论文部分内容阅读
摘 要：基于2009—2018年我国省际面板数据，运用Super-SBM模型同时测度了考虑非期望产出的绿色创新效率和不考虑非期望产出的传统创新效率，并运用Malmquist-Luenberger指数方法对绿色创新效率进行了动态分析。研究表明：我国绿色创新效率整体呈增长态势但水平偏低，呈无效率状态，进步空间较大;我国三大地区绿色创新效率呈现出由东向西递减的格局，且各省市绿色创新效率根据变动情况可以分为平稳型、增长型和波动型三类;考虑非期望产出的绿色创新效率比不考虑非期望产出的传统创新效率低，且中西部差异更显著;技术效率和技术进步共同导致我国绿色创新水平的提高，且技术进步的影响程度大于技术效率，其与ML指数变动的趋同性也更高;我国绿色创新的动态效率呈现中部>西部>东部的格局，且多数省市的ML指数均大于1，存在不同程度的进步。
关键词：绿色创新;效率评价;Super-SBM模型;Malmquist-Luenberger指数;非期望产出
中图分类号：F 205
文献标识码：A 文章编号：1672-7312（2021）05-0510-09
Evaluation of Green Innovation Efficiency at
Provincial Level in China
——Based on Super-SBM model and ML index
CHEN Qing，LIN Shanshan
（School of Economics and Management，Nantong University，Nantong 226000，China）
Abstract：Based on China’s provincial panel data from 2009 to 2018，this paper used Super-SBM model to measure both green innovation efficiency with non-expected outputs and traditional innovation efficiency without non-expected outputs，and used Malmquist-Luenberger index method to conduct dynamic analysis on green innovation efficiency.The results show that the overall green innovation efficiency in China is growing，but the level is low，showing inefficiency，and there is much room for progress.The efficiency of green innovation in the three regions of China is decreasing from east to west，and the efficiency of green innovation in each province can be divided into three types：stable，increasing and fluctuating.The efficiency of green innovation considering non-expected output is lower than that of traditional innovation without considering non-expected output，and the difference between the central and western regions is more significant.Technological efficiency and technological progress lead to the improvement of green innovation level in China，and the influence of technological progress is greater than that of technical efficiency，and the convergence between technological progress and ML index changes is higher.The dynamic efficiency of green innovation in my China presents a pattern of central>western>eastern，and most provinces and cities have ML indexes greater than 1，showing different degrees of progress.
Key words：green innovation;efficiency evaluation;super-SBM model;Malmquist-Luenberger index;undesired output
0 引言近年来，我国经济高速发展伴随而来的资源环境问题亟待解决，2020年中国的全球环境绩效指数（EPI）排名在180个国家和地区中排第120位，而据《2020年全国生态环境质量简况》显示，2020年全国337个地级以上城市中有135个城市的空气质量超标。针对这一现象，《2035远景目标》中提出至2035年要基本实现美丽中国的建设目标;“十四五”规划更是提出要完善生态领域的统筹协调机制以促进经济社会发展实现全面绿色转型。因此，在高质量发展过程中如何实現绿色转型成为当务之急，而绿色创新正是实现绿色转型的必由之路。通过客观评价我国各区域的绿色创新效率，因地制宜找出不同区域提高绿色创新效率的政策着力点，对推动我国实现高质量发展和绿色转型具有现实意义。 1 文献回顾BEISE（2004）提出绿色创新是企业为了减少环境问题而采用更为清洁的流程、技术等生产模式[1];GHISETTI（2014）将绿色创新分为能源资源有效型和外部减少型两种[2];而李旭（2014）基于“动机—过程—结果”的框架将绿色创新划分为资源节约型、环境友好型和混合型绿色创新3种[3]。对绿色创新效率的评价方法主要分为两大类：第一类是数据包络分析法（DEA），如SUEYOSHI（2010）首次提出了DEA-RAM模型，并基于此模型测算出企业绿色创新效率[4];GUAN & CHEN（2010）运用网络DEA模型对创新过程中每一阶段的效率都进行了测算[5];任耀等（2014）基于包含三大效率的联系效率DEA-RAM模型测算了山西省的工业绿色创新效率[6];钱丽等（2015）采用共享投入关联两阶段DEA模型测算出各省份的企业绿色创新效率并探究其时空差异及原因[7];吴传清等（2019）采用熵值法构建环境污染综合指数并运用Super-SBM模型测算出我国装备制造业的绿色创新效率[8]。第二类是随机前沿分析法（SFA），如AIGNER（1977）首次提出了随机前沿模型，并对影响技术创新效率的因素进行了分析[9];曹霞等（2015）通过结合投影寻踪模型对随机前沿模型进行改进，从而更有效的测算出我国区域创新效率[10];孙宏芃（2016）采用随机前沿方法测算出我国区域绿色技术创新效率，发现并非经济更发达的东部地区表现出更高的效率值[11];张峰等（2020）基于SFA模型构建了我国省域高技术产业绿色技术创新的三阶段组合效率测度模型，测度结果发现绿色技术创新效率存在显著的空间区域特征[12]。除DEA和SFA模型外，还有一些学者采用非传统方法如
ZHANG（2015）采用以CCR模型和SBM模型为基础的混合模型测度了考虑非期望产出的绿色生产效率[13];高广阔等（2018）采用Super-MindS模型测算了京津冀地区高污染行业的绿色创新效率，并运用空间统计方法探究其空间分布特征[14];吴旭晓（2019）采用非期望Minds模型和灰色系统动态方程研究了我国七大区绿色创新效率的时空发展轨迹，发现各省的轨迹存在较大异质性[15]。对绿色创新效率的评价指标体系的构建主要分为两大类：第一类是一阶段投入产出评价指标体系，不包括中间产出，如颜莉（2012）选取了人力资源、资金、基础设施投入和科技成果、经济、社会和环境绩效等9个指标来测算我国区域创新效率[16];傅京燕等（2018）构建了由投入、期望和非期望产出3个一级指标，劳动、资本、能源、地区生产总值和“三废”排放量5个二级指标构成的绿色全要素生产率评价指标体系[17];昝哲等（2021）构建了由劳动力、资本及技术投入、创新结果产出、经济产出和环境污染等6个指标组成的绿色技术创新效率评价指标体系[18]。第二类是两阶段投入产出指标体系，包括中间产出，如钱丽等（2015）选取了研发投入、非研发投入、中间产出和成果转化产出4个一级指标来测算我国工业企业绿色技术创新效率[7];梁圣蓉等（2019）构建了由创新投入、中间产出、非研发投入、期望和非期望产出5个一级指标以及15个二级指标组成的评价指标体系来测算绿色技术创新效率[19]。通过对现有文献进行总结可知，国内外学者对绿色创新效率已有大量研究，但在评价方法和指标选取方面存在一些不足。在评价方法上主要以DEA为主，但传统DEA模型很少同时考虑“松弛”变量和非期望产出，可能会造成效率值被高估的情况，基于此，本文采用同时考虑两者的Super-SBM模型;在指標选取上，大多数学者如肖文（2014）[20]、田红彬（2020）[21]等仅仅将资源环境问题纳入产出指标即非期望产出中，而实际上在绿色创新的投入过程中也存在资源环境因素，如能源投入，基于此，本文将能源投入和环境污染问题同时纳入投入产出指标中。除此之外，现有文献主要是对绿色创新效率的静态分析，很少有人分析绿色创新效率的动态趋势，基于此，本文采用Super-SBM模型和ML指数同时对我国各省市的绿色创新效率静态水平和动态水平进行测算与分析。将资源环境因素纳入创新过程的投入和产出指标中;测算出包含非期望产出的绿色创新效率与不包含非期望产出的传统创新效率并进行对比分析;对我国各省市的绿色创新效率静态水平和动态水平进行综合分析。
2 模型设定与指标选择
2.1 模型设定
2.1.1 Super-SBM模型本文参照TONE（2003）[22]、LI H（2013）[23]的研究，将松弛性问题和非期望产出同时纳入传统DEA模型，构建Super-SBM模型如下：首先，假设每个省市都是一个决策单元，则n个DMU均用m种创新投入产生了n1种期望产出和n2种非期望产出，则可定义矩阵见式（1）。
X=（x1，…，Xm）∈Rm+n
Yg=（xg1，…，Xgn1）∈Rn1×n
Xb=（xb1，…，Xbm）∈Rn2×n
（1）其中
x∈R+m，yb∈R+n1，yb∈R+n2。
则构建包含非期望产出的生产可能性集见式（2）。
P=
（，g，b）|≥∑ni=1，≠0λixi，
g≤
∑ni=1，≠0
λiygi，
b
≥∑ni=1，≠0λiybi，λ≥0
（2）其中，
λ是权重向量。其次，构建包含非期望产出的Super-SBM模型为式（3）。
ζ*=min
1m
∑mi=1
ixi0
1n1+n2
∑n1r=1
gr
ygr0
+
∑n1r=1 b1
ybI0
s.t.
≥
∑n1i=1，≠0λixi
g≤
∑ni=1，≠0λiygi
b≤
∑ni=1，≠0λiybi
≥x0，g≥yg0，b≥yb0，λ≥0
（3）
式中：，g，b分别为投入、期望和非期望产出的松弛向量;
λi为权重向量;ζ*的值可以大于1且其值越大表明绿色创新效率越高。
2.1.2 Malmquist-Luenberger指数为了进一步分析绿色创新效率的动态变动情况，本文参照CHUNG（1997）[24]、FRE（2001）[25]的研究，采用ML指数方法来测算绿色创新的动态效率。基于非期望产出角度，从t到t+1期间的ML指数可表示为式（4）。
MLt+1t=
1+t0（xt，yt，bt;yt，-bt）
1+t0（xt+1，yt+1，bt+1;yt+1，-bt+1）
×
1+t+10（xt，yt，bt;yt，-bt）
1+t+10（xt+1，yt+1，bt+1;yt+1，-bt+1）
（4）其中ML指数又可分解为技术效率变化指数（EFFCH）和技术进步指数（TECH），见式（5）。
MLt+1t=EFFECHt+1t·TECHt+1t
EFFECHt+1t=
1+t0（xt，yt，bt;yt，-bt）
1+t+10（xt+1，yt+1，bt+1;yt+1，-bt+1）
TECHt+1t
=
1+t+10（xt，yt，bt;yt，-bt）
1+t0（xt，yt，bt;yt，-bt）
×
1+t+10（xt+1，yt+1，bt;yt+1，-bt+1）
1+t0（xt+1，yt+1，bt+1;yt+1，-bt+1）
（5）其中，ML>0、EFFCH>0、TECH>0分别表示绿色创新效率增长、技术效率改善、前沿技术进步;ML<0、EFFCH<0、TECH<0分别表示绿色创新效率降低、技术效率恶化、前沿技术退步。
2.2 指标选择与数据说明本文借鉴韩晶（2012）[26]、罗良文（2016）[27]、吴传清（2019）[8]等学者的评价方法，在传统投入-产出法的基础上考虑到能源消耗和环境污染因素，基于科学性、可得性等指标选取原则，建立了如下评价指标体系。
2.2.1 投入指标
创新投入主要包括人员投入和资金投入，本文选取R&D人员全时当量和R&D实际资本存量作为创新活动的投入指标，其中采用永续盘存法（PIM）来计算R&D实际资本存量，公式为：
Ki，t=Ki，t-1（1-δi，t）+Ii，t
，式中
Ki，t、Ki，t-1
分别为第i个省份t到t-1年的资本存量;Ii，t为投资额;δi，t为折旧率。本文借鉴张军（2004）[28]的研究，将折旧率设定为9.6%，用固定资产形成总额来表示Ii，t，并以2008年为基期，根据固定资产价格指数平减各年的投资总额，将其折算为2008年不变价，并以2008年的固定资产形成总额除以10%来表示基期的资本存量。除此之外，参考韩晶（2012）[26]的做法，将资源环境因素也纳入投入指标中，本文选取以万吨标准煤为单位的能源消耗总量作为能源投入指标。
2.2.2 期望产出指标
绿色创新活动过程中的期望产出主要包括专利产出和经济产出，其中专利产出主要有專利申请数和授权数等，考虑到专利授权数存在较大的不确定性，本文选取专利申请数来代表专利产出水平;而经济产出是指企业在研发阶段产生专利成果后投入市场获得的经济利益，本文选取新产品的销售收入来表示经济产出。
2.2.3 非期望产出指标
绿色创新过程中的非期望产出主要是考虑污染物的排放，本文选取工业“三废”排放量作为非期望产出指标，考虑到数据的可得性，且化学需氧量和二氧化硫分别在废水和废气中占据较高比重，国家近年来也一直将其作为污染排放物的重点监测对象，因此本文选取废水中化学需氧量排放量和废气中二氧化硫排放量以及固体废弃物产生量三个指标来代表非期望产出。基于以上分析，本文建立的绿色创新效率评价指标体系见表1。数据来源包括《中国统计年鉴》、《中国科技统计年鉴》、《中国环境统计年鉴》、《中国能源统计年鉴》、各省市统计年鉴和Wind数据库等，选取时间范围为2009—2018年，其中由于西藏数据缺失较大，本文选取了中国大陆地区除西藏外其余30个省份为样本数据。需要指出的是，由于2018年个别省份暂未公布二氧化硫排放量和化学需氧量排放量数据，本文参考田红彬（2020）[21]的做法，用同比增长率将其个别缺失数据补齐。在投入产出指标滞后期的选择上，由于R&D投入包括人员投入和资本投入都存在累积性和时滞性，考虑到数据的可得性，将这两个指标都滞后一年时间，选取2008—2017年的相关数据，而能源投入无需考虑滞后性。
3 实证分析
3.1 静态分析根据上文构建的Super-SBM模型和绿色创新效率评价指标体系，本文运用Maxdea pro 8.8软件测度了2009—2018年我国省际绿色创新效率，结果见表2。
从全国整体水平来看，研究期间内我国绿色创新效率均值为0.455，这说明我国整体绿色创新水平偏低，呈无效率状态，存在较大的提升空间。但2009—2018年我国绿色创新效率大致呈稳步增长态势，效率均值从2009年的0.365逐渐提升至2018年的0.505，涨幅达到38.4%，具体来看，绿色创新效率值超过1，就可以视为该地区呈有效率状态（见表2）。2009—2018年我国绿色创新效率值超过1的省市数量大幅上涨，有效决策单元的个数从4个增加至9个，其中北京、上海、广东一直处于效率前沿，而浙江自2010年开始、安徽和重庆自2011年开始、江西和广西自2017年开始频繁出现在前沿面上。这说明近年来在国家贯彻提出可持续发展理念的背景下，我国的经济社会发展方式已经开始向绿色转型，绿色创新水平逐步提高（见表3）。 分区域来看（见表4），三大地区绿色创新效率值呈现出由东向西逐步递减的格局，效率均值分别为0.681、0.412和0.262，参考曹霞（2015）[10]、梁圣蓉（2019）[19]的研究发现结论基本一致。具体来看研究期间内三大地区的绿色创新效率值均存在一定提升，且中部地区的提升程度更大。其中东部地区的效率值从2009年的0.591提升至2018年的0.639，一直维持着较高水准，这表明其遥遥领先的经济实力保证了科研投入充足，使得开展绿色创新活动更为有利，因而整体绿色创新水平较高，但未出现明显的增长趋势，仍存在一定的提升空间;中部地区的效率均值从2009年的0.316提升至2018年的0.551，增幅更为明显，这主要是由于“中部崛起”战略的提出使得中部地区的经济发展水平迅速提升，且十八大以来逐步推进中部地区的节能减排工作，优化产业结构，绿色创新水平明显提升;而西部地区绿色创新效率值明显偏低，效率值由2009年的0.174提升至2018年的0.338，整体呈缓慢上升趋势，这是受西部地区其客观经济实力和地理位置限制，工业基础薄弱、人力资源匮乏、研发资金不足、污染物排放监管力度不足等因素导致其绿色创新水平较低。
具体到各省市变动情况来看，根据表3整理发现，研究期间内我国各省市绿色创新效率的变动趋势大致可以分为三类：第一类是平稳型，包括北京、上海、浙江、广东、辽宁、福建、山东、黑龙江、内蒙古、贵州、云南、陕西等省市，总体而言波动幅度不大，北京、上海这些来自东部地区的省市保持总体平稳的原因在于其高经济发展水平和创新能力导致其绿色创新水平早已遥遥领先于其他省市，相比而言进步空间不大，而内蒙古、贵州这些省市集中于西部地区，产业结构不合理、资源浪费、人才匮乏等原因导致其绿色创新水平难以提升;第二类是增长型，包括河北、山西、安徽、江西、河南、湖北、湖南、广西、重庆、四川等省市，总体而言持增长趋势，主要来自中部以及西部那些经济发展水平较高的省市，其通过不断引进外资带动当地经济发展，并进行产业转型升级，从而促使绿色创新水平不断提升;第三类是波动型，主要包括天津、江苏、海南、吉林、甘肃、宁夏、青海、新疆等省市，总体而言波动性较大，绿色创新投入产出之间难以保持平衡，其原因可能在于这些省市正处于调整期，难以把握好投入与产出之间的同比例关系，如吉林省研究期间的绿色创新效率值在大于1和小于0.5之间来回波动，经观察数据发现其原因在于该省的创新投入逐年增加，但新产品销售收入的变动很大，并未呈现逐年增长的趋势;而天津、江苏省效率值波动的原因在于其创新投入的增长率大于期望产出的增长率，不断增加的投入并未带来同比的期望产出，表明其创新能力有待提升。而具体到各省市来看，如图1所示，我国30个省市的绿色创新水平差异明显，效率均值排名前五位的省市分别为北京、上海、广东、浙江、重庆，除了重庆外都属于东部地区且十年来效率值一直大于1，呈相对有效率状态，这些省市属于我国城市群的“领头羊”，经济发展水平领先，科技创新能力强，且相较于经济较不发达地区更为注重可持续发展;而排名后五位的省市分别为内蒙古、黑龙江、青海、山西、云南，这些省市都属于中西部地区，效率均值几乎低于全国平均水平的三分之一，这是由于其经济发展模式粗放型特征十分明显，生产方式属于高耗能高污染，且其创新投入不足，人才资源严重匮乏，导致其绿色创新能力偏低。
3.2 对比分析为了深入了解我国省际绿色创新效率水平，本文将考虑非期望产出情形下的绿色创新效率和不考虑非期望产出情形下的传统创新效率进行对比分析，见表5，从总体水平来看，绿色创新效率均值为0.455，而传统创新效率达0.505，可见考虑环境污染的的绿色创新效率比不考虑环境污染的传统创新效率低，这与钱丽（2015）[7]的研究结论一致，表明工业“三废”等环境污染物的排放是导致我国绿色创新水平整体偏低的重要原因之一。
从三大区域来看，东中西部地区的绿色创新效率均值同样低于传统创新效率均值，且中西部地区的差异较为明显，而东部地区两种情形下的差异不大，这表明中西部地区存在更为突出的环境污染问题，而东部地区在环境保护方面要优于中西部地区。不论是否考虑非期望产出，创新效率值始终呈现由东向西阶梯式递减的格局，说明东部地区不论是在技术创新还是环境改善方面都走在全国的前沿，而中西部地区则均有待进步。
具体到各省市来看，如图2所示，绝大部分省市的传统创新效率都要高于绿色创新效率，仅北京、上海和浙江例外，表明这三大来自东部地区的省市具有非常高的技术转化效应，其在技术创新促进环境改善方面遥遥领先于其他省份。在两种情形下效率均值排名前五位和后五位的省市虽然排序发生了一些变化，但主要都是北京、上海、广东、浙江、重庆和内蒙古、黑龙江、青海、山西、云南这些省市，表明不论是否考虑非期望产出，效率值较高的省市始终大多處于东部地区，而效率值较低的省市则始终来自中西部地区。
3.3 动态分析本文在静态分析的基础上，基于ML指数方法并运用Maxdea pro 8.8软件测算出我国各省份的绿色创新效率ML指数及其分解的技术效率变化指数（
MLEFFCH）和技术进步指数（MLTECH）。从总体来看，见表6，ML指数均值大于1，且我国绿色创新的动态效率平均涨幅达19.9%，这说明我国绿色创新水平整体处于上涨趋势。具体来看，除了2011-2012年期间我国绿色创新效率有所下降外，其余年份均处于上升态势。将ML指数进一步分解，发现研究期间内我国绿色创新的技术效率变动指数平均增长8.2%，而技术进步指数平均增长12.1%，表明技术效率和技术进步共同导致我国绿色创新水平的提高，且技术进步的影响程度大于技术效率，其与ML指数变动的趋同性也更高。
从三大地区来看，见表7，2009—2018年我国绿色创新动态效率提升最大是中部地区，其平均增幅高达30.1%，其次是西部地区，其平均增长19.9%，而东部地区的平均涨幅仅为12.4%。这表明我国东部地区的绿色创新水平一直较高，进步空间没有中西部地区那么大，增长也较为缓慢;而中西部地区是由于原来的经济、技术等都远远落后于东部地区，近年来的国家政策和自身发展致使其经济发展水平、产业结构和资源配置都得到很大改善，由此导致中西部地区的绿色创新增长率较高，甚至高于东部地区。 而具体到各省市来看，如图3所示，2009—2018年我国30个省市中有29个省市的ML指数均大于1，表明我国大多数省市的绿色创新水平都有着不同程度的进步，且涨幅较大的多位于中西部地区，而东部地区各省市涨幅不大，其ML指数除海南省外均在1.0～1.2之间。海南省的绿色创新动态效率下降主要是受到技术效率变动和技术进步的双重影响，且技术效率变动更大，表明其存在资源配置不合理、技术创新能力不强等问题，这与海南省其主导行业是旅游业和农业，在工业上不具备优势的现实短板有关，导致其技术创新动力不足。
4 结论与建议本文运用Super-SBM模型在考虑非期望产出的基础上测度了2009—2018年我国省际绿色创新效率，同不考虑非期望产出的传统创新效率进行比较分析，并运用ML指数对绿色创新效率进行动态评价，得出以下结论：1）我国绿色创新效率总体呈增长态势，但效率均值仅为0.455，呈无效率状态，进步空间较大;我国三大地区绿色创新效率呈现出由东向西逐步递减的趋势，且各省市绿色创新效率变动可以分为平稳型、增长型和波动型三大类。2）考虑非期望产出的的绿色创新效率比不考虑非期望产出的传统创新效率低，且中西部的差异更为明显;不论是绿色创新效率还是传统创新效率都呈现由东向西阶梯式递减的格局;我国多数省市的传统创新效率都要高于绿色创新效率，仅北京、上海和浙江例外。3）我国绿色创新效率的ML指数均值大于1，其中技术效率和技术进步共同导致了我国绿色创新水平的提高，且技术进步的影响程度大于技术效率，其与ML指数变动的趋同性也更高;我国绿色创新的动态效率呈中部>西部>东部的格局，且多数省市的ML指数均大于1，存在不同程度的进步。据此，本文提出以下建议：1）充分发挥政府职能，因地制宜，有效结合不同地区的产业和创新基础，采取差异化的创新发展政策。政府应制定政策来监管东部地区创新资源配置的有关情况，以保证其绿色创新水平的有效提高。在制定创新发展政策时应偏向中西部地区，进一步加大对其基础设施和研发资源的投入，并充分挖掘出东西部的资源禀赋与相对价值。2）东部各省市应立足于自身优势，保持科研创新与技术进步，促使科技创新能有效改善环境污染问题，以有效提高绿色创新水平。应充分发挥其示范和引领作用，加强与中西部地区的区域内部合作，开展技术与管理方面的交流，以“对口支援，异地扶持”的方式推动中西部发展。3）中西部各省市应充分调整其产业结构，加大服务业所占比重，并结合环境承载力程度，合理吸引更多優质外资投入，向先进企业学习清洁技术，提高自身资源利用率，加快绿色转型步伐。应严格落实工业污染排放许可与限额标准，完善生
态环境管理制度和损害赔偿标准，以有效提高整体绿色发展意识。
参考文献：
[1] BEISE M，RENNINGS K.Lead markets and regulation：a framework for analyzing the international diffusion of environmental innovations[J].Ecological Economics，2004，52（01）：5-17.
[2]GHISETTI C，RENNINGS K.Environmental innovations and profitability：How does it payto be green？ An empirical analysis on the German innovation survey[J].Journal ofCleaner Production，2014，75（15）：106-117.
[3]李旭.绿色创新相关研究的梳理与展望[J].研究与发展管理，2015，27（02）：1-11.
[4]SUEYOSHI T，GOTO M.DEA approach for unified efficiency measurement：Assessment of Japanese fossil fuel power generation[J].Energy Economics，2010，33（02）：292-303.
[5]GUAN J，CHEN K.Measuring the innovation production process：A cross-region empirical study of China’s high-techinnovations[J].Technovation，2010，30（05-06）：348-358
[6]任耀，牛冲槐，牛彤，等.绿色创新效率的理论模型与实证研究[J].管理世界，2014，250（07）：176-177.
[7]钱丽，肖仁桥，陈忠卫.我国工业企业绿色技术创新效率及其区域差异研究——基于共同前沿理论和DEA模型[J].经济理论与经济管理，2015，289（01）：26-43.
[8]吴传清，申雨琦.中国装备制造业集聚对绿色创新效率的影响效应研究[J].科学技术与对策，2019，36（05）：54-63.
[9]AIGNER D，LOVELL C A K，SCHMIDT P.Formulation and estimation of stochastic frontier production function models[J].Econometrics，1977（01）：53-66
.[10]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，2015，25（05）：10-19.
[11]孙宏芃.制度创新环境与中国绿色技术创新效率[J].科技管理研究，2016，36（21）：251-257.
[12]张峰，任仕佳，殷秀清.高技术产业绿色技术创新效率及其规模质量门槛效应[J].科技进步与对策，2020，37（07）：59-68. [13]ZHANG Y B，JIN P Z，FENG D.Does civil environmental protection force the growth of China’s industrial green productivity？Evidence from the perspective of rent-seeking[J].Ecological Indicators，2015，51：215-227.
[14]高广阔，王艺群.京津冀地区高耗能产业绿色创新效率及影响因素分析——基于空间视角的实证研究[J].工业技术经济，2018，37（01）：137-144.
[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]颜莉.我国区域创新效率评价指标体系实证研究[J].管理世界，2012，224（05）：174-175.
[17]傅京燕，胡瑾，曹翔.不同来源FDI、环境规制与绿色全要素生产率[J].国际贸易问题，2018，427（07）：134-148.
[18]昝哲，张道明，张康辉，陈振.基于超效率SBM模型的中国绿色技术创新效率分析[J].科技与创新，2021（02）：17-19+22.
[19]梁圣蓉，罗良文.国际研发资本技术溢出对绿色技术创新效率影响的门槛效应——基于人力资本视角[J].技术经济，2019，38（04）：23-32.
[20]肖文，林高榜.政府支持、研发管理与技术创新效率——基于中國工业行业的实证分析[J].管理世界，2014，247（04）：71-80.
[21]田红彬，郝雯雯.FDI、环境规制与绿色创新效率[J].中国软科学，2020（08）：174-183.
[22]TONE K.Dealing with undesirable outputs in DEA：A Slacks-Based Measure（SBM）approach[J].National Graduate Institute for Policy Studies，2003（06）：44-45.
[23]LI H，SHI J F.Energy efficiency analysis on Chinese industrial sectors：an improved Super SBM model with undesirable outputs[J].Journal of Cleaner Production，2014，65（02）：97-107.
[24]CHUNG Y H，FRE R，GROSSKOPF S.Productivity and undesirable outputs：A directional distance function approach[J].Microeconomics，1997，51（03）：229-240.
[25]FRE R，GROSSKOPF S，PASURKA J C A.Accounting for air pollution emissions in measures of state manufacturing productivity growth[J].Journal of Regional Science，2001，41（03）：381-409.
[26]韩晶.中国区域绿色创新效率研究[J].财经问题研究，2012（11）：130-137.
[27]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（09）：149-157.
[28]张军，吴桂英，张吉鹏.中国省际物质资本存量估算：1952—2000[J].经济研究，2004（10）：35-44.
（责任编辑：严 焱）
关键词：绿色创新;效率评价;Super-SBM模型;Malmquist-Luenberger指数;非期望产出
中图分类号：F 205
文献标识码：A 文章编号：1672-7312（2021）05-0510-09
Evaluation of Green Innovation Efficiency at
Provincial Level in China
——Based on Super-SBM model and ML index
CHEN Qing，LIN Shanshan
（School of Economics and Management，Nantong University，Nantong 226000，China）
Abstract：Based on China’s provincial panel data from 2009 to 2018，this paper used Super-SBM model to measure both green innovation efficiency with non-expected outputs and traditional innovation efficiency without non-expected outputs，and used Malmquist-Luenberger index method to conduct dynamic analysis on green innovation efficiency.The results show that the overall green innovation efficiency in China is growing，but the level is low，showing inefficiency，and there is much room for progress.The efficiency of green innovation in the three regions of China is decreasing from east to west，and the efficiency of green innovation in each province can be divided into three types：stable，increasing and fluctuating.The efficiency of green innovation considering non-expected output is lower than that of traditional innovation without considering non-expected output，and the difference between the central and western regions is more significant.Technological efficiency and technological progress lead to the improvement of green innovation level in China，and the influence of technological progress is greater than that of technical efficiency，and the convergence between technological progress and ML index changes is higher.The dynamic efficiency of green innovation in my China presents a pattern of central>western>eastern，and most provinces and cities have ML indexes greater than 1，showing different degrees of progress.
Key words：green innovation;efficiency evaluation;super-SBM model;Malmquist-Luenberger index;undesired output
0 引言近年来，我国经济高速发展伴随而来的资源环境问题亟待解决，2020年中国的全球环境绩效指数（EPI）排名在180个国家和地区中排第120位，而据《2020年全国生态环境质量简况》显示，2020年全国337个地级以上城市中有135个城市的空气质量超标。针对这一现象，《2035远景目标》中提出至2035年要基本实现美丽中国的建设目标;“十四五”规划更是提出要完善生态领域的统筹协调机制以促进经济社会发展实现全面绿色转型。因此，在高质量发展过程中如何实現绿色转型成为当务之急，而绿色创新正是实现绿色转型的必由之路。通过客观评价我国各区域的绿色创新效率，因地制宜找出不同区域提高绿色创新效率的政策着力点，对推动我国实现高质量发展和绿色转型具有现实意义。 1 文献回顾BEISE（2004）提出绿色创新是企业为了减少环境问题而采用更为清洁的流程、技术等生产模式[1];GHISETTI（2014）将绿色创新分为能源资源有效型和外部减少型两种[2];而李旭（2014）基于“动机—过程—结果”的框架将绿色创新划分为资源节约型、环境友好型和混合型绿色创新3种[3]。对绿色创新效率的评价方法主要分为两大类：第一类是数据包络分析法（DEA），如SUEYOSHI（2010）首次提出了DEA-RAM模型，并基于此模型测算出企业绿色创新效率[4];GUAN & CHEN（2010）运用网络DEA模型对创新过程中每一阶段的效率都进行了测算[5];任耀等（2014）基于包含三大效率的联系效率DEA-RAM模型测算了山西省的工业绿色创新效率[6];钱丽等（2015）采用共享投入关联两阶段DEA模型测算出各省份的企业绿色创新效率并探究其时空差异及原因[7];吴传清等（2019）采用熵值法构建环境污染综合指数并运用Super-SBM模型测算出我国装备制造业的绿色创新效率[8]。第二类是随机前沿分析法（SFA），如AIGNER（1977）首次提出了随机前沿模型，并对影响技术创新效率的因素进行了分析[9];曹霞等（2015）通过结合投影寻踪模型对随机前沿模型进行改进，从而更有效的测算出我国区域创新效率[10];孙宏芃（2016）采用随机前沿方法测算出我国区域绿色技术创新效率，发现并非经济更发达的东部地区表现出更高的效率值[11];张峰等（2020）基于SFA模型构建了我国省域高技术产业绿色技术创新的三阶段组合效率测度模型，测度结果发现绿色技术创新效率存在显著的空间区域特征[12]。除DEA和SFA模型外，还有一些学者采用非传统方法如
ZHANG（2015）采用以CCR模型和SBM模型为基础的混合模型测度了考虑非期望产出的绿色生产效率[13];高广阔等（2018）采用Super-MindS模型测算了京津冀地区高污染行业的绿色创新效率，并运用空间统计方法探究其空间分布特征[14];吴旭晓（2019）采用非期望Minds模型和灰色系统动态方程研究了我国七大区绿色创新效率的时空发展轨迹，发现各省的轨迹存在较大异质性[15]。对绿色创新效率的评价指标体系的构建主要分为两大类：第一类是一阶段投入产出评价指标体系，不包括中间产出，如颜莉（2012）选取了人力资源、资金、基础设施投入和科技成果、经济、社会和环境绩效等9个指标来测算我国区域创新效率[16];傅京燕等（2018）构建了由投入、期望和非期望产出3个一级指标，劳动、资本、能源、地区生产总值和“三废”排放量5个二级指标构成的绿色全要素生产率评价指标体系[17];昝哲等（2021）构建了由劳动力、资本及技术投入、创新结果产出、经济产出和环境污染等6个指标组成的绿色技术创新效率评价指标体系[18]。第二类是两阶段投入产出指标体系，包括中间产出，如钱丽等（2015）选取了研发投入、非研发投入、中间产出和成果转化产出4个一级指标来测算我国工业企业绿色技术创新效率[7];梁圣蓉等（2019）构建了由创新投入、中间产出、非研发投入、期望和非期望产出5个一级指标以及15个二级指标组成的评价指标体系来测算绿色技术创新效率[19]。通过对现有文献进行总结可知，国内外学者对绿色创新效率已有大量研究，但在评价方法和指标选取方面存在一些不足。在评价方法上主要以DEA为主，但传统DEA模型很少同时考虑“松弛”变量和非期望产出，可能会造成效率值被高估的情况，基于此，本文采用同时考虑两者的Super-SBM模型;在指標选取上，大多数学者如肖文（2014）[20]、田红彬（2020）[21]等仅仅将资源环境问题纳入产出指标即非期望产出中，而实际上在绿色创新的投入过程中也存在资源环境因素，如能源投入，基于此，本文将能源投入和环境污染问题同时纳入投入产出指标中。除此之外，现有文献主要是对绿色创新效率的静态分析，很少有人分析绿色创新效率的动态趋势，基于此，本文采用Super-SBM模型和ML指数同时对我国各省市的绿色创新效率静态水平和动态水平进行测算与分析。将资源环境因素纳入创新过程的投入和产出指标中;测算出包含非期望产出的绿色创新效率与不包含非期望产出的传统创新效率并进行对比分析;对我国各省市的绿色创新效率静态水平和动态水平进行综合分析。
2 模型设定与指标选择
2.1 模型设定
2.1.1 Super-SBM模型本文参照TONE（2003）[22]、LI H（2013）[23]的研究，将松弛性问题和非期望产出同时纳入传统DEA模型，构建Super-SBM模型如下：首先，假设每个省市都是一个决策单元，则n个DMU均用m种创新投入产生了n1种期望产出和n2种非期望产出，则可定义矩阵见式（1）。
X=（x1，…，Xm）∈Rm+n
Yg=（xg1，…，Xgn1）∈Rn1×n
Xb=（xb1，…，Xbm）∈Rn2×n
（1）其中
x∈R+m，yb∈R+n1，yb∈R+n2。
则构建包含非期望产出的生产可能性集见式（2）。
P=
（，g，b）|≥∑ni=1，≠0λixi，
g≤
∑ni=1，≠0
λiygi，
b
≥∑ni=1，≠0λiybi，λ≥0
（2）其中，
λ是权重向量。其次，构建包含非期望产出的Super-SBM模型为式（3）。
ζ*=min
1m
∑mi=1
ixi0
1n1+n2
∑n1r=1
gr
ygr0
+
∑n1r=1 b1
ybI0
s.t.
≥
∑n1i=1，≠0λixi
g≤
∑ni=1，≠0λiygi
b≤
∑ni=1，≠0λiybi
≥x0，g≥yg0，b≥yb0，λ≥0
（3）
式中：，g，b分别为投入、期望和非期望产出的松弛向量;
λi为权重向量;ζ*的值可以大于1且其值越大表明绿色创新效率越高。
2.1.2 Malmquist-Luenberger指数为了进一步分析绿色创新效率的动态变动情况，本文参照CHUNG（1997）[24]、FRE（2001）[25]的研究，采用ML指数方法来测算绿色创新的动态效率。基于非期望产出角度，从t到t+1期间的ML指数可表示为式（4）。
MLt+1t=
1+t0（xt，yt，bt;yt，-bt）
1+t0（xt+1，yt+1，bt+1;yt+1，-bt+1）
×
1+t+10（xt，yt，bt;yt，-bt）
1+t+10（xt+1，yt+1，bt+1;yt+1，-bt+1）
（4）其中ML指数又可分解为技术效率变化指数（EFFCH）和技术进步指数（TECH），见式（5）。
MLt+1t=EFFECHt+1t·TECHt+1t
EFFECHt+1t=
1+t0（xt，yt，bt;yt，-bt）
1+t+10（xt+1，yt+1，bt+1;yt+1，-bt+1）
TECHt+1t
=
1+t+10（xt，yt，bt;yt，-bt）
1+t0（xt，yt，bt;yt，-bt）
×
1+t+10（xt+1，yt+1，bt;yt+1，-bt+1）
1+t0（xt+1，yt+1，bt+1;yt+1，-bt+1）
（5）其中，ML>0、EFFCH>0、TECH>0分别表示绿色创新效率增长、技术效率改善、前沿技术进步;ML<0、EFFCH<0、TECH<0分别表示绿色创新效率降低、技术效率恶化、前沿技术退步。
2.2 指标选择与数据说明本文借鉴韩晶（2012）[26]、罗良文（2016）[27]、吴传清（2019）[8]等学者的评价方法，在传统投入-产出法的基础上考虑到能源消耗和环境污染因素，基于科学性、可得性等指标选取原则，建立了如下评价指标体系。
2.2.1 投入指标
创新投入主要包括人员投入和资金投入，本文选取R&D人员全时当量和R&D实际资本存量作为创新活动的投入指标，其中采用永续盘存法（PIM）来计算R&D实际资本存量，公式为：
Ki，t=Ki，t-1（1-δi，t）+Ii，t
，式中
Ki，t、Ki，t-1
分别为第i个省份t到t-1年的资本存量;Ii，t为投资额;δi，t为折旧率。本文借鉴张军（2004）[28]的研究，将折旧率设定为9.6%，用固定资产形成总额来表示Ii，t，并以2008年为基期，根据固定资产价格指数平减各年的投资总额，将其折算为2008年不变价，并以2008年的固定资产形成总额除以10%来表示基期的资本存量。除此之外，参考韩晶（2012）[26]的做法，将资源环境因素也纳入投入指标中，本文选取以万吨标准煤为单位的能源消耗总量作为能源投入指标。
2.2.2 期望产出指标
绿色创新活动过程中的期望产出主要包括专利产出和经济产出，其中专利产出主要有專利申请数和授权数等，考虑到专利授权数存在较大的不确定性，本文选取专利申请数来代表专利产出水平;而经济产出是指企业在研发阶段产生专利成果后投入市场获得的经济利益，本文选取新产品的销售收入来表示经济产出。
2.2.3 非期望产出指标
绿色创新过程中的非期望产出主要是考虑污染物的排放，本文选取工业“三废”排放量作为非期望产出指标，考虑到数据的可得性，且化学需氧量和二氧化硫分别在废水和废气中占据较高比重，国家近年来也一直将其作为污染排放物的重点监测对象，因此本文选取废水中化学需氧量排放量和废气中二氧化硫排放量以及固体废弃物产生量三个指标来代表非期望产出。基于以上分析，本文建立的绿色创新效率评价指标体系见表1。数据来源包括《中国统计年鉴》、《中国科技统计年鉴》、《中国环境统计年鉴》、《中国能源统计年鉴》、各省市统计年鉴和Wind数据库等，选取时间范围为2009—2018年，其中由于西藏数据缺失较大，本文选取了中国大陆地区除西藏外其余30个省份为样本数据。需要指出的是，由于2018年个别省份暂未公布二氧化硫排放量和化学需氧量排放量数据，本文参考田红彬（2020）[21]的做法，用同比增长率将其个别缺失数据补齐。在投入产出指标滞后期的选择上，由于R&D投入包括人员投入和资本投入都存在累积性和时滞性，考虑到数据的可得性，将这两个指标都滞后一年时间，选取2008—2017年的相关数据，而能源投入无需考虑滞后性。
3 实证分析
3.1 静态分析根据上文构建的Super-SBM模型和绿色创新效率评价指标体系，本文运用Maxdea pro 8.8软件测度了2009—2018年我国省际绿色创新效率，结果见表2。
从全国整体水平来看，研究期间内我国绿色创新效率均值为0.455，这说明我国整体绿色创新水平偏低，呈无效率状态，存在较大的提升空间。但2009—2018年我国绿色创新效率大致呈稳步增长态势，效率均值从2009年的0.365逐渐提升至2018年的0.505，涨幅达到38.4%，具体来看，绿色创新效率值超过1，就可以视为该地区呈有效率状态（见表2）。2009—2018年我国绿色创新效率值超过1的省市数量大幅上涨，有效决策单元的个数从4个增加至9个，其中北京、上海、广东一直处于效率前沿，而浙江自2010年开始、安徽和重庆自2011年开始、江西和广西自2017年开始频繁出现在前沿面上。这说明近年来在国家贯彻提出可持续发展理念的背景下，我国的经济社会发展方式已经开始向绿色转型，绿色创新水平逐步提高（见表3）。 分区域来看（见表4），三大地区绿色创新效率值呈现出由东向西逐步递减的格局，效率均值分别为0.681、0.412和0.262，参考曹霞（2015）[10]、梁圣蓉（2019）[19]的研究发现结论基本一致。具体来看研究期间内三大地区的绿色创新效率值均存在一定提升，且中部地区的提升程度更大。其中东部地区的效率值从2009年的0.591提升至2018年的0.639，一直维持着较高水准，这表明其遥遥领先的经济实力保证了科研投入充足，使得开展绿色创新活动更为有利，因而整体绿色创新水平较高，但未出现明显的增长趋势，仍存在一定的提升空间;中部地区的效率均值从2009年的0.316提升至2018年的0.551，增幅更为明显，这主要是由于“中部崛起”战略的提出使得中部地区的经济发展水平迅速提升，且十八大以来逐步推进中部地区的节能减排工作，优化产业结构，绿色创新水平明显提升;而西部地区绿色创新效率值明显偏低，效率值由2009年的0.174提升至2018年的0.338，整体呈缓慢上升趋势，这是受西部地区其客观经济实力和地理位置限制，工业基础薄弱、人力资源匮乏、研发资金不足、污染物排放监管力度不足等因素导致其绿色创新水平较低。
具体到各省市变动情况来看，根据表3整理发现，研究期间内我国各省市绿色创新效率的变动趋势大致可以分为三类：第一类是平稳型，包括北京、上海、浙江、广东、辽宁、福建、山东、黑龙江、内蒙古、贵州、云南、陕西等省市，总体而言波动幅度不大，北京、上海这些来自东部地区的省市保持总体平稳的原因在于其高经济发展水平和创新能力导致其绿色创新水平早已遥遥领先于其他省市，相比而言进步空间不大，而内蒙古、贵州这些省市集中于西部地区，产业结构不合理、资源浪费、人才匮乏等原因导致其绿色创新水平难以提升;第二类是增长型，包括河北、山西、安徽、江西、河南、湖北、湖南、广西、重庆、四川等省市，总体而言持增长趋势，主要来自中部以及西部那些经济发展水平较高的省市，其通过不断引进外资带动当地经济发展，并进行产业转型升级，从而促使绿色创新水平不断提升;第三类是波动型，主要包括天津、江苏、海南、吉林、甘肃、宁夏、青海、新疆等省市，总体而言波动性较大，绿色创新投入产出之间难以保持平衡，其原因可能在于这些省市正处于调整期，难以把握好投入与产出之间的同比例关系，如吉林省研究期间的绿色创新效率值在大于1和小于0.5之间来回波动，经观察数据发现其原因在于该省的创新投入逐年增加，但新产品销售收入的变动很大，并未呈现逐年增长的趋势;而天津、江苏省效率值波动的原因在于其创新投入的增长率大于期望产出的增长率，不断增加的投入并未带来同比的期望产出，表明其创新能力有待提升。而具体到各省市来看，如图1所示，我国30个省市的绿色创新水平差异明显，效率均值排名前五位的省市分别为北京、上海、广东、浙江、重庆，除了重庆外都属于东部地区且十年来效率值一直大于1，呈相对有效率状态，这些省市属于我国城市群的“领头羊”，经济发展水平领先，科技创新能力强，且相较于经济较不发达地区更为注重可持续发展;而排名后五位的省市分别为内蒙古、黑龙江、青海、山西、云南，这些省市都属于中西部地区，效率均值几乎低于全国平均水平的三分之一，这是由于其经济发展模式粗放型特征十分明显，生产方式属于高耗能高污染，且其创新投入不足，人才资源严重匮乏，导致其绿色创新能力偏低。
3.2 对比分析为了深入了解我国省际绿色创新效率水平，本文将考虑非期望产出情形下的绿色创新效率和不考虑非期望产出情形下的传统创新效率进行对比分析，见表5，从总体水平来看，绿色创新效率均值为0.455，而传统创新效率达0.505，可见考虑环境污染的的绿色创新效率比不考虑环境污染的传统创新效率低，这与钱丽（2015）[7]的研究结论一致，表明工业“三废”等环境污染物的排放是导致我国绿色创新水平整体偏低的重要原因之一。
从三大区域来看，东中西部地区的绿色创新效率均值同样低于传统创新效率均值，且中西部地区的差异较为明显，而东部地区两种情形下的差异不大，这表明中西部地区存在更为突出的环境污染问题，而东部地区在环境保护方面要优于中西部地区。不论是否考虑非期望产出，创新效率值始终呈现由东向西阶梯式递减的格局，说明东部地区不论是在技术创新还是环境改善方面都走在全国的前沿，而中西部地区则均有待进步。
具体到各省市来看，如图2所示，绝大部分省市的传统创新效率都要高于绿色创新效率，仅北京、上海和浙江例外，表明这三大来自东部地区的省市具有非常高的技术转化效应，其在技术创新促进环境改善方面遥遥领先于其他省份。在两种情形下效率均值排名前五位和后五位的省市虽然排序发生了一些变化，但主要都是北京、上海、广东、浙江、重庆和内蒙古、黑龙江、青海、山西、云南这些省市，表明不论是否考虑非期望产出，效率值较高的省市始终大多處于东部地区，而效率值较低的省市则始终来自中西部地区。
3.3 动态分析本文在静态分析的基础上，基于ML指数方法并运用Maxdea pro 8.8软件测算出我国各省份的绿色创新效率ML指数及其分解的技术效率变化指数（
MLEFFCH）和技术进步指数（MLTECH）。从总体来看，见表6，ML指数均值大于1，且我国绿色创新的动态效率平均涨幅达19.9%，这说明我国绿色创新水平整体处于上涨趋势。具体来看，除了2011-2012年期间我国绿色创新效率有所下降外，其余年份均处于上升态势。将ML指数进一步分解，发现研究期间内我国绿色创新的技术效率变动指数平均增长8.2%，而技术进步指数平均增长12.1%，表明技术效率和技术进步共同导致我国绿色创新水平的提高，且技术进步的影响程度大于技术效率，其与ML指数变动的趋同性也更高。
从三大地区来看，见表7，2009—2018年我国绿色创新动态效率提升最大是中部地区，其平均增幅高达30.1%，其次是西部地区，其平均增长19.9%，而东部地区的平均涨幅仅为12.4%。这表明我国东部地区的绿色创新水平一直较高，进步空间没有中西部地区那么大，增长也较为缓慢;而中西部地区是由于原来的经济、技术等都远远落后于东部地区，近年来的国家政策和自身发展致使其经济发展水平、产业结构和资源配置都得到很大改善，由此导致中西部地区的绿色创新增长率较高，甚至高于东部地区。 而具体到各省市来看，如图3所示，2009—2018年我国30个省市中有29个省市的ML指数均大于1，表明我国大多数省市的绿色创新水平都有着不同程度的进步，且涨幅较大的多位于中西部地区，而东部地区各省市涨幅不大，其ML指数除海南省外均在1.0～1.2之间。海南省的绿色创新动态效率下降主要是受到技术效率变动和技术进步的双重影响，且技术效率变动更大，表明其存在资源配置不合理、技术创新能力不强等问题，这与海南省其主导行业是旅游业和农业，在工业上不具备优势的现实短板有关，导致其技术创新动力不足。
4 结论与建议本文运用Super-SBM模型在考虑非期望产出的基础上测度了2009—2018年我国省际绿色创新效率，同不考虑非期望产出的传统创新效率进行比较分析，并运用ML指数对绿色创新效率进行动态评价，得出以下结论：1）我国绿色创新效率总体呈增长态势，但效率均值仅为0.455，呈无效率状态，进步空间较大;我国三大地区绿色创新效率呈现出由东向西逐步递减的趋势，且各省市绿色创新效率变动可以分为平稳型、增长型和波动型三大类。2）考虑非期望产出的的绿色创新效率比不考虑非期望产出的传统创新效率低，且中西部的差异更为明显;不论是绿色创新效率还是传统创新效率都呈现由东向西阶梯式递减的格局;我国多数省市的传统创新效率都要高于绿色创新效率，仅北京、上海和浙江例外。3）我国绿色创新效率的ML指数均值大于1，其中技术效率和技术进步共同导致了我国绿色创新水平的提高，且技术进步的影响程度大于技术效率，其与ML指数变动的趋同性也更高;我国绿色创新的动态效率呈中部>西部>东部的格局，且多数省市的ML指数均大于1，存在不同程度的进步。据此，本文提出以下建议：1）充分发挥政府职能，因地制宜，有效结合不同地区的产业和创新基础，采取差异化的创新发展政策。政府应制定政策来监管东部地区创新资源配置的有关情况，以保证其绿色创新水平的有效提高。在制定创新发展政策时应偏向中西部地区，进一步加大对其基础设施和研发资源的投入，并充分挖掘出东西部的资源禀赋与相对价值。2）东部各省市应立足于自身优势，保持科研创新与技术进步，促使科技创新能有效改善环境污染问题，以有效提高绿色创新水平。应充分发挥其示范和引领作用，加强与中西部地区的区域内部合作，开展技术与管理方面的交流，以“对口支援，异地扶持”的方式推动中西部发展。3）中西部各省市应充分调整其产业结构，加大服务业所占比重，并结合环境承载力程度，合理吸引更多優质外资投入，向先进企业学习清洁技术，提高自身资源利用率，加快绿色转型步伐。应严格落实工业污染排放许可与限额标准，完善生
态环境管理制度和损害赔偿标准，以有效提高整体绿色发展意识。
参考文献：
[1] BEISE M，RENNINGS K.Lead markets and regulation：a framework for analyzing the international diffusion of environmental innovations[J].Ecological Economics，2004，52（01）：5-17.
[2]GHISETTI C，RENNINGS K.Environmental innovations and profitability：How does it payto be green？ An empirical analysis on the German innovation survey[J].Journal ofCleaner Production，2014，75（15）：106-117.
[3]李旭.绿色创新相关研究的梳理与展望[J].研究与发展管理，2015，27（02）：1-11.
[4]SUEYOSHI T，GOTO M.DEA approach for unified efficiency measurement：Assessment of Japanese fossil fuel power generation[J].Energy Economics，2010，33（02）：292-303.
[5]GUAN J，CHEN K.Measuring the innovation production process：A cross-region empirical study of China’s high-techinnovations[J].Technovation，2010，30（05-06）：348-358
[6]任耀，牛冲槐，牛彤，等.绿色创新效率的理论模型与实证研究[J].管理世界，2014，250（07）：176-177.
[7]钱丽，肖仁桥，陈忠卫.我国工业企业绿色技术创新效率及其区域差异研究——基于共同前沿理论和DEA模型[J].经济理论与经济管理，2015，289（01）：26-43.
[8]吴传清，申雨琦.中国装备制造业集聚对绿色创新效率的影响效应研究[J].科学技术与对策，2019，36（05）：54-63.
[9]AIGNER D，LOVELL C A K，SCHMIDT P.Formulation and estimation of stochastic frontier production function models[J].Econometrics，1977（01）：53-66
.[10]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，2015，25（05）：10-19.
[11]孙宏芃.制度创新环境与中国绿色技术创新效率[J].科技管理研究，2016，36（21）：251-257.
[12]张峰，任仕佳，殷秀清.高技术产业绿色技术创新效率及其规模质量门槛效应[J].科技进步与对策，2020，37（07）：59-68. [13]ZHANG Y B，JIN P Z，FENG D.Does civil environmental protection force the growth of China’s industrial green productivity？Evidence from the perspective of rent-seeking[J].Ecological Indicators，2015，51：215-227.
[14]高广阔，王艺群.京津冀地区高耗能产业绿色创新效率及影响因素分析——基于空间视角的实证研究[J].工业技术经济，2018，37（01）：137-144.
[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]颜莉.我国区域创新效率评价指标体系实证研究[J].管理世界，2012，224（05）：174-175.
[17]傅京燕，胡瑾，曹翔.不同来源FDI、环境规制与绿色全要素生产率[J].国际贸易问题，2018，427（07）：134-148.
[18]昝哲，张道明，张康辉，陈振.基于超效率SBM模型的中国绿色技术创新效率分析[J].科技与创新，2021（02）：17-19+22.
[19]梁圣蓉，罗良文.国际研发资本技术溢出对绿色技术创新效率影响的门槛效应——基于人力资本视角[J].技术经济，2019，38（04）：23-32.
[20]肖文，林高榜.政府支持、研发管理与技术创新效率——基于中國工业行业的实证分析[J].管理世界，2014，247（04）：71-80.
[21]田红彬，郝雯雯.FDI、环境规制与绿色创新效率[J].中国软科学，2020（08）：174-183.
[22]TONE K.Dealing with undesirable outputs in DEA：A Slacks-Based Measure（SBM）approach[J].National Graduate Institute for Policy Studies，2003（06）：44-45.
[23]LI H，SHI J F.Energy efficiency analysis on Chinese industrial sectors：an improved Super SBM model with undesirable outputs[J].Journal of Cleaner Production，2014，65（02）：97-107.
[24]CHUNG Y H，FRE R，GROSSKOPF S.Productivity and undesirable outputs：A directional distance function approach[J].Microeconomics，1997，51（03）：229-240.
[25]FRE R，GROSSKOPF S，PASURKA J C A.Accounting for air pollution emissions in measures of state manufacturing productivity growth[J].Journal of Regional Science，2001，41（03）：381-409.
[26]韩晶.中国区域绿色创新效率研究[J].财经问题研究，2012（11）：130-137.
[27]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（09）：149-157.
[28]张军，吴桂英，张吉鹏.中国省际物质资本存量估算：1952—2000[J].经济研究，2004（10）：35-44.
（责任编辑：严 焱）