绿色创新测度及其对中国省际雾霾污染的影响

刘晓红

[摘 要]（中）摘要文章从创新驱动和资源环境两个角度构建绿色创新评价体系，使用一种基于整体差异的客观动态综合评价方法——纵横向拉开档次法， 较为全面、科学地对2003—2016年中国30个省份绿色创新进行测度。分析了中国省际绿色创新的空间效应，并使用空间计量方法实证考察了绿色创新对中国省际雾霾污染的影响。研究发现：中国省际绿色创新存在空间集聚，整体上呈现北低南高，东高西低的态势。L L（低-低）“冷点”集聚的省区数量较多。绿色创新的直接效应、间接效应乃至总效应都显著为负。绿色创新水平的提高，不但会减少本地区雾霾污染，而且使相邻地区雾霾污染程度下降，进而减缓全局雾霾污染。最后，提出相关对策建议。

[关键词]（中）关键词绿色创新;雾霾污染;空间计量

[中图分类號]（中）中图分类号F124.3;X513[文献标识码]A文献标志码[文章编号]1673-0461（2019）10-0047-07

一、文献综述与问题的提出

我国正在建设创新型国家，2018年政府工作报告指出：“深入实施创新驱动发展战略，不断增强经济创新力和竞争力”。同时，政府工作报告关注生态环境，重视绿色发展，指出：“健全生态文明体制，以更加有效的制度保护生态环境”。并把推进污染防治取得更大成效，巩固蓝天保卫战成果作为2018年三大攻坚战之一。这说明，研究绿色创新在当前显得尤为迫切。同时，2013年以来雾霾污染频发，引起国内外的广泛关注，那么，绿色创新对雾霾污染会产生什么样的影响？在国家重视创新以及生态环境的背景下，研究这一问题对于我国实施创新驱动乃至治理雾霾污染都有重要的现实意义。

国内外对绿色创新的研究主要包括以下3个方面：第一，绿色创新的内涵（Fussler & James， 1996[1]; Mirata & Emtairah， 2005[2]; Bartlett & Trifilova， 2010[3]）。张钢和张小军（2013）归纳出绿色创新的3种定义：第一种定义把绿色创新看作是旨在减少对环境不利影响的创新;第二种定义把绿色创新看作是引入环境绩效的创新;第三种定义把绿色创新等同于环境创新或环境绩效的改进[4]。第二，绿色创新评价（Eiadat et al.， 2008[5]; Gilli， et al.， 2013[6]）。如曹慧等（2016）以我国31个省区为例，运用共线性和变异系数方法对所构建的指标体系进行定量筛选，从创新投入、创新产出、绿色发展3个方面构建了区域绿色创新能力评价指标体系[7]。刘章生等（2017）基于全局SBM方向距离函数和全局Malmquist Luenberger指数（GML指数）对2003—2013年中国省际绿色创新能力进行测算，并对其时空演变规律和收敛性进行了分析[8]。

第三，绿色创新的影响。如有的文献探讨了绿色创新对企业经营绩效、可持续竞争优势等方面的影响（Russo & Fouts，1997[9]; Bowen， 2000[10]; Horbach， 2008[11]）。

既有文献对绿色创新进行了有益的探索，为本文的写作打下了基础。但既有文献也存在以下几个方面的问题：首先，在绿色创新评价方法方面，尚未发现使用纵横向拉开档次法对绿色创新进行评价的文献。纵横向拉开档次法通过各指标信息量确定相应权重，可以最大限度体现评价对象之间的整体差异，为客观评价，能有效避免评价人的主观偏好对结果的影响。其次，在评价指标体系方面，尚缺乏把互联网普及率、空气质量好于二级天数比例等指标纳入评价体系的文献。再次，研究绿色创新的空间效应方面的文献较少。最后，罕有文献分析绿色创新对雾霾污染的影响。基于此，本文拟作如下拓展：第一，使用纵横向拉开档次法对中国省际绿色创新水平进行测度;第二，把互联网普及率、空气质量好于二级天数比例等纳入绿色创新评价指标体系;第三，分析中国省际绿色创新的空间分布及空间相关性;第四，基于绿色创新的空间效应，从空间计量方面实证考察绿色创新对中国省际雾霾污染的影响。

二、绿色创新的测算

本文对中国 30 个省份（不包括港澳台地区）进行考察，基于西藏的数据缺失，不考虑西藏。本文各原始数据来自于2004—2017年《中国统计年鉴》《中国科技统计年鉴》以及各省

份历年《统计年鉴》。下文对绿色创新进行测算。绿色创新测算涉及到两个方面，一是确定评价指标体系;二是选择测算方法。

（一）绿色创新评价指标体系

“十三五”规划

指出了“十三五”时期经济社会发展主要指标。在创新驱动方面，提出了研究与试验发展经费投入强度、发明专利、互联网普及率等指标。在资源环境方面，提出了单位GDP能源消耗、森林覆盖率、空气质量优良天数比率、化学需氧量、氨氮、二氧化硫等指标。基于

“十三五”规划以及《中国区域创新能力评价报告2016》，本文从创新驱动以及资源环境两个方面选取14个二级指标，如表1所示。

（二）纵横向拉开档次法

1.纵横向拉开档次评价方法

郭亚军（2007）认为，基于时序动态视觉的纵横向拉开档次法，评价过程客观，能最大限度体现评价对象之间的整体差异，尤其适用于面板数据[12]。杨万平（2010）首次将纵横向拉开档次法应用于环境评价中，但在原始数据的无量纲化处理方面存在一些问题[13]。故本文采用此方法进行绿色创新测度。

将不同省份各个时间的绿色创新评价指标数据按下表排列，如表2所示。ti（i=1，2，…，N）表示时间，Si（i=1，2，…，n）表示省区，xi（i=1，2，…，m）表示评价指标。

由上述时序立体数据表支持的综合评价问题，

称为动态综合评价问题，其评价函数为：

2016年，位于第一、三象限的省份数量不

变，分别为7个、15个，一共占所考察全部省份的73.333%。第二象限的省份数量从1个提高到4个，即被绿色创新高值区所包围的低值区数量上升。同时，位于第四象限的数量从8个下降为4个，即被绿色创新低值所包围的高值区数量下降。

综合以上可以看出，中国省际绿色创新的H H（高-高）“热点”省份数量较少，L L（低-低）“冷点”省份数量较多。且L H（低-高）、H L（高-低）等“异质点”数量不多。中国省份绿色创新存在着空间集聚效应。

四、绿色创新对中国省际雾霾污染的影响

基于绿色创新的空间集聚，接着使用空间计量模型分析绿色创新对省际雾霾污染的影响。

（一）空间计量模型构建

Anselin et al.（2008）[15]指出，为了确定观测值之间的空间依赖，空间面板数据模型主要包括空间滞后模型SLM、空间误差模型SEM和空间杜宾模型SDM三类。

根据Elhorst （2012）[16]，空间滞后模型SLM公式为：

yit=δNj=1wijyjt+α+xitβ+μi+λt+εit

（i=1，...，N，t=1，...，T）（8）

其中，yit=（y1t，y2t，y3t...，yNt）T，是被解释变量组成的N×1维矢量。Nj=1wijyjt是指被解释变量yit同相邻单元yjt之间的交互效应，wij为N×N阶非负空间权重矩阵。本文使用应用最为广泛的二进制空间邻接矩阵，即

wij=1 i与j相邻0 i=j，或i与j不相邻（9）

δ是内生交互效应的响应参数。α是常数项。xit是N×K的外生解释变量矩阵。β是与xit相匹配的响应参数。it是独立同分布误差项，服从（0，σ2）分布。μi代表空间效应，λt是时间固定效应。

空间误差模型SEM具体形式为：

yit=α+xitβ+μi+λt+Φit

Φit=ρNj=1wijΦit+εit（10）

Φit是空间自相关误差项，ρ是空间自回归系数。

空间杜宾模型SDM具体形式为：

yit=δNj=1wijyjt+α+xitβ+Nj=1wijxijtθ+μi+λt+εit（11）

θ和β相同，是K×N维参数向量。

为了分析绿色创新对中国省际雾霾污染的影响，构建如下模型：

lnPM10it=α+β1lnGrinit+β2lnU+β3lnGDPit+β4lnEiit+β5lnTpit+εit（12）

式（12）中，PM10为可吸入颗粒物年均浓度，表征雾霾污染，单位是微克/立方米;Grin表征绿色创新。U表征人口城镇化程度，为年末城镇人口占总人口比重，单位是%。GDP表征人均实际国内生产总值，以1997年为基期计算得出，单位是元/人;Ei表征能源强度，为各省份能源消费量与GDP之比，单位是吨标准煤/万元GDP;Tp表征交通压力，为各省份私人汽车数量与公路长度之比，单位是辆/公里。本文的被解释变量为PM10，解释变量为绿色创新，控制变量为人口城镇化程度、能源强度和交通压力。

基于模型（12），结合空间计量经济学模型，下文接着考察绿色创新对雾霾污染的影响。

（二）空间诊断性检验

为了进行空间计量模型的选择，要进行空间诊断性检验。非空间交互效应模型的四种估计以及经典拉格朗日、稳健拉格朗日乘数检验结果如表6所示。LM lag、LM error以及Robust LM lag检验显示，混合最小二乘，空间固定效应、时间固定效应、双向固定效应四类模型都在10%的显著水平上拒绝了没有空间滞后项的原假设和没有空间自相关误差项的原假设。Robust LM error检验表明，空间固定效应与双向固定效应两类模型没有通过显著性检验。根据埃尔霍斯特（2015）[17]，选用空间杜宾模型，计量方法为Elhorst（2003）[18]提出的极大似然（ML）估计。LR检验显示，在1%的显著水平上，既拒绝了空间固定效应不显著性的原假设，也拒绝了时间固定效应不显著的原假设，故选择双向固定效应模型。

（三）实证结果分析

Wald和LR检验结果如表7的下半部分所示。Wald spatial lag和LR spatial lag拒绝了空间杜宾模型SDM转化为空间滞后模型SLM的原假设。Wald spatial error和LR spatial error检验也拒绝了空间杜宾模型SDM简化为空间误差模型SEM的原假设，故要使用空间杜宾模型SDM。使用空间Hausman检验在随机效应和固定效应之间进行选择，统计值为11.51，自由度为11，P值为0.401 6，故拒绝双向固定效应模型，使用空间随机和时间固定效应模型。比较表6和表7可以看出，非交互效應各模型的R2较小，其双向固定效应模型的R2为0.158 5。空间杜宾模型的空间随机效应和时间固定效应R2为0.857 2，说明本文使用空间计量模型分析绿色创新对雾霾污染的影响是合理的。由于非空间固定效应与空间计量模型中每一变量估计值所表示的意义并不相同，故表6双向固定效应估计各变量的系数与表7空间随机效应和时间固定效应的系数无法进行比较。

LeSage and Pace（2009）[19]认为，直接效应和间接效应能够说明各变量真实的空间溢出效应，故本文分解了解释变量和控制变量的直接效应和间接效应，结果如表8所示。绿色创新的直接效应、间接效应乃至总效应都显著为负。绿色创新每提高1个百分点，将使本地区雾霾污染下降0.625 6个百分点。同时，会使相邻地区雾霾污染减少0.295 8个百分点，进而使全局雾霾污染下降0.921 4个百分点。说明绿色创新在减缓雾霾污染中的重要作用，为了减少我国雾霾污染，进行绿色创新不失为一条重要的途径。从各控制变量来看，人均GDP的间接效应和总效应都显著为负，提高本地区人均GDP会降低相邻地区以及全局雾霾污染。能源强度的间接效应和总效应都显著为正，本地区能源强度的上升不但会提高相邻地区的雾霾污染，也会提高全局的雾霾污染。交通压力的直接效应显著为正，交通压力的上升会直接提高本地区的雾霾污染程度。

五、结论与政策启示

本文利用我国30个省份的面板数据，使用纵横向拉开档次法对我国省际绿色创新水平进行测度，并采用空间计量经济学方法，分析省际绿色创新的空间效应，并实证考察了绿色创新对雾霾污染的影响。主要有以下研究发现：

中国省际绿色创新存在空间集聚，整体上呈现北低南高，东高西低的态势。L L（低-低）“冷点”集聚的省份数量较多。这一结论有两层政策含义，一方面，我国要提高省际绿色创新水平。较多的L L（低-低）“冷点”集聚表明，当前我国省际绿色创新水平较低。这就要求我国严格按照党的十九大报告的要求，在实施创新驱动发展战略的同时，统筹推进生态文明建设。既要加快建设创新型国家，又要加快生态文明体制改革，建设美丽中国。只有双管齐下，才能提高我国绿色创新水平。另一方面，省份之间可以加强绿色创新合作。绿色创新存在空间外溢效应，本地区绿色创新水平的提高可以推动相邻地区绿色创新水平的上升，起到“一荣俱荣”的效果，因此，省际之间可以破除区域间壁垒，促进创新人才、资本等要素在区域间流动，进行协同创新[20]。同时，协同治理水、大气等污染问题，推动区域绿色创新水平的全面提高。如浙江、上海、广东、福建、江苏、海南等地绿色创新水平较高，这些地区之间相互合作，可以巩固既有的成果，并通过辐射效应，带动相邻省份绿色创新水平的提高。

绿色创新的直接效应、间接效应乃至总效应都显著为负。绿色创新水平的提高，不但会减少本地区的雾霾污染，而且使相邻地区雾霾污染程度下降，进而使全局雾霾污染下降。这一结论的政策含义在于，提高绿色创新水平，可以有效的减少雾霾污染。为了治理我国雾霾污染问题，绿色创新不失为一条重要途径。我国加强省际绿色创新，既有利于建设创新型国家，又有利于缓解雾霾污染问题，起到一石二鸟的效果。一般来说，绿色创新水平较低的地区，雾霾污染水平较高，由高到低，青海、山东、甘肃、新疆、河南、山西、河北等省份绿色创新水平较低，分别位居第21、23、25、27、28、29、30位。同时，这几个地区雾霾污染水平较高，青海、山东、甘肃、新疆、河南、山西、河北PM10均值分别位居第8、3、1、4、9、7、2位。因此，我国可以重点在资金、人才等方面向这些省份倾斜，提高研发人员的薪酬水平，改善工作条件，并增加财力支持，扩大创新规模。同时，重视这些省份的资源环境，提高森林覆盖率，加强绿化;降低单位GDP能耗，提高能源消费效率。总之，在加强技术创新的同时，重视生态环境的改善。

[参考文献]

参考文献内容

[1]FUSSLER C， JAMES P. Eco innovation： a break through discipline for innovation and sustainability [M]. Pitman Publishing， London，1996.

[2]MIRATA M， EMTAIRAH T. Industrial symbiosis networks and the contribution to environmental innovation： the case of the Landskrona industrial symbiosis programme[J]. Journal of cleaner production， 2005， 13（10-11）：993-1002.

[3]BARTLETT D， TRIFILOVA A. Green technology and eco innovation： seven case studies from a Russian manufacturing context [J]. Journal of manufacturing technology management， 2010， 21（8）： 910-929.

[4]张钢， 张小军. 绿色创新研究的几个基本问题[J]. 中国科技论坛， 2013（4）： 12-15.

[5]EIADAT Y， KELLY A， et al. Green and competitive？ An empirical test of the mediating role of environmental innovation strategy [J]. Journal of world business， 2008， 43（1）： 131-145.

[6]GILLI M， MAZZANTI M， NICOLLI F. Sustainability and competitiveness in evolutionary perspectives： environmental innovations， structural change and economic dynamics in the EU [J]. Journal of socio economics， 2013， 45 （27）： 204-215.

[7]曹慧，石寶峰，赵凯. 我国省级绿色创新能力评价及实证[J].管理学报， 2016，13（8）： 1215-1222.

[8]刘章生， 宋德勇， 弓媛媛. 中国绿色创新能力的时空分异与收敛性研究[J]. 管理学报， 2017， 14（10）：1475-1483.

[9]RUSSO M， FOUTS P. A resource based perspective on corporate environmental performance and profitability [J]. Academy of management journal， 1997， 40（3）： 534-559.

[10]BOWEN F E. Does size matter？ Organizational slack and visibility as alternative explanations for environmental responsiveness[J]. Business & Society， 2000， 41（1）： 118-124.

[11]HORBACH J. Determinants of environmental innovations new evidence from German panel data sources[J]. Research policy， 2008， 37（1）：163-173.

[12]郭亚军. 综合评价理论、方法及应用[M]. 北京：科学出版社， 2007.

[13]杨万平. 中国省际环境污染的动态综合评价及影响因素[J]. 经济管理， 2010（8）： 159-165.

[14]袁晓玲， 李政大. 中国生态环境动态变化、区域差异和影响机制[J]. 经济科学， 2013， 35（6）： 59-76.

[15]ANSELIN L， LE GALLO J， JAYET H. Spatial panel econometrics [M]//MATYAS L， SEVESTRE P（eds）， The econometrics of panel data， fundamentals and recent developments in theory and practice. 3rd.

Dordrecht：Kluwer， 2008： 901-969.

[16]ELHORST J P. Matlab software for spatial panels [J]. International regional science review， 2012， 37（3）： 389-405.

[17]埃尔霍斯特 J. 保罗. 空间计量经济学-从横截面数据到空间面板[M]. 肖光恩，译. 北京： 中国人民大学出版社， 2015.

[18]ELHORST J P. Specification and estimation of spatial Panel data models [J].International regional science review，2003， 26： 244-268.

[19]LESAGE J P， PACE R K. Introduction to spatial econometrics [M].

Boca Raton， US： CRC Press Taylor and Francis Group， 2009， 513-514.

[20]白俊红，蒋伏心.协同创新、空间关联与区域创新绩效[J].经济研究，2015（7）： 174-187.

Green Innovation Evaluation and It's Impact on Haze Pollution in China

——Based on Spatial Econometric Model

Liu Xiaohong

（

School of Business， Nanjing Xiaozhuang University， Nanjing 211171，China）

Abstract： This paper constructs an evaluation system of green innovation from the perspective of innovation drive and resource environment. Using an objective dynamic comprehensive evaluation method horizontal vertical classification approach——which is based on the overall differences， this paper measures the green innovation of 30 provinces and autonomous regions of China from 2003 to 2016 comprehensively and scientifically. This paper analyzes the spatial effect of green innovation and empirically investigates the impact of green innovation on haze pollution with spatial econometric model. The study finds that there is a spatial agglomeration of inter provincial green innovation in China， and the green innovation agglomeration degree is low in north China and high in south china， high in east and low in west. Many provinces and regions are L L （low low） "cold point" accumulation. The direct， indirect and total effects of green innovation are significantly negative. The improvement of green innovation level will not only reduce the haze pollution in the local region， but also reduce the haze pollution level in adjacent regions， thus reduce the overall haze pollution. Finally， the respective countermeasures and suggestions are put forward.

Key words： green innovation; haze pollution; spatial econometric

責任编辑（责任编辑：张梦楠）