本研究采用地理和时间加权回归和空间杜宾模型，考察数字经济指数( DEI )对生态系统服务价值( ESV )的影响。DEI的估计值由夜间灯光数据获得，ESV采用当量因子法评估。研究结果表明，中国DEI和ESV均存在显著的空间集聚特征。总体而言，DEI对ESV的影响呈现先抑制后促进的U型效应。此外，分析还发现了DEI与ESV相互作用的时空异质性。在空间上，东部地区较高的DEI对较低的ESV有正向影响，而西部地区较低的DEI对较高的ESV有负向影响。从时间上看，与西部地区不同，东部地区的大部分城市在研究期内都超过了"U"型曲线的拐点。此外，超过拐点的城市数量增加，放大了DEI对ESV随时间变化的正负双重影响。本研究揭示了DEI对ESV的多阶段和地域性影响，有助于应对数字技术快速发展带来的环境可持续性挑战。
自工业4.0时代到来以来，全球数字经济蓬勃发展，信息和数据成为关键生产要素。在中国，2020年达到5.4万亿美元，占GDP的38.6 %，增长率为9.6%，位居全球第二位。技术驱动型数字经济能够优化资源配置，提高生产效率，促进产业升级。近期，中国政府出台了一系列旨在通过数字经济促进绿色经济增长的政策。《"十四五"数字经济发展规划》提出通过数字产业转型培育低碳发展。《数字中国建设总体布局规划》指出，要运用数字技术助力环境治理，加快推进数字化与绿色化的协同融合。然而，数字经济的生态效益尚不明确。为了实现经济和生态的可持续发展，数字经济如何影响自然资源和生态系统需要进一步研究。
数字经济作为一种新的经济形态，与自然环境紧密相连，能够深刻影响各生态系统域信息、资源、物质和能量的交互和循环，导致生态系统服务的结构和功能发生变化。考虑到可持续发展的广泛目标，包括气候变化、作物生产、水资源、生物多样性和人类福祉，有必要探讨数字经济的综合环境影响，而不是仅仅关注单个环境因素。生态系统服务是指人类从生态系统中获得的利益，反映了生态系统所产生的环境效用。此外，通过定量和可视化方法评估生态要素，具有全面分析数字经济整体环境绩效的优势。因此，有必要研究数字经济如何影响生态系统服务，以充分了解其生态效应。
本研究有以下贡献。首先，本研究探讨了数字经济对生态系统服务的影响，丰富了对数字经济综合生态效益的认识。第二，利用夜间灯光数据（NTL）评估数字经济的时空动态，填补了数字经济测度与分析的现有研究空白。最后，本研究引入非线性和时空效应，有助于更好地理解数字经济对生态系统服务的异质性影响，厘清两者之间的复杂联系。
1.基于NTL强度的DEI估计
二次回归模型是最佳拟合模型，在所有6年中R2最大(表3)。2018-2021年R2保持在0.7以上，2017 - 2021年RMSE值最小。因此，二次回归模型比线性和对数回归模型更适合于利用NTL遥感数据估算数字经济。
通过拟合上述二次回归模型，本研究估计了2016年至2021年间每个城市的DEI值(图3)。总体来看，数字经济值较低，2017-2021年超过80 %的城市DEI值在70以下。此外，沿海城市的DEI值高于内陆城市，表明数字经济增长存在显著的空间不平衡性。尤其是西部地区，由于传统实体经济发展水平较低，数字经济发展滞后。北京、上海、杭州、深圳等发达城市表现为聚集型数字经济集群。
2.ESV的动态特性
低ESV值主要分布在中国中东部地区，在东北地区逐渐增加(图4)。西南地区由于优越的水热条件和茂密的森林覆盖，具有较高的ESV值。经济发展水平较高的发达城市，如北京、上海、深圳等，其ESV值相对较低。这可能是由于城市化水平较高导致土地利用的生态价值较低。从变化率来看，东南地区非沿海城市的ESV增长幅度高于其他地区。
3.DEI与ESV的非线性关系
表4中的全局Moran ' s I指数揭示了不同城市之间DEI和ESV的空间正相关性。因此，SDM模型可以应用于本研究。此外，ESV与DEI之间的正相关程度存在差异。ESV具有更高的Moran ' s I指数，表明其空间相关性比DEI更显著。2016-2021年，ESV和DEI的Moran ' s I均呈上升趋势，表明研究期间空间相关性增强。
在选择空间计量模型之前，计算拉格朗日乘数( LM )检验、似然比( LR )检验、Wald检验和Hausman检验是至关重要的(表5)。采用固定效应模型是因为Hausman检验在1 %的显著性水平下拒绝了值为34.07的零假设。此外，LM、LR和Wald检验表明，SDM模型不能退化为SLM或SEM模型。因此，采用固定效应的SDM模型。
为了考察DEI对ESV的非线性影响，表6分别采用了普通最小二乘法( OLS )和SDM模型。在所有列中，DEI的一次项系数为负，而( DEI ) 2的二次项系数为正，验证了ESV和DEI之间的U型关系。列( 6 )中出现的DEI的拐点是54.59，它是通过将一次项系数的负数除以二次项的两倍来计算的。U型关系和拐点表明了DEI发展的两个阶段。在( DEI < 54.59)初期，ESV随着DEI的发展而下降。而在DEI ( DEI > 54.59)后期，ESV随着DEI的增加而提高。对于空间滞后项，DEI对ESV存在溢出效应，呈现倒U型关系。
中国幅员辽阔，在自然资源、社会经济基础、政策、产业结构和人口结构等方面存在显著的区域差异，进而影响DEI与ESV的时空关系。本研究将城市分为东部、中部和西部地区，考察DEI和ESV发展阶段。表7显示，2016年仅有15.68%的城市处于拐点以上，而2021年这一比例上升至32.41%。这一结果说明，虽然部分城市已经超过拐点，但大部分城市仍然处于U型曲线的左侧。2016年我国东部地区33.66%、中部地区8.05%、西部地区4.04%的城市达到拐点。到2021年，这一比例在东部地区变为61.38%，中部地区变为21.83 %，西部地区变为12.12 %。这表明东部城市相比于中西部城市在提高生态系统服务方面更有优势。东部城市大多位于U型曲线的右侧，而中西部城市大多位于U型曲线的左侧。ESV与DEI之间的U型关系在中国东部地区主要表现为正相关，在中国西部地区主要表现为负相关。
4.DEI与ESV的时空格局
DEI对ESV的时空影响如图5所示。总体而言，DEI对中国东部地区的ESV有贡献，但对中国西部地区的ESV有负面影响。2021年的DEI系数变化范围大于2016年，表明DEI对ESV的影响存在较大的空间异质性。研究期间，中国东部地区DEI回归系数为正的城市数量逐渐增加，而西部地区DEI回归系数为负的城市数量减少。中国东部地区DEI对ESV的正效应和西部地区DEI对ESV的负效应均随时间呈增加趋势，表现出显著的时空异质性。
图6的结果进一步验证了不同区域DEI与ESV之间的U型关系。东部地区越来越多的城市越过U型曲线的拐点，表现出DEI的正向影响。中国西部部分城市表现出负向影响，停留在U型曲线左侧，DEI接近但未超过拐点。
本研究存在以下几个方面的局限性。虽然NTL数据适用于识别DEI，但更高分辨率的地理空间数据集对于更高级的研究是必要的。此外，本研究仅关注地级市层面的DEI和ESV之间的联系。需要进一步利用微观经济数据和案例研究来检验数字经济对生态系统服务的影响，为特定区域的生态保护提供有价值的指导。
初审：梁笑嫣
审核：徐彩瑶
排版编辑：蒋定宏
文献推荐人：蒋定宏
参考文献：Youlin Chen, Lei Wang, Peiheng Yu, Changxu Cheng, Linkages between digital economy and ecosystem services: Revealing the spatiotemporal relationship based on U-shaped effect, Technological Forecasting and Social Change, Volume 207, 2024, 123601, ISSN 0040-1625.
以上内容仅代表个人对文章的理解，详情请点击阅读原文。
推荐阅读
探索基于自然的生态文明解决方案，助力实现“双碳”战略目标，协同推进人与自然和谐共生与全体人民共同富裕的中国式现代化建设，让我们一起加油！
