开放科学(资源服务)标识码(OSID):
In this study, 41 cities in the Yangtze River Delta urban agglomerations are firstly taken as the research object to construct the industrial green innovation efficiency index system of the urban agglomerations of Yangtze River Delta. Secondly, the super-efficiency SBM-DEA model based on the undesired output is used to measure the industrial green innovation efficiency of the Yangtze River Delta urban agglomerations from 2010 to 2020. Through the construction of the inverse distance matrix, the global and local Moran's I are used to explore the spatial-temporal differentiation characteristics of industrial green innovation efficiency in the Yangtze River Delta urban agglomerations. Meanwhile, the Moran's I scatter plot is further analyzed according to the spatial-temporal analysis method, and the types and paths of its dynamic transitions are studied.
The results show that the measurement results of industrial green innovation efficiency in the urban agglomerations of the Yangtze River Delta show a fluctuation trend of "W" in general from the perspective of time series development, and the overall green innovation level of the urban agglomeration of the Yangtze River Delta gradually improves, except that the efficiency value decreases significantly due to the impact of the epidemic in 2020. On the spatial evolution pattern, there is an uneven distribution of green innovation efficiency on the whole space, and high efficiency main cities are gathered in the southeast and northwest area, with more cities of high-high and low-low are of agglomeration types. Besides there is a positive correlation of efficiency in general, and its spatial correlation decreases with time series development. The spatial leap shows high spatial stability, and the "spillover effect" and "siphon effect" coexist, while there are clear spatial aggregation and mobility.
Different from previous literatures, this study starts from the micro level of urban agglomeration in Yangtze River Delta. With the adjustment of national planning, the research object is expanded to 41 cities, enriching the research on urban agglomeration in the field of green innovation. At the same time, the influence of resource factors on green innovation efficiency is considered in the selection of input index. In terms of spatial auto-correlation analysis, the dynamic and transition analysis of industrial green innovation efficiency at urban agglomeration level is carried out, and the spatial evolution pattern of prefecture-level cities is analyzed as a unit, which has guiding significance for grasping the law of green innovation development in urban agglomeration. Future study is expected to explore the factors that affect the green innovation efficiency of the urban agglomerations of Yangtze River Delta, and analyze its spatial spillover effect on the green innovation efficiency.
开放科学(资源服务)标识码(OSID):
随着我国城市化进程不断加快,城市群已成为新时期城市和区域空间组织的重要形式,在我国经济发展、创新驱动和产业集聚过程中发挥着愈发重要的作用[1]。长三角城市群作为我国发展水平最高的城市群之一,在推动长三角工业化和城市化快速发展的同时,已成为资源短缺、环境污染和生态破坏等问题高度集中的地区[2]。因此,协调生态文明与经济增长关系是实施可持续发展战略的关键[3-4]。绿色创新不仅是促进我国可持续发展的有效途径[5],也是各地经济发展的新增长点。习近平总书记要求“长三角城市群率先形成新发展格局”“必须深刻认识长三角区域在国家经济社会发展中的地位和作用”。因此,长三角城市群作为中国城市群发展的龙头,推动长三角绿色创新发展对引领全国高质量发展、建设现代化经济体系意义重大。工业企业是技术创新活动的主要承担者,引导工业企业大力开展绿色创新活动更有利于城市群的绿色创新发展。基于此,本文首先构建长三角城市群工业绿色创新效率评价指标体系,然后运用基于非期望产出的超效率SBM-DEA模型测度绿色创新效率,最后采用全局和局部莫兰指数探究长三角城市群工业绿色创新效率时空分布的动态演化,以期为提升长三角城市群工业绿色创新水平、推动城市差异化发展、促进创新型城市群建设提供参考。
绿色创新效率是衡量一个地区绿色发展水平的重要指标,掌握绿色创新效率时序特征和演变规律有助于推动区域绿色创新发展。目前针对绿色创新效率的研究主要涉及3个方面:首先是绿色创新效率概念界定,如赵琳和范德成[6]认为绿色创新效率是创新质量的绿色指标;乔元波和王砚羽[7]认为绿色创新效率是在绿色发展理念下以较少的创新投入获得更多的创新产出。随着研究的进一步发展,对绿色创新效率的理解更加强调“创新”和“环境效益”的双重属性,如刘佳和宋秋月[8]将资源要素、创新要素投入与资源环境产出之间的比例关系作为衡量绿色创新发展水平的重要指标。其次是绿色创新效率评价,学者们对评价指标体系的构建尽管存在一定差异,但大多选取人力、资本投入等作为投入指标,在期望产出指标上往往从不同效益角度来考虑。如罗良文和梁圣蓉[9]从创新效益和经济效益两个方面设计期望产出指标;而孙燕铭和谌思邈[10]在此基础上,进一步考虑了环境效益。在绿色创新效率测度方面,大多采用随机前沿分析法和数据包络分析法。如肖黎明等[11]采用超越对数和产出距离函数的随机模型测算我国省际绿色创新效率。近年来,数据包络分析法的使用较广泛,学者们采用投入产出模型对绿色创新效率进行系统评价。如黄杰和金华丽[12]运用窗口DEA模型对省际绿色创新效率进行测度;孙振清等[13]采用三阶段DEA方法测度京津冀、山东半岛、长三角和珠三角城市群四大城市群协同创新效率。随着研究的不断深入,段永峰等[14]认为传统的DEA模型在测度时未考虑到要素的“松弛”问题,为了细化单元效率的差异,采用基于非期望产出的SBM-DEA模型测算我国省域绿色创新与绿色发展效率,并对两者进行对比分析。学者们为科学评价区域绿色创新效率使用了不同方法,但由于模型选取和指标体系构建不同,测度结果存在较大差异。
由于区域发展水平、资源禀赋等因素影响,绿色创新效率在空间分布上具有差异性,学者们进一步针对区域层面展开绿色创新效率的时空演变特征分析。已有较多学者基于省际层面研究发现,我国绿色创新效率呈显著的时空分异特征[15][16]。少数研究具体分析了我国发达区域的绿色创新效率。如有研究表明,长江经济带城市间绿色创新效率的正空间相关性愈发显著,局部两极分化现象加剧(张长江等,2022)。在城市群层面,董会忠等[17]发现,粤港澳大湾区绿色创新效率具有显著的空间负相关性,且空间分布的稳定性较弱;潘春苗等[18]通过对我国三大城市群进行对比分析,发现各城市群在空间布局上有所差异,且城市间协同创新发展不平衡。针对长三角城市群,已有学者研究发现,该区域绿色创新绩效参差不齐,空间分异特征明显,城市绿色创新发展水平整体偏低[19]。
通过对已有文献的归纳和总结可以发现:①从研究视角来说,已有文献针对绿色创新效率的分析大多聚焦于省级、工业企业层面,少有研究聚焦于城市群层面,同时,针对长三角城市群工业绿色创新效率的研究局限于26个城市,随着经济高速发展,越来越多的城市融入到区域一体化发展之中,至2019年长三角城市群已扩容到三省一市共41个城市;②在绿色创新效率指标体系的构建上,大多数研究在投入指标的选取上只考虑人力和资本两个要素,忽略了资源要素对绿色创新效率的影响;③在空间自相关分析方面,以地级市为单元分析空间格局演变的文献较少,且现有研究大多停留在描述层面,少有在城市群层面对工业绿色创新效率进行动态跃迁分析。
2.1.1 非期望产出的超效率SBM-DEA模型
绿色创新效率是考虑了环境污染的组织创新活动的投入产出比,其反映了单位创新投入对产出的贡献。目前针对城市绿色创新效率的测度多采用数据包络分析方法。相比于传统的DEA模型[20-21],多数研究采用由Tone(2001)提出的SBM模型(Slacks-based Measure)来克服变量松弛问题[22]。然而,该模型无法对多个决策有效的单元进行深入评价以区分它们的效率值。基于非期望产出的超效率SBM-DEA模型有助于解决该问题,既能实现有效决策单元对比,又能解决存在非期望产出情况下的效率评价问题。该方法将每个城市视作单一决策单元,并考虑了城市在创新进程中会产生三废等非期望产出,使得测度结果更贴近绿色创新本质。然而,Tone并没有给出包含非期望产出的SBM超效率模型计算式,于是成刚[23]在此基础上作出了完善,给出包含非期望产出的SBM超效率模型为:
(1)
其满足如下约束条件:
λ,s-,s+≥0
i=1,2…,m;r=1,2…,q;j=1,2…,n(j≠k)
(2)
式中:ρ为绿色创新效率值,xik,yrk,btk分别表示投入、期望产出和非期望产出,
分别是投入、期望产出和非期望产出的松弛变量,λ是决策单元的权重向量,m表示投入指标数量,q1和q2分别表示期望产出指标个数与非期望产出指标个数。
2.1.2 空间相关性检验
(1)空间权重矩阵构建。考虑到空间效应随距离增加而降低,选用基于平方倒数的反距离权重矩阵进行空间权重矩阵的构建,具体表达式如下:
(3)
其中i,j=1,2…n为空间单元,dij为空间单位的地理距离。
(2)全局空间自相关指数。采用全局Moran's I指数来检验长三角城市群的空间分布特征,其公式如下:
(4)
式中,i和j分别代表两个都市,n是城市数量,s2表示方差,xi和xj为绿色创新效率水平,wij是空间权重矩阵。莫兰指数的取值范围为[-1,1],莫兰指数大于0,则表示正自相关,即高值与高值相邻、低值与低值相邻;莫兰指数小于0,则表示负自相关,即高值与低值相邻。
(3)局部空间自相关指数。为了衡量区域与相邻区域的空间相关特征,通常使用局部空间自相关指数进行测算,其公式为:
(5)
Local Moran's I的取值范围为[-1,1],通常用Moran's I散点图表示。
2.1.3 指标体系构建
对长三角城市群工业绿色创新效率进行测度,既要考虑资源节约与环境改善,还要体现生产活动的创新性。本文借鉴李昊等[24]的方法,充分考虑指标科学性和数据可获得性,从投入和产出两个维度构建绿色创新效率评价体系,具体如表1所示。
(1)投入指标。①人员投入,借鉴Li等[25]和丁显有等[26]的做法,使用规模以上工业企业R&D人员数表示;②资本投入,综合肖振红和李炎[27]的研究,选择规模以上工业企业R&D经费内部支出衡量资本投入;③能源投入,借鉴王问苈等[28]的做法,采用全社会用电量表示。
(2)产出指标。①期望产出,考虑到绿色创新活动带来的效益,借鉴肖仁桥等[29]的研究,分别使用3种专利授权总量和规模以上工业企业新产品销售收入表示创新效益与经济效益,3种专利授权总量可以体现创新能力与成果转化情况,新产品销售收入能够反映企业将研发成果转化为经济效益的能力;②非期望产出,为了体现长三角城市群绿色创新效率的绿色性,同时,考虑到环境污染状况,非期望产出由工业二氧化硫排放量、工业烟粉尘排放量和工业废水排放量3个指标构成[30]。
在保证数据可靠性和连续性的基础上,以2010-2020年长三角城市群41个城市为研究对象,数据来源于各类统计年鉴,具体包括《中国统计年鉴》《中国城市统计年鉴》,以及上海、南京、苏州等城市《统计年鉴》。由于部分数据缺失,除咨询相关统计局外,还通过线性插值法进行补充。表2是长三角城市群样本的描述性统计分析结果。
表1 长三角城市群工业绿色创新效率评价体系
Tab.1 Evaluation system of industrial green innovation efficiency in the urban agglomerations of Yangtze River Delta
一级指标二级指标单位人员投入规模以上工业企业R&D人员数人资本投入规模以上工业企业R&D经费内部支出亿元能源投入全社会用电量万千瓦时期望产出3种专利授权总量项规模以上工业企业新产品销售收入亿元非期望产出工业二氧化硫排放量吨工业烟粉尘排放量吨工业废水排放量万吨
表2 描述性统计分析结果
Tab.2 Descriptive statistics
指标样本量平均值标准差最小值最大值规模以上工业企业R&D人员数(人)45131 922.151 629.4142707 098规模以上工业企业R&D经费内部支出(亿元)45178.4105.20.261679.770全社会用电量(万千瓦时)4512 126 8952 908 52981 63415 800 0003种专利授权总量(项)45114 996.519 770.8216139 780规模以上工业企业新产品销售收入(亿元)4511 3852 022.48.78613 323工业二氧化硫排放量(吨)45135 827.442 683.1638.5496 377工业烟粉尘排放量(吨)45124 901.922 453.7780187 561工业废水排放量(万吨)45110 851.112 083.348680 468
使用基于非期望产出的超效率SBM-DEA模型,得到长三角城市群41个城市2010-2020年的绿色创新效率值,具体如表3所示。
从总体来看,最低效率均值为2020年的0.731,最高效率均值为2018年的0.908。效率均值从2010年的0.830到2019年的0.897,整体呈上升趋势,2020年长三角城市群受到疫情带来的外部冲击,效率值有所下滑,其效率值仅为0.73,为2010-2020年的最低水平。虽然2020年效率值较低,但从整体上看,近年来长三角城市群绿色创新水平逐步提升,绿色创新环境向好,绿色创新能力稳步提升,说明从2010年国务院正式批准实施《长江三角洲地区区域规划》到2019年《长江三角洲区域一体化发展规划纲要》正式印发,在中央政策的科学指引下,长三角城市群以创新为引导的区域产业和协同创新体系逐步成熟,生态环境质量持续改善。具体为:2010-2013年全球经济增长缓慢、我国处于宏观政策深度调整中,由“十一五”规划到 “十二五”规划,经济发展进入结构调整、转型升级的关键时期,此时长三角城市群绿色创新效率均值有所下降;2014-2015年国务院发布了《国务院关于依托黄金水道推动长江经济带发展的指导意见》,长三角地区政府积极落实各项政策,使得绿色创新效率稳步提升;2016年国家更加注重推动长三角地区三省一市产业融合和创新发展,此阶段效率均值略有下降;2017-2018年各城市加大开发力度,绿色创新效率实现持续提升,效率均值稳步上升,2019年效率值虽有轻微波动,但总体仍保持较高水平;2020年受疫情影响,大多数城市停工停产,绿色创新活动无法开展,导致效率值大幅下降。
表3 2010-2020年长三角城市群工业绿色创新效率实证结果
Tab.3 Empirical results of industrial green innovation efficiency in the urban agglomerations of Yangtze River Delta during 2010-2020
城市20102011201220132014201520162017201820192020上海1.0851.0401.0231.0261.0211.0261.0411.0881.0851.0861.204南京0.4860.4170.5120.5320.6380.6880.7600.8881.0061.0181.046无锡1.0150.8461.0150.8320.8420.8340.6930.6530.6230.6400.640徐州0.4330.4280.3180.6320.4770.4050.5370.5450.5820.6731.100常州0.7480.7881.0101.0081.0181.0110.6420.6250.6000.6220.550苏州1.0511.0901.0581.0551.0521.0481.0481.0141.0091.0071.007南通1.0421.0271.0460.8420.7881.0020.7940.8100.7770.6241.493连云港0.8840.6220.4940.5130.6610.7850.5460.7491.0030.6490.456淮安0.278 0.247 0.350 0.550 0.697 0.862 0.739 0.844 0.780 0.754 0.218盐城0.436 0.460 0.603 0.569 0.634 0.584 0.495 0.660 0.692 0.665 0.497扬州0.787 0.766 0.746 0.655 0.832 0.783 0.687 0.831 1.005 0.808 0.621镇江0.836 0.615 0.671 0.550 1.016 1.014 1.002 0.952 0.846 0.796 0.596泰州0.599 0.719 0.748 0.649 0.902 1.010 1.004 0.897 0.914 1.022 1.023宿迁0.340 0.313 0.445 0.751 0.759 0.777 0.576 0.506 0.632 0.790 0.559杭州1.003 0.771 0.788 1.001 0.882 1.019 1.018 1.001 1.002 1.019 1.092宁波1.008 1.024 1.024 1.046 1.034 1.046 1.013 1.005 1.005 1.011 0.682温州1.014 0.822 0.893 1.026 1.038 1.023 1.068 1.076 1.101 1.047 1.150嘉兴1.051 1.022 1.019 1.032 1.035 1.034 1.035 1.015 1.018 1.016 1.001湖州0.848 0.684 0.633 0.807 1.019 1.021 1.002 0.887 0.914 0.904 0.607绍兴0.806 0.610 0.647 0.531 0.714 1.016 1.006 0.920 1.007 0.785 0.554金华1.028 1.017 1.007 1.029 1.030 1.027 1.022 1.015 1.002 1.010 1.020衢州0.376 0.534 0.506 0.543 0.616 0.556 0.634 0.654 0.783 1.005 0.466舟山1.012 0.704 0.740 0.641 1.008 1.053 1.099 1.099 1.168 1.000 1.095台州1.043 0.815 0.693 0.639 1.003 0.969 0.901 0.942 1.011 1.003 0.628丽水1.141 1.035 1.015 1.026 1.044 1.039 1.033 1.027 1.020 1.035 1.048合肥1.047 1.023 1.009 1.014 1.010 1.035 1.056 1.036 1.028 1.042 1.046芜湖0.918 1.067 1.038 0.683 1.013 0.777 0.859 0.895 0.807 0.816 1.015蚌埠0.500 0.660 0.573 0.645 0.814 0.769 0.792 0.860 0.797 0.811 0.427淮南0.190 0.228 0.376 0.281 0.399 0.447 0.463 0.626 0.750 1.015 0.251马鞍山1.007 0.843 0.431 0.554 0.479 0.449 0.438 0.515 0.582 0.543 0.286淮北0.505 0.282 0.356 0.355 0.514 0.364 0.574 0.819 0.801 0.779 0.380铜陵0.694 1.015 0.703 0.484 1.017 1.010 0.706 1.019 1.023 1.024 0.461安庆0.628 0.583 0.659 0.467 1.011 1.002 0.808 0.789 0.824 0.805 0.447黄山1.851 1.000 1.000 1.000 1.000 1.000 1.286 1.248 1.231 1.245 0.340滁州0.611 1.016 1.019 1.002 1.031 1.031 1.039 1.027 1.013 1.005 1.015阜阳0.743 0.829 0.752 1.006 0.899 1.018 1.024 1.037 1.051 1.033 0.488宿州0.802 1.016 1.002 1.001 1.014 0.810 0.792 1.023 1.015 1.005 1.028六安0.675 1.015 1.007 1.014 1.025 1.010 1.065 1.066 1.076 0.869 0.510亳州1.052 1.041 1.187 1.100 1.113 1.036 1.104 1.056 1.001 1.054 0.473池州1.567 1.427 1.016 1.020 1.016 1.181 1.115 1.176 1.027 1.085 0.355宣城0.867 1.029 0.695 0.559 0.731 0.662 0.698 0.792 0.620 0.638 0.341均值0.830 0.792 0.776 0.772 0.874 0.884 0.859 0.895 0.908 0.897 0.731
从城市层面来说,2010-2020年南京、盐城、泰州等9个城市绿色创新效率呈上升趋势,表明这些地区能够通过技术创新、结构性转型、节能减排等一系列手段积极适应政策调整,灵活实现资源的有效配置。丽水、宿州、温州等10个城市绿色创新效率趋于稳定,可能原因为:第一,丽水、宿州、舟山等城市发展较落后,但是环境效益较好,虽然工业绿色创新在国家政策下取得了长足进步,但相较于整体绿色创新效率并没有起到重要推动作用;第二,嘉兴、温州、合肥等城市绿色创新资本、人力和资源投入与其经济、创新产出情况趋于一致,相比之下,上海、苏州等城市除受国内宏观政策深度调整等因素影响产生一定波动外,绿色创新效率始终保持较高水平。
从省域和直辖市层面来看,如图1所示,2010—2019年各省域工业绿色创新效率均值随时间变化呈波动上升趋势,且增长幅度较小,变化趋势整体上呈现出高度一致性,2020年工业绿色创新效率受疫情影响大幅下降,除上海增长外,其余三省效率均值都出现了不同程度的下降。其中,安徽效率均值下降幅度明显,其原因可能是安徽相较于江苏、浙江和上海,工业相对落后,其工业绿色创新水平更易受到外界环境的冲击。各省域效率均值在2014或2015年都出现了一个小高峰,可能与此时国家政策侧重于长三角城市群发展有关。上海作为长三角城市群的龙头城市,一枝独秀,明显高于长三角城市群均值和其它省域均值,浙江均值除2011年低于安徽均值外,其余年份均高于安徽与江苏均值。除2020年外,江苏均值都低于安徽均值,原因可能是:江苏较多城市的创新投入规模大,在产业结构升级的同时往往忽视了生态文明建设,“三废”排放量较大,环境污染问题突出,绿色发展缓慢,导致较多城市效率值偏低。而安徽较多城市的自然资源较丰富,同时,工业企业较少,创新投入小且非期望产出少,其绿色基础在一定程度上弥补了创新方面的劣势,使得部分城市的效率值高于江苏部分城市。从整体上看,安徽均值与长三角城市群均值最接近。
图1 省域工业绿色创新效率均值走势
Fig.1 Average trend of industrial green innovation efficiency at provincial levels
本文选取2010年、2013年、2016年和2019年4个节点,运用Arcgis软件将数据可视化,基于自然断裂法对绿色创新效率进行分类,进一步研究工业绿色创新效率格局演变特征。
如图2所示,工业绿色创新效率整体上呈现空间不均衡分布。其中,东南区域和西北区域的绿色创新效率提升明显,由低水平、较低水平转向较高水平、高水平的城市越来越多,到2019年有21个城市达到较高水平、高水平。其主要原因是自2010年发布《长江三角洲地区区域规划》以来,各地纷纷优化产业布局,积极推动区域绿色创新协同发展,使得2013年出现“百花齐放”的局面,有17个城市达到高效率水平,仅4个城市为低效率水平。2013-2016年长三角城市群注重绿色创新高质量发展,促进了产业结构化升级,制定了更为严格的环境规制政策,效率值有所下降,不少高效率城市又转回较高效率城市,仅黄山、池州和亳州为高效率城市。2019年只有黄山为高效率城市,徐州、连云港、盐城和马鞍山效率值仍处于低水平,但长三角城市群整体绿色创新效率值不断上升,且城市间效率值差距不断缩小。
黄山、上海、苏州等12个城市一直保持较稳定的高效率、较高效率水平,绿色创新效率高的城市多沿长江或沿海岸线分布,东南区域的“苏州—上海—杭州—宁波—嘉兴”连线城市创新能力突出,空间上呈“大”字形分布,其它绿色创新效率高的地区为池州、亳州等发展较落后的城市。南京、滁州、淮北、泰州等绿色创新效率水平有明显进步,说明这些城市不仅经济建设表现突出,而且生态文明建设较好,两者协调发展。上海作为长三角地区的核心城市,能够带动周边城市创新发展,使得周边的嘉兴、南通等保持较高水平。而常州、南通、无锡作为传统的制造业大市,在面临企业结构转型、节能减排问题时,关键核心技术缺乏,与其它城市相比,绿色创新效率处于落后阶段。马鞍山的钢铁产业为支柱产业,在重视生态保护和环境治理的背景下,企业转型较慢,导致其绿色创新效率不高。苏北一些城市如徐州、连云港、宿迁的绿色创新效率一直处于低水平态势,可能的原因是在追求经济快速增长的同时忽视生态文明建设,绿色发展的驱动力不足。
本文进一步采用Moran's I指数探究长三角城市群区域空间联系和差异程度,根据Moran's I指数计算公式,利用Stata软件测度2010—2020年长三角城市群41个城市工业绿色创新效率的全局Moran's I指数,结果如图3所示。
由图3可知,由于2013年国家规划调整和经济形势复杂导致莫兰指数为负值,除2013年外,其余年份长三角城市群工业绿色创新效率的莫兰指数基本上均大于0,表明长三角城市群绿色创新效率总体上存在正空间相关性,地理邻近城市的绿色技术创新效率相近,且大多数年份的莫兰指数值均在10%的置信水平下显著,拒绝了空间不相关的原假设。从时间序列上看,2010—2020年莫兰指数波动较大,2010—2013年呈下降趋势,2013—2015年快速上升,达到莫兰指数最大值0.057,2015—2017年又继续下降,2017—2020年呈持续上升趋势。通过趋势图可以发现,总体上长三角城市群工业绿色创新效率的莫兰指数缓慢下降并逐渐趋于0,长三角城市群41个城市的空间相关性有所减弱。
图2 长三角城市群工业绿色创新效率的时空演化
Fig.2 Spatio-temporal evolution of industrial green innovation efficiency in the urban agglomerations of Yangtze River Delta
图3 长三角城市群工业绿色创新效率全局自相关指数
Fig.3 Global auto-correlation indices of industrial green innovation efficiency in the urban agglomerations of Yangtze River Delta
为深入探讨长三角城市群工业绿色创新效率的时空动态演化规律,运用Stata软件得出2010年、2015年、2019年、2020年长三角城市群工业绿色创新效率的散点图,结果如图4所示。
通过Moran's I散点图可以看出,散点集中分布在第一(高高-高效型)、第二(低高-空心型)和第三象限(低低-低效型)。从局部角度可以看出,第一、三象限的点明显多于第二、四象限的点,即“高高-高效型”“低低-低效型”城市较“高低-极化型”“低高-空心型”城市更多,表明绿色创新效率值高(低)的城市在空间上更集聚。从差异角度来说,2010年和2015年“高高-高效型”与“低低-低效型”城市集聚较显著,说明此时空间差异较小,2015年第一象限的散点数明显多于其余象限,说明长三角城市群存在较集中的高效率地区,且绿色创新效率具有较强的区域异质性失衡特征。2019年位于第二象限的散点相比2010年、2015年明显增多,表明长三角城市群工业绿色创新效率的空间溢出效应有所增强。2020年位于第一、三象限的散点较2019年出现大幅波动,空间溢出效应减弱。
图4 长三角城市群工业绿色创新效率Moran's I散点分布情况
Fig.4 Moran's I scatter distribution of industrial green innovation efficiency in the urban agglomerations of Yangtze River Delta
表4是2010、2015、2019、2020年长三角城市群工业绿色创新效率象限分布,从象限的城市分布情况来看,位于第一、三象限的城市占比近60%,说明空间差异较小。2010、2015、2019年第一象限城市数量基本保持稳定,第三象限城市数量逐渐减少,到2019年“低低-低效型”城市数量减少到8个,证明部分城市的绿色创新效率得到提升。2020年受疫情影响,仅10个城市位于第一象限,较其它年份出现大幅减少,“高高-高效型”城市集聚数减少,而“低低-低效型”城市集聚数增加。上海、杭州、温州等城市一直处于第一象限,绝大部分年份的局部莫兰指数为正值,且表现出与周边城市的正相关性。进一步考察位于第二象限“低高—空心型”、第四象限“高低—极化型”的非典型地区,这两类城市数量相对较少。对于处于第二象限(低高—空心型)的城市来说,如何促进城市间人力、资本等要素流动,引导产业合理布局以及加强生态环境协同监管是亟需解决的问题。皖北和苏北一些城市未与高绿色创新效率城市相邻,难以有效吸纳其空间溢出效应,成为效率“洼地”。对于第四象限(高低—极化型)的城市来说,自身绿色创新效率较高,辐射带动作用有限,对周边城市的空间溢出效应较弱。
表4 2010、2015、2019、2020年长三角城市群工业绿色创新效率象限分布
Tab.4 Quadrant distributions of industrial green innovation efficiency in the urban agglomerations of Yangtze River Delta in 2010, 2015, 2019 and 2020
2010201520192020第一象限宁波、上海、杭州、苏州、丽水、无锡、芜湖、湖州、宣城、南通、舟山、温州、金华、嘉兴、台州、黄山、池州(17)宁波、上海、杭州、苏州、丽水、湖州、南通、舟山、温州、泰州、金华、嘉兴、台州、绍兴、常州、池州(16)宁波、上海、杭州、丽水、舟山、温州、金华、嘉兴、台州、黄山、池州、亳州、衢州、合肥、淮南、铜陵、滁州、阜阳、宿州(19)上海、杭州、丽水、苏州、南通、嘉兴、舟山、金华、温州、泰州(10)第二象限衢州、铜陵、绍兴、盐城、南京、泰州、安庆、常州(8)衢州、盐城、扬州、无锡(4)马鞍山、南通、宣城、徐州、芜湖、蚌埠、淮北、绍兴、安庆、六安(10)衢州、宁波、绍兴、台州、无锡、盐城、湖州、常州、马鞍山、宣城、蚌埠(11)第三象限淮安、淮南、淮北、宿迁、徐州、蚌埠、滁州、六安、阜阳、扬州、镇江、宿州(12)宿州、蚌埠、宿迁、淮安、连云港、芜湖、南京、淮南、徐州、淮北、马鞍山、宣城(12)无锡、盐城、常州、连云港、淮安、宿迁、扬州、镇江(8)淮安、铜陵、镇江、扬州、连云港、宿迁、黄山、池州、淮南、淮北、安庆、阜阳、亳州、六安(14)第四象限马鞍山、连云港、合肥、亳州(4)滁州、亳州、合肥、六安、铜陵、阜阳、黄山、安庆、镇江(9)南京、泰州、湖州、苏州(4)南京、徐州、滁州、合肥、宿州、芜湖(6)
利用Rey&Janikas[31]的时空分析法对Moran's I散点图作进一步分析,鉴于2020年受疫情影响,无论是经济增长还是创新能力提升均受到较大的外部冲击,因而偏离了正常发展轨迹,为准确把握长三角城市群绿色创新发展规律,选择2010年、2019年两个年份进行时空跃迁分析,具体如表5所示。可以发现,属于类型Ⅰ的有4种途径:第一种是高效型向极化型跃迁,代表城市是苏州和湖州。苏州周边城市如无锡、南通都是制造业大市,随着国家规划政策的调整,周边城市产业处于调整和优化状态,因此周边城市的绿色创新效率提升较缓。相比之下,苏州有着人力、资源、资本优势,具有较强的创新驱动力,绿色创新效率能够保持较高水平。第二种是极化型向高效型跃迁,代表城市有合肥和亳州,合肥作为安徽省的省会城市,对周边城市能够产生溢出效应,带动周边城市绿色创新发展。第三种是低效型向空心型跃迁,代表城市有淮北、徐州等4个城市,这些城市绿色创新发展滞后,在长三角城市群协同创新发展中出现脱节,进而与周边城市形成“低高—空心型”集聚。第四种是空心型向低效型跃迁,代表城市是常州和盐城,这两个城市由于受到虹吸效应的影响,同时,与宣城、马鞍山等绿色创新效率不高的城市相邻,在绿色创新发展中面临难题。属于类型Ⅱ的跃迁路径主要包括3种:第一种是高效型与低效型间的跃迁,代表城市是无锡,该跃迁是近年城市产业结构调整导致绿色创新效率下降的结果。第二种是低效型与高效性型间的跃迁,代表城市是安徽的两个城市,即淮南和宿州,说明安徽所有城市加入长三角城市群后对安徽省发展有利。第三种是空心型到极化型的跃迁,代表城市是南京和泰州,南京的绿色创新效率逐年提升,超过了周边城市,由虹吸效应逐渐转变成溢出效应。第四种是从极化型到空心型的跃迁,代表城市是马鞍山,该市在2010年绿色创新效率较高,在周边城市不断提升绿色创新效率的同时其钢铁产业面临环境规制和结构转型等一系列制约。属于Ⅲ类型的有4种途径:第一种是从高效型到空心型的跃迁,代表城市有南通、宣城和芜湖,这些城市跃迁是由周围城市如合肥、杭州发展较快,而自身发展较慢导致的。第二种是从空心型到高效型的跃迁,代表城市是衢州和铜陵,两个城市通过吸纳周围绿色创新效率较高城市的溢出资源,不断优化自身资源配置与利用,使自身得到良好发展,从而跃迁为高效型。第三种是从低效型到极化型的跃迁,未有城市发生。第四种是从极化型到低效型的跃迁,只有连云港,其原因可能是该市缺乏创新活力,未能保持绿色创新高效率。其余19个城市属于Ⅳ类型,即未发生跃迁。
由此可见,长三角城市群工业绿色创新效率具有明显的空间聚集性和流动性,时空跃迁表现出高度的空间稳定性,约1/2的城市未脱离原来的集聚范畴。在发生跃迁的路径中,从低效型跃迁到空心型的城市最多,达到4个,说明这些城市的绿色创新效率虽然不高,但其周围城市是能够突破自身发展困境、实现更高效率的。
本文从绿色创新效率的本质和内涵出发,构建评价指标体系,基于2010-2020年长三角城市群41个城市的空间面板数据,运用基于非期望产出的超效率SBM-DEA模型对长三角城市群工业绿色创新效率进行测度,同时,通过全局空间自相关性分析方法探究其格局演变和空间关联性。研究结论如下:
(1)从时序发展上看,长三角城市群工业绿色创新效率整体上呈现“W”型波动趋势。从城市层面来看,南京、盐城、泰州等9个城市绿色创新效率整体呈上升趋势,丽水、宿州、温州等9个城市的绿色创新效率趋于稳定,而其余城市都存在明显波动,城市异质性显著。
表5 长三角城市群工业绿色创新效率的时空跃迁类型与路径
Tab.5 Spatial-temporal transition types and paths of industrial green innovation efficiency in the urban agglomerations of Yangtze River Delta
跃迁类型跃迁路径代表城市类型Ⅰ:研究单元不变,邻近单元发生跃迁高效型→极化型苏州、湖州极化型→高效型合肥、亳州低效型→空心型淮北、徐州、蚌埠、六安空心型→低效型常州、盐城类型Ⅱ:研究单元自身跃迁,邻近单元发生跃迁高效型→低效型无锡低效型→高效型淮南、宿州空心型→极化型南京、泰州极化型→空心型马鞍山类型Ⅲ:研究单元自身跃迁,邻近单元不变高效型→空心型南通、宣城、芜湖空心型→高效型衢州、铜陵低效型→极化型无极化型→低效型连云港类型Ⅳ:研究单元不变,邻近单元不变未发生跃迁其余19个城市
(2)从空间演化格局上看,长三角城市群工业绿色创新效率整体上呈现空间不均衡分布,高效率城市主要集聚在东南部和西北部区域,从2010—2019年由几个核心城市逐渐拓展,东南部和西北部的高效率城市逐渐增多,中部和北部城市的效率值也在上升,但相对其它城市仍存在差距,2020年低效率城市明显增多,且大多集中于淮北和苏北一带。工业绿色创新效率总体上呈正相关性,地理邻近城市的绿色技术创新效率值相近,随着时序发展长三角城市群41个城市的空间相关性减弱。同时,工业绿色创新效率存在明显的“高高—高效型”和“低低—低效型”集聚的空间结构特征,时空跃迁表现出较高的空间稳定性,溢出效应与虹吸效应并存,即长三角城市群工业绿色创新效率具有明显的空间聚集性和流动性。
已有研究[32]对长三角城市群26个城市进行了分析,通过与其研究结果对比,发现绿色创新效率整体波动趋势相同,但城市间的异质性明显增强,无论是26个城市还是41个城市,都可以看出,长三角城市群一体化进程不断推进,城市间差距不断缩小,工业绿色创新效率都朝着协同化方向演进。
(1)在国家层面统筹长三角城市群发展战略,各地区要合理制定相关政策,促进长三角城市群绿色创新协同发展,提升区域联动发展水平。上海、苏州等绿色创新发展较好城市,应加强与宣城、盐城等城市的合作帮扶工作。在科技产业创新协同上,政府要协同推进科技成果转移转化,构建开放的技术研发平台,加大研发补贴力度,促进技术交易市场互联互通。在生态环境共保联治上,科学有序推进碳达峰碳中和,改善发展所需的外部环境,推进无废城市建设。面对后疫情时代,长三角城市群更需充分发挥区域合作优势,优化绿色创新发展途径,使长三角城市群形成合力,防范和抵御疫情冲击。
(2)长三角城市群发展应做到因地制宜,各级政府应探索出一条适合本地绿色创新发展的道路。对高效率、较高效率城市而言,需要明确自身优势所在,如黄山、池州等城市,生态资源较好,其效率更偏重绿色方面,应加强水权、水排污权、林业碳汇线上交易,推动打造区域性绿色生态产品交易中心,不断创新生态产品转化途径。对上海、苏州等城市而言,技术进步是提升绿色创新效率的关键,需加大绿色创新技术研发力度,提升绿色创新要素利用率和成果转化率,向周边城市推行绿色创新技术和科学的管理模式,充分发挥区域知识溢出效应,以点带面,带动周边城市的绿色创新发展。对低效率、较低效率城市而言,要积极实现产业结构转型与升级,从污染型、高能耗型产业结构转向可持续发展产业,提升能源利用效率。政府要出台一系列专项扶持政策鼓励绿色创新及市场应用,同时向高效率地区借鉴绿色发展经验,加强合作和资源共享,逐步缩小城市间差距。
(3)政府要充分重视长三角城市群时序发展特征和空间演化格局。考虑到地区绿色创新发展的不均衡性和空间关联性,给予低效率、较低效率城市更多关注和政策支持,同时,重点关注Moran's I散点图中“低低—低效型”城市,充分挖掘这些城市的绿色创新能力,对产业集聚进行合理规划,制定统一的环境规制政策,帮助这些地区脱离绿色创新发展困境。对“高低—极化型”“低高—空心型”城市而言,区域绿色创新协同发展尤为重要,需要强化城市间的空间关联。绿色创新效率高的城市更需充分利用自身的辐射效应,形成知识溢出、技术溢出和人才溢出,促进城市间多中心、多层级、组团式发展,协调好都市圈与城市群关系,建立城市-都市圈-城市群的空间动力机制。
受数据搜集等客观因素影响,本文构建的绿色创新效率评价体系还存在不足,有待完善。此外,在对长三角城市群绿色创新效率进行评价和分析的基础上可以进一步探讨影响长三角城市群绿色创新效率的因素,并分析其对绿色创新效率的空间溢出效应。
[1] 刘晓丽,方创琳. 城市群资源环境承载力研究进展及展望[J].地理科学进展,2008,27(5):35-42.
[2] CHEN G, MORAWSKA L, ZHANG W, et al. Spatiotemporal variation of PM1 pollution in China[J]. Atmospheric Environment, 2018, 178:198-205.
[3] HOOKER R E,SEMAN N,GOVINDAN K,et al. The mediating effect of green innovation on the relationship between green supply chain management and environmental performance[J]. Journal of Cleaner Production, 2020, 229:115-127.
[4] TARIQ A,BADIR Y F,TARIQ W,et al. Drivers and consequences of green product and process innovation: a systematic review, conceptual framework and future outlook[J]. Technology in Society, 2017, 51:8-23.
[5] FAN F,LIAN H,LIU X,et al. Can environmental regulation promote urban green innovation efficiency? an empirical study based on Chinese cities[J]. Journal of Cleaner Production, 2020, 287(1):125060.
[6] 赵琳,范德成. 我国高技术产业技术创新效率的测度及动态演化分析——基于因子分析定权法的分析[J].科技进步与对策,2011,28(11):111-115.
[7] 乔元波,王砚羽. 基于三阶段DEA-Windows分析的中国省域创新效率评价[J].科学学与科学技术管理,2017,38(1):88-97.
[8] 刘佳,宋秋月. 中国旅游产业绿色创新效率的空间网络结构与形成机制[J].中国人口·资源与环境,2018,28(8):127-137.
[9] 罗良文,梁圣蓉. 中国区域工业企业绿色技术创新效率及因素分解[J].中国人口·资源与环境,2016,26(9):149-157.
[10] 孙燕铭,谌思邈. 长三角区域绿色技术创新效率的时空演化格局及驱动因素[J].地理研究,2021,40(10):2743-2759.
[11] 肖黎明,高军峰,韩彬.中国省际绿色创新效率的空间溢出效应——同质性和异质性检验[J].工业技术经济,2018,37(4):30-38.
[12] 黄杰,金华丽. 中国绿色创新效率的区域差异及其动态演进[J].统计与决策,2021,37(21):67-71.
[13] 孙振清,李欢欢,刘保留. 中国东部沿海四大城市群协同创新效率综合测度及影响因素研究[J].科技进步与对策,2021,38(2):47-55.
[14] 段永峰,顼文晴,罗海霞. 中国省域绿色创新效率与绿色发展效率耦合协调研究[J].科技管理研究,2020,40(17):235-243.
[15] 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.
[16] 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.
[17] 董会忠,李旋,张仁杰. 粤港澳大湾区绿色创新效率时空特征及驱动因素分析[J].经济地理,2021,41(5):134-144.
[18] 潘春苗,母爱英,翟文.中国三大城市群协同创新网络结构与空间特征——基于京津冀、长三角城市群和粤港澳大湾区的对比分析[J].经济体制改革,2022(2):50-58.
[19] 葛世帅,曾刚,杨阳,等.基于DEA-Malmquist和Tobit模型的长三角城市群绿色创新绩效研究[J].长江流域资源与环境,2022,31(4):738-749.
[20] CHARNES A,COOPER W W,RHODES E . Measuring the efficiency of decision-making units[J]. European Journal of Operational Research, 1978, 2(6):429-444.
[21] BANKER R D,CHARNES A,COOPER W W . Some models for estimating technical and scale inefficiencies in DEA[J]. Management Science, 1984, 32:1613-1627.
[22] TONE K. A slacks-based measure of efficiency in data envelopment analysis[J]. European Journal of Operational Research, 2001, 130(3):498-509.
[23] 成刚. 数据包络分析方法与MaxDEA软件[M].北京:知识产权出版社, 2014.
[24] 李昊,范德成,张书华,等.我国区域绿色技术创新效率的分类测度和提升模式研究——基于非期望产出的SBM-SupSBM模型[J].运筹与管理,2022,31(4):184-189,203.
[25] LI H,ZHANG J,EDWARD O,et al. Sustainable development of China's industrial economy:an empirical study of the period 2001—2011[J]. Sustainability, 2018, 10(3):764.
[26] 丁显有,肖雯,田泽. 长三角城市群工业绿色创新发展效率及其协同效应研究[J].工业技术经济,2019,38(7):67-75.
[27] 肖振红,李炎.知识产权保护、R&D投入与区域绿色创新绩效[J].系统管理学报,2022,31(2):374-383.
[28] 王问苈,时培豪,黄庆华.成渝地区双城经济圈绿色创新效率、演变趋势与影响因素研究[J].西南大学学报(自然科学版),2022,44(3):172-182.
[29] 肖仁桥,沈路,钱丽.“一带一路”沿线省份工业企业绿色创新效率及其影响因素研究[J].软科学,2020,34(8):37-43.
[30] MANAGI S,KANEKO S . Economic growth and the environment in China: an empirical analysis of productivity[J]. International Journal of Global Environmental Issues, 2006, 6(1):89-133.
[31] REY S J,JANIKAS M V . Stars:space-time analysis of regional systems[J]. Geographical Analysis, 2006,38(1):67-86.
[32] 滕堂伟,瞿丛艺,胡森林,等.长三角城市群绿色创新效率格局分异及空间关联特征[J].华东师范大学学报(哲学社会科学版),2019,51(5):107-117,239-240.