重庆市绿色全要素生产率时空演进及其收敛性研究

谭君印, 李益, 文传浩，3

（1.兰州大学经济学院，甘肃 兰州 730000；2.重庆工商大学长江上游经济研究中心，重庆 南岸 400067；3.云南大学经济学院，云南 昆明 650091）

一、引言

改革开放四十多年来，我国创造了巨大的经济奇迹，也出现了一些深层次矛盾和问题，随着资源禀赋发生改变，以及生产要素投入达到瓶颈，资源短缺与环境恶化对可持续发展的影响日益凸显。 党中央高度重视生态文明建设，鲜明提出了创新、协调、绿色、开放、共享的新发展理念，将绿色发展作为高质量发展的生态本底。 重庆市地处长江上游和三峡库区腹心地带，在推动内陆地区对外开放和带动区域协调发展的大棋盘中，发挥着承东启西、牵引南北、通达江海的重要作用［1］。从“构建山清水秀美丽之地”，到“加快建设山清水秀美丽之地”，再到“推进长江经济带绿色发展中发挥示范作用”，习总书记对重庆绿色发展提出了更高的要求、更多的期盼。 近年来，重庆出台了一系列生态文明建设规划，提出将生态优势转化为发展动能，把“绿色+”融入经济社会发展各方面。 各区县也坚定不移地探索以生态优先、绿色发展为导向的高质量发展新路径，绿色全要素生产率不断提高，产业生态化和生态产业化进程不断加快。 正确认识重庆绿色发展的现状，洞悉各区县绿色全要素生产率的变化差异和收敛趋势，对党和政府部署重庆绿色产业发展工作具有重要的现实意义。

全要素生产率是所有投入要素对产出增长贡献的一种能力，常被用来衡量经济体的增长质量和增长潜力。 Tinbergen 首次提出较为全面的能够反映生产率的指标——全要素生产率［2］，Davis 进一步明确了全要素生产率的内涵［3］，指出其测算过程应该针对全部的要素投入而非某一种要素，包括在生产过程中使用的劳动、资本、原材料、能源等所有生产要素。 Solow 将增长核算方法与全要素生产率的测速结合在一起［4］，提出索洛余值法，后来学者对其进行丰富和补充，不断创新关于全要素生产率的理论和实践［5］。随着资源短缺与环境恶化对可持续发展的约束日益凸显，越来越多的学者关注经济增长与资源环境之间的关系。 Pittman 将资源环境刚性影响共同纳入社会福利与经济绩效评价，提出用绿色全要素生产率（简称GTFP 指数）评估产业绿色发展现状［6］，“波特假说”认为环境规制会诱导技术变迁以提高生产效率并改善环境绩效［7-8］，现实中获取这种双赢机会的潜力较大［9］，但也存在不容忽视的“污染避难所效应”［10］和“回弹效应”［11］。国内学者关于绿色全要素生产率的早期研究主要是对国外研究成果的推广性应用研究，主要集中在绿色全要素生产率测算、演化差异［12］及其影响因素［13］等方面。随着研究的逐渐深入，学者结合国家制度环境、政策实践，在研究方法、研究视角、研究内容等方面完善和拓展绿色全要素生产率体系框架。 一方面，学者从宏观、中观和微观等视角，运用指 数 思 路［14］、参 数 思 路［15］和 非 参 数 思 路［16］等 方 法 测 度 旅 游 业［16］、智 能 制 造［17］、互 联 网经济［18］、绿色金融［19］等特定部门或新兴行业以及微观企业［20］的绿色全要素生产率水平，探讨不同维度绿色全要素生产率的时空演进特征及收敛趋势。另一方面，学者运用各种实证方法［20］，深入研究贸易开放［21］、环境规制［22］、智能化［17］、互联网［18］、金融信贷［23］、新型城镇化［24］等因素对绿色全要素生产率的影响，多视角验证机制效应的可靠性。

通过文献梳理，发现国内外学者对于全要素生产率理论基础的研究比较完善，关于绿色全要素生产率也形成了较为丰富的研究体系， 不过研究视角多从省级层面或地级市层面展开，对经济区域或城镇群的研究有待进一步完善，关于重庆市区县绿色全要素生产率的研究有待深入拓展。基于此，本文以重庆市38 个区县为研究对象，运用ML 指数法测度重庆市绿色全要素生产率水平，并分析其增长变动、差异变动及收敛特征。 其研究结论将有助于揭示重庆市绿色发展现状和差距，为重庆市发挥好绿色发展示范提供政策参考。

二、研究方法与数据处理

（一）研究方法

1.Malmquist-Luenberger生产率指数法

基于DEA 方法的Malmquist-Luenberger 指数（简称ML 指数）可用于计算随时间变化的GTFP 指数变化速率，被广泛应用于各个领域［25］。 本文将每一个区县视为一个独立的决策单元，每个单元包括N 个输入x=［x1+x2+…+xN］，x∈，M个预期输出y=［y1+y2+…+yM］，y∈，以及I种非期望产出b=［b1+b2+…+bI］,y∈。 在此基础上，建立t=1，2，…，T时期区县k=1，2，…，T的一系列生产可能性函数：

基于此，预期产出和非期望产出的SBM 函数计算公式为：

基于SBM 函数，构建从t到t+1 期的绿色全要素生产率指数（简称GTFP指数，下同）：

上式说明， 可以用ML指数代表GTFP指数变化， 对于一个区县来说，ML的测算值大于（小于）1，分别表示在t到t+1 期间GTFP指数增多（减少）。

2.核密度估计法

核密度估计利用连续的密度曲线描述随机变量的分布形态，反映其要素在空间分布中的距离衰减效应［26］。 本文选用核密度估计法模拟重庆市GTFP指数的集散特征，公式表示为：

其中，n是观测值数，GTFPit是i区县在第t年份的绿色全要素生产率指数，GTFPt为重庆第t年份的均值，k（GTFPit）为高斯核函数，h为窗宽。 为减少窗宽h对核密度估计结果的影响，更好地呈现核函数的典型分布特征，本文将窗宽设置为1 年。

3.泰尔指数

泰尔指数作为衡量某地域各种社会发展差异性的重要工具被广泛应用，具备良好的可分解性质，其数值越低，说明该区域社会发展的差异性越小［27］。 本文使用泰尔指数分析重庆市GTFP指数组内外差距。 根据重庆市“一区两群”战略布局，将重庆38 个区县分为主城都市区、渝东南武陵山区城镇群、渝东北三峡库区城镇群3 个群组，每个群组用gk（k=1，2，3）表示，nk代表第k群组的区县数，有nk=38；用gtfpit表示第t年份i区县GTFP指数占总体的份额，用gtfpkt表示第t年份第k组的GTFP指数占总体的份额， 记Tbt与Twt分别为组间差距和组内差距，则可将泰尔指数分解为：

公式中将Tkt=gtfpkt×，Tkt设为第t年份第k组组内差距。进一步可以计算第t年份第k组组内差距贡献率和组间差距的贡献率，分别用Dkt和Dbt表示：

4.收敛性分析

收敛理论最初用于考察区际人均收入是否存在收敛或发散的问题， 近年来的应用范围逐渐扩展到产业效率方面。 在本文中，收敛性分析有助于检验重庆市区际GTFP指数差距是在扩大还是在缩小，以及未来是否会趋于平衡发展［16］。 收敛性分析包括σ 收敛、β 收敛和俱乐部收敛。

（1）绿色全要素生产率σ 收敛

σ 收敛反映的是重庆市绿色全要素生产率随时间演变的波动趋势， 常用的衡量样本偏离程度的指标包括标准差、变异系数、泰尔指数、基尼系数。 其中，标准差是反映各观测值离散程度的一个绝对指标，但容易受随机变量量纲影响，而变异系数是无量纲的，可以消除平均值差异对样本的干扰，在平均值差别较大时，变异系数可以近似地评价样本分散度［28］。 因此，本文采用标准差（σt）和变异系数（cvt）共同描述重庆区际GTFP指数的σ 收敛状态，公式表示为：

（2）绿色全要素生产率β 收敛

β 收敛反映的是随时间推移，落后地区能够以较快的增速赶上发达地区，最后保持相同水平的收敛状态［29］。β 收敛又分为绝对β 收敛和条件β 收敛，区别在于是否严格控制一系列影响因素。鉴于经典β 收敛侧重于从时间上考察重庆GTFP指数收敛趋势，如果不考虑空间因素，可能会导致回归结果的有偏性［30］。 因而，本文在经典β 收敛分析的基础上，引入空间因素，检验重庆市GTFP指数收敛的空间β 收敛特征。不过在进行空间β 收敛回归前，需要进行全局空间相关性检验，讨论GTFP的聚集程度和空间溢出效应。 公式表示为：

公式中分母可构成样本方差S2=；w1为空间邻接矩阵。 具体的模型描述如下。

空间β 收敛：由于地区间普遍存在不同程度的空间依赖性，因此本文建立了空间杜宾模型（Sdm）、空间误差模型（Sem）和空间滞后模型（Sar）三种空间计量模型，根据相关检验判断GTFP空间β 收敛最优模型，分别表示为：

其中，GTFPit+1/GTFPit为i区县在第t+1 年份的绿色全要素生产率增长率，GXit为第s个控制变量的估计系数，其中s=1，2，3，4。 当∀θs=0 时，上述模型为绝对收敛GXit=GTFPit，反之则为条件收敛，GXit为s个控制变量与GTFPit构成的集合。 β 为收敛系数，当β＜0 时，则GTFP指数趋于收敛，反之则趋于扩散。w1为空间权重矩阵，考虑到区际协同创新发展突破了距离的限制，是经济转型升级和绿色发展的支点力量，因此本文采取经济矩阵，用区际人均GDP年绝对差额的倒数表征。

（3）绿色全要素生产率俱乐部收敛

具有相似特征的地区间趋于收敛，而不具有相似特征的地区间不存在收敛，这种地区间收敛被称为俱乐部收敛［26］。 本文结合绿色全要素生产率特征与“一区两群”协同战略布局，选择对“一区两群”GTFP指数进行俱乐部收敛检验。

（二）指标选取

1.核心解释变量——绿色全要素生产率（GTFP）

结合已有文献在投入产出指标上综合考量多种因素， 基于重庆市区县数据的可获取性，在投入指标上，考虑了劳动投入、资源要素投入、资本投入、技术投入四个方面。 资本投入选择全社会固定资产投资（百亿元）表征；资源要素投入包括能源要素和土地要素，受限于数据，土地资源投入指标采用非住宅类房屋建筑竣工面积（万平方米）来衡量，能源投入指标选择工业企业能源消费总量（万吨标准煤）表征；技术投入选用发明专利授权量；劳动投入使用城镇非私营单位职工人数表征。 用在产出指标上，期望产出以GDP（百亿元）代表当前的产出能力，非期望产出采用PM2.5浓度（μg/m3）和CO2排放量（百万吨）表示。

2.控制变量

（1）基础设施（Inds）：采用公路里程数与辖区面积的比重（km/km2）来进行表征；（2）数字金融（Fin）：采用北京大学数字金融研究中心公布的县级数字普惠金融发展指数表征；（3）市场化（Mar）： 采用国有经济单位职工人数和集体经济单位职工人数占城镇非私营单位在岗职工人数表征；（4）城镇化（Town）：采取城镇常住人口占总人口的百分比来进行衡量。

（三）数据来源

本文选取2011—2019 年重庆市38 个区县的面板数据，所有数据来源于《重庆市统计年鉴（2012—2020）》、重庆市知识产权局（http://zscqj.cq.gov.cn/）、重庆市生态环境局（http://sthjj.cq.gov.cn/）、国家地球物理数据中心（https://www.ngdc.noaa.gov/）和北京大学数字金融研究中心（https://idf.pku.edu.cn/），全社会固定资产投资额用各区县2011 年为基期的固定资产投资价格指数平减，GDP以各区县2011 年为基期的GDP平减指数进行平减， 数字普惠金融指数均除以100 表征，部分缺失值使用插值法补充。 表1 列出了各变量描述性统计结果。

表1 各变量描述性统计结果

三、研究过程与结果分析

（一）绿色全要素生产率水平测算

本文测算出2012—2019 年重庆市GTFP指数水平，并整理得到其空间分布图（见图1）。从图1 显示的空间分布情况来看， 总体上重庆市产业生态化、 生态产业化发展态势良好，其GTFP指数呈现波动上升趋势，其中，2012—2017 年重庆区际GTFP指数呈现高速增长，年均增速高达5.09%，2017 年后增速逐渐放缓，年均增速仅1.90%。 从“一区两群”协调发展战略布局来看，渝东南武陵山区城镇群后发赶超特征明显，渝东南武陵山区城镇群2012 年GTFP均值（0.93）略高于重庆市平均水平（0.92），到2017 年达到1.48，成功赶超主城都市区和渝东北三峡库区城镇群。 主城都市区和渝东北三峡库区城镇群则呈现交替上升现象。 2013—2017 年渝东北三峡库区城镇群GTFP指数均值高于主城都市区， 而2018—2019 年和2012 年期间主城都市区高于渝东北三峡库区城镇群，不过两个地区GTFP指数差值较为稳定，绝对值始终低于0.09。从代表性区县来看，丰都、梁平、綦江、秀山和南川5 个区县GTFP指数2012—2019 年均增速都超过10%，综合排名也大幅上升，如綦江区2012 年GTFP指数排名第33 位，到2019年上升到第5 位，长寿、大足、九龙坡、万州、石柱和武隆6 个区县GTFP指数呈现负增长，综合排名大幅下滑，6 年间下滑了14～24 名不等， 如武隆县GTFP指数排名从2012 年的第4 位下滑到2019 年的第27 位，万州区GTFP指数排名从2012 年的第13 位下滑到2019 年的第36 位。

图1 重庆市GTFP 指数的空间分布

（二）分布动态

1.时间差异

根据重庆市GTFP指数绘制出其核密度曲线，如图2 所示。 重庆市整体GTFP指数核密度曲线在波动中缓慢右移，说明重庆市整体GTFP指数普遍是有效的，具有上升趋势。 从各年份分布形态来看，2012—2016 年曲线由宽峰分布逐渐向尖峰分布转变， 主体面积位于横坐标1的左侧，波峰高度不断上升，右摆尾逐渐缩小，表明在2012—2016 年重庆市整体GTFP指数呈现低水平集聚趋势。 2016 年后，曲线由尖峰分布逐渐向宽峰分布转变，主体面积位于横坐标1的右侧，波峰高度不断下降，右摆尾明显拉长，表明在2016 年以后重庆市GTFP指数呈现中高水平离散趋势，说明了整个区域内GTFP指数区际不协调性正在扩大。从“一区两群”协调发展来看，三大区域和重庆市整体保持一致，但也呈现出部分差异。 主城都市区GTFP指数核密度曲线在2016 年以后， 右摆尾面积不断扩大， 存在多峰极化趋势， 显示主城都市区内部区县GTFP指数在后期中高水平离散分布更加明显。 渝东北三峡库区城镇群GTFP指数曲线在2012—2015 年期间，由单宽峰分布逐渐向多尖峰分布转变，尤其是在2013 年出现四个尖峰分布特征，左右摆尾均明显缩短，说明渝东北三峡库区城镇群GTFP指数在早期处于低水平离散分布特征。渝东南武陵山区城镇群GTFP指数核密度曲线波峰数量和高度在2016 年前明显波动，2016 年以后曲线右移明显加快，波峰也逐渐消失，显示出渝东南武陵山区城镇群GTFP指数在早期提升具有不稳定性，但在2016 年后逐渐朝着高水平均衡方向发展。

图2 重庆市GTFP 指数的核密度曲线

2.空间差异

根据重庆市GTFP指数计算得到泰尔指数，如表2 所示。 可以发现，2012—2019 年重庆市GTFP指数总差距呈现U 型分布，2012—2016 年总体差距在波动中逐渐缩小，之后逐年扩大，2019 年总差距已经超过2012 年总体差距， 组间差距呈现先扩大后缩小的态势，2014 年和2017 年组间差距急剧增加，组内差距则表现为先减小后增加趋势，这是总体差距的主要来源。从“一区两群”组间差距来看，主城都市区GTFP指数的组内差距呈下降趋势，渝东北三峡库区城镇群GTFP指数的组内差距则基本无变化， 且处于低水平均衡， 渝东南武陵山区城镇群GTFP指数的组内差距在波动中扩大。 “一区两群”组内差距贡献率均值分布顺序为：主城都市圈（0.525）＞渝东南武陵山区城镇群（0.225）＞渝东北三峡库区城镇群（0.190）。

表2 重庆市GTFP 指数泰尔指数

（三）收敛性检验

1.σ 收敛分析

根据重庆市GTFP指数可以绘制出其标准差和变异系数随年份的变化趋势，如图3 所示。从中可以发现，重庆市总体和“一区两群”GTFP指数标准差和变异系数的变化趋势基本一致，只是渝东北三峡库区城镇群和渝东南武陵山区城镇群的波动性更明显。2012—2016 年绿色全要素生产率标准差和变异系数呈微弱下降趋势， 表现出明显的σ 收敛趋势，2016 年后标准差和变异系数快速上升，说明不存在显著的σ 收敛。 此外，从上文GTFP指数泰尔指数重庆市总体差距和“一区两群”组内差距分析结果也充分证明了该结论。

图3 重庆市GTFP 指数标准差与变异系数

2.β 收敛分析

首先，在进行空间β 收敛检验时，需要采用Moran’s I指数方法对绿色全要素生产率的空间相关性进行检验。 表3 所示的检验数据显示，2012—2019 年重庆市绿色全要素生产率Moran’s I指数均显著为负或为正，说明重庆市邻近区县之间绿色全要素生产率的影响存在空间依赖性［31］。

表3 重庆市绿色全要素生产率Moran’s I 指数

此外，空间收敛模型在进行空间β 收敛过程中需要确定并识别空间杜宾模型（Sdm）是否会退化为空间误差（Sem）模型或者空间滞后（Sar）模型。 如表4 所示的Lr 检验、Lm 检验和Wald 检验可以发现空间杜宾模型将退化成空间误差模型。 对于随机效应和固定效应的选择，通过表5 和表6 中的hausman检验结果，可以发现前述10 个模型均接受原假设，选择随机效应更为合理。 综上所述，本文选择随机效应的空间误差模型分析绿色全要素生产率空间收敛性。

表4 空间回归检验结果

表5 显示了重庆市GTFP指数β 收敛的回归结果，回归结果表现为四个方面。 （1）重庆市GTFP指数存在明显收敛趋势。GTFP指数系数均在1%显著性水平下为负，说明GTFP指数与其增长率之间是反向关系，收敛趋势显示重庆市GTFP指数的差异在缩小，低GTFP指数地区存在后发赶超的特点。 （2）空间因素具有减速效应。 加入空间因素后，绝对收敛与条件收敛的回归系数分别缩小了17.15%和15.00%，可能的原因在于，由于空间效应的存在，GTFP指数不均衡分布使得经济水平相近地区之间的相互影响更加显著，特别是区际生产要素和信息的空间交流与互动，进一步加剧了GTFP指数空间溢出与扩散效应，从而使得地区间GTFP指数空间差异随时间推移呈现出进一步放大的趋势，减缓了收敛速度，进而拉长了收敛周期。 （3）条件收敛的收敛速度均显著大于绝对收敛速度。 加入控制变量后，经典和空间模型下的收敛速度提高了5.62%和8.34%，可能是因为区际生产条件的异质性，控制变量加速了GTFP指数收敛，同时压缩了收敛周期，进而更加准确可靠地反映模型的收敛特征。 （4）加入控制变量后，条件模型2 中Fin、Inds和Mar系数显著大于零，条件模型4 中Fin系数显著为正，数字金融、基础设施覆盖率和市场化促进了绿色全要素生产率提升，数字金融通过解决信息不对称和降低资本的使用成本等问题在一定程度上解决了融资约束问题，从而提高绿色技术升级型项目投资成功的概率，并最终作用于GTFP指数；市场化能够改善劳动力市场要素扭曲程度和资本市场要素扭曲程度的作用路径， 提高重庆市GTFP指数； 良好的基础设施能够促进物质文化交流，城市规划和土地利用更加合理，从而形成产业集聚效应，大幅提升了企业生产效率和全社会运行效率。 加入空间因素后，Town系数显著为负， 表明城镇化抑制绿色全要素生产率的提升，各区县城镇人口容量能力有限，大规模农业人口向城市转移，带来生产要素流动不均衡，加大了区县生态环境负担。

表5 β 收敛回归结果

3.俱乐部收敛分析

表6 显示了重庆市GTFP指数俱乐部收敛的回归结果，从中可以发现“一区两群”GTFP指数条件收敛系数都通过了显著性检验，且小于0，表明“一区两群”GTFP指数都存在俱乐部收敛，这与重庆市GTFP指数β 收敛趋势一致。 随着城镇化、基础设施、数字金融、市场化等因素调整，“一区两群”GTFP指数均将达到各自的收敛水平。 从系数绝对值来看，不论是经典模型还是空间模型，主城都市区收敛速度最快，渝东北三峡库区城镇群次之，而渝东南武陵山区城镇群收敛速度低于重庆市β 收敛速度，显示出主城都市区、渝东北三峡库区城镇群和渝东南武陵山区城镇群的GTFP指数俱乐部收敛依次递减的分布格局。从空间减速效应来看，空间因素对渝东南武陵山区城镇群的减速效应最强，达到22.28%，而主城都市区和渝东北三峡库区城镇群空间减速效应相差不大，分别是17.59%和17.27%。 这可能是因为渝东南武陵山区城镇群文旅融合发展示范区建设带动其生态康养、文化旅游产业高质量协同发展，空间溢出提升了区际GFTP指数水平，形成对其他区县赶超之势。 从控制变量来看，数字金融对渝东南武陵山区城镇群GTFP指数促进效应最强，主城都市区次之，渝东北三峡库区城镇群最弱；基础设施主要作用于对渝东南武陵山区城镇群GTFP指数， 市场化促进主城都市圈和渝东南武陵山区城镇群GTFP指数提升，而城镇化在空间效应作用下，抑制主城都市区和渝东南武陵山区城镇群GTFP指数提升。

表6 俱乐部收敛回归结果

四、结论与启示

本文测度了2012—2019 年重庆市区际GTFP指数水平， 在讨论其时空分布动态的基础上，将空间因素引入经典收敛模型，分析重庆市及其“一区两群”GTFP指数的σ 收敛、β 收敛和俱乐部收敛特征，得到以下研究结论。

从时空演进来看，重庆市GTFP指数呈现不断上升趋势。 其中，重庆市GTFP在早期呈现低水平集聚趋势，区际差距逐渐缩小，2016 年后呈现中高水平离散趋势，区际差距逐渐扩大。“一区两群”与重庆市整体保持一致，但也呈现出部分差异，渝东南武陵山区城镇群GTFP指数早期提升具有不稳定性，2016 年后逐渐朝着高水平均衡方向发展， 主城都市区在后期高水平离散分布更加明显，渝东北三峡库区城镇群GTFP指数在早期呈现低水平多极化特征。 丰都、梁平、綦江、秀山和南川5 个区县GTFP指数年均增速和综合排序大幅上升，而长寿、大足、九龙坡、万州、石柱和武隆6 个区县GTFP指数呈现负增长，综合排名也大幅下滑。

从收敛性来看，重庆GTFP指数收敛速度正趋于一致。 2012—2016 年绿色全要素生产率标准差和变异系数呈微弱下降趋势， 表现出σ 收敛特征，2016 年后标准差和变异系数快速上升，σ 收敛逐渐消失。 重庆市总体GTFP指数随时间推移呈现逐渐缩小的β 收敛趋势，区域差异扩大的现象将得到遏制， 主城都市区、 渝东北三峡库区城镇群和渝东南武陵山区城镇群GTFP指数收敛速度呈现依次递减的分布格局。 空间因素对GTFP指数收敛具有减速效应，并随时间不断增强，尤其是对渝东南武陵山区城镇群的减速效应最明显。 数字金融、基础设施覆盖率和市场化促进重庆市总体GTFP指数提升，城镇化表现为空间抑制作用，四个控制变量对渝东南武陵山区城镇群的影响明显，主城都市区次之，渝东北三峡库区城镇群GTFP指数最弱。

本文的研究给我们两个方面的启示。（1）立足当前经济，推动产业生态化。一是存量升级，加强信息基础设施建设，提升大数据在绿色产品加工全产业链中的应用水平，对生产设备和工艺的清洁化、低碳化和循环化更新，筑牢绿色产业基础支撑；二是培育增量，积极培育生态产业，尤其是坚持“市场主导+政府引导”模式，推动多元化战略新兴产业发展壮大；三是流量更新，积极探索全产业链金融模式，总结推广“农银企”产业共同体创新试点经验，扎实推进绿色金融投融资改革和创新，开发推广覆盖特色优势绿色产品的险种，推动商业银行将生态环保指标分析纳入贷款流程；四是变量创新，大力推进企业绿色技术创新，培育科技型绿色产品加工龙头企业，进一步激活企业主体的内生动力，创造新的经济增长点。 （2）立足现有资源，推动差异化、特色化及协同发展。 党的十八大以来，重庆市在探索绿色发展方面取得了重大成就，但市内各区县由于要素禀赋差异巨大，仍有很长的路要走。 主城都市区是国家层面的重点开发区域，应当以产业数字化和数字产业化为转型方向，推动数字技术在传统产业中的深度应用，全面提升制造业、建筑业、农业和服务业数字化水平，适当控制城镇化发展的速度，建设紧凑低耗高效弹性的都市区［32］。 渝东南武陵山区城镇群属于国家重点生态功能区，应当按照“面上保护、点上开花”的原则，立足武陵山区生态资源和民族特色，推进农商文旅体融合发展，建立健全生态产品价值实现机制，带动生态保护地区和乡村地区走出一条生态优先绿色发展的新路子［33］。 渝东北三峡库区城镇群是重庆市重要的老工业基地，传统制造业转型是重点，应当以生态产业化和产业生态化为发展方向，聚焦绿色食品、绿色建材、特色轻工等细分领域，高起点承接产业转移，发挥数字金融的支撑作用，统筹构建高效、清洁、低碳、循环的“三峡制造”绿色制造体系［34］。