0 引言
长期以来，以投资和要素驱动为发展模式的经济增长方式引起了严峻的环境问题，并导致中国绿色全要素生产率低下。新常态下，资源短缺和环境恶化问题日趋严重，中国政府尝试转变经济增长方式以提升绿色全要素生产率，并提出以创新作为经济绿色增长第一驱动力的发展战略模式。在创新驱动发展理念引导下，中国创新投入逐年增长。数据显示，中国专利数量从2007年的25.2万件增加到2016年的182万件，年增长率22.6%，远远高于世界其它国家0.3%的增长水平，增长速度以绝对优势领先于世界其它地区。然而，地方政府为追求政绩，盲目崇拜R&D，扭曲了对创新的行为支持，使得我国创新战略并未取得理想效果[1]。虽然以衡量创新能力的专利授权数量呈爆发式增长，但中国创新活动存在数量多、质量低等问题，高质量专利与低质量专利数量差距逐渐扩大[2]。特别是在中国企业层面，亚太地区12个重点产业发展领域专利申请数量均处于中等偏下水平。本研究从创新质量视角入手，探讨创新质量对绿色全要素生产率的异质性效应，并检验在创新驱动下，创新质量能否有效促进绿色全要素生产率提升。
1 文献综述
绿色全要素生产率提升是实现中国经济高质量发展的核心，将创新作为经济增长新动力是实现绿色全要素生产率提升的重要手段[3]。国内外学者对创新如何影响全要素生产率进行了一系列研究，主要包括以下几种观点：一种观点认为，创新环境可以影响创新能力[4]，进而影响全要素生产率。持这一观点的学者从基础设施水平[5-8]、创新制度水平[9-11]和政府R&D补贴[12]等角度研究了创新对全要素生产率的影响。另一种观点认为，创新模式是影响全要素生产率的主要因素[13,14]。虽然学者就创新对全要素生产率的影响取得了丰硕成果，但以往研究并未将能源消耗和环境污染等因素纳入全要素生产率测算框架中。因此，将环境、资源因素纳入全要素生产率测算框架，得到绿色全要素生产率是评价经济绿色发展的一个进展。在绿色全要素生产率测算方面，起初学者将能源消耗和污染排放代入扩展的C-D生产函数进行计算[15]；之后，学术界对绿色全要素生产率测算方法进行了改进。Fare等[16]将环境污染作为非期望产出，构建了方向距离函数，但这种方法是基于投入或产出一方不变，从而改变另一方来计算投入产出效率的计算模型，因此存在角度和径向缺陷。针对方向距离函数测算绿色全要素生产率的缺陷，Fukuyama & Weber[17]发展了更为一般化的非角度、非径向SBM方向距离函数，并提出用Luenberger生产率指数计算绿色全要素生产率。在绿色全要素生产率实证方面，Guo[18]等利用结构方程模型研究发现，在环境规制下，创新可以促进区域绿色发展；师博等[19]实证研究指出，企业研发投入对绿色全要素生产率提升具有重要作用；万伦来等[20]也指出，在高R&D行业，技术引进能够显著促进绿色全要素生产率提升；葛鹏飞等[21]指出，创新从技术进步和技术效率两个方面影响绿色全要素生产率。
纵观国内外学者对创新与绿色全要素生产率间关系的研究发现，无论是理论研究、实证检验还是绿色全要素生产率测算方法改进均取得了大量成果。虽然学者从创新环境和创新模式等多角度分析了对其生产效率的影响，却忽视了创新的核心问题，即创新质量。随着创新活动的增加，学者开始关注创新质量问题。创新质量是相对于创新数量而言的，其是衡量某一区域创新能力的重要因素。创新质量概念框架最早由Haner[22]提出，并将创新质量划分为产品或服务、过程及企业3个领域。杨幽红(2013)在Haner理论的基础上，进一步将创新质量内涵扩充为创新所提供的产品、服务、过程，市场或是经营管理组织、方法特征满足顾客要求的程度以及所含不良的免除程度3个方面。但其并未提出创新质量测算方法，定量研究创新质量成为实证研究者关注的重点领域。对于创新质量的测算，已有研究者多以新产品销售收入[23]、专利数量[24]和人均技术市场成交额[25]等指标衡量创新质量，但仅仅是阐述了创新“量”的变化，并非“质”的变化。更多学者从专利质量角度衡量创新质量，早期研究者多采用政府专利政策衡量一个地区专利质量，但政府专利资助政策对专利质量的抑制效应容易造成专利“泡沫”[26]。Hsu等[27]采用专利被引频次衡量了创新质量；吴菲菲等[28]利用多指标评价法测算了中国生物医药领域专利质量；Aghion等[29]和Akcigit等[30]运用专利知识宽度衡量专利质量。
综上所述，学界无论是从理论还是实证方面对绿色全要素生产率、创新质量的单方面研究均取得了大量成果，但目前鲜有学者从创新质量角度研究其对绿色全要素生产率的影响，以往研究者从创新投入、创新效率等多维度对绿色全要素生产率影响的研究为本研究提供了借鉴。基于此，本研究在以往研究的基础上，将创新质量和绿色全要素生产率作为研究对象，揭示二者间的关系，可以更好地诠释创新驱动战略下创新对绿色经济发展的影响，为各级部门制定创新扶持政策提供决策依据。同时，考虑到创新质量与绿色全要素生产率间可能存在非线性关系，借鉴前人研究方法将环境规制作为门槛变量，利用动态面板门槛模型考察不同环境规制水平下创新质量与绿色全要素生产率的关系，并确定最优绿色发展下的环境规制策略。
2 绿色全要素生产率测算
2.1 测算方法
传统研究关注的全要素生产率(TFP)只将GDP作为“好”的产出，并未考虑生产过程中以牺牲环境为代价的 “坏”的产出。非期望产出约束下全要素生产率是测度在给定投入要素的前提下，实现最大产出的同时尽可能减少污染物排放的生产效率。因此，根据Fare等[16]的研究方法，假设将一个省份作为一个决策单元，每个决策单元有N要素投入x=(x1,x2,…,xn)∈R+，同时有M种“好”的产出即期望产出y=(y1,y2,…,ym)∈R+，U种“坏”的产出即非期望产出b=(b1,b2,…,bu)∈R+。首先，以
表示截面观测值权重，约束条件
∀n表示生产技术可变规模报酬(VRS)，当没有这一约束条件时表示规模报酬不变(CRS)，运用数据包络将其模型化：
∀
∀u
∀
∀k}
(1)
之后，依据Fukuyama & weber[17]提出的非期望效率产出模型，考虑投入、产出与能源环境关系的SBM方向性距离函数：
(2)
∀
∀
∀u
∀
∀
∀
∀u
式(2)中，(xt,k′,yt,k′,bt,k′)分别为投入、产出向量；(gx,gy,gb)为投入、产出方向向量；
为投入、期望及非期望产出松弛向量。在CRS下的SBM方向性距离函数用
表示。
最后，根据Chamber et al[31]提出的Luenberger生产率指数测算绿色全要素生产率，即t期到t+1期的生产率指标为：
(3)
(4)
Tech=GTFP-Effe
(5)
上式中，GTFP为绿色全要素生产率，Effe和Tech为绿色全要素生产率的分解项，分别表示技术效率变化和技术进步。
2.2 数据选取
(1)要素投入。资本存量、劳动力投入和能源作为投入指标。①资本投入。利用“永续盘存法”估算各省资本存量，根据历年价格指数平减为以2006年为基期的可比价，取9.6%作为资本折旧率[32]，计算各省份资本存量；②劳动力投入。鉴于统计年鉴中就业数据为统计年度年底数据，不能有效反映当年全社会劳动投入情况，因此，采用本年年底就业人数与上年度年底就业人数的平均值作为本年度劳动力投入；③能源投入。根据陈诗一[33]提供的公式和折算系数，将各省能源消耗折算成标准煤，见表1。
(2)期望产出。选择各省GDP作为期望产出，并以2006年为基期，其它年份根据价格指数平减为2006年可比价。
(3)非期望产出。以CO2、SO2、废水排放量、烟尘排放量和一般工业废物产生量作为非期望产出。由于统计数据中没有直接反映CO2排放量，采用各种化石能源对应的CO2排放系数进行计算[33]，其它非期望产出指标采用当年实际产生量。
表1 能源折算系数
能源折标准煤参考系数原煤0.714 3原油1.428 6天然气1.330 0
2.3 绿色全要素生产率测算结果
根据上文计算公式，测得30个省份绿色全要素生产率及其分解。表2为全国、各省、区域2006-2016年的绿色全要素生产率及其分解的平均增长率。图1～图4分别为全国、东部地区、中部地区和西部地区2006-2016年绿色全要素生产率及其增长率分解。
表2 中国各省、区域绿色全要素生产率及其分解的年平均增长率(2006-2016年)
省份GTFPEffceTech省份GTFPEffceTech北京1.0231.0001.023湖南1.1021.0181.084天津1.0271.0001.027广东1.0111.0001.011河北1.0930.9971.095广西1.0371.0081.029山西0.9880.9910.997海南0.9601.0000.960内蒙古1.1470.9981.149重庆1.0121.0111.001辽宁1.0040.9941.010四川1.0141.0081.006吉林1.0191.0061.013贵州1.0181.0091.008黑龙江1.0470.9581.089云南0.9980.9990.999上海1.0301.0001.030陕西1.0241.0071.017江苏1.0361.0001.036甘肃0.9890.9980.991浙江1.0480.9881.060青海0.9721.0000.972安徽1.0191.0021.018宁夏0.9351.0280.907福建1.1081.0201.088新疆0.981 90.9900.991江西1.0251.0001.025全国1.0271.0021.025山东1.0371.0001.037东部1.0341.0001.034河南1.0421.0091.032中部1.0491.0011.048湖北1.0611.0181.044西部0.9911.0050.986
注：表中区域划分参考国家统计局网站，http://www.stats.gov.cn/
整体来看，2006-2016年，全国绿色全要素生产率平均年增长率为2.7%，与王兵研究的中国1998-2007年环境全要素生产率结果相似，技术进步对绿色全要素生产率的贡献率为92.6%。分省份看，绝大多数省份绿色全要素生产率数值大于1，表明这些省份整体经济绿色发展良好，其中绿色全要素生产率提升最快的3个省份分别是内蒙古、福建和湖南。但山西、海南、云南、甘肃、青海、宁夏和新疆等地区绿色全要素生产率水平小于1，表明这些地区绿色全要素生产率为负，面临的环境压力较大。分区域看，中部地区绿色全要素生产率高于东、西部地区，主要原因是中部地区技术进步效率值最高。西部地区绿色全要素生产率数值低于1，处于全国最低水平，意味着西部地区以资源禀赋提升经济增长的发展模式难以为继。
图1～图4表明，绿色全要素生产率与技术进步变化趋势基本一致，这也证实了技术进步是影响中国绿色全要素生产率的主要因素。分时间段看，2006-2010年绿色全要素生产率呈波动上升趋势，主要源于技术进步率的波动变化；2010-2011年，绿色全要素生产率有一个明显下降的变化，主要是由于中国经济面临严峻的外部环境，这一阶段中国贸易出口额明显减少，导致以出口为导向的经济增长动力不足；研究末期绿色全要素生产率出现明显上升趋势，与我国实施创新驱动发展战略的时间正好吻合。
图1 全国绿色全要素生产率及其分解
图2 东部地区绿色全要素生产率及其分解
3 研究设计
3.1 计量模型构建
考虑环境规制因素的影响，创新质量在不同环境规制下可能与绿色全要素生产率存在非线性关系。因此，基于Hansen[34]的非线性面板回归模型，构建如下静态面板门槛模型：
GTFPi,t=
(6)
图3 中部地区绿色全要素生产率及其分解
图4 西部地区绿色全要素生产率及其分解
式(6)中，GTFPi,t表示绿色全要素生产率；innovi,t为核心解释变量，在本研究中用创新质量表示；xi,t表示控制变量；αi、γt和ε分别表示截距项、时间固定效应和随机误差；δ、φ分别表示各变量系数；q为门槛变量，本研究选用环境规制强度作为门槛变量；θ为门槛值大小。为减少共线性问题，对以上变量均采用对数形式。静态面板门槛模型仍然会面临变量间的内生性问题，为消除由变量内生性引起的估计误差，在式(6)的基础上构建GMM动态面板门槛模型，引入工具变量可以有效解决变量内生性问题，但由于差分GMM估计易受弱工具变量的影响，而系统GMM模型引入因变量滞后一期作为工具变量造成的偏误性更小[35]。基于此，在式(6)基础上引入因变量一阶滞后项构建系统GMM门槛模型如下：
GTFPi,t=αi+γt+
(7)
3.2 变量定义与说明
3.2.1 核心解释变量：创新质量(innov)
由于中国专利数据库没有专利被引用次数方面的信息，本研究借鉴Aghion&Akcigit的研究方法，利用专利知识宽度衡量创新质量，优势是从知识复杂性和广泛性角度反映专利质量，专利所含知识的复杂性越高，其被模仿和改进的难度越大，其质量也越高[26]。
由于国家专利数据库为企业层面数据，因此使用国家知识产权局公布的IPC专利分类号数量，依据“部-大类-小类-大组-小组”格式(如：A01B01/00)分类方法定义专利知识宽度。具体而言，IPC分类号中第一位字符即A为所在“部”，第二、第三位数字表示“大类”，第四位字母表示小类，第五到第六位数字表示大组，“/”线后面数字为小组。一般认为，专利拥有的分类号数量越多，知识宽度越宽，专利质量越高。但是，只考虑专利分类号数量也会引起测算偏误。例如，一项专利拥有3个分类号分别为：A01B02/00、A01B02/10、A01B02/20，而另一项专利也拥有3个分类号:A01B02/00、A02B13/00、B35D13/20，这两项专利均有相同数量的专利分类号，但前者只利用了一个大组信息，而后者却利用了3个大组信息，显然后者专利知识宽度大于前者，其专利质量也相对更高。为减少利用专利分类号数量造成的测算偏误，本研究参考产业集中度测算思路，利用赫芬达尔—赫希曼指数逻辑思路对专利分类数量进行加权处理，具体测算方法为：patent_knowedgent,type=1-∑α2，其中α表示专利分类号中大组分类所占比重，patent_knowedgent,type值越大表示专利质量越高。由于本文研究对象为省级层面绿色全要素生产率，为使企业层面数据与省级研究单位相匹配，首先根据专利授权申请单位所在地址按省市进行分类，之后对同一省份相同年度每项专利质量累积求和，最后用该省专利质量总和除以该省专利授权数量求得平均专利质量，将平均专利质量作为创新质量以消除因地区差异而造成的估计误差：
需要指出的是，由于国家知识产权局公布的外观设计专利分类号与发明专利和实用新型专利分类号不同。因此，本研究计算的专利知识宽度为发明专利和实用新型专利。
3.2.2 门槛变量：环境规制强度(ER)
目前，学者主要从环保资金投入、工业废水排放达标率、SO2去除率等角度综合测算环境规制强度[36,37]，但由于统计口径变化，统计数据在2010年以后已不包含SO2去除率。因此，采用张成等[38]和刘家悦等[39]的做法，利用工业废水、废气治理设施运行费用占工业增加值的比重作为环境规制强度衡量指标。
3.2.3 控制变量
为降低因遗漏变量而造成的估计偏误，选取以下变量作为控制变量：产业结构(stru)，以第二产业产值/区域总产值表示；信息化水平(net)，以研究区域互联网普及率表示；政府行为(gov)，用地区财政支出中教育支出和科技支出占地区生产总值的比值表示；地方开放程度(open)，以实际利用外商投资额与地区生产总值的比值表示。另外，选取各地区就业人员受教育年限作为人力资本指标，具体计算方法为：pg=P1×6+P2×9+P3×12+P4×16，式中P1、P2、P3、P4分别表示小学、初中、高中、大专及以上就业人口比重；经济发展水平(pergdp)用人均地区生产总值表示。
3.3 研究样本与数据来源
本研究时间范围为2006-2016年，研究区域为中国大陆除西藏(因为西藏数据严重缺失)外的30个省级行政区，全部数据来源于《中国统计年鉴》、《中国劳动统计年鉴》、《中国环境年鉴》和《中国科技统计年鉴》，专利分类号数据由国家知识产权局专利数据库整理得到。
4 计量分析与结果讨论
4.1 平稳性检验
为判断各变量是否为平稳变量，首先对面板数据进行单位根检验。由于本研究为“大N小T”的短面板数据，故采用HT检验、IPS检验和Hadri LM检验，结果如表3所示。
表3 变量平稳性检验结果
变量HTIPSHadri LM是否平稳变量GTFP-12.721 2∗∗∗-2.532 4∗∗∗6.090 2∗∗∗是innov-2.174 3∗∗-1.973 9∗∗11.126 3∗∗∗是stru-0.799 7-2.107 6∗∗13.135 2∗∗∗是open-3.009 7∗∗∗-2.573 5∗∗∗9.230 8∗∗∗是gov1.283 4-2.173 5∗∗11.792 5∗∗∗是pergdp-1.290 1∗-2.863 7∗∗∗14.430 4∗∗∗是pg-5.660 2∗∗∗-4.697 8∗∗∗11.369 5∗∗∗是net-6.504 6∗∗∗-5.651 8∗∗∗4.328 7∗∗∗是
注：符号***、**、*分别表示在1%、5%和10%水平上显著，下同。所有检验均将变量减去各截面单位均值再进行检验。其中，IPS和Hadri LM检验均加入个体固定效应和线性时间趋势
在HT检验下，产业结构(stru)和政府行为(gov)未能通过显著性水平检验，但二者均通过了IPS和Hadri LM 检验的5%、1%显著性水平，因此可以断定产业结构和政府行为是平稳变量。人均GDP(pergdp)的HT检验在10%水平上显著，并未通过5%显著性水平，但在1%显著性水平上通过IPS和Hadri LM 检验。其它变量均在5%显著性水平上通过HT、IPS和Hadri LM检验，因此认为本研究所有变量为平稳变量，可以直接进行回归分析。
4.2 创新质量门槛效应回归
为判断创新质量与绿色全要素生产率是否存在门槛效应，首先对式(7)进行组内去均值以消除个体效应。之后，采用栅格搜索法将门槛变量在5%～95%分位数区间的任意门槛值进行OLS回归，得出最佳估计。表4为环境规制门槛下创新质量与绿色全要素生产率间的非线性关系。
表4 动态面板门槛估计结果
变量(1)(2)(3)(4)(5)(6)线性OLSFEDID-GMMSYS-GMMFE-IVGMM-IVinnov_10.162∗∗(2.47)0.181∗∗(2.05)0.208∗∗∗(3.99)0.207∗∗∗(3.64)0.056∗∗(2.42)0.286∗∗∗(3.44)stru-0.122(-0.24)-0.028∗(-1.87)-0.482∗∗∗(-3.21)-0.083∗∗(-2.44)-0.034∗∗∗(-3.38)-0.519∗∗(-2.18)open-0.094∗∗∗(-2.51)-0.088∗∗(-2.47)-0.079∗∗∗(-3.15)-0.039∗∗(2.41)-0.059∗∗∗(-3.12)-0.038∗∗∗(-3.39)gov0.075(0.51)0.164∗∗(2.17)0.644∗∗(2.11)0.322∗∗∗(4.14)0.184∗∗∗(3.19)0.081∗∗∗(4.26)pergdp0.250∗∗∗(4.97)0.218∗∗∗(3.15)0.267∗∗∗(5.42)0.062∗(1.70)0.217∗∗∗(3.24)0.132∗∗∗(3.71)pg0.060∗∗(2.23)0.061∗∗(2.31)0.057∗∗∗(3.47)0.163∗∗(2.38)0.035∗∗(2.25)0.002∗∗(2.41)net0.054∗(1.83)0.046∗∗(2.09)0.006∗∗∗(4.43)0.017∗∗∗(3.74)0.098∗∗(2.37)0.022∗∗∗(4.05)innov_2———0.084∗∗∗(3.34)0.118∗∗(2.33)0.283∗∗∗(4.58)0.043∗∗∗(3.29)0.183∗∗∗(4.19)_cons0.672∗∗∗(2.68)0.687∗(1.83)0.549∗∗(2.38)1.270∗∗∗(5.57)0.527∗(1.84)1.090∗∗(2.36)门槛值1.2031.2030.7461.2531.203
表4中第(1)列为线性模型下各变量估计参数，在线性模型下创新质量对绿色全要素生产率具有显著促进作用。第(2)～第(6)列为门槛效应下创新质量对绿色全要素生产率的估计参数。第(2)列为固定效应模型下动态面板门槛估计结果，但各地区情况不同，可能存在不随时间变化的遗漏变量，产生解释变量内生性问题。同时，为避免创新质量与绿色全要素生产率间因双向因果关系而存在潜在的内生性问题，采用差分广义矩阵(DID-GMM)检验动态面板模型，结果如表4第(3)列所示。但当被解释变量存在持续性时，滞后项作为差分项的工具变量就会变得很弱。根据Arellano等[40]的做法，采用系统广义矩阵(SYS-GMM)解决弱工具变量问题，结果如第(4)列所示。借鉴Vladimir Arcabic等[41]的做法，将t时期解释变量横截面数据平均值和解释变量滞后项作为工具变量提升普通GMM估计稳健性，报告结果为“GMM-IV”。同样，利用上述工具变量进行面板数据固定效应模型检验，可以克服偏差相对较小的问题，报告结果如“FE-IV”所示。
对每一个模型利用最小二乘法确定门槛值个数，采用栅格搜索法确定门槛变量估计值参数。借鉴Vladimir Arcabic等的做法，对FE和FE-IV模型采用最小化均方根确定门槛值，对DID-GMM和GMM-IV模型采用最小化残差平方和确定门槛值，对SYS-GMM模型的门槛值则采用J统计量确定，所有模型均采用1 000次自抽样法计算门槛值95%的置信区间。
表4结果显示，门槛值范围在0.746～1.253间，不同门槛值下创新质量均会促进绿色全要素生产率增长。GMM-IV结果显示，创新质量对绿色全要素的影响是非线性的，存在以环境规制为门槛变量的门槛效应。这一门槛值在GMM-IV估计结果下为1.203，环境规制高于门槛值时，创新质量(innov_1)对绿色全要素生产率的影响为0.286，在1%水平上显著，表明每提升1%的创新质量将会促进0.286%的绿色全要素生产率。环境规制水平低于门槛值时创新质量(innov_2)对绿色全要素生产率的影响为0.183，通过了5%的显著性水平检验，即当环境规制水平低于1.203时，每提升1%的创新质量将会提升0.183%的绿色全要素生产率。主要原因在于，严格的环境规制会促使企业进行技术创新，降低企业污染能源消耗量，减少企业污染物排放。
从控制变量看，影响绿色全要素生产率的最大因素是stru，对绿色全要素生产率具有显著抑制作用。主要原因是，现阶段我国第二产业多为高能耗产业，高能耗产业在第二产业中占比仍然很大，第二产业占比增加将加大能源消耗，产生更多非期望产出，阻碍绿色全要素生产率提升。open系数为负，表明外商投资会抑制本国绿色全要素生产率提升。原因在于，国外企业为规避本国更为严厉的环境规制政策以谋求更大利益，将污染企业迁移到中国，使中国成为其“污染避难所”。gov对我国绿色全要素生产率提升具有正向促进作用，主要原因在于：一是政府干预优化了资源配置，政府通过“看得见的手”对资源进行分配，使资源流向低能耗、低污染、生产率高的企业，这意味着生产率高的企业更具有市场竞争优势，其会扩大生产规模，从而提升绿色全要素生产率；二是政府运用行政手段关停高污染企业或者强制企业进行转型升级，意味着高能耗、低效率生产企业将被淘汰，间接提升了绿色全要素生产率。pergdp系数显著为正，意味着现阶段经济水平提高有利于全要素生产率提升。pg系数虽然为正，但未通过显著性水平检验，原因在于目前我国人力资本水平较低，对绿色全要素的影响并不明显。net系数显著为正，表明信息化水平提高可以促进中国绿色全要素生产率提升。
4.3 创新质量对绿色全要素生产率非线性影响的异质性检验
为分析创新质量对绿色全要素生产率的影响是否存在地区差异，本研究将研究样本分为东、中、西3组，对样本进行异质性检验，并将此作为额外的稳健性检验，结果如表5所示。
表5 创新质量对绿色全要素生产率影响的异质性检验
变量东部中部西部innov_11.324∗∗∗(3.96)0.124∗∗(2.41)0.005∗∗∗(3.22)innov_21.303∗∗∗(4.10)0.389∗∗(2.36)0.229∗∗∗(4.43)门槛值0.8041.1250.978
由表5结果可知，不同区域内，在环境规制作用下，创新质量对绿色全要素生产率的影响存在明显的空间差异。
(1)在东部地区，环境规制门槛值为0.804，远远低于中、西部地区。当门槛值高于0.804时，创新质量系数为1.324，通过了1%的显著性水平检验，表明创新质量对绿色全要素生产率具有显著正向促进作用。当门槛值低于0.804时，创新质量系数在1%水平上显著为正，表明创新质量水平提高可以促进绿色全要生产率提升。当创新质量系数值高于门槛值时，其对绿色全要素生产率的促进作用比低于门槛值时的作用大。因此，东部地区在环境规制作用下创新质量对绿色全要素生产率的影响呈反“L”型非线性特征。
(2)在中部地区，环境规制门槛值为1.125，明显高于其它地区。创新质量系数为正，均通过了5%的显著性水平检验，但低于门槛值时，创新质量系数为0.389，是高于门槛值时创新质量系数的3.14倍。因此，中部地区创新质量对绿色全要素生产率的影响呈“L”型非线性特征。
(3)在西部地区，环境规制门槛值为0.978。当高于门槛值时，创新质量系数仅为0.005，并通过了1%的显著性水平检验，表明创新质量水平提高低于环境规制门槛值时对绿色全要生产率的提升具有促进作用。但当门槛值低于0.978时，创新质量系数为0.229，是高于门槛值时创新质量系数的45.8倍。可以看出，在西部地区，环境规制水平对绿色全要素生产率的影响十分敏感。但是，面对高速增长的专利数量以及由环境规制约束造成的区域绿色全要素生产率空间差异，还需深入进行讨论。
首先，东部地区在中国工业化进程中处于领先地位，并在产业转型升级大潮中发挥着“排头兵”作用，在转型过程中离不开科技创新的支撑。其次，在创新驱动战略实施下，R&D投入逐年增加，并在政府引导下迅速转向科技创新领域。良好的创新环境吸引了大量科技人才集聚，灵活的市场机制将专利成果转化为科技产出更容易产业化，从而实现技术进步。另外，企业参与是绿色全要素生产率提升的不竭动力，在政府强有力监管下，污染企业面临着行政关停风险，在开放经济环境中技术落后型企业面临被新技术产业竞争淘汰的风险，这些因素导致企业被动进行产业升级，为科技创新成果转化提供了市场。而中、西部地区发展初期享受的优惠政策较少，工业化进程缓慢，虽然在中部崛起和西部大开发战略影响下，绿色全要素生产率有所提升，但地方政府在创新驱动战略发展理念下为政绩考核过度投资R&D。R&D投入虽然能带来生产技术进步，但生产技术必须符合当地生产要素禀赋[42]。目前，中、西部地区仍以劳动密集型企业为主，廉价的劳动力成本为落后型工业企业提供了生存空间，先进生产技术无法适应低质的生产要素。另外，这些地区创新激励措施往往有偏，企业为争取创新补贴而盲目进行研发投入，导致创新成果不能有效转化或者无法与区域产业基础相匹配。在这一形势下，高污染企业产品仍然有很大的生产空间，而政府只是一罚了之，缺乏有效的引导机制和监管机制，导致中、西部地区环境规制门槛虽高，但创新质量对绿色全要素生产率的促进作用小。
进一步分析发现，东部地区北京、天津、福建和广东4省市环境规制水平在2016年低于0.804的门槛值，这4个省市可以重点加强环境规制，提升创新质量对绿色全要素生产率的影响。而中部地区山西、内蒙古、黑龙江、安徽、湖南5省份和西部地区贵州、甘肃、青海、宁夏4省份环境规制强度在2016年均高于所在区域门槛值，这些地区在提升创新质量水平的同时应积极探寻除创新质量外的其它因素，以促进绿色全要素生产率提升。
5 结论与展望
5.1 研究结论与启示
本研究利用SBM方向距离函数测算全国30个省市2006-2016年的绿色全要素生产率，并构建以环境规制水平为门槛变量的动态面板门槛模型，考察创新质量对绿色全要素生产率的影响，得出了一些有价值的结论。
为促进绿色全要素生产率提升，实现中国经济高质量发展，本研究提出以下政策建议：一是从中央层面有针对性地制定区域发展政策，综合考虑区域发展差异，借鉴国外先进经验，构建完善的环境评价体系，积极引导地方政府树立绿色发展理念，并建立绿色经济考核新体系，同时避免地方政府盲目跟风；二是东部地区继续实施严格的环境规制措施，加大科研投入，制定完善的科研产出考核体系，以保证科研产出质量，最大限度地发挥创新驱动对经济增长的促进作用。中、西部地区则要积极实施人才引进战略，以突破环境规制对创新驱动的限制，同时还要深化市场经济改革，积极搭建科技成果转化平台，为发明专利市场化提供保障。
5.2 研究不足与展望
目前，对于深入研究企业创新质量与企业竞争力及企业绿色生产效率间作用机制的研究较少。因此，未来研究可以此为出发点从以下两个方面来进行考察：一是理论拓展。企业竞争力和企业资本等因素决定了企业创新能力，忽视企业基础条件而探讨企业创新质量会造成严重的估计偏差，因此应梳理企业创新质量对绿色全要素生产率的作用机制，以及影响企业创新质量的不同途径和机制，以加深对企业创新质量的理解；二是样本选取及实证检验。宏观数据会忽视企业差异，在样本选取上应进一步利用微观数据检验不同行业间企业创新质量差异性，并验证其对区域绿色全要生产率的影响。
[1] 余泳泽,张先轸.要素禀赋、适宜性创新模式选择与全要素生产率提升[J].管理世界,2015(9):13-31+187.
[2] 刘督,万迪昉,吴祖光.我国创业板市场能够识别创新质量吗[J].科研管理,2016,37(12):46-54.
[3] 洪银兴.论创新驱动经济发展战略[J].经济学家,2013(1):5-11.
[4] 侯鹏,刘思明,建兰宁.创新环境对中国区域创新能力的影响及地区差异研究[J].经济问题探索,2014(11):73-80.
[5] PORTER, M AND S,STERN. National innovative gapacity [J]. Research Policy, 2002,31(6):899-933.
[6] GANS J,HAYES R. Measuring innovative performance-essential for effective innovation policy and economic growth[J]. Melbourne Review: A Journal of Business and Public Policy, 2006,2(1):70-82.
[7] 贾俊雪.公共基础设施投资与全要素生产率:基于异质企业家模型的理论分析[J].经济研究,2017,52(2):4-19.
[8] 刘秉镰,武鹏,刘玉海.交通基础设施与中国全要素生产率增长——基于省域数据的空间面板计量分析[J].中国工业经济,2010(3):54-64.
[9] 郭国峰,温军伟,孙保营.技术创新能力的影响因素分析——基于中部六省面板数据的实证研究[J].数量经济技术经济研究,2007(9):134-143.
[10] 潘士远.最优专利制度、技术进步方向与工资不平等[J].经济研究,2008(1):127-136.
[11] 罗德明,周嫣然,史晋川.南北技术转移、专利保护与经济增长[J].经济研究,2015,50(6):46-58.
[12] 余明桂,回雅甫,潘红波.政治联系、寻租与地方政府财政补贴有效性[J].经济研究,2010,45(3):65-77.
[13] NAOTAKA S. Techology gap matters on spillover [J]. Review of Development Economics, 2010,14(1):103-120.
[14] CHRISTOPHE FEDER. The effects of disruptive innovations on productivity[J] Technological Forecasting & Social Change 2018,126: 186-193.
[15] PITTMAN R W. Multilateral productivity comparisons with undesirable outputs[J]. The Economic Journal, 1983, 93(372): 883-891.
[16] FARE R,S GROSSKOPF, et al. Environmental production functions and environmental directional distance function [J]. Energy,2007,32:1055-1066.
[17] FUKUYAMA H, WILLIAM L, WEBER. A directional slacks-based measure of technical inefficiency[J]. Socio-Economic Planning Sciences, 2009,43(11):274-287.
[18] LING LING GUO, YING QU, MING-LANG TSENG. The interaction effects of environmental regulation and technological innovation on regional green growth performance[J]. Journal of Cleaner Production，2017,162:894-902.
[19] 师博,姚峰,李辉.创新投入、市场竞争与制造业绿色全要素生产率[J].人文杂志,2018(1):26-36.
[20] 万伦来,朱琴.R&D投入对工业绿色全要素生产率增长的影响——来自中国工业1999-2010年的经验数据[J].经济学动态,2013(9):20-26.
[21] 葛鹏飞,黄秀路,韩先锋.创新驱动与“一带一路”绿色全要素生产率提升——基于新经济增长模型的异质性创新分析[J].经济科学,2018(1):37-51.
[22] UDO-ERNST HANER. Innovation quality—a conceptual framework [J]. International Journal of Production Economics, 2002, 80(1):31-37.
[23] 李向东,李南,白俊红,等.高技术产业研发创新效率分析[J].中国软科学,2011(2):52-61.
[24] 张古鹏,陈向东,杜华东.中国区域创新质量不平等研究[J].科学学研究,2011,29(11):1709-1719.
[25] 侯建,陈恒.自主研发、技术转移方式与区域创新质量[J].中国科技论坛,2016(11):89-95.
[26] 张杰,郑文平.创新追赶战略抑制了中国专利质量么[J].经济研究,2018,53(5):28-41.
[27] PO-HSUAN HSU, XUAN TIAN, YAN XU. Financial development and innovation: cross-country evidence[J]. Journal of Financial Economics,2014,112(1).
[28] 吴菲菲,张广安,张辉,等.专利质量综合评价指数——以我国生物医药行业为例[J].科技进步与对策,2014,31(13):124-129.
[29] AGHION P, AKCIGIT U, BERGEAUD A, et al. Innovation and top income inequality[J]. The Review of Economic Studies, 2015.
[30] AKCIGIT U, BASLANDZE S, STANTCHEVA S. Taxation and the international mobility of inventors[J]. American Economic Review, 2016, 106(10): 2930-81.
[31] CHAMBER R G, R FARE, et al. Productivity growth in APEC countries[J]. Pacific Economic Review, 1996,1:181-190.
[32] 王兵,吴延瑞,颜鹏飞.中国区域环境效率与环境全要素生产率增长[J].经济研究,2010,45(5):95-109.
[33] 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,2009,44(4):41-55.
[34] HANSEN B. Threshold effect in non-dynamic panels: estimation, testing and inference[J]. Journal of Ecnometrics, 1999,93(2): 345-368.
[35] 陈超凡.中国工业绿色全要素生产率及其影响因素——基于ML生产率指数及动态面板模型的实证研究[J].统计研究,2016,33(3):53-62.
[36] 宋马林,王舒鸿.环境规制、技术进步与经济增长[J].经济研究,2013,48(3):122-134.
[37] 沈坤荣,金刚,方娴.环境规制引起了污染就近转移吗[J].经济研究,2017,52(5):44-59.
[38] 张成,陆旸,郭路,等.环境规制强度和生产技术进步[J].经济研究,2011,46(2):113-124.
[39] 刘家悦,谢靖.环境规制与制造业出口质量升级——基于要素投入结构异质性的视角[J].中国人口·资源与环境,2018,28(2):158-167.
[40] ARELLANO M, O BOVER. Another look at the instrumental variables estimation of error-components models [J]. Journal of Econometrics,1995,68:29-51.
[41] VLADIMIR ARCABIC, JOSIP TICA, JUNSOO LEE,et al. Public debt and economic growth conundrum: nonlinearity and Inter-temporal Relationship[J]. Studies in Nonlinear Dynamics & Econometrics, 2018,2:1-20.
[42] 陈友芳.生产要素禀赋与发展中国家的生产技术选择[J].亚太经济,2009(2):39-42.
