论文部分内容阅读
關键词：长三角区域;先进制造业;绿色技术创新效率;Malmquist指数
摘 要：绿色技术创新是实现碳达峰和碳中和的根本保证，长三角先进制造业的发展更具有示范性。通过构建先进制造业绿色技术创新效率的两阶段评价指标体系，测算了长三角区域先进制造业不同阶段的绿色技术创新效率和绿色全要素生产率（TFP）。研究发现：（1）长三角区域整体先进制造业绿色技术创新效率呈逐步上升，且具有西南高东北低的分布特点，科技研发阶段的效率偏低是影响整体效率的根源所在;（2）不同于江浙沪省市转化效率高于研发效率的情况，安徽省先进制造业更重视技术知识的积累，而效益的转化相对较弱;（3）长三角区域整体TFP指数呈波动上升趋势，除2013—2016年以外，其他年份的技术进步水平有待提高;（4）长三角区域先进制造业科技研发阶段的效率增长速度高于成果转化阶段。为此，建议提升成果转化阶段的科研成果转化水平，促进长三角区域经济协同发展和共建技术创新联盟。
中图分类号：F062.2;F062.4 文献标志码：A 文章编号：1001-2435（2021）05-0137-11
Green Technology Innovation Efficiency of the Advanced Manufacturing Industry in the Yangtze River Delta Region
TIAN Ze， WANG Ruo-mei， XIAO Qin-wen， REN Fang-rong（Business School， Hohai University， Nanjing 210098， China）
Key words： the Yangtze River Delta; advanced manufacturing industry; green technology innovation efficiency;Malmquist index
Abstract： Green technology innovation is the fundamental guarantee to achieve carbon peak and carbon neutratity， and the development of the advanced manufacturing industry in the Yangtze River Delta is more demonstrative. The green technology innovation efficiency and green total factor productivity （TFP） in different stages of advanced manufacturing in the Yangtze River Delta region were measured by constructing a two-stage evaluation index system of green technology innovation efficiency of advanced manufacturing. The conclusions are as follows： （1） On the whole， the green technology innovation efficiency of advanced manufacturing industry in the Yangtze River Delta region is gradually increasing with charatoristics of higher in the southuest and lower in the northeast. The low efficiency in the stage of technology development is the root cause that affects the efficiency of the whole stage. （2） Different from Jiangsu， Zhejiang and Shanghai， the advanced manufacturing industry in Anhui pays more attention to the accumulation of technical knowledge， while the conversion of benefits is relatively weak. （3） The overall TFP index in the Yangtze River Delta region shows a volatile upward trend. Except for 2013-2016， the level of technological progress in other years needs to be improved. （4） The efficiency growth rate in the stage of the technology development of the advanced manufacturing industry in the Yangtze River Delta region is higher than that in the stage of achievement transformation. And suggestions such as promoting the coordinated economic development and establishing technological innovation alliances are proposed. ——————————————————————————————————————————
一、引 言
随着新一轮科技变革加速到来，全球产业转型和产业价值链重塑进程不断加速，世界各国聚焦制造业新发展，如日本“制造业白皮书”、欧盟“科技创新投入计划”、德国“工业4.0”发展战略、美国“先进制造业伙伴计划”等，通过包括技术创新在内的各种途径加速制造业创新发展，争取率先抢占制造业发展制高点。中国作为“制造业大国”，传统制造业长期依赖的“高投入、高排放、高污染、低效益”的要素驱动型发展模式弊端逐渐凸显。为此，《中国制造2025》提出要加快传统制造业转型升级，并着力推进先进制造业跨越式发展。因此，如何促进先进制造业高质量发展成为重要课题。
“十三五规划”强调坚持“创新、协调、绿色、开放、共享”五大发展理念，将创新作为首要动力，以绿色作为必要保障[1]。十九大报告也明确“绿水青山就是金山银山”的发展理念，提出保护自然环境与节约资源，实现经济高质量发展。先进制造业发展的影响因素包括要素禀赋、资本结构、技术进步水平等，从可持续发展的现实需求来看，绿色技术创新，将创新、绿色的发展理念有机融合，是推动先进制造业增长与生态环境保护有机统一的关键。提升绿色技术创新效率是实现我国先进制造业高质量发展和资源环境协调的重要途径。那么，目前国内先进制造业绿色技术创新发展现状究竟如何？如何提升其绿色技术创新效率呢？因此，有必要对先进制造业绿色技术创新效率情况及其影响因素进行深入探讨。
长三角区域，作为中国经济总量规模最大、经济发展速度最快、最具有发展潜力的经济板块，其制造业基础雄厚。2019年12月1日印发的《长江三角洲区域一体化发展规划纲要》明确指出，强化区域之间优势产业的相互协作，打造在世界范围内具有强劲竞争力和显著影响力的先进制造业基地。由此可见，以长三角区域为例，对其先进制造业绿色技术创新效率的研究具有典型性，这也将对其他区域先进制造业的高质量发展起到积极的示范作用和借鉴意义。
由于先进制造业处于发展阶段，学术界尚未对此形成一个明确统一的定义。黄烨菁认为先进制造业包含两个层面，一是信息革命、技术革命成果与生产方式的融合，二是多元丰富的国际制造品的需求。[2]于波等认为先进制造业是在产业层次、技术、管理、模式等方面区别于传统制造业，其重要特征是产业具备高端性、技术先进性、管理现代性和生产模式的创新性。[3]李金华认为先进制造业是指产品的研发、设计、生产、检测、服务和管理过程中运用电子信息、计算机、新材料等现代科学技术和管理技术的制造行业。[4]借鉴上述的研究，本文认为，先进制造业是在产品的研发、生产、管理和服务等全过程中不断吸收并运用材料科学、计算机网络、自动化机械、电子信息等先进技术和创新成果，从而实现自动化、生态化、智能化、信息化、柔性化生产取得良好市场反馈和经济效益的制造业总称。
“绿色技术创新”一词最早是由学者Brawn和Wield提出，是指企业为减少污染排放和能源消耗及提升环境竞争力，有目的地将研发投资偏向绿色技术的研发，并将绿色环保专利技术和绿色工艺充分运用于生产、经营及销售过程中的一系列创新活动。[5]罗良文和梁圣蓉提出绿色技术创新与传统技术创新最大的不同点在于在研究中引入了环境因素。[6]绿色技术创新效率是考虑环境因素影响的技术创新活动的投入产出比，对非期望产出予以充分重视，看重人力、财力的综合运用，更能客观反映技术创新的环境效益情况。学者们关于绿色技术创新的研究主要围绕区域视角[7-8]、行业视角[9-10]和企业视角[11-12]三个层面展开，也有少部分学者从政府视角对绿色技术创新效率进行研究[13-14]。综合来看，区域视角和行业视角是学者们进行研究的主要视角且多将两种视角相结合进行研究，但细化到国家战略区和国家重点发展行业的研究并不多见，特别是针对长三角区域新规划范围和先进制造业的深入探讨屈指可数，仍需进行深挖。学者们关于绿色技术创新效率评价指标的研究较为完善，且基本保持一致[15-17]，投入指标多从人力和财力两个方面考虑，普遍采用R&D人员全时当量体现人力投入水平，R&D经费内部支出体现财力投入水平。期望产出指标多采用与经济效益相关的指标，多通过非期望产出的形式体现绿色的概念，但多数非期望产出指标都是相关污染物排放量的简单加总或算术平均，对实证结果可能产生一定影响。绿色技术创新效率评价方法主要包括SFA[18]和DEA方法[19]，学者们从单阶段到两阶段，开展多阶段研究，其中两阶段方法[16]将整个过程分为研发阶段和转化阶段，能够直观地体现绿色技术创新的过程。综上，基于非期望产出的网络SBM-DEA模型[20]既解决了投入产出的松弛问题，又综合考虑了非期望产出与多阶段的生产过程，是测算先进制造业绿色技术创新效率较为合适的评价方法。
本文研究特色在于，不同于以往仅对相关污染物排放量的简单加总或算术平均处理，而是利用熵值法计算环境污染指数作为非期望产出指标，使得绿色技术创新效率测算指标选择更加科学全面，并且分别从静态和动态两个视角出发，采用网络SBM-DEA模型和Malmquist指數模型对长三角区域先进制造业绿色技术创新的静态效率和动态效率情况进行综合分析，为推动长三角区域先进制造业高质量发展提供借鉴。
二、模型构建
（一）绿色技术创新效率指标体系构建
选择技术创新过程的两阶段划分方式，拟对长三角区域先进制造业的绿色技术创新效率进行深入的实证分析。长三角区域先进制造业绿色技术创新分为以下两个阶段：（1）科技研发阶段是第一阶段。是指企业为实现技术进步或新知识积累，进行一系列自主创新活动的过程，该阶段一般会产出专利、论文、著作权等实质性科技成果。该阶段的投入产出情况能够体现研发能力和质量。（2）成果转化阶段是第二阶段。是指企业将上一阶段产出的科技成果应用于生产制造后产生的新产品进入市场并产生经济回报的过程。值得关注的是，随着可持续发展观和高质量发展的深入落实，绿色生产已成为评价企业高质量发展的重要标准之一。因此，在测算成果转化阶段效率时，将环境因素纳入评价框架更符合高质量发展的要求。基于此，本文构建了长三角区域先进制造业绿色技术创新效率评价指标体系，如图1所示。 <e：＼商务部＼严＼师大文科学报-人文社会科学版2021＼2021年第5期＼田泽 - 7.1-5D2E＼image1.png>
图1 长三角区域先进制造业绿色技术创新过程
在梳理国内外相关研究的基础上，评价体系构建时遵循简明科学性、全面系统性以及可行、可比、可量化性，考虑研究定性与定量相结合、静态与动态相结合的特点以及绿色技术创新过程的两阶段划分方式，评价指标由科技研发阶段的投入产出指标和成果转化阶段的投入产出指标两部分构成。
（1）科技研发阶段的投入指标：选取R&D人员折合全时当量（X1）作为科技研发阶段的人力投入指标，选取R&D经费内部支出（X2）评价科技研发阶段的财力投入。由于R&D经费产生影响往往需要经过一段时间，具有一定的时间滞后效应，因此该指标采用存量指标，利用永续盘存法进行处理[21]，并用研发价格指数[22]将其转化为2012年为基期的不变价格指标。
（2）科技研发阶段的产出指标：选取专利情况来衡量科技研发阶段的产出成果，以专利申请数（Z1）和有效发明专利数（Z2）为代表。企业的专利申请即使未获得批准，也体现了企业正积极开展科技研发工作，会对其后期进行的各项工作产生正向的影响。有效发明专利数量不仅说明了企业在技术质量上的上升，也体现了市场竞争能力和未来发展的潜力。这两项指标也是国际通用的衡量科技产出的指标[23]。
（3）成果转化阶段的投入指标：研发投入和非研发投入。一般来说，科技研发阶段产生的科技成果并不会直接从整个创新系统中撤出，一般会作为一种技术研发投入被进行深层次的开发，从而继续为整个技术创新过程服务。因此，第一阶段产出的专利申请数（Z1）和有效发明专利数（Z2）可以作为成果转化阶段的研发投入继续参与创新过程。非研发投入包括人力投入和财力投入，选取先进制造业从业人员（N1）作为人力投入。财力投入方面，目前，亚洲国家主要通过引进技术、消化吸收和再创新的模式实现技术赶超[24]，这就产生了技术引进转化经费（N2）作为成果转化阶段的追加投入（技术引进转化经费=购买境内技术经费支出+技术改造经费支出+引进境外技术经费支出+引进境外技术的消化吸收经费支出）。技术引进转化经费的处理方法与X2类似，同样选择2012年为基期进行平减。
（4）成果转化阶段的产出指标：成果转化阶段的产出包括期望产出和非期望产出。在借鉴大多数研究成果的基础上，选取新产品销售收入（Y1）和先进制造业利润总额（Y2）来衡量成果转化阶段的期望产出，以2012年为基期，运用PPI平减新产品销售收入，利用GDP指数对利润总额进行平减。为体现绿色创新，选取工业废水、工业二氧化硫以及工业烟（粉）尘的排放量衡量非期望产出，借鉴韩晶[25]的做法，对工业废水、工业二氧化硫和工业烟（粉）尘排放量进行无纲化处理，利用熵值法[26]测算长三角区域先进制造业历年的环境污染指数（Y3），作为非期望产出指标纳入到指标体系。
综上，借鉴李金华[4]和孙金秀[27]等人的研究，选取仪表制造业，计算机、通信和其他电子设备制造业，电气机械和器材制造业，铁路、船舶、航空航天和其他运输设备制造业，专用设备制造业，通用设备制造业，金属制品业，医药制造业，化学原料和化学制品制造业，石油、煤炭及其他燃料加工业共计10个制造业子行业表示先进制造业，并构建了如表1所示的由5个一级指标，9个二级指标构成的绿色技术创新效率评价指标体系。此外，考虑到投入产出的转化具有时间滞后性，将产出指标均采取滞后一期的处理方法。因此科技研发阶段的投入、中间产出（包括非研发投入）、成果转化阶段的产出分别对应的年份为2012—2016年、2013—2017年和2014—2018年。
（二）网络SBM-DEA模型
传统的DEA模型只有一个投入产出系统，只能同时对一个阶段进行研究，不能完全满足本文对创新效率评价的需要。为此学者开始将非期望产出纳入评价模型中，解决传统DEA模型无法处理非期望产出的问题[28]。网络SBM模型不但处理了非期望产出，又解决了先进制造业涉及的多阶段复杂网络生产过程的效率测算问题[29]，是测算先进制造业绿色技术创新效率较为合适的评价方法[20]。
假设[DMUj（j=1，2，…，n）]在[k]阶段的投入为[xkij=xk1j，xk2j，…，xkij]，中间变量为[zk-1，ktj=zk-1，k1j，zk-1，k2j，…，zk-1，ktj]，期望和非期望产出分别为[ykrj=yk1j，yk2j，…，ykrj]、[ukpj=uk1j，uk2j，…，ukpj]。考虑到环境约束后，引入投入、期望和非期望产出的松弛变量[Sk-i、Skg+r、Skb+p]，绿色技术创新效率模型表示为：
[ρ*0=minλk，sk-i，skg+r，skb+pk=1KWk1-1IKi=1IKSk-ixki0/k=1Kwk1+1RK+PKr=1RKSkg+rykr0+p=1PKSkb+pukp0 s.t.xk0=Xkλk+Sk-i，k=1，…，Kyk0=Ykλk-Skg+r，k=1，…，Kuk0=Ukλk+Skb+p，k=1，…，KZk-1，kλk-1=Zk-1，kλk?k-1，k∑λk=1，Sk-i，Skg+r，Skb+p，λ>0] （1）
其中，[Wk]为提前确定的权重，当且仅当[ρ*0=1、Sk-i=Skg+r=Skb+p=0]时，每个[DMU]的整体绿色技术创新效率[ρ*0]有效率。当投入、产出指标具有连续性时，模型在效率测算时可以做到各阶段不互相约束，第[K]阶段的效率如式（2）所示，其中[Sk-*i、Skg+*r、Skb+*p]是投入、期望和非期望产出的最优解： [ρk=1-1IKi=1IKSk-*ixki0/1+1RK+PKr=1RKSkg+*rykr0+p=1PKSkb+*pukp0] （2）
（三）Malmquist指数模型
网络SBM-DEA模型有效处理了静态的绿色技术创新效率的测算问题，而由统计学家Malmquist提出的用以分析跨时期消费情况的Malmquist指数模型则可以评价效率的变化情况[30]。此后该模型不断发展[31]，与DEA方法相结合，构造了全要素生产率指数（[TFP]），成为评价生产要素时间变化的重要工具。
设[Dtxt，yt]和[Dt+1xt+1，yt+1]分别是以[t]期和[t+1]期为比较基础的距离函数，用[xt]和[xt+1]表示[t]期和[t+1]期的投入向量，用[yt]和[yt+1]表示[t]期和[t+1]期的产出向量，以[t]期为例，[Dt+1xt+1，yt+1]表示[t+1]时期的[DMU]在[t]时与效率前沿面的偏差，F?re考虑到随意选择基期会导致结果的偏差，将[TFP]指数、技术进步指数（Technical Change， TC）和技术效率变动指数（Efficiency Change， EC）定义如下[31]。
[TFP=Dtxt+1，yt+1Dtxt，yt×Dt+1xt+1，yt+1Dt+1xt，yt=TC×EC] （3）
[TC=Dtxt+1，yt+1Dt+1xt+1，yt+1×Dtxt，ytDt+1xt，yt]，[EC=Dt+1xt+1，yt+1Dtxt，yt] （4）
其中，[TC]表示相同投入产出情况下的不同基期选择所得效率值的差异状况，称为“前沿面移动效应”，用于考察技术水平的提升衰减情况。[EC]是决策单元前期与后期距离函数值的比，纯粹地反映两个时期效率值的变化情况，称为“追赶效应”，含义是管理水平的提升衰减情况。
三、实证分析
（一）绿色技术创新效率值测度结果与分析
基于构建的绿色技术创新效率指标体系，采用网络SBM-DEA模型，借助MaxDEA Ultra 8.3.5软件，对2012—2018年长三角区域三省一市，即江苏省、浙江省、安徽省和上海市先进制造业绿色技术创新整体阶段以及细分的科技研发阶段和成果转化阶段的静态效率进行测算，并从时间维度和空间维度进行综合分析和深入探讨，进而对长三角区域先进制造业绿色技术创新效率总体情况及差异性展开分析。其中，第一次网络SBM-DEA的测算结果出现了绝大多数效率值为1的情况，即DEA有效。为区分不同区域的有效程度，在此基础上采用超效率网络SBM-DEA模型进行了第二次测算，超效率网络SBM-DEA模型能够对多个有效的决策单元进行比较排序。因此，超效率网络SBM-DEA模型的结果允许大于1。
1.整体阶段的静态效率分析
根據表2，2012—2018年长三角区域三省一市先进制造业整体阶段的绿色技术创新静态效率，总体上处于逐年稳定上升的趋势。这表明“创新、协调、绿色、开放、共享”五大发展理念在长三角区域得到有效的贯彻实施，效率提升的同时环境治理也得到重视，长三角先进制造业绿色技术创新水平朝着良好方向发展。其中，浙江省先进制造业整体阶段的绿色技术创新效率年度均值为1.3188，在长三角区域中处于较高水平，而江苏省的年度均值仅为0.8273，处于较低水平。
从时间趋势来看，江苏省先进制造业的绿色技术创新效率在2012—2014年为0.8539，在2012—2018年期间达到的最大值，2013—2015年相较于上一年的效率值出现了5.86%的下降，但之后的2014—2018年效率值持续上升，说明江苏省意识到先进制造业绿色技术创新的重要性，采取了相应的措施，但整体的绿色创新效率仍然较低。浙江省和上海市先进制造业的绿色技术创新效率均呈现出波动上升的趋势，年度均值分别为1.3188和1.1779，表明了其绿色技术创新效率相对较高，但也应注重投入产出的稳定性，保证本省（市）先进制造业绿色技术创新水平的持续向好。安徽省先进制造业2013—2015年的绿色技术创新效率相较于2012—2014年出现了较大程度的上升，但此后其绿色技术创新效率呈现逐年下降的趋势，因此，安徽省应注意其先进制造业的绿色技术创新投入产出状况，积极提高绿色技术创新效率。
从空间上看（图2），地处长三角区域西部和南部位置的安徽省、浙江省，两者先进制造业绿色技术创新效率在2012—2018年间交替领跑长三角区域，最终浙江省以年度均值1.3188，安徽省以年度均值1.2624分别位于长三角区域的第一名和第二名，且均高于平均值1.1466，而位于长三角区域东部和北部位置的上海市、江苏省则以1.1779和0.8273的年度均值分别位列长三角区域的第三名和第四名。总体上，长三角区域先进制造业的绿色技术创新效率呈现西南高、东北低的分布特点。值得注意的是，江苏省先进制造业绿色技术创新效率的年度均值远低于长三角区域的平均值，说明了江苏省先进制造业的绿色技术创新水平相对较低，值得引起重视。通过K-means聚类方法，将长三角区域省（市）先进制造业整体阶段绿色技术创新效率分成相对低效、相对高效两大类（表2），其中江苏省先进制造业整体阶段绿色技术创新效率处于相对低效状态;浙江省、安徽省和上海市效率则相对较高。浙江省先进制造业的绿色技术创新效率最高，安徽省和上海市由于毗邻浙江省，接收到浙江省先进制造业绿色技术创新的扩散效应和溢出效应的影响较多，因此安徽省和上海市的技术创新效率也相对较高。长三角区域省（市）先进制造业整体阶段绿色技术创新效率的K-means聚类结果和其空间分布特征保持一致。
2.科技研发阶段的静态效率分析
科技研发主要是技术创新的过程，因此绿色技术创新静态效率可以理解为技术创新效率。根据表3，总体上，先进制造业科技研发阶段的技术创新效率整体并不稳定，甚至出现了一定程度的下降。安徽省以年度均值1.0633位于长三角区域的榜首，说明安徽省先进制造业对技术创新的高度重视。浙江省和上海市2012—2017年先进制造业技术创新效率值均为1，处于区域的中间水平。江苏省的年度均值仅为0.6546，远低于其他省市的年度均值，说明江苏省先进制造业对技术创新环节重视程度减弱，其技术创新水平和技术创新意识亟待加强，这也解释了江苏省先进制造业整体阶段的绿色技术创新效率较低的原因。 具体来看，从时间趋势，江苏省先进制造业科技研发阶段的技术创新效率从2012—2013年的0.7079下降到2016—2017年的0.6765，说明江苏省应当充分保障先进制造业的科技人员和经费支持，为先进制造业技术创新提供稳定支撑，同时重视科技成果的产出。浙江省和上海市先进制造业科技研发阶段的技术创新效率常年稳定在1，说明其技术创新过程较为稳定，应当继续保持并适当发力。安徽省2012—2017年先进制造业科技研发阶段的技术创新效率先升再降，但整体上处于长三角区域的领先水平，这与安徽省近年来加大对先进制造业科技研发的重视、科研机构逐年增加以及相关政策扶持密切相关。
从空间上看（图3），2012—2017年安徽省先进制造业技术创新效率均大于等于1，处于长三角区域第一名，浙江省和上海市保持稳定的技术创新效率，并列位于第二名。安徽省、浙江省和上海市的先进制造业科技研发阶段的技术创新效率值的差异很小，先进制造业科技研发效率水平表现相对均衡。但江苏省由2012—2013年的0.7079下降到2016—2017年的0.6765，下降了4.44%，处于长三角区域的最低水平，这也是其整体阶段绿色技术创新效率值最低的重要原因。通过K-means聚类方法，将长三角区域省（市）的先进制造业科技研发阶段绿色技术创新效率分成相对低效、相对高效两大类（表3），其中江苏省先进制造业科技研发阶段绿色技术创新效率处于相对低效状态;浙江省、安徽省和上海市效率则相对较高。长三角区域先进制造业科技研发阶段的技术创新效率呈现西高东低的特点，和整体阶段绿色技术创新效率的空间分布特征基本保持一致。
3.成果转化阶段的静态效率分析
成果转化阶段是考虑环境因素的创新成果转化过程，因此该阶段的效率可以理解为绿色创新效率。从表4可以发现，长三角区域先进制造业成果转化阶段的绿色创新效率呈先下降再上升的趋势。浙江省以年度均值1.1753，位于长三角区域的榜首，上海市与江苏省较为接近，上海市的年度均值为1.0011，略高于江苏省的1.0000。安徽省在成果转化阶段并没有像科技研发阶段一样表现突出，以0.9857位于长三角区域的末位，说明其成果转化的意识还需加强。
具体来看，从时间维度来看，江苏省先进制造业成果转化阶段的绿色创新效率在2013—2018年期间一直稳定在1，说明江苏省在成果转化方面一直较为稳定。浙江省和上海市2013—2018年先进制造业的绿色创新效率一直处于稳步上升的状态，这说明浙江省和上海市均重视科技成果的绿色转化，也与其地理位置的邻近、经济发展资源相似有关。但浙江省的增长率达到30.35%，显然浙江省先进制造业的绿色创新效率增长更为显著。不同于其他省市的稳定或上升，安徽省2013—2018年先进制造业成果转化阶段的绿色创新效率下降了22.43%，說明安徽省近年来过于重视科技成果的产出，但忽视了其投入市场时的经济效益和环境效益，这是典型的先进制造业发展初期阶段的表现。
2013—2018年浙江省先进制造业成果转化阶段绿色技术创新效率明显高于其他省市且增长迅猛，在2014年以后一直处于长三角区域第一名。上海市总体呈上升趋势，处于长三角区域的第二名。虽然安徽省的先进制造业科技研发阶段绿色技术创新效率值处于长三角区域第一名，但可能由于过于重视科技成果的产出，成果转化意识较为薄弱，其成果转化阶段绿色技术创新效率值位居长三角区域最后一名。通过K-means聚类方法，将长三角区域省（市）的先进制造业成果转化阶段绿色技术创新效率分成相对低效、相对高效两大类（表4），其中浙江省先进制造业成果转化阶段绿色技术创新效率处于相对高效状态;江苏省、上海市和安徽省效率则相对较低。
（二）基于Malmquist指数模型的动态效率分析
在对2012—2018年长三角区域三省一市先进制造业绿色技术创新整体阶段、科技研发阶段和成果转化阶段的静态效率分析基础上，借助MaxDEA Ultra 8.3.5软件，利用动态的Malmquist指数模型测算长三角区域先进制造业绿色技术创新的全要素生产率（TFP），并从长三角区域整体和省（市）两个角度展开分析，从而全面分析长三角区域先进制造业的绿色技术创新的动态效率。
1.长三角区域整体动态效率分析
根据图4，2012—2018年长三角区域先进制造业整体阶段的全要素生产率指数（TFP）为1.0634，整体上呈现波动上升的趋势，但2013—2016年由于技术进步指数（TC）的增长使得该阶段TFP大幅上升。另外，技术效率变动指数（EC）也大于1，说明长三角区域先进制造业技术效率增长较快，但波动的TC说明长三角区域先进制造业技术进步波动较大，应注重保持先进制造业绿色技术创新过程中稳定的人力和财力投入，减少技术进步不稳定对全要素生产率的影响。
从子阶段的效率来看，科技研发阶段EC指数低于TC指数说明了科技研发阶段技术创新得到较大进步，成果转化阶段EC和TC指数的变化则相对协调。整体上看，2012—2018年长三角区域先进制造业科技研发阶段的TFP指数为1.0448，高于成果转化阶段的1.0182，说明长三角区域先进制造业科技研发的效率增长速度高于成果转化的效率增长速度。
2.长三角区域省（市）动态效率分析
根据表5，可以发现上海市先进制造业整体阶段的TFP指数为1.3833，远高于平均值1.0634，表明上海市先进制造业整体阶段的绿色技术创新全要素生产率呈增长态势，并且上海市先进制造业全要素生产率增长速度最为迅速。而江苏省和浙江省则由于TC指数较低的影响，拉低了其TFP指数，使得江苏省和浙江省整体阶段的TFP指数低于1，未达到效率前沿面，并且低于长三角区域的平均水平。说明江苏省和浙江省面临技术进步停滞不前甚至可能倒退的风险。可以看到，各省市技术进步与技术效率之间存在差异，尤其是江苏省和浙江省，这说明先进制造业在发展过程中虽然形成了有效的投入产出结构，但其技术的开发还存在不足，现有的技术无法使绿色技术创新全要素生产率得到快速提升。因此，要提高长三角区域三省一市先进制造业整体阶段的TFP指数，需要继续加强对科技研发投入的力度。 从子阶段的效率来看，在科技研发阶段，江苏省、安徽省和上海市TFP值均大于1，即全要素生产率进步，技术进步是促进科技研发阶段TFP提高的主要原因。而浙江省则由于TC指数较低，其TFP指数也低于1，表现出全要素生产率退步的情况。说明浙江省先进制造业在科技研发阶段技术进步并不明显，有很大的提升空间。在成果转化阶段，江苏省受TC指数的影响，表现出全要素生产率退步的情况，安徽省则由于EC指数的下降拉低了其全要素生产水平，说明安徽先进制造业的绿色技术创新资源配置水平有待提升，组织管理水平需要提高。
四、结论及启示
以2012—2018年長三角区域先进制造业的绿色技术创新活动作为研究对象，构建先进制造业绿色技术创新效率指标体系，并综合运用网络SBM-DEA模型和Malmquist指数模型，分别测算了长三角区域先进制造业绿色技术创新不同阶段的绿色技术创新效率和绿色全要素生产率，分析长三角区域先进制造业绿色技术创新的静态和动态水平及时空分布情况，具体结论如下：第一，根据静态效率测算结果，2012—2018年长三角区域的绿色技术创新效率整体上呈现稳定上升的趋势，先进制造业科技研发阶段技术创新效率偏低是其绿色技术创新效率水平偏低的根源所在。值得注意的是，江苏省、浙江省、上海市都出现了不同程度的波动，安徽省更是呈现出下降的趋势。进一步从空间维度来看，长三角区域先进制造业的绿色技术创新水平整体水平较高，但并没有实现均衡发展。第二，基于Malmquist指数模型的动态效率测算结果，近年来长三角区域的全要素生产率呈现出波动上升的状态。2013—2016年的TFP指数出现小高峰，TC大于EC，说明技术进步水平的提高显著促进了全要素生产率的增长。长三角区域先进制造业科技研发的效率增长速度高于成果转化的效率增长速度，长三角区域先进制造业要注意提升成果转化阶段科研成果的转化水平。
长三角区域先进制造业绿色技术创新效率测算和时空分析对提升其先进制造业绿色技术创新效率，实现经济高质量发展具有重要启示。首先，长三角区域的技术创新效率整体偏低，特别是江苏省的技术进步水平亟待提高。对于长三角区域，尤其是江苏，要进一步发挥人才和资金对先进制造业技术创新活动的基础保障作用，加大对创新能力突出的科研人才及科研机构的政策和资金倾斜力度，保证先进制造业技术研发的人才储备和资金支持，企业、高等院校和科研院所等多主体共建技术创新联盟，建立人才协同共享机制[32]，加快技术研发速度，提升技术创新成果持续产出的能力和效率。其次，长三角区域中安徽省的成果转化效率较慢，其技术创新成果未能充分转化为经济效益，产出过程中的污染物排放也未得到合理的控制，科研成果转化水平还需进一步提升。安徽省需要通过优化绿色技术创新的资源配置，提升科技成果转移转化市场化服务水平，加快建立高等院校、科研院所与企业主体的合作创新体系，推动科技成果转移转化速度，同时在成果转化阶段贯彻落实绿色环保意识，减少转化过程中的非期望产出，推动污染物的绿色转化和再利用，提高绿色技术创新效率。最后，在长三角区域先进制造业生产发展过程中，应重视区域内省市发展存在的不均衡问题，加快苏浙皖沪三省一市经济的协同发展，提高区域整体的绿色技术创新效率。同时政府相关管理部门应建立健全绿色技术创新科学考核体系，综合考核各省市先进制造业的绿色技术创新绩效，促进科技、经济与生态三者的全面协调可持续，进而实现先进制造业的高质量发展。
参考文献：
[1] 李玉婷，祝志勇. 制度供给与中国地区绿色创新效率[J].北京理工大学学报（社会科学版），2019，21（1）：50-58.
[2] 黄烨菁. 何为“先进制造业”？——对一个模糊概念的学术梳理[J]. 学术月刊， 2010（7）：87-93.
[3] 于波， 李平华. 先进制造业的内涵分析[J]. 南京财经大学学报， 2010（6）： 23-27.
[4] 李金华.中国先进制造业技术效率的测度及政策思考[J].中国地质大学学报（社会科学版），2017，17（4）：104-116.
[5] Ernest Brawn， David Wield. Regulation as a Means For the Social Control of Technology [J]. Technology Analysis & Strategic Management， 1994， 6（3）： 259-272.
[6] 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.
[7] Costantini V， Crespi F， Palma A. Characterizing the policy mix and its impact on eco-innovation： A patent analysis of energy-efficient technologies[J]. Research Policy， 2017， 46（4）：799-819.
[8] 易明，程晓曼.长江经济带城市绿色创新效率时空分异及其影响因素[J].城市问题，2018（8）：31-39.
[9] Barros C P ， Liang Q B ， Peypoch N. The technical efficiency of US Airlines[J]. Transportation Research Part A， 2013， 50：139-148.
[10] 张峰，史志伟，宋晓娜，等.先进制造业绿色技术创新效率及其环境规制门槛效应[J].科技进步与对策，2019，36（12）：62-70.
[11] Zailani S， Iranmanesh M， Nikbin D， et al. Determinants and environmental outcome of green technology innovation adoption in the transportation industry in Malaysia[J]. Asian Journal of Technology Innovation， 2014， 22（2）：286-301. [12] 何枫，祝丽云，马栋栋，等.中国钢铁企业绿色技术效率研究[J].中国工业经济，2015（7）：84-98.
[13] 朱建峰，郁培丽，石俊国.绿色技术创新、环境绩效、经济绩效与政府奖惩关系研究——基于集成供应链视角[J].预测，2015，34（5）：61-66.
[14] 曹霞，张路蓬.企业绿色技术创新扩散的演化博弈分析[J].中国人口·资源與环境，2015，25（7）：68-76.
[15] 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（1）：26-43.
[16] 张洪潮，李芳，张静萍.资源型区域工业企业两阶段技术创新效率评价——基于绿色增长视角[J].科技管理研究，2017，37（8）：69-76.
[17] 刘旭红.区域工业绿色发展水平评价指标体系框架设计[J].广西财经学院学报，2017，30（4）：50-56.
[18] 肖黎明，张仙鹏.强可持续理念下绿色创新效率与生态福利绩效耦合协调的时空特征[J].自然资源学报，2019，34（2）：312-324.
[19] Guan J， Chen K. Modeling macro-R&D production frontier performance： an application to Chinese province-level R&D[J]. Scientometrics， 2010， 82（1）： 165-173.
[20] 祝丽云，何枫，张庆芝，等.考虑非期望产出的网络SBM-DEA效率评价模型[J].统计与决策，2015（11）：56-58.
[21] 黄奇，苗建军，李敬银，等.基于绿色增长的工业企业技术创新效率空间外溢效应研究[J].经济体制改革，2015（4）：109-115.
[22] 朱有为，徐康宁.中国高技术产业研发效率的实证研究[J].中国工业经济，2006（11）：38-45.
[23] 方福前，张平.我国高技术产业的投入产出效率分析[J].中国软科学，2009（7）：48-55.
[24] 吴东，吴晓波.技术追赶的中国情境及其意义[J].自然辩证法研究，2013，29（11）： 45-50.
[25] 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.
[26] 何强，孔芳霞，文传浩.绿色创新对水生态文明建设的空间溢出效应——基于2004—2018年我国30个省的面板数据[J].浙江树人大学学报（人文社会科学），2020，20（3）：48-56+78.
[27] 孙金秀.我国现代流通业与先进制造业协同性测度与评价研究[J].商业经济与管理，2016（6）：15-24.
[28] Chung Y H， Fare R， Grosskopf S. Productivity and Undesirable Outputs： A Directional Distance Function Approach[J]. Journal of Environmental Management， 1997，51（3）：229-240.
[29] Tone K， Tsutsui M. Network DEA： A slacks-based measure approach[J]. European Journal of Operational Research， 2009， 197（1）：243-252.
[30] Malmquist S. Index numbers and indifference surfaces[J]. Trabajos De Estada， 1953，4（2）：209-242.
[31] Rolf F， Grosskopf S， Norris M， et al. Productivity Growth， Technical Progress， and Efficiency Change in Industrialized Countries[J]. American Economic Review，1994，84（1）：66-83.
[32] 程婷，许振晓.长三角地区人才政策协同化发展的问题及对策[J].浙江树人大学学报（人文社会科学），2020，20（6）：63-71.
责任编辑：孔庆洋
摘 要：绿色技术创新是实现碳达峰和碳中和的根本保证，长三角先进制造业的发展更具有示范性。通过构建先进制造业绿色技术创新效率的两阶段评价指标体系，测算了长三角区域先进制造业不同阶段的绿色技术创新效率和绿色全要素生产率（TFP）。研究发现：（1）长三角区域整体先进制造业绿色技术创新效率呈逐步上升，且具有西南高东北低的分布特点，科技研发阶段的效率偏低是影响整体效率的根源所在;（2）不同于江浙沪省市转化效率高于研发效率的情况，安徽省先进制造业更重视技术知识的积累，而效益的转化相对较弱;（3）长三角区域整体TFP指数呈波动上升趋势，除2013—2016年以外，其他年份的技术进步水平有待提高;（4）长三角区域先进制造业科技研发阶段的效率增长速度高于成果转化阶段。为此，建议提升成果转化阶段的科研成果转化水平，促进长三角区域经济协同发展和共建技术创新联盟。
中图分类号：F062.2;F062.4 文献标志码：A 文章编号：1001-2435（2021）05-0137-11
Green Technology Innovation Efficiency of the Advanced Manufacturing Industry in the Yangtze River Delta Region
TIAN Ze， WANG Ruo-mei， XIAO Qin-wen， REN Fang-rong（Business School， Hohai University， Nanjing 210098， China）
Key words： the Yangtze River Delta; advanced manufacturing industry; green technology innovation efficiency;Malmquist index
Abstract： Green technology innovation is the fundamental guarantee to achieve carbon peak and carbon neutratity， and the development of the advanced manufacturing industry in the Yangtze River Delta is more demonstrative. The green technology innovation efficiency and green total factor productivity （TFP） in different stages of advanced manufacturing in the Yangtze River Delta region were measured by constructing a two-stage evaluation index system of green technology innovation efficiency of advanced manufacturing. The conclusions are as follows： （1） On the whole， the green technology innovation efficiency of advanced manufacturing industry in the Yangtze River Delta region is gradually increasing with charatoristics of higher in the southuest and lower in the northeast. The low efficiency in the stage of technology development is the root cause that affects the efficiency of the whole stage. （2） Different from Jiangsu， Zhejiang and Shanghai， the advanced manufacturing industry in Anhui pays more attention to the accumulation of technical knowledge， while the conversion of benefits is relatively weak. （3） The overall TFP index in the Yangtze River Delta region shows a volatile upward trend. Except for 2013-2016， the level of technological progress in other years needs to be improved. （4） The efficiency growth rate in the stage of the technology development of the advanced manufacturing industry in the Yangtze River Delta region is higher than that in the stage of achievement transformation. And suggestions such as promoting the coordinated economic development and establishing technological innovation alliances are proposed. ——————————————————————————————————————————
一、引 言
随着新一轮科技变革加速到来，全球产业转型和产业价值链重塑进程不断加速，世界各国聚焦制造业新发展，如日本“制造业白皮书”、欧盟“科技创新投入计划”、德国“工业4.0”发展战略、美国“先进制造业伙伴计划”等，通过包括技术创新在内的各种途径加速制造业创新发展，争取率先抢占制造业发展制高点。中国作为“制造业大国”，传统制造业长期依赖的“高投入、高排放、高污染、低效益”的要素驱动型发展模式弊端逐渐凸显。为此，《中国制造2025》提出要加快传统制造业转型升级，并着力推进先进制造业跨越式发展。因此，如何促进先进制造业高质量发展成为重要课题。
“十三五规划”强调坚持“创新、协调、绿色、开放、共享”五大发展理念，将创新作为首要动力，以绿色作为必要保障[1]。十九大报告也明确“绿水青山就是金山银山”的发展理念，提出保护自然环境与节约资源，实现经济高质量发展。先进制造业发展的影响因素包括要素禀赋、资本结构、技术进步水平等，从可持续发展的现实需求来看，绿色技术创新，将创新、绿色的发展理念有机融合，是推动先进制造业增长与生态环境保护有机统一的关键。提升绿色技术创新效率是实现我国先进制造业高质量发展和资源环境协调的重要途径。那么，目前国内先进制造业绿色技术创新发展现状究竟如何？如何提升其绿色技术创新效率呢？因此，有必要对先进制造业绿色技术创新效率情况及其影响因素进行深入探讨。
长三角区域，作为中国经济总量规模最大、经济发展速度最快、最具有发展潜力的经济板块，其制造业基础雄厚。2019年12月1日印发的《长江三角洲区域一体化发展规划纲要》明确指出，强化区域之间优势产业的相互协作，打造在世界范围内具有强劲竞争力和显著影响力的先进制造业基地。由此可见，以长三角区域为例，对其先进制造业绿色技术创新效率的研究具有典型性，这也将对其他区域先进制造业的高质量发展起到积极的示范作用和借鉴意义。
由于先进制造业处于发展阶段，学术界尚未对此形成一个明确统一的定义。黄烨菁认为先进制造业包含两个层面，一是信息革命、技术革命成果与生产方式的融合，二是多元丰富的国际制造品的需求。[2]于波等认为先进制造业是在产业层次、技术、管理、模式等方面区别于传统制造业，其重要特征是产业具备高端性、技术先进性、管理现代性和生产模式的创新性。[3]李金华认为先进制造业是指产品的研发、设计、生产、检测、服务和管理过程中运用电子信息、计算机、新材料等现代科学技术和管理技术的制造行业。[4]借鉴上述的研究，本文认为，先进制造业是在产品的研发、生产、管理和服务等全过程中不断吸收并运用材料科学、计算机网络、自动化机械、电子信息等先进技术和创新成果，从而实现自动化、生态化、智能化、信息化、柔性化生产取得良好市场反馈和经济效益的制造业总称。
“绿色技术创新”一词最早是由学者Brawn和Wield提出，是指企业为减少污染排放和能源消耗及提升环境竞争力，有目的地将研发投资偏向绿色技术的研发，并将绿色环保专利技术和绿色工艺充分运用于生产、经营及销售过程中的一系列创新活动。[5]罗良文和梁圣蓉提出绿色技术创新与传统技术创新最大的不同点在于在研究中引入了环境因素。[6]绿色技术创新效率是考虑环境因素影响的技术创新活动的投入产出比，对非期望产出予以充分重视，看重人力、财力的综合运用，更能客观反映技术创新的环境效益情况。学者们关于绿色技术创新的研究主要围绕区域视角[7-8]、行业视角[9-10]和企业视角[11-12]三个层面展开，也有少部分学者从政府视角对绿色技术创新效率进行研究[13-14]。综合来看，区域视角和行业视角是学者们进行研究的主要视角且多将两种视角相结合进行研究，但细化到国家战略区和国家重点发展行业的研究并不多见，特别是针对长三角区域新规划范围和先进制造业的深入探讨屈指可数，仍需进行深挖。学者们关于绿色技术创新效率评价指标的研究较为完善，且基本保持一致[15-17]，投入指标多从人力和财力两个方面考虑，普遍采用R&D人员全时当量体现人力投入水平，R&D经费内部支出体现财力投入水平。期望产出指标多采用与经济效益相关的指标，多通过非期望产出的形式体现绿色的概念，但多数非期望产出指标都是相关污染物排放量的简单加总或算术平均，对实证结果可能产生一定影响。绿色技术创新效率评价方法主要包括SFA[18]和DEA方法[19]，学者们从单阶段到两阶段，开展多阶段研究，其中两阶段方法[16]将整个过程分为研发阶段和转化阶段，能够直观地体现绿色技术创新的过程。综上，基于非期望产出的网络SBM-DEA模型[20]既解决了投入产出的松弛问题，又综合考虑了非期望产出与多阶段的生产过程，是测算先进制造业绿色技术创新效率较为合适的评价方法。
本文研究特色在于，不同于以往仅对相关污染物排放量的简单加总或算术平均处理，而是利用熵值法计算环境污染指数作为非期望产出指标，使得绿色技术创新效率测算指标选择更加科学全面，并且分别从静态和动态两个视角出发，采用网络SBM-DEA模型和Malmquist指數模型对长三角区域先进制造业绿色技术创新的静态效率和动态效率情况进行综合分析，为推动长三角区域先进制造业高质量发展提供借鉴。
二、模型构建
（一）绿色技术创新效率指标体系构建
选择技术创新过程的两阶段划分方式，拟对长三角区域先进制造业的绿色技术创新效率进行深入的实证分析。长三角区域先进制造业绿色技术创新分为以下两个阶段：（1）科技研发阶段是第一阶段。是指企业为实现技术进步或新知识积累，进行一系列自主创新活动的过程，该阶段一般会产出专利、论文、著作权等实质性科技成果。该阶段的投入产出情况能够体现研发能力和质量。（2）成果转化阶段是第二阶段。是指企业将上一阶段产出的科技成果应用于生产制造后产生的新产品进入市场并产生经济回报的过程。值得关注的是，随着可持续发展观和高质量发展的深入落实，绿色生产已成为评价企业高质量发展的重要标准之一。因此，在测算成果转化阶段效率时，将环境因素纳入评价框架更符合高质量发展的要求。基于此，本文构建了长三角区域先进制造业绿色技术创新效率评价指标体系，如图1所示。 <e：＼商务部＼严＼师大文科学报-人文社会科学版2021＼2021年第5期＼田泽 - 7.1-5D2E＼image1.png>
图1 长三角区域先进制造业绿色技术创新过程
在梳理国内外相关研究的基础上，评价体系构建时遵循简明科学性、全面系统性以及可行、可比、可量化性，考虑研究定性与定量相结合、静态与动态相结合的特点以及绿色技术创新过程的两阶段划分方式，评价指标由科技研发阶段的投入产出指标和成果转化阶段的投入产出指标两部分构成。
（1）科技研发阶段的投入指标：选取R&D人员折合全时当量（X1）作为科技研发阶段的人力投入指标，选取R&D经费内部支出（X2）评价科技研发阶段的财力投入。由于R&D经费产生影响往往需要经过一段时间，具有一定的时间滞后效应，因此该指标采用存量指标，利用永续盘存法进行处理[21]，并用研发价格指数[22]将其转化为2012年为基期的不变价格指标。
（2）科技研发阶段的产出指标：选取专利情况来衡量科技研发阶段的产出成果，以专利申请数（Z1）和有效发明专利数（Z2）为代表。企业的专利申请即使未获得批准，也体现了企业正积极开展科技研发工作，会对其后期进行的各项工作产生正向的影响。有效发明专利数量不仅说明了企业在技术质量上的上升，也体现了市场竞争能力和未来发展的潜力。这两项指标也是国际通用的衡量科技产出的指标[23]。
（3）成果转化阶段的投入指标：研发投入和非研发投入。一般来说，科技研发阶段产生的科技成果并不会直接从整个创新系统中撤出，一般会作为一种技术研发投入被进行深层次的开发，从而继续为整个技术创新过程服务。因此，第一阶段产出的专利申请数（Z1）和有效发明专利数（Z2）可以作为成果转化阶段的研发投入继续参与创新过程。非研发投入包括人力投入和财力投入，选取先进制造业从业人员（N1）作为人力投入。财力投入方面，目前，亚洲国家主要通过引进技术、消化吸收和再创新的模式实现技术赶超[24]，这就产生了技术引进转化经费（N2）作为成果转化阶段的追加投入（技术引进转化经费=购买境内技术经费支出+技术改造经费支出+引进境外技术经费支出+引进境外技术的消化吸收经费支出）。技术引进转化经费的处理方法与X2类似，同样选择2012年为基期进行平减。
（4）成果转化阶段的产出指标：成果转化阶段的产出包括期望产出和非期望产出。在借鉴大多数研究成果的基础上，选取新产品销售收入（Y1）和先进制造业利润总额（Y2）来衡量成果转化阶段的期望产出，以2012年为基期，运用PPI平减新产品销售收入，利用GDP指数对利润总额进行平减。为体现绿色创新，选取工业废水、工业二氧化硫以及工业烟（粉）尘的排放量衡量非期望产出，借鉴韩晶[25]的做法，对工业废水、工业二氧化硫和工业烟（粉）尘排放量进行无纲化处理，利用熵值法[26]测算长三角区域先进制造业历年的环境污染指数（Y3），作为非期望产出指标纳入到指标体系。
综上，借鉴李金华[4]和孙金秀[27]等人的研究，选取仪表制造业，计算机、通信和其他电子设备制造业，电气机械和器材制造业，铁路、船舶、航空航天和其他运输设备制造业，专用设备制造业，通用设备制造业，金属制品业，医药制造业，化学原料和化学制品制造业，石油、煤炭及其他燃料加工业共计10个制造业子行业表示先进制造业，并构建了如表1所示的由5个一级指标，9个二级指标构成的绿色技术创新效率评价指标体系。此外，考虑到投入产出的转化具有时间滞后性，将产出指标均采取滞后一期的处理方法。因此科技研发阶段的投入、中间产出（包括非研发投入）、成果转化阶段的产出分别对应的年份为2012—2016年、2013—2017年和2014—2018年。
（二）网络SBM-DEA模型
传统的DEA模型只有一个投入产出系统，只能同时对一个阶段进行研究，不能完全满足本文对创新效率评价的需要。为此学者开始将非期望产出纳入评价模型中，解决传统DEA模型无法处理非期望产出的问题[28]。网络SBM模型不但处理了非期望产出，又解决了先进制造业涉及的多阶段复杂网络生产过程的效率测算问题[29]，是测算先进制造业绿色技术创新效率较为合适的评价方法[20]。
假设[DMUj（j=1，2，…，n）]在[k]阶段的投入为[xkij=xk1j，xk2j，…，xkij]，中间变量为[zk-1，ktj=zk-1，k1j，zk-1，k2j，…，zk-1，ktj]，期望和非期望产出分别为[ykrj=yk1j，yk2j，…，ykrj]、[ukpj=uk1j，uk2j，…，ukpj]。考虑到环境约束后，引入投入、期望和非期望产出的松弛变量[Sk-i、Skg+r、Skb+p]，绿色技术创新效率模型表示为：
[ρ*0=minλk，sk-i，skg+r，skb+pk=1KWk1-1IKi=1IKSk-ixki0/k=1Kwk1+1RK+PKr=1RKSkg+rykr0+p=1PKSkb+pukp0 s.t.xk0=Xkλk+Sk-i，k=1，…，Kyk0=Ykλk-Skg+r，k=1，…，Kuk0=Ukλk+Skb+p，k=1，…，KZk-1，kλk-1=Zk-1，kλk?k-1，k∑λk=1，Sk-i，Skg+r，Skb+p，λ>0] （1）
其中，[Wk]为提前确定的权重，当且仅当[ρ*0=1、Sk-i=Skg+r=Skb+p=0]时，每个[DMU]的整体绿色技术创新效率[ρ*0]有效率。当投入、产出指标具有连续性时，模型在效率测算时可以做到各阶段不互相约束，第[K]阶段的效率如式（2）所示，其中[Sk-*i、Skg+*r、Skb+*p]是投入、期望和非期望产出的最优解： [ρk=1-1IKi=1IKSk-*ixki0/1+1RK+PKr=1RKSkg+*rykr0+p=1PKSkb+*pukp0] （2）
（三）Malmquist指数模型
网络SBM-DEA模型有效处理了静态的绿色技术创新效率的测算问题，而由统计学家Malmquist提出的用以分析跨时期消费情况的Malmquist指数模型则可以评价效率的变化情况[30]。此后该模型不断发展[31]，与DEA方法相结合，构造了全要素生产率指数（[TFP]），成为评价生产要素时间变化的重要工具。
设[Dtxt，yt]和[Dt+1xt+1，yt+1]分别是以[t]期和[t+1]期为比较基础的距离函数，用[xt]和[xt+1]表示[t]期和[t+1]期的投入向量，用[yt]和[yt+1]表示[t]期和[t+1]期的产出向量，以[t]期为例，[Dt+1xt+1，yt+1]表示[t+1]时期的[DMU]在[t]时与效率前沿面的偏差，F?re考虑到随意选择基期会导致结果的偏差，将[TFP]指数、技术进步指数（Technical Change， TC）和技术效率变动指数（Efficiency Change， EC）定义如下[31]。
[TFP=Dtxt+1，yt+1Dtxt，yt×Dt+1xt+1，yt+1Dt+1xt，yt=TC×EC] （3）
[TC=Dtxt+1，yt+1Dt+1xt+1，yt+1×Dtxt，ytDt+1xt，yt]，[EC=Dt+1xt+1，yt+1Dtxt，yt] （4）
其中，[TC]表示相同投入产出情况下的不同基期选择所得效率值的差异状况，称为“前沿面移动效应”，用于考察技术水平的提升衰减情况。[EC]是决策单元前期与后期距离函数值的比，纯粹地反映两个时期效率值的变化情况，称为“追赶效应”，含义是管理水平的提升衰减情况。
三、实证分析
（一）绿色技术创新效率值测度结果与分析
基于构建的绿色技术创新效率指标体系，采用网络SBM-DEA模型，借助MaxDEA Ultra 8.3.5软件，对2012—2018年长三角区域三省一市，即江苏省、浙江省、安徽省和上海市先进制造业绿色技术创新整体阶段以及细分的科技研发阶段和成果转化阶段的静态效率进行测算，并从时间维度和空间维度进行综合分析和深入探讨，进而对长三角区域先进制造业绿色技术创新效率总体情况及差异性展开分析。其中，第一次网络SBM-DEA的测算结果出现了绝大多数效率值为1的情况，即DEA有效。为区分不同区域的有效程度，在此基础上采用超效率网络SBM-DEA模型进行了第二次测算，超效率网络SBM-DEA模型能够对多个有效的决策单元进行比较排序。因此，超效率网络SBM-DEA模型的结果允许大于1。
1.整体阶段的静态效率分析
根據表2，2012—2018年长三角区域三省一市先进制造业整体阶段的绿色技术创新静态效率，总体上处于逐年稳定上升的趋势。这表明“创新、协调、绿色、开放、共享”五大发展理念在长三角区域得到有效的贯彻实施，效率提升的同时环境治理也得到重视，长三角先进制造业绿色技术创新水平朝着良好方向发展。其中，浙江省先进制造业整体阶段的绿色技术创新效率年度均值为1.3188，在长三角区域中处于较高水平，而江苏省的年度均值仅为0.8273，处于较低水平。
从时间趋势来看，江苏省先进制造业的绿色技术创新效率在2012—2014年为0.8539，在2012—2018年期间达到的最大值，2013—2015年相较于上一年的效率值出现了5.86%的下降，但之后的2014—2018年效率值持续上升，说明江苏省意识到先进制造业绿色技术创新的重要性，采取了相应的措施，但整体的绿色创新效率仍然较低。浙江省和上海市先进制造业的绿色技术创新效率均呈现出波动上升的趋势，年度均值分别为1.3188和1.1779，表明了其绿色技术创新效率相对较高，但也应注重投入产出的稳定性，保证本省（市）先进制造业绿色技术创新水平的持续向好。安徽省先进制造业2013—2015年的绿色技术创新效率相较于2012—2014年出现了较大程度的上升，但此后其绿色技术创新效率呈现逐年下降的趋势，因此，安徽省应注意其先进制造业的绿色技术创新投入产出状况，积极提高绿色技术创新效率。
从空间上看（图2），地处长三角区域西部和南部位置的安徽省、浙江省，两者先进制造业绿色技术创新效率在2012—2018年间交替领跑长三角区域，最终浙江省以年度均值1.3188，安徽省以年度均值1.2624分别位于长三角区域的第一名和第二名，且均高于平均值1.1466，而位于长三角区域东部和北部位置的上海市、江苏省则以1.1779和0.8273的年度均值分别位列长三角区域的第三名和第四名。总体上，长三角区域先进制造业的绿色技术创新效率呈现西南高、东北低的分布特点。值得注意的是，江苏省先进制造业绿色技术创新效率的年度均值远低于长三角区域的平均值，说明了江苏省先进制造业的绿色技术创新水平相对较低，值得引起重视。通过K-means聚类方法，将长三角区域省（市）先进制造业整体阶段绿色技术创新效率分成相对低效、相对高效两大类（表2），其中江苏省先进制造业整体阶段绿色技术创新效率处于相对低效状态;浙江省、安徽省和上海市效率则相对较高。浙江省先进制造业的绿色技术创新效率最高，安徽省和上海市由于毗邻浙江省，接收到浙江省先进制造业绿色技术创新的扩散效应和溢出效应的影响较多，因此安徽省和上海市的技术创新效率也相对较高。长三角区域省（市）先进制造业整体阶段绿色技术创新效率的K-means聚类结果和其空间分布特征保持一致。
2.科技研发阶段的静态效率分析
科技研发主要是技术创新的过程，因此绿色技术创新静态效率可以理解为技术创新效率。根据表3，总体上，先进制造业科技研发阶段的技术创新效率整体并不稳定，甚至出现了一定程度的下降。安徽省以年度均值1.0633位于长三角区域的榜首，说明安徽省先进制造业对技术创新的高度重视。浙江省和上海市2012—2017年先进制造业技术创新效率值均为1，处于区域的中间水平。江苏省的年度均值仅为0.6546，远低于其他省市的年度均值，说明江苏省先进制造业对技术创新环节重视程度减弱，其技术创新水平和技术创新意识亟待加强，这也解释了江苏省先进制造业整体阶段的绿色技术创新效率较低的原因。 具体来看，从时间趋势，江苏省先进制造业科技研发阶段的技术创新效率从2012—2013年的0.7079下降到2016—2017年的0.6765，说明江苏省应当充分保障先进制造业的科技人员和经费支持，为先进制造业技术创新提供稳定支撑，同时重视科技成果的产出。浙江省和上海市先进制造业科技研发阶段的技术创新效率常年稳定在1，说明其技术创新过程较为稳定，应当继续保持并适当发力。安徽省2012—2017年先进制造业科技研发阶段的技术创新效率先升再降，但整体上处于长三角区域的领先水平，这与安徽省近年来加大对先进制造业科技研发的重视、科研机构逐年增加以及相关政策扶持密切相关。
从空间上看（图3），2012—2017年安徽省先进制造业技术创新效率均大于等于1，处于长三角区域第一名，浙江省和上海市保持稳定的技术创新效率，并列位于第二名。安徽省、浙江省和上海市的先进制造业科技研发阶段的技术创新效率值的差异很小，先进制造业科技研发效率水平表现相对均衡。但江苏省由2012—2013年的0.7079下降到2016—2017年的0.6765，下降了4.44%，处于长三角区域的最低水平，这也是其整体阶段绿色技术创新效率值最低的重要原因。通过K-means聚类方法，将长三角区域省（市）的先进制造业科技研发阶段绿色技术创新效率分成相对低效、相对高效两大类（表3），其中江苏省先进制造业科技研发阶段绿色技术创新效率处于相对低效状态;浙江省、安徽省和上海市效率则相对较高。长三角区域先进制造业科技研发阶段的技术创新效率呈现西高东低的特点，和整体阶段绿色技术创新效率的空间分布特征基本保持一致。
3.成果转化阶段的静态效率分析
成果转化阶段是考虑环境因素的创新成果转化过程，因此该阶段的效率可以理解为绿色创新效率。从表4可以发现，长三角区域先进制造业成果转化阶段的绿色创新效率呈先下降再上升的趋势。浙江省以年度均值1.1753，位于长三角区域的榜首，上海市与江苏省较为接近，上海市的年度均值为1.0011，略高于江苏省的1.0000。安徽省在成果转化阶段并没有像科技研发阶段一样表现突出，以0.9857位于长三角区域的末位，说明其成果转化的意识还需加强。
具体来看，从时间维度来看，江苏省先进制造业成果转化阶段的绿色创新效率在2013—2018年期间一直稳定在1，说明江苏省在成果转化方面一直较为稳定。浙江省和上海市2013—2018年先进制造业的绿色创新效率一直处于稳步上升的状态，这说明浙江省和上海市均重视科技成果的绿色转化，也与其地理位置的邻近、经济发展资源相似有关。但浙江省的增长率达到30.35%，显然浙江省先进制造业的绿色创新效率增长更为显著。不同于其他省市的稳定或上升，安徽省2013—2018年先进制造业成果转化阶段的绿色创新效率下降了22.43%，說明安徽省近年来过于重视科技成果的产出，但忽视了其投入市场时的经济效益和环境效益，这是典型的先进制造业发展初期阶段的表现。
2013—2018年浙江省先进制造业成果转化阶段绿色技术创新效率明显高于其他省市且增长迅猛，在2014年以后一直处于长三角区域第一名。上海市总体呈上升趋势，处于长三角区域的第二名。虽然安徽省的先进制造业科技研发阶段绿色技术创新效率值处于长三角区域第一名，但可能由于过于重视科技成果的产出，成果转化意识较为薄弱，其成果转化阶段绿色技术创新效率值位居长三角区域最后一名。通过K-means聚类方法，将长三角区域省（市）的先进制造业成果转化阶段绿色技术创新效率分成相对低效、相对高效两大类（表4），其中浙江省先进制造业成果转化阶段绿色技术创新效率处于相对高效状态;江苏省、上海市和安徽省效率则相对较低。
（二）基于Malmquist指数模型的动态效率分析
在对2012—2018年长三角区域三省一市先进制造业绿色技术创新整体阶段、科技研发阶段和成果转化阶段的静态效率分析基础上，借助MaxDEA Ultra 8.3.5软件，利用动态的Malmquist指数模型测算长三角区域先进制造业绿色技术创新的全要素生产率（TFP），并从长三角区域整体和省（市）两个角度展开分析，从而全面分析长三角区域先进制造业的绿色技术创新的动态效率。
1.长三角区域整体动态效率分析
根据图4，2012—2018年长三角区域先进制造业整体阶段的全要素生产率指数（TFP）为1.0634，整体上呈现波动上升的趋势，但2013—2016年由于技术进步指数（TC）的增长使得该阶段TFP大幅上升。另外，技术效率变动指数（EC）也大于1，说明长三角区域先进制造业技术效率增长较快，但波动的TC说明长三角区域先进制造业技术进步波动较大，应注重保持先进制造业绿色技术创新过程中稳定的人力和财力投入，减少技术进步不稳定对全要素生产率的影响。
从子阶段的效率来看，科技研发阶段EC指数低于TC指数说明了科技研发阶段技术创新得到较大进步，成果转化阶段EC和TC指数的变化则相对协调。整体上看，2012—2018年长三角区域先进制造业科技研发阶段的TFP指数为1.0448，高于成果转化阶段的1.0182，说明长三角区域先进制造业科技研发的效率增长速度高于成果转化的效率增长速度。
2.长三角区域省（市）动态效率分析
根据表5，可以发现上海市先进制造业整体阶段的TFP指数为1.3833，远高于平均值1.0634，表明上海市先进制造业整体阶段的绿色技术创新全要素生产率呈增长态势，并且上海市先进制造业全要素生产率增长速度最为迅速。而江苏省和浙江省则由于TC指数较低的影响，拉低了其TFP指数，使得江苏省和浙江省整体阶段的TFP指数低于1，未达到效率前沿面，并且低于长三角区域的平均水平。说明江苏省和浙江省面临技术进步停滞不前甚至可能倒退的风险。可以看到，各省市技术进步与技术效率之间存在差异，尤其是江苏省和浙江省，这说明先进制造业在发展过程中虽然形成了有效的投入产出结构，但其技术的开发还存在不足，现有的技术无法使绿色技术创新全要素生产率得到快速提升。因此，要提高长三角区域三省一市先进制造业整体阶段的TFP指数，需要继续加强对科技研发投入的力度。 从子阶段的效率来看，在科技研发阶段，江苏省、安徽省和上海市TFP值均大于1，即全要素生产率进步，技术进步是促进科技研发阶段TFP提高的主要原因。而浙江省则由于TC指数较低，其TFP指数也低于1，表现出全要素生产率退步的情况。说明浙江省先进制造业在科技研发阶段技术进步并不明显，有很大的提升空间。在成果转化阶段，江苏省受TC指数的影响，表现出全要素生产率退步的情况，安徽省则由于EC指数的下降拉低了其全要素生产水平，说明安徽先进制造业的绿色技术创新资源配置水平有待提升，组织管理水平需要提高。
四、结论及启示
以2012—2018年長三角区域先进制造业的绿色技术创新活动作为研究对象，构建先进制造业绿色技术创新效率指标体系，并综合运用网络SBM-DEA模型和Malmquist指数模型，分别测算了长三角区域先进制造业绿色技术创新不同阶段的绿色技术创新效率和绿色全要素生产率，分析长三角区域先进制造业绿色技术创新的静态和动态水平及时空分布情况，具体结论如下：第一，根据静态效率测算结果，2012—2018年长三角区域的绿色技术创新效率整体上呈现稳定上升的趋势，先进制造业科技研发阶段技术创新效率偏低是其绿色技术创新效率水平偏低的根源所在。值得注意的是，江苏省、浙江省、上海市都出现了不同程度的波动，安徽省更是呈现出下降的趋势。进一步从空间维度来看，长三角区域先进制造业的绿色技术创新水平整体水平较高，但并没有实现均衡发展。第二，基于Malmquist指数模型的动态效率测算结果，近年来长三角区域的全要素生产率呈现出波动上升的状态。2013—2016年的TFP指数出现小高峰，TC大于EC，说明技术进步水平的提高显著促进了全要素生产率的增长。长三角区域先进制造业科技研发的效率增长速度高于成果转化的效率增长速度，长三角区域先进制造业要注意提升成果转化阶段科研成果的转化水平。
长三角区域先进制造业绿色技术创新效率测算和时空分析对提升其先进制造业绿色技术创新效率，实现经济高质量发展具有重要启示。首先，长三角区域的技术创新效率整体偏低，特别是江苏省的技术进步水平亟待提高。对于长三角区域，尤其是江苏，要进一步发挥人才和资金对先进制造业技术创新活动的基础保障作用，加大对创新能力突出的科研人才及科研机构的政策和资金倾斜力度，保证先进制造业技术研发的人才储备和资金支持，企业、高等院校和科研院所等多主体共建技术创新联盟，建立人才协同共享机制[32]，加快技术研发速度，提升技术创新成果持续产出的能力和效率。其次，长三角区域中安徽省的成果转化效率较慢，其技术创新成果未能充分转化为经济效益，产出过程中的污染物排放也未得到合理的控制，科研成果转化水平还需进一步提升。安徽省需要通过优化绿色技术创新的资源配置，提升科技成果转移转化市场化服务水平，加快建立高等院校、科研院所与企业主体的合作创新体系，推动科技成果转移转化速度，同时在成果转化阶段贯彻落实绿色环保意识，减少转化过程中的非期望产出，推动污染物的绿色转化和再利用，提高绿色技术创新效率。最后，在长三角区域先进制造业生产发展过程中，应重视区域内省市发展存在的不均衡问题，加快苏浙皖沪三省一市经济的协同发展，提高区域整体的绿色技术创新效率。同时政府相关管理部门应建立健全绿色技术创新科学考核体系，综合考核各省市先进制造业的绿色技术创新绩效，促进科技、经济与生态三者的全面协调可持续，进而实现先进制造业的高质量发展。
参考文献：
[1] 李玉婷，祝志勇. 制度供给与中国地区绿色创新效率[J].北京理工大学学报（社会科学版），2019，21（1）：50-58.
[2] 黄烨菁. 何为“先进制造业”？——对一个模糊概念的学术梳理[J]. 学术月刊， 2010（7）：87-93.
[3] 于波， 李平华. 先进制造业的内涵分析[J]. 南京财经大学学报， 2010（6）： 23-27.
[4] 李金华.中国先进制造业技术效率的测度及政策思考[J].中国地质大学学报（社会科学版），2017，17（4）：104-116.
[5] Ernest Brawn， David Wield. Regulation as a Means For the Social Control of Technology [J]. Technology Analysis & Strategic Management， 1994， 6（3）： 259-272.
[6] 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.
[7] Costantini V， Crespi F， Palma A. Characterizing the policy mix and its impact on eco-innovation： A patent analysis of energy-efficient technologies[J]. Research Policy， 2017， 46（4）：799-819.
[8] 易明，程晓曼.长江经济带城市绿色创新效率时空分异及其影响因素[J].城市问题，2018（8）：31-39.
[9] Barros C P ， Liang Q B ， Peypoch N. The technical efficiency of US Airlines[J]. Transportation Research Part A， 2013， 50：139-148.
[10] 张峰，史志伟，宋晓娜，等.先进制造业绿色技术创新效率及其环境规制门槛效应[J].科技进步与对策，2019，36（12）：62-70.
[11] Zailani S， Iranmanesh M， Nikbin D， et al. Determinants and environmental outcome of green technology innovation adoption in the transportation industry in Malaysia[J]. Asian Journal of Technology Innovation， 2014， 22（2）：286-301. [12] 何枫，祝丽云，马栋栋，等.中国钢铁企业绿色技术效率研究[J].中国工业经济，2015（7）：84-98.
[13] 朱建峰，郁培丽，石俊国.绿色技术创新、环境绩效、经济绩效与政府奖惩关系研究——基于集成供应链视角[J].预测，2015，34（5）：61-66.
[14] 曹霞，张路蓬.企业绿色技术创新扩散的演化博弈分析[J].中国人口·资源與环境，2015，25（7）：68-76.
[15] 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（1）：26-43.
[16] 张洪潮，李芳，张静萍.资源型区域工业企业两阶段技术创新效率评价——基于绿色增长视角[J].科技管理研究，2017，37（8）：69-76.
[17] 刘旭红.区域工业绿色发展水平评价指标体系框架设计[J].广西财经学院学报，2017，30（4）：50-56.
[18] 肖黎明，张仙鹏.强可持续理念下绿色创新效率与生态福利绩效耦合协调的时空特征[J].自然资源学报，2019，34（2）：312-324.
[19] Guan J， Chen K. Modeling macro-R&D production frontier performance： an application to Chinese province-level R&D[J]. Scientometrics， 2010， 82（1）： 165-173.
[20] 祝丽云，何枫，张庆芝，等.考虑非期望产出的网络SBM-DEA效率评价模型[J].统计与决策，2015（11）：56-58.
[21] 黄奇，苗建军，李敬银，等.基于绿色增长的工业企业技术创新效率空间外溢效应研究[J].经济体制改革，2015（4）：109-115.
[22] 朱有为，徐康宁.中国高技术产业研发效率的实证研究[J].中国工业经济，2006（11）：38-45.
[23] 方福前，张平.我国高技术产业的投入产出效率分析[J].中国软科学，2009（7）：48-55.
[24] 吴东，吴晓波.技术追赶的中国情境及其意义[J].自然辩证法研究，2013，29（11）： 45-50.
[25] 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.
[26] 何强，孔芳霞，文传浩.绿色创新对水生态文明建设的空间溢出效应——基于2004—2018年我国30个省的面板数据[J].浙江树人大学学报（人文社会科学），2020，20（3）：48-56+78.
[27] 孙金秀.我国现代流通业与先进制造业协同性测度与评价研究[J].商业经济与管理，2016（6）：15-24.
[28] Chung Y H， Fare R， Grosskopf S. Productivity and Undesirable Outputs： A Directional Distance Function Approach[J]. Journal of Environmental Management， 1997，51（3）：229-240.
[29] Tone K， Tsutsui M. Network DEA： A slacks-based measure approach[J]. European Journal of Operational Research， 2009， 197（1）：243-252.
[30] Malmquist S. Index numbers and indifference surfaces[J]. Trabajos De Estada， 1953，4（2）：209-242.
[31] Rolf F， Grosskopf S， Norris M， et al. Productivity Growth， Technical Progress， and Efficiency Change in Industrialized Countries[J]. American Economic Review，1994，84（1）：66-83.
[32] 程婷，许振晓.长三角地区人才政策协同化发展的问题及对策[J].浙江树人大学学报（人文社会科学），2020，20（6）：63-71.
责任编辑：孔庆洋