《International Review of Economics & Finance》:Venture capital, green innovation, and corporate tax reduction
编辑推荐:
数字化与绿色化的协同发展,作为关键发展阶段实现高质量发展的重大战略安排,优化了创新资源的配置。因此,本研究利用2010年至2023年中国285个地级市的面板数据,采用双机器学习(Double Machine Learning, DML)方法,考察数字-绿色政策
数字化与绿色化的协同发展,作为关键发展阶段实现高质量发展的重大战略安排,优化了创新资源的配置。因此,本研究利用2010年至2023年中国285个地级市的面板数据,采用双机器学习(Double Machine Learning, DML)方法,考察数字-绿色政策协同(Digital-Green Policy Synergy)如何影响实质性绿色技术创新(Substantive Green Technology Innovation, GTI)和策略性绿色技术创新(Strategic Green Technology Innovation, GTU)。研究结果表明:与非试点城市相比,数字-绿色政策协同显著促进了实质性绿色技术创新,同时抑制了策略性绿色技术创新,且这些结果在多种稳健性检验中保持稳健。异质性分析显示,数字-绿色政策协同的效果存在显著的空间分化。对于实质性绿色技术创新,非交通枢纽城市和净迁入人口为正的城市表现出更强的正向效应;对于策略性绿色技术创新,抑制效应在非资源型城市、非交通枢纽城市和净迁入人口为正的城市更为显著。基于波特假说(Porter Hypothesis)和信息不对称理论(Information Asymmetry Theory),研究人员识别出产业结构(Industrial Structure)和人才引进强度(Talent Introduction Intensity)是连接数字-绿色政策协同与实质性及策略性绿色技术创新的两个关键渠道。这些发现为数字化与绿色化融合发展所产生的差异化创新效应提供了新的证据。
在全球绿色低碳转型与数字化转型加速融合的背景下,中国正面临经济高质量发展与环境保护的双重压力。2024年政府工作报告明确提出推动绿色低碳与数字化协同发展,这被视为实现高质量增长的关键战略。然而,快速工业化带来的高碳排放和资源消耗问题依然突出,绿色技术创新因其显著的正外部性而亟需政策引导。但现有环境规制政策可能引发企业“重数量轻质量”的策略性创新行为,即策略性绿色技术创新(Strategic Green Technology Innovation, GTU),而缺乏对实质性绿色技术创新(Substantive Green Technology Innovation, GTI)的有效激励。如何通过政策协同优化创新资源配置,促进GTI同时抑制GTU,成为亟待解决的学术与政策问题。为此,研究人员利用2010—2023年中国285个地级市的面板数据,采用双机器学习(Double Machine Learning, DML)方法,以“大数据综合试验区”和“低碳城市试点”的双重试点政策作为数字-绿色政策协同(Digital-Green Policy Synergy)的代理变量,系统考察其对GTI和GTU的差异化影响及机制。研究发现,数字-绿色政策协同显著提升了GTI,并显著抑制了GTU,这一结论在多种稳健性检验下依然成立。异质性分析表明,政策效果在资源禀赋、交通枢纽地位和人口流动特征上存在显著空间分化。机制分析揭示,产业结构升级(Industrial Structure Upgrading)和人才引进强度(Talent Introduction Intensity)是两条关键传导路径。该研究为理解数字化与绿色化融合发展的差异化创新效应提供了新证据,论文发表在《International Review of Economics》。
### 关键技术与方法
本研究主要采用双机器学习(DML)方法,构建部分线性模型以识别数字-绿色政策协同对GTI和GTU的因果效应,有效控制高维控制变量并缓解传统方法(如双重差分)的估计偏误。样本来源为中国285个地级市2010—2023年的面板数据,绿色专利数据来自中国创新专利研究数据库,并按世界知识产权组织(WIPO)绿色专利分类标准整理;试点城市名单来自国务院公开文件;其他控制变量数据来自《中国城市统计年鉴》。为处理遗漏变量和内生性问题,还引入海拔高度作为工具变量,并采用调整样本、更换预测算法(如普通最小二乘、Lasso回归)和改变样本分割比例等进行稳健性检验。
### 研究结果
#### 4.1 基准回归
通过双机器学习模型,在控制城市和时间固定效应及高维协变量后,数字-绿色政策协同对GTI的回归系数显著为正(1%水平),对GTU的回归系数显著为负(1%水平),验证了假设H1a和H1b,即政策协同促进实质性绿色创新、抑制策略性绿色创新。
#### 4.2 稳健性检验
- **4.2.1 考虑省份-时间交互固定效应**:纳入省份-年份交互固定效应后,政策对GTI的正向效应和对GTU的负向效应仍显著(1%水平),结论稳健。
- **4.2.2 调整研究样本**:剔除北京、天津、上海、重庆四个直辖市后,政策系数方向与显著性未变,进一步支持基准结论。
- **4.2.3 重置双机器学习模型**:改变样本分割比例(1:2和1:7)及替换预测算法(普通最小二乘、Lasso回归)后,政策效应仍显著,仅系数大小略有变化。
- **4.2.4 工具变量**:以海拔高度作为工具变量,采用部分线性工具变量模型,估计结果与基准回归一致,排除了内生性干扰。
#### 4.3 异质性检验
- **4.3.1 资源禀赋**:将城市分为资源型和非资源型。在资源型城市中,政策显著促进GTI和GTU,实现双向协同;在非资源型城市中,政策显著促进GTI但抑制GTU,表明存在技术研发与市场应用的脱节。
- **4.3.2 交通枢纽**:基于铁路网规划划分枢纽与非枢纽城市。在枢纽城市中,政策对GTI有显著抑制效应,对GTU无显著影响;在非枢纽城市中,政策显著促进GTI并抑制GTU。
- **4.3.3 人口流动**:依据净迁入人口分类。净流入城市中,政策显著促进GTI并抑制GTU;净流出城市中,政策对两者均无显著影响,反映创新资源匮乏地区的政策响应局限。
#### 4.4 机制检验
- **4.4.1 产业结构升级**:政策通过推动产业结构(以第二产业与第三产业比值衡量)升级,显著抑制GTU,但对GTI的促进效应不显著,H2a未完全验证,H2b得到支持。
- **4.4.2 人才引进强度**:政策显著提升人才引进强度(基于政府工作报告关键词权重计算),进而显著促进GTI并抑制GTU,H3a和H3b均得到验证。
### 总结讨论与结论
在绿色发展与数字化转型的双重背景下,促进更高效、可持续的技术创新路径成为关键议题。数字-绿色政策协同作为一种重要政策工具,为同时推动实质性绿色技术创新(GTI)和策略性绿色技术创新(GTU)提供了新方案。本研究从创新二重性视角深入分析其赋能机制,旨在为中国绿色转型和可持续发展提供理论基础与政策启示。实证结果表明,数字-绿色政策协同显著促进GTI并抑制GTU,该结论在多种稳健性检验后依然成立。异质性检验显示,资源禀赋差异未显著影响GTI;在资源型城市中政策显著促进GTU,在非资源型城市中则显著抑制GTU。交通枢纽城市中政策对GTI有显著抑制,但对GTU无显著影响;非枢纽城市中政策显著促进GTI并抑制GTU。净人口流入城市相比净流出城市,在促进GTI和抑制GTU方面效果更佳。机制方面,数字-绿色政策协同通过提升产业结构升级和人才引进强度促进GTI增长,同时抑制GTU发展。