EN中文

JOURNAL OF NATURAL RESOURCES >

2024 , Vol. 39 >Issue 9: 2121 - 2139

DOI: https://doi.org/10.31497/zrzyxb.20240907

Regular Articles

The impact of green technology innovation on carbon emissions from the perspective of urban agglomeration: The moderating effect of human capitals

  • WU Kang , 1, 2 ,
  • GENG Yi-rui 1 ,
  • GUO Tao , 1, 2
Expand
  • 1. School of Urban Economics and Public Affairs of Capital University of Economics and Business, Beijing 100070, China
  • 2. Beijing Key Laboratory of Megaregions Sustainable Development Modelling, Beijing 100070, China

Received date: 2024-01-22

  Revised date: 2024-04-24

  Online published: 2024-09-04

Fold

Abstract

Under the goal of "carbon peaking and carbon neutrality", green technological innovation plays an important role in balancing high-quality economic development and carbon reduction. This article is based on panel data from 209 cities in 19 urban agglomerations from 2006 to 2021. On the basis of depicting the spatiotemporal evolution pattern of green technology innovation and carbon emissions, this paper empirically explores the nonlinear impact of green technology innovation on carbon emissions and discusses the moderating effect of human capital on the impact. First, from 2006 to 2021, the level of green technology innovation in China's urban agglomerations showed an upward trend, and the growth rate of carbon emissions showed the characteristics of first growth and then decline, and the growth rate of carbon emissions in urban agglomerations with higher levels of green technology innovation is significantly lower than that with lower levels of green technology innovation. Second, green technology innovation affects carbon emissions in an inverted "U"-shaped curve relationship that first promotes and then suppresses and it is affected by the level of urban agglomeration, geographical location, low-carbon policies, urban industrial structure and city scale. Third, human capital has a significant moderating effect on the impact of green technology innovation on carbon emissions. On the one hand, the increase in human capital strengthens the positive effect before the inflection point of the inverted "U"-shaped curve and the negative effect after the inflection point. On the other hand, it makes the carbon reduction threshold of green technology innovation level shifts to the right. The research conclusions of this article provide theoretical support and empirical evidence for improving human capital under the goal of "carbon peaking and carbon neutrality". With the improvement of human capital as the starting point, we will give full play to the carbon reduction effect of green technology innovation and implement the concept of green and low-carbon development.

Key words： green technology innovation; human capital; carbon emissions; urban agglomeration

Cite this article

WU Kang , GENG Yi-rui , GUO Tao . The impact of green technology innovation on carbon emissions from the perspective of urban agglomeration: The moderating effect of human capitals[J]. JOURNAL OF NATURAL RESOURCES, 2024 , 39(9) : 2121 -2139 . DOI: 10.31497/zrzyxb.20240907

2020年，习近平总书记在第七十五届联合国大会首次提出中国“二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和”，在党的“二十大”报告中进一步强调应“积极稳妥推进碳达峰碳中和”“坚持先立后破，有计划分步骤实施碳达峰行动”。自1978年改革开放以来，中国经济经历了高速增长时期，但与之相伴的是较为严重的环境污染问题，中国目前已成为全球碳排放量最高的国家之一，严重制约了经济的快速发展与高质量转型。为寻求经济增长新动能，进一步贯彻绿色低碳发展战略，有必要在“双碳”背景下，深入探究降碳的影响因素及实现路径，尤其是绿色技术创新在降碳过程中发挥的重要作用。
近年来，绿色创新发展理念得到社会各界的广泛关注，已成为缓解碳排放、实现经济高质量增长的重要举措[1]。中国相继在“十四五”规划、《科技支撑碳达峰碳中和实施方案》以及《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）》等文件中明确提出要发挥绿色技术在低碳发展中的支撑作用。目前，国内外对绿色技术创新的研究聚焦于其驱动因素[2]、空间溢出效应[3]、社会效益[4]和环境绩效[5]等，也有大量文献关注绿色技术创新对碳排放的影响。既有文献从不同时空尺度研究绿色技术创新对碳排放的影响，研究结论并不一致[6,7]：部分研究认为绿色技术创新能有效减少碳排放，这一降碳效果在发达国家更为显著[8⇓⇓-11]，而在欠发达地区，受制于技术与经济发展水平良莠不齐、收入水平和专利类别差异的影响，绿色技术创新对碳排放的降低作用有限[12,13]；另有研究认为受能源反弹效应的影响，技术创新会导致更大的能源消费[14]，进而增加总体碳排放量[15]；也有研究发现绿色技术创新影响碳排放具有明显的阶段性特征，尽管短期内绿色技术创新能减少碳排放，但在长期该影响逐渐被削弱[6]，甚至表现为无影响[16]。
人力资本是影响区域绿色技术创新和碳排放的重要特征因素，不同人力资本水平地区，其绿色技术创新影响碳排放存在差异。关于人力资本对技术创新与碳排放影响调节作用的研究，虽也有部分学者关注，但相关研究仍较少。已有研究主要从人力资本与技术创新的协同效应[17]、交互作用[18]等方面探讨，认为绿色技术创新的减碳效应只有在人力资本水平发展到一定阶段才会显著[11]，高人力资本环境有助于绿色技术创新水平提升，进而激励地区对环境友好型能源的使用，促进碳排放效率的提升[19,20]。那么在城市层面，绿色技术创新如何影响碳排放?人力资本对绿色技术创新影响碳排放是否以及如何发挥调节作用?在不同类型城市内该影响是否存在异质性?这些问题的探讨对“双碳”背景下，中国实现经济高质量发展和降碳双重目标具有重要的理论指导和现实意义。
考虑到现有研究仍存在较多争议，且少有研究从城市群视角考察人力资本对绿色技术创新影响碳排放的调节作用，本文使用2006—2021年覆盖中国19个城市群209个城市的面板数据，在刻画绿色技术创新及碳排放时空演变格局基础上，理论分析并实证检验绿色技术创新对碳排放的非线性影响及人力资本的调节效应。本文的边际贡献主要表现在：首先，现有研究主要从国家和省市层面开展，少有研究聚焦城市群内的城市来考察绿色技术创新的碳排放效应。考虑到城市群是当前中国新型城镇化的主体空间形态，具有高关联性、高集聚性等特点，既是中国实现“双碳”目标的“主战场”，也更有利于绿色技术的合作创新，本文尝试从城市群范围内的地市层面探讨绿色技术创新对碳排放的影响，并从城市群的区位、等级等方面进行异质性分析。其次，关于绿色技术创新与碳排放关系的研究，大多基于线性模型进行分析，少有研究基于非线性模型对两者的关系进行研究，为了更加全面理解绿色技术创新与碳排放之间的关系，特别是关注两者可能存在的非线性关系，本文通过重点考察绿色技术创新对碳排放的非线性影响，并从人力资本视角切入探讨城市群人力资本特征对二者非线性关系的调节作用，更加准确地反映中国城市群地区人力资本对碳减排的间接影响路径。

1 文献综述与理论假说

1.1 绿色技术创新对碳排放的影响

绿色技术创新是能带来经济价值且显著降低环境负面影响的新产品和新技术[21]，包括能源生产、运输、节能等多环节的技术创新。现有文献对绿色技术创新影响碳排放存在不同的观点。部分文献认为绿色技术创新主要通过三种途径降低碳排放：一是降低工业部门的能源强度、提高能源效率[22]；二是降低清洁能源成本，提高其在能源消费中的占比；三是促进新兴产业的发展，优化产业结构[23]。另有文献发现绿色技术进步影响碳排放存在“能源回弹效应”[24]，即技术进步导致的能源效率的提高，可能通过替代效应、收入效应及产出效应等，使减少的能源使用量部分甚至完全被抵消，反而导致碳排放的增加。此时，绿色技术创新影响能源消耗存在边际递减的效用弹性，当弹性大于1时，能放大能源回弹效应增加碳排放，当弹性小于1时，能抑制能源回弹效应减少碳排放[25]。
因此，在绿色技术创新的不同阶段，其影响碳排放受不同边际效用弹性影响，存在由技术创新早期到成熟，碳排放先增后减的趋势。在技术发展早期，虽然绿色技术能提升能源利用效率，但也间接增加了能源消费量，使得边际效用弹性放大能源回弹效应从而增加了碳排放。技术水平的提升也提高了城市经济发展水平，间接增加城市的能源消耗，抵消因能源利用效率提升而减少的能耗[26]，产生经济层面的能源回弹效应而增加碳排放。随着绿色技术水平进一步提升，技术创新的边际效应弹性对能源回弹效应逐渐产生抑制作用，技术节能效应开始发挥作用，抑制了碳排放的增长。与此同时，随着企业绿色技术创新水平的提升，成果转化能力不断增强，绿色技术创新形成规模效应，从而实现碳减排。基于此，本文提出假说1。
假说1：绿色技术创新与碳排放之间存在先促进后抑制的倒“U”型非线性关系。

1.2 人力资本、绿色技术创新与碳排放

人力资本水平的提升是提高地区创新水平的关键[27]，要充分发挥绿色技术创新对碳排放的影响需要建立在较高的人力资本水平基础上。人力资本作为技术转化的重要环节[28]，对绿色技术开发和转化效率的提升具有显著促进作用，其对绿色技术创新与碳排放的调节，主要通过以下途径实现：一方面，具有一定学历的人才作为技术知识的载体，在知识获取、转化和利用方面的能力也较高。地区人力资本水平越高，意味着地区对新技术、新知识的吸收、应用和转化能力越强，越容易实现技术创新向新产品、新产业的转化[29]，进而对碳排放产生影响。另一方面，人力资本通过外部效应对碳排放的减少产生间接溢出效应，较高的人力资本水平意味着区域内外交流、合作的高技术人才更多，进一步强化了绿色技术创新的溢出效应，促进可再生资源在生产过程中的利用[30,31]，增强技术创新对碳排放的影响。结合绿色技术创新对碳排放影响的理论假说，当技术创新的能源回弹效应大于降碳效应时，人力资本水平提升所带来的技术创新应用转化能力的提高，可能会进一步提高因产能扩大而增加的能源需求量，即进一步强化技术创新的能源回弹效应，而当技术创新的降碳效应大于能源回弹效应时，人力资本水平的提升则会提高技术创新对碳排放的抑制作用。基于此，本文提出假说2。
假说2：人力资本对绿色技术创新与碳排放之间的关系具有调节作用。

2 研究方法与数据来源

2.1 计量模型

聚焦城市群地区绿色技术创新水平对碳排放的非线性影响，设定基准计量模型如下：
l n C a r b o n i t = α 1 + β 1 l n G R P i , t - 1 + β 2 l n G R P i , t - 1 2 + β 3 X i t + μ i + φ t + ε i t
式中：i代表城市；t代表年份；lnCarbon为被解释变量，主要衡量城市的碳排放水平；lnGRP为核心解释变量，衡量了城市的绿色技术创新水平；为检验绿色技术创新影响碳排放的非线性关系，模型中进一步加入了城市绿色技术创新水平的平方项lnGRP2；X为城市层面影响碳排放的其他控制变量；模型还进一步加入城市及年份的固定效应（μi和φt），以控制不可观测的城市及宏观层面经济因素对碳排放的影响； ε i t为随机误差项。
本文对城市碳排放的衡量（lnCarbon）采用人为二氧化碳开源数据清单（ODIAC）公布的化石燃料二氧化碳量作为代理变量。该数据在CDIAC数据①（①CDIAC是美国橡树岭国家实验室二氧化碳信息分析中心，该中心基于联合国能源统计数据库公布的燃料统计数据，按燃料类型在全球、国家以及地区对碳排放进行计算。）的基础上，将碳排放数据按照点源、非点源对水泥生产、天然气燃烧、国际航空等化石燃料的碳排放数据进行测算。参照现有文献的做法，主要使用城市绿色专利申请数作为绿色技术创新水平（lnGRP）的代理变量。绿色专利的定义参考了世界知识产权组织IPC专家委员会推出的国际专利分类绿色清单工具②（②国际专利分类绿色清单, https://www.wipo.int/classifications/ipc/green-inventory/home.）。考虑到绿色技术创新的周期较长，其影响碳排放可能存在时滞，因此lnGRP和lnGRP2均取了滞后一期。对控制变量X，参考已有文献[32⇓⇓-35]，本文主要控制了城市经济发展水平（Pergdp）、外商投资（FDI）、交通基础设施（PROAD）、第二产业增加值占比（SEC）等变量对碳排放的影响。
进一步地，为验证人力资本对绿色技术创新影响碳排放的调节效应，参考Haans等[36]的方法，在模型（1）的基础上，加入人力资本与核心解释变量lnGRP及lnGRP2的交互项，构建计量模型如下：
l n C a r b o n i t = α 2 + γ 1 l n G R P i , t - 1 + γ 2 l n G R P i , t - 1 2 + γ 3 H C i , t - 1 + γ 4 l n G R P i , t - 1 × H C i , t - 1 +                                                                 γ 5 l n G R P i , t - 1 2 × H C i , t - 1 + γ 6 X i t + μ i + φ t + ε i t
式中：HC为调节变量，衡量了城市的人力资本水平。本文借鉴李松亮等[37]学者的做法，基于城市层面人力资本数据的可得性，采用城市大专及以上人口占全国大专及以上人口的比例作为人力资本的代理变量。若γ5显著，则曲线曲率发生变化，γ5>0，曲线变平缓，反之曲线变陡峭；若γ1γ5-γ2γ4>0，曲线拐点将向右移动，反之则向左移动。

2.2 数据来源与描述性统计

所用数据为2006—2021年中国19个城市群地区共计209个地级市的面板数据。选择城市群内城市作为样本，主要考虑自“十四五”城市群发展规划实施至今，19个城市群发展迅速，2022年GDP达到103.77万亿元，占全国GDP的86%，已成为中国要素集聚、推动增长、激励创新和优化分工的重要载体，碳排放量占全国75%以上[38]，是中国实现“双碳”目标的“主战场”。城市碳排放数据尚无统一口径，大部分研究基于《中国能源统计年鉴》对省级层面的碳排放水平进行测算，城市层面关于能源消费、能源生产的数据还较少，本文使用ODIAC数据库的化石燃料碳排放空间月度网格数据集（1 km×1 km）[39]，对月度数据进行加总后，通过掩膜处理对数据进行统计得到各城市2006—2021年碳排放数据；核心解释变量绿色专利申请量数据来源于中国研究数据服务平台（CNRDS）的绿色专利库；城市层面人力资本及其他控制变量均来源于2007—2022年《中国城市统计年鉴》，缺失的数据使用各城市统计年鉴、经济社会发展统计公报进行补充。
表1为各变量描述性统计。从中可知，被解释变量碳排放总量（lnCarbon）的均值为3.202，标准差为0.746；核心解释变量绿色专利申请数（lnGRP）的均值为5.048，标准差为1.757，该变量在城市间离散程度更大；调节变量城市大专及以上人口占全国大专及以上人口的比例（HC）的均值为0.408，即所有样本平均占比为0.4%，占比最大值为4.04%；控制变量第二产业增加值占比（SEC）的均值为0.490，二产占比最高达到0.910；其他控制变量人均地区生产总值（lnPergdp）、单位面积人口数量（lnPOP）、固定资产投资总额（lnINV）、当年实际使用外资金额（lnFDI）及人均道路面积（lnPROAD）的均值分别为10.600、8.028、16.193、10.132及2.744。异质性分析变量，城市群等级（Level）、地理区位（Location）、是否低碳试点城市（Lowcarbon）、初期第三产业增加值占比是否大于第二产业增加值占比（Structure）以及城区人口数（Scale）的均值分别为1.679、0.407、0.431、0.364及4.496。
表1 变量说明及描述性统计

Table1 Descriptive statistics

变量 变量赋值 观测值/个 均值 标准差 最小值 最大值
lnCarbon 碳排放总量/百万t 3344 3.202 0.746 0.996 5.441
lnGRP 绿色专利申请数/件 3344 5.048 1.757 0.693 10.454
HC 城市大专及以上人口占全国大专及以上人口的比例/% 3344 0.408 0.653 0.001 4.040
lnPergdp 人均地区生产总值/元 3344 10.600 0.711 7.926 13.056
lnPOP 单位面积人口数量/(人/km2) 3344 8.028 0.697 5.864 9.908
SEC 第二产业增加值占比 3344 0.490 0.103 0.024 0.910
lnINV 固定资产投资总额/万元 3344 16.193 1.043 12.794 19.202
lnFDI 当年实际使用外资金额/万美元 3344 10.132 1.910 0 14.941
lnPROAD 人均道路面积/m2 3344 2.744 0.440 0.811 4.096
Level 城市群等级 3344 1.679 0.662 1.000 3.000
Location 地理区位 3344 0.407 0.491 0 1.000
Lowcarbon 是否低碳试点城市 3344 0.431 0.495 0 1.000
Structure 初期第三产业增加值占比是否大于第二产业增加值占比 3344 0.364 0.481 0 1.000
Scale 城区常住人口数/万人 3344 4.496 0.956 2.37 7.820

3 结果分析

3.1 绿色技术创新水平时空演变特征

图1为2006—2021年城市群内城市绿色专利申请总数及增速变化。从图1可知，2006—2018年中国城市群绿色专利申请总量整体呈上升态势，申请总量从2006年的1.904万件增加至2018年的37.05万件，增长近20倍，高出全国增速2.6%，但2018年以后绿色专利申请数量开始波动下降。2019年，为推动中国由知识产权引进大国向知识产权创造大国转变，中国开展整体监管转型，加强了专利申请、审查以及保护，优化了专利申请结构，提高了专利申请质量，使城市群绿色专利申请总量首次出现下降。2021年，受新型冠状病毒肺炎疫情的影响，绿色专利申请总量再次下降，导致2019—2021年整体呈波动式下降态势。
图1 2006—2021年城市群绿色专利申请总数及增速

Fig. 1 The green patent application number and growth rate from 2006 to 2021

进一步选取2006年、2015年、2021年绘制城市群绿色专利申请数的空间分布图可以发现（图2），大部分城市的绿色专利申请数均处于较低水平，城市群绿色技术创新水平具有明显的空间差异，形成了稳定的梯队分布格局。其中，东部沿海城市群地区经济发展水平较高，在交通运输及要素集聚方面具有较大优势，投入的资金和人员相对较多，绿色专利申请数较高，绿色技术创新进步较快，京津冀、珠三角和长三角城市群一直位于城市群绿色技术创新水平“排头兵”位置。中西部城市群地区，大部分城市群绿色专利申请数处于落后地位，特别是西部地区的城市群，规模较小，技术创新方面的资金、人才及基础设施投入能力均有限，绿色技术创新水平受限。
图2 2006年、2015年、2021年城市群绿色专利申请数空间分布格局

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，下同。

Fig. 2 Spatial distribution pattern of green innovation by cities within urban agglomerations in 2006, 2015 and 2021

3.2 城市群碳排放时空演变特征

2006—2021年城市群碳排放总量整体呈先增加再减少后趋于平缓的趋势（图3）。以2011年为拐点，2011年之前城市群碳排放总量及增速持续上涨，碳排放量年均增速高达8.04%。2011年，国务院正式印发的《“十二五”控制温室气体排放工作方案》，首次发布关于中国促进低碳发展的相关意见。随着低碳、绿色可持续等发展理念的倡导，2011年后城市群碳排放增速大幅下降，且在2013年和2015年出现减排效果。2015年以后，城市群碳排放增速逐渐收敛，说明贯彻绿色低碳发展理念已初见成效。值得注意的是，2021年城市群碳排放增速较2020年、2019年有明显的增长，根据国际能源署2021年报告，2021年全球经济从新冠肺炎疫情的危机中复苏，煤炭和石油的使用量大幅反弹，中国碳排放的增加主要由于电力需求急剧增加，而电力需求则严重依赖煤电[40]。
图3 2006—2021年城市群碳排放及增速

Fig. 3 The total carbon emissions and growth of urban agglomerations from 2006 to 2021

类似地，选取2006年、2015年、2021年绘制城市群碳排放的空间分布图（图4）。整体上碳排放相对较高的城市群主要分布在东、中部地区，尤其以京津冀、山东半岛、呼包鄂榆、长三角、珠三角等城市群为主。呼包鄂榆城市群作为中国最主要的煤炭聚集区，是重要的能源输出城市群，一直处于高碳排梯队，京津冀作为北方主要的人口和经济集聚区，也是能源消耗强度最大的区域之一，处于高碳排梯队。从城市群碳排放空间格局变化来看，山东半岛、长三角、珠三角等高梯队城市群正逐渐向低梯队靠拢，而滇中、中原、宁夏沿黄等低梯队城市群正逐渐向高梯队靠拢。这主要是由于长三角、珠三角及山东半岛等城市群的产业结构转型较快，绿色低碳产业发展具有更强政策优势和技术支撑，促进碳排放效率由高碳排放向中低碳排放转变，而滇中、中原及宁夏沿黄等城市群受经济发展以及产业条件的限制，清洁能源发展水平有限，能耗偏大的项目是城市发展的重点项目，碳排放逐年增强[41]。结合碳排放及绿色技术创新的空间分布分析，绿色技术创新水平较高的城市群，其碳排放增速明显低于绿色技术创新水平较低的城市群。
图4 2006年、2015年、2021年城市群碳排放空间分布格局

Fig. 4 Spatial distribution pattern of carbon emissions in urban agglomeration in 2006, 2015 and 2021

3.3 绿色技术创新对碳排放的影响分析

3.3.1 基准结果

表2为基准模型（1）的回归结果，主要探究了城市绿色技术创新对碳排放的影响。表2的列 (1) 仅加入两个核心解释变量，列 (2)~列 (7) 逐步加入控制变量，且均控制了城市及年份的固定效应。列 (7) 为回归的主要结果，从中可知，绿色技术创新一次项的系数为正，二次项系数为负，且均在1%水平下显著，说明绿色技术创新影响碳排放存在显著的倒“U”型关系。根据系数估计，拐点对应的绿色专利申请量为561.33件，即当城市绿色专利申请数量小于561.33件时，绿色技术创新水平的提高增加了碳排放，当申请数大于561.33件时，绿色技术创新水平的提升开始发挥降碳效应。在绿色技术创新起步早期，创新在提升能源利用效率的同时也导致了总体能源消耗量的增加，抵消了绿色技术创新的碳减排效果，导致整体碳排放量的增加；随着绿色技术创新水平的进一步提升，负碳、新能源等技术的研发和成果转化水平逐渐增强，在提升能源利用效率、降低单位碳排放的同时，还能优化现有能源结构，多维度发挥减碳效果。通过测算各样本城市2006—2021年年均绿色专利申请数，可以发现209个样本城市中，仅有55个城市的年均申请数高于拐点值，主要集中在长三角、珠三角、京津冀以及山东半岛城市群，目前城市群内大部分城市还未达到拐点，绿色技术创新水平有待进一步提高。
表2 绿色技术创新对碳排放影响的基准回归模型

Table 2 The Benchmark Regression Model for the impact of green innovation on carbon emissions

变量 (1) (2) (3) (4) (5) (6) (7)
lnGRPt-1 0.1437*** 0.1194*** 0.1191*** 0.1192*** 0.1186*** 0.1175*** 0.1148***
(19.591) (16.045) (15.999) (16.007) (15.934) (15.714) (15.209)
lnGRP2t-1 -0.0105*** -0.0094*** -0.0094*** -0.0094*** -0.0094*** -0.0093*** -0.0090***
(-16.548) (-15.007) (-14.986) (-14.993) (-15.043) (-14.687) (-14.095)
lnPergdp 0.1443*** 0.1441*** 0.1451*** 0.1247*** 0.1214*** 0.1184***
(11.983) (11.967) (11.912) (8.677) (8.359) (8.131)
lnPOP 0.0089 0.0089 0.0084 0.0084 0.0107*
(1.513) (1.525) (1.436) (1.429) (1.802)
SEC -0.0065 -0.0067 -0.0064 -0.0059
(-0.573) (-0.591) (-0.565) (-0.513)
lnINV 0.0199*** 0.0192*** 0.0204***
(2.684) (2.582) (2.749)
lnFDI 0.0026 0.0023
(1.521) (1.329)
lnPROAD 0.0260***
(2.589)
Constant 2.5628*** 1.2035*** 1.1357*** 1.1195*** 1.0280*** 1.0486*** 0.9861***
(124.231) (10.446) (9.189) (8.829) (7.837) (7.953) (7.364)
City FE YES YES YES YES YES YES YES
Year FE YES YES YES YES YES YES YES
Observations/个 3135 3135 3135 3135 3135 3135 3135
R2 0.680 0.695 0.695 0.695 0.696 0.696 0.697

注：***、*分别表示p<0.01、p<0.1，下同。

表2的列 (7) 也报告了各项控制变量的回归结果，从中可知，经济发展水平、人口密度、固定资产投资水平及交通基础设施建设均对碳排放水平存在显著正向影响，即经济发展水平越高、人口密度越大、固定资产投资越多及交通基础设施越发达的城市，产生了更多的能源消耗需求，其碳排放的水平越高。
为了检验倒“U”型关系的稳健性，本文使用utest检验命令对“U”型关系进行检验[42]，检验需要满足三个条件，一是拐点（极点值）估计值在自变量数据的取值范围内，二是曲线左右部分斜率符号相反，三是斜率整体具有显著性。通过检验得到绿色技术创新与碳排放之间的关系呈倒“U”型关系，首先极值点6.37处于 [0.693,10.454] 之间，同时结果中Slope在区间内符号相反，且在1%统计水平下拒绝原假设（表3），说明倒“U”型影响真实有效。
表3 倒“U”型曲线检验结果

Table 3 Results of inverted "U"-shaped curve test

下界 上界
Interval 0.693 10.454
Slope 0.102 -0.074
t 14.767 -7.811
P>t 0.000 0.000

注：是否存在倒“U”型测试：t=7.81，P>t=0.000

3.3.2 内生性问题

基准模型可能会因遗漏变量和反向因果而产生内生性问题，进而导致估计偏误。为解决这一问题，借鉴费威等[43]的做法，本文选取地级市1984年每百人拥有电话机数作为绿色技术创新水平的工具变量。一方面，互联网技术的普及在一定程度上缩短了空间距离，促进了技术信息交流，进一步提升了技术创新水平。早期互联网技术运用始于固定电话的普及，历史电话普及率高的地区可能互联网技术发展水平也较高，满足了工具变量的相关性假设。另一方面，历史的电话普及程度对现在城市碳排放不太可能产生直接影响，满足工具变量的外生性假设。进一步地，为构造面板工具变量，本部分构建了1984年每百人拥有电话机数与上一年城市国际互联网用户数的交乘项（lnInter），使用交乘项及其平方项（lnInter2）作为绿色技术创新水平与绿色技术创新水平平方项的工具变量，并使用两阶段最小二乘法回归，结果如表4的列 (1)。
表4 工具变量及稳健性检验

Table 4 Robustness test

变量 (1)
lnCarbon		 (2)
lnCarbon		 (3)
lnPercarbon		 (4)
lnPercarbon		 (5)
lnCarbon
lnGRPt-1 0.622*** 0.1294***
(9.90) (14.996)
lnGRP2t-1 -0.015*** -0.0142***
(-3.57) (-19.407)
lngpatt-1 0.1044*** 0.1096***
(14.203) (12.955)
lngpat2t-1 -0.0094*** -0.0140***
(-13.768) (-17.819)
lnGRPi,t-1(low) 0.0439***
(8.254)
lnGRPi,t-1(high) -0.0181**
(-2.237)
Constant 5.7294*** 1.0852*** -5.0400*** -4.9308*** 1.2931***
(0.914) (8.012) (-32.902) (-31.639) (8.963)
Controls YES YES YES YES
City FE YES YES YES YES YES
Year FE YES YES YES YES YES
Observations/个 3135 3135 3135 3135 3135
R2 0.548 0.743 0.302 0.301 0.688
First-stage Result lnGRPt-1
lnInter 0.406***
(25.21)
KP-F值 174.825

注：（1）控制变量包括经济发展水平、人口密度、产业结构、固定资产投资、外商投资、交通基础设施、城市固定效应、年份固定效应；（2）**表示p<0.05。下同。

回归结果显示，一阶段回归结果显著为正，工具变量对绿色技术创新有显著正向的影响。工具变量的弱工具检验KP-F值为174.825，大于Stock-Yogo弱工具变量检验10%水平的临界值7.03，排除了弱工具变量的问题。二阶段的回归结果仍显示绿色技术创新的一次项系数显著为正，二次项系数显著为负，且核心变量系数的绝对值均有增加，说明工具变量有效缓解了模型的内生性问题。使用工具变量回归，绿色技术创新水平影响碳排放的倒“U”型关系保持不变。至此，假说1得证。

3.3.3 稳健性检验

首先，尝试更换解释变量及被解释变量的构造方法。一方面，使用绿色专利授权量（lngpat）来替换绿色专利申请数，衡量城市绿色技术创新水平，回归结果如表4列 (2) 所示；另一方面，使用人均碳排放量（lnPercarbon）替换碳排放量，衡量城市的碳排放水平，并分别对绿色专利申请数及授权量进行回归，回归结果如表4的列 (3)~列 (4) 所示。从中可知，绿色技术创新及其二次项估计系数均与基准回归保持一致，基准结果保持稳健。
其次，参照Simonsohn[44]的做法，尝试使用断点回归法而非加入二次项方法对倒“U”型关系重新进行检验，构造计量模型如下：
l n C a r b o n i t = α 3 + δ 1 l n G R P i , t - 1 ( l o w ) + δ 2 l n G R P i , t - 1 ( h i g h ) + δ 3 H i g h i t + δ 4 X i t + μ i + φ t + ε i t  
式中：核心解释变量为lnGRPi,t-1(low)及lnGRPi,t-1(high)，两个变量的构建方法为根据基准回归结果确定断点（Xc），按照基准模型核心解释变量lnGRP大于或者小于Xc，将样本分为高数组和低数组。低数组构建变量lnGRPi,t-1(low)=lnGRPi,t-1-Xc，高数组构建变量lnGRPi,t-1(high)=lnGRPi,t-1-Xc，分别放入模型（3）回归。High为低数组与高数组的分组变量，若样本为高数组，则有High=1，否则有High=0。式（3）中下标及其他变量的定义均与式（1）一致。如果lnGRPi,t-1(low) 与lnGRPi,t-1(high) 的系数显著相反，说明存在倒“U”型关系。
断点回归的结果如表4的列 (5) 所示。从中可知，低数组与高数组绿色技术创新的系数分别为0.0439和-0.0181，异号且显著，说明倒“U”型关系存在，基准回归结果保持稳健。

3.3.4 人力资本调节效应检验

理论分析认为，更高的人力资本水平反映了地区吸收、转化和创造知识的能力，对绿色技术创新和碳排放均有重要的影响。更高水平的人力资本环境在绿色技术创新影响碳排放过程中发挥着调节作用，为验证这一调节机制，本文构建模型（2）进行回归，回归结果如表5所示。从中可知，人力资本与绿色技术创新平方项的交互项系数显著为负，即人力资本的增加强化了曲线拐点前的促进作用和拐点后的抑制作用，曲线变得更加陡峭。这主要是因为地区人力资水平越高，创新过程中的人才流动和合作更充分，人力资本的正外部性和溢出效应才能被充分释放，更容易产生创新成果的共享和转化，从而提高地区技术创新效率，强化绿色技术创新与碳排放之间的关系。人力资本的调节作用表现为无论在增碳还是降碳阶段，每增加一单位技术创新水平，其对碳排放的影响程度更大了，即提升了碳排放对技术创新水平的敏感度。至此，假说2得证。
表5 人力资本对绿色技术创新与碳排放的影响机制

Table 5 The mechanism of human capital's impact on green technology innovation and carbon emissions

变量 (1)
全样本		 (2)
持续三产
lnGRPt-1 0.1305*** 0.1171***
(15.275) (2.717)
lnGRP2t-1 -0.0124*** 0.0009
(-15.008) (0.205)
HC -0.6429*** -1.0269***
(-8.213) (-4.939)
HC×lnGRPt-1 0.1647*** 0.3058***
(8.251) (6.234)
HC×lnGRP2t-1 -0.0090*** -0.0200***
(-6.702) (-6.243)
Constant 1.0422*** -2.6796***
(7.951) (-3.633)
Controls YES YES
City FE YES YES
Year FE YES YES
Observations/个 3135 360
R2 0.710 0.605
通过计算加入调节变量交互项后的倒“U”型拐点，可以发现γ1γ5-γ2γ4>0，拐点右移，即人力资本对绿色技术创新水平影响碳排放的调节作用表现为延后了技术创新水平的减碳阈值，这可能是由于样本期内大部分城市第二产业占比大于第三产业，考虑到生产性服务业的集聚能互补制造业企业产生“知识溢出”和“集体学习”，促进知识的创造、积累和扩散[45]，对绿色技术创新具有主导和增幅的作用，因此若第三产业尤其是生产性服务业发展不够充分，有可能导致拐点的右移。为了验证这一结论，选取样本期内所有年份服务业占比均大于制造业占比的样本进行回归，回归结果如表5列 (2) 所示。从中可知，人力资本与绿色技术创新平方项的交互项系数仍显著为负，且γ1γ5-γ2γ4<0，即拐点值左移，说明高人力资本水平与高产业结构水平“双管齐下”，绿色技术创新对碳排放的抑制效应更加显现，绿色创新与碳排放的倒“U”型曲线向左移动，拐点阈值缩小。

3.3.5 异质性分析

本部分进一步探究绿色技术创新影响碳排放的异质性，分别从城市群等级、东中西地区、是否低碳试点城市、产业结构、城市规模等角度进行异质性分析。
表6考察了分城市群等级及东中西地区的异质性。首先，参考方创琳等[46]将城市群划分为国家级、区域级以及地区级城市群三大类③（③长三角、长中游、京津冀、珠三角以及成渝城市群为国家级城市群，北部湾、关中平原、哈长、辽中南、山东半岛、天山北坡、海峡西岸以及中原城市群为区域级城市群，滇中、呼包鄂榆、兰西、宁夏沿黄、黔中以及山西中部城市群为地区级城市群。），进行分组回归。回归结果如表6的列 (1)~列 (3) 所示。从中可知，国家级、区域级城市群中，绿色技术创新与碳排放之间呈现明显的倒“U”型关系，且国家级城市群的碳减排拐点（4.55）小于区域级城市群（7.13），而地区级城市群中，绿色技术创新的一次项显著为正，二次项不显著，呈现出显著的促进作用。这可能因为，国家级城市群、区域级城市群拥有更多的资源，城市创新活动所需的硬件、软件设施比较完善，绿色技术创新水平较高，绿色技术创新更能发挥规模效应，更多的投入和资源能够进一步提高绿色技术创新的边际效应，使绿色技术创新与碳排放的倒“U”型关系更显著。对地区级城市群而言，政策支持、资本投入等较为有限，城市之间的绿色技术创新水平相对较低，使绿色技术创新对碳排放的影响很可能落在倒“U”型曲线的左侧，从而表现出对碳排放的促进作用。
表6 分城市群等级及区域异质性

Table 6 Heterogeneity of urban agglomeration classification and region

变量 (1)
国家级		 (2)
区域级		 (3)
地区级		 (4)
东部		 (5)
中西部
lnGRPt-1 0.0592*** 0.0884*** 0.1480*** 0.0965*** 0.0862***
(5.985) (7.393) (5.508) (7.901) (8.488)
lnGRP2t-1 -0.0065*** -0.0062*** -0.0050 -0.0092*** -0.0045***
(-7.852) (-5.547) (-1.610) (-10.081) (-4.597)
Constant 0.5658** 0.7886*** 0.5291 1.6129*** 1.2611***
(2.343) (3.998) (1.078) (8.519) (6.369)
Controls YES YES YES YES YES
City FE YES YES YES YES YES
Year FE YES YES YES YES YES
Observations/个 1350 1440 345 1275 1860
R2 0.767 0.666 0.789 0.644 0.735
其次，参考国家统计局的区域划分标准④（④国家统计局关于东西中部和东北地区划分方法, https://www.stats.gov.cn/zt_18555/zthd/sjtjr/dejtjkfr/tjkp/202302/t20230216_1909741.htm.），将城市分为东部、中西部和东北地区。同时考虑到东北地区城市群样本量相对较小，参考武力超等[47]的做法，将辽宁省划分至东部地区，吉林省、黑龙江省划至中西部地区，进行分组回归，结果如表6的列 (4)~列 (5) 所示。从中可知，东部、中西部地区城市的绿色技术创新一次项与二次项分别显著为正与负，倒“U”型关系仍存在，且东部地区的减碳拐点（5.24）小于中西部地区（9.58）。这可能是由于东部地区城市总体规模更大，具有较强的集聚效应以及政策红利[48]，城市间的知识交流与合作较为密切，绿色技术溢出效应高于中西部地区，绿色技术创新水平较高；而中西部地区城市群大多处于发展阶段，城市总体规模较小，城市间要素流动的活跃性整体水平较低，区域绿色技术创新能力相对较低。
表7考察了是否低碳试点城市、产业结构以及城市规模的异质性。首先，考察是否低碳试点城市对绿色技术创新影响碳排放的异质性。将截至2021年纳入低碳试点城市建设的城市划分为低碳城市组，其他城市为非低碳城市组，进行分组回归，回归结果如表7的列 (1)~列 (2) 所示。从中可知，两组样本城市中，绿色技术创新对碳排放的影响呈现显著的倒“U”型关系，但在低碳试点城市样本组中，绿色技术创新对碳排放的减碳拐点较小（5.95），而在非低碳城市中减碳拐点较大（6.2）。试点城市的建设迫使企业加大技术研发投资力度，能够提高试点地区绿色技术创新水平[49]，进一步减小了碳减排的阈值。
表7 是否低碳城市、主导产业以及城市规模异质性

Table 7 Heterogeneity of low-carbon city, leading industry and city scale

变量 (1)
低碳		 (2)
非低碳		 (3)
服务型城市		 (4)
生产型城市		 (5)
城市规模
lnGRPt-1 0.1179*** 0.1215*** 0.0774*** 0.1342*** 0.0522**
(9.487) (12.174) (6.131) (14.253) (2.089)
lnGRP2t-1 -0.0099*** -0.0098*** -0.0066*** -0.0103*** -0.0118***
(-10.411) (-10.242) (-6.095) (-12.958) (-4.924)
Scale -0.0471*
(-1.753)
Scale×lnGRPt-1 0.0297***
(4.433)
Scale×lnGRP2t-1 -0.0009*
(-1.895)
Constant 1.3433*** 0.7562*** 0.9935*** 0.9847*** 1.0403***
(6.187) (4.265) (4.590) (5.805) (6.988)
Controls YES YES YES YES YES
City FE YES YES YES YES YES
Year FE YES YES YES YES YES
Observations/个 1350 1785 1140 1995 3135
R2 0.662 0.735 0.746 0.677 0.703
其次，考察产业结构对绿色技术创新影响碳排放的调节。参考孙伟增等[50]的研究，根据初期第三产业增加值占比与第二产业增加值占比大小，将第二产业占比大于第三产业占比的样本城市划分为生产型城市，反之为服务型城市，进行分组回归，回归结果如表7的列 (3)~列 (4) 所示。从中可知，在生产型城市和服务型城市中，绿色技术创新与碳排放之间呈现显著的倒“U”型影响，但服务型城市的拐点（5.86）小于生产型城市的拐点（6.51）。这一结论进一步佐证了绿色技术创新水平对碳排放的影响还受城市产业结构的影响。
最后，考察城市规模对绿色技术创新影响碳排放的调节。根据《国务院关于调整城市规模划分标准的通知》，“以城区常住人口为统计口径”界定城市规模⑤（⑤ 国务院关于调整城市规模划分标准的通知, https://www.gov.cn/zhengce/content/2014-11/20/content_9225.htm.）。本文以《中国城市建设统计年鉴》的城区人口与城区暂住人口的总和作为城市规模的代理变量。采用交互模型，分别将绿色技术创新一次项、二次项与城市规模交乘，回归结果如表7列 (5) 所示。城市规模与绿色技术创新的二次项交乘系数显著为负，说明城市规模越大，绿色技术创新与碳排放的倒“U”型影响越陡峭。大城市创新投入的要素较为丰富，其产生的技术集聚，通过共享、交流和学习加速了技术创新的转换和应用，推动了绿色技术创新的提高，强化了绿色技术创新与碳排放之间的关系，说明城市规模越大，碳排放对绿色技术创新变动的敏感性越高。但通过测算⑥（⑥ 测算方法参考3.3.4人力资本调节效应检验，其中γ1γ5-γ2γ4>0拐点向右移动。），也可以看到随着城市规模的增加，绿色技术创新对碳排放的减碳阈值也在增加，出现这一结果的原因可能在于：在能源反弹效应下，随着城市规模的增加，绿色技术创新减少碳排放的边际成本也在逐渐上升[51]。即绿色技术创新导致的碳排放的增加使得每减少一单位的碳排放所需承担的绿色技术研发、应用以及推广成本进一步增加，从而提高了碳减排的拐点。

4 结论与讨论

目前，随着中国经济由高速转向高质量发展，环境问题成为影响中国经济提质换挡的重要问题，实现“双碳”目标仍面临严峻挑战。城市群是中国经济增长的重要引擎，其“双碳”目标的实施与路径对全国“双碳”目标的实现具有重要的辐射带动作用，因此研究城市群的碳减排及其实现路径尤为重要。绿色技术创新在推进城市群生态优先、低碳发展过程中发挥了重要作用，本文选取覆盖19个城市群地区的209个地级市作为观测样本，理论分析并实证检验了绿色技术创新对碳排放的影响机理及人力资本对这一影响的调节效应，得到以下主要结论：
（1）2006—2021年，城市群的绿色技术创新水平在时间上整体呈现上升趋势，在空间上形成了从东部沿海城市群向中西部城市群递减的梯队格局，但大部分城市仍处于较低水平；同时，城市群地区的碳排放量虽然呈现增长态势，但增速先增后减，且绿色技术创新水平较高的城市群碳排放增速明显低于绿色技术创新水平较低的城市群。
（2）实证研究发现，绿色技术创新水平对碳排放呈先促进后抑制的倒“U”型影响，目前大部分城市还未达到碳减排的拐点阈值；同时，异质性分析发现，国家级及区域级城市群、东部地区城市、低碳试点城市以及以服务业为主导产业的城市中，绿色技术创新对碳排放影响的拐点均较小，而城市规模越大虽然越能提高碳排放对绿色技术创新的敏感度，但增加了减碳的边际成本。
（3）人力资本增加对绿色技术创新与碳排放之间的关系具有一定的调节作用：一方面提高了碳排放对绿色技术创新水平的敏感度，另一方面能够延后技术创新水平减少碳排放的阈值，这主要受区域产业结构的影响。
基于以上结论，本文提出以下几点政策建议：
（1）在加快京津冀、珠三角和长三角三大城市群建设的基础上，提高其余城市群区域协同发展，尤其是地区级城市群。一方面加强东部地区，尤其是国家级、区域级城市群绿色技术创新体系建设，支持绿色技术水平较高的城市群充分发挥自身优势建设技术创新中心，形成对其他城市群的辐射带动，同时中西部地区城市群，尤其是地区级城市群内部要加强各中心节点城市的技术辐射效应，积极融入全国技术创新网络，大力提升城市群绿色技术创新水平；另一方面优化城市群内部创新要素的资源配置和空间布局，在统一大市场建设的依托下，加强城市群内部各城市之间的联系，构建知识技术多中心且流动性强的城市群，进一步降低技术创新水平对碳排放的减碳阈值。
（2）继续扩大低碳试点城市范围，通过低碳试点城市政策进一步提高绿色技术创新水平。一方面，深化低碳试点城市经验，总结成功案例，形成可推广的低碳城市发展模式；另一方面，要结合城市内产业优势，鼓励本地区企业发展低碳产业，进一步诱发绿色技术创新活动的发生，提高低碳试点政策的有效性，降低城市减碳阈值。
（3）培育和吸引绿色技术创新方面的科技人才，释放科技人力资本潜能。技术创新人才是促进创新水平发展的关键力量，在基础研发、创新成果转化等方面发挥核心作用，各城市群应充分应用城市群内外交流平台，充分发挥人力资本的外部性，通过教育、培训、实践等可行性方法注重对科技型人才的培养，因地制宜制定相关人才培养和人才引进政策，将培养科技型人才作为推动技术创新水平的重要推手，通过人力资本的提升提高碳排放对技术创新的敏感性。
（4）进一步提升城市产业结构，强化人力资本外部性效应。一方面加快大数据等数字经济产业，充分利用数字技术优化产业结构的升级路径，同时通过培育新兴产业、提高产业附加值等方式实现产业的结构升级，提高城市内部第三产业占比；另一方面因地制宜地围绕相关产业建立相关的体制机制，引导构建公平的市场环境，加速城市产业结构升级，进一步降低技术创新水平的减碳阈值。
（5）因地制宜，有的放矢地制定相应的减碳政策。对于城市规模较大的城市，对不同行业实行差异化碳税政策，加大对边际成本较低的创新技术的扶持力度，发展绿色金融服务，为绿色技术创新和减碳项目提供资金支撑。对于城市规模较小的城市，要进一步加强绿色基础设施建设，引导企业发展绿色经济，为城市绿色技术创新研发与应用提供专项资金，并促进其与大城市的合作交流，提升碳减排的敏感性。
本文还存在以下不足：其一没有将不同类型的绿色技术专利进行区分，后续的研究可以检验不同类型的绿色技术专利在倒“U”型关系中的差异。其二，技术创新的成果产出是一个交流合作的过程，没有从绿色技术创新合作网络角度考察绿色技术创新对碳排放的影响，进一步的研究可以尝试基于绿色技术创新合作网络对碳排放的影响进行研究。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
黄寰, 黄辉, 肖义, 等. 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. 自然资源学报, 2024, 39(1): 104-124.

DOI

[HUANG H, HUANG H, XIAO Y, et al. Industrial structure upgrading, government's attention to ecological environment and the efficiency of green innovation: Evidence from 115 resource-based cities in China. Journal of Natural Resources, 2024, 39(1): 104-124.]

DOI

[2]
孙勇, 樊杰, 孙中瑞, 等. 黄河流域绿色技术创新时空格局及其影响因素分解. 生态经济, 2022, 38(5): 60-67.

[SUN Y, FAN J, SUN Z R et al. Temporal and spatial pattern of green technology innovation and its influencing factors in the Yellow River Basin. Ecological Economy, 2022, 38(5): 60-67.]

[3]
PENG W B, YIN Y, KUANG C G, et al. Spatial spillover effect of green innovation on economic development quality in China: Evidence from a panel data of 270 prefecture-level and above cities. Sustainable Cities and Society, 2021, 69(2): 102863, Doi: 10.1016/j.scs.2021.102863.

[4]
KUNAPATARAWONG R, MARTINEZ-ROS E, et al. Towards green growth: How does green innovation affect employment?. Research Policy, 2016, 45(6): 1218-1232.

[5]
SINGH S K, DEL GIUDICE M, CHIERICI R, et al. Green innovation and environmental performance: The role of green transformational leadership and green human resource management. Technological Forecasting and Social Change, 2020, 150: 11792, Doi: 10.1016/j.techfore.2019.119762.

[6]
XU L, FAN M T, YANG L L, et al. Heterogeneous green innovations and carbon emission performance: Evidence at China's city level. Energy Economics, 2021, 99: 105269, Doi: 10.1016/J.ENECO.2021.105269.

[7]
MONGO M, BELAID F, RAMDANI B. The effect of environmental innovations on CO2 emissions: Empirical evidence from Europe. Environmental Science and Policy, 2021, 118: 1-9.

[8]
DAUDA L, LONG X L, MENSAH C N, et al. The effects of economic growth and innovation on CO2 emissions in different regions. Environmental Science and Pollution Research, 2019, 26(15): 15028-15038.

[9]
FERNÁNDEZ FERNÁNDEZ Y, LÓPEZ FERNÁNDEZ M A, OLMEDILLAS BLANCO B. Innovation for sustainability: The impact of R&D spending on CO2 emissions. Journal of Cleaner Production, 2018, 172: 3459-3467.

[10]
ALI N, PHOUNGTHONG K, TECHATO K, et al. FDI, green innovation and environmental quality nexus: New insights from BRICS economies. Sustainability, 2022, 14(4): 2181, Doi: 10.3390/su14042181.

[11]
LIN B, MA R. Green technology innovations, urban innovation environment and CO2 emission reduction in China: Fresh evidence from a partially linear functional-coefficient panel model. Technological Forecasting and Social Change, 2022, 176(1): 121434, Doi: 10.1016/j.enpol.2022.113338.

[12]
KHATTAK S I, AHMAD M, KHAN Z U, et al. Exploring the impact of innovation, renewable energy consumption, and income on CO2 emissions: New evidence from the BRICS economies. Environmental Science and Pollution Research International, 2020, 27(12): 13866-13881.

[13]
WANG Z H, YANG Z M, ZHANG Y X, et al. Energy technology patents-CO2 emission nexus: An empirical analysis from China. Energy Policy, 2012, 42(42): 248-260.

[14]
HERRING H, ROY R. Technological innovation, energy efficient design and the rebound effect. Technovation, 2007, 27(4): 194-203.

[15]
SU H N, MONAIBA I M. Dose innovation respond to climate change? Empirical evidence from patents and greenhouse gas emissions. Technological Forecasting & Social Change, 2017, 122: 49-62.

[16]
YII K J, GEETHA C. The Nexus between technology innovation and CO2 emissions in Malaysia: Evidence from granger causality test. Energy Procedia, 2017, 105: 3118-3124.

[17]
贺晓丽, 逯进. 人力资本、技术创新与碳排放: 基于中国城市视角的讨论. 东方论坛, 2022, (6): 119-132.

[HE X L, LU J. Human capital, technological innovation and carbon emission: A discussion from perspective of Chines cities. Eastern Forum, 2022, (6): 119-132.]

[18]
谢长青, 叶林伟, 刘丽辉, 等. 人力资本、技术创新扩散与碳排放: 基于广东动态空间杜宾面板模型分析. 广东石油化工学院学报, 2022, 32(5): 49-54.

[XIE C Q, YE L W, LIU L H, et al. Human capital, technological innovation diffusion and carbon emissions: Based on the Dubin Panel Model of Guangdong dynamic space. Journal of Guangdong University of Petrochemical Technology, 2022, 32(5): 49-54.]

[19]
何伟军, 李闻钦, 邓明亮. 人力资本、绿色科技创新与长江经济带全要素碳排放效率. 科技进步与对策, 2022, 39(9): 23-32.

[HE W J, LI W Q, DENG M L. Human capital, green technology innovation, and total factor carbon emission efficiency in the Yangtze River Economic Belt. Science & Technology Progress and Policy, 2022, 39(9): 23-32.]

[20]
MURSHED M. Pathways to clean cooking fuel transition in low and middle income Sub-Saharan African countries: The relevance of improving energy use efficiency. Sustainable Production and Consumption, 2022, 30: 396-412.

[21]
WANG J, ZHAO L Y, ZHU R X. Peer effect on green innovation: Evidence from 782 manufacturing firms in China. Journal of Cleaner Production. 2022, 3: 134923, Doi: 10.1016/j.jclepro.2022.134923.

[22]
WURLOD J D, NOAILLY J. The impact of green innovation on energy intensity: An empirical analysis for 14 industrial sectors in OECD countries. Energy Economics 2018, 71: 47-61.

[23]
易信. 新一轮科技革命和产业变革对经济增长的影响研究: 基于多部门熊彼特内生增长理论的定量分析. 宏观经济研究, 2018, (11): 79-93.

[YI X. The Impact of the new round of technological revolution and industrial change on economic growth: A quantitative analysis based on Schumpeter's endogenous growth theory. Macroeconomics, 2018, (11): 79-93.]

[24]
杨莉莎, 朱俊鹏, 贾智杰. 中国碳减排实现的影响因素和当前挑战: 基于技术进步的视角. 经济研究, 2019, 54(11): 118-132.

[YANG L S, ZHU J P, JIA Z J. Influencing factors and current challenges of CO2 emission reduction in China: A perspective based on technological progress. Economic Research Journal, 2019, 54(11): 118-132.]

[25]
张华, 魏晓平, 吕涛. 能源节约型技术进步、边际效用弹性与中国能源消耗. 中国地质大学学报: 社会科学版, 2015, 15(2): 11-22.

[ZHANG H, WEI X H, LYU T. Energy saving technology progress, marginal utility elasticity and energy consumption in China. Journal of China University of Geosciences: Social Sciences Edition, 2015, 15(2): 11-22.]

[26]
黄纯灿, 胡日东. 技术进步、能源效率及反弹效应: 基于索洛中性技术进步的再检验. 宏观经济研究, 2013, (4): 44-52, 111.

[HUANG C C, HU R D. Technological progress, energy efficiency, and rebound effects: A reexamination based on solow neutral technological progress. Macroeconomics, 2013, (4): 44-52, 111.]

[27]
刘晔, 徐楦钫, 马海涛. 中国城市人力资本水平与人口集聚对创新产出的影响. 地理科学, 2021, 41(6): 923-932.

DOI

[LIU Y, XU X F, MA H T. Impact of human capital stock and population concentration on innovative output in China. Scientia Geographica Sinica. 2021, 41(6): 923-932.]

DOI

[28]
顾嵩楠, 万解秋. 我国省域人口流动对经济发展的传导机制研究: 基于门槛效应模型的分析. 西北人口, 2020, 41(4): 58-71.

[GU S N, WANG J Q. Research on the transmission mechanism of population migration to economic development: Based on the threshold effect model. Northwest Population Journal, 2020, 41(4): 58-71.]

[29]
刘俊, 白永秀, 韩先锋. 城市化对中国创新效率的影响: 创新二阶段视角下的SFA模型检验. 管理学报, 2017, 14(5): 704-712.

[LIU J, BAI Y X, HAN X F. The impact of urbanization on innovation efficiency in China: Based on SFA model test in two stage of innovation. Chinese Journal of Management, 2017, 14(5): 704-712.]

[30]
HUANG C H, ZHANG X Q, LIU K. Effects of human capital structural evolution on carbon emissions intensity in China: A dual perspective of spatial heterogeneity and nonlinear linkages. Renewable and Sustainable Energy Reviews, 2021, 135: 110258, Doi: 10.1016/j.rser.2020.110258.

[31]
BANO S, ZHAO Y H, AHMAD A, et al. Identifying the impacts of human capital on carbon emissions in Pakistan. Journal of Cleaner Production, 2018, 183: 1082-1092.

[32]
李健, 周慧. 中国碳排放强度与产业结构的关联分析. 中国人口·资源与环境, 2012, 22(1): 7-14.

[LI J, ZHOU H. Correlation analysis of carbon emission intensity and industrial structure in China. China Population, Resources and Environment, 2012, 22(1): 7-14.]

[33]
徐国泉, 刘则渊, 姜照华. 中国碳排放的因素分解模型及实证分析: 1995—2004. 中国人口·资源与环境, 2006, 16(6): 158-161.

[XU G Q, LIU Z Y, JIANG Z H. Decomposition model and empirical study of carbon emissions for China, 1995-2004. China Population, Resources and Environment, 2006, 16(6): 158-161.]

[34]
李锴, 齐绍洲. 贸易开放、经济增长与中国二氧化碳排放. 经济研究, 2011, 46(11): 60-72, 102.

[LI K, QI S Z. Trade openness economic growth and carbon dioxide emission in China. Economic Research Journal, 2011, 46(11): 60-72, 102.]

[35]
朱勤, 彭希哲, 陆志明, 等. 人口与消费对碳排放影响的分析模型与实证. 中国人口·资源与环境, 2010, 20(2): 98-102.

[ZHU Q, PENG X Z, LU Z M, et al. Analysis model and empirical study of impacts from population and consumption on carbon emissions. China Population, Resources and Environment, 2010, 20(2): 98-102.]

[36]
HAANS R F J, HE Z L. Thinking about U: Theorizing and testing U- and inverted U-shaped relationships in strategy research. Strategic Management Journal, 2016, 37 (7): 1177-1195.

[37]
李松亮, 曾小明, 曾祥炎, 等. 地级市尺度下人力资本的空间特征及驱动因子. 经济地理, 2020, 40(8): 43-48, 113.

[LI S L, ZENG X M, ZENG X Y, et al. Spatial characteristics and driving factors of human capital based on prefecture-level city. Economic Geography, 2020, 40(8): 43-48, 113.]

[38]
方创琳, 张国友, 薛德升. 中国城市群高质量发展与科技协同创新共同体建设. 地理学报, 2021, 76(12): 2898-2908.

DOI

[FANG C L, ZHANG G Y, XUE D S. High-quality development of urban agglomerations in China and construction of science and technology collaborative innovation community. Acta Geographica Sinica, 2021, 76(12): 2898-2908.]

DOI

[39]
ODA T, MAKSYUTOV S, ANDRES R J. The open-source data inventory for anthropogenic CO2, version 2016 (ODIAC2016): A global monthly fossil fuel CO2 gridded emissions data product for tracer transport simulations and surface flux inversions. Earth System Science Data, 2018, 10(1): 87-107.

[40]
中国大连高级经理学院. 2021年能源行业碳排放及污染物排放. 中国能源发展报告(2022). 北京: 社会科学文献出版社, 2022: 191-194.

[China Business Executives Academy. Energy industry carbon emissions and pollutant emissions in 2021. Annual Report on China's Energy Development (2022). Beijing: Social Science Literature Press, 2022: 191-194.]

[41]
孙兴, 刘熙. 中国城市碳排放效率的时空演变及影响因素: 基于异质性空间随机前沿模型. 地理研究, 2023, 42(12): 3182-3201.

DOI

[SUN X, LIU X. Spatiotemporal evolution and influence factors of urban carbon emission efficiency in China: Based on heterogeneous spatial stochastic frontier model. Geographical Research, 2023, 42(12): 3182-3201.]

[42]
LIND J T, MEHLUM H. With or without U? The appropriate test for a U-shaped relationship. Oxford Bulletin of Economics and Statistics, 2010, 72(1): 109-118.

[43]
费威, 于宝鑫, 王维国. 数字经济发展与碳减排: 理论推演与实证检验. 经济学家, 2022, (11): 74-83.

[FEI W, YU B X, WANG W G. Digital economy development and carbon emission reduction: Theoretical deduction and empirical. Test Economis, 2022, (11): 74-83.]

[44]
SIMONSOHN U. Two line: A valid alternative to the invalid testing of U-shaped relationships with quadratic regression. Advances in Methods and Practices in Psychological Science, 2018, 1(4): 538-555.

[45]
韩峰, 阳立高. 生产性服务业集聚如何影响制造业结构升级? 一个集聚经济与熊彼特内生增长理论的综合框架. 管理世界, 2020, 36 (2): 72-94, 219.

[HAN F, YANG L G. How does the agglomeration of promote the upgrading of manufacturing structure: An integrated framework of agglomeration economies and Schumpeter's endogenous growth theory. Journal of Management World, 2020, 36(2): 72-94, 219.]

[46]
方创琳, 毛其智, 倪鹏飞. 中国城市群科学选择与分级发展的争鸣及探索. 地理学报, 2015, 70(4): 515-527.

DOI

[FANG C L, MAO Q Z, NI P F. Discussion on the scientific selection and development of China's urban agglomerations. Acta Geographica Sinica, 2015, 70(4): 515-527.]

DOI

[47]
武力超, 吴政贤, 林澜, 等. 新能源汽车产业政策对企业技术创新的影响研究. 科学管理研究, 2023, 41(3): 71-78.

[WU L C, WU Z X, LIN L, et al. Study the impact of new-energy vehicles industrial policies on the enterprises' technology innovation. Scientific Management Research, 2023, 41(3): 71-78.]

[48]
王之禹, 李富强. 城市规模对创新活动的影响: 基于区域知识吸收能力视角的分析. 中国软科学, 2021, (8): 140-151.

[WANG Z Y, LI F Q. Impact of city size on innovation activities: Based on the perspective of regional knowledge absorptive capacity. China Soft Science, 2021, (8): 140-151.]

[49]
郭沛, 梁栋. 低碳试点政策是否提高了城市碳排放效率: 基于低碳试点城市的准自然实验研究. 自然资源学报, 2022, 37(7): 1876-1892.

DOI

[GUO P, LIANG D. Does the low-carbon pilot policy improve the efficiency of urban carbon emissions: Quasi-natural experimental research based on low-carbon pilot cities. Journal of Natural Resources, 2022, 37(7): 1876-1892.]

DOI

[50]
孙伟增, 牛冬晓, 万广华. 交通基础设施建设与产业结构升级: 以高铁建设为例的实证分析. 管理世界, 2022, 38(3): 19-34, 58, 35-41.

[SUN W Z, NIU D X, WAN G H. Transportation infrastructure and industrial structure upgrading: Evidence from China's high-speed railway. Journal of Management World, 2022, 38(3): 19-34, 58, 35-41.]

[51]
WANG J, LYU K J, BIAN Y W, et al. Energy efficiency and marginal carbon dioxide emission abatement cost in urban China. Energy Policy, 2017, 105: 246-255.

Options
Outlines

/

〈 〉