【文献分享】数字基础设施影响碳排放的全球多维分析

随着全球数字基础设施的迅速发展，了解其对碳排放的影响对于解决全球变暖问题至关重要。本文构建数字基础设施指标体系，利用83个国家2005-2021年的面板数据，深入考察数字基础设施对碳排放的影响及其作用机制。结果表明，数字基础设施导致了全球碳排放量的增加。机制检验表明，资本聚集和化石能源消耗促进了碳排放的增加。然而，数字基础设施对碳排放的影响存在区域差异。在阿拉伯地区，数字基础设施的发展似乎减少了碳排放，在独联体、非洲和美洲也观察到这一趋势，尽管是潜在的。相比之下，欧洲和亚太地区则因数字基础设施而出现了显著的碳排放激增。人口密度和可再生能源比重成为关键的门槛变量。超过一定的人口密度，对碳排放的影响就会加剧，而可再生能源比重的增加超过特定点，就会减轻这种影响。稳健性检验证实，数字基础设施提高了人均碳排放量和碳强度，其中数字市场和数字技术显著增加了碳排放量。

研究假说：

H1：数字基础设施可直接影响碳排放，但其影响的性质（无论是正面还是负面）仍不确定。

H2：数字基础设施可通过资本聚集和能源消耗结构间接影响碳排放。

H3：受各国具体因素的影响，数字基础设施对碳排放的影响可能是不同的。

H4：数字基础设施对碳排放的影响可能是非线性的，随人口密度和可再生能源开发程度的不同而变化。

1. 基准回归结果

首先，本文的分析确认不存在多重共线性问题；详细结果见附录。然后，使用全样本估计数字基础设施对碳排放的影响，结果见表2。为确保结果更加稳健，本研究采用了逐步分析控制变量的方法。第（1）列至第（7）列的结果显示，数字基础设施与碳排放之间存在显著的正相关关系，核心估计参数通过了1%显著性水平检验。数字基础设施增加了全球碳排放，无论是否添加控制变量，都能观察到这一趋势。值得注意的是，省略控制变量往往会低估碳排放量的增加。

这一现象背后的内在原因是数字基础设施在建设和维护运行阶段的大量能耗。数据基础设施的建设推动了数据量的爆炸式增长，导致数据传输、存储、计算、应用以及互联设备运行的能耗大幅增加。新的基础设施模式导致了CPU利用率低下的问题，甚至在世界各地都出现了 “空转 ”现象。巨大的电力需求和极低的能源效率抵消了数字技术的乘数效应，导致碳排放量不断上升。假说1得到了证实。

2. 内在机制检验

为了直观地显示中介变量的作用和影响，本文在表3中进一步列出了详细的回归过程。其中第一列显示了解释变量dix对碳排放ce的直接影响。第二列报告了解释变量dix对中介变量toi的显著正贡献。在第三列中，本文将toi和dix都纳入回归模型，以检验它们的中介效应。索贝尔检验显示p值小于0.01，间接效应通过了显著性水平检验。索贝尔分解分析效应显示，数字基础设施直接增加了26.10%的碳排放，间接增加了1.38%的碳排放，这些间接效应占总体影响的5.31%。这表明，数字基础设施的进步在打破市场参与者之间的 “信息孤岛 ”方面发挥了关键作用，从而营造了有利的商业环境并吸引了投资。因此，投资激增导致生产和生活活动产生的碳排放量增加。

同样，第4列仍然是基准回归结果。第5列考察了dix对第二个中介变量pff的直接影响。第六列将dix和pff同时纳入回归模型。pff的中介效应仍然通过了检验。这表明，无论检验结果如何，toi和pff都承担了部分中介效应。不容忽视的是，数字基础设施对碳排放的直接影响仍然起着主导作用。数字基础设施直接导致碳排放量增加26.10%，间接导致碳排放量增加1.62%。间接影响占总影响的6.23%。这表明，数字基础设施的快速发展提高了化石能源的消耗比例。当前的数字基础设施建设并非 “绿色清洁 ”产业，这凸显了摆脱对化石能源依赖的迫切需求。总体而言，数字基础设施通过资本积累和能源消费结构的变化增加了碳排放，但间接效应并不是碳排放增加的主要原因。这与Chang等人和Peng等人的现有研究形成了鲜明对比，后者从更广泛的宏观经济角度评估了数字经济对碳排放的影响。本文的分析从基础设施发展的角度探讨了能源消耗增加这一核心问题。数字基础设施的建设，就其本质而言，是一个 “能源密集、高排放 ”的项目，是碳排放直接激增的主要驱动力。

3. 基于国家的异质性检验

在本节中，本文将研究区域异质性的潜在影响。表4第（1）列至第（6）列分别报告了阿拉伯、独联体、非洲、美洲、欧洲和亚太地区的结果。结果显示，数字基础设施对碳排放的影响存在明显的地区差异。例如，阿拉伯地区的数字基础设施可减少5.46% 的碳排放。阿拉伯地区尽管起步较晚，但由于在数字基础设施发展方面的大量投资，已经取得了良好的环境成果。例如，沙特阿拉伯从2016年到2022年投资247亿美元，成为中东和北非地区增长最快、规模最大的数字基础设施市场。该国的做法是将密集开发与战略规划相结合，不仅避免了新基础设施的高能耗隐患，还通过技术人才整合实现了低碳发展。值得注意的是，沙特阿拉伯的移动互联网速度现已超过每秒181兆比特，是全球平均水平的两倍。

在独联体、非洲和美洲，观察到了数字基础设施对碳排放的潜在负面影响，但未达到统计显著性。这一结论与Naeem等人的观点一致，他们认为非洲等地区的基础设施发展会对环境效率产生负面影响。这些地区内部的经济差距，加上数字基础设施的先进国家和落后国家，使其对环境的影响并不明确。Mngumi等人对金砖国家的研究验证了本文的观点。他们的研究表明，金砖国家内部的经济差异会导致数字经济对环境产生不确定的影响。欧洲和亚太地区的数字基础设施建设对碳排放有明显的促进作用。本文的结论扩展了 Benedetti等人的研究，他们认为欧洲的数字化对能源生产率有积极但不显著的影响。这主要归因于与数字基础设施建设相关的大量能源消耗。荷兰是欧洲网络电缆交汇中心，截至2022年共有281个数据中心，其中包括三个超大型数据中心，一个为谷歌，两个为微软。Meta公司曾想在荷兰建立一个超大型数据中心，但由于居民的强烈反对而未能如愿。此外，俄乌危机加剧了能源危机，大型数据中心的高能耗和环境破坏也是欧洲关注的问题。亚洲数字基础设施发展带来的碳排放增加主要由中国推动。2021年，中国的电力需求增长了10%，相当于非洲的总需求，其中数据中心的耗电量为2166亿千瓦时，约占全国耗电量的2.6%，碳排放量为1.35亿吨，占全国总排放量的1.14%。中国数字基础设施碳排放量的持续增长凸显了向清洁能源和资源效率转变的迫切需要。综上所述，假说 3 得到了证实。

4. 数字基础设施的非线性影响

4.1 门槛检验和测量

人口密度（pd）和可再生能源份额（pre）在本研究中被选为阈值变量。pd用每个国家每公里土地面积上的人口数量表示。基于第3节的理论分析，本文认为在不同的人口密度和可再生能源发展水平下，数字基础设施对碳排放的影响存在差异。首先，经过300次样本迭代，表5报告了门槛效应的检验结果。结果显示，两个门槛变量都通过了检验。人口密度在5%的显著性水平上有一个临界值，可再生能源发展水平在1%的显著性水平上有一个临界值。

为进一步确定门槛值的置信区间，表6分别列出了门槛估计值和置信区间。人口密度的临界值为77.9472，可再生能源份额的临界值为17.3547。根据置信区间，可以确定门槛值估计值均为真实值。

为了更直观地显示和评估门槛值和置信区间，本文依次绘制了以人口密度和可再生能源份额为门槛值变量的似然比趋势图（图3）。红色虚线表示置信值为7.35。当使用人口密度和可再生能源份额作为临界变量时，估计的临界值确保了LR函数的最小值。

4.2 非线性影响分析

表7进一步报告了数字基础设施对碳排放的非线性影响结果。第（1）列显示了以人口密度为临界变量时的检验结果，第（2）列显示了以可再生能源份额为临界变量时的检验结果。这与T. Bai的结果一致，表明数字经济与其环境影响之间存在非线性关系。第（1）列的估计结果表明，当人口密度小于77.9472时，数字基础设施可增加22.6%的碳排放量。当人口密度超过这一临界值时，数字基础设施对碳排放的增加效应上升到28%。第（2）列的估计结果表明，当可再生能源比例小于17.3547时，数字基础设施可增加 22.5%的碳排放。当可再生能源比例超过这一临界值时，数字基础设施对碳排放的促进作用下降到20.4%。这表明，在人口密度高、可再生能源比例低的国家建设数字基础设施与碳排放增加有关。这与Liu等人的研究结果一致，可再生能源消费比例的增加可以降低能源强度。然而，可再生能源的调节作用并不明显，数字基础设施本身的高能耗特性也亟待解决。

5. 稳健性检验

5.1 基于人均碳排放量和碳强度的再检验

为了进行稳健性检验，本文采用了替换方程（1）中解释变量的策略。表8中的第（1）列和第（2）列报告了使用人均碳排放量和碳强度的估计结果。pce表示各国碳排放总量与总人口之比，cei表示各国碳排放总量与国内生产总值之比。结果表明，数字基础设施大大增加了人均碳排放量和碳强度。允许低质量的数字基础设施发展将导致数据中心的能耗增加，并大大降低数字经济的质量。至关重要的是，除非未来全球数字发展能与碳排放 “脱钩”，否则实现 “碳中和 ”的目标仍将是一个挑战，全球变暖这一关键问题也将悬而未决。

5.2 数字市场和数字技术对碳排放的影响

为了进行稳健性检验，本文将解释变量数字基础设施分别替换为数字市场和数字技术。数字市场( dmx )由六个指标衍生而来，包括电子商务交易中的数字应用、互联网用户数量、数字经济企业数量、社交媒体使用水平、IT购买数量、产品数字化规模。数字技术( dtx )使用六个指标来衡量：创新能力、前沿技术的可用性、ICT相关的专利申请数量、相关学科的论文发表数量、高等教育入学率和数学科学的教育质量。表9报告了数字市场和数字技术的系数为正，表明数字市场和数字技术均促进了碳排放的增加。这表明，当前以数字基础设施为支撑的数字市场和技术仍然是"面向生产"的。快速建立的数字市场和技术应用仍然需要大量的能源投入，尚未实现"环境友好"。本文的发现得到了支持。Lange et al.他们认为，ICT技术相对高耗能，往往会导致能源消耗的增加。

5.3 针对内生性问题的缓解方案

内生性问题会导致估计的参数存在偏差，使得本文对变量之间关系的理解和推断出现错误。如果不考虑内生性，得出的结论可能不能准确反映真实的经济关系，从而误导政策制定和学术研究。因此，本文建议通过以下多个模型来缓解本研究中可能存在的内生性问题。系统广义矩估计( System Generalized Method of Moments，SYS-GMM )是面板数据分析中广泛使用的方法，特别是在处理内生性问题方面。其优点在于，SYS-GMM可以同时处理内生和外生解释变量，并通过引入工具变量解决内生性问题，从而得到更加一致的估计结果。第二，可以通过控制个体固定效应来控制不可观测的个体异质性对估计结果的影响。第三，SYS-GMM适用于动态面板数据模型，即包含解释变量滞后项的模型。在这种情况下，SYS-GMM可以通过引入工具变量来解决内生性问题，从而得到更加一致的估计结果。第四，SYS-GMM还可以通过使用更多的矩条件来提高估计效率，从而得到更准确的估计结果。表10中的( 1 )列报告了估计结果，其中dix在缓解内生性问题后对ce保持正向的助推作用。有趣的是，本文通过动态面板模型证明了碳排放的时间增强效应，即其滞后项在当期对碳排放具有显著的驱动作用。同时，本文对模型进行了一系列必要的检验和诊断。AR ( 1 )和AR ( 2 )检验结果表明，模型不存在高阶自相关。对于过度识别约束的检验重点在于确定系统GMM估计中所使用的工具变量在整体上是否有效。Sargan检验和Hansen检验的结果证明工具变量是有效的，原假设不应该被拒绝。

本文采取的第二种方法是倾向得分匹配法( PSM )。其原因在于：第一，内生性问题往往源于同时影响处理变量 (如，接受某种处理，参与某项政策)和结果变量的不可观测或难以测量的混杂因素。PSM通过将多个可能的混杂因素合并成一个单一的倾向性评分，在一定程度上控制了这些混杂因素的影响，在此基础上进行匹配，使得处理组和对照组在可观察特征方面尽可能相似，减少由于混杂因素带来的偏倚。其次，通过匹配过程，PSM试图创造一个类似于随机实验的环境。在随机试验中，治疗组和对照组的分配是随机的，从而消除了内生性的问题。PSM虽然不能完全达到随机实验的效果，但通过合理的匹配可以接近这一理想。再次，在观察性研究中，个体是否进入治疗组可能不是随机的，而是会受到自身某些特征或外界因素的影响，导致选择偏差。倾向得分匹配法通过匹配倾向得分相近的个体来降低这种选择性偏差，使处理组和控制组更具有可比性。最后，PSM使得协变量 (可能影响结果的变量)在处理组和控制组之间的分布更加均衡，从而降低了因协变量分布不均而产生的内生性效应。基于上述逻辑，本文将数字基础设施水平排名前10%的样本作为处理组，其余样本作为对照组，严格按照PSM的步骤进行(匹配结果见附录B)的估计。第( 2 )列报告了使用PSM估计的结果，这些结果在ex之后仍然稳健。

此外，排除外生事件冲击有助于缓解内生性问题。首先，外生事件冲击可能会掩盖或扭曲内生性因素的真实影响。通过去除这些外部干扰，可以更加清晰地观察和分析系统内部变量之间的关系，从而更加准确地识别和解决内生性问题。第二，外生事件冲击会导致数据的异常波动，使得基于这些数据的分析和结论产生偏差。排除这种冲击有助于提高数据的质量和稳定性，为研究和解决内生性问题提供更可靠的依据。此外，排除外生的、往往是随机和不可控的事件冲击，可以使研究和政策制定更加关注系统内部可以调节和改善的因素，提高解决内生性问题的针对性和有效性。在我们的样本研究期间，有两个主要的外生事件可能干扰了研究的结论。第一次是2008年的金融危机，第二次是新冠肺炎疫情。借鉴Che et al . 的研究步骤本文分别在列( 3 )和( 4 ) 的估计结果中删去样本期，以去除两者的影响。