空间溢出效应视角下低碳技术创新对气候变化的响应

王为东 卢娜 张财经

摘要中国应对气候变化的技术努力已有多年，有必要实证检验这一努力的成效，主要是中国低碳技术创新对气候变化的响应效果。本文基于2004—2015 年中国 30个省市的空间面板数据，首先采用ESDA方法对低碳技术进行空间相关性分析，接着采用SDM模型实证分析低碳技术创新响应气候变化的空间溢出效应。研究发现：①中国低碳技术供给与需求在空间分布上有一定偏差，代表技术供给的低碳技术创新活动呈现由东向西扩散的特征，东部地区始终最为活跃，中、西部地区创新活力则梯次下降。而碳排放具有“西移”的特征，代表了低碳技术需求的变化方向。②中国低碳技术创新响应了气候变化趋势，表明多年努力取得了成效；而响应的空间溢出效应尽管是正向的，但尚不显著，表明各区域的低碳技术创新活动仍处于各自为战的阶段。③环境规制与市场拉动是低碳技术创新的重要影响因素。其中，支持性环境规制政策与抑制性环境规制政策均能促进本地低碳技术创新，但空间溢出效应不显著，表明各区域在环境政策上是“逐顶竞争”关系，但各自为政，示范效应不足。市场拉动指标经济增长与出口对本地低碳技术创新均具有较高水平且显著的促进作用，出口同时具有显著的空间溢出效应，但经济增长抑制邻近地区低碳技术创新。据此，本文的政策含义包括：加强中国低碳技术应对气候变化的区域协同治理，推动创新要素合理流动；充分发挥环境规制的示范效应，改善政策组合；发挥市场的拉动作用，延伸并升级绿色产业链。

关键词低碳技术创新；气候变化；空间溢出效应

中图分类号F062.2文献标识码A文章编号1002-2104（2018）08-0022-09DOI：10.12062/cpre.20180307

低碳技术创新是应对气候变化的重要手段之一，也是同时解决经济与环境问题的“双赢”方案[1]。新世纪以来，中国日益重视气候变化的威胁，遏制气候变暖的科技努力不断得到加强。早在“十五”期间中国就启动了区域性大气环境质量变化、环境污染形成机理与环境污染防治技术等重大科技项目，鼓励集成技術创新。2006年第一次全国环保科技大会召开，明确了科技兴环保战略。“十一五”期间制定了几十项污染防治技术政策、环境保护工程技术规范与污染防治最佳可行技术指南，实现了环境标准体系与管理体系建设的跨跃式发展。“十二五”时期国家重点布局清洁生产、战略性新兴环保产业等12个领域，资金投入达到220亿元。在新的历史性起点上，国家“十三五”规划明确提出，到2020年单位产值CO2排放量要达到年均累计下降18%的目标。为此，国家环境保护“十三五”科技发展规划明确要求强化大气环境监测和大气复合污染综合防治关键技术创新研发。可见，中国应对气候变化的科技投入巨大，并已历时多年。因此，可以通过实证研究检验中国低碳技术创新对气候变化响应水平的高低。值得注意的是，应对气候变化的技术研究目前大多聚焦于低碳技术创新缓解气候变化的作用机制[2]，而相反的方向即低碳技术创新对气候变化的反应在这类研究中往往被忽略[3]。这一相反方向作用关系的研究对于评估低碳技术创新效果、明确未来方向与目标显然具有重要的意义。据此，本文将问题设定在较少得到关注的低碳技术创新对气候变化的响应问题上，采用中国30个省市数据（不包含西藏、港澳台），从空间溢出效应的视角，实证检验中国低碳技术创新对气候变化的响应效果。

1文献综述

1.1低碳技术创新属性及主要影响因素

减少碳排放的紧迫性有力推动了低碳技术创新研究的开展[4]。首先是对低碳技术创新自身的特点、规律、体系制度等属性方面的研究，结果表明低碳技术创新与其他创新相比具有更高的新颖性、不确定性与多样性[5-6]；而且低碳技术创新在系统集成、技术转让以及制度体系方面也有其特有方式[7-9]。其次，如何促进低碳技术创新已经积累了大量研究，影响低碳技术创新的关键因素包括如下几个方面：①环境规制。环境规制指的是政府制定的环境行为规范与标准，是低碳技术创新研究中讨论最多的因素。波特关于环境规制促进创新的假设是该项研究的基础，认为环境规制未必会增加企业成本，企业可以通过创新补偿成本的损失[10-13]。②技术推动与市场拉动。由于实证结果对波特假说支持上存在一定分歧[14]，技术推动与市场拉动等因素被进一步纳入到波特研究框架，认为研发投入与市场需求都是促进低碳技术创新的因素[15-17]。③公众环保意识。随着公众对环境问题意义的认识和敏感性的迅速提升，公众环保意识已成为低碳技术创新研究的另一个重要对象[18-19]。与政府环境规制的压力相对应，公众环保意识提升带来的压力也被认为是促进低碳技术创新的重要因素[20-23]。

王为东等：空间溢出效应视角下低碳技术创新对气候变化的响应中国人口·资源与环境2018年第8期1.2气候变化影响因素的空间溢出效应

地理空间范围是上述各因素对低碳技术创新发挥作用的必要条件。传统上，环境问题相关研究往往将研究对象所在区域预设为相互独立的封闭系统，即相邻区域之间没有任何关联，区域间的资源、物质与信息也不存在任何交换和溢出效应[24-27]。而空间计量专家Anselin[28]研究发现空间因素是环境问题的重要方面，从而放弃了传统上将影响过程作为封闭系统，各因素仅影响本地的假说[29]。这就在研究环境问题的方法论上取得重要突破。近期气候变化问题的研究开始考虑到各影响因素的空间溢出效应[30-32]。实际上，不仅CO2及其他温室气体排放具有很强的空间流动性，而且人口、经济及技术等因素都有空间溢出效应。其中，大量研究[33-37]明确指出，低碳技术创新也存在着时空差异性与空间外溢特征。当然，与本文研究问题相反，气候变化相关的空间溢出效应的大量研究目前仍主要集中于各影响因素对气候变化作用的方面。

1.3低碳技术创新响应气候变化的空间溢出效应

由前文可见，低碳技术创新属性及缓解气候变化问题已积累了大量研究[38]。尽管开展这项研究的目的就是要应对碳排放所带来的气候变化问题，但是气候变化对低碳技术创新直接作用关系的研究反而缺失。对此，Su和Moaniba[3]基于全球70个国家数据，对相反方向的作用关系进行检验，初步实证支持了气候变化直接促进低碳技术创新的新理论假设。据此，本文预期气候变化促进低碳技术创新。在方法论假设上也将基于空间溢出效应的角度，原因在于：作为气候变化与温室效应的主要来源，二氧化碳本身就具有显著的流动特性，本地碳排放不仅影响本区域，而且会影响到邻近区域。因此，从空间溢出效应视角进行实证检验，能够更为完整、准确地描述低碳技术创新响应气候变化的机制。

2空间计量模型的构建与变量选择

2.1空间计量模型设定

根据文献综述，低碳技术创新的相关研究主要围绕波特关于环境规制促进创新的著名假说展开[39]，研究线索包括政府的环境规制[11-15]、技术推动与市场拉动[17，40]、公众环保意识[41-42]等因素对低碳技术创新的促进作用。本文将借鉴已有研究，在检验低碳技术创新对气候变化的响应时，综合考虑环境规制、技术推动与市场拉动及公众意识等因素对低碳技术创新的影响。因此，设定的初始计量模型如式（1）所示。

ln Y02it=α0+α1ln carbonit+ξ ln X+εit（1）

式中，i代表各省市；t代表时间；Y02为被解释变量，表示低碳创新技术申请数量；carbon代表碳排放量；X为一组控制变量，包含了可能对低碳创新技术产生影响的若干变量；ξ代表控制变量的弹性系数；ε为残差项。

考虑到区域之间碳排放的流动性，普通的计量模型则可能存在偏差，本文将采用空间计量模型从空间视角验证低碳技术创新对气候变化的响应。本文具体采用更具一般性的空间杜宾模型（SDM），它是空间滞后模型（SLM）和空间误差模型（SEM）的一般形式，表达式如式（2）所示。

yit=c+ρ∑nj=1Wijyit+αXit+∑nj=1WijXitγ+μi+λt+εit（2）

式中，yit为因变量，Xit为自变量，α为自变量系数，c为常数项，ρ为因变量空间自回归系数，γ为自变量空间滞后系数，μi和λt分别表示空间效应和时间效应，εit为残差项，为空间权重矩阵，Wij为空间权重矩阵，表示各个空间要素之间的关联性和相互影响程度，本文选择空间邻接矩阵，即地区相邻为1，不相邻为0。αXit表示本地区自变量对因变量的影响；WijXit表示本地區自变量对邻近地区因变量的影响，即空间溢出效应。

2.2指标选取

2.2.1被解释变量

低碳技术创新（Y02）以2013年美国和英国联合颁布的CPC（合作专利分类法）中Y02分类申请专利数来衡量[3]，且采用中国人在国内申请专利来衡量，不包括外国人在中国的申请专利。Y02专利包括缓解气候变化的六类相关技术：Y02B，建筑业相关碳减排技术；Y02C，温室气体处理技术；Y02E，能源相关碳减排技术；Y02P，商品生产与处理相关碳减排技术；Y02T，交通相关碳减排技术；Y02W，污水、污染物处理相关碳减排技术。需要强调的是，专利不等于创新，尤其是没有应用的专利，但专利较好衡量了创新的技术方面[3]。

2.2.2核心解释变量

气候变化（carbon）本文采用基于能源消费的碳排放表征[43]。低碳技术创新主要针对的是温室效应所带来的气候变化问题，碳排放则是造成温室效应的主要来源。Su和Moaniba[3]首先使用碳排放衡量气候变化，初步实证了气候变化对低碳技术创新显著作用关系。据此，本文预期低碳技术创新对气候变化具有正向响应，即随着碳排放量的不断增加，低碳技术创新活动将更加活跃。由于中国未公开公布历年的碳排放量，故碳排放的核算参考IPCC提供的核算方法，公式如式（3）。

carboni=12/44×[∑nEn，i×αn×βn]（3）

式中，i指不同省市；carboni指i省市碳排放，单位万t；En，i指i省市第n种能源终端消费量（本文考虑的能源消耗类型包括：原煤、洗精煤、其它洗煤、型煤、焦炭、焦炉煤气、其他煤气、其他焦化产品、原油、汽油、煤油、柴油、燃料油、液化石油气、炼厂干气、天然气和其他石油，共17种），焦炉煤气、其他煤气、天然气单位为108 m3，其余能源为万t；αn指第n种能源折标准煤系数；βn指第n种能源CO2排放系数，单位万t/万tce。

2.2.3控制变量

考虑到低碳技术创新还可能受到其他变量的影响，本文在式（1）和式（2）中补充如下控制变量：①环境规制。环境规制强度的衡量通常基于三废排放或污染治理支出[44-45]，近期研究者[46]认为使用污染治理收费衡量环境规制在中国也非常有效。因此本文同时以作为投资的污染治理支出（er1）与作为收入的污染治理收费（er2）两个因素衡量环境规制强度。由于波特关于环境规制促进低碳创新的假说得到大部分的实证研究支持[15]，本文遵从波特假说，认为环境规制不仅能够约束碳排放，还能产生“创新补偿”效应，因此预期环境规制对低碳技术创新具有正向促进作用。②经济增长与出口。研究者常常以经济增长（pgdp，主要是人均收入）与出口（exp）衡量内、外部市场需求的拉动作用[16-17，42]。一方面，随着国内经济发展水平的提高，公众对环保、绿色产品需求增加，另一方面国外对本国出口产品低碳化需求加强，均能促进低碳技术创新活动的加强。故本文预期经济增长与出口对低碳技术创新均具有促进作用。③公众环保意识（pa）。本文以各省市环境信访来信封数衡量公众环保意识，以更直接体现公众环保意识，并反映其短期内的变化。公众环保意识加强对政府、企业形成的压力，会间接或直接地促进低碳技术创新活动[20-23]。故本文预期该指标对低碳技术创新具有正向作用。

2.3数据来源与处理

本文以2004—2015年为研究区间，中国30个省市为研究对象（因港澳台及西藏数据缺失，不予以考虑）。各省市Y02专利数据来自Incopat专利数据库；三废污染物排放及治理费用、污染物排放收费、人均GDP、出口等数据来源于历年《中国统计年鉴》；能源消费、折标煤系数及碳排放系数来源于《中国能源统计年鉴》；环境信访来信封数来源于《中国环境年鉴》等。为了统一货币单位，采用人民币兑美元年均价汇率将以美元为单位的出口额换算成人民币。为了消除价格波动影响，以2004年为基期，对经济变量做了不变价处理。为了消除异方差影响，本文对所有变量均做了对数化处理。

3实证研究

3.1空间相关性分析

为验证低碳技术创新与碳排放的空间相关性，本文分别采用ESDA中的全局和局部空间自相关指数进行检验。全局空间自相关反映了变量在全部样本区域的空间依赖程度，检验结果如表1所示。可以看出，在邻接权重矩阵下，低碳技术创新和碳排放指标的全局Morans I指数均为正，绝大多数通过5%显著性水平检验，说明这两项指

表12004—2015年中国各省市低碳技术创新及碳排放

全局Morans I表

Tab.1Global Morans I of low carbon innovation and

carbon emissions in China from 2004 to 2015年份低碳技术创新碳排放Morans IZ值p值Morans IZ值p值20040.2272.1790.0150.1051.1720.12120050.1631.6630.0480.1851.8840.03020060.1801.7870.0370.1441.5390.06220070.2282.2310.0130.1701.7280.04220080.2442.3200.0100.0790.9520.17120090.2522.3740.0090.1601.6490.05020100.2832.6300.0040.1681.7250.04220110.2872.6920.0040.1401.6970.04520120.2842.6450.0040.1161.2890.09920130.2332.2300.0130.1041.1930.11620140.2192.1240.0170.1141.2820.10020150.3002.7890.0030.1231.3640.086標均存在空间正相关性。

局部空间自相关采用Morans I散点图来验证各省市低碳技术创新及碳排放与其邻近地区之间的关系，本文分别选取2004年和2015年为代表年份（限于篇幅，文中未报告2004—2015年历年的局部Morans I散点图），结果如图1所示。可以看出，低碳技术创新与碳排放局部空间集聚特征明显，趋势线均分布于一三象限。就动态演变趋势来看，2004—2015年间，低碳技术创新集聚区主要是华东、华中及华北地区，其中福建、安徽、湖南、湖北在2007年加入高创新“俱乐部”，2013年重庆加入高创新“俱乐部”，显示出高创新集聚区具有以东部地区为重心，沿中国长江流域由东向西持续扩散的特征。就低碳技术创新空间正相关类型区中省市的数量而言，2004年、2008年、2012年和2015年分别为21、19、20、21个，无显著差异，反映出低碳技术创新具有区域集聚的特点，即局部Morans I散点图进一步验证了低碳技术创新存在显著的空间自相关性。相对而言，2004年，我国碳排放集聚区（H-H）虽然也集中于华东、华中及华北地区，但2007年江西退出了高排放“俱乐部”，上海市、河北、山西、北京也陆续退出高排放“俱乐部”，而西部地区的重庆却在2013年加入，表明与低碳技术创新活动在地理空间上以东部为重心、向西持续扩散的特点不同，我国高碳排放集聚区呈现的是逐步“西移”的特征。

3.2空间模型检验结果

前文空间相关性检验证实各省市低碳技术创新、碳排放存在空间集聚特征，故应选择空间计量模型采用极大似然法进行统计检验。模型选择过程如下：首先，普通面板数据模型（OLS）回归残差的空间自相关性检验结果显示，LMlag、RobustLM lag和LM error、RobustLM error的p统计值均在1%显著性水平下显著，说明构建空间计量模型比较合理；接着对SDM模型进行LR检验，结果显示均在1%显著性水平拒绝原假设，即SDM模型不可退化为SLM或SEM模型；最后Hausman检验结果显示通过1%显著性水平检验，应该选择固定效应模型。进一步综合分析空间固定、时间固定和时空固定各模型的调整R2、自然对数似然函数值LogL，以及自变量估计系数的经济学含义，发图1低碳技术创新与碳排放局部Morans I散点图

Fig.1Local morans I scatterplot of low carbon innovation and carbon emissions现时空固定效应下的SDM模型更为合理，因此选择该模型的检验结果进行分析。各个模型检验结果如表2所示。

研究结果显示：①碳排放（carbon）。碳排放正向影响低碳技术创新，即碳排放水平越高，则低碳技术创新活动越活跃，而且作用关系通过5%水平的显著性检验，支持了本文提出的低碳技术创新响应气候变化的预期。这一基于中国背景的研究结果也印证了Su和Moaniba[3]首倡的气候变化对低碳技术创新具有正向作用的研究假设。这一结果表明，中国的创造者已经行动起来，积极应对气候变化带来的环境挑战。②环境规制（er1与er2）。污染治理支出与污染治理收费对低碳技术创新都具有显著的正向影响，支持了本文关于环境规制促进低碳技术创新的预测。且两者作用程度不相上下，与其他研究者[44]的结论一致。表明在中国，作为抑制性环境规制的污染治理收费对低碳技术创新的促进作用不亚于甚至会超过作为支持性环境规制的污染治理支出。不同于污染治理投入作为低碳技术创新的驱动力因素，污染治理收费增加企业成本，构成了低碳技术创新的压力因素。③经济增长（pgdp）与出口（exp）。人均GDP与出口对低碳技术创新的正向作用突出，且分别通过了5%与1%的显著性水平检验，支持了市场拉动对低碳技术创新的促进作用假说，并印证了

表2SDM空间计量结果

Tab.2Estimation results of spatial Dublin panel model变量固定效应（FE）时空固定空间固定时间固定随机效应

（RE）碳排放（carbon）0.104 9**0.102 5*0.459 1***0.145 4***环境规制（er1）0.057 0**0.037 60.011 40.031 9环境规制（er2）0.078 1*0.075 0*-0.240 0***0.107 6**经济增长（pgdp）0.510 9**1.115 5***-0.382 6***0.873 4***出口（exp）0.314 3***0.220 0***0.724 8***0.321 4***公众环保意识

（pa）-0.002 70.003 20.017 40.003 8常数（c）----3.329 3**rho0.054 2***0.068 6***0.269 8*** 0.076 5***loglikelihood13.761 6-57.182 6-275.364 2-137.683 3Rsq0.763 50.757 20.717 60.788 4LM lag149.532***RobustLM lag107.761***LM error74.754***RobustLM error32.983***LRlag20.340***LRerror19.800***Hausman14.550***注：*、**、***分別表示在10%、5%和1%水平上显著；括号中数据为z值。

中国市场具有拉动作用的前期研究[43]。这一结果表明，一方面随着中国进入中等收入国家行列，人们的生活需求发生了变化，不再只是满足于温饱的基本消费，而是对产品的质量、绿色与安全提出了更高的要求，并且考虑到国内市场规模巨大，人均收入的大幅提升带来的国内需求变化日益成为中国低碳技术创新的重要动力源。另一方面，中国作为世界“制造工厂”，国际市场对中国产品的需求层次更高，并且有更加严苛的检测标准，因而出口成为中国低碳技术创新的另一个重要动力源。④公众环保意识（pa）。公众环保意识对低碳技术创新具有不显著的抑制作用，与预期相反。可能原因在于，中国民众对周遭环境问题意见的表达常常诉诸于政府这一间接渠道，对企业的低碳技术创新活动难以形成直接的现实压力。

由于SDM模型中存在自变量的空间滞后项，因此前文的估计系数并不能直接反映自变量对因变量的边际效应，而仅仅在作用方向和显著性水平上是有效的。研究者[47]进而指出，自变量的影响可分解为直接效应和间接效应。直接效应是本地区自变量对本地区因变量的影响，间接效应则是本地区自变量对邻近地区因变量的影响，即空间溢出效应。前面回归系数与直接效应存在差异的原因是直接效应同时考虑了反馈效应。反馈效应是空间滞后因变量和空间滞后自变量交互作用形成的综合效应，由于其数值较小，往往忽略不计。分解结果如表3所示。

效应分解结果显示：①碳排放（carbon）。碳排放对本地区低碳技术创新影响更大，直接效应是0.107，通过5%水平的显著性检验；而空间溢出效应虽然也为正，但不具有显著性。表明碳排放对低碳技术创新活动的影响目前主要限于本地区，对其他地区的低碳技术创新活动的空间溢出效应还不足。造成这一结果的原因可能是区域间气候变化应对的协同治理不够，仍处于各自为战的阶段。②环境规制（er1与er2）。两类环境规制即污染治理支出与污染治理收费的直接效应都为正值，分别是0.056与0.083，且均通过5%显著性水平检验。支持性环境规制政

表3SDM模型的直接效应和间接效应

Tab.3Direct effect and indirect effect of spatial

Dublin Panel Model变量直接效应间接效应总效应carbon0.107 0**0.029 30.136 3er10.056 0**0.023 50.079 5er20.083 2**0.074 30.157 5*pgdp0.494 4**-1.723 7***-1.229 3***exp0.318 4***0.268 7***0.587 2***pa-0.002 7-0.010 0-0.012 7注：*、**、***分别表示在10%、5%和1%水平上显著。

策（er1）与抑制性环境规制政策（er2）都有正向的间接效应，尽管尚不显著。表明环境规制对低碳技术创新的影响也主要限于本地，形成了本地低碳技术创新的动力与压力。原因可能在于地方政府之间的低碳技术创新活动目前主要是“逐顶竞争” （race to the top）关系，大多各自为政。而邻近地区支持性与抑制性政策对本地区有“示范效应”，其经验教训得到了一定的借鉴，但尚不显著。③经济增长（pgdp）。人均收入增长对本地区低碳技术创新活动的直接效应为正，且通过了5%的显著性水平检验，但对其他地区的空间溢出效应为负，且在1%水平上显著。原因可能与前述经济的集聚与极化效应有关。一个地区经济越是发达，市场需求的层次就越高，要素报酬也越高，高质量创新要素集聚会更加显著，本地低碳技术创新活动也就更活跃。与之相关，邻近地区就面临着创新要素流失、创新活力丧失的压力。即经济发展的不平衡易于导致低碳技术创新活动在地理空间上的分化。这一点也得到前文低碳技术创新活动空间分布特征的印证。④出口（exp）。与经济增长的作用不同，出口不仅对本地低碳技术创新有显著的正向作用，对其他地区的低碳技术创新也有显著的正向作用，总效应达到了0.587，并且通过了1%的显著性水平检验。原因可能在于中国出口以海外需求为主，以更低成本与更高能力满足国际市场需求是主要考量，而市场的地理邻近性在出口企业及供应商选址中的作用并不大。换言之，出口对低碳技术创新活动的作用不限于本地，而是跨地域整合供应链与创新活动。⑤公众环保意识（pa）。公众环保意识的直接与间接效应都为不显著的负值。其原因与前述SDM结果相关，中国民众意愿表达渠道狭窄与自发组织不足导致公众环保意识对本地低碳技术创新活动都难以形成显著影响，对其他地区的影响必然更加微弱。

4研究结论与政策启示

低碳技术创新响应气候变化的效果研究是检验多年来中国节能减排努力的重要方面。本文以中国各省市Y02专利申请数量衡量低碳技术创新，首先分析低碳技术创新空间格局变化规律，接着选择SDM模型实证考察了影响因素，并进行直接与间接效应的分解。研究结论如下。

4.1中国低碳技术供给与需求在空间分布上存在一定偏差空间相关性研究发现，不同于近年来碳排放所具有的“西移”特点，中国低碳技术创新始终以东部沿海地区为重心，沿长江流域持续向中西部扩散。可见，衡量低碳技术需求的碳排放量与衡量低碳技术供给的低碳技术创新在区域分布上存在一定的偏差。结果同时表明，随着中国经济的发展，经济活动的区域不平衡现象并未减弱，低碳技术创新的梯次特征明显。东部地区逐步进入后工业化阶段，创新要素更为集聚，低碳技术创新活动更为活跃，而碳排放则有减少的趋势。而中西部地区正处于工业化中后期阶段，未来可能成为高排放区，但创新要素的集聚水平相对不足。

4.2中国低碳技术创新积极响应气候变化

研究结果显示，中国低碳技术创新对气候变化响应是正向的，作用系数为0.107，即气候越是变暖，则低碳技术创新活动越活跃。这一结果表明，气候变化挑战的紧迫性成功激发了中国的创造热情，低碳技术创新已经成为近年来中国经济活动的重要领域。多年以来中国遏制气候变暖的科技努力起到了正面效果，低碳技术创新活动成为了中国创业创新活动的重要组成部分。与此同时，研究显示，中国30个省市低碳技术创新响应气候变化的空间溢出效应虽然为正，但尚不显著。表明各地应对气候变化技术努力还处于各自为战的阶段，跨区域的协同治理仍然不足。

4.3环境规制与市场拉动是低碳技术创新响应机制的重要影响因素研究发现，政府规制的两个方面即污染治理投入与收费同样对本地低碳技术创新有显著的正向影响，对其他地区具有较低水平的空间溢出效应。与此同时，研究还发现，市场拉动的两个方面即经济增长与出口对本地以及邻近地区的低碳技术创新都有更高水平的促进作用，是低碳技术创新活动最重要的影响因素，尽管经济增长对其他地区低碳技术创新起的是抑制作用。经济增长这一作用的原因在于国内市场的地理邻近性相对于国际市场更加重要，且要素流动障碍更少。因此，区域经济增长引起的需求上升以及要素回报增加致使创新要素在本地集聚，而抑制其他地区的创新活力，造成低碳技术创新区域不平衡现象。可见，区域经济增长对创新要素流动的作用很有可能是上述中国低碳技术创新空间布局特征的重要原因。

基于以上研究结论，本文的政策启示包括：①加强中国低碳技术应对气候变化的区域协同治理。研究显示，低碳技术对气候变化响应的空间溢出效应不显著，而且在空间分布上低碳技术供需存在一定偏差。这就要求加强低碳技术区域协同治理，避免各自为战。尤其是针对东西部低碳技术供需不协调问题，东部地区应充分利用创新资源，进一步升级低碳技术创新的层次，并促进相关技术、人才、资金、企业向中西部的合理扩张与流动。中西部地区则应充分利用环境改善的巨大市场优势，积极承接东部的创新资源转移。②充分发挥环境规制政策的示范效应。目前环境规制的空间溢出效應仍然较小，支持性环境规制政策与抑制性环境规制政策作用不相上下。一是要求将区域政策目前的“逐顶竞争”模式与深化合作相融合，努力改变各自为政的状态，更加充分地借鉴邻近区域的政策经验教训，充分发挥示范效应。二是要求各省市地方政府深化环境政策研究，充分发挥两类政策的激励与约束作用，形成政策的“组合拳”，从而形成促进低碳技术创新高效的规制动力与压力。③有重点地发挥国内、国际两个市场对低碳技术创新的拉动作用。低碳技术创新活动的区域不平衡与收入水平差距高度相关。要继续发挥中国东部地区经济领头羊的作用，支持以消费升级带动低碳技术创新活动更趋活跃。要不遗余力地支持中国中、西部地区经济发展，培育低碳技术创新的应用市场。与此同时，积极探索东、中、西部绿色产业的对口支援与布局工作，延伸绿色产业链条，缩小区域差距。坚持与扩大中国对外开放力度，以国际高层次市场需求拉动中国绿色产业价值链的整体升级，培育中国在这一创造新领域的国际竞争力。

（编辑：李琪）

参考文献（References）

[1]乔尔·克兹曼.低碳技术创新和美国经济霸权2.0[M].周亦奇，译.大连：东北财经大学出版社，2015.[KURTZMAN J. Unleashing the second American century： four forces for economic dominance[M]. Translated by ZHOU Yiqi. Dalian： Dongbei University of Finance & Economics Press， 2015.]

[2]PORTER M E， VAN DER LINDE C. Toward a new conception of the environment competitiveness relationship[J]. Journal of economic perspectives，1995， 9（4）： 97-118.

[3]SU H N， MOANIBA I M. Does innovation respond to climate change？ empirical evidence from patents and greenhouse gas emissions[J]. Technological forecasting & social change， 2017， 122（5）： 49-62.

[4]斯特恩.尚待何时？应对气候变化的逻辑、紧迫性和前景[M].齐晔，译.大连：东北财经大学出版社，2016.[STERN N. Why are we waiting？ the logic， urgency， and promise of tackling climate change[M]. Translated by QI Ye. Dalian： Dongbei University of Finance & Economics Press， 2016.]

[5]DE MARCHI V. Environmental innovation and R&D; cooperation： empirical evidence from Spanish manufacturing firms[J]. Research policy， 2012， 41（3）：614-623.

[6]DE MARCHI V， GRANDINETTI R. Knowledge strategies for environmental innovations： the case of Italian manufacturing firms[J]. Journal of knowledge management， 2013， 17（4）：569-582.

[7]周冯琦. 应对气候变化的技术转让机制研究[J].社会科学，2009（6）：33-38.[ZHOU Fengqi. On technology transference mechanism coping with climate change[J]. Journal of social sciences， 2009（6）： 33-38.]

[8]潘韬，刘玉洁，张九天，等.适应气候变化技术体系的集成创新机制[J].中国人口·资源与环境， 2012，22（11）：1-5.[PAN Tao， LIU Yujie， ZHANG Jiutian， et al. Integrated innovation mechanism of technology system for adaptation to climate change[J]. China population， resources and environment， 2012，22（11）： 1-5.]

[9]樊步青， 王莉静. 我国制造业低碳技术创新系统及其危机诱因与形成机理分析[J]. 中国软科学， 2016（12）：51-60. [FAN Buqing， WANG Lijing. Crisis precipitating factors and crisis formation mechanism of the manufacturing innovation system in China[J]. China soft science， 2016（12）：51-60.]

[10]王国印，王动. 波特假说、环境规制与企业技术创新[J].中国软科学，2011（1）： 100-112. [WANG Guoyin， WANG Dong. Porter Hypothesis， environmental regulation and enterprises technological innovation[J]. China soft science， 2011（1）：100-112.]

[11]董颖，石磊.“波特假说”——生态创新与环境管制的关系研究述评[J].生态学报， 2013，33（3）： 809-824.[DONG Ying， SHI Lei. The Porter Hypothesis： a literature review on the relationship between ecoinnovation and environmental regulation[J]. Acta ecologica sinica， 2013， 33（3）： 809-824.]

[12]張峰，宋晓娜，薛惠锋，等.环境规制、技术进步与工业用水强度的脱钩关系与动态响应[J].中国人口·资源与环境，2017，27（11）：193-201.[ZHANG Feng， SONG Xiaona， XUE Huifeng， et al. Decoupling relationship and dynamic response between industrial water intensity， environmental regulation and technological progress[J]. China population， resources and environment， 2017， 27（11）：193-201.]

[13]原毅军， 谢荣辉. 环境规制与工业绿色生产率增长[J]. 中国软科学， 2016（7）：144-154. [YUAN Yijun， XIE Ronghui. Environmental regulation and the ‘Green productivity growth of Chinas industry[J]. China soft science， 2016（7）：144-154.]

[14]LEE KH， MIN B. Green R&D; for ecoinnovation and its impact on carbon emissions and firm performance[J]. Journal of cleaner production，2015，108 （6）：534-542.

[15]HUANG X X， HU Z P， LIU C S， et al. The relationships between regulatory and customer pressure， green organizational responses， and green innovation performance[J]. Journal of cleaner production， 2016，112（1）：3423-3433.

[16]HORCH J， RAMMER C， RENNINGS K. Determinants of ecoinnovations by type of environmental impactthe role of regulatory push/pull， technology push and market pull[J]. Ecological economics， 2012， 78 （6）：112-122.

[17]COSTANTINI V， CRESPI F， MARTINI C， et al. Demandpull and technologypush public support for ecoinnovation： the case of the biofuels sector [J]. Research policy， 2015，44（3）：577-595.

[18]LK DICLE， KSE C. The impact of organizational learning on corporate sustainability and strategy formulation with the moderating effect of industry type[J]. Social and behavioral sciences， 2014， 150（12）：958-967.

[19]PARGALAND S， WHEELER D. Informal regulation of industrial pollution in developing countries [J]. Journal of political economy， 1996， 104（4）：1314-1327.

[20]YU W， RAMANATHAN R， NATH P. Environmental pressures and performance： an analysis of the roles of environmental innovation strategy and marketing capability[J]. Technological forecasting & social change， 2017，117（1）：160-169.

[21]SHARMA S， RUEDAMANZANARES A. The contingent influence of organizational capabilities on proactive environmental strategy in the service sector： an analysis of North American and European ski resorts[J]. Canadian journal of administrative sciences，2007， 24 （4）： 268-283.

[22]GHISETTI C， MARZUCCHI A， MONTRESOR S. The open ecoinnovation mode：an empirical investigation of eleven European countries[J]. Research policy， 2015， 44（5）：1080-1093.

[23]CUNICO E， CIRANI C B S， LOPES E L， et al. Ecoinnovation and technological cooperation in cassava processing companies： structural equation modeling[J]. Revista de administrao， 2016， 52（1）：36-46.

[24]何小鋼，张耀辉.中国工业碳排放影响因素与CKC重组效应——基于STIRPAT模型的分行业动态面板数据实证研究[J].中国工业经济，2012（1）：26-35.[HE Xiaogang， ZHANG Yaohui. Influence factors and environmental Kuznets Curve relink effect of Chinese industrys carbon dioxide emission：empirical research based on STIRPAT Model with industrial dynamic panel data[J]. China industrial economics， 2012（1）：26-35.]

[25]ZHANG C G， LIN Y. Panel estimation for urbanization， energy consumption and CO2 emissions： a regional analysis in China [J]. Energy policy， 2012， 49（1）：488-498.

[26]GENG Y， ZHAO H Y， LIU Z， et al. Exploring driving factors of energyrelated CO2 emissions in Chinese provinces： a case of Liaoning[J].Energy policy， 2013， 60（6）：820-826.

[27]谢锐，王振国，张彬彬.中国碳排放增长驱动因素及其关键路径研究[J].中国管理科学， 2017，25（10）：119-129.[XIE Rui， WANG Zhenguo， ZHANG Binbin. Study on driving factors and critical supply chain paths of CO2 emissions in China[J]. Chinese journal of management science. 2017， 25 （10）： 119-129.]

[28]ANSELIN L. Spatial effects in econometric practice in environmental and resource economics[J]. American journal of agricultural economics， 2001，83（3）：705-710.

[29]林伯強，黄光晓. 梯度发展模式下中国区域碳排放的演化趋势[J].金融研究， 2011（12）：35-46. [LIN Boqiang， HUANG Guangxiao. The evolution trend of carbon emission in China under the gradient development mode[J]. Journal of financial research， 2011（12）：35-46.]

[30]马志云， 刘云.应对气候变化关键技术创新差异的时空格局[J].中国人口·资源与环境， 2017，27（9）：102-111.[MA Zhiyun， LIU Yun. Spatiotemporal patterns of key climate technology innovation differences[J].China population， resources and environment[J]， 2017， 27（9）： 102-111.]

[31]马大来， 武文丽， 董子铭.中国工业碳排放绩效及其影响因素——基于空间面板数据模型的实证研究[J].中国经济问题， 2017（1）： 121-135. [MA Dalai， WU Wenli， DONG Ziming. Industrial carbon emission performance and its influencing factors in China：based on an empirical study of spatial panel data model[J]. China economic studies，2017（1）：121-135.]

[32]MENG L， HUSNG B. Shaping the relationship between economic development and carbon dioxide emissions at the local level： evidence from spatial econometric models[J]. Environmental & resource economics， 2017（1-2）：1-30.

[33]CHENG Y Q， WANG Z Y， YE X Y， et al. Spatiotemporal dynamics of carbon intensity from energy consumption in China[J]. Journal of geographical science， 2014， 24（4）： 631-650.

[34]肖刚，杜德斌， 戴其文. 中国区域创新差异的时空格局演变[J].科研管理，2016（5）： 42-50.[XIAO Gang， DU Debin， DAI Qiwen. Chinese regional innovation differences in temporal and spatial evolution[J]. Science research management， 2016（5）：42-50.]

[35]王雅楠，赵涛.基于GWR模型中国碳排放空间差异研究[J]. 中国人口·资源与环境， 2016， 26（2）：27-34. [WANG Yanan， ZHAO Tao. A study on spatial differences of Chinese carbon dioxide emission based on GWR Model [J].China population， resources and environment， 2016， 26（2）：27-34.]

[36]李建豹，黄贤金，吴常艳，等.中国省域碳排放影响因素的空间异质性分析[J].经济地理， 2015， 35（11）：21-28. [LI Jianbao， HUANG Xianjin， WU Changyan， et al. Spatial heterogeneity analysis of the influence factors of carbon emission in Chinese provinces [J]. Geographical research， 2015， 35（11）：21-28.]

[37]付帼， 卢小丽， 武春友. 中国省域绿色创新空间格局演化研究[J]. 中国软科学， 2016（7）：89-99. [FU Guo，LU Xiaoli，WU Chunyou. Research on spatial pattern evolution of provincial green innovation in China[J]. China soft science， 2016（7）：89-99.]

[38]FERNANDO J， Díaz L， MONTALVO C， et al. A comprehensive review of the evolving and cumulative nature of ecoinnovation in the chemical industry[J]. Journal of cleaner production， 2015， 102（9）：30-43.

[39]PORTER M E. Americas green strategy[J]. Scientific American，1991，264（4）：168.

[40]HURLEY J， BUCKLEY N J， CUFF K， et al. Determinants of ecoinnovations by type of environmental impact： the role of regulatory push/pull， technology push and market pull[J]. ZEW discussion papers， 2011，78（32）：112-122.

[41]彭雪蓉.利益相關者环保导向、生态创新与企业绩效[D].杭州：浙江大学，2014. [PENG Xuerong. Stakeholders environmental orientation， ecoinnovation and firm performance [D]. Hangzhou： Zhejiang University，2014.]

[42]CHEN J， CHENG J， DAI S. Regional ecoinnovation in China： an analysis of ecoinnovation levels and influencing factors[J]. Journal of cleaner production， 2017， 153（5）：1-14.

[43]BIAN Y， HE P， XU H. Estimation of potential energy saving and carbon dioxide emission reduction in China based on an extended nonradial DEA approach[J]. Energy policy， 2013， 63（4）：962-971.

[44]ZHAO X， SUN B. The influence of Chinese environmental regulation on corporation innovation and competitiveness[J]. Journal of cleaner production， 2016，112 （4）：1528-1536.

[45]李小平，李小克. 中国工业环境规制强度的行业差异及收敛性研究[J]. 中国人口·资源与环境， 2017，27（10）：1-9.[LI Xiaoping， LI Xiaoke. Study on the differences and convergence of industry environment regulation intensity in China[J]. China population， resources and environment，2017，27（10）：1-9.]

[46]GUO L L， QU Y， TSENG M L. The interaction effects of environmental regulation and technological innovation on regional green growth performance[J]. Journal of cleaner production， 2017，162（1）：894-902.

[47]LESAGE J P， PACE R K. Introduction to spatial econometrics[M]. Boca Raton： CRC Press， 2009.