论文快递｜周韬等：数字化转型对西北地区碳排放的影响研究

1.1  数字化转型与碳减排的关系

数字化转型通过推进产业结构高级化、合理化使碳排放强度降低。产业高级化和合理化通常伴随着先进技术应用、生产工艺流程优化、能源利用效率提高、能源消耗和浪费减少［9－10］。在能源消耗方面，数字化转型可促进技术多样化，有助于推动清洁能源的使用、减少对化石能源的依赖，因而有利于碳减排；在交通运输方面，数字化转型可促进商贸流通业高质量发展，通过智能物流技术优化物流路线，使物流距离缩短、物流时间减少、物流效率提高，因而减少能源消耗量和碳排放量［11－12］；在企业运营方面，数字化转型可通过数字化工具和在线平台实现产业链上下游的远程协作、远程服务、资源优化配置等，减少通勤和商务旅行造成的交通碳排放量［13］。据此，提出研究假设一：数字化转型能够促进碳减排。

1.2  数字化转型与碳减排溢出效应

有关研究［14］表明，我国城市能源消费碳排放量在空间上呈现高－高集聚特征，区域差异正逐步缩小。从知识和技术溢出、扩散视角看，区域内技术创新成果通过人员流动、合作等途径向其他地区扩散的过程中，会发生技术不适应或技术倾销，从而影响周围地区的碳减排能力和效率，导致能源回弹效应，使碳排放量增加［15］。从产业结构升级视角看，区域内数字化转型能促进产业结构升级且具有集聚作用，使其对周边地区产业结构升级产生抑制作用，因而导致碳排放量增加［16－17］。据此，提出研究假设二：数字化转型对周边地区碳减排具有负向溢出效应。

2.1  变量设定

1）被解释变量。参考有关研究成果［18］，把二氧化碳排放量（Y）作为被解释变量。采用联合国政府间气候变化专门委员会（IPCC）推荐的方法，根据各类能源（焦炭、石油、原油、汽油、煤油、柴油、燃料油、天然气和电力等）消费量计算二氧化碳排放量Y，公式为

式中：Ei为根据标准煤折算系数计算的第i 种能源消费量，fNCVi为第i种能源的平均低位发热量，fCEFi为第i种能源单位热值含碳量，fCOFi为第i种能源碳氧化因子，n为消费能源种类数。

2） 核心解释变量。把数字化转型水平（XDig） 作为核心解释变量。参考有关研究成果［19－22］，从数字基础设施、数字产业发展、数字普惠金融3 个维度设置评价指标（见表1），运用熵值法对数字化转型水平进行测度。

表１　数字化转型水平评价指标体系

 

3） 控制变量。借鉴相关研究成果，把劳动力结构（Xlab，用第二产业从业人数占比表示）、 产业结构（Xind，用第三产业产值与第二产业产值之比表示）、经济发展水平（XGDP，用人均GDP 表示）、人力资本水平（Xhc，用受高等教育从业人数占比表示）、绿色技术创新水平（Xgree，用绿色专利申请数量表示）、环境规制强度（Xenv，按表2 所列指标、采用熵值法进行测度［23］）作为控制变量。

表２　环境规制强度测度指标及属性

 

2.2  样本数据来源

本文以2011—2019 年为研究时段，选取西北地区26 个地级市作为样本市，研究所用样本数据源自《中国能源统计年鉴》和各样本市统计年鉴、国民经济和社会发展统计公报等。对部分年份缺失的数据，采取线性插值法予以弥补。

2.3  空间计量模型的构建

采用空间计量模型可细致分析数字化转型对不同地区碳排放水平的影响程度及其空间溢出效应、揭示各区域数字化转型及碳排放之间的关系等，为制定针对性的政策措施提供科学支持。空间计量模型的一般表达式为

其中

式中：α 为常数，WY、ρ0 分别为被解释变量的空间效应、空间自回归系数；X、β0 分别为解释变量、回归系数，WX、θ0 分别为解释变量的空间效应、空间自回归系数，u 为干扰项，Wu、λ0 分别为不同单元干扰的空间效应、回归系数，ε 为随机误差项。

空间计量模型主要有空间滞后模型（SAR）、空间误差模型（SEM）和空间杜宾模型（SDM）3 种类型。当ρ0 ＝0 且θ0 ＝0 时，式（2）变为空间误差模型（SEM）；当λ0 ＝0 且θ0≠0 时，式（2）变为空间杜宾模型（SDM）；当λ0 ＝0 且θ0 ＝0 时，式（2） 变为空间滞后模型（SAR）。根据研究需要，通过后续检验选择最适合的空间计量模型。

2.4  空间权重矩阵构建

本研究综合考虑空间地理和经济因素，构建了3个空间权重矩阵，即经济距离权重矩阵、反地理距离权重矩阵和邻接权重矩阵，以度量数字化转型影响碳排放的空间效应。经济距离权重矩阵的元素为

反地理距离权重矩阵的元素为

邻接权重矩阵的元素为

式中：下标i、 j 为地级市编号，wij 为地级市i 与地级市j的空间权重（经济距离权重、反地理距离权重、邻接权重），dij 为地级市i 与地级市j 之间的地理距离。

2.5  空间相关性检验

全局莫兰指数是衡量区域之间研究指标空间相关性的统计指标，本研究采用全局莫兰指数来检验被解释变量的空间相关性，以确定可否用空间计量模型进行进一步研究。全局莫兰指数计算公式如下：

式中：I为全局莫兰指数，n为地级市数量，i、j为地级市编号分别为地级市i样本值、地级市j样本值、各市样本值均值。

全局莫兰指数取值范围为［－1，1］，当其接近1 时表示所研究指标的空间正相关性较强（即指标值相近的地级市会聚集在一起），当其值接近－1 时表示所研究指标的空间负相关性较强，当其值接近0 时表示所研究指标没有显著的空间相关性。

1）碳排放量空间相关性检验。2011—2019 年西北地区碳排放量全局莫兰指数计算结果见表3。由表3 可知，基于3 种空间权重计算的碳排放量全局莫兰指数均为正值且均通过了10%的显著性检验，表明碳排放量在空间上存在正相关性，即具有空间集聚特征，可进一步采用空间计量模型探讨数字化转型与碳排放量的关系。

表３　2011—2019年西北地区碳排放量全局莫兰指数

 

2）空间计量模型选择。为选择最佳模型以解释数字化转型对碳排放的影响，进行了LM、LR、Hausman适配性检验，结果表明，仅在邻接权重情况下适用双向固定效应的SDM 模型，其形式如下（为避免数据的偏态分布和异方差问题，对变量进行了对数处理）：

式中：下标i、t 分别为地级市序号、年份，Yit、Yit－1 分别为当期碳排放量、滞后一期碳排放量，XDigit 为数字化转型水平，Xcontit 为控制变量（代表劳动力结构Xlab、产业结构Xind、经济发展水平XGDP、人力资本水平Xhc、绿色技术创新水平Xgree、环境规制强度Xenv），w 为空间溢出项邻接权重，α 为待估常数，ρ1 为碳排放量滞后项回归系数，β1、β2 分别为当期数字化转型水平、控制变量回归系数，ρ2、ρ3 分别为数字化转型水平、控制变量空间溢出项回归系数，γi、δt 分别为空间固定效应、时间固定效应，εit 为随机误差项。

采用空间邻接权重、借助Stata17.0 软件按SDM模型进行回归，结果见表4 与表5。

表４　ＳＤＭ 模型回归结果

 

表５　溢出效应分解结果

 

1）被解释变量的空间效应。被解释变量（碳排放量）空间溢出项通过了1%的显著性检验，回归系数为0.946，说明西北地区各地级市碳排放量存在显著的空间溢出效应。其原因：一是产业转移与供应链效应加强了各地区间的产业联系，碳减排地区的高碳排放产业被转移到周围临近地区［24］，导致周围临近地区的碳排放量增加；二是碳减排地区为了减少高碳排放化石燃料等的使用量，会向周围地区购买更多的低碳或无碳资源，周围地区为了提供更多资源以满足碳减排地区的需求，从而增加碳排放量。

2）核心解释变量的空间效应。核心解释变量（数字化转型水平）通过了5%的显著性检验，回归系数为－0.052，表明各地级市数字化转型对当地碳排放具有显著的抑制作用，验证了研究假设一。其原因：一是数字技术的应用能提高经济活动与资源利用的高效性，实现碳减排；二是数字技术推动共享经济和智能交通的发展，减少个人车辆使用和物流运输的碳排放量；三是通过共享出行平台和物流优化系统，使交通和物流效率得到提高，减少车辆拥堵、降低空驶率，进而实现碳减排；四是数字化生活方式可以减少传统商业活动和通勤所需的能源消耗［25］。数字化转型水平空间溢出项通过了1%的显著性检验，回归系数为0.297，表明各地级市数字化转型水平的提高对周围城市碳减排有显著的负向溢出效应。

由表5 可知，数字化转型水平的空间溢出直接效应、间接效应回归系数分别为－0.076、0.200，间接效应回归系数大于直接效应回归系数的绝对值，表明各地级市数字化转型对周边地级市碳减排有比当地更强的负向影响，验证了研究假设二。其原因：一是受虹吸效应影响，数字基础设施建设伴随就业机会增加，使周边地区人口向数字化转型水平高的城市迁移，增加周边地区住房、基础设施和额外通勤等需求，进而增加碳排放量；二是数字化技术和经验具有传递效应，某市数字产业化的成功经验和创新技术会扩散到周边地区，周边地区的企业为推进自身数字化转型，产生额外的经济活动和能源消耗，因而造成碳排放量增加；三是数字普惠金融的发展，增强了各地区的金融包容性，促进商业活动的增加，同时为小微企业和个体经营者提供融资机会和金融服务，推动周边地区的创业和经济活动，增加相关产业的物质生产、物流和能源消耗，导致碳排放量增加。

3）控制变量的空间效应。控制变量中，经济发展水平通过了1%的显著性检验，其回归系数为－0.166，表明各地级市经济发展水平对当地碳排放量有显著抑制作用，其原因是经济发展水平的提升伴随着能源结构的调整，加大风能和太阳能等清洁能源的开发和利用，减少对传统能源的依赖，因而减少碳排放量；绿色技术创新水平空间溢出项通过了1%的显著性检验，回归系数为－0.202，表明各地级市绿色技术创新水平的提升对周围地区碳排放有显著的负向影响；环境规制强度空间溢出项通过了1%的显著性检验，回归系数为－0.526，表明各地级市环境规制强度的提高对周围地区碳排放具有显著的抑制作用，原因是某市环境规制强度的提高伴随着周边邻近地区执行相似或一致的环境保护法规、标准与制度，其约束作用促使企业在生产、能源使用和废弃物处理等方面更加谨慎，同时各地区环境规制强度的提高伴随着相应的激励措施，如碳排放交易、碳减排补贴和税收优惠等，促使企业主动采取碳减排行动，从而减少碳排放量［26］；人力资本水平空间溢出项通过了5%的显著性检验，回归系数为－0.119，表明各地级市人力资本水平的提升对周边城市碳排放量亦有显著的抑制作用，其原因有提升创新能力和技术转移两方面，受高等教育人员具有更广泛的知识和技术背景，能创造新的低碳技术，与绿色技术创新形成良性循环，同时高素质人才在各市之间流动和交流，有利于先进低碳技术、实践经验等的推广，因而有利于抑制碳排放。

西北地区各地级市的地理条件、资源禀赋、经济基础等各不相同，导致数字化转型水平存在差异。传统回归模型较难捕捉到不同地理单元生态环境、经济结构、能源结构等因素的差异，而地理加权回归（GWR）方法允许对各地理单元存在异质性的情况进行建模，根据各地理单元的特点进行加权处理。时空地理加权回归（GTWR）与地理加权回归相比，能够更全面地考虑时空关联和异质性。参考Huang 等［27］的研究，构建GWR 模型和GTWR 模型，采用ArcMap 10.8 软件和GTWR 工具包（软件）进行模型参数估计和回归分析，结果表明，GTWR 模型回归的拟合优度为0.854、GWR模型回归的拟合优度为0.827（均大于空间杜宾模型回归的拟合优度0.472），数字化转型水平的回归系数存在明显的区域差异，其中GTWR 模型对西北地区各地级市2011 年、2015 年、2019 年数字化转型水平的碳排放量回归系数见表6。

表６　ＧＴＷＲ 模型数字化转型水平的碳排放量回归系数

 

表6显示，2011—2019 年数字化转型水平对碳减排的效应呈减弱趋势。其原因：一方面，西北地区数字化发展基础较薄弱，建设数字化基础设施消耗的能源增加，因而其碳减排效应减弱；另一方面，数字化转型与技术进步密切相关，但西北地区技术进步无法完全弥补数字化转型规模扩大所带来的环境压力，碳减排技术的创新进程和应用程度与数字化的快速增长不协调，因而碳减排效应减弱。

1）结论。西北地区各地级市数字化转型对当地碳排放有显著的抑制作用、对邻近地级市碳减排具有负向溢出效应，从西北地区整体上看数字化转型具有显著的碳减排效应，但碳减排效应在研究时段内呈减弱趋势。

2）建议。加强西北地区数字化基础设施建设、进一步提高数字化转型水平，促进绿色技术创新、建设清洁能源基地、加快清洁能源开发和利用，推动传统产业转型升级，强化环境监管和协同治理，推广节能低碳技术和设备，争取率先实现“双碳”目标。