制造业数字化绿色创新生态与经济效益影响因素研究

雷倩茹 邵博 申君宜

摘 要：基于文献研究和理论分析，构建制造业数字化绿色创新生态与经济效益影响因素理论模型。采用中国高技术制造业2008—2018年时间序列数据，从技术进步因素、基础设施建设、政府支持、市场竞争强度、企业创新投入、人才基础以及生态效益、经济效益等方面构建主成分回归模型，研究结果发现：技术进步、政府支持以及市场竞争强度对制造业数字化绿色创新生态效益具有显著正向影响;基础设施建设、市场竞争强度以及企业创新投入因素对制造业数字化绿色创新经济效益具有显著正向影响。基于研究结论，为制造业数字化绿色创新的实施及制度完善提出对策建议。

关 键 词：制造业;数字化;绿色创新;生态效益;经济效益

DOI：10.16315/j.stm.2021.02.011

中图分类号： F424.7

文献标志码： A

Research on influencing factors of digitalization green innovation ecological and economic benefits in manufacturing

LEI Qian-ru， SHAO Bo， SHEN Jun-yi

（School of Economics and Management， Harbin University of Science and Technology， Harbin 150080， China）

Abstract：Based on literature research and theoretical analysis， constructed the influencing factors model of digitalization green innovation ecological and economic benefits in manufacturing. According to Chinas high-tech （manufacturing） time series data from 2008 to 2018， building the principal component regression model， it concludes technical progress factor， the construction of infrastructure， government support， the strength of market competition， enterprise innovation investment， person with ability building， ecological benefit and economic benefit， the results indicate that， technological progress， government support and market competition have significant positive effects on the ecological benefits of the digitalization green innovation in manufacturing. Meanwhile， infrastructure construction， market competition intensity and enterprise innovation input factors have significant positive effects on the economic benefits of the digitalization green innovation in manufacturing. Based on the research conclusions， this paper puts forward countermeasures and suggestions for the implementation and improvement of the digitalization green innovation in manufacturing.

Keywords：manufacturing; digitalization; green innovation; ecological benefits; economic benefits

收稿日期： 2020-12-09

作者簡介： 雷倩茹（1996—），女，硕士研究生;

邵 博（1984—），女，博士研究生;

申君宜（1992—），女，博士研究生.

近年来，信息网络技术加速创新，以数字化技术和设备作为关键要素推进科研成果的落地，成为工业发达国家的必然选择。欧盟委员会将推动经济社会的绿色和数字化双转型作为2020及今后五年的施政重点。我国工信部在《工业绿色发展规划（2016—2020年）》中表示重视互联网在绿色制造领域的发展机遇，推进生产要素共享，整合闲置资源，发挥闲置产能，促进制造业数字化绿色创新能力的提升。在新的形势下，各工业强国虽侧重点不同，但都意识到利用数字化手段提升绿色制造水平是实现经济快速增长和环境效益平衡的重要方法，也是制造业发展的需要。在制造业应用数字化创新技术实现绿色发展的过程中，引进先进的数字化技术、对设备和运营管理进行优化调度、推进柔性生产、发挥网络平台的作用，能够有效改善目前的资源环境和效率问题;因此，识别我国制造业数字化绿色创新的影响因素及关系模型，对制造业实现经济和生态双增长具有理论和战略决策的指导作用。

1 文献回顾

随着第四次工业革命的兴起，各工业发达国家意识到数字化相关发展战略在制造业高端、绿色发展中的重要作用，相关学者对数字化与制造业绿色创新之间的关系展开了研究。史永乐等[1]表示要积极发挥新一代信息技术与其他先进制造技术在制造业绿色、开放、创新、共享发展过程中的重要作用。Chen等[2]认为数字制造有可能结合其他生产模式的优势，对可持续发展产生积极影响。

在制造业绿色创新影响因素方面，学者们从组织因素、环境因素、技术水平因素等角度进行了研究。组织因素主要体现在企业规模和组织环境因素的影响。刘章生等[3]提出企业规模扩大和组织经营环境优化能够有效提升制造业绿色技术创新能力。陈柔霖等[4]进一步验证组织环境认同能够帮助企业强化环境意识，从而指导企业绿色实践，帮助企业绿色竞争优势的提升。组织因素能有效促进企业获得绿色竞争优势。环境因素主要体现在政府因素和市场因素2个方面。Li等[5]认为环境规制能够有效弱化企业在绿色创新过程中由于质量管理带来的负向效益。甄志勇等[6]则指出政府针对绿色创新制定相关政策，能提升制造业绿色创新行为的积极性。Lin等[7]进一步细化了法规和供应商对产品和过程的绿色创新的影响，发现这2个因素在此过程中起到正向促进作用。王炳成等[8]认同国家法规促进企业绿色产品创新的观点，进一步提出市场环境在用户对企业绿色创新的影响过程中起到桥梁的作用。技术水平因素主要包括企业研发投入和工艺创新。张旭等[9]以系统学角度提出研发投入的提高能加速企业绿色技术创新进程。Kong等[10]发现工艺、设计和规划等过程先进制造技术的应用能够加速绿色产品和工艺创新进程。其他因素主要包括创新效益、绿色创意和外部知识来源等因素。Chen等[11]认为绿色创意有助于企业实现良好的绿色产品开发绩效。黄晓杏等[12]指出创新效益产出、经济效益产出、绿色效益产出等是区域绿色创新系统成熟度的重要评价指标。Hou等[13]认为外部知识来源对绿色创新增长有显著的负面影响。

周济[14]认为制造业数字化创新能够促进生产模式创新和产业形态变革，是新工业革命的核心技术。现有文献主要从数字化技术水平、环境因素、组织因素等方面对制造业数字化创新的影响因素进行研究。数字化技术水平因素主要體现在研发设计、生产加工、营销管理、制造服务等方面的技术进步和数字化基础设施。李健旋[15]认为技术研发是加速制造业数字化进程的主要因素之一。邵婧婷[16]认为数字化和智能化的应用不仅能提升生产效率，也能在生产过程中提供先进技术支持，促进销售服务协同发展，挖掘企业新价值的实现。在数字化基础设施方面，余江等[17]认为数字基础设施在数字创新网络中起到关键的连接和转换作用。环境因素主要包括政府因素和市场因素。各主体的协同发展，能有效促进更顺畅的信息传递沟通、优化创新环境，推进制造业数字化发展。市场因素包括规模化、市场需求、消费者等因素。Yadegaridehkordi等[18] 认为技术、组织和环境方面的影响是企业进行大数据采纳和提升企业绩效的关键因素。胡昌平等[19]认为用户因素影响了数字化信息的交互性。组织因素主要表现在企业创新战略、人才基础、高层管理者管理水平等方面。Li等[20]认为企业内部在新产品开发方面的创新战略与业务流程数字化战略的使用有助于提升其竞争力。孟凡生等[21]认为人才建设作为企业转型升级进程的重要驱动力，能够推动制造过程的数字化、智能化发展。Ferreira 等[22]发现企业管理者对新数字流程的采用有助于这些公司提高竞争力。其他因素主要包括创新效益、创新能力等因素。潘为华等[23]提出创新能力、创新效益、绿色发展和信息技术等因素是制造业数字化转型升级的主要影响因素。王新红等[24]提出制造业创新驱动由基本要素、科技创新、绿色发展和经济效益驱动4个部分共同组成。

综合学者们关于制造业数字化和绿色创新的理论解释，将制造业数字化绿色创新定义为制造业在创新过程中直接或间接的采用数字化手段或技术，寻求节能、降耗、减排、提质、增效的价值实现。无论是创新过程、外部环境还是组织内部视角，已有研究中制造业数字化和绿色创新的影响因素也多有交叉，但鲜有学者以系统的视角对数字化绿色创新综合效益的影响因素进行研究，而制造业数字化绿色创新过程技术成果的落地实践是以创新效益最大化为目标的;因此，本文采用主成分回归模型，综合考虑创新过程、创新环境、组织因素3个维度对制造业数字化绿色创新生态与经济效益的影响，构建影响因素关系模型，弥补当前关于制造业数字化绿色创新研究的空白，以进一步拓展相关研究。

2 影响因素理论分析与模型构建

本文立足于文献分析中达成共识的四大类因素，对影响制造业数字化绿色创新的微观因素作进一步识别与分析，以形成制造业数字化绿色创新影响因素集并构建理论模型。

2.1 创新过程因素

通过前文文献回顾辨识出绿色创新、数字化创新的影响因素都包括在创新过程中的工艺创新和技术进步，因此本文将创新过程因素总结为制造业数字化绿色创新的影响因素。

2.1.1 技术进步因素

技术进步水平不仅对制造业绿色转型产生直接驱动作用，而且也有助于破解“资源诅咒”，从而间接促进制造业绿色转型升级[25]。创新过程的技术进步主要表现在研发、制造、营销和服务等环节。研发环节可以通过数字化技术建设个性化定制平台，对接用户需求，使用数字化虚拟环境的优势，在一定程度上减少实际的试错成本，并消除不必要的能源消耗。制造环节可以利用数字化技术，通过数字化生产设备联网，实现生产制造过程的数字化自决策、精准控制自执行等功能，使得生产运营流程高度一体化，实现节约资源和提高效率的目标。营销环节能够有效应用数字化平台的优势，通过线下和网络渠道同时传播绿色产品资源信息，同时采用数字化渠道实现用户需求与企业供给的匹配，企业能够获得高质量、低成本的绿色资源产品。服务环节通过平台型服务为客户、消费者提供便利，利用工业大数据实时跟踪产品的生产、销售、使用等过程，有效地解决产品的回收利用，降低能源消耗成本。

2.1.2 基础设施建设

新型基础设施建设是传统基础设施建設的扩充与延伸，以信息化与融合性为特征，在软、硬基础设施方面加强资金投入能有效推进经济效益提升[26]。新基建可以促进制造业全面重构升级，从而产生新型生产模式和创新网络，有利于加速科研成果的落地实践，形成以供应链、数据链、价值链和产业链相互贯通为特征的链式发展模式，为制造业数字化绿色创新形成新的竞争力发挥积极作用[27]。

2.2 创新环境因素

通过文献回顾可以看出，环境因素对于绿色创新和数字化创新的影响都至关重要。本文假设创新环境因素是影响制造业数字化绿色创新的主要因素，主要体现在政治环境和市场环境2个方面。

2.2.1 政府支持

不同学者均表示政府研发资助对绿色技术创新有显著正向影响，环境规制与政府研发资助两者耦合互补更有利于促进绿色技术创新[28-29]。政府为制造业创新活动提供财政补贴和科研经费的支持，减小企业内部创新投入，有利于制造业加快基础设施建设的投入以及创新型人才的培养，帮助企业提升效益[30]。政府针对制造领域出台支持制造业绿色化、数字化发展的配套政策及行动指南，能加速制造企业渗透先进制造理念，激发制造企业加快新技术的集成应用，促进制造业高质量发展。

2.2.2 市场竞争强度

关于市场竞争强度，Im等[31]研究发现市场竞争与创新价值之间存在倒U型关系。行业竞争在不同条件下对制造业企业增加值存在吸引效应或挤出效应，市场地位的提升对企业能否在竞争中占据优势起到关键作用[32]。但企业在面临不同的市场环境会有不同的战略倾向，比如面临低技术研发难度和低市场竞争强度时，企业倾向于选择独自研发和推动市场化，面临高技术研发难度和低市场竞争强度时，更倾向于合作创新，不同市场竞争环境均可能导致创新网络权力的分散，形成多核心创新网络[33]。专利合作开发共享有助于知识、技术在市场内创新主体间自由流动，促进创新效益的提升[34]。

2.3 组织因素

根据文献回顾可以看出，组织因素对于绿色创新和数字化创新的重要性，因此，在制造业数字化绿色创新影响因素研究中，同样考虑组织因素的影响。组织因素主要体现在企业创新投入和人才基础等方面。

2.3.1 企业创新投入

创新投入力度在企业科技创新水平提升过程中起到关键作用[35]。对制造业企业而言，企业的科技活动大部分还是依赖于自有资金，合理的研发资金投入有助于企业的效益和创新能力提升。研发资金投入作为创新软环境之一，能够正向影响企业技术进步[36]。积极引导企业增加创新经费投入，是促进企业科技创新和进步的有效途径，也是制造业数字化绿色创新有效实施的必要支撑。

2.3.2 人才基础

在先进制造不断快速发展的时期，为适应发展需求，制造业组织内部对专业型人才的培养更加重视。企业内部员工驱动能够正向影响绿色创新战略的实施[37]。制造业数字化绿色创新意味着需要全新的工作方式，员工是整个生产环节的关键，在制造业数字化绿色创新的实施过程中，制造业组织内部高层管理者管理水平、创新型人才的积极培养与引进是制造业企业实现创新产出的重要推动力。

2.4 创新效益

企业进行创新的过程是不断地实现创新效益的过程，因此制造业数字化绿色创新效益的衡量主要考虑各类创新活动产生的经济效益与生态效益2个方面[38]。对经济效益和生态效益以及社会责任进行整体协调，才能促进制造业可持续发展[39]。

2.4.1 生态效益

对制造业企业而言，绿色创新致力于实现生态环境和经济的双重收益，生态效益主要体现为污染排放量的减少[40]。此外，采用先进技术实现的再制造生态效益提升反映了企业平衡经济效益和环境效益的能力[41]。利用数字化创新技术对制造业绿色创新资源进行优化和整合，不仅能提高创新效率，同时能减少资源消耗，提升能源利用率，获得良好的生态效益。

2.4.2 经济效益

制造企业绿色创新的关键是将社会效益和环境效益逐步向经济效益转化[42]。多位学者将经济效益视为创新能力的产出指标。经济效益主要体现在企业收入的增加，是技术成果价值实现的关键因素，在加速工业化阶段的发展起到重要作用[43]。在制造业绿色创新过程中利用数字化手段实现降本减排提质增效，以真实可量化的经济效益定义成效，最终实现新的可持续发展能力[44]。

2.5 影响因素概念模型

综上分析，构建制造业数字化绿色创新生态与经济效益影响因素的概念模型，其中创新过程、创新环境以及组织因素分别从不同角度对制造业数字化绿色创新效益产生影响，如图1所示。

3 数据来源与影响因素指标选取

3.1 数据来源

考虑到数据的真实性、可得性，以《中国统计年鉴》《中国能源统计年鉴》以及工信部等相关数据库作为指标测度的数据来源进行分析，且高技术制造业具备知识和技术密集，能源和资源消耗量少的特征，能够更真实地反映制造业数字化绿色创新的特征;因此，选取2008—2018年高技术制造业时间序列数据衡量制造业数字化绿色创新生态与经济效益的影响因素。为消除其他因素对数据分析的影响，其中高技术产品商品进出口贸易总额按照当年美元汇率折算为人民币币值，统计年鉴中个别年份缺失值使用线性插值法计算。

3.2 指标选取及变量说明

选取制造业数字化绿色创新生态与经济效益影响因素的衡量指标要考虑到数据的可获得性，同时遵循全面、科学、可操作和可比性等原则。参照国内外学者的研究成果，本文将影响制造业数字化绿色创新的自变量因素归纳为3类：一是创新过程因素，包括技术进步因素和基础设施建设因素;二是创新环境因素，包括产业竞争强度和政府支持;三是组织因素，包括企业创新投入和人才基础。制造业数字化绿色创新的因变量用创新效益衡量，主要包括生态效益和经济效益。

创新过程因素可以用研发、制造、营销及服务过程中的技术进步以及基础设施建設水平进行衡量，本文通过数字化研发设计工具普及率、关键工序数控化率、高技术制造业新产品销售收入、信息技术服务收入4个指标代表技术进步因素对制造业数字化绿色创新的影响。为消除通货膨胀带来的误差，对高技术制造业新产品销售收入和信息技术服务收入以2008年为基期的工业品出厂价格指数进行平减处理。

创新环境因素主要是通过政府资金支持、市场竞争强度发挥作用。市场手段和政府职能双管齐下，协助企业低碳技术升级和设备改造，优化税收结构，弥补低碳技术升级导致的负外部性[45]。本文选用高技术制造业R&D经费内部支出中政府资金、高技术制造业产品商品进出口贸易总额和高技术制造业有效发明专利数代表政府支持和市场竞争强度对制造业数字化绿色创新效益的影响。

组织因素一般包括内部人才基础和经济投入，而资金的来源众多，通过参考王莉静等[46]的研究，选用R&D人员数量、开发新产品投入衡量人力资源异质程度和创新资源整合投资意愿，在此仅选取新产品开发经费支出以及R&D人员全时当量来衡量组织因素对制造业数字化绿色创新效益的影响，对新产品开发经费支出以2008年为基期的工业品出厂价格指数进行平减处理。

创新效益主要体现在生态效益和经济效益2个方面，其中制造企业实现绿色发展的重要衡量指标是能源消耗，参考谷军健等[47]选用工业污染排放，包括废气排放、废水排放和工业固体废物排放衡量制造业生态方面的负面产出，使用工业增加值或各行业工业增加值占主营业务收入的比例作为反映价值增值程度的指标。本文选取单位高技术制造业增加值能耗作为衡量生态效益的指标，能耗值越低，说明生态效益更好;经济效益用高技术制造业占制造业增加值比重进行衡量。影响因素指标框架，如表1所示。

4 实证模型构建与结果分析

4.1 回归模型构建

采用最小二乘法建立创新效益与创新过程、创新环境及组织因素等变量之间的回归模型，通过回归系数来预测这些指标对创新效益的影响。回归模型如下：

Y1=α0+α1X1+α2X2+α3X3+α4X4+α5X5+α6X6+α7X7+α8X8+α9X9+α10X10，（1）

Y2=β0+β1X1+β2X2+β3X3+β4X4+β5X5+β6X6+β7X7+β8X8+β9X9+β10X10。（2）

4.2 相关性分析

Pearson相关系数表示Y1、Y2与自变量之间相关关系的强弱情况，如表2所示。由表2可知，自变量与因变量之间高度线性相关，直接用回归分析模型分析可能出现多重共线性的问题，因此采用主成分分析法降低维数并消除多重共线性问题。

4.3 因子分析

使用SPSS25.0软件对影响因素指标框架选取的10个自变量测度指标进行KMO和巴特利球形检验，KMO值为0.758（超过0.6），符合KMO值的度量标准，适合进行因子分析，巴特利球形检验卡方统计值的显著率为0.000，小于0.01，因此以上因素进行因子分析是适合的。KMO和巴特利球形检验结果，如表3所示。

制造业数字化绿色创新影响因素因子分析的数学模型：Xi=X1，X2，…，XP是标准化的原始变量，制造业数字化绿色创新影响因素的因子分析是将原始变量Xi表示为K个公共因子和一个特殊因子的线性加权和。即： Xi=ai1F1+ai2F2+…+aiKFK+εi，（i=1，2，…，p），本研究中，P=10。

模型用矩阵表示为：

其中：F1，F2，…，FK是影响因素的公共因子;εi是对应的每个影响因素Xi的特殊因子;αij是因子载荷（Xi和Fj）的相关系数，表示第i个影响因素相对于第j个公共因子的相对重要性;矩阵A是随机变量X和F的相关系数矩阵，称为因子载荷矩阵。根据上述模型，运用因子分析的主成分分析法提取主要因子，公因子方差提取结果，如表4所示。

根据公因子方差提取结果，每个指标提取的比例都在0.9以上，说明数据损失率较低，这些因子很大程度上解释了原始变量，指标选取合理有效。

因子分析的总方差解释统计结果，如表5所示。三个主因子的累计方差贡献率为99.505%（超过85%），其各自的方差贡献率为57.548%、37.604%、4.354%。故将其作为本研究提取的3个主成分因子。

根据旋转后的因子载荷矩阵进行因子定义：第1个公共因子在关键工序数控化率、数字化研发设计工具普及率、高技术制造业新产品销售收入、信息技术服务收入和互联网宽带接入端口上有较高的载荷，主要体现研发、制造、营销和服务等创新过程的技术进步及基础设施建设，称为创新过程因子（F1）;第2个公共因子在高技术制造业R&D人员全时当量和高技术制造业新产品开发经费支出上有较高的载荷，主要体现组织内部的人才基础和创新投入，称为组织因子（F2）;第3个公共因子在高技术制造业R&D经费内部支出中政府资金、高技术制造业有效发明专利数、高技术制造业产品商品进出口贸易总额上拥有较高的载荷，主要体现市场环境和政府环境的影响，称为创新环境因子（F3），如表6所示。

因子得分系数矩阵，如表7所示。根据表7建立模型，得到主成分和原始变量之间关系的得分函数：

通过成分得分协方差矩阵可以看出除对角线外不同因子之间的数据为0，这说明了正交旋转之后，因子之间是正交、不相关的，如表8所示。

4.4 线性回归方程结果

将3个主成分因子F1、F2、F3作为新的自变量，分别对Y1、Y2进行多元线性回归，得到2个回归方程：

Y1=2.292-0.454×F1-0.303×F2-

0.128×F3，（6）

Y2=0.141+0.011×F1+0.006×F2+

0.001×F3。（7）

将F1、F2、F3作为自变量， Y1作为因变量进行线性回归分析，结果显示模型R方值为0.973，意味着F1、F2、F3可以解释Y1的97.3%变化原因。对模型进行F检验时发现模型通过F检验（F=84.565，P=0.000<0.05），也即说明F1、F2、F3中至少一项会对Y1产生影响关系，以及模型公式为：Y1=2.292-0.454×F1-0.303×F2-0.128×F3。另外，针对模型的多重共线性进行检验发现，模型中VIF值均小于5，意味着不存在着共线性问题;并且D-W值在数字2附近，因而说明模型不存在自相关性，样本数据之间并没有关联关系，模型较好，如表9所示。

将F1、F2、F3作为自变量，Y2作为因变量进行线性回归分析，结果显示模型R方值为0.975，意味着F1、F2、F3可以解释Y2的97.5%变化原因。对模型进行F检验时发现模型通过F检验（F=92.238，P=0.000<0.05），也即说明F1、F2、F3中至少一项会对Y2产生影响关系，以及模型公式为Y2=0.141+0.011×F1+0.006×F2+0.001×F3。另外，针对模型的多重共线性进行检验发现，模型中VIF值全部均小于5，意味着不存在着共线性问题;并且D-W值在数字2附近，因而说明模型不存在自相关性，样本数据之间并没有关联关系，模型较好，如表10所示。

将方程（3）（4）（5）代入方程（6）（7）中，最终得到2个由原始变量表示的回归方程：

5 结论及建议

5.1 研究结论

本文采用主成分回归模型对影响制造业数字化绿色创新的主要因素进行识别分析，其研究结果表明：

1）影响制造业数字化绿色创新的3个主成分因子累计方差贡献率为99.505%，其中，创新过程因素的方差贡献率为57.548%，相对来说更为重要，其次为组织因素和创新环境因素，其贡献率分别为37.604%、4.354%。将主成分F1、F2和F3作为自变量对Y1进行线性回归，F1的回归系数值为-0.454（t=-12.896，P=0.000<0.01），意味着F1会对Y1产生显著的负向影响关系。F2的回归系数值为-0.303（t=-8.613，P=0.000<0.01），意味着F2会对Y1产生显著的负向影响关系。F3的回归系数值为-0.128（t=-3.633，P=0.008<0.01），意味着F3会对Y1产生显著的负向影响关系。根据主成分分析结果可知：创新过程因子、创新环境因子和组织因子均会对制造业数字化绿色创新能耗降低产生积极影响。其影响程度排序为创新过程因子>组织因子>创新环境因子。

2）将主成分F1、F2和F3作为自变量对Y2进行线性回归，F1的回归系数值为0.011（t=14.806，P=0.000<0.01），意味着F1会对Y2产生显著的正向影响关系。F2的回归系数值为0.006（t=7.347，P=0.000<0.01），意味着F2会对Y2产生显著的正向影响关系。F3的回归系数值为0.001（t=1.875，P=0.006<0.01），意味着F3会对Y2产生显著的正向影响关系。根据主成分分析结果可知：创新过程因子、创新环境因子和组织因子均会对制造业数字化绿色创新经济效益产生显著的正向影响关系。其影响程度排序为创新过程因子>组织因子>创新环境因子。

3）从最终的回归方程可以发现：高技术制造业有效发明专利数、数字化研发设计工具普及率以及R&D经费内部支出中政府资金对生态效益的影响尤为显著，尤其是高技術制造业有效发明专利数每增加1个单位，单位增加值能耗就减少0.198个单位，而高技术制造业R&D人员全时当量和单位增加值能耗存在正相关关系;互联网宽带接入端口、高技术制造业新产品开发经费支出、高技术制造业有效发明专利数对经济效益的影响尤为显著，尤其是互联网宽带接入端口数每增加1个单位，高技术制造业占制造业增加值比重就增加0.003个单位;高技术制造业产品商品进出口贸易总额、高技术制造业R&D人员全时当量和制造业占工业企业增加值比重存在负相关关系。由此可归纳出：技术进步、政府支持以及市场竞争强度对制造业数字化绿色创新生态效益具有显著正向影响;基础设施建设、市场竞争强度以及企业创新投入因素对制造业数字化绿色创新经济效益具有显著正向影响。

5.2 对策建议

基于以上研究结论，对制造业数字化绿色创新发展及制度完善提出以下对策建议：

1）重视发明专利的引领作用。从市场竞争的角度看，有效发明专利数对制造业数字化绿色创新的经济效益和生态效益均有显著影响，因此应关注前沿国际科技创新合作机会，提升多元主体如竞争企业、大学、政府和中介机构的协同创新能力，使各类创新主体共同参与制造业数字化绿色创新过程，充分发挥各创新主体优势，更大范围动态整合和配置资源。此外，通过政府鼓励专利申请，提升企业自主创新能力，推动制造业数字化绿色创新的差异化发展，避免出现市场同质化竞争。

2）加大引导基础设施建设以及企业创新投入。基础设施建设以及企业创新投入因素对制造业数字化绿色创新经济效益都具有显著正向影响，因此应加大引导新型基础设施建设，全面引导制造业企业终端设备设施联网、加速内部设施的迭代升级，解决数据终端连接不足等问题，推进企业内外部信息和数据的畅通传递，适应市场的新需求。此外，分析制造业现有工艺流程和配套设施低效运行的原因，在引进新技术、开发新产品以及改善工艺流程等方面加大企业创新投入，以便制造业数字化绿色创新进程加速演进和持续升级。

3）充分发挥政府引领作用，加强核心技术攻关。技术进步以及政府支持对制造业数字化绿色创新生态效益有显著影响，因此政府应进一步加强制造业数字化绿色创新相关政策的引导和专项资金支持，鼓励制造业数字化绿色创新过程中引进国内外先进技术，消化吸收并内化成为自身成长的驱动力，应用数字化先进技术，实现设备健康与能效远程监测系统，开发全业务流程的节能自优化功能，减少对环境的危害，以便帮助制造业数字化绿色创新实现更好的生态效益。

本文还存在一定的不足与局限：一是由于制造业数字化绿色创新影响因素抽象难以量化，以及数据来源的限制，仅选取了10个较强理论基础的因子;二是制造业数字化绿色创新生态与经济效益影响因素的关系模型在不同时期和发展阶段可能具有差异性。因此，对不同发展阶段展开研究是未来的努力方向。

参考文献：

[1] 史永乐，严良.智能制造高质量发展的“技术能力”：框架及验证：基于CPS理论与实践的二维视野[J].经济学家，2019（9）：83.

[2] CHEN D，HEYER S，IBBOTSON S，et al.Direct digital manufacturing：Definition，evolution，and sustainabilityimplications[J].Journal of Cleaner Production，2015，107：615.

[3] 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.

[4] 陈柔霖，田虹.组织环境认同对企业绿色竞争优势的影响研究[J].科学学研究，2019，37（2）：329.

[5] LI D，ZHAO Y，ZHANG L，et al.Impact of quality management on green innovation[J].Journal of cleaner production，2018，170：462.

[6] 甄志勇，毕克新.制造业绿色创新系统中的地方政府行为博弈[J].科技进步与对策，2011，28（24）：22.

[7] LIN H，ZENG S X，MA H Y，et al.Can political capital drive corporate green innovation？ Lessons from China[J].Journal of cleaner production，2014，64：63.

[8] 王炳成，李洪伟.绿色产品创新影响因素的结构方程模型实证分析[J].中国人口·资源与环境，2009，19（5）：168.

[9] 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，2017，34（17）：111.

[10] KONG T，FENG T，YE C.Advanced manufacturing technologies and green innovation：The role of internal environmental collaboration[J].Sustainability，2016，8（10）：1056.

[11] CHEN Y，CHANG T，LIN C，et al.The influence of proactive green innovation and reactive green innovation on green product development performance：The Mediation Role of Green Creativity[J].Sustainability，2016，8（10）.

[12] 黄晓杏，余达锦，刘亦晴.区域绿色创新系统成熟度指标体系的构建与评价[J].统计与决策，2019，35（21）：45.

[13] HOU J，CHEN H，XU J，et al.External knowledge sourcing and green innovation growth with environmental and energy regulations：Evidence from manufacturing in China[J].Sustainability，2017，9（3）：1.

[14] 周濟.制造业数字化智能化[J].中国机械工程，2012，23（20）：2395.

[15] 李健旋.中国制造业智能化程度评价及其影响因素研究[J].中国软科学，2020（1）：154.

[16] 邵婧婷.数字化、智能化技术对企业价值链的重塑研究[J].经济纵横，2019（9）：95.

[17] 余江，孟庆时，张越，等.数字创新：创新研究新视角的探索及启示[J].科学学研究，2017，35（7）：1103.

[18] YADEGARIDEHKORDI E，HOURMAND M，NILASHI M，et al.Influence of big data adoption on manufacturing companies performance：An integrated DEMATEL-ANFIS approach[J].Technological Forecasting and Social Change，2018，137：199.

[19] 胡昌平，周怡.数字化信息服务交互性影响因素及服务推进分析[J].中国图书馆学报，2008（6）：53.

[20] LI J，MERENDA M，VENKATACHALAM A R，et al.Business process digitalization and new product development：An empirical study of small and medium-sized manufacturers[J].International Journal of E-business Research，2009，5（1）：49.

[21] 孟凡生，赵刚.传统制造向智能制造发展影响因素研究[J].科技进步与对策，2018，35（1）：66.

[22] FERREIRA J J M，FERNANDES C I，FERREIRA F A F.To be or not to be digital， that is the question： Firm innovation andperformance[J].Journal of Business Research，2019，101：583.

[23] 潘为华，潘红玉，陈亮，等.中国制造业转型升级发展的评价指标体系及综合指数[J].科学决策，2019（9）：28.

[24] 王新红，李世婷.基于改进熵值法的中国制造业创新驱动能力评价研究[J].商业研究，2017（1）：27.

[25] 张峰，宋晓娜.资源禀赋、技术进步与制造业绿色转型[J].统计与决策，2020，13（21）：98.

[26] 郝凤霞，刘子涵.“一带一路”国内沿线区域基础设施投资效率及其经济效益：基于软、硬基础设施的视角[J].工业技术经济，2019，38（8）：10.

[27] 刘海军，李晴.新基建加速制造业转型升级[J].当代经济管理，2020，09（4）：1.

[28] 原毅军，戴宁.基于绿色技术创新的中国制造业升级发展路径[J].科技与管理，2017，19（1）：8.

[29] 王惠，王树乔，苗壮，等.研发投入对绿色创新效率的异质门槛效应：基于中国高技术产业的经验研究[J].科研管理，2016，37（2）：63.

[30] 刘勤华，刘晓冰，黄昊.政府支持政策对高新技术企业种子期产出效益的影响：企业关键要素的中介作用[J].科技进步与对策，2019，36（15）：115.

[31] IM H J，PARK Y J，SHON J，et al.Product market competition and the value of innovation：Evidence from US patent data[J].Economics Letters，2015：78.

[32] 巫强，郭航，顾以诺.行业竞争、市场地位与外资制造业企业的增加值比例：基于层级型全球价值链的视角[J].世界经济与政治论坛，2019（4）：48.

[33] 曹兴，罗会华.技术特征、市场环境与新兴技术创新网络的初始结构：基于探索性多案例研究[J].中南大学学报（社会科学版），2020，26（3）：102.

[34] 解学梅，刘丝雨.协同创新模式对协同效应与创新绩效的影响机理[J].管理科学，2015，28（2）：27.

[35] 赵喜洋，刘雅琴.湖北省高新技术企业科技创新绩效评价研究[J].科技进步与对策，2017，34（22）：133.

[36] 杨百寅，高昂.企业创新管理方式选择与创新绩效研究[J].科研管理，2013，34（3）：41.

[37] 解学梅，罗丹，高彦茹.基于绿色创新的供应链企业协同机理实证研究[J].管理工程学报，2019，33（3）：116.

[38] 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，2017，34（17）：111.

[39] 郭羽含，于俊宇，刘万军，等.制造业可持续供应链网络建模及求解[J].计算机集成制造系统：2020，10（15）：1.

[40] 郭英远，张胜，张丹萍.环境规制、政府研发资助与绿色技术创新：抑制或促进？——一个研究综述[J].华东经济管理，2018，32（7）：40.

[41] JIANG Z，DING Z，ZHANG H，et al.Data-driven ecological performance evaluation for remanufacturing process[J].Energy Conversion and Management，2019，198.

[42] 李海萍，向刚，高忠仕，等.中国制造业绿色创新的环境效益向企业经济效益转换的制度条件初探[J].科研管理，2005（2）：46.

[43] 戚湧，王昊义.基于HedonicPrice模型的技术成果价值影响因素研究[J].科研管理，2017，38（3）：94.

[44] HARAGUCHI N，CHENG C F C， SMEETS E.The importance of manufacturing in economic development：Has this changed？[J].World Development，2017，93（6）：293.

[45] 張济建，万安位，宋雅静.考虑能源回弹效应的高碳产业低碳转型过程中的技术突变性[J].科技进步与对策，2020（8）：1.

[46] 王莉静，李菲菲.基于灰色关联度的中小制造企业创新资源整合影响因素研究[J].学习与探索，2018（4）：138.

[47] 谷军健，赵玉林.中国如何走出科技创新困境？：基于科技创新与人力资本协同发展的新视角[J].科学学研究，2020（8）：1.

[编辑：厉艳飞]