The conclusions of this study include four aspects. Firstly, industrial intelligence impacts provincial ecological efficiency positively; industrial intelligence has significant promoting roles on provincial ecological efficiency in the eastern and central regions, but has no significant promoting role in the western region. Secondly, green technology innovation plays a partial mediating role in the impact of industrial intelligence on provincial ecological efficiency. Thirdly, industrial agglomeration plays a U-shaped moderating role in the impact of industrial intelligence on provincial ecological efficiency. Finally, green finance plays a positive moderating role in the impact of industrial intelligence on provincial ecological efficiency.
The theoretical contributions include four aspects. Firstly, different from previous studies, from the perspective of industrial intelligence, this paper verifies its positive impact on provincial ecological efficiency, clarifies the different impacts of industrial intelligence on provincial ecological efficiency of different regions, and makes a useful supplement to studies of industrial intelligence. Secondly, this paper clarifies the path role of green technology innovation in the impact of industrial intelligence on provincial ecological efficiency, and provides a new idea for the study on how industrial intelligence promotes the improvement of provincial ecological efficiency. Thirdly, this paper reveals the nonlinear role of industrial agglomeration in the impact of industrial intelligence on provincial ecological efficiency, and enriches relationship study of industrial agglomeration, industrial intelligence and provincial ecological efficiency. Finally, this paper verifies the situational role of green finance in the impact of industrial intelligence on provincial ecological efficiency, and expands the integration study of green finance and industrial intelligence on provincial ecological efficiency.
This paper provides several suggestions for relevant departments. Firstly, relevant departments can establish special funds to support industrial intelligence technology study, and can also guide industries to actively explore the application of intelligence technology, and build an ecosystem of the interconnected upstream and downstream of industrial chain, so as to promote the improvement of provincial ecological efficiency. In addition,the regions should promote the development of industrial intelligence according to local conditions so as to improve provincial ecological efficiency. Secondly, relevant departments can formulate environmental protection regulations and green emission reduction standards, etc., and effectively promote green technology innovation. Thirdly, when the level of industrial agglomeration is low, relevant departments should guide all industries to realize division and cooperation and complementary advantages according to resource endowment. Otherwise, when industrial agglomeration reaches a certain level, relevant departments can guide industries to cooperate with universities and research institutes, provide platforms and resources for industrial intelligence, so as to improve provincial ecological efficiency. Finally, relevant departments can adopt green fiscal policies to guide funds to the green field, and can also guide industries to effectively use funds in the development of industrial intelligence, so as to improve provincial ecological efficiency.
开放科学(资源服务)标识码(OSID)：
中国作为世界第二大经济体,经济发展一直保持较快增长态势。然而,经济增长的同时也带来资源、能源消耗以及环境污染等问题。资源、能源和生态环境已成为影响中国经济发展的重要因素[1],探索经济与环境协调的可持续发展新路径迫在眉睫。作为实施可持续发展战略的重要内容,省域层面的生态效率提升是促进经济与环境“共赢”的重中之重。省域生态效率是一个典型的投入产出指标,表示以较少的环境影响实现更高的经济价值[2],其水平高低决定经济与环境的“共赢”程度。随着工业4.0的推进,智能化时代正在到来,新兴技术已成为推动中国经济绿色发展的重要引擎。大规模利用人工智能等新兴技术有助于实现整个产业智能化,提高生产流程中的资源利用率,减少污染物排放,通过最小化投入实现最大化的经济产出,促进绿色低碳产业发展,有效平衡经济与环境的关系,从而提升省域生态效率。可见,深入探究产业智能化如何有效提升省域生态效率具有重要的现实意义。
目前,学术界关于产业智能化的研究已经取得一定进展。如赵培雅等[3]分析产业智能化对能源消费、碳排放、工业污染排放总量和强度的影响;杨飞[4]基于产业内效应和产业关联效应探究产业智能化与劳动报酬份额关系;罗良文等[5]从城市层面,探讨产业智能化与低碳经济转型关系;Wang和Li[6]以及Meng等[7]采用空间杜宾模型分别探究产业智能化对资源错配与碳强度的影响。综上可见,鲜有文献探究产业智能化与省域生态效率的关系。产业智能化可以实时检测生产过程中的资源消耗和污染排放情况,减少环境问题,实现高效率、大规模生产,促进经济发展,进而提高省域生态效率。因此,有必要深入探究产业智能化对省域生态效率的影响。此外,产业智能化可以减少资源浪费,促使更多研发资源投向绿色技术创新,而绿色技术创新遵循环境负面影响最小化的生态经济原则[8],通过合理控制生产环节中的污染排放,进而提升省域生态效率。那么,绿色技术创新是否在产业智能化影响省域生态效率过程中产生路径作用?产业集聚会引发大规模的资源与技术迁移,同时,也可能导致集聚区内工业废物排放等环境问题,影响产业智能化对省域生态效率的提升效应。那么,产业集聚在这个过程中究竟扮演何种角色?绿色金融是一种承载环境责任的特殊金融活动,可能带来环境效益增长和经济发展[9],其是否会影响产业智能化对省域生态效率的提升作用?这些问题都有待进一步探究。
鉴于此,本文选取2010-2021年中国内地30个省域(西藏因数据缺失较多,故未纳入)面板数据,探究产业智能化对省域生态效率的影响及其地区异质性,并分析绿色技术创新的中介作用以及产业集聚与绿色金融的调节作用。本研究有助于明晰产业智能化影响省域生态效率的内在机制,为提升省域生态效率提供相关建议。
产业智能化意味着将智能技术与装备应用于产业生产的各个领域和环节,实现生产过程决策智能化、资源配置优化和研发模式创新[7]。产业智能化通过促进创新生态系统建设,推进研发创新,增强消化吸收能力,以智能技术与装备的引进和改造为载体[10],优化资源配置机制,实时监控整个生产流程资源消耗与污染物排放,进而在各环节严格控制投入产出,提升省域生态效率。
具体而言,首先,随着产业智能化的逐步推进,一方面,各环节通过应用智能技术优化生产流程,使整个生产环节更精简、更高效、更高产,在产业内部实现大规模快速生产的同时减少能源消耗,提高生产要素配置效率;另一方面,与产业相关联的基础设施、高技能劳动力和配套技术也日益完善[11],有助于提高内部运营效率,促进产业建立新生产技术体系,提升省域生态效率。其次,产业智能化有助于各省域充分发挥自身资源优势,降低产业间信息共享成本,提升先进技术学习效率,并带动上下游产业研发创新,促进整个产业链资源与信息的整合优化,进而通过技术溢出效应提升省域生态效率。最后,随着智能技术快速发展,不同类型生产要素纷纷涌入智能产业,智能产业成为国民经济的重要组成部分,这些技术领先型产业通过与传统产业融合,促进落后产业转型升级,增强节能减排和绿色发展意识,推动全产业向低碳绿色方向发展,提高资源利用效率,进而通过龙头带动效应促进省域生态效率提升。由此,本文提出研究假设H1。
H1：产业智能化对省域生态效率有正向影响。
智能化通过机器预测和智能算法优化产业创新决策[12]。智能化不仅使智能机器能够替代人力,从事大量高度重复的工作,提高产业资源配置效率,而且带来产业利润增长,增加绿色技术研发资金与人力投入。产业智能化不仅有助于产业内部实现高效的生产信息传递、快速的绿色技术创新机会识别,而且可以通过不断与外部交换有效信息,合理配置生产要素,增强知识吸收和学习能力,进而为绿色技术创新提供更丰富的知识及信息储备。同时,产业智能化有利于促进市场竞争,使得产业在市场竞争与资源重新配置的双重压力下[12],积极创新以维持市场地位,从而提高自身绿色技术创新水平。
绿色技术的环境友好性为其替代高耗能技术奠定了良好基础,可以提高能源利用效率,减少产业链环节的污染排放[8],促进污染物的循环利用,将其变废为宝,真正在源头上实现绿色生产,进而有效提升省域生态效率。绿色技术创新有助于产业链上的企业采纳绿色创新建议,促使整条产业链都具备绿色环保理念,不断降低生产成本和能源消耗,进而全方位提升省域生态效率。同时,在绿色技术创新水平较高的省域,政府和产业对绿色技术的重视及认可也达到较高程度[13],绿色技术可以获得更多支持并快速在市场上推广应用,充分发挥其节能减排作用,进而减少环境污染,提升省域生态效率。综上,本文提出研究假设H2。
H2：绿色技术创新在产业智能化影响省域生态效率的过程中发挥中介作用。
产业集聚表示某产业在一个特定地理区域高度集中,资本要素在空间范围内不断汇聚的过程[14]。根据规模经济理论,多个产业之间因合理的分工与联合、合理的地区布局等可以产生外部规模经济效应[15]。实际上,产业集聚的根本动力是外部规模经济效应,主要表现为区域专业化发展、具有特定产业技能的劳动力市场形成和上下游产业关联增强[16],从而促进大规模智能化的人才与技术流动,并影响集聚区内资源利用效率和污染物排放,最终作用于省域生态效率。
当产业集聚程度较小时,意味着集聚区内并未形成合理的产业规模。此时,集聚区的重点是扩大产业规模,智能化领域的资金和人力投入明显不足。由于区域内缺乏先进的基础设施和完善的环境监管机制,使得产业规模快速扩大的同时能源消耗和污染物排放增加,进而负面影响产业智能化对省域生态效率的促进作用。当产业集聚超过一定阈值后,规模经济效应开始发挥作用。集聚带来的规模经济效应可以帮助产业降低寻工成本,促进技术交流和基础设施共享[17],引导更多产业资源投向智能化领域,加快推进整个产业智能化,最终提升省域生态效率。同时,产业集聚有利于促进产业间竞争与合作、知识溢出与流动,以及新知识和新思想在产业间传播[18],促使智能化技术能够广泛应用于各产业,进一步减少资源浪费,提升省域生态效率。集聚区产业基于竞争效应也会加大智能化研发投入,提高创新活力,优化资源配置,维持自身竞争优势,从而强化产业智能化对省域生态效率的促进作用。由此,本文提出研究假设H3。
H3：产业集聚在产业智能化影响省域生态效率的过程中发挥U型调节作用。
绿色金融的目标是平衡经济增长、环境保护与可持续发展[9]。绿色金融是金融的一种特殊形式。金融具有调动储蓄、加速资本积累、高效配置资源、缓解信息不对称等关键功能[19]。与传统金融相比,绿色金融不仅具有上述功能,而且以保护环境和提高资源利用率为导向,更多地关注如何促进各产业绿色发展,减少污染物排放,提高资源利用率,为产业寻求智能化技术提供资金支持,进而促进省域生态效率提升。
首先,绿色金融鼓励产业采取环保措施,并为低能耗、低污染和低碳产业提供资金支持,引导产业树立绿色生产观念,向绿色环保方向发展,进而推动产业采用智能化技术建立绿色生产体系,从源头减少污染物排放,抑制高污染、高排放的生产行为,从而促进省域生态效率提升。其次,绿色金融通过优化金融结构,降低绿色产业融资成本,提高污染项目的财务成本[20],为智能化产业提供更多研发资金支持,有助于产业引入更多先进技术以减少能源消耗,推动绿色低碳技术快速发展,进而减轻生态破坏,提升省域生态效率。最后,绿色金融有助于提高资金利用效率,使资金从高污染、低效率产业直接流向低污染、高效率产业[19],通过资金的合理配置促进产业结构升级,降低环境友好型产业财务负担,限制高污染产业融资活动,进一步借助外部“金融之手”促进产业发展智能化、生态化,从而有效提升省域生态效率。由此,本文提出研究假设H4。
H4：绿色金融在产业智能化影响省域生态效率的过程中发挥正向调节作用。
2.1.1 被解释变量
本文被解释变量为省域生态效率(PEE)。为衡量不同决策单元的资源利用以及环境保护绩效,数据包络分析(DEA)方法被广泛应用于生态效率评估。但当输入或输出因子松弛时,传统DEA模型在角度和径向选择方面存在问题[21]。因此,为最大程度地克服传统DEA模型的松弛问题,借鉴Tone[22]提出的超效率SBM模型,本研究构建考虑非期望产出的超效率SBM模型测算省域生态效率。参考Yao等[2]以及Wang等[23]的研究,选取投入、期望产出和非期望产出3个指标测量省域生态效率。其中,投入指标主要指资源消耗,包括土地资源消耗、能源消耗、用水量、用电量和劳动投入,分别采用建设用地面积、能源用量、总用水量、总用电量和三大产业从业人员总数衡量;期望产出指标主要指经济发展,采用地区生产总值(GDP)衡量;非期望产出指标主要指环境污染,包括废水排放、废气排放和固体废弃物排放,废水排放采用废水排放量和化学需氧量排放量衡量,废气排放采用二氧化硫排放量和烟(粉)尘排放量衡量,固体废弃物排放采用工业固体废弃物排放量衡量。
2.1.2 解释变量
本文解释变量为产业智能化(II)。产业智能化是指将人工智能、“互联网+”、物联网和机器设备等方面的智能化技术运用到三大产业中。参考Wang和Li[6]、Meng等[7]的研究,选取智能装备投资、智能软件普及、信息收集能力、数据处理和软件维护能力、创新能力5个维度测量产业智能化。其中,借鉴Wang和Li[6]以及Meng等[7]的研究,智能装备投资采用电子信息产业营业收入占GDP的比重衡量;智能软件普及采用软件产品及嵌入式系统软件销售收入占GDP的比重衡量;信息收集能力采用宽带用户互联网端口数衡量;数据处理和软件维护能力采用信息技术服务销售收入占GDP的比重衡量。创新能力则借鉴戴翔和金碚[24]的研究,采用研发投入占GDP的比重衡量。确定测量指标后,采用主成分分析法计算各省域产业智能化水平。为了消除异方差,对产业智能化数据进行对数化处理。
2.1.3 中介变量
本文中介变量为绿色技术创新(GTI)。绿色专利申请量反映一个地区的绿色技术发展水平和创新理念。其数量越多,表示绿色技术越先进,环境污染问题的治理效率越高。因此,参考Lin和Ma[25]的研究,采用每千人绿色专利申请量衡量各省域绿色技术创新水平。
2.1.4 调节变量
(1)产业集聚(IA)。本文参考Liu和Zhang[26]的研究,采用区位熵计算各省域产业集聚度,具体如式(1)所示。
(1)
其中,IAj表示j省产业集聚,xij表示j省第i产业产值,n表示产业个数,xi表示i产业全国产值。
(2)绿色金融(GF)。本文参考Huang等[20]的研究,选取绿色信贷、绿色证券、绿色保险和绿色投资4个维度测量绿色金融。其中,绿色信贷采用六大高耗能工业产业利息支出占工业产业利息总支出的比重衡量;绿色证券采用环保企业市值占上市公司总市值的比重衡量;绿色保险采用农业保险收入占农业总产值的比重衡量;绿色投资采用环境污染治理投资占GDP的比重衡量。确定测量指标后,本文采用熵权法计算各省域绿色金融水平。
2.1.5 控制变量
(1)城市化水平(UL)。城市化水平影响能源消耗与环境污染监管力度,进而对省域生态效率产生影响。本文参考Dong等[1]的研究,采用城市人口占总人口的比重衡量各省域城市化水平。为了消除异方差,本文对城市化水平数据进行对数化处理。
(2)产业结构(IS)。产业结构代表不同产业比重和组成情况,不同产业的资源需求以及污染物排放情况存在差异,进而影响省域生态效率。本文参考Wang等[23]的研究,采用第二产业产值占GDP的比重衡量各省域产业结构。
(3)外商直接投资(FDI)。外商直接投资影响省域资金、技术等要素获取及流动,进而影响省域生态效率。本文参考Wang等[23]的研究,采用实际利用外资额占GDP的比重衡量各省域外商直接投资。
(4)人力资本(HC)。人力资本影响省域人才供给、先进技术引进、环保理念普及等,进而对省域生态效率产生影响。本文参考Song等[27]的研究,采用高校学生数占总人口的比重衡量各省域人力资本。
(5)社会消费水平(SCL)。社会消费水平代表整个社会的经济状况和居民生活质量,会对资源消耗和环保理念普及产生影响,进而影响省域生态效率。本文参考Song等[27]的研究,采用消费品零售额占GDP的比重衡量各省域社会消费水平。
(6)政府支出(GE)。政府支出影响环保技术研发投入、环保政策实施和生态基础设施建设等,进而影响省域生态效率。本文参考Song等[27]的研究,采用政府公共财政支出占GDP的比重衡量各省域政府支出。
本文选取2010-2021年中国内地30个省域为样本。其中,省域生态效率的投入指标与期望产出指标数据来源于《中国统计年鉴》,非期望产出指标数据来源于《中国能源统计年鉴》《中国环境统计年鉴》和各省(市区)统计年鉴。产业智能化数据来源于《中国统计年鉴》《中国电子信息产业统计年鉴》《中国信息产业年鉴》《中国科技统计年鉴》。绿色技术创新数据来源于中国研究数据服务(CNRDS)平台和《中国统计年鉴》。产业集聚数据来源于《中国统计年鉴》《中国工业统计年鉴》。绿色金融数据来源于Wind数据库、《中国统计年鉴》《中国能源统计年鉴》《中国工业统计年鉴》。城市化水平、产业结构、外商直接投资、人力资本、社会消费水平和政府支出数据均来源于《中国统计年鉴》。
本文对省域生态效率、产业智能化、绿色技术创新、产业集聚和绿色金融等变量进行描述性统计分析,结果见表1。
表1 描述性统计分析结果
Table 1 Results of descriptive statistical analysis
变量 平均值 标准差 最小值 最大值 PEE 0.402 0.309 0.133 1.150 II -0.153 1.121 -5.064 1.962 GTI 0.154 0.216 0.005 1.582 IA 3.167 0.529 1.997 4.883 GF 0.280 0.139 0.076 0.794 UL 4.055 0.206 3.515 4.495 IS 0.432 0.088 0.158 0.590 FDI 0.019 0.019 0.000 0.121 HC 0.020 0.006 0.008 0.042 SCL 0.378 0.067 0.222 0.603 GE 0.246 0.102 0.106 0.643
变量相关性分析结果如表2所示。由此可知,变量相关系数及其显著性与研究假设相符,本文假设得到初步验证。
表2 变量相关性分析结果
Table 2 Results of variable correlation analysis
变 量 P EE I I GT I IA GF UL I S F D I H C SCL I I 0 . 4 8 8 * * * GT I 0 . 5 2 1 * * * 0 . 5 9 9 * * * IA - 0 . 4 3 2 * * * - 0 . 6 8 1 * * * - 0 . 5 9 8 * * * GF 0 . 2 5 5 * * * 0 . 1 1 9 * * 0 . 4 4 9 * * * - 0 . 4 7 4 * * * UL 0 . 4 6 0 * * * 0 . 6 6 8 * * * 0 . 6 5 8 * * * - 0 . 6 2 6 * * * 0 . 4 4 5 * * * I S - 0 . 1 8 6 * * * - 0 . 1 0 4 * * - 0 . 4 6 3 * * * - 0 . 1 4 6 * * - 0 . 2 8 2 * * * - 0 . 3 8 9 * * * F D I 0 . 3 7 1 * * * 0 . 2 2 7 * * * 0 . 1 4 0 * * * - 0 . 2 0 9 * * * - 0 . 0 2 0 0 . 2 3 1 * * * 0 . 1 0 0 * H C 0 . 2 5 1 * * * 0 . 5 3 4 * * * 0 . 3 8 8 * * * - 0 . 3 1 5 * * * 0 . 1 3 8 * * * 0 . 6 2 1 * * * - 0 . 2 8 3 * * * 0 . 3 4 4 * * * SCL 0 . 0 8 3 0 . 4 3 8 * * * 0 . 2 1 0 * * * - 0 . 0 7 5 - 0 . 1 7 1 * * * 0 . 1 9 7 * * * - 0 . 2 1 4 * * * 0 . 0 2 6 0 . 1 8 6 * * * GE - 0 . 3 5 9 * * * - 0 . 6 2 0 * * * - 0 . 2 3 2 * * * 0 . 4 1 4 * * * 0 . 0 6 9 - 0 . 3 3 7 * * * - 0 . 2 1 6 * * * - 0 . 3 1 4 * * * - 0 . 3 5 8 * * * - 0 . 3 8 6 * * *
注:***表示p<0.01,**表示p<0.05,*表示p<0.1;下同
本文采用方差膨胀因子(VIF)和容忍度(Tolerance)进行多重共线性检验,如表3所示。由结果可知,所有变量的VIF值均小于10,Tolerance值均大于0.1,说明变量之间不存在严重的多重共线性问题。
表3 多重共线性检验结果
Table 3 Test results of multicollinearity
变量 VIF Tolerance 变量 VIF Tolerance II 4.576 0.219 IS 3.466 0.288 GTI 3.173 0.315 FDI 1.256 0.796 IA 5.406 0.185 HC 1.996 0.501 GF 2.137 0.468 SCL 1.585 0.631 UL 3.737 0.268 GE 2.150 0.465
为避免出现伪回归现象,采用LLC(Levin-Lin-Lhu)和IPS(Im-Pesaran-Skin)方法对各变量进行单位根检验,如表4所示。从中可以发现,大多数变量均在1%水平上显著,其余变量在5%水平上显著,表明本文面板序列数据平稳,排除伪回归问题。
表4 单位根检验结果
Table 4 Test results of unit root
变 量 L L C 检 验 I P S 检 验 结 论 变 量 L L C 检 验 I P S 检 验 结 论 P EE - 3 . 6 6 5 * * * - 3 . 1 5 2 * * * 平 稳 I S - 4 . 5 2 2 * * * - 2 . 5 0 5 * * * 平 稳 I I - 7 . 7 9 7 * * * - 2 . 2 1 3 * * 平 稳 F D I - 6 . 2 4 3 * * * - 4 . 6 0 5 * * * 平 稳 GT I - 3 . 5 6 2 * * * - 4 . 8 9 4 * * * 平 稳 H C - 1 0 . 0 7 8 * * * - 4 . 5 4 9 * * * 平 稳 IA - 5 . 6 1 7 * * * - 2 . 7 7 9 * * * 平 稳 SCL - 6 . 2 5 1 * * * - 4 . 3 8 9 * * * 平 稳 GF - 4 . 2 0 6 * * * - 5 . 2 0 7 * * * 平 稳 GE - 4 . 8 1 2 * * * - 2 . 1 1 8 * * 平 稳 UL - 1 0 . 9 8 0 * * * - 2 . 0 5 3 * * 平 稳
在运用面板数据进行分析时,需要进行固定效应模型、随机效应模型和混合估计模型选择。为确定最优模型,本文依次进行F检验、LM检验和Hausman检验。F检验结果显示,F(29,323)=10.550,Prob>F=0.000,表明固定效应模型优于混合估计模型;LM检验结果显示,chibar2(01)=164.656,Prob>chibar2=0.000,表明随机效应模型优于混合估计模型;Hausman检验结果显示,chi2(7)=42.959,Prob>chi2=0.000,表明固定效应模型优于随机效应模型。因此,本文应选择固定效应模型。同时,异方差和序列相关检验结果分别显示,chi2(30)=132 236.443,Prob>chi2=0.000和F(29,323)=3.086,Prob>F=0.000,由此可知面板数据存在异方差和序列相关现象。由于广义最小二乘法能修正异方差和序列相关等问题,因此本文采用该方法检验产业智能化对省域生态效率的影响。
3.4.1 基准回归分析
产业智能化影响省域生态效率的回归结果如表5所示。由结果可知,在模型1-2中产业智能化对省域生态效率的回归系数显著为正(β=0.110,p<0.01),表明产业智能化对省域生态效率存在显著正向影响,故研究假设H1成立。这是因为产业智能化不仅可以通过应用智能化技术促进生产流程自动化和生产过程精准、高效,提高资源利用率,而且易于实现生产流程跟踪和记录,向公众和社会展示环保措施以及社会责任,推动全社会建立绿色发展理念,进而有效提升省域生态效率。
表5 产业智能化影响省域生态效率的回归结果
Table 5 Regression results of industrial intelligence impacting provincial ecological efficiency
变 量 P EE 模 型 1 - 1 模 型 1 - 2 I I 0 . 1 1 0 * * * UL 0 . 5 3 6 * * * 0 . 2 3 8 * * I S - 0 . 8 4 9 * * * - 0 . 9 9 6 * * * F D I 4 . 8 6 6 * * * 5 . 1 6 0 * * * H C - 1 2 . 9 4 7 * * * - 1 5 . 5 1 3 * * * SCL - 0 . 6 0 8 * * * - 1 . 0 1 2 * * * GE - 1 . 0 1 0 * * * - 0 . 6 2 5 * * * C o n s t a n t - 0 . 7 5 7 * 0 . 6 3 7 W a l d 2 1 0 . 1 6 6 * * * 2 6 3 . 3 1 2 * * *
3.4.2 地区异质性分析
本文将样本分为东部、中部和西部地区分别进行回归,结果如表6所示。其中,模型1-4、模型1-6和模型1-8分别为东部、中部以及西部地区产业智能化影响省域生态效率的回归结果。由此可见,产业智能化对省域生态效率的回归系数在东部地区(β=0.100,p<0.1)和中部地区(β=0.093,p<0.05)均显著,而在西部地区(β=0.008,p>0.1)不显著,表明产业智能化对省域生态效率的影响存在明显的地区差异。在东部和中部地区,产业智能化能够显著提升省域生态效率,而在西部地区无显著促进作用。原因可能是,东部与中部地区经济相对发达,拥有丰富的资源和先进的产业基础设施,可以投入充足的研发资源促进产业智能化发展,有助于优化产业生产流程,实现生态保护,进而促进省域生态效率提升。相反,西部地区经济发展相对落后,交通、信息等基础设施较为薄弱,无法提供稳定持续的资源供给和技术支持,导致产业智能化对省域生态效率的促进作用不显著。
表6 地区异质性分析结果
Table 6 Results of regional heterogeneity analysis
变量 东部地区 PEE 模型1-3 模型1-4 中部地区 PEE 模型1-5 模型1-6 西部地区 PEE 〛模型1-7 模型1-8 II 0.100 * 0.093 ** 0.008 UL 0.700 *** 0.258 0.131 0.112 -0.292 *** -0.290 *** IS -1.741 *** -1.703 *** -0.389 -0.559 * 1.202 *** 1.167 *** FDI 5.495 *** 5.882 *** 0.870 -1.567 0.633 0.614 HC -19.090 ** -19.423 *** -17.153 ** -24.664 *** 11.613 *** 10.752 *** SCL -1.121 * -1.346 ** -0.091 -0.220 0.350 ** 0.286 GE -1.758 * -0.944 -1.186 *** -0.856 * -0.084 -0.087 Constant -0.590 1.132 0.605 0.985 0.556 ** 0.611 ** Wald 46.162 *** 50.225 *** 25.622 *** 30.892 *** 125.116 *** 125.634 ***
绿色技术创新中介作用的检验结果如表7所示。可以发现,在模型2-1中,产业智能化对绿色技术创新存在显著正向影响(β=0.093,p<0.01);在模型2-2中,产业智能化(β=0.076,p<0.01)与绿色技术创新(β=0.368,p<0.01)对省域生态效率的影响也显著,表明绿色技术创新在产业智能化影响省域生态效率的过程中起部分中介作用,故研究假设H2成立。这是因为产业智能化可以借助物联网、云计算以及大数据等先进技术,对创新过程进行全面、精确和实时的监控,及时发现问题并予以调整和修正,从而推进绿色技术创新。绿色技术创新通过倡导与实现绿色低碳生产模式、减少物质浪费与能源消耗、增加废弃物回收等方式,能够实现生态环境保护和资源合理利用,进而有效提升省域生态效率。
表7 绿色技术创新中介作用检验结果
Table 7 Test results of the mediating role of green technology innovation
变量 PEE PEE GTI PEE 模型1-1 模型1-2 模型2-1 模型2-2 II 0.110 *** 0.093 *** 0.076 *** GTI 0.368 *** UL 0.536 *** 0.238 ** 0.314 *** 0.122 IS -0.849 *** -0.996 *** -0.897 *** -0.666 *** FDI 4.866 *** 5.160 *** 0.674 4.912 *** HC -12.947 *** -15.513 *** -6.078 *** -13.277 *** SCL -0.608 *** -1.012 *** -0.349 *** -0.884 *** GE -1.010 *** -0.625 *** 0.022 -0.634 *** Constant -0.757 * 0.637 -0.480 * 0.813 * Wald 210.166 *** 263.312 *** 496.939 *** 294.839 ***
本文采用Bootstrap方法进一步验证绿色技术创新的中介作用,设定样本量为5 000,置信度为95%,检验结果如表8所示。由结果可知,绿色技术创新的Bootstrap置信区间为[0.014,0.054],不包含0,表明绿色技术创新的中介作用显著,进一步证明研究假设H2成立。
表8 绿色技术创新中介作用的Bootstrap检验结果
Table 8 Bootstrap test results of the mediating role of green technology innovation
效 应 E f f e c t S E L L C I U L C I 总 效 应 0 . 1 1 0 0 . 0 1 4 0 . 0 8 3 0 . 1 3 8 直 接 效 应 0 . 0 7 6 0 . 0 1 7 0 . 0 4 3 0 . 1 0 9 间 接 效 应 0 . 0 3 4 0 . 0 1 0 0 . 0 1 4 0 . 0 5 4
产业集聚在产业智能化影响省域生态效率过程中的调节作用检验结果如表9所示。由模型3-2可以看出,产业集聚与产业智能化的一次乘积项回归系数显著为负(β=-0.429,p<0.05),二次乘积项回归系数显著为正(β=0.065,p<0.05),表明产业集聚在产业智能化影响省域生态效率的过程中发挥U型调节作用,故研究假设H3成立。这是因为当产业集聚程度较低且未超过阈值时,该省域在智能化技术领域投入较少,不具备充足的技术、资源和能力对环境污染排放物进行合理处理,因此部分产业更倾向于降低成本,而不是改进生产过程,从而削弱产业智能化对省域生态效率的影响。当产业集聚超过阈值时,有助于实现资源共享和协同创新,通过规模经济形成最优生产布局和完善供应链体系,为产业智能化提供更多实现平台,并通过生产流程智能化,实现产业链降污减排,进而有效促进省域生态效率提升。
表9 产业集聚调节作用检验结果
Table 9 Test results of the moderating role of industrial agglomeration
变量 PEE 模型1-1 模型1-2 模型3-1 模型3-2 II 0.110 *** 0.084 *** 0.082 *** IA -1.858 *** -1.797 *** IA 2 0.266 *** 0.268 *** II×IA -0.429 ** II×IA 2 0.065 ** UL 0.536 *** 0.238 ** -0.127 -0.064 IS -0.849 *** -0.996 *** -0.330 -0.099 FDI 4.866 *** 5.160 *** 3.932 *** 3.967 *** HC -12.947 ***-15.513 ***-10.860 ***-10.532 *** SCL -0.608 *** -1.012 *** -0.446 ** -0.377 GE -1.010 *** -0.625 *** -0.515 *** -0.571 *** Constant -0.757 * 0.637 4.658 *** 4.051 *** Wald 210.166 ***263.312 ***343.752 ***353.894 ***
绿色金融在产业智能化影响省域生态效率过程中的调节作用检验结果如表10所示。由模型4-2可以看出,绿色金融与产业智能化乘积项的回归系数显著(β=0.307,p<0.01),表明绿色金融能够强化产业智能化对省域生态效率的促进作用,故研究假设H4成立。这是因为产业智能化需要大量的资金投入,绿色金融可以通过发行债券、股票等方式为当地产业提供融资支持,还可以针对绿色领域项目提供专项贷款或股权投资等形式的融资支持,为产业智能化提供资金保障。同时,绿色金融注重利用市场机制与经济手段促进环境保护,实现可持续发展,通过激励当地产业利用智能化手段减少污染物排放、降低能源消耗等途径实现资源节约与环境保护,进而对省域生态效率产生积极影响。
表10 绿色金融调节作用检验结果
Table 10 Test results of the moderating role of green finance
变量 PEE 模型1-1 模型1-2 模型4-1 模型4-2 II 0.110 *** 0.113 *** 0.089 *** GF 0.256 ** 0.110 II×GF 0.307 *** UL 0.536 *** 0.238 ** 0.129 0.212 ** IS -0.849 *** -0.996 *** -0.941 *** -0.592 *** FDI 4.866 *** 5.160 *** 5.274 *** 4.911 *** HC -12.947 *** -15.513 *** -14.445 *** -14.125 *** SCL -0.608 *** -1.012 *** -0.883 *** -0.837 *** GE -1.010 *** -0.625 *** -0.633 *** -0.661 *** Constant -0.757 * 0.637 0.910 * 0.444 Wald 210.166 *** 263.312 *** 273.203 *** 299.106 ***
3.8.1 工具变量法
本文将滞后一期的产业智能化(L.II)作为当期产业智能化的工具变量,并采用两阶段最小二乘法进行稳健性检验,结果见表11。可以看出,直接作用、中介作用和调节作用的检验结果均与上文保持一致,说明本文研究结果稳健。
表11 采用工具变量法的稳健性检验结果
Table 11 Robustness test results using instrumental variable method
变量 II PEE GTI PEE PEE PEE PEE PEE 模型5-1 模型5-2 模型5-3 模型5-4 模型5-5 模型5-6 模型5-7 模型5-8 II 0.117 *** 0.112 *** 0.072 *** 0.097 *** 0.098 *** 0.120 *** 0.089 *** L.II 0.884 *** GTI 0.402 *** IA -1.726 *** -1.755 *** IA 2 0.248 *** 0.271 *** II×IA -0.638 *** II×IA 2 0.101 *** GF 0.220 * 0.049 II×GF 0.308 *** UL 0.179 * 0.219 ** 0.320 *** 0.091 -0.134 -0.038 0.113 0.221 * IS -0.083 -1.031 *** -0.886 *** -0.675 *** -0.385 -0.102 -0.986 *** -0.648 *** FDI 0.713 5.657 *** 0.882 * 5.303 *** 4.482 *** 4.491 *** 5.710 *** 5.433 *** HC 1.009 -16.172 *** -6.678 *** -13.489 *** -12.176 *** -12.134 *** -15.089 *** -15.012 *** SCL 0.009 -0.919 *** -0.361 *** -0.774 *** -0.461 ** -0.410 * -0.817 *** -0.777 *** GE -0.495 *** -0.507 *** 0.110 -0.552 *** -0.421 ** -0.524 *** -0.522 *** -0.572 *** Constant -0.553 0.657 -0.519 * 0.865 * 4.466 *** 3.818 *** 0.949 * 0.407 F 1058.248 *** Wald 239.891 *** 478.805 *** 277.491 *** 308.370 *** 324.141 *** 246.315 *** 268.457 ***
3.8.2 增加控制变量
借鉴Li等[28]的观点,本文采用互联网用户数衡量信息化水平(IL),通过加入该控制变量进行回归,结果见表12。可以看出,增加控制变量后,回归结果未发生改变,进一步证明本文研究结果具有稳健性。
表12 增加控制变量的稳健性检验结果
Table 12 Robustness test results after adding controlled variable
变量 PEE PEE GTI PEE PEE PEE PEE PEE 模型6-1 模型6-2 模型6-3 模型6-4 模型6-5 模型6-6 模型6-7 模型6-8 II 0.151 *** 0.098 *** 0.119 *** 0.130 *** 0.131 *** 0.151 *** 0.134 *** GTI 0.326 *** IA -1.224 *** -1.104 *** IA 2 0.178 *** 0.174 *** II×IA -0.479 ** II×IA 2 0.071 ** GF 0.030 -0.036 II×GF 0.176 ** UL 0.550 *** 0.148 0.304 *** 0.049 -0.042 0.029 0.136 0.183 * IS -1.009 *** -1.280 *** -0.928 *** -0.978 *** -0.716 *** -0.438 -1.271 *** -1.045 *** FDI 3.633 *** 3.509 *** 0.497 3.347 *** 3.070 *** 3.068 *** 3.540 *** 3.470 *** HC -13.670 *** -17.494 *** -6.291 *** -15.444 *** -14.298 *** -13.842 *** -17.347 *** -16.933 *** SCL -0.115 -0.458 ** -0.289 ** -0.363 * -0.230 -0.138 -0.449 ** -0.457 ** GE -1.587 *** -1.308 *** -0.051 -1.291 *** -1.067 *** -1.122 *** -1.301 *** -1.264 *** IL -0.119 *** -0.170 *** -0.018 -0.164 *** -0.131 *** -0.132 *** -0.168 *** -0.154 *** Constant 0.173 2.479 *** -0.282 2.571 *** 4.532 *** 3.764 *** 2.490 *** 2.097 *** Wald 253.499 *** 368.723 *** 500.971 *** 402.209 *** 403.968 *** 417.704 *** 368.888 *** 379.151 ***
3.8.3 缩尾处理
为了避免异常值对研究结果的干扰,本文对相关变量作1%和99%分位的缩尾处理,并在缩尾处理后重新进行回归,结果见表13。由表13可知,经过缩尾处理后,回归结果未发生改变,再次证明本文研究结果具有稳健性。
表13 缩尾后的稳健性检验结果
Table 13 Robustness test results after winsorization
变量 PEE PEE GTI PEE PEE PEE PEE PEE 模型7-1 模型7-2 模型7-3 模型7-4 模型7-5 模型7-6 模型7-7 模型7-8 II 0.115 *** 0.093 *** 0.075 *** 0.086 *** 0.092 *** 0.120 *** 0.092 *** GTI 0.428 *** IA -2.350 *** -2.480 *** IA 2 0.344 *** 0.380 *** II×IA -0.507 ** II×IA 2 0.081 *** GF 0.287 *** 0.131 II×GF 0.317 *** UL 0.540 *** 0.237 ** 0.313 *** 0.103 -0.141 -0.070 0.112 0.204 * IS -0.840 *** -0.954 *** -0.756 *** -0.631 *** -0.013 0.204 -0.895 *** -0.556 *** FDI 4.871 *** 5.043 *** -0.377 4.882 *** 3.358 *** 3.474 *** 5.165 *** 4.808 *** HC -12.684 *** -15.069 *** -5.433 *** -12.741 *** -9.145 *** -9.544 *** -13.859 *** -13.532 *** SCL -0.592 *** -0.997 *** -0.319 *** -0.861 *** -0.296 -0.297 -0.858 *** -0.807 *** GE -1.007 *** -0.591 *** 0.052 -0.614 *** -0.438 *** -0.522 *** -0.596 *** -0.641 *** Constant -0.789 * 0.600 -0.567 ** 0.843 * 5.237 *** 4.918 *** 0.921 * 0.431 Wald 211.580 *** 263.124 *** 560.290 *** 297.480 *** 369.067 *** 393.181 *** 275.444 *** 301.626 ***
本文利用2010-2021年中国内地30个省域面板数据,探究产业智能化对省域生态效率的影响及其地区异质性,并对绿色技术创新的中介作用以及产业集聚、绿色金融的调节作用进行分析,得出以下研究结论:首先,产业智能化正向影响省域生态效率,且该影响存在地区异质性,即在东部和中部地区,产业智能化对省域生态效率均存在显著促进作用,而在西部地区的促进作用不显著。其次,绿色技术创新在产业智能化影响省域生态效率的过程中发挥部分中介作用,产业智能化通过促进绿色技术创新提升省域生态效率。再次,产业集聚在产业智能化影响省域生态效率的过程中发挥U型调节作用。当未超过阈值时,产业集聚会降低产业智能化对省域生态效率的促进作用;当超过阈值后,产业集聚会增强产业智能化对省域生态效率的促进作用。最后,绿色金融在产业智能化影响省域生态效率的过程中发挥正向调节效应,增强了产业智能化对省域生态效率的提升作用。
第一,从产业智能化视角,拓展了产业智能化与省域生态效率关系的研究。区别于以往研究,本文从产业智能化角度验证了其对省域生态效率的积极影响,厘清了不同地区产业智能化对省域生态效率的差异化影响,是对产业智能化研究的有益补充。
第二,明晰了绿色技术创新在产业智能化影响省域生态效率中的路径作用。本文验证了“产业智能化—绿色技术创新—省域生态效率”的路径,为通过产业智能化促进省域生态效率提升的研究提供了新思路。
第三,揭示了产业集聚在产业智能化影响省域生态效率过程中的非线性作用。本文明晰了阈值前后的产业集聚和产业智能化匹配作用于省域生态效率所产生的差异化影响,丰富了产业集聚、产业智能化以及省域生态效率三者关系的研究。
第四,验证了绿色金融在产业智能化影响省域生态效率过程中的情境作用。本文证实了绿色金融是产业智能化影响省域生态效率的重要情境因素,拓展了绿色金融与产业智能化在省域生态效率中的整合研究。
第一,加快推进产业智能化,不断提升省域生态效率。相关部门可以设立专项资金,支持产业智能化技术研究,并出台相关标准和规范,促进产业智能化健康有序发展;也可以引导产业积极探索智能化技术在生产、质量监控和设计等方面的应用,促进产业链上下游建立互联互通的生态系统,提升省域生态效率。此外,各地区应因地制宜地推动产业智能化发展,东部和中部地区可以借助自身良好的资源与基础设施,积极开展智能化技术研发,从而实现省域生态效率提升;西部地区需针对自身不足取长补短,通过产业智能化逐步提升省域生态效率。
第二,鼓励绿色技术创新,发挥其在产业智能化促进省域生态效率提升中的“桥梁”作用。相关部门可以通过制定环保法规和绿色减排标准等,加强公众教育和宣传,开展环保主题宣传活动,使广大居民与企业乐于接受并使用绿色技术,有效推动绿色技术创新。
第三,积极引导产业集聚,为产业智能化提供资源和技术保障,有效优化省域生态效率。当产业集聚水平较低时,相关部门要重视产业内部失序和资源配置不合理问题,引导各产业结合自身资源禀赋,实现分工协作和优势互补。当产业集聚达到一定程度时,引导产业与学研方合作,通过为产业智能化提供平台与资源支撑,促进省域生态效率提升。
第四,发展绿色金融,为产业智能化提供资金支持,确保省域生态效率提升。相关部门可以采取绿色财政政策,引导资金流向绿色领域,建立健全绿色金融风控体系,确保对绿色金融项目进行全面的风险分析和管理,提高产业智能化发展中的资金利用效率,进而提升省域生态效率。
本文实证分析了产业智能化对省域生态效率的影响,但仍存在一些局限有待进一步完善。首先,本文研究范围仅限于省级层面,未考虑产业智能化的空间溢出效应。未来可以利用空间计量模型探究产业智能化对周边省份生态效率的影响。其次,由于不同产业标准与技术能力等存在差异,导致产业智能化对生态效率的影响效果也不同。未来可将某具体产业作为研究对象,深入分析产业智能化对其生态效率的作用机制。最后,由于各省域发展不平衡,产业智能化对不同省域生态效率的影响也存在差异,本文仅采用中国内地30个省域面板数据进行实证分析。未来可以选取典型省份展开个案研究,深入探究产业智能化对省域生态效率的影响情境和路径,提出更有针对性的建议。
[1] DONG F, ZHANG Y Q, ZHANG X Y. Applying a data envelopment analysis game cross-efficiency model to examining regional ecological efficiency:evidence from China[J]. Journal of Cleaner Production, 2020, 267: 122031.
[2] YAO J D, XU P P, HUANG Z J. Impact of urbanization on ecological efficiency in China:an empirical analysis based on provincial panel data[J]. Ecological Indicators, 2021, 129: 107827.
[3] 赵培雅, 高煜, 孙雪. “双控”目标下产业智能化的节能降碳减排效应[J]. 中国人口·资源与环境, 2023, 33(9): 59-69.
[4] 杨飞. 产业智能化如何影响劳动报酬份额——基于产业内效应与产业关联效应的研究[J]. 统计研究, 2022, 39(2): 80-95.
[5] 罗良文, 张郑秋, 周倩. 产业智能化与城市低碳经济转型[J]. 经济管理, 2023, 45(5): 43-60.
[6] WANG S J, LI M Y. Does industrial intelligence improve resource misallocation? an empirical test based on China[J]. Environmental Science and Pollution Research, 2022, 29(51): 77973-77991.
[7] MENG X N, XU S C, ZHANG J N. How does industrial intelligence affect carbon intensity in China? empirical analysis based on Chinese provincial panel data[J]. Journal of Cleaner Production, 2022, 376: 134273.
[8] KUANG H W, AKMAL Z, LI F F. Measuring the effects of green technology innovations and renewable energy investment for reducing carbon emissions in China[J]. Renewable Energy, 2022, 197: 1-10.
[9] CHENG Z, KAI Z, ZHU S W J. Does green finance regulation improve renewable energy utilization?evidence from energy consumption efficiency[J]. Renewable Energy, 2023, 208: 63-75.
[10] LIU L, YANG K, FUJII H, et al. Artificial intelligence and energy intensity in China's industrial sector:effect and transmission channel[J]. Economic Analysis and Policy, 2021, 70: 276-293.
[11] ZHAO P Y, GAO Y, SUN X. How does artificial intelligence affect green economic growth——evidence from China[J]. Science of the Total Environment, 2022, 834: 155306.
[12] LI C M, XU Y, ZHENG H, et al. Artificial intelligence, resource reallocation, and corporate innovation efficiency:evidence from China's listed companies[J]. Resources Policy, 2023, 81: 103324.
[13] CHEN H Y, YI J Z, CHEN A B, et al. Green technology innovation and CO2 emission in China: evidence from a spatial-temporal analysis and a nonlinear spatial durbin model[J]. Energy Policy, 2023, 172: 113338.
[14] 阳长征. 信息扩散、产业集聚与区域技术创新绩效——基于2005-2018年区域面板数据的动态分析[J]. 科技进步与对策, 2022, 39(1): 39-49.
[15] MARSHALL A. Principles of economics[M]. London: Macmillan Press, 1890.
[16] HAO Y, GUO Y X, LI S X, et al. Towards achieving the sustainable development goal of industry:how does industrial agglomeration affect air pollution [J]. Innovation and Green Development, 2022, 1(1): 100003.
[17] LI X H, XU Y Y, YAO X. Effects of industrial agglomeration on haze pollution:a Chinese city-level study[J]. Energy Policy, 2021, 148: 111928.
[18] 孙冰, 韩敏睿. 产业集聚与两阶段区域创新绩效——基于区域技术要素强度门槛的实证研究[J]. 科技进步与对策, 2023, 40(2): 30-40.
[19] BAKRY W, MALLIK G, NGHIEM X H, et al. Is green finance really "green"? examining the long-run relationship between green finance, renewable energy and environmental performance in developing countries[J]. Renewable Energy, 2023, 208: 341-355.
[20] HUANG Y M, CHEN C, LEI L J, et al. Impacts of green finance on green innovation: a spatial and nonlinear perspective[J]. Journal of Cleaner Production, 2022, 365: 132548.
[21] SHANG H, JIANG L, PAN X Y, et al. Green technology innovation spillover effect and urban eco-efficiency convergence:evidence from Chinese cities[J]. Energy Economics, 2022, 114: 106307.
[22] TONE K. A slacks-based measure of super-efficiency in data envelopment analysis[J]. European Journal of Operational Research, 2002, 143(1): 32-41.
[23] WANG S H, ZHAO D Q, CHEN H X. Government corruption, resource misallocation, and ecological efficiency[J]. Energy Economics, 2020, 85: 104573.
[24] 戴翔, 金碚. 产品内分工、制度质量与出口技术复杂度[J]. 经济研究, 2014, 49(7): 4-17, 43.
[25] LIN B Q, MA R Y. How does digital finance influence green technology innovation in China?evidence from the financing constraints perspective[J]. Journal of Environmental Management, 2022, 320: 115833.
[26] LIU X P, ZHANG X L. Industrial agglomeration, technological innovation and carbon productivity:evidence from China[J]. Resources, Conservation &Recycling, 2021, 166: 105330.
[27] SONG M L, ZHAO X, SHANG Y P. The impact of low-carbon city construction on ecological efficiency:empirical evidence from quasi-natural experiments[J]. Resources, Conservation &Recycling, 2020, 157: 104777.
[28] LI Y, ZHANG J N, YANG X D, et al. The impact of innovative city construction on ecological efficiency: a quasi-natural experiment from China[J]. Sustainable Production and Consumption, 2021, 28: 1724-1735.