制度与技术双“解锁”是否驱动了中国制造业绿色发展？
袁宝龙
摘要 依靠制度创新与技术创新驱动中国制造业绿色发展，已成为学术界和政策制定者关注的重大研究命题。基于此，通过构建扩展的CDM模型，利用2003—2014年中国制造业28个行业面板数据，研究环境规制对产业创新过程的影响。结果显示：①环境规制对制造业研发投入具有显著的挤出效应，当前制造业遵循环境规制的成本显然已经影响了其创新活动的实施。②环境规制显著抑制了制造业的实质性创新产出和策略性创新产出，弱“波特假说”尚未得到支持。同时，研发强度显著促进了制造业实质性和策略性创新产出。③环境规制能够促进制造业经济绩效、能源绩效和环境绩效的提高，强“波特假说”得到支持。强、弱“波特假说”的差异化结果表明，面对政府的环境规制，目前中国制造业通过创新来寻求经济与能源、环境协调发展尚未成为其实施绿色发展的首选路径。④实质性创新对经济绩效具有显著的促进作用，但是对能源绩效的影响并不显著，而且显著抑制了环境绩效的提高，策略性创新对经济绩效、能源绩效和环境绩效具有显著的促进作用。这意味着，中国政府在制定环境保护政策的过程中，应降低行业的环境规制遵循成本。同时，进一步调整中国制造业的技术进步结构，通过财政补贴和税收优惠等手段，鼓励制造业优先开展低碳节能型技术创新，进一步增强制造业绿色创新成果的转化能力，使其真正转化为强大的绿色生产力，推动制造业的绿色发展。
关键词 环境规制；创新驱动；绿色发展；CDM模型；制造业
中图分类号 F42 文献标识码 A 文章编号 1002-2104（2018）03-0117-11 DOI：10.12062/cpre.20170912
制造业在国民经济中占据主导地位，然而，中国制造业发展正面临着能源与环境约束的多重锁定。因此，通过创新驱动产业绿色发展，是中国制造业迫切需要解决的重大问题。理论上来看，“波特假说”认为，设计恰当的环境规制能够激励企业实施技术创新，进而通过技术创新提高企业的竞争力[1]。Jaffe和Palmer[2]进一步提出，环境规制对技术创新的促进作用为弱“波特假说”，环境规制对企业竞争力的促进作用为强“波特假说”。然而，现有研究较多地是直接讨论环境规制对创新绩效的影响，忽略了创新投入与产出的过程性特征。基于此，本文试图回答以下问题：在制造业面临能源环境约束与经济增速放缓的双重压力下，环境规制能否促进制造业提高创新投入？环境规制与创新投入对创新产出是否存在差异化的影响？环境规制引致的创新产出对经济绩效、能源绩效、环境绩效是否存在差异化的影响？针对这些问题，本文构建扩展的CDM模型[3]，采用2003—2014年中国制造业28个行业面板数据检验环境规制对制造业创新过程的影响。这一研究有助于揭示制度与技术创新对产业绿色发展的“解锁”机制和路径，为产业绿色发展提供有益的政策指导。
1 文献综述
1.1 环境规制与创新投入
环境规制被认为是促进技术创新的重要因素[4]。Hojnik和Ruzzier[5]研究发现，环境规制强度对环境R&D投入具有显著的促进作用。相反，Blind[6]研究发现，环境规制对国家创新绩效具有显著的抑制作用。Sen[7]研究发现，环境规制对产业R&D具有显著抑制作用。李婉红[8]等人研究发现，环境规制对污染密集型行业的绿色技术创新具有抑制作用。谢荣辉[9]研究发现，环境规制对R&D总投入具有显著促进作用。张平[10]等人研究发现，费用型环境规制对企业技术创新产生了显著的“挤出效应”。余伟[11]等人研究发现，环境规制对企业研发投入具有显著促进作用。
1.2 创新投入与创新产出
关于创新投入与产出的关系并未形成一致结论。一部分研究认为创新投入能够促进创新产出。例如，Acosta[12]等人研究发现，R&D支出对企业产品创新和组织创新具有促进作用。CostaCampi[13]等人研究发现，能源产业的R&D强度对工艺创新具有促进作用。Song和Oh[14]研究发现，R&D强度仅促进了能源密集型工业的工艺创新。Frank[15]等人研究发现，市场导向型的创新投入对创新产出有促进作用。然而，另一部分研究表明创新投入与产出之间并不存在正向关系。例如，孙早和宋炜[16]研究发现，企业R&D投入对专利产出的正效应不显著。
1.3 创新产出与创新绩效
（1）创新产出與经济绩效。关于创新产出与经济绩效的研究包括两个方面：①创新直接促进生产率或财务绩效。Johnstone[17]等人研究发现，企业创新与生产率显著正相关。Lee和Min[18]研究发现，创新能够显著促进企业财务绩效。Ghisetti和Rennings[19]研究发现，减少能源或原料使用型的创新显著促进企业竞争力。Guo[20]等人研究发现，能源技术创新能够促进以煤炭消费为主的经济转型；②创新对企业经济绩效的促进作用存在一定的条件。AmoresSalvadó[21]等人研究发现，环境管理系统能够正向调节环境产品创新对企业市场绩效的促进作用。Kim[22]等人研究发现，在较高的不确定性条件下，滞后性的专利能够产生较高的创新绩效，相反，在较低的不确定性条件下，领先性的专利能够产生较高的创新绩效。AmoresSalvadó[23]等人研究发现，环境产品创新对企业绩效的促进作用并不显著，但是在绿色企业形象的调节作用下，能够显著促进企业绩效。
（2）创新产出与环境绩效。现有研究普遍认为，创新是提高环境绩效的有效途径：①创新能够促进企业环境绩效。Cagno[24]等人研究发现，企业内部R&D能够促进能源效率的提高。②创新能够促进产业环境绩效。Gilli[25]等人研究发现，创新的补偿效应能够实现产业环境生产率的提升。③创新能够促进区域环境绩效。Zhang[26]等人研究发现，环境创新能够有效降低区域碳排放。
现有研究文献较少研究环境规制对创新过程的影响，对创新产出和创新绩效并未做严格的区分，对创新绩效更是以财务绩效、生产率等经济性指标来衡量，鲜有分类探讨环境规制对产业创新产出和创新绩效的影响。而且，关于中国这一最大发展中国家的环境规制对产业创新过程的影响研究较少。本文的学术贡献包括以下两个方面：①本文在“波特假说”的理论框架下，将强、弱“波特假说”理论与创新过程理论相结合，进一步研究环境规制对创新过程的影响，有助于揭示环境规制对创新过程的影响机制，丰富“波特假说”理论与创新过程理论。②本文对创新产出和创新绩效做了进一步分解，将创新产出分为实质性产出和策略性产出，将创新绩效分为经济绩效、能源绩效、环境绩效，深入分析环境规制和创新投入对不同的创新产出和创新绩效的影响差异，有助于揭示环境规制引致的创新产出对创新绩效的差异化影响机制。
2 研究方法与模型
本文的计量經济分析是基于Crepon等人提出的CDM模型[3]。经典的CDM模型包括三个步骤，第一步分析企业是否实施R&D投入以及投入多少研发资源（R&D方程）。第二步分析企业R&D投入及其它内外部资源投入对创新产出的影响（创新方程）。第三步分析企业专利产出量对生产率的影响（生产率方程），将创新产出作为一种额外的投入要素纳入到扩展的生产函数中，以检验创新对企业生产率的影响程度[27]。本文在此基础上，对R&D方程、创新方程和生产率方程进行扩展。
2.1 R&D方程
由于本文研究对象是中国制造业，每个细分行业均有R&D投入，不存在样本的选择性偏差问题。因此，本文不再分析R&D方程中关于产业是否实施研发活动的决策行为，直接进入研发强度函数。R&D方程主要检验影响行业R&D投入强度的因素，由于R&D投入效用的发挥具有一定的滞后效应，因此，本文引入R&D滞后一期检验R&D方程的动态效应[28]。本文使用工业污染治理设施运行费用来衡量环境规制强度，受投资回收期的影响，该指标对当期制造业R&D投入强度的影响可能存在滞后性，为了捕捉这种滞后效应，引入环境规制的当期和滞后一期作为核心自变量[29]。另外，本文从行业外部和内部两个方面选择控制变量，其中外部因素选取政府补贴[30]、外商直接投资[31]、市场竞争度[28]，内部因素选取资本密集度[32]、所有权性质和行业规模[31]。为了进一步判断环境规制与创新的行业异质性，本文引入行业污染程度的虚拟变量。R&D方程如式（1）所示：
其中，被解释变量r&d表示研发强度。解释变量r&dit-1表示滞后一期的研发强度，er表示环境规制，erit-1表示滞后一期的环境规制，control表示控制变量组，包括政府补贴（sub）、市场竞争度（mc）、外商直接投资（fdi）、资本密集度（ci）、所有权性质（own）、行业规模（gdp），di为0、1虚拟变量，其中，1为重度污染行业，0为轻度污染行业。ε为随机误差项，i代表行业，t代表年份。各变量的定义见表1所示。
2.2 创新方程
创新方程也被称为专利函数或知识生产函数，主要检验行业R&D投入及其它资源投入对创新产出的影响。为了进一步检验在环境规制的压力下，制造业是否会产生实质性创新与策略性创新的差异，将专利产出分为发明专利和非发明专利，其中，发明专利衡量实质性创新，非发明专利衡量策略性创新。由于知识生产函数发挥效应需要一个过程，而且专利的产出往往滞后于当期的R&D投入，因此，引入R&D的滞后一期作为自变量。另外，在方程（1）确定的控制变量的基础上，创新方程中新增劳动力素质和研发机构数量作为控制变量。创新方程如式（2）所示：
其中，被解释变量pat、npat分别表示实质性创新、策略性创新。解释变量r&d、r&dit-1、er、erit-1与方程（1）的定义一致。control表示控制变量组，其中，lab为劳动力素质，ti为研发机构数量，其它控制变量与方程（1）一致。φ、η为随机误差项，i代表行业，t代表年份。各变量的定义见表1所示。
2.3 生产率方程
生产率方程是检验专利产出对产业生产率的影响。经典CDM模型中的生产率方程以劳动生产率作为因变量，为了进一步考察在环境规制的压力下，创新产出对创新绩效的差异化影响，分别引入经济绩效、能源绩效、环境绩效作为被解释变量，同时，引入被解释变量的滞后一期检验其动态效应。本文将方程（2）中的实质性创新、策略性创新作为生产率方程的解释变量。另外，由于经济、能源和环境绩效的测算中引入了行业规模，所以，生产率方程中的控制变量不再添加行业规模，其它控制变量与方程（1）一致。生产率方程如式（3）所示：
其中，被解释变量lp、ene、env分别表示经济绩效、能源绩效、环境绩效。解释变量lpit-1、eneit-1、envit-1分别表示各被解释变量的滞后一期，pat、npat、er、erit-1与方程（2）的定义一致。control表示控制变量组。ξ、ψ、σ为随机误差项，i代表行业，t代表年份。各变量的定义见表1所示。
本文运用超效率DEA方法计算中国制造业28个行业的能源绩效和环境绩效，评价模型如式（4）所示。测算能源绩效的投入指标包括行业综合能源消费量、资本投入、劳动力投入，产出指标为行业总产值[33]。测算环境绩效的投入指标包括行业废水、废气、COD、SO2、烟尘、固废、CO2，产出指标为行业总产值[34]。
其中，m表示每个DMU的投入种类，q表示每个DMU的产出种类，n表示DMU的个数，ρ为能源绩效或环境绩效值。xij表示第j个决策单元的第i种投入，yrj表示第j个决策单元的第r种产出，s-表示投入的松弛变量，s+表示产出的松弛变量。
3 数据来源与处理
为了数据统计分析的便利，本文在国民经济行业分类（GB/T 4754-2011）的基础上，结合《中国统计年鉴》《中国环境统计年鉴》《中国科技统计年鉴》《中国能源统计年鉴》的行业分类，将中国制造业划分为28个部门。本文参考Wang和Shen[35]的方法，将中国制造业划分为重度污染行业和轻度污染行业两组（表2）。
各行业的R&D投入、专利数量、发明专利数量、政府补贴、劳动力素质、研发机构数的数据来自《中国科技统计年鉴》（2004—2015）。各行业的能源消耗数据来自《中国能源统计年鉴》（2004—2015）。各行业的废水排放量、COD排放量、废气排放量、SO2排放量、烟尘排放量、固废排放量、废水和废气污染治理设施当年运行费用数据来自《中国环境统计年鉴》（2004—2015）；CO2数据需要根据IPCC（联合国政府间气候变化专门委员会）提供的国家温室气体清单指南中二氧化碳排放量计算方法进行计算获得[36]。各行业的资本投入、劳动力投入、行业生产总值、外商直接投资、市场竞争度、资本密集度、所有权性质数据来自《中国统计年鉴》（2004—2015）。为了消除通货膨胀的影响，我们使用现价/工业品出厂价格指数把货币值数据的当年价格转换成2002年不变价格。本文计量回归模型各变量的描述性统计结果如表3所示。
4 实证结果分析
4.1 平稳性检验和协整检验
在进行计量回归分析之前，首先对数据进行平稳性检验。本文采用LLC检验、IPS检验、FisherADF检验和FisherPP检验四种方法进行单位根检验，以确定变量的平稳性，同时也可确保检验的稳健性[37]。四种检验的原假设均为含有单位根，单位根检验方程均包括了常数项和时间趋势项。检验结果显示，除了lngdp和lnti的一阶差分序列的IPS检验值在5%的显著性水平拒绝有单位根的原假设，其它所选变量的一阶差分序列均在1%的显著性水平下拒绝有单位根的原假设，即所有变量的一阶差分序列都是平稳序列（表4）。
由面板数据的单位根检验可知，所有变量均为一阶单整过程，在估计面板数据的参数之前，有必要先检验方程（1）～（3）中各变量之间的协整关系，以避免出现伪回归现象。因此，本文选择Kao检验来判断变量的协整性，原假设为不存在协整关系。结果显示，方程（1）和方程（2）在1%的水平下拒绝原假设，表明方程（1）和方程（2）中自变量与因变量之间存在长期均衡关系。方程（3）中的经济绩效方程在1%的水平下拒绝原假设，能源绩效和环境绩效方程在10%的水平下拒绝原假设，表明方程（3）中自变量与因变量之间存在长期均衡关系（表5）。
4.2 R&D方程回归结果
表6是对方程（1）的估计结果。模型1～4分别报告了混合估计、固定效应估计、两步SYSGMM估计的结果。由于创新可能反向影响环境规制，本文首先对环境规制进行了内生性检验，Hausman检验结果显示，χ2（1）统计量为1.02，p值为0.31，表明环境规制不存在内生性问题。同时，异方差稳健的DWH检验χ2（1）统计量为1.33，p值为0.25，也表明环境规制不存在内生性问题。VIF最大值为3.57，远小于10，表明不存在严重的多重共线性。
在模型3和4中，AR（1）拒绝原假设而AR（2）接受原假设，表明残差项不存在二阶序列相关，同时，Sargan检验表明工具变量并不存在过度识别约束。通过估计所得到的SYSGMM估计量具有一致性，但如果使用的工具变量较弱时，SYSGMM估计量可能会发生偏倚。Bond[38]提出了判斷此种情况的方法，良好的因变量滞后项的估计量应该处于混合回归估计量和固定效应回归估计量的范围之间。与我们所期望的一样，模型3与4的因变量滞后项的SYSGMM估计量恰好介于混合回归滞后项的估计量和固定效应回归滞后项的估计量之间。
在模型3中，研发强度的滞后一期对当期在1%的水平上呈正向关系，表明制造业研发投入具有较强的累积效应。环境规制对制造业研发强度呈显著负向关系，表明环境规制对研发投入具有显著的抑制作用。在模型4中，当我们引入环境规制滞后一期后，发现其对制造业研发强度也具有显著的抑制作用，这既表明环境规制对研发强度的影响具有滞后性，也表明从制造业长期发展来看，环境规制对研发投入具有显著的挤出效应。从行业污染程度的虚拟变量系数来看，重度污染行业与轻度污染行业在研发强度方面并无显著差异。
导致上述结论的主要原因在于，其一，环境规制作为一种制度安排，其效力的发挥需要行政部门自上而下制定相应的配套政策和实施办法，导致政策产生滞后效应。其二，中国政府自2000年以来日益重视产业发展对生态环境的影响，环境规制压力日趋增强，而制造业的发展长期依赖于资源和能源等要素投入驱动，技术驱动的水平和能力相对较弱，2003—2014年研发投入仅占行业总产值的1.75%，因此，在环境规制压力与自身研发投入动力不足的双重影响下，企业不得不进一步缩减研发资金，投入于环境绩效的改善，以减轻政府的环境规制压力。
4.3 创新方程回归结果
表7是对方程（2）的估计结果。由于模型5～8的因变量为专利数量，属于非负整数，因此，本文使用面板负二项回归模型进行估计[27]。模型5～8的alpha值均在95%的置信区间，故可在5%的显著性水平上拒绝过度分散参数“α=0”的原假设，表明使用面板负二项回归模型是恰当的。
模型5～6报告了环境规制对制造业实质性创新产出的估计结果。环境规制对实质性创新的估计系数为-0.224，且在1%的水平下显著，表明环境规制对实质性创新具有显著的抑制作用，而且环境规制滞后一期对实质性创新也具有显著的抑制作用。究其原因，在R&D方程中，环境规制对研发投入产生了挤出效应，制约了第二阶段的实质性创新产出。研发强度对实质性创新的估计系数为0.276，且在1%的水平下显著。同时，研发强度滞后一期对实质性创新也具有显著的促进作用，表明研发投入作用的发挥具有较强的滞后性和连续性。从行业污染程度的虚拟变量系数来看，重度污染行业比轻度污染行业的发明专利平均高出0.234个单位，表明行业污染程度对制造业实质性创新产生了显著的影响。
模型7～8报告了环境规制对制造业策略性创新产出的估计结果。环境规制对策略性创新的估计系数为-0.159，且在1%的水平下显著，表明环境规制对策略性创新具有显著的抑制作用，而且环境规制滞后一期对策略性创新也具有显著的抑制作用。究其原因，由于环境规制对研发投入产生了挤出效应，影响了非发明专利产出的数量。研发强度对策略性创新的回归系数为0.158，且在5%的水平下显著，表明研发强度能够促进产业策略性创新的产出。同时，研发强度的滞后一期对策略性创新的影响并不显著，主要原因在于策略性创新投入产出周期较短，当期即可产生效果，而实质性创新投入产出周期相对较长，滞后效应较为明显。从行业污染程度的虚拟变量系数来看，重度污染行业比轻度污染行业的非发明专利平均低0.203个单位，表明行业污染程度对制造业策略性创新产生了显著的影响。
4.4 生产率方程回归结果
表8是对方程（3）的估计结果。为了考察因变量的累积效应，本文采用SYS-GMM方法估计方程（3），其中，模型9～14的差分残差二阶序列不相关，Sargan检验表明工具变量并不存在过度识别约束，因此，SYSGMM估计量具有一致性。
模型9～10报告了环境规制与创新产出对制造业经济绩效的估计结果。经济绩效的滞后一期对当期在1%的水平上呈正向关系。当期环境规制对经济绩效的估计系数为0.001，且在1%的水平下显著，表明环境规制对经济绩效具有显著的促进作用。主要原因是，短期内制造业受到环境规制时，首先考虑其内部资源配置问题，而不是迅速投入研发资金实施创新，环境规制将迫使企业重新调整内部资源配置、生产流程或组织结构，而且与创新过程相比，这种改进能够降低生产的“X”非效率，在一定程度上也能够促进制造业经济绩效的提高。但是，从长期来看，环境规制对经济绩效具有抑制作用，表明这种非研发创新型的应对策略对行业经济绩效的促进作用十分有限。实质性创新和策略性创新对经济绩效具有显著的促进作用。从行业污染程度的虚拟变量系数来看，重度污染行业比轻度污染行业的经济绩效平均高出0.141个单位，表明行业污染程度对制造业经济绩效产生了显著的影响。
模型11～12报告了环境规制与创新产出对制造业能源绩效的估计结果。能源绩效的滞后一期对当期在1%的水平上呈正向关系。当期环境规制对能源绩效的估计系数为0.004，且在1%的水平下显著，滞后一期环境规制对能源绩效的估计系数为0.011，且在5%的水平下顯著，表明环境规制对能源绩效具有显著的促进作用，而且存在显著的滞后效应。同时，实质性创新对能源绩效并没有显著的促进作用，主要原因在于当前的发明专利以追求经济绩效为主，节能类的发明专利产出较少。策略性创新对能源绩效具有显著的促进作用，主要原因是非发明专利对制造业工艺改造具有重要作用，工艺流程及产品外观设计的改善减少了能源消耗量。从行业污染程度的虚拟变量系数来看，重度污染行业比轻度污染行业的能源绩效平均高出0.611个单位，二者差异较大，表明行业污染程度对制造业能源绩效产生了显著的影响。
模型13～14报告了环境规制与创新产出对制造业环境绩效的估计结果。环境绩效的滞后一期对当期在1%的水平上呈正向关系。环境规制对环境绩效的估计系数为0.033，且在5%的水平下显著，表明环境规制对环境绩效具有显著的促进作用。但是，环境规制的滞后一期对环境绩效的促进作用并不显著，主要原因是企业在环境规制政策的执行过程中，存在选择性执行的行为，即“上有政策、下有对策”，而且，随着环境政策的持续推进，企业选择性行为更严重。同时，实质性创新对环境绩效具有显著的抑制作用，表明当前制造业发明专利的环境友好型特征较弱，产业的实质性创新依然以追求经济绩效为主，而忽视了产业发展对环境的损害[39]。但是，策略性创新对环境绩效具有显著的促进作用，表明制造业更多地通过策略性创新来应对环境规制，主要原因是策略性创新的重点是工艺创新，该种创新具有低成本、见效快的特征，符合制造业经济发展与环境保护的双重需求。从行业污染程度的虚拟变量系数来看，重度污染行业比轻度污染行业的环境绩效平均低1.665个单位，二者差异较大，表明行业污染程度对制造业环境绩效产生了显著的影响。
从创新方程和生产率方程的回归结果来，环境规制在抑制制造业创新的条件下，仍然促进了经济、能源和环境绩效。主要原因在于，中国政府加大了对钢铁、水泥、有色金属、焦炭、造纸、制革、印染等行业落后产能的淘汰力度，通过强制淘汰落后产能企业和污染重、能耗高、盈利低的企业，使得行业整体的经济绩效、能源绩效和环境绩效得到提高。
4.5 稳健性检验
本文通过两种方法进行了稳健性检验：①为了规避行业规模对结果的潜在影响，使用环境规制强度（污染治理设施运行费用/行业总产值）进行回归，结果见表9中的模型15～20；②为检验不同测度及其误差的影响，本文利用SO2排放强度来测量环境规制水平[40]，回归结果见表9中的模型21～26。与表6相比，表9中环境规制对研发强度影响依然呈显著的负向关系。与表7相比，表9中环境规制与研发强度对实质性创新、策略性创新的影响是一致的，仅系数大小与显著性略有差异。与表8相比，表9中环境规制与创新产出对经济绩效、能源绩效、环境绩效的影响也是一致的，表明本文的实证结果是稳健可靠的。为了节省篇幅，表9仅报告了核心自变量的估计系数和相关检验结果，省略了环境规制滞后一期和控制变量的结果。
5 研究结论与政策启示
本文得出以下研究结论：
（1）环境规制对制造业研发投入具有显著的挤出效应，这表明当前制造业企业遵循环境规制的成本显然已经影响了其创新活动的实施，中国制造业以牺牲创新投入来应对政府持续增强的环境规制。这与Kneller和Manderso[28]的研究结论一致，该研究发现环境规制对研发投入并没有显著的促进作用。但是，本文与Zhao和Sun[29]的研究结论并不一致，该研究发现环境规制对研发投入具有微弱的促进作用。因此，总体来看，当前环境规制的成本效应超过了创新补偿效应。
（2）环境规制显著抑制了制造业的实质性创新和策略性创新，而且对实质性创新的抑制作用强于策略性创新，这表明在创新的第一阶段中，由于环境规制对研发投入的挤出作用，各行业不断减少研发投入，导致第二阶段的实质性创新产出受到严重制约，弱“波特假说”尚未得到支持。这与李婉红[8]等人的研究结论基本一致，表明政府的环境规制具有不完全性，弱“波特假说”成立具有一定的条件性。
（3）环境规制能够促进制造业经济绩效、能源绩效和环境绩效的提高，强“波特假说”得到支持。强、弱“波特假说”的差异化结论表明，面对政府的环境规制，目前中国制造业通过创新来寻求经济与能源、环境协调发展尚未成为其实施绿色发展的首选路径。同时，实质性创新对制造业经济绩效具有显著的促进作用，但是其对制造业能源绩效的影响并不显著，而且显著抑制了环境绩效的提高，表明实质性创新导致制造业经济绩效与环境保护之间存在明显的张力[41]，这种创新产生的规模扩张效应导致了能源回弹效应和环境加速破坏[42]。策略性创新对制造业经济绩效、能源绩效和环境绩效具有显著的促进作用，这表明策略性创新是促进制造业经济绩效与节能减排协调发展的重要动力。
上述结论蕴含的政策含义包括：
（1）政府在制定环境保护政策的过程中，应降低行业的环境规制遵循成本。一方面，应确保制定的环保政策目标符合当前制造业发展的实际情况，避免因政策目标过高导致竭泽而渔；另一方面，应通过完善环境保护的市场化机制，通过推广应用排污权交易、资源税、环境税等市场化工具，进一步降低环境规制成本。
（2）需要进一步调整制造业的技术进步结构，政府应通过财政补贴和税收优惠等手段鼓励制造业优先开展低碳节能技术创新。同时，非发明专利却能促进制造业经济与能源环境协调发展，因此，应鼓励制造业加大工艺创新力度，促进制造业实施绿色生产工艺改造。
（3）进一步增强制造业绿色创新成果的转化能力。加强财政、税收、产业、金融、政府采购等政策协同，增强和优化绿色科技成果转化公共服务，为绿色科技成果转化创造良好环境，使其真正转化为强大的绿色生产力，推动制造业的绿色发展。
本文研究的局限性在于：①采取单一指标衡量制造业的环境规制水平，尚未按照环境规制的强制性程度进行分类，后续研究可进一步分类研究环境规制对产业创新的影响；②本文只考虑制造业整体的创新产出，并未考虑环保型的专利，未来的研究可以聚焦到环境规制对产业环保型专利以及能源、环境绩效的影响。
参考文献（References）
[1]PORTER M E， VAN DER LINDE C. Toward a new conception of the environmentcompetitiveness relationship [J]. Journal of economic perspective， 1995， 9： 97-118.
[2]JAFFE A， PALMER K. Environmental regulation and innovation： a panel study [J]. The review of economics and statistics， 1997， 76： 610-619.
[3]CREPON B， DUGUET E， MAIRESSE J. Research， innovation and productivity： an econometric analysis at the firm level [J]. Economics of innovation and new technology， 1998， 7（2）： 115-158.
[4]王锋正， 郭晓川. 环境规制强度、行业异质性与R&D效率——源自中国污染密集型与清洁生产型行业的实证比较[J]. 研究与发展管理， 2016， 28（1）： 103-111. [WANG Fengzheng， GUO Xiaochuan. Environmental regulation intensity， industrial heterogeneity and R&D efficiency：empirical comparison between pollutionintensive industries and cleanproduction industries in China [J]. R&D management， 2016， 28（1）： 103-111.]
[5]HOJNIK J， RUZZIER M. The driving forces of process ecoinnovation and its impact on performance： insights from Slovenia [J]. Journal of cleaner production， 2016， 133： 812-825.
[6]BLIND K. The influence of regulations on innovation： a quantitative assessment for OECD countries [J]. Research policy， 2012， 41： 391-400.
[7]SEN S. Corporate governance， environmental regulations， and technological change [J]. European economic review， 2015， 80： 36-61.
[8]李婉紅， 毕克新， 孙冰. 环境规制强度对污染密集行业绿色技术创新的影响研究——基于2003—2010年面板数据的实证检验[J]. 研究与发展管理， 2013， 25（6）： 72-81. [LI Wanhong， BI Kexin， SUN Bing. Research on the effect of environmental regulation intensity on green technological innovation of pollution intensive industries：empirical test based on panel data of 2003-2010[J]. R&D Management， 2013， 25（6）： 72-81.]
[9]谢荣辉. 环境规制、引致创新与中国工业绿色生产率提升[J]. 产业经济研究， 2017（2）： 38-48. [XIE Ronghui. Environmental regulation， induced innovation and green productivity growth in China [J]. Industrial economics research， 2017（2）： 38-48.]
[10]张平， 张鹏鹏， 蔡国庆. 不同类型环境规制对企业技术创新影响比较研究[J]. 中国人口·资源与环境， 2016（4）： 8-13. [ZHANG Ping， ZHANG Pengpeng， CAI Guoqing. Comparative study on impacts of different types of environmental regulation on enterprise technological innovation[J]. China population， resources and environment， 2016（4）： 8-13.]
[11]余伟， 陈强， 陈华. 环境规制、技术创新与经营绩效——基于37个工业行业的实证研究[J]. 科研管理， 2017， 38（2）： 18-25. [YU Wei， CHEN Qiang， CHEN Hua. Environmental regulation， technological innovation and economic performance based on an empirical analysis of 37 industries [J]. Science research management， 2017， 38（2）： 18-25.]
[12]ACOSTA M， CORONADO D， ROMERO C. Linking public support， R&D， innovation and productivity： new evidence from the Spanish food industry[J]. Food policy， 2015， 57： 50-61.
[13]COSTACAMPI M T， DUCHBROWN N， GARCAQUEVEDO J. R&D drivers and obstacles to innovation in the energy industry[J]. Energy economics， 2014， 46： 20-30.
[14]SONG C， OH W. Determinants of innovation in energy intensive industry and implications for energy policy[J]. Energy policy， 2015， 81： 122-130.
[15]FRANK A G， CORTIMIGLIA M N， RIBEIRO J L D， et al. The effect of innovation activities on innovation outputs in the Brazilian industry： marketorientation vs. technologyacquisition strategies [J]. Research policy， 2016， 45： 577-592.
[16]孫早， 宋炜. 企业R&D投入对产业创新绩效的影响——来自中国制造业的经验证据[J]. 数量经济技术经济研究， 2012（4）： 49-63. [SUN Zao， SONG Wei. Corporation R&D investments effect on innovation performance based on an empirical analysis of manufacturing [J]. The journal of quantitative & technical economics， 2012（4）： 49-63.]
[17]JOHNSTONE N， MANAGI S， RODRGUEZ M C， et al. Environmental policy design， innovation and efficiency gains in electricity generation [J]. Energy economics， 2017， 63： 106-115.
[18]LEE K H， MIN B. Green R&D for ecoinnovation and its impact on carbon emissions and firm performance [J]. Journal of cleaner production， 2015， 108： 534-542.
[19]GHISETTI C， RENNINGS K. Environmental innovations and profitability： how does it pay to be green？ an empirical analysis on the German innovation survey [J]. Journal of cleaner production， 2014， 75： 106-117.
[20]GUO P B， WANG T， LI D， et al. How energy technology innovation affects transition of coal resourcebased economy in China [J]. Energy policy， 2016， 92： 1-6.
[21]AMORESSALVAD J， CASTRO G M， NAVASLPEZ J E. The importance of the complementarity between environmental management systems and environmental innovation capabilities： a firm level approach to environmental and business performance benefits [J]. Technological forecasting & social change， 2015， 96： 288-297.
[22]KIM B， KIM E， MILLER D J， et al. The impact of the timing of patents on innovation performance [J]. Research policy， 2016， 45： 914-928.
[23]AMORESSALVAD J， CASTRO G M， NAVASLPEZ J E. Green corporate image： moderating the connection between environmental product innovation and firm performance [J]. Journal of cleaner production， 2014， 83： 356-365.
[24]CAGNO E， RAMIREZPORTILLA A， TRIANNI A. Linking energy efficiency and innovation practices： empirical evidence from the foundry sector [J]. Energy policy， 2015， 83： 240-256.
[25]GILLI M， MANCINELLI S， MAZZANTI M. Innovation complementarity and environmental productivity effects： reality or delusion？ evidence from the EU [J]. Ecological economics， 2014， 103： 56-67.
[26]ZHANG Y J， PENG Y L， MA C Q， et al. Can environmental innovation facilitate carbon emissions reduction？ evidence from China [J]. Energy policy， 2017， 100： 18-28.
[27]MARIN G. Do ecoinnovations harm productivity growth through crowding out？ results of an extended CDM Model for Italy [J]. Research policy， 2014， 43： 301-317.
[28]KNELLER R， MANDERSON E. Environmental regulations and innovation activity in UK manufacturing industries [J]. Resource and energy economics， 2012， 34： 211-235.
[29]ZHAO X， SUN B W. The influence of Chinese environmental regulation on corporation innovation and competitiveness [J]. Journal of cleaner production， 2016， 112： 1528-1536.
[30]HORBACH J. Determinants of environmental innovationnew evidence from German panel data sources [J]. Research policy， 2008， 37（1）： 163-173.
[31]YUAN B L， REN S G， CHEN X H. Can environmental regulation promote the coordinated development of economy and environment in Chinas manufacturing industry？： a panel data analysis of 28 subsectors[J]. Journal of cleaner production， 2017， 149： 11-24.
[32]CHANG S J， CHUNG J， MOON J J. When do wholly owned subsidiaries perform better than joint ventures？ [J]. Strategic management journal， 2013， 34： 317-337.
[33]魏楚， 沈滿洪. 能源效率及其影响因素： 基于DEA的实证分析[J]. 管理世界， 2007（8）： 66-76. [WEI Chu， SHEN Manhong. Energy efficiency and its influencing factors： empirical analysis based on DEA [J]. Management world， 2007（8）： 66-76.]
[34]张子龙， 薛冰， 陈兴鹏， 等. 中国工业环境效率及其空间差异的收敛性[J]. 中国人口·资源与环境， 2015， 25（2）： 30-38. [ZHANG Zilong， XUE Bing， CHEN Xingpeng， et al. Convergence in spatial difference of industrial environmental efficiency in China [J]. China population， resources and environment， 2015， 25（2）： 30-38.]
[35]WANG Y， SHEN N. Environmental regulation and environmental productivity： the case of China [J]. Renewable and sustainable energy reviews， 2016， 62： 758-766.
[36]REN S G， YUAN B L， MA X， et al. The impact of international trade on Chinas industrial carbon emissions since its entry into WTO [J]. Energy policy， 2014， 69： 624-634.
[37]卢方元， 靳丹丹. 我国R&D投入对经济增长的影响——基于面板数据的实证分析[J]. 中国工业经济， 2011（3）： 149-157. [LU Fangyuan， JIN Dandan. An empirical analysis on the effect of R&D input to economic growth： based on panel data [J]. China industrial economics， 2011（3）： 149-157.]
[38]BOND S. Dynamic panel data models： a guide to micro data methods and practice [J]. Portuguese economic journal， 2002， 1（2）： 141-162.
[39]邵帅， 李欣， 曹建华， 等. 中国雾霾污染治理的经济政策选择——基于空间溢出效应的视角[J]. 经济研究， 2016（9）： 73-88. [SHAO Shuai， LI Xin， CAO Jianhua， et al. Chinas economic policy choices for governing smog pollution： based on spatial spillover effects[J]. Economic research journal， 2016（9）： 73-88.]
[40]DOMAZLICKY B R， WEBER W L. Does environmental protection lead to slower productivity growth in the chemical industry？ [J]. Environmental and resource economics， 2004， 28（3）： 301-324.
[41]王班班， 齐绍洲. 有偏技术进步、要素替代与中国工业能源强度[J]. 经济研究， 2014（2）： 115-127. [WANG Banban， QI Shaozhou. Biased technological progress， factor substitution and Chinas industrial energy intensity [J]. Economic research journal， 2014（2）： 115-127.]
[42]金培振， 張亚斌， 彭星. 技术进步在二氧化碳减排中的双刃效应——基于中国工业35个行业的经验证据[J]. 科学学研究， 2014， 32（5）： 706-715. [JIN Peizhen， ZHANG Yabin， PENG Xing. The doubleedged effect of technological progress in carbon dioxide emissions reduction： empirical evidence from 35 subindustrial sectors in China [J]. Studies in science of science， 2014， 32（5）： 706-715.]
摘要 依靠制度创新与技术创新驱动中国制造业绿色发展，已成为学术界和政策制定者关注的重大研究命题。基于此，通过构建扩展的CDM模型，利用2003—2014年中国制造业28个行业面板数据，研究环境规制对产业创新过程的影响。结果显示：①环境规制对制造业研发投入具有显著的挤出效应，当前制造业遵循环境规制的成本显然已经影响了其创新活动的实施。②环境规制显著抑制了制造业的实质性创新产出和策略性创新产出，弱“波特假说”尚未得到支持。同时，研发强度显著促进了制造业实质性和策略性创新产出。③环境规制能够促进制造业经济绩效、能源绩效和环境绩效的提高，强“波特假说”得到支持。强、弱“波特假说”的差异化结果表明，面对政府的环境规制，目前中国制造业通过创新来寻求经济与能源、环境协调发展尚未成为其实施绿色发展的首选路径。④实质性创新对经济绩效具有显著的促进作用，但是对能源绩效的影响并不显著，而且显著抑制了环境绩效的提高，策略性创新对经济绩效、能源绩效和环境绩效具有显著的促进作用。这意味着，中国政府在制定环境保护政策的过程中，应降低行业的环境规制遵循成本。同时，进一步调整中国制造业的技术进步结构，通过财政补贴和税收优惠等手段，鼓励制造业优先开展低碳节能型技术创新，进一步增强制造业绿色创新成果的转化能力，使其真正转化为强大的绿色生产力，推动制造业的绿色发展。
关键词 环境规制；创新驱动；绿色发展；CDM模型；制造业
中图分类号 F42 文献标识码 A 文章编号 1002-2104（2018）03-0117-11 DOI：10.12062/cpre.20170912
制造业在国民经济中占据主导地位，然而，中国制造业发展正面临着能源与环境约束的多重锁定。因此，通过创新驱动产业绿色发展，是中国制造业迫切需要解决的重大问题。理论上来看，“波特假说”认为，设计恰当的环境规制能够激励企业实施技术创新，进而通过技术创新提高企业的竞争力[1]。Jaffe和Palmer[2]进一步提出，环境规制对技术创新的促进作用为弱“波特假说”，环境规制对企业竞争力的促进作用为强“波特假说”。然而，现有研究较多地是直接讨论环境规制对创新绩效的影响，忽略了创新投入与产出的过程性特征。基于此，本文试图回答以下问题：在制造业面临能源环境约束与经济增速放缓的双重压力下，环境规制能否促进制造业提高创新投入？环境规制与创新投入对创新产出是否存在差异化的影响？环境规制引致的创新产出对经济绩效、能源绩效、环境绩效是否存在差异化的影响？针对这些问题，本文构建扩展的CDM模型[3]，采用2003—2014年中国制造业28个行业面板数据检验环境规制对制造业创新过程的影响。这一研究有助于揭示制度与技术创新对产业绿色发展的“解锁”机制和路径，为产业绿色发展提供有益的政策指导。
1 文献综述
1.1 环境规制与创新投入
环境规制被认为是促进技术创新的重要因素[4]。Hojnik和Ruzzier[5]研究发现，环境规制强度对环境R&D投入具有显著的促进作用。相反，Blind[6]研究发现，环境规制对国家创新绩效具有显著的抑制作用。Sen[7]研究发现，环境规制对产业R&D具有显著抑制作用。李婉红[8]等人研究发现，环境规制对污染密集型行业的绿色技术创新具有抑制作用。谢荣辉[9]研究发现，环境规制对R&D总投入具有显著促进作用。张平[10]等人研究发现，费用型环境规制对企业技术创新产生了显著的“挤出效应”。余伟[11]等人研究发现，环境规制对企业研发投入具有显著促进作用。
1.2 创新投入与创新产出
关于创新投入与产出的关系并未形成一致结论。一部分研究认为创新投入能够促进创新产出。例如，Acosta[12]等人研究发现，R&D支出对企业产品创新和组织创新具有促进作用。CostaCampi[13]等人研究发现，能源产业的R&D强度对工艺创新具有促进作用。Song和Oh[14]研究发现，R&D强度仅促进了能源密集型工业的工艺创新。Frank[15]等人研究发现，市场导向型的创新投入对创新产出有促进作用。然而，另一部分研究表明创新投入与产出之间并不存在正向关系。例如，孙早和宋炜[16]研究发现，企业R&D投入对专利产出的正效应不显著。
1.3 创新产出与创新绩效
（1）创新产出與经济绩效。关于创新产出与经济绩效的研究包括两个方面：①创新直接促进生产率或财务绩效。Johnstone[17]等人研究发现，企业创新与生产率显著正相关。Lee和Min[18]研究发现，创新能够显著促进企业财务绩效。Ghisetti和Rennings[19]研究发现，减少能源或原料使用型的创新显著促进企业竞争力。Guo[20]等人研究发现，能源技术创新能够促进以煤炭消费为主的经济转型；②创新对企业经济绩效的促进作用存在一定的条件。AmoresSalvadó[21]等人研究发现，环境管理系统能够正向调节环境产品创新对企业市场绩效的促进作用。Kim[22]等人研究发现，在较高的不确定性条件下，滞后性的专利能够产生较高的创新绩效，相反，在较低的不确定性条件下，领先性的专利能够产生较高的创新绩效。AmoresSalvadó[23]等人研究发现，环境产品创新对企业绩效的促进作用并不显著，但是在绿色企业形象的调节作用下，能够显著促进企业绩效。
（2）创新产出与环境绩效。现有研究普遍认为，创新是提高环境绩效的有效途径：①创新能够促进企业环境绩效。Cagno[24]等人研究发现，企业内部R&D能够促进能源效率的提高。②创新能够促进产业环境绩效。Gilli[25]等人研究发现，创新的补偿效应能够实现产业环境生产率的提升。③创新能够促进区域环境绩效。Zhang[26]等人研究发现，环境创新能够有效降低区域碳排放。
现有研究文献较少研究环境规制对创新过程的影响，对创新产出和创新绩效并未做严格的区分，对创新绩效更是以财务绩效、生产率等经济性指标来衡量，鲜有分类探讨环境规制对产业创新产出和创新绩效的影响。而且，关于中国这一最大发展中国家的环境规制对产业创新过程的影响研究较少。本文的学术贡献包括以下两个方面：①本文在“波特假说”的理论框架下，将强、弱“波特假说”理论与创新过程理论相结合，进一步研究环境规制对创新过程的影响，有助于揭示环境规制对创新过程的影响机制，丰富“波特假说”理论与创新过程理论。②本文对创新产出和创新绩效做了进一步分解，将创新产出分为实质性产出和策略性产出，将创新绩效分为经济绩效、能源绩效、环境绩效，深入分析环境规制和创新投入对不同的创新产出和创新绩效的影响差异，有助于揭示环境规制引致的创新产出对创新绩效的差异化影响机制。
2 研究方法与模型
本文的计量經济分析是基于Crepon等人提出的CDM模型[3]。经典的CDM模型包括三个步骤，第一步分析企业是否实施R&D投入以及投入多少研发资源（R&D方程）。第二步分析企业R&D投入及其它内外部资源投入对创新产出的影响（创新方程）。第三步分析企业专利产出量对生产率的影响（生产率方程），将创新产出作为一种额外的投入要素纳入到扩展的生产函数中，以检验创新对企业生产率的影响程度[27]。本文在此基础上，对R&D方程、创新方程和生产率方程进行扩展。
2.1 R&D方程
由于本文研究对象是中国制造业，每个细分行业均有R&D投入，不存在样本的选择性偏差问题。因此，本文不再分析R&D方程中关于产业是否实施研发活动的决策行为，直接进入研发强度函数。R&D方程主要检验影响行业R&D投入强度的因素，由于R&D投入效用的发挥具有一定的滞后效应，因此，本文引入R&D滞后一期检验R&D方程的动态效应[28]。本文使用工业污染治理设施运行费用来衡量环境规制强度，受投资回收期的影响，该指标对当期制造业R&D投入强度的影响可能存在滞后性，为了捕捉这种滞后效应，引入环境规制的当期和滞后一期作为核心自变量[29]。另外，本文从行业外部和内部两个方面选择控制变量，其中外部因素选取政府补贴[30]、外商直接投资[31]、市场竞争度[28]，内部因素选取资本密集度[32]、所有权性质和行业规模[31]。为了进一步判断环境规制与创新的行业异质性，本文引入行业污染程度的虚拟变量。R&D方程如式（1）所示：
其中，被解释变量r&d表示研发强度。解释变量r&dit-1表示滞后一期的研发强度，er表示环境规制，erit-1表示滞后一期的环境规制，control表示控制变量组，包括政府补贴（sub）、市场竞争度（mc）、外商直接投资（fdi）、资本密集度（ci）、所有权性质（own）、行业规模（gdp），di为0、1虚拟变量，其中，1为重度污染行业，0为轻度污染行业。ε为随机误差项，i代表行业，t代表年份。各变量的定义见表1所示。
2.2 创新方程
创新方程也被称为专利函数或知识生产函数，主要检验行业R&D投入及其它资源投入对创新产出的影响。为了进一步检验在环境规制的压力下，制造业是否会产生实质性创新与策略性创新的差异，将专利产出分为发明专利和非发明专利，其中，发明专利衡量实质性创新，非发明专利衡量策略性创新。由于知识生产函数发挥效应需要一个过程，而且专利的产出往往滞后于当期的R&D投入，因此，引入R&D的滞后一期作为自变量。另外，在方程（1）确定的控制变量的基础上，创新方程中新增劳动力素质和研发机构数量作为控制变量。创新方程如式（2）所示：
其中，被解释变量pat、npat分别表示实质性创新、策略性创新。解释变量r&d、r&dit-1、er、erit-1与方程（1）的定义一致。control表示控制变量组，其中，lab为劳动力素质，ti为研发机构数量，其它控制变量与方程（1）一致。φ、η为随机误差项，i代表行业，t代表年份。各变量的定义见表1所示。
2.3 生产率方程
生产率方程是检验专利产出对产业生产率的影响。经典CDM模型中的生产率方程以劳动生产率作为因变量，为了进一步考察在环境规制的压力下，创新产出对创新绩效的差异化影响，分别引入经济绩效、能源绩效、环境绩效作为被解释变量，同时，引入被解释变量的滞后一期检验其动态效应。本文将方程（2）中的实质性创新、策略性创新作为生产率方程的解释变量。另外，由于经济、能源和环境绩效的测算中引入了行业规模，所以，生产率方程中的控制变量不再添加行业规模，其它控制变量与方程（1）一致。生产率方程如式（3）所示：
其中，被解释变量lp、ene、env分别表示经济绩效、能源绩效、环境绩效。解释变量lpit-1、eneit-1、envit-1分别表示各被解释变量的滞后一期，pat、npat、er、erit-1与方程（2）的定义一致。control表示控制变量组。ξ、ψ、σ为随机误差项，i代表行业，t代表年份。各变量的定义见表1所示。
本文运用超效率DEA方法计算中国制造业28个行业的能源绩效和环境绩效，评价模型如式（4）所示。测算能源绩效的投入指标包括行业综合能源消费量、资本投入、劳动力投入，产出指标为行业总产值[33]。测算环境绩效的投入指标包括行业废水、废气、COD、SO2、烟尘、固废、CO2，产出指标为行业总产值[34]。
其中，m表示每个DMU的投入种类，q表示每个DMU的产出种类，n表示DMU的个数，ρ为能源绩效或环境绩效值。xij表示第j个决策单元的第i种投入，yrj表示第j个决策单元的第r种产出，s-表示投入的松弛变量，s+表示产出的松弛变量。
3 数据来源与处理
为了数据统计分析的便利，本文在国民经济行业分类（GB/T 4754-2011）的基础上，结合《中国统计年鉴》《中国环境统计年鉴》《中国科技统计年鉴》《中国能源统计年鉴》的行业分类，将中国制造业划分为28个部门。本文参考Wang和Shen[35]的方法，将中国制造业划分为重度污染行业和轻度污染行业两组（表2）。
各行业的R&D投入、专利数量、发明专利数量、政府补贴、劳动力素质、研发机构数的数据来自《中国科技统计年鉴》（2004—2015）。各行业的能源消耗数据来自《中国能源统计年鉴》（2004—2015）。各行业的废水排放量、COD排放量、废气排放量、SO2排放量、烟尘排放量、固废排放量、废水和废气污染治理设施当年运行费用数据来自《中国环境统计年鉴》（2004—2015）；CO2数据需要根据IPCC（联合国政府间气候变化专门委员会）提供的国家温室气体清单指南中二氧化碳排放量计算方法进行计算获得[36]。各行业的资本投入、劳动力投入、行业生产总值、外商直接投资、市场竞争度、资本密集度、所有权性质数据来自《中国统计年鉴》（2004—2015）。为了消除通货膨胀的影响，我们使用现价/工业品出厂价格指数把货币值数据的当年价格转换成2002年不变价格。本文计量回归模型各变量的描述性统计结果如表3所示。
4 实证结果分析
4.1 平稳性检验和协整检验
在进行计量回归分析之前，首先对数据进行平稳性检验。本文采用LLC检验、IPS检验、FisherADF检验和FisherPP检验四种方法进行单位根检验，以确定变量的平稳性，同时也可确保检验的稳健性[37]。四种检验的原假设均为含有单位根，单位根检验方程均包括了常数项和时间趋势项。检验结果显示，除了lngdp和lnti的一阶差分序列的IPS检验值在5%的显著性水平拒绝有单位根的原假设，其它所选变量的一阶差分序列均在1%的显著性水平下拒绝有单位根的原假设，即所有变量的一阶差分序列都是平稳序列（表4）。
由面板数据的单位根检验可知，所有变量均为一阶单整过程，在估计面板数据的参数之前，有必要先检验方程（1）～（3）中各变量之间的协整关系，以避免出现伪回归现象。因此，本文选择Kao检验来判断变量的协整性，原假设为不存在协整关系。结果显示，方程（1）和方程（2）在1%的水平下拒绝原假设，表明方程（1）和方程（2）中自变量与因变量之间存在长期均衡关系。方程（3）中的经济绩效方程在1%的水平下拒绝原假设，能源绩效和环境绩效方程在10%的水平下拒绝原假设，表明方程（3）中自变量与因变量之间存在长期均衡关系（表5）。
4.2 R&D方程回归结果
表6是对方程（1）的估计结果。模型1～4分别报告了混合估计、固定效应估计、两步SYSGMM估计的结果。由于创新可能反向影响环境规制，本文首先对环境规制进行了内生性检验，Hausman检验结果显示，χ2（1）统计量为1.02，p值为0.31，表明环境规制不存在内生性问题。同时，异方差稳健的DWH检验χ2（1）统计量为1.33，p值为0.25，也表明环境规制不存在内生性问题。VIF最大值为3.57，远小于10，表明不存在严重的多重共线性。
在模型3和4中，AR（1）拒绝原假设而AR（2）接受原假设，表明残差项不存在二阶序列相关，同时，Sargan检验表明工具变量并不存在过度识别约束。通过估计所得到的SYSGMM估计量具有一致性，但如果使用的工具变量较弱时，SYSGMM估计量可能会发生偏倚。Bond[38]提出了判斷此种情况的方法，良好的因变量滞后项的估计量应该处于混合回归估计量和固定效应回归估计量的范围之间。与我们所期望的一样，模型3与4的因变量滞后项的SYSGMM估计量恰好介于混合回归滞后项的估计量和固定效应回归滞后项的估计量之间。
在模型3中，研发强度的滞后一期对当期在1%的水平上呈正向关系，表明制造业研发投入具有较强的累积效应。环境规制对制造业研发强度呈显著负向关系，表明环境规制对研发投入具有显著的抑制作用。在模型4中，当我们引入环境规制滞后一期后，发现其对制造业研发强度也具有显著的抑制作用，这既表明环境规制对研发强度的影响具有滞后性，也表明从制造业长期发展来看，环境规制对研发投入具有显著的挤出效应。从行业污染程度的虚拟变量系数来看，重度污染行业与轻度污染行业在研发强度方面并无显著差异。
导致上述结论的主要原因在于，其一，环境规制作为一种制度安排，其效力的发挥需要行政部门自上而下制定相应的配套政策和实施办法，导致政策产生滞后效应。其二，中国政府自2000年以来日益重视产业发展对生态环境的影响，环境规制压力日趋增强，而制造业的发展长期依赖于资源和能源等要素投入驱动，技术驱动的水平和能力相对较弱，2003—2014年研发投入仅占行业总产值的1.75%，因此，在环境规制压力与自身研发投入动力不足的双重影响下，企业不得不进一步缩减研发资金，投入于环境绩效的改善，以减轻政府的环境规制压力。
4.3 创新方程回归结果
表7是对方程（2）的估计结果。由于模型5～8的因变量为专利数量，属于非负整数，因此，本文使用面板负二项回归模型进行估计[27]。模型5～8的alpha值均在95%的置信区间，故可在5%的显著性水平上拒绝过度分散参数“α=0”的原假设，表明使用面板负二项回归模型是恰当的。
模型5～6报告了环境规制对制造业实质性创新产出的估计结果。环境规制对实质性创新的估计系数为-0.224，且在1%的水平下显著，表明环境规制对实质性创新具有显著的抑制作用，而且环境规制滞后一期对实质性创新也具有显著的抑制作用。究其原因，在R&D方程中，环境规制对研发投入产生了挤出效应，制约了第二阶段的实质性创新产出。研发强度对实质性创新的估计系数为0.276，且在1%的水平下显著。同时，研发强度滞后一期对实质性创新也具有显著的促进作用，表明研发投入作用的发挥具有较强的滞后性和连续性。从行业污染程度的虚拟变量系数来看，重度污染行业比轻度污染行业的发明专利平均高出0.234个单位，表明行业污染程度对制造业实质性创新产生了显著的影响。
模型7～8报告了环境规制对制造业策略性创新产出的估计结果。环境规制对策略性创新的估计系数为-0.159，且在1%的水平下显著，表明环境规制对策略性创新具有显著的抑制作用，而且环境规制滞后一期对策略性创新也具有显著的抑制作用。究其原因，由于环境规制对研发投入产生了挤出效应，影响了非发明专利产出的数量。研发强度对策略性创新的回归系数为0.158，且在5%的水平下显著，表明研发强度能够促进产业策略性创新的产出。同时，研发强度的滞后一期对策略性创新的影响并不显著，主要原因在于策略性创新投入产出周期较短，当期即可产生效果，而实质性创新投入产出周期相对较长，滞后效应较为明显。从行业污染程度的虚拟变量系数来看，重度污染行业比轻度污染行业的非发明专利平均低0.203个单位，表明行业污染程度对制造业策略性创新产生了显著的影响。
4.4 生产率方程回归结果
表8是对方程（3）的估计结果。为了考察因变量的累积效应，本文采用SYS-GMM方法估计方程（3），其中，模型9～14的差分残差二阶序列不相关，Sargan检验表明工具变量并不存在过度识别约束，因此，SYSGMM估计量具有一致性。
模型9～10报告了环境规制与创新产出对制造业经济绩效的估计结果。经济绩效的滞后一期对当期在1%的水平上呈正向关系。当期环境规制对经济绩效的估计系数为0.001，且在1%的水平下显著，表明环境规制对经济绩效具有显著的促进作用。主要原因是，短期内制造业受到环境规制时，首先考虑其内部资源配置问题，而不是迅速投入研发资金实施创新，环境规制将迫使企业重新调整内部资源配置、生产流程或组织结构，而且与创新过程相比，这种改进能够降低生产的“X”非效率，在一定程度上也能够促进制造业经济绩效的提高。但是，从长期来看，环境规制对经济绩效具有抑制作用，表明这种非研发创新型的应对策略对行业经济绩效的促进作用十分有限。实质性创新和策略性创新对经济绩效具有显著的促进作用。从行业污染程度的虚拟变量系数来看，重度污染行业比轻度污染行业的经济绩效平均高出0.141个单位，表明行业污染程度对制造业经济绩效产生了显著的影响。
模型11～12报告了环境规制与创新产出对制造业能源绩效的估计结果。能源绩效的滞后一期对当期在1%的水平上呈正向关系。当期环境规制对能源绩效的估计系数为0.004，且在1%的水平下显著，滞后一期环境规制对能源绩效的估计系数为0.011，且在5%的水平下顯著，表明环境规制对能源绩效具有显著的促进作用，而且存在显著的滞后效应。同时，实质性创新对能源绩效并没有显著的促进作用，主要原因在于当前的发明专利以追求经济绩效为主，节能类的发明专利产出较少。策略性创新对能源绩效具有显著的促进作用，主要原因是非发明专利对制造业工艺改造具有重要作用，工艺流程及产品外观设计的改善减少了能源消耗量。从行业污染程度的虚拟变量系数来看，重度污染行业比轻度污染行业的能源绩效平均高出0.611个单位，二者差异较大，表明行业污染程度对制造业能源绩效产生了显著的影响。
模型13～14报告了环境规制与创新产出对制造业环境绩效的估计结果。环境绩效的滞后一期对当期在1%的水平上呈正向关系。环境规制对环境绩效的估计系数为0.033，且在5%的水平下显著，表明环境规制对环境绩效具有显著的促进作用。但是，环境规制的滞后一期对环境绩效的促进作用并不显著，主要原因是企业在环境规制政策的执行过程中，存在选择性执行的行为，即“上有政策、下有对策”，而且，随着环境政策的持续推进，企业选择性行为更严重。同时，实质性创新对环境绩效具有显著的抑制作用，表明当前制造业发明专利的环境友好型特征较弱，产业的实质性创新依然以追求经济绩效为主，而忽视了产业发展对环境的损害[39]。但是，策略性创新对环境绩效具有显著的促进作用，表明制造业更多地通过策略性创新来应对环境规制，主要原因是策略性创新的重点是工艺创新，该种创新具有低成本、见效快的特征，符合制造业经济发展与环境保护的双重需求。从行业污染程度的虚拟变量系数来看，重度污染行业比轻度污染行业的环境绩效平均低1.665个单位，二者差异较大，表明行业污染程度对制造业环境绩效产生了显著的影响。
从创新方程和生产率方程的回归结果来，环境规制在抑制制造业创新的条件下，仍然促进了经济、能源和环境绩效。主要原因在于，中国政府加大了对钢铁、水泥、有色金属、焦炭、造纸、制革、印染等行业落后产能的淘汰力度，通过强制淘汰落后产能企业和污染重、能耗高、盈利低的企业，使得行业整体的经济绩效、能源绩效和环境绩效得到提高。
4.5 稳健性检验
本文通过两种方法进行了稳健性检验：①为了规避行业规模对结果的潜在影响，使用环境规制强度（污染治理设施运行费用/行业总产值）进行回归，结果见表9中的模型15～20；②为检验不同测度及其误差的影响，本文利用SO2排放强度来测量环境规制水平[40]，回归结果见表9中的模型21～26。与表6相比，表9中环境规制对研发强度影响依然呈显著的负向关系。与表7相比，表9中环境规制与研发强度对实质性创新、策略性创新的影响是一致的，仅系数大小与显著性略有差异。与表8相比，表9中环境规制与创新产出对经济绩效、能源绩效、环境绩效的影响也是一致的，表明本文的实证结果是稳健可靠的。为了节省篇幅，表9仅报告了核心自变量的估计系数和相关检验结果，省略了环境规制滞后一期和控制变量的结果。
5 研究结论与政策启示
本文得出以下研究结论：
（1）环境规制对制造业研发投入具有显著的挤出效应，这表明当前制造业企业遵循环境规制的成本显然已经影响了其创新活动的实施，中国制造业以牺牲创新投入来应对政府持续增强的环境规制。这与Kneller和Manderso[28]的研究结论一致，该研究发现环境规制对研发投入并没有显著的促进作用。但是，本文与Zhao和Sun[29]的研究结论并不一致，该研究发现环境规制对研发投入具有微弱的促进作用。因此，总体来看，当前环境规制的成本效应超过了创新补偿效应。
（2）环境规制显著抑制了制造业的实质性创新和策略性创新，而且对实质性创新的抑制作用强于策略性创新，这表明在创新的第一阶段中，由于环境规制对研发投入的挤出作用，各行业不断减少研发投入，导致第二阶段的实质性创新产出受到严重制约，弱“波特假说”尚未得到支持。这与李婉红[8]等人的研究结论基本一致，表明政府的环境规制具有不完全性，弱“波特假说”成立具有一定的条件性。
（3）环境规制能够促进制造业经济绩效、能源绩效和环境绩效的提高，强“波特假说”得到支持。强、弱“波特假说”的差异化结论表明，面对政府的环境规制，目前中国制造业通过创新来寻求经济与能源、环境协调发展尚未成为其实施绿色发展的首选路径。同时，实质性创新对制造业经济绩效具有显著的促进作用，但是其对制造业能源绩效的影响并不显著，而且显著抑制了环境绩效的提高，表明实质性创新导致制造业经济绩效与环境保护之间存在明显的张力[41]，这种创新产生的规模扩张效应导致了能源回弹效应和环境加速破坏[42]。策略性创新对制造业经济绩效、能源绩效和环境绩效具有显著的促进作用，这表明策略性创新是促进制造业经济绩效与节能减排协调发展的重要动力。
上述结论蕴含的政策含义包括：
（1）政府在制定环境保护政策的过程中，应降低行业的环境规制遵循成本。一方面，应确保制定的环保政策目标符合当前制造业发展的实际情况，避免因政策目标过高导致竭泽而渔；另一方面，应通过完善环境保护的市场化机制，通过推广应用排污权交易、资源税、环境税等市场化工具，进一步降低环境规制成本。
（2）需要进一步调整制造业的技术进步结构，政府应通过财政补贴和税收优惠等手段鼓励制造业优先开展低碳节能技术创新。同时，非发明专利却能促进制造业经济与能源环境协调发展，因此，应鼓励制造业加大工艺创新力度，促进制造业实施绿色生产工艺改造。
（3）进一步增强制造业绿色创新成果的转化能力。加强财政、税收、产业、金融、政府采购等政策协同，增强和优化绿色科技成果转化公共服务，为绿色科技成果转化创造良好环境，使其真正转化为强大的绿色生产力，推动制造业的绿色发展。
本文研究的局限性在于：①采取单一指标衡量制造业的环境规制水平，尚未按照环境规制的强制性程度进行分类，后续研究可进一步分类研究环境规制对产业创新的影响；②本文只考虑制造业整体的创新产出，并未考虑环保型的专利，未来的研究可以聚焦到环境规制对产业环保型专利以及能源、环境绩效的影响。
参考文献（References）
[1]PORTER M E， VAN DER LINDE C. Toward a new conception of the environmentcompetitiveness relationship [J]. Journal of economic perspective， 1995， 9： 97-118.
[2]JAFFE A， PALMER K. Environmental regulation and innovation： a panel study [J]. The review of economics and statistics， 1997， 76： 610-619.
[3]CREPON B， DUGUET E， MAIRESSE J. Research， innovation and productivity： an econometric analysis at the firm level [J]. Economics of innovation and new technology， 1998， 7（2）： 115-158.
[4]王锋正， 郭晓川. 环境规制强度、行业异质性与R&D效率——源自中国污染密集型与清洁生产型行业的实证比较[J]. 研究与发展管理， 2016， 28（1）： 103-111. [WANG Fengzheng， GUO Xiaochuan. Environmental regulation intensity， industrial heterogeneity and R&D efficiency：empirical comparison between pollutionintensive industries and cleanproduction industries in China [J]. R&D management， 2016， 28（1）： 103-111.]
[5]HOJNIK J， RUZZIER M. The driving forces of process ecoinnovation and its impact on performance： insights from Slovenia [J]. Journal of cleaner production， 2016， 133： 812-825.
[6]BLIND K. The influence of regulations on innovation： a quantitative assessment for OECD countries [J]. Research policy， 2012， 41： 391-400.
[7]SEN S. Corporate governance， environmental regulations， and technological change [J]. European economic review， 2015， 80： 36-61.
[8]李婉紅， 毕克新， 孙冰. 环境规制强度对污染密集行业绿色技术创新的影响研究——基于2003—2010年面板数据的实证检验[J]. 研究与发展管理， 2013， 25（6）： 72-81. [LI Wanhong， BI Kexin， SUN Bing. Research on the effect of environmental regulation intensity on green technological innovation of pollution intensive industries：empirical test based on panel data of 2003-2010[J]. R&D Management， 2013， 25（6）： 72-81.]
[9]谢荣辉. 环境规制、引致创新与中国工业绿色生产率提升[J]. 产业经济研究， 2017（2）： 38-48. [XIE Ronghui. Environmental regulation， induced innovation and green productivity growth in China [J]. Industrial economics research， 2017（2）： 38-48.]
[10]张平， 张鹏鹏， 蔡国庆. 不同类型环境规制对企业技术创新影响比较研究[J]. 中国人口·资源与环境， 2016（4）： 8-13. [ZHANG Ping， ZHANG Pengpeng， CAI Guoqing. Comparative study on impacts of different types of environmental regulation on enterprise technological innovation[J]. China population， resources and environment， 2016（4）： 8-13.]
[11]余伟， 陈强， 陈华. 环境规制、技术创新与经营绩效——基于37个工业行业的实证研究[J]. 科研管理， 2017， 38（2）： 18-25. [YU Wei， CHEN Qiang， CHEN Hua. Environmental regulation， technological innovation and economic performance based on an empirical analysis of 37 industries [J]. Science research management， 2017， 38（2）： 18-25.]
[12]ACOSTA M， CORONADO D， ROMERO C. Linking public support， R&D， innovation and productivity： new evidence from the Spanish food industry[J]. Food policy， 2015， 57： 50-61.
[13]COSTACAMPI M T， DUCHBROWN N， GARCAQUEVEDO J. R&D drivers and obstacles to innovation in the energy industry[J]. Energy economics， 2014， 46： 20-30.
[14]SONG C， OH W. Determinants of innovation in energy intensive industry and implications for energy policy[J]. Energy policy， 2015， 81： 122-130.
[15]FRANK A G， CORTIMIGLIA M N， RIBEIRO J L D， et al. The effect of innovation activities on innovation outputs in the Brazilian industry： marketorientation vs. technologyacquisition strategies [J]. Research policy， 2016， 45： 577-592.
[16]孫早， 宋炜. 企业R&D投入对产业创新绩效的影响——来自中国制造业的经验证据[J]. 数量经济技术经济研究， 2012（4）： 49-63. [SUN Zao， SONG Wei. Corporation R&D investments effect on innovation performance based on an empirical analysis of manufacturing [J]. The journal of quantitative & technical economics， 2012（4）： 49-63.]
[17]JOHNSTONE N， MANAGI S， RODRGUEZ M C， et al. Environmental policy design， innovation and efficiency gains in electricity generation [J]. Energy economics， 2017， 63： 106-115.
[18]LEE K H， MIN B. Green R&D for ecoinnovation and its impact on carbon emissions and firm performance [J]. Journal of cleaner production， 2015， 108： 534-542.
[19]GHISETTI C， RENNINGS K. Environmental innovations and profitability： how does it pay to be green？ an empirical analysis on the German innovation survey [J]. Journal of cleaner production， 2014， 75： 106-117.
[20]GUO P B， WANG T， LI D， et al. How energy technology innovation affects transition of coal resourcebased economy in China [J]. Energy policy， 2016， 92： 1-6.
[21]AMORESSALVAD J， CASTRO G M， NAVASLPEZ J E. The importance of the complementarity between environmental management systems and environmental innovation capabilities： a firm level approach to environmental and business performance benefits [J]. Technological forecasting & social change， 2015， 96： 288-297.
[22]KIM B， KIM E， MILLER D J， et al. The impact of the timing of patents on innovation performance [J]. Research policy， 2016， 45： 914-928.
[23]AMORESSALVAD J， CASTRO G M， NAVASLPEZ J E. Green corporate image： moderating the connection between environmental product innovation and firm performance [J]. Journal of cleaner production， 2014， 83： 356-365.
[24]CAGNO E， RAMIREZPORTILLA A， TRIANNI A. Linking energy efficiency and innovation practices： empirical evidence from the foundry sector [J]. Energy policy， 2015， 83： 240-256.
[25]GILLI M， MANCINELLI S， MAZZANTI M. Innovation complementarity and environmental productivity effects： reality or delusion？ evidence from the EU [J]. Ecological economics， 2014， 103： 56-67.
[26]ZHANG Y J， PENG Y L， MA C Q， et al. Can environmental innovation facilitate carbon emissions reduction？ evidence from China [J]. Energy policy， 2017， 100： 18-28.
[27]MARIN G. Do ecoinnovations harm productivity growth through crowding out？ results of an extended CDM Model for Italy [J]. Research policy， 2014， 43： 301-317.
[28]KNELLER R， MANDERSON E. Environmental regulations and innovation activity in UK manufacturing industries [J]. Resource and energy economics， 2012， 34： 211-235.
[29]ZHAO X， SUN B W. The influence of Chinese environmental regulation on corporation innovation and competitiveness [J]. Journal of cleaner production， 2016， 112： 1528-1536.
[30]HORBACH J. Determinants of environmental innovationnew evidence from German panel data sources [J]. Research policy， 2008， 37（1）： 163-173.
[31]YUAN B L， REN S G， CHEN X H. Can environmental regulation promote the coordinated development of economy and environment in Chinas manufacturing industry？： a panel data analysis of 28 subsectors[J]. Journal of cleaner production， 2017， 149： 11-24.
[32]CHANG S J， CHUNG J， MOON J J. When do wholly owned subsidiaries perform better than joint ventures？ [J]. Strategic management journal， 2013， 34： 317-337.
[33]魏楚， 沈滿洪. 能源效率及其影响因素： 基于DEA的实证分析[J]. 管理世界， 2007（8）： 66-76. [WEI Chu， SHEN Manhong. Energy efficiency and its influencing factors： empirical analysis based on DEA [J]. Management world， 2007（8）： 66-76.]
[34]张子龙， 薛冰， 陈兴鹏， 等. 中国工业环境效率及其空间差异的收敛性[J]. 中国人口·资源与环境， 2015， 25（2）： 30-38. [ZHANG Zilong， XUE Bing， CHEN Xingpeng， et al. Convergence in spatial difference of industrial environmental efficiency in China [J]. China population， resources and environment， 2015， 25（2）： 30-38.]
[35]WANG Y， SHEN N. Environmental regulation and environmental productivity： the case of China [J]. Renewable and sustainable energy reviews， 2016， 62： 758-766.
[36]REN S G， YUAN B L， MA X， et al. The impact of international trade on Chinas industrial carbon emissions since its entry into WTO [J]. Energy policy， 2014， 69： 624-634.
[37]卢方元， 靳丹丹. 我国R&D投入对经济增长的影响——基于面板数据的实证分析[J]. 中国工业经济， 2011（3）： 149-157. [LU Fangyuan， JIN Dandan. An empirical analysis on the effect of R&D input to economic growth： based on panel data [J]. China industrial economics， 2011（3）： 149-157.]
[38]BOND S. Dynamic panel data models： a guide to micro data methods and practice [J]. Portuguese economic journal， 2002， 1（2）： 141-162.
[39]邵帅， 李欣， 曹建华， 等. 中国雾霾污染治理的经济政策选择——基于空间溢出效应的视角[J]. 经济研究， 2016（9）： 73-88. [SHAO Shuai， LI Xin， CAO Jianhua， et al. Chinas economic policy choices for governing smog pollution： based on spatial spillover effects[J]. Economic research journal， 2016（9）： 73-88.]
[40]DOMAZLICKY B R， WEBER W L. Does environmental protection lead to slower productivity growth in the chemical industry？ [J]. Environmental and resource economics， 2004， 28（3）： 301-324.
[41]王班班， 齐绍洲. 有偏技术进步、要素替代与中国工业能源强度[J]. 经济研究， 2014（2）： 115-127. [WANG Banban， QI Shaozhou. Biased technological progress， factor substitution and Chinas industrial energy intensity [J]. Economic research journal， 2014（2）： 115-127.]
[42]金培振， 張亚斌， 彭星. 技术进步在二氧化碳减排中的双刃效应——基于中国工业35个行业的经验证据[J]. 科学学研究， 2014， 32（5）： 706-715. [JIN Peizhen， ZHANG Yabin， PENG Xing. The doubleedged effect of technological progress in carbon dioxide emissions reduction： empirical evidence from 35 subindustrial sectors in China [J]. Studies in science of science， 2014， 32（5）： 706-715.]
