【文献分享】低碳发展之道：发展数字经济提升城市碳效率

1.基准回归和稳健性讨论

1.1.统计性描述

表2显示了对关键变量具有描述性的统计数据（请参阅表1)。Uce（城市碳效率）的平均值为0.476，这是一般相对平均的效率水平。从极值来看，Uce的最小值为0.098，最大值为1.013，这表明Uce在各县之间存在较大差异，环境友好型增长不平衡的问题越来越明显。

Udig（城市数字经济水平）的平均值为0.061，最高值为0.804，最低值为0.002。一方面，它表明中国对Udig仍有很大的潜力。另一方面，它揭示了尽管Udig在领先城市远高于全国平均水平，但尚未能够带动其他城市共同发展，高水平的数字技术尚未辐射到全国。

       1.2.基准回归结果

  Udig对Uce影响的基准回归分析结果如表3所示。具体来说，第（1）列显示了这两个变量之间直接回归的结果。值得注意的是，分配给 Udig 的系数为0.307，在99%置信阈值处，该值既为正又具有统计意义。然而，模型的拟合优度（如 R²值0.004 所示）相当差，表明解释能力有限。从第（2）列到第（5）列按顺序进行，我们观察到控制变量的增量合并。值得注意的是，Udig的系数仍然稳健，在1%的置信水平上保持其积极和显著的地位。同时，R²指标经历了显着增强，从0.205上升到0.313，表明模型的拟合效果逐渐提高。这种进展不仅强调了Udig效应的重要性，而且还间接验证了所选控制变量的适当性和相关性，从而增强了回归分析的整体可信度。列（6）到（7）逐渐添加时间和城市单独的固定效应，而 R²的列（7）达到0.843，Udig的系数值为1.601，在1%置信水平下为正显著。

  上述基准模型表明，通过逐步加入控制变量和固定效应，Udig对Uce具有积极和显著的推动作用，证明Udig可以增强城市低碳发展的潜力，并且假设1已验证。

       1.3.内生性和稳健性检验

  由于可能的内生性问题，上一节中的发现可能并不可靠。例如，Udig增长可以帮助改善Uce，而Uce更好的城市可能更愿意使用数字技术并积极支持Udig增长。模型设置中的偏差或变量的遗漏等问题也可能是内生的。例如，可以省略影响Udig和Uce的变量。为了缓解内生性问题，本文进行了一系列的内生性测试。

（1）滞后解释变量

 引用解释变量的滞后项有助于在一定程度上缓解同时性偏差问题的第（1）列到（3）列表4使用Uce回归Udig（L.Udig）的一阶滞后项，逐步包含固定效应作为稳健性测试。列（4）是L. Udig与Uce的回归，其中所有控制变量都滞后了一个阶数。列（5）回归Udig的二阶滞后项（L2.Udig）在Uce上。结果表明，在上述回归中，滞后一阶和二阶Udig在1%置信水平下对Uce具有显著的正向影响。

（2）工具变量法

 在本文中，使用两个工具变量分别进行内生性测试。一个是被选为Udig的一阶滞后项 （L.Udig）的工具变量。其次，将1984年邮政业务总额与上一年互联网用户数之间的交互作用项用作工具变量（Yw），一方面，Udig的发展与L. Udig和Yw密切相关，满足了工具变量相关的要求。另一方面，由于L. Udig和Yw是历史变量，因此它们与当前时期影响Uce的其他因素没有很好的相关性。

 在本文中，使用两阶段最小二乘法（2SLS）进行估计。同时，为了检查结果的稳健性，我们参考James和He等人的方法，并逐一添加控制变量.结果显示在（1）到（5）列中表5、表6。

 表5、表6证明Kleibergen-Paap rk LM统计量显着拒绝原始假设，证明了工具变量和内生变量之间的相关性。上述结果充分证明了本文中使用工具变量的有效性 。如果工具变量有效，表5，表6提供足够的证据表明Udig对Uce的贡献为1%显著性水平。

（3）替换因变量

 采用Super-SBM模型构建Uce2。并且通过逐步添加控制变量和固定效应进行回归，结果显示在（1）至（7）列中表7结果表明，替换指标构造方法后，在1%置信水平下，Uce和Udig之间仍然存在显著的正相关关系。

（4）替换解释变量

 采用熵权TOPSIS法和主成分分析法构建Udig2和Udig3，分别对Uce进行回归，结果显示在U的第（1）列至第（6）列中表8结果表明，不同方法构建的城市数字经济发展水平对Uce仍具有显著的正向贡献。

 金融机构贷款余额与存款余额的比值用于替代原来的控制变量金融发展指标并使用Uce和Udig进行回归，结果显示在表8结果表明：在控制不同方法构建的金融发展水平的情况下，城市数字经济发展水平对UCE仍具有显著的正向贡献。关于数字经济对城市碳效率的影响，学术界尚未达成共识。一些学者提出，数字技术将带来大量的能源和电力消耗，最终会增加碳排放量。在本文中，通过滞后变量、工具变量、改变因变量和核心解释变量等多种方法，对Udig和Uce之间的关系进行了充分的内生性和稳健性测试。经过一系列测试，Udig总是在1%的置信区间内积极推广Uce。假设1中指出Udig促进了城市的低碳发展，得到了进一步的验证。这一结论与数字经济可以为节能减排提供动力并最终提高碳效率的主流结论相同。大多数学者认为，数字经济通过促进产业转型升级、促进信息资源的共享和优化配置、以多种方式促进低碳产业的发展和创新，为减少城市碳排放提供了有效的解决方案。未来，随着数字技术的不断发展和应用，相信数字经济将在环保领域发挥更加重要的作用，为城市的可持续发展注入新的动力。

  2. 传导机制分析

 在表9，第（2）列揭示了Udig在99%置信水平下公众环境关注的统计学显着增强。此外，第（3）列强调了Udig和公众环境高度关注对Uce放大的共同和积极贡献，这种影响在1%的阈值下也很显着。公众环境关注施加的中介影响被量化为0.563，占整体效应的35.17%的很大一部分，从而强调了它在观察到的关系中的关键作用。假设2已验证：Udig可以通过促进公众环境关注来增强Uce。

  第（5）列表9表明Udig与技术创新之间存在1%显著性水平的正相关，表明Udig提高了技术创新。第（6）列中的数据显示，Udig和技术创新对碳效率有积极贡献，至少在5%的显著性水平上。从中介效应的大小来看，技术创新的中介效应为0.413，占总效应的25.80%。假设3经验证：Udig可以通过提高技术创新水平来促进Uce的改进。

 为了提高结果的可靠性，本文对中介效应，具体结果显示在表9以公众环境关注和技术创新为中介变量，Sobel Z值均显著在1%水平。这表明公众对环境的关注和技术创新是Udig 提升Uce的重要途径。

 此外，为了保证机制分析结果的稳健性，解决中介变量的内生性问题，本文采用两种方法进一步检验中介效应：

 首先，将具有一个周期滞后的中介变量引入回归方差中，结果显示在表10第（2）列和第（3）列的结果表10证明公众环境关注的中介作用。列（5）和（6）展示了技术创新的中介作用。

  其次，一方面，一个方面涉及利用上一节中设计的工具变量（Yw）来减轻潜在的偏差。表11详细介绍了有关此策略的发现，其中包括：（1）Kleibergen-Paap rk LM 检验强烈地拒绝了零假设，证实了工具变量和正在检查的内生变量之间存在显着相关性。（2）第一阶段回归 F 统计量，每个都超过10的阈值，决定性地否定了弱工具变量的可能性，加强了我们选择的工具的有效性。（3）在证明工具变量的有效性的前提下，数字经济对公众环境关注和技术创新做出了重大贡献。

3. 非线性效应

3.1.基于数字经济发展不同层次的非线性效应分析

以数字经济为阈值变量，对数字经济对城市碳效率的影响进行阈值检验。表12报告阈值效应的检验结果，以及表13报告阈值模型的回归结果。结合两张表的分析，可以得出以下结论：

首先，数字经济发展水平通过双门槛测试。这意味着数字经济对城市碳效率的影响会随着数字经济发展水平的变化而变化0.040， 0.085是非线性变化的临界值，假设4已得到证实。其次，区别于数字经济对碳排放影响的倒U型结论 ，本文的结论与：在数字经济发展水平小于0.040的情况下，数字经济对城市碳效率的积极和重要影响可以用以下可能的原因来解释：数字经济的初步整合可以迅速打破信息壁垒，提高资源配置效率，促进碳效率。当数字经济发展水平在0.040和0.085之间时，数字经济对城市碳效率的影响并不显著。导致此结果的原因可能有多种。一方面，数字技术的日益成熟将带来更大的减碳效果。然而，另一方面，现阶段的数字技术瓶颈可能导致投入产出失衡和效率损失。此外，那个阶段能源投入的增加也使得数字经济带来了更多的碳排放增长。在跨过0.085门槛后，数字经济对城市碳效率的提升明显恢复，即数字经济发展到一定程度后，数字经济的低碳效应重新出现。

        3.2.基于不同碳效率水平的非线性效应分析

  本研究采用了多种方法来发展城市碳效率和数字经济。Uce是使用EBM-GML技术构建的。Uce2是使用Super SBM方法构建的。Udig 、Udig2 和Udig3依次由熵值法、熵权Topsis 法和主成分分析法生成。图3描述了使用各种度量构造方法生成的Udig和Uce的散点图，揭示了它们之间的非线性联系。考虑到不同城市之间可能存在大量的个体效应和内生性问题，我们使用MMQR矩回归 。在处理非线性模型时，MMQR估计值更准确。在检查Udig对Uce的非线性影响之前，对研究数据进行了一些初步检查。首先，结果显示在表14这表明这些变量的 VIF 值不高，并且它们之间没有多重共线性。

 进一步研究发现，当碳效率的幅度增加时，数字经济对碳效率的影响会减弱。当碳效率相对较低时，数字经济对碳效率的影响更大。这一结果有利于碳效率仍处于较低水平的城市。碳效率越低，应越大力发展数字经济，通过数字经济对较低量子水平碳效率的更大影响，加速低碳发展转型。

       4.空间溢出效应

  考虑到数字经济的外部性和碳效率，一些学者引入了空间因素并构建了空间关联模型，以验证数字经济与碳排放之间的空间溢出效应，并探讨数字经济和碳效率的空间溢出效应对城市低碳发展的意义。空间相关性分析的结果如表16，这表明Udig和Uce的Moran I指数均为正值。此外，在分析的大多数年份中，这些指数在1%的水平上具有统计学意义。上述观察结果表明，数字经济与碳效率之间存在显著的空间相关性。这一发现进一步证明了在本研究中使用空间回归模型的合理性。

  LM测试的结果如表18使用四种不同的加权矩阵计算空间误差和空间滞后的P值，结果在1%显著性水平上否定了原始假设。上述结果表明，存在大量的空间误差和空间滞后效应，因此支持使用包含空间误差和空间滞后效应的SDM空间Durbin模型作为更合适的方法。

   表19报告LR和Wald检验的结果。对于四个权重矩阵中的任何一个，SDM模型都不会退化为SAR或SEM模型。Hausman检验和固定效应LR检验的组合证实，应使用个体和时间点双固定效应模型。

空间回归的结果如表20，Udig、w × Udig的系数在所有四个加权矩阵中都显示统计显著的正值。这表明 Udig 通过空间溢出效应在促进Uce方面发挥着重要作用。由于空间溢出效应的点估计检验会导致模型估计，因此有必要在SDM模型中将总效应分解为直接效应和间接效应。直接溢出效应显示了Udig的增长和进步对该地区Uce的影响。间接溢出效应显示了Udig增长对邻近地区Uce的影响。

  从表20，SDM模型揭示了四种不同空间加权配置的统计稳健的正直接和整体影响，证实了Udig显着增强Uce并加速该市向低碳发展迈进的断言，从而加强了假设1。此外，该模型揭示了一个显著的积极的间接效应，表明Udig通过空间溢出机制对Uce施加影响，从而验证了假设5。这一发现与最近关于数字经济对碳排放的空间溢出效应的研究一致，该研究强调了云计算、大数据和物联网（IoT）在促进信息流动和优化资源分配方面的关键作用，从而带来更高效和可持续的结果。这不仅提高了城市内部的生产效率，而且促进了城市间乃至全球的产业协同和分工，其中一些先进的生产理念、节能技术和碳减排措施可以在城市之间传播和应用，从而产生空间溢出效应。

       5.异质性分析

  本文中的异质性分析从两个角度进行。将城市分为东部、中西部和东北部地区的区域分组结果首先显示在表21列 （1） 到（3）。其次，结合样本特征与中国国务院的城市规模分类指南，按常住人口对城市进行分类。特大城市被定义为常住人口超过500万的城市地区，而常住人口低于此阈值的城市被归类为其他城市。结果显示在（4）至（5）列中表21。

 在区域层面，发现Udig对Uce的影响在东部和中西部地区具有统计学意义和积极性。然而，在东北地区，没有观察到显著的贡献。此外，东部地区的系数值1.710高于中西部地区的系数值1.269。从这些结果可以得出结论，Udig的发展对Uce的贡献在发达地区更为显着。就城市规模而言，在 1% 的置信水平上，Udig对特大城市Uce的影响是正显著的，而其他城市对Uce的贡献并不显著。正如现有研究所述，东部地区和特大城市作为中国经济最活跃和最发达的地区，具备实施数字经济的前提条件。这些地区经济发展水平高，科技创新能力强，人力资源丰富，信息基础设施发达，为数字经济发展提供了坚实的物质和技术基础。数字经济通过推动产业转型，促进城市治理智能化、精细化，构建绿色低碳的生产生活方式，为城市碳效率的提升提供了有力支撑。