生态创新对长三角地区生态经济的影响

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

杜立民^,¹^,², 王如琦^,², 肖赵华²

1.浙江大学民营经济研究中心,杭州 310058

2.浙江大学经济学院,杭州 310058

The impact of ecological innovation on ecological economy of the Yangtze River Delta in China

DU Limin^,¹^,², WANG Ruqi^,², XIAO Zhaohua²

1. Center for Research of Private Economy, Zhejiang University, Hangzhou 310058, China

2. School of Economics, Zhejiang University, Hangzhou 310058, China

通讯作者: 王如琦,女,湖北黄冈人,博士研究生,研究方向为资源环境经济学。E-mail: 810516603@qq.com

收稿日期:2021-03-2修回日期:2021-08-23

基金资助:

国家社会科学基金重点项目(19AZD004)
国家自然科学基金项目(71973121)

中央高校基本科研业务费专项资金项目

Received:2021-03-2Revised:2021-08-23
作者简介 About authors
杜立民,男,浙江杭州人,教授,博士生导师,研究方向为环境经济学。E-mail: dlmzju@zju.edu.cn

摘要
面对长三角地区区域一体化的经济建设及绿色发展新需求,生态创新如何影响该区域生态经济发展水平,学术界尚未形成共识。本文基于2010—2018年长三角地区41个地级及以上城市面板数据,首先,研究了生态创新对生态经济发展的线性影响;然后,运用中介效应模型考察了生态创新对长三角地区生态经济发展的影响途径;最后,使用面板门槛模型,探索了异质性收入水平下,生态创新与生态经济之间的非线性关系。研究结果表明：①生态创新促进了长三角地区生态经济的发展;生态创新通过提升绿色技术扩散,而非绿色技术进步来推动长三角地区生态经济发展;②生态创新在不同收入水平下存在双门槛效应,即随着收入水平的上升,生态创新对生态经济发展的影响显著为正,而且其影响程度呈现出先递增后递减的非线性规律。本文建议应从提升生态技术创新能力、防止“一刀切”政策以及加强区域合作等方面来促进长三角地区生态创新一体化,从而助力该区域经济高质量发展。
关键词： 生态创新;生态经济;绿色技术扩散;绿色技术进步;面板门槛模型;长三角

Abstract

The economists have not yet reached a consensus on whether and how ecological innovation affects the development of ecological economy. This study explored the relationship between ecological innovation and ecological economy based on a panel data set of 41 cities in the Yangtze River Delta region covering the period 2010-2018. We first explored the impact of ecological innovation on ecological economy with a linear regression model, and then investigated the ways by which ecological innovation took effect by using a mediation effect model. Finally, we tested the nonlinear relationship between ecological innovation and ecological economy based on a panel threshold model. The results show that ecological innovation has significantly promoted the development of ecological economy in the Yangtze River Delta region, which is mainly driven by the improvement of green technical diffusion. In addition, ecological innovation has a significant double threshold effect on ecological economy, that is, the degree of influence of ecological innovation first increases and then decreases with the increase of income level. In order to promote the high-quality economic development of the region, we suggest that the integration of ecological innovation in the Yangtze River Delta region should be promoted from several aspects, such as improving the ability of ecological technology innovation, preventing the “one size fits all” policy, and strengthening regional cooperation.

Keywords：ecological innovation;ecological economy;green technology diffusion;green technology progress;panel threshold model;Yangtze River Delta

PDF (1316KB)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
杜立民, 王如琦, 肖赵华. 生态创新对长三角地区生态经济的影响[J]. 资源科学, 2021, 43(10): 1961-1975 doi:10.18402/resci.2021.10.03
DU Limin, WANG Ruqi, XIAO Zhaohua. The impact of ecological innovation on ecological economy of the Yangtze River Delta in China[J]. RESOURCES SCIENCE, 2021, 43(10): 1961-1975 doi:10.18402/resci.2021.10.03

1 引言

当前中国经济正处于从高速发展向高质量发展转变的关键时期。党的十八届五中全会将“创新、协调、绿色、开放、共享”五大发展理念确定为经济发展的指导方针;党的十九大报告则明确指出,推动形成绿色发展方式和生活方式是一场深刻革命,要把践行绿色发展理念放在极端重要的位置。可见,党和政府已经将“绿色发展融入经济建设”上升到战略地位,换言之,发展生态经济是推动经济高质量发展的关键,也是统筹协调生态环境问题与经济发展问题的重要手段。生态创新,又称为绿色创新、环境创新或可持续创新^[1],被认为是推动经济生态化发展的核心^[2]。近年来,中国也越来越重视生态创新发展,例如,2009—2018年,中国可再生能源技术领域的年均投资额占全球年均投资总额的近30%^[3];同时中国绿色专利申请数在2007—2017年总体上也呈现上升态势^[4]。

长三角地区是中国经济发展最活跃、开放程度最高、创新能力最强的区域之一^[5],该地区的高质量发展能够在全国范围内起到良好的示范作用,对推动中国经济的绿色转型具有特殊重要的意义。党的十八大以来,党中央和国务院将长三角一体化发展上升为国家战略,先后出台了《长江三角洲区域一体化发展规划纲要》《长三角生态绿色一体化发展示范区总体方案》等重要文件,反复强调长三角地区推进生态经济发展的重要性。那么,面对长三角地区区域一体化的经济建设及绿色发展的新需求,生态创新能否有效提升该区域生态经济发展水平?如若有效,是通过什么路径产生影响的?对这些问题的深入探讨具有重要的理论和政策意义。

鉴于此,首先,本文研究了2010—2018年长三角地区生态创新对生态经济发展的线性影响;然后,考察生态创新对长三角地区环境全要素生产率变化的影响机制;最后,探索了异质性收入水平下,生态创新与生态经济之间的非线性关系。

2 文献回顾与机制解析

2.1 文献回顾

大多数****是从创新整体层面出发考察对生态经济发展水平的影响,只有少量****从“生态”创新出发,考察两者的关系。

2.1.1 创新对生态经济发展水平的影响

****们通常遵循熊彼特创新理论展开研究,即认为创新是将新的生产要素和生产条件组合后生产一种新的产品、开拓新的市场的过程,在经济发展中十分重要^[6],主要观点有促进论、抑制论以及不确定论。①促进论是指创新对生态经济的发展有促进作用,例如,葛鹏飞等^[7]以一带一路沿线国家为例,认为基础创新和应用创新均能显著促进绿色全要素生产率的提升;冯海波等^[8]以中国30个省际面板数据为研究对象,得出R&D投入显著促进了经济增长质量;刘思明等^[9]发现一国的创新驱动力与经济高质量发展密切相关;逯进等^[10]认为中国的技术创新对绿色全要素生产率有正向影响。②抑制论认为两者之间是抑制的关系,例如,张桅等^[11]认为长三角区域增加创新型人力资本投入对绿色全要素生产率水平提升具有阻碍作用;朱金鹤等^[12]发现以人力资本表征的科技创新投入与中国生态经济发展呈现负相关关系。③而不确定论则认为两者关系不能确定,例如,Li等^[13]研究得出技术变革与绿色生产力之间存在着一定的非线性关系,且这一关系取决于特定的经济状况和城市的自然资源禀赋;陈浩等^[14]认为科技创新投入与环境全要素生产率之间呈现倒N型关系。

2.1.2 生态创新对生态经济发展水平的影响

对于生态创新与生态经济发展的研究,****们主要从生态技术创新这一狭义角度出发。部分****提出了“生态技术创新是绿色生产力增长的根本驱动力”这一基本假设,并对该假设进行实证验证,得出两种不同结论：①认为生态技术创新能够促进绿色发展^[3,15],主要从两个方面发挥作用：首先,从要素投入端来看,发展生态技术创新可以提高能源使用率以减少污染排放,提升人力资本和资本使用效率以促进经济发展;其次,从产出端来看,发展生态技术创新可以增强末端清洁能力以减缓污染排放,推动产业升级转型（由低附加产业向高附加产业转型）以带动经济的增长。②认为生态技术创新只在高收入国家或省份中才能促进绿色发展^[16,17],主要是因为生态技术创新从生产、应用到扩散是一个较为复杂的过程,初期需要较多的资金支持,受到经济发展水平的限制。少部分****认为生态创新对生态经济具有负面影响或者没有显著影响,例如,熊爱华等^[18]认为绿色技术创新对企业全要素生产率有显著的负向影响;曾刚等^[19]以中国115个资源型城市为例,认为生态创新对于促进中国资源型城市经济转型升级的作用尚未得到充分显现。

综上所述,尽管有少量****对生态创新与生态经济发展水平之间的关系进行了研究,但已有研究仍然存在以下3点问题：①主要聚焦在国家和省级层面,较少从区域层面出发,针对区域生态创新的研究仍然十分薄弱;②未考虑生态创新对生态经济的影响路径;③主要通过构建投入-产出指标体系来衡量生态创新^[20,21],但这类指标体系未能很好地区分生态创新与非生态创新,因此有待进一步构建更为合理的生态创新衡量指标。

本文可能的贡献包括以下几点：①从长三角区域层面出发,考察了生态创新对生态经济的影响,同时深入研究了生态创新对生态经济的收入门槛效应,即探讨了不同收入水平下,生态创新的生产、应用和扩散过程如何对生态经济形成异质性影响;②创新性地从绿色技术进步以及绿色技术扩散方面,考虑生态创新对生态经济发展的影响途径;③区域层面上使用更加具有针对性的指标衡量生态创新,可以较好地剥离非生态创新因素。

2.2 机制解析

生态技术创新能够最小化工业企业解决环境问题的成本,并通过新产品的开发、生产过程的技术提升来提高企业的生产率和利润率,本质上,生态技术创新是一种可以改善生态环境条件的科技创新。由此可见,与一般的技术创新相比,生态技术创新不仅关注技术创新带给企业的经济效益,更关注技术创新对生态环境产生的影响。换言之,生态技术创新的最终落脚点便是提高生态经济发展水平,并且往往是通过绿色技术扩散与绿色技术进步来实现资源利用效率的提升、生产成本的降低以及环境污染的减少。

2.2.1 生态技术创新、绿色技术扩散与生态经济发展

绿色技术扩散是指通过生态技术创新使得生产向生产前沿面推进的过程。生态技术创新通过市场规模效应、竞争效应以及知识溢出效应产生了绿色技术扩散,最终提升生态技术创新效率。

（1）进行生态技术创新的行业所产生的效益较高,将会增加该行业中的企业经济效益以及职工收入,而这部分高收入群体进一步对生态环境质量有更高的要求,从而增大以绿色创新为主的生态产品市场需求,进而形成了市场规模效应,促进企业进行生产结构转型,最终提升了区域绿色技术效率^[14]。

（2）相比传统的生产者,进行生态技术创新的生产者在生产成本、管理水平或产品竞争力等方面具有一定程度的竞争优势,能够获得更多的经济效益,这就使得传统生产者在追求更高利润和市场竞争的动机下,也进行生态创新。但由于传统生产者自主创新面临更高的成本以及更大的不确定性,因此他们倾向于引进已存在的绿色技术创新成果,进而绿色知识和绿色技术在区域内部扩散,使得区域实际的生产前沿与其潜在的生产前沿之间的距离缩短,提升了区域的绿色技术效率,最终促进了区域生态经济的发展。

（3）生态技术创新增加了区域内的生态技术知识存量,这不仅可以促进生态技术创新成果的出现,还可以通过集成创新实现创新技术的资源集成与协同,提高区域内部生态技术创新效率,从而改善区域内的绿色技术效率。

2.2.2 生态技术创新、绿色技术进步与生态经济发展

绿色技术进步是生态技术创新积累性的体现,从区域层面来说,生态技术创新通过推进区域生产前沿面来实现区域绿色技术进步,并且主要通过自主创新和绿色技术的引入来促进绿色技术进步。

（1）通过区域内部生态技术自主创新,从而直接促进绿色技术进步。区域层面上的自主创新主要是指对产业发展的关键技术的内源式供给（即关键技术的研发或者突破是在本区域内部实现的）,对部分前沿高技术的以我为主的研究开发。区域可以通过增加对自主创新活动的知识资本、R&D资本和人力资本的投入,促进区域内部生态技术创新活动及其成果转化进程,直接促进区域绿色技术进步。一个典型的例子是,2016年芜湖市正式设立芜蚌国家自主创新示范区,聚焦新能源及智能联网汽车等高新技术产业,开展绿色技术创新与推广应用,有力地推动了芜湖市生态经济发展。

（2）通过直接引进其他区域的生态技术创新成果,实现生态技术在不同区域之间的扩散,发挥正向的技术溢出效应,进而使得本区域生产前沿扩张,促进本区域的绿色技术进步。例如,2007年浙江省通过开展《绿色化学关键共性技术研究及其在化学原料药生产过程中的应用》的项目研究,最终形成了拥有自主知识产权的多项关键技术。随后,其他区域的企业通过引入这些技术,将其广泛应用于化学原料药的生产过程中,与原有工艺相比,企业能耗降低20%以上,三废产生量减少30%以上,原料成本降低10%以上。

3 研究方法及数据

3.1 生态经济发展水平的测度

发展生态经济的本质就是在追求经济增长的同时,确保自然环境能够提供人类生存所需的自然资源服务,能够同时将“经济增长”和“环境保护”这两个目标结合起来的就是环境生产率^[22,23],因此本文将非期望产出约束下的环境全要素生产率作为评价长三角地区生态经济发展水平的代理指标。

本文将Super-SBM模型（Superefficiency-Slack Based Model）与GML（Global Malmquist-Luenberger）指数相结合,测算长三角地区各城市在2010—2018年生态经济的绩效差异。假设系统中共有f （f=1, 2,…, N）个决策单位（DMUs）,每个DMU有i（i=1, 2,…, m）种投入要素,r（r=1, 2,…, s₁）种期望产出以及p（p=1, 2,…, s₂）种非期望产出构成。包含非期望产出的Super-SBM模型如下：

（1）

\begin{array}{l} ρ * = \min ρ = \frac{\frac{1}{m} \overset{m}{\sum_{i = 1}} \frac{{\overset{?}{x}}_{i}}{x_{i 0}}}{\frac{1}{s_{1} + s_{2}} (\overset{s_{1}}{\sum_{r = 1}} \frac{{\overset{?}{y}}_{r}^{g}}{y_{r 0}^{g}} + \overset{s_{2}}{\sum_{p = 1}} \frac{{\overset{?}{y}}_{p}^{b}}{y_{p 0}^{b}})} \\ s.t. \{\begin{array}{l} \overset{?}{x} \geq \overset{n}{\sum_{i = 1, f \neq 0}} x_{f} λ_{i} \\ {\overset{?}{y}}_{g} \leq \overset{n}{\sum_{i = 1, f \neq 0}} y_{f}^{g} λ_{i} \\ {\overset{?}{y}}_{b} \geq \overset{n}{\sum_{i = 1, f \neq 0}} y_{f}^{b} λ_{i} \\ \overset{?}{x} \geq x_{0}, {\overset{?}{y}}^{g} \leq y_{0}^{g}, {\overset{?}{y}}^{b} \geq y_{0}^{b}, λ > 0 \end{array} \end{array}

式中：ρ为相应的效率值,

ρ < 1

表明该决策单元是技术无效的,可通过减少投入量,增加期望产出量以及减少非期望产出量来改进效率,

ρ = 1

表明该决策单元是技术有效的;

{\overset{?}{x}}_{i} 、 {\overset{?}{y}}_{r}^{g} 、 {\overset{?}{y}}_{p}^{b}

分别为当前有效生产决策单元的投入产出变量的最优解;

x_{i 0}

、

y_{r 0}^{g}

、

y_{p 0}^{b}

分别为初期第i种投入要素、第r种期望产出以及第p种非期望产出;

x_{f}

、

y_{f}^{g}

、

y_{f}^{b}

表示第f个决策单元中的投入、期望产出以及非期望产出;λ为权重矩阵。

为了使不同时期的环境效率具有可比性,本文借鉴Oh^[24]提出来的GML指数,构建同期生产可能集以及全域生产可能性集,即：

（2）

\begin{array}{l} P_{t} (x_{t}) = {(y_{t}^{g}, y_{t}^{b}) : x_{t} 可以生产 (y_{t}^{g}, y_{t}^{b})} \\ 其中 t = 1, \dots, T \\ P_{Glo} (x_{t}) = P_{1} (x_{1}) ? P_{2} (x_{2}) ? ∙ ∙ ∙ ? P_{T} (x_{T}) \end{array}

式中：

P_{t} (x_{t})

表示第t期生产可能集;

y_{t}^{g}

表示第t期的期望产出;

y_{t}^{b}

表示第t期的非期望产出;

P_{Glo} (x_{t})

表示第t期全局生产可能集,该生产集涵盖了同时代所有期基准技术。

本文采用GML指数测算环境全要素生产率指数,并将其进一步分解为效率变动（Efficiency Change, EC）与最优实践差距变动（Best Practice Gap Change, BPC）,其中,EC用来衡量绿色技术扩散情况,而BPC用来衡量绿色技术进步变动情况。

（3）

\begin{array}{l} GM L_{t}^{t + 1} = \frac{1 + {\vec{D}}_{Glo} (x_{t}, y_{t}^{g}, y_{t}^{b}; h)}{1 + {\vec{D}}_{Glo} (x_{t + 1}, y_{t + 1}^{g}, y_{t + 1}^{b}; h)} \\ = \frac{1 + {\vec{D}}_{t} (x_{t}, y_{t}^{g}, y_{t}^{b}; h)}{1 + {\vec{D}}_{t + 1} (x_{t + 1}, y_{t + 1}^{g}, y_{t + 1}^{b}; h)} ∙ \\ \{\frac{\frac{[1 + {\vec{D}}_{Glo} (x_{t}, y_{t}^{g}, y_{t}^{b}; h)]}{[1 + {\vec{D}}_{t} (x_{t}, y_{t}^{g}, y_{t}^{b}; h)]}}{\frac{[1 + {\vec{D}}_{Glo} (x_{t + 1}, y_{t + 1}^{g}, y_{t + 1}^{b}; h)]}{[1 + {\vec{D}}_{t + 1} (x_{t + 1}, y_{t + 1}^{g}, y_{t + 1}^{b}; h)]}}\} \\ = E C_{t}^{t + 1} ∙ \frac{BP G_{Glo}^{t}}{BP G_{Glo}^{t + 1}} = E C_{t}^{t + 1} ∙ BP C_{t}^{t + 1} \end{array}

式中：

GM L_{t}^{t + 1}

表示t期到t+1期环境全要素生产率变动率;

{\vec{D}}_{Glo}

(·)为全局方向性距离函数;h为方向向量,将其设为

h = (y^{g}, - y^{b})

;

E C_{t}^{t + 1}

表示t期到t+1期绿色技术扩散变动率;

BP G_{Glo}^{t}

表示t期技术前沿和全局技术前沿之间的最优实际差距;

BP C_{t}^{t + 1}

表示t期到t+1期绿色技术进步变动率。

3.2 生态创新的测度

一般而言,“生态创新”的含义具有广义和狭义之分。从狭义的角度看,生态创新是与经济创新、社会创新相提并论的概念,或者是与技术创新相提并论的概念;从广义的角度看,生态创新泛指有利于促进生态文明建设的所有创新,包括生态理念创新、生态技术创新、生态制度创新、生态经济创新、生态环境创新等。大多数研究所指的生态创新是从狭义角度而言的,即生态技术创新。因此本文所指的生态创新也仅指生态技术创新,并运用绿色专利授权量存量来表征。

本文使用绿色专利存量指标而非计数指标的主要原因有以下3点：①从发展角度来说,技术创新是一个累积进步以及知识产生的过程,使用存量更为准确^[25];②由于绿色专利申请的波动性,计数变量可能具有较大的时间波动特征,将很难进行建模;③从专利申请和专利授予之间的时间跨度来看,专利授予产生的知识存量会随时间不断积累,而专利申请数量仅反映了当年的知识增量,因此使用专利存量指标更加合理^[26]。同时,本文采用专利数量而非R&D投入量来衡量技术创新是基于如下3点来考虑：①R&D投入是创新活动中的投入指标,而专利数量是创新活动中的产出指标,更能反映创新成果;②专利数量可以反映研究的前沿动态,因为专利申请成本较高,申请人只会为他们有价值的发明寻求保护;③由于专利数据是连续的记录,与R&D投入相比,能够提供更多的信息。为此,本文以国际专利分类对应的环境技术领域为选择标准,分别为：交通运输类（transportation）、能源节约类（energy conservation）、行政监督与设计类（administration regulatory or design aspects）、废弃物管理类（waste management）、替代能源类生产类（alternative energy production）、核电类（nuclear power generation）、和农林类（agriculture of forestry）,从中国知识产权局1997年以来公布的全部有效专利申请信息中,识别绿色发明专利授权量,并进一步加总到长三角地区城市层面。同时,借鉴Popp^[27]的方法来构建绿色专利存量,公式如下：

（4）

ETI K_{it} = \overset{t}{\sum_{k = 0}} PA T_{ik} \exp [- ϕ_{1} (t - k)] ∙ \{1 - \exp [- ϕ_{2} (t - k)]\}

式中：ETIK_it表示长三角地区城市i在第t期的生态技术创新,使用绿色专利存量表征,该存量指标是由初期到第t期的绿色专利流量加总而得,其中k=0, 1, 2,…, t,基期为2000年;PAT_ik为第i个城市第k年授予的绿色专利数量;

ϕ_{1}

表示折旧率,取值为0.22;

ϕ_{2}

表示扩散率,取值为0.03^[27]。

测算存量指标的方法,除上述方法外,还有一种是永续盘存法^[28],本文稳健性检验将使用永续盘存法进行检验。计算公式为：

（5）

ETI K_{it} = PA T_{it} + (1 - δ) ∙ ETI K_{it - 1}

式中：δ表示绿色专利的衰减率。其中初始存量计算公式为：

（6）

ETI K_{i t_{0}} = \frac{PA T_{i t_{0}}}{({\overset{?}{ω}}_{s} + δ)}

式中：

{\bar{ω}}_{s}

代表专利数在

t_{0}

和

t_{0 + 5}

期间的平均增长率,并且根据相关文献设定,δ=0.10。本部分采用永续盘存法对生态技术创新进行重新测量。

3.3 计量模型的构建

本文的核心是研究生态创新能否有效促进长三角地区生态经济的发展,也就是提高经济效率的同时,也减少环境污染。构建的基准计量模型如下：

（7）

模型一 : E E_{it} = α_{0} + α_{1} \ln EKI T_{it} + α' X_{it} + μ_{i} + φ_{t} + ε_{it}

式中：EE_it代表长三角地区城市i在t期的环境全要素生产率,用来表征当地生态经济发展水平,衡量的是当期相对于前一期的增长率,参照程惠芳等^[29]的方法,对环境全要素生产率指数结果进行调整;即假定基年2010年的环境全要素生产率为1,则2011年的环境全要素生产率为2010年环境全要素生产率乘以2010—2011年环境全要素生产率变动率,以此类推。X_it代表控制变量（包括产业结构、能源消费结构、城市劳动力就业数量、外商实际投资水平以及城市人口密度）;

μ_{i}

表示城市固定效应;

φ_{t}

表示时间固定效应;

ε_{it}

表示随机扰动项;

α_{1}

为生态技术创新的系数,表示生态技术创新变化1%,环境全要素生产率将变化

α_{1}

个单位;

α'

为控制变量的系数向量。

一般情况下环境全要素生产率增长通常来源于技术效率改善和技术进步,为深入分析生态技术创新对长三角地区生态经济发展的影响路径,进一步将环境全要素生产率（GML）分解为绿色技术扩散（EC）和绿色技术进步（BPC）两部分,来衡量生态技术创新对环境全要素生产率变化的中介效应。

基于前文关于中介效应的理论分析与变量设定,本文参考Baron等^[30]提出的中介效应逐步检验法,构建如下中介效应模型进行检验：

（8）

\begin{array}{l} 模型二 : E E_{it} = α_{0} + α_{1} \ln EKI T_{it} + α' X_{it} + μ_{i} + φ_{t} + ε_{it} \\ M_{it} = θ_{0} + θ_{1} \ln EKI T_{it} + θ' X_{it} + μ_{i} + φ_{t} + ε_{it} \\ E E_{it} = ξ_{0} + ξ_{1} \ln EKI T_{it} + ξ_{2} M_{it} + ξ' X_{it} + μ_{i} + \\ φ_{t} + ε_{it} \end{array}

式中：

M_{it}

代表中介变量,包括绿色技术扩散和绿色技术进步;

θ_{0}

和

ξ_{0}

为常数项;

θ'

和

ξ'

为控制变量的系数向量;

θ_{1}

和

ξ_{1}

为生态技术创新的系数,其中,当系数

α_{1}

显著时,如果系数

θ_{1}

和

ξ_{2}

都显著,说明存在间接效应;若此时

ξ_{1}

不显著,说明存在完全中介效应;而

ξ_{1}

显著时,若

θ_{1} ξ_{2}

与

ξ_{1}

同号,则存在部分中介效应,若

θ_{1} ξ_{2}

与

ξ_{1}

异号,则存在遮掩效应。并且依次检验结果

θ_{1}

,若不显著也可能存在中介效应,应当使用偏差校正的非参数百分位Bootstrap法进行检验。

近年来越来越多的****认识到在不同收入水平下,生态技术创新对绿色发展的影响是不同的^[16,17]。为了加深对生态技术创新与生态经济发展水平之间关系的理解,本文构建如下模型：

（9）

\begin{array}{l} 模型三 : E E_{it} = τ_{0} + τ_{1} \ln EKI T_{it} + τ_{2} (\ln EKI T_{it} \times Income) \\ + τ' X_{it} + μ_{i} + φ_{t} + ε_{it} \end{array}

式中：Income是虚拟变量,当人均年实际收入水平高于50000元时,划分为高收入组,取值为1,否则取值为0;lnEKIT_it×Income表示lnEKIT_it和Income的交叉项;

τ_{2}

表示生态技术创新在不同收入水平下的系数,若系数

τ_{2}

的符号为正,表明在高收入城市中生态技术创新对生态经济的影响更大;

τ_{1}

表示模型三的生态技术创新系数;

τ_{0}

表示常数项;

τ'

为控制变量系数向量。

需要注意的是,模型三中的收入分组具有两个缺陷：①划分具有一定的主观性,并不是根据样本数据估算得出;②高、低收入组内城市在考察期内是固定的,但是实际上随着时间的推移,一些原来属于低收入组的城市后来可能转化为高收入组^[17],故会对估算结果造成一定的偏误。为此,本文借鉴Hansen^[31]提出的面板门槛回归模型,以长三角地区各城市收入水平差距为门槛变量,构建如下的门槛模型：

（10）

\begin{array}{l} 模型四 : E E_{it} = η_{0} + η_{1} [\ln EKI T_{it} \times I (q_{it} \leq γ_{1})] + \\ η_{2} [\ln EKI T_{it} \times I (γ_{1} < q_{it} \leq γ_{2})] + ∙ ∙ ∙ + \\ η_{n} [\ln EKI T_{it} \times I (γ_{n - 1} < q_{it} \leq γ_{n})] + \\ η_{n + 1} [\ln EKI T_{it} \times I (q_{it} \leq γ_{n})] + \\ η' X_{it} + μ_{i} + φ_{t} + ε_{it} \end{array}

式中：

q_{it}

为长三角地区城市i在t期的门槛变量;

η_{1}

、

η_{2}

、

\dots

、

η_{n + 1}

为不同门槛区间下的估计系数;γ₁、 γ₂、…、γ_n为n+1个门槛区间下的门槛值;

η_{0}

表示常数项;

η'

为控制变量系数向量;I(·)为示性函数,若门槛变量满足条件时,示性函数的值为1,反之为0。

3.4 变量选择

3.4.1 环境全要素生产率的变量选择

（1）投入指标

资本投入（K）。使用资本存量来表示资本投入,借鉴张军等^[32]的方法,采用永续盘存法对各城市的资本存量进行估算,其估算公式为：

（11）

K_{it} = K_{it - 1} \times (1 - β) + \frac{I_{it}}{d_{it}}

式中：K_it代表长三角地区城市i在t期的资本存量;I_it表示长三角地区城市i在t期的资本流量,用全社会固定投资来表示;

β

为资本折旧率,取值为9.6%;d_it为长三角地区城市i在t期固定资产投资的价格指数（2000年为1）,2000年固定资产投资额除以10%代表初始资本。本文将各年的价格折算到2000年。

劳动力投入（L）。使用各城市的单位从业人员期末人数来表征^[14,33]。

能源投入（E）。使用全社会用电量来表征,由于本文的研究对象为城市层面,而城市层面缺少一次消费能源消费量数据,故使用全社会用电量作为代理变量^[13,34,35]。

（2）产出指标

期望产出。选择各城市的GDP作为期望产出变量,并使用GDP平减指数进行平减处理,得到以2000年为基期实际产出。

非期望产出。由于中国的环境污染主要是由工业造成,故借鉴相关****^[34,36]的方法,选取工业SO₂排放量、工业废水排放量以及工业烟（粉）尘排放量,并使用熵权法对其进行降维处理,将三大指标合成一个环境污染指数。

3.4.2 控制变量

本文根据相关****的研究,分别选取产业结构（SIND）、能源消费结构（ECS）、城市劳动力就业数量（PPJ）、外商投资（FDIR）以及城市人口密集度（PD）作为控制变量,其中产业结构使用第二产业产出份额来表征^[16],能源消费结构使用工业用电量与全社会用电量的比值来表征^[15],城市劳动力就业数量使用城镇单位就业人数来表征^[14],外商投资使用外商实际投资与国内生产总值比例来表征^[37],城市人口密集度使用城市人口与各地区面积之比来表征^[3]。

3.4.3 门槛变量

门槛变量为长三角地区各城市的收入水平差距,选取人均实际产出差距比来表征^[16],用公式表示为：

（12）

q_{it} = \frac{PGD P_{it}}{\max PGD P_{it}}

式中：q_it表示长三角地区城市i在第t期人均实际产出差距比,该值反映了一个经济体的收入水平相对于样本期内观察到的最高收入的差距;

PGD P_{it}

表示长三角地区城市i在第t期的实际人均GDP值（以2000年为基期）。

3.5 研究对象及数据来源

本文研究对象为长三角地区41个地级及以上城市,研究时间为2010—2018年。本文绿色专利统计数据来源于中国知识产权局;全社会用电量来源于长三角地区各省市统计年鉴;其余各指标数据均来源于历年《中国城市统计年鉴》,并由长三角地区各省市统计年鉴或统计公报进行补充,同时,部分缺失数据采用移动平均法补齐。

表1为主要变量的描述性统计：Panel A表示全样本主要变量。Panel B和Panel C表示不同收入组别下的主要变量,体现了生态经济发展水平、生态技术创新以及产业结构等主要变量在高、中低收入组中的一些统计上的差异,例如,高收入组中生态技术创新的均值是中低收入组的14倍,高收入组的生态经济发展水平高于低收入组的生态经济发展水平。Panel D和Panel E表示不同生态技术创新组别下的主要变量,具体而言,首先,计算出全样本生态技术创新的均值;然后,计算出各城市的生态技术创新均值;最后,将生态技术创新均值大于全样本生态技术创新均值的城市归入高生态技术创新组,其他城市归入低生态技术创新组。可以看出高生态技术组别下,生态经济发展水平、绿色技术扩散均高于低生态技术组别下的值,而绿色技术进步略低于低生态技术组别。

Table 1
表1
表1主要变量的描述性统计
Table 1Descriptive statistics of the main variables by different income groups

样本	变量名	变量定义	平均值	标准差	最小值	最大值
Panel A：全样本（N=369）	EE	生态经济发展水平	0.10	0.25	0.52	3.57
	EC	绿色技术扩散	0.99	0.28	0.34	3.16
	BPC	绿色技术进步	1.03	0.20	0.52	1.82
	ETIK	生态技术创新	19.18	49.20	0.02	427.52
	SIND	产业结构	48.82	7.55	29.78	74.73
	ECS	能源消费结构	72.05	46.34	11.74	498.61
	PPJ	城市劳动力就业数量	3.98	0.95	1.96	6.59
	FDIR	外商投资	2.91	1.82	0.20	9.32
	PD	城市人口密集度	646.81	346.06	145.00	2301.00
Panel B：高收入组别（N=144）	EE	生态经济发展水平	1.06	0.34	0.52	3.57
	EC	绿色技术扩散	1.05	0.31	0.44	3.16
	BPC	绿色技术进步	1.03	0.22	0.52	1.82
	ETIK	生态技术创新	42.95	72.10	0.08	427.52
	SIND	产业结构	47.53	6.34	29.78	58.24
	ECS	能源消费结构	78.57	71.89	11.74	498.61
	PPJ	城市劳动力就业数量	4.66	0.79	2.78	6.59
	FDIR	外商投资	2.75	1.67	0.20	7.88
	PD	城市人口密集度	773.05	426.02	271.00	2301.00
Panel C：中低收入组别（N=225）	EE	生态经济发展水平	0.96	0.17	0.54	1.60
	EC	绿色技术扩散	0.95	0.25	0.34	2.31
	BCP	绿色技术进步	1.04	0.18	0.55	1.73
	ETIK	生态技术创新	3.96	7.87	0.02	72.39
	SIND	产业结构	49.64	8.12	31.07	74.73
	ECS	能源消费结构	67.88	13.56	31.66	11.25
	PPJ	城市劳动力就业数量	3.54	0.77	1.96	5.94
	FDIR	外商投资	3.00	1.90	0.32	9.32
	PD	城市人口密集度	566.02	253.14	145.00	1077.00
Panel D：高生态技术创新组别（N=72）	EE	生态经济发展水平	1.08	0.30	0.69	1.60
	EC	绿色技术扩散	1.03	0.32	0.56	2.31
	BCP	绿色技术进步	1.08	0.21	0.76	1.73
	ETIK	生态技术创新	79.44	88.27	3.95	427.52
	SIND	产业结构	46.71	7.26	29.78	56.93
	ECS	能源消费结构	89.15	99.72	11.74	498.61
	PPJ	城市劳动力就业数量	5.17	0.68	3.64	6.59
	FDIR	外商投资	3.43	1.09	1.61	6.32
	PD	城市人口密集度	927.93	544.26	381.00	2301.00
Panel E：低生态技术创新组别（N=297）	EE	生态经济发展水平	0.98	0.24	0.52	3.57
	EC	绿色技术扩散	0.98	0.27	0.34	3.16
	BCP	绿色技术进步	1.02	0.19	0.52	1.73
	ETIK	生态技术创新	4.57	6.54	0.02	45.42
	SIND	产业结构	49.32	7.54	31.07	74.73
	ECS	能源消费结构	67.91	14.01	26.22	111.25
	PPJ	城市劳动力就业数量	3.69	0.76	1.96	5.94
	FDIR	外商投资	2.78	1.93	0.19	9.32
	PD	城市人口密集度	578.66	232.28	145.00	1077.00

新窗口打开|下载CSV

4 结果与分析

4.1 基准回归模型结果分析

本文基准回归模型的结果如表2所示,其中第（1）列是模型一的基础回归结果,采用固定效应模型进行估计。第（2）列是在模型一的基础上,将滞后一期生态技术创新（lnETIK(-1)）作为核心解释变量,同样采用固定效应模型进行估计。第（2）列中的模型是基于两点考虑：①生态技术创新与生态经济之间可能存在双向因果关系,即作为被解释变量的环境全要素生产率可能反过来影响生态技术创新;②生态技术创新从生产到应用具有时间上的滞后性^[37]。第（3）列则是考虑到环境全要素生产率增长具有一定的惯性,在模型一的基础上加入滞后一期的环境全要素生产率进行回归的结果,该模型同样也考虑到模型估计的内生性问题,采用动态广义矩估计（Generalized Method of Moments, GMM）的方法进行估计。一般而言动态GMM有两种重要的估计方法,分别是差分GMM估计和系统GMM估计,相较于系统GMM,差分GMM容易受到弱工具变量和小样本偏误的影响,因此采用系统GMM方法对模型进行估计,同时考虑到异方差的存在,采用稳健标准误进行处理。

Table 2
表2
表2基准模型的回归结果
Table 2Regression results of the benchmark model

	（1）FE	（2）FE	（3）SYS-GMM
lnETIK	0.09***		0.11*
	(6.23)		(1.73)
lnETIK(-1)		0.08***
		(4.11)
EE(-1)			0.72**
			(2.34)
lnSIND	-0.80***	-0.76**	-0.40
	(-3.38)	(-3.00)	(-1.24)
lnECS	0.36***	0.37***	0.27***
	(6.96)	(7.42)	(5.98)
PPJ	-0.30***	-0.32***	-0.38***
	(-8.39)	(-8.93)	(-3.24)
PD	0.00***	0.00***	0.00**
	(9.73)	(7.74)	(2.10)
FDIR	-0.02***	-0.02	-0.04**
	(-4.63)	(-1.88)	(-2.13)
常数项	3.55**	3.40**	1.70
	(3.10)	(2.79)	(1.28)
Year	YES	YES	YES
City	YES	YES	YES
Hausman test	0.02	0.05
AR(1)			0.07
AR(2)			0.11
Hansen Test			0.26
工具变量数			27
截面数			41
样本数	369	328	328

注：括号中数值为t值;***表示p<0.01,**表示p<0.05,*表示p<0.1;AR(1),AR(2),Hausman Test以及Hansen Test中均表示为相应的p值;下同。

新窗口打开|下载CSV

根据表2中的检验结果可以看到,第（1）、（2）列中的Hausman检验显著地拒绝原假设,表明未观察到的个体效应与自变量无关,说明第（1）、（2）列采用固定效应模型进行估计是合理的,同时考虑异方差、自相关以及截面相关,使用Driscoll-Kraay标准误。在第（3）列中,Hansen检验 (1 部分文献采用Sargan检验对工具变量的有效性进行判断,但官方命令提供的Sargan统计量假定扰动项独立同分布,这一假设过于严格且往往与现实不符,故本文使用Hansen统计量对其有效性进行判断。)在10%水平上不能拒绝模型中设定的存在过度识别的原假设,说明工具变量选取的有效性,并且二阶序列相关检验结果AR(2)接受扰动项不存在自相关的原假设,说明模型存在的内生性能够克服,同时,滞后一期的回归结果显著为正,说明环境全要素生产率具有累积性和持续性的特点,表明在模型中加入被解释变量的滞后一期的建模依据有效,最后,为证实一步系统GMM估计有效性,发现被解释变量的影响系数介于FE估计（0.38）和OLS估计（0.80）之间(2限于篇幅,结果不在这里列出,如有需要,请向作者索要。),进一步表明第（3）列采用系统GMM估计方法的有效性。

从表2第（1）-（3）列的回归结果可以得出,生态技术创新对生态经济的影响是显著为正的,其中第（1）、（2）列结果在1%水平上显著为正,第（3）列结果在10%水平上显著为正,说明长三角地区生态技术创新将会促进生态经济发展水平。这一结论与Ghisetti等^[3]、Liu等^[16]的结论一致,均认为生态技术创新能够改善环境绩效;与Yan^[16]、Du等^[38]结论相反,他们认为整体上生态技术创新不是绿色生产率增长的根本动力,但是对于高收入群体而言,绿色技术创新仍然能够促进绿色生产力。主要原因可能有以下两点：①尽管生态技术创新具有较高的扩散成本^[38],但长三角地区自古以来较为富庶,且当地居民也具有较强的环保意识,因而他们愿意也有能力推广生态技术创新,故长三角地区的生态技术创新能够推动当地生态经济的发展;②生态技术创新扩散需要其他基础性的创新作为补充,长三角地区人力资本较为发达,创新系统也比较完善,故相较于不发达地区,生态技术创新的扩散较为容易。

4.2 生态技术创新对生态经济发展的影响路径

在得出生态技术创新可以显著提升长三角地区环境全要素生产率后,本文进一步剖析生态技术创新的影响路径,根据前文理论分析部分,本文认为生态技术创新对生态经济发展的影响可能通过绿色技术扩散以及绿色技术进步这两个途径进行传导。

4.2.1 生态技术创新、绿色技术扩散与生态经济发展

表3的Panel A报告了绿色技术扩散的中介效应的模型估计结果,其中第（3）、（4）列考虑将滞后一期的生态技术创新作为核心解释变量。结果显示,第（1）、（3）列中的Hausman检验均不拒绝原假设,说明模型应当采用随机效应模型进行估计;而第（2）、（4）列中Hausman检验均拒绝原假设,说明模型应当采用固定效应模型进行估计。

Table 3
表3
表3中介效应模型估计结果
Table 3Estimation result of mediation effect

	Panel A：绿色技术扩散中介效应模型				Panel B：绿色技术进步中介效应模型
	（1）EC	（2）EE	（3）EC	（4）EE	（1）BPC	（2）EE	（3）BPC	（4）EE
lnETIK	0.11***	0.00			-0.02	0.09
	(3.45)	(0.13)			(-1.39)	(1.29)
lnETIK(-1)			0.08**	0.05			-0.00	0.08
			(2.04)	(1.18)			(-0.22)	(1.02)
EC		0.73***		0.77***
		(4.20)		(4.60)
BPC						0.16		0.15
						(1.29)		(1.10)
Control	YES	YES	YES	YES	YES	YES	YES	YES
Year	YES	YES	YES	YES	YES	YES	YES	YES
City	YES	YES	YES	YES	YES	YES	YES	YES
Hausman test	0.44	0.00	0.36	0.00	0.63	0.02	0.45	0.06
样本数	369	369	328	328	369	369	328	328

新窗口打开|下载CSV

中介效应检验结果显示,第（1）、（2）列中生态经济技术创新对中介变量系数显著为正,说明生态技术创新促进了绿色技术扩散。第（2）、（4）列中,中介变量对生态经济发展的影响系数显著为正,而生态技术创新的系数不显著,表明绿色技术扩散是生态技术创新促进生态经济发展的完全中介因子。

4.2.2 生态技术创新、绿色技术进步与生态经济发展

表3的Panel B报告了绿色技术进步的中介效应的模型估计结果,其中第（3）、（4）列考虑将滞后一期的生态技术创新作为核心解释变量。结果显示,第（1）、（3）列中的Hausman 检验均不拒绝原假设,说明模型应当采用随机效应模型进行估计,而第（2）、（4）列中Hausman 检验均拒绝原假设,说明模型应当采用固定效应模型进行估计。

中介效应检验结果显示,第（1）、（3）列中生态经济技术创新对中介变量系数不显著。第（2）、（4）列中,中介变量以及核心解释变量对生态经济发展的影响系数均不显著,表明长三角地区生态技术对生态经济发展的促进作用并不是通过绿色技术进步而实现的。以非滞后的核心解释变量为例,进行Bootstrap法检验,结果显示,在95%置信区间上,偏差校正Bootstrap检验的间接中介效应置信区间包含了0,再次验证了绿色技术进步不是生态技术创新与生态经济发展的中介变量。

综上所述,生态技术创新推动长三角地区生态经济发展,主要是通过显著提升绿色技术扩散来实现的,而非通过绿色技术进步来实现。原因可能是：生态技术创新有助于长三角区域经济较为落后的地区吸收引入外部技术,更为合理地使用生态技术创新改进绿色生产力,因而能最大程度上节约投入要素,减少污染排放,提升了资源的配置效率,实现了绿色技术向前沿面扩散,从而促进长三角地区的生态经济发展。而生态技术创新并不是通过绿色技术进步来促进长三角地区生态经济发展。原因可能有以下两点：①从企业角度而言,企业进行自主创新投入的时间、人力以及财力等成本较大。一方面,生态技术从理论提出到自主研发再到推广,需要相当长的一段时间才能实现,短短十年的时间生态技术自主创新的效益并不能显现;另一方面,在这个过程中需要持续不断地投入人力以及财力,从“成本-效益”分析角度而言,企业进行自主创新的动力稍显不足。②从地方政府角度而言,其主要目的是“为增长而竞争”,而在中国实行的行政分权体制下,中央政府对生态技术创新投入需要地方政府来负责实施,地方政府扮演着中央政府和企业“中间人”的角色,地方政府没有动力去督促污染企业进行生态技术创新活动;与此相反,他们为了实现短暂的经济增长,更倾向于与当地企业形成合谋,纵容污染企业的超标排污行为^[39],例如新能源技术推广初期,出现了大量的企业骗补案例。

4.3 稳健性检验

为确保估计结果的可靠性,本文分别从改变核心解释变量测算方法、对被解释变量进行缩尾处理以及重新选择样本研究时段3个方面对主要回归结果进行稳健性检验。

（1）本文的核心解释变量为生态技术创新,采用绿色专利授权存量进行表征。前文已采用Popp^[27]的方法计算（公式（4））,本部分采用永续盘存法^[28]（公式（5）、（6））对生态技术创新进行重新测量。

（2）对被解释变量进行缩尾处理。为克服被解释变量环境全要素生产率的异常值以及非随机性对模型估计结果的影响,对其1%的极大值和1%的极小值进行缩尾处理^[40,41,42],再进行计量回归。

（3）以2011—2017年为研究时段重新估计。为了降低样本时间选择造成的误差,本文剔除2010年和2018年两年样本重新进行估计。

经过基准模型和中介效应模型的稳健性检验,发现除一列结果发生变化,其余模型的核心解释变量回归结果与上文一致,说明本文主要结论较为稳健。

4.4 异质性收入下生态创新对生态经济发展的影响

上文基于线性模型分析了生态技术创新对环境全要素生产率的影响,并且证实了长三角地区生态技术创新的绿色增长效应,但该结论是假定区域同质化条件下得出的,忽视了区域间存在的禀赋差异。实际上,多位****证实了在不同的收入水平下,生态技术创新对绿色绩效的影响是不同的^[13,16,38],因此本文分别构建外生收入分组以及内生收入门槛模型,考察异质性收入下,生态技术创新对长三角地区环境全要素生产率的非线性影响。

4.4.1 外生收入分组结果分析

模型三的回归结果如表4所示,第（1）列在模型一的基础上加入生态技术创新与收入分组虚拟变量的交叉项（lnETIK×Income）,同时为了确保估计结果的准确性,第（2）列中将滞后一期的生态技术创新作为核心解释变量,第（3）列中将滞后期的被解释变量加入模型中,前两列采用固定效应模型进行回归,最后一列采用系统GMM方法进行回归。第（1）、（2）列结果均显示,生态技术创新在1%水平下仍然是显著的,且交叉项在10%水平下显著为正,说明生态技术创新能促进长三角地区的生态经济发展,但是对于高收入城市的促进作用更大;第（3）列中结果显示,生态技术创新在10%水平下是显著的,但交叉项结果不显著。本文接下来采用面板门槛模型进一步考察生态技术创新与生态经济发展之间的关系。

Table 4
表4
表4异质性收入下的回归结果
Table 4Regression results under heterogeneous incomes

	（1）FE	（2）FE	（3）SYS-GMM
lnETIK	0.08***		0.10*
	(6.86)		(1.86)
lnETIK×Income	0.06*		0.00
	(2.12)		(0.15)
lnETIK(-1)		0.07***
		(4.17)
lnETIK(-1)×Income		0.07*
lnETIK(-1)×Income		(2.17)
EE(-1)			0.71**
			(2.14)
常数项	2.87***	2.78**	3.03*
	(3.47)	(3.00)	(1.80)
Control	YES	YES	YES
Year	YES	YES	YES
City	YES	YES	YES
AR（1）			0.05
AR（2）			0.07
Hansen Test			0.17
工具变量数			36
截面数			41
样本数	369	328	328

新窗口打开|下载CSV

4.4.2 内生门槛回归结果分析

（1）门槛效应检验

在进行面板门槛回归之前,需要使用“自助法”（bootstrap）检验变量之间是否存在门槛效应。对长三角41个城市中的人均实际产出差距比q不存在门槛值、存在一个门槛值以及存在两个门槛值分别进行估计。运用stata16.0统计软件,通过反复抽样1000次得出检验统计量对应的p值,判断是否存在门槛效应,结果最终显示模型中存在两个门槛值。与此同时,还要对门槛估计值的真实性进行检验,Hansen使用极大似然法检验门槛值^[31],在此使用Hansen的方法,发现最低门槛值7.35明显大于两个门槛值,由此认为上述门槛值是真实有效的。

（2）结果分析

门槛回归结果如表5所示,其中第（1）、（2）列分别表示核心变量的当期及滞后期的回归结果,可以看出在不同的收入水平下,生态技术创新的影响是不同的。在第（1）列中,当收入水平较低时（q≤0.37,以2018年为例,q=0.37时实际人均收入为68365.10元/人）,生态技术创新的影响系数为0.06,且通过了5%显著性水平检验,表明在第一区间内,生态技术创新对环境全要素生产率具有显著的正向促进效应;当收入水平处于中等时（0.37<q≤0.38,同样以2018年为例,q=0.38时实际人均收入为71075.70元/人）,生态技术创新的影响系数为0.37,且通过了1%显著性水平检验,表明在第二区间内,生态技术创新对环境全要素生产率具有显著的正向促进作用,且这种正向促进效应得到进一步的加强;当收入水平较高时（q>0.38）,生态技术创新的影响系数为0.11,且通过了1%显著性水平检验,表明在第三区间内,生态技术创新仍然对环境全要素生产率具有显著的正向促进作用,但这种促进作用低于第二区间高于第一区间。在第（2）列中,除开在第一区间（q≤0.37,以2018年为例,q=0.38时实际人均收入为68533.30元/人）中,生态技术创新在10%水平下显著正向影响环境全要素生产率,其余区间内结果都大致相同,表明回归结果的稳健性,同时均体现了生态技术创新对环境全要素生产率的影响效应受到收入水平的约束,即随着收入水平的上升,生态技术创新对生态经济发展的影响都显著为正,而且其影响程度呈现出先递增后递减的非线性规律。

Table 5
表5
表5门槛模型的回归结果
Table 5Regression result of the threshold model

	（1）	（2）
lnETIK×I（q≤0.37）	0.06**
	(2.05)
lnETIK×I（0.37<q≤0.38）	0.37***
	(8.39)
lnETIK×I（q>0.38）	0.11***
	(3.47)
lnETIK(-1)×I（q≤0.37）		0.05*
		(1.87)
lnETIK(-1)×I（0.37<q≤0.38）		0.48***
		(9.47)
lnETIK(-1)×I（q>0.38）		0.11***
		(3.25)
常数项	2.52***	2.69***
	(4.34)	(4.51)
Control	YES	YES
Year	YES	YES
City	YES	YES
R²	0.61	0.66
样本数	369	328

新窗口打开|下载CSV

上述结果的原因可能有以下两点：①长三角地区生态技术创新扩散较为容易。首先,长三角地区具有经济位置上优势,它不仅是一个具有清洁生产和末端处理的高科技示范区^[43],还具有较高的经济发展水平。其次,生态技术创新的扩散离不开当地政府、企业以及居民的作用。当地的政府为满足居民美好生活环境的需求,积极推动生态技术创新在社会中的应用,加强环保制度（环境规制、生态补偿以及环境监督等）的实施以及相应的环境治理的补贴投入,增强了企业进行清洁生产的动力以及居民的环保意识^[14];当地企业利用自身的资源优势,获取先进的生产资料和技术,同时为了在激烈的市场竞争中获取高额的利润,不断地进行生态技术创新,使企业趋向同质化,让它们的劳动生产率和竞争优势得以不断提高^[15],最终促进清洁化的生产;当地居民,也不再满足基本的生活需求,开始对生态产品有了需求,极大地促进企业的生产结构转型,从而促进了环境全要素生产率的提升^[14]。②生态技术创新具有一定的能源回弹效应。随着收入水平的提高,生态技术创新对当地生态经济发展影响不断加大,但当收入水平上升到一定程度时,生态技术创新对环境全要素生产率的显著正向影响稍有下降。这是受到能源回弹效应的影响,尽管生态技术创新能够提高资源利用率、促进清洁生产、提高劳动生产率、刺激经济增长,但同时在技术创新生产过程中也导致能源需求增加、生产污染物排放增加、对资源和环境造成负面影响。

5 结论与政策建议

5.1 结论

本文基于2010—2018年长三角地区地级及以上41个城市的面板数据以及环境全要素生产率模型,对长三角地区生态创新对生态经济发展、绿色技术效率以及绿色技术进步的线性影响进行实证分析,同时还运用面板门槛模型,考察异质性收入下生态创新与生态经济发展之间的非线性关系。

（1）生态创新显著推动了长三角地区生态经济的发展,且主要通过提升绿色技术扩散来实现。生态创新能够通过市场规模效应、竞争效应以及知识溢出效应产生绿色技术扩散,进而提升长三角地区生态技术创新效率,最终显著推动长三角地区生态经济发展。

（2）生态创新对生态经济的影响存在关于收入水平下的双门槛效应。具体来说,随着收入水平的上升,生态创新对生态经济发展的影响都显著为正,而其影响程度呈现出先递增后递减的非线性规律。

本文创新性地从区域层面区分生态创新以及非生态创新,有针对性地考察了长三角地区生态创新与生态经济发展之间的关系。同时,该发现验证了Acemoglu等^[44]所提出的当经济达到均衡时,不同方向的替代技术的相对进步可能会产生不同的生产力或产出效果的理论,即从区域层面验证了是生态创新而不是非生态创新促进了生态经济的发展。

5.2 政策建议

（1）提升生态技术创新能力,加强生态创新对生态经济的驱动作用。加强培育生态技术创新能力来摆脱传统的高消耗、高污染以及低产出的发展模式,积极发挥生态技术创新对经济绿色化的正向促进作用。具体来说,可以从提升资源利用效率、培育创新型人才以及改善能源消费结构三方面着手：①提高资源利用效率,优化企业生产过程,减少污染排放,缓解人类社会经济发展与生态环境保护之间的矛盾;②有针对性地对创新型人力资本进行培育,充分发挥长三角科技创新战略智库联盟等组织的人才共享、协同创新发展模式,充分利用长三角东部地区教育资源优势,打造一支高层次的创新人才队伍;③加快能源消费结构升级转型,努力实现生产过程中的清洁化和绿色化。

（2）防止“一刀切”策略,科学合理发展生态创新。充分认识到长三角不同地区生态技术自主创新能力不同,需要借助发达地区生态技术溢出效应来推进区域整体生态经济的发展,因而对异质性的收入群体应当制定针对性的发展策略：①对低收入群体而言,吸收引入外部技术,引导使用生态技术创新改进绿色生产力;②对高收入群体而言,应当加强生态技术自主创新能力,培育创新型人才,同时在应用生态技术创新过程中,应当加强环境污染治理技术的投入,发挥相应的生态补偿机制,减轻生产过程中产生的环境污染问题。

（3）加强区域内合作,推动区域生态创新一体化。应当借助长三角区域一体化的国家战略推动力,从加大政府投资力度、搭建生态技术合作平台以及加快生态技术创新的扩散与应用三方面出发,推动长三角地区生态创新走向一体化。具体来说,首先,不断优化调整生态技术自主创新的投入结构,驱动当地企业加大研发投入比例,为生态技术创新打下坚实的基础;其次,各区域政府可以建立以环境治理技术需求为导向的专门化网站,积极建立校企合作平台,为企业可持续发展提供研发保障;最后,各地区应当加快传统产业的技术改善,推进新兴产业以及环保产业的推广进程,为区域一体化的绿色发展提供技术支撑。

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]

廖中举, 黄超. 生态创新的最新研究进展与述评
[J]. 应用生态学报, 2017, 28(12):4150-4156.