中国重污染行业绿色创新效率提升模式构建
吴超 杨树旺 唐鹏程 吴婷 付书科
摘要
创新驱动重污染行业绿色转型成为新时代经济发展的必然选择。基于绿色创新兼具创新和绿色的双重属性，研究构建了涵盖创新效率与绿色效率的DEA-RAM联合效率模型，对中国16个重污染行业绿色创新效率进行评价；基于绿色创新影响因素间存在的交互属性，使用能够处理多重交互、组合式路径问题的模糊集定性比较分析方法，对绿色创新效率提升模式构建加以探讨。研究发现：当前中国重污染行业处于“创新却不绿色”的转型阶段，创新活动运行良好，但行业环境污染负外部性依然明显，绿色技术的创新与应用有待进一步加强；重污染行业各行业绿色效率普遍低于创新效率，行业政策绿色创新效率受到绿色效率的拖累，改善绿色效率成为提升绿色与创新效率协同效应的关键；组合式效率提升模式中，小规模重污染行业企业应该以环境规制、外商科研支持为基础，辅以精简的科研人员，而政府科研支持此时并不重要；抛开企业规模大小因素，重污染行业企业应以环境规制、政府科研支持为基础，辅以精简科研人员和少量优质外商科研支持。基于研究结论，中国重污染行业的绿色转型，需要不断加大科研资金投入，促进绿色技术的推广与应用；继续严格执行环境规制政策，提高企业绿色环保自觉性；转变政策实施理念，积极探索绿色创新政策的多元互补方式。
关键词 重污染行业；绿色创新；DEA-RAM模型；模糊集定性比较分析
中图分类号 F424.3
文献标识码 A 文章编号 1002-2104（2018）05-0040-09 DOI：10.12062/cpre.20180117
当前，中国经济发展进入新时代，绿色和创新成为驱动传统工业转型发展的两个最关键因子。多年来，以重化工业为主的传统工业为国民经济发展做出了巨大贡献，但同时不可避免造成了严重的环境污染。2012年入冬以来，全国性雾霾天气频发，揭露了中国重污染行业造成环境污染的严重程度以及生态系统的极端脆弱性。严峻的环境问题已经成为我国经济可持续发展的瓶颈，这一现状亟待改变。《中国制造2025》规划中明确提出，加快制造业绿色改造升级。由此可见，面对资源环境约束力的不断加强，传统重污染行业的绿色转型成为必然。创新是实现产业转型升级的核心动力，绿色创新成为重污染行业实现绿色转型的关键[1]。
与传统创新不同，绿色创新被寄予借助新知识、新技术实现降低环境污染的期望，同时企业也能够从中得到相应的经济效益，实现经济和环境的协调发展[2]。从系统角度讲，绿色创新系统旨在寻求创新子系统与绿色子系统的融合。具体到重污染行业而言，也就意味着其绿色创新过程中创新要素的优化配置受到环境政策的约束。需要指出的是，环境政策不仅仅对重污染行业的创新过程产生直接影响，而且还通过作用于外商直接投资等外部环境因素产生间接影响，影响大小因企业规模不同也存在差异[3]。可以认为，重污染行业的绿色创新是多因素、多路径交互影响的复杂网络系统。创新解决的是发展动力问题，而绿色解决的是人与自然和谐共存问题。本文在新时代绿色、创新发展理念的指导下，进行我国重污染行业绿色创新效率提升模式构建研究，旨在以下两方面做出贡献：聚焦于重污染行业，对其绿色创新效率进行客观合理的评价，为重污染行业的绿色转型提供判断依据；在遵从重污染行业绿色创新复杂网络系统的基础上，进行重污染行业绿色创新效率的组合式提升模式构建。
1 文献综述
绿色创新概念是传统创新理论与绿色生态观念结合而生的产物，也被称为“生态创新”“环境创新”等。重污染行业作为高投入、高消耗和高排放行业的总称，既是经济增长的动力和基础，又是资源与环境问题的重要主体，其绿色创新过程需要同时兼顾创新效率和绿色效率。鉴于重污染行业的绿色创新过程具有创新、绿色的双重属性，本文将重污染行业绿色创新定义为兼顾创新效率和绿色效率的重污染行业创新过程。
相关学者的研究发现，绿色创新对于企业创新效率和绿色效率的影响存在不确定性[4-5]，因此针对重污染行业绿色创新效率的测度也应当兼顾周全。在涵盖非期望产出的效率测度问题上，Tone[6]提出的DEA-SBM（DEA-Slack-Based Measure）模型能够避免方向性距离函数计算过程中的松弛问题和角度选择，被较多学者使用[7-10]。然而，Sueyoshi[11]指出，SBM模型在方向向量的选择上存在主观性，效率计算结果会由于方向向量的设定不同而存在偏差，而Cooper et al[12]提出的RAM（Analysis-Range Adjusted Measure）模型则不存在这一问题，并基于此模型基础上提出了环境RAM模型，实现了包含环境要素的效率测度。环境RAM模型不仅仅具有非径向、非角度的特点，还具有加性结构优势，被更多拓展应用到包含绿色效率、生产效率等综合效率的测度研究之中[13-17]。在以上学者研究的基础上，本文将创新产出、环境产出融合在一起，构建了重污染行业绿色创新效率的双重期望产出联合效率模型（Unified Efficiency Measurement，简称UE），分行业进行绿色创新效率的测度。
中国人口·资源与环境 2018年 第5期
关于创新效率提升模式的构建研究，國内外学者遵从传统定量研究的一般思路，即验证影响创新效率的相关因素对创新效率评价结果统计上的显著性，来发现各个影响因素对创新效率的真实影响[18-19]。但是，重污染行业的绿色创新是一个多主体、多路径的交互过程，需要多种不同主体以不同形式进行集体性的战略性学习，这种创新过程及创新机制的复杂性并非“线性思维”能够有效解释[20]，需要寻求多主体、多路径的组合办法。然而，哪种组合形式能够更好地促进创新效率提升是回归分析无法解答的问题，而且回归分析中“内生性”问题以及自变量间“交互式影响”问题难以避免，一定程度上会对回归显著性的准确性造成影响[21]。因此，考虑到绿色创新影响因素间存在的交互属性，本文使用可以同时处理多重交互、组合式路径问题的模糊集定性比较分析法（Fuzzy-set Quaitative Comparative Analysis，简称fsQCA）进行重污染行业绿色创新效率提升模式的构建研究。
基于此，本文的主要研究内容将从两方面展开：一是通过构建重污染行业绿色创新效率的DEA-RAM评价模型，测度中国重污染行业绿色创新效率水平；二是借助模糊集定性比较分析方法，寻找提升重污染行业绿色创新效率的组合式模式，加快推动重污染行业的绿色转型。
2 行业选择及指标设计
2.1 行业选择
2012年，中国证监会修订了《上市公司分类指标》的行业代码，将重污染行业划定为煤炭、冶金、化工、石化、火电、钢铁、水泥、电解铝、建材、造纸、酿造、制药、发酵、纺织、制革和采矿业等16个行业。其后，相关学者在研究中也多参照这一分类标准[22]。在此基础上，考虑到样本数据的时间跨度，为保持行业的统一性，本文对比《国民经济行业分类》（GB/T 4754-2002）与《国民经济行业分类》（GB/T 4754-2011）标准，选定“B06煤炭开采和洗选业、B08黑色金属矿采选业、B09有色金属矿采选业、C13农副食品加工业、C17纺织业、C19皮革.毛皮.羽毛（绒）及其制品业、C22造纸和纸制品业、C25石油加工.炼焦和核燃料加工业、C26化学原料和化学制品制造业、C27医药制造業、C28化学纤维制造业、C30非金属矿物制品业、C31黑色金属冶炼和压延加工业、C32有色金属冶炼和压延加工业、C33金属制品业、D44电力.热力生产和供应业”共16个细分行业作为本文的重污染行业研究对象。
2.2 指标设计
2.2.1 投入产出指标
创新的投入要素一般包含资本投入和劳动投入两大部分，劳动投入选用分行业R&D;人员全时当量；基于数据的可获得性，资本投入选择分行业R&D;经费。除了资本和劳动投入之外，能源投入也是绿色创新不可缺少的一部分，本文使用以万t标准煤计的各行业能源消费总量作为替代指标。
创新资本的投入并不会直接反映在当期，本文采用吴延兵[23]的永续盘存法进行R&D;资本存量估算，方法为：
Kit=Iit+Kit-1（1-δit）
其中，Kit是i行业第t年的资本存量，Kit-1是t-1年的资本存量，δit为折旧率，按照Griliches[24]给出的15%计算，Iit为当年投资。文章中以2002年各行业R&D;经费作为基年资本存量，物价指数参照朱平芳和徐伟民[25]文章中的做法，采用如下公式计算：
R&D;平减价格指数=0.45×固定资产投资价格指数+0.55×工业生产者出厂价格指数
统计资料中，并未直接给出分行业固定资产价格指数数据，本文采用李小平和朱钟棣[26]有关固定资产价格指数的测算办法，基于建筑安装工程和设备工器具投资额所占比例求得分行业固定资产价格指数。
绿色创新的产出包含期望产出和非期望产出，本文选用各行业发明专利申请量和新产品销售收入作为绿色创新过程中的期望产出，选用各行业工业废水排放量、固体废弃物产出和工业废气排放量之和作为非期望产出。
2.2.2 影响因素指标
（1）环境规制。“波特假说”提出后，学者们围绕环境规制和技术创新间的关系展开了广泛的研究，但并没有就“波特假说”的正确与否达成一致意见[27-28]。学者蒋伏心等[29]认为，环境规制对于技术创新既有正面的“创新补偿”功效，也存在负面的“抵消效应”。重污染行业因其高投入、高消耗和高污染的特性，必定是环保政策重点关照的对象。在环境规制的重压之下，重污染行业绿色创新活动也必定受到影响。基于此，本文选择环境规制作为影响因素之一，使用环境污染（三废）达标排放量和行业主营业务收入比值作为环境规制强度的替代指标。
（2）外商科研支持。长期以来，“污染避难所”假说成为学者研究外商直接投资（Foreign Direct Investment，简称FDI）与技术创新的切入点，不过研究结论依然存在争议[30]。当前绿色发展背景下，以技术创新为基础的绿色创新成为产业变革的方向性选择。但不同于普通技术创新，绿色创新的复杂性更高，因此利用外商科研支持成为现阶段辅助自主创新的合理选择[31]。基于这一分析，本文选择外商科研支持作为绿色创新影响因素之一，使用行业R&D;经费支出中FDI（含港澳台）占比当作外商直接投资变量的替代指标。
（3）企业规模。著名的“熊彼特假设”指出，大企业在技术进步中发挥着更为重要的作用，企业规模和创新之间有着紧密的联系。对于重污染行业内企业而言，绿色创新成本高、风险大，导致只有资源丰富、规模相当的重污染企业才可能有足够的创新动机和能力[29]。行业内企业规模不同，必然对本行业整体的绿色创新进程产生影响。因此，本文将企业规模作为绿色创新影响因素之一，使用行业主营业务收入与行业内企业总数比值当作其替代指标。
（4）人力资本。“新增长理论”强调人力资本对于创新的重要性，技术成果只有借助人力资本最终转化成经济效益才算是真正的创新[32]。本文选择人力资本作为绿色创新效率影响因素之一，使用行业内科研人员占总就业人数比例当作其替代指标。
（5）政府支持。创新活动“外部性”的存在给创新企业带来较高的研发成本及风险，政府的介入能够弥补这一不足[33]，但同时政府研发资金的投入也可能给企业带来“挤出效应”[34]，反而不利于技术创新效率的提升。基于此，本文将政府支持作为绿色创新效率的影响因素之一，使用R&D;经费中政府资金的占比当作其替代指标。
经过以上分析，本文选定16个重污染行业作为研究对象，绿色创新效率评价指标及影响因素、指标名称及代码汇总如表1所示。指标数据来源于《中国统计年鉴》《中国科技统计年鉴》《中国环境统计年鉴》《中国工业经济统计年鉴》，时间跨度为2006—2014年。规模以上企业与大中型企业的数据调整参照刘章生[35]文章中的做法，借助2009年数据比例及趋势线进行均值调整。限于数据，本研究不涉及香港、澳门、台湾等省区。
表1 重污染行业绿色创新评价及影响因素指标体系
Tab.1 Evaluation of green innovation and its influencing
factors index system in heavy pollution industries
3 研究方法及模型
本文选用DEA-RAM模型进行重污染行业绿色技术创新效率的评价，并借助模糊集定性比较法进行提升效率的模式构建。具体的模型及方法介绍如下：
3.1 DEA-RAM模型
绿色创新与传统创新最大的不同在于，绿色创新效率的评价指标中既要考虑创新技术产出、创新产品产出等期望产出，又要考虑环境污染等非期望产出。基于RAM模型的加性结构特性，本文借鉴李涛[13]的DEA-RAM模型构建，将创新效率与绿色效率整合在一个统一的框架内，设定基于双重产出的DEA-RAM绿色创新联合效率模型：
max∑Si=1Rxisxi+（∑km=1Rem（se+m+se-m）+∑lr=1Ryrsyr+∑hp=1Rbpsbp）
s.t.∑nj=1xijλj+sxi=xij，（i=1，2，…，s）
∑nj=1emjλj-se+m+se-m=emj，（m=1，2，…，k）
∑nj=1yrjλj-syr=yrj，（r=1，2，…，l）
∑nj=1bpjλj+sbp=bpj，（p=1，2，…，h）
∑nj=1λj=1，（j=1，2，…，n）
λj≥0；sxi≥0；se+m≥0；se-m≥0；syr≥0；sbp≥0
Rxi表示一般投入，文中即“人員投入”、“资本投入”； Rem表示“能源投入”；Ryr表示期望产出，文中即“创新产出”；Rbp非期望产出，文中即 “环境产出”。一般投入、能源投入、期望产出与非期望产出的调整范围分别为：
Rxi=1[（s+k+1+h）（xi-xi）]
Rem=1[（s+k+1+h）（em-em）]
Ryr=1[（s+k+1+h）（yr-yr）]
Rbp=1[（s+k+1+h）（bp-bp）]
yr=maxj（yrj），yr=minj（yrj），xr=maxj（xij），
xr=minj（xij）em=maxj（emj），em=minj（emj），
bp=maxj（bpj），bp=minj（bpj）
se+m，se-m表示能源投入的松弛变量，基于以上公式得到最终的联合效率值为：
θ*=1-max（∑si=1Rxisx*i+∑km=1Rem（se+*m+se-*m）+
∑lr=1Ryrsy*r+∑hp=1Rbpsb*p）
3.2 模糊集定性比较分析法
fsQCA 的本质是一种韦伯式的思想实验，它假定因果关系是复杂的、可替代的，认为同一个社会现象的发生存在不同的原因组合[36-37]。这些原因组合都可以看作是可能的集合理想路径，进而可以通过对一致性（Consistency）和覆盖度（Coverage）两个重要参数的控制，评判出最具解释力的逻辑条件组合，最终得到现象的理论化解释[38]。对本文来说，模糊集定性比较分析是一种合适的分析手段。首先，绿色创新效率的影响因素变量相互之间存在可能的相关关系，统计分析中多重共线性问题难以避免。例如，环境规制不仅仅能够直接影响重污染行业的技术创新活动，而且还可能通过影响外商直接投资的技术溢出效应、企业的规模效应以及人力资本的创新效应等间接影响重污染行业的技术创新活动[29]；再者，本文选择16个重污染行业作为研究对象，样本量偏小，而处理小样本数据也正是定性比较分析的强项[36]。
定性比较分析中组合的逻辑关系借助布尔代数（Boolean Algebra）表示。如果变量X包含于变量Y，就可以认为变量X是变量Y的充分条件。反之，若X包含Y，则认为变量X是Y的必要条件。一致性（Consistency）和覆盖度（Coverage）是定性比较分析主要采用的两个指标，计算公式如下：
Consistency（X≤Y）=∑min（xi，yi）/∑xi
Coverage（X≤Y）=∑min（xi，yi）/∑yi
式中，xi表示个体在组合X中的隶属度，yi表示个体i在结果Y中的隶属度。一致性（Consistency）大小范围为0～1，取值为1时，表明X完全隶属于Y。本文参考Fiss[39]的研究，将一致度的检验值选定为0.75。此外，选取各指标的中位数（50分位）作为对应的转捩点（Crossover Point），并使用25分位和75分位值作为对应的完全非隶属度（Minimum Threshold）和完全隶属度（Maximum Threshold）。同时，采用Ragin提供的直接法（Direct Method）完成最终的校准。
4 实证分析
4.1 绿色创新效率评价结果及分析
图1 2006—2014年中国重污染行业创新效率、绿色
效率及联合效率变化趋势
Fig.1 Variation trend of innovation efficiency，
environmental efficiency and unified efficiency of 16
heavy pollution industries in China in 2006-2014
运用第三部分介绍的DEA-RAM模型及样本数据，我们测算了不同重污染行业的绿色创新联合效率（UE）、创新效率（IE）和绿色效率（EE），其均值变化趋势与分行业效率结果分别如图1、表2所示。
图1报告了样本期间2006—2014年我国16个重污染行业绿色创新联合效率（UE）、创新效率（IE）和绿色效率（EE）均值的时间变化趋势。从图1中可以看出，2006—2014年间重污染行业创新效率和聯合效率趋势基本一致，除在2008—2009年间出现短暂下滑之外，其余年份均表现为上升趋势；绿色效率在2006—2013年间出现连续下滑，效率值由 0.898下降到0.756，其后在2013—2014年出现
了微弱上升。从联合效率上看，中国重污染行业绿色创新活动表现出良好的状态。创新效率和绿色效率的反差表现则说明，重污染行业环境污染的负外部性依然明显，间接反映出重污染行业的绿色转型进程并未带来环境技术的实质性改变。由于创新效率明显高于绿色效率，两者的协同结果表现为联合效率更加靠近创新效率生产前沿。因此，可以认为当前中国重污染行业正处于“创新却不绿色”的转型阶段。
表2中报告了样本期间2006—2014年我国16个重污染行业绿色创新联合效率（UE）、创新效率（IE）和绿色效率（EE）指标的分行业均值。从表2中可以看出，除煤炭开采和洗选业、非金属矿物制品业及电、热力的生产和供应业三行业之外，其余13个行业联合效率均在0.9以上。其中，电力.热力的生产和供应业联合效率为0.873，创新效率为0.936，而绿色效率仅有0.728，可以说绿色效率改善依然是这一行业绿色转型的重点。当前，我国电力行业能源消费依然以煤炭为主，这一能源消费结构严重阻碍了行业绿色创新的进程，尤其是阻碍行业绿色效率的改善。国家当前大力发展新能源产业，电力、热力的生产和
表2 2006—2014年中国16个重污染行业创新效率、
绿色效率与联合效率的平均值
Tab.2 Average value of innovation efficiency， environmental
efficiency and unified efficiency of 16 heavy pollution
industries in China in 2006-2014
供应行业创新效率的提升更多可能来源于新能源技术的开发应用。
煤炭开采和洗选业联合效率、创新效率及绿色效率均没有达到0.9以上，说明煤炭产业绿色转型道路困难重重。技术创新、环境改善均没有达到有效状态的现象表明，煤炭开采和洗选业传统的固有发展结构没有被真正打破，考虑到企业是技术创新的主体，也反映出当下行业产能的削减并未引发行业内企业绿色技术创新能力的真正提升，煤炭开采和洗选业绿色转型之路任重而道远。
非金属矿物制品业绿色创新联合效率为0.88，与电力、热力的生产和供应业类似，创新效率大于0.9，而绿色效率较低仅为0.75，行业绿色技术能力有待进一步提升。除此之外，黑色金属冶炼及压延加工业、化学原料及化学制品制造业、纺织业、石油加工、炼焦及核燃料加工业、医药制造业、有色金属冶炼及压延加工业共6个行业绿色效率均小于0.9，落后于各自的创新效率，其中化学原料及化学制品制造业、黑色金属冶炼及压延加工业两个行业绿色效率甚至仅有0.573和0.403。
4.2 绿色创新效率提升模式
基于上文分析发现，中国重污染行业的绿色创新联合效率受到了绿色效率的拖累，从协同效应上讲，改善绿色效率这一短板，成为了绿色创新效率提升模式构建的关键。因此，本文在进行绿色创新效率提升模式的选择时，聚焦于绿色效率这一短板的提升，选用绿色效率作为Y，运用模糊集定性比较分析方法，寻找重污染行业绿色效率的组合式提升模式。
借助Stata13.0软件运算，得到重污染行业绿色效率提升模式的充分必要矩阵（见表3）。如表3所示，表中右上方为必要条件矩阵，而左下方为充分条件矩阵。从充分条件上看，ER充分条件值为0.703，已经是绿色效率提升充分条件中的最高值，没有达到0.75这一临界值，其余变量对象的充分条件值排序为FDI（0.689）>GOV（0.619）>HC（0.481）>ES（0.433）；从必要条件上看，ER必要条件值为0.664，是绿色效率提升必要条件中的最高值，也没有
表3 重污染行业绿色效率提升模式充分必要矩阵
Tab.3 The upgrading models necessary and sufficient
matrix of environmental efficiency on heavy pollution industry
达到0.75临界值，其余变量对象的必要条件值排序为FDI（0.659）>GOV（0.584）>HC（0.457）>ES（0.417）。充分必要矩阵的结果说明，环境规制是提升重污染行业绿色效率的最重要因素，但单一环境规制因素的影响无法带来绿色效率的必然提升，寻求影响因素的组合成为解决这一问题的最优决策。
表4给出了重污染行业绿色效率的两种组合式提升模式，表达式分别为es*ER*FDI*hcEE和GOV*ER*fdi*hcEE，总的一致性为0.905，覆盖率为0.387。两种模式在提升重污染行业绿色效率方面具有同等效用，是可替代的。从模式1来看，一致性为0.891，净覆盖率为0.014。此种模式符合小规模重污染企业环境治理的基本思路，强环境规制和强外商科研支持下，精练的科研人员队伍能够放大绿色效率的改善成效。此时，针对规模较小企业而言，政府资金支持成为可有可无的选择；从模式2来看，一致性为0.932，净覆盖率为0.125。此种模式下，不管企业的规模大小如何，强有力的政府资金支持以及强环境规制的约束是提升绿色效率基础保证，辅以少量优质的外商科研支持及精练科研人员投入。不同于模式1聚焦到小规模企业，模式2给出了现阶段我国重污染行业绿色效率提升的普适范式，重污染行业绿色效率的提升离不开环境规制和政府的科研支持。模式1和模式2两种模式中环境规制变量对象均为强有利点，应证了前文充分必要矩阵得出的结果，可以认为环境规制在组合式提升模式的影响因素中处于首要位置。环境规制对于绿色效率的改善起到促进作用，结论支持“波特假说”[27]。
表5给出了重污染行业绿色效率的降低模式，作为绿色效率提升模式的拓展性检验。共有5种模式可以降低重污染行业绿色效率，其中模式1和模式2均是有4个强实点和1个弱虚点，模式1中的弱虚点为环境规制，模式2
表4 重污染行业绿色效率提升模式汇总
Tab.4 Summary of environmental efficiency improvement
model in heavy polluting industries
注：○表示变量对象越弱越有利，●表示变量对象越强越有利，空白表示出现与否不影响结果。
中的弱虚点为FDI，这说明为降低绿色效率时环境规制和外商科研支持越弱越好。而且，模式1～5中，环境规制和FDI分别都在四种模式中表现为弱虚点，这两方面均应证了外商科研支持和环境规制对于重污染行业绿色效率提升的重要性[40]。此外，除模式3外，政府支持均为强实点，即政府的科研资金支持越多对于绿色效率起到降低效果。由此看来，政府对于重污染行业绿色创新的资金支持并没有形成绿色技术能力的提升，这可能与政府意愿特色和资金用途监管有关。从政府角度讲，政府的资金更多倾向于支持战略经济价值的技术创新，而从企业角度讲，企业争取政府科研资金后可能直接用于其他项目的开发[33]。对比表4给出的模式2，可以认为现阶段的政府科研支持如果要发挥其应有的绿色效率正向效用，需要同时做好绿色技术创新导向和科研资金监管工作。
5 基本结论及研究启示
5.1 基本结论
本文采用DEA-RAM模型测算了中国16个重污染行业绿色创新效率，并借助模糊集定性比较分析方法进行了中国重污染行业绿色创新效率组合式提升模式的构建。研究发现：第一，中国重污染行业存在“创新却不绿色”的现象，行业绿色创新联合效率受到绿色效率的拖累；第二，煤炭开采和洗选业、非金属矿物制品业及电力、热力的生产和供应业绿色创新效率低于0.9，落后于其他13个行业；第三，重污染行业绿色效率普遍不高，化学原料及化学制品制造业、黑色金属冶炼及压延加工业两个行业仅有0.573和0.403，绿色技术能力的提升缓慢；第四，绿色效率的提升是绿色创新效率提升的关键，绿色效率提升模式
表5 重污染行业绿色效率降低模式汇总
Tab.5 Summary of environmental efficiency reduction
model in heavy polluting industries
注：○表示變量对象越弱越有利，●表示变量对象越强越有利，空白表示出现与否不影响结果。
的构建需要以环境规制为基础。小规模企业而言，强有力的环境规制、外商的科研支持在绿色效率提升问题上处在优先位置，辅以精简的科研人员，政府科研支持并不重要；第五，以强环境规制及强政府科研支持为基础，辅以少而精的外商科研支持和科研人员配备的模式，适用于所有规模大小企业，但同时有必要进行绿色技术创新引导及科研资金的监管。
5.2 研究启示
鉴于以上几点结论，中国重污染行业绿色创新效率的提升需要从以下几方面做起：①加大科研资金投入，促进绿色技术的推广与应用。绿色技术是促进重污染行业企业绿色转型的核心推动力。应当加大清洁生产、节水治污、循环利用等专项技术研发与推广的资金支持，促进这些绿色技术在重污染行业广泛应用，加速重污染行业的绿色转型；②严格执行环境规制政策，提高企业绿色环保自觉性。环境规制在绿色效率提升模式中处在首要位置，对绿色效率的提升起到主导作用。应当继续加大环境规制政策的执法力度，改进行业审批、污染排放、清洁生产审核以及行业淘汰等管理机制，借助机制约束力促进重污染行业企业绿色环保自觉性的形成。③转变政策实施理念，探索绿色创新政策多元互补方式。环境规制、外商引资及政府支持等相关政策效用因企业规模不同而存在差异，有针对性的政策互补组合能够更快提升重污染行业绿色效率。一般而言，重污染行业企业绿色效率的提升依赖于严格环境规制政策和强大政府支持政策的组合，辅以优良的外商科研投资与科研人员配备。而小规模重污染行业企业绿色效率的提升倾向依赖于严格环境规制政策和积极外资引进政策的组合，辅以优良的科研人员配备。
（编辑：刘照胜）
参考文献（References）
[1]卢强，吴清华，周永章，等.广东省工业绿色转型升级评价研究[J].中国人口·资源与环境，2013，23（7）：34-41.[LU Qiang，WU Qinghua，ZHOU Yongzhang，et al.Analysis on the assessment of greenery transformation-upgrading of industry in Guangdong[J].China population，resources and environment， 2013， 23（7）：34-41.]
[2]张钢，张小军.绿色创新研究的几个基本问题[J].中国科技论坛，2013，1（4）：12-15.[ZHANG Gang，ZHANG Xiaojun.Some basic issues on green innovation[J].Forum on science and technology in China， 2013， 1（4）：12-15.]
[3]孙学敏，王杰.环境规制对中国企业规模分布的影响[J].中国工业经济， 2014（12）：44-56.[SUN Xuemin，WANG Jie.Effects of environmental regulation on Chinese enterprises size distribution[J].China industrial economics， 2014（12）：44-56.]
[4]WONG S K S.Environmental requirements，knowledge sharing and green innovation： empirical evidence from the electronics industry in China[J].Business strategy and the environment，2013，22 （5）： 321-338.
[5]李怡娜， 叶飞.高层管理支持、环保创新实践与企业绩效——资源承诺的调节作用[J].管理评论，2013（1）：120-127.[LI Yina，YE Fei.Institutional environments，political connection and the usefulness of accounting information in debt contract：empirical evidences from Chinese private listed companies[J].Management review， 2013（1）：120-127.]
[6]TONE K. A slacks-based measure of efficiency in data envelopment analysis[J]. European journal of operational research， 2001， 130（3）：498-509.
[7]王兵，吴延瑞，颜鹏飞.中国区域环境效率与环境全要素生产率增长[J].经济研究， 2010（5）：95-109.[WANG Bing，WU Yanrui，YAN Pengfei.Environmental efficiency and environmental total factor productivity growth in Chinas regional economies[J].Economic research journal， 2010（5）：95-109.]
[8]沈能. 环境效率、行业异质性与最优规制强度——中国工业行业面板数据的非线性检验[J].中国工业经济，2012（3）：56-68.[SHEN Neng.Environmental efficiency，industrial heterogeneity and intensity of optimal regulation：nonlinear test based on industrial panel-data[J].China industrial economics， 2012（3）：56-68.]
[9]ZHOU Y， XING X， FANG K， et al. Environmental efficiency analysis of power industry in China based on an entropy SBM Model[J]. Energy policy， 2013， 57（7）：68-75.
[10]XI P，ZHU Q.Analysis of Chinas regional energy utilization and environment protection efficiency based on the DEA-SBM Model[J]. 2017， 4（2）：1-19.
[11]SUEYOSHI T， GOTO M. DEA approach for unified efficiency measurement： assessment of Japanese fossil fuel power generation[J]. Energy economics， 2011， 33（2）：292-303.
[12]COOPER W W， PARK K S， PASTOR J T. RAM： a range adjusted measure of inefficiency for use with additive models， and relations to other models and measures in DEA[J].Journal of productivity analysis， 1999， 11（1）：5-42.
[13]李濤.资源约束下中国碳减排与经济增长的双赢绩效研究——基于非径向DEA方法RAM模型的测度[J].经济学（季刊），2013，12（1）：667-692.[LI Tao.Measuring the win-win performance of Chinas carbon reduction and economic growth with energy constraints： a rang-adjusted measure of non-radial DEA[J].China economic quarterly，2013， 12（1）：667-692.]
[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（7）：176-177.[REN Yao，NIU Chonghuai，NIU Tong，et al.The theoretical model and empirical study of green innovation efficiency[J].Management world， 2014（7）：176-177.]
[15]RASHIDI K， SHABANI A， FARZIPOOR S R. Using data envelopment analysis for estimating energy saving and undesirable output abatement：a case study in the Organization for Economic Co-operation and Development （OECD） countries[J].Journal of cleaner production， 2015，105：241-252.
[16]王兵，罗佑军.中国区域工业生产效率、环境治理效率与综合效率实证研究——基于RAM网络DEA模型的分析[J].世界经济文汇，2015（1）：99-119.[WANG Bing，LUO Youjun.Empirical study on industrial productive efficiency， environmental governance efficiency and overall efficiency in China：analysis based on RAM network DEA model [J].World economic papers， 2015（1）：99-119.]
[17]丁黎黎，郑海红，王伟.基于改进RAM-Undesirable模型的我国海洋经济生产率的测度及分析[J].中央财经大学学报， 2017（9）：119-128.[DING Lili，ZHENG Haihong，WANG Wei. Measurement and analysis of marine economic productivity in China based on improved RAM-undesirable model[J].Journal of Central University of Finance & Economics，2017（9）：119-128.]
[18]易明，王腾，吴超.外商直接投资、知识溢出影响区域创新水平的实证研究[J].宏观经济研究，2013（3）：98-105.[YI Ming，WANG Teng，WU Chao. Empirical study on the impact of regional direct investment and knowledge spillovers on regional innovation[J].Macroeconomics， 2013（3）：98-105.]
[19]曹霞，于娟.绿色低碳视角下中国区域创新效率研究[J].中国人口·资源与环境， 2015（5）：10-19.[CAO Xia，YU Juan.Regional innovation efficiency in China from the green low-carbon perspective[J]. China population， resources and environment， 2015（5）：10-19.]
[20]封凯栋.源头性技术创新与国家创新系统[J].中国科技论坛，2013，1（3）：5-10.[FENG Kaidong. Innovation of original technology and national innovation system[J].Forum on science and technology in China， 2013， 1（3）：5-10.]
[21]唐鹏程，杨树旺.企业社会责任投资模式研究：基于价值的判断标准[J].中国工业经济，2016（7）：109-126.[TANG Pengcheng，YANG Shuwang.Research on corporate social responsibility investment pattern：based on value criterion[J].China industrial economics， 2016（7）：109-126.]
[22]颉茂华，王瑾，刘冬梅.环境规制、技术创新与企业经营绩效[J].南开管理评论，2014， 17（6）：106-113.[XIE Maohua，WANG Jin，LIU Dongmei.Environment regulation，technological innovation and corporate performance[J].Nankai business review， 2014， 17（6）：106-113.]
[23]吴延兵.R&D;存量、知识函数与生产效率[J].经济学：季刊，2006，5（4）：1129-1156.[WU Yanbing. R&D; stock， knowledge function and productive efficiency[J]. China economic quarterly， 2006， 5（4）：1129-1156.]
[24]GRILICHES Z.R&D; and the productivity slowdown[J].American economic review，1980， 70（2）：343-348.
[25]朱平芳，徐偉民.政府的科技激励政策对大中型工业企业R&D;投入及其专利产出的影响——上海市的实证研究[J].经济研究，2003（6）：45-53.[ZHU Pingfang，XU Weimin.Does the stakeholders benefit of merger and acquisition become equilibrium[J].Economic research journal， 2003（6）：45-53.]
[26]李小平，朱钟棣.中国工业行业的全要素生产率测算——基于分行业面板数据的研究[J].管理世界，2005（4）：56-64.[LI Xiaoping，ZHU Zhongdi.Calculation of total factor productivity in Chinas industrial sector：a study based on sub-sector panel data[J].Management world， 2005（4）：56-64.]
[27]沈能.环境规制对区域技术创新影响的门槛效应[J].中国人口·资源与环境，2012（6）：12-16.[SHEN Neng.The threshold effect of environmental regulation on regional technological innovation [J]. China population， resources and environment， 2012（6）：12-16.]
[28]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.]
[29]蒋伏心，王竹君，白俊红.环境规制对技术创新影响的双重效应——基于江苏制造业动态面板数据的实证研究[J].中国工业经济，2013（7）：44-55.[JIANG Fuxin，WANG Zhujun，BAI Junhong.The dual effect of environmental regulations impact on innovation：an empirical study based on dynamic panel data of Jiangsu manufacturing[J].China industrial economics， 2013（7）：44-55.]
[30]王然，燕波，邓伟根.FDI对我国工业自主创新能力的影响及机制——基于产业关联的视角[J].中国工业经济，2010（11）：16-25.[WANG Ran，YAN Bo，DENG Weigen.The impact of FDI on the independent innovation capability of Chinese indigenous industries：from the perspective of industrial linkages [J].China industrial economics， 2010（11）：16-25.]
[31]张伟，李虎林，安学兵.利用FDI增强我国绿色创新能力的理论模型与思路探讨[J].管理世界，2011（12）：170-171.[ZHANG Wei，LI Hulin，AN Xuebing. Discussion on the theoretical model and thinking of using FDI to enhance our green innovation ability[J].Management world， 2011（12）：170-171.]
[32]赖德胜，纪雯雯.人力资本配置与创新[J].经济学动态，2015（3）：22-30.[LAI Desheng，JI Wenwen.Human capital allocation and innovation[J].Economics information， 2015（3）：22-30.]
[33]肖文，林高榜.政府支持、研發管理与技术创新效率——基于中国工业行业的实证分析[J].管理世界，2014（4）：71-80.[XIAO Wen，LIN Gaobang.Government support，R&D; management and technology innovation efficiency：an empirical analysis based on Chinas industrial sector [J].Management world， 2014（4）：71-80.]
[34]白俊红，卞元超.政府支持是否促进了产学研协同创新[J].统计研究，2015（11）：43-50.[BAI Junhong，BIAN Yuanchao.Does government support promote IUR synergy innovation[J].Statistical research， 2014（4）：71-80.]
[35]刘章生，宋德勇，弓媛媛，等.中国制造业绿色技术创新能力的行业差异与影响因素分析[J].情报杂志，2017（1）：194-200.[LIU Zhangsheng，SONG Deyong，GONG Yuanyuan ，et al. Analysis of industrial differences and its influencing factors of green technological innovation capability of Chinese manufacturing industry [J].Journal of intelligence， 2017（1）：194-200.]
[36]黄荣贵，桂勇.互联网与业主集体抗争：一项基于定性比较分析方法的研究[J].社会学研究， 2009（5）：29-56.[HUANG Ronggui，GUI Yong.The internet and homeowners collective resistance：a qualitative comparative analysis[J]. Sociological study， 2009（5）：29-56.]
[37]RIHOUX B.Qualitative comparative analysis （QCA）， anno 2013： reframing the comparative methods seminal statements[J]. Swiss political science review， 2013，19（2）：233-245.
[38]SKARMEAS D， LEONIDOU C N， SARIDAKIS C.Examining the role of CSR skepticism using fuzzy-set qualitative comparative analysis[J].Journal of business research， 2014，67（9）：1796-1805.
[39]FISS P C.Building causal theroies：a fuzzy set approach to typologies in organization research[J].Academy of Manngement journal，2011，54：393-420.
[40]張江雪，蔡宁，毛建素，等.自主创新、技术引进与中国工业绿色增长——基于行业异质性的实证研究[J].科学学研究，2015，33（2）：185-194，271.[ZHANG Jiangxue，CAI Ning，MAO Jiansu，et al. Research on technological innovation efficiency of industrial enterprises based on green growth of regions in China[J]. Studies in science of science， 2015，33（2）：185-194，271.]
Construction of the efficiency promotion model of green innovation in Chinas
heavy polluted industries
WU Chao1，2 YANG Shu-wang2，3 TANG Peng-cheng1，2 WU Ting1，2 FU Shu-ke4
（1.School of Economics and Management， China University of Geosciences （Wuhan）， Wuhan Hubei 430074， China；
2.Mineral Resource Strategy and Policy Research Center， China University of Geosciences （Wuhan）， Wuhan Hubei 430074， China；
3.Key Laboratory of Strategic Research on Land and Resources， Ministry of Land and Resources， Wuhan Hubei 430074， China；
4.Research Institute of Risk Prevention in Chemical Industry， Wuhan Institute of Technology， Wuhan Hubei 430205， China）
Abstract In the new era of economic development， it is an inevitable choice that the heavy polluted industries should be transformed to the green industry by the innovation. The DEA-RAM combined efficiency model which covers the innovation efficiency and green efficiency has been constructed in this study， and the green innovation efficiencies of 16 Chinas heavy polluted industries have been evaluated based on the dual attributes of green and innovation. The method of fuzzy sets qualitative comparative analysis which can deal with the problems of multiple interactions and combined path has been applied to discuss the construction of efficiency promotion model of green innovation based on the interactive attributes of green innovation influences factors. It is found in this study that the current Chinas heavy polluted industries are still in the transformation stage of ‘innovation without green. The innovation activities are in relative good conditions， while the negative externality of the industry environmental pollution is still obvious， and thus the innovation and application of green technology should be strengthened further； meanwhile， the green efficiency is generally lower than the innovation efficiency in the heavy polluted industries， the green innovation efficiency of the industry policy is encumbered by the green efficiency， and thus the improvement of green efficiency is the key point to the cooperative effect of improving the green and innovation efficiency； in the model of combined efficiency improvement， the small-scale and heavy polluted enterprises should take the environmental regulations and foreign merchants ‘scientific research supports as the basis， and simplify the scientific research personnel as the supplementary method， and moreover the governments scientific research supports are not important at this moment； regardless of the enterprises ‘scale， the heavy polluted enterprises should take the environmental regulations and governments scientific research supports as the basis， simplify the scientific research personnel and gain a small amount but excellent foreign merchants ‘scientific research supports as the supplementary method. According to the research results， the green transformation of Chinas heavy polluted industries should firstly increase the scientific research investment， and accelerate the promotion and application of green technology； secondly， it should continue to implement the environmental regulation policies strictly and improve the enterprises environmental awareness； thirdly， it should change the policy implementation concept， explore the multiple complementary method of green innovation policy and promote the heavy polluted industries to realize the green transformation quickly.
Key words heavy polluted industries； green innovation； DEA-RAM model； fuzzy sets qualitative comparative analysis
摘要
创新驱动重污染行业绿色转型成为新时代经济发展的必然选择。基于绿色创新兼具创新和绿色的双重属性，研究构建了涵盖创新效率与绿色效率的DEA-RAM联合效率模型，对中国16个重污染行业绿色创新效率进行评价；基于绿色创新影响因素间存在的交互属性，使用能够处理多重交互、组合式路径问题的模糊集定性比较分析方法，对绿色创新效率提升模式构建加以探讨。研究发现：当前中国重污染行业处于“创新却不绿色”的转型阶段，创新活动运行良好，但行业环境污染负外部性依然明显，绿色技术的创新与应用有待进一步加强；重污染行业各行业绿色效率普遍低于创新效率，行业政策绿色创新效率受到绿色效率的拖累，改善绿色效率成为提升绿色与创新效率协同效应的关键；组合式效率提升模式中，小规模重污染行业企业应该以环境规制、外商科研支持为基础，辅以精简的科研人员，而政府科研支持此时并不重要；抛开企业规模大小因素，重污染行业企业应以环境规制、政府科研支持为基础，辅以精简科研人员和少量优质外商科研支持。基于研究结论，中国重污染行业的绿色转型，需要不断加大科研资金投入，促进绿色技术的推广与应用；继续严格执行环境规制政策，提高企业绿色环保自觉性；转变政策实施理念，积极探索绿色创新政策的多元互补方式。
关键词 重污染行业；绿色创新；DEA-RAM模型；模糊集定性比较分析
中图分类号 F424.3
文献标识码 A 文章编号 1002-2104（2018）05-0040-09 DOI：10.12062/cpre.20180117
当前，中国经济发展进入新时代，绿色和创新成为驱动传统工业转型发展的两个最关键因子。多年来，以重化工业为主的传统工业为国民经济发展做出了巨大贡献，但同时不可避免造成了严重的环境污染。2012年入冬以来，全国性雾霾天气频发，揭露了中国重污染行业造成环境污染的严重程度以及生态系统的极端脆弱性。严峻的环境问题已经成为我国经济可持续发展的瓶颈，这一现状亟待改变。《中国制造2025》规划中明确提出，加快制造业绿色改造升级。由此可见，面对资源环境约束力的不断加强，传统重污染行业的绿色转型成为必然。创新是实现产业转型升级的核心动力，绿色创新成为重污染行业实现绿色转型的关键[1]。
与传统创新不同，绿色创新被寄予借助新知识、新技术实现降低环境污染的期望，同时企业也能够从中得到相应的经济效益，实现经济和环境的协调发展[2]。从系统角度讲，绿色创新系统旨在寻求创新子系统与绿色子系统的融合。具体到重污染行业而言，也就意味着其绿色创新过程中创新要素的优化配置受到环境政策的约束。需要指出的是，环境政策不仅仅对重污染行业的创新过程产生直接影响，而且还通过作用于外商直接投资等外部环境因素产生间接影响，影响大小因企业规模不同也存在差异[3]。可以认为，重污染行业的绿色创新是多因素、多路径交互影响的复杂网络系统。创新解决的是发展动力问题，而绿色解决的是人与自然和谐共存问题。本文在新时代绿色、创新发展理念的指导下，进行我国重污染行业绿色创新效率提升模式构建研究，旨在以下两方面做出贡献：聚焦于重污染行业，对其绿色创新效率进行客观合理的评价，为重污染行业的绿色转型提供判断依据；在遵从重污染行业绿色创新复杂网络系统的基础上，进行重污染行业绿色创新效率的组合式提升模式构建。
1 文献综述
绿色创新概念是传统创新理论与绿色生态观念结合而生的产物，也被称为“生态创新”“环境创新”等。重污染行业作为高投入、高消耗和高排放行业的总称，既是经济增长的动力和基础，又是资源与环境问题的重要主体，其绿色创新过程需要同时兼顾创新效率和绿色效率。鉴于重污染行业的绿色创新过程具有创新、绿色的双重属性，本文将重污染行业绿色创新定义为兼顾创新效率和绿色效率的重污染行业创新过程。
相关学者的研究发现，绿色创新对于企业创新效率和绿色效率的影响存在不确定性[4-5]，因此针对重污染行业绿色创新效率的测度也应当兼顾周全。在涵盖非期望产出的效率测度问题上，Tone[6]提出的DEA-SBM（DEA-Slack-Based Measure）模型能够避免方向性距离函数计算过程中的松弛问题和角度选择，被较多学者使用[7-10]。然而，Sueyoshi[11]指出，SBM模型在方向向量的选择上存在主观性，效率计算结果会由于方向向量的设定不同而存在偏差，而Cooper et al[12]提出的RAM（Analysis-Range Adjusted Measure）模型则不存在这一问题，并基于此模型基础上提出了环境RAM模型，实现了包含环境要素的效率测度。环境RAM模型不仅仅具有非径向、非角度的特点，还具有加性结构优势，被更多拓展应用到包含绿色效率、生产效率等综合效率的测度研究之中[13-17]。在以上学者研究的基础上，本文将创新产出、环境产出融合在一起，构建了重污染行业绿色创新效率的双重期望产出联合效率模型（Unified Efficiency Measurement，简称UE），分行业进行绿色创新效率的测度。
中国人口·资源与环境 2018年 第5期
关于创新效率提升模式的构建研究，國内外学者遵从传统定量研究的一般思路，即验证影响创新效率的相关因素对创新效率评价结果统计上的显著性，来发现各个影响因素对创新效率的真实影响[18-19]。但是，重污染行业的绿色创新是一个多主体、多路径的交互过程，需要多种不同主体以不同形式进行集体性的战略性学习，这种创新过程及创新机制的复杂性并非“线性思维”能够有效解释[20]，需要寻求多主体、多路径的组合办法。然而，哪种组合形式能够更好地促进创新效率提升是回归分析无法解答的问题，而且回归分析中“内生性”问题以及自变量间“交互式影响”问题难以避免，一定程度上会对回归显著性的准确性造成影响[21]。因此，考虑到绿色创新影响因素间存在的交互属性，本文使用可以同时处理多重交互、组合式路径问题的模糊集定性比较分析法（Fuzzy-set Quaitative Comparative Analysis，简称fsQCA）进行重污染行业绿色创新效率提升模式的构建研究。
基于此，本文的主要研究内容将从两方面展开：一是通过构建重污染行业绿色创新效率的DEA-RAM评价模型，测度中国重污染行业绿色创新效率水平；二是借助模糊集定性比较分析方法，寻找提升重污染行业绿色创新效率的组合式模式，加快推动重污染行业的绿色转型。
2 行业选择及指标设计
2.1 行业选择
2012年，中国证监会修订了《上市公司分类指标》的行业代码，将重污染行业划定为煤炭、冶金、化工、石化、火电、钢铁、水泥、电解铝、建材、造纸、酿造、制药、发酵、纺织、制革和采矿业等16个行业。其后，相关学者在研究中也多参照这一分类标准[22]。在此基础上，考虑到样本数据的时间跨度，为保持行业的统一性，本文对比《国民经济行业分类》（GB/T 4754-2002）与《国民经济行业分类》（GB/T 4754-2011）标准，选定“B06煤炭开采和洗选业、B08黑色金属矿采选业、B09有色金属矿采选业、C13农副食品加工业、C17纺织业、C19皮革.毛皮.羽毛（绒）及其制品业、C22造纸和纸制品业、C25石油加工.炼焦和核燃料加工业、C26化学原料和化学制品制造业、C27医药制造業、C28化学纤维制造业、C30非金属矿物制品业、C31黑色金属冶炼和压延加工业、C32有色金属冶炼和压延加工业、C33金属制品业、D44电力.热力生产和供应业”共16个细分行业作为本文的重污染行业研究对象。
2.2 指标设计
2.2.1 投入产出指标
创新的投入要素一般包含资本投入和劳动投入两大部分，劳动投入选用分行业R&D;人员全时当量；基于数据的可获得性，资本投入选择分行业R&D;经费。除了资本和劳动投入之外，能源投入也是绿色创新不可缺少的一部分，本文使用以万t标准煤计的各行业能源消费总量作为替代指标。
创新资本的投入并不会直接反映在当期，本文采用吴延兵[23]的永续盘存法进行R&D;资本存量估算，方法为：
Kit=Iit+Kit-1（1-δit）
其中，Kit是i行业第t年的资本存量，Kit-1是t-1年的资本存量，δit为折旧率，按照Griliches[24]给出的15%计算，Iit为当年投资。文章中以2002年各行业R&D;经费作为基年资本存量，物价指数参照朱平芳和徐伟民[25]文章中的做法，采用如下公式计算：
R&D;平减价格指数=0.45×固定资产投资价格指数+0.55×工业生产者出厂价格指数
统计资料中，并未直接给出分行业固定资产价格指数数据，本文采用李小平和朱钟棣[26]有关固定资产价格指数的测算办法，基于建筑安装工程和设备工器具投资额所占比例求得分行业固定资产价格指数。
绿色创新的产出包含期望产出和非期望产出，本文选用各行业发明专利申请量和新产品销售收入作为绿色创新过程中的期望产出，选用各行业工业废水排放量、固体废弃物产出和工业废气排放量之和作为非期望产出。
2.2.2 影响因素指标
（1）环境规制。“波特假说”提出后，学者们围绕环境规制和技术创新间的关系展开了广泛的研究，但并没有就“波特假说”的正确与否达成一致意见[27-28]。学者蒋伏心等[29]认为，环境规制对于技术创新既有正面的“创新补偿”功效，也存在负面的“抵消效应”。重污染行业因其高投入、高消耗和高污染的特性，必定是环保政策重点关照的对象。在环境规制的重压之下，重污染行业绿色创新活动也必定受到影响。基于此，本文选择环境规制作为影响因素之一，使用环境污染（三废）达标排放量和行业主营业务收入比值作为环境规制强度的替代指标。
（2）外商科研支持。长期以来，“污染避难所”假说成为学者研究外商直接投资（Foreign Direct Investment，简称FDI）与技术创新的切入点，不过研究结论依然存在争议[30]。当前绿色发展背景下，以技术创新为基础的绿色创新成为产业变革的方向性选择。但不同于普通技术创新，绿色创新的复杂性更高，因此利用外商科研支持成为现阶段辅助自主创新的合理选择[31]。基于这一分析，本文选择外商科研支持作为绿色创新影响因素之一，使用行业R&D;经费支出中FDI（含港澳台）占比当作外商直接投资变量的替代指标。
（3）企业规模。著名的“熊彼特假设”指出，大企业在技术进步中发挥着更为重要的作用，企业规模和创新之间有着紧密的联系。对于重污染行业内企业而言，绿色创新成本高、风险大，导致只有资源丰富、规模相当的重污染企业才可能有足够的创新动机和能力[29]。行业内企业规模不同，必然对本行业整体的绿色创新进程产生影响。因此，本文将企业规模作为绿色创新影响因素之一，使用行业主营业务收入与行业内企业总数比值当作其替代指标。
（4）人力资本。“新增长理论”强调人力资本对于创新的重要性，技术成果只有借助人力资本最终转化成经济效益才算是真正的创新[32]。本文选择人力资本作为绿色创新效率影响因素之一，使用行业内科研人员占总就业人数比例当作其替代指标。
（5）政府支持。创新活动“外部性”的存在给创新企业带来较高的研发成本及风险，政府的介入能够弥补这一不足[33]，但同时政府研发资金的投入也可能给企业带来“挤出效应”[34]，反而不利于技术创新效率的提升。基于此，本文将政府支持作为绿色创新效率的影响因素之一，使用R&D;经费中政府资金的占比当作其替代指标。
经过以上分析，本文选定16个重污染行业作为研究对象，绿色创新效率评价指标及影响因素、指标名称及代码汇总如表1所示。指标数据来源于《中国统计年鉴》《中国科技统计年鉴》《中国环境统计年鉴》《中国工业经济统计年鉴》，时间跨度为2006—2014年。规模以上企业与大中型企业的数据调整参照刘章生[35]文章中的做法，借助2009年数据比例及趋势线进行均值调整。限于数据，本研究不涉及香港、澳门、台湾等省区。
表1 重污染行业绿色创新评价及影响因素指标体系
Tab.1 Evaluation of green innovation and its influencing
factors index system in heavy pollution industries
3 研究方法及模型
本文选用DEA-RAM模型进行重污染行业绿色技术创新效率的评价，并借助模糊集定性比较法进行提升效率的模式构建。具体的模型及方法介绍如下：
3.1 DEA-RAM模型
绿色创新与传统创新最大的不同在于，绿色创新效率的评价指标中既要考虑创新技术产出、创新产品产出等期望产出，又要考虑环境污染等非期望产出。基于RAM模型的加性结构特性，本文借鉴李涛[13]的DEA-RAM模型构建，将创新效率与绿色效率整合在一个统一的框架内，设定基于双重产出的DEA-RAM绿色创新联合效率模型：
max∑Si=1Rxisxi+（∑km=1Rem（se+m+se-m）+∑lr=1Ryrsyr+∑hp=1Rbpsbp）
s.t.∑nj=1xijλj+sxi=xij，（i=1，2，…，s）
∑nj=1emjλj-se+m+se-m=emj，（m=1，2，…，k）
∑nj=1yrjλj-syr=yrj，（r=1，2，…，l）
∑nj=1bpjλj+sbp=bpj，（p=1，2，…，h）
∑nj=1λj=1，（j=1，2，…，n）
λj≥0；sxi≥0；se+m≥0；se-m≥0；syr≥0；sbp≥0
Rxi表示一般投入，文中即“人員投入”、“资本投入”； Rem表示“能源投入”；Ryr表示期望产出，文中即“创新产出”；Rbp非期望产出，文中即 “环境产出”。一般投入、能源投入、期望产出与非期望产出的调整范围分别为：
Rxi=1[（s+k+1+h）（xi-xi）]
Rem=1[（s+k+1+h）（em-em）]
Ryr=1[（s+k+1+h）（yr-yr）]
Rbp=1[（s+k+1+h）（bp-bp）]
yr=maxj（yrj），yr=minj（yrj），xr=maxj（xij），
xr=minj（xij）em=maxj（emj），em=minj（emj），
bp=maxj（bpj），bp=minj（bpj）
se+m，se-m表示能源投入的松弛变量，基于以上公式得到最终的联合效率值为：
θ*=1-max（∑si=1Rxisx*i+∑km=1Rem（se+*m+se-*m）+
∑lr=1Ryrsy*r+∑hp=1Rbpsb*p）
3.2 模糊集定性比较分析法
fsQCA 的本质是一种韦伯式的思想实验，它假定因果关系是复杂的、可替代的，认为同一个社会现象的发生存在不同的原因组合[36-37]。这些原因组合都可以看作是可能的集合理想路径，进而可以通过对一致性（Consistency）和覆盖度（Coverage）两个重要参数的控制，评判出最具解释力的逻辑条件组合，最终得到现象的理论化解释[38]。对本文来说，模糊集定性比较分析是一种合适的分析手段。首先，绿色创新效率的影响因素变量相互之间存在可能的相关关系，统计分析中多重共线性问题难以避免。例如，环境规制不仅仅能够直接影响重污染行业的技术创新活动，而且还可能通过影响外商直接投资的技术溢出效应、企业的规模效应以及人力资本的创新效应等间接影响重污染行业的技术创新活动[29]；再者，本文选择16个重污染行业作为研究对象，样本量偏小，而处理小样本数据也正是定性比较分析的强项[36]。
定性比较分析中组合的逻辑关系借助布尔代数（Boolean Algebra）表示。如果变量X包含于变量Y，就可以认为变量X是变量Y的充分条件。反之，若X包含Y，则认为变量X是Y的必要条件。一致性（Consistency）和覆盖度（Coverage）是定性比较分析主要采用的两个指标，计算公式如下：
Consistency（X≤Y）=∑min（xi，yi）/∑xi
Coverage（X≤Y）=∑min（xi，yi）/∑yi
式中，xi表示个体在组合X中的隶属度，yi表示个体i在结果Y中的隶属度。一致性（Consistency）大小范围为0～1，取值为1时，表明X完全隶属于Y。本文参考Fiss[39]的研究，将一致度的检验值选定为0.75。此外，选取各指标的中位数（50分位）作为对应的转捩点（Crossover Point），并使用25分位和75分位值作为对应的完全非隶属度（Minimum Threshold）和完全隶属度（Maximum Threshold）。同时，采用Ragin提供的直接法（Direct Method）完成最终的校准。
4 实证分析
4.1 绿色创新效率评价结果及分析
图1 2006—2014年中国重污染行业创新效率、绿色
效率及联合效率变化趋势
Fig.1 Variation trend of innovation efficiency，
environmental efficiency and unified efficiency of 16
heavy pollution industries in China in 2006-2014
运用第三部分介绍的DEA-RAM模型及样本数据，我们测算了不同重污染行业的绿色创新联合效率（UE）、创新效率（IE）和绿色效率（EE），其均值变化趋势与分行业效率结果分别如图1、表2所示。
图1报告了样本期间2006—2014年我国16个重污染行业绿色创新联合效率（UE）、创新效率（IE）和绿色效率（EE）均值的时间变化趋势。从图1中可以看出，2006—2014年间重污染行业创新效率和聯合效率趋势基本一致，除在2008—2009年间出现短暂下滑之外，其余年份均表现为上升趋势；绿色效率在2006—2013年间出现连续下滑，效率值由 0.898下降到0.756，其后在2013—2014年出现
了微弱上升。从联合效率上看，中国重污染行业绿色创新活动表现出良好的状态。创新效率和绿色效率的反差表现则说明，重污染行业环境污染的负外部性依然明显，间接反映出重污染行业的绿色转型进程并未带来环境技术的实质性改变。由于创新效率明显高于绿色效率，两者的协同结果表现为联合效率更加靠近创新效率生产前沿。因此，可以认为当前中国重污染行业正处于“创新却不绿色”的转型阶段。
表2中报告了样本期间2006—2014年我国16个重污染行业绿色创新联合效率（UE）、创新效率（IE）和绿色效率（EE）指标的分行业均值。从表2中可以看出，除煤炭开采和洗选业、非金属矿物制品业及电、热力的生产和供应业三行业之外，其余13个行业联合效率均在0.9以上。其中，电力.热力的生产和供应业联合效率为0.873，创新效率为0.936，而绿色效率仅有0.728，可以说绿色效率改善依然是这一行业绿色转型的重点。当前，我国电力行业能源消费依然以煤炭为主，这一能源消费结构严重阻碍了行业绿色创新的进程，尤其是阻碍行业绿色效率的改善。国家当前大力发展新能源产业，电力、热力的生产和
表2 2006—2014年中国16个重污染行业创新效率、
绿色效率与联合效率的平均值
Tab.2 Average value of innovation efficiency， environmental
efficiency and unified efficiency of 16 heavy pollution
industries in China in 2006-2014
供应行业创新效率的提升更多可能来源于新能源技术的开发应用。
煤炭开采和洗选业联合效率、创新效率及绿色效率均没有达到0.9以上，说明煤炭产业绿色转型道路困难重重。技术创新、环境改善均没有达到有效状态的现象表明，煤炭开采和洗选业传统的固有发展结构没有被真正打破，考虑到企业是技术创新的主体，也反映出当下行业产能的削减并未引发行业内企业绿色技术创新能力的真正提升，煤炭开采和洗选业绿色转型之路任重而道远。
非金属矿物制品业绿色创新联合效率为0.88，与电力、热力的生产和供应业类似，创新效率大于0.9，而绿色效率较低仅为0.75，行业绿色技术能力有待进一步提升。除此之外，黑色金属冶炼及压延加工业、化学原料及化学制品制造业、纺织业、石油加工、炼焦及核燃料加工业、医药制造业、有色金属冶炼及压延加工业共6个行业绿色效率均小于0.9，落后于各自的创新效率，其中化学原料及化学制品制造业、黑色金属冶炼及压延加工业两个行业绿色效率甚至仅有0.573和0.403。
4.2 绿色创新效率提升模式
基于上文分析发现，中国重污染行业的绿色创新联合效率受到了绿色效率的拖累，从协同效应上讲，改善绿色效率这一短板，成为了绿色创新效率提升模式构建的关键。因此，本文在进行绿色创新效率提升模式的选择时，聚焦于绿色效率这一短板的提升，选用绿色效率作为Y，运用模糊集定性比较分析方法，寻找重污染行业绿色效率的组合式提升模式。
借助Stata13.0软件运算，得到重污染行业绿色效率提升模式的充分必要矩阵（见表3）。如表3所示，表中右上方为必要条件矩阵，而左下方为充分条件矩阵。从充分条件上看，ER充分条件值为0.703，已经是绿色效率提升充分条件中的最高值，没有达到0.75这一临界值，其余变量对象的充分条件值排序为FDI（0.689）>GOV（0.619）>HC（0.481）>ES（0.433）；从必要条件上看，ER必要条件值为0.664，是绿色效率提升必要条件中的最高值，也没有
表3 重污染行业绿色效率提升模式充分必要矩阵
Tab.3 The upgrading models necessary and sufficient
matrix of environmental efficiency on heavy pollution industry
达到0.75临界值，其余变量对象的必要条件值排序为FDI（0.659）>GOV（0.584）>HC（0.457）>ES（0.417）。充分必要矩阵的结果说明，环境规制是提升重污染行业绿色效率的最重要因素，但单一环境规制因素的影响无法带来绿色效率的必然提升，寻求影响因素的组合成为解决这一问题的最优决策。
表4给出了重污染行业绿色效率的两种组合式提升模式，表达式分别为es*ER*FDI*hcEE和GOV*ER*fdi*hcEE，总的一致性为0.905，覆盖率为0.387。两种模式在提升重污染行业绿色效率方面具有同等效用，是可替代的。从模式1来看，一致性为0.891，净覆盖率为0.014。此种模式符合小规模重污染企业环境治理的基本思路，强环境规制和强外商科研支持下，精练的科研人员队伍能够放大绿色效率的改善成效。此时，针对规模较小企业而言，政府资金支持成为可有可无的选择；从模式2来看，一致性为0.932，净覆盖率为0.125。此种模式下，不管企业的规模大小如何，强有力的政府资金支持以及强环境规制的约束是提升绿色效率基础保证，辅以少量优质的外商科研支持及精练科研人员投入。不同于模式1聚焦到小规模企业，模式2给出了现阶段我国重污染行业绿色效率提升的普适范式，重污染行业绿色效率的提升离不开环境规制和政府的科研支持。模式1和模式2两种模式中环境规制变量对象均为强有利点，应证了前文充分必要矩阵得出的结果，可以认为环境规制在组合式提升模式的影响因素中处于首要位置。环境规制对于绿色效率的改善起到促进作用，结论支持“波特假说”[27]。
表5给出了重污染行业绿色效率的降低模式，作为绿色效率提升模式的拓展性检验。共有5种模式可以降低重污染行业绿色效率，其中模式1和模式2均是有4个强实点和1个弱虚点，模式1中的弱虚点为环境规制，模式2
表4 重污染行业绿色效率提升模式汇总
Tab.4 Summary of environmental efficiency improvement
model in heavy polluting industries
注：○表示变量对象越弱越有利，●表示变量对象越强越有利，空白表示出现与否不影响结果。
中的弱虚点为FDI，这说明为降低绿色效率时环境规制和外商科研支持越弱越好。而且，模式1～5中，环境规制和FDI分别都在四种模式中表现为弱虚点，这两方面均应证了外商科研支持和环境规制对于重污染行业绿色效率提升的重要性[40]。此外，除模式3外，政府支持均为强实点，即政府的科研资金支持越多对于绿色效率起到降低效果。由此看来，政府对于重污染行业绿色创新的资金支持并没有形成绿色技术能力的提升，这可能与政府意愿特色和资金用途监管有关。从政府角度讲，政府的资金更多倾向于支持战略经济价值的技术创新，而从企业角度讲，企业争取政府科研资金后可能直接用于其他项目的开发[33]。对比表4给出的模式2，可以认为现阶段的政府科研支持如果要发挥其应有的绿色效率正向效用，需要同时做好绿色技术创新导向和科研资金监管工作。
5 基本结论及研究启示
5.1 基本结论
本文采用DEA-RAM模型测算了中国16个重污染行业绿色创新效率，并借助模糊集定性比较分析方法进行了中国重污染行业绿色创新效率组合式提升模式的构建。研究发现：第一，中国重污染行业存在“创新却不绿色”的现象，行业绿色创新联合效率受到绿色效率的拖累；第二，煤炭开采和洗选业、非金属矿物制品业及电力、热力的生产和供应业绿色创新效率低于0.9，落后于其他13个行业；第三，重污染行业绿色效率普遍不高，化学原料及化学制品制造业、黑色金属冶炼及压延加工业两个行业仅有0.573和0.403，绿色技术能力的提升缓慢；第四，绿色效率的提升是绿色创新效率提升的关键，绿色效率提升模式
表5 重污染行业绿色效率降低模式汇总
Tab.5 Summary of environmental efficiency reduction
model in heavy polluting industries
注：○表示變量对象越弱越有利，●表示变量对象越强越有利，空白表示出现与否不影响结果。
的构建需要以环境规制为基础。小规模企业而言，强有力的环境规制、外商的科研支持在绿色效率提升问题上处在优先位置，辅以精简的科研人员，政府科研支持并不重要；第五，以强环境规制及强政府科研支持为基础，辅以少而精的外商科研支持和科研人员配备的模式，适用于所有规模大小企业，但同时有必要进行绿色技术创新引导及科研资金的监管。
5.2 研究启示
鉴于以上几点结论，中国重污染行业绿色创新效率的提升需要从以下几方面做起：①加大科研资金投入，促进绿色技术的推广与应用。绿色技术是促进重污染行业企业绿色转型的核心推动力。应当加大清洁生产、节水治污、循环利用等专项技术研发与推广的资金支持，促进这些绿色技术在重污染行业广泛应用，加速重污染行业的绿色转型；②严格执行环境规制政策，提高企业绿色环保自觉性。环境规制在绿色效率提升模式中处在首要位置，对绿色效率的提升起到主导作用。应当继续加大环境规制政策的执法力度，改进行业审批、污染排放、清洁生产审核以及行业淘汰等管理机制，借助机制约束力促进重污染行业企业绿色环保自觉性的形成。③转变政策实施理念，探索绿色创新政策多元互补方式。环境规制、外商引资及政府支持等相关政策效用因企业规模不同而存在差异，有针对性的政策互补组合能够更快提升重污染行业绿色效率。一般而言，重污染行业企业绿色效率的提升依赖于严格环境规制政策和强大政府支持政策的组合，辅以优良的外商科研投资与科研人员配备。而小规模重污染行业企业绿色效率的提升倾向依赖于严格环境规制政策和积极外资引进政策的组合，辅以优良的科研人员配备。
（编辑：刘照胜）
参考文献（References）
[1]卢强，吴清华，周永章，等.广东省工业绿色转型升级评价研究[J].中国人口·资源与环境，2013，23（7）：34-41.[LU Qiang，WU Qinghua，ZHOU Yongzhang，et al.Analysis on the assessment of greenery transformation-upgrading of industry in Guangdong[J].China population，resources and environment， 2013， 23（7）：34-41.]
[2]张钢，张小军.绿色创新研究的几个基本问题[J].中国科技论坛，2013，1（4）：12-15.[ZHANG Gang，ZHANG Xiaojun.Some basic issues on green innovation[J].Forum on science and technology in China， 2013， 1（4）：12-15.]
[3]孙学敏，王杰.环境规制对中国企业规模分布的影响[J].中国工业经济， 2014（12）：44-56.[SUN Xuemin，WANG Jie.Effects of environmental regulation on Chinese enterprises size distribution[J].China industrial economics， 2014（12）：44-56.]
[4]WONG S K S.Environmental requirements，knowledge sharing and green innovation： empirical evidence from the electronics industry in China[J].Business strategy and the environment，2013，22 （5）： 321-338.
[5]李怡娜， 叶飞.高层管理支持、环保创新实践与企业绩效——资源承诺的调节作用[J].管理评论，2013（1）：120-127.[LI Yina，YE Fei.Institutional environments，political connection and the usefulness of accounting information in debt contract：empirical evidences from Chinese private listed companies[J].Management review， 2013（1）：120-127.]
[6]TONE K. A slacks-based measure of efficiency in data envelopment analysis[J]. European journal of operational research， 2001， 130（3）：498-509.
[7]王兵，吴延瑞，颜鹏飞.中国区域环境效率与环境全要素生产率增长[J].经济研究， 2010（5）：95-109.[WANG Bing，WU Yanrui，YAN Pengfei.Environmental efficiency and environmental total factor productivity growth in Chinas regional economies[J].Economic research journal， 2010（5）：95-109.]
[8]沈能. 环境效率、行业异质性与最优规制强度——中国工业行业面板数据的非线性检验[J].中国工业经济，2012（3）：56-68.[SHEN Neng.Environmental efficiency，industrial heterogeneity and intensity of optimal regulation：nonlinear test based on industrial panel-data[J].China industrial economics， 2012（3）：56-68.]
[9]ZHOU Y， XING X， FANG K， et al. Environmental efficiency analysis of power industry in China based on an entropy SBM Model[J]. Energy policy， 2013， 57（7）：68-75.
[10]XI P，ZHU Q.Analysis of Chinas regional energy utilization and environment protection efficiency based on the DEA-SBM Model[J]. 2017， 4（2）：1-19.
[11]SUEYOSHI T， GOTO M. DEA approach for unified efficiency measurement： assessment of Japanese fossil fuel power generation[J]. Energy economics， 2011， 33（2）：292-303.
[12]COOPER W W， PARK K S， PASTOR J T. RAM： a range adjusted measure of inefficiency for use with additive models， and relations to other models and measures in DEA[J].Journal of productivity analysis， 1999， 11（1）：5-42.
[13]李濤.资源约束下中国碳减排与经济增长的双赢绩效研究——基于非径向DEA方法RAM模型的测度[J].经济学（季刊），2013，12（1）：667-692.[LI Tao.Measuring the win-win performance of Chinas carbon reduction and economic growth with energy constraints： a rang-adjusted measure of non-radial DEA[J].China economic quarterly，2013， 12（1）：667-692.]
[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（7）：176-177.[REN Yao，NIU Chonghuai，NIU Tong，et al.The theoretical model and empirical study of green innovation efficiency[J].Management world， 2014（7）：176-177.]
[15]RASHIDI K， SHABANI A， FARZIPOOR S R. Using data envelopment analysis for estimating energy saving and undesirable output abatement：a case study in the Organization for Economic Co-operation and Development （OECD） countries[J].Journal of cleaner production， 2015，105：241-252.
[16]王兵，罗佑军.中国区域工业生产效率、环境治理效率与综合效率实证研究——基于RAM网络DEA模型的分析[J].世界经济文汇，2015（1）：99-119.[WANG Bing，LUO Youjun.Empirical study on industrial productive efficiency， environmental governance efficiency and overall efficiency in China：analysis based on RAM network DEA model [J].World economic papers， 2015（1）：99-119.]
[17]丁黎黎，郑海红，王伟.基于改进RAM-Undesirable模型的我国海洋经济生产率的测度及分析[J].中央财经大学学报， 2017（9）：119-128.[DING Lili，ZHENG Haihong，WANG Wei. Measurement and analysis of marine economic productivity in China based on improved RAM-undesirable model[J].Journal of Central University of Finance & Economics，2017（9）：119-128.]
[18]易明，王腾，吴超.外商直接投资、知识溢出影响区域创新水平的实证研究[J].宏观经济研究，2013（3）：98-105.[YI Ming，WANG Teng，WU Chao. Empirical study on the impact of regional direct investment and knowledge spillovers on regional innovation[J].Macroeconomics， 2013（3）：98-105.]
[19]曹霞，于娟.绿色低碳视角下中国区域创新效率研究[J].中国人口·资源与环境， 2015（5）：10-19.[CAO Xia，YU Juan.Regional innovation efficiency in China from the green low-carbon perspective[J]. China population， resources and environment， 2015（5）：10-19.]
[20]封凯栋.源头性技术创新与国家创新系统[J].中国科技论坛，2013，1（3）：5-10.[FENG Kaidong. Innovation of original technology and national innovation system[J].Forum on science and technology in China， 2013， 1（3）：5-10.]
[21]唐鹏程，杨树旺.企业社会责任投资模式研究：基于价值的判断标准[J].中国工业经济，2016（7）：109-126.[TANG Pengcheng，YANG Shuwang.Research on corporate social responsibility investment pattern：based on value criterion[J].China industrial economics， 2016（7）：109-126.]
[22]颉茂华，王瑾，刘冬梅.环境规制、技术创新与企业经营绩效[J].南开管理评论，2014， 17（6）：106-113.[XIE Maohua，WANG Jin，LIU Dongmei.Environment regulation，technological innovation and corporate performance[J].Nankai business review， 2014， 17（6）：106-113.]
[23]吴延兵.R&D;存量、知识函数与生产效率[J].经济学：季刊，2006，5（4）：1129-1156.[WU Yanbing. R&D; stock， knowledge function and productive efficiency[J]. China economic quarterly， 2006， 5（4）：1129-1156.]
[24]GRILICHES Z.R&D; and the productivity slowdown[J].American economic review，1980， 70（2）：343-348.
[25]朱平芳，徐偉民.政府的科技激励政策对大中型工业企业R&D;投入及其专利产出的影响——上海市的实证研究[J].经济研究，2003（6）：45-53.[ZHU Pingfang，XU Weimin.Does the stakeholders benefit of merger and acquisition become equilibrium[J].Economic research journal， 2003（6）：45-53.]
[26]李小平，朱钟棣.中国工业行业的全要素生产率测算——基于分行业面板数据的研究[J].管理世界，2005（4）：56-64.[LI Xiaoping，ZHU Zhongdi.Calculation of total factor productivity in Chinas industrial sector：a study based on sub-sector panel data[J].Management world， 2005（4）：56-64.]
[27]沈能.环境规制对区域技术创新影响的门槛效应[J].中国人口·资源与环境，2012（6）：12-16.[SHEN Neng.The threshold effect of environmental regulation on regional technological innovation [J]. China population， resources and environment， 2012（6）：12-16.]
[28]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.]
[29]蒋伏心，王竹君，白俊红.环境规制对技术创新影响的双重效应——基于江苏制造业动态面板数据的实证研究[J].中国工业经济，2013（7）：44-55.[JIANG Fuxin，WANG Zhujun，BAI Junhong.The dual effect of environmental regulations impact on innovation：an empirical study based on dynamic panel data of Jiangsu manufacturing[J].China industrial economics， 2013（7）：44-55.]
[30]王然，燕波，邓伟根.FDI对我国工业自主创新能力的影响及机制——基于产业关联的视角[J].中国工业经济，2010（11）：16-25.[WANG Ran，YAN Bo，DENG Weigen.The impact of FDI on the independent innovation capability of Chinese indigenous industries：from the perspective of industrial linkages [J].China industrial economics， 2010（11）：16-25.]
[31]张伟，李虎林，安学兵.利用FDI增强我国绿色创新能力的理论模型与思路探讨[J].管理世界，2011（12）：170-171.[ZHANG Wei，LI Hulin，AN Xuebing. Discussion on the theoretical model and thinking of using FDI to enhance our green innovation ability[J].Management world， 2011（12）：170-171.]
[32]赖德胜，纪雯雯.人力资本配置与创新[J].经济学动态，2015（3）：22-30.[LAI Desheng，JI Wenwen.Human capital allocation and innovation[J].Economics information， 2015（3）：22-30.]
[33]肖文，林高榜.政府支持、研發管理与技术创新效率——基于中国工业行业的实证分析[J].管理世界，2014（4）：71-80.[XIAO Wen，LIN Gaobang.Government support，R&D; management and technology innovation efficiency：an empirical analysis based on Chinas industrial sector [J].Management world， 2014（4）：71-80.]
[34]白俊红，卞元超.政府支持是否促进了产学研协同创新[J].统计研究，2015（11）：43-50.[BAI Junhong，BIAN Yuanchao.Does government support promote IUR synergy innovation[J].Statistical research， 2014（4）：71-80.]
[35]刘章生，宋德勇，弓媛媛，等.中国制造业绿色技术创新能力的行业差异与影响因素分析[J].情报杂志，2017（1）：194-200.[LIU Zhangsheng，SONG Deyong，GONG Yuanyuan ，et al. Analysis of industrial differences and its influencing factors of green technological innovation capability of Chinese manufacturing industry [J].Journal of intelligence， 2017（1）：194-200.]
[36]黄荣贵，桂勇.互联网与业主集体抗争：一项基于定性比较分析方法的研究[J].社会学研究， 2009（5）：29-56.[HUANG Ronggui，GUI Yong.The internet and homeowners collective resistance：a qualitative comparative analysis[J]. Sociological study， 2009（5）：29-56.]
[37]RIHOUX B.Qualitative comparative analysis （QCA）， anno 2013： reframing the comparative methods seminal statements[J]. Swiss political science review， 2013，19（2）：233-245.
[38]SKARMEAS D， LEONIDOU C N， SARIDAKIS C.Examining the role of CSR skepticism using fuzzy-set qualitative comparative analysis[J].Journal of business research， 2014，67（9）：1796-1805.
[39]FISS P C.Building causal theroies：a fuzzy set approach to typologies in organization research[J].Academy of Manngement journal，2011，54：393-420.
[40]張江雪，蔡宁，毛建素，等.自主创新、技术引进与中国工业绿色增长——基于行业异质性的实证研究[J].科学学研究，2015，33（2）：185-194，271.[ZHANG Jiangxue，CAI Ning，MAO Jiansu，et al. Research on technological innovation efficiency of industrial enterprises based on green growth of regions in China[J]. Studies in science of science， 2015，33（2）：185-194，271.]
Construction of the efficiency promotion model of green innovation in Chinas
heavy polluted industries
WU Chao1，2 YANG Shu-wang2，3 TANG Peng-cheng1，2 WU Ting1，2 FU Shu-ke4
（1.School of Economics and Management， China University of Geosciences （Wuhan）， Wuhan Hubei 430074， China；
2.Mineral Resource Strategy and Policy Research Center， China University of Geosciences （Wuhan）， Wuhan Hubei 430074， China；
3.Key Laboratory of Strategic Research on Land and Resources， Ministry of Land and Resources， Wuhan Hubei 430074， China；
4.Research Institute of Risk Prevention in Chemical Industry， Wuhan Institute of Technology， Wuhan Hubei 430205， China）
Abstract In the new era of economic development， it is an inevitable choice that the heavy polluted industries should be transformed to the green industry by the innovation. The DEA-RAM combined efficiency model which covers the innovation efficiency and green efficiency has been constructed in this study， and the green innovation efficiencies of 16 Chinas heavy polluted industries have been evaluated based on the dual attributes of green and innovation. The method of fuzzy sets qualitative comparative analysis which can deal with the problems of multiple interactions and combined path has been applied to discuss the construction of efficiency promotion model of green innovation based on the interactive attributes of green innovation influences factors. It is found in this study that the current Chinas heavy polluted industries are still in the transformation stage of ‘innovation without green. The innovation activities are in relative good conditions， while the negative externality of the industry environmental pollution is still obvious， and thus the innovation and application of green technology should be strengthened further； meanwhile， the green efficiency is generally lower than the innovation efficiency in the heavy polluted industries， the green innovation efficiency of the industry policy is encumbered by the green efficiency， and thus the improvement of green efficiency is the key point to the cooperative effect of improving the green and innovation efficiency； in the model of combined efficiency improvement， the small-scale and heavy polluted enterprises should take the environmental regulations and foreign merchants ‘scientific research supports as the basis， and simplify the scientific research personnel as the supplementary method， and moreover the governments scientific research supports are not important at this moment； regardless of the enterprises ‘scale， the heavy polluted enterprises should take the environmental regulations and governments scientific research supports as the basis， simplify the scientific research personnel and gain a small amount but excellent foreign merchants ‘scientific research supports as the supplementary method. According to the research results， the green transformation of Chinas heavy polluted industries should firstly increase the scientific research investment， and accelerate the promotion and application of green technology； secondly， it should continue to implement the environmental regulation policies strictly and improve the enterprises environmental awareness； thirdly， it should change the policy implementation concept， explore the multiple complementary method of green innovation policy and promote the heavy polluted industries to realize the green transformation quickly.
Key words heavy polluted industries； green innovation； DEA-RAM model； fuzzy sets qualitative comparative analysis
