綠色技術創新對我國工業綠色能源效率的影響

摘 要：應用動態隨機非參數數據包絡分析（StoNED）模型測度我國工業綠色能源效率的動態變化趨勢，并利用空間誤差模型，從數字經濟視角研究綠色技術創新對我國工業綠色能源效率的影響，發現我國工業綠色能源效率存在正向的空間溢出效應。結果表明：我國工業綠色能源效率呈現先下降后上升的趨勢，且呈現內陸地區向華東和華南地區逐漸收斂的態勢；數字技術在時間固定模型下對工業綠色能源效率的提升發揮著積極作用，但數字產業和數字環境變量在一定情況下對工業綠色能源效率產生了負面影響；數字技術、數字產業和數字環境變量在不同的空間權重矩陣下，對區域異質性和規模異質性的工業綠色能源效率影響不同。

關鍵詞：綠色技術創新；工業綠色能源效率；動態StoNED模型；數字經濟；空間誤差模型

中圖分類號：F 424；X 24 文獻標識碼：A 文章編號：1672-7312（2024）06-0635-13

The Influence of Green Technology Innovation on Industrial Green Energy Efficiency in China

SHI Xiongtian，YU Zhengyong，CHEN Yang

（School of Business and Tourism Management，Yunnan University，Kunming 650500，China）

Abstract：The dynamic StoNED model is used to measure the dynamic change trend of China’s industrial green energy efficiency，and then the spatial error model is used to study the impact of green technology innovation on China’s industrial green energy efficiency from the perspective of digital economy，and it is found that there is a positive spatial spillover effect of China’s industrial green energy efficiency.The results show that：the industrial green energy efficiency in China decreases first and then increases，and gradually converges from inland areas to East and South China；Digital technology plays a positive role in the improvement of industrial green energy efficiency under the timefixed model，but digital industry and digital environment variables have a negative impact on industrial green energy efficiency under certain circumstances；Digital technology，digital industry and digital environment variables have different effects on industrial green energy efficiency with regional heterogeneity and scale heterogeneity under different spatial weight matrices.

Key words：green technology innovation；industrial green energy efficiency；dynamic StoNED model；digital economy；spatial error model

0 引言

我國長期的經濟快速增長主要依賴于大量的能源消耗，導致了能源利用效率低下和環境污染嚴重的現象，尤其是傳統能源的過度使用，進一步加劇了溫室氣體排放和氣候變化問題。為了實現可持續發展和履行國際責任，我國在2020年提出了“雙碳”目標，即碳達峰和碳中和，這一目標充分表明我國對能源消費和環境保護問題的高度重視。為實現“雙碳”目標，我國需采取措施來控制能源消費總量和強度，提高工業能源效率。工業能源效率作為綜合指標，體現了經濟、能源、環境和社會之間的相互作用，是衡量我國可持續發展進程的關鍵。因此，研究綠色技術創新對工業綠色能源效率的影響至關重要。從數字經濟的角度來看，研究數字技術、數字環境和數字產業如何促進工業綠色能源效率的提升，以實現中國的可持續發展和“雙碳”目標，是十分必要的。

隨機前沿分析（SFA）和數據包絡分析（DEA）是常用于評估工業能源效率的2種方法。然而，二者的應用可能會引入較大的誤差，從而影響研究結果的可比性，甚至導致與實際情況不符的結論。相比之下，隨機非參數數據包絡分析（StoNED）結合了SFA和DEA的優點，并在一個廣泛認可的理論框架下進行測度，避免引入新的概念，提升了測度的操作性、準確性和靈活性。盡管StoNED模型在金融和制造業等領域已得到廣泛應用，但在工業能源效率測度方面的研究相對較少。此外，現有研究通常基于較大的經濟區域劃分進行分析，這種方法可能會忽略不同區域在經濟和社會發展方面的差異性和集聚特征，從而難以深入分析區域間的差異。因此，為了找到有效的工業能源效率評估方案，有必要科學測量并合理分析工業能源效率，同時采用更細致的區域劃分，以揭示更具體層面上的差異。

目前研究工業能源效率的影響因素，主要有2種主流方法：因素分解法和計量經濟模型。因素分解法包括結構分解法和指數分解法，可揭示不同因素對經濟指標的貢獻。計量經濟模型則包括協整和誤差修正模型、系統矩估計、隨機前沿分析、分位數空間自回歸和面板Tobit回歸等方法，用于探索影響因素對全要素能源效率提升的具體影響。然而，這2種方法各有局限。因素分解法雖然應用廣泛，但往往難以深入分析影響機制。計量經濟模型盡管能夠探究影響因素，但經常忽略全要素能源效率的特殊屬性和空間效應，導致分析結果存在偏差。因此，為了全面準確地理解工業能源效率的影響因素，需要一種綜合方法，該方法既能夠捕捉全要素能源效率的基本特征，又能考慮其空間分布和受限特性，以更準確地反映這些因素的實際影響。

當前，“數字化”和“綠色化”已經成為工業發展的兩大主要趨勢，實現“綠水青山就是金山銀山”的綠色發展模式也成為了工業發展的主要目標。綠色發展模式將“創新”與“綠色”兩大特質融合，對解決區域工業經濟增長與生態環境惡化相互制約的困境具有關鍵作用。數字經濟憑借其對數字技術的驅動作用和對數字化知識與信息的重視，為我國工業經濟的轉型升級和綠色發展注入了關鍵活力。在數字經濟的推動下，數據價值化優化了生產要素，提高了生產效率，并開辟了低資源消耗的價值創造路徑；數字技術促進企業、公眾和政府間的協作，推動綠色創新并提升資源管理效率；工業數字化引發產業融合，催生新產業與新業態，推動綠色高效發展，并促進產業結構優化。因此，充分利用數字經濟的綠色創新潛力以促進工業能源利用的綠色發展，對推動工業發展具有重要意義。

綜上所述，選取我國30個省份（不含西藏和港澳臺4個省級行政區）的面板數據作為研究對象，將工業三廢納入工業綠色能源效率的測度框架。首先，利用StoNED模型測算我國工業綠色能源效率，并根據我國七大地理分區分析測算結果。然后，從數字經濟的角度，采用TOE框架構建綠色技術創新因素，并構建空間誤差模型研究綠色技術創新對我國工業綠色能源效率的影響，旨在探索全面提高我國工業綠色能源效率的政策建議，以助力我國工業實現高質量發展。

1 研究假設

1.1 綠色技術創新與工業綠色能源效率

綠色技術創新旨在通過開發和應用更環保的技術來減少污染并提高資源利用效率，這符合綠色創新理論的核心觀點。通過開發新的節能設備、可再生能源技術以及提高生產流程的環保性，綠色技術創新有望減少能源消耗，提高能源利用效率，這種創新可以幫助企業在保持生產力的同時，減少對環境的負面影響，提高工業綠色能源效率。

通過TOE框架來構建綠色技術創新指標，從數字技術、數字產業和數字環境等角度構建綠色技術創新的TOE框架來探討綠色技術創新對我國工業綠色能源效率的影響。

1.2 數字技術與工業綠色能源效率

數字技術主要包括底層技術和實踐技術等，根據Schumpeter創新理論，這些技術作為創新的驅動因素對經濟的發展起著至關重要的作用。在當前工業綠色轉型的背景下，數字技術的廣泛應用為提高工業綠色能源效率提供了新的機遇和挑戰。底層技術，構成了數字技術基礎設施的核心，其發展與普及程度直接關系到信息傳輸的速度和效率，為工業生產提供了更加快速、靈活和智能的信息化支持。通過實時監測和數據分析，底層技術能夠幫助企業更加精準地掌握能源使用情況，從而有針對性地進行調整和優化。實踐技術，則代表了數字技術在實際應用中的廣度和深度。隨著這些技術的普及和發展，數字化生產模式不斷創新，智能制造、物聯網、大數據分析等技術的應用日益深入。通過數字技術的實踐應用，工業企業可以更加高效地利用能源資源，減少浪費，提高生產效率，從而實現工業綠色能源效率的顯著提升。

基于此，提出假設1：數字技術水平的提升將促進工業綠色能源效率的提升。

1.3 數字產業與工業綠色能源效率

資源環境經濟學強調資源利用效率和環境可持續發展之間的關系，認為有效利用資源有助于減少對環境的影響，并促進經濟的可持續增長。數字產業包括了產業數字化和商業模式數字化2個重要方面。產業數字化著重于將傳統產業與數字技術相結合，以提升生產效率和優化資源利用，這種數字化轉型不僅可以改善傳統工業生產的效率和質量，還能夠降低能源消耗和排放，從而實現工業綠色能源效率的提升。同時，商業模式數字化則關注商業模式的創新和數字化轉型，為企業提供了更加靈活和高效的經營方式。這種數字化轉型不僅可以拓展市場邊界，還可以為企業創造更多的商機和增長點，從而推動經濟的可持續增長。通過產業數字化和商業模式數字化的應用，數字產業能夠促進工業企業實現生產過程的數字化轉型，提升生產效率，降低資源消耗和排放，從而實現工業綠色能源效率的提升。

基于此，提出假設2：數字產業的發展將有助于提高工業綠色能源效率。

1.4 數字環境與工業綠色能源效率

數字環境的優化對提高工業綠色能源效率至關重要。數字環境由數字消費環境和數字政務環境表示，因為它們在數字化時代對社會和經濟發展影響深遠，數字消費環境涵蓋了人們通過互聯網進行購物、支付和娛樂的方方面面，而數字政務環境則關注政府提供的在線服務和治理能力，這2個方面的優化可以提高消費便利性、商業效率和政府治理效率，推動經濟社會的可持續發展，并間接促進工業綠色能源效率的提升。數字消費環境的改善將推動工業生產的智能化和信息化，消費者對產品環保標準的日益提高將促使工業企業采用更環保、高效的生產技術和設備，從而減少能源浪費，提高能源利用效率，這與現代產業理論中關于生產技術和設備更新對生產效率提升的觀點相符合。同時，數字政務環境的優化也將為工業企業提供更高效便捷的服務，支持其可持續發展，政府數字化服務的提升將為工業企業提供更便捷的資源獲取渠道和環境保護支持，有助于推動環保政策的及時實施，進而提升工業綠色能源效率。

基于此，提出假設3：數字環境水平提升有助于提高工業能源效率。

基于上述假設，構建理論框架如圖1所示。

2 研究設計

2.1 動態Stoned模型

動態StoNED模型由KUOSMANEN T首次提出，是一種融合隨機前沿分析（SFA）和數據包絡分析（DEA）的計量經濟學方法。傳統的StoNED模型在處理時間序列數據時存在一些局限性，尤其是在評估決策單元（DMU）隨時間變化的效率方面。動態StoNED模型旨在解決這個問題，使其能夠更好地適用于時間序列數據的分析和評估，從而更準確地評估決策單元的效率。

為了區分效率低下和隨機誤差對決策單元性能評估的影響，假設生產函數具有乘法誤差結構。這種結構允許效率和隨機誤差以生產量的乘積形式出現，為在存在隨機擾動的情況下評估決策單元相對效率提供了一種方法。通過這個假設，可以更準確地區分效率低下和隨機誤差，從而更好地了解決策單元的表現。動態StoNED模型的公式為

Y=f（X，t）·e－u（1）

式中，Y為第i個省份第t年的工業綠色能源效率；f（X，t）為指定的生產函數；e為隨機誤差的相關項；e為與效率相關的項，u＞0為第i個省份相對于潛在生產前沿的效率損失。

假設技術進步是要素投入增強型，f（X，t）表示為

f（x，t）=f（x，0）+∑×G（t）x（2）

式中，f（x，0）為基期生產函數；G（t）為要素投入型技術進步。

基于上述模型假設，采用非參數估計方法，保證f（x，0）在各個時期凹性一致。由于Kuosmanen Timo認為G（t）不會影響f（x，0）的凹性特征，因而對G（t）可采用參數或非參數的估計方法，非參數設定公式為

G（t）=η（3）

式中，η為與投入和時間相關的特定常量（或參數），可能確實會引入大量的新未知參數，從而增加了模型估計的復雜度和計算難度。為了簡化模型并減少不必要的未知參數引入，參考Kuosmanen Timo的二次方程形式設定技術進步，公式為

G（t）=t+γt（4）

其中，若出現技術退步，滿足條件表示為

G（t+1）≥G（t），t=0，1，…，T－1（5）

在凹面最小二乘法框架下，純非參數設定效率變化確實存在難以將效率變化與隨機噪聲區分的問題。雖然非參數方法在模型設定方面具有高度靈活性，能夠適應各種數據結構，但其往往對數據噪聲更為敏感，尤其是在樣本量較小或數據質量不高的情況下，這種方法可能導致模型過度依賴于數據中的特定波動，難以區分真實的效率變化與隨機噪聲。為克服這一問題，采用半參數方法估計生產函數和效率變化函數可能是有效的解決方案。半參數方法結合了參數和非參數方法的優點：通過參數化部分模型組件以降低對數據噪聲的敏感性，同時保留其他組件的非參數靈活性。二次多項式形式是一種常見的選擇，允許模型捕捉效率隨時間的非線性變化趨勢，并避免模型過于復雜。因此，半參數方法能夠更準確地描述效率變化趨勢，降低對噪聲的敏感性。模型設定為

h（t）=a+bt+ct（6）

式中，a為為基期非效率水平；b＞0且c=0為h（t）呈線性增長；c≠0為h（t）呈非線性狀態；b=c為h（t）為常數。

因此，動態StoNED模型改寫為

z=f（x，0）+∑（t+γt）x－（a+bt+ct）z+Vz（7）

為保證f（X，t）的凹性與單調性，基于公式（7）的設定，構建CNLS估計模型，公式為

min∑∑vs.t.z=α+βx+∑（φt+γt）X－（a+bt+ct）z+Vz，

i=1，…，n；t=1，…，T；α+βx≤α+βx，h，i∈{1，…，n}；

s，t∈{1，…，T}；β≥0t+γt≥0，m=1，…，M（8）

在優化生產函數模型時，目標是通過最小化隨機誤差項的平方和，準確捕捉生產過程，同時考慮到實際生產的經濟規律和約束。在這個過程中，需要滿足以下4個主要約束條件。①基期生產函數：確保模型準確反映起始時期的生產狀況，為整個分析提供可靠的基礎。②凹性約束：通過確保生產函數為凹函數，反映出邊際產出隨投入增加而減少的經濟現實，從而使模型在經濟學上更具合理性。③單調性限制：要求生產函數隨著投入的增加而單調遞增，符合經濟原理，即更多的投入應該帶來更多的產出。④生產技術的非負性：確保模型中的所有變量（包括投入和產出）都是非負的，以符合實際生產活動的約束。

最后，工業綠色能源效率計算公式表示為

E=11+h（t）=11+a+bt+ct（9）

2.2 莫蘭指數

通過測算Moran’s I 來檢驗我國各省份工業綠色能源效率水平分布是否在空間上具有相關性。參考施雄天等的研究，Moran’s I 計算公式表示為

Moran’s I=∑i=1∑j=1W（Y－）（Y－）S∑i=1∑j=1W（10）

式中，Y和Y分別為省份i和j工業綠色能源效率水平觀測值；W為空間權重矩陣，采用0-1矩陣。

2.3 空間計量模型

文中的空間計量模型初步表示為

Y=ρ∑WY+β+β T+βO+β E+γAit+αi+εit+v（11）

ε=λ∑Wε+μ（12）

式中，Y為工業綠色能源效率；T，O，E分別為數字技術、數字產業和數字環境；α為地區效應；v為時間效應；ε為隨機擾動項；Wij為空間權重矩陣；λ和ρ分別為空間誤差系數和空間滯后系數；A為控制變量。

2.4 指標體系構建及數據來源

2.4.1 指標體系構建

1）投入指標

能源投入指標。由于我國能源消費碳排放量占比超80%以上，所以選擇能源消耗的碳排放量更有代表性。參照《IPCC國家溫室氣體排放清單指南》中所列公式計算能源消耗碳排放量

C=∑MQCi=1，2，…，n（13）

式中，C為第i個省（市）的能源消費碳排放量；M為第i個省（市）第j種（j=1，2，…，10分別為煤炭、焦炭、原油、汽油、煤油、柴油、燃料、液化石油氣、天然氣、電力）能源在t年消費量；Q為第j種能源的凈發熱量；C為第j種能源的二氧化碳排放因子。

人員投入指標。就業人員是衡量勞動力在工業綠色能源效率上的貢獻程度指標，因此選取規模以上工業行業全部從業人員平均用工人數來衡量。

資金投入。選取工業固定資產投資來衡量。

2）產出指標

期望產出。選取工業增加值來衡量。

非期望產出。參考李凱杰等的研究，選取工業三廢指標來表示非期望產出，選取工業二氧化硫、工業廢水排放和工業固體廢物指標并采用熵權法所得。

3）綠色發展驅動因素選擇

TOE框架作為涵蓋了技術（T）、組織（O）和環境（E）3個方面的綜合分析框架，在眾多研究議題中得到了廣泛的應用。基于此，從數字經濟視角出發，從數字技術（T）、數字產業（O）和數字環境（E）維度來代表綠色技術創新，從而構建工業綠色能源效率的綠色發展驅動模式（TOE）。

數字技術（T）。選取底層技術和實踐技術來代表數字技術驅動因素，參考王玉龍等的研究，底層技術選取長途光纜線密度、互聯網寬帶接入端口數、IPv4地址數等指標，實踐技術選取等移動電話普及率、人均電信業務收入和互聯網普及率等指標，并將底層技術和實踐技術綜合使用熵值法來代表數字技術。

數字產業（O）。參考艾陽等的研究，產業數字化選取電信業務總量、軟件業務收入、信息技術服務收入等指標，商業模式數字化選取有電子商務交易活動企業比重、電子商務銷售額和每百家企業擁有網站數等指標，并將產業數字化和商業模式數字化綜合使用熵值法來代表數字產業。

數字環境（E）。選取數字消費環境和數字政務環境來代表數字產業驅動因素，參考向玉瓊等的研究，數字消費環境選取居民消費支出和網上零售額等指標，數字政務環境選取省級政府服務平臺的網上政務服務能力指數，并將數字消費環境和數字政務環境綜合使用熵值法來代表數字環境。

4）控制變量

參考黃森等的研究，控制變量選取城鎮化水平、對外開放程度、社會消費水平、政府干預程度和創新水平。城鎮化水平用城鎮人口所占比率來衡量；對外開放程度用貨物進出口金額來衡量；社會消費水平用居民消費水平來衡量；政府干預程度用地方政府一般公共預算支出來衡量；創新水平用國內發明專利申請受理量來衡量。

2.4.2 數據來源

選取了2011—2022年我國30個省份（不含西藏、港澳臺4個省級行政區）的面板數據，主要來源于EPS數據庫、《中國能源統計年鑒》《中國統計年鑒》等，部分缺失數據采用插值法補充，各變量描述性統計見表1。

3 工業綠色能源效率測度結果分析

為進一步分析我國工業綠色能源效率的區域特性，根據七大地理分區劃分進行分析，測度結果見表2。同時，繪制我國區域工業綠色能源效率演變趨勢雷達圖，如圖2所示。

從整體均值來看，我國工業綠色能源效率值呈現先下降后上升的趨勢。在2011—2016年期間，我國經歷了快速的工業化過程，能源密集型行業如鋼鐵、水泥和化工等快速擴張，以追求經濟增長為主導，但這些行業大量消耗能源，且能源利用效率相對較低，導致整體工業綠色能源效率下降。在這一時期，能源結構主要以煤炭為主，而煤炭是一種碳排放高、能效相對較低的能源，雖然有可再生能源的使用，但比例相對較小，未能有效提高整體工業綠色能源效率。而在2016—2022年期間，我國政府出臺了一系列節能減排綜合性工作方案，例如《關于建立健全清潔能源消納長效機制的指導意見》《“十三五”節能環保產業發展規劃》、碳達峰和碳中和行動方案等政策措施，以綠色發展政策為導向。這些政策措施通過實施綠色標準和認證，鼓勵企業采用環保材料和技術，降低生產過程中的能耗和排放，促進了產業結構的優化升級。在2020—2022年期間，我國工業綠色能源效率在0.60以上，說明我國的工業綠色能源效率正在逐漸提高。工業經濟正在從高能耗、高污染的傳統產業向高科技、低碳環保的新模式轉型，這種增長方式更趨于可持續發展。然而，我國工業綠色能源效率雖有提升，但仍存在一定的提升空間，需要積極推行綠色技術創新，以助力我國工業經濟的高質量發展。

從圖2可知，我國工業綠色能源效率呈現出內陸地區向華東和華南地區逐漸收斂的趨勢。華東、華南地區的工業綠色能源效率較高，這些地區經濟發展較早，產業結構更為先進，較早地從依賴傳統制造業轉向高科技和服務導向的產業。這些新興產業通常能效更高，環境污染更低。同時，在當前國內外雙循環的背景下，產業資源的迅速集中，加上對清潔能源的開發和利用，使得工業綠色能源效率較高。值得注意的是，西北地區自2015年后出現了穩步的上升趨勢，這說明西北地區也在積極調整和優化其產業結構，重點發展新能源、高新技術和裝備制造等產業，逐步淘汰落后產能和高污染、高能耗的行業，從而提高了整體的工業綠色能源效率。此外，華北、西南、華中、東北地區整體上低于均值水平，但自2015年后工業綠色能源效率呈現出上升趨勢。這表明，隨著我國環境政策的實施和環境保護法律法規的不斷完善和執行力度的加強，工業企業面臨更大的壓力去提升能源利用效率，減少污染物排放，進而提高了工業綠色能源效率。總體而言，七大區域的工業綠色能源效率存在差異。為了實現我國工業綠色能源效率的均衡發展，各區域需要推動范圍內的能源結構轉型和經濟的可持續發展，以逐漸實現均衡發展。

4 實證分析

4.1 空間相關性檢驗

通過莫蘭指數進行空間自相關檢驗，結果見表3，局部莫蘭圖如圖3所示。2011—2022年Moran’s I指數均大于0，且至少通過了10 %以上的顯著性檢驗，表明各省份工業綠色能源效率在樣本期內存在空間正相關性。因此，可采用空間計量模型，從空間角度探究綠色技術創新對工業綠色能源效率的影響。

4.2 空間計量模型選擇

由于上述已做空間相關性檢驗，說明我國各省份工業綠色能源效率水平呈現明顯的空間正相關性。因此，有必要在模型中加入空間變量來進行實證分析。

ELHORST指出，對于研究國家或地區的空間—時間數據，固定效應模型通常比隨機效應模型更適合。根據Hausman檢驗的結果，若Hausman檢驗值為負，說明固定效應模型更合適。在固定效應模型中，可考慮包括空間固定效應（spatial）、時間固定效應（time）以及時間與空間的雙固定效應（both）。為了確保實證分析的穩健性，構造了3種不同的空間權重矩陣：空間鄰接權重矩陣、數字金融權重矩陣和人力資本權重矩陣，這些權重矩陣的選擇與研究的主題和目標密切相關。例如，空間鄰接權重矩陣考慮了地理上的鄰接關系，數字金融權重矩陣關注數字經濟相關的空間聯系，而人力資本權重矩陣則側重于人力資源在空間上的分布和影響。

空間鄰接權重矩陣是基于區域間距離定義相鄰間關系。dij為區域i與j的距離，空間鄰接權重

矩陣表示為

W=1 若d<d0 若d≥d（14）

數字金融權重矩陣利用數字金融水平的差額作為測度地區間“經濟距離”的指標。利用Ucinet 6軟件進行制作。

i和j分別為i省和j省樣本期間數字金融水平均值，數據來源為北京大學數字普惠金融指數。數字金融權重矩陣表示為

W=1i－j（i≠j）（15）

人力資本權重矩陣利用人力資本水平的差額作為測度地區間個體貢獻差異的指標。利用Ucinet 6軟件進行制作。

i和j分別為為i省和j省樣本期間人力資本水平均值，數據來源為劉詩濛等的研究。數字金融權重矩陣表示為

W=1i－j（i≠j）（16）

為了選取合適的空間計量模型，一般會采用LMERR和LMLAG方法進行檢驗。從表4的結果可以看出，對于3種空間權重矩陣，SEM模型的LMERR和LMLAG檢驗的p值均在5%的顯著性水平下通過了檢驗，因此選取空間誤差模型。

4.3 穩健性檢驗

根據Wald檢驗，發現Prob>chi2 =0.000 0非常顯著，拒絕SEM模型退化成SAR模型；根據LR檢驗，發現Prob>chi2=0.000 0非常顯著，拒絕SEM模型退化成SAR或者SDM模型，與Wald檢驗一致。

綜上，說明文中選擇的空間誤差模型通過穩健性檢驗。

4.4 測度結果分析

將3種空間權重矩陣納入空間計量模型中，運用Stata 16.1軟件對3種模型測算，測算結果整理見表5。

通過對3種不同的空間權重矩陣進行計算，空間誤差系數λ通過了5%以上的顯著性水平檢驗，確保了空間誤差模型的穩健性。在雙固定效應模型下，3種空間權重矩陣的溢出系數分別為0.324、0.557和0.992，均為正，表明不同省份之間的工業綠色能源效率受到相鄰省份的影響，高水平工業綠色能源效率的省份能促進相鄰省份的發展，表現出空間正向溢出效應。

從綠色技術創新的核心解釋變量T、O、E的實證結果中得到以下結論。數字技術（T）：在時間固定模型下，數字技術的系數顯著且為正，表明數字技術的應用和發展對提升工業綠色能源效率有正面影響，隨著數字技術的不斷深化應用，有效提高了能源利用效率，促進了工業節能減排。數字產業（O）：在空間固定模型下，數字產業變量的系數為負且顯著，而在時間固定模型下，系數為正且顯著，這意味著數字產業的擴張在特定情況下可能對工業綠色能源效率產生負面影響，特別是一些地區數字產業的快速發展可能加劇了能源消耗，尤其是在高碳能源結構或數字產業初期基礎設施建設階段。然而，隨著時間推移，數字產業對工業綠色能源效率的提升作用逐漸顯現，可能反映了數字產業通過促進綠色技術創新、優化能源管理和生產流程等方式提高工業綠色能源使用效率，助力綠色轉型。數字環境（E）：在時間固定模型

下，數字環境變量的系數為負且顯著，這表明在數字化轉型過程中，企業可能面臨從傳統能源向更清潔、高效能源過渡的挑戰。在這一過渡期，工業綠色能源效率可能暫時下降，尤其在數字技術和解決方案尚未完全優化以最大限度提高工業綠色能源效率的早期階段。

4.5 異質性分析

將進行兩方面的異質性分析。①地區劃分分析：依據我國各省份的地理位置和經濟發展水平，將省份分為東部、中部和西部3個區域，通過比較不同區域的工業綠色能源效率，可以揭示區域間工業綠色能源效率的差異。②規模劃分分析：根據各省份的人口規模，以常住人口為統計標準，將省份分為大、中、小3種規模，通常以3 000萬和5 000萬人口為界，通過對比不同規模省份，可以進一步研究規模大小對工業綠色能源效率的影響，并揭示不同規模省份的工業綠色能源效率的差異。

4.5.1 區域異質性

根據我國的東部、中部、西部劃分，來探討綠色技術創新對不同區域的工業綠色能源效率的影響，測度結果見表6。

東部、中部和西部的空間權重矩陣的λ值均通過了5%以上顯著性檢驗。通過測度發現，在東部和中部地區，數字技術的應用似乎對工業綠色能源效率產生了負面影響，而在西部地區則呈正面影響，這表明東部和中部地區的經濟已經相對發達，數字技術的廣泛應用可能加劇了能源需求的增長，特別是在能耗密集的服務領域。相較而言，西部地區可能正處于利用數字技術實現跨越式發展的階段，數字技術的應用提高了生產效率，同時優化了工業能源使用。關于數字產業的影響，東部和西部地區的工業綠色能源效率受到負面影響，而中部地區則呈正面影響。這可能是因為東部地區作為經濟先行區，數字產業的快速發展帶來了能源需求的劇增；西部地區的能源基礎設施相對不足，難以滿足數字產業的能源需求。而中部地區可能正處于經濟轉型階段，數字產業發展更注重效率和節能，從而優化了工業生產方式，提高了能源利用效率。數字環境對東部和中部地區的工業綠色能源效率有正面影響，但對西部地區則呈負面影響。這表明，東部和中部地區的數字環境改善促進了新興產業的發展，這些產業更注重能效和環保，從而提高了工業綠色能源效率。相比之下，西部地區可能存在數字鴻溝，即信息通信技術的可及性和可負擔性差距大，限制了數字環境在提升工業綠色能源效率方面的應用。

4.5.2 規模異質性

按各省份常住人口規模進行分類，對不同規模類型的集聚外部性對高新技術產業創新效率影響進行測算，測算結果見表7。

大、中、小規模的空間權重矩陣的λ值均通過了1%以上顯著性檢驗。不同規模人口的省份中，數字技術變量對工業綠色能源效率的影響存在差異。大規模人口省份由于具備更完善的基礎設施和資源配置，利于數字技術的應用和推廣，從而提升生產效率和能源使用效率。相比之下，中小規模人口省份可能因為產業集聚程度較低，缺乏足夠的外部效應來促進信息、技術的有效交流和資源共享，導致數字技術對其產生負面影響，限制了工業綠色能源效率的提升。數字產業變量對各規模人口省份的工業綠色能源效率均呈現負面影響，表明雖然數字產業的發展有潛力優化能源管理和提升生產效率，但在實際應用中可能存在時間滯后，數字產業擴張速度快于工業綠色能源效率改進措施的實施和成效展現。數字環境變量對大、中規模人口省份產生正面影響，而對小規模人口省份產生負面影響，這說明大、中規模人口省份由于具備更完善的數字基礎設施和較強的經濟實力，利于數字技術的應用和推廣，從而提升工業綠色能源效率。相較之下，小規模省份可能在經濟規模和政策支持方面處于劣勢，限制了數字環境對工業綠色能源效率的積極作用。

4.6 內生性檢驗

假設數字技術、數字產業和數字環境3個綠色技術創新變量與工業綠色能源效率之間可能存在互為因果關系，存在內生性問題。為解決該問題，參考戴一鑫等的做法，采用了以下兩種檢驗方法。

① 二階段最小二乘法檢驗（2SLS）：首先，利用工具變量（z1、z2、z3）進行二階段最小二乘法檢驗，以判斷工具變量與解釋變量之間的關系。結果顯示，3個解釋變量與工具變量相關，并通過了顯著性水平的檢驗。

② 弱工具變量檢驗：對3個解釋變量進行弱工具變量檢驗，以判斷是否存在弱工具變量。原假設為存在弱工具變量，若F值大于10，則拒絕原假設。結果顯示，3個解釋變量均拒絕了原假設，表明不存在弱工具變量。

通過2SLS法和弱工具變量檢驗發現，得出數字技術、數字產業和數字環境這3個綠色技術創新變量與工業綠色能源效率之間不存在內生性問題。

5 結論

1）我國工業綠色能源效率呈現先下降后上升的趨勢，且出現了內陸地區向華東和華南地區逐漸收斂的趨勢。特別是在工業綠色能源效率達到0.60以上時，表明我國正逐漸向更高效率的方向發展，工業經濟正在從傳統的高能耗、高污染產業向高科技、低碳環保的新模式轉型。就綠色技術創新因素而言，數字技術在時間固定模型下對提升工業綠色能源效率起到了積極作用，而數字產業和數字環境變量則在一定情況下對工業綠色能源效率產生了負面影響。通過區域和規模異質性分析，發現數字技術對東部和中部地區的工業綠色能源效率影響為負，而對西部地區的影響為正且顯著；數字產業對東部和西部地區的工業綠色能源效率影響為負，而對中部地區的影響為正且顯著；數字環境對東部和中部地區的工業綠色能源效率影響為正，對西部地區的影響為負；數字技術對大規模人口省份的工業綠色能源效率的影響為正，而對中規模和小規模人口省份的影響為負；數字產業對各規模人口省份的工業綠色能源效率影響均為負；數字環境對大規模和中規模人口省份的工業綠色能源效率影響為正，而對小規模人口省份的影響為負。

2）強化數字技術在工業中的應用和推廣。鑒于數字技術對工業綠色能源效率的積極影響，建議政府和企業增加對數字技術的投資和應用，推動工業生產過程智能化和自動化，提高能源利用效率，減少排放，從而實現可持續發展。

3）優化數字產業結構。鑒于數字產業對工業綠色能源效率的負面影響，建議在數字產業發展過程中加強能源管理和環保措施，引導數字產業向更加清潔、低碳的方向轉型，減少能源消耗，降低環境負荷。

4）改善數字環境條件。考慮到數字環境對工業綠色能源效率的影響，建議加強數字基礎設施的建設和普及，特別是在西部地區和小規模人口省份，提高數字化水平，優化數字環境，為工業綠色能源效率的提升提供良好條件。

5）差異化政策制定。針對不同地區和規模的省份，建議政府采取差異化的政策措施，對數字技術應用較為發達的地區，可以適當調整產業結構，降低傳統高耗能產業的比重；對數字技術發展相對滯后的地區，可以加大對數字技術的支持，提高其在工業生產中的應用水平。

6）加強跨區域合作。鑒于工業綠色能源效率存在區域間的相互影響，建議加強跨區域的合作與交流，實現優勢互補，共同推動工業綠色能源效率的提升，實現全國范圍內的協調發展。

參考文獻：

[1] 孔令乾，王夢樂，于世海.創新驅動政策對全要素能源效率的影響——基于國家創新型城市試點政策的考察[J].資源科學，2023，45（09）：1884-1898.

[2]張藝杰，何耀宇.雙向FDI協調發展對中國工業碳排放強度的影響研究[J].技術與創新管理，2024，45（01）：109-118.

[3]張慧，范麗偉，孫秀梅.中國城市能源效率差異及其影響因素的異質性效應——基于分位數回歸的實證分析[J].城市問題，2022（08）：12-23.

[4]郭慶賓，鐘金融，程葉青.中國金融資源配置效率時空異質性及其影響因素[J].資源科學，2022，44（11）：2165-2177.

[5]杜明月，范德成.知識密集型制造業技術創新資源配置效率研究——基于動態StoNED模型的半參數分析[J].經濟問題探索，2019（11）：142-150.

[6]YI X，XIONGTIAN S，LI K.From green finance to sustainable innovation：how to unleash the potential of China’s hightech industry[J].Environmental Science and Pollution Research International，2023，30（59）：123368-123382.

[7]曹棟，劉璟嫻，張斯琛.基于投入產出技術的陜西省能源效率研究[J].西安電子科技大學學報（社會科學版），2016，26（06）：36-44.

[8]宋輝，黃波，袁征.基于LMDI的中國行業節能機制研究[J].軟科學，2019，33（07）：106-110.

[9]金立斌，戴曉文，石磊，等.廣義空間異常值修正模型及應用[J].數理統計與管理，2018，37（02）：255-263.

[10]姜彩樓，查穎.自主研發對中國工業能源效率的影響研究[J].中國人口·資源與環境，2015，25（11）：82-87.

[11]黃建，馮升波，楊陽，等.全要素能源效率及其測算、比較與驗證[J].資源科學，2023，45（02）：281-295.

[12]汪克亮，趙斌.“雙碳”目標背景下數字金融對能源效率的影響研究[J].南方金融，2021（09）：20-31.

[13]李濤，沙瑋華.數字經濟對地區全要素能源效率的影響研究——基于市場貿易的中介效應分析[J].財經理論與實踐，2022，43（03）：120-127.

[14]趙艷敏，董會忠.中國工業能源生態效率時空演變特征及影響因素分析[J].軟科學，2022，36（06）：48-55.

[15]封亦代，袁華錫，劉耀彬.新型城鎮化建設提高城市能源利用效率的機制[J].中國人口·資源與環境，2023，33（05）：138-148.

[16]XIONGTIAN S，FENGQING W，YANG C，et al.Analysis of factors influencing carbon emissions in the Yangtze River Delta region and projections of carbon peak scenarios[J].Ecological Economy，2024，20（01）：2-24.

[17]韓晶，陳曦.數字經濟賦能綠色發展：內在機制與經驗證據[J].經濟社會體制比較，2022（02）：73-84.

[18]夏杰長.數據要素賦能我國實體經濟高質量發展：理論機制和路徑選擇[J].江西社會科學，2023，43（07）：84-96+207.

[19]魏麗莉，侯宇琦.數字經濟賦能綠色發展：理論變革、內在邏輯與實現路徑[J].陜西師范大學學報（哲學社會科學版），2023，52（03）：94-106.

[20]胡海波，毛純兵，周潔.中國工業數字化轉型的演變邏輯與未來展望[J].管理學刊，2023，36（04）：112-126.

[21]施雄天.我國高新技術產業綠色創新效率測度及影響因素分析[J].創新科技，2023，23（12）：33-46.

[22]李永剛.財政科技支出、人力資本投入對科技創新影響研究——理論分析與實證檢驗[J].中國經濟問題，2023（02）：38-51.

[23]肖周燕，李慧慧.京津冀協同發展對大氣污染防治的影響及作用機制[J].城市問題，2021（02）：36-43.

[24]郭克莎，楊倜龍.中國產業數字化改造的機制和政策[J].經濟學動態，2023（03）：21-35.

[25]何青，琚望靜，莊朋濤.如何緩解企業投融資期限錯配？基于數字化轉型視角[J].數量經濟技術經濟研究，2024，41（05）：113-133.

[26]賴立，譚培文.數字中國建設背景下數字消費的內涵、困境及發展路徑[J].經濟學家，2023（12）：95-103.

[27]廖雪婷，白俊紅.數字政務能否提升企業資源配置效率？[J].現代經濟探討，2024（04）：60-75+92.

[28]郝全洪.協同發展的現代產業體系建設的制約因素與應對之策——基于系統科學理論的若干思考[J].江淮論壇，2021（01）：37-43+193.

[29]

KUOSMANEN T.Stochastic seminonparametric frontier estimation of electricity distribution networks：Application of the StoNED method in the Finnish regulatory model[J].Energy Economics，2012，34（06）：2189-2199.

KUOSMANEN T.Stochastic nonparametric envelopment of panel data：frontier estimation with fixed and random effects approaches[C].MIT Discussion Paper，2010.

[30]施雄天，余正勇，肖懿，等.我國高技術產業高質量發展水平省域差異、障礙因子診斷及時空演變分析[J].創新科技，2024，24（02）：56-70.

[31]李凱杰.國際貿易、技術進步偏向性與我國工業能源強度[J].經濟經緯，2020，37（06）：66-75.

[32]萬驍樂，畢力文，邱魯連.供應鏈壓力、戰略柔性與制造企業開放式綠色創新——基于TOE框架的組態分析[J].中國軟科學，2022（10）：99-113.

[33]王玉龍，洪世華.數字技術賦能鄉村義務教育供給的價值邏輯與實踐路徑[J].現代教育技術，2024，34（04）：80-89.

[34]艾陽，宋培，李琳.數字產業化的結構轉型效應研究——理論模型與實證檢驗[J].經濟與管理研究，2023，44（12）：3-23.

[35]趙丹丹，趙秀鳳.產業數字化賦能共同富裕：理論機制與實證分析[J].江漢論壇，2024（02）：21-29.

[36]向玉瓊，馮鈺婷.雙層學習交互：地方數字政務服務創新過程與生成機理——基于N市經驗的分析[J].城市問題，2023（10）：14-23.

[37]施雄天，李亞玲，余正勇，等.中國長三角城市群工業高質量發展水平雙維測度、動態演進及創新環境影響研究[J].工業技術經濟，2024，43（03）：33-43.

[38]黃森，劉雨，咼小明.數字基礎設施OFDI對中國與RCEP國家數字貿易質量影響研究[J].亞太經濟，2023（04）：60-73.

[39]施雄天，李博亞，戴麗莉，等.我國高新技術產業創新效率測度及時空演化分析[J].技術與創新管理，2023，44（05）：541-551.

[40]ELHORST J P.Unconditional maximum likelihood estimation of linear and loglinear dynamic models for spatial panels[J].Geographical Analysis，2005，37（1）：85-106.

[41]劉詩濛，王逸飛.人力資本集聚如何促進城市就業增長——基于生產率和生活質量視角的機制分解[J].經濟科學，2023（05）：219-240.

[42]賀三維，張臻，祁子良，等.基于交通流和輻射模型的城市群網絡結構及驅動因素分析——以長江中游城市群為例[J].地理科學，2023，43（11）：1900-1910.

[43]戴一鑫，盧泓宇.高技術產業集聚對長江經濟帶新型城鎮化的影響——基于空間溢出效應的視角[J].軟科學，2022（11）：1-23.

[44]施雄天，仵鳳清，余正勇，等.集聚外部性對我國高新技術產業創新效率的影響[J].技術與創新管理，2024，45（02）：129-140.

[45]施雄天，余正勇.我國區域新質生產力水平測度、結構分解及空間收斂性分析[J].工業技術經濟，2024，43（05）：90-99.

（責任編輯：張江）

基金項目：教育部人文社會科學研究青年基金項目（22YJC790039）；云南省教育廳科學研究基金項目（2024Y077）

作者簡介：施雄天（1997—），男，江蘇南通人，博士研究生，主要從事工業經濟、科技創新管理方面的學習和研究工作。