数字经济发展与我国城市能源效率的提升

李磊 蒋沁怡

作者简介：李磊，男，安徽宿州人，博士，南开大学经济学院教授、博士生导师。

蒋沁怡，女，江苏苏州人，南开大学经济学院硕士研究生。数字经济发展与我国城市能源效率的提升

摘要：当下我国数字经济发展如火如荼，“十四五”规划也提出“要打造数字经济新优势”。与此同时，“碳达峰”和“碳中和”是我国当下的重要发展任务，也是经济转型升级阶段的重大挑战。能源使用效率作为其中的一个关键衡量指标，研究数字经济是否对其具有提升作用亟待探讨。本文采用非期望产出DEA-SBM方法测算了能源效率，基于中国280个城市2011—2019年的面板数据进行实证研究。结果表明：数字经济的发展显著提升了城市能源效率，并且该结论在进行稳健性检验后依然成立。另外，数字经济发展对城市能源效率的影响存在地区、时间段和城市规模异质性，具体表现为：数字经济发展对能源效率的提升在东部地区的表现强于中西部地区，从2011—2014年的不显著负向影响到2015—2019年的正向提升，对大中小城市的正向影响强于特大城市。最后，机制分析表明，数字经济对能源效率的提升更多的是通过增加总产出而非减少非期望污染物排放。

关键词：数字经济；能源效率；DEA-SBM

中图分类号：F251.1文献标识码：A文章编号：1000-5099（2023）03-0072-12

眼下数字经济在我国迅猛发展，根据中国信息通信研究院发布的2021年《中国数字经济发展白皮书》数据显示，2020年我国数字经济规模已经达到392万亿元，占GDP比重的386%，达97%的高位增长，显示出数字经济对我国经济的强大推动力，数字经济已经成为疫情期间经济稳固和复苏的重要支撑。数字经济正在极大程度上改变着我国的经济结构和产业布局，我国也致力于走在世界数字化发展前列，建设数字化强国。

过去四十年，我国处于经济高速发展时期，经济发展方式较少关注资源集约和能源污染排放问题。数字经济快速发展和布局进程中，我国经济发展已经由高速发展逐步向稳步增长转变，但高投入、高污染的粗放式发展问题仍然存在。随着我国工业化、城镇化水平不断提高，对于能源的需求依旧是有增不减，能源结构的转型长期具有挑战性[1]，这也要求我们在经济发展的同时更加关注效率的提升。如何在增加有效产出的同时，减少能耗和污染，这就引发了新时代经济发展、能源转型和环境友好之间的平衡问题。在经济、能源与环境三者平衡之中，数字经济作为一种新经济形态，能源效率作为衡量要素投入和能源消耗的重要指标，成为本文研究的关注点。随着数字经济这一新要素的加入，研究其是否有助于提升我国的能源效率，对我国转变经济发展方式平衡经济、能源与环境发展具有指导意义。

一、文献回顾

关于数字经济发展水平的衡量，目前还没有统一的计算方式，大部分学者采用的是数字经济综合指标的构建，考虑互联网普及率、互联网相关从业人员数等指标。例如：王娟娟和佘干军[2]构建由数字基础、数字产业和数字环境构成的数字经济发展水平评价指标体系来测度我国省级层面的区域数字经济发展水平；武可栋等[3]将数字经济指标分为数字经济基础建设、数字经济规模和数字技术移动应用三大方面，通过熵权法进行标准化处理得到数字经济水平的总指标。也有学者采用其他一些机构和研究院编制的数字经济指标进行研究。例如：财新智库联合数联铭品每个月进行的数字经济指数的测度和发布以及腾讯研究院发布的中国“互联网+”指数等[4-7]。

在早期的能源效率测算方法中，学者们主要采用单一要素投入的方式，仅将能源视为唯一的投入要素以测算能源的利用效率。这类方法只考虑了能源对于产出的影响，而忽视了其他要素的影响，计算相对简单，例如：能源强度、单位GDP能耗的倒数等测算方式。现有对能源效率测算的研究主要采用随机前沿法和数据包络法，这种方法将产业结构、资本投入等要素对能源效率的影响考虑在内，例如：李兰冰[8]、周梦玲等[9]。李敏和龙开胜[10]测算的全要素能源效率，从而弥补原来共同边界法的不足。李佳馨等[11]运用两种数据包络分析模型对各行业的能源利用效率进行考察并分析各行业的能效差异。程中华（Chen Zhonghua）等[12]运用数据包络分析模型的非径向方向距离函数等方法测算能源效率，研究区域差异。岳立和苗菊英[13]基于非径向方向距离函数构建DEA模型，对黄河流域的城市层面进行了能源利用效率的测算。他们将能源利用效率进一步分成能源经济效率和碳排放效率，以便探究能源利用效率的内部构成因素及其时空变化特征。研究结果显示，黄河流域的城市能源利用效率存在時空差异，并且能源经济效率和碳排放效率对其影响有所不同。 后来有学者也将非期望产出考虑在研究内[14-15]，其主要原因在于能源要素投入除了对产出有积极影响以外，还需将产生的负面环境效益考虑在内，例如：工业“三废”等污染物质的排放，这些都在一定程度上抵消了产出所带的正面效应，从而对能源效率的估算产生偏误。杨越等[16]在研究区域金融的发展对能源效率的影响时，就采用非期望产出的SBM模型测算我国省际能源效率。佟家栋和陈霄[17]在研究出口对我国城市能源效率的影响时采用了包含非期望产出的DEA-SBM方法。考虑非期望产出在一定程度上提高了能源估算的准确性，因此，本文在研究时也沿用了此计算方法，进而可以对能源效率进行更有效的估计。

数字经济作为一种新的生产要素，具有极强的渗透性和包容性，对于社会其他经济形式具有较强的影响力和拉动作用，梳理以往研究可以发现数字化与能源领域的关联研究大多集中于：第一，数字经济对能源发展其他表现形式的研究，例如：能源消费[18-20]、能源强度[5]、区域碳排放[21-25]；第二，数字经济部分衡量指标对于能源效率的影响[26-28]，其中，张云辉和李少芳[6]选取北京大学数字金融研究中心的数字普惠金融指数来衡量地区数字金融发展水平，从而研究数字金融对能源效率的影响；第三，少数学者研究了数字经济与能源效率之间的关系，大多集中在省级层面[14，29]，但由于各地方数字经济发展规划和政策不一，城市间数字经济发展水平也呈现出较大的差异化；第四，城市层面数字经济发展与能源领域的研究大多将关注放在碳排放和能耗污染指标与数字经济发展之间的关系，如张伟（Zhang Wei）等[21]采用全球超效率环境测量及垂直和水平散射度法对中国城市层面的碳排放性能和数字经济进行评价。从现有研究来看，较少有学者从城市层面出发，研究数字经济的发展水平对城市能源效率的影响。

因此，本文可能的边际贡献在于：第一，拓展了地级市层面数字经济与能源领域的研究，现有的文献主要集中于从省级层面讨论数字经济发展对于能源效率的影响，聚焦于地级市层面的研究则多以碳排放量为测度标准，较少有研究关注地级市层面数字经济发展对能源效率的影响。第二，本文考虑到地域差异、数字经济时间段发展差异通过数字经济对城市能源效率产生的影响，因此在考察其异质性影响时，主要从区域异质性、时间段异质性以及城市规模异质性这三个角度进行。在研究数字经济影响能源效率的作用机制时，本文主要从产出量和非期望产出量两个角度进行探讨。第三，本文的研究与当下国家重大发展战略“建设数字中国”以及实现“双碳”目标相一致。研究结果表明，数字经济可以显著提升地区能源效率，这一定程度上为“双碳”目标的实现增添数字化发展的可行性，通过数字化能源变革助推“双碳”目标的实现以及我国经济发展和环境效益的可持续发展。

二、指标测算

（一）城市数字经济综合发展指标

本文的核心解释变量——数字经济发展指标主要采用赵涛等[30]的测算方法，即从城市层面构建数字经济综合发展水平评价指标。测算方法如下：指标的构建分为从互联网发展水平和数字普惠金融两方面测度，采用的是黄群慧等[31]的方法，即互联网普及率（百人中互联网宽带接入用户数）、数字经济从业人员情况（计算机服务和软件业从业人员占城镇单位从业人员比重）、数字经济产出情况（电信业务收入）和移动电话普及率（百人中移动电话用户数）四个方面的指标。在数字金融方面，采用的是北京大学数字金融研究中心和蚂蚁金服集团合作编制的中国数字普惠金融指数[32]。该指数包含5个指标，通过主成分分析法将这些指标的数据进行标准化和降维处理，得到了数字经济综合发展指数。

（二）城市能源效率指标测算

对于城市层面能源效率的测算，本文采用的测算方法为DEA-SBM模型，并且考虑了非期望产出。其中，城市的劳动力、城市的资本存量以及城市的能源消耗量为投入变量，城市的生产总值为期望产出变量，城市的污染排放量为非期望产出变量。

投入指标中，劳动力衡量采用的是各城市年末单位全部从业人员数，城市的资本存量采用永续盘存法进行估算。永续盘存法的测算基础采用了单豪杰[33]所用的方法，计算公式如下：

当期的固定资本存量用Ct表示，当期的名义固定资本形成总额用Lt表示，固定资产投资价格指数用Ft表示，折旧率为δt，取1096%，上一期的固定资本存量用Ct-1表示。

本文采用《中国统计年鉴》公布的各省固定资产投资价格指数对城市资本存量进行测算，并根据各城市所在省的固定资产投资价格指数（设定各城市与省份指数相同），计算出以基期的不变价格计算的新增城市固定资产投资额，以上计算的基期均为2011年。 表

城市能源消费数据的估算参照佟家栋和陈霄[17]的做法，以弥补城市标准能耗量统计数据的缺失，计算公式为：

E表示城市能源量，G表示城市总产出，E′表示城市能源强度。各省份的能源强度由省级层面的能源消费数据计算得出，由于城市能源消费数据的缺失，因此假定城市能源强度与所属省份相同，从而得到各城市的能源消耗量。在测算能源效率时，城市的实际生产总值为期望产出，城市的污染排放量为非期望产出，包括以下3种污染排放量：工业废水排放量、二氧化硫排放量、工业烟尘排放量。根据以上计算方式得出的投入量、期望产出量和非期望产出量，通过非期望产出DEA-SBM方法在规模报酬不变（CRS）条件下计算得到全国280个城市2011—2019年的能源效率。

三、实证模型与数据说明

（一）实证模型

本文的研究基于构建实证模型基础上分析数字经济发展对能源效率的影响，被解释变量为E″it，用来表示城市i在第t年的能源效率；Dit为核心解释变量，用来表示城市i第t年的数字经济综合发展指数，本文进行研究时对其取对数，因此表示为lnDit；Xit表示其他控制变量；εit为随机扰动项。

另外，本文考虑了5个控制变量以更全面地反映城市经济发展中数字经济的溢出效应，具体如下：城市的经济发展水平（lnG′），用人均GDP表示，并取对数表示；城市的人力资本水平（H），用各城市每万人口的普通高等学校在校学生数表示；城市的外商直接投资水平（F），采用各城市实际利用外资金额与地区生产总值的比值作为表征。其中，按当年人民币兑换美元汇率对各地区实际利用外资额进行转化。城市基础设施水平（I），用城市人均道路面积表示;城市产业结构（S），用城市的工业总产值占总产出的比值表示;而后加入控制变量（X）、时间固定效应（η）和城市固定效应（λ）后，本研究的基准回归模型表示为如下：

（二）数据说明

城市层面的其他数据来源于国家统计局和《中国城市统计年鉴》，其他数据来源还包括《中国能源统计年鉴》和《中国统计年鉴》等，时间跨度为2011—2019年，样本中剔除部分样本数据缺失严重的城市。

四、实证结果与分析

（一）基准回归

由于本文选取城市层面的数据进行研究，被解释变量的取值较为受限，有较多缺失值，因此，在先采用双固定效应模型进行回归的基础上，再采用Tobit回归方法进行对比分析。全样本的回归分析结果见表5：模型（1）和（2）均为双固定效应模型的回归结果，其中，模型（1）未加入控制变量，模型（2）加入了控制变量；模型（3）和（4）为加入控制变量的Tobit回归结果，其中，模型（3）未加入控制变量，模型（4）加入了控制变量。

表5的模型（1）—（4）的结果可以看出，无论是对数字经济发展指数进行单独回归，还是加入控制变量，得到的回归系数均在1%水平下显著为负，表明了城市数字经济的发展可以有效改进能源效率。

从控制变量上来看：城市经济发展水平、城市基础设施水平和城市产业结构的系数均在统计意义上显著。其中，城市经济发展水平和城市基础设施水平的系数均为正，城市经济发展水平在1%水平下显著，城市基础设施水平在5%水平下显著。这表明城市的经济发展状况以及基础设施的水平均在一定程度上促进城市能源效率的提升。城市产业结构的系数在1%水平下显著为负，这表明城市的工业总产值占总产值比重越高则越不利于能源使用效率的提升。城市人力资本水平和城市外商直接投資虽不显著，但都对能源效率产生了正向的影响。

（二）稳健性检验

1.替换核心解释变量

本文选取了腾讯研究院每年发布的《数字中国指数报告》中的相关指数作为替换核心解释变量的指数，该指数由数字产业、数字政务、数字生活和数字文化4个分指数加权平均而得，目前也已有不少学者采用该数据进行数字经济方面的研究[7]，具有一定的客观性和可参考性。《数字中国指数报告》可获得的年份是2015—2018年，因此，本文检验选取的样本区间是2015—2018。表6中的模型（1）、（2）即为以腾讯研究院的《数字中国指数报告》中指数为核心解释变量的回归结果，可以看到，数字经济的系数显著为正，证实了基准回归结论具有稳健性。

2.剔除特殊样本

由于直辖市，如北京、天津、上海和重庆等城市可能受到特殊经济发展政策的影响，与其他城市存在较大差异，可能对样本数据产生影响。因此，为了保证研究的稳健性，本研究在对基准模型进行重新估计前，先剔除了直辖市的样本。检验结果如表6中的模型（3）、 （4）所示，与基准结果具有高度一致性，核心解释变量的系数大小与显著性均未发生明显改变，基准结论依旧具有稳健性。

3.内生性问题处理

考虑到模型可能存在内生性问题，本文将采用工具变量法做内生性检验，以此来规避双向因果和一些不可观测因素引致的问题。本文选取的工具变量参考的是吉赟和杨青[34]的做法，即采用各城市的地形起伏度与年份虚拟变量的乘积作为工具变量进行2SLS回归。一方面，地形起伏度对于数字经济设施的安装和调配具有一定影响，地形起伏度高的地区会增加数字经济设施安装的难度和成本，比如，数字经济基础平台的建设，这在一定程度上会直接影响城市的数字经济发展水平。但另一方面，地形起伏度作为城市的一种地理自然条件是外生的，满足作为本研究中识别城市数字经济发展与能源效率的因果关联的工具变量。从模型（1）中可以看出，在加入工具变量后的回归结果中，数字经济对能源效率的影响仍显著为正，Hausman检验统计量为2801，表明在考虑内生性问题后依旧稳健，且与基本回归结果基本一致。

4.动态面板

前文的基准回归中，采用的是静态面板数据研究地区数字经济发展水平对能源效率的影响，因此，在本部分采用了动态面板数据模型检验基准回归结果的稳健性以确保研究结论的稳健性，本文选取系统GMM方法进行回归，回归结果为模型（2），结果显示：数字经济对能源效率的影响仍显著为正，且Sargan检验的P值大于01，说明模型不能拒绝工具变量有效的原假设；AR（2）检验的P值大于01，说明回归方程不存在二阶自相关。因此，SYS-GMM的回归结果再次验证了前文回归结果的稳健性。

（三）异质性分析

1.分地区的异质性分析

本文将样本城市分为东部地区组和中西部地区组进行分组回归研究，模型（1）和模型（2）为双固定效应回归结果，模型（3）和模型（4）为Tobit模型回归结果。从结果中可以看出，数字经济发展水平对东、中西部地区城市的能源效率均在1%水平下显著为正，但是东部地区的回归系数均高于西部地区。这一定程度上表明，东部地区相较于中西部地区对传统经济的依赖度更低，受数字经济影响效应更大，从而能够更好地提升地区能源效率水平。另外，控制变量中值得注意的是，城市基础设施建设在东部地区仍显著为正，且在1%水平下显著为正，较全样本结果有所提升，但是中西部地区的结果表现为不显著的负向影响。可能的原因是中西部地区的城市基础设施水平还未发展到一定程度，道路修建仍有待提升加强，因此，尚未能对能源效率产生正向影响。而城市的人力资本水平的回归结果中，均显示出不显著影响，但东部地区系数较小。其可能的原因在于中西部地区仍大量缺乏受教育程度较高的人才，因此，人力资本水平对于能源效率的提升作用相比全样本表现得更为明显。

2.分时段的异质性分析

本文借鉴白雪洁等[35]的方法，将时间段分为2011—2014年组和2015—2019年组进行分组回归研究，其主要原因在于2015—2019年我国数字经济有了迅猛发展，占GDP的比重也得到了大幅提升，相较于前四年是数字经济发展加速的时期。根据中国信通院于2020年7月发布的《中国数字经济发展白皮书（2020）》，2014—2019年期间，数字经济对于经济增长的贡献率均在50%以上，其中2019年为677%，各城市的数字经济发展指数也出现明显的上升。模型（1）和模型（2）为双固定效应回归结果，模型（3）和模型（4）为Tobit模型回归结果。

从回归结果中可以看出，前四年数字经济发展水平对能源效率反应为不显著的负向影响，后五年则为显著正向影响。其可能的原因在于刚开始处于数字经济的初步发展阶段，需要进行大量的基础设施建设，因此，造成了一定程度的能源消耗，数字经济的正向溢出效应不明显。同样的对比也反映在其他几个控制变量上，如城市经济发展水平、城市人力资本水平、城市基础设施建设。

3.分城市规模的异质性分析

本文进一步研究不同城市规模下数字经济发展对能源效率带来的影响，分类标准参考的是国务院于2014年发布的《国务院关于调整城市规模划分标准的通知》。该通知根据城市常住人口规模，将城市划分为五类七档，本文在该分类标准基础上结合样本特点，将样本城市分为两组进行对比研究：大中小城市（500万及以下）和特大城市（500万以上）。模型（1）和模型（2）为双固定效应回归结果，模型（3）和模型（4）为Tobit模型回归结果。

从回归结果中可以看出数字经济发展对能源效率的影响在城市规模上体现出的差异，对特大城市反应为不显著的正向影响，对大中小城市为显著的正向影响。其可能的原因在于数字经济带来的影响具有边际报酬递增的特点，特大城市作为中国发展速度较快，数字经济建设较为领先的城市，可能相比其他城市而言，數字经济带来的红利已经充分显现，而对于其他规模的城市的影响，因城市正在迅速发展时期，故表现出较大的差异性。同样的对比也反映在其他几个控制变量上，如城市经济发展水平、城市基础设施建设、城市产业结构等。

五、数字经济发展对能源效率的影响机制检验

（一）数字经济发展对增加总产能的影响

从前文中可以得知，数字经济一定程度上有助于提高能源效率，而能源效率的计算方式中，总产出也是一个重要的衡量指标。数字经济一方面推动产业信息化、智能化发展，提高了企业的生产水平和生产管理流程的智能化升级转型，另一方面也解决了很多企业生产制造过程中的卡脖子问题，这些都有助于增加企业的总产出。因此，数字经济发展对总产能的影响也存在以下的可能：第一，数字经济通过增加社会总产能从而提升能源效率；第二，数字经济有效提升了地方能源效率，但并未对社会总产能的增加造成影响。

为此，将总产出作为被解释变量进行回归，结果可见表11中模型（1）和模型（2）。模型（1）为双固定效应回归结果，模型（2）为Tobit模型回归结果。在考虑控制变量的情况下，发现数字经济对总产出的增加有显著的提升作用，这也证明了第一种情况的成立，即数字经济通过增加总产出从而提升能源效率。

（二）数字经济发展对减少污染物排放的影响

能源效率的计算过程中，非期望产出用城市的污染排放量表示，即前文中选择的工业废水排放量、工业二氧化硫排放量、工业氮氧化物排放量。数字经济作为一种新经济形态，区别于其他的传统经济形式，主要以大数据、信息技术为基础，偏向环境友好和绿色经济特征，对环境产生较小的负面影响。多项研究也证实数字经济有助于减少区域碳排放量和碳排放强度，增加各产业的附加值，减少能耗。基于以上分析，亦提出以下两种可能：第一，数字经济通过减少污染物排放量从而提升能源效率；第二，数字经济有效提升了地方能源效率，但并未对污染物排放的减少造成影响。

为此，分别将工业废水排放量、工业二氧化硫排放量、工业氮氧化物排放量作为被解释变量进行回归，结果可见表11中模型（3）—（8）。模型（3）、（5）、（7）为双固定效应回归结果，模型（4）、（6）、（8）为Tobit模型回归的结果。在考虑控制变量的情况下，发现数字经济除了对工业废水排放量的减少有并不显著的影响之外，对工业二氧化硫排放量和工业氮氧化物排放量的影响皆未印证第一种可能。因此，结果表明数字经济有效提升了地方城市的能源效率，但并未对各项污染物排放量的减少造成影响。

六、结论与政策建议

我国目前正处于经济发展和能源转型的關键时期，数字经济发展和“双碳”目标均为我国“十四五”规划阶段的重要战略内容，有助于我国从经济、社会、环境等多方面、多维度进行全面提升。本文基于对2011—2019年我国280个城市数字经济发展水平和能源效率等数据构建的实证模型，得出了如下的主要结论：第一，数字经济对地区能源效率的提升有显著的推动作用；第二，数字经济对地区能源效率的提升具有地区、时间段和城市规模异质性；第三，数字经济对地区能源效率的推动作用更多体现在增加总产出上而非减少污染排放。

与发达国家相比，我国想要实现碳达峰、碳中和的目标，时间紧、困难多、任务艰巨，需要加快推进系统性的低碳绿色变革。加速发展数字经济水平，推动能源效率提升，进而加快我国能源的数字化变革，是实现“双碳”目标的有效举措和重要保障。本文不仅为我国数字经济发展对地区能源效率的提升提供了有力的证据，而且具有一定政策启示的意义。通过研究结论，本文提出以下政策建议：第一，进一步加强我国数字化基础设施建设，提升信息化、数字化水平，加速其与各产业的融合，建设数字化强国。第二，在政策制定过程中，更加关注数字经济发展对能源效率提升的地区异质性。研究时发现，中西部地区和规模较小的城市的数字化基础设施尚未完善，因而可以在当下适当地加大对中西部地区和规模较小城市的政策支持，释放政策红利，加速中西部地区和规模较小城市落后产业的数字化转型，以减轻地区环境和能源压力，同时进一步缩小我国地区产业发展差距。第三，本文研究结果显示，数字经济发展对污染物排放的抑制作用尚不显著，这就需要我国传统产业在数字化转型过程中，更加注重提升绿色生产。在提升生产效率和增加产能的同时，也要更加致力于发掘数字化转型给环境友好方面带来的红利。

参考文献：

[1]AFONSO T L，MARQUES A C，FUINHAS J A.Does Energy Efficiency and Trade Openness Matter for Energy Transition？ Empirical Evidence for Countries in the Organization for Economic Co-operation and Development[J].Environment，Development and Sustainability，2021（9）：13569-13589.

[2]王娟娟，佘干军.我国数字经济发展水平测度与区域比较[J].中国流通经济，2021（8）：3-17.

[3]武可栋，朱梦春，阎世平.数字经济发展水平对劳动力就业结构的影响[J].统计与决策，2022（10）：106-111.

[4]郭晗，廉玉妍.数字经济与中国未来经济新动能培育[J].西北大学学报（哲学社会科学版），2020（1）：65-72.

[5]谢云飞.数字经济对区域碳排放强度的影响效应及作用机制[J].当代经济管理，2022（2）：68-78.

[6]张云辉，李少芳.数字金融发展能提升能源效率吗[J].财经论丛，2022（3）：47-55.

[7]蒋殿春，潘晓旺.数字经济发展对企业创新绩效的影响：基于我国上市公司的经验证据[J].山西大学学报（哲学社会科学版），2022（1）：149-160.

[8]李兰冰.中国全要素能源效率评价与解构：基于“管理—环境”双重视角[J].中国工业经济，2012（6）：57-69.

[9]周夢玲，张宁.中国省际能源效率的再测算：基于共同边界随机前沿法[J].环境经济研究，2017（3）：64-78.

[10]李敏，龙开胜.中国能源利用效率对能源稀缺影响的地域差异及门槛特征[J].中国人口·资源与环境，2021（5）：37-46.

[11]李佳馨，郭辰，周婷婷.数字经济、消费升级与经济高质量发展：基于2011—2020年中国省际面板数据的分析[J].技术经济与管理研究，2022（6）：94-98.

[12]CHENG Z H，LIU J，LI L，et al.Research on Meta-Frontier Total-Factor Energy Efficiency and Its Spatial Convergence in Chinese provinces[J].Energy Economics，2020，86：104702.

[13]岳立，苗菊英.碳减排视角下黄河流域城市能源高效利用的提升机制研究[J].兰州大学学报（社会科学版），2022（1）：13-26.

[14]李彦华，焦德坤.数字化水平对区域能源效率差异影响的实证研究[J].系统工程，2021（6）：1-13.

[15]范丹，刘婷婷.低碳城市试点政策对全要素能源效率的影响机制和异质性研究[J].产业经济评论，2022（2）：93-111.

[16]杨越，成力为.区域金融发展影响能源效率的阶段性特征[J].科研管理，2019（4）：125-134.

[17]佟家栋，陈霄.出口是否影响了城市的能源效率？：基于中国281个城市的实证研究[J].国际商务研究，2020（3）：5-18.

[18]王蕾，朱彤.数字经济是否增加能源消费？：基于ICT应用研究的分析[J].城市与环境研究，2021（3）：93-108.

[19]罗良忠，林嘉豪，谭云清.数字经济对能源消费的影响研究：基于区域一体化中介效应和遮掩效应的检验[J].学习与实践，2022（6）：44-53.

[20]樊轶侠，徐昊.中国数字经济发展能带来经济绿色化吗？：来自我国省际面板数据的经验证据[J].经济问题探索，2021（9）：15-29.

[21]ZHANG W，LIU X，WANG D，et al.Digital Economy and Carbon Emission Performance：evidence at Chinas City Level[J].Energy Policy，2022，165：112927.

[22]张思思，崔琪，马晓钰.数字要素赋能下有偏技术进步的节能减排效应[J].中国人口·资源与环境，2022（7）：22-36.

[23]郭丰，杨上广，任毅.数字经济、绿色技术创新与碳排放：来自中国城市层面的经验证据[J].陕西师范大学学报（哲学社会科学版），2022（3）：45-60.

[24]缪陆军，陈静，范天正，等.数字经济发展对碳排放的影响：基于278个地级市的面板数据分析[J].南方金融，2022（2）：45-57.

[25]谢文倩，高康，余家凤.数字经济、产业结构升级与碳排放[J].统计与决策，2022（17）：114-118.

[26]FILIPPINI M，ZHANG L.Estimation of the Energy Efficiency in Chinese Provinces[J].Energy Efficiency，2016（6）：1315-1328.

[27]张万里，宣旸.智能化如何提高地区能源效率？：基于中国省级面板数据的实证检验[J].经济管理，2022（1）：27-46.

[28]马海良，黄德春，姚惠泽.中国三大经济区域全要素能源效率研究：基于超效率DEA模型和Malmquist指数[J].中国人口·资源与环境，2011（11）：38-43.

[29]李涛，沙玮华.数字经济对地区全要素能源效率的影响研究：基于市场贸易的中介效应分析[J].财经理论与实践，2022（3）：120-127.

[30]赵涛，张智，梁上坤.数字经济、创业活跃度与高质量发展：来自中国城市的经验证据[J].管理世界，2020（10）：65-76.

[31]黄群慧，余泳泽，张松林.互联网发展与制造业生产率提升：内在机制与中国经验[J].中国工业经济，2019（8）：5-23.

[32]郭峰，王靖一，王芳，等.测度中国数字普惠金融发展：指数编制与空间特征[J].经济学（季刊），2020（4）：1401-1418.

[33]单豪杰.中国资本存量K的再估算：1952—2006年[J].数量经济技术经济研究，2008（10）：17-31.

[34]吉赟，杨青.高铁开通能否促进企业创新：基于准自然实验的研究[J].世界经济，2020（2）：147-166.

[35]白雪洁，宋培，李琳，等.数字经济能否推动中国产业结构转型？：基于效率型技术进步视角[J].西安交通大学学报（社会科学版），2021（6）：1-15.

（责任编辑：杨洋）杨洋杨波，张娅，王勤美，蒲应秋

Abstract：The development of Chinas digital economy is in full swing， and the 14th Five-Year Plan also proposes "to build a new advantage of digital economy". At the same time， "emission peak" and "carbon neutrality" are important development tasks in China now， and also a major challenge in the stage of economic transformation and upgrading. Energy efficiency is a key indicator， so it is important to explore whether the digital economy will enhance it. In this paper， we measure energy efficiency by using the undesirable output DEA-SBM method and conduct an empirical study based on panel data of 280 cities in China from 2011 to 2019. The results show that the development of the digital economy significantly improves urban energy efficiency， and the findings still hold after robustness test. In addition， there is regional， time period and city size heterogeneity in the impact of digital economy development on urban energy efficiency， as shown by the fact that the improvement of energy efficiency by digital economy development is stronger in the eastern region than in the central and western regions， from a non-significant negative effect in 2011-2014 to a positive effect in 2015-2019， and the positive effect on small， medium and large cities is stronger than that of megacities. Finally， the mechanism analysis shows that the digital economy enhances energy efficiency more by increasing total output rather than reducing undesirable pollutant emissions.

Key words：digital economy; energy efficiency; DEA-SBM