關鍵詞：數字經濟;低碳全要素生產率;產業結構升級;空間異質性;空間溢出效應

作者：王沖

作者單位：武漢大學

　　摘　 要: 基于 2011—2021 年中國 30 個省 (區、 市) 的面板數據, 實證檢驗數字經 濟對低碳全要素生產率的直接影響, 并從產業結構升級視角探究其作用機制。 研究表明: 數字經濟顯著促進了低碳全要素生產率提升, 并且這種促進效應隨著低碳全要素生產率 的提高而不斷增強, 總體上中國不存在數字經濟的 “生產率悖論”。 機制檢驗顯示數字經 濟可以通過推動產業結構高級化、 工業結構升級和服務業結構升級, 進而提升低碳全要 素生產率。 異質性檢驗表明數字經濟對低碳全要素生產率的促進效應在中部地區最強, 東部地區次之, 但是在西部和東北地區并不顯著。 進一步研究發現數字經濟對鄰近省份 的低碳全要素生產率存在顯著的正向空間溢出效應; 低碳全要素生產率存在明顯的絕對 和條件收斂特征, 數字經濟可能會促進區域低碳全要素生產率發散。

　　一、問題提出

　　積極應對全球氣候異常變化、全面推動國內經濟社會低碳轉型，是實現人與自然和諧共生的中國式現代化的題中應有之義。隨著人工智能、大數據等數字技術對國民經濟各個產業部門的滲透，數字經濟已成為推動經濟增長的 “新引擎”。數字經濟重塑了生產生活方式和經濟結構，有助于加速技術變革和推動產業結構升級，將為經濟低碳轉型提供新動能。但值得注意的是，數字技術及數字產業本身也具有高能耗高排放的特征，有學者預測到 2030 年中國數字經濟本身所帶來的碳排放占比將高達 11.63%（渠慎寧等，2022）。從生產率的視角來看，數字技術應用所帶來的收益并未體現在國民經濟統計數據中，未能促進生產率提升，從而產生了數字技術或數字經濟的 “生產率悖論”（Brynjolfsson 等，2017）。低碳全要素生產率在傳統全要素生產率基礎上，綜合考慮了能源消耗、二氧化碳排放和經濟增長，是衡量經濟低碳轉型的有效指標。基于此，本文嘗試回答以下幾個問題：一是數字經濟能否提升中國的低碳全要素生產率？二是數字經濟能否通過促進產業結構升級提升低碳全要素生產率？三是數字經濟對低碳全要素生產率的影響是否存在空間差異和溢出效應？這些問題的探究對于回答數字經濟的生產率悖論、加快發展方式的綠色低碳轉型具有重要的理論和實踐意義。

　　隨著數字經濟的蓬勃發展和全球溫室效應的加劇，越來越多的學者開始關注數字經濟對碳排放的影響。從碳排放總量來看，部分學者認為數字經濟可能會加劇碳排放（Zhang 等，2022；Zhu & Lan，2023），但更多的研究發現數字經濟有助于降低碳排放（佘群芝和吳柳，2022；楊剛強等，2023；王彬，2023）。此外，也有文獻發現數字經濟對碳排放的影響存在先促進后抑制的 “倒 U 型” 規律（王帥龍，2023）。從碳排放強度來看，絕大多數的研究發現數字經濟可以通過帶動產業結構升級、刺激技術創新等渠道來降低碳排放強度（馮蘭剛等，2023；王維國等，2023）。也有學者研究發現數字經濟對碳排放強度的影響存在先提高后降低的 “倒 U 型” 特征（Bai 等，2023；Zheng，2023）。從碳排放效率來看，一些學者將實際 GDP 與碳排放總量之比作為碳生產率的衡量指標，研究發現數字經濟可以提升碳生產率，促進經濟低碳發展（余姍等，2022）。還有部分學者采用 SBM 模型或 EBM 模型測度碳排放效率，發現數字經濟能顯著提升碳排放效率（董昕和張朝輝；Zhang 等，2022）。此外，從全要素生產率視角來看，王貴東和楊德林（2023）基于中國微觀層面的制造企業數據進行實證檢驗，發現作為信息通信技術核心的互聯網有效刺激了全要素生產率增長，中國不存在數字經濟的生產率悖論。然而，方穎和余興錦（2024）采用中國 1991 - 2008 年投入產出表并匹配行業能源消費及環境數據，發現數字化投入雖然可以降低行業的污染和碳排放，但是并未提升企業的全要素生產率，中國存在數字經濟的生產率悖論。張微微等（2023）基于中國省級數據發現數字經濟顯著提升了全要素生產率，并且存在空間溢出效應。

　　從目前的研究進展來看，數字經濟的碳減排效應已為大多數學者所證實，但由于數據樣本的差異，數字經濟對全要素生產率的影響尚未得出較為一致的結論。同時，鮮有學者將能源消耗和碳排放納入全要素生產率的測算框架，探究數字經濟對低碳全要素生產率的作用效果，數字經濟的生產率悖論是否存在仍然有待于進一步探究。相較于已有文獻，本文的創新之處主要體現在：第一，研究視角的擴展，當前大多數學者的研究主要集中在數字經濟對碳排放總量、強度、效率和全要素生產率的影響上，本文探究數字經濟對低碳全要素生產率的影響，從而有助于擴展數字經濟的生產率悖論的研究視角。第二，影響機制的深化，本文從產業結構升級的視角探究數字經濟對低碳全要素生產率的影響路徑，已有文獻中產業結構升級主要采用產業高級化或合理化指標來衡量，本文補充了工業結構升級和服務業結構升級指標，從而有助于深化數字經濟對產業結構內部調整升級這一重要機制的影響。此外，本文進一步考察了數字經濟對低碳全要素生產率影響的空間差異、溢出效應和收斂性。

　　二、理論分析與研究假設

　　（一）數字經濟與低碳全要素生產率

　　在數字產業化方面，數字基礎設施建設可能在短期內增加電力等能源的消費需求，但其反彈效應小于長期的節能效應，總體上可以提高能源效率（Wan 等，2022）。5G、人工智能等數字技術的廣泛應用還可能推動新產業新業態的誕生和發展，這些產業通常具有低資源投入和高附加值的優勢，可以有效降低生產和消費過程中的能源消耗和二氧化碳排放（Amri 等，2019）。同時，數字產業化能夠形成新的經濟增長點，為地區的低碳經濟轉型提供動力支撐。在產業數字化方面，傳統產業生產過程中的數字技術應用和數字化改造可以提高資源利用效率，降低制造和管理成本，從而推動地區的節能減排。如 “貨車幫” 利用云計算和大數據將全國的貨車和貨物進行精準匹配，每年可為物流產業節省數百億元燃油，減少數千萬噸碳排放（裴長洪等，2018）。特別是對于高能耗高污染的工業部門，數字產業化有利于促進低碳技術的開發利用和清潔能源的使用，改進工藝流程，從而優化能源消費結構和降低能源強度（康瑾和陳凱華，2021；Xu 等，2022）。數字技術對傳統產業在生產和運營環節中的滲透可以淘汰落后產能，并顯著降低能源需求。此外，在生活消費端，在線購物、醫療和辦公等服務可以減少人們的出行頻率，降低交通成本。而基于數字技術的智慧物流和共享出行提高了交通效率，有利于人們形成綠色低碳的生活方式，從而降低生活過程中產生的碳排放。據此，本文提出研究假設 1。 假設 1：數字經濟發展可以提升地區的低碳全要素生產率。

　　（二）數字經濟、產業結構升級與低碳全要素生產率

　　從產業高級化來看，數字經濟具有較強的滲透性，會引導產業結構朝著服務化、高端化方向升級。除了數字產品制造和數字基礎設施等少部分產業外，數字經濟的核心產業基本都屬于第三產業，數字產業化過程本身將促進第三產業發展。供給側上，數字技術在服務業領域的廣泛應用改變了傳統服務業貿易限制和在場消費等特征，有利于催生新的服務業態和模式，從而推動產業結構服務化（白雪潔等，2022）。需求側上，大數據和互聯網等數字技術引發以需求為牽引的產業結構變革，導致服務業產值相對于工業增長更快，從而促進產業結構的服務化轉型（宋培等，2023）。信息通訊技術（ICT）可以突破時間和空間的限制，ICT 在其他產業部門的應用可以促進整個行業間生產體系實現良性循環，帶動高技術產業發展。同時，金融部門與數字技術結合帶來的數字普惠金融可以緩解企業的融資約束，助力高技術產業發展，而生產部門與數字技術融合可以推動實體部門的數字化轉型，促進產業結構不斷優化升級（田秀娟和李睿，2022）。

　　從工業結構升級來看，一方面，物聯網、大數據和人工智能等數字技術憑借其高滲透性能夠對傳統工業生產過程進行全鏈條的升級改造，驅動低端制造業等朝著數字化、智能化和服務化方向發展（王俊豪和周晟佳，2021）。工業物聯網等數字技術可以通過促進工業產業跨區域、跨系統、跨廠區和跨設備的互聯互通，推動工業經濟資源實現更廣范圍和更加精準的高效配置，進而降低生產成本并提高工業部門的經濟發展效益。另一方面，云計算、互聯網等數字技術賦能工業產業部門，可以重塑工業生產流程，催生智慧工廠、平臺化設計和共享工廠及柔性化定制等諸多新模式和新業態，從而提升工業生產效率，為產品改進和質量提升提供技術支撐（洪銀興和任保平，2023）。同時，數字化有助于企業整合內部創新資源，促進產品生產和研發設計高效對接，提升企業產能利用率，促進制造業升級（韓國高等，2022）。此外，傳統生產要素與數字技術滲透融合可能催生出一批高技術企業，并在市場優勝劣汰的競爭機制下淘汰生產技術落后的企業，促進工業結構升級。

　　從服務業結構升級來看，傳統服務行業由于難以采用勞動節約型技術和高效率的機器設備，導致服務業效率低下。數字技術在服務行業的廣泛應用有助于提升服務效率，推動服務業向知識和技術密集型轉變，促進服務業結構升級。首先，5G、寬帶網絡等數字基礎設施降低了服務業數據要素流動的壁壘，促進了服務業供給者和消費者之間信息的高效對接。對于供給者，信息技術可以縮短時空距離，提升服務效率，促進渠道扁平化，從而擴大服務范圍。對于消費者，數字技術有助于消費者快速定位和篩選所需服務，降低搜尋和決策成本。其次，數字產業本身包含了信息傳輸、計算機服務和軟件業等現代服務業，因此數字經濟發展會提升現代服務業的比重，優化服務業結構。人工智能、大數據等數字技術的應用還會促進價值共享和資源融通，促使服務業不斷衍生出新的組織形態、新的業務環節和新的商業模式（Ancillai 等，2023），如在線醫療、數字金融、遠程教育等技術和知識密集型服務業態，從而推動現代服務業快速發展。最后，數字經濟發展可以驅動制造業和現代服務業深度融合，降低制造業和服務業的融合壁壘（戴魁早等，2023），推動服務業結構不斷升級。

　　隨著產業結構的整體升級以及工業部門和服務業部門內部結構的優化升級，高耗能高排放的產業逐步被淘汰，低污染高附加值的產業占比不斷提升，從而促進低碳全要素生產率提升。綜合上述分析，本文提出研究假設 2： 假設 2：數字經濟可以通過推動產業結構高級化、工業結構升級和服務業結構升級提升低碳全要素生產率。

　　三、研究設計

　　（一）模型構建

　　本文將數字經濟作為核心解釋變量，低碳全要素生產率作為被解釋變量，同時納入一系列其他控制變量，考察數字經濟對低碳全要素生產率的直接影響，將基準模型設定為如下形式：

　　采用逐步法進行機制檢驗難以解決因變量與中介變量之間的內生性問題，學術界對此存在較大爭議。因此，本文參考范子英和趙仁杰（2019）的做法進行機制檢驗，進一步構建如下計量模型：

　　（二）變量選取

　　1.核心解釋變量：數字經濟

　　本文基于國家統計局頒布的《數字經濟及其核心產業統計分類 (2021)》中關于數字經濟產業的分類標準，綜合考慮數據的可得性和完整性，并參考現有的文獻（孫黎和許唯聰，2021；黃賾琳等，2022；白俊紅和陳新，2022；史丹和孫光林，2023），從數字產業化和產業數字化兩個維度測度各個省份的數字經濟發展水平。具體指標如表 1 所示。

　　本文采用全局主成分分析法對指標進行賦權。首先將表 1 中各個指標的原始數據標準化為 0 - 1，然后采用 Bartlett 球形度檢驗和 KMO 檢驗論證主成分分析法的適用性，Bartlett 檢驗的 P 值在 1% 的統計水平上顯著，而 KMO 檢驗值達到 0.834，遠高于 0.5，由此表明采用主成分分析法是合適的。最后，基于各個指標的權重計算出數字經濟綜合指數。

　　圖 1 給出了 2011 - 2021 年各省份數字經濟指數的算術平均值。數字經濟水平最高的省份為上海，其均值達到 0.4547，北京和浙江緊隨其后，均值分別為 0.4490 和 0.4177，這也是僅有的均值超過 0.4 的省份。廣東、江蘇的數字經濟均值分別為 0.3433 和 0.3432，屬于數字經濟發展水平較高的省份。數字經濟發展最為滯后的省份有甘肅、云南和新疆，這三個省（區）的均值都在 0.15 以下，其中，甘肅的均值甚至不足 0.13。其余大多數省份的數字經濟均值都位于 0.15 至 0.30 之間，其中，河北、山西、內蒙古、吉林和海南等 15 個省（區）的均值低于 0.20，這些省份的數字經濟仍然存在較大的發展空間。從地理空間分布來看，數字經濟發展水平較高的省份大多位于東南沿海地區，而發展較為落后的省份主要集中在西南、西北和東北地區，這表明數字經濟的發展可能與當地經濟水平存在密切相關。

　　2.被解釋變量：低碳全要素生產率 本文基于數據包絡分析方法 (DEA) 測度低碳全要素生產率 (CTFP)。存在二氧化碳排放等非期望產出的情形下，能源消費投入和二氧化碳排放之間通常是 “徑向” 關系，但傳統的勞動、資本投入和產出之間通常存在 “非徑向” 關系，基于 SBM 距離函數的 DEA 方法難以處理同時存在非徑向和徑向的投入產出關系。因此本文采用 Tone & Tsutsui (2010) 提出的混合距離函數模型，即包含徑向距離函數和 SBM 距離函數的混合模型 (Epsilon - Based Measure，EBM) 以克服 SBM 模型的不足。在規模報酬可變 (VRS) 的情況下，其具體計算如式 (3) 所示：

　　在測度低碳全要素生產率的投入產出指標選擇上, 綜合現有研究和數據的可得性, 選取能源 消費總量、 資本存量和就業人口數作為投入變量, 選取實際 GDP 作為期望產出, 二氧化碳排放量 作為非期望產出。 其中, 資本存量采用永續盤存法計算, 二氧化碳排放參考借鑒董直慶和王輝 (2021) [39] 的研究, 采用 8 類化石燃料 (焦炭、 煤炭、 原油、 煤油、 燃料油、 汽油、 柴油和天然 氣) 的二氧化碳排放系數和相應的能源消費量, 并結合 《2006 年 IPCC 國家溫室氣體清單指南》 進行測度。

　　圖 2 給出了各個省份低碳全要素生產率的算術平均值。 低碳全要素生產率最高的省份為四川, 均值達到 1. 2477, 湖北和天津緊隨其后, 均值分別為 1. 2024 和 1. 2004。 河南、 江蘇和湖南的均值分別為 1. 1953、 1. 1944 和 1. 1876, 屬于低碳全要素生產率較高的省份。 而均值低于 1 的有山西、 廣西、 海南、 貴州、 甘肅、 青海和新疆這七個省 (區), 其中, 海南的均值僅為 0. 8037, 這些省 份亟須采取措施改變低碳全要素生產率較低的狀況; 其余大多數省份的低碳全要素生產率均值都 位于 1. 00-1. 18 之間。 從地理空間分布來看, 低碳全要素生產率較高的省份大多集中在東部和中 部地區, 低碳全要素生產率較低的省份則主要分布在西南和西北地區。

　　3. 控制變量

　　為了緩解遺漏變量問題帶來的估計偏誤, 本文參考現有研究 (杜雯翠等, 2017; 王慧等, 2020; 屈小娥和駱海燕, 2021) [40-42] , 加入如下控制變量: (1) 能源消費結構 (ECS): 以能源消 費總量中煤炭消費量所占的比重來表征 ECS。 這一指標越高, 說明能源消費結構越不清潔。 (2) 工業所有制結構 (ISOE): 采用國有控股工業企業數量占工業企業總數的比例作為替代指標來衡 量 ISOE。 (3) 外商直接投資 (FDI): 采用實際利用外商直接投資額占 GDP 的比值來衡量 FDI。 (4) 對外直接投資 (OFDI): 以對外直接投資額 (非金融類) 與地區生產總值之比來衡量 OFDI。 (5) 政府環保支持 ( GEPE): 采用地方財政環境保護一般預算支出占 GDP 的百分比來衡量 GEPE。

　　4. 中介變量: 產業結構升級

　　首先, 本文參考李東坤和鄧敏 (2016) [43] 的研究, 采用第三產業增加值與第二產業增加值之 比和高技術產業營業收入 (由于高技術產業的產值數據在 2012 年之后不再報告, 因此采用營業收 入進行近似代替) 與工業增加值之比的算術平均值 (ISTR) 作為衡量產業結構高級化的指標。 其 次, 本文采用工業部門中六大高耗能產業 (包括化學原料及化學制品制造業、 非金屬礦物制品業、 石油加工煉焦及核燃料加工業、 有色金屬冶煉及壓延加工業、 黑色金屬冶煉及壓延加工業、 電力 熱力的生產和供應業) 營業收入所占的比重 (HECI) 作為衡量工業結構升級的指標。 這個變量為 反向指標, 高能耗產業的占比越低, 表明工業產業趨向于低能耗低碳發展, 工業結構升級程度越 高。 最后, 本文借鑒戴魁早等 (2023) [31] 的研究, 采用第三產業中現代服務業就業人員所占的比 重 (SERI) 來衡量服務業結構升級。 其中, 現代服務業包括信息傳輸、 計算機服務和軟件業, 交 通運輸、 倉儲及郵政業, 租賃和商業服務業, 房地產業, 金融業, 科學研究、 技術服務和地質勘探 業, 文化、 體育和娛樂業。 現代服務業占比越高, 表明服務業結構升級程度越高。

　　(三) 數據來源與變量描述性統計

　　由于數字經濟測度中部分指標的原始數據從 2011 年才開始報告, 因此本文綜合考慮數據的連 續性和可得性, 選擇 2011—2021 年中國 30 個省 (區、 市) (未含西藏和港澳臺) 作為主要研究樣本。 各省二氧化碳排放計算所需的原始數據來源于 《中國能源統計年鑒》。 數字經濟測度所需的數 據來源于 《中國統計年鑒》 《中國工業統計年鑒》 《中國高技術產業統計年鑒》 以及國家統計局網 站。 其余變量計算所需的數據來源于 《中國第三產業統計年鑒》 《中國對外直接投資統計公報》 和各省歷年統計年鑒。 對于部分變量在少數年份的數據缺失, 本論文采用插值法或以年平均增長 率進行推測和補充。 表 2 給出了所有變量的描述性統計

　　本文首先對核心解釋變量數字經濟與被解釋變量低碳全要素生產率的相關關系進行初步判斷。 圖 3 為加入控制變量之后的分倉散點圖。 通過散點圖發現各省的低碳全要素生產率隨著數字經濟 發展水平的提高而不斷增長, 二者呈現出顯著的正相關關系, 表明數字經濟總體上促進了低碳全 要素生產率提升。 當然, 更為嚴謹的因果關系有待于進一步通過精確的計量方法進行驗證。

　　四、 實證結果與討論 (一) 基準回歸結果分析 本文首先考察數字經濟對低碳全要素生產率的直接影響。 表 3 列 (1) -(2) 的回歸結果顯示,數字經濟的估計系數均在 1%的統計水平下顯著為正, 數字經濟指數每提高一個單位, 低碳全要素 生產率增長約 0. 5382, 表明數字經濟可以顯著提升低碳全要素生產率, 由此驗證研究假設 1。 此 外, 本文將低碳全要素生產率分解為低碳技術效率和低碳技術進步, 分別將其作為被解釋變量進 行回歸, 估計結果如表 3 列 (3) -(6) 所示。 研究發現, 加入控制變量后, 數字經濟對低碳技術 效率的回歸系數雖然為正, 并未通過顯著性檢驗, 且擬合值較低, 而數字經濟對低碳技術進步的 回歸系數在 1%的統計水平通過了顯著性檢驗。 上述結果表明, 數字經濟主要通過促進低碳技術進 步推動低碳全要素生產率提升, 但是數字經濟對低碳技術效率的促進效應尚不明顯。

　　(二) 內生性問題處理 內生性一直是實證研究中難以回避的重要問題。 內生性問題主要來自兩個方面: 一是逆向因 果。 由于在低碳全要素生產率指標的測度體系構建中納入了資本存量、 就業人口數和能源消費總 量、 地區生產總值等與經濟發展水平高度相關的數據。 因此, 低碳全要素生產率會受到地區經濟 發展水平的影響。 與此同時, 數字經濟發展又與地區經濟發達程度密切相關, 低碳全要素生產高 可能意味著更高的數字經濟水平, 二者存在雙向因果關系。 二是遺漏變量。 雖然在回歸過程中, 本文加入了一系列省份經濟特征變量, 并控制了省份和時間固定效應, 但仍然難以避免遺漏某些 不可觀測變量的影響。 因此, 本文考慮使用額外的工具變量 ( IV) 進行估計。 有效的工具變量應 該同時滿足相關性和排他性這兩個條件。

　　本文參考黃群慧等 (2019) [44] 的研究, 選擇 1998 年各 省郵局密度和人均固定電話用戶作為工具變量。 首先, 數字經濟發展依賴于現代信息通訊技術, 在現代信息通訊技術普及之前, 信息傳輸主要依靠郵局和固定電話, 從而滿足相關性要求。 其次, 隨著現代信息通訊技術的快速發展, 歷史上作為主要通訊手段的固定電話和郵局已經難以對現在的低碳全要素生產率產生直接影響, 從而滿足排他性條件。 由于這兩個工具變量都是截面數據, 而研究樣本為面板數據。 因此, 本文參考 Nunn & Qian (2014) [45] 的研究, 分別構建郵局密度 (IV1)、 人均固定電話用戶 (IV2) 與各省上一期信息通訊 技術產業固定資產投資額之間的交互項, 從而將截面數據轉化為面板數據, 并使用 IV-2SLS 進行 估計。 表 4 第一階段的估計結果顯示, IV1 和 IV2 均與數字經濟顯著正相關, 同時 Kleibergen-Paap rk(KPR)Wald F 和 LM 統計量分別通過了弱工具變量檢驗和不可識別檢驗, 表明本文選擇的兩個 工具變量都合理有效。 第二階段的估計結果顯示, 數字經濟的回歸系數在 1%的統計水平下顯著為 0. 8065。 此外, 本文采用有限信息極大似然法 (LIML) 和廣義矩估計 (GMM) 以克服 2SLS 估計 中可能存在的異方差問題, 數字經濟的回歸系數也都顯著為正。 上述結果表明, 在控制了內生性 問題后, 本文的核心研究結論仍然成立。

　　(三) 穩健性檢驗

　　1. 替換變量。 首先, 本文參考孫博文和張友國 (2022) [46] 的研究, 采用時空極差熵值法重 新測度數字經濟測度指標的權重, 進而加權計算出數字經濟綜合指數, 并將其作為衡量數字經濟 的替代指標。 其次, 基于規模報酬不變條件的 EBM-GML 模型重新測度低碳全要素生產率。 本文 分別將這兩個替代指標代入基準模型進行回歸, 表 5 列 (1) -(2) 的估計結果顯示, 數字經濟的 估計系數依然顯著為正。 由此表明在替換核心解釋變量和被解釋變量的情形下, 基準結論依然 穩健。

　　2. 更換估計樣本。 考慮到 2020 年爆發的 “新冠疫情” 會對經濟活動產生影響, 本文剔除了 2020 和 2021 年的數據, 截取 2011—2019 年作為研究樣本重新進行估計, 結果如表 5 列 (3) 所 示。 研究發現在排除外在沖擊可能的影響后, 數字經濟對低碳全要素生產率的促進效應依然顯著。

　　3. 改變估計方法。 考慮到低碳全要素生產率的動態累積性, 本文將被解釋變量低碳全要素生 產率的一階滯后項納入基準計量模型, 進一步構建動態面板數據模型。 鑒于兩步系統 GMM 估計在 處理異方差和截面相關等方面具有較強的穩健性, 因此, 本文將數字經濟的高階滯后項作為工具 變量, 采用兩步系統 GMM 對動態面板模型進行回歸。 同時采用動態 OLS、 動態 FE 進行估計作為 參照, 結果如表 5 列 (4)-(6) 所示。 通過比較回歸結果可知, 系統 GMM 估計結果的一階滯后項 (L.CTFP) 的系數介于動態 FE 和動態 OLS 的估計結果之間, 這表明系統 GMM 回歸結果并沒有因 為工具變量較弱或者樣本數量較小而產生較大的偏差。 數字經濟的系數依然在 1%的統計水平下為 0. 0376, 從而驗證基準回歸結果是穩健的。

　　(四) 面板分位數回歸

　　上文討論的是數字經濟在均值條件下對低碳全要素生產率的平均影響, 但在低碳經濟發展的 不同階段, 數字經濟的促進效應可能存在差異。 為此, 本文采用面板分位數回歸模型檢驗不同分 位點處數字經濟對低碳全要素生產率的邊際作用。 本文選取 0. 10、 0. 25、 0. 50、 0. 75 和 0. 90 這五 個具有代表性的分位點進行分析, 具體結果如表 6 所示。 在低碳全要素生產率的不同分位點上, 數字經濟對低碳全要素生產率的回歸系數均顯著為正, 進一步驗證了基準回歸結果的穩健性。 估 計系數的大小從 0. 10 分位點的 0. 4883 逐步提高至 0. 90 分位點的 0. 5952, 表明數字經濟對低碳全 要素生產率的促進效應隨著低碳全要素生產率的提高呈現出逐漸增強的規律, 換言之, 在低碳全 要素生產率更高的省份發展數字經濟更有利于提升低碳全要素生產率。

　　(五) 產業結構升級機制檢驗

　　首先, 本文檢驗數字經濟對產業結構高級化的影響。 表 7 列 (1) 的結果顯示, 數字經濟的估 計系數在 1%的統計水平顯著為 0. 7256。 由此可見, 數字經濟可以有效促進產業結構由第二產業向 第三產業演進, 推動高技術產業發展, 從而實現節能減排和提升低碳全要素生產率。 其次, 本文 考察數字經濟對工業結構升級的影響。 列 (2) 的結果顯示, 數字經濟的估計系數在 1%的統計水 平下顯著為負, 數字經濟每提升一個單位, 促使高能耗產業的營業收入占比下降了 0. 6806。 由此表明, 數字經濟發展可以有效淘汰能耗較高的落后工業產能, 推動工業結構升級, 進而提升低碳 全要素生產率。 最后, 本文檢驗數字經濟對服務業結構升級的影響。 列 (3) 的結果顯示, 數字經 濟的估計系數在 5%的統計水平下顯著為正, 數字經濟每增加一個單位, 促使第三產業中現代服務 業從業人員的占比提高了 0. 1380。 由此表明, 數字經濟可以有效帶動現代服務業發展, 促進服務 業結構升級, 而服務業結構升級可以優化供需匹配、 節約資源投入和提升服務產業附加值, 進而 促進低碳全要素生產率提升。 此外, 為了保障研究結論的可靠性, 本文進一步采用 IV-2SLS 進行 估計, 結果如表 7 列 (4) -(6) 所示。 研究發現數字經濟的回歸系數均通過了 1%的統計水平檢 驗, 符號方向與固定效應模型估計結果一致, 表明機制檢驗結果是穩健的, 由此驗證研究假設 2。

　　五、 進一步研究: 空間異質性、 溢出效應和收斂性

　　(一) 空間異質性分析

　　中國是一個幅員遼闊的發展中大國, 不同地區在自然資源稟賦、 人口集聚程度、 經濟發展水 平等方面存在巨大差異。 首先, 從區位條件來看, 東部地區憑借其交通便利的區位優勢, 通過吸 引外商直接投資以及對外貿易的方式吸收國外先進技術和管理經驗, 東部省份在經濟基礎、 市場 化程度和科技水平等方面均領先于內陸省份, 中國經濟呈現出顯著的空間梯度格局。 本論文首先 根據國家統計局關于四大經濟區域的劃分標準, 并參考王沖和王磊 (2023) [47] 的研究, 采用構造 區域虛擬變量 (Region) 的方式進行空間異質性檢驗。 具體地, 當檢驗東部地區數字經濟對低碳全要素生產率的影響時, 將位于東部地區的 10 個省份賦值為 1, 其余省份則賦值為 0, 以此類推, 分別構造東部、 中部、 西部和東北地區①四類虛擬變量與數字經濟的交互項。 具體的計量模型設定 如下:

　　式 (8) 中, Regionk 代表區域虛擬變量, π1 表示東部地區數字經濟對低碳全要素生產率的回 歸系數, π2 表示中部地區的回歸系數, π3 和 π4 分別表示西部和東北地區的估計系數。

　　表 8 的估計結果顯示, 在東部和中部地區, 數字經濟對低碳全要素生產率的回歸系數分別為 0. 5483 和 0. 9206, 均在 1%的統計水平下顯著。 在西部和東北地區, 數字經濟的估計系數分別為 0. 2269 和 0. 2093, 但均未通過顯著性檢驗。 可能的解釋是, 中部地區低碳全要素生產率的均值最 高, 數字經濟也呈現蓬勃發展態勢, 數字經濟對低碳全要素生產率的邊際促進效應最強。 東部地 區在經濟發達程度、 數字經濟水平、 科教資源和人力資本等方面均處于領先地位, 因此數字經濟 對低碳全要素生產率也表現出較強的促進作用。 而西部和東北地區在數字經濟水平、 低碳經濟發 展狀況和其他稟賦條件等方面均比較薄弱, 因此數字經濟對低碳全要素生產率的促進效應尚未發 揮出來。

　　(二) 空間溢出效應分析

　　數字經濟有助于加快勞動、 資本和知識技術等要素的流動, 這不僅會促進生產要素在本地區 的集聚和擴散, 還可能對鄰近地區產生技術溢出或技術沖擊效應。 此外, 一個省份的低碳全要素 生產率也可能受到鄰近省份的影響, 從而導致殘差項具有潛在相關性 (張華, 2020) [48] 。 基于此, 本文首先計算出基準模型估計的殘差項, 然后根據省份是否相鄰和省會城市的經緯度信息測量各 省之間的地理距離, 分別構造 0-1 鄰接矩陣和反距離權重矩陣, 最后基于兩類矩陣檢驗殘差項的 全局莫蘭指數。 從表 9 可以看出, Moran’s I 指數均在不同統計水平下通過了顯著性檢驗, 說明數 字經濟對低碳全要素生產率的影響存在空間關聯, 有必要進一步進行空間計量分析。

　　接下來, 本文構建空間計量模型檢驗數字經濟對鄰近省份低碳全要素生產率的溢出效應, 具 體模型設定如下:

　　在式 (9) 中, W 表示空間權重矩陣, ρ 代表空間自相關系數。 其余變量的設置與基準模型保 持一致。 Hausman 檢驗和 LR 檢驗的結果表明應該采用空間杜賓模型進行估計。

　　將總效應分解為本地效應和溢出效應。 表 10 中基于 0-1 權重矩陣的估計結果顯示, 本地效應 中, 數字經濟的回歸系數在 10%的統計水平下顯著為正, 而在溢出效應和總效應中, 數字經濟的 估計系數均在 1%的統計水平下為正。 數字經濟每增加一個單位, 促進本省份的低碳全要素生產率 提升約 0. 2705, 同時帶動所有省份的低碳全要素生產率提升約 1. 6053, 換言之, 平均每個省份的 低碳全要素生產率可以提升約 0. 0535 (1. 6053 / 30)。 基于反距離權重矩陣的估計結果顯示, 數字 經濟每提高一個單位, 本省份的低碳全要素生產率增加約 0. 4188, 促進所有省份的低碳全要素生 產率增長約 3. 9865, 即平均每個省份的低碳全要素生產率提升約 0. 1329。 綜上所述, 兩類空間權 重矩陣下的估計結果均表明, 數字經濟不僅可以有效促進本省份的低碳全要素生產率增長, 還對 鄰近省份低碳全要素生產率存在顯著的正向空間溢出效應, 從而帶動鄰近省份共同實現低碳經濟 發展。

　　為了進一步驗證結論的穩健性, 本文參考余典范等 (2023) [49] 的研究, 將與某一省份相鄰所 有省份的低碳全要素生產率的算術平均值作為該省份的被解釋變量, 采用雙固定效應模型考察數 字經濟對相鄰省份的空間溢出效應。 表 11 列 (1)-(2) 的結果顯示, 無論是否加入控制變量, 數 字經濟對相鄰省份的低碳全要素生產率的回歸系數均在 1%的統計水平下顯著為正。 此外, 本文還 將某一省份省會城市和其他省會城市距離的倒數作為權重, 計算出低碳全要素生產率的加權平均 值, 并將其作為該省份的被解釋變量進行回歸。 列 (3) -(4) 的結果顯示, 數字經濟的回歸系數 也在 1%的統計水平下顯著為正。 上述結果表明, 數字經濟對鄰近省份低碳全要素生產率的正向溢 出效應是顯著存在的。

　　(三) 收斂性分析

　　早期的經濟收斂理論用以研究不同國家之間的經濟增長差異, 隨后逐步應用于其他經濟領域。 本文擬采用絕對收斂模型考察低碳全要素生產率較低的地區是否具有更快的增長速度, 將基本計 量模型設定如下:

　　式 (10) 中, CTFPit 和 CTFPi(t+1) 分別代表 i 省份 t 和 t+1 時期的低碳全要素生產率, α 為常 數項, μi、 νt 分別用以控制省份和時間效應。 β 為收斂系數, 如果 β 顯著小于 0, 說明無論初始條 件如何, 各省份的低碳全要素生產率都將無條件收斂至相同的穩定狀態, 即 CTFP 存在絕對 β 收 斂。 否則, 不存在絕對 β 收斂。

　　從表 12 列 (1) 的估計結果來看, β 收斂系數在 1%的統計水平下顯著為負, 說明低碳全要素 生產率存在明顯的絕對 β 收斂特征。 低碳全要素生產率的收斂不僅與初始效率水平相關, 還可能 受到其他因素的影響。 本文在公式 (10) 的基礎上分別加入數字經濟和其他控制變量, 采用條件 β 收斂模型再次進行估計。 表 12 列 (2) 的估計結果顯示, β 收斂系數為-0. 0667, 在 1%的統計 水平下顯著為負, 數字經濟的估計系數在 10%的統計水平下顯著為正。 列 (3) 進一步加入其他控 制變量后, β 收斂系數分別為-0. 0553, 在 5%的統計水平下顯著為負。 上述估計結果表明低碳全 要素生產率存在顯著的條件 β 收斂, 數字經濟在某種程度上可能會促進區域低碳全要素生產率發 散, 但這一結論并不穩健。 可能的原因是, 一方面, 數字經濟對低碳全要素生產率的促進效應在 不同區域存在較大差距, 這可能導致生產率出現發散; 另一方面, 數字經濟對鄰近省份的經濟低 碳發展存在顯著的正向空間溢出效應, 這可能促進低碳全要素生產率收斂。 因此, 究竟是促進收 斂還是發散取決于這兩種效應的大小。 此外, 其他控制變量的回歸系數均不顯著, 對低碳全要素 生產率的收斂或發散并未產生明顯作用。

　　六、 結論與政策建議

　　目前, 大數據、 人工智能、 云計算和工業互聯網等數字技術正加速向各個實體經濟部門滲透, 數字經濟與實體經濟融合發展趨勢明顯。 在此背景下, 考察數字經濟對低碳全要素生產率的影響 具有重要實踐意義。 本文利用 2011—2021 年 30 個省 (區、 市) 的面板數據, 實證檢驗數字經濟 對低碳全要素生產率的影響及其傳導路徑。 研究主要得出如下結論: (1) 數字經濟顯著促進了低 碳全要素生產率提升, 并且這種促進效應隨著低碳全要素生產率的提高而不斷增強, 總體上數字 經濟的 “生產率悖論” 并不存在。 (2) 數字經濟可以通過推動產業結構高級化、 工業結構升級和 服務業結構升級, 進而提升低碳全要素生產率。 (3) 數字經濟對低碳全要素生產率的促進效應在 中部地區最強, 東部地區次之, 但是在西部和東北地區并不顯著。 (4) 數字經濟對鄰近省份的低 碳全要素生產率存在顯著的正向空間溢出效應; 低碳全要素生產率存在明顯的絕對和條件收斂特 征, 數字經濟可能會促進區域低碳全要素生產率發散。

　　基于上述研究結論, 本文給出如下政策建議:

　　第一, 夯實數字經濟的發展基礎, 加快推動區域經濟低碳轉型。 經濟基礎和科教實力較為雄 厚的東部發達省份需要進一步加大研發資金、 創新人才和科技資源投入, 優先布局和實施一批數 字技術研發項目, 組織高校、 科研院所和企業開展協同創新和技術攻關, 力爭在數控機床、 大數 據、 云計算、 人工智能和工業互聯網等關鍵核心數字技術領域取得重大突破。 加快培育具有國際 競爭力的數字創新型企業, 推動數字技術的產業化市場化進程, 為促進數字產業化發展提供強有 力的支撐, 進一步增強數字經濟對低碳全要素生產率的促進作用。 中西部及東北地區的經濟欠發 達省份則需要進一步擴大數字技術的普及和應用范圍, 加大對傳統產業的數字化改造力度, 大力 推動數字技術與傳統產業深度融合, 釋放數字經濟對低碳全要素生產率的促進效應。

　　第二, 發揮數字經濟對產業結構升級的推動作用, 暢通傳導路徑。 各地區應根據 “十四五” 規劃相關要求, 制定包括產業結構整體升級和內部結構優化的發展方案, 通過傳統產業的數字化 升級和數字產業自身的核心技術突破, 帶動現代服務業和先進智能制造業融合發展, 提升產業結 構的高級化水平。 著力推動工業互聯網和大數據等數字技術在工業生產領域的應用, 強化傳統工 業特別是高能耗重污染工業行業的數字化改造, 加快淘汰高能耗工業產能和促進工業發展新舊動能轉化。 對于服務業, 應加強數字基礎設施平臺建設, 破除服務業內部的信息流動障礙, 促進市 場供需匹配, 加強對傳統服務業的全鏈條、 全方位數字化改造, 并創新服務業新模式、 新業態, 推動服務業朝著高端化和現代化升級。

　　第三, 利用數字經濟加強創新合作和優化產業布局, 強化溢出效應。 地方政府應該充分利用 數字經濟可以突破地理和時間限制的優勢, 利用數字技術共同構建跨區域的合作創新網絡, 增強 不同創新主體之間的時空鄰近性, 降低合作創新的壁壘和成本, 促進知識和創新要素在地區間實 現互聯互通, 最大程度發揮數字經濟水平較高省份對鄰近省份的技術擴散效應。 同時, 各省份需 要因地制宜發揮自身比較優勢, 利用數據要素和數字技術深化跨區域的產業分工和合作, 降低不 同地區間的產業同構程度, 減少因重復建設導致資源的無效損失, 協同促進國內經濟低碳轉型。