金融发展、投资水平与城市绿色创新效率

刘习平 马丽君

【摘要】基于286个地级以上城市2003 ～ 2017年的统计数据，通过构建非期望产出的DEA-SBM模型，测算城市绿色创新效率，采用Moran's I指数探究空间溢出效应，并建立空间Tobit模型实证研究金融发展、投资水平与城市绿色创新效率的关系。总体样本估计表明，金融发展和投资水平与绿色创新效率之间存在显著的负向关系。分样本估计表明，金融发展在特大及超大城市、大城市样本中对绿色创新的影响显著为正，但在中等城市和小城市样本中显著为负。金融发展水平和投资率具有交互效应，金融发展水平能够通过提高资本配置效率减弱外延型高投资对绿色创新效率的负面冲击。外延型的高投资扩张会对相邻城市绿色创新效率带来负的外部溢出效应。

【关键词】金融发展;投资水平;绿色创新效率;环境规制

【中图分类号】F275      【文献标识码】A      【文章编号】1004-0994（2020）10-0137-8

一、引言

我国“十三五”规划提出“创新、协调、绿色、开放、共享”五大发展理念，首次将创新摆在了国家发展全局的首要位置，而且“五位一体”的重大战略部署明确提出了推动“生态文明建设”和“绿色发展”的理念。绿色创新隐含着“创新驱动”和“绿色发展”的双重含义，是突破资源环境约束、推动可持续发展的有效手段之一[1] 。金融是经济发展的核心，为城市发展投资提供资金来源，投资活动是资本形成和生产率提升的载体和源泉。那么，充分发挥金融市场调节资金有效配置的功能，优化投资结构和模式，支撑企业绿色创新效率的提升[2] ，从而提高整个城市的绿色创新效率显得尤为重要。

面对资源利用效率低、环境污染日益严峻的现实问题，绿色创新得到越来越多的关注和讨论[3，4] 。自Tone[5] 提出采用SBM方向性距离函数来处理环境污染等非期望产出，一些学者在测算区域（城市）经济发展效率时，将资源投入与环境污染物纳入整体分析框架[6，7] ，强调区域（城市）经济的发展与资源环境相协调，称其为绿色创新效率[8-11] 。现有相关研究主要集中在绿色创新效率测算、影响因素分析以及协同效应的探究等方面。陆菊春等[12] 采用考虑非期望产出的网络RAM模型分析了我国11个中心城市绿色创新效率的异质性及演变特征。曹慧等[13] 构建绿色创新能力评价指标体系，运用共线性和变异系数方法探讨了我国省域绿色创新能力及特征。易明等[14] 、吴超等[15] 分别研究了长江经济带城市和我国16个重污染行业绿色创新效率影响因素。还有学者黄磊等[16] 、丁显有等[17] 构建了绿色创新协同发展理论框架，对工业发展绿色创新协同程度进行了分析。已有研究为本文提供了许多理论和实证方面的借鉴，本文的创新之处在于：①从金融发展与投资水平的视角，探讨其对城市绿色创新效率的影响。②在实证分析中，采用城市级数据并考虑不同规模城市的异质性问题。

二、理论分析与研究假设

1. 绿色创新的内涵和过程。绿色创新涵盖了“绿色”与“创新”两大理念。“创新”即生产率，主要目的在于追求经济效益，“绿色”是在追求效益的过程中体现绿色环保。因此，绿色创新有别于传统创新，其创新目标不再是单纯的经济效应最大化，而是经济、社会和环境的可持续发展。城市的“绿色”发展和其“创新”能力之间存在正向的协同效应，创新能力强的城市会更注重技术包括清洁生产技术的研发和应用，而宜居的生态环境通过吸引更多的优秀科技人才提升城市创新水平，如此形成良性循环。绿色创新的过程是包含了投入和产出的系统性工程，具体来看，城市通过投入基本和创新生产要素，经过要素组合与技术创新，一方面可获得期望产出如地区总产值以及代表技术进步的专利数量等，另一方面也会带来污染排放等非期望产出。显然，在其他条件一定的情况下，非期望产出越少，表明绿色创新效率越高[18] 。

2. 城市绿色创新效率的空间相关性。城市绿色创新效率不仅与本城市生产要素投入和组合密切相关，同时在一定程度上也受周边城市的绿色创新活动影响。图1中的A为本城市，B为周边城市。两个城市在绿色创新过程中所产生的新知识、新技术会随经济活动发生地域迁移，带来空间溢出效应，从而提高社会整体的绿色创新效率。但城市绿色创新活动需要研发投入等生产成本，绿色创新的空间溢出效应又会带来城市间的“搭便车”行为，从而会影响城市绿色创新研发投入的积极性。绿色创新水平较高的城市之间会形成良性互动而呈现空间集聚状态，绿色创新水平较低的城市与周边城市脱节而呈现空间离散状态。同时，根据绿色创新扩散能力衰减原理，空间地理距离较小的城市之间存在更为显著的空间溢出效应。据此，本文提出以下假设：

假设1：城市绿色创新具有空间溢出效应。

3. 金融发展、投资水平对绿色创新效率的影响。理论上，金融发展对绿色创新具有重要助推作用。一方面，各种新技术、新产业等创新项目都需要资金融通以实现高质量发展;另一方面，对于高污染、高排放的落后产能，也可以通过金融尤其是绿色金融的方式加以市场化方式出清，从而提高绿色创新效率。虽然金融发展水平越高越能有效配置资源，从而提高经济效率，但是，地方政府的GDP竞争行为会导致其降低环境监管标准，污染企业也可以从金融体系中获取资金支持，从而挤占清洁生产企业的资金需求，由此会降低綠色创新效率。

投资对提升经济发展水平具有重要作用，且受到金融发展水平的影响。如果投资于绿色行业，则有利于绿色创新水平的提高。如果投资大量进入高污染、高排放行业，则不利于绿色创新水平的提高，特别是政府主导的外延型高投资会抑制绿色创新。此外，过度投资会带来重复建设和资源浪费，从而不利于提升绿色创新效率。据此，本文提出以下假设：

假设2：金融发展、投资水平对绿色创新具有双重作用，主要与金融投向和投资结构密切相关。

金融发展与投资水平具有交互作用。金融发展通过促进“储蓄—投资”转化机制，使得社会资金从资本闲置方流动到资金需求方，从而提高资源利用效率;金融发展可以引导资金从生产率较低部门流入生产率较高部门，从而提高投资效率。金融发展水平的提高通过降低企业的融资约束进而影响企业的投资行为，例如，当企业融资比较容易时，可能会扩大投资规模，将资本投向新兴的绿色行业，从而提高绿色创新水平。据此，本文提出以下假设：

假设3：金融发展水平和投资率具有交互效应，金融发展水平能够通过提高资本配置效率减弱外延型高投资对绿色创新效率的负面冲击。

4. 其他因素对绿色创新效率的影响。城市的绿色创新效率还与其他一些因素有关，如经济发展水平、科技投入为绿色创新活动提供了良好的发展环境，从而能促进绿色创新。不合理的产业结构不利于城市绿色创新。还有一些因素达到一定临界值后，对绿色创新效率的作用方向会发生相反的转变。例如，城市通过集聚经济所产生的技术溢出效应和规模效应会显著提升资源利用效率和减少污染排放，但当城市达到一定规模时会产生“拥挤效应”。此外，还有一些因素具有双重效应，最终效果取决于两种效应的大小[19] 。如环境规制政策的实施能激发生产主体的创新热情，提升其资源优化配置水平和技术创新能力[20] ，有利于提高绿色创新效率，但同时也会导致生产主体治污成本增加，由此会削弱企业的创新能力，从而不利于绿色创新效率的提高。再比如，外资利用一方面可能带来先进的技术和管理，另一方面可能将一些高污染、高排放的行业转移到我国。

三、城市绿色创新效率测算与空间关联分析

1. 绿色创新效率测度模型。本文使用考虑非期望产出的非径向、非角度的DEA-SBM 模型来测算城市绿色创新效率。

其中：s表示投入、产出的松弛量;s-∈Rm、sb∈Rs2和sg∈Rs1分别表示投入冗余、非期望产出冗余和期望产出不足;λ代表权重向量。目标函数ρ?是关于s-、sg、sb的严格递减函数，且0≤ρ?≤1。对于某个特定的被评价单元，当且仅当ρ?=1，即s-=0、sg=0、sb=0时是有效率的。

2. 指标选取、数据来源与测算结果。本研究选择286个地级以上城市作为研究对象，数据来源于2003 ～ 2017年《中国城市统计年鉴》、历年各城市国民经济与社会统计公报、国家知识产权局专利检索系统以及手工收集整理的相关数据，个别缺失值采用插值法进行补充。选取的投入指标既包含了基本的投入要素（如劳动力、资本），也涵盖了资源环境（如能源、土地资源、水资源）和创新要素（如财政科技投入、科技从业人员数量）。其中：劳动力投入采用全部从业人员数量来表示（单位：万人）;能源采用能源消耗总量来表示（单位：吨标煤）;土地资源用建成区面积来表示（单位：平方公里）;水资源用供水总量来表示（单位：万吨）;财政科技投入和科技从业人员数量的单位分别为万元和万人。产出指标包括期望产出GDP（单位：亿元）和专利授权量（单位：万件）。GDP以2003年为基期并剔除价格因素的影响;专利能相对客观地体现地区的创新水平，采用专利授权量作为绿色创新的期望产出。非期望产出工业废水、工业二氧化硫和工业烟尘，分别用总的工业废水排放量（单位：万吨）、工业二氧化硫排放量（单位：吨）、工业烟尘排放量（单位：吨）来表示。

关于资本投入数据，需要借助永续盘存法对城市资本存量进行估算，其计算公式为：

其中，i和t分别表示城市和时间，Ki，t和Ii，t分别表示第i个城市第t年的资本存量和投资，δi，t代表折旧率。Pt表示固定资产投资价格指数，由于没有各个城市的固定资产价格指数的统计，统一用各省（市）固定资产投资价格指数代替，以2003年为基期。初始资本存量用基期年固定资本投资总额除以10%得出，折旧率δi，t取6%，非农产业资本存量以各城市总资本存量乘以97.15%得出[21] 。

图2为绿色创新效率总体平均水平和不同类别城市绿色创新效率变化趋势。总体来看，全国整体绿色创新水平还不够高，仍有很大发展潜力。其中，特大及超大城市、大城市的绿色创新效率高于全国平均水平，中等城市和小城市绿色创新效率低于全国平均水平。从时间演化趋势来看，不同类别城市的绿色创新效率从2003 ～ 2017年总体处于不断提升的状态。其中有两个阶段绿色创新效率提高幅度很大：一个阶段是从2006年开始，我国将强制型节能减排目标纳入国民经济规划，绿色创新效率有了较大幅度的提升;另一个阶段是2013年以后，随着我国生态文明建设的逐步深入推进，近几年绿色创新效率提升幅度较大。

3. 绿色创新效率空间关联分析。本文使用全局Moran's I指数对城市绿色创新效率的空间关联特征进行分析，计算公式为：

其中，xi为城市i的观测值，n为观测值个数，且[x=1ni=1nxi]，σ2=[1ni=1n（xi-x） 2]。考虑污染物的转移和扩散与距离高度相关，所以在空间相关性分析中，同时考虑邻接矩阵与距离权重矩阵两种情况。本文构造如下所示的Z检验统计量，其中E（I）为上式中Moran's I指数的期望值，Var（I）为方差：

Z统计量能够判断城市绿色创新效率的空间相关性：如果I显著为正，则表明存在正的空间相关性，即绿色创新效率相似的区域集聚在一起。分别使用邻接矩阵法和距离权重矩阵法，利用GeoDa软件，得到2003 ～ 2017年城市绿色创新效率的空间自相关Moran's I指数，如表1所示。

可以看出：2003 ～ 2017年，城市绿色创新效率表现出较强的正空间相关性。污染物排放相对较高（低）的城市存在与污染物排放相对较高（低）的其他城市集群的趋势，而且随着时间的推移，这种集聚的趋势愈加明显。

四、实证检验

1. 模型設定、指标选取和数据来源。将影响绿色创新效率的因素纳入回归模型，以测算出的城市绿色创新效率为被解释变量，核心解释变量包含金融发展水平和投资水平。与此同时，考虑到虽然过度投资会带来重复建设和资源浪费，从而不利于提升绿色创新效率，但金融发展水平越高的区域，资源配置可能越有效率，为了反映投资水平和金融发展水平的交互影响，引入投资水平和金融发展水平的交互项。为了检验绿色创新效率与城市规模之间可能存在的非线性关系，将城市规模的二次项纳入模型。其他控制变量包含上述影响绿色创新效率的其他因素。

其中：i代表城市，t代表时间。GDEi，t表示第i个城市第t年的绿色创新效率。JFS、TSP分别代表金融发展水平和投资水平。X代表影响绿色创新效率的一组控制变量，主要包括：城市规模（URC）、产业结构（INC）、经济发展水平（ECL）、科技投入（TEC）、外资利用规模（FDI）和环境规制强度（ERI）。ui代表城市固定效应，εi，t为随机扰动项。

由于城市绿色创新效率具有显著的空间相关性，本文将基准模型拓展为空间杜宾模型：

其中，Wi，j用来描述地区间空间邻近关系的空间权重矩阵，当两地区地理邻接时，Wi，j=1;否则，Wi，j=0。其他变量的含义不变。选取的指标含义如下：被解释变量为考虑非期望产出的DEA-SBM模型测算的绿色创新效率;核心解释变量中，金融发展水平用年末金融机构存贷款余额占 GDP的比重来替代，单位为%;投资水平采用当年全社会固定资产投资占GDP 的比重来表示，单位为%。控制变量中，城市规模采用建成区面积和城市人口规模两种方式来表示，单位分别为平方公里和万人;产业结构采用第二产业占GDP比重来表示，单位为%;地区发展水平用人均地区生产总值来表示，单位为万元;科学技术投入用公共财政中的科学技术支出来表示，单位为亿元;外资利用规模用当年实际利用外资额（折算为人民币）来表示，单位为亿元。

环境规制强度指标选择相对指标来度量，涉及废水、废尘与二氧化硫的污染排放量，首先定义城市i第l种污染的相对排放水平：

其中，prli表示第i个城市第l种污染物的排放水平，pli表示第i个城市第l种污染物的污染排放强度（即单位GDP的污染物排放量），           表示城市第l种污染物污染排放强度的均值。对无量纲的变量prli进行如下加总平均处理：

其中，EIi为第i个城市无量纲变量加总平均值，1、2、3分别表示工业废水、二氧化硫和烟尘，EIi的值与环境规制水平呈反向变动关系。这里将EIi的值进行逆处理得到ERIi，ERIi的值越大，表明环境规制水平越高。

2. 总体实证结果分析。绿色创新效率的取值位于[0，1]之间，因此普通的OLS模型不再适用。本文首先采用基准Tobit模型进行回归分析。

表2中，相比模型（1）和模型（3），模型（2）和模型（4）考虑了投资水平和金融发展水平的交互项，模型（1）和模型（2）采用城市建成区面积表示城市规模，模型（3）和模型（4）采用城市人口数量表示城市规模。

从核心解释变量估计结果来看：①金融发展水平。金融发展水平的回归系数均显著为负，说明金融发展并没有提高城市绿色创新效率，原因可能在于污染企业也可以从金融体系中获取资金支持，因此挤占了清洁生产企业的资金。②投资水平。投资水平回归系数均为负，且通过了显著性检验，表明依靠高投资拉动的经济增长方式不利于绿色创新效率的提高，外延型的高投资扩张带来了资源的浪费和重复建设等问题。③交互项。投资水平和金融发展水平的交互项系数均为正，且通过了显著性检验，这表明虽然金融发展不利于提高城市绿色创新效率，但能够通过提高资本配置效率减弱外延型高投资对绿色创新效率的不利冲击。④其他控制变量的估计结果及解释：用建成区面积和城市人口数量表示的城市规模一次项和二次项系数分别为一负一正，但都没有通过显著性检验，说明城市规模通过集聚经济效应和拥挤效应对绿色创新效率产生影响，其净效应具有不确定性。用第二产业占GDP的比重反映产业结构，其对绿色创新效率的影响系数显著为负，说明第二产业的资源和能源消耗量大，污染物的排放较多，大大降低了城市绿色创新效率。经济发展水平对绿色创新效率有着显著的正向影响，说明随着生活水平的提高，人们对环境质量有更高的诉求，这有助于绿色创新效率的提高。另外，科技水平和人力资本水平的提升有利于提高资源利用效率，同时减少污染排放，从而提高绿色创新效率。外资对绿色创新效率的影响系数为负，但没有通过显著性检验，说明外资利用对城市绿色创新效率的影响具有不确定性。外商直接投资通过技术溢出提升生产的技术水平和产出水平，但同时可能承接一些高耗能、高污染的行业，特别是近几年沿线城市为了招商引资，吸纳了一些高耗能、高污染的外资企业入驻，给生态环境造成了一定的威胁。环境规制强度的回归系数为正，且通过了显著性检验，说明环境规制约束能够激发企业创新活力，有利于提高绿色创新效率。

表3是空间模型回归结果，相比模型（5）和模型（7），模型（6）和模型（8）考虑了投资水平和金融发展水平的交互项，模型（5）和模型（6）采用城市建成面积表示城市规模，模型（7）和模型（8）采用城市人口数量表示城市规模。就空间估计结果而言，投资水平的空间滞后项（W?TSPi，t）显著为负，说明本地政府依靠投资拉动的外延型扩张带来了资源的浪费和重复建设以及环境污染问题，同时也会对相邻城市带来负的外部溢出效应。科技投入的空间滞后项（W?TECi，t）系数显著为正，说明本地科技投入的增加会提高相邻城市的绿色创新效率。环境规制强度的空间滞后项（W?ERIi，t）系数显著为负，说明本地环境规制的加强会导致污染物从本地转移到相邻城市。

3. 不同规模城市计量结果。按照《关于调整城市划分标准的通知》（国发[2014]51号），将城市规模划分为小城市、中等城市、大城市和特大及超大城市四类。由于不同规模城市的金融发展以及投资水平存在差异，其对绿色创新效率的影响可能存在异质性。表4是不同规模城市的异质性检验结果。

在特大及超大城市、大城市样本中，金融发展对绿色创新效率的影响显著为正，但是在中等城市和小城市样本中，金融发展对绿色创新效率的影响显著为负。可能的原因在于，相对于中等城市和小城市，特大及超大城市、大城市的环境规制水平更高，綠色金融有助于节能环保型项目的实施和开展。而中等城市和小城市为了促进经济的发展和招商引资，环境污染严重的企业也可以从金融体系中获取资金支持，因此挤占了清洁生产企业的资金，从而不利于绿色创新效率的提高。大城市、中等城市和小城市投资水平对绿色创新效率的影响显著为负，表明依靠高投资拉动经济增长方式带来了资源的浪费和重复建设问题。四类分样本中，金融发展能够通过提高资本配置效率减弱外延型高投资对绿色创新效率的不利冲击。外延型的高投资扩张会对相邻城市绿色创新效率带来负的外部溢出效应。

4. 稳健性检验。金融发展与城市绿色创新效率之间存在互为因果的关系。金融是经济发展的核心，为绿色创新效率的提高提供金融支持，有助于绿色创新效率的提高，而绿色创新效率的提高反过来又会对金融发展提出更高的要求。如果采用Tobit 回归，可能会导致内生性偏差。因此，将金融发展水平滞后一期作为工具变量，纳入解释变量中进行回归分析，分析的结果和前面基本一致。金融发展水平和投资水平与绿色创新效率之间存在显著的负向关系;金融发展水平和投资率具有交互效应，金融发展水平能够通过提高资本配置效率减弱外延型高投资对绿色创新效率的负面影响。投资拉动的外延型扩张会对相邻城市带来负的外部溢出效应。其他解释变量的回归系数和符号也没有发生明显变化，科技投入和环境规制强度与绿色创新效率之间存在显著的正向关系，而第二产业占比与绿色创新效率之间存在显著的负向关系;城市规模和外资利用规模对绿色创新效率的影响不显著。本地科技投入的增加会产生显著的空间正外部溢出效应，会提高相邻城市的绿色创新效率。本地环境规制的加强会形成“以邻为壑”（污染转移）的结果。上述结果证明研究结论是稳健的。

五、结论与启示

1. 结论。基于286个地级以上城市2003 ～ 2017年的统计数据，构建非期望产出的DEA-SBM模型，测算城市绿色创新效率，采用Moran's I指数探究空间溢出效应，并建立空间Tobit模型实证研究金融发展、投资水平与城市绿色创新效率的关系。总样本估计表明，金融发展水平和投资水平与绿色创新效率之间存在显著的负向关系。分样本估计结果表明，金融发展在特大及超大城市、大城市样本中对绿色创新效率的影响显著为正，但在中等城市和小城市样本中的影响显著为负。金融发展水平和投资水平两者呈现交互作用，金融发展水平能够通过提高资源配置效率减弱外延型高投资对绿色创新效率的负面冲击。投资拉动的外延型扩张会对相邻城市绿色创新效率带来负的外部溢出效应。

2. 启示。第一，通过金融政策合理引导企业进行绿色经济发展投资和建设。金融业要拓宽绿色项目的融资渠道，大力支持其发展，特别是支撑绿色企业加大科技投入力度，激励企业科技创新和科技成果转化，强化先进生产技术特别是先进绿色生产技术对城市绿色创新效率的推动作用。而针对高污染、高耗能企业，可以实行环评一票否决制，特别是中等城市和大城市的金融机构要实行差异化信贷政策，从源头上遏制高污染企业的资金来源。第二，引导金融机构完善绿色信贷机制，鼓励其开展绿色信贷业务。通过金融信贷导向政策合理布局各城市产业发展，为各城市生产力的合理布局制定差异化的发展战略，切忌盲目投资开发，避免重复建设和资源的浪费。第三，改变投资模式、优化投资结构，设计开发绿色创新投资业务。城市发展由过去投资拉动式的外延型扩张转向通过结构调整、技术改造实现内涵式发展，促进产业结构优化升级，大力发展高新技术产业和第三产业，进一步拓宽清洁能源、节能减排企业的融资渠道，降低融资成本，推动城市绿色创新效率的提高。

【 主 要 参 考 文 献 】

[ 1 ]   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.

[ 2 ]   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）：8 ～ 92.

[ 3 ]   Hung J.， Yang X.， Cheng G.， et al.. A comprehensive eco-efficiency model and dynamics of regional eco-efficiency in China[ J].Journal of Cleaner Production，2014（6）：228 ～ 238.

[ 4 ]   Lorenzotoja Y.， Vázquezrowe I.， Chenel S.， et al.. Eco-efficiency analysis of Spanish WWTPs using the LCA+DEA method[ J].Water Research，2015（1）：651 ～ 666.

[ 5 ]   Tone K.. Dealing with undesirable outputs in DEA： A slacks-based measure （SBM） approach[R].Tokyo：GRIPS Research Report Series，2003：44 ～ 45.

[ 6 ]   吳传清，黄磊.长江经济带工业绿色创新效率及其影响因素研究[ J].江西师范大学学报（哲学社会科学版），2018（3）：91 ～ 98.

[ 7 ]   Sueyoshi T.， Yuan Y.. China's regional sustainability and diversified resource allocation： DEA environmental assessment on economic development and air pollution[ J].Energy Economics，2015（8）：239 ～ 256.

[ 8 ]   王兵，唐文狮，吴延瑞等.城镇化提高中国绿色创新效率了吗？[ J].经济评论，2014（4）：38 ～ 49.

[ 9 ]   岳书敬，邹玉琳，胡姚雨.产业集聚对中国城市绿色创新效率的影响[ J].城市问题，2015（10）：49 ～ 54.

[10]   Zhang X. P.， Li Y. F.， Wu W. J.. Evaluation of urban resource and environmental efficiency in China based on the DEA model[ J].Journal of Resources and Ecology，2014（1）：11 ～ 19.

[11]  吴旭晓.区域工业绿色创新效率动态评价及提升路径研究——以重化工业区域青海、河南和福建为例[J].生态经济，2016（2）：63 ～ 68.

[12]  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）：21 ～ 28.

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

[14]  易明，程晓曼.长江经济带城市绿色创新效率时空分异及其影响因素[ J].城市问题，2018（8）：31 ～ 39.

[15]  吴超，杨树旺，唐鹏程等.中国重污染行业绿色创新效率提升模式构建[ J].中国人口·资源与环境，2018（5）：40 ～ 48.

[16]  黄磊，吴传清.长江经济带工业绿色创新发展效率及其协同效应[ J].重庆大学学报（社会科学版），2019（3）：1 ～ 13.

[17]  丁显有，肖雯，田泽.长三角城市群工业绿色创新发展效率及其协同效应研究[ J].工业技术经济，2019（7）：67 ～ 75.

[18]  彭文斌，文泽宙，邝嫦娥.中国城市绿色创新空间格局及其影响因素[ J].广东财经大学学报，2019（1）：25 ～ 37.

[19]  李艳军，华民.中国城市经济的绿色效率及其影响因素研究[ J].城市与环境研究，2014（2）：36 ～ 52.

[20]  Porter M. E.. Towards a dynamic theory of strategy[ J].Strategic Management Journal，1991（12）： 95 ～ 117.

[21]  刘习平，管可.湖北长江经济带绿色发展效率测度与评价[ J].统计与决策，2018（18）：103 ～ 106.