基于绿色增长的中国区域创新效率研究，本文主要内容关键词为：中国论文,效率论文,区域论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
中图分类号：F0624 文献标识码：A 文章编号：1003-3947(2013)03-0100-11
改革开放以来，中国经济一直保持稳定快速发展，并取得了世人瞩目的成就，但与此同时，经济发展付出了巨大的资源环境成本。大力发展绿色经济已是大势所趋。绿色增长的核心是提高资源环境绩效，即通过不断提高资源利用效率，降低能源强度、污染排放强度和碳强度，其中的关键在于绿色创新能力的提高。提升绿色创新能力，除了加大创新的投入力度外，区域绿色创新的效率问题亦不容忽视。特别是在中国创新资源相对有限的情况下，尽可能地利用较少的创新投入获得较多的创新产出，提高创新资源的利用效率，这对于有效缓解中国创新资源不足的局面，进一步提升区域绿色创新能力具有重要意义。
一、问题的提出
目前已经有一些学者对于区域创新效率问题进行了研究，何枫、陈荣等(2004)运用C-D生产函数SFA对改革开放以来中国各地区的技术效率变迁进行了测算，结果表明，全国平均技术效率水平呈稳步上升趋势，但地区差异很大；唐德祥、李京文、孟卫东(2008)运用面板数据随机前沿方法(SFA)考察了中国三大经济区域R&D与技术效率之间的内在关系，研究表明随着R&D投入逐年递增，东、中、西部地区的平均技术效率水平呈稳定上升趋势；岳书敬(2008)使用随机前沿函数模型研究了我国区域研发效率差异及其影响因素，研究发现东部沿海地区的研发效率较高，而西部地区的研发效率较低；白俊红，蒋伏心(2011)采用三阶段DEA方法对考虑环境因素的区域创新效率进行了研究，研究表明中国区域创新的效率较低，且其原因主要是由于规模效率不高所致；樊华，周德群(2012)运用规模报酬可变的DEA模型测度2000-2007年中国省域科技创新效率，并分析其收敛性和影响因素，研究发现科技创新效率具有周期性波动演化的特点。
虽然研究者们对区域创新效率进行了较多的研究，但是目前的研究至少有两个不足。第一，研究中较少地从绿色创新的角度展开，没有考察资源消耗和环境污染对于创新效率的影响。而在绿色经济浪潮席卷全球之际，中国作为人口最多的发展中大国面临的资源环境问题尤为严重。客观考量中国绿色创新效率，对于中国创新型国家的建设，实现经济的绿色转型都有着积极的意义。第二，目前的研究测评区域创新效率时，很少考虑区域的空间联系，新经济地理学认为两个经济系统地理位置相近或者经济特征相似时，空间联系尤为突出(吴玉鸣，2006)。因此，考虑空间联系能使测算的区域创新效率值更加客观。
基于此，本文应用包含空间计量的四阶段DEA方法，在综合考虑环境污染和能源消耗问题的基础上测度2010年中国基于绿色增长的区域创新效率，并对创新效率的空间聚集性进行分析。本文分为五个部分：第一部分，问题的提出；第二部分，方法介绍与变量选择；第三部分，环境污染指数的测度；第四部分，基于绿色增长的区域创新效率的实证结果与分析；第五部分，结论。
二、方法介绍与变量选择
传统的DEA方法没有考虑外生变量和随机波动对效率值的影响，因此得出的结果可能存在偏差(Worthington C.，2000)。西方有学者开发了一个四阶段DEA方法，较好地修正了外生环境变量对效率评估所造成的偏误，使得DEA效率评估更为准确(Fried H.O.，et al.，1999)。传统的四阶段DEA在二阶段中采用截面数据进行Tobit回归分析，没有考虑空间效应。OLS估计量出现偏差会使得传统统计方法在分析具有空间相关特性的变量时出现问题(Patuelli R.，et al.，2011)。本文将利用空间计量模型来进行回归分析，充分考虑创新效率的空间差异，能够得到更贴近的DEA效率值。
下面将具体对包含空间计量的四阶段DEA进行介绍。
1.基于空间计量的四阶段DEA模型
(1)第一阶段：DEA模型
DEA模型分为投入导向型和产出导向型两种。由于投入的数量是决策的基本变量，与产出量相比，投入量更容易控制，因此，本文采用投入导向型规模报酬可变的BCC模型进行分析。
(2)第二阶段：空间计量模型
本文首先运用Moran指数法检验初始效率值是否存在空间自相关，如果存在空间自相关性，则建立空间计量经济模型，进行效率值的空间回归。
Moran指数计算公式如下所示：
(4)第四阶段：调整投入变量后的DEA模型
利用调整后的投入数据和初始产出数据，再次运用BCC模型，测算得到新的效率得分。此效率值反映了剔除环境因素影响后的区域绿色创新效率的基本情况。
2.本研究的变量选择
绿色增长是一种现代产业的可持续增长模式，其核心是提升资源环境绩效，它不以高能耗、高物耗、高污染为代价，而是激励产业发展向集约、低碳、绿色转型。绿色增长的关键在于绿色创新能力的提升，而绿色创新能力的增强不仅需要加大创新的投入，更需要提升区域创新效率。因此，绿色增长与区域创新效率之间能够形成良性的循环与互动。一方面，绿色增长是将产业发展的经济效益、社会效益和生态效益协调统一起来，从而能够以较低的创新投入获得较高的创新产出，使得区域技术效率、规模效率得到提升，并在长期内促进规模报酬递增；另一方面，区域创新效率的提升能够将环境原则整合进创新过程中的每一阶段，其着眼于提高区域创新发展的质量，将在更大程度上促进能源资源的最大化利用和环境污染输出的最小化，从而实现绿色增长的目标。从绿色增长的角度来研究区域创新效率值，结合数据可得性与绿色增长背景下创新效率的特点，对投入产出变量和环境变量的选择如下：
(1)投入变量
无论是哈罗德—多马、索罗的新古典框架下的生产函数，还是罗默的内生经济增长框架下的生产函数，资本与劳动始终是创新系统中的基本要素。因此，本文也从资本和人力两方面来选择投入变量，分别选择规模以上工业企业R&D人员全时当量和R&D经费指标。采用R&D人员全时当量能够更加准确地反映出创新的人员投入状况；R&D经费投入作为衡量一个地区或企业对技术创新活动的重视程度，可以作为创新效率的资本投入指标。这两项投入指标分别从人力和资本两个角度对投入要素进行了综合考察，使得投入指标的选取具有合理性和可行性。
(2)产出变量
从绿色增长的角度来看，创新活动的产出成果不仅仅包括产品的增加或改进、发明专利的涌现、新产品产值的增加、利润的提高等，还包括能源的消耗和环境污染的状况。因此，本文选择规模以上工业企业的新产品销售收入、专利申请数、综合能耗产出率、环境污染综合指数作为产出变量，分别代表由于技术创新所带来的产值的提高、专利数的增加、能耗的产出率以及环境污染的变化。其中环境污染指数是负产出，将其作为投入变量，希望其越少越好。
这样，实际投入变量和产出变量都是三个。
(3)外生环境变量
创新效率的提升受周围环境的影响较大，环境对创新效率的影响具有多个方面，既能起到很强的促进作用，有时也能成为创新的阻力。一般而言，创新技术高的地区往往有着良好的创新支撑环境，反之，创新支撑较差的地区创新效率提升缓慢。本文选择各地区外商投资企业的年底投资总额与GDP的比值、各地区财政支出中科技支出占一般预算支出的比重、环保支出占财政支出的比重、各地区规模以上工业企业平均总产值作为外生环境变量，分别代表对外开放程度、科技创新环境、环保规制以及创新企业规模。
以上数据均来自《中国统计年鉴》。
三、环境污染指数的测度
考虑到环境污染状况是一个综合的、整体的概念，是各种污染物排放量的动态组合，因此在分析区域环境污染水平时，应综合考虑各种污染物的特征(韩晶、蓝庆新，2012)。
1.指标选取
环境污染水平的度量主要包括污染物排放总量与污染物排放强度(单位产值污染物排放量)两类指标。由于工业是环境污染的最主要来源，因此采用工业“三废”排放总量指标作为环境污染指数评估的原始数据。本文选取除西藏外的中国大陆30个省(区、市)2010年工业废水排放总量、工业废气排放总量及工业固体废弃物排放总量3个指标来测度2010年各地区污染指数。各种污染物排放总量数据均来自《中国统计年鉴》。
2.环境污染指数的测算
由于评价指标计量单位多数都不相同，因此不能直接进行合成，需要消除指标量纲影响。目前，常用的标准化方法主要有最大最小值法和标准差标准化法。考虑到中国区域资源禀赋以及发展的不均衡性，我们舍弃最大最小值法，而采用改进的标准差标准化法。这种方法在一定程度上能缓和各区域之间的悬殊差异程度，同时它的测算结果相对稳定(李晓西，2012)。
首先，采用式(9)对各种污染物排放总量的原始数据进行无量纲化处理：
四、实证结果与分析
1.初始效率及相关性分析
运用经典DEA模型进行测算，得到初始的效率值。
在不考虑环境变量影响时，中国30个地区创新效率的平均值为0.642，平均纯技术效率为0.723，平均规模效率为0.898，规模效率值明显高于平均技术效率值，这在一定程度上反映出规模效率对区域创新效率的提升具有突出作用；从三大地带来看，东部和中部的综合效率和纯技术效率要明显好于西部地区，而区域的规模效率差异不大；从省份来看，处于前沿面的省份有4个，其他省份的效率值普遍较低下，而且在测算的30个地区中，只有3个地区处于规模报酬递增阶段，绝大部分处于规模报酬递减或者不变阶段。
利用OpenGeoDa软件测算初始效率的全局自相关指数，结果如表1示：
如表1所示，全国创新效率初始值的全局自相关指数为0.171，且明显通过显著性检验。这表明中国30个省、自治区和直辖市的效率值在空间上具有明显的正自相关关系，即存在空间集聚现象。而且从东中西区域来看，三大区域内部也存在空间集聚现象。其中，东部地区存在明显的正相关，西部地区的相关性较弱，中部地区存在明显的负相关。因此，运用空间计量模型进行研究要比传统计量方法更合适。
2.空间回归及影响因素分析
(1)空间计量模型的选择
本节分别以三个投入松弛量为被解释变量，外生环境变量为解释变量，采用空间滞后模型和误差向量模型进行回归分析，然后运用相关检验确定最终所采用的模型。具体回归及检验如表2所示。
对上述空间模型的选择，我们主要是根据拟合度、最大似然值、AIC和SC的检验值来判断。一般而言，我们希望拟合值和最大似然值越大越好，AIC和SC越小越好。根据表2的回归和检验结果，我们对于R&D人员全时当量松弛量，选择误差向量模型，对于R&D经费松弛量和环境污染松弛量，选择空间滞后模型进行分析。
(2)影响因素分析
根据上面所确定的模型，我们分别对R&D人员全时当量松弛量、R&D经费松弛量、环境污染松弛量进行回归分析，得到各变量的系数。如果外部环境变量与投入松弛量负相关，表示增加外部环境变量值有利于减少投入松弛量，即有利于减少该投入变量的浪费或降低负产出；反之，如果二者正相关，则表示增加外部环境变量将会增加投入松弛量，从而导致该投入变量的浪费，降低效率。具体结果如表3所示。
①对外开放程度(FDI)对R&D人员全时当量松弛量和R&D经费松弛量的影响系数为正，而对环境污染松弛量的影响系数为负，这表示增加各地区外商投资并没有减少投入松弛量，但在一定程度上能够减少环境污染。这说明，在绿色增长的大背景下，中国在引进外资方面的政策重点不再是看重数量，而是更加重视质量，并且注重引导外资向绿色发展倾斜。因此随着引进外资数量的增加，环境污染有所减缓。但在引进外资的同时，国外的高技术引进相对较少，因此外资对提升中国创新效率的拉动作用并不明显。
②科技创新环境(TEC)对三个投入松弛量的影响系数为负。这说明地方政府对科技的支持力度是提升创新效率的至关重要的因素之一。对比外生环境变量对三个投入松弛量的影响系数，可以看出，地区财政支出中科技支出占一般预算支出的比重对投入松弛量的减少弹性最大，即相同幅度的外生环境的变化，地方政府对科技的支持力度对提升创新效率的影响最大。
③环保规制(ENV)对三个投入松弛量的影响系数为负，即地方政府对环境的支持力度对R&D人员全时当量、R&D经费、环境保护都是有利因素，未来应该进一步加大对环境保护的财政支持力度。但是同时也可以看到，环境污染松弛量未通过显著性检验，这说明目前环保支出对环境保护的效果并不明显。这一方面是由于环保投资的环保效果具有一定的时滞性，另一方面也表明中国环保支出的质量有待于进一步提高。
④创新企业的规模(AIOV)对R&D人员全时当量松弛量和R&D经费松弛量的影响系数为负，但是对环境污染松弛量的影响系数为正，显著性检验表明，三个投入松弛量都未通过检验。这说明企业规模对于创新效率的提高和环境的改善都没有发挥出明显的作用，意味着中国企业的发展更多依赖于数量的增长，今后需要更加注重质量上的提高。与做大相比，中国企业更需要做强。
3.四阶段DEA结果分析
根据投入松弛量的拟合值对初始投入变量进行调整，以剔除环境变量的影响，使各地区面临相同的外部环境，接着用调整后的投入数据和原始产出数据重新计算效率值。
为了比较第一阶段与第四阶段的效率值是否存在显著性差异，本文对其进行Wilcoxon符号秩检验。结果见表4。初始DEA和剔除环境影响的四阶段DEA所测算的创新效率存在显著性差异，双尾显著性概率为0，而且一阶段和四阶段的纯技术效率和规模效率也存在显著差别。这说明本文所选择的环境变量以及随机波动都对效率值存在较大的影响，因此进行调整是非常有必要的。
剔除外生环境的影响后，中国大部分区域创新效率值较未调整前都有不同程度的提升，上升幅度较大的省份有青海、江西、黑龙江、甘肃、山西等。说明外生环境变量是影响目前中国区域创新效率的至关重要的因素，许多区域的创新效率低下是由于不良的外部环境造成的；全国平均纯规模效率值变动不大，而全国纯技术效率的变动相对较大，说明外生环境的变化对纯技术效率值的影响更显著；剔除外生环境的影响后，处于前沿面的省份有9个，主要是位于公共财力雄厚的东部地区；而对比第一与第四阶段发现，如果不消除外生因素对区域创新效率的影响，各区域的规模效应非常不明显，而且大多处于递减的范围，而一旦将各区域的外生环境因素充分考虑进来，将各区域的环境状况都调整到相同的情形，结果将发生明显的逆转，各区域的规模效应凸显，且大多数省份处于规模报酬递增阶段，说明大部分地区实际上处于投入不足的状态。中西部规模报酬递增的区域数量远远超过东部地区，因此，未来中西部地区应该加大创新要素的投入力度，而东部地区需要更加关注创新投入结构优化的问题。从区域创新效率值来看，东部地区创新效率值明显好于中部和西部地区，其综合效率值、纯技术效率和规模效率值都高于其它地区，未来如何进一步发挥东部地区创新的带动作用值得特别关注。
4.创新效率的集聚性分析
全局空间自相关是从区域空间的整体刻画研究现象的空间分布情况，本部分将对调整后的基于绿色增长的区域创效率值进行空间相关性检验，下面给出了效率值的Moran散点图。
从图1可以看出，中国30个省份的创新效率具有一定的空间依赖性，区域创新效率并不是处于完全随机的分布状态。初始效率的全局Moran指数为0.1711，效率值在空间上有一定集聚性，但是集聚程度不高；剔除外生环境变量的影响后，创新效率值的全局Moran指数为0.2172，集聚度有所提高，效率值存在显著的空间集聚性。因此，再次证明进行空间回归是非常必要的。
图1：四阶段区域创新效率值的散点图
为了更深入地分析各区域基于绿色增长的创新效率的空间差异，本文采用LISA聚集方法来描述30个地区在Moran散点图中相应的位置。LISA聚集方法得到四个象限区，30个地区处于不同的象限内。
具体结果如表5所示。
从表5可以看出，处于第一和第三象限的地区相对较多。处于第一象限的地区主要位于东部。第一象限属于创新效率呈现“高—高”集聚的区域，这些地区的经济发展基础好，具有良好的创新支撑环境，创新水平普遍较高。处于第三象限的地区主要位于西部，这一象限属于“低—低”集聚的区域，这些地区的经济发展相对落后，创新发展的环境支撑力相对薄弱，而且周边地区也多属于创新效率低下的区域，缺乏溢出效应，这就形成了区域创新效率连片低下的状况，且属于这种状况的区域相对较多，未来应加以重点关注。处于第二象限和第四象限的区域相对较少，且大多分布在中部和西部地区，这些地区的创新效率差异较大，中西部地区创新效率相对较高的地区尚未对周边创新效率较低地区的创新能力的提升产生明显的拉动作用，未来应该引导高效率地区充分发挥辐射效应，从而拉动周边地区的创新效率提升。
五、结论
本文在测算基于绿色增长的区域创新效率时，主要是采用了与空间计量相结合的四阶段DEA方法来剔除外生变量的影响，力求更准确地反映出中国各区域的创新效率。主要结论有：
第一，经典DEA模型测算的基于绿色增长的区域创新效率值与四阶段DEA测算的效率值存在显著的差异，因此，对外部环境变量和随机冲击进行调整控制是非常必要的。如果不对这些影响因素进行控制的话，中国的区域创新效率将明显被低估。
第二，经过四阶段DEA调整后，规模报酬递增的省份居多，综合效率和纯技术效率以及规模效率都有所上升，因此，中国大部分地区处于实际投入不足的状态。而进行调整后，处于前沿面的省份为9个，这些省份主要位于公共财力雄厚的东部地区，拥有有利于区域创新效率提升的良好的外部环境，未来应该加以充分利用，提升区域创新效率。
第三，外生变量对区域创新效率具有重要影响。各地区外商投资企业年底投资总额与GDP的比值、各地区财政支出中科技支出占一般预算支出的比重、环境保护支出占财政支出比重对三个投入松弛量具有重要影响。这说明要进一步有选择性地引入外资，重点吸引高技术和更为“清洁”的外商直接投资，不断提高外资利用效率；并且应该增大对环保支出和科技支持方面的投入比重，重点加强环境规制的优化，更多地向市场化的环境保护政策转变。各地区规模以上工业企业平均工业总产值对三个投入松弛量的影响都未通过显著性检验。这说明企业规模对于创新效率的提高和环境的改善都没有发挥出明显的作用，意味着中国企业发展更多依赖于数量的增长，今后需要更加注重质量上的提高。与做大相比，中国企业更需要做强。
第四，中国创新效率值的地区差异明显。东部地区的综合效率明显高于西部和中部地区，在创新方面一直处于领先的位置，而其规模报酬递增的区域数量远远少于中西部地区，因此更应该关注东部创新投入的结构优化问题。中部和西部的大部分省份处于规模报酬递增的状态，说明这些区域的投入存在明显不足，未来应该加大投入力度。各区域在资源禀赋、地理区位等方面存在差异，在提升公共效率上面临的难题和存在的优势各不相同，因此区域应该结合自身的特点，采取相应的政策手段来促进效率的提高。
第五，中国区域创新效率呈较明显的空间集聚状态，创新效率“高—高”的区域主要集中在东部，创新效率“低—低”的区域主要集中在中西部。东部地区的经济发展基础好，具有良好的创新支撑环境，中西部地区的经济发展相对落后，而且周边地区也多属于创新效率低下的区域，缺乏溢出效应，未来东部与中西部创新效率的差异可能会更加明显。还有一部分中西部地区处在创新效率的“高—低”和“低—高”区域，这些地区创新效率相对较高的区域尚未对周边创新效率较低地区的创新能力的提升产生明显的拉动作用，未来应该引导高效率地区充分发挥辐射效应，从而拉动周边地区创新效率的提升。
限于篇幅，文中部分图表从略，有兴趣的读者请与《经济社会体制比较》编辑部联系。
标签：环境污染论文; dea论文; 松弛变量论文; 空间分析论文; 集聚效应论文; 差异分析论文; 环境保护论文; 环境变量论文; 效率论文; 变量论文;