绿色创新是否适应气候变化：中国专利和GHG排放数据的实证

张意翔 成金华 徐卓程

摘要 气候变化是全球面临的最大环境挑战，中国根据自身发展的实际情况提出力争在2030年前达到碳高峰，努力争取在2060年前实现碳中和，要想实现该目标就必须减少包含二氧化碳在内的温室气体排放量。考虑到我国经济和能源系统所具有的高碳化特征，绿色创新驱动被认为是实现碳中和目标的重要途径之一，也是我国主动适应气候变化的主要措施之一。现有研究主要分析绿色创新对气候变化的影响，很少研究绿色创新是否适应气候变化的要求。本文基于2000—2017年我国30个省级行政单位的绿色技术专利与GHG数据，通过Logistic模型、负二项式固定效应回归及自回归分布滞后等模型分析了绿色创新对气候变化的适应程度，该适应程度用气候变化对绿色创新的影响程度表示，两者成正相关关系。研究发现：①气候变化会诱导绿色创新，但诱发效应较小。尽管CO2EG的影响最大，但也只有0.3%左右。②不同GHG排放源对绿色创新的影响程度不同，天然气和煤炭消费产生的碳排放与之成正比，石油和其他GHG与之成反比。③区域碳排放水平与绿色技术创新效应成正比。④不同来源的投资对绿色技术专利数量的影响具有异质性，私人投资比政府投资更能提升绿色创新的适应程度。最后，从以下几个方面提出了提高绿色创新对气候变化适应程度的若干建议：①中央政府应通过减税和补贴等手段刺激地方政府进行绿色创新投资;②实行差异化行业创新政策，更加致力于促进旨在减少煤和天然气碳排放的技术研发;③加大新能源投资;④刺激私人投资，完善投资结构，把有限的私人投资投入到能源和电信等行业，提高私人公共投资的创新效率。

关键词 气候变化;专利;创新;CO2排放;GHG排放

在2030年前达到碳高峰和2060年前实现碳中和是习近平总书记根据中国实际情况提出的碳减排目标，要想实现该目标就必须减少包含CO2在内的温室气体（GHG）排放。尽管调整结构和技术创新被认为是减排的有效途径，但在经济结构、能源结构具有高排放特点情况下，充分发挥绿色创新效应就显得尤为重要[1]。为减少温室气体排放，中国政府不断加强绿色创新[2]。尽管推广绿色创新政策降低了温室气体排放量，但排放总量的不断增多说明政府政策并没有充分适应气候变化[3]。这就说明有必要研究中国绿色创新对温室气体排放的适应程度。

绿色创新作为适应气候变化挑战的手段备受学者们关注，他们均认为绿色创新能有效减少温室气体[4-12]，但这些研究在分析创新与气候变化关系时主要分析绿色创新对气候变化的影响，很少研究绿色创新是否适应气候变化。Lee等[4]发现尽管绿色创新会减少温室气体排放量但并没有达到气候变化产生的减排要求，这种现象在欠发达国家尤为明显。他们认为要想真正发挥绿色创新的温室气体减排效应就必须通过增强绿色创新能力来提高绿色创新适应气候变化的变化程度;蒋佳妮等[7]、王为东等[8]认为尽管绿色创新提高了中国温室气体减排效率，但仍未满足气候变化产生的减排需求;张意翔等[9]认为中国绿色创新对气候变化的低适应程度不仅使中国总体生态绩效水平较低还产生了区域生态绩效差异;Lorente等[10]认为可根据气候变化特点来调整绿色创新投资规模和方向以提高绿色创新对气候变化的适应程度;王兵等[11]、陈超凡[12]则认为中国需要根据经济发展模式变化通过增加R&D投入等途径不断提高绿色创新能力来提高绿色创新对温室气体排放的适应程度。可见，要想充分发挥中国绿色创新的减排效应，就需要通过分析绿色创新对气候变化的适应机制和影响因素来提高中国绿色创新对温室气体排放的适应程度。

本文试图从以下方面对现有文献进行完善：首先，通过检验气候变化指标对不同绿色专利的影响来研究绿色创新对气候变化适应程度的整体特征;其次，分析不同来源与不同规模的温室气体排放对绿色创新影响的异质性来检验绿色创新对气候变化适应程度的变化特征;最后，通过比较私人公共投资对不同行业绿色创新的影响来检验私人公共投资对绿色创新的作用机制。本文不仅能够在一定程度上扩展绿色创新效应的研究视野，探寻更能有效缓解气候变化的绿色创新模式，还有利于完善减排的政策制定体系。

1 变量、模型设定與数据来源

本文主要分析绿色创新与气候变化的联系。绿色创新是指绿色创新能力，使用绿色技术专利表示，两者是正相关关系[10]。

1.1 变量

自变量包括地区天然气、煤以及石油燃烧每年产生的CO2排放量、投资虚拟变量、人均GDP以及其他GHG气体排放量;因变量是指地区参与开发绿色技术专利的可能性。

1.1.1 自变量

气候变化用CO2和其他GHG排放表示。由于气候变化问题的复杂性，还没有单一指数或衡量标准能够表示气候变化的全部影响。因此，选择CO2代表气候变化，由CO2EG、CO2EL和CO2ES构成。CO2EG、CO2EL和CO2ES分别表示使用天然气、石油和煤时产生的CO2。OGHGE是指除CO2外的其他GHG的排放水平。GHG和CO2的数据单位均为万t 。

GDPpc采用地区人均GDP，控制经济和人口规模的影响。GDPpc和投资以元为单位。

投资虚拟变量反映政府投资政策对绿色技术专利的影响。包括：①dumIEG表示对私人参与的能源项目的政府投资。②dumITC变量表示私人参与的电信项目中的政府投资。涵盖的项目类型与dumIEG变量一致。③dumITP表明私人参与的交通项目的政府投资。④dumIWS代表私人参与的水和卫生项目政府投资。这四种投资项目类型虚拟变量指资本消耗、新建项目和资产剥离的运营管理合同。

需要进一步说明的是，CO2ET是一个按2000—2017年间的CO2 总排放量对各地区进行分组的分类变量。该变量的值为1～5，其中：1表示大于9亿t CO2 排放量的地区，2代表该地区CO2 排放量超过6亿t 但不超过8亿t ，3表示该地区CO2 排放量超过4亿t 但小于6亿t，4表示该地区CO2 排放量超过2亿t 伹小于4亿t，5表示该地区CO2 排放量小于2亿t 。

1.1.2 因变量

专利数量用Y02表示，共5个，包括Y02B、Y02C、Y02E、Y02T和AllY02。其中：Y02B涉及与建筑物有关的气候缓解技术，Y02C包括气体或液体的贮藏或分配及制冷气体的液化和GHG气体固化等技术，Y02E涉及电力发电、变电、配电及燃烧设备与技术等技术，Y02T涵盖与输送、包装、存贮、搬运相关的技术。这些变量通过地区专利数量加总而成。前四个变量代表了四个Y02的国际专利分类IPC类别中每一个专利总数，AllY02是前四个的加总。

四个二元虚拟因变量（dumY02B、dumY02C、dumY02E和dumY02T）表明某地区是否正在开发上述四个Y02类别中任何一项技术并申请专利，存在为1，否则为0。

1.2 基本模型

为理解气候变化与绿色创新关系，采用三阶段计量方法：模型1采用二元Logistic固定效应回归估计温室气体排放对技术专利数量的边际影响;模型2采用无条件负二项式固定效应估计来研究温室气体排放如何影响绿色技术专利数量并控制地区间的影响程度，同时采用随机效应估计不同温室气体排放量的影响;通过控制可能存在偏差估计的时间变化遗漏变量使用自回归分布滞后模型进行稳健性分析。

1.2.1 二元Logistic固定效应回归

Logistic模型旨在分析地区进行发明和申请新绿色技术专利的可能性，公式如下：

其中，DY02it是二进制变量，如果i地区在t年至少存在一个绿色技术的专利（Y02），则其值为1，否则为零。P（DY02it=1）被称为“专利倾向”[12]，指地区参与开发和申请气候变化技术专利（Y02）的可能性。CO2EGit、CO2ELit和CO2ESit分别表示i地区在第t年的天然气、液体和煤产生的CO2排放量。OGHGEit是i地区第t年其他GHG排放的變量。GDPpcit是控制变量，表示i地区第t年的人均GDP。Ct表示为控制年份间差异而添加的虚拟二进制变量，εit是误差项。Logistic二元回归在专利分析中非常普遍，其中输出变量是二进制[13]。

1.2.2 无条件负二项式固定效应模型

为分析绿色技术专利数量对气候变化的适应程度，本文使用以下标准线性模型。

其中，Y02it代表五个Y02变量（Y02B、Y02C、Y02E、Y02T和AllY02），CO2EGit、CO2ELit、CO2ESit、OGHGEit、GDPpcit、Ct和εit变量与模型1一致。由于变量Y02过度离散，因此选择负二项式回归而不是更普遍的泊松回归来估计模型。除了Y02C（约为70%）外，每个Y02数据中零分布是非常合理的。将模型调整为非线性指数函数形式，则yit的条件均值是：

最常用的固定效应负二项式回归方法并不符合真正的固定效应估计[14]。Hausman等[15]提出可使用分散参数的特定个体变化，但它不能控制时间不变的协整变量。Allison等[16]认为无条件负二项式固定效应模型和负二项随机效应模型三种替代解决方案可解决该问题。

1.2.3 稳健性检验

使用标准线性自回归分布滞后模型（auto regressive distributed lag，ARDL）进行稳健性检验，并作为分析气候创新滞后效应的扩展，该模型如下：

Y02it表示五项绿色技术专利中的一项;CO2EGit、CO2ELit和CO2ESit的含义与上文相同。i和t分别代表给定地区和年份。另外，使用广义矩量法（generdized method and moments，GMM）估计上述ARDL。类似地，由于因变量是非连续和正相关，因此乘法分布滞后指数模型相比线性模型更适用。这里将不对模型3的指数适用性及其相关的GMM估计式做进一步讨论。GMM通常用于研究动态面板数据模型的内生性问题[17]。但由于它不能直接用于模型3中的数据分析，所以，模型3将使用差分GMM估计的“准差分”。该方法由Wooldridge[18]开发并适用于面板数据模型。

1.3 数据来源

专利数据来自国家及各省市知识产权局、《中国统计年鉴》以及《中国科技统计年鉴》。各地区的CO2排放量、其他GHG排放量、国内生产总值和人口数据均来自2001—2018年世界银行数据库（WDI）。考虑数据的可获得性，不包含西藏、台湾、香港和澳门，得到30个省级行政单位，选择其2000—2017年间的数据。数据显示，自2000年以来绿色专利数量呈显著增加趋势，而且Y02技术的数量大幅增加，尤其是Y02E和Y02T。不仅如此，所有排放水平整体呈逐渐增加的趋势。三种能源消耗产生的总碳排放量（CO2ET）远远高于其他GHG。其中，其他GHG=温室气体总排放-CO2排放。

2 绿色创新对气候变化适应程度

该程度通过气候变化与绿色专利数量的相关系数来表示，系数越大则适应程度就越大。

为解决数据集可能产生的异方差、自相关和内生性等问题，本文参考文献[18]进行序列相关性检验。此外，还进行了ADF单位根检验以及变量自相关及其滞后性检验。

首先，从表1可看出，Breusch-Pagan检验中的p值显著，说明存在异方差;Hausman检验结果表明各地区的影响与其他协变量不相关，因此模型2存在面板固定效应;另外，Wooldridge检验表明模型2中的变量存在序列相关性。

其次，表2表示CO2EL与CO2EG和CO2ES高度相关。所有变量的VIF膨胀因子显著较低，且估计值的标准误差在合理范围内。GDP、人口与CO2、其他GHG排放变量高度相关，而GDPpc则是微弱相关，因此，只分析人均GDP。此外，所有自变量都是I（1），而所有因变量都是I（0）。可见，绿色创新在较为微弱的程度上适应气候变化。

最后，模型检验结果显示其存在自相关、异方差和内生性相关的问题。为解决这些问题，利用聚类稳健标准误差、一阶差分和GMM进行修正。

3 绿色创新对气候变化的适应机制

表3显示绿色创新在较微弱的程度上适应气候变化。那么，这种适应是如何形成的呢？本部分对此问题进行分析，所有实证结果将分三个部分进行介绍和讨论。第一部分讨论模型1中的二次项Logistic回归估计结果。第二部分讨论模型2中的固定效应和随机效应负二项式的估计结果，最后介绍GMM短期估计结果。

3.1 专利的边际倾向（Y02技术）

表3显示，除OGHGE和一些投资虚拟变量外，所有变量的系数都具有显著性。CO2EG 、CO2ES、dumIEG和dumITC对五个因变量具有显著正相关性，CO2EL具有显著性但对其中四个因变量具有负相关性。在AllY02中，四种投资具有显著性。然而，只有能源和电信投资才能对专利（Y02）的数量产生正向影响，运输、水和卫生的投资对AllY02产生负向影响。在所有因变量中，人均GDP都是显著的且正相关的。

结果显示：首先，碳排放量的增加（CO2EL除外）会使绿色技术专利增加。其次，四个部门的投资并不总是对于绿色技术专利数量产生正向影响，私人投资影响更大[1]。

3.2 CO2和GHG排放对Y02专利数量的影响程度

表4显示了模型2的负二项式固定效应的估计结果。如表所示，CO2EL和CO2EG至少对五个变量中的三个因变量的影响显著。与表3中的结果一致，液体燃料消耗的碳排放对气候变化专利具有负相关性，而固体燃料消耗的碳排放对Y02专利的数量具有正相关性。OGHGE和CO2EG在固定效应下不显著。证实了表3的结果，即绿色创新并没有像预期那样对石油等液体燃料消耗所产生的CO2排放做出积极适应。另一方面，CO2ES与Y02专利数量间的显著正向关系表明“创新”的高比例上升可以通过CO2ES的变化来解释。

表5显示了不同碳排放量对Y02专利数量的时间不变效应。按碳排放量将各地区分为五组，第1组大于9亿t （河北、内蒙古、江苏、山东、广东），第2组是6～9亿t （山西、浙江、辽宁、河南），第3组是4～6亿t （北京、吉林、上海、天津、江西、广西、重庆、贵州、云南、甘肃、宁夏），第4组是2～4亿t （安徽、福建、湖北、湖南、四川、陕西、黑龙江、新疆），第5组不大于2亿t （青海、海南）。除第5组总体上不显著外，其他都具有显著性，但第1组的显著性明显比第2、3、4组小。第5组之所以总体不显著，主要是青海和海南的绿色创新规模太小，尤其是海南省;第1组的显著性较小的原因主要是河北和内蒙古的绿色创新规模太小。尽管如此，结论还是充分证明了地区碳排放水平与Y02技术的研发和专利成正比，该结论与现有文献的结论基本一致[5-6， 12]。由此，从上述分析结论不难看出绿色创新对气候变化的适应机制及其影响因素。一方面，从适应机制来看，除CO2EL外，绿色创新会随着温室气体排放的增加而提高，但上升幅度较小。这说明我国绿色创新能在一个较低的程度上适应气候变化。另一方面，从该适应机制的影响因素来看，绿色创新对气候变化的适应程度取决于温室气体排放源、地区绿色创新能力与投资主体性质。首先，天然气和煤炭消耗碳排放的增加会提高绿色创新的适应程度，而石油和其他温室气体排放的增加会降低绿色创新的适应程度;其次，地区绿色创新能力越强则适应程度越大;再次，私人投资比政府投资更能提升绿色创新的适应程度。

4 穩健性检验——准差分GMM结果

可见，中国绿色创新在一定程度上适应气候变化。由于在受其他因素影响时，上述变量的大小及变量关系会发生变化。因此，需进行稳健性检验。尽管要对不同形式的变量进行检验，但中国正处于生态文明建设制度不断完善时期，政策会不断变动，使排放量变化非常频繁，无法对其变化特征进行总结。绿色创新尽管会受政策影响，但路径依赖等因素使其变化小于CO2排放量和其他温室气体排放量的变化频率[19]。所以，只对不同技术专利进行检验。Schleicha等[20]认为专利存量可以进一步精确反映特定部门效应，如技术提供者的从发明中学习的效应。因此，这部分详细讨论了温室气体排放、研发投入和经济增长对绿色技术专利的引致效应。使用了Lin等[19]的公式来计算绿色技术的专利存量，如下所示：

绿色技术专利存量的初始值确定为2000年的专利申请量。折旧率δ是15%[19]。排放量发生较大变化会影响绿色创新与碳排放的关系。这种情况的存在说明要想全面揭示绿色创新对碳排放适应程度，需要结合区域具体情况来分析区域适应程度的异质性。这将是我们后续研究重点解决的问题。

5 结论与建议

在对气候变化与绿色创新关系及对不同形式私人公共投资对绿色创新的影响进行分析基础上，本文研究了绿色创新对气候变化的适应程度，得出如下结论：①我国气候变化能诱导绿色技术创新，但诱导效应较小。即绿色技术创新能适应气候变化，但适应程度较低。其中，CO2EG对Y02T的影响程度最大，但也只有0.3%左右。②不同气体排放源对绿色创新效应的影响程度不同，对绿色技术发展影响最大的是天然气和煤炭消耗的碳排放，而石油和其他温室气体消耗的碳排放对绿色技术专利的影响较小。③地区排放规模与绿色技术专利技术数量成正比。④私人投资对绿色创新适应程度的影响更大。

基于上述结论，本文给出了提高绿色创新对气候变化的适应程度的几点建议：①鼓励和促进符合本地区社会发展需要的绿色创新政策，更好推动地区参与绿色创新。地区进行气候绿色创新的倾向受到二氧化碳和其他温室气体排放量的影响说明在中央政府投入有限情况下，地方政府需要重视碳减排过程中的创新效应，加大绿色创新投入。这就需要中央政府通过减税和补贴等手段刺激地方结合实际情况进行绿色创新投资[21]，提高地区绿色创新能力，以最大限度减少温室气体排放。②实行差异化行业创新政策。限于经济条件，政府需要针对不同行业实行不同的创新政策，更加致力于促进旨在减少煤和天然气碳排放的技术研发。尽管温室气体排放量的增加会引发绿色技术专利的增加，但对不同专利的影响具有异质性，一方面，它与石油（液体）产生的碳排放和Y02专利数量之间存在负相关关系，这意味着Y02专利数量对石油和其他温室气体碳排放增加的适应非常弱;另一方面，煤炭和天然气的碳排放与Y02专利间存在正相关关系，这说明它们产生的CO2和Y02专利计数表明其对这类碳排放具有强烈的创新适应。因此，政府需要对不同能源采取差异化政策，应该大力促进减少煤和天然气碳排放的绿色技术研发[10]。③加大新能源投资，鼓励绿色创新。气候变化会诱导绿色技术创新，反之亦然，这有力地证实了创新与气候变化指标的变化具有显著正相关性。但值得注意的是，绿色技术专利的相对数量将随着碳排放量的下降而下降，这说明需要找到更多的诸如促使新能源技术开发等新方法来鼓励绿色技术创新[22]。④刺激私人投资，完善投资结构。绿色投资规模过小一直是影响我国能源技术创新能力的重要因素，尤其是在不发达地区[1]。研究结论显示，投资对Y02专利数量在产生积极影响的同时，也会产生负面影响。这表明需要采取针对性政策刺激私人投资，完善投资结构，把有限的私人投资投入到能源和电信等行业，提高私人公共投资的创新效率[2]。

参考文献

[1]张意翔， 成金华， 汤尚颖， 等. 技术进步偏向性、产权结构与中国区域能源效率[J]. 数量经济技术经济研究， 2019， 34 （8）： 72-88.

[2]涂正革， 陈立. 技术进步的方向与经济高质量发展：基于全要素生产率和产业结构升级的视角[J]. 中国地质大学学报（社会科学版）， 2019， 19 （3）： 119-135.

[3]齐绍洲， 林屾， 崔静波. 环境权益交易市场能否诱发绿色创新：基于我国上市公司绿色专利数据的证据[J]. 经济研究， 2018， 53 （12）： 129-143.

[4]LEE K， MIN B. Green R&D for eco-innovation and its impact on carbon emissions and firm performance[J]. Journal of cleaner production， 2015， 108： 534-542

[5]李平. 環境技术效率、绿色生产率与可持续发展：长三角与珠三角城市群的比较[J]. 数量经济技术经济研究， 2017， 34 （11）： 3-23.

[6]董直庆， 王辉. 环境规制的“本地-邻地”绿色技术进步效应[J]. 中国工业经济， 2019 （1）： 100-118.

[7]蒋佳妮， 王文涛， 王灿， 等.适应气候变化需以生态文明理念构建全球技术合作体系[J]. 中国人口·资源与环境， 2017， 27 （1）： 57-64.

[8]王为东， 卢娜， 张财经. 空间溢出效应视角下低碳技术创新对气候变化的响应[J]. 中国人口·资源与环境， 2018， 28 （8）： 22-30.

[9]张意翔， 成金华， 徐卓程， 等. 中国区域生态建设协调度评价及提升：基于能源技术专利数据[J]. 中国人口·资源与环境， 2019， 29 （6）： 58-64.

[10]LORENTE D B， LVAREZ H A. Economic growth and energy regulation in the Environmental Kuznets Curve[J]. Environmental science and pollution research， 2016， 23（16）： 16478-16494.

[11]王兵， 刘光天. 节能减排与中国绿色经济增长：基于全要素生产率的视角[J]. 中国工业经济， 2015 （5）： 57-69.

[12]陈超凡. 节能减排与中国工业绿色增长的模拟预测[J]. 中国人口·资源与环境， 2018， 28 （4）： 145-154.

[13]BROUWER E， KLEINKNECHT A. Innovative output， and a firms propensity to patent： an exploration of CIS micro data[J]. Research policy， 1999， 28（6）： 615-624.

[14]GUIMARAES P. The fixed effects negative binomial model revisited[J]. Economics letters， 2008， 99（1）： 63-66.

[15]HAUSMAN J， HALL B H， GRILICHES Z. Econometric models for count data with an application to the patents R&D relationship[J]. Econometric， 1984， 52 （4）： 909-938.

[16]ALLISON P D， WATERMAN R P. Fixed-effects negative binomial regression models[J]. Sociological methodology， 2002， 32 （1）： 247-265.

[17]KURAMOTO N， ITO M， SAITO Y， et al. Dephosphorylation of endogenous GABAB receptor R2 subunit and AMPK α subunits which were measured by in vitro method using transfer membrane[J]. Neurochemistry international， 2013， 62（2）， 137-144.

[18]WOOLDRIDGE J M. Multiplicative panel data models without the strict erogeneity assumption[J]. Econometric theory， 1997， 13 （5）： 667-678.

[19]LIN B Q， CHEN Y F. Does electricity price matter for innovation in renewable energy technologies in China？[J]. Energy economics， 2019， 78： 259-266.

[20]SCHLEICHA J， WALZA R， RAGWITZA M. Effects of policies on patenting in wind power technologies[J]. Energy policy， 2017， 108： 684-695.

[21]付帼， 卢小丽， 武春友. 中国省域绿色创新空间格局演化研究[J]. 中国软科学， 2016 （7）： 89-99.

[22]马志云， 刘云. 适应气候变化关键技术创新差异的时空格局：以“一带一路”沿线国家为例[J]. 中国人口·资源与环境， 2017， 27 （9）： 102-111.