■包 冰

（长春财经学院国际经济贸易学院，吉林 长春 130122）

随着互联网技术的不断发展和社会信息化的不断推进，数字经济迅速渗透到社会生产生活的各个方面，已成为推动政府治理手段革新和流程再造、促进产业高级化和合理化、显著改善城市碳排放、提升实现共同富裕程度的重要驱动力。在数字经济与生产率关系方面，数字经济与劳动生产率有正相关关系，其要素配置影响着制造业生产率。近年来，随着研究的深入，已由数字经济对全要素生产率增长的直接效应、间接效应及作用路径，进一步关注到数字经济对绿色全要素生产率的结构性提升效应上来。数字经济作为新的经济模式已成为学界的研究热点，目前关于数字经济、绿色全要素生产率已经积累了部分有价值的文献[1]。但对二者关系及作用机制的研究相对较少且起步很晚。鉴于此，本研究在借鉴已有研究的基础上，利用SBM-GML指数测算绿色全要素生产率，借助固定效应模型探究数字经济发展对绿色全要素生产率的影响。

一、研究设计

（一）样本选择及数据来源

为验证数字经济与绿色全要素生产率之间的关系，本文构建以下计量模型：GTFPit=α0+α1DIGEit+α2Xit+μit+εit。模型中的GTFPit为i 省（市/地区）在t 时期的绿色全要素生产率；α0表示常数项；DIGEit为i 省（市/地区）在t 时期的数字经济发展水平；Xit表示控制变量；μit表示无法观测的固定效应；εit表示随机误差。样本数据选取2011—2018 年30 个省（自治区、直辖市）的面板数据。鉴于数据可得性，所选取的样本不包括西藏自治区及港澳台地区。

（二）变量说明及测度

第一，被解释变量。绿色全要素生产率GTFP[2]。本文在研究现有文献的基础上，采用考虑非期望产出的超效率SBM模型和GML 指数进行测度。投入项包含劳动力投入、资本投入和能源投入。其中，劳动力投入以年末各省就业人数为特征；资本投资采用永续盘存制计量固定资本存量；能源投入以各省、市、自治区的能源消耗量(万吨标准煤)表示。预期产量是各省市自治区换算后的实际GDP。在这项研究中，意外的产出是工业废水中的COD排放和工业废气中的SO2排放[3]（如表1 所示）。

表1 变量指标体系

第二，解释变量。解释变量为数字经济发展水平DIGE。借鉴现有对数字经济的研究资料，在考虑数据的可获得性的基础上，本文选取数字经济基础设施、数字技术应用、数字产业发展动力三个方面的指标，具体评价指标体系，见表1。将获取数据进行无量纲化处理后通过熵值法对数字经济发展水平进行测度。其中，2011 年软件业务收入的数据缺失采用线性趋势值法预测[4]。

为了更直观地描述和对比各省（市/地区）的数字经济发展水平，本文将分区域绘制数字经济发展趋势（具体情况如图1—图4 所示）。

图1 东部地区数字经济发展水平

从整体情况来看，我国数字经济发展的整体水平是平稳向上的。东部地区的数字发展水平明显高于其他地区，发展速度也最快。中部地区处于中游水平。除四川省外，西部地区和东北地区起步较慢，整体发展也落后于东部和中部地区。图1 显示，北京起点水平最高，江苏表现也较为出色，广东发展速度最快，后来居上，主要原因是当地的基础设施建设、政策规章和技术投入为数字经济提供了较为宽松的发展环境。图2 的6 个中部省份发展水平差距不大，其中河南发展速度略高，但其2018 年的发展水平仍不及广东同时期的一半。图3中可知，西部地区中四川省表现最为出色，较中部地区的河南省水平相当，甚至发展略好。从图3 和图4 来看，西部地区及东北地区的数字经济发展水平还有较大的提升空间。

图2 中部地区数字经济发展水平

图4 东北地区数字经济发展水平

第三，控制变量。绿色全要素生产率在经济社会中受诸多因素影响，因而无法做到全面兼顾。在借鉴已有研究的基础上，本文选取的控制变量包括：产业结构（IS），以第三产业占地区生产总值比重表征[5]；开放程度（OD），以进出口贸易总额占地区生产总值比重衡量；政府干预（GI），以各省（市/地区）的政府财政支出占地区GDP 比重表示；人力资本（HC），以每十万人口高等学校平均在校生数表征。

二、实证分析

（一）基本回归分析

在对方程进行多重共线性检验的过程中，VIF 值的范围在2.159～3.472 之间，方差膨胀系数小于10，因此判断变量间不存在多重共线性。随后进行的Hausman 检验呈现出5%水平的显著性，意味着采用固定效应模型更优，结果见表2。

表2 数字经济影响绿色全要素生产率的基本回归结果

如表2 所示，第1 列报告了数字经济影响绿色全要素生产率的回归结果，数字经济呈现出0.01 水平的显著性（t=11.815，P=0.000＜0.01），并且回归系数值为1.645＞0，说明数字经济对绿色全要素生产率会产生显著的正向影响关系。第2—第5 列报告了相继加入控制变量的回归结果。核心解释变量DIGE 的估计系数逐渐下降，表明控制变量在一定程度上确实影响了绿色全要素生产率，因此在考虑核心解释变量对因变量的影响时，不应忽视其控制变量。同时，核心变量的回归系数显著为正，加强了前述结论的可靠性。

从回归结果分析，IS 呈现出0.01 水平的显著性，并且全样本回归系数值为大于0[6]，即产业结构与绿色全要素生产率有显著的正向作用关系。这说明，产业结构的优化将推动绿色全要素生产率的提高。开放水平（OD），即进出口额GDP 占比对绿色全要素生产率未表现出显著性。但本文在第3 列变量的FE 与RE 模型对比中发现，在RE 模型中开放程度呈现出0.01 水平的显著性（t=-5.829，P=0.000＜0.01），并且回归系数值为-0.383＜0，说明开放程度对绿色全要素生产率产生显著的负向影响关系。因此，就贸易层面上开放程度而言，贸易结构、贸易方式等方面还有较大改善空间。政府干预即政府公共预算支出GDP 占比对绿色全要素生产率的回归系数全样本显著为负。以每十万人口高等学校平均在校生数表征人力资本（HC）未表现出显著性。

（二）异质性分析

根据前文研究，在数字经济发展中出现了区域差异化的表现，从而应对数字经济对不同地区绿色、全要素生产率产生的影响，展开进一步的勘查。由于存在地理环境、基础设施、政策制度等各方面的差异，不同区域的社会经济发展水平存在较大不同。从表3 的结果来看，数字经济对绿色全要素生产率的影响存在区域异质性。东部地区数字经济水平在5%，中部和西部数字经济在1%水平上，与绿色全要素生产率都呈现显著正相关的关系，东北地区的结果显示两者间的关系不显著。显著正相关的三个地区其数字经济回归系数分别为0.718、1.746、1.370，中部地区数字经济的贡献率最高，西部地区次之，东部地区数字经济对绿色全要素生产率的贡献率最小。东部地区区位优势明显，经济相对发达，部分省份被赋予更大的自主权，因此，通过持续推进制度创新，进一步突出全方位、宽领域、多层次的开放特色，实现更高水平的开放，进而推动绿色全要素生产率。中部地区没有明显的禀赋优势，通过在数字经济基础设施、数字技术应用及数字产业动力等方面加强建设能够促进数字经济的发展，进而提升绿色全要素生产率。数字经济的发展在一定程度上倒逼产业优化升级，推动了绿色全要素生产率的提升。东北地区作为老工业基地，产业结构单一，新兴产业发展不够，技术进步相对较慢，作用效果不显著。

表3 数字经济对绿色全要素生产率影响的空间异质性

三、结论及对策建议

在数字经济逐步成为引领全球经济发展的中坚力量的背景下，本文聚焦数字经济的绿色价值，利用省级面板数据，对数字经济对绿色全要素生产率的影响进行了实证分析。结果显示：一是数字经济发展能够大幅度促进绿色全要素生产率的提高；二是两者关系存在区域异质性。东部地区、中部地区、西部地区数字经济对绿色全要素生产率影响较为显著，但相较于其他三个区域，东北地区作用不明显。

基于以上结论，本文提出以下几点建议：一是坚持推进数字经济发展，有效发挥其对实体经济提质增效的带动作用，促进绿色全要素生产率的提升。基于各省（市/地区）比较优势，推进能为自身提供社会经济效益的数字新基建；加快重点领域的数字应用，促进产业数字化发展；加大创新和研发投入，充分利用技术进步引擎，推进数字经济的发展。二是合理统筹区域数字经济布局，充分考虑数字经济对绿色全要素生产率影响的区域异质性，形成数字经济协调发展新格局。利用北京、广东、上海、江苏等数字经济创新高地，将其作为发展数字经济的中坚力量，推动周边省市的联动发展；加强重点省市间的合作，协同建设跨区域的数字平台体系支持数字经济相对落后地区。在后疫情时代经济下行以及面对国际复杂竞争形势的压力下，把握数字经济发展趋势及规律，有利于推动实现我国经济高质量发展。