EN中文

自然资源学报 >

2024 , Vol. 39 >Issue 1: 104 - 124

DOI: https://doi.org/10.31497/zrzyxb.20240106

其他研究论文

产业结构升级、政府生态环境注意力与绿色创新效率——基于中国115个资源型城市的证据

  • 黄寰 , 1 ,
  • 黄辉 1 ,
  • 肖义 , 1 ,
  • 向昕 2
展开
  • 1.成都理工大学商学院，成都 610059
  • 2.成都理工大学管理科学学院，成都 610059
肖义（1993- ），男，四川德阳人，博士，研究员，主要从事低碳城市与减排研究。E-mail:

黄寰（1977- ），男，四川眉山人，博士，教授，主要从事区域可持续发展研究。E-mail:

收稿日期: 2023-06-12

  修回日期: 2023-10-20

  网络出版日期: 2024-01-16

基金资助

四川省哲学社会科学规划重大项目(SC22ZDYC45)

四川省哲学社会科学基金青年项目(23JJ519)

四川省社会科学重点研究基地沱江流域高质量发展研究中心一般项目(TJGZL2022-10)

收起

Industrial structure upgrading, government's attention to ecological environment and the efficiency of green innovation: Evidence from 115 resource-based cities in China

  • HUANG Huan , 1 ,
  • HUANG Hui 1 ,
  • XIAO Yi , 1 ,
  • XIANG Xin 2
Expand
  • 1. Business School, Chengdu University of Technology, Chengdu 610059, China
  • 2. College of Management Science, Chengdu University of Technology, Chengdu 610059, China

Received date: 2023-06-12

  Revised date: 2023-10-20

  Online published: 2024-01-16

Fold

摘要

绿色创新是实现资源型城市经济可持续发展的有力支撑，探究产业结构升级与政府生态环境注意力对资源型城市绿色创新效率的影响机理，对于破除资源型城市产业发展路径锁定具有重要意义。基于2006—2020年中国115个地级资源型城市面板数据，运用产业结构层次指数、文本分析法与超效率SBM模型，表征并刻画资源型城市产业结构升级、政府生态环境注意力与绿色创新效率的时空演化特征，通过多元线性回归评估资源型城市产业结构升级与政府生态环境注意力提升对绿色创新效率的影响及作用路径。研究发现：（1）资源型城市产业结构升级与政府生态环境注意力增加显著提升了城市绿色创新效率，该结论经过多重稳健性检验后依然成立。（2）从产业结构升级与政府生态环境注意力提升对绿色创新效率的作用效果上看，中、西部城市优于东部城市，再生型、成熟型城市优于衰退型和成长型城市，森林型城市优于油气型、钢铁型、有色金属型和煤炭型城市。（3）资源型城市产业结构升级与政府生态环境注意力增强通过提升经济效益、社会效益和环境效益三个渠道影响城市绿色创新效率的动态变化。

关键词： 绿色创新效率; 产业结构升级; 政府生态环境注意力; 资源型城市; 超效率SBM

本文引用格式

黄寰 , 黄辉 , 肖义 , 向昕 . 产业结构升级、政府生态环境注意力与绿色创新效率——基于中国115个资源型城市的证据[J]. 自然资源学报, 2024 , 39(1) : 104 -124 . DOI: 10.31497/zrzyxb.20240106

Abstract

Green innovation is a strong support for the sustainable economic development of resource-based cities. Exploring the impact mechanism of industrial structure upgrading and the government eco-environmental attention on the efficiency of green innovation, especially in resource-based cities, is of great significance for breaking the lock in the industrial evolution path. Based on the panel data of 115 prefecture-level resource-based cities in China from 2006 to 2020, this article depicted and examined the spatio-temporal evolution characteristics of industrial structure upgrading, government eco-environmental attention and the efficiency of green innovation, using the industrial structure level index, text analysis and the Super SBM-undesirable model. By using multiple linear regression, this study further assessed the influence and function channel of industrial structure upgrading and the increase of government eco-environmental attention on the efficiency of green innovation in resource-based cities. The results showed that: (1) The industrial structure upgrading and the government's increasing attention to ecological environment significantly improved the efficiency of urban green innovation in resource-based cities, and this conclusion remained valid after multiple robustness tests. (2) In terms of the effects of industrial structure upgrading and the government's attention to ecological environment on the green innovation efficiency, the cities of central and western regions were better than the eastern cities, regenerating and mature cities were better than declining and growing cities, and forest-based cities were better than oil-gas type, iron and steel type, ferrous metal-based cities and coal-based cities. (3) The upgrading of industrial structure and the enhancement of the government's attention to ecological environment affect the dynamic change of urban green innovation efficiency through three channels: economic benefit, social benefit and environmental benefit.

Key words： green innovation efficiency; industrial structure upgrading; government eco-environmental attention; resource-based city; Super-SBM model

资源型城市是以开采和加工本地区特有的自然资源禀赋（如矿产、森林等自然资源）为主导产业的城市类型。作为国家经济建设中重要的能源资源战略保障基地以及国民经济可持续发展的重要支撑，资源型城市的发展为中国经济增长做出了极为重要的贡献。但由于过去曾出现对自然资源单程式、无节制地过度开采，导致一些资源型城市的资源储备急速减少，伴随着支柱产业衰退，资源型城市演变成资源枯竭型城市的风险增加，由此引发的产业结构失衡、生态环境恶化、经济发展可持续性差、贸易条件恶化、城市空心化、劳动力流失等诸多问题成为制约资源型城市转换增长动能、实现高质量发展的主要瓶颈[1,2]。因此，资源型城市对优化产业结构、提高产业的转换力和应变力、开拓绿色可持续发展新模式的现实需求愈发迫切。与此同时，绿色创新兼顾了技术创新活动和环境保护要求，具备创新成果与环境效益相统一的双重正外部性，能够实现经济发展质量和环境效益的双重提升。在此背景下，资源型城市的产业结构升级、政府生态环境注意力是否会提升绿色创新效率?考虑中国资源型城市的地理区位、发展阶段与资源禀赋差异，产业结构升级与政府生态环境注意力对绿色创新效率的影响有何不同?产业结构升级与政府生态环境注意力提升对绿色创新效率的影响机制有哪些?这一系列问题值得深入思考。
作为创新驱动与绿色发展的融合体，绿色创新通过应用新知识与技术在降低环境污染、节约能耗的同时，创造了巨大的经济效益[3]，已然成为突破资源和环境约束，推进区域经济可持续发展的有效手段[4]。从绿色创新效率的影响因素来看，环境规制、产业结构、经济发展水平、人力资本、外商直接投资、金融发展水平和财政分权能力均会对绿色创新效率产生影响[5]。从绿色创新效率的测度研究来看，现有研究主要采用数据包络分析法（DEA）及衍生模型进行测度。但由于DEA分析方法对于数据异常值高度敏感，且未将创新过程中的非期望产出纳入考量，往往导致测度的效率值偏高，现阶段更多学者使用衍生DEA模型来测算绿色创新效率，如超效率SBM模型[5⇓-7]、DEA-RAM模型[8]、EBM模型[9]、三阶段Malmquist指数模型[10]等，其中考虑非期望产出与变量松弛问题的超效率SBM模型应用最为广泛。
当前中国正处于经济增速放缓、供给侧结构性改革的阵痛期，优化产业结构、实现经济体绿色转型发展的需求愈发迫切。产业结构升级与城市经济增长具有极为紧密的联系[11]，长期以来，绿色创新效率、产业结构升级以及二者相互关系等一系列问题不断引发学界关注与讨论。郝汉舟等[12]、刘广亮等[13]将绿色技术创新作为中介变量，分别探讨创新要素集聚、政府竞争对产业结构升级影响过程中绿色技术创新发挥的中介效应。韩先锋等[14]采用面板门槛模型检验绿色创新对产业结构升级的影响机制，发现绿色技术创新对地区产业升级具有显著正向影响，且绿色技术创新的产业升级效应呈现边际效率递减的非线性演化特征。现有成果多集中于绿色技术创新对产业结构升级的作用渠道、影响机理上，而对产业结构升级影响绿色创新效率的作用机制研究较少。
作为稀缺性资源，注意力反映了政府对某些具体事务的关注程度，注意力的改变是导致政府决策发生变化的直接原因之一。本文参考王印红等[15]的研究方法，通过引入“政府生态环境注意力”概念来衡量政府决策者对环境问题的关注程度。申伟宁等[16]基于京津冀政府工作报告，研究了生态环境注意力的波动趋势以及其对环境治理绩效的影响效应。张慧智等[17]从区域政府治理视角出发，考察政府环境注意力对绿色技术创新的作用，发现政府环境注意力对区域绿色创新具有显著的积极效应。
现有研究仅单一地关注产业结构升级与绿色创新效率二者关系或政府生态环境注意力对绿色创新的影响，并未将三者纳入到同一分析框架内进行考量，即探究资源型城市产业结构升级与政府生态环境注意力提升对绿色创新效率所产生的影响及作用机理。鉴于此，本文采用2006—2020年中国115个地级资源型城市面板数据，使用超效率SBM模型、产业结构层次指数与文本分析法，刻画资源型城市绿色创新效率、产业结构升级与政府生态环境注意力的时空格局演化特征，通过多元线性回归测度产业结构升级与政府生态环境注意力对资源型城市绿色创新效率的异质性影响，并使用中介效应模型进行机制检验，以期为推进中国资源型城市绿色转型发展提供理论支撑。本文可能的边际贡献在于：（1）综合运用考虑非期望产出与松弛变量的超效率SBM模型、产业结构层次指数与文本分析法，刻画中国资源型城市绿色创新效率、产业结构升级与政府生态环境注意力的时空格局演化特征，对既有资源型城市绿色转型与高质量发展路径研究形成补充。（2）聚焦资源型城市的地理区位、发展阶段和资源禀赋类型差异，探讨资源型城市产业结构升级与政府生态环境注意力提升对绿色创新效率的异质性影响，而后使用中介效应模型检验产业结构升级与政府生态环境注意力提升对资源型城市绿色创新效率的作用渠道，为资源型城市探寻适宜的绿色转型路径提供对策建议。

1 研究方法与数据来源

1.1 理论推导

1.1.1 产业结构升级与绿色创新效率

产业结构升级是指产业结构从低附加值产业向高附加值产业转变的过程[18]。产业结构的优化和升级通过经济增长效应、人才集聚效应与数字信息强化效应推动资源型城市绿色创新效率的提升。（1）经济增长效应。根据产业结构和产业关联理论，产业结构升级通过拓宽产业链条、实现产品绿色增值[19]。对于产业链上中游，产业结构升级通过影响产品研发、生产技术与工艺流程的创新迭代催生出新型绿色产业和绿色产品；对于产业链下游，产业结构升级通过多样化产品竞争、高端定制策略带动制造业服务向转型[20]。产业结构升级使城市经济效益增加，进而提升城市绿色创新能力。（2）人才集聚效应。产业结构升级的显著特征之一就是第三产业占比上升，第三产业发展能够向第二产业提供人才智力输入和服务支持，产生良好的人才聚集效应[5]。企业作为绿色创新的主体，时常受到既有资源的约束，创新人才的集聚降低了企业对人才的搜寻成本，打破了企业自身绿色创新要素投入不足的桎梏[21]，加快了企业的绿色创新进程。（3）数字信息强化效应。数字经济时代，数据信息成为生产过程中不可或缺的生产要素[22]，产业结构升级通过企业数字化改革完善信息基础设施建设，提供创新信息平台和载体，加快了绿色创新信息要素在生产部门与应用部门间的流动和扩散，减少企业创新活动中的信息不对称现象[17]，提高了绿色创新效率。

1.1.2 政府生态环境注意力与绿色创新效率

政府生态环境注意力的提升，意味着政府对环保问题的监管和治理力度增强[15]。政府生态环境注意力提升通过政策环境优化效应和创新补贴效应促进资源型城市绿色创新效率增长。（1）政策环境优化效应。地方政府在贯彻落实生态环境保护政策时会传递出具有一定政策倾向的信号，存在较为明显的“政治势能”，为开展绿色创新活动营造良好政策环境[17]，促进绿色创新效率的提升。（2）创新补贴效应。政府生态环境注意力提升通过创新补贴政策降低企业创新研发成本，吸引绿色全要素集聚，引导绿色资本投入，扩大绿色创新资金融资渠道，缓解企业绿色创新融资约束[23]，减少企业开展绿色创新活动中的不确定性，规避企业绿色创新研发过程中的风险[24]，激发企业的绿色创新积极性进而影响产业乃至城市的绿色创新效率。综上，政府生态环境注意力增加促进资源型城市绿色创新效率的提升，而资源型城市绿色创新能力的提升反作用于政府部门，进而激励地方政府联合企业开展利于绿色技术创新的活动，形成以绿色创新为引领的良性循环。

1.1.3 产业结构升级、政府生态环境注意力对绿色创新效率的耦合作用

绿色创新相较于一般创新活动的显著特征是强调降低创新过程中的资源消耗以及环境污染[25,26]。产业结构升级与政府生态环境注意力的提升对资源型城市绿色创新效率提升具有正向耦合作用，产业结构升级在经济增长过程中起着“资源配置器”和“污染控制器”的双重作用[27]，而政府生态环境注意力提升通过产生“政治势能”以及所采取的生态环保政策硬性约束污染主体优化生产方式，倒逼资源型城市中高污染、高能耗的企业进行绿色创新改革[17]。这些行为均有利于资源型城市绿色创新产出的增加。因此，二者的耦合作用通过创新要素配置优化效应和环境控制效应共同影响资源型城市绿色创新效率。（1）创新要素配置优化效应。产业结构升级与政府生态环境注意力提升通过优化要素配置结构来调节绿色创新资金[24]、创新人才等优质资源流入绿色创新部门[5]，实现新型绿色产业的培育与落后污染产业的置换[28]，进而助力资源型城市绿色创新水平提升。（2）环境控制效应。产业结构优化使得经济结构服务化转型，鼓励支持知识密集型、资本密集型、生态友好型企业[29]，减少生态环境污染带来负的外部性[30]，而政府生态环境注意力提升通过环境规制等治理政策将资源型城市高污染、高排放企业的外部成本内部化[17]，迫使企业将绿色创新理念贯穿于生产的全过程中。此外，二者还通过“创新补偿效应”抵消环境控制效应带来的污染治理成本的增加[31]，并通过创新累积效应提高资源型城市整体的绿色创新能力。

1.2 研究假设

基于前述理论，本文构建了资源型城市产业结构升级、政府生态环境注意力提升影响绿色创新效率的技术路线图，如图1所示。同时提出三个假说：（1）资源型城市产业结构升级与政府生态环境注意力提升对绿色创新效率具有正向的驱动作用。（2）对于不同地理区位、发展阶段与资源禀赋的资源型城市而言，其产业结构升级与政府生态环境注意力提升对绿色创新效率的影响具有异质性。（3）资源型城市产业结构升级与政府生态环境注意力增强通过提升经济效益、社会效益和环境效益三个渠道影响城市绿色创新效率的动态变化。
图1 产业结构升级与政府生态环境注意力提升对绿色创新效率的影响机制

Fig. 1 The influence mechanism of industrial structure upgrading and government eco-environmental attention improving on green innovation efficiency

1.3 研究方法

1.3.1 模型设定

本文采用多元线性回归模型探究资源型城市产业结构升级、政府生态环境注意力提升对绿色创新效率的影响。模型设定如下：
G c e i t = α + β X 1 i t + γ X 2 i t + c o n t r o l s + ε i t
式中：Gceit为各资源型城市绿色创新效率值，表示第i个城市t年的绿色创新效率；X1it、X2it分别指代产业结构升级指数、政府生态环境注意力水平；controls为控制变量组；εit为随机误差项；α、β和γ分别表示常数项、产业结构升级的回归系数与政府生态环境注意力的回归系数。

1.3.2 变量表征

（1）被解释变量：绿色创新效率（Gce）。参照王巧等[32]的测算方法，采用超效率SBM模型测算城市绿色创新效率。绿色创新效率作为创新理论与环保理念相结合的产物，突出强调了创新过程中对生态环境的保护性，最大程度上实现资源要素节约与环境污染降低。因此，在进行测算绿色创新效率的过程中，参考现有文献做法考虑以下两类指标：
创新投入指标：① 劳动投入。以科研技术服务业就业人数来衡量劳动力投入[25]。 ② 资本投入。以环境治理投入费用、政府教育支出和政府科学事业费支出三者之和作为资本投入[32]。③ 资源投入。参考王晗等[5]的测算方法，使用熵值法将全社会用电量、供水总量与液化石油气供气总量合成城市资源消耗综合指数来衡量资源投入。
创新产出指标：① 期望产出。依次选取城市人均GDP、绿色专利申请授权量、建成区绿化覆盖率作为期望产出中的经济产出、技术产出与生态产出的测度指标[5]。② 非期望产出。使用熵值法将城市工业废水排放量、工业二氧化硫排放量、工业烟灰粉尘排放量合成城市环境污染综合指数来表征非期望产出[26,32]。
资源型城市绿色创新效率的超效率SBM测算公式构建如下：
m i n θ * = 1 + 1 m ∑ i = 1 m s i - x i 0 t 1 - 1 q + h ( ∑ r = 1 q s r + y r 0 t + ∑ k = 1 h s k - b k 0 t )
s . t . x i 0 t ≥ ∑ t = 1 T ∑ j = 1 , j ≠ 0 n λ j t x i j t - s i - i = 1,2 , … , m y r 0 t ≥ ∑ t = 1 T ∑ j = 1 , j ≠ 0 n λ j t y r j t + s r + r = 1,2 , … , q b k 0 t ≥ ∑ t = 1 T ∑ j = 1 , j ≠ 0 n λ j t b k j t - s k - k = 1,2 , … , h λ j t ≥ 0 ∀ j , s i - ≥ 0 ∀ i , s r + ≥ 0 ∀ r , s k - ≥ 0 ∀ k
式中：θ*为绿色创新效率；λ为模型权重向量； s i -、 s r +与 s k -分别表示绿色创新投入、期望产出与非期望产出的松弛向量； x i t、 y r t、 b k t依次表示决策单元在第t期的绿色创新投入、期望产出、非期望产出；n表示总体决策单元数（个）；m、q与h分别表示总体要素投入、期望产出与非期望产出个数（个）；T指代总体研究期数（年）。
（2）核心解释变量X1：产业结构升级水平（Indus）。经济增长不仅表现为总量和人均量增长的趋势，还表现为产业结构的动态演化，产业结构升级遵循由较低形态向高形态转变的动态演化过程。对于不同资源型城市而言，其主导产业和支柱产业发展的重心和演化路径存在显著差异。综合考量数据的连续性与可获得性，本文参考宋洋等[20]的研究方法，使用产业结构层次指数测度资源型城市产业结构升级。计算公式如下：
I n d u s = ∑ m = 1 3 y m × m
式中：ym表示第m产业占地区生产总值的比例（%），m=1, 2, 3。产业结构层次指数通过赋予三大产业不同的权重系数进而在数值层面上描绘产业结构的动态演化特征。根据配第—克拉克定理，产业结构的升级部分体现为生产效率较高的产业在整个产业结构中占比上升。产业结构层次指数表明了三大产业由第一产业向第二产业、第三产业升级的渐次演进过程，指数越大，产业结构越高级。
（3）核心解释变量X2：政府生态环境注意力（lnGea）。生态环境注意力是环境综合治理问题进入相关部门议程、继而出台政策、实施治理的先决条件。参考王印红等[15]、陈诗一等[33]的研究，选取资源型城市政府工作报告中与环境、生态保护、绿色发展等相关词汇总计出现频次的对数形式来衡量政府生态环境注意力。考虑文本选择的差异性与主观性，运用编程软件Python 3.8对115个资源型城市研究期内近1680份政府工作报告进行词汇检索，选取前12个关键词作为文本挖掘的核心词汇，关键词分别为：环境保护（环保）、生态、绿色、生态文明、生态保护、生态环境、污染、可持续发展、环境治理、能耗、低碳、新能源（清洁能源）。
（4）控制变量：① 城市经济发展水平（lndGDP），考虑城市规模差异性，参照黄大全等[34]、梁若冰等[35]的研究，采用地均GDP（经济密度）的对数形式表征。相较于人均GDP，地均GDP更能反映产值密度及经济发展水平。② 金融发展水平（Finance），使用存款贷款余额之和占地区GDP的比例进行衡量；③ 外商直接投资（Fdi），采用各城市实际利用外商直接投资总额占GDP的比例表征；④ 城市科技投入力度（Tech），采用各城市科技支出占GDP的比例表征；⑤ 自然资源依赖程度（Mining），参照崔丹等[36]的研究，使用采矿业从业人员占从业人员总数的比例表征。各变量表征如表1所示。
表1 变量表征

Table 1 Variable characterization

变量 测度因数 符号 变量表征
被解释变量Y 绿色创新效率（-） Gce 基于超效率SBM模型测算
替代被解释变量Y 绿色创新效率（-） Gce2 基于SBM模型测算
核心解释变量X1 产业结构升级/% Indus 基于产业结构层次指数测算
替代核心解释变量X1 二三产业比值/% Indus2 第三产业产值与第二产业产值之比
核心解释变量X2 政府生态环境注意力（-） lnGea 基于文本分析法测算
控制变量 城市经济发展水平/元 lndGDP 城市实际GDP与行政管辖面积的比值
金融发展水平/% Finance 存款贷款余额之和占GDP比例
外商直接投资/% Fdi 城市实际利用外商直接投资总额占GDP比例
城市科技投入力度/% Tech 城市科技支出占GDP的比例
自然资源依赖程度/% Mining 采矿业从业人员占从业人员总数的比例

1.4 数据来源

参照2013年12月国务院发展改革委员会编制印发的《全国资源型城市可持续发展规划（2013—2020年）》（以下简称“《规划》”），综合考量数据的连续性与可获得性，本文将样本区间定为2006—2020年，剔除部分数据缺失严重的城市（地区、自治州），最终选取全国115个地级资源型城市，约占地级以上资源型城市总数的91%。依照国家经济地理区位划分东部资源型城市25个、中部资源型城市50个、西部资源型城市40个。依据《规划》，将样本资源型城市划分为再生型城市15个、成熟型城市63个、成长型城市14个、衰退型城市23个。依据城市所具有的资源禀赋差异，将样本城市划分为有色金属型城市49个、煤炭型城市69个、森林型城市50个、油气型城市24个、钢铁型城市28个。鉴于部分资源型城市同时具备多种规模以上的主导资源，为避免统计偏差和仅依照规模最大主导资源类型划分城市带来的回归误差，分别将城市记入多种资源类型的划分之中，如四川省泸州市，由于其具有极为丰富的煤炭和天然气资源储备，故同时记入煤炭型城市和油气型城市。
数据来源于《中国城市统计年鉴》、中国专利全文数据库、《中国区域经济统计年鉴》、资源型城市政府工作报告（约1680份）与各省市统计年鉴及统计公报。个别年份缺失数据通过EPS数据库进行补充与校验。对于少量缺失且难以溯源的数据，采用线性插值法与均值法进行平滑化处理，以保证数据的连贯性和有效性。

2 结果分析

2.1 时空格局演化分析

本文通过Matlab 2020软件测度2006—2020年中国115个资源型城市的绿色创新效率，采用ArcGIS 10.8软件绘制样本资源型城市绿色创新效率、产业结构升级与政府生态环境注意力的时空格局演化图。受篇幅所限，产业结构升级与政府生态环境注意力的时空格局演化图未予以列出。而后添加数据表进行总体描述性统计，将所选研究期内115个资源型城市的绿色创新效率、产业结构升级指数、政府生态环境注意力水平分区间进行统计，统计结果如表2~表4所示。
表2 绿色创新效率分区间统计结果

Table 2 Interregional statistical results of green innovation efficiency (个)

Gce/年份 0~0.220 0.221~0.4220 0.4221~0.860 0.861~1.000 >1.001
2006 44 36 26 6 3
2010 35 41 29 7 3
2015 32 41 30 8 4
2020 30 38 31 10 6
表3 产业结构升级指数分区间统计结果

Table 3 Interregional statistical results of industrial structure upgrading index (个)

Indus/年份 0~1.180 1.181~1.400 1.401~2.150 2.151~3.150 >3.151
2006 12 25 68 10 0
2010 10 23 68 14 0
2015 6 18 62 24 2
2020 1 13 65 28 8
表4 政府生态环境注意力分区间统计结果

Table 4 Interregional statistical results of government eco-environmental attention (个)

lnGea/年份 0~3.000 3.001~5.000 5.001~7.800 7.801~8.500 >8.501
2006 3 7 7 44 54
2010 0 1 3 38 73
2015 0 0 1 30 84
2020 0 0 1 23 91

2.1.1 绿色创新效率时空格局演化

绿色创新效率时空格局演化如图2所示。2006—2020年间资源型城市绿色创新效率总体均值为0.422，由2006年的0.414上升至2020年的0.444。就整体效率值变动趋势而言，在所选研究期内，115个样本资源型城市的绿色创新效率值总体呈倒“U”型，2006—2018年间样本城市的绿色创新效率值波动增长，而在2019—2020年间样本城市受外部冲击影响严重，样本城市绿色创新效率值呈现整体下降趋势，但由于前期效率值增长大于后期效率值的减少，样本资源型城市的绿色创新效率在研究期内整体呈上升趋势。
图2 2006—2020年中国资源型城市绿色创新效率时空格局演化

注：本图基于自然资源部标准地图服务系统下载的标准地图制作，底图无修改。

Fig. 2 Spatial and temporal patterns of green innovation efficiency of resource-based cities in China, 2006-2020

总体对比来看（表2），具有中上水平绿色创新效率值的城市（Gce≥0.422）数量显著增加，由2006年的35个增加至2020年的47个，典型城市主要包括淄博、吕梁、黑河、七台河、湖州、辽源、雅安、丽江、金昌、亳州等。2020年淄博市绿色创新效率值为0.485高于同年总体均值，领先幅度达到0.041。淄博作为典型的东部再生型资源城市，近年来通过着力发展第三产业来优化产业结构，分类施策推进传统工业服务化、数字化转型，其产业结构层次指数由2006年的2.434上升至2020年的3.724。而绿色创新效率低值城市（Gce≤0.220）数量由2006年的44个减少至2020年的30个，低值城市的产业结构失衡严重、经济基础薄弱，主要包括大同、百色、南充、普洱、郴州等。
对比资源型城市不同地理区位、发展阶段和资源禀赋类型，绿色创新效率的空间差异特征明显。就不同地理区位来看，东部资源型城市绿色创新效率均值为0.472，位列第一；其次为中部资源型城市与西部资源型城市，效率均值分别为0.416与0.355。就不同发展阶段来看，再生型城市排名首位，成熟型城市次之，衰退型城市排行第三，成长型城市排名末位，其绿色创新效率均值依次为0.438、0.429、0.417和0.388。就不同资源禀赋类型来看，排行第一的是油气型城市，其绿色创新效率均值为0.464；森林型与煤炭型城市绿色创新效率均值依次为0.416与0.393，位列第二名与第三名；有色金属型与钢铁型城市效率均值排行末位，分别为0.391与0.388。

2.1.2 产业结构升级时空演化

产业结构升级分区间统计结果如表3所示，样本资源型城市在研究期内产业结构升级效果显著，产业结构升级指数由2006年的1.684大幅上升至2020年的1.917，增幅12.2%。从地理区位差异上看，东部地区产业结构升级指数为2.017，排名首位；中部地区次之，指数为1.749；西部地区产业结构升级指数为1.553排名最末。从发展阶段差异上看，资源型城市产业结构升级指数排行从高到低依次为再生型城市、衰退型城市、成熟型城市和成长型城市，指数分别为1.952、1.801、1.750和1.378。从资源禀赋类型差异上看，资源型城市产业结构升级指数排行从高到低依次为油气型、森林型、钢铁型、有色金属型和煤炭型，指数分别为1.754、1.748、1.724、1.698和1.657。

2.1.3 政府生态环境注意力时空演化

政府生态环境注意力分区间统计结果如表4所示，在2006—2020年间，资源型城市政府生态环境注意力在研究期内出现较为明显的增长，由2006年的8.449上升至2020年的8.623。从地理区位差异上看，中部地区政府生态环境注意力水平为8.552，排名首位；西部地区次之，指数为8.536；东部地区政府生态环境注意力水平为8.532，排名最末。从发展阶段差异上看，资源型城市政府生态环境注意力水平排行从高到低依次为再生型城市、成熟型城市、衰退型城市和成长型城市，数值分别为8.617、8.547、8.527和8.526。从资源禀赋类型差异上看，资源型城市政府生态环境注意力水平排行从高到低依次为钢铁型、油气型、煤炭型、有色型和森林型城市，数值分别为8.605、8.557、8.545、8.528和8.517。

2.2 实证结果分析

2.2.1 基准回归分析

为检验资源型城市产业结构升级与政府生态环境注意力提升对于绿色创新效率的影响，本文使用Stata 16软件对前述基准回归模型进行估计。鉴于本文存在两个核心解释变量，逐一对核心解释变量进行回归分析，结果如表5所示。模型1~模型5依次汇报了逐一回归和全样本回归结果。
表5 基准模型结果

Table 5 Reference model results

变量 (1) 模型1 (2) 模型2 (3) 模型3 (4) 模型4 (5) 模型5
Indus 0.079*** 0.038** 0.041**
(0.018) (0.018) (0.018)
lnGea 0.048*** 0.041** 0.044***
(0.017) (0.017) (0.017)
lndGDP -0.044*** -0.040*** -0.046***
(0.008) (0.008) (0.008)
Finance 0.106*** 0.106*** 0.100***
(0.024) (0.024) (0.024)
Fdi 2.088*** 2.043*** 2.158***
(0.564) (0.562) (0.563)
Tech 4.700*** 4.327*** 4.594***
(0.861) (0.853) (0.860)
Mining 0.052 0.034 0.049
(0.032) (0.031) (0.031)
_cons 0.285*** 0.011 0.456*** 0.144 0.092
(0.041) (0.143) (0.052) (0.145) (0.147)
控制变量 NO NO YES YES YES
N/个 1725 1725 1725 1725 1725

注： **P<0.05，***P<0.01；括号内为聚类稳健标准误。下同。

由基准回归结果可得，无论是否将控制变量纳入模型回归中，产业结构升级（Indus）与政府生态环境注意力（lnGea）的回归系数始终在5%的水平上显著为正，表明资源型城市产业结构升级与政府生态环境注意力提升对绿色创新效率产生正向驱动作用。且相较于控制单一核心解释变量进行回归估计，全样本回归结果中产业结构升级与政府生态环境注意力的回归系数下降至0.041与0.044。
从控制变量来看，现阶段经济发展水平（lndGDP）对绿色创新效率的提升尚且处于负向阻滞阶段，与韩先锋等[14]的研究结论一致，经济增长和绿色创新间存在非线性关系，资源型城市经济发展水平尚未形成规模效应推动城市绿色创新效率的提升，但从长期来看，随着产业结构优化和政府对于生态环保以及绿色创新发展关注度的提升，经济发展与绿色创新间的协同增效作用将愈发显著[31]。金融发展水平（Finance）的回归系数在1%的显著性水平上为正。表明资源型城市金融发展水平越高，其金融服务实体经济的能力越完备，企业进行绿色创新时面临的融资约束越小。外商直接投资（Fdi）的增加显著提升资源型城市绿色创新效率。在政府环保政策的硬性约束下，外资的进入迫使市场置换或淘汰高能耗高污染低产出效率的企业，引导资金向绿色创新产业集聚，催生新的绿色产业，充分激发了企业作为绿色创新主体的积极性，刺激资源型城市绿色创新效率的增长。科技投入力度（Tech）对绿色创新效率的作用正向显著。基于传统创新理论，科技投入增加，人才、技术等创新要素向创新主体集聚，结合倡导绿色创新的“政治势能”，资源型城市绿色创新水平得以提升。资源依赖程度（Mining）在全样本和逐步回归结果中均不显著，资源型城市相较于其他城市的重要特征之一是对资源禀赋的依赖性，现阶段来看，资源型城市的经济结构仍旧以第二产业（制造业、重工业）为主导，高技术产业的发展还处于萌芽状态，超过四成的资源型城市尚未摆脱对资源禀赋开采利用的发展路径依赖，这在一定程度上限制了绿色创新的发展。

2.2.2 异质性检验

为检验资源型城市产业结构升级、政府生态环境注意力提升对绿色创新效率的异质性影响，本文基于资源型城市的不同地理区位、发展阶段与资源禀赋类型，划分样本城市进行分组回归，表6~表8依次报告了异质性分组回归结果。
表6 基于不同地理区位的分组回归结果

Table 6 Grouping regression results based on different geographical locations

变量 (1) 全样本 (2) 东部 (3) 中部 (4) 西部
Indus 0.041** 0.082*** 0.076** 0.163***
(0.018) (0.027) (0.034) (0.044)
lnGea 0.044*** 0.066 0.037* 0.049*
(0.017) (0.052) (0.021) (0.029)
lndGDP -0.046*** 0.037*** -0.055*** -0.043***
(0.008) (0.014) (0.013) (0.016)
Finance 0.100*** -0.046 0.128*** 0.201***
(0.024) (0.035) (0.036) (0.049)
Fdi 2.158*** 2.269** 3.239*** 4.596**
(0.563) (0.932) (0.735) (2.260)
Tech 4.594*** 2.528** 5.411*** 6.583***
(0.860) (1.010) (1.390) (2.033)
Mining 0.049 0.134 0.065 0.031
(0.031) (0.082) (0.041) (0.064)
_cons 0.092 -0.685 0.261 -0.203
(0.147) (0.454) (0.190) (0.272)
N/个 1725 375 750 600

注：*P<0.10，下同。

表7 基于不同发展阶段的分组回归结果

Table 7 Grouping regression results based on different stages of development

变量 (1) 全样本 (2) 成长型 (3) 成熟型 (4) 衰退型 (5) 再生型
Indus 0.041** -0.038 0.050* 0.076* 0.085*
(0.018) (0.093) (0.028) (0.040) (0.051)
lnGea 0.044*** 0.022 0.055*** 0.025 0.216**
(0.017) (0.037) (0.020) (0.039) (0.107)
lndGDP -0.046*** 0.785* -0.045*** 0.006 -0.077***
(0.008) (0.399) (0.013) (0.016) (0.023)
Finance 0.100*** 0.215* 0.101*** 0.161*** 0.075
(0.024) (0.109) (0.034) (0.042) (0.070)
Fdi 2.158*** 5.524* 0.188 3.234*** 2.887**
(0.563) (3.158) (0.792) (1.196) (1.305)
Tech 4.594*** 4.957*** 5.868*** 4.279** 5.345*
(0.860) (1.532) (1.214) (1.824) (3.194)
Mining 0.049 -0.106 0.021 0.076 0.217
(0.031) (0.077) (0.055) (0.047) (0.133)
_cons 0.092 -3.965* 0.011 -0.181 -1.238
(0.147) (2.119) (0.183) (0.341) (0.960)
N/个 1725 225 930 345 225
表8 基于不同资源禀赋类型的分组回归结果

Table 8 Grouping regression results based on different resource endowment types

变量 (1) 全样本 (2) 有色 (3) 森林 (4) 煤炭 (5) 油气 (6) 钢铁
Indus 0.041** -0.077** 0.075** 0.086*** 0.115*** 0.066*
(0.018) (0.035) (0.031) (0.028) (0.038) (0.039)
lnGea 0.044*** 0.013 0.024* 0.021 0.057 0.033
(0.017) (0.020) (0.014) (0.019) (0.038) (0.052)
lndGDP -0.046*** -0.071*** -0.140*** -0.074*** -0.062*** -0.070***
(0.008) (0.013) (0.021) (0.010) (0.022) (0.016)
Finance 0.100*** 0.179*** 0.070 0.076*** -0.096 0.099*
(0.024) (0.037) (0.042) (0.029) (0.062) (0.052)
Fdi 2.158*** 1.932** 1.534* 3.709*** 1.004 4.843***
(0.563) (0.862) (0.857) (0.857) (1.264) (1.080)
Tech 4.594*** 2.360** 5.959*** 5.475*** 16.248*** 6.720***
(0.860) (1.022) (1.708) (1.842) (3.269) (2.488)
Mining 0.049 -0.174* -0.196*** 0.028 0.209*** 0.178**
(0.031) (0.101) (0.058) (0.035) (0.074) (0.084)
_cons 0.092 0.661*** 0.827*** 0.370** 0.013 0.187
(0.147) (0.187) (0.170) (0.172) (0.339) (0.468)
N/个 1725 735 750 1035 360 420
（1）资源型城市地理区位异质性检验
中国资源型城市空间分布各异，不同区域间所具有的区位优势不尽相同，基于 115个样本资源型城市的地理区位异质性进行分组回归，结果显示，产业结构升级与政府生态环境注意力提升显著促进中西部地区资源型城市的绿色创新水平（表6）。产业结构升级对东、中、西部地区具有显著的正向驱动效应。而政府生态环境注意力的提升对东部地区资源型城市并不显著，结合资源型城市政府生态环境注意力的时空分布格局来看，东部地区政府生态环境注意力略低于中、西部地区，东部资源型城市地理区位优越、经济外向型程度高，政府生态环境注意力增加对东部地区绿色创新水平的驱动效应不显著[30,31,37,38]。分析控制变量的回归结果可得，中西部资源型城市的经济发展水平（lndGDP）对绿色创新效率的影响显著为负，而东部资源型城市的经济发展水平正向显著，东部资源型城市经济发展已形成规模效应，经济增长与绿色创新间的协同增效作用显著。金融发展水平（Finance）对中西部资源型城市具有显著正向作用，而对东部资源型城市影响不显著。东部资源型城市的金融服务能力相对较强，引导更多的资本及其它绿色创新要素向服务业及绿色高新技术产业集聚，但过多的要素集聚产生竞争效应，加剧了市场竞争，反而抑制资源型城市绿色创新效率的提升。外商直接投资（Fdi）和科技投入力度（Tech）对东、中、西部资源型城市均具有显著的正向驱动效应。资源依赖程度（Mining）对东、中、西部资源型城市的影响均不显著。
（2）资源型城市发展阶段异质性检验
产业结构升级与政府生态环境注意力提升对不同发展阶段资源型城市绿色创新效率的影响差异显著（表7）。从核心解释变量上看，产业结构升级对于成熟型、衰退型和再生型城市具有显著的正向作用，而对成长型城市的影响不显著且存在负向作用。成长型城市主要以中西部地区的中小型城市为主，如松原、南充、毕节、延安等，具有区位优势弱、要素投入少、发展规模小的特点，其产业结构升级指数相对较低，产业结构失衡抑制了绿色创新的发展。政府生态环境注意力的提升对于成熟型城市和再生型城市具有显著正向效应，而对衰退型城市和成长型城市的影响均不显著。衰退型城市大多为资源枯竭型城市，其宏观经济水平与所具有的主导资源产业息息相关，而资源禀赋的耗竭不仅对城市社会经济发展造成巨大冲击，还附带着严重的环境负外部性，使得城市绿色创新持续处于较低水平。成长型城市处于资源型城市发展的初期阶段，发展支柱资源型产业提升社会经济效益是政府的首要目标，因此政府生态环境注意力的提升尚未形成对绿色创新效率的正向驱动作用。
分析控制变量的回归结果可得，不同发展阶段资源型城市的经济发展水平（lndGDP）对绿色创新效率的影响差异显著，成熟型和再生型资源城市的经济发展水平负向显著，而成长型城市经济发展水平对绿色创新效率的影响正向显著，衰退型城市影响不显著。金融发展水平（Finance）对成长型、成熟型和衰退型城市具有显著正向作用，而对于再生型资源城市影响不显著。外商直接投资（Fdi）对成长型、衰退型和再生型城市具有显著正向作用，而对于成熟型资源城市影响不显著。科技投入力度（Tech）对各个发展阶段的资源型城市均具有正向驱动效应。资源依赖程度（Mining）在资源型城市各个发展阶段的回归结果中均不显著，说明各个发展阶段的资源型城市还未能完全破解主导资源型产业带来的发展路径桎梏。
（3）资源型城市资源禀赋异质性检验
由实证结果可得，从资源禀赋类型差异来看，钢铁型、油气型、森林型和煤炭型城市产业结构升级的影响正向显著，而有色金属型城市产业结构升级的影响显著为负（表8）。鉴于有色金属在重工业、制造业中不可或缺的重要地位，有色金属型城市主导产业高度依赖开采、挖掘本地有色金属资源，其产业结构失衡、产业链单一，阻碍了城市绿色创新的发展。仅有森林型资源城市政府生态环境注意力提升对绿色创新具有显著正向驱动作用，有色金属型、煤炭型、油气型、钢铁型城市政府生态环境注意力提升的影响都不显著。森林型资源城市主要包括池州、丽江、普洱、雅安、白山、黑河、牡丹江等，其城市生态系统以森林植被为主体，相较于其他资源禀赋类型城市，森林型资源城市具有经济效益和环境保护协同增效的先发优势，因此政府生态环境注意力提升显著推动城市绿色创新发展。
从控制变量的回归结果来看，与基准回归结果一致，不同资源禀赋类型城市的经济发展水平（lndGDP）对绿色创新效率的影响均显著为负。金融发展水平（Finance）与外商直接投资（Fdi）仅对油气型城市影响不显著。科技投入力度（Tech）对这五类资源型城市绿色创新效率均产生了普遍的正向驱动作用。有色金属型、森林型城市资源依赖程度（Mining）对绿色创新效率的影响负向显著，而对油气型、钢铁型城市的影响正向显著，仅对煤炭型城市影响不显著。煤炭型城市经济发展对本地煤炭产业路径依赖的程度尤为突出，且煤炭开采带来的环境负外部性相较于其他城市更为严重，经济发展与资源环境保护的协同发展矛盾较为严峻。

2.2.3 稳健性检验

为进一步验证前述主要研究结论的稳健性，本文分别通过改变被解释变量测算方式、改变核心解释变量测算方式、改变样本数量等方法进行多重稳健性检验（表9）。（1）改变绿色创新效率测算方式。采用SBM模型重新测算各资源型城市的绿色创新效率（Gce2）进行稳健性检验。（2）改变产业结构升级测算方式。采用第三产业产值与第二产业产值之比（Indus2）替换产业结构层次指数进行稳健性检验。（3）删除特大资源型城市样本。本文将城市常住人口在500万以上的城市定义为特大型城市，将人口小于500万的城市定义为中小型城市。对于特大资源型城市而言，其在产业结构布局、政府治理能力、市场需求、人力资本上相较于中小资源型城市存在较大的差距，为进一步探究产业结构升级与政府生态环境注意力增加是否有效提升了中小资源型城市的绿色创新效率，剔除特大资源型城市样本，再次进行稳健性检验。
表9 稳健性检验

Table 9 Robustness test results

变量 (1) (2) (3) (4)
Indus 0.041** 0.037** 0.046**
(0.018) (0.016) (0.021)
Indus2 0.098***
(0.009)
lnGea 0.044*** 0.036** 0.039** 0.048**
(0.017) (0.015) (0.016) (0.019)
lndGDP -0.046*** -0.037*** -0.048*** -0.026***
(0.008) (0.007) (0.007) (0.009)
Finance 0.100*** 0.083*** 0.201*** 0.070***
(0.024) (0.021) (0.025) (0.027)
Fdi 2.158*** 2.231*** 2.294*** 3.906***
(0.563) (0.497) (0.544) (0.637)
Tech 4.594*** 3.778*** 3.589*** 2.982***
(0.860) (0.759) (0.824) (0.896)
Mining 0.049 0.045 0.040 -0.055
(0.031) (0.028) (0.030) (0.034)
_cons 0.092 0.119 0.017 0.155
(0.147) (0.130) (0.142) (0.167)
N/个 1725 1725 1725 1335
表9的模型1~模型4依次报告了全样本、改变绿色创新效率测算方式、改变产业结构升级测算方式和剔除特大型城市样本后的模型回归结果。由检验结果可得，基准回归结果具有较强的稳健性，两个核心解释变量回归系数的符号及显著性均未发生明显改变。在中小型城市的稳健性检验过程中，资源依赖程度（Mining）回归系数符号发生改变，这表明相较于特大资源型城市，中小资源型城市的经济发展高度依赖自然资源禀赋的开发和利用，已然形成一定的发展惯性，以重工业和制造业为主导的资源型城市往往面临着更为严峻的“资源诅咒”和环境问题，由于缺乏适宜的经济效益和环境保护协同发展路径且培育绿色新兴产业和制造业服务化转型需要较长时间，中小资源型城市正处于两难的“阵痛期”。

2.2.4 机制检验

基于前述理论分析，为探究资源型城市产业结构升级、政府生态环境注意力提升对城市绿色创新水平的作用渠道，参照范丹等[30]、赵明亮等[39]、温忠麟等[40]的研究方法，使用中介效应模型（因果逐步回归检验模型）进行机制检验。鉴于本文存在两个核心解释变量，将二者分别纳入模型以保证多重中介效应检验效力。
本文所选取的中介变量如下：（1）经济效益。产业结构升级通过拓宽产业链、集聚创新人才、营造良好的信息化环境刺激经济增长，增进经济效益[6,19,20]。政府生态环境注意力提升通过政府治理政策传递“政治势能”，继而吸引绿色创新要素集聚，促进城市经济发展，并为激励地方政府联合企业开展绿色技术创新活动奠定基础[17,24]。此外，政府生态环境注意力增强通过创新补贴效应直接促进经济效益的提升[17]。现阶段资源型城市仍以第二产业为主导，而第三产业发展状况部分代表着资源型城市产业结构优化程度[20]，使用二、三产业增加值之和的对数形式来表征经济效益。
（2）社会效益。产业结构升级在资源型城市绿色转型过程中起着“资源配置器”的作用[27]。产业结构升级通过优化要素配置结构调动资源（创新资本、创新人才、政府创新补贴）流入绿色创新部门[5,24]，而要素的优化配置具有传递效应[17]，能够进一步汇集绿色创新要素，带来正的区域外部性[28]，实现资源型城市社会效益的增值，进而助力资源型城市绿色创新水平提升。社会治理中政府起着主导作用，政府调控有助于营造适合绿色创新的政策环境。政府生态环境注意力提升通过增强政府调控力度增进社会效益，从而促进区域绿色创新[17]。采用各城市地方政府一般预算内支出的对数形式来衡量社会效益[5]。
（3）环境效益。产业结构升级在资源型城市绿色转型过程中还起着“污染控制器”的作用[27]。产业结构升级通过置换和取缔落后污染产业[28]，培育新型绿色产业，减少生产带来的环境负外部性，增进资源型城市环境效益，继而提高城市的绿色创新水平。政府生态环境注意力提升通过环境规制硬性约束污染主体进行绿色创新改革[17]，迫使企业在生产过程中兼顾对生态环境的保护性，实现资源要素节约与环境污染降低，由此环境效益得以提升。使用城市碳排放量的对数形式表征环境效益[41]。城市碳排放数据参照IPCC的计算方式，以城市历年能源消耗量（液化石油气、天然气、城市供暖原煤量、用电量）综合计算得出。
多重中介效应如图3所示。图中，X1、X2与Y分别代表产业结构升级、政府生态环境注意力与绿色创新效率；中介变量M1、M2和M3分别指代经济效益、社会效益和环境效益；C1'、C2'分别指代产业结构升级、政府生态环境注意力对绿色创新效率的直接效应；a1×b1、a2×b2、a3×b3分别表示产业结构升级对资源型城市绿色创新效率的影响过程中三个中介变量（经济效益、社会效益、环境效益）的中介效应；a4×b4、a5×b5、a6×b6则分别表示政府生态环境注意力对绿色创新效率的影响过程中三个中介变量的中介效应。
图3 多重中介效应

Fig. 3 Multiple mediation effects

表10与表11分别展示了控制单一核心解释变量后的中介效应检验结果。在基准回归中，产业结构升级、政府生态环境注意力的回归系数均在5%的显著性水平上正向显著，满足中介效应的前置条件。从产业结构升级的角度上看（表10），产业结构升级对经济效益、社会效益的影响系数均在1%的显著性水平上显著为正，表明产业结构升级显著促进资源型城市的经济效益和社会效益。而对环境效益（负向指标）的影响系数在1%的水平上负向显著，表明产业结构升级显著降低了城市碳排放，削弱了生产对环境的负外部性，增进了环境效益[42]。在分别控制三大中介变量后发现，相较于基准回归，产业结构升级的回归系数及显著性水平均出现了一定程度的降低，存在较为明显的中介效应。经计算可得，经济效益、社会效益与环境效益的中介效应系数（a1×b1、a2×b2与a3×b3）分别为0.009、0.011与0.007，直观上来看，产业结构升级对绿色创新效率影响的中介效应均小于直接效应。
表10 中介效应检验结果-1

Table 10 Results of mediation effect test-1

变量 基准回归 经济效益 社会效益 环境效益
(1) Gce (2) M (3) Gce (4) M (5) Gce (6) M (7) Gce
Indus 0.038** 0.177*** 0.029* 0.205*** 0.027* -0.212*** 0.031*
(0.018) (0.035) (0.017) (0.016) (0.016) (0.051) (0.018)
M 0.051* 0.054* -0.033*
(0.031) (0.032) (0.020)
cons 0.456*** 12.125*** -0.533 11.448*** 0.888*** 1.191 0.631***
(0.052) (0.099) (0.997) (0.386) (0.225) (1.224) (0.054)
控制变量 YES YES YES YES YES YES YES
N/个 1725 1725 1725 1725 1725 1725 1725
表11 中介效应检验结果-2

Table 11 Results of mediation effect test-2

变量 基准回归 经济效益 社会效益 环境效益
(1) Gce (2) M (3) Gce (4) M (5) Gce (6) M (7) Gce
lnGea 0.041** 0.115*** 0.024** 0.262*** 0.025** -0.237*** 0.023**
(0.017) (0.035) (0.011) (0.036) (0.011) (0.039) (0.011)
M 0.148*** 0.061** -0.076**
(0.028) (0.032) (0.036)
cons 0.144 10.512*** 2.480*** 11.563*** 0.994*** -2.640** 0.809***
(0.145) (0.134) (0.308) (0.319) (0.190) (1.197) (0.118)
控制变量 YES YES YES YES YES YES YES
N/个 1725 1725 1725 1725 1725 1725 1725
从政府生态环境注意力的角度上看（表11），政府生态环境注意力对经济效益与社会效益的影响系数在1%的显著性水平上显著为正，表明政府生态环境注意力提升有效促进了资源型城市的经济效益与社会效益。在政府环境治理政策作用下经济发展增速放缓，为保证经济发展维持生产，只能提高绿色创新效率。对环境效益的影响系数在1%的显著性水平上负向显著，政府生态环境注意力提升增强了环境规制作用，减少了城市碳排放[43]，环境效益提升显著。在分别控制三大中介变量后发现，政府生态环境注意力的回归系数及显著性水平均出现了一定程度的降低，存在中介效应。中介变量经济效益、社会效益与环境效益的中介效应系数（a4×b4、a5×b5与a6×b6）分别为0.017、0.016与0.018。综上，资源型城市产业结构升级、政府生态环境注意力提升通过影响城市的经济效益、社会效益和环境效益进而促进城市绿色创新水平的提升。

3 结论与讨论

3.1 结论

本文以2006—2020年中国115个地级资源型城市为研究对象，采用超效率SBM模型、产业结构层次指数与文本分析法分别刻画了资源型城市绿色创新效率、产业结构升级与政府生态环境注意力的时空演化特征，通过多元线性回归和中介效应模型评估了产业结构升级与政府生态环境注意力提升对绿色创新效率的影响机制。研究发现：（1）中国资源型城市产业结构升级与政府生态环境注意力提升对绿色创新效率的净效应为0.041与0.044，且在5%水平上正向显著，表明资源型城市产业结构升级与政府生态环境注意力提升能有效促进城市绿色创新发展，这一结论经多重稳健性检验后依然成立。（2）不同类型资源城市呈现显著的时空分异特性。从产业结构升级与政府生态环境注意力提升的作用效果上看，西部城市优于东部、中部城市，再生型、成熟型城市优于衰退型城市和成长型城市，森林型城市优于油气型、钢铁型、有色金属型和煤炭型城市。资源型城市绿色创新效率呈现倒“U”型，具有中上水平绿色创新效率值的城市数量显著增加。（3）资源型城市产业结构升级与政府生态环境注意力增强通过提升经济效益、社会效益和环境效益三个渠道影响城市绿色创新效率的动态变化。

3.2 政策启示

根据以上研究结论，提出下列建议：（1）资源型城市转型升级是一项长期、复杂、系统的工程，需要结合地区实际和资源禀赋优势因地制宜、因城施策，采取多样化举措推动不同区位、阶段和类型资源型城市产业结构升级。延长现有主导资源产业链，发展深加工产业项目，发展替代产业[44]，深入挖掘自身具有比较优势与绿色发展潜力的新兴产业，培育新的经济增长点，探索符合地区实际的绿色转型发展道路并形成多途径、高效率、高附加值的循环经济绿色发展新模式。（2）鉴于政府注意力的稀缺性，政府部门需要合理配置注意力，加大对资源枯竭型城市生态环境恢复、治理问题的重视，为防止“矿竭城衰”，适度调整资源型城市自然资源开发强度，妥善处理社会经济发展与环境效益间协调问题，制定并形成系列治理政策。（3）制定适宜的人才引进政策，加快创新人才集聚速度，持续推进“产学研”合作发展。加大科技创新政策扶持力度，加快完善城市新型信息基础设施建设，实现产业数字化改革。扩大绿色创新融资渠道，缓解企业绿色创新研发融资约束，增强城市虚拟经济服务实体经济能力，从而提升资源型城市绿色创新水平。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
汪涛, 张家明, 禹湘, 等. 资源型城市的可持续发展路径: 以太原市创建国家可持续发展议程示范区为例. 中国人口·资源与环境, 2021, 31(3): 24-32.

[WANG T, ZHANG J M, YU X, et al. Sustainable development pathway of resource-based cities: A case study of Taiyuan Innovation Demonstration Zone for National Sustainable Development Agenda. China Population, Resources and Environment, 2021, 31(3): 24-32.]

[2]
郑紫颜, 仇方道, 张春丽, 等. 再生性资源型城市功能转型异质性及其工业结构解析. 资源科学, 2020, 42(3): 570-582.

DOI

[ZHENG Z Y, QIU F D, ZHANG C L, et al. Heterogeneity of functional transformation of renewable resource-based cities in China and analysis of their industrial structure. Resources Science, 2020, 42(3): 570-582.]

DOI

[3]
吴超, 杨树旺, 唐鹏程, 等. 中国重污染行业绿色创新效率提升模式构建. 中国人口·资源与环境, 2018, 28(5): 40-48.

[WU C, YANG S W, TANG P C, et al. Construction of the efficiency promotion model of green innovation in China's heavy polluted industries. China Population, Resources and Environment, 2018, 28(5): 40-48.]

[4]
董会忠, 李旋, 张仁杰. 粤港澳大湾区绿色创新效率时空特征及驱动因素分析. 经济地理, 2021, 41(5): 134-144.

[DONG H Z, LI X, ZHANG R J. Spatial-temporal characteristics and driving factors of green innovation efficiency in Guangdong-Hong Kong-Macao Greater Bay Area. Economic Geography, 2021, 41(5): 134-144.]

[5]
王晗, 何枭吟, 许舜威. 创新型城市试点对绿色创新效率的影响机制. 中国人口·资源与环境, 2022, 32(4): 105-114.

[WANG H, HE X Y, XU S W. Impact and mechanism of innovative city pilot projects on the efficiency of green innovation. China Population, Resources and Environment, 2022, 32(4): 105-114.]

[6]
尹飞霄. 数字金融对区域绿色创新效率影响的空间计量分析. 技术经济与管理研究, 2020, (11): 74-79.

[YIN F X. Impact of digital finance on green innovation efficiency based on spatial measurement model. Journal of Technical Economics & Management, 2020, (11): 74-79.]

[7]
邝嫦娥, 文泽宙, 彭文斌. 影子经济影响绿色创新效率的门槛效应. 经济地理, 2019, 39(7): 184-193.

[KUANG C E, WEN Z Z, PENG W B. Threshold effect of shadow economic impact on green innovation efficiency. Economic Geography, 2019, 39(7): 184-193.]

DOI

[8]
任耀, 牛冲槐, 牛彤, 等. 绿色创新效率的理论模型与实证研究. 管理世界, 2014, 30(7): 176-177.

[REN Y, NIU C H, NIU T, et al. Theoretical model and empirical study of green innovation efficiency. Journal of Management World, 2014, 30(7): 176-177.]

[9]
黄万华, 王梦迪. 长江经济带制造业绿色技术创新效率测度. 统计与决策, 2021, 37(19): 61-63.

[HUANG W H, WANG M D. Measurement of green technology innovation efficiency of manufacturing industry in Yangtze River Economic Belt. Statistics & Decision, 2021, 37(19): 61-63.]

[10]
许学国, 周燕妃. 基于三阶段Malmquist-PNN的区域绿色创新效率评价与智能诊断研究. 科技进步与对策, 2020, 37(24): 54-62.

[XU X G, ZHOU Y F. Research on regional green innovation efficiency evaluation and intelligent diagnosis based on three-stage Malmquist-PNN. Science & Technology Progress and Policy, 2020, 37(24): 54-62.]

[11]
李博, 秦欢, 孙威. 产业转型升级与绿色全要素生产率提升的互动关系: 基于中国116个地级资源型城市的实证研究. 自然资源学报, 2022, 37(1): 186-199.

DOI

[LI B, QIN H, SUN W. Interaction mechanism between industrial transformation and upgrading and green total factor productivity improvement: An empirical study based on 116 China's prefecture-level resource-based cities. Journal of Natural Resources, 2022, 37(1): 186-199.]

DOI

[12]
郝汉舟, 徐新创, 左珂怡, 等. 创新要素集聚与产业升级: 中介效应和调节效应研究. 长江流域资源与环境, 2022, 31(11): 2357-2368.

[HAO H Z, XU X C, ZUO K Y, et al. Agglomeration of innovation factors and industrial upgrading: Research on mediating effect and moderating effect. Resources and Environment in the Yangtze Basin, 2022, 31(11): 2357-2368.]

[13]
刘广亮, 冉启英, 赵蓉, 等. 异质性地方政府竞争、绿色技术创新与产业结构升级. 科技管理研究, 2023, 43(1): 215-222.

[LIU G L, RAN Q Y, ZHAO R, et al. Heterogeneous local government competition, green technology innovation and upgrading industrial structure. Science and Technology Management Research, 2023, 43(1): 215-222.]

[14]
韩先锋, 李佳佳, 徐杰. 绿色技术创新促进地区产业升级的动态调节效应: 基于经济增长目标约束的新视角. 科技进步与对策, 2023, 40(8): 44-53.

[HAN X F, LI J J, XU J. The dynamic moderating effect of green technology innovation to promote regional industrial upgrading: A new perspective based on the constraint of economic growth targets. Science & Technology Progress and Policy, 2023, 40(8): 44-53.]

[15]
王印红, 李萌竹. 地方政府生态环境治理注意力研究: 基于30个省市政府工作报告(2006—2015)文本分析. 中国人口·资源与环境, 2017, 27(2): 28-35.

[WANG Y H, LI M Z. Study on local government attention of ecological environment governance:Based on the text analysis of government work report in 30 provinces and cities (2006-2015). China Population, Resources and Environment, 2017, 27(2): 28-35.]

[16]
申伟宁, 柴泽阳, 张韩模. 异质性生态环境注意力与环境治理绩效: 基于京津冀《政府工作报告》视角. 软科学, 2020, 34(9): 65-71.

[SHEN W N, CHAI Z Y, ZHANG H M. Heterogeneous ecological environmental attention and environmental governance performance: Based on the "Government Work Report" in Beijing-Tianjin-Hebei Region. Soft Science, 2020, 34(9): 65-71.]

[17]
张慧智, 孙茹峰. 政府环境注意力如何影响区域绿色技术创新: 基于政府治理视角的研究. 科技进步与对策, 2023, 40(7): 12-22.

[ZHANG H Z, SUN R F. How does the government environmental attention affect regional green technology innovation? A study from the perspective of government governance capability. Science & Technology Progress and Policy, 2023, 40(7): 12-22.]

[18]
黄天能, 许进龙, 谢凌凌. 资源枯竭城市产业结构转型升级水平测度及其影响因素: 基于24座地级市的面板数据. 自然资源学报, 2021, 36(8): 2065-2080.

DOI

[HUANG T N, XU J L, XIE L L. Research on measurement of industrial structural transformation and upgrading level in resource-exhausted cities and its influencing factors: Based on panel data of 24 prefecture-level cities of China. Journal of Natural Resources, 2021, 36(8): 2065-2080.]

DOI

[19]
曾刚, 陆琳忆, 何金廖. 生态创新对资源型城市产业结构与工业绿色效率的影响. 资源科学, 2021, 43(1): 94-103.

DOI

[ZENG G, LU L Y, HE J L. Impact of ecological innovation on the economic transformation of resource-based cities. Resources Science, 2021, 43(1): 94-103.]

DOI

[20]
宋洋, 贺灿飞, YEUNG Godfrey, 等. 中国资源型城市产业结构升级对土地利用效率的影响. 地理研究, 2023, 42(1): 86-105.

DOI

[SONG Y, HE C F, YEUNG G, et al. Industrial structure upgrading and urban land use efficiency: Evidence from 115 resource-based cities in China, 2000-2019. Geographical Research, 2023, 42(1): 86-105.]

DOI

[21]
段存儒, 曾贤刚. 中国资源型城市转型对劳动力需求的影响. 自然资源学报, 2021, 36(3): 606-617.

DOI

[DUAN C R, ZENG X G. The effect of transformation of resource-based cities on labor demand in China. Journal of Natural Resources, 2021, 36(3): 606-617.]

DOI

[22]
唐要家, 王钰, 唐春晖. 数字经济、市场结构与创新绩效. 中国工业经济, 2022, (10): 62-80.

[TANG Y J, WANG Y, TANG C H. Digital economy, market structure and innovation performance. China Industrial Economics, 2022, (10): 62-80.]

[23]
姚璐, 王书华, 范瑞. 资源依赖视角下金融集聚对绿色全要素生产率的影响. 资源科学, 2023, 45(2): 308-321.

DOI

[YAO L, WANG S H, FAN R. The impact of financial agglomeration on green total factor productivity from the perspective of resource dependence. Resources Science, 2023, 45(2): 308-321.]

DOI

[24]
卢建霖, 蒋天颖, 傅梦钰. 数字金融对绿色创新效率的影响路径. 经济地理, 2023, 43(1): 141-147, 235.

[LU J L, JIANG T Y, FU M Y. The impact path of digital finance on green innovation efficiency. Economic Geography, 2023, 43(1): 141-147, 235.]

[25]
许玉洁, 刘曙光. 黄河流域绿色创新效率空间格局演化及其影响因素. 自然资源学报, 2022, 37(3): 627-644.

DOI

[XU Y J, LIU S G. Spatial pattern evolution and influencing factors of green innovation efficiency in the Yellow River Basin. Journal of Natural Resources, 2022, 37(3): 627-644.]

DOI

[26]
陈蓓, 彭文斌, 刘奕飞. 长江中游城市群绿色创新效率的时空演变与驱动因素. 经济地理, 2022, 42(9): 43-49.

[CHEN B, PENG W B, LIU Y F. Spatio-temporal evolution and driving factors of green innovation efficiency of the urban agglomeration in the Middle Reaches of the Yangtze River. Economic Geography, 2022, 42(9): 43-49.]

[27]
张国兴, 张培德, 修静, 等. 节能减排政策措施对产业结构调整与升级的有效性. 中国人口·资源与环境, 2018, 28(2): 123-133.

[ZHANG G X, ZHANG P D, XIU J, et al. Are energy-saving and emission reduction policy measures effective for industrial structure restructuring and upgrading?. China Population, Resources and Environment, 2018, 28(2): 123-133.]

[28]
陈林, 肖倩冰, 蓝淑菁. 基于产业结构门槛效应模型的环境政策治污效益评估: 以《大气污染防治行动计划》为例. 资源科学, 2021, 43(2): 341-356.

DOI

[CHEN L, XIAO Q B, LAN S J. Pollution control effects of environmental policies based on threshold effect model of industrial structure: Taking the Air Pollution Prevention and Control Action Plan as an example. Resources Science, 2021, 43(2): 341-356.]

DOI

[29]
李娜, 伍世代, 代中强, 等. 扩大开放与环境规制对我国产业结构升级的影响. 经济地理, 2016, 36(11): 109-115, 123.

[LI N, WU S D, DAI Z Q, et al. The impact on the upgrade of industrial structure from environmental regulation and expansion of openness in China. Economic Geography, 2016, 36(11): 109-115, 123.]

[30]
范丹, 孙晓婷. 环境规制、绿色技术创新与绿色经济增长. 中国人口·资源与环境, 2020, 30(6): 105-115.

[FAN D, SUN X T. Environmental regulation, green technological innovation and green economic growth. China Population, Resources and Environment, 2020, 30(6): 105-115.]

[31]
张娟. 资源型城市环境规制的经济增长效应及其传导机制: 基于创新补偿与产业结构升级的双重视角. 中国人口·资源与环境, 2017, 27(10): 39-46.

[ZHANG J. Study on economic growth effect and transmission mechanism of environmental regulation in resource-based cities: A dual perspective on innovation compensation and industrial structure upgrading. China Population, Resources and Environment, 2017, 27(10): 39-46.]

[32]
王巧, 佘硕, 曾婧婧. 国家高新区提升城市绿色创新效率的作用机制与效果识别: 基于双重差分法的检验. 中国人口·资源与环境, 2020, 30(2): 129-137.

[WANG Q, SHE S, ZENG J J. The mechanism and effect identification of the impact of National High-tech Zones on urban green innovation: Based on a DID test. China Population, Resources and Environment, 2020, 30(2): 129-137.]

[33]
陈诗一, 陈登科. 雾霾污染、政府治理与经济高质量发展. 经济研究, 2018, 53(2): 20-34.

[CHEN S Y, CHEN D K. Air pollution, government regulations high-quality economic development. Economic Research Journal, 2018, 53(2): 20-34.]

[34]
黄大全, 朱世豪, 刘涛. 中国土地利用规划的指标分配逻辑: 兼论对国土空间规划的启示. 自然资源学报, 2022, 37(9): 2387-2402.

DOI

[HUANG D Q, ZHU S H, LIU T. The distribution logic of land quotas in China's land use planning: Implications for territorial spatial planning. Journal of Natural Resources, 2022, 37(9): 2387-2402.]

DOI

[35]
梁若冰, 蓝天. 行政区扩张、土地出让依赖与城市发展质量: 基于卫星灯光数据的准实验研究. 经济学(季刊), 2023, 23(3): 1019-1034.

[LIANG R B, LAN T. Administrative region expansion, land leasing dependence, and urban development quality: Quasi-experiment study with satellite light data. China Economic Quarterly, 2023, 23(3): 1019-1034.]

[36]
崔丹, 卜晓燕, 徐祯, 等. 中国资源型城市高质量发展综合评估及影响机理. 地理学报, 2021, 76(10): 2489-2503.

DOI

[CUI D, BU X Y, XU Z, et al. Comprehensive evaluation and impact mechanism of high-quality development of China's resource-based cities. Acta Geographica Sinica, 2021, 76(10): 2489-2503.]

DOI

[37]
何芳, 胡意翕. 环境规制对城市可持续发展效率的非线性影响. 中国人口·资源与环境, 2022, 32(5): 84-95.

[HE F, HU Y X. Non-linear effects of environmental regulation on urban sustainable development efficiency. China Population, Resources and Environment, 2022, 32(5): 84-95.]

[38]
陶锋, 赵锦瑜, 周浩. 环境规制实现了绿色技术创新的“增量提质”吗? 来自环保目标责任制的证据. 中国工业经济, 2021, (2): 136-154.

[TAO F, ZHAO J Y, ZHOU H. Does environmental regulation improve the quantity and quality of green innovation: Evidence from the target responsibility system of environmental protection. China Industrial Economics, 2021, (2): 136-154.]

[39]
赵明亮, 冯健康, 孙威. 环境规制影响资源型城市绿色全要素生产率的途径与政策建议. 自然资源学报, 2023, 38(1): 186-204.

DOI

[ZHAO M L, FENG J K, SUN W. Ways and policy suggestions of environmental regulation on green total factor productivity in resource-based cities. Journal of Natural Resources, 2023, 38(1): 186-204.]

DOI

[40]
温忠麟, 叶宝娟. 中介效应分析:方法和模型发展. 心理科学进展, 2014, 22(5): 731-745.

DOI

[WEN Z L, YE B J. Analyses of mediating effects: The development of methods and models. Advances in Psychological Science, 2014, 22(5): 731-745.]

DOI

[41]
张振龙, 侯琰珍, 孙鸿鹄. 市域国土空间碳排放测算及低碳化发展效率差异. 自然资源学报, 2023, 38(6): 1464-1481.

DOI

[ZHANG Z L, HOU Y Z, SUN H H. Calculation of carbon emissions and the difference of low-carbon development efficiency on city territorial space. Journal of Natural Resources, 2023, 38(6): 1464-1481.]

DOI

[42]
张静, 申俊, 徐梦. 碳排放交易是否促进了产业结构转型升级? 来自中国碳排放交易试点政策的经验证据. 经济问题, 2023, (8): 84-91.

[ZHANG J, SHEN J, XU M. does carbon emission trading promoted the transformation and upgrading of industrial structure? Empirical evidence from China's carbon emissions trading pilot policy. On Economic Problems, 2023, (8): 84-91.]

[43]
韩先锋, 郑酌基, 尹玉平, 等. 创新驱动政策、政府环保注意力与绿色高质量发展: 来自国家自主创新示范区的证据. 软科学, 2023, (8): 1-12.

[HAN X F, ZHENG Z J, YIN Y P, et al. Innovation driven policy, government environmental attention and green high quality development: Evidence from national independent innovation demonstration zone. Soft Science, 2023, (8): 1-12.]

[44]
胡春生, 莫秀蓉. 中国资源型城市经济收敛的结构分解. 资源科学, 2016, 38(12): 2338-2347.

DOI

[HU C S, MO X R. Structural decomposition of economic convergence in China's resources based cities. Resources Science, 2016, 38(12): 2338-2347.]

DOI

Options
文章导航

/

〈 〉