技术异质性与区域低碳创新效率评价

进入21世纪以来，我国创新活动区域化集聚趋势显著，部分富有特色和竞争优势的创新区域(长三角、珠三角和环渤海等)成为带动我国创新驱动发展的“增长极”。但受制于地方政绩约束，各地技术创新模式强调的是知识获取、生产和经济增长，经济利益最大化是创新活动追求的最终目标，割裂了技术、经济、社会三者与生态系统之间的有机联系。单一的经济利益诉求不可避免地导致自然资源过度消耗与废弃物大量排放，进而对生态圈造成毁灭性影响。习近平同志在十九大报告中指出，加快生态文明体制改革，建设美丽中国。其中一个工作重点是加快建立绿色生产、消费的法律制度和政策导向，建立健全绿色低碳循环发展经济体系。在此背景下，以低能耗、低排放为核心的低碳技术创新是节能减排的有效响应机制。实施低碳创新，大力发展低碳经济，核心是提高资源利用效率，减少经济增长对环境的破坏，关键在于低碳创新能力和低碳创新效率提升。因此，在绿色、低碳视角下，科学地对我国区域低碳创新效率进行测算，挖掘低碳创新效率的关键影响因素，对于进一步提升我国低碳创新能力具有重要意义。

1 研究评述

国内外针对区域创新效率评价的研究方法一般有参数法和非参数法两类。参数法主要有随机边界函数法、厚边界函数法等，非参数法则以数据包络分析(DEA)方法为代表。采用随机边界函数法的代表性文献有：史修松等[1]分析了区域创新效率及空间差异，发现东部地区创新效率高于中西部地区，而且东、中、西部地区内部各城市创新效率也有明显差异；白俊红等[2]测算了中国(内地)各区域研发创新效率，并进一步考察区域创新系统内企业、高校和科研机构间关系链接对创新效率的影响。采用数据包络分析方法的代表性文献有，刘顺忠和官建成[3]分析了我国各地创新系统绩效；官建成和何颖[4]利用两阶段DEA模型分别测度创新活动的技术有效性、经济有效性及综合有效性，并按照有效性值划分为不同水平的地区；谢建国和周露昭[5]把我国内地30个省市技术创新活动分为两个阶段并分别进行分析，发现我国创新效率存在显著空间差异和创新阶段差异,两种方法各有优劣。随机边界函数法(SFA)需要预先设定函数的具体形式，而数据包络分析法评估的是相对效率，可以避免设定模型时的主观性问题。纵观现有文献，大多假设所有产出都是好的，忽视了坏的产出，现有技术创新模式过于强调经济增长，导致资源过度消耗与废弃物大量排放。在创新过程中，污染排放不可避免。

自 Brawn & Wield 首次提出“绿色技术”以来，学界对经济体如何减少对环境消极影响的关注从未间断。2005 年以来，低碳创新和生态创新的概念开始出现在科学杂志上。低碳创新是一种以能源节约、环境优化、经济发展为核心的发展理念，与循环经济、绿色发展、绿色经济、生态创新等概念具有相近性。目前，学者们对低碳创新的理解尚未形成统一认识。但是普遍观点认为，低碳创新是以低能耗、低污染、低排放和高效能、高效率、高效益为特征，通过技术创新实现节约能源资源、保护生态环境和节能减排的技术创新模式。在宏观层面以低碳发展为创新方向，在中观层面以节能减排为创新方式，在微观层面以碳中和技术为主要创新方法。对环境的担忧引发了国内外学者对低碳创新的关注[6-8]。对低碳创新效率效果进行合理评估，沿用以往测度“传统创新”的方法是否有效等问题，现有研究不够深入。目前，国内学者对低碳创新效度测量处于尝试期，大多数为企业微观层面的实证研究。例如，童昕[9]以经济普查企业数据库为基础，针对施查企业度量了其绿色创新水平。冯志军[10]以规模以上工业企业为样本，比较分析了我国省级区域规模以上工业企业绿色创新效率。总体来看，学界已经初步建立了对微观层面低碳创新绩效的度量方法，但是对地区、行业乃至国家层面的低碳创新水平度量明显不足。通过对低碳创新相关研究检索发现，在可查到的关于省际区域低碳创新效率评价中，匡远凤等[11]、袁晓玲等[12]在考虑非期望产出的情况下，利用DEA模型测算低碳创新全要素生产率；陈诗一[13]则在考虑二氧化碳排放的情况下，对我国工业行业进行了低碳经济增长核算；曹霞等[14]利用投影寻踪模型处理高维数据的特点，对随机前沿模型进行改进，构建了低碳创新效率测度模型；汪传旭[15]采用非径向、非角度的 SBM 模型，在不考虑非期望产出和考虑非期望产出两种情况下，对我国省际高技术产业绿色创新效率进行测算；王惠等[16]基于2006-2012年省级面板数据，采用Super-SBM模型测度环境约束下我国高技术产业绿色创新效率;殷群等[17]在引入能耗和环境因素等指标的情况下，运用带有非期望产出的SBM模型测量2009-2013年我国各区域绿色创新效率。

上述研究需要从以下方面深化：第一，大部分研究是在没有考虑各区域之间经济发展和创新能力差异的情况下对低碳创新效率进行测算的，即没有考虑各地区在经济和技术创新能力上的异质性。由于我国地域宽广，各地经济社会发展阶段、资源环境禀赋不同，各地区低碳技术边界必定存在一定程度的差异。如果仍然采用这种假定对总体样本进行效率评估，则难以辨析创新效率产生差异的根源。因此，Battese，Rao[18]& O'Donnell等[19]构建了基于DEA方法的共同边界和组群边界分析框架，用以评价不同技术差距的效率问题。第二，上述文献在对低碳创新过程中产生的非期望产出进行处理时，普遍采用Tone[20]提出的非径向变量不同比例缩减的SBM模型，由于其忽略了经济生产活动中诸多要素具有紧密联系，测算得到的效率值存在一定偏差。目前，对创新过程中非期望产出的处理主要有4种方式：一是将其取倒数作为期望产出量处理；二是不对非期望产出进行处理，而是直接作为投入项；三是运用数据转换方法对非期望产出进行转化；四是运用方向距离函数方法。基于此，Tone[21]提出Hybrid模型，同时考虑投入产出要素径向和非径向的关系。因此，本文考虑到空间差异性和节能减排约束，构建包含技术异质性和非期望产出的创新效率评价模型，借助中国省际面板数据，测度中国省际低碳创新效率。

2 低碳创新效率评价模型与方法

2.1 基于非期望产出的Hybrid-DEA模型

由于传统DEA模型不考虑非期望产出，无法对包括非期望产出的决策单元进行评价。Seiford & Zhu[22]综合弱处置和强处置方式，在传统DEA模型中纳入非期望产出并对决策单元进行效率测算。但是，该模型是以非径向缩减方式设计的，忽视了决策单元投入和产出之间可能的径向特征。Tone(2004)提出了Hybrid-DEA模型，综合投入/产出的径向和非径向特征，但无法评价具有非期望产出的决策单元效率。因此，借鉴Lu等[23]的评价思路，本文对Tone构建的Hybrid-DEA模型进行扩展，将非期望产出纳入其中，一方面能评价非期望产出特征的决策单元，另一方面能综合投入/产出的径向和非径向特征。

和

分别表示投入和产出矩阵。其中，n表示决策单元的个数，m和s分别表示投入和产出指标个数。通过分解，将投入和产出分为径向和非径向、期望产出和非期望产出，进而得到新的投入和产出矩阵，如式(1)和(2)所示。

其中，

表示径向投入，

表示非径向投入，并且

表示径向期望产出，

表示径向非期望产出，

表示非径向期望产出，

表示非径向非期望产出，并且有s=s1+s2+s3+s4。决策单元效率评价模型如式(3)所示。

当且仅当θ=1，φ=1，φ=1，sNRg+=0，sRb+=0，sNRg+=0，sNRb+=0满足时，决策单元为DEA有效。方程(4)可通过下列线性规划求解：

其中，θ为径向投入的效率值。

2.2 共同边界DEA

共同边界DEA模型的基础思路是不同地区、组群之间的技术水平是有差异的，将所有决策单元纳入统一的评价模型是不科学的，结果是有偏的。因此，评价应分解为两个阶段，首先根据决策单元不同属性特征(经济基础、社会文化、产业结构、资源禀赋等)，将所有决策单元划分为性质不同的k(k>1)组群，不同组群对应各自生产技术边界。然后，将所有组群纳入评价模型，构建一个共同技术边界。

假设投入和产出分别为

和

将所有决策单元纳入模型后，共同技术集合为Tmeta={(x，y)|x≥0;y≥0;x能生产出y}，生产可能集为Pmeta(x)={y|(x，y)∈Tmeta}，根据凸性原理围成的曲面即为共同生产边界。共同距离函数如式(5)所示。

当考虑第k个组群时，组群技术集合为Tk={(x，y)|x≥0;y≥0;x能生产出y}，生产可能集为Pk(x)={y|(x，y)∈Tk}，根据凸性原理围成的曲面即为组群生产边界。组群距离函数如式(6)所示。

依据共同和组群距离函数，技术比率(FER)表示为组群生产边界下产出与共同生产边界下产出之比，如式(7)所示。

根据以上公式，技术比率可以考察决策单元在组群生产边界下与共同生产边界下生产技术之间的差距。不同组群面临的生产技术是异质性的，这是由于经济、社会体制结构不同所致。技术比率越高表示决策单元面临的生产技术越接近潜在最优生产技术，否则相反。

假设决策单元为单一投入和单一产出，将所有决策单元划分为3个组群，以A点为例，共同边界效率值、组群边界效率值以及技术比率分别表示为：

2.3 基于共同边界与非期望产出的DEA模型

Battese等[24]认为，不同组群之间的技术是有差异的。在此基础上，O′Donnell等(2008)通过共同生产边界模型测算组群技术效率和共同技术效率。Chiu[25]拓展了hybrid技术差距测算方法，构建了包括非期望产出的共同边界DEA模型。

假定所有决策单元划分为I个组群，每个组群面临不同的技术效率。第i组群规模表示为Ji，且满足

可得式(8)：

ρ*和ρi分别为共同效率和群组效率，可通过线性规划得到：

决策单元的技术差距比率如式(10)所示。

3 指标选取与数据来源

创新效率评价涉及创新投入和创新产出两个维度指标。关于创新产出一般选取专利、论文和高新技术产品产值等期望产出，而忽视了非期望产出。尽管部分文献已经意识到非期望产出，如污染排放对创新效率评价结果的影响，但并未将污染排放作为产出指标，而是将其视为投入项并作为投入指标。然而，非期望产出一般是伴随经济活动而产生的。传统创新活动结束后不可避免地会产生污染排放。因此，本文将创新产出指标划分为期望产出和非期望产出，非期望产出即指污染排放。具体指标选取如下：

(1)投入要素指标。创新投入指标选取R&D人员全时当量和R&D经费投入。同时，创新过程会消耗能源，因此在衡量低碳创新效率时需要加入能源投入指标，选取各省(区)能源消费总量表示能源投入。

(2)期望产出采用各地区人均地区生产总值和专利授权数量表示。其中，人均地区生产总值以2000年不变价进行换算。非期望产出采用碳排放量表征，但是目前关于碳排放量无官方统计数据，国内外文献也未给出统一测算方法，因而本文拟通过间接方式测算碳排放[26]。《中国能源统计年鉴》提供了细分能源终端消费的实物量，然后根据标准煤折合系数折算为相应的万吨标准煤。

此外，考虑到我国内部地区之间经济发展水平和创新能力存在较大差距，基于异质性视角将中国划分不同地区组群并进行实证检验。国内学者对于中国区域划分不同标准，魏楚(2007)提出三大区域划分方式，徐国泉(2007)提出八大经济区划分方式，范丹和王国维(2013)提出聚类法划分方式。自改革开放以来，国家基本上按照东、中、西三大经济区划分制定非均衡的区域经济发展战略。因此，本文沿用东、中和西的区域划分法。

本文全部样本为我国内地31个省、直辖市和自治区，样本时间为2006—2015年。数据来源于历年《中国统计年鉴》、《中国能源统计年鉴》、《中国环境统计年鉴》、《中国工业经济统计年鉴》。

4 区域创新效率测算与分析

本文将非期望产出纳入传统DEA评价模型中，测算基于非期望产出的我国区域创新效率，同时测算传统未考虑非期望产出情境下的区域创新效率，并对两种情境下的评价结果进行比较，利用相关检验方法对两种情境下测算出的创新效率值进行差异性分析，以检验考虑非期望产出情境的合理性。

4.1 区域创新效率测算

本文首先对传统不考虑非期望产出的区域创新效率进行DEA测算，选取指标包括3个投入指标(R&D人员全时当量、R&D经费投入和能源消费总量)及两个产出指标(人均地区生产总值和专利授权数量)，运用DEA Solver6.0软件处理，将以上指标数据输入，生成相应省区2006-2015年创新效率测算值并进一步测算年度平均值，测算结果如表1所示。

表1给出了不考虑非期望产出情境下我国区域创新效率值。由结果可以看出，2006—2015年我国内地各省(区)区域创新效率值波动不大，说明国家实施创新发展战略以来，我国区域创新活动发展态势良好，即便经历了2008年全球经济危机，我国各地创新创业发展依然较为平稳，也反映出我国创新系统内生性特征较强，自主创新能力有所提升，具有较强的抗外界干扰能力。从历年创新效率值以及2006-2015年均值表现看，少数部分省(市、区)创新效率保持DEA有效，如北京、广东、西藏等，说明上述省(市、区)创新绩效较高，在将创新投入转化为创新产出方面具有较强优势，持续的创新投入和良好的创新生态环境有效促进了创新产出。另外，有部分省区创新效率尽管尚未表现出完全DEA有效，但其创新效率值也非常靠近有效前沿面，如上海、江苏、浙江、山西、河南、四川等，表明上述省(市、区)在创新投入和创新产出转换方面有一定竞争力，意味着未来有进一步改善和提升的空间。其它省(市、区)的创新效率由于创新体制机制问题，表现不尽如人意。其中，青海创新效率平均效率最低，仅为0.387，天津效率次之，仅为0.394，与达到或接近DEA有效的省(市、区)相比，上述省(市、区)创新环境对创新主体的支持还存在诸多不足，相对滞后的经济基础和资源禀赋无法为创新创业发展提供强有力的支持。需要注意的是，以上创新效率值是一个相对数，是依据各省(市、区)实际值与全国所有省(市、区)组成的有效前沿面的距离之比。

纵向看，我国各省区创新效率值的变化有波动，但总体上保持相对平稳。但是，从三大经济区内部变化看，我国各地区创新效率变化存在显著差异，三大经济区创新效率变化趋势如图2所示。

图2显示，我国东中西部三大经济区创新效率表现出不同走势，2006年后的一段时间，创新效率差距不大，但随着时间推移，东中西三大地区的创新效率差距开始逐步拉大。创新效率呈现东部-中部-西部依次递减格局，尤其是西部创新效率下滑趋势比较明显，由此拉低了全国创新效率。究其原因在于：作为中国改革开放的先行区，东部地区利用濒临港口的地理优势加快与国际接轨，大量人才、资金、技术资源不断集聚，上述创新要素为东部地区创新活动提供了平台和支撑。对于中西地区而言，受限于区位交通闭塞，经济发展缺乏活力，大量人才资金流向东部地区，创新创业缺乏必要的政策扶持和资源供给，整个地区创新活动滞后。值得一提的是，我国整体创新效率在2013年出现过短暂回落，表明目前我国创新改革已经全面进入深水区，未来只有进一步加大创新驱动战略实施力度，落实各项改革措施，才能持续提高我国自主创新能力。

4.2 基于非期望产出的区域创新效率测度

以上是不考虑污染排放情境下对我国区域创新效率进行DEA测算。由于在创新过程中不可避免地会产生非期望产出，而且非期望产出必然会影响创新绩效，导致传统创新效率测算结果是有偏的。鉴于此，为了真实反映污染排放对创新效率的影响，本文将污染排放纳入传统DEA评价模型中，在污染排放约束下对我国区域创新效率重新测算。选取指标包括3个投入指标(R&D人员全时当量、R&D经费投入和能源消费总量)和两个期望产出指标(人均地区生产总值和专利授权数量)，加上一个非期望产出(碳排放)，再次运用DEA Solver6.0软件处理，将以上指标数据输入，生成相应省(市、区)2006—2015年低碳创新效率测算值，进一步测算年度平均值，测算结果如表2所示。

表2是将污染排放纳入区域创新系统时测算出来的效率值。从测算结果看，2006-2015年期间，我国各省(市、区)创新效率变动较为平稳，保持在一定范围内，没有出现较大波动。与不考虑污染排放情境下的创新效率变化类似，基于污染排放的我国区域创新效率同样呈现东部-中部-西部依次递减格局。从各地区历年创新效率均值看，东部地区、中部地区和西部地区创新效率的平均值分别为0.736、0.637和0.499，就全国历年创新效率平均值看仅为0.619，距离有效前沿面差距较大，还有进一步提升空间。

图3显示了污染排放约束下我国区域创新效率的变动趋势。从走势图看，将污染排放纳入到创新效率评价模型之后，历年各区域创新效率发生了较为明显的变化，而且三大经济区的创新效率差距呈现出扩大趋势。就东部地区而言，其创新效率表现好于中西部地区。从创新效率时间走势看，东部地区创新效率表现比较稳定，尽管部分年份创新效率略有下调，但总体上呈现上扬趋势。西部地区创新效率表现则远低于东部和中部地区，且这种差距有进一步扩大趋势。

综合以上测算结果表明，两种情境下测算出的区域创新效率存在一定差异，无论是东部地区还是中西部地区，将污染排放纳入创新效率评价模型测算出的效率值要低于未将污染排放纳入情境下测算出来的效率值，即传统创新效率测算都是有偏的，无法准确反映各地创新活动的实际情况。一方面，传统创新效率测算方法高估了创新运行效率；另一方面，传统方法未将非期望产出纳入到创新效率评价模型，从而导致部分省区高产出与高污染并存。其中，污染排放对我国西部地区创新效率的影响较大，而对东部地区和中部地区的影响较小。

此外，由分析可以发现，在节能减排约束下我国各省(市、区)创新效率均低于未考虑污染排放情况下的效率值，即非期望产出会降低创新活动效率。污染排放对创新主体绩效影响关系的作用机理表现为：碳排放约束条件下，各地企业为了满足各级政府环境治理的硬约束，不得不增加环境治污开支，从而增加了企业创新成本，影响未来盈利能力，降低了创新效率。以上测算结果尽管能直观体现两种情境下创新效率差异，但是否在统计意义上存在差异性还需要作相应检验。本文通过Wilcoxon符号秩检验方法对两种情境下测算出的创新效率进行显著性检验，检验结果表明，两种情境下测算出的创新效率值差异显著。因此，有理由判断基于非期望产出的区域创新效率值更有效。

4.3 空间技术异质性下的区域创新效率结果

对比表1和表2的测算结果发现，我国区域创新效率地区差异较大，在考虑污染排放因素后，这种地区差距变得更加明显。本文认为，其可能原因在于：首先，区域创新效率的影响因素众多，是创新环境和创新主体相互作用、相互影响的结果，创新效率的高低取决于区域创新系统面临的体制、机制、文化、政策等。改革开放以来，三大经济区的经济发展处于不同阶段，体制、禀赋、文化等方面的差异直接导致创新效率的差距。因此，不同地区面临的技术边界和水平是不同的，如果将所有决策单元纳入同一个评价框架中进行测算，那么依据DEA测算原理，西部欠发达地区创新效率必须参考全国最优创新边界。但是，西部地区与东部地区相比，其经济、技术处于劣势，如果按照全国技术标准，则不能有效指导西部地区创新效率改进和提升。鉴于此，必须先按照某个标准将全国划分为不同组群，同一组群内部不同地区按照一个技术边界进行评价。只有在某个组群内部同等技术条件下，才能有效评价不同地区的创新效率值。因此，本文采用共同边界模型对基于非期望产出的区域创新效率进行评价，测算结果见表3。

表3是共同边界模型测算出的创新效率值。以往研究忽视地区技术差距将所有样本纳入同一个评价标准的做法是不符合实际的。在引入共同边界模型后，共同边界创新效率和组群边界创新效率是有差异的，共同边界效率是所有决策单元参考全国最优生产边界测算出来的，组群边界效率是组群内部决策单元参考组群生产边界测算出来的，这就导致组群创新效率(0.726 2)大于共同边界创新效率(0.618 8)。

表3给出了中国各地区2006-2015年低碳创新效率值。通过比较各地区效率值发现，考察期内中国整体低碳创新效率水平较低(0.676) ，低碳创新水平还存在很大的提升空间。从各组群MGIE平均值的比较看，中国低碳创新效率呈现出东部、西部、中部依次递减趋势，效率值分别为0.773、0.679、0.546。这表明，中国各地区由于资源配置不平衡导致低碳创新能力存在显著差异。从各组群的MGIE平均值看，若参考共同技术边界，东部、中部和西部地区三大组群分别有22.7%、32.1%和45.4%的低碳创新效率改善空间。东部地区表现为DEA相对有效的有3个地区，分别为北京、天津和海南。其中，北京和天津得益于雄厚的科技实力、优秀的研发人才及政府政策扶持，在科技创新研究方面一直走在全国前列，而海南省主要依靠旅游业带动经济发展，环境保护力度较大、政策措施相对完善。东部地区表现最差省份为河北省，共同边界下其低碳创新效率仅为0.497，主要是因为河北省产业结构偏重化工业，钢铁、建材、石化、电力等“两高”行业集中，能源结构不尽合理。中西部地区受体制机制等诸多方面制约，尤其面临人才资源短缺、技术创新力不足的困境，导致其低碳创新效率普遍偏低，并且在共同边界下无省市达到DEA有效，即没有实现环境要素相对有效配置。与潜在共同生产边界比，中西部地区表现最差省份为江西省，低碳创新效率仅为0.470，存在53%的低碳创新提升空间。从整体创新效率看，中西部地区由于受诸多因素影响，低碳创新效率普遍偏低，在低碳创新成果转化应用和推广方面还有待加强。

低碳技术缺口比例(FER)反映组群最优前沿面与共同最优前沿面的低碳技术差距，技术缺口比例越大，说明组群生产边界与共同生产边界的差距越小，当技术缺口比例为1时，组群生产技术与共同生产技术没有差距。表3结果显示，相对于中西部组群，东部组群低碳生产技术边界与全国(共同)低碳生产技术边界差距较小，东部地区低碳创新技术缺口比率为0.984 8，中部地区为0.801 1，西部地区为0.755 8。这意味着东部地区低碳生产技术更加接近有效前沿面，而中西部地区低碳生产技术与有效前沿差距较大。同时表明，东部地区绝大部分省份低碳创新技术已经达到了潜在共同边界技术水平。究其原因在于，东部沿海地区得益于良好的区位和政策优势，在引进国外先进低碳技术方面拥有较大优势，其低碳技术创新能力处于全国先进行列。中西部地区低碳技术研发投入不足，削弱了中西部地区环境技术革新力度。

5 结论与不足

5.1 结论

本文从技术异质性和节能减排约束出发，构建纳入技术异质性—非期望产出的创新效率测算模型，借助我国省际面板数据，测度了我国省际低碳创新效率，得到如下结论：

(1)不考虑非期望产出的情况下测算得到的区域创新效率表明，目前我国区域创新效率水平距离有效前沿仍然存在一定差距，综合效率水平较低，且全国创新系统发展较为平稳。此外，比较东中西部地区创新效率，我国创新系统运行效率存在显著的地区差异，东中西部效率值依次递减，并且东部-中部-西部地区之间效率差异有逐步扩大的趋势。

(2)运用基于非期望产出的DEA模型对低碳创新效率进行测算，结果表明，由于空间技术异质性，创新效率存在显著地区差异，呈现出“东部-中部-西部”效率依次递减格局，东部地区低碳生产技术更加接近有效前沿面，并且差距有逐步扩大的趋势，这与西部地区机制体制制约以及资源禀赋有关。对比分析两种情境下计算得到的创新效率可以发现，未将非期望产出纳入分析框架测算创新效率的传统方法一方面会高估我国区域创新效率，从而使得计算得到的结果有偏；另一方面传统的研究方法会错误地选择决策标杆(Benchmark)，从而导致无法真正有效提高决策单元的创新效率。

(3)无论是传统的效率分析方法还是非期望产出分析框架，均表明我国东中西部地区之间的效率存在显著差异，这意味着三大区域之间的技术异质性对创新效率具有一定影响。

5.2 不足与展望

现阶段，我国区域低碳创新效率的指标并未形成统一体系，本文基于已有研究建立低碳创新效率评价指标，主要采用的是可量化的各类指标，如知识产权、创新文化、环保意识等定性要素对低碳创新效率的影响未能考虑在内。因此，如何更为客观描述我国区域低碳创新运行状况是本文进一步研究的方向。另外，本文综合考虑数据的可得性和研究对象的可行性，为避免一些指标在统计口径变化上的影响，因此考虑的时间段有限，今后研究中可利用更多可获得的和有效的数据进一步扩大研究时间范围。

[1] 史修松, 赵曙东, 吴福象. 中国区域创新效率及其空间差异研究[J]. 数量经济技术经济研究, 2009 (3): 45-55.

[2] 白俊红,江可申,李婧.应用随机前沿模型评测中国区域研发创新效率[J].管理世界,2009(10):51-61．

[3] 刘顺忠,官建成.区域创新系统创新绩效的评价[J].中国管理科学,2002,10(1):75-78.

[4] 官建成,何颖. 基于DEA方法的区域创新系统的评价[J].科学学研究,2005,23(2):265-272.

[5] 谢建国,周露昭.中国区域技术创新绩效——一个基于DEA的两阶段研究[J].学习与实践,2007(6):29-34.

[6] BERNAUER T, ENGEL S, KAMMERER D, et al. Explaining green innovation: ten years after porter's win-win proposition: how to study the effects of regulation on corporate environmental innovation[R]. Center for Comparative and International Studies,2006.

[7] CHEN Y S, LAI S B, WEN C T. The influence of green innovation performance on corporate advantage in Taiwan [J]. Journal of Business Ethics, 2006(67):331-339.

[8] FRONDEL M, HORBACH J, RENNINGS K. What triggers environmental management and innovation? empirical evidence for Germany [J]. Ecological Economics, 2008, 66(1): 153-160.

[9] 童昕. 集群中的绿色技术创新扩散研究——以电子制造的无铅化为例[J].中国人口·资源与环境,2007(6)：66-71.

[10] 冯志军. 中国工业企业绿色创新效率研究[J].中国科技论坛,2013(2):82-88.

[11] 匡远凤,彭代彦.中国环境生产效率与环境全要素生产率分析[J].经济研究,2012 (7):62-74.

[12] 袁晓玲,班斓,杨万平.陕西省绿色全要素生产率变动及影响因素研究[J].统计与信息论坛,2014 (5):38-43.

[13] 陈诗一. 能源消耗、二氧化碳排放与中国工业的可持续发展[J]. 经济研究, 2009(4): 41-55.

[14] 曹霞,于娟.绿色低碳视角下中国区域创新效率研究[J]中国人口·资源与环境,2015(5):10-19.

[15] 汪传旭, 任阳军. 高技术产业绿色创新效率的空间溢出效应[J].产经评论,2016(6):76-84.

[16] 王惠,王树乔,苗壮,李小聪. 研发投入对绿色创新效率的异质门槛效应——基于中国高技术产业的经验研究[J].科研管理，2016(2)：63-71.

[17] 殷群,程月. 我国绿色创新效率区域差异性及成因研究[J]江苏社会科学,2016(2):64-69.

[18] BATTESE G E, RAO D S P. Technology gap, efficiency and a stochastic meta-frontier function[J]. International Journal of Business and Economics, 2002,1(2):87-93.

[19] O’DONNELL C J, RAO D S P, BATTESE G E. Metafrontier frameworks for the study of firm-level efficiency and technology ratios[J]. Empirical Economics, 2008, 34(3):231-255.

[20] TONE K. A slacks-based measure of efficiency in data envelopment analysis[J]. European journal of operational research, 2001, 130(3): 498-509.

[21] TONE K. A hybrid measure of efficiency in DEA[R]. GRIPS Research Report Series, 2004：1-2004-0003.

[22] SEIFORD L M, ZHU J. Modeling undesirable factors in efficiency evaluation[J]. European Journal of Operational Research, 2005, 142(1): 16-20.

[23] LU C C, CHIU Y H, SHYU M K, et al. Measuring CO2 emission efficiency in OECD countries: application of the hybrid efficiency model[J]. Economic Modelling, 2013(32): 130-135.

[24] BATTESE G E, RAO D S P. Technology gap, efficiency and a stochastic meta-frontier function[J]. International Journal of Business and Economics, 2002,1(2):87-93.

[25] CHIOU T Y, CHAN H K, LETTIC F, et al. The influence of greening the suppliers and green innovation on environmental performance and competitive advantage in Taiwan[J]. Transportation Research Part E: Logistics and Transportation Review, 2011, 47(6): 822-836.

[26] 郑长德,刘帅.基于空间计量经济学的碳排放与经济增长分析[J]中国人口·资源环境,2011(5):80-85.