中国绿色创新效率的时空演进规律及影响因素研究

吕承超 邵长花 崔悦

摘 要：本文采用非径向DEA-SBM模型和Global Malmquist-Luenberger指数对1995—2015年中国30个省份的绿色创新效率进行测度，并分析全国以及东部地区、中部地区和西部地区绿色创新效率的时空演进规律，在此基础上，构建动态面板数据模型实证检验绿色创新效率的影响因素。研究结果表明：尽管绿色创新效率呈现上升趋势，但各区域之间发展非均衡现象依然存在;中国绿色创新效率空间差距总体上呈现先下降后上升又下降的趋势;中国绿色创新效率得到提高，没有出现极化现象，且空间差距呈现缩小趋势;科研经费、金融发展规模、第二产业比重和第三产业比重抑制了中国绿色创新效率的提高，而科研人员数量、金融发展效率和人均GDP则对中国绿色创新效率起到了促进作用。

关键词：绿色创新效率;时空演进规律;GML指数;Dagum基尼系数;非径向DEA-SBM模型

中图分类号：F124.3  文献标识码：A

文章编号：1000-176X（2020）12-0050-08

一、问题的提出

中国经济自改革开放以来取得了巨大成就，但同时也消耗了大量资源，造成了严重的环境污染。党的十九大报告中指出：必须坚定不移地贯彻创新、协调、绿色、开放、共享五大发展理念，始终坚持创新是引领发展的第一动力，这反映了中国政府的科技创新和环境保护意识逐渐增强。在政府的不断努力下，中国绿色创新活动取得了一定的进步，“十三五”期间中国环境污染治理投资总额约5.68万亿元，较“十二五”期间增长了33%，但与发达国家相比还存在一定的差距。作为一种以节约能源、优化环境和创新发展为核心的发展理念，绿色创新不仅有利于节能减排，还可以促进技术进步，提高绿色创新能力是寻求绿色发展的内在要求。

绿色创新不仅要在新产品和新系统的开发过程中引入生态思想，更要在经济战略中引入绿色发展理念。诸多学者采用不同的方法，通过不同的角度对区域或者行业的绿色创新效率进行研究。在研究方法上，大体可以分为两大类：基于参数的随机前沿生产函数SFA方法[1]和基于非参数的随机前沿生产函数DEA方法[2]。也有一些学者采用改进后的DEA方法对绿色创新效率进行测度，并采用不同的方法进行评价[3-4]。关于绿色创新效率的现有研究大多集中在其效率评价以及时空分异特征上[5]，少数文献在评价基础上对其影响因素进行分析[6-7]。一些学者研究了环境约束下的绿色创新效率问题[8]，在此基础上，外部政策压力和内部创新资源对绿色创新效率也具有相应的影响[9]。

上述文献为本文提供了重要启发和借鉴，但仍然存在不足之处。有些文献侧重于介绍绿色创新效率的测算方法，没有对测算结果进行分析;有些文献只分析了绿色创新效率在中国的时空分异特征，没有进一步探索时空分异的原因;有些文献可能没有全面考虑

影响绿色创新效率的因素，而是侧重于探讨某个行业内的关键指标对绿色创新效率的影响。综上所述，本文采用非径向DEA-SBM模型和Global Malmquist-Luenberger（GML）指数来测算中国的绿色创新效率，并通过Dagum基尼系数及分解方法和核密度估计法分析中国绿色创新效率的时空演进规律，进一步构建动态面板数据模型检验绿色创新效率的影响因素，并对中国绿色创新效率的发展提出政策建议。

二、测算方法与数据来源

（一）非径向DEA-SBM模型与数据来源

数据包络分析（DEA）方法通过基于不同量纲的多投入多产出指标来评价多个决策单元的相对有效性。Tone[10]提出了基于松弛变量测度的非径向DEA-SBM模型，利用非射线的估计方法同时评估系统整体和每个子过程的效率值。基于DEA模型的Malmquist指数法常用于测算全要素生产率，Oh[11]在研究OECD国家全要素生产率时提出了绿色创新的GML指数，可解决Malmquist指数法可能出现的非传递性甚至无解的情况。

本文将非径向DEA-SBM模型与GML指数相结合，构建测算绿色创新效率的评价模型，并将GML分解为技术效率指数（GEC）与纯技术进步指数（GTC），三者之间的关系可表示为GMLit=GECit×GTCit，其中，t和i分别为年份和省份。

由于《中国环境统计年鉴》各省份数据仅更新到2015年，鉴于数据的可得性和有效性，本文收集了1995—2015年中国30个省份（西藏、港澳台地区除外）由于重庆市在1997年之前隶属四川省，出于统计口径一致性原则，本文根据1997年、1998年和1999年四川省与重庆市的相关数据比例，运用移动平均法计算1995年和1996年重庆市的数据。涉及绿色创新效率的相关数据进行测算。本文选用R&D经费内部支出、R&D人员全时当量和能源总消耗量作为投入要素，GDP作为期望产出，工业废水排放总量、工业固体废物產生量和工业废气排放量作为非期望产出，其数据来源于历年《中国科技统计年鉴》《中国能源统计年鉴》《中国统计年鉴》《中国环境统计年鉴》。

（二）Dagum基尼系数及分解方法

为解决样本数据间的交叉重叠问题和空间差距的来源问题，Dagum[12]提出基尼系数新的分解方法，将基尼系数（G）分解为地区内差距（Gw）、地区间差距（Gnb）和超变密度（Gt），三者满足G=Gw + Gnb + Gt。本文采用Dagum基尼系数分解方法从整体上测算中国绿色创新效率的空间差距，将中国30个省份划分为东部地区、中部地区和西部地区东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东和海南11个省份;中部地区包括山西、内蒙古、吉林、黑龙江、安徽、江西、河南、湖北和湖南9个省份;西部地区包括广西、重庆、四川、贵州、云南、陕西、甘肃、青海、宁夏和新疆10个省份。进行分析。

（三）核密度估计

核密度估计是研究非均衡分布的一种重要非参数方法，该方法根据已知的核函数对密度函数进行估计，并利用光滑的曲线描述随机变量的分布形态[13]。若随机变量x的密度函数为f（x），则x在x0处的概率密度可以表示为f（x0）=（1/Nb）∑ni=1K（xi-x0/b），其中，N为观测值个数，b为带宽，K（）为核函数，其本质是一种平滑转换函数，xi为独立同分布的观测值，x0为均值。核密度估计结果对于带宽十分敏感，带宽越小，估计精度越高，在现实中通常选择较小的带宽。为此，本文选择高斯核函数对中国绿色创新效率进行估计，表达式为K（x）=（1/2π）exp（-x2/2）。

三、中国绿色创新效率的时空演进规律

（一）绿色创新效率的时空演进特征

1.总体时序变化特征

1996—2015年中国绿色创新效率GML指数及其分解结果如表1所示。

从表1可以看出，总体上中国绿色创新效率GML指数的变化趋势与GTC指数的变化趋势较为接近，说明GML指数受GTC指数的影响较明显，而GEC指数的作用较小。GEC指数基本维持在1上下，起伏波动较小，但在2008—2009年呈现较为明显的下降趋势，在2009年之后连续两年有所增长并逐渐恢复稳定;GTC指数的波动较大，2000—2001年和2008—2009年呈现大起大落趋势，这可能与2001年中國加入世界贸易组织和2008年全球金融危机有关。

2.区域时空演进特征

本文采用1996—2015年中国各省份绿色创新效率GML指数及其分解后的GEC指数和GTC指数的算数平均值进行分析，结果如表2所示。

从表2可以看出，相对于东部地区和中部地区，西部地区绿色创新效率GML指数（1.0240）较高。从GML指数来看，由于GEC指数更加接近1，因而GML指数受GTC指数的影响较大，即纯技术进步对绿色技术创新的影响更加明显。从GEC指数来看，三大地区差距不大，中部地区GEC指数（1.0071）最高，最低为东部地区（1.0044），全国排名前6的省份为上海、安徽、甘肃、青海和江西和江苏。从GTC指数来看，西部地区GTC指数均值最高（1.0227），可能是由于西部地区在样本期前期绿色创新技术较东部地区和中部地区更加落后，而在样本期后期，中国加大了对西部地区的建设和人才投入，对西部地区的技术进步起到了极大的促进作用。

（二）绿色创新效率空间差距及分解

根据Dagum基尼系数及其分解方法，本文分别测算1996—2015年东部地区、中部地区和西部地区绿色创新效率空间差距及其分解差距，结果如表3所示。由于本文选取的样本数据时间跨度较大，因而将1996—2015年划分为5个经济周期，计算每4年内Dagum基尼系数的平均值。

从表3可以看出，中国绿色创新效率基尼系数总体上呈现先下降后上升又下降的发展趋势。以1996—1999年为基期，2012—2015年绿色创新效率基尼系数下降了0.0083，这表明绿色创新效率空间差距在不断缩小。具体来看，可将样本期内绿色创新效率空间差距变化分为3个阶段：第一阶段为1996—2003年，该阶段绿色创新效率差距呈现下降趋势;第二阶段为2004—2011年，此阶段基尼系数不断上升，在周期4达到最大值0.0626;2012年以后进入第三阶段，基尼系数呈大幅下降趋势，绿色创新效率地区发展非均衡现象有所缓和。

从中国绿色创新效率空间差距来源及其贡献率演变趋势来看，1996—2007年空间差距的主要来源是超变密度，2008—2015年地区间差距成为绿色创新效率空间差距的主要来源。具体来看，地区间差距呈现先下降后上升再下降的趋势，超变密度与地区间差距呈现此起彼伏的态势，波动较大。地区内差距的贡献率则较为平稳，维持在29%—33%之间。相比于1996—1999年，2012—2015年地区间差距的贡献率上升了11.26%，超变密度和地区内差距的贡献率分别下降了6.79%和3.35%。

（三）绿色创新效率分布的时空演进

本文采用核密度估计法，分析中国绿色创新效率分布的整体形态和动态特征。限于篇幅，核密度图未在正文列出，中部地区和西部地区分析未在正文列出，留存备索。总体来看，中国绿色创新效率核密度曲线在样本期内向右小幅偏移，说明中国绿色创新效率逐渐提高。在此过程中，2009年曲线出现明显左移的情况，该阶段绿色创新效率有所下降，但不影响整体水平的提高。从波峰数量来看，1996—2015年一直为“单峰”状态，说明中国绿色创新效率并未出现极化现象。从波峰形态来看，与1996年相比，2001年波峰变得比较陡峭，说明该阶段中国绿色创新效率空间差距出现下降趋势;此后波峰开始缓慢下降，在2009年波峰明显变得扁平并且密度函数整体左移，说明中国绿色创新效率的空间差距拉大且绿色创新效率有所下降;2011年以后波峰变得陡峭，密度函数中心右移，说明中国绿色创新效率的空间差距呈现缩小趋势，且绿色创新效率再次提高。

从中国东部地区绿色创新效率的核密度估计结果来看，相对于1996年，东部地区绿色创新效率密度函数具有小幅右移的态势，说明东部地区绿色创新效率在不断提高。从波峰数量来说，观测期内均为“单峰”，没有出现极化现象。从波峰形态来说，2001年波峰下降，变得扁平，密度函数中心右移，东部地区在该阶段空间差距变大，但绿色创新效率得到提高;2011—2015年波峰恢复陡峭的态势，并且密度函数中心逐渐右移，说明东部地区空间差距缩小，并且绿色创新效率逐渐上升。

四、研究设计

（一）变量选取

被解释变量：绿色创新效率（gml）。本文通过非径向DEA-SBM模型测度了1996—2015年中国30个省份绿色创新效率的GML指数。

借鉴Brunnermeier和Cohen[14] 、白俊红等[15]、李诗琪和杨晨[16]以及车磊等[17]，本文分别从以下方面选取解释变量：（1）对外开放程度。对外开放可以引进国外先进的技术和高素质人才，激发创新活力，但环境管制如果过于宽松也将导致污染产业的进入，不利于经济的绿色增长，因而对外开放对中国绿色创新效率的影响效果并不确定。本文选取外商依存度（fdi）和外贸总额的自然对数（lntra）代表对外开放程度，其中外商依存度采用外商直接投资与各省份生产总值的比值来衡量。（2）科技投入。科技研发资金和技术人员的投入是地区创新投入能力的充分体现。本文选取科研经费的自然对数（lnfun）和科研人员数量的自然对数（lnhum）代表科研投入，其中科研经费采用R&D经费内部支出来衡量，科研人员数量采用R&D人员全时当量来衡量。（3）金融市场发展水平。中国金融发展对绿色创新效率有着显著影响。本文选取金融发展规模（fins）和金融发展效率（fine）代表金融市场发展水平，其中金融发展规模采用银行业金融机构当年年末贷款余额与各省份生产总值的比值来衡量，金融发展效率采用银行业金融机构当年年末贷款余额与存款余额的比值来衡量。（4）经济发展水平。经济发展可以为各省份绿色创新效率提供原始动力，提供优化治理环境污染和新能源开发的技术手段。本文选取第二产业比重（sec）、第三产业比重（ter）和人均GDP的自然对数（lnpgdp）代表经济发展水平，其中第二产业比重和第三产业比重分别采用各省份第二产业生产总值和第三产业生产总值与各省份生产总值的比值来衡量。

（二）模型设定

由于技术创新通常受到前期因素的影响，为了更加全面地检验中国绿色创新效率的影响因素及其效果，引入被解释变量的滞后期，借鉴林伯强和谭睿鹏[18]的研究，构建动态面板数据模型：

gmlit=α+β1gmli，t-1+β2fdiit+β3lntrait+β4lnfunit+β5lnhumit+β6finsit+

β7fineit+β8secit+β9terit+β10lnpgdpit+β11xi+εit

其中，i和t分别为省份和年份， x为不随时间变化的各省份截面的个体效应，ε为随机扰动项。

（三）数据来源

本文利用1996—2015年中国30个省份的数据，从对外开放程度、科技投入、金融市场发展水平和经济发展水平四个方面分析中国绿色创新效率的影响因素，数据主要来源于历年《中国统计年鉴》《中国科技统计年鉴》《中国金融年鉴》。表4为变量的描述性统计。

五、回归结果与分析

（一）基准回归结果

由于计量模型包含被解释变量的滞后项，考虑到内生性问题，本文采用两步差分广义矩估计（差分GMM）和两步系统广义矩估计（系统GMM）进行回归，同时还报告了混合最小二乘估计（POLS）和固定效应估计（FE）的回归结果，如表5所示。

从表5可以看出，差分GMM和系统GMM估计均通过了F检验，扰动项不存在二阶自相关，通过了AR检验，同时通过了Sargan检验。此外，差分GMM和系统GMM回归结果通过显著性检验的解释变量数量更多，显著效果更好，说明差分GMM和系统GMM有效地解决了回归模型中存在的内生性问题，本文选择系统GMM回归结果进行具体分析。

无论是差分GMM还是系统GMM，绿色创新效率一阶滞后项在1%的水平上均显著为负。这可能是由于绿色创新效率是一个相对指标，譬如当上一期绿色创新效率较高、大于1时，当期会加大投入要素以期获得更高产出，但当期绿色创新的技术、设备和工艺无法将全部投入要素有效地转化为产出，从而使得当期绿色创新效率较上一期更低。

在科技投入方面，科研经费的回归系数为-0.0682，且在1%的水平上显著，说明科研经费存在投入多而产出少的低效率问题。，出现了研发投入粗放型增长与绿色创新效率降低并存的索洛悖论现象。当科研投入回报率明显小于投资期望时，增加科研经费投入可以为绿色创新提供资金支持，但也会抑制市场中各个企业的绿色创新活力，对绿色创新产生挤出效应。科研人员数量的回归系数为0.0462，且在1%的水平上显著，表明科研人员数量对绿色创新效率有促进作用。科研人员投入可以为绿色创新提供知识存量，知识外溢效应可以使科研人员在交流中互相学习绿色创新理念，对于促进绿色创新起着重要作用[19]。

在金融市场发展方面，金融发展规模的回归系数为-0.1320，在1%的水平上显著，说明中国金融机构资金量增加会导致绿色创新效率下降。中国金融投资的主要方式是侨汇和FDI[20]，然而中国金融发展并未形成一定的规模，金融风险保障体系并不完善，可能会使一些企业面临较高的融资约束，对经济增长产生负向作用[21]，从而对提高绿色创新技术水平形成资金约束，降低绿色创新效率。金融發展效率回归系数为0.3010，且在1%的水平上显著，金融发展效率在一定程度上反映金融发展水平，在金融发展水平较高的地区，创新活动比较活跃，从而促进绿色创新效率的提高。

在经济发展水平方面，第二产业比重的回归系数为-0.5360，且在1%的水平上显著。自改革开放以来中国工业发展为经济增长作出了巨大贡献，但能源消耗强度一直高于第一产业和第三产业，尽管产业结构不断优化升级，但与其他产业能源消耗强度的差距并未缩小。第三产业比重的回归系数为-0.2870，且在5%的水平上显著，说明中国第三产业比重对绿色创新效率的影响是负向的。中国的工业与服务业并没有很好地融合互动，另外，中国第三产业整体运行效率偏低，存在非绿色发展现象，从而使得第三产业的发展未能提高绿色创新效率[22]。人均GDP的回归系数为0.0642，且在1%的水平上显著。区域经济发展水平越高，企业进行绿色创新所面临的资金压力越小，同时，政府会逐渐加强当地环境保护和污染治理，更加重视绿色创新效率。

（二）稳健性检验

为了验证模型的稳健性，本文分别采用POLS、FE、差分GMM和系统GMM等方法进行检验，由表5可知，POLS估计和FE估计均通过了F检验，且FE估计通过了Hausman检验，对比不同回归模型，各变量系数的大小和方向基本保持稳定，与前文结论一致。同时，本文将1996—2015年的样本数据划分为1995—2005年以及2006—2015年两个时间段，对两组样本数据分别进行回归，回归结果限于篇幅，分组回归结果未在正文列出，留存备索。表明，除1995—2005年的数据样本中，第三产业比重的回归系数变得不再显著外，其余回归结果未发生明显改变，证明了本文主要结论的稳健性。

六、研究结论与政策建议

本文采用非径向DEA-SBM模型和Global Malmquist-Luenberger指数对1995—2015年中国30个省份的绿色创新效率进行测度，并分析全国以及东部地区、中部地区和西部地区绿色创新效率的时空演进规律，在此基础上，构建动态面板数据模型实证检验绿色创新效率的影响因素。研究结果表明：第一，尽管绿色创新效率呈现上升趋势，但各区域之间发展非均衡现象仍然存在。第二，根据Dagum基尼系数及其地区分解发现，中国绿色创新效率空间差距总体上呈现出先下降后上升又下降的趋势。第三，根据核密度估计结果发现，中国绿色创新效率得到提高，没有出现极化现象，且空间差距呈现减小趋势。第四，科研经费、金融发展规模、第二产业比重和第三产业比重抑制了中国绿色创新效率的提高，而科研人员数量、金融发展效率和人均GDP则对中国绿色创新效率起到了促进作用。

根据以上研究结论，笔者提出如下政策建议：第一，当前中国三大地区的绿色创新效率差距较大，各地应采取因地制宜的政策，根据各地区发展现状和存在的问题采取差异化战略。第二，有效发挥政府职能，加快创新技术的研发。对科研经费和科研人员进行合理调配和有效利用。第三，净化金融市场，全面推进市场化改革进程。不断完善金融体系，整顿金融市场秩序，提高资本分配在市场化配置中的比率，合理扩大金融发展规模，重视金融发展效率。第四，进行产业结构升级，实现经济水平的稳步增长。当前中国要实现经济增长的最有效方法是进行产业结构的调整和升级，应发展现代服务业和高端制造业，实现服务业的绿色发展，使经济结构转型真正具有切实意义。

参考文献：

[1] Fritsch，M.，Franke， G.Innovation， Regional Knowledge Spillovers and R&D Cooperation[J].Research Policy， 2004， 33（2）：245-255.

[2] Guan，J.，Chen， K.Modeling the Relative Efficiency of National Innovation Systems[J].Research Policy， 2012， 41（1）：102-115.

[3] 王彩明， 李健.中国区域绿色创新绩效评价及其时空差异分析——基于2005—2015年的省际工业企业面板数据[J].科研管理， 2019， （6）：29-42.

[4] 刘佳， 宋秋月.中国旅游产业绿色创新效率的空间网络结构与形成机制[J].中国人口·资源与环境， 2018， （8）：127-137.

[5] 陆菊春， 沈春怡.国家中心城市绿色创新效率的异质性及演变特征[J].城市问题， 2019， （2）：23-30.

[6] 钱丽， 肖仁桥， 陈忠卫.我国工业企业绿色技术创新效率及其区域差异研究——基于共同前沿理论和DEA模型[J].经济理论与经济管理， 2015， （1）：26-43.

[7] 王旭， 褚旭.中国制造业绿色技术创新与融资契约选择[J].科学学研究， 2019， （2）：351-361.

[8] Langpap，C.，Shimshack， J.P.Private Citizen Suits and Public Enforcement： Substitutes or Complements？ [J].Journal of Environmental Economics & Management， 2010， 59（3）：235-249.

[9] 曹洪軍， 陈泽文.内外环境对企业绿色创新战略的驱动效应——高管环保意识的调节作用[J].南开管理评论， 2017， （6）：95-103.

[10] Tone， K.A Slacks-Based Measure of Efficiency in Data Envelopment Analysis[J].European Journal of Operational Research， 2001， 130（3）：498-509.

[11] Oh， D.H.A Global Malmquist-Luenberger Productivity Index[J].Journal of Productivity Analysis， 2010， 34（3）：183-197.

[12] Dagum， C.A New Approach to the Decomposition of the Gini Income Inequality Ratio[J].Empirical Economics， 1997， 22（4）：515-531.

[13] Rosenblatt， M.Remarks on Some Nonparametric Estimates of a Density Function[J].Annals of Mathematical Statistics， 1956， 27（3）：832-837.

[14] Brunnermeier， S.B.， Cohen， M.A.Determinants of Environmental Innovation in US Manufacturing Industries[J].2003， 45（2）：278-293.

[15] 白俊红， 江可申， 李婧.中国区域创新系统创新效率综合评价及分析[J].管理评论， 2009，（9）：3-9.

[16] 李诗琪， 杨晨.金融发展对绿色创新效率的影响研究[J].江西师范大学学报（哲学社会科学版）， 2018， （6）：86-94.

[17] 车磊， 白永平， 周亮 .中国绿色发展效率的空间特征及溢出分析[J].地理科学， 2018， （11）：1788-1798.

[18] 林伯强，谭睿鹏.中国经济集聚与绿色经济效率[J].经济研究， 2019， （2）：121-134.

[19] 李金滟， 李超， 李泽宇.城市绿色创新效率评价及其影响因素分析[J].统计与决策， 2017， （20）：116-120.

[20] Giuliano， P.， Ruiz-Arranz， M.Remittances， Financial Development， and Growth[J].Journal of Development Economics， 2009， 90（1）：144-152.

[21] 李苗苗， 肖洪钧， 赵爽.金融发展、技术创新与经济增长的关系研究——基于中国的省市面板数据[J].中国管理科学， 2015， （2）：162-169.

[22] 庞瑞芝， 王亮.服务业发展是绿色的吗？——基于服务业环境全要素效率分析[J].产业经济研究， 2016， （4）：18-28.

（责任编辑：孙 艳）

收稿日期：2020-09-15

基金项目：中国博士后基金面上项目“高技术产业创新驱动中低技术产业作用机制及对策研究”（2018M631410）; 山东省高等学校“青创科技计划”项目“山东省社会保障收入再分配效应研究”（2020RWE003）;青岛市社会科学规划项目“青岛市高质量发展地区差距及区域协同提升研究”（QDSKL2001247）

作者简介：吕承超（1983-），男，山东青岛人，教授，博士，博士生导师，主要从事国民经济学和品牌经济学研究。E-mail：chengchao0532@163.com