中國對外貿易環境影響非線性關系研究

邵旭陽 徐洪海 蘇威

摘 要：全球價值鏈不僅涉及生產和銷售領域的合作，還由此衍生出基于全球范圍內的污染再分配。以我國多個數據庫為基礎構建動態面板GMM模型，發現我國企業的全球價值鏈參與程度與污染排放呈現出非線性的倒U型關系，即企業污染排放隨著全球價值鏈參與程度的上升先增加后降低。同時，上游度和下游度與污染排放影響的模型顯示，上游度與污染排放負相關，企業在全球價值鏈當中的上游環節經濟成分會產生減排效果；下游度與污染排放是正相關關系，表示企業在全球價值鏈當中的上游環節經濟成分會增加污染排放。而多重中介效應模型說明，這種非線性倒U型關系的形成是企業上游參與度和下游參與度共同影響下的最終結果。

關鍵詞：全球價值鏈參與度；企業污染排放；國際貿易

作者簡介： 邵旭陽，成都大學人文社科高等研究院特聘副研究員，主要從事區域經濟、世界經濟研究，E-mail：shaoxuyang1990@foxmail.com；徐洪海，西華大學經濟學院講師，主要從事金融經濟、產業經濟研究；蘇威，西南交通大學經濟管理學院碩士研究生，主要從事產業經濟、工商管理研究。

引用格式： 邵旭陽，徐洪海，蘇威.中國對外貿易環境影響非線性關系研究——基于全球價值鏈視角［J］.西南交通大學學報（社會科學版），2024，（2）：82-104.

一、引言

隨著通信和運輸技術的發展，全球價值鏈（Global Value Chain， GVC）的分工模式為國際減排帶來了機遇和挑戰。發達國家通過研發設計等高端環節參與GVC分工，而將加工組裝等制造環節分配給發展中國家，但同時，發展中國家能夠學習發達國家的先進技術和管理經驗，提升能源利用效率進而降低污染排放。那么，融入GVC到底與一國污染排放存在著何種關系？這一問題的討論一直貫穿于全球化推進過程之中，而中國經驗無疑為研究此問題提供了豐富的依據：首先，中國是全球貿易規模最大的國家，GVC嵌入程度日益加深，GVC參與度從1990年的29.55%上升至2018年的44.49%［1］；其次，參與在 GVC 中的中國企業，其角色也產生顯著變化，正逐漸由以往的下游生產制造商轉變為更為強勢的上游供應商，國際分工地位由此實現了極大提升［2］，而這一積極趨勢又必將對中國參與 GVC所帶來的環境效應產生顯著影響；最后，隨著PM2.5等環境問題引起廣泛的輿論討論，中國居民對于環境污染的關注程度日漸增高。中國政府還承諾，在2030年前實現碳達峰，在2060年前實現碳中和。因此，研究中國企業GVC參與對污染排放的影響，對環境治理和“雙碳目標”的實現十分重要，也具備極高的全球代表性，能夠為其他發展中國家制定適合于自身的對外貿易政策提供借鑒。

中國自改革開放以來，特別是于2001年末加入WTO后，憑借自身具備的成本優勢與市場潛力，不斷深度參與到GVC生產體系的構建與發展之中。然而，在貿易出口和經濟增長取得巨大成就的背后，隨之伴生的便是國內日益惡化的生態環境問題［3］。Lin等研究發現，中國主要空氣污染物排放規模當中的17%～36%源于以低端要素嵌入GVC的下游生產制造環節領域［4］。但隨著GVC嵌入的不斷加深，中國在GVC中的生產環節以及所處的分工地位發生了明顯變化，這一因素無疑將對中國嵌入GVC所帶來的環境效應產生重要影響［5］。在新型國際分工體系不斷演進和中國國內環境治理形勢日益嚴峻的情形下，本文從不同嵌入方式的角度對中國企業在全球分工體系中的地位進行了較為全面的考察，旨在揭示其污染排放行為如何受到全球分工體系的深刻影響，為在新型國際分工秩序下通過調整GVC嵌入戰略改善國內環境提供理論和實踐參考。

本文發現：第一，在構建動態面板GMM模型后，企業的GVC參與程度與污染排放呈現出非線性的倒U型關系，即企業污染排放隨著GVC參與程度的上升先增加后降低；第二，本文單獨構建上游度和下游度與污染排放影響模型后發現，上游度與污染排放負相關，企業在GVC當中的上游環節經濟成分（如技術研發、國際營銷和關鍵零部件制造）會產生減排效果。而下游度與污染排放是正相關關系，這表示企業在GVC當中的上游環節經濟成分（如組裝、非關鍵零部件生產等）會增加污染排放；第三，基于第二個結論，本文假定倒U型關系的形成原因是企業上游參與度和下游參與度共同影響下的最終結果，且這一假定在構建多重中介效應模型后得到了證明。此外，融資約束對企業參與GVC所產生的環境效應具有減弱效果，且東部地區GVC環境效應實現逆轉的要求高于中西部地區，而南北劃分后不存在明顯差異。大型企業進入污染排放下行區間的GVC臨界標準最高，而中小型企業的臨界點水平大致相同。這些發現有助于政府制定更為精準的、符合自身發展需要的產業和環境政策，以達成貿易發展和環境保護之間的平衡。綜上，本研究為全球發展中經濟體選擇參與GVC的模式和路徑提供參考，對于全球污染的治理具有重要意義。

二、文獻綜述

早在1994年，學術領域相關專家便提出了“污染天堂假說”，該假說主要用于描述高能耗、重污染產業在參與GVC過程中向低端嵌入位置的發展中經濟體的轉移現象，意味著生產的國際分割使得環境污染在國家間轉移成為可能。發達國家采用“保留核心、外包其余”的產業及外貿投資策略，將高污染的下游生產制造環節轉移到其他發展中國家，借以改善自身的環境質量。然而，這一做法卻極大可能加劇發展中國家的環境污染［6～7］。GVC上游經濟體主要進行技術研發和國際營銷，或掌握高附加值的關鍵性零部件生產，主要消耗的生產要素是資本和人力。而下游經濟體則參與組裝生產以及制造一些低附加值的、易被替代的零部件，消耗更多傳統能源，因此其污染排放隨之增加［8］。處于較低GVC分工位置的經濟體貿易在其開放水平提高后，擴大貿易規模反而會導致其污染貿易條件的惡化［9］。而GVC位置和參與度對污染排放呈正向影響，例如，基于MRIO模型，結合Koopman增值分解法，發現參與GVC分工可能引起更高水平的隱含碳排放［10］。

與“污染天堂假說”針鋒相對的是，Vogel曾提出“環境收益假說”（即污染光暈假說），即通過GVC的嵌入，發展中經濟體通過倒逼機制吸收外國先進技術，從而在生產環節抑制污染排放［11］。由于“污染關稅”等貿易壁壘限制了高污染、高排放產品的入境，因此發展中經濟體為了確保出口的同時改善貿易結構和提高環保水平，必須向價值鏈上游攀升。此外，這一舉措短期內滿足了國際通行的環境標準，使發展中國家制定了更為嚴格的污染排放目標，從而形成了控制污染排放的良性循環。因此，在GVC位置上移過程中，生產結構、技術水平、規模情況以及法律法規對污染排放有重要影響。

除了正相關的“污染天堂假說”與負相關的“污染光暈假說”以外，許多學者發現，GVC的分工地位對污染排放產生非線性效應［12～14］。呂越和呂云龍在基于Copland和Taylor模型的基礎上考察企業價值鏈參與情況，發現前向嵌入在很大程度上減少了第二產業的總體貿易隱含碳排放［15］。在GVC嵌入的過程中，不僅可能導致工業污染排放波動增長，還可能導致污染排放與污染貿易條件的不斷變化。蔡禮輝等的研究發現，中國工業的污染排放與前向關聯的GVC嵌入呈現U型關系［16］。而徐博等通過采用非線性回歸發現，GVC位置與碳排放之間呈現倒U型關系，并提出了GVC位置提升降低污染排放的機制［17］。然而，值得注意的是，GVC位置提升對于減少出口污染排放存在門檻效應，同時GVC參與情況對于污染貿易條件的門檻效應同樣呈現U型結構，這與技術變化密切相關。

但是，目前的研究存在一些未解決的問題：一方面，污染天堂假說、污染光暈假說、U型關系、倒U型關系等結論是相互矛盾的，產生這一分歧的原因是缺乏令人信服的微觀數據研究。此外，污染排放與能源消耗高度相關，而要獲取中國企業微觀能源數據十分困難，這令模型中控制變量存在不足；另一方面，大多數研究只停留在結論層面，未探討GVC與污染排放相關關系的形成機制，未能說明系統內部的結構和相互關系，僅能大致了解GVC參與程度與企業環境績效之間的基本規律，這對于指導政策制定是不足的。而在此基礎上所設計的環境規制政策框架，無疑在針對性和有效性方面存在優化空間。

三、研究設計

（一）樣本選擇和數據來源

本文將經過篩選后的中國工業企業數據庫（CASIF）、企業污染排放數據與海關數據庫（CCTS）進行了整合，基于Upward R和田巍、余淼杰的處理模式，采用較為主流的“兩步法”對不同數據庫的各類實體進行匹配［18～19］。進而，本文以Ju J、Yu X、寧密密所提出的方案為藍本［20～21］，利用世界投入產出表數據庫（World Input-Output Database，WIOD）、《中國地區投入產出表2012》和《中國2012年投入產出表》，將所需要的、未編制年份的行業數據進行了近似匹配，整理出更為詳盡的行業數據。企業能耗方面的數據，本文則參照史丹、李少林，范子英、彭飛、劉沖以及秦蒙、劉修巖、李松林，吳健生、牛妍、彭建、王政、黃秀蘭等學者的思路［22～25］，基于2005～2013年度中國DMSP/OLS穩定夜間燈光數據、《國家統計年鑒》《中國能源統計年鑒》《中國城市統計年鑒》以及部分城市的統計公報和地理信息數據，計算了共計280余個地級市的能耗強度指標，并與轄區內存在微觀能耗數據的企業進行反向平均值匹配。由于工企數據登記缺失值較多，部分關鍵指標存在數據異常，故現有單值移動時序平滑法、MICE1、MICE2、MMICE1和MMICE2五種插補方法可對數據進行預處理。本文依據張少華、李蘇蘇所進行的研究［26］比較，采用單值移動時序平滑法對現有數據進行插值，最終得到本文使用的基礎數據。

（二）變量設定

1.被解釋變量——綜合污染指數（Synthetic Pollution Index）

企業的污染排放數據來自國家統計局2005～2013年度的中國工業企業污染排放數據庫。本文依照邵朝對以及蘇丹妮、楊琦的處理辦法進行操作［27～28］，選取數據質量相對較高的工業廢水、化學需氧量排放量、氨氮、二氧化硫、氮氧化物、煙塵、工業粉塵排放量構建綜合指標體系。首先，本文對各項污染排放指標進行了標準化處理，目的在于消除不同污染物之間的量綱差異，具體公式如下：

Pxij=xmax-xijxmax-xmin（1）

其中xmax為企業i在某一項污染排放指標當中的最大值，xmin為對應最小值，xij為企業i在j時刻所排放的x類污染物質的規模。進而，進行指標歸一化：

TPij=Pxij∑mx=1∑ni=1Pxij（2）

進而，計算熵值：

Ej=-k1∑mx=1∑ni=1TPij·lnTPij，k1=1ln（m×n）（3）

最后，由層次分析法得出相應指標權重，帶入權重加總得到企業綜合污染指數（SPI，Synthetic Pollution Index）。該指標數值越大，說明企業污染排放強度越高。在實際使用中，本文將該指標加一取對數作為被解釋變量，并用lnSPIit表示。

2.解釋變量——GVC參與度

在非線性關系的基準回歸當中，解釋變量為企業GVC參與度（Participation in GVCs，GVC）。本文參照由呂越等提出的計算方法［29］，他們以Upward R等、張杰等和Kee，Tang的已有測算［18，30～31］為基礎，充分考慮了出口企業在使用國內原材料時同樣蘊含國外生產的份額。Koopman等通過估計認為該比例為5%至10%之間，可能是由中間貿易商處實現的間接進口，也可能是國內供應商存在的進口原材料遺漏［32］。為此，他們構造了目前最全面的GVC參與度計算方法，并假定企業國內購買的中間產品當中存在5%的海外進口成分。

GVC=IIPAp+EXPg·IIPAMgYD+EXPg+0.05×MT-IIPAp-IIPAMgYD+EXPgEXP（4）

其中，IIP、EXP、YD分別表示該企業進口、出口和國內銷售規模；下標的p、g則分別指代加工貿易（processing trade）、一般貿易（general trade）。計算過程當中，可從前文所述的工企數據、海關數據等來源獲得企業的進出口數據。有部分企業原始數據當中銷售額低于其報關出口交貨值的，假定其不存在國內零部件采購。而計算過程中出現的國外附加值大于出口總額的情況，則將其國內附加值設定為0，國外附加值率設為1，即GVC參與度為1。其中的MT為該企業中間投入總額，而上式當中有一隱藏假定，即企業國內購買的中間產品當中存在5%的海外進口成分。此外，將GVC作為橫軸、lnSPIit作為縱軸繪制散點圖后做擬合圖，可得到圖1。通過擬合圖可猜測，在進行了能源約束后，GVC與污染排放存在倒U型關系，因此，本文構建了非線性關系模型。

3.多重中介變量

在多重中介效應模型當中，中介變量為GVC上游環節參與度（Output Upstreamness，OU）和GVC下游環節參與度（Input Downstreamness，ID）。在Kee & Tang、張杰等、蘇丹妮等和袁凱華等提出的計算公式［2，22，30，33］基礎上，本文將原有全國行業數據作為企業間接增加值出口數據近似值的處理辦法，優化為企業所在省份的行業平均數據，以體現省際差異。由此，OU和ID計算公式如下：

OUijtp=［1-IIPijtp+Dijtp+θ1j-θ2j·EXPijtpEXPijtp］×IEXPijtp·θ3jEXPijtp（5）

OUijtg=［1-（IIPijtg/Yijt）·EXPijtg+Dijtg+θ1j-θ2j·EXPijtgEXPijtg］×IEXPijtg·θ3jEXPijtg（6）

OUijtm=γp·IEXPijtp·1-IIPijtp+Dijtp+θ1j-θ2j·EXPijtpEXPijtp·θ3jEXPijtp+γg×IEXPijtg·{1-［IIPijtg/（Yijt-EXPijtg）］·EXPijtg+Dijtg+θ1j-θ2j·EXPijtgEXPijtg}·θ3jEXPijtg（7）

IDijtp=IIPijtp+Dijtp+θ1j-θ2j·EXPijtpEXPijtp（8）

IDijtg=IIPijtgYijt·EXPijtg+Dijtg+θ1j-θ2j·EXPijtgEXPijtg（9）

IDijtm=γp×IIPijtp+Dijtp+θ1j-θ2j×EXPijtpEXPijtp+γg×［IIPijtg/（Yijt-EXPijtp）］×EXPijtg+Dijtg+θ1j-θ2j×EXPijtgEXPijtg（10）

i、j、t分別表示企業代碼、行業代碼及時間，p、g、m則分別指代加工貿易（processing trade）、一般貿易（general trade）和混合貿易（mixed trade）。本文將加工貿易進口的中間產品視作全部用于加工貿易出口，而在一般貿易進口的中間產品當中，出口比例同國內銷售與一般貿易出口量比例相同。故IEXPijtnn=p，g為扣除中間商貿易后的企業中間產品出口額。EXPijtnn=p，g為出口企業總出口額減去中間商處間接出口。IIPijtp為從事加工貿易的企業從中間貿易代理商處所間接獲取的、用于出口的那一部分中間產品進口額；對一般貿易企業，該指標則為IIPijtgYijt×EXPijtg。Yijt指企業銷售總額，Djitnn=p，g為企業折舊累積額。γp為混合貿易企業中其加工貿易所占出口的比值，γg為其一般貿易所占出口的比值。IEXPijtnn=p，g指扣除中間商貿易中出口的中間產品后的企業中間產品出口額。θ1j為企業所在省份的同行業間接進口比例，θ2j為企業所在省份同行業返回增加值比例，θ3j為企業所在省份同行業中間產品間接出口比例。

本文首先描繪行業上下游參與度熱力分布情況，如圖2所示。在36個行業當中，30個行業在上游度實現提升，而煤炭開采和洗選業、有色金屬冶煉及壓延加工業、電力、熱力的生產和供應業等行業則上游度下滑。出現下滑的行業大多屬于高耗能、高污染行業，且技術水平普遍偏低，上游環節參與度空間較為有限。同時，共有28個行業削減了下游度，而石油加工、煉焦及核燃料加工業、廢棄資源和廢舊材料回收加工業等行業則未能明顯降低下游度，說明上述行業存在低端鎖定，關鍵技術和原材料受制于人，并且存在高污染、高耗能、低附加值特征。

4.控制變量

企業清潔能源占比（Share of Clean Energy，SCE）。工業企業的生產環節是污染物排放的集中階段，主要是使用化石能源產生的。提高能源效率、使用燃燒更充分的碳基能源如天然氣等能夠在生產末端顯著降低污染物的排放。因此，本文參照史丹、李少林，范子英、彭飛、劉沖以及秦蒙、劉修巖、李松林，吳健生、牛妍、彭建、王政、黃秀蘭等學者的思路［22～25］，基于2005～2013年度中國DMSP/OLS穩定夜間燈光數據、《國家統計年鑒》《中國能源統計年鑒》《中國城市統計年鑒》以及部分城市的統計公報和地理信息數據，得出了各地級行政單位的能耗強度指標，作為當地平均能耗水平。再將其與具有微觀能耗數據的企業數據進行匹配，得到當地所有企業的平均能耗份額，并對部分缺失能耗數據企業進行賦值。根據所統計的工業企業煤炭、石油、天然氣使用量，換算為標準煤，并對數據缺失或不存在的企業用地級市平均能耗份額賦值及單值移動時序平滑法進行處理，得到了較為完整的工業企業2005～2013年能源強度數據。在此基礎上，再利用天然氣標準煤數據相除，得到了清潔能源占比變量。該變量取值在0～1范圍內，數據越靠近1表明該企業的清潔能源占比越高，理論上所產生的污染物質排放應當更低。

除了SCE以外，控制變量還包括：企業資產總計（CAPI）、利潤總額（PROFIT）、企業進出口總額（Total Export-import Volume，TEIV）、用工人數（LABOR）。此外，本文還根據企業經濟屬性設置了所有制結構虛擬變量（OWERSHIP），其中公有制企業（包含國有及集體企業）=1，私營企業=2，外資企業=3。

（三）模型設定

動態面板GMM回歸（Dynamic Panel Generalized Method of Moments Regression）是一種用于估計面板數據模型的計量方法，可處理面板數據中存在的內生性問題。GMM利用工具變量來解決內生性問題。在動態面板GMM回歸中，本文使用滯后變量作為工具變量，以控制模型中的內生性。該方法基于對工具變量的合理性和有效性的假設。動態面板GMM回歸方法的優點是可以同時控制個體固定效應和內生性，能夠更好地處理面板數據中存在的動態特征。本文先進行了多重共線性檢驗，結果顯示各變量間相關系數均小于0.7，方差膨脹因子均小于2，且均值為1.28，表明構建模型內所有變量不存在嚴重的多重共線性問題。為研究GVC參與程度對企業環境績效的影響，本文將繼續按照基準回歸所構建的模型框架，將GVC參與度一次項和二次項引入模型當中。在系統GMM當中，選用了原模型當中的內生解釋變量滯后項作為其自身的工具變量，從而顯著提高了估計效率及所得結果的穩健性?；鶞誓Ｐ驮O定如下方程組所示：

lnSPIit=α0+μlnSPIit-1+α1GVCit+α2GVCit2+γi+δt+εit（11）

lnSPIit=α0+μlnSPIit-1+α1GVCit+α2GVCit2+∑CONTROLit+γi+δt+εit（12）

∑CONTROLit=λ1CAPIit+λ2PROFITit+λ3TEIVit+λ4LABORit+λ5OWNERSHIPit+λ6SCEit（13）

其中，i與t分別表示對應的市場微觀主體和時間，j表示樣本所在的地級行政范圍，k則指代其所屬行業，εit和α分別為誤差項和截距項，γi、δt則分別表示企業個體固定效應和時間固定效應。

四、非線性關系實證結果分析

（一）基準回歸分析

本文分別對原有模型進行了固定效應回歸和系統GMM回歸，結果見表 2。從該結果可以得出，在進行了系統GMM估計后，GVC與GVC二次項系數特征及顯著性均與固定效應模型保持了一致。此外，系統GMM回歸還需進行AR（1）、AR（2）及Sargan檢驗。首先，AR（1）檢驗的P值為0.003，AR（2）的P值為0.297。該結果表示一階殘差存在自相關，而二階殘差不存在自相關，說明系統廣義矩估計的結果是可靠的；其次，為了保證工具變量的有效性，本文進行了Sargan檢驗，顯示檢驗P值為0.2532。該結果說明接受原假設，工具變量合理且有效，不存在過度識別問題。僅從系數特征得出倒U型結論是不充分的，本文進一步使用Lind and Mehlum提出的檢測方案［34］，對基準回歸結論做Utest檢驗。根據檢驗結果，GVC極值點為0.644095，在可取值范圍內，并能夠在1%的統計水平上拒絕原假設。同時，Slope取值［0.2675233，-0.1478243］，此區間內存在負值，因而可認定為倒U形關系。

回歸結果顯示，GVC的一次項估計系數顯著為正，而其平方項系數估計顯著為負，表明GVC對企業污染排放的影響呈明顯的倒U型趨勢。即在企業參與到GVC之初，隨著參與水平的加深，該企業的污染排放特征總體是趨于擴大的。然而，隨著GVC參與水平的不斷上升，當突破極值后，GVC參與水平的提高將對企業污染排放產生抑制作用，進一步加深國際產能合作會給予當地正面的環境改善效果。由此可見，在全球化艱難推進的當下，繼續保持對外開放、合作包容的姿態，不斷積累產業發展動力，深入參與到GVC的整合提高過程當中，能夠最終實現經濟效益與環境減排效益雙贏的局面，這也是中國政府實現國內國際雙循環新發展格局的應有之義。此外，增加了清潔能源占比的能耗約束后，SCEit系數為負且保持極高的顯著性，說明在不斷推進GVC參與程度提高的同時，提升如電力、天然氣等較為清潔能源的使用占比，將顯著抑制企業污染排放規模，能源結構層面的調整亦刻不容緩。

（二）調節效應分析

企業在參與GVC的過程當中，普遍存在差異性的融資約束條件，這將影響企業技術購買、生產設備更新等多個領域，使企業參與GVC時所表現的環境績效影響產生波動。為此，本文引入了融資約束（SAit）變量以衡量不同企業面臨的融資情況，且由于該變量為負值，故參照其他文獻的處理做法，取該變量絕對值進行回歸。SA變量數值越大，則表明相應企業在市場融資時所面臨的融資約束越強。

lnSPIit=α0+α1GVCit+α2GVCit2+α3SAit+α4GVCit×SAit+α5GVCit2×SAit+∑CONTROLit+γi+δt+εit（14）

調節效應回歸結果如表3所示，GVC與GVC二次項系數符號分別與交互項GVCit×SAit、GVCit2×SAit系數符號相反，說明融資約束的提高會明顯削弱GVC參與度對企業排污水平的影響，該結論所有系數均在0.01顯著性水平下顯著。此外，通過圖3也可以看出，實線為原有GVC對污染排放的倒U型影響趨勢，虛線為在SA影響下的GVC與污染排放的關系趨勢。在受到融資約束后，每△GVCit下，lnSPIit的變化量不論在污染排放的上升階段抑或下降階段，均受到了降低。在GVCit影響lnSPIit的上升期，融資約束或許對環境污染產生了正面效果，這是因為在該階段限制企業擴大生產規模，進而降低了GVC參與程度在此時的環境規模效應；而隨著企業GVCit越過門檻值，參與GVC與污染排放實現了良性互動。而此時，融資約束反而阻礙了企業對高新技術的吸收及對高效生產設備的采購，減排效果因此受到負面影響。

（三）穩健性檢驗

為了尋求更為穩健的結果，本文以工業廢水（IWit）、化學需氧量（CODit）、氨氮（ANit）、二氧化硫（SDit）、煙塵（FDit）排放量單獨作為被解釋變量進行估計，以驗證模型估計結果的穩健性。估計結果如表 4 所示。單獨列舉污染物進行回歸后，依舊與基準回歸模型所得出的結論一致。這一結果再一次強化了倒U型影響的驗證水平，說明該結論對于單獨特定的重要污染物同樣適用。

（四）異質性檢驗

1.按企業所在地區分組

中國經濟發展水平存在差異，因此有必要進行基于區位的異質性分析。本文將企業按所在地區分為東部、中部、西部和北部、南部。為了消除樣本減少的問題，本文構建了地區虛擬變量Regionit。本文采用的東、中、西部的劃分以中國統計局的三大區域為基礎，而南北部的劃分缺乏正式的劃分方法，因此采用了呂承超等提出的劃分方法［35］，即北方地區包括黑龍江、吉林、遼寧、內蒙古、河北、北京、天津、山西、陜西、寧夏、甘肅、新疆、青海等 13 個省級行政單位，其余為南方地區。

lnSPIit=α0+α1GVCit×Regionit+α2GVCit2×Regionit+α3SCEit+∑CONTROLit+γi+δt+εit（15）

表5為本文研究地區異質性而設計的模型結果，GVC參與度的一次項系數與各地區虛擬變量的交叉乘積顯著為正，而二次項與地區虛擬變量的交叉乘積顯著為負。這表明，GVC參與水平對企業排放強度存在明顯的倒U型影響，而且這一結論在區分地區后仍然非常穩健。進一步觀察拐點的分布特征發現，東、中、西部三條曲線的極值點分別為0642156863、0.616915423和0.63592233，這表明東部地區企業污染排放受GVC參與水平影響的趨勢逆轉臨界點最高，需要當地企業達到0.642156863的GVC參與水平標準。這可能是由于東部地區是中國最早參與GVC的地區，因此長期以來積累了較多的低端產業部門；西部地區的GVC逆轉門檻高于中部地區，主要原因是西部地區經濟基礎最薄弱，在引進GVC中高端參與企業方面與中部和東部地區存在差異。而低端參與度企業受地理交通等因素限制，吸引力也弱于中部地區。由此可見，過去西部地區招商引資存在較為明顯的地方政府放松環保約束的行為。此外，南北差異下的系數值恰好相同（但其余變量和標準差等有顯著差異），使得南北差異下的GVC極值點相同，南北方在GVC影響出口企業污染排放方面沒有明顯差異。

2.按企業規模差異分組

不同的企業規模會影響企業的技術水平和各種環保投資的潛力，因此也應根據企業規模的差異進行分組，以驗證本文趨勢關系結論的可靠性。為此，本文按照資產規模將企業分為三類：小型企業、中型企業和大型企業?；貧w結果如表6所示，變量上標small、medium、large分別表示對應的小型企業、中型企業和大型企業。樣本分組后，小、中、大型企業參與GVC的一次項和二次項與污染排放強度綜合指標仍保持相關關系，顯著性和系數符號符合預期。即使區分為大中小型企業，不同規模的污染排放與GVC參與之間仍然存在非線性的倒U型關系。此外，考察不同規模企業的拐點分布可以發現，大、中、小型企業的極值點分別為0.6300、0.6322和0.6650，大型企業進入污染排放下行區間的臨界點最高，而中小型企業的臨界點水平大致相同。原因在于大型企業初始固定資產投資較大，在引進和消化新設備方面可能存在較為明顯的障礙，而盲目推動中小企業整合未必能產生更理想的環境績效結果。

五、多重中介效應分析

（一）不同嵌入路徑的環境效應

通過構建非線性回歸模型可知，中國參與GVC與企業污染排放之間的關系是倒U型。本文猜測，形成倒U型態勢的可能原因在于企業嵌入GVC的模式不同——上游嵌入和下游嵌入所產生的排污影響不同。前期，參與GVC的低端鎖定、路徑依賴及要素投入擴大效果更加明顯，企業處于GVC當中的下游位置；后期，隨著一定幅度的技術積累、產業升級等原因，原有GVC分工位置出現了改變，企業更多地涉足GVC的上游高附加值環節，而能否實現環境績效改善和排放下降，關鍵在于能否實現一定程度上的GVC分工位置的進步。因此，本文構建OU與ID影響企業污染排放的固定效應模型。為了強化能源約束，本文構建了企業非清潔能源占比變量Enegryit，即該企業所有能耗標準煤總量當中煤炭、石油標準煤份額的占比。模型設定如下列方程組所示：

lnSPIit=α0+α1OUit+α2Enegryit+∑CONTROLit+γi+δt+εit（16）

lnSPIit=α0+α1OUit+α2Enegryit+α3OU×Enegryit+∑CONTROLit+γi+δt+εit（17）

lnSPIit=α0+α1IDit+α2Enegryit+∑CONTROLit+γi+δt+εit（18）

lnSPIit=α0+α1IDit+α2Enegryit+α3IDit×Enegryit+∑CONTROLit+γi+δt+εit（19）

表7中，（1）列得到的結果顯示在該情形下，企業上游環節參與度依舊與其綜合污染排放水平呈顯著負相關，企業上游環節參與水平每提高1個單位，其污染排放強度將下降0.653個基點。而新加入的非清潔能源份額占比則與污染排放呈正向相關，這與理論預期一致。此外，本文還構建了交乘項OU×Enegryit以考察非清潔能源占比對GVC上游環節參與度減排效果的調節效應。由式（17）結果可知，交乘項顯著為正，與主變量符號相反，說明在同等GVC上游環節參與程度下，非清潔能源使用占比越高，企業由參與上游環節所帶來的減排效果越弱。表7中，（3）列得到的結果顯示，企業下游環節參與度依舊與綜合污染排放水平呈顯著負相關，企業上游環節參與水平每提高1個單位，其污染排放強度將上升0.321個基點。新加入的非清潔能源份額占比則與污染排放呈正向相關，這與理論預期一致。此外，本文依舊構建了交乘項ID×Enegryit以考察非清潔能源占比對GVC下游環節參與度減排效果的調節效應。由式（19）結果可知，交乘項顯著為正，說明在同等GVC下游環節參與程度下，非清潔能源使用占比越高，企業由參與下游環節所帶來的污染效果越強

從回歸結果不難看出，無論是否引入企業當地能耗強度和其他控制變量等因素，OU均對企業污染排放強度產生顯著的負向相關性影響，ID對企業污染排放強度產生顯著的正向相關性影響。對發展中經濟體而言，上游產業經濟比重越高，OU水平就越高，則環境績效整體表現將得到明顯改善。在GVC上游環節參與水平較高的企業，其自身知識、技術、資金、市場信息等的積累更為集中，且均為市場運行當中的高級生產要素，從而為其承擔全產業鏈當中高附加值部分（如研發、售后、品牌營銷、核心零部件供應）創造了有利條件，使其能夠在全球產業鏈利益分配當中拔得頭籌，并開始注重社會觀感和企業責任，以營造良好的市場商譽和社會認同，進而共同促使企業自身污染排放水平的逐步下降。而ID水平越高，說明企業的下游經濟比重越大，企業參與GVC后表現為污染物排放的增加。

（二）多重中介效應回歸分析

由上文可知，OU對企業污染呈負向影響，ID對企業污染呈正向影響，若兩者都是GVC的中介變量，則倒U型關系形成的原因是這兩種效應合并后的結果。由于中介變量個數為2個，則可能存在多重中介效應。圖4為包含i個中介變量（此處i大于1）的并行多重中介模型示意圖，其中X為自變量，Y為因變量，相應的M為對應多個中介變量。通過該圖可以看出，多重并行中介變量之間不存在相關性影響。

根據并行多重中介效應模型的相關設定，所設計的模型如式（20）～式（22）所示，相應回歸結果如表 8所示。

OUit=α0+α1GVCit+α2GVCit2+γi+δt+εit（20）

IDit=α0+α1GVCit+α2GVCit2+γi+δt+εit（21）

lnSPIit=α0+α1GVCit+α2GVCit2+α3OUit+α4IDit+α5SCEit+∑CONTROLit+γi+δt+εit（22）

首先，考察基準回歸當中自變量GVCit一次項及二次項對因變量lnSPIit的顯著性水平。顯然，在本文基準回歸當中，已證明GVCit對因變量存在倒U型影響趨勢。其次，考察多重中介效應當中自變量GVCit一次及二次項對中介變量OUit、IDit是否存在顯著影響。由表8（1）和（2）列回歸結果可知，自變量對中介變量存在顯著性影響。最后，在加入中介變量后，中介變量對因變量lnSPIit的影響十分顯著。因此，GVC上游環節參與度與下游環節參與度對企業污染排放均產生了部分中介效應，且該效應是并行多重中介效應。如圖 5所示，根據多重中介效應強度分析公式，在并行多重中介效應下，OUit、IDit所分別產生的中介效應強度為-0.0139092與0.0825708，占總效應份額分別為-519%（與總效應方向相反）與30.81%。

上述實證結果說明，由于上游環節參與路徑與下游環節參與路徑所產生的企業環境績效方向相反，而在參與GVC過程當中，企業上游參與水平與下游參與水平處在動態變化當中。因此，兩個方向的部分中介傳遞作用共同形成了倒U型曲線形式（見圖6）。當GVCit∈0，0.6459時，即基準回歸在極值點左側時，總體效應呈現出GVC參與度上升、企業污染排放強度提高的態勢。在該階段，企業上游環節參與路徑所產生的減排效應弱于下游環節參與路徑所產生的排放效應。隨著GVC參與度的不斷提高，企業上游環節嵌入位置不斷提升，直至GVCit∈0.6459，1，使得其由該路徑所產生的減排效果不斷加強，最終使總效果變為參與水平提高、污染排放下降。

六、研究結論與政策建議

與已有的“污染光暈”和“污染天堂”假說和其他研究不同，本文先從污染排放與GVC參與度之間的變動趨勢入手，認為二者呈現非線性的倒U型關系。為了驗證這一假說，本文提升了微觀樣本規模，并且構建了更精確的非線性關系動態面板GMM模型，得到了更為可靠的“倒U型”結論。在此基礎上，本文進一步分析發現，上游環節嵌入所代表的企業OU與下游環節嵌入所代表的企業ID產生了相反的環境效果：企業OU與污染呈負相關，企業ID與污染呈正相關，且二者與GVC參與程度形成了并行多重中介效應，即GVC的倒U型關系是OU與ID環境效應共同影響下的結果。此外，融資約束對企業參與GVC所產生的環境效應具有減弱效果，且東部地區GVC環境效應實現逆轉的要求高于中西部地區，而南北劃分后不存在明顯差異。大型企業進入污染排放下行區間的GVC臨界標準最高，這可能是因為大型企業初始固定資產投資較大，在引進和消化新設備方面可能存在較為明顯的障礙。而中小型企業的臨界點水平大致相同，當GVC分工位置未發生明顯改變時，盲目推動中小企業整合無法在低端鎖定的狀態下發揮正面的規模效應，未必能產生更為理想的環境績效結果。

在政策建議方面，第一，應當在充分聽取企業意見的基礎上，在環境規制和行政管理層面提高一定的執行標準。針對不同規模、不同行業企業所表現出的環境績效異質性特征，應當避免相同力度的政策干預；第二，增加財政治理預算，創新多元化市場激勵型環境規制政策，加大高效宣傳投送，提高環境規制執行過程中的公眾參與度；第三，打通研究機構與市場主體之間的壁壘，積極促進最新研究成果向外貿領域延伸，加快研發成果轉化速率；第四，應當善于在出口領域的新興技術創新和研發環節揚長避短，側重于開發全新的技術領域，在參與市場前沿和新興專利規則的制定過程當中提高企業OU水平；第五，在既有成熟技術領域補齊短板，突破瓶頸與低端鎖定，降低企業ID經濟成分；第六，充分調動金融體系助力能力，深化科技領域的金融扶持力度。通過各種途徑緩解出口企業外部融資困境，提升其國內產業附加值；第七，對出口結構進行優化調整，著力于穩定供應鏈，優化出口市場結構，并不斷拓展外貿領域新業態；第八，重視各類多邊平臺和貿易協定工具的運用，遵守各項國際貿易標準和規則，繼續對外開放：第九，對要素投入領域進行優化和提升，變“人口紅利”為“人才紅利”，不斷改善國內營商環境。

參考文獻：

［1］牛志偉，鄒昭晞，衛平東.全球價值鏈的發展變化與中國產業國內國際雙循環戰略選擇［J］.改革，2020，（12）：28-47.

［2］蘇丹妮，盛斌，邵朝對，等.全球價值鏈、本地化產業集聚與企業生產率的互動效應［J］.經濟研究，2020，55（3）：100-115.

［3］張少軍，李東方.生產非一體化與能源利用效率——來自中國行業面板數據的經驗研究［J］.中國工業經濟，2009，（2）：66-75.

［4］Lin J， Pan D， Davis S J， et al. China's International Trade and Air Pollution in the United States［J］. Proceedings of the National Academy of Sciences， 2014， 111（5）： 1736-1741.

［5］蔣鵬飛.FDI對中國GVC分工地位的影響——基于價值鏈升級的視角［J］.技術經濟與管理研究，2019，（9）：21-27.

［6］Arce González G， Cadarso Vecina M ?， López Santiago L， et al. Indirect Pollution Haven Hypothesis in a Context of Global Value Chain［C］∥Final WIOD Conference： Causes and Consequences of Globalization， Groningen， The Netherlands， 2012：1-26.

［7］Cole M A， Elliott R J R， Okubo T. International Environmental Outsourcing［J］. Review of World Economics， 2014， 150（6）： 639-664.

［8］陶長琪，徐志琴.融入全球價值鏈有利于實現貿易隱含碳減排嗎？［J］.數量經濟研究，2019，10（1）：16-31.

［9］潘安，郝瑞雪.全球價值鏈分工對貿易與環境失衡的影響［J］.中南財經政法大學學報，2020，（6）：143-153.

［10］潘安.全球價值鏈分工對中國對外貿易隱含碳排放的影響［J］.國際經貿探索，2017，33（3）：14-26.

［11］Vogel D. National styles of Business Regulation： A Case Study of Environmental Protection［M］. Washington D.C.： Beard Books， 2003：19.

［12］王玉燕，王建秀，閻俊愛.全球價值鏈嵌入的節能減排雙重效應——來自中國工業面板數據的經驗研究［J］.中國軟科學，2015，（8）：148-162.

［13］楊飛，孫文遠，張松林.全球價值鏈嵌入、技術進步與污染排放——基于中國分行業數據的實證研究［J］.世界經濟研究，2017，（2）：126-134+137.

［14］呂延方，崔興華，王冬.全球價值鏈參與度與貿易隱含碳［J］.數量經濟技術經濟研究，2019，36，（2）：45-65.

［15］呂越，呂云龍.中國參與全球價值鏈的環境效應分析［J］.中國人口·資源與環境，2019，29（7）：91-100.

［16］蔡禮輝，張朕，朱磊.全球價值鏈嵌入與二氧化碳排放——來自中國工業面板數據的經驗研究［J］.國際貿易問題，2020，（4）：86-104.

［17］徐博，楊來科，錢志權.全球價值鏈分工地位對于碳排放水平的影響［J］.資源科學，2020，42（3）：527-535.

［18］ Upward R， Wang Z， Zheng J. Weighing Chinas Export Basket： The Domestic Content and Technology Intensity of Chinese Exports［J］. Journal of comparative economics， 2013， 41（2）： 527-543.

［19］田巍， 余淼杰. 企業出口強度與進口中間品貿易自由化：來自中國企業的實證研究［J］. 管理世界， 2013，（1）：17.

［20］Ju J，Yu X. Productivity， Profitability， Production and Export Structures Along the Value Chain in China［J］. Journal of Comparative Economics， 2015， 43（1）：33-54.

［21］寧密密.GVC分工位置對中國企業出口匯率彈性的影響研究［D］.濟南：山東大學經濟學院，2021：119-122.

［22］史丹，李少林. 排污權交易制度與能源利用效率——對地級及以上城市的測度與實證［J］. 中國工業經濟， 2020，（9）：19.

［23］范子英，彭飛，劉沖. 政治關聯與經濟增長——基于衛星燈光數據的研究［J］. 經濟研究， 2016，（1）：114-126.

［24］秦蒙，劉修巖，李松林.城市蔓延如何影響地區經濟增長？——基于夜間燈光數據的研究［J］.經濟學（季刊），2019，（2）：527-550.

［25］吳健生， 牛妍， 彭建，等. 基于DMSP/OLS夜間燈光數據的1995—2009年中國地級市能源消費動態［J］. 地理研究， 2014，（4）：10.

［26］張少華，李蘇蘇.中國工業企業數據庫（1999～2013）的使用研究：基于插值處理方法的比較分析［J］.貴州財經大學學報，2021，（5）：20-29.

［27］邵朝對.進口競爭如何影響企業環境績效——來自中國加入WTO的準自然實驗［J］.經濟學（季刊），2021，21（5）：1615-1638.

［28］蘇丹妮，楊琦.中間品貿易自由化、環境管制與企業減排［J］.中南財經政法大學學報，2021，（5）：89-100+160.

［29］呂越，羅偉，劉斌.異質性企業與全球價值鏈嵌入：基于效率和融資的視角［J］.世界經濟，2015，38（8）：29-55.

［30］張杰，陳志遠，劉元春.中國出口國內附加值的測算與變化機制［J］.經濟研究，2013，48（10）：124-137.

［31］Kee H L， Tang H. Domestic Value Added in Chinese Exports： Firm-level Evidence［J］. Johns Hopkins University mimeo， 2016，106（6）：1402-1436.

［32］Koopman R B. US-China Economic Relations and Value Chains in Global Production Networks［C］∥Wei-Chiao Huang， Huizhong Zhou. Dragon versus Eagle： The Chinese Economy and U.S.-China Relations.Kalamazoo： W.E. Upjohn Institute for Employment Research，2012：17.

［33］袁凱華，李后建，高翔.我國制造業企業國內價值鏈嵌入度的測算與事實［J］.統計研究，2021，38（8）：83-95.

［34］Lind J T， Mehlum H. With or Without U？ The Appropriate Test for a U-shaped Relationship［J］. Oxford Bulletin of Economics and Statistics， 2010， 72（1）： 109-118.

［35］呂承超，索琪，楊歡.“南北”還是“東西”地區經濟差距大？——中國地區經濟差距及其影響因素的比較研究［J］.數量經濟技術經濟研究，2021，38（9）：80-97.

A Research on the Nonlinear Relationship of the Environmental Impact of Chinas Foreign Trade：Based on the Perspective of Global Value Chain

SHAO Xuyang， XU Honghai， SU Wei

Abstract： This article constructs a dynamic panel GMM model and finds that the degree of GVC participation of enterprises and pollution emissions show a nonlinear inverted U-shaped relationship. The pollution emission of enterprises increases and then decreases with the increase of GVC participation degree. This article further constructs upstream degree and downstream degree and pollution emission impact model and finds that upstream degree is negatively correlated with pollution emission， the upstream economic component of enterprises in GVC will produce emission reduction effect; while the downstream degree is positively correlated with pollution emission， which means that the upstream economic component of enterprises in GVC will increase the pollution emission. Based on the above conclusions， this article constructs a multiple mediation effect model and finds that the formation of the inverted U-shaped relationship is the final result of the mutual influence of the upstream and downstream participation of enterprises.

Key words： GVC participation degree; corporate pollution emissions; international trade

（責任編輯：葉光雄）