长三角区域绿色技术创新效率的时空演化格局及驱动因素

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-12-29

孙燕铭^,¹^,²^,³, 谌思邈^,³

1.华东师范大学全球创新与发展研究院,上海 200062

2.华东师范大学崇明生态研究院,上海 202162

3.华东师范大学城市与区域科学学院,上海 200241

The spatio-temporal evolutionary pattern and driving forces mechanism of green technology innovation efficiency in the Yangtze River Delta region

SUN Yanming^,¹^,²^,³, SHEN Simiao^,³

1. Institute for Global Innovation and Development, East China Normal University, Shanghai 200062, China

2. Institute of Eco-Chongming, East China Normal University, Shanghai 202162, China

3. School of Urban & Regional Sciences, East China Normal University, Shanghai 200241, China

通讯作者: 谌思邈（1996-）,女,湖南湘潭人,硕士研究生,主要研究方向为资源环境与绿色创新。 E-mail: 51193902006@stu.ecnu.edu.cn

收稿日期:2021-02-5修回日期:2021-07-26

基金资助:

国家自然科学基金项目(71703039)
上海市哲学社会科学规划青年项目(2017EJB010)
中国科学院A类战略性先导科技专项(XDA20100311)

Received:2021-02-5Revised:2021-07-26
作者简介 About authors
孙燕铭（1984-）,女,安徽合肥人,博士,副教授、硕士生导师,主要研究方向为绿色创新与绿色发展、资源与环境经济、区域可持续发展。E-mail: ymsun@re.ecnu.edu.cn

摘要
在长三角更高质量一体化的战略背景下,绿色技术创新作为绿色发展和创新驱动两大国家战略的结合点,已成为长三角区域绿色转型发展的重要引擎。通过构建包含非期望产出的超效率SBM-DEA模型,对2010—2017年长三角区域核心城市的绿色技术创新效率进行测度,并研究其时空演化格局和驱动因素。结果显示：① 在时序演变上,长三角区域的绿色技术创新效率呈现“W”型变化特征;② 在空间演变上,长三角东南部地区的绿色技术创新效率相对稳定,而中部、西南部变动明显,整体呈现连片集聚发展特征;③ 在空间关联上,长三角区域绿色技术创新效率的区域空间联系逐渐由“极化效应”转变为“涓滴效应”,泰尔指数和基尼系数整体表现为与时序演变相反的“M”型变化特征;④ 基于长三角区域绿色技术创新投入、产出及效率测算结果,将各城市划分为高高高、高高低、高低低、低高高、低低高和低低低六种类型,进一步揭示了长三角区域绿色技术创新发展路径的区域差异;⑤ 驱动因素分析结果表明,环境规制、经济发展、产业结构、对外开放和人力资本皆对长三角区域整体的绿色技术创新效率有着显著的正向促进影响,但创新支持具有显著的负向溢出效应。
关键词： 绿色技术创新效率;超效率SBM-DEA;时空演化;驱动因素;长三角区域

Abstract

In the strategic background of high quality integration in the Yangtze River Delta (YRD), green technology innovation, as the combination of green development and innovation-driven national strategies, has become an important engine of green transformation and development in the region. This paper, by constructing a super-efficiency SBM-DEA model that includes undesired output, measures the efficiency of green technology innovation in core cities of the YRD from 2010 to 2017, and studies its spatio-temporal evolutionary pattern and driving forces mechanism. The results show that, (1) In terms of time series evolution, the green technology innovation efficiency in the study region shows a “W”-shape pattern. (2) In terms of spatial evolution, the green technology innovation efficiency in the southeast of the YRD is relatively stable, while changes in the central and southwestern parts are obvious, showing the characteristics of continuous agglomeration and development as a whole. (3) In terms of spatial correlation, the regional spatial relationship of green technology innovation efficiency in the YRD has gradually changed from the “polarization effect” to the “trickle down effect”. As a whole, Theil index and Gini coefficient show the characteristics of an “M” change opposite to the evolution of time series. (4) Based on the measured results of input, output and efficiency of green technology innovation in the delta region, all cities are identified into six types: high-high-high, high-high-low, high-low-low, low-high-high, low-low-high, and low-low-low This further reveals regional differences in the development path of green technology innovation in the YRD. (5) The research results of driving forces mechanism show that environmental regulation, economic development, industrial structure, opening degree to the outside world, human capital and urbanization all play significant positive roles in promoting the spatio-temporal evolution of green technology innovation efficiency in the YRD, while the innovation support has a significant negative spillover effect. (6) On the whole, the green technology innovation in the study region does have a significant “Porter Hypothesis” effect, but the “pollution paradise” effect mentioned in the literature has not been found.

Keywords：green technology innovation efficiency;super-efficiency SBM-DEA;spatio-temporal evolution;driving factor;Yangtze River Delta

PDF (6212KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex 收藏本文
本文引用格式
孙燕铭, 谌思邈. 长三角区域绿色技术创新效率的时空演化格局及驱动因素[J]. 地理研究, 2021, 40(10): 2743-2759 doi:10.11821/dlyj020210102
SUN Yanming, SHEN Simiao. The spatio-temporal evolutionary pattern and driving forces mechanism of green technology innovation efficiency in the Yangtze River Delta region[J]. Geographical Research, 2021, 40(10): 2743-2759 doi:10.11821/dlyj020210102

1 引言

改革开放以来,中国在实现了四十多年高速经济增长的同时,也产生了严重的环境污染,对公众健康和社会福利造成了重要影响,不利于社会经济的可持续发展。2005年,习近平总书记在浙江安吉考察时首次提出了“绿水青山就是金山银山”的论断。党的十九届五中全会上,国家进一步提出“推动绿色发展,促进人与自然和谐共生”的可持续发展理念。“十三五”规划期是中国产业转型升级、经济结构调整的关键时期,绿色发展已成为引领全局的重要发展路径。“十四五”规划提出的“构建市场导向的绿色技术创新体系,实施绿色技术创新攻关行动”,进一步明确了绿色技术创新的重要性。长三角地区作为中国区域发展战略的重大策源地,是“一带一路”倡议与长江经济带的重要交汇地带,对长江经济带以及全国具有一定的辐射带动作用,在高强度开发过程中也面临着严重的生态破坏与环境污染问题。在当前长三角更高质量一体化发展的国家战略实践中,更要坚持“创新”和“绿色”发展的理念,走“生态优先、绿色发展”的道路。

“绿色技术创新”（green technology innovation）的概念最早由Braun和Wield提出,他们认为绿色技术创新是指通过采用技术工艺,在减少环境污染、原材料和能源消耗的基础上生产绿色产品的过程^[1]。随后Fussler和James在专著《驱动绿色创新》中指出,绿色技术创新是那些能大大降低环境影响的新技术^[2]。Mirata和Emtairah认为绿色技术创新是能够改善环境的创新技术^[3]。在已有文献研究的基础上,本文对于绿色技术创新概念的理解是,绿色技术创新强调“创新”与“环境效益”的双重属性,是以实现绿色发展为核心目标,注重通过创新来提供新的产品、工艺、服务和市场方案,减少自然资源消耗、降低生态环境损害、提高资源配置效率的创新活动。因此,绿色技术创新不仅包含创新的经济效益,即以更少的资源要素投入获取更高的经济产出,还强调“创新”所带来的新知识、新技术成果的知识溢出外部性,更强调降低污染排放、节约资源能源的“环境效益”外部性特征。相对于已有文献,本文所研究的绿色技术创新概念更为综合地涵盖了创新本身的经济属性、知识溢出属性和环境友好属性。

从企业生产过程中投入产出综合评价的角度,本研究对绿色技术创新效率给予重点关注,考察既有的资本要素、劳动力要素和资源要素所能创造出较高的期望产出（综合考虑创新效益、经济效益、环境效益）以及较低非期望产出（环境污染）的能力,即现有的绿色技术创新要素资源投入能否得到合理有效的配置,它更为综合地衡量了绿色技术创新的经济效率、创新效率和环境效率。与绿色创新或绿色技术创新水平的概念相比^[4],后者侧重于从绿色技术创新产出和成果方面探讨创新活动本身,而基于综合效率评价展开的研究则能从投入和产出的角度、更综合地分析绿色技术创新活动的过程以及对于资源要素的合理有效使用。因此,本文对绿色技术创新效率进行综合评价,以期更为完整地反映创新活动的过程。

关于绿色技术创新效率的研究,已有的文献主要从绿色技术创新效率评价、绿色技术创新效率的时空演变和绿色技术创新效率的驱动因素三方面展开。

关于绿色技术创新效率评价。从评价对象来看,已有文献大多从行业层面入手,对重污染行业、先进制造业、高技术产业以及更为宽泛的工业部门^[5]进行系统评价。从评价方法来看,现有研究主要采用参数法和非参数法。前者主要通过随机前沿分析（Stochastic Frontier Analysis,SFA）来估计误差项进而确立产出,如肖黎明等运用随机前沿模型超越对数产出距离函数对中国30个省的绿色技术创新效率及技术创新效率进行了测度^[6],曹霞等通过改进随机前沿模型测度了2005—2011年中国30个省市地区的绿色技术创新效率^[7],也不乏****直接利用绿色专利数量来评价绿色技术创新水平。后者则更多采用数据包络分析（Data Envelopment Analysis,DEA）等投入产出模型对绿色技术创新进行系统评价^[8,9],如陈赋等基于两阶段关联网络DEA,测算了中国2003—2017年各省的绿色技术创新效率^[10],梁中等基于DEA-BCC模型测算了中国30个省区2005—2016年的绿色技术创新效率^[11]。从评价指标来看,已有文献对绿色技术创新效率的测算通常仅从资本、劳动力等方面来衡量绿色技术创新投入,从技术创新产出和经济效益等方面来衡量期望产出,评价体系并未考虑到资源投入和环境效益。

关于绿色技术创新效率的时空演变。区域层面绿色技术创新能力评价主要以省域尺度为主,如肖黎明等基于随机前沿模型测度了中国2004—2015年30个省份的绿色技术创新效率,分析了中国绿色技术创新效率的空间特征及演进规律^[12];闫华飞等基于超效率SBM和Malmquist指数模型,对2013—2017年长江经济带沿线11省市的工业绿色技术创新效率进行静态测度与时空演变分析^[13]。研究尺度上,已有研究主要从省级尺度来研究绿色技术创新,而从更细致的地级市尺度研究国家重大战略区域绿色技术创新效率及其时空特征的文献较为有限。

关于绿色技术创新效率的驱动因素。现有研究主要关注环境规制、政府支持、对外开放、经济发展、产业结构、人才储备等与区域绿色技术创新主体和绿色技术创新环境相关的因素变量对绿色技术创新效率的影响。例如,黄磊等主要从绿色和技术两个维度,选取经济发展、环境规制、政府支持、外商投资、产业结构和企业效益等6个方面识别驱动长江经济带绿色技术创新发展的主导因素,以此探讨绿色技术创新效率内在驱动机制^[14]。成琼文等结合中国工业行业绿色技术创新发展现状及特征,从市场环境、技术环境和政策环境3个维度构建了工业行业绿色技术创新效率的驱动因素模型^[15]。

在已有研究的基础上,本文基于2010—2017年长三角区域核心城市的空间面板数据,充分考虑企业生产中的非期望产出特性,运用包含非期望产出的超效率SBM-DEA模型测度绿色技术创新效率,进而深入探究其时空演化格局及驱动机理,得出相应的政策建议,以期为进一步提升长三角区域的绿色技术创新水平以及长三角更高质量一体化发展提供借鉴和参考。

本文的主要贡献在于：① 由于绿色技术创新活动不仅涉及能够降低资源消耗的新技术研发,还包含能够改善环境质量、降低污染水平的创新活动,因此,本研究在绿色技术创新效率评价体系构建中,进一步将环境效益纳入期望产出,这有别于现有绿色技术创新文献仅考虑企业生产过程中的经济效益、创新效益、非期望产出等传统产出的组成部分。② 本文从更为细致的微观城市尺度揭示长三角区域绿色技术创新效率的时空演化特征,在一定程度上丰富了微观尺度绿色技术创新的研究。③ 本文同时探讨了环境规制这一重要的政策驱动因素和对外开放这一重要的市场驱动因素对于绿色技术创新效率演化的驱动作用,从实证上为已有文献中关于政策和市场驱动与区域绿色技术创新的关系提供经验证据。

2 评价体系构建与研究方法

2.1 评价体系构建

对长三角区域绿色技术创新效率的度量,不仅要科学合理地衡量创新效率,还要体现创新过程中的“绿色”属性,不仅要从投入-产出角度考虑投入要素在生产过程中的利用率,还要加入绿色化的理念,充分考虑资源消耗及环境污染。借鉴以往研究,兼顾指标的科学性和数据的可得性,本文尝试从人地关系地域系统入手,在传统创新指标的基础上加入环境指标,构建长三角区域包括投入、期望产出和非期望产出三个方面的绿色技术创新指标体系,系统量化多因素作用下的长三角区域绿色技术创新效率（表1）。

Tab. 1
表1
表1城市绿色技术创新效率评价体系
Tab. 1Evaluation system of urban green technology innovation efficiency

类型	一级指标	二级指标	三级指标
投入	资本要素	R&D经费	R&D内部经费支出
	劳动力要素	R&D从业人数	R&D人员全时当量
	资源要素	资源消耗	工业用水总量、工业用电总量、城市建成区面积
产出	期望产出	创新效益	发明专利申请量
		经济效益	新产品销售收入
		环境效益	工业固体废物综合利用率、生活垃圾无害化处理率
	非期望产出	环境污染	工业二氧化硫排放量、工业废水排放量、工业烟尘粉尘排放量

新窗口打开|下载CSV

在绿色技术创新投入上,主要考虑人力、物力、财力三方面,以R&D经费和R&D从业人数作为资本要素和劳动力要素的替代变量。在罗默的内生增长理论和新古典框架下的生产函数中,资本和劳动是最基本的创新投入要素。现有文献中,劳动变量通常用R&D人员全时当量、资本变量通常用R&D内部经费支出表征。资源投入方面,考虑到绿色技术创新行业的资源需求,以工业用水总量、工业用电总量和城市建成区面积表示。

在期望产出上,为更全面反映绿色技术创新活动的特点,本研究不仅涵盖一般创新活动产出,还涉及环境相关产出。从绿色环保角度出发,既包含新产品销售收入、发明专利申请量等经济要素和创新要素,也包含与综合环境污染改善状况相关的环境要素。考虑到专利评价指标的相对重要性（国际发明专利>国内发明专利）,借鉴段德忠等的方法^[16],使用尖点突变法综合计算各地区国内外发明专利申请量。绿色技术创新是企业家为适应市场需求、符合政府环境规制下所做的创新行为。经济效益是企业家创新的直接动力和目的,新产品销售收入体现的是企业将研发能力转化成经济效益的能力,故作为本文衡量绿色技术创新经济效益的指标。现阶段,工业企业推行绿色技术创新所带来的环境效益主要与工业企业减少环境污染程度和公众日益增长的环保意识相关,故本文使用工业固体废物综合利用率、生活垃圾无害化处理率来表征绿色技术创新的环境效益。

在非期望产出上,为区别于传统创新,绿色技术创新指标的选取主要考虑环境污染状况。参照已有研究成果,并基于数据的可得性,以工业二氧化硫排放量、工业废水排放量、工业烟尘粉尘排放量作为绿色技术创新的非期望产出。

本文的研究数据主要来源于《中国科技统计年鉴》（2010—2018）、《中国能源统计年鉴》（2010—2018）、国家统计局网站和相应地级市的统计公报。部分缺失值采用线性插值法予以补充。期望产出指标中的发明专利申请量来源于国家知识产权局专利检索系统（SIPO）中的国内专利和世界知识产权组织（WIPO）中的国外专利。工业固体废物综合利用率、生活垃圾无害化处理率、工业二氧化硫排放量、工业废水排放量、工业烟尘粉尘排放量来源于国泰安数据库。

2.2 研究方法：超效率SBM-DEA模型

由于数据包络分析方法可解决绿色技术创新效率指标中“创新要素影响”“环境影响”项的多种资源投入和环境污染产出单位不一致的问题,且不用考虑具体的生产函数,无需预先估计权重和参数^[17],故在研究方法上借鉴Tone提出的SBM-DEA模型^[18]作为长三角区域绿色技术创新效率的评价模型。为了更贴合实际情况,本文将非期望产出引入Super-SBM模型进行综合测算,更为真实地反映长三角区域绿色技术创新效率的本质。模型假定生产系统有n个决策单元,每一个决策单元包含3个投入产出变量,分别为投入、期望产出和非期望产出,具体计算公式为：

（1）

\min ρ^{*} = \frac{1 + \frac{1}{m} \overset{M}{\sum_{m = 1}} ? s_{m}^{x} / x_{jm}^{t}}{1 - \frac{1}{l + h} (\overset{L}{\sum_{l = 1}} ? s_{l}^{y} / y_{jl}^{t} + \overset{H}{\sum_{h = 1}} ? s_{h}^{b} / b_{jh}^{t})}

s . t . \{\begin{array}{l} x_{jm}^{t} \geq \overset{n}{\sum_{j = 1, j \neq 0}} ? λ_{j}^{t} x_{jm}^{t} + s_{m}^{x} \\ y_{jl}^{t} \geq \overset{n}{\sum_{j = 1, j \neq k}} ? λ_{j}^{t} y_{jl}^{t} - s_{l}^{y} \\ b_{jh}^{t} \geq \overset{n}{\sum_{j = 1, j \neq k}} ? λ_{j}^{t} b_{jh}^{t} + s_{h}^{b} \\ λ_{j}^{t} \geq 0, s_{m}^{x} \geq 0, s_{l}^{y} \geq 0, j = 1, ?, n \end{array}

式中：

ρ^{*}

为绿色技术创新效率值;

x_{j}^{t}

、

y_{j}^{t}

、

b_{j}^{t}

分别表示DMU

j

在

t

时期的投入、期望产出和非期望产出值;

m

、

l

、

h

分别表示投入、期望产出和非期望产出要素个数;

s_{m}^{x}

、

s_{l}^{y}

、

s_{h}^{b}

分别是投入、期望产出和非期望产出的松弛向量;

λ

是决策单元的权重向量。

3 时空特征

3.1 时序发展特征

基于本文构建的绿色技术创新效率评价指标体系,运用MaxDEA软件对包含非期望产出的超效率SBM-DEA模型进行测算,得出2010—2017年长三角区域26个城市的绿色技术创新效率（green technology innovation efficiency,GTIE）,通过效率值的高低在一定程度上反映长三角区域整体以及各个城市的绿色技术创新水平。

从整体来看,长三角区域GTIE稍有下降,总体呈“先下降-持续上升-短暂下降-后上升”的“W”型波动态势。2010—2011年,长三角地区的绿色技术创新效率迅速降低,由2010年的0.823跌至2011年的0.623,此时正值“十一五”规划与“十二五”规划的转折点,产业结构的调整可能是GTIE下降24.3%的主要原因。2012—2015年,长三角区域GTIE稳步提升,并在2015年达到观测年份的最高值0.836。在此阶段,国家提出要“重视生态文明,实现绿色创新协调发展”,长三角区域各地方政府逐渐重视“绿色技术创新”、资源的合理使用和环境污染的防治,纷纷签署相应的“目标责任书”,以及采取“积极发展低碳能源”等具体措施。政策的引导与实施促进着长三角区域绿色转型升级,使得各城市GTIE得到了较大幅度的提升。2016—2017年,绿色技术创新效率整体呈现“V”型,2016年则短暂下滑。此时正值“十三五”规划期,政府越来越重视结构性调整与节能减排,逐步“加大环境综合治理力度”,长三角区域各城市进一步响应国家号召,优化产业结构,采取“两减六治三提升”等具体措施,大力发展节能环保事业和高新技术产业,而政策的转型调整易引起绿色技术创新水平的波动。

3.2 空间演化格局

根据2010—2017年长三角区域26个城市的GTIE评价结果,基于自然断裂法进行空间可视化制图（图1）,并进一步研究长三角区域GTIE的空间分异特征。

图1

新窗口打开|下载原图ZIP|生成PPT
图12010—2017年长三角区域绿色技术创新效率的时空演化

Fig. 1The spatio-temporal evolution of green technology innovation efficiency in the Yangtze River Delta from 2010 to 2017

长三角区域绿色技术创新效率东南部地区相对稳定,中部、西南部地区变动剧烈,整体呈现连片集聚发展特征。2010—2011年,高效率城市仅包括上海市、池州市,北部地区由原来的较高效率城市“U”型包围低效率城市格局转变为低效率城市逐步吞并西北部地区较高效率城市形成低效率片区的格局。2012—2015年,较高效率城市逐步取代低效率城市,形成了长三角区域较高效率城市全片集聚发展的格局。绍兴市赶超上海市、池州市成为唯一的高效率城市,可能的原因是绍兴市在此期间通过系统谋划与统筹兼顾,大力推动绿色发展,对于其环境治理、节能减排和绿色技术创新发挥了积极作用。2016—2017年,长三角区域西北部地区和中部地区绿色技术创新效率急速降低。安庆市、芜湖市、苏州市的绿色技术创新效率急转直下,由较高效率城市跌至低效率城市,形成西北部和中部低效率连片发展的格局。

3.3 空间关联特征

在空间关联性分析中,一般采用泰尔指数和基尼系数反映区域差异程度。其中,与基尼系数相比,泰尔指数具有可分解性,能够更好地体现区域内差异和区域间差异。此外,Moran's I能够较好呈现区域空间联系与差异程度。本文采用Moran's I从整体上反映长三角区域绿色技术创新效率的全局空间集聚特征,并进一步综合使用泰尔指数和基尼系数刻画长三角区域绿色技术创新效率的区域差异特征（表2）。

Tab. 2
表2
表22010—2017年长三角区域绿色技术创新效率的空间关联指数
Tab. 2Spatial correlation index of green technology innovation efficiency in the Yangtze River Delta from 2010 to 2017

年份	2010	2011	2012	2013	2014	2015	2016	2017
Moran's I	-0.325^**	-0.052^**	-0.143^**	-0.419^**	-0.078^**	0.002^**	0.241^**	0.234^**
泰尔指数	0.187	0.290	0.151	0.152	0.177	0.164	0.297	0.284
基尼系数	0.317	0.413	0.285	0.290	0.297	0.290	0.417	0.399

说明：^***、^**、^*分别表示1%、5%、10%水平上显著。

新窗口打开|下载CSV

由空间关联性分析可知,研究期内,长三角区域GTIE的全局Moran's I整体呈现上升趋势,逐渐由“极化效应”转变为“涓滴效应”。2010—2014年长三角区域的GTIE为负相关,高效率城市被低效率城市围绕,形成增长极;2015—2017年长三角区域的GTIE呈正相关,即地理临近城市的绿色技术创新效率值相对集聚,在一定程度上说明长三角区域各城市的GTIE存在着空间上的相互关联性和依赖性。

观测期内,长三角区域GTIE的泰尔指数和基尼系数整体表现为与GTIE值相反的“M”型变化特征,2010—2011年,泰尔指数由0.187上升为0.290,基尼系数由0.317上升为0.413,说明在此期间长三角区域GTIE的区域差异迅速扩大,优者愈优、劣者恒劣的局面普遍存在。2012—2015年,泰尔指数和基尼系数变化不大,说明在此期间,长三角区域GTIE的区域差异性有所减弱。2016—2017年,长三角城市群规划正式发布,国家和地方政府在重视绿色发展、结构性调整的基础上,同时注重区域协调发展,长三角的绿色技术创新区域差异性在经历初期调整动荡后逐渐趋于缓和。

3.4 投入-产出-效率类型划分

GTIE是综合考虑环境污染和能源消耗后的高质量技术创新发展效率测度,着重从投入-产出角度考虑投入要素在生产过程中的利用率,而不同城市的绿色发展阶段不同,也导致了绿色技术创新能力不一。为进一步揭示长三角区域绿色技术创新发展路径的区域差异,本研究在综合评价区域绿色技术创新投入、产出和效率的基础上,进一步对各城市进行效率类型划分,采用熵值法对各城市绿色技术创新投入、产出均值进行综合衡量,绘制投入、产出四象限图,在此基础上,根据绿色技术创新效率均值,将长三角区域城市划分为六种类型：高投入-高产出-高效率（高高高）、高投入-高产出-低效率（高高低）、高投入-低产出-低效率（高低低）、低投入-高产出-高效率（低高高）、低投入-低产出-高效率（低低高）和低投入-低产出-低效率（低低低）。

如图2所示,处于“高高高”型的有杭州市、宁波市、上海市、苏州市等4个城市,该类型城市主要得益于其经济发展水平相对较高,因此具有提供更多绿色技术创新研发投入和后续绿色技术创新成果转化的优势,更有利于达到经济效益与环境效益平衡的状态。处于“高高低”型的有常州市、南京市、南通市、无锡市等4个城市,这4个城市隶属于江苏省,在现有的较好环境效益基础上,绿色技术创新投入规模较大,但GTIE较低。处于“高低低”型的城市有合肥市、盐城市,这2个城市投入较高,但由于绿色技术创新研发投入未能有效转化为绿色技术创新产出,导致GTIE较低。处于“低高高”型的城市仅有扬州市,说明近些年来,该城市强调以创新驱动助推经济结构转型升级的模式卓有成效。处于“低低高”型的有池州市、湖州市、金华市、绍兴市、泰州市、镇江市、舟山市等7市,效率超过1的城市中5/6的城市为该类型,这类城市主要为工业后发城市,非期望产出较低,在一定程度上弥补了绿色技术创新投入不足的劣势。其他如安庆市、滁州市等8市为“低低低”型城市,这类城市可能存在产业结构不完善的问题,污染密集型产业占比较高,给生态带来较大压力。

图2

新窗口打开|下载原图ZIP|生成PPT
图2长三角区域各城市绿色技术创新效率分类

注：绿色○的大小表示城市绿色技术创新效率值的高低。
Fig. 2Classification of green technology innovation efficiency of cities in the Yangtze River Delta

4 驱动因素分析

4.1 驱动因素构成

在绿色技术创新的驱动因素方面,大量已有文献研究表明,政策驱动因素和市场驱动因素对于绿色技术创新同样有效。本研究在借鉴相关研究成果的基础上,从政策驱动因素和市场驱动因素两个维度,划分出环境规制、创新支持、经济发展、产业结构、对外开放、人力资本和城镇化7个方面,对长三角区域绿色技术创新效率时空演化格局的驱动机制进行分析（图3）。其中,众多已有文献通过实证研究分析了环境规制政策与绿色技术创新的关系,主要有“遵循成本”“波特假说”等理论之争。在环境规制与绿色创新的关系中,“波特假说”似乎是一种理想的结果,但企业面临环境规制时有多种规避策略,比如陆铭等提及的跨界污染^[19],以及沈坤荣等发现的污染产业转移^[20],这些策略在一定时期内可能带来环境污染程度的降低,但从跨区域角度来看是一种“零和游戏”,有可能损害污染产业流入地的环境质量,使流入地出现“污染天堂”现象^[21]。因此,本文在长三角绿色技术创新时空演化格局驱动因素的研究中,将进一步关注长三角区域的绿色技术创新是否存在“波特假说”效应和“污染天堂”效应,以期从实证上为已有文献中关于政策驱动和市场驱动与区域绿色技术创新的关系提供经验证据。

图3

新窗口打开|下载原图ZIP|生成PPT
图3长三角区域绿色技术创新效率驱动机制

Fig. 3The efficiency driving mechanism of green technology innovation in the Yangtze River Delta

4.1.1 环境规制绿色技术创新作为一种能够有效减少污染物排放、提高资源配置效率的手段,与环境治理密切关联。早期文献认为环境规制会带来“遵循成本”,加重企业的生产负担,难以激励企业绿色技术创新^[22],而Porter等提出了不同的看法,认为环境规制倒逼企业进行技术创新形成的“创新补偿”效益最终可能超过“遵循成本”^[23]。Popp等在验证“波特假说”时,发现环境规制在短期内确实压缩了企业的利润空间,无法有效激励企业技术创新,但从长期来看,环境规制能使企业通过提高生产效率或绿色技术创新等方式弥补其负面影响^[24]。长三角区域作为美丽中国建设示范区,创新资源丰富,严格的环境规制可能会激励长三角区域绿色技术创新效率的提高,故本文对长三角区域绿色技术创新效率是否遵从“波特假说”进行系统验证。

4.1.2 创新支持绿色技术创新的研发与成果转化具有较强的双重外部性,一方面,企业生产负担过重,难以承担高昂的技术创新成本;另一方面,当前市场上传统的非清洁技术仍然占据优势地位,企业研发和转化绿色技术创新的收入效益作用有限^[25]。因此,充分发挥政府的引导作用,实施有效的创新激励政策,加大创新资金支持力度,营造良好的绿色技术创新环境,能有效促进区域绿色技术创新的良性发展。长三角区域仍处于区域发展不平衡、不充分的阶段,政府的支持力度在一定程度上对增强区域绿色技术创新能力具有重要支撑作用。

4.1.3 经济发展绿色技术创新作为一项化解自然环境约束、破解产业转型升级难题、提升地区经济实力的创新活动,与地区经济发展水平密切相关。一般认为经济发展具有创新资金支持效应和绿色人力资源集聚效应^[26],地区经济发展水平越高,为开展绿色技术创新活动提供的资金、基础设施和高端人才的支持也就越多,越能有效促进区域绿色技术创新的发展^[27]。长三角区域作为中国经济发展最活跃的地区之一,经济增速高于全国水平,经济发展的绿色激励作用和创新集聚作用应更为凸显。

4.1.4 对外开放对外开放程度对区域绿色技术创新发展存在“污染天堂”和“污染光环”两种假说。理论上,扩大开放程度使该地区更容易获得国际资金支持与技术溢出,有助于区域绿色技术创新能力的提高,但发达国家可能会将受限于本国环境规制的高耗能污染密集型生产环节转移至该地区^[19,20],有可能损害污染产业流入地的环境质量,使流入地出现“污染天堂”现象^[21],降低流入地的绿色技术创新水平^[28]。面对变幻莫测的外部环境,国家鼓励区域采取“坚定不移扩大对外开放”的应对措施,而长三角区域作为亚太地区重要的国际门户,其扩大对外开放的举措具有时代必然性,因此,长三角区域是否存在对外开放程度提高所引起的“污染天堂”效应也值得探讨。

4.1.5 产业结构地区产业结构作为地区资源环境压力的决定性因素,与绿色技术创新的发展联系紧密。同时,绿色技术创新是技术密集型活动,产业的内部结构调整和转型升级有利于促进产业创新活力,增强区域产业绿色技术创新的发展^[29]。长三角区域作为全球重要的现代服务业和先进制造业中心,正大力推动产业转型升级,加快培育以技术创新为核心的竞争新优势,从而有效促进区域绿色技术创新效率的提高。

4.1.6 人力资本人力资本是知识和技术的载体^[30],其中的高端技术人才更是创新驱动的动力源泉^[31],是提高绿色技术创新效率不可或缺的因素。长三角区域作为具有全球影响力的科技创新高地,人才资源充足,能稳定为绿色技术创新研发和成果转化活动提供高端技术人才支持。

4.1.7 城镇化城镇化被认为是中国实现现代化发展的必由之路,是可持续发展重要的内需潜力和发展动能所在。随着中国新型城镇化战略的实施,城镇化发展开始转型,从追求规模速度转向质量发展^[32],而绿色技术创新作为高质量可持续发展的有效手段,与城镇化水平紧密联系。长三角区域作为中国城镇化和经济发展水平最高的地区,城镇化对其绿色高质量发展的作用值得关注。

4.2 空间计量模型构建

基于以上分析,本文实证部分的基准模型如下：

（2）

Y_{it} = δ_{0} + \overset{n}{\sum_{k = 1}} ? β_{k} X_{it} + ε_{it}

式中：i和t分别代表城市和年份;

Y_{it}

表示绿色技术创新效率水平;

δ_{0}

为常数项;

X

表示驱动长三角区域绿色技术创新效率的变量矩阵,包括环境规制、创新支持、经济发展、产业结构、对外开放、人力资本和城镇化;

β

表示驱动变量的系数向量;

ε_{it}

为随机误差项。

由于长三角区域的绿色技术创新效率存在明显的空间分异特征,传统计量模型并不适用。考虑到绿色技术创新效率本身的空间相关性,在公式（2）右边加入被解释变量的空间滞后项,构成如下空间滞后模型（SLM）：

（3）

Y_{it} = δ_{0} + ρ_{0} WGTI E_{it} + \overset{n}{\sum_{k = 1}} ? β_{k} X_{it} + ε_{it}

（4）

W = \frac{1}{d^{2}}

式中：

W

为空间权重矩阵;

WGTI E_{it}

为被解释变量绿色技术创新效率的空间滞后项,表示i市t年邻近城市的绿色技术创新效率水平;

ρ_{0}

为被解释变量空间滞后项的系数,衡量绿色技术创新效率的空间关联性;

d

为两地地理距离。

由于解释变量可能存在空间相关性,在公式（3）SLM模型右边进一步引入解释变量的空间滞后项,构建空间杜宾模型（SDM）,对长三角区域绿色技术创新效率的驱动机制进行检验估计,其计量公式为：

（5）

Y_{it} = δ_{0} + ρ_{0} WGTI E_{it} + \overset{n}{\sum_{k = 1}} ? β_{k} X_{it} + \overset{n}{\sum_{k = 1}} ? θ_{k} W X_{it} + ε_{it}

式中：

W X_{it}

表示解释变量的空间滞后项,代表i市t年邻近城市绿色技术创新效率的驱动因素;

θ_{k}

为各解释变量空间滞后项的系数。

4.3 驱动因素衡量与数据来源

选定PM_2.5年均浓度的对数来表征环境规制（er）,除此以外,选取节能环保投入金额占GDP比例作为环境治理驱动因子的替代变量,以增强实证结果的稳健性;选取地方财政一般预算内科学技术支出占GDP比例表征创新支持（tech）;采用人均GDP的对数衡量地区经济发展（ec）;第二产业增加值与GDP的比值衡量产业结构（is）;外商实际投资总额占GDP比例衡量对外开放（fc）;各地区高校在校生人数衡量人力资本（tale）;年末城镇人口与年末总人口的比值衡量城镇化（urb）。变量定义与说明见表3。

Tab. 3
表3
表3变量定义与说明
Tab. 3Variable definitions and descriptions

变量名称	变量符号	衡量指标
环境规制	er	PM_2.5年均浓度的对数（逆向）
创新支持	tech	地方财政一般预算内科学技术支出占GDP比例(%)
经济发展	ec	人均国民生产总值的对数
产业结构	is	第二产业增加值占GDP的比值（%）
对外开放	fc	外商实际投资总额/GDP(%)
人力资本	tale	各地区高校在校生人数(万人)
城镇化	urb	年末城镇人口/年末总人口(%)

新窗口打开|下载CSV

本研究中,可吸入颗粒物（PM_2.5）数据来源于哥伦比亚大学发布的年度世界PM_2.5密度图,其他驱动因素指标的相关数据主要来源于国泰安数据库、《中国城市统计年鉴》（2010—2017）、国家统计局网站和相应地级市的统计公报。部分缺失值采用线性插值法予以补充。各变量的描述性统计见表4。

Tab. 4
表4
表4变量描述性统计
Tab. 4Descriptive statistics of variables

变量名称	变量符号	Mean	Std.	Min	Max
绿色技术创新效率	GTIE	0.754	0.470	0.051	2.349
环境规制	er	3.823	0.293	2.978	4.247
创新支持	tech	0.797	0.667	0.026	5.179
经济发展	ec	11.155	0.489	9.764	12.201
产业结构	is	50.542	7.407	26.320	74.730
对外开放	fc	0.053	0.033	0.003	0.188
人力资本	tale	14.677	19.408	0.500	84.080
城镇化	urb	0.430	0.225	0.118	1

新窗口打开|下载CSV

4.4 实证结果分析

普通面板回归模型城市固定效应和时间固定效应联合非显著性LR检验值均通过1%的显著性检验,表明个体和时间双固定效应模型为基准的传统面板回归模型。利用空间滞后模型和空间杜宾模型估计结果进行Wlad检验和LR检验一致显示,可以拒绝空间杜宾模型简化为空间滞后模型或空间误差模型的假设,因此重点关注空间杜宾模型估计结果。采用Hausman检验,得到的Hausman检验值为17.50,通过1%的显著性检验,故而选用固定效应的空间杜宾模型作为分析长三角区域绿色技术创新效率时空演化格局驱动机制的最优模型。

表5归纳了空间杜宾模型（SDM）的直接效应、间接效应和总效应结果,其中直接效应反映的是自变量对本城市的驱动作用程度,间接效应主要反映的是空间溢出效应,总效应主要反映了直接效应和间接效应对绿色技术创新效率的综合影响程度。第（1）~第（4）和第（5）~第（8）列分别为采用PM_2.5（PM_2.5年均浓度的对数）、gree（节能环保投入金额占GDP比例）作为环境规制的表征变量,估计结果基本一致,证明该结果基本稳健。第（1）、第（5）列为2010—2011阶段SDM分解变量结果,第（2）、第（6）列为2012—2015阶段SDM分解变量结果,第（3）、第（7）列为2016—2017阶段SDM分解变量结果,第（4）、第（8）列为2010—2017阶段SDM分解变量结果。

Tab. 5
表5
表5绿色技术创新效率驱动因素SDM的直接效应、空间效应和总效应
Tab. 5Direct effect, spatial effect and total effect of SDM, the driver of green technology innovation efficiency

		PM_2.5					gree
		（1）	（2）	（3）	（4）		（5）	（6）	（7）	（8）
直接效应	er	1.031^* (0.570)	2.039^* (1.137)	-0.548 (1.909)	1.138^* (0.630)		1.733^* (0.914)	0.035 (0.185)	-0.267 (0.228)	-0.205^* (0.106)
	tech	-0.744^* (0.395)	0.502^** (0.236)	0.130 (0.204)	-0.046 (0.082)		-0.474 (0.415)	0.477^* (0.256)	0.070 (0.232)	-0.100 (0.086)
	ec	3.090^*** (0.729)	-0.208 (0.287)	-0.850 (0.843)	-0.062 (0.235)		3.031^*** (0.597)	-0.250 (0.272)	-1.774 (1.413)	0.076 (0.235)
	is	-0.154^*** (0.023)	0.041^* (0.024)	0.150^*** (0.049)	0.007 (0.013)		-0.196^*** (0.040)	0.032 (0.024)	0.089 (0.055)	0.005 (0.013)
	fc	10.545 (6.776)	-3.374 (2.514)	10.095^** (4.761)	3.478^** (1.499)		0.729 (4.151)	-0.837 (2.388)	11.992 (7.407)	4.141^*** (1.491)
	tale	0.103^** (0.048)	0.019 (0.025)	-0.085^* (0.050)	0.033^** (0.013)		0.087^** (0.041)	0.008 (0.025)	-0.056 (0.066)	0.034^*** (0.013)
	urb	-2.377^*** (0.531)	-0.205 (0.634)	-5.898^*** (2.005)	0.830^* (0.437)		-1.843^*** (0.552)	-0.081 (0.634)	-4.694 (3.031)	0.994^** (0.445)
间接效应	er	3.042^* (0.815)	-4.355^*** (1.668)	-7.021^* (3.766)	-3.438^*** (1.177)		7.858^** (3.879)	0.873^** (0.366)	-2.439 (2.202)	0.597^** (0.297)
	tech	-3.475^* (0.580)	0.680 (0.531)	-0.646 (0.509)	-0.755^*** (0.239)		-4.036^* (2.268)		0.584 (0.650)	-2.153 (1.723)	-0.714^** (0.280)
	ec	11.711^** (0.815)	0.386 (0.525)	0.671 (2.519)	1.312^** (0.610)		7.082^** (3.394)		-0.013 (0.571)	6.309 (13.990)	0.641 (0.652)
	is	-0.168^* (0.036)	0.018 (0.046)	0.266^* (0.146)	0.119^*** (0.034)		-0.238 (0.146)		0.109^* (0.060)	0.371 (0.525)	0.154^*** (0.042)
	fc	142.537^*** (7.145)	5.327 (4.794)	17.238 (18.830)	13.656^*** (4.332)	79.210^*** (27.684)		3.886 (5.834)	10.885 (51.132)	12.084^** (4.996)
	tale	0.455^* (0.052)	-0.045 (0.039)	-0.240 (0.308)	0.034 (0.029)	0.253 (0.158)		-0.063 (0.044)	-0.448 (0.579)	-0.006 (0.033)
	urb	5.670^*** (0.662)	-1.292 (1.344)	-12.801^** (5.835)	1.035 (1.305)	6.950^*** (2.198)		-0.482 (1.610)	-5.945 (26.850)	2.174 (1.523)
总效应	er	4.073^** (1.789)	-2.316^*** (0.687)	-7.569^*** (2.473)	-2.300^*** (0.729)	9.590^** (4.618)	0.907^** (0.409)	-2.705 (2.342)	0.392 (0.334)
	tech	-4.219^* (0.337)	1.182^** (0.582)	-0.517 (0.431)	-0.801^*** (0.263)	-4.510^* (2.552)		1.061 (0.741)	-2.083 (1.831)	-0.814^*** (0.307)
	ec	14.802^** (5.935)	0.178 (0.361)	-0.178 (2.664)	1.251^** (0.547)	10.114^*** (0.807)		-0.263 (0.445)	4.535 (14.800)	0.718 (0.602)
	is	-0.322^*** (0.103)	0.059^* (0.034)	0.416^*** (0.131)	0.127^*** (0.030)	-0.436^*** (0.155)		0.141^*** (0.050)	0.459 (0.539)	0.159^*** (0.039)
	fc	153.082^** (60.055)	1.953 (4.397)	27.333 (20.512)	17.134^*** (4.526)	79.939^* (6.725)		3.049 (5.648)	22.877 (56.253)	16.225^*** (5.302)
	tale	0.558^** (0.277)	-0.026 (0.042)	-0.326 (0.324)	0.068^** (0.033)	0.339^* (0.185)		-0.055 (0.050)	-0.504 (0.620)	0.028 (0.037)
	urb	3.293 (2.118)	-1.497 (1.402)	-18.699^*** (6.305)	1.865 (1.431)	5.107^** (2.274)		-0.563 (1.764)	-10.639 (28.806)	3.169* (1.688)
	sigma_2e	0.003	0.035	0.011	0.067	0.004	0.038	0.017	0.068
	rho	-0.655^***	-1.146^***	-0.940^***	-0.554^***	-0.899^***	-0.774^***	-0.209^***	-0.343^***

说明：^***、^**、^*分别表示1%、5%、10%水平上显著;括号内为标准误。

新窗口打开|下载CSV

4.4.1 环境规制（er）结果中,2010—2017年的环境规制直接效应系数在10%的水平上显著为正,表明环境规制对提升本地绿色技术创新效率存在明显的抑制作用。董直庆等对导致这种抑制作用的原因分析结果^[25]：① 严格的环境规制使本地企业产生“遵循成本”效应。长三角区域是中国环保标准最为严格的地区之一,严格的环保标准和执行力度可能给企业生产带来过大的负担。② 政府绿色支持的实际效果与预期目标有所偏离。绿色技术创新耗时长,投入大,而传统非清洁技术仍占有较大的市场竞争优势,因此,企业可能将更多的政府补贴等用于传统非清洁技术。虽然环境规制对促进本地绿色技术创新效率提升的作用并不明显,但是却产生了较好的空间溢出效应,间接效应结果中环境规制变量的估计系数在1%水平上显著为负,且系数值明显大于前者。本地区严格的环境规制迫使一些传统的非清洁生产企业向环境政策相对灵活、政策监管相对宽松的邻近城市转移^[25],为邻近地区带来一定的绿色技术创新活力,而这一效应在2012—2017年尤为显著。从区域整体来看,环境规制空间滞后项在1%的水平上对绿色技术创新效率的影响显著为负,也就是说,环境规制水平对于邻近地区的正向影响超过了其对于本地的负向影响。这表明,对于长三角地区整体而言,环境规制水平对于其绿色技术创新效率的提升是具有促进作用的,更进一步说明了严格的环境规制在一定程度上有助于提高长三角区域整体的绿色技术创新水平,即研究期内长三角区域整体的绿色技术创新与环境规制之间确实存在“波特假说”效应。随着长三角区域各城市环境监管趋于严格,短时间内企业可能通过减产来减少污染物排放;但从长期来看,环境规制会倒逼企业加快绿色技术创新来降低污染。

4.4.2 创新支持（tech）创新支持力度对本地区绿色技术创新效率的提升并不显著,但对周边地区绿色技术创新效率的影响显著为负,这可能是由于随着政府对本地科技产业的投入增多,会逐渐吸引周边地区的人力资本和物质资本向本地转移,进而抑制了周边地区绿色技术创新效率的提升。从区域整体来看,创新支持力度对绿色技术创新效率的影响在1%水平上显著为负,说明地方政府对于创新的支持并未有效促进长三角区域绿色技术创新效率的提升。可能的原因是,政府投入的创新资金具有“公共品”性质,企业会根据其自身发展对资金的用途进行取舍,当企业对于其他方面的投入挤占了绿色技术创新研发与成果转化的资金时,就会抑制绿色技术创新效率的提升。

4.4.3 经济发展（ec）虽然经济发展对本地区绿色技术创新效率的提升并不显著,但对周边地区绿色技术创新效率的影响显著为正,说明本地政府的经济发展水平在一定程度上促进了周边地区绿色技术创新效率。从区域整体来看,经济发展水平对绿色技术创新效率的影响显著为正,表明经济发展水平能显著驱动长三角区域绿色技术创新能力的提升,这可能是由于较高的经济发展水平能够在一定程度上为绿色技术创新活动提供资金支持,有效推动了绿色技术创新成果的研发与转化。

4.4.4 产业结构（is）从本地来看,2010—2011年产业结构在1%的水平上显著抑制了绿色技术创新效率的提高,而2012—2017年产业结构转而显著提升了本地绿色技术创新效率。从邻地来看,产业结构对周边地区绿色技术创新效率的影响显著为正,说明本地政府的产业结构在一定程度上促进了周边地区绿色技术创新效率。从区域整体来看,产业结构在1%的水平上显著提升了长三角区域绿色技术创新效率,可能是由于优化产业结构能够有效的减少资源消耗、降低非期望产出、提高资源配置效率,从而促进了绿色技术创新效率的提升。

4.4.5 对外开放（fc）从本地来看,城市对外开放程度的直接效应估计系数为3.478,说明扩大对外开放对于长三角区域绿色技术创新效率有显著的促进作用。2010年以来,对外开放程度的扩大为长三角区域各城市绿色技术创新提供了外部红利,这种外部红利大大促进了长三角区域绿色技术创新的发展进程。从邻地来看,城市对外开放程度对周边地区绿色技术创新效率的驱动系数为13.656,约为本地驱动系数的4倍。从区域整体来看,城市对外开放程度显著提升了长三角区域的绿色技术创新效率,这一特征在2010—2011年尤为显著。扩大对外开放为长三角区域带来了先进的绿色生产技术、绿色管理理念和绿色技术创新活动所需的高端人才,表明长三角区域整体已经跨越了发展中国家（地区）普遍存在的“污染天堂”阶段,这与近些年来长三角区域“着力当好高水平对外开放‘领头雁’”的战略路径有着一定联系。

4.4.6 人力资本（tale）人力资本对绿色技术创新效率的直接效应估计系数显著为正,说明地区人力资本能够有效促进长三角区域绿色技术创新效率的提升,尤其是本地绿色技术创新效率。这也在一定程度上反映了长三角地区高校的高新技术人才毕业后流动性不大,虽然各地之间存在较强的人才竞争倾向,但是高素质人才对本地绿色技术创新效率确实存在路径依赖。

4.4.7 城镇化（urb） 2010—2017年,城镇化水平对本地绿色技术创新效率的影响显著为正,说明长三角区域城镇化水平在一定程度上促进了绿色技术创新效率的提升。

5 结论与建议

5.1 结论

基于2010—2017年长三角区域26个核心城市的空间面板数据,构建包含非期望产出的超效率SBM-DEA模型测度其绿色技术创新效率,同时运用探索性空间数据分析方法,探讨长三角区域绿色技术创新效率的时空演化格局,在此基础上构建空间杜宾模型,实证检验环境规制、创新支持、经济发展、产业结构、对外开放、人力资本和城镇化等区域发展因素对于绿色技术创新效率的驱动作用。研究发现：① 在时序发展上,2010—2017年,长三角区域绿色技术创新效率在整体上呈现“W”型波动的态势。② 在空间演化上,2010—2017年,长三角区域绿色技术创新效率在东南部地区相对稳定,中部、西南部地区变动剧烈,整体呈现“俱乐部趋同”特征。③ 在空间关联上,长三角区域绿色技术创新效率的区域空间联系逐渐由“极化效应”转变为“涓滴效应”,泰尔指数和基尼系数整体表现为与时序演变相反的“M”型变化特征。④ 文章基于长三角区域绿色技术创新投入、产出及效率测算结果,将各城市分为高高高、高高低、高低低、低高高、低低高和低低低六种类型,进一步揭示了长三角区域绿色技术创新发展路径的区域差异。⑤ 驱动因素分析结果表明,长三角区域绿色技术创新效率具有显著的空间溢出效应。从长三角区域整体上看,环境规制、经济发展、产业结构、对外开放和人力资本皆对绿色技术创新效率有着显著的正向促进影响,但创新支持具有显著的负向溢出效应。由此可见,对于长三角区域整体而言,绿色技术创新确实存在显著的“波特假说”效应,但没有发现已有文献中提到的“污染天堂”效应。

5.2 政策建议

针对上述结论,本文提出三点建议：

（1）长三角地区绿色技术创新建设不能简单延续核心-边缘的发展模式,要加强对长三角地区绿色技术创新协同发展的建设。核心城市在“虹吸”邻地资金、高素质劳动力的同时,也要加大对邻地的“反哺”力度,推动资源双向流动,适时释放绿色技术创新红利,缩小区域差异。

（2）在推动长三角区域绿色技术创新协同发展的基础上,也要注重因地制宜,对不同类型城市采取相应绿色技术创新提升手段。针对“高高高”型城市,应该合理运用自身发展优势,将目光投向绿色创新技术的突破、绿色管理理念的变革等方面,逐步引领区域内城市向“低高高”型城市转型;针对“高高低”型城市,应该合理利用自身投入资源,进一步提高资源配置效率,转型升级高投入低期望产出产业和高污染产业;针对“高低低”型城市,应该将重心转向绿色技术创新成果的转化方面;针对“低低高”型城市,应在尽可能保持原有环境不被破坏和原有资源配置效率的基础上,着手经济发展;针对“低低低”型城市,要一手抓经济,一手抓环境,高度重视在经济发展过程中绿色技术创新的重要性。

（3）长三角区域绿色技术创新效率时空演化格局的变化受政策影响较大,进一步提升长三角区域绿色技术创新效率的关键在于制定合理的区域政策。一方面要制定统一的环境规制政策,防止污染产业转移至环境规制较宽松的地区,另一方面,在加大政府对企业绿色补贴和创新补贴的基础上,设立专项绿色技术创新活动资金,形成“绿色技术创新补偿”,鼓励企业进行绿色技术创新活动的研发,加快绿色技术创新成果的转化,尽早向市场应用推广。

致谢：

真诚感谢匿名评审专家在论文评审中所付出的时间和精力,专家对本文严谨性、理论综述、结果分析与政策建议等方面的修改意见,使本文获益匪浅,特此感谢！

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]

Braun

, Wield

. Regulation as a means for the social control of technology
Technology Analysis & Strategic Management, 1994, 6(3):259-272. DOI: 10.1080/09537329408524171.

[本文引用: 1]

[2]

Fussler

, James

. Driving eco-innovation: A breakthrough discipline for innovation and sustainability
Pitman Pub, 1996, 6(5):297-297. DOI: 10.1002/(SICI)1099-0836(199711)6: 5<297:AID-BSE128>3.0.CO;2-R.

[本文引用: 1]

[3]

Mirata

, Emtairah

. Industrial symbiosis networks and the contribution to environmental innovation
Journal of Cleaner Production, 2005, 13(10-11):993-1002. DOI: 10.1016/j.jclepro.2004.12.010.

URL [本文引用: 1]

[4]

孙燕铭, 梅潇, 谌思邈. 长三角城市群绿色技术创新的时空格局及驱动因素研究
江淮论坛, 2021, (1):13-22, 61.

[本文引用: 1]

[ Sun

Yanming

, Mei

Xiao

, Shen

Simiao

. Research on the spatio-temporal pattern and driving factors of green technology innovation in Yangtze River Delta Urban agglomeration
Jianghuai Tribune, 2021, (1):13-22, 61.] DOI: 10.3969/j.issn.1001-862X.2021.01.003.

[本文引用: 1]

[5]

孙燕铭, 孙晓琦. 长三角城市群工业绿色全要素生产率的测度及空间分异研究
江淮论坛, 2018, (6):60-67.

[本文引用: 1]

[ Sun

Yanming

, Sun

Xiaoqi

. Financing and risk management of low carbon demonstration project: Case study of oxyfuel carbon capture project
Jianghuai Tribune, 2018, (6):60-67] DOI: 10.3969/j.issn.1001-862X.2018.06.011.

[本文引用: 1]

[6]

肖黎明, 高军峰, 韩彬. 中国省际绿色创新效率的空间溢出效应: 同质性和异质性检验
工业技术经济, 2018, 37(4):30-38.

[本文引用: 1]

[ Xiao

Liming

, Gao

Junfeng

, Han

Bin

. Spatial spillover effects of provincial green innovation efficiency in China-homogeneity and heterogeneity test
Journal of Industrial Technological Economics, 2018, 37(4):30-38.] DOI: 10.3969/j.issn.1004910X.2018.04.004.

[本文引用: 1]

[7]

曹霞, 于娟. 绿色低碳视角下中国区域创新效率研究
中国人口·资源与环境, 2015, 25(5):10-19.

[本文引用: 1]

[ Cao

Xia

, Yu

Juan

. Regional innovation efficiency in China from the green low-carbon perspective
China Population, Resources and Environment, 2015, 25(5):10-19.] DOI: 10.3969/j.issn.1002-2104.2015.05.002.

[本文引用: 1]

[8]

周亮, 车磊, 周成虎. 中国城市绿色发展效率时空演变特征及影响因素
地理学报, 2019, 74(10):2027-2044.

DOI:10.11821/dlxb201910006 [本文引用: 1]

绿色发展作为化解自然环境约束、破解经济转型难题、支撑和实现全球可持续发展目标（SDGs）关键。正逐渐成为中国生态文明建设、美丽中国建设和全球经济转型与重构的重要指导理念。在梳理绿色发展概念与内涵基础上,采用SBM-Undesirable模型、泰尔指数和空间马尔科夫链等方法,对2005-2015年中国城市绿色发展效率时空分异特征及其演变过程进行了测度与刻画,并进一步耦合自然与人文因素定量探讨了人地关系地域系统下的影响机制。研究表明：① 2005-2015年中国城市绿色发展效率稳步提升,由0.475增加到0.523,总体提高了10%,时序上呈现“W”型波动增加的阶段性演变特征。② 中国城市绿色发展效率呈现出“东中西”阶梯状递减的区域差异规律,不同类型城市群具有“国家级>区域性>地方性”倒金字塔式集群增长特征,形成了“超大城市>特大城市>大城市>中等城市>小城市”稳定等级规模结构。③ 中国城市绿色发展效率空间集聚特征显著,高效率城市存在正向溢出效应,低效率城市则负向溢出影响,“高高集聚、高带动低”的空间俱乐部趋同现象较为凸显,不同类型城市演化存在显著的路径依赖与时空惯性。④ 人地关系地域系统视角下,人文社会因素对城市绿色发展效率影响程度大于自然本底要素,其中经济实力、产业结构、开放程度和城市气温呈现积极促进作用。

[ Zhou

Liang

, Che

Lei

, Zhou

Chenghu

. Spatio-temporal evolution and influencing factors of urban green development efficiency in China
Acta Geographica Sinica, 2019, 74(10):2027-2044.] DOI: 10.11821/dlxb201910006.

[本文引用: 1]

[9]

车磊, 白永平, 周亮, 等. 中国绿色发展效率的空间特征及溢出分析
地理科学, 2018, 38(11):1788-1798.

DOI:10.13249/j.cnki.sgs.2018.11.006 [本文引用: 1]

提高绿色发展效率是建设生态文明、促进经济转型发展的重要途径。基于Super-SBM模型对中国（除港、澳、台、西藏地区）2005~2015年绿色发展效率进行测度,从空间异质、空间关联与空间机理3个方面分析绿色发展效率的空间特征,运用空间杜宾模型验证绿色发展效率的溢出效应并探讨各要素的空间传导机制。结果表明：① 2005~2015年,中国绿色发展效率表现为“先平稳再快速再稳定”的阶段性变化规律,地区间差异较大,形成了“东-中-西”阶梯式递减和“南-中-北”对称式分布的空间分异特征,“T”字型发展格局逐渐凸显。② 绿色发展效率存在显著的空间正相关,空间集聚程度逐步降低,热点区域增加,东部沿海地区形成稳定的热点区,中西部形成稳定的冷点区。③ 绿色发展效率的空间自组织性逐渐增强,空间差异不断扩大,由空间自相关导致的结构化分异更加明显,随机成分引起的空间异质性正逐渐减弱,西北-东南是空间差异的主要方向。④ 绿色发展效率存在较强的空间溢出效应,经济水平、技术创新和能源强度产生明显正向效应,产业结构则具有显著负向效应。

[ Che

Lei

, Bai

Yongping

, Zhou

Liang

, et al. Spatial characteristics and spillover analysis of green development efficiency in China
Scientia Geographica Sinica, 2018, 38(11):1788-1798.] DOI: 10.13249/j.cnki.sgs.2018.11.006.

[本文引用: 1]

[10]

陈斌, 李拓. 财政分权和环境规制促进了中国绿色技术创新吗?
统计研究, 2020, 37(6):27-39.

[本文引用: 1]

[ Chen

Bin

, Li

Tuo

. Do fiscal decentralization and environmental regulation promote green technology innovation in China?
Statistical Research, 2020, 37(6):27-39.] DOI: 10.19343/j.cnki.111302/c.2020.06.003.

[本文引用: 1]

[11]

梁中, 昂昊. 中国绿色技术创新效率演化及其空间治理
财贸研究, 2019, 30(8):16-25, 63.

[本文引用: 1]

[ Liang

Zhong

, Ang

Hao

. Evolution of green technology innovation efficiency and its spatial governance in China
Finance and Trade Research, 2019, 30(8):16-25, 63.] DOI: 10.19337/j.cnki.34-1093/f.2019.08.002.

[本文引用: 1]

[12]

肖黎明, 张仙鹏. 强可持续理念下绿色创新效率与生态福利绩效耦合协调的时空特征
自然资源学报, 2019, 34(2):312-324.

[本文引用: 1]

[ Xiao

Liming

, Zhang

Xianpeng

. Spatio-temporal characteristics of coupling coordination between green innovation efficiency and ecological welfare performance under the concept of strong sustainability
Journal of Natural Resources, 2019, 34(2):312-324.] DOI: 10.31497/zrzyxb.20190208.

[本文引用: 1]

[13]

闫华飞, 肖静, 冯兵. 长江经济带工业绿色技术创新效率的时空分异研究
重庆社会科学, 2020, (3):6-17.

[本文引用: 1]

[ Yan

Huafei

, Xiao

Jing

, Feng

Bing

. Research on the spatial-temporal differentiation of industrial green technology innovation efficiency in the Yangtze River Economic Belt
Chongqing Social Sciences, 2020, (3):6-17.] DOI: 10.19631/j.cnki.css.2020.003.001.

[本文引用: 1]

[14]

黄磊, 吴传清. 长江经济带城市工业绿色发展效率及其空间驱动机制研究
中国人口·资源与环境, 2019, 29(8):40-49.

[本文引用: 1]

[ Huang

Lei

, Wu

Chuanqing

. Study on urban industrial green development efficiency and its spatial driving mechanism in the Yangtze River Economic Belt. China Population,
Resources and Environment, 2019, 29(8):40-49.] DOI: 10.12062/cpre.20190320.

[本文引用: 1]

[15]

成琼文, 贺显祥, 李宝生. 绿色技术创新效率及其影响因素: 基于 35个工业行业的实证研究
中南大学学报: 社会科学版, 2020, 26(2):97-107.

[本文引用: 1]

[ Cheng

Qiongwen

, He

Xianxiang

, Li

Baosheng

. Green technology innovation efficiency and its influencing factors: An empirical study of 35 industrial industries in China
Journal of Central South University: Social Science Edition, 2020, 26(2):97-107.] DOI: 10.11817/j.issn.1672-3104.2020.02.011.

[本文引用: 1]

[16]

段德忠, 杜德斌, 刘承良. 上海和北京城市创新空间结构的时空演化模式
地理学报, 2015, 70(12):1911-1925.

DOI:10.11821/dlxb201512005 [本文引用: 1]

基于城市邮编区划空间数据库,从创新产出的视角建构城市创新评价指标体系,对1991-2014年上海市和北京市的创新空间结构的空间演化模式进行了探讨。研究发现：① 邮政区划为研究城市创新空间结构的生长提供了全新的视角,基于随机边缘点连线以及泰森多边形法构建的城市邮编空间数据库评价城市创新空间结构的结果较为理想,因此具有推广价值;② 25年间,上海市和北京市的创新空间结构生长体现出了诸多的共性特征：随着参与创新的城市空间单元逐年增加,区域创新产出虽总体差距在缩小,但空间集聚趋势在加剧;③ 25年间,上海市和北京市的创新空间结构生长也体现出了共性上的差异性,其中上海市创新空间结构在创新资源郊区化转移的趋势下,呈现出由单核驱动向多核共振演进,以交通干道为空间扩散廊道的辐射效应凸显,相应的,其创新产出空间关联效应也显现出了市中心空心化现象;而北京市创新空间结构始终为市中心单核主导型,并在创新资源不断向中心集聚趋势下,其创新产出空间关联效应呈现出“农村包围城市”的演化特征;④ 上海市和北京市创新空间结构与其所在的区域创新空间结构（长三角城市群和京津冀城市群）具有内在的一致性,表明城内尺度科技创新活动空间分布的均衡与非均衡规律与其所处的区域创新格局密切相关。

[ Duan

Dezhong

, Du

Debin

, Liu

Chengliang

. Spatial-temporal evolution mode of urban innovation spatial structure: A case study of Shanghai and Beijing
Acta Geographica Sinica, 2015, 70(12):1911-1925.] DOI: 10.11821/dlxb201512005.

[本文引用: 1]

[17]

Charnes

, Cooper W

, Rhodes

. Measuring efficiency of decision making units
European Journal of Operational Research, 1978, 6(2):429-444. DOI: 10.1016/0377-2217(78)90138-8.

[本文引用: 1]

[18]

Tone

. A slacks-based measure of super-efficiency in data envelopment analysis
European Journal of Operational Research, 2002, 143(1):32-41. DOI: 10.1016/ S0377-2217(01)00324-1.

URL [本文引用: 1]

[19]

陆铭, 冯皓. 集聚与减排: 城市规模差距影响工业污染强度的经验研究
世界经济, 2014, 37(7):86-114.

[本文引用: 2]

[ Lu

Ming

, Feng

Hao

. Agglomeration and emission reduction: An empirical study on the influence of urban scale gap on industrial pollution intensity
World Economy, 2014, 37(7):86-114.] DOI: CNKI:SUN:SJJJ.0.2014-07-006.

[本文引用: 2]

[20]

沈坤荣, 金刚, 方娴. 环境规制引起了污染就近转移吗?
经济研究, 2017, 52(5):44-59.

[本文引用: 2]

[ Shen

Kunrong

, Jin

Gang

, Fang

Xian

. Does environmental regulation cause pollution to transfer nearby?
Economic Research Journal, 2017, 52(5):44-59.] DOI: CNKI:SUN:JJYJ.0.2017-05-012.

[本文引用: 2]

[21]

Copeland B

, Taylor M

. Trade, growth and the environmen
Wisconsin Madison-Social Systems, 2003. DOI: 10.4337/9781781008201.00013.

[本文引用: 2]

[22]

Conrad

, Wastl

. The impact of environmental regulation on productivity in German industries
Empirical Economics, 1995, 20(4):615-633. DOI: 10.1007/BF01206060.

URL [本文引用: 1]

[23]

Porter M

, C van der

Linde

. Toward a new conception of the environment competitiveness relationship
Journal of Economics Perspectives, 1995, 9(4):97-118. DOI: 10.2307/2138392.

URL [本文引用: 1]

[24]

Popp

. International innovation and diffusion of air pollution control technologies: The effects of NO_x and SO₂ regulation in the US, Japanand Germany
Journal of Environmental Economics and Management, 2006, 51(1):46-71. DOI: 10.1016/j.jeem.2005.04.006.

URL [本文引用: 1]

[25]

董直庆, 王辉. 环境规制的“本地-邻地”绿色技术进步效应
中国工业经济, 2019, (1):100-118.

[本文引用: 3]

[ Dong

Zhiqing

, Wang

Hui

. The effect of “local-neighborhood” green technology progress on environmental regulation
China Industrial Economics, 2019, (1):100-118.] DOI: 10.19581/j.cnki.ciejournal.2019.01.006.

[本文引用: 3]

[26]

梁圣蓉, 罗良文. 国际研发资本技术溢出对绿色技术创新效率的动态效应
科研管理, 2019, 40(3):21-29.

[本文引用: 1]

[ Liang

Shengrong

, Luo

Liangwen

. The dynamic effect of international R&D capital technology spillover on the efficiency of green technology innovation
Science Research Management, 2019, 40(3):21-29.] DOI: CNKI:SUN:KYGL.0.2019-03-003.

[本文引用: 1]

[27]

汪克亮, 孟祥瑞, 杨宝臣, 等. 基于环境压力的长江经济带工业生态效率研究
资源科学, 2015, 37(7):1491-1501.

[本文引用: 1]

[ Wang

Keliang

, Meng

Xiangrui

, Yang

Baochen

, et al. The industrial eco-efficiency of the Yangtze River Economic Zone based on environmental pressure
Resources Science, 2015, 37(7):1491-1501.] DOI: 1007-7588(2015)07-1491-11

[本文引用: 1]

[28]

Qin

Xionghe

, Sun

Yanming

. Cross-regional comparative study on environmental-economic efficiency and driving forces behind efficiency improvement in China: A multistage perspective
International Journal of Environmental Research and Public Health, 2019, 16(7):1160. DOI: 10.3390/ijerph16071160.

URL [本文引用: 1]

[29]

余振, 龚惠文, 胡晓辉. 可持续性转型地理研究综述与展望
地理科学进展, 2021, 40(3):498-510.

DOI:10.18306/dlkxjz.2021.03.013 [本文引用: 1]

可持续性转型是近20 a欧洲学界的新兴研究领域,它关注既有社会技术系统向更加可持续的生产与消费模式的根本性转变,对不少国家和地区的绿色转型政策实践已经产生了重要的影响。近年来,越来越多****开始关注可持续性转型与经济地理的交叉融合,可持续性转型地理逐渐发展成为一个新兴的研究议题,着重从空间根植性与多尺度交互2个维度回答“可持续性转型在哪里发生”的问题。论文在简要总结可持续转型理论与分析框架的基础上,系统回顾和评述了转型地理研究进展与不足,并着重从中国的情境提出未来该议题的几个重点方向：① 基于中国语境下的的转型地理概念化和理论框架构建;② 后发地区可持续性转型与绿色产业追赶;③ 城市可持续性转型差异与联系;④ 多尺度交互下转型主体能动性与权力博弈;⑤ 人工智能等新兴技术对可持续转型的影响。

[ Yu

Zhen

, Gong

Huiwen

, Hu

Xiaohui

. Geography of sustainability transitions: A sympathetic critique and research agenda
Progress in Geography, 2021, 40(3):498-510.] DOI: 10.18306/dlkxjz.2021.03.013.

[本文引用: 1]

[30]

辛晓华, 吕拉昌. 中国主要城市技术创新影响环境污染的空间分异与机理
地理科学, 2021, 41(1):129-139.

DOI:10.13249/j.cnki.sgs.2021.01.014 [本文引用: 1]

基于中国285个地级及以上城市的数据,利用空间自相关模型,在全域和局域尺度分析技术创新与环境污染的空间关联,在此基础上,使用地理加权回归模型分析技术创新对环境污染影响程度的地区差异,并借助地理探测器分析其影响机理。研究结果表明:① 技术创新与环境污染均存在显著的空间集聚性,二者在全域尺度上存在正向的空间关联,在局域尺度上正向和负向关联并存,具有高创新-高污染、低创新-低污染、高创新-低污染、低创新-高污染4种集聚类型。② 所有城市的技术创新对环境污染均存在负向影响,影响程度呈现出由东向西渐次递增的空间分异格局,现有样本计算结果有条件地支持EKC曲线,技术创新能够促进经济与环境的良性发展。③ 环境污染是多种因素共同作用的结果,经济发展、产业结构、人力资本、外商直接投资、环境规制均能强化技术创新对环境污染的改善作用,技术创新对环境污染的影响更多的是通过技术进步优化产业结构,从而减少环境污染。

[ Xin

Xiaohua

, Lv

Lachang

. Spatial differentiation and mechanism of technological innovation on environmental pollution in major cities of China
Scientia Geographica Sinica, 201, 41(1):129-139.] DOI: 10.13249/j.cnki.sgs.2021.01.014.

[本文引用: 1]

[31]

张桅, 胡艳. 长三角地区创新型人力资本对绿色全要素生产率的影响: 基于空间杜宾模型的实证分析
中国人口·资源与环境, 2020, 30(9):106-120.

[本文引用: 1]

[ Zhang

Wei

, Huyan. The effect of innovative human capital on green total factor productivity in the Yangtze River Delta: An empirical analysis based on the spatial Durbin model. China Population,
Resources and Environment, 2020, 30(9):106-120.] DOI: 10.12062/cpre.20200408.

[本文引用: 1]

[32]

范擎宇, 杨山, 胡信. 耦合视角下长三角地区城镇化协调度的时空特征及交互机制
地理研究, 2020, 39(2):289-302.

DOI:10.11821/dlyj020181167 [本文引用: 1]

随着中国城镇化发展的转型,测度城镇化过程中人口、土地和经济三者发展的耦合协调关系,探索其演化过程的时空动态规律,已成为人文地理学研究新型城镇化的重要科学问题。通过构建耦合协调度模型,在测度近16年来长三角地区城镇化进程中各子系统的协调发展水平的基础上,运用空间变差函数,LISA时空跃迁等方法,分析长三角地区城镇化耦合协调的交互过程,探索其城镇化协调空间集聚的形成机制。结果表明：① 伴随长三角地区城镇化水平的显著提升,“人口、土地和经济”总体和两两耦合协调度演化均呈稳步提升的趋同现象;② 长三角地区城镇化耦合协调度空间集聚程度逐年增强,空间关联作用范围不断扩大,形成了“一极独大、三角核心、周边低平”的空间形态;③ 从各个城市的城镇化耦合水平跃迁路径来看,大多呈协同增长态势,表明城市的整体耦合协调度具有明显的路径依赖和空间锁定特征;④ 长三角地区城镇化耦合协调水平从稳定和均衡→极化集聚状态的演变动力主要来自于土地-经济的交互作用,而从极化→均衡状态的演变动力更多地来自于人口-土地的交互作用。城镇化协调度的交互过程及机制研究为新型城镇化发展和长三角城市群构建提供了理论依据和调控方向。

[ Fan

Qinyu

, Yang

Shan

, Hu

Xin

. Spatio-temporal characteristics and interaction mechanism of urbanization coordination degree in the Yangtze River Delta from a coupling perspective
Geographical Research, 2020, 39(2):289-302.] DOI: CNKI:SUN:DLYJ.0.2020-02-007.

[本文引用: 1]