我国高新技术产业绿色创新效率测度及影响因素分析

施雄天

（云南大学工商管理与旅游管理学院，云南 昆明 650500）

0 引言

过去产业粗犷式的发展，忽视环境保护和绿色创新技术的使用，导致环境污染严重，能源开采过度。而绿色技术创新这一概念正是在环境保护遭遇困境，迫切需要调整技术方向的时候出现的。Shu 等[1]认为，绿色技术创新是依靠科技手段从环保角度升级改造工艺，进而促进可持续发展的绿色化过程。在此背景下，我国政府提出要实现“碳达峰”“碳中和”的目标，其核心便是实现绿色可持续发展。高新技术产业作为先进制造业和工业的代表，需要依靠绿色技术创新来实现经济效率和环境效率的协调发展。本文通过对高新技术产业绿色创新效率的测度及影响因素分析，并进一步剖析近几年来我国高新技术产业绿色创新效率的变化，来探寻提升高新技术产业绿色创新效率的有效办法。

学者们对高新技术产业创新活动的研究主要集中在创新效率测度方面[2-5]。这些研究对于测度高新技术产业创新效率有重要的参考价值，但结合绿色发展背景，在测度创新效率的过程中，应关注高新技术产业在产出过程中的非期望产出问题，即环境约束问题。根据可持续发展的要求，高新技术产业在创新活动中关注创新产出的同时，还需要关注绿色发展和可持续发展。因此，一些学者转而研究高新技术产业绿色创新效率。目前，对于高新技术产业绿色创新效率的研究，主要集中在以下两方面。

一是高新技术产业绿色创新效率测度。在指标体系的构建方面，学者们在传统的高新技术产业创新活动的投入产出指标基础上，考虑了污染物排放。由于高新技术产业涵盖范围广，不同技术领域的污染物种类和排放途径差异很大，所以相对于传统产业，对高新技术产业污染物排放数据的搜集可能更加复杂和困难。由于高新技术产业污染物排放数据不能直接获得，一些学者选择用其他指标来代替。例如，李健等[6]选择区域SO2排放量作为高新技术产业污染物排放的非期望产出；姚孟超等[7]选择区域环境污染指数作为非期望产出。在测度方面，目前使用较多的是非期望产出SBM 模型[8-9]，以此来测度高新技术产业创新活动中的绿色创新效率。

二是高新技术产业绿色创新效率的影响因素分析。学者们对影响因素的探讨主要聚焦于产业环境和政府支持。王黎明等[10]研究发现，产业专业化集聚阻碍了高新技术产业绿色创新效率的提升；肖红军等[11]以沪深上市公司为例，研究发现地方产业政策对上市公司绿色创新效率有显著的促进效应；林澜等[12]以内资企业为例，认为外商直接投资产生的技术溢出可以促进企业绿色技术创新效率的提高。

综上，对高新技术产业绿色创新效率的研究已取得了不少有价值的成果，但也存在一些不足。第一，高新技术产业的创新活动具有价值流动性，且需要从研发投入和成果转化中体现，而较多的高新技术产业创新效率测度并没有反映高新技术产业的价值流动。第二，多数研究在测度非期望产出时运用的SBM 模型是静态的，需要结合动态测度才能全面反映高新技术产业绿色创新效率的变化。第三，在对影响因素进行分析时，容易忽略其对不同区域的异质性影响。

基于上述问题，本文的边际贡献可能有：①将污染物排放作为高新技术产业的非期望产出，进一步完善了高新技术产业绿色创新效率指标体系。②将高新技术产业绿色创新活动分成研发阶段和成果转化阶段两个阶段，通过SBM 模型和非期望产出的SBM 模型测度两个阶段的绿色创新效率值及指数分解，打破了将创新过程视为一个“黑箱”的局限，使测度结果更加真实；通过ML 指数测度，研究高新技术产业绿色创新效率的动态变化，补充了对效率指数分解的研究；同时，关注东、中、西部高新技术产业绿色创新效率的差异，不再局限于比较单个省（区、市）的效率值。③从整体和地区异质性出发，对高新技术产业绿色创新效率的影响因素进行分析，为提升高新技术产业绿色创新效率提供了科学的对策建议。

1 研究设计

1.1 指标体系构建及数据来源

根据创新价值链相关理论，将高新技术产业绿色创新活动分成研发阶段和成果转化阶段两个阶段，具体如图1所示。

图1 高新技术产业绿色创新效率两阶段示意图

高新技术产业研发阶段。由于还没有绿色创新型人员投入和经费支出相关数据，所以使用传统的创新投入指标。参考王洪庆和郝雯雯[13]、俞立平等[14]的做法，投入指标选取高新技术产业R&D 经费内部支出、高新技术产业R&D 人员投入、高新技术企业数；产出指标选取高新技术产业专利申请授权量和高新技术产业新产品开发项目。

高新技术产业成果转化阶段。将研发阶段的产出指标作为这一阶段的投入指标，能够反映出高新技术产业的经济效益转化程度。此外，本文还考虑了能源投入。由于没有高新技术产业能源消耗数据，所以参考郑程挺和吴淑芳[15]的做法，选取能源消费总量作为投入指标。高新技术产业创新活动会排放环境污染物。由于高新技术产业往往涉及先进的科学技术，其生产过程和排放特性可能相对独特，难以用传统的单个污染物排放标准来评估；而工业三废则更加综合，其包含废水、废气、固体废物等多种排放形式，能够更全面地反映产业的环境影响。结合陈松奕[16]的研究，本文选取工业三废排放量作为非期望产出。

最后，从产业环境和政府支持等角度选取影响因素。在参考李健等[6]、郭瑞和文雁兵[17]研究成果的基础上，选取环境规制、市场结构、政府投资、外商投资、劳动力素质、地区经济发展水平等6 个方面作为高新技术产业绿色创新效率的影响因素。各主要变量的指标描述见表1。

表1 我国高新技术产业绿色创新效率指标体系

数据选自2011—2020年我国各省（区、市）的面板数据，该时间跨度正好包含“十二五”“十三五”时期。其中，高新技术产业的数据主要来源于EPS 统计库、各年度《中国火炬统计年鉴》《中国科技统计年鉴》；影响因素中，环境规制数据来源于各年度《中国环境统计年鉴》，市场结构、政府投资数据来源于EPS 数据库，外商投资、劳动力素质、地区经济发展水平数据来源于各年度《中国统计年鉴》。

1.2 SBM模型

SBM 模型可测度多阶段的效率值，其特点是“非径向”“非角度”。本文将高新技术产业绿色创新活动分为两个阶段，研发阶段采用SBM 模型测度，其表达公式如下。

高新技术产业的创新活动会带来期望产出，同时由于生产过程中不可避免的污染物排放而产生非期望产出。所以，在成果转化阶段，采用非期望产出的SBM模型，其表达公式如下。

1.3 非期望产出的超效率SBM模型

由于评价中有效的决策单元数（DMU）过多，而采用超效率模型可以进一步区分其大小。所以，本文采用非期望产出的超效率SBM 模型，对整体高新技术产业绿色创新效率进行测度，其表达公式如下。

式（3）中，各参数变量与非期望SBM模型类似。

1.4 ML指数

ML（Malmquist-Luenberger）指数可对高新技术产业绿色创新效率进行动态测度。ML 指数可被分解为EC指数（技术效率变化指数）和TC指数（技术进步变化指数）。其中，EC 指数（技术效率变化指数）又可被进一步分解为PEC 指数（纯技术效率）和SEC指数（规模效率）。具体公式如下。

1.5 Tobit回归

Tobit 回归模型的优点是可以设置被解释变量的上限或下限，进而有效避免可能存在的被解释变量（绿色创新效率）不连续和有偏性的问题，具体公式如下。

2 高新技术产业绿色创新效率测度及影响因素分析

2.1 高新技术产业绿色创新效率静态测度结果分析

运用非期望产出的超效率SBM 模型，同时借助Matlab R2022b 软件对2011—2020年我国各省（区、市）（由于数据原因，西藏和港澳台地区除外）高新技术产业绿色创新效率进行测度，测度结果见表2。

表2 2011—2020年我国各省（区、市）高新技术产业绿色创新效率

由表2 可知，2011—2020年我国高新技术产业绿色创新效率总体上呈较小幅度的上升态势，效率值从2011年的0.667上升至2020年的0.797，十年来高新技术产业绿色创新效率平均值为0.693，高于0.500，说明我国整体高新技术产业绿色创新效率处于中上水平；分地区来看，效率值低于平均值的省（区、市）个数多于高于平均值的省（区、市）个数，说明各省（区、市）的高新技术产业绿色创新效率差异很大，仍有很大的提升空间。

从各省（区、市）高新技术产业绿色创新效率差异来看，平均值最高的是北京（1.498），其次是广东（1.291）。其中，北京各年度效率值都在1.300以上，说明其在高新技术产业科技创新投入和实际产出方面处在全国领先水平，在实现经济效益的同时又协调了环境发展；广东各年度效率值都在1.100 以上，说明其高新技术产业投入和产出情况达到了最优前沿面，但仍须进一步提升绿色创新效率。其次，海南、浙江、黑龙江、新疆的绿色创新效率平均值在1.000 以上，说明这些省（区、市）技术管理水平较高。其中，浙江是人才、技术集聚区，经济发达且创新环境良好，使得高新技术产业绿色创新效率处于领先水平；虽然海南、黑龙江、新疆地理位置较偏，经济欠发达，但其技术创新态势好且有一定的政策福利，因此取得了较好的经济和环境效益。排名靠后的是山西、辽宁、内蒙古，平均效率值在0.300 以下。这3个省（区、市）地理位置较偏远，产业结构相对传统，且相对于高新技术产业，绿色创新的发展较为滞后，导致高新技术产业边际产出水平低；但从总体趋势来看，3 个省（区、市）的绿色创新效率都呈现上升的趋势，并逐渐往排名靠前的地区靠拢。

从各地区高新技术产业绿色创新效率差异来看，2011—2020年东、中、西部高新技术产业绿色创新效率的平均值分别为0.875、0.475、0.671，呈现“东部＞西部＞中部”的特点。从东、中、西部高新技术产业绿色创新效率演变来看（见图2），整体平均值呈缓慢上升趋势；东部高新技术产业绿色创新效率经历了2011—2013年下降后，在2014—2020年间快速波动上升的过程；西部高新技术产业绿色创新效率经历了2011—2012年快速下降后稳步维持在0.600 以上水平的过程；中部高新技术产业绿色创新效率呈现波动中缓慢上升的趋势。由于中部高新技术产业绿色创新效率值较低，未来需要政策支持以提高中部整体高新技术产业绿色创新效率。东部高新技术产业绿色创新效率平均值远高于中部、西部效率平均值，且中西部效率平均值不仅低于整体平均值，还表现出增长幅度差异。其中，对西部来说，2012年和2017年是分水岭。2012—2017年西部高新技术产业绿色创新效率高于整体平均值，说明自西部大开发政策实施后，其高新技术产业绿色创新效率不断上升；而2017年后西部高新技术产业绿色创新效率低于整体平均值，且东部效率提升较快，说明西部与东部高新技术产业绿色创新效率差距变大。

图2 2011—2020年东、中、西部高新技术产业绿色创新效率演变

将高新技术产业绿色创新效率值分成4个等级：低（效率值在0.4 以下）、中低（效率值在0.4 至0.6 之间）、中高（效率值在0.6 至0.8 之间）、高（效率值在0.8 以上），具体见表3。对比2011年和2020年高新技术产业绿色创新效率等级分布发现，2020年低效率省（区、市）明显减少，由2011年的13 个减少至3 个，减少的省（区、市）大部分转入中低效率区，且2020年高效率的省（区、市）也明显增加。其中，北京、上海、江苏、浙江、广东、海南、黑龙江、青海、宁夏、新疆一直处于高效率区，天津、福建由中低效率区转入高效率区，山东、甘肃由低效率区转入高效率区。而山西、湖南、云南一直处于低效率区。究其原因，山西是重要的煤炭产出省份，资源丰富，目前仍是粗犷式经济发展模式；湖南、云南效率值远远低于全国平均水平，与其他省（区、市）相比，其忽视了对绿色技术创新的支持和使用，加上重视经济发展而忽视环境污染防治，所以接下来应更加重视绿色技术创新，以提升绿色创新效率。安徽从中高效率区转入中低效率区，四川、贵州由高效率区转入中低效率区。

表3 2011年和2020年高新技术产业绿色创新效率等级分布

综上，各省（区、市）经济实力、市场环境、地理因素等的不同造成了区域差异，使得高新技术产业发展不平衡，绿色创新效率也存在差异。从等级分布变化情况来看，中高效率区和高效率区未能带动低效率区和中低效率区的发展。因此，需要加强高新技术产业绿色创新效率区域协同发展，缩小各省（区、市）之间绿色创新效率的差距。

接下来，测度各阶段高新技术产业绿色创新效率。研发阶段采用SBM 模型，成果转化阶段采用非期望产出的超效率SBM 模型。将技术创新效率变化（TE 指数）分解为纯技术效率（PEC 指数）和规模效率（SEC 指数）。由表4 可知，整体上两阶段的纯技术效率值大于规模效率值，且大部分纯技术效率值大于1，说明高新技术产业绿色创新效率比较依赖纯技术效率水平，而规模效率不高是造成部分年份绿色创新效率值小于1的主要原因。因此，需要提升高新技术产业规模化水平，加大创新资源投入和研发投入。由图3可知，2012—2020年整体绿色创新效率呈波动上升趋势，研发阶段和成果转化阶段呈波动“V”形变化。研发阶段效率在2016年达到最大值，之后出现下降趋势；成果转化阶段效率在2015年降至最小值，之后呈波动上升趋势。与研发阶段相比，多数情况下成果转化阶段效率值更高，说明我国高新技术产业在成果转化阶段的效率值更容易上升，进而推动整体高新技术产业绿色创新效率呈上升趋势。

表4 两阶段高新技术产业绿色创新效率值及其分解

图3 各阶段高新技术产业绿色创新效率变化趋势

2.2 高新技术产业绿色创新效率动态测度分析

通过ML 指数模型测度高新技术产业绿色创新效率动态变化值。我国各省（区、市）高新技术产业ML指数及指数分解见表5。2012—2020年，我国高新技术产业绿色创新效率（ML 指数）整体平均值为1.226，年均增长约为22.6%，说明我国高新技术产业绿色创新效率整体发展趋势良好。但各省（区、市）由于经济实力、市场环境、技术发展水平等不同，高新技术产业绿色创新效率值存在差异。技术效率变化指数（EC）平均值为1.077，其中大于1 的省（区、市）有24 个，占比80%；技术进步变化指数（TC）平均值为1.139，年均增长约为13.9%，且各省（区、市）都大于1。

高新技术产业绿色创新效率增长显著的省（区、市）有吉林、内蒙古、宁夏，说明这3个省（区、市）的高新技术产业绿色资源配置和创新人员管理有所改善。甘肃效率值增长约为33.1%，虽然其地理位置较偏，但当地政府抓住了西部开发的利好政策，同时推动了绿色技术的广泛应用，最终实现了高新技术产业的绿色发展。除黑龙江、安徽、重庆、四川、云南、贵州外的其他省（区、市）的技术效率变化指数和技术进步变化指数均大于1，说明这些省（区、市）科技管理成效好，高新技术产业投入产出结构合理，技术不断进步。云南、黑龙江、重庆、安徽、四川、贵州的技术效率变化指数小于1，而ML 指数大于1，说明这6 个省（区、市）应在高新技术产业绿色创新效率向好发展的趋势下加强技术创新，以平衡技术效率变化指数和技术进步变化指数。

由图4可知，中、西部ML指数过高，可能由于东部产业结构调整，将部分高新技术产业转移到中、西部地区，而中、西部地区利用高新技术产业园区扶持政策，发挥高新技术产业集聚效应，使得技术效率变化指数和技术进步变化指数快速提高。从ML 指数平均值来看，呈现“中部＞西部＞东部”的特征，EC指数平均值呈现“中部＞东部＞西部”的特征，而TC 指数平均值呈现“西部＞中部＞东部”的特征。

图4 东、中、西部高新技术产业ML指数及指数分解

由表6 可知，除个别年份外，各年度的ML、EC、TC 指数总体上都大于1。ML 指数2020年相比上一年增长率达到68.3%，EC指数2013年增长率达到18.7%，TC 指数2020年增长率达到52.8%。2012年EC 指数小于1，但ML 指数大于1，说明该年度技术效率降低，而技术进步效率的大幅增长抵消了技术效率的降低。2014年ML 指数小于但接近于1，虽然技术进步变化指数小于1，但技术效率9%的增长率抵消了技术衰退的影响。2020年ML 指数最大，EC 和TC 指数的共同推动使得绿色创新效率大幅度提升。为进一步研究绿色创新效率变动情况，将EC 指数分解为PEC 指数（纯技术效率）和SEC 指数（规模效率）。2012年EC 指数受PEC 指数和SEC 指数的共同约束，2017年、2019年EC 指数受SEC 指数的约束，其余年份EC 指数受PEC 指数和SEC 指数的共同推动。

表6 2012—2020年我国高新技术产业ML指数及指数分解

2020年高新技术产业ML 指数及分解值变化趋势如图5所示。在样本期内，ML 指数呈现上下波动的趋势，2020年达到最大值。EC 指数波动比较平稳，整体平均增长率约为7.5%。TC 指数在2013—2018年呈现稳步上升的趋势，由0.897增长至1.287，2019年出现下降后，2020年达到最大值1.528。从总体来看，ML 指数实现了22.5%的增长，主要受EC 指数7.5%增长率和TC 指数14%增长率的影响，其中TC 指数对ML 指数的影响更大些。除了2012年和2016年PEC 指数小于SEC指数，其余年份PEC指数均大于SEC指数，说明PEC 指数对EC 指数的正向拉动作用更大，其中2013年、2017年、2019年较为明显。

图5 2012—2020年我国高新技术产业ML指数及其分解值变化趋势

2.3 高新技术产业绿色创新效率影响因素分析

将非期望产出的超效率SBM 模型测度的高新技术产业绿色创新效率作为被解释变量，将环境规制、市场结构、政府投资、外商投资、劳动力素质、地区经济发展水平等作为解释变量，对数据进行对数处理后，通过Stata16软件对面板Tobit模型进行回归分析和LR 检验，回归结果见表7。根据LR 检验结果，本文采用随机效应Tobit 模型来分析绿色创新效率的影响因素。

表7 高新技术产业绿色创新效率影响因素回归结果

环境规制对高新技术产业绿色创新效率的影响为负，且通过了1%的显著性检验，表明工业企业在污染治理方面投放的资金越多，越会抑制绿色创新效率提升。高环境规制不能有效改善高新技术产业资源配置，也不能促进高新技术产业绿色创新。市场结构对高新技术产业绿色创新效率的影响为负，且通过了5%的显著性检验，表明高市场集中度会抑制高新技术产业绿色创新效率提升，而低市场集中度会使高新技术企业间产生竞争，有助于绿色创新效率提升。政府投资对高新技术产业绿色创新效率的影响为负但不显著，表明政府投资没能有效促进高新技术产业绿色创新效率提升。外商投资对高新技术产业绿色创新效率的影响为负但不显著，表明外商投资并没有产生显著的技术溢出效应来提升绿色创新效率。劳动力素质对高新技术产业绿色创新效率的影响为正但不显著，表明地区受教育程度对高新技术产业绿色创新效率未起到显著的正向作用。地区经济发展水平对高新技术产业绿色创新效率的影响为正，且通过了1%的显著性检验，表明地区经济发展水平越高，其高新技术产业的发展环境就越好，越有利于企业绿色技术创新。

对东、中、西部进行地区异质性分析，结果见表8。

表8 东、中、西部高新技术产业绿色创新效率影响因素回归结果

从东部地区来看，环境规制、劳动力素质对高新技术产业绿色创新效率的影响为负，且通过了1%的显著性检验；市场结构、政府投资对高新技术产业绿色创新效率的影响为负，且通过了5%的显著性检验，说明工业企业污染治理投放金额越多、受教育程度越高、市场集中度越高、政府支出越多，越不利于高新技术产业绿色创新效率提升。地区经济发展水平对高新技术产业绿色创新效率的影响为正，且通过了1%的显著性检验，说明东部地区为高新技术产业提供了良好的发展环境，能够促进绿色创新效率提升。

从中部地区来看，市场结构对高新技术产业绿色创新效率的影响为负，且通过了10%的显著性检验，说明高市场集中度不利于提高绿色创新效率。外商投资和劳动力素质对高新技术产业绿色创新效率的影响为正，且分别通过了1%和5%的显著性检验，说明外商投资越多、地区受教育程度越高，越有利于中部高新技术产业绿色创新效率提升。

从西部地区来看，环境规制、地区经济发展水平对高新技术产业绿色创新效率的影响为负，且分别通过了1%和5%的显著性检验，说明工业企业污染治理投放金额越多、地区经济实力越强，越不利于西部高新技术产业绿色创新效率提升。劳动力素质对高新技术产业绿色创新效率的影响为正，且通过了1%的显著性检验，说明地区受教育程度越高，越有利于西部高新技术产业绿色创新效率提升。

3 研究结论及建议

3.1 研究结论

第一，高新技术产业绿色创新效率的均值为0.693，高于0.5，说明我国整体高新技术产业绿色创新效率处于中上水平；而数量上，效率值低于平均值的省（区、市）个数多于高于平均值的省（区、市）个数，说明各省（区、市）高新技术产业绿色创新效率差异很大，仍有很大的提升空间。从2011年和2020年的创新效率等级分布变化情况来看，中高效率和高效率地区未能带动低效率和中低效率地区的发展。

第二，分阶段来看，研发阶段和成果转化阶段的绿色创新效率呈波动“V”形变化，且成果转化阶段效率值更高，说明我国高新技术产业在成果转化阶段的效率值更容易上升；从整体来看，高新技术产业绿色创新效率更为依赖纯技术效率水平。

第三，在2012—2020年，我国各省（区、市）高新技术产业ML 指数平均值都大于1，说明我国高新技术产业绿色创新效率整体发展趋势良好。东、中、西部绿色创新效率值主要依靠技术效率变化指数和技术进步变化指数，说明3 个地区高新技术产业的研发创新能力较强。

第四，从ML 指数分解来看，TC 指数对ML 指数增长的影响更大些。除个别年份外，整体上PEC指数均大于SEC指数，说明PEC指数对EC指数的正向拉动作用更大。

第五，从Tobit回归结果来看，环境规制、市场结构对高新技术产业绿色创新效率的影响为负且显著，地区经济发展水平对高新技术产业绿色创新效率的影响为正且显著。从地区异质性来看，环境规制、市场结构、政府投资、外商投资、劳动力素质、地区经济发展水平这6 个影响因素对东、中、西部高新技术产业绿色创新效率的影响不同。

3.2 对策建议

第一，我国应根据各省（区、市）高新技术产业的实际情况，采取相应的对策。中国幅员辽阔，各省（区、市）之间的经济文化差异很大，必须加强各省（区、市）之间技术经济的协调发展，制定向中西部地区倾斜的优惠政策，吸引资金和高素质科技人才流入，提升其绿色技术创新水平。

第二，我国高新技术企业应加强创新管理，提高绿色技术创新意识。鼓励和引导科技研发人员以绿色增长为导向，提升绿色创新能力，推动企业绿色创新转型升级；企业还须不断调整自己的投资方向、研究方向及成果转化方向，积极应对不断变化的市场需求；除此之外，应积极推进产学研结合，加强与科研单位及高等院校间的交流。同时，考虑到中介机构主要以各种创新平台为载体，其拥有丰富的创新资源，所以还要加强与中介机构的合作，促进科技成果的转化应用。

第三，政府应制定绿色高新技术企业相关标准。以绿色技术开发、绿色技术使用、污染物排放等为切入点，实行奖励和惩罚机制，对达标的企业给予研发补贴和税收优惠，对污染企业进行惩罚。

第四，拓宽公众参与渠道，促使社会各界广泛参与环境治理。国家应建立健全多元化的公共环境信访机制，构建一套更加公开透明的企业信息披露体系，使社会大众对高新技术产业发展起到辅助监管的作用；同时通过政策奖励等方式，鼓励广大群众主动参与环境管理工作，倒逼企业绿色技术创新水平的提高。

第五，在研发阶段，一方面，政府可以采取增加研发补贴、设立专项基金的方式鼓励高新技术企业进行绿色创新；另一方面，鼓励高校、科研机构与企业共同开展绿色技术研发。在成果转化阶段，政府可以建立绿色技术示范项目，形成示范效应，吸引更多高新技术企业参与绿色创新。而从整体来看，高新技术产业绿色创新效率比较依赖纯技术效率水平，而纯技术效率水平高低取决于是否有效地利用了各生产要素。各地政府需要基于自身高新技术产业发展情况，从技术、人才、管理、合作等多个方面进行政策指导和资源优化。