污染减排、外部性与环境技术创新：来自省级环境专利的证据

王文普

（南通大学 商学院，江苏 南通 226019）

污染减排、外部性与环境技术创新：来自省级环境专利的证据

王文普

（南通大学 商学院，江苏 南通 226019）

基于污染外部性机制，推导出含有污染减排外部性的空间Tobit设定。利用中国31个省级环境专利数据，在控制技术外部性的情况下，分离出污染减排外部性对环境技术创新的影响。贝叶斯MCMC方法估计结果显示，污染减排对环境技术创新有显著的正的直接效应，而且还存在显著的负外部效应，从而污染减排的总效应为不显著的正影响，表明忽略污染减排外部性对环境技术创新有重要影响。进而探讨避免污染减排外部性的政策含义。

环境技术创新；污染减排；外部性；贝叶斯MCMC方法

一、引 言

作为世界第二大经济体，中国在创造经济奇迹的同时，也带来了严峻的环境污染问题。特别是2013年12月持续的雾霾侵袭了中国东中部地区，全国20个省100多个城市空气质量达到严重污染。不断出现的严重雾霾事件表明，中国的环境污染不是局部，而是全国性的。环境污染成为中国经济可持续发展的一大障碍。

缓解经济发展对资源的过度依赖和对环境的损害，科技进步与创新是一个有效的途径。特别是环境技术，包括降低末端污染排放的技术，也包括生产工艺的技术，都能够减轻对环境的不利影响。本文试图通过设定带有外部性的空间Tobit模型，在控制技术外部性的条件下，考察污染减排对环境技术创新的影响，特别是污染减排外部性的影响，对于完善中国的环境政策，提高技术自主创新能力，建设生态文明社会，推动可持续发展，具有重要的现实意义。

二、文献评述

有关污染减排政策如何引起技术创新，文献中至少有两种基本观点。一是需求拉动说。该观点认为污染减排政策能够使企业的环境成本内部化，引起投入要素的相对价格发生变化，刺激企业对低成本减污技术的需求，进而激励企业从事环境技术的开发与应用，然而由于技术外部性的存在，使创新者仅能取得一部分的研发回报，导致企业技术创新的动力不足。另一个是政策推力说。它从供给的角度来解释污染减排政策的技术创新效应。作为一种外部推动力，污染减排政策将促使企业采用新的更清洁技术，或激发企业从事科技研发的内在动力。Taylor等人的观点是，需求拉动可能会促进更多的环境技术进步与创新［1－2］。

污染减排的技术创新效应也获得一定的经验证据。Popp发现，美国的专利申请数对污染减排所引起的相对价格变化有显著的反应，特别在1972－1994年期间，美国的专利申请数对投入价格变化有灵敏的反应；Popp还发现不断上升的化石燃料价格，尤其是石油和天然气价格的上升，提高了这类能源的使用成本，从而导致能源节约技术专利数的增加［3］。Brunnermeir和Cohen也发现了类似的证据，他们发现减排支出对美国环境专利数有正的影响；Rehfeld等利用德国制造部门的公司水平数据，通过离散选择模型，发现污染减排政策对环境产品的创新存在显著的正向影响；Noailly等以1979－2006年荷兰建筑业中9个领域的专利数，分析污染减排与建筑业能源效率改进的技术创新之间关系，发现20世纪90年代中期的严格污染减排政策对建筑企业的创新有正向激励作用［4－6］。

国内一些研究也表明，中国的污染减排政策对技术创新有一定的激励作用。黄德春等将技术系数引入Robert模型，发现污染减排政策给企业带来直接成本的同时，也激发了技术创新，从而部分或全部抵消污染减排政策所引起的成本；李斌等使用污染排放水平作为衡量治污技术创新的指标，动态分析显示，污染减排政策严厉性与治污技术创新的关系呈U形，然而，污染减排政策对当期治污技术创新却有不利影响［7－8］。

许多研究分析忽略了污染减排所引起的外部效应。由于技术创新也存在外部效应，这两种外部性相互交织在一起使得污染减排政策与技术创新的关系更为复杂。本文关注两个问题：第一，基于污染外部性机制，将污染减排的外部性视作影响技术创新的一个重要因素，从理论上分析污染减排外部性对技术创新的影响机制。第二，运用中国省级环境专利数据和空间Tobit经验设定，在控制技术外部性的条件下，测算中国污染减排及其外部性的技术创新效应。此外，借鉴Levinson的方法，构造一个改进的污染减排指标［9－10］。

三、模型推导与经验设定

根据政策推力假说，将污染减排视作一种外部驱动因素，从理论上解释技术创新函数包括污染减排外部效应的动机，设定环境技术创新的计量模型。

（一）含有外部性的模型推导

污染减排的外部性是由污染溢出引起的，因为许多污染物在地区之间是可转移的，从而一个地区的环境质量不仅取决于本地区污染政策，而且也受其他地区污染排放政策的影响。根据政策推力假说，并参照Embora等的研究方法，假定污染减排S及其外部性S＊是影响技术创新的决定因素［9］，因而，技术创新函数被定义为：

这里，yit表示i地区t期的技术创新指标；Sit为i地区t年的污染减排变量表示其他地区j污染减排所产生的外部效应。

由于污染减排的外部效应，使得式（1）中S和S＊在地区间相互影响。为了衡量这种相互作用，再假设S和S＊具有式（2）、（3）和（4）所表示的地区间相互联系，并引入具有零均值和常方差的扰动项u、v和e，则有：

其中，b1＝b＋γ，θ1＝－ρb－λγ。式（5）描述了污染减排外部性引起的地区之间的相互联系，文献称之空间Durbin模型（SDM）。SDM是空间模型设定的一般形式，其包含着空间滞后因变量模型（SAR）和空间误差自回归模型（SEM）。特别地，当γ＝0时，这意味着对影响S的随机冲击与影响S＊的随机冲击之间没有相关性，SDM可简化为SEM；当θ1＝－ρb1成立时，SDM也可退化为SEM；当θ1＝0时，SDM就变为SAR。

上述推导过程说明了技术创新函数中包含空间滞后因变量和滞后解释变量，有助于解释污染减排外部性在地区间的相互作用。

（二）经验设定与相关估计问题

本文选取环境专利授权数作为环境技术创新的代理变量，环境专利数是离散的，特别在所使用的样本（NT＝279）中，有180个零值，其占样本总数的比例近66%。LeSage和Pace指出，因变量在零处截断有一定的风险。如果忽略零值，将有可能造成一些信息损失，因而建议使用Tobit模型。该模型不仅考虑零值因变量的非正态分布特征，而且将因变量视作潜变量，以表示与专利决策有关的不利因素［11］。

考虑到技术外部效应，为了分离出污染减排外部效应，需要控制技术外部性。因而，将技术及其外部性直接添加到式（5）之中，从而得到经验设定：

上述设定称之空间Tobit模型，它是空间Durbin模型的一个变体，因变量是离散变量而非连续变量。如果y＊it$0，则yit＝0；否则＝yit。因变量为各省的环境专利授权数。X ＝ （LEV，KLEV，ES），这里LEV表示各省的污染减排政策指标；KLEV代表各省的技术水平，以捕捉技术水平对环境专利的贡献；ES为规模控制变量。b和θ为待估参数。假设随机扰动项e～ N（0，σ2V），其中V ＝diag（v1，v2，…，vn）。参数ρ表示地区间的联系强度。

经验设定中包含滞后因变量和滞后解释变量，以解释污染减排和技术的外部性。如果空间权重矩阵W 被行标准化，则W·y＊表示“相邻”省的平均技术创新水平，W·LEV和W·KLEV分别为“相邻”省的污染减排和技术外部性的平均水平。此外，回归中包含滞后因变量以反映可能与外部性有关的遗漏变量问题。在估计之前，对有关的估计问题做简要说明。

第一，估计方法。由于因变量是受限制的，故不能直接使用解析法。这里采用贝叶斯法来估计受限因变量。与EM法相比，贝叶斯法将零观察处截断的不可观测因变量视为待估参数，并通过MCMC程序来估计模型的参数。为了获得观察处截断的不可观测因变量，贝叶斯法使用m步Gibbs抽样，从多变量的截断正态分布中生成随机样本。在获得不可观测因变量估计值后，将估计问题转换为非截断数据的估计问题，再使用最大似然法。此外，贝叶斯法也很容易处理数据中异方差和极端值问题，且计算简便，因而选择LeSage、LeSage和Pace提出的贝叶斯法来估计上述空间Tobit模型。具体来看，在超参数q满足q／vi～i．d．χ2（q）／q（其中q～Gamma（m，k）），1／σ2～ Gamma（μ，d0）和ρ～U（min，max）的假设下①根据LeSage（2010）提供的Matlab估计程序，对于分布中的参数，先验设定q＝4，m＝0；μ＝0，d0＝0；min＝0，max＝1。，贝叶斯法的步骤如下：（i）利用参数的任意初始值②在LeSage（2010）提供的 Matlab估计程序中，取ρ＝0．5，b＝0，σ2 ＝1，vi＝0。，记ρ0，b0，v0i，从一个随机χ2分布中抽样来确定σ估计值，记σ1。进而计算σ的条件概率p（σ｜ρ，b，V）。（ii）利用ρ0，b0，σ1来确定b的均值和方差。根据这个均值与方差进行多变量正态随机抽样来确定b估计量，记b1。（iii）根据ρ0，b1，σ1计算vi的条件后验分布，进而通过随机χ2（q＋1）分布抽取n个矢量来确定vi，记v1i（i＝1，2，…，n）。（iv）给定b1，σ1，v1i值，根据ρ 的 条 件 概 率 公 式 p（ρ｜b，σ，V），使 用Metropolis抽样确定ρ，记ρ1。（v）利用ρ1，b1，σ1，v1i所确定的计算均值和方差的截断正态分布中抽取截尾yi观察值。上述步骤构成一次Gibbs抽样过程，经过多次重复抽样，在舍去抽样初始估计值后，收集每次抽样中的参数，进而得到后验参数估计及其后验分布［11－12］。

四、变量与数据

本文所使用的数据是2001－2009年中国31个省区的面板数据，数据来源于各年的《中国环境年鉴》、《中国统计年鉴》和《中国工业统计年鉴》。

省区环境技术创新是因变量y。文献中测度技术创新常用指标有研发支出和专利数两个指标，由于《中国统计年鉴》和《环境年鉴》都没有报告各省的环境研发支出数据，环境年鉴从2002年起报告了各省的环境专利授权数，有关研究表明，企业的专利活动类似于研发支出，而且它还可能与外部事件（如政府政策）有关，因而，选取环境专利数来衡量环境技术创新，以捕捉各省的环境技术创新活动。

污染减排指标LEV，用来捕捉各省的污染减排政策的严厉性。污染减排政策的严厉性可以从多个角度来衡量，例如，中国科学研究院可持续发展战略研究组从污染排放量、环境治理强度、气候变化、土壤侵蚀等不同方面来衡量环境政策。早期研究使用污染减排支出除以总产出来构建污染减排政策严厉性指标。因缺少省区各工业行业部门的污染减排支出数据，借鉴Levinson的方法来构建各省的污染减排强度［10］［13］133－134［14］。先计算单位产出的污染减排支出Sit＝Pit／Qit，其中Pit为i省t年的污染治理支出，用各省的工业污染治理年投资完成额、工业废水和工业废气设施运行费用三项之和来衡量；Qit为i省t年的工业增加值。由于省际间的工业构成是不同的，因而，预测的单位产出污染减排支出为＝，这里Qt为t年的全国工业增加值，n为省区总数，从而得到经工业构成调整的污染减排指标LEVit＝Sit／。如果LEVit＞1，则表明i省t年比其他省有更多的环境支出。LEV值越大，则该省的污染减排政策越严厉，从而产生较低的污染排放。计算该指标时，分别用工业增加值指数和地区GDP平减指数换算为1995年价格。

技术水平KLEV。使用各省的国内三种专利授权数的对数来表示技术水平，各省专利授权数由国内的发明专利、实用新型专利和外观设计专利三项构成。专利一定程度上反映了发明活动，与研发总支出相比，专利总数被视为与技术知识水平的关系更为密切，因而，用各省的国内三种专利数（包括环境技术专利数）来表示各省技术水平，它从供给层面上捕捉“知识池”对环境技术创新的影响［15］。

控制变量ES。工业是一个地区经济发展的主要贡献部门，也是污染减排的重点对象，因而选取工业增加值作为各省的规模变量［16］。ES为各省人均工业增加值。ES变量不仅捕捉了各省工业规模的影响，而且，根据需求拉动说的观点，一个省区的工业规模越大，其污染减排的压力就越大，该省对环境技术创新需求越强烈。所有解释变量均取自然对数。

五、结果与分析

（一）估计结果

在估计之前，检验模型中核心解释变量LEV和KLEV是否具有空间自相关，进行空间自回归检验，设定LEV＝a＋λW·LEV＋u。检验结果表明W·LEV系数的t统计量为2．33，在5%水平上显著；W·KLEV系数的t统计量为5．45，在1%水平上高度显著。与上文假设的一样，污染减排变量和技术变量存在空间相关性，初步表明经验设定中包含滞后解释变量是合适的。

表1 空间Tobit估计表

表1报告了空间Tobit模型的估计结果。其来自于空间Tobit模型合并面板数据的贝叶斯估计，它是在Gibbs抽样中使用一步且在MCMC中使用1 500次抽样①为了避免估计参数的相关性，舍去（burn－in）前500个参数估计值。匿名审稿人建议做收敛性检验，但｀Raftery等（1992）指出，为了在累积后验分布中达到期望的精确水平，提供了一种确定抽样次数的方法来满足这一要求；根据这一建议，LeSage（1997）发现在通常的空间回归模型应用中需要大约进行1 100次抽样就达到所设定收敛性的要求（见LeSage 2000）。因而，我们通过设定抽样次数来保证收敛性要求。。由于所有解释变量都取自然对数，系数可理解为半弹性。

表中最大似然估计为未考虑专利计数因零值所引起的数据非正态分布。与空间Tobit估计结果相比（见表1中第3和4列），ML估计中大多数解释变量的系数绝对值小，表明忽略零观察将导致参数估计向下偏倚，即在ML估计中，专利对解释变量的变化有较小的反应，意味着忽略零值观察对参数的显著性有较大影响。

Tobit1中仅考虑污染减排外部性对环境技术创新的影响，但不包括技术外部性。滞后因变量系数ρ为0．139，且显著性较低（显著水平仅为15%）。Tobit2估计同时考虑了污染减排和技术的外部效应，与Tobit1的估计结果相比较，LEV和ES的系数值有很大差异，表明遗漏技术外部性有可能放大污染减排的影响，因而Tobit2的结果可能比较真实地反映污染减排对环境技术创新的影响。

在两个Tobit估计中，参数ρ均为不显著的正号，表明地区之间存在不显著的正的相关关系。此外，回归方程中包含滞后因变量和滞后解释变量，解释变量的系数并不直接对应于所关注的直接和外部效应。因而，使用LeSage和Pace提出的方法，计算解释变量的直接效应和外部效应，有助于进行更合理的判断［11］。下面集中于讨论 Tobit2的估计结果。

从Tobit2中可以发现，参数ρ在常规显著水平上不显著，LEV的系数及其滞后项系数却都是高度显著的，从而系数限制θ1＝－ρb1不成立。然而，KLEV的系数b2是显著的，W·KLEV的参数θ2在统计上则不显著，故θ2＝－ρb2有可能成立。类似地，对于规模变量ES来说，ES的系数b3和W·ES的系数θ3都显著大于0，从而系数约束θ3＝－ρb3也将不成立。表明数据中存在污染减排的外部性，而技术外部性似乎并不明显，进一步表明空间Tobit设定是合理的。

（二）稳健性分析

Tobit2的估计结果是否可靠，进行了两种不同的敏感性检验。一个检验是，使用不同的空间权重矩阵来衡量地区间不同的联系程度。选取经济加权矩阵和4阶权重矩阵来检验结果的稳健性。表2是使用不同空间权重的估计结果。结果表明：系数ρ仍为不显著的正值。LEV和KLEV的系数符号和显著性都没有发生变化。在经济加权矩阵中，ES的系数显著性有所下降，但W·LEV和W·KLEV的系数符号和显著性均没有出现逆转。然而，在4阶权重矩阵中，ES的系数显著变得不显著；W·LEV和W·KLEV的系数符号仍保持不变，但W·LEV的系数变得不显著。表明Tobit2中的结果是比较可靠的。

表2 不同权重的空间设定检验表

另一个检验是选择不同的抽样方法。具体地讲，逐步增加Gibbs抽样中不同的步数m和MCMC程序中的抽样次数n。其暗含的基本假设是，如果推断是相同的，那么估计量可视为是一致的。改变Gibbs抽样步数m，目的是检验替代不可观测因变量（y＊$0）参数矢量的计算精确性；其二是改变抽样次数，为了检验待估参数值的稳定性，以便比较不同抽样次数（这里取n＝1 500和n＝15 000）的估计结果［11］。

表3给出了不同抽样的估计结果。分别进行1步、5步和10步的Gibbs抽样，而且抽样数为1 500次和15 000次的估计结果。系数ρ仍为正，LEV和KLEV的系数仍是高度显著的，这进一步表明基准估计结果（见表1中的第4列）是可靠的。

（三）外部效应的量化

参数ρ不仅不显著，而且解释变量的系数值并不反映直接效应和外部效应，所以有必要使用LeSage和Pace提供的新方法来计算它们的大小和显著性，以量化地区间的联系强度［11］121－125［15］。

与线性回归估计不同，在带有滞后因变量的空间设定中，系数值并不直接表示为半弹性。系数的正确解释应考虑模型中非线性关系中自偏导数（直接效应）和交叉偏导数（外部效应）。事实上，经验设定中隐含着一种非线性关系，空间Tobit设定可改写为：

其中，X ＝ （LEV，KLEV，ES）′，b＝ （b0，b1，b2），θ＝（θ1，θ2），In为NT×NT 的单位矩阵。可见，y＊／x′≠b，而是y＊／x′＝ （In－ρW）－1（Inbk＋Wθk），这是因为“相邻”地区的解释变量变化所引起的地区间交互作用而产生的。为了解释设定中变量的影响，需要计算变量的直接效应、外部效应和总效应。事实上，地区i解释变量的变化不仅影响该地区的因变量y＊，而且通过外部性影响到“相邻”地区的因变量y＊。具体计算详见LeSage和Pace［11］121－125。

表3 不同抽样方法的空间设定检验表

表4 直接效应、外部效应和总效应的估计表

表4计算了基于Tobit2（见表2中第4列）中解释变量变化引起的直接效应、外部效应和总效应。除各种效应的平均值外，还报告了下限0．01和上限0．99的置信区间。这些效应的t值和置信区间是从MCMC抽样（取1 000次）得到的后验分布中构建的。从表4中可以看出：

第一，直接效应，LEV的直接效应为10．82，且在1%水平上高度显著。当一个省的污染减排强度每增加1%，则该省的环境专利数将增加10．82个单位。此外，污染减排的直接效应并不等于表1中LEV的估计系数为10．735（见表1中第4列），二者之差为0．085（占直接效应的0．79%）。这捕捉了来自于省际间相互作用所引起的反馈效应，这种反馈效应部分来自于滞后因变量，部分源自于解释变量的滞后项WX。从置信区间来看，LEV的直接效应总为正的，表明提高污染减排支出对本省区的环境技术创新具有直接的正向激励，这与政策推力说和需求拉动说的预测相一致，也与很多经验分析的结果相同。

KLEV的直接效应为5．792，是LEV直接效应的近50%，且统计上高度显著，表明技术知识的总水平对环境技术创新产生了显著的积极作用。技术水平每提高1%，则该省区环境专利数将增加5．8个单位。技术的反馈效应等于－0．224，是其直接效应的－3．87%。从99%的置信区间来看，技术水平对本省区的环境技术创新的影响总是正的。因而，一个地区如果实施有利于提高污染减排和促进技术进步的公共政策，那么将对该地区的环境技术创新产生正影响。

ES的直接效应显著为负。ES每增加1%，环境专利数将减少9．3个单位，这与需求拉动说的预期不同。也就是说，工业规模越大，越不利于该地区的环境技术创新。一个可能的解释是，工业作为一个地区经济增长的重要贡献部门，在追求经济增长的驱动下，放松污染减排政策的执行，导致企业主动减排的动力不足，从而削弱企业技术创新的激励。

第二，外部效应，它则衡量了对“相邻”地区影响的累积程度。LEV的外部效应为－10．716，是其直接效应的99%，且统计上高度显著。如果一个省区提高污染减排强度，不仅影响本地区的环境专利数，而且也影响“邻居”省区的环境专利数；后者与前者变动之比接近1∶－1，表明提高污染减排强度，促进了本地区的环境技术创新，却对相邻地区的环境技术创新产生不利影响。一个比较合理的解释是，当一个省区比邻近省区实施更严厉的污染减排政策时，推动了本地区内企业的技术创新活动，然而，相邻地区中有相对较低的污染减排成本，特别对那些减污成本较高的企业来说，将使企业考虑重新选址，从而削弱企业从事环境技术创新的内在动力。

技术外部效应为不显著的正数0．75，正的技术外部效应也被很多技术创新文献研究所支持。统计上不显著的一个原因是，目前中国的技术以模仿、吸收消化者为主，自主创新者不多，从而使技术外部效应不明显［17］。

ES变量的外部效应约为24．5，且统计上高度显著。即工业规模对“邻居”地区产生了正的外部性，因为一个地区规模越大，对相邻地区的工业构成一定的威胁，加剧了省际间企业的竞争，从而刺激它们进行环境技术创新的积极性。

此外，尽管参数ρ是不显著的，但污染减排和规模变量的外部效应都是高度显著的。因而，仅由参数ρ的显著性来判断是否存在空间作用，有可能做出误导性推断。

第三，总效应，反映解释变量的变化对环境技术创新的总体影响。污染减排的总效应为0．104，且统计上不显著。主要原因在于，污染减排对环境技术创新存在相互抵消的两种效应，二者作用的结果使得总效应数值较小，且统计上也不显著。这也表明，污染减排在地区间相互影响的重要性。如果不控制污染减排外部性，可能会对污染减排所引起的技术创新效应做出不合理的推断。

技术水平的总效应为6．543，且在5%水平上高度显著。这意味着，当一个省区的技术水平每增加1%，该省区的环境专利数将增加6．543个单位。主要原因在于，技术的直接效应占据支配地位，使KLEV的总效应具有较大的显著的正作用。

规模变量对环境技术创新的总效应显著。尽管工业规模的直接效应为负，但其外部效应显著为正，并且远远大于其直接效应，使其总效应仍是正的，表明工业规模总体上对环境技术创新具有显著的正向作用。

六、结论与政策启示

基于污染外部性机制，构建包含污染减排和技术两种外部性的空间Tobit经验设定，在控制技术外部性的条件下，测算出污染减排及其外部性对环境技术创新的影响。结果显示：第一，一个地区的环境技术创新不仅取决于本地区的污染减排强度，而且也受邻近地区污染减排政策的影响，这意味着污染减排外部性成为地区间相互影响的一个重要机制。第二，污染减排在地区间引起相当大的负外部性。污染减排的外部效应大小在数值上几乎相当于其直接效应，且二者的作用方向截然相反，使得污染减排的总效应在统计上并不显著，进一步表明如果忽略污染减排的外部性，有可能对污染减排的作用做出不恰当的推断。第三，在环境技术创新过程中，污染减排和技术等公共政策对环境技术创新具有显著的直接的积极影响。第四，滞后因变量系数统计上并不显著，但不一定意味着空间外部性也不显著，因而，仅由参数ρ的显著性判断地区间相互作用是否存在，有可能会做出不合理的推断。

估计结果具有明显的政策含义。为了充分发挥污染减排在技术创新中的积极作用，应强化和完善污染减排机制：第一，加大与环境有关的区域间财政转移支付力度，中央政府应尽快完善省际间环境补偿的立法和标准，以协调并指导省际间和区域间的环境合作，以减轻甚至消除污染减排的负外部效应。第二，强化污染减排政策的执行力度，严格污染减排政策的监督和实施，促进环境技术创新需求机制的形成。第三，提高对技术领域，特别是环境领域的公共研究支持力度，增强企业的自主创新能力，提高技术“知识池”对环境技术创新的“输血”和“造血”功能。

［1］ Jaffe A B，Newell R G，Stavins T N．A Tale of Two Market Failures：Technology and Environmental Policy［J］．Ecological Economics，2005（2）．

［2］ Taylor M R，Rubin E S，Nemet G F．The Role of Technological Innovation in Meeting California’s Greenhouse Gas Emission Targets［C］．Chapter Three in Hanemann，M．＆ A．Farrell（eds．）．Managing Greenhouse Gases in California．Report Prepared for the Energy Foundation and the Hewlett Foundation．2006．

［3］ Popp D．Induced Innovation and Energy Prices［J］．American Economic Review，2002（1）．

［4］ Brunnermeier S B，Cohen M A．Determinants of Environmental Innovation in theU．S．Manufacturing Industries［J］．Journal of Environmental Economics and Management，2003（2）．

［5］ Rehfeld K M，Rennings M，Ziegler A．Integrated Product Policy and Environmental Product Innovations：An Empirical Analysis［J］．Ecological Economics，2007，61（1）．

［6］ Noailly J，S Batrakova R Lukach．The Impact of Environmental Policy on Energy-efficient Innovations in Buildings［C］．C PB．Working Paper，2008．

［7］ 黄德春，刘志彪．环境规制与企业自主创新：基于波特假设的企业竞争优势构建［J］．中国工业经济，2006（3）．

［8］ 李斌，彭星，陈柱华．环境规制、FDI与中国治污技术创新：基于省际动态面板数据的分析［J］．财经研究，2011（10）．

［9］ Embora N，T P．Mamuneas T Stengos Air Pollution Spillovers and U．S．state Productivity Growth．Working paper．University of Cyprus．2008（8）．

［10］Levinson A．An Industry－Adjusted Index of State Environmental Compliance Costs［R］．NBER working paper，2001（7297）．

［11］LeSage J，Pace R K．Introduction to Spatial Econometrics［M］．Chapman and Hall／CRC ．New York．2009．

［12］LeSage J P．Bayesian Estimation of Limited Dependent Variable Spatial Autoregressive Models［J］．Geographical Analysis，2000（1）．

［13］中国科学研究院可持续发展战略研究组．2007中国可持续发展战略报告——水：治理与创新［M］．北京：科学出版社，2007．

［14］Konisky D M．Woods N D．Measuring State Environmental Policy［C］．Working paper．Georgetown University．2012（1）．

［15］LeSage J P，Fischer M M．Estimates of the Impact of Static and Dynamic Knowledge Spillovers on Regional Factor Productivity［J］．International Regional Science Review，2012（1）．

［16］Sauquet A，Marchand A，Feres G．Ecological Fiscal Incentives and Spatial Strategic Interactions ：the Case of the ICMS－E inParana［J］．CERDI Working Paper，2012（5）．

［17］王家庭、张俊韬．中国城市环保行业的技术效率研究．统计与信息论坛，2012（12）．

Pollution Abatement，Externalities and Environmental Technology Innovation：Evidences from Provincial Environmental Patents Data

WANG Wen-pu
（Business of School，Nantong University，Nantong 226019，China）

Based on pollution externality，the paper derives the spatial Tobit model with pollution abatement externalities．Moreover，controlling the externality of technology，we isolate the impacts of pollution abatement externality on environmental technology innovation using the data of Chinese thirtyone provincial environmental patents．The estimation of the new approach of Bayesian Markov chain Monte Carlo shows that not only is there a significant positive direct effect of pollution abatement on environmental technology innovation，but does a significant negative externality as well，and the total impact of pollution abatement is a non-significantly positive effect，which indicates that pollution abatement externality exists an important influence on the environmental technology innovation．Furthermore we explore policy implications to avoid the externalities of pollution abatement．

environmental technology innovation；pollution abatement；externalities；Bayesian MCMC approach

F062；X196

A

1007－3116（2014）07－0095－08

2014－03－05；修复日期：2014－05－07

南通大学博士基金项目《中国工业绿色转型路径研究》（03080587）。

王文普，男，安徽六安人，经济学博士，副教授，研究方向：公共经济与公共政策、经济增长。

（责任编辑：张爱婷）