环境规制对R&D创新效率影响的双重效应※

乔美华

内容提要：该文基于2007-2016年中国省际工业面板数据，立足技术效率视角，采用动态面板系统GMM回归以及分位数回归方法考察环境规制对R&D效率的“双重效应”。结果发现：基于Super-SBM模型测评的中国30省工业R&D创新效率总体水平不高，核密度曲线显示工业R&D创新效率经历了“单峰”→“双峰”→“单峰”的动态演进过程，随着时间推进，工业R&D创新效率整体水平呈现震荡上升趋势；环境规制与R&D创新效率存在正相关关系，在一定程度上验证了“波特假说”，环境规制对工业R&D创新效率呈现倒“U”型作用机制，“补偿效应”超过“抵消效应”；进一步地，环境规制对位于0.25分位点的工业R&D创新效率溢出效应最大，随着分位点的提高，影响逐渐减弱，对位于0.90分位点的工业R&D创新效率作用不再显著。

一、 引言与文献综述

近些年来，环境突发事件和环境公害在中国屡见不鲜，环境库兹涅茨曲线正效应还没有整体呈现，伴随着经济快速发展的是环境质量日益衰退。2018年EPI(年度全球环境绩效指数)报告显示，作为新兴经济体的中国，在132个国家中排名仅位列第120位。位次持续降低，反映出经济快速增长给环境带来的压力，促进绿色经济发展、加强环境规制的社会呼声也日趋高涨。作为国民经济中主要组成部分的工业部门，其担负的社会责任愈发沉重，然而技术创新在工业发展的地位显而易见。环境规制政策一方面需要思量到污染治理问题，另外一方面又会影响工业技术创新的扩散深度和速度。技术创新则是实现环境保护和经济持续发展的核心环节。

政府通过一系列政策控制企业生产活动中产生的废水、废气等污染物排放，不管是通过改进污染控制技术还是严格执行相关环境规制措施，要求企业必须降低污染物排放，这便让污染治理成本提高。客观而言，环境规制对技术创新具备双重效应，即“补偿效应”与“抵消效应”。首先，企业追求利润最大化，在面临政府环境规制时必然要承担相应的社会责任，为了控制成本减少污染排放，企业往往会采用如下两种方式：一是通过吸收国内外先进的绿色生产加工工艺，提高生产效率，通过技术创新提高治理污染水平或者改变“粗放型”生产模式，减缩由于环境规制而导致的环境成本，称之为环境规制的“补偿效应”；另外一种是企业通过抽取有限的内部资金，甚至在必要时会挤出部分R&D资金出来控制污染治理，“抵消效应”便会呈现出来。其次，政府采取环境规制法规和政策对企业的经济活动进行适当调节，目的是为了经济发展和环境资源能够协调发展。工业污染防治又是重中之重，目前，中国环境规制方向已从简单的企业治理层面转向发展循环经济、清洁生产以及调整产业结构，朝着“结构红利”假说凸显而努力，势必会在产业政策和投资政策上对企业的R&D创新给予支持鼓励。

有关于环境规制与技术创新的话题一直以来是学者们研究热点，可以将其观点归纳为以下三种：① “补偿效应”不及“抵消效应”，认为环境规制产生的成本上升不利于技术创新；② “抵消效应”不及“补偿效应”，主张环境规制对于技术创新具有正向溢出效应；③ “抵消效应”和“补偿效应”不确定。环境规制对技术创新的影响产生以上不同见解的原因在于研究的样本、视角和方法的不同。

国内关于环境规制对技术创新影响的研究起步较晚，大多数文献是基于行业和企业层面研究环境规制对技术创新效率的影响：姚西龙(2015)利用方差分析，研究发现环境规制对我国工业绿色创新效率产生正向影响；吴明琴和周诗敏(2017)采用倍差分析法对1998年实施的“酸雨控制区与二氧化硫污染控制区”政策进行实证研究，发现“两控区”政策的出台明显改善了工业二氧化硫污染治理效果。曹霞(2015)采用2005-2011年30个省际面板数据实证分析，检验出环境规制与创新效率呈现“U”型相关；而李勃昕(2013)却提出相反意见，采用超越对数随机前沿模型，研究认为环境规制对清洁型产业创新效率呈现倒“U”型促进作用；李婧(2013)也认为环境规制对创新效率呈现倒“U”型关系。宋文飞(2014)对2004-2011年中国工业33个细分行业面板数据的分析表明，环境规制对R&D双环节效率具有显著的门槛效应。杨秋月(2017)对中国30个省2006-2016年面板数据实证研究表明，环境规制对工业企业绿色创新效率的影响存在区域差异，全国及其东部地区呈现“U”型关系，中西部地区的影响不显著。

国内外学者针对环境规制和技术创新之间的关系已取得丰硕的成果，然而环境规制与创新效率的关系，还缺乏从动态视角的研究，本文拟将在以下方面对现有文献进行拓展：立足技术效率的视角，考察环境规制对工业R&D创新效率溢出效应；在度量工业R&D创新效率的方法上运用非径向、非角度的Super-SBM模型，有效避免投入产出松弛问题；技术创新和环境规制都是一个长期、持续的过程，从动态视角去评判两者的关系更为真实，以往文献中没有考虑到解释变量的内生性而产生估计偏误，本文采用动态SYS-GMM模型进行分析；同时进一步运用分位数面板回归更为精确地反映环境规制对R&D创新效率的影响条件分布。

二、 工业R&D创新效率测评

1. 研究方法

本文基于松弛变量的超效率模型(Super-SBM)测算中国各省份工业R&D创新效率。DEA是由美国学者Cooper、Charnes等人提出的一种度量决策单元(DMU)相对效率的非参数客观评价方法。传统的DEA方法包含BCC模型和CCR模型两种，前者考虑决策单元存在生产规模收益可变性，后者则假定在规模效益不变的前提下进行效率测定。

传统DEA模型其本质是属于角度和径向的DEA方法，会形成投入要素的“松弛”或者“拥挤”问题，当存在产出或者投入的“非零松弛”情况时，容易高估决策单元的效率值。由于传统DEA模型的缺点，2001年Tone研究提出非角度、非径向的SBM模型。假定有n个DMU，每个DMU有m个投入要素和s个产出要素，其投入导向SBM模型如式1。Tone于2002年又提出超效率Super-SBM模型，其模型如式2。

s.t.x0=X+s-

(1)

y0=Y-s+

s.t.x0≥X+s-

(2)

y0=Y-s+

式(1)中，s+和s-分别表示产出不足和投入过剩的松弛量；是权重向量；ρ是目标效率值。式(2)中，ρ*是超效率，其他变量含义与式(1)一样，区别在于决策单元的效率值不局限于0-1，实现传统SBM模型度量的多个效率有效决策单元的排序；同时考虑并有效解决了投入产出变量的松弛性问题。

2. 变量选择与数据来源

本文研究对象是基于中国内地30个省级行政地区[注]西藏由于数据资料缺失较多，在后续分析中暂时不予以考虑。2007-2016年工业企业R&D创新活动的效率。所有数据主要来源于《中国统计年鉴》《中国工业经济统计年鉴》《中国科技统计年鉴》。

工业R&D创新活动的投入产出指标说明如下。

工业R&D创新研发投入指标多包括R&D人员全时当量、科学家和工程师人数、工业R&D资金支出、工业R&D资本存量等。依据本文的研究思路和参照已有相关文献，在工业研发创新阶段投入指标主要包涵资金投入和人员投入。R&D人力投入选取R&D活动人员折合全时当量。R&D资金投入采用其他技术经费和R&D经费两项指标，其他技术经费支出鉴于受到价格水平的影响采用实际值，以2006年为基期对其进行调整[注]通过其名义指标除以各省份当年的消费物价指数(2006年=100)进行平减而得。；R&D经费指标，采用永续盘存法估算R&D资本存量，其基本形式为：

RDit=(1-v)×RDi(t-1)+πit

(3)

其中，RDit、RDi(t-1)分别代表第i个省份的工业企业第t年和t-1年的研发资本存量；πit是第i省份的工业企业第t年的实际研发经费支出；ν为折旧率，取值为15%。

进一步估计基期资本存量的公式如下：

RDi0=πi0/(g+ν)

(4)

其中，RDi0为基期研发资本存量；πi0是基期研发经费支出；g为考察样本期内实际研发经费支出的平均增长率。

工业技术创新的过程可划分为两个阶段：第一阶段是应用研发资源形成的新技术和新知识阶段，第二阶段是使新技术和新知识成果转向体现商业价值的阶段。因此，R&D创新产出也从经济产出和知识产出两方面进行设定，采用专利申请数量代表知识产出；新产品产值代表经济产出。

3. 工业R&D创新效率值时序变化

基于Super-SBM模型，对中国2007-2016年30省工业企业R&D创新效率进行测算，结果如表1所示。中国各省工业R&D创新效率值总体不高，均值仅为0.5742，尚存在较大改善空间。所有省份均出现上升和下降交替显现的不稳定的变化特征，升降幅度不尽相同。各省工业R&D创新效率均值显示，前五位的省份依次是北京、海南、江苏、浙江、上海，效率值均大于或等于1，是推动工业R&D创新效率提升的主要省份，排在后五位的省份是内蒙古、山西、河北、江西和黑龙江。观察全部样本所构造的生产前沿面(表现为效率值等于或者大于1)，有9个省移动前沿面高于一次，其中，湖南(6次)、重庆(4次)、吉林(4次)、山东(2次)等省份工业R&D创新效率表现最佳。从经济区域来看，生产前沿面主要由经济相对发达的东部沿海地区确定，今后工业发展中，这些省份应该持续运用研发创新推动全国工业“又好又快”发展。

表1 2007-2016中国工业R&D创新效率

续表

注：由于数据缺失，不含西藏、香港、澳门和台湾, 表中均值指算术平均值。由于篇幅限制，未列出所有年份工业企业R&D创新效率值。

4. 工业R&D创新效率的动态演进

上述分析是考察工业R&D创新效率时间序列变化特征以及平均发展态势，不易洞察样本省份工业R&D创新效率的动态分布特征。为了进一步刻画工业R&D创新效率随时间变化的动态演进过程，采用核密度估计。其原理如下：设p维随机向量X的密度函数为f(x)=f(x1,…,xn)，从中随机抽取一组X1,X2,…,Xn独立同分布的样本，则f(x)的核估计为：

(5)

其中，h为带宽；K()为核密度函数，本文选用常用的Silverman为最佳带宽与Epanechnikov核函数。图1分别为2007年、2010年、2013年、2015年和2016年工业R&D创新效率的核密度曲线。

图1 各省份工业R&D创新效率核密度估计分布资料来源：作者自制。下图同。

图1中，横轴表示工业R&D创新效率水平，纵轴表示密度。第一，从核密度分布图的曲线形状可以看出，工业R&D创新效率表现为明显的非正态分布，经历了“单峰”→“双峰”→“单峰”的交替演进。随着时间推移，我国整体工业R&D创新效率提升过程中各省之间距离有拉大趋势。具体而言，2013年肥大的右尾延长度亦大幅缩短，从2013年开始可以观察到显著的“双峰”特征，这种特征一直持续到2015年，在2016年又恢复到“单峰”特征。表明在2007-2016年中国各省份工业R&D创新效率呈现两极分化现象，处于中上等和较差水平的工业R&D创新效率省份提升速度相对加快，工业R&D创新效率较高省份提升速度显著减弱，这段期间工业R&D效率值高省份和效率值低省份分别在较高水平和较低水平两个均衡点收敛。第二，从密度分布图位置平移情况可以看出，2007-2016年我国各省工业R&D创新效率表现为震荡上升尔后平稳的趋势，2007-2010年密度分布图左移，工业R&D创新效率下降，2010-2013年密度分布图右移，较为直观地体现出我国各省工业R&D创新效率增长的势头，2013年后创新效率平缓保持。第三，从密度分布图波峰变化可以看出，各省份工业R&D创新效率2007-2016年出现由“尖峰”形状转向“宽峰”形状，各省份工业R&D创新效率两极分化态势显著。

为了更为清晰地描述中国工业R&D创新效率影响因素的变化状况，尤其是环境规制对省际工业R&D创新效率的作用效果，接下来本文结合动态面板GMM模型和面板分位数回归进行研究。

三、 动态面板GMM估计

1. 模型设定

动态面板GMM模型估计通过采用工具变量和差分来控制未观察到的个体效应和时间效应，并使用滞后被解释变量和前期解释变量为工具变量克服内生性问题。动态面板数据的一阶差分GMM估计，其基本思路是求差分，然后利用一组滞后解释变量作为差分方程中相应变量的工具变量。就本文而言，充分考虑工业R&D创新效率的复杂影响因素选择解释变量，采用的基本模型如下：

STECHit=α0+STECHit-1+ξXit+δi+γit

(6)

其中，t和i分别表示年份和省份；STECHit和STECHit-1分别代表省份i在t和t-1年份的工业R&D创新效率；Xit为自变量；γit、δi分别为地区残差和地区效应。为消除省份固定效应δi的影响，将公式(6)进行差分转换如下：

ΔSTECHit=ΔSTECHit-1+ΔξXit+Δγit

(7)

动态面板采用工具变量，即以滞后项ΔSTECHit-1为工具变量，解决由滞后被解释变量ΔSTECHit与Δγit存在较强的相关性所导致的内生性问题。通过矩约束条件来获得参数估计：

E(STECHit-k,Δγit)=0

(8)

由于差分GMM模型估计的差分项内生变量与滞后项的工具变量两者之间的相关性不强，往往导致弱外生工具变量，系统GMM相比差分GMM更有效。因此，本文拟采用系统GMM估计环境规制对R&D创新效率的影响。鉴于固定效应估计通常会低估滞后项系数，混合面板OLS估计时常高估滞后项系数，为了比较分析，本文将固定效应估计和混合面板OLS估计结果一并报告，若GMM估计值介于固定效应估计值与OLS估计值之间，则是有效可靠的。本文在模型中融入动态变量，从而可以更好地考察环境规制与工业R&D创新效率的关系，基本模型如下：

lnSTECHit=α+φ1STECHit-1+β1lnERit+β2lnSIZEit+β3lnFDIit+β4lnHUMit+β5lnSOEit+β6lnPGOVit+β7lnEMit+β8lnIMit+γit

(9)

其中，核心变量STECH代表利用Super-SBM度量的工业R&D创新效率值；环境规制(ER)运用工业污染治理投资额与工业总产值比率表示。在控制变量上，主要考虑加入能体现地区特征的变量，主要包括：将贸易开放细分为出口贸易和进口贸易，IM和EX代表各省按经营单位所在地分货物进口和出口总额，然后用平均货币汇率转换成为人民币，再以2006年为基期的消费价格指数平减；人力资本(HUM)采用六岁及以上人口受教育平均年数来衡量[注]设定文盲半文盲、小学、初中、高中、大专以上教育程度的居民平均教育年数分别为0、6、9、12和16，计算公式为：HUM=prim×6+midd×9+high×12+univ×16，其中prim、midd、high和univ分别为小学、初中、高中和大专以上教育程度居民占地区六岁及以上人口的比重。；企业规模(SIZE)采用大中型工业企业产值占工业企业总产值比例表示；产权因素(SOE)采用国有大中型工业企业产值占大中型工业企业产值比例表示；政府扶持(PGOV)用工业企业科技经费筹集中政府资金比例表示；外商直接投资(FDI)采用各省份实际利用外商直接投资金额，数据处理方式与对外贸易一致。以上数据来源于相应年份的《中国统计年鉴》、《中国教育统计年鉴》、《中国人口统计年鉴》、《中国工业经济年鉴》、《中国科技统计年鉴》。

2. 结果解析

系统GMM估计结果合理性可以通过观察Sargan统计量对应的p值以及解释变量滞后项的系数来判定。从表2可以发现，系统GMM估计结果介于固定效应估计值和混合OLS估计值之间，这就表示系统GMM估计没有因为弱工具问题产生偏差；Sargan检验对应的p值为0.9993和0.9988，这结果强烈接受“所有工具变量都有效”的原假设；一般而言，p值越大，表示采用的工具变量越有效；残差自相关检验AR(2)伴随p值分别为0.4431、0.4037，结果显示可以接受扰动项无自相关的原假设。作为对比，本文分别报告出口贸易和进口贸易控制变量对R&D创新效率的GMM估计结果，让其逐步进入模型之中。在具体分析中以SYS2-1模型回归结果为主。

首先，关注环境规制对R&D创新效率的影响结果。ER的系数为0.540，且在10%水平显著，表示环境规制显著有利于工业R&D创新效率提升，“波特假说”得到佐证，处于技术创新与环境规制的“双赢”的局面。从回归系数来看，第t-1期的R&D创新效率显著促进第t期R&D创新效率，这可能表示积聚效应的存在。我国逐年加大环境规制力度，较之其他发达国家仍旧存在差距，统计显示，国家用于环境污染治理的投资总额也保持震荡上升趋势，2014年我国环境污染治理投资达到了9575.50亿元的高点，2015年有所下降，达到8806.30亿元，2016年为9219.80亿元，2007年至2016年年均复合增长率达到了13.17%。环境规制对工业创新的促进作用是一个中长期过程，随着环境规制力度逐年加大，污染密集型中小企业由于无法承受环境规制产生的成本而逐渐退出竞争市场，促使另外一部分企业改变单纯的消极应对环境规制基本要求的态度，转向积极参与自主创新研发，提高市场占有率寻求增强盈利能力来抵消实施污染治理成本，产生环境规制对工业R&D创新的“补偿效应”。

环境规制的二次项系数显著为负，不难看出，环境规制与工业R&D创新效率存在倒“U”型关系，表明随着环境规制力度增强，对工业R&D创新效率的影响是先提高后降低。这是由于环境规制力度大时，工业企业为了满足政府环境规制要求和追逐高额利润，会抽出部分研发资金用于处理由于生产而排放的污染物，进而产生显著的“抵消效应”，不适应规制强度的工业企业会逐步被淘汰，促使被规制企业实现资源的优化配置和资源集中，有利于R&D创新效率提高。然而，如果环境规制力度继续加大，在过于苛刻的环境规制下，企业通过R&D创新活动收获的利润不足以用来治理其污染成本时，反而抑制工业R&D创新效率水平。

贸易开放和外商直接投资是本文关注的控制变量。出口贸易EX的系数为-0.147，通过5%显著性水平检验，表明出口贸易由于受到我国工业不论在技术水平、人才还是资金等方面限制，所带来的技术溢出效应和学习效应并没有获得创新能力和技术进步。从生产率视角分析，出口工业企业往往在创新能力方面有先天优势，其他工业尤其是内资企业的生产率比它弱很多，因此，随着出口贸易的提升，这些出口企业给其他企业带来的无形竞争压力加大，这种压力对于许多创新能力不足的中小工业企业是致命的；另外，我国大量的出口工业企业以劳动密集型企业为主，与国外先进企业相比，在技术能力、企业规模、生产率、自主创新等方面都有一定差距，大量的企业仅仅以贴牌或者代工方式参与全球价值链分工体系，这样的出口生产模式根本没有刺激到企业提升创新效率的欲望。IM的系数为0.156，且在1%水平显著，表明进口贸易有助于提升工业R&D创新效率。进口贸易所传导的国外先进技术可以有效促进本地工业企业技术进步，进口更多发达国家产品，通过模仿进口产品中先进的技术，加以吸收、利用然后再创新，进而促进本地工业R&D创新。这里需要说明的是，虽然进口贸易是技术溢出的渠道，但是欠发达国家通过贸易来增强技术创新能力尚存在很大局限性，这是因为技术溢出的效果不单取决于技术本身溢出，人力资本才是技术吸收并创新的关键，样本数据分析显示人力资本的相关系数为-0.552，表明我国人力资本素养亟需提升，否则会在较大程度上影响对外贸易对工业R&D创新效率的作用效果。

FDI系数显著为正值(0.0526)，说明外资的注入有益于工业R&D创新效率。外资引进可以带来国外先进的技术，还会通过竞争效应、模仿效应以及示范效应等技术溢出效应促进地区技术水平，这印证了李政等(2017)的观点。国有产权比重负面影响工业R&D创新效率，这可能是因为委托代理关系在国有企业普遍存在，导致R&D生产活动效率不高。企业规模越大，创新效率越高，肖仁桥(2015)认为企业规模对科技成果的转化效率有显著促进影响，政府支持对二者有显著负作用；关于政府科技资助对工业R&D创新的影响，陈明明等(2017)认为政府补贴促进了企业创新，冯宗宪(2011)的研究表明政府R&D补贴对工业创新产出的激励作用并不显著，然而，本文认同李平(2017)和肖文等(2014)的观点，政府的直接和间接支持并不利于企业技术创新效率提升，研究显示政府科技资金不利于企业创新效率提升，其原因在于地方政府趋向于投资地方国有企业，而这些国有企业由于政府为科技成本买单，缺乏创新的压力和动力，降低R&D创新效率。

表2 环境规制对创新效率的影响：GMM估计

续表

注：括号里为稳健标准误；***，**，*表示1%、5%和10%显著性水平；FE1、FE2表示固定效应；POLS1、POLS2表示混合面板最小二乘法估计；SYS1-1、SYS2-1代表系统GMM估计。[注]系统GMM方法仅仅适用于短动态面板，因为大样本性质建立在给定时间维度T的情况下，让横截面维度n趋于无穷；将环境规制、贸易开放变量当作外生解释变量，模型中其他变量要么当作弱外生的，要么当作前定的，我们选用“内部工具”即把弱外生或前定变量的滞后值作为它们自己的工具变量。

言而总之，环境规制、进口贸易、企业规模等对工业R&D创新效率增长有显著的正向作用，而出口贸易、政府扶持等对工业R&D创新效率的增长有明显的抑制作用。为了进一步探寻环境规制对工业R&D创新效率产生何种效应，本文接下来利用面板数据分位数回归做检验。

四、 面板分位数回归

1978年由Bassett和Koenker提出的分位数回归，能精确地描述自变量对于因变量的条件分布形状和变化范围。面板数据分位数回归可以更好反映在控制个体差异基础之上分析因变量条件分布的不同分位点上变量之间的作用效果(肖丁丁，2013)。分位数回归是利用加权误差绝对值总和最小从而对参数进行估计。Koenker将分位数回归分析拓展至面板数据模型的参数估计中，提出面板数据分位数回归的模型(叶明确，2013)。

(10)

求解下述最小化问题便可以对参数进行估计：

(11)

本文设定分析的回归模型如下式所示，涉及变量同上文所述，选取5个具有代表性的分位点为0.1、0.25、0.50、0.75、0.90，利用面板分位数方法进行分析，估计结果见表3。

lnSTECH=ω0+ω1lnER+ω2lnSIZE+ω3lnFDI+ω4lnHUM+ω5lnSOE+ω6lnPGOV+ω7lnEM+ω8lnIM+ε

(12)

表3 面板分位数回归估计结果

注：括号里为稳健标准误；***，**，*表示1%、5%和10%统计水平上显著。

从表3回归结果来看，在分位点0.1、0.25、0.50和0.75，环境规制系数均为正且通过显著性检验。由于企业需要满足环境规制要求，使得污染治理成本占企业总成本的比重不断上升，势必会出现创新资金挤出效应，将有限资金投入到产品的生产领域中，企业用于R&D创新资金来源会大打折扣，导致“抵消效应”出现。但随着环境规制强度由弱变强形成的“倒逼机制”，企业会通过R&D创新增加产出，获得高额利润来获得“补偿效应”。从各个分位点回归系数可以看出，回归系数在[0.184, 1.339]浮动，回归系数随着分位点提高而逐渐下降，0.9分位点比0.1分位点的回归系数低1.155，表明环境规制对创新效率的促进作用随创新效率值的增加而减弱。具体而言，在控制环境规制力度前提下，对于工业创新效率不高的省份，环境规制的边际收益较高，当环境规制强度使其获得“补偿效应”时，低R&D创新效率的省份可以收益更多。当工业R&D效率值较高时，由于省份已处于生产前沿面，环境规制对其影响效果不明显。只有当工业R&D活动投入产出水平与环境规制力度相契合时，环境规制才会对R&D效率增长产生显著的促进作用。据此，环境规制效果不仅取决于规制力度是否合适，也取决于工业R&D创新效率水平，需要两者配合默契才能推迟倒“U”型拐点的到来。

虽然随着分位点提高FDI回归系数由正变为负，但仅在分位点0.25时才在10%水平显著且为正值，其他分位点上均不显著，说明FDI的影响随着R&D创新效率提高而不再显著甚至转为负向，这是因为FDI溢出效应诱使企业关注短期内将R&D技术成果转化为经济利润，外资提供先进技术和R&D资金来满足企业的利润动机；然而从长远发展来看，正如“污染避难所假说”等理论，大量研究认为环境规制对企业投资的区位选择的影响显著，对于R&D创新效率较高省份来说，FDI流入并没有带来预期的技术溢出效果，相反，却是不利于R&D创新效率提升。从上文有关工业R&D创新效率省区评价中不难发现，R&D创新效率值较高省份集中在我国东部沿海地区，这些地区恰巧是环境规制力度较大的省份，2016年各省份工业污染治理投资情况显示，虽然山东、浙江和江苏工业污染治理投资额分别高达126.6亿、60.2亿和74.8亿元，但占工业总产值比重较大的北京、上海、江苏、浙江和山东也仅仅超过0.25%，湖南、四川和重庆等省份在0.1%左右。这同时从侧面佐证国内学者认为环境规制力度大的省份对FDI技术溢出效应产生抑制作用。

进口贸易在0.5分位点以上时对R&D创新效率产生正向影响，且随着分位点提高呈现倒“U”型，意味着增加进口贸易对较高R&D创新效率的省份影响高于中低R&D创新效率的省份；而出口贸易在0.75分位点以上时对R&D创新效率产生负向影响，且随着分位点提高影响增大，这表明出口贸易的提高抑制R&D创新效率值较高省份的工业研发活动。

图2 工业R&D创新效率的影响因素分位数回归系数

图2展示不同分位数下各系数估计的波动情况，可以较为直观地看出环境规制和企业规模、进口贸易的系数基本在0以上波动，表明这三个因素对R&D创新效率正向作用是相对显著且稳定的，而产权因素和政府扶持的估计系数基本都在0以下而对R&D创新效率有显著负向作用。企业规模也只有在中间部位0.50、0.75分位点对工业R&D创新效率产生显著正向作用，而且回归系数随着分位点的提高呈现先升高后降低。产权因素0.90分位点以下时显著影响R&D创新效率，但影响是负向的，回归系数成“U”型分布，“结构红利假说”在此并没有出现。政府科技资金在0.25分位点时，抑制R&D创新效率提升。人力资本在0.75分位点以下时对R&D创新效率没有显著影响，在0.75分位点以上时产生显著提升作用，回归系数随着分位点提高变大，表明人力资本只有对R&D创新效率较高省份产生显著的正向影响，对于R&D创新效率较低的省份影响较弱。

五、 结论和建议

本文利用中国2007-2016年省际工业企业面板数据，从技术效率角度，通过控制FDI、贸易开放、产权结构等因素对创新效率的作用，考察环境规制对工业R&D创新生产活动的影响机制。首先，利用非角度、非径向的考虑投入产出松弛变量的Super-SBM模型测评我国工业R&D创新效率，结果显示中国省际工业R&D创新效率存在差异，东部地区处于领先地位，中部、西部和东北地区与之差距较大，各年份生产前沿面大多由东部沿海省份构建。核密度分布图显示工业R&D创新效率呈现“单峰”“双峰”“单峰”动态演进过程，随着时间推进，工业R&D创新效率整体提升趋势明显。

更为重要的结论是：通过动态GMM估计显示环境规制对工业R&D创新效率的影响存在倒“U”型作用机制，对其产生的“补偿效应”足以弥补“抵消效应”。控制变量FDI和进口贸易溢出效应对于工业R&D创新效率是正面的，而出口贸易溢出效应由于受我国自身条件限制并没有得到展现。进一步通过分位数面板回归考察发现，环境规制对不同水平工业R&D创新效率的效果不同，随着工业R&D创新效率的减低(由高分位点向低分位点转移)，环境规制对工业R&D创新效率的影响程度在递减，产生效果最好的在0.75分位点的工业R&D创新效率；FDI对工业R&D创新效率的正向影响程度随着创新效率水平提高而逐渐减弱，当工业R&D创新效率达到0.75分位点以上时，作用的效果甚至是负向的；进口贸易对工业R&D创新效率的影响存在倒“U”型特征，作用的力度和强度在分位点0.75之前逐渐增大，至0.90分位点回归系数小幅下降，而出口贸易对0.5分位点以下的工业R&D创新效率具有促进作用，但均没有通过显著性检验，表明影响并不明显，而对0.75分位点以上的工业R&D创新效率具有明显的抑制作用。

由于环境规制对不同水平工业R&D创新效率的影响存在差异性，具体而言“波特假说”并非适用于中国所有工业企业，因此需要清醒地领会环境规制与工业R&D创新效率关系的个性和共性，有针对性地实施环境规制措施才能获得事半功倍的效果，政府应该依据各省的环境污染程度并考虑工业企业R&D创新活动的投入产出现实状况，区别制定环境规制措施，针对工业R&D创新效率不高的省份，采取“灵活”的环境规制工具，重视企业差异，因地制宜，避免僵化规制，关注处于不同R&D发展阶段的企业如何让其产生的“补偿效应”发挥极致；至于工业R&D创新效率水平较高的省份，尽量弥补环境规制所带来的“抵消效应”，政府给予技术创新更多的政策扶持和资金支持，延迟倒“U”型曲线拐点的到来。