开放科学(资源服务)标识码(OSID)：
This study makes an in-depth analysis of the impact mechanism and path of digital economic development on China's low-carbon economic transformation. The evaluation index system of China's low-carbon economic transformation is constructed from four aspects of resource allocation, industrial structure, ecological environment and energy utilization, and uses the improved entropy weight method to calculate the index weights to evaluate the level of China's low-carbon economic transformation and analyze the process of low-carbon economic transformation. Secondly, the dual difference method is used to test the policy effect of the establishment of the national big data comprehensive pilot zones on the transformation of low-carbon economy in China, and it provides a new research perspective for the development of digital economy to promote the transformation of low-carbon economy in China and the path of action. Third, through the heterogeneity analysis, this study explores the heterogeneity of the national big data comprehensive pilot zones in enabling low-carbon economic transformation against different backdrop to enhance the positive enabling effect of the digital economy according to the actual development of the regions.
It is concluded that firstly the establishment of national big data comprehensive pilot zones has promoted the transformation of China's low-carbon economic development model as a whole, and the promotion effect is continuously improved with the development of digital economy; secondly among the four indicators in different dimensions of low-carbon economic transformation, the establishment of national big data comprehensive pilot zones has a more significant positive impact on energy utilization efficiency, resource utilization efficiency and industrial agglomeration degree, and the impact is stable and sustainable; thirdly from the dynamic effect point of view, it has a strong positive impact on China's low-carbon economic transformation. In the short term, it has no obvious effect on the greening coverage rate of ecological environment indicators; however, in the long run, the national big data comprehensive pilot zones actively guide enterprises to fulfill their environmental responsibility and explore green projects through digital supervision and other means, promoting the transformation of China's low-carbon economic development model.
Accordingly, this paper suggests further promoting the demonstration effect of the national big data comprehensive pilot zones, optimizing the urban digital and intelligent management mode and exploring its multi-dimensional path to promote the transformation of urban low-carbon economy, and strengthening the low-carbon transformation effect of digital economic development in the fields of resource allocation, industrial structure, ecological environment and energy utilization. Then it is essential to focus on underdeveloped cities, timely adjust the relevant policies of digital economic development, and fully implement the guidance and practice of digital economy on the transformation of cities to low-carbon economic development models. Third, cities with sound green financial systems and green credit scales have the policy and institutional basis for a higher level of digital development. It is necessary to make full use of this advantage to rapidly develop the digital economy, strengthen the synergistic effect of low-carbon economic transformation, and move towards the development mode of urban low-carbon economy with digital governance and green governance.
开放科学(资源服务)标识码(OSID)：
我国在追求经济发展过程中形成高度依赖自然资源与能源消耗的发展模式,面临能源利用效率低、产业结构失衡、资源短缺和环境恶化等问题。在此背景下,我国大力推进碳达峰与碳中和的“双碳”目标,同时,推动数字经济与实体经济深度融合发展,旨在向低碳经济发展模式转型。自2016年起,我国在贵州、北京、天津等10个省市建立大数据综合试验区,为实现碳减排目标带来新的契机。在数字经济研究中,有学者总结了数字经济发展评价指标,也有学者从关键要素、生产效率以及企业数字化转型等角度进行分析[1-3]。一方面,有学者将数字经济细分为数字产业化和产业数字化,探索数字经济发展带来的行业传递效果[4]。另一方面,在无其它外生变量的影响下,有学者研究了数字经济对产业结构升级与经济高质量发展的积极影响,关注数字经济发展对税收治理、就业结构、技术创新和城市发展等产生的影响[5]。在低碳经济转型相关研究中,现有文献多从宏观政策角度研究低碳经济转型过程中面临的关键问题,有研究将低碳经济发展理念融入城市建设中,识别关键影响因素,据此提出调整经济发展模式、合理利用资源等改革路径[6-7]。对于数字经济发展与低碳经济转型之间的关系,已有研究大多分析如何开展具体的数字业务,或对数字经济发展的减排机理进行总结,旨在借助数字经济理念与具体业务实现低碳发展目标,但对数字经济发展引发碳减排效果的定量研究较少[8-9]。
基于此背景,围绕“数字经济发展赋能我国低碳经济转型”这一前沿问题,建立双重差分模型进行研究。一是从资源配置、产业结构、生态环境和能源利用4个方面,构建我国低碳经济转型评价指标体系,利用改进熵权法计算指标权重,对低碳经济转型水平进行评价,分析低碳经济转型进程。二是利用双重差分法检验国家级大数据综合试验区的建立对我国低碳经济转型产生的政策效果,为数字经济发展推进低碳经济转型及其作用路径提供新的研究视角。三是通过异质性分析,探索国家大数据综合试验区在不同背景下赋能低碳经济转型的异质性作用,从而根据区域实际发展情况增强数字经济的正向赋能效应。
本文主要边际贡献如下:一是剖析我国数字经济快速发展对低碳经济转型的影响,并通过稳健性检验提高结论科学性和可信度;二是对低碳经济转型这一系统性问题进行细化,分析数字经济对资源配置、产业结构、生态环境和能源利用的影响,探究数字经济发展对低碳经济转型的影响路径;三是根据区域发展基础与潜力,为未来进一步发展数字经济以提高低碳经济转型效果提供经验支持与参考借鉴。
低碳经济转型是涉及经济、资源、能源和生态的综合性与系统性问题。在资源流和能源流的双渠道作用下,数字经济逐步驱动资源、能源和产业等领域数字化转型,从而实现低碳经济发展目标。根据国家大数据综合试验区建设目标,在试验区内积极探索数字技术、信息与平台,以多手段联合发展循环经济。在节能基础上,通过能源流实现能源高效利用,推动传统企业的新旧动能转换与降本增效,从而有效降低碳排放总量[10-11]。由此,可从资源配置、产业结构、生态环境和能源利用角度,分析数字经济赋能低碳经济转型路径。
根据供应端资源配置理论,目前我国煤炭消费比重较高,高耗能企业生产中使用传统的生产技术和方式,通过大量要素投入实现经济效益。而数字经济能够通过资源流实现循环经济,提高资源利用效率。
一方面,从资源集约角度看,数字经济通过拉动资本、信息、技术等资源,助力实体经济沉淀高质量生产要素,形成数字化能力基础。数字技术所蕴含的算力资源将海量生产资料转化为数据价值,推动形成集约高效的资源开发格局,从而促进资源节约与综合利用[12]。随着各地数字经济加速发展,我国积极建立国家大数据综合试验区,并完善大数据收集、获取与使用制度,发展数字技术促进部门间数据交换,诱发专业化分工并渗透生产制造多个环节[13]。数字经济能够提高生产环节知识密集度和数据生产要素渗透率,促进企业向生产集约化方向发展,提高资源配置效率[14]。
另一方面,在实际生产环节,数字化指引环保技术与生产全流程充分结合,带动生产要素聚集以实现资源集约使用,从而精准研判和分析企业生产过程中的资源消耗,加强监测管理,引导资源合理开发与综合利用,最终提升资源利用效率。谢贤君等[15]从驱动和制动两个方面,围绕数字经济对资源配置的影响因素展开研究,发现数字经济能够推进建设资源综合利用示范工程,最终通过资本积累与资源利用实现高效的资源配置。据此,提出以下假设:
H1:数字经济发展能够提高资源配置效率。
数字经济发展是产业结构升级的基础要素。目前,我国产业结构调整速度较慢,部分城市存在产能过剩问题,且市场化发展程度低[16]。有学者指出,应利用数字经济淘汰落后产能。如数字化碳定价机制能够促进技术创新,优化低碳产业结构,推动数字低碳融合发展。首先,根据产业集聚理论,数字经济渗透致力于产业结构与市场结构、能源结构之间的协调度提升,推动资本要素向高效率部门转移,推动产业结构升级。在微观层次上,数字经济发挥市场功能,通过巩固数据基地、推进数字化转型和培育应用场景等手段推动产业协同集聚,将大数据创新优势转变为低碳转型新动力,促进产业链条延伸并实现行业内重构,推动产业结构趋向高级化[17]。胡宗义等[18]构建局部均衡模式,综合利用基于微观层次的成本曲线,划分非落后生产力与落后生产力的集合。结果显示,基于产出的数字产品开发能够推动产业结构升级。其次,随着跨层次数字化平台的建设,传统产业与新兴产业趋向协调发展,产业能级实现跃迁,在推进新兴产业集群数字化发展的同时对传统产业进行智能化改造。目前中国积极打造绿色低碳基础数据平台,数字平台在整合企业基础数据与产业大数据等关键环节得到充分运用,帮助部分行业构建完整的产品生命周期,从而支持企业数字化转型并从宏观上推动产业结构低碳化,加快产业发展向低碳经济发展模式转型。最后,基于协同集聚效应理论,杜传忠等[19]研究发现,数字经济发展促进传统工业和生产性服务业之间建立良好协调发展关系;王嘉丽等[20]研究认为,数字经济有利于实现产业结构合理化,促进生产效率提升。综上,数字经济能够驱动产业结构趋向高级化、协同集聚与低碳化发展。据此,提出以下假设:
H2:数字经济发展能够促进产业结构升级。
根据环境库兹涅茨曲线的经典理论,规模效应、技术效应和结构效应是提高生态环境质量的关键因素。一方面,数字经济规模扩张可能使得污染物成为经济发展的附带产品,不利于提升环境治理绩效。另一方面,数字经济发展伴随着技术创新和升级,形成提升环境治理绩效的重要媒介。根据数字治理理论,数字技术变革与政府治理相结合而衍生的数字治理模式能够推动生态环境治理体系向多元协同模式转变,通过采集不同层级生态环境信息,优化决策功能以实现对生态环境的联合数字化治理。我国逐步强化对生态环境的数字化治理,旨在形成具有协调性和共享性的生态环境监控,从而进一步控制污染源并提高生态环境质量[21]。根据生态补偿机制,生态补偿与治理的市场前提是对污染排放量及其连锁反应进行量化分析。我国已建立生态环境的数字化高级监测系统,其中,数据平台促进政府跨部门数据互联互通,整合基础检测平台,将数字环保理念运用于生态管理工作中。通过建立环境监测数据中心、信息体系、定位系统、应急管理一体化的数字管理系统,实现对绿化率、废水排放和碳排放等生态环境数据的自动监控,从而提升治理的即时响应能力。在数字治理理论指导下,多元主体的协同治理使得环境治理体系碎片化逐渐弱化,不断丰富环境治理相关政策工具,提高企业治污能力和环境优化水平[22-23]。据此,提出以下假设:
H3:数字经济发展能够优化生态环境。
目前,我国部分城市经济发展依然基于传统的禀赋优势,锁定高耗能的经济发展模式,缺乏碳减排的内在激励。在数字经济快速发展过程中,国家级大数据综合试验区的建立有利于全方位探索数字产品和服务等实践。从供应端来看,数字经济发展通过激发互联网、大数据、物联网等技术,实时监测并利用能源数据流进行监测分析,引导能源要素实时流动,在完善能源保障供应的同时提高清洁能源使用比例,形成改善能源消费结构的动力。我国逐渐加大物流和数据中心等领域的可再生能源投资,旨在实现能源结构优化[24-25]。从生产端来看,利用大数据优化区域整体参数,可以提升能源使用效率。数字金融发展使得绿色生产企业能够获得更多金融支持,降低能源消耗总量。从消费端来看,推广数字技术能够在不增加整体能源消费的前提下有效降低人均能源消耗。
从能源节约的整体视角进行分析,数字经济能够打破地区界限,突破时间约束,加快要素流动,降低能源损耗率,从而促进能源利用效率提升。在此背景下,新型市场主体迸发,其经营领域、产品类别、供给方式的数字化升级有利于实现能源产出与供给循环模式的双向革命。数字技术与能源革命的深层互动将加快新能源行业发展速度,提高洁净燃料消纳水平,从而实现能源的绿色供给[26-27],能源行业的数字化与智能化转型为传统能源全方位、全链条的创新、拓展与延伸创造了新的可能性[28-29]。据此,提出以下假设:
H4:数字经济发展能够提高能源利用效率。
低碳经济转型是我国在实现“双碳”目标过程中需解决的系统工程问题。低碳经济系统相关研究将低碳经济细分为环境子系统、经济子系统和能源消耗子系统等。本文基于以上理论基础和分析,从4个方面构建我国低碳经济转型指标:一是资源配置指标,包含资源消耗强度、全要素生产率和工业固废综合利用率;二是产业结构升级指标,包含产业结构高级化、产业协同集聚度和工业化趋势;三是生态环境优化指标,包含绿化覆盖率、废水排放达标率和碳排放总量同比下降率;四是能源利用效率指标,包含清洁能源使用比例、能源消费弹性系数和人均能耗下降率。其中,资源配置指标和产业结构指标反映经济子系统转型情况,生态环境指标反映环境子系统转型情况,能源利用指标反映能源消耗子系统情况。资源消耗强度(WU)为负向指标,其余指标为正向指标。
2.1.1 全要素生产率测度
鉴于我国自2016年开始建立国家级大数据综合试验区,选定2014-2020年为样本区间,利用投入产出法计算地级市全要素生产率(TFP)。将基期设为2010年,根据各省GDP指数对地级市的名义GDP进行指数平减,得到各城市实际GDP(余泳泽,2019)。将各城市实际GDP值作为产出变量,将固定资本存量和城镇就业总人口作为投入变量。采用永续盘存法估计固定资本存量,参考相关研究,将固定资产折旧率设置为9.6%,设定2010年为基期,对固定资本存量进行平减得到固定资产投资指数。利用DEAP 2.1程序对全要素生产率进行测度,获得2014-2020年各地级市全要素生产率。
2.1.2 产业协同集聚度测度
利用修正E-G指数法计算产业协同集聚度[30-31]。
(1)
(2)
其中,CO为产业协同集聚指数;m、s分别为制造业和生产性服务业从业人员总数;LQm、LQs分别为制造业和生产性服务业集聚指数;LQij代表j市i产业区位熵指数;q为我国从事制造业和生产性服务业人员总数;qi为我国从事i产业人员总数;qj为j城市从事制造业和生产性服务业人员总数;qij为j市从事i产业人员总数。根据行业属性,选择交通运输、信息传输、计算机服务和软件业、金融业、租赁和商务服务业作为生产性服务业。
2.1.3 碳排放总量同比下降率测度
对碳排放总量进行测度,其中,能耗数据来源于《中国能源统计年鉴》中的分行业数据,碳排放系数=能源平均低位发热量×单位热值含碳量×碳氧化率×3.67。相关数据来源于《综合能耗计算通则》(GB/T2589～2008)、《温室气体清单编制指南》、《中国城市统计年鉴》。
根据数据资料完整性,共选取200个城市作为研究对象。以分布在国家级大数据综合试验区省市的50个城市作为实验组样本,其它城市为对照组样本。国家级大数据综合试验区建立前后处理组各变量变化情况如表2所示。国家级大数据综合试验区建立后,从资源配置指标来看,资源消耗强度(WU)变量的均值差值减小,中位数增大,全要素生产率(TFP)、工业固废综合利用率(CUI)变量的均值差值和中位数均增大,且检验z值具有显著性;从产业结构指标来看,产业协同集聚度(CO)、工业化趋势(Hoff)变量的均值和中位数显著增大,实验组的产业结构出现调整,产业结构高级化(IFM)和产业协同集聚度(CO)变量下降,但幅度稍小;从生态环境指标来看,废水排放达标率(WDC)、碳排放总量同比下降率(TCE)变量的均值和中位数显著增大,绿化覆盖率变量显著性未通过检验,数字经济发展对该指标的影响不明显;从能源利用指标来看,清洁能源使用比例(CE)、能源消费弹性系数(EU)、人均能耗下降率(CD)变量的均值和中位数显著增大。
对比结果表明,国家级大数据综合试验区的建立能够对资源配置、生态环境、能源利用效率和产业结构产生一定优化作用。部分指标变化幅度较小,均值差值不具有显著性。因此,进一步建立模型对数字经济的作用进行检验。
运用熵值法,引入时间变量,使得评价结果更具可比性,最终获得指标权重和不同城市低碳经济转型得分Hθi。xθij表示第θ年第i个研究对象第j个指标值,X为指标集。对原始指标数据进行标准化处理,计算指标的比重、熵值、权重和低碳经济转型得分,得到2014-2020年实验组与对照组低碳经济转型整体得分,如表3所示。
对于正向指标:
(3)
对于负向指标:
(4)
(5)
(6)
(7)
(8)
从实验组与对照组低碳经济转型整体得分情况可知,在选定的200个城市样本中,实验组和对照组中样本城市低碳经济转型得分水平均较低(小于0.5)。对照组城市2014-2020年波动较小,部分城市呈现略有下降又上升的变化趋势。实验组城市低碳经济转型得分波动高于对照组城市。2014-2016年实验组和对照组具有相同变化趋势,从2017年开始,实验组与对照组样本低碳经济转型得分差距扩大,实验组整体得分显著提高。由此表明,国家级大数据综合试验区的建立可能使得我国低碳经济转型效果呈现区域差异。
选取2014-2020年样本数据,建立双重差分模型考察国家级大数据综合试验区的建立对我国低碳经济转型的影响。为解决处理组和对照组平行趋势假设不成立的问题,得到更稳健的估计结果,建立如下模型:
Yi,k,t=αi,k,t+β1·Mprovi+β2·postt+β3·Mprovi*postt+λ·zi,t+provi+εi,t
(9)
其中,下标i、k、t分别表示城市、指标维度和年份;Zi,t为控制变量;provi代表区域固定效应;εi,t为扰动项;post为国家级大数据综合试验区建立后各年度虚拟变量;Mprov×Post为新的双重差分变量,记作DID_year。2016年2月贵州成为我国首个大数据综合试验区,2016年10月第二批国家级大数据综试区名单发布。将两批大数据综合试验区所在的9个省市作为试验地区,全面考察数字经济发展产生的影响。Postt=1表示国家级大数据综合试验区建立之后,即2016年之后;Postt=0表示国家级大数据综合试验区建立之前,即2016年之前。Mprovi=1表示城市i位于国家级大数据综合试验区所在地区,Mprovi=0表示城市i位于非国家级大数据综合试验区所在地区。Yi,k,t为被解释变量,包括我国低碳经济转型整体得分以及4个维度得分。
虚拟变量:判断城市是否处于国家级大数据综合试验区建设后推广时期,是否属于国家级大数据综合试验区所在省市。
控制变量:财政支持(GS),政府财政支持为技术创新与产业转型等提供支持,但政府干预可能产生寻租等问题,对市场经济效率产生影响,采用人均财政收入的自然对数衡量;投资水平(INV),投资水平提升可能产生规模效应和技术创新效应,从而对低碳经济转型产生影响,采用固定资产投资占 GDP比重衡量;城市规模(CA),城市规模对产业集聚与资源配置等产生影响,可能带动经济发展,采用人口数量占全国人口比重衡量;互联网普及率(ED),以市级互联网普及率作为控制变量,区分大数据试验区建设以及互联网发展对我国低碳转型发展产生的异质性影响。对变量进行描述性统计,结果如表4所示。
4.1.1 国家级大数据综合试验区建设对我国资源配置的影响
国家级大数据综合试验区建设影响我国资源配置的固定效应回归结果如表5所示。模型(1)中,交互项Mprov×Post的系数估计值为-0.795 4,且在1%水平上统计显著,表明国家级大数据综合试验区建立后,资源消耗强度显著下降;模型(2)中,交互项Mprov×Post的系数估计值为0.530 2,且在10%水平上统计显著,表明国家级大数据综合试验区的建立使得全要素生产率显著提高,与此同时,生产效率和工业固废综合利用率值显著提高。综上,假设H1得到验证。
4.1.2 国家级大数据综合试验区建设对我国产业结构的影响
国家级大数据综合试验区建设影响我国产业结构的固定效应回归结果如表6所示。在5%的显著性水平下,模型(4)和模型(6)中,交乘项Mprov×Post的估计系数显著为正;在10%的显著性水平下,模型(5)中交乘项Mprov×Post的估计系数显著为正,即国家级大数据综合试验区的建立能够推动我国产业结构升级,从而激励我国向绿色低碳经济发展模式转型。因此,数字经济发展有助于我国产业结构趋向高级化,通过制造业与服务业等产业集聚提高协同集聚度。随着我国工业化指数的提高,数字经济将推动我国工业化发展。因此,假设H2得到验证。
4.1.3 国家级大数据综合试验区建设对我国生态环境的影响
国家级大数据综合试验区建设影响我国生态环境的固定效应回归结果如表7所示。模型(8)中交互项Mprov×Post的系数估计值为正,且在5%的显著性水平下通过检验,表明国家级大数据综合试验区的建立显著提高生态环境优化水平。模型(9)中,交互项Mprov×Post的系数估计值为正,但未通过显著性检验。碳排放总量下降率未呈现显著提高趋势,原因可能在于我国长期以来依赖能源消耗实现经济发展,短期内无法快速实现减排。我国碳达峰目标设定的时间为2030年,可进一步发挥数字经济与其它环境政策的作用。对于生态环境优化,数字经济需进一步发挥作用。随着时间的推移,该指标的显著性水平可能提高。因此,假设H3得到部分验证。
4.1.4 国家级大数据综合试验区建设对我国能源利用的影响
国家级大数据综合试验区建立影响我国能源利用的固定效应回归结果如表8所示。模型(10)-模型(12)中,交互项Mprov×Post的系数估计值分别为0.248 5、0.210 3和0.410 5,且均在5%水平上统计显著,表明国家级大数据综合试验区建立后我国能源利用效率显著提高。因此,假设H4得到验证。
值得注意的是,数字化产业自身的能源消耗也在快速增长,数字化信息系统运行过程中,数据中心对芯片的使用产生较高能源消耗,根据统计结果,2020年我国数字化产业能源消耗带来的成本占其营运成本的50%,同时,“新基建”背景下5G基站快速发展,也带来巨大能源消耗。因此,应推动数字产业发展向低碳方向转型。
使用双向固定效应模型分析国家级大数据综合试验区建设影响低碳经济转型的动态效应,结果如表9所示。霍夫曼系数、区域能源消费弹性和工业固废综合利用率变量的DID_2015系数估计值显著,其它因变量的DID_2015系数估计值不显著。鉴于国家级大数据综合试验区从2016年2月开始建立,比较DID_2017与DID_2016的双重差分估计值,结果显示2017年该系数上升幅度较大,进一步表明数字经济对低碳经济转型的效果明显,尤其是能源利用效率和资源配置情况对国家级大数据综合试验区建立这一事件具有较高的敏感度。资源配置和产业结构各变量的双重差分估计值上升幅度与其它变量相比较为平稳。在生态环境变量中,绿化覆盖率对国家级大数据综合试验区建立的敏感度较低,未来可进一步提高数字经济发展的生态效应。
本文进行安慰剂检验,验证实证结果稳健性。以Mprov×Pos为解释变量,以我国低碳经济转型整体得分(Hθ)为被解释变量,其它控制变量不变,再次进行双重差分检验。
首先,随机选择9个省市作为测试的实验组地区,并增加10个非国家级大数据综合试验区试点城市作为新增样本以构建反事实实验。其次,使用倾向得分匹配双重差分法(PSM-DID)进行检验,以解决国家级大数据综合试验区城市的设立可能产生的非随机性问题。然后,考虑研究结果可能受到国家级大数据综合试验区建立之前其它数字经济相关政策的影响,如2013年8月1日发布《国务院关于印发“宽带中国”战略及实施方案的通知》,支持信息化发展。因此,开展安慰剂检验,排除“宽带中国”战略的影响,以2013年8月我国提出“宽带中国”战略为时间节点,去掉2016年及以后的样本,对2013-2016年的样本进行双重差分回归。最后,分别使用post和postyear两个年份作为虚拟变量以避免多重共线性问题。以上稳健性检验结果如表10所示。
表1 我国低碳经济转型指标设计与测度
Tab.1 Design and measurement of low carbon economy transformation indexes in China
二级指标三级指标测度方法资源配置资源消耗强度(WU)工业万元产值资源使用量全要素生产率(TFP)利用Malmquist指数法计算工业固废综合利用率(CUI)工业固体废物综合利用量/(工业固体废物产生量+往年贮存量)产业结构产业结构高级化(IFM)第一产业GDP占比×1+第二产业GDP占比×2+第三产业GDP占比×3产业协同集聚度(CO)制造业和生产性服务业的集聚指数工业化趋势(Hoff)消费资料工业净产值/资本资料工业净产值生态环境绿化覆盖率(GCBA)数据来源于中国区域经济统计年鉴废水排放达标率(WDC)废水排放达标量/废水排放总量碳排放总量同比下降率(TCE)碳排放总量=Σ能源消耗×碳排放系数能源利用清洁能源使用比例(CE)区域清洁能源总量/区域能源消耗总量能源消费弹性系数(EU)能源消费平均增长率/工业生产总值平均增长率人均能耗下降率(CD)人均能耗=地区能源消费总量/地区人口总数
表2 国家级大数据综合试验区建立前后实验组低碳经济转型指标变化
Tab.2 Changes of low carbon economy transition indexes in pilot group before and after the establishment of national big data comprehensive pilot zones
变量实验组建立前均值标准差中位数建立后均值标准差中位数MedianDiffWU0.370 80.130 10.351 80.363 90.171 60.361 5-0.964 2*TFP0.530 80.168 60.556 50.595 60.132 70.557 11.064 6*CUI0.219 60.083 50.236 40.222 70.094 70.255 73.286 5*IFM0.208 40.058 60.213 70.209 70.097 80.215 42.784 1**CO0.330 80.103 80.324 80.397 10.082 90.411 96.947 7**Hoff0.283 00.180 40.317 00.302 10.100 40.332 02.062 8**GCBA0.120 80.052 90.119 00.160 70.059 40.183 04.097 6WDC0.738 30.197 40.726 00.820 00.172 90.852 07.123 8***TCE0.205 70.090 90.184 80.255 60.057 00.265 112.178 9***CE0.857 40.242 70.854 20.970 90.247 40.982 58.229 2**EU0.184 50.068 50.162 10.195 20.071 60.194 76.495 6*CD0.154 80.075 20.135 80.160 90.038 50.176 45.013 5**
:注:MedianDiff为Wilcoxon秩和检验z值,***、**、*分别表示在1%、5%、10%水平上显著
表3 2014-2020年实验组与对照组低碳经济转型整体得分
Tab.3 Overall score of low-carbon economic transition between pilot group and control group, 2014-2020
年份实验组均值标准差中位数对照组均值标准差中位数20140.288 9 0.126 5 0.284 6 0.281 5 0.142 1 0.334 8 20150.214 3 0.060 3 0.219 8 0.215 7 0.085 3 0.221 5 20160.225 9 0.085 9 0.243 1 0.229 0 0.097 4 0.263 0 20170.333 9 0.106 8 0.326 0 0.252 2 0.100 6 0.238 6 20180.371 1 0.113 2 0.364 9 0.271 4 0.082 7 0.268 9 20190.381 4 0.122 0 0.367 4 0.285 0 0.085 1 0.269 4 20200.443 1 0.185 5 0.418 1 0.304 0 0.073 6 0.326 1
表4 变量描述性统计结果
Tab.4 Descriptive statistics of variables
变量处于试点地区的城市(处理组)观测数平均值标准差处于非试点地区的城市(对照组)观测数平均值标准差WU3500.295 00.032 61 0500.256 90.038 7TFP3500.619 20.065 01 0500.541 20.067 2CUI3500.239 10.027 01 0500.207 90.033 8IFM3500.254 40.028 51 0500.221 30.035 2CO3500.301 20.033 21 0500.262 40.039 3Hoff3500.230 30.026 11 0500.200 20.033 1GCBA3500.082 50.011 31 0500.070 60.020 1WDC3500.723 00.075 41 0500.632 20.076 3TCE3500.175 40.020 61 0500.152 00.028 2CE3500.978 30.101 01 0500.856 10.098 8EU3500.188 90.021 91 0500.163 90.029 4CD3500.121 60.015 21 0500.104 90.023 5ED3502.325 40.236 01 0502.037 30.217 1GS3500.125 30.015 61 0500.108 10.023 8INV3500.103 50.013 41 0500.089 00.021 9CA3500.052 70.008 31 0500.044 50.007 5
注:对连续变量进行缩尾处理以避免极端值的影响,同时,将检验结果的标准差在城市层面进行聚类调整
表5 国家级大数据综合试验区建设对我国资源配置的影响
Tab.5 Impact of national big data comprehensive pilot zone construction on resource allocation in China
变量模型(1)WU模型(2)TFP模型(3)CUIMprov×Post-0.795 4***(-4.292 7)0.530 2*(1.056 4)0.528 5**(2.742 1)Post-0.573 6**(-2.727 4)0.439 2**(2.084 2)0.199 7**(2.922 9)Mprov-0.683 2*(-1.673 1)0.563 1*(1.175 3)0.290 1*(1.913 3)Constant1.483 5(0.263 8)0.968 9(0.092 8)1.380 5(2.103 7)控制变量是是是Province是是是观测量1 4001 4001 400
注:***、**和*分别表示在1%、5%和10%的显著性水平;括号内数值为聚类稳健标准误,下同
表6 国家级大数据综合试验区建设对我国产业结构的影响
Tab.6 Impact of national big data comprehensive pilot zone construction on China's industrial structure
变量模型(4)IFM模型(5)CO模型(6)HOFFMprov×Post0.344 0**(2.193 4)0.181 7*(1.727 1)0.528 5**(2.742 1)Post0.450 2**(2.192 0)0.173 9*(1.997 0)0.199 7**(2.922 9)Mprov0.137 2**(1.983 0)0.063 6*(1.974 9)0.290 1*(1.913 3)Constant0.545 2*(2.106 8)1.773 3*(1.997 3)1.380 5(2.103 7)控制变量是是是Province是是是观测量1 4001 4001 400
表7 国家级大数据综合试验区建设对我国生态环境的影响
Tab.7 Impact of national big data comprehensive pilot zone construction on ecological environment in China
变量模型(7)GCBA模型(8)WDC模型(9)TCEMprov×Post0.578 5*(1.053 2)0.410 3**(2.372 1)0.199 3(0.506 3)Post0.336 1*(1.253 2)0.213 8**(2.518 5)0.329 3(0.156 8)Mprov0.213 9*(1.635 2)0.269 3***(3.273 2)0.204 0(0.258 4)Constant1.927 5(0.275 2)1.037 4**(2.364 3)0.394 3(0.284 3)控制变量是是是Province是是是观测量1 4001 4001 400
表8 国家级大数据综合试验区建设对我国能源利用的影响
Tab.8 Impact of national big data comprehensive pilot zone construction on energy utilization in China
变量模型(10)CE模型(11)EU模型(12)CDMprov×Post0.248 5**(2.419 1)0.210 3**(2.000 8)0.410 5**(2.200 9)Post0.156 8*(1.253 2)0.197 5**(2.618 5)0.501 3**(2.254 6)Mprov9.213 9**(2.635 2)0.069 3***(3.365 1)0.336 1**(2.281 5)Constant-0.284 3(-0.275 2)0.122 1***(2.474 3)0.023 5***(3.308 4)控制变量是是是Province是是是观测量1 4001 4001 400
表9 国家级大数据综合试验区的建立对我国低碳经济转型影响的动态效应
Tab.9 Dynamic effect of the establishment of national big data comprehensive pilot zones on the transformation of low carbon economy in China
变量DID_2015DID_2016DID_2017DID_2018DID_2019WU-0.060 7(-1.028 9)-0.197 9*(-1.463 6)-0.304 5**(-1.673 5) -0.375 3**(-1.735 8) -0.400 3***(-3.770 4)TFP0.102 0(0.354 4)0.189 3*(1.683 6)0.328 6**(2.276 5)0.469 8**(1.937 5) 0.501 2**(1.967 7)CUI0.274 6*(0.112 8)0.142 1*(1.857 3) 0.257 7**(2.374 6)0.349 0**(1.645 7) 0.380 2**(2.447 0)IFM0.101 2(1.118 0)0.199 7*(1.726 4)0.316 3*(1.738 3)0.443 4*(1.657 3) 0.401 4**(2.565 9)CO0.203 0(0.156 3)0.292 2(0.825 2)0.316 7*(1.704 8) 0.401 9**(1.748 4) 0.417 3**(2.766 2)Hoff0.096 8(1.683 3)0.136 1*(1.903 7)0.241 4(1.632 7)0.431 2(1.534 7) 0.429 6(0.943 3)GCBA0.214 4(1.850 5)0.208 5**(2.273 6)0.325 5**(2.296 8)0.479 9***(3.658 9) 0.481 3***(2.682 5)WDC0.271 8(1.041 0)0.253 4*(3.246 2)0.379 8*(1.784 6)0.401 9*(1.652 3) 0.464 9**(1.875 3)TCE0.174 0(1.145 6)0.260 8(1.485 5)0.298 5**(2.281 7) 0.344 8**(2.321 6) 0.297 4**(2.157 8) CE0.182 0*(1.796 0)0.242 8*(1.735 3)0.264 1**(1.982 6)0.260 2**(2.846 3) 0.291 5**(2.742 4)EU0.197 9(0.613 2)0.240 2*(1.683 1)0.267 8**(2.391 7)0.277 8**(2.364 8) 0.321 1**(2.835 2)CD0.132 5*(1.794 7)0.242 3*(1.896 5)0.232 6**(2.375 6)0.269 8**(2.389 8) 0.320 3**(2.845 2)ControlsYesYesYesYesYesConstant0.452 5**(2.454 0)0.713 4***(3.832 3)0.542 7***(3.565 7)0.602 6***(3.197 4)0.336 3***(5.405 1)N1 4001 4001 4001 4001 400R20.553 90.652 70.626 20.793 50.730 9
注:括号内为t值;***、**、*分别表示在1%、5%、10%水平上显著
表10 稳健性检验结果汇总
Tab.10 Summary of robustness test
变量改变样本对象PSM-DID改变样本区间增加虚拟变量Mprov×Post0.1140.119**0.128***0.102**(0.095)(0.016)(0.021)(0.013)控制变量是是是是城市固定效应是是是是年份固定效应是是是是R20.2110.8120.8040.826观测数1 4701 4008001 400
改变样本对象得到的检验结果表明,交乘项的估计系数不显著。因此,随机选择省市作为测试的实验组地区未对我国低碳经济转型产生显著影响。
使用倾向得分匹配双重差分法(PSM-DID)检验国家级大数据综合试验区的低碳经济转型效应时,双重差分变量Mprov×Post的系数在5%水平显著为正,验证了试点试验区的设立存在低碳经济转型效应。
改变样本时间区间后,交乘项Mprov×Post的估计系数不显著,即“宽带中国”战略及实施方案对我国低碳经济转型未产生显著影响。换言之,在2016年国家级大数据综合试验区建立前,实验组与对照组中的资源配置、产业结构、生态环境和能源利用等具备相同的时间趋势,因此,差分模型较为理想。增加虚拟变量后,国家级大数据综合试验区对城市低碳经济转型的正向作用依然显著,通过了5%的显著性水平检验。
综上,稳健性检验结果表明基准回归结果具有稳健性,国家级大数据综合试验区的建立对我国低碳经济转型具有正向影响,即国家级大数据综合试验区的设立存在低碳经济转型效应。
目前,我国区域经济发展存在失衡现象,同时,数字经济在不同地区具有差异性基础。在这样的背景下,大数据综合试验区的发展是否对不同地区低碳经济转型产生差异化影响?为此,对数字经济发展作进一步异质性分析。
4.4.1 经济发展基础的异质性分析
数字经济相关政策与互联网深化发展等宏观政策以及电子信息产业政策的实施效果存在一定差异性,具体表现为数字经济发展可能对区域经济发展和基础建设水平具有一定依赖性。基于我国提出的国家级大数据综合试验区政策,根据国家统计局公布的中国人均地区生产总值,比较样本城市前一年人均GDP是否超过我国整体人均GDP水平,进一步将样本城市区分为经济欠发达区域和经济较发达区域。
4.4.2 技术创新水平异质性分析
数字经济发展需要利用数字技术与信息技术等先进技术手段。为了消除人口规模以及创新主体规模基础带来的技术创新差异,根据国家大数据综合试验区政策提出前一年各省市专利数的中位数,将样本进一步划分为高水平创新地区和低水平创新地区。
4.4.3 绿色金融发展水平异质性分析
近年来,我国绿色金融大力推进改革创新发展,并逐渐形成绿色金融体系推动企业可持续发展的重要导向,逐步停止对高污染与高排放企业的新增授信使用,从而抑制高污染企业的信贷需求。同时,积极推出绿色金融业务和绿色金融产品,鼓励绿色企业实现融资与发展。由此可见,绿色金融和数字经济是当前经济复苏的主要发展方向。绿色金融发展有助于完善以发掘金融价值和保证安全及隐私权为双核的金融数据管理,并助推绿色低碳的经济发展模式[30]。由此可见,目前绿色金融发展水平可能对数字经济发展的低碳经济转型效应产生一定促进作用。以政策发生前3年全国绿色信贷规模平均水平为标准,根据样本地区绿色信贷规模是否高于平均水平进行样本划分,并进行回归分析。
将样本分别按照经济发展水平、技术创新基础和绿色金融发展水平进行分类,选取2014-2020年样本数据,被解释变量包括测度我国低碳经济转型的资源配置指标、产业结构升级指标、生态环境优化指标,解释变量和控制变量不变,对3组样本进行变量双重差分检验,结果如表11所示。
表11 异质性分析结果
Tab.11 Heterogeneity analysis
变量经济较发达地区经济欠发达地区高创新水平地区低创新水平地区绿色金融发达地区绿色金融欠发达地区WU-0.061 7(-0.729 9)-0.110 9*(-1.997 6)-0.203 6(-0.664 5) -0.334 6**(-2.021 4) -0.390 3***(-3.790 4)-0.186 9*(-1.983 6)TFP0.124 2***(3.354 4)0.146 3*(1.983 6)0.242 7*(1.563 8)0.459 4***(1.865 8) 0.511 2**(1.969 7)0.185 3*(1.985 6)CUI0.241 6*(2.112 8)0.113 1*(1.997 3) 0.212 6**(2.312 6)0.343 1*(1.903 1) 0.387 2***(2.497 0)0.125 1*(1.968 3) IFM0.102 6**(2.978 0)0.179 7(1.126 4)0.385 9(1.716 7)0.442 5***(3.626 8) 0.425 4**(2.594 9)0.193 7*(1.998 4)CO0.213 1*(2.656 3)0.238 2(0.886 5)0.395 7*(1.937 5) 0.403 5**(2.764 9) 0.485 3**(2.778 2)0.267 2(0.825 2)Hoff0.012 8**(2.683 3)0.137 1*(1.990 4)0.223 7(1.325 7)0.458 4(1.228 4) 0.423 6**(2.343 3)0.134 1*(1.973 7)GCBA0.200 4(1.450 5)0.195 5**(2.673 6)0.324 6**(2.592 3)0.471 9***(3.682 1) 0.475 3***(2.582 5)0.207 5**(2.473 6)WDC0.248 5(1.041 0)0.217 4*(1.996 2)0.362 8*(1.988 5)0.401 2*(1.631 2) 0.489 9**(1.975 3)0.229 4*(1.946 2)TCE0.114 0(1.045 6)0.228 8(1.185 5)0.289 5**(2.682 7) 0.317 4**(2.380 8) 0.294 0**(2.557 8) 0.278 8(1.585 5)CE0.111 1***(2.966 0)0.200 8*(1.985 3)0.274 7**(1.995 5)0.273 2**(2.898 4) 0.294 6**(2.942 4)0.175 8*(1.335 3)EU0.128 9(0.674 2)0.217 2*(1.983 1)0.226 5**(2.492 7)0.282 3**(2.328 5) 0.322 3**(2.935 2)0.211 2*(1.983 1)CD0.132 1**(2.796 7)0.196 3*(1.996 5)0.234 7**(2.474 2)0.281 8**(2.327 4) 0.328 6**(2.645 2)0.216 3*(1.996 5)控制变量YesYesYesYesYesYes固定效应YesYesYesYesYesYesN 385 1 015 681719504896组间差异检验 2.943.983.85p=0.086 4p=0.047 1p=0.058 5
异质性分析结果显示,在经济发展情况分样本检验结果中,国家大数据试验区对经济较发达区域产业结构高级化(IFM)和产业协同集聚度(CO)的促进作用不显著,而对经济欠发达地区全要素生产率(TFP)、工业化趋势(Hoff)、清洁能源使用比例(CE)和人均能耗下降率(CD)的促进效果更加明显,组间差异检验结果也表明,组间数字经济政策有效性具有明显区域差异。
技术创新水平分样本检验结果显示,国家大数据综合试验区对资源消耗强度(WU)、全要素生产率(TFP)和产业结构高级化(IFM)的促进作用在创新基础较为薄弱的地区更加显著。异质性分析结果表明,技术创新水平更高的地区,更容易借助大数据产业发展实现低碳经济发展模式转型。
绿色金融发展水平分样本检验结果显示,对于绿色金融发展状况更好的地区,国家大数据综合试验区的建立对低碳经济转型各项指标的促进作用更强,影响更显著。这说明,较好的绿色金融发展状况有利于数字产业发展,从而更有效地促进低碳经济转型。因此,应进一步发挥不同类型环境政策的协同减排效应。
4.4.4 边际分析
对控制变量处在某一特定水平下数字经济发展产生的低碳经济转型效果进行边际分析。对于基础设施完善程度不同以及财政支持程度不同的地区,国家级大数据综合试验区建设对低碳经济转型的促进作用存在差异。因此,基于互联网普及率和财政支持两个变量进行边际分析。基于边际分析结果,对于网络普及度相对较低区域,资源配置效果和资金效率具有更加重要的促进作用。通过较高水平的财力支持保障,使得绿色管理更加完整,实现资源采掘与分解,助力更大规模数据决策,推动我国向低碳经济发展模式转型。
以2016年2月我国建设国家级大数据综合试验区作为准自然实验,通过双重差分模型,考察国家级大数据综合试验区建立对我国低碳经济转型过程中资源配置、产业结构、生态环境和能源利用产生的影响。研究发现:国家级大数据综合试验区的建立整体上显著推进我国向低碳经济发展模式转型,且该促进作用随着数字经济发展与完善而不断提高;在低碳经济转型的4个维度中,国家级大数据综合试验区的建立对能源利用效率、资源利用效率和产业集聚程度的正向影响更显著,且该影响具有稳定性与可持续性;从动态效应来看,在国家级大数据综合试验区建立之初即对我国低碳经济转型产生较强的正向影响。短期内,其对生态环境指标中的绿化覆盖率未产生明显效果,但从长远来看,国家级大数据综合试验区通过数字化监管等多种手段积极引导企业履行环保责任并探索绿色项目,将进一步发挥环境保护效应,推动我国向低碳经济发展模式转型。
据此,提出如下政策建议:一是进一步发挥国家级大数据综合试验区的示范作用。优化城市数字化和智慧化管理模式,并探索其促进城市低碳经济转型的多维路径,强化数字经济发展优化资源配置、产业结构、生态环境和能源利用等方面的低碳转型效果;二是关注国家级大数据综合试验区的地区异质性。对于经济欠发达的城市给予重点关注,及时调整数字经济发展相关政策,应充分落实数字经济促进城市向低碳经济发展模式转型的实践;三是实现多项政策的协同驱动作用。拥有良好绿色金融制度和绿色信贷规模的城市具有向更高水平数字化发展的政策与制度基础,应充分利用该优势快速发展数字经济,综合多项政策,强化低碳经济转型的协同效应,向数字治理与绿色治理的城市低碳经济发展模式迈进。
本文还存在以下不足之处:仅以建设“国家级大数据综合试验区”为准自然实验,未对不同地区的数字经济发展水平进行定量分析;探讨了数字经济赋能低碳经济转型的路径,但未对各路径产生的影响效应进行测度。基于此,未来研究可从以下两个方面作进一步探讨:对不同地区的数字经济发展水平进行测量,或从不同维度对数字经济发展情况进行分析,从而更精确地把握数字经济发展现状与区域异质性;对数字经济赋能低碳经济转型产生的影响效应进行实证分析,揭示数字经济如何通过不同路径赋能低碳经济转型,判断何种路径具有更显著的正向影响。
[1] 闵路路, 许正中.数字经济、创新绩效与经济高质量发展——基于中国城市的经验证据[J].统计与决策, 2022,38(3):11-15.
[2] 惠宁, 杨昕.数字经济驱动与中国制造业高质量发展[J].陕西师范大学学报(哲学社会科学版),2022,51(1):133-147.
[3] 巫瑞, 李飚, 原上伟.数字经济对区域经济高质量发展的影响研究[J].工业技术经济, 2022,41(1):29-36.
[4] 李宗显, 杨千帆.数字经济如何影响中国经济高质量发展[J].现代经济探讨, 2021,40(7):10-19.
[5] 陈诗一.中国各地区低碳经济转型进程评估[J].经济研究,2012,47(8):32-44.
[6] 师帅,臧发霞,池佳.新时期我国低碳经济发展面临的机遇与挑战[J].理论探讨,2021,38(2):115-119.
[7] 蔡宁,丛雅静,吴婧文.中国绿色发展与新型城镇化——基于SBM-DDF模型的双维度研究[J].北京师范大学学报(社会科学版),2014,59(5):130-139.
[8] 邬彩霞,高媛.数字经济驱动低碳产业发展的机制与效应研究[J].贵州社会科学,2020,41(11):155-161.
[9] 邱子迅, 周亚虹.数字经济发展与地区全要素生产率——基于国家级大数据综合试验区的分析[J].财经研究, 2021,47(7):4-17.
[10] 李桥兴, 杜可.国家级大数据综合试验区设立对区域数字经济发展影响效应评估[J].科技管理研究, 2021,41(16):81-89.
[11] WANG F, GAO C, ZHANG W, et al. Industrial structure optimization and low-carbon transformation of Chinese industry based on the forcing mechanism of CO2 emission peak target[J]. Sustainability, 2021, 21(13):1-15.
[12] CHEN F, LIU Z, CUI W, et al. The impact of digital transformation on female career development: dividends or divide:an empirical analysis based on the World Bank Survey Data on Chinese manufacturing companies[J]. Asia Pacific Journal of Human Resources, 2021,32(12): 18-36.
[13] 吕铁,李载驰.数字技术赋能制造业高质量发展——基于价值创造和价值获取的视角[J].学术月刊,2021,53(4):56-65,80.
[14] OBASHI A, KIMURA F.New developments in international production networks: impact of digital technologies[J]. Asian Economic Journal, 2021,30(8):1326-1345.
[15] 谢贤君.要素市场扭曲如何影响绿色全要素生产率——基于地级市经验数据研究[J].财贸研究,2019,30(6):36-46.
[16] 周磊,安烨.新旧动能转换背景下我国现代物流业融资效率研究[J].经济问题,2019,41(11):53-60.
[17] 曾可昕,张小蒂.数字商务与产业集群外部经济协同演化:产业数字化转型的一种路径[J].科技进步与对策,2021,38(16):53-62.
[18] 李毅, 胡宗义, 何冰洋. 环境规制影响绿色经济发展的机制与效应分析[J]. 中国软科学, 2020,35(9):26-38.
[19] 杜传忠,管海锋.数字经济与我国制造业出口技术复杂度——基于中介效应与门槛效应的检验[J].南方经济,2021,39(12):1-20.
[20] 王嘉丽,宋林,张夏恒.数字经济、产业集聚与区域电子商务创新效率[J].经济问题探索,2021,42(9):156-165.
[21] ZHU C, ZHANG C, QIU F, et al. Transformation of industrial structure and layout optimization based on low-carbon economy in Xuzhou Metropolitan Area[J]. Economic Geography, 2017,23(5):1-15.
[22] ZHOU S, TONG Q, PAN X, et al. Research on low-carbon energy transformation of China necessary to achieve the Paris agreement goals: a global perspective[J]. Energy Economics, 2021,32(2):105137.
[23] FANKHAUSER S. A practitioner's guide to a low-carbon economy: lessons from the UK[J]. Climate Policy, 2013, 13(3):345-362.
[24] 蔡跃洲,牛新星.中国数字经济增加值规模测算及结构分析[J].中国社会科学,2021,42(11):4-30,204.
[25] YOSHINO N, SCHLOESSER T, TAGHIZADEH-HESARY F.Social funding of green financing: an application of distributed ledger technologies[J].International Journal of Finance &Economics,2020,36(8):32-46.
[26] 杜传忠,王飞.产业革命与产业组织变革——兼论新产业革命条件下的产业组织创新[J].天津社会科学,2015,33(2):90-95,99.
[27] ZHANG W,HONG M,LI J,et al.An examination of green credit promoting carbon dioxide emissions reduction: a provincial panel analysis of China[J].Sustainability,2021,13(5):1-9.
[28] 宋蕾.智能与韧性是否兼容——智慧城市建设的韧性评价和发展路径[J].社会科学,2020,42(3):21-32.
[29] 范德成,谷晓梅.高技术产业技术创新效率关键影响因素分析——基于DEA-Malmquist和BMA方法的实证研究[J].科研管理,2022,43(1):70-78.
[30] 孙振清,李欢欢,刘保留.中国东部沿海四大城市群协同创新效率综合测度及影响因素研究[J].科技进步与对策,2021,38(2):47-55.
[31] 范德成, 张修凡.绿色金融改革创新对低碳企业可持续发展能力的影响研究[J].科学管理研究, 2021,39(3):85-90.