長三角城市群工業綠色創新效率時空發展特征及動態演變分析

馬志強 王琰 蘇佳璐

摘 要：以長三角城市群為研究對象，通過構建包含非期望產出的超效率SBM-DEA模型，對2010-2020年長三角城市群41個城市的工業綠色創新效率進行測度，考察其空間分布和動態演進情況。結果表明：①在時序發展上，長三角城市群工業綠色創新效率總體上呈波動上升趨勢；②在空間演變上，綠色創新效率整體呈現空間不均衡分布，其中，東南區域和西北區域的綠色創新效率提升顯著；③長三角城市群工業綠色創新效率總體呈正相關性，且存在顯著的“高高—高效型”和“低低—低效型”各自集聚的空間結構特征，時空躍遷表現出較強的空間穩定性。

關鍵詞：工業綠色創新效率；Super-SBM模型；動態躍遷；長三角城市群；時空特征

DOI：10.6049/kjjbydc.2022030707

中圖分類號：F127.5

文獻標識碼：A

文章編號：1001-7348（2023）07-0057-11

0 引言

隨著我國城市化進程不斷加快，城市群已成為新時期城市和區域空間組織的重要形式，在我國經濟發展、創新驅動和產業集聚過程中發揮著愈發重要的作用［1］。長三角城市群作為我國發展水平最高的城市群之一，在推動長三角工業化和城市化快速發展的同時，已成為資源短缺、環境污染和生態破壞等問題高度集中的地區［2］。因此，協調生態文明與經濟增長關系是實施可持續發展戰略的關鍵［3-4］。綠色創新不僅是促進我國可持續發展的有效途徑［5］，也是各地經濟發展的新增長點。習近平總書記要求“長三角城市群率先形成新發展格局”“必須深刻認識長三角區域在國家經濟社會發展中的地位和作用”。因此，長三角城市群作為中國城市群發展的龍頭，推動長三角綠色創新發展對引領全國高質量發展、建設現代化經濟體系意義重大。工業企業是技術創新活動的主要承擔者，引導工業企業大力開展綠色創新活動更有利于城市群的綠色創新發展。基于此，本文首先構建長三角城市群工業綠色創新效率評價指標體系，然后運用基于非期望產出的超效率SBM-DEA模型測度綠色創新效率，最后采用全局和局部莫蘭指數探究長三角城市群工業綠色創新效率時空分布的動態演化，以期為提升長三角城市群工業綠色創新水平、推動城市差異化發展、促進創新型城市群建設提供參考。

1 文獻回顧

綠色創新效率是衡量一個地區綠色發展水平的重要指標，掌握綠色創新效率時序特征和演變規律有助于推動區域綠色創新發展。目前針對綠色創新效率的研究主要涉及3個方面：首先是綠色創新效率概念界定，如趙琳和范德成［6］認為綠色創新效率是創新質量的綠色指標；喬元波和王硯羽［7］認為綠色創新效率是在綠色發展理念下以較少的創新投入獲得更多的創新產出。隨著研究的進一步發展，對綠色創新效率的理解更加強調“創新”和“環境效益”的雙重屬性，如劉佳和宋秋月［8］將資源要素、創新要素投入與資源環境產出之間的比例關系作為衡量綠色創新發展水平的重要指標。其次是綠色創新效率評價，學者們對評價指標體系的構建盡管存在一定差異，但大多選取人力、資本投入等作為投入指標，在期望產出指標上往往從不同效益角度來考慮。如羅良文和梁圣蓉［9］從創新效益和經濟效益兩個方面設計期望產出指標；而孫燕銘和諶思邈［10］在此基礎上，進一步考慮了環境效益。在綠色創新效率測度方面，大多采用隨機前沿分析法和數據包絡分析法。如肖黎明等［11］采用超越對數和產出距離函數的隨機模型測算我國省際綠色創新效率。近年來，數據包絡分析法的使用較廣泛，學者們采用投入產出模型對綠色創新效率進行系統評價。如黃杰和金華麗［12］運用窗口DEA模型對省際綠色創新效率進行測度；孫振清等［13］采用三階段DEA方法測度京津冀、山東半島、長三角和珠三角城市群四大城市群協同創新效率。隨著研究的不斷深入，段永峰等［14］認為傳統的DEA模型在測度時未考慮到要素的“松弛”問題，為了細化單元效率的差異，采用基于非期望產出的SBM-DEA模型測算我國省域綠色創新與綠色發展效率，并對兩者進行對比分析。學者們為科學評價區域綠色創新效率使用了不同方法，但由于模型選取和指標體系構建不同，測度結果存在較大差異。

由于區域發展水平、資源稟賦等因素影響，綠色創新效率在空間分布上具有差異性，學者們進一步針對區域層面展開綠色創新效率的時空演變特征分析。已有較多學者基于省際層面研究發現，我國綠色創新效率呈顯著的時空分異特征［15］［16］。少數研究具體分析了我國發達區域的綠色創新效率。如有研究表明，長江經濟帶城市間綠色創新效率的正空間相關性愈發顯著，局部兩極分化現象加?。◤堥L江等，2022）。在城市群層面，董會忠等［17］發現，粵港澳大灣區綠色創新效率具有顯著的空間負相關性，且空間分布的穩定性較弱；潘春苗等［18］通過對我國三大城市群進行對比分析，發現各城市群在空間布局上有所差異，且城市間協同創新發展不平衡。針對長三角城市群，已有學者研究發現，該區域綠色創新績效參差不齊，空間分異特征明顯，城市綠色創新發展水平整體偏低［19］。

通過對已有文獻的歸納和總結可以發現：①從研究視角來說，已有文獻針對綠色創新效率的分析大多聚焦于省級、工業企業層面，少有研究聚焦于城市群層面，同時，針對長三角城市群工業綠色創新效率的研究局限于26個城市，隨著經濟高速發展，越來越多的城市融入到區域一體化發展之中，至2019年長三角城市群已擴容到三省一市共41個城市；②在綠色創新效率指標體系的構建上，大多數研究在投入指標的選取上只考慮人力和資本兩個要素，忽略了資源要素對綠色創新效率的影響；③在空間自相關分析方面，以地級市為單元分析空間格局演變的文獻較少，且現有研究大多停留在描述層面，少有在城市群層面對工業綠色創新效率進行動態躍遷分析。

2 研究方法與數據來源

2.1 研究方法

2.1.1 非期望產出的超效率SBM-DEA模型

綠色創新效率是考慮了環境污染的組織創新活動的投入產出比，其反映了單位創新投入對產出的貢獻。目前針對城市綠色創新效率的測度多采用數據包絡分析方法。相比于傳統的DEA模型［20-21］，多數研究采用由Tone（2001）提出的SBM模型（Slacks-based Measure）來克服變量松弛問題［22］。然而，該模型無法對多個決策有效的單元進行深入評價以區分它們的效率值?；诜瞧谕a出的超效率SBM-DEA模型有助于解決該問題，既能實現有效決策單元對比，又能解決存在非期望產出情況下的效率評價問題。該方法將每個城市視作單一決策單元，并考慮了城市在創新進程中會產生三廢等非期望產出，使得測度結果更貼近綠色創新本質。然而，Tone并沒有給出包含非期望產出的SBM超效率模型計算式，于是成剛［23］在此基礎上作出了完善，給出包含非期望產出的SBM超效率模型為：

minρ=1+1m∑mi=1s－ixik1－1q1+q2∑q1r=1s+ryrk+∑q2t=1sb－tbtk（1）

其滿足如下約束條件：

∑nj=1，j≠kxijλj－s－i≤xik∑nj=1，j≠kyrjλj+s+r≥yrk∑nj=1，j≠kbtjλj－sb－t≤btk1－1q1+q2∑q1r=1s+ryrk+∑q2t=1sb－tbtk>0λ，s－，s+≥0i=1，2…，m;r=1，2…，q;j=1，2…，n（j≠k）（2）

式中：ρ為綠色創新效率值，xik，yrk，btk分別表示投入、期望產出和非期望產出，s－i，s+r，sb－t分別是投入、期望產出和非期望產出的松弛變量，λ是決策單元的權重向量，m表示投入指標數量，q1和q2分別表示期望產出指標個數與非期望產出指標個數。

2.1.2 空間相關性檢驗

（1）空間權重矩陣構建?？紤]到空間效應隨距離增加而降低，選用基于平方倒數的反距離權重矩陣進行空間權重矩陣的構建，具體表達式如下：

wij=1dij2，i≠j;0，i=j;

（3）

其中i，j=1，2…n為空間單元，dij為空間單位的地理距離。

（2）全局空間自相關指數。采用全局Moran's I指數來檢驗長三角城市群的空間分布特征，其公式如下：

Global Moran's I=∑ni=1∑nj=1wijxi－x-xj－x-s2∑ni=1∑nj=1wij（i≠j） （4）

式中，i和j分別代表兩個都市，n是城市數量，s2表示方差，xi和xj為綠色創新效率水平，wij是空間權重矩陣。莫蘭指數的取值范圍為［-1，1］，莫蘭指數大于0，則表示正自相關，即高值與高值相鄰、低值與低值相鄰；莫蘭指數小于0，則表示負自相關，即高值與低值相鄰。

（3）局部空間自相關指數。為了衡量區域與相鄰區域的空間相關特征，通常使用局部空間自相關指數進行測算，其公式為：

Local Moran's I=xi－x-∑nj=1wijxi－x-s2（5）

Local Moran's I的取值范圍為［-1，1］，通常用Moran's I散點圖表示。

2.1.3 指標體系構建

對長三角城市群工業綠色創新效率進行測度，既要考慮資源節約與環境改善，還要體現生產活動的創新性。本文借鑒李昊等［24］的方法，充分考慮指標科學性和數據可獲得性，從投入和產出兩個維度構建綠色創新效率評價體系，具體如表1所示。

（1）投入指標。①人員投入，借鑒Li等［25］和丁顯有等［26］的做法，使用規模以上工業企業R&D人員數表示；②資本投入，綜合肖振紅和李炎［27］的研究，選擇規模以上工業企業R&D經費內部支出衡量資本投入；③能源投入，借鑒王問藶等［28］的做法，采用全社會用電量表示。

（2）產出指標。①期望產出，考慮到綠色創新活動帶來的效益，借鑒肖仁橋等［29］的研究，分別使用3種專利授權總量和規模以上工業企業新產品銷售收入表示創新效益與經濟效益，3種專利授權總量可以體現創新能力與成果轉化情況，新產品銷售收入能夠反映企業將研發成果轉化為經濟效益的能力；②非期望產出，為了體現長三角城市群綠色創新效率的綠色性，同時，考慮到環境污染狀況，非期望產出由工業二氧化硫排放量、工業煙粉塵排放量和工業廢水排放量3個指標構成［30］。

2.2 數據來源

在保證數據可靠性和連續性的基礎上，以2010-2020年長三角城市群41個城市為研究對象，數據來源于各類統計年鑒，具體包括《中國統計年鑒》《中國城市統計年鑒》，以及上海、南京、蘇州等城市《統計年鑒》。由于部分數據缺失，除咨詢相關統計局外，還通過線性插值法進行補充。表2是長三角城市群樣本的描述性統計分析結果。

3 長三角城市群工業綠色創新效率評價分析

3.1 長三角城市群工業綠色創新效率比較分析

使用基于非期望產出的超效率SBM-DEA模型，得到長三角城市群41個城市2010-2020年的綠色創新效率值，具體如表3所示。

從總體來看，最低效率均值為2020年的0.731，最高效率均值為2018年的0.908。效率均值從2010年的0.830到2019年的0.897，整體呈上升趨勢，2020年長三角城市群受到疫情帶來的外部沖擊，效率值有所下滑，其效率值僅為0.73，為2010-2020年的最低水平。雖然2020年效率值較低，但從整體上看，近年來長三角城市群綠色創新水平逐步提升，綠色創新環境向好，綠色創新能力穩步提升，說明從2010年國務院正式批準實施《長江三角洲地區區域規劃》到2019年《長江三角洲區域一體化發展規劃綱要》正式印發，在中央政策的科學指引下，長三角城市群以創新為引導的區域產業和協同創新體系逐步成熟，生態環境質量持續改善。具體為：2010-2013年全球經濟增長緩慢、我國處于宏觀政策深度調整中，由“十一五”規劃到 “十二五”規劃，經濟發展進入結構調整、轉型升級的關鍵時期，此時長三角城市群綠色創新效率均值有所下降；2014-2015年國務院發布了《國務院關于依托黃金水道推動長江經濟帶發展的指導意見》，長三角地區政府積極落實各項政策，使得綠色創新效率穩步提升；2016年國家更加注重推動長三角地區三省一市產業融合和創新發展，此階段效率均值略有下降；2017-2018年各城市加大開發力度，綠色創新效率實現持續提升，效率均值穩步上升，2019年效率值雖有輕微波動，但總體仍保持較高水平；2020年受疫情影響，大多數城市停工停產，綠色創新活動無法開展，導致效率值大幅下降。

從城市層面來說，2010-2020年南京、鹽城、泰州等9個城市綠色創新效率呈上升趨勢，表明這些地區能夠通過技術創新、結構性轉型、節能減排等一系列手段積極適應政策調整，靈活實現資源的有效配置。麗水、宿州、溫州等10個城市綠色創新效率趨于穩定，可能原因為：第一，麗水、宿州、舟山等城市發展較落后，但是環境效益較好，雖然工業綠色創新在國家政策下取得了長足進步，但相較于整體綠色創新效率并沒有起到重要推動作用；第二，嘉興、溫州、合肥等城市綠色創新資本、人力和資源投入與其經濟、創新產出情況趨于一致，相比之下，上海、蘇州等城市除受國內宏觀政策深度調整等因素影響產生一定波動外，綠色創新效率始終保持較高水平。

從省域和直轄市層面來看，如圖1所示，2010—2019年各省域工業綠色創新效率均值隨時間變化呈波動上升趨勢，且增長幅度較小，變化趨勢整體上呈現出高度一致性，2020年工業綠色創新效率受疫情影響大幅下降，除上海增長外，其余三省效率均值都出現了不同程度的下降。其中，安徽效率均值下降幅度明顯，其原因可能是安徽相較于江蘇、浙江和上海，工業相對落后，其工業綠色創新水平更易受到外界環境的沖擊。各省域效率均值在2014或2015年都出現了一個小高峰，可能與此時國家政策側重于長三角城市群發展有關。上海作為長三角城市群的龍頭城市，一枝獨秀，明顯高于長三角城市群均值和其它省域均值，浙江均值除2011年低于安徽均值外，其余年份均高于安徽與江蘇均值。除2020年外，江蘇均值都低于安徽均值，原因可能是：江蘇較多城市的創新投入規模大，在產業結構升級的同時往往忽視了生態文明建設，“三廢”排放量較大，環境污染問題突出，綠色發展緩慢，導致較多城市效率值偏低。而安徽較多城市的自然資源較豐富，同時，工業企業較少，創新投入小且非期望產出少，其綠色基礎在一定程度上彌補了創新方面的劣勢，使得部分城市的效率值高于江蘇部分城市。從整體上看，安徽均值與長三角城市群均值最接近。

3.2 長三角城市群工業綠色創新效率格局演變分析

本文選取2010年、2013年、2016年和2019年4個節點，運用Arcgis軟件將數據可視化，基于自然斷裂法對綠色創新效率進行分類，進一步研究工業綠色創新效率格局演變特征。

如圖2所示，工業綠色創新效率整體上呈現空間不均衡分布。其中，東南區域和西北區域的綠色創新效率提升明顯，由低水平、較低水平轉向較高水平、高水平的城市越來越多，到2019年有21個城市達到較高水平、高水平。其主要原因是自2010年發布《長江三角洲地區區域規劃》以來，各地紛紛優化產業布局，積極推動區域綠色創新協同發展，使得2013年出現“百花齊放”的局面，有17個城市達到高效率水平，僅4個城市為低效率水平。2013-2016年長三角城市群注重綠色創新高質量發展，促進了產業結構化升級，制定了更為嚴格的環境規制政策，效率值有所下降，不少高效率城市又轉回較高效率城市，僅黃山、池州和亳州為高效率城市。2019年只有黃山為高效率城市，徐州、連云港、鹽城和馬鞍山效率值仍處于低水平，但長三角城市群整體綠色創新效率值不斷上升，且城市間效率值差距不斷縮小。

黃山、上海、蘇州等12個城市一直保持較穩定的高效率、較高效率水平，綠色創新效率高的城市多沿長江或沿海岸線分布，東南區域的“蘇州—上海—杭州—寧波—嘉興”連線城市創新能力突出，空間上呈“大”字形分布，其它綠色創新效率高的地區為池州、亳州等發展較落后的城市。南京、滁州、淮北、泰州等綠色創新效率水平有明顯進步，說明這些城市不僅經濟建設表現突出，而且生態文明建設較好，兩者協調發展。上海作為長三角地區的核心城市，能夠帶動周邊城市創新發展，使得周邊的嘉興、南通等保持較高水平。而常州、南通、無錫作為傳統的制造業大市，在面臨企業結構轉型、節能減排問題時，關鍵核心技術缺乏，與其它城市相比，綠色創新效率處于落后階段。馬鞍山的鋼鐵產業為支柱產業，在重視生態保護和環境治理的背景下，企業轉型較慢，導致其綠色創新效率不高。蘇北一些城市如徐州、連云港、宿遷的綠色創新效率一直處于低水平態勢，可能的原因是在追求經濟快速增長的同時忽視生態文明建設，綠色發展的驅動力不足。

3.3 長三角城市群工業綠色創新效率空間躍遷分析

本文進一步采用Moran's I指數探究長三角城市群區域空間聯系和差異程度，根據Moran's I指數計算公式，利用Stata軟件測度2010—2020年長三角城市群41個城市工業綠色創新效率的全局Moran's I指數，結果如圖3所示。

由圖3可知，由于2013年國家規劃調整和經濟形勢復雜導致莫蘭指數為負值，除2013年外，其余年份長三角城市群工業綠色創新效率的莫蘭指數基本上均大于0，表明長三角城市群綠色創新效率總體上存在正空間相關性，地理鄰近城市的綠色技術創新效率相近，且大多數年份的莫蘭指數值均在10%的置信水平下顯著，拒絕了空間不相關的原假設。從時間序列上看，2010—2020年莫蘭指數波動較大，2010—2013年呈下降趨勢，2013—2015年快速上升，達到莫蘭指數最大值0.057，2015—2017年又繼續下降，2017—2020年呈持續上升趨勢。通過趨勢圖可以發現，總體上長三角城市群工業綠色創新效率的莫蘭指數緩慢下降并逐漸趨于0，長三角城市群41個城市的空間相關性有所減弱。

為深入探討長三角城市群工業綠色創新效率的時空動態演化規律，運用Stata軟件得出2010年、2015年、2019年、2020年長三角城市群工業綠色創新效率的散點圖，結果如圖4所示。

通過Moran's I散點圖可以看出，散點集中分布在第一（高高-高效型）、第二（低高-空心型）和第三象限（低低-低效型）。從局部角度可以看出，第一、三象限的點明顯多于第二、四象限的點，即“高高-高效型”“低低-低效型”城市較“高低-極化型”“低高-空心型”城市更多，表明綠色創新效率值高（低）的城市在空間上更集聚。從差異角度來說，2010年和2015年“高高-高效型”與“低低-低效型”城市集聚較顯著，說明此時空間差異較小，2015年第一象限的散點數明顯多于其余象限，說明長三角城市群存在較集中的高效率地區，且綠色創新效率具有較強的區域異質性失衡特征。2019年位于第二象限的散點相比2010年、2015年明顯增多，表明長三角城市群工業綠色創新效率的空間溢出效應有所增強。2020年位于第一、三象限的散點較2019年出現大幅波動，空間溢出效應減弱。

表4是2010、2015、2019、2020年長三角城市群工業綠色創新效率象限分布，從象限的城市分布情況來看，位于第一、三象限的城市占比近60%，說明空間差異較小。2010、2015、2019年第一象限城市數量基本保持穩定，第三象限城市數量逐漸減少，到2019年“低低-低效型”城市數量減少到8個，證明部分城市的綠色創新效率得到提升。2020年受疫情影響，僅10個城市位于第一象限，較其它年份出現大幅減少，“高高-高效型”城市集聚數減少，而“低低-低效型”城市集聚數增加。上海、杭州、溫州等城市一直處于第一象限，絕大部分年份的局部莫蘭指數為正值，且表現出與周邊城市的正相關性。進一步考察位于第二象限“低高—空心型”、第四象限“高低—極化型”的非典型地區，這兩類城市數量相對較少。對于處于第二象限（低高—空心型）的城市來說，如何促進城市間人力、資本等要素流動，引導產業合理布局以及加強生態環境協同監管是亟需解決的問題。皖北和蘇北一些城市未與高綠色創新效率城市相鄰，難以有效吸納其空間溢出效應，成為效率“洼地”。對于第四象限（高低—極化型）的城市來說，自身綠色創新效率較高，輻射帶動作用有限，對周邊城市的空間溢出效應較弱。

利用Rey&Janikas［31］的時空分析法對Moran's I散點圖作進一步分析，鑒于2020年受疫情影響，無論是經濟增長還是創新能力提升均受到較大的外部沖擊，因而偏離了正常發展軌跡，為準確把握長三角城市群綠色創新發展規律，選擇2010年、2019年兩個年份進行時空躍遷分析，具體如表5所示。可以發現，屬于類型Ⅰ的有4種途徑：第一種是高效型向極化型躍遷，代表城市是蘇州和湖州。蘇州周邊城市如無錫、南通都是制造業大市，隨著國家規劃政策的調整，周邊城市產業處于調整和優化狀態，因此周邊城市的綠色創新效率提升較緩。相比之下，蘇州有著人力、資源、資本優勢，具有較強的創新驅動力，綠色創新效率能夠保持較高水平。第二種是極化型向高效型躍遷，代表城市有合肥和亳州，合肥作為安徽省的省會城市，對周邊城市能夠產生溢出效應，帶動周邊城市綠色創新發展。第三種是低效型向空心型躍遷，代表城市有淮北、徐州等4個城市，這些城市綠色創新發展滯后，在長三角城市群協同創新發展中出現脫節，進而與周邊城市形成“低高—空心型”集聚。第四種是空心型向低效型躍遷，代表城市是常州和鹽城，這兩個城市由于受到虹吸效應的影響，同時，與宣城、馬鞍山等綠色創新效率不高的城市相鄰，在綠色創新發展中面臨難題。屬于類型Ⅱ的躍遷路徑主要包括3種：第一種是高效型與低效型間的躍遷，代表城市是無錫，該躍遷是近年城市產業結構調整導致綠色創新效率下降的結果。第二種是低效型與高效性型間的躍遷，代表城市是安徽的兩個城市，即淮南和宿州，說明安徽所有城市加入長三角城市群后對安徽省發展有利。第三種是空心型到極化型的躍遷，代表城市是南京和泰州，南京的綠色創新效率逐年提升，超過了周邊城市，由虹吸效應逐漸轉變成溢出效應。第四種是從極化型到空心型的躍遷，代表城市是馬鞍山，該市在2010年綠色創新效率較高，在周邊城市不斷提升綠色創新效率的同時其鋼鐵產業面臨環境規制和結構轉型等一系列制約。屬于Ⅲ類型的有4種途徑：第一種是從高效型到空心型的躍遷，代表城市有南通、宣城和蕪湖，這些城市躍遷是由周圍城市如合肥、杭州發展較快，而自身發展較慢導致的。第二種是從空心型到高效型的躍遷，代表城市是衢州和銅陵，兩個城市通過吸納周圍綠色創新效率較高城市的溢出資源，不斷優化自身資源配置與利用，使自身得到良好發展，從而躍遷為高效型。第三種是從低效型到極化型的躍遷，未有城市發生。第四種是從極化型到低效型的躍遷，只有連云港，其原因可能是該市缺乏創新活力，未能保持綠色創新高效率。其余19個城市屬于Ⅳ類型，即未發生躍遷。

由此可見，長三角城市群工業綠色創新效率具有明顯的空間聚集性和流動性，時空躍遷表現出高度的空間穩定性，約1/2的城市未脫離原來的集聚范疇。在發生躍遷的路徑中，從低效型躍遷到空心型的城市最多，達到4個，說明這些城市的綠色創新效率雖然不高，但其周圍城市是能夠突破自身發展困境、實現更高效率的。

4 結論與對策建議

4.1 主要結論

本文從綠色創新效率的本質和內涵出發，構建評價指標體系，基于2010-2020年長三角城市群41個城市的空間面板數據，運用基于非期望產出的超效率SBM-DEA模型對長三角城市群工業綠色創新效率進行測度，同時，通過全局空間自相關性分析方法探究其格局演變和空間關聯性。研究結論如下：

（1）從時序發展上看，長三角城市群工業綠色創新效率整體上呈現“W”型波動趨勢。從城市層面來看，南京、鹽城、泰州等9個城市綠色創新效率整體呈上升趨勢，麗水、宿州、溫州等9個城市的綠色創新效率趨于穩定，而其余城市都存在明顯波動，城市異質性顯著。

（2）從空間演化格局上看，長三角城市群工業綠色創新效率整體上呈現空間不均衡分布，高效率城市主要集聚在東南部和西北部區域，從2010—2019年由幾個核心城市逐漸拓展，東南部和西北部的高效率城市逐漸增多，中部和北部城市的效率值也在上升，但相對其它城市仍存在差距，2020年低效率城市明顯增多，且大多集中于淮北和蘇北一帶。工業綠色創新效率總體上呈正相關性，地理鄰近城市的綠色技術創新效率值相近，隨著時序發展長三角城市群41個城市的空間相關性減弱。同時，工業綠色創新效率存在明顯的“高高—高效型”和“低低—低效型”集聚的空間結構特征，時空躍遷表現出較高的空間穩定性，溢出效應與虹吸效應并存，即長三角城市群工業綠色創新效率具有明顯的空間聚集性和流動性。

已有研究［32］對長三角城市群26個城市進行了分析，通過與其研究結果對比，發現綠色創新效率整體波動趨勢相同，但城市間的異質性明顯增強，無論是26個城市還是41個城市，都可以看出，長三角城市群一體化進程不斷推進，城市間差距不斷縮小，工業綠色創新效率都朝著協同化方向演進。

4.2 對策建議

（1）在國家層面統籌長三角城市群發展戰略，各地區要合理制定相關政策，促進長三角城市群綠色創新協同發展，提升區域聯動發展水平。上海、蘇州等綠色創新發展較好城市，應加強與宣城、鹽城等城市的合作幫扶工作。在科技產業創新協同上，政府要協同推進科技成果轉移轉化，構建開放的技術研發平臺，加大研發補貼力度，促進技術交易市場互聯互通。在生態環境共保聯治上，科學有序推進碳達峰碳中和，改善發展所需的外部環境，推進無廢城市建設。面對后疫情時代，長三角城市群更需充分發揮區域合作優勢，優化綠色創新發展途徑，使長三角城市群形成合力，防范和抵御疫情沖擊。

（2）長三角城市群發展應做到因地制宜，各級政府應探索出一條適合本地綠色創新發展的道路。對高效率、較高效率城市而言，需要明確自身優勢所在，如黃山、池州等城市，生態資源較好，其效率更偏重綠色方面，應加強水權、水排污權、林業碳匯線上交易，推動打造區域性綠色生態產品交易中心，不斷創新生態產品轉化途徑。對上海、蘇州等城市而言，技術進步是提升綠色創新效率的關鍵，需加大綠色創新技術研發力度，提升綠色創新要素利用率和成果轉化率，向周邊城市推行綠色創新技術和科學的管理模式，充分發揮區域知識溢出效應，以點帶面，帶動周邊城市的綠色創新發展。對低效率、較低效率城市而言，要積極實現產業結構轉型與升級，從污染型、高能耗型產業結構轉向可持續發展產業，提升能源利用效率。政府要出臺一系列專項扶持政策鼓勵綠色創新及市場應用，同時向高效率地區借鑒綠色發展經驗，加強合作和資源共享，逐步縮小城市間差距。

（3）政府要充分重視長三角城市群時序發展特征和空間演化格局。考慮到地區綠色創新發展的不均衡性和空間關聯性，給予低效率、較低效率城市更多關注和政策支持，同時，重點關注Moran's I散點圖中“低低—低效型”城市，充分挖掘這些城市的綠色創新能力，對產業集聚進行合理規劃，制定統一的環境規制政策，幫助這些地區脫離綠色創新發展困境。對“高低—極化型”“低高—空心型”城市而言，區域綠色創新協同發展尤為重要，需要強化城市間的空間關聯。綠色創新效率高的城市更需充分利用自身的輻射效應，形成知識溢出、技術溢出和人才溢出，促進城市間多中心、多層級、組團式發展，協調好都市圈與城市群關系，建立城市-都市圈-城市群的空間動力機制。

4.3 研究不足與展望

受數據搜集等客觀因素影響，本文構建的綠色創新效率評價體系還存在不足，有待完善。此外，在對長三角城市群綠色創新效率進行評價和分析的基礎上可以進一步探討影響長三角城市群綠色創新效率的因素，并分析其對綠色創新效率的空間溢出效應。

參考文獻：

［1］ 劉曉麗，方創琳. 城市群資源環境承載力研究進展及展望［J］.地理科學進展，2008，27（5）：35-42.

［2］ CHEN G， MORAWSKA L， ZHANG W， et al. Spatiotemporal variation of PM1 pollution in China［J］. Atmospheric Environment， 2018， 178：198-205.

［3］ HOOKER R E，SEMAN N，GOVINDAN K，et al. The mediating effect of green innovation on the relationship between green supply chain management and environmental performance［J］. Journal of Cleaner Production， 2020， 229：115-127.

［4］ TARIQ A，BADIR Y F，TARIQ W，et al. Drivers and consequences of green product and process innovation： a systematic review， conceptual framework and future outlook［J］. Technology in Society， 2017， 51：8-23.

［5］ FAN F，LIAN H，LIU X，et al. Can environmental regulation promote urban green innovation efficiency？ an empirical study based on Chinese cities［J］. Journal of Cleaner Production， 2020， 287（1）：125060.

［6］ 趙琳，范德成. 我國高技術產業技術創新效率的測度及動態演化分析——基于因子分析定權法的分析［J］.科技進步與對策，2011，28（11）：111-115.

［7］ 喬元波，王硯羽. 基于三階段DEA-Windows分析的中國省域創新效率評價［J］.科學學與科學技術管理，2017，38（1）：88-97.

［8］ 劉佳，宋秋月. 中國旅游產業綠色創新效率的空間網絡結構與形成機制［J］.中國人口·資源與環境，2018，28（8）：127-137.

［9］ 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.

［10］ 孫燕銘，諶思邈. 長三角區域綠色技術創新效率的時空演化格局及驅動因素［J］.地理研究，2021，40（10）：2743-2759.

［11］ 肖黎明，高軍峰，韓彬.中國省際綠色創新效率的空間溢出效應——同質性和異質性檢驗［J］.工業技術經濟，2018，37（4）：30-38.

［12］ 黃杰，金華麗. 中國綠色創新效率的區域差異及其動態演進［J］.統計與決策，2021，37（21）：67-71.

［13］ 孫振清，李歡歡，劉保留. 中國東部沿海四大城市群協同創新效率綜合測度及影響因素研究［J］.科技進步與對策，2021，38（2）：47-55.

［14］ 段永峰，頊文晴，羅海霞. 中國省域綠色創新效率與綠色發展效率耦合協調研究［J］.科技管理研究，2020，40（17）：235-243.

［15］ 吳旭曉.中國區域綠色創新效率演進軌跡及形成機理研究［J］.科技進步與對策，2019，36（23）：36-43.

［16］ 呂巖威，謝雁翔，樓賢駿. 中國區域綠色創新效率時空躍遷及收斂趨勢研究［J］.數量經濟技術經濟研究，2020，37（5）：78-97.

［17］ 董會忠，李旋，張仁杰. 粵港澳大灣區綠色創新效率時空特征及驅動因素分析［J］.經濟地理，2021，41（5）：134-144.

［18］ 潘春苗，母愛英，翟文.中國三大城市群協同創新網絡結構與空間特征——基于京津冀、長三角城市群和粵港澳大灣區的對比分析［J］.經濟體制改革，2022（2）：50-58.

［19］ 葛世帥，曾剛，楊陽，等.基于DEA-Malmquist和Tobit模型的長三角城市群綠色創新績效研究［J］.長江流域資源與環境，2022，31（4）：738-749.

［20］ CHARNES A，COOPER W W，RHODES E . Measuring the efficiency of decision-making units［J］. European Journal of Operational Research， 1978， 2（6）：429-444.

［21］ BANKER R D，CHARNES A，COOPER W W . Some models for estimating technical and scale inefficiencies in DEA［J］. Management Science， 1984， 32：1613-1627.

［22］ TONE K. A slacks-based measure of efficiency in data envelopment analysis［J］. European Journal of Operational Research， 2001， 130（3）：498-509.

［23］ 成剛. 數據包絡分析方法與MaxDEA軟件［M］.北京：知識產權出版社， 2014.

［24］ 李昊，范德成，張書華，等.我國區域綠色技術創新效率的分類測度和提升模式研究——基于非期望產出的SBM-SupSBM模型［J］.運籌與管理，2022，31（4）：184-189，203.

［25］ LI H，ZHANG J，EDWARD O，et al. Sustainable development of China's industrial economy：an empirical study of the period 2001—2011［J］. Sustainability， 2018， 10（3）：764.

［26］ 丁顯有，肖雯，田澤. 長三角城市群工業綠色創新發展效率及其協同效應研究［J］.工業技術經濟，2019，38（7）：67-75.

［27］ 肖振紅，李炎.知識產權保護、R&D投入與區域綠色創新績效［J］.系統管理學報，2022，31（2）：374-383.

［28］ 王問藶，時培豪，黃慶華.成渝地區雙城經濟圈綠色創新效率、演變趨勢與影響因素研究［J］.西南大學學報（自然科學版），2022，44（3）：172-182.

［29］ 肖仁橋，沈路，錢麗.“一帶一路”沿線省份工業企業綠色創新效率及其影響因素研究［J］.軟科學，2020，34（8）：37-43.

［30］ MANAGI S，KANEKO S . Economic growth and the environment in China： an empirical analysis of productivity［J］. International Journal of Global Environmental Issues， 2006， 6（1）：89-133.

［31］ REY S J，JANIKAS M V . Stars：space-time analysis of regional systems［J］. Geographical Analysis， 2006，38（1）：67-86.

［32］ 滕堂偉，瞿叢藝，胡森林，等.長三角城市群綠色創新效率格局分異及空間關聯特征［J］.華東師范大學學報（哲學社會科學版），2019，51（5）：107-117，239-240.

（責任編輯：胡俊?。?/p>

英文標題Spatial-temporal Development Characteristics and Dynamic Evolution of Industrial Green Innovation Efficiency in the Urban Agglomerations of Yangtze River Delta

英文作者Ma Zhiqiang， Wang Yan， Su Jialu

英文作者單位（School of Management， Jiangsu University， Zhenjiang 212013， China）

英文摘要Abstract：As one of the urban agglomerations with the highest level of economic development in China， the urban agglomerations of Yangtze River Delta has become an area with a high concentration of problems such as resource shortage， environmental pollution and ecological damage in promoting rapid development of industrialization and urbanization.Green innovation is an effective way to promote the sustainable development of urban agglomerations and coordinate the relationship between ecological civilization and economic growth. It is helpful to promote the green innovation development of urban agglomerations in the Yangtze River Delta by figuring out the temporal characteristics and evolution law of green innovation efficiency. Therefore， this study focuses on the urban agglomerations of the Yangtze River Delta， analyzes the spatial and temporal development characteristics and dynamic evolution process of their industrial green innovation efficiency，so as to further improve the industrial green innovation level of the urban agglomerations of the Yangtze River Delta， promote the differentiated development of various cities， and provide effective reference for promoting the construction of innovative urban agglomeration.

In this study， 41 cities in the Yangtze River Delta urban agglomerations are firstly taken as the research object to construct the industrial green innovation efficiency index system of the urban agglomerations of Yangtze River Delta. Secondly， the super-efficiency SBM-DEA model based on the undesired output is used to measure the industrial green innovation efficiency of the Yangtze River Delta urban agglomerations from 2010 to 2020. Through the construction of the inverse distance matrix， the global and local Moran's I are used to explore the spatial-temporal differentiation characteristics of industrial green innovation efficiency in the Yangtze River Delta urban agglomerations. Meanwhile， the Moran's I scatter plot is further analyzed according to the spatial-temporal analysis method， and the types and paths of its dynamic transitions are studied.

The results show that the measurement results of industrial green innovation efficiency in the urban agglomerations of the Yangtze River Delta show a fluctuation trend of "W" in general from the perspective of time series development， and the overall green innovation level of the urban agglomeration of the Yangtze River Delta gradually improves， except that the efficiency value decreases significantly due to the impact of the epidemic in 2020. On the spatial evolution pattern， there is an uneven distribution of green innovation efficiency on the whole space， and high efficiency main cities are gathered in the southeast and northwest area， with more cities of high-high and low-low are of agglomeration types. Besides there is a positive correlation of efficiency in general， and its spatial correlation decreases with time series development. The spatial leap shows high spatial stability， and the "spillover effect" and "siphon effect" coexist， while there are clear spatial aggregation and mobility.

Different from previous literatures， this study starts from the micro level of urban agglomeration in Yangtze River Delta. With the adjustment of national planning， the research object is expanded to 41 cities， enriching the research on urban agglomeration in the field of green innovation. At the same time， the influence of resource factors on green innovation efficiency is considered in the selection of input index. In terms of spatial auto-correlation analysis， the dynamic and transition analysis of industrial green innovation efficiency at urban agglomeration level is carried out， and the spatial evolution pattern of prefecture-level cities is analyzed as a unit， which has guiding significance for grasping the law of green innovation development in urban agglomeration. Future study is expected to explore the factors that affect the green innovation efficiency of the urban agglomerations of Yangtze River Delta， and analyze its spatial spillover effect on the green innovation efficiency.

英文關鍵詞Key Words：Industrial Green Innovation Efficiency; Super-SBM Model; Dynamic Transition; Urban Agglomerations of Yangtze River Delta; Spatial-temporal? Characteristics

收稿日期：2022-03-09? 修回日期：2022-06-06

基金項目：國家自然科學基金面上項目（72174076，71974081）；江蘇省研究生科研與實踐創新計劃項目（KYCX22_3589）

作者簡介：馬志強（1964-），男，江蘇鎮江人，博士，江蘇大學管理學院教授、博士生導師，研究方向為現代管理理論與方法；王琰（1998-），男，江蘇鎮江人，江蘇大學管理學院碩士研究生，研究方向為資源環境經濟；蘇佳璐（1995-），女，江蘇鎮江人，江蘇大學管理學院博士研究生，研究方向為技術經濟及管理。本文通訊作者：蘇佳璐。