EN中文

Economic geography >

2026 , Vol. 46 >Issue 1: 86 - 97

DOI: https://doi.org/10.15957/j.cnki.jjdl.2026.01.009

Impact of Population Aging on Urban Green Technology Innovation in the Yangtze River Delta

  • DENG Shicheng , 1 ,
  • WU Yuming 2
Expand
  • 1. Business School， China West Normal University， Nanchong 637009，Sichuan， China
  • 2. School of Business， East China University of Science and Technology， Shanghai 200237， China

Received date: 2023-10-19

  Revised date: 2024-04-11

  Online published: 2026-02-12

Fold

Abstract

Based on the panel data of 41 cities in the Yangtze River Delta region from 2000 to 2023, this paper constructs the evaluation index system of green technology innovation level, and uses the spatial kernel density estimation method to analyze the spatiotemporal evolution pattern of urban green technology innovation. Based on the above, it discusses the impact of population aging on urban green technology innovation and its mechanisms by combining the panel fixed effect model and the mediation effect model, and reveals the spatial effect and spatiotemporal heterogeneity of population aging on urban green technology innovation using the spatial panel model. The results show that: 1) The overall level of urban green technology innovation in the Yangtze River Delta region is generally on the rise, and its spatial distribution gradually shifts from polarization to a spatial equilibrium pattern. 2) Aging at the apex has a significant negative effect on urban green technology innovation, while the aging from the base has a significant positive effect on urban green technology innovation. 3) The human capital effects of both aging at the apex and aging from the base are significant, and the human capital effect is an important way for population aging to affect urban green technology innovation. 4) Spatial analysis shows that aging at the apex has a "local-neighborhood" spatial spillover effect, which has an incentive effect on green technology innovation in spatially adjacent cities. 5) Heterogeneity analysis shows that the impact of population aging on urban green technology innovation is more significant in cities with low-level green innovation, and its spatial spillover effect is more significant in cities with high-level green innovation. Moreover, the spatial impact of population aging on urban green technology innovation has a long-term characteristic, but this impact is gradually weakening.

Key words： population aging; green technology innovation; intermediary effect; spatial spillover effects; declining birth rate; human capital

Cite this article

DENG Shicheng , WU Yuming . Impact of Population Aging on Urban Green Technology Innovation in the Yangtze River Delta[J]. Economic geography, 2026 , 46(1) : 86 -97 . DOI: 10.15957/j.cnki.jjdl.2026.01.009

迈入新时代以来，中国过去以环境污染为代价的经济发展模式受到挑战，资源红利逐渐消失，环境污染接踵而至，绿色发展成为中国实现从依靠规模优势和资源消耗的粗放式发展向可持续发展转型的重要途径。从党的十九大报告提出“坚持人与自然和谐共生”的发展理念，到党的二十大报告明确“中国式现代化是人与自然和谐共生的现代化”，绿色发展已成为新时代主题。绿色技术创新作为绿色发展的重要动力，是中国实现经济转型的重要途径。绿色技术创新的概念于1994年被提出，是指在产品生产过程中通过革新技术以降低资源消耗、减少环境污染的创新活动[1]。此后，一些学者指出绿色技术创新是能显著减少环境污染的创新过程[2]。基于此，本文将绿色技术创新的内涵界定为在政府引导和激励下，强调“技术创新”与“环境保护”的协调统一，以实现城市环境效益与技术效益双赢局面为主要目标，综合利用人、财和物等核心要素资源，避免或减少环境污染、提高资源配置效率、降低资源消耗的新型创新活动。因此，绿色技术创新不仅包含了新技术成果的技术效益，还包含了改善环境质量的环境效益。绿色技术创新作为“创新”与“绿色”两大新发展理念的结合点，在推动中国绿色可持续发展中发挥着重要的支撑作用。国家“十四五”规划提出“加快发展方式绿色转型，构建市场导向的绿色技术创新体系”。此后，国家发改委和科技部联合印发《关于进一步完善市场导向的绿色技术创新体系实施方案（2023—2025年）》，要求持续强化绿色技术创新对绿色低碳发展的支撑能力。这些都彰显出国家对绿色技术创新的重视上升到了崭新的层次。
长三角地区作为中国创新能力最强的地区之一，兼具高能耗与高碳排放的双重特征，其绿色发展实践在中国式现代化进程中具有重要的示范引领作用，加之《长江三角洲区域一体化发展规划纲要》明确要求坚持生态保护优先，夯实绿色发展生态本底，因此，提升长三角地区绿色技术创新水平是贯彻绿色发展理念的重要途径，更是推动长三角一体化高质量发展的要义所在。同时，绿色技术创新离不开人力资本的有力支撑，高技术人才更是突破传统发展方式和技术体系局限的关键[3]。然而，长三角地区人口老龄化问题突出，《长三角区域养老产业发展概览（2021年）》显示：截至2020年，长三角地区老龄人口比例超过20%，已进入中度人口老龄化阶段。人口老龄化所引发的人力资源短缺问题对于促进长三角地区绿色技术创新构成了严峻挑战。在人口老龄化问题日益严峻的时代背景下，长三角地区绿色技术创新的现状如何?人口老龄化对长三角地区绿色技术创新产生何种影响效应?其作用机制是什么?科学回答上述问题对长三角地区实现高质量与绿色化协同发展有着重要的学理价值和现实意义。

1 文献综述

现有关于绿色技术创新的研究主要集中在绿色技术创新的评价和影响因素两个方面。①从评价指标方面看，自绿色技术创新的概念被提出以来，学界普遍认为绿色技术创新是能显著减少环境污染的创新过程[2]。一些学者围绕上述定义，从不同视角构建指标体系评价绿色技术创新。如杜运伟等聚焦绿色技术创新对环境的影响，立足投入产出的视角，采用工业废水排放量、SO2排放量、烟（粉）尘排放量综合量化绿色创新绩效的非期望产出，以此构建城市绿色创新的评估体系[4]；Wang等聚焦企业生产活动对环境的影响，从企业末端治理技术创新和生产工艺创新的视角出发，采用工业污染物的处理率、能源利用强度和工业污染物排放强度综合评估了中国工业企业的绿色技术创新水平[5]。此外，随着中国专利体系建设的日益规范化，绿色专利数量也逐渐成为学界衡量绿色技术创新水平的常用指标[6]。②从影响因素方面看，现有文献主要围绕环境规制、低碳治理、金融发展、政府补贴、资本结构等因素展开[3,6-9]。一些学者聚焦于人力资本对绿色技术创新的影响效应，研究认为人力资本对企业绿色技术创新具有显著的驱动效应[3,10]。
在生育意愿降低与平均预期寿命延长的双重影响下，人口老龄化问题在全球范围内愈演愈烈，国内外学者研究视角主要聚焦人口老龄化的经济效应。一些学者认为人口老龄化将加重政府财政养老负担[11]，降低财政政策和货币政策的有效性[12]，进而成为制约经济增长的关键因素。人口老龄化会抑制人力资本积累[13]，而人力资本是创新的核心投入要素。因此，一些学者也逐渐将研究视角聚焦于人口老龄化对创新的影响效应，但对其作用方向的认识尚存在分歧。部分学者认为老龄化通过降低人力资本存量显著抑制了技术创新[14]；也有学者持不同观点，Cai等研究认为高龄员工拥有更高的创新能力和创新动机，人口老龄化带来的高龄员工增多将促进企业的技术创新[15]。随着发展绿色经济成为社会普遍共识，人口老龄化对绿色技术创新的影响效应逐渐受到学界关注。一些学者从人口老龄化对绿色经济增长的影响切入，如Wang等研究发现人力资本是人口老龄化影响城市绿色转型发展的重要途径[5]；在此基础上，Liu等研究表明人口老龄化通过抑制人力资本积累进而对绿色技术创新呈现显著的负向效应[16]。
综上所述，现有文献为本文提供了有益的参考，但仍有深化的空间：①现有文献对人口老龄化与技术创新的关系尚未达成共识，多数文献仅聚焦人口老龄化对技术创新的影响，鲜有文献关注人口老龄化与绿色技术创新的关系，尤其缺乏对其内在作用机理的理论分析和实证检验；②现有文献多从单一视角出发研究人口老龄化的创新效应或环境效应，忽视了创新效应和环境效应的协调性，鲜有文献将两种效应同时纳入人口老龄化的研究框架；③现有多数研究仅关注人口老龄化的直接效应，而从空间视角揭示人口老龄化间接效应的研究尚不多见。基于此，本文将从理论上阐述人口老龄化对城市绿色技术创新的直接效应、中介效应以及空间效应；紧扣绿色技术创新的内涵，兼顾其双重外部性，从多维度视角构建指标体系测度城市绿色技术创新；基于面板固定效应模型和中介效应模型，从实证层面检验人口老龄化对绿色技术创新的影响效应及其作用机制，并结合空间面板模型从空间视角揭示人口老龄化对绿色技术创新的空间效应及其异质性。

2 理论分析与研究假说

2.1 人口老龄化对绿色技术创新的直接效应

人口老龄化将会抑制绿色技术创新水平的提升。一方面，人口老龄化将会通过挤占政府财政支出，对政府的科技投入产生“挤出效应”[17]。伴随人口老龄化程度不断加深，政府的社会保障支出压力和养老金给付压力逐渐增大。目前中国实施“社会统筹与个人账户相结合”的养老金给付制度，且社会统筹账户实行“现收现付”制度。老龄化的加剧将增大养老金的给付压力，社会统筹账户的资金缺口将使用个人账户资金弥补，这种暂行的补救措施将给中国养老金制度的可持续给付带来严峻挑战。在此背景下，政府将使用其他领域的财政资金弥补社会保障和养老制度的资金缺口，从而对科技投入产生“挤出效应”[18]。而企业难以承担高昂的绿色创新成本，政府的科技投入是企业进行绿色技术创新的关键支撑[19]。另一方面，人口老龄化带来的老年人口比重增加，降低了劳动力的供给数量和质量，企业内部高龄员工占比不断提升。高龄员工在身体机能、创新动力等方面均处于劣势地位，学习和运用新知识、新技术的能力相对不足[17]，而绿色技术创新是强调新技术的创新与运用的创新性活动，高龄员工难以适应企业绿色创新的需求，且高龄员工增多将造成知识技术流失[20]，进而抑制企业绿色创新。企业是城市创新活动的主体，其创新行为直接影响城市整体的绿色技术创新水平。据此，本文提出如下假设：
假设1：人口老龄化不利于绿色技术创新水平的提升。

2.2 人力资本的中介效应

人力资本作为能够产生经济价值的知识、技能和经验的集合，直接决定了创新主体的绿色技术创新能力[3]。专业化的人力资本存量，特别是具有材料科学、信息技术等领域知识的劳动力，能够加速绿色技术的研发、设计与应用，推动绿色创新链上下游的协同创新[10]。然而，人口老龄化通过阻碍人力资本的积累抑制了城市的绿色技术创新。一是人口老龄化将导致代际更替失衡与技能错配问题。人口老龄化导致老年劳动力比例相对上升，而年轻劳动力相对短缺，这将引发人力资本的代际更替难题。受限于身体机能和学习能力，老年劳动力难以适应绿色技术创新对新技术、跨学科知识的高要求，形成“技术断层”[21]。同时，老年劳动力越接近退休年龄，由于其受益时间较年轻劳动力更少，在同等成本的人力资本投资下，投资于老年劳动力的边际收益较低，导致对其的投资意愿相对不足[22]。劳动力的结构性失衡直接削弱了人力资本中与绿色技术匹配的专业化能力，对绿色技术创新所需的人力资本积累造成负面效应，由此抑制了城市的绿色技术创新。二是人口老龄化阻碍了家庭人力资本投资的代际转移。老龄化伴随“少子化”，家庭对子代教育的投资意愿增强，但老年赡养负担加重会挤占家庭对年轻劳动力的继续教育投入[23]，代际转移支付的增加也会对年轻一代的人力资本投资产生“挤出效应”。三是人口老龄化将降低政府的人力资本投资。老龄化将加剧社会保障压力，迫使政府压缩公共教育投入[18]，将更多的资源分配到养老和医疗保健领域，从而对政府公共教育支出产生“挤出效应”，政府将难以维持对高等教育、职业教育和技术培训的充足投入[24]。这种财政资源的再分配抑制了职业教育、绿色技能培训等领域的投资，导致人力资本质量提升滞后于总量增长，限制绿色技术创新所需的专业人才储备。因此，人口老龄化将阻碍人力资本的积累，进而抑制绿色技术创新。据此，本文提出如下假设：
假设2：人口老龄化通过人力资本效应抑制了绿色技术创新水平的提升。

2.3 人口老龄化对绿色技术创新的空间作用效应

绿色技术创新受投入要素，尤其是劳动力要素和资本要素的限制较多[25]，而人口老龄化将直接影响劳动力要素。绿色技术创新意味着新生产函数的建立，而人口老龄化具有明显的空间相关性[26]，人口老龄化在绿色技术创新的推广和应用中，将通过空间溢出效应影响邻近城市的绿色技术创新水平。一方面，企业将通过学习、匹配和共享机制促进绿色技术创新的空间溢出，且这种空间溢出存在协同效应和挤占效应的相互叠加[27]。相邻城市间在禀赋优势和市场环境上具有相似性，在人才资源争夺中存在竞争关系，人口老龄化加剧了城市间的人才引进竞争。但长三角一体化发展表现为地区差异化走向区域一体化，长三角一体化协同创新是长三角一体化高质量发展的重要内容。区域科技创新共同体建设有利于相邻城市间的技术扩散和知识溢出，促使技术创新的正向协同效应有效弥补了老龄化主导的负向挤占效应。另一方面，人口老龄化将导致劳动力成本上升，增加企业的生产成本[28]。异地转移是企业面对劳动力成本上涨的有效方式，企业倾向于通过向劳动力成本较低的邻近地区转移，以缓解生产成本压力[29]。因此，人口老龄化将可能导致本地企业向邻近城市转移，加剧邻近城市的市场竞争，促使邻近城市企业进行生产技术绿色化升级，提高产品竞争力，间接推动了邻近城市绿色技术创新。同时，受益于企业迁入带来的产业结构调整和工业化进程加快，邻近城市的经济发展水平显著提升，地方政府的财政支持为企业绿色技术创新营造了良好的环境，加之经济发展水平的提升增强了居民的环保意识，进一步激励了企业绿色技术创新，释放了城市绿色技术创新活力。基于此，本文提出如下假设：
假设3：人口老龄化对邻近城市的绿色技术创新具有空间正向溢出效应。

3 研究方法与数据

3.1 模型设定

本文构建面板数据模型考察长三角地区人口老龄化对绿色技术创新的直接效应。模型设定如下：
$\begin{array}{l}lnte{c}_{it}={\alpha }_{0}+{\alpha }_{1}lnpo{p}_{it}+{\alpha }_{i}\sum _{i=2}^{4}Co{n}_{it}+\\ {\mu }_{i}+{\gamma }_{t}+{\varepsilon }_{it}\end{array}$
式中：i为各城市；t为年份；被解释变量tec为绿色技术创新；核心解释变量pop为人口老龄化；Con为一系列控制变量；μ为城市个体效应；γ为时间效应；ε为随机扰动项。
本文构建中介效应模型检验人力资本效应，模型设定如下：
$lnhu{m}_{it}={\beta }_{0}+{\beta }_{1}lnpo{p}_{it}+{\beta }_{i}\sum _{i=2}^{4}Co{n}_{it}+{\mu }_{i}+{\gamma }_{t}+{\varepsilon }_{it}$
$\begin{array}{l}lnte{c}_{it}={\chi }_{0}+{\chi }_{1}lnpo{p}_{it}+{\chi }_{2}lnhum+\\ {\chi }_{i}\sum _{i=3}^{5}Co{n}_{it}+{\mu }_{i}+{\gamma }_{t}+{\varepsilon }_{it}\end{array}$
式中：hum为中介变量，表示城市的人力资本；β1和χ2的乘积为中介效应大小，反映人口老龄化通过人力资本对绿色技术创新产生的间接影响程度；其余符号定义与式（1）一致。
为深入探究人口老龄化对绿色技术创新的空间影响，在式（1）中引入空间交互项，将其拓展为空间模型。空间模型主要包括空间误差模型（SEM）、空间滞后模型（SLM）以及空间杜宾模型（SDM），SEM和SLM忽略了被解释变量和解释变量的空间依赖性，将降低模型估计结果的稳健性[30]，而SDM同时包含了内生与外生空间交互效应，能更好地刻画人口老龄化对绿色技术创新的空间影响。据此，本文将空间模型设定为SDM，将式（1）拓展如下：
$\begin{array}{l}lnte{c}_{it}={\alpha }_{0}+\rho Wlnte{c}_{it}+{\alpha }_{1}lnpo{p}_{it}+{\delta }_{1}Wlnpo{p}_{it}+\\ {\alpha }_{i}\sum _{i=2}^{4}Co{n}_{it}+{\delta }_{i}W\sum _{i=2}^{4}Co{n}_{it}+{\mu }_{i}+{\gamma }_{t}+{\nu }_{it}\end{array}$
式中：ρ为绿色技术创新的空间自回归系数；$\delta $为人口老龄化和控制变量的空间效应系数；W为空间权重矩阵；ν为空间扰动项；其余符号定义与式（1）一致。
空间权重矩阵的设定是估计空间计量模型的基础。城市经济发展水平与绿色技术创新的关系密切，在矩阵构建中需综合考虑城市间的地理距离和经济联系。据此，采用复合空间权重矩阵刻画城市间的空间关系。构建过程为：分别构建地理空间权重矩阵（Wg）和经济空间权重矩阵（We），再将两者加权平均构造复合空间权重矩阵。
地理空间权重矩阵计算公式为：
${w}_{g\left(ij\right)}=\left\{\begin{array}{c}\frac{1/{d}_{ij}^{2}}{{\sum }_{j=1}^{N}1/{d}_{ij}^{2}} ,i\ne j\\            0        ,i=j\end{array}\right.$
式中：dij为城市间的地理“实际距离”。本文以城市间年度铁路和公路最短里程加权平均后求得城市间历年地理“实际距离”，权重值依据历年各省份旅客周转量中铁路旅客周转量均值与公路旅客周转量均值的占比确定，用城市间历年地理实际距离的均值表征dij。
经济空间权重矩阵计算公式为：
${w}_{e\left(ij\right)}=\left\{\begin{array}{c}\frac{1}{\left|\overline{{y}_{i}}-\overline{{y}_{j}}\right|} ,i\ne j\\       0        ,i=j\end{array}\right.$
式中：$\overline{y}$为城市历年人均GDP的均值。
复合空间权重矩阵计算公式为：
$W=a{W}_{g}+(1-a){W}_{e}$
式中：0≤a≤1。根据AIC和BIC准则确定最佳权重系数a*，分别令a=0，0.1，⋯，1，估计a不同取值时的空间模型，并计算模型对应的AIC和BIC值，选择令AIC和BIC值相对最小的权重系数作为a*，最终得到复合空间权重矩阵。

3.2 变量选取与指标说明

3.2.1 被解释变量

绿色技术创新水平（tec）。在现有研究的基础上[1-2]，根据本文对绿色技术创新的内涵界定，绿色技术创新水平的评价需兼顾科技创新水平的衡量和创新过程中绿色属性的体现。在此目标下，在指标体系的构建时，聚焦政府的激励作用和创新对环境的影响，在技术创新评价指标的基础上加入环境因素指标，以充分考虑创新过程中的资源消耗和环境污染。借鉴现有研究[31]，结合《中国区域科技创新评价报告2020》，兼顾指标的科学性、可比性以及可获得性，从创新环境、创新资源、创新效益以及创新制度4个维度构建评价指标体系，各指标解释见表1。
表1 区域绿色技术创新水平评价指标体系

Tab.1 Evaluation index system for regional green technology innovation level

目标层 一级指标 二级指标 三级指标 单位
绿
色
技
术
创
新
水
平		 创新环境 经济发展 人均GDP 元
环境规制 政府工作报告环保词频 %
创新资源 人力要素 R&D人员全时当量 万人
劳动生产率（GDP/就业人数） 元/人
资本要素 R&D经费内部支出 万元
R&D经费内部支出占GDP比重 %
资源要素 工业用电量 万kW·h
规模以上工业单位增加值能耗 t标准煤/万元
创新效益 技术效益 专利申请量 项
专利授权量 项
环境效益 工业SO2排放量 t
工业废水排放量 万t
工业烟（粉）尘排放量 t
工业固体废物综合利用率 %
创新制度 人才培育 财政教育支出占地方财政支出的比重 %
资金支持 财政科技支出占地方财政支出的比重 %
①创新环境。将创新环境分解为经济发展和环境规制。经济发展水平的提高可以为城市提供更充足的技术和资金支持。“波特假说”认为合理的环境规制将促进技术创新[32]。从长期来看，环境规制将激励企业在生产技术层面实现革新升级，产生“创新补偿”效应，其能够有效抵消因环境规制所引发的潜在消极影响，并提升企业的盈利能力[33]。
②创新资源。将创新资源分解为人力、资本以及资源要素。人力资源是知识和技术的重要载体，高质量的人力资源可以为城市提供智力支撑，推动绿色技术的不断突破[34]。资本投入为城市绿色技术创新提供了必要的经济支持[19]。能源的合理利用可以提高绿色技术的效益，推动城市绿色转型发展，能源投入变化是绿色属性的重要体现。
③创新效益。将创新效益分解为技术效益和环境效益。绿色技术创新的创新效益不仅强调创新带来的新技术的技术效益，更强调减少环境污染的环境效益[25]。专利作为一种承载创新成果的知识形式，其申请与授权的数量能够直观反映创新活动的成效，故从专利层面衡量技术效益。考虑到企业在绿色技术创新中，其工业污染物排放量与废物利用效率能够反映出生产环节中环境污染的内在负外部性和通过技术进步降低污染的程度[31]，故从工业污染物排放和废物利用效率两个层面衡量环境效益。
④创新制度。将创新制度分解为人才培育和资金支持。绿色技术创新活动所需投入的成本较高，且当前市场环境中，非绿色技术仍占据主导地位，使得企业在创新活动中研发绿色技术的预期收益不足[19]。人才培养和科技资金投入是政府创新扶持的重要组成部分。财政教育支出能够反映政府对创新人才培养的投入力度；同时，政府对创新活动的干预中，财政科技投入相较于税收激励措施和产业发展政策，其具有更强的针对性和更高的实施效率。
综上，本文根据构建的指标体系，结合面板熵权法计算得出2000—2023年长三角地区各城市的绿色技术创新水平。

3.2.2 解释变量

人口老龄化程度（pop）。本文聚焦人口老龄化通过影响劳动力市场和社会抚养负担进而对城市绿色技术创新产生的潜在影响机制，加之中国人口老龄结构正面临着“老龄化”与“少子化”的双向冲击[35]，参考现有文献[35-36]，从人口老龄化的主要原因（“活得长”和“生得少”）的视角出发构造两类指标，将人口老龄化分为顶部老龄化和底部老龄化。老年抚养比的上升和少儿抚养比的下降是人口老龄化的重要表现形式[36]，它们分别反映了“顶部老龄化”与“底部老龄化”对绿色技术创新的异质性影响。结合现有文献[35-36]，分别用城市65岁及以上人口数与15~64岁人口数的比值度量顶部老龄化（old），用城市14岁及以下人口数与15~64岁人口数的比值度量底部老龄化（dep）。

3.2.3 中介变量

人力资本水平（hum）。大学教育对学生的分析能力和创新思维的培养将有助于其在工作岗位中学习并运用新知识和新技术，高学历人力资本具有明显的绿色创新优势[37]。参考现有文献[38]，用城市普通本、专科及以上学历人数与全市常住人口数的比值度量城市人力资本水平。

3.2.4 控制变量

借鉴现有研究[25]，在模型中加入影响城市绿色技术创新的一系列控制变量，主要包括：产业结构（ind）、城镇化率（urb）、对外开放（ope）等。其中，产业结构（ind）用城市第二产业增加值占GDP的比重度量，城镇化率（urb）用城市年末城镇常住人口占年末总人口的比重度量，对外开放（ope）用城市实际使用外资占全社会固定资产投资的比重度量。为克服模型的异方差问题，将所有变量取对数。

3.3 数据来源与说明

本文的研究范围为长三角地区三省一市的41个地级及以上城市（以下简称“城市”）2000—2023年的“市域”数据，数据来源于历年《上海统计年鉴》《江苏统计年鉴》《浙江统计年鉴》《安徽统计年鉴》《中国城市统计年鉴》《中国环境统计年鉴》《中国科技统计年鉴》、地级市统计年鉴以及城市年度政府工作报告。需要特别说明的是，对于2000—2023年人口数据中65岁及以上、15~64岁和14岁及以下人口数量，上海和浙江的统计年鉴中各城市人口年龄构成数据均为公安户籍年报数，与江苏和安徽的统计年鉴中各城市人口年龄构成数据的统计口径并不一致，存在公安户籍年报数、抽样调查推算数、抽样实际调查样本数等口径。据此，为保证数据口径的一致性，本文根据各城市公安户籍年报数据统一测算人口老龄化。采用插值法处理指标数据中的缺失值和异常值。

4 结果与分析

4.1 城市绿色技术创新水平的时空特征

本文以全部城市绿色技术创新水平的各年度均值作为长三角地区整体各年度的绿色技术创新水平。
图1显示，2000—2023年长三角地区绿色技术创新水平整体呈现稳步上升趋势，阶段性变化特征明显。具体而言，绿色技术创新的变动趋势分为3个阶段：2000—2006年为震荡上升期，绿色技术创新水平呈现明显波动态势，小幅上升，从2000年的0.1834上升到2006年的0.1945。此阶段正值“十五”和“十一五”规划的交替转换期，产业结构调整步伐加快，加之长江三角洲城市经济协调会分别于2001、2003年两次召开专题会议，重点推进长三角区域科技合作，产业结构调整和区域合作协议实施的双重影响是绿色技术创新水平波动的重要原因。2006—2014年为加速上升期，绿色技术创新水平从2006年的0.1945上升到2014年的0.2832，增长了45.60%。此阶段正值“十一五”规划实施带来的建设资源节约型与环境友好型社会的时代背景下，2012年党的十八大报告强调把生态文明建设放在突出地位；加之2010年国务院印发《长江三角洲地区区域规划》，明确提出了生态环境共保联治的区域一体化发展战略。一系列政策的实施推动绿色技术创新水平加速提升。2014—2023年为波动上升期，绿色技术创新水平从2014年的0.2832波动下降至2020年的0.2719，此后逐年回升至2023年的0.2839，小幅上升。国务院于2014年印发《关于依托黄金水道推动长江经济带发展的指导意见》（以下简称《意见》），明确了生态文明建设先行示范带的战略定位，提出推动产业发展由要素驱动向创新驱动转变的目标。同时，《意见》也强调发挥长三角地区的辐射引领作用，推动长江经济带的协调发展。在此背景下，长江经济带协同创新体系逐步完善。长三角地区是长江经济带绿色创新的主要策源地，其有效带动了长江经济带绿色创新发展进入新阶段。在以高技术人才流动和产业联系为载体的绿色技术溢出过程中，一定程度上削弱了长三角地区自身的绿色创新能力，导致长三角地区绿色技术创新水平在2014年后出现小幅下降。而后，随着长三角地区一体化发展战略的深入推进，其绿色技术创新水平逐步回升。
图1 长三角地区城市绿色技术创新水平变化趋势

Fig.1 The trend of changes in the level of green technology innovation in cities of the Yangtze River Delta region

表2报告了2023年长三角地区各城市的绿色技术创新水平。结果显示，城市间的绿色技术创新水平存在明显差距，绿色技术创新水平排名靠前的城市集中在上海、合肥、杭州、南京、苏州等城市，且上海的绿色技术创新水平处于高位，而排名靠后的城市集中在池州、黄山、淮南、淮北、衢州等城市。进一步采用高斯核密度估计法分析2000—2023年长三角地区城市绿色技术创新的空间分异特征。图2显示：2000年绿色技术创新的高密度区域主要集中分布于上海，呈现以上海为中心向外围城市扩散的圈层分布格局，其余城市核密度则呈现“片状”分布特征（图2a）。2010年，绿色技术创新高密度区域由“圈层扩散”向“轴带扩散”转变，初步形成“上海—苏州—无锡—常州—南京”的核密度高值轴线，杭州、南通、宁波等核密度次中心城市逐步形成（图2b）。2023年，绿色技术创新核密度“轴带扩散”模式进一步强化，并以“突触”形式向外延伸，核密度高值区域空间辐射范围明显增加（图2c）。综上，表明长三角地区绿色技术创新存在“溢出效应”，城市绿色技术创新逐渐从两极分化转向空间均衡格局。
表2 2023年长三角地区各城市的绿色技术创新水平

Tab.2 Green technology innovation level of cities in the Yangtze River Delta region in 2023

城市 绿色技术
创新水平		 排名 城市 绿色技术
创新水平		 排名
上海 0.9572 1 蚌埠 0.2343 22
合肥 0.7409 2 南通 0.2262 23
杭州 0.6303 3 泰州 0.2261 24
南京 0.5836 4 宿州 0.2185 25
苏州 0.4606 5 丽水 0.2098 26
宁波 0.4055 6 宿迁 0.2006 27
无锡 0.3609 7 马鞍山 0.1969 28
常州 0.3436 8 淮安 0.1879 29
芜湖 0.3081 9 安庆 0.1772 30
金华 0.3023 10 亳州 0.1729 31
台州 0.3003 11 阜阳 0.1684 32
绍兴 0.2963 12 舟山 0.1661 33
嘉兴 0.2894 13 宣城 0.1559 34
徐州 0.2854 14 铜陵 0.1555 35
温州 0.2837 15 六安 0.1452 36
盐城 0.2801 16 池州 0.1423 37
镇江 0.2772 17 黄山 0.1382 38
连云港 0.2732 18 淮北 0.1308 39
扬州 0.2672 19 淮南 0.1308 40
湖州 0.2485 20 衢州 0.1212 41
滁州 0.2421 21
图2 长三角地区城市绿色技术创新核密度分布时空变化

Fig.2 Kernel density distribution of urban green technology innovation in the Yangtze River Delta region

4.2 基准回归分析

表3报告了基准回归结果。列（1）（3）控制了城市和时间效应，而列（2）（4）则加入控制变量，模型的拟合程度明显提升，核心解释变量的系数绝对值有所减小，说明加入控制变量后吸收了对被解释变量某些不可观测的影响，模型估计结果更为稳健，故本文主要分析列（2）（4）的结果。结果显示：顶部老龄化的系数显著为负，说明顶部老龄化对城市绿色技术创新呈现显著的负向效应。顶部老龄化主要反映了老年人口占比的提升，老年人口数的增加将导致城市劳动力供给减少，尤其造成创新型人才相对不足的局面，进而抑制了城市绿色技术创新。然而，底部老龄化的系数显著为负，说明底部老龄化的加剧显著提升了城市的绿色技术创新水平。底部老龄化主要反映了少儿人口占比的下降，少儿人口数的降低有助于政府将更多教育资源投入从基础教育领域转向培养高技术人才的专业教育领域，而高技术人才是城市绿色技术创新的重要支撑，由此释放了城市绿色创新活力。此外，顶部老龄化的系数绝对值明显大于底部老龄化，说明长三角地区人口老龄化对绿色技术创新主要表现为抑制作用，城市绿色技术创新受顶部老龄化的影响较大。
表3 人口老龄化影响绿色技术创新的基准回归结果

Tab.3 Benchmark regression results of the impact of population aging on the green technology innovation

变量 （1） （2） （3） （4）
lnold -0.3251***
（0.0918）		 -0.3165***
（0.0896）
lndep -0.2620***
（0.0363）		 -0.2540***
（0.0270）
lnind -0.1304**
（0.0550）		 -0.1171***
（0.0212）
lnope 0.0057
（0.0193）		 0.0076**
（0.0030）
lnurb 0.0199**
（0.0092）		 0.0161**
（0.0065）
Cons -2.4565***
（0.1829）		 -2.5795***
（0.2128）		 -1.8815***
（0.0588）		 -1.9370***
（0.1402）
城市效应 Yes Yes Yes Yes
时间效应 Yes Yes Yes Yes
R2 0.6561 0.6701 0.6436 0.6671
N 984 984 984 984

注：*、**、***分别代表检验的显著性水平为10%、5%、1%，括号内为聚类稳健标准误。表4~表7同。

4.3 中介效应分析

表4报告了中介效应的估计结果。本文采用Bootstrap法对中介效应进行检验，在500次抽样条件下人力资本的中介效应均显著。列（1）（3）的显示：顶部老龄化和底部老龄化的系数均显著为负，表明顶部老龄化对城市人力资本表现为负向效应，而底部老龄化的加深则提升了城市的人力资本水平。可能由于老年人口比重的上升降低了城市劳动力的供给，加之拥有丰富职业技能的老年职工退出劳动力市场，阻碍了城市人力资本提升；相比之下，少儿人口比重的下降缓解了劳动力人口的扶幼负担和政府的基础教育支出负担，激励劳动力加大自身的人力资本投资，并促使政府将资源投入从基础教育领域转向专业教育领域，提升了城市的人力资本水平。
表4 人力资本中介效应的估计结果

Tab.4 Estimation results of the mediating effect of human capital

变量 （1）lnhum （2）lntec （3）lnhum （4）lntec
lnold -0.2793***
（0.0787）		 -0.2565***
（0.0328）
lndep -0.2109***
（0.0445）		 -0.2101**
（0.0827）
lnhum 0.2148**
（0.0836）		 0.2081***
（0.0337）
Cons 1.0640***
（0.2127）		 -2.5638***
（0.1032）		 1.3177***
（0.1075）		 -1.9263***
（0.0579）
R2 0.6243 0.6941 0.6333 0.6682
N 984 984 984 984

注：囿于篇幅，未报告各模型中控制变量的参数估计结果，且各模型均控制了城市效应和时间效应。表5~表7同。

表4列（2）（4）的结果显示：人力资本的系数显著为正，表明人力资本积累提升了城市绿色技术创新水平。同时，顶部老龄化和底部老龄化的系数均显著为负，说明人力资本在人口老龄化影响绿色技术创新过程中表现为部分中介效应，人力资本在顶部老龄化和底部老龄化中的中介效应占总效应比例分别为18.96%和17.28%，表明人力资本是人口老龄化影响城市绿色技术创新的重要途径。具体来看，顶部老龄化通过减弱人力资本对城市绿色技术创新产生负面影响，而底部老龄化通过增强人力资本对城市绿色技术创新产生积极影响。此外，人力资本在顶部老龄化中的中介效应更强，劳动能力是人力资本的直观体现，而顶部老龄化一定程度上反映了劳动力中老年人口的规模，老年人口的劳动能力相对较低，老年人口规模对人力资本的影响将更为明显，顶部老龄化对绿色技术创新的抑制作用相对更多通过减弱人力资本实现。

4.4 空间效应分析

表5报告了空间面板模型的估计结果。根据前文对复合空间权重的设定，分别构建两类复合空间权重矩阵。列（3）（6）的拟合程度和对数似然值均较大，核心解释变量的显著性也得到明显提升。同时，LR检验的检验统计量均显著拒绝SDM可退化为SLM或SEM的原假设。因此，可认为基于复合空间权重矩阵的SDM是合理的。
表5 空间面板模型的估计结果

Tab.5 Estimation results of spatial panel model

变量 （1） 地理矩阵 （2） 经济矩阵 （3） 复合矩阵 （4） 地理矩阵 （5） 经济矩阵 （6） 复合矩阵
W·lntec 0.8956***（0.0732） 0.1612**（0.0783） 0.2430***（0.0546） 0.8992***（0.0732） 0.0945**（0.0397） 0.2284***（0.0557）
lnold -0.2219***（0.0456） -0.3714***（0.0411） -0.3653***（0.0416）
lndep -0.0099（0.0236） -0.0672**（0.0284） -0.0542***（0.0187）
W·lnold 0.7741*（0.4096） 0.0527（0.0994） 0.0550**（0.0233）
W·lndep -0.8279（0.8363） -0.0761（0.0732） -0.0832（0.0730）
直接效应 -0.3653***（0.0427） -0.0569**（0.0238）
间接效应 0.0449**（0.0189） -0.1203（0.0889）
总效应 -0.3204***（0.1034） -0.1772*（0.0959）
R2 0.5354 0.5111 0.5816 0.4225 0.4249 0.5037
Log-likelihood 727.9697 676.5779 788.7600 719.0152 641.9989 754.2459
N 984 984 984 984 984 984
LR-SLM 26.3900*** 51.5900*** 60.2100*** 19.7600*** 39.2800*** 50.0600***
LR-SEM 19.4400*** 53.6100*** 63.8500*** 15.8100*** 41.0800*** 52.8600***
在列（3）（6）的基础上，采用偏微分方法分解空间效应，结果显示，从直接效应来看，顶部老龄化和底部老龄化的系数均显著为负，结论与基准回归的结果一致。从间接效应来看，顶部老龄化的系数显著为正，而底部老龄化不显著，表明顶部老龄化对邻近城市的绿色技术创新呈现空间正向溢出效应，而底部老龄化的空间溢出效应不明显。可能的原因是，虽然顶部老龄化加剧了长三角地区相邻城市间的人才引进竞争，但在推动长三角一体化协同创新发展进程中的正向协同效应有效弥补了顶部老龄化主导的负向挤占效应，加之顶部老龄化导致的劳动力成本上升，促进了企业向相邻城市转移，进而通过加剧市场竞争和促进产业结构升级增强了邻近城市的绿色技术创新活力。而底部老龄化带来的“少子化”冲击也在一定程度上降低了劳动力人口的扶幼负担和政府的基础教育支出负担，有助于城市的教育资源流向培养创新型人才的专业教育领域。但限于教育的属地特征，底部老龄化主要降低了本城市政府和家庭的扶幼负担，对邻近城市的影响并不明显。

4.5 稳健性检验

本文从以下两方面检验基准回归结果的稳健性。①考虑内生性问题。绿色技术创新是一个动态过程，在一段时期内存在明显的连续性[14]。同时，在影响绿色技术创新的各因素中存在较多难以定量的不可观测因素，部分因素与解释变量还可能存在相关性，但这些因素的观测较为困难，模型可能存在内生性和遗漏变量问题。据此，本文通过在式（1）中引入绿色技术创新的时间滞后项来控制这些因素，并基于系统广义矩估计方法对模型进行估计。同时，为进一步克服内生性问题，参考现有文献[39]，采用地区医疗服务水平（采用每千人医院（含卫生院）床位数衡量）作为人口老龄化的工具变量，基于两阶段最小二乘法对模型进行估计。②替换被解释变量的衡量指标。本文参考现有文献[6]，结合世界知识产权组织发布的《国际绿色专利分类清单》和国家知识产权局专利检索与分析系统，采集了长三角地区41个城市的绿色专利申请数据，并将其作为绿色技术创新的衡量指标，重新估计基准回归模型。
结果显示 ① ，经过上述两个方面的处理后，顶部老龄化和底部老龄化的系数依然显著为负，说明前文的估计结果是稳健的。

4.6 异质性分析

4.6.1 绿色创新水平的异质性

长三角地区各城市处于产业转型升级的不同阶段，在绿色资源禀赋、人口老龄化程度等方面均存在差异。据此，本文以长三角地区41个城市2000—2023年绿色技术创新水平均值的中位数为分类依据，将均值位于中位数以上的城市列为绿色创新高水平城市，其余城市为绿色创新低水平城市，并基于复合空间权重矩阵的SDM考察绿色创新水平的异质性。
表6报告了空间异质性的估计结果。结果显示：从直接效应来看，顶部老龄化和底部老龄化的系数在低水平城市中均显著为负。说明顶部老龄化对低水平城市的绿色技术创新具有明显的负向影响，而底部老龄化的加剧提升了低水平城市的绿色技术创新。从间接效应来看，顶部老龄化的系数在高水平城市中显著为负，而底部老龄化的系数在高水平城市中显著为正。说明顶部老龄化和底部老龄化在高水平城市中均呈现显著的空间溢出效应，均会抑制空间邻近城市的绿色技术创新。可能由于低水平城市的绿色创新型人力资本存在总体存量不足、分布不均等问题，且受城市“未富先老”特征掣肘，对绿色创新型人才的吸引力较低，加之人才流失严重，顶部老龄化对城市绿色技术创新呈现明显的抑制作用；而底部老龄化降低了城市的基础教育支出负担，促使城市将有限的财政教育支出向高素质教育倾斜，有效缓解了创新型人才相对不足的困境，提升了低水平城市的绿色技术创新水平。同时，底部老龄化带来的“少子化”将促使高水平城市将教育资源投入从基础教育领域转向专业教育领域，在提升城市创新型人力资本的同时也提高了城市的专业教育质量，优质的教育资源增强了高水平城市对创新型人才的“虹吸效应”，导致邻近城市的高技术人才持续流入本城市，故在高水平城市中人口老龄化对邻近城市的绿色技术创新呈现抑制作用。
表6 空间异质性的估计结果

Tab.6 Estimation results of spatial heterogeneity

变量 lnold lndep
（1） 高水平 （2） 低水平 （3） 高水平 （4） 低水平
直接效应 -0.2168
（0.6376）		 -0.1283***
（0.0361）		 -0.2626
（0.2918）		 -0.0438**
（0.0192）
间接效应 -0.1076**
（0.0472）		 0.0469
（0.0309）		 0.1024***
（0.0323）		 -0.0174
（0.0171）
总效应 -0.3244**
（0.1582）		 -0.0814**
（0.0401）		 -0.1602*
（0.0926）		 -0.0612
（0.0901）
R2 0.5161 0.5179 0.7170 0.5158
N 456 528 456 528

注：囿于篇幅，仅报告空间效应的分解结果。表7同。

4.6.2 动态异质性

根据前文人力资本数据，发现2000—2023年长三角地区城市人力资本水平总体呈现波动上升态势，2010年以前人力资本水平保持逐年上升态势，2010年后保持波动态势，小幅上升。前文分析表明人力资本是人口老龄化影响绿色技术创新的重要途径。据此，本文根据长三角地区人力资本的时间变化特征，以2010年为时间界点，并基于复合空间权重矩阵的SDM考察2000—2010和2011—2023年两时期的时间异质性。
表7报告了动态异质性的估计结果。结果显示：顶部老龄化和底部老龄化的直接效应系数在2个时期内均显著为负，但2011—2023年系数的绝对值相对较小；而顶部老龄化的间接效应系数由2000—2010年的不显著转变为2011—2023年的显著为正，底部老龄化的间接效应系数在2个时期内均不显著。说明人口老龄化对城市绿色技术创新的影响效应中，顶部老龄化的抑制作用和底部老龄化的增益作用均具有长期性，但这种影响效应存在减弱的趋势；同时，顶部老龄化对邻近城市绿色技术创新的正向溢出效应逐步凸显。可能由于2000—2010年，长三角地区城市人力资本水平虽保持逐年上升的趋势，但整体水平仍然较低，难以应对顶部老龄化导致的劳动力尤其是创新型人才的短缺问题；而2010年后，随着城市人力资本水平整体达到较高水平，加之底部老龄化导致的“少子化”冲击促使政府逐步将教育资源向高素质教育领域倾斜，培育创新型人才，在一定程度上缓解了顶部老龄化的负面影响。此外，受限于城市间在经济发展水平、教育环境等方面存在诸多差异，人力资本在地区内的分布呈现非均衡性，加剧了城市间的人才引进竞争，而由人才吸引诱导产生的“回弹效应”促使创新型人才更多流入邻近城市，进而促进了邻近城市的绿色技术创新，顶部老龄化的空间正向溢出效应逐步显现。
表7 动态异质性的估计结果

Tab.7 Estimation results of dynamic heterogeneity

变量 lnold lndep
（1）
2000—2010		 （2）
2011—2023		 （3）
2000—2010		 （4）
2011—2023
直接效应 -0.2422***
（0.0767）		 -0.1351**
（0.0559）		 -0.0766**
（0.0339）		 -0.0532**
（0.0213）
间接效应 -0.1638
（0.2446）		 0.0413***
（0.0158）		 0.0371
（0.1197）		 -0.0181
（0.1738）
总效应 -0.4059**
（0.1933）		 -0.0938
（0.0589）		 -0.0395*
（0.0206）		 -0.0713
（0.1150）
R2 0.4255 0.4047 0.4058 0.4283
N 451 533 451 533

5 结论与启示

本文通过构建绿色技术创新水平评价指标体系，分析了2000—2023年长三角地区城市绿色技术创新的时空演进特征。在此基础上，结合面板固定效应模型和中介效应模型检验了人口老龄化对城市绿色技术创新的影响及其作用机制，并基于空间面板模型揭示了人口老龄化影响城市绿色技术创新的空间效应及其异质性。得出主要结论如下：①长三角地区城市的绿色技术创新水平总体呈上升趋势。城市绿色技术创新的空间分布从两极分化逐渐转向空间均衡格局，绿色创新高水平城市以“圈层扩散”和“轴带扩散”的形式提升了区域绿色技术创新水平。②顶部老龄化对城市绿色技术创新呈现明显的负向效应，而底部老龄化对城市绿色技术创新呈现明显的增益效应。③人力资本在人口老龄化影响城市绿色技术创新的过程中具有显著的中介效应，且其在顶部老龄化中的中介效应更强。④空间分析表明，顶部老龄化对空间邻近城市的绿色技术创新呈现空间正向溢出，而底部老龄化的空间溢出效应不显著。⑤异质性分析表明，顶部老龄化的负向效应和底部老龄化的增益效应在低水平城市中更显著，而顶部老龄化和底部老龄化的空间负向溢出效应在高水平城市中更显著；同时，顶部老龄化的负向效应和底部老龄化的增益效应均具有长期性，但这种影响效应正逐渐减弱，而顶部老龄化的空间正向溢出效应逐步显现。
根据上述结论得到如下启示：
①精准应对人口老龄化，提高城市绿色创新能力。城市绿色技术创新受顶部老龄化的影响较大，顶部老龄化表现为负向效应，而底部老龄化具有增益效应。因此，应分类施策，精准应对顶部与底部老龄化的结构性矛盾。一方面，缓解顶部老龄化的负向效应。积极推动弹性退休制度和返聘机制政策的落地实施，注重老年科创人员对绿色技术的培训与应用，缓解部分城市绿色创新型人才支撑不足的局面。另一方面，强化底部老龄化的增益效应。优化教育资源分配，推动教育资源结构性调整，将教育经费优先投向高等院校绿色创新领域相关专业；以长三角生态绿色一体化发展示范区建设为契机，打破区域间的行政壁垒，探索建立统一的高技能人才评价体系，促进绿色创新型人才资源的共享和流动。
②重视人口老龄化的人力资本效应，促进高素质人才集聚。人力资本是人口老龄化影响城市绿色技术创新的重要途径。因此，应重视创新型人才在城市绿色创新发展中的重要作用。一方面，依托长三角地区优质的教育资源和绿色创新平台优势，建立跨城市创新型人才的联合培养机制。充分发挥长三角科技创新战略智库联盟的组织优势，打破人才体制机制限制，构建协同绿色创新发展的新模式，推动区域绿色创新水平稳步提升。另一方面，以长三角生态绿色一体化发展为契机，打破区域内城市间的行政壁垒，消除阻碍人才自由流动的机制障碍。通过经济一体化和治理结构一体化，探索构建统一开放的人力资源市场，促进绿色创新型人才在区域内的共享和高效配置。
③聚焦人口老龄化的空间效应，构建区域绿色协同发展新格局。研究发现人口老龄化对城市绿色创新的空间影响存在区域异质性。因此，应重视城市间的发展差距，制定差异化的绿色创新发展策略。对于上海、南京、苏州等绿色技术创新高水平城市，应立足自身在技术和资本方面的优势，在集聚绿色创新人才时增强对周边城市的辐射效应，缓解人口老龄化对邻近城市的负向溢出效应；对于池州、淮南、淮北等绿色技术创新低水平城市，在培育绿色创新型人才时，应进一步增强对外部绿色创新技术的学习和应用能力，重点推进传统产业绿色转型，提升自身绿色技术创新能力。多城市联动，强化产业链与创新链的协同，形成绿色创新协同发展新格局。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Braun E, Wield D. Regulation as a means for the social control of technology[J]. Technology Analysis & Strategic Management, 1994, 6(3):259-272.

[2]
Mirata M, Emtairah T. Industrial symbiosis networks and the contribution to environmental innovation[J]. Journal of Cleaner Production, 2005, 13(10-11):993-1002.

DOI

[3]
张韬, 席玉梅. 环境保护税对企业绿色技术创新影响分析——基于沪深A股上市公司数据[J]. 贵州社会科学, 2025,(8):113-123.

[4]
杜运伟, 李思雨. 数据要素赋能城市绿色创新的机制与效应研究——来自国家级大数据综合试验区的证据[J]. 审计与经济研究, 2025, 40(5):106-117.

[5]
Wang Y, Chen H, Long R, et al. How does population aging affect urban green transition development in China?An empirical analysis based on spatial econometric model[J]. Environmental Impact Assessment Review, 2023, 99:107027.

DOI

[6]
邓世成, 吴玉鸣. 低碳城市试点政策对中国资源型城市绿色转型发展的影响[J]. 中国人口·资源与环境, 2024, 34(6):65-79.

[7]
方磊, 张雪薇. 科技金融生态对绿色技术创新影响的空间效应——基于东部五大城市群面板数据的实证分析[J]. 经济地理, 2023, 43(2):147-154.

DOI

[8]
王丹丹, 马志强, 许玲燕. 政府补贴对企业绿色创新质量的影响研究——“扶持悖论”的新解与检验[J]. 产业经济研究, 2025(4):100-113.

[9]
汤义成. 国有资本参股影响民营企业绿色创新的偏向性——促进实质性创新还是策略性创新?[J]. 西部论坛, 2023, 33(6):96-113.

[10]
Song W, Yu H, Xu H. Effects of green human resource management and managerial environmental concern on green innovation[J]. European Journal of Innovation Management, 2021, 24(3):951-967.

DOI

[11]
刘建民, 凌惠馨, 刘嘉意. 人口老龄化对地方财政风险的影响:自缚还是破茧?[J]. 财经理论与实践, 2025, 46(5):80-87.

[12]
李建强, 张淑翠. 人口老龄化影响财政与货币政策的有效性吗?[J]. 财经研究, 2018, 44(7):16-32.

[13]
Yu R, Wang Z, Li Y, et al. Does population aging affect carbon emission intensity by regulating labor allocation?[J]. Sustainability, 2023, 15(12):9721.

DOI

[14]
姚东旻, 宁静, 韦诗言. 老龄化如何影响科技创新[J]. 世界经济, 2017, 40(4):105-128.

[15]
Cai J, Stoyanov A. Population aging and comparative advantage[J]. Journal of International Economics, 2016, 102:1-21.

DOI

[16]
Liu Y, Jia M. The impact of population aging on green innovation:An empirical analysis based on inter-provincial data in China[J]. Sustainability, 2023, 15(4):3305.

DOI

[17]
金昊, 赵青霞. 人口结构转变如何影响技术创新——基于省级面板数据的实证分析[J]. 宏观经济研究, 2019(12):130-147.

[18]
昌忠泽, 姜珂, 魏诗谣. 人口老龄化对技术创新的影响研究[J]. 财贸研究, 2022, 33(11):55-68.

[19]
邓世成, 吴玉鸣. 城市群绿色技术创新的空间网络结构特征及其效应研究——以成渝地区双城经济圈为例[J]. 管理学报, 2022, 19(12):1756-1765.

[20]
Ashworth M J. Preserving knowledge legacies:Workforce aging,turnover and human resource issues in the US electric power industry[J]. International Journal of Human Resource Management, 2006, 17(9):1659-1688.

[21]
随淑敏, 何增华. 人口老龄化对企业创新的影响——基于人口普查数据与微观工业企业数据的实证分析[J]. 人口研究, 2020, 44(6):63-78.

[22]
Verhaeghen P, Salthouse T A. Meta-analyses of age-cognition relations in adulthood:Estimates of linear and nonlinear age effects and structural models[J]. Psychological Bulletin, 1997, 122(3):231-249.

DOI PMID

[23]
许娜, 冯大威. 家庭人口老化与代际阶层流动——基于CGSS微观数据的实证检验[J]. 人口与经济, 2025(2):70-84.

[24]
张逸君, 邱德馨, 王雪标. 公共人力资本投资结构、经济增长与人口老龄化[J]. 财政研究, 2023(4):48-67.

[25]
Deng S C, Wu Y M. Spatiotemporal evolution and driving factors of urban green technology innovation efficiency in the Chengdu-Chongqing Economic Circle of China[J]. Frontiers in Ecology and Evolution, 2023, 11:1234374.

DOI

[26]
刘慧君, 吴鹏. 中国健康老龄化水平的动态演进及服务效能驱动研究[J]. 人口学刊, 2025, 47(1):94-112.

[27]
余泳泽. 中国区域创新活动的“协同效应”与“挤占效应”——基于创新价值链视角的研究[J]. 中国工业经济, 2015(10):37-52.

[28]
边恕, 武传昊, 孙雅娜. 人口老龄化对技能溢价的影响研究[J]. 中国人口科学, 2025, 39(5):66-81.

[29]
沈永建, 于双丽, 朱笛, 等. 劳动力成本、产业转移与企业价值——基于富士康内迁事件的案例研究[J]. 会计与经济研究, 2017, 31(4):56-70.

[30]
Lesage J, Pace R K. Introduction to Spatial Econometrics[M]. New York: Chapman and Hall/CRC, 2009.

[31]
Wang M Y, Li Y M, Wang Z T, et al. The heterogeneous relationship between pollution charges and enterprise green technology innovation,based on the data of Chinese industrial enterprises[J]. Energies, 2022, 15(5):1663.

DOI

[32]
Porter M E, Linde C. Toward a new conception of the environment-competitiveness relationship[J]. Journal of Economic Perspectives, 1995, 9(4):97-118.

DOI

[33]
Popp D. International innovation and diffusion of air pollution control technologies:The effects of NOX and SO2regulation in the US,Japan,and Germany[J]. Journal of Environmental Economics and Management, 2006, 51(1):46-71.

DOI

[34]
张明斗, 闫昱睿. 低碳战略能否增强城市经济发展与生态环境的协调性——基于低碳城市试点的准自然实验[J]. 广东财经大学学报, 2023, 38(3):24-37.

[35]
王国定, 陈祥, 孔欢. 城乡收入差距与人口老龄化的时空关联——基于动态空间面板模型的实证分析[J]. 经济问题, 2022(7):44-53.

[36]
文建东, 谢聪. 人口老龄化对收入不平等的影响——基于省域数据的空间计量模型分析[J]. 南京审计大学学报, 2017, 14(4):12-23.

[37]
Acs Z J, Armington C. The impact of geographic differences in human capital on service firm formation rates[J]. Journal of Urban Economics, 2004, 56(2):244-278.

DOI

[38]
包振山, 王金伟, 罗雪华. 数字经济对流通业高质量发展的影响及其空间效应[J]. 经济地理, 2025, 45(5):103-112.

DOI

[39]
Irmen A, Litina A. Population Aging and Culture:Do Old Societies Think Old Ideas[R]. Center for Research in Economic Analysis (CREA),University of Luxembourg, 2016.

Options
Outlines

/

〈 〉