APP下载

数字经济如何赋能城市绿色全要素生产率

2023-10-24李杰刘清

现代管理科学 2023年5期
关键词:全要素生产率数字经济试验区

李杰 刘清

[摘要]大数据时代,数字经济成为经济社会全面绿色化转型的新动能。本文从大数据综合试验区建设政策视角出发,试图探究数字经济发展对我国城市绿色全要素生产率(GTFP)的影响效应及作用机理。具体以试验区获批建设为准自然实验,运用超效率SBM-GML指数模型测度我国2008—2020年274个地级及以上城市绿色全要素生产率水平,采用双重差分方法进行实证检验。研究结论表明:①国家大数据综合试验区建设对城市GTFP存在显著正效应,且在进行PSM、安慰剂等稳健性检验后均支持该结论。②国家大数据综合试验区建设主要通过产业结构优化和绿色技术创新传导机制赋能城市GTFP提升。③异质性分析发现,国家大数据综合试验区建设对城市GTFP的提振作用在大城市及特大城市、非资源型城市更为明显。针对研究结论,提出拓展试验区建设范畴并推进试验区联动发展、完善配套设施并延展覆盖面、促进数字技术与实体经济深度融合等对策以放大数字经济的绿色全要素生产率驱动效应,助推经济绿色高效转型。

[关键词]大数据;试验区;数字经济;绿色;全要素生产率

一、 引言与文献回顾

伴随着云计算、人工智能、量子信息等新一代信息技术的发展及广泛应用,以数据要素为核心的数字经济发展逐渐成为转变经济发展方式、实现经济绿色化的重要推动力。为了抓住数字经济发展的重大契机,2015年8月我国发布《促进大数据发展行动纲要》(国发〔2015〕50号)1,明确提出开展国家级大数据综合试验区试点建设(以下简称大数据综合试验区或试验区),并将其作为推进我国数字经济发展的重要实现路径。迄今为止,我国已设立了贵州省、河南省、上海市、内蒙古自治区、重庆市、沈阳市、京津冀地区、珠三角地区八大国家级大数据综合试验区,覆盖东、中、西区域2;“双碳”目标约束下,我国政府进一步强化数字经济对绿色发展的作用,《十四五国家信息化规划》强调:“坚持推动以数字化引领绿色化,促进数字化绿色化协同发展”3,党的二十大再强化“加快发展数字经济,促进数字经济和实体经济深度融合”4。新时代依托数字经济发展驱动我国经济全面绿色转型已成为必然趋势,而国家级大数据综合试验区作为我国数字经济发展战略的关键抓手及数字经济的重要载体,其拉动经济绿色发展、提振绿色全要素生产率的关键作用不容忽视。

从现有文献梳理看,数字经济发展越发受到广泛关注,对其研究视角也在不断拓展,主要集中于经济增长及高质量发展[1-2]、产业结构升级[3-4]、低碳转型[5-6]、共同富裕[7]、绿色全要素生产率[8-15]等。许多学者围绕数字经济与绿色全要素生产率的关系展开了深度探讨。蔡玲等[9]认为数字经济发展通过创新能力、生产效率提升会推动绿色全要素生产率提高。张英浩等[12]发现数字经济发展与绿色全要素生产率呈“U”形关系,即数字经济对绿色全要素生产率的影响表现出波动上升态势。王巧然[13]以城市群为考察对象,认为数字经济主要通过市场化程度提升绿色全要素生产率,并揭示了数字经济对GTFP的作用遵循梅特卡夫法则。杨友才等[14]、笪远瑶等[15]分别基于要素流动性、结构红利视角验证数字经济对GTFP存在显著正效应,且改善要素扭曲和产业结构升级是数字经济影响绿色全要素生产率的重要渠道。学者们从多方位论证了数字经济在资源共享、科学决策等方面发挥关键作用,并为助推绿色全要素生产率提供重要手段。但鲜有文献基于大数据综合试验区政策视角,以大数据综合试验区设立作为一项准自然实验,探索数字经济发展对城市绿色全要素生产率的驱动效应及内在关系。

综上,虽已有文献证实数字经济对绿色全要素生产率存在正向影响,但关于数字经济发展的测度指标大多采用多维度指标体系、文本数据挖掘等方法,难免存在主观片面性以及严重内生性问题,可能导致数字经济驱动绿色全要素生产率的实证结果可靠性有误差;目前将大数据综合试验区建设与绿色全要素生产率纳入系统研究的成果较为缺乏。为此,本文基于2008—2020年274个城市样本,采用DID方法识别数字经济发展对城市绿色全要素生产率的影响,主要贡献体现在以下三方面:一是研究视角方面。基于综合试验区建设政策视角,研究数字经济对城市绿色全要素生产率的影响,不仅为数字经济驱动绿色全要素生产率提供可靠实证证据,而且扩展目前绿色全要素生产率影响因素研究以及试验区经济效应研究的研究边界,也能体现中国宏观调控的制度优势。二是研究方法方面。利用试验区这项外生冲击,使用PSM-DID、安慰剂检验等方法在一定程度上规避樣本选择偏差问题,进一步验证数字经济发展与绿色全要素生产率关系结论的可靠性。三是机制检验方面。本文从绿色技术创新和产业结构优化角度检验大数据综合试验区影响绿色全要素生产率的传导路径,既厘清两者的内在联系,也为提升试验区的绿色全要素生产率驱动效应提供可操作性的政策实施维度。

二、 理论分析与研究假设

1. 产业结构优化效应

产业结构优化的本质是产业结构内部资源要素的优化配置[16],产业结构优化通过将生产要素由高污染低产出的生产部门流入低污染高产出的生产部门,实现生产要素以更加高效清洁的方式重新组合并驱动绿色全要素生产率提升。因此,绿色全要素生产率的有效增长实际上与产业结构优化之间存在着密不可分的联系。

首先,数字经济依托数字化技术加速数据要素区域流动,促进生产要素重组和产业分化,推动新需求、新模式和新业态形成,促进产业结构优化。试验区试点政策自建成以来坚持以数据为核心,在推动数据要素开发共享、完善数据基础配套设施建设等方面取得重大成就,使数字化技术实现跨越式发展与进步。数字化技术的快速迭代升级在产业关联效应及竞争激励效应影响下,进一步促进新兴数字化产业衍生发展[17],助推产业链向中高端迈进,引发全产业链的持续革新。

其次,数字经济利用数字技术的高渗透性,引导传统产业向信息化、网络化和智能化方向改造,实现产业结构优化升级。基于大数据综合试验区建设的政策引导,区域数据要素能够进一步加快数字化技术与传统产业深度融合的步伐。数字化技术通过数据服务、数据信息等主要形式与传统产业生产经营各环节融合,加大了其对传统产业改造的渗透力度,有效提升了传统产业生产效率,促进了传统生产模式持续变革,赋能传统产业实现产业结构升级[18]。因此,大数据综合试验区建设可能以产业结构优化效应为中介路径,提升城市绿色全要素生产率。

据此,本文提出研究假设1:大数据综合试验区通过产业结构优化效应间接驱动绿色全要素生产率提升。

2. 绿色技术创新效应

绿色技术创新是借助新理念与新科技,通过有效避免或减少环境污染,以实现可持续发展的技术创新产出总称[19]。绿色技术创新不仅能直接降低自然资源利用强度、提升环境绩效,还能创造绿色经济价值,成为经济发展的战略资本。因而,绿色技术创新已成为引致绿色全要素生产率提高、加快经济社会全面绿色转型的关键驱动力。

首先,新增长理论认为知识是技术创新的核心要素,以数据驱动为核心的数字经济能有效加速信息要素流动,为绿色技术创新提供优质信息环境与治理环境,有效提升绿色创新产出效率。试验区按照高质量发展要求,围绕数据创新应用、大数据制度创新进行试验探索,借助数字技术打破市场信息不对称壁垒,提高了信息流通速度[20]。一方面有利于从事绿色技术研发企业在市场环境中及时甄别筛选有效信息,降低绿色技术创新风险,为其提供更加公开透明的市场环境;另一方面有利于政府及相关平台公布绿色环保政策、行业清洁技术变革等信息,高效提高政府协调能力和监督效率,改善绿色创新资源供需匹配过程中的低效率与资源无谓损耗。

其次,数字经济发展倒逼创新主体重视绿色技术创新活动,增大绿色技术创新产出。试验区建设会带动产业局部集聚,产业在空间地理范围内的集中又将激发企业的竞争活动,在同行业企业间的决策和行为相互影响下及时传递在绿色技术创新、新市场开发等方面的压力,倒逼企业在绿色技术、市场拓展等方面进行绿色技术创新[21]。此外,大数据试验区始终贯彻生态文明发展理念,尤其注重对绿色相关产业的扶持与优惠。这意味着在政策积极引导下,创新主体也会为增加自身竞争优势和谋求更高利润,增强绿色技术知识的储备与积累,加大研发资金和研发人力投入,提高自身绿色技术创新的投入和产出水平。因此,大数据综合试验区建设可能以绿色技术创新效应为中介路径,提升城市绿色全要素生产率。

据此,本文提出研究假设2:大数据综合试验区通过绿色技术创新效应间接驱动绿色全要素生产率提升。

三、 研究设计与数据说明

1. 策略识别与模型构造

国家大数据综合试验区的获批建设恰好构成一个良好的“准自然实验”,本研究采取双重差分法进行检验。在2016年,贵州省、河南省、上海市、内蒙古自治区、重庆市、沈阳市、京津冀地区、珠三角地区八大国家级大数据综合试验区逐步获批建设,覆盖本文地级及以上样本中的67个城市。由此,本文将2016年作为试验区建设的政策时点,将以上67个城市构成本研究实验组,其余作为对照组,构建如下模型:

[GTFPit=α+βDidit+γControlit+δi+ψt+εit] (1)

式(1)中,[被解释变量GTFP]表示城市绿色全要素生产率水平;[核心解释变量Did]表示大数据综合试验区虚拟变量,其系数[β]表示大数据综合试验区建设对城市绿色全要素生产率的边际贡献,是本文重点关注的系数;[Control]表示控制变量;[δ]、[φ]、[ε]分别是城市个体、时间固定效应和随机扰动项。

2. 变量选择与数据说明

(1)变量选择

被解释变量采用超效率SBM-GML指数模型测度2008—2020年我国各城市绿色全要素生产率。具体投入产出变量及数据处理如下:投入方面,劳动投入选取各城市年末就业总人数来测度;资本投入,基于永续盘存法利用公式(Ⅰ):[Kit=IitPit]+(1-[δ])[Ki(t-1)]估算各城市资本存量来测度,其中K为资本存量,I为全社会固定投资额,P为价格指数,以2007年为基期进行价格平减,[δ]折旧率采用9.6%[22];能源投入,由于大部分地级市能源消费总量数据并未统计,采取将各城市供气总量(煤气、天然气)、液化石油气供气总量、全社会用电量通过折标煤系数转换为标准煤后加总求和衡量能源投入。产出方面,期望产出选取各城市2007年不变价的实际GDP来测度,非期望产出则选取城市工业废水排放量、二氧化硫排放量和工业烟(粉)尘排放量来测度。

核心解释变量为大数据综合试验区虚拟变量(Did)。若城市i在2016年及之后建设大数据综合试验区则赋值为1,否则赋值为0。

控制变量选取如下:城市经济发展水平(Pgdp)采用城市人均GDP对数化衡量;對外开放水平(Fdi)采用实际利用外资额/GDP衡量;金融发展(fin)采用金融机构存贷款总额/GDP衡量;人力资本水平(Hum)采用每万人大学生人数衡量;社会消费需求规模(Scs)采用人均社会消费品零售总额;环境规制(Er)从环境治理成效角度采用一般固体废弃物利用率衡量;基础设施建设(Road)采用年末实有城市道路面积对数化衡量。表1为主要变量计算。

(2)数据说明

鉴于数据的完整性,本研究选择2008—2020年274个城市面板数据,探究大数据综合试验区建设对城市GTFP的影响效应。城市层面主要数据来自《中国城市统计年鉴》、各省市统计年鉴以及EPS数据库;城市绿色专利数据来自国家知识产权局专利数据库;部分缺失数据利用移动平均法填补。表2为变量描述性统计结果。

四、 实证结果及分析

1. 平行趋势分析

对本研究而言,双重差分法要求在国家级大数据综合试验区获批建设前,实验组和控制组的绿色全要素生产率基本维持相同的时间趋势。据此,本文构建如下模型进行检验:

[GTFPit=α+k=-84βkDidkit+γControlit+δi+ψt+εit] (2)

模型(2)中,[Didkit]是国家级大数据综合试验区获批建设前后年份的虚拟变量,其中[k∈-8, 4],表示国家大数据综合试验区获批建设前8年到后4年,同时本文以国家大数据综合试验区获批建设前第k=-8期为基期,其平行趋势检验的结果如图1所示。可以看出国家大数据综合试验区建设前,各期回归系数均不显著,表明政策前实验组和控制组时间变化趋势一致,不存在显著差异,满足平行趋势假定。在政策时点后3-4期,系数均显著异于0且呈增长趋势,初步判断国家级大数据综合试验区建设对促进城市绿色全要素生产率提升存在一定影响效应。

2. 双重差分回归结果

本文在进行了平行趋势分析的基础上,基于模型(1)检验试验区建设对城市GTFP的影响效应。结果如表3所示,第(1)列是随机效应的回归结果,第(2)列是控制时间固定效应的回归结果,第(3)列是控制个体固定效应的回归结果,第(4)列是控制双向固定效应的回归结果,可以看出[Did]系数均显著为正,意味着大数据试验区建设对城市GTFP存在着显著的正向影响效应。

3. 稳健性检验

(1)安慰剂检验

为确保促进城市GTFP的净效应仅来自大数据综合试验区政策的冲击,本文参考Cai等[23]的研究思路采取间接安慰剂检验法,即随机模拟政策发生的城市和时间,再基于模型做回归。图2和图3分别是随机模拟500次、1000次的虚假系数分布图,竖直虚线是真实系数值,水平虚线是P=0.1的显著性水平。从图中可知,虚假回归系数服从正态分布,且大部分在0附近,低于真实系数值,同时P值大多数位于显著性水平(0.1)以上,说明虚假回归系数不显著,安慰剂检验通过,本文核心结论保持稳健。

(2)倾向得分匹配双重差分法

本研究采用PSM-DID方法进行稳健性估计。从图4可知匹配前后实验组和对照组偏差得到有效缓解。继而基于模型(1)对匹配后的样本进行回归估计,其结果见表4第(1)列,可以看到核心解释变量系数仍显著为正,证明了大数据综合试验区建设有利于城市GTFP提升。

(3)排除干扰政策影响

由于智慧城市、宽带中国试点政策在本样本期可能会对城市GTFP产生影响,采取在模型(1)中同时加入智慧城市(Smartc)、宽带中国试点政策的虚拟变量(Broadbandc)进行检验。从表4第(2)列可以发现,[Did]系数仍然显著为正,表明在控制干扰政策因素后,大数据综合试验区建设依旧对城市GTFP存在正向显著影响,由此证实本文基本结论的稳健。

(4)排除预期效应影响

考虑到大数据综合试验区建设经历了漫长的准备过程,不同地方政府在试验区获批建设前可能也會进行多方面的预期,存在的预期因素可能会对结果产生偏差,由此为避免预期影响,本文借鉴宋弘[24]的做法,在模型(1)中加入试验区建设前一年的虚拟交互项。表4第(3)列核心解释变量系数依旧显示显著为正,表明试验区建设的预期没有对基准结果产生影响。

(5)控制省份—年份固定效应

由于城市GTFP可能会因省份特征差异对本文结论产生影响,进一步在模型(1)基础上引入省份—年份交互固定效应。从表4第(4)列的结果不难发现,大数据综合试验区建设对驱动城市GTFP提升有显著作用的结论仍然稳健。

(6)删除特殊样本

考虑到直辖市、省会城市、副省级城市相较于普通地级市拥有更多的经济资源和管理权限,可能会对结果产生一定的偏差,因而采取剔除直辖市、省会城市、副省级城市样本重新进行模型检验,估计结果见表4的(5)列,可以看出在剔除特殊样本后,结果依旧稳健。

4. 异质性检验

(1)城市规模异质性

本研究按照人口规模将样本城市划分为中小城市(<100万)、大城市(≥100万&<500万)、特大城市(人口规模≥500万)三等级1进行分样本检验,具体结果见表5第(1)列至(3)列。从表5中可以发现试验区建设对中小城市GTFP影响不明显,但对大城市、特大城市的GTFP影响显著为正,且对特大城市GTFP促进作用最大。究其原因可能是城市规模越大,经济集聚效应、人才集中优势越明显,越能发挥大数据带动城市资源要素的优化配置作用,加速大数据与当地产业融合互动,推动产业优化升级,有效促进绿色全要素生产率提升。

(2)自然资源禀赋异质性

本研究参考颜银根等[25]的研究思路,按照国务院公布的资源型城市名单2将样本城市分为资源型、非资源型两类进行分样本检验,其结果如表5第(4)(5)列所示。从表5中可以发现相较于资源型城市,试验区设立对非资源型城市GTFP的正向作用更为显著。可能的原因是资源型城市受当地自然资源禀赋影响,主要以资源型传统重工业为城市经济发展方向,长期资源过度消耗和环境污染难以在短时间内修复及调整,试验区设立对城市GTFP的提升作用甚微;而非资源型城市受传统重工业经济束缚较小,同时也注重数字技术和人才的培养与吸收,试验区获批建设则会在一定程度上引导该类城市加快发展绿色化、数字化产业,对GTFP拉动作用明显。

五、 作用机制甄别

为进一步验证大数据综合试验区建设影响城市绿色全要素生产率的具体传导路径,本研究将基于上述机制分析,分别从绿色创新效应、产业结构优化两种路径验证城市绿色全要素生产率的机制理论假设。为此,借鉴刘金科[26]等的思路,构建如下模型:

[Channel_vit=α+β1Didit+γControlit+δi+ψt+εit] (3)

[GTFPit=α+β2Didit*Channel_vit+γControlit+δi+ψt+εit] (4)

式(3)(4)中,[Channel_v]代表渠道变量,包括绿色技术创新(Gtech)、产业结构优化(Upindus);[Did×Channel_v]表示国家大数据试验区虚拟变量与渠道变量的交乘项;绿色技术创新(Gtech)采用地级市绿色发明专利授权数与绿色实用专利授权数之和再加1取对数衡量,产业结构优化(Upindus)采用产业结构高级化指标,具体见公式([Ⅱ]):

[Upindusit=m=13Ymit×LPmit,i=1,2,3 ] ([Ⅱ])

式([Ⅱ])中,[Ymit]表示[i]城市[t]时期第[m]产业增加值占GDP比重,[LPmit]表示[i]城市[t]时期第[m]产业的劳动生产率,劳动生产率具体计算方式是各城市第[m]产业增加值年末从业人员比值,再采取均值法消除量纲。在机制检验中,若[β1],[β2]系数均显著为正,则表明该渠道变量是国家大数据综合试验区政策促进城市绿色全要素生产率的重要路径。

表6汇报了作用机制检验的结果,其中第(1)(2)列是绿色技术创新驱动机制的结果,可以发现[Did]系数、[Did×Channel]系数均显著为正,这意味着大数据综合试验区建设可以明显促进城市绿色技术创新,并通过提升绿色技术水平,改善产业高污染高耗能的生产模式,降低环境污染水平,进而增加其“绿色”比重。第(3)(4)列则是产业结构优化驱动机制的结果,可以发现[β1],[β2]回归结果的交互项系数为正且显著,说明大数据综合试验区的建设发展通过有效促进数字技术与实体经济的深度融合,积极引导传统产业改造、催生新业态形成与发展,驱动当地产业结构优化,促进产业生产流程优化和生产效率提高,助力提升城市绿色全要素生产率。

六、 结论及对策建议

综合实证测度得到研究结论有以下三点:一是国家级大数据综合试验区建设能显著促进城市绿色全要素生产率提升,且在一系列稳健性检验后该结论依然成立;二是在大城市及特大城市、非资源型城市范围,试验区对其绿色全要素生产率的促进作用更为明显;三是大数据综合试验区建设通过促进城市绿色技术创新水平和产业结构优化水平提高间接促进城市绿色全要素生产率水平提升。

针对实证结论,本文提出如下相应对策建议:

一是拓展试验区建设范畴并推进试验区联动发展。首先,持续推进以国家级大数据综合试验区建设为突破口的大数据发展战略,及时总结并推广试验区建设阶段性成功经验,反思并调整试验区建设存在的问题,适时拓展试验区建设范畴,有序引导大数据产业集群发展,驱动我国经济数字化、绿色化转型;其次,坚持以数据为纽带,联动东、中、西部八大国家级大数据综合试验区优势互补,以支撑大数据深化应用并抢占人工智能发展先机,放大各试验区协同效应,共同促进数字中国建设及新时代中国经济绿色发展。

二是完善配套设施并延展覆盖面。首先,积极完善云计算、大数据、物联网等数字化设施建设,大力构建数据流通与交易服务数字化平台,释放数字经济对绿色经济效率的驱动优势。其次,借助交通基础设施的互联互通、信息化平台的共建共享,注重试验区与非试验区区域的链接,延展大数据发展覆盖面;最后,加快大数据综合试验区相关制度、决策、法律等政策体系的规划建设,秉持政府引领、市场主导的建设原则,增大试验区战略执行的包容性和灵活度。

三是促进数字技术与实体经济深度融合。首先,主动围绕数字经济与绿色创新交互融合,强化数据要素供给,构建数据采集与共享机制,设立资源开发数据共享中心,塑造城市绿色发展新动能;其次,依托数字经济发展创新区及新一代信息化技术,加快发展工业互联网、产业互联网,率先形成以龙头企业为重点推动的产业链数字化转型新路径,规避产业虚拟化、空心化现象,加快我国绿色经济发展进程。

参考文献:

[1] 张勋,万广华,张佳佳,等.数字经济、普惠金融与包容性增长[J].经济研究,2019,54(8):71-86.

[2] 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.

[3] 张于喆.数字经济驱动产业结构向中高端迈进的发展思路与主要任务[J].经济纵横,2018(9):85-91.

[4] 陈晓东,杨晓霞.数字经济发展对产业结构升级的影响——基于灰关联熵与耗散结构理论的研究[J].改革,2021(3):26-39.

[5] 张哲华,钟若愚.数字经济、绿色技术创新与城市低碳转型[J].中国流通经济,2023,37(5):60-70.

[6] 常皓亮,夏飞龙.数字经济赋能低碳发展:机制识别与空间溢出[J].科技进步与对策,2023,40(10):48-57.

[7] 柳毅,赵轩,毛峰.数字经济驱动共同富裕的发展动力与空间溢出效应研究——基于长三角面板数据和空间杜宾模型[J].中国软科学,2023(4):98-108.

[8] 周晓辉,刘莹莹,彭留英.数字经济发展与绿色全要素生产率提高[J].上海经济研究,2021(12):51-63.

[9] 蔡玲,汪萍.數字经济与城市绿色全要素生产率:影响机制与经验证据[J].统计与决策,2022,38(9):11-16.

[10] 刘维林,王艺斌.数字经济赋能城市绿色高质量发展的效应与机制研究[J].南方经济,2022(8):73-91.

[11] 朱喜安,马樱格.数字经济对绿色全要素生产率变动的影响研究[J].经济问题,2022(11):1-11.

[12] 张英浩,汪明峰,崔璐明,等.数字经济水平对中国市域绿色全要素生产率的影响[J].经济地理,2022,42(9):33-42.

[13] 王巧然.城市群数字经济发展与绿色全要素生产率:作用机理与普惠性质[J/OL].中国流通经济,2023,37(6):51-64.

[14] 杨友才,王玉聪,魏涛.数字经济是否提高了绿色全要素生产率?[J].学习与探索,2022(12):114-123.

[15] 笪远瑶,罗丹.数字经济、结构红利与绿色全要素生产率[J].西南民族大学学报(人文社会科学版),2023,44(3):107-118.

[16] 白雪洁,宋培,李琳.数字经济发展助推产业结构转型[J].上海经济研究,2022(5):77-91.

[17] 李治国,车帅,王杰.数字经济发展与产业结构转型升级——基于中国275个城市的异质性检验[J].广东财经大学学报,2021,36(5):27-40.

[18] 许恒,张一林,曹雨佳.数字经济、技术溢出与动态竞合政策[J].管理世界,2020,36(11):63-84.

[19] 郭英远,张胜,张丹萍.环境规制、政府研发资助与绿色技术创新:抑制或促进?——一个研究综述[J].华东经济管理,2018,32(7):40-47.

[20] 惠宁,薛瑞宏.加快建设数字基础设施 着力提高全要素生产率[J].西北大学学报(哲学社会科学版),2023,53(1):36-55.

[21] 王彦杰,高启杰.数字经济产业集聚对绿色技术创新的影响——基于环境规制的调节效应分析[J].技术经济,2023,42(2):20-30.

[22] 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.

[23] Cai X, Lu Y, Wu M, et al. Does Environmental Regulation Drive away Inbound Foreign Direct Investment? Evidence from a Quasi-natural Experiment in China[J].Journal of Development Economics,2016(123):73-85.

[24] 宋弘,孙雅洁,陈登科.政府空气污染治理效应评估——来自中国“低碳城市”建设的经验研究[J].管理世界,2019,35(6):95-108.

[25] 颜银根,倪鹏飞,刘学良.高铁开通、地区特定要素与边缘地区的发展[J].中国工业经济,2020(8):118-136.

[26] 刘金科,肖翊阳.中国环境保护税与绿色创新:杠杆效应还是挤出效应?[J].经济研究,2022,57(1):72-88.

基金项目:国家社会科学基金项目“新时代建设现代化经济体系的理论依据及指标体系构建研究”(项目编号:18XKS009)。

作者简介:李杰(1965-),女,汉,西南交通大学经济管理学院教授,研究生导师,四川大学经济学博士,主要研究方向为产业经济学、区域经济学;刘清(1999-),女,通讯作者,西南交通大学经济管理学院硕士研究生,研究方向为区域经济学。

(收稿日期:2023-06-01  责任编辑:苏子宠)

猜你喜欢

全要素生产率数字经济试验区
18个自贸试验区
各试验区先行先试 探索创造模范做法
我国自由贸易试验区发展现状以及未来展望
OECD国家数字经济战略的经验和启示
从数字经济视角解读欧亚经济联盟与丝绸之路经济带对接
湖北省十二市全要素生产率的比较分析
数字经济对CFC规则的冲击探究
中国人口红利的国际比较与测算
应对数字经济下的BEPS现象
河北省经济增长方式的实证分析河北省经济增长方式的实证分析