环境规制与地区创新效率：基于碳排放权交易试点的准自然实验证据

杨露鑫　刘玉成

内容提要：本文将2011年国家发改委印发的《关于开展碳排放权交易试点工作的通知》作为一项准自然实验，结合工具变量方法，在有效控制内生性的基础上更为科学地验证了环境规制与地区创新效率之间的关系。研究发现：环境规制与实质性创新效率和策略性创新效率之间均呈U型非线性关系，且分别约有88.79%和90.61%的观测点处于环境规制会抑制地区创新效率的阶段。异质性分析的结果表明，东部发达地区环境规制强度的门槛值较高，提升人力资本水平、提高对外开放度、增强融资能力、加强政府干预能够缓解环境规制的负面影响。作用机制分析发现，创新投入强度、资本要素配置优化、技术进步是环境规制影响地区创新效率的主要途径。此外，环境规制不仅对当地的实质性创新效率有先抑制后促进的影响，还对邻近省份的实质性创新效率有先促进后抑制的联动效应，反映了地区间环境规制强度差异的影响。

关键词：环境规制;实质性创新效率;策略性创新效率;DID

中图分类号：F061.5  文献标识码：A  文章编号：1001-148X（2020）09-0011-14

一、引言

2011年10月国家发展改革委下发《关于开展碳排放权交易试点工作的通知》，同意北京、天津、上海等7个省市开展碳排放权交易试点，旨在控制温室气体、加快经济发展方式转变和促进产业结构升级。自欧盟2005年碳交易排放体系启动以来，引起了诸多学者的关注，许多文献表明欧盟这项政策的效果显著[1-2]。与欧盟的碳排放交易体系相比，中国的政策效果如何？能否通过环境规制政策迫使创新效率提升，从而实现高质量、可持续发展的目标？对这些问题的回答具有重要的现实意义。

通过控制污染物排放固然能够在一定程度上改善环境，但从长远看还需要依托技术进步实现生产方式的转变，从而实现“节能减排”、“绿色发展”的长期任务。中国在研发、创新领域里不乏投入，但却缺少有质量的创新成果;因此，环境规制政策的成功与否不仅取决于它是否降低了企业的污染排放水平，而能否促进技术创新或是更重要的政策成功標志之一[3]。

自John Hicks（1932）首次提出“创新假设”以来，Porter和Van der Linde（1995）也将企业创新引入环境规制领域。他们认为，良好有效的环境规制不仅有利于环境本身，而且对企业也将产生积极影响，这被称为“波特假说”，即企业面临信息不完全、环境规制等不完全竞争时，可以通过提高技术创新水平，来抵消企业进入市场的机会成本。自20世纪90年代以来，该假说引起学术界的热烈讨论，但因研究视角和方法的不同得到的结论也不尽相同。现有文献通常以企业或行业为视角，采用不同的研究方法分析环境规制与技术创新之间的关系，得出的结论通常有四类：（1）适当的环境规制能够促进技术创新[4-6]，这种促进作用也存在一定的滞后性[7]。（2）环境规制会增加企业的“遵循成本”，从而抑制企业的技术创新[8-9]。（3）环境规制对创新活动的影响是不确定的，存在企业、行业、地区类型的异质性[10-11]。（4）环境规制与技术创新之间不是简单的线性关系，而是呈现出先抑制后促进的U型非线性关系[9，12];还有部分学者认为环境规制与创新活动之间呈倒U行的非线性关系[13]。

上述文献较多从企业或行业的视角关注环境规制与技术创新活动之间关系，也为本文理解环境规制的影响效应提供了丰富且深刻的洞见，然而较少有文献从地区层面关注地区的创新效率。创新效率指在创新投入资源得到有效配置的前提下，以较少的创新投入得到更多的创新产出。本文主要以地区创新效率为研究对象，分析环境规制强度所产生的影响。本文的主要工作如下：（1）我们根据创新质量把申请专利的行为划分为实质性创新和策略性创新两种形式，分别分析环境规制对两种形式创新效率的影响。（2）将双重差分法与工具变量法相结合，以2011年的《关于开展碳排放权交易试点工作的通知》作为一项准自然实验，运用双重差分法（Difference in Differences，DID）构建环境规制指标的工具变量，在充分考虑内生性问题的基础上科学评估环境规制与地区创新效率的因果关系。（3）利用广义倾向得分匹配法对基准回归结果进行稳健性检验，确保结果的可靠。（4）利用逐步回归法和交乘项系数检验法验证环境规制影响地区创新效率的作用机制。（5）通过空间杜宾模型（Spatial Durbin Model，SDM）分析环境规制政策的溢出效应。

二、经验事实与内在影响机制

（一）经验事实

最早启动全球污染物排放权交易体系建设的是美国。早在20世纪70年代初，美国的环保部门和以及一些州郡就制定了污染物排放计划。自“京都议定书”签署以来，碳排放交易政策已广泛为众多发达国家所倡导实施，以控制温室气体排放和提高能源利用效率。到目前为止，欧盟已经建立了世界上最为完善的碳排放交易机制。

自20世纪90年代以来，中国就已经在治理大气污染领域中涉及了排放权交易机制。2002年3月，国家环保总局与美国环保协会一起开展了“推动中国二氧化硫排放总量控制及排放权交易政策实施的研究项目”（简称“4+3+1”项目），试点选在山东、山西、江苏、河南、上海、天津、柳州以及中国华能集团公司。此次的试点工作，为二氧化硫排放权交易的全面实施以及排污权交易的普及奠定了经验基础。为了减少二氧化碳排放，倡导低碳经济，国务院于2011年发布了“十二五”温室气体排放控制工作计划。同年10月，国家发展和改革委员会正式发布《关于开展碳排放权交易试点工作的通知》，而北京、天津、上海等7个省市分别允许开展碳排放交易试点。到目前为止，所有七个试点省市都已经开展了碳排放交易。

为了考察环境规制与地区创新效率之间的关系，我们将环境规制指标分别与实质性创新效率与策略性创新效率进行二次拟合，图1（a）和图1（b）中的横轴表示环境规制强度，纵轴分别表示实质性创新效率和策略性创新效率。通过初步观察，可以发现环境规制与实质性创新效率、策略性创新效率之间均存在U型的非线性关系，且大部分观测点处于图左边的下降区域，表明随着环境规制强度的增加，会对地区创新效率产生先抑制后促进的影响，从现有的样本看，大部分观测点处于低环境规制强度下抑制地区创新效率的阶段。当然，为了科学判断环境规制与地区创新效率之间是否存在上述显著的因果关系，还需要通过构建计量模型进行实证分析。

（二）内在影响机制

不可否认，环境规制政策能够对企业的技术创新活动产生显著影响[6，14]，同时环境规制政策也是影响企业运营成本、管理效率、资源再配置的重要因素[9，15]。因此，本文认为环境规制政策主要通过以下途径影响地区创新效率。

1.资金挤占效应。由于环境污染的负外部性，政府需要通过约束性的环境规制政策来加以控制，这在一定程度上降低了污染物排放，但也必然会增加企业的运营成本，包括企业治理内部污染和防范外部污染的成本，我们称之为“遵循成本”。企业进行创新需要大量资金，因“遵循成本”的上升，会挤占研发投入所需的资金，这必然导致创新效率的下降[16]，从而产生资金挤占效应。此外，运营成本上升还将使企业在市场竞争中处于不利地位，不仅会影响企业的利润率，还会加紧企业的融资约束，进而对企业创新产生不利影响。

2.配置优化效应。由于环境规制政策产生的“遵循成本”上升，会引导要素特别是资本向更有效率的领域流动以规避成本上升所带来的负效应（韩超等，2017），使资源得以优化再配置。资源配置效率更高的企业一般拥有更高的研发实力，能够通过开发整合各种要素资源以实现较高质量的创新产出[17]，从而实现创新效率的提升。由于环境规制主要影响企业的资本投入，同时劳动力相较于资本而言更缺乏流动性，因此，环境规制不会直接对劳动力资源的再配置产生影响。

3. 管理创新效应。当环境规制政策使企业陷入更高的融资约束时，企业通常会从节约成本的角度考虑，不断提高管理决策能力，实现对资源的合理科学配置、降低交易成本、提高管理效率。更高效的管理层往往更倾向于创新并追求创新效率。一方面较强的管理能力有利于加强企业在市场中的竞争力，争取更多的市场份额和更高的经营绩效以缓解创新资金压力;另一方面更科学的管理决策有助于企業减少创新成本、控制创新风险，从而提高企业的创新效率。

4. 技术进步效应。环境规制引发企业的运营成本增加，不仅挤占了企业的研发投入，还影响了企业的利润率。为了维持企业原有的利润率，会倒逼企业通过技术手段控制污染，同时也迫使企业在生产过程中不断通过改进生产工艺和流程以降低成本，促使企业技术进步。技术进步能够进一步提高企业的生产和管理效率，能够以更科学的方式合理高效地利用资源，从而有利于创新效率的提升。

三、模型设定与变量说明

（一）模型设定

环境规制究竟是改善还是抑制了中国的地区创新效率？ 为了对此问题进行解答，参考 Lu 等（2017）[18]的做法，设定基准模型如下：

tejt=α+β0co2jt+β1co2_sqjt+β2∑Xjt+εjt（1）

其中，tejt 为j地区在t时期的创新效率;co2jt 为j地区在t时期的单位产出二氧化碳排放量，用来表示j地区的环境规制强度;考虑环境规制与地区创新效率之间可能存在非线性关系，因此在模型中加入 co2 的平方项;∑Xjt 代表一系列的控制变量，包括基础设施水平、政府干预度、融资能力、对外开放度以及人力资本水平;εjt 为随机扰动项。

从理论上讲，地区的创新效率往往也会影响该地区的二氧化碳排放量，从而产生逆向因果关系。此外，遗漏不可观测因素或解释变量也会导致潜在的内生性问题。为此，本文借鉴Lu等（2017）的做法，将双重差分法引入到工具变量回归方法中，这样能够较好地利用碳排放权交易这一政策冲击，因而其实质也是工具变量法。此时，环境规制的工具变量主要由碳排放权交易的政策调整所决定。具体地，以2011年国家发展和改革委员会印发的《关于开展碳排放权交易试点工作的通知》作为一项准自然实验，将这一政策冲击视为环境规制的工具变量，使得环境规制具有显著外生性，可以较好地控制模型1中潜在的互为因果等内生性问题。采用双重差分法构建工具变量，最小二乘法的第一阶段回归设定如下：

co2jt=α+β0didjt+β1treatedj+β2postt+β3∑Xjt+δj+γt+εjt（2）

其中，treated 为分组变量，以2011年的碳排放权交易试点省份北京、上海、天津、湖北、重庆、广东六个省份作为实验组（treated=1），其他省份作为对照组（treated=0）;post 为政策年份变量，以2011年为政策冲击的时间节点，2011年及以后年份取值为1，2011年以前年份取值为0;did 为分组变量与政策年份变量的交互项，也是该模型的核心解释变量，用来表示碳排放交易政策的政策效果;∑Xjt 代表一系列控制变量，与模型1中的控制变量相同;δj、γt、εjt 分别为个体固定效应、时间固定效应和随机扰动项。

双重差分思想隐含着一个重要的前提假定，即在政策冲击发生之前处理组和对照组应具有相同的演变趋势。图1刻画了实验组与对照组二氧化碳排放量的演变趋势，可以看到，在2011年碳排放权交易试点政策调整之前，实验组与对照组单位产出二氧化碳排放量的发展趋势基本一致，而在2011年之后，两组单位产出二氧化碳排放量的演变态势产生分化，这表明本文选取的实验组与对照组满足双重差分法的平行趋势假设，并且相较于对照组，实验组的单位产出二氧化碳排放量下降趋势更为明显，初步表明碳排放权交易试点政策可能产生了较好的政策效果。

（二）变量说明

1.核心变量：地区创新效率和环境规制。地区创新效率指标，本文借鉴白俊红和卞元超（2016）的方法，运用随机前沿模型（SFA）来估计地区创新效率，该模型的一般形式如下：

rdyjt=f（rdljt，rdkjt，t）exp （vjt-ujt）（3）

其中，rdyjt 为创新产出，用地区的专利申请授权量表示，并参照黎文靖和郑曼妮（2016）[19]的做法，根据创新质量把申请专利的行为划分为实质性创新和策略性创新两种形式。其中，申请发明专利的行为属于实质性创新，申请实用和外观专利的行为属于策略性创新，从而研究环境规制对不同创新类型的影响;rdljt、rdkjt 分别为生产过程中投入的人力和资本，分别用R&D全时人员当量和R&D经费内部支出表示;（vjt-ujt） 为复合误差项。因此，由该模型估计出的地区创新效率有两类，分别为实质性创新效率（te_sz）和策略性创新效率（te_cl），模型1可以转变成如下两个第二阶段回归模型：

te_szjt=α+β0co2jt+β1co2_sqjt+β2∑Xjt+εjt（4）

te_cljt=α+β0co2jt+β1co2_sqjt+β2∑Xjt+εjt（5）

本文借鉴沈能（2012）[20]的方法用单位产出的二氧化碳排放量作为环境规制强度的指标。我国没有直接公布二氧化碳排放量指标。因此，必须运用相关方法进行估算。借鉴杜立民（2010）[21]的方法，分别用能源消费量、水泥生产量及其二氧化碳的排放系数加权加总而得到二氧化碳排放量，再将二氧化碳排放量占地区GDP比值进行标准化处理后得到环境规制强度指标，标准化公式为：

co2jt=[co2jt0-min （co2jt0）]/[maxco2jt0-min （co2jt0）]（6）

其中，co2jt0 为单位产出的实际二氧化碳排放量;maxco2jt0、min （co2jt0） 分别为单位产出的最大和最小二氧化碳排放量。

2.控制变量。控制变量主要包括基础设施水平、政府干预度、融资能力、对外开放度以及人力资本水平。其中，基础设施水平（ctgl）用长途光缆长度表示;政府干预度（gov_zb）用政府一般预算支出占地区GDP比重表示;融资能力（fin_zb）用金融机构贷款余额占地区GDP比重表示;对外开放度（fdi_zb）用实际利用外资额占地区GDP比重表示;人力资本水平（hr）用人均受教育年限表示，计算各省人均受教育年限时将小学、初中、高中、大专及以上学历的居民平均受教育年数分别定为6年、9年、12年以及16年[22]。

本文以2006-2016年30个省份和直辖市为研究对象（由于西藏数据缺失严重，故将其从样本中剔除），上述变量的数据均来自于2007-2017年的《中国宏观经济统计数据库》、《中国金融统计数据库》、《中国科技统计年鉴》、《中国能源统计年鉴》、《国泰安金融数据库》。相关变量的描述性统计见表1。

四、回归结果与分析

本文旨在考察环境规制对中国地区创新效率的影响，即环境规制是显著促进还是抑制了中国地區创新效率的提升？具体地，采用工具变量法进行回归分析，得出基本结论，并在此基础上进行稳健性检验。

（一）第一阶段回归

表2汇报了第一阶段DID模型的回归结果。其中，第1列为不加入控制变量的双重差分结果，初步表明碳排放权交易试点政策显著降低了试点省份的单位产出二氧化碳排放量;第2列为加入控制变量基础设施水平、政府干预度、融资能力、对外开放度以及人力资本水平后的双重差分结果，核心解释变量的系数略有下降，但依然十分显著。

在利用DID结果构建环境规制指标的工具变量之前，需要对上述DID结果进行一系列条件检验。

1.共同趋势假设检验。共同趋势假设是DID估计结果无偏的重要前提，我们采用事件研究法进行DID的共同趋势假设检验。我们分别选择该省份2011年碳排放权交易试点政策干预的前1年、2年、3年、4年、5年设置年份虚拟变量，对实验组和对照组的发展趋势进行检验，用以判断分组样本在碳排放权交易试点政策前是否具有一致的发展趋势，以确保分组的合理性以及结果的可信性。根据表3中第1、2列的结果显示，无论是否加入控制变量，政策干预前的年份与分组变量的交互项（treated1-treated5）均不显著，而政策干预当期的年份与分组虚拟变量的交互项（did）显著为负， 说明在碳排放权交易试点政策实施前，实验组和对照组在二氧化碳排放量的变化趋势上不存在显著差异，从而满足共同趋势假设。

2.反事实检验。由于在实验组与对照组省份之间存在一些不可观测的、随时间变化的变量，可能会引起回归结果的系统性偏误，因此我们进一步通过反事实检验来确认回归结果的稳健性。

第一，构建虚拟的碳排放权交易试点政策实施时间。本文的研究区间为2006-2016年，碳排放权交易试点政策的实施时间为2011年，即核心解释变量did在2011年以前不会对当地的二氧化碳排放量产生显著的影响。因此，本文假设将碳排放权交易试点政策的实施时间提前到2011年以前，并构建两个虚拟的政策实施年份，分别统一提前1年和2年。具体回归结果见表3中第4、5列，可以发现政策实施年份提前1年和2年的回归结果均不显著，说明政策未实施时，并没有对当地二氧化碳的排放量产生影响。因此，基准回归的结果不存在系统性偏误，结果是可信的。

第二，采取重复随机抽样方式构造虚拟政策变量。虽然我们在进行碳排放权交易试点政策效应评估时已经控制了大量表征地区特征的变量，但仍然很难排除不可观测的地区特征差异对评估结果的影响。对此，我们采取以下思路间接检验这些无法观测的地区特征差异会否影响结论的稳健性。具体来说，首先将碳排放权交易试点政策对特定省份的影响变得随机（由计算机生成），然后通过重复随机抽样500次的方式构造虚拟的政策变量，并进行回归，根据回归结果发现这一虚假的估计系数均值为-0.4728，非常接近于0且不显著，即未观测到的地区特征差异没有对回归结果产生显著的影响，证实基准回归结果是稳健的。

3.政策的动态影响效应。从表3中第3列可以发现，政策冲击当年（treated6）及以后年份（treated7-treated11）的估计系数均显著为负，且显著水平逐年提高，估计系数的绝对值也逐年增加，说明碳排放权交易试点政策能够显著持续、长期地降低当地二氧化碳的排放量，并且该政策实施的时间越长效果越显著。

（二）第二阶段回归

根据上文对第一阶段回归结果的稳健性检验，可以发现碳排放权交易试点政策确实能够降低当地的二氧化碳排放量。因此，我们可以根据第一阶段的回归模型，计算出单位产出二氧化碳排放量的预测值作为第二阶段回归环境规制指标的工具变量，再利用工具变量回归分析环境规制（单位产出二氧化碳排放量）对地区创新效率的影响，具体回归结果见表4。

根据模型4和模型5的回归结果发现，环境规制与地区创新效率之间呈现U型的非线性关系。从估计系数上看环境规制对实质性创新效率与策略性创新效率的影响效果极其相近（见表4第1、3列），即在环境规制强度较低时对地区创新效率产生抑制作用，当环境规制强度超过某一临界值时，环境规制将对地区创新效率产生显著的促进作用。这个临界值分别在环境规制强度为9.875和9.625时，即约有99.70%和99.39%的样本观测点处于环境规制会抑制地区创新效率的阶段。

为了合理评估环境规制与地区创新效率之间的关系，利用上文通过DID方法计算出的单位产出二氧化碳排放量预测值作为环境规制的工具变量再次进行回归，具体结果见表4第2、4列。根据结果可以发现，核心解释变量的估计系数产生了显著变化，并且在对实质性创新效率与策略性创新效率的影响上产生了分化。具体而言，对于实质性创新效率而言，转折点出现在环境规制指标为6.12时，而对于策略性创新效率而言，转折点出现在6.46时，分别约有88.79%和90.61%的观测点处于环境规制会抑制地区创新效率的阶段，结果更加合理。同时，我们还可以发现，环境规制对实质性创新效率的抑制作用更加明显。

为了验证上述工具变量的有效性，需要检验环境规制指标确实是内生性解释变量。利用Hausman检验发现，对于实质性创新效率而言，卡方值为32.62，并在1%的显著水平下拒绝“所有解释变量均为外生”的原假设;对于策略性创新效率而言，卡方值为13.63，在10%的显著水平下拒绝原假设，说明环境规制指标确实存在内生性。此外，再次用2SLS、GMM、IGMM的估计方法进行回归，结果趋势均没有显著变化（如表5第3-5列、8-10列所示），且均通过了Hausman检验和DWH检验，说明工具变量回归结果是稳健的。

（三）GPSM检验

為了确保上述工具变量回归结果的稳健性，本文再次采用广义倾向得分匹配方法（Generalized Propensity Score Matching，GPSM）对结果进行“反事实”检验，这样可以避免因观测变量不随机导致的结果偏误。与传统的倾向得分匹配方法（Propensity Score Matching，PSM）相比，GPSM能够处理连续变量的效应评估[23]，更适合本文中分析环境规制对地区创新效率的处理效应评估。

1.方法介绍。GPSM与传统的PSM相比更加一般化，它能够处理连续的处理变量，同时又能消除观测样本的地区特征所带来的结果偏差，即控制“自选择效应”。

Hirana和Imbens（2004）[24]通过估计出个体的“剂量反应”函数（Unit-level Does Respanse Function），可以在给定连续的处理变量和广义倾向得分下描述任一连续处理水平上所对应结果的条件期望。由于GPSM方法模型控制了个体的“自选择效应”，因此，任意两个环境规制强度上的地区创新效率差异，可以解释为环境规制强度的变化对地区创新效率的净影响。

按照Hirana和Imbens（2004）的方法，我们将分三个步骤来估计不同环境规制强度对地区创新效率的影响。第一步，控制匹配变量 Xj 后，估计环境规制强度的条件分布。假定对于观测地区j，给定匹配变量 Xj 时，市场环境规制强度 co2j 的条件期望为：

Eco2j|Xj=FXjβ（7）

其中，对于所有的Xjβ∈R，则0FXjβ1。假定Logistic分布函数F·的计算公式如下：

FXjβ≡ΛXjβ≡exp Xjβ1+expXjβ（8）

借鉴Wagner（2003）[25]的做法，采用Papke和Wooldridge（1996）[26]提出的Fractional Logit 模型来估计环境规制强度的概率。用极大似然估计估计出 β。具体估计过程是在广义线性模型框架下[27]进行的。其中，最大化伯努利对数似然函数：

β^：maxljβ=max∑Ni=1co2jlogΛXjβ+（1-co2j）log [1-ΛXjβ]]（9）

在估计出β^后，广义倾向得分可由式（10）计算得出：

Rj︿=[ΛXjβ^]co2j[1-ΛXjβ^]1-co2j（10）

其中，Rj︿ 可以理解为环境规制达到某个程度的概率（GPS）。第二步，用环境规制强度 co2j 及其概率 Rj︿ 的构造出地区创新效率 tej 的条件期望模型：

Etejco2j，Rj︿=δ0+δ1co2j+δ2co22j+δ3Rj︿+δ4Rj︿2+δ5co2jRj︿ （11）

在公式（11）的基础上，利用估计出的系数，计算每一个环境规制强度对应的平均地区创新效率：

E^ted=1N∑Nj=1[0+1d+2d2+3d，Xj+42d，Xj+5dd，Xj]（12）

其中，N为样本容量，d，Xj 是 d，Xj 的密度函数，本文设定的步长为5%，即选择d=0，0.05，0.10，…，0.95，1上的处理强度值，E^tfpd 是d取任一环境规制强度时对应的地区创新效率均值。这里的d与co2j 是不同的，co2j 是真实的环境规制强度，而d是根据上文设定好的步长划分的环境规制强度。公式（12）即为平均“剂量反应”函数，地区创新效率在每一环境规制强度上的反应函数。我们比较的是平均地区创新效率在两个不同环境规制强度水平上的差异。公式（12）可以刻畫任一环境规制强度d 上的地区创新效率均值，将不同环境规制强度上的地区创新效率均值进行比较，于是环境规制强度变化对地区创新效率的影响可用式（13）的处理效应（Pairwise Treatment Effect）表示：

EΔd1d2=Eted2-ted1d1、d2∈[0，1]（13）

结合本文研究的具体问题，当 d1=0、0

EΔ0d2=Eted2-te0d2∈[0，1]（14）

式（14）即可衡量任一环境规制强度水平给地区创新效率带来多大的净影响。按照与Hirano和Imbens（2004）的做法，本文通过Bootstrap法来计算公式（12）-（14）估计量的标准差。

2.模型检验。在运用GPSM方法获得市场分割的强度对地区生产率的因果效应估计时，首先需要对地区进行匹配，以满足平行趋势条件假设，而这就要求选取合适的匹配变量X以保证公式（11）的成立。其中，匹配变量X与上文两阶段模型中的控制变量相同。此外，要满足平行趋势条件假设，除了要选取合适的匹配变量外，还需要对样本进行合适的分组。我们按照四分位法将环境规制强度划分成4个样本区间。根据篇幅的需要，我们仅报告第二步的回归结果，见表6。

根据前文公式（11）式的估计过程，其中，被解释变量分别为实质性创新效率（te_sz）和策略性创新效率（te_cl），核心解释变量为环境规制强度（co2），控制变量为上一步估计出的广义倾向得分，即地区形成当前环境规制强度的概率 R^（pscore），并进行最小二乘法估计。同时，根据估计结果的显著性，决定是否在在公式（11）中加入变量 co2 和 R^（pscore）各自的平方项以及两个变量的乘积。具体回归结果见表6。结果发现，所有变量均通过了显著性检验。

根据公式（12），将处理变量 co2 的取值范围划分为s个子区间，即s=1，2，…，s，估计在每个子区间内环境规制强度对地区创新效率变化的平均因果效应。各子区间的平均因果效应的连线即为图3中实线所示。其中，图3（a）和图3（b）分别代表环境规制强度与实质性创新效率、策略性创新效率的函数关系图。图3中另外两条虚线分别代表这一函数关系的上下95%的置信区间。根据中间这条实线的变化趋势，可以发现环境规制强度与实质性创新效率、策略性创新效率之间呈现出明显的U型非线性关系，这与工具变量回归结果是一致的，经过计算分别约有95.15%和95.76%的观测点处于环境规制抑制地区创新效率的阶段（如表6所示）。同样，根据表6可以发现，环境规制对实质性创新效率的抑制作用更加显著，这一结论也与工具变量回归结果相同。因此，可以认为工具变量回归结果是稳健的。

（四）异质性分析

1.分区域回归结果分析。上文已经验证了环境规制与地区创新效率之间呈现U型非线性关系的基本结论，但是位于不同区域的省份受到环境规制的影响是不同的。因此，本文将全样本按照东、中、西三个区域划分成三个子样本分别进行分析，从具体回归结果表7看，总体上环境规制对东部和西部省份实质性创新效率以及策略性创新效率的影响均呈U型的非线性关系，但不同的是环境规制对东部省份地区创新效率的门槛显著高于西部地区，具体而言，东部地区二者关系的转折点分别处于二氧化碳排放量为7.51和7.39时，而西部地区二者关系的转折点分别处于二氧化碳排放量为5.13和5.38时。这一现象说明：东部地区本身环境状况较差（二氧化碳排放量均值3.48），地区创新效率也较高，需要较大的环境规制强度进一步提升自身的创新能力，并将其转化为市场竞争优势，从而实现地区创新效率的提高。西部地区自身的环境状况要优于东部地区（二氧化碳排放量均值2.17），对技术和成本的要求均较小，因此，环境规制强度的门槛值也相较于东部地区更低。中部地区省份情况参差不齐，在回归分析中发现估计系数不显著，还需根据不同省份自身情况适当调整环境规制强度，平衡提升地区创新效率。

2.分地区特征回归结果分析。由于不同地区特征也会引起基准回归结果的地区差异，因此，本文进一步地将全样本按照代表地区特征的相关控制变量进行分组再分析。具体而言，将模型1中的5个控制变量分别按数值从小到大排序，其中大于中位数的为一个子样本，小于中位数的为第二个子样本，回归结果表8所示：（1）对于基础设施水平较高的省份而言，环境规制强度的门槛较高分别为二氧化碳排放量为8.9和8.5，而基础设施水平较低的省份环境规制强度的门槛较低，且环境规制仅对策略性创新效率产生显著影响，其门槛值为2.99。这表示基础设施水平越高越容易吸引企业流入，大量企业集聚生产需要排放更多的污染物，需要较强的环境规制才能促使产业的转型升级，从而实现地区创新效率的提升。（2）对于人力资本水平较高的省份而言，环境规制的影响并不显著，而对人力资本水平较低的地区而言却影响显著，其门槛值较高（门槛值分别为7.27和7.88），这说明当环境规制对地区创新效率产生负面影响时，人力资本能够起到很好的互补作用。（3）根据计算，对于对外开放度、融资能力、政府干预度较高的省份，其环境规制强度的门槛值较低，数值分布于4-6之间，而对于对外开放度、融资能力、政府干预度较低的省份，其门槛值分布于7-10之间。这说明利用外资、缓解融资约束、增加政府补贴支出均能降低环境规制的负面影响。

五、作用机制分析

前文分别考察了环境规制对实质性创新效率和策略性创新效率的影响，并从多个方面对研究结论的稳健性给予了检验。那么，环境规制是通过哪些渠道影响地区创新效率的，需要从作用机制方面进一步考察环境规制对地区创新效率的影响。

从理论上来看，环境规制会通过增加“遵循成本”挤占创新投入资金，产生“资金挤占效应”。当出现资金压力时，资本将流向更有效率的领域，产生“配置优化效应”。此外，为了缓解高涨的“遵循成本”带来的负面影响，将倒逼企业创新管理方式、革新生产工艺，产生“管理创新效应”和“技术进步效应”。其中，“资金挤占效应”会抑制地区的创新效率，而“配置优化效应”、“管理创新效应”和“技术进步效应”会促進地区创新效率的提升。基于此，本文将创新投入强度、资本市场扭曲度、管理能力和技术进步四个指标作为中介变量，分别通过构建中介效应模型和引入交乘项两种方法进一步验证环境规制影响我国地区创新效率的传导机制。

（一）逐步回归分析法结果分析

为了检验创新投入强度和技术进步的中介效应，需要建立联立的回归模型，如式（15）-（17）所示：

tej，t=c·co2j，t+β1·co2_sqj，t+β2·∑Xj，t+εj，t（15）

Mj，t=a·co2j，t+β1·co2_sqj，t+β2·∑Xj，t+μj，t（16）

tej，t=c′·co2j，t+b·Mj，t+β1·co2_sqj，t+β2·∑Xj，t+γj，t（17）

其中，Mj，t 为中介指标，包括创新投入强度、资本市场扭曲度、管理能力和技术进步。（1）创新投入强度（trqd）用R&D经费内部支出占技术市场成交额的比重表示。（2）资本市场扭曲度（dist）借鉴白俊红和卞元超（2016）的方法，用资本边际产出与一年期贷款利率的比值表示。按照要素市场扭曲度的含义解释，其值越接近于1，代表扭曲程度越低，因此，我们将白俊红和卞元超（2016）[28]中的公式稍作改动为：dist=abs（abs（distk）-1），其中，distk 为实际测算出的资本市场扭曲度，dist 为其偏离1的程度，该值越小，代表资本配置越合理。（3）管理能力（manage）用规模以上工业企业的工业总产值与管理费用支出的比值表示。由于规模以上工业企业的工业总产值缺少2016年的数据，因此，我们用主营业务收入加期末库存再减去期初库存来代替。（4）技术进步（techch）用数据包络分析（DEA）方法分解而得。其余变量的解释与上文各模型中一致。公式中系数c用于识别环境规制强度对地区创新效率的净效应;公式中系数a用于识别环境规制强度对两个中介指标的影响;公式中系数b用于分离两个中介指标对地区创新效率的影响，系数a与b的乘积即为中介效应，用以识别环境规制强度影响地区创新效率的传导机制，系数 c′ 为剔除中介效应后，环境规制强度对地区创新效率的直接效应或剩余效应。具体的检验结果见表9。

根据表9中第1、2列可以发现，环境规制对研发投入强度、实质性创新效率的影响均呈U型非线性关系，根据计算其转折点的临界值分别为5.65、5.66，非常接近，可以理解为在环境规制强度较低时，创新投入的减少会抑制实质性创新效率，而当环境规制强度超过5.65或5.66这一临界值时，又会通过创新投入的增加促进实质性创新效率，根据Sobel检验计算出中介效应为0.0034。如表9中第3、4列所示，环境规制促进了技术进步，技术进步能够在环境规制强度较低时缓解其对实质性创新效率的抑制作用，根据计算约有86.36%的观测点处于环境规制抑制实质性创新效率的阶段，因此，技术进步缓解对实质性创新效率抑制作用的中介效应为-0.0017。如表第5、6列所示，环境规制降低了资本市场的扭曲度，资本要素的配置趋于合理，说明资源的优化再配置也能够在环境规制强度较低时缓解其对实质性创新效率的抑制作用，根据计算约有96.67%的观测点处于环境规制抑制实质性创新效率的阶段，因此，资源的优化再配置缓解对实质性创新效率抑制作用的中介效应为-0.0017。根据表9中7-12列所示，环境规制对策略性创新效率的影响与对实质性创新效率的影响是一致的，创新投入强度、技术进步、资本市场扭曲度的中介效应分别为0.0023、-0.0009、-0.0010，此处不再赘述。此外，管理能力的中介效应没有通过Sobel检验，可能是因为企业管理能力的提升是一个自上而下的复杂体系，环境规制政策难以在短时间内产生较为明显的促进作用。

（二）交乘项系数检验法结果分析

进一步地，分别在模型1中依次加入创新投入强度、技术进步、资本市场扭曲度及其与环境规制的交乘项，利用交乘项系数检验法再次识别环境规制影响地区创新效率的中介效应，表10汇报了实证结果。

根据表10第1、3列，环境规制抑制了实质性创新效率的提升，而环境规制与创新投入强度、技术进步交乘项的估计系数均显著为正，说明创新投入的减少会增强环境规制对实质性创新效率的抑制作用，技术进步能够缓解缓解环境规制对实质性创新的抑制作用。根据表10第2、4、6列，环境规制与策略性创新效率之间呈现U型非线性关系，环境规制与创新投入强度、技术进步、资本市场扭曲度的交乘项系数分别为显著为正、不显著、显著为负，说明增加创新投入、减少要素扭曲度能够缓解环境规制政策影响策略性创新效率的负效应、增强环境规制政策的正效应，而技术进步的中介作用不显著。由于在模型中加入管理能力与环境规制的交乘项之后，核心解释变量与该交乘项的估计系数均不显著，故此处不再汇报其结果。

通过逐步回归分析和交乘项系数检验两种方法对环境规制影响地区创新效率作用机制的检验可以发现，环境规制政策会挤占创新投入资金、促进技术进步、降低资本市场的扭曲度，并通过这三种途径影响地区的创新效率。

六、进一步分析

根据上文的分析，一定强度的环境规制政策不仅能够控制污染排放量，还能够提升当地的创新效率。但是，环境规制强度较高也可能会引起污染企业向环境成本较低的临近省份转移[29-30]，从而引发不同程度的跨界污染[31-32]，违背了制定环境规制政策的原有初衷。那么，本地环境规制政策的实施是否会影响邻省的环境状况，导致“污染天堂”的产生？又是否会对邻省的创新效率产生影响？需要我们进一步构建如下空间杜宾模型进行验证：

te_szjt=α+β0co2jt+β1co2_sqjt+β2∑Xjt+γ0wco2jt+γ1wco2_sqjt+γ2w∑Xjt+εjt （18）

te_cljt=α+β0co2jt+β1co2_sqjt+β2∑Xjt+γ0wco2jt+γ1wco2_sqjt+γ2w∑Xjt+εjt （19）

其中，w 为地理距离空间权重矩阵。其余变量均与模型4和模型5相同。表11汇报了空间计量分析结果。根据表11可以发现：（1）环境规制对当地的实质性创新效率和策略性创新效率均表现出先抑制后促进的U型非线性关系，进一步验证了上文的基本结论。（2）环境规制对相邻省份实质性创新效率的影响呈现倒U型的非线性关系，即本地环境规制强度的过高会引起当地污染企业向环境规制强度较低的邻边省份转移，由于成本的降低将缓解研发投入的资金压力，从而促进邻边省份的实质性创新效率。但从长期看，随着邻边省份环境规制强度的增加，当地的污染企业可能继续转移，将出现“逐底竞争”的现象。（3）环境规制对邻边省份策略性创新效率不存在空间联动效应。这可能是由于环境规制给当地企业所带来的是长期的影响，仅仅依靠向邻边省份转移不能解决长期的成本压力，要想突破资源和环境瓶颈，必须进行有针对性、高質量的创新，而不是简单追求创新的数量和速度。

七、结论与政策建议

本文以2006-2016年30个省份和直辖市为研究对象，将2011年的《关于开展碳排放权交易试点工作的通知》作为一项准自然实验，通过DID方法构建环境规制指标的工具变量，在充分考虑内生性问题的基础上分析环境规制对地区创新效率的影响。研究结果发现：（1）环境规制与实质性创新效率、策略性创新效率之间均呈现U型的非线性关系，即随着环境规制强度的增加，环境规制对两种创新效率产生先抑制后促进的作用，经过计算分别约有88.79%和90.61%的观测点处于环境规制会抑制地区创新效率的阶段，其中环境规制对实质性创新效率的抑制作用更加明显。在经过GPSM检验之后结果依然稳健。（2）异质性分析的分析结果表明，东部地区相较于西部地区而言，其环境规制产生转折作用的门槛值更高。此外，提升人力资本水平、提高对外开放度、增强融资能力、加强政府干预能够缓解环境规制的负面影响。（3）作用机制分析发现，创新投入强度、资本要素配置优化、技术进步是环境规制影响地区创新效率的主要途径。其中，环境规制通过“资金挤占效应”抑制地区创新效率的提升，而通过“配置优化效应”和“技术进步效应”促进地区创新效率的提升。（4）进一步地分析发现，环境规制不仅对当地的实质性创新效率产生先抑制后促进的影响，还对邻近省份的实质性创新效率产生先促进后抑制的联动效应。说明当地企业可能会因为高强度的环境规制选择向较低环境规制强度的邻近省份转移。

在当前中国面临环境保护和经济增长的双重压力下，提升创新效率、实现转型发展无疑是一个很好的选择。但在制定和实施环境规制政策时要充分考虑不同地理位置、不同地区特征省份的特殊情况，进行差异化引导。根据本文结论：第一，在东部地区给予更高的环境规制强度的同时给予相应的政策激励，倒逼当地企业加强技术创新，从而实现转型发展。第二，重视人力资本的培育、增强政府补贴支出、完善当地融资环境、积极利用外资的先进技术将有利于缓解环境规制的负面影响。第三，为了防止高环境规制强度省份的污染企业邻近转移，应提高该类企业的转移成本，同时加强经济带、城市圈之间的协同发展，充分发挥经济带、城市圈地区环境规制的联动作用。第四，以高质量创新为导向，增加政府对实质性创新成果的支持与鼓励，从而加快实现产业的转型升级。

参考文献：

[1] Hahn R. W.， R. L. Axtell.Reevaluating the Relationship Between Transferable Property Rights and Command-and-Control Regulation[J].Journal of Regulator Economics，1995，8（2）： 125-148.

[2] 谭飞燕，刘辉煌. 国际碳交易机制下中国低碳投资风险探讨[J].浙江工商大学学报，2011（2）：45-50.

[3] Pizer， W. A.， Popp， D.Endogenizing technological change： Matching empirical evidence to modeling needs[J].Energy Economics，2008，30（6）： 2754-2770.

[4] Jaffe， A. B.， Palmer， K. Environmental regulation and innovation： a panel data study[J]. The Review of Economics and Statistics，1997，79（4）： 610-619.

[5] Rogge， K. S.，Schleich， J.， Haussmann， P.， et al. The role of the regulatory framework for innovation activities： The EU ETS and the German paper industry[J]. International Journal of Technology， Policy and Management，2011，11（3-4）： 250-273.

[6] 張中元，赵国庆. FDI、环境规制与技术进步-基于中国省级数据的实证分析[J].数量经济技术经济研究，2012（4）.

[7] 赵红.环境规制对中国产业技术创新的影响[J].经济管理，2007（21）.

[8] Schleich， J.， Betz， R. Incentives for energy efficiency and innovation in the European emission trading system. Proceedings of the 2005 ECEEE summer study： What works and who delivers， 2005：1495-1506.

[9] 张成，陆旸，郭路，等.环境规制强度和生产技术进步[J].经济研究，2011（2）.

[10]王国印，王动. 波特假说、环境规制与企业技术创新-对中东部地区的比较分析[J].中国软科学，2011（1）.

[11]曾义，冯展斌，张茜.地理位置、环境规制与企业创新转型[J].财经研究，2016（9）.

[12]余东华，胡亚男. 环境规制趋紧阻碍中国制造业创新能力提升吗？——基于“波特假说”的再检验[J].产业经济研究，2016（2）.

[13]李勃昕，韩先锋，宋文飞. 环境规制是否影响了中国工业R&D创新效率[J].科学学研究，2013（7）.

[14]Calel， R.， Dechezlepretre， A. 2016. “Environmental policy and directed technological change： Evidence from the European carbon market.” Review of Economics and Statistics， 98（1）： 173-191.

[15]韩超，张伟广，冯展斌. 环境规制如何“去”资源错配——基于中国首次约束性污染控制的分析[J].中国工业经济，2017（4）.

[16]杜威剑，李梦洁.环境规制对企业产品创新的非线性影响[J].科学学研究，2016（3）.

[17]戴魁早，刘友金. 要素市场扭曲如何影响创新绩效[J].世界经济，2016（11）.

[18]Lu，Y.， Tao，Z. Zhu，L. Identifying FDI Spillovers[J].Journal of International Economics，2017，107： 75-90.

[19]黎文靖，郑曼妮. 实质性创新还是策略性创新？-宏观产业政策对微观企业创新的影响[J].经济研究，2016（4）.

[20]沈能，刘凤朝.高强度的环境规制真能促进技术创新吗？——基于“波特假说”的再检验[J].中国软科学，2012（4）.

[21]杜立民.  我国二氧化碳排放的影响因素：基于省级面板数据的研究[J].南方经济，2010（11）.

[22]范剑勇，石灵云. 产业外部性、企业竞争环境与劳动生产率[J].管理世界，2009（8）.

[23]Imbens G W. The Role of the Propensity Score in Estimating Dose-Response Functions[J].Biometrika，2000，87（3）：706-710.

[24]Hirano K，Imbens G W. The Propensity Score with Continuous Treatments.  Applied Bayesian Modeling and Causal Inference from Incomplete Data Perspectives，2004：73-84.

[25]Wagner J. Unobserved Firm Heterogeneity and the Size-Exports Nexus： Evidence from German Panel Data[J].Review of World Economics，2003，139（1）： 161-172.

[26]Papke L E， Wooldridge J M. Econometric Methods for Fractional Response Variables withan Application to 401（K） Plan Participation Rates[J].Journal of Applied Econometrics， 1996，11（6）： 619-632.

[27]Gourieroux C， Monfort A， Trognon A. Pseudo Maximum Likelihood Methods： Theory[J].Econometrica，1984，52（3）： 681-700.

[28]白俊红，卞元超.要素市场扭曲与中国创新生产的效率损失[J].中国工业经济，2016（11）.

[29]沈坤荣，金刚，方娴. 环境规制引起了污染就近转移吗？[J].经济研究，2017（5）.

[30]Wu， H.， H. Guo， B. Zhang， M. Bu. Westward Movement of New Polluting Firms in China： Pollution Reduction Mandates and Location Choice[J].Journal of Comparative Economics，.2017，45（1）： 19-138.

[31]List， J. A.， W. W. Mc Hone， and D. L.Millimet. Effects of Air Quality Regulation on the Destination Choice of Relocating Plants[J].Oxford Economic Papers， 2003，55（4）： 657-678.

[32]黄策，王雯，刘蓉.中国地区间跨界污染治理的两阶段多边补偿机制研究[J].中国人口资源与环境，2017（3）.

Environmental Regulation and Regional Innovation Efficiency：Quasi-natural

Experimental Evidence based on Carbon Emission Trading Pilot

YANG Lu-xin1，2，LIU Yu-cheng3，4

（1.Department of International Trade and Economics， Hongshan College， Nanjing University of

Finance and Economics， Nanjing 210003，China;2. Institute of International Economics， University of

International Business and Economics， Beijing 100029，China;3. School of Management Engineering，

Capital University of Economics and Trade， Beijing 100070，China;4. National Economic Management

Experimental Center of Nanjing University of Finance and Economics， Nanjing 210023， China）

Abstract：This paper took the “Notice on Piloting Carbon Emissions Trading” issued by the National Development and Reform Commission in 2011 as a quasi-natural experiment. Based on the method of instrumental variables， the paper more scientifically verified the relationship between environmental regulation and regional innovation efficiency. Research found that there is a U-shaped nonlinear relationship between environmental regulation and substantive innovation efficiency， environmental regulation and strategic innovation efficiency. And about 88.79% and 90.61% of the observation points are in the stage of environmental regulation will inhibit the regional innovation efficiency.The results of the heterogeneity analysis show that the threshold of environmental regulation intensity in the developed eastern regions is relatively high. Improving the level of human capital， improving the degree of openness， enhancing financing capacity， and strengthening government intervention can alleviate the negative impact of environmental regulation. The analysis of the mechanism of action found that the intensity of innovation investment， optimization of capital factor allocation， and technological progress are the main ways for environmental regulation to influence innovation efficiency in regions. In addition， environmental regulation not only has the effect of first suppressing and promoting the local substantive innovation efficiency， but also has the synergistic effect of promoting and suppressing the substantial innovation efficiency of neighboring provinces，reflecting the influence of regional environmental  regulation intensity difference.

Key words：environmental regulation;substantial innovation efficiency;strategic innovation efficiency;difference in differences

（责任编辑：李江）

收稿日期：2020-07-07

作者简介：杨露鑫（1986-），女，天津人，南京財经大学红山学院国际经贸系讲师，对外经济贸易大学国际经济研究院博士研究生，研究方向：对外贸易与区域经济发展;刘玉成（1980-），本文通讯作者，男，江苏镇江人，首都经济贸易大学管理工程学院博士研究生，南京财经大学国家级经管实验中心讲师，研究方向：管理科学与信息技术。

基金项目：江苏高校哲学社会科学研究项目，项目编号：2017SJB2122。