大数据试验区建设助推经济绿色发展的机制与实现路径

高玉婷，李波

（中南民族大学 经济学院，武汉 430074）

经济发展绿色化是高质量发展的必然要求.在向高质量发展迈进的过程中，高耗能、高排放的粗放式发展模式带来了资源枯竭、环境污染等诸多问题.据此，“十四五”规划纲要明确提出：坚持生态优先、绿色发展，推进资源总量管理、科学配置，协同推进经济高质量发展和生态环境高水平保护.数据作为数字经济的关键生产要素，具有高渗透性、可复制性与可共享性，能有效破除传统产业链之间的割裂关系，提高能源使用效率并缓解能源浪费问题，有力推动地区经济全面绿色转型.为激活数据要素的潜能，中国设立大数据综合试验区，深入推进数字技术与实体经济高效融合.国家级大数据综合试验区建设是否促进了经济绿色发展，若能推动，其作用路径为何，其效应是否存在地区异质性？相应问题的探索与解决将为各地创新发展模式、由点及面地推广大数据试验区政策、带动试点地区乃至全国经济环境协同发展提供理性的决策依据.

衡量经济绿色发展的一个重要指标是绿色全要素生产率.全要素生产率是衡量要素投入转化为产出的效率指标，而纳入环境约束的绿色全要素生产率是实现中国经济绿色发展的动力源泉.与传统全要素生产率不同，绿色全要素生产率不仅考虑了经济发展的效率，还将资源消耗与环境代价放入测算体系考虑经济发展的质量，更加综合全面地评估经济绿色高质量发展［1］.已有研究广泛关注了绿色全要素生产率的影响因素，外商投资［2］、人力资本［3］、技术集聚［4］、金融发展［5］、研发投入［6］等各因素都对绿色全要素生产率有明显的影响.随着互联网信息技术的不断发展，数字经济已被各国视为驱动经济绿色发展的重要引擎.

近年来，国家级综合大数据试验区的建设充分发挥了大数据资源与资金等生产要素相融汇的倍增效应，成为中国数字经济发展的重要抓手，擘画了经济发展的绿色蓝图.现有文献从多个视角关注了建设大数据试验区的政策效益.在经济领域，学者们相继探讨了试验区建设的发展框架与完善措施［7］，以及试验区建设对外商直接投资［8］、城市经济发展［9］等方面的影响；在环境领域，学者认为试验区建设通过优化资源配置、推动产业结构升级等方式改善了城市的空气质量［10］、赋能中国低碳转型［11］.然而，少有研究统筹关注经济发展与环境保护的协同效益.因此，本文选用带有非期望产出的超效率EBM 模型计算各城市绿色全要素生产率，作为经济绿色发展的代理变量，通过将国家级大数据综合实验区建设作为准自然试验进行分析，重点探讨大数据试验区对经济绿色发展的影响效应与作用机制.

1 研究假设

1.1 假设的提出

1.1.1 大数据试验区政策对绿色全要素生产率的直接效应

国家级大数据综合试验区将大数据融入经济社会各个领域，推动数据要素在各行各业的创新应用，通过兴业、优政与惠民三个渠道促进经济绿色发展.（1）从企业角度来看，随着人工智能、大数据、云计算等新一代高新技术迅速发展，大数据试验区的建设拓展了社会生产、流通、销售等各个环节的应用广度与深度，有效降低了企业的搜寻、复制、交流、追踪和验证成本［12］，在降低中间消耗、缩短生产时间、改善人力资本绩效激励和提高企业创新绩效等方面改善了企业的生产效率［13］；（2）从政府层面来看，大数据作为一种新型技术工具引入政府治理，使政府决策更加透明公开、服务更加简便快捷，大幅降低了政府的服务成本［14］，全面提升政务服务的治理能力和效率，提高了环境监管质量，促进地区绿色全要素生产率增长［15］；（3）从社会民生的角度来看，数据的汇集、流通与共享冲破了信息壁垒，大大降低了民众信息获取的成本，减少数据孤岛与信息不对称现象.通过大数据试验区的建设，试点地区将数据融入教育、交通、环保等各个方面，催生“智慧食药监”、“智慧公安”等大数据平台，实现数据代替民众跑路，数据为民服务，大幅节约了民众的生活成本同时做到服务高效，减少了资源浪费与错配，实现经济绿色发展.

据此，本文提出假设1：

H1：国家级大数据综合试验区的建设能够提升绿色全要素生产率，推动经济绿色发展.

1.1.2 大数据试验区政策对绿色全要素生产率的间接效应

大数据试验区内紧抓试点地区制度、技术、政府建设、数字社会服务等各领域创新机遇，全方位地推动地区创新水平提升，进而促进绿色全要素生产率的增长.大数据试验区建设吸引多家大数据相关企业入驻，为试点地区的经济绿色发展提供了强有力的人才与技术支撑.大数据政策吸引高新技术企业入驻的同时，也培育出一批大数据产业人才，为推动试点地区绿色制度创新与绿色技术创新打下坚实的基础.随着数字经济的发展，数智化成为经济社会发展的关键驱动力［16］，大数据与政府服务、社会民生深入结合，推进政府加强政务建设创新提出科学绿色决策，市场加快数字社会服务创新，催生出智慧城市、远程医疗等一系列数据新业态.同时，创新水平的提升有利于优化资源配置、降低能耗［17］，促进经济系统由粗放式向集约式转变，在改善经济发展质量的同时带来地区绿色全要素生产率的提升.

大数据试验区的建立整合了区域内各产业的数据资源，通过产业间数据交互与融合，有效促进了制造业与生产性服务业的协同集聚，在优化产业结构的同时形成集聚规模效应，有力推动了经济绿色发展.一方面，大数据创业创新生态区、大数据创业园等平台营造了开放的创业生态，吸引高端技术人才与新创企业的入驻，推动试点地区产业发展逐步由单一产业向多产业协同集聚转变，主要表征为制造业与生产性服务业的协同集聚；另一方面，制造业与生产性服务业的协同集聚通过优化资源利用、赋能产业升级与加强绿色产品开发生产等方面促进了地区经济绿色发展.首先，二者的协同集聚实现了生产资源的高效利用和优化配置，避免了资源的浪费和重复建设，降低了二氧化硫等工业污染物的排放；其次，专业化生产形成聚集经济效益，带动试点地区产业生产效率提升并创造了大规模的外部经济，推动技术创新，降低污染排放；再者，多元协同集聚加强了绿色产品的开发生产进度，使得更多的产品符合环保要求，满足消费者环保意识，带动了市场需求的转变，推进经济走向绿色化.

据此，本文提出假设2与假设3.

H2：国家级大数据综合试验区的建设通过提升地区创新水平推动经济绿色发展.

H3：国家级大数据综合试验区的建设通过促进产业协同集聚推动经济绿色发展.

2 研究设计

2.1 样本选择与数据来源

鉴于数据可得性，本文选取2012—2019 年中国271个地级及以上城市面板数据，78个城市构成“实验组”，193 个城市构成“对照组”，部分缺失数据采用插值法补齐.数据主要来源于《中国统计年鉴》、《中国城市统计年鉴》、《中国能源统计年鉴》和各省份统计年鉴.

2.2 模型构建

根据中国于2016 年2 月建设“国家大数据综合试验区”这一事件进行准自然实验，运用双重差分法分析数字经济发展对中国经济绿色发展的影响.两次大数据试验区试点的批复时间都在2016年，因此选择2016年作为政策时间节点，构建DID模型：

其中，i表示地级市，t表示年份.被解释变量GTFP表示地级市的绿色全要素生产率，policy 表示建立大数据试验区的政策变量，如果第i个地级市在第t年为国家级大数据试验区，则t年以及之后的年份，policy 取值为1，反之取值为0.Xit表示控制变量，αi为仅随个体变化的因素，本文控制到省域层面，δt为控制仅随时间变化的因素，εit为随机扰动项.回归系数β1代表了国家大数据试验区建设对经济绿色发展的净作用.

为进一步检验地区创新水平、产业协同集聚在国家大数据试验区建设与绿色全要素生产率之间是否发挥中介效应，本文构建如下模型：

其中，mechanismit表示第i个城市在第t年的地区创新水平或产业协同集聚，为本文的中介变量.Xit代表控制变量，θ1为国家级大数据试验区建设对经济绿色发展的总效应，α1γ2代表国家级大数据试验区建设对经济绿色发展的中介效应.

2.3 变量说明

2.3.1 被解释变量：经济绿色发展（GTFPit）

本文经济绿色发展采用绿色全要素生产率表征，以超效率EBM模型测度.相较于SBM模型，EBM模型可以更好地考虑投入指标的径向与非径向问题，使效率与全要素生产率的计算更为科学.模型设定如式（5）：

假定有n个决策单元，每个单元有m种投入、s1种期望产出与s2种非期望产出构成，其中，分别表示投入、期望产出和非期望产出的松弛量，λj为权重向量，ρe为目标函数，越大代表经济绿色发展效率越高.εx、εy、εb分别为投入、期望产出、非期望产出指标的离散系数，当ε越接近于0 时，表示对应指标之间的相关性越高，ε=0时，EBM 模型相当于径向模型；当ε越接近于1 时，表示对应指标之间的相关性越低，ε=1时，EBM模型相当于非径向模型.

用EBM 模型测度绿色发展效率后，采用Malmquist指数计算得出地区绿色全要素生产率，如式（6）所示：

参考前人研究［18］，选取劳动力、资本与能源作为要素投入指标，以地区生产总值为期望产出指标，工业三废为非期望产出指标，如表1所示.

表1 绿色全要素生产率指标选取Tab.1 Index selection of green total factor productivity

2.3.2 核心解释变量：国家级大数据综合试验区建设（policyit）

本文的核心解释变量是双重差分变量，若城市在2016 年之后被列入国家级大数据综合试验区建设名单，则policy 赋值为1；反之，policy 赋值为0.根据国家发展改革委、工业和信息化部等对国家大数据试验区试点两批的批复时间分别为2016 年2 月及2016 年10 月，间隔时间较短，故本文采用传统的双重差分模型评估试点的政策效应.

2.3.3 控制变量

为使本文研究更加精确，本文参考前人研究，控制了以下可能对绿色全要素生产率产生影响的控制变量：（1）经济发展水平（GDP）使用各地级市的人均地区生产总值的对数形式来衡量；（2）人力资本水平（humancapital）是影响城市绿色全要素生产率的重要因素.本文采用各城市普通高等学校在校学生数（人）的对数形式来衡量；（3）外商投资水平（foreign）使用各地区当年实际使用外资与地区生产总值的比值来衡量；（4）财政分权（financial）利用各地公共预算收入与公共预算支出的比值表示；（5）环境规制（environment）采用各地政府工作报告中环保词频比重衡量；（6）基础设施建设（infrastructure）用互联网宽带接入用户的对数形式衡量.

2.3.4 中介变量：地区创新水平（patent）与产业协同集聚（industrial）

由于专利从申请到授权需要经历许多年，难以直观体现地区创新水平.因此，本文采用每万人绿色发明专利申请数衡量地区创新水平，产业协同集聚以制造业与生产性服务业的协同集聚程度衡量，产业协同集聚程度的计算方式如式（7）-式（9）所示：

式中m表示制造业，s表示生产性服务业，i表示地级市，t表示年份.manuit、serviceit分别表示i市第t年制造业与生产性服务业增加值，manut、servicet表示中国第t年制造业与生产性服务业增加值，GDP为地区生产总值.LQmi、LQsi分别表示i市制造业与生产性服务业在全国的区位熵，industriali为二者的协同集聚程度.

变量描述性统计结果如表2所示.

表2 变量描述性统计结果Tab.2 Descriptivestatistics of variables

3 实证分析

3.1 多重共线性检验

本文首先进行多重共线性检验，根据表3 中方差膨胀因子的检验所示，最大VIF 为2.67，均值VIF为1.89，均远远小于要求的临界值10，故不需考虑变量间存在多重共线性.

表3 方差膨胀因子Tab.3 Variance inflation factor

3.2 平行趋势检验

使用双重差分法进行政策效应评估的前提是要满足平行趋势假设，即表明在国家大数据试验区建设之前，实验组和对照组两组地级市在经济绿色转型上具有相同的变化趋势.本文采用简洁直观的图示法比较大数据试验区建设前后地级市经济绿色转型的变化趋势.根据图1所示，大数据试验区建设之前，实验组与对照组之间不存在显著差异，变化趋势一致；而在大数据试验区建设之后，实验组与对照组在经济绿色转型上的差异增大，这说明试验区建设对经济绿色发展产生了显著的影响，通过了平行趋势检验，可以使用双重差分法估计政策对经济绿色发展的影响效应.同时中国于2016年较早建设“国家大数据综合试验区”，随着时间推移，对经济绿色发展的政策效应在最后一期有所减弱，因此应加强政策后续巩固的措施.

图1 平行趋势检验Fig.1 Parallel trend test

3.3 基准回归结果

国家大数据试验区建设对经济绿色发展影响的基准回归结果如表4 所示.其中，回归（1）仅考虑政策对经济绿色发展的影响，未加入控制变量与固定效应；回归（2）进一步控制了其他变量，未添加固定效应；回归（3）继续加入省份与时间固定效应.回归（1）～（3）的结果表明，国家大数据试验区建设对绿色全要素生产率有显著的正向影响，且在5%的统计水平上显著.同时，由回归（3）可知，人力资本水平、财政分权等控制变量对经济绿色发展均存在显著影响.因此选取回归（3）为基准回归结果，假设1得到验证，即国家级大数据综合试验区的建设能够提升绿色全要素生产率，推动经济绿色发展.

表4 基准回归结果Tab.4 Benchmark regression results

3.4 稳健性检验

3.4.1 PSM-DID修正样本选择性偏误

现实中，政府对国家大数据试验区建设试点的选择并不完全是随机的，为了避免试点选择时倾向优先选取经济发展较好或信息化水平高等具有某一特征的地级市开展试点，造成样本选择性偏误问题，选用PSM-DID 模型对实验组与控制组城市进行匹配，重新检验国家级大数据综合试验区建设对经济绿色转型的影响.倾向得分匹配（PSM）阶段的协变量为基准回归模型中的控制变量，匹配方法采用1∶2 最近邻匹配，匹配后样本满足平衡性与共同支撑性检验（如图2 中（a）与（b））.匹配后的结果如表5回归（4）所示，同上文中的基准回归（3）结果一致，再一次验证了本文结果的稳健性.最后，又采用半径匹配与核匹配方法再次回归，得出的结果与基准回归（3）一致，进一步验证了回归结果的稳健性.

图2 平衡性检验与共同支撑检验Fig.2 Balance test and co-support test

表5 PSM-DID检验结果Tab.5 The results of PSM-DID

3.4.2 安慰剂检验

为进一步论证是国家大数据试验区建设对经济绿色转型产生了政策效果，而非其他随机性因素引起，本文进行安慰剂检验，即在所有样本中随机生成实验组，剩余的所有地级市设置为对照组，重新进行基准回归，并且将上述模拟重复500次.由此获得模拟的policy 系数的密度分布图，根据图3 可知，安慰剂检验中policy系数分布整体是以0为中心的正态分布，且大部分与基准回归系数存在较大的差距，故通过了安慰剂检验，不存在遗漏变量偏误.

3.4.3 反事实检验

基准回归结果表明，国家级大数据综合试验区的建设促进了中国的经济绿色发展.为了检验这种促进效应是由大数据试验区建设带来的，而不是因为其他影响产生的促进效应，本文使用政策时间提前的反事实检验，将设立大数据试验区的批复时间滞后一期为2015 年，检验结果如表6 回归（5）所示，重新回归后，政策滞后一期的结果不显著，说明正是2016 年实施的国家级大数据试验区建设对经济绿色发展产生的促进效应，反事实检验通过，这进一步验证了本文基准回归结果的稳健性.

表6 反事实检验与剔除其他试点结果Tab. 6 Counterfactual test and exclusion of other pilot results

3.4.4 剔除其他政策试点

2013-2015 年中国公布了“智慧城市”试点名单，“智慧城市”提升了城市的创新水平与绿色理念，有利于经济绿色发展.随后2014-2016年国家工信部公布了“宽带中国”示范城市名单，“宽带中国”示范城市建设能够改善企业的生产方式，对经济绿色低碳发展产生一定作用.因此，本文先后剔除“智慧城市”与“宽带中国”示范城市，对样本重新回归，以检验在剔除其他政策干扰后，国家级大数据试验区建设是否对经济绿色发展有显著的促进作用.

表6中，回归（6）是剔除了“智慧城市”示范城市的样本重新回归，回归（7）是剔除“宽带中国”示范城市后重新回归的结果，检验表明，排除了“智慧城市”、“宽带中国”的政策影响后，大数据试验区建设对经济绿色发展的影响显著为正，本文结果依旧稳健.

3.5 机制检验

为进一步分析大数据试验区建设对经济绿色发展的作用机制，本文利用中介效应检验法，验证地区创新水平与产业协同集聚在二者间的中介效应.具体结果如表7所示.由回归（8）可知，大数据试验区建设对地区创新水平的估计系数显著为正，即大数据试验区建设能够显著提高地区创新水平；回归（9）中大数据建设与地区创新水平的估计系数均显著为正，表明地区创新水平在二者间发挥中介效应，本文假设2得到验证，即国家级大数据综合试验区的建设通过提升地区创新水平推动经济绿色发展.

表7 机制检验Tab.7 Mechanism effect test

由回归（10）可知，建设大数据试验区对产业协同集聚的估计系数显著为正，回归（11）中政策变量与产业协同集聚的估计系数均显著为正，表明大数据试验区建设对推进制造业与生产性服务业协同集聚产生明显偏好，进而影响地区绿色全要素生产率.随着试点地区不断加强大数据与实体产业相融合，不同产业间通过共享资源、公用设施等推动能源循环利用、减少环境污染；产业间相互补充、协同作业、协同创新形成了规模效应，进一步推进产业链的延伸与价值链升级.本文的假设3得到验证，即大数据综合试验区的建设通过促进产业协同集聚推动经济绿色发展.

3.6 异质性分析

鉴于目前中国存在地区发展不平衡现象，国家大数据综合试验区建设对不同地区经济绿色发展的促进作用可能相异，因此，本文分别从地理区位、人力资本水平、城镇化水平三个方面进行异质性检验.具体结果如表8、表9所示.

表8 地理区位异质性分析Tab.8 Analysis of geographical location heterogeneity

表9 异质性结果分析Tab.9 Analysis of heterogeneity results

回归（12）-（15）为地理区位异质性检验结果.国家公布了两批大数据综合试验区，共有八大大数据综合试验区，旨在分别引领东部、中部、西部与东北四大板块的大数据产业发展，实现数据共享、产业结构优化、经济绿色转型.据此，本文根据国家地理位置，将样本分为东、中、西与东北四组.可以看出，大数据试验区建设对经济绿色发展的影响存在地理区位异质性.对于东部地区与西部地区而言，大数据建设对经济绿色发展的效应不显著，而对中部地区、东北地区而言，建设大数据试验区对绿色全要素生产率提升有显著的正向作用.可能的原因在于：中部地区与东北地区城市较多为资源依赖型，产业结构单一，运作方式落后.大数据试验区的建设促进了中部地区与东北地区的数据要素流通，打破其人力、资本与绿色技术的流动壁垒，加快其传统产业结构转型升级，从而有效突破了资源依赖约束，改善了资源型经济的弱点，显著促进了地区经济绿色发展；而在东部绿色发展水平较高的城市与西部欠发达城市中，建设大数据试验区的影响作用不显著，西部地区面临通信网络等基础设施落后、技术创新能力较弱、大数据相关人才短缺、产业体系尚未健全等劣势无法全面有效地支持大数据试验区产业的深入发展，故而建设大数据试验区对于其经济绿色发展的促进效应还不明显.以上说明在中部与东北地区建设大数据试验区对经济绿色发展的促进效应更大.

回归（16）-（17）为人力资本水平异质性检验结果.本文基于政策施行前一年的人力资本水平进行分组，若各地区的人力资本水平大于当年的中位数，则将地级市划分至高人力资本水平地区；反之，划归至低人力资本水平地区.估计结果表明：在低人力资本水平地区，建设大数据试验区对经济绿色发展产生的影响更显著，这可能是因为高人力资本地区经济绿色发展的水平已经较高，建设大数据试验区对其提升效果不明显；而低人力资本地区释放数据动能的潜力更大，大数据试验区的建设显著改善了人力资本的积累，促进了当地大数据相关产业发展、吸引高质量人才流入、提升地区创新发展水平，推动了经济绿色发展.

回归（18）-（19）为城镇化水平异质性检验结果.本文基于政策施行前一年的城镇化水平的中位数进行分组，划分高城镇化水平与低城镇化水平.估计结果表明在低城镇化水平地区，建设大数据试验区对经济绿色发展产生的影响更显著.低城镇化水平地区的经济环境基础较差、产业低效，建设大数据试验区能够显著地促进当地数据要素流通、减少要素扭曲、带动高新技术产业的发展、发挥产业集聚效应，从而实现经济与环境协同发展.

4 结论与政策建议

本文基于2016 年中国国家综合大数据试验区建设，选取2012-2019年271个地级及以上城市为研究样本，利用双重差分模型检验了国家级大数据试验区建设对经济绿色发展的影响.研究发现：（1）国家大数据试验区的建立显著促进了经济绿色发展，在经过一系列稳健性检验之后，结果依旧显著；（2）地区创新水平与产业协同集聚在数字经济对绿色全要素生产率的提升中发挥着中介效应；（3）国家大数据试验区对绿色全要素生产率的提升存在异质性效果，从地理区位来看，大数据试验区建设对中部地区、东北地区的绿色全要素生产率均有显著的正向促进作用，对东部地区与西部地区的影响不显著；从人力资本水平与城镇化水平来看，低人力资本水平、低城镇化地区建设大数据试验区对经济绿色发展产生的影响更显著.

基于上述结论，本文提出以下政策建议：（1）以大数据试验区建设的成功案例为典型样板，推行高效、创新的数字经济发展模式，总结更多可复制可持续的经济绿色发展经验，从而形成由点及面的示范效应，带动周边邻近地区乃至全国的大数据建设发展与应用，加快提升各地区的发展效率并推动经济绿色发展；（2）着力提升地区创新水平，满足大数据应用的需求并为可持续建设大数据治理体系提供动力源泉.具体而言，政府可以加大科研投入，出台相关指导政策、发展方案和专项政策等，集聚高质量人力资本，形成创新效应；（3）根据各地的资源禀赋与比较优势，加快大数据与优势产业融合，推进产业协同集聚，为经济绿色发展提供重要助益.同时，实施动态差异化发展战略，推动当地产业与数字经济融合发展，加快产业的数字化转型，减少能源消耗与浪费，提高区域发展优势与效率；（4）充分考虑地区异质性，依据各区域的资源禀赋，加强西部地区数字基础设施建设，推进低人力资本水平与低城镇化水平地区的大数据建设.西部地区、低人力资本水平与低城镇化水平地区的数字建设落后，经济绿色发展的提升空间高，加强这些地区的移动互联网、宽带网等通讯基础设施的建设，遥感卫星、气象监测、物流服务等领域的完善，带动区域数字化转型升级，推进大数据的建设与应用，能够较快较好地推动经济实现绿色高质量发展.