“科创中国”天府大道科创走廊

产业科技服务团赴德阳调研

2023 年 7 月 3 日至 6 日，中国技术经济学会“科创中国”天府大道科创走廊产业科技服务团赴四川省德阳市开展调研，服

务团专家组一行深入德阳市经开区、绵竹市高新区、德阳国家农业科技园区、旌阳区、德阳天府数谷、广汉区等进行实地走访

调研开展调研咨询服务，推动德阳“科创中国”试点建设与创新驱动示范市有机衔接。

中国技术经济学会会员部主任何冰，中国科学院地理科学与资源研究所研究员、博导沈振西，西南交通大学机械工程学院

副教授马术文、西南民族大学副教授李世丹、中科院成都生物所助理研究员邓放等一行深入企业开展调研，助力企业创新发展，

为德阳特色产业把脉，共商促进科技经济深度融合的新模式、新机制、新举措。德阳市科协党组书记、主席杨凯，德阳市科协

副主席李琴芬、市协同发展局副局长汤志良，市科技局调研员温家强、市院士工作站主任吉松林、绵竹市政府副市长谭琦，天

府数谷服务中心副主任菅永超、经开区科工局、绵竹市科协、旌阳区

协科、广汉市科协、德阳国家农业科技园等相关负责同志分阶段参加

了调研对接活动。

服务团专家组聚焦德阳市机械装备、材料化工、食品医药及数

字经济“3+1”主导产业，分别赴德阳经开区、绵竹市、旌阳区、天

府数谷开展调研。专家组通过深入生产车间、研发中心以及与企业面

对面交流，详细了解企业关于发展、产销及主要产品研发、生产运营

等情况，深入挖掘企业在技术攻关、人才培养等方面存在的问题，积

极建言献策、提供关键性指导。服务团介绍了学会及“科创中国”产

业科技服务团的基本情况及资源、人才优势，以便更好地找准双方合

作对接点。

调研期间，服务团专家组与德阳市科协、德阳市科技局、德阳

市协同发展局进行座谈交流，聚焦科技协同创新赋能区域产业发展，

通过整合成都、德阳、眉山、资阳科创资源，为天府大道科创走廊产

业高质量发展提供技术咨询、成果转化、标准研制、项目投融资合作

等对接服务，为德阳“重返前三”提供科技支撑。

服务团专家组调研了四川联塑科技实业有限公司、德阳三环科

技有限公司、四川绵竹鑫坤机械制造有限公司、四川润格生物科技有

限公司、德阳云上天府科技有限公司、德阳光控特斯联AI CITY项目、

四川德博尔制药有限公司等 15 余家企业和在建项目，挖掘“纤维素

基质色谱介质合成工艺研究开发”“高效降解植物抗营养因子蛋白酶

的开发”“纤维素基质色谱介质合成工艺研究开发”“提升材料的耐磨

性，从而提高设备使用的可靠性”等 20 余项企业技术难题。服务团

专家组针对四川绵竹鑫坤机械制造有限责任公司“航空发动机叶片制

造在线检测及自动化补偿技术研究”等 5 项技术难题，提出了解决建

议方案。

服务团专家组表示，企业是创新的主体，为企业提供精准对接

服务，有效推动科技成果转化，助力构建德阳产业生态圈与创新生态

链，正是专家组此行的目的。专家组将持续开展跟踪对接，针对需求

进行整理、匹配供给、促成对接，力争逐一解决。在德阳科协的“牵

线搭桥”下，专家与企业面对面，助力企业攻关破难，加速科研成果

落地转化。

在服务以上企业的过程中，企业与专家服务团对口专家建立了

长期紧密联系，服务团专家组将根据企业需求，持续为企业服务；同

时学会也会加大企会合作力度，在智力资源上给予大力支持，提升企

业核心创新力，助力企业创新发展，促进并推动德阳产业高质量发展。

2023 Vol. 42

第42卷 第8期

N o . 8

技 术 经 济

Technology Economics

《技术经济》编辑委员会

顾 问

吴明瑜 罗冰生 孙晓郁 徐寿波

吴贵生 蔡 莉 吴季松 郭励弘

主 编 李 平

常务副主编 李志军

副 主 编 牛东晓 王宗军 李开孟 杨德林 王宏伟

编 委（以姓氏笔画为序）

于 渤 王宏起 王学军 王 毅 毛志兵 田杰棠

田明华 毕克新 朱桂龙 刘 云 刘 星 刘开勇

池仁勇 孙 卫 买忆媛 苏敬勤 李石柱 李 垣

杨 俊 杨宝臣 张米尔 张宗益 陈向东 邵云飞

武义青 林晓言 庞守林 官建成 赵芝俊 胡传海

柳卸林 侯仁勇 夏恩君 高 建 梅 强 葛宝山

韩秀成 鲁若愚 谢富纪 雷家骕 魏 江

CSSCI（2021—2022）来源期刊（扩展版）

AMI综合评价（A 刊）核心期刊（2018 年）

中国科技论文统计源期刊（中国科技核心期刊）

《智库期刊群 1.0 版》入选期刊

《中文核心期刊要目总览》（2020年版）来源期刊

“复印报刊资料”重要转载来源期刊（2020年版）

2017 中国国际影响力优秀学术期刊

RCCSE 中国核心学术期刊

技术经济 2023年第42卷第 8 期

期刊基本参数：CN11‐1444/F * 1982 * m * A4 * 156 * zh * P * 30. 00 * 500 * 13 * 2023‐8

双试点政策的协同创新效应 张 帅，刘春学，马显光 1

人力资本质量提升区域创新绩效了吗？

——基于知识产权保护视角 程惠芳，俞 萍，洪晨翔 13

打好“组合拳”：低碳政策工具协同对绿色技术创新的影响及机理研究 彭建军，段春梅 26

科技遏制导向对中国创新发展构成威胁吗？

——基于美国对华经贸政策的事实与验证 金泽虎，钱 前 39

服务于重大铁路项目决策的综合效益评价方法研究 李明真，张之峣，林晓言，李红昌 53

跨国并购的技术创新机理研究

——海尔集团并购 FPA 案例研究 赵剑波 64

大数据能力对农业科技企业创新的影响：一个有调节的中介效应模型 宋默西，洪如玲，王雯溪 76

企业社会责任与创新：一项 Meta 分析的检验 王海花，王 莹，李树杰，李 烨 89

数字化转型对后发追赶的影响研究

——基于知识搜索的调节作用 奉小斌，张 晶 99

新发展格局下加强供应链韧性治理研究 吴真如，徐乾宇 112

ESG 表现对企业财务绩效的影响研究 杨睿博，邓城涛，侯晓舟 124

数字乡村建设对农户共同富裕影响的实证检验 朱奕帆，朱成全 135

主观社会地位对制造业工人工匠精神的影响：基于认知‐情感个性系统理论 朱永跃，窦笑宇，李炳耀 145

目 次

Research on Synergistic Innovation Effect of Dual Piloting of Two Policies

............................................................................................................... Zhang Shuai，Liu Chunxue，Ma Xianguang 12

Impact of Human Capital Quality on Regional Innovation Performance from the Perspective of Intellectual Property

Protection .............................................................................................. Cheng Huifang，Yu Ping，Hong Chenxiang 25

Play a Good“Combination of Fists”：Study on the Influence and Mechanism of Low‑carbon Policy Tool Collaboration

on Green Technology Innovation ............................................................................... Peng Jianjun，Duan Chunmei 38

Does Science and Technology Containment Orientation Pose a Threat to China’s Innovation and Development？Facts

and Verifications Based on US Economic and Trade Policies Towards China ..................... Jin Zehu，Qian Qian 52

Research on Comprehensive Benefit Evaluation Method for Major Railway Project Decision‑making

...................................................................................... Li Mingzhen，Zhang Zhiyao，Lin Xiaoyan，Li Hongchang 63

How Does Knowledge Transfer Drive Technical Innovation in M&A？—A Case Study on Haier’s Acquisition of FPA

.................................................................................................................................................................... Zhao Jianbo 75

The Impact of Big Data Capabilities on Agri‑tech Firm Innovation：A Moderated Mediation Model

..................................................................................................................... Song Moxi，Hong Ruling，Wang Wenxi 88

Corporate Social Responsibility and Innovation：A Test Based on Meta‑analysis

............................................................................................................ Wang Haihua，Wang Ying，Li Shujie，Li Ye 98

Effect of Digital Transformation on Latecomers Catching‑up：Moderating Effect of Knowledge Search

.......................................................................................................................................... Feng Xiaobin，Zhang Jing 111

Strengthening Supply Chain Resilience Governance under the New Development Paradigm

.............................................................................................................................................. Wu Zhenru，Xu Qianyu 123

The Impact of ESG Performance on Firm Performance ................... Yang Ruibo，Deng Chengtao，Hou Xiaozhou 134

An Empirical Test of the Impact of Digital Village Construction on the Common Prosperity of Farmers

....................................................................................................................................... Zhu Yifan，Zhu Chengquan 144

The Impact of Subjective Social Status on Craftsman Spirit of Industrial Workers from the Perspective of

Cognitive‑affective System Theory of Personality ................................. Zhu Yongyue，Dou Xiaoyu，Li Bingyao 155

Journal of Technology Economics 2023, Vol. 42, No. 8

Contents

第 42 卷 第 8 期 技 术 经 济 2023年 8 月

张 帅等：

双试点政策的协同创新效应

张 帅1，2

，刘春学1

，马显光3，4

（1.云南财经大学 经济学院，昆明 650221；2.太原学院 财经系，太原 030032；

3.昆明理工大学 国土资源工程学院，昆明 650093；4.云南省国土资源规划设计研究院，昆明 658216）

摘 要：协同创新是提升创新体系整体效能的关键。基于中国 2001—2020 年 280 个地级市数据，将国家创新型城市试点政策

和科技金融相结合试点政策作为一项准自然实验，采用渐进双重差分模型，实证检验实施双试点政策对城市创新水平的影响。

研究表明：双试点政策组合能显著促进城市创新水平的提升。机制检验表明，双试点通过促进风险机构集聚、改善制度环境和

发展金融科技提升了城市创新水平。进一步分析发现，双试点存在协同创新效应，双试点比单一试点能更有效地提升城市创

新水平，且对先行实施创新型城市试点政策的城市和非东部地区的城市具有更强的影响效应。本研究探索了政策组合的协同

创新效应，为完善城市创新治理体系提供政策启示。

关键词：创新型城市；科技金融政策；双试点；政策协同

中图分类号：F204；F832 文献标志码：A 文章编号：1002—980X（2023）8—0001—12

一、引言

党的二十大报告提出：“完善科技创新体系，坚持创新在我国现代化建设全局中的核心地位，健全新型举

国体制，强化国家战略科技力量，提升国家创新体系整体效能，形成具有全球竞争力的开放创新生态。”提升

国家创新体系整体效能是中国进入高质量发展阶段后对加快实施创新驱动战略提出的更高要求，也是实现

高水平科技自立自强的战略途径。当今新一轮科技革命和国内外形势变化相互交织，以科技竞争为核心的

国家竞争日趋激烈，主要发达国家都在强化创新体系的统筹协调，在加强基础研究、构建技术创新体系、推进

科技开放合作等方面持续发力，力图在全球科技和创新制高点占据优势（张晓晶，2022）。中国也越来越频繁

地使用政策工具组合以提升科技创新治理体系的协调程度和治理效能，因此构建具有协同创新能力的政策

体系成为促进国家创新体系整体效能提升的关键（贺德方等，2023）。

依托于城市的创新试点政策是地方政府促进自主创新能力提升和补齐创新体系短板的重要制度设计，

不仅为助推国家政策体系建设提供了重要支撑，也为后续创新政策的推广和调整提供经验证据（冯泽等，

2021），更为重要的是，同一城市若实施了多个试点政策，那么该城市可以为观测中国试点政策组合的协同创

新效应提供有效窗口。在众多创新试点政策组合中，较为典型的是始于 2008 年的“国家创新型城市”试点政

策和始于 2011 年的“促进科技和金融相结合”试点政策。两个城市试点政策具有相同的战略目标背景，均遵

循“先行先试”的原则为更多城市步入创新驱动发展轨道提供示范性经验，而且早在科技和金融相结合试点

政策正式实施之前，科技部就考虑了两个试点政策配套组合的可能性，并在 2010 年组织各地申报科技金融

相结合试点时颁布的《促进科技和金融结合试点实施方案》中明确提出要“选择国家高新区、国家自主创新示

范区、国家技术创新工程试点省（市）、创新型试点城市等科技金融资源密集的地区先行先试”。截至 2022 年

底，共有 43 个城市交错实施了国家创新型城市和科技金融相结合的双试点政策，这为科学评估政策组合协

同创新效应提供了良好的“准自然实验”条件。但遗憾的是，目前多数研究重点评估了一项试点政策的创新

激励效应，鲜有文献对试点政策组合能否产生协同创新效应进行系统分析。

在此背景下，一个有待研究的议题是：如果一个城市既实施了国家创新型城市试点政策，又实施了科技

收稿日期：2023‑04‑27

基金项目：国家自然科学基金地区项目“物理机理为基础的高精度地学时空多变量协同统计模型研究”（42062020）；云南省院

省校教育合作人文社会科学研究项目“云南锡产业高质量发展研究”（SYSX202027）；山西省高等学校哲学社会科学

项目“数字化赋能太忻一体化经济区高质量发展的路径研究”（2022W161）

作者简介：张帅，云南财经大学经济学院博士研究生，太原学院财经系讲师，研究方向：区域创新；刘春学，云南财经大学经济学

院教授，博士研究生导师，研究方向：区域资源配置与开发；马显光，昆明理工大学博士研究生，云南省国土资源规划

设计研究院高级工程师，研究方向：资源与环境。

1

技术经济 第 42 卷 第 8 期

金融相结合建设试点政策，那么在该城市是否会呈现“1+1>2”的协同创新效应？对这一问题的系统性阐释

不仅为构建目标多元化和政策多元化的高质量城市创新体系提供理论依据，也为加强政策间协同配合及提

升城市创新体系整体效能提供对应的数据参考和政策启示，还为评估其他类似政策组合的政策效应提供可

参考的研究范式，具有重要的理论意义和现实意义。

因此，本文以实施了国家创新型城市试点和科技金融相结合建设试点的双试点城市为研究对象，基于渐

进双重差分模型评估了双试点政策实施的协同创新效应。可能的边际贡献是：①研究视角方面，区别于只关

注单一试点政策的文献，揭示了国家创新型城市和科技金融相结合双试点政策组合与城市创新水平之间的

因果关系及内在机理，为政策组合影响城市创新的研究做出了合理补充；②研究方法方面，将双试点政策的

实施作为准自然实验，通过比较双试点城市、单试点城市、非双试点城市之间创新水平变化的差异，得到双试

点政策组合影响城市创新水平的净效应，并通过安慰剂检验、截面 PSM‑DID、逐年 PSM‑DID 等多种检验排除

了样本选择偏误和内生性问题；③研究意义方面，发现促进风险投资机构集聚、改善制度环境和发展金融科

技是双试点政策组合促进城市创新水平提升的作用渠道，且促进风险投资机构集聚和改善制度环境两个渠

道的贡献度较大，而发展金融科技的贡献度较小，为进一步提升政策激励效应与推广试点地区经验提供

依据。

二、文献综述

（一）单一试点政策对城市创新的效果评估

国家创新型城市试点政策是中国完善区域创新体系的重要探索，关于这一试点政策能否有效提升城市

创新水平，主要形成了促进论和抑制论两种不同的观点。例如，在微观层面，杨仁发和李胜胜（2020）、曹希广

等（2022）均以上市公司为样本，发现创新城市试点政策分别对企业创新产出和研发投入有正向促进作用，但

闫昊生等（2021）采用专利数据库和工企数据库的研究认为，“层层加码”的政绩考核会加剧资源倾斜效应和

低质量创新行为。郭丰等（2021）基于工业企业的研究也支持创新型城市对企业创新质量的提升效果并不显

著。聚焦于影响机制的研究中，学者们发现强化政策优惠力度（李政和杨思莹，2019）、优化创新制度环境（王

晓红等，2021）、提高创新要素集聚（王晗等，2022）、促进产业结构升级（陈超凡等，2022）是国家创新型城市试

点政策促进创新水平提升的主要途径，但过度依赖政策优惠导致的创新投入规模不经济会对创新效率产生

显著的抑制作用（王晶晶和张伯超，2022），对新兴产业的盲目跟进也会导致政策效应出现边际递减（徐换歌

和蒋硕亮，2020），以规模集聚促进绿色创新的效果也并不明显（宋德勇等，2021）。

科技金融结合试点政策的着力点是实现科技资源与金融资源有效对接，学者们从上市企业的全要素生

产率（余红伟等，2020）、中小高新技术企业的生产效率（孔一超和周丹，2020）、经济增长（（徐越倩等，2021）、

产业结构升级（冯永琦和邱晶晶，2021）、绿色发展水平（刘继兵等，2022）等角度进行了大量的研究，但直接针

对城市创新水平的研究反而不多。在微观层面，吴净（2020）、薛晴和焦文庆（2022）均采用上市公司数据，验

证了科技金融结合试点政策对企业创新的促进效应，而叶初升等（2022）基于新三板挂牌中小科技企业数据

的研究发现该试点政策有利于促进中小科技企业创新产出数量，但对创新质量并无显著影响。在宏观层面，

马凌远和李晓敏（2019）基于地级市面板数据，发现试点政策通过改善地方金融发展效率，提高科技支出占比

两个路径提升了城市创新水平。

（二）政策组合的协同创新效应

在中国构建城市创新体系的实践中，越来越多的政策工具被组合使用，以完善科技创新治理体系的协调

程度和治理效能，并呈现出多层次、多类别和多批次的特征（贺德方等，2019）。现有对政策组合协同创新效

应进行理论研究的文献主要分为三类，第一类聚焦于评估哪些政策组合具备更强的混合激励效应，例如，

Acemoglu 等（2012）的通过构建两部门定向技术变革模型，发现供给型与环境型政策组合能促进企业提高创

新支出。Guerzoni 和 Raiteri（2015）认为需求型政策能提高创新激励，供给型政策能降低研发成本，二者组合

使用能强化单一政策的效力。赵晶等（2022）根据各省产学研政策数据构建政策协同度，发现政策主体协同

与政策工具协同对上市企业创新有显著的促进作用。第二类文献研究揭示了中国创新政策在协同运用上仍

存在的问题，一是多重政策工具相互冲突会造成资源抢占效应，政出多头的碎片化政策子系统是政策冲突的

主要诱因，阻碍了政策实施的连贯性，而科技管理部门在落实创新政策的过程中必须与掌握大量经济与行政

2

张 帅等：双试点政策的协同创新效应

资源的机构进行协调，高昂的协调成本提高了制度性交易成本，限制了政策组合的实际效果（李燕等，2020）；

二是政策工具的单一重复和低水平叠加，不仅会降低创新系统的协调程度，阻碍创新要素的整合，还导致政

策组合协同创新效率低下，创新失败率提升（曾赛星等，2019）。第三类文献致力于探究政策组合协同激励效

应的影响机理，余明桂等（2016）发现在扶持性产业政策与完善市场竞争的机制相搭配，才能更好促进民营企

业的技术创新，提升产业政策的有效性和落地效果。张杰（2021）发现高新技术企业减税政策和研发加计扣

除政策产生的混合效应对私人创新投入产生挤入效应。而王桂军和张辉（2020）指出政府补贴与税收优惠的

政策组合强化了政企之间的逆向选择和寻租行为，对企业研发资金产生了挤出效应，降低了企业的创新

能力。

既有文献对提升城市创新水平的政策工具进行了丰富的研究和探讨，但仍有进一步研究的空间。

首先，创新型城市试点政策和科技金融相结合试点政策都是完善城市创新体系的重要政策实践，为促进

城市创新体系高质量发展探索了不同的实现途径。但受制于目标定位和功能边界，单一试点政策对城市整

体创新水平的影响存在一定局限性，而现有文献重点关注某一政策对城市创新水平的正负向影响，忽视了政

策之间潜在的协同联动。

其次，创新型政策工具正在逐渐由单一工具向差异化政策组合工具转变，当前学界主要关注了多重政策

叠加对城市创新水平的协同效应、冲突效应和影响机理，但鲜有文献通过剥离政策净效应的实证方法评估政

策组合区别于单一政策的净变化，使得研究结论和政策建议缺乏说服性。

因此，本文将双试点政策的实施视为准自然实验，系统全面地研究双试点政策实施对城市创新水平的影

响效果和作用机制，捕获双试点政策不同于单一试点政策的净政策效应，并进一步分析政策实施顺序和城市

自身特征差异对政策效应的异质性影响。

三、制度背景与理论分析

（一）制度背景

国家创新型城市试点政策和科技金融结合试点政策均是在推进创新驱动发展的战略背景下实施的，但

在发展目标、政策措施和考核机制等方面各有侧重。

国家创新城市试点政策的主要目标不仅强调要根据城市自身比较优势进行错位发展，还强调地方政府

在构建城市创新体系中要发挥主体作用。在具体政策措施上，国家创新型城市的主要政策措施可细分为：一

是增强自主创新能力建设；二是激励和扶持创新公共平台和中介机构发展；三是财政、税收、政府采购等措施

支持，四是培育区域创新环境（陈晨等，2022）。科技部和发改委联合颁布的《建设创新型城市指标体系》中提

出了创新型城市的政绩考核机制，共包含“创新要素集聚能力”“综合实力和产业竞争力”“创新创业环境”“创

新对社会民生发展的支撑”“创新政策体系和治理架构”“特色指标”6 个一级指标和 26 项二级指标，该指标体

系基本上涵盖了城市科技创新及科技支持经济社会高质量发展的主要指标，能较为敏感地反映出各个城市

在创新发展方面的成效和问题。截至 2022 年底，共有 103 个城市实施了国家创新型城市试点政策，其中包

括 97 个地级市、4 个直辖市城区和 2 个县级市。

科技金融相结合试点政策的重点目标是构建多元化、多层次、多渠道的城市科技投融资体系，为从初创

期到成熟期各发展阶段的科技企业提供差异化的金融服务。在具体政策措施上分为以下四类：一是引导金

融资本参与科技创新，特别是对中小型科技企业的金融支持；二是建设和培育金融科技中介服务机构；三是

多维度保障科技成果转化；四是完善城市科技金融服务体系。区别于国家创新型城市，科技金融相结合试点

城市并没有国家层面统一的政绩指标考核体系，而是由各省、直辖市的科技部组织对地方政府进行考核，例

如，河南省科技厅 2020 年出台的《河南省促进科技与金融结合试点地区绩效评价指标体系及评分细则（试

行）》将考核体系分为 4 个一级指标和 13 个二级指标，其中权重最高的一级指标（权重为 70%）是“工作成效”，

全部与高新技术企业和科技型中小企业的融资情况相关。截至 2022 年底，科技与金融结合试点政策共实施

了两个批次，其中第一个批次 16 个试点地区实际对应 40 个地级市，第二个批次试点地区对应 9 个地级市，共

覆盖 49 个城市。

（二）理论分析

双试点政策组合影响城市创新的机理，可能体现在以下三个方面。

3

技术经济 第 42 卷 第 8 期

1. 双试点政策组合促进风险投资集聚，缓解了创新活动的融资约束

双试点政策的叠加有助于风险投资机构的发展。首先，在制度设计上，两个试点政策都支持风险机构的

发展，2010 年科技部发布的《关于进一步推进创新型城市试点工作的指导意见》中提出了“加大对社会资金

设立风险投资基金的引导支持和风险补偿”，2015 年科技部印发的《地方促进科技和金融结合试点方案提

纲》中同样也提出“发展创业风险投资”是试点地区应重点发展的项目。因此，在政策落实中，各试点城市均

加强了对风险投资机构的引进和培育。例如，深圳市和济南市都对落户的风险投资机构给予单笔不超过

2000 万元人民币的资助，成都市对创业投资企业实际发生的损失进行风险补助，无锡市对风险投资机构免

征所得税，郑州市按投资机构实际投资资金的 5%~10% 给予投资风险补助等。在双重政策目标的导向和双

重政策红利的激励下，助推了城市风险投资水平的提升。其次，基于信号传递理论，地方政府愿意积极申报

和争取双试点政策这一行为，本身就在向外界传递了地方政府对提升城市创新能力的渴望和决心。而能够

成功获得双试点政策资格的城市，说明科技基础和金融基础都通过了国家层面的认证，形成双重声誉效应，

相较于实施的单一试点政策的城市向风险投资机构释放了更强烈的利好信号，吸引了风险投资机构的流

入。与传统金融中介相比，风险投资机构具备更高的失败容忍度，不仅直接满足创新企业的融资需求，扶持

创新企业成长（Tian and Wang，2014），还可以通过集聚效应产生的金融外部性，为所在地区吸引更多的金融

资源，提升创新企业资本可得性。因此，实施双试点政策的城市相较于只实施单一试点政策的城市更有利于

吸引风险投资机构的集聚，通过缓解创新企业的融资约束促进城市创新水平的提升。

2. 双试点政策组合优化了制度环境，增强了对创新行为的政策保障力度

制度环境对企业创新有着重要影响（卢现祥和李磊，2021；毛琦梁和王菲，2020），良好的制度环境有助于

降低制度性交易成本、提高社会信任和减少寻租空间（周其仁，2017）。双试点政策组合在政策功能、政策目

标和政策监管三方面的协调配合，有助于完善城市创新制度环境，提升创新驱动政策的实际落地效果，为创

新企业提高良好的政策保障。第一，双试点政策功能协同有利于降低制度性交易成本。国家创新型城市更

重视地方政府在创新体系建设与管理中的作用，更强调通过“有为政府”构建具有比较优势的区域创新体系；

科技金融相结合试点虽然也需要地方政府直接的资金投入，但更重视以政府资金为杠杆间接撬动更大规模

的社会资本，着力点在以“有效市场”补位政府科技支持的不足。两个试点政策的共同实施更有利于实现政

府功能和市场功能的有效结合，提升市场化程度，完善竞争机制，促进创新资源的优化配置。第二，双试点政

策目标协同有助于提升社会信任。一般而言，行政部门与金融监管部门对金融机构的目标设计往往并不一

致（李燕等，2020）。例如，地方行政部门希望金融机构能缓解中小科技企业的融资约束，但央行、银监会等金

融监管机构往往要求金融机构能尽可能防范金融风险，金融机构为了规避政策矛盾给自身经营带来的潜在

风险，也会采取提高科技信贷门槛和将信贷资源向国有企业倾斜等措施，融资环境的不确定性会降低科技型

中小企业稳定的心理预期，抑制从事创新活动的意愿（孙泽宇和齐保垒，2020）。双试点政策组合对于金融机

构的目标定位具有一致性，从引导和监管两个层面统一了对创新项目信贷资金流向、流量和流速的管理，协

调了行政部门与金融监管部门因目标定位、价值偏好和政策设计等产生的政策冲突，强化了金融机构提供创

新融资的声誉机制，提高了社会信任，发挥创新激励效应。第三，双试点政策协同监管有助于降低寻租空

间。双试点城市的创新主体需要面对政府部门和金融机构的联合监管，不仅在事前识别要经历多部门多环

节的事前资质审查、透明竞争、专家评审及名单公示，还要在事后监督面对多阶段的监督检查、成果验收和资

金分批拨付，多阶段多维度的监管机制实现了对创新支持项目的实时跟踪和合理评估，减少了寻租空间。综

上，双试点政策组合相较于单一试点政策更有助于引致制度体系的优化，也更有利于良好的制度环境和政策

保障体系，从而助推了城市创新水平的提升。

3. 双试点政策组合促进了金融科技的发展，提升了对创新支持的精准性和有效性

金融科技是基于大数据、人工智能、云计算、区块链等前沿数字技术催生出的金融服务模式，可以更全面

挖掘用户信息，有助于提高项目筛查的准确性，降低信息不对称和道德风险，提高金融支持创新的有效性（李

春涛，2020）。在双试点政策的实施过程中通过以下两方面促进了城市金融科技水平的提升发展，进而提升

了城市创新水平。一方面，两个试点政策的纲领性文件均要求发展金融科技，从而助推了试点城市金融科技

的普及与应用。例如，《建设创新型城市工作指引》（国科发创〔2016〕370 号）和《第二批促进科技和金融结合

试点方案》（国科办资〔2015〕67 号）分别提出了“稳妥推进互联网金融创新”和“推动互联网金融服务创新”；

另一方面，双试点城市的地方政府和金融机构将面对两个试点政策考核指标体系的双重考察，更为健全的政

4

张 帅等：双试点政策的协同创新效应

绩考核体系对企业研发支持的精准性提出了更高要求，倒逼地方政府和金融机构提高对金融科技的普及和

应用。其中国家创新型城市试点政策的指标考核体系展现了建设城市创新治理体系的绝大多数共性要求，

但没有与中小科技企业融资效果直接挂钩的指标，考察对象以地方政府为主；而科技金融相结合试点政策的

考核体系恰恰将对科技型中小企业的融资扶持效果列为考核重点，考察对象既包括地方政府，也涵盖了试点

地区的金融机构①。双重政绩考核体系形成错位互补，弥补了单一政绩考核体系的局限性。双试点城市地

方政府面临加大科技公共财政支出比例和引导金融资源向科技型中小企业精准滴灌的双重政绩考核压力，

对金融科技的运用有利于甄别出具备创新潜力的企业，改善地方政府对国有企业和大规模企业的偏向性偏

好，提高对中小科技企业的资源配置比例；金融机构面对缺乏可抵押资产但具备较大成长潜力的科创型中小

企业融资需求，金融科技在数据收集整理方面的优势有利于全方位评估企业特征，实现金融机构事前高效的

项目筛选和实时的项目跟踪监督，提高借款成功率。综上，双试点政策的实施相较于单试点政策更能促进城

市金融科技的发展，提高了创新支持的精准性和有效性，进而促进了城市创新水平的提升。

基于上述分析，本文提出假说 1 和假说 2。

相较单试点城市，实施国家创新型城市试点政策和科技金融相结合试点政策的双试点城市能更好促进

城市创新水平提升（H1）；

促进风险投资集聚、改善制度环境和促进金融科技发展是双试点政策组合影响城市创新水平的作用渠

道（H2）。

四、研究设计

（一）模型构建

本文采用渐进双重差分法评估双试点政策对城市创新水平的影响，将实施了双试点政策组合的城市设

置为处理组，将未实施双试点政策组合的城市设置为对照组，构建如下模型：

Innovationit = α0 + β1Dualit + γControlit + CityFE + YearFE + εit （1）

其中：下标 i为地级市；下标 t为年份；被解释变量 Innovation 为城市的创新水平；Dual为核心解释变量；β1 为双

试点政策影响城市创新水平的净效应；Control 为其他可能影响城市创新水平的控制变量；γ 为各控制变量的

估计系数；α0 为常数项；CityFE 和 YearFE 分别为城市和年份固定效应；ε 为随机误差。

（二）变量选择

1. 被解释变量

运用城市创新能力指数的对数值作为衡量城市创新水平的指标（寇宗来和刘学悦，2017），该指标为创新

产出型指标，不仅涵盖了国家知识产权局的专利数据和国家工商局的新注册企业数据两大微观数据库，而且

通过计量方法测度了不同年龄专利的平均价值，相较于其他城市层面的创新指标更加精准和全面。对于考

察期内的缺失值，以该城市前两个年度的平均增长率进行推算（张翼等，2020）。

2. 核心解释变量

Dual 表示是否同时为创新型和科技金融相结合的双试点城市，成为双试点城市的当年及之后的年度赋

值为 1，其余为 0。

3. 控制变量

参考关于城市创新水平的文献，选取以下控制变量：①人均国内生产总值（lnpergdp），以人均国内生产总

值（GDP）的对数值衡量；②教育水平（lnedu），用每万人在校大学生数表示；③信息化水平（internet），采用国际

互联网用户数/年平均人口的方式进行计算；④金融业从业人数（lnfinpop），用金融机构年末从业人数（每万

人）的对数值表示；⑤经济结构（ecostru），设定为第三产业总产值占城市 GDP 总产值的比值。

4. 数据选取与描述性统计

城市创新水平指标来自《中国城市和产业创新力报告 2017》；双试点城市建设名单的数据来源于各城市

政府、科技部、中国人民银行、中国银监会等多部门的官方网站；城市层面的控制变量来自《中国统计年鉴》

① 例如，江苏省 2012 年在《省政府关于加快促进科技和金融结合的意见》（苏政发〔2012〕79 号）对试点地区的商业银行提出科技贷款增长速度

每年不低于 20%，对研发机构和种子期、初创期科技企业的贷款占比不低于 30%，对成长期和成熟期科技企业的贷款占比不高于 70% 的考

核要求。

5

技术经济 第 42 卷 第 8 期

《中国城市统计年鉴》、EPS 数据平台，缺失值采用插补法进行填补。考虑到城市之间的系统性差异，剔除了

北京、天津、上海和重庆 4 个直辖市。剔除 2011 年以后因行政区划调整新设立的海东、毕节、普洱、那曲、铜

仁、吐鲁番和哈密等城市及数据缺失严重的拉萨市。最终样本以 2001—2020 年为观测期，共包含 280 个城

市，其中 79 个城市至少实施了一项试点政策，73 个城市实施了国家创新型城市试点政策，40 个城市实施了科

技和金融相结合试点政策，34 个城市实施了双试点政策，201 个城市未实施其中任一试点政策。表 1 报告了

变量的描述性统计。

表 1 变量的描述性统计

变量类型

被解释变量

核心解释变量

控制变量

变量名称

城市创新水平

双试点政策

人均 GDP

教育水平

信息化水平

金融从业人数

经济结构

变量符号

Innovation

Dual

lnpergdp

lnedu

internet

lnfin

ecostru

样本量

5600

5600

5600

5600

5600

5600

5600

均值

0.763

0.107

9.918

1.406

0.105

0.592

0.366

标准差

0.947

0.309

0.924

0.947

0.136

0.478

0.083

最小值

0.000

0.000

7.401

0.000

0.000

0.000

0.086

最大值

6.544

1.000

13.135

4.670

2.005

2.623

0.764

五、实证结果与稳健性检验

（一）基准回归

对式（1）的检验结果见表 2，表 2 的（1）列未

控制年份和城市的固定效应，（2）列在回归中控

制 了 年 份 固 定 效 应 YearFE 和 城 市 固 定 效 应

CityFE，（3）~（6）列表示在控制固定效应后，分别

加入控制变量、将核心解释变量滞后一至三期的

回归结果。结果显示，无论模型是否包含年份和

城市的固定效应、是否加入控制变量、是否做滞

后处理，双试点政策虚拟变量 Dual的估计系数均

在 1% 的水平上显著为正，一定程度上表明双试

点政策能有效地提升了城市创新水平，研究假设

1 得证。

（二）平行趋势检验与动态效应分析

本文将双试点政策实施相对时间的前 7年、实

施当年及之后 5年为虚拟变量，检验处理组和对照

组之间的差异是否存在共同的变化趋势并分析政

策动态效应。具体计量模型设定如式（2）所示。

lnnovationjt = α0 +∑k = 1

7

βk beforejk +

∑k = 0

5

βk afterjk + γControlit +

CityFE + YearFE + εjt（2）

其中：beforejk为 j 城市实施双试点政策前的第 k 年

的虚拟变量；afterjk为 j 城市实施双试点政策后的

第 k 年的虚拟变量，非双试点城市的虚拟变量均

为 0；βk 为相对时间虚拟变量的估计系数。平行

趋势检验结果如图 1 所示，t 表示政策实施当年；

t-1 表示政策实施前 1 年；t+1 表示政策实施后 1

年，以此类推。在双试点政策实施前 7 年到实施

当年的相对时间虚拟变量估计系数均不显著且

表 2 基准模型回归结果

变量

Dual

lnpergdp

lnedu

internet

lnfinpop

ecostru

Cons

YearFE

CityFE

N

R2

（1）

无滞后

0.199***

（0.031）

No

No

5600

0.240

（2）

无滞后

0.127***

（0.032）

Yes

Yes

5600

0.849

（3）

无滞后

0.464***

（0.102）

-0.378

（0.229）

-0.032

（0.034）

0.559***

（0.182）

1.469***

（0.188）

3.177***

（0.775）

0.787***

（0.289）

Yes

Yes

5600

0.917

（4）

滞后一期

0.473***

（0.097）

-0.385*

（0.219）

-0.040

（0.027）

0.602***

（0.170）

1.471***

（0.177）

3.249***

（0.736）

0.777***

（0.284）

Yes

Yes

5320

0.924

（5）

滞后二期

0.482***

（0.093）

-0.450**

（0.221）

-0.039*

（0.022）

0.639***

（0.210）

1.443***

（0.169）

3.085***

（0.713）

0.698**

（0.274）

Yes

Yes

5040

0.931

（6）

滞后三期

0.479***

（0.088）

-0.465**

（0.229）

-0.025

（0.018）

0.686**

（0.262）

1.417***

（0.163）

2.742***

（0.665）

0.598**

（0.274）

Yes

Yes

4760

0.938

注：***、**、*分别表示在 1%、5%、10% 的统计水平上显著；括号内数值表示聚

类在城市层面的稳健标准误。





















@

2





4





K

T T T T T T T T T T T T T

0,flK

图 1 双试点政策的平行趋势检验

6

张 帅等：双试点政策的协同创新效应

数值较小，这表明政策实施前，处理组和对照组的城市创新水平满足平行趋势假设。从动态效应来看，双试

点在政策实施当年创新激励效应还未稳定，双试点政策实施 1 年后系数开始显著并不断提升，这说明双试点

政策组合能够产生促进城市创新水平提升的政策效应，但具有一定滞后性。

（三）安慰剂检验

考虑处理组和对照组之间差异除了受到双试点

政策影响外，还可能被其他未观测到的政策、事件或

随机冲击所干预，为了确保估计结果的稳健性，借鉴

Alder 等（2016）的方法，在总体样本中随机抽取与真实

试点城市数量相等的 34 个城市作为处理组并随机设

置双试点实施时间，将其余单试点城市设置为新的对

照组，然后对式（1）进行估计，并将该过程重复 500 次。

安慰剂检验的估计结果如图 2 所示，随机化处理后的

双试点政策 Dual 估计均值分别为 0.002，与竖虚线表

示的基准回归结果 0.473 相比更趋近于 0，500 次随机

处理化过程中有 379 次系数的 P 值大于 0.1，即占比为

75.8% 核心解释变量回归结果并不显著。从显著性水平和系数大小可以看出，双试点政策的检验结果是一

个明显异于随机化处理的结果，说明基准回归中未观测到的因素对城市创新水平的影响几乎可以忽略不计，

验证了基准回归结果的稳健性。

（四）稳健性检验

本文还采用其他三种方法对基准回归进行稳健性检验。第一种方法利用多时点倾向得分匹配‑双重差

分 propensity score matching difference‑in‑differences（PSM‑DID）模型检验观测数据是否存在样本选择偏差。

现有文献的 PSM 方法主要分为两种，一种是构造截面 PSM，是将面板数据转化为截面数据进行匹配；另一种

是先将样本逐年匹配，再进行纵向合并。虽然两种方法都有其局限性（谢申祥等，2021），截面 PSM 可能存在

“自匹配”问题，而逐年匹配可能导致匹配对象政策前后不一致，但两者都是目前情况下最佳的研究手段（白

俊红等，2022），因此本文分别采用截面 PSM 和逐年 PSM 两种方法进行检验，如表 3 的（1）列和（2）列所示。具

体匹配方法中，匹配变量为前文所述的控制变量，即人均 GDP、教育水平、信息化水平、金融发展水平和经济

结构，匹配方法根据城市特征采用半径为 0.05 的 1∶1 卡尺的邻域匹配法进行匹配。第二种稳健性方法采取

改变样本的观测时间区间，双试点政策最早的实施时间为 2011 年，最早的单一试点是 2008 年实施的国家创

新型城市，考虑到早期的观测样本可能并不具备观测价值，因此剔除了 2005 年之前的观测样本，检验结果见

表 3 的（3）列。第三种方法替换被解释变量，如前文所述，本文对创新指数进行了对数化处理，为便于比较，

尝试采用未经对数化处理的创新指数直接衡量，见表 3 的（4）列。此外，为了避免单一指标的局限性，还将被

解释变量替换为北京大学企业大数据研究中心公布的中国区域创新创业指数中“总量指数得分”进行检验，

检验结果见表 3 的（5）列。从表 3 各列的检验结果可以看出，核心解释变量系数 Dual 均在 1% 的置信水平下

显著为正，说明双试点政策的实施对城市创新水平产生了有效的促进作用，验证了表 2 回归结果的稳健性。

表 3 其他方法的稳健性检验结果

变量

Dual

lnpergdp

lnedu

internet

lnfinpop

ecostru

Cons

YearFE

CityFE

N

R2

（1）

截面 PSM

0.399***（0.079）

0.629***（0.075）

0.162**（0.080）

1.137**（0.448）

0.561***（0.136）

1.181（0.976）

0.169（0.589）

Yes

Yes

5346

0.775

（2）

逐年 PSM

0.399***（0.108）

0.570***（0.075）

0.131（* 0.073）

1.082**（0.438）

0.582***（0.129）

1.433（0.958）

-0.124（0.691）

Yes

Yes

3932

0.855

（3）

改变时间窗口

0.488***（0.085）

0.502***（0.077）

0.109（0.066）

1.043**（0.451）

0.596***（0.123）

1.591（* 0.933）

1.810（1.455）

Yes

Yes

4200

0.850

（4）

替换被解释变量 1

0.772***（0.215）

-0.426（0.296）

-0.019（0.013）

1.306（* 0.745）

0.506***（0.103）

1.342**（0.535）

3.382（2.897）

Yes

Yes

5600

0.692

（5）

替换被解释变量 2

0.099**（0.047）

0.246***（0.043）

0.018**（0.008）

-0.114***（0.036）

-0.189***（0.043）

-0.501**（0.233）

1.866***（0.367）

Yes

Yes

5600

0.666

注：***、**、*分别表示在 1%、5%、10% 的统计水平上显著；括号内数值表示聚类在城市层面的稳健标准误。











ffl





        

2@

2+ffl

0

图 2 双试点政策的安慰剂检验

7

技术经济 第 42 卷 第 8 期

（五）影响机制检验

为验证研究假说 2，构建中介效应模型（3）、模型（4）对影响机制进行检验。

Mijt = α0 + ωdDualit + γControlit + CityFE + YearFE + εit （3）

innovationit = α0 + ∂Dualit + φMijt + γControlit + CityFE + YearFE + εit （4）

其中：Mijt 为 i城市 t时刻的中介变量，包括风险投资机构集聚（vc）、制度环境（environment）、金融科技发展水平

（fintech）；ωd 为双试点政策对中介变量的估计系数；∂ 和 φ 分别为双试点政策和中介变量对城市创新水平的

估计系数。采用《中国区域创新创业指数》的子指标“新增风险投资企业数量”的对数值来表征其中风险投资

集聚程度（戴若尘等，2021），采用樊纲等（2017）编制的市场化指数作为制度环境的代理变量，借鉴李春涛等

（2020）基于文本挖掘法构建的地级市层面金融科技发展水平指数的对数值作为城市金融发展水平的工具变

量。其余变量与式（1）相同。式（3）和式（4）用于检验变量 Mijt 是否对城市创新水平产生中介效应，如果式（3）

中的系数 ωd和式（4）中的系数 φ均显著，则说明中介效应成立。进一步地，如果系数 ∂也显著且符号与 φ × ω 一

致，影响机制 Mijt对城市创新水平的总效应贡献大小为( φ × ωd )/ ( φ × ωd + ∂)。

双试点政策组合影响机制检验结果见表 4，（1）、（3）、（5）列为式（3）的估计结果，（2）、（4）、（6）列为式（4）

的估计结果，各列对应的中介变量分别为风险投资机构集聚程度（vc）、制度环境（environment）、金融科技发展

水平（fintech）。（1）、（3）、（5）列中 Dual 系数分别在 1% 或 5% 的水平下显著为正，表明实施双试点政策的城市

更有效的吸引风险投资机构的入驻、切实改善了制度环境及对城市金融科技的发展产生了积极的影响。（2）、

（4）、（6）列中，变量 Dual 和中介变量 vc、中介变量 environment、中介变量 fintech 的系数均在 1% 或 10% 的置信

水平下显著为正，说明风险投资机构的发展、制度环境的不断完善及金融科技的发展都有助于促进城市创新

水平的提升，且在（1）、（3）、（5）列中，Dual 变量的估计系数与基准回归结果相比有所下降，这在一定程度上

反映了中介效应较为显著。通过计算可得，风险投资机构集聚、制度环境改善和金融科技发展对总效应贡献

度分别为 16.99%、19.54% 和 4.25%，即风险投资集聚和改善制度环境两个机制的贡献度较高，而发展金融科

技贡献度较低，这意味着双试点城市在今后创新体系的建设过程中，除了提高创新要素吸引力、深化体制机

制改革外，还需要加大力度提升传统金融机构与新兴技术手段的全方位融合。更进一步地，对中介机制使用

了 Sobel 检验和 Bootstrap 检验，从表 4 中可以看出，三个中介变量的 Sobel 检验统计量均在 1% 的置信水平下

显著，Bootstrap 检验的置信区间均不包含 0，检验结果证明了中介效应的存在，说明风险投资机构集聚、制度

环境、金融科技发展水平是双试点政策组合影响城市创新水平的中介机制。根据上述分析，验证了研究

假说 2。

表 4 双试点政策组合影响机制检验结果

变量

Dual

vc

environment

fintech

控制变量

固定效应

N

R2

Sobel检验

Bootstrap 检验

（1）

vc

0.278***（0.041）

Yes

Yes

5600

0.755

Z=4.433， p=0.000

置信区间［0.031，0.073］

（2）

innovation

0.357***（0.077）

0.263***（0.053）

Yes

Yes

5600

0.806

（3）

environment

0.375***（0.094）

Yes

Yes

5600

0.797

Z=4.692， p=0.000

置信区间［0.044，0.101］

（4）

innovation

0.288***（0.058）

0.186（* 0.101）

Yes

Yes

5600

0.959

（5）

fintech

0.587**（0.263）

Yes

Yes

5600

0.798

Z=10.050， p=0.000

置信区间［0.224，0.331］

（6）

innovation

0.413***（0.085）

0.031***（0.007）

Yes

Yes

5600

0.886

注：***、**、*分别表示在 1%、5%、10% 的统计水平上显著；括号内数值表示聚类在城市层面的稳健标准误。

六、进一步讨论

（一）双试点政策的协同创新效应分析

进一步考察双试点政策组合是否存在协同作用，即双试点对城市创新水平的提升作用是否比单试点更

强。参考苏涛永等（2022）和黄晓婷等（2023）的检验思路，具体操作方法如下：

首先，分别考察两个单一试点政策对城市创新水平的作用效果。将创新型城市的样本从全样本中删除，

保留科技金融相结合城市样本及既非创新型城市又非科技金融相结合城市的样本。此时 Dual 的系数反映

8

张 帅等：双试点政策的协同创新效应

了科技金融相结合试点政策对城市创新水平影响的净效应。如表 5 的（1）列、（2）列所示，仅实施科技金融相

结合单试点政策对城市创新水平的影响在当期并不显著，滞后一期后在 5% 的置信水平下显著，说明该试点

政策虽然能促进城市创新水平的提升，但存在一定的滞后性。同理，剔除科技金融相结合试点城市后，变量

Dual的系数反映了创新型城市试点政策对城市创新水平影响的净效应。如表 5 的（3）列、（4）列所示，仅开展

创新型城市单试点政策无论在当期还是滞后期都能对城市创新水平产生显著的促进作用。

其次，在全样本中剔除既非创新型试点城市也非科技金融相结合城市的样本，保留已经是创新型城市或

已经是科技金融相结合城市的样本，此时多期双重差分变量 Dual 的系数捕获的从单试点城市提升至双试点

城市后，对城市创新水平影响的净效应。表 5 的（5）列、（6）列报告了单试点成为双试点城市后的回归结果，

无论是否加入控制变量，变量 Dual系数估计值都在 1% 水平下显著为正，表明双试点政策的实施相较单一试

点政策更有效的提升了城市创新水平。

表 5 双试点城市与单试点城市对比估计结果

变量

Dual

控制变量

固定效应

N

R2

（1）

科技金融相结合的净效应

无滞后

0.051（0.039）

Yes

Yes

4140

0.855

（2）

滞后一期

0.070**（0.035）

Yes

Yes

3933

0.861

（3）

创新型城市的净效应

无滞后

0.060**（0.029）

Yes

Yes

4800

0.883

（4）

滞后一期

0.087***（0.030）

Yes

Yes

4560

0.889

（5）

单试点提升至双试点的净效应

无滞后

0.497***（0.111）

Yes

Yes

1580

0.931

（6）

滞后一期

0.537***（0.114）

Yes

Yes

1501

0.938

注：***、**、*分别表示在 1%、5%、10% 的统计水平上显著；括号内数值表示聚类在城市层面的稳健标准误。

（二）异质性检验

在验证了双试点城市的创新效应更强后，进一步分析双试点政策对城市创新的提升作用是否会因试点

政策实施顺序的不同而产生差异？及双试点政策是否会因城市区位不同而呈现差异化影响效果？

1. 政策实施顺序的异质性检验

从政策实施顺序来看，共有 24 个城市先实施创新型城市试点政策再实施科技金融相结合试点政策，9 个

城市先实施科技金融相结合试点政策再实施创新型城市，1 个城市（连云港市）在 2011 年同时实施了两个试

点政策。剔除连云港市后将双试点城市按政策实施顺序进行分组检验，结果见表 6 的（1）、（2）列所示，无论

政策实施顺序如何，双试点政策的系数均在 1% 的置信水平下显著为正，但从系数大小来看，先实施创新型

城市再实施科技金融相结合的系数为 0.428，明显大于先实施科技金融相结合再实施创新型城市的系数

0.230，这一结果表明，虽然先实施创新型城市再实施科技金融相结合和先实施科技金融相结合再实施创新

型城市能对城市创新水平产生显著影响，但先实施创新型城市试点政策对城市的创新激励效应要强于先实

施科技金融相结合试点政策。

2. 城市区位的异质性检验

从地理角度看，在本文观测的双试点城市

中，有 23 个城市属于东部地区，5 个城市属于中

部地区，6 个城市属于西部地区，考虑到样本数量

的平衡性，将样本划分为东部地区和非东部地区

进行异质性检验，检验结果见表 6 的（3）、（4）列。

从结果中可以看过，双试点政策在东部地区的系

数虽然为正，但没有通过显著性检验，而在非东

部地区不仅系数为正，且通过了 1% 置信水平下

的显著性检验。造成这一结果的可能原因是：一

方面，东部地区城市自身的经济基础和市场环境更加优越，创新要素也更加集聚，因此国家的创新政策一般

先在东部地区先行先试，之后才在国内其他区域推广普及，这导致东部地区的城市普遍承接更多的国家级试

点政策，对新增一个试点政策可能并不敏感；另一方面，中西部地区能获得和吸引的科技资源相对较少，政策

激励手段相对单一，城市创新体系对国家创新驱动政策的依赖程度更高，因此双试点政策的实施能够显著提

升试点城市对区域创新要素的吸引力，使创新激励效应更加显著。

表 6 双试点政策的异质性检验结果

变量

Dual

控制变量

固定效应

N

R2

（1）

先创新型城市政策

0.428***

（0.086）

Yes

Yes

4500

0.797

（2）

先科技金融相结合政策

0.230***

（0.073）

Yes

Yes

4200

0.770

（3）

东部地区

0.081

（0.248）

Yes

Yes

1980

0.816

（4）

非东部地区

0.198***

（0.057）

Yes

Yes

3620

0.776

注：***、**、*分别表示在 1%、5%、10% 的统计水平上显著；括号内数值表示聚

类在城市层面的稳健标准误。

9

技术经济 第 42 卷 第 8 期

七、结论及政策含义

本文选取中国 30 个实施了国家创新型城市试点政策和科技金融相结合试点政策的双试点城市为研究

对象，利用 2000—2020 年 280 个地级市面板数据构建渐进双重差分模型，系统评估了双试点政策对城市创新

水平的影响。研究发现：①实施双试点政策组合能显著提升城市创新水平，并且这一结论得到了一系列稳健

性检验的支持；②机制检验表明，双试点政策组合通过促进风险投资机构集聚、改善制度环境和发展金融科

技三个作用机制影响了城市创新水平，其中促进风险投资机构集聚和改善制度环境两个机制的贡献度较大，

而发展金融科技的贡献度较小；③进一步分析发现，双试点政策组合形成了协同创新效应，实施了双试点政

策组合的城市比只实施了其中任一单一试点政策的城市都能更有效的驱动城市创新水平的提升；④异质性

分析发现，在先实施国家创新型城市试点政策后实施科技金融相结合试点政策和非东部地区的城市组别中，

双试点政策对城市创新水平的提升效应更加明显。

本文的政策启示为：第一，鉴于双试点城市相较单试点城市的创新激励效应更强，要注重由单一政策工

具向合理搭配政策组合转变。政策工具的选择搭配要发挥有为政府与有效市场的协作效应，继续加强地方

政府在政策资助、政策引领和政策保障等方面的服务功能，同时进一步健全市场导向机制，促进更多的金融

资源流向高质量的创新。第二，根据机制检验结果，疏通双试点政策推进城市创新的传导渠道。继续完善有

利于风险投资进入退出的政府服务体系和中介机构，发挥风险投资的创新驱动功能。积极构建良好的政企

关系，深化市场化改革，提升政府管理透明度，重视诚信社会体系的建设，完善政府功能和市场功能的互补效

应与相互激发效果。尽量设立多元化多维度的考核指标，并建立配套审查机制，避免企业策略式创新行为的

发生，鼓励科学技术与金融市场融合，构建多元化金融科技服务平台，提高金融支持的精准性。第三，根据异

质性检验结果，实施试点政策组合应注重差异化政策的相互激发效果，形成相互匹配的政策合力。今后试点

政策可以向区域具备特色产业或比较优势的非东部城市倾斜，实现创新活动在空间上的协调发展。

参考文献

［ 1］ 白俊红，张艺璇，卞元超，2022. 创新驱动政策是否提升城市创业活跃度——来自国家创新型城市试点政策的经验证

据［J］. 中国工业经济，（6）：61‑78.

［ 2］ 曹希广，邓敏，刘乃全，2022. 通往创新之路：国家创新型城市建设能否促进中国企业创新［J］. 世界经济，45（6）：

159‑184.

［ 3］ 陈超凡，王泽，关成华，2022. 国家创新型城市试点政策的绿色创新效应研究：来自 281 个地级市的准实验证据［J］.

北京师范大学学报（社会科学版），（1）：139‑152.

［ 4］ 陈晨，李平，王宏伟，2022. 国家创新型政策协同效应研究［J］. 财经研究，48（5）：80‑94.

［ 5］ 戴若尘，祝仲坤，张晓波，2021.《中国区域创新创业指数构建与空间格局：1990‑2020》［M］. 北京：北京大学企业大

数据研究中心 .

［ 6］ 樊纲，王小鲁，余文静，2017. 中国分省份市场化指数报告（2016）［M］. 北京：社会科学文献出版社 .

［ 7］ 冯永琦，邱晶晶，2021. 科技金融政策的产业结构升级效果及异质性分析——基于“科技和金融结合试点”的准自然

实验［J］. 产业经济研究，（2）：128‑142.

［ 8］ 冯泽，陈凯华，陈光，2021. 国家创新体系研究在中国：演化与未来展望［J］. 科学学研究，39（9）：1683‑1696.

［ 9］ 郭丰，杨上广，柴泽阳，2021. 创新型城市建设实现了企业创新的“增量提质”吗？——来自中国工业企业的微观证据

［J］. 产业经济研究，（3）：128‑142.

［10］ 贺德方，汤富强，陈涛，等，2023. 国家创新体系的发展演进分析与若干思考［J］. 中国科学院院刊，17（3）：103‑112，

128.

［11］ 贺德方，唐玉立，周华东，2019. 科技创新政策体系构建及实践［J］. 科学学研究，37（1）：3‑10，44.

［12］ 黄晓婷，孙久文，丁杰，2023. 金融综合改革试验区与创新型城市双试点的创新效应［J］. 城市问题，（2）：49‑60.

［13］ 孔一超，周丹，2020. 企业生产率视角下科技金融试点政策效果及影响机制研究——基于新三板企业的实证检验

［J］. 金融理论与实践，（10）：28‑37.

［14］ 寇宗来，刘学悦，2017. 中国城市与产业创新力报告 2017［M］. 上海：复旦大学产业发展研究中心 .

［15］ 李春涛，闫续文，宋敏，等，2020. 金融科技与企业创新——新三板上市公司的证据［J］. 中国工业经济，（1）：81‑98.

［16］ 李燕，高慧，尚虎平，2020. 整合性视角下公共政策冲突研究：基于多案例的比较分析［J］. 中国行政管理，（2）：

108‑116.

［17］ 李政，杨思莹，2019. 创新型城市试点提升城市创新水平了吗？［J］. 经济学动态，（8）：70‑85.

［18］ 刘继兵，田韦仑，张驰，等，2022. 金融科技如何影响绿色发展——基于动能转换和地理结构的经验证据［J］. 技术经

济，41（9）：95‑108.

10

张 帅等：双试点政策的协同创新效应

［19］ 卢现祥，李磊，2021. 企业创新影响因素及其作用机制：述评与展望［J］. 经济学家，（7）：55‑62.

［20］ 马凌远，李晓敏，2019. 科技金融政策促进了地区创新水平提升吗？——基于“促进科技和金融结合试点”的准自然

实验［J］. 中国软科学，（12）：30‑42.

［21］ 毛琦梁，王菲，2020. 制度环境、技术复杂度与空间溢出的产业间非均衡性［J］. 中国工业经济，（5）：118‑136.

［22］ 宋德勇，李超，李项佑，2021. 创新型城市建设是否促进了绿色技术创新？——基于地级市的经验证据［J］. 技术经

济，40（9）：26‑33.

［23］ 苏涛永，郁雨竹，潘俊汐，2022. 低碳城市和创新型城市双试点的碳减排效应——基于绿色创新与产业升级的协同视

角［J］. 科学学与科学技术管理，43（1）：21‑37.

［24］ 孙泽宇，齐保垒，2020. 非正式制度的有限激励作用——基于地区信任环境对企业创新影响的实证研究［J］. 山西财

经大学学报，42（3）：31‑46.

［25］ 王桂军，张辉，2020. 促进企业创新的产业政策选择：政策工具组合视角［J］. 经济学动态，（10）：12‑27.

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

105‑114.

［27］ 王晶晶，张伯超，2022. 区域试点政策对创新的作用效果与途径研究［J］. 首都经济贸易大学学报，24（1）：53‑67.

［28］ 王晓红，张少鹏，张奔，2021. 创新型城市试点政策与城市产学研知识流动——基于长三角城市群的空间 DID 模型分

析［J］. 科学学研究，39（9）：1671‑1682.

［29］ 吴净，2020. 科技金融对民营企业创新的影响——基于国家科技与金融结合试点城市建设的准自然实验［J］. 金融理

论与实践：（1）：27‑32.

［30］ 谢申祥，范鹏飞，宛圆渊，2021. 传统 PSM‑DID 模型的改进与应用［J］. 统计研究，38（2）：146‑160.

［31］ 徐换歌，蒋硕亮，2020. 国家创新型城市试点政策的效果及空间溢出［J］. 科学学研究，38（12）：2161‑2170.

［32］ 徐越倩，李拓，陆利丽，2021. 科技金融结合试点政策对地区经济增长影响研究——基于科技创新与产业结构合理化

的视角［J］. 重庆大学学报（社会科学版），27（6）：1‑15.

［33］ 薛晴，焦文庆，2022. 数字技术、科技金融与企业创新投入——基于“科技与金融结合试点”的准自然实验［J］. 西北大

学学报（哲学社会科学版），52（6）：137‑146.

［34］ 闫昊生，孙久文，蒋治，2021. 创新型城市、所有制差异与企业创新：基于目标考核视角［J］. 世界经济，44（11）：

75‑101.

［35］ 杨仁发，李胜胜，2020. 创新试点政策能够引领企业创新吗？——来自国家创新型试点城市的微观证据［J］. 统计研

究，37（12）：32‑45.

［36］ 叶初升，李竺雯，孙薇，2022. 政府与市场“双轮”何以驱动中小科技企业创新？——基于微观企业数据的“促进科技

和金融结合试点”政策评估［J］. 经济问题探索，（5）：32‑46.

［37］ 余红伟，王俊苏，张旭，等，2020. 科技与金融结合促进了科技型中小企业的高质量发展吗？［J］. 投资研究，39（10）：

128‑151.

［38］ 余明桂，范蕊，钟慧洁，2016. 中国产业政策与企业技术创新［J］. 中国工业经济，（12）：5‑22.

［39］ 曾赛星，陈宏权，金治州，等，2019. 重大工程创新生态系统演化及创新力提升［J］. 管理世界，35（4）：28‑38.

［40］ 张杰，2021. 中国政府创新政策的混合激励效应研究［J］. 经济研究，56（8）：160‑173.

［41］ 张晓晶，2022. 经济新常态［J］. 经济研究，57（7）：4‑11.

［42］ 张翼，刘思浓，郑兴无，2020. 最低工资标准对城市创新能力的影响——对我国 283 个城市面板数据的实证研究［J］.

城市问题，（8）：65‑73.

［43］ 赵晶，迟旭，孙泽君，2022.“协调统一”还是“各自为政”：政策协同对企业自主创新的影响［J］. 中国工业经济，（8）：

175‑192.

［44］ 周其仁，2017. 体制成本与中国经济［J］. 经济学（季刊），16（3）：859‑876.

［45］ ACEMOGLU D，AGHION P，BURSZTYN L，et al，2012. The environment and directed technical change［J］. American

Economic Review，102（1）：131‑166.

［46］ ALDER S，SHAO L，ZILIBOTTI F，2016. Economic reforms and industrial policy in a panel of Chinese cities［J］. Journal of

Economic Growth，21（4）：305‑349.

［47］ GUERZONI M，RAITERI E，2015. Demand‑side vs supply‑side technology policies：Hidden treatment and new empirical

evidence on the policy mix［J］. Research Policy，44（3）：726‑747.

［48］ TIAN X，WANG T Y，2014. Tolerance for failure and corporate innovation［J］. Review of Financial Studies，27（1）：

211‑255.

11

技术经济 第 42 卷 第 8 期

Research on Synergistic Innovation Effect of Dual Piloting of Two Policies

Zhang Shuai1，2

，Liu Chunxue1

，Ma Xianguang3，4

（1. School of Economics，Yunnan University of Finance and Economics，Kunming 650221，China；

2. Department of Finance and Accounting，Taiyuan University，Taiyuan 030032，China；

3. Faculty of Land Resource Engineering，Kunming University of Science and Technology，Kunming 650093，China；

4. Yunnan Land Resources Planning and Design Research Institute，Kunming 658216，China）

Abstract：Collaborative innovation is the key to improving the overall efficiency of the innovation system. Based on the data of 280

prefecture‑level cities in China from 2001 to 2020，the national innovative city pilot policy and the pilot policy of combining science

and technology finance were regarded as a quasi‑natural experiment. The gradual double difference model was used to empirically test

the impact of the implementation of the dual pilot policy on urban innovation level. The results show that the combination of pilot

policies can significantly promote the improvement of urban innovation level. The mechanism test reveals that the dual pilot policy has

enhanced the level of urban innovation by promoting the agglomeration of risk institutions，improving the institutional environment and

developing financial technology. Further analysis finds that the dual pilot policy has a collaborative innovation effect. Compared with

the single pilot policy，the dual pilot policy can improve the level of urban innovation more effectively，and has a stronger impact on

the cities that implement the innovative city pilot policy and cities in the non‑eastern region. It explores the collaborative innovation

effect of policy mix，and provides policy enlightenment for improving the urban innovation governance system.

Keywords：innovative cities；science and technology financial policy；dual piloting of two policies；policy synergy

12

第 42 卷 第 8 期 技 术 经 济 2023年 8 月

程惠芳等：

人力资本质量提升区域创新绩效了吗？

——基于知识产权保护视角

程惠芳，俞 萍，洪晨翔

（浙江工业大学 经济学院，杭州 310023）

摘 要：人力资本质量是创新驱动的高级要素，知识产权保护是创新激励的重要保障，如何加快人力资本质量和知识产权保护

两者高度协同，这是我国经济高质量发展面临的重要问题。本文基于人力资本质量模型，使用沪深 A 股上市公司数据和中国

家庭追踪调查数据（CFPS）测算出 2000—2019 年中国 31 个省市区（因数据缺失，未包括港澳台地区）的人力资本质量，并从知

识产权保护视角探究了人力资本质量对区域创新绩效的影响机理。研究发现：①人力资本质量的提升能显著促进区域创新绩

效，这一结论经过一系列的稳健性检验和处理内生性问题后依然成立；②知识产权保护是人力资本质量促进区域创新绩效的

作用机制，但该机制仅表现在知识产权保护与人力资本质量高度协同的地区；③进一步研究发现，当知识产权保护与人力资本

质量高度协同时，地区倾向于选择自主创新来获取技术进步，能有效促进区域创新绩效；当知识产权保护与人力资本质量低度

协同时，地区更倾向于通过模仿创新来获取技术进步，但无法促进区域创新绩效。研究成果为中国加快实施人才强国战略，建

设科技创新强国提供决策参考和经验证据。

关键词：人力资本质量；区域创新绩效；知识产权保护；自主创新；模仿创新

中图分类号：F124.3 文献标志码：A 文章编号：1002—980X（2023）8—0013—13

一、引言

新一轮科技革命的演进正重塑全球经济和创新版图，人力资本作为技术变革的核心要素，对创新发展具

有重要推动作用。同时，知识产权保护作为创新激励的重要保障，能有效提高人力资本的研发溢出效应，进

而影响区域创新绩效。我国已具备人力资本规模优势，但存在人才培养“重数量、轻质量”（陈林和夏俊，

2015；佟家栋和张俊美，2021）、知识产权保护制度不完善、模仿创新多于自主创新等问题。如何加快人力资

本质量和知识产权保护水平的高度协同，提升区域创新绩效，是我国当前亟须解决的重要现实问题。鉴于

此，本文基于知识产权保护视角，考察人力资本质量对区域创新绩效的影响机理，探索提升区域创新效率、增

强自主创新竞争力的实施路径，这对于我国高质量发展阶段深入实施人才强国战略，提升国家创新体系整体

效能，加快推进创新强国建设具有重要意义。

与本文相关的第一类文献是人力资本对创新绩效的影响，主要表现为三种不同形式的人力资本变动对

创新绩效的作用。一是强调高等教育对人力资本数量的促进作用，进而对创新产生影响（Toivanen and

Väänänen，2016；刘灿雷和高超，2021；毛其淋等，2022）；二是关注人力资本结构变化对创新绩效的影响，认为

高层次人力资本能显著提高创新效率（Squicciarini and Voigtländer，2015；佟家栋和张俊美，2021）；三是基于

人才流动视角考察人力资本供给变动对创新的促进效应。Fassio 等（2019）和张萃（2019）分别基于欧洲和中

国的经验数据，发现高技能人才的跨地区流动会显著提升本土人力资本质量，进而激发区域创新活力。然

而，以上研究在度量人力资本时均是基于人力资本同质性的假设，却忽略了因个人能力差异导致的人力资本

异质性的事实，严重低估了人力资本的创新效应。

与本文相关的第二类文献是知识产权保护对创新的影响，主要分为两个研究范式。一是基于理论模型

来探讨知识产权保护水平对创新的影响。以 Acemoglu 和 Akcigit（2012）为代表的经济学家们基于动态均衡

模型，发现严格的知识产权保护会强化创新先行者的垄断地位，削弱市场竞争，最终抑制全球技术创新。然

收稿日期：2023‑05‑27

基金项目：国家社会科学基金重大项目“新时期中国产业与贸易政策协同发展机制与实施路径研究”（18ZDAO67）

作者简介：程惠芳，博士，浙江工业大学经济学院教授，博士研究生导师，研究方向：国际贸易与国际直接投资；（通讯作者）俞

萍，浙江工业大学经济学院硕士研究生，研究方向：国际贸易与国际直接投资；洪晨翔，浙江工业大学经济学院博士

研究生，研究方向：国际贸易与国际直接投资。

13

技术经济 第 42 卷 第 8 期

而，Chu 等（2014）认为知识产权保护与创新之间并不是单调的负向关系，而是呈现“倒 U 型”关系。丁文君等

（2019）发现严格的知识产权保护对南北国家创新的影响存在差异性，强化知识产权保护总能激励发展中国

家创新，对发达国家创新的影响却取决于发展中国家模仿率和创新率的初始水平。寇宗来等（2021）则通过

构建两期技术转移模型，提出在消除信息不对称基础上，加强知识产权保护会同时促进南北国家创新；二是

基于经验数据实证考察知识产权保护对国家创新发展的影响。Kanwar 和 Evenson（2009）、Ang 等（2014）使用

了不同时期不同国家的面板数据，均证实严格的知识产权保护能促进技术创新。Sweet和 Maggio（2015）则运

用 1965—2005 年 94 个国家面板数据，发现知识产权保护的创新效应仅作用于发达国家。Hudson 和 Minea

（2013）、Papageorgiadis 和 Sharma（2016）分别根据 1980—2009 年 62 个国家和 1998—2011 年 48 个国家面板数

据却发现知识产权保护对创新的影响具有非线性特征。由于知识产权保护制度在要素禀赋和经济发展水平

不同的国家存在功能差异，因此只考虑知识产权保护对创新的单一影响可能是造成上述差异性研究结果的

重要原因。

与本文相关的第三类文献是人力资本与知识产权保护的协同关系对创新的影响。尽管大量文献都认同

知识产权保护和人力资本是影响创新绩效的重要因素（苏屹等，2017；Campi and Nuvolari，2021），但鲜有文献

将人力资本与知识产权保护置于统一的研究框架。Grossman 和 Lai（2004）通过构建包含南北国家的内生创

新模型，发现知识产权保护对创新的作用受一国人力资本水平的影响。阳立高等（2013）基于发展中国家的

研究视角，采用创新驱动的内生增长模型，表明知识产权保护程度的设定需要与本国人力资本水平相对应。

靳涛和王卫卿（2022）认为只有知识产权保护与人力资本结构保持高度协同，才能强化两者对创新的促进作

用。以上研究证实了知识产权保护与人力资本的协同对创新绩效的影响，但对其存在的作用渠道未深入

探讨。

本文的研究有以下三点可能的贡献：①现有研究大多将以教育水平为核心的认知能力作为人力资本的

代理变量，忽略了非认知能力对人力资本质量的重要性，存在着对人力资本效应的有偏估计。本文构建基于

多维能力的人力资本模型，从认知能力和非认知能力两个维度衡量中国各地区的人力资本质量，为测算人力

资本提供了新方法。②以往文献研究人力资本与区域创新绩效的关系时大多聚焦是否存在基于知识产权保

护的门限效应，却鲜有文献从协同视角探究知识产权保护对人力资本与区域创新绩效关系的影响。本文重

点关注区域知识产权保护与人力资本质量协同度的差异，并考察在不同协同度下知识产权保护调节机制的

不对称性，为研究知识产权保护、人力资本质量与区域创新绩效三者之间的关系提供了新的研究视角。③鲜

有文献探究知识产权保护与人力资本质量的协同关系影响区域创新绩效的内在机理。本文揭示了人力资本

质量与知识产权保护的协同度会通过影响地区对创新模式的选择，进而作用于创新绩效，在一定程度上丰富

了相关领域的研究。

二、理论分析与研究假说

（一）人力资本质量与区域创新绩效

人力资本质量是决定创新绩效的关键。首先，人力资本能发挥要素配置作用对创新绩效产生影响。高

质量人力资本具有较强的资源配置能力（戴魁早等，2020；骆莙函，2021），能根据现有生产能力改善要素内

部的组织结构，实现创新资源的高效利用，进而提高区域创新绩效。其次，人力资本能够通过知识溢出效应

提升创新绩效。人力资本具有外部性，高质量人力资本能推进区域间的创新交流与合作，促进知识外溢和扩

散，推动技术进步，进而提高区域创新效率（Filatotchev et al，2011；Chang et al，2016）。最后，人力资本能够通

过吸收效应来提升创新绩效。人力资本的吸收能力是促进外部知识转化为内部知识并推动技术进步的关键

（梁圣蓉和罗良文，2019；李盛楠等，2021）。高质量人力资本对知识的吸收模仿能力更强，可快速将新知识、

新技术进行转化与应用，促进区域创新能力提升。

基于此，本文提出假设 1：

人力资本质量的提升能显著促进区域创新绩效（H1）。

（二）知识产权保护、人力资本质量与区域创新绩效

创新是一项高风险、高投入、长周期的投资活动，面临潜在收益损失的可能性。新制度理论指出，制度的

存在可以降低创新过程中的不确定性，减少创新溢出带来的负外部性（Davis and North，1970）。而在众多制

14

程惠芳等：人力资本质量提升区域创新绩效了吗?

度安排中，知识产权保护无疑是激励创新的核心制度安排。强化知识产权保护可以降低创新发明被侵权模

仿的概率，保证创新成果的独占性，进而获取更高的垄断利润（Aghion and Jaravel，2015；周泽将等，2022）。

当知识产权保护制度缺位时，创新成果很容易被竞争者模仿，导致创新前期投入的大量资源因技术模仿等行

为而无法收回成本，使创新主体利益受损。因此，建立良好的知识产权保护制度可以激发高质量人力资本对

创新的动力与意愿，促进区域创新绩效。

基于此，本文提出假设 2：

知识产权保护是人力资本质量促进区域创新绩效的作用机制（H2）。

强化知识产权保护能放大人力资本质量提升的创新效应，促进区域创新绩效。但由于中国各地区资源

禀赋不同，人力资本质量存在差异，对知识产权保护制度的认知力、适应性和接纳度也有所差别，导致知识产

权保护的助推作用存在不对称性。具体而言，高质量人力资本地区具有先进的自主研发能力和创新保护意

识，会建立严格的知识产权保护制度以保障创新成果的合法性和独占性，支持自主创新。此时，强化知识产

权保护更能激发高质量人力资本对自主创新的热情，促进区域创新绩效（Chu et al，2014；周洲和吴馨童，

2022）。相反地，低质量人力资本地区创新能力不强，要求实施宽松的知识产权保护与当地落后的技术水平

相契合，为技术模仿创造条件，有利于技术落后地区通过“干中学”累积创新经验，以获取技术进步。若此时

加大知识产权保护力度则会制约技术模仿，增加创新成本，最终将经济拖入“创新陷阱”的恶性循环（陈凤仙

和王琛伟，2015；卿陶，2021）。可见，知识产权保护制度实施的效果会受到知识产权保护和人力资本质量协

同度的影响。只有当知识产权保护与人力资本质量保持高度协同时，才能充分发挥知识产权保护的“助推

器”功能，放大人力资本质量对区域创新绩效的促进作用；当知识产权保护与人力资本质量发展不协同或低

度协同时，知识产权保护的助推作用会大打折扣，甚至“适得其反”。

基于此，本文提出假设 3：

只有当知识产权保护与人力资本质量保持高度协同时，提高知识产权保护力度才能放大人力资本质量

提升对区域创新绩效的正向影响（H3）。

（三）知识产权保护与人力资本质量的协同效应对区域创新绩效的影响

知识产权保护和人力资本质量的协同度会通过影响地区对创新模式的选择，进而作用于区域创新绩

效。当地区具备高质量的人力资本和健全的知识产权保护制度时，高水平的研发能力和创新保护环境会支

持地区进行自主创新来突破技术制约，掌握关键核心技术，提升创新竞争力；当地区具有低质量的人力资本

和落后的知识产权保护体系时，通过模仿创新可快速积累技术经验，减少与前沿技术的差距（王华，2011；柒

江艺和许和连，2012）。在知识产权保护与人力资本质量高度协同的地区，自主创新是实现技术赶超的关键

手段；在知识产权保护和人力资本质量低度协同的地区，模仿创新则是获取技术进步的现实路径。

虽然两种创新模式均是获取技术进步的重要途径，但对区域创新绩效的影响效果存在差异。已有文献

表明，采取自主创新模式能突破核心技术壁垒，提高原始创新能力，实现长期技术进步和生产力提升（余泳泽

和张先轸，2015；王林辉等，2022）；而采取模仿创新模式会产生“创新惰性”，陷入技术路径依赖，形成低端技

术锁定，产生技术进步滞后效应，抑制区域创新绩效的提升（魏国江，2018；林勇等，2021）。

基于此，本文提出假设 4：

知识产权保护与人力资本质量高度协同的地区倾向于自主创新来获取技术进步，有助于促进区域创新

绩效。反之，则倾向于模仿创新来获取技术进步，但无法促进区域创新绩效（H4）。

三、人力资本质量模型与测度

（一）人力资本质量的设定

人力资本质量的差异主要表现为能力的不同（刘伟和张立元，2020），具体包括认知能力与非认知能力。

一方面，高质量人力资本受过高等教育与培训，具有较高的认知水平，能加快对新知识的吸收、利用与转化来

推动创新发展；另一方面，高质量人力资本往往善于观察、想象和挑战，具备较高的非认知能力，会将创新的

想法付诸实践，推进区域创新（Faleye et al，2014）。基于不同类型的能力对人力资本质量的重要影响，本文

从认知能力和非认知能力两个维度来设定人力资本质量。在借鉴相关文献（Xiang and Yeaple，2018；张懿，

15

技术经济 第 42 卷 第 8 期

2020）的基础上，本文认为：第一，平均受教育年限是衡量认知能力的有效指标，体现了不同地区在认知人力

资本上的绝对优势；第二，劳动者的职业选择可以侧面反映工作所需的能力，体现各地区不同类型人力资本

的比较优势。

本文将认知人力资本与非认知人力资本纳入一般均衡模型中，对人力资本质量进行测度。首先，异质劳

动力的选择行为决定了各地区对不同类型人力资本的总供给；其次，企业利润最大化的生产行为确定了各地

区对不同类型人力资本的总需求；再次，在劳动力市场均衡状态下计算出各地区的认知人力资本生产率和非

认知人力资本生产率；最后，根据模型得出人力资本质量与不同人力资本生产率的函数关系。

（二）人力资本质量的理论模型

在借鉴 Xiang 和 Yeaple（2018）模型的基础上，本文构建了人力资本质量模型。在理论模型中，劳动者以

最终产品对人进行投资，来实现人力资本投资的最优选择：

e(εi) = ( ) η ωk

i

pk hk

i εi

1

1 - η

（1）

其中：e(εi) 为劳动者在 i 型人力资本积累上的投入；η 为人力资本生产弹性系数；ωk

i 为 k 地区 i 型人力资本的

单位有效价格；pk

为最终产品的价格；hk

i εi 为 k 地区 i型人力资本的劳动产出。结合能力分布，c、n 分别为认知

能力与非认知能力，则各地区的认知职业 pk

c 和非认知职业 pk

n 的就业份额可以为

pk

i = Ti(ω ) k

i hk

i

θ

Tc (ω ) k

c hk

c

θ

+ Tn (ω ) k

n hk

n

θ ， i = c，n （2）

其中：pk

i 为 k 地区 i 型职业就业份额；Ti 为认知能力与非认知能力的分布位置，并假定 Ti 不变；θ 为劳动力供给

弹性系数，最终得出各地区不同类型的人力资本相对供给：

Lks

n

Lks

c

= Tn (ω )

k

n

θ - 1

(h )

k

n

θ

Tc (ω )

k

c

θ - 1

(h )

k

c

θ （3）

其中：L 为人力资本；S 为供给。根据生产厂商利润最大化原则，得出各地区不同类型人力资本相对需求：

Lkd

n

Lkd

c

= (An)

α

(ω )

k

n

- α

(Ac )

α

(ω )

k

c

- α （4）

其中：L 为人力资本；d 为需求；Ai 为不同类型生产技术参数；α 为劳动力需求弹性系数。在国内要素市场出清

状况下，劳动供给与需求达到均衡，Lkd

i = Lks

i ，i = c，n。在加入基准地区的基础上推导出封闭条件下人力资本

质量的表达式：

Hk =

é

ë

ê

ê

ê

ê

ù

û

ú

ú

ú p ú 0

c ( ) hk

c

h0

c

θ (α - 1)

θ + α - 1

+ p 0

n ( ) hk

n

h0

n

θ (α - 1)

θ + α - 1

θ + α - 1

θ (α - 1)

（5）

其中：Hk

为 k 地区人力资本质量；h0

i、p 0

i 分别为基准地区 i 型能力及就业份额。进一步假设不同类型的人力资

本国际市场上可以自由流通，存在不同类型人力资本净出口率{x } k

n，xk

c ，贸易自由化使得不同地区不同类型人

力资本价格趋于世界价格，即 ωk

c = ωc，ωk

n = ωn，最终得出开放条件下人力资本质量指数：

Hk =

æ

è

ç

ç

ç

çç

ç

ö

ø

÷

÷

÷

÷÷

÷ p 0

c

ì

í

î

ïï

ïï

ü

ý

þ

ïï

ïï

é

ë

ê

ê

ù

û

ú

ú

p 0

c (1 - x )

0

c

pk

c (1 - x )

k

c

1

α - 1

hk

c

h0

c

θ

+ p 0

n

ì

í

î

ïï

ïï

ü

ý

þ

ïï

ïï

é

ë

ê

ê

ù

û

ú

ú

p 0

n (1 - x )

0

n

pk

n (1 - x )

k

n

1

α - 1

hk

n

h0

n

θ

1

θ

（6）

（三）人力资本质量测算结果

图 1 是 31 个省市区（因数据缺失，未包含港澳台地区）均值及东中西部地区人力资本质量的变化趋势，可

以发现，人力资本质量整体呈上升态势，表明随着“人才强国”战略的深入实施，我国创新要素资源不断整合

升级，正迈向科技创新强国之路，同时我国创新要素分配上存在不平衡不充分问题，东部地区的人力资本质

量明显高于中西部地区。

16

程惠芳等：人力资本质量提升区域创新绩效了吗?















B

ffi

B

F

      



F F

>F 

图 1 东中西部地区人力资本质量平均指数变化趋势

四、研究设计

（一）模型设计

为了检验人力资本质量对区域创新绩效的影响，本文构建如式（7）计量模型。

Innovationit = π0 + π1HCQit + π2 Xit + μi + μt + εit （7）

其中：被解释变量 Innovationit为 i地区 t年的区域创新绩效；解释变量 HCQit为 i地区 t年的人力资本质量；Xit为

一系列控制变量；μi和 μt分别为区域固定效应和时间固定效应；εit为随机扰动项；π 为待估参数。

（二）变量说明

1. 被解释变量

区域创新绩效（Innovation）。创新是一个复杂的过程，单一指标无法综合反映区域创新绩效，而基于投

入‑产出的效率指标能体现一个单元用较少投入获取较大产出的能力。因此，本文基于效率视角，采用随机

前沿分析方法（stochastic frontier analysis，SFA）来测量区域创新绩效。SFA 方法需要确定区域创新投入与产

出。本文借鉴韩先锋等（2019）的做法，选取各地区的专利申请授权数作为产出变量，将各地区 R&D 人员全

时当量和 R&D 经费分别作为人员和资本投入指标。由于创新活动具有连续性，本文使用吴延兵（2006）采取

的 15% 的折旧率及朱平芳和徐伟民（2003）构造的价格指数①对 R&D 经费进行永续盘存法核算。

2. 解释变量

人力资本质量（HCQ）。本文借鉴 Xiang 和 Yeaple（2018）、张懿（2020）等的做法，对人力资本质量的衡量

如下：①根据各省市财政支出中教育支出占国内生产总值的比重计算出人力资本生产弹性 η；②估算劳动力

供给弹性 θ：lnSk - ηlnyk = ( ) 1 - 1

θ

lnpk

c + lnhk

c + A。其中：yk

为 k 地区人均产出；Sk

为 k 地区的认知能力成绩，

用地区就业人口的平均受教育年限②衡量；pk

c 为 k 地区的认知职业份额③；A 为常数。最终得到 θ 的估算结果为

2.93④；③估算劳动力需求弹性 α：lnyk - lnSk = α

α - 1

ln ( ) 1 + pk

n

pk

c

+ lnΘk + B，其中：Θ 为全要素生产率；B 为常

数，得出 α 为 1.88⑤；④在引入基准地区（北京）的基础上，根据公式 lnhk

c = ln Sk

S0 - ηln e

k

e

0 - 0.5 pk

c

p 0

c

计算 k 地区的认

① R&D 经费价格指数=0.55×消费价格指数+0.45×固定资产投资价格指数。

② 本文首先使用 CFPS2018 数据库中词组题和数学题成绩的加总平均得出 Sk

。在此基础上发现 k 地区就业人口的平均受教育年限与认知能

力成绩拟合优度较高。因此，本文用 k 地区就业人口的平均受教育年限作为认知能力成绩的代理变量。同时，借鉴陶源（2020）的计算方

法，平均受教育年限=2×文盲、半文盲的就业人口比重+6×接受小学教育的就业人口比重+9×接受初中教育的人口比重+12×接受高中教育

的人口比重+16×接受大专及以上的人口比重。

③ 基于 ISCO-88 职业分类，本文将 CFPS 2018 数据库中 25964 份有效样本进行职业分类，其中，管理人员、销售人员、营销人员以及服务人员

为非认知职业，专业人员、技术人员、科研人员、财务人员、行政人员、生产人员以及操作人员为认知职业。其他职业不属于上述职业范畴。

④ Xiang 和 Yeaple（2018）认为 θ 应介于 1.746~3.014，本文 θ 符合预期。

⑤ 考虑到劳动力需求主体主要是企业，使用企业数据估算劳动力需求弹性更为合理。因此，本文使用锐思企业数据库中 2000—2019 年上市

公司员工结构数据对 α 进行估算。

17

技术经济 第 42 卷 第 8 期

知 人 力 资 本 生 产 率 hk

c。 其 中 e

k 为 k 地 区 人 均 教 育 支 出 ；⑤ 计 算 非 认 知 人 力 资 本 生 产 率 hk

n：lnhk

n = lnhk

c -

2 ( ) pk

c pk

n

p 0

c p 0

n

；⑥已知生产弹性 η、供给弹性 θ、需求弹性 α 以及非认知人力资本生产率 hk

n，根据公式得出人力资本

质量 Hk =

æ

è

ç

ç

ç

çç

ç

ö

ø

÷

÷

÷

÷÷

÷ p 0

c

ì

í

î

ïï

ïï

ü

ý

þ

ïï

ïï

é

ë

ê

ê

ù

û

ú

ú

p 0

c (1 - x )

0

c

pk

c (1 - x )

k

c

1

α - 1

hk

n

h0

n

θ

+ p 0

n

ì

í

î

ïï

ïï

ü

ý

þ

ïï

ïï

é

ë

ê

ê

ù

û

ú

ú

p 0

n (1 - x )

0

n

pk

n (1 - x )

k

n

1

α - 1

hk

n

h0

n

θ

1

θ

。由于不同类型的人力资本净出口率{x } k

n，xk

c

数值非常小，本文忽略不计。

3. 调节变量

知识产权保护（IPR）。学界大多采用 GP 指数（郑长云，2017；佟家栋和范龙飞，2022）和专利侵权纠纷结

案率（肖兴志和王伊攀，2014；李梦雅等，2021）来表征知识产权保护水平，但前者仅限于测度国家层面的知识

产权保护水平，后者存在部分地区立案数为 0 的情况。事实上，技术交易规模能客观反映知识产权转移及其

利益分配的结果。因此，本文参考靳巧花和严太华（2017）的方法，采用技术市场成交额占 GDP 的比重来衡

量各地区的知识产权保护水平。

4. 控制变量

为了避免遗漏变量造成的估计偏误，本文选取如下控制变量：对外开放程度（Open），用各省货物进出口

贸易总额占 GDP 的比重表示；交通基础设施（Infra），用人均道路面积（平方米）表示；区域人口密度（Den），用

地区人口密度（万人/平方千米）表示；金融发展水平（Fin），用各省年末金融机构存贷款总额占 GDP 的比重表

示；政府干预程度（Gov），用各省财政支出占 GDP 的比重表示。

（三）样本选择与数据来源

鉴于数据可得性，本文选取 2000—2019 年样本观测值。人力资本质量数据来自锐思（RESSET）企业数

据库、中国家庭追踪调查（CFPS）数据、《中国人口与就业统计年鉴》和《中国统计年鉴》；区域创新绩效的基础

数据来自《中国科技统计年鉴》；区域层面的控制变量来自 EPS 数据库的中国宏观经济数据库和 Wind 数据

库。因数据缺失，未包含港澳台地区。

（四）变量描述性统计

表 1 报告了变量的描述性统计。其中，人力

资 本 质 量（HCQ）的 最 大 值 和 最 小 值 分 别 为

1.6375 和 0.2813，这表明我国人力资本质量发展

存在不平衡，地区差异化明显。区域创新绩效

（Innovation）的 均 值 为 0.3241，但 最 大 值 为

0.7759，表明不同地区的创新发展水平存在较大

的差距，部分地区由于受到经济状况、资源禀赋、

制度供给等因素的限制，创新驱动发展成效不

突出。

（五）特征性事实分析

图 2 是人力资本质量与区域创新绩效的散点

图，可以发现两者呈现明显的正相关性，说明人

力资本质量高的地区，区域创新绩效也较高，但

依 旧 无 法 充 分 论 证 两 者 是 否 存 在 显 著 的 因 果

关系。

表 1 变量描述性统计

变量

Innovation

HCQ

Open

Infra

Den

Fin

Gov

含义

区域创新绩效

人力资本质量

对外开放程度

交通基础设施

区域人口密度

金融发展水平

政府干预程度

观测值

620

620

620

620

620

620

620

均值

0.3241

0.6580

0.2975

12.5369

0.2321

0.0296

0.2406

标准差

0.1359

0.1494

0.3703

4.9962

0.1354

0.0107

0.1819

最小值

0.0677

0.2813

0.0127

1.4200

0.0026

0.0113

0.0691

最大值

0.7759

1.6375

1.7215

26.1962

0.6307

0.0755

1.3538

















4



    

BffiBF

图 2 人力资本质量与区域创新绩效散点图

18

程惠芳等：人力资本质量提升区域创新绩效了吗?

五、实证结果

（一）基准回归

表 2 报告了基准回归结果。（1）列是未加入控制变

量的回归结果。其中，人力资本质量（HCQ）的系数显

著为正，初步证实假设 1 的准确性。鉴于普遍存在的

遗漏变量问题，在（1）列的基础上逐步加入对外开放

程 度（Open）、交 通 基 础 设 施（Infra）、区 域 人 口 密 度

（Den）、金融发展水平（Fin）及政府干预程度（Gov）等控

制变量［结果见（2）~（6）列］，发现加入一系列控制变

量后，人力资本质量的系数始终在 5% 的显著性水平

上为正。从（6）列可知，在加入其他控制变量后，HCQ

的回归系数为 0.0070，表明人力资本质量每增加 1 个

单位，区域创新绩效提升约 2.16% ⑥，假设 1 得到充分

验 证 ，即 人 力 资 本 质 量 的 提 升 显 著 促 进 区 域 创 新

绩效。

（二）稳健性检验

（1）替换解释变量。采用中央财经大学编制的人

力资本指数代替原有的核心解释变量，回归结果表明

［表 3（1）列］，人力资本质量依旧显著为正，结论稳健。

（2）替换被解释变量。借鉴陈钰芬和陈劲（2019）的做法，采用发明专利申请量指标来替换原有的被解释

变量，回归结果表明［表 3（2）列］，人力资本质量依旧显著为正，结论稳健。

（3）改变窗口期。窗口期的选择可能会对估计结果产生影响，陈斌开和张川川（2016）指出 1999 年实施

的高校扩招政策导致我国 2003 年后的人力资本水平快速提升。因此，选择 2003—2019 年的样本区间进行回

归［表 3（3）列］，回归结果依旧支持假说 1。

（4）缩尾处理。为了消除异常值对回归结果的影响，本文对连续变量进行前后 5% 水平的缩尾处理，回

归结果［表 3（4）列］表明人力资本质量对区域创新绩效的正效应依旧显著。

（5）内生性问题。一是遗漏变量导致的内生性。尽管在基准回归中加入了部分控制变量，但遗漏变量问

题依旧存在。参照叶祥松和刘敬（2020）的做法，在控制原有变量的基础上，再引入“市场化程度”和“外商直

接投资水平”这两个变量⑦，回归结果［表 3（5）列］依旧支持假设 1；二是双向因果导致的内生性，即人力资本

质量在促进区域创新绩效的同时，区域创新绩效反过来也会提升人力资本质量。本文参照李坤望等（2014）

的做法，把解释变量的滞后一期、滞后二期作为工具变量（IV），再分别采用两阶段最小二乘法（2SLS）、广义矩

估计法（GMM）及迭代广义矩估计（迭代 GMM）法进行估计，回归结果见表 3（6）~（8）列。可以发现，解释变量

的回归系数依旧显著为正，且本文采用的工具变量通过了弱工具变量与过度识别检验，这说明在克服潜在内

生性问题后，假设 1 依旧成立。此外，使用工具变量回归的估计结果远大于基准回归，这说明内生性问题的

存在低估了人力资本质量对区域创新绩效的实际促进效应，以表 3 的（6）列为例，人力资本质量每提升 1 个单

位，区域创新绩效提升约 7.25%⑧。

表 3 稳健性检验

HCQ

控制变量

0.0140***

（0.0045）

是

0.3592**

（0.1574）

是

0.0050**

（0.0023）

是

0.0233**

（0.0106）

是

0.0068**

（0.0027）

是

0.0235***

（0.0078）

是

0.0244***

（0.0082）

是

0.0245***

（0.0082）

是

变量

（1）

替换

解释变量

（2）

替换被

解释变量

（3）

改变

窗口期

（4）

5% 缩尾

处理

（5）

增加

控制变量

（6）

IV-2SLS 法

（7）

IV‑GMM 法

（8）

迭代

GMM 法

⑥ 计算公式为 2.16%=HCQ 的回归系数（0.0070）/Innovation 的均值（0.3241）×100%。

⑦ 市场化程度采用中国分省份市场化指数来表征，外商直接投资水平采用外商直接投资/GDP 来表征。

⑧ 计算公式为 7.25%=HCQ 的回归系数（0.0235）/Innovation 的均值（0.3241）×100%。

表 2 基准回归

变量

HCQ

Open

Infra

Fin

Den

Gov

年份固定

个体固定

常数项

观测值

调整 R2

（1）

0.0068**

（0.0027）

是

是

0.2061***

（0.0022）

620

0.9928

（2）

0.0066**

（0.0027）

0.0056**

（0.0023）

是

是

0.2046***

（0.0023）

620

0.9929

（3）

0.0067**

（0.0027）

0.0048**

（0.0023）

0.0002**

（0.0001）

是

是

0.2034***

（0.0024）

620

0.9929

（4）

0.0068**

（0.0027）

0.0048**

（0.0023）

0.0002**

（0.0001）

0.0446

（0.0770）

是

是

0.2022***

（0.0031）

620

0.9929

（5）

0.0070**

（0.0027）

0.0050**

（0.0023）

0.0002**

（0.0001）

0.0767

（0.0775）

0.0086***

（0.0032）

是

是

0.2004***

（0.0032）

620

0.9930

（6）

0.0070**

（0.0027）

0.0050**

（0.0024）

0.0002**

（0.0001）

0.0767

（0.0970）

0.0086***

（0.0033）

-0.0001

（0.0061）

是

是

0.2004***

（0.0032）

620

0.9930

注：***、**、*分别表示在 1%、5%、10% 的水平下是统计显著的；括号内

的数值为标准误。

19

技术经济 第 42 卷 第 8 期

年份固定

个体固定

不可识别

检验

弱识别检验

Sargan statistic

Hansen’s J statistic

观测值

调整 R2

是

是

620

0.9930

是

是

620

0.9354

是

是

527

0.9986

是

是

620

0.9435

是

是

620

0.9930

是

是

55.206

［0.0000］

27.614

｛19.93｝

1.436

［0.2307］

589

0.9983

是

是

27.614

｛19.93｝

2.7165

［0.0993］

589

0. 9983

是

是

27.614

｛19.93｝

2.4166

［0.1201］

589

0.9983

续表

变量

（1）

替换

解释变量

（2）

替换被

解释变量

（3）

改变

窗口期

（4）

5% 缩尾

处理

（5）

增加

控制变量

（6）

IV-2SLS 法

（7）

IV‑GMM 法

（8）

迭代

GMM 法

注：***、**、*分别为在 1%、5%、10% 的水平下是统计显著的；小括号内的值为标准误，中括号内的值为统计量的 p 值，大括号内的值为 Stock‑Yogo 检验

临界值。

（三）异质性检验

1. 区域异质性

我国区域发展存在不平衡不充分问题，这可能导

致人力资本质量对创新绩效的促进作用存在区域异

质性。本文将 2000—2019 年各省份（因数据缺失，未

包含港澳台地区）的 GDP 均值由高到低进行排序，将

样本划分为经济发达地区和经济欠发达地区⑨。表 4

的（1）、（2）列报告了分组回归结果。结果显示，人力

资本质量对创新绩效的促进作用存在明显的区域差

异：人力资本质量在经济发达地区显著为正，而在经

济欠发达地区不显著，这可能是因为以知识产权保护

为代表的创新制度质量不同导致人力资本质量对创新绩效产生显著的区域差异性。

2. 时间异质性

2007 年，“人才强国”战略首次被确定为我国三大基本战略之一，表明我国对人才的要求推向了新高度。

本文以 2007 年为时间节点，考察人力资本质量对区域创新绩效的促进作用是否存在时间异质性。表 4 的

（3）、（4）列报告了分组回归结果。结果显示，人力资本质量的回归系数在 2007 年以前不显著，而在 2007 年以

后显著为正，表明随着“人才强国”战略的深入实施，我国区域创新环境和创新要素呈现不断协同趋势，人力

资本质量对区域创新绩效的促进效果逐渐凸显。

六、作用机制

知识产权保护是激励创新的核心制度安排。为了检验知识产权保护制度是否是人力资本质量促进区域

创新的作用机制，本文借鉴江艇（2022）的做法，通过构建交互项的方式来考察知识产权保护、人力资本质量

与区域创新绩效的关系。

（一）知识产权保护的调节效应

本文构建调节效应模型如下：

Innovationit = β0 + β1HCQit + β2 IPRit + β3HCQit × IPRit + β4 Xit + λi + λt + δit （8）

其中：Innovationit 为 i地区 t年的区域创新绩效；HCQit 为 i地区 t年的人力资本质量；IPRit 为 i地区 t年的知识产

权保护水平；HCQit × IPRit 为人力资本质量与知识产权保护的交互项；Xit 为一系列控制变量；λi

、λt 分别为地

⑨ 经济发达地区包括北京、天津、上海、江苏、浙江、安徽、福建、山东、湖北、湖南、广东、海南、重庆、四川、陕西；经济欠发达地区包括河北、山

西、内蒙古、辽宁、吉林、黑龙江、江西、河南、广西、贵州、云南、西藏、甘肃、青海、宁夏、新疆。

表 4 异质性回归

变量

HCQ

控制变量

年份固定

个体固定

观测值

调整 R2

（1）

经济

欠发达地区

0.0064

（0.0042）

是

是

是

320

0.9975

（2）

经济

发达地区

0.0082**

（0.0040）

是

是

是

300

0.9880

（3）

2000—2007年

0.0036

（0.0026）

是

是

是

372

0.9992

（4）

2008—2019年

0.0045*

（0.0024）

是

是

是

248

0.9992

注：***、**、*分别表示在 1%、5%、10% 的水平下是统计显著的；括号内

的数值为标准误。

20

程惠芳等：人力资本质量提升区域创新绩效了吗?

区固定效应和时间固定效应；δit 为随机扰动项；β

为待估参数。为了避免因交互项引起的共线性

问题，本文对人力资本质量与知识产权保护均进

行去中心化处理。

表 5 是调节效应模型的回归结果，（1）~（3）列

分别报告了未引入交互项、引入交互项后未加控

制变量及加入控制变量的回归结果。从（3）列可

以发现交互项（HCQ × IPR）的系数显著为正，表

明知识产权保护是人力资本质量促进区域创新

的作用机制，假设 2 得以验证。为了进一步保证

结果的稳健性，在（4）列中对所有连续变量进行

5% 的缩尾处理，结果依旧稳健。

（二）知识产权保护与人力资本质量的协同效应

知识产权保护是人力资本质量促进区域创新绩效的重要作用机制。然而，由于区域发展存在差异，知识

产权保护视角下人力资本质量对区域创新绩效的促进作用可能存在不对称性。基于样本期内知识产权保护

与人力资本质量的均值，将 31 个省份划分为四类地区⑩：高知识产权保护‑高人力资本质量地区、低知识产权

保护‑高人力资本质量地区、高知识产权保护‑低人力资本质量地区、低知识产权保护‑低人力资本质量地区，

本文试图探讨知识产权保护与人力资本质量协同度差异对知识产权保护调节作用的影响。

从表 6 的回归结果发现，仅在高知识产权保

护‑高人力资本质量地区，核心解释变量与交互

项的系数均显著为正［表 6（1）列］，说明只有当知

识产权保护与人力资本质量保持高度协同时，知

识产权保护才能有效放大人力资本质量对区域

创新绩效的促进作用。同时，在低知识产权保

护‑低人力资本质量地区，核心解释变量与交叉

项的系数均显著为负［表 6（4）列］，说明当知识产

权保护与人力资本质量保持低度协同时，知识产

权保护会加剧人力资本质量对区域创新绩效的

抑制作用。综上，假设 3 得到验证。

创新模式分为自主创新和模仿创新，而知识

产权保护与人力资本质量的协同度会影响区域

创新模式的选择，进而作用于区域创新绩效。本

文将被解释变量拆分为自主创新和模仿创新，同时为了避免内生性问题，采用解释变量的滞后一期作为工具

变量，利用 2SLS 方法重新估计。具体模型如下：

Ind_Innovationit = γ0 + γ1HCQit + γ2 Xit + υi + υt + τit （9）

Imi_Innovationit = γ0 + γ1HCQit + γ2 Xit + υi + υt + τit （10）

其中：Ind_Innovationit 为 i 地区 t 年的自主创新，用 R&D 经费投入/GDP 表示；Imi_Innovationit 为 i 地区 t 年的模

仿创新，用技术引进和改造经费投入之和/GDP 衡量；HCQit 为 i 地区 t 年的人力资本质量；Xit 为一系列控制变

量；υi和 υt分别为地区固定效应和时间固定效应；τit为随机扰动项。

表 7 的回归结果表明，仅在高知识产权保护‑高人力资本质量地区，人力资本质量（HCQ）对自主创新的

回归系数显著为正［表 7 的（1）和（2）列］，说明当地区同时具备高质量的人力资本与先进的制度环境时，更倾

向于通过开展自主创新活动获取技术进步。而在低知识产权保护—低人力资本质量地区，人力资本对模仿

⑩ 其中，高知识产权保护‑高人力资本质量地区包括北京、天津、辽宁、吉林、上海、江苏、湖北、湖南、广东、重庆、陕西；低知识产权保护‑高人力

资本质量地区包括山西、福建、海南、新疆；高知识产权保护‑低人力资本质量地区包括黑龙江、四川、甘肃、青海；低知识产权保护‑低人力资

本质量地区包括河北、内蒙古、浙江、安徽、江西、山东、河南、广西、贵州、云南、西藏、宁夏。

表 5 知识产权保护的调节效应

变量

HCQ

IPR

HCQ×IPR

控制变量

年份固定

个体固定

观测值

调整 R2

（1）

0.0055**

（0.0025）

-0.2940***

（0.0281）

是

是

是

620

0.9941

（2）

0.0051**

（0.0025）

-0.3923***

（0.0404）

0.3918***

（0.1279）

否

是

是

620

0.9942

（3）

0.0053**

（0.0025）

-0.3882***

（0.0406）

0.4181***

（0.1314）

是

是

是

620

0.9942

（4）

0.0209**

（0.0104）

-0.7492***

（0.1559）

1.8699**

（0.9101）

是

是

是

620

0.9456

注：***、**、*分别表示在 1%、5%、10% 的水平下是统计显著的；小括号内的数

值为标准误。

表 6 人力资本质量与知识产权保护协同度分组回归

变量

HCQ

IPR

HCQ×IPR

控制变量

年份固定

个体固定

观测值

调整 R2

（1）

高知识‑

高人力资本

质量地区

0.0058**

（0.0025）

-0.4137***

（0.0405）

0.2414*

（0.1284）

是

是

是

220

0.9967

（2）

低知识‑

高人力资本

质量地区

0.0219*

（0.0123）

-0.5716**

（0.2217）

1.8512

（1.2719）

是

是

是

80

0.9979

（3）

高知识‑

低人力资本

质量地区

-0.0090

（0.0134）

-0.1403

（0.1370）

2.9669**

（1.4075）

是

是

是

80

0.9981

（4）

低知识‑

低人力资本

质量地区

-0.0540**

（0.0247）

-0.6066**

（0.2783）

-6.2986**

（2.7181）

是

是

是

240

0.9922

注：***、**、*分别表示在 1%、5%、10% 的水平下是统计显著的；括号内的数值

为标准误。

21

技术经济 第 42 卷 第 8 期

创新的 IV 估计结果显著为正［表 7（16）列］，说明当地区拥有低质量的人力资本与落后的制度环境时，更倾向

于通过模仿创新来获取技术进步。对于人力资本质量与知识产权保护高度协同的地区来说，自主创新是实

现技术赶超的战略选择，而对于低度协同地区，模仿创新才是实现技术追赶与超越的主要手段。目前，我国

正处于科技强国建设阶段，创新实力正从量的积累迈向质的飞跃，过度依赖于技术模仿会陷入比较优势陷

阱，容易形成低端技术锁定，无法促进区域创新绩效（狄振鹏和李世美，2020；王林辉等，2022）；只有采取自主

创新模式才能实现核心技术突破，增强创新竞争力，进而促进区域创新绩效。综上，假设 4 得到验证。

七、结论与启示

本文基于知识产权保护视角，利用 2000—2019 年省级面板数据实证检验了人力资本质量对区域创新绩

效的影响效应及作用机制。结果发现：人力资本质量能显著促进区域创新绩效，该结论经过一系列稳健性检

验后依然成立。分样本回归发现，人力资本质量对区域创新绩效的促进效应在经济发达地区和人才强国战

略确立（2007 年）后更明显。从机制检验看，知识产权保护是人力资本质量促进区域创新绩效的作用机制，

但该机制仅表现在知识产权保护与人力资本质量高度协同的地区。进一步研究发现，知识产权保护与人力

资本质量高度协同的地区更倾向于自主创新来提升技术水平，能有效促进区域创新绩效；而知识产权保护与

人力资本质量低度协同的地区更依赖于模仿创新来获取技术进步，但无法促进区域创新绩效。

基于上述结论，本文得出如下政策启示：第一，人力资本质量是推动技术进步、实现经济发展潜能的重要

源泉。我国要加快推进“人才强国”建设迈向高质量发展阶段，创新人才培养模式，坚持质量标准，培育造就

大批高素质人才，实现人才队伍从数量取胜转向质量提升的根本性转变。第二，创新要素与制度供给的高效

协同是提升创新体系效能的现实路径。政府要推动人力资本质量与知识产权保护的相互协调和配合，根据

本土人力资本质量选择适宜的知识产权保护强度，激发两者的协同效应，推动区域创新高质量发展。第三，

加快自主创新步伐是我国建设创新强国的必由之路。政府要加大基础研究投入强度，着力攻关“卡脖子”技

表 7 分组机制检验

变量

HCQ

控制变量

年份固定

个体固定

不可识别检验

弱工具检验

观测值

调整 R2

变量

HCQ

控制变量

年份固定

个体固定

不可识别检验

弱工具检验

观测值

调整 R2

高知识‑高人力资本质量地区

（1）

自主创新

FE

0.0035*

（0.0019）

控制

是

是

220

0.6685

低知识‑高人力资本质量地区

（9）

自主创新

FE

-0.0008

（0.0009）

控制

是

是

80

0.8958

（2）

自主创新

IV

0.0224**

（0.0110）

控制

是

是

11.9306

［0.0006］

10.534

｛8.96｝

209

0.9268

（10）

自主创新

IV

-0.0058**

（0.0023）

控制

是

是

14.213

［0.0002］

11.041

｛8.96｝

76

0.9693

（3）

模仿创新

FE

0.0001

（0.0001）

控制

是

是

220

0.8436

（11）

模仿创新

FE

0.0002

（0.0003）

控制

是

是

80

0.8839

（4）

模仿创新

IV

0.0003

（0.0005）

控制

是

是

11.9306

［0.0006］

10.534

｛8.96｝

209

0.9130

（12）

模仿创新

IV

0.0008

（0.0008）

控制

是

是

14.213

［0.0002］

11.041

｛8.96｝

76

0.8842

高知识‑低人力资本质量地区

（5）

自主创新

FE

-0.0071

（0.0042）

控制

是

是

80

0.6287

低知识‑低人力资本质量地区

（13）

自主创新

FE

-0.0028

（0.0041）

控制变量

是

是

240

0.7124

（6）

自主创新

IV

-0.0052

（0.0078）

控制

是

是

26.820

［ 0.0000］

26.177

｛8.96｝

76

0.8690

（14）

自主创新

IV

0.0008

（0.0093）

控制

是

是

47.886

［0.0000］

51.046

｛8.96｝

228

0.8890

（7）

模仿创新

FE

0.0068***

（0.0025）

控制

是

是

80

0.2057

（15）

模仿创新

FE

-0.0012

（0.0021）

控制

是

是

240

0.32041

（8）

模仿创新

IV

0.0091***

（0.0024）

控制

是

是

26.820

［ 0.0000］

26.177

｛8.96｝

76

0.5956

（16）

模仿创新

IV

0.0034*

（0.0018）

控制

是

是

47.886

［0.0000］

51.046

｛8.96｝

228

0.8922

注：***、**、*分别为在 1%、5%、10% 的水平下是统计显著的；小括号内的值为标准误，中括号内的数值为统计量的 p 值，大括号内的值为 Stock‑Yogo 检

验临界值。

22

程惠芳等：人力资本质量提升区域创新绩效了吗?

术难题，实现关键技术的自主可控，在前瞻性、战略性领域实现科技领跑，增强国际竞争力。

参考文献

［ 1］ 陈斌开，张川川，2016. 人力资本和中国城市住房价格［J］. 中国社会科学，（5）：43‑64，205.

［ 2］ 陈凤仙，王琛伟，2015. 从模仿到创新——中国创新型国家建设中的最优知识产权保护［J］. 财贸经济，（1）：143‑156.

［ 3］ 陈林，夏俊，2015. 高校扩招对创新效率的政策效应——基于准实验与双重差分模型的计量检验［J］. 中国人口科学，

（5）：45‑57，127.

［ 4］ 陈钰芬，陈劲，2019. 开放式创新促进创新绩效的机理研究［J］. 科研管理，30（4）：1‑9，28.

［ 5］ 戴魁早，李晓莉，骆莙函，2020. 人力资本结构高级化、要素市场发展与服务业结构升级［J］. 财贸经济，41（10）：

129‑146.

［ 6］ 狄振鹏，李世美，2020. 对外直接投资逆向技术溢出对国内技术创新影响的实证分析——基于自主创新和模仿创新

视角［J］. 技术经济，39（4）：11‑16.

［ 7］ 丁文君，庄子银，肖小勇，2019. 发展中国家的实用新型专利与自主创新［J］. 技术经济，38（4）：33‑41.

［ 8］ 韩先锋，宋文飞，李勃昕，2019. 互联网能成为中国区域创新效率提升的新动能吗［J］. 中国工业经济，（7）：119‑136.

［ 9］ 江艇，2022. 因果推断经验研究中的中介效应与调节效应［J］. 中国工业经济，（5）：100‑120.

［10］ 靳巧花，严太华，2017. 自主研发与区域创新能力关系研究——基于知识产权保护的动态门限效应［J］. 科学学与科

学技术管理，38（2）：148‑157.

［11］ 靳涛，王卫卿，2022. 人力资本结构提升、知识产权保护与技术进步——基于中国省级面板数据的实证检验［J］. 吉林

大学社会科学学报，62（4）：21‑33，233.

［12］ 寇宗来，李三希，邵昱琛，2021. 强化知识产权保护与南北双赢［J］. 经济研究，56（9）：56‑72.

［13］ 李坤望，陈维涛，王永进，2014. 对外贸易、劳动力市场分割与中国人力资本投资［J］. 世界经济，37（3）：56‑79.

［14］ 李梦雅，严太华，郝晨，2021. 风险投资、创新产出质量与企业绩效——基于地区制度环境的调节作用［J］. 科研管

理，42（8）：168‑175.

［15］ 李盛楠，许敏，林周周，2021. 研发人力资本效应下国际知识溢出对高技术产业创新绩效的影响研究［J］. 管理学报，

18（9）：1354‑1362.

［16］ 梁圣蓉，罗良文，2019. 国际研发资本技术溢出对绿色技术创新效率影响的门槛效应——基于人力资本视角［J］. 技

术经济，38（4）：23‑32.

［17］ 林勇，张昊，黄欣，2021. 信息技术对经济高质量发展的影响——兼论从模仿创新到自主创新［J］. 科技进步与对策，

38（23）：20‑29.

［18］ 刘灿雷，高超，2021. 教育、人力资本与创新——基于“量”与“质”的双重考察［J］. 财贸经济，42（5）：110‑126.

［19］ 刘伟，张立元，2020. 经济发展潜能与人力资本质量［J］. 管理世界，36（1）：8‑24，230.

［20］ 骆莙函，2021. 人力资本结构高级化对服务业结构升级的影响研究——基于中国城市面板数据［J］. 广东财经大学学

报，36（2）：39‑53.

［21］ 毛其淋，杨琦，方森辉，2022. 人力资本与创新驱动——高等教育改革推动高质量发展的微观证据［J］. 财贸研究，33

（2）：1‑19.

［22］ 柒江艺，许和连，2012. 行业异质性、适度知识产权保护与出口技术进步［J］. 中国工业经济，（2）：79‑88.

［23］ 卿陶，2021. 知识产权保护、技术差距与企业创新［J］. 产经评论，12（3）：38‑55.

［24］ 苏屹，安晓丽，王心焕，等，2017. 人力资本投入对区域创新绩效的影响研究——基于知识产权保护制度门限回归

［J］. 科学学研究，35（5）：771‑781.

［25］ 陶源，2020. 城镇化与城乡劳动收入差距——基于中国省级面板数据的实证研究［J］. 经济问题探索，（8）：87‑96.

［26］ 佟家栋，范龙飞，2022. 知识产权保护、双边政治关系与创新型国家高技术产品出口：基于国家竞争的技术遏制视角

［J］. 世界经济研究，（7）：3‑17，135.

［27］ 佟家栋，张俊美，2021. 高层次人力资本投入与出口企业创新产出：横向创新与纵向创新［J］. 国际贸易问题，（12）：

19‑33.

［28］ 王华，2011. 更严厉的知识产权保护制度有利于技术创新吗？［J］. 经济研究，46（S2）：124‑135.

［29］ 王林辉，王辉，董直庆，2022. 技术创新方向、均衡技术差距与技术追赶周期［J］. 世界经济，45（3）：28‑55.

［30］ 魏国江，2018. 中国产业创新知识生成方式差异及路径转换研究［J］. 科学学研究，36（6）：1036‑1047.

［31］ 吴延兵，2006. R&D 与生产率——基于中国制造业的实证研究［J］. 经济研究，（11）：60‑71.

［32］ 肖兴志，王伊攀，2014. 政府补贴与企业社会资本投资决策——来自战略性新兴产业的经验证据［J］. 中国工业经济，

（9）：148‑160.

［33］ 阳立高 ，贺正楚 ，柒江艺 ，等 ，2013. 发展中国家知识产权保护、人力资本与经济增长［J］. 中国软科学 ，（11）：

123‑138.

［34］ 叶祥松，刘敬，2020. 政府支持与市场化程度对制造业科技进步的影响［J］. 经济研究，55（5）：83‑98.

23

技术经济 第 42 卷 第 8 期

［35］ 余泳泽，张先轸，2015. 要素禀赋、适宜性创新模式选择与全要素生产率提升［J］. 管理世界，32（9）：13‑31，187.

［36］ 张萃，2019. 外来人力资本、文化多样性与中国城市创新［J］. 世界经济，42（11）：172‑192.

［37］ 张懿，2020. 开放经济下中国人力资本质量与地区经济增长差异［D］. 杭州：浙江工业大学 .

［38］ 郑长云，2017. 知识产权保护与出口品质结构——基于美国进口数据的检验［J］. 国际贸易问题，（12）：3‑13.

［39］ 周泽将，汪顺，张悦，2022. 知识产权保护与企业创新信息困境［J］. 中国工业经济，（6）：136‑154.

［40］ 周洲，吴馨童，2022. 知识产权保护对企业数字化转型的影响——来自“三审合一”改革的经验证据［J］. 科学学与科

学技术管理，43（6）：89‑109.

［41］ 朱平芳，徐伟民，2003. 政府的科技激励政策对大中型工业企业 R&D 投入及其专利产出的影响——上海市的实证研

究［J］. 经济研究，（6）：45‑53，94.

［42］ ACEMOGLU D，AKCIGIT U，2012. Intellectual property rights policy，competition and innovation［J］. Journal of the

European Economic Association，10（1）：1‑42.

［43］ AGHION P，JARAVEL X，2015. Knowledge spillovers，innovation and growth［J］. The Economic Journal，125（583）：

533‑573.

［44］ ANG J S，CHENG Y，WU C，2014. Does enforcement of intellectual property rights matter in China？ Evidence from

financing and investment choices in the high‑tech industry［J］. Review of Economics and Statistics，96（2）：332‑348.

［45］ CAMPI M，NUVOLARI A，2021. Intellectual property rights and agricultural development：Evidence from a worldwide

index of IPRs in agriculture（1961‑2018）［J］. The Journal of Development Studies，57（4）：650‑668.

［46］ CHANG C F， WANG P， LIU J T， 2016. Knowledge spillovers， human capital and productivity［J］. Journal of

Macroeconomics，（47）：214‑232.

［47］ CHU A C，COZZI G，GALLI S，2014. Stage‑dependent intellectual property rights［J］. Journal of Development Economics，

（106）：239‑249.

［48］ DAVIS L，NORTH D，1970. Institutional change and American economic growth：A first step towards a theory of

institutional innovation［J］. The journal of economic history，30（1）：131‑149.

［49］ FALEYE O，KOVACS T，VENKATESWARAN A，2014. Do better‑connected CEOs innovate more？［J］. Journal of

Financial and Quantitative Analysis，49（5‑6）：1201‑1225.

［50］ FASSIO C，MONTOBBIO F，VENTURINI A，2019. Skilled migration and innovation in European industries［J］. Research

Policy，48（3）：706‑718.

［51］ FILATOTCHEV I，LIU X，LU J，et al，2011. Knowledge spillovers through human mobility across national borders：

Evidence from Zhongguancun Science Park in China［J］. Research Policy，40（3）：453‑462.

［52］ GROSSMAN G M，LAI E L C，2004. International protection of intellectual property［J］. American Economic Review，94

（5）：1635‑1653.

［53］ HUDSON J，MINEA A，2013. Innovation，intellectual property rights，and economic development：A unified empirical

investigation［J］. World Development，（46）：66‑78.

［54］ KANWAR S，EVENSON R，2009. On the strength of intellectual property protection that nations provide［J］. Journal of

Development Economics，90（1）：50‑56.

［55］ PAPAGEORGIADIS N，SHARMA A，2016. Intellectual property rights and innovation：A panel analysis［J］. Economics

Letters，（141）：70‑72.

［56］ SQUICCIARINI M P， VOIGTLÄNDER N， 2015. Human capital and industrialization： Evidence from the age of

enlightenment［J］. The Quarterly Journal of Economics，130（4）：1825‑1883.

［57］ SWEET C M，MAGGIO D S E，2015，Do stronger intellectual property rights increase innovation？［J］. World Development，

（66）：665‑677.

［58］ TOIVANEN O，VÄÄNÄNEN L，2016. Education and invention［J］. Review of Economics and Statistics，98（2）：382‑396.

［59］ XIANG C，YEAPLE S，2018. The production of cognitive and non‑cognitive human capital in the global economy［R］. New

York：National Bureau of Economic Research.

24

程惠芳等：人力资本质量提升区域创新绩效了吗?

Impact of Human Capital Quality on Regional Innovation Performance from the Perspective of

Intellectual Property Protection

Cheng Huifang，Yu Ping，Hong Chenxiang

（School of Economics，Zhejiang University of Technology，Hangzhou 310023，China）

Abstract：Human capital quality is the advanced element of innovation drive，and intellectual property protection is the institutional

guarantee of innovation incentive. How to accelerate the high synergy between human capital quality and intellectual property

protection is an important issue facing China’s high‑quality economic development. Based on the human capital quality model，the

human capital quality of 31 provinces in China（Due to the lack of data，the statistical data mentioned here do not include the Hong

Kong Special Administrative Region，the Macao Special Administrative Region and Taiwan Province. ）from 2000 to 2019 was

calculated by the data from A‑share listed companies in Shanghai and Shenzhen and China Family Panel Studies（CFPS），and the

influence mechanism of human capital quality on regional innovation performance from the perspective of intellectual property

protection was explored. Many achievements are achieved. The improvement of human capital quality can significantly promote regional

innovation performance，which is of strong validity after a series of robustness tests and endogenous problems solving. Intellectual

property protection is the mechanism of human capital quality to promote regional innovation performance，but this mechanism is only

shown in the region where intellectual property protection and human capital quality are highly synergistic. In addition，regions tend to

choose independent innovation to obtain technological progress when intellectual property protection and human capital quality are

highly synergistic，which is of competence in effectively promoting regional innovation performance. On the contrary，regions tend to

achieve technological progress through imitation innovation，but fail to promote regional innovation performance. These findings

provide decision‑making reference and empirical evidence for accelerating the implementation of the strategy of reinvigorating China

through talent and building innovation power.

Keywords：human capital quality； regional innovation performance； intellectual property protection； independent innovation；

imitation innovation

25

第 42 卷 第 8 期 技 术 经 济 2023 年 8 月

彭建军等：

打好“组合拳”：

低碳政策工具协同对绿色技术创新的影响及机理研究

彭建军，段春梅

（南华大学 经济管理与法学学院，湖南 衡阳 421001）

摘 要：低碳政策工具是践行“双碳”战略的重要内容，如何以低碳政策工具协同推动经济环境保护双赢。采用中国内地 30 个

省（市、区）（因数据缺失，未含西藏和港澳台地区）2010—2021 年的面板数据，系统考察了低碳政策工具协同对绿色技术创新的

影响及作用机理。研究发现，低碳政策工具协同显著激励了绿色技术创新，通过替代变量测试、倾向得分匹配、工具变量法进

行稳健性检验，该结论依然成立，同时低碳政策工具协同对绿色技术创新的影响因地理分布差异、环境规制差异、环境污染程

度差异而存在异质性。空间溢出效应分析可知，低碳政策工具协同对绿色技术创新存在正向空间溢出效应。调节效应分析可

知，以 GDP 为主导的地方政府竞争在低碳政策工具协同与绿色技术创新的关系中存在负向调节作用。

关键词：低碳政策工具；绿色技术创新；空间溢出效应；调节效应

中图分类号：G353.1；F124.3 文献标志码：A 文章编号：1002—980X（2023）8—0026—13

一、引言

在中国经济社会转型升级与加快构建新发展格局的态势下，生态环境所表现出的顶板效应日益凸显，经

济发展与环境保护间的矛盾不断恶化。党的二十大报告中指出，推动绿色发展，促进人与自然和谐共生。诚

然，绿色技术创新是实现绿色发展、加快经济社会绿色转型的核心要务。我国“十四五”规划和二〇三五年远

景目标中明确提出，要打好绿色技术创新攻关行动，以市场为导向构建绿色技术创新体系。由此绿色技术创

新是促进生态文明建设、解决经济增长和环境保护和谐发展难题的有效途径。陈诗一和祁毓（2022）指出要

实现绿色转型，关键在于低碳转型，而公共政策设计又是低碳转型的核心。作为推动区域内低碳转型的行动

单元，地方政府在“双碳”目标的压力下，通过制定低碳政策、实施低碳政策工具作用于绿色技术创新（Chen

et al，2021a）。然而现实中，单一与重复的政策工具使用让绿色技术创新沦为缺乏协调统一的“创新孤岛”，

绿色技术创新水平低、失败率高。因此采用多样化的低碳政策工具组合来激励绿色技术创新是解决当前困

境的有效途径。那么不同的低碳政策工具将如何进行组合？又如何激励绿色技术创新？对于以上问题的回

答为探究政策工具的创新效应提供了新思路，更为“十四五”时期中国社会的绿色发展与“双碳”战略的“对

话”提供了新视角。

当前，中国进入工业 4.0 时代，低碳政策工具是构建新发展格局、加快生态文明建设的重要手段。而关于

低碳政策工具协同与绿色技术创新关系的研究并不多。有关低碳政策工具的研究大致可分为两个脉络。一

方面是以政策文本为分析蓝本，对国家级碳中和行动政策文本、地方级节能减排政策文本等的政策工具进行

分类（Wang and Xing，2022；Lu et al，2022a），探索差异化低碳政策工具的个性特征与演化趋势；另一方面是

将低碳政策工具作为研究视角，探索其在绿色创新、碳排放强度、能源效率等研究主题上的分配情形（Zou et al，

2022；宫晓辰和孙涛，2021；Liu et al，2022；Yu and Shi，2022）。有关绿色技术创新影响因素的研究也比较丰

富，可从政府和市场两个层面进行解读。政府层面，主要探究财政补贴、环境规制、政府环境目标等对绿色技

术创新的影响效应（肖珩，2023；康凯和张世阳，2023；刘志铭等，2022）。市场层面主要从市场竞争、碳排放权

交易机制、金融结构等不同角度探寻其对绿色技术创新的作用机制（闫华飞和肖静，2022；李江涛和陶思源，

2022；弓媛媛和刘章生，2021）。

低碳政策工具协同是指采用多样化的措施共同保证“双碳”目标作用于碳政策领域。因此，有关低碳措

收稿日期：2023‑04‑23

基金项目：2022 年湖南省研究生科研创新项目资助“中观层面下政治注意力驱动绿色技术创新的实证研究”（CX20221039）

作者简介：彭建军，博士，南华大学经济管理与法学学院教授，研究方向：地方治理与公共政策；段春梅，南华大学经济管理与法

学学院硕士研究生，研究方向：地方治理与公共政策。

26

彭建军等：打好“组合拳”：低碳政策工具协同对绿色技术创新的影响及机理研究

施、手段等低碳政策工具内容对绿色技术创新影响的研究可为本文提供借鉴。根据 Rothwell 和 Zegveld

（1985）对政策工具的分类，可从供给、需求、环境三个维度进行展开。第一，供给型低碳政策工具对绿色技术

创新的作用机理。例如，政府补助、区块链技术、绿色债券等对绿色技术创新的激励效应（Shao and Chen，

2022；Wu and Hu，2020；Chin et al，2022；吴世农等，2022）。第二，需求型低碳政策工具对绿色技术创新的作

用机理。例如，以低碳试点作为准自然实验，利用双重差分模型，探究其对绿色技术创新的影响（Wang et al，

2022a；张志新等，2022），或使用概念模型，探究绿色低碳产品对绿色技术创新提升的影响（Moshood et al，

2022；Liao et al，2023）。第三，环境型低碳政策工具对绿色技术创新的作用机理。例如，绿色金融发展、环境

税、环境监管等对绿色技术创新的促进作用（崔艳娟和彭丽丽，2023；廖果平和王超，2022；许丹丹和上官鸣，

2022；Xu et al，2022；Liu and Li，2022）。

综上，既有关于低碳政策工具与绿色技术创新的研究中大多将政策工具视为独立的存在，对其进行单个

工具的作用效应研究或多个工具的宏观比较研究，缺乏从政策工具组合协同的视角探寻其对绿色技术创新

的作用机理。鉴于此，本文在明确界定低碳政策概念的基础上，收集中国内地 30 个省（市、区，西藏和港澳台

地区因数据缺失未计入统计）2010—2021 年的低碳政策，深入分析中国省域低碳政策的文本内容，划分出不

同年度各省市区的低碳政策计算低碳政策工具协同度。通过构建低碳政策工具协同对绿色技术创新影响的

计量模型，从不同政策工具组合的视角对绿色技术创新的影响效果进行探讨。

本文可能的边际贡献在于：第一，以政策工具协同探寻研究机制的深入性。本文在单一政策工具研究的

基础上，将三类政策工具集中于统一的分析框架下，在内容分析法的基础上量化政策工具协同度，对已有的

研究成果做出补充和拓展。第二，创新了战略领域检验外部政策对绿色技术创新影响的方法。当前检验外

部政策对绿色技术创新的研究大多是采用准自然实验，探究政策实施的净效应。本文创新性地引入“低碳政

策工具协同”的概念，将政策工具差异化组合与绿色技术创新研究相结合，为中国绿色发展、创新驱动战略研

究提供增量。第三，为“双碳”战略倒逼经济社会绿色转型提供了重要的经验证据。本文通过探究低碳政策

工具协同对绿色技术创新的激励效应，进一步打破了“节能减排就是遏制经济增长”的误区，为促进中国经济

增长和环境保护双赢提供有力支撑。

二、理论分析与研究假设

（一）低碳政策工具协同与绿色技术创新

不同类型的低碳政策工具都有其自身的优势与不足，单一低碳政策工具的实施无法有效地建立起生产

效率与资源配置最优化的环境治理秩序。因此，必须将多种低碳政策工具结合起来，充分发挥各类政策工具

的优势以实现激励绿色技术创新效果的最优化。供给型低碳政策工具通过实施激励措施促进绿色技术创新

价值链的构建，需求型低碳政策工具以创造需求带动绿色技术创新产业化，环境型低碳政策工具以其所具有

的制度环境作用于绿色技术创新的全过程。通过将三类政策工具结合所形成的低碳政策工具协同可以优化

资源配置，扩展绿色技术创新主体网络连接，加速创新链与产业链的融合，提高企业绿色技术创新能力，推动

区域内绿色技术创新成果转化。

首先，低碳政策工具协同会产生创新补偿效应。三类低碳政策工具组合通过实施多样化的措施加速能

源效率的提升，促进产业和区域的低碳化转型，推动区域整体的节能减排。而在这一过程中必然伴随着技术

的革新升级，各地区纷纷构建符合低碳转型需求的绿色技术体系，实现“波特假说”（徐佳和崔静波，2020）。

从企业层面来看，在多项低碳政策工具共同执行的情形下，企业通过技术研发获得创新补偿，达到降低研发

成本提高创新效率的目的。同时我国实施的碳交易、低碳试点、征收排污费等低碳政策措施能够作用于企业

的生产经营活动，企业为获得生产经营的合法性必须遵守各项低碳措施，积极开展绿色技术创新活动以提升

自身的价值与市场竞争力，进一步带动地区的绿色技术创新水平。

其次，低碳政策工具协同可以催生市场补偿效应。根据经典理论，公共物品外部属性所引致的市场失灵

意味着绿色技术创新的市场补偿机制失效，绿色技术创新发展缓慢（刘剑民等，2022）。然而，多项低碳政策

工具协同可以实现政策、资金、技术等多要素的资源配置，一方面推动企业内及企业间的资源优化，加速企业

向技术密集型转移，进一步扩大经济接续势能；另一方面使得绿色技术交易系统与平台得到完善，为绿色技

术供需双方提供便利，以增加绿色技术市场交易频率，实现绿色技术创新的成果转化（戴魁早，2018），形成绿

27

技术经济 第 42 卷 第 8 期

色技术定价。这在一定程度上改善了绿色技术创新的市场补偿机制失效问题，补偿企业绿色技术创新所需

的人员、技术、资金成本，激励企业大力实施绿色技术创新，受绿色技术创新外溢效应的影响，企业绿色技术

创新将进一步推动区域内的绿色技术创新。

最后，低碳政策工具协同能够产生资源吸纳效应。绿色技术创新的关键在于资源的吸纳与积累，然而绿

色技术创新的利益相关者与创新主体间存在信息不对称的问题（刘春林和田玲，2021），这使得利益相关者增

加了对创新活动的风险感知，进而限制了利益相关者对创新主体活动的资源要素投入，制约绿色技术创新的

活动产出。低碳政策工具协同可以通过多样化的资源要素组合为绿色技术创新提供高端人才支撑和技术应

用，有利于企业接近政府资源。多样化的低碳政策措施向利益相关者传递了企业创新活动合法性的信号，以

政府形象作为背书，提升了利益相关者对创新主体的信任度，降低了创新活动的风险感知，推动利益相关者

对绿色技术创新活动的资源投入。这意味着低碳政策工具协同可以加大对资源要素的整合与吸纳，促进企

业的绿色技术创新从而带动区域的绿色技术创新。

基于此，本文提出假设 1：

低碳政策工具协同正向影响区域绿色技术创新。具体而言，低碳政策工具协同度越高，区域绿色技术创

新能力越强（H1）。

（二）低碳政策工具协同、空间溢出效应与绿色技术创新

绿色技术创新具有的双重外部性及外溢性特质决定了对绿色技术创新的激励需考虑区域在横向与纵向

间的影响。因此将空间因素进行分解，与低碳政策工具协同相结合，从空间维度研究协同量化对绿色技术创

新的作用机制，这对于消除空间分异以提升环境治理绩效具有重要意义。区域间地方政府为激励绿色技术

创新所形成的低碳政策工具协同在一定程度上通过邻近效应、同伴效应、强权机制等扩散机制传递到周边地

区，影响周边地区的政策执行绩效。由此省际间的绿色技术创新在一定程度上会在区域间的交互作用下受

到低碳政策工具协同的空间溢出效应影响。

邻近效应。区域间的邻近效应是低碳政策工具扩散机制在空间维度探究下的突出特征。根据 Tobler 提

出的地理学第一定律，事物间的相关性存在于地理距离之间，地理距离与物体间的相似性存在反向关系（孙

俊等，2012）。相关性受空间溢出效应的影响，当某地区出现属性变化，其不仅会对该地区的某一变量产生影

响，还会对邻近地区的同一变量带来影响，进而产生空间外生依赖（李扬和滕玉成，2021）。地方政府通过制

定低碳政策而形成的低碳政策工具协同，在区域间地理距离接近的情况下和社会乘数效应的作用下，政府间

的交流互动越多，这种信息互动行为将导致邻近地区的政策实施效果发生变化（Gordon et al，2020），使得低

碳政策工具协同对邻近地区的绿色技术创新产生影响。

同 伴 效 应 。 同 伴 效 应 是 指 当 决 策 者 处 于 信 息 不 确 定 的 情 形 下 ，其 会 学 习 同 一 类 群 体 的 行 为 选 择

（Kelchtermans et al，2020）。在复杂多变的竞争环境下，地方政府必须了解学习区域间其他政府的决策信息。

同伴效应反映了被试者的态度和行为受到同一群体中成员行为的影响。绿色技术创新扩散的同伴效应体现

在地方政府在面临信息不完全的情况下进行决策时的模仿现象。地方政府在实施低碳政策工具协同时，面

临着不完全信息和官员晋升锦标赛的压力，这些因素会使地方政府学习和模仿区域间其他地方政府的政策

策略，达到低碳政策工具协同促进绿色技术创新的联动效应（Fan et al，2022），进一步实现区域整体绿色技术

创新的发展。

强权机制。在中国行政管理体制下，受上级与下级间地位、权力的影响，上一层级的强权推动将加大政

策工具协同的扩散。从环境治理维度来看，上级组织对下级组织环境治理绩效的考核直接决定了下级组织

官员的晋升仕途。当低碳政策工具协同的推动来自上级组织，在官员晋升与考核的压力下，协同措施将被赋

予“政治正确”的信号（Wang et al，2022b），趋势压力会刺激地方政府在决策上产生“保持一致性”的倾向，因

为他们担心竞争对手会从流行的决策中获利（Tian et al，2021）。由此低碳政策工具协同所产生的扩散效果

将极大提升，地方政府将通过低碳政策工具协同为绿色技术创新配置更多的资源支持，对本地区与邻近地区

的绿色技术创新产生重要影响。

基于此，本文提出假设 2：

低碳政策工具协同可通过空间溢出效应作用于邻近地区的绿色技术创新（H2）。

28

彭建军等：打好“组合拳”：低碳政策工具协同对绿色技术创新的影响及机理研究

（三）地方政府竞争的调节作用

随着科技的发展，绿色技术创新活动逐渐从单一主体向多层级、多主体的复杂网络形式转变，地方政府

在政策执行过程中，不会选择既定的策略，而是会根据邻居节点的行为来调整决策，复杂网络中的演化博弈

理论可以描述这种博弈关系（Chen et al，2021b）。当前，演化博弈理论已经被广泛应用于低碳政策和环境领

域（Zhang and Zhang，2022；Lu et al，2022b），地方政府在不断的博弈过程中形成了政府间的标尺竞争（岳立

等，2021）。

地方政府竞争是指同一层级内不同区域的地方政府，通过采取多样化的措施提升竞争实力，达到获得上一

级政府组织认可的行为（段世霞和靳杨柳，2022）。随着我国发展阶段的不断演化，绿色发展成为当前中国经济

发展的主流形式，这使得对地方政府的考核形式逐渐从经济增长绩效考核到碳排放、科技经费、环境指标等综

合性考核。在上级考核的压力下，地方政府势必会根据所辖区域的实际情况并参照其他区域的决策行为综合

权衡，对绿色技术创新带来不同程度的影响。地方政府竞争对绿色技术创新的影响表现在：地方政府基于政绩

考核与地方标尺竞争的需要，会制定相应的政策措施大力发展绿色技术，推动技术创新，同时在发展经济的同

时会协调各类资源推动区域绿色技术创新的发展。然而，当地方政府以经济赶超这一显性标尺为主导，政府竞

争程度不断加剧，由此带来的环境恶化将导致低碳政策工具协同对绿色技术创新的正向影响减弱，不当竞争将

导致低碳政策工具协同负向影响绿色技术创新，从而阻碍绿色技术创新的发展（Wu and Hu，2020）。

基于此，本文提出假设 3：

地方政府 GDP 导向的竞争越强，则会抑制低碳政策工具协同对绿色技术创新的促进效果（H3）。

根据以上分析，本文的研究框架如图 1 所示。

/K#

=

=

B# 3

ED



ffiffi

A7 0

47ffi

4-0

-0

L!-0

(

-0

图 1 研究框架

三、研究设计

（一）变量说明与数据来源

1. 被解释变量

目前对绿色技术创新的度量有多种方式，本文在借鉴王宇等（2023）研究的基础上，采用绿色全要素生产率

分解变量绿色技术进步代理绿色技术创新。首先，在 Tone（2001）提出基于松弛模型（slack‑based model，SBM 模

型）的基础上，如式（1）所示。将每个省市区作为一个决策单元，每个决策单元均有投入 xj

，期望产出 yj和非期

望产出 uj

。假设每个省市区有m种投入 x ∈ Rm

，生产出s种期望产出 y ∈ Rs

和v种非期望产出 u ∈ R（v R 为实数域）。

其中，xj =（x 1j

，…，xij

，…，xm）j 为投入矢量；xij为第 i项投入要素；yj =（y 1j

，…，yrj

，…，ys

）j 为期望产出矢量，yrj为第

r项期望产出；uj =（u1j

，…，uwj

，…，uv）j 为非期望产出矢量；uwj为第 w 项非期望产出；si

、sr、sw 分别为投入、期望产

出和非期望产出的松弛量，计算出的 ρ* 为绿色创新效率值。具体的投入和产出指标见表 1。

ρ* = min

1 - 1

m∑i = 1

m s

x

i

xij

1 +

1

s + v (∑ ) r = 1

s s

y

r

yrj

+ ∑w = 1

v s

u

w

uwj

（1）

29

技术经济 第 42 卷 第 8 期

其次，运用 Oh（2010）提出的 global malmquist‑luenberger（GML）指数方法，如式（2）所示。

GMLt + 1

t ( x ) t

，yt

，ut

；xt + 1

，yt + 1

，ut + 1 = 1 + DG ( x ) t

，yt

，ut

1 + DG ( x ) t + 1

，yt + 1

，ut + 1

= 1 + Dt

( x ) t

，yt

，ut

1 + Dt + 1

( x ) t + 1

，yt + 1

，ut + 1

×

1 + DG ( x ) t

，yt

，ut

1 + Dt

( x ) t

，yt

，ut

1 + DG ( x ) t + 1

，yt + 1

，ut + 1

1 + Dt + 1

( x ) t + 1

，yt + 1

，ut + 1

= GECt + 1

t × GTCt + 1

t （2）

其中：GMLt + 1

t 表示绿色创新效率从第 t期到第 t+1 期的变动水平，若 GMLt + 1

t >1，说明绿色创新效率在该段时间

内有所提升；若 GMLt + 1

t <1，说明绿色创新效率在该段时间内降低。其中，DG 为全局方向性距离函数，Dt

和

Dt + 1 为第 t期和第 t+1 期方向性距离函数。

最 后 ，根 据 式（2）再 将 GMLt + 1

t 指 数 分 解 成 绿 色 技 术 效 率 变 动 指 数（GECt + 1

t ）和 绿 色 技 术 进 步 指 数

（GTCt + 1

t ），其中绿色技术效率变动指数重点突出管理方式或制度的改变，而绿色技术进步指数重点突出技术

或工艺水平的提升，更能直观地衡量地区整体的绿色技术创新水平。因此本文重点研究绿色技术进步变动

指标，采用 GTCt + 1

t 表示绿色技术创新指数 CTI。借鉴 Song 等（2018）的研究方法，用 t 期的绿色技术创新指数

CTI与 t+1 期的绿色技术进步指数 GTC 计算 t+1 期

的绿色技术创新指数 CTI。若 t+1 期绿色技术创

新指数 CTI>1，说明该时段绿色技术创新水平提

升；若 t+1 期绿色技术创新指数 CTI<1，说明该时

段绿色技术创新水平下降，使绿色技术创新在各

个单元和各个时期都具有可比性。

2. 解释变量

依据陈新明等（2022）对政策工具的研究方法，本文首先以“北大法律信息网”（北大法宝）为政策检索平

台，选择“地方法规”，输入关键词“碳中和”“低碳”“节能减排”，时间为 2010 年 1 月—2021 年 12 月，对检索出

的政策文本进行筛选，剔除无效的政策。随后通过查阅地方政府网站，对政策文本缺失的省（市、区）进行补

充核验，最终共得到 1519 份有关低碳的政策文本，依据年度和省（市、区）的不同将其整理为面板数据。最

后，从中随机抽取 100 份低碳政策文本将其整理成一份语料库，导入 ROST CM6 软件中，生成低碳政策语义

网络结构图，如图 2 所示，其中的高频主题词能突出我国低碳政策的内容要点。

 FK

-



ffl

L

0)



(

ffiffi

/ffi

ffi







@ E

76

3\"



*

9

47

6#

 *

.8

A%

2

E-



E

M,

=



 DD

F%

33

图 2 低碳政策语义网络结构图

表 1 投入产出指标

投入

产出

劳动投入

资本存量

能源投入

期望产出

非期望产出

全省（市、区）年末从业人员数（万人）

固定资本存量

万吨标准煤

实际地区生产总值（万元）

工业废水中化学需氧量（吨）

工业废气中 SO2排放总量（万吨）

30

彭建军等：打好“组合拳”：低碳政策工具协同对绿色技术创新的影响及机理研究

根据低碳政策语义网络结构图，借鉴 Rothwell 和 Zegveld（1985）的分类方法，将政策工具分为供给型、需

求型和环境型政策工具，参照赵晶等（2022）的计算方法，依据式（3）计算低碳政策工具协同度（Xietong）。

Xietongi，t =

∑n = 1

N

PGn

N

（3）

其中：PGn 为第 n 条政策的政策工具协同度；N 为政策总量。借鉴付琳等（2023）针对低碳政策给出的供给型

政策工具（低碳产品、技术推广、试点/示范工程、政府采购、重点工程），需求型政策工具（产业布局、管制型与

准入型、价格政策、结构调整、目标规划、市场机制、税收优惠、用地支持、金融支持），环境型政策工具（财政补

贴、财政补助、基金政策、技术支持、奖励机制、科技投入、绿色债券、政府投资、专项资金）标准，将 1519 份政

策逐一导入文本计量软件中，借助软件的自动编码功能与低碳政策工具标准进行对比。若政策中含有三类

政策工具中的某一类工具，PG 取值为 1；若含有某两类工具，PG 取值为 2；若三种工具均有涉及，则 PG 取值为

3。将 t年 i省的政策工具协同度加总取均值，得到的 Xietong 则代表低碳政策工具协同。

3. 调节变量

地方政府竞争（lnFDI）。本文在借鉴陈凯和肖鹏（2021）研究的基础上，选择外商直接投资额取对数来衡

量地方政府竞争程度。

4. 控制变量

根据绿色技术创新的影响因素，本文的控制变量有：经济发展水平（lnPgpd），采用人均 GDP 取对数表示；

人口密度（Pdens），采用地区人口数与地区面积的比值表示；人力资本（Hc），采用每万人中的高等学校在校人

数表示；对外开放程度（Open），采用进出口总额与 GDP 的比值表示；产业结构高级化（Stru），采用第三产业与

第二产业比值的百分比表示；城镇化（Urban），采用城镇人口与总人口数的比值表示。

本文选取 2010—2021 年中国内地 30 个省（市、区，西藏和港澳台地区因数据缺失未计入统计）的面板数

据作为实证研究的样本。数据来源于《中国统计年鉴》《中国科技统计年鉴》《中国能源统计年鉴》，国家统计

局数据库和各省（市、区）的统计年鉴。以“北大法律信息网”（北大法宝）、地方政府网站及相关政府部门网站

手动整理成低碳政策工具协同的面板数据。主要变量的描述性统计结果见表 2。

表 2 变量描述性统计

变量类型

被解释变量

解释变量

调节变量

控制变量

变量

CTI

Xietong

lnFDI

lnPgpd

Pdens

Hc

Open

Stru

Urban

变量名称

绿色技术创新

低碳政策工具协同

地方政府竞争

经济发展水平

人口密度

人力资本

对外开放程度

产业结构高级化

城镇化

样本数

360

360

360

360

360

360

360

360

360

均值

1.496

2.117

14.567

10.823

5.468

0.142

0.267

1.325

0.590

标准差

0.377

0.713

1.615

0.460

1.292

0.078

0.298

0.726

0.124

最小值

1.025

1.000

9.423

9.706

2.068

0.058

0.013

0.611

0.361

最大值

2.869

3.000

16.633

11.966

8.276

0.487

1.447

5.022

0.893

（二）模型设定

根据理论分析可知低碳政策工具协同会对绿色技术创新产生影响，为验证低碳政策工具协同对绿色技

术创新的影响及地方政府竞争的调节效应，建立式（4）所示的面板固定效应模型。

CTIit = α0 + α1 Xietongit + α2 Xietongit × lnFDIit + α3 lnFDIit + α4Controlsit + ηi + νt + εit （4）

其中：α 为各变量的回归系数；CTI为被解释变量，代表绿色技术创新；Xietong 为解释变量，代表低碳政策工具

协同。同时为验证地方政府竞争在低碳政策工具协同影响绿色技术创新中的调节作用，引入低碳政策工具

协同（Xietong）与地方政府竞争（lnFDI）的交互项（Xietong×lnFDI）；Controls 为一系列控制变量；ηi

、νt 分别为个

体效应和时间效应；ε 为随机误差。

进一步地，为了验证低碳政策工具协同对绿色技术创新的空间溢出效应，通过引入空间交互项，构建如

式（5）的空间杜宾模型。

CTIit = α0 + ρWCTIit + α1 Xietongit + α2WXietongit + α3Controlsit + α4WControlsit + ηi + νt + εit （5）

其中：α 为各变量的回归系数；ρ 为空间自相关系数；W 为空间权重矩阵；CTI 为绿色技术创新；WCTI 为绿色技

31

技术经济 第 42 卷 第 8 期

术创新空间自相关项；Xietong 为低碳政策工具协同；WXietong 为低碳政策工具协同空间滞后项；Controls 为一

系列控制变量；WControls 为控制变量空间滞后项。

四、实证结果分析

（一）基准回归结果分析

根据式（4），可以检验低碳政策工具协同是否可

以促进绿色技术创新。表 3 的（1）列报告了低碳政策

工具协同对绿色技术创新的回归结果，低碳政策工具

协同的回归系数显著为正；表 3 的（2）列报告了低碳政

策工具协同对绿色技术创新滞后一期（CTI-1）的回归

结果，低碳政策工具协同的系数同样显著为正。这表

明低碳政策工具协同正向显著影响绿色技术创新，即

低碳政策工具协同度越高，区域绿色技术创新能力越

强，由此假设 1 得到支持。

根据上文的回归结果可知低碳政策工具协同会

激励绿色技术创新，然而不同地方政府的竞争是如何

作用于低碳政策工具协同与绿色技术创新的关系尚

需探究。由此，表 3 的（3）列报告了地方政府竞争在低

碳政策工具协同影响绿色技术创新中的调节作用，低

碳政策工具协同与地方政府竞争交互项的回归系数

显著为负；表 3 的（4）列报告了低碳政策工具协同与地

方政府竞争交互项对绿色技术创新滞后一期的影响，

交互项系数同样显著为负。这表明地方政府竞争在

低碳政策工具协同与绿色技术创新的关系中存在负

向调节效应，即地方政府 GDP 导向的竞争越强，则会

抑制低碳政策工具协同对绿色技术创新的促进效果，

由此假设 3 得到支持。

（二）空间溢出效应分析

1. 空间相关性检验

在进行空间溢出效应分析之前，需检验绿色技术创新是否存在空间相关性。本文采用 Moran’s I 指数验

证在地理邻接矩阵、经济距离矩阵下绿色技术创新的空间自相关性，见表 4。从中可以看出，2010—2021 年

30 个省（市、区，西藏地区和港澳台地区因数据缺失未计入统计）绿色技术创新的 Moran’s I指数显著为正，说

明绿色技术创新存在正向空间相关性。

其次，为了更加直观地展示绿色技术创新的空间

相关性，本文继续以局部空间相关性进行检验，各省

（市、区）2021 年绿色技术创新在地理邻接矩阵、经济

距离矩阵下空间相关系数的 Moran’s I 散点图如图 3

所示，可以看出 30 个省（市、区）大部分位于Ⅰ、Ⅲ象

限，体现了绿色技术创新空间上的高‑高聚集和低‑低

聚集特征，表明绿色技术创新存在空间集聚现象。

最后，根据最优空间计量经济模型选择的适用性

检验步骤，如图 4 所示。本文分别在地理邻接矩阵和

经济距离矩阵下依次进行 LM 检验、Hausman 检验和

LR 检验，最后确定了选择固定效应的空间杜宾模型进

行空间计量分析。

表 3 基准回归结果

变量

Xietong

lnFDI

Xietong×lnFDI

lnPgpd

Pdens

Hc

Open

Stru

Urban

Constant

个体效应

时间效应

观测值

R2

（1）

CTI

4.529***

（6.183）

0.147

（1.162）

-1.500***

（-3.299）

0.348

（1.101）

-0.865***

（-4.164）

0.103

（1.222）

0.012

（0.710）

5.453**

（2.251）

Yes

Yes

360

0.646

（2）

CTI-1

3.243***

（6.238）

0.152*

（1.690）

-1.092***

（-3.381）

0.211

（0.940）

-0.833***

（-5.653）

0.116*

（1.935）

0.002

（0.151）

3.848**

（2.238）

Yes

Yes

360

0.707

（3）

CTI

0.558*

（1.767）

-0.099***

（-3.636）

-1.312***

（-2.916）

0.148

（1.167）

-1.503***

（-3.301）

0.342

（1.082）

-0.862***

（-4.147）

0.105

（1.243）

0.066

（0.787）

5.466**

（2.254）

Yes

Yes

360

0.660

（4）

CTI-1

0.207**

（2.288）

-0.059***

（-3.049）

-0.977***

（-3.049）

0.154*

（1.714）

-1.089***

（-3.375）

0.210

（0.937）

-0.831***

（-5.635）

0.117*

（1.951）

0.001

（0.903）

3.825**

（2.225）

Yes

Yes

360

0.715

注：括号内为 t值；***、**、*分别表示在 1%、5%、10% 的水平上显著。

表 4 2010—2021 年绿色技术创新的 Moran’s I指数

时间

2010

2011

2012

2013

2014

2015

2016

2017

2018

2019

2020

2021

地理邻接矩阵

I

0.155

0.172

0.165

0.179

0.169

0.175

0.231

0.227

0.273

0.250

0.276

0.294

z

1.537

1.687

1.798

1.945

1.871

1.890

2.386

2.349

2.752

2.544

2.773

2.969

p

0.124

0.091

0.072

0.052

0.061

0.059

0.017

0.019

0.006

0.011

0.006

0.003

经济距离矩阵

I

0.096

0.101

0.112

0.089

0.086

0.090

0.099

0.099

0.106

0.099

0.102

0.103

z

2.592

2.701

2.886

2.454

2.428

2.450

2.640

2.626

2.753

2.616

2.678

2.689

p

0.009

0.006

0.004

0.014

0.015

0.014

0.008

0.009

0.006

0.009

0.007

0.007

32

彭建军等：打好“组合拳”：低碳政策工具协同对绿色技术创新的影响及机理研究



\"

!

>

9 ffi D

ST!

\"

!7

\"!



. !>



! #

#



>

\"

F



B

 K>

*5

L\" 

*

7Z

    

Z

.PSBO TDBUUFSQMPU .PSBO
T ) ff 













\"

!

>

9

ffi D

ST!

\"

!7 \"!



.

!>

! 

#

#



\" >

F



B  K>

*5

L\"



*

7Z

     Z

.PSBO TDBUUFSQMPU .PSBO
T ) ff 







横轴代表空间单元属性的 z值，纵轴代表空间滞后变量 Wz

（a）地理邻接矩阵 （b）经济距离矩阵

图 3 2021 年绿色技术创新莫兰散点图

Lffi L/K@F -.-BH fflO

-.&SSPS fflO 4@

/K@F )BVTNBO

fflO 4@ -3 fflO

E 4%. E 4&.

E 4\"3

fl

fl

图 4 LM 检验，Hausman 检验，LR 检验

2. 空间计量结果分析

根据上文的分析结论可知，本文适合选择固定效应的空间杜宾模型（SDM）进行空间计量分析，空间计量

结果见表 5。在地理邻接矩阵下，WXietong 系数显著为正；在经济距离矩阵下，WXietong 系数同样显著为正。

这说明低碳政策工具协同具有显著的空间溢出作用，即本地区低碳政策工具协同度的提升会显著提高邻近

地区的绿色技术创新水平。

为进一步准确研究低碳政策工具协同对绿色技术创新的空间溢出效应，本文继续采用偏导数分解方法

对低碳政策工具协同影响绿色技术创新的空间效应进行详细分解，见表 6。回归结果显示，在地理邻接矩阵

表 5 整体样本的 SDM 检验结果

地理邻接矩阵

变量

Xietong

lnPgpd

Pdens

Hc

Open

Stru

Urban

个体效应

时间效应

观测值

R2

CTI

0.541***（3.477）

0.163（* 1.741）

0.011（0.510）

-0.038（-0.162）

-0.031（-0.280）

0.086***（2.645）

-0.365（-0.797）

Yes

Yes

360

0.672

变量

WXietong

WlnPgpd

WPdens

WHc

WOpen

WStru

WUrban

CTI

1.836**（2.380）

-0.362（* -1.659）

-0.058（-0.427）

0.877（0.716）

-0.684（* -1.686）

-0.444***（-2.840）

3.875**（2.516）

经济距离矩阵

变量

Xietong

lnPgpd

Pdens

Hc

Open

Stru

Urban

个体效应

时间效应

观测值

R2

CTI

0.105***（3.337）

0.105（1.087）

0.003（0.182）

-0.117（-0.500）

0.071（0.691）

0.099***（3.344）

-0.336（-0.805）

Yes

Yes

360

0.643

变量

WXietong

WlnPgpd

WPdens

WHc

WOpen

WStru

WUrban

CTI

0.151（* 1.945）

-0.172（-0.834）

0.241**（2.319）

1.521（1.174）

-1.232***（-3.537）

-0.331**（-2.237）

1.819（1.415）

注：括号内为 t值；***、**、*分别表示在 1%、5%、10% 的水平上显著。

33

技术经济 第 42 卷 第 8 期

下，低碳政策工具协同直接效应、间接效应、总效应的回归系数均显著为正。在经济距离矩阵下，低碳政策工

具协同直接效应、间接效应、总效应的回归系数也均显著为正。这表明低碳政策工具协同对绿色技术创新具

有正向的空间溢出效应，本地区低碳政策工具协同度的提升将有效促进邻近地区绿色技术创新水平的提

高。由此假设 2 得到支持。

（三）异质性分析

由于中国不同区域的经济发展水平、环境治理情况等存在差异，无论是低碳政策工具协同度还是绿色技

术创新水平都各不相同，总样本分析可能掩盖了低碳政策工具协同对绿色技术创新影响的潜在差异。由此，

参照中国区域划分标准和环境治理标准，分别从地理分布差异、环境规制差异、环境污染程度差异探究低碳

政策工具协同对绿色技术创新影响的异质性。

1. 考虑地理分布差异

为检验低碳政策工具协同对绿色技术创新影响存在区域异质性特征，将全样本划分为东中西部地区，分

组检验低碳政策工具协同对绿色技术创新的影响。表 7 的（1）~（3）列分别报告了低碳政策工具协同对东部

地区、中部地区、西部地区绿色技术创新的影响，低碳政策工具协同的系数均显著为正。然而从低碳政策工

具协同的系数值可以看出，东部地区的低碳政策工具协同系数值大于中部地区和西部地区的低碳政策工具

协同系数值，这表明低碳政策工具协同对东部地区绿色技术创新的影响大于对中部地区和西部地区绿色技

术创新的影响。其缘由在于东部地区经济发展水平与对外开放程度高于中西部地区，有更多的资金引进先

进技术，推动技术创新的发展，进而使低碳政策工具协同对东部地区绿色技术创新的激励效应更强。

2. 考虑环境规制差异

基于绿色技术创新的双重外部性，环境规制深刻影响着绿色技术创新的发展，因此探究不同环境规制强

度下低碳政策工具协同对绿色技术创新的差异化影响显得尤为重要。本文以环境规制强度均值为准，将全

样本划分为低环境规制地区与高环境规制地区，分组进行检验。表 7 的（4）、（5）列报告了低碳政策工具协同

对低环境规制地区与高环境规制地区绿色技术创新的影响，从中可以看出，低碳政策工具协同对低环境规制

地区的绿色技术创新影响不显著，显著影响高环境规制地区的绿色技术创新。这表明低碳政策工具协同对

高环境规制地区的绿色技术创新激励效应更强。其缘由在于，高环境规制地区对企业如何实施环境治理提

出了更高的要求与标准，企业不得不大力发展技术提高生产率，促进绿色技术创新的发展。

3. 考虑环境污染程度差异

为检验不同环境污染程度下低碳政策工具协同对绿色技术创新的异质性影响，本文以工业烟粉尘排放

量来度量环境污染程度，排放量越大，污染程度越高。以工业烟粉尘排放量的中位数作为标准，将全样本划

分为低环境污染地区与高环境污染地区，分组检验低碳政策工具协同对绿色技术创新的影响。表 7 的（6）、

（7）列报告了低环境污染与高环境污染下低碳政策工具协同对绿色技术创新的影响，低碳政策工具协同的回

归系数均显著为正。然而从回归系数值可以看出，高环境污染下的回归系数值大于低环境污染下的回归系

数值，这表明低碳政策工具协同在高环境污染气压下对绿色技术创新的激励效应更强。其缘由在于高环境

污染地区受到的环保绩效考核多于低环境污染地区，高环境污染地区的地方政府必然要在环保上积极作为，

从而使得对绿色技术创新的激励水平更强。

表 6 整体样本的空间杜宾模型分解结果

变量

Xietong

lnPgpd

Pdens

Hc

Open

Stru

Urban

个体效应

时间效应

观测值

R2

直接效应

地理邻接矩阵

0.139**（2.380）

0.135（1.496）

0.008（0.382）

0.037（0.137）

-0.107（-0.823）

0.048（1.135）

0.010（0.021）

Yes

Yes

360

0.672

经济距离矩阵

0.059（* 1.864）

0.092（0.968）

0.035（1.310）

0.040（0.148）

-0.076（-0.687）

0.070（* 1.903）

-0.151（-0.313）

Yes

Yes

360

0.643

间接效应

地理邻接矩阵

0.858***（4.448）

-0.828（-1.179）

-0.185（-0.416）

2.721（0.613）

-2.494（-1.525）

-1.356**（-2.108）

12.632**（2.261）

Yes

Yes

360

0.672

经济距离矩阵

1.751（* 1.950）

-0.290（-0.414）

0.899（* 1.826）

4.834（1.044）

-4.343***（-2.640）

-0.947（-1.622）

5.496（1.154）

Yes

Yes

360

0.643

总效应

地理邻接矩阵

0.997***（5.394）

-0.693（-0.965）

-0.177（-0.391）

2.758（0.601）

-2.601（-1.513）

-1.308（* -1.944）

12.642**（2.164）

Yes

Yes

360

0.672

经济距离矩阵

1.810（* 1.858）

-0.198（-0.274）

0.934（* 1.817）

4.874（1.020）

-4.419***（-2.604）

-0.877（-1.448）

5.345（1.057）

Yes

Yes

360

0.643

注：括号内为 t值；***、**、*分别表示在 1%、5%、10% 的水平上显著。

34

彭建军等：打好“组合拳”：低碳政策工具协同对绿色技术创新的影响及机理研究

表 7 异质性分析结果

变量

Xietong

lnPgpd

Pdens

Hc

Open

Stru

Urban

Constant

个体效应

时间效应

观测值

R2

地理分布差异

（1）

东部

0.740**（2.258）

0.030（0.732）

-3.764***（-2.812）

-0.954（-1.524）

-0.798**（-2.123）

0.125（0.843）

4.242***（2.770）

15.175**（1.995）

Yes

Yes

132

0.527

（2）

中部

0.253（* 1.678）

0.626***（3.052）

-4.080***（-5.550）

2.953***（3.428）

5.235***（5.462）

-0.006（-0.246）

-0.607（-0.380）

16.520***（4.416）

Yes

Yes

96

0.862

（3）

西部

0.045（* 1.750）

-0.594***（-3.616）

0.429（0.576）

0.014（* 1.851）

0.878（* 1.898）

0.102（0.719）

7.487***（7.427）

1.708（0.534）

Yes

Yes

132

0.786

环境规制差异

（4）

低环境规制

0.015（0.595）

0.287（1.449）

-1.201（* -1.882）

0.013（0.844）

-0.734***（-2.662）

0.225（* 1.854）

4.091***（3.646）

2.746（0.777）

Yes

Yes

234

0.642

（5）

高环境规制

0.023（* 1.917）

-0.121（-0.853）

-3.090***（-5.536）

-1.203（* -1.861）

-1.273**（-2.389）

-0.055（-0.456）

6.050***（7.840）

14.974***（5.456）

Yes

Yes

126

0.755

环境污染程度差异

（6）

低环境污染

0.022（* 1.659）

0.323（1.299）

-2.239**（-2.314）

0.027（1.215）

-0.832**（-2.309）

0.138（0.928）

4.493***（3.306）

7.919（1.479）

Yes

Yes

180

0.556

（7）

高环境污染

0.081（* 1.893）

-0.030（-0.305）

-1.025***（-2.829）

0.187（0.631）

-0.677***（-3.212）

0.217***（2.607）

3.549***（4.954）

5.053***（2.612）

Yes

Yes

180

0.805

注：括号内为 t值；***、**、*分别表示在 1%、5%、10% 的水平上显著。

（四）稳健性检验

为确保实证部分结果的可靠性，本文通过以下几种方

法进行低碳政策工具协同对绿色技术创新影响的稳健性

检验。

1. 替代变量测试

将 研 究 与 试 验 发 展 经 费 内 部 支 出 同 GDP 的 比 值

（RD）、绿色发明专利申请数量取对数（CIP）作为被解释变

量的替代变量进行回归检验，结果见表 8 的（1）、（2）列所

示。低碳政策工具协同的回归系数均正向显著，这说明低

碳政策工具协同依然正向显著影响绿色技术创新，证实前

文结论是稳健的。

2. 倾向得分匹配

低碳政策工具协同与绿色技术创新间可能会存在样

本选择偏差问题，以此对研究结论产生干扰。本文采用倾

向得分匹配法（PSM）避免样本选择偏差造成的内生性问

题。首先，将低碳政策工具协同的平均值作为基准，高于

平均值的作为处理组（treat=1），低于平均值的作为对照组

（treat=0），以此构建虚拟变量。在此基础上，依据控制变

量经济发展水平、对外开放程度、人力资本、人口密度、城

镇化开展 Logistic 回归，按照地区的倾向得分，按“最近邻

匹配”为处理组从对照组中选择配对形成对照，共得到 284

个有效观测值。依据平衡性检验，处理组与对照组的特征

变量不再具有显著差异，验证了匹配的有效性，用匹配后

的样本再次检验低碳政策工具协同对绿色技术创新的影

响，结果见表 9。低碳政策工具协同的估计系数在 10% 的

置信水平上正向显著，说明低碳政策工具协同正向显著影

响绿色技术创新，证实前文结论是稳健的。

3. 工具变量法

尽管本文尽可能控制了影响绿色技术创新的各类变量，

但仍然可能存在遗漏变量对研究结果造成偏误。因此本文

参照赵晶等（2022）的研究，使用标准化工业废水排放量（Inw）

作为低碳政策工具协同的工具变量，根据两阶段最小二乘法

表 8 替代变量测试回归结果

变量

Xietong

Constant

控制变量

个体效应

时间效应

观测值

R2

（1）

RD

0.385***（3.542）

-8.235***（-3.968）

Yes

Yes

Yes

360

0.519

（2）

CIP

0.269（* 1.845）

-4.375（-1.047）

Yes

Yes

Yes

360

0.354

注：括号内为 t 值；***、**、*分别表示在 1%、5%、10% 的水平上

显著。

表 9 倾向得分匹配（PSM）回归结果

变量

Xietong

Constant

控制变量

个体效应

时间效应

观测值

R2

CTI

0.012（* 1.851）

1.491***（57.802）

Yes

Yes

Yes

284

0.468

注：括号内为 t 值；***、**、*分别表示在 1%、5%、10% 的水平上

显著。

表 10 工具变量法回归结果

变量

Inw

Xietong

控制变量

个体效应

时间效应

观测值

R2

Cragg‑Donald Wald F

Kleibergen‑Paap rk Wald F

2SLS 第一阶段

回归结果

Xietong

0.165（* 1.918）

Yes

Yes

Yes

360

16.750

19.360

2SLS 第二阶段

回归结果

CTI

0.173**（2.031）

Yes

Yes

Yes

360

0.544

注：括号内为 t 值；***、**、*分别表示在 1%、5%、10% 的水平上

显著。

35

技术经济 第 42 卷 第 8 期

（2SLS）进行计算。表 10 报告了工具变量的回归结果。第一阶段标准化工业废水排放量的回归系数正向显著，

Cragg‑Donald Wald F 和 Kleibergen‑Paap rk Wald F 值均通过了检验，表明了工具变量选取的有效性。第二阶段

回归中低碳政策工具协同的回归系数仍然显著为正，证实前文结论是稳健的。

五、结论与启示

在中国大力推行“双碳”目标和绿色转型的背景下，如何以低碳战略为激励因素实现经济社会绿色发展

是当前政府和学界面临的重要议题。基于此，本文选取中国内地 30 个省（市、区，西藏和港澳台地区因数据

缺失未计入统计）2010—2021 年的面板数据，系统考察了低碳政策工具协同对绿色技术创新的影响及作用

机理，得到的研究结论如下：第一，低碳政策工具协同显著激励了绿色技术创新，在采用替代变量测试、倾向

得分匹配、工具变量法进行稳健性检验后，该结论依然成立。在异质性方面，低碳政策工具协同对东部地区

绿色技术创新的影响大于中西部地区、对高环境规制地区的绿色技术创新激励效应更强、在高环境污染气压

下更能促进绿色技术创新水平的提升。第二，低碳政策工具协同对绿色技术创新存在空间溢出效应得到证

实，低碳政策工具协同度的提升有助于推动整个区域绿色技术创新的发展。第三，地方政府竞争在低碳政策

工具协同与绿色技术创新关系中存在负向调节作用，以 GDP 为主导的地方政府竞争会抑制低碳政策工具协

同对绿色技术创新的促进效果。

上述研究结论为我国有效推动绿色转型提供了新启示。

首先，以有为政府建设有效政策，发挥政策工具协同“指挥棒”的作用。从结构上来说，要构建跨部门的

组织载体，通过联合行文、联合作战、联席会议等形式，构建满足多主体需求的政策工具体系，做好低碳政策

工具协同的结构安排。从程序上来说，为解决绿色技术创新“跨界难”的问题，要在大力发展数字技术的基础

上因地制宜地推动多种低碳政策工具的有机结合，促进各类要素的聚集，构建研发、转化、应用的绿色产业

链，不断完善循环发展的生产体系，以建立绿色技术创新高质量发展的生态系统。

其次，构建合作转型的地区协商机制，形成绿色发展的区域合力。绿色技术创新的空间外溢性表明地方

政府在推动绿色低碳发展过程中难以“独善其身”，相邻地区要构建综合性议事协调机构，实施常态化的工作

联络机制，不断加强政策制定沟通，整合资源禀赋，减少区域间低碳政策工具“梗阻”难题。此外，各地区要始

终保持战略合作、利益互通、成果共享，形成跨区域的绿色技术创新联合体。

最后，强化过程监管，调适地方政府竞争模式。通过重塑官员考核机制，将唯经济、唯结果的竞争方向转

变为“绿色 GDP”，不断加强政府环境审计，引导地方政府的良性竞争。同时各级地方政府要充分认识到生

态文明建设的重要性，树立绿色发展的思想理念，走可持续发展的道路，共同推动积极有效的政府竞争，实现

绿色技术创新的发展。

参考文献

［ 1］ 陈凯，肖鹏，2021. 财政分权、地方政府竞争与技术创新——基于 277 个地级市的空间计量分析［J］. 中国科技论坛，

（2）：69‑79.

［ 2］ 陈诗一，祁毓，2022. 实现碳达峰、碳中和目标的技术路线、制度创新与体制保障［J］. 广东社会科学，（2）：15‑23.

［ 3］ 陈新明，张睿超，亓靖，2022.“双碳”治理视角下中国绿色低碳政策文本量化研究［J］. 经济体制改革，（4）：178‑185.

［ 4］ 崔艳娟，彭丽丽，2023. 绿色金融发展、绿色研发投入与企业全要素生产率提升［J］. 工业技术经济，42（2）：28‑36.

［ 5］ 戴魁早，2018. 技术市场发展对出口技术复杂度的影响及其作用机制［J］. 中国工业经济，（7）：117‑135.

［ 6］ 段世霞，靳杨柳，2022. 绿色技术创新对碳生产率的空间溢出效应——基于地方政府竞争的调节作用［J］. 工业技术

经济，41（2）：62‑69.

［ 7］ 付琳，张东雨，闫昊本，等，2023. 基于政策文本分析的中国碳减排政策工具研究［J］. 科学学研究，41（3）：435‑443.

［ 8］ 弓媛媛，刘章生，2021. 金融结构与绿色技术进步：理论模型、影响效应及作用机制［J］. 经济经纬，38（5）：151‑160.

［ 9］ 宫晓辰，孙涛，2021. 节能减排政策工具降低碳强度影响机制研究——基于 30 省（市、自治区）数据的模糊集定性比

较分析［J］. 城市问题，（7）：23‑32.

［10］ 康凯，张世阳，2023. 环境规制与碳排放对我国流通产业绿色科技创新的影响研究［J］. 商业经济研究，（2）：9‑12.

［11］ 李江涛，陶思源，2022. 碳排放权交易机制、媒体压力与企业绿色技术创新——基于湖北省碳交易市场的研究［J］. 财

会通讯，（19）：69‑74.

［12］ 李扬，滕玉成，2021. 政府治理何以影响城市公共服务的空间供给——基于动态空间杜宾模型的分析［J］. 甘肃行政

学院学报，（5）：53‑67.

［13］ 廖果平，王超，2022. 环境税对重污染企业绿色技术创新的影响研究［J］. 财会通讯，（10）：54‑59.

36

彭建军等：打好“组合拳”：低碳政策工具协同对绿色技术创新的影响及机理研究

［14］ 刘春林，田玲，2021. 人才政策“背书”能否促进企业创新［J］. 中国工业经济，（3）：156‑173.

［15］ 刘剑民，夏琴，徐玉德，等，2022. 产业技术复杂性、政府补助与企业绿色技术创新激励［J/OL］. 南开管理评论：1‑21.

http：//kns. cnki. net/kcms/detail/12. 1288. F. 20220907. 1425. 003. html.

［16］ 刘志铭，刘雨庆，杨志江，2022. 地方政府环境目标是否影响了企业绿色技术创新——基于我国制造业上市公司数据

的经验研究［J］. 华南师范大学学报（社会科学版），（5）：126‑138.

［17］ 孙俊，潘玉君，和瑞芳，等，2012. 地理学第一定律之争及其对地理学理论建设的启示［J］. 地理研究，31（10）：

1749‑1763.

［18］ 王宇，李琳娜，王瑛，2023. 内蒙古火电行业能效水平分析及优化路径研究——基于 SBM 模型及 GML 指数模型的分

析［J/OL］. 内 蒙 古 大 学 学 报（自 然 科 学 版）：1‑15. http：//kns. cnki. net/kcms/detail/15. 1052. N. 20230330. 1029. 002.

html.

［19］ 吴世农，周昱成，唐国平，2022. 绿色债券：绿色技术创新、环境绩效和公司价值［J］. 厦门大学学报（哲学社会科学

版），72（5）：71‑84.

［20］ 肖珩，2023. 财政补贴对企业绿色技术创新的影响研究［J］. 技术经济与管理研究，（1）：32‑37.

［21］ 徐佳，崔静波，2020. 低碳城市和企业绿色技术创新［J］. 中国工业经济，（12）：178‑196.

［22］ 许丹丹，上官鸣，2022. 环境税征收对企业绿色技术创新的影响研究——基于排污费改税制度的准自然实验［J］. 现

代管理科学，（2）：98‑107.

［23］ 闫华飞，肖静，2022. 对外开放、市场竞争与长江经济带工业绿色技术创新效率［J］. 生态经济，38（11）：72‑77.

［24］ 岳立，肖飒，王威华，2021. 新结构经济学视角下技术进步对碳生产率的影响研究［J］. 工业技术经济，40（3）：82‑91.

［25］ 张志新，孙振亚，路航，2022. 低碳城市试点实现企业绿色技术创新的“增量提质”了吗？［J］. 云南财经大学学报，38

（4）：85‑98.

［26］ 赵晶，迟旭，孙泽君，2022.“协调统一”还是“各自为政”：政策协同对企业自主创新的影响［J］. 中国工业经济，（8）：

175‑192.

［27］ CHEN F，WU B，LOU W，2021. An evolutionary analysis on the effect of government policies on green R&D of photovoltaic

industry diffusion in complex network［J］. Energy Policy，152：112217.

［28］ CHEN Z，ZHANG X，CHEN F，2021. Do carbon emission trading schemes stimulate green innovation in enterprises？

Evidence from China［J］. Technological Forecasting and Social Change，168：120744.

［29］ CHIN T，SHI Y，SINGH S K，et al，2022. Leveraging blockchain technology for green innovation in ecosystem‑based

business models：A dynamic capability of values appropriation［J］. Technological Forecasting and Social Change，183：

121908.

［30］ FAN R，WANG Y，CHEN F，2022. How do government policies affect the diffusion of green innovation among peer

enterprises？—An evolutionary‑game model in complex networks［J］. Journal of Cleaner Production，364：132711.

［31］ GORDON E A，HSU H，HUANG H，2020. Peer R&D disclosure and corporate innovation：Evidence from American

depositary receipt firms［J］. Advances in Accounting，49：100471.

［32］ KELCHTERMANS S，NEICU D，TEIRLINCK P，2020. The role of peer effects in firms’usage of R&D tax exemptions［J］.

Journal of Business Research，108：74‑91.

［33］ LIAO J，LIU X，ZHOU X，2023. Analyzing the role of renewable energy transition and industrialization on ecological

sustainability：Can green innovation matter in OECD countries［J］. Renewable Energy，204：141‑151.

［34］ LIU M，LI Y，2022. Environmental regulation and green innovation：Evidence from China’s carbon emissions trading policy

［J］. Finance Research Letters，48：103051.

［35］ LIU X，LI Y，CHEN X，et al，2022. Evaluation of low carbon city pilot policy effect on carbon abatement in China：An

empirical evidence based on time‑varying DID model［J］. Cities，123：103582.

［36］ LU C，WANG B，CHEN T，et al，2022. A document analysis of peak carbon emissions and carbon neutrality policies based

on a PMC index model in China［J］. International Journal of Environmental Research and Public Health，19（15）：9312.

［37］ LU Z，LIU M，LU W，2022. Shared‑constraint approach for multi‑leader multi‑follower game of generation companies

participating in electricity markets with carbon emission trading mechanism［J］. Journal of Cleaner Production，350：

131424.

［38］ MOSHOOD T D，NAWANIR G，MAHMUD F，et al，2022. Green product innovation：A means towards achieving global

sustainable product within biodegradable plastic industry［J］. Journal of Cleaner Production，363：132506.

［39］ OH D，2010. A global Malmquist‑Luenberger productivity index［J］. Journal of Productivity Analysis，34（3）：183‑197.

［40］ ROTHWELL R，ZEGVELD W，1985. Reindustrialization and technology：Towards a national policy framework［J］. Logman

Group Limited，12（3）：113‑130.

［41］ SHAO Y，CHEN Z，2022. Can government subsidies promote the green technology innovation transformation？ Evidence

from Chinese listed companies［J］. Economic Analysis and Policy，74：716‑727.

［42］ SONG M，DU J，TAN K H，2018. Impact of fiscal decentralization on green total factor productivity［J］. International

37

技术经济 第 42 卷 第 8 期

Journal of Production Economics，205：359‑367.

［43］ TIAN X，SONG Y，LUO C，et al，2021. Herding behavior in supplier innovation crowdfunding：Evidence from Kickstarter

［J］. International Journal of Production Economics，239：108184.

［44］ TONE K，2001. A slacks‑based measure of efficiency in data envelopment analysis［J］. European Journal of Operational

Research，130（3）：498‑509.

［45］ WANG B，XING Q，2022. Evaluation of the wind power industry policy in China（2010—2021）：A quantitative analysis

based on the PMC index model［J］. Energies，15（21）：8176.

［46］ WANG X，LIU C，WEN Z，et al，2022. Identifying and analyzing the regional heterogeneity in green innovation effect from

China’s pilot carbon emissions trading scheme through a quasi‑natural experiment［J］. Computers & Industrial Engineering，

174：108757.

［47］ WANG Y，YOU Q，QIAO Y，2022. Political genes drive innovation：Political endorsements and low‑quality innovation［J］.

Structural Change and Economic Dynamics，60：407‑417.

［48］ WU H，HU S，2020. The impact of synergy effect between government subsidies and slack resources on green technology

innovation［J］. Journal of Cleaner Production，274：122682.

［49］ XU Y，LIU S，WANG J，2022. Impact of environmental regulation intensity on green innovation efficiency in the Yellow

River Basin，China［J］. Journal of Cleaner Production，373：133789.

［50］ YU Y，SHI J，2022. Environmental regulation，low‑carbon technology progress and energy efficiency［J］. Frontiers in

Environmental Science，10：1725.

［51］ ZHANG C，ZHANG X，2022. Evolutionary game analysis of air pollution co‑investment in emission reductions by steel

enterprises under carbon quota trading mechanism［J］. Journal of Environmental Management，317：115376.

［52］ ZOU C，HUANG Y，WU S，et al，2022. Does“low‑carbon city”accelerate urban innovation？ Evidence from China［J］.

Sustainable Cities and Society，83：103954.

Play a Good“Combination of Fists”：Study on the Influence and Mechanism of Low‐carbon

Policy Tool Collaboration on Green Technology Innovation

Peng Jianjun，Duan Chunmei

（School of Economics Management and Law，University of South China，Hengyang 421001，Hunan，China）

Abstract：Low‑carbon policy tools are an important part of the“two‑carbon”strategy. How to use low‑carbon policy tools to promote

win‑win economic and environmental protection？In this paper，the panel data of 30 provinces（Due to the lack of data，the statistical

data mentioned here do not include the Tibet Autonomous Region，the Hong Kong Special Administrative Region，the Macao Special

Administrative Region and Taiwan Province.）in mainland China from 2010 to 2021 were used to systematically investigate the impact

and mechanism of low‑carbon policy tool synergy on green technology innovation. It is found that low‑carbon policy tool synergy

significantly stimulates green technology innovation. The robustness test is conducted by alternative variable test，propensity score

matching and instrumental variable method. The conclusion is still valid. Meanwhile，the impact of low‑carbon policy tool synergy on

green technology innovation is heterogeneous due to differences in geographical distribution， environmental regulation and

environmental pollution degree. The spatial spillover effect analysis shows that low‑carbon policy tool synergy has a positive spatial

spillover effect on green technology innovation. The regulatory effect analysis shows that the GDP‑led local government competition has

a negative regulatory effect on the relationship between low‑carbon policy tool synergy and green technology innovation.

Keywords：low‑carbon policy tool；green technology innovation；space spillover effect；regulation effect

38

第 42 卷 第 8 期 技 术 经 济 2023年 8 月

金泽虎等：

科技遏制导向对中国创新发展构成威胁吗？

——基于美国对华经贸政策的事实与验证

金泽虎，钱 前

（安徽大学 经济学院，合肥 230601）

摘 要：美国近年来对华秉持科技封锁战略、依据出口管制条例（EAR），对我国相关高科技公司实体及相关产业进行技术封

锁，企图抑制我国创新发展。本文根据 EAR 公布的实体清单构建上市公司面板数据，运用变时点 DID（time‑varying DID）模型

研究美国科技封锁事件对我国创新产出的实际影响，并对模型可能存在的处理效应异质性等稳健性问题进行检验。研究表

明，美国科技封锁战略短期内抑制我国创新产出，但长期内相关技术封锁措施对我国创新产出起倒逼促进作用。其次，科技遏

制将通过技术距离提升、产出效应下降及贸易效应削减方式，对我国创新产出产生不利影响。结合目前的中国实际，我国需坚

持创新发展战略目标毫不动摇，同时积极利用国际合作机制，与世界各国探讨建立国际社会新型经贸规则的可能性，多方面应

对美国技术封锁事件对我国创新发展的影响。

关键词：科技封锁；创新产出；技术距离；全要素生产率；处理效应异质性

中图分类号：F752 文献标志码：A 文章编号：1002—980X（2023）8—0039—14

一、引言

二十大报告指出，近年来我国将完善科技创新体系、健全新型举国体制、提升国家创新体系整体效能及

形成具有全球竞争力的开放创新生态放在国家发展全局重要位置，科技创新能力取得极大进步。创新能力

是国家和企业的核心能力，新时代下加快实现高水平科技自立自强，以国家战略需求为导向集聚力量进行原

创性引领性科技攻关，坚决打赢关键核心技术攻坚战是我国面对目前国际范围内出现的科技发展新形势、新

挑战的重要一环。在当前新一轮科技革命形式下，科技因素及创新能力在发展中国家追赶发达国家中起到

极其重要的作用，能帮助一国在国际竞争中取得显著优势，我国也一直将创新驱动战略放在国家发展全局的

核心位置。但是，美国近年对华采取科技封锁态势凸显，意图通过贸易制裁、投资管控、出口控制、限制科技

人员交流等各种手段，迫使中国政府放弃国家主导的高科技产业政策，对高科技产业进行多方面打击制裁，

延缓我国向创新强国发展步伐，以此来保证自身在全球科技创新领域的领导地位（孙海泳等，2019）。西方部

分国家采取科技封锁措施限制中国技术发展一直以来被当作阻碍中国技术赶超的重要手段之一。科技遏制

已经成为中美博弈中美国对华战略重要组成部分。尽管美国对华科技制裁手段强硬，但中美几十年政治交

流、经济交往及贸易往来形成的休戚与共、命运互联的国家命运共同体，使得任何一项单方面限制性措施都

会让国际关系更加复杂，损害性也更大（史本叶和杨馥嘉，2022）。

二、文献综述与逻辑事实

（一）文献综述

在中美贸易摩擦之际，美国政府对华高科技产业及相关实体采取多种限制性措施，试图通过对华技术限

制的方式保持自身在高科技领域的垄断地位。现有美国对华遏制研究方面，国内学者认为国际社会对美国

对我国采取的技术霸凌政策和封锁措施总体持反对态度（宋国友，2019），中国应该采取措施延续和巩固国际

社会现有的总体态度，并争取国际社会更大的理解和支持。中美贸易的争议源于高科技竞争（孙海泳，

2019），美国意图通过多种贸易制裁方式，迫使中国放弃国家主导的高科技产业政策延缓中国向创新强国前

进步伐。尽管在改革开放初期，国外技术引进在一定时期内使得国内技术创新水平提升（李勃昕等，2021），

收稿日期：2023‑03‑08

基金项目：国家社会科学基金后期资助项目“美国贸易政策的不确定性：渊源、验证与中国的反制”（19FGJB005）

作者简介：金泽虎，博士，安徽大学经济学院教授教授，研究方向：中国对外经济贸易：钱前，安徽大学经济学院硕士研究生，研

究方向：中国对外经济贸易。

39

技术经济 第 42 卷 第 8 期

但是新时代创新发展的驱动力已经逐渐由国外技术模仿转向自主研发为主。但由于中美贸易利益链接较

深，科技遏制事件依然会影响我国创新投入与科技产出（张亚莉等，2022）。

科技创新对经济影响研究方面，国内学者认为创新发展问题已成为我国经济和社会可持续发展的动力

来源和重要途径，在中国经济转向高质量发展的新阶段，创新驱动实现要素投入向结构效率良性转变成为经

济向高质量发展方式转变的重要路径（王磊等，2022；郭金花等，2022），拥有多样化知识基础专业化知识基础

的高技术创新国与创新能力较低的国家交流更有利于创新（于飞等，2021）。研究表明，技术差距较大的国家

之间的技术交流与贸易往来，有利于增加技术后发国获得多样化先进异质性知识的机会，从而提高创新绩效

（Turner et al，2002），拓宽其所拥有的技术领域（Quintana and Benavides‑Velasco，2008），对技术创新能力有显

著的正向作用。总而言之，科技创新在提高经济韧性与高质量方面发挥重要作用。

科技遏制影响创新产出研究方面成果较少，但科技遏制对于创新效率的抑制作用已成共识（刘兰剑和牟

兰紫薇，2023）。国内学者主要认为科技遏制通过降低进口产品质量、压缩海外业务规模及挤出研发投入抑

制企业创新（余典范等，2022），其中出口管制是美国实施技术封锁的重要手段。科技遏制事件的发生将会对

国家经济距离产生重要影响，其在衡量后发技术经济体创新追赶效应方面具有重要意义（李婧和杨修，

2019），国家间合理的经济距离能够对创新产出具备促进作用（肖宵等，2021）。

在以往的研究中，大多数的学者仅从理论层面对科技战略的概念论证科技遏制对我国的影响，缺乏直接

的科技制裁数据支撑相关观点论证，因此本文提取美国实体清单公布受制裁的中国实体企业作为研究客体，

研究科技制裁与我国创新产出的逻辑关系，并验证理论上美国科技遏制措施对我国实体企业抑制效应是否

存在，使相关研究更具真实性与普遍性，丰富了科技遏制领域研究成果。本文的主要创新点在于：一是通过

理论模型揭示美国科技施压影响我国创新驱动的机制及实际影响，从而为刻画两者的关系设计了一个从内

生到外生的解释框架；二是从经济距离、产出、贸易视角，检验并提出科技制裁对我国企业创新产出的路径，

为建立技术进步的耦合机制提供研究支点；三是通过模型的检验分析，为中国对外关系开展提供理论支持，

反对世界范围内盛行的技术制裁，这为撬动双向技术来源的共轨溢出红利，科学释放创新驱动效应，给出更

深层次的参考启示，从一个崭新的角度对中美关系提供了分析视角。

（二）美国科技施压影响中国创新发展的逻辑与事实

“十三五”规划实施期间，中国基本上完成了建设创新型国家“三步走”战略的第一步，党的二十大报告指

出我国已经成功进入创新型国家行列。根据世界知识产权组织（WIPO）公布的全球创新指数（GII）排名，中

国创新能力由 2011 年的全球第 43 位上升至 2021 年的全球第 12 位，中等偏上收入国家中位列第 1 位，亚洲地

区排名第 3 位，总体保持上升态势。鉴于我国创新型国家改革进程稳步向前推进大势，美国在国际关系中一

贯秉持的零和博弈思想转变为对中国进行科技制裁战略的一部分，该思想其实一直体现在美国进出口政策

之中，早期主要表现为对中国涉及技术、资源密集型产品设置的技术性贸易壁垒（纪建悦等，2022）。而近几

年，美国政府对中国采取的技术霸凌和封锁措施，则是基于更为苛刻的美国出口管制条例（EAR）中的“管制

清单”措施。目前对华制裁中比较常见的管制清单主要包括“实体清单”（entity list）和“未经核实清单”

（unverified list，UVL），清单性质在表 1 中阐明，其中实体清单凭借制裁实体影响范围最广、制裁后果严重、管

制方式粗暴的特点，成为美国对华科技制裁中使用次数最多的方式。与以往技术性贸易壁垒不同的是，美国

本轮制裁直接剥夺了相关高新技术企业在美贸易机会。而美方对于中国所采取的一系列技术封锁措施更多

的是基于无端的猜测和怀疑，用所谓“国家安全”借口，采用极端手段制裁中国相关企业，把原本是跨越国界

的正常科技交流和经贸往来当成实现本国战略目标的霸权武器，相较于技术性贸易壁垒而言，制裁手段更为

表 1 “实体清单”与“未经核实清单”

清单名称

实体清单

（entity list）

未经核实清单

（unverified list，

UVL）

规定位置

EAR 第 744 条

第 4 补充案

EAR 第 744 条

第 6 补充案

实质

美国工业与安全局（BIS）用来对出

口，再出口或国内转运进行限制的

工具，本质是一份贸易“黑名单”

从形式上可以称之为“观察清单”，

即美国对企业合规性需要按照“安

全标准”进行检查再行确定

影响

被列于清单的实体被定义为“从事了违反美国国家安全和外交利益的活动”。

涉及实体出口、再出口和国内转运和都需要申请额外的许可，并且绝大多数的

“许可豁免”的可用性对实体清单上的实体不在适用

被列入该清单后，涉及清单企业无法通过出口管制下的许可例外来接收美国

出口、再出口或转让（国内）的物项。美国出口商在与未经证实名单上的个人

或实体进行交易时，也需要从前述个人或实体处获取并保留记录，即未经证实

名单声明（UVL statement），该声明内容烦琐，对出口企业附带了很多调查义务

资料来源：资料来源于美国 BIS 公布实体清单文件，经翻译后整理得出。

40

金泽虎等：科技遏制导向对中国创新发展构成威胁吗？

直接、制裁目标更为明确、国际影响更为恶劣。

科技封锁战略在特朗普政府时期已经成型，2017 年美国政府出台新版《国家安全战略》报告中，就形成

了包括贸易制裁、出口控制等一系列严格限制性政策。在国家安全战略公布之后的几年内，我国大批高科技

企业及上市公司附属公司开始被纳入实体清单之中，如图 1 所示，2015—2017 年仅有 36 家实体企业被纳入

管制，并未对我国形成全方位的实质制裁，但 2018—2020 年，实体清单中国企业数量大幅上升，仅 2018 年增

长了前三年总和 2 倍之多，2020 年更是多达 252 家实体企业被纳入管制之中，增长近 7 倍，将我国大多数高新

技术产业部门纳入实体清单之中，该时期主要制裁方向主要包括以下 7 种：①中国主要军事技术研发实验

室、重要军事技术研发高校，如西北工业

大学、哈尔滨工业大学等 13 所大学，UVL

清 单 内 西 安 交 通 大 学 在 内 的 5 所 大 学

等；②5G 为核心的通信技术；③半导体

技术、芯片及人工智能技术等；④核工业

技术 ；⑤航空发动机与运载火箭技术。

图 1 数据显示，美国在 2018 年前后公布

清单涉及中国实体数量在当年累计实体

折线中存在较大上升坡度，也为美国科技

封 锁 战 略 实 际 形 成 时 间 提 供 了 事 实 依

据——美国对我国的科技封锁在至少在

2018 年就已经成型，并给我国高新技术

实体发展埋下隐患。

三、研究假说及其理论分析

（一）科技遏制趋势与创新产出

基于文献综述与特征事实分析，以美国为首的西方国家采取科技遏制影响我国创新发展、阻碍我国高端

技术产业链攀升追赶趋势进而压缩我国发展空间及效率的态势已经形成。本文在现有研究基础上展开后续

研究，期望通过严谨细致的实证分析研究科技遏制对于我国创新产出产生的实际影响是什么？该影响在不

同时段所发挥的作用是否会发生偏移？

1. 科技遏制导向与短期创新产出

国际技术差距理论认为技术差距是产生国际贸易的直接原因，是推动经济增长的动力（杨武等，2019）。

但是由于国家发展程度不同，处于技术先发国家有意识严防核心技术溢出，并利用“研发链分工战略”和外包

形式实现对核心技术的垄断和控制。发展中国家处于产业链下游，仅仅依靠购买发达国家相对“先进”的技

术、生产附加值低的产品而获得极少的加工利润，无法积累自主创新资源，造成后发技术国家对于技术先发

国家严重技术依赖，并在很长一段时间内处于技术低位。我国创新水平尽管在近些年发展水平迅速，但在某

些技术领域仍落后于美国，科技封锁事实的发生加深了中美两国技术差距，使我国与前沿技术领域脱离，造

成短期内创新产出损失。

基于此，本文提出假说 1：

短期内科技封锁抑制我国创新产出（H1）。

2. 科技遏制导向与长期创新产出

新时代对中国的科技创新提出了新的要求，我国科技创新正处于从外源性向内生性转变阶段，瞄准世界

科技前沿，不断加强基础研究，并将科技创新摆在高质量发展的核心位置，加快创新型国家建设（杨骞等，

2022）。得益于创新发展战略，中国创新水平已经具备跨级跃迁特征。我国长期以来致力于破除对于西方国

家的技术崇拜与技术依赖，防范外部技术风险，并且正处于创新发展转换阶段关键时期，尽管科技封锁冲击

会造成短期创新产出降低、某些关键技术缺失、交流渠道狭窄等，但得益于我国长期创新发展战略，长期内中

国必然将摆脱相关国家核心技术管制作为科技发展的重要方向（刘志鹏等，2022），加大相关技术研发支持与





































           





UU









+



!UU



  -/ffiffi ffl

 2@

数据来源于美国 BIS 历年公布实体清单，经整理后汇总得出

图 1 美国对华“实体清单”涉及实体分类统计图

41

技术经济 第 42 卷 第 8 期

技术攻坚力度。

基于此，本文提出假说 2：

长期内科技封锁对我国创新产出起正向倒逼作用（H2）。

（二）科技遏制对我国创新产出影响传导机制

为探究美国对于我国科技创新实体进行遏制的机理，本文继续从科技遏制对实体创新产出的直接影响

展开，即科技遏制直接作用于我国实体与美国之间的技术距离，再从实体产出环节、贸易等间接影响层面继

续研究美国科技施压影响我国创新产出的路径。

1. 技术距离效应（technoloqy distance）

基于经济距离视角，一般而言一国通过技术引进实现技术进步的成本更低，技术输出国与引进国之间技

术距离较大（罗长远和吴梦如，2022）。在两国开展正常的国际交往合作时，技术距离相差越大的国家，技术

输出国越能凭借其较高的知识水平、浓厚的创新氛围，以及较高的科技发展水平，促使引进国在交流合作中

通过学习追赶，获得更多更先进的知识与技术，而一般情况下，这些技术知识在本国往往很难获取，因此能够

促进企业的创新产出，反之，一国从另一国创新体系的技术溢出则越少，获取到的知识的广度和质量都有限

的情况下，对创新产出的促进作用也较小。但是当两国限于科技封锁泥潭时，处于高创新发展阶段的国家会

采取措施——如美国采取实体清单——限制相关国家科技创新发展，原有的两国开展正常交流合作所带来

的创新红利也就消失。当一国远离技术前沿、交流途径被阻断从而技术距离扩大时，两国交往中原有的技

术、知识溢出效应也会消失，技术进步的可能性也就降低（曹霞等，2020）。因此本文在科技遏制背景下，将技

术距离作为机制变量研究我国创新产出与美国科技施压的背后逻辑。

基于此，本文提出假说 3：

科技封锁通过提升中美两国技术距离，降低知识交流、学习效应限制高新技术产业发展（H3）。

2. 贸易规模（oversea trade）缩减的技术外溢抑制效应

基于贸易视角，主要依据在于根据 EAR 第 734 节赋予美国相关部门依据“直接产品规则”（Direct Product

Rule）和“最低成分含量规则”（De minimis rule）对位于美境外的含有“美国元素”的外国产品的管辖权利，也

就是所谓的“长臂管辖权”，美国实质意义上的执法长臂管辖权在经贸往来中的施行时间甚至早于司法长臂

管辖权（余涛，2022）。“直接产品规则”里面列明外国实体企业生产产品在研发、生产过程中直接使用了美《商

务部管制清单》列明的软件和技术，或是由使用上述软件和技术建成的工厂或其主要设备生产的，或生产出

的外国产品属于美《商务部管制清单》范围的将被严格管制。“最低含量规则”规定对于在美境外生产的外国

产品中使用技术、部件和软件等美国成分”含量标准占总价值的 25% 以上，且该产品属于美《商务部管制清

单》范围，则严格限制对所制裁国家贸易往来，这两种规则也成为美国法律层面对我国相关实体进行科技管

制、限制其在美贸易活动与技术交流的有力依据。

基于此，本文提出以下假说 4：

科技封锁通过降低相关实体公司贸易活动量，降低技术外溢限制中国创新产出发展（H4）。

3. 产出效率（tfp）削弱效应

基于产出视角，随着越来越多的发展中经济体融入全球经济体系，一国贸易强度、贸易规则等均对其他

国家具有显著影响（梁经伟等，2022）。美国是中国进出口贸易往来第一大国，中美互为重要的贸易市场，且

具有产业链上下游关系，在高新技术领域，美国市场仍具备重要地位。但是，如果我国相关企业为获得美国

市场，在生产过程中使用技术、软件等遵循美国“最低含量规则”中设定的技术标准线从而规避制裁，降低美

国成分标准，寻求剔除清单或避免被纳入清单管制，由于美国进行封锁的一般是技术含量较高产品或高新技

术产业，且美国在高新技术领域属于先行者，21 世纪很多技术发明是从美国外溢到其他国家，按照所谓“美

国标准”安排生产活动，企业将脱离先进生产技术前沿，产品技术含量下降，从而产出效率也会变低，因此，科

技遏制导向将直接作用在企业使用技术水平含量较高的产品的产出环节，对我国创新产出产生不利影响。

基于此，本文提出如下假说 5：

科技封锁通过抑制产出效应方式阻碍中国创新产出发展（H5）。

42

金泽虎等：科技遏制导向对中国创新发展构成威胁吗？

四、研究设计

（一）模型设定

本文在实证分析中主要研究科技遏制导向对于创新发展的影响，将美国实体清单制裁的中国实体的创

新产出作为研究对象，实体企业由于受美国科技封锁冲击存在时间差异，因此本文将科技封锁事件的发生看

作一次准自然实验，根据样本特点及时间特征，采用变时点 difference‑in‑differences（DID）模型检验科技遏制

与创新发展之间的内在关系，实证模型构建如下：

Innovation_outputi，t = α0 + α1Technology_blockadei，t + αcControlsi，t + γ时间 + μ行业 + εi，t （1）

其中：Innovation_outputi，t 为上市公司 i 第 t 年公司创新产出，数据来源于 Wingo 专利数据库；α0 为常数项；

Technology_blockadei，t为虚拟变量；系数 α1 为技术制裁对上市公司创新产出的影响；Controlsi，t为控制变量集

合；αc 为控制变量的回归系数；γ 和 μ 分别为时间和行业固定效应；εi，t为误差项。

（二）变量设定

1. 被解释变量

本文被解释变量（Innovation_output）为实体企业创新产出的衡量指标，由于产业链布局全球化纵深发

展，国家间技术联结趋紧，因此科技遏制对实体企业创新发展的影响较之以往也更大，并且科技遏制主要瞄

准的是国家前沿科技领域，因此本文考虑将受制裁实体发明专利申请量作为主要企业创新产出能力的代理

变量，并且采用除发明变量之外的其他专利申请量共同作为反映实体的实际创新发展水平，用以研究科技遏

制导向对于创新发展的实际影响。

2. 核心解释变量

本文的核心解释变量 Technology_blockade 是衡量实体企业是否受科技制裁影响的虚拟变量。本文从实

体清单中匹配 2011—2020 年受到美国科技制裁影响的全部 A 股上市公司，包括上市公司所辖子公司、上市

公司作为实际控制人的非上市公司，在对数据进行匹配处理之后，将实体清单上列明实体（Treated）当年赋值

为 1 作为实验组，反之从未被纳入实体清单的实体（Never Treated）赋值为 0 作为控制组。

3. 控制变量

参考国内学者的做法（胡洁等，2022），本文将可能影响企业创新产出的因素纳入控制变量，包括：资产回

报率、研发投入、金融发展水平、财务杠杆、成立日期、勒纳指数、赫芬达尔系数，具体含义表述见表 2 变量

说明。

（三）数据来源

本文选取 2011—2020 年 A 股上市公司作为研究样本，其中核心解释变量受美国科技制裁实体企业数据

来源于美国商务部公布实体清单，其余数据来源于 Ifund 金融数据终端及国泰安数据库。由于数据不可避免

出现缺失及统计方法存在差异，为了保证数据的代表性和实证结果的可靠性，本文对数据严重缺失、平稳性

较差的样本进行了剔除，最终得到 1242 个样本共 10512 个观测值。

表 2 变量说明及描述性统计

变量类型

被解释变量

核心解释变量

控制

变量

变量名称

发明专利申请量

非发明专利申请量

受科技制裁实体

资产回报率

研发投入

金融发展水平

财务杠杆

成立日期

勒纳指数

赫芬达尔系数

代码

patent

unpatent

Technology _blockade

roa

rd

fdl

dfl

date

ln

hhi

变量说明

实体发明专利申请量

实体非发明专利申请量

见上文核心解释变量部分

实体年度赢利/总产值

年度研发支出

地区金融机构存贷款余额占 GDP 比重

普通股每股收益变化率/息税前利润变化率

当年-成立年

产业绩效量度指标

产业集中度指标

样本量

10512

10512

10512

10512

10512

10512

10512

10512

10512

10512

均值

13.7423

22.6636

0.1168

8.6534

2×107

3.2466

1.6227

16.3264

0.1005

0.1358

标准误

35.8701

89.2892

0.3212

22.9119

10×108

0.3089

26.1107

6.4693

0.7687

0.1474

43

技术经济 第 42 卷 第 8 期

五、实证结果及分析

（一）样本匹配及内生性问题的处理

在研究技术封锁事件对上市公司创新产出效应之时，样本的构建与处理存在以下不可忽视的问题：一是

“反事实”样本数据存在一定的缺失；二是由于本文从实体清单中筛选符合条件的上市公司企业存在一定的

选择偏差问题，在一定程度上增加对科技封锁事件影响评估的“噪音”；三是需要保证样本的客观性。 此外，

上市公司本身存在的异质性、实验组及对照组在企业特征方面的差异都会在一定程度上导致估计结果的偏

差。因此，为缓解上述问题给实证分析造成的影响，本文采取两种方法对受到技术封锁时间影响的企业进行

样本再匹配：①全样本回归：从全部上市公司中匹配出的企业作为实验组，其余相关企业作为对照组作为一

组全样本进行检验，但此方法仍存在一定的内生性；②倾向匹配得分（PSM）样本：采用倾向匹配得分方法为

每一个实验组企业寻找与其最为相似的对照组企业，再利用匹配后的样本进行模型估计，确定究竟是哪些因

素影响企业创新产出行为，用于减少上述问题所导致的结果偏差。本文在选择式（1）全部控制变量作为协变

量，运用 Logit 模型计算倾向得分，对企业遭受技术封锁冲击的可能性进行预测，结果显示企业成立年限、研

发支出、资产回报率均在不同程度上与企业

创新产出显著正相关，其他控制变量也会影

响企业创新产出。由图 2 可知，在匹配后实

验组与控制组的核密度曲线更为接近，重叠

度较高，从而使其满足共同支撑假设。

再次，表 3 列示了匹配后实验组与对照

组公司企业特征的差异，根据偏差比例不超

过 20% 的匹配判断标准原则，可以发现匹

配后的实验组与对照组的公司特征不存在

显 著 差 异 ，同 时 ，B 栏 中 结 果 显 示 样 本 p>

chi2 为 0.831，说明整体来看均值偏差不再

显著，配对后的样本满足平衡型假设，PSM

样本内生性问题得到解决。

（二）基准回归

科技遏制对于创新产出变量的回归结

果见表 4，表 4 中的模型分为两组，模型 1、模

型 2 全样本检验为第一组，经倾向匹配得分

调整的模型 3、模型 4 为第二组。首先，由模

型回归结果可以看出两者并无显著差异，基

准检验在公司层面聚类的前提下较严格的

论证了技术封锁事件对于我国创新产出的

抑制作用，模型 1~模型 3 估计系数均在 1%

的水平上显著为负，符合理论预期。其次，

全样本回归下影响创新产出主要因素如研

发投入等控制变量显著性水平较低，但是在

经过 PSM 匹配之后，研发投入对于创新产

出的提升作用显著性提升，因此可以看出经

过再次匹配后的样本愈加符合理论预期。

（三）平行趋势检验

变时点 DID 模型的关键前提是平行趋势假设，即在政策实施前，实验组和控制组的创新产出变化趋势应该

是平行的。本文依据事件研究法进行平行趋势检验（Jacobson et al，1993；王锋和葛星，2022）。该方法可表示为

ffl





     

 

O3

&3

ffl





    

 























O3 

&3

O3

&3

（a）匹配前 （b）匹配后

图 2 PSM 倾向匹配得分核密度图

表 3 PSM 倾向匹配得分平衡性检验

变量名称

A 栏：PSM 匹配效果检验

roa

rd

fdl

dfl

date

ln

hhi

B 栏：样本总体检验

匹配后

U（匹配前）

M（匹配后）

U

M

U

M

U

M

U

M

U

M

U

M

U

M

伪 R2

0.007

处理组

4.604

4.714

93.00

89.00

3.263

3.269

1.547

1.566

17.638

17.819

0.092

0.093

0.083

0.084

卡方

统计量

4.28

控制组

5.080

4.902

87.000

92.000

3.288

3.243

1.594

1.456

18.885

17.662

0.096

0.097

0.088

0.086

显著性

水平

0.831

偏差比例

（%）

60.6

50.4

-5.2

-136.3

87.4

0.5

64.3

标准化

偏差均值

5.9

P > t

0.09

0.37

0.58

0.68

0.58

0.41

0.76

0.31

0.03

0.69

0.52

0.42

0.52

0.77

中位数标

准化偏差

5.9

44