数字经济发展与高端制造业绿色创新效率——基于空间溢出与门槛效应实证检验

□ 张大为 黄秀丽 罗永华

（广东石油化工学院 经济管理学院，广东 茂名 525000）

一、引 言

作为吸附就业主阵地及社会经济基本盘的战略性新兴产业，高端制造业是推动经济高质量发展的关键支撑，主要涵盖传统产业转型升级、战略性新兴产业发展所重点依赖的高技术附加值装备、先进基础设施等内容[1]。在“碳达峰、碳中和”目标任务下，如何高质量提振高端制造业绿色发展水平成为国家关注焦点。2021 年12 月，工信部印发《“十四五”工业绿色发展规划》，强调到2025 年，要实现绿色低碳技术装备广泛应用，全面提升绿色制造水平。党的二十大报告指出，“实施产业基础再造工程和重大技术装备攻关工程，支持专精特新企业发展，推动制造业高端化、智能化、绿色化发展”。一系列政策的出台，为高端制造业绿色发展提供了坚实的政策保障。但现阶段，我国高端制造业绿色发展仍存在明显短板，即部分领域关键核心技术“卡脖子”问题较突出。而坚持将科技创新、自立自强作为国家发展战略支撑，发挥好新型举国体制的制度优势，有利于化解关键领域核心技术难题，推动我国高端制造业绿色创新发展。此过程中，作为国民经济创新驱动的关键力量，数字经济将数字化的知识和信息转化为生产要素，培育出新产业新业态，为高端制造业绿色创新发展提供了可能性路径。综合来看，明确数字经济发展对高端制造业绿色创新水平的影响机制，成为恰逢其时的学术思考。

二、文献回顾

数字经济时代下，数字技术快速发展增强产业联动效应，推动制造业向高质量发展。高端制造业作为制造业高级发展形态，其绿色创新效率会受数字经济影响。有关数字经济与制造业绿色创新发展的影响研究，主要从制造业绿色创新效率测度、影响因素，以及数字经济对制造业发展的影响角度展开。在制造业绿色创新效率测度方面，学术界主要采用超效率EBM 模型、Malmquist指数模型等方法进行研究。张峰等[2]研究发现，全国先进制造业绿色技术创新效率总体仍偏低，在空间形成“三大梯度”分布格局，且具备“都市联动效应”。黄万华与王梦迪[3]实证指出，长江经济带制造业绿色技术创新效率虽整体稳步提升，但总体效率仍较低。田泽等[4]研究认为，长三角区域先进制造业绿色技术创新效率整体稳步提升，且存在“西南高-东北低”分布特征。

关于制造业绿色创新效率的影响因素研究，诸多学者从环境规制、创新能力、组织角度、技术迁移等角度展开深入讨论。Rubashkina 等[5]研究指出，污染治理成本对制造业绿色技术创新效率的作用整体上呈“U”型关系。Matsuhashi 等[6]认为，创新投入对制造业绿色创新效率的正向冲击效应较弱。吴建祖和华欣意[7]通过实证研究指出，高管团队在环境保护议题和解决方案上分配的注意力越多，对制造业绿色创新战略的正向作用越强，越有利于提升制造业绿色创新效率。靳毓等[8]实证指出，数字化转型可通过缓解融资约束、弱化代理冲突等方式实现技术迁移，由此提升制造业绿色创新效率。周淑贞和邓群钊[9]实证结果表明，国内技术转移显著提升了高技术制造业绿色创新效率。

就数字经济对制造业发展的影响方面，李治国和王杰[10]认为数字经济发展有利于促进制造业生产率提升、优化数据要素配置双重功能，并显著提升城市、企业制造业生产率。韦庄禹[11]研究表明，城市数字经济发展对制造业企业资源配置效率具有显著促进作用，且这一作用在中西部地区表现更明显。黄赜琳等[12]指出，数字经济对国有企业、工业机器人投入强度较高行业、互联网用户规模较大地区的制造业企业具有更强驱动作用。梁小甜和文宗瑜[13]经实证分析指出，数字经济与制造业高质量发展之间呈非线性动态影响，二者关系呈正向边际效率递增规律，且具有突出的空间异质性。与此同时，也有学者认为，数字经济可能为传统经济带来“数字鸿沟”问题[14]，从而降低传统制造业要素资源流转速度，制约制造业快速发展。

纵览已有理论发现，目前关于数字经济与制造业发展间关系的成果颇丰，但仍存在较大提升空间：关于高端制造业发展水平及区域间高端制造业空间效应的研究较为少见；经济效率在测评经济质量方面具备一定的普适性，已获得学界普遍认同[15]，而学者少有从绿色创新效率角度去衡量高端制造业绿色创新程度，也未能将数字经济与高端制造业绿色创新效率纳入统一研究框架，探讨二者间的空间非均衡性效应。鉴于此，在探索高端制造业绿色创新效率及其空间相关性基础上，引入数字经济发展这一变量，并从空间溢出效应与门槛效应角度出发，阐释数字经济发展水平对高端制造业绿色创新效率的影响，为突破高端制造业非均衡发展提供一定的经验证据。

三、理论机制

数字经济发展可通过市场调节效应与技术支持效应对高端制造绿色创新效率产生重要影响。一方面，数字经济可发挥市场调节作用，提升高端制造业绿色创新的信息透明度，解决信息不对称问题。数字技术变革激发企业间良性竞争[16]，促使高端制造业企业通过优化经营模式、组织架构、研发生产等环节，提升绿色创新效率。另一方面，数字经济可通过大数据、云计算等数字技术，为高端制造业提供技术支持。高端制造业借助大数据分析技术展开多方位分析，能够获得提高绿色创新效率的方案。另外，凭借数字经济发展的多方面优势特征，高端制造业进一步破解本领域关键核心技术，加速创新成果转化的同时提升绿色创新效率。伴随数字经济快速发展，高端制造业突破时空限制，与各行各业进一步融合[17]，全面拓展绿色创新边界。此外，数字经济发展可加速高端制造业绿色生产要素在地区之间流动，实现知识快速传播及绿色创新知识迁移，形成空间溢出效应。对此，提出理论假设1：

H1：数字经济发展有助于提升高端制造业绿色创新效率，且存在一定空间溢出效应。

近年来，数字技术应用广度、深度均大幅提升带来的创新溢出效果较为突出。这导致数字经济发展对高端制造业绿色创新效率的影响呈现动态变化，二者之间可能存在非线性特征。数字经济发展初期，各项数字技术尚未成熟，难以为高端制造业绿色创新提供动能[18]，不利于提高企业绿色创新效率。在具体数字技术应用层面，高端制造业绿色化、数字化转型仍然面临“不能转、不敢转、不会转”等数字技术与应用之间的非协同性问题，不利于高端制造业绿色创新效率提升。数字经济进入发展高峰期，高端制造业企业可通过增加数字技术应用深度与广度，加快电力、交通、物流等传统基础设施数字化改造[19]，继而提高整体产业绿色创新效率。另外，当数字经济发展带来的各项红利产生短暂丰厚盈利现象时，高端制造业企业会降低绿色创新意愿，选择保守发展策略，不利于提升高端制造业绿色创新效率。综上，提出理论假设2：

H2：数字经济发展对高端制造业绿色创新效率具有门槛效应，即不同程度的数字经济发展水平对高端制造业绿色创新效率影响存在异质性。

四、研究设计

（一）研究方法与模型构建

1.超效率SBM 模型

借鉴现有研究成果[20]，本文利用超效率SBM 模型测度高端制造业绿色技术创新效率，具体公式如下：

式中，高端制造业绿色创新效率值以inn指代，其投入数量、期望产出数量、非期望产出数量分别以n、m、i衡量。t时刻生产单元k个节点（k= 1,2, … ,K）的投入、期望产出、非期望产出的值各自以、、表征。生产单元µi每个投入产出值的权重分别以、代表。公式中的松弛变量，各自以、、指代，这三个变量递减也会使目标函数χ值随之降低。特别是，如inn= 1，此时生产单元k具备完全的绿色创新效率；若inn＜1，表示生产单元k的绿色创新效率值降低。另外，kh)in∈R(j=1,2,…,n;l=1,2,…,Lh k;t=1,2, …,T)表示第k个节点中间产品的链接变量；Z∈R(j=1,2, …,n;l= 1,2,…,Lh k;t=1,2,…,T-1)表示相邻两个时期第j个决策单元第k个节点的结转变量；Lk指代第k个节点结转变量数量；ngoodk为期望的链接数。

2.莫兰指数

莫兰指数（Moran'sI）一般用于空间探索性分析及空间自相关检验的实证过程，可分为全局莫兰指数与局部莫兰指数。其中，全局莫兰指数用于衡量数据在整体系统内的分布特征；局部莫兰指数用于阐释系统内各组成部分的分布特征方法。

全局莫兰指数计算公式：

局部莫兰指数计算公式为：

式中，空间权重矩阵用W表示，省份数量为n，单位i的观测值是x。根据传统研究方案，将Moran'sI的最终取值范围设置为[-1，1]。

3.空间权重矩阵

为全面拟合各地之间高端制造业绿色创新效率，文章引入地理距离矩阵与经济距离矩阵。具体测度方法如下：

上述公式中，地理距离矩阵（W1 ）采用地理距离平方的倒数表示，地理距离则以省会中心城市之间球面距离表征（D）；经济距离矩阵（W2 ）以各省份间人均GDP 倒数表征。

4.空间计量模型

鉴于高端制造业绿色创新要素具有地区流动性与区域关联性，在综合考虑空间关联性因素基础上，采用空间杜宾模型（SDM）考察数字经济对高端制造业绿色创新效率的空间溢出效应。具体模型设定如下：

其中，α、β、θ、µ指代各变量待估参数；inni,t、Winni,t分别表示i省份t年的高端制造业绿色创新效率及其空间滞后项；系数ρ反映空间相关性；digi,t、Wdigi,t分别指代数字经济发展水平及其空间滞后项；Xi,t、WXi,t分别表示控制变量及其空间滞后项；W 表示空间权重矩阵，包括地理距离矩阵与经济距离矩阵；ζt、γi、εi,t分别为地区、年份固定效应与随机扰动项。

5.门槛检验模型

为检验数字经济发展对高端制造业绿色创新效率影响的非线性特征，借鉴Hansen[21]经验做法，构建初始门槛面板回归模型如下：

式中，µi为个体效应，α1与α2为待估参数值；dig是解释变量及门槛变量，表征数字经济发展水平；I(· )为示性函数；门槛值以χ表征，赋值1 表示满足门槛条件，赋值0 则相反，其他变量含义同上。考虑公式（7）仅考虑一个门槛值情形，实际上数字经济发展对高端制造业绿色创新效率的影响可能存在多重性，将公式（7）拓展至多重门槛形式：

（二）变量界定、数据来源及描述性统计

1.变量界定

被解释变量：高端制造业绿色创新效率（inn）。作为工业化发展的高级阶段，高端制造业是一类具有高技术含量、高附加值、高战略价值及经营效益良好的产业，既需要大量人力、资本、能源等方面投入来加快高端产品与服务的研发，亦需要通过产出绩效实现研发成果商业化运作提升经济效益。可知，高端制造业绿色创新效率与传统制造业绿色创新效率指标并无较大差异。因而，参照既有经验[22]设立高端制造业绿色创新效率指标：（1）投入指标：研发阶段以人力投入（用R&D 人员全时当量衡量）、能源投入（用能源消耗总量表征）来测度；转化阶段以技术改造费用来衡量。（2）产出指标：研发阶段以专利授权量作为衡量期望产出指标；转化阶段选取各地工业污水排放量、废气、固体废弃物作为非期望产出构成指标。同时，高端制造业绿色创新涉及从研发到推广的多个阶段，上一阶段获得成果也会影响下一阶段的开发效果，即体现为链接过程与结转过程，故建立如下两个变量：（1）链接变量：因新产品研发主要涉及市场调研、技术研发与产品设计、商业化运作等阶段，是研发阶段产出成果与转化阶段投入内容的重要链接工具，因此以新产品开发项目作为链接指标；（2）以R&D 经费内部支出存量为结转变量。

核心解释变量：数字经济发展（dig）。以数字经济发展指数衡量数字经济发展，不仅需要选取可靠的具体指标，而且应对其赋予相关指标权重。首先，按照现有研究成果[23]，从“数字产业化”与“产业数字化”两个维度，构建数字经济发展的评价指标体系（见表1）。数字产业化是数字经济的基础部分，产业数字化是数字经济的高级表现形式，分别对应为8 个子指标、9 个子指标。其次，对各指标进行标准化处理以消除量纲差异，之后对各指标进行横向加权求和获得具体指数。无量纲化处理方案为：，其中yφij为无量纲化结果，x ijφ表示第φ年高端制造业i产业第j个指标，maxxj与minxj分别表示第j个指标下的最大值与最小值。最后，利用熵值法确定每个指标的权重，具体方法为：（1）确定第j个指标下yijφ所占比重ijφω（设年份跨度为d，高端制造业产业数量为n）：；（2）计算第j个指标的熵值；（3）计算第j个指标的差异性系数：dj= 1-ej；（4）确定指标权重（设指标数量为m）：（5）基于标准化指标yijφ及确定指标权重jφ，测得数字经济发展指数dig：。具体指标权重见表1。

表1 数字经济发展水平指标测算体系

控制变量：参考已有研究经验[24，25]，选择如下控制变量：（1）经济发展水平（pgdp）：以地区人均生产总值衡量；（2）城镇化水平（czh）：以城镇人口占总人口比重表征；（3）人口规模（rkg）：以人口密度代表；（4）外商投资环境（fdi）：以实际利用外商投资额占地区生产总值的比例作为代理变量；（5）市场竞争程度（sjc）：采用行业集中率（行业内最大的前5 家企业主营业务收入占全行业主营业务收入比例）表示；（6）环境规制水平（hjg）：以采用污染物排放量指代；（7）产业结构（cyg）：以第三产业占GDP比重表征；（8）对外开放水平（open）：选取各地进出口额占GDP 总量比例表征，并按照当期人民币兑美元平均汇率将进出口总额单位转化为人民币。

2.数据来源及描述性统计

由于我国香港、澳门、台湾地区的数据统计口径与大陆地区有所差异，且西藏自治区数据缺失严重、统计难度过大，本研究选取除以上4 个地区外的其他30 个省份2012—2020 年高端制造业面板数据，实证分析数字经济发展对高端制造业创新效率的影响效应。在高端制造业行业选取方面，根据现行标准明确高端制造业具体领域1根据国民经济行业分类标准（GB/T 4754-2017），高端制造业包含医药制造业，智能设备制造业，轨道交通装备行业（铁路、船舶、航空航天）和其他运输设备制造业，计算机、通信和其他电子设备制造业，仪器仪表制造业5 个一级行业，18 个二级行业。，同时借鉴王辉等[26]关于高端制造业划分标准2该学者对海淀区高端制造业的划分标准是：具有高水平的创新活跃度、较强创新能力与高水准的竞争力；良好经济效益和持续增长能力；具有战略价值，是国家制造业体系不可缺少的组成部分。，遵循数据可得性及研究适用性，选取医药制造业、轨道交通装备业、智能制造装备业，以及计算机、通信和其他电子设备制造业、仪器仪表业作为本研究的考察对象。进一步基于创新指标（研发投入强度、PCT 专利、国际/国家/行业标准）、效益指标（人均营收、利润率、人均税收）、战略性指标（专精特新企业、工信部单项冠军企业或产品）三大维度，确定适合研究样本。文中数据源自OECD 的TiVA 数据库、《中国海关进出口贸易数据库》《中国统计年鉴》《中国海关统计年鉴》。此外，针对各年鉴中部分数据缺失问题，采用替代指标和数据的方式进行补充。

经过筛选，各变量统计特征如表2 所示。

表2 变量特征

五、实证结果

（一）高端制造业绿色创新效率评价及其空间相关性

1.评价结果

为明确高端制造业绿色创新效率的空间差异，结合《中国统计年鉴》划分标准，按照高端制造业所属地区，将研究样本划分为东部、中部与西部三大区域。在此基础上，采用高端制造业绿色创新效率的投入产出指标，借助MAXDEA软件测算全国及三大地区（东部、中部与西部）高端制造业绿色创新效率（见图1）。研究期间，全国高端制造业绿色创新效率呈稳步上升态势，数值从0.073 升至0.113；“东部-中部-西部”地区的高端制造业绿色创新效率依次降低，其中东部地区DMU 有效单元最多且部分年份要高于全国层面，代表东部地区高端制造业绿色创新效率较高。

图1 中国高端制造业绿色创新效率变化情况

2.空间相关性分析

为明确高端制造业绿色创新效率空间关联特征，采用统计学工具Statal5.1 对高端制造业绿色创新效率全局莫兰指数进行计算（见表3）。研究发现，2012—2020 年，全局莫兰指数得分值位于[0.459，0.547]，并且P 值、Z 值均通过1%显著性水平检验。可知，样本期内各省份高端制造业绿色创新效率具有明显空间正相关性。进一步分析发现，高端制造业绿色创新效率的高值区、低值区均相邻，说明高端制造业绿色创新活动具备明显的空间依赖性和集聚特征。可能原因在于，相邻省份之间商业交流互动较为频繁且合作程度较高，有力增强了高端制造业绿色创新活动的关联性。值得注意的是，全局莫兰指数无法全方位反映各省与周边地区高端制造业绿色创新效率的空间变化特征，因此还需通过局部莫兰指数进行分析。

进一步利用莫兰指数公式（3）及空间权重的公式（4）、（5），描绘地理权重、经济权重两种权重下高端制造业绿色创新效率的莫兰散点图（见图2）3限于篇幅，仅绘制2020 年结果。。可知，高端制造业绿色创新效率在两种权重下的局部莫兰指数分别为0.457 和0.545，且多数省份位于第一象限与第三象限，从而证明高端制造业绿色创新效率具有显著空间相关性。

图2 2020 年高端制造业绿色创新效率的局部莫兰指数散点图

（二）空间溢出效应结果

1.基准回归分析

在探索数字经济对高端制造业绿色创新效率的空间溢出效应时，可通过LR 检验及Hausman 检验两种方法选择适用的空间面板模型。LR 检验发现，在1% 显著性水平下，统计量结果拒绝原假设，表明SDM 模型难以退化为SAR 模型与SEM 模型，只可选择SDM 模型。经Hausman 检验可知，在1% 显著性水平下，统计量结果仍然否定原有假设，即支持固定效应模型。综上，以固定效应模型、空间杜宾模型（地理距离、经济距离）探讨空间溢出关系。进一步以偏微分法，从直接效应、间接效应与总效应三个角度，明晰数字经济对高端制造业绿色创新效率的空间溢出效应（见表4）。

表4 数字经济发展对高端制造业绿色创新效率的空间溢出分解结果

研究发现：第一，数字经济发展指数的估计系数显著为正，意味着数字经济发展有利于提升高端制造业绿色创新效率，且存在正向的空间相关性。其中，数字经济发展的固定效应模型估计值为0.079，大于地理距离矩阵模型估计值0.069 和经济距离矩阵模型估计值0.067。这说明若不考虑高端制造业绿色创新效率的空间相关性，可能会高估数字经济发展的作用。与此同时，在空间权重矩阵下，空间滞后项显著为正，表明数字经济发展具有明显的空间溢出效应。原因可能是，伴随要素流动、产业结构优化升级，数字经济发展带来的知识传播效应在提升本地区高端制造业绿色创新效率同时，亦将先进经验、技术、资源传播到邻近地区，促使邻近地区高端制造业绿色创新效率得以提升。第二，空间效应分解结果表明，无论是地理距离矩阵抑或是经济距离矩阵，数字经济发展指数的直接效应、间接效应均显著为正，即数字经济发展指数每提升一个单位，本地区高端制造业绿色创新效率将分别变动0.063 和0.062 个单位。因此，地理距离矩阵下的空间溢出效应（0.263）大于经济距离矩阵（0.074），说明数字经济发展在地理距离上存在较强空间相关性，即地理距离强化了数字经济发展的空间溢出效应。

2.稳健性检验

为确保基准回归结果的可靠性，需要进一步的稳健性检验：（1）替换核心解释变量对比研究前后的结果是否存在较大差异，是判断研究结论稳健性的重要方法。故以财新智库提出的数字经济指数（包含数字经济产业、数字经济融合、数字经济溢出及数字经济基础设施四部分）代替“数字经济发展指数”，再次进行回归分析；（2）异常值的存在也可能导致研究结果存在较大偏误，因此对各变量进行1%的双向截尾与双向缩尾处理，以判断研究结果的稳健性；（3）通过替换研究方法，即采用最小二乘法对原模型进行重新回归。通过上述方案检验发现，更换核心解释变量、对所有变量进行截尾和缩尾处理、更改回归方法的结果与基准回归结果一致，表明数字经济对高端制造业绿色创新效率的空间溢出效应仍然显著，基准回归结果具有稳健性。

（三）面板门槛效应结果

1.门槛变量检验

为探究数字经济发展对高端制造业绿色创新效率的非线性关系，利用Stata15.0 软件对面板门槛模型进行处理，并通过似然比统计量构造门槛值的置信区间。而后分别对全国、东部、中部、西部地区进行门槛检验（见表5）。研究发现，全国、东部、西部地区为单重门槛效应，门槛值分别是18.134、22.061、14.036；中部地区为双重门槛效应，门槛值分别为15.0522 和17.174。

表5 全国及三大地区门槛值检验结果

2.门槛回归结果分析

将数字经济发展水平作为门槛变量进行门槛面板回归分析（见表6）。全国层面，数字经济发展水平与高端制造业绿色创新效率之间整体上呈正向线性关系。当数字经济发展水平低于18.1364 时，数字经济发展与高端制造业绿色创新效率之间的回归系数为0.263；当数字经济发展水平处于高阶门槛阶段时，二者回归系数增加到0.468，存在更明显推动作用。

表6 门槛模型参数估计结果

东部作为技术资源、经济条件较为发达地区，数字经济发展始终能够提升高端制造业绿色创新效率。具体来讲，在数字经济发展水平小于22.061 时，东部地区在低阶段区间的正向影响不显著，而当数字经济发展水平大于或等于22.061 时，回归系数为0.179 且通过1%显著性水平检验。这说明东部地区数字经济发展对提升高端制造业绿色创新效率进入更高阶段。

中部地区方面，数字经济发展与高端制造业绿色创新效率二者关系呈“N”型关系。当数字经济发展水平处于低门槛阶段时，二者回归系数为0.024，即数字经济发展对高端制造业绿色创新效率的影响为正向促进作用；当数字经济发展水平位于[15.052，17.174）之间时，二者回归系数为-0.001 接近于0 且通过1%的显著性水平检验，但并未通过高门槛值（17.174）的显著性检验。可知当前阶段，中部地区数字经济发展水平对高端制造业绿色创新效率的负向影响逐步降低，趋向于进入抵消效应与补偿效应对等阶段。

西部地区方面，数字经济发展水平对高端制造业绿色创新效率影响的门槛效应呈现“U”型关系。这说明在不同发展阶段，随着数字经济发展水平持续提升，其对高端制造业绿色创新效率的影响是先负向抑制、后正向促进的关系。具体来讲，当数字经济发展水平低于14.036 时，数字经济发展不仅无法对高端制造业绿色创新效率产生补偿作用，反而起到阻碍作用；高门槛阶段下，这一现象开始发生转变，二者关系呈现正相关关系。但是，由于西部地区多数省份数字经济发展水平仍然较低，数字经济发展对高端制造业绿色创新效率的影响仍然处于“U”型左端。

六、主要结论与政策启示

基于2012—2020 年中国30 个省份高端制造业面板数据，采用超效率SBM 模型测度高端制造业绿色创新效率及其空间关联性，并借助空间杜宾与门槛面板模型检验数字经济发展对高端制造业绿色创新效率的空间溢出效应和门槛效应。研究发现：（1）高端制造业绿色创新效率整体呈上升趋势但具有区域异质性。区域方面，东、中和西三大地区的高端制造业绿色创新效率依次递减；省域层面，各省高端制造业绿色创新效率存在空间正相关性，局部空间差异较小。（2）数字经济发展对高端制造业绿色创新效率的影响存在正向空间溢出效应。（3）数字经济发展对不同地区高端制造业绿色创新效率的影响具有异质性门槛效应，全国层面和东部地区为线性上升的单重门槛效应；中部地区为正接近于补偿效应与抵消效应平衡阶段的双重门槛效应；西部地区为单重门槛效应，且仍处于负向影响阶段。

依据以上研究结论，提出如下对策建议：第一，构筑新旧动能转换增值路径，提升高端制造业绿色创新效率。目前，高端制造业绿色创新效率逐步提升，但仍存在区域异质性。因此，政府应尽快出台积极政策，以“科创+”为导向，构建由高新区、新材料科技城、产业科创基地等新型研发机构组成的科创体系，提升高端制造业绿色创新效率。高端制造业企业应以生产线改造为突破口，运用新工艺、新技术、新装备，从源头降低能源消耗，削减碳排放和污染物排放，构建高端制造业绿色创新体系，提升绿色创新效率。第二，发挥数字经济赋能示范效应，促进地区间高端制造业绿色创新协同发展。研究发现，数字经济发展对高端制造业绿色创新效率具有显著正向空间溢出效应。因此，各地政府应加快高端制造业数字化转型，以市场为导向创建产业数字化示范园地，借此发挥数字经济示范效应，推动各地区高端制造业绿色创新协同发展，提高绿色创新效率。第三，实施差异化驱动发展策略，提升不同地区高端制造业绿色创新发展水平。研究表明，三大地区高端制造业绿色创新效率的数字经济发展门槛效应有所差异，东部为线性上升效应、中部趋于平衡，而西部地区仍然为负向影响。因此，东部地区需释放数字经济及高端制造业绿色创新发展红利，为中西部地区提供高端人才、优质技术资源，提高整体绿色创新效率。中西部地区需适当放宽融资管制并营造良好融资环境，为提高绿色创新效率提升构建融资场景。