APP下载

长江经济带工业企业绿色创新效率的演变规律

2019-11-28彭甲超许荣荣付丽娜许耀东

中国环境科学 2019年11期
关键词:经济带长江效应

彭甲超,许荣荣,付丽娜,易 明*,许耀东

长江经济带工业企业绿色创新效率的演变规律

彭甲超1,许荣荣2,付丽娜3,易 明1*,许耀东1

(1.中国地质大学经济管理学院,湖北 武汉 430074;2.湖北省教育考试院, 湖北 武汉 430074;3.中南民族大学国际教育学院,湖北 武汉 430074)

在考虑非期望产出的前提下,采用超效率非期望两阶段网络DEA法测算2008~2016年长江经济带工业企业绿色创新效率,运用对数平均权重分解法(LMDI)对其影响因素进行分解,并估算各因素的实际贡献份额和区域差异.结果发现:长江经济带整体工业企业绿色创新效率均值为0.2710,即样本期内并未实现DEA有效,呈现出从下游地区向上游地区依次递减的趋势;并且下游与中游、上游地区工业企业之间的平均绿色创新效率水平差距呈现出逐渐扩大趋势,发展态势明显不平衡;整体上自身创新效应对工业企业绿色创新效率影响最大,剩余依次为工业企业消化吸收效应、购买国内技术效应、引进技术效应、技术改造效应和工业污染治理效应;新产品开发经费效应在第一和第二阶段一直处于主导地位;吸收消化经费和购买国内技术经费对工业企业绿色创新效率的正向促进作用明显;吸收消化和购买国内技术经费的增加在两阶段中的表现一致,但第二阶段的效应量下降明显;各因素对工业企业绿色创新效率的贡献差异呈现自东向西的减弱趋势,但中部地区的效应量不高;从时间变化趋势来看,长江经济带平均效应量整体呈现增加的趋势,但在“十二五”期间总效应量则呈现递减趋势.此外,上游和中游地区各因素效应量促进了工业企业绿色创新效率的提升.

长江经济带;绿色创新效率;非期望产出;影响因素;效应分解

长江经济带是横跨我国东中西部的巨型工业经济带、生态文明先行区和创新驱动策源地,提高工业企业绿色创新效率对于长江经济带绿色发展具有重要意义.绿色创新的概念通常与生态创新、环境创新和可持续创新联系在一起,是指以避免或减少环境破坏为目的的“创造性破坏”行为[1].而绿色创新效率是“一定区域或产业,在一定时期内,综合考虑生态和资源环境要素前提下,生产和技术创新过程中各种投入要素的有效利用程度”[2].2016年,长江经济带工业增加值已经达到122684.76亿元,是2008年的2.15倍左右.然而,作为横跨中国东中西部的巨型工业经济带,长江经济带工业大而不强,面临自主创新能力弱、产品档次不高、资源能源利用率低、环境污染较为突出等问题,传统的依靠资源要素投入、规模扩张的粗放发展模式难以为继.与此同时,新一轮科技和产业革命酝酿兴起,“创新”和“绿色”将成为工业竞争力的核心要素.推进长江经济带工业由大变强,既要加大生产和创新投入力度,还要提高资源能源利用效率,着力增加质量效益、创新能力等期望产出,减少生态破坏、环境污染等非期望产出,提高工业特别是大型工业企业的绿色创新效率.

表1 工业企业绿色创新效率测算分析相关文献梳理

注:DEA代表数据包络分析;SFA代表随机前沿分析模型.

国内外学者运用不同的分析视角或方法研究绿色创新的动力、特征、决定因素及其对经济社会系统的影响[13-17],并对工业企业绿色创新效率进行了较为深入的探讨(表1).具体而言,在测算指标方面,有的较为侧重于工业指标,如龚新蜀等[18]选择的投入指标有工业固定资产净值、工业从业人员年平均人数、能源消费量,产出指标则包括工业总产值,二氧化碳排放量,但此类指标并不能有效代表创新的投入产出,更多体现的是工业的投入产出;有的则侧重于创新指标,如钱丽等[19]选择的投入指标有研发人员全时当量和研发经费内部支出,中间产出指标包括专利数和新产品开发数,产出指标则包括了新产品销售收入、主营业务收入、单位工业GDP二氧化碳排放量和“三废”排放量.在处理非期望产出时,大部分将其作为产出变量,但也有学者将其作为投入变量,如张江雪等[11]借鉴Korhonenab[20]的做法,将工业企业能耗和废气排放量作为负产出进行处理.在测算方法方面,主要是基于DEA模型的拓展[21],如投入共享关联DEA模型[6,22]、Super-SBM模型[23-24]、SBM-DEA三阶段[25]、Malmquist- Luenberger指数[26-28]、两阶段DEA[29]和DEA-RAM模型[30]以及网络两阶段DEA[10]等.在影响因素方面,主要关注的有外部环境因素如外商直接投资和行业资金FDI[12]、政府政策[8]、知识产权保护和创新氛围[19]、环保投入[10]以及公司性质和行业竞争[31]等,也有企业自身因素如研发资金和企业规模[3,19]、研发管理[4]、绿色工业治理行为等,评价影响因素的作用效果则主要采用面板计量方法[2,5].

总体而言,现有研究还存在进一步改进的空间,一是现有的DEA方法对最终效率水平的分析存在瑕疵,未能有效区分DEA有效率状态下距离生产前沿面的相对数值,即在有效DEA状态下无法区分各决策单元距离生产前沿面的数值,因而在结果中只能反映决策单元处于DEA有效状态,未能进一步区分个决策单元效率值的DEA有效状态的大小情况,本文则在两阶段网络DEA模型引入超效率分析思路,将非期望产出纳入工业企业绿色创新效率测算指标体系,扩展了余永泽认为DEA两阶段测算的结果在0~1之间变化[30];另外,以钱丽等研究[7,19,22]为代表的两阶段网络共享关联DEA方法更多的分析工业企业的创新效率,本文将工业企业“三废”作为非期望产出纳入效率测算指标体系中,研究长江经济带工业企业绿色创新效率变化特征.二是关于工业企业绿色创新效率影响因素的分析方法有待改进,Tobit模型或者一般回归计算结果的残差并未得到有效分解,也即其估计的影响结果存在偏差,且忽略了企业自身创新过程和环节对绿色创新效率的影响.因此,本文主要创新点包括:①为进一步区分DEA有效状态下各区域距离生产前沿面的数值,本文利用Spuer-efficiency思路处理非期望两阶段网络DEA模型,最终采用有别于共享联动的超效率非期望两阶段网络DEA模型(Spuer-efficiency undesirable outputs two stage network).②充分考虑企业创新环节对绿色创新效率的影响,并采用LMDI方法对影响因素的效应进行分解,测算各影响因素的实际贡献份额.

如何准确测算工业企业绿色创新效率,长江经济带工业企业绿色创新效率(IE)在不同阶段、不同区域具有怎样的时空分异特征?哪些关键因素对其产生了影响以及影响效应如何?这些是本研究所期望解决的关键科学问题.

1 研究模型设计

1.1 研究方法

图1 考虑非期望产出的k阶段生产的工业企业DMU结构

,,分别代表投入、产出和中间产品投入

参照何枫等[13]的观点,假设网络生产可能集满足闭合集、凸集、联合弱可处置性、投入和期望产出的强可处置性以及联合弱可处置性,运用DEA方法将生产规模报酬可变前提下的网络环境技术模型整合为:

DMU使用DEA方法进行技术效率评价时,当存在多于1个的DMU呈现有效状态(IE=1)时,需要进一步鉴别这些有效DMU间的效率大小问题,因此在非期望两阶段网络DEA的基础上加入超效率(SpuerEfficiency)问题,最终形成本文的效率测算方法超效率非期望两阶段网络.

1.1.2 影响因素分解分析方法 在影响因素分解领域,应用较为广泛的为Ang & Liu提出的对数平均迪式指数法分解模型(LMDI)[33].LMDI方法能够通过因素差异测试及时间差异测算,对残差项能够完全分解,其乘法分解法和加法分解法之间具有简明关系,乘法分解法具备加法特性,本文采用LMDI分解模型:

式中:表示长江经济带11省市,j表示时间;IE为工业企业绿色创新效率,IE,j为第省第期的IE值;为经济环境结构,Q,j为第省第期的经济结构;M,j为第省第期的工业污染源治理总量;N,j为第省第期新产品开发经费支出,代表工业企业自身创新条件;I,j为第省第期引进技术经费支出;A,j为消化吸收经费支出;P,j为第省第期的购买国内技术经费支出;E,j表示第省第期的技术改造经费支出水平.

从基期到期,IE增量的“加法分解”和“乘法分解”分别为:

角标为tot的部分表示IE增量,即总效应量;下角标indm, newf, inot, absd,purt, tect分别表示工业污染源治理能力,新产品开发经费支出,引进技术经费(亿元),消化吸收经费,购买国内技术经费支出以及技术改造经费支出变化对IE的影响大小,对应污染治理效应、自身创新效应、引进技术效应、消化吸收效应、国内创新效应及技术改造效应.由于本文研究的时间跨度从2008~2016年,经济制度及经济环境并未发生较大改变,一般在一段时期内不会变动,因此本文假定=1.效应大于0(加法)或1(乘法)表示该效应促进IE的增加,反之亦然.因LMDI为完全分解,故分解公式中无其他残余项.

1.2 变量指标及数据来源

1.2.1 变量指标选取 在绿色创新投入方面,选取的投入变量主要考虑规模以上工业企业的资本和劳动力投入两个维度,包括R&D经费支出和研究与试验发展(R&D)人员全时当量.其中,R&D经费支出包括内部经费和外部经费支出,主要用于衡量企业创新所必需的财力投入,是对创新具有直接的、最为重要的要素;研究与试验发展(R&D)人员全时当量用于表征创新过程中研发人员的重要作用.

在绿色创新产出方面,延续前人研究绿色创新效率的重要变量[34],期望产出的变量指标选取工业企业专利授权数作为衡量绿色创新的中间产出,同时最终产出衡量指标为新产品销售收入及工业企业营业利润.工业企业的非期望产出考虑废气、废水和固体废物三类变量指标[35],不同于范丹等[36]选取的污染物排放熵权综合指数,本文的非期望产出主要包括工业废气排放、工业废水排放、工业COD和危险废物产生量.

影响IE的环境因素变量主要涉及到工业企业创新的各个环节,最终选定新产品开发经费、引进技术经费、消化吸收经费、购买国内技术经费、技术改造经费以及工业污染源治理总额作为影响因素变量.数据主要描述性统计如表2所示.

表2 指标变量的描述性统计

表3 指标相关性分析

注:***<0.01,**<0.05,*<0.1;下三角形单元报告Pearson的相关系数,上三角形单元报告的是Spearman相关系数.

投入与产出变量之间的相关性统计分析如表3所示.投入指标与产出指标存在必然关系,在DEA评价时,胡永宏和路芳认为指标间的完全线性关系不会对DEA评价结果产生影响[37],指标间的高度相关性可能会导致DMU的DEA评价结果存在偏误[38].但也有文献指出,运用DEA模型进行评价时投入和产出变量需要满足同质性条件.刘伟认为投入变量和产出变量的相关系数(Pearson's和Spearman’s)在1%的水平显著正相关即满足DEA要求[39],因此参考已有研究成果认为本文选取的投入和产出相关性符合DEA效率分析要求.

1.2.2 数据来源 除作特殊说明外,相关数据均来源于中国统计年鉴以及各省市统计年鉴,时间窗口为2008~2016年,测算分析软件为MaxDEA7.8.由于工业企业现有统计数据库只涉及到规模以上工业企业相关指标,因此,本文讨论的IE是指规模以上工业企业绿色创新效率.

2 效率测算的实证结果分析

2.1 整体及两阶段IE的地区差异

经测算,样本期内整体IE均值最大值为0.3593,最小值为0.1712.从分省市的结果来看,最大值为0.3825(江苏),最小值为浙江0.1397.其余省市IE均值按照从大到小的顺序依次为上海(0.3696)、安徽(0.3643)、江西(0.3246)、四川(0.3234)、贵州(0.2684)、湖北(0.2345)、云南(0.2245)、湖南(0.1980)、重庆(0.1515).

根据长江经济带上游、中游、下游的地区分布,测算并比较了三个地区工业企业的整体及两阶段绿色创新效率的变化趋势,如表4和图2所示.总体而言,上游、中游、下游地区工业企业的年均整体绿色创新效率值分别为0.2420、0.2803和0.2973,全部工业企业年均整体绿色创新效率值为0.2710,反映了样本期内长江经济带11省市整体IE呈现出从下游地区向上游地区依次递减的趋势.图2(a)的变化应该引起关注的是,上游、中游、下游地区整体IE在2010年出现拐点,之后呈现逐年下降的趋势,随后在2014年略有回升.

横向比较来看,上游、中游、下游地区工业企业的平均整体绿色创新效率之比由2008年的0.202057: 0.180029:0.206538扩大到2016年的0.306001:0.27685: 0.397102.下游地区工业企业与中游、上游地区之间的平均绿色创新效率水平差距呈现出逐渐扩大趋势,三个地区IE具有比较明显的不平衡发展态势.为了更清楚地了解各地区整体IE差异来源,本文进一步将整体IE分解为第一阶段(Stage1)和第二阶段(Stage2),分别见表4和图2.就Stage1而言,上游、中游、下游地区工业企业在样本期内的IE均值分别为0.6163、0.5684和0.6809.就Stage2而言,上游、中游、下游地区IE均值都在2009年和2010年出现拐点,之后中、上游地区工业企业IE在2015年呈现回升趋势,而下游地区IE在2014年后略有回升上升趋势.

表4 2008~2016年长江经济带11省市IE主要描述性统计

2.2 两阶段IE的空间集聚分析

以2008~2016年样本工业企业两阶段绿色创新效率均值(0.65,0.60)为分界点,可得到两阶段IE矩阵图,如图2(d)所示.总体上,将11省市及划分区域分成四大类,主要内容如下:

第一类(ⅠH-H)——工业企业的两阶段IE值均大于均值,即工业企业绿色创新研发效率(Stage1)和商业转化效率(Stage2)均较高.此类型仅包括江苏省,占总数的6.67%.该省的工业企业无论是在生产资源消耗方面还是在工业废气、废物等污染物排放量方面均优于其他省市.江苏省工业企业绿色创新活动第一阶段和第二阶段的效率值均小于1,说明其两阶段均未达到相对有效状态,在资源要素消耗及节能减排管理上尚存较大的提升空间.

第二类(ⅡL-H)——工业企业IE值第一阶段小于均值,第二阶段大于均值,即工业企业绿色创新研发效率低而商业转化效率高.此类型包括上海和江西,这两个省在绿色创新产出阶段的效率值大于绿色创新研发阶段的效率值,单纯从效率值的演变理解,这两个省绿色创新成果转化效率较高.上海在第一阶段效率值低的原因可能在于上海虽然R&D研发经费投入强度高于其他省市,但相较于较高的研发投入,其以专利为代表的中间产出偏低,当然这并不是说上海的专利数量少于其他省市,只是相对于自身的投入而言专利产出偏低.

第三类(Ⅲ L-L)——工业企业的第一阶段和第二阶段IE值均小于均值,即工业企业绿色创新研发效率和商业转化效率均较低.此类型主要包括湖南、云南、湖北以及四川,占总数的30.7692%,说明上述省市的工业企业绿色创新行为均是相对无效,这也表明这些工业企业在资源配置、节能降耗及环境保护方面都还有很大的提升空间,需要向下游江苏等工业企业学习管理经验,进一步引进或研发节能减排技术.

(a),长江经济带2008~2016年整体IE,上游地区IE,中游地区IE和下游地区IE;(b),长江经济带2008~2016年第一阶段IE;(c),长江经济带2008~2016年第二阶段IE;(d),长江经济带11省市工业企业两阶段IE矩阵,横轴为第一阶段IE均值,纵轴为第二阶段IE均值

第四类(ⅣH-L)——工业企业的第一阶段IE值大于均值,第二序阶段小于均值,即工业企业绿色创新研发效率高但商业转化效率低.此类型包括浙江、重庆、贵州和安徽,上述省市对于创新经营行为具备充足经验,但在中间产出转化及管理方面存在不足,因而上述省市需要通过健全技术转移服务体系,弥补绿色创新成果转化的短板.

3 影响因素的实证结果分析

基于新产品开发经费、引进技术、消化吸收、购买国内技术、技术改造和工业污染源治理共6个因素,采用“LMDI分解法”对影响IE的因素进行分解.乘法分解可以直观地反应各因素的贡献比例和变化趋势,加法分解可以分析各因素贡献的绝对量.首先通过乘法分解显示IE影响因素的动态规律,再通过加法分解分析在IE变化中各因素的贡献及不同的区域特征.

3.1 总体分解变化

3.1.1 各影响因素与IE的相关特征 图3给出了依据加法分解所示的6大影响因素的均值贡献特征.结果显示总体上新产品研发经费对IE影响最大,其次为工业企业消化吸收效应和购买国内技术效应,然后为引进技术效应和技术改造效应,工业污染治理效应最低.上述影响因素分解与IE均存在不同的正向或负向影响(图3(a)).

图3 分解效应的各因素描述性统计及其对IE的影响

(a)影响因素分解各因素引进技术()、消化吸收()、购买国内技术()、技术改造()、新产品开发经费()和工业污染源治理()对工业企业绿色创新效率IE的散点图及其线性和非线性拟合R;(b),各个影响因素的箱线图及其正太分布曲线.阴影部分为95%置信区间

具体来说,在影响IE的6大因素中,新产品研发经费因素的波动最大,对IE的影响也最大,且呈正向影响.测算结果表明,新产品研发经费的因素值在0~0.4之间波动,均小于1,但是对IE起明显促进作用(图3(a));其次为消化吸收,但购买国内技术对IE的影响更为集中,并且图3(a)表明消化吸收和购买国内技术对IE有明显的促进作用,其效应量主要集中在-0.3~0.3之间;最后,引进技术、技术改造和工业污染源治理对IE的影响为负(图3(a)),且其效应量的变化数值主要低于0.

图4 两阶段效应量分解均值变化

(a),长江经济带IE总体的各效应分解均值;(b),长江经济带IE第一阶段的各效应分解均值;(c),长江经济带IE第二阶段的各效应分解均值

为进一步探讨各因素、各阶段如何影响IE,首先要分析IE的影响因素在两阶段中的具体表现,找出各个阶段贡献量变化的主要驱动因素.根据LMDI模型各指标公式,计算各指标的贡献量,并绘制各指标贡献量均值的变化图(图4).从长江经济带总体范围来看,在总体及其两阶段变化方面,新产品开发经费效应一直处于主导地位,其中第一阶段2009~2016年的新产品开发经费贡献量最大,第二阶段的新产品开发经费对IE的贡献量有所下降,但仍然占据主导地位.在提升IE的其他效应量变化中,吸收消化经费和购买国内技术经费对IE的正向促进作用明显;同样地,吸收消化和购买国内技术经费的增加在两阶段中的表现一致,但第二阶段的效应量下降明显.

图4也反映了样本期内工业污染源治理、引进技术和技术改造经费的增加并未促进IE.具体表现在:首先,工业污染源治理虽然能够减轻工业企业的环境污染,但对IE的消极作用一直延续贯穿在整体工业企业活动中,第一阶段中的工业污染源治理带来的负向效应明显较第二阶段轻;其次,引进技术的负向效应排名第二;最后为技术改造,虽然技术改造对IE有明显的负向作用,但总体效应较小且第一阶段和第二阶段的变化不明显.

3.1.2 分省贡献变化分析 为更详细探究长江经济带各省份的主要驱动力,运用LMDI计算各指标对2006~2013年IE的贡献度,绘制各省份各指标贡献度平均分布图(图5(a)和图5(b)).

由图5(a)可知,总体效应量变化呈现明显的地域差异,整体呈现下降的省份包括安徽、湖南、云南、湖北、四川以及浙江.其中,下降幅度最大的省市为四川,其次为浙江及安徽,涵盖范围从西部向东部递减.总效应量整体上升的省市包括上海和重庆,上海和重庆作为我国重要的直辖市,其为长江经济带重要的节点城市为工业企业发展的绿色创新提供范例.从2012年十八大提出“重视生态文明、实现绿色创新协调发展”以来,上海和重庆两地的总效应量对IE上升幅度明显高于长江经济带其他地区.近几年,上海和重庆为企业绿色创新推行多种政策措施,为提升IE奠定了基础.总体上看,IE的贡献差异呈现自东向西的减弱趋势,但中部地区的效应量不高,说明在西部开发和中部崛起的战略背景下,还需通过绿色创新解决发展过程中产生的环境问题.同时,从时间变化趋势来看,在样本期内,长江经济带11省市平均的效应量整体呈现增加的趋势,但在“十二五”期间,总效应量则呈现递减趋势.

图5 长江经济带分省市各分解指标总贡献量平均变化趋势

(a) 2009~2016年长江经济带总贡献量变化趋势;(b) 2009~2016年长江经济带总贡献量均值变化

3.2 两阶段效应量变化分析

由图6(a)(b)(c)可知,各因素变化趋势存在不一致,主要表现为第二阶段的各因素的显著波动,除新产品开发经费呈现上升趋势之外,其余各因素均不同程度的波动下降.IE提升主要得益于新产品开发经费,而引进技术-消化吸收-技术改造等还存在改进区间.

图6(d)给出长江经济带11省市各因素效应量的平均变化值,相较而言,各个省市效应量对IE的贡献程度不一.长江上游地区和中游地区各因素效应量对IE的提升有较大帮助,但同时上中游部分省市对IE的“拖累”也存在.

3.3 贡献份额分析

表5的测算结果表明2008~2016年影响长江经济带11省市IE的各个因素存在较大差异,在不同阶段有不同程度的贡献.主要表现在:

第一,位于下游地区的江苏、上海和浙江三省市,其IE不同程度的受到部分影响因素第二阶段的“拖累”,上海和浙江主要受制于第二阶段工业污染源治理2和引进技术经费I贡献份额的降低,技术改造经费E共同影响了江苏和浙江的IE变化,除此以外,第二阶段的消化吸收经费2大幅度降低严重影响江苏的IE变化,同时浙江工业企业第二阶段新产品开发经费对IE的贡献并不高.由此可见,虽然总体上新产品开发经费对IE的驱动占主导地位,但并不是每个省市在每个阶段均是由新产品开发经费主导.

图6 2009~2016年IE影响因素整体及两阶段分解各省贡献量

(a)(b)(c)分别表示整体、第一阶段和第二阶段各影响因素引进技术(12)、消化吸收(12)、购买国内技术(12)、技术改造(12)、新产品开发经费(12)和工业污染源治理(12)分解的变化趋势;(d),总体和各个阶段影响因素的效应量分省分布

表5 长江经济带11省市两阶段IE主要影响因素的贡献份额均值(%)

第二,位于中游地区的安徽、湖北、湖南和江西四省,与上海和浙江相似,工业污染源治理成为影响湖南和湖北IE提升的主要因素,在第二阶段其贡献份额降低约3%.其次,安徽和湖南IE受制于引进技术经费,消化吸收则影响了安徽、湖北和江西三省的IE变化,也即在引进技术和吸收消化方面上述省份存在脱节.购买国内技术则“拖累”了湖南和江西的IE提升.此外,新产品开发经费和技术改造同时影响安徽的IE变化,这也就造成图3(a)安徽2008~2016年整体效应量下降.

第三,位于上游地区的贵州、四川、云南和重庆四省市,工业污染源治理仍然成为上游地区IE降低的主要原因,这就表明在样本期内长江经济带主要地区IE变化受制于工业污染源治理,因此,长江经济带的“共抓大保护,不搞大开发”任重道远.引进技术并未提升贵州和云南两地IE,这可能是由于贵州、云南两地的地理位置偏远,引进技术成本较大.消化吸收和购买国内技术经费共同影响四川、云南和重庆的IE,而技术改造则相反.

3.4 建议

本文研究对象主要是规模以上工业企业,没有考虑规模以下工业企业的特殊性,囿于DEA模型投入产出指标的数量限制,可能忽略了部分指标,因而本文主要对策建议包括:首先,绿色创新是一项系统创新,既要重视工业企业的绿色研发和技术创新,也要推进工业企业建立绿色导向的组织、管理、制度和商业模式;既要重视提高工业企业绿色创新研发阶段的效率,也要重视提高绿色创新成果转化阶段的效率,进一步健全长江经济带绿色技术转移服务体系,完善促进绿色创新成果转化的配套政策.其次,从区域协调的角度出发,应推进长江经济带各省市、上中下游地区工业企业绿色创新协同发展,解决区域绿色创新不平衡不协调的问题,及时总结IE较高省市的先进经验、典型案例并进行宣传推广,探索建立11个省市共同促进工业企业绿色创新的联席会议制度和长效机制.特别是针对湖南、云南、湖北和四川等具有低研发和低商业转化效率特征的省份,应该重点关注工业企业绿色创新效率的整体提升,通过完善工业企业绿色创新发展的顶层设计,从供给侧和需求侧两端入手,在加大绿色创新投入的同时提高绿色创新产出.而对浙江、重庆、贵州和安徽等研发效率高而商业转化效率低的省份,重点则是促进绿色创新链和产业链、资金链的有机衔接,进一步建立完善市场导向的绿色科技成果应用和产业化机制.最后,影响因素的效应分解结果显示,提高工业企业自主创新能力至关重要,因此,需要重点支持和鼓励长江经济带工业企业加大绿色研发投入,发展绿色制造、智能制造和先进制造,推进工业与服务业深度融合.

4 结论

4.1 效率值变化方面,长江经济带整体IE值为0.2710,即样本期内工业企业绿色创新并未实现DEA有效,同时样本期内11个省市IE呈现出从下游地区向上游地区依次递减的趋势.横向比较来看,下游与中游、上游地区平均IE水平差距呈现出逐渐扩大趋势,三个地区IE具有比较明显的不平衡发展态势.

4.2 影响因素效应分解方面,总体上自身创新效应对IE影响最大,剩余依次为工业企业消化吸收效应、购买国内技术效应、引进技术效应、技术改造效应和工业污染治理效应.两阶段变化方面,自身创新效应在第一和第二阶段一直处于主导地位;吸收消化经费和购买国内技术经费对IE的正向促进中作用明显;吸收消化和购买国内技术经费的增加在两阶段中的表现一致,但第二阶段的效应量下降明显.

4.3 各影响因素的区域贡献方面,对长江经济带IE的贡献呈现自东向西的减弱趋势,但中部地区的效应量不高;从时间变化趋势来看,长江经济带11省市平均的效应量整体呈现增加的趋势,但在“十二五”期间,总效应量则从呈现递减趋势.长江上游地区和中游地区各因素效应量对IE的提升有较大帮助,但同时上中游部分省市对IE的“拖累”也存在.

[1] 约瑟夫•阿洛伊斯•熊彼特.经济发展理论:对于利润、资本、信贷、利息和经济周期的考察 [M]. 何畏等译,北京:商务印书馆, 1990:201-306. Schumpete J A. The theory of economic development: an inquiry into profits, capital, credit, interest, and the business cycle [M]. He W, et al. Beijing: The Commercial Press, 1990.

[2] 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. Yi M, Chen X M. Spatial-temporal differences and influencing factors of green innovation efficiency along the Yangtze River Economic Belt [J]. Urban Problems, 2018,(8):31-39.

[3] 池仁勇.企业技术创新效率及其影响因素研究[J]. 数量经济技术经济研究, 2003,(6):105-108. Chi R Y. Research on Enterprise Technology Innovation Efficiency and its Influencing Factors [J]. The Journal of Quantitative & Technical Economics, 2003,(6):105-108.

[4] 余泳泽.我国高技术产业技术创新效率及其影响因素研究——基于价值链视角下的两阶段分析[J]. 经济科学, 2009,(4):62-74. Yu Y Z. Research on technology innovation efficiency and its influencing factors of high-tech Industry in China—two stage analysis based on value chain perspective [J]. Economic Science, 2009,(4):62- 74.

[5] Guan J, Chen K. Measuring the innovation production process: a cross-region empirical study of China’s high-tech innovations [J]. Technovation, 2010,30(5/6):348-358.

[6] 冯志军.中国工业企业绿色创新效率研究[J]. 中国科技论坛, 2013,(2):82-88. Feng Z J. Research on industrial enterprises' green innovation efficiency in China—based on provincial data by a DEA-SBM approach [J]. Forum On Science and Technology in China, 2013,(2): 82-88.

[7] 钱 丽,肖仁桥,陈忠卫.环境约束、技术差距与企业创新效率——基于中国省际工业企业的实证研究[J]. 科学学研究, 2015,33(3): 378-389. Qian Li, Xiao R Q, Chen Z W. Environmental constraint, technology gap and the enterprises' innovation efficiency: empirical research on the provincial industrial enterprises in China [J]. Studies in Science of Science, 2015,33(3):378-389.

[8] 肖 文,林高榜.政府支持、研发管理与技术创新效率——基于中国工业行业的实证分析[J]. 管理世界, 2014,(4):71-80. Xiao W, Lin G B. Government support, R&D management and technology innovation efficiency: an empirical analysis based on China's industrial sector [J]. Management World, 2014,(4):71-80.

[9] Shu C, Zhou K Z, Xiao Y, et al. How green management influences product innovation in China: the role of institutional benefits [J]. Journal of Business Ethics, 2016,133(3):471-485.

[10] 毕克新,杨朝均,黄 平.中国绿色工艺创新绩效的地区差异及影响因素研究[J]. 中国工业经济, 2013,(10):57-69. Bi K X, Yang C J, Huang P. Study on the regional difference and influencing factors of green process innovation performance in China [J]. China Industrial Economics, 2013,(10):57-69.

[11] 张江雪,朱 磊.基于绿色增长的我国各地区工业企业技术创新效率研究[J]. 数量经济技术经济研究, 2012,29(2):113-125. Zhang J X, Zhu L. Research on technological innovation efficiency of industrial enterprises based on green growth of regions in China [J]. The Journal of Quantitative & Technical Economics, 2012,29(2):113- 125.

[12] 孙晓华,郭 旭,王 昀.政府补贴、所有权性质与企业研发决策[J]. 管理科学学报, 2017,20(6):18-31. Sun X H, Guo X, Wang Y. Government subsidy, ownership, and firms' R & D decisions [J]. Journal of Management Sciences in China, 2017, 20(6):18-31.

[13] Borghesi S. Environmental innovation and socio-economic dynamics in institutional and policy contexts [J]. Journal of Evolutionary Economics, 2013,23(2):241-245.

[14] Chen Y S, Lai S B, Wen C T. The influence of green innovation performance on corporate advantage in Taiwan [J]. Journal of Business Ethics, 2006,67(4):331-339.

[15] Costantini V, Crespi F, Martini C, et al. Demand-pull and technology- push public support for Eco-innovation: the case of the biofuels sector [J]. Research Policy, 2015,44(3):577-595.

[16] Leal-Rodríguez A L, Ariza-Montes A J, Morales-Fernández E, et al. Green innovation, indeed a cornerstone in linking market requests and business performance. Evidence from the Spanish automotive components industry [J]. Technological Forecasting and Social Change, 2018,129:185-193.

[17] 杨朝均,杨文珂,朱雁春.中国省际间对内开放对驱动工业绿色创新空间趋同的影响 [J]. 中国环境科学, 2018,38(8):3189-3200. Yang C J, Yang W K, Zhu Y C. The impact of inter provincial openness on the convergence of industrial green innovation in China [J]. China Environmental Science, 2018,38(8):3189-3200.

[18] 龚新蜀,李梦洁,张洪振. OFDI是否提升了中国的工业绿色创新效率——基于集聚经济效应的实证研究[J]. 国际贸易问题, 2017,(11): 127-137. Gong X S, Li M J, Zhang H Z. Has OFDI promoted the industrial enterprises' green innovation efficiency in China--evidence based on agglomeration economic effect [J]. Journal of International Trade, 2017,(11):127-137.

[19] 钱 丽,王文平,肖仁桥.共享投入关联视角下中国区域工业企业绿色创新效率差异研究[J]. 中国人口×资源与环境, 2018,28(5):27-39. Li Q, Wang W P, Xiao R Q. Research on the regional disparities of China's industrial enterprises green innovation efficiency from the perspective of shared inputs [J]. China Population, Resources and Environment, 2018,28(5):27-39.

[20] Korhonenab P J. Eco-efficiency analysis of power plants: an extension of data envelopment analysis [J]. European Journal of Operational Research, 2004,154(2):437-446.

[21] 何 枫,祝丽云,马栋栋,等.中国钢铁企业绿色技术效率研究[J]. 中国工业经济, 2015,(7):84-98. He F, Zhu L Y, Ma D D, et al. Research on the green technical efficiency of China's iron and steel enterprises [J]. China Industrial Economics, 2015,(7):84-98.

[22] 钱 丽,肖仁桥,陈忠卫.我国工业企业绿色技术创新效率及其区域差异研究——基于共同前沿理论和DEA模型[J]. 经济理论与经济管理, 2015,(1):26-43. Qian L, Renqiao X, Zhongwei C. Research on the industrial enterprise's technology innovation efficiency and regional disparities in China--based on the theory of Meta-frontier and DEA model [J]. Economic Theory and Business Management, 2015,(1):26-43.

[23] 王 惠,苗 壮,王树乔.空间溢出、产业集聚效应与工业绿色创新效率[J]. 中国科技论坛, 2015,(12):33-38. Wang H, Miao Z, Wang S Q. Spatial spillover, industrial agglomeration effect and industrial green innovation efficiency [J]. Forum On Science and Technology in China, 2015,(12):33-38.

[24] 李晓阳,赵宏磊,林恬竹.中国工业的绿色创新效率[J]. 首都经济贸易大学学报, 2018,20(3):41-49. Xiaoyang L, Honglei Z, Tianzhu L. The green innovation efficiency of Chinese industry [J]. Journal of Capital University of Economics and Business, 2018,20(3):41-49.

[25] Azad M A, Ancev T. Measuring environmental efficiency of agricultural water use: a Luenberger environmental indicator. [J]. Journal of Environmental Management, 2014,145(145C):314-320.

[26] 刘章生,宋德勇,弓媛媛,等.中国制造业绿色技术创新能力的行业差异与影响因素分析[J]. 情报杂志, 2017,36(1):194-200. Liu Z S, Song D Y, Gong Y Y, et al. Analysis of industrial differences and its influencing factors of green technological innovation capability of Chinese manufacturing industry [J]. Journal of Intelligence, 2017, 36(1):194-200.

[27] 罗 艳,陈 平.环境规制对中国工业绿色创新效率改善的门槛效应研究[J]. 东北大学学报(社会科学版), 2018,20(2):147-154. Luo Y, Chen P. On the threshold effect of environmental regulation upon the improvement of China's industrial green innovation efficiency [J]. Journal of Northeastern University (Social Science), 2018,20(2):147-154.

[28] 罗良文,梁圣蓉.中国区域工业企业绿色技术创新效率及因素分解[J]. 中国人口×资源与环境, 2016,26(9):149-157. Luo L W, Liang S R. Green technology innovation efficiency and factor decomposition of China's industrial enterprises [J]. China Population, Resources and Environment, 2016,26(9):149-157.

[29] 任 耀,牛冲槐,牛 彤,等.绿色创新效率的理论模型与实证研究[J]. 管理世界, 2014,(7):176-177. Ren Y, Niu C H, Niu T, et al. Theoretical model and empirical research on green innovation efficiency [J]. Management World, 2014,(7): 176-177.

[30] 宋马林,王舒鸿.环境规制、技术进步与经济增长[J]. 经济研究, 2013,48(3):122-134. Song M L, Wang S H. Analysis of environmental regulation, technological progression and economic growth from the perspective of statistical tests [J]. Economic Research Journal, 2013,48(3):122- 134.

[31] 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, 2018,28(5):40-48. Wu C, Yang S W, Tang P C, et al. Construction of the efficiency promotion model of green innovation in China's heavy polluted industries [J]. China Population, Resources and Environment, 2018, 28(5):40-48.

[32] Färe R. Directional distance functions and slacks-based measures of efficiency [J]. European Journal of Operational Research, 2010, 200(1):320-322.

[33] Ang B W, Liu F L. A new energy decomposition method: perfect in decomposition and consistent in aggregation [J]. Energy, 2001,26(6): 537-548.

[34] 马晓君,李煜东,王常欣,等.约束条件下中国循环经济发展中的生态效率——基于优化的超效率SBM-Malmquist-Tobit模型 [J]. 中国环境科学, 2018,38(9):3584-3593. Ma X J, Li Y D, Wang C X, et al. Ecological efficiency in the development of circular economy of China under hard constraints based on an optimal super efficiency SBM-Malmquist-Tobit model [J]. China Environmental Science, 2018,38(9):3584-3593.

[35] 庞 军,石媛昌,胡 涛,等.我国出口贸易隐含污染排放变化的结构分解分析 [J]. 中国环境科学, 2013,33(12):2274-2285. Pang J, Shi Y C, Hu T, et al. Structural decomposition analysis of pollutants emission change embodied in exports of China [J]. China Environmental Science, 2013,33(12):2274-2285.

[36] 范 丹,梁佩凤,刘 斌,等.中国环境税费政策的双重红利效应——基于系统Gmm与面板门槛模型的估计 [J]. 中国环境科学, 2018,38(9):3576-3583. Fan D, Liang P F, Liu B, et al. Analysis on the double dividend effects of the environmental tax and fee policies in China--the estimation of the System GMM and the panel threshold model [J]. China Environmental Science, 2018,38(9):3576-3583.

[37] 胡永宏,路 芳.数据无量纲化和指标相关性对DEA评价结果的影响研究[J]. 经济统计学(季刊), 2017,(2):56-72. Hu Y H, Lu F. Study on the influence of data dimensionless and index correlation on DEA evaluation results [J]. China Economic Statistics Quarterly, 2017,(2):56-72.

[38] 智冬晓.指标相关性对Dea评价效用的影响[J]. 统计教育, 2009,(6):40-44. Zhi D X. Impact of correlation between variables on DEA evaluation [J]. Statistical Thinktank, 2009,(6):40-44.

[39] 刘 伟.考虑环境因素的高新技术产业技术创新效率分析——基于2000~2007年和2008~2014年两个时段的比较[J]. 科研管理, 2016, 37(11):18-25. Liu W. Technological innovation efficiency of high-tech industries considering environmental factor in China-comparison of two periods from 2000~2007 and from 2008~2014 [J]. Science Research Management, 2016,37(11):18-25.

The evolution pattern of green innovation efficiency of industrial enterprises in the Yangtze River Economic Belt.

PENG Jia-chao1, XU Rong-rong2, FU Li-na3, YI Ming1*, XU Yao-dong1

(1.School of Economics and Management, China University of Geosciences, Wuhan 430074, China;2.Hubei Education Examinations Authority, Wuhan 430074, China;3.School of International Education, South-central University for Nationalities, Wuhan 430074, China)., 2019,39(11):4886~4900

Under the consideration of unexpected output, the innovation efficiency of industrial enterprises in the Yangtze River Economic Belt was measured through the use of Two Stage Network DEA method (Super-efficiency undesirable outputs) - for the period of 2008 to 2016. The LMDI method was also used to decompose the influencing factors, and estimate the actual contribution shares of individual factors and regional differences. The result showed that the average value of green innovation efficiency of the overall industrial enterprises in the Yangtze River Economic Belt was 0.2710, which means that the DEA was not effective during the sampling period. The figure showed a decreasing trend from the downstream area to the upstream area. The average green innovation efficiency gap between the downstream area enterprises and middle and upstream area enterprises was broadened gradually, denoting an obvious unbalanced development among them. Generally speaking, the innovation effect had the greatest impact on the green innovation efficiency of industrial enterprises, followed by the industrial enterprise assimilation of technology effect, the purchase of domestic technology effect, the introduction of technological effect, technological transformation effect and industrial pollution control effect. Meanwhile, the new product development funding effect played a predominant role at the first and second stages. The expenditure on assimilation of technology and the expenditure on domestic technology purchasing had positively promoted the green innovation efficiency of industrial enterprises. The increase of expenditure on both assimilation of technology and purchase of domestic technology had the same effect at the two stages, but the effect at the second stage was significantly reduced. The contribution of various factors to the green innovation efficiency of industrial enterprises showd a weakening trend from the east to the west, but the effect in the central region was not high. From the time series, the average amount of the effect in the Yangtze River economic belt showed a increasing trend, with an exception during the period of "The Twelfth Five-Year Plan". In addition, the effects of various factors in the upstream and midstream areas promoted the efficiency of green innovation in industrial enterprises.

Yangtze River Economic Belt;green innovation efficiency;undesired output;influencing factors;effect decomposition

X32

A

1000-6923(2019)11-4886-15

彭甲超(1991-),男,湖北丹江口人,中国地质大学(武汉)博士研究生,研究方向为区域可持续发展.发表论文11篇.

2019-03-30

教育部人文社会科学研究规划基金项目(19YJA630103);中南民族大学中央高校基本科研业务费专项基金项目(CSQ19054);中国地质大学中央高校基本科研业务费专项资金资助项目(CUGQY1942)

* 责任作者, 副教授, yiming@cug.edu.cn

猜你喜欢

经济带长江效应
铀对大型溞的急性毒性效应
一条江的嬗变长江经济带绿色发展之路
懒马效应
长江之头
陕西呼应长江经济带
长江之歌(外二首)
长江图(外二首)
应变效应及其应用
新丝绸之路经济带背景下新疆教育人才培养
丝绸之路经济带媒体合作论坛联合宣言签署