污染排放波动增长,还可能导致污染排放与污染贸易条件的不断变化。蔡礼辉等的研究发现,中国工业的污染排放与前向关联的 GVC 嵌入呈现 U 型关系16。而徐博等通过采用非线性回归发现,GVC 位置与碳排放之间呈现倒 U 型关系,并提出了 GVC 位置提升降低污染排放的机制17。然而,值得注意的是,GVC 位置提升对于减少出口污染排放存在门槛效应,同时 GVC 参与情况对于污染贸易条件的门槛效应同样呈现 U 型结构,这与技术变化48中国对外贸易环境影响非线性关系研究 基于全球价值链视角密切相关。但是,目前的研究存在一些未解决的问题:一方面,污染天堂假说、污染光晕假说、U型关系、倒 U 型关系等结论是相互矛盾的,产生这一分歧的原因是缺乏令人信服的微观数据研究。此外,污染排放与能源消耗高度相关,而要获取中国企业微观能源数据十分困难,这令模型中控制变量存在不足;另一方面,大多数研究只停留在结论层面,未探讨GVC 与污染排放相关关系的形成机制,未能说明系统内部的结构和相互关系,仅能大致了解 GVC 参与程度与企业环境绩效之间的基本规律,这对于指导政策制定是不足的。而在此基础上所设计的环境规制政策框架,无疑在针对性和有效性方面存在优化空间。三、研究设计(一)样本选择和数据来源本文将经过筛选后的中国工业企业数据库(CASIF)、企业污染排放数据与海关数据库(CCTS)进行了整合,基于 Upward R 和田巍、余淼杰的处理模式,采用较为主流的“两步法”对不同数据库的各类实体进行匹配1819。进而,本文以 Ju J、Yu X、宁密密所提出的方案为蓝本2021,利用世界投入产出表数据库(World Input-Output Database,WIOD)、中国地区投入产出表 2012和中国 2012 年投入产出表,将所需要的、未编制年份的行业数据进行了近似匹配,整理出更为详尽的行业数据。企业能耗方面的数据,本文则参照史丹、李少林,范子英、彭飞、刘冲以及秦蒙、刘修岩、李松林,吴健生、牛妍、彭建、王政、黄秀兰等学者的思路2225,基于 20052013 年度中国 DMSP/OLS 稳定夜间灯光数据、国家统计年鉴中国能源统计年鉴中国城市统计年鉴以及部分城市的统计公报和地理信息数据,计算了共计 280 余个地级市的能耗强度指标,并与辖区内存在微观能耗数据的企业进行反向平均值匹配。由于工企数据登记缺失值较多,部分关键指标存在数据异常,故现有单值移动时序平滑法、MICE1、MICE2、MMICE1 和 MMICE2 五种插补方法可对数据进行预处理。本文依据张少华、李苏苏所进行的研究26比较,采用单值移动时序平滑法对现有数据进行插值,最终得到本文使用的基础数据。(二)变量设定1.被解释变量 综合污染指数(Synthetic Pollution Index)企业的污染排放数据来自国家统计局 20052013 年度的中国工业企业污染排放数据库。本文依照邵朝对以及苏丹妮、杨琦的处理办法进行操作2728,选取数据质量相对较高的工业废水、化学需氧量排放量、氨氮、二氧化硫、氮氧化物、烟尘、工业粉尘排放量构建综合指标体系。首先,本文对各项污染排放指标进行了标准化处理,目的在于消除58西南交通大学学报(社会科学版)不同污染物之间的量纲差异,具体公式如下:Pxij=xmax-xijxmax-xmin(1)其中 xmax为企业 i 在某一项污染排放指标当中的最大值,xmin为对应最小值,xij为企业 i 在 j 时刻所排放的 x 类污染物质的规模。进而,进行指标归一化:TPij=Pxijmx=1ni=1Pxij(2)进而,计算熵值:Ej=-k1mx=1ni=1TPijlnTPij,k1=1ln(m n)(3)最后,由层次分析法得出相应指标权重,带入权重加总得到企业综合污染指数(SPI,Synthetic Pollution Index)。该指标数值越大,说明企业污染排放强度越高。在实际使用中,本文将该指标加一取对数作为被解释变量,并用 lnSPIit表示。2.解释变量 GVC 参与度在非线性关系的基准回归当中,解释变量为企业 GVC 参与度(Participation in GVCs,GVC)。本文参照由吕越等提出的计算方法29,他们以 Upward R 等、张杰等和 Kee,Tang的已有测算18,3031为基础,充分考虑了出口企业在使用国内原材料时同样蕴含国外生产的份额。Koopman 等通过估计认为该比例为 5%至 10%之间,可能是由中间贸易商处实现的间接进口,也可能是国内供应商存在的进口原材料遗漏32。为此,他们构造了目前最全面的 GVC 参与度计算方法,并假定企业国内购买的中间产品当中存在5%的海外进口成分。GVC=IIPAp+EXPgIIPAMgYD+EXPg()+0.05 MT-IIPAp-IIPAMgYD+EXPg()EXP(4)其中,IIP、EXP、YD分别表示该企业进口、出口和国内销售规模;下标的 p、g 则分别指代加工贸易(processing trade)、一般贸易(general trade)。计算过程当中,可从前文所述的工企数据、海关数据等来源获得企业的进出口数据。有部分企业原始数据当中销售额低于其报关出口交货值的,假定其不存在国内零部件采购。而计算过程中出现的国外附加值大于出口总额的情况,则将其国内附加值设定为 0,国外附加值率设为 1,即GVC 参与度为 1。其中的 MT为该企业中间投入总额,而上式当中有一隐藏假定,即企业国内购买的中间产品当中存在 5%的海外进口成分。此外,将 GVC 作为横轴、lnSPIit作为纵轴绘制散点图后做拟合图,可得到图 1。通过拟合图可猜测,在进行了能源约束后,GVC 与污染排放存在倒 U 型关系,因此,本文构建了非线性关系模型。68中国对外贸易环境影响非线性关系研究 基于全球价值链视角0.20.40.60.81.00.050.1lnSPIitGVC图 1 20052013 年 lnSPIit与 GVC 趋势拟合效果 3.多重中介变量在多重中介效应模型当中,中介变量为 GVC 上游环节参与度(Output Upstreamness,OU)和 GVC 下游环节参与度(Input Downstreamness,ID)。在 Kee&Tang、张杰等、苏丹妮等和袁凯华等提出的计算公式2,22,30,33基础上,本文将原有全国行业数据作为企业间接增加值出口数据近似值的处理办法,优化为企业所在省份的行业平均数据,以体现省际差异。由此,OU 和 ID 计算公式如下:OUijtp=1-IIPijtp+Dijtp+1j-2j()EXPijtpEXPijtp IEXPijtp 3jEXPijtp(5)OUijtg=1-(IIPijtg/Yijt)EXPijtg+Dijtg+1j-2j()EXPijtgEXPijtg IEXPijtg 3jEXPijtg(6)OUijtm=pIEXPijtp 1-IIPijtp+Dijtp+1j-2j()EXPijtpEXPijtp 3jEXPijtp+gIEXPijtg1-IIPijtg/(Yijt-EXPijtg)EXPijtg+Dijtg+1j-2j()EXPijtgEXPijtg 3jEXPijtg(7)IDijtp=IIPijtp+Dijtp+1j-2j()EXPijtpEXPijtp(8)IDijtg=IIPijtgYijt()EXPijtg+Dijtg+1j-2j()EXPijtgEXPijtg(9)IDijtm=pIIPijtp+Dijtp+1j-2j()EXPijtpEXPijtp78西南交通大学学报(社会科学版)+gIIPijtg/(Yijt-EXPijtp)EXPijtg+Dijtg+1j-2j()EXPijtgEXPijtg(10)i、j、t 分别表示企业代码、行业代码及时间,p、g、m 则分别指代加工贸易(processing trade)、一般贸易(general trade)和混合贸易(mixed trade)。本文将加工贸易进口的中间产品视作全部用于加工贸易出口,而在一般贸易进口的中间产品当中,出口比例同国内销售与一般贸易出口量比例相同。故 IEXPijtnn=p,g()为扣除中间商贸易后的企业中间产品出口额。EXPijtnn=p,g()为出口企业总出口额减去中间商处间接出口。IIPijtp为从事加工贸易的企业从中间贸易代理商处所间接获取的、用于出口的那一部分中间产品进口额;对一般贸易企业,该指标则为IIPijtgYijt()EXPijtg。Yijt指企业销售总额,Djitnn=p,g()为企业折旧累积额。p为混合贸易企业中其加工贸易所占出口的比值,g为其一般贸易所占出口的比值。IEXPijtnn=p,g()指扣除中间商贸易中出口的中间产品后的企业中间产品出口额。1j为企业所在省份的同行业间接进口比例,2j为企业所在省份同行业返回增加值比例,3j为企业所在省份同行业中间产品间接出口比例。本文首先描绘行业上下游参与度热力分布情况,如图 2 所示。在 36 个行业当中,30个行业在上游度实现提升,而煤炭开采和洗选业、有色金属冶炼及压延加工业、电力、热力的生产和供应业等行业则上游度下滑。出现下滑的行业大多属于高耗能、高污染行业,且技术水平普遍偏低,上游环节参与度空间较为有限。同时,共有 28 个行业削减了下游度,而石油加工、炼焦及核燃料加工业、废弃资源和废旧材料回收加工业等行业则未能明显降低下游度,说明上述行业存在低端锁定,关键技术和原材料受制于人,并且存在高污染、高耗能、低附加值特征。4.控制变量企业清洁能源占比(Share of Clean Energy,SCE)。工业企业的生产环节是污染物排放的集中阶段,主要是使用化石能源产生的。提高能源效率、使用燃烧更充分的碳基能源如天然气等能够在生产末端显著降低污染物的排放。因此,本文参照史丹、李少林,范子英、彭飞、刘冲以及秦蒙、刘修岩、李松林,吴健生、牛妍、彭建、王政、黄秀兰等学者的思路2225,基于 20052013 年度中国 DMSP/OLS 稳定夜间灯光数据、国家统计年鉴中国能源统计年鉴中国城市统计年鉴以及部分城市的统计公报和地理信息数据,得出了各地级行政单位的能耗强度指标,作为当地平均能耗水平。再将其与具有微观能耗数据的企业数据进行匹配,得到当地所有企业的平均能耗份额,并对部分缺失能耗数据企业进行赋值。根据所统计的工业企业煤炭、石油、天然气使用量,换算为标准煤,并对数据缺失或不存在的企业用地级市平均能耗份额赋值及单值移动时序平滑法进行处理,得到了较为完整的工业企业 20052013 年能源强度数据。在此基础上,再利用天然气标准88中国对外贸易环境影响非线性关系研究 基于全球价值链视角?2?煤数据相除,得到了清洁能源占比变量。该变量取值在 01 范围内,数据越靠近 1 表明该企业的清洁能源占比越高,理论上所产生的污染物质排放应当更低。98西南交通大学学报(社会科学版)除了 SCE 以外,控制变量还包括:企业资产总计(CAPI)、利润总额(PROFIT)、企业进出口总额(Total Export-import Volume,TEIV)、用工人数(LABOR)。此外,本文还根据企业经济属性设置了所有制结构虚拟变量(OWERSHIP),其中公有制企业(包含国有及集体企业)=1,私营企业=2,外资企业=3。表 1 主要变量描述性统计分析结果变量观测值平均值标准差最小值最大值lnSPIit4223880.0200470.035303300.2657203GVCit4223880.1251390.299560901SCEit4223880.69741750.459213501CAPIit422388160161.9169572202.76e+08PROFITit42238811349.6320844.3-73502171.01e+08TEIVit42238839626728.86e+0702.18e+10LABORit422388333.62531621.6790146254OWNERSHIPit4223882.3519040.5825713(三)模型设定动态面板 GMM 回归(Dynamic Panel Generalized Method of Moments Regression)是一种用于估计面板数据模型的计量方法,可处理面板数据中存在的内生性问题。GMM 利用工具变量来解决内生性问题。在动态面板 GMM 回归中,本文使用滞后变量作为工具变量,以控制模型中的内生性。该方法基于对工具变量的合理性和有效性的假设。动态面板 GMM 回归方法的优点是可以同时控制个体固定效应和内生性,能够更好地处理面板数据中存在的动态特征。本文先进行了多重共线性检验,结果显示各变量间相关系数均小于 0.7,方差膨胀因子均小于 2,且均值为 1.28,表明构建模型内所有变量不存在严重的多重共线性问题。为研究 GVC 参与程度对企业环境绩效的影响,本文将继续按照基准回归所构建的模型框架,将 GVC 参与度一次项和二次项引入模型当中。在系统GMM 当中,选用了原模型当中的内生解释变量滞后项作为其自身的工具变量,从而显著提高了估计效率及所得结果的稳健性。基准模型设定如下方程组所示:lnSPIit=0+lnSPIit-1+1GVCit+2GVCit()2+i+t+it(11)lnSPIit=0+lnSPIit-1+1GVCit+2GVCit()2+CONTROLit+i+t+it(12)CONTROLit=1CAPIit+2PROFITit+3TEIVit+4LABORit+5OWNERSHIPit+6SCEit(13)09中国对外贸易环境影响非线性关系研究 基于全球价值链视角其中,i 与 t 分别表示对应的市场微观主体和时间,j 表示样本所在的地级行政范围,k 则指代其所属行业,it和 分别为误差项和截距项,i、t则分别表示企业个体固定效应和时间固定效应。四、非线性关系实证结果分析(一)基准回归分析本文分别对原有模型进行了固定效应回归和系统 GMM 回归,结果见表 2。从该结果可以得出,在进行了系统 GMM 估计后,GVC 与 GVC 二次项系数特征及显著性均与固定效应模型保持了一致。此外,系统 GMM 回归还需进行 AR(1)、AR(2)及 Sargan 检验。首先,AR(1)检验的 P 值为 0.003,AR(2)的 P 值为 0.297。该结果表示一阶残差存在自相关,而二阶残差不存在自相关,说明系统广义矩估计的结果是可靠的;其次,为了保证工具变量的有效性,本文进行了 Sargan 检验,显示检验 P 值为 0.2532。该结果说明接受原假设,工具变量合理且有效,不存在过度识别问题。仅从系数特征得出倒 U 型结论是不充分的,本文进一步使用 Lind and Mehlum 提出的检测方案34,对基准回归结论做Utest 检验。根据检验结果,GVC 极值点为 0.644095,在可取值范围内,并能够在 1%的统计水平上拒绝原假设。同时,Slope 取值0.2675233,-0.1478243,此区间内存在负值,因而可认定为倒 U 形关系。表 2 固定效应模型及系统 GMM 模型回归结果变量(1)固定效应(2)固定效应(3)系统 GMM(4)系统 GMMlnSPIit-10.253 (0.00215)0.249 (0.00215)0.0194 (0.00219)0.00417(0.00212)GVCit0.228 (0.00118)0.226 (0.00121)0.537 (0.00856)0.426 (0.0208)GVCit()2-0.175 (0.00116)-0.174 (0.00116)-0.490 (0.00900)-0.387 (0.0212)控制变量是是截距项0.0219 (0.000331)0.0193 (0.00119)0.0140 (0.000463)0.0242 (0.00246)观测值387189387189387189387189R-squared0.6060.611 括号里的数字为标准误,、和 分别表示在 1%、5%和 10%显著性水平下显著。下同。19西南交通大学学报(社会科学版)回归结果显示,GVC 的一次项估计系数显著为正,而其平方项系数估计显著为负,表明 GVC 对企业污染排放的影响呈明显的倒 U 型趋势。即在企业参与到 GVC 之初,随着参与水平的加深,该企业的污染排放特征总体是趋于扩大的。然而,随着 GVC 参与水平的不断上升,当突破极值后,GVC 参与水平的提高将对企业污染排放产生抑制作用,进一步加深国际产能合作会给予当地正面的环境改善效果。由此可见,在全球化艰难推进的当下,继续保持对外开放、合作包容的姿态,不断积累产业发展动力,深入参与到 GVC 的整合提高过程当中,能够最终实现经济效益与环境减排效益双赢的局面,这也是中国政府实现国内国际双循环新发展格局的应有之义。此外,增加了清洁能源占比的能耗约束后,SCEit系数为负且保持极高的显著性,说明在不断推进 GVC 参与程度提高的同时,提升如电力、天然气等较为清洁能源的使用占比,将显著抑制企业污染排放规模,能源结构层面的调整亦刻不容缓。(二)调节效应分析企业在参与 GVC 的过程当中,普遍存在差异性的融资约束条件,这将影响企业技术购买、生产设备更新等多个领域,使企业参与 GVC 时所表现的环境绩效影响产生波动。为此,本文引入了融资约束(SAit)变量以衡量不同企业面临的融资情况,且由于该变量为负值,故参照其他文献的处理做法,取该变量绝对值进行回归。SA 变量数值越大,则表明相应企业在市场融资时所面临的融资约束越强。lnSPIit=0+1GVCit+2GVCit()2+3SAit+4GVCitSAit+5GVCit()2SAit +CONTROLit+i+t+it(14)表 3 调节效应回归结果变量(1)lnSPIitGVCit0.298 (0.0138)GVCit()2-0.224 (0.0139)SAit0.0195 (9.64e-05)GVCitSAit-0.0817 (0.00490)GVCit()2SAit0.0600 (0.00486)控制变量是截距项0.00528 (0.000625)观测值422388R-squared35199 调节效应回归结果如表 3 所示,GVC 与 GVC 二次项系数符号分别与交互项 GVCitSAit、GVCit()2SAit系数符号相反,说明融资约束的提高会明显削弱 GVC 参与度对企业排污水平的影响,该结论所有系数均在 0.01 显著性水平下显著。此外,通过图 3 也可以看出,实线为原有 GVC 对污染排放的倒U 型影响趋势,虚线为在 SA 影响下的GVC 与污染排放的关系趋势。在受到融资约束后,每 GVCit下,lnSPIit的变化量不论在污染排放的上升阶段抑或下降阶段,均受到了降低。在 GVCit影29中国对外贸易环境影响非线性关系研究 基于全球价值链视角响 lnSPIit的上升期,融资约束或许对环境污染产生了正面效果,这是因为在该阶段限制企业扩大生产规模,进而降低了 GVC 参与程度在此时的环境规模效应;而随着企业GVCit越过门槛值,参与 GVC 与污染排放实现了良性互动。而此时,融资约束反而阻碍了企业对高新技术的吸收及对高效生产设备的采购,减排效果因此受到负面影响。lnSPIit?GVCit0.60.2-0.2-0.6?lnSPIit?lnSPIitGVC0.20.40.60.8图 3 融资约束调节效应示意效果(三)稳健性检验为了寻求更为稳健的结果,本文以工业废水(IWit)、化学需氧量(CODit)、氨氮(ANit)、二氧化硫(SDit)、烟尘(FDit)排放量单独作为被解释变量进行估计,以验证模型估计结果的稳健性。估计结果如表 4 所示。单独列举污染物进行回归后,依旧与基准表 4 替换被解释变量后的估计结果变量(1)IWit(2)CODit(3)ANit(4)SDit(5)FDitGVCit0.00445 0.0132 0.160 0.0677 0.0329 (2.78e-05)(6.64e-05)(0.000816)(0.000410)(0.000199)GVCit()2-0.00339 -0.0101 -0.125 -0.0521 -0.0254 (2.40e-05)(7.20e-05)(0.000813)(0.000402)(0.000194)控制变量是是是是是截距项0.000283 0.000931 0.00789 0.00808 0.00334 (2.36e-05)(6.68e-05)(0.000741)(0.000355)(0.000173)观测值422388422388422388422388422388R-squared0.3690.4810.5200.5200.50239西南交通大学学报(社会科学版)回归模型所得出的结论一致。这一结果再一次强化了倒 U 型影响的验证水平,说明该结论对于单独特定的重要污染物同样适用。(四)异质性检验1.按企业所在地区分组中国经济发展水平存在差异,因此有必要进行基于区位的异质性分析。本文将企业按所在地区分为东部、中部、西部和北部、南部。为了消除样本减少的问题,本文构建了地区虚拟变量 Regionit。本文采用的东、中、西部的划分以中国统计局的三大区域为基础,而南北部的划分缺乏正式的划分方法,因此采用了吕承超等提出的划分方法35,即北方地区包括黑龙江、吉林、辽宁、内蒙古、河北、北京、天津、山西、陕西、宁夏、甘肃、新疆、青海等 13 个省级行政单位,其余为南方地区。lnSPIit=0+1GVCitRegionit+2GVCit()2Regionit+3SCEit+CONTROLit+i+t+it(15)表 5 为本文研究地区异质性而设计的模型结果,GVC 参与度的一次项系数与各地区虚拟变量的交叉乘积显著为正,而二次项与地区虚拟变量的交叉乘积显著为负。这表明,GVC 参与水平对企业排放强度存在明显的倒 U 型影响,而且这一结论在区分地区后仍然非常稳健。进一步观察拐点的分布特征发现,东、中、西部三条曲线的极值点分别为0.642156863、0.616915423 和 0.63592233,这表明东部地区企业污染排放受 GVC 参与水平影响的趋势逆转临界点最高,需要当地企业达到0.642156863 的GVC 参与水平标准。这可能是由于东部地区是中国最早参与 GVC 的地区,因此长期以来积累了较多的低端产业部门;西部地区的 GVC 逆转门槛高于中部地区,主要原因是西部地区经济基础最薄弱,在引进 GVC 中高端参与企业方面与中部和东部地区存在差异。而低端参与度企业受地理交通等因素限制,吸引力也弱于中部地区。由此可见,过去西部地区招商引资存在较为明显的地方政府放松环保约束的行为。此外,南北差异下的系数值恰好相同(但其余变量和标准差等有显著差异),使得南北差异下的 GVC 极值点相同,南北方在 GVC 影响出口企业污染排放方面没有明显差异。2.按企业规模差异分组不同的企业规模会影响企业的技术水平和各种环保投资的潜力,因此也应根据企业规模的差异进行分组,以验证本文趋势关系结论的可靠性。为此,本文按照资产规模将企业分为三类:小型企业、中型企业和大型企业。回归结果如表 6 所示,变量上标 small、medium、large 分别表示对应的小型企业、中型企业和大型企业。样本分组后,小、中、大型企业参与 GVC 的一次项和二次项与污染排放强度综合指标仍保持相关关系,显著性和系数符号符合预期。即使区分为大中小型企业,不同规模的污染排放与 GVC 参与之49中国对外贸易环境影响非线性关系研究 基于全球价值链视角间仍然存在非线性的倒 U 型关系。此外,考察不同规模企业的拐点分布可以发现,大、中、小型企业的极值点分别为 0.6300、0.6322 和 0.6650,大型企业进入污染排放下行区间的临界点最高,而中小型企业的临界点水平大致相同。原因在于大型企业初始固定资产投资较大,在引进和消化新设备方面可能存在较为明显的障碍,而盲目推动中小企业整合未必能产生更理想的环境绩效结果。表 5 不同地区分组回归结果变量(1)lnSPIit(2)lnSPIit(3)lnSPIit(4)lnSPIit(5)lnSPIitGVCit 东部0.262 (0.00138)GVCit()2 东部-0.204 (0.00135)GVCit 中部0.248 (0.00414)GVCit()2 中部-0.201 (0.00413)GVCit 西部0.262 (0.00524)GVCit()2 西部-0.206 (0.00520)GVCit 北部0.261 (0.00236)GVCit()2 北部-0.204 (0.00232)GVCit 南部0.261 (0.00151)GVCit()2 南部-0.204 (0.00148)控制变量是是是是是截距项0.0208 0.0155 0.0201 0.0410 0.0375 (0.00154)(0.00213)(0.00371)(0.00478)(0.00414)观测值31956066180366483664836648R-squared0.5850.5430.5690.2470.43159西南交通大学学报(社会科学版)表 6 企业规模差异分组回归结果变量(1)lnSPIsmallit(2)lnSPImediumit(3)lnSPIlargeitGVCit0.252 0.287 0.270 (0.00268)(0.00644)(0.00156)GVCit()2-0.200 -0.227 -0.203 (0.00266)(0.00623)(0.00150)控制变量是是是截距项0.0307 0.0223 0.0174 (0.00370)(0.00724)(0.00131)观测值26564516084140659R-squared0.4580.5940.622 五、多重中介效应分析(一)不同嵌入路径的环境效应通过构建非线性回归模型可知,中国参与 GVC 与企业污染排放之间的关系是倒 U型。本文猜测,形成倒 U 型态势的可能原因在于企业嵌入 GVC 的模式不同 上游嵌入和下游嵌入所产生的排污影响不同。前期,参与 GVC 的低端锁定、路径依赖及要素投入扩大效果更加明显,企业处于 GVC 当中的下游位置;后期,随着一定幅度的技术积累、产业升级等原因,原有 GVC 分工位置出现了改变,企业更多地涉足 GVC 的上游高附加值环节,而能否实现环境绩效改善和排放下降,关键在于能否实现一定程度上的 GVC 分工位置的进步。因此,本文构建 OU 与 ID 影响企业污染排放的固定效应模型。为了强化能源约束,本文构建了企业非清洁能源占比变量 Enegryit,即该企业所有能耗标准煤总量当中煤炭、石油标准煤份额的占比。模型设定如下列方程组所示:lnSPIit=0+1OUit+2Enegryit+CONTROLit+i+t+it(16)lnSPIit=0+1OUit+2Enegryit+3OU Enegryit+CONTROLit+i+t+it(17)lnSPIit=0+1IDit+2Enegryit+CONTROLit+i+t+it(18)lnSPIit=0+1IDit+2Enegryit+3IDit Enegryit+CONTROLit+i+t+it(19)表 7 中,(1)列得到的结果显示在该情形下,企业上游环节参与度依旧与其综合污染排放水平呈显著负相关,企业上游环节参与水平每提高 1 个单位,其污染排放强度将下69中国对外贸易环境影响非线性关系研究 基于全球价值链视角降 0.653 个基点。而新加入的非清洁能源份额占比则与污染排放呈正向相关,这与理论预期一致。此外,本文还构建了交乘项 OU Enegryit以考察非清洁能源占比对 GVC 上游环节参与度减排效果的调节效应。由式(17)结果可知,交乘项显著为正,与主变量符号相反,说明在同等 GVC 上游环节参与程度下,非清洁能源使用占比越高,企业由参与上游环节所带来的减排效果越弱。表 7 中,(3)列得到的结果显示,企业下游环节参与度依旧与综合污染排放水平呈显著负相关,企业上游环节参与水平每提高 1 个单位,其污染排放强度将上升 0.321 个基点。新加入的非清洁能源份额占比则与污染排放呈正向相关,这与理论预期一致。此外,本文依旧构建了交乘项 ID Enegryit以考察非清洁能源占比对 GVC 下游环节参与度减排效果的调节效应。由式(19)结果可知,交乘项显著为正,说明在同等 GVC 下游环节参与程度下,非清洁能源使用占比越高,企业由