基于GTWR的数字经济发展对城市碳排放的影响研究

2023-09-20马铜泽

国际商务财会 2023年13期

马铜泽

【摘要】文章基于GTWR模型研究数字经济发展对碳排放的时空影响效应，使用2011—2019年全国283个地级市面板数据，在此基础之上进行计量分析。结果表明数字经济发展显著影响并抑制碳排放，在不同地区具有显著时空异质性，且由北到南抑制作用逐次递减。对区域化碳减排工作具有一定借鉴意义，可以利用数字经济发展在技术创新、效率提升和资源配置方面的优势，制定碳减排区域化实施方案，争取早日达到“碳中和”目标。

【关键词】GTWR；数字经济发展；碳排放

【中图分类号】F42

★ 基金项目：贵州财经大学校级自筹专项项目（2022ZCZX060）。

一、引言

中国地大物博，版图幅员辽阔。中国近十年数字经济发展差异显著，时间和地区是数字经济对碳排放影响的重要决定因素。由于各省份各城市自然条件和政策倾向不同，我国相继出台西部大开发、东北振兴、中部崛起、东部新跨越等一系列区域发展规划，显著地促进了各地经济水平的进步，然而，由于政策导向与资源禀赋的非均衡发展的影响，我国省域数字经济发展水平不尽相同且差异显著。数字经济发展不平衡不充分问题较为突出，体现在多数地区数字经济发展指数较低，北京数字经济发展指数平均值是青海、宁夏、新疆等地的6倍多，虽然上述地区具有较大增长率，但两者之间的差距依旧存在，这表明中国省域和市域的数字经济发展水平的差异在短时间内难以抚平，并且存在明显的“马太效应”。地区是一个重要因素，因为数字经济的发展具有空间依赖性。临近地区的数字经济基础设施建设、数字化产业相互依赖。并且，数字经济的发展具有很强的时间效应，数字经济对一个地区的碳排放影响也有很强惯性。因此本文用时空地理加权回归来分析数字经济发展对不同地区碳排放局部效应的影响。

二、文献综述

2003年Khanna M[1]开启了地理加权回归的先河。HuangBo（2010）[2]提出时空地理加权回归模型用于房价时空变化的建模。A. Stewart Fotheringham（2015）[3]关注局部非平稳的时空建模论证了时空地理加权回归的有效性以及优于传统GWR方法的重要性。时空分析与建模长期以来一直是地理信息科学研究领域的重要关注点。

早在2013年就有部分学者开始以GDP、第二产业比重、能源利用效率和人口为驱动因子研究中国碳排放的影响因素以及空间异质性分析[4]。到了2014年部分学者以人口规模、城镇化率、人均GDP、能源强度、产业结构、能源消费结构、能源价格和对外开放水平作为碳排放的影响因素展开研究[5]。2019年部分学者运用GWR模型，以农业对外开放度、农业机械化程度、人均农业GDP为驱动变量对农业碳排放影响因素时空异质性展开研究[6]。2020年部分学者运用GTWR模型对江苏居民消费碳排放测度，以人口密度、人均地区生产总值、第三产业占比、恩格尔系数、人均生活用电量和R&D占比为影响因素展开研究[7]。经济发展与碳排放脱钩是当今世界研究的主流问题。而数字经济的发展对碳排放的影响成为学术界的热点话题。部分学者在2020年发现了数字经济可以促进经济的高质量发展，其中高质量发展就包括环境质量的提升[8]。

三、研究设计

（一）模型的建立

时空自相关和非平稳性是地理数据建模中的两个重要问题。数字经济发展的市场潜能、外部经济、增长级理论、扩散指数、涓滴理论和金融相关都有可能形成这两方面问题。

考虑到数字经济对碳排放的影响可能具有时空异质性特征，由于GWR是局部空间建模的重要方法，选择能够刻画时空异质性的时空地理加权回归模型。本研究提出的GWR的时空版本GTWR扩展了其对时空非静态过程建模的能力。GTWR模型是在传统计量模型的基础上估计解释变量在时空演变上的局部效应的一个变参数模型，其参数值随时空的变化而变化。GTWR产生的局部参数估计具有更好的偏差——方差权衡。

（二）变量选取与数据来源

由于部分地级市的数据不可得，本文研究的数据为全国2011—2019年地级市数据，数据来源大多来源于中国城市统计年鉴，数字普惠金融来源于北京大学编制的指标。部分缺失值本文用插值法进行填补。

我们确定了数字经济发展的“绿色”场景目标地标：投资流入、资源效率和能源效率、消费者意识、有效的国家监管、创新活动。并且根据Dietz和Rosa[9]设立的STIRPAT模型进行参数的选择。

1.核心解释变量：数字经济

本章借鉴赵涛等（2020）的做法构建全国城市层面的数字经济[8]，基于互联网发展和数字金融普惠2个维度构建数字经济发展水平。城市互联网发展测度，采用互联网普及率、从业人员、产出情况和移动电话普及率四方面指标。5个指标具体为：百人互联网宽带接入数、计算机和软件业从业人员占城镇从业人员比重、人均电信业务总量、人均邮政业务量和百人移动电话数。以上原始数据均在《中国城市统计年鉴》获得。数字金融发展用中国数字普惠金融指数表征，由北京大學数字金融研究中心和蚂蚁金服集团共同编制（郭峰等，2020）[10]。利用熵值法，将各个指标标准化后降维处理，得到数字经济综合指数，记为DIGE。

2.被解释变量：碳排放（CO2），城市碳排放量的测算借鉴吴建新（2016）[11]等人的做法，构造碳排放总量。碳排放主要源于工业化石能源消耗。因此，将电能、液化石油气、煤气、热能和交通运输所产生的碳排放加总就得到了城市碳排放。

3.控制变量

考虑到其他可能会影响各行业污染排放情况的因素，本文加入了如下控制变量：

（1）创新创业指数（IEI）：本文采用的创新创业指数是北京大学企业大数据研究中心主导，北京大学国家发展研究院与龙信数据研究院联合开发，客观反映中国城市层面创新创业活动的一套指数。

（2）人均经济发展水平（PGDP）：用地区人均GDP取自然对数进行衡量。人均经济发展水平越高，越有利于增加环境保护投资，从而降低环境污染程度。

（3）年末总人口数（POPU）：本文采用地区年末总人口比重来衡量。年末总人口是社会发展进程中不可或缺的重要变量，总人口数具有很强的惯性特征，可以很好衡量地区的发展水平和未来经济发展前景。

（4）外商直接投资（FDI）：本文采用地区外商直接投资额占GDP的比重来衡量外商直接投资。FDI通过引进推广绿色技术和节能技术，从而提高生产效率、优化资源配置并降低污染排放。

四、实证研究

为了检查GTWR模型的适用性，使用全国从2011—2019年的数字经济和碳排放的数据。首先进行检验时间和空间的异质性统计假设，然后我们使用了四种模型进行拟合，并检查他们的拟合程度。首先，使用全局OLS分析数字经济（数字化）对碳排放的影响，没有考虑任何空间或时间的因素。然后，我们使用传统的GWR、TWR和GTWR分别分析数字经济（数字化）对碳排放的影响。为了比较，我们应用McNamara的检验来评估不同模型统计显著性差异。

（一）研究数据

由于部分数据不可得，研究数据为中国全国大部分地级市。数据来源由各地级市统计局获得。

首先对碳排放区域异质性分析，由于不同时间和区位，不同地级市碳排放程度也不同。由ArcGIS做出图像可以看出，随着经济的高速发展，碳排放程度也在逐渐增强。且京津冀、长三角、珠三角地区的碳排放水平一直处于较高位置。

（二）时空非平稳性检验

考虑到不同地级市的经济发展程度、数字经济发展程度和政府政策的倾向程度的不同，可能对碳排放的抑制作用产生不同的反应。因此，对于样本的数据类型，首先要考虑的是基于GWR、TWR和GTWR模型是否可以比OLS模型更好的描述数据集。也就是说，在应用GTWR模型之前，我们需要评估研究区域是否具有显著的空间和（或）时间非平稳性。Brunsdon（1999）[12]建议做一个统计检验，关于时间和空间的影响系数（βk（ui，vi））是否都为常数。如果不能拒绝原假设，那么证明对于数据，用常规的全局回归是适合的。

我们可以通过比较OLS、GWR、TWR、GTWR拟合之后的残差，检验时空非平稳性。由此，本文分别对数据用OLS、GWR、TWR和GTWR模型进行拟合，分别观察拟合之后的残差大小、R2和AICc值。估计结果见表1。

由表1可知，时空地理加权回归的残差值最小，拟合程度最好。时空地理加权回归能挖掘到OLS、GWR所不能呈现的信息。此外，在GWR中加入时间变化信息，可以建立一个更加精确的模型。

（三）最优参数选择

在拟合GTWR模型之时，需要引入一个参数，进行优化拟合优度。另外一个时空地理加权回归需要考虑的参数是寻找到合适的带宽，基于CV或AIC，确定最优空间带宽。利用最优空间带宽，确定最优时间带宽，同样基于CV或AIC，一旦推导出最优的空间和时间带宽，它们就可以用来构造时空权重矩阵W，使用模型（2）估计局部参数。一个由空间衰减和时间衰减带宽组成的时空核函数。

GTWR中的带宽决定了给定一个点附近的衰减速率。选择一个合适的带宽能够对时空变化的系数可靠估计。如果带宽过小，系数会随着地理距离快速缩减造成过大的残差。而过大的带宽，产生更平滑的结果，偏差会增加。由表2可知，最优带宽为0.114996，残差平方和为144.369，AICc为160.131，调整后的R2为0.769041，时空距离比为0.541833。

五、结果比较与分析

时空地理加权回归结果如表3所示，用GTWR衡量出了不同时间不同地理位置的数字经济发展对该地区碳排放的影响程度。由表3可知，比较上下四分位系数与均值的回归系数方向较为一致，表明结果比较可信。模型的调整的可决系数是0.768585，模型拟合程度较好。而数字经济发展、创新创业、人均GDP、年末总人口和实际利用外商直接投资额对地区碳排放的影响程度存在明显差异。

为了更加清晰的展现数字经济发展对不同地区碳排放影响的异质性，计算2011—2013年、2014—2016年、2017—2019年三個时间段数字经济发展对碳排放的年均回归系数。用ArcGIS10.8将基于时空地理加权回归模型的数字经济对碳排放的年均回归系数用地图的形式可视化。显现出来的不是平均值，而是根据系数的最小值和最大值的范围进行划分。地区的数字经济发展对碳排放的影响既有相关性更有明显时空的差异。时空趋势从北向南逐次递减。京津冀、长三角和珠三角变化尤为明显。

数字经济的发展对环境的污染较为友好，数字经济大多为互联网产业和信息产业以提供信息为主，其对环境的污染程度明显低于传统制造业。由ArcGIS做出图像可以看出，东北地区数字经济发展水平较为落后[13]，东北三省碳排放总量占中国碳排放总量8.84%，碳排放强度普遍高于中国碳排放强度。数字经济对碳排放的影响始终处于很高水平[14]。京津冀、长三角地区、珠三角地区的数字经济发展水平明显高于全国，城市群内部的空间溢出效应明显且地区内城市间数字经济发展水平差异性较大[15]。中国东部的11个省市是中国经济最发达的地区，其碳排放量约占全国碳排放量的1/2。有7个省市碳排放可能在2030年之前达峰，其中，北京、上海将最早出现碳排放峰值，达峰时间可能为2022年。然而，另外4个省市碳排放较难在2030年之前达峰[16]。而数字经济对碳排放的影响明显有发达地区带动周围城市效果。中部地区数字经济发展一直处于上升态势，而各省在数字经济发展速度差异较大。山西省碳排放量居中部地区首位，河南省次之，安徽省碳排放量位居第三，后为湖北省和湖南省，江西省碳排放最低。而中部地区碳排放量聚集程度逐年减弱[17]，且数字经济对碳排放的影响也在动态调整。

本文用GTWR解释数字经济对碳排放的影响，系数绝对值越大，说明这个系数在这个时间这个地点，对因变量的解释力更强，影响越大。部分地区数字经济对碳排放的影响存在倒U型关系。无论是地区碳排放水平空间集聚度，还是碳排放规模与数字经济增长或者是生态经济效率之间的动态关系都可以用一条倒U型曲线来刻画，即在全国地区，碳排放水平集聚度或绝对规模对经济增长或生态经济效率的影响效应，初始阶段是促进作用，达到某一拐点后，其影响效应变为负向。也就是说，无论从数字经济增长还是生态经济效率方面来看，碳排放水平空间集聚度和规模并不是越大越好，而是存在一个最佳集聚度和最优规模。依托数字技术不仅可促进产业升级和结构调整，能够对碳排放最优规模进行更准确、更科学的测度和动态调整，为相关决策提供参考。

六、结论

数字经济对碳排放的影响主要在于数字经济发展要求经济数字化不断深入，不断出现新技术、新业态、新模式。数字经济相关新技术的出现，为能源效率、生态效率和经济效率的提升提供技术支撑，为传统产业（尤其是碳排放严重产业）升级改造提供技术支持；新业态是数字经济发展的重要体现之一，新业态的出现本身就是区域产业结构调整的过程；数字经济的发展也催生了新模式不断产生，是对传统模式的调整和优化。利用数字技术、数字资源提升原产业的全要素生产效率、降低企业生产成本和运营成本，使企业的产品和服务的价值在价值链中不断攀升，使传统产业不断提升能源效率、生态效率和经济效率，从而实现碳减排和碳中和的最终目标。

主要参考文献：

[1]Khanna M，Roe B E，Vercammen J，et al.Geographically Weighted Regression：The Analysis of Spatially Varying Relationships.

[2]Bo H，Bo W，Barry M.Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices[J]. International Journal of Geographical Information Science，2010，24（3-4）：383-401.

[3]Fotheringham，A.S.，Crespo，R.and Yao，J. （2015） Geographical and temporal weighted regression （GTWR）. Geographical Analysis，47（4），pp.431-452.

[4]李丹丹，刘锐，陈动.中国省域碳排放及其驱动因子的时空异质性研究[J].中国人口资源与环境，2013，23（07）：84-92.

[5]肖宏伟，易丹辉.基于时空地理加权回归模型的中国碳排放驱动因素实证研究[J].统计与信息论坛，2014，29（02）：83-89.

[6]李慧，李玮，姚西龙.基于GWR模型的农业碳排放影响因素时空分异研究[J].科技管理研究，2019，39（18）：238-245.

[7]杨莉，张雪磊.江苏居民消费碳排放测度与影响因素研究——基于GTWR模型的实证分析[J].生态经济，2020，36（05）：31-38.

[8]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，2020，36（10）：65-76.

[9]Dietz R T .STIRPAT，IPAT and ImPACT： analytic tools for unpacking the driving forces of environmental impacts[J].Ecological Economics，2003.

[10]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），2020，19（04）： 1401-18.

[11]吳建新，郭智勇.基于连续性动态分布方法的中国碳排放收敛分析[J].统计研究，2016，33（01）：54-60.

[12]Brunsdon C， Fotheringham A S， Charlton M .SOME NOTES ON PARAMETRIC SIGNIFICANCE TESTS FOR GWR. 1999.

[13]田俊峰，王彬燕，王士君，程利莎.中国东北地区数字经济发展空间分异及成因[J].地域研究与开发，2019，38（06）：16-21.

[14]马晓君，董碧滢，于渊博，王常欣，杨倩.东北三省能源消费碳排放测度及影响因素[J].中国环境科学，2018，38（08）：3170-3179.