長三角區域先進制造業綠色技術創新效率研究

田澤 王若梅 肖欽文 任芳容

關鍵詞：長三角區域;先進制造業;綠色技術創新效率;Malmquist指數

摘 要：綠色技術創新是實現碳達峰和碳中和的根本保證，長三角先進制造業的發展更具有示范性。通過構建先進制造業綠色技術創新效率的兩階段評價指標體系，測算了長三角區域先進制造業不同階段的綠色技術創新效率和綠色全要素生產率（TFP）。研究發現：（1）長三角區域整體先進制造業綠色技術創新效率呈逐步上升，且具有西南高東北低的分布特點，科技研發階段的效率偏低是影響整體效率的根源所在;（2）不同于江浙滬省市轉化效率高于研發效率的情況，安徽省先進制造業更重視技術知識的積累，而效益的轉化相對較弱;（3）長三角區域整體TFP指數呈波動上升趨勢，除2013—2016年以外，其他年份的技術進步水平有待提高;（4）長三角區域先進制造業科技研發階段的效率增長速度高于成果轉化階段。為此，建議提升成果轉化階段的科研成果轉化水平，促進長三角區域經濟協同發展和共建技術創新聯盟。

中圖分類號：F062.2;F062.4文獻標志碼：A文章編號：1001-2435（2021）05-0137-11

Green Technology Innovation Efficiency of the Advanced Manufacturing Industry in the Yangtze River Delta Region

TIAN Ze， WANG Ruo-mei， XIAO Qin-wen， REN Fang-rong（Business School， Hohai University， Nanjing 210098， China）

Key words： the Yangtze River Delta; advanced manufacturing industry; green technology innovation efficiency;Malmquist index

Abstract： Green technology innovation is the fundamental guarantee to achieve carbon peak and carbon neutratity， and the development of the advanced manufacturing industry in the Yangtze River Delta is more demonstrative. The green technology innovation efficiency and green total factor productivity （TFP） in different stages of advanced manufacturing in the Yangtze River Delta region were measured by constructing a two-stage evaluation index system of green technology innovation efficiency of advanced manufacturing. The conclusions are as follows： （1） On the whole， the green technology innovation efficiency of advanced manufacturing industry in the Yangtze River Delta region is gradually increasing with charatoristics of higher in the southuest and lower in the northeast. The low efficiency in the stage of technology development is the root cause that affects the efficiency of the whole stage. （2） Different from Jiangsu， Zhejiang and Shanghai， the advanced manufacturing industry in Anhui pays more attention to the accumulation of technical knowledge， while the conversion of benefits is relatively weak. （3） The overall TFP index in the Yangtze River Delta region shows a volatile upward trend. Except for 2013-2016， the level of technological progress in other years needs to be improved. （4） The efficiency growth rate in the stage of the technology development of the advanced manufacturing industry in the Yangtze River Delta region is higher than that in the stage of achievement transformation. And suggestions such as promoting the coordinated economic development and establishing technological innovation alliances are proposed.

——————————————————————————————————————————

一、引 言

隨著新一輪科技變革加速到來，全球產業轉型和產業價值鏈重塑進程不斷加速，世界各國聚焦制造業新發展，如日本“制造業白皮書”、歐盟“科技創新投入計劃”、德國“工業4.0”發展戰略、美國“先進制造業伙伴計劃”等，通過包括技術創新在內的各種途徑加速制造業創新發展，爭取率先搶占制造業發展制高點。中國作為“制造業大國”，傳統制造業長期依賴的“高投入、高排放、高污染、低效益”的要素驅動型發展模式弊端逐漸凸顯。為此，《中國制造2025》提出要加快傳統制造業轉型升級，并著力推進先進制造業跨越式發展。因此，如何促進先進制造業高質量發展成為重要課題。

“十三五規劃”強調堅持“創新、協調、綠色、開放、共享”五大發展理念，將創新作為首要動力，以綠色作為必要保障[1]。十九大報告也明確“綠水青山就是金山銀山”的發展理念，提出保護自然環境與節約資源，實現經濟高質量發展。先進制造業發展的影響因素包括要素稟賦、資本結構、技術進步水平等，從可持續發展的現實需求來看，綠色技術創新，將創新、綠色的發展理念有機融合，是推動先進制造業增長與生態環境保護有機統一的關鍵。提升綠色技術創新效率是實現我國先進制造業高質量發展和資源環境協調的重要途徑。那么，目前國內先進制造業綠色技術創新發展現狀究竟如何？如何提升其綠色技術創新效率呢？因此，有必要對先進制造業綠色技術創新效率情況及其影響因素進行深入探討。

長三角區域，作為中國經濟總量規模最大、經濟發展速度最快、最具有發展潛力的經濟板塊，其制造業基礎雄厚。2019年12月1日印發的《長江三角洲區域一體化發展規劃綱要》明確指出，強化區域之間優勢產業的相互協作，打造在世界范圍內具有強勁競爭力和顯著影響力的先進制造業基地。由此可見，以長三角區域為例，對其先進制造業綠色技術創新效率的研究具有典型性，這也將對其他區域先進制造業的高質量發展起到積極的示范作用和借鑒意義。

由于先進制造業處于發展階段，學術界尚未對此形成一個明確統一的定義。黃燁菁認為先進制造業包含兩個層面，一是信息革命、技術革命成果與生產方式的融合，二是多元豐富的國際制造品的需求。[2]于波等認為先進制造業是在產業層次、技術、管理、模式等方面區別于傳統制造業，其重要特征是產業具備高端性、技術先進性、管理現代性和生產模式的創新性。[3]李金華認為先進制造業是指產品的研發、設計、生產、檢測、服務和管理過程中運用電子信息、計算機、新材料等現代科學技術和管理技術的制造行業。[4]借鑒上述的研究，本文認為，先進制造業是在產品的研發、生產、管理和服務等全過程中不斷吸收并運用材料科學、計算機網絡、自動化機械、電子信息等先進技術和創新成果，從而實現自動化、生態化、智能化、信息化、柔性化生產取得良好市場反饋和經濟效益的制造業總稱。

“綠色技術創新”一詞最早是由學者Brawn和Wield提出，是指企業為減少污染排放和能源消耗及提升環境競爭力，有目的地將研發投資偏向綠色技術的研發，并將綠色環保專利技術和綠色工藝充分運用于生產、經營及銷售過程中的一系列創新活動。[5]羅良文和梁圣蓉提出綠色技術創新與傳統技術創新最大的不同點在于在研究中引入了環境因素。[6]綠色技術創新效率是考慮環境因素影響的技術創新活動的投入產出比，對非期望產出予以充分重視，看重人力、財力的綜合運用，更能客觀反映技術創新的環境效益情況。學者們關于綠色技術創新的研究主要圍繞區域視角[7-8]、行業視角[9-10]和企業視角[11-12]三個層面展開，也有少部分學者從政府視角對綠色技術創新效率進行研究[13-14]。綜合來看，區域視角和行業視角是學者們進行研究的主要視角且多將兩種視角相結合進行研究，但細化到國家戰略區和國家重點發展行業的研究并不多見，特別是針對長三角區域新規劃范圍和先進制造業的深入探討屈指可數，仍需進行深挖。學者們關于綠色技術創新效率評價指標的研究較為完善，且基本保持一致[15-17]，投入指標多從人力和財力兩個方面考慮，普遍采用R&D人員全時當量體現人力投入水平，R&D經費內部支出體現財力投入水平。期望產出指標多采用與經濟效益相關的指標，多通過非期望產出的形式體現綠色的概念，但多數非期望產出指標都是相關污染物排放量的簡單加總或算術平均，對實證結果可能產生一定影響。綠色技術創新效率評價方法主要包括SFA[18]和DEA方法[19]，學者們從單階段到兩階段，開展多階段研究，其中兩階段方法[16]將整個過程分為研發階段和轉化階段，能夠直觀地體現綠色技術創新的過程。綜上，基于非期望產出的網絡SBM-DEA模型[20]既解決了投入產出的松弛問題，又綜合考慮了非期望產出與多階段的生產過程，是測算先進制造業綠色技術創新效率較為合適的評價方法。

本文研究特色在于，不同于以往僅對相關污染物排放量的簡單加總或算術平均處理，而是利用熵值法計算環境污染指數作為非期望產出指標，使得綠色技術創新效率測算指標選擇更加科學全面，并且分別從靜態和動態兩個視角出發，采用網絡SBM-DEA模型和Malmquist指數模型對長三角區域先進制造業綠色技術創新的靜態效率和動態效率情況進行綜合分析，為推動長三角區域先進制造業高質量發展提供借鑒。

二、模型構建

（一）綠色技術創新效率指標體系構建

選擇技術創新過程的兩階段劃分方式，擬對長三角區域先進制造業的綠色技術創新效率進行深入的實證分析。長三角區域先進制造業綠色技術創新分為以下兩個階段：（1）科技研發階段是第一階段。是指企業為實現技術進步或新知識積累，進行一系列自主創新活動的過程，該階段一般會產出專利、論文、著作權等實質性科技成果。該階段的投入產出情況能夠體現研發能力和質量。（2）成果轉化階段是第二階段。是指企業將上一階段產出的科技成果應用于生產制造后產生的新產品進入市場并產生經濟回報的過程。值得關注的是，隨著可持續發展觀和高質量發展的深入落實，綠色生產已成為評價企業高質量發展的重要標準之一。因此，在測算成果轉化階段效率時，將環境因素納入評價框架更符合高質量發展的要求。基于此，本文構建了長三角區域先進制造業綠色技術創新效率評價指標體系，如圖1所示。

圖1 長三角區域先進制造業綠色技術創新過程

在梳理國內外相關研究的基礎上，評價體系構建時遵循簡明科學性、全面系統性以及可行、可比、可量化性，考慮研究定性與定量相結合、靜態與動態相結合的特點以及綠色技術創新過程的兩階段劃分方式，評價指標由科技研發階段的投入產出指標和成果轉化階段的投入產出指標兩部分構成。

（1）科技研發階段的投入指標：選取R&D人員折合全時當量（X1）作為科技研發階段的人力投入指標，選取R&D經費內部支出（X2）評價科技研發階段的財力投入。由于R&D經費產生影響往往需要經過一段時間，具有一定的時間滯后效應，因此該指標采用存量指標，利用永續盤存法進行處理[21]，并用研發價格指數[22]將其轉化為2012年為基期的不變價格指標。

（2）科技研發階段的產出指標：選取專利情況來衡量科技研發階段的產出成果，以專利申請數（Z1）和有效發明專利數（Z2）為代表。企業的專利申請即使未獲得批準，也體現了企業正積極開展科技研發工作，會對其后期進行的各項工作產生正向的影響。有效發明專利數量不僅說明了企業在技術質量上的上升，也體現了市場競爭能力和未來發展的潛力。這兩項指標也是國際通用的衡量科技產出的指標[23]。

（3）成果轉化階段的投入指標：研發投入和非研發投入。一般來說，科技研發階段產生的科技成果并不會直接從整個創新系統中撤出，一般會作為一種技術研發投入被進行深層次的開發，從而繼續為整個技術創新過程服務。因此，第一階段產出的專利申請數（Z1）和有效發明專利數（Z2）可以作為成果轉化階段的研發投入繼續參與創新過程。非研發投入包括人力投入和財力投入，選取先進制造業從業人員（N1）作為人力投入。財力投入方面，目前，亞洲國家主要通過引進技術、消化吸收和再創新的模式實現技術趕超[24]，這就產生了技術引進轉化經費（N2）作為成果轉化階段的追加投入（技術引進轉化經費=購買境內技術經費支出+技術改造經費支出+引進境外技術經費支出+引進境外技術的消化吸收經費支出）。技術引進轉化經費的處理方法與X2類似，同樣選擇2012年為基期進行平減。

（4）成果轉化階段的產出指標：成果轉化階段的產出包括期望產出和非期望產出。在借鑒大多數研究成果的基礎上，選取新產品銷售收入（Y1）和先進制造業利潤總額（Y2）來衡量成果轉化階段的期望產出，以2012年為基期，運用PPI平減新產品銷售收入，利用GDP指數對利潤總額進行平減。為體現綠色創新，選取工業廢水、工業二氧化硫以及工業煙（粉）塵的排放量衡量非期望產出，借鑒韓晶[25]的做法，對工業廢水、工業二氧化硫和工業煙（粉）塵排放量進行無綱化處理，利用熵值法[26]測算長三角區域先進制造業歷年的環境污染指數（Y3），作為非期望產出指標納入到指標體系。

綜上，借鑒李金華[4]和孫金秀[27]等人的研究，選取儀表制造業，計算機、通信和其他電子設備制造業，電氣機械和器材制造業，鐵路、船舶、航空航天和其他運輸設備制造業，專用設備制造業，通用設備制造業，金屬制品業，醫藥制造業，化學原料和化學制品制造業，石油、煤炭及其他燃料加工業共計10個制造業子行業表示先進制造業，并構建了如表1所示的由5個一級指標，9個二級指標構成的綠色技術創新效率評價指標體系。此外，考慮到投入產出的轉化具有時間滯后性，將產出指標均采取滯后一期的處理方法。因此科技研發階段的投入、中間產出（包括非研發投入）、成果轉化階段的產出分別對應的年份為2012—2016年、2013—2017年和2014—2018年。

（二）網絡SBM-DEA模型

傳統的DEA模型只有一個投入產出系統，只能同時對一個階段進行研究，不能完全滿足本文對創新效率評價的需要。為此學者開始將非期望產出納入評價模型中，解決傳統DEA模型無法處理非期望產出的問題[28]。網絡SBM模型不但處理了非期望產出，又解決了先進制造業涉及的多階段復雜網絡生產過程的效率測算問題[29]，是測算先進制造業綠色技術創新效率較為合適的評價方法[20]。

假設[DMUj（j=1，2，…，n）]在[k]階段的投入為[xkij=xk1j，xk2j，…，xkij]，中間變量為[zk-1，ktj=zk-1，k1j，zk-1，k2j，…，zk-1，ktj]，期望和非期望產出分別為[ykrj=yk1j，yk2j，…，ykrj]、[ukpj=uk1j，uk2j，…，ukpj]。考慮到環境約束后，引入投入、期望和非期望產出的松弛變量[Sk-i、Skg+r、Skb+p]，綠色技術創新效率模型表示為：

[ρ*0=minλk，sk-i，skg+r，skb+pk=1KWk1-1IKi=1IKSk-ixki0/k=1Kwk1+1RK+PKr=1RKSkg+rykr0+p=1PKSkb+pukp0? ? ? ? ? ? ? ? ? ? ? ? s.t.xk0=Xkλk+Sk-i，k=1，…，Kyk0=Ykλk-Skg+r，k=1，…，Kuk0=Ukλk+Skb+p，k=1，…，KZk-1，kλk-1=Zk-1，kλk?k-1，k∑λk=1，Sk-i，Skg+r，Skb+p，λ>0] （1）

其中，[Wk]為提前確定的權重，當且僅當[ρ*0=1、Sk-i=Skg+r=Skb+p=0]時，每個[DMU]的整體綠色技術創新效率[ρ*0]有效率。當投入、產出指標具有連續性時，模型在效率測算時可以做到各階段不互相約束，第[K]階段的效率如式（2）所示，其中[Sk-*i、Skg+*r、Skb+*p]是投入、期望和非期望產出的最優解：

[ρk=1-1IKi=1IKSk-*ixki0/1+1RK+PKr=1RKSkg+*rykr0+p=1PKSkb+*pukp0] （2）

（三）Malmquist指數模型

網絡SBM-DEA模型有效處理了靜態的綠色技術創新效率的測算問題，而由統計學家Malmquist提出的用以分析跨時期消費情況的Malmquist指數模型則可以評價效率的變化情況[30]。此后該模型不斷發展[31]，與DEA方法相結合，構造了全要素生產率指數（[TFP]），成為評價生產要素時間變化的重要工具。

設[Dtxt，yt]和[Dt+1xt+1，yt+1]分別是以[t]期和[t+1]期為比較基礎的距離函數，用[xt]和[xt+1]表示[t]期和[t+1]期的投入向量，用[yt]和[yt+1]表示[t]期和[t+1]期的產出向量，以[t]期為例，[Dt+1xt+1，yt+1]表示[t+1]時期的[DMU]在[t]時與效率前沿面的偏差，F?re考慮到隨意選擇基期會導致結果的偏差，將[TFP]指數、技術進步指數（Technical Change， TC）和技術效率變動指數（Efficiency Change， EC）定義如下[31]。

[TFP=Dtxt+1，yt+1Dtxt，yt×Dt+1xt+1，yt+1Dt+1xt，yt=TC×EC] （3）

[TC=Dtxt+1，yt+1Dt+1xt+1，yt+1×Dtxt，ytDt+1xt，yt]，[EC=Dt+1xt+1，yt+1Dtxt，yt] （4）

其中，[TC]表示相同投入產出情況下的不同基期選擇所得效率值的差異狀況，稱為“前沿面移動效應”，用于考察技術水平的提升衰減情況。[EC]是決策單元前期與后期距離函數值的比，純粹地反映兩個時期效率值的變化情況，稱為“追趕效應”，含義是管理水平的提升衰減情況。

三、實證分析

（一）綠色技術創新效率值測度結果與分析

基于構建的綠色技術創新效率指標體系，采用網絡SBM-DEA模型，借助MaxDEA Ultra 8.3.5軟件，對2012—2018年長三角區域三省一市，即江蘇省、浙江省、安徽省和上海市先進制造業綠色技術創新整體階段以及細分的科技研發階段和成果轉化階段的靜態效率進行測算，并從時間維度和空間維度進行綜合分析和深入探討，進而對長三角區域先進制造業綠色技術創新效率總體情況及差異性展開分析。其中，第一次網絡SBM-DEA的測算結果出現了絕大多數效率值為1的情況，即DEA有效。為區分不同區域的有效程度，在此基礎上采用超效率網絡SBM-DEA模型進行了第二次測算，超效率網絡SBM-DEA模型能夠對多個有效的決策單元進行比較排序。因此，超效率網絡SBM-DEA模型的結果允許大于1。

1.整體階段的靜態效率分析

根據表2，2012—2018年長三角區域三省一市先進制造業整體階段的綠色技術創新靜態效率，總體上處于逐年穩定上升的趨勢。這表明“創新、協調、綠色、開放、共享”五大發展理念在長三角區域得到有效的貫徹實施，效率提升的同時環境治理也得到重視，長三角先進制造業綠色技術創新水平朝著良好方向發展。其中，浙江省先進制造業整體階段的綠色技術創新效率年度均值為1.3188，在長三角區域中處于較高水平，而江蘇省的年度均值僅為0.8273，處于較低水平。

從時間趨勢來看，江蘇省先進制造業的綠色技術創新效率在2012—2014年為0.8539，在2012—2018年期間達到的最大值，2013—2015年相較于上一年的效率值出現了5.86%的下降，但之后的2014—2018年效率值持續上升，說明江蘇省意識到先進制造業綠色技術創新的重要性，采取了相應的措施，但整體的綠色創新效率仍然較低。浙江省和上海市先進制造業的綠色技術創新效率均呈現出波動上升的趨勢，年度均值分別為1.3188和1.1779，表明了其綠色技術創新效率相對較高，但也應注重投入產出的穩定性，保證本省（市）先進制造業綠色技術創新水平的持續向好。安徽省先進制造業2013—2015年的綠色技術創新效率相較于2012—2014年出現了較大程度的上升，但此后其綠色技術創新效率呈現逐年下降的趨勢，因此，安徽省應注意其先進制造業的綠色技術創新投入產出狀況，積極提高綠色技術創新效率。

從空間上看（圖2），地處長三角區域西部和南部位置的安徽省、浙江省，兩者先進制造業綠色技術創新效率在2012—2018年間交替領跑長三角區域，最終浙江省以年度均值1.3188，安徽省以年度均值1.2624分別位于長三角區域的第一名和第二名，且均高于平均值1.1466，而位于長三角區域東部和北部位置的上海市、江蘇省則以1.1779和0.8273的年度均值分別位列長三角區域的第三名和第四名。總體上，長三角區域先進制造業的綠色技術創新效率呈現西南高、東北低的分布特點。值得注意的是，江蘇省先進制造業綠色技術創新效率的年度均值遠低于長三角區域的平均值，說明了江蘇省先進制造業的綠色技術創新水平相對較低，值得引起重視。通過K-means聚類方法，將長三角區域省（市）先進制造業整體階段綠色技術創新效率分成相對低效、相對高效兩大類（表2），其中江蘇省先進制造業整體階段綠色技術創新效率處于相對低效狀態;浙江省、安徽省和上海市效率則相對較高。浙江省先進制造業的綠色技術創新效率最高，安徽省和上海市由于毗鄰浙江省，接收到浙江省先進制造業綠色技術創新的擴散效應和溢出效應的影響較多，因此安徽省和上海市的技術創新效率也相對較高。長三角區域省（市）先進制造業整體階段綠色技術創新效率的K-means聚類結果和其空間分布特征保持一致。

2.科技研發階段的靜態效率分析

科技研發主要是技術創新的過程，因此綠色技術創新靜態效率可以理解為技術創新效率。根據表3，總體上，先進制造業科技研發階段的技術創新效率整體并不穩定，甚至出現了一定程度的下降。安徽省以年度均值1.0633位于長三角區域的榜首，說明安徽省先進制造業對技術創新的高度重視。浙江省和上海市2012—2017年先進制造業技術創新效率值均為1，處于區域的中間水平。江蘇省的年度均值僅為0.6546，遠低于其他省市的年度均值，說明江蘇省先進制造業對技術創新環節重視程度減弱，其技術創新水平和技術創新意識亟待加強，這也解釋了江蘇省先進制造業整體階段的綠色技術創新效率較低的原因。

具體來看，從時間趨勢，江蘇省先進制造業科技研發階段的技術創新效率從2012—2013年的0.7079下降到2016—2017年的0.6765，說明江蘇省應當充分保障先進制造業的科技人員和經費支持，為先進制造業技術創新提供穩定支撐，同時重視科技成果的產出。浙江省和上海市先進制造業科技研發階段的技術創新效率常年穩定在1，說明其技術創新過程較為穩定，應當繼續保持并適當發力。安徽省2012—2017年先進制造業科技研發階段的技術創新效率先升再降，但整體上處于長三角區域的領先水平，這與安徽省近年來加大對先進制造業科技研發的重視、科研機構逐年增加以及相關政策扶持密切相關。

從空間上看（圖3），2012—2017年安徽省先進制造業技術創新效率均大于等于1，處于長三角區域第一名，浙江省和上海市保持穩定的技術創新效率，并列位于第二名。安徽省、浙江省和上海市的先進制造業科技研發階段的技術創新效率值的差異很小，先進制造業科技研發效率水平表現相對均衡。但江蘇省由2012—2013年的0.7079下降到2016—2017年的0.6765，下降了4.44%，處于長三角區域的最低水平，這也是其整體階段綠色技術創新效率值最低的重要原因。通過K-means聚類方法，將長三角區域省（市）的先進制造業科技研發階段綠色技術創新效率分成相對低效、相對高效兩大類（表3），其中江蘇省先進制造業科技研發階段綠色技術創新效率處于相對低效狀態;浙江省、安徽省和上海市效率則相對較高。長三角區域先進制造業科技研發階段的技術創新效率呈現西高東低的特點，和整體階段綠色技術創新效率的空間分布特征基本保持一致。

3.成果轉化階段的靜態效率分析

成果轉化階段是考慮環境因素的創新成果轉化過程，因此該階段的效率可以理解為綠色創新效率。從表4可以發現，長三角區域先進制造業成果轉化階段的綠色創新效率呈先下降再上升的趨勢。浙江省以年度均值1.1753，位于長三角區域的榜首，上海市與江蘇省較為接近，上海市的年度均值為1.0011，略高于江蘇省的1.0000。安徽省在成果轉化階段并沒有像科技研發階段一樣表現突出，以0.9857位于長三角區域的末位，說明其成果轉化的意識還需加強。

具體來看，從時間維度來看，江蘇省先進制造業成果轉化階段的綠色創新效率在2013—2018年期間一直穩定在1，說明江蘇省在成果轉化方面一直較為穩定。浙江省和上海市2013—2018年先進制造業的綠色創新效率一直處于穩步上升的狀態，這說明浙江省和上海市均重視科技成果的綠色轉化，也與其地理位置的鄰近、經濟發展資源相似有關。但浙江省的增長率達到30.35%，顯然浙江省先進制造業的綠色創新效率增長更為顯著。不同于其他省市的穩定或上升，安徽省2013—2018年先進制造業成果轉化階段的綠色創新效率下降了22.43%，說明安徽省近年來過于重視科技成果的產出，但忽視了其投入市場時的經濟效益和環境效益，這是典型的先進制造業發展初期階段的表現。

2013—2018年浙江省先進制造業成果轉化階段綠色技術創新效率明顯高于其他省市且增長迅猛，在2014年以后一直處于長三角區域第一名。上海市總體呈上升趨勢，處于長三角區域的第二名。雖然安徽省的先進制造業科技研發階段綠色技術創新效率值處于長三角區域第一名，但可能由于過于重視科技成果的產出，成果轉化意識較為薄弱，其成果轉化階段綠色技術創新效率值位居長三角區域最后一名。通過K-means聚類方法，將長三角區域省（市）的先進制造業成果轉化階段綠色技術創新效率分成相對低效、相對高效兩大類（表4），其中浙江省先進制造業成果轉化階段綠色技術創新效率處于相對高效狀態;江蘇省、上海市和安徽省效率則相對較低。

（二）基于Malmquist指數模型的動態效率分析

在對2012—2018年長三角區域三省一市先進制造業綠色技術創新整體階段、科技研發階段和成果轉化階段的靜態效率分析基礎上，借助MaxDEA Ultra 8.3.5軟件，利用動態的Malmquist指數模型測算長三角區域先進制造業綠色技術創新的全要素生產率（TFP），并從長三角區域整體和省（市）兩個角度展開分析，從而全面分析長三角區域先進制造業的綠色技術創新的動態效率。

1.長三角區域整體動態效率分析

根據圖4，2012—2018年長三角區域先進制造業整體階段的全要素生產率指數（TFP）為1.0634，整體上呈現波動上升的趨勢，但2013—2016年由于技術進步指數（TC）的增長使得該階段TFP大幅上升。另外，技術效率變動指數（EC）也大于1，說明長三角區域先進制造業技術效率增長較快，但波動的TC說明長三角區域先進制造業技術進步波動較大，應注重保持先進制造業綠色技術創新過程中穩定的人力和財力投入，減少技術進步不穩定對全要素生產率的影響。

從子階段的效率來看，科技研發階段EC指數低于TC指數說明了科技研發階段技術創新得到較大進步，成果轉化階段EC和TC指數的變化則相對協調。整體上看，2012—2018年長三角區域先進制造業科技研發階段的TFP指數為1.0448，高于成果轉化階段的1.0182，說明長三角區域先進制造業科技研發的效率增長速度高于成果轉化的效率增長速度。

2.長三角區域省（市）動態效率分析

根據表5，可以發現上海市先進制造業整體階段的TFP指數為1.3833，遠高于平均值1.0634，表明上海市先進制造業整體階段的綠色技術創新全要素生產率呈增長態勢，并且上海市先進制造業全要素生產率增長速度最為迅速。而江蘇省和浙江省則由于TC指數較低的影響，拉低了其TFP指數，使得江蘇省和浙江省整體階段的TFP指數低于1，未達到效率前沿面，并且低于長三角區域的平均水平。說明江蘇省和浙江省面臨技術進步停滯不前甚至可能倒退的風險。可以看到，各省市技術進步與技術效率之間存在差異，尤其是江蘇省和浙江省，這說明先進制造業在發展過程中雖然形成了有效的投入產出結構，但其技術的開發還存在不足，現有的技術無法使綠色技術創新全要素生產率得到快速提升。因此，要提高長三角區域三省一市先進制造業整體階段的TFP指數，需要繼續加強對科技研發投入的力度。

從子階段的效率來看，在科技研發階段，江蘇省、安徽省和上海市TFP值均大于1，即全要素生產率進步，技術進步是促進科技研發階段TFP提高的主要原因。而浙江省則由于TC指數較低，其TFP指數也低于1，表現出全要素生產率退步的情況。說明浙江省先進制造業在科技研發階段技術進步并不明顯，有很大的提升空間。在成果轉化階段，江蘇省受TC指數的影響，表現出全要素生產率退步的情況，安徽省則由于EC指數的下降拉低了其全要素生產水平，說明安徽先進制造業的綠色技術創新資源配置水平有待提升，組織管理水平需要提高。

四、結論及啟示

以2012—2018年長三角區域先進制造業的綠色技術創新活動作為研究對象，構建先進制造業綠色技術創新效率指標體系，并綜合運用網絡SBM-DEA模型和Malmquist指數模型，分別測算了長三角區域先進制造業綠色技術創新不同階段的綠色技術創新效率和綠色全要素生產率，分析長三角區域先進制造業綠色技術創新的靜態和動態水平及時空分布情況，具體結論如下：第一，根據靜態效率測算結果，2012—2018年長三角區域的綠色技術創新效率整體上呈現穩定上升的趨勢，先進制造業科技研發階段技術創新效率偏低是其綠色技術創新效率水平偏低的根源所在。值得注意的是，江蘇省、浙江省、上海市都出現了不同程度的波動，安徽省更是呈現出下降的趨勢。進一步從空間維度來看，長三角區域先進制造業的綠色技術創新水平整體水平較高，但并沒有實現均衡發展。第二，基于Malmquist指數模型的動態效率測算結果，近年來長三角區域的全要素生產率呈現出波動上升的狀態。2013—2016年的TFP指數出現小高峰，TC大于EC，說明技術進步水平的提高顯著促進了全要素生產率的增長。長三角區域先進制造業科技研發的效率增長速度高于成果轉化的效率增長速度，長三角區域先進制造業要注意提升成果轉化階段科研成果的轉化水平。

長三角區域先進制造業綠色技術創新效率測算和時空分析對提升其先進制造業綠色技術創新效率，實現經濟高質量發展具有重要啟示。首先，長三角區域的技術創新效率整體偏低，特別是江蘇省的技術進步水平亟待提高。對于長三角區域，尤其是江蘇，要進一步發揮人才和資金對先進制造業技術創新活動的基礎保障作用，加大對創新能力突出的科研人才及科研機構的政策和資金傾斜力度，保證先進制造業技術研發的人才儲備和資金支持，企業、高等院校和科研院所等多主體共建技術創新聯盟，建立人才協同共享機制[32]，加快技術研發速度，提升技術創新成果持續產出的能力和效率。其次，長三角區域中安徽省的成果轉化效率較慢，其技術創新成果未能充分轉化為經濟效益，產出過程中的污染物排放也未得到合理的控制，科研成果轉化水平還需進一步提升。安徽省需要通過優化綠色技術創新的資源配置，提升科技成果轉移轉化市場化服務水平，加快建立高等院校、科研院所與企業主體的合作創新體系，推動科技成果轉移轉化速度，同時在成果轉化階段貫徹落實綠色環保意識，減少轉化過程中的非期望產出，推動污染物的綠色轉化和再利用，提高綠色技術創新效率。最后，在長三角區域先進制造業生產發展過程中，應重視區域內省市發展存在的不均衡問題，加快蘇浙皖滬三省一市經濟的協同發展，提高區域整體的綠色技術創新效率。同時政府相關管理部門應建立健全綠色技術創新科學考核體系，綜合考核各省市先進制造業的綠色技術創新績效，促進科技、經濟與生態三者的全面協調可持續，進而實現先進制造業的高質量發展。

參考文獻：

[1] 李玉婷，祝志勇.? 制度供給與中國地區綠色創新效率[J].北京理工大學學報（社會科學版），2019，21（1）：50-58.

[2] 黃燁菁. 何為“先進制造業”？——對一個模糊概念的學術梳理[J]. 學術月刊， 2010（7）：87-93.

[3] 于波， 李平華. 先進制造業的內涵分析[J]. 南京財經大學學報， 2010（6）： 23-27.

[4] 李金華.中國先進制造業技術效率的測度及政策思考[J].中國地質大學學報（社會科學版），2017，17（4）：104-116.

[5] Ernest Brawn， David Wield. Regulation as a Means For the Social Control of Technology [J]. Technology Analysis & Strategic Management， 1994， 6（3）： 259-272.

[6] 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.

[7] Costantini V， Crespi F， Palma A. Characterizing the policy mix and its impact on eco-innovation： A patent analysis of energy-efficient technologies[J]. Research Policy， 2017， 46（4）：799-819.

[8] 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.

[9] Barros C P ， Liang Q B ， Peypoch N. The technical efficiency of US Airlines[J]. Transportation Research Part A， 2013， 50：139-148.

[10] 張峰，史志偉，宋曉娜，等.先進制造業綠色技術創新效率及其環境規制門檻效應[J].科技進步與對策，2019，36（12）：62-70.

[11] Zailani S， Iranmanesh M， Nikbin D， et al. Determinants and environmental outcome of green technology innovation adoption in the transportation industry in Malaysia[J]. Asian Journal of Technology Innovation， 2014， 22（2）：286-301.

[12] 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.

[13] 朱建峰，郁培麗，石俊國.綠色技術創新、環境績效、經濟績效與政府獎懲關系研究——基于集成供應鏈視角[J].預測，2015，34（5）：61-66.

[14] 曹霞，張路蓬.企業綠色技術創新擴散的演化博弈分析[J].中國人口·資源與環境，2015，25（7）：68-76.

[15] 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.

[16] 張洪潮，李芳，張靜萍.資源型區域工業企業兩階段技術創新效率評價——基于綠色增長視角[J].科技管理研究，2017，37（8）：69-76.

[17] 劉旭紅.區域工業綠色發展水平評價指標體系框架設計[J].廣西財經學院學報，2017，30（4）：50-56.

[18] 肖黎明，張仙鵬.強可持續理念下綠色創新效率與生態福利績效耦合協調的時空特征[J].自然資源學報，2019，34（2）：312-324.

[19] Guan J， Chen K. Modeling macro-R&D production frontier performance： an application to Chinese province-level R&D[J]. Scientometrics， 2010， 82（1）： 165-173.

[20] 祝麗云，何楓，張慶芝，等.考慮非期望產出的網絡SBM-DEA效率評價模型[J].統計與決策，2015（11）：56-58.

[21] 黃奇，苗建軍，李敬銀，等.基于綠色增長的工業企業技術創新效率空間外溢效應研究[J].經濟體制改革，2015（4）：109-115.

[22] 朱有為，徐康寧.中國高技術產業研發效率的實證研究[J].中國工業經濟，2006（11）：38-45.

[23] 方福前，張平.我國高技術產業的投入產出效率分析[J].中國軟科學，2009（7）：48-55.

[24] 吳東，吳曉波.技術追趕的中國情境及其意義[J].自然辯證法研究，2013，29（11）： 45-50.

[25] 韓晶.中國區域綠色創新效率研究[J].財經問題研究，2012（11）：130-137.

[26] 何強，孔芳霞，文傳浩.綠色創新對水生態文明建設的空間溢出效應——基于2004—2018年我國30個省的面板數據[J].浙江樹人大學學報（人文社會科學），2020，20（3）：48-56+78.

[27] 孫金秀.我國現代流通業與先進制造業協同性測度與評價研究[J].商業經濟與管理，2016（6）：15-24.

[28] Chung Y H， Fare R， Grosskopf S. Productivity and Undesirable Outputs： A Directional Distance Function Approach[J]. Journal of Environmental Management， 1997，51（3）：229-240.

[29] Tone K， Tsutsui M. Network DEA： A slacks-based measure approach[J]. European Journal of Operational Research， 2009， 197（1）：243-252.

[30] Malmquist S. Index numbers and indifference surfaces[J]. Trabajos De Estada， 1953，4（2）：209-242.

[31] Rolf F， Grosskopf S， Norris M， et al. Productivity Growth， Technical Progress， and Efficiency Change in Industrialized Countries[J]. American Economic Review，1994，84（1）：66-83.

[32] 程婷，許振曉.長三角地區人才政策協同化發展的問題及對策[J].浙江樹人大學學報（人文社會科學），2020，20（6）：63-71.

責任編輯：孔慶洋