制造业集聚对绿色经济效率的双边影响

奥鹏网院作业

制造业集聚对绿色经济效率的双边影响*
张平淡 屠西伟

[提 要] 本文纳入空间效应对双边随机前沿模型进行改进，用于估算制造业集聚对绿色经济效率的双边影响，并基于2006—2016年中国地级及以上城市面板数据对制造业集聚的聚集效应、拥挤效应以及两者共同作用的净效应进行估计，研究结果显示：(1)中国制造业集聚对绿色经济效率的聚集效应为19.51%，拥挤效应为8.96%，净效应为10.55%，即制造业集聚有利于绿色经济效率的改进；(2)面板门槛模型分析发现，在高发展水平阶段，随着制造业集聚专业化水平的提升，净效应对绿色经济效率的边际效应呈U型变化，而随着制造业集聚的空间等级水平的提升，净效应对绿色经济效率的边际效应呈递增趋势；(3)异质性组合分析表明，经济发展不同水平阶段下，制造业集聚专业化水平和空间等级水平的变化对绿色经济效率的双边影响不尽相同，表明中国城市在制造业集聚的路径选择上存在较大的异质性和挑战性。

[关键词] 产业集聚；绿色经济效率；双边随机前沿模型；门槛模型

一、引言
工业化是近现代中国的百年夙愿。改革开放以来，工业快速赶超推动了中国现代化进程，也引起了对经济效率和可持续发展的广泛担忧。从2003年开始，历届政府工作报告都将结构调整纳入关键内容，“十一五”开始将节能减排列为结构调整和发展方式转变的主要手段，“十一五”“十二五”和“十三五”都印发了《节能减排综合工作方案》。地方政府在落实中央决策、推进结构调整的过程中，往往将制造业视为高污染、高能耗的劣质行业，是亟须摆脱的旧行业(黄群慧,2014)，甚至将工业化、制造业集聚和生态环境保护对立起来，导致出现制造业下滑过快的“去工业化”倾向(魏后凯和王颂吉,2019)。与此同时，受发达国家“再工业化”和“制造业回流”战略影响，中国制造不仅在高端价值链上发展受阻，在劳动力密集等低端价值链上还受到发展中国家的追赶冲击。新冠疫情后全球产业结构的再次深度调整，使中国不得不重新审视工业化、制造业集聚对中国经济高质量发展的作用。

中国快速工业化推动了制造业集聚，“一镇一品”“一县一行”“一城一业”所形成的特色产业集群有力推动了区域经济发展。生产要素、经济活动在空间上的集聚能够促进经济效率提升，这种聚集效应(agglomeration effects)往往会随着制造业集聚规模的扩大而消退，环境污染、空间限制等会形成抑制经济效率改进的拥挤效应(congestion effects)，两种效应共同作用决定了集聚对经济效率的总体影响(Brakman et al.,1996)，也就是说，集聚并不必然带来经济效率的提升(Brülhart & Sbergami，2009)。进入新发展阶段，制造业集聚仍是中国经济发展的典型特征，以绿色发展推动高质量发展成为共识，相应需要深入剖析制造业集聚对绿色经济效率的影响，为此，本文尝试估算制造业集聚对绿色经济效率的双边效应及其异质性影响，并致力于以下两个方面的改进：第一，将空间效应纳入双边随机前沿模型(two-tier stochastic frontier model)，测算制造业集聚对绿色经济效率的双边影响，量化聚集效应、拥挤效应以及两者共同作用的净效应，丰富本领域的相关研究；第二，更为全面考虑制造业集聚的异质性，一是从制造业集聚的专业化水平、空间等级水平来刻画制造业集聚程度，前者反映一座城市内部的制造业集聚的专业化程度，后者反映制造业集聚在城市之间的空间等级水平，二是从城市经济发展不同水平阶段来细化讨论。

二、文献评析
产业集聚是经济发展的典型事实，也是推动经济发展的主要推力。传统的美国五大湖区、德国鲁尔工业区，以及第三次工业革命之后形成的美国硅谷、日本九州、印度班加罗尔、中国长三角和珠三角，都是各国在工业化进程中形成的产业集聚区，在区域经济社会发展过程中发挥着重要作用。

经济活动的空间集聚与经济增长高度相关，可是，产业集聚并不必然能够提升经济效率。威廉姆森假说(Williamson hypothesis)认为，在经济发展初期，生产要素、经济活动的空间集聚应该能够促进经济效率的提升，不过，达到一定发展水平之后，促进作用可能消失甚至为负(Williamson,1965)。新经济地理学派认为，经济活动的空间集聚是两种对立力量相互作用的结果，其中，向心力(centripetal force)推动经济活动和要素在空间上集聚，而离心力(centrifugal force)却推动其在空间上扩散(Fujita & Thisse,1996)。在向心力推动下，生产要素、劳动力市场趋于集中，进一步带来投入共享和知识溢出，有助于技术扩散，还可以加强企业间的投入产出关联与合作互补，降低企业间的交易成本与风险，形成促进经济效率提升的聚集效应；不过，随着集聚规模的不断扩大，集聚空间内的企业面临市场容量、地理空间和资源的限制，还会面临基础设施短缺和环境污染问题，形成抑制经济效率改进的拥挤效应，聚集效应和拥挤效应共同作用决定了集聚对经济效率的总体影响(Brakman et al.,1996)。

(一)产业集聚与劳动生产率、全要素生产率
规模经济是集聚的基础，有利于经济效率提升，相应现有研究普遍认为产业集聚能够促进劳动生产率的提升，其中，Ciccone & Hall (1996)利用美国数据估计了制造业集中对劳动生产率的溢出效应，发现就业密度提升使劳动生产率提高6%；Ciccone(2002)基于法德意西英等五国的数据实证发现，就业密度提升使劳动生产率上升4.5%；Hu et al.(2015)利用中国制造业企业数据实证发现，工业集聚对生产率增长的贡献率高达14%。相较而言，全要素生产率比劳动生产率更能反映经济增长的核心动力，继劳动生产率之后，产业集聚与全要素生产率的相关实证研究也开始丰富起来，大多讨论的是产业集聚与全要素生产率的非线性关系(Rizov et al.，2012)，如倒U型(Gopinath et al.，2004)、N型(于斌斌等，2015)等，认为经济规模扩张和经济集聚程度扩大最终会导致拥挤效应的显现和放大。少量研究还考察了产业集聚对不同行业(范剑勇等，2014)、不同所有制企业(Gokan et al.，2019)全要素生产率的影响，甚至是新企业加入对既有企业全要素生产率的影响(Martin et al.，2011)。

产业集聚对经济效率的影响，取决于聚集效应和拥挤效应的相对大小(Brülhart & Mathys,2008)，如果聚集效应强于拥挤效应，则产业集聚促进经济效率提升，反之亦然。不过，现有研究尚没有细致识别和捕捉这两种效应，一旦发现产业集聚对经济效率的总体影响为负，就认定存在拥挤效应，在实证方法上大多加入产业集聚度的二次项，认为集聚规模和经济效率存在拐点或存在最优集聚规模(徐维祥等，2011)，如果二次项不显著，就认为拥挤效应不存在或者可以不考虑(程中华和张立柱,2015)。进一步对产业集聚度进行划分，如根据制造业聚集效率特征对集聚类型进行划分(汪彩君和唐根年，2011)，在此基础上借助门槛模型对两种效应的共同作用结果进行分析，将门槛值作为集聚对经济效率影响的临界点(沈能等,2014)。

(二)产业集聚与绿色经济效率
随着对可持续发展的关注，产业集聚对绿色经济效率影响的研究开始兴起。相对于劳动生产率和全要素生产率，绿色经济效率将资源、环境代价纳入考量(刘耀彬等,2017)，要求在减少不可再生资源投入和污染物排放的同时，改进经济效率，这更加符合经济高质量发展的内涵。现有研究关于经济集聚和绿色经济效率的实证检验结果基本一致，普遍认为产业集聚与绿色经济效率间存在U型关系(胡安军等,2018; Wang &Wang,2019; Chen et al.,2020; Guo et al.,2020)，可能的原因是在集聚初始阶段，粗放的经济发展模式导致了一系列环境问题，不利于绿色经济效率的提升；随着集聚规模进一步扩大，资源配置进一步优化，污染处理的规模效应逐步显现，清洁生产的知识溢出和技术扩散也会发挥作用，能够提升环境绩效(Wang & Wang，2019)，有利于绿色经济效率的提升。

制造业集聚对绿色经济效率的影响也取决于聚集效应和拥挤效应的共同作用：聚集效应大于拥挤效应，即制造业集聚有利于绿色经济效率的提升；聚集效应小于拥挤效应，即制造业集聚不利于绿色经济效率的提升(张平淡和屠西伟，2021)。类似研究仍是引入产业集聚度二次项的形式来进行探讨，其中，胡安军等(2018)认为高新技术产业集聚没有导致拥挤效应，也就是说，不同行业的产业集聚对绿色经济效率的影响可能有所不同，有些行业的拥挤效应可能超过了聚集效应(屈小娥等，2019)，此外，林伯强和谭睿鹏(2019)实证认为经济集聚存在最优水平，若集聚度大于临界值，那么集聚对绿色经济效率的影响就是负向的，据此推断拥挤效应占主导地位。显然，这些研究还是不能识别和捕捉制造业集聚对绿色经济效率的双边影响，无法估计或测度聚集效应、拥挤效应以及两者共同作用的净效应，从而无法全面认识和揭示绿色经济效率改进的趋势或方向，也就无法为政策制定提供有效借鉴。

随着对可持续发展的重视和对高质量发展的追求，不仅应该关注制造业集聚对绿色经济效率的提升，还应该关注拥挤效应的抑制，不能以能源消耗、资源浪费、污染排放等来换取一时的经济增长或聚集效应的拉升，而应是聚集效应有所提升且拥挤效应有所下降，或是聚集效应大幅提升且拥挤效应几乎不变。进一步，需要关注制造业不同集聚水平下聚集效应、拥挤效应对绿色经济效率的影响，这对各地区确定是否继续推动制造业集聚具有极其重要的政策意义，因此，需要捕捉和识别制造业集聚对绿色经济效率的双边影响，需要对聚集效应、拥挤效应及两者共同作用的净效应进行估计。此外，制造业集聚是一种空间现象，不同城市在经济发展过程中存在相互联系，也就需要考虑制造业集聚对绿色经济效率影响的空间因素，相应，在捕捉和识别制造业集聚对绿色经济效率双边影响的过程中要将空间效应纳入其中。

三、效应识别
讨论和评估制造业集聚对绿色经济效率的影响，主要面临两个挑战：一是识别问题，传统估计方法无法识别和捕捉聚集效应和拥挤效应的具体大小；二是内生性问题，制造业集聚在产生两种效应的同时，可能也会受到两种效应的反向影响(范剑勇,2006)，同时还存在空间遗漏变量问题。

在识别问题的处理上，Kumbhakar & Parmeter(2009)通过理论推导认为双边随机前沿模型可以较好估计双边影响，适合于双边效应的测度(卢洪友等,2011；Liu et al.,2019)，在此，为测度制造业集聚对绿色经济效率的聚集效应和拥挤效应，同样建立双边随机前沿模型，模型如下：

GEi=μ(xi)+ξi, ξi=wi-ui+vi

(1)

GE为实际观测到的绿色经济效率；μ(xi)=x′iβ，是期望的绿色经济效率；β为待估参数向量，xi为城市特征向量，vi为随机扰动项；wi和ui为制造业集聚产生的两种效应，即聚集效应和拥挤效应。不妨假设wi和ui服从指数分布(Kumbhakar & Lovell,2000)，即width=375,height=17,dpi=110且误差项与特征变量不相关。

在内生性问题的处理上，本文将空间自回归模型(SAR)引入双边随机前沿模型(Glass et al.,2016)，控制因变量空间滞后项WGEi，进而将双边随机前沿模型拓展为SAR双边随机前沿模型。实际上，加入空间项不仅在一定程度上避免因空间相关性而产生的遗漏变量偏误问题，还在一定程度上提高模型对双边效应的识别精度(Kutlu，2018)。在此，本文加入因变量的空间滞后项WGEi，模型设定如下：

μ(xi)=x′iβ+ρWGEi

(2)

Elhorst(2014)认为当模型中含有空间效应时，可直接使用更具一般意义的空间杜宾模型(SDM)进行空间计量估计，相应，可以考虑进一步将空间杜宾模型(SDM)与双边随机前沿模型结合，进而拓展为杜宾双边随机前沿模型(Glass et al., 2016)，这在一定程度上能够进一步提高双边效应的识别精度，故在式(2)基础上引入空间杜宾模型(SDM)，即将解释变量的空间滞后项WXi引入μ(xi)中，尽可能提高模型的估计精度，模型设定如下：

μ(xi)=x′iβ+ρWGEi+γWXi

(3)

这样式(1)最终设定为如下形式：

GEi=x′iβ+ρWGEi+γWXi+ξi,

ξi=wi-ui+vi

(4)

为了测度β，γ参数向量和ρ参数，以及聚集效应wi和拥挤效应ui，在此采用极大似然估计方法(MLE)来估计模型(4)。

基于以上设定，推导出ξi的概率密度函数，如下：

width=313,height=85,dpi=110
(5)

其中，φ(·)，Φ(·)分别为标准正态分布的概率密度函数和累积分布函数，其余参数设定如下：

width=281,height=41,dpi=110
width=108,height=35,dpi=110
基于上述参数估计，在n个观测样本中，估计极大似然函数可以表达为：

lnL(X;θ)=width=231,height=38,dpi=110

+ebiΦ(hi)]

(6)

其中，θ=[β,γ,ρ,σu,σv]′，利用对数似然函数的最大化，可获得参数的估计值。

为估计wi和ui，进一步推出两者的条件密度函数：

width=269,height=38,dpi=110
(7a)

width=354,height=38,dpi=110
λ=1/σu+1/σw

(7b)

基于式(7a)、(7b)可推出wi和ui的条件期望(1)限于篇幅，未报告具体函数形式。，以衡量聚集效应和拥挤效应使得绿色经济效率偏离前沿水平的绝对程度。为便于比较分析，进一步将绝对程度值转换成聚集效应和拥挤效应高于、低于前沿水平的百分比(刘建江和石大千，2019)，转换公式如下：

NEwidth=193,height=32,dpi=110

width=308,height=58,dpi=110
(8a)

PE=width=178,height=32,dpi=110

width=310,height=58,dpi=110
(8b)

其中PE是制造业集聚的聚集效应使绿色经济效率高于前沿水平的百分比，NE则是拥挤效应使绿色经济效率低于前沿水平的百分比。(2)这里的前沿水平概念来自双边随机前沿模型，在本文中指的是在不存在聚集效应和拥挤效应的情况下，GEi=μ(xi)+vi，此时并未加入制造业集聚所形成的双边影响，称为绿色经济效率的前沿水平。

这样，基于式(8a)、(8b)推导出聚集效应和拥挤效应两者共同作用对绿色经济效率的净效应：

NS=E(1-e-wi|ξi)-E(1-e-ui|ξi)

=E(e-ui-e-wi|ξi)

(9)

需要强调的是，由于参数σu只出现在ai，ci中，σw只出现在bi，hi中，故两者可识别，无须事先假定聚集效应和拥挤效应的相对大小(卢洪友等，2011)。在经验估计中，进一步将制造业集聚引入到两个单边误差项的分布中，以捕捉制造业集聚对两个单边误差项wi和ui的影响(Parmeter,2018；Liu et al.,2019)。

四、变量与数据
(一)绿色经济效率
借鉴Zhou & Ang(2008)、林伯强和谭睿鹏(2019)的做法，使用非径向方向距离函数在超效率框架下构造绿色经济效率的评价指标。将每个城市作为一个决策单元，在方向距离函数中将资本K和劳动L投入权重设置为0，能源投入(E)、城市实际生产总值(3)以2002年为基期进行平减。(GDP)、工业废水(WW)、工业烟尘(SD)、工业二氧化硫(SO2)的权重分别设置为1/3，1/3，1/9，1/9和1/9，最终构建第m个城市在第t期的绿色经济效率：

width=331,height=129,dpi=110
(10)

式(10)中，width=199,height=20,dpi=110为超效率DEA模型的最优解。

投入指标中，L以城市就业人数度量；K则借鉴刘常青等(2017)的测度方法，对资本存量进行测算；E以全市用电量来表征(Guo et al.,2020)。产出指标中，期望产出以城市实际生产总值表征，非期望产出以WW，SD，SO2表征。

(二)制造业集聚
相对于传统产业集聚度量指标，如EG指数、Hoover指数等，区位熵在地区产业专业化程度等方面具有良好的测算优势，被广泛采用(Dong et al.,2020)。不过，区位熵可以用来反映城市制造业集聚的专业化程度(范剑勇等,2014)，即城市内部制造业聚集的专业化程度，但无法反映城市之间制造业集聚的等级水平差异。一般而言，城市制造业水平在区域范围内的等级不同，往往会造成制造业在区域内分工地位的差异，有些城市会成为区域制造中心，立足价值链的高端制造业行业，有些城市会成为制造业卫星城市，从事低端制造行业，形成等级势差(陈阳和唐晓华,2018)。势差的存在会影响知识溢出、技术扩散等，进而对绿色经济效率产生影响。知识溢出、技术扩散等具有空间衰减特征(Keller, 2002)，而反映专业化程度的区位熵无法体现聚集效应随距离衰减特征，这就决定了区位熵无法刻画等级势差所产生的影响，为此，本文从两个维度来测度制造业集聚，一是MA，反映制造业集聚的专业化水平，二是DMA，反映制造业集聚的空间等级水平，具体测算方法如下：

width=193,height=58,dpi=110
(11)

DMAit=MAit/W·MAit

(12)

其中，i表示城市，t表示时间；xit表示城市i制造业就业人数,∑ixit表示制造业的总就业人数，∑sxit表示城市i的总就业人数；∑i∑sxit表示全国总就业人数；W为空间权重矩阵(4)两个矩阵均做行标准化处理。：

width=161,height=44,dpi=110
width=176,height=41,dpi=110
(13)

式(13)中，dij表示城市i到j的球面距离。为缓解内生性，本文将MAit和DMAit进行滞后一期处理。

(三)控制变量
根据现有研究，控制如下变量：(1)地区经济发展水平(Gdp)。Grossman & Krueger(1995)认为环境质量与地区经济发展水平密切相关。(2)城市化(Urban)，城市化在推动经济发展的同时也带来环境污染、城市拥挤等问题，而且，城市化的外部性对绿色经济效率有很大的影响。(3)基础设施(Road)。城市基础设施的建设和改善有利于降低企业内外部交易成本，提升绿色经济效率。(4)信息化水平(Tel)。信息化水平的提高，能够大大便利生产要素的流动、信息和技术的扩散，促进绿色经济效率提升，不过，若只是硬件上的更新而非软环境改善，则作用有限(陈阳和唐晓华，2018)。(5)环境规制(Regu)。Jaffe & Palmer(1997)认为环境规制与产出增加、效率改进是不违和的，适当的环境规制可以刺激企业创新，甚至可以视环境规制为“免费的午餐”(free lunch)，能够帮助企业实现产出增加。(6)政府干预(Gove)。政府对市场适度干预可以改善资源配置，有利于绿色经济效率提升，当然，如果政府过度干预，会导致资源错配，不利于绿色经济效率改进。(7)能源消费结构(EC)。地区能源消费总量越大，工业能源消费占比越高，所产生的污染越大，不利于绿色经济效率的提升。(8)产业结构(IS)。一般来说，第二产业比重越高，污染排放更为严重，不利于绿色经济效率的提升。(9)对外开放(Open)。污染避难所假说(pollution haven hypothesis)认为外商投资会导致一些污染企业从发达国家转移，加剧转入地环境污染水平，但污染光晕假说(pollution halo hypothesis)认为外商投资会带来先进的管理经验和技术，有利于提升绿色经济效率。

(四)数据来源
灯光原始数据来源于美国国家海洋和大气管理局(NOAA)，其余数据均来自2007—2017年《中国城市统计年鉴》。在数据处理过程中，将外商投资水平按历年人民币的平均汇率进行折算，对于个别缺失数据采用线性插补方法进行处理。

本文研究对象主要是中国地级及以上城市，由于行政区域调整和关键数据严重缺失，最终研究对象确定为277座城市。

(五)描述性统计
主要变量的描述性统计见表1。

(六)空间自相关性检验(5) 限于篇幅，详细空间检验过程及其相关描述未放入正文，若需了解详细情况请与作者联系。
为检验绿色经济效率(GE)是否存在空间上的相关性，从而说明引入空间模型进入双边随机前沿模型的合理性，并验证控制空间滞后变量以降低遗漏变量偏误问题思路的正确性，本文对GE展开空间自相关检验，根据莫兰指数公式进行检验，检验结果表明中国城市绿色经济效率具有空间正相关性。

五、效用测算
(一)模型筛选
利用改进的双边随机前沿模型对制造业集聚的聚集效应、拥挤效应和净效应进行测度，表2汇报了回归估计结果。模型(1)采用最小二乘估计(OLS)，模型(2)-(9)采用双边随机前沿模型下极大似然估计方法。在模型(1)的 基 础 上，模>型(2)采用双边随机前沿模型对聚集效应和拥挤效应进行测度，此时假设两种效应是同质的；模型(3)放宽模型(2)中的假设，将制造业集聚的专业化水平MAit-1纳入，认为两种效应随着制造业集聚的专业化水平不同而发生改变；模型(4)进一步加入制造业集聚的空间等级水平DMAit-1，用以反映制造业集聚的等级势差或水平对聚集效应和拥挤效应的影响；模型(5)控制时间固定效应(Year)，模型(6)进一步控制省份固定效应 (Pro)，以缓解不可观测变量导致的内生性问题；模型(7)控制WGE，模型(8)、模型(9)进一步控制WX，以避免因空间相关性而产生的遗漏变量偏误问题，其中，模型(8)空间滞后项是基于距离矩阵计算得出(Wd2z)，模型(9)空间滞后项是基于0-1矩阵计算得出(W01z)。

表1 主要变量的描述性统计

width=745,height=363,dpi=110
表2 双边随机前沿模型估计

width=744,height=932,dpi=110 width=745,height=173,dpi=110
注：*，**，*** 分别表示10%，5%，1%的水平下显著，括号内为t统计量。下同。

从对数似然函数值(Log Likelihood(ll))值来看，模型(9)的ll值为-79.208 2，拟合效果最好。为了进一步验证模型(9)的合理性，即加入空间效应的合理性，本文分两步进行检验：第一步，检验模型(6)和模型(7)，结果显示，LR统计量为27.10，在1%的水平上显著拒绝模型(6)嵌套于模型(7)的原假设，说明引入空间滞后模型具有合理性；第二步，检验模型(7)和模型(9)，结果显示，LR统计量为148.63，在1%水平上拒绝模型(7)嵌套于模型(9)的原假设，表明两个模型之间存在显著差异，说明引入空间杜宾模型具有合理性。结合ll值大小来看，模型(9)是基础模型的最优选择。

(二)效应估计
根据表2模型(9)的回归结果，可以估算出制造业集聚的聚集效应和拥挤效应，并检验两种效应在复合干扰项中的重要程度，结果见表3。由表3可知，聚集效应估计结果为0.245 3，拥挤效应为0.098 4(6) 此处，聚集效应和拥挤效应的大小反映的是绿色经济效率偏离前沿水平的绝对程度，仅在数值大小上做了比较。为方便对比分析，效应估计部分可以转化为百分比形式，转换公式见式(8a)、式(8b)。，聚集效应大于拥挤效应，E(w-u)=σw-σu=0.245 3-0.098 4=0.146 9，即样本期内中国制造业集聚促进了绿色经济效率的提升。从影响比重来看，GE无法解释部分的总方差width=79,height=17,dpi=110为0.076 9，聚集效应和拥挤效应共同解释了GE总方差的90.80%，可见，制造业集聚对绿色经济效率具有重要的影响，其中，约86.13%的绿色经济效率未解释的变化归因于聚集效应的影响，其余13.87%归因于拥挤效应的影响。

表3 聚集效应和拥挤效应的方差分解

width=745,height=228,dpi=110
为进一步分析制造业集聚的双边效应使绿色经济效率偏离前沿水平的百分比及最终的净效应比例，基于式(8a)、式(8b)、式(9)进行估计，估计结果如表4所示。由表4可知，平均而言，制造业集聚的聚集效应(PE)使得绿色经济效率高于前沿水平19.51%，而拥挤效应(NE)使得绿色经济效率水平低于前沿水平8.96%，两者共同作用的净效应(NS)使得绿色经济效率高于前沿水平10.55%，即聚集效应大于拥挤效应，样本期内中国制造业集聚推动了绿色经济效率的提升。表4后三列(Q1-Q3)呈现了聚集效应、拥挤效应和净效应按四分位数划分的估计结果特征，有较强的异质性。

表4 聚集效应、拥挤效应和净效应的估计结果

width=745,height=117,dpi=110
注：四分位数(Q1，Q2和Q3)的值是根据相应影响的变化按升序排列。

(三)分布特征
1.频数分布特征。

图1、图2、图3清晰呈现了聚集效应、拥挤效应和净效应的频数分布特征。

width=353,height=293,dpi=110
图1 聚集效应频数分布

width=354,height=291,dpi=110
图2 拥挤效应频数分布

width=364,height=292,dpi=110
图3 净效应频数分布

由图1和图2可知，无论是聚集效应还是拥挤效应，其分布都呈现右拖尾的特征，这说明少数城市绿色经济效率对制造业集聚的波动较为敏感，其中，图1说明聚集效应在80%位置仍有拖尾现象，图2说明拥挤效应在50%的位置仍有拖尾现象。图3则说明并不是所有城市制造业集聚都会对绿色经济效率有促进作用，有些城市样本的净效应是负值。进一步分析可以看到，76.02%样本城市的净效应大于零，即聚集效应占主导，23.98%样本城市的净效应小于零，即拥挤效应占主导。这些净效应小于零的样本城市，大多处于中低收入发展阶段，制造业集聚多以劳动力、资源等基础要素的空间集聚为主，聚集效应有限，拥挤效应较大。闫逢柱和乔娟 (2010) 的研究也表明，生产要素的拥挤效应最先出现在低技术密集型、劳动力密集型产业，这些城市可能提前迎来净效应边际收益递减趋势，最终表现为净效应小于零。

2.年度分布特征。

分年度统计了聚集效应、拥挤效应和净效应的年度分布特征，见表5。

表5结果显示，从均值结果来看，在2006—2016年的样本期内，净效应均为正值，大体呈现倒U型特征，在2013年达到峰值12.06%；聚集效应、拥挤效应大体也呈现倒U型特征，其中，聚集效应在2013年达到峰值，为21.15%，拥挤效应在2012年达到峰值，为9.13%。受“去工业化”影响，2014—2017 年制造业就业比重快速下降了 2.7 个百分点，制造业增加值占 GDP 的比重在2012—2016 年快速下降了2.7 个百分点(魏后凯和王颂吉，2019)，使得部分地区制造业集聚程度出现波动下降，影响了聚集效应的作用发挥。为直观了解倒U型特征出现的可能原因，本文根据2019年赛迪顾问公司发布的《中国先进制造业城市发展指数》50强名单，选择沈阳市、常州市、镇江市、威海市、福州市、泰州市、南通市和金华市作为典型分析对象，比对集聚程度下降时间与净效应下降的年份时间，结果发现，这八座城市制造业专业化集聚水平在2013—2016年间总体呈下滑趋势，与此同时净效应曲线也出现同步下降趋势，两者下降趋势在时间上基本吻合，这表明“去工业化”对制造业集聚的冲击可能是净效应年度趋势(倒U型)变化的重要原因。(7)限于篇幅，本部分对八座城市的详细描述和趋势比对未列于正文，需要了解详细情况请向作者索取附件。

表5 效应的年度分布特征

width=745,height=393,dpi=110
分位数的规律并不显然，在第一个分位数(Q1)中，拥挤效应、聚集效应在样本期间内呈现U型特征，而且，净效应在样本期间基本为负，说明制造业集聚不利于绿色经济效率提升；在第二分位数(Q2)、第三分位数(Q3)中，聚集效应、拥挤效应和净效应呈波动状态。

3.区域分布特征。

按东、中、西部的区域划分，分别统计了聚集效应、拥挤效应和净效应的平均值，见表6。

表6结果显示，从时间趋势来看，东、中、西部地区净效应在2013年前后达到峰值，随后便出现下降趋势，这与年度分布特征相近。从均值结果来看，样本期内西部地区的净效应(14.50%)>中部地区(10.15%)>东部地区(8.96%)，同样，聚集效应是西部地区(22.77%)>中部地区(18.74%)>东部地区(18.72%)，而拥挤效应是东部地区(9.77%)>中部地区(8.59%)>西部地区(8.27%)。

从拥挤效应来看，东部地区在样本期内呈现倒U型，或许是近些年产业梯度转移所致，即随着东部地区劳动力成本不断提高和资源紧张，拥挤效应的约束性作用逐渐凸显，部分地区开始发展附加值更高的技术密集型与知识密集型制造业，从而对占有资金、土地面积较大的资本密集型制造业和附加值低、创新能力不强的劳动密集型制造业形成挤出态势(章屹祯等，2019)，致使劳动密集型制造业向中西部地区大规模转移，“腾笼换鸟”政策在一定程度上扭转了拥挤效应上升势头。从聚集效应和净效应来看，制造业集聚在西部地区能够发挥更大的聚集效应，对绿色经济效率的提升作用更大，或许与当地工业化进程相对滞后有关，不过，需要关注的是，在西部地区，拥挤效应大体是逐年上升的，这可能是由于西部地区承接的产业主要以劳动密集型产业和原材料加工产业为主(刘明等，2020)，而这些产业也是拥挤效应最先出现的行业(闫逢柱和乔娟,2010)，因此，西部地区在承接东中部产业转移、推进工业化的过程中，要避免重蹈东中部的旧路子，要防止拥挤效应的持续上升。

表6 效应的区域分布特征 单位(%)

width=744,height=375,dpi=110
六、异质性分析
(一)门槛模型设定
前文基于双边随机前沿模型，将制造业集聚对绿色经济效率产生的聚集效应、拥挤效应和净效应进行了估计，从总量角度解释了制造业集聚对绿色经济效率的双边影响，还有必要从增量角度分析不同制造业集聚水平下聚集效应、拥挤效应和净效应对绿色经济效率的非线性影响。在此，借助面板门槛模型对这种非线性影响进行检验(Hansen,1999)(8) 这里本文仅给出单一门槛的回归模型，多重门槛模型以此类推。另外，在门槛变量的处理上本文采用滞后一期的形式，以尽可能满足门槛变量外生性假定，避免因门槛变量与被解释变量相关而导致的内生性问题。模型中大写字母表示参数向量，小写字母仅表示单个变量参数。:

GEit=b0+b1PEit(Qit<λ1)+b2PEit(Qit>λ1)

+B3Xit+B4WXit+B5WGEit+τi

+ηt+εit

(14)

GEit=c0+c1NEit(Qit<λ1)+c2NEit(Qit>λ1)

+C3Xit+C4WXit+c5WGEit+τi

+ηt+εit

(15)

GEit=d0+d1NSit(Qit<λ1)+d2NSit(Qit>λ1)

+D3Xit+D4WXit+d5WGEit+τi

+ηt+εit

(16)

其中，i表示城市，t表示时间。PEit，NEit和NSit是关注的核心解释变量，分别表示各城市的聚集效应、拥挤效应和净效应，Qit为门槛变量，采用MAit和DMAit进行度量，λ为门槛值，Xit表示一系列控制变量。此外，为降低遗漏变量偏误，控制空间滞后项WXit和WGEit，以及个体与时间的固定效应，分别用τi和ηt代表，εit为误差项。

以制造业集聚专业化水平(MA)和空间等级水平(DMA)为门槛变量的分析中，发现净效应(NS)、聚集效应(PE)对绿色经济效率(GE)的边际影响均显著为正，而且随门槛区间的上升而呈现递减趋势。(9)此处未给出拥挤效应NE的面板门槛回归结论是因为在以MA、DMA为门槛变量的检验中，未发现存在具体门槛。限于篇幅，未报告检验过程和结果，若需了解详情可联系作者。

(二)门槛个数检验(10) 限于篇幅，详细检验过程及结果若需了解详情可联系作者。
在经济发展水平的不同阶段，制造业集聚对绿色经济效率影响的净效应可能存在差异，为此，以城市人均实际生产总值(RGDP)(11) 以2002年为基期，对名义GDP进行调整，得到实际GDP，从而算出人均实际GDP。为门槛变量，净效应(NS)为自变量，寻找区间分界点。(1)检验结果显示，RGDP存在两个门槛值，分别是3.292 4，0.918 7。(2)依据3.292 4，0.918 7门槛值，将样本划为RGDP≤0.918 7，0.918 7<RGDP≤3.292 4和RGDP>3.292 4三个发展水平阶段。(3)在经济发展不同水平阶段内，以制造业集聚专业化水平MA和空间等级水平DMA为门槛变量，NS为自变量进行门槛个数检验，同样寻找区间分界点。

检验结果表明，在RGDP≤0.918 7区间，以制造业专业化集聚水平MA为门槛变量，存在单个门槛值，为0.305 1；以制造业集聚的空间等级水平DMA为门槛变量，存在单个门槛值，为0.393 7。在0.918 7<RGDP≤3.292 4区间内，以MA为门槛变量，存在单个门槛，为0.670 3；以DMA为门槛变量，存在两个门槛值为0.737 1，0.337 9。在RGDP>3.292 4区间内，以MA作为门槛变量，存在两个门槛值为0.698 8，1.226 8；以DMA作为门槛变量，存在两个门槛值为0.749 0，1.274 1。

(三)经济发展不同水平的面板门槛回归结果
表7报告了低发展水平(RGDP≤0.918 7)、中等发展水平(0.918 7<RGDP≤3.292 4)和高发展水平(RGDP>3.292 4)下，以制造业集聚专业化水平MA和空间等级水平DMA为门槛变量，净效应NS对绿色经济效率的边际影响。

表7 经济发展不同水平下净效应对绿色经济效率边际影响的门槛回归结果

width=744,height=428,dpi=110
具体来看，在低发展水平、中等发展水平阶段，以MA、DMA为门槛变量，随着制造业集聚的专业化水平、空间等级水平的上升，NS的边际效应呈递减趋势。在低发展水平或中等发展水平阶段，制造业集聚主要是资源、劳动力、土地等基础要素的空间集聚，对绿色经济效率的影响遵循威廉姆森假说，在生产要素、经济活动的集聚早期，新的资源被利用，会带动劳动力、资本的流入，并在政府政策的保护和激励下进一步强化，但这种集聚及其效应发挥不可能无限增加(李君华，2009)，终将步入边际收益递减。

在高发展水平阶段，以MA为门槛变量，随着制造业集聚专业化水平的阶段变化(I→II→III)，NS的边际效应呈U型变化，即在MA小于0.698 8的区间，NS边际效应的估计系数是1.727 9，MA在0.698 8到1.226 8的区间内，NS边际效应的估计系数下降到1.544 6，在MA大于1.226 8的区间，NS边际效应的估计系数又上升到1.682 9。在跨入高发展水平阶段之后，新的集聚开始形成，创新要素开始集聚，或者高端生产要素出现新的集聚，聚集效应尚无法完全显现，但拥挤效应仍居高位，不过，随着要素配置优化、知识溢出和创新扩散，创新要素、高端生产要素的集聚效应逐渐释放，生产更加清洁，治理更加有效，绿色经济效率会有相应改进(Wang & Wang，2019)。

同样，在高发展水平阶段，以DMA为门槛变量，随着制造业集聚空间等级水平的阶段变化(I→II→III)，NS的边际效应呈递增态势，即在DMA小于0.749 0的区间，NS边际效应的估计系数是1.428 5，DMA在0.749 0到1.274 1 的区间内，NS边际效应的估计系数上升到1.591 4，在DMA大于1.274 1的区间，NS边际效应的估计系数又上升到1.645 3。在高水平发展阶段，空间等级水平提升的地区，往往是高知识、高技术、新产业集聚的地区，其制造业集聚的主要要素是一些相对复杂的知识、技术、信息等高级要素，这些高级要素的专用性、创新性强，是经济高端发展和升级发展的关键，也是获取全球分工高收益的基础，其集聚存在边际收益递增特征(陈东和刘细发,2014)，使得制造业集聚对绿色经济效率的净效应有可能现出边际收益递增，这与Lessmann(2014)的结论相同，即在高水平发展阶段，制造业集聚还会显著促进经济效率的提升，可能的原因是信息技术革命导致了新一轮的经济结构调整，制造业向生产性服务业转型(List & Gallet，1999)，还有就是高新技术产业的发展，甚至高新技术产业创新的溢出效应能够使得创新收益递增(王伟光等，2015)。

从经济发展不同水平阶段的面板门槛回归结果来看，制造业集聚对绿色经济效率净效应的影响在中低发展水平和高发展水平阶段存在显著不同。如果只是制造业集聚的自生演化，如顺承产业梯度转移，进而带动地区从低收入发展水平过渡到中等发展水平，就会面临净效应边际递减的挑战，有可能会面临严峻的生态环境挑战。不过，改进净效应，还可以致力于创新要素、高端生产要素的集聚，发挥净效应的边际收益递增效应，实现绿色经济效率的持续提升。

(四)异质性组合分析
根据经济发展不同水平阶段，结合MA、DMA的门槛值进行分组。不同集聚组合对应不同收益状态 (PE、NE、NS)，其中PE、NE、NS分别对应组合中所有城市的集聚、拥挤效应和净效应的均值，分组结果见表8。

就表8而言，可以看到：(1)对部分城市样本而言，提高制造业集聚的专业化水平MA，不仅可以提高净效应，甚至还可以抑制拥挤效应。具体来看，在中等发展水平阶段，控制DMA高水平状态不动，提高MA，净效应NS沿着(4.89%→5.92%)路线上升1.03个百分点，拥挤效应NE沿着(10.97%→8.88%)路线下降2.09个百分点；在高发展水平阶段，控制DMA在低水平状态不动，提高MA，净效应NS沿着(-4.75%→10.45%)路线上升15.20个百分点、拥挤效应NE沿着(13.76%→8.12%)下降5.64个百分点，而且，控制DMA中等水平状态不动，提高MA，净效应NS沿着(7.68%→10.70%)路线上升3.02个百分点，拥挤效应NE沿着(8.77%→8.14%)路线下降0.63个百分点。(2)对部分城市样本而言，提高制造业集聚的空间等级水平DMA，能够提升净效应，也能抑制拥挤效应。具体来看，在低发展水平阶段，控制MA在低水平状态保持不动，提高DMA，净效应NS将沿着(13.88%→16.53%)路线上升2.65个百分点，拥挤效应将沿着(6.44%→6.35%)路线下降0.09个百分点；在高发展水平阶段，保持MA低水平状态，提高DMA，净效应NS将沿着(-4.75%→7.68%)提升12.43个百分点，拥挤效应将沿着(13.76%→8.77%)下降4.99个百分点。也就是说，提高制造业集聚的空间等级水平，成为区域制造业集聚中心，有利于集聚高级生产要素，实现制造业高端化，更好地发挥制造业集聚对绿色经济的推动作用。(3)对部分城市样本而言，降低MA或降低DMA，也有可能实现净效应的提高，还能抑制拥挤效应。具体来看，在高发展水平阶段，保持DMA中等水平不变，降低MA，净效应NS将沿着(2.80%→10.70%)路线上升7.9个百分点，拥挤效应将沿着(10.88%→8.14%)下降2.74个百分点，同样，保持MA中等水平不变，降低DMA，净效应NS将沿(2.54%→10.70%)路线上升8.16个百分点，拥挤效应将沿着(9.23%→8.14%)下降1.09个百分点；在中等发展水平下，保持MA在低水平不变，降低DMA，净效应NS将沿(4.89%→8.95%)路线上升4.06个百分点，拥挤效应将沿着(10.97%→8.26%)下降2.71个百分点。

表8 经济发展不同水平阶段下集聚组合分析

width=748,height=528,dpi=110
注：表中“—”代表没有城市样本落入该组合中，故无法计算具体数值。

总体来看，不同样本城市存在显著的异质性。不同样本城市所处经济发展水平阶段不同，其制造业集聚的专业化水平和空间等级水平也各有特点，不能简单认为，降低制造业集聚水平有利于抑制拥挤效应，也不能直接判断提升制造业集聚水平就有利于绿色经济效率的改善。

七、结论与启示
本文利用2006—2016年中国地级及以上城市面板数据，纳入空间效应对双边随机前沿模型进行改进，测算了制造业集聚对绿色经济效率的双边影响，在此基础上，结合面板门槛模型，从制造业集聚的专业化水平和空间等级水平两个维度，讨论了经济发展不同水平阶段下制造业集聚对绿色经济效率的异质性影响，得到以下结论。

第一，中国制造业集聚有利于绿色经济效率提升。平均而言，聚集效应为19.51%，拥挤效应为8.96%，净效应为10.55%，即聚集效应和拥挤效应两者共同作用使得绿色经济效率高于前沿水平10.55%，不过，从净效应来看，仍有23.96%的样本城市小于零，而且，西部地区大于中部地区，中部地区大于东部地区。

第二，异质性分析发现，在低收入发展水平阶段和中等收入发展水平阶段，以制造业集聚的专业化水平和空间等级水平为门槛变量，净效应对绿色经济效率的边际效应呈递减趋势，而在高收入发展水平阶段，随着制造业集聚专业化水平的提升，净效应对绿色经济效率的边际效应呈U型变化；随着制造业集聚的空间等级水平的提升，净效应对绿色经济效率的边际效应呈递增趋势。

第三，制造业集聚专业化水平、空间等级水平不同，集聚对绿色经济效率的双边影响不尽相同。将人均实际生产总值的门槛值作为城市经济发展水平的划分标准，对制造业集聚的专业化水平和空间等级水平进行组合分析发现，对一些样本城市而言，提高制造业集聚的专业化水平或是空间等级水平，不仅能提升净效应，还能抑制拥挤效应，而对一些样本城市而言，降低制造业集聚的专业化水平或是空间等级水平，也有可能提升净效应或抑制拥挤效应。

由此本文得出如下启示：

第一，本文结论表明中国制造业集聚能够有效促进绿色经济效率的提升。因此，维护全球供应链、稳定经济发展要求不能过快“去工业化”，尤其是防范和避免效率恶化的制造业萎缩(黄群慧等,2017)，需要巩固壮大实体经济根基，保持制造业比重基本稳定。长期来看，转向高质量发展，不能再依靠传统粗放式经济发展模式，而是需要寻求新的发展动力，要着力提高绿色经济效率。从净效应来看，西部地区大于中部地区，中部地区大于东部地区，也就是说，中国制造业集聚的空间布局还有优化空间，只是要防范制造业向中西部地区梯度转移所伴生的拥挤效应，不走曾经的老路、旧路。

第二，本文的异质性分析表明，在一些样本城市中，提升制造业集聚的专业化水平或是空间等级水平，不仅能促进绿色经济效率的提升，还能抑制拥挤效应，可能是这些城市制造业仍有集聚的必要，同时也表明制造业集聚并不必然给生态环境带来挑战，工业化、制造业集聚并不必然是近些年环境污染和生态破坏的主要原因。发展并不是生态环境的挑战，落后的经济发展方式才是生态环境的挑战，为此，要积极协调好经济高质量发展过程中的生态环境保护问题。

第三，在高收入发展水平阶段，提升制造业集聚的空间等级水平，其对绿色经济效率的边际效应是递增的，这对于中国一些处于高发展水平阶段的城市而言，可以进一步借助新技术、新产业、新业态、新模式的创新与发展，推动高端要素为主的制造业集聚，既可以提升经济效率，还可以推进绿色发展。要深入研究数字经济条件下的经济行为与运行规律，要高度关注互联网+、数字经济等快速发展对制造业发展的深远影响，以及中国制造业产业升级和结构变迁的深刻变化，新发展阶段、新发展理念和新发展格局下制造业集聚对绿色经济效率的影响或许会迎来边际效应递增的新阶段。

参考文献

陈东、刘细发，2014：《产业转型升级的高级要素治理——垂直分工再整合背景下的机遇识别》,《学习与实践》 第8期。

陈阳、唐晓华，2018：《制造业集聚对城市绿色全要素生产率的溢出效应研究——基于城市等级视角》，《财贸研究》第1期。

程中华、张立柱，2015:《产业集聚与城市全要素生产率》,《中国科技论坛》第3期。

范剑勇，2006：《产业集聚与地区间劳动生产率差异》,《经济研究》第11期。

范剑勇、冯猛、李方文，2014：《产业集聚与企业全要素生产率》,《世界经济》第5期。

胡安军、郭爱君、钟方雷、王祥兵，2018:《高新技术产业集聚能够提高地区绿色经济效率吗?》,《中国人口·资源与环境》第9期。

黄群慧，2014:《“新常态”、工业化后期与工业增长新动力》,《中国工业经济》第10期。

黄群慧、黄阳华、贺俊、江飞涛，2017：《面向中上等收入阶段的中国工业化战略研究》，《中国社会科学》第12期。

李君华，2009：《学习效应、拥挤性、地区的分工和集聚》,《经济学(季刊)》第3期。

李鹏升、陈艳莹，2019：《环境规制、企业议价能力和绿色全要素生产率》,《财贸经济》第11期。

林伯强、谭睿鹏，2019：《中国经济集聚与绿色经济效率》,《经济研究》第2期。

刘常青、李磊、卫平，2017：《中国地级及以上城市资本存量测度》,《城市问题》第10期。

刘耀彬、袁华锡、王喆，2017：《文化产业集聚对绿色经济效率的影响——基于动态面板模型的实证分析》,《资源科学》第4期。

刘建江、石大千，2019：《高房价对企业创新的影响:是挤出还是挤入?——基于双边随机前沿模型的测算》,《中国软科学》第9期。

刘明、王霞、金亚亚，2020：《西部地区承接制造业转移能力评价及承接策略》，《统计与信息论坛》第8期。

卢洪友、连玉君、卢盛峰，2011:《中国医疗服务市场中的信息不对称程度测算》,《经济研究》第4期。

屈小娥、胡琰欣、赵昱钧，2019：《产业集聚对制造业绿色全要素生产率的影响——基于长短期行业异质性视角的经验分析》, 《北京理工大学学报(社会科学版)》第1期。

沈能、赵增耀、周晶晶，2014：《生产要素拥挤与最优集聚度识别——行业异质性的视角》,《中国工业经济》第5期。

汪彩君、唐根年，2011:《长江三角洲地区制造业空间集聚、生产要素拥挤与集聚适度识别研究》，《统计研究》第2期。

王伟光、马胜利、姜博，2015:《高技术产业创新驱动中低技术产业增长的影响因素研究》,《中国工业经济》第3期。

魏后凯、王颂吉，2019:《中国“过度去工业化”现象剖析与理论反思》,《中国工业经济》第1期。

徐维祥、汪彩君、唐根年，2011:《中国制造业资本积累动态效率变迁及其与空间集聚关系研究》，《中国工业经济》第3期。

于斌斌、杨宏翔、金刚，2015:《产业集聚能提高地区经济效率吗?——基于中国城市数据的空间计量分析》，《中南财经政法大学学报》第3期。

闫逢柱、乔娟，2010：《产业集聚一定有利于产业成长吗?——基于中国制造业的实证分析》,《经济评论》第5期。

张平淡、屠西伟，2021：《制造业集聚促进中国绿色经济效率提升了吗?》,《北京师范大学学报(社会科学版)》第1期。

章屹祯、曹卫东、张宇、朱鹏程、袁婷，2019：《金融危机以来我国制造业空间格局演变及转移态势研究》，《长江流域资源与环境》第8期。

Brakman,S., H. Garretsen, R. Gigengack,C.V. Marrewijk,and R .Wagenvoort,1996,“Negative Feedbacks in the Economy and Industrial Location”, Journal of Regional Science, 36(4):631-651.

Brülhart,M., and N. A. Mathys,2008,“Sectoral Agglomeration Economies in A Panel of European Regions”, Regional Science and Urban Economics, 38(4):348-362.

Brülhart, M. and F.Sbergami,2009, “Agglomeration and Growth: Cross-country Evidence”, Journal of Urban Economics, 65 (1): 48-63.

Chen, C.F., Y.W.Sun,Q.X. Lan,and F.Jiang,2020，“Impacts of Industrial Agglomeration on Pollution and Ecological Efficiency—A spatial Econometric Analysis Based on a Big Panel Dataset of China’s 259 Cities”，Journal of Cleaner Production, 258:120721.

Ciccone, A., and R.E.Hall，1996，“Productivity and the Density of Economic Activity”, American Economic Review, 86 (1):54-70.

Ciccone, A., 2002, “Agglomeration Effects in Europe”，European Economic Review, 46(2):213-227.

Dong,F., Y.Wang, L.Zheng, and J.Y. Li，2020，“Can Industrial Agglomeration Promote Pollution Agglomeration? Evidence from China”, Journal of Cleaner Production, 246:118960.

Elhorst,J.P，2014,“Matlab Software for Spatial Panels”，International Regional Science Review, 37(3):389-405.

Fujita, M., and J.Thisse，1996, “Economics of Agglomeration”，Journal of the Japanese and International Economies, 10(4):339-378.

Glass,A. J., K.Kenjegalieva, and R.C.Sickles，2016,“A Spatial Autoregressive Stochastic Frontier Model for Panel Data with Asymmetric Efficiency Spillovers”, Journal of Econometrics, 190(2):289-300.

Gokan,T., I.Kuroiwa, and K.Nakajima，2019,“Agglomeration Economies in Vietnam: A Firm-level Analysis”，Journal of Asian Economics, 62:52-64.

Gopinath,M.,D.Pick, and Y.Li，2004,“An Empirical Analysis of Productivity Growth and Industrial Concentration in US Manufacturing”，Applied Economics, 36(1):1-7.

Grossman, G. M., and A.B.Krueger，1995, “Economic Growth and the Environment”, Quarterly Journal of Economics, 110(2):353-377.

Guo,Y.H., L.J.Tong, and L.Mei ，2020,“The Effect of Industrial Agglomeration on Green Development Efficiency in Northeast China since the Revitalization”，Journal of Cleaner Production, 258:120584.

Hansen,B. E.，1999,“Threshold Effects in Non-dynamic Panels: Estimation, Testing, and Inference”,Journal of Econometrics, 93(2):345-368.

Hu,C., Z.Y.Xu, and N.Yashiro，2015，“Agglomeration and Productivity in China: Firm Level Evidence”, China Economic Review, 33:50-66.

Jaffe, A. B., and K. Palmer, 1997, “Environmental Regulation and Innovation: A Panel Data Study”, The Review of Economics and Statistics, 79(4):610-619.

Keller,W.,2002,“Geographic Localization of International Technology Diffusion”, American Economic Review,92(1):120-142.

Kumbhakar,S .C., and C.A.K.Lovell,2000, Stochastic Frontier Analysis: An Econometric Approach,New York: Cambridge University Press.

Kumbhakar, S. C.,and C.F. Parmeter,2009,“The Effects of Match Uncertainty and Bargaining on Labor Market Outcomes: Evidence from Firm and Worker Specific Estimates”, Journal of Productivity Analysis, 31(1):1-14.

Kutlu,L.,2018,“Estimating Efficiency in a Spatial Autoregressive Stochastic Frontier Model”, Economics Letters, 163:155-157.

Lessmann, C., 2014,“Spatial Inequality and Development — Is There an Inverted-U Relationship?”, Journal of Development Economics, 106:35-51.

Liu,Y., X.Yao,and T.Y.Wei，2019,“Energy Efficiency Gap and Target Setting: A Study of Information Asymmetry between Governments and Industries in China”, China Economic Review, 57:101341.

List, J. A., and C. A. Gallet,1999,“The Kuznets Curve: What Happens after the Inverted-U?”, Review of Development Economics,3(2):200-206.

Martin, P., T.Mayer, and F.Mayneris,2011,“Spatial Concentration and Plant-level Productivity in France”, Journal of Urban Economics, 69(2):182-195.

Parmeter, C.F.,2018, “Estimation of the Two-tiered Stochastic Frontier Model with the Scaling Property”,Journal of Productivity Analysis, 49(1):37-47.

Rizov, M., A.Oskam, and P.Walsh，2012,“Is There A Limit to Agglomeration? Evidence from Productivity of Dutch Firms”, Regional Science and Urban Economics, 42(4):595-606.

Wang,Y.,and J. Wang，2019，“Does Industrial Agglomeration Facilitate Environmental Performance: New Evidence from Urban China?”,Journal of Environmental Management,248:109244.

Williamson,J. G.,1965,“Regional Inequality and the Process of National Development: A Description of the Patterns”, Economic Development and Cultural Change, 13(4):3-84.

Zhou, P.,and B.W. Ang，2008,“Decomposition of Aggregate CO2 Emissions: A Production-theoretical Approach”,Energy Economics, 30 (3):1054-1067.

THE BILATERAL IMPACT OF MANUFACTURING AGGLOMERATION ON GREEN ECONOMY EFFICIENCY
ZHANG Ping-dan TU Xi-wei

(Business School, Beijing Normal University)

Abstract: This paper improves the bilateral stochastic frontier model by including spatial effects to estimate the bilateral impact of manufacturing agglomeration on green economic efficiency. Based on the panel data of prefecture-level and above cities in China from 2006 to 2016, the agglomeration effect, congestion effect and the combined net effect of manufacturing agglomeration on green economic efficiency are estimated. The research results show that: (1) The agglomeration effect of China’s manufacturing agglomeration on green economy efficiency is 19.51%, the congestion effect is 8.96%, and the net effect is 10.55%, that is, manufacturing agglomeration is conducive to the improvement of green economy efficiency. (2) The panel threshold model analysis finds that in the high-level stage, with the increase in manufacturing agglomeration and specialization, the marginal effect of the net effect on green economy efficiency changes in a U-shape, and as the spatial level of manufacturing agglomeration increases, the marginal effect of the net effect on green economy efficiency shows an increasing trend. (3) The analysis of heterogeneous combination shows that, in different stages of economic development, changes in manufacturing agglomeration specialization levels and spatial hierarchies have an increasing effect on the bilateral green economy efficiency of different sample cities. The impacts are not the same, indicating that cities in China have sizable heterogeneity and challenges in choosing the route of manufacturing agglomeration.

Key words: industrial agglomeration; green economy efficiency; bilateral stochastic frontier model; threshold model

* 张平淡、屠西伟，北京师范大学经济与工商管理学院，邮政编码：100875，电子邮箱:pingdanzhang@bnu.edu.cn。本文得到教育部哲学社会科学研究重大课题攻关项目“习近平总书记的绿色发展理念研究”(20JZD002)的资助。感谢匿名评审人提出的修改建议，笔者已做了相应修改，本文文责自负。

(责任编辑：杨万东)