The Carbon Emission Reduction Effects of the Digital Economy and the Mediation Mechanism of Urban Spatial Structure: Empirical Evidence from the Chengdu-Chongqing Urban Agglomeration

Du Lei1, Gao Manzi1, Lu Wei2

(1.School of Public Administration,Southwestern University of Finance and Economics, Chengdu 611130, China; 2.School of Management,Southwest Minzu University,Chengdu 610041, China)

Abstract：The persistent rise in greenhouse gas emissions has significantly impeded economic development and social activities worldwide, posing a major challenge to sustainable human progress. As the world's largest developing country, China saw its carbon emissions increase from 8.83 billion tons to 9.90 billion tons between 2011 and 2020,accounting for 30.7% of global carbon emissions. The need for carbon reduction is therefore urgent in China.Digital economy, as a new driving force for China's high-quality economic development, enhances total factor production efficiency, promotes the digital transformation of industrial structure, and stimulates technological innovation. Urban agglomeration is a key factor in achieving China's “dual carbon” goal, accounting for more than 80% of economic output and over 75% of carbon emissions. Meanwhile, an orderly spatial structure of urban agglomerations is conducive to optimizing regional resources allocation and promoting sustainable urban development. Therefore, in the context of the “dual carbon” goals leading the urban low-carbon transformation and the development of digital economy, it is of great significance to explore the relationships among the digital economy, urban spatial structure, and carbon emission.

Drawing on the panel data from 15 prefecture-level cities and one municipality directly under the central government in the Chengdu-Chongqing urban agglomeration from 2011 to 2020, the study treats urban spatial structure as the moderating variable, and examines the interactive relationship and the impact mechanism between the digital economy and carbon emissions through a triple-lens framework:the time-fixed-effects,the spatial Durbin, and the threshold regressions. Specifically, this study aims to address the three questions:(1)Is there a non-linear relationship between the digital economy and carbon emissions?(2)Does the digital economy exhibit a spatial spillover effect on carbon emissions?(3)Does the urban spatial structure have a threshold effect on the carbon mitigation effects of the digital economy?

This study yields the following conclusions:(1)The impact of the digital economy on carbon emissions followed an inverted U-shaped pattern, initially increasing and then decreasing.A significant carbon emission reduction effect was observed once the digital economy surpassed a threshold of 0.4718.(2)A spatial spillover effect of the digital economy on carbon emissions was identified. Specifically, negative spatial spillovers were found in adjacent regions under the spatial adjacency matrix, whereas positive spillovers emerged under the economic geography matrix. (3)Urban spatial structure exhibited a threshold effect on the carbon mitigation potential of the digital economy. Below a threshold of 1.07, a decentralized polycentric structure exacerbated carbon emissions; conversely, above 1.07, a compact polycentric structure contributed to their reduction.In accordance with the research findings, targeted policy recommendations are proposed: reducing carbon emissions from the digital industry, guiding neighboring cities to undertake the transfer of green industries, and seeking a reasonable spatial structure layout are key measures to promote the “synergistic effect” of digital economy carbon reduction in the Chengdu-Chongqing urban agglomeration.

Different from previous research, the contributions of this study are as follows: (1) Previous studies mainly examined the impact of the digital economy or urban spatial structure on carbon emissions in isolation, lacking comprehensive research that combine both factors. Thus, while investigating the direct impact of the digital economy on carbon emissions, this study also explores the spatial spillover effect of the digital economy on carbon emissions and the threshold effect of urban spatial structure on the carbon emission reduction effect of the digital economy. (2) Previous studies mostly explore the interactions among the digital economy, carbon emissions, and urban spatial structure through linear relationships. However, real-world dynamics are often characterized by nonlinear relationships. Neglecting these nonlinear relationships and using standard linear methods for research can result in biased estimates. Therefore, this study applied the time-fixed effects model, the spatial Durbin model, and the threshold model to reveal the nonlinear relationship between the digital economy, carbon emissions, and urban spatial structure.

Key Words：Digital Economy; Carbon Emissions; Urban Spatial Structure; Chengdu-Chongqing Urban Agglomeration

收稿日期：2025-06-15

修回日期：2025-11-27

基金项目：国家社会科学基金一般项目(25BKX006)

作者简介：杜蕾(1992-),女,山西晋中人,博士,西南财经大学公共管理学院讲师,研究方向为城市治理;高曼姿(2001-),女,四川江油人,西南财经大学公共管理学院硕士研究生,研究方向为城市治理;卢巍(1989-),男,黑龙江密山人,博士,西南民族大学管理学院副研究员,研究方向为技术创新。

通讯作者：杜蕾。

DOI：10.6049/kjjbydc.D92025060364

开放科学(资源服务)标识码(OSID)：

中图分类号：F49

文献标识码：A

文章编号：1001-7348(2026)07-0071-13

0 引言

数字经济作为促进中国经济高质量发展的新动能,为实现“双碳”目标提供强大支撑。2022年我国数字经济规模达50.2万亿元,占GDP的比重为41.5%,第一、二、三产业数字经济渗透率分别为10.5%、24.0%和44.7%。数字作为新质生产要素,其与资本、劳动力等传统生产要素深度融合,通过提高全要素生产效率、促进产业结构优化转型和激励科技创新等,助力“双碳”目标实现。

城市群是我国实现“双碳”目标的重要区域。随着城镇化、工业化的推进,我国19个城市群仅占国土总面积的1/3,贡献了全国80%以上的经济总量,与此同时,碳排放量占到75%[1]。随着交通基础设施的完善,城市间要素流动重构了城市群内部空间结构。有序的空间结构布局有利于优化区域资源配置,促进城市可持续发展;而低效的空间结构布局则可能对居民生活、市场经济等产生消极影响,增加能源消耗和碳排放[2]。因此,聚焦数字经济、碳排放与空间结构等关键变量,探究城市群空间结构对数字经济碳减排效应的作用机制具有重要学术意义与实践价值。

成渝城市群作为引领西部大开发的国家级城市群,揭示其数字经济、碳排放与城市空间结构关系,能够为推动区域协调发展与数字经济碳减排提供“内陆方案”。成渝城市群以成都、重庆为中心,肩负着平衡沿海与内陆发展差距的重要使命,具有强劲发展潜力。区别于长三角城市群以市场驱动为主,成渝城市群依托“政策+市场”的双轮驱动,2023年经济总量突破8万亿元,占西部地区经济总量的比重为30.4%。同时,成渝城市群已基本实现碳达峰。相较于京津冀、长三角城市群较高水平的碳排放,成渝城市群碳排放总量于2014年后逐年下降且趋于稳定。此外,区别于京津冀、长三角城市群的单极主导式空间布局,成渝城市群的“一轴两核”“两核对等”是自然地理禀赋与发展需求综合作用的结果,其核心是抱团突破内陆发展瓶颈。

综上,本文基于2011-2020年成渝城市群15个地级市和1个直辖市的面板数据,以城市空间结构为门槛变量,运用时间固定效应模型、空间杜宾模型和门槛模型,探究数字经济、碳排放、城市空间结构间的交互关系与作用机制。具体探究3个问题:①数字经济与碳排放之间是否存在非线性关系?②数字经济对碳排放的影响是否具有空间溢出效应?③城市空间结构是否对数字经济的碳减排效应具有门槛作用?

区别于以往研究,本文的创新点如下:①以往文献多单独考察数字经济或城市空间结构对碳排放的影响,缺乏将二者相结合的综合研究。本文重点分析数字经济对碳排放的空间溢出效应与城市空间结构对数字经济碳减排效应的门槛作用。②以往文献多从线性视角探讨数字经济、碳排放、城市空间结构间的交互作用,忽视了变量间可能存在的非线性关系。本文运用时间固定效应模型、空间杜宾模型和门槛模型,揭示数字经济、碳排放与城市空间结构间的非线性作用关系。

1 理论分析与研究假设

1.1 数字经济与碳排放

在数字经济发展前期,因自身运营与发展需要,大规模建设数据中心、通讯网络等基础设施,导致短期内能耗增加,碳排放上升[3]。同时,数字经济对电力需求较高,大数据产业示范园区、大数据创业创新生态区、大数据企业的涌现导致电力使用激增、碳排放增加[4]。此外,在传统产业数字化转型初期,因设备更新重置、工艺调整与创新等产生过渡性能源消耗,导致碳排放暂时性增加[5]。因此,在数字经济发展初期,碳排放呈增长态势。

随着数字经济发展进入相对成熟阶段,数字产业化与产业数字化协同发展,碳减排效应开始显现。一方面,数字经济催生消耗低、污染少、附加值高的新兴产业,如新材料、新能源汽车等[6],带动经济社会绿色化低碳发展。另一方面,数字经济赋能传统产业转型升级,加快信息技术应用、科技服务创新,优化原有生产工艺和产业形态[7],表现出减碳效应。综上,本文提出研究假设:

H1:数字经济对碳排放具有先增强后抑制的倒“U”型影响。

1.2 数字经济与碳排放空间溢出

数字经济的网络扩散效应使得低碳技术和创新知识突破地理限制,在地理邻近与经济邻近地区迅速传播,有助于抑制周边地区产业碳排放[8-9],尤其对资源密集型产业的低碳转型发展具有促进作用[10]。然而,数字鸿沟和虹吸效应所引发的负面空间溢出则会阻碍邻近地区碳减排[11]。有文献进一步指出,数字经济发展对周边地区碳排放的空间溢出效应并非呈简单的线性关系,而是表现为先增加后减少的倒“U”型特征[12]。此外,数字经济对碳排放的空间溢出效应存在资源阈值,即数字经济的碳减排效应因经济圈层不同而有所差异。通常,在经济发展水平较高的核心圈层,其减碳效果更明显[13]。综上,本文提出研究假设:

H2:数字经济对碳排放的影响具有空间溢出效应。

1.3 城市空间结构与碳排放

已有研究表明,城市空间结构的碳减排效应并非始终如一,其空间布局变化可能导致碳排放波动[14],呈明显的分阶段特征。单中心和多中心是描绘城市空间结构的重要维度。依据集聚经济理论,单中心城市空间结构下集聚经济正外部性与集聚不经济负外部性间的动态博弈导致城市碳排放呈现U型分布[15]。在经济发展初期,单中心城市空间结构因生产要素集聚、通勤距离缩短以及基础设施共享等规模效应,可有效实现碳减排[16]。随着城市单中心程度超过一定阈值,产业与人口的过度集聚引发资源利用效率降低、交通拥堵及污染加重等问题[17],导致碳排放增加。此时,推动城市要素向外扩散、构建多中心空间格局,成为缓解碳排放压力的重要路径。

多中心城市空间结构对碳排放的影响也非线性,而是呈现先升后降的“倒U型”曲线特征[18]。在城市空间结构由单中心向多中心转变初期,由于次中心发展不成熟,产业承接能力有限、配套设施尚不完善,加之跨区通勤增加,短期内碳排放上升(刘修岩等,2017)。而从长期来看,随着新中心建成并发展壮大,实现人口合理聚集与产业科学分布[19],将有效缓解原单中心因资源过度集中而产生的规模不经济与碳减排效率低下等问题[20-21]。这一“拐点”通常出现在多中心格局实现资源优化配置、产业合理布局与职住平衡时[15]。综上,本文提出研究假设:

H3:城市空间结构对碳排放具有非线性调节作用。

1.4 城市空间结构、数字经济与碳排放

已有研究发现,无论是在紧凑型还是分散型城市空间结构下,数字经济发展均可能促进碳减排,但这一影响具有显著的门槛特征。紧凑型城市格局通常集约利用土地资源,为数字技术扩散与应用提供空间优势[22]。同时,紧凑型城市通过人才集聚可有效缓和数字经济与碳排放间的紧张关系[23]。然而,当城市空间结构过度紧凑时,易导致人口和就业高度集聚。此时,虽然能通过数字技术溢出提高能源效率,降低工业排放,但高密度带来的交通拥堵会大大增加交通碳排放,进而产生集聚不经济效应[24]。同样,数字经济时代下分散型城市格局可通过协作网络提高绿色创新效率[25],对区域碳减排产生积极影响。但当城市出现“摊大饼”式的无序分散化发展时,数字经济发展则会导致碳排放增加。此时,围绕多个中心点发展数字经济,尽管缓解了首位城市的集中碳排放压力[26],但数字基础设施大规模建设与通勤距离增加均会消耗大量能源,显著加剧碳排放[27]。

综上,本文提出研究假设:

H4:城市空间结构对数字经济碳减排效应的调节作用具有典型的门槛特征。

2 研究设计

2.1 研究区域

本文根据《成渝城市群发展规划》(以下简称《规划》)划定的成渝城市群范围确定研究区域。对于成渝城市群研究单元的划分,由于《规划》未明确说明重庆市开州、云阳部分地区的范围边界,数据难以剥离,加之该部分地区相关数据对整个研究影响较小,故将开州区和云阳县全域纳入本研究范围。同样,将绵阳市的北川县和平武县、雅安市的天全县和宝兴县、达州的万源市也纳入研究范围。此外,将重庆相关区域视为一个研究单元。综上,本文将成渝城市群划分为16个研究单元,即重庆、成都、绵阳、德阳、雅安、乐山、眉山、宜宾、自贡、内江、资阳、遂宁、南充、达州、广安、泸州。

2.2 模型构建

2.2.1 基准回归模型

为考察数字经济对城市碳排放的影响,本文构建时间固定面板模型,设定如下:

(1)

式中:i表示城市,t表示年份,CEit为城市碳排放,DigEcoit为核心解释变量数字经济,Xit为控制变量,ut表示不可观测时间效应,εit为随机扰动项。

为进一步考察城市空间结构能否对数字经济碳减排发挥调节作用,本文在基准模型中添加空间结构的代表变量空间集聚度(SA),以及空间集聚度与数字经济的交互项,模型设定如下:

(2)

式中,SAit表示城市i在t时期的空间集聚度,DigEcoit*SAit表示数字经济与空间集聚度的交互项,用以衡量城市空间结构的调节效应,Xit为控制变量,ut表示不可观测时间效应,εit为随机扰动项。

2.2.2 空间计量模型

为验证数字经济对碳排放影响是否具有空间溢出效应,第一步通过莫兰指数检验成渝城市群碳排放是否具有空间相关性,第二步构建空间杜宾模型考察空间效应。

(1)空间权重说明。本文采用两种空间权重矩阵对空间杜宾模型进行处理,第一种为空间邻接权重矩阵,矩阵公式为第二种为经济-地理嵌套矩阵。该矩阵综合考虑了地理与经济因素的影响,将地理距离空间权重矩阵与经济距离空间权重矩阵进行嵌套处理[28],矩阵公式为其中,PGDPi和PGDPj分别表示城市i和城市j的人均GDP,dij表示各城市间的地理距离。

(2)空间相关性分析。莫兰指数(Moran's I)是衡量数据是否具有空间自相关性的有效方法,一般分为全局型(Global Moran's I)和局部型(Local Moran's I)两种。本文选用全局型Moran's I衡量成渝城市群碳排放是否存在空间相关性,其值范围为[-1,1],大于零表明存在空间正相关,小于零为负相关,等于零则表明不存在空间相关性。在此基础上,进一步选用局部型Moran's I衡量成渝城市群碳排放集聚现象。全局型和局部型莫兰指数计算公式分别如式(3)和(4)所示:

(3)

(4)

式中,Xi与Xj表示各地级市夜间灯光观测值,是其平均值。Wij是研究范围内每个空间单元i与j(j={1,2, 3,…,16})的空间邻接矩阵和经济地理嵌套矩阵。

(3)空间杜宾模型。根据地理第一定理,区域间任何事物均具有一定关联性,且在空间计量学中不同地点观察值的相互影响程度与距离有关。因此,有必要充分考虑研究区域间存在的空间效应问题。具体地,在普通面板数据模型的基础上,构建考虑了空间和时间效应的空间杜宾模型(SDM),并根据Wald检验和LR检验考察空间杜宾模型(SDM)是否会退化为空间误差模型(SEM)和空间滞后模型(SAR)。由表1可知,在空间邻接权重矩阵和经济地理嵌套矩阵中,空间误差模型和空间滞后模型的Wald检验与LR检验统计量均显著,表明接受空间自相关效应,且选择空间杜宾模型合理。

表2结果显示时间固定模型的R-square更大,Log-L值更小,且其rho值显著,更利于研究空间效应。因此,本文选择时间固定空间杜宾模型,模型设定如下:

(5)

式中,Wij是空间邻接权重矩阵W的元素,γi(i=0,1,2,…)、ρ表示空间回归系数,反映样本观测值中固有的空间依赖性,Xit为控制变量,ut指时间效应,εit为随机误差项。

2.2.3 门槛模型

本文构建面板门槛模型,以考察城市空间结构对数字经济与碳排放关系的影响是否存在门槛效应,模型设定如下:

CEit=β0+β1DigEcoitI(Pit≤γ)+β2DigEcoit(Pit>γ)+eit

(6)

式中,CEit是被解释变量,DigEcoit是解释变量,βi是常数项和解释变量的系数,I(·)是示性函数,Pit是门槛变量,γ是特定门槛值,eit是误差扰动项。

2.3 变量选取与测度

2.3.1 被解释变量:城市碳排放

(1)城市碳排放量测算。本文选取城市夜间灯光数据测算城市碳排放量。目前已有许多碳排放测算方法,主要划分为两类:一是依据《中国城市统计年鉴》、地方政府工作报告或地方政府统计的能源清单数据,直接估算城市在特定年份的碳排放量,可产生相对可靠的城市碳排放数据。这种碳排放计算方法大多适用于国家/省域级。受限于原始数据获取有限,以及不同城市碳排放统计口径、计算方法等存在差异,使用该方法计算地级市以及县级市碳排放较为困难。二是使用夜间灯光数据作为估算碳排放量的代理工具。人类活动是碳排放的主要来源,而夜间灯光影像恰能有效反映人类活动强度,因此夜间灯光被广泛应用于碳排放量估算。综上,本文选取夜间灯光数据测算城市碳排放量。

本文使用Arcgis10.8.1软件识别成渝城市群各地级市行政边界,并基于DMSP-OLS和NPP-VIIRS夜间灯光数据提取对应城市的夜间灯光值(Digital Number, DN)。其数据空间分辨率为1km,夜间灯光值范围为[0,63],数值越大表明夜间灯光强度越大。2011-2020年成渝城市群夜间灯光数值稳步提升,密度逐年增大,具有较高连续性,可用于表征城市碳排放随时间变化的空间动态特征。

(2)城市碳排放数据获取。卫星遥感具有客观、连续、稳定、大范围等优点,已成为国际认可的新一代全球碳核查方法。因此,本文借鉴全球大气研究排放数据库(EDGAR)网站公布的温室气体排放卫星遥感数据,获取全球CO2排放数据。数据分辨率为11.1km×11.1km,数据格式为NetCDF(.nc)。

(3)夜间灯光与碳排放关系方程构建。本文通过分析2011-2020年成渝城市群碳排放数据和夜间灯光数据的相关性,构建能够模拟碳排放量的反演模型。首先,利用Arcgis空间分析模块解析并提取2011-2020年成渝城市群夜间灯光值和碳排放量,并利用OriginPro2024绘制相应变化图,如图1所示。对比图1(a)和(b)可以发现,成渝城市群夜间灯光值与碳排放量呈现相同增长态势,二者在时间维度上具有一致性。其次,由于夜间灯光值和碳排放值量纲不同且数值偏大,因此对原始数据进行对数化处理以减少异方差性。在此基础上,假设夜间灯光值与碳排放值具有线性相关性,并提出一元线性回归模型,模型设定如下:

lnCEi=αlnDNi+β

(7)

式中,CEi为i市的碳排放量,DNi为i市的夜间灯光值,α为回归参数,β为截距项。

对上式进行回归分析,得出各市碳排放反演模型参数,结果如表3所示。由表3可知,各城市碳排放估算值与夜间灯光值的回归结果多数在10%水平上显著,表明模型推演结果基本有效。

(4)反演模型验证。为进一步确保碳排放估算结果的可靠性,将成渝城市群16个区域的夜间灯光值估算碳排放数据(以下简称“估算值”)与基于EDGAR获取的碳排放数据(以下简称“统计值”)进行精度验证,结果如图2所示。由图2可知,根据式(7)测算的碳排放估算值与碳排放统计值相对误差(Relative Error, RE)均小于1.2%,平均相对误差(Relative Error, MRE)不超过0.4%,二者具有较高一致性,表明可用于后续分析。

2.3.2 解释变量:数字经济

从数字基础设施、经济增长、社会影响、数字创新和数字普惠金融5个层面测度城市数字经济发展水平,如表4所示。建设数字基础设施是为了满足数字经济发展的通信需求,故本文选取每百人域名数和长途光缆长度衡量数字基础设施建设水平。促进数字经济和实体经济深度融合是推动经济高质量发展的重要抓手,本文选取数字产业化的电信业务总量和产业数字化的快递业务收入衡量经济增长。数字经济发展加速互联网普及与推广,同时,数字经济发展催生更多就业机会,计算机相关专业人员受到青睐。因此,本文选取互联网覆盖率和信息传输、软件及信息技术服务从业人员占比衡量社会影响。数字创新是利用数字技术进行产品创新和服务创新的过程,因此本文选取政府科学技术支出和每万人拥有数字技术相关专利数分别衡量数字创新投入与产出。数字普惠金融的广泛覆盖和深度使用对数字经济增长质量产生深刻影响,因此本文从覆盖广度和使用深度视角衡量数字普惠金融。

熵值法作为一种基于信息熵的客观赋权方法,可有效避免主观因素干扰,减少随机性对评价结果的影响,是确定指标权重的常用工具[29]。因此,本文采用熵值法对数字经济二级指标进行赋权(结果见表4),并测算成渝城市群各城市历年数字经济发展水平DigEcoit,结果如图3所示。DigEcoit值越大,表示城市数字经济发展水平越高,反之亦然。

2.3.3 调节变量:城市空间结构

本文选取空间集聚度(SA)测度调节变量城市空间结构。鉴于“位序-规模”法具有在某个时间截面上分析城市规模是趋于集中还是趋于分散的优势,本文采用该方法测度成渝城市群空间集聚度。具体地,在对传统“位序-规模”公式法进行对数变换的基础上,通过拟合计算成渝城市群夜间灯光值和位序规模的回归系数,表征城市空间集聚度(SA),计算公式如下:

lnPit=lnPit,max-qlnRit

(8)

式中,i表示地级市,t表示年份,Pit表示第i个市在t年的夜间灯光值,Pit,max表示规模最大城市在t年的夜间灯光值,Rit表示第i个城市的夜间灯光值于t年在所有城市中的位序,q表示“位序-规模”回归系数。当|q|=1时,表明城市空间结构趋于均衡;当|q|>1时,表明城市空间结构趋于单中心或紧凑多中心。当|q|<1时,表明城市空间结构趋于分散多中心。

2.3.4 控制变量

本文选取经济发展水平、城市化水平、产业结构和市场化水平作为控制变量。具体地,鉴于经济增长与碳排放存在密切关系,选取人均国内生产总值(GDPpc)表征经济发展水平。城市化进程中城市人口集聚增加对基础设施和交通工具的需求,从而增加能源消耗和碳排放,因此选取城市人口占比表征城市化水平(UL)。产业结构影响区域碳排放量,其中,第二产业比例是影响碳排放强度的关键,因此选取第二产业增加值占GDP比重(SI/GDP)表征产业结构。 市场通过竞争机制引导资源配置优化,是驱动经济低碳转型的核心力量。鉴于非国有经济的活跃度是区域市场化进程最直接的体现,选取非国有企业员工占比表征市场化水平(ML)。

2.3.5 数据来源

本文中数字经济变量与控制变量数据主要来源于《中国城市统计年鉴》。数字技术相关专利数据来源于国家知识产权局专利检索网站,数字普惠金融数据来源于中国数字普惠金融指数。各变量描述性统计结果如表5所示。

3 实证结果与分析

3.1 数字经济对碳排放的基准回归结果

3.1.1 碳排放时空分布

为探讨成渝城市群碳排放时空分布特征,本文以2011年、2015年和2020年碳排放数据为截面研究样本,以2020年碳排放数据为基准,将城市碳排放分为高值、中高值、中值、中低值和低值。在此基础上采用自然间断法并运用Arcgis10.8.1软件进行可视化展示,如图4所示。由图4可知,成渝城市群碳排放具有明显的“东部北部较高,中部西部较低”的差异。碳排放高值集中于重庆,中高值集中于成都、绵阳、宜宾等,低值则主要集中于南充、遂宁、自贡等。这是因为,成都、重庆作为成渝城市群的核心城市,辖区面积不断扩大、人口高度集聚,因而产生大量碳排放;而处于碳排放中低值、低值区域的乐山、遂宁、自贡等城市,已探索出一条老工业城市绿色发展的新路径。其中,乐山的晶硅光伏产业、遂宁的锂电产业等新能源低碳产业入选四川省特色优势产业试点名单,实现了从“老工业城市”“资源型城市”向“产业转型升级示范区”的巨大转变,城市碳排放整体较低。

3.1.2 数字经济对碳排放的时间固定模型检验

本文还进行F检验和Hausman检验,结果显示,F检验P值为0.000,显著拒绝原假设,因此选择固定效应模型。同时,Hausman检验通过显著性检验,表明时间固定模型对本研究更有效。

为确保研究结果稳健,本文也对随机效应模型的回归结果进行验证,结果如表6所示。由表6列(6)可知,控制变量经济发展、城市化水平和市场化水平均通过了显著性检验,且为正向影响。经济发展、城市化水平和市场化水平每提高一个单位,碳排放分别增加0.063、0.133和0.060个单位。其中,城市化水平影响最大,经济发展和市场化水平次之。这是因为,城市化伴随工业进程加快和人口高度集聚,加大对基础设施和交通工具的需求,从而增加能源消耗并产生大量碳排放。与之不同,经济增长对碳排放的影响逐步减弱。《中国城市双碳指数2021-2022研究报告》显示,成渝城市群于2015年初步实现“碳达峰”,部分城市的碳排放与经济增长已开始呈现脱钩趋势。此外,由表7可知,在逐渐加入控制变量的过程中,数字经济对碳排放的影响始终稳健,其中,一次项系数为正,二次项系数为负,表明数字经济与碳排放间存在非线性关系。

进一步,借鉴 Aghion等(2005)检验方法,对研究假设H1进行检验,结果显示,随着数字经济发展,成渝城市群碳排放表现出先增后降的二阶段特征,拐点为0.471 8,即假设H1得到验证。2021年川渝两地数字经济增加值突破2.5万亿元,占地区生产总值比重达30.5%,凸显出数字经济发展对经济增长贡献显著,而以电信、软件和信息技术服务业、互联网业为核心产业的数字经济发展需消耗大量电力能源,导致短期内碳排放激增。随着数字经济与传统产业融合加深,如工业互联网建设、智慧高速公路建设等,加速技术变革,助推碳减排实现。综上,成渝城市群数字经济与碳排放呈现倒“U”型的非线性关系。

3.1.3 数字经济对碳排放非线性影响的稳健性检验

鉴于数字经济发展成效的滞后性,本文采取将控制变量分别滞后1、2期的方法检验回归结果的稳健性,结果如表7所示。表7列(1)(2)显示,纳入滞后变量后,数字经济发展水平一次项与二次项回归系数仍在1%水平上分别显著为正和显著为负,表明数字经济对碳排放的非线性影响结果稳健。

3.2 数字经济对碳排放的空间计量回归结果

3.2.1 数字经济对碳排放的空间相关性分析

在探讨数字经济对碳排放的空间溢出效应前,需判断碳排放是否存在空间自相关性。具体地,对成渝城市群碳排放进行全局莫兰指数测算。结果显示,成渝城市群碳排放的全局莫兰指数P值为0.028,在5%水平上显著为正,表明成渝城市群各城市碳排放呈正相关性。此外,由于全局莫兰指数无法识别空间内的高值与低值,进一步利用局部莫兰指数明晰成渝城市群碳排放的空间效应,结果显示,成渝城市群碳排放呈现高-低(High-Low, HL)和低-高(Low-High, LH)的空间聚集特征。其中,HL型主要呈现零星分散式分布,集中于重庆、成都、绵阳、宜宾,该类区域碳排放较高,而周边地区碳排放较低。LH型则主要呈现带状组团式分布,集中于泸州、遂宁、内江、广安、达州、资阳,该类区域碳排放较低,但周边地区碳排放较高。整体上,成渝城市群碳排放集聚在地理空间上存在显著分异特征,但十年间集聚格局基本不变,显示出稳定的空间关联性。

在明确成渝城市群碳排放存在空间自相关性基础上,分析空间邻接矩阵和经济地理嵌套矩阵下数字经济对地区碳排放的空间杜宾模型(SDM)回归结果,如表8所示。表8显示,在空间邻接矩阵和经济地理嵌套矩阵下,WDigEco系数均显著为负,假设H2得到验证。该结果表明,以电子信息等为代表的数字产业通过地理溢出效应,助力成渝城市群“双核”城市的技术优势、绿色经验沿空间邻近关系向周边城市扩散,优化了区域产业分工,促进能源协同利用,进而降低邻近城市碳排放强度。

3.2.2 数字经济对碳排放的空间效应分解

为深入分析数字经济对城市碳排放影响的空间效应,本文将总空间效应分解为直接效应和间接效应,结果如表9所示。

由表9可知,数字经济一次项总效应显著,假设H2得到验证。具体分析,在空间邻接矩阵下,数字经济一次项系数在1%水平上显著为正,表明本地数字经济发展增加邻近地区碳排放;而在经济地理嵌套矩阵下,数字经济一次项系数在5%水平上显著为负,表明本地数字经济发展会抑制周边经济邻近城市碳排放。究其原因,数字经济对周边区域呈现不同的碳排放空间溢出影响是由“虹吸效应”和“涓滴效应”决定的。一方面,受地理因素影响,数字经济发达城市对周边地区具有“虹吸效应”,导致周边地区碳排放增加。具体地,数字经济发达地区因其优越的科创实力和资金禀赋更具技术与人才吸引力,通过将高耗能产业转移,形成数字经济高地[30];而数字经济欠发达城市则面临资源流失风险,进一步扩大区域间数字鸿沟,制约地区绿色低碳发展[31]。另一方面,受经济因素影响,数字经济发达城市对经济邻近地区产生“涓滴效应”,促使周边地区碳排放减少。具体地,当发达城市数字经济规模效应得到充分释放时,可促进数字知识和创新技术跨区域溢出,推进区域产业结构升级和能源利用效率提高,使周边地区受益于发达城市的数字经济发展红利,产生良好的区域环境效应。

3.2.3 数字经济对碳排放空间溢出效应的稳健性检验

本文采用地理距离平方倒数矩阵,对空间溢出结果进行稳健性检验,如表10所示。由表10可知,地理距离平方倒数矩阵的空间杜宾模型sigma值在1%水平上显著,且Log-likelihood值较小;DigEco和DigEco2回归系数均在1%水平上显著,WDigEco和WDigEco2回归系数分别在1%与10%水平上显著,表明实证结果具有较强稳健性。

此外,为解决由数字经济与碳排放可能存在反向因果关系而导致的内生性问题,本文采取解释变量滞后一期、二期进行检验,结果如表11所示。由表11可知,滞后一期、二期的数字经济一次项和二次项回归系数均在1%水平上显著,表明模型具有较高可靠性。

3.3 城市空间结构对数字经济与碳排放关系的门槛效应回归结果

3.3.1 成渝城市群空间结构分析

基于2011-2020年成渝城市群夜间灯光数据,使用“位序-规模”法测度城市空间集聚度,结果如图5所示。成渝城市群各年的R2值均在0.9以上,表明位序-规模法能很好地解释成渝城市群各城市灯光分布规律。具体分析,2011-2012年位序-规模回归系数大于1,表明成渝城市群空间结构表现为集中紧凑型,城市夜间灯光集中分布在成都和重庆,其他中小型城市夜间灯光亮度较小。随着时间推移,2013-2017年位序-规模回归系数逐渐趋近于1,表明成渝城市群各城市灯光总量趋于理想分布。2018-2020年,位序-规模回归系数小于1,表明成渝城市群空间结构向多中心发展,“一轴两带、双核三区”的空间格局从宏观理念落地为微观实践。

3.3.2 基于交互项模型的空间结构对数字经济与碳排放关系的调节作用检验

本文采用交互项模型,验证空间结构对数字经济与碳排放关系的调节作用,结果如表12所示。

由表12列(1)(2)可知,空间集聚度(SA)的一次项和二次项系数分别为正与负,表明成渝城市群空间结构对数字经济的碳排放效应存在先增后减的非线性影响。究其原因,发展初期,成渝城市群高度集聚的空间结构在一定程度上引发集聚不经济效应。核心城区严重的交通拥堵、高昂的居住成本、长距离分离的职住环境等,均使城市碳排放不断增加。随着成渝城市群空间结构向分散多中心发展,逐渐抑制了因高度集聚而导致的碳排放增加。绵阳、宜宾、永川等特色鲜明的次级增长中心形成并崛起,推动产业和人口沿着由高速铁路、城际快轨等现代交通基础设施构成的交通廊道不断疏解,有效实现了区域尺度的职住平衡,显著降低对成都、重庆的单向依赖。同时,新兴中心在承接产业转移时,应用先进绿色技术,从源头优化能源结构。综上,成渝城市群空间形态的发展演变,本质上是从被动承受高密度集聚带来碳排放增加的负外部性转向主动构建规模适度、功能互补、协同高效的区域系统,从而在整体上实现空间结构促进碳减排的正向影响,有力支撑了区域绿色低碳发展目标的实现。

进一步,表12列(4)(7)显示,数字经济与空间集聚度的交互项在1%水平上显著为负,表明成渝城市群空间结构对数字经济下的碳排放具有显著抑制作用。一方面,得益于成渝城市群空间结构的“一轴串联”,推动区域数字产业链的分工优化与高效配置。成渝城市群以“成渝主轴”串联起电子信息、装备制造、汽车等西部核心产业,形成上下游互补与区域产业梯度协同,产生“数字技术-产业减排”的联动效应。另一方面,得益于成渝城市群空间结构的“双核集聚”,压缩了数字经济下碳排放空间。成渝城市群的“双核”城市成都、重庆不仅凭借经济、人才与科技优势,吸引大量数字企业集聚,同时,集中承载超算中心、云计算等高能耗数字基建,实现了数字基础设施的集约化布局,从源头避免重复建设的“碳浪费”。

3.3.3 空间结构对数字经济与碳排放关系的门槛作用

在明确城市空间结构对数字经济与碳排放关系存在调节作用的基础上,进一步探究城市空间结构是否对数字经济下的碳排放具有门槛效应。在分析门槛效应前,需明确是否存在门槛值及存在多少个门槛,以便确定使用何种面板门槛模型。具体地,基于Bootstrap法估计F统计值,结果如表13所示。可以发现,全部样本的单一门槛检验值P为0.028,低于0.05,F统计量大于5%以上的临界值,拒绝原假设;双重门槛检验值P为0.174,未通过检验。这表明在5%的显著性水平上存在一个门槛值,即城市空间结构对数字经济与碳排放关系的影响具有单门槛效应,研究假设H4得到验证。

如表14所示,城市空间结构对数字经济下的碳排放具有门槛作用,假设H4得到验证,即数字经济的碳减排存在空间结构依赖性。当城市空间结构低于门槛值1.07时,数字经济与碳排放关系为正,表明分散的多中心城市结构导致数字经济碳排放增加。当城市空间结构超过门槛值1.07时,数字经济与碳排放关系为负,表明紧凑的多中心城市空间结构促进数字经济下的碳减排。究其原因,当城市出现“摊大饼”式的分散多中心发展时,数字经济下的基础设施建设极易出现规模不经济,分散在不同城市的基础设施不仅给区域资源优化配置带来巨大压力,而且加剧能源消耗和碳排放[32]。而当城市空间结构为紧凑多中心时,可通过“规模互借”优化产业分工[33],允许周边中小城市依据自身资源条件“接手”与其功能定位、发展规划匹配的数字溢出产业,发挥更大空间尺度的数字经济碳减排效应。同时,紧凑的多中心城市布局促使数字经济基础设施建设更集中,周边中小城市既可以享受由中心城市数字资源集聚带来的红利,又避免了本地建设带来的环境成本,显著减少碳排放。

4 研究结论与政策启示

4.1 主要结论

本文得出如下结论:①数字经济对碳排放具有先促后抑的倒“U”型影响。超过阈值0.471 8后,数字经济的碳减排效应显著。在数字经济发展初期,大规模建设数字基础设施,短期内城市碳排放呈现显著增长态势,随着数字经济下新兴产业发展、赋能传统产业转型,数字经济的碳减排效应显现。②数字经济对周边区域呈现差异化的碳排放空间溢出效应。空间邻接矩阵下,本地数字经济发展增加了周边区域碳排放,而经济地理嵌套矩阵下,本地数字经济发展则抑制了周边区域碳排放,二者分别由“虹吸效应”和“涓滴效应”决定。③城市空间结构对数字经济的碳减排效应具有门槛效应。当城市空间结构低于门槛值1.07时,数字经济与碳排放关系为正,表明分散的多中心城市空间结构导致数字经济下碳增排。当城市空间结构超过门槛值1.07时,数字经济与碳排放关系为负,表明紧凑的多中心城市空间结构促进数字经济下的碳减排。上述研究发现对数字经济下的碳减排与城市空间规划研究及实践具有重要价值。

4.2 政策启示

一是数字碳成本最小化与数字碳收益最大化协同推进,助力“双碳”目标实现。一方面,推动数字基础设施绿色化,鼓励数据中心、云计算基地直接采购太阳能、风能等绿色电力,或通过投资建设分布式新能源项目实现用能清洁化。同时,积极推进云计算共享经济,避免企业建设的数据中心出现冗余,提高服务器利用率,以降低能源消耗和碳排放。另一方面,数字经济作为碳减排赋能的有效工具,政策倾斜和投资应精准对接传统产业的低碳需求,大力推进数字技术改造能源、工业、交通、建筑等高碳行业,形成“数字技术-产业减排”的联动效应,实现深度的碳减排。

二是平衡虹吸与涓滴效应,充分释放数字经济发达城市对地理与经济邻近城市的减碳贡献。一方面,对地理邻近城市,依托成渝城市群“一轴两核”的空间能级差异,积极承接首位城市的绿色产业外溢,促进区域低碳要素流动,破除锁定效应。首位城市成都、重庆可聚焦新能源汽车软件研发、终端应用等高端环节;而邻近城市,如宜宾则可依托当地锂矿资源和宁德时代承接零部件生产、制造、组装等中端环节,形成梯度产业体系,提升城市群数字经济的整体效能与碳减排效率。另一方面,对于经济邻近城市,加强建设数字知识与创新技术共享平台,打通数字技术传播渠道,同时,促进战略合作以联合攻克技术难题,破除路径依赖。

三是寻求合理的空间结构布局,推动城市群数字经济低碳化发展。成渝城市群应通过精准的空间规划引导物理集聚,通过先进的数字技术实现虚拟整合,助力分散化集聚空间格局下数字经济碳减排效用最大化。一方面,成渝城市群应高效统筹空间规划,明确核心城市定位,强化成都、重庆科技创新、高端服务等核心引擎功能,同时,培育专业化次级中心,打造电子信息、装备制造、清洁能源等特定产业的专精特新集聚区,形成区域优势互补的完整数字产业链。另一方面,成渝城市群首位城市依托“中心城区+郊区新城”的多中心空间结构,以超算中心为核心,在各中心城区和郊区新城布局分布式数据中心、边缘计算节点,实现数字基础设施的近距离共享,避免重复建设和能源浪费。

参考文献：

[1] 方创琳,张国友,薛德升.中国城市群高质量发展与科技协同创新共同体建设[J].地理学报,2021,76(12):2898-2908.

[2] 何小钰,庄雅烨,邱穗萱,等.城市三维空间结构对碳排放影响的尺度效应[J].生态学报,2024,44(2):612-624.

[3] 史丹.数字经济条件下产业发展趋势的演变[J].中国工业经济,2022,43(11):26-42.

[4] 渠慎宁,史丹,杨丹辉.中国数字经济碳排放:总量测算与趋势展望[J].中国人口·资源与环境,2022,32(9):11-21.

[5] 杨佩卿,尹亚欣.新发展理念下数字经济对黄河流域碳排放的影响[J].西安交通大学学报(社会科学版),2025,45(5):139-151.

[6] 王香艳,李金叶.数字经济是否有效促进了节能和碳减排[J].中国人口·资源与环境,2022,32(11):83-95.

[7] 张三峰,魏下海.信息与通信技术是否降低了企业能源消耗——来自中国制造业企业调查数据的证据[J].中国工业经济,2019,37(2):155-173.

[8] 范德成,肖文雪.数字经济何以成为区域创新发展新动能——基于要素融合的实证分析[J].科技进步与对策,2025,42(5):69-81.

[9] 陈晓,张鑫奥,王育宝.数字技术创新赋能城市低碳转型路径机制研究[J].科技进步与对策,2024,41(23):41-51.

[10] 檀菲菲,孙晨煜.数字经济发展驱动城市碳排放效应:从空间溢出到空间网络[J].环境科学,2025,46(9):5441-5453.

[11] 刘耀彬,胡伟辉,骆康,等.省会城市数字经济发展的影响——溢出还是虹吸[J].科技进步与对策,2023,40(15):53-63.

[12] 王帅龙.数字经济之于城市碳排放:“加速器”抑或“减速带”[J].中国人口·资源与环境,2023,33(6):11-22.

[13] WU W,XU Z Y.Does sustainable digital economy have implications for climate change novel evidence in the context of sustainable energy technologies[J].Sustainable Energy Technologies and Assessments,2023,60:103524.

[14] 李芸果,闫东升,孙伟.城市空间结构对碳排放效率的影响研究——以长三角地区为例[J].长江流域资源与环境,2024,33(11):2461-2473.

[15] 郭琳,吴玉鸣,鲍曙明.区域空间结构对城市碳排放强度的影响[J].经济体制改革,2024,42(1):43-52.

[16] 童心楚,彭可可,代昀昊.“双碳”目标下的数字化转型:来自低碳城市试点的证据[J].珞珈管理评论,2025,19(6):21-55.

[17] 张华明,元鹏飞,朱治双.中国城市人口规模、产业集聚与碳排放[J].中国环境科学,2021,41(5):2459-2470.

[18] 雷玉桃,朱鹤政,彭文祥.多中心空间结构对城市碳减排的影响研究——基于中国超特大城市的实证分析[J].城市问题,2023,42(2):4-12.

[19] 陈旭,邱斌.多中心结构、市场整合与经济效率[J].经济学动态,2020,61(8):70-87.

[20] 王峤,刘修岩,李迎成.空间结构、城市规模与中国城市的创新绩效[J].中国工业经济,2021,39(5):114-132.

[21] YAN Y, HUANG J. The role of population agglomeration played in China's carbon intensity: a city-level analysis [J]. Energy Economics, 2022, 114: 106276.

[22] 邵帅,张可,豆建民.经济集聚的节能减排效应:理论与中国经验[J].管理世界,2019,35(1):36-60,226.

[23] NOUSSAN M, TAGLIAPIETRA S. The effect of digitalization in the energy consumption of passenger transport: an analysis of future scenarios for Europe [J].Journal of Cleaner Production, 2020,258:120926.

[24] 孙飞翔,吕拉昌.城市紧凑度对中国城市创新的影响[J].人文地理,2021,36(3):97-107.

[25] 汪辉平,刘佩玲.中国城市绿色创新网络结构特征及对碳排放的影响[J].环境科学,2025, 46(3):1450-1461.

[26] 方丹,杨谨,陈绍晴.城市群多中心发展的碳减排效应及其作用机制[J].中国人口·资源与环境,2023,33(9):45-58.

[27] 冯新惠,李艳,王诗逸,等.“双碳”目标下城市形态对碳排放的影响:以长江经济带为例[J].环境科学,2024,45(6):3389-3401.

[28] 张桅,胡艳.长三角地区创新型人力资本对绿色全要素生产率的影响——基于空间杜宾模型的实证分析[J].中国人口资源与环境,2020,30(9):106-120.

[29] 谢煜.中国民营经济高质量发展水平测度与时空演变特征[J].统计与决策,2025,41(14):168-173.

[30] 罗军,邱海桐.城市数字经济驱动制造业绿色发展的空间效应[J].经济地理,2022,42(12):13-22.

[31] SUN H, KIM G. The composite impact of ICT industry on lowering carbon intensity: from the perspective of regional heterogeneity [J]. Technology in Society, 2021, 66: 101661.

[32] CHE S,WEN L,WANG J.Global insights on the impact of digital infrastructure on carbon emissions: a multidimensional analysis [J]. Journal of Environmental Management, 2024, 368: 122144.

[33] 孙斌栋,华杰媛,李琬,等.中国城市群空间结构的演化与影响因素——基于人口分布的形态单中心—多中心视角[J].地理科学进展,2017,36(10):1294-1303.

(责任编辑：胡俊健)