“东数西算”工程与传统产业和数字产业碳排放
2023-07-10王国梁
王国梁，胡 敏
（杭州电子科技大学经济学院，杭州 310018）
0 引言
实施“双碳”战略可以加快降碳减排步伐，引导绿色技术创新，推进产业结构和能源结构调整，提高我国产业和经济的全球竞争力。但目前面临的问题是，规模不断扩大的数据中心正在带来飞速增加的能源消耗。整体而言，数据中心的布局对提高经济发展水平具有重要意义，但其所引发的高碳经济等负外部性问题也不容忽视。
现有文献多聚焦于研究数字化水平对区域和产业碳排放所产生的多维效应。例如有研究发现数字经济的发展能够显著促进城市的碳减排[1,2]。同时，还有学者在此基础上进行了异质性分析[3,4]，指出数字经济的碳减排效应在东部地区，特别是在高人力资本、高科技财政投入城市以及非资源型城市表现得更加显著；谢云飞（2022）[5]认为相较于产业数字化，数字产业化的碳减排效应更加显著。大多数学者重点分析数字化水平的碳减排效应及其产生的内在影响机制，只有少数学者注意到数字化发展的背后存在高碳经济等负外部性问题。有学者发现数字经济发展对城市碳排放的作用效应具有“倒U”型非线性特征[6]，也有学者指出数据中心低碳发展过程中存在绿色发展不充分的问题[7]，这很可能会引起碳高峰锁定甚至掣肘“双碳”愿景如期实现[8]。进一步地，Zhang 等（2022）[9]通过实证研究指出当前我国数字经济的发展加剧了碳排放。也有学者进一步分析了数字化水平产生碳增排效应的内在机制。一方面，随着“东数西算”工程的开展，数字化水平进一步提升，大量数据中心的建设和运营将消耗更多资源[10,11]，增加碳排放[12]；另一方面，数字创新吸收能力减弱也可能导致数字经济的减排效应无法有效发挥[13—15]。此外，还有学者的研究表明，数字化水平和碳排放之间的关系存在不确定性[16]。
本文基于产业视角，研究“东数西算”工程对区域碳减排的综合效应和门限效应。通过该工程的重要基建——数据中心，探讨其发展水平对各地区不同产业碳排放的影响机制及作用路径。
1 研究设计
1.1 基准模型
本文从两个维度进行考察。从传统产业角度研究数据中心发展水平与传统产业碳排放的关系，考虑到传统产业大部分碳排放来自工业部门，因此，用工业经济碳排放衡量。此外，考虑到潜在的异方差问题，对模型两边取对数，构建如下模型：
其中，i代表省份，t代表年份，被解释变量ICe为各省份传统产业碳排放，I为本文核心解释变量，代表各省份数据中心发展水平，回归系数β反映了数据中心发展水平对各省份传统产业碳排放的影响程度。Xk为一系列控制变量，包括工业发展水平（Is）、科技支持（Ts）、产业结构（S）、能源效率（Ie）等，α1表示模型截距项，εit表示模型随机扰动项。
本文从数字产业角度研究数据中心发展水平与数字产业碳排放量的关系。用数据中心碳排放量（DCe）作为被解释变量，构建如下模型：
其中，被解释变量DCe 为各省份数字产业碳排放，I为核心解释变量，代表各省份数据中心发展水平，回归系数θ反映了数据中心发展水平对各省份数字产业碳排放的影响程度。Yk为一系列控制变量，包括人口规模（Ps）、科技支持（Ts）、产业结构（S）、环境规制（Er）等，α2表示模型截距项，eit表示随机扰动项。
1.2 面板门限模型
本文进一步以技术水平（De）为门限变量，构建面板单门限模型如下：
其中，I(∙)是指示函数，Xk为一系列控制变量，包括工业发展水平（Is）、科技支持（Ts）、产业结构（S）、能源效率（Ie）等。γ是门限值，其他符号的含义与式（1）相同。面板双门限或多门限模型可以根据式（3）进行扩展。
1.3 变量选取
1.3.1 被解释变量
（1）传统产业碳排放（ICe）
本文参考中国碳核算数据库（CEADs）2016—2019 年工业过程碳排放清单，统计各省份工业经济碳排放。考虑到统计数据的完整性，采用适用于生产预测和中短期经济发展趋势预测的指数平滑法对2020年各省份工业经济碳排放进行预测。通过对比模型效果，本文采用一次平滑法对不同省份工业经济碳排放量进行预测，公式如下：
其中，a为权重，满足0 ≤a≤1，εt-1为预测误差。
（2）数字产业碳排放（DCe）
参考开放数据中心委员会（ODCC）发布的《数据中心碳核算指南》以及中国电子学会2021年发布的《数据中心温室气体排放核算指南》，本文构建我国30个省份的数据中心二氧化碳排放清单的时间序列。出于数据的限制，同时考虑到数据中心能源侧的碳排放主要来自IT设备及基础设施的电力消耗，故本文主要计算数据中心的机架电力消耗相关的碳排放，公式如下：
其中，N为数据中心总机架数，PUE为数据中心消耗的所有能源与负载消耗的能源的比值，Kc为IT设备实际所需要的功率与额定负载时所需要的功率的比值，P为平均机架设计功率，EF为各省份碳排放因子。
1.3.2 核心解释变量：数据中心发展水平（I）
本文从数据中心发展规模、数据中心可用网络规模、关联行业市场规模、工业应用规模这四个方面来反映数据中心发展水平。采用熵值法测算数据中心发展综合水平作为“东数西算”工程的代理变量，指标体系如表1所示。
表1 数据中心发展水平指标体系
1.3.3 门限变量：技术水平（De）
对于门限变量技术水平，本文选择单位国内生产总值电耗来表示①技术水平=。即每创造一个单位的社会财富需要使用的电量，单位GDP 电耗越大，说明技术水平越低，经济发展对能源的依赖程度越高。
1.3.4 控制变量
为了避免遗漏变量引起的估计偏差，减少外生因素的干扰，在前人的研究基础上，选择以下控制变量。
（1）产业结构（S）：本文选取各地区第三产业增加值与第二产业增加值的比值来表示产业结构。（2）科技支持（Ts）：该指标以科技财政支出占财政支出的比重来表示。（3）工业发展水平（Is）：采用第二产业增加值占国内生产总值的比重来衡量工业发展水平。（4）能源效率（Ie）：以单位国内生产总值能耗表征。（5）人口规模（Ps）：使用年末常住人口数量来评估地区人口规模。（6）环境规制（Er）：采用单位环境污染的治理投资额来评估监管的严格性，具体测算方法如下：
其中，SIPCit是标准化后的环境污染治理投资额，用i省份在t时期的环境污染治理投资总额除以t时期各省份平均环境污染物治理投资总额得到。TPDit为i省份t时期标准化后的污染物排放总量，是各种污染物排放量经标准化处理后的总和。SPDijt是i省份i时期j污染物经标准化处理后的排放量，以污染物j在i省份t时期的排放量除以同期各省份平均排放量。PDijt是i省份t时期j污染物的排放量，其中包括二氧化碳的排放量。
1.4 数据来源与描述性统计
考虑到数据的可获取性，同时为了保证数据时间的一致性，本文采用2016—2020年我国30个省份（不含西藏和港澳台）的面板数据。按照经济发展水平和地理位置相结合的划分标准，将研究区域划分为东部地区、中部地区和西部地区。相关数据来源于历年《全国数据中心应用发展指引》《中国统计年鉴》《中国电子信息产业统计年鉴》《中国工业统计年鉴》《中国科技统计年鉴》《中国环境年鉴》《中国环境统计年鉴》以及各省份统计年鉴和国家统计局官网。表2为主要变量的描述性统计。
表2 主要变量的描述性统计
2 实证结果分析
2.1 单位根与多重共线性检验
本文测试了所有变量的面板单位根，并进行多重共线性检验，结果如表3和表4所示。由于每个解释变量的方差膨胀因子均小于10，因此，可以断定模型变量之间不存在多重共线性。对于单位根检验，本文使用HT检验，该检验的原假设为存在单位根。结果显示，所有变量都拒绝原假设，这表明所有变量都是平稳时间序列。
表3 模型（1）变量的单位根和多重共线性检验结果
表4 模型（2）变量的单位根和多重共线性检验结果
2.2 基准回归分析
2.2.1 数据中心发展水平对传统产业碳排放的影响
F 检验和LM 检验结果显示P 值为0，强烈拒绝模型（1）存在混合效应的原假设。考虑到模型（1）原序列存在序列相关和异方差问题，会导致经典豪斯曼检验失效，本文进一步通过修正的豪斯曼检验进行验证，结果显示chi（5）=29.78，P值同样为0，强烈拒绝模型存在随机效应的原假设。故本文使用个体固定效应模型进行基准回归，同时，为了避免数据存在的截面相关、异方差和自相关等问题，选择DK 标准误的双向固定效应模型进行回归分析。结果如表5所示。
表5 数据中心发展水平对传统产业碳排放的基准回归
如表5 所示，FE 为普通标准误的固定效应模型，FE-DK 为DK 标准误下的双向固定效应模型。本文选择DK 标准误下的双向固定效应模型进行分析，得到以下结论：第一，数据中心发展水平对传统产业碳排放在1%的水平上呈显著正向效应，数据中心发展水平对传统产业碳排放的系数为0.080，即数据中心发展水平提升1%，传统产业碳排放增加0.080%。第二，其余控制变量的系数在1%的水平上均显著为正，对碳排放影响由高到低依次为：工业发展水平（0.892）、产业结构（0.654）、能源效率（0.329）、科技支持（0.091）。
2.2.2 数据中心发展水平对数字产业碳排放的影响
F 检验和LM 检验结果显示P 值为0，强烈拒绝模型（2）存在混合效应的原假设。考虑到模型（2）原序列存在序列相关和异方差问题，会导致经典豪斯曼检验失效，本文进一步通过修正的豪斯曼检验进行验证，结果显示chi（5）=17.10，P值为0.0043，强烈拒绝模型（2）存在随机效应的原假设。故本文使用个体固定效应模型（2）进行基准回归，同时，为了避免数据存在的截面相关、异方差和自相关等问题，选择DK标准误的双向固定效应模型进行回归分析。结果如下页表6所示。
表6 数据中心发展水平对数字产业碳排放的基准回归
由表6 可知，FE 为普通标准误的固定效应模型，FE-DK 为DK 标准误下的双向固定效应模型。本文选择DK 标准误下的双向固定效应模型进行分析，得到以下结论：第一，数据中心发展水平对数字产业碳排放在1%的水平上呈显著正效应，数据中心发展水平对数字产业碳排放的系数为1.027，即数据中心发展水平提升1%，数字产业碳排放增加1.027%。其主要原因在于：一方面，数字经济基础设施的本质是将电力转化为算力，其耗能以“乘数效应”增加，导致碳排放的增加；另一方面，在“东数西算”工程背景下，东部地区密集的算力需求有序引导至西部地区，在数据要素跨区域流动的同时，带来数据中心数量的增加以及算力需求的提升，进而导致碳排放的增加。第二，从控制变量来看，本文选取的科技支持只在5%的水平上显著为正，这是由于当前科技支持力度在提升整体区域数据中心发展方面较弱，对碳排放的影响也较小。而其余控制变量的系数均在1%的水平上显著为正，对碳排放影响由高到低依次为：人口规模（4.596）、产业结构（2.269）、环境规制（0.078）。
2.3 稳健性检验
2.3.1 内生性检验
本文采用工具变量法进行内生性检验。参考封志明等（2007）[17]、刘传明和马青山（2020）[18]的研究，选取地形起伏度（RDLS）作为数字中心发展水平的工具变量。原因如下：第一，地形起伏度可以用来反映当地的地形复杂程度，影响数字基础设施安装与调试以及数据中心的选址与规模。而且通常来讲，地形起伏度越大，数字中心修建的成本和难度也越大，故地形起伏度满足作为工具变量的相关性条件。第二，地形起伏度作为自然因素，与其他经济变量不存在直接关联，满足作为工具变量的外生性条件。同时，考虑到地形起伏度是一个不随时间变化的常数，故本文借鉴吉赟和杨青（2020）[19]的做法，利用地形起伏度（RDLS）与各年份虚拟变量（N）的乘积作为工具变量组进行2SLS回归。结果见表7。
表7 内生性检验结果
从表7 可以看出，无论是否加入控制变量，数据中心发展水平对传统产业碳排放以及数字产业碳排放的影响均显著为正，表明在考虑内生性问题后，基本结论依旧稳健。
2.3.2 动态面板回归
本文进一步采用系统GMM动态面板模型检验基准回归的稳健性。由表8可知，模型（1）和模型（2）的AR（1）检验P值均小于0.1，而AR（2）检验P值均大于0.1，说明回归方程扰动项的差分仅存在一阶自相关。同时，实证结果显示两个模型的Hansen 检验P 值均大于0.1，说明工具变量有效，系统GMM 的回归结果再次证实了基准回归的稳健性。
表8 系统GMM动态面板回归结果
3 拓展性分析
3.1 区域异质性检验
基准回归结果表明数据中心发展在总体上对传统产业以及数字产业具有碳增排效应，为进一步研究该结论在不同区域的普适性，本文进行分区域回归分析。
3.1.1 数据中心发展水平对传统产业碳排放的影响
对东、中、西部地区同样使用DK 标准误回归进行分析，通过分析下页表9的结果，可得以下结论：
表9 东中西部数据中心发展水平对传统产业碳排放的影响
第一，东部地区数据中心发展水平对传统产业碳排放仅在5%的水平上呈显著正向效应，而中西部地区则在1%的水平上呈显著正向效应，即中西部地区的碳增排效应相较于东部地区更加显著。其原因可能在于，随着“十三五”规划的实施以及“东数西算”工程的开展，近几年中西部地区各省份建设了大量的数字中心及数字基础设施，同时，伴随着数字技术逐渐向当地工业部门渗透，不可避免地给当地带来电耗与碳排放的双增长；而东部地区的产业数字化已经处于较高水平，数据中心发展水平的提升对当地传统产业碳排放影响较小。第二，东部地区工业发展水平及产业结构对传统产业碳排放呈显著正向效应，其影响由高到低依次为：工业发展水平（0.837）、产业结构（0.716）；中部地区能源效率及科技支持对传统产业碳排放呈显著正向效应，其影响由高到低依次为：能源效率（0.714）、科技支持（0.119）；就西部地区而言，工业发展水平及产业结构对传统产业碳排放呈显著正向效应，其影响由高到低依次为：工业发展水平（1.612）、产业结构（0.843）。可以发现，对于东中部地区来说，由于其本身工业发展水平较高、产业发展状况良好，随着数字技术与传统产业的融合，产业数字化对碳排放的增强作用较为明显；而对于偏远落后的西部地区来说，“东数西算”政策推动大规模数据中心的建设与运营，加速能源消耗，由此带来碳排放的增加。
3.1.2 数据中心发展水平对数字产业碳排放的影响
本文使用DK 标准误回归研究东、中、西部地区数据中心发展水平对数字产业碳排放的影响，回归结果如表10所示。
表10 数据中心发展水平对数字产业碳排放的影响
通过分析表10结果，可得以下结论：
就东部地区而言：第一，东部地区数据中心发展水平对数字产业碳排放的系数为0.869，即数据中心发展水平综合指数提升1%，数字产业碳排放增加0.869%。由于时效性高的“热数据”处理需求增多，当前数据中心仍主要集中在北京、上海、广州等东部地区省份，由此带来数字产业碳排放的增加。第二，控制变量的系数均在1%的水平上显著，对数字产业碳排放影响由高到低依次为：人口规模（8.341）、产业结构（2.815）、科技支持（-0.550）、环境规制（0.306）。其中，东部地区的科技支持对数字产业碳排放有显著减排效应，其原因可能是由于数据中心在东部地区发展起步较早，对于数字基础设施存在的高碳经济等负外部性问题有所察觉，故东部地区通过增强科技支持促进数据中心低碳发展，进而抑制数字产业碳排放的效果较为显著。
就中西部地区而言：第一，数据中心发展水平对数字产业碳排放均在1%的水平上呈显著正向效应，即中部地区数据中心发展综合指数提升1%，数字产业碳排放增加0.926%；西部地区数据中心发展综合指数提升1%，碳排放增加1.027%。第二，从控制变量角度来看，中部地区仅科技支持在1%的水平上显著，而西部地区的科技支持与人口规模均在1%的水平上显著，对数字产业碳排放影响由高到低依次为：人口规模（-2.970）、科技支持（1.204）。其中，西部地区的人口规模对数字产业碳排放有显著减排效应，可能由于西部地区人口稀少，相应地，当地消费需求及对服务技术的要求较低，从而导致较少的电力消耗，在一定程度上缓解了数字产业碳排放。而相较于东部地区，中西部地区的科技支持对数字产业碳排放有显著碳增排效应，这可能是受“十三五”规划及“东数西算”工程的影响，当地科技支持力度在促进数据中心发展方面较强。
3.2 数据中心发展水平对传统产业碳排放的非线性影响
本文通过检验发现数据中心发展水平对数字产业碳排放不存在门限效应，而数据中心发展水平对传统产业碳排放存在门限效应。故本文构建面板门限模型，进一步对数据中心发展水平与传统产业碳排放之间的非线性关系进行深入研究。对模型（3）进行门限个数检验，由表11可知，通过1%水平的双重门限检验，即以技术水平（De）为门限变量时，数据中心发展水平对传统产业碳排放存在双重门限效应。门限值为γ1=7.6603，γ2=7.7407。
表11 以技术水平为门限变量的三重门限检验
由下页表12 可知，数据中心发展水平与传统产业碳排放之间并不是简单的线性关系。从整体来看，数据中心发展水平对传统产业碳排放始终呈显著正向影响。其结果表明，在不同的技术水平下，数据中心发展水平对传统产业碳排放的影响系数不同。在门限变量lnDe≤7.6603时，数据中心发展水平对传统产业碳排放的影响系数为0.0710；当门限变量7.6603
表12 以技术水平为门限变量的双重门限效应回归结果
4 结论与建议
本文基于2016—2020 年我国30 个省份的面板数据，通过实证分析阐明了双碳背景下“东数西算”工程对不同区域、不同产业部门碳排放的影响，得出以下结论：第一，数据中心发展在总体上对传统产业及数字产业具有显著碳增排效应。第二，除东部地区外，现阶段数据中心发展水平对区域传统产业碳排放均具有显著正向促进效应；而对于不同区域数字产业碳排放，现阶段数据中心发展水平均呈现显著的碳增排效应。第三，数据中心发展水平对传统产业碳排放的影响存在基于技术水平的双重门限特征。技术水平在[0.8842，0.8887]范围时，数据中心发展水平对传统产业碳排放的碳增排效应最弱；而当技术水平低于门限值γ1=0.8842 或高于门限值γ2=0.8887 时，数据中心发展水平对传统产业碳排放的碳增排效应较强。目前，我国的整体区域技术水平较低，单位生产总值电耗较高，数据中心发展水平的提升并未表现出明显的碳排放抑制作用。
基于上述实证结论，得出以下启示：第一，政府在制定数字经济发展政策时，不仅要注重优化数字经济发展水平和质量，还要注意数字经济自身的碳中和问题，采取适当措施提高区域绿色数字技术水平。第二，在“东数西算”工程开展的过程中，减少建设、运营和维护数据中心所产生的能源浪费和碳排放。一方面，积极推进能耗智能控制建设，实现智能、精确的能源调度，减少投入产出损失；另一方面，制定数据中心的能源使用评估和碳排放标准，推动数据中心和数字设备的绿色升级。第三，在促进数字技术与传统产业融合发展的过程中，加强对绿色数字技术的利用，提高能源利用效率，避免在产业数字化过程中出现碳增排效应。
