区域创新生态系统对碳减排的影响：基于QCA的组态路径分析

摘要 构建区域创新生态系统已成为实现区域协同创新发展以及碳减排的关键战略。该研究基于资源编排理论，以中国30个省份为案例样本，运用汇总型模糊集定性比较分析模型（fsQCA模型），探讨区域创新生态系统驱动碳减排的协同机制。研究发现：①创新主体（规模以上工业企业、高等学校和研发机构）、创新资源（Ramp;D人员全时当量、Ramp;D经费投入强度）和创新环境（数字金融、实际利用外商直接投资额）都不能单独成为区域创新生态系统促进碳减排的必要条件，而需要各要素的有机配合，即单个要素并不构成高水平碳减排效应的瓶颈。这体现出需要继续激发创新主体活力、投入创新资源、优化创新环境，从而发挥区域创新生态系统在碳减排中的重要作用。②区域创新生态系统高水平碳减排效应存在的5条组态路径可以归纳为3类，即“资源-环境导向型”“混合型”和“环境-主体导向型”。这反映出中国各省份处于不同的发展阶段，其碳减排的驱动机制存在显著差异。③较低规模以上工业企业数、高等学校和研发机构数、Ramp;D经费投入强度会成为制约区域创新生态系统发挥碳减排效应的短板。这显示出有必要进一步培育创新主体、加强资金支持。④在确定的5条有效组态路径中，Ramp;D人员全时当量、数字金融指数和实际利用外商直接投资额仅作为核心条件出现，规模以上工业企业数仅作为辅助条件出现，高等学校和研发机构数、Ramp;D经费投入强度既作为核心条件出现，也作为辅助条件出现。充分说明聚焦核心要素并加强要素整合的必要性。

关键词 资源编排；区域创新；碳减排；组态效应；模糊集；定性比较

中图分类号 X196 文献标志码 A 文章编号 1002-2104（2024）10-0057-09 DOI：10. 12062/cpre. 20240714

中国作为全球最大的发展中国家，碳排放量不断增长，国际能源署（IEA）发布的《2022年全球二氧化碳排放》报告，2022年中国的碳排放总量约为114. 8亿t［1］。因此，中国积极采取多种措施，建立健全区域创新生态系统促进碳减排，《中国应对气候变化的政策与行动2023年度报告》显示，中国2022年的碳排放强度比2005年下降超过51%，减排成效显著［2］。但是，仍然面临着创新不足的问题。区域创新生态系统是指在特定地理区域内，由各种创新主体及其之间的关系与互动组成的复杂网络系统，其核心目的在于通过整合与优化资源，促进区域内的创新活动，同时致力实现低碳发展，从而提升区域竞争力、经济发展水平和环境可持续性。完善区域创新生态系统既是促进绿色技术进步的重要途径［3］，也是促进碳减排的关键措施［3-4］。鉴于此，2021 年10 月，国务院印发了《2030年前碳达峰行动方案》，指出要构建新型举国体制，大力推进绿色低碳科技创新［5］。2023年2月，生态环境部在全国生态环境保护工作会议上的工作报告指出，要稳步开展减污降碳协同创新。面对碳减排压力的逐渐增大，中国不断加快区域创新生态系统建设，推进绿色低碳技术发展，对促进碳减排发挥着越来越重要的作用。那么，如何充分发挥区域创新生态系统的碳减排作用？本研究以2011—2020年的中国30个省份为研究对象，基于“创新主体-创新资源-创新环境”框架，运用汇总型模糊集定性比较分析（fuzzy‑set qualitative comparative analysis，fsQCA）模型探究区域创新生态系统对碳减排的影响。与现有研究主要通过计量经济学方法探讨区域创新生态系统对经济、社会与环境因素的影响相比，本研究利用汇总型fsQCA方法，既保留了案例的特殊性与复杂性，又有效规避了结论的主观性与片面性，为如何通过区域创新生态系统优化促进碳减排提供了可选择的路径。

1 文献综述与研究框架

1. 1 文献综述

随着“双碳”行动的逐步推进，相关领域国内外学者对创新生态系统开展了广泛的研究并得到了一系列有价值的结论。总体来看，既有研究全面探讨了区域创新生态系统的发展历程、提升路径及其多方面影响，为理解和优化区域创新生态系统提供了全面的理论基础和实践指导。

（1）创新生态系统的演变与发展。创新生态系统研究自20世纪90年代末开始兴起，旨在探讨创新活动的复杂性及其在经济发展中的作用。最初，研究集中于理解创新过程中企业间的互动与合作，如波特竞争理论和聚集理论［6-7］。随着时间的推移，学者们逐渐意识到创新生态系统涉及更广泛的参与者，包括研究机构、高等教育机构、初创企业和风险投资者等［8-9］。近年来，随着数字技术的发展，创新生态系统的研究逐渐扩展到了数字领域，如数字创新生态系统和数字化转型生态系统［10-11］；这些研究强调了数字技术对创新生态系统的重要性，以及数字化对传统产业结构和创新活动模式的影响。基于上述研究，越来越多的学者开始关注区域创新生态系统，即在特定地理区域内形成的创新网络和资源配置模式。例如：Huang等［12］从创新投入、创新产出和创新环境3个方面构建了高新区创新生态系统。柳卸林等［13］建立了包含城市创新主体、城市内部创新生态构建、城市间创新生态嵌入3个层级的城市创新生态系统立体化评价指标体系。廖凯诚等［14］从创新生态环境系统（市场环境、制度环境、要素环境、信用环境、文化环境和服务环境）和创新生态主体系统（生产者、消费者和分解者）出发构建了区域创新生态系统。栗志慧等［15］从创新主体、创新环境、创新资源和创新绩效等4个方面构建了数字化背景下的区域创新生态系统。陈强等［16］从创新生产者、创新消费者、创新分解者和创新环境等4个方面构建了区域创新生态系统评价指标体系。既有研究的共同点在于都强调了创新生态系统的复杂性以及不同创新生态要素间的相互作用。差异在于：传统创新生态系统研究更注重整体性的创新网络，探讨不同组织和机构如何协同创新；区域创新生态系统研究则更关注地理区域内特定的创新模式，强调地区资源和环境对创新活动的影响，以及如何利用地方资源优势提升区域创新能力。

（2）创新生态系统的提升路径。相关研究表明：区域创新生态系统能级提升具有“多重并发因果关系”［17］。具体来看，产业联盟创新生态系统有价值主张引领、核心创新平台辐射和多样性关系嵌入3条升级路径［18］。高技术产业创新生态系统效率有流程优化式、机制完善式和双边突破式3种提升路径［19］。国家高新区绿色创新生态系统能级有绿色创新主体辐射带动型、绿色创新资源优势引领型、绿色创新主体-绿色创新资源-绿色创新环境协同驱动型3种驱动路径［20］。数智情境下存在资本-数字平台主导型、人才-资本-数字平台主导型、人才-资本主导型等3条驱动创新生态系统高能级运行的组态［21］。

（3）创新生态系统对经济、社会与环境因素的影响。从影响效应看，创新生态系统对创新合作、颠覆式创新、可持续商业模式、创新绩效、碳减排等具有显著的促进作用［3-4，22-25］；从驱动路径看，创新生态系统引致高人才竞争力有商业投资驱动型、电子政务主导型和研发驱动型3种组态路径［26］。区域数字创新生态系统引致高创新绩效主要有主体驱动型、平台-主体-环境驱动型、环境驱动型和环境-主体驱动型4种组态路径［27］。区域绿色创新生态系统引致高绿色创新能力主要有政府支持下的主体双轮驱动型、金融环境缺失下的技术主体弥补型、环境规制下的产学研促进型3种驱动模式［28］。

综上所述，相关领域学者深入探析了创新生态系统的演变与发展、创新生态系统的提升路径，以及创新生态系统的经济、社会与环境效应，为创新生态系统建设与区域经济社会高质量发展提供了有价值的参考。从既有研究看，不管是企业创新生态系统还是区域创新生态系统，都是一系列要素构成的综合体；在该综合体中，要素间相互关联和作用以促进整体的发展并对其他经济社会因素发挥着显著影响。但是，既有研究仍然存在一定的不足：第一，既有研究尚未建立相对统一的区域创新生态系统评价框架与指标体系。第二，在创新生态系统对经济、社会与环境因素的影响中，仅有少数研究从整体视角探究了区域创新生态系统对碳减排等生态环境问题的影响；并且，既有研究未探析区域创新生态系统驱动碳减排时形成的组态路径。

1. 2 研究框架

资源编排理论是指在特定区域内，根据资源的不同特性和需求，对资源进行合理组织与配置的理论框架。该理论涵盖了资源的类型、分布、利用和管理等方面，旨在实现资源的最优配置和利用效益最大化。因此，本研究基于资源编排理论，结合相关领域学者丰富的研究成果与创新生态系统发展实际［12-17］，建立了包括创新主体、创新资源与创新环境的区域创新生态系统理论框架，构建了评价指标体系；并进一步分析了创新生态系统中单要素对碳减排的影响机理。区域创新生态系统对碳减排影响研究的理论框架如图1所示。

（1）创新主体。具体包括规模以上工业企业数、高等学校和研发机构数两个二级条件。二者作为创新的主体，既可以协同促进碳减排，也可以单独发挥作用。两者的协同减排机理主要体现在规模以上工业企业、高等学校和研发机构之间可以通过建立产学研创新合作网络，实现绿色低碳技术的联合攻关和相关人才的联合培养。对规模以上工业企业而言，其独立减排作用主要体现在：第一，规模以上工业企业拥有更大的生产规模和产值，可以为建立完善的环境管理体系、提高能源利用效率等提供充足的资金支持。第二，规模以上工业企业可以通过示范效应促使其他企业效仿，采取类似的减排措施。第三，规模以上工业企业拥有丰富的减排经验，可以产生学习效应。对高等学校和研发机构而言，其独立减排作用主要体现在：第一，高等学校和研发机构可以通过大学教育、科普宣传和倡导低碳生活方式等手段促进社会整体的碳减排。第二，高等学校和研发机构可以通过参与碳交易市场、碳税等相关碳减排政策和法规的制定发挥碳减排作用。根据以上分析可知，规模以上工业企业、高等学校和研发机构都是碳减排的重要主体。

（2）创新资源。具体包括Ramp;D人员全时当量和Ramp;D经费投入强度两个二级条件。二者作为重要的创新资源，对碳减排的促进作用主要体现在：第一，较高的Ramp;D人员全时当量和Ramp;D经费投入强度可以为绿色低碳技术创新提供充分的资源支持。第二，较高的Ramp;D人员全时当量和Ramp;D经费投入强度可以通过改进工业生产过程、设计高效产品、提升能源效率和促进清洁能源开发等手段促进碳减排。第三，较高的Ramp;D人员全时当量和Ramp;D经费投入强度不仅可以为生产经营活动和碳减排政策措施制定提供决策支持，还可以助力碳减排知识和经验的传播。据以上分析可知，Ramp;D人员全时当量和Ramp;D经费投入强度都是支撑碳减排行动的重要资源。

（3）创新环境。具体包括数字金融和实际利用外商直接投资额两个二级条件。数字金融的碳减排作用主要体现在：第一，数字金融平台可以为风能、太阳能等清洁能源项目提供融资渠道并降低融资成本。第二，数字金融技术发展，有利于更好地评估和识别绿色项目、低碳投资机会。第三，数字金融技术可以通过分析能源消耗模式、提供智能的家庭和商业能源管理系统等方式帮助企业和个人优化能源管理，从而减少能源浪费和碳排放。第四，数字金融技术有利于简化碳交易流程，降低交易成本，提高碳市场的透明度和效率，进而充分发挥碳市场的减排作用。实际利用外商直接投资的碳减排作用主要体现在：第一，外商直接投资带来的新技术、新产品、新工艺和管理经验，有利于提高生产经营的能源利用效率，推动绿色低碳转型。第二，外商直接投资企业拥有丰富的能源管理和环境保护经验，可以通过技术更新、工艺改进等手段促进碳减排。第三，外商直接投资企业在清洁能源项目和技术上拥有比较优势，可以通过挖掘市场需求、科技创新、产品营销和商业模式创新等方式为本地企业提供支持，促进当地清洁能源产业发展。第四，外商直接投资企业在环保法规落实和产品绿色低碳化等方面有更高的要求。根据以上分析可知，数字金融和实际利用外商直接投资是促进碳减排的重要环境条件。

2 数据构建与研究方法

2. 1 数据收集

以中国30个省份（未涉及西藏和香港、澳门、台湾）为研究单元，研究期间为2011—2020年。结果变量为碳排放强度，条件变量为规模以上工业企业数、高等学校和研发机构数、Ramp;D人员全时当量、Ramp;D经费投入强度、数字金融指数和实际利用外商直接投资额。其中，碳排放强度数据来自公众环境研究中心；规模以上工业企业数据来自《中国工业统计年鉴》（2012—2021），高等学校和研发机构数、Ramp;D人员全时当量、Ramp;D经费投入强度数据来自《中国科技统计年鉴》（2012—2021），数字金融指数数据来自北京大学数字普惠金融指数报告（2011—2020年），实际利用外商直接投资额数据来自Wind数据库。

2. 2 测量与校准

在进行必要性和充分性分析前，需要对前因条件和结果变量进行校准。然而，目前在省域层面尚缺乏明确的外部标准来定义高和非高创新生态系统、碳排放。但考虑到区域创新生态系统能级和碳排放强度高低均是一个相对指标，因此，根据样本的相对位置、杜运周等［29］和吴琴等［30］的校准标准以及案例的实际情况，确定创新主体、创新资源和创新环境交叉点的校准标准为0. 5分位点，完全不隶属的校准标准为0. 05 分位点，完全隶属的校准标准为0. 95分位点。各条件和结果的校准信息见表1。

2. 3 定性比较分析

定性比较（QCA）是一种以布尔代数和集合分析为基础的组态分析方法［31］。采用以集合论为基础的模糊集定性比较分析（fsQCA）方法的原因主要有：①fsQCA方法有利于揭示规模以上工业企业数、高等学校和研发机构数、Ramp;D人员全时当量、Ramp;D经费投入强度、数字金融水平和实际利用外商直接投资额对碳减排的多重并发影响［32］。②各地区在推进碳减排时主要关注的因素及其对地区决策的影响可能会有所不同［33］。③可能存在多条导向同一结果的“等效”因果链［33］。通过中间解和简约解之间区域创新生态要素集合的分析比较，可以归纳出哪些条件对于碳减排是必要条件或者充分条件；并且，基于区域创新生态要素组合提出对策建议，具有较强的应用价值［33］。

3 数据分析与实证结果

3. 1 单个条件的必要性分析

表2为使用fsQCA 4. 0分析的高水平碳减排效应和非高水平碳减排效应的必要条件检验结果。从表2可以看出，规模以上工业企业数、高等学校和研发机构数、Ramp;D人员全时当量、Ramp;D经费投入强度、数字金融指数和实际利用外商直接投资额的一致性都小于0. 9。因此，不存在影响高水平碳减排效应和非高水平碳减排效应的必要条件。

3. 2 条件组态的充分性分析

Schneider等［34］指出，确定充分性的一致性水平不应低于0. 75。根据具体的研究情景，已有研究采用了不同的一致性阈值，如0. 76、0. 80［35-36］。频数阈值应该根据样本量来确定［34］，对于中小样本，频数阈值为1［35］，对于大样本，频数阈值应大于1。在具体研究中，也要考虑案例在真值表中的分布以及研究者对观察案例的熟悉程度。本研究最终确定的一致性阈值为0. 80，频数阈值为1，最后涵盖65个样本。表3为6个区域创新生态系统条件对碳减排的组态分析结果。表3呈现的5种组态，无论是单个解（组态）还是总体解的一致性均高于可接受的最低标准0. 75。其中，总体解的一致性为0. 909，总体解的覆盖度为0. 626。组态1—组态5的一致性分别为0. 936、0. 946、0. 917、0. 927、0. 939，原始覆盖度分别为0. 335、0. 341、0. 555、0. 272、0. 299，唯一覆盖度分别为0. 007、0. 002、0. 182、0. 007、0. 003。由此可见，组态1—组态5 分别能够解释33. 50%、34. 10%、55. 50%、27. 20% 和29. 90% 的区域创新生态系统碳减排案例。此外，约分别有0. 70%、0. 20%、18. 20%、0. 70%、0. 30%的案例仅能被组态1—组态5所解释。表3中的5种组态可以视为高水平碳减排效应的充分条件组态。

组态1和组态2表明，Ramp;D人员全时当量和数字金融发挥了核心作用，Ramp;D经费投入强度发挥了辅助作用，即拥有较大Ramp;D人员全时当量和较高数字金融水平的省份在Ramp;D经费投入强度的支持下，有利于推进碳减排。组态1包括的样本为2014年的浙江，2015—2018年的天津，2015—2020 年的福建，2018—2020 年的重庆、上海和辽宁；组态2包括的样本为2016年的陕西、2015—2020年的天津和2014—2020年的北京。可能的原因有：第一，浙江于2013年发布了《浙江省“十二五”控制能源消费总量方案》等政策措施，支持通过科技创新促进能源节约和新能源开发。这有利于鼓励企业、科研机构等创新主体在相关领域的积极创新，高效配置人员、资金等创新资源，并优化外商投资、数字金融等创新环境，从而有效促进碳减排。第二，北京、天津、福建、重庆、上海、辽宁和陕西等省份聚集分布有众多的高等院校，并拥有相对发达的科技与金融体系，进而支撑了这些地区的绿色低碳技术创新和碳金融发展。此外，2011年国家发展和改革委员会办公厅发布《关于开展碳排放权交易试点工作的通知》，批准北京、上海、天津、重庆等7个省市开展碳交易试点工作。随着碳交易试点工作的推行，越来越多的企业、高等院校和研发机构不断加强绿色低碳技术创新资金和人员投入，助力实现碳减排目标。第三，辽宁是中国重要的工业基地，拥有丰富的煤炭和钢铁资源，陕西则具有能源资源和农业方面的优势。Ramp;D人员全时当量、数字金融水平和Ramp;D经费投入强度的提高有利于提高当地的资源利用和碳减排效率，并以此为基础推动产业结构的转型升级。由于组态路径1和组态路径2由Ramp;D人员全时当量、Ramp;D经费投入强度和数字金融指数构成，故将其命名为“资源-环境导向型”。

组态3表明，高等学校和研发机构数、Ramp;D人员全时当量、Ramp;D经费投入强度、实际利用外商直接投资额发挥了核心作用，无条件发挥辅助作用，即上述省份可以通过进一步加强高等学校和研发机构建设、Ramp;D人员和资金投入以及外资引进从而促进碳减排。组态3包括的样本为2017—2020 年的北京和广东，2013—2020 年的江苏，2014—2017年的山东。这可能的原因为：第一，北京、广东、江苏和山东等省份拥有较为发达的制造业和服务业，也注重清洁技术和绿色低碳产业发展，这将有利于倒逼工业企业等相关创新主体加强Ramp;D人员和资金投入。第二，上述省份在较为发达的经济体系的支撑下，拥有较强的人力资源和科技实力，能够通过提高能源利用效率、推广清洁能源、优化工业流程等方式促进碳减排。第三，由于上述省份面临较大的环境规制压力，相关政府部门采取能源结构调整、碳市场建设等手段促进碳减排的同时也为区域创新生态系统提供了人员、资金等资源和政策支持。第四，上述省份积极参与国内外合作机制，通过模式创新和经验分享等手段助力碳减排。由于该组态路径由高等学校和研发机构数、Ramp;D人员全时当量、Ramp;D经费投入强度、实际利用外商直接投资额构成，故将其命名为“混合型”。

组态4表明，数字金融指数和实际利用外商直接投资额发挥了核心作用，高等学校和研发机构数发挥了辅助作用，即拥有较高数字金融水平和较大实际利用外商直接投资额的省份，在高等学校和研发机构的支持下，有利于推进碳减排。该组态包括的样本为2017—2018 年的黑龙江，2016—2018年的江西。组态5表明，数字金融指数和实际利用外商直接投资额发挥了核心作用，规模以上工业企业数、高等学校和研发机构数发挥了辅助作用，即拥有较高数字金融水平和较大实际利用外商直接投资额的省份，在规模以上工业企业、高等学校和研发机构的支持下，有利于推进碳减排。该组态包括的样本为2016—2018年的河南和江西。可能的原因为：第一，黑龙江、河南和江西等省份不断加快数字经济和金融科技的发展，可以通过物联网、大数据分析和人工智能等数字技术的应用实现对能源消耗和碳排放的监测、管理与优化，从而有效促进碳减排。第二，上述省份拥有较强的外资引进优势，而外商直接投资往往有较为先进的技术、管理经验和环保标准，能通过自身发展和溢出效应助力地区绿色低碳发展。第三，上述省份拥有较大比重的规模以上工业企业，这些企业是重要的碳排放来源，通过推动此类企业实施节能减排、优化生产工艺和采用清洁能源等措施，能够有效推进地区低碳转型。第四，上述地区高等学校和研发机构数量较少，通过高校和研发机构建设，有利于提高这些地区的绿色低碳技术创新水平，进而助力碳减排。由于组态4和组态5均以数字金融指数、实际利用外商直接投资额为核心条件，组态4以高等学校和研发机构数为辅助条件，组态5以规模以上工业企业数、高等学校和研发机构数为辅助条件，故将其命名为“环境-主体导向型”。

基于资源编排理论和上述分析可知，区域创新生态系统可以通过有机组合进而助力碳减排。具体来看，区域创新生态系统促进碳减排主要有“资源-环境导向型”“混合型”和“环境-主体导向型”3 种组态路径。此外，Ramp;D人员全时当量、数字金融指数和实际利用外商直接投资额仅作为核心条件出现；规模以上工业企业数仅作为辅助条件出现；高等学校和研发机构数、Ramp;D经费投入强度既作为核心条件出现，也作为辅助条件出现。表明较低规模以上工业企业数、高等学校和研发机构数、Ramp;D经费投入强度会成为制约区域创新生态系统发挥碳减排效应的短板。

3. 3 稳健性检验

借鉴既有成果［37-38］，采用调整一致性阈值和频数阈值的方式进行稳健性检验。首先，将一致性阈值从0. 80依次调整为0. 85、0. 90，所得组态与现有组态（表3）完全一致，即为现有组态的子集。其次，将频数阈值从1调整为2，所得组态（表4）为现有组态的子集。由此可见，研究结果是稳健的。

4 结论与对策建议

4. 1 结论

如何优化区域创新生态促进碳减排是绿色低碳发展研究的焦点。基于资源编排理论，以中国30个省份为案例样本，运用汇总型fsQCA模型探讨了区域创新生态系统驱动碳减排的协同机制。研究发现：①创新主体（规模以上工业企业、高等学校和研发机构）、创新资源（Ramp;D人员全时当量、Ramp;D经费投入强度）和创新环境（数字金融、实际利用外商直接投资额）都不能单独成为区域创新生态系统促进碳减排的必要条件，而需要各要素的有机配合，即单个要素并不构成高水平碳减排效应的瓶颈。这体现出需要继续激发创新主体活力、投入创新资源、优化创新环境，从而发挥区域创新生态系统在碳减排中的重要作用。②区域创新生态系统高水平碳减排效应存在的5条组态路径可以归纳为3类；其中，组态1和组态2可以归纳为“资源-环境导向型”，组态3可以归纳为“混合型”，组态4和组态5可以归纳为“环境-主体导向型”。这反映出中国各省份处于不同的发展阶段，其碳减排的驱动机制存在显著差异。③较低规模以上工业企业数、高等学校和研发机构数、Ramp;D经费投入强度会成为制约区域创新生态系统发挥碳减排效应的短板。这显示出有必要进一步培育创新主体、加强资金支持。④在确定的5条有效组态路径中，Ramp;D人员全时当量、数字金融指数和实际利用外商直接投资额仅作为核心条件出现，规模以上工业企业数仅作为辅助条件出现，高等学校和研发机构数、Ramp;D经费投入强度既作为核心条件出现，也作为辅助条件出现。这充分说明聚焦核心要素并加强要素整合的必要性。

4. 2 对策建议

基于上述结论，为充分发挥创新主体、创新资源与创新环境等区域创新生态系统要素的碳减排效应，提出以下对策建议。

（1）各地区应从“整体性”视角出发，加强创新主体、创新资源与创新环境各要素间的协同整合，并结合区域创新生态系统与碳排放现状，充分利用当地资源优势，进而促进碳减排。首先，各地区政府、企业和公民应该共同参与碳减排创新，形成协同作用。具体地，政府应制定明确的碳减排目标，并与企业和公民共同推进碳减排项目的实施；企业应加大对低碳技术和解决方案的研发与应用投资，同时提高能源和资源利用效率，进而降低碳排放；公民则应提高环保意识，采取低碳生活方式，如节约用电等。其次，各地区应充分利用本地资源优势，推动碳减排技术的研发、集成和应用。例如，如果某地区拥有丰富的可再生能源资源，则可以加大可再生能源技术的研发和应用，如太阳能、风能等。同时，各地区应建立健全行业间合作网络，整合创新资源，共同解决碳减排技术中的难题。并且，政府可以通过提供资金支持、税收优惠等激励措施，鼓励企业加大对碳减排技术的研发投入。最后，各地区政府应制定支持碳减排创新的政策，并营造良好的创新环境。一方面，政府可以加强监管，推动企业采取碳减排措施；另一方面，政府可以建立健全创新成果的推广和示范平台，帮助企业将低碳技术转化为商业化产品。此外，政府可以加强与研究机构、高校的合作，促进知识和技术的转化，为碳减排创新提供更好的支持。

（2）Ramp;D人员全时当量、数字金融指数和实际利用外商直接投资额是区域创新生态系统发挥碳减排效应的关键要素。第一，人才是推动创新的核心要素。因此，各地区应制定并实施有效的人才引进政策，包括吸引高层次专业人才、优秀科研人员和创新创业人才等；同时，各地区还应该创造良好的人才生态环境，提供优质的教育和培训资源，激发创新人才的创造力和发展潜力。第二，数字金融是推动区域创新生态系统发挥碳减排效应的重要驱动力，数字金融技术的应用可以提高资源配置效率，减少碳排放。因此，各地区应积极发展数字金融，提供创新的金融产品和服务，支持碳减排相关的项目和企业；此外，还可以通过数字金融促进绿色金融的发展，引导资金流向低碳和环保领域。第三，实际利用外商直接投资是推动区域创新生态系统发挥碳减排效应的重要指标。因此，各地区应积极吸引外商直接投资，并鼓励跨国企业参与绿色低碳产业的发展；同时，各地区应加大对绿色技术研发、绿色创新项目和绿色产业的支持力度，推动传统产业向绿色低碳方向发展，减少污染和碳排放。此外，建立绿色供应链和推动循环经济也是实现碳减排的重要举措。

（3）规模以上工业企业、高等学校和研发机构是创新的主体。首先，各地区应通过设立产业引导基金、专项扶持基金等手段加强政策支持，促进规模以上工业企业的建设和发展。此外，政府还可以通过推动企业间的合作交流，发挥绿色低碳技术创新的联动效应，进而促进产业的整体绿色低碳化发展。其次，不仅要增加规模以上工业企业的数量，还要提高其绿色低碳技术创新能力。一方面，政府可以鼓励企业加大研发投入，培养和引进高科技人才，加强企业内部的技术创新机制和体制建设；另一方面，政府可以通过推动绿色低碳技术的转型升级，加强技术支持和培训，帮助企业将绿色低碳理念融入生产经营过程，促进企业的绿色低碳转型。最后，为增强高等院校和研发机构的绿色低碳技术创新实力，各地区可以采取设立专项科研基金、加大科研项目资金支持力度等措施。政府还可以推动高校、科研机构和企业的产学研合作，加强知识和技术的转移、交流，进而促进科研成果的转化和应用。此外，政府可以鼓励高校进行绿色低碳技术的人才培养，开展相关专业和研究领域的教育培训，为绿色低碳技术创新提供专业人才支持。通过以上措施，可以全面提升高等学校和研发机构的绿色低碳技术创新实力，促进科学研究成果的落地和应用。

4. 3 研究展望

本研究尚存在一定局限，值得未来开展进一步研究。首先，采用的区域创新生态系统驱动碳减排的框架仍有进一步完善的空间。近年来，关于创新驱动碳减排的研究也提供了一些新的分析视角和影响因素，未来的研究可以将其纳入该框架之中或者采用新的分析框架开展研究，如“投入-产出-环境”框架［12］，从而补充和丰富本研究的研究结论，并深化对创新驱动碳减排的理解。其次，本研究旨在通过跨案例的比较来分析区域创新生态系统驱动碳减排背后的复杂互动机制。相比回归分析，虽然定性比较分析能够为研究者进行更加深入的个案内分析提供可能，但是，它仍然不能像深度纵向案例研究那样令人十分满意地回答“为什么”“怎么样”等研究问题。因此，未来的研究需要结合参与观察、深度访谈等方法来解释区域创新生态系统对碳减排的实际影响，深入挖掘区域创新生态系统要素与碳减排之间的动态机制。最后，受限于数据可得性，本研究仅从省级层面出发探析区域创新生态系统对碳减排的影响。未来的研究有必要聚焦特定区域或领域探究创新生态系统如何驱动碳减排，从而为相关政策、措施的制定提供参考。

参考文献

［1］ International Energy Agency. CO2 emissions in 2022［R］. Paris：International Energy Agency，2023.

［2］ 生态环境部. 中国应对气候变化的政策与行动2023年度报告［R］. 北京：生态环境部，2023.

［3］ CAO H M，PENG L N，YAN Z Y，et al. Does perfect regional innovation ecosystem curb carbon emissions： a measure based on the niche fitness［J］. Environmental impact assessment review，2023，102：107219.

［4］ CAO B，MENG F L，LI B J. Spatial effects of innovation ecosystem development on low‑carbon transition［J］. Ecological indicators，2023，157：111277.

［5］ 国务院. 2030年前碳达峰行动方案［R］. 北京：国务院，2021.

［6］ PORTER M E. The competitive advantage of nations［J］. Harvard business review，1990， 68（2）：73-91.

［7］ PORTER M. E. Clusters and the new economics of competition［J］. Harvard Business Review， 1998， 76（6）：77-90.

［8］ BATHELT H， MALMBERG A， MASKELL P. Clusters and knowledge：local buzz， global pipelines and the process of knowledge creation［J］. Progress in human geography， 2004， 28（1）：31-56.

［9］ COOKE P， URANGA M G， ETXEBARRIA G. Regional innovation systems： institutional and organisational dimensions［J］. Research policy， 1997， 26（4-5）： 475-491.

［10］ PUJADAS R， VALDERRAMA E， VENTERS W. The value and structuring role of web APIs in digital innovation ecosystems： the case of the online travel ecosystem［J］. Research policy， 2024， 53（2）： 104931.

［11］ 韩少杰，苏敬勤. 数字化转型企业开放式创新生态系统的构建：理论基础与未来展望［J］. 科学学研究，2023，41（2）：335-347.

［12］ HUANG X J，MA L，LI R，et al. Determinants of innovation ecosystem in underdeveloped areas： take Nanning high‑tech zone in Western China as an example［J］. Journal of open innovation：technology，market，and complexity，2020，6（4）：135.

［13］ 柳卸林，吉晓慧，杨博旭. 城市创新生态系统评价体系构建及应用研究：基于“全创改”试点城市的分析［J］. 科学学与科学技术管理，2022，43（5）：63-84.

［14］ 廖凯诚，张玉臣，杜千卉. 中国区域创新生态系统动态运行效率的区域差异分解及形成机制研究［J］. 科学学与科学技术管理，2022，43（12）：94-116.

［15］ 栗志慧， 刘洁. 数字化背景下京津冀城市群区域创新生态系统评价研究［J］. 中国软科学， 2024（S1）： 191-202.

［16］ 陈强，梁佳慧，敦帅. 创新生态评价研究：指标体系、区域差异和对策建议［J］. 科学管理研究，2023，41（5）：2-11.

［17］ 杨力，刘敦虎，魏奇锋. 共生理论下区域创新生态系统能级提升研究［J］. 科学学研究，2023，41（10）：1897-1909.

［18］ 武建龙，鲍萌萌，陈劲，等. 产业联盟创新生态系统升级路径研究［J］. 科研管理，2022，43（9）：20-31.

［19］ 何郁冰，张思，林婷. 中国高技术产业创新生态系统效率测度及提升路径研究［J］. 系统工程理论与实践，2024，44（2）：546-562.

［20］ 郑玉雯，张青芬. 共生视角下国家高新区绿色创新生态系统能级提升路径研究［J］. 科技进步与对策，2024，41（16）：49-60.

［21］ 李晓娣，饶美仙，原媛. 数智情境下如何提升区域创新生态系统能级［J］. 科学学研究，2024，42（9）：1988-1999.

［22］ 李兆辰，程文银，刘生龙，等. 国家高新区、创新合作与创新质量基于双元创新合作的视角［J］. 科学学与科学技术管理，2024，45（1）：110-124.

［23］ HE Y B，LIN T，ZHANG S. Does complementary technology within an ecosystem affect disruptive innovation： evidence from Chinese electric vehicle listed firms［J］. Technology in society，2023，74：102330.

［24］ LI X，ZHANG L L，CAO J R. Research on the mechanism of sustainable business model innovation driven by the digital platform ecosystem［J］. Journal of engineering and technology management，2023，68：101738.

［25］ 胡宁宁，侯冠宇. 区域创新生态系统如何驱动高技术产业创新绩效：基于30个省份案例的NCA与fsQCA分析［J］. 科技进步与对策，2023，40（10）：100-109.

［26］ HUANG Y J，LI K X，LI P. Innovation ecosystems and national talent competitiveness：a country‑based comparison using fsQCA［J］.Technological forecasting and social change，2023，194：122733.

［27］ 李晓娣，饶美仙. 区域数字创新生态系统发展路径研究：基于fsQCA的组态分析［J］. 管理工程学报，2023，37（6）：20-31.

［28］ 李璐，张怀英. 区域绿色创新能力的驱动模式及其内在机制：基于绿色创新生态系统视角［J］. 改革，2024（4）：93-107.

［29］ 杜运周，贾良定. 组态视角与定性比较分析（QCA）：管理学研究的一条新道路［J］. 管理世界，2017（6）：155-167.

［30］ 吴琴，张骁，王乾，等. 创业导向、战略柔性及国际化程度影响企业绩效的组态分析［J］. 管理学报，2019，16（11）：1632-1639.

［31］ RAGIN C C. Redesigning social inquiry： fuzzy sets and beyond ［M］. Chicago， USA：University of Chicago Press， 2008.

［32］ 王凤彬，江鸿，王璁. 央企集团管控架构的演进：战略决定、制度引致还是路径依赖［J］. 管理世界，2014（12）：92-114.

［33］ 陶克涛，张术丹，赵云辉. 什么决定了政府公共卫生治理绩效：基于QCA 方法的联动效应研究［J］. 管理世界，2021，37（5）：128-138.

［34］ SCHNEIDER C Q，WAGEMANN C. Set‑theoretic methods for the social sciences［M］. Cambridge，UK：Cambridge University Press，2012.

［35］ 张明，陈伟宏，蓝海林. 中国企业“凭什么”完全并购境外高新技术企业：基于94个案例的模糊集定性比较分析（fsQCA）［J］.中国工业经济，2019（4）：117-135.

［36］ 程聪，贾良定. 我国企业跨国并购驱动机制研究：基于清晰集的定性比较分析［J］. 南开管理评论，2016，19（6）：113-121.

［37］ 杜运周，刘秋辰，陈凯薇等. 营商环境生态、全要素生产率与城市高质量发展的多元模式：基于复杂系统观的组态分析［J］. 管理世界，2022，38（9）：127-144.

［38］ 王铭杰，孟凯，张冰逸等. 乡村性视角下乡村旅游吸引力构成路径研究：基于海南26个乡村案例地的模糊集定性比较分析［J］. 人文地理，2023，38（5）：135-145.

（责任编辑：李琪）