经济问题探索投稿论文格式参考:数字经济如何影响低碳全要素生产率∗ ———基于产业结构升级的视角

关键词：数字经济;低碳全要素生产率;产业结构升级;空间异质性;空间溢出效应

作者：王冲

作者单位：武汉大学

　　摘　 要: 基于 2011—2021 年中国 30 个省 (区、 市) 的面板数据, 实证检验数字经 济对低碳全要素生产率的直接影响, 并从产业结构升级视角探究其作用机制。 研究表明: 数字经济显著促进了低碳全要素生产率提升, 并且这种促进效应随着低碳全要素生产率 的提高而不断增强, 总体上中国不存在数字经济的 “生产率悖论”。 机制检验显示数字经 济可以通过推动产业结构高级化、 工业结构升级和服务业结构升级, 进而提升低碳全要 素生产率。 异质性检验表明数字经济对低碳全要素生产率的促进效应在中部地区最强, 东部地区次之, 但是在西部和东北地区并不显著。 进一步研究发现数字经济对邻近省份 的低碳全要素生产率存在显著的正向空间溢出效应; 低碳全要素生产率存在明显的绝对 和条件收敛特征, 数字经济可能会促进区域低碳全要素生产率发散。

　　一、问题提出

　　积极应对全球气候异常变化、全面推动国内经济社会低碳转型，是实现人与自然和谐共生的中国式现代化的题中应有之义。随着人工智能、大数据等数字技术对国民经济各个产业部门的渗透，数字经济已成为推动经济增长的 “新引擎”。数字经济重塑了生产生活方式和经济结构，有助于加速技术变革和推动产业结构升级，将为经济低碳转型提供新动能。但值得注意的是，数字技术及数字产业本身也具有高能耗高排放的特征，有学者预测到 2030 年中国数字经济本身所带来的碳排放占比将高达 11.63%（渠慎宁等，2022）。从生产率的视角来看，数字技术应用所带来的收益并未体现在国民经济统计数据中，未能促进生产率提升，从而产生了数字技术或数字经济的 “生产率悖论”（Brynjolfsson 等，2017）。低碳全要素生产率在传统全要素生产率基础上，综合考虑了能源消耗、二氧化碳排放和经济增长，是衡量经济低碳转型的有效指标。基于此，本文尝试回答以下几个问题：一是数字经济能否提升中国的低碳全要素生产率？二是数字经济能否通过促进产业结构升级提升低碳全要素生产率？三是数字经济对低碳全要素生产率的影响是否存在空间差异和溢出效应？这些问题的探究对于回答数字经济的生产率悖论、加快发展方式的绿色低碳转型具有重要的理论和实践意义。

　　随着数字经济的蓬勃发展和全球温室效应的加剧，越来越多的学者开始关注数字经济对碳排放的影响。从碳排放总量来看，部分学者认为数字经济可能会加剧碳排放（Zhang 等，2022；Zhu & Lan，2023），但更多的研究发现数字经济有助于降低碳排放（佘群芝和吴柳，2022；杨刚强等，2023；王彬，2023）。此外，也有文献发现数字经济对碳排放的影响存在先促进后抑制的 “倒 U 型” 规律（王帅龙，2023）。从碳排放强度来看，绝大多数的研究发现数字经济可以通过带动产业结构升级、刺激技术创新等渠道来降低碳排放强度（冯兰刚等，2023；王维国等，2023）。也有学者研究发现数字经济对碳排放强度的影响存在先提高后降低的 “倒 U 型” 特征（Bai 等，2023；Zheng，2023）。从碳排放效率来看，一些学者将实际 GDP 与碳排放总量之比作为碳生产率的衡量指标，研究发现数字经济可以提升碳生产率，促进经济低碳发展（余姗等，2022）。还有部分学者采用 SBM 模型或 EBM 模型测度碳排放效率，发现数字经济能显著提升碳排放效率（董昕和张朝辉；Zhang 等，2022）。此外，从全要素生产率视角来看，王贵东和杨德林（2023）基于中国微观层面的制造企业数据进行实证检验，发现作为信息通信技术核心的互联网有效刺激了全要素生产率增长，中国不存在数字经济的生产率悖论。然而，方颖和余兴锦（2024）采用中国 1991 - 2008 年投入产出表并匹配行业能源消费及环境数据，发现数字化投入虽然可以降低行业的污染和碳排放，但是并未提升企业的全要素生产率，中国存在数字经济的生产率悖论。张微微等（2023）基于中国省级数据发现数字经济显著提升了全要素生产率，并且存在空间溢出效应。

　　从目前的研究进展来看，数字经济的碳减排效应已为大多数学者所证实，但由于数据样本的差异，数字经济对全要素生产率的影响尚未得出较为一致的结论。同时，鲜有学者将能源消耗和碳排放纳入全要素生产率的测算框架，探究数字经济对低碳全要素生产率的作用效果，数字经济的生产率悖论是否存在仍然有待于进一步探究。相较于已有文献，本文的创新之处主要体现在：第一，研究视角的扩展，当前大多数学者的研究主要集中在数字经济对碳排放总量、强度、效率和全要素生产率的影响上，本文探究数字经济对低碳全要素生产率的影响，从而有助于扩展数字经济的生产率悖论的研究视角。第二，影响机制的深化，本文从产业结构升级的视角探究数字经济对低碳全要素生产率的影响路径，已有文献中产业结构升级主要采用产业高级化或合理化指标来衡量，本文补充了工业结构升级和服务业结构升级指标，从而有助于深化数字经济对产业结构内部调整升级这一重要机制的影响。此外，本文进一步考察了数字经济对低碳全要素生产率影响的空间差异、溢出效应和收敛性。

　　二、理论分析与研究假设

　　（一）数字经济与低碳全要素生产率

　　在数字产业化方面，数字基础设施建设可能在短期内增加电力等能源的消费需求，但其反弹效应小于长期的节能效应，总体上可以提高能源效率（Wan 等，2022）。5G、人工智能等数字技术的广泛应用还可能推动新产业新业态的诞生和发展，这些产业通常具有低资源投入和高附加值的优势，可以有效降低生产和消费过程中的能源消耗和二氧化碳排放（Amri 等，2019）。同时，数字产业化能够形成新的经济增长点，为地区的低碳经济转型提供动力支撑。在产业数字化方面，传统产业生产过程中的数字技术应用和数字化改造可以提高资源利用效率，降低制造和管理成本，从而推动地区的节能减排。如 “货车帮” 利用云计算和大数据将全国的货车和货物进行精准匹配，每年可为物流产业节省数百亿元燃油，减少数千万吨碳排放（裴长洪等，2018）。特别是对于高能耗高污染的工业部门，数字产业化有利于促进低碳技术的开发利用和清洁能源的使用，改进工艺流程，从而优化能源消费结构和降低能源强度（康瑾和陈凯华，2021；Xu 等，2022）。数字技术对传统产业在生产和运营环节中的渗透可以淘汰落后产能，并显著降低能源需求。此外，在生活消费端，在线购物、医疗和办公等服务可以减少人们的出行频率，降低交通成本。而基于数字技术的智慧物流和共享出行提高了交通效率，有利于人们形成绿色低碳的生活方式，从而降低生活过程中产生的碳排放。据此，本文提出研究假设 1。 假设 1：数字经济发展可以提升地区的低碳全要素生产率。

　　（二）数字经济、产业结构升级与低碳全要素生产率

　　从产业高级化来看，数字经济具有较强的渗透性，会引导产业结构朝着服务化、高端化方向升级。除了数字产品制造和数字基础设施等少部分产业外，数字经济的核心产业基本都属于第三产业，数字产业化过程本身将促进第三产业发展。供给侧上，数字技术在服务业领域的广泛应用改变了传统服务业贸易限制和在场消费等特征，有利于催生新的服务业态和模式，从而推动产业结构服务化（白雪洁等，2022）。需求侧上，大数据和互联网等数字技术引发以需求为牵引的产业结构变革，导致服务业产值相对于工业增长更快，从而促进产业结构的服务化转型（宋培等，2023）。信息通讯技术（ICT）可以突破时间和空间的限制，ICT 在其他产业部门的应用可以促进整个行业间生产体系实现良性循环，带动高技术产业发展。同时，金融部门与数字技术结合带来的数字普惠金融可以缓解企业的融资约束，助力高技术产业发展，而生产部门与数字技术融合可以推动实体部门的数字化转型，促进产业结构不断优化升级（田秀娟和李睿，2022）。

　　从工业结构升级来看，一方面，物联网、大数据和人工智能等数字技术凭借其高渗透性能够对传统工业生产过程进行全链条的升级改造，驱动低端制造业等朝着数字化、智能化和服务化方向发展（王俊豪和周晟佳，2021）。工业物联网等数字技术可以通过促进工业产业跨区域、跨系统、跨厂区和跨设备的互联互通，推动工业经济资源实现更广范围和更加精准的高效配置，进而降低生产成本并提高工业部门的经济发展效益。另一方面，云计算、互联网等数字技术赋能工业产业部门，可以重塑工业生产流程，催生智慧工厂、平台化设计和共享工厂及柔性化定制等诸多新模式和新业态，从而提升工业生产效率，为产品改进和质量提升提供技术支撑（洪银兴和任保平，2023）。同时，数字化有助于企业整合内部创新资源，促进产品生产和研发设计高效对接，提升企业产能利用率，促进制造业升级（韩国高等，2022）。此外，传统生产要素与数字技术渗透融合可能催生出一批高技术企业，并在市场优胜劣汰的竞争机制下淘汰生产技术落后的企业，促进工业结构升级。

　　从服务业结构升级来看，传统服务行业由于难以采用劳动节约型技术和高效率的机器设备，导致服务业效率低下。数字技术在服务行业的广泛应用有助于提升服务效率，推动服务业向知识和技术密集型转变，促进服务业结构升级。首先，5G、宽带网络等数字基础设施降低了服务业数据要素流动的壁垒，促进了服务业供给者和消费者之间信息的高效对接。对于供给者，信息技术可以缩短时空距离，提升服务效率，促进渠道扁平化，从而扩大服务范围。对于消费者，数字技术有助于消费者快速定位和筛选所需服务，降低搜寻和决策成本。其次，数字产业本身包含了信息传输、计算机服务和软件业等现代服务业，因此数字经济发展会提升现代服务业的比重，优化服务业结构。人工智能、大数据等数字技术的应用还会促进价值共享和资源融通，促使服务业不断衍生出新的组织形态、新的业务环节和新的商业模式（Ancillai 等，2023），如在线医疗、数字金融、远程教育等技术和知识密集型服务业态，从而推动现代服务业快速发展。最后，数字经济发展可以驱动制造业和现代服务业深度融合，降低制造业和服务业的融合壁垒（戴魁早等，2023），推动服务业结构不断升级。

　　随着产业结构的整体升级以及工业部门和服务业部门内部结构的优化升级，高耗能高排放的产业逐步被淘汰，低污染高附加值的产业占比不断提升，从而促进低碳全要素生产率提升。综合上述分析，本文提出研究假设 2： 假设 2：数字经济可以通过推动产业结构高级化、工业结构升级和服务业结构升级提升低碳全要素生产率。

　　三、研究设计

　　（一）模型构建

　　本文将数字经济作为核心解释变量，低碳全要素生产率作为被解释变量，同时纳入一系列其他控制变量，考察数字经济对低碳全要素生产率的直接影响，将基准模型设定为如下形式：

　　采用逐步法进行机制检验难以解决因变量与中介变量之间的内生性问题，学术界对此存在较大争议。因此，本文参考范子英和赵仁杰（2019）的做法进行机制检验，进一步构建如下计量模型：

　　（二）变量选取

　　1.核心解释变量：数字经济

　　本文基于国家统计局颁布的《数字经济及其核心产业统计分类 (2021)》中关于数字经济产业的分类标准，综合考虑数据的可得性和完整性，并参考现有的文献（孙黎和许唯聪，2021；黄赜琳等，2022；白俊红和陈新，2022；史丹和孙光林，2023），从数字产业化和产业数字化两个维度测度各个省份的数字经济发展水平。具体指标如表 1 所示。

　　本文采用全局主成分分析法对指标进行赋权。首先将表 1 中各个指标的原始数据标准化为 0 - 1，然后采用 Bartlett 球形度检验和 KMO 检验论证主成分分析法的适用性，Bartlett 检验的 P 值在 1% 的统计水平上显著，而 KMO 检验值达到 0.834，远高于 0.5，由此表明采用主成分分析法是合适的。最后，基于各个指标的权重计算出数字经济综合指数。

　　图 1 给出了 2011 - 2021 年各省份数字经济指数的算术平均值。数字经济水平最高的省份为上海，其均值达到 0.4547，北京和浙江紧随其后，均值分别为 0.4490 和 0.4177，这也是仅有的均值超过 0.4 的省份。广东、江苏的数字经济均值分别为 0.3433 和 0.3432，属于数字经济发展水平较高的省份。数字经济发展最为滞后的省份有甘肃、云南和新疆，这三个省（区）的均值都在 0.15 以下，其中，甘肃的均值甚至不足 0.13。其余大多数省份的数字经济均值都位于 0.15 至 0.30 之间，其中，河北、山西、内蒙古、吉林和海南等 15 个省（区）的均值低于 0.20，这些省份的数字经济仍然存在较大的发展空间。从地理空间分布来看，数字经济发展水平较高的省份大多位于东南沿海地区，而发展较为落后的省份主要集中在西南、西北和东北地区，这表明数字经济的发展可能与当地经济水平存在密切相关。

　　2.被解释变量：低碳全要素生产率 本文基于数据包络分析方法 (DEA) 测度低碳全要素生产率 (CTFP)。存在二氧化碳排放等非期望产出的情形下，能源消费投入和二氧化碳排放之间通常是 “径向” 关系，但传统的劳动、资本投入和产出之间通常存在 “非径向” 关系，基于 SBM 距离函数的 DEA 方法难以处理同时存在非径向和径向的投入产出关系。因此本文采用 Tone & Tsutsui (2010) 提出的混合距离函数模型，即包含径向距离函数和 SBM 距离函数的混合模型 (Epsilon - Based Measure，EBM) 以克服 SBM 模型的不足。在规模报酬可变 (VRS) 的情况下，其具体计算如式 (3) 所示：

　　在测度低碳全要素生产率的投入产出指标选择上, 综合现有研究和数据的可得性, 选取能源 消费总量、 资本存量和就业人口数作为投入变量, 选取实际 GDP 作为期望产出, 二氧化碳排放量 作为非期望产出。 其中, 资本存量采用永续盘存法计算, 二氧化碳排放参考借鉴董直庆和王辉 (2021) [39] 的研究, 采用 8 类化石燃料 (焦炭、 煤炭、 原油、 煤油、 燃料油、 汽油、 柴油和天然 气) 的二氧化碳排放系数和相应的能源消费量, 并结合 《2006 年 IPCC 国家温室气体清单指南》 进行测度。

　　图 2 给出了各个省份低碳全要素生产率的算术平均值。 低碳全要素生产率最高的省份为四川, 均值达到 1. 2477, 湖北和天津紧随其后, 均值分别为 1. 2024 和 1. 2004。 河南、 江苏和湖南的均值分别为 1. 1953、 1. 1944 和 1. 1876, 属于低碳全要素生产率较高的省份。 而均值低于 1 的有山西、 广西、 海南、 贵州、 甘肃、 青海和新疆这七个省 (区), 其中, 海南的均值仅为 0. 8037, 这些省 份亟须采取措施改变低碳全要素生产率较低的状况; 其余大多数省份的低碳全要素生产率均值都 位于 1. 00-1. 18 之间。 从地理空间分布来看, 低碳全要素生产率较高的省份大多集中在东部和中 部地区, 低碳全要素生产率较低的省份则主要分布在西南和西北地区。

　　3. 控制变量

　　为了缓解遗漏变量问题带来的估计偏误, 本文参考现有研究 (杜雯翠等, 2017; 王慧等, 2020; 屈小娥和骆海燕, 2021) [40-42] , 加入如下控制变量: (1) 能源消费结构 (ECS): 以能源消 费总量中煤炭消费量所占的比重来表征 ECS。 这一指标越高, 说明能源消费结构越不清洁。 (2) 工业所有制结构 (ISOE): 采用国有控股工业企业数量占工业企业总数的比例作为替代指标来衡 量 ISOE。 (3) 外商直接投资 (FDI): 采用实际利用外商直接投资额占 GDP 的比值来衡量 FDI。 (4) 对外直接投资 (OFDI): 以对外直接投资额 (非金融类) 与地区生产总值之比来衡量 OFDI。 (5) 政府环保支持 ( GEPE): 采用地方财政环境保护一般预算支出占 GDP 的百分比来衡量 GEPE。

　　4. 中介变量: 产业结构升级

　　首先, 本文参考李东坤和邓敏 (2016) [43] 的研究, 采用第三产业增加值与第二产业增加值之 比和高技术产业营业收入 (由于高技术产业的产值数据在 2012 年之后不再报告, 因此采用营业收 入进行近似代替) 与工业增加值之比的算术平均值 (ISTR) 作为衡量产业结构高级化的指标。 其 次, 本文采用工业部门中六大高耗能产业 (包括化学原料及化学制品制造业、 非金属矿物制品业、 石油加工炼焦及核燃料加工业、 有色金属冶炼及压延加工业、 黑色金属冶炼及压延加工业、 电力 热力的生产和供应业) 营业收入所占的比重 (HECI) 作为衡量工业结构升级的指标。 这个变量为 反向指标, 高能耗产业的占比越低, 表明工业产业趋向于低能耗低碳发展, 工业结构升级程度越 高。 最后, 本文借鉴戴魁早等 (2023) [31] 的研究, 采用第三产业中现代服务业就业人员所占的比 重 (SERI) 来衡量服务业结构升级。 其中, 现代服务业包括信息传输、 计算机服务和软件业, 交 通运输、 仓储及邮政业, 租赁和商业服务业, 房地产业, 金融业, 科学研究、 技术服务和地质勘探 业, 文化、 体育和娱乐业。 现代服务业占比越高, 表明服务业结构升级程度越高。

　　(三) 数据来源与变量描述性统计

　　由于数字经济测度中部分指标的原始数据从 2011 年才开始报告, 因此本文综合考虑数据的连 续性和可得性, 选择 2011—2021 年中国 30 个省 (区、 市) (未含西藏和港澳台) 作为主要研究样本。 各省二氧化碳排放计算所需的原始数据来源于 《中国能源统计年鉴》。 数字经济测度所需的数 据来源于 《中国统计年鉴》 《中国工业统计年鉴》 《中国高技术产业统计年鉴》 以及国家统计局网 站。 其余变量计算所需的数据来源于 《中国第三产业统计年鉴》 《中国对外直接投资统计公报》 和各省历年统计年鉴。 对于部分变量在少数年份的数据缺失, 本论文采用插值法或以年平均增长 率进行推测和补充。 表 2 给出了所有变量的描述性统计

　　本文首先对核心解释变量数字经济与被解释变量低碳全要素生产率的相关关系进行初步判断。 图 3 为加入控制变量之后的分仓散点图。 通过散点图发现各省的低碳全要素生产率随着数字经济 发展水平的提高而不断增长, 二者呈现出显著的正相关关系, 表明数字经济总体上促进了低碳全 要素生产率提升。 当然, 更为严谨的因果关系有待于进一步通过精确的计量方法进行验证。

　　四、 实证结果与讨论 (一) 基准回归结果分析 本文首先考察数字经济对低碳全要素生产率的直接影响。 表 3 列 (1) -(2) 的回归结果显示,数字经济的估计系数均在 1%的统计水平下显著为正, 数字经济指数每提高一个单位, 低碳全要素 生产率增长约 0. 5382, 表明数字经济可以显著提升低碳全要素生产率, 由此验证研究假设 1。 此 外, 本文将低碳全要素生产率分解为低碳技术效率和低碳技术进步, 分别将其作为被解释变量进 行回归, 估计结果如表 3 列 (3) -(6) 所示。 研究发现, 加入控制变量后, 数字经济对低碳技术 效率的回归系数虽然为正, 并未通过显著性检验, 且拟合值较低, 而数字经济对低碳技术进步的 回归系数在 1%的统计水平通过了显著性检验。 上述结果表明, 数字经济主要通过促进低碳技术进 步推动低碳全要素生产率提升, 但是数字经济对低碳技术效率的促进效应尚不明显。

　　(二) 内生性问题处理 内生性一直是实证研究中难以回避的重要问题。 内生性问题主要来自两个方面: 一是逆向因 果。 由于在低碳全要素生产率指标的测度体系构建中纳入了资本存量、 就业人口数和能源消费总 量、 地区生产总值等与经济发展水平高度相关的数据。 因此, 低碳全要素生产率会受到地区经济 发展水平的影响。 与此同时, 数字经济发展又与地区经济发达程度密切相关, 低碳全要素生产高 可能意味着更高的数字经济水平, 二者存在双向因果关系。 二是遗漏变量。 虽然在回归过程中, 本文加入了一系列省份经济特征变量, 并控制了省份和时间固定效应, 但仍然难以避免遗漏某些 不可观测变量的影响。 因此, 本文考虑使用额外的工具变量 ( IV) 进行估计。 有效的工具变量应 该同时满足相关性和排他性这两个条件。

　　本文参考黄群慧等 (2019) [44] 的研究, 选择 1998 年各 省邮局密度和人均固定电话用户作为工具变量。 首先, 数字经济发展依赖于现代信息通讯技术, 在现代信息通讯技术普及之前, 信息传输主要依靠邮局和固定电话, 从而满足相关性要求。 其次, 随着现代信息通讯技术的快速发展, 历史上作为主要通讯手段的固定电话和邮局已经难以对现在的低碳全要素生产率产生直接影响, 从而满足排他性条件。 由于这两个工具变量都是截面数据, 而研究样本为面板数据。 因此, 本文参考 Nunn & Qian (2014) [45] 的研究, 分别构建邮局密度 (IV1)、 人均固定电话用户 (IV2) 与各省上一期信息通讯 技术产业固定资产投资额之间的交互项, 从而将截面数据转化为面板数据, 并使用 IV-2SLS 进行 估计。 表 4 第一阶段的估计结果显示, IV1 和 IV2 均与数字经济显著正相关, 同时 Kleibergen-Paap rk(KPR)Wald F 和 LM 统计量分别通过了弱工具变量检验和不可识别检验, 表明本文选择的两个 工具变量都合理有效。 第二阶段的估计结果显示, 数字经济的回归系数在 1%的统计水平下显著为 0. 8065。 此外, 本文采用有限信息极大似然法 (LIML) 和广义矩估计 (GMM) 以克服 2SLS 估计 中可能存在的异方差问题, 数字经济的回归系数也都显著为正。 上述结果表明, 在控制了内生性 问题后, 本文的核心研究结论仍然成立。

　　(三) 稳健性检验

　　1. 替换变量。 首先, 本文参考孙博文和张友国 (2022) [46] 的研究, 采用时空极差熵值法重 新测度数字经济测度指标的权重, 进而加权计算出数字经济综合指数, 并将其作为衡量数字经济 的替代指标。 其次, 基于规模报酬不变条件的 EBM-GML 模型重新测度低碳全要素生产率。 本文 分别将这两个替代指标代入基准模型进行回归, 表 5 列 (1) -(2) 的估计结果显示, 数字经济的 估计系数依然显著为正。 由此表明在替换核心解释变量和被解释变量的情形下, 基准结论依然 稳健。

　　2. 更换估计样本。 考虑到 2020 年爆发的 “新冠疫情” 会对经济活动产生影响, 本文剔除了 2020 和 2021 年的数据, 截取 2011—2019 年作为研究样本重新进行估计, 结果如表 5 列 (3) 所 示。 研究发现在排除外在冲击可能的影响后, 数字经济对低碳全要素生产率的促进效应依然显著。

　　3. 改变估计方法。 考虑到低碳全要素生产率的动态累积性, 本文将被解释变量低碳全要素生 产率的一阶滞后项纳入基准计量模型, 进一步构建动态面板数据模型。 鉴于两步系统 GMM 估计在 处理异方差和截面相关等方面具有较强的稳健性, 因此, 本文将数字经济的高阶滞后项作为工具 变量, 采用两步系统 GMM 对动态面板模型进行回归。 同时采用动态 OLS、 动态 FE 进行估计作为 参照, 结果如表 5 列 (4)-(6) 所示。 通过比较回归结果可知, 系统 GMM 估计结果的一阶滞后项 (L.CTFP) 的系数介于动态 FE 和动态 OLS 的估计结果之间, 这表明系统 GMM 回归结果并没有因 为工具变量较弱或者样本数量较小而产生较大的偏差。 数字经济的系数依然在 1%的统计水平下为 0. 0376, 从而验证基准回归结果是稳健的。

　　(四) 面板分位数回归

　　上文讨论的是数字经济在均值条件下对低碳全要素生产率的平均影响, 但在低碳经济发展的 不同阶段, 数字经济的促进效应可能存在差异。 为此, 本文采用面板分位数回归模型检验不同分 位点处数字经济对低碳全要素生产率的边际作用。 本文选取 0. 10、 0. 25、 0. 50、 0. 75 和 0. 90 这五 个具有代表性的分位点进行分析, 具体结果如表 6 所示。 在低碳全要素生产率的不同分位点上, 数字经济对低碳全要素生产率的回归系数均显著为正, 进一步验证了基准回归结果的稳健性。 估 计系数的大小从 0. 10 分位点的 0. 4883 逐步提高至 0. 90 分位点的 0. 5952, 表明数字经济对低碳全 要素生产率的促进效应随着低碳全要素生产率的提高呈现出逐渐增强的规律, 换言之, 在低碳全 要素生产率更高的省份发展数字经济更有利于提升低碳全要素生产率。

　　(五) 产业结构升级机制检验

　　首先, 本文检验数字经济对产业结构高级化的影响。 表 7 列 (1) 的结果显示, 数字经济的估 计系数在 1%的统计水平显著为 0. 7256。 由此可见, 数字经济可以有效促进产业结构由第二产业向 第三产业演进, 推动高技术产业发展, 从而实现节能减排和提升低碳全要素生产率。 其次, 本文 考察数字经济对工业结构升级的影响。 列 (2) 的结果显示, 数字经济的估计系数在 1%的统计水 平下显著为负, 数字经济每提升一个单位, 促使高能耗产业的营业收入占比下降了 0. 6806。 由此表明, 数字经济发展可以有效淘汰能耗较高的落后工业产能, 推动工业结构升级, 进而提升低碳 全要素生产率。 最后, 本文检验数字经济对服务业结构升级的影响。 列 (3) 的结果显示, 数字经 济的估计系数在 5%的统计水平下显著为正, 数字经济每增加一个单位, 促使第三产业中现代服务 业从业人员的占比提高了 0. 1380。 由此表明, 数字经济可以有效带动现代服务业发展, 促进服务 业结构升级, 而服务业结构升级可以优化供需匹配、 节约资源投入和提升服务产业附加值, 进而 促进低碳全要素生产率提升。 此外, 为了保障研究结论的可靠性, 本文进一步采用 IV-2SLS 进行 估计, 结果如表 7 列 (4) -(6) 所示。 研究发现数字经济的回归系数均通过了 1%的统计水平检 验, 符号方向与固定效应模型估计结果一致, 表明机制检验结果是稳健的, 由此验证研究假设 2。

　　五、 进一步研究: 空间异质性、 溢出效应和收敛性

　　(一) 空间异质性分析

　　中国是一个幅员辽阔的发展中大国, 不同地区在自然资源禀赋、 人口集聚程度、 经济发展水 平等方面存在巨大差异。 首先, 从区位条件来看, 东部地区凭借其交通便利的区位优势, 通过吸 引外商直接投资以及对外贸易的方式吸收国外先进技术和管理经验, 东部省份在经济基础、 市场 化程度和科技水平等方面均领先于内陆省份, 中国经济呈现出显著的空间梯度格局。 本论文首先 根据国家统计局关于四大经济区域的划分标准, 并参考王冲和王磊 (2023) [47] 的研究, 采用构造 区域虚拟变量 (Region) 的方式进行空间异质性检验。 具体地, 当检验东部地区数字经济对低碳全要素生产率的影响时, 将位于东部地区的 10 个省份赋值为 1, 其余省份则赋值为 0, 以此类推, 分别构造东部、 中部、 西部和东北地区①四类虚拟变量与数字经济的交互项。 具体的计量模型设定 如下:

　　式 (8) 中, Regionk 代表区域虚拟变量, π1 表示东部地区数字经济对低碳全要素生产率的回 归系数, π2 表示中部地区的回归系数, π3 和 π4 分别表示西部和东北地区的估计系数。

　　表 8 的估计结果显示, 在东部和中部地区, 数字经济对低碳全要素生产率的回归系数分别为 0. 5483 和 0. 9206, 均在 1%的统计水平下显著。 在西部和东北地区, 数字经济的估计系数分别为 0. 2269 和 0. 2093, 但均未通过显著性检验。 可能的解释是, 中部地区低碳全要素生产率的均值最 高, 数字经济也呈现蓬勃发展态势, 数字经济对低碳全要素生产率的边际促进效应最强。 东部地 区在经济发达程度、 数字经济水平、 科教资源和人力资本等方面均处于领先地位, 因此数字经济 对低碳全要素生产率也表现出较强的促进作用。 而西部和东北地区在数字经济水平、 低碳经济发 展状况和其他禀赋条件等方面均比较薄弱, 因此数字经济对低碳全要素生产率的促进效应尚未发 挥出来。

　　(二) 空间溢出效应分析

　　数字经济有助于加快劳动、 资本和知识技术等要素的流动, 这不仅会促进生产要素在本地区 的集聚和扩散, 还可能对邻近地区产生技术溢出或技术冲击效应。 此外, 一个省份的低碳全要素 生产率也可能受到邻近省份的影响, 从而导致残差项具有潜在相关性 (张华, 2020) [48] 。 基于此, 本文首先计算出基准模型估计的残差项, 然后根据省份是否相邻和省会城市的经纬度信息测量各 省之间的地理距离, 分别构造 0-1 邻接矩阵和反距离权重矩阵, 最后基于两类矩阵检验残差项的 全局莫兰指数。 从表 9 可以看出, Moran’s I 指数均在不同统计水平下通过了显著性检验, 说明数 字经济对低碳全要素生产率的影响存在空间关联, 有必要进一步进行空间计量分析。

　　接下来, 本文构建空间计量模型检验数字经济对邻近省份低碳全要素生产率的溢出效应, 具 体模型设定如下:

　　在式 (9) 中, W 表示空间权重矩阵, ρ 代表空间自相关系数。 其余变量的设置与基准模型保 持一致。 Hausman 检验和 LR 检验的结果表明应该采用空间杜宾模型进行估计。

　　将总效应分解为本地效应和溢出效应。 表 10 中基于 0-1 权重矩阵的估计结果显示, 本地效应 中, 数字经济的回归系数在 10%的统计水平下显著为正, 而在溢出效应和总效应中, 数字经济的 估计系数均在 1%的统计水平下为正。 数字经济每增加一个单位, 促进本省份的低碳全要素生产率 提升约 0. 2705, 同时带动所有省份的低碳全要素生产率提升约 1. 6053, 换言之, 平均每个省份的 低碳全要素生产率可以提升约 0. 0535 (1. 6053 / 30)。 基于反距离权重矩阵的估计结果显示, 数字 经济每提高一个单位, 本省份的低碳全要素生产率增加约 0. 4188, 促进所有省份的低碳全要素生 产率增长约 3. 9865, 即平均每个省份的低碳全要素生产率提升约 0. 1329。 综上所述, 两类空间权 重矩阵下的估计结果均表明, 数字经济不仅可以有效促进本省份的低碳全要素生产率增长, 还对 邻近省份低碳全要素生产率存在显著的正向空间溢出效应, 从而带动邻近省份共同实现低碳经济 发展。

　　为了进一步验证结论的稳健性, 本文参考余典范等 (2023) [49] 的研究, 将与某一省份相邻所 有省份的低碳全要素生产率的算术平均值作为该省份的被解释变量, 采用双固定效应模型考察数 字经济对相邻省份的空间溢出效应。 表 11 列 (1)-(2) 的结果显示, 无论是否加入控制变量, 数 字经济对相邻省份的低碳全要素生产率的回归系数均在 1%的统计水平下显著为正。 此外, 本文还 将某一省份省会城市和其他省会城市距离的倒数作为权重, 计算出低碳全要素生产率的加权平均 值, 并将其作为该省份的被解释变量进行回归。 列 (3) -(4) 的结果显示, 数字经济的回归系数 也在 1%的统计水平下显著为正。 上述结果表明, 数字经济对邻近省份低碳全要素生产率的正向溢 出效应是显著存在的。

　　(三) 收敛性分析

　　早期的经济收敛理论用以研究不同国家之间的经济增长差异, 随后逐步应用于其他经济领域。 本文拟采用绝对收敛模型考察低碳全要素生产率较低的地区是否具有更快的增长速度, 将基本计 量模型设定如下:

　　式 (10) 中, CTFPit 和 CTFPi(t+1) 分别代表 i 省份 t 和 t+1 时期的低碳全要素生产率, α 为常 数项, μi、 νt 分别用以控制省份和时间效应。 β 为收敛系数, 如果 β 显著小于 0, 说明无论初始条 件如何, 各省份的低碳全要素生产率都将无条件收敛至相同的稳定状态, 即 CTFP 存在绝对 β 收 敛。 否则, 不存在绝对 β 收敛。

　　从表 12 列 (1) 的估计结果来看, β 收敛系数在 1%的统计水平下显著为负, 说明低碳全要素 生产率存在明显的绝对 β 收敛特征。 低碳全要素生产率的收敛不仅与初始效率水平相关, 还可能 受到其他因素的影响。 本文在公式 (10) 的基础上分别加入数字经济和其他控制变量, 采用条件 β 收敛模型再次进行估计。 表 12 列 (2) 的估计结果显示, β 收敛系数为-0. 0667, 在 1%的统计 水平下显著为负, 数字经济的估计系数在 10%的统计水平下显著为正。 列 (3) 进一步加入其他控 制变量后, β 收敛系数分别为-0. 0553, 在 5%的统计水平下显著为负。 上述估计结果表明低碳全 要素生产率存在显著的条件 β 收敛, 数字经济在某种程度上可能会促进区域低碳全要素生产率发 散, 但这一结论并不稳健。 可能的原因是, 一方面, 数字经济对低碳全要素生产率的促进效应在 不同区域存在较大差距, 这可能导致生产率出现发散; 另一方面, 数字经济对邻近省份的经济低 碳发展存在显著的正向空间溢出效应, 这可能促进低碳全要素生产率收敛。 因此, 究竟是促进收 敛还是发散取决于这两种效应的大小。 此外, 其他控制变量的回归系数均不显著, 对低碳全要素 生产率的收敛或发散并未产生明显作用。

　　六、 结论与政策建议

　　目前, 大数据、 人工智能、 云计算和工业互联网等数字技术正加速向各个实体经济部门渗透, 数字经济与实体经济融合发展趋势明显。 在此背景下, 考察数字经济对低碳全要素生产率的影响 具有重要实践意义。 本文利用 2011—2021 年 30 个省 (区、 市) 的面板数据, 实证检验数字经济 对低碳全要素生产率的影响及其传导路径。 研究主要得出如下结论: (1) 数字经济显著促进了低 碳全要素生产率提升, 并且这种促进效应随着低碳全要素生产率的提高而不断增强, 总体上数字 经济的 “生产率悖论” 并不存在。 (2) 数字经济可以通过推动产业结构高级化、 工业结构升级和 服务业结构升级, 进而提升低碳全要素生产率。 (3) 数字经济对低碳全要素生产率的促进效应在 中部地区最强, 东部地区次之, 但是在西部和东北地区并不显著。 (4) 数字经济对邻近省份的低 碳全要素生产率存在显著的正向空间溢出效应; 低碳全要素生产率存在明显的绝对和条件收敛特 征, 数字经济可能会促进区域低碳全要素生产率发散。

　　基于上述研究结论, 本文给出如下政策建议:

　　第一, 夯实数字经济的发展基础, 加快推动区域经济低碳转型。 经济基础和科教实力较为雄 厚的东部发达省份需要进一步加大研发资金、 创新人才和科技资源投入, 优先布局和实施一批数 字技术研发项目, 组织高校、 科研院所和企业开展协同创新和技术攻关, 力争在数控机床、 大数 据、 云计算、 人工智能和工业互联网等关键核心数字技术领域取得重大突破。 加快培育具有国际 竞争力的数字创新型企业, 推动数字技术的产业化市场化进程, 为促进数字产业化发展提供强有 力的支撑, 进一步增强数字经济对低碳全要素生产率的促进作用。 中西部及东北地区的经济欠发 达省份则需要进一步扩大数字技术的普及和应用范围, 加大对传统产业的数字化改造力度, 大力 推动数字技术与传统产业深度融合, 释放数字经济对低碳全要素生产率的促进效应。

　　第二, 发挥数字经济对产业结构升级的推动作用, 畅通传导路径。 各地区应根据 “十四五” 规划相关要求, 制定包括产业结构整体升级和内部结构优化的发展方案, 通过传统产业的数字化 升级和数字产业自身的核心技术突破, 带动现代服务业和先进智能制造业融合发展, 提升产业结 构的高级化水平。 着力推动工业互联网和大数据等数字技术在工业生产领域的应用, 强化传统工 业特别是高能耗重污染工业行业的数字化改造, 加快淘汰高能耗工业产能和促进工业发展新旧动能转化。 对于服务业, 应加强数字基础设施平台建设, 破除服务业内部的信息流动障碍, 促进市 场供需匹配, 加强对传统服务业的全链条、 全方位数字化改造, 并创新服务业新模式、 新业态, 推动服务业朝着高端化和现代化升级。

　　第三, 利用数字经济加强创新合作和优化产业布局, 强化溢出效应。 地方政府应该充分利用 数字经济可以突破地理和时间限制的优势, 利用数字技术共同构建跨区域的合作创新网络, 增强 不同创新主体之间的时空邻近性, 降低合作创新的壁垒和成本, 促进知识和创新要素在地区间实 现互联互通, 最大程度发挥数字经济水平较高省份对邻近省份的技术扩散效应。 同时, 各省份需 要因地制宜发挥自身比较优势, 利用数据要素和数字技术深化跨区域的产业分工和合作, 降低不 同地区间的产业同构程度, 减少因重复建设导致资源的无效损失, 协同促进国内经济低碳转型。