EN中文

GEOGRAPHICAL RESEARCH >

2023 , Vol. 42 >Issue 3: 878 - 894

DOI: https://doi.org/10.11821/dlyj020220256

The impact of green technological innovation on the spatiotemporal evolution of carbon emission efficiency of resource-based cities in China

  • XU Yingqi ,
  • CHENG Yu ,
  • WANG Jingjing
Expand
  • College of Geography and Environment, Shandong Normal University, Jinan 250358, China

Received date: 2022-03-21

  Accepted date: 2022-12-05

  Online published: 2023-03-14

Fold

Abstract

In the context of the dual carbon target, green technological innovation is one of the important paths to promote the low-carbon transformation of resource-based cities. This study measures the carbon emission efficiency of resource-based cities from 2003 to 2018 using the super efficiency Slack-Based Measure model considering non-desired outputs, explores its spatiotemporal divergence characteristics and evolution process using kernel density estimation and Theil index decomposition, and analyzes the impact of green technological innovation on carbon emission efficiency through a panel regression model. The research results show that: (1) The carbon emission efficiency of resource-based cities shows a growth trend of accelerated increase in time followed by a slow fluctuating increase, from 0.164 in 2003 to 0.394 in 2018, with an average annual growth rate of 6.02%, and there is still some room for improvement. (2) The regional differences in carbon emission efficiency of resource-based cities show an expanding trend, and the internal differences in carbon emission efficiency of the four major regions of China are the main reason for the continuous expansion of spatial differences; there are obvious spatial clustering characteristics of cities with higher and lower carbon emission efficiency, and the carbon emission efficiency of resource-based cities at each development stage shows the regional difference characteristics of growing cities > mature cities > regenerating cities > declining cities. (3) Green patent authorization is significantly and positively correlated with carbon emission efficiency; among the control variables, economic development level is significantly and positively correlated with carbon emission efficiency, while industrial structure and environmental regulation are significantly and negatively correlated with carbon emission efficiency. After the implementation of the innovation-driven development strategy, the driving role of green technological innovation is enhanced, and the effect of each element of green technological innovation on carbon emission efficiency in resource-based cities in the four major regions and at different development stages shows heterogeneity. This study proposes countermeasures and suggestions in terms of improving the capital investment mechanism, strengthening human capital accumulation, promoting the transformation of innovation achievements, and implementing differentiated countermeasures, so as to provide suggestions for accelerating green technological innovation and low-carbon transformation in resource-based cities.

Key words： green technological innovation; carbon emission efficiency; resource-based cities; super-SBM model

Cite this article

XU Yingqi , CHENG Yu , WANG Jingjing . The impact of green technological innovation on the spatiotemporal evolution of carbon emission efficiency of resource-based cities in China[J]. GEOGRAPHICAL RESEARCH, 2023 , 42(3) : 878 -894 . DOI: 10.11821/dlyj020220256

1 引言

城市作为各类资源要素和经济活动的集聚地，中国70%以上的碳排放来自城市[1]，绿色低碳成为城市发展方向，其中尤以资源型城市的低碳转型最为迫切。作为重要的能源资源战略保障基地，以重工业为主的产业结构和以化石能源为主的能源供应结构导致碳排放量居高不下，制约了资源型城市可持续发展。如何摆脱对高耗能、高排放和低产出的资源型产业依赖，实现低碳转型是资源型城市可持续发展的必由之路。“十四五”规划指出要深入实施创新驱动发展战略，进一步提升创新效率和创新能力，坚持创新在现代化建设全局中的核心地位。2022年科技部、国家发展改革委等9部门印发《科技支撑碳达峰碳中和实施方案（2022—2030年）》，凸显技术创新是实现“双碳”目标的关键路径。《关于进一步完善市场导向的绿色技术创新体系实施方案（2023—2025年）》指出要进一步完善绿色技术创新体系，充分发挥绿色技术创新对绿色低碳发展的支撑作用。综合来看，绿色技术创新对资源型城市低碳转型、实现中国碳中和目标以及生态文明建设具有重要现实意义。
在“双碳”目标备受国内外关注的背景下，相关学者围绕碳排放效率的评价测度、时空演变与影响因素等方面展开研究。碳排放效率评价测度方面，逐渐从单要素指标评价向多要素指标评价转变。单要素碳排放效率多用碳排放总量与经济、能源等指标的比值来测度[2,3]。多要素指标测算分为参数法与非参数法[4]，在参数法中，相关学者主要采用随机前沿法（SFA）进行测算，其主要用于单产出和多投入的效率测度[5,6]；非参数法中常用方法为数据包络分析（DEA），其因松弛变量问题引起数据测算精确性较差，现阶段多使用相关改进模型，邵海琴等[7]、郭四代等[8]、Zhang[9]等分别运用SBM-ML模型、SBM-Undesirable、超效率SBM模型等改进后的DEA模型对旅游业、农业和建筑业碳排放效率进行测度。碳排放效率时空演变方面，泰尔指数、核密度估计、K均值聚类、空间自相关以及空间马尔可夫链等方法被广泛应用，相关研究发现中国碳排放效率逐步提高，具有显著的空间集聚、空间相关和空间溢出性，区域差异明显[10⇓⇓⇓-14]。碳排放效率影响因素方面，研究发现主要包括经济发展水平、国家政策制度、产业结构、外商直接投资、城镇化水平等，其中技术创新是提升碳排放效率、促进低碳转型的重要影响因素[15⇓⇓⇓⇓⇓⇓-22]。
技术创新存在双刃效应，一方面技术创新促进碳达峰碳中和关键核心技术自主可控，通过优化提升生产工艺、清洁能源配置以及碳捕捉、利用和存储等技术，减少生产过程中不必要的资源消耗与碳排放，提高碳排放效率，苏豪等[23]、Bosetti等[24]、Xie等[25]学者认为碳捕集利用与封存等低碳技术能够有效降低碳减排成本、缓解强制性减排的负担；同时技术创新有利于优化产业结构和能源效率，进而促进碳排放效率提高[26,27]。另一方面，技术创新在追求效益效率、促进经济发展的同时，可能会导致能源消耗和碳排放量的增加，如金培振等研究工业行业碳排放，认为技术创新通过提高能源效率带来的减排效应不能抵消其促进经济发展带来的碳排放增长效应[28]。马艳艳等研究发现自主创新对碳排放效率的直接效应为正，空间溢出的间接效应为负，总效应为负，表明自主创新对碳排放效率存在抑制作用[29]。另外，由于Khazzom界定的“回弹效应”存在[30]，部分学者认为两者之间关系存在不确定性，如田云等研究发现技术进步作用下的碳排放削减量和回弹量呈波动变化趋势，碳排放总体存在部分回弹效应[31]。相关学者多采用STIRPAT模型[32]、指数分解法[33]、CGE模型[34]、Heckman两阶段模型[35]、脱钩分析[36]等方法研究技术创新对碳排放效率的影响。
目前绿色技术创新引起相关学者的重点关注，研究成果主要包括绿色技术创新测度、时空演变特征和影响因素等方面。学者们主要选用研发投入、技术产出、绿色技术创新效率以及构建指标体系来衡量绿色技术创新水平，如Fang等采用绿色专利量表征中国城市绿色技术创新水平[37]。刘在洲选用绿色发明专利和实用新型专利授权量之和表征绿色技术创新[38]。王洪庆等运用SBM模型测算绿色创新效率[39]。现有研究主要集中在传统技术创新对碳排放效率的影响和绿色技术创新对区域可持续发展等方面的影响，绿色技术创新对碳排放效率影响的研究较少，研究结论显示绿色技术创新的影响存在阶段性与复杂性，如胡习习等以绿色专利量表征绿色技术创新水平，发现其与碳排放绩效呈“U”型关系[40]。扎恩哈尔·杜曼等研究发现绿色技术创新对城市生态效率呈现先抑制后促进的“U”型影响[41]。李治国等研究发现绿色技术创新对本地区绿色发展存在促进作用，对周边地区的影响效应不显著[42]。
国内外学者围绕碳排放效率的测度优化、动态评估、影响因素以及技术创新、绿色技术创新对碳排放效率的影响等方面开展了理论与实证研究，但对资源型城市碳排放效率的研究较少，仍存在一些需要解决和思考的问题。一方面缺乏资源型城市碳排放效率影响因素的区域异质性研究，由于地理区位、城市发展阶段和经济发展水平不同[43]，绿色技术创新对各区域碳排放效率的影响可能存在较大差异；另一方面现有研究多集中于传统技术创新对碳排放的影响，关于绿色技术创新与碳排放效率影响的研究较少。基于此，研究以中国资源型城市为研究区域，运用超效率SBM模型测算碳排放效率并分析其时空演变特征，运用面板回归模型研究绿色技术创新对碳排放效率的影响及其异质性，以期为完善区域绿色技术创新体系、推进资源型城市低碳转型提供依据。

2 研究方法与数据来源

2.1 超效率SBM模型

数据包络分析（DEA）由Charnes等在“相对效率评价”概念的基础上提出，适用于多投入、多产出的决策单元效率评价，但其忽略了松弛变量引起的测量误差[44]。为克服这一问题，Tone引入了基于松弛变量测度的非径向和非角度的SBM模型，解决了传统DEA模型存在的松弛性问题，但该模型不能对效率值等于1的多个决策单元（DMU）进行效率排序[45]。基于此，Tone提出了将超效率模型与SBM模型相结合的超效率SBM模型，该模型加入非期望产出变量并修正松弛变量，同时能够对效率值为1的多个决策单元进行分解，实现有效决策单元间的比较与排序，提高模型的准确性[46]。因此，研究选用考虑非期望产出的超效率SBM模型测算资源型城市碳排放效率，表达式为：
M i n ρ = 1 m ∑ i = 1 m x - i x i 0 / 1 S 1 + S 2 ∑ q = 1 S 1 y - q w y q 0 w + ∑ q = 1 S 2 y - q b y q 0 b x - ≥ ∑ j = 1 , ≠ k n θ j x j y - w ≤ ∑ j = 1 , ≠ k n θ j y j w y - b ≥ ∑ j = 1 , ≠ k n θ j y j b x - ≥ x 0 , 0 ≤ y - w ≤ y 0 w , y - b ≥ y 0 b , θ ≥ 0
式中： ρ为测算的效率值，值越高表示该决策单元的相对效率越高；n、m、S1、S2分别表示决策单元、投入指标、期望产出和非期望产出的个数； x i 0、 y q 0 w、 y q 0 b分别表示投入指标、期望产出和非期望产出指标； x - i、 y - q w、 y - q b则为三者的松弛量。

2.2 面板数据回归模型

基于技术、经济、人口等因素对碳排放效率的影响，得出STIRPAT模型的基本表达式：
I = μ T a A b P c ɛ
式中：I表示环境；T、A和P分别表示技术创新、富裕程度和人口规模；μ、ε分别为常数项和随机误差项。为尽量消除异方差的影响，将公式（2）转为对数形式：
l n I = u + a l n T + b l n A + c l n P + ε
考虑产业结构、外资强度和环境规制等因素的影响作用，构建STIRPAT模型：
l n C E E m n = μ 0 + μ 1 l n G T I m n + μ 2 l n E D m n + μ 3 l n I S m n + μ 4 l n P O P m n + μ 5 l n F D I m n + μ 6 l n E R m n + ε m n
式中：CEE、GTI、ED、IS、POP、FDI、ER分别表示碳排放效率、绿色技术创新、经济发展水平、产业结构、人口密度、外资强度和环境规制； μ 1 、 μ 2、 μ 3、 μ 4、 μ 5、 μ 6分别为其相对应的弹性系数，表示当GTI、ED、IS、POP、FDI、ER变化1%时分别引起碳排放效率的变化率；m为城市；n为年份。

2.3 数据来源

研究以2003—2018年中国115个资源型城市为研究对象，所用到的固定资产投资额、从业人员数量、全年用电总量、GDP、人均GDP、第二产业占GDP的比例、人口密度、外商实际投资额、工业废水排放量、工业二氧化硫排放量、工业烟（粉）尘排放量数据均来源于《中国城市统计年鉴》（2004—2019年）（data.cnki.net/yearBook/single?id=N2022040095）以及各地级市的统计年鉴（2004—2019年），对于缺失数据采用插值法进行相应补充。绿色专利授权量来源于中国国家知识产权局专利检索与分析系统（http://pss-system.cnipa.gov.cn/），使用世界知识产权组织（WIPO）推出的“国际专利分类绿色清单”筛选出绿色发明专利和绿色实用新型专利授权量。碳排放量数据来源于CEADs数据库（www.ceads.net）。
根据国家统计局中国区域划分办法（http://www.stats.gov.cn/ztjc/zthd/sjtjr/dejtjkfr/tjkp/201106/t20110613_71947.htm），将30个省（区、市）划分为东部、中部、西部和东北四大区域①(①东部地区包括北京、上海、广东、浙江、山东、江苏、天津、河北、福建、海南10个省（市）；中部地区包括安徽、山西、湖北、湖南、河南、江西6个省份；西部地区包括重庆、四川、内蒙古、广西、陕西、宁夏、贵州、云南、甘肃、青海、新疆11个省（区、市）；东北地区包括黑龙江、吉林、辽宁3个省份。)，东部、中部、西部和东北地区分别包括20、37、39、19个资源型城市。依据《全国资源型城市可持续发展规划（2013—2020年）》，将中国资源型城市划分为成长型、成熟型、衰退型和再生型城市，基于数据的可获取性，研究在成长型城市中剔除毕节市、黔南布依族苗族自治州、黔西南布依族苗族自治州、楚雄彝族自治州、海西蒙古族自治州、阿勒泰地区，共选取14个；成熟型城市中剔除巴音郭楞蒙古自治州、延边朝鲜族自治州、梁山黎族自治州，共选取63个；衰退型城市中剔除大兴安岭地区，共选取23个；再生型城市剔除阿坝藏族羌族自治州，共选取15个。

3 资源型城市碳排放效率时空演变特征

3.1 碳排放效率时序变化特征

中国资源型城市碳排放效率呈先加速上升后缓慢波动上升的增长态势，从2003年的0.164波动上升至2018年的0.394（图1）。研究期主要分为两个阶段，2003—2012年为迅速增长阶段，碳排放效率由2003年的0.164上升至2012年的0.379，该时期国家开始统筹推进资源型城市转型发展，如设立资源综合利用专项和发展接续替代产业专项，大力推进经济发展方式转变和产业结构优化升级，经济社会可持续发展能力得到改善，碳排放效率逐步提高。2013—2018年为碳排放效率缓慢波动增长阶段，由2013年的0.371上升至2018年的0.394，一方面《全国资源型城市可持续发展规划（2013—2020年）》正式实施，新的发展理念促使经济发展方式由粗放型向集约型转变，同时加强各类资源型城市差异化发展的顶层设计，因地制宜培育新的经济增长点；另一方面，中国提出实施创新驱动发展战略，发展动力逐渐由资源依赖向创新驱动转变，能源开发、清洁生产和污染控制等低碳技术的推广应用促进了产业结构、能源结构的转型升级。整体来看，中国资源型城市碳排放效率仍有较大的提升空间，未来应继续加快低碳技术研发推广，推动发展方式向知识积累、技术进步和劳动力素质提升转变，以创新驱动低碳转型与可持续发展。
图1 不同地区资源型城市碳排放效率时间演变趋势

Fig. 1 Temporal evolution trend of carbon emission efficiency of resource-based cities in different regions

从各地区来看，四大区域碳排放效率呈波动上升趋势，东部资源型城市碳排放效率整体保持较高水平，且始终高于全国平均水平，碳排放效率值由2003年的0.193上升至2018年的0.431，年均增长率为5.50%，东部地区构建落后产能淘汰机制，在节能减排和新能源领域的关键技术研发方面优于中西部和东北地区，在转变经济发展方式、优化产业结构、推动低碳技术发展等方面成效显著，碳排放效率水平较高且稳步提升；中部资源型城市碳排放效率低于全国平均水平，在第一阶段效率值迅速上升，第二阶段碳排放效率提升缓慢，目前中部地区仍处于工业化中后期阶段，资源型城市产业结构单一、基础产业发展薄弱、动能转换难度大等问题较严峻，产业发展速度、生产效率和经济效益有待提高，碳排放效率存在较大提升空间；由于西部大开发战略的影响，西部地区在资源开发利用、传统产业升级、培育发展特色产业和新兴产业等领域迅速发展，碳排放效率呈持续上升趋势；东北地区作为老工业基地，国家出台了一系列发展资源型城市的专项政策，但产业结构单一、人口流失、城市收缩等问题日益凸显，在产业转型和低碳经济发展等方面面临严峻问题，导致东北地区资源型城市碳排放效率提升较缓慢。从各地区资源型城市对比来看，2013年前除东北地区碳排放效率相对较低之外，其余地区效率值差异较小，2013年后各地区资源型城市碳排放效率开始出现明显差距。
为深入探究资源型城市碳排放效率的时间演变趋势与规律，研究刻画了核密度估计图（图2）。从波峰位置看，碳排放效率最高值向右移动，表明资源型城市碳排放效率提高；从形状上看，核密度曲线峰值降低、宽度加大，说明资源型城市碳排放效率总体差异变大；从曲线两侧拖尾的波动情况看，右侧拖尾加长，均长于左侧拖尾，分布延展性在一定程度存在拓宽趋势，表明碳排放效率值较高地区的低碳发展水平逐渐提升，拉大了与碳排放效率低值区的差距，导致资源型城市碳排放效率的绝对差异扩大。
图2 中国资源型城市碳排放效率的核密度估计

Fig. 2 The kernel density estimation of carbon emission efficiency of resource-based cities in China

3.2 碳排放效率空间演变特征

3.2.1 碳排放效率区域差异扩大，局部不平衡性加剧

整体来看，中国资源型城市碳排放效率泰尔指数呈先下降后上升态势，从0.0752波动增长至0.1007，区域差异总体呈现扩大趋势（表1）。从泰尔指数分解结果看，组内差异是资源型城市碳排放效率差异的主要原因，表明碳排放效率的区域差异性主要来自四个地带内部的差异，而地带间的差异性相对较小；从四大区域的泰尔指数组内差异看，西部地区碳排放效率的内部差异不均衡性最为显著，依次大于东北、中部和东部地区，应注重促进东部与中西部、东北地区的联动发展，鼓励东部科创成果在其他地区转化应用，推动绿色低碳产业有序转移和承接，并鼓励各资源型城市根据自身实际情况制定差异化发展策略，逐步缩小碳排放效率区域差异，促进区域均衡协调发展。
表1 资源型城市碳排放效率泰尔指数区域地带分解

Tab. 1 Decomposition of Theil index of carbon emission efficiency in resource-based cities

年份 东部内 中部内 西部内 东北内 组内差异 组间差异 总差异
2003 0.0035 0.0222 0.0365 0.0093 0.0716 0.0036 0.0752
2008 0.0054 0.0098 0.0336 0.0085 0.0573 0.0038 0.0611
2013 0.0061 0.0089 0.0325 0.0102 0.0576 0.0022 0.0598
2018 0.0067 0.0163 0.0544 0.0173 0.0948 0.0059 0.1007

3.2.2 碳排放效率较高和较低的城市存在明显的空间集聚特征

研究选取2003年、2008年、2013年、2018年四个时间段的截面数据，进一步刻画资源型城市碳排放效率的空间异质性（图3）。资源型城市碳排放效率空间分异特征明显，效率值较高和较低的城市在空间上存在明显的集聚特征。2003年碳排放效率排名前20位的城市中，东部、中部、西部和东北地区资源型城市个数分别为5个、5个、7个和3个，40%的城市集中分布在云南、安徽和四川三个省份。2018年碳排放效率排名前20位的城市中，西部城市占比45%，东部城市占比25%，30%的城市集中分布在四川省和山东省，区域集聚态势明显。2003年碳排放效率排名后20位的城市，中部、西部和东北地区资源型城市个数分别为8个、9个和3个，45%的城市集中分布在山西、安徽和甘肃三个省份。2018年排名后20位的资源型城市中，西部和东北地区资源型城市占比75%，55%的城市集中分布在甘肃、辽宁和黑龙江省，地域集聚性明显。
图3 资源型城市碳排放效率空间格局演变

注：该图基于自然资源部地图技术审查中心标准地图（审图号为GS(2016)2933号）绘制，底图边界无修改。

Fig. 3 Evolution of the spatial pattern of carbon emission efficiency of resource-based cities

3.2.3 资源型城市呈现“成长型城市>成熟型城市>再生型城市>衰退型城市”分布特征

依据《全国资源型城市可持续发展规划（2013—2020年）》，按照资源型城市的成长阶段将其划分为成长型、成熟型、衰退型和再生型城市。2003—2018年成长型、成熟型、衰退型和再生型城市碳排放效率均值分别为0.3855、0.3236、0.2472、0.2897，不同发展阶段资源型城市碳排放效率存在一定差距。其中，成长型城市资源开发和产业发展处于上升阶段，战略性新兴产业发展快，产业链向低碳领域延伸，碳排放效率最高；成熟型城市经济社会发展水平较高，资源开发利用和能源利用效率高，传统产业与新兴产业融合发展，在资源能源高效利用和绿色低碳产业发展方面表现突出，碳排放效率相对较高；再生型城市作为资源型城市转变经济发展方式的先行区，通过优化传统产业和发展非资源型产业逐步降低对资源的依赖性，经济发展转向更集约且可持续的增长路径，碳排放效率缓慢提升；衰退型城市因资源枯竭和产业衰退导致经济发展滞后，绿色低碳转型压力大，碳排放效率较低（图4）。
图4 不同发展阶段资源型城市碳排放效率演变特征

Fig. 4 Evolution of carbon emission efficiency of resource-based cities at different development stages

4 绿色技术创新对资源型城市碳排放效率的影响研究

4.1 变量选取

研究选取碳排放效率作为被解释变量，确定绿色技术创新为解释变量，同时增加经济发展水平、产业结构、人口密度、外资强度、环境规制作为控制变量来综合解释资源型城市碳排放效率（表2）。
表2 回归方程主要变量表

Tab. 2 Main variables of regression equation

指标属性 指标（变量名） 指标解释
被解释变量 碳排放效率（CEE） 超效率SBM模型测算的碳排放效率值
解释变量 绿色技术创新（GTI） 绿色发明专利+绿色实用新型专利授权数
控制变量 经济发展水平（ED） 人均GDP
产业结构(IS) 第二产业增加值/GDP
人口密度（POP） 总人口数/市域面积
外资强度(FDI) 当年实际使用外资金额/GDP
环境规制(ER) 熵权法测算的单位产值工业废水、SO2和烟（粉）尘
被解释变量：碳排放效率（CEE）。碳排放效率具有“全要素”的特征，是物质投入、劳动力、能源消耗和经济发展等多要素共同作用的结果。研究选用超效率SBM模型测算中国资源型城市碳排放效率，其中投入要素包括劳动力、资本和能源，分别选用城镇单位就业人数与城镇私营和个体就业人数之和、资本存量、全年用电总量表征，其中资本存量运用张军[47]的永续盘存法计算得出。期望产出和非期望产出指标分别为地区生产总值和二氧化碳排放量。
解释变量：绿色技术创新（GTI）。绿色技术创新属于技术创新的一种，指减少环境污染，节约资源和能源，促进生态环境系统协调的技术、工艺和产品。世界知识产权组织（WIPO）于2010年推出的“国际专利分类绿色清单”中包含了绿色发明专利和绿色实用新型专利两种类别，研究选用两者授权量的总和表征绿色技术创新[38]。
控制变量：经济发展水平（ED），采用人均GDP衡量城市富裕程度对资源型城市碳排放效率的影响；产业结构（IS），资源型城市主导产业单一，以重工业为主的第二产业占比过大是造成二氧化碳排放的重要原因之一，选用第二产业增加值占GDP的比例反映产业结构对碳排放效率的影响；人口密度（POP），人口密度变化可能通过影响资源使用、交通基础设施等进而影响碳排放；外资强度（FDI），采用实际使用外资金额占GDP的比例度量对外开放程度对碳排放效率的影响情况；环境规制（ER）：采用单位产值的工业废水、SO2、烟（粉）尘三类污染物排放量作为基础变量，标准化后通过熵值法确定各变量权重，利用求得的综合指标来表征环境规制强度[48,49]，数值越小，表明环境规制强度越大。

4.2 资源型城市碳排放效率与绿色技术创新拟合分析

研究对绿色技术创新与碳排放效率进行散点图拟合（图5）。初步判定绿色技术创新与碳排放效率存在一定的相关关系，为进一步探究绿色技术创新对碳排放效率的影响，需建立模型以明确绿色技术创新的影响系数与方向。
图5 绿色技术创新与碳排放效率的拟合关系

Fig. 5 The fitting relationship between green technology innovation and carbon emission efficiency

4.3 平稳性检验

为避免数据计量出现伪回归现象，确保回归结果的有效性，研究采用ADF和PP检验法对变量数据进行单位根检验。结果表明检验数据均为平稳状态，不存在单位根，可以进行回归分析（表3）。
表3 面板数据的平稳性检验

Tab. 3 Stability test of panel data

变量 PP统计量 P值 ADF统计量 P值 结论
CEE 3.4694 0.0003 13.8771 0.0000 平稳
GTI 2.9819 0.0014 2.1671 0.0151 平稳
ED 8.3403 0.0000 10.2218 0.0000 平稳
IS 9.9463 0.0000 13.2547 0.0000 平稳
POP 9.9495 0.0000 13.4859 0.0000 平稳
FDI 11.3845 0.0000 13.4656 0.0000 平稳
ER 19.0430 0.0000 13.2260 0.0000 平稳

4.4 实证检验与分析

4.4.1 全样本回归

研究对样本数据取对数以减少异方差，运用随机效应模型、个体固定效应模型、时刻固定效应模型、双向固定效应模型进行回归，根据Hausman检验结果选择固定效应模型，考虑到所用数据随时间和个体改变，固定个体效应和时间效应，采用双向固定效应模型的回归结果进行分析（表4）。
表4 基准回归结果

Tab. 4 Benchmark regression results

变量 随机效应模型 个体固定效应模型 时刻固定效应模型 双向固定效应模型
GTI -0.0274*** -0.0310*** 0.0306*** 0.0255***
(-3.66) (-4.14) (3.54) (2.89)
ED 0.4264*** 0.4680*** 0.0459** 0.1218***
(24.35) (26.46) (2.19) (5.40)
IS 0.2488*** 0.3081*** 0.0820* -0.0802
(6.16) (7.52) (1.85) (-1.64)
POP 0.0143 -0.0053 0.0001 -0.0165
(0.72) (-0.20) (0.01) (-1.41)
FDI -0.0085* -0.0106** -0.0130** -0.0077
(-1.75) (-2.21) (-2.17) (-1.13)
ER -0.0622*** -0.0403*** -0.2196*** -0.2040***
(-5.82) (-3.75) (-17.34) (-15.71)
Cons -6.7876*** -7.2662*** -2.9286*** -3.1108***
(-32.13) (-31.39) (-15.87) (-17.42)
City NO YES NO YES
Year NO NO YES YES
F统计量 — 35.12 18.01 2.03
R2 0.7003 0.7025 0.2040 0.5244

注：***、**和*分别代表1%、5%和10%的显著性水平；括号内为聚类稳健的标准误；Cons为常数项。

绿色专利授权量对碳排放效率的影响系数为0.0255，且在1%置信水平下显著，表明绿色技术创新显著提升了资源型城市碳排放效率。绿色专利授权量是衡量绿色创新活动中知识产出水平的常用指标，绿色发明专利和绿色实用新型专利可以在一定程度上表征企业从事碳减排活动的技术创新能力，新工艺、新设备、新技术的采用会提高生产要素的利用效率，通过优化投入产出结构促进资源产出率、劳动生产效率和资源配置效率的提升，从而提高碳排放效率。绿色技术创新以研发投入、人力资本作为投入要素，产出的低碳创新成果通过集群效应、规模效应等途径进行转化与应用，清洁能源技术、碳捕获和封存技术、污染治理技术、节能减排技术等低碳技术的研发、示范和推广有利于提高资源、能源利用效率；同时绿色技术创新为产业转型提供动力，促进劳动力、资源密集型产业向绿色技术、知识密集型产业转变，实现传统产业低碳转型和战略性新兴产业发展，推动产业结构、能源结构由高碳向低碳、由低端向高端转型升级，逐步改善资源型城市在资源开发利用、经济发展和生态环境等方面的问题，实现资源型城市绿色低碳转型。
在控制变量方面，人均GDP对资源型城市碳排放效率的影响效应为正，并在1%置信水平下显著，可能是由于经济发展水平较高的城市技术创新较为活跃，在市场配置、资源整合、成果转化等方面具有明显优势，有利于提高碳排放效率。环境规制对碳排放效率的影响系数为负，并通过了1%置信水平的显著性检验，强化环境治理有利于减污降碳协同推进。第二产业增加值占GDP比例、人口密度和外资强度与碳排放效率的负向影响不显著。

4.4.2 异质性分析

（1）分时间分区域资源型城市回归分析。为探讨2012年党的十八大提出实施创新驱动发展战略后，绿色技术创新对碳排放效率的影响是否变化，研究以此为时间截点，将样本划分为两个时间段，运用随机效应模型（Re）、固定效应模型（Fe）、双向固定效应模型（Fe-tw）进行回归，依据Hausman检验选择Fe-tw模型的回归结果进行分析（表5）。2003—2011年绿色技术创新的影响系数为0.0299，2012—2018年系数为0.0424，影响系数的增加表明中国进一步加快建设创新型国家，绿色专利数量和绿色科技成果转化效率逐步提高，绿色技术创新对碳排放效率的影响效应逐渐凸显，绿色技术创新驱动作用增强。
表5 分时间回归结果

Tab. 5 The regression results by time

变量 2003—2011年 2012—2018年
Re Fe Fe-tw Re Fe Fe-tw
GTI 0.0058 0.0051 0.0229* -0.0301** -0.0404*** 0.0424***
(0.62) (0.53) (1.93) (-2.07) (-2.62) (2.75)
控制变量 YES YES YES YES YES YES
Cons YES YES YES YES YES YES
City NO YES YES NO YES YES
Year NO NO YES NO NO YES
F统计量 — 26.87 1.29 — 26.22 1.66
R2 0.7583 0.7616 0.5287 0.1606 0.1742 0.2288

注：***、**和*分别代表1%、5%和10%的显著性水平；Cons为常数项；控制变量表示加入经济发展水平等5个控制变量（见表2）。

为探索不同区域绿色技术创新水平对资源型城市碳排放效率的影响，采用Re模型、Fe模型、Fe-tw模型对东部、中部、西部和东北地区资源型城市面板数据进行回归，根据Hausman检验结果选择Fe-tw模型进行分析（表6）。绿色专利授权量对西部资源型城市碳排放效率有正向促进作用，在1%置信水平下的影响系数为0.0740，与东部资源型城市的正向影响不显著，与中部和东北资源型城市的负向影响不显著。东部地区高技术产业聚集以及良好的科研环境和设施吸引科研人员大量集聚，在促进低碳技术研发应用和区域节能减排的同时，能源消费量随经济增长而增加，对区域碳排放产生了回弹效应，制约了创新驱动碳减排效应，没有通过显著性检验；中部资源型城市承接东部产业转移，其绿色技术创新活动与企业降碳产生的协同效应较弱，影响效应不显著；西部地区经济基础较为薄弱，科研环境和基础设施相对落后，但科研经费投入和技术产出逐年增加，绿色技术创新水平的提高能够有效推动西部资源型城市碳排放效率的提升；东北地区是全国的综合性能源生产基地，产业结构以重工业为主，不均衡的产业结构导致部分城市经济衰退、产业萎缩以及人才外流，低碳转型所需的绿色技术创新能力不足。由于地理区位、经济发展、政策支撑以及人才结构等因素影响，绿色技术创新对不同区域碳排放效率的影响存在一定差异。
表6 四大区域资源型城市绿色技术创新影响

Tab. 6 Impact of green technological innovation in resource-based cities of four regions

变量 东部城市 中部城市 西部城市 东北城市
Re Fe Fe-tw Re Fe Fe-tw Re Fe Fe-tw Re Fe Fe-tw
GTI -0.0424*** -0.0484*** -0.0190 -0.0484*** -0.0767*** 0.0018 0.0043 0.0078 0.0740*** -0.0169 -0.0104 -0.0078
(-2.72) (-2.99) (-1.02) (-3.65) (-5.85) (0.14) (0.27) (0.50) (3.69) (-0.85) (-0.51) (-0.39)
控制变量 YES YES YES YES YES YES YES YES YES YES YES YES
Cons YES YES YES YES YES YES YES YES YES YES YES YES
City NO YES YES NO YES YES NO YES YES NO YES YES
Year NO NO YES NO NO YES NO NO YES NO NO YES
F统计量 — 19.05 0.72 — 31.68 2.30 — 31.79 1.42 — 35.09 1.54
R2 0.8169 0.8185 0.6881 0.7226 0.7344 0.5062 0.6320 0.6362 0.4119 0.8282 0.8318 0.7137

注：***代表1%的显著性水平；控制变量表示加入经济发展水平等5个控制变量（见表2）。

（2）不同类型资源型城市回归分析。由于不同发展阶段资源型城市的绿色技术创新能力和经济社会可持续发展水平不同，在低碳转型过程中需要解决的难题和着力点也存在差异。根据Hausman检验选择Fe-tw模型，以探究不同发展阶段资源型城市绿色技术创新对碳排放效率的影响（表7）。成长型城市绿色技术创新与碳排放效率的影响系数为-0.0417，未通过显著性检验，可能是由于成长型城市处于资源型城市发展初期阶段，绿色技术创新在促进经济发展、追求效益效率的同时，导致能源消耗和碳排放量增加，弱化了节能减排效应；成熟型城市绿色专利授权数量与碳排放效率呈显著正相关，表明成熟型城市经过一段时间的开发与建设，多元产业体系更加健全，内生发展动力显著增强，经济发展越来越注重创新驱动与多元化发展，绿色技术创新成为推动成熟型城市低碳转型的重要驱动力；衰退型城市经济发展滞后，部分地区财力匮乏，人才流失严重，低碳技术研发投入不足，绿色技术创新水平不高，技术改进碳减排效应不明显，资源利用效率不高，制约了衰退型城市碳排放效率提升；再生型城市可能处于转型发展阶段，绿色低碳技术创新能力仍有待提升，影响效应不显著。
表7 不同发展阶段资源型城市绿色技术创新影响

Tab. 7 Impact of green technological innovation in resource-based cities at different development stages

变量 成长型城市 成熟型城市 衰退型城市 再生型城市
Re Fe Fe-tw Re Fe Fe-tw Re Fe Fe-tw Re Fe Fe-tw
GTI -0.0990*** -0.1003*** -0.0417 -0.0003 -0.0022 0.0219
*		 -0.0103 -0.0165 -0.0358
*		 -0.0567*** -0.0839*** -0.0015
(-3.91) (-3.78) (-1.02) (-0.03) (-0.22) (1.82) (-0.68) (-1.09) (-1.91) (-2.96) (-4.68) (-0.04)
控制变量 YES YES YES YES YES YES YES YES YES YES YES YES
Cons YES YES YES YES YES YES YES YES YES YES YES YES
City NO YES YES NO YES YES NO YES YES NO YES YES
Year NO NO YES NO NO YES NO NO YES NO NO YES
F统计量 — 22.15 0.88 — 27.92 1.29 — 31.66 2.70 — 36.42 1.17
R2 0.7336 0.7345 0.6325 0.6540 0.6573 0.5043 0.8343 0.8356 0.7354 0.8840 0.7985 0.6837

注：***、*分别代表1%、10%的显著性水平；控制变量表示加入经济发展水平等5个控制变量（见表2）。

4.4.3 稳健性检验

为验证研究结果的稳健性，研究将绿色技术创新变量的滞后一期作为工具变量，运用二阶段最小二乘法对全样本和四大地区资源型城市进行回归[50]。表8显示绿色技术创新的影响性质和显著性水平与原始回归结果基本一致，稳健性检验结果可靠。
表8 稳健性检验结果

Tab. 8 Robustness test results

变量 全样本 东部城市 中部城市 西部城市 东北城市
GTI 0.0159* -0.0281 0.0196* 0.0552*** -0.0136
(1.80) (-1.63) (1.66) (2.96) (-0.69)
ED 0.0999*** 0.3194*** 0.0425 0.1069*** 0.3222***
(4.81) (8.72) (1.20) (2.81) (6.10)
IS 0.133*** -0.2126*** 0.1417 -0.0422 0.1871***
(2.83) (-2.90) (1.30) (-0.44) (2.97)
POP 0.0013 0.039** -0.0952*** 0.0403* -0.1663***
(0.10) (2.07) (-4.21) (1.87) (-5.54)
FDI -0.0020 -0.0840*** 0.0098 0.0270* 0.0371***
(-0.26) (-6.34) (0.70) (1.78) (3.94)
ER -0.2009*** -0.1324*** -0.1994*** -0.1459*** -0.1692***
(-14.42) (-5.85) (-7.92) (-5.77) (-6.28)
Cons -3.4838*** -4.7255*** -2.3007*** -2.6657*** -4.8899***
(-18.35) (-14.24) (-6.61) (-7.47) (-12.14)
R2 0.3716 0.7102 0.3656 0.2995 0.6760

注：***、**和*分别代表1%、5%和10%的显著性水平。

5 结论与建议

5.1 主要结论

研究采用超效率SBM模型测算中国资源型城市碳排放效率，采用泰尔指数、核密度估计等刻画其时空演变特征，运用面板回归模型分析绿色技术创新对城市碳排放效率的影响，得出以下结论：
（1）2003—2012年中国资源型城市碳排放效率迅速增长，2013—2018年缓慢波动增长。资源型城市碳排放效率核密度曲线峰值向右偏移，低碳转型取得一定成效，峰值降低、宽度加大，碳排放效率的区域差距呈现扩大态势。
（2）资源型城市碳排放效率呈现明显的空间差异，四大区域内部差异是总体差异持续扩大的主要原因，碳排放效率较高和较低的城市在空间上存在着明显的集聚特征。资源型城市碳排放效率呈现“成长型城市>成熟型城市>再生型城市>衰退型城市”的递减规律。
（3）绿色专利授权量对资源型城市碳排放效率存在显著的正向促进效应，控制变量中经济发展水平与碳排放效率呈显著正相关，环境规制与碳排放效率呈负相关。实施创新驱动发展战略后，绿色技术创新对提升碳排放效率的促进作用增强。绿色技术创新对四大地带和不同发展阶段资源型城市碳排放效率的影响存在异质性。

5.2 对策建议

研究根据资源型城市碳排放效率的时空演变特征和绿色技术创新对碳排放效率的影响，提出以下对策建议：
（1）加大绿色技术创新投入，完善资金保障机制。资金投入是促进绿色技术研发的重要保障，2021年中国R&D经费为2.79万亿，与GDP之比达2.44%，技术创新引擎作用不断增强。优化传统的财政补助、奖励等投入方式，借助绿色金融工具，引导社会资本以市场化方式设立低碳产业投资基金，加强低碳前沿技术研发、示范与应用的经费投入，提升科研条件保障能力，助力绿色低碳产业发展和高碳产业转型。
（2）培养“双碳”专业人才，支撑绿色低碳发展。人力资本和人才资源是强化创新驱动的重要支撑。加强国内外科研院校与政府、企业、协会多方合作交流，开展碳减排技术人才培育与引进工作，逐步建立以政府为主导、企业为主体、高等院校广泛参与的低碳职业培训体系和运行机制，推动“双碳”专业人才培养资源的集成共享，并融入国家重大发展战略，强化人力资本与技术创新、低碳发展的同频共振。
（3）推进产学研用深度融合，促进低碳技术成果转化。绿色创新成果转化和产业化是绿色技术创新凸显实效的关键阶段。创新新型研发机构建设模式，优化新型研发机构的产业、空间、技术布局，统筹低碳技术示范和基地建设，推动绿色低碳前沿技术研发、示范和规模化应用，同时促进创新要素向企业集聚，发挥企业在研发投入和成果转化中的主体作用，实现技术突破、产品制造、市场模式、低碳产业协同发展。
（4）实施碳减排区域差异化对策，缩小碳排放效率差距。区域经济区位、资源开发阶段等多方面因素决定了不同资源型城市低碳转型需采取不同的模式，东部资源型城市应重点发展高新技术产业和创新型产业；中西部绿色技术创新实力和效能有待加强，应集聚创新要素以提升传统产业；东北地区建立有效的人才激励机制，补齐人才缺口。对于不同资源开发阶段的城市，推动成长型城市有序发展、成熟型城市跨越式发展、衰退型城市转型发展、再生型城市创新发展以促进区域协同发展。
研究运用超效率SBM模型测算资源型城市碳排放效率，并分析其时空演变特征与绿色技术创新影响，为不同区域和发展阶段资源型城市制定碳减排策略提供科学依据，未来将进一步加强资源型城市绿色技术创新和碳排放效率相关研究：一是后续研究在不同区域和成长阶段资源型城市异质性分析的基础上，将结合城市主导资源差异对资源型城市碳减排机制进行分区、分类和分级研究。同时，加强资源型城市与非资源型城市碳排放效率相似性与差异性的比较研究，多尺度揭示绿色技术创新与碳排放效率的时序演变和空间分异特征，探究绿色技术创新的碳减排效应及其空间溢出效应，系统综合探究低碳转型过程中不同类型城市碳排放现状、情景模拟和减碳路径。二是应加强资源型城市典型案例研究，同时注重结合经济增长机制和城市内部空间结构进行分析，深入评估典型资源型城市的绿色技术创新和碳排放现状并提出针对性的措施和建议，为城市低碳转型提供决策参考。

诚挚感谢匿名评审专家在论文评审中所付出的时间和精力，评审专家对本文文献综述、影响因素探讨及文本逻辑梳理方面的修改意见，使作者受益匪浅。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
于潇潇. 低碳试点政策对城市绿色创新效率影响的实证研究. 济南: 山东财经大学硕士学位论文, 2021: 19.

[Yu Xiaoxiao. Empirical study on the impact of low carbon pilot policies on urban green innovation efficiency. Jinan: Master's Dissertation of Shandong University of Finance and Economics, 2021: 19.]. DOI: 10.27274/d.cnki.gsdjc.2021.000973.

DOI

[2]
钟茂初, 赵天爽. 双碳目标视角下的碳生产率与产业结构调整. 南开学报(哲学社会科学版), 2021, 67(5): 97-109.

[Zhong Maochu, Zhao Tianshuang. Carbon productivity and industrial structure adjustment from the perspective of double carbon objectives. Nankai Journal(Philosophy, Literature and Social Science Edition), 2021, 67(5): 97-109.]

[3]
范育鹏. 北京市终端能源消费碳排量研究. 中国人口·资源与环境, 2014, 24(S2): 45-49.

[Fan Yupeng. Study on carbon emission of end energy consumption in Beijing. China Population, Resources and Environment, 2014, 24(S2): 45-49.]

[4]
康鹏. 经济效率研究的参数法与非参数法比较分析. 经济论坛, 2005, 19(19): 139-140.

[Kang Peng. Analysis of parametric law and non-parameter method for economic efficiency. Economic Forum, 2005, 19(19): 139-140.]

[5]
Zhang C, Chen P. Industrialization, urbanization, and carbon emission efficiency of Yangtze River Economic Belt-empirical analysis based on stochastic frontier model. Environmental Science and Pollution Research International, 2021, 28(47): 66914-66929. DOI: 10.1007/S11356-021-15309-Z.

DOI PMID

[6]
余敦涌, 张雪花, 刘文莹. 基于随机前沿分析方法的碳排放效率分析. 中国人口·资源与环境, 2015, 25(S2): 21-24.

[Yu Dunyong, Zhang Xuehua, Liu Wenying. Carbon emission efficiency analysis based on stochastic frontier analysis. China Population, Resources and Environment, 2015, 25(S2): 21-24.]

[7]
邵海琴, 王兆峰. 长江经济带旅游业碳排放效率的综合测度与时空分异. 长江流域资源与环境, 2020, 29(8): 1685-1693.

[Shao Haiqin, Wang Zhaofeng. Comprehensive measurement and temporal and spatial differentiation of carbon emission efficiency of tourism in the Yangtze River economic belt. Resources and Environment in the Yangtze Basin, 2020, 29(8): 1685-1693.] DOI: 11870/cjlyzyyhj202008001.

DOI

[8]
郭四代, 钱昱冰, 赵锐. 西部地区农业碳排放效率及收敛性分析: 基于SBM-Undesirable模型. 农村经济, 2018, 36(11): 80-87.

[Guo Sidai, Qian Yubing, Zhao Rui. Analysis of agricultural carbon emission efficiency and convergence in Western China: Based on SBM undesirable model. Rural Economy, 2018, 36(11): 80-87.]

[9]
Zhang H, Du L J, Wang B T, et al. Carbon emission efficiency measurement of construction industry and its treatment measures-A case study of Henan Province, China. Nature Environment and Pollution Technology, 2021, 20(2): 625-632. DOI: 10.46488/NEPT.2021.V20I02.020.

DOI

[10]
刘亦文, 胡宗义. 中国碳排放效率区域差异性研究: 基于三阶段DEA模型和超效率DEA模型的分析. 山西财经大学学报, 2015, 37(2): 23-34.

[Liu Yiwen, Hu Zongyi. Research on regional differences of China's carbon emission efficiency: Analysis based on three stage DEA model and super efficiency DEA model. Journal of Shanxi University of Finance and Economics, 2015, 37(2): 23-34.]. DOI: 10.13781/j.cnki.1007-9556.2015.02.003.

DOI

[11]
孙亚男, 刘华军, 刘传明, 等. 中国省际碳排放的空间关联性及其效应研究: 基于SNA的经验考察. 上海经济研究, 2016, 35(2): 82-92.

[Sun Yanan, Liu Huajun, Liu Chuanming, et al. Research on the spatial relevance and effects of China's inter provincial carbon emissions: An empirical study based on SNA. Shanghai Economic Research, 2016, 35(2): 82-92.]. DOI: 10.19626/j.cnki.cn31-1163/f.2016.02.010.

DOI

[12]
王凯, 邵海琴, 周婷婷, 等. 中国旅游业碳排放效率及其空间关联特征. 长江流域资源与环境, 2018, 27(3): 473-482.

[Wang Kai, Shao Haiqin, Zhou Tingting, et al. China's tourism carbon emission efficiency and its spatial correlation characteristics. Yangtze River Basin Resources and Environment, 2018, 27(3): 473-482.]. DOI: 10.11870/cjlyzyyhj201803003.

DOI

[13]
袁长伟, 张帅, 焦萍, 等. 中国省域交通运输全要素碳排放效率时空变化及影响因素研究. 资源科学, 2017, 39(4): 687-697.

DOI

[Yuan Changwei, Zhang Shuai, Jiao Ping, et al. Research on spatial-temporal changes and influencing factors of total factor carbon emission efficiency of provincial transport in China. Resource Science, 2017, 39(4): 687-697.]. DOI: 10.18402/resci.2017.04.10.

DOI

[14]
雷玉桃, 杨娟. 基于SFA方法的碳排放效率区域差异化与协调机制研究. 经济理论与经济管理, 2014, 34(7): 13-22.

[Lei Yutao, Yang Juan. Research on regional differentiation and coordination mechanism of carbon emission efficiency based on SFA method. Economic Theory and Economic Management, 2014, 42(7): 13-22.]

[15]
周迪, 罗东权. 绿色税收视角下产业结构变迁对中国碳排放的影响. 资源科学, 2021, 43(4): 693-709.

DOI

[Zhou Di, Luo Dongquan. The impact of industrial structure change on China's carbon emissions from the perspective of green tax. Resources Science, 2021, 43(4): 693-709.]. DOI: 10.18402/resci.2021.04.05.

DOI

[16]
Wang Q, Li L J. The effects of population aging, life expectancy, unemployment rate, population density, per capita GDP, urbanization on per capita carbon emissions. Sustainable Production and Consumption, 2021, 28(1): 760-774. DOI: 10.1016/J.SPC.2021.06.029.

DOI

[17]
姜宛贝, 刘卫东. 中国经济空间格局演变及其CO2排放效应. 资源科学, 2021, 43(4): 722-732.

DOI

[Jiang Wanbei, Liu Weidong. Evolution of China's economic spatial pattern and its CO2 emission effect. Resources Science, 2021, 43(4): 722-732.]. DOI: 10.18402/resci.2021.04.07.

DOI

[18]
李秀珍, 唐海燕. 环境规制新要求下中国工业部门对外经济政策研究: 来自外商投资和贸易开放的经验证据. 世界经济研究, 2016, 36(5): 125-133+136.

[Li Xiuzhen, Tang Haiyan. China's foreign economy policy in industrial sectors under new requirements for environmental regulation: Empirical experience from foreign investment and trade opening. World Economy Studies, 2016, 36(5): 125-133+136.]. DOI: 10.13516/j.cnki.wes.2016.05.012.

DOI

[19]
程钰, 孙艺璇, 王鑫静, 等. 全球科技创新对碳生产率的影响与对策研究. 中国人口·资源与环境, 2019, 29(9): 30-40.

[Cheng Yu, Sun Yixuan, Wang Xinjing, et al. Research on the impact of global scientific and technological innovation on carbon productivity and countermeasures China Population. Resources and Environment, 2019, 29(9): 30-40.]. DOI: 10.12062/cpre.20190625.

DOI

[20]
Liu Q Q, Wang S J, Zhang W Z, et al. Examining the effects of income inequality on CO2 emissions: Evidence from non-spatial and spatial perspectives. Applied Energy, 2019, 236: 163-171. DOI: 10.1016/j.apenergy.2018.11.082.

DOI

[21]
Sohag K, Begum R A, Abdullah S M S, et al. Dynamics of energy use, technological innovation, economic growth and trade openness in Malaysia. Energy, 2015, 90(2): 1497-1507. DOI: 10.1016/j.energy.2015.06.101.

DOI

[22]
Gunarto T. Effect of economic growth and foreign direct investment on carbon emission in the asian states. International Journal of Energy Economics and Policy, 2020, 10(5): 563-569. DOI: 10.32479/IJEEP.10218.

DOI

[23]
苏豪, 查永进, 王眉山, 等. CCS与CCUS碳减排优劣势分析. 环境工程, 2015, 33(S1): 1044-1047+1053.

[Su Hao, Cha Yongjin, Wang Meishan, et al. Analysis of advantages and disadvantages of CCS and CCUS in carbon emission reduction. Environmental Engineering, 2015, 33 (S1): 1044-1047+1053.]

[24]
Bosetti V, Carraro C, Galeotti M, et al. A world induced technical change hybrid model. The Energy Journal, 2006, 27(2): 13-38. DOI: 10.5547/ISSN0195-6574-EJ-VolSI2006-NoSI2-2.

DOI

[25]
Xie Y C, Hou Z M, Liu H J, et al. The sustainability assessment of CO2 capture, utilization and storage (CCUS) and the conversion of cropland to forestland program (CCFP) in the Water-Energy-Food (WEF) framework towards China's carbon neutrality by 2060. Environmental Earth Sciences, 2021, 80(14): 1-17. DOI: 10.1007/S12665-021-09762-9.

DOI

[26]
沈小波, 陈语, 林伯强. 技术进步和产业结构扭曲对中国能源强度的影响. 经济研究, 2021, 56(2): 157-173.

[Shen Xiaobo, Chen Yu, Lin Boqiang. The impact of technological progress and industrial structure distortion on China's energy intensity. Economic Research, 2021, 56(2): 157-173.]

DOI

[27]
傅飞飞. 研发投入、能源效率与工业碳减排路径研究. 广州: 广东工业大学硕士学位论文, 2021: 9-10.

[Fu Feifei. Research on R&D investment, energy efficiency and industrial carbon emission reduction path. Guangzhou: Master's Dissertation of Guangdong University of Technology, 2021: 9-10.]

[28]
金培振, 张亚斌, 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. 科学学研究, 2014, 32(5): 706-716.

[Jin Peizhen, Zhang Yabin, Peng Xing. The double-edged effect of technological progress in carbon dioxide emission reduction: based on empirical evidence from 35 Chinese industries. Science of Science Research, 2014, 32(5): 706-716.]. DOI: 10.16192/j.cnki.1003-2053.2014.05.006.

DOI

[29]
马艳艳, 逯雅雯. 不同来源技术进步与二氧化碳排放效率: 基于空间面板数据模型的实证. 研究与发展管理, 2017, 29(4): 33-41.

[Ma Yanyan, Lu Yawen. Technological progress from different sources and carbon dioxide emission efficiency: An empirical study based on spatial panel data model. Research and Development Management, 2017, 29(4): 33-41.]. DOI: 10.13581/j.cnki.rdm.2017.04.002.

DOI

[30]
王峰, 贺兰姿. 技术进步能否降低中国出口贸易隐含碳排放? 基于27个制造业行业的实证分析. 统计与信息论坛, 2014, 29(12): 50-56.

[Wang Feng, He Lanzi. Can technological progress reduce the implied carbon emissions of China's export trade: An Empirical analysis based on 27 manufacturing industries. Journal of Statistics and Information, 2014, 29(12): 50-56.]

[31]
田云, 尹忞昊. 技术进步促进了农业能源碳减排吗?基于回弹效应与空间溢出效应的检验. 改革, 2021, 34(12): 45-58.

[Tian Yun, Yin Minhao. Does technological progress promote the carbon emission reduction of agricultural energy: Test based on rebound effect and spatial spillover effect. Reform, 2021, 34(12): 45-58.]

[32]
郭莉. 技术进步对我国西北五省区碳排放量的影响. 科技管理研究, 2016, 36(19): 256-259+266.

[Guo Li. Impact of technological progress on carbon emissions in five provinces in Northwest China. Science and Technology Management Researcht, 2016, 36(19): 256-259+266.]. DOI: 10.3969/j.issn.1000-7695.2016.19.044.

DOI

[33]
臧萌萌, 吴娟. 碳排放影响因素解析: 基于改进的拉氏指数分解模型. 科技管理研究, 2021, 41(6): 179-184.

[Zang Mengmeng, Wu Juan. Analysis of factors affecting carbon emissions: Based on improved Laplace index decomposition model. Science and Technology Management Research, 2021, 41(6): 179-184.]. DOI: 10.3969/j.issn.1000-7695.2021.06.024.

DOI

[34]
张勇军. 技术进步与低碳经济发展:机理、模型与实证. 长沙: 湖南大学博士学位论文, 2017: 89-90.

[Zhang Yongjun. Technological progress and low-carbon economic development:mechanism, model and demonstration. Changsha: Doctoral Dissertation of Hunan University, 2017: 89-90.]

[35]
张雪峰, 宋鸽, 闫勇. 要素投入对中国工业碳生产率的影响研究: 来自Heckman两阶段的经验数据. 经济问题, 2021, 43(6): 60-64.

[Zhang Xuefeng, Song Ge, Yan Yong. Study on the impact of factor input on China's industrial carbon productivity: An empirical data from Heckman's two stages. Economic Issues, 2021, 43(6): 60-64.]. DOI: 10.16011/j.cnki.jjwt.2021.06.009.

DOI

[36]
邱立新, 袁赛. 中国典型城市碳排放特征及峰值预测: 基于“脱钩”分析与EKC假设的再验证. 商业研究, 2018, 61(7): 50-58.

[Qiu Lixin, Yuan Sai. Carbon emission characteristics and peak value prediction of typical cities in Chin: Re verification based on "decoupling" analysis and EKC hypothesis. Business Research, 2018, 61(7): 50-58.]. DOI: 10.13902/j.cnki.syyj.2018.07.007.

DOI

[37]
Fang Z. Assessing the impact of renewable energy investment, green technology innovation, and industrialization on sustainable development: A case study of China. Renewable Energy, 2023, 205: 772-782. DOI: 10.1016/J.RENENE.2023.01.014.

DOI

[38]
刘在洲, 汪发元. 绿色科技创新、财政投入对产业结构升级的影响: 基于长江经济带2003-2019年数据的实证分析. 科技进步与对策, 2021, 38(4): 53-61.

[Liu Zaizhou, Wang Fayuan. The impact of green scientific and technological innovation and financial investment on industrial structure upgrading: An empirical analysis based on the data of the Yangtze River economic belt from 2003 to 2019. Scientific and Technological Progress and Countermeasures, 2021, 38(4): 53-61.]. DOI: 10.60499/kjjbydc.2020070382.

DOI

[39]
王洪庆, 郝雯雯. 高新技术产业集聚对我国绿色创新效率的影响研究. 中国软科学, 2022(8): 172-183.

[Wang Hongqing, Hao Wenwen. Research on the impact of high-tech industrial agglomeration on China's green innovation efficiency. China Soft Science, 2022(8): 172-183.]

[40]
胡习习, 石薛桥. 绿色技术创新对碳排放绩效的影响研究: 以东北地区为例. 湖北农业科学, 2022, 61(17): 5-10.

[Hu Xixi, Shi Xueqiao. Research on the impact of green technology innovation on carbon emission performance: taking the Northeast China as an example. Hubei Agricultural Science, 2022, 61(17): 5-10.]. DOI: 10.14088/j.cnki.issn0439-8114.2022.17.001.

DOI

[41]
扎恩哈尔·杜曼, 孙慧. 绿色技术创新对城市生态效率空间溢出和门槛效应分析. 统计与决策, 2022, 38(14): 169-173.DOI: 10.13546/j.cnki.tjyjc.2022.14.034.

DOI

[Zanhar Duman, Sun Hui. Analysis of spatial spillover and threshold effect of green technology innovation on urban ecological efficiency. Statistics and Decision, 2022, 38(14): 169-173.]. DOI: 10.13546/j.cnki.tjyjc.2022.14.034.

DOI

[42]
李治国, 杨雅涵. 黄河流域绿色技术创新如何驱动绿色发展: 基于绿色全要素生产率视角. 甘肃科学学报, 2022, 34(5): 129135.

[Li Zhiguo, Yang Yahan. How green technological innovation in the Yellow River Basin drives green development: ased on the perspective of green total factor productivity. Journal of Gansu Science, 2022, 34(5): 129-135.]. DOI: 10.16468/j.cnki.issn1004-0366.2022.05.05.021.

DOI

[43]
张中祥, 宋梅. 碳中和背景下资源型城市转型面临的新挑战新机遇. 国家治理, 2022, 9(6): 47-51.

[Zhang Zhongxiang, Song Mei. New challenges and opportunities for the transformation of resource-based cities in the context of carbon neutrality. National Governance, 2022, 9(6): 47-51.]. DOI: 10.16619/j.cnki.cn10-1264/d.20211228.001.

DOI

[44]
周泽炯, 胡建辉. 基于Super-SBM模型的低碳经济发展绩效评价研究. 资源科学, 2013, 35(12): 2457-2466.

[Zhou Zejiong, Hu Jianhui. Research on the evaluation of low carbon economic development performance based on Super-SBM model. Resource Science, 2013, 35(12): 2457-2466.]

[45]
Tone K. A slacks-based measure of efficiency in data envelopment analysis. European Journal of Operational Research, 2001, 130(3): 498-509. DOI: 10.1016/S0377-2217(99)00407-5.

DOI

[46]
Tone K. A slacks-based measure of super-efficiency in data envelopment analysis. European Journal of Operational Research, 2002, 143(1): 32-41. DOI: 10.1016/S0377-2217(01)00324-1.

DOI

[47]
张军, 吴桂英, 张吉鹏. 中国省际物质资本存量估算:1952-2000. 经济研究, 2004, 50(10): 35-44.

[Zhang Jun, Wu Guiying, Zhang Jipeng. Estimation of China's inter provincial physical capital stock: 1952-2000. Economic Research, 2004, 50(10): 35-44.]

[48]
李慧, 余东升. 中国城市绿色全要素生产率的时空演进与空间溢出效应分析. 经济与管理研究, 2022, 43(2): 65-77.

[Li Hui, Yu Dongsheng. Spatial and temporal evolution and spatial spillover effects of green total factor productivity in Chinese cities. Economic and Management Research, 2022, 43(2): 65-77.]. DOI: 10.13502/j.cnki.issn1000-7636.2022.02.005.

DOI

[49]
刘亦文, 文晓茜, 胡宗义. 中国污染物排放的地区差异及收敛性研究. 数量经济技术经济研究, 2016, 33(4): 78-94.

[Liu Yiwen, Wen Xiaoxi, Hu Zongyi. A study on regional differences and convergence of pollutant emissions in China. Quantitative Economic and Technical Economic Research, 2016, 33(4): 78-94.]. DOI: 10.13653/j.cnki.jqte.2016.04.006.

DOI

[50]
孙艺璇, 程钰, 刘娜. 中国经济高质量发展时空演变及其科技创新驱动机制. 资源科学, 2021, 43(1): 82-93.

DOI

[Sun Yixuan, Cheng Yu, Liu Na. Spatiotemporal evolution of China′s high quality economic development and its driving mechanism of scientific and technological innovation. Resource Science, 2021, 43(1): 82-93.]. DOI: 10.18402/resci.2021.01.07.

DOI

Options
Outlines

/

〈 〉