能源替代性、方向性技术变化对区域工业绿色增长绩效的影响

王文普

(南通大学 经济与管理学院，江苏 南通 226019)

1 综述

能源是工业的一种重要投入要素。随着我国工业能源使用量不断攀升，以及对化石燃料的依赖，导致污染排放量上升，使工业增长与生态环境矛盾加剧。能源替代性问题引起了学界的极大关注。一是能源替代性对绿色增长的潜在含义，如Dasgupta & Heal(1974)[1]、Ayres(2007)[2]、Stern & Kander(2012)[3]、Papageorgiou等[4](2017)论证了清洁能源与肮脏能源间替代弹性是促进绿色增长必要条件的一个关键参数。二是能源和非能源要素间替代弹性的测算。Kemfert & Welsch(2000)[5]估计了资本-劳动-能源三要素的嵌套CES生产函数，发现德国多数行业的资本和能源存在互补关系，劳动与能源存在替代关系。郑照宁和刘德顺(2004)[6]指出，我国的资本与劳动、能源之间也存在替代关系，但劳动和能源的替代弹性较小。王班班等[7](2014)利用超越成本函数测算了我国工业行业的能源与非能源要素的替代弹性，发现能源与资本、劳动之间都具有替代关系。然而，陈晓玲等[8](2015)利用资本-劳动-能源的嵌套CES生产函数，发现我国多数行业中资本和能源表现为互补关系。三是各种能源之间的替代关系。Acemoglu等(2012)[9]指出应对气候变化的政策取决于清洁能源与肮脏能源间替代弹性大小。于立宏和贺媛[10](2013)利用超越成本函数估计了我国的石油与煤炭、电力之间替代弹性值，各种能源之间替代关系表现出正负交替的特征，但2000年以来，石油与煤炭具有替代关系，而煤炭与电力之间表现为稳定的替代关系。在嵌套CES生产函数框架下，Papageorgiou等[4](2017)测算了26个国家的清洁能源与肮脏能源之间的替代弹性大小，二者之间存在替代关系。Malikov等[11](2018)通过非参数方法对能源间替代弹性的研究发现，在非能源部门中，只有1/3产业中的能源间替代弹性值大于1，即清洁能源与肮脏能源之间存在替代关系。上述研究表明改善能源使用不仅是个经济问题，也是一个生态环境问题。

在能源与非能源要素替代性分析中，一些学者还注意到技术变化的作用。根据偏向型技术变化理论，技术变化并非总是中性的，其可能偏向于提高某一要素的边际生产力。偏向型技术变化主要通过两种方式影响能源的使用，从而减轻生态环境压力：一是技术变化倾向于提高非能源要素的边际生产率，从而降低能源消费(樊茂清等，2009；张意翔等，2017)[12-13]，进而对生态环境产生有利影响；二是技术变化倾向于提高能源要素的边际生产率，提升能源使用效率(Zhang等，2003；Zhao等，2010)[14-15]，对生态环境的改善具有促进作用。

本文试图在超越对数生产函数框架下，一是利用Lasso方法来处理生产函数估计中的多重共线问题，进而测算了我国30个省区的能源与非能源要素替代弹性、偏向型技术变化和偏向特定要素的技术变化。二是以偏向型技术变化为基本变量，利用俱乐部聚类检验，将30个省区归并为若干区域。最后，从能源消耗和主要污染物排放量两个层面构建工业绿色增长绩效指标，通过非参数核回归方法检验能源与非能源要素替代性、偏向型技术变化和特定要素技术变化对各区域工业绿色增长绩效的影响。

2 模型与估计方法

2.1 模型选择

超越对数生产函数是分析企业和产业生产结构的一个重要工具。当存在p个投入要素的情形时，包含技术变化的超越对数生产函数可以表述如下：

(1)

其中，误差项eit=μi+uit，这里μi=个体固定效应。xj,xs∈(K,L,E)，K=资本投入，L=劳动投入，E=能源使用量。趋势项t代表技术变化。根据产出弹性的定义和方程(1)，推导投入要素的产出弹性：

(2)

此式表明产出弹性不仅是投入水平的函数，而且也是时间的函数。可见，超越对数生产函数避开了CD生产函数和CES生产函数中投入要素之间固定的替代弹性问题。

2.2 要素替代弹性和偏向型技术变化

其中，bjs是方程(1)的估计系数，ηj为投入要素j的产出弹性。该测算公式满足替代弹性对称性特征。从公式(2)和替代弹性计算公式可以看出，由于投入要素的产出弹性是投入要素水平和时间的函数，进而要素替代弹性也是要素投入水平和时间的函数。如果σjs>1，则意味着两种要素之间存在较大的替代关系；如果0<σjs<0，则二者之间为互补关系。利用上述公式测算要素间替代弹性的一个优势是，规避投入要素价格数据，尤其是在难以获得能源价格和资本使用者成本数据的情形下。

根据方程(1)，推导技术变化公式如下：

(3)

由方程3可以看出，技术变化被分解为中性技术变化(bt+bttt)和偏向性技术变化(∑bjtlnxj,it)两项。后者捕捉了技术变化偏向于提高特定投入要素的边际生产率(Acemoglu，2002；刘航和孙早，2017)[16-17]。前者描述了共同因素(如时间等)引起的生产函数整体平移。根据Kumhakar[18]2000)，技术变化的偏向程度可定义为∂TCit/∂lnxjt=bjt，如果bjt>0，技术变化率随着要素j的增加而上升，则技术变化偏向于使用投入要素j；如果bjt<0，技术变化率随要素j的增加而下降，意味着技术变化偏向于节约要素j。

2.3 Lasso方法

超越对数生产函数中含有交叉项和平方项，在估计此函数时，面临一个重要的计量问题，即多重共线性。为了处理共线性，运用目前流行的Lasso方法，它是通过惩罚方法使一些回归系数恰好为零，达到“降维”的效果，实现模型关键变量的选择，有效地克服了多重共线性问题，以获得回归系数的一致估计。另外，Lasso方法也催生出一些其他方法(如弹性网方法等)，下面简要概述基于Lasso的各种方法。为了简化标注，将方程(1)写为矩阵形式y=Xβ+e。其中，X=(xi1,xi2,…,xip)，观察数i=1,...,n，待估参数β=(β1,…,βp)，e为随机误差项。

(1)Lasso回归。此方法是Tibshirami[19](1996)引入的，其本质上是一种数据驱动方法。Lasso回归是求解下列最小化问题：

其中，φj为特定回归元惩罚荷载。λ为调节参数，其控制整体惩罚水平。调节参数的选择有三种常见方法：信息准则、交叉验证和理论驱动(theory—driven)。本文使用信息准则方法来选取调节参数。当λ=0时，得到OLS解。与OLS相比，Lasso的优势在于：由于通过1型惩罚项对系数大小进行约束，Lasso精确设定一些系数估计量为零，进而从模型中剔除一些解释变量。因此，Lasso作为一种模型选择技术，有助于模型的解释(Tibshirani，1996; Ahrens等，2019)[19-20]。

(2)岭(ridge)回归。岭回归(Tikhonov,1963；Hoerl和Kennard,1970)[21-22]是用2型惩罚取代1型惩罚项，已成为处理多重共线性的一个常用方法。其求解下列问题：

(3)弹性网(elastic net)回归。它是Lasso的一种变体。Zou & Hastie(2005)[23]将Lasso回归和岭回归的优点结合起来，也就是通过1型和2型惩罚项组合，求解下列问题：

其中，附加调节参数α(0≤α≤1)确定1型惩罚项和2惩罚项的相对贡献。当α=1时，弹性网回归简化为Lasso回归；当α=0时，弹性网简化为岭回归。Ahrens等[20](2019)指出，当存在一组相关变量时，Lasso回归通常从每个组中只选择一个变量，而岭回归倾向于对具有相关性变量组获得相同的系数估计。弹性网回归能够对一些α>0的值得到稀疏解，同时保留或放弃相关性变量。

3 变量与数据来源

本文选取1998-2018年中国30个省区的规模以工业企业面板数据。

(1)产出。以工业增加值作为产出。自2008年后，《工业经济统计年鉴》不再报告工业增加值，使用各省统计年鉴补充。对于部分缺失值，根据以前年度工业增加值率数据，对每个省工业增加值率对时间回归，再外推得到各省工业增加值率序列，然后根据工业增加值率定义补齐。最后，利用各省工业生产者出厂价格指数换算为2005年不变价。

(2)资本和劳动投入。资本投入用工业固定资产净值平均余额表示，并用各省固定资产投入价格指数换算为2005年不变价。劳动投入用工业从业人员平均数表示。

(3)工业能源消费(E)。一般地，用工业增加值作为产出，不需要考虑能源使用，因为能源使用通常作为中间投入。基于本文目的，将工业能源消耗作为第三种投入要素。其中部分缺失值，利用线性插入法补充。

(4)工业绿色增长绩效(IGI)。为了描述各省区的工业绿色增长绩效，从能源消耗和主要污染物排放两个维度来构建绿色增长绩效指标。首先计算万元实际工业增加值的能源消耗量、工业二氧化硫、工业烟粉尘和工业化学需氧量等排放量，再计算它们的下降率，并按等权重合成工业绿色指数IGI。IGI值越大，意味着工业绿色增长绩效越高。上述数据来自《环境年鉴》、工业经济统计年鉴和各省统计年鉴。

4 实证结果与分析

4.1 多重共线性诊断检验

回归之前，先对解释变量的多重共线性进行正式检验(见表1)。从各变量的膨胀因子VIF大小来看，各变量的VIF值都大于10，而平均VIF远大于1，并且各变量的膨胀因子倒数都小于0.1，说明解释变量之间存在高度的多重共线性。从条件指数来看，除基本变量lnK、lnL和lnE的条件指数以及lnK的平方项小于10外，其余解释变量的条件指数都大于10，意味着超越对数函数形式设定中存在着较为严重的多重共线问题。由于3个基本变量的条件指数小于10，这为下面回归时对这些变量没有施加惩罚提供了一定的经验支持。此外，Farrar和Glauber的检验统计量χ2=42 600，显著拒绝不存在多重共线性的零假设。Theil的R2统计量为0.967，远大于没有多重共线性的R2=0。这些检验结果表明超越对数生产函数设定中存在比较严重的多重共线性。为了获得稳定估计，使用Lasso方法处理多重共线性。

表1 多重共线性检验

4.2 回归结果

表2是Lasso回归结果，其中，回归中处理了时不变因素的影响。根据多重共线检验结果，lnK、lnL和lnE的条件指数小于10。因而，基于Lasso方法对这三个变量的系数没有施加惩罚。弹性网回归中，选取α=0.5，即赋予1型和2型惩罚项相同的权重。从表中可以发现，除岭回归外，Lasso和弹性网(eNet5)回归的系数都不同程度出现了待估参数系数等于0或很小。从系数大小来看，除基本变量和时间趋势平方项外，在Lasso和eNet5中，非零系数值的绝对值基本都大于岭回归的系数估计值。从非零系数符号看，除txlnE的系数符号由Ridge中的正变为负外，其余变量系数的符号也与Ridge估计相同；与eNet5回归相比较，lasso回归中的系数符号没有发生变化。此外，λ值是依据扩展的贝叶斯信息准则(ebic)标准确定的，Lasso与eNet5中的λ值比较接近，并且都小于Ridge回归中的λ值。这些表明Lasso回归的系数估计是比较稳健的。

表2 回归结果

4.3 能源替代弹性的时序特征

根据表2中Lasso回归中的系数估计和要素替代弹性计算公式，能源替代弹性的测算结果见图1。图中粗线为能源平均替代弹性，浅色线为各地区的平均能源替代弹性。结果显示：①从平均值看，能源-资本和能源-劳动替代弹性的均值分别为0.72、0.37。能源与资本的平均替代弹性大于能源-劳动的平均替代弹性，而且能源与非能源要素之间平均替代弹性都大于0小于1，表明能源与非能源要素之间存在比较低的替代关系，并且能源与资本之间替代程度高于能源与劳动替代性。②从时间趋势看，平均sigKE表现为下降趋势，其变化区间为0.55～0.85。2000年之前，平均sigLE表现出短暂的上升态势，之后基本上呈略微弱下降趋势，平均sigLE的波动范围为0.31～0.40。可见，平均能源-资本替代弹性的波动要高于平均能源-劳动替代弹性的波动。③从区域表现看，各地区的能源平均替代弹性都表现出下降走势。然而，位于平均替代弹性线上方的地区具有比较平缓的下降趋势，而位于平均替代弹性线下方的地区有较大的下降趋势。此外，Kruskal-Wallis秩和检验结果表明，sigKE和sigLE的χ2统计量分别354.9和181.3，都在1%水平上显著拒绝地区替代弹性相等的零假设。对于eNet5回归的测算结果，Krusal-Wallis秩和检验是，sigKE和sigLE的χ2统计量分别为383.1、192.4，它们也都1%水平上拒绝零假设，进一步支持lasso回归的检验结果。说明能源与非能源替代弹性具有比较明显的区域差别性。

注：sigKE、sigLE分别表示能源-资本替代弹性、能源-劳动替代弹性图1 平均替代弹性的变化趋势

4.4 偏向性技术变化的时序特征

图2绘制了地区各平均偏向性技术变化趋势。这是根据表2中lasso系数估计和方程(3)，测算的偏向性技术变化和要素偏向技术变化。图中粗线为平均趋势线，浅色线为各地区趋势线。从图中可以发现：①从平均大小看，偏向型技术变化(BTC)平均为-13.5%，说明工业的技术进步总体上表现为要素使用型。资本偏向和能源偏向技术变化平均分别为-11.9%和-9.3%，而劳动偏向技术变化平均为7.8%，说明技术变化表现为资本和能源使用型、劳动节约型。②从时间趋势看，考察期内，平均BTC表现为下降趋势，下降幅度为3.5个百分点。平均KTC和ETC也都呈微弱的下降态势，下降幅度分别为2.2%和1.3%，而平均LTC表现出略微上升趋势，上升了大约0.1个百分点。要素偏向技术变化的下降幅度高于要素偏向技术变化的上升幅度，使得总偏向性技术变化表现为下降态势，这是值得关注的一个现象。因为技术进步是提高工业绿色增长绩效的一个重要驱动因素，而不断下降的偏向型技术变化将不利于工业绿色增长。③从区域表现看，除了各地区比较集中地分布在总偏向性技术变化的平均线周围外，各特定要素偏向技术变化平均线的地区分布比较稀疏，说明地区间要素偏向性技术变化存在比较明显的差别性。各偏向性技术变化是否存在区域差异，这通过对各偏向性技术变化进行Krusal-Wallis的秩和检验进行验证。Lasso回归的测算结果显示：BTC、KTC、LTC和ETC的χ2统计量分别为123.6、331.8、580.7和417.7，都在1%水平上显著拒绝相等的零假设。对eNet5回归测算结果的Krusal-Wallis检验结果为：BTC、KTC、LTC和ETC的χ2统计量分别为116、332、581和418，也都显著拒绝零假设，支持了Lasso回归的检验结果。表明工业偏向性技术变化存在显著的区域差异性。

注：BTC为偏向性技术变化，KTC、LTC和ETC分别代表资本偏向、劳动偏向和能源偏向技术变化图2 偏向性技术变化的演化趋势

5 工业绿色增长绩效的区域分析

5.1 区域聚类检验

上述分析表明地区间能源替代弹性和偏向型技术具有显著差异性，也考虑到工业聚集特征，因而，从区域的视角解释工业绿色增长绩效很有必要。有关工业聚类的研究，常见做法是按事先确定的标准(如地理区位、行政区划等)，然后将其归并为若干区域，然而，这一策略缺乏经济理论支持。这里利用Phillips & Sul(2009)的俱乐部检验程序来确定工业区域聚类现象，这是一种基于非线性时变因素模型的数据驱动方法。将关注变量yit分解为系统项和暂时项，并通过定义一个相对转换参数，hit=yit/(n-1∑yit)，其中n=截面单位数，进而构建了正式的logt检验方程：

log(H1/Ht)-2log(logt)=α+blog(t)+ut

其中，Ht=n-1∑(hit-1)2，系数b代表收敛速度，即b值(b>0)越大，则收敛速度就越快。该检验是通过单侧t统计量来检验收敛的零假设：当系数b的t统计量tb>-1.65时，将支持收敛零假设；当tb<-1.65时，意味着拒绝零假设。如果拒绝总体收敛零假设，再进行俱乐部聚类检验(详见Du,2017)[25]。

表3是利用Lasso回归的工业区域聚类检验结果。整个样本的t统计量小于-1.65，意味着拒绝收敛的零假设，表明在整个样本中偏向性技术变化不存在收敛趋势。此外，各省区偏向性技术变化的相对转换参数轨迹大体上均匀分布在均值线(图中虚线)上下两侧，其中，山东、海南、福建和内蒙古4个省区的相对转换线在不同时段上都位于最外侧(见图3)，进一步支持不存在总体收敛迹象的零假设检验。利用弹性网测算的偏向性技术变化进行交叉验证，其结果是t统计量为-12.51，小于-1.65，依然拒绝总体收敛的零假设，表明Lasso的检验结果是稳健的。

图3 偏向性技术变化的转换路径

表3 俱乐部聚类检验结果

偏向性技术变化总体上不具有收敛性，但有可能存在俱乐部收敛。俱乐部聚类检验程序结果是，最初将30个省区分为5个子俱乐部，然后经过俱乐部合并检验，俱乐部1和2可以合并(t=0.006>-1.65),俱乐部3和4可以合并(t=0.584>-1.65)，最后得到3个俱乐部，其中14个省区属于俱乐部1,俱乐部2和3分别含有14个、2个省区。

5.2 非参数核回归方法

为了考察能源替代弹性和偏向性技术变化对工业绿色增长绩效的影响，设定简单的非线性回归检验式：

IGIi=g(xi)+ei

其中，ei为误差项，假设E(ei|xi)=0。xi为解释变量，用能源与非能源要素间替代弹性、偏向型技术变化和特定要素偏向技术变化来表示。为了获得解释变量对工业绿色增长绩效的影响，参照Cattaneo和Jansson[26](2018)的方法，运用非参数核回归方法分别对每个聚类区域进行估计，就是说，通过对每个区域中所有点x估计E(IGIi|xi=x)，获得条件均值估计量E(IGIi|xi)=g(xi)。为此，利用局部线性回归，求解下列问题：

5.3 区域工业绿色增长绩效的影响分析

表4是能源替代性与偏向型技术变化影响区域工业绿色增长绩效的回归结果。

表4 Lasso检验结果

(1)能源替代弹性的影响。从平均影响看，sigKE和sigLE对区域1和区域2的工业绿色增长绩效有显著的正影响，而对区域3的平均影响统计上不显著为正，并且对区域1的平均影响大于区域2和区域3，说明能源与非能源要素替代关系对区域1和区域2的工业绿色增长绩效有显著的促进作用，并且区域1>区域2>区域3。从边际影响看，sigKE和sigLE对区域1工业绿色增长绩效的平均边际影响不显著为负，而对区域2和区域3有不显著的正向平均边际影响。与平均影响则相反，sigKE的平均边际影响大小表现为区域3>区域2>区域1。sigLE的平均边际影响则为区域2>区域3>区域1。其中，区域3中能源与非能源要素替代弹性的影响统计上不显著，主要的原因可能是观察数比较少，使得统计显著性受到影响。无论从平均影响还是从边际影响来看，能源与非能源要素替代性对三个区域工业绿色增长绩效的影响存在明显差别。

(2)偏向型技术变化的影响。从平均影响看，BTC对区域1和区域2工业绿色增长绩效的平均影响分别为0.089和0.063，并且统计上高度显著，而对区域3的平均影响为不显著的正值，表明偏向型技术变化对三个区域的工业绿色增长绩效都有正向作用，且区域1>区域2>区域3。从边际影响看，BTC对区域1的平均边际影响显著为正，而对区域2和3均为不显著的正号，说明偏向型技术变化对区域1工业绿色增长绩效有显著的正向边际作用，并且表现为区域1>区域2>区域3。这些表明偏向型技术变化对三个区域工业绿色增长绩效都有正向作用，特别是对区域1的影响程度更明显，也从另一个侧面反映了区域2和区域3具有较大的提升空间。

(3)特定要素偏向技术变化的影响。从平均影响看，区域1中资本偏向技术变化(KTC)和劳动偏向技术变化(LTC)的平均影响都显著为正，而ETC的平均影响为正，由于不能通过bootstrap获得其标准误，故不能判断其显著性；区域2中KTC和ETC的平均影响均为不显著的正号，LTC的平均影响显著为正；区域3中KTC、LTC和ETC的平均影响都不显著为正。从边际影响看，区域1中KTC和ETC的平均边际影响为正，而LTC平均边际影响符号截然相反，并且它们统计上都不显著，而ETC的显著性无法判断；区域2中KTC和ETC的平均边际影响不显著为正，而LTC的平均边际影响为不显著的负号；区域3中三个特定要素偏向技术变化的平均边际影响都不显著为正。从影响大小看，正向影响的区域表现为区域1>区域2>区域3；负向影响的区域表现为区域1>区域2。表明偏向型技术变化基本上对区域1工业绿色增长绩效的平均影响和平均边际影响高于其他两个区域。

5.4 敏感性分析

Lasso的结果是否可靠，可利用弹性网回归的测算结果进行敏感性检验。表5报告了基于弹性网回归的检验结果。从能源与非能源要素间的替代弹性对工业绿色增长绩效影响来看，区域1的能源与劳动替代弹性的平均边际影响符号由负变为正，说明能源与劳动替代弹性的平均边际影响不能确定。在三个区域中，能源与非能源要素替代弹性的平均影响和平均边际影响的符号和显著性都没有发生明显变化，表明能源与非能源要素替代弹性基本上对各区域工业绿色增长绩效的影响是稳健的。从偏向型技术变化来看，偏向技术变化对三个区域工业绿色增长绩效的影响符号与显著性都没有出现明显的变化。从特定要素偏向技术变化来看，特定要素偏向技术变化影响的符号和显著性都没有发生显著变化。表明Lasso回归的结果基本上是稳健的。

表5 敏感性检验

6 主要结论

本文在超越对数生产函数框架下，运用Lasso方法测算了我国30个省区的能源与非能源要素之间替代弹性、偏向性技术变化和各特定要素偏向技术变化，然后以偏向性技术变化为基本变量检验了工业的区域聚类，并将30个省区归并为三个区域。最后，从能源投入和主要污染排放两个层面构建了工业绿色增长绩效指数，通过非参数核回归方法估计了能源要素替代性和各偏向性技术变化对区域工业绿色增长绩效的影响。实证结果如下：

一是能源与非能源要素替代弹性都大于0且小于1，表明我国工业的能源与资本、劳动之间存在比较低的替代关系，并都呈现下降趋势。能源与非能源要素替代弹性对三个区域的工业绿色增长绩效都具有正向平均影响，并且这种正作用对区域1和区域2更为显著。能源-资本替代弹性对区域1工业绿色增长绩效具有不显著的负向平均边际影响，然而，对区域2和区域3存在不显著的正向平均边际影响，区域3的能源-资本平均边际影响大于其它两个区域，能源-劳动的平均边际影响则区域2>区域3>区域1。表明能源与非能源替代弹性对三个区域工业绿色增长绩效存在正向平均效应，其中，区域1和区域2中这一促进作用更加明显，而对三个区域的平均边际影响都不明显。

二是偏向型技术变化平均为-13.5%，并有缓慢下降趋势。偏向型技术变化的平均影响和边际影响都为正，并且区域1>区域2>区域3。说明偏向型技术变化对三个区域工业绿色增长绩效具有促进作用，特别对区域1的影响程度更强、影响力更大。

三是资本偏向技术变化和能源偏向技术变化平均分别为-11.9%和-9.3%，劳动偏向技术变化平均为7.8%，后者表现出略微的上升平均趋势，然而，前者都呈现微弱的下降态势。它们的平均影响和平均边际影响的特征是：它们对三个区域的正向影响表现为区域1>区域2>区域3，而负向影响则区域1>区域2。可见，特定要素偏向技术变化对区域1工业绿色增长的平均影响和边际影响都要高于其他两个区域。

最后，能源与非能源平均替代弹性都呈不断下降趋势，预示着能源与非能源要素之间替代关系受到极大限制；除了劳动偏向技术变化呈微弱的上升趋势外，其余各偏向性技术变化都表现出下降走势，这是值得关注的迹象。

上述结果的政策启示是：能源与非能源要素替代弹性和偏向性技术变化对促进区域工业绿色增长产生了正向平均影响，然而，它们的边际效应在三个区域中具有不同的表现。因此，各区域应结合自身资源条件和技术水平，不断探索提高能源与非能源要素替代性的绿色增长效应有效措施，如区域1应积极寻求新的清洁能源来替代肮脏能源，而区域2和区域3应当充分挖掘能源与非能源替代关系的绿色增长潜力。同时，加大共性技术和资源节约型技术的研发投入，不断提升技术进步的绿色增长效应。