论文部分内容阅读
摘 要：基于广义迪氏指数分解法（Generalized Divisia Index Method，GDIM），利用长江流域绿色创新专利数据，分解各驱动因素对绿色技术创新的贡献率;结合不同省市的背景分析驱动因素的变化情况，深入研究不同驱动因素影响绿色技术创新的时空差异。最后，针对不同地区的主要问题提出政策建议。
关键词：绿色技术创新;GDIM模型;绿色创新优先度;绿色创新强度;绿色创新效率
中图法分类号：X321;F127 文献标志码：A DOI：10.19679/j.cnki.cjjsjj.2021.0411
绿色创新是指降低消耗、减少污染、改善生态，促进生态文明建设、实现人与自然和谐共生的新兴技术创新。识别驱动区域绿色技术创新的关键因素，探寻科学合理的绿色创新发展路径，对促进我国绿色技术发展具有重要意义。长江经济带作为我国经济发展重大战略增长極，定位于全国生态文明建设先行示范带和创新驱动带，该区域的绿色技术创新因素分析对于全国绿色生态建设和绿色创新驱动研究具有重要引领和示范作用。
在现有的实证研究中，绿色技术创新大多被作为解释变量，用以分析与其他相关要素共同对绿色经济的影响关系。例如孙燕铭等人（2021）从技术、市场、产业结构、环境规制强度4方面分析对绿色技术创新的驱动作用[1]。全加敏等人（2018）探讨了环境规制、R&D投入与企业绿色技术创新能力三者间的密切联系[2]。朱新玲等人（2021）以“创新驱动与绿色经济”的发展理念为切入点，研究长江经济带高质量创新与绿色经济的耦合协调发展关系[3]。盛来运等人基于生产函数法，对创新驱动经济发展的未来前景进行预测，提出优化创新成果产业化机制、人才培养集聚机制等，为创新发展提供有力支撑[4]。本文依据上述等人相关研究成果，将绿色技术创新驱动因素分解为8个因素，并对其之间的影响关系作出具体的研究。
目前也有相关学者运用LMDI指数分解法识别影响绿色技术创新的相关因素[5-11]。然而，随着指数分解法，特别是LMDI方法的不断应用，相关学者发现现有指数分解方法存在着一些缺陷。Vaninsky（2014）提出了一种广义的指数分解分析框架，即广义迪氏指数分解法（Generalized Divisia Index Method，GDIM）。该方法能够更加全面准确地分析不同影响因素对目标变量变化的实际贡献。
本文采用绿色专利数这一指标反映绿色技术创新水平，并以我国长江流域各省市作为研究对象，运用GDIM模型识别绿色创新的驱动因素，分析各驱动因素贡献率的时空差异，发掘绿色创新的关键推动力。研究现有文献中较少关注但不容忽视的3个因素，即创新效率、绿色创新效率、绿色创新优先度，从而为我国绿色技术创新政策的合理制定和实施提供有效的参考和借鉴。
1 研究方法与数据说明
1.1 绿色创新专利数变化分解—基于广义迪式指数分解法
广义迪氏指数分解法（Generalized Divisia Index method，GDIM）主要是通过Kaya恒等式的变形建立多维因素分解模型。根据绿色专利申请数量影响因素间相互关系可以构建如下表达式：
式中Green Patant表示绿色创新专利数（简写GP），R&D表示研发投入，GP/R&D表示绿色创新效率，TP表示专利申请数量;GP/TP表示绿色创新优先度;GDP表示区域经济发展水平;GP/GDP表示绿色创新强度;R&D/GDP表示研发强度;TP/R&D表示创新效率。为将上述公式简便化，令
对于因素X，用函数Z表示绿色创新专利数变化的贡献，因此公式（1）-（3）可以表示为：
根据GDIM方法基本原理，现将式（4）-（6）转换成如下公式：
由式（7）可以得到绿色创新专利数变化的因素贡献函数梯度：
（12）
由公式（8）-（11）构造一个由各影响因素组成的雅可比矩阵：
从GDIM可知，绿色创新专利数变化可以被分解为各影响因素贡献之和，用下式表达：
式中：I表示单位矩阵，L表示时间跨度。表示的广义逆矩阵。
若雅可比矩阵中列向量线性无关，则。
依据式（14），本文将绿色创新专利数变化ΔW分解为8种因素之和，分别为研发投入变化ΔX1、区域创新水平变化ΔX3和区域经济规模变化ΔX5个绝对量因素，这3个绝对量因素分别反映研发投入、创新水平变化和经济规模变化对绿色创新专利数变化的影响。另外5个相对量因素，其中ΔX2表示单位研发投入所驱动的绿色创新程度对绿色专利申请数量变化的影响。ΔX4反映区域绿色创新优先程度对绿色专利申请数量变化的影响。ΔX6反映单位经济规模所驱动的绿色技术创新程度对绿色专利申请数量变化的影响。ΔX7表示区域经济规模变化对研发投入变化的影响。ΔX8反映创新效率对绿色专利申请数变化的影响。
1.2 数据说明
本文选取2003—2017年作为研究区间，对相关数据作如下说明与解释：
（1）区域绿色创新，采用每年该区域绿色专利的申请量（单位：件）。数据来源于国家专利产权局的统计结果（www.cnipa.gov.cn）。
（2）区域经济规模，采用一个区域内的国民生产总值（单位：亿元），反应了一个地区所有单位一年内生产活动的最终成果，数据的主要来源2003—2017年中国国家统计局公布的《中国统计年鉴》。为了保证数据的可比性，本文的国民生产总值以2003年的数据作为基期对报告期进行平减。 （3）区域创新水平，采用该区域每年向国家专利局申请的专利总量（单位：件）。一个区域专利的总申请量越高，表明该区域创新水平越高，可以较客观地反映区域的创新水平。该数据来源于国家专利局每年的知识产权主要统计数据。
（4）区域研发投入，采用每年各区域的R&D总经费投入（单位：亿元）。区域R&D指一个区域在研究、开发过程中各种费用的总和。该数据选自2003—2017年历年中国统计局公布的《中国统计年鉴》，同样以2003年为基期，对其他年份的区域研发投入进行平减。
2 全国各地区绿色创新驱动因素分析
2.1 长江经济带11个省市地区绿色创新驱动因素分解
根据《长江经济带发展规划纲要》，长江经济带主要分为11个省市，根据划分的情况，利用GDIM模型，计算各省市的绿色创新技术驱动因素的贡献率，结果如下（见表1）。
从表1可见，各区域绿色创新发展的促进因素有：区域研发投入、绿色创新效率、区域创新水平、绿色创新优先度、区域经濟规模、绿色创新强度。而研发强度、创新效率对绿色创新技术有抑制效果。安徽省、江苏省、贵州省的区域创新水平的贡献率均达到了10%以上，但上海市的区域创新水平贡献率最低，为5.2%。绿色创新效率也是驱动绿色创新发展的主要因素之一，安徽省和四川省的绿色创新效率的贡献率较大。绿色创新优先度反映了各地区对绿色创新的重视程度，相比之下，安徽省和重庆市的绿色创新优先度较高。创新效率是主要抑制因素，约为1%。
2.2 长江经济带11个省市地区绿色创新驱动发展现状
基于分解结果，将各地区2003—2017年绿色创新专利变化及驱动因素的贡献率绘制成统计图（见图1）。
从图1可以看出，各省绿色创新专利数量都在上升，但增速差异较大。其中，上海市和云南省的绿色专利增长速度较慢，其余地区的增长速率都达到了30%以上。
西部城市的绿色创新增长速率较高，如川渝贵是长江沿岸绿色创新发展的亮点。但云南省绿色创新增长率较低，表明其仍依赖于传统技术，绿色创新优先度贡献率仅为0.7%，对绿色创新技术的重视程度低。目前云南省产业技术创新存在研发投入不足、区域发展不平衡、部分地区产业集群发展缓慢等问题，这些都限制了该区域绿色创新能力的提升，难以形成区域竞争优势。
3 全国绿色创新专利变化阶段分解分析
基于我国每五年制定的战略计划，本文将2003—2017年分成3段：2003—2007年、2008—2012年、2013—2017年。据此对长江上中下游各地区绿色创新变化进行比较分析，计算得到不同时期各地区驱动因素贡献率的变化情况。数据见表2。
研究期间长江上中下游各地区绿色创新专利数量在不断增长，但由于各地研发投入，经济发展，补贴政策等不同，各地增速情况也有所不同。
3.1 长江上游地区
长江上游地区为长江中下游地区提供环境保障，同时该地区作为我国西部经济的“增长极”，承担着辐射带动西部欠发达地区的重任。该地区绿色创新专利变化及各驱动因素不同阶段贡献率的统计见图2。
从图2可以看出，长江上游地区的绿色创新增速维持在200%以上，在2008—2012年达到最大值350%，整体上呈现出先增长后减慢的特点。
对促进因素进一步研究，2003—2017年区域创新水平、绿色创新效率、绿色创新强度的贡献率较高，是推动绿色创新发展的主要因素。此外，区域创新水平的贡献率波动不大，均在20%左右。而绿色创新优先度的变化与整体趋势相反，但在20%上下波动。区域经济规模的促进效果从12%上升至25%，但在2013—2017年的促进效果几乎为0。
研发强度，创新效率起到了主要的抑制作用。2003—2007年，创新效率是主要的抑制因素，抑制效果为-13%，研发强度的抑制效果较弱。但在2008—2012年，创新效率对绿色创新起到了较好的促进效果，贡献率52%。2013—2017年，创新效率与研发强度的抑制效果相似贡献率分别为-6%和-4%。
3.2 长江中游地区
2007年，国家发改委下发了关于批准武汉城市圈和长株潭城市群为“两型社会”的通知。长江中游地区被确定为“两型社会”的试验区并被赋予先行先试的政策创新特权，加快该地绿色创新发展格局的完善。该地区绿色创新专利变化及各驱动因素不同阶段贡献率的统计见图3。
总体来看，长江中游地区绿色创新专利的增速持续上升。在促进效应方面，2003—2007年，主要驱动因素有区域研发投入、区域创新水平、绿色创新强度;在2008—2017年，主要的驱动因素变为绿色创新效率、区域创新水平和绿色研发强度。其中，绿色创新效率和绿色创新强度的贡献率与整体趋势相同，贡献率持续上升。此外，区域研发投入在2003—2017年的贡献率均占20%左右，效果较为稳定。绿色创新效率的贡献率从最初的15%持续上升，对绿色创新技术的驱动效应愈加明显。绿色创新优先度在2003—2007年和2013—2017年分别起到了10%和40%的驱动效果，但在2008—2012年对绿色创新有较小的抑制作用，该因素随着时间发生了较大的波动。
创新效率是限制绿色技术创新发展的主要因素。2003—2007年，创新效率的抑制效果约为-7%;2008—2012年，抑制效果加深至-40%;2013—2017年，减少到25%。研发强度的抑制效果较小，在-5%左右波动。
3.3 长江下游地区
长江下游地区经济发展较早，绿色发展水平较高。但同时该地区也面临着发展“东高西低”，协同效果不好的问题。该地区绿色创新专利变化及各驱动因素不同阶段贡献率的统计见图4。 较高的绿色创新水平，使得该地区维持较大增速较为困难，此外也会降低该地区持续创新的积极性。所以，增速整体呈现持续下降的趋势。
驅动因素方面，2003—2007年以及2008—2012年，区域创新水平、绿色创新强度和绿色创新效率是主要驱动因素;2013—2017年绿色创新优先度取代区域创新水平，成为主要驱动因素。2003—2007年，绿色创新强度，绿色创新效率的贡献率分别为94%，55%。2008—2012年，绿色创新强度的贡献率下降至57%，绿色创新效率贡献率上升至63%。2013—2017年，绿色创新效率，绿色创新优先度和绿色创新强度的促进效果相似，约为35%，而区域创新水平的促进效果迅速下降，贡献率约为6%。区域经济规模的贡献率在2003—2017年驱动效果不明显。
研发强度、创新效率在2003—2012年对绿色创新起到了抑制效果。2003—2007年，研发强度的抑制效果为-13%，创新效率的抑制效果为-21%。2008—2012年，研发强度的抑制效果减弱变为-3%，创新效率的抑制效果不变，为-22%。2013—2017年，研发强度和创新效率的抑制效果几乎为0。
4 结论与政策建议
4.1 研究结论
本文选取长江经济带为研究对象，构建GDIM模型来识别绿色创新的驱动因素，分析并评价2003—2017年长江上中下游各地区不同驱动因素贡献率的变化情况，结论如下。
第一，本文识别的8个因素对绿色创新不是单一的促进效果。具体来说，区域研发投入、绿色创新效率、区域创新水平、绿色创新优先度、区域经济规模和绿色创新强度促进各地区绿色创新发展。而研发强度和创新效率起到抑制效果。
第二，总体上看，长江流域的绿色创新一直处于较高发展水平，但部分地区仍面临绿色创新效率以及绿色创新优先度较低的问题。且上中下游各地区发展的时空差异明显，呈现以下3种模式：下游地区水平较高，但增速持续放缓，企业绿色创新积极性不高;中游地区水平居中，且增速持续加快，绿色创新发展格局较完善;上游地区水平落后，增速先增后降，支撑能力较弱。
第三，2003—2007年，创新水平以及创新强度对驱动绿色创新的贡献率最高，其他因素的贡献率还处于较低水平。说明早期我国对绿色创新的重视程度不高，且传统的创新模式对生态环境造成了一定程度的破坏。
第四，2008—2017年，随着绿色创新发展政策的颁布，绿色创新强度、绿色创新效率以及绿色创新优先度的贡献率迅速增加，逐渐成为推动绿色创新的主要驱动因素。而其他因素对绿色创新的推动效果逐渐减弱，说明一味追求经济发展或投入人力与财力资源，都难以支撑绿色创新的可持续发展。近年来，政府对环境的规制作用以及市场对新工业的要求，倒逼企业提高对绿色创新的重视程度以及绿色创新效率，为绿色创新提供了较好的发展环境。
4.2 政策建议
（1）调整产业结构，提高企业绿色创新效率。
加大国家对重大工业的监察力度，依法依规逐渐淘汰落后企业并化解过剩产能，发挥技术改造对传统企业转型升级的促进作用，提升产业绿色化和智能化水平。
（2）优化工业布局，发挥不同区域绿色创新辐射带动作用，引导跨区域产业转移。
充分发挥国家自主创新示范区、国家高新区的辐射带动作用，创新区域产业合作模式，提升区域创新能力。加强产业跨区域转移监督、指导和协调，推进统一市场建设，实现上下游区域良性互动。发挥国家产业转移信息服务平台作用，完善产业转移信息沟通渠道。打造长江流域城市群产业发展圈，实现上中下游综合发展，培育绿色创新高科技产业，加强协同联动，形成空间布局合理、区域分工协作和优势互补的产业发展新格局。
（3）加强绿色创新型人才培养，落实政府支持政策。
为改善人才短缺、体制机制缺乏的状况，各地政府需因地制宜制定政策，推进高校—政府、高校—企业、企业—政府合作机制的形成。同时，政府要充分利用资金渠道，支持符合条件的企业绿色技术创新，落实税收、绿色信贷、土地等优惠政策，加快企业绿色转型。
参考文献：
[1]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（01）：13-22.
[2]全佳敏. 环境规制、R&D投入与企业绿色技术创新能力：双变量的调节作用[D]. 福州大学，2017.
[3]朱新玲，贺岚静. 长江经济带高质量创新与绿色经济耦合协调研究[J]. 中南林业科技大学学报（社会科学版），2021，15（01）：31-39.
[4]盛来运，李拓，毛盛勇，等. 中国全要素生产率测算与经济增长前景预测[J]. 统计与信息论坛，2018，33（12）：3-11.
[5] CHO J H，SOHN S Y. A novel decomposition analysis of green patent applications for the evaluation of R&D efforts to reduce CO2 emissions from fossil fuel energy consumption[J]. Journal of Cleaner Production，2018，193.
[6] FUJII H. Decomposition analysis of green chemical technology inventions from 1971 to 2010 in Japan[J]. Journal of Cleaner Production，2016，112.
[7] CHEN Y，LIN B. Decomposition analysis of patenting in renewable energy technologies：From an extended LMDI approach perspective based on three Five-Year Plan periods in China[J]. Journal of Cleaner Production，2020，269. [8] HIDEMICHI F，SHUNSUKE M. Decomposition analysis of sustainable green technology inventions in China[J]. Technological Forecasting & Social Change，2019，139.
[9] FUJII H，YOSHIDA K，SUGIMURA K，et al. Research and Development Strategy in Biological Technologies：A Patent Data Analysis of Japanese Manufacturing Firms[J]. Sustainability，2016，8（4）.
[10] XIA Z，YU Y，FAN Y，et al. Spatial-temporal heterogeneity of green innovation in China[J]. Journal of Cleaner Production，2020（prepublish）.
[11] FUJII H，MANAGI S. Trends and priority shifts in artificial intelligence technology invention：A global patent analysis[J]. Economic Analysis and Policy，2018，58.
Analysis of Driving Factors of Regional Green Technology Innovation：Evidence Based on China's Provincial Green Patent Data
Zhang Jiusen Cang Zhengwei Zhang Yayuan Zhang Ziyi Yang Yue
（Nanjing Audit University，Nanjing 211815，China）
Abstract：Based on the Generalized Divisia Index Method （GDIM），this paper uses the data on green innovation patents in the Yangtze River Basin to decompose the contribution rate of each driving factor to green technology innovation;analyze the changes in driving factors based on the background of different provinces and cities under the circumstances，in-depth study of the temporal and spatial differences of different driving factors affecting green technology innovation. Finally，policy recommendations are made for the main issues in different regions.
Keywords：green technological innovation;GDIM model;green innovation priority;green innovation intensity;green innovation efficiency
收稿日期：2021-05-31
作者簡介：张久森，男，研究方向为国际贸易、区域创新。
关键词：绿色技术创新;GDIM模型;绿色创新优先度;绿色创新强度;绿色创新效率
中图法分类号：X321;F127 文献标志码：A DOI：10.19679/j.cnki.cjjsjj.2021.0411
绿色创新是指降低消耗、减少污染、改善生态，促进生态文明建设、实现人与自然和谐共生的新兴技术创新。识别驱动区域绿色技术创新的关键因素，探寻科学合理的绿色创新发展路径，对促进我国绿色技术发展具有重要意义。长江经济带作为我国经济发展重大战略增长極，定位于全国生态文明建设先行示范带和创新驱动带，该区域的绿色技术创新因素分析对于全国绿色生态建设和绿色创新驱动研究具有重要引领和示范作用。
在现有的实证研究中，绿色技术创新大多被作为解释变量，用以分析与其他相关要素共同对绿色经济的影响关系。例如孙燕铭等人（2021）从技术、市场、产业结构、环境规制强度4方面分析对绿色技术创新的驱动作用[1]。全加敏等人（2018）探讨了环境规制、R&D投入与企业绿色技术创新能力三者间的密切联系[2]。朱新玲等人（2021）以“创新驱动与绿色经济”的发展理念为切入点，研究长江经济带高质量创新与绿色经济的耦合协调发展关系[3]。盛来运等人基于生产函数法，对创新驱动经济发展的未来前景进行预测，提出优化创新成果产业化机制、人才培养集聚机制等，为创新发展提供有力支撑[4]。本文依据上述等人相关研究成果，将绿色技术创新驱动因素分解为8个因素，并对其之间的影响关系作出具体的研究。
目前也有相关学者运用LMDI指数分解法识别影响绿色技术创新的相关因素[5-11]。然而，随着指数分解法，特别是LMDI方法的不断应用，相关学者发现现有指数分解方法存在着一些缺陷。Vaninsky（2014）提出了一种广义的指数分解分析框架，即广义迪氏指数分解法（Generalized Divisia Index Method，GDIM）。该方法能够更加全面准确地分析不同影响因素对目标变量变化的实际贡献。
本文采用绿色专利数这一指标反映绿色技术创新水平，并以我国长江流域各省市作为研究对象，运用GDIM模型识别绿色创新的驱动因素，分析各驱动因素贡献率的时空差异，发掘绿色创新的关键推动力。研究现有文献中较少关注但不容忽视的3个因素，即创新效率、绿色创新效率、绿色创新优先度，从而为我国绿色技术创新政策的合理制定和实施提供有效的参考和借鉴。
1 研究方法与数据说明
1.1 绿色创新专利数变化分解—基于广义迪式指数分解法
广义迪氏指数分解法（Generalized Divisia Index method，GDIM）主要是通过Kaya恒等式的变形建立多维因素分解模型。根据绿色专利申请数量影响因素间相互关系可以构建如下表达式：
式中Green Patant表示绿色创新专利数（简写GP），R&D表示研发投入，GP/R&D表示绿色创新效率，TP表示专利申请数量;GP/TP表示绿色创新优先度;GDP表示区域经济发展水平;GP/GDP表示绿色创新强度;R&D/GDP表示研发强度;TP/R&D表示创新效率。为将上述公式简便化，令
对于因素X，用函数Z表示绿色创新专利数变化的贡献，因此公式（1）-（3）可以表示为：
根据GDIM方法基本原理，现将式（4）-（6）转换成如下公式：
由式（7）可以得到绿色创新专利数变化的因素贡献函数梯度：
（12）
由公式（8）-（11）构造一个由各影响因素组成的雅可比矩阵：
从GDIM可知，绿色创新专利数变化可以被分解为各影响因素贡献之和，用下式表达：
式中：I表示单位矩阵，L表示时间跨度。表示的广义逆矩阵。
若雅可比矩阵中列向量线性无关，则。
依据式（14），本文将绿色创新专利数变化ΔW分解为8种因素之和，分别为研发投入变化ΔX1、区域创新水平变化ΔX3和区域经济规模变化ΔX5个绝对量因素，这3个绝对量因素分别反映研发投入、创新水平变化和经济规模变化对绿色创新专利数变化的影响。另外5个相对量因素，其中ΔX2表示单位研发投入所驱动的绿色创新程度对绿色专利申请数量变化的影响。ΔX4反映区域绿色创新优先程度对绿色专利申请数量变化的影响。ΔX6反映单位经济规模所驱动的绿色技术创新程度对绿色专利申请数量变化的影响。ΔX7表示区域经济规模变化对研发投入变化的影响。ΔX8反映创新效率对绿色专利申请数变化的影响。
1.2 数据说明
本文选取2003—2017年作为研究区间，对相关数据作如下说明与解释：
（1）区域绿色创新，采用每年该区域绿色专利的申请量（单位：件）。数据来源于国家专利产权局的统计结果（www.cnipa.gov.cn）。
（2）区域经济规模，采用一个区域内的国民生产总值（单位：亿元），反应了一个地区所有单位一年内生产活动的最终成果，数据的主要来源2003—2017年中国国家统计局公布的《中国统计年鉴》。为了保证数据的可比性，本文的国民生产总值以2003年的数据作为基期对报告期进行平减。 （3）区域创新水平，采用该区域每年向国家专利局申请的专利总量（单位：件）。一个区域专利的总申请量越高，表明该区域创新水平越高，可以较客观地反映区域的创新水平。该数据来源于国家专利局每年的知识产权主要统计数据。
（4）区域研发投入，采用每年各区域的R&D总经费投入（单位：亿元）。区域R&D指一个区域在研究、开发过程中各种费用的总和。该数据选自2003—2017年历年中国统计局公布的《中国统计年鉴》，同样以2003年为基期，对其他年份的区域研发投入进行平减。
2 全国各地区绿色创新驱动因素分析
2.1 长江经济带11个省市地区绿色创新驱动因素分解
根据《长江经济带发展规划纲要》，长江经济带主要分为11个省市，根据划分的情况，利用GDIM模型，计算各省市的绿色创新技术驱动因素的贡献率，结果如下（见表1）。
从表1可见，各区域绿色创新发展的促进因素有：区域研发投入、绿色创新效率、区域创新水平、绿色创新优先度、区域经濟规模、绿色创新强度。而研发强度、创新效率对绿色创新技术有抑制效果。安徽省、江苏省、贵州省的区域创新水平的贡献率均达到了10%以上，但上海市的区域创新水平贡献率最低，为5.2%。绿色创新效率也是驱动绿色创新发展的主要因素之一，安徽省和四川省的绿色创新效率的贡献率较大。绿色创新优先度反映了各地区对绿色创新的重视程度，相比之下，安徽省和重庆市的绿色创新优先度较高。创新效率是主要抑制因素，约为1%。
2.2 长江经济带11个省市地区绿色创新驱动发展现状
基于分解结果，将各地区2003—2017年绿色创新专利变化及驱动因素的贡献率绘制成统计图（见图1）。
从图1可以看出，各省绿色创新专利数量都在上升，但增速差异较大。其中，上海市和云南省的绿色专利增长速度较慢，其余地区的增长速率都达到了30%以上。
西部城市的绿色创新增长速率较高，如川渝贵是长江沿岸绿色创新发展的亮点。但云南省绿色创新增长率较低，表明其仍依赖于传统技术，绿色创新优先度贡献率仅为0.7%，对绿色创新技术的重视程度低。目前云南省产业技术创新存在研发投入不足、区域发展不平衡、部分地区产业集群发展缓慢等问题，这些都限制了该区域绿色创新能力的提升，难以形成区域竞争优势。
3 全国绿色创新专利变化阶段分解分析
基于我国每五年制定的战略计划，本文将2003—2017年分成3段：2003—2007年、2008—2012年、2013—2017年。据此对长江上中下游各地区绿色创新变化进行比较分析，计算得到不同时期各地区驱动因素贡献率的变化情况。数据见表2。
研究期间长江上中下游各地区绿色创新专利数量在不断增长，但由于各地研发投入，经济发展，补贴政策等不同，各地增速情况也有所不同。
3.1 长江上游地区
长江上游地区为长江中下游地区提供环境保障，同时该地区作为我国西部经济的“增长极”，承担着辐射带动西部欠发达地区的重任。该地区绿色创新专利变化及各驱动因素不同阶段贡献率的统计见图2。
从图2可以看出，长江上游地区的绿色创新增速维持在200%以上，在2008—2012年达到最大值350%，整体上呈现出先增长后减慢的特点。
对促进因素进一步研究，2003—2017年区域创新水平、绿色创新效率、绿色创新强度的贡献率较高，是推动绿色创新发展的主要因素。此外，区域创新水平的贡献率波动不大，均在20%左右。而绿色创新优先度的变化与整体趋势相反，但在20%上下波动。区域经济规模的促进效果从12%上升至25%，但在2013—2017年的促进效果几乎为0。
研发强度，创新效率起到了主要的抑制作用。2003—2007年，创新效率是主要的抑制因素，抑制效果为-13%，研发强度的抑制效果较弱。但在2008—2012年，创新效率对绿色创新起到了较好的促进效果，贡献率52%。2013—2017年，创新效率与研发强度的抑制效果相似贡献率分别为-6%和-4%。
3.2 长江中游地区
2007年，国家发改委下发了关于批准武汉城市圈和长株潭城市群为“两型社会”的通知。长江中游地区被确定为“两型社会”的试验区并被赋予先行先试的政策创新特权，加快该地绿色创新发展格局的完善。该地区绿色创新专利变化及各驱动因素不同阶段贡献率的统计见图3。
总体来看，长江中游地区绿色创新专利的增速持续上升。在促进效应方面，2003—2007年，主要驱动因素有区域研发投入、区域创新水平、绿色创新强度;在2008—2017年，主要的驱动因素变为绿色创新效率、区域创新水平和绿色研发强度。其中，绿色创新效率和绿色创新强度的贡献率与整体趋势相同，贡献率持续上升。此外，区域研发投入在2003—2017年的贡献率均占20%左右，效果较为稳定。绿色创新效率的贡献率从最初的15%持续上升，对绿色创新技术的驱动效应愈加明显。绿色创新优先度在2003—2007年和2013—2017年分别起到了10%和40%的驱动效果，但在2008—2012年对绿色创新有较小的抑制作用，该因素随着时间发生了较大的波动。
创新效率是限制绿色技术创新发展的主要因素。2003—2007年，创新效率的抑制效果约为-7%;2008—2012年，抑制效果加深至-40%;2013—2017年，减少到25%。研发强度的抑制效果较小，在-5%左右波动。
3.3 长江下游地区
长江下游地区经济发展较早，绿色发展水平较高。但同时该地区也面临着发展“东高西低”，协同效果不好的问题。该地区绿色创新专利变化及各驱动因素不同阶段贡献率的统计见图4。 较高的绿色创新水平，使得该地区维持较大增速较为困难，此外也会降低该地区持续创新的积极性。所以，增速整体呈现持续下降的趋势。
驅动因素方面，2003—2007年以及2008—2012年，区域创新水平、绿色创新强度和绿色创新效率是主要驱动因素;2013—2017年绿色创新优先度取代区域创新水平，成为主要驱动因素。2003—2007年，绿色创新强度，绿色创新效率的贡献率分别为94%，55%。2008—2012年，绿色创新强度的贡献率下降至57%，绿色创新效率贡献率上升至63%。2013—2017年，绿色创新效率，绿色创新优先度和绿色创新强度的促进效果相似，约为35%，而区域创新水平的促进效果迅速下降，贡献率约为6%。区域经济规模的贡献率在2003—2017年驱动效果不明显。
研发强度、创新效率在2003—2012年对绿色创新起到了抑制效果。2003—2007年，研发强度的抑制效果为-13%，创新效率的抑制效果为-21%。2008—2012年，研发强度的抑制效果减弱变为-3%，创新效率的抑制效果不变，为-22%。2013—2017年，研发强度和创新效率的抑制效果几乎为0。
4 结论与政策建议
4.1 研究结论
本文选取长江经济带为研究对象，构建GDIM模型来识别绿色创新的驱动因素，分析并评价2003—2017年长江上中下游各地区不同驱动因素贡献率的变化情况，结论如下。
第一，本文识别的8个因素对绿色创新不是单一的促进效果。具体来说，区域研发投入、绿色创新效率、区域创新水平、绿色创新优先度、区域经济规模和绿色创新强度促进各地区绿色创新发展。而研发强度和创新效率起到抑制效果。
第二，总体上看，长江流域的绿色创新一直处于较高发展水平，但部分地区仍面临绿色创新效率以及绿色创新优先度较低的问题。且上中下游各地区发展的时空差异明显，呈现以下3种模式：下游地区水平较高，但增速持续放缓，企业绿色创新积极性不高;中游地区水平居中，且增速持续加快，绿色创新发展格局较完善;上游地区水平落后，增速先增后降，支撑能力较弱。
第三，2003—2007年，创新水平以及创新强度对驱动绿色创新的贡献率最高，其他因素的贡献率还处于较低水平。说明早期我国对绿色创新的重视程度不高，且传统的创新模式对生态环境造成了一定程度的破坏。
第四，2008—2017年，随着绿色创新发展政策的颁布，绿色创新强度、绿色创新效率以及绿色创新优先度的贡献率迅速增加，逐渐成为推动绿色创新的主要驱动因素。而其他因素对绿色创新的推动效果逐渐减弱，说明一味追求经济发展或投入人力与财力资源，都难以支撑绿色创新的可持续发展。近年来，政府对环境的规制作用以及市场对新工业的要求，倒逼企业提高对绿色创新的重视程度以及绿色创新效率，为绿色创新提供了较好的发展环境。
4.2 政策建议
（1）调整产业结构，提高企业绿色创新效率。
加大国家对重大工业的监察力度，依法依规逐渐淘汰落后企业并化解过剩产能，发挥技术改造对传统企业转型升级的促进作用，提升产业绿色化和智能化水平。
（2）优化工业布局，发挥不同区域绿色创新辐射带动作用，引导跨区域产业转移。
充分发挥国家自主创新示范区、国家高新区的辐射带动作用，创新区域产业合作模式，提升区域创新能力。加强产业跨区域转移监督、指导和协调，推进统一市场建设，实现上下游区域良性互动。发挥国家产业转移信息服务平台作用，完善产业转移信息沟通渠道。打造长江流域城市群产业发展圈，实现上中下游综合发展，培育绿色创新高科技产业，加强协同联动，形成空间布局合理、区域分工协作和优势互补的产业发展新格局。
（3）加强绿色创新型人才培养，落实政府支持政策。
为改善人才短缺、体制机制缺乏的状况，各地政府需因地制宜制定政策，推进高校—政府、高校—企业、企业—政府合作机制的形成。同时，政府要充分利用资金渠道，支持符合条件的企业绿色技术创新，落实税收、绿色信贷、土地等优惠政策，加快企业绿色转型。
参考文献：
[1]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（01）：13-22.
[2]全佳敏. 环境规制、R&D投入与企业绿色技术创新能力：双变量的调节作用[D]. 福州大学，2017.
[3]朱新玲，贺岚静. 长江经济带高质量创新与绿色经济耦合协调研究[J]. 中南林业科技大学学报（社会科学版），2021，15（01）：31-39.
[4]盛来运，李拓，毛盛勇，等. 中国全要素生产率测算与经济增长前景预测[J]. 统计与信息论坛，2018，33（12）：3-11.
[5] CHO J H，SOHN S Y. A novel decomposition analysis of green patent applications for the evaluation of R&D efforts to reduce CO2 emissions from fossil fuel energy consumption[J]. Journal of Cleaner Production，2018，193.
[6] FUJII H. Decomposition analysis of green chemical technology inventions from 1971 to 2010 in Japan[J]. Journal of Cleaner Production，2016，112.
[7] CHEN Y，LIN B. Decomposition analysis of patenting in renewable energy technologies：From an extended LMDI approach perspective based on three Five-Year Plan periods in China[J]. Journal of Cleaner Production，2020，269. [8] HIDEMICHI F，SHUNSUKE M. Decomposition analysis of sustainable green technology inventions in China[J]. Technological Forecasting & Social Change，2019，139.
[9] FUJII H，YOSHIDA K，SUGIMURA K，et al. Research and Development Strategy in Biological Technologies：A Patent Data Analysis of Japanese Manufacturing Firms[J]. Sustainability，2016，8（4）.
[10] XIA Z，YU Y，FAN Y，et al. Spatial-temporal heterogeneity of green innovation in China[J]. Journal of Cleaner Production，2020（prepublish）.
[11] FUJII H，MANAGI S. Trends and priority shifts in artificial intelligence technology invention：A global patent analysis[J]. Economic Analysis and Policy，2018，58.
Analysis of Driving Factors of Regional Green Technology Innovation：Evidence Based on China's Provincial Green Patent Data
Zhang Jiusen Cang Zhengwei Zhang Yayuan Zhang Ziyi Yang Yue
（Nanjing Audit University，Nanjing 211815，China）
Abstract：Based on the Generalized Divisia Index Method （GDIM），this paper uses the data on green innovation patents in the Yangtze River Basin to decompose the contribution rate of each driving factor to green technology innovation;analyze the changes in driving factors based on the background of different provinces and cities under the circumstances，in-depth study of the temporal and spatial differences of different driving factors affecting green technology innovation. Finally，policy recommendations are made for the main issues in different regions.
Keywords：green technological innovation;GDIM model;green innovation priority;green innovation intensity;green innovation efficiency
收稿日期：2021-05-31
作者簡介：张久森，男，研究方向为国际贸易、区域创新。