A Study on the Impact of China-Europe Railway Express on Green Total Factor Productivity in Chinese Cities
-
摘要: 作为连接中国与欧洲的重要陆上贸易通道，中欧班列的开通运行对我国经济与环境产生了深远影响。基于2008—2019年中国地级市面板数据，采用交叠DID方法探究中欧班列开通对我国城市绿色全要素生产率的影响及其作用机制。结果表明，中欧班列开通显著促进了我国节点城市的绿色全要素生产率，其影响存在通道、地区以及覆盖范围间的异质性，且中欧班列主要通过促进绿色创新、产业集聚以及缓解融资约束等提高节点城市的绿色全要素生产率。由此，需鼓励、支持和引导更多的中国城市成为中欧班列的节点城市，扩展国内节点城市辐射海外市场的范围。同时，节点城市应提升其绿色创新水平，完善相关的基础建设，营造良好的商业环境，吸引更多资本及高端产业，以助力其高质量发展。Abstract: In the context of high-standard opening-up, the opening of the China-Europe Railway Express may have a profound impact on the regional economy and environment. Based on the panel data of prefecture-level cities in China from 2008 to 2019, this paper analyzes the effects and mechanisms between the China-Europe Railway Express and the green total factor productivity of China's cities by using the stacked DID method. The results indicate that the China-Europe Railway Express significantly promotes the green total factor productivity of China's node cities, with heterogeneity among channels, regions, and coverage, and that China-Europe Railway Express improves the green total factor productivity of the node cities mainly by promoting green innovation, industrial agglomeration, and alleviating financing constraints. Therefore, it is necessary to encourage, support and guide more Chinese cities to become the node cities of the China-Europe Railway Express, so as to expand the range of the domestic node cities to radiate overseas markets. At the same time, the node cities should enhance their green innovation, improve the related infrastructure, create a favorable business environment, and attract more capital and high-end industries to help their high-quality development.
-
一、 引言
社会经济发展过程中有诸多为发展经济而忽略环境保护，导致严重经济损失以及人员伤亡的案例，如1943年洛杉矶的“光化学烟雾事件”，1972年日本富山的“痛痛病事件”，1986年切尔诺贝利核电站事故等。我国改革开放初期也出现过为追求地方经济增长数据而忽略了对环境保护的案例(周黎安，2007)[1]，雾霾污染在一段时期内成为了大城市生活的困扰(魏下海等，2017)[2]。20世纪末以来，我国政府一直坚持全面、协调、可持续的科学发展观，2017年更是首次提出高质量发展的理念，高质量发展既注重量的提高，也注重质的发展，强调不以牺牲环境为代价的可持续发展模式。2022年党的二十大报告将“推进高水平对外开放”作为“加快构建新发展格局，着力推动高质量发展”的重要内容，推动高水平对外开放已然成为促进我国经济实现高质量发展的重要路径。在各行各业的生产运营活动中，践行低碳经济模式是新时期的要求。如通过交通基础设施建设打造物流高地，实现产业在某地区的集聚，并针对产业聚集地进行污染集中治理，即是一种将污染源“化零为整”的政策行为。而作为近年来我国对外贸易通道的新方式，中欧班列的出现在一定程度上也起到了这种作用。自2011年首列重庆至德国杜伊斯堡的“渝新欧”线开通以来，中欧班列得到了沿线国家的广泛赞誉和积极参与，线路覆盖也在不断拓展和延伸。截至2021年底，中欧班列累计开行4.9万列，运输货物443.2万标箱，辐射23个国家的180个城市，物流服务网络覆盖亚欧大陆全境①，发展速度惊人。中欧班列的开通运行，使节点城市以及沿线城市的区位优势得以凸显，大批国内外企业向节点城市聚集。如最早开行中欧班列的重庆，在近10年内吸引了260家世界500强企业入驻①，其他开通城市也大体出现了类似的产业集聚特征。
① 数据来源于《2021中欧班列发展报告》。
中欧班列紧密穿梭于亚欧大陆之间，促进了节点城市的产业效率(张建清和龚恩泽，2021；方慧和解欢品，2022)[3-4]，但也给城市带来了环境污染问题。如成都的空气质量年度均值在开通中欧班列当年便出现了下滑，PM2.5指数从2012年的55.59 μg/m3上升至2013年的63.66 μg/m3，增幅约为14%。合肥、重庆和济南的PM2.5年度均值在中欧班列开通当年也分别增加了7.0%、5.3%和1.8%②，类似情况也出现在其他节点城市，这令中欧班列开通对社会经济总体价值的影响成为新的研究课题。基于此，本文采用基于松弛变量的数据包络分析模型(SBM)将产出与污染排放纳入同一体系并加以检验，以期能有效评价中欧班列为城市经济带来的真实价值。本研究的核心问题是：作为一种跨地区、跨边境的长途货运交通，中欧班列的开通运营能否提升城市的绿色全要素生产率？其作用机制是什么？对这些问题的探讨对促进我国经济高质量发展有着重要的现实意义。
② 数据来源于美国哥伦比亚大学社会经济数据与应用中心提供的全球PM2.5的年均浓度数据。
本文可能的边际贡献在于：第一，从外贸通道视角系统分析和检验了中欧班列开通对于城市绿色全要素生产率的影响，为推动我国城市高质量发展提供了参考，同时也丰富了城市高水平对外开放发展研究；第二，首次分析了中欧班列通过绿色创新、产业集聚以及融资约束对节点城市绿色全要素生产率产生影响的机制；第三，结合最新的理论计量文献，应用培根分解以及多期多个体倍分模型对中欧班列开通在组别和时间维度上的处理效应异质性进行检验，在一定程度上弥补了传统差分所产生的有偏估计。
二、 相关文献综述
（一） 关于交通建设与产业效率关系的研究
多数研究认为，交通基础设施会对全要素生产率产生促进作用，其主要作用机制在于降低运输成本(Aitken和Harrison，1999)[5]、吸引更多国内外投资(Liu和Lu，2015)[6]、促进创新水平(郭进和白俊红，2019)[7]、优化资本或者劳动的配置效率(徐强，2020)[8]以及提升市场通达性(刘冲等，2020)[9]等。但其促进作用在不同地区存在较大的异质性，如黄凯南和孙广召(2019)[10]认为高铁仅对我国东中部地区企业的生产率产生促进作用，而由于虹吸作用等原因，其对于西部地区的企业表现出抑制作用；Li等(2022)[11]认为中国高铁对城市全要素生产率的影响主要体现在沿海节点城市、内陆节点城市以及靠近节点的内陆城市，但对靠近节点的沿海城市影响并不显著；赵星和王林辉(2020)[12]指出，高铁建设对地区全要素生产率的带动作用强于普通铁路的观点，原因在于高铁的速度更快，能够加速资本、劳动以及技术等要素在区域间的流动。
（二） 关于交通建设对地区环境质量的影响
部分学者认为交通基础设施建设会显著加剧地区环境恶化。如陈杰(2020)[13]指出，环境的恶化主要来自交通基础设施建设的过程以及其经济增长引致的能源消耗；罗能生等(2019)[14]根据地级市数据进行研究，发现高铁网络在一定程度上加剧了城市生态效率不平衡。另一部分学者则认为交通建设促使环境质量得以改善。如Song等(2016)[15]肯定了铁路对于中国环境的积极影响，认为铁路是最有效、最环保的运输方式；Yang等(2019)[16]也发现高铁使中国的污染气体排放量显著减少了7.35个百分点，其作用机制在于技术效应、配置效应以及替代效应。此外，还有一些学者认为，不能简单地将交通建设对环境的影响理解为促进或是伤害，因为这种影响具有异质性，取决于经济发展水平等因素。如孙学涛和张广胜(2021)[17]指出，由于高铁会加快发达城市将附加值低、污染排放量大的产业转移到相对贫困城市的进程，因此高铁虽降低了发达城市的排放，但增加了贫困城市的污染；蔡宏波等(2021)[18]认为，高铁开通使得污染型企业更难进入到发达节点城市，而欠发达城市反而因高铁开通吸引了更多的污染型企业，进而加剧了欠发达城市的环境污染。
（三） 关于中欧班列运行对产业效率的影响
张建清和龚恩泽(2021)[3]认为，中欧班列的开通使节点以及周边城市的全要素生产率得以提高；方慧和解欢品(2022)[4]指出，中欧班列开通对中国中西部地区、大城市以及周边城市全要素生产率有显著的促进作用，但对东部地区以及中小城市全要素生产率的影响并不显著；顾乃华和张瑞志(2022)[19]采用制造业上市公司的数据进行分析，发现中欧班列通过科技创新、提升资源配置效率显著提高了所在节点城市企业的全要素生产率。
上述研究对于认识和把握中欧班列的发展及作用具有重要的理论与现实意义，但仍有进一步拓展的空间：第一，目前关于交通建设与产业效率关系的研究结论仍有分歧，而铁路作为陆运交通中运力最大、成本最为低廉的运输工具，本身对于社会经济的影响具有独特性，因此有必要从铁路贸易与城市社会经济发展的视角出发，分析以外贸为主的中欧班列开通对城市经济发展的影响。第二，目前对中欧班列效率的研究多集中于全要素生产率，本研究将环境因素纳入到城市产业效率中进行探讨，可以更深刻地挖掘出中欧班列开通对于城市高质量发展的作用，并提供针对性的政策建议。第三，研究方法上，现有研究大多采用交叠DID方法，并未考虑可能存在的处理效应异质性，因此可能导致估计结果产生偏误。本文结合最新的理论计量文献进行异质性处理效应检验，在一定程度上弥补了传统差分方法所带来的有偏估计不足。
三、 作用机制与研究假设
（一） 中欧班列对节点城市绿色全要素生产率的直接效应
中欧班列的开通运行提高了沿线城市贸易的便捷性，降低了贸易成本，为节点城市吸引到更多的外商直接投资及高端产业，使得资本、劳动与技术等要素资源得到优化配置。参考Aschauer(1989)[20]和Barro(1990)[21]的做法，引入柯布－道格拉斯生产函数(Cobb Douglas函数)，将基础设施从总投资中独立出来，将研究的目标变量交通基础设施(中欧班列)单独列出纳入C-D函数，构建如下公式：
$$ Y=A^{\varepsilon} L^\alpha K^\beta E^\delta M^\theta T^\sigma $$ (1) 其中，产出Y是由生产技术A、劳动L、能源E、物料M、交通基础设施(中欧班列)T、以及资本K(除交通基础设施以外的资本)所决定；ε、α、β、δ、θ、σ分别表示技术、劳动力、资本、能源、物料、交通基础设施(中欧班列)的产出弹性，0＜ε、α、β、δ、θ、σ＜1。
设生产过程中污染物排放量为P。由于能源和物料消耗会产生污染物，故污染物排放量P与能源E、物料M的投入量均成正比；生产技术或者排污技术水平的提高将减少污染排放，故污染物排放量P与技术水平A成反比。具体计算公式为①：
$$ P=\frac{E^{\varphi} M^\omega}{A^\rho} $$ (2) ① 物料如金属、塑料、纺织品、木材以及其他化学品等的投入以及能源消耗在生产阶段会伴随污染物的产生，是生产活动的主要污染来源，因而短期内物料以及能源的损耗会直接产生污染排放。而资产(如设备、机器等)在使用过程中因磨损、老化导致其价值减少，会产生资本折旧，折旧本身并不会直接产生污染，但设备报废后处理不当则会产生污染。如当废弃的资本设备未经适当处理而被随意丢弃时，就可能会导致有害物质释放而对环境造成污染。后者属于比较特殊的情况，因而本研究未将机器、设备等资本的折旧纳入到(2)式中。
另外，污染物排放量P与总成本TC的关系可表示为：
$$ T C=A P_A+L P_L+K P_K+E P_E+M P_M+T P_T+P P_P $$ (3) 其中，PA、PL、PK、PE、PM、PT、PP分别表示技术价格、劳动价格、资本价格、能源价格、物料价格、交通建设的价格以及污染治理单位成本。需要说明的是，由于生产技术与排污技术关系密切，因而设ε=ρ；而能源与物料的消耗大多是用于生产后才产生污染，故有δ>φ和θ>ω。根据净收益最大化目标，则有：
$$ \max \{Y-T C\}=\max \left\{A^{\varepsilon} L^\alpha K^\beta E^\delta M^\theta T^\sigma-\left(A P_A+L P_L+K P_K+E P_E+M P_M+T P_T+\frac{E^{\varphi} M^\omega}{A^\rho} P_P\right)\right\} $$ (4) 根据一阶条件，可得：
$$ Y=\frac{P_L L}{\alpha} ; Y=\frac{P_K K}{\beta} ; Y=\frac{P_T T}{\sigma} $$ (5) $$ E=\frac{\delta Y-\varphi P P_P}{P_E} ; M=\frac{\theta Y-\omega P P_P}{P_M} ; A=\frac{\varepsilon Y+\rho P P_P}{P_A} $$ (6) 将式(5)代入式(3)，并令ε+α+β+δ+θ+σ=a，ω+φ-ρ=b。随着规模扩大，单位成本下降，产出Y存在规模报酬递增效应；相反，污染物排放量P随着技术进步而大幅下降，存在规模报酬递减效应，故有a>1，0＜b＜1。由此可得：
$$ T C=(\varepsilon+\alpha+\beta+\delta+\theta+\sigma) Y+(1+\rho-\omega-\varphi) P_P P=a Y+(1-b) P_P P $$ (7) 根据式(6)，可得出如下最优产出及最优污染物排放量的表达式：
$$ \left\{\begin{aligned} Y^* & =\frac{\rho E P_E+\varphi A P_A}{\rho \delta+\varepsilon \varphi} \\ P^* & =\frac{\delta A P_A-\varepsilon E P_E}{(\rho \delta+\varepsilon \varphi) P_P} \end{aligned}\right. $$ (8) 由于绿色全要素生产率所衡量的是考虑环境约束下的全要素生产率，因此，绿色全要素生产率可理解为除去污染排放后的单位成本的净产出效率。具体公式如下：
$$ e^*=\frac{Y^*-P^*}{T C^*}=\frac{Y^*-P^*}{a Y^*+(1-b) P_P P^*} $$ (9) 由于各要素价格由外生给定，需进行标准化处理：PP=PE=PA=1，将式(8)的Y*与P*代入式(9)，得到：
$$ e^*=\frac{(\rho+\varepsilon) E+(\varphi-\delta) A}{[a \rho-(1-b) \varepsilon] E+[a \varphi+(1-b) \delta] A}=\frac{(\rho+\varepsilon) \frac{E}{A}+(\varphi-\delta)}{[a \rho-(1-b) \varepsilon] \frac{E}{A}+[a \varphi+(1-b) \delta]} $$ (10) 令aρ-(1-b)ε=W，aφ+(1-b)δ=V，则V＞W。将e*对E/A求导，可得：
$$ \frac{d\left(e^*\right)}{d\left(\frac{E}{A}\right)}=\frac{(\rho+\varepsilon) V-(\varphi-\delta) W}{\left(W \frac{E}{A}+V\right)^2}>0 $$ (11) 由式(11)可知，d(e*)/d(E/A)>0。所以，若E/A增大，将会提高单位成本的净产出效率。由于中欧班列开通能带来技术进步，而能源技术的改进使得每单位技术所承载的能源增加，即E/A增加，因而能提高单位成本的净产出效率，亦即中欧班列的开通将提高节点城市的绿色全要素生产率。
此外，对式(8)的方程组求解并化简，得到：
$$ P^*=\frac{\delta Y^*-E}{\varphi}=\frac{A-\varepsilon Y^*}{\rho} $$ (12) 联立式(9)和式(12)并化简，可得:
$$ e^*=\frac{(\varphi-\delta) Y^*+E}{[a \varphi+\delta(1-b)] Y^*-(1-b) E} $$ (13) $$ e^*=\frac{(\rho+\varepsilon) Y^*-A}{[a \rho+\varepsilon(1-b)] Y^*+(1-b) A} $$ (14) 对式(14)中的e*关于T求偏导，得到：
$$ \frac{\partial e^*}{\partial T}=E \frac{\partial A}{\partial T}(a+b-1)(\delta \rho-\varphi \varepsilon) $$ (15) 如前文所述，由于a>1，0＜b＜1，因此有a+b>1；由于ρ=ε，δ>φ，因此有δρ>φε。中欧班列的开通可吸引外资(肖挺和叶浩，2022)[22]，而外资存在技术外溢效应；且中欧班列开通促进了区域创新水平以及创新效率的提升(李佳等，2020)[23]。所以，式(15)中的$\partial A / \partial T>0$。综上，由于a+b>1、δρ>φε、$\partial A / \partial T>0$，因而式(15)中的$\partial e^* / \partial T>0$。这意味着中欧班列的开通促进了单位净产出效率e*，即中欧班列开通能提升城市绿色全要素生产率。
同理，式(14)中将e*分别对L和K求偏导，可得：
$$ \left\{\begin{array}{l} \frac{\partial e^*}{\partial L}=E \frac{\partial A}{\partial L}(a+b-1)(\delta \rho-\varphi \varepsilon) \\ \frac{\partial e^*}{\partial K}=E \frac{\partial A}{\partial K}(a+b-1)(\delta \rho-\varphi \varepsilon) \end{array}\right. $$ (16) 资本和劳动要素的优化配置与迭代会促进生产技术的进步，即有$\partial A / \partial L>0$，$\partial A / \partial K>0$，进而有：$\partial e^* / \partial L>0, \partial e^* / \partial K>0$，说明中欧班列开通既带来资源优化配置，又促进了单位净产出效率e*。
综合上述分析，本文提出：
假设1：中欧班列开通有利于改善城市绿色全要素生产率。
（二） 中欧班列、绿色创新水平与节点城市绿色全要素生产率
一方面，城市绿色创新水平提升能改善其绿色全要素生产率。Brawn和Wield(1994)[24]认为有别于传统技术创新，绿色技术是推动经济可持续发展的创新模式。采用绿色创新技术和方法可以降低生产过程中的污染废弃物排放。同时，绿色创新水平提升可以降低生产过程中的成本，如减少废弃物处理费用、节约能源消耗等，进而提高企业的竞争力及利润空间，促进更多的产出(Kesidou和Demirel，2012)[25]。因此，绿色创新会降低城市经济增长过程中所伴随的污染排放(Grossman和Krueger，1995)[26]。
另一方面，中欧班列的开通将从两个方面促进城市绿色创新水平的提升。其一，中欧班列能促进创新环境改善。中欧班列的开通促使节点城市的外商政策、基础设施以及市场化程度等得到不同程度的改善[22]，这为创新发展提供了良好的外部环境。《2021中欧班列发展报告》强调，要持续依托中欧班列，共同推动绿色技术交流与转移基地、技术示范推广基地、科技园区等国际绿色产业技术合作交流平台的建设，为绿色创新提供了良好的环境。其二，中欧班列可促进创新要素流动。在人力资源流动方面，中欧班列的开通运营使得节点城市出口至中亚、欧洲的贸易成本下降，促进了城市贸易发展(刘斌等，2022)[27]，进一步带动地区经济的发展，而优质的人力资本往往偏向于在基础设施完善、交通便利以及经济发达的城市集聚(Debrezion等，2011)[28]。如吉赟和杨青(2020)[29]的研究发现，高铁通车使得沿线公司的专利授权以及专利申请数量显著增加，这是因为高铁提升了本科及以上学历员工、技术员工在节点城市企业劳动人口中的占比。因此，中欧班列开通将在一定程度上有利于吸引优质的人力资源流向节点城市，为绿色创新提供了人才保障。在资本流动方面，中欧班列的开通使得更多内、外资流入节点城市(张祥建等，2019；周学仁和郝佳，2023)[30-31]，可以为绿色创新研发投入提供相应的资金保障；李佳等(2020)[23]也发现，中欧班列使得沿线城市之间的分割壁垒被打破，带动了创新要素的流动。综上所述，中欧班列将通过改善创新环境以及促进创新要素的流动提高节点城市的绿色创新水平，进而促进节点城市的绿色全要素生产率，由此提出：
假设2：中欧班列通过提高节点城市绿色创新水平提升了其绿色全要素生产率。
（三） 中欧班列、产业集聚与节点城市绿色全要素生产率
中欧班列将通过产业集聚促进节点城市的绿色全要素生产率。一是欧洲市场的性质以及中欧班列运输方式的特点使得向节点城市集聚的产业多为高端产业，而高端产业往往具备“高产出，低污染”的特点，进而可提高节点城市的绿色全要素生产率。如重庆依托中欧班列吸引了惠普、华硕、博世、保时捷、LG、达能奶粉等高端企业入驻，西安通过中欧班列吸引了康佳、冠捷等高端制造企业落户①。根据国际生产折衷理论，企业会偏向选择具备区位优势的区域进行投资生产。依托中欧班列建立起来的高效物流网络、优惠的税收政策、相对较低的贸易成本以及良好营商环境，将吸引众多产业向中欧班列的节点城市集聚。另外，由于中欧班列的目的地大多是欧洲发达国家的主要城市，民众的消费能力强、消费层次高，更倾向于消费高质量的高端产品，且在国际贸易的运输方式中铁路的平均运输价格约为航空的1/5，而运行时间则约为海运的1/4。因此，中欧班列对受自然环境影响小、有一定运量规模、时效性要求较高且对运输成本并不敏感的高端产品具有很强的吸引力②。所以，中欧班开通吸引了更多高端产业集聚。值得注意的是，高端产业的集聚也会产生替代效应，即高附加值的产业在中欧班列的节点城市集聚，可能会逐步替代原有的低附加值产业。二是产业聚集在中欧班列沿线城市的产业园，园区可以实现对污染排放的集中治理，实现污染防控的规模效应。《2021中欧班列发展报告》指出，要继续依托中欧班列的运输节点，共同推动建设绿色产业合作示范基地，积极探索“班列+园区”的发展模式。由此，产业聚集使得产出的增量远大于污染排放的增量，并最终使得节点城市绿色全要素生产率提高。相关研究也表明，产业集聚程度提高所产生规模效应以及技术溢出效应，使得交通基础设施对绿色全要素生产率的促进作用将变得明显(Tan等，2022)[32]。据此提出：
① 数据来源于《2021中欧班列发展报告》。
② 根据《2021中欧班列发展报告》，随着中欧班列跨境电商专列、邮政专列以及“班列+超市”等新型服务业态的快速发展，班列运往欧洲的商品越来越多，且这些商品多为包括电子产品、汽车以及家电等在内的高端产业产品。
假设3：中欧班列通过促进产业集聚提高了节点城市绿色要素生产率。
（四） 中欧班列、融资约束与节点城市绿色全要素生产率
投资是推动城市经济增长的关键因素之一(史宇鹏和周黎安，2007)[33]，丰富的资金可以为城市各类投资项目提供更多的资金来源。一方面，投资的增加将促进居民就业，继而提高居民的收入水平，并进一步激发消费需求，推动商品和服务的需求增长，最终促使城市的生产总值也相应增加。另一方面，当城市资金充裕时，政府可以引导资金投向低碳产业(张玓等，2011)[34]。通过发展清洁能源、循环经济等低碳产业，减少传统高污染产业的比重，可以有效降低城市的污染排放。同时，绿色技术创新能减少污染排放，但由于绿色技术创新活动的投资周期较长，且其收益具有较高的不确定性，导致城市绿色技术创新活动本身面临较大的融资约束(Aghion等，2012；郭丰等，2023)[35-36]。换言之，融资约束得到缓解能够促进城市绿色技术创新活动，进而减少污染排放，提升城市绿色全要素生产率。
另外，中欧班列的开通使节点城市的外商政策以及市场化程度等均得到不同程度的改善[22]。同时，中欧班列作为中国内陆地区一种新型的贸易运输方式，能嵌入到城市的交通网络中，完善城市的交通运输网络[4]。随着营商环境的优化、优惠政策的实施以及交通网络的完善，节点城市将获得更具竞争力的区位优势，因此，中欧班列开通显著提升了节点城市对国内外资金的吸引力[30-31]，甚至“虹吸”原本属于节点城市周边的资金[22]。这意味着中欧班列的开通运营有效促进资金流向节点城市，缓解节点城市的融资约束。据此提出：
假设4：中欧班列通过缓解城市融资约束提高了节点城市绿色要素生产率。
四、 模型构建与数据说明
（一） 模型设定
考虑到2019年后的数据受疫情影响较大，故以2008—2019年中国地级市作为研究对象，删除数据缺失较多的城市，最后遴选出280个地级市，得到3 360个样本。将截至2019年年底开通中欧班列的58个城市作为实验组，剩下222个城市作为控制组。最终模型设定如下：
$$ GTFP_{i t}=\alpha_0+\beta_1 treat_i \times post_t+\beta_2 \sum X_{i t}+\mu_i+\varphi_t+\varepsilon_{i t} $$ (17) 其中，GTFPit为i城市在t年份的绿色全要素生产率；treati为实验组虚拟变量，若该城市开通了中欧班列则取值为1，反之则赋值为0；postt为开通时间的虚拟变量，样本期间内若该城市于当年上半年开通了班列，则该年及之后年份的postt赋值为1；若该城市于当年下半年开通，则将下一年及之后年份的postt赋值为1，开通之前的年份均赋值为0；treati×postt为交互项，交互项系数β1表示中欧班列开通前后对城市绿色全要素生产率的影响，其显著性及方向是本文的核心关注点。Xit为一系列控制变量，在下文的控制变量中将做具体说明；μi和φt分别表示城市个体固定效应与时间固定效应，εit为残差项。
（二） 变量选取
1. 被解释变量：绿色全要素生产率(GTFPit)
参考蔺鹏和孟娜娜(2021)[37]的做法，运用SBM模型测算2008—2019年280个城市的绿色全要素生产率。使用学者们较为常用的永续盘存法测算城市的固定资产存量作为资本投入①；能源投入与劳动投入则分别以《中国城市统计年鉴》中的全市用电量和年末从业人数来表征；城市GDP代表期望产出②；将工业二氧化硫排放量、废水排放量以及烟粉尘排放量作为非期望产出，使用matlab软件进行计算并得出结果。
① 其中，城市固定资产投资以2003年城市所在省份的固定资产投资价格指数进行平减处理。
② 城市GDP也以2003年城市所在省份的GDP平减指数进行平减处理。
2. 核心解释变量：实验组虚拟变量和开通时间虚拟变量的交互项(treati×postt)
核心解释变量treati×postt反映的是中欧班列开通前后的变化。若其系数显著为负，则表明中欧班列开通对被解释变量GTFPit有抑制作用；若显著为正，则说明中欧班列开通对被解释变量GTFPit起促进作用。该指标的估计系数为本文关注的核心。
3. 控制变量
参考相关研究，在回归方程式(17)中添加如下6个控制变量。(1)经济发展水平(lnpgdp)，以城市人均生产总值的对数表示。能源使用情况与一个地区的经济发展水平密切相关，经济发展水平越高，往往对于高污染能源的消耗量越少，能源的利用效率越高，亦即绿色全要素生产率越高(吴传清和董旭，2016)[38]。(2)财政集中度(gov)，以政府财政支出占GDP的比重来表征。该指标反映了政府对经济及环境的干预能力，政府拥有的财政预算越多，越有可能调节经济并加大对环境污染治理的投入[38]。(3)人口密度(lnpop)。人口密度与环境也密切相关，由于存在规模效应及技术溢出效应，高人口密度能够显著提高能源环境效率(刘海英和郭文琪，2022)[39]。(4)环境规制(env)，包括环境保护政策与相关法律法规。环境规制将会减少污染排放(徐浩庆等，2024)[40]。参考陈诗一和陈登科(2018)[41]的方法，采用地方政府工作报告中与“环保”相关的词汇出现的词频占报告全文字数的比重作为环境规制的代理变量。(5)城镇化率(urb)，以城镇常住人口数与全市常住人口数据之比表示。城镇化水平的提高会通过投资拉动的途径增加城市能源消费量，进而对城市能源效率起到负向影响(张兵兵等，2021)[42]。(6)外商直接投资(lnfdi)，外商直接投资能带来技术与先进的管理经验，其对绿色全要素生产率有着显著的促进作用(王兵等，2010)[43]，该变量以城市外商直接投资额的对数表示。
（三） 数据来源与说明
以2008—2019年我国地级及以上城市的数据作为研究样本。其中，有关中欧班列开通的城市、时间以及开通线路数量等数据，通过中国“一带一路”网、中欧班列网、各地方铁路局官网以及新闻报道等途径查找获得，在样本区间内共找到58个开通中欧班列的地级市①。绿色全要素生产率以及全要素率均采用SBM模型计算得出，只是前者包含非期望产出，后者则不包括；城市GDP、财政支出、人口数量、二氧化硫排放量、全市用电量等数据，源自《中国城市统计年鉴》以及各省市发展公报；固定资产投资额则源自《中国固定资产投资统计年鉴》，由于2017之后固定资产投资只报告了增速，故2017年及之后的固定资产投资额根据各省市公布的《国民经济和社会发展统计公报》增速信息计算得出。本文对初始样本数据做了如下处理：(1)剔除样本期内撤市和行政区划发生重大调整的地级市(如巢湖、莱芜、毕节、铜仁以及海东市等)以及数据缺失严重的城市(如嘉峪关)，最后筛选出280个样本城市；(2)针对部分样本城市缺失少量数据，采取移动平均值的计算方法补齐，最终得到2008—2019年共3 360个有效观察值。数据样本显示，样本期内，约有6%的观测值处于开通中欧班列的状态。
① 58个节点城市包括：包头、保定、成都、大连、大同、东莞、抚州、赣州、广州、贵阳、哈尔滨、邯郸、合肥、怀化、吉安、济南、昆明、兰州、连云港、临沂、南昌、南京、盘锦、钦州、青岛、日照、厦门、上海、上饶、深圳、沈阳、石家庄、苏州、太原、唐山、天津、威海、乌兰察布、乌鲁木齐、武汉、武威、西安、西宁、徐州、烟台、金华、银川、鹰潭、营口、长春、长沙、郑州、重庆、株洲、景德镇、南宁、巴彦淖尔、临汾。
五、 实证结果与分析
（一） 基准回归分析
为了检验中欧班列开通对节点城市绿色全要素生产率的影响，本文采用普通最小二乘法对式(17)进行估计。表 1报告了中欧班列开通对城市绿色全要素生产率的基准回归结果，其中列(1)(2)的核心解释变量treat×post均显著为正，这意味着中欧班列开通与节点城市的绿色全要素生产率存在正向关联，假设1初步得到验证。列(1)中核心解释变量treat×post系数为0.319，而列(2)加入控制变量后该系数值降为0.018，表明中欧班列的开通使得节点城市的绿色全要素生产率平均增加了1.8个百分点。此外，列(2)的控制变量如人均GDP、人口密度以及外商投资均显著促进了节点城市的绿色全要素生产率，这与前述预期一致；城镇化率和政府支出与城市绿色全要素生产率则呈显著负相关，原因可能是政府支出在一定程度上表明其对于经济的干预，而干预并不一定能促进城市的绿色全要素生产率。这是由于地方政府干预增强导致的资源配置扭曲，抑制了产业集聚对能源效率的提高(师博和沈坤荣，2013)[44]。最后，环境规制强度回归系数为负但并不显著，系数方向也与预期不一致，这可能是样本期间环境规制政策缺乏合理性，并且不符合地方经济禀赋特点。因此，政府应当针对不同的区域禀赋特征制定环境规制政策，重视不同地区的异质性特点，通过提高环境规制政策的科学性、合理性，达到发展经济与改善环境的双重目标(沈能和刘凤朝，2012)[45]。
表 1 基准回归结果变量 GTFP TFP lnwater (1) (2) (3) (4) (5) (6) treat×post 0.319***
(3.60)0.018**
(2.11)0.049***
(4.41)0.025**
(2.40)0.154***
(4.27)0.105***
(2.90)lnpgdp 0.040***
(4.73)0.066***
(6.56)-0.030
(-0.84)gov -0.142***
(-12.06)-0.307***
(-22.07)-0.171***
(-3.47)lnpop 0.111***
(3.34)0.122***
(3.11)0.802***
(5.80)urb -0.002***
(-3.87)-0.003***
(-4.54)-0.005**
(-2.06)env -0.294
(-0.30)-0.970
(-0.83)-11.185***
(-2.70)lnfdi 0.006***
(2.63)0.003
(1.17)0.003
(0.28)截距项 0.282***
(48.83)-0.688***
(-3.23)0.549***
(76.42)-0.644**
(-2.56)8.465***
(360.56)4.364***
(4.92)城市控制 是 是 是 是 是 是 年份控制 是 是 是 是 是 是 样本数 3 360 3 360 3 360 3 360 3 360 3 360 R2 0.298 0.345 0.215 0.344 0.374 0.388 注：括号内数值为t值，*、**、***分别表示10%、5%和1%的显著性水平，下表同。 表 1列(3)至(6)检验了中欧班列对于传统生产率以及污染物(以工业废水为代表)排放量的影响。其中，列(4)表明中欧班列对节点城市的全要素生产率存在显著正向关系，这与张建清和龚恩泽(2021)[3]的研究结论一致。且列(4)中核心变量系数为0.025，高于列(2)的核心解释变量系数值，表明如果不考虑生产过程中污染排放造成的负面效果，实证检验将高估中欧班列开通对社会经济和生态作用的影响。列(6)的结果也显示，中欧班列的开通对城市工业废水的排放(lnwater)起到显著促进作用，说明中欧班列开通确实会在一定程度上增加节点城市污染物的排放。
（二） 稳健性检验
1. 稳健性检验一
(1) 识别假定条件检验。DID方法的使用需要符合共同趋势性假定，若某城市中欧班列的开通运营纯属外生冲击，实验组(中欧班列开通的节点城市)与控制组(非节点城市)的城市绿色全要素生产变化趋势在班列开通之前应当保持一致，而在中欧班列开通后具有显著变化。借鉴Jacobson和Sullivan(1993)[46]的事件分析方法评估中欧班列开通冲击所带来的影响，得到：
$$ G T F P_{i t}=\beta+\sum\limits_{-2 \leqslant f \leqslant 2} \alpha_f G E R_{i f f}+\lambda \sum X_{i t}+\mu_i+\varphi_t+\varepsilon_{i t} $$ (18) 其中，GERit+f表示城市在中欧班列开通前后第f年的虚拟变量，当实验组城市处在中欧班列开通的第t+j年时该值取1，其他情况均为0。以中欧班列开通的年份为中心，考察政策实施前后2年的动态效应，以其通车2年前为基准。由于各个节点城市中欧班列开通时点不一，对不同城市而言，t+j表征不同的年份。回归结果见表 2，重点关注α-2至α2的系数值，可以看到通车前两年系数并不显著，说明中欧班列开通前实验组与控制组满足平行趋势的假定；而α0至α2的系数均显著为正，表明在中欧班列开通之后城市绿色全要素生产率出现显著的提升。
表 2 平行趋势检验变量 α-2 α-1 α0 α1 α2 GTFP -0.008(-0.52) -0.005(-0.34) 0.028*(1.80) 0.028*(1.84) 0.024*(1.85) 截距项 -1.755***(-3.39) -1.764***(-3.41) -1.682***(-3.76) -1.765***(-3.42) -3.470***(-3.07) 控制变量 是 是 是 是 是 城市控制 是 是 是 是 是 年份控制 是 是 是 是 是 样本数 516 516 516 516 516 R2 0.312 0.311 0.306 0.316 0.339 (2) 异质性处理效应检验。根据DE Chaisemartin和D′Haultfoeuille(2020)[47]的研究，在组别和时间维度上的处理效应异质性是导致双向固定效应模型产生偏误的重要原因。故参考许文立和孙磊(2023)[48]的做法，基于DE Chaisemartin和D′Haultfoeuille(2020)[47]提出的多期多个体倍分模型和对应的估计量(DIDM)，对基准回归中可能存在的异质性处理效应进行诊断。将政策发生时点前后政策处理状态发生改变的个体视作处理组，政策处理状态未发生变化的个体视为控制组，比较处理组个体实际接受处理后的结果与其反事实结果，从而得到处理效应，在加权平均后即为政策转换效应的无偏估计。图 1报告了在中欧班列开通前6期、后6期的事件研究图，以估计每一期的动态处理效应。中欧班列开通之前，节点城市的城市绿色全要素生产率提升效应并不显著，而在中欧班列开通后，效应逐渐显现，并在开通后的第2年达到较高水平。以上结果与基准回归中处理效应的符号、大小和趋势基本一致，表明基准回归通过了异质性处理效应检验，本文的研究结果稳健。
(3) 考虑政策发生时间不一致。根据Goodman-Bacon(2021)[49]的观点，当政策发生的时点不同时，双重差分估计结果会出现偏差，故需检查交叠DID是否出现估计的偏误。首先，根据研究的实际情况将控制组分为三组：第一组为样本期间开通中欧班列的城市和非开通中欧班列的城市，第二组是早开通中欧班列城市(处理组)与晚开通中欧班列城市(对照组)，第三组是样本期间内晚开通中欧班列的城市(处理组)与早开通中欧班列城市(对照组)。第一、第二组的估计为无偏估计，但第三组的估计容易出现偏差，这是由于用较早开通中欧班列的城市作为对照组的这一组处理效应是随着时间发生变化的，由此便会导致估计的偏差。另外，由于交叠DID的估计是以上三组估计的加权平均值[49]，所以，若第三组所占的权重较大将会对最终的估计结果产生较大的偏误。为检测整体估计结果是否出现偏误，本文进行培根分解，结果见图 2，其中菱形表示第一组，空心圆圈表示第二组，叉号则表示第三组(产生偏误的一组)。本文重点关注的是第三组，若其权重较小，则对研究的整体估计结果不会产生较大的影响。从图 2可知第三组偏左，表明所占比重较小，而偏右的第一组所占比重最大。表 3进一步报告了具体的权重结果，第一组占比高达92.4%，而第三组占比仅为2.3%，在三个组别中占比最小，说明其对研究整体估计结果并不会造成很大的“坏”影响。综上可知，本研究的交叠DID估计结果稳健。
表 3 城市绿色全要素生产率提升效应培根分解具体结果控制组类别 所占权重 估计值 第一组 0.924 0.033 第二组 0.053 0.023 第三组 0.023 0.003 DID加权估计结果 0.031 9 (4) 替换变量。为了更进一步验证本文回归结果，将GTFP替换为碳生产率，即城市生产总值与二氧化碳排放量的比值(GDP/CO2)，为平滑数据将该比值取对数处理。该指标反映了单位二氧化碳排放所产生的经济效益，指标数值越大，说明产出越高、污染越少、经济效益越高。需要说明的是，本文参考吴建新和郭智勇(2016)[50]的方法计算城市中二氧化碳的排放量。表 4报告了替换变量后的结果，替换指标后中欧班列开通对碳生产率的估计系数仍然显著为正，验证了研究结论的可靠性。
表 4 替换变量回归结果变量 ln(GDP/CO2) (1) (2) treat×post 0.065**(2.22) 0.069**(2.35) 截距项 1.316*(1.83) 5.425***(282.62) 控制变量 是 否 城市控制 是 是 年份控制 是 是 样本数 3 360 3 360 R2 0.292 0.269 (5) PSM-DID检验。遗漏变量可能会对估计结果产生影响，故参考何雨可等(2024)[51]的做法，进一步控制其他影响因素对研究估计的干扰。具体而言，分别运用最近邻1∶1以及1∶2匹配方法，采用DID模型中的各控制变量作为PSM过程中判断城市是否开通中欧班列选择方程中的协变量，以使得对照组与处理组样本特征更为接近，从而减少遗漏变量对估计结果的干扰。最后基于匹配后的样本进行DID回归，PSM-DID的结果如表 5所示。可以看出，列(1)至(4)中核心变量的系数均显著为正，结果依旧稳健。
表 5 PSM-DID检验变量 (1) (2) (2) (4) GTFP GTFP GTFP GTFP PSM-DID(1∶1最近邻匹配) PSM-DID (1∶2最近邻匹配) treat×post 0.055**(2.46) 0.045**(1.96) 0.039**(2.30) 0.036**(2.06) 截距项 -2.224***(-2.94) 0.243***(6.87) -2.053***(-3.30) 0.250***(9.09) 控制变量 是 否 是 否 城市控制 是 是 是 是 年份控制 是 是 是 是 样本量 378 378 545 545 R2 0.488 0.413 0.478 0.425 2. 稳健性检验二
(1) 时间安慰剂。为避免节点城市和其他城市的GTFP是由时间变化所导致，将中欧班列开通的时间分别提前1年、2年和3年(由于重庆最早开通是2011年，而样本区间是2008—2019年，为了保留所有的实验组，设置年限的区间为前后三年)，检验结果如表 6所示。其中，列(1)(2)(3)的估计系数均不显著，且随着前置时间的增加，交互项的系数以及t值越来越小，表明实验组城市和控制组城市的时间趋势没有系统性差异，证明了中欧班列开通对城市绿色全要素生产率起到积极的促进作用。
表 6 时间安慰剂检验回归结果变量 提前一年 提前两年 提前三年 (1) (2) (3) GTFP GTFP GTFP treat×post 0.014
(0.96)0.010
(0.72)0.003
(0.17)截距项 -0.691*
(-1.71)-0.696*
(-1.71)-0.708*
(-1.73)控制变量 是 是 是 城市控制 是 是 是 年份控制 是 是 是 样本数 3 360 3 360 3 360 R2 0.345 0.344 0.345 (2) 城市安慰剂检验。为避免基准回归结果受到潜在因素的影响，参考Cai等(2016)[52]的做法，通过随机替换实验组城市进行安慰剂检验。具体步骤如下：第一，在样本城市中随机抽取58个城市作为虚假的实验组城市，剩下的222个城市作为虚假的控制组城市；第二，根据式(17)进行回归，得到相对应的交互项的系数与p值。而后将第一、二步的操作重复500次，并绘成图，如图 3所示，基准回归中的交互项系数估计值为0.018，即图中的垂直虚线所示，与虚假回归的交互项系数分布没有交集，说明本文的结果稳健。
3. 稳健性检验三
(1) 西部大开发竞争性假设。节点城市的GTFP提高可能并非因中欧班开通所导致，而是由其他因素造成，因此有必要尽可能地排除竞争性因素的影响。因为大部分中欧班列节点城市位于西部地区，很自然容易让人想到西部大开发战略的实施。该战略的主要承载方式是税收优惠政策，有可能因此使产业向西部地区聚集而促使西部节点城市的GTFP改善，最终带动节点城市整体GTFP的提高。具体而言可以基于以下理由：首先，从2011—2020年，国家对设在西部地区、以《西部地区鼓励类产业目录》中规定的产业项目为主营业务、当年度主营业务收入占企业收入总额70%以上的企业，可减按15%税率缴纳企业所得税①。而中欧班列最早开通于2011年，时间点上恰好与第二轮次的西部大开发减税政策相重叠。其次，税收优惠政策也可能吸引内外资进入而形成产业集聚，促进城市的GTFP。所以，节点城市绿色全要素生产率提高可能并非在于中欧班列的开通，而是在于2011—2020年所实施的西部税收减免政策所导致的产业集聚。故而，有必要对这一可能性加以检验。
① 参见：财政部、海关总署、国家税务总局发布的《关于深入实施西部大开发战略有关税收政策问题的通知》。
考虑到西部大开发战略以2000—2010年为第一轮，2011—2020为第二轮，且第二轮税收优惠政策延续了第一轮的政策，所以，本文尝试对比2000—2010年西部节点城市与东、中部节点城市的固定资产投资以及外商直接投资的平均增长率，以此观察这期间西部税收优惠政策是否显著吸引了产业及外商直接投资。若西部节点城市的固定资产投资以及外商直接投资年均增速与东、中部节点城市并没有显著的差异，则说明2000—2010年西部大开发战略的税收优惠并没有显著提高西部节点城市的产业集聚，结论也适用于第二轮的情况，从而间接排除了在2011—2020年城市绿色全要素生产率的提高是由西部大开发税收优惠政策导致的可能性。由图 4可知，2000—2010年，西部地区节点城市的固定投资年平均增长率为24.60%，排在东、中、西地区的末位；而外商直接投资在此期间的年平均增速为48.18%，高于东部节点城市，但也低于中部节点城市。综上可知，2000—2010年西部大开发的税收优惠政策并没有使西部节点城市的固定资产投资及外商直接投资与东、中部地区的产生显著差异。所以，可以排除2010—2020年西部大开发战略税收优惠对于西部节点城市GTFP的影响。
(2) 低碳试点城市竞争性假设。考虑到国家发改委分别于2010年10月、2012年12月、2017年1月公布第一、二、三批低碳试点城市名单，各试点城市开始发展低碳产业、建设低碳城市、倡导低碳生活，此低碳政策实施时点与中欧班列开通时点存在重合，这必然给中欧班列开通对于节点城市GTFP影响的问题研究造成干扰。所以，本文尝试通过剔除时点上有重合的节点城市来回避低碳试点政策的干扰。参考张兵兵等(2021)[42]的做法，若城市在当年上半年启动试点，则将时点设为当年；若城市在当年的下半年启动试点则将时点设在当年的下一年，如2012年7月启动的试点则认为是2013年的，剔除重合时点后按式(17)进行回归①，(treat×post)*表示在剔除了与低碳试点政策时点有重叠的实验组城市后形成的新交互项。回归结果如表 7列(1)所示，交互项系数(treat×post)*显著为正，即在剔除低碳政策的影响后，结果依旧稳健，假设1得到进一步验证。
表 7 剔除干扰后的回归结果变量 GTFP (1) (2) (treat×post)* 0.026***(2.81) (treat×post)** 0.022**(2.50) 截距项 -0.685***(-3.19) -0.680***(-3.19) 控制变量 是 是 城市控制 是 是 年份控制 是 是 样本数 3 288 3 324 R2 0.346 0.346 ① 剔除的实验组城市包括：重庆、苏州、抚州、西安、烟台、银川。
(3) 高铁开通竞争性假设。相关研究指出高铁的开通也会促进开通城市的绿色全要素生产率(汪克亮等，2021)[53]。故还需要排除高铁开通的影响，本文的做法与排除低碳试点城市对结果干扰的方法一致，即剔除与高铁开通时点重合的实验组城市后再进行回归②。其中，(treat×post)**表示在剔除了与高铁开通时点有重叠的实验组城市后形成的新的交互项。回归结果如表 7列(2)所示，交互项系数(treat×post)**也显著为正，表明排除高铁开通的干扰后，假设1的结论依旧稳健。
② 剔除的实验组城市包括：大同、日照、金华。
4. 内生性检验
在样本区间内，中欧班列的开通可能存在自选择性问题，即中欧班列的开通并不是随机而是由于其他遗漏的因素影响着中欧班列节点城市的选择，这些遗漏的变量可能会对中欧班列节点城市的选择以及城市的绿色全要素生产率同时产生影响，进而使得基准回归的结果产生偏误。为解决由此产生的内生性问题，参考李佳等(2020)[23]的做法，采用古丝绸之路主要途经的城市作为工具变量(silk×post)③。理由如下：在相关性方面，古丝绸之路途经的城市更有可能成为开通中欧班列的节点城市。因为这些区域所形成的文化特征、商业环境、要素资源以及地理环境等因素均使其与中亚和欧洲更容易展开贸易，进而被选中成为中欧班列的节点城市。在外生性方面，本文从经济发展水平(lngdp)以及污染排放(Pollution)两个方面分别检验，其中，经济发展水平以城市生产总值的对数来衡量；污染排放则参照王昀和孙晓华(2017)[54]的做法，利用熵权法计算得出污染综合指数作为城市污染排放代理指标(Pollution)。结果如表 8所示，列(1)表明古丝绸之路途经城市与城市的经济发展水平关系并不显著；列(2)的回归结果也表明古丝绸之路途经城市对于城市污染排放并不存在显著作用。以上检验结果表明该工具变量满足外生的条件，故而本文结合两阶段最小二乘法与工具变量进行检验。
表 8 验证工具变量的外生性变量 lngdp Pollution (1) (2) silk×post -0.042(-0.57) 0.030(1.27) 截距项 8.084***(24.61) -0.101(-0.97) 控制变量 是 是 城市控制 是 是 年份控制 是 是 样本数 3 360 3 360 R2 0.979 0.736 ③ 陆上丝绸之路城市主要包括：平凉、固原、白银、武威、宝鸡、天水、定西、西宁、张掖、兰州、酒泉、银川、乌鲁木齐、咸阳、三门峡、庆阳、洛阳、克拉玛依。海上丝绸之路城市主要包括：广州、宁波、泉州。
表 9报告了2SLS的估计检验结果。从列(1)可以看出，古丝绸之路途经的城市对中欧班列开通有显著正向关系，且其F值为37.39(大于10)，表明该工具变量并非为弱工具变量。从第二阶段的回归结果观察，交互项treat×post的回归系数为0.033，显著为正，且大于基准回归的基准系数(0.018)，表明内生性问题确实会低估回归结果。但总体而言，中欧班列开通对于城市GTFP有积极的正向影响这一结论是可靠的。
表 9 内生性检验回归结果变量 工具变量法 (1) (2) 第一阶段 第二阶段 treat×post GTFP silk×post 0.869***(54.15) treat×post 0.033*(1.66) 截距项 -1.714***(-3.33) -0.530**(-2.00) 控制变量 是 是 城市控制 是 是 年份控制 是 是 样本数 3 360 3 360 R2 0.522 0.648 F-stat 37.39 — （三） 异质性检验
当前中欧班列的通道主要分为东通道(从满洲里出境)、中通道(从二连浩特出境)以及西通道(从霍尔果斯出境)，不同通道的节点城市对城市GTFP的影响存在显著差异。表 10报告了出境通道异质性检验结果，东通道以及西通道的中欧班列对节点城市的GTFP分别平均提高2.8%和5.1%，而中通道的中欧班列对节点城市的GTFP却有抑制作用，但结果并不显著，这与肖挺和叶浩(2022)[22]的研究结果相类似。原因可能在于不同通道服务的地区以及通行中欧班列数量的差异；东、西通道主要服务于欧洲，市场覆盖的范围更为广泛，开行的中欧班列也更多；截至2022年11月，东通道班列累计通行突破2万列，西通道则累计通行接近3万列，而中通道主要是服务于蒙古国的贸易往来，开行的中欧班列也较少。
表 10 出境通道异质性检验结果变量 东通道 中通道 西通道 (1) (2) (3) (4) (5) (6) treat×post 0.028*
(1.67)0.064***
(3.78)-0.009
(-0.68)-0.002
(-0.11)0.051***
(3.21)0.059***
(3.71)截距项 0.556
(0.81)0.278***
(22.25)-1.166**
(-2.43)0.296***
(32.42)-0.862***
(-2.94)0.269***
(29.99)控制变量 是 否 是 否 是 否 城市控制 是 是 是 是 是 是 年份控制 是 是 是 是 是 是 样本数 588 588 1 404 1 404 1 368 1 368 R2 0.396 0.307 0.351 0.293 0.374 0.345 表 11报告了区域异质性检验结果，可知中欧班列开通对于中部以及西部地区城市的GTFP分别促进了2.5%和3.7%，对东部城市也有正向联系，但结果并不显著。这可能由于东部地区的城市多是靠近沿海，改革开放以来这些城市已经形成成熟的、以海运为主体的产业集群，因此受中欧班列开通的影响较小，所以中欧班列开通对于东部地区的城市绿色全要素生产率并不会产生显著影响。而作为内陆地区的中部以及西部地区，并不能依托海运形成相对成熟的产业集群，中欧班列开通将会促进形成“沿中欧班列产业集群”，且这些产业集群多是对铁路运输价格不敏感且以欧洲市场为导向的高附加值产业，具有“高产出、低污染”的特点。所以，中欧班列对中部和西部地区城市的绿色全要素生产率有积极的正向作用。
表 11 区域异质性检验结果变量 东部 中部 西部 (1) (2) (3) (4) (5) (6) treat×post 0.001
(0.06)0.019
(1.29)0.025*
(1.94)0.033**
(2.40)0.037*
(1.96)0.042**
(2.24)截距项 -1.476***
(-2.96)0.301***
(29.82)-0.371
(-1.37)0.271***
(32.21)-0.785
(-1.15)0.270***
(23.40)控制变量 是 否 是 否 是 否 城市控制 是 是 是 是 是 是 年份控制 是 是 是 是 是 是 样本数 1 200 1 200 1 212 1 212 948 948 R2 0.320 0.267 0.468 0.401 0.277 0.273 为测度中欧班列开行范围对城市GTFP的影响，本文构建了中欧班列开行范围的交互项treat×add，以衡量中欧班列覆盖国外节点城市的范围对国内节点城市绿色全要素生产率的影响，并构建对应的回归模型如下：
$$ GTFP_{i t}=\alpha_0+\beta_1 treat_i \times a d d_t+\beta_2 \sum X_{i t}+\mu_i+\varphi_t+\varepsilon_{i t} $$ (19) 其中，addt为时间虚拟变量，若某年该城市所能到达国外节点城市个数超过3，则之后年份的addt赋值为1，城市个数小于等于3的年份则赋值为0(其中，数量3为所有国内节点城市2008—2019年所能到达国外节点城市个数的中位数)；其他变量与前文所述相一致。表 12报告了中欧班列开通范围异质性检验的结果，无论是否纳入控制变量，交互项treat×add系数均在10%的水平上显著为正，说明国内节点城市到达国外节点城市的数量越多，对国内节点城市绿色全要素生产率产生的积极效应越大。
表 12 中欧班列开行范围异质性检验变量 GTFP (1) (2) treat×add 0.026*(1.90) 0.025*(1.83) 截距项 -0.132(-1.58) 0.282***(48.76) 控制变量 是 否 城市控制 是 是 年份控制 是 是 样本数 3 360 3 360 R2 0.301 0.296 （四） 机制检验
前文的理论分析提出，中欧班列通过促进绿色创新、产业集聚以及缓解融资约束提高节点城市的全要素绿色生产率。为验证前文所提出的假设，引入中介效应模型以识别中欧班列开通促进节点城市GTFP的作用机制，具体模型如下：
$$ Med_{i t}=\delta_0+\delta_1 treat_i \times post_t+\delta_2 \sum X_{i t}+\mu_i+\varphi_t+\varepsilon_{i t} $$ (20) $$ GTFP_{i t}=\omega_0+\omega_1 treat_i \times post_t+\omega_2 Med_{i t}+\omega_3 \sum X_{i t}+\mu_i+\varphi_t+\varepsilon_{i t} $$ (21) 其中，Med为中介变量，其他变量设定与基准回归一致。根据中介效应模型，若式(17)中的交互项treati×postt的系数显著为正，式(20)中交互项treati×postt的系数δ1也显著为正，则再将中介变量置入式(21)中进行检验；若交互项treati×postt的系数ω1以及Med的系数ω2均显著为正，则表明存在部分中介效应，亦即中欧班列的开通运行通过中介变量来提高城市的绿色全要素生产率；若ω1不显著而ω2显著，则认为存在完全中介效应；若ω2不显著则认为不存在中介效应。
参考金环等(2022)[55]的做法，以绿色发明专利申请数占城市年度发明专利申请总数的比值来衡量城市的绿色创新水平①，该指标数值越大说明该城市的绿色创新水平(Inn)越高。之所以选择绿色发明专利占比，是由于这种相对数指标能更有效剔除中欧班列以外促进城市绿色创新水平的其他不可观测因素的干扰。此外，选择专利申请数占比而不是授权数占比，主要是考虑到专利授权存在一定的滞后性，一项专利从申请到被正式授权往往需要1~2年时间，相较之下专利申请数据会比授权数更可靠、更及时。如表 13列(1)所示，中欧班列开通对城市的绿色创新水平显著提高约8.9个百分点，列(2)中Inn与treat×post的系数均显著为正，且交互项的回归系数(0.014)相对表 1中基准回归的系数(0.018)出现明显下降，这表明绿色创新水平的确是中欧班列促进节点城市GTFP的重要作用机制之一，且经计算可知，绿色创新中介效应对节点城市GTFP的影响大约占到了总影响的5.0%，假设2得以证明。
表 13 机制检验变量 绿色创新 产业集聚 融资约束 (1) (2) (3) (4) (5) (6) Inn GTFP lncyjj GTFP lnyzys GTFP treat×post 0.893*
(1.88)0.014*
(1.69)0.069***
(3.80)0.017*
(1.95)0.076***
(4.20)0.016*
(1.83)Inn 0.001*
(1.66)lncyjj 0.020**
(2.37)lnyzys 0.032***
(3.66)截距项 12.72
(1.10)-0.716***
(-4.47)4.070***
(9.09)-0.771***
(-3.58)11.223***
(25.24)-1.043***
(-4.47)控制变量 是 是 是 是 是 是 城市控制 是 是 是 是 是 是 年份控制 是 是 是 是 是 是 样本数 3 360 3 360 3 360 3 360 3 360 3 360 R2 0.293 0.345 0.839 0.347 0.888 0.348 ① 数据来源于国家知识产权局，https://www.cnipa.gov.cn/col/col61/index.html。
此外，将城市年度新注册企业数来表示产业集聚，并取对数处理②。城市新注册企业数量越多，表明该城市的产业集聚程度(lncyjj)越高。若中欧班列开通吸引产业集聚，那么城市的新注册企业数量将增加。同时，规模效应及技术溢出效应将使得这些集聚的企业产量的增幅远大于污染排放的增幅，进而提高节点城市的绿色全要素生产率。如表 13列(3)所示，中欧班列开通对产业集聚水平显著提升6.9%。而列(4)的核心解释变量treat×post的系数在10%的水平上显著且其数值变小，加之lncyjj的系数也显著为正，表明产业集聚也是重要的作用机制之一，且产业集聚中介效应对节点城市GTFP的影响约占总影响的7.7%，这也验证了中欧班列通过促进产业集聚进而提高节点城市GTFP的假设，假设3得到验证。同时，进一步区分制造业产业集聚和服务业产业集聚，实证结果表明，中欧班列能通过促进制造业产业集聚以及服务业产业集聚来提升节点城市绿色全要素生产率③。
② 数据来源于爱企查企业统计数据，https://aiqicha.baidu.com/brand/detail?id=1858018208&pd=pb&pid=xlTM-TogKuTw241KcG7e-0k%2A6dyyCX9-Awmd。
③ 限于篇幅，检验结果略去备索。
参考郭丰等(2023)[36]的研究，采用城市年末金融机构各项贷款余额的对数值(lnyzys)来衡量城市融资约束，以检验假设4。城市年末金融机构各项贷款余额值越大，表明城市的融资约束越能得到缓解。融资约束机制检验结果见表 13列(5)。可以看出，核心变量的系数显著为正，说明中欧班列开通能缓解节点城市的融资约束；加之在列(6)中lnyzys与treat×post的系数均显著为正，且treat×post系数小于基准回归的系数值(0.018)，说明存在部分中介效应。经计算，融资约束中介效应对节点城市GTFP的影响约占总影响的13.5%，即假设4得到验证。
六、 结论与政策建议
本文以中欧班列为研究对象，系统分析了2008—2019年中欧班列开通对我国城市绿色全要素生产率的影响及其作用机制，并进行了异质性检验，得到以下结论：第一，中欧班列开通显著促进节点城市的绿色全要素生产率，估计结果经一系列稳健性检验后仍稳健。在控制内生性问题后，中欧班列提高中国节点城市绿色全要素生产率的幅度平均达到了3.3个百分点。第二，在班列通道方面，东、西通道对节点城市的绿色全要素生产率分别提高了2.8%和5.1%，而中通道的作用并不明显。在城市区域方面，中欧班列对我国中部及西部地区节点城市的绿色全要素生产率分别促进了2.5%和3.7%，对东部节点城市也有正向联系但并不显著。在中欧班列覆盖范围方面，国内节点城市到达国外节点城市的数量越多，中欧班列对国内节点城市绿色全要素生产率产生的促进作用越明显。第三，中欧班列通过促进绿色创新水平、提升产业集聚以及缓解城市融资约束提高了节点城市的绿色全要素生产率，三种中介效应分别占比5.0%、7.7%以及13.5%。
由此，本文提出以下建议：首先，在高水平对外开放背景下，中欧班列的开通对我国节点城市的绿色全要素生产率具有显著促进作用，表明中欧班列开通对于我国城市的高质量发展起到了积极推动作用，因而应鼓励、支持、引导更多城市(特别是内陆城市)直接或者间接参与到“沿中欧班列经济带”，依托中欧班列凸显出自身丰富的要素资源，形成高效的物流网络，并建立起良好的营商环境，进而促进地区经济高质量发展，缩小我国区域经济发展差距。其次，东、西通道在提高绿色全要素生产率中起到关键作用，因此要把这两条通道作为陆运通道建设的重心。此外，中欧班列对中部以及西部地区的绿色全要素生产率起着主要作用，因此中欧班列节点城市的建设重点应落在内陆的中、西部地区。再次，相关部门应当根据实际情况，在原有基础上合理增加国内节点城市所能到达国外节点城市的数量，尽可能让国内节点城市能够辐射更广泛的海外市场范围。最后，为促进绿色创新水平、提升产业集聚和缓解融资约束，我国节点城市应鼓励、支持绿色创新，如牵头搭建中欧绿色创新交流平台，依托中欧班列运输节点建设更多绿色产业合作示范基地、绿色技术交流与转移基地等。同时，要完善相关基础建设, 营造良好的商业环境，以吸引更多资本及高端产业流向中国节点城市。
-
表 1 基准回归结果
变量 GTFP TFP lnwater (1) (2) (3) (4) (5) (6) treat×post 0.319***
(3.60)0.018**
(2.11)0.049***
(4.41)0.025**
(2.40)0.154***
(4.27)0.105***
(2.90)lnpgdp 0.040***
(4.73)0.066***
(6.56)-0.030
(-0.84)gov -0.142***
(-12.06)-0.307***
(-22.07)-0.171***
(-3.47)lnpop 0.111***
(3.34)0.122***
(3.11)0.802***
(5.80)urb -0.002***
(-3.87)-0.003***
(-4.54)-0.005**
(-2.06)env -0.294
(-0.30)-0.970
(-0.83)-11.185***
(-2.70)lnfdi 0.006***
(2.63)0.003
(1.17)0.003
(0.28)截距项 0.282***
(48.83)-0.688***
(-3.23)0.549***
(76.42)-0.644**
(-2.56)8.465***
(360.56)4.364***
(4.92)城市控制 是 是 是 是 是 是 年份控制 是 是 是 是 是 是 样本数 3 360 3 360 3 360 3 360 3 360 3 360 R2 0.298 0.345 0.215 0.344 0.374 0.388 注：括号内数值为t值，*、**、***分别表示10%、5%和1%的显著性水平，下表同。 
下载: 导出CSV
表 2 平行趋势检验
变量 α-2 α-1 α0 α1 α2 GTFP -0.008(-0.52) -0.005(-0.34) 0.028*(1.80) 0.028*(1.84) 0.024*(1.85) 截距项 -1.755***(-3.39) -1.764***(-3.41) -1.682***(-3.76) -1.765***(-3.42) -3.470***(-3.07) 控制变量 是 是 是 是 是 城市控制 是 是 是 是 是 年份控制 是 是 是 是 是 样本数 516 516 516 516 516 R2 0.312 0.311 0.306 0.316 0.339
下载: 导出CSV
表 3 城市绿色全要素生产率提升效应培根分解具体结果
控制组类别 所占权重 估计值 第一组 0.924 0.033 第二组 0.053 0.023 第三组 0.023 0.003 DID加权估计结果 0.031 9
下载: 导出CSV
表 4 替换变量回归结果
变量 ln(GDP/CO2) (1) (2) treat×post 0.065**(2.22) 0.069**(2.35) 截距项 1.316*(1.83) 5.425***(282.62) 控制变量 是 否 城市控制 是 是 年份控制 是 是 样本数 3 360 3 360 R2 0.292 0.269
下载: 导出CSV
表 5 PSM-DID检验
变量 (1) (2) (2) (4) GTFP GTFP GTFP GTFP PSM-DID(1∶1最近邻匹配) PSM-DID (1∶2最近邻匹配) treat×post 0.055**(2.46) 0.045**(1.96) 0.039**(2.30) 0.036**(2.06) 截距项 -2.224***(-2.94) 0.243***(6.87) -2.053***(-3.30) 0.250***(9.09) 控制变量 是 否 是 否 城市控制 是 是 是 是 年份控制 是 是 是 是 样本量 378 378 545 545 R2 0.488 0.413 0.478 0.425
下载: 导出CSV
表 6 时间安慰剂检验回归结果
变量 提前一年 提前两年 提前三年 (1) (2) (3) GTFP GTFP GTFP treat×post 0.014
(0.96)0.010
(0.72)0.003
(0.17)截距项 -0.691*
(-1.71)-0.696*
(-1.71)-0.708*
(-1.73)控制变量 是 是 是 城市控制 是 是 是 年份控制 是 是 是 样本数 3 360 3 360 3 360 R2 0.345 0.344 0.345
下载: 导出CSV
表 7 剔除干扰后的回归结果
变量 GTFP (1) (2) (treat×post)* 0.026***(2.81) (treat×post)** 0.022**(2.50) 截距项 -0.685***(-3.19) -0.680***(-3.19) 控制变量 是 是 城市控制 是 是 年份控制 是 是 样本数 3 288 3 324 R2 0.346 0.346
下载: 导出CSV
表 8 验证工具变量的外生性
变量 lngdp Pollution (1) (2) silk×post -0.042(-0.57) 0.030(1.27) 截距项 8.084***(24.61) -0.101(-0.97) 控制变量 是 是 城市控制 是 是 年份控制 是 是 样本数 3 360 3 360 R2 0.979 0.736
下载: 导出CSV
表 9 内生性检验回归结果
变量 工具变量法 (1) (2) 第一阶段 第二阶段 treat×post GTFP silk×post 0.869***(54.15) treat×post 0.033*(1.66) 截距项 -1.714***(-3.33) -0.530**(-2.00) 控制变量 是 是 城市控制 是 是 年份控制 是 是 样本数 3 360 3 360 R2 0.522 0.648 F-stat 37.39 —
下载: 导出CSV
表 10 出境通道异质性检验结果
变量 东通道 中通道 西通道 (1) (2) (3) (4) (5) (6) treat×post 0.028*
(1.67)0.064***
(3.78)-0.009
(-0.68)-0.002
(-0.11)0.051***
(3.21)0.059***
(3.71)截距项 0.556
(0.81)0.278***
(22.25)-1.166**
(-2.43)0.296***
(32.42)-0.862***
(-2.94)0.269***
(29.99)控制变量 是 否 是 否 是 否 城市控制 是 是 是 是 是 是 年份控制 是 是 是 是 是 是 样本数 588 588 1 404 1 404 1 368 1 368 R2 0.396 0.307 0.351 0.293 0.374 0.345
下载: 导出CSV
表 11 区域异质性检验结果
变量 东部 中部 西部 (1) (2) (3) (4) (5) (6) treat×post 0.001
(0.06)0.019
(1.29)0.025*
(1.94)0.033**
(2.40)0.037*
(1.96)0.042**
(2.24)截距项 -1.476***
(-2.96)0.301***
(29.82)-0.371
(-1.37)0.271***
(32.21)-0.785
(-1.15)0.270***
(23.40)控制变量 是 否 是 否 是 否 城市控制 是 是 是 是 是 是 年份控制 是 是 是 是 是 是 样本数 1 200 1 200 1 212 1 212 948 948 R2 0.320 0.267 0.468 0.401 0.277 0.273
下载: 导出CSV
表 12 中欧班列开行范围异质性检验
变量 GTFP (1) (2) treat×add 0.026*(1.90) 0.025*(1.83) 截距项 -0.132(-1.58) 0.282***(48.76) 控制变量 是 否 城市控制 是 是 年份控制 是 是 样本数 3 360 3 360 R2 0.301 0.296
下载: 导出CSV
表 13 机制检验
变量 绿色创新 产业集聚 融资约束 (1) (2) (3) (4) (5) (6) Inn GTFP lncyjj GTFP lnyzys GTFP treat×post 0.893*
(1.88)0.014*
(1.69)0.069***
(3.80)0.017*
(1.95)0.076***
(4.20)0.016*
(1.83)Inn 0.001*
(1.66)lncyjj 0.020**
(2.37)lnyzys 0.032***
(3.66)截距项 12.72
(1.10)-0.716***
(-4.47)4.070***
(9.09)-0.771***
(-3.58)11.223***
(25.24)-1.043***
(-4.47)控制变量 是 是 是 是 是 是 城市控制 是 是 是 是 是 是 年份控制 是 是 是 是 是 是 样本数 3 360 3 360 3 360 3 360 3 360 3 360 R2 0.293 0.345 0.839 0.347 0.888 0.348
下载: 导出CSV
-
[1] 周黎安. 中国地方官员的晋升锦标赛模式研究[J]. 经济研究, 2007(7): 36-50. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ200707006.htm [2] 魏下海, 林涛, 张宁, 等. 无法呼吸的痛: 雾霾对个体生产率的影响——来自中国职业足球运动员的微观证据[J]. 财经研究, 2017(7): 4-19. https://www.cnki.com.cn/Article/CJFDTOTAL-CJYJ201707001.htm [3] 张建清, 龚恩泽. 中欧班列对中国城市全要素生产率的影响研究[J]. 世界经济研究, 2021(11): 106-119, 137. https://www.cnki.com.cn/Article/CJFDTOTAL-JING202111008.htm [4] 方慧, 解欢品. 中欧班列对城市全要素生产率的影响[J]. 经济与管理评论, 2022(3): 38-52. https://www.cnki.com.cn/Article/CJFDTOTAL-SDJJ202203004.htm [5] AITKEN B J, HARRISON A E. Do domestic firms benefit from foreign direct investment? evidence from Venezuela[J]. American Economic Review, 1999, 89: 605-618. doi: 10.1257/aer.89.3.605 [6] LIU Q, LU Y. Firm investment and exporting evidence from China's value-added tax reform[J]. Journal of International Economics, 2015, 97: 392-403. doi: 10.1016/j.jinteco.2015.07.003 [7] 郭进, 白俊红. 高速铁路建设如何带动企业的创新发展——基于Face-to-Face理论的实证检验[J]. 经济理论与经济管理, 2019(5): 60-74. doi: 10.3969/j.issn.1000-596X.2019.05.005 [8] 徐强. 高铁开通与企业全要素生产率——基于中国工业企业库数据的研究[J]. 现代经济探讨, 2020(1): 71-78. doi: 10.3969/j.issn.1009-2382.2020.01.008 [9] 刘冲, 吴群锋, 刘青. 交通基础设施、市场可达性与企业生产率——基于竞争和资源配置的视角[J]. 经济研究, 2020(7): 140-158. doi: 10.3969/j.issn.1002-5863.2020.07.037 [10] 黄凯南, 孙广召. 高铁开通如何影响企业全要素生产率?——基于中国制造业上市企业的研究[J]. 中国地质大学学报(社会科学版), 2019(1): 144-157. https://www.cnki.com.cn/Article/CJFDTOTAL-DDXS201901013.htm [11] LI C, ZHANG J, LYU Y. Does the opening of china railway express promote urban total factor productivity? new evidence based on SDID and SDDD model[J]. Socio-Economic Planning Sciences, 2022, 80: 101269. doi: 10.1016/j.seps.2022.101269 [12] 赵星, 王林辉. 异质性交通网络密度、劳动力流动与全要素生产率[J]. 中国流通经济, 2020(5): 95-107. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGLT202005011.htm [13] 陈杰. 交通基础设施建设、环境污染与地区经济增长[J]. 华东经济管理, 2020(9): 72-79. https://www.cnki.com.cn/Article/CJFDTOTAL-HDJJ202009009.htm [14] 罗能生, 田梦迪, 杨钧, 等. 高铁网络对城市生态效率的影响——基于中国277个地级市的空间计量研究[J]. 中国人口·资源与环境, 2019(11): 1-10. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGRZ201911001.htm [15] SONG M L, ZHANG G J, ZENG W X, et al. Railway transportation and environmental efficiency in China[J]. Transportation Research Part: Transport and Environment, 2016, 48: 488-498. doi: 10.1016/j.trd.2015.07.003 [16] YANG X, LIN S, LI Y, et al. Can high-speed rail reduce environmental pollution? evidence from China[J]. Journal of Cleaner Production, 2019, 239: 118135. doi: 10.1016/j.jclepro.2019.118135 [17] 孙学涛, 张广胜. 高铁开通、环境污染与城市经济发展[J]. 软科学, 2021(6): 103-108. https://www.cnki.com.cn/Article/CJFDTOTAL-XUXI202106016.htm [18] 蔡宏波, 钟超, 韩金镕. 交通基础设施升级与污染型企业选址[J]. 中国工业经济, 2021(10): 136-155. https://www.cnki.com.cn/Article/CJFDTOTAL-GGYY202110008.htm [19] 顾乃华, 张瑞志. 中欧班列开通能否助推企业全要素生产率提高?——基于我国制造业上市公司数据的准自然实验[J]. 广东社会科学, 2022(3): 5-14, 286. doi: 10.3969/j.issn.1000-114X.2022.03.001 [20] ASCHAUER D. Is public expenditure productive?[J]. Journal of Monetary Economics, 1989, 23(89): 177-200. [21] BARRO R J. Government spending in a simple model of endogeneous growth[J]. Journal of Political Economy, 1990, 98(5): 103-125. doi: 10.1086/261726 [22] 肖挺, 叶浩. 火车外贸能拉来真金白银吗——中欧班列吸引外资能力的实证检验[J]. 国际贸易问题, 2022 (8): 69-84. https://www.cnki.com.cn/Article/CJFDTOTAL-GJMW202208005.htm [23] 李佳, 闵悦, 王晓. 中欧班列开通对城市创新的影响研究: 兼论政策困境下中欧班列的创新效应[J]. 世界经济研究, 2020(11): 57-74, 136. https://www.cnki.com.cn/Article/CJFDTOTAL-JING202011006.htm [24] BRAWN E, WIELD D. Regulation as a means for the social control of technology[J]. Technology Analysis and Strategic Management, 1994, (3): 497-505. [25] KESIDOU E, DEMIREL P. On the drivers of eco-innovations: empirical evidence from the UK[J]. Research Policy, 2012, 41(5): 862-870. doi: 10.1016/j.respol.2012.01.005 [26] GROSSMAN G M, KRUEGER A B. Economic growth and the environment[J]. The Quarterly Journal of Economics, 1995, 110(2): 353-377. doi: 10.2307/2118443 [27] 刘斌, 李秋静, 李川川. 跨境铁路运输是否加快了中国向西开放?——基于城市—产品层面的经验证据[J]. 管理世界, 2022(8): 101-118. doi: 10.3969/j.issn.1002-5502.2022.08.008 [28] DEBREZION G, PELS E, RIETVELD P. The impact of rail transport on real estate prices: an empirical analysis of the dutch housing market[J]. Urban Studies, 2011, 48(5): 997-1015. doi: 10.1177/0042098010371395 [29] 吉赟, 杨青. 高铁开通能否促进企业创新: 基于准自然实验的研究[J]. 世界经济, 2020(2): 147-166. https://www.cnki.com.cn/Article/CJFDTOTAL-SJJJ202002008.htm [30] 张祥建, 李永盛, 赵晓雷. 中欧班列对内陆地区贸易增长的影响效应研究[J]. 财经研究, 2019(11): 97-111. https://www.cnki.com.cn/Article/CJFDTOTAL-CJYJ201911009.htm [31] 周学仁, 郝佳. 中欧班列开通、外商直接投资与均衡开放格局[J]. 财经问题研究, 2023(2): 107-118. https://www.cnki.com.cn/Article/CJFDTOTAL-CJWT202302009.htm [32] TAN R, PAN L, XU M, et al. Transportation infrastructure, economic agglomeration and non-linearities of green total factor productivity growth in China: evidence from partially linear functional coefficient model[J]. Transport Policy, 2022, 129: 1-13. doi: 10.1016/j.tranpol.2022.09.027 [33] 史宇鹏, 周黎安. 地区放权与经济效率: 以计划单列为例[J]. 经济研究, 2007(1): 17-28. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ200701001.htm [34] 张玓, 林珊, 赵颖婕. 政府在低碳产业发展中的作用——基于"钻石"模型理论的分析[J]. 学术界, 2011(7): 208-215, 291. https://www.cnki.com.cn/Article/CJFDTOTAL-SSJI201107022.htm [35] AGHION P, ASKENAZY P, BERMAN N, et al. Credit constraints and the cyclicality of R&D investment: evidence from France[J]. Journal of the European Economic Association, 2012, 10(5): 1001-1024. doi: 10.1111/j.1542-4774.2012.01093.x [36] 郭丰, 杨上广, 柴泽阳. 双创示范基地建设能促进城市绿色技术创新吗?——基于双重差分模型的检验[J]. 科学学与科学技术管理, 2023(7): 143-161. https://www.cnki.com.cn/Article/CJFDTOTAL-KXXG202307010.htm [37] 蔺鹏, 孟娜娜. 绿色全要素生产率增长的时空分异与动态收敛[J]. 数量经济技术经济研究, 2021(8): 104-124. https://www.cnki.com.cn/Article/CJFDTOTAL-SLJY202108006.htm [38] 吴传清, 董旭. 环境约束下长江经济带全要素能源效率研究[J]. 中国软科学, 2016(3): 3-83. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGRK201603007.htm [39] 刘海英, 郭文琪. 碳排放权交易政策试点与能源环境效率——来自中国287个地级市的实证检验[J]. 西安交通大学学报(社会科学版), 2022(5): 72-86. https://www.cnki.com.cn/Article/CJFDTOTAL-XAJD202205008.htm [40] 徐浩庆, 林浩锋, 邢洁. 环境规制与重污染企业的ESG表现[J]. 广东财经大学学报, 2024(1): 85-99. https://www.cnki.com.cn/Article/CJFDTOTAL-SONG202401006.htm [41] 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. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201802003.htm [42] 张兵兵, 周君婷, 闫志俊. 低碳城市试点政策与全要素能源效率提升——来自三批次试点政策实施的准自然实验[J]. 经济评论, 2021(5): 32-49. https://www.cnki.com.cn/Article/CJFDTOTAL-JJPL202105003.htm [43] 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. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201005008.htm [44] 师博, 沈坤荣. 政府干预, 经济集聚与能源效率[J]. 管理世界, 2013(6): 18. https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ201310004.htm [45] 沈能, 刘凤朝. 高强度的环境规制真能促进技术创新吗?——基于"波特假说"的再检验[J]. 中国软科学, 2012(4): 49-59. doi: 10.3969/j.issn.1002-9753.2012.04.006 [46] JACOBSON L S, SULLIVAN L. Earnings losses of displaced worker[J]. American Economic Review, 1993, 83(4): 685-709. [47] DE CHAISEMARTIN C, D'HAULTFOEUILLE X. To-way fixed effects estimators with heterogeneous treatment effects[J]. American Economic Review, 2020, 110 (9): 2964-2996. doi: 10.1257/aer.20181169 [48] 许文立, 孙磊. 市场激励型环境规制与能源消费结构转型——来自中国碳排放权交易试点的经验证据[J]. 数量经济技术经济研究, 2023(7): 133-155. https://www.cnki.com.cn/Article/CJFDTOTAL-SLJY202307007.htm [49] GOODMAN-BACON A. Difference-in-differences with variation in treatment timing[J]. Journal of Econometrics, 2021, 225(2): 254-277. doi: 10.1016/j.jeconom.2021.03.014 [50] 吴建新, 郭智勇. 基于连续性动态分布方法的中国碳排放收敛分析[J]. 统计研究, 2016(1): 54-60. doi: 10.3969/j.issn.1002-4565.2016.01.008 [51] 何雨可, 牛耕, 逯建, 等. 数字治理与城市创业活力——来自"信息惠民国家试点"政策的证据[J]. 数量经济技术经济研究, 2024(1): 47-66. https://www.cnki.com.cn/Article/CJFDTOTAL-SLJY202401003.htm [52] CAI X, LU Y, WU M, et al. Does environmental regulation drive away inbound foreign direct investment?evidence from a quasi-natural experiment in China[J]. Journal of Development Economics, 2016, 123: 73-85. doi: 10.1016/j.jdeveco.2016.08.003 [53] 汪克亮, 庞素勤, 张福琴. 高铁开通能提升城市绿色全要素生产率吗?[J]. 产业经济研究, 2021(3): 112-127. https://www.cnki.com.cn/Article/CJFDTOTAL-CYJJ202103009.htm [54] 王昀, 孙晓华. 政府补贴驱动工业转型升级的作用机理[J]. 中国工业经济, 2017(10): 99-117. https://www.cnki.com.cn/Article/CJFDTOTAL-GGYY201710008.htm [55] 金环, 于立宏, 徐远彬. 绿色产业政策与制造业绿色技术创新[J]. 中国人口·资源与环境, 2022(6): 136-146. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGRZ202206014.htm -
下载:
点击查看大图
计量
- 文章访问数: 203
- HTML全文浏览量: 58
- PDF下载量: 12
- 被引次数: 0