陈少晖　许誉丹｜数字经济能否有效提高省域碳生产率？

作者简介

陈少晖

陈少晖，经济学博士，福建师范大学经济学院教授、博士生导师；

许誉丹，福建师范大学经济学院博士研究生。

摘　　要

　　数字经济作为我国新常态下经济结构的重要组成部分，能够助力实现经济效益与环境效益双收共赢。以省域面板数据为基础，构建空间计量模型与有调节的中介效应模型检验数字经济对碳生产率的影响，能为实现“双碳”目标与经济高质量发展的耦合协同提供理论与实证支撑。数字经济能够显著提高本地区的碳生产率，并且其正向效应会溢出到相邻地区。数字经济对碳生产率的影响存在异质性，其提高碳生产率的效果在中西部地区更显著。数字经济能够通过改善能源结构来提高碳生产率，而绿色税收在这一过程中起到重要的调节作用。据此，应积极推动数字化发展进程，重视引导数字资源在各区域的合理分配，不断健全数字经济与绿色税收的协调机制，实现经济增长与环境保护的协同发展。

2020年9月，中国政府向国际社会作出郑重承诺，将于2030年前达到碳达峰、2060年前达到碳中和。这一目标的实现不仅关乎我们的生存环境质量，更充分彰显了新时代中国特色社会主义制度自信的坚定理念。但长期以来，我国有的地区受“先污染后治理”传统观念的影响，以牺牲生态资源环境为代价换取经济的高速增长，消耗大量的能源，导致碳减排任务较为艰巨。近年来，以信息化、网络化为基本特征的数字经济逐渐成为新常态下我国经济的重要组成部分。在《关于构建更加完善的要素市场化配置体制机制的意见》中，数据被正式确认为一种新型的生产要素。相关研究表明，数字经济不仅能够有效促进经济高质量发展，还能显著降低环境污染物的排放。因此，揭示并处理好数字经济与碳减排之间的内在机理与作用关系，成为我们亟待研究解决的现实课题。

现有的关于数字经济与碳排放之间关系的研究大体可分为两类。第一类从碳排放总量的视角出发，认为数字经济具有显著的碳减排效应，有研究发现数字经济能够有效降低碳排放总量；Li等通过构建SPIRPAT模型，发现数字经济具有显著的碳减排效应，并且该减排效果在非资源型省份更为明显。还有研究认为数字经济具有增碳效应，如Williams发现数字产业对电力的需求量能达到全球发电量的10%，而我国发电形式仍以传统的煤电为主，因此数字产业发展会导致碳排放量的增加；Noussan等发现数字技术会提高交通出行频率，增加交通领域的碳排放量。第二类则是从碳排放强度的视角出发，认为数字经济能够有效降低碳排放强度，如丁凡琳通过构建系统GMM模型，发现数字金融能够通过改进技术、推动人口结构调整以及减少能源消耗等三条路径来降低碳排放强度。

梳理现有文献发现，有关数字经济与碳排放关系的讨论多聚焦于单一的碳排放总量视角。另外，不少学者在计量模型构建上忽视了空间相关性，而二氧化碳作为一种流动性气体，使得各区域间碳排放量不可避免地会相互影响，若不将空间相关性考虑在内，则回归结果可能会有些许的失真。同时，现有文献在研究数字经济对达成“双碳”目标的实现路径时，多以单一的调节路径或是中介路径为主，少有文献将二者相结合。鉴于此，本文以碳生产率作为经济与环境效益双收的表征指标，构建空间计量模型、有调节的中介效应模型来深入探讨数字经济对碳生产率的影响，以期为实现“双碳”目标与经济高质量发展提供理论与实证支撑。

（一）数字经济对碳生产率的影响效果

碳生产率指每一单位的碳排放量所能够增加的经济产出水平，是衡量一个国家或地区是否实现高质量发展的关键指标。

从碳减排效应来看，区别于传统经济发展模式的高能耗特点，数字经济具有技术清洁型、环境友好型的明显优势。一方面，通过云计算、人工智能、大数据与传统行业的深度融合，能够促使生产模式向智能化、低碳化发展，衍生出智慧电网、绿色建筑等一系列新型业态。另一方面，通过数字技术与低碳节能技术的相互嵌套，能够有效带动产业绿色技术的研发和升级，逐步淘汰高污染、高排放的生产技术，有效降低产业能源消耗。从经济产出效应来看，数字经济能够通过大数据、人工智能、云计算等技术的有力支撑，减少生产经营环节中的不确定性，降低产业运营成本，提高产业生产效率，促进产业增加值上升。同时，还能够通过与制造业、服装贸易业等传统产业的融合，重构传统产业的生产经营模式，赋予其新的发展动能，为经济可持续增长提供新思路。

分产业来看，在农业方面，数字经济与农业高质量发展的耦合协同，能够增强农业的规模经济效应、促进农业碳减排，极大提高农业绿色全要素生产率。在工业方面，数字化建设与传统工业的有效融合，能够显著提高工业劳动生产率，激发工业产值增长潜能，推动技术进步、减少能源消耗，助力工业绿色发展。在第三产业方面，数字普惠金融能够引导资源流向绿色产业，实现资源有效配置的同时减少污染物排放，进而对城市经济与环境的协调发展产生积极影响；数字服务贸易能够通过发挥规模效应、结构效应与技术效应来促进经济增长，进而实现碳减排。

另外，在数字经济背景下，区域之间的要素流通将更为频繁。一方面，依托于数字平台能够有效打破传统时空的物理桎梏，模糊区域之间经济活动的地理边界，推动知识、人才与技术等资源跨区流动。另一方面，借助数据要素的海量、高效、可复制等属性，能够优化生产方式，实现生产信息低成本化跨区域交换。同时，随着本地对数字经济和碳减排措施重视程度的提升，邻近地区间不可避免地会激发出“争上游”的现象。即为防止虹吸效应的发生，某地良好的数字化发展措施会引起相邻区域的模仿行为，进而对碳生产率的提升产生溢出效应。基于此，本文提出如下研究假设：

H1：数字经济发展能够有效提高当地的碳生产率，并且这种积极的作用效果会产生空间溢出效应。

（二）数字经济对碳生产率的作用机制

通过发展数字经济，首先能够优化能源生产形式，为传统的能源生产流程注入新动能，实现从原材料开采到加工、包装的全过程动态监控与高效管理，降低能源行业乃至整个制造业生产过程中的能源消耗。其次，数字经济能够优化能源消费类型，促使企业向技术密集型和数字密集型方向转型，提高能源消费结构的清洁化水平，降低对传统能源的依赖。如对人工智能和云计算的使用，能够促进企业资源的有效整合，显著提高企业的运转效率，大大减少传统能源的消耗量。最后，数字经济能够加速新能源的开发与使用，推动技术创新绿色发展，降低生产活动的能耗总量或是减少煤的使用频率，继而改善整体能源消费结构。基于此，本文提出如下研究假设：

H2：数字经济能够通过改善能源结构来提高碳生产率。

建立完善的财税激励制度能够加速产业数字化转型，这是畅通数字经济高质量发展的关键路径。绿色税收能够对数字经济发展和能源结构调整发挥一定的促进作用。首先，作为环境保护的激励政策，绿色税收能够驱动企业加快生产经营模式的数字化转型，从而减少资源浪费并优化资源配置效率。其次，绿色税收政策能通过加大对环境污染的惩罚力度，增强企业的资源约束感，从而促使其主动降低对传统化石能源的依赖，寻求对太阳能、风能、水能等清洁能源的替代使用，以优化能源结构。最后，数字经济的发展使得企业和个人能够以较低的成本参与更大规模的市场交易，大大增加涉税主体的数量，继而增加绿色税收收入。同时，税收收入的增加会对企业和个人产生积极的反哺效应，如政府将拥有更多的财政资金用于建设数字基础设施和搭建数字化交易平台等。基于此，本文提出假设3：

H3：绿色税收在数字经济改善能源结构，继而提高碳生产率的过程中具有调节作用。

（一）模型构建

根据前文分析，为更加准确测度数字经济对碳生产率的作用效果，将空间因素添加到模型中，采用空间自回归模型（SAR）、空间误差模型（SEM）和空间杜宾模型（SDM）进行空间计量分析，具体如式（1）—（3）所示。

其中，被解释变量CE_it表示i省在t年的碳生产率；解释变量DIG_it表示i省在t年的数字经济水平；X_it表示i省在t年的一系列控制变量；W_ij表示空间权重矩阵中的i行j列元素；W_ijCE_it表示碳生产率的空间滞后项；W_ijDIG_it表示数字经济的空间滞后项；ε_it表示随机扰动项；v_it表示空间误差项；其余符号为待估参数。

（二）变量设置

1.被解释变量

被解释变量为碳生产率（CE）。参考王许亮等的做法，以国内生产总值（GDP）与碳排放总量的比值进行测量，该方法能够较为直观地反映单位碳排放的经济产出。但由于目前没有碳排放总量的确切数据，故采用现有研究常用的度量方法，选取《中国能源统计年鉴》中单列出来的8种日常消费能源进行碳排放总量计算，具体包括煤炭、焦炭、原油、汽油、煤油、柴油、燃料油和天然气。测算公式如式（4）所示。

其中，i代表省份，j代表第j种能源消费量，η_j为j种能源碳排放系数。各系数指标均来源于《2006年 IPCC国家温室气体清单指南》，具体参数如表1所示。

2.核心解释变量

核心解释变量为数字经济发展水平（DIG）。根据杨慧梅和江璐的研究方法，基于《数字经济及其核心产业统计分类（2021）》对数字经济的定义，本文从数字产业化和产业数字化这两个一级指标出发，设置了五个二级指标，并在此基础上选取了十个评价指标，以全面衡量和评估数字经济发展水平。具体指标体系如表2所示。考虑到熵值法在多指标综合评价方法中具有较强的客观性和科学性，本文采用该方法来测度省级层面的数字经济发展水平。

3.机制变量

（1）能源结构（CS）。借鉴王韶华等对能源结构的概念定义，结合能源消费的实际情况，以各地区原煤消费量占能源消费总量的比值来测度能源组成成分。

（2）绿色税收（GTX）。我国现有的绿色税收体系主要涵盖了环境保护税（2017年及之前为排污费）、资源税、车船税、增值税、城镇土地使用税、耕地占用税、城市维护建设税和烟叶税等税种。因此，本文使用上述税种的收入总和占当地省份GDP的比重来表征绿色税收水平。

4.其他控制变量

为了使模型回归结果更加合理可靠，参考当前众多学者的做法，选取如下控制变量：（1）城镇化率（URB），即各地区城镇常住人口占总人口的比重；（2）外商投资（FDI），即各地区实际利用外商直接投资额占GDP的比重；（3）经济发展水平（DEV），采用各地区人均GDP来衡量；（4）技术创新水平（INV），即对各地区每万人年均专利授权总量进行对数化处理；（5）人力资本（HUM），即对各地区每十万人口中高等学校平均在校生数进行对数化处理；（6）产业结构（IND），采用各地区第三产业增加值与第二产业增加值之比来表征。

（三）数据来源和描述性统计

考虑到可操作性，本文选取2013—2022年中国30个省区市（港澳台和西藏地区除外）的统计数据作为研究样本。各变量描述性统计如表3所示。其中，碳生产率的均值为0.809，最小值为0.112，最大值为6.404；数字经济发展水平的均值为0.174，最小值为0.003，最大值为0.953。这说明我国整体的碳生产率与数字经济水平仍有待提高，且各省份间的碳生产率与数字经济均呈现出较大差异。通过计算，CE与DIG之间的相关系数为0.560，且呈现正相关，表明提高数字经济发展水平有助于碳生产率提升，但这还需后续的进一步检验。

（一）空间相关性检验

本文采用各省会城市经纬度的倒数距离来构建地理距离权重矩阵，以此表征两个地区间的关联程度。同时利用莫兰指数法来检验碳生产率在空间上的相关性，结果如表4所示。可以看到碳生产率的莫兰指数均显著大于0，说明存在正相关性，因此实证分析过程中有必要将空间相关性考虑在内。

（二）计量模型选择与回归结果分析

根据Elhorst的判断准则，首先使用普通和稳健的LM检验法，发现SAR模型和SEM模型均可使用，这说明需要考虑二者的集成模型——SDM模型。继而使用Wald检验法，发现SDM模型不会退化成SAR模型或是SEM模型。接着使用Hausman检验法和LR检验法，决定使用带有时空双重固定效应的SDM模型进行回归分析。

基于前文对模型选择的分析，运用带有时空双重固定效应的SDM模型进行实证回归，结果如表5所示。根据回归结果，主要解释变量的系数均通过了显著性检验，同时碳生产率空间滞后系数rho不为零且通过了10%的显著性水平检验，R²为0.846，可以看出模型的拟合效果较好。此外，数字经济发展水平的估计系数在1%的显著性水平上为正，说明发展数字经济有助于提高碳生产率。进一步地，数字经济发展水平空间滞后项的系数也显著为正，表示相邻地区的数字经济发展会产生空间溢出效应，进而影响本地区的碳生产率水平，假设H1得以证实。

为了更加清晰地看清数字经济对碳生产率的空间作用机制，需要将该模型进一步划分为直接效应和间接效应来解释，结果如表6所示。

从核心解释变量来看，数字经济的直接效应系数、间接效应系数与总效应系数分别为0.781、1.877、2.658，且均通过了显著性检验。这说明数字经济的发展能够提高本地区的碳生产率，并且这种积极的作用效果会产生空间溢出效应，作用于邻近地区的碳生产率，进而促进全国碳生产率的提升。究其原因，区别于传统经济增长模式，数字经济依靠数据与现代信息网络技术来推动经济生产活动，即投入更少的能源，产出更多的经济效益。具体来看，在数字产业化方面，一系列数字技术与数字产品的出现，能够减少本地区资源投入，达到节能减排的效果，从而使碳生产率得到提升。此外，产业数字化转型有助于精准分析供应链上、中、下游的实际需求与供给，有效规避市场不确定性所引发的能源浪费和经济风险，进而显著提升碳效益。同时，在政绩考核的压力下，邻近地区的政策措施容易受到本地区的影响，故当本地区所享受的数字红利越高时，邻近地区推动数字经济良性发展的外在驱动力也越强，进而对相邻省域的碳生产率产生空间溢出效应。

从控制变量的角度来分析，城镇化率（URB）的直接效应系数显著为正，间接效应系数显著为负，总效应系数为负但不显著，这说明加快城镇化发展进程虽有利于改善本地的碳生产率，但对相邻地区却会产生负向的溢出效果。城镇化通过基础设施建设、产业升级和技术创新，提高了本地资源利用效率，减少了单位产出的碳排放量，从而提升了本地碳生产率。然而，城镇化建设带来的资源需求与环境压力外溢，会导致邻近地区污染和资源消耗增加。从而致使其碳生产率下降。产业结构（IND）的直接效应、间接效应及总效应系数均在1%的水平上显著为正，说明第三产业的发展有利于提高本地区与相邻地区的碳生产率水平，并对全国碳生产率的提高起到正向影响，因此，优化产业结构是改善地区碳生产率的重要手段。外商投资（FDI）的直接效应系数为负但不显著，间接效应与总效应系数则显著为负，表明外商投资主要通过其间接影响在整体上对碳生产率造成负面影响。这可能意味着外商投资更多流向高污染、高能耗行业，从而增加了整体碳排放，抑或是外资企业的进入可能导致本地企业资源的错配，进而削弱本地企业的竞争力和创新力，间接降低整个经济体的碳生产率。经济发展水平（DEV）的直接效应系数为0.077且在1%的水平上显著，间接效应系数为正但未通过显著性检验，这说明活跃地区经济有助于提高本地区的碳生产率，但未产生明显的溢出效果。技术创新水平（INV）的直接效应系数为0.011但不显著，间接效应系数为-0.160且通过了5%的显著性水平检验，表明其对当地碳生产率影响有限，但会明显降低邻近地区的碳生产率。可能原因是如果本地区通过技术创新减少排放，邻近地区则可能承接到转移的高污染产业或活动，导致碳生产率下降。人力资本（HUM）的直接效应系数为0.059但不显著，间接效应与总效应系数在5%的水平上显著为正，表明尽管人力资本对本地区碳生产率的直接影响不显著，但通过间接效应，在整体上对碳生产率有显著的正向影响。这意味着人力资本的提升不仅对改善本地的经济和环境发展绩效有帮助，也能通过溢出效应促进邻近区域的碳生产率增长。

(三）异质性分析

为探究我国发展不平衡不充分现象所导致的异质性特征，如何影响数字经济与碳生产率之间的关系，本文从区位与经济两个维度对30个省区市进行区域划分。具体地，根据所处区位的不同，划分为东、中、西部地区；根据经济发展水平差异，划分为高GDP地区与低GDP地区。在此基础上，沿用前文的空间计量模型进行回归分析，相关结果如表7所示。

从区位维度来看，在直接效应系数上，东部地区与西部地区系数为正，中部地区系数为负但不显著，可见数字经济总体上有助于提升当地的碳生产率水平。具体来看，西部地区数字经济的直接效应系数大小与显著性水平都远高于中部和东部地区，可见数字经济对西部地区碳生产率的促进作用要比中东部地区更为显著。在间接效应系数上，仅有东部地区显著为正，其他两个区域虽然为正但没有通过显著性水平检验，说明东部地区具有较高的溢出效应。因此，东部地区应强化带头帮扶意识，适当地将部分数字资源与中西部地区进行共享，特别是要对碳排放水平仍处于高位的区域给予数字支持。

从经济维度来看，高、低GDP地区的直接效应系数显著为正，但低GDP地区的数字经济对碳生产率的正向作用更大；在间接效应系数上，高GDP地区显著为正，低GDP地区为正但不显著，表明经济发展水平较高的地区具有更明显的溢出效应。可能的原因是，数字经济除了产生碳减排效应外，还能产生明显的经济驱动效应，因而对低GDP地区碳生产率的边际影响会更大。同时，由于低GDP地区的数字经济发展水平相对较低，对邻近地区的辐射作用有限，从而导致其对邻近地区碳生产率的影响不明显。

（四）稳健性检验

1.替换权重矩阵

根据环境库兹涅茨理论，地区经济发展状况与公众的环境保护意识之间存在关联，因此仅考虑到地理因素的空间权重矩阵难免会缺乏全面性。故本文进一步构建了基于经济与地理双重因素的嵌套式空间权重矩阵，并使用前文方法来进行稳健性检验。回归结果如表8和表9中模型1所示。可以发现，核心解释变量数字经济对碳生产率的作用效果仍显著为正，其余控制变量的系数符号也与前文回归分析大体相同，这表明本文研究结论具有较高的可靠性。

2.替换被解释变量

考虑到碳生产率由GDP与碳排放量之比进行测度，故碳生产率的提高可能源自于数字经济对GDP的促进作用。因此，本文将碳生产率替换为人均碳排放量，用前文计算得到的碳排放总量与地区年末人口数之比来测度。回归结果如表8和表9中模型2所示。可以发现，数字经济能够显著降低碳排放的绝对总量，且这种积极的减排效果能够产生明显的空间溢出，再次印证了发展数字经济是实现经济增长与环境保护协同共赢的有效途径。

3.更换研究样本

考虑到省级面板数据可能因颗粒度较粗而导致合成谬误，本文进一步选取2013—2022年全国270个地级及以上城市的统计数据作为新的研究样本，回归结果如表8和表9模型3所示。可以发现，数字经济对于碳生产率的直接效应系数与间接效应系数仍然显著，再次印证了数字经济对于碳生产率具有明显的提升作用以及空间溢出效果。但其间接效应系数却由正转负，可能的原因是，相比于省级层面，各城市间数字经济发展水平的差距较大，由此引发的虹吸效应使得碳减排红利流向数字经济发展水平较高的城市。

4.内生性检验

为避免内生性的存在会影响到回归结果，本文采用工具变量法进行内生性处理。借鉴现有学者的做法，分别选取1984年各省区市每万人电话机数量与上一年全国互联网用户数的交互项、各省区市地形起伏度与时间虚拟变量的交互项作为数字经济的工具变量，回归结果如表10中模型4和模型5所示。从中可以发现，在模型4与模型5中，Kleibergen-Paap rk的LM统计量均显著拒绝原假设，Kleibergen-Paap rk的Wald F统计量均大于Stock-Yogo弱识别检验10%水平上的临界值，表明上述工具变量的选取具有合理性。同时，内生性检验的回归结果与前文基本一致，再次印证了发展数字经济有助于提高碳生产率。

根据前文分析，为了验证假设2和假设3，本文参考已有文献，建立了如下有关数字经济、能源结构、绿色税收以及碳生产率的有调节的中介效应模型，如式（5）—（8）所示。

其中，α为待估参数；μ_i为地区固定效应；μ_t为时间固定效应；DIG_it×GTX_it为数字经济与绿色税收的交互项；CS_it×GTX_it为能源结构与绿色税收的交互项；其余符号同前文一致。回归结果见表11。

由表11列（1）可知，能源结构的影响系数在1%的显著性水平上为负，在控制了中介变量能源结构之后，数字经济对碳生产率的影响系数在10%的显著性水平上为正，这表明能源结构在数字经济对碳生产率的影响过程之中发挥着部分中介的作用。由列（2）可知，数字经济对能源结构的影响系数在1%的显著性水平上为负，表明数字经济的发展会显著降低原煤在能源消费中的比例，从而优化能源结构。同时，绿色税收对能源结构的直接影响并不显著，数字经济与绿色税收的交互项在1%的显著性水平上为正，表示绿色税收显著增强了数字经济对能源结构优化的正向作用。由列（3）可知，在不考虑能源结构仅考虑绿色税收及其交互作用时，绿色税收会对碳生产率产生负面作用，但其与数字经济的交互项系数显著为正，表明绿色税收对数字经济促进碳生产率的提升具有正向调节作用。由列（4）可知，在考虑所有变量及其交互项的情况下，数字经济对碳生产率的提升依旧有显著的正向影响。能源结构和绿色税收的交互项系数为0.003，且通过了10%的显著性检验，表明绿色税收对能源结构和碳生产率的关系有一定的正向调节作用，但效果相对较弱。综上，能源结构在数字经济对碳生产率的影响中存在中介效应，而绿色税收在这一过程中起到调节的作用。至此，假设2和假设3得以证实。

在实现“双碳”目标与经济高质量增长的双重目标之下，讨论抓住数字机遇能否实现绿水青山与金山银山的协同共赢具有重要意义。本文探讨了数字经济与碳生产率之间的关系。通过实证研究发现：数字经济发展显著提高了碳生产率且该效果具有空间溢出效应，此结论在经过一系列稳健性检验之后依然成立；数字经济在西部地区和低经济发展水平地区更能发挥碳减排效应；绿色税收在数字经济提高碳生产率过程中起到了调节作用。针对上述研究结论，提出如下对策建议：

第一，应积极推动数字化发展进程，深入挖掘数字经济的碳减排效应。稳中有序地推进数字中国发展战略，完善数字化基础设施建设，做好政产学研的多元化数字融合，提高数字化在全国范围内的普及速度，提升碳生产率水平。聚焦于环境保护与经济增长的耦合协同，着力攻坚核心数字技术，大力培养复合型数字化人才。打破省域间的数字壁垒，强化省际数字平台的交流与合作，推动数字基建、数字人才等数字资源的共享，充分发挥数字经济对提高碳生产率的空间溢出作用。

第二，应注重引导数字资源在各区域的合理配置，提升区域数字经济发展的协同性。将数字资源适当地向中西部与经济欠发达地区倾斜，进一步增强数字经济对提高西部地区碳生产率的作用效果。东部地区应进一步提高对欠发达地区的帮扶意识，化数字经济的“攫取之手”为“援助之手”，加快我国整体碳减排速度，助力实现“双碳”目标。各区域应实施契合自身发展特点的数字经济发展策略，有序推进当地的数字化发展，避免盲目跟风。

第三，应不断健全数字经济与绿色税收的协同机制，优化能源消费结构。运用好大数据、人工智能、云计算等新型数字技术，革新传统的能源技术，有效减少能源损耗并提高能源利用效率。同时，大力推动清洁能源的普及，缩小传统高污染能源的使用范围，进一步优化能源结构，从而降低碳排放量。完善绿色税收体系，实施基于环境污染程度的阶梯式税收标准，拓宽绿色税种在高污染、高排放产业的覆盖范围。通过绿色税收激励措施，加大对企业数字化转型的财政支持力度，尤其是对于实力较为薄弱的广大中小型企业，给予多重政策扶持。