“二氧化碳排放力争于2030 年前达到峰值、努力争取2060 年前实现碳中和”是习近平主席在2020 年9 月第75 届联合国大会上向全世界作出的郑重承诺①。为此,国家相继出台《关于完整准确全面贯彻新发展理念做好碳达峰碳中和工作的意见》(以下简称《意见》)、《2030 年前碳达峰行动方案》(以下简称《方案》) 等文件进行部署,提出了借助数字经济和技术降低碳排放强度的要求。例如,《意见》指出工业领域低碳工艺革新和数字化智能化转型是降低碳排放强度的重要路径,《方案》指出智慧交通建设及能源智能化开发可系统化节能降碳。事实上,数字技术与资源、能源、工业和环境领域的深度融合与应用创新,使得数字技术促进碳排放强度降低、实现双碳目标成为可能[1]。根据中国信息通信研究院2022 年发布的《数字碳中和白皮书》估算,到2030 年数字技术赋能全社会总体碳减排比例为12% ~22%。其中,赋能建筑业减碳比例为23% ~40%,交通运输业减碳比例为10% ~33%,工业减碳比例为13% ~22%。与此同时,数字经济发展依托其高技术性、高渗透性、高融合性等特点[2],通过平台化、智能化、生态化及共享化的发展模式,取得重要进展。《中国数字经济发展白皮书(2022) 》显示,2021 年中国数字经济规模达到45.5 万亿元,占GDP 比重达到39.8%,同比名义增长16.2%,远高于名义GDP 增速。那么,数字经济发展真的能够降低碳排放吗? 真的如各类智库预测的那样能够降低碳排放吗? 对于这些问题的回答,亟需学者们从学理上对数字经济发展与碳排放强度二者之间的关系进行探究。
现有文献主要集中于以下两个方面。一方面,是数字经济发展与碳排放强度关系的研究。一些学者认为,数字经济的结构优化效应、技术创新效应、资源配置效应显著抑制了城市碳排放强度[3]。但另有学者认为,数字经济发展与碳排放强度之间并不是简单的线性关系,而是倒“U”形非线性关系。即在数字经济发展初期,数字经济发展不仅不能降低碳排放强度[4],反而会提高碳排放强度[5-6]。另一方面,是数字经济发展促进碳排放强度降低的影响机制和作用路径的研究。在微观层面上,信息通信技术[7]、互联网技术[8]、大数据技术[9]等数字技术的创新和应用可有效推动企业的数字化、智能化转型,从而减少资源和能源消耗,促进碳排放强度降低。在宏观层面上,经济集聚的规模效应和技术溢出效应[10]、产业升级的结构效应[11]能促进碳排放强度降低。综上所述,可以发现已有文献关于数字经济发展与碳排放强度关系的研究结论相互矛盾,远未达成一致。可能的原因在于选取的数字经济发展指标相对偏颇,同时对其作用机制的探究也呈现出碎片化的状态。
鉴于上述研究不足,本文拟探究数字经济发展对城市碳排放强度产生何种影响。其背后作用机制和效应如何。具体而言,本文以2016—2020年中国223 个地级市作为研究样本,实证检验数字经济发展对城市碳排放强度的影响及作用机制,并引入战略性新兴产业创新能力作为调节变量,揭示其对二者关系的调节效应。本文进一步探讨能源环境效率和产业结构升级的中介机制以及邻接地区的空间溢出效应对数字经济发展与碳排放强度影响的逻辑。
相较于以往研究,本文可能的边际贡献有如下几点。第一,利用相对科学全面的城市数字经济发展数据揭示了数字经济发展降低城市碳排放强度的逻辑和效果,为理解数字经济发展与碳排放强度之间的关系提供了新的依据。第二,发现了数字经济发展对城市碳排放强度的影响存在双重门槛,只有在数字经济发展水平超过特定门槛值时碳减排效应才显著,且其效应呈现出递减的特征。第三,厘清了数字经济发展降低城市碳排放强度的作用机制,即能源环境效率和产业结构升级在数字经济发展抑制城市碳排放强度的过程中表现为部分中介效应,且中介效应占比分别为13.42%和15.42%。第四,揭示了城市战略性新兴产业创新能力调节数字经济发展与碳排放强度关系的作用机理,即城市战略性新兴产业创新能力增强了数字经济发展对碳排放强度的抑制效应。
以大数据、5G 网络、人工智能等为代表的新一代信息技术是当前产业升级和技术创新最活跃的领域,为我国经济低碳化发展提供了新路径[12]。具体来说,数字经济发展从政府数字治理、企业低碳转型及居民绿色生活三个层面促进城市碳排放强度降低。第一,数字经济发展能够提升政府的碳排放监测水平和治理能力。政府有关部门应用数字技术对碳排放进行实时动态监测,收集到大量城市碳排放数据,实现了碳管理的数字化、智能化,摸清了“碳家底”,有效提升了政府碳排放监测、管理能力[13]。同时,互联网也方便了社会公众广泛搜集碳核算、碳交易、碳金融等有关信息,表达环境保护诉求,督促有关部门进行碳监管和碳治理。第二,数字经济赋能行业企业低碳转型。一方面,数字技术赋能电力、工业、交通、建筑等高碳排放行业绿色化发展,推进生产工艺和技术设备革新,减少碳排放[5]。另一方面,数字经济发展推动企业建立智能化运营管理系统,模拟生产过程,从而减少不必要的碳排放[14]。此外,数字经济发展提高了信息交互效率,缓解了消费者与厂商之间的信息不对称,减少了厂商寻找顾客的时间和交易成本,降低了碳排放强度。第三,数字经济发展促进居民形成绿色低碳的生活方式。数字经济发展逐步改变了居民的消费理念和需求偏好,调整了居民的消费结构,升级了居民的消费品质,最终导致居民消费行为和消费决策的转变[15]。同时,数字技术的发展和应用进一步增强了居民的绿色消费、绿色生活意识及对增加了绿色产品的需求。如电子书、网络购物等低碳生活方式逐渐成为人们日常中的重要消费模式。由此可见,数字经济发展通过提升政府碳排放治理水平、促进企业低碳转型及引导居民绿色生活,有效降低城市碳排放强度。据此,本文提出假设1。
H1:数字经济发展能够有效降低城市碳排放强度。
已有研究显示,战略性新兴产业作为推动中国产业创新和绿色发展的主导性和支柱性产业[16],能够为降低城市碳排放强度提供良好的外部条件支撑。战略性新兴产业是以重大技术突破和重大发展需求为基础,对经济社会全局和长远发展具有重大引领和带动作用的知识技术密集、物质资源消耗少、成长潜力大、综合效益好的产业②。在我国,战略性新兴产业的提出始于2010年,几乎与我国数字经济发展同步,二者在发展过程中相辅相成。战略性新兴产业以高技术制造业和现代服务业为主,是推动新旧动能转换[17],实现可持续发展的必然选择。一方面,战略性新兴产业带来的技术进步显著提升了制造业和服务业的资源利用效率和绿色经济效率;另一方面,战略性新兴产业在推动低碳经济发展方面发挥了乘数效应[16]。创新能力是战略性新兴产业发展的核心保障[18]。故城市战略性新兴产业创新能力越高,战略性新兴产业发展越好,为城市碳排放强度降低提供的起点越高。同时,战略性新兴产业创新能力越高表明城市响应国家政策的意愿和能力越强,越易激发城市发展数字经济以降低碳排放强度的积极性。综上,本文认为城市战略性新兴产业创新能力将会增强数字经济发展和降低城市碳排放强度的作用。据此,本文提出假设2。
H2:城市战略性新兴产业创新能力能够加强数字经济发展对碳排放强度的抑制作用。
数字经济发展通过技术创新机制和监督约束机制影响城市能源环境效率。第一,数字经济发展助推企业数字化、智能化转型,提升能源环境效率。先进数字技术的引进、消化、吸收、应用优化了企业组织运营方式和生产工艺流程,淘汰了落后和低端低效产能,提升了能源环境效率。第二,数字经济发展助推社会低碳技术改进,提升能源环境效率。数字技术突破了传统知识与技术的时空限制,催生了一批新技术在行业中应用,如智能在交通、能源、制造等行业中的应用,这些技术促进了行业的技术进步,及社会能源使用效率的提升。同时,技术的创新突破还能优化城市能源结构,提高对太阳能、风能等清洁能源的利用效率,降低对传统能源的依赖。第三,数字经济发展推动环境监测数字化、信息化及精准化[19]。数字经济发展将技术、数据、能源等要素结合起来,实现了对高碳排放行业的动态化、数字化监测,促进其高效利用能源并集约开发新能源,从而提升能源环境效率。而提升能源环境效率是降低城市碳排放强度、实现碳达峰的重要途径[20]。一方面,技术更新及技术突破所带来的能源环境效率提升可推动社会低碳技术发展,有助于降低碳排放强度;另一方面,依托数字技术、数字平台及数字化思维所带来的环境监管高效化可更好地约束企业及个人的行为,从而降低城市碳排放强度。据此,本文提出假设3。
H3:数字经济发展通过提升能源环境效率降低城市碳排放强度。
数字经济发展通过数字产业化和产业数字化等途径影响城市产业结构升级,即产业结构合理化和产业结构高级化。第一,数字技术与实体经济深度融合,促进资源要素有效配置,实现产业结构合理化。大数据、云计算、人工智能等数字技术的应用极大地降低了企业间的信息搜寻成本,提高了信息交互效率,缓解了市场上供需双方的信息不对称,从而降低了生产要素错配概率,推动产业结构合理化。第二,数字经济赋能传统产业转型升级,实现产业数字化,助推产业结构高级化。数字经济发展依托其网络效应和规模效应,促进资源突破时空限制,实现数字技术在各行业、全领域共享,从而推进生产工艺革新和低碳技术发展,倒逼传统产业全方位、全链条数字化转型升级,实现产业高技术化、高集约化发展,从而实现产业结构升级。第三,数字经济发展催生新产业、新模式,促进数字产业化,推动城市产业结构高级化。大数据、云计算、物联网等新一代信息技术的产业化催生了一批具有时代发展特色的新兴产业,如电子信息制造业、电信业、软件和信息技术服务业[21]。这些产业以数据作为关键生产要素,以技术作为主要驱动力,具有高技术性、高融合性的特征,推动产业结构向知识密集型和技术密集型方向发展,实现产业结构高级化。产业结构合理化和产业结构高级化是促进城市碳排放强度降低的有效路径[22]。一方面,在数字经济发展推动传统产业升级的过程中经济发展呈现出服务业化的特征,推进产业向低能耗、高产出的绿色领域集聚,从而对城市碳排放强度降低产生正外部性[23];另一方面,产业结构升级有利于技术进步,从而开发新的低碳技术以降低生产过程中的碳排放强度。据此,本文提出假设4。
H4:数字经济发展通过促进产业结构升级降低城市碳排放强度。
图1 展示了数字经济发展对城市碳排放强度的影响机制。
图1 数字经济发展影响城市碳排放强度的研究框架
基于数据的连续性与可得性,本文选取2016—2020 年我国283 个地级市的样本数据,由于锦州、四平等地级市的数据存在严重缺失,因此做了剔除处理,最终得到223 个地级市的研究样本。关于数字经济发展水平的原始数据来源于新华三集团数字经济研究院,战略性新兴产业专利授权量数据来源于六棱镜数据库,其他变量的数据均来自《中国城市统计年鉴》《中国人口统计年鉴》以及各省份的统计年鉴。
1.被解释变量
碳排放强度(Carbon) 是本文模型的被解释变量。测度城市碳排放强度首先需计算出各城市的碳排放总量。关于碳排放量的测算,通用的方法是碳排放数量与碳排放因子的乘积。本文参照陈诗一[24]的方法采用化石能源消耗量与碳排放因子的乘积来测算各地级市的CO2 排放量,其具体的计算公式如式(1) 所示。
其中,CCO2为二氧化碳排放量; j 为能源种类,分别为煤炭、焦炭、原油、汽油、煤油、柴油、燃料油和天然气; E 为能源消耗量; α 为能源碳排放系数,由此可计算出各城市的碳排放总量。碳排放总量取自然对数就是各城市的碳排放强度。
2.解释变量
数字经济发展(Digital) 为本文模型的解释变量。现有文献大多采用互联网普及率、移动电话普及率等几个简单的基础设施方面的指标测度数字经济发展的水平。这种测度方式指标趋于简单,缺乏对数字治理、数字服务等方面的评估,无法科学、准确地反映城市数字经济发展全貌。故本文采用新华三集团数字经济研究院编制的《中国城市数字经济指数白皮书(2017—2020) 》和《中国城市数字经济指数蓝皮书(2021) 》对数字经济发展(Digital) 进行测度。该指数兼顾客观性与时效性,根据国家及各级政府文件,对中国城市发展和治理的数字政务、数字治理及产业融合的关键领域进行评估,从而全面、系统、准确地反映了中国城市数字经济发展水平。具体来说,数字经济指数依托“数字产业化+产业数字化”框架,从数据及信息化基础设施、城市服务、城市治理、产业融合4 个维度测算中国城市数字经济发展规模,评估城市数字经济发展水平,共包含4 个一级指标、12 个二级指标和46 个三级指标③。
3.调节变量
战略性新兴产业创新能力(Innovation) 为本文模型的调节变量。对于创新能力的衡量,学者们多从创新投入、产出的角度选取指标,主要包括研发投入、研发人员占比、新产品的收入、专利申请数量、专利授权数量等。本文采用城市战略性新兴产业人均专利授权量(专利授权量/常住人口) 来测度各城市的战略性新兴产业创新能力。
4.中介变量
(1) 能源环境效率(Efficiency)。能源投入于生产过程中在带来经济效益的同时,还产生了环境污染物,这就是非期望产出。非期望产出代理变量的选择和处理成为能源环境效率测算的关键。早期关于能源环境效率的测度并未考虑非期望产出,研究结果缺乏科学性和合理性[24]。而后,学者们逐渐将非期望产出纳入能源环境效率测度范畴[22]。因此,本文采用同时考虑期望产出与非期望产出的DEA-Malmquist 指数方法对城市能源环境效率进行测度。具体做法是,将每个城市均视为一个生产单位,每个生产单位包括投入、期望产出、非期望产出三类要素。下面是关于这三类要素的详细说明。
投入要素包括劳动投入、资本投入和能源消耗。其中,以各地级市年末城镇就业人数总数对劳动投入进行测度,借鉴张军等[25]的方法对资本投入进行估算和处理,借鉴陈诗一[24]的方法将各地级市每年消耗的能源折算成标准煤来对能源消耗测度。期望产出采用各地级市每年实际地区生产总值进行测度,具体是以2000 年为基期,根据GDP 平减指数进行计算。非期望产出要素包括工业废水排放量、工业SO2 排放量和工业烟尘排放量。工业废水、工业SO2 和工业烟尘均采用当年的实际排放总量进行测度。同时,测算能源环境效率时,希望非期望产出越少越好,故本文对非期望产出进行负向标准化处理。
(2) 产业结构升级(Update)。产业结构升级包括产业结构合理化(rationalization) 和产业结构高级化(high) 两个方面,本文利用熵值法计算各指标权重,从而综合计算出各城市的产业结构升级指数,以此来衡量产业结构升级。
产业结构合理化强调在现有资源和技术条件下,生产要素的有效配置与协调利用。本文参照干春晖等[26]的做法,用泰尔指数测度城市产业结构合理化水平,具体测算公式如下。
其中,i 表示城市,t 表示时期,n 表示一、二、三产业,Y 表示地区生产总值,L 表示就业人数。rationalization 数值越趋近0,表明城市产业结构越合理;反之,则表明城市产业结构越不合理。
本文借鉴徐敏、姜勇[27]的做法,采用产业结构层次系数来反映各城市的产业结构高级化水平,具体测算公式如下。
high 数值越大,表明城市产业结构高级化水平越高; 反之,则表明城市产业结构高级化水平较低。
5.控制变量
参照徐维祥等[3]的研究思路,本文最终选择了地区人均国内生产总值(Agdp)、城镇化水平(Urban)、人口密度(Population)、工业比重(Industry)、教育支出占比(Education)、环境规制强度(Environment) 和人均规模以上工业企业拥有量(Enterprise) 作为本文模型的控制变量。
本文相关变量定义及测算方法如表1 所示。
表1 主要变量定义
变量类型变量符号变量名称变量定义被解释变量Carbon 碳排放强度碳排放总量取对数解释变量Digital数字经济发展参照新华三集团数字经济研究院公布的城市数字经济指数测度数字经济发展水平调节变量Innovation战略性新兴产业创新能力 战略性新兴产业专利授权量/年末常住人口数量中介变量Efficiency能源环境效率采用考虑期望产出与非期望产出的DEA-Malmquist 指数方法测算Update产业结构升级利用熵值法计算产业结构高级化和产业结构合理化的权重,从而得出城市产业结构升级指数Agdp地区人均国内生产总值GDP/年末常住人口数量Urban城镇化水平年末城镇人口数量/常住人口数量Population人口密度年末常住人口数量/城市总面积控制变量Industry工业比重第二产业增加值/GDP Education教育支出占比财政性教育经费支出/一般公共财政预算支出Environment环境规制强度市辖区建成区绿化覆盖率Enterprise人均规模以上工业企业拥有量规模以上工业企业数量/年末常住人口数量
为了检验数字经济发展与城市碳排放强度的关系,本文构建了如下双向固定效应回归模型。
其中,i 为城市; t 为年份; Carbon 为被解释变量,代表各城市碳排放强度; Digital 为核心解释变量,代表各城市数字经济发展水平; X 为一系列控制变量,包括地区人均国内生产总值(Agdp)、城镇化水平(Urban)、人口密度(Population)、工业比重(Industry)、教育支出占比(Education)、环境规制强度(Environment) 和人均规模以上工业企业拥有量(Enterprise) ; λi 为城市固定效应; ηt 为年份固定效应; εit 为随机扰动项。其中,数字经济发展(Digital) 的系数β1 是本文关注的重点,它反映了数字经济发展对城市碳排放强度的影响。
此外,除了式(4) 中列示的直接效应外,数字经济发展还可能通过某些中介机制对城市碳排放强度间接产生影响。依据前文假设可知,数字经济发展通过影响能源环境效率和产业结构升级间接地对城市碳排放强度产生影响。为了检验该作用机制,本文建立如下中介效应模型。
其中,Med 代表中介变量,分别为能源环境效率(Efficiency) 和产业结构升级(Update) ; 其他变量定义均与式(4) 相同。
本文对计量模型中的所有变量进行描述性统计分析,结果如表2 所示。结果显示,碳排放强度(Carbon) 最大值为4.129,最小值为1.893,标准差为0.443,说明当前中国各个地级市间碳减排存在较大差距,部分地级市碳减排效果较好。数字经济发展(Digital) 最大值为91.600,最小值为32.667,标准差为12.292,表明中国数字经济发展水平存在显著的市际差异。
表2 变量的描述性统计结果
变量观测值 均值标准差 最小值 最大值Carbon 1 115 2.8240.4431.8934.129 Digital1 115 51.156 12.292 32.667 91.600 Efficiency1 115 0.9920.1300.3391.949 Update1 115 0.2790.2040.1004.596 Innovation 1 115 1.2302.5220.013 42.364 Agdp1 115 6.8503.5111.404 21.549 Urban1 115 0.6080.1270.3151.000 Industry1 115 0.4350.0900.1470.729 Population 1 115 0.0560.0630.0011.016 Education1 115 0.1120.0780.0000.293 Environment 1 115 0.4140.0400.1050.616 Enterprise 1 115 3.1613.3430.210 36.346
在进行基准回归之前,本文首先对模型进行了固定效应与随机效应的豪斯曼检验,检验结果支持使用固定效应模型。表3 报告了双向固定效应下数字经济发展对城市碳排放强度影响的回归结果,列(1) 的回归结果表明,在不考虑控制变量的情况下,数字经济发展(Digital) 在1%的水平下显著且回归系数为-0.002。即城市数字经济发展水平每增加1 个百分点,城市碳排放强度就可以下降0.2 个百分点。列(2) 的回归结果表明,在加入控制变量后,数字经济发展的影响依然显著,假设1 得到了验证,表明数字经济发展可有效降低城市碳排放强度,支持了徐维祥等[3]的研究结论。
表3 数字经济发展影响城市碳排放强度的回归结果
注: ***、**和* 分别表示在1%、5%和10%的水平下显著;括号内为标准误。
(1)(2)(3)Digital-0.002*** -0.001** -0.001*(0.001)(0.000)(0.000)Innovation-0.003*(0.001)Digital×Innovation-0.001***(0.000)Agdp 0.003*** 0.004***(0.001)(0.001)Urban 0.286***0.264**(0.095)(0.094)Industry 0.0050.015(0.035)(0.035)Population-0.0290.004(0.044)(0.044)Education 0.172*** 0.144***(0.050)(0.050)Environment 0.157**0.122(0.068)(0.068)Enterprise 0.004***0.003*(0.001)(0.001)城市和年份固定效应是是是常数项2.871*** 2.561*** 2.585***(0.033)(0.074)(0.074)观测值1 1151 1151 115 R2 0.3910.4170.431
从控制变量结果来看,地区人均国内生产总值、城镇化水平、教育支出占比、环境规制强度和人均规模以上工业企业拥有量均显著且回归系数均为正,上述因素对城市碳排放强度具有显著促进作用,应抓紧推动工业产业转型升级及智慧化、低碳化城市建设。其他控制变量不显著,对城市碳排放强度的影响尚不明确。
战略性新兴产业是引领经济社会未来发展的重要力量,在赋能传统产业升级、降低城市碳排放强度等方面发挥着重要作用。而创新能力作为战略性新兴产业发展的核心和保障,对我国碳减排具有重要意义。正如前文所述,城市战略性新兴产业创新能力会对数字经济发展与碳排放强度的关系产生影响。因此,本文采用战略性新兴产业人均专利授权量来衡量创新能力,并将战略性新兴产业创新能力、数字经济发展及其中心化后的交乘项纳入分析模型,分析其对城市碳排放强度的影响,回归结果如表3 中列(3) 所示。结果显示,数字经济发展和战略性新兴产业创新能力交乘项(Digital×Innovation) 在1%的水平下显著且回归系数为负,说明城市较高的战略性新兴产业创新能力能够加强数字经济发展对城市碳排放强度的抑制作用。这可能是由于相较于战略性新兴产业低创新能力的城市而言,高创新能力的城市科技创新产出多、成果转化能力强,拥有更多先进的节能技术、新能源开发技术等,进而在数字经济发展抑制碳排放强度方面起点高、外部条件好,故抑制作用更显著。综上所述,城市战略性新兴产业创新能力能够加强数字经济发展对碳排放强度的抑制作用。由此,假设2 得到了验证。
1.能源环境效率的中介效应分析
根据前文构建的中介效应模型(5) 和模型(6),本文采用三步法来验证数字经济发展影响城市碳排放强度的作用机制,回归结果见表4。从列(1) 和列(2) 可以看出,数字经济发展显著提升了城市能源环境效率,而能源环境效率对碳排放强度具有显著的抑制作用。同时,列(2) 中数字经济发展在10%的水平下显著且回归系数为负,故按照中介效应检验程序可知,能源环境效率在数字经济发展抑制城市碳排放强度方面表现为部分中介效应,且能源环境效率的中介效应占比为13.42%。此外,为增强能源环境效率中介效应机制分析结果的稳健性,本文进行了Sobel 检验,结果显示,直接效应、间接效应均通过了10%水平的显著性检验,表明能源环境效率的部分中介作用得到了验证。因此,数字经济发展通过提升城市能源环境效率对碳排放强度产生抑制作用。假设3 得到了验证。
表4 影响机制的回归结果
注: ***、**和* 分别表示在1%、5%和10%的水平下显著;括号内为标准误。
EfficiencyCarbonUpdateCarbon(1)(2)(3)(4)Digital 0.004**-0.001*0.005***-0.001*(0.001)(0.000)(0.001)(0.000)Efficiency-0.047***(0.012)Update-0.047**(0.011)控制变量是是是是年份和城市固定效应是是是是常数项1.137***3.826***-0.2033.763***(0.292)(0.112)(0.316)(0.111)观测值1 1151 1151 1151 115调整后R20.1970.4260.5120.427 Sobel 检验Z 值-1.937-2.332中介效应比例13.42%15.42%
2.产业结构升级的中介效应分析
表4 中列(3) 和列(4) 是产业结构升级的中介效应检验结果。其中,数字经济发展对城市碳排放强度的总效应为负,且通过了10%水平的显著性检验。列(3) 显示,数字经济发展(Digital)在1%的水平下显著且回归系数为正,表明数字经济发展可促进城市产业结构升级。列(4) 显示,城市产业结构升级在5%的水平下显著且回归系数为负。上述结果说明,数字经济发展通过促进产业结构升级降低城市碳排放强度的间接效应显著,中介效应占总效应的比例为15.42%。同时,列(4) 显示数字经济发展在10%的水平下显著且回归系数为负,故按照中介效应检验程序可知,产业结构升级在数字经济发展降低碳排放强度方面表现为部分中介效应。此外,为增强产业结构升级中介效应机制分析结果的稳健性,本文进行了Sobel 检验。结果显示,直接效应、间接效应均通过了10%水平的显著性检验,产业结构升级的部分中介作用得到了验证。因此,数字经济发展通过促进产业结构升级来推动城市碳排放强度降低。假设4 得到了验证。
1.替换被解释变量
前文采用城市碳排放量取对数来测度城市的碳排放强度。为进一步确保回归结果的有效性与可靠性,本文借鉴谢云飞[28]的做法,以人均碳排放量为碳排放强度的替代变量进行稳健性检验。回归结果如表5 中列(1) 和列(2) 所示。结果表明,无论是否加入控制变量,数字经济发展(Digital) 在10%的水平下显著且回归系数均为负,说明数字经济发展有助于城市碳排放强度降低,与本文基准回归结果一致。由此证明本文基准回归结果是稳健的。
表5 稳健性检验结果
注: ***、**和* 分别表示在1%、5%和10%的水平下显著; 括号内为标准误; 中括号内为在10%的显著性水平下Stock-Yogo 弱工具变量识别F 检验的临界值。
替换被解释变量工具变量法CarbonCarbonDigitalCarbon(1)(2)(3)(4)Digital-0.039**-0.024*-0.011**(0.015)(0.013)(0.005)IV 0.004***(0.001)控制变量否是是是年份和城市固定效应是是是是观测值1 1151 1151 1101 110调整后R20.7440.7830.4500.442 Kleibergen-Paap rk LM16.501***Kleibergen-Paap rk Wald F16.587[16.380]
2.内生性处理
第一,遗漏变量问题。考虑到影响城市碳排放强度的因素众多,本文选取的控制变量可能无法覆盖全部影响因素,从而存在遗漏变量问题。第二,双向因果关系问题。数字经济发展影响城市碳排放强度,反之,碳排放强度较高的地区可能迫于社会压力而加快传统产业数字化升级。为解决上述可能存在的遗漏变量及双向因果等导致的内生性问题,本文采用工具变量法进行内生性检验。具体而言,本文借鉴黄群慧等[29]的做法,以各城市1984年的邮电历史数据作为核心解释变量数字经济发展(Digital) 的工具变量(IV)。一方面,以互联网为基础的新型通信业务是传统邮电业务的延续,当地过去网络基础设施的水平会对今后互联网技术的应用和发展产生影响,因而满足工具变量的相关性条件;另一方面,1984 年邮电数据不会直接影响现在城市碳排放强度,而是通过影响现代数字技术应用与创新进而影响城市碳排放强度,满足外生性条件。同时,由于工具变量原始数据为截面数据,无法直接用面板数据进行分析,故本文参照赵涛等[30]的做法,以上一年全国互联网用户数分别与1984 年各城市万人电话拥有量构造交乘项,作为数字经济发展的工具变量。
表5 中列(3) 和列(4) 为工具变量法的回归结果。一阶段回归结果表明,工具变量对内生变量数字经济发展的影响显著,满足相关性假设。二阶段回归结果表明,数字经济发展在5%的水平下显著且回归系数为负,表明在考虑内生性问题后,数字经济发展依然显著降低了城市碳排放强度。此外,在原假设“工具变量识别不足”的检验中,Kleibergen-Paap rk LM 统计量p 值为0.000,显著拒绝原假设; 在工具变量弱识别的检验中,Kleibergen-Paap rk Wald F 统计量大于Stock-Yogo弱工具变量识别检验在10%显著性水平下的临界值。这说明工具变量通过了弱工具变量和外生性检验,工具变量选择较为合理。
基准回归结果表明,数字经济发展对城市碳排放强度具有显著的负向影响。那么数字经济发展对碳排放强度的影响是否存在明显的非线性门槛特征? 为回答这个问题,本文运用Hansen 面板门槛模型来检验数字经济发展对碳排放强度的非线性影响。首先,利用三重门槛回归模型对数字经济发展影响碳排放强度的门槛存在性及门槛数量进行检验。通过Boostrap 法自抽样100 次以计算门槛值和p 值,结果如表6所示。门槛估值和检验结果显示,数字经济发展降低城市碳排放强度的单一门槛和双重门槛检验结果显著,且门槛值分别为35.400 和44.626。随后,本文进一步进行门槛回归分析,结果如表7 所示。
表6 门槛效果自抽样检验
门槛变量门槛类型门槛值统计量临界值F 值p 值10%5%1%数字经济单一门槛35.40031.3600.00011.03613.40519.414发展双重门槛44.62612.1600.0409.54311.06915.445三重门槛49.8003.5100.70013.47115.93825.902
表7 数字经济发展影响碳排放强度的门槛回归结果
注: ***、**和* 分别表示在1%、5%和10%的水平下显著;括号内为标准误。
Carbon Digital[Digital≤35.400]0.001(0.001)Digital[35.400 <Digital≤44.626]-0.002***(0.000)Digital[Digital >44.626]-0.001**(0.000)控制变量是年份和城市固定效应是常数项2.632***(0.081)观测值1 115调整后R2 0.296
表7 的回归结果表明,数字经济发展对碳排放强度的抑制作用存在双重门槛效应。当数字经济发展水平小于第一个门槛值35.400 时,数字经济发展对城市碳排放强度的影响不显著。当数字经济发展介于35.400 和44.626 之间时,数字经济发展对城市碳排放强度的影响由不显著转为显著且抑制作用最大。当数字经济发展大于第二个门槛值44.626 时,数字经济发展对城市碳排放强度的抑制作用下降了0.1 个百分点,表明数字经济发展的碳减排效应具有递减的特征。由此可知,当城市数字经济发展水平达到35.400 时,才能降低碳排放强度,并且该作用呈现出非线性递减的特点。以上结果表明,数字经济发展处于不同的门槛区间,其对城市碳排放强度的影响具有差异性。
1.基于城市层级的异质性分析
受资源禀赋和发展阶段的影响,我国城市经济发展不平衡的现象仍然存在。故数字经济发展对城市碳排放强度的影响可能存在城市层级上的异质性。参考赵涛等[30]的做法,本文将直辖市、副省级城市和省会城市界定为中心城市,其他地级市界定为非中心城市,并运用固定效应模型分别进行回归。表8 中列(1) 和列(2) 是城市层级异质性的回归结果。
表8 异质性检验回归结果
注: ***、**和* 分别表示在1%、5%和10%的水平下显著;括号内为标准误。
城市层级资源性质中心城市非中心城市资源型城市非资源型城市(1)(2)(3)(4)Digital-0.001-0.002***0.000-0.002**(0.002)(0.000)(0.001)(0.001)控制变量是是是是年份和城市固定效应是是是是常数项3.454***2.456***2.252***2.661***(0.321)(0.074)(0.138)(0.090)观测值175940400715调整后R2 0.0040.4880.4630.401
结果表明,数字经济发展对中心城市碳排放强度的影响不显著,但对非中心城市碳排放强度具有显著的负向影响。可能的原因在于相较于中心城市,非中心城市经济发展水平较低,产业升级滞后,而随着数字经济不断发展,数字红利效应开始显现,不仅能够提升能源环境效率,还可以促进城市产业结构升级,为高质量发展提供新动能。同时,非中心城市的数字经济发展指数值大多介于35.400 和44.626 之间,说明数字经济抑制效用最大。此外,大数据、人工智能等数字技术的应用打破了区域壁垒,使得非中心城市能更好地承接中心城市的知识及技术溢出。由此,数字经济发展水平较低的非中心城市能够获得绿色数字红利,碳减排效应更显著。
2.基于城市性质的异质性分析
为了检验不同性质城市碳排放强度影响的异质性,本文依据国务院发布的《全国资源型城市可持续发展规划(2013—2020 年) 》对城市进行分类,并运用固定效应模型对80 个资源型城市和143 个非资源型城市分别进行回归,回归结果如表8 所示。列(3) 和列(4) 分别为基于资源型城市和非资源型城市样本的回归结果。结果表明,数字经济发展可有效促进非资源型城市碳排放强度降低,但对资源型城市的影响不显著。资源型城市是以本地森林、矿产等自然资源开采、加工为主的城市,它们在享受资源红利带来经济发展的同时,忽视了技术创新和产业结构升级,从而数字经济基础薄弱,其数字经济指数处于门槛值在35.400 以下,对城市碳排放强度不存在显著影响。相较于资源型城市,非资源型城市技术水平高、产业结构高级,使数字经济发展起点高,其数字经济指数跨过了门槛值35.400,进而对其碳排放强度起到显著的抑制作用。
数字经济具有跨界共享、互联互通的特性,能够更好地突破固有的地理距离限制,加大城市间经济活动关联的广度和深度。数字作为数字经济发展中重要的生产要素具有非竞争性、边际成本趋于零、共享性等特征[31],能够促进信息的低成本、跨时空传播。因而,数字经济发展能够对关联地区产生更为显著的空间溢出效应[3]。与此同时,数字经济发展具有促进城市碳减排的作用,能够通过溢出效应影响邻近地区,降低相邻城市碳排放强度[6]。因此,本文进一步选取空间计量模型来验证数字经济发展对碳排放强度的空间溢出效应。在此过程中剔除了与其他样本都不相邻的5 个地级市。在建立空间面板模型之前,本文对模型变量进行莫兰指数(Moran's I) 空间相关性检验,计算方法如下。
其中,,Yi 为第i 个城市的观测值,n 为城市总数,Wij为空间邻接权重矩阵。根据2016—2020 年中国各城市的数字经济发展水平和碳排放强度,本文分别计算得到中国城市数字经济发展和碳排放强度的Moran’s I,检验结果如表9 所示。可以看出,城市碳排放强度与数字经济发展的Moran’s I 均为正,且通过了1%的显著性水平检验,表明碳排放强度与数字经济发展存在高度的空间自相关。
表9 Moran’s I 检验结果
年份碳排放强度数字经济发展Moran’s IZ 值p 值Moran’s IZ 值p值20160.3317.3410.0000.1503.3920.000 20170.3297.2980.0000.1603.6150.000 20180.3106.8790.0000.1874.2130.000 20190.2846.3080.0000.2114.7260.000 20200.2846.3090.0000.2275.0830.000
1.空间溢出效应检验结果分析
数字经济发展对碳排放强度影响的空间面板模型估计结果如表10 所示。表10 分别采用了SDM 模型、SEM 模型以及SAC 模型。数字经济发展分别在10%、5%、10%的水平下显著且回归系数都为-0.001,表明数字经济发展的确可以降低城市碳排放强度。同时,各模型中的空间自回归系数(ρ) 和空间自相关系数(λ) 都在1%的水平下显著,表明各城市碳排放强度在内生空间交互效应和随机冲击的空间交互效应作用下存在明显的空间依赖关系。
表10 数字经济发展对碳排放强度影响的空间溢出效应检验结果
注: ***、**和* 分别表示在1%、5%和10%的水平下显著;括号内为标准误。
SDM 模型SEM 模型SAC 模型(1)(2)(3)Digital-0.001*-0.001**-0.001*(0.001)(0.001)(0.001)ρ 0.199***0.576***(0.036)(0.044)λ 0.210***-0.501***(0.037)(0.070)控制变量是是是年份和城市固定效应是是是观测值数1 0901 0901 090调整后R2 0.2290.2490.283
2.空间溢出效应分解结果分析
为准确判定数字经济发展对碳排放强度的空间溢出效应,本文进一步检验了数字经济发展对碳排放强度影响的空间溢出效应分解结果。直接效应是本地数字经济发展对本地碳排放强度的影响效应;间接效应是城市数字经济发展对邻接地区碳排放强度的影响效应。空间溢出效应的分解结果如表11 所示。列(1) 显示城市数字经济发展对本地碳排放强度的直接影响在5%的水平下显著且回归系数为-0.001。列(2) 显示城市数字经济发展对邻接地区碳排放强度的间接影响在5%的水平下显著且回归系数为负。列(3) 显示城市数字经济发展对碳排放强度的总效应在5%的水平下显著且回归系数为-0.002。以上结果进一步验证了地区数字经济发展不仅能够降低本地碳排放强度,而且还能够带动邻接地区降低碳排放强度。
表11 数字经济发展对碳排放强度影响的空间溢出效应检验分解结果
注: ***、**和* 分别表示在1%、5%和10%的水平下显著;括号内为标准误。
直接效应 间接效应总效应(1)(2)(3)Digital-0.001** -0.000** -0.002**(0.001)(0.000)(0.001)控制变量是是是年份和城市固定效应是是是观测值数1 0901 0901 090调整后R2 0.2800.2800.280
本文从理论上分析了数字经济发展对城市碳排放强度的影响机制,并利用2016—2020 年我国223 个地级市作为研究样本进行了实证检验。主要结论如下。(1) 数字经济发展能有效降低城市碳排放强度,为我国碳达峰行动提供了有效助力,在引入工具变量进行内生性检验及替换被解释变量进行稳健性检验后,上述结论依然成立。(2)数字经济发展对城市碳排放强度的抑制作用存在区域异质性。相较于低创新能力城市,具有战略性新兴产业的高创新能力城市数字经济发展对城市碳排放强度的抑制作用更明显;相较于直辖市、副省级城市、省会城市等中心城市,非中心城市享受到数字经济发展的绿色红利效应更明显,碳减排效应也更显著;相较于资源型城市,非资源型城市数字经济发展对碳排放强度的抑制作用更显著。(3) 数字经济发展对城市碳排放强度的抑制效应存在两条路径。一是数字经济发展通过提升能源环境效率来实现降低碳排放强度; 二是数字经济发展通过促进产业结构升级来降低城市碳排放强度。(4) 数字经济发展对降低城市碳排放强度存在空间溢出效应,即城市数字经济发展不仅能够促进本地碳排放强度降低,还可以带动邻接地区的碳排放强度降低。(5) 数字经济发展降低城市碳排放强度存在双重门槛效应,只有在数字经济发展水平超过特定门槛值时碳减排效应才显著,且其效应呈现出递减的特征。针对上述结论,本文提出如下政策建议。
第一,大力发展数字经济,提高城市数字化水平。数字经济发展在超过特定门槛值后,才能降低城市碳排放强度,各地应积极抓住5G、大数据、云计算、人工智能等“新基建”的发展机遇,夯实数字经济基础底座,推动数字经济发展以实现碳减排。第二,统筹好区域内数字经济发展梯度,有序推进城市碳减排。地区数字经济发展呈现出不平衡的发展梯度,利用数字经济发展的溢出效应与辐射效应,驱动数字经济提速发展,助力城市碳减排。第三,做好战略性新兴产业与数字经济发展的深度融合,协同助推城市碳排放强度降低。各级地方政府应积极利用工业互联网、人工智能等数字技术对战略性新兴产业进行全方位、全角度、全链条渗透,促进数字经济与新兴产业的跨界融合发展,联合推进碳排放强度降低。
本文对数字经济发展与城市碳排放强度之间的关系进行了深入系统的探究,但仍存在不足之处。对于数字经济发展水平的测度,本文所采用的中国城市数字经济指数仅包含了2016 年以后的数据,故本文采用2016—2020 年的数据,时间跨度相对较短。今后,随着研究所用数据库的不断完善,数据库将能为后续的研究提供更多的信息,以期能够发现新的规律。
注 释:
①资料来源于《人民日报》: http: //env.people.com.cn/n1/2020/0930/c1010-31881043.html。
②战略性新兴产业定义源于国务院发布的《关于加快培育和发展战略性新兴产业的决定》《战略性新兴产业分类(2018) 》政策文件。
③数据及信息化基础设施是指支撑城市数字服务、数字治理和产业融合的数字化基础设施,分为信息基础、数据基础和运营基础设施三部分,分别考察固网宽带和移动网络的应用情况,千兆光纤、5G 网络、政务云和城市大数据平台的建设及应用情况,数据及信息化的运营体制和运营长效机制。城市服务是城市社会民生管理水平的综合体现,分为政策规划、建设运营和运营成效三部分,考察教育、医疗、交通、民政、人社、扶贫、营商环境和生活环境等领域数字化情况。城市治理是城市社会治理水平的综合体现,分为政策规划、建设运营和运营成效三部分,考察公共安全治理、信用、生态环保、市政管理等领域的数字化情况。产业融合包括数字产业化、产业数字化和运营成效三部分,考察范围包括基础电信服务、软件和信息服务业、电子信息制造业、互联网服务、5G、人工智能、区块链、云计算、大数据等数字产业化的规模增长,以及农业、制造业、平台经济、在线服务、电子商务等产业数字化情况。
[1]陈晓红,胡东滨,曹文治,等.数字技术助推我国能源行业碳中和目标实现的路径探析[J].中国科学院院刊,2021 (9) :1019 -1029.
[2]罗贞礼.我国数字经济发展的三个基本属性[J].人民论坛,2020(17) :6 -12.
[3]徐维祥,周建平,刘程军.数字经济发展对城市碳排放影响的空间效应[J].地理研究,2022(1) :111 -129.
[4]渠慎宁,史丹,杨丹辉.中国数字经济碳排放: 总量测算与趋势展望[J].中国人口·资源与环境,2022(9) :11 -21.
[5]张争妍,李豫新.数字经济对我国碳排放的影响研究[J].财经理论与实践,2022(5) :146 -154.
[6]李治国,王杰.经济集聚背景下数字经济发展如何影响空间碳排放? [J].西安交通大学学报(社会科学版),2022(5) :87 -97.
[7]MOYER J D,HUGHES B B.ICTs: do they contribute to increased carbon emissions? [J].Technological Forecasting and Social Change,2012,79(5) : 919 -931.
[8]解春艳,丰景春,张可.互联网技术进步对区域环境质量的影响及空间效应[J].科技进步与对策,2017(12) :35 -42.
[9]许宪春,任雪,常子豪.大数据与绿色发展[J].中国工业经济,2019(4) :5 -22.
[10]佘群芝,吴柳,郑洁.数字经济、经济聚集与碳排放[J].统计与决策,2022(21) :5 -10.
[11]葛立宇,莫龙炯,黄念兵.数字经济发展、产业结构升级与城市碳排放[J].现代财经(天津财经大学学报),2022(10) :20 -37.
[12]李晓华.数字经济新特征与数字经济新动能的形成机制[J].改革,2019(11) :40 -51.
[13]张杰,付奎,刘炳荣.数字经济如何赋能城市低碳转型——基于双重目标约束视角[J].现代财经(天津财经大学学报),2022(8) :3 -23.
[14]刘强,马彦瑞,徐生霞.数字经济发展是否提高了中国绿色经济效率? [J].中国人口·资源与环境,2022(3) :72 -85.
[15]马香品.数字经济时代的居民消费变革: 趋势、特征、机理与模式[J].财经科学,2020(1) :120 -132.
[16]郭爱君,张永年,杨春林.战略性新兴产业空间结构对城市碳排放强度的影响——基于兰西城市群企业大数据的考察[J].城市问题,2022(5) :4 -16.
[17]刘华军,王耀辉,雷名雨.中国战略性新兴产业的空间集聚及其演变[J].数量经济技术经济研究,2019(7) :99 -116.
[18]李文军,郭佳.我国战略性新兴产业发展:成效、挑战与应对[J].经济纵横,2022(8) :65 -75.
[19]罗良文,李珊珊.技术进步、产业结构与中国工业碳排放[J].科研管理,2014(6) :8 -13.
[20]刘淑春.中国数字经济高质量发展的靶向路径与政策供给[J].经济学家,2019(6) :52 -61.
[21]马中东,宁朝山.数字经济、要素配置与制造业质量升级[J].经济体制改革,2020(3) : 24 -30.
[22]张伟,朱启贵,高辉.产业结构升级、能源结构优化与产业体系低碳化发展[J].经济研究,2016(12):62-75.
[23]孙叶飞,周敏.中国城镇化、产业结构高级化对CO2 排放的影响——基于独立效应和联动效应双重视角[J].资源科学,2016(10) :1846 -1860.
[24]陈诗一.能源消耗、二氧化碳排放与中国工业的可持续发展[J].经济研究,2009(4) :41 -55.
[25]张军,吴桂英,张吉鹏.中国省际物质资本存量估算:1952—2000[J].经济研究,2004(10) :35 -44.
[26]干春晖,郑若谷,余典范.中国产业结构变迁对经济增长和波动的影响[J].经济研究,2011(5) :4 -16.
[27]徐敏,姜勇.中国产业结构升级能缩小城乡消费差距吗? [J].数量经济技术经济研究,2015(3) :3 -21.
[28]谢云飞.数字经济对区域碳排放强度的影响效应及作用机制[J].当代经济管理,2022(2) :68 -78.
[29]黄群慧,余泳泽,张松林.互联网发展与制造业生产率提升: 内在机制与中国经验[J].中国工业经济,2019(8) :5 -23.
[30]赵涛,张智,梁上坤.数字经济、创业活跃度与高质量发展——来自中国城市的经验证据[J].管理世界,2020(10) :65 -76.
[31]冯科.数字经济时代数据生产要素化的经济分析[J].北京工商大学学报(社会科学版),2022(1): 1-12.
Research on the Effect of the Development of Digital Economy on Carbon Emission Reduction: An Empirical Analysis Based on 223 Prefecture-Level Cities in China
范合君(1978—),男,山东泰安人,首都经济贸易大学工商管理学院教授,博士生导师,博士,研究方向为数字经济、公司治理;
潘宁宁(1991—),女,河北保定人,首都经济贸易大学工商管理学院博士研究生,研究方向为数字经济、公司治理;本文通信作者;
吴 婷(1999—),女,甘肃会宁人,首都经济贸易大学工商管理学院博士研究生,研究方向为数字经济、公司治理。