绿色技术合作网络对区域生态创新效率的影响

《Next Energy》：Impact of green technology cooperation networks on regional ecological innovation efficiency

　　沈正 | 杜文祺 | 建立荣
东南大学经济管理学院，南京 211189，中国

摘要
创新驱动战略和生态进步现在是推动生态创新的关键焦点。随着专利知识的快速增长和流动，跨组织和跨区域的技术创新合作变得不可避免。从复杂网络视角和阈值效应模型的角度来看，利用中国31个省份的绿色专利合作数据，本研究探讨了绿色技术创新网络对区域生态创新效率的非线性影响。研究结果如下：(1) 2000年至2021年间，中国的绿色专利创新存在明显的区域不平衡现象。创新活动日益采用群体合作模式，并加强了跨区域的知识交流。(2) 加强区域合作伙伴的地位和能力可以提升度中心性、紧密中心性和介数中心性对区域生态创新效率的正面影响。(3) 绿色技术创新网络的聚类系数下降可能导致资源重复，削弱其对区域生态创新效率的正面影响。(4) 当绿色专利授权数量超过4358项时，绿色技术创新网络的结构特征能更有效地促进区域生态创新效率。这些结果对于制定结合绿色发展和创新驱动方法的战略以及更好地利用绿色技术创新网络的功能具有重要的意义。

1. 引言
“生态创新”的概念最初由Fussier和James提出[1]，他们强调了其在提升环境质量的同时产生显著经济效益的潜力。目前，中国的发展模式以高投入、高污染和高排放为特征。中国面临着双重挑战：传统发展模式的回报递减不足以维持经济增长，而广泛的增长模式导致了日益严重的生态退化。在新的经济发展常态下，中国已进入一个以创新为驱动力的一阶段。作为供给侧结构性改革的关键组成部分，创新有助于提高发展质量并转变经济增长模式。在全球经济发展史上，国际社会越来越重视绿色发展。清洁、高效、低碳和循环增长已成为主流全球趋势。因此，绿色技术创新成为全球关注的重点，也是中国经济转型和升级的重要方向[2]。随着中国绿色发展战略的逐步完善，“绿色”已成为可持续发展的基本要求。创新驱动增长和绿色发展已被提升为重要的国家战略目标。中国正在加速建立绿色生产方式，并培育新的绿色、低碳和可持续发展体系[3]。

中国第十四个五年规划提倡城市化与绿色产业发展的协调推进，促进绿色经济的持续扩张。相应地，许多企业正从粗放型运营模式转向集约型、绿色型和创新导向的发展[4][5]。生态创新的基础在于绿色知识，这类知识的积累和聚合增加了创新过程的复杂性。在这种背景下，传统的封闭式创新模式已无法满足新时代绿色发展的需求。因此，跨区域和跨组织的创新合作已成为必然趋势。跨区域的知识流动连接不同的地理和组织实体，形成了复杂的知识流动网络。越来越多的学者开始从网络角度研究创新联系和合作形式[6]。作为一种新的连接方式，网络将各种参与者联系起来，为区域生态创新创造了潜在的动力。基于以往的研究，本研究探讨了绿色创新与区域生态效率之间的非线性关系。通过使用绿色专利网络这一独特的分析框架，本研究识别了影响生态创新效率的关键因素，为完善和推进绿色技术和生态创新相关政策提供了宝贵的见解。

与早期研究不同，本研究采用了一种综合的方法论方法来考察绿色技术对生态创新活力的刺激效应。这种方法有助于缓解现有文献中的内生性问题和数据限制，得出更具科学可靠性的评估结果。本研究的边际贡献如下：(1) 通过绿色专利网络的视角揭示了绿色技术创新的发展轨迹，从而丰富了生态创新的研究；(2) 通过将关键网络参数作为阈值变量，探讨了影响区域生态创新效率的内在因素及区域间生态创新效应的异质性；(3) 根据阈值效应结果进一步阐明了绿色专利网络影响生态创新的机制；(4) 从复杂网络的角度出发，有效弥合了生态文明发展中两个关键要素——绿色技术和生态创新之间的研究空白。

研究的其余部分结构如下：“文献综述”部分回顾了现有研究；“测量模型”部分介绍了方法论；“绿色技术创新网络的构建与分析”部分说明了绿色专利的发展状况；“实证分析”部分讨论了实证发现；“结论与建议”部分总结了研究结论并提出了政策建议。

2. 文献综述
2.1. 生态创新
许多学者对此概念进行了系列研究。关于生态创新的内涵，郭[7]提出生态创新是创造新的生态和社会经济系统的过程，促进生态与经济之间的良性循环。Driessen等人[8]认为，绿色创新（绿色产品）应注重实现显著的环境效益而不仅仅是减少环境负担。陈等人[9]将绿色创新定义为与绿色产品或过程相关的硬件或软件创新，如节能、污染防治、废物回收、绿色产品设计和企业环境管理技术。

关于影响生态创新的因素，环境效益的水平反映了生态创新在促进生态创新方面的有效性[10]。能源政策、价格和环境污染等因素是影响能源型区域生态创新的主要因素[11]。李等人[12]创新性地引入了生态足迹作为输入指标，探讨了能源技术创新、区域经济增长和全要素生态效率之间的复杂关系。杨等人[13]分析了高新技术园区建设及其机制对城市生态创新效率的影响。黄和李[14]结合动态能力视角和社会网络理论，研究了影响因素、绿色创新和绩效之间的关系。曹和余[15]对两种类型的企业中促进绿色创新的因素进行了深入研究。

近期研究开始揭示更深刻和复杂的机制。 Lei和Zhang[16]认为，先进技术不能脱离人力资本单独有效部署，后者是绿色技术成功应用的关键潜在变量。Elrick-Barr等人[17]关注通过解决社会生态挑战来建立社区韧性，这一过程包括在危机前通过知识积累、广泛多样的社会网络和资源动员技能来增强创新能力。此外，政策和结构因素之间的相互作用以及创新的质量和数量共同影响了绿色创新的效率，表现出复杂的非线性关系[18][19]。然而，现有的关于绿色技术创新网络的研究尚未实证检验这些关键影响因素的非线性阈值机制。

2.2. 不同层次的生态创新
学者们从企业、行业和区域三个层面研究了生态创新。对于企业而言，技术能力、新技术的获得、环境技术的开发以及吸收/同化能力对生态创新有积极影响。研究基地、信息渠道和知识资本也显示出正相关关系。虽然外部资源很重要，但内部资源更为关键[20][21]。已经探讨了金融生态环境、融资约束与制造业企业绿色创新之间的联系[22]。此外，还分析了设计特征与环境法规对企业生态创新行为的相互作用[23]。还有其他研究考察了政府绿色采购[24]和政府主导的能源转型政策[25]在企业绿色创新和ESG方面的独特作用。

为了研究生态创新对中国热电企业经济效益的影响，建立了工业生态创新的驱动机制模型，从碳排放的角度分析了石化产业集聚对当地生态效率的影响[26][27][28]。郑等人[29]分析了网络结构和外部政策因素如何影响航空产业集群内绿色技术的采纳效率。研究还表明，企业绿色技术创新与气候政策的不确定性呈负相关，气候政策的不确定性影响了企业开发绿色技术的能力[30]。

学者们还探讨了知识溢出在区域创新绩效中的作用。入境旅游对生态效率的多样化影响以及能源技术创新、区域经济增长和全要素生态效率之间的复杂相互作用也得到了研究。随后制定了区域生态创新协调模型[31][32][33][34]。此外，数字政府主要通过数字社会和数字公民身份提升了区域生态创新[35]。优化的商业环境也有助于区域绿色创新[36]。

2.3. 基于合作网络的生态创新
绿色技术创新本质上是复杂且不确定的，需要先进的知识和技能来应对[37]。合作网络提供了必要的外部知识，从而产生了远超个体努力的协同创新能力[38]。企业、大学和研究机构等多元实体之间的多层次合作增强了经济和环境效益。例如，巴西电子产业的异质性合作显著促进了绿色知识的协同效应。此外，当企业拥有丰富的剩余资源、面临较高的运营风险并在竞争市场中运营时，网络联系（如独立董事的社会网络）对绿色创新的影响会得到放大。因此，大量研究探讨了最大化绿色创新绩效的最佳策略[39][40][41][42]，分析了企业在这类网络中的能力增长趋势[44]，并测试了小世界网络属性对全球研发产出的影响[45]。

随着中国向高质量、绿色导向的发展模式转型，绿色知识的跨区域整合加强了隐性合作，使创新网络变得越来越复杂。由于传统研究方法难以捕捉这些复杂机制，本研究采用了2000年至2021年中国31个省份的复杂网络模型。通过绘制知识流动关系图，本研究解构了中国绿色技术创新网络的演化范式，并探索了其对区域生态创新效率的内部影响，最终为协调和可持续的区域绿色发展提供了指导。

3. 测量模型
3.1. 整体分析框架
为了研究绿色技术创新网络对区域生态创新效率的非线性影响，本研究采用了三阶段分析框架，如图1所示。首先，基于绿色专利共同申请数据构建省级合作网络，并计算其整体和节点结构特征。其次，使用考虑了不良输出的DEA-SBM模型量化每个区域的生态创新效率。最后，采用面板阈值回归模型来检验核心因素的阈值效应如何调节网络特征对生态创新效率的影响。

下载：下载高分辨率图像（122KB）
下载：下载全尺寸图像

图1. 分析框架

本研究采用以下方法：首先，利用中国专利数据库中的绿色专利数据，重点关注申请人和申请机构之间的跨区域合作，构建区域绿色技术创新网络。接着，建立区域生态创新评估指标体系，并使用DEA-SBM模型评估区域生态创新效率。最后，分析绿色技术创新网络对区域生态创新效率的影响。在这里，区域生态创新效率作为因变量，而核心解释变量包括这些网络的度中心性、紧密中心性和介数中心性。此外，我们选择节点聚类系数、特征向量中心性和绿色专利授权数量作为阈值变量。这使我们能够研究在不同阈值条件下绿色技术创新网络的结构特征如何影响区域生态创新效率。

3.2. 绿色技术创新网络的构建与指标
3.2.1.网络构建逻辑
区域创新中的参与者进行合作与互动，这些参与者在地理位置上也可能存在差异。社会网络分析（SNA）利用网络和图论来分析社会结构。它主要通过节点之间的连接来表示网络内的各种关系和结构，这可以更清晰地反映网络的总体特征、关系属性和节点属性。
参考基于组织间关系的多层次合作创新网络模型[46]，本研究构建了一个多层次合作创新网络结构，如图2所示。
下载：下载高分辨率图像（223KB）
下载：下载全尺寸图像
图2. 多层次合作网络图
在本研究中，绿色技术合作网络在区域层面通过绿色专利合作建立，形成了一个跨区域的合作创新网络。基于所有绿色专利数据，将绿色专利申请组织的地理位置与区域级别相匹配。如图2所示，共有四个绿色专利：专利1至专利4。发明组织分别为组织1至组织7，分布在三个区域：区域A、区域B和区域C。表1展示了不同情景下组织与组织之间的绿色专利合作模式。这需要获取专利申请组织的地理位置信息，并将它们映射到相应的区域，以建立区域间的合作关系。
表1. 绿色专利合作示例
绿色专利（P）
组织（O）
组织间合作
区域间合作（R）
P-1 O-1, O-2
O-1—O-2-P-2
O-2, O-3
O-2—O-3-P-3
O-3, O-4, O-5
O-3—O-4, O-3—O-5, O-4—O-5
R-A—R-B
P-4
O-5, O-6, O-7
O-5—O-6, O-5—O-7, O-6—O-7
R-B—R-C
注：组织1、组织2和组织3属于区域A；组织4和组织5属于区域B；组织6和组织7属于区域C。
注意，根据每个专利只有一个合作关系的简化原则，在处理涉及三个或更多申请者的专利时，采用以下方法：首先，如果所有申请者都来自同一省份，则该专利被视为区域合作专利；如果申请者来自不同省份，则视为跨区域合作专利[47]。其次，如果申请者中有两个或更多省份，则提取排名最高的申请者的省份作为合作关系。例如，如果一个专利的四个申请者依次是江苏、河北、北京和上海，则根据上述方法，该绿色专利的合作关系为江苏-河北。

3.2.2. 分析合作网络整体结构特征和指标的方法
从整个网络的角度来看，合作网络的特征包括网络规模、网络密度、聚类系数、平均路径长度和小世界性[48]。这些整体网络特征和指标的具体定义如下：
网络规模指网络中参与节点组织的数量，反映了网络的规模和互动潜力。
网络密度是实际边数L与网络中可能的最大边数之比，反映了节点连接的紧密程度。计算公式为：
(1) 密度 = L / (N * (N-1))
其中N是网络中的节点数量。
平均路径长度是指网络中任意两个节点之间的平均距离，代表了网络参与者之间信息传递的效率。计算公式为：
(2) L = 1 / (N * (N-1)) ∑(i≠j) dij
其中N是网络中的节点数量，dij表示两个节点之间的距离。
聚类系数衡量的是节点在其邻居之间的实际边数与潜在边数之比。网络的聚类系数是所有单个节点聚类系数的平均值。其计算公式为：
(3) C = 1 / N ∑(i=1) (ei * Ki^(ki-1))
其中ki表示节点i的邻居，Ei表示ki个节点之间的边数，ki*(ki-1)/2表示可能的边总数。小世界性是指具有较短平均路径长度和较大聚类系数的网络结构。

3.2.3. 分析合作网络中节点特征和指标的方法
节点特征分析主要衡量节点的状态。在本研究中，建立了一个以每个省份为一个节点的区域合作网络，并测量其与其它关键区域的连接程度，以评估其在网络中的地位和影响力。网络节点特征和指标的具体定义如下：
度中心性衡量一个节点与网络中其他节点的连接数量。其计算公式为：
(4) 度中心性 = ∑(j=1)^n Xji
介数中心性表示一个节点作为其他节点对之间最短路径桥梁的频率。
(5) 介数中心性 = ∑(s≠i≠t)nstigst / (nsti)
其中nsti表示通过节点i的最短路径数量，gst表示连接节点s和t的最短路径数量。
紧密中心性表示一个区域节点与网络中所有其他区域节点之间距离之和的倒数。
(6) 紧密中心性 = 1 / ∑(j∈i) dist(i,j)
其中dist(i,j)表示节点i到节点j的距离。
聚类系数表示节点在网络中相邻节点之间的边数与这些相邻节点之间可能的最大边数之比。其公式为：
(7) C = 1 / N ∑(i=1) (Ei * Ki^(ki-1))
其中ki表示节点i的邻居数量，Ei表示ki个节点之间的边数，ki*(ki-1)/2表示可能的边总数。

3.2.4. 构建衡量区域生态创新效率的指标体系
构建一个科学合理的综合评估指标体系对于准确衡量区域生态创新效率至关重要。在本研究中，基于可持续发展和创新理论，并根据生态创新的定义内涵，从生态创新的两阶段生产结构角度选择指标，包括生态创新技术研发（R&D）和成果转化过程，如图3所示。
下载：下载高分辨率图像（274KB）
下载：下载全尺寸图像
图3. 生态创新的两阶段生产结构
从输入输出的角度来看，本研究将生态创新活动分解为初始输入、中间产品、额外输入、期望输出和不良输出。在输入方面，区域生态创新需要人力、资金和后续的额外投资。对于人力输入，采用全时等效的研发人员数量，因为它比单纯的研发人员数量更能准确反映实际工作时间和人员投入。资金投入通过内部研发支出来衡量。额外输入是指在产生中间技术成果后推进创新所需的额外资源。借鉴现有文献，本研究使用新产品开发支出和环境污染控制支出作为特征指标[12]。在输出方面，生态创新必须平衡经济效益和环境效益。中间输出通过绿色专利申请数量来衡量，这是区域绿色创新的关键指标；有效发明专利数量也被广泛视为创新能力的可靠代理指标。期望输出包括新产品销售收入，反映市场接受度；工业总产值，反映工业生产规模；以及废水处理能力、废气去除率和固体废物的综合利用率，表征环境管理效果[49][50]。同时，创新活动不可避免地会产生环境污染物。因此，选择工业废气、废水和固体废物的排放作为不良输出的指标。基于上述分析，本研究构建的区域生态创新效率最终评估指标体系如下表所示。
表2. 区域生态创新评估指标体系
指标 初级指标 次级指标
生态创新投入 初始输入 内部研发支出 x1 x2
额外输入 新产品开发支出 x3 x4
环境污染控制支出 x4 x5
生态创新输出 中间产品 绿色专利申请数量 x5 x6
期望输出 新产品销售收入 x7 x8
工业总产值 x8 x9
废水处理能力 x9 x10
废气去除率 x10 x11
固体废物综合利用率 x11 x12
不良输出 废气排放 x12 x13
废水排放 x13 x14

3.3. 基于DEA-SBM模型衡量区域生态创新效率
传统的DEA模型通常依赖线性分割和径向理论来衡量效率[51]。这些模型通常忽略了实际生产中的输入输出松弛和不良输出。为了解决这些问题，2001年提出了非径向、非角向的DEA-SBM模型。本研究采用DEA-SBM模型来衡量区域生态创新过程中的创新效率。选择该模型的理由如下：首先，生态创新过程同时产生期望输出和不良输出，传统DEA模型难以有效处理这些问题。SBM模型将松弛变量直接纳入目标函数，能够同时衡量输入过剩、期望输出不足和不良输出过剩。这使得它更适合包含环境因素的效率评估。其次，与非径向模型相比，非径向SBM方法避免了径向投影可能导致的效率高估，从而获得更准确的测量结果。然而，这种方法也有局限性。作为一种非参数方法，DEA-SBM对异常值敏感，其结果表示的是相对效率而非绝对效率。为了缓解这一问题，本研究在准备阶段实施了严格的数据清洗。对于后者，分析关注效率值随时间和地区的相对趋势，而不是它们的绝对水平。尽管存在这些局限性，SBM模型在评估包含不良输出的环境和创新效率方面得到了广泛认可和应用，其优势在本研究中尤为明显。该模型的表达如下：假设生产系统由n个决策单元（DMUs）组成。每个DMU有三个向量：输入X、期望输出Yg和不良输出Yb，这些向量的元素可以表示为x∈Rm，yg∈R1，yb∈R2。矩阵定义如下：
(8) X ∈ (x1, x2, ?, xn) ∈ Rm*n
(9) Yg = (y1g, y2g, ?, yng) ∈ R1*n
(10) Yb = (y1b, y2b, ?, ynb) ∈ R2*n
其中xi>0，yig>0，yib>0，i=1,2,…,n。
DEA-SBM模型可以表示为：
ρ = min_{1≤i≤m} (1 - 1/s) ∑(i=1)^m si^-x_i0^1 + (1 - s1 + s2) (∑(i=1)^s1 sig_yi0g + ∑(i=1)^s2 sig_yib0b)
(11) s.t. {x0=Xλ + s - y0g = Ygλ - sg, y0b = Ygλ + sb, λ≥0, s^-≥0, sg≥0, sb≥0}

3.4. 构建绿色技术合作网络对区域生态创新效率影响的测量模型
3.4.1. 阈值模型
本研究采用面板阈值回归模型[52]来实证测试网络结构变量对生态创新效率的影响是否表现出非线性结构断裂，并内生地确定具体的阈值。与传统方法（如子组分析或交互项）相比，该模型具有明显优势。首先，它使用自助抽样客观确定阈值及其统计显著性，避免了主观样本分割带来的偏差。其次，它严格测试统计显著阈值效应的存在，而不仅仅是假设非线性关系[53]。
该模型的应用受到某些假设和限制的制约。其核心假设是回归函数在阈值处发生结构断裂，并且需要足够的样本量以确保统计功效。本研究使用了2000至2021年中国31个省级地区的面板数据，满足样本量要求。此外，本研究进行了多次自助模拟以确保阈值估计的稳健性。选择该模型是因为它最直接地解决了核心研究问题，即识别网络效应显现的“临界条件”，为理解区域异质性提供了严格的计量经济学工具。
阈值模型是一个面板模型。以单一阈值为例，模型指定如下：
(12) y_it = μ_i + θ_it × x_it + β1_dit × I(g_it≤γ) + β2_dit × I(g_it>γ) + ε_it
在这个方程中，i表示样本，t表示年份，y_it和dit分别表示因变量和自变量，x_it是一组显著影响因变量的控制变量，git是指定的阈值变量，γ是具体的阈值，I(·)是指示函数，μ_i表示样本的个别效应，ε_it是服从正态分布的随机误差项。
给定模型中的阈值γ后，可以估计参数以获得残差平方和SSR(γ)。根据Hansen的阈值理论，回归中的给定阈值是真实值，即γ? = argmin(SSR(γ)。获得估计参数值γ?后，需要进行两个方面测试：首先，阈值效应的显著性，即测试方程(12)中的β1和β2是否显著不同。在零假设下，阈值是不可识别的，因此Hansen提出使用自助方法获得统计量的渐近分布，从而构建P值来测试阈值效应的显著性。其次，测试阈值估计的真实性。Hansen建议使用最大似然方法来测试阈值估计是否等于真实值[54]。相应的统计量是LR(γ)=(SSR(γ)?SSR(γ?))/σ?2，其中SSR(γ?)是在零假设下的残差平方和，σ?2是零假设下的残差方差。LR(γ)的分布也是非标准的。Hansen提供了一个简单的公式来计算非拒绝区域，即当LR(γ)≤?2log(1?(1?α)12时，不能拒绝零假设，这里α代表显著性水平[55]。上述描述的是单一阈值的情况。多重阈值模型的假设检验是类似的，因此在这里不再详细讨论。3.4.2. 模型变量的选择为了研究绿色技术合作网络对区域生态创新能力的影响，构建了以下变量系统。因变量是区域生态创新能力，使用之前描述的DEA-SBM模型计算得出，作为评估网络效应的基准。核心自变量旨在描述区域在网络中的结构位置。选择了三种经典的中心性指标：度中心性反映直接连接的广度，接近中心性衡量信息传播的便利性，以及介数中心性代表中介或桥梁的角色。它们共同提供了评估网络内位置优势的多维度视角。阈值变量用于捕捉网络效应中的潜在非线性、不连续机制。选择了三个潜在的关键调节因素：(1) 节点聚类系数，衡量本地合作的聚集程度。其水平可能通过影响知识冗余和合作效率来调节中心性的效应。(2) 节点特征向量中心性，反映节点连接伙伴的“质量”或“声望”。它从“连接质量”而非“连接数量”的角度提供了一种网络状态的替代衡量方法，其变化可能导致网络效应的结构变化。(3) 绿色专利授权数量，作为区域绿色创新产出的直接代理指标。其积累可能达到某个“临界点”，从而改变网络资源转化为创新效率的机制。关于控制变量，为了考虑其他潜在的影响因素，模型包括区域经济发展水平、政府支持强度、教育水平和技术吸收能力。3.4.3. 阈值模型的构建为了验证在不同其他关键影响因素条件下绿色技术合作网络结构特征对区域生态创新能力（eco.ie）的影响，我们将节点聚类系数（cc）、节点特征向量中心性（ec）和绿色专利授权数量（Green_Inv）设置为阈值变量。使用度中心性（dc）、接近中心性（C）和介数中心性（bc）作为核心解释变量，构建模型来验证这些重要影响因素如何在不同的阈值区间内影响网络结构特征与区域生态创新能力之间的关系。阈值模型的构建如下。单一阈值模型：(13)lneco.ieit=β0+α1lndcit?I(qit<β)+α2lndcit?i(qit>β)+μi+∑controlit+εit(14)lneco.ieit=β0+α1lnCit?I(qit<β)+α2lncit?i(qit>β)+μi+∑controlit+εit(15)lneco.ieit=β0+α1lnbcit?I(qit<β)+α2lnbcit?i(qit>β)+μi+∑controlit+εit双阈值模型：(16)lneco.ieit=β0+α1lndcit?I(qit< />γ2)+μi+∑controlit+εit(17)lneco.ieit=β0+α1lnCit?I(qit< />γ2)+μi+∑controlit+εit(18)lneco.ieit=β0+α1lnbcit?I(qit< />γ2)+μi+∑controlit+εit多阈值模型：(19)lneco.ieit=β0+α1lndcit?I(qit< />< />γn)+μi+∑controlit+εit(20)lneco.ieit=β0+α1lnCit?I(qit< />< />γn)+μi+∑controlit+εit其中i代表省份，t代表年份。本章的时间样本区间从2010年到2021年。β0是截距，α1, α2, …, αn是不同阈值区间内核心解释变量的系数，系数最高的区间被认为是最佳阈值区间。lneco.ieit表示第i个省在年份t的生态创新能力的自然对数，lndcit表示第i个省在年份t的度中心性的自然对数，lnCit表示第i个省在年份t的接近中心性的自然对数，lnbcit表示第i个省在年份t的介数中心性的自然对数，qit表示阈值变量，γ1和γ2分别是第一个和第二个阈值，I(qit < γn)和I(qit > γn)是指示函数，∑controlit表示控制变量的总和，μi是个体效应，εit是一个扰动项，如果条件满足则取值1，否则取值0。4. 绿色技术合作网络的构建与分析鉴于专利被广泛用作区域技术创新合作的指标，本研究采用绿色专利来衡量所选地区的绿色技术创新合作。根据世界知识产权组织（WIPO）的绿色专利分类系统[56]，该系统涵盖了替代能源生产、废物管理和节能等领域，使用分层分类结构来精确定义专利的技术范围。据此，在国家知识产权数据库和IncoPat专利数据库中搜索了2000年至2021年的所有相关绿色专利。由于本研究关注技术合作，初步筛选标准是仅包括有多个申请人的专利，最终获得了279,000个绿色专利的数据集。4.1. 区域绿色技术合作发展的现状根据中国国家知识基础设施（CNKI）的统计数据，2000年至2021年中国绿色专利申请的累计数量达到了270.1万项。趋势显示出三个不同的阶段：发展缓慢的时期（2000–2011年），随后是快速增长期（2012–2019年），以及最近的下降期（2020–2021年）。在早期，由于绿色技术的发展有限和专利意识不足，尽管每年都有增加，但总量相对较少。2012年左右，“生态文明”概念正式提升为国家政策文件的内容，并伴随着如《环境保护法》修订等加强性的法规。这一政策转变提供了实质性的推动力，导致从2012年起绿色专利申请数量迅速增加。如图4所示，创新水平的空间演变显示出了明显的地区差异。与西部地区相比，东部地区的异质性更大。西部省份的绿色技术创新水平一直较低。相比之下，东部地区显示出显著的内部变化。具体来说，北京是2000年的唯一高价值区域。到2008年，几个东部省份已成为高价值区域。2019年，江苏和广东仍然保持高价值地位，山东、浙江和北京被归类为相对高价值区域。这一时期标志着中国整体绿色技术创新的快速发展，但地区间的差异仍然显著。下载：下载高分辨率图片（479KB）下载：下载全尺寸图片图4. 中国绿色技术创新的空间格局。4.2. 绿色技术合作网络的演变特征前一节从空间格局的角度研究了绿色技术创新的数量和趋势。本节重点分析了中国各省间绿色技术合作网络的演变。基于处理后的绿色专利数据，首先使用ArcGIS软件描绘了网络的时空演变模式。随后，使用复杂的网络分析方法计算和分析整体网络及节点特征的时间变化。最后，比较了每个省份在合作网络中的位置和角色。4.2.1. 整体绿色技术合作网络的时空演变通过构建一个省际合作网络矩阵，并基于2000年至2021年中国31个省份的绿色专利数据（不包括省内合作专利），获得了超过90,000个省际合作专利，并将其量化为一个合作矩阵。为了便于分析，年份被划分为四个阶段：2000–2005年、2006–2010年、2011–2015年和2016–2021年，合作数量被分为五个等级。然后绘制了空间合作关系网络图，如图5所示。下载：下载高分辨率图片（1MB）下载：下载全尺寸图片图5. 中国区域绿色技术合作的演变。如图5所示，在这四个时期，省际合作的数量和范围显著增加。2000–2005年期间，北京、上海、江苏和广东之间的区域合作关系最为紧密，突显了它们的核心地位。2006–2010年期间，北京、上海、江苏、广东和浙江的合作关系最为密切，网络密度也比前一时期有所增加。2011–2021年期间，网络密度显著增加，高度合作的节点数量也上升，表明省际合作活动的水平大幅提高。4.2.2. 省际绿色技术合作网络特征的分析随着知识创新活动的复杂性增加，创新行为更倾向于群体合作以降低风险和复杂性[57]。目前，学者们常使用SNA来揭示合作创新网络的特征，使用网络规模、密度、平均路径长度和聚类系数等指标。在区域层面，网络规模表示参与区域的数量，密度反映省际合作的频率，聚类系数显示与其他区域的连接可能性，平均路径长度表示网络内的平均节点距离。利用上述合作矩阵，本研究计算了2000年至2021年中国省级绿色技术合作网络的特征指标，结果如图6所示。下载：下载高分辨率图片（112KB）下载：下载全尺寸图片图6. 绿色技术合作网络的总体特征。如图6所示，2000年至2021年中国绿色技术合作网络的凝聚力和效率显著提高。网络密度从2000–2005年的1.09急剧增加到2016–2021年的74.60，表明省际合作频率大幅上升。聚类系数从0.694持续上升到0.953，表明地方合作集群的加强有助于知识传播。同时，网络的平均路径长度逐年减少，意味着节点间距离的缩短和地区间知识交流效率的提高。这些变化在2011年后尤为明显，与“生态文明建设”等宏观政策转变相吻合。然而，这种合作密度的增加是否直接由自上而下的行政指令驱动，还是由这些政策激活的其他潜在结构力量驱动，需要进一步的经济计量分析，这将在4.2.3.4.2节中讨论。4.2.3. 驱动网络演变的机制基于对绿色专利合作网络的分析，本研究通过以下三种机制解释其演变模式。1. 优先连接机制优先连接机制认为节点倾向于与已经具有高度中心的节点进行不成比例的连接。这在理论上解释了北京、上海、江苏和广东等核心节点持续的高连接性。鉴于绿色技术创新的高复杂性和研发不确定性，与这些中心节点合作显著降低了其他地区的搜索成本和创新风险。它们在政策支持、经济基础和教育资源方面的固有优势形成了一个复合资源池和声誉溢价，不断吸引更多合作伙伴。因此，边缘或发展中的地区有很强的动机与这些中心建立联系，以获取高质量的知识溢出。如图4和图5所示，这些核心地区在绿色专利申请的绝对数量和省际合作关系的密度方面都表现出强烈的引领作用。2. 地理邻近效应为了研究地理邻近效应，由于二次分配程序（QAP）考虑了二元网络数据中的固有自相关性，本研究使用QAP来分析省际地理距离与绿色专利合作总数之间的关系。QAP的相关性结果显示，地理距离与合作强度之间存在稳健且显著的负相关（Pearson系数r =-0.2378, p?然而，通过引入控制变量来隔离政策的净效应后，系数显著转为负值（-25.68，p < 0.05）。这种符号的反转表明，表面上的整体正向相关性主要归因于潜在结构条件的同时变化，而不是政策本身的直接刺激效应。具体来说，结果揭示了两个关键的结构驱动因素。首先，教育水平的差距对网络密度产生了强烈的正面影响（9.53，p < 0.01）。这支持了“知识潜力差异”的逻辑，表明高教育水平和落后地区之间的自然互补性是自发跨区域合作的重要引擎。其次，政府技术支持的差距有显著的负面影响（-61.84，p < 0.01）。这意味着行政干预和由此产生的科学技术资源不平衡可能会引发区域间竞争或地方保护主义，从而阻碍合作能力。总之，当隔离其真实的净效应时，2012年的政策本质上对网络密度产生了抑制作用。2012年后观察到的合作网络增长趋势主要是由结构上的“知识潜力差异”（教育差距）的强大驱动力所驱动的。在这种情况下，2012年的政策施加了严格的环境限制，迫使各地区积极寻求外部知识合作，从而激活了原有的教育差距，成为区域合作的内生驱动因素。政策的负面净效应仅仅表明，当去除这种自然市场互补性时，纯粹的行政干预本质上会产生摩擦成本，甚至可能对自发形成的创新网络造成意外干扰。这一发现突显了宏观层面环境法规的复杂双重性质：虽然绿色政策在宏观上促进了绿色合作网络密度的整体增加，但合作网络的深化最终依赖于结构上的知识互补性。

5. 实证分析
5.1. 区域生态创新效率的测量
鉴于数据可用性，本研究选择了2010-2020年间中国30个省级地区的生态创新投入产出数据（不包括西藏、香港、澳门和台湾）。数据来源包括《中国统计年鉴》、《中国科学技术统计年鉴》、《中国环境统计年鉴》、《中国工业经济统计年鉴》及相关官方网站。使用DEA-SBM模型和DEA-Solve软件，研究了中国的省级生态创新效率，结果如图7所示。

5.2. 阈值存在的检验
使用Stata软件，通过自助抽样方法对绿色技术合作网络对区域生态创新效率的影响进行了阈值效应的显著性检验[58]。分析显示了节点特征向量中心性、节点聚类系数和绿色专利授权数量对绿色技术合作网络对区域生态创新效率影响的阈值效应。当以度中心性作为核心解释变量时，节点特征向量中心性表现出单一阈值效应，而节点聚类系数没有阈值效应，绿色专利授权数量也表现出单一阈值效应。当以接近中心性作为核心解释变量时，节点特征向量中心性表现出单一阈值效应，节点聚类系数表现出双重阈值效应，绿色专利授权数量没有阈值效应。当以介数中心性作为核心解释变量时，节点特征向量中心性和节点聚类系数都表现出单一阈值效应，绿色专利授权数量表现出双重阈值效应。测试结果见附录中的表A2。

5.3. 阈值估计值的检验
根据阈值效应检验，以度中心性作为核心解释变量时，特征向量中心性表现出单一阈值效应，而聚类系数没有阈值效应，绿色专利授权数量表现出单一阈值效应。以接近中心性作为核心解释变量时，特征向量中心性表现出单一阈值效应，聚类系数表现出双重阈值效应，绿色专利授权数量没有阈值效应。最后，以介数中心性作为核心解释变量时，特征向量中心性和聚类系数都表现出单一阈值效应，绿色专利授权数量表现出双重阈值效应。估计的阈值及其95%置信区间见附录中的表A3。
从表A2可以看出，对于以度中心性为阈值变量时，估计阈值为0.174，对应的置信区间为（0.146, 0.189）。以绿色专利授权数量为阈值变量时，阈值估计为4358，置信区间为（4327, 5900）。以接近中心性为阈值变量且以特征向量中心性为阈值变量时，阈值估计为0.151，置信区间为（0.131, 0.178）。以接近中心性为阈值变量且以聚类系数为阈值变量时，表现出双重阈值：0.576的置信区间为（0.538, 0.802），0.888的置信区间为（0.857, 0.922）。以介数中心性为阈值变量且以特征向量中心性为阈值变量时，阈值估计为0.159，置信区间为（0.142, 0.184）。以介数中心性为阈值变量且以聚类系数为阈值变量时，阈值估计为0.647，置信区间为（0.614, 0.798）。以介数中心性为阈值变量且以绿色专利授权数量为阈值变量时，表现出双重阈值：3502的置信区间为（3490, 3514），4358的置信区间为（4327, 4375）。

5.4. 阈值效应回归结果
5.4.1. 以特征向量中心性为阈值的回归结果
表3展示了不同中心性指标在绿色技术合作网络中对区域生态创新效率的影响，使用特征向量中心性作为阈值变量。该阈值回归的核心目的是测试网络效应是否根据区域在网络中的位置而发生变化。最左两列定义了核心解释变量及其相应的阈值区间，第三列报告了每个变量在这些区间内对生态创新效率影响的系数和统计显著性。例如，该结构揭示了当度中心性低于或高于特定阈值时，其效应是增强还是减弱。表4和表5遵循相同的逻辑，分别使用节点聚类系数和绿色专利授权数量作为阈值变量，来揭示地方网络聚类和区域创新输出规模如何调节网络结构的作用。

表3. 以特征向量中心性为阈值的回归结果
变量 阈值区间（节点特征向量中心性）系数（T值）
区域经济发展水平 -1.515 *** -0.075 *** -0.012 (3.13) (-3.10) (1.49)
政府支持 0.046 0.045 0.046 (0.31) (0.99) (0.68)
教育水平 -0.026 -0.013 -0.027 (-0.93) (-0.91) (-0.51)
技术吸收能力 0.028 0.011 0.014 (0.01) (0.16) (0.56)
ln（度中心性）[0, 0.174） -0.017** (-2.22) [0.174, +∞) 0.015** (3.42)
ln（接近中心性）[0, 0.151） 0.0326** (2.26) [0.151, +∞) 0.0585** (2.20)
ln（介数中心性）[0, 0.159） 0.015* (1.99) [0.159, +∞) 0.027** (2.17)
个体固定效应 是 是 是 是
时间固定效应 是 是 是
样本量 330 330 330
省份数量 30 30 30
R2 0.30 0.287 0.291

表4. 以节点聚类系数为阈值的回归结果
变量 阈值区间（节点聚合系数）系数（T值）
区域经济发展水平 -0.014** (-2.38) -0.011*** (-2.99)
政府支持 0.058 (1.15) 0.054 (0.24)
教育水平 0.026 (0.70) 0.024 (0.89)
技术吸收能力 0.011 (0.85) 0.019 (0.21)
ln（接近中心性）[0, 0.576） -0.005 (-1.02) [0.576, 0.888) 0.052*** (3.21) [0.888, +∞) 0.020*** (3.16)
ln（介数中心性）[0, 0.647） -0.330** (-2.40) [0.647, +∞) 0.274 (0.84)
个体固定效应 是 是 是
时间固定效应 是 是 是
样本量 330 330
省份数量 30 30
R2 0.350 0.297

表5. 以绿色专利授权数量为阈值的回归结果
变量 阈值区间（授予的绿色专利数量）系数（T值）
区域经济发展水平 -0.028*** (-3.10) -0.026 (-1.49)
政府支持 0.027 (0.99) 0.041 (0.68)
教育水平 -0.019 (-0.91) -0.021 (-0.51)
技术吸收能力 0.034 (0.16) 0.037 (0.56)
ln（度中心性）[0, 4358） -0.014* (-1.99) 4358
0.012** (2.26)
ln（介数中心性）[0, 3502） 0.248** (2.20) [3502, 4358) 0.311*** (3.25)
个体固定效应 是 是
时间固定效应 是 是
样本量 330 330
省份数量 30 30
R2 0.267 0.269

如表3所示，特征向量中心性作为一个关键阈值，调节了网络结构对生态创新效率的影响。具体来说，当节点的特征向量中心性低于0.174时，度中心性表现出显著的负面影响。这表明在网络声望较低的早期阶段，不加选择地增加外部合作联系可能会导致资源分散、协调成本上升或合作伙伴关系质量低下，从而对创新效率产生挤出效应。然而，一旦区域的特征向量中心性超过0.174的阈值，度中心性的影响显著变为正面。这表明只有在区域积累了足够的合作声望和连接质量后，广泛的合作伙伴网络才能有效转化为创新收益。这一发现与Lei和Zhang的观点一致[16]，他们认为人力资本是成功环境技术的潜在变量，意味着区域必须达到一定的内在网络阈值，才能将绿色专利的定量优势转化为高质量的创新绩效。对于接近中心性和介数中心性的影响也观察到了类似的阈值效应。对于接近中心性，特征向量中心性的阈值为0.151。超过这一阈值后，接近中心性的正面系数从0.0326增加到0.0585。这表明当区域在网络中占据更中心、更有声望的位置时，其获取和传播信息的能力几乎对创新效率的贡献翻了一番。对于介数中心性，特征向量中心性的阈值为0.159。超过这一阈值后，系数从0.015上升到0.027，表明更高的网络声望显著增强了通过控制资源流动和充当中介的角色来促进创新的效果。这些结果共同揭示了一个潜在机制：位置优势（如网络中心性）对生态创新效率的贡献不是线性的，而严重取决于区域网络声誉或合作质量的基础。结构性位置所提供的信息、控制和连接优势只有在有足够的合作质量支持时才能得到充分激活和利用。

此外，控制变量的结果丰富了这一机制的解释。区域经济发展水平表现出显著的负面影响，表明如果不考虑网络异质性，单纯的经济增长可能不会直接转化为更高的生态创新效率，甚至可能由于路径依赖或资源错配而产生抑制作用。政府支持、教育水平和技术吸收能力等变量没有显著的直接影响，这意味着在高区域网络异质性的背景下，这些传统因素的影响可能被网络阈值效应所掩盖或调节。总之，作为区域网络质量的关键指标，特征向量中心性本质上充当了一个开关和内生激励，使得各种网络中心性能够发挥其促进创新的作用。这一发现有助于加深对网络结构与创新效率之间复杂非线性关系的理解。

5.4.2. 以节点聚类系数为阈值的回归结果
通过阈值效应存在性检验，当使用节点聚类系数作为阈值时，接近中心性对区域生态创新效率的影响存在双重阈值效应，而介数中心性对区域生态创新效率的影响存在单一阈值效应。相应的影系数测试结果见表4。表4显示，作为网络结构关键特征的节点聚类系数，在调节中心性对生态创新效率的影响方面起到了显著且复杂的非线性阈值作用。具体来说，随着聚类系数的增加，接近中心性的影响表现出“抑制-促进-减弱”的三阶段模式。当系数低于0.576时，其影响是负面的；在0.576-0.888区间内系数为正；超过0.888后减弱为0.020。这种倒U形关系表明，适度的本地聚类密度最有利于区域通过紧密联系快速获取和整合知识，从而提高生态创新效率。过度低的聚类可能反映了一个稀疏、不协调的网络，而过高的聚类可能导致信息冗余和创新锁定，阻碍新鲜外部知识的注入。这一发现与Lei和Kocoglu关于干预潜在意外后果的讨论一致[18]，表明如果结构属性的管理不当，其效果可能会变为负面。对于介数中心性，聚类系数的单一阈值进一步突出了网络结构的微妙调节作用。低于这一阈值时，介数中心性表现出显著的负面影响。这可能意味着在建立有效的本地合作基础之前过早地充当网络“桥梁”可能会由于资源分散和高协调成本而抑制创新。一旦聚类系数超过0.647，介数中心性的作用变为正面。这表明只有在区域建立了稳定的本地集群后，其“结构洞”优势——连接不同集群和控制资源流动——才能有效激活，以整合异质知识用于创新。

值得注意的是，在四个控制变量中，只有区域经济发展水平在1%或5%的水平上显示出显著的负面影响，而政府支持、教育水平和技术吸收能力没有显著影响。这进一步强调了网络结构特征，如局部连接的紧密性，在区域绿色创新过程中可能比传统的资源投入扮演着更加关键的调节作用。总之，本研究不仅确定了聚类系数影响接近度和介数中心性的具体阈值，还从网络结构平衡的角度阐明，地区在构建创新网络时必须寻求最佳的局部聚类度和外部开放度，以避免走向任一极端。这为了解局部和合作网络结构如何共同塑造绿色创新绩效提供了新的实证证据。5.4.3 使用绿色专利授权作为阈值的回归结果在进行阈值效应存在性测试后发现，当使用绿色专利授权作为阈值变量时，度中心性对区域生态创新效率的影响表现出单一阈值效应，而介数中心性的影响则显示出双重阈值效应。相应的效应系数测试结果显示在表5中。表5揭示了一个地区的绿色创新产出规模本身也是网络结构效应的另一个关键阈值。具体来说，当授予的绿色专利数量达到4358项时，度中心性对生态创新效率的影响发生了根本性的转变。在这个阈值以下，系数为-0.014，表明在创新产出不足的阶段建立广泛的外部协作联系可能会因资源分散或知识吸收能力滞后而阻碍效率。一旦超过这个阈值，效应变得显著为正。这强烈支持了Lei和Kocoglu的观点，即只有当一个地区的绿色专利积累超过一定规模后，其创新系统才能获得足够的成熟度和过滤能力，有效地将网络连接的定量优势转化为绿色创新的定性收益[19]。一个更有洞察力的发现是介数中心性的双重阈值效应。随着授予的绿色专利数量从3502项以下增加到3502-4358项之间，然后超过4358项，介数中心性的正系数从0.248上升到0.311，最终达到0.578。这种上升模式清楚地表明，区域绿色创新产出的规模不仅决定了网络效应是否被激活，还调节了它们的强度。值得注意的是，当专利授权超过4358项时，介数中心性的正向效应最强。这表明高产出地区作为网络中介，可以更有效地整合和分配跨区域知识资源，从而产生生态创新的乘数效应。此外，几乎所有传统控制变量都缺乏显著性，这表明在绿色技术发展领域，基于创新产出规模的阈值机制可能比传统因素投入更能解释区域创新绩效的差异。总之，本研究不仅量化了绿色专利输出的关键阈值，更重要的是，阐明了产出规模、网络位置和创新效率的渐进路径。地区必须首先跨越一个基线产出阈值，才能充分释放网络中心性的积极效应，特别是介数中心性。这为制定以创新产出为导向的区域网络合作的阶段性政策提供了直接的实证证据。6. 结论与建议生态创新是促进高质量经济发展的重要因素，也是这种进步的主要标志。生态创新效率也是区域生态创新绩效的关键方面。本研究聚焦于中国的31个省，探讨了绿色技术合作网络如何影响区域生态创新效率，整合了绿色技术创新理论、复杂网络和区域生态创新的研究。6.1 结论通过结合复杂网络分析、DEA-SBM模型和阈值效应模型，本研究探索了跨区域绿色技术合作网络的演变特征及其对区域生态创新效率的非线性影响。主要结论如下：（1）网络演变与差异。跨区域绿色技术合作显著加强，尤其是在2011年之后，网络密度和度中心性都有所增加。然而，这种深化的合作加剧了区域不平衡。江苏、广东、北京和上海等核心省份持续保持主导的网络位置，而活跃省份与不活跃省份之间的差异继续扩大。（2）生态创新效率。总体而言，各省的生态创新水平相对较低，并表现出周期性波动。区域生态创新的发展缓慢且极不均匀，特征是显著的跨区域差异和明显的空间聚集。（3）非线性阈值效应。网络结构特征对生态创新效率产生了显著的阈值效应。特别是，当一个地区的特征向量中心性和绿色专利数量超过特定阈值后，度中心性的影响从负面转为正面。此外，接近度和介数中心性表现出复杂的单一或双重阈值动态，这些动态受到节点特征向量中心性、聚类系数和区域专利规模的严格调节。6.2 建议阈值回归分析显示，绿色技术合作网络结构对生态创新效率的影响表现出显著的非线性阈值效应，不同地区在网络位置和创新能力方面存在显著异质性。基于实证发现，针对高、中和低中心性地区提出了差异化策略。6.2.1 对于高中心性地区：巩固核心地位和知识扩散高中心性地区处于网络的绝对核心位置，拥有广泛的连接。表3的结果表明，一旦一个地区的特征向量中心性超过0.174的阈值，其度中心性对生态创新效率的影响从-0.017显著转变为0.015。这表明这些地区已经进入了一个战略增强阶段，政策重点应从快速扩张转向系统的知识扩散和网络治理。首先，建立跨区域知识传递系统。利用其枢纽地位，这些地区应建立制度化的知识溢出渠道。这可能涉及领导建立跨省绿色技术创新联盟，设立针对中部和西部地区的绿色技术转移专项基金，并将合作成果（如技术许可和人才部署）纳入当地创新评估系统。这旨在加强与高中心性相关的积极网络效应。其次，培育和培养次级绿色创新中心。通过与具有中等中心性的省份选择性地形成研发联盟，例如共同申请国家级重大项目或共同建设实验室，高中心性地区可以主动提升其合作伙伴的特征向量中心性。这优化了整体网络结构，防止资源过度集中在少数地区。第三，专注于开创性和突破性创新。鉴于它们坚实的创新基础，这些地区应减少对绿色专利授权阈值（4358项）以下的增量技术的过度投资，转而将更多资源投向突破性绿色创新，如人工智能支持的环境保护和碳中和前沿技术。这利用了它们在高质量专利领域的领导地位。6.2.2 对于中等中心性地区：促进合作和平衡发展中等中心性地区主要位于中国中部和非核心东部省份，在网络中处于中等位置。表4显示了一个复杂的非线性关系，其中聚类系数调节了接近度中心性的效应：在0.576-0.888区间内，效应最强。这表明这些地区需要平衡培养本土专利和加强外部合作。首先，政策应鼓励企业和研究机构与高中心性节点建立合作伙伴关系，而不仅仅是盲目增加联系数量。政府可以为与高中心性地区实现实质性合作的研究项目提供额外补贴，从而提高当地绿色创新中心性，以更有效地获取高质量的知识溢出。其次，建立区域创新集群。积极促进区域内合作，以维持适中的高水平的局部聚集（0.576-0.888）。应支持在本地工业园区、大学和领先企业之间形成协同创新实体，发展专门的绿色产业集群，例如安徽的新能源车辆和湖南的先进储能材料。这加深了本地合作，同时避免了过度聚集带来的信息孤立和创新动力减弱的问题。最后，利用地理优势，主动与高中心性地区的前沿知识接洽，并将其转化为适用于低中心性地区的技术解决方案。6.2.3 对于低中心性地区：建立基础和增强内生专利培育低中心性地区主要位于中国西部，处于网络的外围位置，创新基础薄弱。如表5所示，当授予的绿色专利数量低于4358项阈值时，度中心性对生态创新效率有负面影响。这表明在没有足够创新产出的情况下追求外部合作伙伴关系可能不会提高效率，甚至可能浪费资源。首先，这些地区应优先培育内部创新集群。政策资源必须集中在增加本地绿色专利产出的数量和质量上，以跨越专利授权阈值。具体措施包括增加对本地大学和研究机构基础绿色技术研究的稳定资金支持，实施更具吸引力的激励政策以促进绿色技术的本地产业化，并集中精力建设具有本地特色的国家有影响力的绿色技术产业基地。6.3 局限性与未来研究未来研究应解决本研究的两个主要局限性。首先，本研究关注的是区域生态创新在区域合作网络层面的影响。未来的研究可以考察更小的单位体，涵盖整个网络情况，并从全球和地方的角度进行更全面的分析。其次，在建立区域生态创新评估指标时，由于与区域相关的废物处理指标并不完美，可以在更系统科学的信息指数系统和数据下进行更多维度的研究。CRediT作者贡献声明Sen Zheng：写作——原始草稿，写作——审阅与编辑，软件，方法论。Wenqi Du：写作——审阅与编辑，概念化。Lirong Jian：监督，写作——审阅与编辑。