中国绿色创新效率的地区差异及空间收敛性研究

王金河，张玲梅

（聊城大学 商学院，山东 聊城 252059）

党的十九大明确提出，我国经济已由高速增长阶段转向高质量发展阶段。党的十九届五中、六中全会进一步指出，高质量发展就是体现新发展理念的发展，必须坚持创新、协调、绿色、开放、共享发展相统一。实现高质量发展就必须解决高投入、低效率的粗放型增长模式所带来的环境污染、资源耗竭等问题[1]。绿色创新能够实现绿色发展、创新发展的有机融合，是解决上述问题的有效手段。因此，客观测算我国绿色创新效率并分析地区差异及空间收敛性特征对于推进我国经济高质量发展具有现实意义。

学术界对绿色创新效率的研究成果颇丰，主要包括以下几个部分。（1）有关绿色创新效率测度的研究。当前学术界主要采用参数与非参数的SFA和DEA及衍生模型对绿色创新效率进行测度，然而使用SFA模型测算绿色创新效率的学者较少，如肖黎明等[2]，可能是由于SFA模型中加入了学者的主观设定。大多数学者选用DEA及其衍生模型对其测度，如DEA-BCC模型[3]、DEA-RAM模型[4]、以及SBM模型[1,5-6]、EBM模型[7]、三阶段Malmquist指数模型[8]等。（2）有关绿色创新效率影响因素的研究。研究发现，环境规制[9]、外商直接投资[10]、产业结构[7]、人力资本[10]均会对绿色创新效率产生影响。（3）绿色创新效率的地区差异及时空演化规律。关于绿色创新效率地区差异的研究，大多数学者都是根据测度的效率值直接分析地区间的差异[11-12]，极少有学者利用Dagum基尼系数对绿色创新效率的地区差异及来源进行分析[13]。关于绿色创新效率的时空演化规律，学者一般采用核密度估计法[13-14]和ESDA[15]对其进行研究。

纵观现有的研究，大多集中在绿色创新效率的测算、影响因素以及地区差异和时空演进趋势上，鲜少有文献探索绿色创新效率地区差异的来源及空间收敛性特征。综上，本文在测算我国绿色创新效率的基础上，使用Kernel密度估计和Dagum基尼系数法分析我国绿色创新效率的绝对差异和相对差异，并使用空间计量模型对我国整体及东部、中部、西部地区绿色创新效率的收敛性进行研究。

1 研究方法和数据来源

1.1 绿色创新效率的测度方法

传统的DEA模型无法考虑投入产出的松弛变量，也无法准确度量存在非期望产出时的效率值，而Tone[16]提出的SBM-DEA模型能克服传统DEA模型的缺陷，故本文采用SBM-DEA模型测算我国的绿色创新效率。SBM-DEA模型可以表示为：

式中：ρ*表示效率值，s-、sg和sb表示松弛变量，λ是权重向量。

1.2 绿色创新效率的地区差异测度

1.2.1 Kernel密度估计

Kernel密度估计是一种非参数估计方法，通过对比不同时期的Kernel密度函数曲线可以对我国绿色创新效率的绝对差异进行描述，反映绿色创新效率的动态演变过程，具体的计算公式如下：

式中：h表示带宽，n表示样本数量，K(·)为核函数，文中使用高斯核函数进行计算。

1.2.2 Dagum基尼系数

对地区差异测度时可以采用泰尔指数、变异系数和Dagum基尼系数[17]，但Dagum基尼系数不仅可以对区域内及区域间样本的空间分布特征进行阐述，还能有效处理区域内交叉重叠和区域差异来源的问题[18]，故本文使用Dagum基尼系数及其分解方法探究中国绿色创新效率的空间差异及成因，具体操作参考Dagum[19]提供的方法。

1.3 绿色创新效率的空间收敛性检验方法

β收敛表明研究对象的增长率与初始水平呈负相关，就本文而言，若绿色创新效率高的地区其增长速度较慢，而绿色创新效率低的地区其增长速度较快，就称为β收敛。考虑到我国绿色创新效率可能存在空间相关性，本文将空间效应纳入传统β收敛模型中，选取邻接矩阵和地理距离矩阵作为空间权重矩阵，考察我国绿色创新效率的空间β收敛。参考已有的文献，将β收敛划分为绝对β收敛和条件β收敛，分别建立不同权重矩阵下的绝对β收敛和条件β收敛的空间滞后模型分析我国整体及东中西部地区绿色创新效率的收敛性，具体的模型如下所示：

式中：GIEit+1/GIEit代表我国绿色创新效率的增长率；GIEit代表i地区在t时期的绿色创新效率；W代表空间权重矩阵；ρ表示空间相关系数；β表示收敛系数；X代表产业结构升级、技术成熟度、外商直接投资、金融支持和环境规制等影响绿色创新效率的因素；εit是随机干扰项。

1.4 指标和数据

本文选取我国30个省份（不包括西藏及港澳台地区）作为研究对象，样本时间跨度为2007—2019年，数据主要来源于历年《中国科技统计年鉴》《中国环境统计年鉴》和《中国统计年鉴》。具体变量定义如表1所示。

表1 绿色创新效率衡量指标及影响因素定义

2 实证结果分析

2.1 绿色创新效率的测算结果

采用包含非期望产出的SBM-DEA模型测算的绿色创新效率值如表2所示。从全国层面来看，我国绿色创新效率总体呈上升趋势，由2007年的0.513增长到2019年的0.575，增长了12.09%，但整体上效率值不高。分地区来看，东部、中部和西部地区的绿色创新效率均值分别为0.701、0.418和0.317，说明我国绿色创新效率的发展并不均衡，呈现出东高西低的发展态势，这与我国的经济发展水平趋势一致。分省份来看，北京、上海、浙江、天津和广东这5个东部地区省份的绿色创新效率排名靠前，排名后五的省份均为西部地区，这说明东部地区的创新要素配置效率较高，中部、西部地区绿色创新活动的投入产出比还需要进一步改进。

表2 2007—2019年部分年份绿色创新效率

2.2 绿色创新效率的地区差异

2.2.1 绿色创新效率的绝对差异

本文采用Kernel密度估计探讨绿色创新效率的分布状态，以2007年、2011年、2015年和2019年作为考察年份来比较全国及三大区域绿色创新效率的演进过程，结果见图1。

图1 全国及三大区域部分年份绿色创新效率的Kernel密度曲线

从全国层面来看，Kernel密度曲线整体呈现出波动右移的趋势，说明2007—2019年我国绿色创新效率呈现出波动性上升的趋势；Kernel密度曲线波峰高度在2007—2011年下降，在2011—2019年上升；Kernel密度曲线波峰宽度在2007—2011年变宽，在2011—2019年变窄，说明绿色创新效率的差距在研究期内先扩大后缩小。

就东部地区而言，Kernel密度曲线呈现出曲线中心位置右移、波峰高度先上升后下降再上升以及出现“双峰”的演进特征。这说明东部地区2007—2019年的绿色创新效率整体呈现出波动上升的态势，东部地区内部的绿色创新效率差距表现出先缩小后扩大的趋势以及东部地区内部的绿色创新效率发展不平衡，可能是由于河北等省份虽然创新水平较高，但造成的环境污染也较严重，导致其绿色创新效率较低，与其他地区间的差距较大。就中部地区而言，中部地区的Kernel密度曲线在考察期内呈现出整体向右侧移动，波峰高度波动上升，不存在多个波峰，但有右拖尾现象的演变趋势。这意味着中部地区与东部地区的绿色创新效率演变趋势相似，表现出绿色创新效率整体及区域内部差异呈上升趋势。就西部地区而言，其Kernel密度曲线经历了曲线中心向右方移动、峰值整体下降，波峰宽度波动变窄的演变规律，说明西部地区的绿色创新效率差异整体上在减小。

2.2.2 绿色创新效率的相对差异

将我国30个省份分成东部、中部、西部3个子群，使用Dagum基尼系数分解方法计算的绿色创新效率分解结果如表3所示。

表3 分区域绿色创新效率的基尼系数及分解

就绿色创新效率的总体基尼系数而言，研究期内呈现出波动下降的趋势，从2007年的0.334下降到2019年的0.266，说明我国绿色创新效率的地区差异在缩小，可能的原因是新发展理念问世后，创新和绿色得到了各地政府的广泛关注并发布了一系列的政策支持，鼓励创新效率低的地区向周边地区学习，进而提升该地区的绿色创新效率，减小区域间的差异。

表3中第3～5列描述了我国三大地区绿色创新效率的区域内基尼系数及分解结果。从中可以看出，我国三大地区绿色创新效率存在显著的区域内差异，其中，西部地区的区域内差异在研究期内呈波动下降趋势且其基尼系数均值为0.297，显著高于其他地区的区域内基尼系数均值，这意味着我国西部地区的绿色创新效率区域内差异虽然要高于东部、中部地区，但其内部的不平衡发展状况呈缩小趋势。东部和中部绿色创新效率的区域内基尼系数均值为0.217与0.240，但其内部差异呈波动上升趋势，说明东部、中部地区的绿色创新效率发展存在着不协调现象，可能的原因是不同地区人们对创新发展、绿色发展的重视程度存在差异性，北京、上海等地区的绿色创新效率程度较高，而河北、江西等省份的绿色创新效率与其间的差距越来越大，无法在短期内实现协调发展。

表3中的第6～8列描述了我国三大地区绿色创新效率区域间差异。研究期内东—中、东—西和中—西之间的绿色创新效率差异均呈现出波动下降的趋势。其中，东部和西部地区绿色创新效率的区域间差异最大，其差异均值甚至超过了总体基尼系数，东部和中部地区的次之，中部和西部地区的区域间差异均值最小，分别为0.436、0.344和0.314。可能的原因是东部地区由于其优越的地理位置、良好的创新环境以及健全的法律法规使绿色创新效率得以提高，而西部地区的创新资源比较稀缺，导致其绿色创新效率较低，使东部与西部绿色创新效率的差距较大。

表4报告了2007—2019年我国绿色创新效率地区差异来源及贡献率。从表4中可以看出，我国绿色创新效率的区域内差异数值大小介于0.065～0.187之间，均值为0.092，平均贡献率为25.32%。与区域内差异值相比，区域间差异数值较大且波动比较剧烈，其均值为0.183，平均贡献率为57.315%；超变密度的均值为0.056，平均贡献率为17.364%，这说明绿色创新效率的差异主要来自区域间，区域内次之，超变密度对其的影响最小。但随着超变密度贡献率的上升，地区间的交叉重叠问题对绿色创新效率差异产生的作用越来越强，这提醒我们在关注区域间差异的同时也要注意地区间交叉问题。

表4 分区域绿色创新效率地区差异来源及贡献率

2.3 空间相关性检验

考虑到绿色创新效率可能具有空间集聚和溢出效应，本文采用全局莫兰指数检验各年份绿色创新效率是否存在空间相关关系。表5展示了中国绿色创新效率的Moran’s I指数值，从中可以看出，2007—2019年我国30个省份的Moran’s I指数均为正数且至少通过了10%的显著性检验，这说明我国绿色创新效率存在正向的空间相关性。此外，Moran’s I从2007年的0.023上升到2019年的0.071，呈现出波动上升的趋势，反映了绿色创新效率的空间相关性正在增强。

表5 绿色创新效率Moran’s I指数

2.4 β收敛检验结果分析

2.4.1 全国范围内β收敛检验结果分析

鉴于绿色创新效率存在空间相关性且为增强结果的稳健性，本文选用邻接矩阵和地理距离矩阵，分析我国整体及三大区域绿色创新效率的空间收敛性。根据Hausman检验、LM检验和Wald检验结果表明本研究使用空间滞后模型（SAR）更恰当。

根据表6的结果可知：一是将空间效应引入传统β收敛模型后，β收敛系数均小于0且在1%的统计水平上显著，说明我国绿色创新效率具有显著的绝对β空间收敛与条件β空间收敛趋势，即绿色创新效率较低的地区其增长率高于绿色创新效率较高的地区。二是我国整体绿色创新效率条件β收敛的收敛速度要高于绝对β收敛的收敛速度。具体来看，绿色创新效率的条件β收敛速度为0.077与0.069，绝对β收敛速度为0.051和0.045，条件β收敛速度比绝对β收敛速度提高了0.026、0.016，增幅50.98%和27.118%。这说明本研究所选取的控制变量总体对我国整体绿色创新收敛性产生促进作用。三是条件β收敛与绝对β收敛的收敛速度在不同的空间权重矩阵下存在差异性。在邻接矩阵下，绿色创新效率的绝对β收敛的收敛速度为0.051，对应的半生命周期为13.579年；绿色创新效率的条件β收敛的收敛速度为0.077，对应的半生命周期为9.014年。在地理距离矩阵下，绿色创新效率的绝对β收敛速度与条件β收敛速度分别为0.045、0.069，对应的半生命周期为15.257年与10.239年。

表6 全国绿色创新效率的β收敛

表6控制变量的回归结果表明，在两种空间权重矩阵下控制变量对绿色创新效率增长率的作用方向与显著性一致。就产业结构升级而言，产业结构升级的影响系数为负且在5%的统计水平上显著，这说明产业结构升级不能提升绿色创新效率的增长率。可能的原因是第二产业造成的环境污染比产业结构升级带来的正向作用更严重。就技术成熟度而言，技术成熟度的回归系数显著为正，这说明技术市场成熟度能提升我国绿色创新效率，可能的原因是当地的市场环境有利于技术市场交易，为当地带来更多先进的技术。就外商直接投资而言，外商直接投资对我国整体绿色创新效率收敛性的影响因子为正且在1%的统计水平上显著。这意味着外商直接投资带来了创新活动需要的资金、先进的知识以及管理经验等，有利于其在本地区的传播，提高了资源配置效率。就金融支持而言，金融支持的拟合系数在1%的统计水平上显著为正，绿色创新效率的提升需要大量的资本，而金融体系的支持恰好满足了这一需求。就环境规制而言，环境规制对我国绿色创新效率收敛性的估计系数显著为负，这可能是由于环境治理投资的增加会挤占政府对地方绿色创新活动的补贴，促使其对绿色创新效率产生抑制作用。

2.4.2 分区域β收敛检验结果分析

表7是分区域绿色创新效率绝对β空间收敛检验的估计结果。从回归结果来看，2007—2019年我国东部、中部、西部绿色创新效率的β收敛系数在两种空间权重矩阵下均小于0且在1%统计水平上显著，同时空间滞后系数显著为正，这说明三大地区均存在显著的绝对β收敛和空间依赖性。从收敛速度来看，中部、西部地区的绝对β收敛速度比东部地区快，可能的原因是中部、西部地区的绿色创新效率在初期时差距较大，随着经济的发展，创新资本、创新人才、技术等要素的流动规模增大，中部、西部各省份间的创新要素差异变小，进而导致绿色创新效率的增速变快。

表7 分区域绿色创新效率的绝对β收敛

表8是东部、中部与西部地区绿色创新效率条件β空间收敛检验的回归结果。从表8中可以看出，三大地区绿色创新效率的β收敛系数在控制了产业结构升级、技术成熟度、金融支持水平、外商直接投资以及环境规制后依旧显著为负，且空间自回归系数显著为正，这意味着三大区域绿色创新效率均存在显著的条件β空间收敛特征。从空间权重矩阵来看，在地理距离矩阵下，东部、中部、西部地区的绿色创新效率的条件β收敛速度分别为0.064、0.157、0.085，对应的半生命周期为10.855年、4.417年和8.172年。在邻接矩阵下，东部、中部、西部地区绿色创新效率的条件β收敛速度分别为0.063、0.152和0.079，对应的半生命周期分别为10.473年、4.55年和7.793年。就控制变量而言，外商直接投资与金融支持对我国整体及三大区域的绿色创新效率增长率产生了显著的促进作用。东部、西部地区外商直接投资的影响系数为正且通过了1%的显著性检验，而中部地区外商直接投资的回归系数显著为负，可能的原因是外商直接投资在给中部地区带来先进知识的同时也带来了环境污染，产生了“污染天堂效应”。

表8 分区域绿色创新效率的条件β收敛

3 结论

本文构建包含非期望产出的SBM-DEA模型，采用DEA-SLOVE Pro5.0测算了2007—2019年我国30个省份的绿色创新效率值，并在此基础上采用Kernel密度估计、Dagum基尼系数和空间滞后模型考察我国绿色创新效率的地区差异及空间收敛性特征，得出以下结论：

（1）Kernel密度曲线显示，全国及三大区域的核密度曲线向右侧移动，说明我国绿色创新效率呈波动上升趋势；东部地区存在主峰和侧峰并存的现象，中部地区出现右拖尾现象，说明东部和中部地区的绿色创新效率发展不协调。

（2）Dagum基尼系数分解结果表明，全国及西部地区绿色创新效率的地区差异整体呈下降趋势，而东部和中部地区绿色创新效率的区域内基尼系数则在波动性增大，说明全国和西部地区绿色创新效率的区域内差异在减小，而东部、中部地区的区域内差异在变大。此外，我国绿色创新效率的差异主要是区域间差异造成的，但超变密度对其的影响也不可忽视。

（3）从β收敛性来看，在不同的空间权重矩阵下，全国及三大地区的绿色创新效率不仅存在绝对β空间收敛，而且条件β空间收敛也非常显著。就控制变量而言，技术成熟度、外商直接投资以及金融支持显著促进全国绿色创新效率的收敛，产业结构升级和环境规制对全国绿色创新效率收敛具有显著的负向作用，但各控制变量对不同地区绿色创新效率收敛的影响存在差异，可能是由于区域资源禀赋和地理位置的不同造成的。同时，空间滞后模型的结果还表明，全国及三大区域的绿色创新效率均存在显著的空间相关性。