动态内生视角下能源消费碳排放与绿色创新效率的机理研究：基于中国装备制造业的实证分析.pdf

82 管理评论第31卷差异,深度挖掘不同能源消费碳排放与绿色创新效率的内生机理,这也是实现装备制造业绿色发展的重要内容。进而,立足绿色的发展理念,装备制造业碳排放与绿色创新效率是否存在关联性两者的相互影响机理存在怎样的异质性基于能源视角,不同能源消费碳排放与绿色创新效率表现出怎样的差异针对学界忽略能源消费碳排放异质性,且孤立研究碳排放与技术创新效率的单向作用关系有失偏颇,故本文创新性地基于动态内生视角,双向层面剖析二者间的复杂机制作用,从而为揭示影响碳排放的深层次原因、制定针对性的节能减排策略和提升绿色创新效率提供重要政策思考。文献综述国内外学者在绿色创新领域展开了相关研究,对绿色创新效率的研究以测量方法为主。 Chen等[7]研究发现绿色产品创新和绿色工艺创新与企业的竞争力存在正相关关系,后又经研究[8]得出企业绿色核心竞争力能提升绿色创新绩效。 Ramanathan[9]、Mohtadi[10]和Lu等[11]认为应将污染物视为投入要素纳入绿色全要素生产率的测算模型;姚西龙等[12]融合创新效率和绿色效率,利用Sueyoshi和Goto[13]提出的DEA-SBM模型测算了装备制造业的绿色效率水平;任耀等[14]在此基础上融入经济效率,测算以及评价了山西省工业绿色创新效率;罗良文和梁圣蓉[15]基于两阶段创新价值链利用DEA法测算了中国区域工业企业绿色技术创新效率。立足碳排放与绿色创新效率视角展开研究的文献较为鲜见,但已有研究表明,碳排放与技术创新效率存在相关关系。绿色技术创新是在技术创新基础上的拓展和提升,是以生态文明为视域的技术创新的崭新形态,同样兼具传统创新的特性[16],故可从当前碳排放与技术创新效率的研究现状进一步分析碳排放与绿色创新效率的内生机理。相关研究主要集中为两方面一是认为存在碳排放对技术创新效率的单向作用关系。苗成林等[17]认为碳排放量对技术效率的影响显著为负;殷宝庆[18]则认为进口中间品碳排放对技术创新有正向影响。关于绿色创新影响碳排放的机理研究,Jung等[19]认为碳排放过度导致的政府碳税征收在某种程度上激励企业开展绿色创新;刘晔和张训常[20]研究发现碳排放促进碳排放交易政策的实施,该政策不仅能提高处理组企业的研发投资强度,还能带动更多的企业开展绿色研发创新活动,还获取了“卖碳”的额外收益。二是认为存在技术创新效率对碳排放的单向作用关系。韩坚和盛培宏[21]认为技术创新效率对碳排放的影响显著为负,王怡[22]认为技术创新是碳排放量的格兰杰原因;李志学等[23]也认为降低碳排放量必须要加大技术创新力度。针对碳排放影响绿色创新的机制分析,Honjo[24]认为技术创新能直接利用绿色技术促进碳的固定,进而减少碳排放;Apergis等[25]则认为技术创新通过激励企业利用节能技术和生产绿色产品降低能源强度,从而间接减少碳排放;韩坚和盛培宏[21]提出技术进步通过优化产业结构,提高能源转化率,从而实现碳减排。综上,国内外学者有关绿色创新与碳排放间的相关研究为本文奠定了理论基础,接下来的研究过程中将在以下几个方面做出创新1测算绿色创新效率时将非期望产出纳入测算过程,继而采用超效率SBM模型测算中国装备制造业2008 2013年的绿色创新效率,对处于生产前沿面上的有效决策单元效率进行区分。 2针对以往研究大多以能源消费碳排放总量作为研究对象,未曾考虑各种能源消费碳排放异质性,研究内容不具有针对性,基于此,本文将能源消费碳排放细分为天然气碳排放、原油碳排放、煤炭碳排放,分析各能源消费碳排放与绿色创新效率的异质性。 3考虑现有对于碳排放和技术创新效率的研究大都停留在二者的静态单向作用关系层面,忽略了变量滞后期对即期变量的影响以及变量间的相互作用关系,本文运用PVAR面板回归模型,基于动态内生视角进行实证分析,从而在实证和内容上揭示装备制造业能源消费碳排放与绿色创新效率的关联性,以期为装备制造企业有针对性地节能减排,探索新的绿色创新路径提供借鉴。研究方法1、能源消费碳排放测算模型借鉴IPCC[26]提供的CO2排放量测算方法,装备制造业各行业能源消费碳排放量的测算公式如下Cimt eimt∗ ncvm∗ cefm∗ cofm∗ 44/12 1TECit ∑iCimt 2第9期徐建中,等动态内生视角下能源消费碳排放与绿色创新效率的机理研究83 其中,m代表能源类型。 Cimt表示i行业在第t期能源m消费的二氧化碳排放量,eimt表示i行业在第t期能源m的直接消费量,ncvm、cefm、cofm分别表示能源的平均低位发热量KJ/ kg· m3中国能源统计年鉴2014附录4、二氧化碳排放系数kgco2 / TJ、碳氧化因子,44/12为CO2的气化系数,TECit表示i行业在第t期的能源消费碳排放总量。2、包含非期望产出的超效率SBM模型绿色创新效率的测量方法以数据包络分析DEA为代表的非参数方法和随机前沿分析SFA为代表的参数方法为主[27]。由于DEA能处理多投入与多产出变量的创新效率测算问题,且无需事先设定具体的函数形式,更加切合复杂经济系统实际情况[28],故本文选取DEA方法对我国装备制造业的绿色创新效率进行测量。然而传统基于CCR-DEA或BCC-DEA模型的效率测算过程存在如下缺陷1在测算绿色创新效率时,单方面考虑期望产出指标,忽略了创新过程的非期望产出,违背了效率评价的实际意义;2其度量思路是径向的、角度的,忽略了松弛变量对效率评价的影响,当存在投入过多或产出不足带来的非零松弛时,径向模型会高估评价效率值,角度模型会因忽视某一方面的投入或产出而使测得的效率值有偏;3无法区分有效决策单元效率的大小;4较多研究将非期望产出纳入投入要素,造成测算结果有偏。鉴于我国的资源和环境问题日趋严峻,客观考察我国装备制造业企业绿色创新效率,实现我国经济绿色转型迫在眉睫。为克服上述缺陷,减小测量误差,本文参照Tone[29]和宫大鹏等[30]的做法,将非期望产出纳入超效率SBM模型进行测算。考虑非期望产出物对效率值的影响,避免投入或产出存在的非零松弛问题。具体模型设定如下假设n个决策单元DMUk有m种要素投入、S1种产出为期望产出和S2种非期望产出,其元素可以表示成x∈ Rm,yg ∈ Rs1,yb ∈ Rs2,定义矩阵X、Yg、Yb如下X x1, ,xn[ ] ∈ Rmn,Yg y1g, ,yng[ ] ∈ Rs1n,Yb y1b, ,ynb[ ] ∈ Rs2n,其中,xi0,ygi 0,ybi 0 i1,2, ,n 。其中,ρ∗为效率评价指标,它是关于s-、sg和sb严格递减的,并且ρ∗ ∈ 0,1[ ] ;x0为该决策单元的投入向量,ygk为该决策单元的期望产出向量,ybk为该决策单元的非期望产出向量;s-、sg、sb分别表示投入、期望产出、非期望产出松弛,λj为权重向量。非径向的、非角度的SBM模型[29]如下minρ∗ 1 - 1m∑mi 1s-ixik1 1s1 s2∑s1r 2sgrygrk ∑s2q 1sbqygqk s.t. xik ∑nj 1xijλj si - i 1, ,mygrk ∑nj 1yrjλj - sg-r r 1, ,s1 3ygqk ∑nj 1ybqjλj sb-q q 1, ,s2λj 0 j 1, ,ns-i ≥ 0,sgr ≥ 0,sbq ≥ 0模型3反映了ρ∗无效的DMUk转化成为DMUk有效时,第i种投入变量的投入应减少s-i ,第r种期望产出应增加sg-r ,第q种非期望产出应减少sb-q 。其中,目标函数ρ∗为投入无效率与产出无效率的比值,它关于s-、sg、sb严格递减,即当s-、sg、sb投入或产出的松弛量越大,DMUk的效率值ρ∗越小;当s-、sg、sb 0时,ρ∗ 1, DMUk是有效的,此时,不存在投入冗余,期望产出不足,非期望产出过度的情况。约束条件即对应前面存在的投入、期望产出和非期望产出的松弛变量。基于此,定义超效率SBM模型中DMUk是SBM有效的,超效率SBM模型[30]具体如下minφ∗ 1 - 1m∑mi 1xik1 1s1 s2∑s1r 2􀭰ygygrk ∑s2q 1􀭰ybygqk 84 管理评论第31卷s.t. 􀭰x ≥ ∑nj 1,≠ kxijλj i 1, ,myg ≤ ∑nj 1,≠ kyrjgλj r 1, ,s1 4yb ≥ ∑nj 1,≠ kyqjbλj q 1, ,s2λj 0 j 1, ,n j ≠ 0􀭰x ≥ xik,yg ≤ ygrj,yb ≤ ybqj模型4是基于模型3进行测算的,目的是对有效决策单元进行区分并排序,即超效率SBM模型的φ∗ ≥ 1,约束条件中j≠ k表示被评价的DMUk位于构成参照的决策单元集合外部。进而,根据模型3和模型4,可以计算中国装备制造业7类行业企业在2008 2013年的绿色创新效率,效率值用SCORE表示,即企业k在t年的绿色创新效率为SCOREkt σ∗kt σ∗kt 1φ∗kt φ∗kt 1{k 1, 7,t 2008, ,2013 53、PVAR模型PVAR模型由Holtz-Eakin等[31]提出,Lütkepohl[32]优化,相较于普通的VAR、SVAR模型,它对时间序列数据长度要求较低,主要针对面板数据,只要T≥ p3,即可对模型进行参数估计,T≥ 2p2,即可估计稳态下滞后项参数。其中,T表示时间序列长度,p表示滞后阶数[1,33]。此外,它将所有研究变量均视为内生变量,把各变量滞后项当作解释变量,在真实反映变量相互间的动态作用关系方面颇具优势。本文旨在探讨能源消费碳排放与绿色创新效率之间是否存在相互关系,具体函数形式为yit ∑pj 1bjyit-j αi βi μit 6ψit ∑pj 1cjψit-j λi γi δit 7为消除异方差,本文在构建PVAR模型时对能源消费碳排放指标进行对数化处理,式6和式7中,yit SCOREit,LNTECit[ ] ,ψit SCOREit,LNGCit,LNNCit,LNCCit[ ] ,内生变量为绿色创新效率、碳排放总量和三种能源消费碳排放强度的对数形式。 bj、cj是系数矩阵,yit-j是yit的j阶滞后项,ψit-j是ψit的j阶滞后项,αi、λi是个体效应变量,反映行业异质性,βt、γt是时间效应向量,体现每一时期的特定效应冲击,μit、δit是扰动项,i代表装备制造业各行业,t代表年份。为透彻研究能源消费碳排放与绿色创新效率的机理,本文将能源进行细分,进一步对天然气、原油和煤炭消费碳排放与绿色创新效率的双向动态关联性进行分析。实证分析1、变量选取和数据说明1绿色创新效率测量指标针对绿色创新的定义当前学界尚未统一[34],总体上有三种一是旨在尽可能减少危害环境的创新[34];二是引入环境绩效的创新[35];三是等同于环境创新或环境的改善[36]。立足绿色创新的内涵,考虑现有装备制造业企业创新的实际投入产出情况,基于数据的可得性,选取投入产出指标如下投入指标。考虑到人力和财力投入是装备制造业企业进行绿色创新的基础性核心资源要素,综合现有研究成果,分别选用R二是该阶段装备制造业资源投入冗余导致纯技术效率下降,这与姚西龙等[12]、徐建中和曲小瑜[42]的研究大体一致,因此,应着重改善这三类行业的纯技术效率。3、平稳性检验、协整检验和滞后阶数选择变量间满足平稳性且存在协整关系是应用PVAR模型的前提,为使检验结果精准,本文选用的检验方法除了常规的检验相同单位根的LLC检验和检验不同单位根的IPS检验,还采用了Fisher ADF、Fisher PP两种检验。检验结果详见表3。表3 面板数据单位根检验变量LLC IPS Fisher ADF Fisher PPDSCORE -20. 502∗ ∗ ∗ -8. 015∗ ∗ ∗ 36. 789∗ ∗ ∗ 40. 253∗ ∗ ∗DLNTEC -7. 234∗ ∗ ∗ -2. 186∗ ∗ 22. 945∗ 30. 836∗ ∗ ∗DLNGC -21. 129∗ ∗ ∗ -7. 326∗ ∗ ∗ 42. 126∗ ∗ ∗ 48. 406∗ ∗ ∗DLNCC -6. 486∗ ∗ ∗ -2. 180∗ ∗ 23. 126∗ 23. 728∗ ∗DLNNC -7. 766∗ ∗ ∗ -2. 447∗ ∗ ∗ 24. 825∗ ∗ 25. 467∗ ∗注∗ ∗ ∗ 、∗ ∗ 、∗分别表示在1、5、10的水平上显著,下同。表3结果表明五种变量均为一阶单整,Pedron[45]提出在样本数据时间较短T≤ 20时,Panel ADF和Group ADF统计量具有较好的小样本性质,变量的均值不为零。由表4可知,Panel ADF和Group ADF均在5的显著性水平下拒绝了变量间不存在协整关系的原假设,即至少部分行业企业各变量间存在显著的协整关系,因而基于PVAR模型分析三种能源消费碳排放与绿色创新效率的动态关联性是合理的。表4 面板协整检验结果检验统计量Panel v Panel rho Panel PP Panel ADF Group rho Group PP Group ADF模型1 -29. 377 0. 694 -6. 158∗ ∗ ∗ -1. 154∗ 1. 518 -8. 291∗ ∗ ∗ -4. 528∗ ∗ ∗模型2 -37. 439 1. 739 -5. 452∗ ∗ ∗ -2. 776∗ ∗ ∗ 3. 001 -10. 579∗ ∗ ∗ -3. 650∗ ∗ ∗注检验模型的趋势形式为有截距项和无确定性趋势。此外,在利用PVAR模型进行估计之前,需要确定合适的滞后阶数,以免阶数过少会使估计结果有偏,而阶数过多会损失自由度,尤其本文选取的为小样本,损失自由度会为实证结果带来明显偏差。滞后阶数的确定按照常用的AIC、BIC、HQIC准则。由表5列示的检验结果可知,选取滞后一阶的PVAR模型是合第9期徐建中,等动态内生视角下能源消费碳排放与绿色创新效率的机理研究87 理的。4、能源消费碳排放与绿色创新效率的动态关联性分析估计之前,先采用组内均值差分法消除时间效应,再用前向均值差分法消除个体效应。估计结果如表6所示,表6中列出了最优滞后期为1期时所对应的各变量间的数值关系,其中括号里为经过White异方差调整过的t统计量。表5 PVAR模型滞后阶数检验结果模型滞后阶数AIC BIC HQIC模型61 0. 572∗ 1. 428∗ 0. 833∗2 1. 430 2. 524 1. 6673 2. 238 3. 425 2. 129模型71 12. 234∗ 14. 327∗ 12. 874∗2 25. 752 28. 736 26. 3993 43. 313 46. 782 42. 992表6 PVAR1模型的System-GMM估计结果模型1变量SCOREt LNTECt模型2变量SCOREt LNGCt LNNCt LNCCtSCOREt-1 0. 772∗ ∗ ∗4. 99 0. 0690. 35 SCOREt-10. 689∗ ∗ ∗5. 410. 146∗0. 130. 0800. 08-0. 308-0. 27LNTECt-1 0. 0390. 20 0. 816∗ ∗ ∗3. 48 LNGCt-1-0. 109∗ ∗-2. 58-0. 554-1. 52-0. 212-0. 63-0. 817∗ ∗-2. 23LNNCt-1 0. 089∗ ∗2. 37-0. 449∗-1. 93-0. 093∗ ∗ ∗-0. 39-0. 579∗ ∗ ∗-2. 74LNCCt-1 0. 0701. 43 0. 837∗ ∗ ∗2. 950. 3200. 920. 807∗ ∗ ∗2. 64AR1 0. 009 0. 013 0. 012 0. 014 0. 021 0. 018AR2 0. 321 0. 514 0. 135 0. 234 0. 256 0. 432Sargan 1. 000 1. 000 1. 000 1. 000 1. 000 1. 000由表6可知,各模型AR1统计量的p值小于0. 1,即随机扰动项存在一阶自相关,但AR2统计量的p值大于0. 1,拒绝随机扰动项存在二阶序列相关的原假设,Sargan统计量的p值大于0. 1,即工具变量不存在过度识别问题,模型所选取的工具变量有效,表明模型设定是合理的。模型1的估计结果表明,绿色创新效率和能源消费碳排放总量在1的显著性水平下受自身滞后项显著影响,二者的相互影响不显著。由模型2的估计结果可知在5的显著性水平下,天然气和原油消费碳排放滞后项对绿色创新效率分别有-0. 109和0. 089的显著影响,而煤炭消费碳排放滞后项对其影响不显著;在10的显著性水平下,绿色创新效率滞后项对天然气消费碳排放有显著正向影响,对原油、煤炭消费碳排放的影响不显著;能源消费碳排放间,天然气消费碳排放滞后项对煤炭消费碳排放以及原油消费碳排放滞后项对天然气消费碳排放、煤炭消费碳排放存在显著的抑制作用,煤炭消费碳排放滞后项对天然气消费碳排放呈显著正向影响。此外,除天然气消费碳排放外,其余变量均在1的显著性水平下受自身滞后项显著影响,这说明能源消费具有一定的惯性,这和苏素和周凯[46]的研究是一致的。需要注意的是,煤炭消费碳排放与绿色创新效率的相互影响不显著。其中可能的原因是,我国“富煤、少气、缺油”的资源背景及较低的煤炭价格限制了以煤炭为主能源消费结构的优化进程,我国煤炭占能源结构的比例高达85[47],装备制造业作为高能耗行业对煤炭消费有较强的路径依赖,使得煤炭消费碳排放居高不下,加之我国政府实行命令控制型和市场激励型两大类规制政策,碳排放标准并未合理安排和有效执行,导致能源结构占比较大的煤炭消费碳排放对绿色创新效率的影响不如预期显著。另一方面,低碳竞争作为全球竞争新格局,进行国外技术引进时存在技术封锁和技术陷阱易导致技术异化现象,违背技术初衷引致环境污染、资源浪费,限制绿色创新进程,碳排放增加[48]。因此,政府应着力调整能源结构,加强政策引导,实施碳排放管制标准,注重技术引进避免技术异化。88 管理评论第31卷为保障结果的严谨性,进一步绘制能源消费碳排放和绿色创新效率之间的脉冲响应函数图如图1所示。脉冲响应函数用以分析系统中某一变量在基期发生的单位变化给其他变量带来的影响程度,准确地描述变量间的互动影响特征。根据Cholesky分解法获得脉冲响应函数[49],并用蒙特卡罗模拟150次给出其两倍标准误差的置信区间[32]。各变量脉冲响应图中横、纵坐标轴分别为滞后期数和脉冲响应值;中间实线表示脉冲响应函数曲线,上下两条实线代表95置信区间的脉冲响应函数的区间估计结果。图1 能源消费碳排放总量与绿色创新效率的脉冲响应图1能源消费碳排放总量与绿色创新效率的关联性分析由图1可知,能源消费碳排放总量和绿色创新效率均受其自身滞后项的正向影响较显著,随着时间延续,这种影响逐渐减小至收敛;绿色创新效率对能源消费碳排放总量的冲击在初期反应为0,随着时间推移逐渐增大后趋于稳定;能源消费碳排放总量对绿色创新效率的冲击虽处于波动状态,但为持续正向。研究结果表明,能源消费碳排放总量和绿色创新效率均具有一定的惯性,初始时能源消费碳排放总量对绿色创新效率的影响较小,随着时间延续能促进绿色创新效率的提升;能源消费碳排放总量和绿色创新效率之间存在相互促进的动态关联性。究其原因,能源消费带来不可逆的资源消耗,碳排放随之剧增。长期来看,一旦碳排放量超出政府的规制标准,将刺激装备制造企业加强绿色创新科研投入,对原有高能耗、高污染的生产工艺进行革新,绿色产出能力相应提高。随着装备制造业的持续绿色发展,能源消耗过大会使其发展引起的碳排放速度的增加远大于其创造产出的增长速度[18],导致碳排放增加。2天然气、原油、煤炭消费碳排放与绿色创新效率的关联性分析图2第一行表示绿色创新效率对三种一次能源消费碳排放的冲击响应。绿色创新效率对天然气消费碳排放的冲击反应始终保持负向,但在第二期达到最大值后,这种负向影响呈现出随响应期限的增大而减小至收敛的趋势;绿色创新效率对原油消费碳排放、煤炭消费碳排放的冲击响应在初始时为0,紧接着迅速产生正向反应,且分别在第一期、第二期达到最大值后逐渐减小至收敛。总体上,碳排放对绿色创新效率的影响是长期持续的,且长期内天然气消费碳排放的增加抑制了绿色创新效率的提升,而原油消费碳排放、煤炭消费碳排放的增加提升了绿色创新效率。究其原因,市场经济的完善加速了我国能源的市场化改革,相比原油、煤炭的市场化定价机制,我国天然气价格改革进展缓慢,在一定程度上仍由政府干预和管制,天然气价格未实现动态调整,供应价格较高,天然气消费量增加必然导致能源投入成本提高,长期内天然气消费碳排放会抑制绿色创新绩效,降低绿色创新效率。相对来说,需求的拉动致使煤炭和原油消费量不断上升,且“从量计征”的资源税长期偏低,导致煤炭和原油被大量不合理开采[50],为避免超过政府规制标准,企业会开发或者引入更节能的技术,从而在长期内煤炭和原油消费量的增加会提升装备制造业绿色创新效率。第二行表示三种一次能源消费碳排放对绿色创新效率的冲击响应。共同点是三种一次能源碳排放对绿第9期徐建中,等动态内生视角下能源消费碳排放与绿色创新效率的机理研究89 色创新效率的冲击在初始时均处于相对较高水平,且伴随时间推移下降到第二期就收敛为0,说明绿色创新效率仅在短期内对三种一次能源碳排放有影响,从长期来看不能持续影响碳排放;其中面对绿色创新效率的一个标准正向化冲击,短期内天然气消费碳排放和煤炭消费碳排放将不断增加,原油消费碳排放则不断减少。其中原因很可能是,能源需求作为一种刚性需求,价格相对较低、含碳系数更高的煤炭极大促进煤炭消耗比例的增长,由于碳排放速度大于绿色创新产出速度,故短期内绿色创新效率的提升以更多的煤炭消费碳排放和清洁能源天然气消费碳排放为代价,相对而言,原油的消费比例[50]降低,短期内绿色创新效率的增加抑制了原油消费碳排放。图2 三种能源消费碳排放与绿色创新效率的脉冲响应函数图图3 三种能源消费碳排放间的脉冲响应图3天然气、原油、煤炭消费碳排放间的关联性分析由图3可知,三种一次能源消费碳排放对自身的冲击均在未来一期内产生正向的冲击效果,随后下降至90 管理评论第31卷0以下转向负向冲击,并于第三期收敛为0;原油消费碳排放对天然气消费碳排放和煤炭消费碳排放冲击产生的负向效应先上升后下降至0;而来自天然气和煤炭消费碳排放的一个标准化正向冲击,对其他能源消费碳排放的冲击均是先正向后负向最后收敛至0。究其原因,能源价格的波动是影响碳排放的主要原因,能源价格形成机制经过一系列的改革后,虽有所改善,但仍然存在着价格构成不合理、价格水平偏低等问题,扭曲的能源价格制约了能源的节约和环境保护效应,进而对我国的能源安全及经济持续稳定的发展带来很大的负面影响[50],而能源价格冲击最明显的是行业内部能源消耗结构的优化[52],因而寻求有效途径优化能源消耗结构是减少碳排放的关键。4方差分析最后利用方差分解法提取对模型中变量产生影响的各随机扰动的相对重要性的信息。方差分析结果如表7所示,绿色创新效率和三种能源消费碳排放对自身的冲击值贡献最大,这意味着绿色创新效率存在明显的正反馈现象,但贡献度呈现减小趋势,也很大程度地解释了当期绿色创新效率的提升,短期内能源习惯性消费比较大;由表7中数据第一、五、九行,对绿色创新效率的解释力度按照从大到小的顺序依次是原油消费碳排放、煤炭消费碳排放、天然气消费碳排放。随时间推移,原油消费碳排放、天然气消费碳排放的解释力度逐渐增大;由数据第一列,绿色创新效率对天然气消费碳排放的贡献程度最大,原油消费碳排放次之,均将近25,且呈上升趋势,对煤炭消费碳排放的贡献几乎可以忽略。总体上,绿色创新效率对能源消费碳排放的解释力度相对更强,均大于各能源消费碳排放对绿色创新效率的解释力度,说明绿色创新效率和能源消费碳排放之间的相互影响是不对称的。表7 方差分解结果变量S SCORE LNGC LNNC LNCCSCORE 5 0. 891 0. 011 0. 072 0. 027LNGC 5 0. 195 0. 738 0. 05 0. 017LNNC 5 0. 178 0. 213 0. 415 0. 194LNCC 5 0. 001 0. 065 0. 012 0. 922SCORE 10 0. 881 0. 014 0. 079 0. 025LNGC 10 0. 224 0. 695 0. 057 0. 024LNNC 10 0. 205 0. 199 0. 379 0. 218LNCC 10 0. 002 0. 063 0. 012 0. 923SCORE 15 0. 880 0. 015 0. 080 0. 025LNGC 15 0. 228 0. 688 0. 058 0. 026LNNC 15 0. 209 0. 197 0. 373 0. 222LNCC 15 0. 002 0. 063 0. 012 0. 923结论和建议本文基于中国装备制造业行业面板数据,采用包含非期望产出的超效率SBM模型测算了规模以上企业的绿色创新效率,借鉴IPCC提供的CO2排放量测算方法测算了能源消费碳排放总量和天然气、原油和煤炭能源消费碳排放,在此基础上构建了能源消费碳排放与绿色创新效率的PVAR模型,并通过脉冲响应图和方差分解表进一步分析了能源消费碳排放与绿色创新效率的动态响应过程。所得结论如下1样本期间内我国装备制造业绿色创新效率均值达0. 983,未达到DEA有效状态,尚有提升空间,装备制造业7类行业中电器装备及器材制造业的绿色创新效率均值最大,金属制品业最小。 2能源消费碳排放总量和绿色创新效率均受其自身滞后项的显著正向影响,煤炭消费碳排放滞后项对绿色创新效率及绿色创新效率滞后项对原油、煤炭消费碳排放的影响不显著。 3长期内煤炭和原油消费碳排放的增加促进装备制造业绿色创新效率的提升,天然气消费碳排放的增加抑制绿色创新效率提升。 4短期内绿色创新效率的提升抑制原油消费碳排放,促进煤炭、天然气消费碳排放。 5未来6期内三种一次能源消费碳排放较为波动,且存在双向动态作用关系。根据实证结果,中国装备制造业碳排放与绿色创新效率间存在双向作用关系,结合本文结论更能为提升第9期徐建中,等动态内生视角下能源消费碳排放与绿色创新效率的机理研究91 绿色创新效率和减少碳排放提供政策思考,据此本文提出如下建议1装备制造企业应加大绿色技术的自主研发和外来引进,一方面能够推动绿色技术进步,实现各行业产业升级;另一方面可以降低创新风险、缩短研发时间,提高绿色创新效率。政府可通过税收减免、资金支持、政策导向、约束机制等办法鼓励企业引进高效节能设备,实现绿色技术的更新与改造,并重点支持绿色技术创新成果商品化和产业化。 2从装备制造业长期发展角度看,碳减排具有内生性,碳排放到达某种程度后有自然减缓并降低的趋势,应减少以煤炭为主的能耗方式和使用清洁能源、再生能源。此外,政府应坚持环境规制政策与节能激励机制同时推进,将碳排放超标费、化石能源使用税和高能耗产品附加税加以规范,对违反环境政策的企业给予行政处罚,并追究企业相关责任人的刑事责任,提升企业生产管理水平。 3加快改革政府主导天然气价格现状,准许市场管理非垄断性的天然气管输价格,并让中国能源市场接轨国际市场,将中国能源价格融入全球价格体系,缓解中国资源紧缺、能源价格比例差距过大、创新动力不足的现状,并对高能耗、高污染行业企业征收能源税,从而通过能源价格调整和能源税收提升绿色创新效率和减少碳排放。参考文献[1] 金春雨,韩哲,张浩博.基于Panel-VAR模型的我国金融业发展与经济增长关联性的计量检验[J].管理评论, 2013,25116-23[2] 孙涛,赵天燕.我国能源消耗碳排放量测度及其趋势研究[J].审计与经济研究, 2014,292104-111[3] 刘清春,孔令群,安泽扬.中国制造业能源相关的碳排放因素分析[J].中国人口·资源与环境, 2014,165S214-18[4] Kemp R., Arundel A. Survey Indicators for Environmental Innovation[R]. Indicators and Data for European Analysis, 1998[5] IPCC.气候变化2007自然科学基础[R]. IPCC第四次评估报告, 2007[6] 胡彩梅,韦福雷,吴莹辉,等.中国能源产业技术创新效率对碳排放的影响研究[J].资源开发与市场, 2014,303300-304[7] Chen Y. S., Lai S. B., Wen C. T. The Influence of Green Innovation Perance on Corporate Advantage in Taiwan[J]. Journalof Business Ethics, 2006,674331-339[8] Chen Y. S. The Driver of Green Innovation and Green Image-green Core Competence[J]. Business Ethics, 2008,813531-543[9] Ramanathan R. An Analysis of Energy Consumption and Carbon Dioxide Emissions in Countries of the Middle East and North Afri-ca[J]. Energy, 2005,30152831-2842[10] Mohtadi H. Environment, Growth and Optimal Policy Design[J]. Journal of Public Economics, 1996,631119-140[11] Lu X. D., Pan J. H., Chen Y. Sustaining Economic Growth in China under Energy and Climate Security Constraints[J]. Chinaand World Economy, 2006,14685-97[12] 姚西龙,王文熹,刘佳.我国装备制造业技术创新的绿色绩效研究[J].科技和产业, 2015,15181-84[13] Sueyoshi T., Goto M. DEA Approach for Unified Efficiency Measurement Assessment of Japanese Fossil Fuel Power Generation[J]. Energy Economics, 2011,332292-303[14] 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, 2014,7176-177[15] 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, 2016,269149-157[16] 付帼,卢小丽,武春友.中国省域绿色创新空间格局演化研究[J].中国软科学, 2016,789-99[17] 苗成林,孙丽艳,杨力.能源消耗与碳排量约束下区域技术效率研究[J].科研管理, 2016,3721-8[18] 殷宝庆.进口中间品碳排放、环境规制与本土企业的技术创新[J].学术论坛, 2012,353125-129[19] Jung C., Krutilla K., Boyd R. Incentives for Advanced Pollution Abatement Technology at the Industry Level An uation ofPolicy Alternatives[J]. Journal of Environmental Economics 2.School of Economics and Management, Northeast Forestry University, Harbin 150040Abstract This paper analyzes the green innovation efficiency of Chinese equipment manufacturing industries by SBM Super-efficiencyModel with panel data. The PVAR model is constructed from the dynamic endogenous perspective and the relationship between carbon e-missions from energy consumption and green innovation efficiency is analyzed empirically by the impulse response function and variancedecomposition . The research shows that the average efficiency of green innovation is 0.983 during the sample period, and thereis room for improvement. Long term co-integration relationship exists between carbon emissions of natural gas, coal, crude oil and greeninnovation efficiency. There is no significant interaction between coal carbon emissions and green innovation efficiency. Carbon emissionsfrom natural gas have negative effects on green innovation efficiency, and carbon emissions from coal and crude oil have positive effectson green innovation efficiency in long term. Green innovation efficiency suppresses carbon emissions from crude oil, but promotes carbonemissions from coal and natural gas in short term.Key words carbon emission, green innovation efficiency, super efficiency SBM, PVAR model