长三角工业企业绿色技术创新效率及其影响因素分析

何育静 蔡丹阳

摘 要：长三角工业企业绿色技术创新对促进该区域经济高质量发展、推动生态文明建设有重大意义。基于2008—2018年长三角27个地级及以上城市面板数据，运用非期望产出的DEA模型测算出长三角工业企业绿色技术创新效率，采用空间杜宾模型探讨绿色技术创新效率影响因素的空间效应，最后运用线性与非线性模型探究各自变量对工业企业绿色技术创新效率的作用关系。研究表明，长三角工业企业绿色技术创新效率逐年增长并已存在空间集聚效应;外商投资、绿色经济发展水平、城镇化水平、产业集聚对本地区的绿色技术创新有正向直接促进效应;企业收益与政府支持对本地与邻近地区绿色技术创新均有正向促进效应;环境规则对邻近地区绿色技术创新有负向空间溢出效应。在线性与非线性回归结果中，总的来讲，各变量对工业企业绿色技术创新效率作用机制相似，其中绿色经济发展水平较其他变量而言对工业企业绿色技术创新效率作用系数最大，影响程度最深。最后根据实证分析结果为长三角未来工业企业绿色技术创新效率提升提出具体的政策建议。

关键词：空间杜宾;空间集聚;绿色技术创新

基金项目：江苏省社会科学基金项目“产业集聚视角下江苏特色小镇演化机制和路径研究”（18SHB002）。

[中图分类号] F062.2 [文章编号] 1673-0186（2021）001-0050-015

[文献标识码] A      [DOI编码] 10.19631/j.cnki.css.2021.001.004

一、引言

工业是国民经济支柱，党的十九大指出我国经济从高速发展转向高质量发展阶段，技术创新对绿色发展起到至关重要的作用。2016年《长江三角洲城市群发展规划》指出，要以生态保护提供发展新支撑，实施创新驱动发展战略，强化关键领域创新;《长三角生态绿色一体化发展示范区总体方案》强调彰显长三角地区践行高质量发展方式创新，探索生态友好型发展模式，均与《中国制造2025》提出的“创新驱动”与“绿色发展”相呼应。工业绿色技术创新效率是工业绿色发展的内生动力，因此我们追求工业高质量发展同时要注意保护生态环境与绿色技术创新。

绿色技术创新也称为生态技术创新，是创新的一种。一般把以保护环境为目标的管理创新与技术创新统称为绿色技术创新。绿色技术创新效率是基于绿色技术和技术创新概念延伸出来的一种绿色评价定义。从测量方法上，彭甲超等采用超效率非期望两阶DEA法测算2008—2016 年长江经济带工业企业绿色创新效率，发现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[1]。成琼文等运用 DEA 模型测算了各行业的绿色技术创新效率，发现我国工业行业绿色技术创新效率整体呈上升的发展趋势，但各行业间存在较大差距[2]。黄磊等采用超效率EBM模型从空间格局视角探讨了2017年长江经济带110个地级及以上城市绿色技术创新效率[3]。安娜（Ana）等运用随机前沿方法测算了欧盟206个地区创新效率[4]。索尼亚（Sonia）等运用两阶段DEA模型研究墨西哥区创新系统效率[5]。

从影响因素角度，陈傲选取市场结构、企业规模、国有控股资产比例等行业特征为自变量进行多元线性回归分析，探讨各变量对工业企业技术创新效率的作用机制[6]。黄磊等选取经济发展、环境规则、产业集聚、技术创新、城镇化、工业化以及对外开放作为自变量，运用空间杜宾模型探讨了长江经济带城市工业绿色发展效率空间驱动机制[7]。高萍等选取财政节能环保支出、环境规则、产业结构、对外开放度、企业规模与研发投资强度作为自变量，运用Tobit回归模型探讨了各变量与绿色技术创新效率之间的关系[8]。齐丽芳将政府支持、创新资金投入、FDI、劳动成本、技术人员投入、产学研合作、创新环境、行业规模作为自变量，运用Tobit回归模型探讨了对技术效率的作用机理[9]。邓峰和陈春香选取R&D投入强度、环境规则、产业结构、劳动力素质、科技创新环境作为自变量，运用面板门槛回归模型探讨了R&D投入强度对我国绿色创新效率的非线性关系[10]。黄磊和吴传清选取经济发展、环境规则、政府支持、外商投资、产业结构、企业效益作为自变量运用空间杜宾模型偏微分分解法探讨长江经济带绿色技术创新效率内在驱动机制[3]。弗罗伦斯（Florens）等选取钢铁生产路线成本因素的技术信息、能源载体价格的历史数据、钢铁行业原料的价格、政治框架条件、钢铁需求、钢铁行业雇员工资等作为自变量，运用GLS回归探究欧洲钢铁行业能效的决定影响因素[11]。

综上，目前对绿色技术创新效率的测度多基于DEA模型。学者采用面板门槛模型、Tobit回归、线性回归等对绿色技术创新效率驱动因素进行实证分析。诸多学者选取人均GDP、GDP来衡量经济发展指标，尚未涉及绿色、可持续发展理念。因此本文除利用非期望产出DEA模型计算长三角工业企业绿色技术创新效率外，运用熵权-TOPSIS法计算绿色经济发展水平对指标进行了创新。此外，学者们在研究方法上大同小异，对多个回归模型进行比较分析的研究较少。本文将综合前人使用的方法，分别采用线性、非线性回归模型探讨各自变量与绿色技术创新效率之间的关系，对比比較各方法回归结果的异同点，使得技术创新效率研究更加完整严谨。因此本文将侧重探讨三个问题：长三角绿色技术创新效率如何？各变量对绿色技术创新效率存在怎样的空间效应？用不同回归模型探讨自变量与绿色技术创新效率的关系存在怎样的异同点？

二、模型构建

综合运用效率模型、综合评价指标模型、空间计量、面板门槛、Tobit回归和线性回归模型对工业企业绿色技术相关问题进行实证研究。

（一）工业企业绿色技术创新效率测度模型

本文决策单元为长三角27个地级市。综合参考彭甲超[1]、黄磊[3，7]、吕岩威[12]等人对工业企业绿色技术创新效率的研究，构建长三角工业企业绿色技术创新效率评价指标体系（见表1）。

（二）绿色经济发展水平测度模型

熵权-TOPSIS法是熵权法与优劣解距离法的结合，先对指标进行正向化操作，然后再求权重的方法。

绿色经济发展水平：LOGED=Wj×zij

借鉴马骍[13]、欧阳志云[14]、李海龙[15]、祝云龙[16]等对绿色经济发展水平的研究，构建长三角绿色经济发展水平评价指标体系（见表2）。

其中人均日生活用水量标准参照《城市居民生活用水量标准》，上海、江苏、浙江、安徽为120～180升/每人。人均道路拥有面积标准参照《中国城市规划定额指标暂行规定》设定为6～14 m2/人。而对于城乡居民生活用电与每千人规模以上的工业企业能源消耗量我们参照马骍[13]等人的做法取长三角地区平均水平。

（三）空间计量模型设定

1.空间相关性检验

安瑟林（Anselin）认为，任何地区的经济单元都不是孤立存在的，而是与其周边单元存在一定联系。地理距离越近，联系就越紧密[17]。本文采用安瑟林提出的Morans I指数对长三角27地级及以上城市市工业企业绿色技术创新效率的空间相关性进行检验。Morans I指数的计算公式为：

（3）式中，xi为第i个地级市指标值，n为地级市总个数，空间权重矩阵选择反距离矩阵，即Wd=1/dij，dij為两个城市之间的距离[18]。一般来说，Morans I指数取值范围为[-1，1]。Morans I>0，表明指标在空间上呈现正相关;Morans I<0，表明指标在空间上呈现负相关;Morans I=0，表明指标不存在空间相关性。

2.空间计量模型的选择

空间杜宾模型（SDM）是空间滞后模型（SAR）与空间误差模型（SEM）的结合，不仅能够很好地解释因变量和自变量的空间依赖性，而且能够考虑随机误差冲击的空间影响。因此，本文研究选取空间杜宾模型，以便很好地反映工业企业绿色技术创新效率的空间溢出效应。SDM模型设定如下：

（4）式中，τ为本地区指标对周围地区指标的影响系数。当τ>0时，邻近地区存在空间溢出效应;当τ<0时，邻近地区存在空间负效应。φi和νt分别表示地区效应与时间效应;ψ表示残差之间的空间相关性;εit为随机误差项;i与t分别表示地区个体维度与时间维度。当τ≠0、θ≠0、ψ=0时，（4）式为SDM模型;当τ≠0、θ=0、ψ=0时，（4）式为SAR模型;当τ=0、θ=0、ψ≠0时，（4）式为SEM模型。

由于空间杜宾模型同时包含自变量与因变量的空间滞后项，自变量的空间滞后项会对反馈效应产生影响，所以空间杜宾模型估计系数不能准确反映自变量对因变量的影响。为了弥补模型的缺陷，莱萨格（Lesage）和佩斯（Pace）提出偏微分解分法，将空间杜宾模型中的参数向量θ分解为直接效应与间接效应[19]。总效应就是直接效应与间接效应的和。通过空间效应分解，能更好地分析各自变量对工业企业绿色技术创新效率的空间效应。

（四）面板门槛、Tobit回归、线性回归模型设定

线性回归模型：Yit=β0+∑βiXit+εit+uit（5）

若uit等于0，不存在固体效应，模型为混合回归模型;若uit与某个解释变量相关，模型为固定效应模型;若uit与所有解释变量不相关，模型为随机效应模型。

三、指标选取与数据来源

被解释变量：长三角工业企业绿色技术创新效率（GTIE），根据前文构建松弛变量的非期望产出DEA模型测算。核心解释变量：绿色经济发展水平（LOGED），根据前文构建的熵权-TOPSIS模型测算。控制变量：产业集聚（IC），采用区位熵方法计算产业集聚，Rit为地区i在t年规模以上R&D人员数量，Rt为t年全国规模以上R&D人员数量，Qit为地区i在t年总就业人数，Qt为t年全国总就业人数[21];环境规则（IOER），用公式计算环境规则水平，Pit为地区i在t年节能环保费用，Git为地区i在t年的规模以上工业企业总产值，St为各地级市历年的工业产业结构，采用工业总产值与地区生产总值比值来测算[22];外商投资（lnFI），对规模以上工业企业外商投资和港澳台商投资企业总产值取对数来衡量;政府支持（GS），参考张旭[22]与黄磊[3]等做法，用城市科学技术支出与教育支出之和占地方公共预算支出比重衡量政府支持度;企业收益（lnEI），用规模以上工业企业利润总额取对数来衡量;城镇化水平（UL），采用国家统计局的计算方式，即“城镇化率=城镇常住人口/总人口”来衡量。

本文使用的指标数据来自2009—2019年中国统计年鉴、长三角各地级及以上城市统计年鉴、国民经济与社会发展统计公报、环境状况公报。利用SPSS 25软件均值替换法补充缺失值。

四、实证分析

结合前文构建的模型和选取的指标数据，分别计算出长三角工业企业绿色技术创新效率以及绿色经济发展水平，而后深入剖析各变量对工业企业绿色技术创新效率的影响机理。

（一）长三角规模以上工业企业绿色技术创新效率结果分析

运用软件DEA-Solver 13.0的Bad-Output-GRS模块进行运算。分别计算出2008—2018年长三角27个城市规模以上工业企业DEA效率值（见表3）。长三角地区工业企业绿色技术创新效率平均值见图1。

从时间维度来看，27个城市规模以上工业企业绿色技术创新效率总的来说呈现出逐年增长的态势。从空间维度来看，上海市工业企业绿色技术创新效率值最高，且于2011年就已经达到最高效率值。安徽省工业企业绿色技术创新效率值最低。DEA效率值是一个相对概念，结合表3与图1，2008年工业企业平均效率值是0.51，即整个长三角地区平均效率值是该年份最高单元效率值的51%。虽然各年份效率前沿位置不一定相同，但是自2008到2018年间，长三角平均效率值从0.51逐年增加到0.80。

（二）长三角绿色经济发展水平结果分析

通过Matlab r2018a软件，运用熵权-TOPSIS法计算绿色经济发展水平指标权重分别为：0.027 2、0.020 4、0.051 7、0.025 3、0.011 8、0.002 7、0.013 4、0.033 8、0.001 4、0.022 4、0.163 7、0.055 1、0.022 5、0.214 5、0.061 2、0.049 2、0.011 3、0.108 5。图2为本文计算出的2008年、2013年、2018年长三角地区绿色经济发展水平。

由图可知，各市绿色经济发展水平呈现逐年增长的趋势，但是地区发展不平衡问题突出。上海作为长三角地区龙头城市，其绿色经济发展水平明显高于其余各市，在2018年绿色经济发展水平已经突破数值1，南京、杭州、苏州三地绿色经济发展水平正努力向1靠拢，宁波、合肥、无锡、南通四地绿色经济发展水平于2018年已经突破了0.6但是想达到1还需要一定的发展时间。此外，舟山、池州、铜陵、安庆、宣城等地绿色经济发展水平较低，尚未突破0.5。

（三）空间计量结果分析

在进行空间计量分析之前，先进行空间相关性检验，利用Stata 15软件计算出长三角地区规模以上工业企业绿色技术创新效率Moran's I指数，并得出对应的统计检验结果，见表4。Moran's I散点图见图3（本文限于篇幅，只罗列出2008年与2018年Moran's I散点图）。

表4中可以看出，在1%显著性水平上，考察期内的Moran's I指数显著为正，除2014年、2015年、2016年外，Moran's I指数大体呈现逐年增加的态势。说明工业企业绿色技术创新效率在空间范围内存在显著正向空间相关性，且从图3中我们发现，绿色技术创新效率值大多数分布在一、三象限，存在空间集聚特征。

在LM检验中，SEM模型LM值为0，SAR模型LM值为0，通过了1%显著性水平检验。Wald检验P值分别为0、0.000 1，通过1%显著性水平检验。LR检验的P值均为0，通过1%显著性水平检验，拒绝SDM模型退化为SEM或SAR假设。进一步证实空间杜宾模型的适用性。在Hausman检验中，chi2（7）统计量为-33.57小于0，选用固定效应模型。最后通过输出结果发现，时间固定效应的R-square值为0.665 8远大于个体固定效应（0.380 6）与个体时间双固定效应（0.007 8），log-likelihood值为274.811。模型拟合度较高，可信度较大。故而选择时间固定效应的空间杜宾模型进行空间效应分解，结果见表5。

lnEI直接效应估计系数在1%显著性水平下为正，间接效应估计系数在10%的显著性水平下为正，企业收益直接推动了长三角地区工业企业绿色技术创新发展，且对周边邻近城市的带动作用较强。企业收益增加，使得企业会购买先进的绿色技术生产设备，加大绿色技术研发投入，招聘更多技术人员，加强地区企业绿色技术交流，从而提高长三角地区绿色技术创新能力。lnFI直接效应估计系数在10%显著性水平下为正，没有空间溢出效应。证实了“污染光环”假说[3]，外资引进给承接地带来了国外先进的技术水平与管理经验，增强本地区绿色技术创新能力，引进外资在促进本地技术进步的同时，出现竞争外资现象，使得周边城市落后产能集聚，导致污染产出流向周边城市。从而抑制邻近地区绿色技术发展。LOGED直接效应估计系数在1%显著性水平下为正，间接效应回归系数不显著。绿色技术发展水平虽然具有绿色激励效应和创新能力累积效应，但长三角地区绿色经济发展水平所带来的推动作用更多的是被本城市所吸收，没有产生溢出效应，对周围城市的支撑作用较少。UL直接效应估计系数在1%显著性水平下为正，间接效应回归系数不显著。城镇化会吸引高素质人才与研发资本的聚集，促进本地区技术创新水平提高[23]，这样使得邻近地区从事技术创新活动的人才被吸纳到经济发达地区，从而抑制技術创新水平的发展。GS直接效应与间接效应估计系数均在1%显著性水平下为正。政府支持对本地区与邻近地区的绿色技术创新发展有显著的促进作用，政府在加大研发投入、建设创新平台方面给予支持并出台相应政策积极引导鼓励工业企业进行绿色技术创新。IC直接效应估计系数在1%显著性水平下为正，没有溢出效应。产业集聚使得工业企业聚集了先进的管理经验、生产技术，从而提高了本地工业企业绿色技术创新水平。但是工业产业集聚会给邻近地区带来环境污染，增加邻近地区节能环保负担，增加邻近地区绿色技术创新水平难度。IOER没有直接效应，间接效应估计系数在1%显著性水平下为负，且系数绝对值最大，溢出效应最强。与“波特假说”企业在规制政策的引导下能够借助绿色创新实现高利润与“绿色化”的双赢局面相悖。这主要是长三角地区环保标准最为严格，政府命令控制型的环境规则难以产生“波特效应”[24]。长三角地区强化环保标准，在“不搞大开发、共抓大保护”要求下，“环保一刀切”粗放式环境政策提出，给企业生产加重负担，从而抑制了长三角地区绿色技术创新能力提升。

（四）面板门槛回归、Tobit回归、线性回归结果分析

运用Stata 15对面板门槛模型进行门槛检验，对Tobit模型进行LR检验。

从表6可以看出，绿色经济发展水平单门槛检验P值小于0.1，双门槛检验P值为0.1。表明绿色经济发展水平在1%显著性水平下存在单一门槛效应，采用残差平方和最小原则估计出门槛值为0.806 8。为了进一步验证门槛估计值的准确性。图4中给出了似然比统计量与门槛估计量之间的关系，绿色经济发展水平门槛估计值分别为0.806 8。置信区间分别为[0.759 4，0.811 0]。在此区间内，似然比统计量值小于5%水平下的临界值，因而可以认为门槛效应估计值真实可靠。

Tobit回归LR检验P值为0，拒绝选用混合面板Tobit模型原假设，本文选用随机效应面板Tobit模型进行回归分析。混合线性回归（Model1）、固定效应模型（Model2）、随机效应模型（Model3）、Tobit回归（Model4）、面板门槛回归（Model5）结果见表7。

由Model 5可以看出，将绿色经济发展水平作为门槛变量，当绿色经济发展水平低于0.806 8时，绿色经济发展水平的作用系数在1%显著性水平下为0.588 8，高于0.806 8时，作用系数在1%显著性水平下为0.806 3。说明绿色经济发展水平对工业企业绿色技术创新效率有明显的推动作用，且越过第一个门槛值后推动作用加强。从Model1至Model4可以看出，较其他影响变量而言，绿色经济发展水平对绿色技术创新效率的影响程度最高。五个模型各自变量对因变量回归系数影响程度排序一样，从大到小排序为：绿色经济发展水平（LOGED）→政府支持（GS）→企业收益（lnEI）→城镇化水平（UL）→外商投资（lnFI）→產业集聚（IC）→环境规则（IOER）。五个模型中，绿色经济发展水平、政府支持、企业收益、外商投资作用系数在1%与5%显著性水平下为正值，与工业企业绿色技术创新效率同方向变动。而城镇化水平与环境规则的变化对绿色技术创新效率没有影响。但是在混合线性回归当中，由于没有考虑个体效应的缘故，产业集聚作用系数为不显著的正值，产业集聚变动对绿色技术创新效率没有影响。而固定效应模型、随机效应模型、Tobit回归模型与面板门槛回归模型产业集聚作用系数在1%与5%显著性水平下为负值，即产业集聚与工业企业绿色技术创新效率呈反方向变动。总的来说，固定效应、随机效应线性回归模型作用系数虽然与面板Tobit回归、门槛回归模型有所不同，但是在对工业企业绿色技术创新效率作用机制上是相似的。

五、主要结论与政策建议

随着环境污染问题的日益突出，绿色技术创新成为我国工业企业调整经济增长方式的重要支撑。本文在前人研究的基础上，运用非期望产出的DEA模型测算了2008—2018年长三角27个城市工业企业绿色技术创新效率。检验绿色技术创新效率存在空间相关性之后，采用空间杜宾模型SDM偏微分法发现：外商投资、绿色经济发展水平、城镇化水平、产业集聚对本地区的绿色技术创新有直接推动作用，对周围地区的绿色技术创新没有显著的间接效应;企业收益与政府支持对本地与邻近地区绿色技术创新均有显著的促进作用;环境规则对邻近地区绿色技术创新有显著抑制作用，对本地区的直接效应不显著。在面板线性模型与非线性模型回归结果中，绿色经济发展水平、政府支持、企业收益、外商投资正向影响工业企业绿色技术创新效率，核心解释变量绿色经济发展水平较其他控制变量而言，作用系数最大，对工业企业绿色技术创新效率的影响程度最深。除混合线性回归模型外，产业集聚负向影响工业企业绿色技术创新效率。总的来说，不管是各变量作用系数大小排序，还是系数前正负符号，在线性模型与非线性模型分析中，各自变量对工业企业绿色技术创新效率作用机理没有太大的差异。

基于上述研究结论，从区域产学研合作、外资审核、推进新型城镇化等角度提出如下政策建议。

加强长三角地区产学研协同创新合作，长三角地区高校与科研机构众多，不仅聚集了较多的产业创新资源，还聚集了具有国际先进水平的高端创新设备及平台。推动长三角产学研一体化，有利于加强工业绿色技术创新，鼓励工业企业与高校科研联合组建技术研发应用中心，推动传统产业转型升级，促进绿色技术创新水平外溢。

加大外资审核力度，有利于防止高污染、高能耗企业的流入。学习优质外资企业先进的管理水平与经营理念，淘汰落后生产设备，有利于促进传统行业绿色改造升级，因地制宜地布局新能源、智能制造、节能环保高技术产业，加强工业绿色竞争力。

加快推进新型城镇化，规定城镇建设用地开发边界，避免农业与绿色生态用地被侵蚀，倒逼城镇化发展模式从分散型向集约紧凑型转变，提高土地使用率，鼓励建设用地多功能复合利用，共建工业园区，从而避免产业之间的无序化竞争与产能过剩。

绿色经济发展水平对工业企业绿色技术创新效率的促进效应明显，地方政府不能片面追求经济增长速度，而应把经济可持续发展作为新时期的考核指标。政府应加大绿色技术创新支持力度，从研发强度、污染物排放情况、能耗强度、创新成果应用等维度制定绿色科技型企业标准，对符合标准的绿色企业给予税收减免政策优惠。加大工业企业绿色技术知识产权保护，对积极参与绿色技术研发的企业发放项目资助资金，鼓励企业积极研制绿色改造设备。在长三角地区成立绿色技术创新国家工程研究中心，实现绿色技术资源共享，使创新成果向周边城市开放共享，从而实现长三角全域共享绿色技术创新成果。

参考文献

[1]  彭甲超，许荣荣，付丽娜，等.长江经济带工业企业绿色创新效率的演变规律[J].中国环境科学，2019（11）：4886-4900.

[2]  成琼文，贺显祥，李宝生.绿色技术创新效率及其影响因素——基于我国35个工业行业的实证研究[J].中南大学学报（社会科学版），2020（2）：97-107.

[3]  黄磊，吴传清.长江经济带城市绿色技术创新效率及其动力机制研究[J/OL].重庆大学学报（社会科学版）：1-14.[2021-01-17].http：//kns.cnki.net/kcms/detail/50.1023.c.20200506.1620.604html.

[4]  FARIA A P， BARBOSA N， BASTO S. J. Portuguese regional innovation systems efficiency in the European Union context[J]. European Planning Studies，2020，28（8）.

[5]  ACOTO S V A， COOK W D， CASTORENA D G， ect. Modelling Efficiency in Regional Innovation Systems： A Two-Stage Data Envelopment Analysis Problem with Shared Outputs within Groups of Decision-Making Units[J]. European Journal of Operational Research， 2020， 287（2）.

[6]  陈傲.中国工业行业特征对企业技术创新效率影响的实证分析——兼论企业创新效率提升的市场结构条件[J].科学学与科学技术管理，2008（3）：59-63.

[7]  黄磊，吴传清.长江经济带城市工业绿色发展效率及其空间驱动机制研究[J].中国人口·资源与环境，2019（8）：40-49.

[8]  高萍，王小红.财政投入、环境规制与绿色技术创新效率——基于2008—2015年规模以上工业企业数据的实证[J].生态经济，2018（4）：93-99.

[9]  齐丽芳.我国工业企业分行业的绿色技术创新效率及其影响因素研究[D].南昌：南昌大学，2018.

[10]  邓峰，陈春香.R&D投入强度与中国绿色创新效率——基于环境规制的门槛研究[J].工业技术经济，2020（2）：30-36.

[11]  FLUES F， R？譈BBELKE D， V？魻GELES. An analysis of the economic determinants of energy efficiency in the European iron and steel industry[J]. Journal of Cleaner Production， 2015： 104.

[12]  吕岩威，谢雁翔，楼贤骏.中国区域绿色创新效率收敛性研究[J].科技进步与对策，2019（15）：37-42.

[13]  马骍.云南省绿色经济发展评价指标体系研究[J].西南民族大学学报（人文社科版），2018（12）：128-136.

[14]  欧阳志云，赵娟娟，桂振华，等.中国城市的绿色发展评价[J].中国人口·资源与环境，2009（5）：11-15.

[15]  李海龙，于立.中国生态城市评价指标体系构建研究[J].城市发展研究，2011（7）：81-86+118.

[16]  祝云龙.襄阳市绿色城市发展综合评价研究[J].湖北文理学院学报，2015（11）：7-31.

[17]  ANSELIN L. Spatial Econometrics： Methods and Models[M]. Springer Netherlands， 1988.

[18]  Yanchao Feng，Xiaohong Wang，Wenchao Du，Hongyu Wu，Jintao Wang. Effects of environmental regulation and FDI on urban innovation in China： A spatial Durbin econometric analysis[J]. Journal of Cleaner Production， 2019， 235.

[19]  JamesLeSage， Robert Kelley Pace. Introduction to Spatial Econometrics，2009.

[20]  HANSEN B E . Threshold effects in non-dynamic panels： Estimation， testing， and inference[J]. Journal of Econometrics， 1999， 93（2）： 345-368.

[21]  类骁，韩伯棠.环境规制、产业集聚与贸易绿色技术溢出门槛效应研究[J].科技管理研究，2019（17）：220-225.

[22]  张旭，王宇.环境规制与研发投入对绿色技术创新的影响效应[J].科技进步与对策，2017（17）：111-119.

[23]  仇怡.城镇化的技术创新效应——基于1990～2010年中国区域面板数据的经验研究[J].中国人口科学，2013（1）26-35+126.

[24]  郭进.环境规制对绿色技术创新的影响——“波特效应”的中国证据[J].财贸经济，2019（3）：147-160.

Analysis of green technology innovation efficiency and its influencing factors of industrial enterprises in Yangtze River Delta

He Yujing  Cai Danyang

（School of Economics and Management， Jiangsu University of Science And Technology， Zhenjiang， Jiangsu 212100）

Abstract： Green technology innovation of industrial enterprises in Yangtze River Delta is of great significance to promote high-quality economic development and ecological civilization construction in this region. Based on the panel data of 27 cities at prefecture level and above in the Yangtze River Delta from 2008 to 2018， this paper calculates the green technology innovation efficiency of industrial enterprises in the Yangtze River Delta by using DEA model of unexpected output， discusses the spatial effect of influencing factors of green technology innovation efficiency by using spatial Dubin model， and finally explores the relationship between their respective variables and green technology innovation efficiency of industrial enterprises by using linear and nonlinear models. The research shows that the green technology innovation efficiency of industrial enterprises in the Yangtze River Delta has increased year by year and there has been a spatial agglomeration effect; Foreign investment， green economy development level， urbanization level and industrial agglomeration have positive and direct promotion effects on green technology innovation in this region; Enterprise income and government support have positive effects on green technology innovation in local and neighboring areas; Environmental rules have negative spatial spillover effect on green technology innovation in neighboring areas; In the linear and nonlinear regression results， generally speaking， each variable has a similar mechanism on the efficiency of industrial enterprises' green technology innovation， among which the development level of green economy has the greatest coefficient and the deepest influence on the efficiency of industrial enterprises' green technology innovation compared with other variables. Finally， according to the results of empirical analysis， this paper puts forward specific policy suggestions for improving the efficiency of green technology innovation of industrial enterprises in the Yangtze River Delta in the future.

Key Words： Spatial Dubin;Spatial agglomeration;Green technology innovation

作者簡介：何育静，江苏科技大学经济管理学院副教授、硕士生导师，苏州大学中国特色城镇化研究中心兼职副研究员，研究方向：区域经济、产业经济;蔡丹阳，江苏科技大学经济管理学院硕士研究生，研究方向：技术创新管理。