焦 萍，张 帅

（1.西安航空学院 经济管理学院，陕西 西安 710077；2.长安大学 经济与管理学院，陕西 西安 710064）

一、引 言

近些年，随着全球气温上升以及极端天气频繁出现，积极推进碳减排、发展低碳经济逐渐成为国际社会普遍关注的焦点话题。交通运输作为国民经济生活中的重要部门，所产生的碳排放量占全球总碳排放量的比重几乎达1/4（1），是碳减排工作中需要重点关注的部门。2019年，中国交通运输产生的碳排放高达901亿吨，位列碳排放三大来源之一［1］。2015—2019年我国交通运输碳排放以年均3.22%的幅度快速增长（2）。面对如此严峻的形势，在“力争2030年前二氧化碳排放达到峰值，努力争取2060年前实现碳中和”（3）以及“到2030年，单位国内生产总值二氧化碳排放将比2005年下降65%以上”（4）的新目标和要求下，如何解决交通运输碳排放问题、积极推动交通运输碳排放强度下降就显得异常严峻且迫在眉睫。

近年来，随着互联网、大数据、云计算等数字技术的快速发展与融合应用，数字化已然在技术创新、企业绩效、公共文化服务等方面产生深远影响［2-4］。那么，数字化发展是否能够降低交通运输碳排放强度、助力低碳交通建设及行业减排目标的实现呢？该问题的回答对于我国依托数字化促进行业低碳转型、早日实现“碳达峰碳中和”目标具有重要的理论和现实意义，但是在现有研究中却尚未得到足够关注。基于此，本文利用2006—2019年省际面板数据，从理论和实证视角，对数字化影响交通运输碳排放强度的效应及其影响机制进行检验分析，并尝试探索该影响的异质性、非线性特征及长期效应。

二、文献综述

目前，现有文献针对交通运输碳排放或者碳排放强度的影响因素进行了深入探讨，但多聚焦于经济因素、结构因素、技术因素、出行特征和税收激励等角度。在经济因素方面，研究普遍认为经济发展、人口规模能够刺激交通需求，导致交通碳排放增加［5］，此外，Li等（2013）还发现市场集中度是降低交通运输碳排放的重要因素［6］。在能源结构和技术进步方面，普遍认为能源结构优化、燃料效率提升是抑制交通运输碳排放增长的重要途径［5，7］。在交通运输结构方面，卢剑锋等（2016）以吉林省为例，实证研究发现，运输结构对交通运输碳排放的影响相对较大，贡献率高达48.59%［7］。在出行特征等其他因素方面，Kwon（2005）利用英国1970—2000年的数据发现，汽车旅行平均行驶距离增加是二氧化碳增长的主要原因［5］；高标等（2013）基于STIRPAT模型，分析了交通运输投资额、私家车数量对交通碳排放的影响［8］；Mishalani等（2014）对美国146个城市的数据分析发现，私家车占用率和平均出行时间都与乘客出行产生的二氧化碳密切相关［9］；Huang等（2019）指出，潜在的交通能源强度效应、产出技术效应是降低交通运输碳排放强度的主要因素［10］；Qiu等（2020）认为在适当的条件下，碳税收激励政策能够促进航空公司改善燃油消耗并降低碳排放强度［11］。另外，少数学者认为交通运输碳排放受到其他行业的间接影响，因而从产业关联的视角进行分析，发现服务和建筑行业是影响交通运输碳排放最重要的两个部门［12］。

伴随着数字技术的发展，虽然大部分学者都认为信息技术、数字技术的应用在降低碳排放或环境污染方面具有较大潜力，但是仅少数研究针对此类技术与交通运输碳排放的关系进行了探析。其中，Li和Yu（2017）通过案例分析发现，货运APP的使用提供了一种基于互联网的货主与承运人自动匹配机制，从而有助于减少货运二氧化碳排放［13］；Chatti（2020）基于2002—2014年43个国家的年度面板数据，验证发现信息通信技术能够持续性有效减少道路货物运输对环境的负面影响［14］。

总的来说，虽然针对交通运输碳排放以及碳排放强度的影响因素展开了丰富的研究，但是在互联网、云计算、大数据等数字技术快速发展与广泛应用的新背景下，却鲜有学者关注数字化影响交通运输碳排放强度的效应及其机理。相较于以往文献，本文的边际贡献在于：①理论上深入剖析了数字化影响交通运输碳排放强度的机理，并从绿色技术创新视角阐述了该种影响的中介机理，弥补了以往研究针对两者关系关注不足的缺陷；②采用多种计量方法实证检验了数字化影响交通运输碳排放强度的效果、机理，并进一步探究了该种影响的异质性、非线性及长期效应，为数字化与交通运输碳排放强度的关系提供了经验证据，有助于丰富当前关于数字化与交通运输碳排放强度关系的实证研究；③本文的研究结论能够为政府依托数字化改善交通运输节能减排、助力低碳交通建设以及碳达峰目标的实现提供理论借鉴与参考。

三、理论分析与研究假说

根据现代汉语词典，数字化是指“在某个领域的各个方面或某种产品的各个环节都采用数字信息处理技术”。部分学者也认可该概念，认为数字技术的应用过程即为数字化［15］。此外，从技术的经济社会影响视角，一些学者从产业、组织、机构等不同层面对数字化提出了不同的解析，如从企业层面来说，Kohtamäki等（2020）认为企业收集、存储、分析和使用市场数据来提高价值创造和分配的过程即为企业价值链的数字化［16］。可见，数字化不仅是数字技术的应用，而且还是一个引发经济社会生活各方面不断变革的复杂系统过程。基于这一判断，数字化影响交通运输碳排放强度的效应可能是复杂的，具体来说：首先，数字化可以提高人们的收入，带动旅游等交通出行及物质产品的跨地区运输需求，而碳排放是运输服务过程的附带产品，因此，可以认为数字化的发展会引致规模效应，导致交通运输二氧化碳排放进一步加剧，对碳排放强度的降低造成不利影响。但与此同时，数字化的虚拟性也加速了信息的流通传播，有助于降低出行需求，如网络聊天替代面对面沟通，进而达到降低交通运输碳排放强度的效果。其次，数字化，尤其数字化平台的构建，能够促进交通运输相关技术进步、组织效率提升，进而促使行业结构升级、能源利用效率提高，实现交通运输的碳减排。此外，从政府管理的角度来讲，数字化可以提高交通运输管理部门的行业组织管理能力，赋能行业节能减排政策实施的科学化、合理化和智能化，从而更好地管控调节交通运输行业的能源消耗，改善碳排放状况。基于上述分析，本文认为，在我国数字技术迅猛发展的当下，数字化可能会有效降低交通运输行业的碳排放强度，并由此提出假设1。

H1：数字化具有减排红利，能够显著降低交通运输碳排放强度。

就其机制而言，基于理论分析和经济学逻辑，本文认为数字化可能会通过促进交通运输领域的绿色技术创新来发挥减排红利。第一，数字化，尤其是数字化平台的建设（如货拉拉、长江经济带多式联运公共信息与交易平台等），能够产生大量车辆轨迹、运输服务、货源等方面的实时数据。数据即是知识创新资源，可以为交通运输相关企业、科研单位开展具有针对性的绿色技术创新提供依据。第二，数字化能够促进交通运输行业人力资本的积累和高级化，并优化技术创新资源要素配置、改善创新流程和缩短创新周期，进而整体上加快研发效率，促进交通运输领域绿色技术创新。第三，数字化具有较强的技术溢出效应，能够强化交通运输领域中先进节能减排技术的扩散范围、程度和速度，促使先进技术的快速普及应用，并进一步带来节能减排技术的迭代创新。第四，数字化能够打破信息传播过程中的时空限制、消除信息不对称的壁垒，促进交通运输研发部门、科研单位、政府等机构间的科研合作，加快交通运输领域绿色技术创新。与此同时，绿色技术创新被普遍认为有助于减少能源等资源消耗、降低污染排放（碳排放）并促进经济可持续发展［17］。基于此，本文提出假设2。

H2：数字化能够通过促进绿色技术创新改善交通运输碳排放强度。

四、模型设定、指标选择与数据说明

（一）计量模型设定

为考察数字化对交通运输碳排放强度的影响，本文构建了如下基本模型：

其中：ceiit为i地区t年交通运输行业的碳排放强度；digit为i地区t年的数字化发展水平；X it表示相应的控制变量，即影响交通运输碳排放强度的其他因素；λi表示个体固定效应；εit为随机误差项；α0表示截距项；α1表示数字化发展水平的影响系数，是本文所关注的重点；αc为各控制变量的影响系数。

（二）指标选取

1.被解释变量：交通运输碳排放强度（cei）

一般来说，碳排放强度往往以单位GDP碳排放量来衡量，该指标是国家政府工作报告、规划文件中提及的约束性指标，在交通运输领域中也得到了广泛的使用［18］。此外，部分研究采用碳排放/换算周转量来表征交通运输碳排放强度［19］。考虑到部分省份航空统计数据的缺失以及货物的轻便化发展趋势，如笔记本“轻薄化”、汽车减重等，可能会导致货运量或货物周转量在时间上的可比性较差。因此，本文采用单位行业产值碳排放量作为交通运输碳排放强度的衡量指标，具体计算公式如下：

其中：cei为交通运输碳排放强度；co2为行业碳排放总量，根据IPCC公布的“自上而下”方法测算得到；gdp为交通运输行业生产总值；l(l=1,…,s)为能源类型，具体包含原煤、汽油、煤油、柴油、燃料油和天然气6种主要化石能源；e l为第l种能源的实物消耗量；nvcl为第l种能源的平均低位发热量；cefl为第l种能源的含碳量；cofl为碳氧化因子；44和12分别为二氧化碳和碳的分子量。

2.核心解释变量：数字化发展水平（dig）

关于数字化发展水平的衡量，现有研究并未形成统一共识。一些研究以互联网普及率、每万人拥有互联网宽带接入用户数等单一指标来反映［20］，但数字化是一个复杂系统，采用单一指标可能并不能全面地反映区域数字化发展水平。部分学者通过综合指标评价法来进行测度，周青等（2020）从数字化接入、数字化装备、数字化应用和数字化平台建设角度进行了评价［3］；冯献和李谨（2021）从数字化基础和数字化应用层面对区域数字化水平进行了衡量［4］；庞瑞芝等（2021）则从数字基础设施、数字化应用、数字产业发展三个层面构建了区域数字化发展评价指标体系［21］。本文借鉴庞瑞芝等（2021）［21］的研究，从数字基础设施、数字化应用、数字产业发展三个方面进行评价（5）。在此基础上，采用因子分析法确定权重并获得了反映各地区数字化发展水平的综合指数。

3.机制变量：绿色技术创新（gtec）

现有研究普遍采用研发投入或专利数来表征技术创新，考虑数据可得性，本文采用绿色技术专利申请数作为绿色技术创新的衡量指标。绿色技术专利申请数通过国家知识产权局专利检索数据库并根据WIPO公布的IPC绿色清单整理得到。

4.控制变量

为更准确地分析数字化对交通运输碳排放强度的影响，参考已有研究，本文选取以下控制变量：经济发展水平（pgdp），采用人均国内生产总值来衡量，并在模型中纳入经济发展水平的二次项（pgdp2）以检验环境库茨涅茨曲线假说；城镇化率（urban），采用城镇人口数量与地区常住人口数量的比值来表征；行业结构（tstr），采用铁路换算周转量占总换算周转量的比重来表示，其中总换算周转量通过公路、铁路和水路三种运输方式的货物周转量与折算旅客周转量加总得到（6）；能源结构（estr），以交通运输行业电力和天然气能源消耗量占总能源消耗量（标准量）的比重来反映；贸易开放度（open），采用地区人均进出口总额（根据当年年均汇率折算为人民币）来表征；政府绿色交通关注程度（gov），借鉴Cui和Li（2015）的研究，采用地方政府交通运输与环境保护财政支出之和占地方一般预算财政支出的比重来衡量［22］。

（三）数据来源

考虑数据可得性与连续性，本文选取2006—2019年我国30个省份（不包括西藏和港澳台地区）的面板数据作为研究样本。所涉及的相关数据均来源于《中国能源统计年鉴》、中国互联网信息中心发布的《中国互联网络发展状况统计报告》、中国知识产权网的专利信息服务平台和中国微观经济数据查询系统。同时，考虑通货膨胀的影响，价值类数据均统一折算为以2000年为基期的可比价格数据。

五、实证检验与结果分析

（一）基准估计结果分析

采用面板固定效应模型对（1）式进行回归估计，具体结果见表1第（1）（2）列，其中（1）列和（2）列分别为不考虑控制变量和考虑控制变量下的实证结果。

表1 数字化影响交通运输碳排放强度的估计结果

从表1（1）和（2）列数字化发展水平（lndig）的系数可以看出，虽然在添加控制变量后，数字化发展水平对交通运输碳排放强度的影响系数明显下降，但是依然相对较大，并在1%的显著性水平上通过检验。说明数字化发展水平每增加10%，交通运输碳排放强度将降低4.35%。因而可以认为，数字化具有减排红利，即数字化发展水平的提高能够显著降低交通运输行业的碳排放强度，H1成立。

就控制变量而言，经济发展水平一次项（lnpgdp）和二次项（lnpgdp2）的系数分别为0.349和-0.103，且均在5%的显著性水平上通过检验，说明经济发展水平与交通运输碳排放强度之间呈现“倒U”型的非线性关系，证实了环境库茨涅茨曲线假说的存在，即在初期，经济发展水平的提高会恶化交通运输行业的碳排放状况，但是当达到某一阈值后，随着经济发展水平的提高，交通运输行业的碳排放强度也将呈现下降趋势。城镇化率（lnurban）的系数显著为负，说明城镇化水平的提高可以降低交通运输碳排放强度。行业结构（lntstr）的系数为-0.107，并在1%的显著性水平上通过检验，说明交通运输结构的变化（铁路运输比重的提高）能够显著降低行业整体的碳排放状况。不同部门在资源、能源需求上均存在差异，从而对碳排放的影响也不同。在交通运输行业中，公路、铁路、水路和航空运输的能源强度之比约为11∶2∶1∶120［22］。因而，公路转向铁路运输所引致的交通运输结构变化，意味着行业整体能源利用效率的提升，从而能够对交通运输行业碳排放强度产生有益作用。能源结构（lnestr）的调整也是抑制交通运输碳排放强度持续恶化的重要途径，即电力和天然气等清洁能源的广泛使用能够有效降低交通运输行业的碳排放强度，达到节能减排的效果。贸易开放度（lnopen）的系数显著为负，说明贸易开放度越高，技术溢出效应越明显，即先进的资源配置、节能减排技术越能够得到更加广泛的学习和应用，从而进一步带来交通运输行业能源利用效率的改善，最终降低行业碳排放强度。政府绿色交通关注程度（lngov）的系数也显著为负，说明其有助于降低交通运输碳排放强度。政府绿色交通重视程度实际上反映的是政府对绿色交通基础设施的投入及交通运输行业节能减排的治理力度，而这有助于引导人们选择绿色交通方式并督促企业加强能源管理，进而缓解行业碳排放状况，降低碳排放强度。

（二）区域异质性分析

中国各地区数字技术应用程度、经济状况等方面的差异较大，可能会使不同地区数字化发展水平对交通运输碳排放强度的影响呈现区域异质性。对此，本文进一步将中国划分为东中部和西部两大地区，并基于（1）式进行回归估计，具体结果见表1第（3）—（6）列，其中（3）列和（5）列为仅考虑个体固定效应的估计结果，（4）列和（6）列为同时考虑个体固定效应和控制变量的结果。

从结果可以看出，数字化发展水平对东中部地区和西部地区的影响均为负，但是存在显著的异质性。具体来说，相对于东中部地区，数字化对西部地区交通运输碳排放强度的影响程度明显较强。原因可能在于：第一，东中部地区数字化发展水平、经济制度环境等方面均优于西部地区，但是相对于东中部地区而言，西部地区在交通运输节能减排技术、运输组织效率、运输模式结构等方面均有较大不足，使得其交通运输碳排放强度往往更高，如2006年和2019年西部地区的交通运输碳排放强度分别是东中部地区的1.36倍和1.19倍，明显高于东中部地区。强度越高在一定程度上意味着减排的空间越大，因而相对于东中部地区，西部地区数字化所引致的技术效应和结构效应、政府治理作用更易发挥，能够更显著地发挥其减排红利作用。第二，数字化能够打破以往信息传输的不对称性，促使东中部地区与西部地区加强交流与合作，这能够促使西部地区更为便捷地学习到东中部地区的先进节能减排经验、能源及碳排放管理技术，产生技术溢出效应，进而大幅度地降低西部地区的碳排放强度。

（三）内生性与稳健性检验

首先，针对估计模型可能存在的内生性，本文采取以下策略进行检验：①采用滞后一期和滞后二期的数字化发展水平进行重新回归；②将滞后一期和滞后二期的数字化发展水平作为工具变量采用两阶段最小二乘法（Two Stage Least Square，2SLS）进行估计；③借鉴黄群慧等（2019）［23］的研究，以1984年每百万人拥有固定电话数与全国上一年互联网宽带用户数的交互项以及1984年每百万人拥有固定电话数与全国上一年互联网宽带接入端口数的交互项，作为数字化发展水平的工具变量进行2SLS回归。

结果显示，在工具变量2SLS回归中，Kleibergen-Paap rk LM检验均在1%的显著性水平上通过检验，同时，Kleibergen-Paap rk Wald F统计量也均大于Stock-Yogo弱识别检验10%显著性水平上的临界值（16.38），从而可以认为本文所选取的工具变量合理，估计结果可信。此外，各策略下数字化发展水平或其滞后项的系数均显著为负，这说明在考虑内生性的情况下，数字化依然能够显著降低交通运输行业的碳排放强度，与前文结论一致，更进一步地验证了本文结论及H1。

其次，为确保结果的稳健性，从4个方面进行了实证检验：①更换数字化发展水平的权重确定方法，采用熵值法确定权重并构建全新数字化发展综合指数，以剔除特定变量对估计结果的影响，结果见表2第（1）列；②为剔除异常值的影响，首先针对因变量和核心解释变量进行1%和99%的断尾处理，然后进行回归估计，结果见表2第（2）列；③为消除金融危机的影响，同时保持数据的连续性，选取2010—2019年的数据进行回归分析，结果见表2第（3）列；④更换估计方法，采用面板分位数回归进行估计，以消除异常值对估计结果的影响，结果见表2第（4）—（9）列。从结果可以看出，各模型中数字化发展水平对交通运输碳排放强度的影响程度及显著性均未发生显著变化，说明本文实证结论具有稳健性。

表2 稳健性检验

此外，从面板分位数回归结果可以发现，随着分位数从0.1增长到0.9，数字化发展水平（lndig）的系数呈现逐渐递增的趋势，说明相对于低排放强度地区，数字化在高排放强度地区的减排红利更为强劲。一般而言，低碳排放强度地区可能意味着该地区已经拥有较为先进的节能减排技术、行业管理能力或优良的运输结构，能源利用效率的改善空间较小，从而导致数字化对交通运输碳排放强度的边际效用较小，即减排红利程度相对较弱。而碳排放强度较高的地区，其交通运输组织效率、技术水平等方面均相对薄弱，数字化所赋能的技术效应、结构效应能够对传统的交通运输行业产生较大冲击，进而促使地区交通运输行业获得更多的减排空间。此外，高碳排放强度也表征着该地区面临着较大的环境压力。有学者认为环境压力越大，地方政府的能源管控和减排治理动机也就越强。陆凤芝和杨浩昌（2019）［24］的研究也指出，当生态环境恶化到一定程度后，人们才会开始关注环境治理工作的开展。此时，政府和人们也就有更强的动机利用数字化手段开展交通运输行业能源调控、监管和碳排放管控，从而导致数字化在高碳排放强度地区的赋能作用相对较强。

六、机制检验与拓展性探讨

（一）机制检验

根据前文分析，数字化可能通过促进绿色技术创新降低交通运输行业的碳排放强度，为检验该机制的存在，借鉴温忠麟等（2004）［25］的研究，在（1）式的基础上构建如下模型：

其中：M表示中介变量，具体指绿色技术创新；（3）式为基准回归模型；（4）式为数字化影响中介变量（绿色技术创新）的估计检验模型，β0、β1和βc为模型中相应变量的估计系数；（5）式为同时考虑数字化和中介变量下的估计模型，γ0、γ1、γ2和γc为模型中相应变量的估计系数。如果α1显著，则认为数字化对交通运输碳排放强度的影响可能存在中介效应，进一步地，如果β1和γ2均显著，则证明上述机制存在，即数字化能够通过促进绿色技术创新改善交通运输行业的碳排放强度，否则需要针对β1γ2进行sobel检验，如果该检验通过，则认为本文的机制成立，否则不成立。

基于上述模型，本文采用面板固定效应对式（3）—（5）进行了估计，具体结果见表3，其中（1）—（3）列为未考虑控制变量的估计结果；（4）—（6）列为考虑控制变量的估计结果。第（1）列和第（4）列数字化（lndig）的系数均显著为负，说明中介效应可能存在，进一步地，第（2）列和第（5）列估计结果表明，数字化对绿色技术创新的影响均为正，且均在1%的显著性水平上通过检验，表明数字化能够显著地促进交通运输领域的绿色技术创新。第（3）和第（6）列为同时考虑数字化和绿色技术创新的估计结果，结果显示，绿色技术创新（lngtec）的系数均为负，且均在10%的显著性水平上通过检验。因此，根据中介效应检验标准，可以认为本文的机制存在，即数字化能够通过促进交通运输领域绿色技术创新来发挥减排红利，H2成立。

表3 机制检验结果

（二）拓展性分析

1.数字化减排红利的长期效应分析

数字化对交通运输碳排放强度的影响可能呈现非线性特征，对此本文借助面板门槛模型进行实证检验。为使门槛回归的估计结果更为客观，首先以数字化发展水平为门限变量，依次对单一门槛、双重门槛和三重门槛进行检验。结果表明，单一门槛和双重门槛均在5%的显著性水平上通过检验，而三重门槛并未通过显著性检验，其中单一门槛的门限值（lndig）为-1.707，双重门槛的门限值（lndig）为-1.618和-2.007，同时，双重门槛95%的置信区间相对于单一门槛更窄。因而，可以认为数字化对交通运输行业碳排放强度的影响存在双重门槛，且其相对应的数字化发展水平阈值（dig）分别为0.134和

0.198。

基于上述检验结果，本文对不同门槛区间的面板模型进行了回归，其结果见表4第（2）列。从结果可以看出，当数字化发展水平小于0.134时，数字化发展水平（lndig）的系数为-0.425，并在1%的显著性水平上通过检验，这意味着数字化发展能够降低交通运输碳排放强度；当数字化发展水平位于（0.134，0.198］时，其回归系数显著为-0.510，说明数字化的减排红利相对于（0，0.134］阶段有所提升；进一步地，当数字化发展水平超过0.198时，其对交通运输碳排放强度的抑制作用进一步提升，数字化发展水平每提高10%，交通运输碳排放强度将下降5.88%。这说明，总体上数字化对交通运输行业碳排放强度的影响呈现边际效应递增的非线性特征，即随着数字化发展水平的提高，其减排红利的程度将会逐渐提升。其原因在于：①数字化发展的实质是数字技术的广泛应用，而数字技术具有“再编辑”特性，能够促使政府或交通运输企业利用数字技术应用（如货运平台）所产生的反馈数据，进一步通过编程等手段优化数字技术的信息处理能力，从而提升数字技术的赋能作用，最终强化数字化对交通运输节能减排的有益作用。②收集、存储和利用数据进行决策、发挥技术效应和结构效应来改善碳排放状况是数字化具有减排红利效应的根源，并且随着数字化程度的不断提高，其产生和累积的数据量也在逐渐提高。数据这一生产要素被普遍认为具有边际效用递增特征，因而随着数字化发展程度的提高，数据量不断积累，也将会促使减排红利呈现边际效用递增的非线性规律。此外，表4第（1）列也报告了单一门槛的估计结果，其结果同样表明，随着数字化发展从低水平转向高水平，其对交通运输行业碳排放强度的抑制作用呈现逐渐递增的规律，这也再次证实了上述双重门槛结论的稳健性。

表4 面板门槛模型回归结果

2.数字化减排红利的长期效应分析

数字化对经济社会生活的变革往往是长久的，因而，其对交通运输碳排放强度的减排红利效应也可能在长期中依然存在。对此，本文参考Quinn等（2008）［26］的长期效应检验方法，分别针对所有变量3年、4年和5年的均值数据进行均值面板回归，具体结果见表5所列。从表5可以看出，数字化对交通运输碳排放强度的影响系数依然显著为负，说明长期来看数字化发展依然能够有效促进交通运输碳排放强度的降低，推动绿色交通发展。在数字化的大背景下，人们可能会逐渐采用视频会议、远程办公等新模式，大大降低交通出行需求，进而缓解交通运输行业的二氧化碳排放。此外，从时间角度来看，数字化在汇集数据方面的作用具有持续性，即能够不断地累积所需的数据，这也决定了其能够通过数据这一生产要素持久地影响交通运输行业的碳排放强度。

表5 长期效应分析

七、结论与政策建议

本文基于2006—2019年我国省际面板数据，通过测度数字化发展水平，采用面板固定效应模型，尝试弥补既有文献在数字化影响交通运输碳排放强度方面实证研究的不足。研究结果表明：①数字化具有减排红利，能够显著降低交通运输行业的碳排放强度，并且该效应在一系列内生性和稳健性检验后依然成立。②数字化的减排红利存在异质性，一方面，该效应在西部地区的作用程度大于东中部地区；另一方面，在碳排放强度越高的地区该效应越明显。③数字化可以促进交通运输领域的绿色技术创新，进而降低行业碳排放强度。④面板门槛模型结果表明，随着数字化发展水平的提高，数字化对交通运输行业碳排放强度的有益作用呈现出逐渐递增的非线性特征，体现出边际效用递增的规律。⑤长期来看，数字化对交通运输碳排放强度的抑制作用依然显著。

本文不仅丰富了现有关于数字化与交通运输碳排放强度关系的研究，同时也具有重要的政策含义：①地方政府应积极响应数字化发展的战略，搭建交通运输行业数字基础设施平台，深化新一代数字处理技术在管理部门的应用，努力实现基于数据的科学化行业组织管理、能源管控、二氧化碳排放治理决策，以发挥数字技术在优化行业管理绩效、降低能源消耗和碳排放方面的有益作用。②企业应该注意数字化发展的技术红利，加快数字化投入，积极主动运用数字技术赋能资源配置优化以及管理变革，提高能源利用效率并减少二氧化碳排放。同时也应该主动与其他交通相关部门合作，推动行业数字平台建设，加快交通运输数据的分享与整合，以促进产业转型升级，降低碳排放程度。③数字基础设施和数字产业发展是发挥数字化减排红利的重要保障。地方政府应大力推进5G、云计算、物联网等数字技术及相关数字基础设施建设，并引导社会、民进资本投资数字产业发展，推动数字产业高质量发展。可以通过颁布法律法规、标准等形式，规范数字产业及“数字+交通”平台的发展。

注 释：

（1）根据世界能源署公布数据，估计得到交通运输行业二氧化碳排放量占全球总碳排放量的比重为24.64%，接近1/4。

（2）该数据由作者依据世界能源署公布的2015—2019年中国交通部门碳排放数据估算得到。

（3）该目标由习近平主席2020年9月于第七十五届联合国大会一般性辩论上提出。

（4）2020年12月，中国在气候雄心峰会上提出的减排目标。

（5）具体指标体系详见庞瑞芝等（2021）［21］的研究。

（6）由于部分省份航空运输统计数据的缺失，在此仅考虑了公路、铁路和水路三种运输方式。