长三角城市群绿色创新效率测度及动态演变分析

韩 颖

(1.铜陵学院 经济学院,安徽 铜陵 244000;2.韩国又松大学 一般研究生院,大田广域 300718)

绿色创新又称为生态环保创新,是以保护环境为目标的创新,党的二十大报告提出,要加快发展方式绿色转型,积极发展绿色低碳产业。越来越多的地区重视绿色创新,以科技创新驱动绿色产业稳步发展。长三角地区是中国经济发展最快、创新能力最强的区域之一,在国家发展中发挥着重要的作用。通过研究长三角城市群绿色创新效率及动态演变特征,有助于深入了解长三角一体化发展的现状和进程。

从可持续发展到绿色发展,绿色创新已经成为学术研究的重点,也是近年来研究的新兴课题之一[1],绿色创新同时体现了创新驱动和绿色发展,绿色创新对于经济长远发展具有重要的意义[2]。在低碳经济背景下,各地政府颁布相应绿色发展方针政策,积极推动绿色发展。自长三角一体化发展上升为国家战略以来,上海、江苏、浙江、安徽动作频频,相互支持、各展所长,在一体化发展特别是绿色一体化发展方面取得了一定成效,但存在绿色发展不均衡,效率不高的问题。因此,有必要对长三角城市群绿色创新效率进行全面测度分析,并给出对应的发展策略。

有关绿色创新效率的研究,主要集中在以下几个方面:1)考虑了非期望产出的绿色创新效率测算,陈清等[3]构建超效率SBM模型(Super-SBM模型)和ML指数测算并分析中国省域绿色创新效率,研究指出绿色创新效率有上升趋势,并且不同地区创新动态效率有所不同;张长江等[4]基于超效率SBM-DEA模型和ESDA方法研究长江经济带绿色创新效率时空特征,并得出效率值随着时间发展两级分化加强;吴江婷等[5]利用超效率SBM模型测算黄河流域绿色创新效率,分析得出绿色创新效率地区间差异较大。2)从行业来看,张丽琨等[6]测度了中国工业绿色创新效率,认为中国工业绿色创新效率还有上升的空间;黄万华等[7]对长江经济带制造业绿色创新效率进行了测度分析,得出区域间存在发展不均衡的现象;陈松奕[8]对中国高技术产业绿色创新能力进行了测度,涉及行业较广。3)不同因素对绿色技术创新效率会产生一定影响,韩科振[9]利用空间杜宾模型研究绿色金融对绿色创新效率的影响,得出绿色金融对绿色创新效率有显著的促进作用;陈蓓等[10]基于空间杜宾模型分析长江中游城市群绿色创新效率影响因素,得出环境规制等因素会提升绿色创新效率,同时高水平地区呈现明显的正向空间溢出效应。

综上所述,关于绿色创新效率研究较多,从研究方法来看,多数采用了考虑非期望产出的效率模型[11],对于动态趋势分析多数采用ML指数[3]和核密度法[12],从研究对象来看,研究行业绿色创新效率较多,如工业、制造业和物流业等[13-16],研究省份[3]或者城市群[12]的绿色创新效率尽管已有相关研究但相对较少,无法对特定地区绿色创新效率有深入地了解和认识。同时,现有研究较少针对地区间绿色创新的差异和波动性进行对比分析,基于此,文中从城市群层面研究长三角城市群绿色创新效率,研究方法上采用考虑非期望产出超效率SBM模型和GML指数测度并动态分析长三角城市群绿色创新效率,探讨地区内部和地区间有无差距,同时,探究长三角城市群绿色创新效率动态变化趋势,利用变异系数反映效率波动性并对地区间进行对比分析,给出相应的对策建议,对促进长三角城市群生态环境与科技创新协调发展具有一定的理论与现实意义。

1 指标体系构建及数据来源

1.1 指标体系构建

在新古典经济学理论基础上,人力和资金是产出不可缺少的重要因素,在投入指标里,应将人力投入和资金投入考虑进去,同时,绿色创新应将绿色体现在投入上,在投入指标里应考虑能源投入,考虑到数据可获得性,同时参考陈诗一等[17]和王兵等[18]的做法,利用能源折标准煤系数将电、石油和天然气折算成标准煤代表能源投入,在产出指标中,分为期望产出及非期望产出,在低碳经济背景下,必须考虑到环境的影响,减少环境污染,实现绿色创新,因此在指标体系里,应考虑环境污染带来的影响,参考学者李根等[19]的做法,利用工业废水排放量、工业二氧化硫排放量及工业烟尘排放量代表环境污染程度。指标体系充分体现了绿色创新的特点,如表1所示。

表1 2015—2021年长三角绿色创新效率指标体系

1.2 数据来源

由于部分城市有些指标数据缺失,考虑到数据的可获得性,选取2015—2021年长三角25个代表城市面板数据分析,数据来源于2016—2022年各城市统计年鉴,其中,安徽省城市人力投入、资金投入及技术投入指标数据来源于安徽省科技统计公报,小部分缺失数值采用线性插值法进行补充。

2 研究方法

2.1 超效率SBM模型

总结相关学者研究成果,在计算绿色创新效率时,多数使用数据包络分析(DEA)方法,并且假定投入和产出之间为单调线性关系。其中CCR模型和BCC模型是DEA方法基础的两种模型,但有时对于特定问题,需要考虑“非期望产出”,“非期望产出”代表这种产出并不是大家所期望的,例如资金投入、人力投入换来了GDP上升和技术水平提升,但同时可能带来环境污染这个非期望产出项。因此,需要采用由Tone(2004)改进的考虑非期望产出SBM模型测算绿色创新效率。相对于传统DEA模型,非期望产出SBM模型[20]更能反映绿色创新效率评价的内在本质。

假设有n个决策单元,每个决策单元有3个向量,即投入、期望产出和非期望产出,分别为x∈Rt,yg∈Rm1,yb∈Rm2,其中,

X=[x1,…xn]∈Rt×n,

(1)

(2)

(3)

考虑了非期望产出的生产性可能集合为

P={(x,yg,yb)|x≥Xλ,yg≤Ygλ,yb≥Ybλ,λ≥0},

(4)

考虑非期望产出SBM模型公式为

(5)

(6)

(7)

(8)

(9)

(10)

超效率SBM模型(BBC模式)计算公式如下

(11)

(12)

r*为绿色创新效率值,当r*大于1时,代表绿色创新利用是有效的,当r*小于1时,代表绿色创新利用是无效率的[14],其他变量含义同上。

2.2 GML指数

ML指数在效率评价中应用广泛,但结果可能会出现不可传递且会出现线性无解的缺陷,因此,文中参考Oh等[21](2010)在考虑全局生产技术上提出GML指数模型,当GMLs,s+1>1时,表明s+1期的绿色创新效率大于s期绿色创新效率,即该时期内的效率有所提升,反之,则有所减弱。同时可将GML指数分解为技术效率指数(EC)和技术进步指数(TC)[20],分解公式为

GML(s,s+1)(xs,ys,bs,xs+1,ys+1,bs+1)=

(13)

其中,DG,Ds,Ds+1分别表示依赖于全局生产可能性集合的方向性距离函数和第s期、第s+1期的方向性距离函数。

3 数据分析

3.1 长三角城市群绿色创新效率测度

根据超效率SBM模型,计算出2015—2021年长三角城市群绿色创新效率,如表2所示。

表2 2015—2021年长三角城市群绿色创新效率

从表2可知,长三角地区整体绿色创新效率均值为0.763,效率值在0.7～0.8之间,整体平均水平较高,同时平均值呈现上下波动的趋势,从城市来看,上海、湖州、绍兴、温州、安庆和铜陵绿色创新效率呈现“N”形的发展态势,常州、苏州、扬州和宣城绿色创新效率呈现倒“N”形的发展态势,南京、南通、镇江、嘉兴、舟山、金华、池州和台州绿色创新效率呈现倒“W”形的发展态势,宁波、合肥、滁州、马鞍山和芜湖绿色创新效率呈现倒“M”形的发展态势,无锡呈现倒“V”形的发展态势,常州、镇江和杭州绿色创新效率值波动较剧烈,其中,杭州和镇江近3年效率值相对于前几年提升很多,温州和舟山绿色创新效率均值最高,马鞍山和铜陵绿色创新效率处于长三角城市群最末端。同时,效率最大值为1.497,最小值为0.136,差距接近11倍,绿色创新效率地区之间极为不均衡。

按照表2中绿色创新效率均值的取值范围进行划分,结果如表3所示,绿色创新效率一定程度上反映了生态环境与创新之间的平衡程度。

表3 绿色创新效率等级划分

从表3可知,绿色创新效率最高的城市是温州,同时处于优秀等级的城市有6个,分别为温州、上海、舟山、合肥、安庆和金华,涵盖了上海,安徽省的2个城市及杭州的3个城市,这些城市能够对资源最优化利用[22],考虑生态环境的同时实现了经济效益,实现了绿色创新发展。位于第二等级的城市有9个,城市数量最多,分别为杭州、南京、南通、扬州、常州、台州、绍兴、镇江和滁州,包括江苏省的5个城市、浙江省的3个城市和安徽省滁州市,这些城市相对而言绿色创新水平较好,但仍然有一定的上升空间。位于第三等级的城市有7个,包括浙江省的2个城市、江苏省的3个城市和安徽省的2个城市,处于这一类的城市存在资源配置不够合理,需要采取相应政策措施提高绿色创新水平,提升空间较大。位于末位等级的城市有3个,分别为安徽省的马鞍山、宣城和铜陵,马鞍山和铜陵属于典型的资源型城市,需要消耗大量的矿产资源,同时面临城市资源枯竭,对环境污染较大。因此,绿色创新效率处于较低的水平,这类城市急需实现产业转型,创新发展模式,寻找新的经济增长点,重视生态环境的保护,在产业转型同时注重促进生态环境与经济协调发展。

3.2 长三角城市群绿色创新效率GML指数动态分析

GML指数代表绿色创新效率动态变化值,同时可分解为技术效率指数(EC)和技术进步指数(TC)。效率值及分解值如表4所示。

表4 2015—2021年长三角城市群GML指数及分解

从表4可知,GML指数均值为1.120,动态绿色创新效率平均增幅为12%,说明长三角地区绿色创新效率整体有上升的趋势,并且在2015—2021年之间,效率值有一定的波动,其中,2019—2020年上升幅度最大,TC指数对GML指数拉动力大于EC指数对GML指数的拉动力,从GML指数分解来看,技术效率指数和技术进步指数平均值均大于1,除了2016—2017年技术效率指数、技术进步指数和2019—2020年技术效率指数有略微下降之外,其余年份均出现上浮,说明技术效率和技术进步共同促进了长三角地区绿色创新效率的提高,并且技术进步指数均值大于技术效率指数均值,说明技术进步指数与GML指数同步性更强。

3.3 长三角城市群绿色创新效率分区域趋势分析

为了更直观地分析长三角地区不同省份绿色创新效率的变化趋势,根据表2的结果,计算出上海市、江苏省、浙江省、安徽省整体绿色创新效率,如图1所示。

图1 长三角三省及上海市绿色创新效率走势

从分地区的时序图来看,上海市绿色创新效率处于领先地位,这是因为上海是中国金融、对外贸易和科技创新中心,聚集了全国乃至世界的创新资源。其次,浙江省整体上绿色创新效率处于较高的水平,波动比较平稳,江苏省绿色创新效率波动幅度较大,前期稳定上升,后期小幅度波动,近4年处于末位的为安徽省,安徽省整体有波动下降的趋势,处于长三角城市群中的末位,因此,安徽省绿色创新效率有大幅提升的空间,同时安徽省几个城市中,除了合肥、安庆以外,其他地级市整体绿色创新效率值均较小,处于较低的水平,地区之间差异较大,极为不均衡。

利用变异系数[8]深入研究各省份内部绿色创新效率的差异性,从表5中可以看出,安徽省作为绿色创新效率较低的省份,其变异系数整体较大,系数在0.6上下波动,意味着效率低的城市波动幅度较大,波动幅度大加剧了安徽省整体发展不均衡,应更注重城市间均衡发展。浙江省前期变异系数较小,城市之间差距不明显,后期城市间波动幅度加大,同时浙江省整体上绿色创新效率较高,浙江省在保持绿色创新水平的同时,也不要忽略城市间的均衡发展。江苏省变异系数处于最低的水平,并且有下降趋势,代表城市间绿色创新差距有下降的趋势,同时效率值波动上升,江苏省应继续发展绿色创新,发展生态经济,同时以南京市为核心,带动其他城市的协调发展。

表5 绿色创新效率变异系数

4 结论与建议

文中首先构建绿色创新效率指标体系,利用考虑非期望产出超效率SBM模型测算2015—2021年长三角城市群25个城市绿色创新效率,并从时间和空间上分析各地区绿色创新效率动态发展特点,结论如下:

4.1 结 论

2015—2021年间,长三角城市群绿色创新效率均值为0.763,绿色创新水平较高,城市绿色创新效率具有上下波动的趋势。同时从GML分解指数可知,技术效率与技术进步共同促进了绿色创新效率的提高。

从空间上来看,上海市平均绿色创新效率处于领先地位,其次为浙江省和江苏省,整体绿色创新效率较高,说明生态环境与创新发展较为协调,安徽省绿色创新效率整体最低,处于最末位的城市为马鞍山、宣城和铜陵,其中马鞍山和铜陵这2个城市都属于资源枯竭型城市,对环境污染较大,绿色创新效率最低。从空间差异来看,安徽省绿色创新效率变异系数较大,意味着城市间差距较大,波动较剧烈,地区之间极为不平衡。浙江省前期城市间波动较平稳后期波动加剧,城市之间发展不均衡加大,江苏省地区间差异较平稳波动。

4.2 建 议

推动城市产业绿色转型,部分资源枯竭型城市,例如马鞍山、铜陵等城市绿色创新效率较低,拉低了本省甚至是长三角地区整体水平,对于这类资源枯竭型城市,急需实行地区产业绿色转型,积极引进绿色环保产业和绿色创新人才,大幅实行节能减排,促进生态环境与经济发展协同共赢。

坚持将绿色创新作为绿色发展的战略重点,协同地区间绿色创新发展,中心城市在充分发挥自身绿色创新优势的同时,应带动周边城市共同实现绿色创新发展,缩小地区之间的差距,加强地区间的合作共赢,同时应根据不同地区不同特点因地制宜制定适应本地区的绿色创新政策,推动绿色创新发展。

倡导绿色环保激发创新意识,在“降碳”为重点战略的背景下,环保科技创新人员应牢固树立环保意识,大力研发环保、低碳技术,认真领会党的政策方针。广大居民应积极倡导“低碳生活”,树立环保节能的文明意识,用实际行动支持绿色环保节能,做一个“低碳公民”。