牛宝春，崔光莲，张喜玲

（1.新疆财经大学 金融学院，新疆 乌鲁木齐 830012；2.新疆财经大学，新疆 乌鲁木齐 830012）

一、引言

随着碳排放的急剧增加，全球气候灾害频发，中国对低碳经济的重视程度不断提高，2021 年7 月全国性碳排放权交易市场正式启动，充分体现了国家对绿色转型的重视。目前，中国经济发展已进入新常态，经济发展的数量与速度已经不是经济发展的重点，未来低碳经济有可能成为衡量各地区经济发展的主要指标之一；另外，中国经济发展的主要驱动力正在由要素驱动向创新驱动转变。因此，研究科技创新对低碳经济的影响具有较强的理论意义与现实价值。

虽然现有研究表明，科技创新不仅可以实现产出增长，而且可以起到减少碳排放的作用，但是直接考察科技创新对低碳经济影响的文献却相对较少。例如，有关经济增长的研究大都表明，科技创新会对经济增长产生积极影响，应该将创新要素与其他要素相结合，促进全要素生产率的提升，进而刺激经济增长水平提高[1，2]。另外，基于碳排放的研究显示，科技创新可以促进节能减排，降低碳排放强度，应该通过技术进步降低二氧化碳排放[3-5]。但是，科技创新如何影响低碳经济呢？目前，较少有学者直接对此展开研究。因此，有必要将经济增长与碳排放结合起来，通过构建低碳经济指标进行深入研究。

另外，尽管很多学者考察了科技创新对经济增长或碳排放影响的区域差异，但是，这些研究主要是从东、中、西部地区的比较视角进行分析，较少基于南、北方地区视角比较。由于气候、产业结构及政策环境等因素的影响，南、北方两地的经济增长，尤其是碳排放状况差异很大，因此，有必要基于南、北方地区比较视角研究科技创新对低碳经济的异质性影响。除此之外，有关科技创新对经济增长或碳排放影响的研究主要从静态视角进行分析，较少关注随着低碳经济的发展，二者间的动态变化趋势。同时，科技创新还具有明显的外溢效应。因此，有必要研究其他地区科技创新对本地区低碳经济发展的影响。

综上所述，文章基于1998—2019 年中国30 个省份的面板数据进行实证分析，首先进行基准模型估计；然后，采用分样本模型估计考察南、北方地区差异，并采用面板分位数模型研究，随着低碳经济的发展，科技创新对低碳经济影响的动态变化趋势；最后，文章还将利用空间面板模型，探讨其他地区科技创新对本地区低碳经济的影响。

二、文献综述

1.科技创新对经济增长的相关研究概述

有关经济增长理论的众多研究均表明，科技创新对经济增长水平的提高起着至关重要的作用。一方面，新古典经济增长理论认为，虽然资本和劳动决定经济增长的主要内生变量，但技术进步也是重要的外生变量。其中，基于广东省相关数据的研究表明，除了资本等要素作用外，全要素生产率对经济增长的贡献不断上升[6]；另外，刘纳新(2013)基于湖南省相关数据，采用时间序列模型分析了专利申请数与GDP 之间联动性，研究结果也表明，科技创新与经济增长之间存在着正相关关系[1]。但是，新古典经济增长理论没有试图解释技术进步，这为后续的新经济增长理论的研究提供契机。另一方面，内生经济增长理论强调科技创新是经济增长关键动力之一。Romer(1990)提出，技术革新为持续的资本积累提供了动力，而资本积累和技术变革共同构成了产出增加的主要原因[7]；Pece 等(2015)运用多元回归模型对中欧和东欧国家（即波兰、捷克共和国和匈牙利）进行了分析，研究结果表明，经济增长与创新之间存在正相关关系[8]。陈洁等(2017)采用脉冲效应分析了蓝色经济区科技创新人才对经济发展的影响，验证了科技创新人才会对经济发展产生积极影响[9]；易信(2018)提出，应该将创新要素与其他要素结合起来，促进全要素生产率的提高[10]；Broughel&Thierer(2019)强调，技术创新是经济增长和人类进步的根本动力，创新不仅可以增加产出，而且可以提高质量，并丰富产品或服务的种类，改善人们的生活方式[11]。李峰等(2021)基于中国2008—2018 年30 个省份数据的实证研究也表明，科技创新对经济发展有显著刺激作用[12]。

与此同时，还有一些学者的研究表明，科技创新对中国经济增长影响存在一定的地区差异。例如，李正辉、徐维(2011)利用中国各省份数据进行实证分析，研究发现，科技创新对经济增长的影响存在明显的省域差异与年份差异[13]。白俊红、王林东(2016)采用中国30 个省份的面板数据进行实证分析，结果发现，科技创新主要对东部地区经济增长质量具有显著促进作用，而对中部地区影响不显著，对西部地区有明显的负面影响[14]。

2.科技创新对碳排放的相关研究概述

众多学者实证研究了科技创新对二氧化碳排放的影响。例如，Wang 等(2005)采用LMDI 因子分解法研究了中国二氧化碳排放的影响因素，证实了技术创新对二氧化碳排放具有最重要的抑制作用[15]。Zhao 等(2013)利用自回归分布滞后(ARDL)模型研究了1980—2010 年中国电力行业，经格兰杰因果关系检验表明，技术创新可以减少二氧化碳排放[16]。李莎莎、牛莉(2014)基于中国省级面板数据研究了技术进步对碳排放影响，结果表明，虽然具有一定时滞性，但技术进步会显著降低二氧化碳排放[3]。钱娟、李金叶(2018)采用中国工业行业数据进行实证分析得出，技术进步会促进节能减排[5]。李香菊、祝丹枫(2020)选取1996—2016 年中国省际面板数据研究科技创新与能源强度的关系得出，科技创新能力提高可以起到降低碳排放强度的作用[4]。

此外，一些学者的研究还表明，科技创新对碳排放影响存在显著异质性。例如，申萌等(2012)采用内生经济增长模型框架，将碳排放纳入模型，基于1997—2009 年省际面板数据实证分析了技术进步对经济增长与节能减排的影响，结果发现，此前中国技术进步还无法同时实现经济增长与节能减排同步发展，且技术进步对碳排放影响存在明显的区域差异[17]。金培振等(2014)分行业研究技术进步对能源减排影响表明，相较于轻工业，重工业技术改进对能源减排影响更强[18]。李香菊、祝丹枫(2020)采用中国省际面板数据进行分样本模型估计研究发现，东部地区科技创新能力提升可显著降低能源强度，而中西部科技创新不利于降低能源强度[4]。

综上所述，众多学者探讨了科技创新对经济增长以及碳排放的影响，但是较少有学者直接研究科技创新对低碳经济影响，而随着温室效应不断增强，各种气候灾害频发，低碳经济有望成为衡量经济发展的重要指标，因此有必要将经济增长与碳排放结合起来，构建低碳经济变量，并据此研究科技创新对低碳经济的影响。在分析科技创新相关区域差异时，现有研究主要基于东、中、西部地区对比展开，鉴于人才由北向南流动的迹象明显，南、北方两地科技创新水平存在较大差距。因此，基于南、北方地区视角研究科技创新对经济增长以及碳排放影响的区域差异具有较强的现实意义。

三、模型设定与变量说明

1.模型设定

文章主要研究科技创新对低碳经济影响，基准模型设定如下：

其中，i 与t 分别表示地区与时间；Cgdp 表示低碳经济；hc 表示科技创新；Z 表示控制变量，具体包括工业化程度、城镇化、资本以及人口；ui表示个体固定效应，vt表示时间固定效应，εit表示随机扰动项。

基准模型仅能研究科技创新对低碳经济的总体影响，未能分析出区域异质性，也不能研究得出随着低碳经济的发展，二者关系的动态变化趋势。文章将采用分样本估计与面板分位数模型估计进行异质性分析。在面板分位数模型估计时，参考Powell(2014)[19]，文章采用非加性面板分位数模型①非加性固定效应分位数回归模型与可加性固定效应分位数回归模型最大区别在于，没有将固定效应从扰动项中分离出来，而它与混合OLS分位数回归模型的区别在于它在模型估计过程中考虑了固定效应对估计系数的影响。进行估计，具体模型设定如下：

其中，Cgdpit表示经济增长，Zit表示控制变量，βt(Uit)表示时间固定效应，Uit=f(μi，εit)，且Uit表示不可分离的随机扰动项，μi表示个体固定效应。为解决模型估计内生性问题，文章在估计过程中，同时控制个体固定效应与时间固定效应，并将控制变量与年份虚拟变量作为工具变量②控制个体固定效应，是为考虑那些随个体变化因素对经济增长影响，控制时间固定效应，是为考虑那些随时间变化因素对经济增长影响，尽可能减少遗漏变量导致内生性问题；而将控制变量与年份虚拟变量作为工具变量是为进一步解决内生性。，并在此基础上进行异方差稳健标准误估计。

文章还采用空间面板模型分析了其他地区科技创新对本地区低碳经济的影响，在模型估计前，先进行模型筛选。参考Belotti 等(2017)[20]，从SDM 模型开始，先采用Wald 检验判断SDM模型是否应该转化为SAR 模型或SEM模型，之后采用AIC 准则与BIC 准则比较SDM模型与SAC 模型优劣。

首先检验空间杜宾模型(SDM)是否可以退化为空间滞后模型(SAR)。空间杜宾模型设定如下：

W 表示NT×NT 维空间权重矩阵；zk，it表示第k 个控制变量。

当Wald 检验表明解释变量空间滞后项回归系数γ 显著为零时，应该采用SAR 模型进行估计，具体模型设定如下：

接下来检验空间杜宾模型是否可以退化为SEM模型。鉴于SEM模型不包含在空间杜宾模型中，因此无法直接通过参数值的检验实现。Wald 检验表明，当SDM 模型中解释变量空间滞后项回归系数γ、解释变量估计系数β 以及被解释变量空间滞后项系数ρ 满足关系式：γ=-β×ρ 时，则应该采用SEM 模型估计。具体模型设定如下：

对于SDM 模型与SAC 模型比较，无法通过参数关系来进行检验，可以通过AIC 准则与BIC 准则进行比较，一般而言，AIC 值或BIC 值越小，代表模型估计效果越好。SAC 模型具体设定如下：

另外，SAC 模型包含SEM 模型与SAR 模型，当ρ=0 时，SAC 模型可退化为SEM 模型，而当λ=0 时，SAC 模型可退化为SAR 模型。

为确保参数估计一致性，在上述模型估计过程中，文章均采用异方差稳健标准误进行估计。

2.变量与数据

（1）变量说明

第一，被解释变量：低碳经济(Cgdp)。目前有关低碳经济文献较少，缺乏具体定义，文章采用实际GDP 与碳排放量之比进行衡量。为防止模型方程两边出现正负号不一致情况，参考马绰欣等(2017)[21]，文章对因变量取对数处理，低碳经济设定为：）。

第二，核心解释变量：科技创新(tech)。科技成果是衡量科技创新水平的关键指标，而专利授权量可以直接体现一个地区科技创新水平的高低，故参考易文钧等(2017)[22]与梁少波、宋燕(2021)[23]的研究，文章采用国内专利申请授权量作为科技创新的衡量指标，并采用国内技术合同成交金额占GDP 百分比作为替代指标进行稳健性检验。此外，参考胡亚南等(2020)[24]，为了确保估计过程的科学性，对核心解释变量科技创新取对数处理。

第三，控制变量。包括工业化程度(indus)、城镇化(urban)、资本(capital)以及人口(popu)。另外，有研究表明，第二产业产值是影响碳排放重要因素，工业化程度也是影响经济增长的重要控制变量，故将第二产业增加值占GDP 的百分比作为工业化程度(indus)衡量指标；城镇化会带来生产活动增加，能源消耗增加，从而增加碳排放。陈雨露等(2016)[25]的研究显示，城镇化也是影响经济增长的重要变量，故文章采用城镇人口占总人口比重衡量城镇化(urban)；由柯布-道格拉斯函数可知，资本是影响经济增长的核心要素，参考马勇、陈雨露(2017)[26]的研究，将资本变量(capital)采用资本形成总额与GDP 之比表示，并采用人口总量进行衡量。最后，为了确保估计过程的科学性，所有控制变量均取对数处理。

（2）数据来源

文章基于1998—2019 年中国30 个省份面板数据进行实证分析，鉴于香港、澳门、台湾以及西藏的部分数据缺失严重，样本数据不包括这些地区。文章中原始数据主要来源于《中国统计年鉴》，碳排放数据来源于《CEADs——中国碳核算数据库》。对于部分缺失数据，采用线性插值法进行插补。

四、实证结果分析

1.基准模型估计

在对面板数据模型进行稳健标准误估计时，传统的hausman 检验通常不能用于判断应该采用固定效应模型还是随机效应模型。参考陈强(2014)[27]的研究，文章采用stata 外部命令xtoverid 进行过度识别检验，由Sargan-Hansen 统计量值可知，在1%的置信水平下，应该采用固定效应模型进行估计；之后，进行双向固定效应模型估计，并采用test 命令检验时间效应存在性，检验结果表明，在1%置信水平下，拒绝不存在时间效应原假设。

具体估计结果如表1 所示。显然，模型(1)～(3)中，科技创新的估计系数均在1%置信水平下显著为正。这意味着科技创新会对低碳经济产生明显促进作用。

表1 基准模型估计

2.影响机制分析

降低能耗是政府部门实现绿色转型的重要方式，而科技创新是降低能耗的关键所在。文章基于实证视角检验降低能耗的重要性。

具体而言，文章利用stata 命令sgmediation 来进行实证分析。鉴于文章中样本量较少，且加入控制变量后中介效应检验的估计效果较差，故在中介效应检验时未加入控制变量。参考温忠麟、叶宝娟(2014)[26]，三步法中介效应模型可以设定如下：

其中，Y 表示因变量，X 表示自变量，M 表示中介变量；公式(7)中估计系数c 表示总效应；公式(9)中c′表示直接效应，公式(8)中估计系数a 与公式(9)中估计系数b 的乘积(a×b)表示间接效应。总效应等于直接效应加间接效应。另外，为了消除那些随时间变化因素对被解释变量影响，模型估计中控制了时间效应。具体估计结果如表2 所示。

表2 单位GDP能耗中介效应估计结果

由表2 中模型(1)可知，系数c 在1%置信水平下显著，故主效应是显著的；接下来，由模型(2)、(3)可知，系数a、b 均在1%置信水平下显著，另外，由效应分解可知，间接效应(a×b)也在1%置信水平下显著；最后，由模型(3)可知，估计系数c′在1%置信水平下显著，故直接效应也是显著的。综上可知，中介效应是存在的，换句话说，科技创新会通过中介变量，即单位GDP 能耗对低碳经济产生影响。具体而言，模型(2)中科技创新估计系数a 显著为负，表明科技创新可以起到降低碳排放作用；与此同时，模型(3)中单位GDP 能耗的估计系数b 在1%置信水平下显著为负，这意味着，能耗上升对低碳经济产生负面影响，即降低能耗有助于刺激低碳经济的发展；鉴于估计系数a、b 均为负值，故间接效应(a×b)为正值，因此，通过降低能耗，科技创新可以起到刺激低碳经济发展的作用。

最后，由sobel 检验可知，间接效应(a×b)值显著不为0，且加入中介变量后，解释变量对低碳经济增长的估计系数变小，据此也可以验证中介效应存在性。

3.异质性分析

（1）分样本估计

文章以秦岭—淮河为界划分中国南、北方地区，并在此基础上进行分样本模型估计。具体估计结果如表3 所示。

表3 中，模型(2)科技创新的估计系数大于模型(1)，这意味着，相较南方地区，北方地区科技创新对低碳经济增长促进作用较大。这可能是由于，北方地区重工业比重较大，而与轻工业相比，重工业技术改进对能源减排影响更强[18]；另外，由于气候、政策环境等因素作用，人才由北向南流动的现象一直存在，北方地区的科技资源相对匮乏，科技创新在节能减排以及刺激经济增长方面的边际效用均较大。

表3 异质性分析I：分样本估计

（2）面板分位数估计

为了研究随着低碳经济的发展，科技创新对低碳经济增长影响，文章进一步采用面板分位数模型进行估计。模型估计过程中同时控制个体固定效应与时间固定效应，并将控制变量与时间趋势变量作为工具变量。

如表4 所示，在10%、25%、50%、75%以及90%分位点上，科技创新的估计系数均为正值。这表明在各分位点上，科技创新均会起到促进经济增长的作用。此外，伴随着分位点提高，科技创新的估计系数不断变小，表明从总体来看，随着低碳经济的发展，科技创新对低碳经济的刺激作用呈下降趋势。其原因可能是，在低碳经济发展水平较低的阶段，经济活动中碳排放问题严重，故初始阶段，科技创新对低碳经济刺激作用较大；但科技发展存在一定的瓶颈期，且化石燃料的使用短期内难以完全替代，故当低碳经济发展到一定水平，在边际报酬递减规律作用下，科技创新对低碳经济的刺激作用会有所减弱。

表4 异质性分析II：面板分位数估计

4.空间溢出效应分析

生产要素具有跨地区流动性，某地区科技创新可能会对其他地区低碳经济产生溢出效应。文章接下来将采用空间面板模型进行估计，并采用空间效应分解估计科技创新的空间溢出效应。鉴于文章中样本量较少，为了提高模型估计效果，模型估计过程中仅控制时间固定效应。

由表5 可知，模型(1)～(3)中，被解释变量空间滞后项系数ρ均在1%置信水平下显著为正，这表明不同地区间低碳经济具有显著空间传染性。

表5 空间面板模型估计

另外，Wald 检验显示，应该接受SDM 模型可以退化为SAR 模型或SEM模型原假设，即SAR 模型优于SDM模型；同理，由Wald 检验还可以得出，SAR 模型优于SAC 模型。除此以外，由AIC 准则与BIC 准则可知，SAC 模型优于SDM模型。综上比较而言，SAR 模型估计效果较好。

参考LeSage 等(2009)的研究，直接采用点估计结果来解释自变量空间溢出效应可能会导致结论错误，所以采用空间效应分解来进行分析，其中直接效应表示本地区自变量对本地区因变量影响，间接效应（或空间溢出效应）表示其他地区自变量对本地区因变量影响，而总效应等于直接效应加上间接效应。具体估计结果如表6 所示。

表6 空间效应分解

显然，模型(1)～(3)中直接效应均在1%置信水平下显著为正，表明技术创新会对本地区低碳经济增长产生显著正向影响。另外，从间接效应角度看，SAR 模型估计结果表明，间接效应在1%置信水平下显著为正，表明其他地区的科技创新会对本地区低碳经济增长产生显著正向影响。

5.稳健性检验

分样本模型估计、面板分位数模型估计以及空间面板模型估计结果均可以在一定程度上验证基准模型估计结果；分样本模型估计结果与面板分位数模型估计结果可以相互印证，与南方地区相比，北方地区碳排放量较大，低碳经济发展水平较低，而面板分位数模型估计结果表明，在低碳经济较低分位数水平，科技创新对低碳经济的刺激作用较强，且伴随着分位数提高，这种刺激作用呈下降趋势，据此也可以验证，相较南方地区，北方地区科技创新对低碳经济的促进作用更大。

此外，在基准模型与分样本模型估计中，文章控制了地区固定效应与时间固定效应，可以在一定程度上解决遗漏变量导致内生性问题，与此同时，在面板分位数模型估计中，文章将控制变量与年份虚拟变量作为工具变量，可以部分解决反向因果所导致内生性问题。

最后，为检验实证结果可靠性，文章还采用国内技术合同成交金额占GDP 百分比作为科技创新的衡量指标，并在此基础上进行相关模型估计。在不同情形下，各模型估计结果均与实证分析部分基本一致，可以证明实证结果稳健性，由于篇幅所限，此处并未列出。

五、结论与启示

1.结论

文章利用1998—2019 年30 个省份面板数据，通过基准模型估计、中介效应分析、异质性分析以及空间溢出效应估计等系统分析了科技创新对低碳经济的影响，得出以下结论：第一，科技创新对经济增长具有明显促进作用。通过基准模型的估计可以发现，科技创新的估计系数均为正，且均在10%置信水平下显著，这表明，提高科技创新水平会对低碳经济增长产生促进作用。第二，降低能耗是科技创新影响低碳经济增长的重要机制。中介效应检验结果表明，科技创新可以降低单位GDP 能耗，而能耗降低可以促进低碳经济的发展，因此，降低能耗是科技创新影响低碳经济的重要机制。第三，中国科技创新对低碳经济增长的影响存在明显的南北方地区差异。北方地区重工业比重较大，碳排放较高，且经济发展过程中科技资源相对较少，科技创新的边际效用较大，故相较于南方地区，北方地区科技创新对低碳经济的促进作用较强。第四，随着低碳经济的发展，科技创新对低碳经济的刺激作用总体呈下降趋势。科技创新对经济增长的边际影响长期看是递减的，而化石燃料在短期内难以被大规模替代，科技创新在降低碳排放方面的作用受限，故伴随低碳经济发展水平提高，科技创新对低碳经济的促进作用呈下降趋势。第五，科技创新对低碳经济的影响存在明显的溢出效应。具体而言，其他地区科技创新会对本地区低碳经济增长产生正向影响。

2.启示

基于文章研究结论，可以得出以下启示：第一，加快推进科技研发，促进科技成果转化。首先，各地区应该积极引进外资，积极学习国外先进技术，提高本地区科技发展水平；其次，应该加强引进吸收再创新，在现有技术基础上不断研发出新的适应国内市场需求的产品；最后，应该加强企业与高校的合作，更加注重原始创新，不断研究出世界领先的高科技产品。第二，为了刺激低碳经济的发展，技术研发应该充分考虑降低能耗问题。降低能耗是科技创新影响低碳经济的重要机制。因此，一方面应该加强降低能耗方面的技术研发，另一方面在研发其他技术或产品时应该将降低能耗放在重要位置。第三，为了更好地发挥科技创新对低碳经济的刺激作用，在不同地区或阶段应该采取不同的策略。首先，从区域差异角度看，相较南方地区，北方地区发展高科技的必要性与紧迫性更强，应该加强北方地区的产业转型升级，积极引导高科技人才跨区域流动，发展一批技术含量高的创新型产业，同时，在围绕重工业的科技研发过程中要充分考虑节能减排问题。另外，从不同发展阶段角度看，在低碳经济水平较低时，应该加强科技研发，不断提高低碳经济的发展水平；随着低碳经济的发展，科技创新对低碳经济的刺激作用逐渐减弱，此时，围绕降低碳排放的科技创新应该循序渐进地进行。第四，应该加强不同地区间的技术交流与合作，共同推进彼此间的低碳经济发展。鉴于其他地区科技创新会对本地区低碳经济的发展产生正向影响，故应该加强不同地区企业或高校的交流与合作：一方面应该推动不同地区企业间合作，可以通过兴建合资公司等方式共同开发新技术、新产品，提高技术研发的速度与效率；另一方面应该加强不同地区高校间交流与合作，推动基础学科发展，更加注重原始创新，增强中国科技创新的后劲。