環境規制對R&D創新效率影響的雙重效應※

喬美華

內容提要：該文基于2007-2016年中國省際工業面板數據，立足技術效率視角，采用動態面板系統GMM回歸以及分位數回歸方法考察環境規制對R&D效率的“雙重效應”。結果發現：基于Super-SBM模型測評的中國30省工業R&D創新效率總體水平不高，核密度曲線顯示工業R&D創新效率經歷了“單峰”→“雙峰”→“單峰”的動態演進過程，隨著時間推進，工業R&D創新效率整體水平呈現震蕩上升趨勢；環境規制與R&D創新效率存在正相關關系，在一定程度上驗證了“波特假說”，環境規制對工業R&D創新效率呈現倒“U”型作用機制，“補償效應”超過“抵消效應”；進一步地，環境規制對位于0.25分位點的工業R&D創新效率溢出效應最大，隨著分位點的提高，影響逐漸減弱，對位于0.90分位點的工業R&D創新效率作用不再顯著。

一、 引言與文獻綜述

近些年來，環境突發事件和環境公害在中國屢見不鮮，環境庫茲涅茨曲線正效應還沒有整體呈現，伴隨著經濟快速發展的是環境質量日益衰退。2018年EPI(年度全球環境績效指數)報告顯示，作為新興經濟體的中國，在132個國家中排名僅位列第120位。位次持續降低，反映出經濟快速增長給環境帶來的壓力，促進綠色經濟發展、加強環境規制的社會呼聲也日趨高漲。作為國民經濟中主要組成部分的工業部門，其擔負的社會責任愈發沉重，然而技術創新在工業發展的地位顯而易見。環境規制政策一方面需要思量到污染治理問題，另外一方面又會影響工業技術創新的擴散深度和速度。技術創新則是實現環境保護和經濟持續發展的核心環節。

政府通過一系列政策控制企業生產活動中產生的廢水、廢氣等污染物排放，不管是通過改進污染控制技術還是嚴格執行相關環境規制措施，要求企業必須降低污染物排放，這便讓污染治理成本提高。客觀而言，環境規制對技術創新具備雙重效應，即“補償效應”與“抵消效應”。首先，企業追求利潤最大化，在面臨政府環境規制時必然要承擔相應的社會責任，為了控制成本減少污染排放，企業往往會采用如下兩種方式：一是通過吸收國內外先進的綠色生產加工工藝，提高生產效率，通過技術創新提高治理污染水平或者改變“粗放型”生產模式，減縮由于環境規制而導致的環境成本，稱之為環境規制的“補償效應”；另外一種是企業通過抽取有限的內部資金，甚至在必要時會擠出部分R&D資金出來控制污染治理，“抵消效應”便會呈現出來。其次，政府采取環境規制法規和政策對企業的經濟活動進行適當調節，目的是為了經濟發展和環境資源能夠協調發展。工業污染防治又是重中之重，目前，中國環境規制方向已從簡單的企業治理層面轉向發展循環經濟、清潔生產以及調整產業結構，朝著“結構紅利”假說凸顯而努力，勢必會在產業政策和投資政策上對企業的R&D創新給予支持鼓勵。

有關于環境規制與技術創新的話題一直以來是學者們研究熱點，可以將其觀點歸納為以下三種：① “補償效應”不及“抵消效應”，認為環境規制產生的成本上升不利于技術創新；② “抵消效應”不及“補償效應”，主張環境規制對于技術創新具有正向溢出效應；③ “抵消效應”和“補償效應”不確定。環境規制對技術創新的影響產生以上不同見解的原因在于研究的樣本、視角和方法的不同。

國內關于環境規制對技術創新影響的研究起步較晚，大多數文獻是基于行業和企業層面研究環境規制對技術創新效率的影響：姚西龍(2015)利用方差分析，研究發現環境規制對我國工業綠色創新效率產生正向影響；吳明琴和周詩敏(2017)采用倍差分析法對1998年實施的“酸雨控制區與二氧化硫污染控制區”政策進行實證研究，發現“兩控區”政策的出臺明顯改善了工業二氧化硫污染治理效果。曹霞(2015)采用2005-2011年30個省際面板數據實證分析，檢驗出環境規制與創新效率呈現“U”型相關；而李勃昕(2013)卻提出相反意見，采用超越對數隨機前沿模型，研究認為環境規制對清潔型產業創新效率呈現倒“U”型促進作用；李婧(2013)也認為環境規制對創新效率呈現倒“U”型關系。宋文飛(2014)對2004-2011年中國工業33個細分行業面板數據的分析表明，環境規制對R&D雙環節效率具有顯著的門檻效應。楊秋月(2017)對中國30個省2006-2016年面板數據實證研究表明，環境規制對工業企業綠色創新效率的影響存在區域差異，全國及其東部地區呈現“U”型關系，中西部地區的影響不顯著。

國內外學者針對環境規制和技術創新之間的關系已取得豐碩的成果，然而環境規制與創新效率的關系，還缺乏從動態視角的研究，本文擬將在以下方面對現有文獻進行拓展：立足技術效率的視角，考察環境規制對工業R&D創新效率溢出效應；在度量工業R&D創新效率的方法上運用非徑向、非角度的Super-SBM模型，有效避免投入產出松弛問題；技術創新和環境規制都是一個長期、持續的過程，從動態視角去評判兩者的關系更為真實，以往文獻中沒有考慮到解釋變量的內生性而產生估計偏誤，本文采用動態SYS-GMM模型進行分析；同時進一步運用分位數面板回歸更為精確地反映環境規制對R&D創新效率的影響條件分布。

二、 工業R&D創新效率測評

1. 研究方法

本文基于松弛變量的超效率模型(Super-SBM)測算中國各省份工業R&D創新效率。DEA是由美國學者Cooper、Charnes等人提出的一種度量決策單元(DMU)相對效率的非參數客觀評價方法。傳統的DEA方法包含BCC模型和CCR模型兩種，前者考慮決策單元存在生產規模收益可變性，后者則假定在規模效益不變的前提下進行效率測定。

傳統DEA模型其本質是屬于角度和徑向的DEA方法，會形成投入要素的“松弛”或者“擁擠”問題，當存在產出或者投入的“非零松弛”情況時，容易高估決策單元的效率值。由于傳統DEA模型的缺點，2001年Tone研究提出非角度、非徑向的SBM模型。假定有n個DMU，每個DMU有m個投入要素和s個產出要素，其投入導向SBM模型如式1。Tone于2002年又提出超效率Super-SBM模型，其模型如式2。

s.t.x0=X+s-

(1)

y0=Y-s+

s.t.x0≥X+s-

(2)

y0=Y-s+

式(1)中，s+和s-分別表示產出不足和投入過剩的松弛量；是權重向量；ρ是目標效率值。式(2)中，ρ*是超效率，其他變量含義與式(1)一樣，區別在于決策單元的效率值不局限于0-1，實現傳統SBM模型度量的多個效率有效決策單元的排序；同時考慮并有效解決了投入產出變量的松弛性問題。

2. 變量選擇與數據來源

本文研究對象是基于中國內地30個省級行政地區[注]西藏由于數據資料缺失較多，在后續分析中暫時不予以考慮。2007-2016年工業企業R&D創新活動的效率。所有數據主要來源于《中國統計年鑒》《中國工業經濟統計年鑒》《中國科技統計年鑒》。

工業R&D創新活動的投入產出指標說明如下。

工業R&D創新研發投入指標多包括R&D人員全時當量、科學家和工程師人數、工業R&D資金支出、工業R&D資本存量等。依據本文的研究思路和參照已有相關文獻，在工業研發創新階段投入指標主要包涵資金投入和人員投入。R&D人力投入選取R&D活動人員折合全時當量。R&D資金投入采用其他技術經費和R&D經費兩項指標，其他技術經費支出鑒于受到價格水平的影響采用實際值，以2006年為基期對其進行調整[注]通過其名義指標除以各省份當年的消費物價指數(2006年=100)進行平減而得。；R&D經費指標，采用永續盤存法估算R&D資本存量，其基本形式為：

RDit=(1-v)×RDi(t-1)+πit

(3)

其中，RDit、RDi(t-1)分別代表第i個省份的工業企業第t年和t-1年的研發資本存量；πit是第i省份的工業企業第t年的實際研發經費支出；ν為折舊率，取值為15%。

進一步估計基期資本存量的公式如下：

RDi0=πi0/(g+ν)

(4)

其中，RDi0為基期研發資本存量；πi0是基期研發經費支出；g為考察樣本期內實際研發經費支出的平均增長率。

工業技術創新的過程可劃分為兩個階段：第一階段是應用研發資源形成的新技術和新知識階段，第二階段是使新技術和新知識成果轉向體現商業價值的階段。因此，R&D創新產出也從經濟產出和知識產出兩方面進行設定，采用專利申請數量代表知識產出；新產品產值代表經濟產出。

3. 工業R&D創新效率值時序變化

基于Super-SBM模型，對中國2007-2016年30省工業企業R&D創新效率進行測算，結果如表1所示。中國各省工業R&D創新效率值總體不高，均值僅為0.5742，尚存在較大改善空間。所有省份均出現上升和下降交替顯現的不穩定的變化特征，升降幅度不盡相同。各省工業R&D創新效率均值顯示，前五位的省份依次是北京、海南、江蘇、浙江、上海，效率值均大于或等于1，是推動工業R&D創新效率提升的主要省份，排在后五位的省份是內蒙古、山西、河北、江西和黑龍江。觀察全部樣本所構造的生產前沿面(表現為效率值等于或者大于1)，有9個省移動前沿面高于一次，其中，湖南(6次)、重慶(4次)、吉林(4次)、山東(2次)等省份工業R&D創新效率表現最佳。從經濟區域來看，生產前沿面主要由經濟相對發達的東部沿海地區確定，今后工業發展中，這些省份應該持續運用研發創新推動全國工業“又好又快”發展。

表1 2007-2016中國工業R&D創新效率

續表

注：由于數據缺失，不含西藏、香港、澳門和臺灣, 表中均值指算術平均值。由于篇幅限制，未列出所有年份工業企業R&D創新效率值。

4. 工業R&D創新效率的動態演進

上述分析是考察工業R&D創新效率時間序列變化特征以及平均發展態勢，不易洞察樣本省份工業R&D創新效率的動態分布特征。為了進一步刻畫工業R&D創新效率隨時間變化的動態演進過程，采用核密度估計。其原理如下：設p維隨機向量X的密度函數為f(x)=f(x1,…,xn)，從中隨機抽取一組X1,X2,…,Xn獨立同分布的樣本，則f(x)的核估計為：

(5)

其中，h為帶寬；K()為核密度函數，本文選用常用的Silverman為最佳帶寬與Epanechnikov核函數。圖1分別為2007年、2010年、2013年、2015年和2016年工業R&D創新效率的核密度曲線。

圖1 各省份工業R&D創新效率核密度估計分布資料來源：作者自制。下圖同。

圖1中，橫軸表示工業R&D創新效率水平，縱軸表示密度。第一，從核密度分布圖的曲線形狀可以看出，工業R&D創新效率表現為明顯的非正態分布，經歷了“單峰”→“雙峰”→“單峰”的交替演進。隨著時間推移，我國整體工業R&D創新效率提升過程中各省之間距離有拉大趨勢。具體而言，2013年肥大的右尾延長度亦大幅縮短，從2013年開始可以觀察到顯著的“雙峰”特征，這種特征一直持續到2015年，在2016年又恢復到“單峰”特征。表明在2007-2016年中國各省份工業R&D創新效率呈現兩極分化現象，處于中上等和較差水平的工業R&D創新效率省份提升速度相對加快，工業R&D創新效率較高省份提升速度顯著減弱，這段期間工業R&D效率值高省份和效率值低省份分別在較高水平和較低水平兩個均衡點收斂。第二，從密度分布圖位置平移情況可以看出，2007-2016年我國各省工業R&D創新效率表現為震蕩上升爾后平穩的趨勢，2007-2010年密度分布圖左移，工業R&D創新效率下降，2010-2013年密度分布圖右移，較為直觀地體現出我國各省工業R&D創新效率增長的勢頭，2013年后創新效率平緩保持。第三，從密度分布圖波峰變化可以看出，各省份工業R&D創新效率2007-2016年出現由“尖峰”形狀轉向“寬峰”形狀，各省份工業R&D創新效率兩極分化態勢顯著。

為了更為清晰地描述中國工業R&D創新效率影響因素的變化狀況，尤其是環境規制對省際工業R&D創新效率的作用效果，接下來本文結合動態面板GMM模型和面板分位數回歸進行研究。

三、 動態面板GMM估計

1. 模型設定

動態面板GMM模型估計通過采用工具變量和差分來控制未觀察到的個體效應和時間效應，并使用滯后被解釋變量和前期解釋變量為工具變量克服內生性問題。動態面板數據的一階差分GMM估計，其基本思路是求差分，然后利用一組滯后解釋變量作為差分方程中相應變量的工具變量。就本文而言，充分考慮工業R&D創新效率的復雜影響因素選擇解釋變量，采用的基本模型如下：

STECHit=α0+STECHit-1+ξXit+δi+γit

(6)

其中，t和i分別表示年份和省份；STECHit和STECHit-1分別代表省份i在t和t-1年份的工業R&D創新效率；Xit為自變量；γit、δi分別為地區殘差和地區效應。為消除省份固定效應δi的影響，將公式(6)進行差分轉換如下：

ΔSTECHit=ΔSTECHit-1+ΔξXit+Δγit

(7)

動態面板采用工具變量，即以滯后項ΔSTECHit-1為工具變量，解決由滯后被解釋變量ΔSTECHit與Δγit存在較強的相關性所導致的內生性問題。通過矩約束條件來獲得參數估計：

E(STECHit-k,Δγit)=0

(8)

由于差分GMM模型估計的差分項內生變量與滯后項的工具變量兩者之間的相關性不強，往往導致弱外生工具變量，系統GMM相比差分GMM更有效。因此，本文擬采用系統GMM估計環境規制對R&D創新效率的影響。鑒于固定效應估計通常會低估滯后項系數，混合面板OLS估計時常高估滯后項系數，為了比較分析，本文將固定效應估計和混合面板OLS估計結果一并報告，若GMM估計值介于固定效應估計值與OLS估計值之間，則是有效可靠的。本文在模型中融入動態變量，從而可以更好地考察環境規制與工業R&D創新效率的關系，基本模型如下：

lnSTECHit=α+φ1STECHit-1+β1lnERit+β2lnSIZEit+β3lnFDIit+β4lnHUMit+β5lnSOEit+β6lnPGOVit+β7lnEMit+β8lnIMit+γit

(9)

其中，核心變量STECH代表利用Super-SBM度量的工業R&D創新效率值；環境規制(ER)運用工業污染治理投資額與工業總產值比率表示。在控制變量上，主要考慮加入能體現地區特征的變量，主要包括：將貿易開放細分為出口貿易和進口貿易，IM和EX代表各省按經營單位所在地分貨物進口和出口總額，然后用平均貨幣匯率轉換成為人民幣，再以2006年為基期的消費價格指數平減；人力資本(HUM)采用六歲及以上人口受教育平均年數來衡量[注]設定文盲半文盲、小學、初中、高中、大專以上教育程度的居民平均教育年數分別為0、6、9、12和16，計算公式為：HUM=prim×6+midd×9+high×12+univ×16，其中prim、midd、high和univ分別為小學、初中、高中和大專以上教育程度居民占地區六歲及以上人口的比重。；企業規模(SIZE)采用大中型工業企業產值占工業企業總產值比例表示；產權因素(SOE)采用國有大中型工業企業產值占大中型工業企業產值比例表示；政府扶持(PGOV)用工業企業科技經費籌集中政府資金比例表示；外商直接投資(FDI)采用各省份實際利用外商直接投資金額，數據處理方式與對外貿易一致。以上數據來源于相應年份的《中國統計年鑒》、《中國教育統計年鑒》、《中國人口統計年鑒》、《中國工業經濟年鑒》、《中國科技統計年鑒》。

2. 結果解析

系統GMM估計結果合理性可以通過觀察Sargan統計量對應的p值以及解釋變量滯后項的系數來判定。從表2可以發現，系統GMM估計結果介于固定效應估計值和混合OLS估計值之間，這就表示系統GMM估計沒有因為弱工具問題產生偏差；Sargan檢驗對應的p值為0.9993和0.9988，這結果強烈接受“所有工具變量都有效”的原假設；一般而言，p值越大，表示采用的工具變量越有效；殘差自相關檢驗AR(2)伴隨p值分別為0.4431、0.4037，結果顯示可以接受擾動項無自相關的原假設。作為對比，本文分別報告出口貿易和進口貿易控制變量對R&D創新效率的GMM估計結果，讓其逐步進入模型之中。在具體分析中以SYS2-1模型回歸結果為主。

首先，關注環境規制對R&D創新效率的影響結果。ER的系數為0.540，且在10%水平顯著，表示環境規制顯著有利于工業R&D創新效率提升，“波特假說”得到佐證，處于技術創新與環境規制的“雙贏”的局面。從回歸系數來看，第t-1期的R&D創新效率顯著促進第t期R&D創新效率，這可能表示積聚效應的存在。我國逐年加大環境規制力度，較之其他發達國家仍舊存在差距，統計顯示，國家用于環境污染治理的投資總額也保持震蕩上升趨勢，2014年我國環境污染治理投資達到了9575.50億元的高點，2015年有所下降，達到8806.30億元，2016年為9219.80億元，2007年至2016年年均復合增長率達到了13.17%。環境規制對工業創新的促進作用是一個中長期過程，隨著環境規制力度逐年加大，污染密集型中小企業由于無法承受環境規制產生的成本而逐漸退出競爭市場，促使另外一部分企業改變單純的消極應對環境規制基本要求的態度，轉向積極參與自主創新研發，提高市場占有率尋求增強盈利能力來抵消實施污染治理成本，產生環境規制對工業R&D創新的“補償效應”。

環境規制的二次項系數顯著為負，不難看出，環境規制與工業R&D創新效率存在倒“U”型關系，表明隨著環境規制力度增強，對工業R&D創新效率的影響是先提高后降低。這是由于環境規制力度大時，工業企業為了滿足政府環境規制要求和追逐高額利潤，會抽出部分研發資金用于處理由于生產而排放的污染物，進而產生顯著的“抵消效應”，不適應規制強度的工業企業會逐步被淘汰，促使被規制企業實現資源的優化配置和資源集中，有利于R&D創新效率提高。然而，如果環境規制力度繼續加大，在過于苛刻的環境規制下，企業通過R&D創新活動收獲的利潤不足以用來治理其污染成本時，反而抑制工業R&D創新效率水平。

貿易開放和外商直接投資是本文關注的控制變量。出口貿易EX的系數為-0.147，通過5%顯著性水平檢驗，表明出口貿易由于受到我國工業不論在技術水平、人才還是資金等方面限制，所帶來的技術溢出效應和學習效應并沒有獲得創新能力和技術進步。從生產率視角分析，出口工業企業往往在創新能力方面有先天優勢，其他工業尤其是內資企業的生產率比它弱很多，因此，隨著出口貿易的提升，這些出口企業給其他企業帶來的無形競爭壓力加大，這種壓力對于許多創新能力不足的中小工業企業是致命的；另外，我國大量的出口工業企業以勞動密集型企業為主，與國外先進企業相比，在技術能力、企業規模、生產率、自主創新等方面都有一定差距，大量的企業僅僅以貼牌或者代工方式參與全球價值鏈分工體系，這樣的出口生產模式根本沒有刺激到企業提升創新效率的欲望。IM的系數為0.156，且在1%水平顯著，表明進口貿易有助于提升工業R&D創新效率。進口貿易所傳導的國外先進技術可以有效促進本地工業企業技術進步，進口更多發達國家產品，通過模仿進口產品中先進的技術，加以吸收、利用然后再創新，進而促進本地工業R&D創新。這里需要說明的是，雖然進口貿易是技術溢出的渠道，但是欠發達國家通過貿易來增強技術創新能力尚存在很大局限性，這是因為技術溢出的效果不單取決于技術本身溢出，人力資本才是技術吸收并創新的關鍵，樣本數據分析顯示人力資本的相關系數為-0.552，表明我國人力資本素養亟需提升，否則會在較大程度上影響對外貿易對工業R&D創新效率的作用效果。

FDI系數顯著為正值(0.0526)，說明外資的注入有益于工業R&D創新效率。外資引進可以帶來國外先進的技術，還會通過競爭效應、模仿效應以及示范效應等技術溢出效應促進地區技術水平，這印證了李政等(2017)的觀點。國有產權比重負面影響工業R&D創新效率，這可能是因為委托代理關系在國有企業普遍存在，導致R&D生產活動效率不高。企業規模越大，創新效率越高，肖仁橋(2015)認為企業規模對科技成果的轉化效率有顯著促進影響，政府支持對二者有顯著負作用；關于政府科技資助對工業R&D創新的影響，陳明明等(2017)認為政府補貼促進了企業創新，馮宗憲(2011)的研究表明政府R&D補貼對工業創新產出的激勵作用并不顯著，然而，本文認同李平(2017)和肖文等(2014)的觀點，政府的直接和間接支持并不利于企業技術創新效率提升，研究顯示政府科技資金不利于企業創新效率提升，其原因在于地方政府趨向于投資地方國有企業，而這些國有企業由于政府為科技成本買單，缺乏創新的壓力和動力，降低R&D創新效率。

表2 環境規制對創新效率的影響：GMM估計

續表

注：括號里為穩健標準誤；***，**，*表示1%、5%和10%顯著性水平；FE1、FE2表示固定效應；POLS1、POLS2表示混合面板最小二乘法估計；SYS1-1、SYS2-1代表系統GMM估計。[注]系統GMM方法僅僅適用于短動態面板，因為大樣本性質建立在給定時間維度T的情況下，讓橫截面維度n趨于無窮；將環境規制、貿易開放變量當作外生解釋變量，模型中其他變量要么當作弱外生的，要么當作前定的，我們選用“內部工具”即把弱外生或前定變量的滯后值作為它們自己的工具變量。

言而總之，環境規制、進口貿易、企業規模等對工業R&D創新效率增長有顯著的正向作用，而出口貿易、政府扶持等對工業R&D創新效率的增長有明顯的抑制作用。為了進一步探尋環境規制對工業R&D創新效率產生何種效應，本文接下來利用面板數據分位數回歸做檢驗。

四、 面板分位數回歸

1978年由Bassett和Koenker提出的分位數回歸，能精確地描述自變量對于因變量的條件分布形狀和變化范圍。面板數據分位數回歸可以更好反映在控制個體差異基礎之上分析因變量條件分布的不同分位點上變量之間的作用效果(肖丁丁，2013)。分位數回歸是利用加權誤差絕對值總和最小從而對參數進行估計。Koenker將分位數回歸分析拓展至面板數據模型的參數估計中，提出面板數據分位數回歸的模型(葉明確，2013)。

(10)

求解下述最小化問題便可以對參數進行估計：

(11)

本文設定分析的回歸模型如下式所示，涉及變量同上文所述，選取5個具有代表性的分位點為0.1、0.25、0.50、0.75、0.90，利用面板分位數方法進行分析，估計結果見表3。

lnSTECH=ω0+ω1lnER+ω2lnSIZE+ω3lnFDI+ω4lnHUM+ω5lnSOE+ω6lnPGOV+ω7lnEM+ω8lnIM+ε

(12)

表3 面板分位數回歸估計結果

注：括號里為穩健標準誤；***，**，*表示1%、5%和10%統計水平上顯著。

從表3回歸結果來看，在分位點0.1、0.25、0.50和0.75，環境規制系數均為正且通過顯著性檢驗。由于企業需要滿足環境規制要求，使得污染治理成本占企業總成本的比重不斷上升，勢必會出現創新資金擠出效應，將有限資金投入到產品的生產領域中，企業用于R&D創新資金來源會大打折扣，導致“抵消效應”出現。但隨著環境規制強度由弱變強形成的“倒逼機制”，企業會通過R&D創新增加產出，獲得高額利潤來獲得“補償效應”。從各個分位點回歸系數可以看出，回歸系數在[0.184, 1.339]浮動，回歸系數隨著分位點提高而逐漸下降，0.9分位點比0.1分位點的回歸系數低1.155，表明環境規制對創新效率的促進作用隨創新效率值的增加而減弱。具體而言，在控制環境規制力度前提下，對于工業創新效率不高的省份，環境規制的邊際收益較高，當環境規制強度使其獲得“補償效應”時，低R&D創新效率的省份可以收益更多。當工業R&D效率值較高時，由于省份已處于生產前沿面，環境規制對其影響效果不明顯。只有當工業R&D活動投入產出水平與環境規制力度相契合時，環境規制才會對R&D效率增長產生顯著的促進作用。據此，環境規制效果不僅取決于規制力度是否合適，也取決于工業R&D創新效率水平，需要兩者配合默契才能推遲倒“U”型拐點的到來。

雖然隨著分位點提高FDI回歸系數由正變為負，但僅在分位點0.25時才在10%水平顯著且為正值，其他分位點上均不顯著，說明FDI的影響隨著R&D創新效率提高而不再顯著甚至轉為負向，這是因為FDI溢出效應誘使企業關注短期內將R&D技術成果轉化為經濟利潤，外資提供先進技術和R&D資金來滿足企業的利潤動機；然而從長遠發展來看，正如“污染避難所假說”等理論，大量研究認為環境規制對企業投資的區位選擇的影響顯著，對于R&D創新效率較高省份來說，FDI流入并沒有帶來預期的技術溢出效果，相反，卻是不利于R&D創新效率提升。從上文有關工業R&D創新效率省區評價中不難發現，R&D創新效率值較高省份集中在我國東部沿海地區，這些地區恰巧是環境規制力度較大的省份，2016年各省份工業污染治理投資情況顯示，雖然山東、浙江和江蘇工業污染治理投資額分別高達126.6億、60.2億和74.8億元，但占工業總產值比重較大的北京、上海、江蘇、浙江和山東也僅僅超過0.25%，湖南、四川和重慶等省份在0.1%左右。這同時從側面佐證國內學者認為環境規制力度大的省份對FDI技術溢出效應產生抑制作用。

進口貿易在0.5分位點以上時對R&D創新效率產生正向影響，且隨著分位點提高呈現倒“U”型，意味著增加進口貿易對較高R&D創新效率的省份影響高于中低R&D創新效率的省份；而出口貿易在0.75分位點以上時對R&D創新效率產生負向影響，且隨著分位點提高影響增大，這表明出口貿易的提高抑制R&D創新效率值較高省份的工業研發活動。

圖2 工業R&D創新效率的影響因素分位數回歸系數

圖2展示不同分位數下各系數估計的波動情況，可以較為直觀地看出環境規制和企業規模、進口貿易的系數基本在0以上波動，表明這三個因素對R&D創新效率正向作用是相對顯著且穩定的，而產權因素和政府扶持的估計系數基本都在0以下而對R&D創新效率有顯著負向作用。企業規模也只有在中間部位0.50、0.75分位點對工業R&D創新效率產生顯著正向作用，而且回歸系數隨著分位點的提高呈現先升高后降低。產權因素0.90分位點以下時顯著影響R&D創新效率，但影響是負向的，回歸系數成“U”型分布，“結構紅利假說”在此并沒有出現。政府科技資金在0.25分位點時，抑制R&D創新效率提升。人力資本在0.75分位點以下時對R&D創新效率沒有顯著影響，在0.75分位點以上時產生顯著提升作用，回歸系數隨著分位點提高變大，表明人力資本只有對R&D創新效率較高省份產生顯著的正向影響，對于R&D創新效率較低的省份影響較弱。

五、 結論和建議

本文利用中國2007-2016年省際工業企業面板數據，從技術效率角度，通過控制FDI、貿易開放、產權結構等因素對創新效率的作用，考察環境規制對工業R&D創新生產活動的影響機制。首先，利用非角度、非徑向的考慮投入產出松弛變量的Super-SBM模型測評我國工業R&D創新效率，結果顯示中國省際工業R&D創新效率存在差異，東部地區處于領先地位，中部、西部和東北地區與之差距較大，各年份生產前沿面大多由東部沿海省份構建。核密度分布圖顯示工業R&D創新效率呈現“單峰”“雙峰”“單峰”動態演進過程，隨著時間推進，工業R&D創新效率整體提升趨勢明顯。

更為重要的結論是：通過動態GMM估計顯示環境規制對工業R&D創新效率的影響存在倒“U”型作用機制，對其產生的“補償效應”足以彌補“抵消效應”。控制變量FDI和進口貿易溢出效應對于工業R&D創新效率是正面的，而出口貿易溢出效應由于受我國自身條件限制并沒有得到展現。進一步通過分位數面板回歸考察發現，環境規制對不同水平工業R&D創新效率的效果不同，隨著工業R&D創新效率的減低(由高分位點向低分位點轉移)，環境規制對工業R&D創新效率的影響程度在遞減，產生效果最好的在0.75分位點的工業R&D創新效率；FDI對工業R&D創新效率的正向影響程度隨著創新效率水平提高而逐漸減弱，當工業R&D創新效率達到0.75分位點以上時，作用的效果甚至是負向的；進口貿易對工業R&D創新效率的影響存在倒“U”型特征，作用的力度和強度在分位點0.75之前逐漸增大，至0.90分位點回歸系數小幅下降，而出口貿易對0.5分位點以下的工業R&D創新效率具有促進作用，但均沒有通過顯著性檢驗，表明影響并不明顯，而對0.75分位點以上的工業R&D創新效率具有明顯的抑制作用。

由于環境規制對不同水平工業R&D創新效率的影響存在差異性，具體而言“波特假說”并非適用于中國所有工業企業，因此需要清醒地領會環境規制與工業R&D創新效率關系的個性和共性，有針對性地實施環境規制措施才能獲得事半功倍的效果，政府應該依據各省的環境污染程度并考慮工業企業R&D創新活動的投入產出現實狀況，區別制定環境規制措施，針對工業R&D創新效率不高的省份，采取“靈活”的環境規制工具，重視企業差異，因地制宜，避免僵化規制，關注處于不同R&D發展階段的企業如何讓其產生的“補償效應”發揮極致；至于工業R&D創新效率水平較高的省份，盡量彌補環境規制所帶來的“抵消效應”，政府給予技術創新更多的政策扶持和資金支持，延遲倒“U”型曲線拐點的到來。