两阶段视角下工业企业绿色技术创新效率研究——基于W-SBM-DEA模型分析

胡习习， 石薛桥

（中北大学经济与管理学院，太原 030051）

2021年4月22日，习近平总书记发表题为《共同构建人与自然生命共同体》重要讲话，做出“中国将力争2030 年前实现碳达峰、2060 年前实现碳中和，实现从碳达峰到碳中和的时间，远远短于发达国家所用的时间”的承诺. 思想为行动先导，此承诺再次坚定中国以生态文明思想为指导，贯彻新发展理念，坚持走生态优先、绿色低碳的发展道路. 作为最大的二氧化碳排放国且在2030年排放达峰承诺的约束下，中国应在最大范围的绿色技术领域寻求对碳排放的抑制效应，并通过发展低碳经济提升绿色技术自主创新能力［1］.

绿色技术创新发展作为“绿色发展”与“创新驱动”两大发展理念的交汇点，是在追求生态环境优化和高质量发展总目标下实现环境发展的必然选择. 以生态理念为指导的绿色技术创新被引入到产业转型升级过程中，并借助绿色技术创新实现生态、经济和创新系统良性协调发展.

1 文献回顾

绿色发展是实现可持续发展的重要措施. 随着环境态势的下滑逐渐得到更多关注，绿色技术创新随之成为国内外学者研究的热点话题. 国内学者对绿色技术创新效率的测算主要采用DEA相关模型、经济模型和随机前沿分析. 钱丽等［2］采用DEA模型测度2003—2010年绿色科技研发、成果转化效率及地区间技术差距. 殷宝庆［3］以中国制造业为研究对象，构建环境管制影响技术创新的经济学模型，分析了垂直专业化和环境管制对技术创新效率的影响. 赵路等［4］以及张辽和黄蕾琼［5］运用网络SBM-DEA模型，测算中国工业绿色技术创新效率并考察不同地区在面对不同类型的环境管制选择时所表现出的地区差异. 张在旭和黄卓琳［6］采用Super-SBM模型测量绿色技术创新效率，并利用ML指数对其进行动态分析，最后通过空间滞后模型分析了影响绿色技术创新效率的关键因素. 肖黎明和吉荟茹［7］利用SBM-DEA超效率模型从总体和区域特征等多角度刻画创新效率，并利用Tobit回归模型对绿色技术创新效率的影响因素进行了分析.

随着研究的深入，更多学者基于分阶段视角测算效率值. 孙丝雨和安增龙［8］在两阶段视角下首先利用网络EBM模型对我国各地区工业企业绿色技术创新效率进行评价，该模型最大限度地保留前沿投影值的原始比例信息. 陈建丽等［9］基于两阶段视角分别运用尺度-报酬可变网络模型和窗口分类法，对中国高技术产业不同行业在各年份技术创新效率的行业差异和变化趋势进行了研究，并用面板模型检验了技术创新效率的影响因素. 文容等［10］提出一种两阶段非合作博弈的绿色创新效率评价方法，该方法能有效地解决具有主从博弈子系统的绿色创新效率评价问题. 肖仁桥和丁娟［11］从价值链的角度，运用超效率DEA模型对2005—2014年中国30个省市工业企业绿色创新的整体与分阶段效率进行了测量，并用空间面板模型检验了其空间溢出效应.

国外学者对绿色技术创新效率测算的研究同样成果丰硕. Tyteca［12］提出考虑非期望产出的SBM模型，以同时测度期望产出的增加与非期望产出的减少，已成为评价环境效率的必要方法. Fried等［13］提出了一种基于数据包络分析（DEA）的将环境影响和统计噪声纳入生产者绩效评价的新方法，这项技术包括三个阶段的分析，重点不是放在径向效率分数上作为衡量生产者绩效的适当指标. Tavana等［14］基于径向效率测度的网络DEA模型应用于供应链绩效评价问题，提出了同时考虑径向和非径向输入输出的基于Epsilon的效率测度DEA模型. Lozano［15］提出了一种方向距离方法来处理网络DEA问题，在该问题中，过程不仅可以产生期望的最终输出，而且可以产生不期望的输出. Sexton和Lewis［16］展示了如何使用数据包络分析（DEA）对分两个阶段生产的决策单元进行建模. 此模型区分了第一阶段和第二阶段的低效率.

由以上综述可看出，大部分学者未注重从双维度视角出发考察绿色技术创新效率. 鉴于此，本文在梳理国内外相关文献基础上，采用MAXDEA8.0软件基于两阶段视角运用非期望产出W-SBM-DEA 模型双维度测算出我国工业企业绿色技术创新效率，并运用Tobit模型深入分析绿色技术创新效率的影响因素. 与已有相关文献相比，本文的创新点在于创新性地运用非期望产出W-SBM-DEA 模型，解决了中国工业企业不同时期的效率比较问题，满足了横、纵向比较的需求，能够更好地体现工业企业绿色技术创新效率的真实性.

2 研究设计

2.1 数据来源

以我国30个省（自治区、直辖市）2009—2018年规模以上工业企业面板数据为样本，其数据主要来源于《中国统计年鉴》《中国环境统计年鉴》《中国科技统计年鉴》《中国工业统计年鉴》，部分数据来自各省份地区资料. 其中，缺失数据以均值插补法进行完善补充.

2.2 指标选取

2.2.1 绿色技术创新效率评价指标

绿色技术研发阶段投入指标选取了R&D人员折合全时当量与R&D经费内部支出，产出指标为新产品开发项目数和选择专利申请数. 借鉴单豪杰［17］的方法，利用永续盘存法计算R&D资本存量来代替R&D经费内部支出. 特别注意的是，计算R&D资本存量前先对R&D经费内部支出构建R&D价格指数进行平减，借鉴朱平芳和徐伟民R&D平减方法［18］，具体处理方法如下：

式中：x∗为名义统计指标；x称为实际统计指标；PR 为测算的R&D 价格指数（以2009 年为基期PR=1）.PR 由消费物价指数和固定资产投资价格指数加权得到. 借鉴李向东、李南和白俊红权重设定方法［19］，将消费价格指数PL的权重为54%，固定资产投资价格指数PI的权重为46%. 即R&D经费价格指数=0.46×固定资产价格指数+0.54×居民消费价格指数.

在假定滞后期为1年的情况下，当期资本存量表达式为：

式中：Kt为当期资本存量；Et-1为R&D支出现值，参考大多数文献的做法，δ为折旧率（δ=15%），Kt-1为基期资本存量. 其计算表达式为：

式中：K0为初期资本存量，E0为初期实际R&D经费支出，g为考察期内实际R&D经费支出的平均增长率.

绿色技术研发阶段产出指标亦作为下一阶段的投入指标. 中间投入指标包含有效发明专利数、新产品开发经费、技术引进转化经费（包括消化吸收经费、技术引进经费、技术改造经费购买和国内技术经费）以及企业平均用工人数，产出指标选取期望指标新产品销售收入与非期望指标环境污染指数. 计算指标具体包括业固体废弃物排放量、工业废水排放量与工业二氧化硫排放量. 由于工业固体废弃物产生量、工业废水排放量、工业二氧化硫排放量均为负向指标. 本文借鉴田时中和涂欣培求熵值权重的方法［20］，将指标进行非负化处理，将标准化后的数据整体向右平移0.01个单位，即rij=rij+0.01. 负向指标标准化处理公式如下：

式中：r′ij为标准值，xij为第i年第j项指标的初始数值，m为年数，n为评价指标数.

计算指标熵值和效用值

计算指标的权重

计算样本的综合指数（即环境污染指数）

2.2.2 影响因素指标

由于数据可获得性以及借鉴原有文献对绿色技术创新效率影响因素的研究分析，本文最终选取以下6个因素作为绿色技术创新效率的影响因素：对外开放程度（DO），以实际利用外商直接投资表示. 教育重视程度（ED），选取不同地区政府部门对教育经费投入额表示. 产业结构（IS），以第三产值增加值占GDP比重表示. 经济发展水平（ELD），以人均GDP表示. 市场竞争程度（DMC），以工业企业个数来表示. 环境规制强度（IER），以环境污染治理投资总额占GDP比重表示.

3 模型构建

3.1 链式网络SBM-DEA模型

最简单形式的网络DEA模型是由Sexton和Lewis 提出的两阶段DEA模型［16］. 在网络DEA模型的形式中，将决策单元分解成多个子过程，每个子过程都有相应输入输出变量，或有一些中间变量，这些中间变量起承上启下作用，将各个子过程按照过程的顺序进行排列，使上一个子过程的输出变量与下一个过程的输出变量相关联，并通过相关中间变量，将各个子过程与决策单元紧密联系起来. 假设决策单元DMUj(j=1,2,…,n)共分为k(k=1,2)个子过程.

在技术研发阶段即子过程1的投入为Xj=(xj1,xj2,…,xjM1)T，子过程1的产出即中间链接变量Zj=(zj1,zj2,…,zjt)T，在技术转化阶段即子过程2的外生中间投入Fj=(fj1,fj2,…,fjM2)T，最终产出为Yj=(yj1,yj2,…,yjr)T.则技术研发阶段生产可能集为：

则技术转化阶段的生产可能集为：

因此，基于可变规模报酬（VRS）假设下，规模以上工业企业绿色技术创新过程投入导向网络SBM模型为：

Klopp［21］在其DEA 窗口分析法中，将不同时期的决策单元DMU 视为不同区间进行考虑，并通过选择与移动平均相似方法不同的参考集来评价DMU 之间相对效率. 利用视窗模型测量的效率不仅能反映各个DMU之间的差异性，而且能反映各个DMU的效率变化.

3.2 W-DEA评价模型

窗口分析方法（W-DEA）最初是一种在时间序列状态下研究效率变化的强大模型结构. 窗口分析利用移动平均来考察决策单元DMU随时间变动趋势，把每一个DMU的不同时期看作不同区间. 因此，对于某个特定DMU来说，在横向上同该年其他DMU进行比较，而在纵向上，该DMU在不同年份也被当成不同的DMU互相进行对比，达到纵横双向得以充分反映比较. 参考大多数文献做法，本文将窗口宽度设为4. 即令W=4. 则窗口数量为T-W+1=7；受评价决策单元样本数量为N=W×J×(T-W+1). 其中，T为样本期数；J为决策单元DMU 数量. 则第一个窗口工作区包括（2009、2010、2011、2012），第二个窗口工作区包括（2010、2011、2012、2013），并依次类推.

DEA窗口模型具体流程如表1所示，始于W1，测算决策单元在4个时点上的效率值，分别为E11、E12、E13、E14，其中，Eij分别表示在第i(i=1,2,…,7)个窗口的第j(j=1,2,3,4)个时点上的效率值. 然后移至W2，同样测算决策单元在4个时点上的效率值，分别为E21、E22、E23、E24，依次类推，直至移动到W7. 以T=1～4 为例，经过DEA窗口分析法测算的平均效率值分别为E11、(E12+E21)/2、(E13+E22+E31)/3、(E14+E23+E32E41) . 以北京市为例，基于非期望产出SBM-DEA模型的技术转化效率窗口模型分析结果如表1所示.

表1 北京市技术转化效率在时期T=10以内的DEA窗口分析（W=4）Tab.1 DEA window analysis of Beijing in period T=10（W=4）

3.3 Tobit回归模型

为进一步探究绿色技术创新效率的影响因素及其影响程度，须对各省域各时期效率值与影响因素指标进行回归分析. 由于网络SBM-DEA模型计算出的效率值处于0与1之间，采用OLS对整个面板数据进行回归时，其非线性扰动项将被纳入扰动项中，导致估计值不一致. 因此，运用Tobit回归模型进行分析. 该模型的具体形式如下：

式中：yit为截断因变量；β为相关变量的回归系数；xit为解释变量，扰动项为εit∼N(0,σ2) .

3.4 影响因素计量模型

绿色技术创新效率影响因素计量模型如下：

式中：GTIE 代表绿色技术创新效率；C 为常数项；DO 表示对外开放程度；ED 指代教育重视程度；IS 代表产业结构；ELD 表示经济发展水平；DMC 指代市场竞争程度；IER 表示环境规制强度；β1、β2、β3、β4、β5、β6分别表示各影响因素的回归系数；μi为随机误差项；εit代表扰动项.

4 实证结果分析

4.1 两阶段效率变动趋势分析

本文运用MAX-DEA8.0软件测算2009—2018年中国工业企业在各个窗口下的技术研发效率以及技术转化效率，窗口宽度选择4. 为了考察两阶段效率动态态势，在Windows模型分析结果基础上计算出各效率值的均值，效率动态趋势如图1所示.

图1 两阶段绿色技术创新效率变化趋势（2009—2018）Fig.1 Change trend of green technology innovation efficiency in two stages（2009—2018）

由图1可知，近10年来中国工业企业绿色技术研发效率与转化效率整体看来呈平稳态势. 其中，绿色技术转化效率一直显著高于技术研发效率. 技术转化效率处于平稳态势，技术研发效率则呈现先减后增趋势. 但整体上较平稳. 技术转化效率处于0.856～0.962增长区间，技术研发效率最小值为0.494，整体效率均值在0.6左右徘徊.

4.2 绿色技术创新效率省域差异分析

4.2.1 整体变动分析

我国2009—2018年工业企业绿色技术创新效率值具体如表2.

表2 中国工业企业绿色技术创新效率值Tab.2 Green technology innovation efficiency value of Chinese industrial enterprises

结果显示：2009—2018年东部地区绿色技术创新效率均值为0.819，中部地区均值为0.688，西部地区均值为0.788. 东部地区绿色技术创新效率明显高于其他区域.

2009—2018年我国工业企业绿色技术创新效率的均值变动态势如图2所示. 从时间维度上看，2009—2018年我国绿色技术创新效率呈现平稳态势. 东部地区技术创新水平高于其他地区创新水平，我国整体技术创新水平处于中间水平. 然而，中国工业企业绿色技术创新水平仍存在很多短板，需注重经济与环境协同发展，在环保方面加大投入力度，以实现绿色技术创新水平整体提升.

图2 中国工业企业绿色技术创新效率变化趋势（2009—2018）Fig.2 Change trend of green technology innovation efficiency of Chinese industrial enterprises during 2009-2018

“一带一路”推进东部地区的转型升级与对外投资，带动东部地区经济快速发展，绿色技术创新投入力度加大，绿色技术创新效率水平得以提升. 与此同时，使一带一路成为扩大中西部开放、打造中西部经济升级版的主引擎，带动中西部加快改革开放，因此，近年来西部地区绿色技术创新区域差距逐步缩小，逐渐实现西北地区的生态化发展. 我国中部地区的经济发展仍然主要依赖于能源和重化工业，因此中部地区绿色技术创新效率仍有很大的提升空间. 整体上看，中国省域绿色技术创新效率水平向正向发展，且省际绿色技术创新效率水平差异略有缩减.

4.2.2 绿色技术创新效率空间分类特征

本文将各省视为不同决策单元，将其划分至以下四个区间：①当绿色技术创新效率低于0.4，则为低水平相对无效率决策单元. ②当绿色技术创新效率在0.4～0.7 之间，则为相对无效决策单元. ③当绿色技术创新水平位于0.7～0.9 之间，则为相对有效决策单元. ④当绿色技术创新水平在0.9～1.0 之间，则为高水平相对有效的决策单元. 选取研究区间内间隔相等的4 个年份（分别为2009 年、2012 年、2015 年、2018 年）的数据，运用ArcMap10.7软件绘制30个省份于这4年间位于不同绿色技术创新效率等级区间的分布地图（图3）.

图3 中国绿色技术创新效率的空间格局演变特征Fig.3 Spatial pattern evolution characteristics of China’s green technology innovation efficiency

从图3中可看出，工业企业绿色技术创新效率相对有效率以及高水平相对有效率省份大多位于长江经济带沿线与东部沿海地区. 比如山东、江苏、浙江、广东、海南这些省份在2009—2018年间均处于高水平相对有效区间. 四川、重庆、江西等位于长江经济带沿线的省份有效性较高. 而在2018年东北地区的黑龙江从决策单元低水平跃升为高水平相对有效水平. 吉林则从决策单元相对有效率水平跃升至决策单元高水平相对有效率区间. 值得注意的是，西北地区的青海在这时期中始终保持着高水平相对有效水平. 这可能与青海深化科技体制改革，以科技创新赋能青海绿色发展有着正向推动作用. 中部地区各省份一直处于决策单元相对无效与相对有效水平徘徊期. 总之，长江经济带和东部沿海地区各省市绿色技术创新的效率一直处于遥遥领先地位. 基于此，从长远看，东部沿海地区和长江经济带的省市应充分发挥其引领示范作用，带动中部乃至西部、东北部绿色技术创新发展，促进省域绿色技术创新水平协同发展，从而全面多方位地提升我国绿色技术创新能力.

为进一步深化分析省域效率差异性，将30个省份的技术研究开发效率和技术转化效率的平均值分别作为横、纵轴线，得到二维两阶段效率分布，见图4. 从整体上看，我国工业企业绿色技术创新的效率组合模式有四种，而根据散点的实际分布，则只有三种. 这种情况是由于各省区域内的技术转化效率高于技术研究与开发效率.

图4 省域技术研发效率和技术转化效率二维分布图Fig.4 Two dimensional distribution of provincial technology R&D efficiency and technology transformation efficiency

第一类为高研发与转化效率并存的“双优”组合. 如图4所示，例如北京、青海、广东、海南、重庆等省份.此地区大多位于东部沿海地区以及长江经济带沿线，能够将创新成果更好地实现产业化. 因此，这些省域应继续坚持加大科技创新投入，加强创新成果转化，使得其更好发挥带头示范作用.

第二类为低研发效率与高转化效率的“前劣后优”组合，包括河北、吉林、河南、内蒙古、广西. 这些地区技术转化效率高于技术研发效率，由于位于中部或者东北部地区，经济实力欠佳，对外部环境依赖性较强，从而限制其研发效率提升. 因此，应注重合理优化配置资源，提升技术研发效率.

第三类为低研发与低转化效率的“双劣”组合，是低技术研发效率和低技术转化效率，例如黑龙江、云南、甘肃、陕西等地区. 这些省份应完善区域制度环境与文化环境，搭建区域绿色技术创新平台，促进技术研发效率与转化效率协同发展.

4.3 回归结果分析

本文采用Stata15.0软件对各影响因素进行Tobit回归分析，其结果如表3所示. 由表可见，Wald检验与LR检验的卡方统计量对应的P值均为0，表明绿色技术创新效率能够较好地被上述6个解释变量解释.

表3 绿色技术创新效率影响因素Tobit模型估计值Tab.3 Estimated value of Tobit model for influencing factors of green technology innovation efficiency

环境规制强度与绿色技术创新效率呈弱负相关关系. 张倩和曲世友［22］的研究表明在企业之间存在足够的同质性时，绿色技术采纳程度与环境规制政策的严厉性呈“倒U型”关系，过于宽松或者严厉都起到抑制作用. 环境规制强度过高，反而对绿色技术创新效率起到相反作用. 政府应通过对不同环境规制进行优化组合，达到推动绿色创新可持续发展的最佳效果.

市场竞争程度与绿色技术创新效率在1%的水平下呈正相关关系. 表明市场竞争程度的增强使资本配置更加合理. 为了提高产品差异化、树立良好的社会声誉、获得更高的市场份额，会加大绿色创新投入，从而促进绿色技术创新效率提高.

绿色技术创新效率与经济发展水平呈正相关. 经济发展水平的提高对绿色技术创新效率有积极的促进作用. 经济发展水平较高的东部区域为绿色技术创新提供了较好的发展环境，人才以及科技资源等生产要素；更多地技术创新经费支持，从而形成良性循环状态. 经济发展水平较低的西部及中部地区，其外部环境较差，限制绿色技术创新效率提升. 这也得证了绿色技术创新效率测算结果.

产业结构对绿色技术创新具有正向效应，且在1%的水平下具有显著性. 表明我国近十年来产业结构优化升级成效显著，服务业蓬勃发展，污染物排放量大幅度减少，公司及相关部门逐步实现了从资源依赖和经济发展过渡到绿色技术创新发展，我国经济发展质量效益显著提高.

对外开放程度与绿色技术创新效率呈正相关关系. 表明FDI对绿色技术创新效率具有正向作用. 自改革开放以来，我国经济发展国际化程度日益加深，与外资企业逐渐建立亲密关联，外企由于其高效益和优厚待遇，吸引了更多的创新人才，人才流动的溢出效应有利于提高我国绿色技术创新的效率水平.

教育重视程度与绿色技术创新效率呈正相关关系. 政府公共财政教育经费支持对绿色技术创新效率具有积极作用. 近几年来，政府部门对教育经费的支持比例逐年上升，教育经费投入总体上更偏向于高等教育，为绿色技术创新发展培养及输入更多人才资源. 同时，更加注重教育经费投资区域平衡性，确保经济发达地区与相对较为落后地区的教育资源科学合理配置，建立合理教育投资结构，促进区域绿色技术创新协同发展.

5 结论

当前我国工业发展中存在的资源消耗和环境污染等问题日益突出，环境污染等非期望产出成为评价技术创新效率无可忽视的因素，通过构建相关环境污染指数，并将其转化为产出要素，能够科学衡量我国各地区工业企业绿色技术创新效率. 运用非期望产出W-SBM-DEA 分析模型探究了两阶段绿色技术创新效率时间维度差异，最后从空间维度上分析了技术创新效率分布的动态演变过程. 主要研究结论如下：

1）整体来看，在绿色技术创新过程中，区域工业企业的整体效率和两阶段效率存有很大的上升空间. 近十年来，中国工业企业技术创新的总体效率呈现出缓慢而平稳的上升趋势，技术研究与开发的总体效率呈震荡上升趋势. 人才是第一资源，创新是第一动力. 我国工业企业应把握大势、抢占先机，努力创造出更多“从0到1”的原创成果，提升产业创新资源的利用率和整体创新效率，把更多原创成果转化为经济发展动力，更好推动我国经济高质量发展，为“十四五”时期经济社会发展提供强劲支撑.

2）目前，我国绿色技术创新效率总体水平呈现出一种平稳状态，但不可否认的是绿色技术创新的效率水平依然偏低. 就空间分布而言，基本呈现“东高西低”的梯形分布格局，其中东、中西发展不平衡，总体上有较大的提升协调空间. 在正确认识区域差异的基础上，东部地区应充分发挥主导作用，中部和西部地区应引导地方政府和市场进一步重视工业企业的创新能力，完善产学研用合作网络，制定和完善优惠政策，促进两阶段产业发展水平的进一步提升，推动产业迅速发展.