数字经济发展对碳排放的影响

李朋林　候梦莹

【摘要】选取2013 ～ 2020年我国30个省份的面板数据， 运用基于遗传算法的投影寻踪模型构造省级层面的数字经济发展指数， 通过双向固定模型、 中介效应模型实证检验数字经济发展对碳排放的影响机制。研究发现： 数字经济发展对降低碳排放能够起到十分显著的促进作用； 数字经济主要通过技术创新、 产业升级、 能源结构优化以及资源配置效率提高等四条途径影响碳排放； 数字化对中部地区的影响比东部地区更为显著， 由此使得中部地区在实现碳达峰以及碳中和过程中有较为突出的后发优势。根据上述研究结论， 提出加快完善数字基础设施建设、 充分发挥数字经济红利及因地制宜推行数字经济发展战略等政策建议。

【关键词】数字经济；投影寻踪模型；中介效应；碳排放

【中图分类号】F49；X32      【文献标识码】A      【文章编号】1004-0994（2023）10-0153-8

一、 引言

改革开放以来， 我国经历了近40年的经济高速增长， 已经成为世界第二大经济体。与此同时， 我国也成为世界上最大的碳排放国（Xu Qiong和Zhong Meirui，2022）。《世界能源统计年鉴2022》统计数据显示， 2011 ～ 2021年， 我国碳排放量由88.8亿吨上升至105.8亿吨， 占世界碳排放总量的31%， 由此带来了一系列诸如极端气候频发、 酸雨、 雾霾等环境问题， 减排形势日益严峻。考虑到全球变暖的负面影响， 以及经济高速发展带来的环境恶化问题， 我国政府秉承负责任大国的态度， 毅然决然地制定了“2030年前实现碳达峰、 2060年前实现碳中和”的宏伟目标。因此， 寻求降低碳排放的方法已经成为政府、 企业、 学术界需要迫切解决的热点问题。要使我国经济进一步可持续发展， 实现人与自然和谐相处， 完成碳减排任务刻不容缓。

当前， 以数字经济为代表的新一轮工业革命正在席卷全球， 其发展速度之快、 辐射范围之广、 影响程度之深前所未有。数字经济是以数字化的知识和信息作为关键生产要素（陈晓红等，2022）， 以数字技术为核心驱动力量， 以现代信息网络为重要载体， 通过数字技术与实体经济深度融合， 不断提高经济社会的数字化、 网络化、 智能化水平， 以一系列新模式和新业态为表现形式的经济活动。数字经济主要包含两大部分： 一是数字产业化， 以信息与通信技术服务部分为主， 包含软件业和相关服务业、 互联网行业、 电信业、 电子信息制造业； 二是产业数字化， 具体为工业互联网、 服务业和农业数字化。由《中国数字经济发展白皮书（2022年）》可知， 2021年我国数字经济发展取得新突破， 数字产业化规模已经达到8.4万亿元， 同比名义增长11.9%， 占GDP比重为7.3%； 同时产业数字化规模达到37.2万亿元， 同比名义增长17.2%， 占GDP比重为32.5%。

数字经济的迅猛发展引发了学术界广泛且持续的研究， 大致分为数字经济的内涵、 规律、 功能以及发展趋势等方面： 从数字经济的内涵来看， 国内学者主要从信息化（孙德林和王晓玲，2004）、 数字技术（李长江，2017）、 信息和通信技术（逄健和朱欣民，2013）及新经济等角度来讨论； 从数字经济发展规律来看， 谢康和肖静华（2022）主要从数字经济的创新、 运行和政策方面提出八大规律； 从数字经济发展趋势来看， 数字经济将立足本国优势产业（石建勋和朱婧池，2022）， 加快与实体经济深度融合（王琛伟，2022）； 而研究最多的领域， 当属有关数字经济的经济效应， 李健（2022）认为数字经济的发展可赋能乡村振兴， 赵涛等（2020）和张勋等（2019）认为数字经济激发并改善了农村居民的创业行为， 万晓琼和王少龙（2022）、 李宗显和杨千帆（2021）、 赵涛等（2020）认为数字经济促进了我国经济高质量发展， 戴翔和杨双至（2022）认为数字经济推动了制造业转型， 戚聿东和肖旭（2020）认为数字经济推动了企业内部管理模式的一系列变革。然而， 目前对数字经济的环境效应研究较少。从已有的研究来看， 一部分学者认为数字经济增长不利于提高能源效率进而间接增加了碳排放（Lu Zhang，2022）， 另一部分学者则认为数字经济主要通过技术创新（郭丰等，2022）、 产业结构升级（谢文倩等，2022）这两条路径来促进碳减排（Li Zhiguo和Wang Jie，2022）。可见， 关于数字经济对碳排放的影响， 学者们见仁见智， 目前尚无定论。因此， 明确数字经济对碳排放的影响并研究其作用机制很有必要。

基于此， 本文将重点关注数字经济发展对碳排放的影响， 可能的边际贡献主要体现在以下三个方面： 一是在数字经济指数的测度上， 基于遗传算法的投影寻踪模型对数字经济发展指数进行了改进； 二是在研究内容上， 不同于大多数研究只注重数字经济发展对改善创业、 乡村振兴、 企业内部管理变革以及高质量发展等经济方面的影响， 鉴于生态环境问题越来越受重视， 本文从数字经济发展对环境的影响展开研究； 三是在作用机理的分析中， 本文拓宽了数字经济发展对碳排放的传导路径， 且首次从资源配置效率这一作用机制出发， 探究了数字经济对碳排放可能产生的影响， 丰富了对碳排放的相关研究。

二、理论分析与研究假设

（一）数字经济发展与碳排放

数字经济本身具有绿色、 创新、 共享等特点， 这些特点让其成为符合可持续发展方式的一种新型经济形态（孔令英等，2022）。第一， 规模化、 多样化以及高速化的信息呈现、 方便快捷的信息搜查都是数字经济所独有的特征， 加上其数据的可复制性和可移动性等优点， 显著增强了利用数据进行价值创造的能力， 同时也使得其成本大幅缩减（陈晓红等，2022）。数字产业主要由信息技术服务业和以互联网为基础的相关产业组成， 其绿色化程度通常高于传统产业， 从而使其对环境造成的危害减小。与此同时， 数字化企业凭借其强大的经济实力， 往往更加注重现代化和环保， 从而对环境大有裨益。第二， 作为数字经济的产业基础， 数字产业可以帮助其他行业减少碳排放。数字技术的易渗透性和可衍生性， 有利于全面改造传统产业， 并支持创建更加智能和环保的企业， 这不仅降低了能源消耗和碳排放， 还提高了产业附加值。此外， 通过数字技术可以改造并升级传统基础设施， 使其更加现代化、 智能化。例如： 经过数字技术改造的制造车间可以实现精准预测和排放， 基于数字信息技术的智慧城市、 智慧交通、 智能家居可以實现自动节能、 智能减排。第三， 在数字经济时代， 各种各样的数字化平台如雨后春笋般涌现， 适时打通并有效整合生产、 流通、 消费以及服务等环节， 实现线上线下双向联动、 精准匹配， 从而降低碳排放。由上述分析可知， 数字经济发展可显著降低碳排放。

（二）机制分析

通过前述理论分析可知， 数字经济发展可降低碳排放， 那么具体是通过哪几种路径影响碳排放呢？这几种路径之间有联系吗？在其中是独立还是交互着起作用呢？且尚需进一步分析， 如下所示。

首先， 产业结构升级是产业结构合理化和高级化的有机统一。信息技术产业化创造了许多新兴产业， 这些产业基本上都是以技术的不断更新升级为核心， 以数据信息为生产单元， 故而大都具有产出附加值高、 资源消耗少、 环境污染少等特点， 而且这些技术密集型产业的发展壮大促使产业结构持续优化， 必将减少碳排放。数字经济将数字技术逐步渗透到传统的工业、 农业、 服务业等各个环节， 使其与之深度融合， 使得传统产业实现了向自动化、 智能化方向转型， 促进了传统产业优化升级， 从而使得产业部门之间的联系更加紧密， 结构更加合理， 可以降低能耗、 提高能效， 从而影响碳排放。经过统计， 将数字技术应用到能源、 制造、 农业等行业已经帮助全球减少了至少15%的碳排放（葛立宇等，2022）。基于此， 本文预测： 数字经济可以通过产业结构升级降低碳排放。

其次， 数字经济内生于技术创新， 又服务于技术创新。数字经济的发展可以显著降低交易和信息搜索成本， 加速要素流动， 不仅促进创新资源的集聚， 还能减少行业间差异和突破空间边界， 加速知识溢出， 并通过提高创新合作水平促进技术创新（韩璐等，2021）。而董直庆等（2014）的研究表明， 清洁和非清洁技术的进步， 都可以减少环境污染， 促进碳减排。数字经济在提高创新水平的同时也提高了创新活动与现实需求的匹配效率（李宗显和杨千帆，2021）， 从而进一步强化技术创新的减排效应（Zhang Jinning等，2022）。李广昊和周小亮（2021）的研究表明， 数字经济通过技術创新来推动生产方式集约化和居民生活方式线上化转型， 从而提高环境质量， 助力碳减排。由上述分析可知， 数字经济可以通过技术创新降低碳排放。

再次， 我国以煤炭为主的能源消费结构是导致二氧化碳排放的最重要因素（Yang Zhen等，2022）， 数字化发展正在推动能源结构向供需双方的脱碳转型。在供应方面， 数字技术监控整个能源生产过程， 提高旧化石能源部门的生产效率， 并在能源系统运行和减少环境破坏方面发挥至关重要的作用。改进的数字技术可能有利于刺激可再生能源的开发和使用， 缩短新能源研发周期， 提高研发效率， 从而改变能源消费结构， 有效减少碳排放。在需求方面， 数字技术有潜力在自我诊断、 卫星导航、 关键基础设施和运输等领域全面提高清洁能源使用比例和消费效率， 所有这些都对节能减排至关重要。由上述分析可知， 数字经济可以通过能源结构优化降低碳排放。

最后， 在现实的经济运行过程中， 既定资源配置决策成效受到地理和信息双重约束（张鹏，2019）， 生活中供给与需求方信息常常是有差异的、 不完全的， 其行为更是盲目的、 低效率的， 容易导致资源错配。而数字经济发展提高了信息的透明度， 恰恰为供求双方搭建了信息桥梁， 使得供给信息与需求信息更加完整真实可靠， 数字化程度越深， 搜查信息的效率也随之越高， 使得供需之间精准匹配， 加速生产要素的流动置换， 进而有效提高了资源配置效率（Zhang Jinning等，2022）。随着数字交易平台的加速涌现， 线上线下实现了实时互动， 企业的生产经营活动在某种程度上突破了地理距离的约束， 使得企业竞争突破了原有的边界， 竞争范围得以无限拓展， 进而使得企业之间的竞争更加激烈。企业间竞争越激烈， 生产要素流动将越充分， 那些固步自封、 不懂变革的低效率企业终将被淘汰出局， 留下的将是能够充分利用资源、 实现边际效益最大化的高效率企业， 最终实现资源的优化配置。数字技术本身具有的连接功能可以将供求信息转换为数据， 并使用大数据进行供需的有效整合与精准匹配， 从而降低交易或协调成本， 大大提高资源配置效率（丁志帆，2020）， 进而减少能源的消耗， 助力碳减排。由上述分析可知， 数字经济可以通过提高资源配置效率降低碳排放。

根据上文分析， 本文认为数字经济可通过产业结构升级、 技术创新、 优化能源结构和资源配置效率促进碳减排， 其中技术创新是产业结构升级、 优化能源结构、 提高资源配置效率的内在动力， 而产业结构升级、 优化能源结构和提高资源配置效率又倒逼技术创新， 并且产业结构升级和能源结构优化共同促进了生产要素匹配效率的提升， 进而提高资源配置效率。这4条路径或分别或交互发挥作用， 最终降低了碳排放。由此提出以下假设：

H1： 数字经济可显著降低碳排放。

三、 研究设计

（一）模型设定

为了验证前文的假设， 构建了以下基本模型：

lnceit=β0+β1digeit+βccontrolit+μi+λt+εit  （1）

在模型（1）中： lnceit表示在t时期省份i的碳排放量； digeit表示在t时期省份i的数字经济发展水平； controlit表示一系列控制变量； μi、 λt分别表示个体固定效应与时间固定效应； εit是随机扰动项。

除了模型（1）中反映的直接效应外， 为了讨论数字经济发展对于碳排放的可能影响机制， 本文根据温忠麟和叶宝娟（2014）提出的中介效应检验法， 对科技创新、 产业结构升级、 能源结构以及资源配置效率等间接效应进行检验， 构建如下模型：

lnceit=a0+a1digeit+γcontrolit+εit  （2）

Mit=b0+b1digeit+γcontrolit+εit  （3）

lnceit=c0+c1digeit+c2Mit+γcontrolit+εit   （4）

上式中， Mit表示技术创新、 产业结构升级、 能源结构、 资源配置效率等中介渠道。依据因果逐步回归检验原理， 核心解释变量和中介变量回归系数， 即a1、 b1、 c2都显著， 且系数c1较a1数值变小或者显著性降低， 表明存在显著传导机制。

（二）变量测度与说明

1. 基于投影寻踪法测算数字经济发展指数。对于数字经济发展水平的测度， 多数文献主要使用熵权法或主成分分析法， 但这两种方法均存在一定程度的局限性。熵权法过于依赖客观指标， 且无法考虑到指标与指标之间的横向影响， 可能导致权重失真， 最终结果无效； 主成分分析法前提假设之一为指标之间是线性关系（虞晓芬和傅玳，2004）， 但实际情况往往并非如此， 且提取的主成分可能不符合实际背景。为弥补指标赋权上的不足以及考虑到数据具有高维度、 非线性、 非正态特征（唐珺等2022）， 本文借鉴邓楚雄等（2013）提出的投影寻踪模型進行综合评价， 既可最大限度地保留原始数据特征， 又能克服传统评价方法主观性过强的缺陷， 并根据数字经济发展的内涵、 条件与应用、 机制分析并结合相关数据的可获得性， 构建了数字经济发展载体、 数字产业化及产业数字化3个一级指标， 18个二级指标（王军等，2021）。在此基础上， 最终形成数字经济发展水平评价体系（见表1）， 记为dige。

2. 中介变量。技术创新（tech）， 用专利授权数来表示； 产业结构升级（indus）， 用第三产业和第二产业产值的百分比来表示； 能源结构（es）， 用煤炭消费量占各地区能源消费总量的份额来衡量； 资源配置效率， 基于陈永伟和胡伟明（2011）的研究， 本文用资本错配指数（Tki）和劳动力错配指数（Tli）来衡量资源配置效率。

其中： si=piyi/Y代表区域i的产出yi在整个经济产出Y中所占的份额； βk=           siβki代表资本贡献的产出加权值； Ki/K表示i地区实际使用的资本占总资本的比例（张军等，2004）， 而资本有效配置时i地区使用资本的理论比例用siβki/βk表示。参考白俊红等（2018）的研究， 可以用C-D生产函数测算出要素产出弹性。鉴于存在资源配置过度（Tki或Tli<0）和配置不足（Tki或Tli>0）的情况， 本文对资源错配指数进行绝对值处理， 以保持回归方向一致。该数值越大表明资源错配越严重， 则资源配置效率越低。当解释变量的回归系数为负， 即解释变量与被解释变量负相关时， 可以提高资源配置效率； 相反， 则表明资源配置效率降低。

3.  控制变量。除上面列出的变量外， 本研究还涉及一些其他变量： 经济发展水平（lnpgdp）， 用人均GDP的自然对数衡量； 经济发展速度（egrow）， 用各地区GDP的年增长速度衡量； 人口规模（popu）， 用省人口总数的自然对数来衡量， 调查表明， 家庭生活对二氧化碳排放量的贡献不容低估， 家庭层面的能源消耗可以通过人口规模来体现； 能源消耗（pener）， 用人均用电消耗量的自然对数来表示， 因为电力消耗是能源消费的主要方式之一； 对外开放（op）， 用进出口总额占GDP的比值表示。

（三）数据来源

由于我国的数字经济从最近十年才开始迅猛发展， 同时考虑到2013年以前关于数字经济的数据缺失情况比较严重， 故而研究样本的期间选择在2013 ～ 2020年， 以我国30个省级行政区的面板数据（鉴于数据的可获得性， 西藏自治区及中国港澳台地区除外）为具体研究对象。除数字普惠金融数据来源于北京大学数字金融研究中心与蚂蚁金服集团外， 剩余数据均取自《中国统计年鉴》《中国能源统计年鉴》《中国高技术产业年鉴》、 国家统计局官网。采用MATLAB和STATA16.0软件进行相关数据处理和模型检验。运用线性插值法补充各个缺失值， 各个变量的描述性统计结果如表2所示。

下面将从集中度趋势和离散度两个方面分析表2的描述性统计结果。从集中度趋势看， 数字经济发展指数的平均值为0.747， 最大值为3.319， 表明数字经济发展整体水平仍比较低； 各个省份碳排放量取对数后的平均值为5.663， 最小值为3.726， 说明碳排放量的降低还存在较大空间。从离散程度看， 技术创新的标准差为1.371， 劳动力错配指数的标准差为2.589， 经济发展速度的标准差为2.540， 可见技术创新水平、 劳动力错配程度和经济发展速度的波动幅度较大。资本错配指数、 产业结构升级、 能源结构、 对外开放、 人口规模、 经济发展水平以及能源消耗的标准差均小于1， 表明这些变量的数据波动程度较小， 与现实情况相符。

四、 实证结果与分析

（一）基准回归结果

各个解释变量之间或许会出现多重共线性问题， 从而造成估计结果出现偏差。为了从根本上消除这种偏差， 本文分别利用相关性分析剔除了与其他解释变量高度相关的变量， 又用逐步回归法剔除了让核心解释变量的显著性消失或显著性下降过快的变量， 检验后依次剔除了城镇化和能源强度等变量。表3列示了模型（1）的回归结果。列（1）是没有加入控制变量的估计结果， 从中可以看出， 回归系数显著为负， 表明数字经济的发展有效抑制了碳排放； 列（2） ～ （6）依次加入控制变量后， 数字经济发展对碳排放的回归系数稳定在-0.16附近， 且均通过了1%的显著性水平检验， 说明在考察期内， 数字经济发展对降低碳排放具有十分显著的促进作用， 该结果验证了H1。

此外， 在加入了控制变量的列（6）中， 各地区对外开放（op）与碳排放之间具有显著的负向关系， 表明随着对外开放程度加深， 该地区的经济可能越来越发达， 更加注重发展环境友好型产业， 促进产业绿色化转型， 进而有效降低碳排放； 经济发展水平（lnpgdp）与碳排放之间具有显著的负向关系， 说明地区经济发展水平越高， 人们对环境质量的要求越高， 环保意识可能越深入人心， 尽可能采用节能技术或增加清洁能源的使用， 加快经济发展方式的转变， 政府也将加大对污染行为的处罚力度， 从而促进碳减排； 经济增长速度（egrow）也在5%的水平上显著为正， 表明政府为达成经济增长这一首要目标， 会以牺牲部分环境质量为代价； 人口规模（popu）和能源消耗（pener）对碳排放的影响系数为正， 且均在1%的水平上显著， 表明人口规模越大， 人们生活、 外出及住房等需求越大， 能源消耗就越多， 最终导致了碳排放显著增加。

（二）中介效应检验

前文全面分析了数字经济发展对碳排放影响的传导机制， 为验证该作用机制， 选用因果逐步回归法进行实证检验， 回归结果见表4。

首先， 由列（1）和列（3）可见， 数字经济的系数分别为0.482和0.323， 并且通过了1%的显著性水平检验， 表明数字经济发展可以让创新参与者在不同空间和不同时间下共同传播和分享知识， 实现知识的累加效应， 改造和更新创新体系， 进而提高技术创新水平； 也表明数字经济逐渐成为产业间的“润滑油”， 基于数字化的新型农业、 智能工业、 智慧服务业的快速发展， 使得产业结构朝高级化方向发展， 而且数字经济的发展模糊了产业原有的界限， 使得产业与产业间的联系更加紧密， 驱动产业结构朝着更加合理的方向发展， 从而共同推动产业结构升级。由列（2）和列（4）可知， 数字经济与技术创新、 产业结构升级的系数都为负， 均在1%的水平上显著， 且数字经济系数与模型（1）相比， 绝对值略有下降， 说明存在传导机制， 即数字经济发展可以通过科技创新、 产业结构升级助力碳减排。

其次， 从能源结构视角来看， 能源结构系数显著为负， 表明数字经济发展提高了清洁能源使用比例， 促进了以煤炭为主的能源结构转型。列（6）的检验结果表明， 数字经济系数显著性降低， 而能源结构系数显著为正， 说明能源部门数字化的整合和渗透有助于提高能源利用效率、 转变消费模式以及实现低碳化发展， 证明能源结构是数字经济发展降低碳排放的中介变量。

最后， 从资源配置效率方面来看， 表4列（7）和列（9）结果表明， 数字经济发展对资本和劳动力错配指数存在显著负向影响， 并都通过了5%的显著性水平检验， 说明数字经济发展对资本要素错配和人力要素错配具有明显的改善作用， 且数字经济对资本要素扭曲的改善效应明显大于对劳动力要素扭曲的改善效应。数字经济发展促使市场主体的生产过程和管理形态发生改变， 数字技术应用促进数字技术与实体经济深度融合， 加快要素自由流动， 从而提升市场资源配置效率， 为经济可持续发展提供内在动力。由表4列（8）和列（10）可以看出， 数字经济可通过提高资源配置效率（促进资本要素和劳动力要素的合理配置）来降低碳排放。

（三）稳健性检验

为保证本文研究结果的稳健性， 利用如下方法进行稳健性检验。

1. 替换被解释变量。地理区域不同， 各地区的人口数量自然也千差万别， 而人均碳排放也可以用来表示一个区域的碳排放程度， 使碳排放具体到每个人， 这可以更加真实地体现在经济社会的快速发展过程中既考虑了公平， 也没有忽视效率。因此， 在稳健性检验过程中， 本文使用人均碳排放来替代被解释变量。由表5列（1）的结果可知， 数字经济发展在1%的水平上显著， 证明原结论比较可靠， 说明大力发展数字经济有利于双碳目标的实现。

2. 更换模型估计方法。结合现实情况， 通常认为每个地区上一年的碳排放量大概率会影响本年的碳排放量， 这种影响是持续的、 动态的， 而前文用的是静态面板双固定效应模型。基于此， 为了避免这种情况引起的估计偏误， 在模型中加入滞后一期的被解释变量， 即为上一年的碳排放量， 将模型更换为动态固定效应模型再次进行检验。表5列（2）的结果表明， 数字经济水平的系数依旧显著为负， 然而其绝对值降低明显， 而且滞后的被解释变量系数在1%的水平上显著为正， 即可认为上一年的碳排放的确影响到了当年的碳排放。

3. 内生性检验。经济学研究中不可忽视的一个重要问题就是内生性问题。从本研究来看， 一方面控制变量不可能覆盖所有影响碳排放的经济因素， 另一方面数字经济发展水平可能作用于碳排放， 而碳排放也可能反作用于数字经济发展水平， 两者互为因果关系。一般来说， 环境良好、 空气质量较高的地方更能吸引经济实力雄厚的数字型企业家去投资。由于可能存在遗漏变量和潜在的反向因果关系问题， 本文试图通过工具变量法缓解内生性问题， 并确定数字经济发展对碳排放的净影响。参考黄群慧等（2019）和赵涛等（2020）的做法， 本文数字经济发展指数的工具变量采用上一年各省全国互联网宽带用户数与各省2002年每百人固定电话数量的交互项来表示。

豪斯曼检验的原假设为“所有解释变量均为外生”， 即不存在内生变量， 经其检验后得出p值为0.0377， 显然， 在5%的显著性水平上强烈拒绝原假设， 故可认为数字经济水平指数为内生变量， 应该使用工具变量法。在使用工具变量法时， 必须对工具变量的有效性进行检验。由表5可知， 不可识别检验显示， K-PLM统计量的p值为0.000， 强烈拒绝不可识别的原假设； 表5中弱工具变量检验的C-DWF统计量显示， 对于名义显著性水平为1%的检验， 其真实性显著水平超过了10%。因此， 以上检验验证了工具变量选取的合理性。由表5列（3）可知， 在同时控制了时间、 地区及相关控制变量的情况下， 结果仍在1%的水平上显著， 表明数字经济发展能够助力碳减排的结论依然稳健。

以上一系列稳健性检验结果表明， 发展数字经济能够助力碳减排这一结论是有效的、 合理的、 可靠的。这说明在当前这一阶段， 着力推动数字经济健康发展， 对提高生活环境质量、 实现双碳目标意义重大。

（四）拓展分析： 区域异质性

前文尽管针对数字经济发展对我国碳减排的影响及其内部作用机制展开了深入而详细的讨论， 但是考虑到我国各区域人口、 自然资源禀赋、 政府政策的不同以及数字经济发展水平的不均衡， 有必要对全国区域进一步细分， 以确保研究结论的完整性与充分性。本文将样本分为东部、 中部和西部三大区域， 深入研究数字经济发展和碳排放两者关系的区域异质性。

从表6列（2）和列（3）中可以看出， 我国中东部的数字经济发展对碳排放存在显著的负向影响， 且均在5%的水平上显著， 然而由系数比较可知， 发展数字经济对中部地区的碳排放影响程度反而强于对东部的影响。可能的原因主要有： 与中部地区相比， 我国的东部地区经济发展水平高， 人力资源丰富， 信息基础设施及其配套设施更加完善， 数字化平台发展更成熟， 生产要素可实现充分流动， 知识信息交流与传播更加迅速。所以， 東部地区本身的技术创新水平和资源配置效率较高， 碳排放水平下降空间较小。然而在中部地区， 碳排放水平的下降空间较大， 可能是因为数字化本身的环境友好型特点初步显现， 互联网的外部溢出性及其相关产业的集聚效应初显， 这些因素共同促进了中部地区产业结构和能源结构得到进一步升级和优化， 资源配置效率得到持续提升， 能耗降低明显， 从而助力中部地区碳减排。由表6列（4）可见， 西部地区数字经济发展变量未通过显著性检验： 一方面可能是由于广大西部地区数字化基础设施建设薄弱， 人力资源不足， 网络发展与中东部地区相比， 仍存在较大差距， 数字经济发展还处于起步阶段， 数字经济发展早期所产生的资源消耗增加抵消了数字赋能而产生的作用； 另一方面可能是各个产业在生产运营过程中生产要素错配问题比较严重， 数字经济发展水平较低， 不能有效促进产业结构升级， 进而限制了资源的有效配置， 这都将导致数字经济对西部地区碳排放不具显著影响。

五、 研究结论及建议

（一）结论

本文首先从理论上对数字经济的内涵予以界定， 并运用投影寻踪法测算了数字经济发展指数， 然后基于我国30个省份2013 ～ 2020年的面板数据进行实证分析， 以数字经济发展产生的技术创新效应、 产业结构升级效应、 优化能源结构效应以及资源配置效应作为机制切入点， 对数字经济发展与碳排放水平之间的内在联系进行了深入讨论。结果表明： 数字经济发展对降低碳排放具有非常显著的正向作用， 在通过一系列稳健性检验后结论仍然可靠。机制检验表明， 数字经济发展可通过促进技术创新、 产业结构升级、 优化能源结构及提高资源配置效率间接降低碳排放。区域异质性分析表明， 数字经济在中东部地区的碳减排效应更加明显， 而对西部地区的碳减排影响不明显。

（二）建议

经过上述研究分析， 本文得出如下政策建议：

1. 政府要加快完善数字基础设施建设。以持续加强新型数字信息基础设施建设为抓手， 促使数字信息基础设施建设水平进一步提高， 为数字经济提供良好的发展环境。同时， 加大各地区数字基础设施建设的协调力度， 加快实体经济与数字技术的深度融合， 使数字经济的强大效能在助力碳减排方面得以充分释放。

2. 不断释放数字经济红利。应充分认识到数字技术对绿色创新的重要性， 着力加强数字技术在绿色创新中的应用， 不断提高绿色创新水平， 研发清洁能源， 开拓清洁产业， 不断优化能源结构； 加快数字技术应用于传统产业的步伐， 促进产业结构优化升级； 加强数字技术应用于资源配置， 促进生产要素充分流动， 提升生产要素供需适配性， 不断改善人力、 资本等错配情况， 持续提高资源配置效率， 力争早日实现双碳目标。

3.  立足区域发展差异， 因地制宜实施数字经济发展战略。依托各地区资源禀赋， 大力发展本地化数字经济产业， 聚焦区域特色产业， 充分发挥比较优势， 依靠数字技术红利提高区域资源利用效率， 赋能碳减排。产能过剩和资源过度配置的地区应加快数字经济发展， 推动传统产业的自动化、 数字化、 智能化转型升级， 降低资源错配水平， 实现经济发展和减少碳排放的双赢。

【 主 要 参 考 文 献 】

白俊红，刘宇英．对外直接投资能否改善中国的资源错配［ J］．中国工业经济，2018（1）：60 ～ 78．

陈晓红，李杨扬，宋丽洁，汪阳洁．数字经济理论体系与研究展望［ J］．管理世界，2022（2）：208 ～ 224+13 ～ 16．

陈永伟，胡伟民．价格扭曲、要素错配和效率损失：理论和应用［ J］．经济学（季刊），2011（4）：1401 ～ 1422．

戴翔，杨双至．数字赋能、数字投入来源与制造业绿色化转型［ J］．中国工业经济，2022（9）：83 ～ 101．

邓楚雄，谢炳庚，李晓青，刘利科，向云波．基于投影寻踪法的长株潭城市群地区耕地集约利用评价［ J］．地理研究，2013（11）：2000 ～ 2008．

丁志帆．数字经济驱动经济高质量发展的机制研究：一个理论分析框架［ J］．现代经济探讨，2020（1）：85 ～ 92．

董直庆，蔡啸，王林辉．技术进步方向、城市用地规模和环境质量［ J］．经济研究，2014（10）：111 ～ 124．

葛立宇，莫龙炯，黄念兵．数字经济发展、产业结构升级与城市碳排放［ J］．现代财经（天津财经大学学报），2022（10）：20 ～ 37．

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．

韩璐，陈松，梁玲玲．数字经济、创新环境与城市创新能力［ J］．科研管理，2021（4）：35 ～ 45．

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．

孔令英，董依婷，赵賢．数字经济发展对碳排放的影响 ——  基于中介效应与门槛效应的检验［ J］．城市发展研究，2022（9）：42 ～ 49+55．

李广昊，周小亮．推动数字经济发展能否改善中国的环境污染 ——  基于“宽带中国”战略的准自然实验［ J］．宏观经济研究，2021（7）：146 ～ 160．

李健．数字技术赋能乡村振兴的内在机理与政策创新［ J］．经济体制改革，2022（3）：77 ～ 83．

李长江．关于数字经济内涵的初步探讨［ J］．电子政务，2017（9）：84 ～ 92．

李宗显，杨千帆．数字经济如何影响中国经济高质量发展？［ J］．现代经济探讨，2021（7）：10 ～ 19．

戚聿东，肖旭．数字经济时代的企业管理变革［ J］．管理世界，2020（6）：135 ～ 152+250．

石建勋，朱婧池．全球产业数字化转型发展特点、趋势和中国应对［ J］．经济纵横，2022（11）：55 ～ 63．

孙德林，王晓玲．数字经济的本质与后发优势［ J］．当代财经，2004（12）：22 ～ 23．

唐珺，高煜，李朋林．智慧城市能否通过智慧能源建设推动双碳目标实现？ ——  基于合成控制法的试验证据［J/OL］．软科学：1 ～ 12［2022-11-27］．

万晓琼，王少龙．数字经济对粤港澳大湾区高质量发展的驱动［ J］．武汉大学学报（哲学社会科学版），2022（3）：115 ～ 123．

王琛伟．数字经济和实体经济深度融合：核心动力、主要问题与趋势对策［ J］．人民论坛·学术前沿，2022（18）：12 ～ 21．

王军，朱杰，罗茜．中国数字经济发展水平及演变测度［ J］．数量经济技术经济研究，2021（7）：26 ～ 42．

温忠麟，叶宝娟．中介效应分析：方法和模型发展［ J］．心理科学进展，2014（5）：731 ～ 745．

谢康，肖静华．面向国家需求的数字经济新问题、新特征与新规律［ J］．改革，2022（1）：85 ～ 100．

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．

虞晓芬，傅玳．多指标综合评价方法综述［ J］．统计与决策，2004（11）：119 ～ 121．

张军，吴桂英，张吉鹏．中国省际物质资本存量估算：1952-2000［ J］．经济研究，2004（10）：35 ～ 44．

张鹏．数字经济的本质及其发展逻辑［ J］．经济学家，2019（2）：25 ～ 33．

张腾，蒋伏心，韦朕韬．数字经济能否成为促进我国经济高质量发展的新动能？［ J］．经济问题探索，2021（1）：25 ～ 39．

张勋，万广华，张佳佳，何宗樾．数字经济、普惠金融与包容性增长［ J］．经济研究，2019（8）：71 ～ 86．

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．

Li Zhiguo，Wang Jie. The dynamic impact of digital economy on carbon emission reduction： Evidence city-level empirical data in China［ J］．Journal of Cleaner Production，2022（351）：121 ～ 135．

Lu Zhang. Digital economy， energy efficiency， and carbon emissions： Evidence from provincial panel data in China［ J］．Science of the Total Environment，2022（852）：158403．

Xu Qiong， Zhong Meirui. Shared prosperity， energy-saving， and emission-reduction： Can ICT capital achieve a "win-win-win" situation？［ J］．Journal of Environmental Management，2022（319）：212 ～ 223．

Yang Zhen， et al.. Digitalization and carbon emissions： How does digital city construction affect China's carbon emission reduction？［ J］．Sustainable Cities and Society，2022（87）：1 ～ 14．

Zhang Jinning，Lyu Yanwei，Li Yutao，Geng Yong. Digital economy： An innovation driving factor for low-carbon development［ J］．Environmental Impact Assessment Review，2022（96）：101 ～ 113．

（責任编辑·校对： 李小艳  黄艳晶）

【基金项目】国家社会科学基金项目“区域协调发展政策评价体系研究”（项目编号：19BJL043）