EN中文

Economic geography >

2025 , Vol. 45 >Issue 10: 1 - 10

DOI: https://doi.org/10.15957/j.cnki.jjdl.2025.10.001

The Spatial Network Structure of Green Innovation Efficiency and Its Economic Growth Effects in the Yellow River Basin

  • WU Xiaoxia , 1, 2 ,
  • WANG Xueyuan 1 ,
  • GUO Tao , 3, ※
Expand
  • 1. School of Urban Economics and Public Administration， Capital University of Economics and Business， Beijing 100070， China
  • 2. Beijing Key Laboratory of Megaregions Sustainable Development Modelling， Beijing 100070， China
  • 3. School of Economics， Shandong University of Finance and Economics， Jinan 250002， Shandong，China

Received date: 2024-07-11

  Revised date: 2025-05-27

  Online published: 2025-11-20

Fold

Abstract

This paper uses the Super-SBM-DEA model to measure the green innovation efficiency of 54 prefecture-level cities (autonomous prefectures) in the Yellow River Basin from 2007 to 2021, uses the modified gravity model and social network analysis method to explore the spatial network characteristics of green innovation efficiency, and uses panel regression to analyze the economic growth effects of the spatial network of green innovation efficiency. The results show that: 1) The green innovation efficiency and its network structure in the Yellow River Basin are constantly optimized. From 2007 to 2021, the green innovation efficiency increased from 0.51 to 0.69, with increasingly dense network connections, stable network structures, and better network connectivity; 2) The green innovation efficiency and its network structure in the lower reaches of the Yellow River Basin are better than those in the upper and middle reaches. From 2007 to 2021, the average annual growth rate of green innovation efficiency in the lower reaches was 6.14%, which was 2.28 and 4.33 percentage points higher than that in the upper and middle reaches, respectively; 3) Core cities such as Lanzhou, Xi'an, Taiyuan, Zhengzhou, and Jinan have better promoting effects on network structure optimization and regional economic growth than peripheral cities;4) The green innovation network structure of the Yellow River Basin has a positive impact on economic growth, with significant spatial spillover effects.

Key words： green innovation efficiency; spatial network structure; economic growth effects; social network analysis; core cities; the Yellow River Basin

Cite this article

WU Xiaoxia , WANG Xueyuan , GUO Tao . The Spatial Network Structure of Green Innovation Efficiency and Its Economic Growth Effects in the Yellow River Basin[J]. Economic geography, 2025 , 45(10) : 1 -10 . DOI: 10.15957/j.cnki.jjdl.2025.10.001

黄河流域是我国重要的生态屏障，也是我国重要的经济地带，在国家发展大局和社会主义现代化建设全局中具有重要地位[1]。但由于生态本底差，资源环境承载能力弱，人口、产业的集聚和对自然资源的高强度开发，致使黄河流域出现环境污染、传统产业亟待升级等问题[2]。为有效解决黄河流域经济发展与生态保护之间的矛盾，2019年9月，黄河流域生态保护和高质量发展上升为重大国家战略。2021年10月，习近平总书记在推动黄河流域生态保护和高质量发展座谈会上指出，要坚定走绿色低碳发展道路，推动流域经济发展质量变革、效率变革、动力变革。绿色创新以绿色为发展理念，创新为发展动力，兼顾经济效益与环境效益，反映了创新水平和绿色发展水平，已成为推动经济高质量发展的有效途径[3]。绿色创新效率是纳入资源消耗和环境污染之后对创新发展质量的综合评价[4]。随着绿色创新要素流动和主体间相互作用的加强，绿色创新网络逐步形成，畅通的绿色创新网络能够有效推动本地绿色创新能力提升，还能通过空间关联促进周边地区绿色创新效率提升，增强区域竞争优势[5]。因此，探索黄河流域绿色创新效率的空间网络特征及其经济增长效应，对于黄河流域打造大江大河治理的重要标杆、建设国家生态安全的重要屏障和高质量发展的重要试验区意义重大。
近年来，国内外关于绿色创新效率的研究主要集中在5个方面：一是测度绿色创新效率，包括确定研究对象、选择测度方法和构建指标体系。研究对象主要集中在企业（行业）[6-7]和区域[8-9]两个层面，对绿色创新效率时空演变特征、空间溢出效应和影响因素等问题进行研究。绿色创新效率的测度方法分为参数和非参数方法两大类，其中参数方法以随机前沿分析（SFA）为主[10]，非参数方法以数据包络分析方法（DEA）为主。绿色创新效率指标体系的构建通常基于传统创新效率指标体系，补充环境效益相关内容，如资源消耗、环境污染等指标[11]。二是探讨绿色创新效率的影响因素，主要集中在环境规制[12]、产业集聚[13]和FDI引进[14]等方面。三是分析绿色创新效率的时空分异特征。我国整体及东中西部地区的绿色创新水平均呈上升趋势[15]，绿色创新效率的空间差异显著，外生性因素对不同地区绿色创新效率收敛的影响不尽相同[16]。四是探索绿色创新效率的空间网络结构。根据修正的引力模型计算绿色创新效率的空间关联强度矩阵，以此为“关系”数据，运用社会网络分析法对研究区域的绿色创新效率空间网络结构和空间关联特征进行探索，并根据QAP相关分析和回归分析识别网络结构的影响因素[3]。五是研究绿色创新效率与经济增长的关系。基于省域面板数据，分析绿色创新效率、生态效率与经济增长质量的耦合协调发展状况[17]，也有类似研究探讨技术协同创新网络特征对经济增长的影响[18]。关于黄河流域绿色创新效率的研究主要集中在两个方面：一是基于对黄河流域绿色创新效率的测度结果，从网络视角对绿色创新效率的时空演进规律和影响因素进行探究[19]；二是构建耦合协调模型，对黄河流域经济发展、绿色创新与生态环境耦合协调度进行测算[20]。
综上可见，现有研究在绿色创新产出的衡量指标选取、绿色创新效率网络对经济增长的影响机制和效应分析等方面存在不足。相较于以往文献，本文的边际贡献体现在两个方面：一是选取绿色专利获得量用于衡量绿色创新产出，可以更真实地反映绿色创新产出的科学内涵；二是创新性地基于空间网络结构中节点城市的中心性、影响力以及核心城市与边缘城市的关系等视角，探讨绿色创新效率网络对经济增长的影响机制，并以黄河流域重点地级市为研究对象，对黄河流域绿色创新效率空间网络的经济增长效应进行深入研究，可为黄河流域生态保护和高质量发展的政策制定提供参考。

1 研究区、方法及数据

1.1 研究区概况

黄河流域流经我国东、中、西三大区域，干流全长5464 km，流域总面积79.5万km2。截至2020年末，黄河流域水资源总量为66489.9亿m3，约占全国的20.54%[21]；常住人口为4.21亿，约占全国的29.84%；GDP为25.59万亿元，约占全国的25.18%[22]。
黄河流域空间范围的确定主要依据水利部黄河水利委员会划分的自然流域范围，由于《长江经济带发展规划纲要》将四川划入长江经济带，故将其剔除，选取内蒙古、甘肃、宁夏、青海、山西、陕西、河南、山东8省（自治区）。根据国家地图出版社出版的《黄河流域地图》、各地级市政府网站的信息以及《山东省黄河流域生态保护和高质量发展规划》，明确了60个地级行政区（表1）。由于甘肃省甘南藏族自治州、青海省海东市、海北藏族自治州、黄南藏族自治州、海南藏族自治州、果洛藏族自治州6个地级行政区的相关数据严重缺失，故而剔除。最终确定黄河流域54个地级市为研究对象（图1）。
表1 黄河流域上中下游地区地级市(自治州)划分

Tab.1 Division of Prefecture-level cities (autonomous prefectures) in the upper, middle and lower reaches of the Yellow River Basin

地级市（自治州）
黄河上游
（25个）		 呼和浩特、包头、乌海、鄂尔多斯、巴彦淖尔、乌兰察布、兰州、白银、武威、定西、天水、平凉、庆阳、甘南藏族自治州、银川、石嘴山、吴忠、固原、中卫、西宁、海东、海北藏族自治州、黄南藏族自治州、海南藏族自治州、果洛藏族自治州
黄河中游
（20个）		 太原、长治、晋城、朔州、晋中、运城、忻州、临汾、吕梁、西安、铜川、宝鸡、咸阳、渭南、延安、榆林、商洛、洛阳、焦作、三门峡
黄河下游
（15个）		 济南、淄博、东营、济宁、泰安、德州、聊城、滨州、菏泽、郑州、开封、安阳、鹤壁、新乡、濮阳

注：加粗显示的6个地级行政区相关数据缺失。

图1 研究区概况

Fig.1 The map of research region

1.2 研究方法

1.2.1 含非期望产出的Super-SBM-DEA模型

Tone提出了含非期望产出的Super-SBM-DEA模型，该模型具有非径向、非角度的特点，对最前沿的决策单位进行有效排序，更适合测算与绿色相关的效率[23-24]。

1.2.2 修正的引力模型

现有研究通常采用引力模型探讨空间关联关系[25]。参考现有文献[5,26]，本文选择引力模型测算黄河流域地级市之间绿色创新效率的空间关联强度。同时结合研究需要，对原始模型进行修正。修正的引力模型表达式为：
${\eta }_{ij}={K}_{ij}\frac{\sqrt[3]{GI{E}_{i}·{N}_{i}·{R}_{i}}·\sqrt[3]{GI{E}_{j}·{N}_{j}·{R}_{j}}}{{{D}_{ij}}^{2}}$
${K}_{ij}=\frac{GI{E}_{i}}{GI{E}_{i}+GI{E}_{j}}$
式中：ηij为城市i和城市j间绿色创新效率的关联强度；GIEi、GIEj为城市i和城市j的绿色创新效率；Dij为城市i和城市j的直线距离，使用ArcGIS软件计算；Ni和Nj为城市i和城市j的规模以上工业产品销售收入；Ri和Rj为城市i和城市j的科技服务业从业人员数；Kij为城市i对ηij的贡献率。对绿色创新联系强度矩阵数据进行对比分析，将1作为临界值，当ηij大于临界值时，表示城市i对城市j存在关联，赋值为1；反之，则赋值为0，进而基于有效连接构建绿色创新效率网络[27]。

1.2.3 社会网络分析法

从整体关联结构、中心性、影响力、核心—边缘结构4个层面分析黄河流域绿色创新效率的空间网络特征[26,28]。其中，整体关联结构用于检验网络关联程度和网络结构的稳健性，可用空间关联网络结构图、整体网络密度、网络关联度、网络效率和平均最短路径来测度。中心度用于刻画某个节点在社会网络中所居地位的重要性，即与其他节点联系的密切程度，可用度数中心度来衡量。结构洞常用于判断居于中间位置的节点是否处于重要位置，以及该节点影响力的大小，可用限制度来测度。核心—边缘结构用于分析不同城市在网络中的核心—边缘结构分布和演变特征，可用每个城市在城市网络中的核心度值进行测度。

1.3 指标选取与数据来源

绿色创新效率的测度应注重经济效益和环境效益的统一，参考现有文献[29-31]，构建绿色创新效率投入—产出指标体系（表2）。投入指标分为资本投入、人力投入和能源投入，其中选取水、电、液化石油气和天然气四类能源消费总量，运用熵权法测算能源消费指数作为能源投入代理值[29]。期望产出包括经济产出、技术产出和生态产出。其中绿色专利获得量为各城市当年获得的绿色发明数量和绿色实用新型数量之和，以此代表技术产出[32]。非期望产出选取工业SO2、废水和烟粉（尘）排放量，运用熵值法计算得出环境污染指数作为非期望产出代理值[30]。
表2 黄河流域绿色创新效率的投入—产出指标体系及说明

Tab.2 Input-output index system of green innovation efficiency in the Yellow River Basin

一级指标 二级指标 三级指标 单位
投入指标 资本投入 科学技术支出 万元
教育支出 万元
人力投入 从事科学研究和技术服务业人数 万人
从事水利、城市环境、公共设施管理业人数 万人
能源投入 供水总量 万m3
全社会用电量 万kW·h
液化石油气供气总量 t
天然气供气总量 万m3
产出指标 技术产出 绿色专利获得量 件
生态产出 建成区绿化覆盖率 %
非期望产出 工业SO2排放量 万t
工业废水排放量 万t
工业烟（粉）尘排放量 万t
数据来源为2008—2022年《中国城市统计年鉴》，各省份、地级市统计年鉴，国民经济和社会发展统计公报以及中国研究数据服务平台（CNRDS）等，其中进出口总额数据用当年的平均汇率换算。部分缺失的数据运用插值法补充。

2 结果分析

2.1 黄河流域绿色创新效率分析

基于包含非期望产出的Super-SBM-DEA模型，本文对2007—2021年黄河流域54个地级市的绿色创新效率进行测算，并绘制黄河流域全域、上游、中游和下游4个区域的均值变化趋势图（图2）。
图2 2007—2021年黄河流域全域及上中下游地区绿色创新效率的变化趋势

Fig.2 The changing trend of green innovation efficiency in the whole basin, the upper, middle and lower reaches in the Yellow River Basin during 2007-2021

从全域看，2007—2021年黄河流域绿色创新效率呈波动上升趋势，由2007年的0.51增长到2021年的0.69，平均增速为2.18%，绿色创新能力不断优化。黄河流域全域绿色创新效率的变化主要分为3个阶段：第一阶段（2007—2012年），绿色创新效率由0.51波动下降至0.32，2012年的绿色创新效率为15年内最低值。在该阶段，2008年全球金融危机爆发后，为刺激经济，各地方政府开展了基础设施和重点项目建设，消耗了大量的能源和资源，环境遭到污染，使绿色创新效率降至最低。第二阶段（2013—2018年），绿色创新效率从0.34波动增长至0.52。党的十八大报告强调要大力推进生态文明建设，将其融入经济、政治、文化、社会建设各方面和全过程。《黄河流域综合规划（2012—2030年）》提出要加快建设节水型社会，强化流域综合管理，维持黄河健康生命，支撑流域及相关地区经济社会的可持续发展。随着黄河流域综合治理能力的提升以及新发展理念的推进，流域经济社会发展模式不断完善，使得黄河流域绿色创新效率在波动中增长。第三阶段（2019—2021年），绿色创新效率从0.44大幅增长至0.69。强调牢固树立和贯彻落实创新、协调、绿色、开放、共享的新发展理念。《国家创新驱动发展战略纲要》也明确提出发展智能绿色制造技术、生态绿色高效安全的现代农业技术、安全清洁高效的现代能源技术以及资源高效利用和生态环保技术，推进产业提质升级。此外，2019年黄河流域生态保护和高质量发展上升为重大国家战略。该时期，以上战略的实施使得黄河流域绿色创新效率显著提升，增长幅度高于前两个阶段。
从黄河流域上游、中游、下游地区看，下游的绿色创新效率高于上游和中游地区。2007—2021年，黄河流域下游的绿色创新效率从0.46增长到0.88，中游地区由0.50增长到0.52，上游地区由0.55增长到0.72。同期，黄河流域下游地区绿色创新效率的年均增速为6.14%，分别比上游和中游地区高出2.28和4.33个百分点。可能原因是，黄河下游地区包含山东和河南的部分城市，经济较为发达，对产业转型升级和生态保护更为重视，绿色创新效率较高。黄河中游地区包含山西、陕西和河南部分城市，该区域能源储量丰富，部分资源型城市的生态环境状况较差，现代煤化工产业发展迟缓，使得绿色创新产出较少，绿色创新效率较低。黄河上游地区包含内蒙古、宁夏、甘肃和青海的部分城市，该区域人口稀少，生态环境脆弱，经济基础相对薄弱，且偏重发展资源型产业，使得绿色创新效率较低。

2.2 黄河流域绿色创新效率的空间网络结构特征

2.2.1 黄河流域绿色创新效率网络的整体特征

图3展示了2007和2021年黄河流域绿色创新效率的网络结构。从中看出：一方面，流域网络节点城市间的关联线数增多，网络密集程度提高，整体网络结构趋于复杂；另一方面，流域绿色创新网络节点数增多，呈现多中心发展趋势。具体而言，2007年网络联系密集地区主要集中在流域中下游的部分城市，以山东、河南为主，关键节点城市为下游的郑州、济南和淄博，中游的太原、洛阳和西安。到2021年，黄河中游的西安和下游的郑州最为突出。此外，黄河上游的兰州，黄河中游的太原、洛阳以及黄河下游的济南、东营、淄博与流域内其他城市的联系也较为紧密。
图3 黄河流域绿色创新效率网络结构演变

Fig.3 Structure of green innovation efficiency network in the Yellow River Basin in 2007 and 2021

由图4可知，黄河流域绿色创新效率网络密度由2007年的0.21增长到2021年的0.76，增长幅度较大，表明节点间联系越来越紧密，网络整体对创新资源要素的配置能力越来越强。网络关联度由2007年的0.68稳步增长到2014年的0.98，自2015年起，始终维持在1。由此可知，2015年之后，不存在独立于网络之外的城市，两城市之间的关联途径越来越多，各城市间的绿色创新往来日益均衡。网络效率由2007年的0.69下降到2021年的0.21，表明黄河流域绿色创新网络中的冗余关系越来越多，整体网络结构越来越稳定。平均最短路径由2007年的1.73下降到2021年的1.24，表明两节点城市建立联系需经过其他城市的最小连接数的平均值不断降低，整体网络的连通性越来越好。
图4 2007—2021年黄河流域绿色创新效率网络整体特征变化趋势

Fig.4 The changing trend in the overall characteristics of the green innovation efficiency network in the Yellow River Basin during 2007-2021

2.2.2 黄河流域绿色创新效率网络的中心性特征

度数中心度表示与节点直接相连的其他节点的个数，可用于衡量节点城市在网络中的地位。从黄河流域全域看，节点城市的度数中心度均值不断增加，由2007年的12.89增长到2021年的42.11。从黄河流域上游、中游、下游地区看，各区域城市度数中心度水平存在差异。2021年，黄河上游、中游、下游地区城市的度数中心度均值分别为36.26、44.30和46.60，说明黄河下游城市的影响力普遍高于上游和中游城市。黄河流域上游的中心城市为呼和浩特、鄂尔多斯、兰州和银川，中游的中心城市为西安、太原和榆林，下游的中心城市为郑州、济南和东营，上、中、下游地区中心城市的度数中心度显著高于均值，极化效应显著，次中心城市发育不足，使得中心城市辐射带动周边城市绿色发展的渠道受阻，导致区域绿色创新发展呈现不均衡态势（表3）。
表3 2007、2014和2021年黄河流域度数中心度排名前10位的城市

Tab.3 Top 10 cities of degree centrality in the Yellow River Basin in 2007, 2014 and 2021

城市 2007年 城市 2014年 城市 2021年
中心度 点出度 点入度 中心度 点出度 点入度 中心度 点出度 点入度
西安 43 40 41 西安 53 52 53 郑州 53 53 53
郑州 38 38 33 郑州 52 51 52 榆林 53 53 49
洛阳 36 36 33 兰州 50 48 48 西安 53 53 53
太原 35 33 33 洛阳 50 47 50 太原 53 53 52
济南 33 31 32 济南 49 43 49 兰州 53 53 53
渭南 29 16 29 太原 47 46 47 济南 53 53 53
淄博 29 18 29 鄂尔多斯 44 44 43 呼和浩特 53 53 53
东营 27 23 26 银川 44 42 41 鄂尔多斯 53 53 52
兰州 23 21 15 淄博 44 41 44 银川 53 52 53
新乡 23 22 20 东营 43 42 42 东营 52 51 52

2.2.3 黄河流域绿色创新效率网络的影响力特征

限制度可用于衡量节点城市受到网络中其他城市的限制程度。节点城市的限制度越大，说明城市非冗余联系的能力越弱，在创新合作网络中获取的知识和信息越少。从黄河流域全域看，节点城市的限制度均值不断降低，由2007年的0.24下降到2021年的0.08。从黄河流域上游、中游、下游区域看，各城市的限制度均值存在差异。2021年，黄河上游、中游、下游地区城市的限制度均值分别为0.088、0.081和0.080，说明黄河上游城市所受网络限制的程度显著高于中游和下游城市（表4）。其中，黄河上游的定西、天水、平凉的限制度始终保持全流域前10位的水平，说明以上节点城市在创新合作和创新资源流动中均受到其他城市的限制，对周边城市的影响力较小。
表4 2007、2014和2021年黄河流域限制度排名前10位的城市

Tab.4 Top 10 cities of constraint degree in the Yellow River Basin in 2007, 2014 and 2021

2007年 2014年 2021年
城市 限制度 城市 限制度 城市 限制度
定西 1.00 固原 1.00 武威 0.13
天水 1.00 定西 0.36 固原 0.12
忻州 1.00 中卫 0.30 定西 0.10
延安 1.00 铜川 0.26 朔州 0.10
庆阳 0.58 武威 0.20 白银 0.09
白银 0.54 平凉 0.19 天水 0.09
西宁 0.54 吴忠 0.17 平凉 0.09
商洛 0.41 庆阳 0.17 石嘴山 0.09
石嘴山 0.35 天水 0.16 鹤壁 0.09
平凉 0.30 乌海 0.16 巴彦淖尔 0.09

2.2.4 黄河流域绿色创新效率网络的核心—边缘特征

核心度可用于衡量网络节点城市的核心—边缘结构和集聚程度（表5）。结果显示，2007、2014和2021年节点城市的核心度均值分别为0.10、0.12和0.13，核心度不断增加，流域集聚程度逐渐提升。具体而言，2007年核心城市和边缘城市的核心度均值分别为0.28和0，2014年核心城市和边缘城市的核心度均值分别为0.18和0.02，2021年核心城市和边缘城市的核心度均值分别为0.16和0.05。核心城市个数逐年增加，边缘城市个数逐年减少，且核心城市与边缘城市的核心度差值逐年缩小，表明技术转移选择性增多，城市间创新来往更加密切。
表5 2007、2014和2021年黄河流域绿色创新效率网络核心和边缘区城市统计

Tab.5 The core-periphery structure of green innovation efficiency network in the Yellow River Basin in 2007， 2014 and 2021

年份 核心区 边缘区
2007 太原、西安、洛阳、郑州、济南 乌海、巴彦淖尔、乌兰察布、武威、定西、石嘴山、吴忠、固原、中卫、榆林
2014 兰州、太原、西安、洛阳、郑州 武威、定西、固原、中卫、铜川
2021 呼和浩特、鄂尔多斯、兰州、太原、西安、榆林、郑州、济南 武威、定西、石嘴山、固原、朔州

2.3 黄河流域绿色创新效率网络的经济增长效应

发展绿色经济是实现环境保护与经济发展相协调的基本途径，是实现区域高质量发展的重要手段。绿色创新通过改善生产工艺，减少资源用量，降低环境治理成本，兼顾经济收益和环境绩效，是绿色经济发展的重要支柱。绿色创新资源在区域内广泛流动，跨城市合作创新成为必然趋势，并进一步形成绿色创新网络。而绿色创新网络一旦形成，网络中的各主体就可以共同调动、整合区域间的绿色创新资源，产生单独个体和单个区域无法实现的整体协同效应和经济增长效应，从而实现地区经济增长。

2.3.1 黄河流域绿色创新效率网络影响经济增长的机制

研究表明，网络位置直接关系到技术合作、知识流动的频率与强度，进而影响城市间技术转移、创新活动及产出水平[18]。从核心城市看，占据网络核心位置的城市往往能有效获取和分配绿色创新资源[33]，其搜寻、获取、吸收、转化创新资源的能力更强，从而有利于降低信息传输和转化成本，提升绿色创新的研发效率。同时，位于中心的核心城市在异质性或稀缺性资源获取上具有优势，并在政策上享有较大自主权利，从而更容易将技术创新成果转化为实际的经济效益，并推进经济发展[34]。而绿色创新效率的中心性一旦形成，会促使地区绿色产业发展出现良性循环，有利于淘汰落后、高污染产能，发展绿色、低碳、环保的新兴产业，实现产业结构的绿色转型。因此，度数中心度越高的城市在绿色创新网络中的“桥梁”作用更加明显，与其他城市间的技术交流和创新协同也更加顺畅，可以通过提升绿色创新资源获取能力、促进产业结构转型升级推动城市绿色经济发展。由此，本文提出假说1。
假说1：节点城市在绿色创新效率网络的中心性提升能够促进区域经济增长。
绿色创新网络的另一个空间特征是“核心—边缘”结构。由于绿色创新能力的差异，在中心城市以外，必然存在数量众多的“边缘”城市，边缘城市能否在绿色创新网络中受益，关系着绿色创新网络整体效益的实现。相关研究表明，随着区域经济开放的深入，创新资源的空间流动越来越频繁，协同空间联系越来越复杂，创新资源能够更加有效地转化为生产力，进而推动区域经济的持续增长[35]。在本研究中，节点城市绿色创新效率对边缘城市的带动取决于3个方面：一是节点城市具有较高的“拉动”能力，节点城市本身的度数中心度较高，且具有带动周边地区绿色创新效率提升的能力；二是节点城市的限制度较低，即节点城市与网络其他城市之间的信息和资源流动限制越低，核心城市与边缘城市之间信息和资源流动渠道越高效，受网络的限制力较小，城市之间不存在明显的地方性保护壁垒和信息不对称问题，从而能够在更大范围内实现绿色创新知识的空间溢出，带动边缘城市产业绿色升级；三是边缘城市具有较好的绿色创新产业嵌入能力，能够与核心城市产生协同作用，自身绿色技术与研发水平能够通过产业链和供应链与核心城市相互衔接，在不断优化提升自身产业结构的同时，还可以通过优势互补提升整体区域的绿色创新转化能力。由此，核心城市和边缘城市就会形成紧密联系的绿色创新链接，促进区域内各城市、各产业之间的协同创新和技术扩散，随着绿色创新网络不断向扁平化发展，就会带来整体绿色创新资源配置能力的提升、创新产出能力的提高以及区域整体产业结构的绿色转型升级，从而促进更大范围内的区域经济增长（图5）。由此，本文提出假说2和假说3。
图5 绿色创新效率网络影响经济增长的机制

Fig.5 The mechanism of green innovation efficiency network on regional economic growth

假说2：节点城市限制度越低，创新合作网络的知识交互能力越强，越有利于促进区域经济增长。
假说3：绿色创新核心城市与边缘城市的关联越密切，越有利于推动边缘城市核心度提升，从而实现全流域经济增长。

2.3.2 变量选取及模型设定

为探索黄河流域绿色创新网络特征是否有利于流域生态保护和高质量发展，以及不同等级节点城市对黄河流域经济增长的影响是否存在差异，构建面板回归模型进行实证分析。
借鉴已有文献[28,36-42]，本文选取地区生产总值（GDP）作为被解释变量，以绿色创新效率空间关联网络的结构变量（NETWORK）作为解释变量，包括度数中心度（DC）、限制度（CON）和核心度（CORE）。此外，考虑到区域经济增长受多重因素影响，控制变量主要包括劳动力投入（LAB）、政府财政干预（GOV）、产业结构（第二产业占GDP比重，IS1；第三产业占GDP比重，IS2）、资本投入（固定资产投资，FAI）、金融发展水平（年末金融机构存贷款余额，FIN）、对外开放水平（进出口贸易总额，OPEN）、信息化水平（互联网用户数，NET）和公共服务水平（医院、卫生院床位数，SER），模型设定如下：
${Y}_{it}=\alpha +\beta NETWOR{K}_{it}+\delta CONTRO{L}_{it}+{\epsilon }_{it}$
式中：i和t分别表示城市和年份；Yit为被解释变量；NETWORKit为网络结构变量；CONTROLit为控制变量；α为常数项；εit为随机误差项。

2.3.3 回归分析结果

在进行回归分析之前，首先针对面板数据进行LM检验和Hausman检验（表6）。结果显示，固定效应模型优于随机效应模型，因此本文采用固定效应模型对面板数据进行估计。
表6 回归分析结果

Tab.6 Regression analysis results

变量 模型1 模型2 模型3
度数中心度（DC） 0.0018**
限制度（CON） -0.0861***
中心度（CORE） 0.5425***
劳动投入（LAB） 0.0649* 0.2114*** 0.1902***
政府财政干预（GOV） 0.4508*** 0.4334*** 0.4327***
第二产业占比（IS1） 0.0209*** 0.0200*** 0.0202***
第三产业占比（IS2） 0.0155*** 0.0131*** 0.0137***
资本投入（FAI） 0.0860*** 0.0818*** 0.0771***
金融水平（FIN） 0.0710*** 0.0400* 0.0492**
对外开放（OPEN） 0.0064 -0.0052 -0.0017
互联网（NET） 0.0654*** -0.0105 -0.0082
公共服务（SER） -0.0330 0.0226 0.0315
cons -1.1013** 5.5836*** 5.3165***
N 810 810 810
R2 0.9450 0.9664 0.9664

注：为节省版面，t值不显示，***、**、*分别表示在1%、5%和10%显著性水平上显著。

模型1选择的核心解释变量为度数中心度，研究绿色创新网络中心性对区域经济增长的影响。从模型1回归结果可知，度数中心度（DC）的系数显著且为正，表明节点城市在绿色创新网络的中心性提升会促进区域经济增长。度数中心度越大，节点城市所处位置越趋于核心，其获取绿色创新资源的能力越强，与网络中其他城市的信息传递通道越多，更有利于形成地区绿色产业发展的良性循环，最终促进区域经济增长，假说1得到检验。
模型2选择的核心解释变量为限制度，研究绿色创新效率网络影响力对区域经济增长的影响。从模型2回归结果可知，限制度（CON）的系数显著且为负，表明节点城市限制度越低，受到网络的限制力越小，在创新合作网络中获取的知识和信息越多，知识交互能力越强，知识吸收与再利用的能力越强，也有利于推动产业结构转型升级，进而促进区域经济增长，假说2得到验证。
模型3选择的核心解释变量为核心度，研究绿色创新效率网络核心—边缘结构对区域经济增长的影响。从模型3回归结果可知，核心度（CORE）的系数显著且为正，表明绿色创新核心城市与边缘城市的关联越密切，越有利于推动边缘城市核心度提升，有利于网络向多中心扁平化转变，带来绿色创新资源配置能力、产业绿色转型升级能力和创新产出能力的提升，进而促进经济增长，假说3得到验证。
除了三大核心解释变量外，控制变量中的劳动力投入、政府财政干预、产业结构、资本投入和金融发展水平均通过显著性检验，且对经济增长具有正向促进作用。

2.3.4 内生性检验

由于绿色创新网络结构能够影响区域经济增长，区域经济增长也可能反向影响绿色创新网络结构，双向因果关系带来的内生性问题可能导致估计结果有偏和不一致。为检验两者之间是否存在反向的因果关系，本文引入核心解释变量的滞后一期作为工具变量，利用两阶段最小二乘法（2SLS）进行内生性检验。一方面，核心解释变量与核心解释变量滞后一期相关，满足相关性；另一方面，滞后变量已经发生，与当期扰动项无关，满足外生性。因此，采用核心解释变量的滞后一期作为工具变量满足所需要的条件。
为保证工具变量的有效性，本文进行“不可识别检验”和“弱工具变量检验”。结果显示，Cragg-Donald Wald F统计量远大于Stock-Yogo弱工具变量检验10%水平下的临界值，表明工具变量选取有效，拒绝“弱工具变量”的原假设。同时，LM统计量在1%水平通过了不可识别检验，表明采取的工具变量有效。此外，使用核心解释变量滞后一期作为工具变量后，2SLS的回归结果与基准回归结果基本一致，度数中心度、限制度、核心度指标保持显著，表明模型具有可靠性。因此在考虑内生性问题的情况下，度数中心度和核心度均对区域经济增长具有显著的促进作用，而限制度则显著制约区域经济增长。

2.3.5 稳健性检验

为检验模型的稳健性，本文选择替换变量法和剔除特殊样本法分别进行检验。首先，将被解释变量GDP更换为人均GDP，以此来衡量区域经济增长（模型1~模型3）。结果显示，以度数中心度、限制度和核心度为核心解释变量的回归结果（0.0629***、-0.1630***、1.2061***）均通过了1%的显著性检验，且与主假设保持一致，说明模型设定具有稳定性。其次，根据社会网络分析，综合得出兰州、太原、西安、郑州和济南为网络核心城市。由于核心城市经济发展水平较高，享受政策倾斜，拥有更丰富的科技和人才资源，可能导致结果出现偏误，因此采用剔除核心城市的方法重新检验基准回归，稳健性结果与主假设保持一致，进一步证明基准回归结果具有稳健性。

3 结论与建议

3.1 主要结论

本文根据2007—2021年黄河流域54个地级市的绿色创新效率，基于修正引力模型和社会网络分析法，对黄河流域的绿色创新效率网络指标进行测度，并探索了绿色创新效率网络结构的经济增长效应。主要结论如下：
①黄河流域绿色创新效率及其网络结构均不断优化。黄河流域的绿色创新效率显著上升，由2007年的0.51增长到2021年的0.69。绿色创新网络联系越来越密集，2007—2021年网络节点城市数量和城市间关联线数均呈增加态势，整体网络密度由0.21增长到0.76，网络关联度由0.68增长到1.00。绿色创新网络结构越来越稳定，网络效率由2007年的0.69下降到2021年的0.21。绿色创新网络连通性越来越好，平均最短路径由2007年的1.73下降到2021年的1.24。
②黄河流域下游地区的绿色创新效率及其网络结构均优于上游和中游地区。2007—2021年，黄河下游的绿色创新效率由0.46增长到0.88，黄河中游由0.50增长到0.52，黄河上游由0.55增长到0.72。除2007和2008年外，黄河下游的绿色创新效率始终高于上游和中游。同时，黄河流域上中下游的绿色创新网络整体性指标呈现“下游>中游>上游”的特征。黄河下游各城市间的创新联系更加紧密，绿色创新效率溢出更为显著，而黄河上游和中游则有待提高。
③核心城市对网络结构优化和区域经济增长的促进作用优于非核心城市。根据中心度、影响力和核心—边缘结构的测度结果，黄河流域上游的兰州、中游的太原和西安、下游的郑州和济南在网络中处于核心地位，发挥重要的“桥梁”作用，对其他城市的控制力强，有助于网络发展；黄河上游的武威、定西、天水、平凉、固原，中游的朔州处于非核心地位，影响力较低，制约网络的发展。由于核心城市与网络中其他城市的信息传递通道较多，创新要素转化为绿色创新产出的能力较强，城市综合能力不断提升，最终促进区域经济增长。而边缘城市受到网络的限制较大，在创新合作网络中获取的知识和信息较少，知识吸收、交互能力与再利用不足，对区域经济增长的作用有限。
④黄河流域绿色创新网络结构对经济增长具有正向影响，且空间溢出效应显著。绿色创新网络节点城市的度数中心度和核心度提高，所受限制降低，可推动区域经济增长。绿色创新网络中相邻城市的度数中心度和核心度提高，限制度降低，对本地经济发展具有正的空间溢出效应。此外，绿色创新核心城市与边缘城市关联密切，可以推动边缘城市核心度提升，有利于网络向多中心扁平化转变，从而带来绿色创新资源配置能力、产业绿色转型升级能力和创新产出能力的提升，进而促进区域经济增长。

3.2 对策建议

提升黄河流域绿色创新效率，完善黄河流域绿色创新效率的空间网络结构，对实现黄河流域生态保护和高质量发展具有重要意义。基于研究结论，本文提出如下对策建议：
①持续优化黄河流域绿色创新效率的网络结构。充分发挥政府调控与市场机制的调节作用，统一制定绿色创新发展顶层设计，消除知识、信息、技术等创新要素流动壁垒，推动创新资源和要素跨区域流动，不断加强绿色创新发展的空间关联，提高黄河流域绿色创新效率空间关联网络的紧密程度；优化绿色创新网络节点功能，保持核心城市在绿色创新效率网络中的中心地位，建设沿黄河、沿交通线的绿色创新廊道，畅通核心城市辐射带动周边城市绿色发展的通道，带动周边城市尤其是欠发达城市提升绿色创新水平，降低绿色创新技术的梯度差异。此外，流域内各城市应基于资源禀赋、经济结构和发展定位，形成具有城市特色的绿色产业和优势技术，与其他城市互补发展，以绿色产业价值链带动城市绿色创新合作，从而不断完善绿色创新效率的网络结构。
②促进黄河流域上中下游地区绿色创新水平协同提升。下游地区应充分发挥其在绿色创新领域的辐射带动作用，形成可供学习和复制的经典范式，加强黄河上游与中下游地区的绿色创新信息互通和绿色创新技术对接，协同拓宽区域市场绿色发展空间，推动绿色创新产业快速发展，促进全流域绿色创新发展水平协同提升。同时，以关中平原、呼包鄂榆和兰西城市群等为空间载体，推动绿色技术产业链和创新链深度融合，打造呼和浩特、兰州、太原、西安、郑州、济南等多个区域性绿色创新集群，强化黄河流域上、中、下游绿色创新资源的协同布局、合理分工和协同提升。
③提高黄河流域边缘城市的绿色创新效率。发挥呼和浩特、鄂尔多斯、兰州、太原、西安、郑州、济南等核心城市的辐射带动作用，引导核心城市的高技术企业、高校和科研机构与武威、定西、天水、平凉等边缘城市开展合作，为创新合作项目提供信息、资金、技术等政策支持。边缘城市要打造具有吸引力的高技术产业园区，加强与核心城市的创新型项目合作和技术交流，从而提升边缘城市对技术和资源等要素的吸纳能力，缩小核心城市与边缘城市的绿色创新能力差距。此外，根据地理邻近原则，促进核心城市与边缘城市结对，共同建设绿色创新示范区。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
安树伟, 李瑞鹏. 黄河流域高质量发展的内涵与推进方略[J]. 改革, 2020(1):76-86.

[2]
张明斗, 李学思. 黄河流域市域大气污染治理效率的空间关联网络及其驱动因素[J]. 经济地理, 2023, 43(8):62-72.

DOI

[3]
滕堂伟, 瞿丛艺, 胡森林, 等. 长三角城市群绿色创新效率格局分异及空间关联特征[J]. 华东师范大学学报(哲学社会科学版), 2019, 51(5):107-117,239-240.

[4]
刘丙泉, 刘增果, 王月, 等. 产业协同集聚对区域绿色创新效率的影响[J]. 华东经济管理, 2023, 37(5):52-61.

[5]
严翔, 黄永春, 柏建成, 等. 长江经济带绿色创新效率的空间关联网络结构及驱动因素[J]. 北京理工大学学报(社会科学版), 2021, 23(6):72-83.

[6]
钱丽, 王文平, 肖仁桥. 技术异质下中国企业绿色创新效率及损失来源分析[J]. 科研管理, 2022, 43(9):127-138.

[7]
曹玲, 杨浩昌, 李廉水. 工业绿色创新效率时空分异特征及动态演进[J]. 科学学研究, 2022, 40(10):1895-1906.

[8]
袁健, 张所地. 知识流动与城市绿色创新效率:“新基建”的调节效应[J]. 城市问题, 2024(8):64-73.

[9]
向小东, 陈炎光. 长江经济带绿色创新效率评价研究——基于双重异质性DEA区间交叉效率模型[J]. 长江流域资源与环境, 2024, 33(3):472-486.

[10]
Aigner D, Lovell C, Schmidt P. Formation and estimation of stochastic frontier production function models[J]. Journal of Econometrics, 1977, 6(1):21-37.

DOI

[11]
曹霞, 张路蓬. 企业绿色技术创新扩散的演化博弈分析[J]. 中国人口·资源与环境, 2015, 25(7):68-76.

[12]
Yang Y, Wang Y. Research on the impact of environmental regulations on the green innovation efficiency of Chinese industrial enterprises[J]. Polish Journal of Environmental Studies, 2021, 30(2):1433-1445.

DOI

[13]
王晗, 何枭吟. 产业集聚、环境规制与绿色创新效率[J]. 统计与决策, 2022, 38(22):184-188.

[14]
田红彬, 郝雯雯. FDI、环境规制与绿色创新效率[J]. 中国软科学, 2020(8):174-183.

[15]
孙博文, 张友国. 中国绿色创新指数的分布动态演进与区域差异[J]. 数量经济技术经济研究, 2022, 39(1):51-72.

[16]
吕岩威, 谢雁翔, 楼贤骏. 中国区域绿色创新效率时空跃迁及收敛趋势研究[J]. 数量经济技术经济研究, 2020, 37(5):78-97.

[17]
李广培, 张梦倩, 李艳歌, 等. 中国省域绿色创新效率、生态效率与经济增长质量耦合研究[J]. 生态经济, 2021, 37(10):46-52.

[18]
苏佳璐, 马志强, 李明星. 环境规制下长三角城市群技术协同创新网络特征对绿色经济增长的影响[J]. 科技进步与对策, 2024, 41(21):33-43.

DOI

[19]
许玉洁, 刘曙光. 黄河流域绿色创新效率空间格局演化及其影响因素[J]. 自然资源学报, 2022, 37(3):627-644.

DOI

[20]
刘潭, 徐璋勇. 黄河流域经济发展、绿色创新与生态环境的协同演变[J]. 统计与决策, 2022, 38(14):105-109.

[21]
王格芳, 李梦程. 黄河流域水资源与区域发展时空耦合研究[J]. 干旱区资源与环境, 2023, 37(2):8-15.

[22]
张学良, 贾文星, 吴胜男. 黄河流域高质量发展的时空跃迁及驱动因素分析[J]. 中国人口科学, 2022 (3):72-85,127-128.

[23]
Tone K. A slacks-based measure of super-efficiency in data envelopment analysis[J]. European Journal of Operational Research, 2002, 143(1):32-41.

DOI

[24]
陈蓓, 彭文斌, 刘奕飞. 长江中游城市群绿色创新效率的时空演变与驱动因素[J]. 经济地理, 2022, 42(9):43-49.

DOI

[25]
郝智娟, 文琦, 施琳娜, 等. 黄河流域城市群社会经济与生态环境耦合协调空间网络分析[J]. 经济地理, 2023, 43(12):181-191.

DOI

[26]
骆灿, 陆菊春. 绿色创新效率的空间网络关联特征及形成机理——以长江经济带城市为例[J]. 科技管理研究, 2021, 41(24):195-203.

[27]
张明斗, 李学思. 网络节点特征与城市绿色创新效率提升——基于节点枢纽性与节点聚集度视角[J]. 西部论坛, 2022, 32(2):1-15.

[28]
叶珊珊, 曹明明, 胡胜. 关中平原城市群经济联系网络结构演变及对经济增长影响研究[J]. 干旱区地理, 2022, 45(1):277-286.

DOI

[29]
张杰飞, 尚建华, 乔彬. 数字普惠金融对绿色创新效率的影响研究——来自中国280个地级市的经验证据[J]. 经济问题, 2022(11):17-26.

[30]
董会忠, 李旋, 张仁杰. 粤港澳大湾区绿色创新效率时空特征及驱动因素分析[J]. 经济地理, 2021, 41(5):134-144.

DOI

[31]
王巧, 佘硕, 曾婧婧. 国家高新区提升城市绿色创新效率的作用机制与效果识别——基于双重差分法的检验[J]. 中国人口·资源与环境, 2020, 30(2):129-137.

[32]
王星, 苏志, 赵文娜. 城市绿色创新效率的区域差异、动态演进及收敛性研究——以黄河流域沿线城市为例[J]. 城市问题, 2022(12):30-41.

[33]
宓泽锋, 曾刚. 创新松散型产业的创新网络特征及其对创新绩效的影响研究——以长江经济带物流产业为例[J]. 地理研究, 2017, 36(9):1653-1666.

DOI

[34]
Li E Y, Liao C H, Yen H R. Co-authorship networks and research impact:A social capital perspective[J]. Research Policy, 2013, 42(9):1515-1530.

DOI

[35]
白俊红, 蒋伏心. 协同创新、空间关联与区域创新绩效[J]. 经济研究, 2015, 50 (7):174-187.

[36]
郭仪, 戎陆庆. “一带一路”背景下西南城市群物流网络结构及经济效应[J]. 城市问题, 2022(2):4-12.

[37]
何天祥, 黄琳雅. 高铁网络对湖南区域经济协同发展影响[J]. 地理科学, 2020, 40(9):1439-1449.

DOI

[38]
易其国, 马灿, 丁锐. 高铁对区域经济发展的空间溢出效应分析[J]. 统计与决策, 2021, 37(19):129-133.

[39]
赵放, 刘一腾. 区域经济发展影响因素的效应差异研究——基于中国四大经济区域的面板数据分析[J]. 福建师范大学学报(哲学社会科学版), 2019 (3):41-50,168.

[40]
肖巧俐, 王跃. 中国区域经济空间俱乐部收敛与增长影响因素[J]. 中南民族大学学报(人文社会科学版), 2023, 43(2):117-126,186.

[41]
闫东升, 王玥, 孙伟, 等. 区域经济增长驱动因素与空间溢出效应的对比研究[J]. 地理研究, 2021, 40(11):3137-3153.

DOI

[42]
毛艳华, 信超辉, 卓乘风. 粤港澳大湾区及周边城市生产性服务业空间网络结构及经济效应研究[J]. 广东社会科学, 2022(4):26-37.

Options
Outlines

/

〈 〉