綠色創新測度及其對中國省際霧霾污染的影響

劉曉紅

[摘?要]（中）摘要文章從創新驅動和資源環境兩個角度構建綠色創新評價體系，使用一種基于整體差異的客觀動態綜合評價方法——縱橫向拉開檔次法， 較為全面、科學地對2003—2016年中國30個省份綠色創新進行測度。分析了中國省際綠色創新的空間效應，并使用空間計量方法實證考察了綠色創新對中國省際霧霾污染的影響。研究發現：中國省際綠色創新存在空間集聚，整體上呈現北低南高，東高西低的態勢。L?L（低-低）“冷點”集聚的省區數量較多。綠色創新的直接效應、間接效應乃至總效應都顯著為負。綠色創新水平的提高，不但會減少本地區霧霾污染，而且使相鄰地區霧霾污染程度下降，進而減緩全局霧霾污染。最后，提出相關對策建議。

[關鍵詞]（中）關鍵詞綠色創新;霧霾污染;空間計量

[中圖分類號]（中）中圖分類號F124.3;X513[文獻標識碼]A文獻標志碼[文章編號]1673-0461（2019）10-0047-07

一、文獻綜述與問題的提出

我國正在建設創新型國家，2018年政府工作報告指出：“深入實施創新驅動發展戰略，不斷增強經濟創新力和競爭力”。同時，政府工作報告關注生態環境，重視綠色發展，指出：“健全生態文明體制，以更加有效的制度保護生態環境”。并把推進污染防治取得更大成效，鞏固藍天保衛戰成果作為2018年三大攻堅戰之一。這說明，研究綠色創新在當前顯得尤為迫切。同時，2013年以來霧霾污染頻發，引起國內外的廣泛關注，那么，綠色創新對霧霾污染會產生什么樣的影響？在國家重視創新以及生態環境的背景下，研究這一問題對于我國實施創新驅動乃至治理霧霾污染都有重要的現實意義。

國內外對綠色創新的研究主要包括以下3個方面：第一，綠色創新的內涵（Fussler & James， 1996[1]; Mirata & Emtairah， 2005[2]; Bartlett & Trifilova， 2010[3]）。張鋼和張小軍（2013）歸納出綠色創新的3種定義：第一種定義把綠色創新看作是旨在減少對環境不利影響的創新;第二種定義把綠色創新看作是引入環境績效的創新;第三種定義把綠色創新等同于環境創新或環境績效的改進[4]。第二，綠色創新評價（Eiadat et al.， 2008[5]; Gilli， et al.， 2013[6]）。如曹慧等（2016）以我國31個省區為例，運用共線性和變異系數方法對所構建的指標體系進行定量篩選，從創新投入、創新產出、綠色發展3個方面構建了區域綠色創新能力評價指標體系[7]。劉章生等（2017）基于全局SBM方向距離函數和全局Malmquist?Luenberger指數（GML指數）對2003—2013年中國省際綠色創新能力進行測算，并對其時空演變規律和收斂性進行了分析[8]。

第三，綠色創新的影響。如有的文獻探討了綠色創新對企業經營績效、可持續競爭優勢等方面的影響（Russo & Fouts，1997[9]; Bowen， 2000[10]; Horbach， 2008[11]）。

既有文獻對綠色創新進行了有益的探索，為本文的寫作打下了基礎。但既有文獻也存在以下幾個方面的問題：首先，在綠色創新評價方法方面，尚未發現使用縱橫向拉開檔次法對綠色創新進行評價的文獻。縱橫向拉開檔次法通過各指標信息量確定相應權重，可以最大限度體現評價對象之間的整體差異，為客觀評價，能有效避免評價人的主觀偏好對結果的影響。其次，在評價指標體系方面，尚缺乏把互聯網普及率、空氣質量好于二級天數比例等指標納入評價體系的文獻。再次，研究綠色創新的空間效應方面的文獻較少。最后，罕有文獻分析綠色創新對霧霾污染的影響。基于此，本文擬作如下拓展：第一，使用縱橫向拉開檔次法對中國省際綠色創新水平進行測度;第二，把互聯網普及率、空氣質量好于二級天數比例等納入綠色創新評價指標體系;第三，分析中國省際綠色創新的空間分布及空間相關性;第四，基于綠色創新的空間效應，從空間計量方面實證考察綠色創新對中國省際霧霾污染的影響。

二、綠色創新的測算

本文對中國 30 個省份（不包括港澳臺地區）進行考察，基于西藏的數據缺失，不考慮西藏。本文各原始數據來自于2004—2017年《中國統計年鑒》《中國科技統計年鑒》以及各省

份歷年《統計年鑒》。下文對綠色創新進行測算。綠色創新測算涉及到兩個方面，一是確定評價指標體系;二是選擇測算方法。

（一）綠色創新評價指標體系

“十三五”規劃

指出了“十三五”時期經濟社會發展主要指標。在創新驅動方面，提出了研究與試驗發展經費投入強度、發明專利、互聯網普及率等指標。在資源環境方面，提出了單位GDP能源消耗、森林覆蓋率、空氣質量優良天數比率、化學需氧量、氨氮、二氧化硫等指標。基于

“十三五”規劃以及《中國區域創新能力評價報告2016》，本文從創新驅動以及資源環境兩個方面選取14個二級指標，如表1所示。

（二）縱橫向拉開檔次法

1.縱橫向拉開檔次評價方法

郭亞軍（2007）認為，基于時序動態視覺的縱橫向拉開檔次法，評價過程客觀，能最大限度體現評價對象之間的整體差異，尤其適用于面板數據[12]。楊萬平（2010）首次將縱橫向拉開檔次法應用于環境評價中，但在原始數據的無量綱化處理方面存在一些問題[13]。故本文采用此方法進行綠色創新測度。

將不同省份各個時間的綠色創新評價指標數據按下表排列，如表2所示。ti（i=1，2，…，N）表示時間，Si（i=1，2，…，n）表示省區，xi（i=1，2，…，m）表示評價指標。

由上述時序立體數據表支持的綜合評價問題，

稱為動態綜合評價問題，其評價函數為：

2016年，位于第一、三象限的省份數量不

變，分別為7個、15個，一共占所考察全部省份的73.333%。第二象限的省份數量從1個提高到4個，即被綠色創新高值區所包圍的低值區數量上升。同時，位于第四象限的數量從8個下降為4個，即被綠色創新低值所包圍的高值區數量下降。

綜合以上可以看出，中國省際綠色創新的H?H（高-高）“熱點”省份數量較少，L?L（低-低）“冷點”省份數量較多。且L?H（低-高）、H?L（高-低）等“異質點”數量不多。中國省份綠色創新存在著空間集聚效應。

四、綠色創新對中國省際霧霾污染的影響

基于綠色創新的空間集聚，接著使用空間計量模型分析綠色創新對省際霧霾污染的影響。

（一）空間計量模型構建

Anselin et al.（2008）[15]指出，為了確定觀測值之間的空間依賴，空間面板數據模型主要包括空間滯后模型SLM、空間誤差模型SEM和空間杜賓模型SDM三類。

根據Elhorst （2012）[16]，空間滯后模型SLM公式為：

yit=δNj=1wijyjt+α+xitβ+μi+λt+εit

（i=1，...，N，t=1，...，T）（8）

其中，yit=（y1t，y2t，y3t...，yNt）T，是被解釋變量組成的N×1維矢量。Nj=1wijyjt是指被解釋變量yit同相鄰單元yjt之間的交互效應，wij為N×N階非負空間權重矩陣。本文使用應用最為廣泛的二進制空間鄰接矩陣，即

wij=1?i與j相鄰0?i=j，或i與j不相鄰（9）

δ是內生交互效應的響應參數。α是常數項。xit是N×K的外生解釋變量矩陣。β是與xit相匹配的響應參數。it是獨立同分布誤差項，服從（0，σ2）分布。μi代表空間效應，λt是時間固定效應。

空間誤差模型SEM具體形式為：

yit=α+xitβ+μi+λt+Φit

Φit=ρNj=1wijΦit+εit（10）

Φit是空間自相關誤差項，ρ是空間自回歸系數。

空間杜賓模型SDM具體形式為：

yit=δNj=1wijyjt+α+xitβ+Nj=1wijxijtθ+μi+λt+εit（11）

θ和β相同，是K×N維參數向量。

為了分析綠色創新對中國省際霧霾污染的影響，構建如下模型：

lnPM10it=α+β1lnGrinit+β2lnU+β3lnGDPit+β4lnEiit+β5lnTpit+εit（12）

式（12）中，PM10為可吸入顆粒物年均濃度，表征霧霾污染，單位是微克/立方米;Grin表征綠色創新。U表征人口城鎮化程度，為年末城鎮人口占總人口比重，單位是%。GDP表征人均實際國內生產總值，以1997年為基期計算得出，單位是元/人;Ei表征能源強度，為各省份能源消費量與GDP之比，單位是噸標準煤/萬元GDP;Tp表征交通壓力，為各省份私人汽車數量與公路長度之比，單位是輛/公里。本文的被解釋變量為PM10，解釋變量為綠色創新，控制變量為人口城鎮化程度、能源強度和交通壓力。

基于模型（12），結合空間計量經濟學模型，下文接著考察綠色創新對霧霾污染的影響。

（二）空間診斷性檢驗

為了進行空間計量模型的選擇，要進行空間診斷性檢驗。非空間交互效應模型的四種估計以及經典拉格朗日、穩健拉格朗日乘數檢驗結果如表6所示。LM?lag、LM?error以及Robust LM?lag檢驗顯示，混合最小二乘，空間固定效應、時間固定效應、雙向固定效應四類模型都在10%的顯著水平上拒絕了沒有空間滯后項的原假設和沒有空間自相關誤差項的原假設。Robust LM?error檢驗表明，空間固定效應與雙向固定效應兩類模型沒有通過顯著性檢驗。根據埃爾霍斯特（2015）[17]，選用空間杜賓模型，計量方法為Elhorst（2003）[18]提出的極大似然（ML）估計。LR檢驗顯示，在1%的顯著水平上，既拒絕了空間固定效應不顯著性的原假設，也拒絕了時間固定效應不顯著的原假設，故選擇雙向固定效應模型。

（三）實證結果分析

Wald和LR檢驗結果如表7的下半部分所示。Wald spatial lag和LR spatial lag拒絕了空間杜賓模型SDM轉化為空間滯后模型SLM的原假設。Wald spatial error和LR spatial error檢驗也拒絕了空間杜賓模型SDM簡化為空間誤差模型SEM的原假設，故要使用空間杜賓模型SDM。使用空間Hausman檢驗在隨機效應和固定效應之間進行選擇，統計值為11.51，自由度為11，P值為0.401 6，故拒絕雙向固定效應模型，使用空間隨機和時間固定效應模型。比較表6和表7可以看出，非交互效應各模型的R2較小，其雙向固定效應模型的R2為0.158 5。空間杜賓模型的空間隨機效應和時間固定效應R2為0.857 2，說明本文使用空間計量模型分析綠色創新對霧霾污染的影響是合理的。由于非空間固定效應與空間計量模型中每一變量估計值所表示的意義并不相同，故表6雙向固定效應估計各變量的系數與表7空間隨機效應和時間固定效應的系數無法進行比較。

LeSage and Pace（2009）[19]認為，直接效應和間接效應能夠說明各變量真實的空間溢出效應，故本文分解了解釋變量和控制變量的直接效應和間接效應，結果如表8所示。綠色創新的直接效應、間接效應乃至總效應都顯著為負。綠色創新每提高1個百分點，將使本地區霧霾污染下降0.625 6個百分點。同時，會使相鄰地區霧霾污染減少0.295 8個百分點，進而使全局霧霾污染下降0.921 4個百分點。說明綠色創新在減緩霧霾污染中的重要作用，為了減少我國霧霾污染，進行綠色創新不失為一條重要的途徑。從各控制變量來看，人均GDP的間接效應和總效應都顯著為負，提高本地區人均GDP會降低相鄰地區以及全局霧霾污染。能源強度的間接效應和總效應都顯著為正，本地區能源強度的上升不但會提高相鄰地區的霧霾污染，也會提高全局的霧霾污染。交通壓力的直接效應顯著為正，交通壓力的上升會直接提高本地區的霧霾污染程度。

五、結論與政策啟示

本文利用我國30個省份的面板數據，使用縱橫向拉開檔次法對我國省際綠色創新水平進行測度，并采用空間計量經濟學方法，分析省際綠色創新的空間效應，并實證考察了綠色創新對霧霾污染的影響。主要有以下研究發現：

中國省際綠色創新存在空間集聚，整體上呈現北低南高，東高西低的態勢。L?L（低-低）“冷點”集聚的省份數量較多。這一結論有兩層政策含義，一方面，我國要提高省際綠色創新水平。較多的L?L（低-低）“冷點”集聚表明，當前我國省際綠色創新水平較低。這就要求我國嚴格按照黨的十九大報告的要求，在實施創新驅動發展戰略的同時，統籌推進生態文明建設。既要加快建設創新型國家，又要加快生態文明體制改革，建設美麗中國。只有雙管齊下，才能提高我國綠色創新水平。另一方面，省份之間可以加強綠色創新合作。綠色創新存在空間外溢效應，本地區綠色創新水平的提高可以推動相鄰地區綠色創新水平的上升，起到“一榮俱榮”的效果，因此，省際之間可以破除區域間壁壘，促進創新人才、資本等要素在區域間流動，進行協同創新[20]。同時，協同治理水、大氣等污染問題，推動區域綠色創新水平的全面提高。如浙江、上海、廣東、福建、江蘇、海南等地綠色創新水平較高，這些地區之間相互合作，可以鞏固既有的成果，并通過輻射效應，帶動相鄰省份綠色創新水平的提高。

綠色創新的直接效應、間接效應乃至總效應都顯著為負。綠色創新水平的提高，不但會減少本地區的霧霾污染，而且使相鄰地區霧霾污染程度下降，進而使全局霧霾污染下降。這一結論的政策含義在于，提高綠色創新水平，可以有效的減少霧霾污染。為了治理我國霧霾污染問題，綠色創新不失為一條重要途徑。我國加強省際綠色創新，既有利于建設創新型國家，又有利于緩解霧霾污染問題，起到一石二鳥的效果。一般來說，綠色創新水平較低的地區，霧霾污染水平較高，由高到低，青海、山東、甘肅、新疆、河南、山西、河北等省份綠色創新水平較低，分別位居第21、23、25、27、28、29、30位。同時，這幾個地區霧霾污染水平較高，青海、山東、甘肅、新疆、河南、山西、河北PM10均值分別位居第8、3、1、4、9、7、2位。因此，我國可以重點在資金、人才等方面向這些省份傾斜，提高研發人員的薪酬水平，改善工作條件，并增加財力支持，擴大創新規模。同時，重視這些省份的資源環境，提高森林覆蓋率，加強綠化;降低單位GDP能耗，提高能源消費效率。總之，在加強技術創新的同時，重視生態環境的改善。

[參考文獻]

參考文獻內容

[1]FUSSLER C， JAMES P. Eco?innovation： a break through discipline for innovation and sustainability [M]. Pitman Publishing， London，1996.

[2]MIRATA M， EMTAIRAH T. Industrial symbiosis networks and the contribution to environmental innovation： the case of the Landskrona industrial symbiosis programme[J]. Journal of cleaner production， 2005， 13（10-11）：993-1002.

[3]BARTLETT D， TRIFILOVA A. Green technology and eco?innovation： seven case?studies from a Russian manufacturing context [J]. Journal of manufacturing technology management， 2010， 21（8）： 910-929.

[4]張鋼， 張小軍. 綠色創新研究的幾個基本問題[J]. 中國科技論壇， 2013（4）： 12-15.

[5]EIADAT Y， KELLY A， et al. Green and competitive？ An empirical test of the mediating role of environmental innovation strategy [J]. Journal of world business， 2008， 43（1）： 131-145.

[6]GILLI M， MAZZANTI M， NICOLLI F. Sustainability and competitiveness in evolutionary perspectives： environmental innovations， structural change and economic dynamics in the EU [J]. Journal of socio?economics， 2013， 45 （27）： 204-215.

[7]曹慧，石寶峰，趙凱. 我國省級綠色創新能力評價及實證[J].管理學報， 2016，13（8）： 1215-1222.

[8]劉章生， 宋德勇， 弓媛媛. 中國綠色創新能力的時空分異與收斂性研究[J]. 管理學報， 2017， 14（10）：1475-1483.

[9]RUSSO M， FOUTS P. A resource?based perspective on corporate environmental performance and profitability [J]. Academy of management journal， 1997， 40（3）： 534-559.

[10]BOWEN F E. Does size matter？ Organizational slack and visibility as alternative explanations for environmental responsiveness[J]. Business & Society， 2000， 41（1）： 118-124.

[11]HORBACH J. Determinants of environmental innovations?new evidence from German panel data sources[J]. Research policy， 2008， 37（1）：163-173.

[12]郭亞軍. 綜合評價理論、方法及應用[M]. 北京：科學出版社， 2007.

[13]楊萬平. 中國省際環境污染的動態綜合評價及影響因素[J]. 經濟管理， 2010（8）： 159-165.

[14]袁曉玲， 李政大. 中國生態環境動態變化、區域差異和影響機制[J]. 經濟科學， 2013， 35（6）： 59-76.

[15]ANSELIN L， LE GALLO J， JAYET H. Spatial panel econometrics [M]//MATYAS L， SEVESTRE P（eds）， The econometrics of panel data， fundamentals and recent developments in theory and practice. 3rd.

Dordrecht：Kluwer， 2008： 901-969.

[16]ELHORST J P. Matlab software for spatial panels [J]. International regional science review， 2012， 37（3）： 389-405.

[17]埃爾霍斯特 J. 保羅. 空間計量經濟學-從橫截面數據到空間面板[M]. 肖光恩，譯. 北京： 中國人民大學出版社， 2015.

[18]ELHORST J P. Specification and estimation of spatial Panel data models [J].International regional science review，2003， 26： 244-268.

[19]LESAGE J P， PACE R K. Introduction to spatial econometrics [M].

Boca Raton， US： CRC Press Taylor and Francis Group， 2009， 513-514.

[20]白俊紅，蔣伏心.協同創新、空間關聯與區域創新績效[J].經濟研究，2015（7）： 174-187.

Green Innovation Evaluation and It's Impact on Haze Pollution in China

——Based on Spatial Econometric Model

Liu Xiaohong

（

School of Business， Nanjing Xiaozhuang University， Nanjing 211171，China）

Abstract： This paper constructs an evaluation system of green innovation from the perspective of innovation drive and resource environment. Using an objective dynamic comprehensive evaluation method?horizontal?vertical classification approach——which is based on the overall differences， this paper measures the green innovation of 30 provinces and autonomous regions of China from 2003 to 2016 comprehensively and scientifically. This paper analyzes the spatial effect of green innovation and empirically investigates the impact of green innovation on haze pollution with spatial econometric model. The study finds that there is a spatial agglomeration of inter?provincial green innovation in China， and the green innovation agglomeration degree is low in north China and high in south china， high in east and low in west. Many provinces and regions are L?L （low?low） "cold point" accumulation. The direct， indirect and total effects of green innovation are significantly negative. The improvement of green innovation level will not only reduce the haze pollution in the local region， but also reduce the haze pollution level in adjacent regions， thus reduce the overall haze pollution. Finally， the respective countermeasures and suggestions are put forward.

Key words： green innovation; haze pollution; spatial econometric

責任編輯（責任編輯：張夢楠）