环境治理对就业的非对称效应研究
——基于中国地级市面板数据

高广阔，蒋 雪，周 敏，魏志杰

（上海理工大学 管理学院，上海 200093）

一、引言

经典的库兹涅兹曲线反映了收入分配状况随经济发展过程而变化的一般规律[1]，由此引申并命名的环境库兹涅兹曲线（Environmental Kuznets Curve）用以衡量经济与环境的关系[2-3]。而这两条显著相关的“倒U型”曲线的两个同向纵坐标又演绎出环境治理与就业的对称性效应的假说[4]。但大量实证研究表明：在发达地区，不同政府在不同发展阶段，基于环境规制的不同强度，会通过多重影响机制综合作用于企业的劳动力需求，即环境治理对就业具有非对称性效应[5-6]。Kahn 和 Mansur（2013）[7]依照《美国清洁空气法案》条例检验劳动力在不同地区间的配置情况，结果表明：相比高污染密集型行业，低污染密集型行业的劳动力具有明显的聚集效应。Gray 和 Shadbegian（2014）[8]针对 2001 年美国环境保护署提出的综合条例进行检验，发现环境治理不仅不会削减造纸行业就业，还会有微小的积极正效应。而国内学者研究时间较晚，大多基于行业层面的视角对其进行研究[9-12]。张先锋等（2015）[13]采用动态面板GMM估计方法，考察环境规制与环境规制通过影响产业升级以及污染产业转移对就业规模和就业结构的影响。李珊珊（2015）[14]构建就业的影响因素模型，并运用1995—2012年省级动态面板数据实证检验了加强环境规制对劳动力就业的影响。李梦洁（2016）[15]构建计量模型并实证分析了不同环境治理强度对就业的影响，表明环境治理与就业呈“U型”关系，中国东部、中部、西部分别处于拐点右侧、附近和左侧。

综上所述，国内外学者主要聚焦在环境污染与收入间的影响和环境治理在不同行业、不同地区的影响，研究结果也大多呈现倒“U型”关系，但缺乏不同区域比较和不同行业的比较，更缺乏环境治理对就业非对称性效应的深入分析。另外，各专家运用统计学方法时存在适用性问题，采用不同方法得出的结论明显存在差异。国内学者主要采用省级面板数据忽略了省辖不同地区与行业的影响差异性，因此研究结论会因为选择数据的不同而出现不同的结果，所以研究增加了地区层面动态研究，选取中国52个地级市细化成东部、中部、西部城市，从纵向动态变化和横向区域差异两个维度，选用工业污染治理投资和排污费征收等数据分析中国环境治理的发展现状；同时，增加行业层面动态研究，采用倍差法构建非线性计量模型，选取25个工业行业2006—2016年数据，通过研究不同区域中从业人员数量、就业份额和环境治理指标，考察环境治理强度的地区间非对称差异对不同特征行业就业的影响。研究目标是从分地区、分行业的角度探究环境治理是否具有非对称性，即相同的环境治理或治理政策在不同地区、不同特征行业是否会产生不同影响，从而是否会产生不同的政策效果。

二、数据选取

研究选取的数据来源于《中国工业经济统计年鉴》和《中国环境年鉴》，剔除在地区层面存在较多缺失值行业后所获2006—2016年全国52个地区25个工业行业数据。就业指标采取各地区各行业就业人数。

（一）环境治理强度指标

文章采取各地级市单位工业增加值的工业污染治理投资额进行环境治理强度的衡量。此外还需考虑各地级市工业产业结构的差别，否则污染行业密集市或清洁行业密集市的环境治理强度会被治理成本高估或低估。因此构建的环境治理强度指标为：

其中，Iit为各地区的工业污染治理投资额，Yit为各地区的工业增加值，Sit为各地区重污染行业增加值占工业增加值的比重。

（二）行业污染程度

采用Greenstone（2002）的方法来界定重污染行业。若某一行业工业废水或废气排放量超过了整个工业部门废水或废气排放总量的7%，则把该行业视为高污染行业，reguit值越大就表示环境治理力度越强，再将单位产值的废气和废水排放量进行标准化来确定行业污染的程度，计算公式如下：

其中，Eij代表i行业j种污染物排放的平均值，max（Ej）和min（Ej）代表各个行业j种污染物排放的最大值和最小值，PEij代表i行业j种污染物的标准化值。

对各行业各种污染物的标准化值进行几何平均，目的是为了避免污染物中极端值对计算结果的影响和权重选择的随意性。结果如下：

其中，polli代表第i个行业的污染排放指数，PEi1为排放废气的标准化值，PEi2为排放废水的标准化值。表1是按照上述方法计算得出的25个工业行业在2006—2016年的污染指数平均值。可知，高污染行业主要包括造纸及纸制品行业、电力、热力的生产业、化学纤维制造业、黑色金属冶炼、纺织服装业以及化学原料制造业六大行业。

（三）环境治理强度的测算

根据式（1）可以计算出2006—2016年52个地区环境治理强度平均值（见表2）。将52个地区2006—2016年依照环境治理强度平均值由高到低划分为四个等级。

其中，高环境治理地区包括绍兴市、嘉兴市、福州市等11个地级市；较高环境治理地区包括石家庄市、保定市、太原市等14个地级市；较低环境治理地区包括吉林市、通化市、牡丹江市等16个地级市；低环境治理地区包括盘锦市、锦州市、郑州市等11个地级市。

表1 各工业行业2006—2016年污染指数均值

表2 各地区环境治理强度测算

三、模型设定与结果分析

文章将地区特征和行业特征相结合，采用倍差法非线性计量模型，目的是为了更直接地研究地区环境治理力度的差异对于不同行业就业的非对称影响和对于污染密集型行业就业的非对称效应影响。计量模型如下：

其中，lnlaborikt代表第t年地区i行业k就业人数的对数，reguit代表第t年地区i环境治理强度大小；pollk代表行业k污染程度；lnklkt代表第t年行业k资本劳动比率的对数。Xi反映地区特征的控制变量。αkt代表年份—行业的固定效应。γit代表年份—地区的固定效应。εikt为随机误差项。

鉴于行业污染指数相对来说较为固定，所以研究采用各行业污染指数的平均值来表示回归方程中的污染指数。在Xi变量中，控制变量包括平均固定资产投资额占平均GDP的比重、平均外商实际投资额占平均GDP的比重、平均第二产业产值占平均GDP的比重、年平均交通密度、平均人口规模。

β0背后的含义就是在控制行业特征的前提下，环境治理强度对工业行业的直接就业影响。β1反映污染密集型行业就业集聚的效应。假设在两个地区d1和d2有两个污染程度相同的行业h1和h2，那么当两个地区环境治理强度相同且在控制其他影响行业就业的因素前提下，两个行业的就业应该完全相同，不存在任何差别。

假设在两个地区d1和d2有两个污染程度不相同的行业h1和h2，其中，d1表示高环境治理地区，d2表示低环境治理地区；h1表示高污染行业，h2表示低污染行业。那么在控制其他行业就业的因素前提下，高环境治理地区高污染行业和低污染行业间的就业差异为：

式（5）反映的是高污染行业和低污染行业在高环境治理地区和低环境治理地区就业的差异。在控制其他变量的前提下，环境治理强度就是导致高污染行业和低污染行业在高环境治理地区和低环境治理地区就业差异的重要因素。

通过研究不同特征行业，高环境治理地区与低环境治理地区的差异转化为高污染行业与低污染行业就业水平的差异。如果β1为正，表明相对于低环境治理地区，高环境治理地区会承担更多高污染行业人群就业；如果β1为负，表明相对于高环境治理地区，低环境治理地区会承担更多的高污染行业人群就业。而且这种效应会根据β1的绝对值大小反映其显著程度。

（一）初步回归结果

表3以工业污染治理投资额占单位工业总产值作为环境治理的解释变量，再以不同地区不同行业就业人数的对数值作为被解释变量，来检验由于环境治理强度导致的就业效应和就业分布效应。

表3 回归结果

在表3的I列中，在控制地区—时间固定效应和行业—时间固定效应后，引入环境治理*行业污染（regu*poll）的交叉项；II列中加入地区工资*资本劳动比（wage*lnkl）后进一步估计；III列中引入外商直接投资、交通密度、财政支出、固定资产投资额等地区特征变量之后再次回归。从回归结构可以看出，I列、II列和III列中解释变量的系数、R方和F值均没有发生显著变化。

从表3回归结果得到的模型如下：

结果发现β1的系数为负（-1.932），说明存在低环境治理地区承担更多的高污染密集型行业①高污染密集型行业是指根据污染指数均值高低，造纸与纸制品、化学纤维制造、非金属矿物制造、化学原料与制品、黑色金属冶炼以及电热力生产供应行业该六大行业。人群的就业。β2的系数显著为正（0.674），表明在高环境治理地区大致分布在中部、西部地区，而且资本密集型行业的集聚度更高。β3的系数显著为负（-0.036 8），这表明劳动密集型行业更大程度上集聚在工资水平较高的地区。

以III列为基准来分析环境治理强度所带来的就业效应，就业弹性为：

将式（7）中带入污染程度与资本劳动比的平均值得出就业弹性为-0.413。可以看到环境治理从总体上削弱了就业。相比低污染行业，环境治理强度对于高污染行业带来的就业下降更为明显。

（二）内生性与稳健性估计

通过STATA计算，采用行业就业人数的对数（labor）为被解释变量时，得出Hausman统计量为198.24，P值为0（见表4）。由此可知，环境治理是内生变量的。经查阅相关文献，采用标准煤为工具变量，对比发现结果与表3保持一致。

表4 内生性检验

为了检验结果的稳健性，通过更换环境治理指标来进行估计。通过引入单位排污收费额（reguII）和环境综合治理率（reguIII）两个环境指标，作为环境治理的代理变量重新对不同行业就业人数、行业就业份额进行回归检验，得到如下模型：

对比表5的稳健性估计结果，发现与表3保持一致，并且稳定显著，说明模型的结果是稳定显著的。

表5 稳健性估计

依据污染程度和资本密集度差异性的特征，把各行业2006—2016年平均值作为基准值，高于基准值的划分为高污染密集型行业或高资本密集型行业，基准值以下划分为低污染密集型行业或低资本密集型行业。将工业行业大致分为四类并且对四类不同行业计算边际就业，结果如表6所示。

表6 环境治理强度对不同特征行业的边际就业影响

通过对比发现，高污染高资本密集型行业和低污染高资本密集型行业就业效应都显著为正；但是对于高污染低资本密集型行业的就业效应就显著为负。可能的原因在于：在高污染高资本密集型行业治理污染的过程中会增加劳动力的投入，这与治理成本相抵消后还有盈余；而高污染低资本密集型行业显著为负，可能是因为治理污染所需要的成本过高，超过了行业所能承受的范围，因此环境治理带来了负向的就业效应。针对低污染低资本密集型行业来说，环境变化对就业的影响可能存在“门槛效应”，即在达到一定的人口规模之前，环境治理对劳动力的投入是正向的；处于一定区间内，环境治理与劳动力供给不存在显著影响；在超过某一水平之后，环境治理和劳动力投入间存在显著负向效应。

四、主要结论与政策启示

（一）主要结论

基于2006—2016年中国52个地级市分行业的工业数据，运用倍差法非线性计量模型的实证方法考察环境治理强度的地区间非对称差异对不同特征行业就业的影响，结论显示：

第一，从环境治理对地区就业的非对称效应来看：低环境治理地区承担更多高污染行业人群的就业，即存在污染密集型行业向低环境治理地区集聚的效应；在东部、中部、西部区域，高环境治理地区大致分布在中部、西部地区，其资本密集型行业的集聚度更高，存在资本密集型行业就业分布的非对称效应。出现这种现象的原因是政府在中部、西部地区的投资力度更大，比如西部发展战略。反观京津冀地区、珠三角地区、长三角地区和东北地区等一些东部地区由于较低的环境治理力度，滋生了高污染密集型行业生存环境。这些地区大都是劳动密集型产业，产业升级较为缓慢。

第二，从环境治理对行业就业的非对称效应来看：环境治理对高污染高资本密集型行业和低污染高资本密集型行业就业存在正效应；环境治理对高污染低资本密集型行业就业存在负效应；环境治理对低污染低资本密集型行业的就业影响不确定，会随就业人口的规模有所变化，可能存在“门槛效应”。即在达到一定人口规模前，环境治理对劳动力的投入是正向的；而处于一定人口规模区间内，不存在显著影响；在超过某一水平后则存在显著负向效应。

（二）政策启示

文章研究结论蕴含的政策含义主要表现为：

第一，增加高污染高资本密集型行业治理力度，促进技术进步。环境治理虽然给高污染高资本密集型行业带来了损失，但同时也增加了劳动力投入、创造了就业机会。因此实行严格有效的治理是有利而无害的。先进的技术是产业升级的核心，对产业升级有正向积极作用，先进的科学技术能让高污染行业向精细化和专业化两个方面发展，带来更多产品需求，吸引更多优秀人才，促进就业提升。

第二，鼓励高污染企业模式转变、创新环境管理制度，政府应该通过激励机制适当补贴高污染低资本密集型企业，使得这类企业在控制影响的前提下转变自身模式。同时必须在管理上有所创新、有所突破。一方面要建立环境产权制度，科学有效的环境产权制度能够大大降低环保成本；另一方面要建立绿色税收制度。

第三，加强对低环境治理地区的监管力度，实施科学的环境治理责任制，既要考虑到保持地区产业间的合理差异，又要考虑到现阶段各地区和各行业现有的环境治理强度。低环境治理力度丝毫不能给污染密集型行业敲响警钟。政府应该根据行业的特征性，制定更为完善的目标、加大监管力度并且增加处罚手段。在环境治理方面，一定要规避西方国家“先污染后治理”的老路，坚决走“环境治理和就业并重”的双赢新路。