中国绿色低碳技术创新效率测度及空间溢出效应——基于“双碳”目标视角

刘源 ，温作民

（1.南京林业大学 经济管理学院，江苏 南京 210037；2.金陵科技学院 商学院，江苏 南京 211169）

2020 年9 月，中国在第75 届联合国大会上正式提出2030 年前“碳达峰”与2060 年前“碳中和”的目标（以下简称“双碳”目标）。“双碳”目标的提出，标志着中国在以生态文明建设推动绿色技术提升的新时代背景下，将环境保护和绿色发展上升至国家发展战略。随后，2021 年10 月出台的《2030 年前碳达峰行动方案》，进一步构筑了中国“双碳”目标政策体系顶层设计蓝图。绿色低碳技术作为全球新一轮产业革命与科技革命的重要体现[1]，不仅是我国应对气候变化难题的首要选择，而且是建设“美丽中国”、实现可持续发展的重要路向。面对资源环境承载力日趋上限的客观事实，绿色低碳技术创新已然成为我国推进生态文明建设，加速实现“双碳”目标的重要选择[2]。这一背景下，如何在充分融合“双碳”目标理念基础上测度中国绿色低碳技术创新效率？测度结果是否存在空间溢出效应？解答上述问题，有利于科学且全面地认识中国绿色低碳技术创新发展水平与方向，助力生态可持续发展目标实现。

早期学术界有关绿色技术创新的研究主要集中于对概念及重要性的讨论。此时，为应对日益严苛的环境问题、探索绿色生产工艺与生态产品，诸多学者将绿色技术创新与经济可持续发展相联系，试图从技术创新视角体现可持续发展目标[3-5]。而后，随着基础统计数据逐步完善，关于绿色技术创新绩效评估及其影响因素探讨的研究逐步丰富。这一阶段，学界多利用Malmquist 指数以及改进的DEA 模型，从企业、产业以及区域视角对绿色技术创新效率进行深入分析[6-8]。目前，绿色技术创新效率的研究重点逐渐转向影响效应评价，旨在从环境规制、降低碳排放强度、数字化转型等多视角探讨绿色技术创新效应[9-10]。随着研究关注点逐渐由内涵特征向定量测评转变，如何探寻绿色技术创新优化新空间成为当前学界讨论的重点。同时，“双碳”目标的提出更是从理论与实践层面为研究提供了新视角。基于此，本文尝试将“双碳”理念纳入研究框架，利用2011—2020 年绿色技术创新效率面板数据，运用三阶段DEA 模型对中国绿色低碳技术创新效率进行综合测度。进一步地，运用空间相关性检验与空间计量模型，从主观驱动因素与客观驱动因素两方面选取相关指标，以探究其空间溢出效应及影响因素。

1 中国绿色低碳技术创新效率测度

1.1 三阶段DEA模型

为更加准确地测度中国绿色低碳技术创新效率，本文参考相关研究[11-13]，选择剔除环境变量和随机干扰对效率测度影响的三阶段DEA 模型进行分析。

其中，第一阶段采用非期望产出的SBM 模型测量中国绿色低碳技术创新效率。具体模型如式（1）所示：

式中：ρ(0 ＜ρ＜1)指代中国绿色低碳技术创新效率值；S-指代投入过多，Sb指代非期望产出过多，Sg指代期望产出不足。

第二阶段使用随机前沿分析法（SFA）对第一阶段松弛变量展开回归分析，旨在剔除环境变量与混合误差项对回归结果的影响，具体如式（2）所示：

式中：Sij表示第j个决策单元在第i项投入的松弛值；为环境变量；βi为环境变量的系数；vij表示随机干扰；μij表示管理无效率，vij+μij为混合误差项，两者相互独立。将环境变量和第一阶段松弛变量值导入Frontier4.1软件，得到参数值。调整后的投入公式为：

第三阶段是对调整后投入产出变量的再分析。在该阶段，首先会剔除影响区域异质性的环境因素与随机误差因素，进而得到更加真实客观的效率水平。

1.2 变量选取与数据来源

参鉴已有学者近年来对绿色技术创新效率评价指标的相关研究[14-15]，遵循数据科学性与有效性原则，选取投入、产出以及环境变量三个维度进行指标体系构建。在环境变量方面，为了保证所选数据能够影响中国绿色低碳技术创新效率，且不受到样本自身主观控制的条件，本文参考杨舒婷[16]的相关研究，从经济发展水平、环境规制强度、人力资本水平以及科技创新潜力四个方面，选取影响中国绿色低碳技术创新效率的环境变量。

出于数据可得性考量，本文剔除西藏和港澳台地区数据，以中国30 个省份为研究样本；样本期选取公开发表的近10 年数据，即2011—2020 年。样本数据主要来自历年《中国科技统计年鉴》《中国城市统计年鉴》《中国环境统计年鉴》《中国工业统计年鉴》。为剔除数据量纲影响，对环境变量数据进行标准化处理。此外，部分缺失数据采用线性插值法予以补全。各变量数据含义及说明如表1 所示。

表1 变量数据含义及说明

1.3 中国绿色低碳技术创新效率结果分析

1.3.1 传统DEA模型计算结果分析

借助MaxDEA 软件对中国30 个省份绿色低碳技术创新效率进行测算（表2）。整体来看，样本期内中国绿色低碳技术创新效率均值排名前十依次是广东（0.979）、北京（0.978）、上海（0.924）、浙江（0.882）、安徽（0.836）、江苏（0.805）、天津（0.767）、湖南（0.672）、海南（0.666）、重庆（0.647）；创新效率均值最低的三个省份分别是黑龙江（0.252）、贵州（0.239）、山西（0.220）。从省份数据分析来看，广东、北京和上海之所以能够位列前三，主要原因是绿色低碳技术创新效率常年保持为1。相对而言，其余省份效率并未达到最优，且效率值多低于0.5，故各省份间存在明显的阶梯性差异。产生这一阶梯性差异的可能原因是，排名靠前地区长期坚持以技术创新、绿色环保、低碳节能为导向的产业发展政策，使得绿色低碳技术创新效率长期处于高位。而其余省份受限于经济发展水平、地区自然资源禀赋以及城镇化水平等多种客观因素，使得绿色低碳技术创新效率均值较低。从时序视角探究发现，天津、江苏、海南、安徽、重庆、青海、新疆等省份绿色低碳技术创新效率波动较大。可能的原因在于，上述地区在推进绿色低碳技术变革时，仍存在政策协同延展性缺失、绿色低碳技术创新应用范围狭窄以及研发投入力度不足等问题，制约地区绿色低碳技术创新效率提升。此外，尽管山西、贵州、陕西、甘肃等地整体波动幅度较小，但其长期处于低位的绿色低碳技术创新效率直观呈现出地方推进产业绿色低碳技术转型、升级的欠缺。就四大区域比较而言，2011—2020 年东部区域绿色低碳技术创新效率均值为0.754，远高于中部区域（0.478）、西部区域（0.365）和东北区域（0.305）。这一数字表明，中国绿色低碳技术创新效率均值空间分布具有明显阶梯性，即东部区域＞中部区域＞西部区域＞东北区域。

1.3.2 基于SFA的随机前沿分析

在这一阶段，以中国绿色低碳技术创新效率的投入冗余为被解释变量，将经济发展水平、环境规制强度、人力资本水平和科技创新潜力作为被解释变量，运用SFA 模型考察环境因素对投入松弛变量的影响，然后根据计算结果对原始投入进行调整。由表3 可知，经济发展水平与劳动力投入、经费投入以及能源消耗呈现显著正相关，说明经济发展水平越高，其对劳动要素、资本投入以及能源消耗的能力随之增加。环境规制强度与劳动力投入、能源消耗呈显著正相关。这说明，随着环境规制强度的增加，地方政府或更多考虑如何优化劳动力投入与能源消耗水平，尽管会促使政府主动优化经费投入，但也存在无效劳动力投入以及能源消耗增加的窘境。人力资本水平对劳动力投入与能源消耗为显著负向影响，而对经费投入为显著正向影响，说明中国绿色低碳技术创新前期会不断加大经费投入力度，但在有效人力方面存在时滞效应，导致前期劳动力投入无法有效减少投入冗余。科技创新潜力与三个指标均呈显著正相关，说明普通高等在校学生能够显著影响劳动力投入，且科技创新潜力越高，对能源消耗的促进作用越强。

表3 随机前沿分析（SFA）回归结果

1.3.3 调整后的DEA模型结果分析

由上述分析可知，环境因素对投入松弛变量的影响程度不同，会导致各个变量初始条件相左。因此，首先需要将原始变量与调整后的投入变量进行替换，然后重新导入传统DEA 模型，最后得到剔除环境因素与随机误差因素影响后的中国绿色低碳技术创新效率（表4）。对比表4 与表2 可知，30 个省份绿色低碳技术创新效率在调整前后存在较为明显的差异，即在剔除外部环境变量与随机变量影响后，中国绿色低碳技术创新效率整体均值高于剔除前。这一过程中，前后对比表现出下降特征的有北京、河北、上海、江苏、浙江、广东、安徽、湖南和重庆9 个省份。此结果说明，外部环境因素的影响会在一定程度上影响绿色低碳技术创新效率提升。其余21 个省份调整后的绿色低碳技术创新效率呈现出上升趋势，说明尽管此类省份绿色低碳技术创新效率较低，但原因并非完全是自身主观意见导致，而更多受到外部环境因素影响。就四大区域比较而言，剔除后的2011—2020 年中国绿色低碳技术创新效率排名依次为东部区域（0.677）＞西部区域（0.472）＞中部区域（0.447）＞东北区域（0.376）。东部区域依旧位列第一，西部区域则反超中部地区排名第二，东北区域虽有上升，但仍位列第四。

表4 2011—2020年中国绿色低碳技术创新效率再测度结果

2 中国绿色低碳技术创新效率的空间溢出效应分析

2.1 空间相关性检验

空间自相关分析法多用于研究地理数据统计方面，是一种针对性研究特定空间范围集聚程度的度量方法。换言之，对某一被观测事物进行研究时，该事物会通过地理关系的空间相互作用和空间扩散作用而逐渐形成异质性聚集特征[17-18]。这里以Moran’s I 作为测度中国绿色低碳技术创新效率空间自相关性的方法，如公式（4）所示：

式中：i与j分别代表某个不同区域；n表示省份个数；用于指代i与j区域的邻接关系；xi则表示绿色低碳技术创新效率在某个省份中的观察值。当i与j相邻时，Wij=1，反之，Wij=0。然后，设定Moran’s I 取值范围为[-1, 1]，若0 ＜I＜1，表明研究区域之间存在正相关；若-1 ＜I＜0，表明其为负相关；若I=0，表明其为独立随机分布，各省份绿色低碳技术创新效率不存在自相关。I的绝对值越大，相关性越高。

表5 为2011—2020 年中国30 个省份全局Moran’s I测算结果。可以看出，2011—2020 年中国绿色低碳技术创新效率的全局Moran’s I 整体呈现波动上升态势。该结果表明，中国绿色低碳技术创新效率具有显著空间正相关性，在后续研究中需考虑空间因素。

表5 2011—2020年中国绿色低碳技术创新效率的Moran’s I及P值

2.2 空间溢出效应分析

2.2.1 模型设定

空间计量模型主要分为空间误差模型（SEM）、空间滞后模型（SLM）和空间杜宾模型（SDM）。为明确究竟选择何种空间计量模型计算，参考杨阳[19]的研究，借助下式对SLM 模型和SEM 模型进行判断：

式中：TIEit为绿色低碳技术创新效率；interpretit为解释变量；α和β为常数项；ρ、θ分别为因变量与自变量的空间回归系数；λ为空间误差回归系数。当ρ=0,θ=0,λ≠0 时，选用SEM 模型；当ρ≠0,θ=0,λ=0 时，选用SLM 模型；当ρ≠0,θ≠0,λ=0 时，选用SDM 模型。

借助Wald 检验和LR 检验对SDM 模型是否会退化成SEM 模型、SLM 模型进行判断，检验结果见表6。

表6 Wald检验与LR检验结果

由结果可知，Wald 检验与LR 检验结果均在1%的水平上显著，说明SDM 模型无法退化为SEM 模型和SLM 模型。因此，本文选择SDM 模型对中国绿色低碳技术创新效率进行计量分析，计算公式如下：

2.2.2 数据与变量说明

本质上看，影响中国绿色低碳技术创新效率的因素主要基于过程导向，即通过影响绿色低碳技术创新过程而引起不同区域创新效率差异。从这一维度审视，可将中国绿色低碳技术创新效率的影响因素分为以下两种，一是包括财政投入、企业研发投入在内的主观驱动因素；二是包括经济发展水平、城镇化水平和人力资本水平的客观驱动因素。结合上述分析及相关学者研究，从主客观维度出发，对中国绿色低碳技术创新效率进行空间面板估计。主要变量如下：

被解释变量：绿色低碳技术创新效率（TIE），由前述一阶段绿色低碳技术创新效率综合测度结果获得。

解释核心变量：基于上述分析，选取财政投入（FI）、企业研发投入（EI）、科研机构研发投入（II）以及高校研发投入（UI）作为核心解释变量。

控制变量：结合中国绿色低碳技术创新客观驱动因素，选取经济发展水平（Eco）、城镇化水平（Urban）以及人力资本水平（Human）作为控制变量。

各变量说明如表7 所示。

表7 各变量指标及说明

相关数据主要来源于样本期内历年《中国科技统计年鉴》《中国环境统计年鉴》《中国统计年鉴》，部分数据为国家统计局调研数据与《中国城市统计年鉴》数据。此外，考虑到估计结果可能受到数据量纲的影响，所以对各项原始数据实施标准化处理。

2.2.3 空间溢出效应结果与分析

为考察主观驱动因素与客观驱动因素的具体影响效应，并准确分析其对绿色低碳技术创新效率的冲击，本文进一步运用SDM 模型分析中国绿色低碳技术创新效率的空间溢出效应（表8）。

表8 SDM模型的总效应、直接效应和间接效应

（1）观察直接效应结果可知，核心解释变量、控制变量对绿色低碳技术创新效率的估计系数均为正，且均在10%的水平上显著，这表示主、客观驱动因素均明显提升了创新效率。在各解释变量系数值排名中，企业研发投入、高校研发投入、科研机构研发投入、财政投入的系数值分别为0.345 9、0.307 5、0.142 6、0.105 3，呈依次降低状态。该结果表明，较高企业研发投入对绿色低碳技术创新效率提升作用极强，而财政投入的提升作用相对较小。产生这一现象的可能原因在于，企业因居于市场前沿可获取更多产业环境变化信息，并凭借本身灵活发展优势选取更有前景的领域进行投资，这种行为对绿色低碳技术产业创新发展的正向促进作用要强于政府这一主体。换言之，企业在扩大绿色低碳技术研发资金、人力资本投入的同时，自身创新效率也会随之提高。相对来说，政府部门并不会直接参与市场，所以其在市场信息获取与反馈方面均存在一定滞后性，这使得政府资金投入与政策投入对绿色低碳技术创新效率的影响较低。在控制变量系数值排名中，城镇化水平、经济发展水平与人力资本水平系数值依次降低，分别为0.193 6、0.138 7 和0.216 2。据此可知，这些客观因素有利于驱动绿色低碳技术创新行为，提高整体创新效率，具有正向促进作用。可能原因在于，城镇共享程度提高、经济发展环境向好，以及持续增加的高水平创新人才，使得信息、资金、劳动力等要素资源配置更加均衡，为提升低碳绿色技术创新效率提供了重要支撑。

（2）分析间接效应结果知悉，除财政投入外，其他核心解释变量以及全部控制变量对绿色低碳技术创新效率的估计参数显著为正，且通过1%或10%的显著性检验。在核心解释变量中，企业研发投入、科研机构研发投入和高校研发投入均在1%的水平上显著，意味着这三个主观因素对绿色低碳技术创新效率产生了间接影响。可能原因在于，企业、科研机构与高校存在一定效仿性，即三个机构可能通过培养创新、高精尖人才，为绿色低碳技术创新提供强大智力资源支持，或以增加研发资金投入的方式支持绿色低碳技术创新，从而为提升绿色低碳技术创新效率提供更多资本支持。然而，财政投入并未通过1%、5%、10%的显著性检验，意味着该指标并未对绿色低碳创新效率产生较为明显的空间溢出效应。原因可能在于，各地政府对绿色低碳技术创新的财政支持投入力度有限，难以在资本方面发挥较强的支持作用，即无法发挥其在绿色低碳技术创新效率提升中的作用。在控制变量系数值排名中，经济发展水平、城镇化水平与人力资本可能因自身驱动作用影响，对绿色低碳技术创新效率的间接影响也较为显著。

（3）梳理总效应结果可知，同样除财政投入外，其余核心解释变量与全部控制变量系数值为正，且通过1%、5%或10%的显著性检验，表明这些变量对绿色低碳技术创新效率具有积极影响。具言之，企业研发投入、科研机构研发投入、高校研发投入这三个核心解释变量均对绿色低碳技术创新效率产生空间溢出效应，企业研发投入的影响最大。这在很大程度上与企业自身市场属性、自由发展、市场配置等相关。也就是说，企业研发投入的增加，不仅有利于提升本地绿色低碳技术创新效率，而且对邻边地区产生了正向空间溢出效应。进一步分析发现，科研机构、高校在区域内展开自由共享，可提速创新要素流动，为提高绿色技术创新效率提供足够支持。控制变量方面，经济发展水平对省域绿色低碳技术创新效率的空间溢出效应最显著。这说明经济发展水平的提升，在正面影响本省绿色低碳技术创新效率同时，对相邻区域的亦会形成空间溢出效应。

3 结论及建议

3.1 结论

本文采用三阶段DEA 模型测算了剔除外部环境影响后中国30 个省份真实绿色低碳技术创新效率，进一步使用空间杜宾模型从主观与客观驱动因素两方面分析空间溢出效应及影响因素。研究得出主要结论为：（1）整体来看，剔除外部客观环境因素和随机因素影响后，中国绿色低碳技术创新效率要显著高于调整前。（2）分区域看，剔除前，中国绿色低碳技术创新效率空间分布格局具有明显阶梯性，即东部区域＞中部区域＞西部区域＞东北区域；剔除后，区域排名有所变动，呈现东部区域＞西部区域＞中部区域＞东北区域格局。（3）中国绿色低碳技术创新效率在全局上存在显著的空间依赖性以及空间溢出效应。其中，主观驱动因素方面，除财政投入外，企业研发投入、科研机构研发投入、高校研发投入均对绿色低碳技术创新效率产生显著促进作用；客观驱动因素方面，经济发展水平、城镇化水平与人力资本水平均对绿色低碳技术创新效率具有显著促进作用。

3.2 建议

第一，加大绿色低碳技术创新研发投入。企业方面，应提高用于研发活动的软件、专利等摊销费用占比，加强绿色低碳技术创新研发基础保障。科研机构方面，可结合绿色低碳技术市场需求，将研发投入倾斜至新能源汽车和动力电池等高技术密集型、低污染排放型的绿色低碳技术领域。高校方面，应坚持需求导向，优化传统师资人才结构，加大培养并输出高层次、高素质、专业化科技管理人才，为绿色低碳技术创新提供人才支持。在此过程中，地方政府可出台相关优惠政策，引导企业、科研机构与高校建立产学研一体化融合模式，提高各主体绿色低碳技术创新研发投入积极性。

第二，构建绿色低碳技术资源共享平台。在东北部、西部等绿色低碳技术创新低效率地区，地方政府可加大对资金、人力以及政策等要素支持，吸引高效率地区产学研相关机构入驻，共同建设绿色低碳技术资源共享平台，以此提升当地绿色低碳技术创新水平，最终赋能效率提升。在东部高效率地区，相关企业、高校和科研机构可依托绿色低碳技术资源共享平台，建立跨区域关键技术联合攻关机制，以“先进”带动“后进”，充分实现区域绿色低碳技术创新效率协调发展。

第三，打造绿色低碳经济循环发展体系。一方面，地方政府可从三大产业规划着手，培育绿色低碳循环产业，加快绿色供应链产业链对接，健全绿色低碳生产体系。另一方面，地方政府可大力完善基础设施建设，建立互联互通的综合能源系统，以此健全绿色低碳流通体系。通过绿色低碳生产体系与流通体系的协同运作，促进绿色低碳经济循环发展，持续夯实绿色低碳技术创新基础。