推动绿色增长：创新、知识、数字化、循环经济实践以及能源转型的影响

《Journal of Innovation & Knowledge》：Advancing green growth: The influence of innovation, knowledge, digitalization, circular economy practices, and energy transitions

　　乌迈尔·卡希夫 | 刘世强 | 斯诺维亚·纳西姆 | 苏尔菲卡尔·阿里
福州大学经济与管理学院，福建350108，中国

**摘要**
本研究探讨了绿色增长的决定因素，特别关注创新（INN）、知识（KN）、可再生能源（RE）、数字化（DIG）和循环经济（CE）实践。利用1990年至2002年中国每年的时间序列数据，采用自回归分布滞后框架，并通过完全修改的动态普通最小二乘估计量进行稳健性测试，分析了短期和长期动态。研究结果表明，可再生能源、创新和知识持续促进了绿色增长，而数字化的影响虽然积极但也依赖于具体情境。相反，循环经济存在局限性，现有证据显示其当前实施可能无法带来预期的可持续性收益。研究结果确认了两者之间的长期稳定关系，尽管诊断性测试揭示了短期可能存在异变性。这些发现扩展了可持续性转型和基于知识的增长理论，展示了数字化和知识体系如何与可再生能源共同推动环境绩效的提升。从政策角度来看，我们的研究强调了加强创新能力、扩大可再生能源应用规模以及改革循环经济框架的必要性，以确保其与数字化的有效整合。

**引言**
可持续发展是当今全球最紧迫的问题之一，尤其是对于那些正在经历快速结构变化、试图平衡环境保护与工业化需求的经济体（Abdulsalam等人，2025）。绿色增长（GG）已成为政策讨论和学术讨论中的关键议题，旨在实现生态退化与经济增长之间的分离（Streimikiene，2024）。实证证据表明，在大多数发展中国家和转型经济体中，数字化和循环经济的实施受到组织障碍的限制（Trevisan等人，2023）。监管不力、技术锁定以及数字基础设施获取的差异可能会阻碍可持续实践的规模化，从而导致发展不连续和绿色增长不均衡（Ding等人，2025）。鉴于技术变革的快速推进，这些困难凸显了研究创新、循环经济实践、知识创造和可再生能源采用效果的重要性（Zhang等人，2025）。对于那些正处于结构转型中的国家来说，这种相互依赖的关系尤为重要，因为这些国家的制度能力、技术水平和环境压力以复杂的方式相互作用（Patwa等人，2021）。尽管近年来关于可持续性转型的研究有所增加，但大多数现有研究仅单独考察了创新、可再生能源或循环经济实践，这种碎片化的方法无法全面了解技术能力、知识体系和资源高效生产过程如何共同影响绿色增长（Chauhan等人，2022；Yin等人，2025）。因此，关于这些驱动因素综合效应的关键理论和政策问题仍然未得到充分探讨。本研究通过在一个统一的可持续性转型框架内考察它们之间的相互关系，填补了这一理论空白。转型经济体通常具有不匹配的吸收能力、不适当的监管机制以及影响绿色政策和技术升级效果的转型效率问题。从理论上讲，本研究处于可持续性转型与基于知识的增长视角的交汇点，需要综合分析技术能力、制度适应性和学习过程。为了增强研究的分析深度，本研究明确提出了以下核心问题：
1. 创新、知识、可再生能源和数字化在多大程度上促进了绿色增长？
2. 在稳健的计量经济框架下，这些驱动因素与经济和环境绩效之间是否呈现稳定的短期和长期关系？
3. 循环经济实践如何与这些因素相互作用，其差异效应如何解释？
4. 研究结果如何扩展现有的可持续性转型理论和实证认识，并为发展中国家的政策制定提供借鉴？
回答这些问题有助于整合理论文献，提高可持续性转型研究的实证严谨性。本研究是少数几个同时考虑创新、知识、可再生能源和循环经济实践的综合评估之一，填补了可持续性转型文献中的概念空白（Bouattour等人，2025；Shobande等人，2024）。

**方法论**
我们的分析采用了多层策略，结合自回归分布滞后（ARDL）模型与完全修改的普通最小二乘（FMOLS）和动态普通最小二乘（DOLS）方法，以验证结果的稳健性并解决内生性和序列相关误差问题。此外，通过纳入数字化和通货膨胀等控制变量，进一步丰富了结构效应分析。这种多方法学方法提高了可持续性研究的严谨性，并提供了关于绿色增长长期驱动因素的更持久证据。鉴于本研究关注的是一个大规模转型经济体，其发现对于其他寻求实现增长与环境保护脱钩的发展中国家也有重要启示。

**本文结构**
第2节回顾了相关研究，指出了本研究的空白和推动因素。第3节概述了理论框架，并提出了实证数据分析中使用的假设。第4节报告了数据、变量描述、计量方法、模型设定、估计策略和诊断程序。第5节展示了实证结果，包括描述性统计、相关性和协整检验、ARDL估计、稳健性和因果关系检验。第6节将研究结果与现有文献和理论方法进行比较。第7节解释了研究结果的政策含义。第8节总结了研究的贡献、局限性及未来研究方向。

**文献综述**
关于创新、知识和绿色增长的可持续性转型文献越来越强调发展降低环境压力、维持经济活力的绿色增长模型的必要性。大量研究表明，创新是绿色增长的关键驱动力，有助于推动更清洁技术、资源高效生产系统和可持续产业升级的发展（Dedunu等人，2025）。以创新为中心的政策在不同经济环境中长期促进了碳强度降低、生态效率提升和环境效益（Xinru Li等人，2025；Shabani等人，2025）。然而，尽管有这些进展，许多研究仍将创新视为单一的环境影响因素，对创新与知识体系、可再生能源结构及循环经济资源策略之间相互作用的理解仍有限。同样，知识积累也是可持续性转型的关键组成部分，因为它决定了企业的吸收能力、学习过程以及技术对特定生态和产业条件的适应能力（Nguyen等人，2025）。然而，近期研究较少探讨知识积累如何与循环经济活动或可再生能源增长协同作用，从而对知识与环境关系的理解不够全面。为确保分析平衡，我们借鉴了来自发达国家和发展中国家的证据，将本研究置于更广泛的国际创新驱动可持续性转型讨论中。

循环经济、数字化和可持续性转型
循环经济文献强调了资源循环、废物最小化和闭环生产对长期可持续性的显著影响（Geissdoerfer等人，2017）。近年来，尽管循环经济实践在应对生态需求方面取得了进展，但将其纳入宏观经济绿色增长模型的研究仍然不足（Zheng等人，2025）。研究通常侧重于微观层面应用，如废物最小化、产业共生或产品生命周期延长，而未详细考虑循环经济对宏观经济的效应及其与创新和数字化的关系（Lulaj & Mekaniwati，2025）。因此，人们对循环经济实践在促进技术升级和知识体系方面的作用认识不足。此外，数字化是一个快速发展的领域，研究表明数字平台、智能技术和数据驱动系统可以提高资源效率、改善环境监测和支持低碳转型（Cai等人，2024；Cao等人，2023）。然而，实证研究结果存在矛盾：一些研究显示数字化减少了排放（Ma & Lin，2023），而另一些则报告了电力或数据基础设施需求的增加（Galvin等人，2021）。这些相互矛盾的结果表明需要将数字化纳入更广泛的制度和社会结构框架中，而不能简单地认为其仅对环境有积极影响。此外，可再生能源的发展已成为绿色增长的公认结构催化剂，研究表明增加可再生能源生产可以减少温室气体排放并提升能源安全和产业竞争力（Cergibozan，2022）。然而，也有研究指出，可再生能源的环境优势取决于制度变革和技术能力（Haldar等人，2023）。这表明需要一个综合考虑创新、知识和循环经济的框架。

**识别现有研究的空白**
本研究填补了相关文献中的关键空白，这些文献很少将创新、知识、可再生能源和循环经济实践整合在一个统一的框架中进行实证研究，导致理论理解碎片化。我们通过将这些因素纳入一个分析模型，探讨它们之间的相互依赖性和对绿色增长的综合影响。其次，研究了这些因素如何通过技术能力、知识溢出或资源循环路径影响绿色增长。第三，对于快速结构变化的经济体（尤其是新兴经济体）的研究不足，这些经济体的制度限制、数字化准备不足和政策碎片化可能影响可持续性驱动因素的有效性。本研究通过多方法计量经济分析（包括ARDL、FMOLS和DOLS估计）来考察实际情况下的可持续性转型动态。此外，尽管实证证据不断涌现，但数字化和循环经济实践的效果因情境而异：一些研究表明数字化能提高环境效率、优化资源配置（Lee等人，2024）；另一些则指出数字化可能导致能源消耗增加和转型效率降低（Peng & Qin，2024）。循环经济倡议通常与资源生产率提升相关，但效果因监管执行、技术准备和制度成熟度而异（Trevisan等人，2023）。这些差异可能源于测量方法、数据汇总层次、行业构成和经济发展阶段的不同。环境回报还受到新兴和转型经济体中结构性刚性及制度不完善的影响。

**理论框架**
研究绿色经济系统的转型基于多种理论方法，解释了经济如何从资源密集型向创新驱动型增长转变。三种理论流派——创新引领的增长理论、基于知识的发展理论和可持续性转型理论（Aghion等人，2018；Grant，1996；Geels，2002）——为解释创新能力、知识积累、可再生能源采用和循环经济实践对绿色增长的贡献提供了理论基础。首先，创新引领的增长理论指出技术进步是决定长期经济绩效的关键因素，生态创新在提升资源效率和减少环境污染方面起着关键作用。生态友好型技术、生产过程和绿色产品创新有助于经济实现发展与环境保护的分离（Porter & Linde，1995）。创新可以单独发挥作用，同时与其他因素（如知识体系和制度安排）相互作用，影响新技术的采用、扩散和规模化。基于知识的理论强调知识积累在可持续性转型中的核心作用（Grant，1996），随着经济获得专业知识，其采用先进技术、应对环境限制和向低碳产业转型的能力得到增强。KN系统对企业内化生态关切、预测监管压力以及参与合作性创新网络（INN）的能力有积极影响（Lee & Zhao, 2023）。从这个角度来看，KN增强了INN产生真正绿色成果的能力，这与那些环境效益有限的渐进式和效率导向的修改措施形成对比。可持续性转型理论的特点是制度、技术和经济社会系统的共同进化。低碳发展转型过程需要技术性INN以及支持性的资源治理、能源系统和生产结构（Dat et al., 2025; Martin et al., 2024）。例如，可再生能源（RE）通过改变能源结构、减少对化石燃料的依赖并促进环保型工业化来推动绿色增长（GG）。这些转型也得到了循环经济（CE）实践的支持，这些实践鼓励资源循环利用、减少废物产生和闭环供应链（Dat et al., 2025; Martin et al., 2024）。根据这一理论，GG的发生不仅仅是由于RE、CE资源策略和技术能力的存在，而是因为它们的共同作用。此外，数字智能化（DIG）是另一个理论层面，它使实时数据处理变得更加容易，从而提高了能源管理和智能制造的效率（Guandalini, 2022）。然而，DIG对环境的影响取决于数字生态系统的设计；在低碳能源系统和有效数据基础设施的条件下，DIG的环境优势可能会被更高的能源消耗需求所抵消。因此，DIG是可持续性转型的条件性促进因素，其效果取决于INN系统的发展、RE的供给以及机构控制反弹效应的能力。

总之，我们的综合理论框架支持我们的假设，即GG是INN能力、KN生成、RE采用和CE实践共同作用的结果。INN提供了清洁生产技术，KN系统提升了生态创新的绩效和传播，RE减少了工业活动的排放，而CE实践将生产方式转向了再生路径。当这些领域得到适当的制度和能源系统支持时，DIG通过协调、监控和优化作用进一步加强了这些联系。这一统一框架为我们的实证分析提供了概念上的依据，表明INN–KN–CE–RE的相互关系应与GG具有稳定的长期相关性，而短期波动可能代表结构调整、监管重组和技术回收的应用。因此，我们的实证策略使用动态时间序列方法来研究这些关系，以捕捉转型动态和长期均衡效应，使计量经济学方法与可持续性转型的理论基础相匹配。我们从理论角度提出的可测试研究假设详见下文，图1展示了研究的概念框架。

数据和方法
我们的实证分析使用了1990年至2022年中国的年度时间序列数据，这些数据基于INN、RE和DIG的一致性长期数据的可获取性。选择中国作为研究对象并非偶然，因为中国是最大的转型经济体之一，也是全球在RE投资、数字基础设施和绿色转型政策方面的领导者。此外，研究的时间范围涵盖了中国的关键可持续发展改革事件，使我们能够深入分析KN、INN、RE和CE实践对GG的影响。因变量是GG，它表示在不损害环境的情况下实现经济增长的效率。在我们的更全面的可持续性转型框架中，GG是环境绩效的实证代理指标，并且我们在整个讨论中一致使用这一概念。第一个解释变量是CE，它通过回收材料、工业固体废物再利用和可再生城市废物能源构建为一个主成分指数。这一代理指标反映的是宏观层面的循环绩效，而不是企业层面的采纳行为。其他解释变量包括用于RE的可再生能源电力、代表INN的研发（R&D）支出，以及用于KN的研究人员数量。

此外，我们还引入了两个控制变量：INF（生产者价格）和DIG（通过互联网使用人数占人口比例来衡量），后者用于衡量数字基础设施的发展程度和技术连通性。这一指标捕捉了国家层面数字技术的结构扩散，是数字准备度的代理指标，而非特定行业的数字强度。变量数据来自世界银行世界发展指标（WDI）和Statista数据库等国际公认的公开数据库。使用统一的来源确保了指标间的一致性，并便于复制。扩展的时间范围还涵盖了与GG相关的技术转型和政策演变的关键阶段。为了处理潜在的偏度和异方差问题，我们将数据转换为对数形式。我们还加强了结果，并进行了额外的稳健性测试以验证研究结果的稳定性。变量描述、测量方法和数据来源见表1。

表1. 变量定义

方法
基线函数关系表示如下：
(1) GGt = f(CEt, REt, INNt, KNt, DIGt, INFt),
其中t是时间索引，GG表示绿色增长，CE代表循环经济，RE是可再生能源，INN是创新，KN是知识创造，DIG和INF是控制变量。

为了衡量短期和长期动态，我们采用了Pesaran等人（2001年）开发的ARDL方法。一般的ARDL（p, q…q）形式如下：
(2) GGt = β0 + ∑i=1p β1GGt?i + ∑j=0q β2CEt?j + ∑k=0q β3REt?k + ∑l=0q β4INNt?l + ∑m=0q β5KNt?m + ∑n=0q β6DIGt?n + ∑o=0q β7INFt?o + ut,
其中Δ表示一阶差分运算符，ECTt?1是滞后误差修正项，用于捕捉向长期均衡的调整速度。考虑到变量的混合整合顺序，我们采用了Pesaran等人（2001年）建立的ARDL方法，该方法适用于小样本并能够评估短期和长期因素。一般ARDL模型如下：
(3) GGt = α0 + ∑i=1p βiGGt?i + ∑j=0q1θjCEt?j + ∑k=0q2?kREt?k + ∑l=0q3δlINNt?l + ∑m=0q4γmKNt?m + ∑n=0q5δnDIGt?n + ∑o=0q6ηoINFt?o + εt,

估计策略和诊断测试
实证分析分几个阶段进行。首先，我们进行描述性和相关性分析（表2、表3），以检查数据的分布特性并评估多重共线性。相关性值的调整确保没有严重的多重共线性问题。其次，应用Brock, Dechert和Scheinkman（1996年）（BDS）测试来检验非线性，以及Johansen（1991年）的协整等级测试来评估长期均衡关系。在应用ARDL之前，使用增广的Dickey–Fuller和Phillips–Perron测试确定序列的平稳性，结果表明变量是I(0)、I(1)或两者结合。由于变量的混合整合顺序，我们使用了Pesaran等人（2001年）开发的ARDL框架。

表2. 描述性统计
变量 均值 最小值 最大值 标准差 偏度 峰度 JB统计量
GG 26.51 10.00 28.35 6.51 ?4.98 12.62 7.72 0.00
CE ?0.78 ?3.92 0.44 1.52 ?1.19 2.77 5.66 0.00
RE 2.89 10.00 3.34 0.59 ?4.10 12.02 4.65 0.00
INN 0.37 ?0.57 0.93 0.44 ?0.61 2.21 2.55 0.27
KN 6.59 0.00 7.52 1.34 ?4.24 21.52 1.74 0.00
INF 0.98 ?1.04 2.16 0.79 ?0.75 3.22 2.79 0.24

数据结构和我们的分析意图决定了选择ARDL框架。与要求所有变量以相同顺序整合的传统协整模型（如向量自回归方法）不同，ARDL允许I(0)和I(1)序列的整合，而不会导致虚假回归，考虑到单位根测试中观察到的整合性质的变化，这非常有益。此外，当样本规模相对较小时，ARDL表现良好，可以用于估计短期关系和长期均衡关系。这些特性使ARDL成为建模INN、KN、RE和CE在绿色增长（GG）方面相互依赖性的更可靠和有效的方法。Aikake信息量准则用于确定ARDL规格中的最优滞后结构，以最小化残差序列相关性和模型的简洁性。该方法高效且稳定，因为过多的滞后会扭曲动态调整参数，而过少的滞后可能导致短期响应出现偏差。此外，ARDL模型还考虑了短期调整和长期关联，并遵循协整的界限测试以确认相关变量之间存在长期均衡关系。当F统计量值大于上临界值时，表明存在协整。此外，递归残差测试（CUSUM和CUSUMSQ）可以在稳定性诊断方面互补。CUSUM代表整体结构稳定性，而CUSUMSQ图显示了方差不稳定的情况，这可能是由于政策或能源市场的临时冲击所致，而不是模型设定错误。识别这种细微差别有助于理解基于时间序列的可持续性组分的动态变化和敏感性。此外，所选估计量的强度不排除内生性或遗漏变量的偏差，特别是在政策执行强度和地理差异方面。因此，结果可以被视为反映结构上的长期趋势，但不是确切的因果关系强度。

此外，模型能力通过一组诊断测试来确定。通过Breusch–Godfrey（BG）LM测试（Breusch, 1978）观察残差中的序列相关性，通过Breusch–Pagan–Godfrey（BPG）测试（Breusch & Pagan, 1979）观察异方差性。为了使模型的功能形式适当，我们采用了Ramsey RESET测试（Ramsey, 1969）。这些诊断方法确保ARDL估计产生稳健的结果。研究还使用了FMOLS和DOLS方法来验证稳健性，以解决可能的内生性和序列相关性问题，同时提供一致的长期估计以确认结果的合理性。这些估计量纠正了潜在的内生性和序列相关性，减少了长期偏差，并确保估计的系数反映了稳定的均衡关系而非虚假相关性。最后，使用成对Granger因果测试确定因素之间的关系方向。尽管ARDL产生了长期均衡和短期调整，但因果测试可以揭示一个变量相对于另一个变量的系统顺序，提供对相互作用和动态响应的更深入理解。KN的平均值为6.59，但其最小值和最大值之间的差异较大。显著的峰度和偏度表明存在非线性趋势，这与21世纪中国迅速扩大研究人力规模的事实相符。这突显了人力资本在推动创新能力（INN）方面的重要性，并解释了与大规模教育和科学改革相关的结构性冲击。在控制变量中，INF是最稳定的变量，平均值为0.987%，没有明显的非正态性证据，表明宏观经济稳定性不是样本中波动性的重要来源。相比之下，DIG的变异性较高（标准差=2.35），且明显偏离正态分布。这与21世纪中国数字连接能力呈指数级增长的事实一致，这种增长改变了经济活动和KN的分布。总体而言，描述性统计数据显示了三个关键的数据特征：首先，知识（CE）、研发（RE）和人力资本（KN）的主要决定因素具有高度的波动性，并受到政策改革和结构变化的影响；其次，一些序列不具备正态分布，这为使用如ARDL和协整等技术提供了理由；第三，尽管CE和RE的采纳程度不一，但INN和DIG持续增长，因此需要一个能够捕捉短期冲击和长期调整的动态建模框架。

**相关性分析**：表3呈现了成对相关性结果。正如预期的那样，知识（GG）与其大多数关键决定因素之间存在正相关。最显著的相关性是人力资本（KN，r=0.77）和研发（RE，r=0.66），表明人力资本和研发采纳对中国环境高效增长具有显著影响。这些相关性符合理论假设，即基于知识的经济和清洁能源转型支持长期可持续发展。INN与GG之间的正相关性较低（r=0.27），表明研发投资很重要，但其对GG的直接影响不如KN或RE采纳显著。这种较低的相关性也可能表明INN收益存在时间滞后，因为研发投资需要多年才能转化为可扩展的绿色技术。令人惊讶的是，清洁效率（CE）指数与GG之间的相关性为负且相对较低（r=-0.16），这表明中国清洁效率的实施存在不平衡，尽管回收和再利用项目有所增长，但其对增长效率的影响微乎其微。这可能归因于结构和区域差异，这与先前的研究结果一致，即清洁效率改革通常会带来短期过渡成本，但会被长期环境收益所抵消（Asgari & Asgari, 2021）。数字技术（DIG）与GG正相关（r=0.29），表明数字技术有助于提高生产力、创新扩散和可持续商业模式。相比之下，信息基础设施（INF）与GG之间的相关性较低，接近零（r=0.06），意味着宏观经济价格变动对GG的结果影响有限。在初步相关性分析之后，我们进行了额外的诊断测试，以研究序列的随机特性和分布特性，然后进行了长期估计。

**BDS非线性测试**：为了验证线性模型的适用性，我们使用BDS测试来识别序列之间可能的非线性或残差依赖性。表4显示了BDS测试结果，以确定时间序列数据是否在不同嵌入维度上存在非线性依赖。GG的测试统计量在所有维度上均为负值且具有统计学意义，表明数据具有非线性结构。这意味着中国的GG路径受到线性趋势以及复杂过程的影响，这可能表明快速工业化、结构变化和环境政治经济之间的相互作用。研发（RE）和人力资本（KN）在第四维度之前也具有显著性。相比之下，清洁效率（CE）、创新能力（INN）和数字技术（DIG）在所有维度上都表现出较高的BDS统计量，表明它们也受非线性依赖性的影响。这是因为这些变量容易受到政策和技术变化的突然影响。例如，研发使用在某些政策推动时期激增，而数字技术在21世纪的增长非常迅速，从而在数据中产生了非线性趋势。相比之下，信息基础设施（INF）在较低维度上没有显示出显著的非线性指标，表明在研究时间框架内，INF的趋势相对稳定且可预测。

**协整等级测试**：表5显示了协整等级测试结果，提供了研究变量之间长期对称性的有力证据。原假设（无协整）被拒绝，因为最大特征值统计量（105.87）远大于5%的临界值（46.23）。该测试还拒绝了至多一个或两个变量的原假设，表明GG与其决定因素之间存在至少三个稳定的长期关系。这一观察对中国可持续发展路径尤为重要。协整的存在意味着像清洁效率实践、研发采纳、创新能力（INN）和人力资本（KN）这样的变量会随着GG一起长期变动，尽管可能存在短期波动。由于我们确定不存在协整和非线性依赖性，接下来我们基于ARDL界限测试工具测试了变量之间的长期均衡关系。

**短期ARDL分析**：表6的短期结果显示了关于中国GG动态的一些重要观察结果。清洁效率（CE）的系数为负（-0.134），在10%的水平上具有显著性（p=0.064），这表明在实施回收和废物转能源策略时可能会遇到短期过渡成本。重组工业运营和升级废物管理系统可能抵消了对环境的短期益处。这与先前的研究结果一致，即清洁效率政策的效果在最初几年内并不明显，但当基础设施和制度支持建立完善后才会显现（Domenech & Walkowiak, 2019）。相比之下，研发（RE）具有显著的正影响（2.571，p<0.01），意味着其采纳在降低排放方面的短期优势增加了绿色增长（GG）。这些结果表明，中国密集的太阳能和风能实施带来了实际的短期环境收益。

**ARDL长期和界限测试**：表7的ARDL长期估计显示了一系列与短期发现相比性质截然不同的关系。清洁效率（CE）的系数仍然为负（-0.142），在1%的水平上具有显著性，表明清洁效率实践尚未转化为中国增长环境中的可量化效率提升。相反，研发（RE）的影响持续存在。RE的采纳在长期内显著提高了绿色增长（GG），表明其采用对环境有正面影响。此外，互联网和数字基础设施（DIG）的增长开始对环境高效增长做出贡献，主要通过信息获取、创新扩散和更高效的业务模式。错误修正项（ECT）表明模型调整的速率，其系数为负（-0.575，p<0.05），表明任何GG的短期中断都会缓慢恢复到长期均衡状态。这表明系统动态稳定，不存在不会随时间回归到均衡状态的持久偏差。

总体而言，基于长期ARDL研究结果可以得出两个重要结论：首先，研发（RE）和数字技术（DIG）是中国可持续发展的可信来源，而创新能力（INN）和人力资本（KN）需要更强的制度框架来维持其长期效应；其次，清洁效率实践（CE）与绿色增长（GG）之间的负相关是一个持久的政策问题，表明除非通过更严格的政策和结构性变化加以强化，否则这些措施可能只是象征性而非实质性的。我们还使用CUSUM和CUSUMSQ来测试ARDL模型的稳定性（图2）。CUSUM图中的递归残差值没有超过5%的临界值，表明样本期间的参数没有显著变化。然而，CUSUMSQ测试表明在样本后期，平方递归残差超出了临界限制，这表明模型的方差对短期冲击反应强烈。尽管CUSUM检验确认了长期参数的稳定性，但CUSUMSQ值的偏差表明该检验对短期方差敏感，并不一定反映结构性突变。特别是，这种不稳定性似乎更符合转型经济体在政策变化、技术进步或能源价格变动时观察到的方差聚集或短暂冲击（Hollmayr和Kühl（2019））。值得注意的是，这种趋势并不否定长期均衡关系，但表明短期系数应具体情境化，并可能受到短暂冲击的影响。因此，推断长期动态仍然具有意义，但短期调整更容易受到结构和制度环境的影响。虽然这并不削弱ARDL模型所提供的长期共整合关系，但它确实意味着短期系数应谨慎解释，因为系统对短暂干扰的适应是不均匀的。考虑到这一结果，我们的发现通过FMOLS和DOLS估计在多个诊断测试中的一致性提供了额外的稳健性，减轻了CUSUMSQ测试中指示的方差不稳定性的担忧。

图2. 参数稳定性检验。

接下来，我们进行诊断测试以验证估计的ARDL模型，并在表8中展示结果。BG-LM检验显示F统计量为0.414，p值为0.668，表明非序列相关的零假设未被拒绝。这意味着残差不是自相关的，模型在动态意义上得到了充分描述。BPG检验也没有拒绝零假设（即F统计量=0.728；p > 0.05），表明残差的方差在各观测值之间没有变化，且没有异方差性。同方差误差提高了估计系数的稳健性及其推断的可靠性。Ramsey RESET检验评估了函数形式的误设。p值为0.888，表明零假设不被接受，ARDL模型没有受到遗漏变量或错误函数形式的影响。这支持了模型在表示变量间关系方面的有效性。这些发现确认了ARDL估计的稳健性。缺乏序列相关性、异方差性和误设偏差验证了结果的统计和结构有效性。这增加了我们对理解绿色增长（GG）及其驱动因素之间的短期和长期关系的信心。

表8. 诊断分析。

我们采用稳健性估计量来测试长期系数的一致性，并解决单方程时间序列估计中可能出现的小样本偏差问题。为了增强长期估计的稳定性，我们进行了DOLS和FMOLS稳健性测试，如表9所示。这些技术通常用于解决共整合系统中可能存在的内生性和序列相关性问题（Merlin & Chen, 2021），并适用于与ARDL结果进行比较。DOLS结果显示，在控制内生性后，研发（RE）和基础设施投资（INN）对绿色增长（GG）有稳健且显著的正面影响，系数分别为1.914和1.418。值得注意的是，碳排放（CE）继续显示出负面影响（-0.113），尽管其幅度小于ARDL估计值，这加强了与CE采用相关的过渡成本的概念。数字基础设施（DIG）的值为负（-0.226），在10%的水平上有边际显著影响，这与ARDL结果相反。这可能表明快速数字增长的调整压力包括由于基础设施需求而增加的能源需求，这在短期内抵消了一些预期的可持续性效益。

图9. 稳健性测试。

FMOLS结果提供了更微妙的图景，其中RE和KN显示出更高的显著正面系数（3.334和2.614）。KN与人力资本积累是中国可持续性转型的核心过程的假设一致。相比之下，基础设施投资（KN）在1%的水平上高度负相关且显著（-4.278）。这一反直觉的发现可能是效率低下或反弹效应的迹象，即总研发支出的比例不成比例地流向了不一定环保的增长促进技术。数字基础设施（DIG）的方向也发生变化，在这种方法下变为正面且显著（0.358），表明数字连接提高了长期效率和KN的传播。比较这些模型，可以得出几个见解：首先，RE在所有估计方法下都表现出一致且显著的正面效应，使其成为中国绿色增长中最强的动力。其次，碳排放（CE）实践在所有模型中仍然与绿色增长呈负相关，这证实了基于政策的CE改革尚未产生持续的效率提升。第三，基础设施投资（KN）、数字基础设施（DIG）和研发投入（RE）的结果在不同估计器间有所不同，表明它们的影响复杂且对方法设定敏感。这些混合信号进一步突出表明，尽管数字基础设施（DIG）和研发投入（RE）目前被视为绿色增长的促进因素，但它们的成功在很大程度上依赖于投资方向、监管实施和经济吸收能力。最后，图3展示了本研究中使用的所有方法的比较。

下载：下载高分辨率图像（208KB）下载：下载全尺寸图像

图3. 比较结果：短期和长期ARDL与DOLS & FMOLS。

表10展示了成对格兰杰（Granger）因果关系的结果，提供了关于绿色增长（GG）及其主要决定因素之间动态互动的进一步信息。碳排放（CE）的因果关系不显著，表明在考虑的时间范围内，循环经济实践（CE）与绿色增长之间没有直接的因果关系。这证实了之前的观察，即中国的CE改革是不平衡的，可能通过互补政策和结构性改革产生间接效应（Bleischwitz等人，2022）。同样，研发（RE）的结果也没有显示出与绿色增长的显著因果关系。尽管RE在短期和长期估计中都起着重要作用，但不存在因果关系，这意味着这种关系是结构性的和长期的，而不是立即定向的。相比之下，基础设施投资（INN）和绿色增长（GG）在5%的水平上表现出双向因果关系。这种双向关系验证了技术努力与环境效率之间的反馈机制，基础设施投资（INN）增加了绿色增长并改善了经济和制度条件，进一步推动了研发投资。这一互惠过程代表了创新系统和中国可持续性转型的共同演化。

总的来说，本研究的实证发现揭示了数字基础设施（DIG）和碳排放（CE）指标的混合或条件影响的范畴，可以应用于更广泛的可持续性转型理论。在大多数转型经济体中，数字系统的增长速度超过了将数字采用转化为长期环境效益所需的监管、能源和制度结构的发展速度。这引入了反弹效应，如数据中心、物流和数字服务的电力使用增加，这可能会削弱预期的环境效率收益。此外，结构挑战反映在碳排放（CE）变量的表现上。循环经济需要供应链的协调行动、强有力的执行机制和发达的技术生态系统，而这些变化的速度比基础设施投资（INN）或研发（RE）的采用要慢。这些趋势表明，尽管基础设施投资（INN）和研发投入（RE）对绿色增长（GG）有一致和直接的影响，但它们的成功在很大程度上依赖于投资方向、监管实施和经济吸收能力。最后，图3说明了本研究中使用的所有方法的比较。

讨论

本研究的实证结果揭示了数字基础设施（DIG）、基础设施投资（KN）、研发投入（RE）和碳排放（CE）实践通过多方面和相互依存的机制影响绿色增长（GG）。长期结果表明，基础设施投资（INN）和研发投入（RE）对绿色增长（GG）的影响是一致的且积极的，验证了技术能力和吸收能力可以作为可持续转型的基础的理论假设（Castellacci & Lie, 2017; Romer, 2021）。这些结果与创新驱动增长理论一致，该理论认为技术发展促进了更清洁生产系统的出现，以及基于知识的观点，强调学习和基础设施投资（KN）分布对公司和行业环境生产力的提升（Ling Zhang等人，2022）。这些效应是一致且显著的，表明在结构变化和经济不稳定状态下，基础设施投资（KN）-数字基础设施（INN）过程是稳定的。这些发现可以从基础设施投资（INN）的扩散和技术采纳的角度来看待。就扩散而言，基础设施投资（INN）和研发投入（RE）的长期正面存在意味着绿色技术不仅仅是被发明出来的，而且随着企业建立吸收能力而在各个行业中逐渐普及。然而，扩散通常不均匀。转型经济体通常以异质的学习技能、技术设施获取的不平等以及管理技能的行业差异为特征。因此，长期系数的强度不仅捕捉了基础设施投资（INN）的创造，还捕捉了绿色技术通过适应性学习过程的逐步制度化。此外，研发（RE）在长期也与绿色增长（GG）呈正相关，支持了能源系统转型对经济活动和生态退化脱钩的关键影响。这与可持续性转型理论一致，该理论将研发（RE）视为使经济能够稳步减少对化石燃料依赖的基本结构动力（Alvi等人，2025）。这些发现支持了来自欧洲和新兴亚洲的全球证据，表明当研发（RE）与基础设施投资（INN）和数字基础设施（DIG）相结合时，它培养了一个相互强化的生态系统，加速了环境改善（Huang等人，2024）。然而，我们的短期结果展示了更微妙的情况。从理论上讲，数字基础设施（DIG）被置于绿色转型的驱动因素位置，但其影响是模棱两可或 circumsstantial 的。这种趋势可归因于一些显著的制度和基础设施事实。数字基础设施（DIG）增加了数据存储、物流整合、云计算和电子设备的需求，这可能会增加短期能源消耗，特别是在部分能力依赖于传统能源的电力网的情况下（Yaya Li & Zhang, 2023）。这些反弹效应也在其他新兴经济体中被报告，如印度、巴西和越南，那里的数字渗透超过了核心能源结构的绿色化（Huang等人，2024）。因此，我们的发现支持了理论主张，即数字基础设施（DIG）不一定促进绿色化，其效应取决于监管环境的成熟度、电力网的碳密集度以及企业将数字工具整合到商业模式中的能力。在技术采纳方面，数字基础设施（DIG）对绿色增长（GG）的方向不是格兰杰因果关系；相反的方向在10%的水平上是显著的，表明绿色增长的改善增强了数字技术的使用。这种关系表明可持续增长政策与数字转型之间的协同作用，因为收入的增加和结构变化增加了数字化创新的获取和潜力。同时，基础设施投资（INN）与绿色增长（GG）之间没有显性的因果关系，这证实了其对可持续性成果的微小贡献。

总之，实证研究的格兰杰因果分析表明，数字基础设施（DIG）和碳排放（CE）指标的混合或条件影响可以应用于更广泛的可持续性转型理论。在大多数转型经济体中，数字系统的增长速度超过了将数字采用转化为长期环境效益所需的监管、能源和制度结构的进步。这引入了反弹效应，如数据中心、物流和数字服务的电力使用增加，这可能会稀释预期中的环境效率收益。此外，结构挑战反映在基础设施投资（CE）变量的表现上。循环经济需要供应链的协调行动、强有力的执行机制和发达的技术生态系统，而这些变化的速度比基础设施投资（INN）或研发（RE）的采用要慢。这些趋势表明，尽管基础设施投资（INN）和研发投入（RE）对绿色增长（GG）有持续和直接的影响，但数字基础设施（DIG）和碳排放（CE）实践的影响具有渐进性或条件性，这在很大程度上取决于制度准备、产业进步和一致的政策。这种解释支持了绿色增长动态的情境性质，并揭示了实证发现与理论预期之间的分析联系。循环经济（CE）的实施顺序包括协调供应链、技术升级、高效实施资源节约政策以及修改生产者和消费者的行为。转型经济体的使能条件通常发展不均衡；因此，可以在CE政策的目标与实际执行效果之间观察到差异。这些结构性限制反映在实证研究结果中。CE实践对长期可持续性确实具有概念性影响，但其定量效应取决于制度完整性、产业成熟度和监管执行能力（Zighan等，2025年）。值得注意的是，微弱系数的不显著或低值不应单独被视为经济效率低下的标志。它们也可能反映了我们宏观层面CE指标的测量局限性，这些指标往往反映政策导向或物质流动的总体情况，而不是企业或部门层面的有效CE实施。此外，可观察到的短期效应可能会因实施不足、监管碎片化以及行为调整滞后而减弱。在理论上区分测量限制和政策实施差距是重要的，因为这表明CE转型需要制度整合和执行成熟度，直到环境收益能够被实证观察到。长期关系的稳定性通过基于FMOLS和DOLS的稳健性测试来检验，为我们的实证发现提供了额外的信心。RE、INN和KN在不同模型中仍然显著，证实了这些驱动因素是绿色增长（GG）方向的核心。格兰杰因果关系测试提供了更多信息，表明GG与INN–KN之间的双向关系，强化了反馈机制。结果在理论上与这样的观点一致：随着经济体向更绿色的路径发展，它们对绿色技术的需求增加，产生更多创新，并加强了知识流程。CUSUMSQ测试中观察到的变化不稳定性表明，短期GG对临时冲击、政策变化和快速的技术变革不太敏感。这与转型经济体的经济历史相符，在短期内可能会出现波动，如改革周期、能源价格变动和制度变化，同时保持长期趋势。

总体而言，我们的结果表明，区分GG的短期和长期原因至关重要。可持续性转型的长期轨迹由INN、KN和RE决定；而DIG和CE实践则建立了需要制度协调、监管成熟度和互补技术进步的条件效应。这些发现的概念意义重大，因为它们表明可持续性转型并非线性和同质的，并且发展速度因领域而异。它们还支持这样的观点：绿色转型需要通过技术、制度和资源效率系统的协同方式来推进，而不仅仅是通过孤立的干预措施。

政策建议对于中国和其他寻求基于创新的可持续性转型的经济体具有多方面的意义。首先，政策制定者应积极提高创新与环境目标的一致性。在这方面，INN与GG之间的双向关系突显了研发对可持续性转型的重要性。然而，长期影响的不规律性表明，中国的大部分研发支出仍主要集中在工业增长上，而非绿色转型。为了解决这一问题，政策制定者应重新调整研发优先事项，提供特定资金支持清洁技术开发，提供财政支持以促进绿色创新，并加强知识产权保护，以便奖励环境高效的成果。其次，应加速可再生能源（RE）的部署和整合，因为它似乎是推动GG最可预测的力量。为了保持这一势头，中国必须通过投资电网灵活性、储能技术和智能电网来进一步将其纳入能源结构。欧盟（EU）和经合组织（OECD）的经验表明，在数字监测和需求响应系统的互补条件下，RE的长期效益可以得到最大化。第三，应实施关于CE框架应用的改革，因为其负面影响似乎是持续的，表明中国目前实施的CE战略带来的调整成本超过了收益。这要求从象征性采用转向结构变革。通过加强监管执行、统一省级标准和为相关行业提供财政和技术援助，可以克服在实施CE倡议方面的不平等。与拥有领先CE模式的欧盟国家结盟可能有助于有效的制度学习。第四，数字化有助于提升可持续性。尽管DIG的短期影响既有积极的一面也有消极的一面，但通过确保创新扩散、高效利用资源和绿色创业的政策，长期成功是可以实现的。绿色信息通信技术（Green ICT）下的数字技能培训要求和相关政策也将确保数字化转型不会加剧能源需求，而是使其更加可持续。

政策建议结合了短期和长期的优先事项，使其更加合理和实用。短期内，建议改善整体数字基础设施，提高数据可访问性，并为使用更清洁技术的公司提供特定激励。这些举措可以促进短期效率提升，并加快创新驱动的实践的采纳。然而，从长远来看，还需要进一步的结构改革，例如将RE更多地整合到国家能源系统中，制度化对共同CE模式的支持，并进行长期投资于高级研究和知识共享。这些长期计划将建立可持续的绿色转型发展，并有助于将早期技术效益的长期效果转化为现实。此外，除了针对特定国家的建议外，这些见解还可以纳入更广泛的可持续性政策辩论中，强调需要将创新引领的增长、数字能力和CE原则纳入长期发展战略。国际讨论越来越多地指出，技术升级和数字化转型必须与支持性的监管环境、知识共享机制和资源高效生产系统相结合，以产生持久的环境效益。将这些发现置于这一更广泛的政策讨论中，阐明了创新–数字化–循环性在当代可持续性转型中的贡献，并强调了这些结果对于追求类似发展路径的经济体的相关性。

本研究考察了在结构发展中，innovation（INN）、knowledge（KN）、research（RE）、digitalization（DIG）和CE实践在推动绿色增长（GG）方面的动态关系。分析采用了结合ARDL估计与FMOLS和DOLS稳健性测试的广泛计量经济学方法。结果强烈表明，INN、KN和RE的扩展对促进可持续经济表现具有长期关联。这些发现证实了可持续性转型理论的关键假设，即技术现代化和清洁能源的使用是低碳增长路径的结构性基础。相反，DIG和CE实践的影响更加具有条件和情境依赖性。尽管数字技术在环境方面可能高效，但结果表明，只有在低碳电力系统、监管完整性和制度准备就绪的条件下，才能获得这些好处。CE指标的结果差异较大，反映了与资源循环性、供应链变化和执行能力相关的结构和协调问题。结果强调了区分具有长期影响的 foundational drivers（如INN、KN和RE）与具有不同环境影响的能力驱动因素的重要性。理论上，这项研究通过拓宽可持续性转型理论和基于知识的增长视角，为相关文献做出了贡献。这些发现表明，INN和KN不仅仅是GG的投入，这些因素之间存在反馈关系，形成了递归循环。通过将中国的经验置于全球背景下进行分析，展示了在大型新兴经济体中采用INN、RE和DIG如何加速绿色转型，并指出了可能阻碍CE变革实施的制度障碍。实际上，研究强调了INN、KN和GG之间更大政策协调的重要性。研究建议将研发重新定义为绿色创新，将人力资本更新制度化，重新设计CE框架，并将数字技术整合到能源和资源管理系统中。总之，这些见解加强了我们对INN系统、KN和CE过程如何共同支持可持续发展的概念性、实证性和实践性理解。通过阐明这些机制并展示其实证相关性，该研究对理论具有重要意义，为政策制定者提供了可操作的指导，并为未来研究探索中国及其他经济体的可持续性转型的部门、比较和微观层面的维度奠定了基础。总之，我们的结果表明，转型经济体的可持续性发展深深植根于INN–KN的关系之中，得到了RE的转型和制度协调的支持。尽管DIG和CE倡议的效果具有条件和情境依赖性，但从长远来看，其成功取决于经济体的吸收能力、监管一致性以及协调的技术现代化。最后，GG不是孤立干预的结果，而是综合INN系统影响KN以实现环境生产性变革的结果。

与其他实证研究一样，这项研究也存在一些局限性。虽然使用了总体国家指标，但中国可能存在创新能力、数字准备程度和RE实施方面的区域和部门差异。未来的研究可以利用细分数据或比较跨国设计来揭示更精细的模式。此外，包括社会或行为变量（如消费者采用绿色技术或企业内的创新文化）将有助于更好地理解可持续性转型。这些都是可以探索的领域，以推进GG领域的理论和实践。

在准备这项工作时，作者使用了Grammarly和Quillbot来提高手稿的语言质量。使用这些工具/服务后，作者根据需要审查和编辑了内容，并对发表文章的内容负全责。

本研究未获得公共、商业或非营利部门任何特定机构的资助。

作者贡献声明：
Umair Kashif：写作——原始草稿、软件使用、资金获取、正式分析、概念化。
Shi Qiang Liu：写作——审阅与编辑、监督、资源提供、项目管理。
Snovia Naseem：写作——原始草稿、可视化、方法论、数据管理、概念化。
Zulfiqar Ali：写作——审阅与编辑、可视化、验证、调查。