大数据发展与绿色经济效率协调度研究——基于省级面板数据

吴应宁，汪张林

(合肥学院 经济与管理学院，合肥 230601)

近年来，我国经济高速增长，但传统经济增长模式伴随着高能耗、高排放、高污染等环境问题，经济增长方式亟待转变。党的十八届五中全会提出“创新、协调、绿色、开放、共享”的五大发展理念，绿色发展逐步深入人心。目前，借助互联网优势，大数据产业快速发展，大数据技术对各行各业的改造和升级正如火如荼地进行，产业数字化加快推进。党的十九大报告明确提出“推动大数据与实体经济的深度融合”，未来，大数据与绿色经济的结合程度将日益紧密。

纵观已有文献，国内外对于绿色经济效率的研究主要体现在3个方面：(1)绿色经济效率的测度。聂玉立等[1]、孟美等[2]、李汝资等[3]基于不同视角利用DEA模型测度绿色经济效率；李清水等[4]、程钰等[5]通过构建多层指标体系分析绿色经济水平。(2)绿色经济效率影响因素。彭继增等认为，对外投资对绿色经济效率产生了直接的正向影响[6]；沙依甫加玛丽·肉孜等认为，人力资本聚集对绿色经济效率具有促进作用，且这种影响存在一定的区域异质性[7]；方杏村等研究发现，财政分权可通过专业化产业聚集提升绿色经济效率[8]；陈阳等研究发现，服务业聚集对绿色生产效率的影响呈现倒U型特征[9]；王冉等研究发现，环境规制对中国绿色经济效率的影响具有倒U型特征[10]。(3)关于绿色经济效率的耦合度。赵建吉等研究了黄河流域新型城镇化和生态环境耦合协调的时空格局，结果表明，黄河流域的协调度不高，生态环境压力较大[11]；翁异静等认为，在新型城镇化快速推进的背景下绿色发展压力依然明显[12]。

随着5G、大数据、云计算等新一代信息技术的快速发展，部分学者研究了新一代信息技术的发展与绿色经济效率之间的关系。许宪春等认为，大数据的迅速发展给中国的绿色发展提供了一个重要的路径[13]；邬彩霞等认为，数字经济对低碳产业的发展具有显著的驱动作用[14]；崔和瑞等认为，互联网发展促进绿色经济效率的提升[15]。虽然已有学者对二者的关系开展了研究，但以定性研究为主，对新一代信息技术(大数据技术)与绿色经济效率之间的协调关系尤其是定量研究较少。为此，本文对大数据发展水平和绿色经济效率的协调发展开展定量研究。

一、数据来源与研究方法

(一)数据来源

2013—2018年的数据主要来源于《中国统计年鉴》、《中国城市年鉴》以及各省份的统计年鉴和年度统计公报。考虑到西藏自治区的诸多指标数据存在缺失的情况，最终选择了中国大陆30个省份的面板数据作为研究对象。

(二)指标体系构建

借鉴李成刚[16]、费方域等[17]对大数据发展指标体系的构建，以大数据网络就绪度、大数据信息通用技术应用、大数据应用效益3个指标来刻画大数据的发展水平。从各个分维度看，选取局用交换机容量、长途光缆线长度、固定电话普及率、移动电话普及率和互联网宽带用户5个三级指标来反映大数据网络就绪度；以互联网域名数、互联网宽带接入端口、电信业务量以及信息传输和技术收入4个三级指标来反映大数据信息通信技术应用；以第三产业GDP占比、技术创新指数、节能降耗指数3个三级指标来反映大数据应用效益。

针对绿色经济效率指标构建，假定各省份绿色经济效率的产出主要取决于劳动投入、资本投入和能源投入三大项。其中，投入变量：(1)劳动投入，用全社会年末就业总人数来表示；(2)资本投入，借鉴卢丽文等利用固定资产代替资本存量的方法[18]，采用全社会固定资产投资总额作为资本投入量；(3)能源投入，由于数据的难获得性，采用全社会的供水量来表示能源的投入。产出变量：(1)期望产出，用各省份的全年GDP总量来表示；(2)非期望产出，考虑到大数据产业的发展会消耗大量的能耗，以工业二氧化硫的排放量、工业废水的排放量和二氧化碳的排放量来表示。具体指标见表1。

表1 大数据发展与绿色经济效率指标体系

续 表

(三)熵值法

在以往的研究中，熵值法通常用于截面数据，为了实现动态测评的研究需要，本文以面板数据为基础进行评价，两个系统得分如下。

(1)考虑到所设置的指标对大数据发展水平和绿色经济效率的影响方向以及指标间量纲与量级不一致的问题，采用极差法对指标体系中的三级指标进行标准化处理。

(式1)

(式2)

其中，Xij和Yij分别表示第i个省份第j个原始数据和标准化处理后的数据。max(Xij)和min(Xij)分别表示整个指标体系中原始指标的最大值和最小值。

(2)对标准化的数据整体加上0.0001进行平移。

(3)计算第i个省份在第j个评价指标上的指标值比值。

(式3)

(4)计算第j个指标的熵值。

(式4)

其中，k=1/ln(h*m),h表示多少个年份，m表示城市的个数，0≤Ej≤1。

(5)计算各项指标熵值的冗余度。

Dj=1-Ej

(式5)

其中，Dj的数值越大，越应该重视该指标在综合评价指标体系中的作用。

(6)计算各项指标的权重。

(式6)

综上，某项指标的熵值可以用来衡量自身的离散程度，并最终决定指标权重的大小。

(7)计算各年份各省份的综合评级指数。利用熵权法计算权重的各省份大数据发展水平和绿色经济效率。

U1(U2)=∑Pλij*Wj

(式7)

其中，U1为大数据发展水平指数，U2为绿色经济效率指数。

(四)耦合协调度分析

分析各省份大数据发展水平与绿色经济效率的关联程度。

(式8)

D=(C*T)1/2

(式9)

T=aU1+bU2

(式10)

其中，C为复合系统耦合度； D为系统耦合协调度；T为大数据发展水平与绿色经济效率结构特征的综合协调指数；a和b分别表示该系统中大数据发展水平和绿色经济效率的贡献度系数，此处我们认为它们同等重要，取a=b=0.5。耦合协调度等级划分见表2。

表2 耦合协调度评级标准

二、实证结果分析

(一)大数据发展水平综合评价

根据式1—式7，对30个省份的大数据发展系统2013—2018年的12个指标的数据进行处理，得到的大数据发展水平综合指数U1如表3所示。

表3 各省份大数据发展水平指数(U1)

续 表

由表3可知，广东、江苏、浙江、北京、上海、山东的大数据水平一直保持在发展前列，甘肃、海南、青海、宁夏的大数据发展水平则一直处于后几位。从大数据发展水平指数看，发展较好的地区大数据发展水平指数要远高于落后的地区，说明我国大数据发展水平两极分化严重；从大数据发展速率看，安徽、四川、贵州、广东2013—2018年大数据增长速率最快，而辽宁的大数据发展水平则出现了下降的趋势。

(二)绿色经济效率综合评价

根据式1—式7，对30个省份的绿色经济效率系统2013—2018年的12个指标的数据进行处理，得到的绿色经济效率综合指数U2如表4所示。

续 表

实证分析发现，各省份绿色经济效率指数没有表现出很强的区域特征，绿色经济效率指数在一定程度上出现了与大数据发展指数排名相反的结果。从整体看，广东的绿色经济效率与大数据发展水平相同，依然排在首位，山西的绿色经济效率指数最低；从绿色经济效率指数看，大数据发展水平指数较高的是山东、浙江、江苏，但这些省份的绿色经济效率很低，经济的快速发展和城镇化的推进，导致生态环境遭受了一定的破坏。

(三)耦合协调度分析

根据式8—式10，对2013—2018年30个省份的大数据综合发展水平系统与绿色经济效率系统的耦合度进行测评，得到的系统耦合协调度D如表5所示。

表5 大数据发展系统与绿色经济效率系统耦合度(D)

续 表

从得分上看，根据2013—2018年两系统耦合协调度的变化进行分析，30个省份中大数据发展与绿色经济效率的耦合协调度增幅最大的是安徽，辽宁出现了下降的情况。30个省份中大数据发展与绿色经济效率的耦合协调度均值具有协调度逐渐增强的趋势。从发展类型上看，各省份都处于协调发展阶段。为了划分各省份耦合协调发展的类型，选取2013年和2018年截面数据进行汇总，结果如表6所示。

表6 各省份大数据发展系统与绿色经济效率系统耦合发展阶段和特征

续 表

表6显示，各省份大数据发展系统与绿色经济效率系统都处于同步型发展，说明两个系统之间存在着相互促进的关系。一方面，大数据作为新的生产要素使传统行业向高端智能化方向转型，不仅提高了生产效率，还减少了资源浪费，也促进了绿色经济的发展；另一方面，大数据的快速发展导致大数据能耗太大，影响了各地区大数据中心的建立与扩张。然而，在大力发展绿色经济的同时，运用绿色技术降低大数据中心能耗、降低运行成本，才能够助推大数据中心的建立与扩张，刺激大数据产业的发展。

从发展阶段看，除天津、辽宁、上海、浙江、山东、重庆的系统耦合协调度出现一定的负向发展外，其余的省份都出现了正向发展的趋势。

(四)空间格局演进

图1 各区域大数据发展指数评价结果

将30个省份分成东部、中部、西部、东北部，分别选取2013年、2016年和2018年的截面数据，用这3年的大数据发展评价指数均值得分来进行比较分析。

(1)各区域的大数据发展水平综合指数如图1所示。东部地区的大数据发展水平最高，从2013年至2018年一直处于领先的位置；西部地区的大数据发展水平较低，但西部地区的大数据发展水平一直处于稳定增长的趋势；东北部地区的大数据水平呈现先增长后下降的趋势；中部地区则保持稳定高速增长的态势。大数据发展水平的空间分布呈现出“东部高、西部低”的态势。

图2 各区域绿色经济效率指数评价结果

(2)各区域的绿色经济效率的综合指数如图2所示。从整体上看，中部地区的绿色经济效率指数最高，东北部地区的绿色经济效率最低；从区域上看，中部地区的绿色经济效率指数下降最快，东部和西部地区绿色经济效率指数都呈现稳定增长的态势，而东北部地区则出现下降的趋势，绿色经济效率的空间分布呈现“东部高、东北部低”的态势。

图3 各区域系统耦合协调度评价结果

(3)各区域的两系统耦合协调度如图3所示。从整体上看，东部地区的耦合协调度最高且一直保持在领先的位置，西部地区的耦合协调度最低；从区域上看，东部、中部和西部的系统耦合协调度都保持增长的趋势，中部地区增长的速度最快，而东北部则出现先增长后下降的趋势，系统的耦合协调度的空间分布则呈现出“东部高、东北部低”的态势；从发展的趋势变化来看，空间布局没有发生扭转性的变化。

三、结论与建议

(一)结论

第一，在大数据发展水平上，各省份存在着明显的差异。从整体上看，广东、北京、江苏、浙江的大数据发展水平处于第一梯队，而甘肃、青海、宁夏的大数据发展水平则较低；从空间布局上看，呈现“东部高、西部低”的态势。

第二，在绿色经济效率上，各省份并没有表现出很强的区域特征。从整体上看，广东省的绿色经济效率指数最高，山西省的绿色经济效率则表现为最低；从空间布局上看，呈现“东部高、东北部低”的态势。

第三，在大数据发展与绿色经济效率耦合协调关系方面，从发展类型上看，都处于协调发展阶段；从发展阶段看，除了天津、辽宁、上海、浙江、山东、重庆的系统耦合协调度出现一定的负向发展外，其余的省份都出现了正向发展的趋势；从空间布局上看，呈现“东部高、东北部低”的态势。

(二)建议

第一，做好大数据发展政策顶层设计，做到各区域协调发展。对于大数据发展水平落后的地区，应制定与区域经济发展相适应的科技政策，通过优厚的人才引进政策和良好的营商环境来吸引众多大数据企业投资。

第二，践行绿色发展理念，加快节能减排力度。在绿色经济效率较低的地区，一是要加快大数据、人工智能、互联网、云计算等现代信息技术与传统产业的结合，推动产业结构升级；二是将大数据作为企业之间的媒介，提升各要素资源之间的利用效率，减少污染物的排放。

第三，加快推进绿色技术创新，降低大数据中心能耗。加强政府、企业和科研院所的合作，加快绿色技术创新，并运用绿色技术，降低大数据中心的能耗和运行成本，从而促进大数据产业的快速发展，最终实现大数据与绿色经济的协调发展。