長江經濟帶工業企業綠色創新效率的演變規律

彭甲超,許榮榮,付麗娜,易 明*,許耀東

長江經濟帶工業企業綠色創新效率的演變規律

彭甲超1,許榮榮2,付麗娜3,易 明1*,許耀東1

(1.中國地質大學經濟管理學院,湖北 武漢 430074；2.湖北省教育考試院, 湖北 武漢 430074；3.中南民族大學國際教育學院,湖北 武漢 430074)

在考慮非期望產出的前提下,采用超效率非期望兩階段網絡DEA法測算2008~2016年長江經濟帶工業企業綠色創新效率,運用對數平均權重分解法(LMDI)對其影響因素進行分解,并估算各因素的實際貢獻份額和區域差異.結果發現:長江經濟帶整體工業企業綠色創新效率均值為0.2710,即樣本期內并未實現DEA有效,呈現出從下游地區向上游地區依次遞減的趨勢;并且下游與中游、上游地區工業企業之間的平均綠色創新效率水平差距呈現出逐漸擴大趨勢,發展態勢明顯不平衡;整體上自身創新效應對工業企業綠色創新效率影響最大,剩余依次為工業企業消化吸收效應、購買國內技術效應、引進技術效應、技術改造效應和工業污染治理效應;新產品開發經費效應在第一和第二階段一直處于主導地位;吸收消化經費和購買國內技術經費對工業企業綠色創新效率的正向促進作用明顯;吸收消化和購買國內技術經費的增加在兩階段中的表現一致,但第二階段的效應量下降明顯;各因素對工業企業綠色創新效率的貢獻差異呈現自東向西的減弱趨勢,但中部地區的效應量不高;從時間變化趨勢來看,長江經濟帶平均效應量整體呈現增加的趨勢,但在“十二五”期間總效應量則呈現遞減趨勢.此外,上游和中游地區各因素效應量促進了工業企業綠色創新效率的提升.

長江經濟帶；綠色創新效率；非期望產出；影響因素；效應分解

長江經濟帶是橫跨我國東中西部的巨型工業經濟帶、生態文明先行區和創新驅動策源地,提高工業企業綠色創新效率對于長江經濟帶綠色發展具有重要意義.綠色創新的概念通常與生態創新、環境創新和可持續創新聯系在一起,是指以避免或減少環境破壞為目的的“創造性破壞”行為[1].而綠色創新效率是“一定區域或產業,在一定時期內,綜合考慮生態和資源環境要素前提下,生產和技術創新過程中各種投入要素的有效利用程度”[2].2016年,長江經濟帶工業增加值已經達到122684.76億元,是2008年的2.15倍左右.然而,作為橫跨中國東中西部的巨型工業經濟帶,長江經濟帶工業大而不強,面臨自主創新能力弱、產品檔次不高、資源能源利用率低、環境污染較為突出等問題,傳統的依靠資源要素投入、規模擴張的粗放發展模式難以為繼.與此同時,新一輪科技和產業革命醞釀興起,“創新”和“綠色”將成為工業競爭力的核心要素.推進長江經濟帶工業由大變強,既要加大生產和創新投入力度,還要提高資源能源利用效率,著力增加質量效益、創新能力等期望產出,減少生態破壞、環境污染等非期望產出,提高工業特別是大型工業企業的綠色創新效率.

表1 工業企業綠色創新效率測算分析相關文獻梳理

注:DEA代表數據包絡分析;SFA代表隨機前沿分析模型.

國內外學者運用不同的分析視角或方法研究綠色創新的動力、特征、決定因素及其對經濟社會系統的影響[13-17],并對工業企業綠色創新效率進行了較為深入的探討(表1).具體而言,在測算指標方面,有的較為側重于工業指標,如龔新蜀等[18]選擇的投入指標有工業固定資產凈值、工業從業人員年平均人數、能源消費量,產出指標則包括工業總產值,二氧化碳排放量,但此類指標并不能有效代表創新的投入產出,更多體現的是工業的投入產出;有的則側重于創新指標,如錢麗等[19]選擇的投入指標有研發人員全時當量和研發經費內部支出,中間產出指標包括專利數和新產品開發數,產出指標則包括了新產品銷售收入、主營業務收入、單位工業GDP二氧化碳排放量和“三廢”排放量.在處理非期望產出時,大部分將其作為產出變量,但也有學者將其作為投入變量,如張江雪等[11]借鑒Korhonenab[20]的做法,將工業企業能耗和廢氣排放量作為負產出進行處理.在測算方法方面,主要是基于DEA模型的拓展[21],如投入共享關聯DEA模型[6,22]、Super-SBM模型[23-24]、SBM-DEA三階段[25]、Malmquist- Luenberger指數[26-28]、兩階段DEA[29]和DEA-RAM模型[30]以及網絡兩階段DEA[10]等.在影響因素方面,主要關注的有外部環境因素如外商直接投資和行業資金FDI[12]、政府政策[8]、知識產權保護和創新氛圍[19]、環保投入[10]以及公司性質和行業競爭[31]等,也有企業自身因素如研發資金和企業規模[3,19]、研發管理[4]、綠色工業治理行為等,評價影響因素的作用效果則主要采用面板計量方法[2,5].

總體而言,現有研究還存在進一步改進的空間,一是現有的DEA方法對最終效率水平的分析存在瑕疵,未能有效區分DEA有效率狀態下距離生產前沿面的相對數值,即在有效DEA狀態下無法區分各決策單元距離生產前沿面的數值,因而在結果中只能反映決策單元處于DEA有效狀態,未能進一步區分個決策單元效率值的DEA有效狀態的大小情況,本文則在兩階段網絡DEA模型引入超效率分析思路,將非期望產出納入工業企業綠色創新效率測算指標體系,擴展了余永澤認為DEA兩階段測算的結果在0~1之間變化[30];另外,以錢麗等研究[7,19,22]為代表的兩階段網絡共享關聯DEA方法更多的分析工業企業的創新效率,本文將工業企業“三廢”作為非期望產出納入效率測算指標體系中,研究長江經濟帶工業企業綠色創新效率變化特征.二是關于工業企業綠色創新效率影響因素的分析方法有待改進,Tobit模型或者一般回歸計算結果的殘差并未得到有效分解,也即其估計的影響結果存在偏差,且忽略了企業自身創新過程和環節對綠色創新效率的影響.因此,本文主要創新點包括:①為進一步區分DEA有效狀態下各區域距離生產前沿面的數值,本文利用Spuer-efficiency思路處理非期望兩階段網絡DEA模型,最終采用有別于共享聯動的超效率非期望兩階段網絡DEA模型(Spuer-efficiency undesirable outputs two stage network).②充分考慮企業創新環節對綠色創新效率的影響,并采用LMDI方法對影響因素的效應進行分解,測算各影響因素的實際貢獻份額.

如何準確測算工業企業綠色創新效率,長江經濟帶工業企業綠色創新效率(IE)在不同階段、不同區域具有怎樣的時空分異特征？哪些關鍵因素對其產生了影響以及影響效應如何？這些是本研究所期望解決的關鍵科學問題.

1 研究模型設計

1.1 研究方法

圖1 考慮非期望產出的k階段生產的工業企業DMU結構

,,分別代表投入、產出和中間產品投入

參照何楓等[13]的觀點,假設網絡生產可能集滿足閉合集、凸集、聯合弱可處置性、投入和期望產出的強可處置性以及聯合弱可處置性,運用DEA方法將生產規模報酬可變前提下的網絡環境技術模型整合為:

DMU使用DEA方法進行技術效率評價時,當存在多于1個的DMU呈現有效狀態(IE=1)時,需要進一步鑒別這些有效DMU間的效率大小問題,因此在非期望兩階段網絡DEA的基礎上加入超效率(SpuerEfficiency)問題,最終形成本文的效率測算方法超效率非期望兩階段網絡.

1.1.2 影響因素分解分析方法 在影響因素分解領域,應用較為廣泛的為Ang & Liu提出的對數平均迪式指數法分解模型(LMDI)[33].LMDI方法能夠通過因素差異測試及時間差異測算,對殘差項能夠完全分解,其乘法分解法和加法分解法之間具有簡明關系,乘法分解法具備加法特性,本文采用LMDI分解模型:

式中:表示長江經濟帶11省市,j表示時間;IE為工業企業綠色創新效率,IE,j為第省第期的IE值;為經濟環境結構,Q,j為第省第期的經濟結構;M,j為第省第期的工業污染源治理總量;N,j為第省第期新產品開發經費支出,代表工業企業自身創新條件;I,j為第省第期引進技術經費支出;A,j為消化吸收經費支出;P,j為第省第期的購買國內技術經費支出;E,j表示第省第期的技術改造經費支出水平.

從基期到期,IE增量的“加法分解”和“乘法分解”分別為:

角標為tot的部分表示IE增量,即總效應量;下角標indm, newf, inot, absd,purt, tect分別表示工業污染源治理能力,新產品開發經費支出,引進技術經費(億元),消化吸收經費,購買國內技術經費支出以及技術改造經費支出變化對IE的影響大小,對應污染治理效應、自身創新效應、引進技術效應、消化吸收效應、國內創新效應及技術改造效應.由于本文研究的時間跨度從2008~2016年,經濟制度及經濟環境并未發生較大改變,一般在一段時期內不會變動,因此本文假定=1.效應大于0(加法)或1(乘法)表示該效應促進IE的增加,反之亦然.因LMDI為完全分解,故分解公式中無其他殘余項.

1.2 變量指標及數據來源

1.2.1 變量指標選取 在綠色創新投入方面,選取的投入變量主要考慮規模以上工業企業的資本和勞動力投入兩個維度,包括R&D經費支出和研究與試驗發展(R&D)人員全時當量.其中,R&D經費支出包括內部經費和外部經費支出,主要用于衡量企業創新所必需的財力投入,是對創新具有直接的、最為重要的要素;研究與試驗發展(R&D)人員全時當量用于表征創新過程中研發人員的重要作用.

在綠色創新產出方面,延續前人研究綠色創新效率的重要變量[34],期望產出的變量指標選取工業企業專利授權數作為衡量綠色創新的中間產出,同時最終產出衡量指標為新產品銷售收入及工業企業營業利潤.工業企業的非期望產出考慮廢氣、廢水和固體廢物三類變量指標[35],不同于范丹等[36]選取的污染物排放熵權綜合指數,本文的非期望產出主要包括工業廢氣排放、工業廢水排放、工業COD和危險廢物產生量.

影響IE的環境因素變量主要涉及到工業企業創新的各個環節,最終選定新產品開發經費、引進技術經費、消化吸收經費、購買國內技術經費、技術改造經費以及工業污染源治理總額作為影響因素變量.數據主要描述性統計如表2所示.

表2 指標變量的描述性統計

表3 指標相關性分析

注:***<0.01,**<0.05,*<0.1;下三角形單元報告Pearson的相關系數,上三角形單元報告的是Spearman相關系數.

投入與產出變量之間的相關性統計分析如表3所示.投入指標與產出指標存在必然關系,在DEA評價時,胡永宏和路芳認為指標間的完全線性關系不會對DEA評價結果產生影響[37],指標間的高度相關性可能會導致DMU的DEA評價結果存在偏誤[38].但也有文獻指出,運用DEA模型進行評價時投入和產出變量需要滿足同質性條件.劉偉認為投入變量和產出變量的相關系數(Pearson's和Spearman’s)在1%的水平顯著正相關即滿足DEA要求[39],因此參考已有研究成果認為本文選取的投入和產出相關性符合DEA效率分析要求.

1.2.2 數據來源 除作特殊說明外,相關數據均來源于中國統計年鑒以及各省市統計年鑒,時間窗口為2008~2016年,測算分析軟件為MaxDEA7.8.由于工業企業現有統計數據庫只涉及到規模以上工業企業相關指標,因此,本文討論的IE是指規模以上工業企業綠色創新效率.

2 效率測算的實證結果分析

2.1 整體及兩階段IE的地區差異

經測算,樣本期內整體IE均值最大值為0.3593,最小值為0.1712.從分省市的結果來看,最大值為0.3825(江蘇),最小值為浙江0.1397.其余省市IE均值按照從大到小的順序依次為上海(0.3696)、安徽(0.3643)、江西(0.3246)、四川(0.3234)、貴州(0.2684)、湖北(0.2345)、云南(0.2245)、湖南(0.1980)、重慶(0.1515).

根據長江經濟帶上游、中游、下游的地區分布,測算并比較了三個地區工業企業的整體及兩階段綠色創新效率的變化趨勢,如表4和圖2所示.總體而言,上游、中游、下游地區工業企業的年均整體綠色創新效率值分別為0.2420、0.2803和0.2973,全部工業企業年均整體綠色創新效率值為0.2710,反映了樣本期內長江經濟帶11省市整體IE呈現出從下游地區向上游地區依次遞減的趨勢.圖2(a)的變化應該引起關注的是,上游、中游、下游地區整體IE在2010年出現拐點,之后呈現逐年下降的趨勢,隨后在2014年略有回升.

橫向比較來看,上游、中游、下游地區工業企業的平均整體綠色創新效率之比由2008年的0.202057: 0.180029:0.206538擴大到2016年的0.306001:0.27685: 0.397102.下游地區工業企業與中游、上游地區之間的平均綠色創新效率水平差距呈現出逐漸擴大趨勢,三個地區IE具有比較明顯的不平衡發展態勢.為了更清楚地了解各地區整體IE差異來源,本文進一步將整體IE分解為第一階段(Stage1)和第二階段(Stage2),分別見表4和圖2.就Stage1而言,上游、中游、下游地區工業企業在樣本期內的IE均值分別為0.6163、0.5684和0.6809.就Stage2而言,上游、中游、下游地區IE均值都在2009年和2010年出現拐點,之后中、上游地區工業企業IE在2015年呈現回升趨勢,而下游地區IE在2014年后略有回升上升趨勢.

表4 2008~2016年長江經濟帶11省市IE主要描述性統計

2.2 兩階段IE的空間集聚分析

以2008~2016年樣本工業企業兩階段綠色創新效率均值(0.65,0.60)為分界點,可得到兩階段IE矩陣圖,如圖2(d)所示.總體上,將11省市及劃分區域分成四大類,主要內容如下:

第一類(ⅠH-H)——工業企業的兩階段IE值均大于均值,即工業企業綠色創新研發效率(Stage1)和商業轉化效率(Stage2)均較高.此類型僅包括江蘇省,占總數的6.67%.該省的工業企業無論是在生產資源消耗方面還是在工業廢氣、廢物等污染物排放量方面均優于其他省市.江蘇省工業企業綠色創新活動第一階段和第二階段的效率值均小于1,說明其兩階段均未達到相對有效狀態,在資源要素消耗及節能減排管理上尚存較大的提升空間.

第二類(ⅡL-H)——工業企業IE值第一階段小于均值,第二階段大于均值,即工業企業綠色創新研發效率低而商業轉化效率高.此類型包括上海和江西,這兩個省在綠色創新產出階段的效率值大于綠色創新研發階段的效率值,單純從效率值的演變理解,這兩個省綠色創新成果轉化效率較高.上海在第一階段效率值低的原因可能在于上海雖然R&D研發經費投入強度高于其他省市,但相較于較高的研發投入,其以專利為代表的中間產出偏低,當然這并不是說上海的專利數量少于其他省市,只是相對于自身的投入而言專利產出偏低.

第三類(Ⅲ L-L)——工業企業的第一階段和第二階段IE值均小于均值,即工業企業綠色創新研發效率和商業轉化效率均較低.此類型主要包括湖南、云南、湖北以及四川,占總數的30.7692%,說明上述省市的工業企業綠色創新行為均是相對無效,這也表明這些工業企業在資源配置、節能降耗及環境保護方面都還有很大的提升空間,需要向下游江蘇等工業企業學習管理經驗,進一步引進或研發節能減排技術.

(a),長江經濟帶2008~2016年整體IE,上游地區IE,中游地區IE和下游地區IE;(b),長江經濟帶2008~2016年第一階段IE;(c),長江經濟帶2008~2016年第二階段IE;(d),長江經濟帶11省市工業企業兩階段IE矩陣,橫軸為第一階段IE均值,縱軸為第二階段IE均值

第四類(ⅣH-L)——工業企業的第一階段IE值大于均值,第二序階段小于均值,即工業企業綠色創新研發效率高但商業轉化效率低.此類型包括浙江、重慶、貴州和安徽,上述省市對于創新經營行為具備充足經驗,但在中間產出轉化及管理方面存在不足,因而上述省市需要通過健全技術轉移服務體系,彌補綠色創新成果轉化的短板.

3 影響因素的實證結果分析

基于新產品開發經費、引進技術、消化吸收、購買國內技術、技術改造和工業污染源治理共6個因素,采用“LMDI分解法”對影響IE的因素進行分解.乘法分解可以直觀地反應各因素的貢獻比例和變化趨勢,加法分解可以分析各因素貢獻的絕對量.首先通過乘法分解顯示IE影響因素的動態規律,再通過加法分解分析在IE變化中各因素的貢獻及不同的區域特征.

3.1 總體分解變化

3.1.1 各影響因素與IE的相關特征 圖3給出了依據加法分解所示的6大影響因素的均值貢獻特征.結果顯示總體上新產品研發經費對IE影響最大,其次為工業企業消化吸收效應和購買國內技術效應,然后為引進技術效應和技術改造效應,工業污染治理效應最低.上述影響因素分解與IE均存在不同的正向或負向影響(圖3(a)).

圖3 分解效應的各因素描述性統計及其對IE的影響

(a)影響因素分解各因素引進技術()、消化吸收()、購買國內技術()、技術改造()、新產品開發經費()和工業污染源治理()對工業企業綠色創新效率IE的散點圖及其線性和非線性擬合R;(b),各個影響因素的箱線圖及其正太分布曲線.陰影部分為95%置信區間

具體來說,在影響IE的6大因素中,新產品研發經費因素的波動最大,對IE的影響也最大,且呈正向影響.測算結果表明,新產品研發經費的因素值在0~0.4之間波動,均小于1,但是對IE起明顯促進作用(圖3(a));其次為消化吸收,但購買國內技術對IE的影響更為集中,并且圖3(a)表明消化吸收和購買國內技術對IE有明顯的促進作用,其效應量主要集中在-0.3~0.3之間;最后,引進技術、技術改造和工業污染源治理對IE的影響為負(圖3(a)),且其效應量的變化數值主要低于0.

圖4 兩階段效應量分解均值變化

(a),長江經濟帶IE總體的各效應分解均值;(b),長江經濟帶IE第一階段的各效應分解均值;(c),長江經濟帶IE第二階段的各效應分解均值

為進一步探討各因素、各階段如何影響IE,首先要分析IE的影響因素在兩階段中的具體表現,找出各個階段貢獻量變化的主要驅動因素.根據LMDI模型各指標公式,計算各指標的貢獻量,并繪制各指標貢獻量均值的變化圖(圖4).從長江經濟帶總體范圍來看,在總體及其兩階段變化方面,新產品開發經費效應一直處于主導地位,其中第一階段2009~2016年的新產品開發經費貢獻量最大,第二階段的新產品開發經費對IE的貢獻量有所下降,但仍然占據主導地位.在提升IE的其他效應量變化中,吸收消化經費和購買國內技術經費對IE的正向促進作用明顯;同樣地,吸收消化和購買國內技術經費的增加在兩階段中的表現一致,但第二階段的效應量下降明顯.

圖4也反映了樣本期內工業污染源治理、引進技術和技術改造經費的增加并未促進IE.具體表現在:首先,工業污染源治理雖然能夠減輕工業企業的環境污染,但對IE的消極作用一直延續貫穿在整體工業企業活動中,第一階段中的工業污染源治理帶來的負向效應明顯較第二階段輕;其次,引進技術的負向效應排名第二;最后為技術改造,雖然技術改造對IE有明顯的負向作用,但總體效應較小且第一階段和第二階段的變化不明顯.

3.1.2 分省貢獻變化分析 為更詳細探究長江經濟帶各省份的主要驅動力,運用LMDI計算各指標對2006~2013年IE的貢獻度,繪制各省份各指標貢獻度平均分布圖(圖5(a)和圖5(b)).

由圖5(a)可知,總體效應量變化呈現明顯的地域差異,整體呈現下降的省份包括安徽、湖南、云南、湖北、四川以及浙江.其中,下降幅度最大的省市為四川,其次為浙江及安徽,涵蓋范圍從西部向東部遞減.總效應量整體上升的省市包括上海和重慶,上海和重慶作為我國重要的直轄市,其為長江經濟帶重要的節點城市為工業企業發展的綠色創新提供范例.從2012年十八大提出“重視生態文明、實現綠色創新協調發展”以來,上海和重慶兩地的總效應量對IE上升幅度明顯高于長江經濟帶其他地區.近幾年,上海和重慶為企業綠色創新推行多種政策措施,為提升IE奠定了基礎.總體上看,IE的貢獻差異呈現自東向西的減弱趨勢,但中部地區的效應量不高,說明在西部開發和中部崛起的戰略背景下,還需通過綠色創新解決發展過程中產生的環境問題.同時,從時間變化趨勢來看,在樣本期內,長江經濟帶11省市平均的效應量整體呈現增加的趨勢,但在“十二五”期間,總效應量則呈現遞減趨勢.

圖5 長江經濟帶分省市各分解指標總貢獻量平均變化趨勢

(a) 2009~2016年長江經濟帶總貢獻量變化趨勢;(b) 2009~2016年長江經濟帶總貢獻量均值變化

3.2 兩階段效應量變化分析

由圖6(a)(b)(c)可知,各因素變化趨勢存在不一致,主要表現為第二階段的各因素的顯著波動,除新產品開發經費呈現上升趨勢之外,其余各因素均不同程度的波動下降.IE提升主要得益于新產品開發經費,而引進技術-消化吸收-技術改造等還存在改進區間.

圖6(d)給出長江經濟帶11省市各因素效應量的平均變化值,相較而言,各個省市效應量對IE的貢獻程度不一.長江上游地區和中游地區各因素效應量對IE的提升有較大幫助,但同時上中游部分省市對IE的“拖累”也存在.

3.3 貢獻份額分析

表5的測算結果表明2008~2016年影響長江經濟帶11省市IE的各個因素存在較大差異,在不同階段有不同程度的貢獻.主要表現在:

第一,位于下游地區的江蘇、上海和浙江三省市,其IE不同程度的受到部分影響因素第二階段的“拖累”,上海和浙江主要受制于第二階段工業污染源治理2和引進技術經費I貢獻份額的降低,技術改造經費E共同影響了江蘇和浙江的IE變化,除此以外,第二階段的消化吸收經費2大幅度降低嚴重影響江蘇的IE變化,同時浙江工業企業第二階段新產品開發經費對IE的貢獻并不高.由此可見,雖然總體上新產品開發經費對IE的驅動占主導地位,但并不是每個省市在每個階段均是由新產品開發經費主導.

圖6 2009~2016年IE影響因素整體及兩階段分解各省貢獻量

(a)(b)(c)分別表示整體、第一階段和第二階段各影響因素引進技術(12)、消化吸收(12)、購買國內技術(12)、技術改造(12)、新產品開發經費(12)和工業污染源治理(12)分解的變化趨勢;(d),總體和各個階段影響因素的效應量分省分布

表5 長江經濟帶11省市兩階段IE主要影響因素的貢獻份額均值(%)

第二,位于中游地區的安徽、湖北、湖南和江西四省,與上海和浙江相似,工業污染源治理成為影響湖南和湖北IE提升的主要因素,在第二階段其貢獻份額降低約3%.其次,安徽和湖南IE受制于引進技術經費,消化吸收則影響了安徽、湖北和江西三省的IE變化,也即在引進技術和吸收消化方面上述省份存在脫節.購買國內技術則“拖累”了湖南和江西的IE提升.此外,新產品開發經費和技術改造同時影響安徽的IE變化,這也就造成圖3(a)安徽2008~2016年整體效應量下降.

第三,位于上游地區的貴州、四川、云南和重慶四省市,工業污染源治理仍然成為上游地區IE降低的主要原因,這就表明在樣本期內長江經濟帶主要地區IE變化受制于工業污染源治理,因此,長江經濟帶的“共抓大保護,不搞大開發”任重道遠.引進技術并未提升貴州和云南兩地IE,這可能是由于貴州、云南兩地的地理位置偏遠,引進技術成本較大.消化吸收和購買國內技術經費共同影響四川、云南和重慶的IE,而技術改造則相反.

3.4 建議

本文研究對象主要是規模以上工業企業,沒有考慮規模以下工業企業的特殊性,囿于DEA模型投入產出指標的數量限制,可能忽略了部分指標,因而本文主要對策建議包括:首先,綠色創新是一項系統創新,既要重視工業企業的綠色研發和技術創新,也要推進工業企業建立綠色導向的組織、管理、制度和商業模式;既要重視提高工業企業綠色創新研發階段的效率,也要重視提高綠色創新成果轉化階段的效率,進一步健全長江經濟帶綠色技術轉移服務體系,完善促進綠色創新成果轉化的配套政策.其次,從區域協調的角度出發,應推進長江經濟帶各省市、上中下游地區工業企業綠色創新協同發展,解決區域綠色創新不平衡不協調的問題,及時總結IE較高省市的先進經驗、典型案例并進行宣傳推廣,探索建立11個省市共同促進工業企業綠色創新的聯席會議制度和長效機制.特別是針對湖南、云南、湖北和四川等具有低研發和低商業轉化效率特征的省份,應該重點關注工業企業綠色創新效率的整體提升,通過完善工業企業綠色創新發展的頂層設計,從供給側和需求側兩端入手,在加大綠色創新投入的同時提高綠色創新產出.而對浙江、重慶、貴州和安徽等研發效率高而商業轉化效率低的省份,重點則是促進綠色創新鏈和產業鏈、資金鏈的有機銜接,進一步建立完善市場導向的綠色科技成果應用和產業化機制.最后,影響因素的效應分解結果顯示,提高工業企業自主創新能力至關重要,因此,需要重點支持和鼓勵長江經濟帶工業企業加大綠色研發投入,發展綠色制造、智能制造和先進制造,推進工業與服務業深度融合.

4 結論

4.1 效率值變化方面,長江經濟帶整體IE值為0.2710,即樣本期內工業企業綠色創新并未實現DEA有效,同時樣本期內11個省市IE呈現出從下游地區向上游地區依次遞減的趨勢.橫向比較來看,下游與中游、上游地區平均IE水平差距呈現出逐漸擴大趨勢,三個地區IE具有比較明顯的不平衡發展態勢.

4.2 影響因素效應分解方面,總體上自身創新效應對IE影響最大,剩余依次為工業企業消化吸收效應、購買國內技術效應、引進技術效應、技術改造效應和工業污染治理效應.兩階段變化方面,自身創新效應在第一和第二階段一直處于主導地位;吸收消化經費和購買國內技術經費對IE的正向促進中作用明顯;吸收消化和購買國內技術經費的增加在兩階段中的表現一致,但第二階段的效應量下降明顯.

4.3 各影響因素的區域貢獻方面,對長江經濟帶IE的貢獻呈現自東向西的減弱趨勢,但中部地區的效應量不高;從時間變化趨勢來看,長江經濟帶11省市平均的效應量整體呈現增加的趨勢,但在“十二五”期間,總效應量則從呈現遞減趨勢.長江上游地區和中游地區各因素效應量對IE的提升有較大幫助,但同時上中游部分省市對IE的“拖累”也存在.

[1] 約瑟夫?阿洛伊斯?熊彼特.經濟發展理論:對于利潤、資本、信貸、利息和經濟周期的考察 [M]. 何畏等譯,北京:商務印書館, 1990:201-306. Schumpete J A. The theory of economic development: an inquiry into profits, capital, credit, interest, and the business cycle [M]. He W, et al. Beijing: The Commercial Press, 1990.

[2] 易 明,程曉曼.長江經濟帶城市綠色創新效率時空分異及其影響因素[J]. 城市問題, 2018,(8):31-39. Yi M, Chen X M. Spatial-temporal differences and influencing factors of green innovation efficiency along the Yangtze River Economic Belt [J]. Urban Problems, 2018,(8):31-39.

[3] 池仁勇.企業技術創新效率及其影響因素研究[J]. 數量經濟技術經濟研究, 2003,(6):105-108. Chi R Y. Research on Enterprise Technology Innovation Efficiency and its Influencing Factors [J]. The Journal of Quantitative & Technical Economics, 2003,(6):105-108.

[4] 余泳澤.我國高技術產業技術創新效率及其影響因素研究——基于價值鏈視角下的兩階段分析[J]. 經濟科學, 2009,(4):62-74. Yu Y Z. Research on technology innovation efficiency and its influencing factors of high-tech Industry in China—two stage analysis based on value chain perspective [J]. Economic Science, 2009,(4):62- 74.

[5] Guan J, Chen K. Measuring the innovation production process: a cross-region empirical study of China’s high-tech innovations [J]. Technovation, 2010,30(5/6):348-358.

[6] 馮志軍.中國工業企業綠色創新效率研究[J]. 中國科技論壇, 2013,(2):82-88. Feng Z J. Research on industrial enterprises' green innovation efficiency in China—based on provincial data by a DEA-SBM approach [J]. Forum On Science and Technology in China, 2013,(2): 82-88.

[7] 錢 麗,肖仁橋,陳忠衛.環境約束、技術差距與企業創新效率——基于中國省際工業企業的實證研究[J]. 科學學研究, 2015,33(3): 378-389. Qian Li, Xiao R Q, Chen Z W. Environmental constraint, technology gap and the enterprises' innovation efficiency: empirical research on the provincial industrial enterprises in China [J]. Studies in Science of Science, 2015,33(3):378-389.

[8] 肖 文,林高榜.政府支持、研發管理與技術創新效率——基于中國工業行業的實證分析[J]. 管理世界, 2014,(4):71-80. Xiao W, Lin G B. Government support, R&D management and technology innovation efficiency: an empirical analysis based on China's industrial sector [J]. Management World, 2014,(4):71-80.

[9] Shu C, Zhou K Z, Xiao Y, et al. How green management influences product innovation in China: the role of institutional benefits [J]. Journal of Business Ethics, 2016,133(3):471-485.

[10] 畢克新,楊朝均,黃 平.中國綠色工藝創新績效的地區差異及影響因素研究[J]. 中國工業經濟, 2013,(10):57-69. Bi K X, Yang C J, Huang P. Study on the regional difference and influencing factors of green process innovation performance in China [J]. China Industrial Economics, 2013,(10):57-69.

[11] 張江雪,朱 磊.基于綠色增長的我國各地區工業企業技術創新效率研究[J]. 數量經濟技術經濟研究, 2012,29(2):113-125. Zhang J X, Zhu L. Research on technological innovation efficiency of industrial enterprises based on green growth of regions in China [J]. The Journal of Quantitative & Technical Economics, 2012,29(2):113- 125.

[12] 孫曉華,郭 旭,王 昀.政府補貼、所有權性質與企業研發決策[J]. 管理科學學報, 2017,20(6):18-31. Sun X H, Guo X, Wang Y. Government subsidy, ownership, and firms' R & D decisions [J]. Journal of Management Sciences in China, 2017, 20(6):18-31.

[13] Borghesi S. Environmental innovation and socio-economic dynamics in institutional and policy contexts [J]. Journal of Evolutionary Economics, 2013,23(2):241-245.

[14] Chen Y S, Lai S B, Wen C T. The influence of green innovation performance on corporate advantage in Taiwan [J]. Journal of Business Ethics, 2006,67(4):331-339.

[15] Costantini V, Crespi F, Martini C, et al. Demand-pull and technology- push public support for Eco-innovation: the case of the biofuels sector [J]. Research Policy, 2015,44(3):577-595.

[16] Leal-Rodríguez A L, Ariza-Montes A J, Morales-Fernández E, et al. Green innovation, indeed a cornerstone in linking market requests and business performance. Evidence from the Spanish automotive components industry [J]. Technological Forecasting and Social Change, 2018,129:185-193.

[17] 楊朝均,楊文珂,朱雁春.中國省際間對內開放對驅動工業綠色創新空間趨同的影響 [J]. 中國環境科學, 2018,38(8):3189-3200. Yang C J, Yang W K, Zhu Y C. The impact of inter provincial openness on the convergence of industrial green innovation in China [J]. China Environmental Science, 2018,38(8):3189-3200.

[18] 龔新蜀,李夢潔,張洪振. OFDI是否提升了中國的工業綠色創新效率——基于集聚經濟效應的實證研究[J]. 國際貿易問題, 2017,(11): 127-137. Gong X S, Li M J, Zhang H Z. Has OFDI promoted the industrial enterprises' green innovation efficiency in China--evidence based on agglomeration economic effect [J]. Journal of International Trade, 2017,(11):127-137.

[19] 錢 麗,王文平,肖仁橋.共享投入關聯視角下中國區域工業企業綠色創新效率差異研究[J]. 中國人口×資源與環境, 2018,28(5):27-39. Li Q, Wang W P, Xiao R Q. Research on the regional disparities of China's industrial enterprises green innovation efficiency from the perspective of shared inputs [J]. China Population, Resources and Environment, 2018,28(5):27-39.

[20] Korhonenab P J. Eco-efficiency analysis of power plants: an extension of data envelopment analysis [J]. European Journal of Operational Research, 2004,154(2):437-446.

[21] 何 楓,祝麗云,馬棟棟,等.中國鋼鐵企業綠色技術效率研究[J]. 中國工業經濟, 2015,(7):84-98. He F, Zhu L Y, Ma D D, et al. Research on the green technical efficiency of China's iron and steel enterprises [J]. China Industrial Economics, 2015,(7):84-98.

[22] 錢 麗,肖仁橋,陳忠衛.我國工業企業綠色技術創新效率及其區域差異研究——基于共同前沿理論和DEA模型[J]. 經濟理論與經濟管理, 2015,(1):26-43. Qian L, Renqiao X, Zhongwei C. Research on the industrial enterprise's technology innovation efficiency and regional disparities in China--based on the theory of Meta-frontier and DEA model [J]. Economic Theory and Business Management, 2015,(1):26-43.

[23] 王 惠,苗 壯,王樹喬.空間溢出、產業集聚效應與工業綠色創新效率[J]. 中國科技論壇, 2015,(12):33-38. Wang H, Miao Z, Wang S Q. Spatial spillover, industrial agglomeration effect and industrial green innovation efficiency [J]. Forum On Science and Technology in China, 2015,(12):33-38.

[24] 李曉陽,趙宏磊,林恬竹.中國工業的綠色創新效率[J]. 首都經濟貿易大學學報, 2018,20(3):41-49. Xiaoyang L, Honglei Z, Tianzhu L. The green innovation efficiency of Chinese industry [J]. Journal of Capital University of Economics and Business, 2018,20(3):41-49.

[25] Azad M A, Ancev T. Measuring environmental efficiency of agricultural water use: a Luenberger environmental indicator. [J]. Journal of Environmental Management, 2014,145(145C):314-320.

[26] 劉章生,宋德勇,弓媛媛,等.中國制造業綠色技術創新能力的行業差異與影響因素分析[J]. 情報雜志, 2017,36(1):194-200. Liu Z S, Song D Y, Gong Y Y, et al. Analysis of industrial differences and its influencing factors of green technological innovation capability of Chinese manufacturing industry [J]. Journal of Intelligence, 2017, 36(1):194-200.

[27] 羅 艷,陳 平.環境規制對中國工業綠色創新效率改善的門檻效應研究[J]. 東北大學學報(社會科學版), 2018,20(2):147-154. Luo Y, Chen P. On the threshold effect of environmental regulation upon the improvement of China's industrial green innovation efficiency [J]. Journal of Northeastern University (Social Science), 2018,20(2):147-154.

[28] 羅良文,梁圣蓉.中國區域工業企業綠色技術創新效率及因素分解[J]. 中國人口×資源與環境, 2016,26(9):149-157. Luo L W, Liang S R. Green technology innovation efficiency and factor decomposition of China's industrial enterprises [J]. China Population, Resources and Environment, 2016,26(9):149-157.

[29] 任 耀,牛沖槐,牛 彤,等.綠色創新效率的理論模型與實證研究[J]. 管理世界, 2014,(7):176-177. Ren Y, Niu C H, Niu T, et al. Theoretical model and empirical research on green innovation efficiency [J]. Management World, 2014,(7): 176-177.

[30] 宋馬林,王舒鴻.環境規制、技術進步與經濟增長[J]. 經濟研究, 2013,48(3):122-134. Song M L, Wang S H. Analysis of environmental regulation, technological progression and economic growth from the perspective of statistical tests [J]. Economic Research Journal, 2013,48(3):122- 134.

[31] 吳 超,楊樹旺,唐鵬程,等.中國重污染行業綠色創新效率提升模式構建[J]. 中國人口×資源與環境, 2018,28(5):40-48. Wu C, Yang S W, Tang P C, et al. Construction of the efficiency promotion model of green innovation in China's heavy polluted industries [J]. China Population, Resources and Environment, 2018, 28(5):40-48.

[32] F?re R. Directional distance functions and slacks-based measures of efficiency [J]. European Journal of Operational Research, 2010, 200(1):320-322.

[33] Ang B W, Liu F L. A new energy decomposition method: perfect in decomposition and consistent in aggregation [J]. Energy, 2001,26(6): 537-548.

[34] 馬曉君,李煜東,王常欣,等.約束條件下中國循環經濟發展中的生態效率——基于優化的超效率SBM-Malmquist-Tobit模型 [J]. 中國環境科學, 2018,38(9):3584-3593. Ma X J, Li Y D, Wang C X, et al. Ecological efficiency in the development of circular economy of China under hard constraints based on an optimal super efficiency SBM-Malmquist-Tobit model [J]. China Environmental Science, 2018,38(9):3584-3593.

[35] 龐 軍,石媛昌,胡 濤,等.我國出口貿易隱含污染排放變化的結構分解分析 [J]. 中國環境科學, 2013,33(12):2274-2285. Pang J, Shi Y C, Hu T, et al. Structural decomposition analysis of pollutants emission change embodied in exports of China [J]. China Environmental Science, 2013,33(12):2274-2285.

[36] 范 丹,梁佩鳳,劉 斌,等.中國環境稅費政策的雙重紅利效應——基于系統Gmm與面板門檻模型的估計 [J]. 中國環境科學, 2018,38(9):3576-3583. Fan D, Liang P F, Liu B, et al. Analysis on the double dividend effects of the environmental tax and fee policies in China--the estimation of the System GMM and the panel threshold model [J]. China Environmental Science, 2018,38(9):3576-3583.

[37] 胡永宏,路 芳.數據無量綱化和指標相關性對DEA評價結果的影響研究[J]. 經濟統計學(季刊), 2017,(2):56-72. Hu Y H, Lu F. Study on the influence of data dimensionless and index correlation on DEA evaluation results [J]. China Economic Statistics Quarterly, 2017,(2):56-72.

[38] 智冬曉.指標相關性對Dea評價效用的影響[J]. 統計教育, 2009,(6):40-44. Zhi D X. Impact of correlation between variables on DEA evaluation [J]. Statistical Thinktank, 2009,(6):40-44.

[39] 劉 偉.考慮環境因素的高新技術產業技術創新效率分析——基于2000~2007年和2008~2014年兩個時段的比較[J]. 科研管理, 2016, 37(11):18-25. Liu W. Technological innovation efficiency of high-tech industries considering environmental factor in China-comparison of two periods from 2000~2007 and from 2008~2014 [J]. Science Research Management, 2016,37(11):18-25.

The evolution pattern of green innovation efficiency of industrial enterprises in the Yangtze River Economic Belt.

PENG Jia-chao1, XU Rong-rong2, FU Li-na3, YI Ming1*, XU Yao-dong1

(1.School of Economics and Management, China University of Geosciences, Wuhan 430074, China；2.Hubei Education Examinations Authority, Wuhan 430074, China；3.School of International Education, South-central University for Nationalities, Wuhan 430074, China)., 2019,39(11)：4886~4900

Under the consideration of unexpected output, the innovation efficiency of industrial enterprises in the Yangtze River Economic Belt was measured through the use of Two Stage Network DEA method (Super-efficiency undesirable outputs) - for the period of 2008 to 2016. The LMDI method was also used to decompose the influencing factors, and estimate the actual contribution shares of individual factors and regional differences. The result showed that the average value of green innovation efficiency of the overall industrial enterprises in the Yangtze River Economic Belt was 0.2710, which means that the DEA was not effective during the sampling period. The figure showed a decreasing trend from the downstream area to the upstream area. The average green innovation efficiency gap between the downstream area enterprises and middle and upstream area enterprises was broadened gradually, denoting an obvious unbalanced development among them. Generally speaking, the innovation effect had the greatest impact on the green innovation efficiency of industrial enterprises, followed by the industrial enterprise assimilation of technology effect, the purchase of domestic technology effect, the introduction of technological effect, technological transformation effect and industrial pollution control effect. Meanwhile, the new product development funding effect played a predominant role at the first and second stages. The expenditure on assimilation of technology and the expenditure on domestic technology purchasing had positively promoted the green innovation efficiency of industrial enterprises. The increase of expenditure on both assimilation of technology and purchase of domestic technology had the same effect at the two stages, but the effect at the second stage was significantly reduced. The contribution of various factors to the green innovation efficiency of industrial enterprises showd a weakening trend from the east to the west, but the effect in the central region was not high. From the time series, the average amount of the effect in the Yangtze River economic belt showed a increasing trend, with an exception during the period of "The Twelfth Five-Year Plan". In addition, the effects of various factors in the upstream and midstream areas promoted the efficiency of green innovation in industrial enterprises.

Yangtze River Economic Belt；green innovation efficiency；undesired output；influencing factors；effect decomposition

X32

A

1000-6923(2019)11-4886-15

彭甲超(1991-),男,湖北丹江口人,中國地質大學(武漢)博士研究生,研究方向為區域可持續發展.發表論文11篇.

2019-03-30

教育部人文社會科學研究規劃基金項目(19YJA630103);中南民族大學中央高?；究蒲袠I務費專項基金項目(CSQ19054);中國地質大學中央高?；究蒲袠I務費專項資金資助項目(CUGQY1942)

* 責任作者, 副教授, yiming@cug.edu.cn