The impact of heterogeneous environmental regulations on the GTIE and its spatio-temporal transition in China from 2011 to 2018 by using a dynamic SBM-DEA model with considering uncontrollable variables are revealed as follows. (1) Heterogeneous environmental regulations have a positive impact on China's GTIE during 2001-2018, and there is regional heterogeneity in the impact degree. The regulation policy in the eastern region play a more effective role of market mechanism and public supervision. The regulation policy in the central and western regions play a better role of government regulation. Therefore, it is suggested to further strengthen the market-oriented allocation of factors for driving the improvement of the GTIE, eliminate the non-environmentally friendly factors in the process of factor allocation, and form a good internal and external environment for promoting the upgrading of green technology innovation ability. (2) In typical years comprised of 2001, 2005, 2006, 2010, 2011, 2015, 2016 and 2018, the spatio-temporal evolution of the GTIE with/without considering environmental regulations was characterized by the continuous optimization and the narrowing of spatial differences. This is why this paper suggests that the provincial and regional governments should continue to improve the construction of public participation in environmental protection systems, promote the long-term sustainability of the effectiveness of public participation in environmental regulation tools, such as regular disclosure of environmental information and the expanding of the scope of environmental litigation. (3) For improving the balanced and efficient development of green technological innovation in China, it is necessary to formulate relevant strategies to narrow the north-south regional differences of green innovation development. Therefore, policy makers should make reasonable use of the industrial development time difference between the eastern and western regions and between the northern and southern regions to promote green production transformation step by step. In this process, the central region should lead the urban agglomeration to carry out technological collaborative innovation, strengthen the whole process management, reduce pollutant emissions, promote green and clean production of enterprises ，the comprehensive collaborative green transformation ，upgrading of regional industrial structure.
The theoretical contribution of this paper is to regard heterogeneous environmental regulations as uncontrollable variables, and construct a dynamic SBM-DEA model with considering uncontrollable variables. The impact of heterogeneous environmental regulations on the GTIE are highlighted. Meanwhile, the practical contribution is to reveal the spatial and temporal differences in the direction and degree of impact of heterogeneous environmental regulations on the GTIE in China. Based on this, the study puts forward the improvement strategy of differentiated technology innovation, environmental regulation strategy and industrial green development strategy. The only two flies in the ointment are that, from the perspective of measurement method, this paper does not open the black box of green technology innovation process; while from the perspective of quantization of measure indicators, some applicant data cannot be identified when using Python to identify and filter patent abstracts to classify them by year and region. Based on these deficiencies, a more in-depth study can be done to divide the process of green technology innovation into a three-stage series structure comprised of green technology development, green technology achievement transformation and environmental governance. Future efforts can be paid to construct a multi-stage dynamic SBM-DEA model with considering uncontrollable variables to improve the accuracy and richness of the measurement results. It is also suggested to make use of platforms to conduct in-depth identification and analysis of unidentifiable texts, such as Aiqicha, Tianyan and SiPO-Patent Search, so as to further improve the statistical quality of green patent data.
开放科学(资源服务)标识码(OSID)：
在推动技术不断进步与生产力水平不断提高的过程中，粗放型发展模式所引发的资源与环境问题日益凸显。绿色技术创新作为新一轮工业革命和科技竞争的新兴领域，是推动经济高质量发展的重要支撑，是推进产业转型升级和创新驱动经济高发展的重要途径[1]。科学测度与揭示绿色技术创新效率影响因素及演化规律，是绿色技术创新发展的关键。环境规制是影响绿色技术创新效率提升的关键因素[2]，不同国家或地区的环境规制水平存在显著差异[3]，若忽视特定时空背景下异质性环境规制对绿色技术创新效率的差异化影响，则有可能导致产业发展政策、科技创新政策和环境保护政策在指导实践时出现偏差。基于此，本文考察我国各省份异质性环境规制对绿色技术创新效率的影响，通过分析其时空演变特征及跃迁轨迹，揭示异质性环境规制对绿色技术创新效率影响的时空差异，并提出差异化改进策略，对于推动产业绿色转型、促进经济社会全面发展具有重要意义。
绿色技术创新效率(Green Technology Innovation Efficiency，GTIE)是指在无污染、低能耗、可循环和清洁化等约束条件下开展的促进绿色技术发展的有价值创造活动的投入产出比率[4]。现有研究主要采用数据包络分析(Data Envelopment Analysis，DEA)，将资源环境要素纳入投入产出框架，测算区域或行业GTIE。如采用Hybrid-DEA模型[5]、两阶段关联网络DEA模型[6]、非期望Minds-DEA模型[7]测算区域GTIE，或是构建DEA-RAM联合效率模型、两阶段DEA模型[8]测算某个具体行业或部门的GTIE，抑或是采用非参数Malmquist 指数DEA模型测算GTIE[9]。现有测度方法多以人、财、物(能源、水资源)为投入变量，以高新技术产业新产品销售收入、专利授权数为期望产出变量，以CO2、SO2、COD、NH3-N中的一种或几种为非期望产出变量，选取不同距离函数(CCR、BCR、SBM等)构建单阶段DEA模型，或以非期望产出治理或专利转化构建多阶段DEA模型，但鲜有研究将环境规制纳入投入产出框架测度GTIE。
环境规制是政府部门为控制企业生产过程中的各类污染物排放而采取的环保政策，对绿色技术创新效率具有双重影响：一是环境规制对绿色技术创新效率具有正向影响，Porter等[10]指出环境规制会约束企业粗放式经营行为，严格的环境规制能够促使企业加快绿色技术创新，实现环境保护与经济发展双赢，即“波特假说”；二是环境规制对绿色技术创新效率具有负向影响，环境规制会增加企业运营成本，挤占企业创新发展空间，降低企业绿色技术创新能力，在污染密集型行业尤其明显[11]；三是环境规制对绿色技术创新效率的影响具有不确定性，环境规制存在异质性，对绿色技术创新效率的影响不同[2]。命令控制型环境规制(CER)、市场激励型环境规制(MER)和公众参与型环境规制(VER)对绿色技术创新效率的影响逐渐成为学者关注重点[2]。其中，命令控制型环境规制一般通过地方标准、法规等手段对创新主体进行管控，以实现环境管制目标，推动企业绿色技术创新发展，对绿色技术创新效率的影响程度和方向与区域经济发展阶段有关[4,12]；市场激励型环境规制一般通过排污费征收、排污权交易、排污许可证交易等手段，借助市场激励企业绿色技术创新，以实现提高市场竞争力和改善环境的双重目标，从长期看对于提升绿色技术创新效率具有促进作用(吴磊等，2020)；公众参与型环境规制一般通过环境信息披露、新闻媒介等手段形成社会公共舆论，对企业市场估价产生影响，促使企业采取治污减排行动或加大绿色技术创新投入，从短期看对于绿色技术创新效率提升虽然具有一定的负面影响，但从长期看却能够产生促进作用[13]。
探讨环境规制影响中国绿色技术创新效率的时空演化规律，可为差异性政策的制定提供参考。当前，关于时空差异特征、动态演变规律、时空跃迁轨迹等的研究方法主要包括两种：①收敛性分析：一些学者采用σ收敛、β收敛、Theil指数、Dagum基尼系数及其子群分解法分析绿色技术创新效率时空差异特征[14-15]，但对于动态演变规律的探讨割裂了邻域间的影响关系[16]，而基于Gaussian核函数的Kernel密度估计法可以估计复杂背景下样本数据的动态分布规律，并能够有效揭示区域子地区间的效率差异[17]；②空间关联与迁移分析：孙燕铭等[18]利用Moran's I指数分析区域绿色技术创新效率空间关联特征；吕岩威等[19]针对研究单元在不同时期的空间关联类型，研究了区域绿色创新效率时空跃迁类型与路径。目前，两种或多种重心(有效合引力的作用点)之间的迁移轨迹研究较多，如技术重心与经济重心比较等，以确定绿色技术创新效率空间迁移轨迹相关性。相比于其它研究方法，重心迁移法能够更直观地探讨相关或偏离轨迹的内在运行规律[20-21]。
综上所述，现有研究存在如下不足：①未将异质性环境规制纳入投入产出分析框架，测度其对绿色技术创新效率的影响；②缺乏环境规制影响绿色技术创新效率时空跃迁路径的可视化分析。针对上述问题，鉴于异质性环境规制政策具有调控周期长、难度大等特征，本文将其视为不可控制变量并构建动态SBM-DEA模型，对2001—2018年中国内地30个省份异质性环境规制影响绿色技术创新效率的作用机理进行测度，分析其动态演化特征及时空跃迁路径，以揭示考虑和未考虑环境规制影响的绿色技术创新效率的时空差异。
2.1.1 投入产出变量
(1)可控制投入变量：绿色技术创新过程中的人力、财力和物力投入。其中，人力投入变量采用R&D人员全时当量衡量。鉴于资本产出由当期投入和以前存量共同决定，故财力投入变量选取R&D经费支出的资本存量衡量[21]。本文以2001年为基期，省份j在2001年的R&D经费支出资本存量公式为Kj,2001=Ej,2001/(gj+τ)。其中，Ej,2000表示省份j在2001年的R&D经费支出，gj为省份j在研究期内按复利法计算的R&D经费内部支出的年均增长率，τ为折旧率。t省份j的R&D经费支出资本存量公式为：Kj,t=Ej,t/Pj,t+(1-τ)Kj,t-1。其中，Pj,t为省份j在t时期的定基价格指数(张军等，2003)。本文选取能源消耗总量和用水总量衡量物力(资源)投入。
(2)不可控制投入变量：政府环境规制政策。由于政府环境规制政策具有落实周期长、难度大等特征，且时刻影响绿色技术创新过程，因此本文将环境规制视为不可控制投入变量。借鉴Langpap等[11]、王瑶[12]的研究，将其划分为命令控制型环境规制、市场激励型环境规制和公众参与型环境规制3个变量。考虑到数据可得性，借鉴李斌等[22]的研究，以各地区颁布的地方性环保法规、规章、标准数量衡量命令控制型环境规制；借鉴吴磊等(2020)的做法，采用排污费征收额衡量市场激励型环境规制；借鉴王瑶[12]的做法，选用各地区披露的突发性环境事件次数衡量公众参与型环境规制。
(3)期望产出与非期望产出变量。借鉴相关研究成果[5,21,23]，选取高新技术产业新产品销售收入和绿色专利数作为期望产出变量，以更好地反映绿色技术创新过程。因为绿色专利在申请过程中就已投入使用，因此能够更加稳定、可靠、真实地反映企业绿色技术创新能力。另外，以CO2、SO2、COD、NH3-N排放量为非期望产出变量，鉴于DEA模型投入产出变量个数与决策单元个数之间存在限制关系，故利用熵权法[24]对上述4种非期望产出指标进行客观赋权，形成一维综合污染当量。
2.1.2 效率测度模型构建
本文假设在时期t(t=1,2,…,T)内存在n个决策单元DMUj(j=1,2,…,n)，以及IND、ID、R个不可控制投入变量xiND、可控制投入变量xiD和可控制产出变量yr，且
为连接变量
的数量总和，则GTIE测算生产可能性集可表述为：
鉴于规模报酬不变需满足所有投入和产出之间具有固定比例的假设，因此本研究假设规模报酬可变。
借鉴动态SBM-DEA模型和不可控制变量DEA模型构建思路[25-26]，构建不可控制变量动态SBM-DEA模型。对于DMUo(o=1,2,…,n)∈Pt，t=1到t=T的GTIE为：
(1)
满足如下约束条件：
(2)
其中，λjt≥0表示DMUj在t时期的权重；
分别表示可控制投入变量、可控制产出变量的松弛量；
表示t到t+1时期的松弛变量；将DMUj在t时期的非期望产出变量yrjt视为投入变量；
表示t时期的权重，且
t时期绿色技术创新效率公式如下：
(3)
其中，xiND为不可控制环境规制变量，iND=1、2、3分别表示命令控制型环境规制、市场激励型环境规制和公众参与型环境规制。在3种异质性环境规制政策中，命令控制型环境规制对企业生产行为具有强制性约束，促使企业不得不改进生产工艺，减少环境污染。但由于命令控制型环境规制执行成本和动态监控成本较高，容易使企业因治理污染物排放而产生损失成本，如增加R&D人员和R&D经费投入，从而对绿色技术创新效率产生负向影响；同时，命令控制型环境规制有利于促进资源优化，减少非期望产出以获得创新补偿。当成本损失大于创新补偿时，其对绿色技术创新效率产生抑制作用；当成本损失小于创新补偿时，其对绿色技术创新效率产生促进作用。此外，市场激励型环境规制和公众参与型环境规制分别通过经济激励、提升公众自觉环保意识影响创新主体的绿色创新行为，并对绿色技术创新效率产生促进或抑制作用，这取决于其在执行过程中产生的成本和收益。
综上所述，本文构建异质性环境规制对绿色技术创新效率的作用机理，如图1所示。
图1 异质性环境规制对绿色技术创新效率的作用机理
Fig.1 Influence mechanism of heterogeneous environmental regulation on GTIE
本文通过绘制不同时期未考虑或考虑异质性环境规制影响各省份绿色技术创新效率的Kernel密度估计曲线，揭示其时空演变特征。Kernel密度函数类型多样，本研究选取具有较好光滑性的Gaussian核函数对变量进行估计[27]。假设未考虑及考虑异质性环境规制影响的各省份绿色技术创新效率样本总数为τ，τ1,τ2,...,τm取自样本总体，对应的样本观测值为τ1,τ2,...,τm，任意τ密度函数f(τ)估计值为[25]:
(4)
其中，m表示观测样本的总个数；h为窗宽，使用AMISE法获得最佳窗宽估计值；令u=(τ-τi)/h，k(u)=(exp(-u2/2))/(2π)表示Gaussian核函数[28]，满足k(u)≥0且
k(u)du=1。
GTIE在t时期的重心空间位置从侧面反映周围空间位置绿色技术创新效率处于相对均衡状态。从时间t到t′，若某区域绿色技术创新效率所占比重较大且增速较快，则重心就会向该位置迁移，并呈现出某种规律性特征。参照卢俊宇等[20]、梁中等[21]的研究，假设中国内地30个省份处于同一均质平面，各省份绿色技术创新效率重心位于省会城市，则t时期j省份绿色技术创新效率重心坐标为：
(Longt°,Latt°)=
(5)
其中，Longj°、Latj°分别表示j省份省会城市的经度坐标和纬度坐标；τjt表示t时期j省区GTIE。
从时间t到t′，(Longt°,Latt°)到(Longt′°,Latt′°)的绿色技术创新效率重心跃迁距离及方向坐标为：
(6)
其中，R表示经纬度坐标与平面距离之间的转换系数，借鉴高军波等[29]的研究，取值为111.11，n=0，1，2为弧度与具体角度之间的转换指标。当υtt′=0时，说明绿色技术创新效率重心迁移方向为正东；当0<υtt′<90时，说明绿色技术创新效率重心迁移方向为东北；当υtt′=90时，说明绿色技术创新效率重心迁移方向为正北；当90<υtt′<180时，说明绿色技术创新效率重心迁移方向为西北；当υtt′=180时，说明绿色技术创新效率重心迁移方向为正西；当-90<υtt′<0时，说明绿色技术创新效率重心迁移方向为东南；当υtt′=-90时，说明绿色技术创新效率重心迁移方向为正南；当-180<υtt′<-90时，说明绿色技术创新效率重心迁移方向为西南。
本文选取2001-2018年中国内地30个省份投入产出变量数据、环境规制量化数据进行分析，数据主要来源于2002-2019年《中国科技统计年鉴》《中国环境统计年鉴》《中国区域经济统计年鉴》《中国能源统计年鉴》(考虑到数据可得性，未将西藏纳入统计)，以2001年不变价格为基准对变量进行处理，各变量描述性统计结果如表1所示。数据来源与筛选标准如下：
表1 描述性统计分析结果
Tab.1 Descriptive statistics
变量变量解释单位最小值最大值均值变异系数人力R&D人员全时当量人/年848.00762 733.0083 353.691.25财力R&D经费支出资本存量亿元2.258 905.33827.961.64物力能源消耗总量万吨标准煤520.0039 441.8511 622.660.69用水总量亿m33.11592.00184.860.75期望产出绿色专利数据件1.008 984.00367.191.84高新技术产业新产品销售收入亿元0.013 020 850.96740.542.64非期望产出综合污染当量(CO2、SO2、COD、NH3-N)/2.46297.1489.860.63CER地方性环保法规、规章、标准数量项0.0083.007.611.36MER排污费征收额亿元0.0930.885.500.92VER突发性环境事件次数次0.00406.0027.801.84
(1)命令控制型环境规制中的地方性环保法规、规章、标准数量来源于2002-2019年《中国环境统计年鉴》及各省市统计年鉴，鉴于生态环境法规、规章与标准执行存在一定连续性，故本文对其进行逐年累计处理。
(2)公众参与型环境规制中的突发性环境事件次数来源于2002-2019年《中国环境统计年鉴》《中国统计年鉴》，根据《中国统计年鉴》中的指标解释，突发性环境事件次数是指突然发生，造成或可能造成重大人员伤亡、重大财产损失及对全国或者某一地区经济社会稳定、政治安定构成重大威胁和损害，有重大社会影响的涉及公共安全的环境事件次数。
(3)绿色专利数据。本文参照OECD公布的《WIPO35个技术领域与IPC对照表》(2019.07版)，立足于绿色创新内涵，以环境技术领域对应的IPC分类为依据，设立“A62C+、B01D45+、B01D46+”等18个分类号，限定时间范围为2001-2018年，在万方专利数据库中收集282 666件绿色专利数据，利用Python软件识别和筛选各专利摘要并按照年份和地区进行分类，以获取省级层面绿色专利数据。
由表1可知：①中国各省份综合污染状况与绿色技术创新财力投入不对称，2001-2018年，各省份R&D经费支出资本存量均值为827.96亿元，但是综合污染当量均值为89.86，说明我国在污染控制方面仍有较大改进空间；②高新技术产业新产品销售收入与R&D经费支出资本存量变异系数较高，说明我国各省份技术创新资本投入与销售收入差异较大；③CER和VER变异系数较高，表明中国绿色技术创新环境规制政策存在显著空间差异性；④CER出现两个差距悬殊的极端值：“0”和“83”，其中，“0”代表部分省份生态环境法规与标准尚处于起步阶段，当年并未制定相关生态环境规制政策，如2001年的安徽和福建。引致“83”这一数值出现的事件逻辑可解释为：北京作为生态文明建设典范区域，自2001年开始，生态环境法规、规章与标准密集出台、持续积累，至2018年达83项，为其它省份生态环境治理起到引领和示范作用。
2001—2018年，未考虑ER影响、考虑CER影响、考虑MER影响和考虑VER影响的中国内地30个省份GTIE均值分别为0.40、0.56、0.52和0.52，如图2所示。从整体看，CER、MER、VER均可促进绿色技术创新效率向前沿迁移。在东北地区和西部地区，强制性环境管制能够有效提升绿色技术创新能力。在东部地区和中部地区，MER对绿色技术创新发展的影响超过CER和VER，表明以排污费征收为代表的市场激励规制手段更容易在东部地区和中部地区发挥作用。事实上，中部地区(除山西外)4类GTIE均值分别为0.16、0.33、0.19和0.25，表明强制性环境管制能够有效提升绿色技术创新能力。山西4类GTIE分别为0.11、0.12、1.00和0.12，主要原因如下：2003年，山西省对排污费资金收缴管理进行了重大改革，从2006年起将全部专项用于环境污染防治，2016年排污费征收额高达11.1亿元，全国排名第4，极大地推动了山西省绿色技术创新发展。
图2 2001-2018年考虑和未考虑异质性环境规制影响的绿色技术创新效率
Fig.2 GTIE with/without the impact of heterogeneous environmental regulations during 2001-2018
2001-2018年，中国内地30个省份绿色技术创新水平依然偏低，主要受东北地区、中部地区的影响。在东部地区，北京、天津、广东、海南GTIE始终为1，处于共同前沿面；在西部地区，青海GTIE始终为1，这得益于中共十八大以来，科技创新围绕传统特色优势产业和战略性新兴产业提质增效，在新能源、新材料、特色农牧业等领域填补了诸多空白，走出一条独具特色的创新之路，促使其它各省份也受到异质性环境规制的积极影响。
“十五”时期、“十一五”时期、“十二五”时期和“十三五”前期，考虑和未考虑异质性环境规制影响的绿色技术创新效率如表2所示。由表2可知，从时间差异看，四类GTIE在4个时期整体呈增长趋势，“十三五”前期最接近效率前沿面，均值分别为0.71、0.82、0.84和0.81，表明政府强制性环境规制手段能够有效推进中国各省份绿色技术创新发展，征收排污费规制手段整体上未对企业产生预期作用。此外，从“十二五”时期开始，VER的影响效应追赶上MER，表明环境污染披露等规制手段起到良好的监督作用和舆论引导作用，促使企业不断约束自身行为并加大绿色技术创新，以提高市场竞争力。
表2 考虑和未考虑异质性环境规制影响的绿色技术创新效率
Tab.2 GTIE with/without the impact of heterogeneous environmental regulations in each period
省份“十五”时期未考虑ER考虑CER考虑MER考虑VER“十一五”时期未考虑ER考虑CER考虑MER考虑VER“十二五”时期未考虑ER考虑CER考虑MER考虑VER“十三五”前期未考虑ER考虑CER考虑MER考虑VER北京0.08 0.35 0.09 0.09 0.18 0.19 0.21 0.21 0.80 0.68 0.77 0.70 1.00 1.00 1.00 1.00 天津1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 河北0.07 0.12 0.37 0.07 0.12 0.13 0.27 0.13 0.25 0.27 0.87 0.26 0.33 0.45 1.00 0.34 上海1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 0.91 1.00 1.00 1.00 0.72 1.00 1.00 1.00 江苏0.58 0.78 1.00 0.60 0.86 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 浙江0.36 0.43 1.00 0.47 0.56 0.61 0.94 0.86 0.70 0.72 0.84 0.77 0.86 0.93 0.90 0.89 福建0.62 0.82 0.82 0.63 0.62 0.93 0.65 0.79 0.63 0.72 0.67 0.77 0.63 0.78 0.64 0.67 山东0.41 0.84 0.77 0.45 0.46 1.00 0.87 0.65 0.57 0.75 1.00 1.00 0.58 0.69 0.87 1.00 广东1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 海南1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 黑龙江0.34 0.36 0.36 0.36 0.16 0.82 0.19 0.32 0.66 1.00 0.78 0.82 0.56 1.00 0.36 0.61 吉林0.04 0.44 0.06 0.43 0.14 0.16 0.16 0.41 0.41 0.52 0.46 1.00 0.60 0.64 0.46 0.35 辽宁0.49 0.75 0.88 0.51 0.41 1.00 0.73 0.63 0.71 1.00 1.00 0.91 0.86 0.90 0.87 0.86 山西0.24 0.24 1.00 0.24 0.16 0.16 1.00 0.17 0.17 0.18 1.00 0.18 0.29 0.29 1.00 0.42 安徽0.08 0.35 0.09 0.09 0.18 0.19 0.21 0.21 0.80 0.68 0.77 0.70 1.00 1.00 1.00 1.00 江西0.13 0.70 0.15 0.16 0.23 1.00 0.42 0.37 0.48 0.93 0.96 0.64 0.49 0.69 0.97 0.49 河南0.09 0.11 0.12 0.11 0.18 0.18 0.20 0.22 0.51 0.53 0.47 0.61 0.86 0.87 0.87 0.93 湖北0.05 0.63 0.05 0.05 0.25 1.00 0.27 0.32 0.48 0.83 0.50 0.55 0.64 0.62 0.67 0.71 湖南0.08 0.24 0.11 0.56 0.18 0.19 0.20 0.74 0.51 0.54 0.54 0.78 0.60 0.63 0.61 0.59 内蒙古0.01 0.28 0.10 0.12 0.02 0.43 0.45 1.00 0.08 1.00 1.00 1.00 0.55 1.00 1.00 1.00 广西0.07 0.53 0.47 1.00 0.13 1.00 0.13 0.75 0.85 0.87 0.48 0.65 0.84 0.84 0.86 0.72 重庆0.14 0.59 0.16 0.19 0.46 0.61 0.56 0.89 0.81 0.68 0.87 0.83 0.91 1.00 0.92 0.91 四川0.29 0.86 0.31 0.47 0.37 0.80 0.42 0.85 0.70 1.00 0.75 0.67 0.85 1.00 0.82 0.99 贵州0.27 0.50 0.84 0.47 0.90 0.92 0.93 0.95 0.54 0.56 0.90 0.66 0.50 0.51 0.83 0.68 云南0.10 0.50 0.49 0.83 0.19 0.26 0.25 1.00 0.30 0.26 0.30 0.74 0.18 0.21 0.18 1.00 陕西0.15 1.00 0.16 0.48 0.25 1.00 0.27 0.64 0.44 1.00 0.51 0.94 0.50 0.87 0.53 1.00 甘肃0.03 0.07 0.04 0.46 0.12 0.12 0.14 0.67 0.42 0.43 0.43 0.30 0.70 0.70 0.68 0.50 青海1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 宁夏0.21 0.83 0.33 0.84 0.82 1.00 0.87 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 新疆0.04 0.09 0.69 0.05 0.09 0.40 0.21 0.09 0.16 0.30 0.68 0.27 0.33 1.00 1.00 0.59
从区域空间差异看：①东部地区四类GTIE在4个时期的变化趋势与全国一致，高于全国平均水平，发挥引领作用；另外，异质性环境规制影响作用与全国不同，从“十一五”时期开始，VER的影响作用始终高于MER和CER，且从“十二五”时期开始，MER的影响作用超过CER，表明经济社会发展水平最高的东部地区能够更有效地发挥市场机制的调节作用和公众监督作用；②东北地区四类GTIE在4个时期呈现波动性增长趋势，但始终低于全国平均水平，“十一五”时期效率值最低，说明强制性规制手段更有利于促进绿色技术创新发展；③中部地区四类GTIE在4个时期的变化趋势与全国相同，但低于全国平均水平。排污费征收在“十五”时期和“十一五”时期对中部地区企业未产生预期作用；从“十二五”时期开始，排污费征收比强制性环境规制更能促进绿色技术创新发展；④西部地区四类GTIE在4个时期的变化趋势与全国一致，但低于全国平均水平，异质性环境规制影响作用与全国不同，CER正向影响作用始终超过MER，表明西部地区地方标准、规章等规制手段能够更有效地促进资源向清洁型生产企业转移。此外，从“十二五”时期开始，VER的影响效应追赶上CER。
本文绘制4个规划期开局之年、收官之年及2018年中国内地30个省份4类GTIE的Kernel密度分布曲线。如图3(a)所示，Kernel密度曲线存在显著阶段性特征，2001年、2005年、2006年和2010年Kernel密度曲线呈“双峰”分布，表明中国内地30个省份GTIE在4个典型年份两极分化趋势明显。事实上，一些省份绿色技术创新表现较差(GTIE<0.2)，聚集水平较低，如山西、安徽、湖北、湖南、吉林、甘肃、广西、内蒙古和新疆，而北京、天津、上海、广东则向效率前沿1聚集。2011年，这种低水平聚集问题得到缓解，曲线呈“宽峰”分布；从2011年开始，经2012年、2015年和2016年到2018年，曲线由“宽峰”向“单峰”演化，波峰逐渐右移且高度逐年上升，表明各省份效率值整体得到提升并向高值集聚，这同样可由2018年Kernel密度曲线左侧拖尾长于右侧拖尾得以印证。
如图3(b)所示，考虑CER影响的绿色技术创新效率Kernel密度曲线呈现由“双峰”向“宽峰”过渡并最终演化为单峰的趋势，与未考虑ER影响的GTIE相似，时空演变呈现效率逐渐优化、空间差距日渐缩小趋势，表明地方性标准、规章等强制性规制在2005年之前影响作用偏弱，存在一定的滞后性。考虑CER影响的绿色技术创新效率Kernel密度曲线更靠近效率前沿，再次验证CER对GTIE产生了显著正向影响作用。
如图3(c)、3(d)所示，考虑MER、VER影响的绿色技术创新效率Kernel密度曲线不断向右移动，展示出更强的两极分化态势；同时，考虑MER、VER影响的绿色技术创新效率Kernel密度曲线向高值集聚趋势更加显著，效率整体优化趋势更加明显。需要注意的是，受市场盲目性与公众事件随机性的干扰，图3(c)、3(d)Kernel密度曲线变化规律不如图3(a)、3(b)清晰。
图3 2018年中国内地30个省份4类GTIE时空演变趋势
Fig.3 Spatial-temporal evolution of four types of GTIE in 30 provinces of China in typical years
考虑到中国各省域经济社会发展水平存在空间差异，本文分区域绘制Kernel密度曲线以揭示其时空演变特征(受篇幅限制，不再列示)。结果发现，东部地区GTIE的Kernel密度曲线演变趋势与全国基本一致，但效率整体优化趋势更加明显，且东部地区GTIE明显高于其它地区，这可能得益于东部地区固有的技术创新优势。东北部地区GTIE两极分化趋势逐年得到缓解，但波峰主要集中于0.0～0.75之间，说明东北地区GTIE偏低。中西部地区两极分化趋势明显减弱，且不断向前沿逼近。“十三五”前期，与中部地区Kernel密度曲线维持“宽峰”状态不同，西部地区Kernel密度曲线进一步向偏右“宽峰”和“弱双峰”方向演进，说明西部地区各省域绿色技术创新呈现向高效率集聚演进态势。
与未考虑ER影响的GTIE动态演化特征相比，考虑CER、MER、VER影响的4个地区GTIE呈整体提升及向高值集聚态势。需要说明的是：①东部地区在2001年和2005年受公众事件的随机干扰，因而考虑MER、VER影响的东部地区GTIE动态演化聚集规律出现随机性特征。伴随着环境信息披露标准和外部舆论监管机制的不断完善，考虑VER影响的东部地区GTIE整体提升及向高值集聚幅度更大；②在东北地区，考虑CER影响的GTIE整体提升及集聚趋势较为显著；③在中部地区，由于考虑MER影响的山西GTIE取值为1，导致考虑MER影响的中部地区GTIE两极分化趋势较其它3种情形更明显；④在西部地区，基于市场调节的盲目性和滞后性，考虑MER影响的西部地区GTIE向高值集聚演化速度放缓。
现有文献多从高新技术产业经济增长、环境污染等视角探讨绿色技术创新影响因素，但对时空跃迁路径的分析较少。基于此，本研究从技术创新能力分化和环境污染分化可能引致绿色技术创新分化的假设出发，以高新技术产业新产品销售收入(记为高新技术产业经济)和综合污染当量(记为污染)为参照对象，分析其与4类GTIE在跃迁路径上的相关性，以揭示其内在规律。2018年中国内地30个省份4类GTIE、高新技术产业经济、污染重心及迁移方向如表3所示，4类GTIE重心跃迁路径如图4所示。由表3和图4(a)可知，未考虑ER影响的GTIE重心位于东经112.30°～114.42°至北纬31.93°～33.11°之间，整体向西北迁移。总体而言，迁移距离最大值为2005—2006年的170.19km，最小值为2011—2015年的29.80km，这可能得益于“西部大开发战略”的实施与环境保护均衡发展。2001—2005年，未考虑ER影响的GTIE重心向东北方向迁移，迁移距离为108.08km，表明相较于全国平均水平而言，2005年重心点河南省驻马店市汝南县东北方向相比于2001年改善幅度较大。事实上，2001-2005年安徽和江苏未考虑ER影响的GTIE分别增长了302.25%和7.47%；2005-2006年，未考虑ER影响的GTIE向西南方向迁移，迁移距离最大值为170.19km，表明与2005年相比，2006年未考虑ER影响的GTIE重心点湖北枣阳西南方向相比于全国平均水平提升幅度明显。事实上，2005-2006年湖北、湖南和贵州未考虑ER影响的GTIE分别增长了230.93%、16.94%和132.03%，而2005-2006年全国未考虑ER影响的GTIE均值出现负增长(-4.30%)。
表3 2018年中国内地30个省份4类GTIE重心、高新技术产业经济重心、污染重心及迁移方向
Tab.3 Gravity center of four types of GTIE, high-tech industrial economy, pollution and their transition direction in 30 provinces of China in typical years
年份未考虑ER影响的GTIE经度(°)纬度(°)方向距离(km)考虑CER影响的GTIE方向考虑 MER影响的GTIE方向考虑VER影响的GTIE方向高新技术产业经济重心方向污染重心方向2001113.64 32.23 2005114.42 33.11 东北108.08西南东北西北西南西南2006112.81 32.01 西南170.19西南西南东北西南西南2010112.86 31.93 东南32.78西北西北东南西南西北2011112.30 32.24 西北75.49东北东北东北西北东北2015113.35 32.93 东北29.80东南西北东北西北西南2016113.19 32.91 西南115.47西北西南西南东南西南2018112.92 33.09 西北69.46西北西南东南西南西南整体西北173.29西北东北东北西南西南
2006—2010年、2010—2011年未考虑ER影响的GTIE重心点仍为湖北襄阳，虽然分别向东南、西北方向偏移，但移动距离较少，表明这两个时期考虑ER影响的GTIE空间格局变化幅度较小。2011—2015年未考虑ER影响的GTIE重心点为河南省驻马店市泌阳县，向东北方向偏移29.80km；2015—2016年未考虑ER影响的GTIE重心点为河南省南阳市社旗县，向西南方向偏移115.47km；2016—2018年未考虑ER影响的GTIE重心点为河南省南阳市社旗县，向西南方向偏移115.47km；2011—2018年未考虑ER影响的GTIE重心整体向北迁移，该现象一定程度上反映了“十二五”时期东北振兴在提高区域创新能力、促进资源型城市可持续发展以及加强生态建设等方面所取得的成就。
由图4可知，从整体空间格局看，2018年4类GTIE重心分布在河南和湖北，考虑CER、MER、VER影响的GTIE重心空间分布差异比未考虑ER影响作用较小，尤其是2018年考虑CER影响的GTIE重心(除2005年和2006年外)基本分布在河南省南阳市社旗县，表明异质性环境规制手段有利于缩小GTIE空间差距，并呈现出更高水平的空间集聚状态；考虑CER、VER影响的GTIE重心空间分布聚集性更稳定，说明政府强制性规制手段能够有效改善中国各省域绿色技术创新效率非均衡状态。同时，考虑VER影响的GTIE重心(除2005年和2010年外)也基本分布在河南省南阳市社旗县，但重心迁移距离较大，尤其是在2001—2005年和2005—2006年，说明伴随着环境信息披露标准和外部舆论监管机制的不断完善，考虑VER影响的GTIE空间聚集性得到进一步提升。从重心迁移方向看，4类GTIE重心在纬度上向偏北方向移动，未考虑ER、考虑CER影响的GTIE重心在经度上均向西偏移，考虑MER、VER影响的GTIE重心在经度上均向东偏移，考虑MER影响的GTIE重心在经度上偏移幅度较大，表明排污费征收手段比强制性、公众参与型环境规制能够更好地改善东西部地区绿色技术创新发展差距；考虑VER影响的GTIE重心在纬度上偏移幅度较大，表明公众参与型环境规制比强制性、市场型环境规制能够更好地改善南北方绿色技术创新发展差距。在空间相关性方面，考虑CER影响的GTIE重心迁移路径与未考虑ER影响的GTIE迁移路径相似性更高，均是整体向西北方向迁移，表明强制性环境规制对于绿色技术创新效率的提升作用更强。综上可知，4类GTIE重心在空间分布上具有一定相似性，考虑异质性环境规制有利于促进中国内地30个省份绿色技术创新均衡发展。受环境信息披露事件随机性、舆论形成不规则性、市场调控盲目性和滞后性的影响，考虑VER、MER影响的GTIE相比于考虑CER影响的GTIE空间迁移轨迹更明显。
图4 2018年中国内地30个省份4类GTIE重心跃迁路径
Fig.4 Transition path of gravity center of four types of GTIE in 30 provinces of China in typical years
2018年，技术产业经济重心、污染重心分别向西南方向移动427.04 km和182.50 km。就整体方向而言，在经度上两者重心迁移方向与未考虑ER影响、考虑CER影响的GTIE重心迁移方向一致，在纬度上两者重心迁移方向与4类GTIE重心迁移方向相反。当期GTIE重心与上期污染重心迁移方向基本一致，说明水生态文明建设、大气生态文明建设对绿色技术创新发展存在滞后影响。2018年，中国内地30个省份绿色技术创新发展趋势差异较大，因此应制定相关策略缩小东西地区与南北方发展差距。
本文将异质性环境规制视为不可控制变量纳入投入产出分析理论框架，构建动态SBM-DEA模型，测度异质性环境规制对中国绿色技术创新效率影响的时空差异，并分析其动态演化特征及时空跃迁路径，得出如下研究结论并提出相应改进建议：
(1)2001—2018年，异质性环境规制对中国内地30个省份GTIE具有正向影响，影响程度存在地区差异性；受东北地区、中部地区技术创新能力较为滞后的影响，中国整体绿色技术创新效率依然偏低。从研究时期差异看，4类GTIE整体呈增长趋势，但市场规制手段在东北、中西部地区表现欠佳。从地区空间差异看，仅有东部地区4类GTIE在4个时期高于全国平均水平。因此，应强化绿色技术创新效率要素市场配置，破除非环境友好型因素，推动绿色技术创新升级能力。促进东部地区绿色技术高质量发展，实现重点领域关键技术突破，提升绿色技术创新层级；加强东西部地区、南北方地区绿色创新项目交流与合作，加快创新成果转化和应用，扩大创新规模。
(2)4类GTIE在2018年呈整体提升及向高效率集聚趋势，时空演变具有效率逐渐优化、空间差距缩小的特征，但空间非均衡问题依然存在。CER的影响存在一定滞后性，考虑MER、VER影响的GTIE时空演变趋势存在波动性。考虑CER、MER、VER影响的各区域GTIE相比于未考虑ER影响的GTIE呈现整体提升及向高值集聚态势，考虑VER影响的各地区GTIE演化规律具有一定的随机性特征。因此，各省份应持续完善环保制度体系，使公众参与型环境规制工具长期发挥作用，如常态化披露环境信息、逐步扩大环境诉讼主体范围等。
(3)2018年异质性环境规制有利于缩小中国内地30个省份GTIE空间差距，考虑MER、VER影响的GTIE的规律性偏弱。以高新技术产业经济重心和污染重心为参照对象，为推动中国绿色技术创新均衡、高效发展，应制定相关策略缩小南北方发展差距，合理利用东西部地区、南北方地区之间的时间差，梯级推进绿色技术产业结构转型；另外，以中心城市引领城市群开展技术协同创新，加强全过程管理，减少污染物排放，引导企业开展绿色清洁生产，加快区域产业绿色升级。
本文存在以下不足：①从测算方法看，未将绿色技术创新过程“黑箱”打开，未来可将其拆分为绿色技术开发、绿色技术成果转化和环境治理三阶段串型结构，构建考虑不可控制变量的多阶段动态SBM-DEA模型，测算绿色技术创新阶段效率和整体效率，以提高测算结果的精确性和丰富性；②从测度指标看，在利用Python识别和筛选各专利摘要并将其按照年份和地区进行分类时，存在无法对某些申请人数据进行识别的问题。未来可利用“爱企查”“天眼查”“国家知识产权局-专利检索”等平台，对无法识别的文本进行深入分析，进一步提高绿色专利数据统计质量。
[1] 高星, 陈军. 以绿色技术创新推进绿色发展[N]. 光明日报,2019-12-17.
[2] 贾军, 张伟. 绿色技术创新中路径依赖及环境规制影响分析[J]. 科学学与科学技术管理,2014,35(5):44-52.
[3] 张国兴, 冯祎琛, 王爱玲. 不同类型环境规制对工业企业技术创新的异质性作用研究[J]. 管理评论,2021,33(1):92-102.
[4] 范丹, 孙晓婷. 环境规制、绿色技术创新与绿色经济增长[J]. 中国人口·资源与环境,2020,30(6):105-115.
[5] 沈能,周晶晶.技术异质性视角下的我国绿色创新效率及关键因素作用机制研究:基于Hybrid DEA和结构化方程模型[J].管理工程学报,2018,32(4):46-53.
[6] 陈斌, 李拓. 财政分权和环境规制促进了中国绿色技术创新吗[J]. 统计研究,2020,37(6):27-39.
[7] 吴旭晓. 中国区域绿色创新效率演进轨迹及形成机理研究[J]. 科技进步与对策,2019,36(23):36-43.
[8] 成琼文, 贺显祥, 李宝生. 绿色技术创新效率及其影响因素——基于我国35个工业行业的实证研究[J]. 中南大学学报(社会科学版),2020,26(2):97-107.
[9] YANG C, WANG T. Productivity comparison of European airlines: bootstrapping Malmquist indices[J]. Applied Economics,2016,48(52):5106-5116.
[10] PORTE M E, LINDE C V D. Toward a new conception of the environment competitiveness relationship[J]. Journal of Economic Perspectives,1995,9(4): 97-118.
[11] LANGPAP C，SHIMSHACK J. Private citizen suits and public enforcement: substitutes or complements[J]. Journal of Environmental Economics and Management,2010,59(3): 235-249.
[12] 王瑶. 不同类型环境规制对企业绿色发展影响研究综述[J]. 科技经济导刊,2021,29(1):171-172.
[13] LIU Y, FENG C. What drives the fluctuations of "green" productivity in China′s agricultural sector? a weighted Russell directional distance approach[J]. Resources, Conservation & Recycling,2019,147(1):201-213.
[14] 张辽,黄蕾琼.中国工业企业绿色技术创新效率的测度及其时空分异特征——基于改进的三阶段SBM-DEA模型分析[J].统计与信息论坛,2020,35(12):50-61.
[15] DEHNAD K. Density estimation for statistics and data analysis[J]. Technometrics, 1987, 29(4):495-495.
[16] WANG Q,ZAMBOM A Z.Subsampling-extrapolation bandwidth selection in bivariate Kernel density estimation[J]. Journal of Statistical Computation and Simulation,2019,89(9):1740-1759.
[17] EDWARD A, DAVID A. A new method for computing the mean center of population of the United States[J]. The Professional Geographer,2006,58(1):65-69.
[18] 孙燕铭,梅潇,谌思邈.长三角城市群绿色技术创新的时空格局及驱动因素研究[J].江淮论坛,2021，64(1):13-22,61.
[19] 吕岩威,谢雁翔,楼贤骏.中国区域绿色创新效率时空跃迁及收敛趋势研究[J].数量经济技术经济研究,2020,37(5):78-97.
[20] 卢俊宇, 黄贤金, 陈逸, 等. 基于能源消费的中国省级区域碳足迹时空演变分析[J]. 地理研究,2013,32(2):326-336.
[21] 梁中, 昂昊. 中国绿色技术创新效率演化及其空间治理[J]. 财贸研究,2019,30(8):16-25.
[22] 李斌, 彭星. 环境规制工具的空间异质效应研究——基于政府职能转变视角的空间计量分析[J]. 产业经济研究,2013，12(6):38-47.
[23] 王珍愚,曹瑜,林善浪.环境规制对企业绿色技术创新的影响特征与异质性——基于中国上市公司绿色专利数据[J].科学学研究,2021,39(5):909-919,929.
[24] ZOU Z, YUN Y, SUN J N. Entropy method for determination of weight of evaluating indicators in fuzzy synthetic evaluation for water quality assessment [J]. Journal of Environmental Sciences,2006,18(5): 1020-1023.
[25] TONE K,TSUTSUI M.Dynamic DEA with network structure: a slacks-based measure approach[J]. Omega, 2014,42(1):124-131.
[26] FARZIPOOR SAEN R.Developing a nondiscretionary model of slacks-based measure in data envelopment analysis[J]. Applied Mathematics and Computation,2004,169(2):1440-1447.
[27] KRISTAN M,LEONARDIS A.Online discriminative Kernel density estimator with Gaussian Kernels[J]. IEEE Transactions on Cybernetics, 2016, 44(3): 355-365.
[28] DHARMANI B C. The Gram-Charlier a series based extended rule-of-thumb for bandwidth selection in univariate and multivariate Kernel density estimations[J]. Computer Science, 2015(4):1-30.
[29] 高军波, 谢文全, 韩勇, 等. 1990-2013年河南省县域人口、经济和粮食生产重心的迁移轨迹与耦合特征——兼议与社会剥夺的关系[J]. 地理科学,2018,38(6):919-926.