新能源示范城市政策對企業綠色創新影響研究
——基于我國A股上市公司樣本的PSM-DID分析

彭 順

(重慶工商大學 長江上游經濟研究中心，重慶 400067)

一、引言

為應對日益凸顯的環境污染和國際碳減排壓力，我國開始放棄以“高能耗、高污染、高排放”為特征的傳統發展方式，積極探索可再生能源的創新發展模式。自2007年始，我國陸續出臺了《可再生能源中長期發展規劃》《可再生能源發展“十二五”規劃》，對新能源發展進行了部署。2012年國家能源局發布了《關于申報新能源示范城市和產業園區的通知》，正式啟動新能源示范城市和產業園區的申報工作。繼而2014年國家能源局發布《關于公布創建新能源示范城市(產業園區)名單(第一批)的通知》，確定了81個城市和8個產業園區為第一批創建新能源示范城市和產業園區。

企業作為實體單位，在新能源示范城市建設過程中發揮著重要作用。企業在新能源發電、建造5G基站、組建大數據中心等過程中的創新研發活動無疑為新能源高質量發展和城市能源轉型注入了強大的動力。而能源轉型不是一蹴而就的，為穩步發展、穩中向前，需要對新能源示范城市可再生能源發展政策(以下簡稱新能源示范城市政策)影響下的企業綠色創新潛力進行深入評估，以加強企業綠色創新與新能源示范城市政策的有效銜接，促進可再生能源健康持續發展。

在此背景下，本文擬在新能源示范城市這一“準自然實驗”條件下，采用傾向得分匹配模型(PSM)與雙重差分法(DID)相結合的方法評估企業的綠色創新潛力，即研究新能源示范城市政策對企業綠色創新影響的大小、機制和時效，以及異質性企業對政策的處置效應。本研究對于新能源示范城市進一步建設和發展具有一定的指導意義，同時為后續新能源示范城市的政策制定提供借鑒與參考。

二、文獻綜述

可再生能源發展政策屬于一種環境規制政策。環境規制最早來源于經濟學原理的市場失靈外部性理論。新古典學派代表Pigou[1]將“外部經濟”進一步擴展為“外部經濟”與“外部不經濟”，提出了“庇古稅”，即通過補貼或征稅來應對環境外部性，此為政府干預型環境規制；Eskeland和Jimenez[2]將政府的環境規制進一步劃分為市場激勵型、命令控制型以及資源協議或環境認證等形式的“軟”手段監管型。此后對環境規制的分類研究則繞不開這三種類型。相對于命令控制型，市場激勵型環境規制往往被視為更加靈活的監管方式[3-4]，具有以下幾種優勢：一是具有市場化信息成本節約優勢與長期激勵減污技術發展優勢[5]；二是使企業的創新靈活性增加、生產力提高[6]；三是使企業和產業的邊際減排成本相等[7]。新能源示范城市政策兼有市場激勵(自愿申請)與命令控制(排放約束)兩種類型環境規制的特點，而企業對環境監管的主動自愿行為則屬于“軟”手段監管型。

近些年國內外學者熱衷于研究環境規制對企業綠色創新的影響。Johnstone等[8]研究發現，可交易能源許可證制度有助于誘發與化石能源直接競爭的行業的技術創新；Calel和Dechezleprêtre[9]檢驗了歐盟排放交易體系對企業技術變化的影響，結果發現對企業低碳技術的促進作用水平大約為10%；Weiss和Anisimova[10]對瑞典高污染行業企業開展實證檢驗，結果顯示，靈活的命令控制型環境規制和經濟激勵政策工具能夠通過提高能源使用效率顯著產生創新補償效應。錢麗等[11]的研究表明，資源環境約束能夠正向影響中國企業綠色創新能力；于連超等[12]發現，環境稅能夠顯著促進企業綠色創新，并呈現滯后性特征；李青原和肖澤華[13]發現，排污收費“倒逼”了企業綠色創新能力，“倒逼”效應體現在外部壓力和內部激勵上。

基于政策試點的示范城市類環境規制對企業綠色創新影響研究的文獻也較為豐富。鄧玉萍等[14]研究發現，《萬家企業節能低碳行動實施方案》對企業綠色創新有著積極的影響；徐佳和崔靜波[15]研究發現，低碳城市政策能夠有效促進高碳行業中國有企業和非國有企業的綠色技術創新；鐘昌標等[16]評估了低碳試點政策對企業綠色創新的積極促進作用；曹廷求等[17]研究發現，《綠色信貸指引》的實施對企業綠色創新活動具有正向影響，能夠促進重污染企業積極進行綠色轉型；宋德勇等[18]評估了智慧城市建設促進綠色技術創新的顯著程度；金環等[19]研究發現，電商示范城市建設試點能夠顯著促進企業綠色技術創新，而且對民營企業綠色技術創新的作用更顯著。

通過眾多文獻發現，驗證“波特假說”(1)波特假說：環境規制可能會促使企業進行更多的創新活動以減少污染，而這些創新活動會間接地促進企業生產力的提高，從而抵消由環境規制而增加的成本，并且提升企業在市場上的盈利能力和相對競爭力。中環境規制對企業綠色創新的影響近些年已成為研究焦點，對政策試點的深入研究也成為學者新的探索領域，尤其是政策試點與企業綠色創新的關系更是成為研究重點。但是這些研究在使用模型時多以控制變量和增減變量來探討政策試點的處理效應，未從縱向角度研究其動態效應，也未能深度挖掘效應的持續時間。而且，綜觀近年文獻，尚未發現針對新能源示范城市這一政策試點與企業綠色創新關系的研究?；诖?，本文將彌補以上不足，主要貢獻如下：第一，采用面板傾向得分匹配模型(PSM)結合雙重差分法(DID)，驗證新能源示范城市政策試點能否誘發企業綠色創新；第二，以政策時點的縱向視角觀察新能源示范城市政策的處理效應，構建政策實施后三期的動態效應模型，以識別新能源示范城市政策對每一期企業綠色創新的效應以及持續期，此處理方法有助于更深入發掘新能源示范城市政策對企業綠色創新的時點縱向影響及相互作用規律；第三，創造性地運用面板分位數結合雙重差分法評估企業綠色創新，以數值橫向水平估計企業綠色創新能力，用以考察新能源示范城市政策與企業綠色創新之間的定量關系；第四，從所有制、所屬行業、四大審計的企業異質性角度，探索新能源示范城市政策對企業綠色創新的影響效應及機制。

三、研究模型與樣本

(一)數據來源

本文以2003-2019年A股上市公司為研究對象，其中，剔除了金融保險業上市公司、非正常交易上市公司(包括ST，ST*以及PT)以及相關數據缺失的上市公司。本文數據主要包括兩個部分：一是企業創新數據，其中公司發明專利和實用新型專利的專利分類號信息從中國研究數據服務平臺(CNRDS)獲??；二是公司其他特征數據，其中財務數據主要來源于國泰安數據庫。將上述數據匹配后，最終獲得11 135個年度觀測值。

關于新能源示范城市內企業的識別。借鑒向寬虎和陸銘[20]識別開發區內企業的方法，即如果企業地址信息顯示企業位于新能源示范城市內，則將該企業識別為新能源示范城市企業；反之，則為非新能源示范城市企業。

關于政策時點的識別。由于新能源示范城市的創建是2012年申報、2014年公布名單，無法獲取每個城市準確的準備時間，只能選定一個統一的政策時點。因此，借鑒評估政策效應的雙重差分法的相關文獻以及研究新能源示范城市的文獻[21-23]，選取政策時點為公布名單的2014年。

(二)PSM樣本選取

Rosenbaum和Rubin[24-25]經研究提出了一種通過得分匹配獲得“反事實”的估計方法，這種方法直接促成了傾向匹配得分模型(PSM)的產生。在該模型的應用中，首先是盡可能多地找到實驗組與對照組之間存在差異的變量，組成匹配變量集，記為X≡(x1，x2，…，xn)，然后將分組變量Treated(0-1)對變量集X進行參數回歸，常用回歸方式為logit(probit)，具體如式(1)所示：

logit(Treated)=Xβ+ε。

(1)

采用式(1)可得回歸系數矩陣β。

通過式(2)可計算出得分值ps。

(2)

式中，Xi代表個體i的匹配變量集。

式(2)的本質是將多維的匹配變量擬合成一個一維且介于[0，1]之間的變量psi，即個體i進入實驗組的概率。得到psi后，可以根據特定的匹配方式，將實驗組與對照組匹配在一起，最后將實驗組與對照組進行對比，以識別出二者之間的差異。

但是該得分方法針對的是截面數據的個體，對于面板數據而言，忽略時間效應顯然是不可取的。由此，石大千等[26]在研究中采用了逐期匹配的方法，先將面板數據拆分為n>1期截面數據，依據式(1)和式(2)對每期截面數據中所有匹配變量進行逐期logit(probit)回歸，計算出每個個體每期的psi，t；然后分別對每期的psi，t進行匹配，得到每期的匹配樣本；最后將每期的樣本合并成面板數據。本文將此方法記為PSM-DID。謝申祥等[27]在石大千等人的研究基礎上將PSM進一步優化，即將每期截面數據的得分值用等時間權重加權獲得一個綜合得分值，根據這個綜合得分值匹配出合適的個體樣本，把這些樣本按時間序列組合形成面板數據。本文將此方法記為PSMs-DID。另外，該方法還對特殊變量進行了處理，因為在匹配前后特殊變量必須滿足一致性，即同一行業相匹配或者同一企業性質相匹配。

參考Chen等[28]的研究，確定公司規模(Size)、資產收益率(ROA)、資產負債率(Lev)、總資產周轉率(ATO)、現金流比率(Cashflow)、托賓Q值(TobinQ)、公司成立年限(FirmAge)為PSM方法的匹配變量。

(三)模型設計

為評估新能源示范城市政策對企業綠色創新的影響，對國家能源局2014年發布的新能源示范城市做一次準自然實驗。通過構建試點城市與非試點城市、政策前與政策后的交互項，剔除一些不隨個體變化或時間變化的因素，以合理評估新能源示范城市的政策效應。借鑒陳林和伍海軍[29]關于雙重差分法的研究成果與建議，本文建立如下計量模型：

Yi，t=α+βTreatedi×Timet+∑ρControli，t+λi+σt+ηc+εi，t。

(3)

式中，Yi，t表示試點城市某企業在某年的綠色創新變量，以授權專利等數據表征；Treatedi為試點城市虛擬變量，若某企業為新能源示范城市企業，為“1”，反之為“0”；Timet為新能源示范城市政策實施時間虛擬變量，2014年之后為“1”，之前為“0”；Treatedi×Timet是Treatedi和Timet的交互項，也稱did虛擬變量，其系數β正是本文最關心的政策效應；Controli，t是選取的一組控制變量；λi，σt和ηc代表個體、時間以及行業截距項的固定效應；εi，t表示計量模型隨機擾動項。

(四)變量描述性分析

表1為各變量描述性統計結果。本文被解釋變量為企業綠色專利授權情況，包括企業綠色專利授權量(GrePatNum)與企業綠色專利授權比率(GrePatRat)，以及企業綠色專利授權量(GrePatNum)的替代變量——綠色發明專利授權量(InPatNum)和綠色實用新型專利授權量(UmPatNum)，而且對企業綠色專利授權量作1+N的對數處理?？刂谱兞繛楣疽幠?Size)、資產收益率(ROA)、資產負債率(Lev)、總資產周轉率(ATO)、現金流比率(Cashflow)、托賓Q值(TobinQ)、公司成立年限(FirmAge)。其中，公司規模(Size)參照規模經濟理論[30-32]選??；公司成立年限(FirmAge)參照組織慣性理論[33]選??；其他5個變量是財務報表中的重要指標，屬于被廣泛接受的企業績效衡量標準，代表企業市場價值和資產重置價值之間的關系。依據企業特征并結合樣本，選取特殊變量為企業的所有制(SOE)、所屬行業(Industry)、四大審計(Big4)，即以是否為國有企業、是否屬高能耗行業、是否請四大審計公司進行審計來代表企業的異質性。

表1 各變量描述性統計結果

四、實證結果分析

(一)政策的唯一性檢驗

要證明新能源示范城市政策對企業綠色創新具有影響力，根據“反事實”的研究框架，一定要排除掉“非政策時點”與“非政策試點個體”的干擾，由此，必須對政策時點的唯一性與政策試點個體的唯一性逐個進行檢驗。

1.政策時點的唯一性——平行趨勢檢驗

從政策時點上考量，有效應用雙重差分法的重要假設是，如果沒有新能源示范城市政策的影響，隨著時間推移，實驗組和對照組的企業綠色創新變化趨勢不具有系統性差異。因此，需要檢驗平行趨勢或者共同趨勢的假設是否成立，即檢驗實驗組和對照組的企業綠色創新在政策實施之前必須具有相同的發展趨勢。如果不滿足這一條件，那么雙重差分法得出的政策效應β則不完全是真實的政策效應。

企業綠色專利授權情況的平行趨勢如圖1所示，橫軸表示年度，圖1(a)縱軸表示加總到城市層面的企業綠色專利授權量的平均值，圖1(b)縱軸則表示企業綠色專利授權比率的平均值，以新能源示范城市名單發布的2014年為政策前與政策后的分界線。在政策前(2003-2014年)，隨著年度的變化，對于企業綠色專利授權量均值，其實驗組總體略高于對照組，兩者的波動大致呈平行趨勢；實驗組的企業綠色專利授權比率均值與對照組呈現“你追我趕”的波動趨勢。在政策后(2014-2018年)，實驗組的企業綠色專利授權量均值攀升速度明顯加快，與對照組之間的差距逐步拉大；同樣，對于綠色專利授權比率均值，其實驗組與對照組之間的差距也增大，并且再未出現被“超越”現象。因此，在政策時點2014年之后，確實使原本具有平行趨勢的實驗組與對照組之間的差距逐漸拉大，雙重差分法的平行趨勢假說從圖形上得到支持。

(a)

(b)圖1 平行趨勢檢驗-時間趨勢圖

2.政策試點個體的唯一性——安慰劑檢驗

從政策試點個體上考量，需要證明隨著時間的推移，沒有依據新能源示范城市名單選擇的個體不會出現顯著性變化。為避免出現人為的設定，本文采取隨機抽樣的方式進行實驗組的選取。對抽取的樣本按照公式(3)進行回歸，得到系數β，t值與置信區間；依此重復多次后，得到隨機抽樣的估計值區間及其分布；最后與原模型的估計值比較差異。這種檢驗政策試點個體唯一性的方法稱為安慰劑檢驗法。

原模型的估計系數為0.049，t值為2.45。采用1 000次隨機抽樣，安慰劑檢驗結果如圖2所示。隨機數采用的是正態分布函數，大樣本下系數均值為0，90%水平下的置信區間為[-1.65，1.65]。從圖2中可以看出，實際試點城市樣本下的估計值明顯異于隨機抽樣試點個體的結果，原模型穩健性的結果說明政策試點個體具有唯一性，即新能源示范城市名單中試點城市的唯一性得到支持。

(a)

(b)

(c)圖2 安慰劑檢驗結果

(二)企業綠色創新的回歸結果分析

表2為企業綠色創新的回歸結果。第1-2欄為沒有進行PSM匹配的回歸結果，全樣本量為11 135；第3-4欄為參照了石大千等[26]逐期PSM匹配方法的回歸結果，通過近鄰1∶3匹配將樣本量由11 135篩選至8 573；第5-6欄為借鑒了謝申祥等[27]使用的方法先獲得逐期得分再以時間權重進行匹配的回歸結果，通過近鄰1∶3匹配將樣本量由11 135篩選至8 409。表2中的模型均采用了Gaure[34]，Guimaraes和Portugal[35]提出的固定效應的回歸方法，將個體、時間、行業作為固定截距項。

模型回歸結果顯示，綠色專利授權量與綠色專利授權比率在DID，PSM-DID，PSMs-DID三個模型中的did系數均大于0，且至少在10%顯著性水平上顯著。這說明無論是以綠色專利授權量(GrePatNum)衡量的綠色創新絕對水平，還是以綠色專利授權比率(GrePatRat)衡量的綠色創新相對水平，新能源示范城市政策均對試點城市企業綠色創新產生了積極的推動作用。

表2中綠色創新絕對水平模型回歸的did系數分別為0.049，0.039，0.040，顯著性水平依次為1%，10%，5%，可見PSMs-DID回歸結果的大小處于另外兩個結果之間。而通過傾向得分匹配方法可知，PSMs-DID將平衡面板數據匹配后依然是平衡面板數據，而PSM-DID匹配后的數據不一定是平衡面板數據，可見PSMs-DID的理論機制準確且結果穩健。因此在后文的回歸分析中，主要采用PSMs-DID模型。

表2 企業綠色創新的回歸結果

由表2可知，綠色創新相對水平的回歸結果均比綠色創新絕對水平更加穩健，平均顯著性水平更高。但是由于知識產權在最近幾年得到了進一步保障，專利授權量呈現高速增長趨勢，如果用相對水平去衡量綠色創新程度不免會遺漏綠色專利授權的基數及其增加值。而代表綠色創新絕對水平的綠色專利授權量卻切實地用到了環境污染的治理中，相較而言，解釋力度更高。因此下文以綠色專利授權量(GrePatNum)為主要被解釋變量。

為進一步保證回歸結果的穩健性，需要考察新能源示范城市政策誘發上市公司企業綠色創新活動的類別。本文以綠色發明專利授權量(InPatNum)和綠色實用新型專利授權量(UmPatNum)作為企業綠色專利授權量的替代變量，來驗證不同專利類別的綠色創新水平。為消除異方差，對這兩種綠色專利類別變量進行對數處理。

表3為兩種綠色專利類別變量的回歸結果，其中模型的回歸參照了表2中的PSM處理方式與固定個體、時間、行業的回歸方法。觀察表3可知，在三個模型中綠色發明專利授權量(InPatNum)的did系數都不顯著，而綠色實用新型專利授權量(UmPatNum)的did系數都顯著。綠色發明專利授權量的did系數在0.01左右，綠色實用新型專利授權量的did系數在0.05左右，比較兩者系數可知，綠色實用新型專利授權量比綠色發明專利授權量更受政策的影響。綠色實用新型專利具有研發周期短、消耗資源少和實用性強等特點[36]，而綠色發明專利比綠色實用新型專利的研發周期要長。本文觀測的年份為2003-2019年，從新能源示范城市開始創建的2014年至2019年，僅有5年時間，綠色發明專利授權量不顯著也能被解釋。由此得出結論，新能源示范城市創建后的5年中，新能源示范城市政策主要影響了綠色實用新型專利授權量。

表3 兩種綠色專利類別變量的回歸結果

(三)政策時點對企業綠色創新的動態效應分析

從縱向維度政策時點上繼續考察其對企業綠色創新的動態效應。參照蔣靈多和陸毅[37]的做法，納入政策時點2014年前的-3，-2，-1期以及2014年后的+1，+2，+3，+4期，生成7個時點虛擬變量，再與Treated變量相乘，生成did虛擬變量，然后將去掉的2014年的時點虛擬變量即0期作為政策效應0值的對照，最后在加入控制變量和固定個體、時間、行業的條件下，分別將企業綠色專利授權量和企業綠色專利授權比率對所有生成的did虛擬變量進行回歸。根據回歸結果中的did虛擬變量系數畫出政策時點的動態效應圖，即以直觀圖的方式呈現新能源示范城市政策在不同年度對企業綠色創新的動態效應，如圖3所示。

(a)

(b)注：實線為did虛擬變量系數，虛線為系數的上下置信區間圖3 政策時點的動態效應圖

從圖3(a)可以看出，對于企業綠色專利授權量，其交互項的系數在政策時點2014年前-3，-2期時幾乎為0，-1期時雖不接近于0值，但為負數，說明在政策時點前實驗組和對照組之間不存在顯著差異，這進一步滿足了平行趨勢的假設；而在政策時點2014年后+1期時交互項的系數顯著為正，隨后在+2，+3，+4期時一直保持為正，說明新能源示范城市政策在實施后產生了一個長期的正效應，企業的綠色創新受其長期影響。由圖3(b)可以看出，以企業綠色專利授權比率為被解釋變量的政策時點動態效果與圖3(a)大致相同，并且都表明政策實施后交互項的系數在+2期時開始降低，由此便產生一個疑問：新能源示范城市政策效應的持續期有多長？

為了解答上述疑問，本文借鑒Bernile等[38]研究的沖擊的動態效應方法。該研究在分析多期災難對基金波動性的影響時，對災難發生前1年與災難發生后第2年、災難發生前1年與災難發生后第3年、災難發生前1年與災難發生后第4年三個子樣本分別作了多期DID回歸，以觀察災難發生對基金波動性的動態效應。依據這種樣本處理方法，本文選取2013年與2015年的樣本、2013年與2016年的樣本、2013年與2017年的樣本，分別使用企業綠色專利授權量與企業綠色專利授權比率進行回歸，結果如表4所示，其中2013年的樣本為政策時點的對照。

表4 政策對企業綠色創新的動態效應回歸結果

由表4可知，政策時點2014年后的企業綠色專利授權量和企業綠色專利授權比率的did系數逐年降低，由政策第2年(2015年)的0.152，0.247下降到政策第3年(2016年)的0.117，0.210，再下降到政策第4年(2017年)的幾乎為0且不顯著，與對照年份2013年的企業綠色創新水平差異不明顯，可見政策對企業綠色創新的影響效應隨著時間推移不斷降低，并且在第4年幾乎消失，說明政策效應的持續期大致為3年。

(四)企業綠色專利授權量的分位數回歸

在研究政策效應縱向時點維度的基礎上，本文對政策效應的橫向維度即綠色專利授權量的大小進行研究。不同水平的綠色專利授權量對新能源示范城市政策有著怎樣的反應？本文通過構建面板分位數的計量模型并采用Machado和Silva[39]提出的面板分位數估計方法來解釋這個問題，模型如下：

Qv(τ|xi.t)=αi+β(τ)Treatedi×Timet+∑ρ(τ)Controli.t+εi.t。

(4)

式中，Qv(τ|xi.t)為綠色專利授權量的τ分位數，αi為截距項，β(τ)為did的τ分位的系數，ρ(τ)為控制變量的τ分位的系數，εi.t為隨機擾動項。

在處理樣本時，由于綠色專利授權量的0值較多，故采用嚴格的1∶1近鄰逐期PSM方法對綠色專利授權量為0值的樣本進行匹配，最終獲得0值的樣本量為3 000，大于0值的樣本量為1 700。顯然這些數據不能獲得全分位的分位數，只能從0.6分位開始，每0.1作為一個分位點。

不同綠色專利授權量水平下的企業綠色創新面板分位數回歸結果如表5所示。在控制變量、個體固定的條件下，企業綠色專利授權量的did系數從0.6分位數至0.9分位數逐漸增加，并且顯著性水平也有逐漸顯著的趨勢。這進一步說明了回歸結果的穩健性，即在不同分位數下，did系數的正負、政策效應的影響方向均未發生變化。

表5 企業綠色創新面板分位數回歸結果

為了使面板分位數在采用分位數回歸方法時，自變量分組數值能夠跟隨因變量分組而發生變化，故將政策虛擬變量did與企業變量交叉相乘組成交互項，來檢驗政策對企業變量的調節效應。選取企業規模(Size)、現金流比率(Cashflow)、公司成立年限(FirmAge)分別代表企業的發展屬性、企業的盈利屬性、企業成長屬性并與政策虛擬變量did組成交互項，對企業綠色專利授權量的分位數進行回歸。

did調節效應的面板分位數回歸結果如表6所示。政策虛擬變量did與企業規模(Size)的交互項代表了受到政策沖擊的企業其規模對自身綠色創新的影響。觀察系數可知，在不同綠色專利授權量分位數下，did×Size的系數保持在0.113左右，可見企業規模對企業綠色創新影響非常穩定，說明對于不同的綠色專利授權量分位數，政策對不同規模的企業的綠色創新影響程度基本相似。在三組面板分位數回歸結果中did×Cashflow的系數數值最大，大于1，且從0.6分位數至0.9分位數逐步上升，由1.177上升至1.406，這說明在不同綠色專利授權量分位數下，現金流比率的綠色創新邊際效應非常明顯，且顯著提升。而did×FirmAge的系數在此模型中是負向顯著，并且政策試點內企業綠色專利授權量分位數增加，公司成立年限對綠色創新抑制作用卻隨之下降?？赡艿脑蚴牵簩τ?014年后成立的公司，國家對其綠色發展有更高的審核要求，樣本本身的偏差導致了負向作用，而當變量達到一定水平，企業年限的正向作用對樣本偏差的負向作用會有一定程度的緩解。

表6 did調節效應的面板分位數回歸結果

五、異質性分析

因為表3涉及的三個回歸模型中PSMs-DID的回歸結果更穩健，所以下文對企業的所有制異質性、所屬行業異質性和四大審計異質性的分析仍采用此模型，結果如表7所示。

(一)所有制異質性

國有企業通常會積極響應國家政策，發揮帶頭作用，同時國有企業獲得政策信息的時點一般會早于非國有制企業。因此，下文驗證新能源示范城市試點中的國有企業是否在綠色創新中起到了引領作用。具體做法為：首先按照企業所有制類型篩選數據，然后對各個類型的數據進行回歸。

表7中第1-2欄分別為非國有企業、國有企業在PSMs-DID中的回歸結果。對比這兩個結果，發現國有企業did系數為正向顯著，而非國有企業為負向不顯著。相較于表2中的did系數0.040，表7中國有企業的did系數0.058有明顯提升，表明在新能源示范城市政策影響下國有企業在綠色創新中確實起到了帶頭作用。

(二)所屬行業異質性

若某地級市準備申請新能源示范城市或已被確定為新能源示范城市，則這座城市中屬于高能耗行業的企業受影響最大，由此可以驗證高能耗行業的企業綠色創新的政策效應，并進一步驗證政策的實施是否起到了有的放矢的作用。依據高能耗行業的分類，將采礦業，制造業，電力、熱力、燃氣及水產和供應業，建筑業，交通運輸、倉儲和郵政業五類行業歸為高能耗行業，其他行業為低能耗行業。表7中第3-4欄為低能耗與高能耗行業的企業綠色創新回歸結果。對比這兩個結果發現，高能耗行業相比低能耗行業，企業綠色創新的貢獻度更大。低能耗行業的did系數為10%顯著水平負向顯著，而高能耗行業為1%顯著水平正向顯著，可見新能源示范城市政策對高能耗行業的企業確實起到了約束作用，而且新能源示范城市政策的實施具有高度針對性。

表7 所有制、所屬行業、四大審計異質性的回歸結果

(三)四大審計異質性

財務狀況好的公司會請四大審計公司進行審計，而四大審計公司一般也會審計財務好的公司，這是互為因果的關系。財務狀況好的公司是否會主動承擔企業責任、積極響應政府號召呢？自2006年中國成為全球第一大碳排放國后，企業的競爭必定是綠色、環保、低碳、生態的競爭已成為共識，誰在這些方面的創新走在前面，誰就有可能在未來立于主導地位。財務狀況好的公司有充足的資金擔負綠色專利研究的費用，以備公司的長遠發展；而財務狀況不佳的公司不會有閑置資金去搞綠色研發，更不會邀請四大審計公司進行審計。因此，本文將四大審計作為企業是否有充足資金的指標，而只有在確定企業有閑置資金時，政策的實施是否能有效促進企業綠色創新才能得到進一步驗證。

非四大審計與四大審計的回歸結果如表7中第5-6欄所示。二者的樣本量之比為7 579∶810，然而，樣本量少的四大審計企業對綠色創新具有顯著性，非四大審計企業不具有顯著性。四大審計企業的did系數為0.161，相較于表2中的回歸結果0.040，足足增加了3倍。由此進一步得出結論：企業的資金是否充足是影響政策對企業綠色創新產生效應大小的關鍵因素。

六、結論與對策建議

本文基于2003-2019年我國A股上市公司的面板數據，采用傾向得分匹配模型(PSM)和雙重差分法(DID)相結合的方法，檢驗評估了新能源示范城市政策對企業綠色創新的影響效應，研究結論如下。第一，新能源示范城市政策誘發了試點城市內企業綠色創新行為，企業綠色創新絕對水平和相對水平顯著提升。第二，從綠色專利類別來看，相對于綠色發明專利，新能源示范城市政策更顯著影響企業對綠色實用新型專利的研發。第三，新能源示范城市政策在其實施的第4年(2017年)對企業綠色創新的政策效應幾乎減弱為零，說明政策效應的持續期大致為3年。第四，在企業綠色專利授權量的0.6分位數至0.9分位數的水平下，政策效應did系數隨著分位數的增大而顯著增大。在企業調節變量的政策效應中，企業發展屬性(企業規模)的did系數較為穩定，而企業盈利屬性(現金流比率)的did系數值最大，且隨分位數的增大而升高，是企業綠色創新的重要影響因素。第五，國有企業比非國有企業研發創新更加積極，新能源示范城市政策對前者影響更顯著；高能耗行業的企業受新能源示范城市政策的影響比非高能耗行業的企業大，說明新能源示范城市政策非常具有針對性；四大審計企業的政策效應did系數比非四大審計企業大，說明企業的資金充足是影響政策對企業綠色創新產生效應的關鍵因素。

基于上述結論，本文提出如下對策建議：首先，新能源示范城市政策對企業綠色創新活動具有正向促進作用，表明推行新能源示范城市政策符合我國可再生能源的發展策略，因此，政府可以考慮進一步擴大新能源示范城市政策的實施范圍，貫徹“綠水青山就是金山銀山”的新時代綠色發展理念；其次，新能源示范城市應鼓勵企業加大對綠色發明專利的研發投入，長期的環境治理必須依靠綠色發明專利與綠色實用新型專利的支持，而研發投入是綠色創新的基本動力，對此政府也應給予適當補貼，以便更加有效推動企業的自主創新；再次，新能源示范城市的企業綠色創新熱度維持在3年左右，故應以3年為一個周期做好新能源示范城市政策的宣傳工作，使政策效應更持久；最后，對于不同類型的企業，地方政府應因“類”制宜地制定環境規制政策。