【文献分享】中国三大城市群的数字经济与碳排放效率： 迈向绿色发展的 “U ”型历程

1.CEE和DE的时空动态演变

为分析三大城市群绿色发展的时空演变格局和特征，本研究使用ArcGIS10.8绘制了2011年和2022年DE时空分布图2。颜色越深表示各个城市的CEE水平较高。从2011年到2022年，各城市的CEE水平总体呈上升趋势。但是，当从空间角度进行检查时，BTH中的CEE尤其落后于YRD和PRD。这种差异主要归因于以下原因：由于大量的工业活动和供热需求严重依赖能源，BTH 已成为碳密集度最高的地区之一。在BTH城市群中，北京在CEE和DE一直处于领先地位，在绿色发展和能源节约方面取得了显著成绩。天津近年来加大了环保力度，2022 年的 CEE 显著提高。相比之下，河北省的城市由于人口密集、工业聚集，碳排放量相对较高，因此总体CEE较低。在YRD城市群中，CEE 较高的地区主要集中在上海、南京、杭州和苏锡常都市圈。同时，在这些地区的辐射影响下，其他城市也取得了显著的CEE。其中，合肥的碳排放量在CEE和DE激增最为明显，证明了合肥近年来成功的产业转型。在PRD城市群中，深圳在低碳发展方面表现突出，其CEE显著超过其他城市。佛山在提升其 CEE 方面取得了令人称道的进步，反映出佛山致力于向更可持续的经济模式转型。相比之下，肇庆的碳排放表现却没有明显改善，这表明需要更有针对性的政策来有效应对其碳排放挑战。

同样，图3说明了2011年和2022年DE的时空演变。该地图显示了所有城市的DE水平都有明显的进展，突显了发展动态的积极趋势。发现DE的空间分布与经济发展轨迹密切相关。在BTH城市群中，北京占据主导地位，而其他城市在DE开发方面落后。到2022年，天津和石家庄已明显超过河北省的其他城市，但仍大大落后于北京。长三角城市群在上海、南京和杭州的表现非常出色。然而，位于长三角西部的安徽省大多数城市的发展水平相对较低，只有合肥表现相对较好。与此同时，珠三角城市群总体上保持了高水平，深圳和广州的表现明显优于区内其他城市。城市群内部存在严重的两极分化现象，未来需要进一步发挥高水平城市的辐射引领作用，推动其他城市的DE发展。具体来说，鉴于长三角和珠三角都至少拥有两个高水平的数字经济城市，京津冀城市群迫切需要在北京之外再发展一个数字经济中心。

2.基准回归结果

本研究继续使用Stata18.0软件进行面板固定效应分析，结果如表3所示。列（1）显示不包括控制变量和固定效应的OLS估计结果。在此基础上，列（2）–（4）分别包含控制变量、城市固定效应以及城市固定效应和时间固定效应。结果表明，DE的二次系数在1%水平上均显著，验证了DE与CEE之间的非线性关系。在逐渐包含固定效应后，DE的二次系数发生了显着变化，模型的解释力进一步增强。因此，关注第（4）列的结果。DE的正二次项表示其对CEE影响的明显U形曲线特征。最初，在DE开发的初期阶段，对数字基础设施的高额投资往往会增加生产和日常生活中的碳排放量。然而，随着DE的不断发展并超越特定阈值，其提高CEE的潜力逐渐显现，这得益于资源配置效率和能源利用率的提高。鉴于这些发现，政策制定者必须优先考虑加快通过U形曲线左侧过渡的策略，从而最大限度地减少DE发展初始阶段对CEE的不利影响。

3.U形检验和可视化

在对U形或倒U形关系的检验中，可能会误解方项的意义表明存在此类关系。即使样本数据的某一部分表现出单调行为（增加或减少），核心解释变量的二次项系数仍然可能很重要。因此，本研究采用三步程序来确定DE和CEE之间存在U形关系。首先，如前所述，DE的二次项是显著的并且是预期的符号。其次，U形检验报告斜率检验的结果，如表4所示。下限和上限分别为−0.603和1.484，两者都至少在1%的水平上通过了显著性测试。第三，假设U形曲线的极值点（0.266）的95%Fieller区间为（0.179，0.342），它完全在观测数据范围（0.053，0.788）内。成功完成所有三个步骤证明了DE和CEE之间存在U形关系，为支持假设1提供了强有力的证据。当DE低于0.266时，边际效应为负，表明DE的增加会导致CEE的减少。一旦DE超过阈值0.266，边际效应就会迅速转为正值并逐渐增强。这意味着DE对CEE的影响从抑制性转变为促进性。U形曲线图和边际效应图的视觉结果如图4所示。

4.稳健性检验

4.1内生性检验

DE和CEE之间的同时性可能存在内生性问题。DE的发展会影响城市CEE，反过来，CEE有可能影响数字基础设施的投资和建设。如果存在这种双向因果关系，则表3第（4）列中的基准结果将有偏差。因此，采用两阶段最小二乘法来分析内生性问题。关于工具变量的构建，采用了两种方法：（1）使用提出的内生解释变量的滞后变量作为缓解内生性问题的工具变量，已被研究人员广泛应用。由于内生解释变量与其滞后变量在某种程度上相关，因此它们可能相对独立于当前干扰。因此，在本研究中，DE和DE²的一阶滞后用作工具变量。（2）作为信息存储和传播的关键中心，图书馆馆藏的规模在转换为数字格式并通过互联网访问时，可以为DE提供丰富的数据资源，所有这些都不会直接影响碳排放。因此，进一步使用互联网普及率与公共图书馆藏书总数对数之间的交互项作为分析的工具变量（IV）。在IV的第一阶段回归中，平方项的线性投影不是线性投影的平方。因此，在IV估计的第二阶段，DE²不能用第一阶段DE的拟合值的平方代替。正确的程序是引入IV和IV²放入模型中。

表5列出了使用工具变量的两阶段最小二乘法获得的估计结果。在第一阶段回归结果中，工具变量的系数都至少在5%水平上通过了显著性检验。考虑内生性后，DE²在第（3）列和第（6）列中均显著为正并通过U检验检查，表明本文中U形关系的结论仍然可靠。同时，Kleibergen-PaaprkLM统计量拒绝了1%水平上工具变量识别不足的原假设。Kleibergen-PaaprkWaldF统计量大于7.03，因此拒绝了工具变量弱识别的原假设。这些测试证实了工具变量选择的有效性。

 4.2其他稳健性检验

为了确保结果的稳健性，本研究进行了额外的稳健性测试。首先，替换自变量。主要分析用于重新计算DE值，然后将其标准化以获得从0到1的综合指数。其次，排除了COVID-19大流行的潜在影响。封锁措施影响了数据的收集和记录，这可能造成了偏见。因此，排除了2020年、2021年和2022年的样本。第三，从原始样本中排除了三个城市。中国的直辖市通常具有特殊的行政地位和较高的人口密度，这可能会混淆的结果。本研究在排除来自北京、天津和上海的样本后估计数据。第四，调整了聚类的稳健标准误差。聚类标准误差允许同一群体内个体的干扰项之间存在相关性，同时假设不同群体中个体的干扰项之间没有相关性。因此，纳入了城市级聚类来减轻异方差效应。稳健性测试的结果如表6的第（1）-（4）列所示，上述结论得到了进一步的证实。

5.区域异质性分析

三大城市群在地理上并不相邻，其发展基础存在显著差异，这可能导致DE对CEE的不同影响。表7中的第（1）、（2）和（3）列报告了BTH、长三角和珠三角城市群的单独回归结果，都揭示了DE和CEE之间存在U形关系。图5直观地呈现了它们的U形关系，当DE水平达到0.199、0.158和0.467时，BTH、YRD和PRD的拐点分别出现。根据各城市统计年鉴，BTH城市群仍承担着大量的制造业和重化工业发展。长三角城市群的工业发展相对均衡，但制造业结构仍偏向传统产业。因此，DTH和YRD中DE的发展有可能迅速带来减排效应。相比之下，珠三角城市群主要集中在轻工业和高科技产业。因此，在较长的脱欧发展时期，珠三角的CEE经济水平一直高于丁基湾区和长三角区，彰显了其绿色经济发展的坚实基础和产业结构优势。然而，值得注意的是，PRD独特的技术创新优势导致了持久的能量反弹效应，导致了DE拐点的后期到来。此外，在样本期间，珠三角应优先利用其DE的潜力来促进减少碳排放，因为其边际效应明显较低。

6.机制分析

6.1中介效应检验

本节进一步研究了DE是否通过资源配置效率的中介机制影响CEE，中介效应的结果如表8所示。首先，对完整样本进行回归分析。列（1）中的结果表示ALL和DE之间的倒U形关系。在DE初期，技术不成熟、应用受限等问题导致利用过程中的浪费或资源配置不合理。随着DE的进一步成熟，数字平台促进了要素的自由流动和优化配置，减少了不合理的要素投入和浪费，从而提高了配置效率。第（2）列中的回归结果揭示了ALL和CEE之间存在显著的负相关，表明资源分配效率在DE影响CEE的过程中起到了中介作用。第（3）至（8）列显示了特定于BTH、YRD和PRD城市群的回归结果。与全样本一致，两个系数β₂和coefficientθ₃

6.2调节效应检验

本研究旨在通过深入研究DE和CEE之间U形关系的复杂变化来制定更有针对性的政策建议，特别是当这些变化受到产业结构的影响时。具体来说，这些变化包括DE的拐点如何变化以及将DE与CEE相关的曲线形状如何变化。表9报告了三个主要城市群的全样本和分组样本的调节效应结果。UIS（产业结构升级）∗DE²的系数在第（1）至（4）列中，都至少在5%水平上超过了显著性检验，从而证实了UIS存在非线性调节效应。假设2b已得到验证。

一些研究人员倾向于只关注拐点的变化，而忽略了将DE与CEE相关的曲线形状的动态变化。在某些特殊情况下，由于情境因素可能会发生形态翻转，使曲线的形状从倒U形反转为正U形。因此，根据 Busenbark 等人的建议，通过为UIS分配最小值、中位数和最大值来研究UIS在不同层面的影响。这些值分别代表低、中、高水平的UIS，使能够可视化调节效应，如图6所示。在整个样品中可以观察到曲线变陡，表明曲线的灵敏度随着UIS的增加而提高。这种调节机制在BTH和YRD地区都表现出一些变化。具体来说，DE和CEE之间的关系在UIS的低级别遵循倒U形，但随着UIS的增加，这种关系会转变为正U形。鉴于完整样本和BTH区域中低水平UIS没有拐点，DE和CEE之间的关系呈单调关系，位于曲线的特定一侧。在珠三角城市群中，观察到U形曲线趋平的趋势表明UIS对曲线敏感性存在潜在的不利影响。在图7中进一步说明了UIS不同级别的边际效应图。很明显，在整个样本、BTH和YRD城市群中，虽然UIS的动态调节作用推迟了CEE生长阶段的开始，但它最终有助于提高DE过程的碳性能。相反，珠三角城市群表现出一个明显的特征，即随着统计研究所的水平升高，DE对CEE的边际效应显著减弱。

6.3形态翻转分析

采用Haans等人的方法，通过将DE拐点方程的分母设置为零来计算翻转点的UIS值。这种方法揭示了一个关键的UIS值，在该值处，曲线从曲线过渡到线性，标志着形态翻转的开始。对于BTH和YRD区域，翻转点分别被确定为6.104和6.470，均位于其观测的UIS范围内。最初，DE和CEE之间可辨别出倒U形关系，随着UIS的加强，这种关系逐渐趋于平缓。到达flipping点后，关系短暂过渡到线性阶段。随后，曲线反转为正U形并逐渐变陡。这种转变强调了统计研究所在确定DE-CEE关系方面的关键作用，形态翻转可能源于影响其他潜在机制的统计研究所。产业结构升级（UIS）较低的城市倾向于嵌入传统产业，特别是制造业和农业，因此数字技术的渗透率较低。这种倾向阻碍了他们开发数字化固有的潜在增长潜力的能力，最终阻碍了城市生产力的进步。 产业结构升级水平高的城市，通常是服务业、金融和前沿技术的中心，准备更大程度地利用数字技术、平台和金融，从而在相同的DE上实现更高水平的CEE。然而，数字化和工业的整合需要强大且可扩展的数字基础设施，这在其起步阶段带来了与能源消耗和排放相关的挑战。相比之下，珠三角城市群的计算翻转点超越了观察到的UIS范围，明确排除了在研究期间内发生形态翻转的情况。

6.4进一步讨论

本研究实证考察了BTH和YRD城市群中产业结构在营造有利于DE发展环境方面的关键作用，以及DE通过资源配置效率影响CEE的机制。值得注意的是，研究结果表明，ALL中介作用的路径在珠三角城市群中无法发挥作用，UIS的调节作用与最初的预期明显不同。这就提出了一个问题：ALL和UIS在珠三角城市群中发挥着哪些具体作用，为什么这些结论与BTH和YRD观察到的结论不同？为了揭示这种地区异质性的根本原因，未来的研究应该更深入地研究ALL和UIS的观点。图8使用半参数方法估计了UIS和ALL之间的明显关系，该方法将非参数模型的适应性与参数方法的精度和清晰度和谐地结合在一起。可以观察到，UIS与ALL之间存在明显的倒U型关系，UIS对BTH和YRD资源错配的抑制作用比PRD更有效。就所讨论的样本而言，珠三角的平均ALL为0.655，明显低于BTH的0.908和YRD的0.870。尽管珠三角拥有卓越的经济实力和成熟的市场机制，使其在缓解资源错配方面表现出色，但这也意味着珠三角面临着根深蒂固的资源错配挑战，进一步优化的空间有限。因此，珠三角地区DE的未来发展需要技术创新、模式创新和管理创新，以增强资源配置的效率和灵活性。此外，珠三角的平均统计研究所（6.902）超过了BTH（6.682）和YRD（6.838），凸显了其明显的区域工业优势。然而，在资源有效配置的背景下，产业升级与现有资本和劳动力结构之间的差距加剧了供需之间的不匹配。珠三角地区需要提高其劳动力的技能，以满足不断发展的工业格局的需求。同时，它应促进资本重新配置到符合该地区战略目标的新兴行业，例如投资创新技术、基础设施升级和可持续发展项目。

由于中国数字经济起步相对较晚，本研究始于2011年，仅捕捉了数字经济对碳排放效率的短期影响，尤其是形态翻转现象。这种短期分析可能无法完全支持对数字经济对碳排放效率影响的长期趋势的理论解释。此外，该研究确定了珠三角城市群内部的异质性，但缺乏进一步的实证探索来揭示这种差异背后的具体原因。未来的研究可以更深入地探讨这种变化的原因，这可能涉及对产业结构、市场需求、政策环境、技术水平及其相互作用和动态变化等各种因素的深入分析。

针对本文的不足，采取以下措施：

首先，城市群必须着手战略性和持续地发展数字经济，认识到数字经济在优化碳排放效率方面的长期潜力。为了平衡潜在的能源反弹效应与数字化转型的长期利益，政府应采取综合措施。这些措施包括部署智能电网系统、建立碳交易机制以及建立广泛的监测网络，以更好地跟踪和管理这些地区的能源使用和排放。此外，建立数字经济区，通过税收减免、补助和获取研究资源来优先考虑绿色科技公司，可以更大程度地释放数字潜力，缩小地区之间的数字鸿沟，从而促进包容性和可持续增长。

其次，BTH和YRD城市群应通过强大的劳动力和金融市场体系提高人力资源和资本流动的灵活性和透明度，以促进资源的最佳配置。同时，他们应该投资于数据分析和人工智能，以提高资源分配的准确性和效率，尤其是在能源部门。珠江三角洲城市群的传统方法效果较差，必须确定提高CEE的其他途径。关键行动包括加强区域间政策协调，避免同质竞争和资源浪费，探索碳交易和绿色金融等新型资源配置模式，为提升CEE提供新动力和保障。

第三，考虑到三个城市群的不同工业景观和发展阶段，定制化的产业升级策略至关重要。对于第一区和长三角地区来说，所有城市的产业升级都已超过翻转点的价值，它们应该利用现有的产业升级进展，实现更高的碳排放效率。这一努力可以通过完善产业结构和促进传统和数字部门之间的协同作用来实现，尤其是在BTH城市群中。在珠三角地区，产业结构升级对CEE产生了不利影响，需要应对供需失衡和过度工业化等根本性挑战。政策措施应旨在协调工业升级与环境保护，倡导循环经济原则，并培育环保产业。