杜 欣

(1.浙商银行博士后科研工作站,浙江 杭州 310006 ; 2.浙江大学 经济学院,浙江 杭州 310058)

0 引言

气候变暖是国际社会共同面临的环境挑战。IPCC报告指出,2010—2019年全球平均气温相较于工业革命前(1850—1900年)升高了1.1℃,到本世纪末,气温将进一步上升1～5.7℃[1]。日益频繁的人类活动导致温室效应增强,化石燃料消耗和土地利用改变产生的二氧化碳对工业革命以来地表升温的贡献约占70%[2]。全球持续变暖带来洪涝灾害频发、水资源短缺加剧、生物多样性降低、极端气候事件趋多等一系列负面影响,由此引发的生态问题向社会经济问题转化。为减缓气候变暖,从“两型社会”建设到绿色发展之路,降碳减排已成为国际共识和重要议题。我国二氧化碳排放长期处于高位,2022年我国碳排放量同比增长5.3%,占全球碳排放总量的比重上升至30.9%[3],减排形势严峻。“双碳”目标的提出将我国经济低碳转型提升到新的高度。“十四五”时期是实现碳达峰的关键窗口期,伴随新一代信息技术的迭代更新,数字经济凭借渗透效应、规模效应和网络效应成为高质量发展的引擎,通过重组要素配置、重塑经济结构、重构产业生态,为碳减排带来新的机遇。那么,数字经济在碳减排过程中究竟扮演何种角色?数字经济发展促进碳减排的机制为何?数字经济与碳减排双赢共进的路径何在?

从现有文献看,对碳减排机理的探究始于碳排放变化的因素分解,学者们利用Kaya恒等式、LMDI、GDMI、STIRPAT 等分解模型识别碳排放变化的驱动因素,发现产出规模、资本规模对碳排放发挥促增作用,而投资碳强度、产出碳强度、能源强度和固定资产投资效率具有促降效应[4-5]。已有研究达成的普遍共识肯定了能源效率提升和能源结构调整对碳减排的贡献,但由于市场主体行为变化引致的能源回弹效应,技术进步对碳排放的影响呈现出促降与促增的双重性[6]。同时,相关实证研究验证了贸易开放、金融科技、环境规制具有显著的碳减排效应(蔡礼辉等,2020;胡金焱,张晓帆,2023;胡壮程,2022),而研发投入、经济集聚、清洁能源发展与碳排放之间呈现出较为复杂的非线性关系,对碳减排的作用在不同发展阶段存在差异(林伯强,徐斌,2020;徐斌等,2019;邵帅等,2019)。随着政策分析理论和工具日趋成熟,学者们借助双重差分模型评估相关政策的碳减排效果,发现创新型城市试点政策[7]、智慧城市试点政策[8]、碳交易政策[9]、绿色财政政策[10]均能显著降低碳排放水平。

新一轮科技革命和产业变革加速演进,数字经济的蓬勃兴起受到学界持续关注。早期研究将数字经济定义为一种以数字方式呈现信息流的经济模式(Tapscott,1996)。随着人类社会逐渐进入以数字化为主要标志的新阶段,数字经济的内涵不断丰富。《“十四五”数字经济发展规划》明确提出,数字经济是以数据资源为关键要素、以现代信息网络为主要载体,以信息通信技术融合应用为重要推动力,促进公平与效率更加统一的新经济形态。数字经济运行是互联网、大数据、云计算、物联网、人工智能、机器学习等技术在生产、交换、分配和消费环节的应用,这种新科技主导厂商投资经营与政府宏观调控的市场模式将改变人类经济选择行为,提升社会资源配置效率,引发生产生活方式和产业生态变革[11]。基于数字经济运行的宏观机理,数字经济发展的经济效应是学界研究重点,已有研究证实了数字经济对产业结构升级[12]、资源错配改善[13]、生产效率提升(钟世川,毛艳华,2023)以及区域创新绩效[14]、产业创新效率[15]的正向促进作用,并进一步聚焦数字经济的环境效应。

已有研究表明,数字经济发展不仅能够显著减少城市各类环境污染物的排放[16],而且通过挤出效应压缩高耗能、高排放产业的发展空间,倒逼产业结构绿色转型[17]。然而,数字技术的资源节约效应能否超过数字设备运行及远程数据处理产生的环境足迹尚不可知,这使得数字技术对环境的长期影响难以预测[18]。例如,一些学者认为信息通信技术的应用虽然能够提升能源效率,但也会进一步扩大能源需求,引发电力消耗的快速增长[19]。数字技术与碳排放之间的关系由于能源回弹效应而相对复杂多变[20]。类似地,也有实证研究表明,人工智能技术与碳排放之间呈倒U型关系,只有当人工智能技术水平达到一定阈值后,其碳减排效应才会逐渐凸显[21]。

综上,已有研究围绕碳减排的驱动因素达成一定共识,揭示了数字经济发展对宏观经济运行的重要作用,并开始关注数字经济对绿色发展的影响,这为本研究提供了丰富、深刻的洞见。虽然现有研究暗含数字技术能够实现环境效益的假设,但多以互联网或人工智能等数字技术的应用为切入点,尚未有效阐明数字经济对碳减排的影响路径及作用方向,围绕数字经济碳减排机制的解读与碳减排效应识别的研究有待进一步拓展。基于此,本文将数字经济引入碳排放影响因素的分析框架中,从理论和实证层面评估数字经济的碳减排作用,可能的边际贡献在于:①厘清“数字经济→绿色技术进步→碳减排”的内在机制,阐释数字经济发展通过作用于碳排放变化的驱动因素进而引致碳减排的路径逻辑;②采用工具变量法,在克服内生性的基础上,识别数字经济发展与碳减排间的因果关系,结合传导机制检验、调节作用检验和异质性分析,为充分发挥数字经济的碳减排效应提供更为可靠稳健的实证参考。

1 理论基础与研究假设

1.1 数字经济运行与碳排放变化

数字经济运行是以大数据为基本分析要素、以互联网为运作平台、以人工智能为操作手段的市场运营模式,其最显著的作用在于实现资源高效配置(何大安,2020)。一方面,数字经济的资源配置效应不仅能够提高生产部门的要素利用效率,降低生产过程对能源的依赖程度,而且通过替代淘汰高污染、高耗能产业,带动产业结构由劳动、资本密集型向技术、数字密集型演进升级,提高经济增长的低碳程度。同时,推动资本投入从以 “铁公基”为代表的传统基础设施领域转向科技含量高、市场化导向强的新型基础设施领域,提高固定资产投资的低碳化程度(邵帅等,2022)。因此,数字经济运行通过降低能源强度、产出碳强度和投资碳强度减少碳排放。另一方面,数字经济规模增长能够提高总产出水平,在经济增长还难以摆脱对化石能源消费依赖的条件下,产出规模扩张将引致更多能源消耗及相应的碳排放,这意味着数字经济发展带来的产出效应会增加碳排放。综上可知,数字经济对碳排放既发挥促降作用,又具有促增作用,二者的相对强弱决定数字经济发展能否产生碳减排效果。根据以上分析,本文提出如下假设:

H1:若数字经济对碳排放的促降作用强于促增作用,则数字经济有利于碳减排,反之则不利于碳减排。

1.2 数字经济、绿色技术进步与碳减排

绿色技术是指能够降低生态环境负荷、提高资源利用效率的技术、工艺或产品的总称。绿色技术进步在投入端表现为绿色技术创新能力增强,在产出端表现为绿色全要素生产率提升。一方面,数字经济对绿色技术创新和绿色全要素生产率的积极影响已被现有文献证实(王锋正等,2021;周晓辉等,2021)。数字技术应用促使绿色技术研发决策由经验驱动向数据驱动转变,通过信息挖掘和需求预测,帮助企业判断绿色技术创新方向、潜力和路径。数字技术与传统金融服务业态的深度融合,不仅可以降低获得金融服务的门槛和成本,而且能够对资金流向和利用情况进行追踪,弱化信息不对称导致的逆向选择和道德风险,为绿色技术创新提供充足的金融资源和有效的融资渠道。同时,数字经济能够突破时空限制,有利于研发主体之间加强合作交流和集体学习,从而降低绿色技术研发风险与沉没成本,提高绿色技术创新效率。此外,数字经济具有高创新、强渗透、广覆盖的典型特征,通过降低搜寻匹配和交易成本、纠正要素配置扭曲、提高要素绿色价值创造能力、促进关键共性技术迭代创新,作用于技术效率提升和前沿技术进步,推动绿色全要素生产率提升。另一方面,技术进步方向决定经济活动的环境结果,绿色技术进步是解决环境问题的重要支撑( 陆旸,2012),通过控增量、压存量推动碳减排。绿色技术广泛运用于企业生产和居民生活,能够助推先进节能、清洁生产工艺替代老旧高耗能、高污染生产工艺,促进产业结构绿色转型和能源消费绿色升级,而能源领域的绿色技术进步可以加快清洁能源、可再生能源、新能源的开发利用,有利于能源消费结构的低碳化转型,进而从生产端和消费端减少资源能源消耗,降低供给侧和需求侧碳排放,实现源头管控。此外,绿色技术进步能够有效控制脱碳成本,为二氧化碳捕集、利用和封存技术研发与应用提供必要的技术支持,赋能碳减排的末端治理。根据以上分析,本文提出如下假设:

H2:数字经济发展通过绿色技术创新效应与绿色全要素生产率效应产生绿色技术进步进而促进碳减排。

2 研究设计

2.1 模型设定

为验证数字经济能否促进碳减排,本文构建如下基准模型:

(1)

式中,下标i、t分别表示省份和年份,被解释变量coc为地区二氧化碳排放量,核心解释变量dig为地区数字经济发展水平,Xit为控制变量集合;ui为地区固定效应,λt为时间固定效应,εit为随机误差项;θp为各控制变量的估计系数,α1为数字经济对碳排放的影响系数,若α1为负且通过显著性检验,说明数字经济的碳减排效应显著。

2.2 变量选取与说明

2.2.1 被解释变量

二氧化碳排放量(coc)。利用MEIC模型平台提供的碳排放数据[22],将碳排放量划分为小于1亿吨、1亿吨～3亿吨、3亿吨～5亿吨、5亿吨～7亿吨、大于7亿吨5个层级,运用ArgGis软件进行可视化展示(见图2)。总体而言,我国碳排放总量从2013年的96.94亿吨上升至2021年的107.75亿吨,年均增长率为1.23%,碳排放的层级变化并不明显,约一半省份的碳排放量介于1亿吨～3亿吨之间。碳排放的空间分布呈“北高南低”特征,北方地区与南方地区碳排放量差值由2013年的10.26亿吨攀升至2021年的14.62亿吨,南北差距的马太效应有所加剧。

图1 中国省际碳排放时空演化格局Fig.1 Spatial and temporal evolution of provincial CO2 emissions in China

图2 2013—2021年各省数字经济指数均值Fig.2 Annual averages of provincial digital economy indices from 2013—2021

2.2.2 核心解释变量

数字经济(dig)。借鉴现有研究[13-15],从数字基础设施、数字产业规模、数字生活应用、数字生产应用4个维度构建数字经济综合评价指标体系(见表1)。在对各指标进行无量纲化处理的基础上,利用熵值法赋权,通过线性加权合成数字经济发展指数以及4个维度的分项指数,以衡量省域层面的数字经济发展水平。如图2所示,在全国范围内,北京、广东、上海、江苏、浙江、福建等地的数字经济发展水平领先,与新疆、甘肃、云南、贵州、广西等排名靠后的地区间呈现出明显的数字鸿沟。南方地区以长三角和珠三角地区为代表,数字经济发展水平较高,北方地区除北京一枝独秀外,与南方省份具有一定圈层差距,由此可见,我国数字经济发展过程中的南北分化态势明显。

表1 数字经济发展评价指标体系Tab.1 Evaluation index system of digital economy development

2.2.3 控制变量

本文选取以下控制变量:①经济规模(gdp),以地区实际生产总值的对数值衡量;②投资水平(inv),以地区人均固定资产投资的对数值衡量;③产业结构(ins),以第三产业与第二产业产值的比值衡量;④能源强度(ens),以地区能源消费总量与地区生产总值的比值衡量;⑤政府支持(gov),以地区财政节能环保支出占一般公共预算支出的比重衡量;⑥命令控制型环境规制(cer),借鉴邓慧慧和杨露鑫(2018)的研究,以地方政府工作报告中碳减排相关词汇(能耗、低碳、减排、二氧化碳)出现的词频表示;⑦市场激励型环境规制(mer),借鉴董直庆和王辉(2021)的研究,以碳排放权交易试点的政策虚拟变量表示,若地区i在t时期是碳排放权交易试点省份,则取1,否则为0。

2.2.4 数据来源与描述性统计

考虑到数据统计口径及数据的连续性与可得性,采用2013—2021年中国内地30 个省份(西藏因数据缺失严重,未纳入统计)面板数据进行实证分析。碳排放数据来源于MEIC模型平台(http://meicmodel.org.cn),数字普惠金融指数来自于数字金融开放研究平台(https://www.dfor.org.cn/research/numberdata),其它经济数据来源于2014—2022年《中国统计年鉴》《中国工业统计年鉴》《中国信息产业年鉴》《中国能源统计年鉴》《中国城市统计年鉴》以及各省份统计年鉴、统计公报和政府工作报告。对现价统计的变量均平减至2013年基期水平,缺失数据采用插值法补全。表3 报告了主要变量的描述性统计特征。

表3 变量描述性统计结果Tab. 3 Descriptive statistics of variables

3 实证分析

3.1 基准回归结果

首先,利用双向固定效应模型(FE)进行基准回归分析,由于模型在1%的显著性水平下拒绝同方差、无一阶组内自相关、无同期相关的原假设,采用“异方差—序列相关—截面相关”(DK)标准误进行估计,结果如表4所示。引入控制变量并控制省份和年份固定效应后,在其它条件不变的情况下,dig每增加1个单位,coc将下降15.689个单位,此时数字经济的碳减排效应显著。控制变量中,gdp、ens的估计系数显著为正,inv、ins、gov、cer、mer的估计系数显著为负,说明经济规模扩张、能源强度提高会对碳排放产生促增作用,而投资水平提高、产业结构升级、政府对节能环保的财政支持、命令控制型与市场激励型环境规制工具的运用有助于降低碳排放。 其次,由于固定效应模型下的均值回归主要反映平均边际效果,在不同条件分布下,数字经济对碳减排的影响可能存在差异,有必要进行面板分位数回归。结果显示,dig的估计系数在25%、50%、75%的分位点上均显著为负,且负向影响强度随分位点的上升而提高,说明数字经济的碳减排作用在碳排放水平较高的地区更加显著。

表4 基准回归结果Tab.4 Results of benchmark regression

3.2 内生性检验

考虑到上述检验可能无法妥善解决实证中因遗漏变量、反向因果关系引发的内生性问题,本文采用工具变量(IV)进行重新估计。参考黄群慧等(2019)的思路,选取每百人固定电话数量(tel)作为工具变量,因为互联网走进大众视野是从电话线拨号接入开始的,固定电话普及率较高的地区互联网渗透率可能更高,因而固定电话数量会影响互联网的先期接入和后期普及,而数字经济发展高度依赖互联网的普及和应用。因此,该工具变量与数字经济之间存在相关性。同时,固定电话数量对碳排放没有直接影响,且与模型中其它控制变量和随机扰动项不相关。因此,工具变量选取合理。

利用两阶段最小二乘法(2SLS)估计的回归结果如表5所示,IV估计系数在1%的水平上显著为正,工具变量满足正相关假设。同时,Kleibergen-Paap rk LM统计量拒绝不可识别原假设,Kleibergen-Paap rk Wald F统计量、Cragg-Donald Wald F统计量通过弱工具变量检验,Anderson-Rubin Wald统计量拒绝内生回归系数之和等于零的原假设,以上检验统计量证明工具变量有效。第二阶段回归结果显示,dig的估计系数在1%的水平上显著为负,与基准回归结果一致。此外,由于在恰好识别情况下无法检验工具变量的外生性(陈强,2014),参考Conley等(2012)、牛冠朝和刘军强(2021)的研究方法,利用近似于零方法( LTZ )开展近似外生IV下的稳健推断。结果显示,dig的估计系数依然显著为负。综上,考虑内生性问题后,数字经济的碳减排效应依然存在。

表5 工具变量估计结果Tab.5 Results of instrumental variable estimation

表6 稳健性检验结果Tab.6 Results of robustness test

3.3 稳健性检验

本文通过替换变量的方式进行稳健性检验。首先,考虑时间滞后效应,将核心解释变量数字经济滞后两期(L2.dig)并重新进行估计。其次,参考梁琦(2021)、邓荣荣和张翱祥(2022)的研究,将腾讯研究院编制的数字中国指数(digr)作为数字经济的代理变量。考虑数据可得性,采用2015—2018年中国158个地级市面板数据进行固定效应模型下的参数估计,而且自2019年起,国家层面有关数字经济的政策出台频率、密度和力度不断提高,考察时间范围的缩短也有利于排除政策等外部冲击对研究结果产生的可能影响(李卫兵,张凯霞,2019;孙传旺等,2019)。结果显示,替换后的解释变量对原被解释变量的估计系数均至少在10%的水平上显著为负,说明替换变量后并未改变本文核心结论,验证了以上实证结果的稳健性。

4 拓展分析

4.1 空间效应检验

考虑到数字经济对碳排放的作用会受到地区空间因素影响,本文进一步采用空间计量模型刻画数字经济对碳排放影响的空间交互作用。表7汇报了地理距离矩阵与经济空间距离矩阵下空间计量模型的估计结果,其中,地理距离矩阵以省会城市间经纬度距离平方的倒数度量,经济空间距离矩阵以2013—2021年地区间人均实际GDP年均值的绝对差值的倒数度量。根据经典LM-Error、LM-Lag和稳健LM-Error、LM-Lag检验结果,地理距离矩阵下选择SAR模型进行检验,经济空间距离矩阵下选择SDM模型进行检验。在两种空间权重矩阵下,dig的估计系数均显著为负,数字经济的碳减排效应得到验证。被解释变量的空间滞后系数均显著为正,说明碳排放存在显著的正向空间溢出效应,即本地区碳排放水平降低能够显著抑制地理或经济关联地区的碳排放。这可以归因于区域竞争效应和经济关联效应:一方面,“双碳”目标下,我国将碳强度下降作为约束性指标纳入国民经济和社会发展规划,引导各地区在低碳转型过程中通过政府间的策略性互动形成节能减排的良性竞争关系;另一方面,碳减排过程伴随着产业结构绿色转型,在市场机制作用下,通过地区间产业关联传导至经济关联地区,带动经济增长方式的协同转变。

表7 空间回归结果Tab.7 Results of spatial regression

空间效应下,数字经济发展不仅会对本地区碳排放产生直接影响,也会对空间关联地区碳排放产生间接影响并通过循环反馈机制最终影响本地区碳排放。因此,本文将数字经济对碳排放的总效应进一步分解为直接效应和间接效应,结果如表7所示。结果显示,直接效应、间接效应均显著为负,说明数字经济发展对本地区及其它地区的碳排放均存在促降作用。具体而言,在地理距离矩阵下,dig的估计系数为-14.238,直接效应为-14.716,计算得到的反馈效应(直接效应与估计系数之差)为-0.478,间接效应为-5.625,总效应为-20.341。也即,本地区数字经济发展指数每增加1个单位,将直接促使本地区碳排放下降约14个单位,并在空间溢出效应下间接带动其它地区碳排放下降约5个单位,通过循环反馈机制促使本地区碳排放下降约0.5个单位。由此可知,直接效应占总效应的比重显著高于间接效应,意味着数字经济发展对本地区碳排放的直接促降作用强于对空间关联地区碳排放的间接促降作用;空间反馈效应虽然存在,但其占直接效应的比重仍较低。

4.2 传导机制检验

以上实证结果表明,数字经济对碳排放具有显著促降作用。那么,数字经济发展通过何种途径促进碳减排?为此,借鉴邓慧慧和杨露鑫(2019)的研究,本文构建联立方程模型,利用三阶段最小二乘法(3SLS)进行传导机制检验,如式(2)(3)。

(2)

(3)

式中,Mit代表绿色技术进步,以绿色技术创新能力(tei)和绿色全要素生产率(gtp)表征。绿色技术创新能力是绿色技术进步水平的直接反映,以绿色发明专利授权数的对数度量,数据来源于国家知识产权专利检索及分析系统,按照WIPO国际专利绿色清单进行匹配,得到上市企业绿色发明专利授权数据,根据企业所在地汇总得到省域层面绿色发明专利授权数据。绿色全要素生产率能够体现整体技术进步的绿色偏向性程度,采用基于SBM方向性距离函数的GML指数度量,测算过程中,以全社会从业人员数、永续盘存法估算的物质资本存量、折算为标准煤单位的能源消费总量作为投入要素,以实际地区生产总值作为期望产出,以工业废水、二氧化硫和固体废弃物排放量作为非期望产出。控制变量组Xit与前文设定相同,控制变量组Zit代表影响机制变量的其它因素,包括研发投入强度(R&D经费内部支出占GDP的比重)、外贸依存度(进出口总额占GDP的比重)、外资依存度(外商直接投资额占GDP的比重)、科技支出(科学技术支出占一般公共预算支出的比重)、人力资本结构高级化、命令控制型和市场激励型环境规制,借鉴刘智勇等(2018)的研究,采用向量夹角法测算人力资本结构高级化指数,环境规制变量与前文设定相同。

由表8可知,dig的估计系数显著为正,说明数字经济发展能够提升绿色技术创新能力和绿色全要素生产率;tei、gtp的估计系数均显著为负,说明绿色技术创新能力和绿色全要素生产率提高对抑制碳排放具有显著效果,这意味着绿色技术进步对碳减排表现出较为稳健的技术红利。以上结果验证了H2。绿色技术进步一方面表现为绿色创新能力提升带来的能源利用成本下降和能源利用效率提高,另一方面表现为绿色生产效率提升带来的单位GDP能耗下降和可持续发展能力提高。数字经济通过绿色技术创新效应和绿色生产率效应促进绿色技术进步,可以有效转化为绿色生产力,大幅降低生产、分配、流通、消费各环节对有形资源的依赖,推动经济增长方式从不可持续的资源高度依赖型转向持续迭代的技术进步型。这正符合不以牺牲经济增长速度为代价,实现碳减排约束下的高质量发展理念。

表8 机制检验结果Tab. 8 Results of mechanism test

4.3 调节作用检验

传导机制检验表明,数字经济发展通过促进绿色技术进步有效推动碳减排。绿色技术进步的实现依赖于要素市场发育,要素比较优势和市场化程度将直接影响绿色技术研发、扩散和应用。为此,本文将要素禀赋结构和技术成果市场化作为衡量要素市场发育程度的主要指标,分析其对数字经济发展促进碳减排的调节作用。在式(1)基础上纳入核心解释变量与调节变量的交互项,如式(4)。

(4)

式中,Dit代表要素禀赋结构(klr)和技术成果市场化(mar)两个调节变量,分别用物质资本存量和技术市场成交额占GDP的比重表示。

如表9所示,交互项dig×klr、dig×mar的估计系数在5%的水平上均显著为负,说明禀赋结构升级和技术成果市场化程度提高能够显著强化数字经济的碳减排效应。2020年中国数字经济增加值占GDP的比重达到38.6%,农业、工业、服务业数字经济渗透率分别为8.9%、21.0%、40.7%。伴随数字经济规模不断扩张、贡献持续增大,投资结构发生深刻变革,传统基础设施投资部分转向新型基础设施投资。这种资本投入偏向性的转换,促使物质资本更新不再以单纯满足扩大生产规模或提升要素生产率为目的,而是以数字技术和节能减排技术的研发与应用为导向,从而提高投资活动的绿色程度,缓解传统领域重复投资引致的产能过剩与能源消费增加。技术成果市场化程度提高有利于加快科技创新成果向经济效益转化,激发数字技术创新活力。因此,在资本密集程度和技术成果转化率较高的地区,数字经济发展对碳排放的促降作用更为显著。

表9 调节作用检验结果Tab. 9 Results of moderating effect

4.4 异质性分析

4.4.1 地区异质性

本文从区域和城市两个层面进行地区异质性检验,分样本估计结果如表10所示。在区域层面,通过比较dig的估计系数发现,数字经济对北方地区的碳减排作用明显强于南方地区。原因可能在于,北方地区重工业和资源型产业占比相对较高,数字经济发展在倒逼落后产业转型、推动产业结构升级过程中,也会减少对化石能源的需求与消费,减排效果更加显著。从城市层面看,在城市群内部,数字经济对碳排放具有显著促降作用;在非城市群地区,数字经济对碳排放无显著影响。由于虹吸效应的存在,优质资源在市场机制作用下向具有效率优势和空间优势的城市群高度集聚,导致非城市群地区人流、物流、资本流和信息流等要素积累欠佳,数字经济发展相对滞后,数字技术应用不足且与实体经济融合不深,碳减排潜力有待释放。

表10 地区异质性检验结果Tab. 10 Results of regional heterogeneity test

4.4.2 作用因素异质性

为考察数字经济构成因素对碳排放的异质性影响,将核心解释变量替换为数字基础设施(dig1)、数字产业规模(dig2)、数字生产应用(dig3)和数字生活应用(dig4)4个分项指数及其滞后项,结果如表11所示。结果显示,当期及滞后两期的dig2、dig3、dig4对碳排放均具有显著负向影响,但当期及滞后两期的dig1估计系数并不显著。进一步对比发现,当期及滞后两期的dig3、dig4估计系数均高于dig2,说明数字生产应用和数字生活应用的碳减排效果更为显著。以上结果表明,数字经济具有结构性减排效果,单纯完善数字基础设施并不能降低碳排放,持久发挥数字经济减排作用的关键在于以数字产业化为支撑,加速推进数字化应用,驱动生产生活方式绿色转型。

表11 作用因素异质性检验结果Tab. 11 Results of heterogeneity test of influencing factors

5 研究结论与政策启示

5.1 研究结论

本文以数字经济运行的资源配置效应为切入点,从绿色技术进步视角阐释数字经济发展促进碳减排的理论机制,并基于中国省级和城市面板数据,运用固定效应模型、面板分位数回归模型、空间计量模型和联立方程模型,就数字经济对碳排放的影响进行多维度实证检验。研究发现:第一,数字经济发展对碳排放具有显著促降作用,该结论经过一系列稳健性检验后仍然成立。第二,在地理距离矩阵和经济空间距离矩阵下,数字经济的跨界减排效应显著存在,数字经济不仅对空间关联地区的碳排放发挥负向空间溢出效应,而且通过循环反馈机制降低本地区碳排放水平。第三,机制检验显示,绿色技术创新能力和绿色全要素生产率表征的绿色技术进步表现出技术红利效应,成为数字经济发展推动碳减排的重要途径。第四,在要素市场发育调节下,禀赋结构优化和技术成果市场化水平提高有助于强化数字经济的碳减排效应。第五,异质性分析表明,数字经济对北方地区的碳减排作用显著强于南方地区,但相较于非城市群地区,其减排效应仅在城市群内部显著;数字经济具有结构性减排效果,单纯优化升级数字基础设施并不能有效推动碳减排,而数字产业化发展尤其是生产生活数字化转型是促进碳排放持久下降的动力来源。

5.2 政策启示

本文研究结论可为加快推进数字化转型赋能低碳发展提供政策启示:首先,推动数字经济高质量发展,强化资源配置功能。一方面,在扩大数字基础设施规模的同时,更要注重数字经济发展的质量和效益,培育先进数字产业集群,促进数字技术向经济社会和产业发展各领域广泛深入渗透,谨防规模至上的粗放式推进;另一方面,充分释放数据要素价值,加强数据要素的高质量供给和市场化流通,推动数据技术产品、应用范式、商业模式和体制机制协同创新,以数据流促进研发、生产、流通、服务、消费全价值链高效贯通。其次,建立地区协作机制,形成数字减排的区域合力。鉴于我国省域碳排放具有正向空间依赖性,并且数字经济对碳排放存在负向空间溢出效应,构建低碳发展区域共同体势在必行。充分发挥不同区域优势,将中西部地区的成本优势、资源优势与东部地区的技术、市场和产业优势相结合,健全区域间优势互补、协同发展的长效机制,弥合数字鸿沟,形成数字经济协调发展的区域格局;推动区域间“双碳”行动方案的深度对接,加强政策设计和实施的沟通协调,鼓励跨区域企业形成绿色联盟,促进技术扩散,强化示范效应,共享低碳发展经验。最后,赋能绿色技术进步,激励市场主体开展绿色技术研发。深化物联网、大数据、人工智能、区块链等数字技术在节能环保、清洁能源领域的融合应用,强化技术进步的绿色偏向,通过专项基金、税收减免、政策补贴等激励方式,为绿色技术研发和推广提供资金支持;加大对绿色技术产品的采购力度、绿色技术应用场景的投入力度、技术交易服务体系的建设力度,通过差异化的消费税政策对居民绿色消费行为加以引导,扩大节能低碳产品市场份额。