浙江大学学报(工学版)

浙江大学学报(工学版), 2024, 58(1): 188-196 doi: 10.3785/j.issn.1008-973X.2024.01.020

能源工程、环境工程

环境规制下中国工业绿色转型的创新类型选择

刘海英,, 蔡先哲

大连海事大学 航运经济与管理学院，辽宁 大连 116026

Choice of innovation type for China's industrial green transformation under environmental regulation

LIU Haiying,, CAI Xianzhe

School of Maritime Economics and Management, Dalian Maritime University, Dalian 116026, China

收稿日期: 2023-02-28  

基金资助: 国家社会科学基金资助项目（20BJY102）

Received: 2023-02-28  

Fund supported: 国家社会科学基金资助项目（20BJY102）

作者简介 About authors

刘海英（1972—），男，教授，博导，从事环境与经济可持续发展的研究.orcid.org/0000-0001-9431-3419.E-mail：593736059@qq.com , E-mail：593736059@qq.com

摘要

为了解决严格环境规制背景下工业企业如何选择适宜的绿色技术创新类型来实现工业绿色转型的问题，采用包含非期望产出的超效率与基于松弛值测算（SBM）相结合的SBM模型，测算中国30个省份2008—2020年的工业环境效率，以该效率表征工业绿色转型水平. 通过面板门槛模型，探究不同环境规制强度下绿色技术创新类型对工业绿色转型的影响机理. 结果表明，整体上，2008—2020年中国工业环境效率处于波动上升态势，区域间的效率差距整体上呈微幅减小的趋势. 不同绿色技术创新的环境效应存在显著差异，其中强调工艺和产品的过程导向型绿色技术创新是实现工业绿色转型的关键. 随着环境规制强度的加大，过程导向型绿色技术创新的正向环境效应会加大，结果导向型绿色技术创新的负向环境效应会降低.

关键词： 绿色技术创新 ; 环境规制 ; 工业绿色转型 ; 超效率SBM模型 ; 面板门槛模型

Abstract

A super-efficient SBM model including non-desired outputs was used to measure industrial environmental efficiency in 30 Chinese provinces from 2008 to 2020 in order to solve the problem of how industrial enterprises can pick appropriate green technology innovations to accomplish industrial green transformation under the background of strict environmental regulations. The efficiency was used to characterize the level of industrial green transformation. A panel threshold model was used to explore the mechanism of the impact of different green technology innovations on industrial green transformation under different environmental regulation intensities. Results show that China's industrial environmental efficiency fluctuates and rises from 2008 to 2020 as a whole, and the efficiency gap between regions shows a slightly decreasing trend. The environmental impacts of various green technology innovations significantly differ, among which process-oriented green technology innovations emphasizing on processes and products is the key to achieving industrial green transformation. The positive environmental effect of process-oriented green technology innovation increases, while the negative environmental effect of result-oriented green technology innovation decreases as environmental regulations become more stringent.

Keywords： green technology innovation ; environmental regulation ; industrial green transformation ; super-efficient SBM model ; panel threshold model

PDF (707KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

刘海英, 蔡先哲. 环境规制下中国工业绿色转型的创新类型选择. 浙江大学学报(工学版)[J], 2024, 58(1): 188-196 doi:10.3785/j.issn.1008-973X.2024.01.020

LIU Haiying, CAI Xianzhe. Choice of innovation type for China's industrial green transformation under environmental regulation. Journal of Zhejiang University(Engineering Science)[J], 2024, 58(1): 188-196 doi:10.3785/j.issn.1008-973X.2024.01.020

在气候变化和资源环境约束的双重压力下，实施工业绿色转型日益成为各国关注的焦点. 当前，中国实现“双碳”目标的时间窗口偏紧，而中国工业部门仍是化石能源消耗的重点领域，也是“三废”和碳排放的主要来源. 在党的二十大提出推进新型工业化，进一步加快推动绿色发展的当下，我们亟须反思现有工业发展模式的可持续性，即在产业调整过程中如何促进中国工业绿色转型[1-3].

在工业绿色转型的测度方面，陈诗一[1]采用工业全要素生产率指标，对中国绿色工业革命进行评价. 李斌等[4]用绿色全要素生产率对经济增长的贡献率来表征工业绿色转型程度. 近年来，将环境效率直接界定为工业绿色转型的研究逐渐出现[5]. 此外，于连超等[6]通过构建指标体系兼顾工业绿色发展的不同维度来表征工业绿色转型. 为了识别环境规制对工业绿色转型具体指标维度(比如污染排放)的影响，王勇等[7-8]淡化了对工业绿色转型目标的综合评价. 在工业绿色转型的实现路径方面，现有文献的探索主要集中在产业绿色技术革新[9]、产业结构优化[10]和产业污染转移[11]方面. 在工业绿色转型机制研究方面，不少学者发现，降低高污染、高耗能产业比例的结构性调整对工业绿色转型的作用是有限的(主要体现在污染排放[7]、能源结构[12]和碳减排方面[8])，绿色技术创新效应正逐渐成为实现工业绿色转型的关键[13].

关于绿色技术创新影响工业绿色转型的多数文献的经验回归揭示，工业企业可以通过提升绿色技术创新绩效[14]，优化能源消费结构，以此来突破资源环境的约束[15]，降低工业生产带来的污染排放[16]，实现工业绿色发展. 其中，汪明月等[17]发现不同绿色技术创新对环境绩效改善的影响和作用方式存在差异，有些绿色技术创新注重末端污染治理，有些注重工艺流程和设备改进. 根据“波特效应”理论[18]可知，绿色技术创新效应是环境规制所引发的. 关于环境规制如何促进绿色技术创新，学者们早已对“波特效应”的相关研究进行了大范围和多角度拓展，但尚未形成统一观点[15, 19]. 综上所述，虽然绿色技术创新对工业绿色转型的关键驱动逐步得到学界认可，但现阶段关于二者关系的研究多是聚焦到某一类绿色技术创新，或者不将绿色技术创新进行分类. 为了探索可持续工业绿色转型的实现路径，亟须识别不同绿色技术创新类型的环境效应.

本文在全局DEA理论框架下，选择考虑非期望产出的超效率SBM方法，测算2008—2020年中国大陆30个省(市、自治区)工业环境效率，借助面板固定效应模型来识别不同绿色技术创新的环境效应，开展稳健性检验. 将环境规制强度作为门槛变量，通过面板门槛回归模型，检验不同绿色技术创新影响工业环境效率的环境规制门槛，为环境规制下工业企业选择适宜的创新类型来实现可持续工业绿色转型提供理论和实践参考.

1. 理论分析与研究假设

1.1. 不同绿色技术创新对工业绿色转型的影响

在严格的环境规制条件下，成本压力会促使大多工业企业采取结果导向型绿色技术创新(比如污染末端治理技术)来实现规制效果，因为与强调绿色生产工艺和产品创新的过程导向创新相比，强调末端污染处理的结果导向创新能够更快获得污染减排效益[20]. 这种形态一旦被长期“锁定”，则不利于在产业内部实现波特的“创新补偿”效应. 尤其是当企业将这种“结果导向型绿色技术创新业务”委托给第三方时，这种波特“创新补偿”效应可能向其他产业(比如环保产业)扩散. 尽管从整个工业层面而言，实现了“节能减排”效应，但这种以结果治理为导向的创新类型在本质上与生产技术是脱钩的，长远来看可能会进一步加剧产业分工.

若工业部门的发展长期依赖末端治理，则可能促使第三方污染处理产业的兴起，带来产业间的“清洁化替代调整”，以减少污染排放和降低能源消耗强度为导向的工业内部清洁化升级可能无法实现. 从可持续发展的角度来看，注重在生产过程中减少污染(过程导向)可能比注重在生产结束时减少污染(结果导向)更有利于长效的工业绿色化低碳发展[21-22]. 由此，提出以下假设：过程导向型绿色技术创新有利于可持续工业绿色转型的实现(假设1a)，结果导向型绿色技术创新不利于可持续工业绿色转型的实现(假设1b).

1.2. 环境规制强度变化对绿色技术创新的环境效应的影响

从波特假说的观点[18]可知，工业企业在一定的环境政策背景下，能够通过加强自身技术研发，引入外来绿色生产技术和清洁节能设备来进行能源转型. 对于污染密集型产业来说，在某种程度上不仅可以实现企业降污，逐步向清洁化生产，而且能够促进自身进行绿色化结构改造.

总的来说，严格的环境规制通过倒逼工业企业进行绿色技术创新而实现绿色转型，短期内可能具有一定的强制性，可能会使企业的污染治理成本被迫增加，而挤占绿色生产技术研发的投入(注重结果导向，即以污染末端治理为首要任务，通过结构性减排来实现规制效果). 长远来看，有效环境治理的关键在于企业主动选择绿色生产工艺升级，逐步缩减污染治理成本，随着环境政策力度的持续加大，企业的环境保护和创新意识会达到一定高度(经济、技术和创新能力等要素水平超过一定阈值)，使其从污染末端进行技术创新改进的需求空间缩减，注重绿色工艺和产品创新带来的可持续经济效益. 由此，提出以下假设：环境规制强度的加大能够提升过程导向型绿色技术创新的正向环境效应(假设2b)，降低结果导向型绿色技术创新的负向环境效应(假设2b).

2. 研究设计

2.1. 计量方程

2.1.1. 基准回归模型

为了验证假设1a和假设1b，构建如下的计量模型来探究不同绿色技术创新类型对工业绿色转型的影响机理：

$ \begin{split} \ln {{\rm{IEE}}_{it}} = &\sum\limits_{n = 1}^{m} {{\alpha ^n}\ln X_{_{it}}^n} +\beta \ln x_1 + \\ & \chi \ln x_2 +{I_i}+{T_t}+{\varepsilon _{it}}. \end{split} $

式中：i表示研究区域，t为年份；IEEit为被解释变量，即工业环境效率；x1为过程导向型绿色技术创新中单位能耗的新产品销售收入，x2为结果导向型绿色技术创新中工业污染物处理的综合指标； $ X_{_{it}}^n $为控制变量；αn为控制变量的影响系数；Ii为各省(区、市)的个体固定效应；Tt为年份固定效应；εit为回归方程的随机误差项.

2.1.2. 门槛回归模型

为了验证假设2a和假设2b，将环境规制强度（environmental regulation intensity，ERI）作为门槛变量，采用Hansen[23]提出的门槛回归模型，研究不同环境规制强度下2种绿色技术创新对工业绿色转型是否存在结构性影响. 在单门槛模型的基础上构建双门槛回归模型，具体的门槛个数由门槛检验结果决定.

$ \begin{split} \ln {{\rm{IEE}}_{it}} = &\sum\limits_{n = 1}^{m} {{\alpha ^n}\ln X_{_{it}}^n} + {\gamma _1}\ln x_1 \times I(\ln {\rm{ERI}} \leqslant {\sigma _1}) + \\ &{\gamma _2}\ln x_1 \times I({\sigma _1} < \ln {\rm{ERI}} \leqslant {\sigma _2}) + {\gamma _3}\ln x_1 \times \\ & I(\ln {\rm{ERI}} > {\sigma _2}) + C + {\varepsilon _{it}}, \end{split} $

$ \begin{split} \ln {{\rm{IEE}}_{it}} = &\sum\limits_{n = 1}^{m} {{\alpha ^n}\ln X_{_{it}}^n} +{\varphi _1}\ln x_2 \times I(\ln {\rm{ERI}} \leqslant {\xi _1})+ \\ & {\varphi _2}\ln x_2 \times I({\xi _1} < \ln {\rm{ERI}} \leqslant {\xi _2})+{\varphi _3}\ln x_2 \times \\ & I(\ln {\rm{ERI}} > {\xi _2})+C+{\varepsilon _{it}}. \end{split} $

式中：γk、φk为门槛变量的影响系数，σk、ξk为每个门槛变量的双门槛，C为回归方程的常数项，I为定性函数.

2.2. 数据来源和变量说明

选用2008—2020年中国大陆30个省(市、自治区)面板数据作为样本(限于数据获取，不含西藏、香港、澳门和台湾)，所有数据主要来自《中国统计年鉴》、《中国科技统计年鉴》、《中国工业统计年鉴》、《中国能源统计年鉴》、《中国环境统计年鉴》、区域统计年鉴以及国家统计局官网等.

2.2.1. 被解释变量

工业环境效率. 在已有研究的基础上[5]，具体的效率投入产出指标选取如表1所示. 考虑投资滞后性，工业污染治理投资额选择滞后一期的数据. 相关经济数据分别按照工业生产者的出厂价格指数和固定资产的投资价格指数平减到以2008年为基年的实际值，能源投入按标准煤折合系数转换为万吨标准煤.

表 1   工业环境效率测算投入产出指标的选取

Tab.1  Selection of input-output indicators for industrial environmental efficiency measurement

总体指标 目标指标 具体指标 单位
投入 人力投入 规模以上工业企业平均从业人数 万人
资本投入 规模以上工业企业固定资产净值 亿元
工业污染治理完成投资额 万元
能源投入 工业能源消耗量 万吨标准煤
产出 期望产出 工业企业增加值 亿元
非期望产出 工业化学需氧量(COD)和氨氮排放量 吨
工业二氧化硫排放量 吨
一般工业固体废物产生量 万吨
工业二氧化碳排放量 万吨

新窗口打开| 下载CSV


为了提升有效决策单元的可比性，运用MAXDEA 8.0软件，在全局DEA框架下参考申晨等[5]修正的包含非期望产出的超效率SBM模型来测算中国工业环境效率(industrial environment efficiency，IEE)，用该效率表征工业绿色转型水平. 该效率能够评价工业部门在工业投入要素既定的情况下减少二氧化碳 1 和三废排放或者提高经济产出，以及在产出既定的情况下减少投入要素的相对有效性.

2.2.2. 核心解释变量

绿色技术创新. Tang等[24]从2个维度对绿色技术创新展开划分，包括绿色工艺创新和绿色产品创新. 徐成龙等[25]研究将绿色工艺创新进一步划分为清洁工艺创新和末端治理技术创新. 清洁工艺创新和绿色产品创新二者之间的理论界限尚不明确，现实中难以完全区分，因此将绿色技术创新划分为过程导向型(process-oriented green technology innovation，PGTI)与结果导向型(result-oriented green technology innovation，RGTI)2种.

PGTI主要指企业聚焦提升资源和能源的有效利用，在生产过程中减少污染排放. 若工业部门改进了生产技术、工艺或产品创新，则结果贡献可以反映在新产品的能源消耗变化上. 选取单位能耗的新产品销售收入来衡量PGTI的性能. RGTI主要指企业聚焦末端污染治理，在生产结束时减少污染排放. 该创新方式增加了污染治理投资额，提高了污染物处理率.选取工业污染治理废气、废水完成投资占工业增加值的比重、工业废气、废水治理设施运行费用占工业增加值的比重和工业固体废物处置利用率指标，采用熵值法对上述数据进行归一化处理，构建工业污染物处理能力的指标，以此来衡量RGTI的性能. 相关投资数据用固定资产投资价格指数平减到以2008年为基年的实际值.

2.2.3. 门槛变量和控制变量

门槛变量为环境规制强度. 参考安孟等[26]的做法，用单位产值的污染治理设施运行费用对环境污染指数(environmental pollution index，EPI)进行修正，得到环境规制强度(environmental regulation intensity，ERI). 与以往单纯用污染程度或污染治理投入的衡量方式相比，较强的环境规制表现为污染治理投入的增加和污染程度的降低.

为了获得稳健且可靠的检验结果，需要补充影响工业绿色发展的其他变量，结合现有文献，选取以下控制变量：固定资产投资(investment of fixed asset，IFA)，以全社会固定资产投资表示[27]；政府技术创新支持(government technical support，GTS)，以地方科学技术支出占地方财政一般预算支出的比重表示[28]；政府环保支持(government environmental support，GES)，以地方财政环保支出占地方财政一般预算支出的比重表示；政府财政支持(government financial support，GFS)，以地方财政一般预算支出占地区生产总值的比重表示[26]；产业升级(upgrading of industry，UI)和产业调整(restructuring of industry，RI)分别选取高新技术产业占比和泰尔指数的倒数来表示[29-30]. 相关经济数据按照价格指数平减到以2008年为基年的实际值.

为了消除可能存在的“伪回归”问题，保证结论的可靠性和稳健性，借助SPSS 27软件对模型进行德宾-沃森(Durbin-Watson)检验，计算各变量的方差膨胀因子(VIF)和容差，检验结果见表2. 可知，各自变量的VIF为1.228~3.244(< 10)，容差为0.308~0.814(> 0.1)，说明各自变量间不存在多重共线性. Durbin-Watson的检验结果为1.704(接近2)，通过检验，表明模型不存在自相关性.

表 2   多重共线性检验结果

Tab.2  Multicollinearity test results

变量 变量标签 容差 VIF
结果导向型绿色技术创新 RGTI 0.308 3.244
过程导向型绿色技术创新 PGTI 0.736 1.359
固定资产投资 IFA 0.539 1.857
政府技术支持 GTS 0.329 3.042
政府环保支持 GES 0.814 1.228
政府财政支持 GFS 0.427 2.343
环境规制强度 ERI 0.484 2.064
产业升级 UI 0.389 2.572
产业调整 RI 0.712 1.405

新窗口打开| 下载CSV


3. 结果分析与讨论

3.1. 中国工业环境效率的时空特征分析

结合图1可知，2008—2020年，中国工业环境效率的整体水平不高，整体效率均值为0.369，这表明对未来工业绿色发展投入产出比例的调节具有一定的必要性，效率拥有很大的改善空间. 此外，中国工业环境效率水平的空间分布特征显著，整体效率均值呈现东部地区(0.448)＞中部地区(0.348)＞西部地区(0.304)的空间分布格局.

图 1

新窗口打开| 下载原图ZIP| 生成PPT

图 1   2008—2020年中国工业环境效率均值的时间变化

Fig.1   Temporal changes in mean value of industrial environmental efficiency in China, 2008—2020


为了分析地区间效率差异的演变特征，采用Kernel密度估计方法，对2008年、2014年和2020年的工业环境效率进行估计，生成全国效率核密度KD曲线，如图2所示. 2008—2020年，全国层面效率核密度曲线整体上呈微幅缩减的态势(左侧缩减幅度大于右侧拓宽幅度)，这表明各省份间的效率差距整体上呈微幅减小的趋势.

图 2

新窗口打开| 下载原图ZIP| 生成PPT

图 2   2008年、2014年、2020年中国工业环境效率的核密度曲线

Fig.2   Kernel density curves of industrial environmental efficiency in China in 2008, 2014 and 2020


3.2. 基准回归结果

借助STATA 17软件进行回归分析，表3中模型(1)为简单回归的结果，发现2种绿色技术创新均存在显著的环境效应. 表3中，***、**、*分别表示1%、5%和10%的显著性水平，括号内为t值. 限于篇幅，未将控制变量回归结果放入文中. 对表3中模型(2)、(3)的回归结果进行Hausman检验(卡方统计量为39.27，伴随概率为0.000)，在选择模型(3)的基础上固定时间效应，得到模型(4)，发现2种绿色技术创新类型的环境效应依旧显著. 进一步得到省级层面的聚类稳健标准误差，见表3的模型(5).

表 3   基准模型的回归结果

Tab.3  Regression result of baseline model

变量 模型(1) 模型(2) 模型(3) 模型(4) 模型(5)
ln x1 0.179***(6.53) 0.190***(5.24) 0.217***(4.97) 0.120***(3.37) 0.120**(2.12)
ln x2 −0.174***(−3.19) −0.189***(−3.52) −0.204***(−3.74) −0.207***(−4.39) −0.207***(−2.99)
控制变量 控制 控制 控制 控制 控制
C −2.561***(−6.31) −2.836***(−4.58) −3.651***(−4.18) −3.614***(−5.09) −3.614***(−3.59)
样本量 330 330 330 330 330
拟合优度 0.563 0.457 0.479 0.693 0.693
地区固定 — YES YES YES YES
年份固定 — — — YES YES
省级聚类 — — — — YES

新窗口打开| 下载CSV


从表3的模型(5)可知，2种绿色技术创新的环境效应截然相反. PGTI对工业绿色转型的影响系数在5%水平下显著为正(0.120)，验证了假设1a. RGTI对工业绿色转型的影响系数在1%水平下显著为负(−0.207)，验证了假设1b. 原因如下：PGTI是指企业通过生产工艺改进或产品创新来提升资源和能源的利用效率，在生产过程中减少污染排放，能够在产业内部产生创新性减排调整. 随着PGTI的不断加强，能够提升工业企业的绿色生产能力，实现产业内部升级，有利于改变中国工业发展所依赖的“高投资、高能耗、高排放”的资源路径. RGTI是指企业聚焦末端污染治理来提升减排绩效，有利于降低高污染、高耗能产业比重，它所实现的是结构性减排调整，但是这类创新本质是与生产技术脱钩的. 随着RGTI的不断增强，企业在成本压力下会越发挤出PGTI，使得“创新补偿”效应更易趋向其他产业扩散(如环保产业)，促进了产业间的“清洁化替代”分工，不利于产业实现自身减排. 已有研究发现，结构性减排对工业绿色转型的影响是有限的[6]，这说明本研究结果的合理性. 实现产业内部升级是当前可持续工业绿色转型的重要任务，PGTI是实现这一目标的关键.

在控制变量组中，政府环保支持(GES)对工业绿色转型的影响显著为正，这表明环保重视程度的提升能够为工业企业绿色转型营造良好的外部环境. 政府财政支持(GFS)和产业调整(RI)呈负向影响，可能是因为运用市场内化企业的污染的外部性成本的机制以及产业分工协作机制尚未成熟.

3.3. 稳健性检验

从如下3个方面展开稳健性检验.

1）内生性检验. 考虑到模型可能存在内生性问题，基于2008—2020年中国大陆30个省(市、自治区)面板数据，引入工业环境效率的滞后一期作为工具变量，主要采用系统GMM估计方法进行内生性检验.

2）替换被解释变量. 近年来，新型工业化的进程正在不断推进，“两化融合”(信息化和工业化融合)是该道路的集中体现. 《“十四五”信息化和工业化深度融合发展规划》强调要进一步加快两化融合，促进工业数字化转型. 在绿色低碳发展的背景下，工业数字化赋能工业绿色化日渐成为趋势. 结合政策背景，出于稳健性考虑，参考文献[31]，尝试在投入要素中加入“两化融合”投入并重新测算工业环境效率，以此作为基准回归被解释变量的替换变量.

3）分样本回归. 2019年，国家发布的《绿色产业指导目录(2019年版)》首次对“绿色产业”进行明确界定，有利于进一步明确工业绿色发展的重心. 为了避免政策的影响，选取2008—2019年数据来进行回归. 由回归结果 2 可知，内生性检验中，残差自相关检验AR(1)的P值(0.027)、AR(2)的P值(0.918)和工具过度识别检验的Hansen检验结果(1.000)均表明，系统GMM方法是有效的. 在上述3个模型中，PGTI和RGTI的影响结果与基准回归保持一致，说明了基准回归结果的稳健性.

3.4. 门槛回归结果分析

3.4.1. 门槛效应检验

采用Bootstrap重复自抽样的方法进行门槛效应检验，结果如表4所示. 表中，**、*分别表示5%和10%的显著性水平，P是通过Bootstrap重复自抽样得到. 模型(9)、(10)的门槛变量均通过了单门槛效应检验，表明其门槛变量存在单门槛.

表 4   门槛效应的检验结果

Tab.4  Results of threshold effect test

模型 解释变量 门槛变量 门槛数量 F统计量 P
模型(9) ln x1 ln ERI 单门槛 18.70** 0.038
模型(9) ln x1 ln ERI 双门槛 5.77 0.493
模型(10) ln x2 ln ERI 单门槛 14.06* 0.095
模型(10) ln x2 ln ERI 双门槛 8.99 0.263

新窗口打开| 下载CSV


门槛估计和置信区间如表5所示.

表 5   门槛估计和置信区间

Tab.5  Threshold estimates and confidence intervals

模型 第一门槛
估计值 95% 置信区间
模型(9) −6.561 (0.001) [−6.603，−6.533]
模型(10) −6.561 (0.001) [−6.577，−6.533]

新窗口打开| 下载CSV


3.4.2. 参数估计结果分析

表6中，括号内为标准误差；***表示1%的显著性水平，限于篇幅，未将控制变量回归结果放入文中. 由表6的模型(9)可知，PGTI对工业绿色转型的影响存在显著正向单门槛特征. 当环境规制强度低于门槛时，PGTI的环境效应在1%水平下显著为正(0.171)；当超过这一门槛时，正向环境效应提升至0.242，验证了假设2a. 由表6的模型(10)可知，RGTI对工业绿色转型的影响存在显著负向单门槛特征. 当环境规制强度低于门槛时，RGTI的环境效应在1%水平下显著为负(−0.360)；超过这一门槛时，负向环境效应下降至−0.162，验证了假设2b. 观察样本数据可知，研究期内环境规制强度跨过门槛的省份数量为26个(东部、中部和西部的省份数量占比分别为35%、31%和34%)，这表明在严格环境规制下采取PGTI所带来的工业绿色转型优势正日益显现. 在上述不同环境规制强度下，2种绿色技术创新对工业绿色转型的影响存在差异.

表 6   门槛模型的回归结果

Tab.6  Regression results of threshold model

变量 变量值
模型(9) 模型(10)
ln x1(ln ERI≤σ1) 0.171***(0.046) —
ln x1(ln ERI＞σ1) 0.242***(0.044) —
ln x2(ln ERI≤ξ1) — −0.360***(0.076)
ln x2(ln ERI＞ξ1) — −0.162***(0.056)
控制变量 控制 控制
C −1.576***(0.512) −1.337***(0.498)
样本量 390 330
拟合优度 0.490 0.491

新窗口打开| 下载CSV


当环境规制强度较弱时，工业企业污染治理投入不会挤占自身的生产成本，PGTI能够与生产技术相容发展，所带来的经济产出可以抵消环境规制下的成本增加，所以环境效应显著为正. 由于工艺改进周期相对较长，粗放发展模式下的企业会倾向于选择RGTI，进行更直接的末端污染排放治理. 随着环境规制强度的进一步加大，单从污染减少量来看，RGTI带来的结构性减排对规制效果的实现是有益的，但是本质上与生产技术脱钩，不利于实现可持续工业绿色转型，所以RGTI的负向环境效应被削弱. 在严格的环境政策背景下，工业企业间以效率为主导的竞争机制会加强，“考虑自身发展模式的可持续性，如何从根本上降低污染外部性成本并实现经济与环境协同发展”会成为企业面临的首要任务. 企业会进一步加强绿色工艺生产技术研发，缩减对结果导向型绿色技术创新的需求，并以此来提升资源利用效率，促进产业自身减排，实现环境规制所带来的产业内部升级的“加速效应”，所以PGTI的环境效应显著增强. 该结论验证了严格的环境规制能够促进企业出现波特“创新补偿”效应，体现了我国现行的环境政策工具对工业绿色转型倒逼效应的有效性.

3.4.3. 区域异质性分析

环境规制强度的变化会改变绿色技术创新的环境效应. 将研究样本划分为东部、中部和西部地区，使用面板门槛回归模型，开展区域异质性分析. 从门槛效应检验结果和参数回归结果 3 可知，东、中、西三大地区的门槛结果存在显著差异.

东部地区PGTI的环境效应存在显著正向单门槛特征，当环境规制强度大于门槛(0.001)时，PGTI的正向环境效应从0.550变为0.311. 东部地区RGTI的环境效应显著为负(−0.100)，不存在门槛效应. 虽然更严格的环境规制会加大东部地区工业企业的污染治理压力，使企业易选择RGTI来平衡运行成本和生产性投资间的关系，但得益于其地理位置优越、长期的政策支持、严格的政府监管环境和完善的工业技术发展配套设施等因素，东部地区PGTI在污染治理中保持着较高的比重，因此PGTI的环境效应虽有所下滑，但仍显著为正.

中部地区PGTI的环境效应显著为正(0.085)，不存在门槛效应. 中部地区RGTI的环境效应存在显著负向单门槛的影响，当环境规制强度跨过门槛(0.003)时，中部地区RGTI的负向环境效应从−0.478变为−0.249，样本中超半数省区的环境规制强度跨过门槛. 西部地区PGTI对工业绿色转型的影响显著为正(0.125),不存在门槛效应. 西部地区RGTI的环境效应存在单门槛影响，当环境规制强度大于门槛(0.001)时，RGTI的负向环境效应开始显现. 除宁夏外，其余西部省份的环境规制强度均跨过了门槛. 对比各地区环境规制强度的门槛可知，中西部地区的环境规制门槛高于东部，这是因为技术能力相对薄弱的资源大省多集中在中西部地区，同样时间内这些省份产业内部升级的难度明显高于经济发达地区. 与中部地区相比，过程导向绿色技术创新对相对落后的西部地区的工业绿色发展的激励作用更明显.

4. 结　论

（1）2008—2020年中国工业环境效率整体水平不高，整体上处于波动上升态势且地区间效率差距在小幅缩减，空间上呈东部＞中部＞西部的分布格局.

（2）不同绿色技术创新的环境效应存在差异，其中，强调工艺和产品的过程导向型绿色技术创新是实现可持续工业绿色转型的关键，政府环保重视程度的提升能够为工业绿色转型营造良好的外部环境.

（3）环境规制强度的变化会改变不同绿色技术创新的环境效应. 随着环境规制强度的加大，过程导向型绿色技术创新的正向环境效应也会加大，结果导向型绿色技术创新的负向环境效应会降低. 政府在提升地区工业绿色发展水平时，因地制宜(动态调整)的环境规制至关重要.

1作者根据国际通用的IPCC(2006)所推荐的方法，选取原煤、焦炭、原油、汽油、煤油、柴油、燃料油、天然气8种工业终端能源对该行业的二氧化碳排放量进行估算.
1限于篇幅，未将稳健性回归结果放入文中.
1限于篇幅，未将分地区门槛效果检验结果和参数回归结果放入文中.

参考文献

陈诗一

中国的绿色工业革命: 基于环境全要素生产率视角的解释(1980—2008)

[J]. 经济研究, 2010, 45 (11): 21- 34

[本文引用: 2]

CHEN Shiyi

Green industrial revolution in China: a perspective from the change of environmental total factor productivity

[J]. Economic Research Journal, 2010, 45 (11): 21- 34

[本文引用: 2]

XIE W C, YAN T H, XIA S M, et al

Innovation or introduction? the impact of technological progress sources on industrial green transformation of resource-based cities in China

[J]. Frontiers in Energy Research, 2020, 8: 598141

DOI:10.3389/fenrg.2020.598141     

刘海英, 蔡先哲

推进“双碳”目标下生态文明建设的创新发展

[J]. 新视野, 2022, 39 (5): 121- 128

DOI:10.3969/j.issn.1006-0138.2022.05.017      [本文引用: 1]

LIU Haiying, CAI Xianzhe

Promote the innovative development of ecological civilization construction under the goal of “Double Carbon”

[J]. Expanding Horizons, 2022, 39 (5): 121- 128

DOI:10.3969/j.issn.1006-0138.2022.05.017      [本文引用: 1]

李斌, 彭星, 欧阳铭珂

环境规制、绿色全要素生产率与中国工业发展方式转变: 基于36个工业行业数据的实证研究

[J]. 中国工业经济, 2013, (4): 56- 68

DOI:10.19581/j.cnki.ciejournal.2013.04.005      [本文引用: 1]

LI Bin, PENG Xing, OUYANG Mingke

Environmental regulation, green total factor productivity and the transformation of China’s industrial development mode: analysis based on data of China’s 36 industries

[J]. China Industrial Economics, 2013, (4): 56- 68

DOI:10.19581/j.cnki.ciejournal.2013.04.005      [本文引用: 1]

申晨, 李胜兰, 黄亮雄

异质性环境规制对中国工业绿色转型的影响机理研究

[J]. 南开经济研究, 2018, 34 (5): 95- 114

DOI:10.14116/j.nkes.2018.05.006      [本文引用: 3]

SHEN Chen, LI Shenglan, HUANG Liangxiong

Different types of environmental regulation and the green transformation of Chinese industry: path selection and mechanism analysis

[J]. Nankai Economic Studies, 2018, 34 (5): 95- 114

DOI:10.14116/j.nkes.2018.05.006      [本文引用: 3]

于连超, 张卫国, 毕茜

环境税对企业绿色转型的倒逼效应研究

[J]. 中国人口·资源与环境, 2019, 29 (7): 112- 120

[本文引用: 2]

YU Lianchao, ZHANG Weiguo, BI Qian

The study on the backward forcing effect of environmental tax on corporate green transformation

[J]. China Population, Resources and Environment, 2019, 29 (7): 112- 120

[本文引用: 2]

王勇, 刘厚莲

中国工业绿色转型的减排效应及污染治理投入的影响

[J]. 经济评论, 2015, 36 (4): 17- 30

DOI:10.19361/j.er.2015.04.002      [本文引用: 2]

WANG Yong, LIU Houlian

The abatement effect of China's industrial green transformation and the impact of pollution control investment

[J]. Economic Review, 2015, 36 (4): 17- 30

DOI:10.19361/j.er.2015.04.002      [本文引用: 2]

杨莉莎, 朱俊鹏, 贾智杰

中国碳减排实现的影响因素和当前挑战

[J]. 经济研究, 2019, 54 (11): 118- 132

[本文引用: 2]

YANG Lisha, ZHU Junpeng, JIA Zhijie

Influencing factors and current challenges of CO2 emission reduction in China: a perspective based on technological progress

[J]. Economic Research Journal, 2019, 54 (11): 118- 132

[本文引用: 2]

SHEN Z, BOUSSEMART J, LELEU H

Aggregate green productivity growth in OECD’s countries

[J]. International Journal of Production Economics, 2017, 189: 30- 39

DOI:10.1016/j.ijpe.2017.04.007      [本文引用: 1]

时乐乐, 赵军

环境规制、技术创新与产业结构升级

[J]. 科研管理, 2018, 39 (1): 119- 125

DOI:10.19571/j.cnki.1000-2995.2018.01.013      [本文引用: 1]

SHI Lele, ZHAO Jun

Environmental regulation, technological innovation and industrial structure upgrading

[J]. Science Research Management, 2018, 39 (1): 119- 125

DOI:10.19571/j.cnki.1000-2995.2018.01.013      [本文引用: 1]

ZHAO Y, WANG S, ZHANG Z, et al

Driving factors of carbon emissions embodied in China–US trade: a structural decomposition analysis

[J]. Journal of Cleaner Production, 2016, 131: 678- 689

DOI:10.1016/j.jclepro.2016.04.114      [本文引用: 1]

李兰冰, 李焕杰

技术创新、节能减排与城市绿色发展

[J]. 软科学, 2021, 35 (11): 46- 51

DOI:10.13956/j.ss.1001-8409.2021.11.08      [本文引用: 1]

LI Lanbing, LI Huanjie

Technological innovation, energy conservation and emission reduction and urban green development

[J]. Soft Science, 2021, 35 (11): 46- 51

DOI:10.13956/j.ss.1001-8409.2021.11.08      [本文引用: 1]

PEGELS A, LUETKENHORST W

Is Germany’s energy transition a case of successful green industrial policy? contrasting wind and solar PV

[J]. Energy Policy, 2014, 74: 522- 534

DOI:10.1016/j.enpol.2014.06.031      [本文引用: 1]

SONG M, WANG S, SUN J

Environmental regulations, staff quality, green technology, R&D efficiency, and profit in manufacturing

[J]. Technological Forecasting and Social Change, 2018, 133: 1- 14

DOI:10.1016/j.techfore.2018.04.020      [本文引用: 1]

黄庆华, 潘婷, 胡江峰

环境约束下中国工业技术进步方向识别及影响因素

[J]. 中国人口·资源与环境, 2022, 32 (6): 123- 135

[本文引用: 2]

HUANG Qinghua, PAN Ting, HU Jiangfeng

Identification and influencing factors of China's industrial technology progress direction under environmental constraints

[J]. China Population, Resources and Environment, 2022, 32 (6): 123- 135

[本文引用: 2]

XU L, FAN M T, YANG L L, et al

Heterogeneous green innovations and carbon emission performance: evidence at China’s city level

[J]. Energy Economics, 2021, 99: 105269

DOI:10.1016/j.eneco.2021.105269      [本文引用: 1]

汪明月, 李颖明, 王子彤

工业企业不同类型绿色技术创新内在关联与绩效传导路径

[J]. 资源科学, 2021, 43 (8): 1534- 1548

DOI:10.18402/resci.2021.08.03      [本文引用: 1]

WANG Mingyue, LI Yingming, WANG Zitong

Relationship and performance transmission paths of different types of green technology innovation in industrial enterprises

[J]. Resources Science, 2021, 43 (8): 1534- 1548

DOI:10.18402/resci.2021.08.03      [本文引用: 1]

PORTER M E, CLASS V D L

Toward a new conception of the environment competitiveness relationship

[J]. The Journal of Economic Perspectives, 1995, 9 (4): 97- 118

DOI:10.1257/jep.9.4.97      [本文引用: 2]

商波, 杜星宇, 黄涛珍

基于市场激励型的环境规制与企业绿色技术创新模式选择

[J]. 软科学, 2021, 35 (5): 78- 84

DOI:10.13956/j.ss.1001-8409.2021.05.12      [本文引用: 1]

SHANG Bo, DU Xingyu, HUANG Taozhen

Market incentive-oriented environmental regulation and the pattern selection of enterprises’ green technology innovation

[J]. Soft Science, 2021, 35 (5): 78- 84

DOI:10.13956/j.ss.1001-8409.2021.05.12      [本文引用: 1]

KASSINIS G, VAFEAS N

Stakeholder pressures and environmental performance

[J]. Academy of Management Journal, 2006, 49 (1): 145- 159

DOI:10.5465/amj.2006.20785799      [本文引用: 1]

KHAN S J, KAUR P, JABEEN F, et al

Green process innovation: where we are and where we are going

[J]. Business Strategy and the Environment, 2021, 30 (7): 3273- 3296

DOI:10.1002/bse.2802      [本文引用: 1]

XIE R H, TEO T S H

Green technology innovation, environmental externality, and the cleaner upgrading of industrial structure in China: considering the moderating effect of environmental regulation

[J]. Technological Forecasting and Social Change, 2022, 184: 122020

DOI:10.1016/j.techfore.2022.122020      [本文引用: 1]

HANSEN B E

Threshold effects in non-dynamic panels: estimation, testing, and inference

[J]. Journal of Econometrics, 1999, 93 (2): 345- 368

DOI:10.1016/S0304-4076(99)00025-1      [本文引用: 1]

TANG M, WALSH G, LERNER D, et al

Green innovation, managerial concern and firm performance: an empirical study

[J]. Business Strategy and the Environment, 2018, 27 (1): 39- 51

DOI:10.1002/bse.1981      [本文引用: 1]

徐成龙, 庄贵阳

环境规制下中国工业空间结构的动态演化及驱动因素

[J]. 中国科技论坛, 2019, 35 (3): 53- 60

DOI:10.13580/j.cnki.fstc.2019.03.005      [本文引用: 1]

XU Chenglong, ZHUANG Guiyang

Dynamic evolution and driving factors of industrial spatial structure under environmental regulation in China

[J]. Forum on Science and Technology in China, 2019, 35 (3): 53- 60

DOI:10.13580/j.cnki.fstc.2019.03.005      [本文引用: 1]

安孟, 张诚, 朱冠平

环境规制强度提升了中国经济增长质量吗

[J]. 统计与信息论坛, 2021, 36 (7): 87- 96

DOI:10.3969/j.issn.1007-3116.2021.07.009      [本文引用: 2]

AN Meng, ZHANG Cheng, ZHU Guanping

Does the intensity of environmental regulation improves the quality of China’s economic growth

[J]. Journal of Statistics and Information, 2021, 36 (7): 87- 96

DOI:10.3969/j.issn.1007-3116.2021.07.009      [本文引用: 2]

曾婧婧, 童文思

能源政策如何作用工业绿色经济发展

[J]. 中国人口·资源与环境, 2018, 28 (12): 19- 28

[本文引用: 1]

ZENG Jingjing, TONG Wensi

How do energy policies affect the development of industrial green economy

[J]. China Population, Resources and Environment, 2018, 28 (12): 19- 28

[本文引用: 1]

彭星, 李斌

不同类型环境规制下中国工业绿色转型问题研究

[J]. 财经研究, 2016, 42 (7): 134- 144

DOI:10.16538/j.cnki.jfe.2016.07.012      [本文引用: 1]

PENG Xing, LI Bin

On green industrial transformation in China under different types of environmental regulation

[J]. Journal of Finance and Economics, 2016, 42 (7): 134- 144

DOI:10.16538/j.cnki.jfe.2016.07.012      [本文引用: 1]

唐晓华, 刘相锋

能源强度与中国制造业产业结构优化实证

[J]. 中国人口·资源与环境, 2016, 26 (10): 78- 85

DOI:10.3969/j.issn.1002-2104.2016.10.010      [本文引用: 1]

TANG Xiaohua, LIU Xiangfeng

Energy intensity and industrial structure optimization of China's manufacturing industry

[J]. China Population, Resources and Environment, 2016, 26 (10): 78- 85

DOI:10.3969/j.issn.1002-2104.2016.10.010      [本文引用: 1]

傅元海, 叶祥松, 王展祥

制造业结构变迁与经济增长效率提高

[J]. 经济研究, 2016, 51 (8): 86- 100

[本文引用: 1]

FU Yuanhai, YE Xiangsong, WANG Zhanxiang

Structure changes in manufacturing industry and efficiency improvement in economic growth

[J]. Economic Research Journal, 2016, 51 (8): 86- 100

[本文引用: 1]

张辽, 王俊杰

中国制造业两化融合水平测度及其收敛趋向分析: 基于工业信息化与信息工业化视角

[J]. 中国科技论坛, 2018, 34 (5): 32- 40

[本文引用: 1]

ZHANG Liao, WANG Junjie

Measurement on integration level of informatization and industrialization of China's manufacturing industry and its convergence trend

[J]. Forum on Science and Technology in China, 2018, 34 (5): 32- 40

[本文引用: 1]

/

〈 〉