环境法规对出口的影响解析

环境法规对出口的影响解析贸易与环境之间的关系能够围绕两条核心途径展开：一是国际贸易所带来的经济增长和生产规模扩大是否对环境造成了消极影响；二是研究途径是环境规制对一国贸易模式的影响。

一国的贸易模式取决于其比较优势，具有比较优势的国家会倾向于出口该类商品，而不具有比较优势的国家则更偏向于进口。

随着国际贸易理论的发展，比较优势的涵盖范围逐渐从资本和劳动力这两大基本要素慢慢向外扩展到技术要素和其他投入，环境规制的引入则进一步丰富和完善了比较优势的内涵。

但是到现在为止，我们仅仅知道环境规制是影响一国比较优势，影响世界范围内污染性产业布局的众多因素之一。

环境规制会提升污染性产业的边际成本，迫使该产业从环境监管严格的国家转移到监管相对宽松的国家，由此改变了本国的贸易结构和贸易模式。

但如果环境规制带来的成本上升无法抵消要素禀赋的比较优势，上述现象就不会出现。

所以，这个问题需要结合现实产业的相关数据实行实证分析才能有说服力。

一、文献综述国外在贸易与环境的实证研究领域有大量的文献，这些研究能够分为两个阶段，第一阶段是在大约1997年之前使用横截面数据的早期研究，他们把贸易横截面变化与产业层面、国家层面或者区域层面的环境规制成本联系起来。

这类研究最后得出的结论都是环境规制的差异对贸易流没有显著影响；第二阶段把环境规制当作内生变量，发现内生性的环境政策对贸易流的影响是显著的。

横截面研究都是以国际贸易的HO（Heckscher-Ohlin）模型为基础而实行的，采用回归分析法，但是在解释变量选择和内生变量的控制上有所差异。

Tobey(1990)是这类文献中最广为引用的，文中把23个国家5个污染密集型产业的贸易出口额与要素禀赋和环境规制指标实行回归，发现环境规制指标是不显著的解释变量①。

但在接下来的省略变量检验中，环境规制对出口没有影响的原假设是不能被拒绝的。

另一种计量方法是把贸易横截面数据与产业特征指标联系起来，以Kalt(1988)、GrossmanandKrueger(1993)为代表。

典型的研究是以各个产业横截面的贸易出口额作为被解释变量，把投入要素和污染处理成本作为解释变量。

这些产业通常选择制造业部门，但更多时候是选择制造业中的污染密集型产业。

上述研究大都无法证实环境规制对贸易有直接的影响，他们对此的解释是环境处理成本（PAC）只占总成本的极小一部分，但近期的研究发现环境政策的内生性和不同行业的特征带来的异方差会对实证结果产生不可忽视的影响（CopelandandTaylor，2004）。

国内的研究远没有国外丰富，大都采用回归分析的实证方法，其研究体系和沿承性相对松散，也没有形成连贯的研究。

赵玉焕（2009）、李沫（2009）均用回归分析的方法来分析了环境规制对纺织品贸易的影响。

尹显萍（2008）对中国和欧盟的环境规制指数与进出口指数实行了相关性分析、回归分析、T检验与F检验，认为欧盟环境规制的相对严格化是中欧污染密集型产品贸易顺差的重要原因之一,从而使我国承担了更多的环境成本。

傅京燕（2008）采用中国24个行业的环境规制指标与要素禀赋建立了面板分析系统，针对内生性问题把能源指标标准煤作为工具变量实行估计，同时还实行了稳健性检验来比较环境规制对比较优势的影响。

综上，环境规制与国际贸易之间关系的实证研究有两个难点，其一环境规制或者环境严格度的衡量问题，其二环境规制的内生性问题。

第二个问题本文通过改良实证方法来解决，但第一个问题很难得到改善。

因为环境禀赋的界定与环境污染损害的测度在不同国家和不同产业之间缺乏可比性，无法形成统一的衡量标准，所以会影响理论分析的有效性。

本文将建立一个环境规制强度评价指标体系对其实行评估。

二、污染密集型产业的界定不同的产业其对环境的污染水准不同，受环境规制影响的水准和对环境规制的敏感水准也不同，本文主要分析对环境规制较为敏感的污染密集型产业，所以，将建立产业环境污染指数来衡量不同行业对环境的污染强度。

产业环境污染指数主要用来对现有制造业的环境污染强度实行衡量和排序，必须完整地反映出此产业的所有污染情况。

文献中比较常见的方法就是用污染处理成本指标来划分污染密集产业和清洁产业，有些文献直接采用此指标，有些文献则是用污染处理成本占其销售总额的百分比②或者用污染处理成本占产业总成本的百分比③来区分。

另外一种方法就是把不同行业的污染排放物总量相比较来对各产业实行排序。

因为中国官方没有公布制造业下分产业的污染处理成本数据，本文只能通过第二种方法来建立产业环境污染指数。

工业污染包括废气、废水、和固体废物三类，不同产业排放的工业污染种类有所差异，非同类的污染物不能直接在总量上相加，应先把不同产业的三类污染物排放指数化，再对指数实行相对应的处理。

基于此理念，产业环境指数由工业废水排放指数、工业废气排放指数和工业固体废物产生指数共同构建，产业环境污染指数越高，产业的污染密集水准越高，产业环境指数建立的具体方法如下：首先，用三类工业污染总排放TPij除以工业生产总值TVij，分别计算出各产业单位产值所排放的三类污染物数量PPVij；然后，对单位产值污染物排放序列实行标准化处理，得到无纲量的工业废水排放指数、工业废气排放指数和工业固体废物产生指数；最后，对以上三个污染物排放指数实行加总，得到产业环境污染指数EPi。

其中，j为污染排放物类别，分别是工业废水、工业废气和工业固体废物（j=1,2,3）；i则为各个不同的产业，共30个（i=1,2,……30）。

通过上述方法计算，能够得到我国28个行业在2001～2009年间环境污染指数④，计算出各个行业9年内环境污染指数的平均值，并按照降序排列，能够得到行业污染强度的排序，如表1所示，越靠前的行业污染越严重。

通过表1能够看到，黑色金属冶炼及压延加工业（20）、造纸及纸制品业（10）和非金属矿物制品业（19）这三个行业的平均环境污染指数都超过了1，在28个产业中污染水准最为严重，属于污染密集型产业。

而纺织服装业（6）、印刷业和记录媒介的复制（11）和电子电器机械及器材制造业（27、26）的平均环境污染指数都在0.01左右，在28个产业中属于相对清洁的行业。

以此方法排序的产业环境污染水准与国外文献对污染密集型产业的划分基本一致。

CopelandandTaylor(2004)认为钢铁、有色金属、工业化学、纸和纸制品以及非金属矿物制品这五个行业是污染最密集的⑤，这与表1中排位前5的行业相同。

所以，本文选择表1中污染最为密集的前四个产业作为实证分析的研究对象。

三、模型构建及数据说明（一）HOV模型以及扩展本文的实证分析采用了Tobey(1990)中的Heckscher-Ohlin-Vanek(H-O-V)模型。

国际贸易的要素禀赋理论（HO理论）中提出了两种产品、包括资本和劳动两大要素的H-O模型，而H-O-V模型是H-O模型向多要素和多产品的多维度方向延伸。

此模型常以三种方式被引用：要素比例研究；通过要素密集度和贸易量指标建立多商品截面回归来推断要素禀赋；第三种方式就是本文中所用的，考虑到不同行业禀赋和个体特征而对某些特定生产要素和贸易量的回归。

特定要素作为解释变量引入模型，能够表现出其对某特定行业贸易量的直接性影响。

H-O-V 模型的基本形式为：为了研究环境规制对污染密集产业比较优势的不确定性影响，在模型（1）的基础上引入环境规制变量（ERS）及其二次项。

环境规制强度表示一国对某行业排放污染的规制严格度。

另外，针对本文所研究的多截面时间序列数据，如果出口量在时间上存有路径依赖，则省略滞后的出口量会导致遗漏变量误差，估计值就是有偏和不一致的，模型（1）中加入AR(1)，即被解释变量的一阶滞后项来反映出口量的动态变化，并且考虑到不同截面之间被解释变量的非均匀性，把不可观测且不随时间变化的截面间个体效应记为ηi。

这就构成了如（2）所示的动态面板模型：（二）环境规制强度的计算本文所采用的数据均来自历年《中国统计年鉴》，产业的出口量根据盛斌（2002）中SITC与GB分类的对应标准实行处理。

环境规制强度则借鉴赵细康（2003）、傅京燕（2010）中的指标体系建立一个基于我国污染密集型行业实际污染产出的环境规制强度评价指标体系来计算。

这套体系由一个目标层（ERS综合指数）、三个评价层（废水、废气和固体废物）和若干个单项指标层构成（见表2），与上述两位学者相比本文中的指标体系更为直观和便于计算，需要的原始数据复杂水准较低。

在ERS综合评价指标体系建立之后，需要从单项指标层开始逐个计算指标，再层层上推，最终汇总成ERS综合评价指标。

本文构建ERS综合评价指标的具体步骤如下⑥。

1.计算各单项指标Eij。

其中，j为单项指标类别，分别是工业废水排放达标率、工业二氧化硫去除率、工业粉尘去除率、工业烟尘去除率和工业固体废物综合利用率（j=1,2,3,4,5）；i则为各个不同的产业，共n个（i=1,2,……n;n≤28）；2.计算各单项指标的权重，反映不同产业不同年份对不同污染物的治理力度和规制严格水准。

权重的计算公式为Wij=PPVij/TPVij。

其中，PPVij为i产业单位产值的j污染物排放，TPVij为所有产业平均单位产值下j污染物排放。

从上述公式能够看出，各污染物单项指标的权重实际上就等于某产业单位产值污染物的排放水平与所有产业的该污染物排放水平的比值。

3.将各单项指标加权平均，计算评价指标层下对应污染物的环境规制水准并汇总，得到最终的产业环境规制强度指标ERSi。

四、模型估计及结果分析模型（2）因为加入了滞后一期的被解释变量，方程中的解释变量就存有内生性问题，继续沿用常规的LSDV或者FGLS方法处理面板数据模型，即使误差项不存有序列相关的假定条件得以满足，得到的估计值仍将是有偏、非一致的。

ArellanoandBond(1991)提出基于广义矩估计（GMM）的工具变量法，该方法能有效地克服估计中的内生性问题。

在动态面板模型中，工具变量的选择最为关键，本模型中选择内生变量的两阶滞后项作为其工具变量。

这背后隐藏着一个假设条件，即原始模型中的干扰项不存有序列相关。

否则，上述工具变量设定方法就是有问题的。

也正因为如此，做动态面板分析时，必须要执行AR(2)检验，这是保证工具变量合理性的一个方面。

另外，对于某个内生变量来说，往往有多个工具变量可供使用，此时便会出现过度识别（over-identification）问题，类似于求解联立方程时，方程的个数大于未知参数的个数这种情形。

这就需要执行Sargan检验。

基于上述判断，本文使用Stata11中的Xtabond2命令来完成GMM估计，结果见表3。

如表3所示，对该模型估计中一系列系数、工具变量以及残差序列的相关性实行检验，其结果分析如下：因Wald(6)184.02(6)20.052所以，2Wald检验拒绝了（除截距项外的）模型系数均为零的原假设，方程整体系数具有统计意义；因(20)27.51,Prob(20)0.12122，所以，Sargan检验接受了GMM估计的“模型过渡约束准确”的原假设；Arellano-Bond检验均接受了残差序列不存有一阶、二阶自相关的原假设。