The Path and Mechanism of Digital Technology Innovation Empowering Urban Low-Carbon Transformation

Chen Xiao1,2,Zhang Xinao1,2,Wang Yubao1,3

(1.College of Economics and Management, Xinjiang University, Urumqi 830046, China;2. Institute for Xinjiang Macro-Economic High-quality Development, Urumqi 830046,China;3.Xinjiang Energy Carbon Neutrality Strategy and Policy Research Center,Urumqi 830046, China)

Abstract：In order to cope with global climate change more effectively, it is a new mission to achieve low-carbon transformation for governments and businesses worldwide. Global environmental governance needs to make fresh contributions to building green and low-carbon production and lifestyles. Digital technology innovation, including artificial intelligence, big data analysis, and the Internet of Things, offers unprecedented opportunities for building a low-carbon economy. These innovations not only inject new vitality into traditional industries but also help reduce carbon emissions by improving energy efficiency and providing intelligent carbon management tools. Digital technology also gives rise to emerging industries, such as clean energy and intelligent transportation, which inherently have lower carbon footprints. Therefore, digital technology innovation is a key driver in promoting low-carbon transformation, reducing carbon emissions in traditional industries, and fostering new low-carbon economic growth. However, existing research lacks in-depth examination of the impact of technological innovation on carbon emissions, particularly in the field of digital technology innovation. Most studies tend to construct comprehensive indicators for the development of the digital economy to explore the relationship between digital economy development and carbon emissions.In-depth research on how digital technology innovation promotes low-carbon economic transformation is crucial for understanding its impact mechanisms and optimizing policy formulation.

In terms of research methodology, this paper analyzes the direct effects, indirect mechanisms, policy adjustments, and spatial spillover paths of digital technology innovation on low-carbon transformation. In order to examine the role of digital technology innovation in low-carbon transformation from the perspective of urban carbon intensity, the study selects the panel data from 279 Chinese cities from 2006 to 2021 to measure the level of digital technology innovation in Chinese cities with 2.97 million digital technology patents. Empirically, the main model for testing direct effects is the two-way fixed effects model; and then the mediation effect models and moderation effect models are used to analyze the indirect mechanisms and policy adjustments, respectively. The spatial carbon emission reduction effect of digital technology innovation is estimated using spatial Durbin and spatial lag models.

The study concludes that digital technology innovation reduces urban carbon emission intensity by lowering energy consumption intensity and promoting industrial and service sector upgrades through mediation effect channels within cities. External policies such as national smart cities, national intellectual property cities, and national low-carbon city pilots beef up the carbon reduction impact of digital technology innovation. Spatial econometric results show that digital technology innovation produces a synergistic carbon reduction effect through "siphoning" and "demonstration" effects among cities, overall reducing carbon intensity in surrounding economically similar urban agglomerations through spatial spillover. Moreover, the degree of carbon reduction through digital technology innovation varies depending on a city's geographical location and energy endowment, with different types of digital core industry innovations and different types of digital innovation research significantly reducing carbon intensity. Overall, this paper provides policy insights that the government should seize the opportunities of digital technology innovation, fully leverage the low-carbon transformation potential of digital technology, build a network of digital technology innovation spillovers, and appropriately support urban digital technology innovation for carbon peaking and neutrality.

This paper makes marginal contributions in three aspects. First, it explores the factors influencing urban carbon emission reduction from the perspective of digital technology innovation, verifying the direct impact of digital technology innovation on reducing carbon emission intensity and exploring its internal mediation mechanisms and external policy regulation mechanisms. Second, it measures digital technology innovation with patents authorized in the core industries of the digital economy and further uses spatial econometric models to examine the spatial spillover paths of digital technology innovation in reducing carbon emission intensity,which helps to explore the spatial paths of carbon reduction through digital technology innovation. Third, the paper also examines the heterogeneity in reducing carbon intensity through digital technology innovation among cities with different geographical locations and resource differences, as well as among various core industry innovations in the digital economy and different research on digital technology innovation.

Key Words：Digital Technology Innovation; Low-carbon Transformation; Carbon Emissions;Spatial Spillover

收稿日期：2023-07-27

修回日期：2023-11-14

基金项目：国家社会科学基金重大项目(21&ZD133);中央引导地方科技发展专项-科技成果转移转化项目(ZYYD2022016);新疆维吾尔自治区自然科学基金项目(2020D01C051);新疆大学哲学社会科学高端智库培育项目(22GPY003)

作者简介：陈晓(1970—),女,陕西临潼人,博士,新疆大学经济与管理学院教授、硕士生导师,新疆宏观经济高质量发展研究中心主任,研究方向为人口、资源与环境经济学;张鑫奥(1998—),男,河南许昌人,新疆大学经济与管理学院硕士研究生,新疆宏观经济高质量发展研究中心助理研究员,研究方向为西方经济学;王育宝(1968—),男,陕西乾县人,博士,新疆大学经济与管理学院副院长、博士生导师,新疆能源碳中和战略与决策研究中心主任,研究方向为气候变化经济学与“双碳”目标。本文通讯作者：张鑫奥。

DOI：10.6049/kjjbydc.H202307142

开放科学(资源服务)标识码(OSID)：

中图分类号：F290

文献标识码：A

文章编号：1001-7348(2024)23-0041-11

0 引言

中共二十大报告明确提出“加快实施创新驱动发展战略,加快实现高水平科技自立自强”。数字技术作为世界科技革命和产业变革的先导力量,深刻改变着社会生产方式、生活方式和治理方式,日益融入经济社会发展各领域全过程。中共中央、国务院2023年发布《数字中国建设整体布局规划》明确指出,推进数字技术与经济、政治、文化、社会、生态文明建设“五位一体”深度融合,强化数字技术创新体系和数字安全屏障“两大能力”。与此同时,随着“双碳”目标的提出,中国生态文明建设进入以降碳为重点、促进减污降碳协同、推动经济社会发展的全面绿色转型的关键期。科技部、国家发展和改革委员会、工业和信息化部等九部门印发《科技支撑碳达峰碳中和实施方案(2022—2030年)》指出,充分发挥科技创新的支撑作用,统筹推进工业化城镇化与能源、工业、城乡建设、交通等领域碳减排,对于保障经济社会高质量发展与碳达峰碳中和目标实现具有极其重要的意义。数字技术创新作为以大数据、云计算等新一代信息技术为主要载体,以技术体系变革和技术融合应用为核心驱动力,以提升产业数字化和智能化水平为目标的技术创新形式[1],由其引发的经济动能通过何种路径机制对低碳转型产生影响值得深入研究。

随着我国科技自主创新能力不断攀升,基础研究和原始创新不断加强,一些关键核心技术实现突破,技术创新对低碳经济发展的作用和影响力成为共识。国内外学者分别从金砖国家[2]、中国省域[3]、行业企业[4-5]等宏微观层面考察技术创新对碳减排的促进作用,但也有学者发现当技术变革仅促进经济发展而非导向清洁技术时,或者当技术革新促进生产规模扩大从而引发能源反弹效应时(金培振等,2014),均有可能造成更多碳排放。研究结论不一可能是因为样本数据时间不同或个体差异,随着技术创新的不断发展,不同时期和地区乃至不同类型产业或企业技术创新对碳排放的影响存在系统性差异。

当前,鲜有研究深入考察数字技术创新对碳排放的影响作用。从农业技术进步水平视角出发,学习效应和涓滴效应会引发农业技术跨区域扩散与农业碳减排的间接互动[4];而以绿色技术创新能力和能源效率为内涵的绿色技术进步也会显著促进局部和空间相关区域碳排放绩效提升[6]。在数字技术创新方面,数字技术创新和新一代信息技术产业升级理论与作用机制研究不断拓展(孟庆时等,2021),但多数研究倾向于构建数字经济发展综合指标[7],探讨数字经济发展与碳排放的关系。

本文重点探讨数字技术创新对碳排放的影响,本文边际贡献体现在：首先,从数字技术创新视角出发,不仅验证数字技术创新对降低碳排放强度的直接影响,还探究城市中介机制和外部政策调节机制的作用。其次,以数字经济核心产业授权专利衡量数字技术创新,使用空间计量模型探索数字技术创新降低碳排放强度的空间溢出路径,试图探究数字技术创新的空间碳减排路径。再次,考察不同地理区位和资源差异城市、不同数字经济核心产业技术创新及数字技术创新降低碳强度的异质性。

1 理论分析与研究假设

1.1 数字技术创新影响碳排放强度的内部路径机制

数字技术作为数字经济的核心驱动力量,借助信息通信技术对知识和数据进行高效加工与处理,利用现代信息网络对信息进行快速传导,成为数字经济时代的技术支撑。从较为宽泛的角度看,数字技术创新是指采用信息、计算、沟通和连接等数字技术组合,围绕新产品开发、生产过程改进、组织模式变革以及商业模式创新等不同方向开展的技术创新[8]。数字技术创新组合性、成长性和收敛性三大特性所带来的跨时空信息传播、数据创造、降低交易成本等优势,有助于推动企业向绿色低碳、节能高效的生产方式转变,进而通过以下途径对城市碳排放强度产生影响。

(1)能源消耗强度。当前,数字技术已广泛应用于生活服务、产业发展、交通运输等领域,互联网、云计算和大数据等关键技术能够突破地域和时空界限,加速资源要素流动,缓解地域和时空对资源要素配置的约束[9],减少资源和能源浪费,进而减少碳排放。另外,数字技术跨行业、跨地域溢出不仅能增加非化石能源获取、储存和使用,提高非化石能源消费比例[10],还能降低非化石能源消费成本[11],削弱煤化石能源结构对区域碳排放的影响。

(2)产业结构升级。产业结构升级呈现的Kuznets事实表明,第三产业增加值比重伴随着经济发展逐渐增加。从数字产业化角度看,数字技术创新推动包括互联网、电子商务、云计算、人工智能等以数字技术为核心的产业兴起[12]。这些产业信息化技术不仅有利于提高资源利用率,减少能源消耗,还能通过优化资源配置提高生产率,从而降低城市碳排放强度。从产业数字化角度看,数字技术创新推动产业结构向高技术密集、创新驱动方向转型,催生出诸如制造业中的智能制造、物联网应用,零售业中的电子商务和智能零售,金融业中的金融科技等传统产业数字化转型[13]。

(3)服务业结构升级。随着服务业不断发展壮大,服务业发展对能源消耗及碳排放的驱动作用不断增强,高技术服务业比重增加有利于在控制总能耗的同时,降低总体碳排放水平[14]。首先,数字产业化本身就包含先进生产性服务业与高端服务业,数字技术创新有利于扩大高端服务业规模。其次,数字技术应用是新业态发展的关键驱动力,以大数据、人工智能为代表的数字技术创新成果推动知识密集型服务业迅速发展,促使现代服务业比重不断增加、服务业结构持续升级[15]。最后,数字技术创新有利于降低区域现代服务业与先进制造业技术壁垒,形成推动两者融合发展的驱动力,通过深度融合现代服务业与先进制造业促进现代服务业比重不断增加[16]。据此,本文提出如下假设：

H1：数字技术创新能够降低城市碳排放强度。

H2：数字技术创新通过降低能源消耗强度降低城市碳排放强度。

H3：数字技术创新不仅能够推动产业结构升级,还能进一步促进服务业内部结构升级,进而降低城市碳排放强度。

1.2 外部政策对数字技术创新影响碳排放强度的调节作用

随着数字技术创新的快速发展,国家政策环境对城市的支持和引导作用愈发重要。一方面,科技政策能为数字技术创新提供必要的资源支持(王敏等,2017)。相比于其它创新城市试点政策,智慧城市试点政策有较强的数字创新针对性[17],大量政府资金和社会资本快速投入到智慧城市建设之中,为城市知识开发和流动扩散创造良好的创新环境,助力数字技术创新不断发展,促使更多低碳、环保解决方案不断涌现[18]。另一方面,低碳政策为低碳发展赋能。与传统环境政策不同,低碳城市试点政策能够推动各试点城市不断提高低碳产品供给,培育低碳产品需求[19]。此外,知识产权保护是企业创新成果获取合法权益的保障,对于具有易模仿、易复制特点的数字技术创新尤为重要[20]。国家知识产权试点政策严格要求地方政府完善知识产权法律法规建设,加强科技政策与知识产权政策衔接[21],为数字技术创新效能的发挥提供良好的政策保护环境。据此,本文提出如下假设：

H4：国家智慧城市试点政策、国家知识产权城市试点政策、国家低碳城市试点政策有助于增强数字技术创新的碳减排效应。

1.3 数字技术创新对碳排放强度影响的空间路径

受知识转移、人才流动与经济关联的影响,创新活动往往具有一定空间溢出效应。Chen等[22]发现,数字技术对交通运输业碳排放存在空间溢出效应,当中国省级数字技术创新水平超过一定阈值时将会显著抑制其它省份碳排放。技术创新溢出是一个复杂过程,受地理邻近、经济邻近、技术邻近和组织邻近等因素的影响,且影响方式和程度不一(李文辉等,2021)。地区间数字经济差距较大时,可能会吸引周边地区人才、技术、资金转移,导致邻近地区资源流失,从而产生虹吸效应[23]。因此,虽然城市数字金融技术发展与生态效率正相关,但由于这种虹吸效应的存在,导致城市数字金融技术发展对周边区域生态效率产生空间抑制作用[24]。不同城市产业结构和技术结构不同,我国地区间经济水平也不同。一般而言,经济差距较小地区创新溢出更频繁,这些区域数字技术创新具有较强的示范带动作用[25],数字技术发展会通过空间溢出效应降低经济距离较小城市的碳排放强度(刘婧玲等,2022)。据此,本文提出如下假设：

H5：数字技术创新通过“虹吸效应”对地理邻近城市碳排放强度产生促进作用,通过“示范效应”降低经济邻近城市碳排放强度。

2 数据来源与研究设计

2.1 数据来源与变量衡量

2.1.1 自变量：数字技术创新水平(Dig)

授权专利是衡量创新产出的重要指标,本文参考Ashish Arora等[26]的研究,用授权专利度量数字技术创新;按照国家统计局发布的《数字经济及其核心产业统计分类(2021)》中的数字创新国际专利分类(International Patent Classification,IPC)代码[6],利用PatSnap全球专利数据库分类进行检索,并对法律状态、国别、受理区域进行筛选,通过对297万件数字技术授权专利数据进行归纳清洗,得到中国数字技术创新授权专利度量指标。本文采用永续盘存法(PIM)对数字技术创新年度授权专利流量进行存量化处理并取对数[27]。

图1左侧多期核密度图显示,近几年中国数字技术创新取得长足发展,且数字技术创新两极分化现象逐渐消失,呈现区域数字技术创新水平差距逐步缩小的空间态势。右侧数字技术创新空间分位图更是印证了上述特征,表明我国数字技术创新大量集中在东部沿海城市和内地省会城市,尤其密集分布在北京、上海、广州等国家中心城市。以上特征与经济发达城市较早发展数字经济并具有丰富的数字化资源、优越的基础设施条件和政府政策优势息息相关。

2.1.2 碳排放强度

碳排放强度(CI)以各城市碳排放总量与实际GDP的比值表示,城市碳排放量利用反向传播(PSO-BP)算法统一卫星图像尺度估算得到[28]。图2左侧多期核密度图显示,近几年中国碳排放强度呈先加剧后放缓态势,但城市间碳排放强度差异逐渐拉大。右侧碳排放强度空间分位图显示,我国城市碳排放强度存在西北地区高于东南地区的空间特征,这与西北部地区集聚大量重工业生产基地和主要矿产资源型城市导致资源环境污染程度严重、经济发展水平较低有关。

2.1.3 控制变量

参照刘婧玲等(2022)的研究,本文纳入城市层面控制变量：①人均GDP(Pg),用区域生产总值与人口数的比值表征;②人口密度(Pd),使用人口数量与区域面积的比值表征;③城镇化水平(Ul),使用城镇年末人口数量与地区总人口数量的比值表征;④环境规制指数(Er),通过加权平均城市各类污染排放强度的相对水平得到;⑤资本劳动比率(Cb),选取城市年固定资产投资与总就业人数之比衡量;⑥对外开放程度(Op),使用外商直接投资与城市GDP的比值表征。变量描述性统计结果如表1所示。

2.2 模型构建与实证策略

本文构建如下双向固定效应模型：

(1)

其中,下标i表示不同城市,t表示时间,CIi,t表示城市i在第t年碳排放强度的对数值,Digi,t表示城市i在第t年的数字技术创新水平,是一系列城市层面控制变量,μi表示不随时间变化的个体固定效应,γt表示时间固定效应,εit为随机误差项。

为避免内生性问题,使用各城市1984年邮电业务量和各年人均电信业务收入的乘积作为数字技术创新水平的工具变量(刘婧玲等,2022),构造两阶段最小二乘法回归模型。

Digi,t=β0+β1IVi,t+∑β2Xi,t+μi+γt+εi,t

(2)

(3)

本文采用中介效应模型检验这种作用机制是否存在,其中分别表示不同中介变量。中介模型构建如下：

CIi,t=α0+α1Digi,t+∑αjXi,t+μi+γt+εit

(4)

(5)

CIi,t=θ0+θ1Digi,t+θ2MVi,t+∑θjXi,t+μi+γt+εit

(6)

本文在基准模型设定的基础上拓展空间面板计量模型：

CIi,t=α0+ρWCIi,t+φ1WDigi,t+α1Digi,t+φ2WXi,t+∑α2Xi,t+εi,t

(7)

其中,φ1为数字技术创新空间交互项的弹性系数,φ2为控制变量空间交互项的弹性系数,ρ为空间自回归系数,W表示不同空间权重矩阵,εi,t为随机扰动项。

3 实证结果分析

3.1 基准检验

数字技术创新对城市碳排放强度影响的基准回归结果如表2所示。从中可见,核心解释变量数字技术创新水平在逐步引入控制变量和控制时间效应前提下拟合优度不断提升,说明数字技术创新对城市碳减排具有显著积极影响;基于工具变量的两阶段最小二乘法回归结果如表2中列5-6所示。在控制相同变量的前提下,数字技术创新系数显著为负,假设H1得到验证。

3.2 中介机制检验

能源消耗强度是实现碳达峰碳中和目标需要高度关注的指标,前文理论分析指出,数字技术创新通过优化资源配置、减少能源消耗和扩展能源消费形式降低城市碳强度。本文使用各城市单位GDP电力能源消耗量衡量能源消耗强度(刘婧玲等,2022),表3中列(1)数字技术创新系数显著为负而列(4)能源消耗强度系数显著为正,表明数字技术创新能够显著降低能源消耗强度,并通过能源消耗强度这一中介机制降低城市碳强度。

产业结构升级是实现“双碳”目标的重要途径,根据前文分析,数字产业化和产业数字化不断推动产业结构向高技术密集、创新驱动方向转变。产业结构升级根据第一、二、三产业在GDP中所占比重赋予相应权重[12],表3第2列数字技术创新系数显著为正,第5列数字技术创新和产业结构升级系数显著为负,表明数字技术创新显著推动城市产业结构升级,并通过产业结构升级的中介效应减少城市碳排放。

服务业随着自身规模不断发展壮大,逐渐成为减少碳排放量的主要贡献者。数字技术发展对服务业结构升级具有强大驱动作用,以数字技术为支撑的知识密集型服务业与先进制造业深度融合,促进现代服务业比重不断增加,本文采用现代服务业从业人员占第三产业从业人员比重衡量服务业结构升级[15]。表3中第3列和第6列结果显示,数字技术创新能够显著推动第三产业结构升级,并通过服务业结构升级的中介效应降低城市碳排放强度,假设H2和H3得到验证。

3.3 国家政策的调节作用

国家智慧城市试点政策强调完善基础设施建设,包括信息网络、数据中心、智能设备等,通过提供政策支持和经费保障,鼓励引入社会资本,推动相关产业技术创新发展[18]。国家智慧城市试点政策为数字技术创新提供良好的孵化环境,因此本文将国家智慧城市试点政策与数字技术创新进行交互,表4第(1)列交互项系数为负,表明数字技术创新的碳减排效应增强。

《国家知识产权试点示范城市(城区)评定和管理办法》的实施为知识产权保护营造了良好的政策环境,促进数字技术持续发展(王敏等,2017)。企业得益于数字技术专利独占性,能够更好地与其它企业或机构进行合作,增加技术转让许可费用,进而强化数字技术创新碳减排效能。本文将国家知识产权保护试点政策与数字技术创新进行交互,表4第(2)列交互项系数为负,表明数字技术创新的碳减排效应显著增强。

国家低碳城市试点政策鼓励城市践行低碳标准,以减少碳排放和资源消耗。低碳标准推动数字技术在城市建设和管理中广泛应用,通过智能化和数字化手段促进城市资源与能源高效利用,进而增强数字技术创新的碳减排效应。本文将国家低碳城市试点政策与数字技术创新进行交互,表4第(3)列交互项系数为负,表明数字技术创新碳减排效应得以增强,假设H4得到验证。

3.4 空间溢出路径

3种空间权重矩阵的空间计量模型均通过LM检验,表明使用空间杜宾模型(SDM)较为合理;此外,Wald检验显著性进一步证实SDM模型设定的合理性。为评估空间杜宾模型结果的有效性,本研究采用空间滞后模型(SAR)进行估计,结果见表5。

3.4.1 空间技术创新“虹吸效应”

空间计量LM模型检验结果显示,变量间相关性因矩阵不同而不同。无论是地理矩阵下的SDM模型还是SAR模型,数字技术创新对地理邻近城市碳排放均具有显著正向外溢效应,即本地区数字技术创新会促进地理邻近城市碳排放强度上升。原因可能在于,地理邻近城市之间存在“虹吸效应”[24],随着某地区数字技术创新水平的不断提高,其与周边地区形成势差,导致周边邻近地区技术、人才、研发资金、技术成果等优先流动到本地区,地理邻近地区数字技术创新水平下降导致碳排放强度增加。

3.4.2 空间技术创新示范效应

经济矩阵下的SDM和SAR模型间接效应与地理矩阵下的模型间接效应结果相反,即本地区数字技术创新会抑制经济邻近城市的碳排放强度。原因可能在于,经济邻近城市之间存在“示范效应”,某地区发展往往会对标与自身经济实力相近的城市,对与本地区经济实力接近城市具有强示范效应[6],因此本地区提高数字技术创新水平会联动经济邻近地区数字技术创新水平提升,从而降低碳排放强度。

3.4.3 空间技术创新综合效应

本文引入地理—经济嵌套矩阵,进一步分析数字技术创新的空间溢出效应。无论是嵌套矩阵下的SDM模型还是SAR模型结果均与经济矩阵下的模型结果高度相近,即本地区数字技术创新对经济和地理邻近城市碳排放强度具有抑制作用。原因可能在于,对于经济和地理较为邻近城市,其所受到的示范效应大于“虹吸效应”。经济矩阵和嵌套矩阵模型结果显示,数字技术创新整体达到碳排放强度总效应,假设H1、H5再次得到验证。

4 稳健性与异质性检验

4.1 稳健性检验

4.1.1 基准稳健性检验

本文在前文使用工具变量解决内生性问题和使用空间滞后模型验证空间杜宾实证结果的基础上,通过以下3种方法进一步验证回归结果的可靠性：①替换被解释变量,考虑到碳排放测度方法不同,采用碳排放总量与城市GDP的比值作为被解释变量重新进行分析;②引入额外控制变量,将城市消费能力和非数字技术创新纳入控制变量,表6第2列回归结果与基准结论保持一致;③采用滞后一期数字技术创新水平作为解释变量,回归结果符合基准结论;④更换核心解释变量,将当期数字技术创新流量和滞后一期数字技术创新流量作为解释变量与碳排放强度进行回归。上述回归结果表明,本文基准结果稳健。

4.1.2 全局稳健性检验

因同一授权专利具有多重属性,可能既属于数字技术创新专利又属于绿色技术创新专利,故排除绿色技术创新对实证结果造成的干扰,本文将被列入“IPC绿色清单”的数字技术创新专利全部剔除,仅讨论不存在于“IPC绿色清单”中的数字技术创新专利,并对上述实证结果进行稳健性检验,结果与以上结论保持一致。

4.2 异质性分析

4.2.1 城市地理区位和资源形态异质性

(1)本文按照中国省市地理区位划分,将城市划分为表7 Panel A中的6列,A组1～6列结果显示只有西部地区、中部地区和中东部地区数字技术创新对碳排放具有显著抑制作用。造成地理区位异质性的原因可能在于不同区域数字技术创新与碳减排匹配程度不同,导致数字技术创新带来的边际碳减排效用存在差异。西部地区因老工业城市背景和本身相对落后的数字技术创新水平,单位数字技术创新显著降低单位GDP碳排放[3]。而在数字技术创新开展相对较早且具有明显地理区位优势的城市,由于本身碳排放强度较低,单位数字技术创新降低单位GDP碳排放的效用较小。

(2)根据《国家资源型城市可持续发展规划(2013-2020年)》划分资源型城市类型。B组1～2列结果显示数字技术创新对非资源型城市碳强度的抑制作用较强。B组3～6列实证结果显示,数字技术创新对资源成长型和成熟型城市碳排放具有显著抑制作用,而对于资源衰退型和再生型城市碳排放的抑制作用不显著。结合中国4类资源型城市特征,数字技术创新能够在一定程度上解决资源成长型与成熟型城市的资源开发和利益分配问题,从而促进城市碳减排;由于资源衰退型城市资源趋近枯竭,资源再生型城市创新水平不高且城市功能发展不完善,因此低水平数字技术创新面临再生资源问题,难以显著改善城市碳强度。

4.2.2 城市数字核心产业创新异质性

根据国家统计局2021年发布的《数字经济及其核心产业统计分类(2021)》,将数字经济核心产业划分为数字产品服务创新、数字产品智造创新、数字技术应用创新、数字要素驱动创新4个类型进行检验,结果如表8所示。从中可见,无论是数字产品服务创新(Digs)、数字产品制造创新(Digm)、数字技术应用创新(Diga)还是数字要素驱动创新(Dige)均能对城市碳排放强度产生负向影响,系数大小接近且高度显著。

4.2.3 研究类型异质性

基础研究具有资金投入多、时间长、不确定性大等特点,具有强外部性和公共物品属性。基础研究成果以前瞻性科学论文为主,反映国家原始创新能力,关乎产业和社会整体发展。应用研究以基础研究的主要成果为知识来源,对其应用途径进行探索(孙晓华等,2014)。由于公共部门专利比企业部门专利更注重基础研究[29],故本文使用受让人代码区分基础数字技术创新(BDig)与应用数字技术创新(ADig)。表9结果显示两者系数显著为负,表明基础数字技术创新与应用数字技术创新均能降低碳排放强度,且基础数字技术创新效果更佳。

5 结语

5.1 研究结论

本文基于2006-2021年中国279个地级市面板数据,在构建数字技术创新指标的基础上,从内部影响机制、外部政策调节机制和空间溢出效应3个维度阐释数字技术创新影响碳排放强度的内在机理,得出如下结论：

(1)数字技术创新通过降低能源消耗强度、推动产业结构升级和促进服务业结构转型降低城市碳排放强度,国家智慧城市试点政策、国家知识产权城市试点政策、国家低碳城市试点政策均有助于增强数字技术创新的碳减排效应。

(2)数字技术创新空间溢出效应对碳排放强度的影响因空间矩阵不同而不同,存在“虹吸效应”和“示范效应”。整体而言,数字技术创新溢出对经济和地理邻近城市碳排放强度具有抑制作用。

(3)从城市地理区位异质性角度看,数字技术创新对西部地区碳排放强度具有显著抑制作用;从城市资源类型异质性角度看,无论是资源型城市还是非资源型城市,数字技术创新均表现出显著碳减排效应,但对资源衰退型城市和再生型资源城市作用不显著;数字核心产业创新类型均能够对城市碳排放强度产生负向影响,且作用程度相近;从不同创新研究类型看,基础数字技术创新相比应用数字技术创新碳减排效果更好。

5.2 政策启示

根据上述研究结论,本文提出如下政策建议：

(1)把握数字技术创新机遇,占领数字技术降碳高地。当前,数字技术是世界各国重点把握的战略方向和竞争焦点。因此,应将数字技术创新与生态文明建设深度融合,构筑中国特色绿色低碳数字技术创新体系,充分把握低碳转型与数字化带来的机遇,将数字技术创新纳入城市碳减排规划方案,加大高效、清洁和集约型数字技术创新力度,加速数字技术研发创新与推广,打造生态化数字技术发展模式。

(2)探寻数字技术创新降碳路径机制,充分发挥数字技术低碳转型赋能作用。健全技术创新绿色标准体系,引燃技术创新降低城市碳排放强度的强大引擎。一方面,积极将数字技术创新纳入能源减耗、产业结构与服务业结构转型升级的经济高质量发展轨道中来;另一方面,不同区域应结合国家宏观城市试点政策背景,积极申请国家层面利好城市低碳转型试点政策,内外兼顾地推进数字技术创新降低碳排放强度的低碳转型进程。

(3)构建数字技术创新溢出网络,加速数字技术创新成果大循环。我国在数字技术方面拥有庞大的市场规模,数字技术创新发展相对滞后区域应积极培育数字技术创新环境和政策土壤,充分调动市场力量,加强区域与行业数字化创新合作,借助数字技术创新的示范作用,充分发挥城市间联动降碳作用,促进城市间绿色、智能、协调、可持续发展。

(4)促进不同数字核心产业创新与不同数字创新研究类型协调发展,因地制宜做好城市数字技术创新支持碳达峰碳中和。为促进“双碳”目标实现,数字技术创新发展优势城市应根据区位资源特点,利用自身数字资源优势,探索高质量数字技术创新成果,通过技术合作、资源共享和经验交流等形式带动落后城市发展,不断扩大数字技术创新空间协同降碳效应;同时,提高不同数字技术核心产业创新水平,协调推动数字基础创新与应用创新同步发展,促进城市低碳转型与创新可持续发展。

5.3 不足与展望

本文存在一定局限性：一是不同时间段和区域技术创新专利之间可能存在异质性,导致数字技术创新指标构建较为单一;二是仅探讨城市数字技术创新对碳强度的削弱作用,对企业层面微观视角数字技术创新的研究不足。因此,未来可从以下几个方面进行改进：首先,将区域数字技术创新系统作为一个整体,在分析其成长过程的基础上,根据创新生态系统演化特征对不同成长阶段数字技术创新进行加权并按区域作标准化处理,构建集专利质量和数量于一体的综合性指标,深入探究数字技术创新的收敛性和空间特征;其次,制度政策的调节效应是一个复杂过程,数字技术创新对城市碳排放强度的影响受到多种外部环境因素的影响,未来应对政府治理、经济金融、社会文化、环境保护等多个层面政策进行梳理并纳入分析过程,使研究结论更具有针对性;最后,数字技术创新研究尺度应扩展到企业微观层面,或放大到国家或省域层面,构建微观层面或宏观层面面板数据,在充分挖掘数字技术创新网络内在发展变化规律的基础上,深入探讨数字技术创新与区域碳排放强度之间的关系,从而获取更加细致丰富的研究结论。

参考文献：

[1] BHARADWAJ A, EL SAWY O A, PAVLOU P A, et al. Digital business strategy： toward a next generation of insights[J]. Mis Quarterly, 2013, 37(2)： 471-482.

[2] ZAHID R M, LI Y, RAZAQUE L A, et al. The effects of FDI, technological innovation, and financial development on CO2 emissions： evidence from the brics countries[J]. Environmental science and pollution research international, 2020, 27(19)： 23899-23913.

[3] 谢云飞. 数字经济对区域碳排放强度的影响效应及作用机制[J]. 当代经济管理, 2022, 44(2)： 68-78.

[4] 何艳秋, 成雪莹, 王芳. 技术扩散视角下农业碳排放区域溢出效应研究[J]. 农业技术经济, 2022,43(4)： 132-144.

[5] ZHAO M, SUN T, FENG Q. Capital allocation efficiency, technological innovation and vehicle carbon emissions： evidence from a panel threshold model of chinese new energy vehicles enterprises[J]. Science of the Total Environment, 2021, 784： 147104.

[6] 邵帅, 范美婷, 杨莉莉. 经济结构调整、绿色技术进步与中国低碳转型发展——基于总体技术前沿和空间溢出效应视角的经验考察[J]. 管理世界, 2022, 38(2)： 46-69, 4-10.

[7] ZHANG W, LIU X, WANG D, et al. Digital economy and carbon emission performance： evidence at china's city level[J]. Energy Policy, 2022, 165： 112927.

[8] 陶锋, 朱盼, 邱楚芝, 等. 数字技术创新对企业市场价值的影响研究[J/OL]. 数量经济技术经济研究： 1-24. DOI：10.13653/j.cnki.jqte.20230310.010.

[9] ZHU Z, LIU B, YU Z, et al. Effects of the digital economy on carbon emissions： evidence from china[J]. International Journal of Environmental Research and Public Health, 2022, 19(15)： 9450.

[10] AHMED F, NAEEM M, IQBAL M. ICT and renewable energy： a way forward to the next generation telecom base stations[J]. Telecommunication Systems, 2017, 64(1)： 43-56.

[11] MURSHED M, TANHA M M. Oil price shocks and renewable energy transition： empirical evidence from net oil-importing south asian economies[J]. Energy Ecology and Environment, 2021, 6(3)： 183-203.

[12] LIU Y, YANG Y, LI H, et al. Digital economy development, industrial structure upgrading and green total factor productivity： empirical evidence from China′s cities[J]. International Journal of Environmental Research and Public Health, 2022, 19(4)： 2414.

[13] 郭凯明, 杭静, 徐亚男. 劳动生产率、鲍莫尔病效应与区域结构转型[J]. 经济学动态, 2020,41(4)： 79-95.

[14] 王雅晴, 谭德明, 张佳田, 等. 我国城市发展与能源碳排放关系的面板数据分析[J]. 生态学报, 2020, 40(21)： 7897-7907.

[15] 戴魁早, 黄姿, 王思曼. 数字经济促进了中国服务业结构升级吗[J]. 数量经济技术经济研究, 2023, 40(2)： 90-112.

[16] 周勇, 吴海珍, 韩兆安. 数字经济对制造业转型升级的影响[J]. 统计与决策, 2022, 38(20)： 122-126.

[17] 王雅莉, 侯林岐, 朱金鹤. 城市创新能否助力低碳经济发展——创新型城市试点政策对碳强度的影响评估及机制分析[J]. 科技进步与对策, 2022, 39(18)： 39-49.

[18] 李湛, 张良, 罗鄂湘. 科技创新政策、创新能力与企业创新[J]. 科研管理, 2019, 40(10)： 14-24.

[19] 李爽, 王劲文. 低碳城市试点政策、居民低碳素养与企业绿色技术创新[J]. 中国人口·资源与环境, 2023, 33(4)： 93-103.

[20] LIU Y, DONG J, MEI L, et al. Digital innovation and performance of manufacturing firms： an affordance perspective[J]. Technovation, 2023, 119： 102458.

[21] 张峻, 刘小勇, 王昕芊. 国家知识产权试点政策是否促进了城市创新合作[J]. 经济学动态, 2023,64(5)： 72-91.

[22] CHEN X, MAO S, LV S, et al. A study on the non-linear impact of digital technology innovation on carbon emissions in the transportation industry[J]. International Journal of Environmental Research and Public Health, 2022, 19(19)： 12432.

[23] 陈海龙, 李阳. 数字经济发展对创业活跃度的空间溢出效应研究[J]. 统计与信息论坛, 2023, 38(5)： 41-52.

[24] SU Y, LI Z, YANG C. Spatial interaction spillover effects between digital financial technology and urban ecological efficiency in china： an empirical study based on spatial simultaneous equations[J]. International Journal of Environmental Research and Public Health, 2021, 18(16)： 8535.

[25] 王赫, 吴朝阳. 经济差距对创新溢出与技术交流的影响——基于经济距离矩阵的空间计量研究[J]. 经济问题, 2020,40(9)： 78-84.

[26] ARORA A, BELENZON S, SHEER L. Knowledge spillovers and corporate investment in scientific research[J]. American Economic Review, 2021, 111(3)： 871-898.

[27] SUN H, EDZIAH B K, KPORSU A K, et al. Energy efficiency： the role of technological innovation and knowledge spillover[J]. Technological Forecasting and Social Change, 2021, 167： 120659.

[28] CHEN J, GAO M, CHENG S, et al. County-level CO2 emissions and sequestration in china during 1997—2017[J]. Scientific Data, 2020, 7(1)： 391.

[29] AKCIGIT U,HANLEY D,SERRANO-VELARDE N.Back to basics： basic research spillovers, innovation policy, and growth[J]. The Review of Economic Studies, 2021, 88(1)： 1-43.

(责任编辑：王敬敏)