数字经济的碳减排效应研究

Carbon Emission Reduction Effect of the Digital Economy

摘要: 为探究数字经济在实现碳减排目标中发挥的重要作用，本文选取2000~2022年全球157个地区的面板数据，构建空间杜宾模型实证检验数字经济对碳排放的空间溢出效应。研究表明：数字经济发展可以有效抑制碳排放，并且这一过程存在显著的空间溢出效应，在减少本土区域碳排放的同时，会使邻近区域碳排放增长。据此，本文建议各国开展国际技术合作项目，联合开发适应不同国家和地区需求的低碳技术和数字解决方案，共同实现全球碳减排目标。

Abstract: In order to explore the important role of digital economy in achieving carbon emission reduction targets, this paper selects the panel data of 157 regions around the world from 2000 to 2022, and constructs a spatial Dubin model to empirically test the spatial spillover effect of digital economy on carbon emissions. The research shows that the development of digital economy can effectively curb carbon emissions, and there is a significant spatial spillover effect in this process, which will reduce carbon emissions in local areas and increase carbon emissions in neighboring areas at the same time. Accordingly, this paper suggests that countries should carry out international technical cooperation projects, jointly develop low-carbon technologies and digital solutions that meet the needs of different countries and regions, and jointly achieve global carbon emission reduction targets.

1. 引言

全球正在密切关注气候变暖问题。温室气体浓度的急剧上升，特别是二氧化碳的排放，已经屡创新高，导致高温热浪频繁出现，极端天气现象不断增多，这使得人类未来的生存面临极大挑战。根据联合国政府间气候变化专门委员会(IPCC)于2022年4月发布的报告《气候变化2022：减缓气候变化》指出：“地球大气中的温室气体已达到人类历史上的最高水平，要实现将全球变暖控制在1.5℃的目标，全球碳排放需要在2023年之前减少四成。”这表明全球减排的压力正在不断增加，各国需要立即采取行动，加快减排步伐以改变当前局势。

在探讨低碳与绿色发展这一与人类生存紧密相连的恒久议题时，我们面临着全球范围内对于减少温室气体排放和推动可持续发展的普遍要求。为此，寻找多种有效的碳减排策略显得尤为关键。当前，信息技术的飞速发展正引领着我们进入一个全新的时代，其中数字经济作为经济增长的新引擎，为我国乃至全球的绿色低碳发展提供了新视角和新方向。在数字化与绿色化并行发展的背景下，各国的碳排放现状如何，以及数字经济的兴起是否对碳排放的减少产生了显著影响，成为值得深入探讨的问题。此外，数字经济的发展是否会对邻近地区的碳排放产生影响，也是需要我们关注的问题。解答这些问题不仅对于理解数字经济与绿色发展之间的关系至关重要，而且对于制定有效的环境政策和促进可持续发展具有重要的现实意义。

本研究的主要贡献可归纳如下：首先，现有研究主要聚焦于数字经济在特定国家(如中国)对碳排放的缓解作用，而鲜有从全球视角探讨数字经济对碳排放的作用。本研究弥补了这一空白，为理解数字经济在全球范围内的环境效应提供了新见解。其次，从方法论的角度来看，本研究采用了空间杜宾模型，以在全球化的背景下模拟数字经济与碳排放之间可能存在的非线性关系。该模型基于不同空间权重矩阵的凸组合，能够准确捕捉空间单元之间的关联从而提高了研究结果的准确性和可靠性。

本研究的结果蕴含了多个重要的理论和实践意义。首先，它为数字经济在生态效益方面的实证研究提供了丰富的案例，尤其是在碳排放的领域内，为现有研究做出了有益的补充。其次，本研究深入探讨了数字经济在碳减排方面的空间效应，这有助于根据各地的具体情况制定和实施差异化的降碳政策和策略。具体而言，通过考虑当地的产业发展特色和数字经济的发展水平，可以更好地把握数字经济带来的发展机遇，从而有针对性地制定和执行具有地域特色的政策和措施，以有效推进降碳工作。最终，这些努力将共同助力实现碳达峰和碳中和的宏伟目标。

本文的结构安排如下：第二部分为文献综述，系统梳理了有关数字经济与碳排放的相关研究文献。第三部分为实证分析部分，首先构建数字经济指标体系，并运用熵值法对数字经济发展水平进行量化。接着，基于2000~2022年157个国家的数据，构建空间计量模型，以深入探讨数字经济对碳排放的影响。最后为结论与政策建议部分，本章首先对主要研究结论和观点进行总结，并在此基础上提出相应的政策建议，最后指出本文研究的不足之处并展望未来的研究方向。

2. 文献综述

在近几年中，数字经济，包括电子商务、云计算、大数据分析等领域，迅速崛起，并已成为推动经济增长和创新的核心力量。然而，这一发展趋势也引发了人们关于其对环境影响，特别是碳排放影响的担忧。有学者指出，数字经济作为一种经济形态，已成为社会发展的“新方向、新模式、新动力”，在提高人们生活水平的同时，也在环境改善方面发挥了一定作用[1]。王旭霞(2022)等人认为，数字经济的普及对于生态环境治理和改善起到了关键作用[2]。在互联网和大数据技术快速发展的背景下，数字经济为绿色发展和环境改善注入了新的动力，对城市和乡镇环境治理也产生了重要影响。

关于数字经济的环境效应，主要有两种观点。有部分学者认为其能提升制造和运输能源管理部门的效率，实现远程工作以减少通勤频率，推动可持续创新和再生能源的使用，从而抑制碳排放[3]。而孙耀武和胡智慧(2021)在探讨数字经济与环境关系时，提出了双重观点：数字经济既有助于减少环境污染物的排放，也可能因其对数据中心和电信网络等能源密集型基础设施的依赖，导致能源消耗和碳排放的增加[4]。邓荣荣和张翱祥(2022)的研究表明，数字经济对污染物的抑制作用显著[5]。何维达等人(2022)分析发现，数字经济在提升生态效率方面具有积极作用，有助于经济发展与环境保护的协调[6]。邬彩霞和高媛(2020)的研究指出，数字经济对中国的就业形态产生了积极影响，特别是在技术创新和人力资源较为丰富的地区[7]。谢云飞(2022)则发现，数字经济促进了科技创新和能源配置优化，特别是在中西部地区，减少了碳排放[8]。然而，徐维祥(2022)等人的研究从空间分布角度分析认为，数字经济对碳排放的抑制作用在西部地区不明显，而在东部和中部地区表现出显著的抑制效应[9]。

关于数字经济的碳减排效应，主要体现在三个方面：首先，数字经济提升了宏观治理的效率。在数字技术的支持下，政府能够更准确地掌握能源市场的动态和价格趋势，利用定价机制和交叉补贴来调节能源供应。Muhammad Shahbaz认为，数字经济通过增强政府的治理能力，推动了可再生能源的转换[10]。基于此，政府还可以通过数字化手段对碳排放权交易市场进行有效管理，从而优化能源使用总量，并有效控制碳排放。其次，数字经济促进了产业结构的升级与优化。数字技术的普及推动了产业间的融合与交叉，改善了资源配置效率，从而促使能源要素的合理配置，降低了碳排放[11]。从微观企业的技术优化路径来看，数字技术不仅能减少企业的浪费成本和提高生产效率，还能提升产品质量，开拓新市场，优化经营管理与创新能力，从而更有效地管理资源配置，减少能源浪费，抑制碳排放。最后，在数字普惠金融的发展背景下，数字金融有助于融资可再生能源项目，支持节能基础设施的建设，并促进碳交易和抵消。同时，数字金融还提高了碳减排工作的透明度，增强了绿色生产率，对于碳减排的可持续发展和创新具有重要意义[12] [13]。

梳理相关研究发现，关于数字经济与碳排放之间的关系，现有文献相对较少，且对其是否能有效减少碳排放的观点尚无一致结论。一些学者认为，数字经济的发展对碳减排具有显著作用，应引起地方政府的重视。根据区域异质性的研究，数字经济对碳排放的影响存在差异，东部地区效果不显著，而中部地区则表现出明显的碳生产效率提升[14]。与此同时，也有学者指出，数字经济推动信息技术的更新迭代，可能会导致电力消费增加，从而引发碳排放的上升[15]。这表明，数字经济与碳排放之间的关系复杂多变，受地域和具体因素的影响。因此，尽管数字经济可能通过提高效率和推动创新来减少碳排放，但也可能因能源消耗的增加而导致碳排放上升。鉴于此，深入评估数字经济对环境的影响并制定促进可持续发展的政策显得尤为重要。

3. 样本选择与研究设计

3.1. 模型构建

3.1.1. 空间杜宾模型

众所周知，数字经济的最大优势在于能够克服地理空间的限制，促进信息传播以及区域间要素资源流动、知识溢出和信息交换。因此，本文认为地区碳排放不仅与该地区数字经济的发展密切相关，还可能受到邻近地区数字经济的影响，即数字经济对碳排放的影响具有空间溢出效应。此外，碳排放本身也可能具有显著的空间相关性(刘华军等，2021 [16]；付云鹏等，2015 [17])。基于这一认识，我们选用了空间杜宾模型。空间面板杜宾模型在基本计量经济学模型的基础上，加入了对经济活动空间相互作用和空间结构问题的考量，考虑了空间滞后的解释变量和被解释变量对被解释变量的共同影响，从而能够较好地反映不同来源的空间相关性。本文构建的空间面板杜宾模型如下：

$\begin{array}{l}\ln {\text{CO}}_{2i,t}={\alpha }_0+\rho W\ln {\text{CO}}_{2i,t}+{\alpha }_1{\text{digitaleconomy}}_{i,t}+{\alpha }_2{\text{controls}}_{i,t}\\ +{\alpha }_3{\text{Wdigitaleconomy}}_{i,t}+{\alpha }_4{\text{Wcontrols}}_{i,t}+{\lambda }_i+{\mu }_t+{\epsilon }_{i,t}\end{array}$ (1)

3.1.2. 空间权重矩阵

空间权重矩阵能够反映空间决策单元之间的依赖关系，在回归方程中将其作为权重赋值于相关性大小之上，因此，合理构建空间权重矩阵对实证检验结果的有效性至关重要。基于理论和现实的考虑，本文构建了结合地理距离和经济距离的经济地理权重矩阵，其中经济距离相关变量采用了各国人均GDP这一指标。

3.2. 变量选取及数据说明

本文选取了全球157个国家和地区2000~2022年的面板数据作为样本。数据来源于多个数据库，包括世界银行、国际能源署(IEA)、瑞士统计局(SWISS)、国际电信联盟(ITU)等。对于缺失的个别数据点，采用了插值法进行补充。为了解决异方差性并确保数据平滑，对碳排放进行了对数转换。见表1：表1列出了具体变量的描述性统计数据。

Table 1. Descriptive statistics

表1. 主要变量的描述性分析

变量	说明	观测值	均值	标准差	最小值	最大值
lnCO2	ln (碳排放)	3887	9.383	2.415	3.157	16.241
digitaleconomy	数字经济指数	3887	0.114	0.09	0	0.392
pgdp	经济发展水平	3887	12368.745	18485.951	−66.292	149809.8
Urbanization	城镇化	3887	55.875	22.93	8.246	100
Population	人口密度	3887	184.62	582.058	1.584	7965.878
industry	产业结构	3887	2.557	1.897	−0.945	55.088
FDI	对外开放度	3887	5.523	18.263	−394.472	449.083

3.2.1. 被解释变量

碳排放量(CO₂)：现有文献主要通过碳排放总量、人均碳排放量以及碳排放强度三种方法来衡量碳排放水平。参考田建国等(2018) [18]的做法，本文采用碳排放总量(CO₂)作为被解释变量。

3.2.2. 核心解释变量

数字经济(digital economy)：先前的研究依赖单一指标来近似估算数字经济的竞争力，未能全面捕捉其竞争力。因此，我们采用一个综合性指标来评估数字经济在全国层面的表现。借鉴赵涛[19]的思路，基于数据可得性的考量，选取数字基础设施、数字经济竞争力和数字经济创新环境(Shahbaz, 2022 [10])这三个维度来构建数字经济指标体系。在这些维度中，数字基础设施主要包含对数字化至关重要的基础元素，如电信。数字经济竞争力可以理解为涵盖信息通信技术(ICT)产品出口和进口的贸易方面。数字经济创新环境指的是有利于数字发展的环境。最后形成的数字经济综合评价指标体系如表2所示，并通过熵权法计算得到数字经济发展指数，见表2。

Table 2. Digital economy index system

表2. 数字经济发展水平

一级指标	二级指标	单位	数据来源	权重
数字基础设施	固定电话普及率	每100人	ITU	0.07
	固定宽带普及率	每100人	ITU	0.11
	移动电话普及率	每100人	ITU	0.05
	互联网普及率	%	ITU	0.07
数字经济竞争力	ICT产品进口	%	WDI	0.05
	ICT产品出口	%	WDI	0.13
	ICT服务出口	%	WDI	0.06
	中高技术制造业增加值	%	WDI	0.08
	第三产业增加值	美元/人	WDI	0.09
数字经济创新环境	高等教育入学率	%	WDI	0.07
	科技期刊文章	篇	WDI	0.22

3.2.3. 控制变量

参考相关学者的方法，本文选取了以下几个变量作为控制变量：1) 经济发展水平(pgdp)：经济发展是实现环境治理和科技创新等促进区域低碳发展的基础(侯玉琦，2020 [20])。学者们已经对经济发展与环境的关系进行了大量研究，其中最为经典的环境库兹涅茨曲线定律(Panayotou, 1993 [21])认为经济发展与环境之间呈倒“U”型关系。传统的STIRPAT模型(Dietz et al., 1997 [22])将富裕程度视为影响环境压力的重要因素。本文采用人均GDP指标来衡量地区的经济发展水平；2) 城镇化水平(urbanization)：参考钱海章[23]等的研究，用城镇人口与地区人口的比值作为城镇化水平的代理变量；3) 人口密度(population)：采用单位面积人口数表示，人口密度对碳排放的影响呈现“N”型趋势；4) 产业结构(industry)：第二产业主要包括了高耗能、高碳排的各类工业，第二产业的占比越大，碳排放越多。因此，采用第二产业增加值占GDP的比重来度量产业结构；5) 对外开放度(FDI)：对外开放有助于引入节能减排的高新技术，促进本土企业的模仿创新或自主创新绿色生产活动(许和连、邓玉萍，2012 [24])，从而有助于区域碳减排。本文采用外商直接投资(FDI)占GDP的比重来衡量对外开放度。

4. 实证研究与分析

4.1. 空间自相关分析

在利用空间计量模型分析空间溢出效应之前，首先应进行空间自相关检验，以考察各国之间是否存在空间依赖性。如果存在一定的空间关联性，则可以运用空间计量方法进行下一步研究。空间自相关是分析某一变量在空间上是否具备相关性的工具，其具体关联程度通常通过计算莫兰指数(Moran’s I)来衡量，包括全局莫兰指数和局部莫兰指数。目前，莫兰指数是检验空间自相关最广泛应用的统计量。莫兰指数的取值范围为[−1, 1]。正值表示正相关，即变量在空间上呈现相同水平的值相邻(如高高相邻或低低相邻)；负值表示负相关，即变量在空间上呈现高低值相邻。莫兰指数越接近1 (或−1)，表示正(负)空间自相关越强。莫兰指数I = 0表示不存在空间自相关，表明变量在空间上随机分布。基于此，本文采用莫兰指数(Moran’s I)探讨全球157个国家碳排放量是否存在空间关联性。

4.1.1. 全局空间自相关检验

研究空间计量模型的基础是检验数据是否具有空间自相关性。本文使用Stata 17软件，并采用碳排放矩阵，对2000年至2022年间157个国家的碳排放量进行了全局 Moran’s I指数计算，以验证其整体空间序列是否具有一定的空间聚集情况。结果见表3：

Table 3. Moran’s index

表3. Moran指数

年份	I	z	p-value^*
2000	0.030	3.169	0.001
2001	0.030	3.157	0.001
2002	0.031	3.209	0.001
2003	0.031	3.247	0.001
2004	0.031	3.188	0.001
2005	0.030	3.152	0.001
2006	0.031	3.203	0.001
2007	0.030	3.139	0.001
2008	0.030	3.107	0.001
2009	0.030	3.098	0.001
2010	0.030	3.101	0.001
2011	0.029	3.054	0.001
2012	0.030	3.087	0.001
2013	0.029	3.037	0.001
2014	0.029	3.074	0.001
2015	0.029	3.031	0.001
2016	0.030	3.110	0.001
2017	0.031	3.257	0.001
2018	0.031	3.227	0.001
2019	0.031	3.229	0.001
2020	0.031	3.225	0.001
2021	0.030	3.135	0.001
2022	0.027	2.834	0.002

4.1.2. 局部空间自相关检验

全局空间相关分析描述了全球整体的空间聚集情况，但并未对某一国家或区域的具体空间聚集情况进行分析。为了验证检验的完整性，本文将进行局部空间自相关检验。如图1和图2所示，我们绘制了

Figure 1. Moran scatterplot-2000

图1. Moran散点图-2000年

Figure 2. Moran scatterplot-2022

图2. Moran散点图-2022年

2000年和2022年全球157个地区的莫兰指数散点图。Moran散点图的四个象限具有以下解释：第一象限(高–高聚集)：代表高值与高值聚集，即该象限内区域的碳排放量较高。第三象限(低–低聚集)：代表低值与低值聚集，即该象限内区域的碳排放量较低。第二象限(低–高聚集)：代表低值与高值聚集，即象限内区域的碳排放量较低，但其周边区域的碳排放量较高。第四象限(高–低聚集)：代表高值与低值聚集，即象限内区域的碳排放量较高，但其周边区域的碳排放量较低。

在Moran散点图中，如果存在空间正相关，就会分布在第一象限和第三象限，而如果存在负向空间关系，那么就会分布在第二象限和第四象限。根据图1、图2中Moran散点图分布可知，全球大部分地区碳排放存在着空间正相关。

4.2. 空间自相关分析

据前文所述，全球2000~2022年157个地区碳排放量具有显著的空间相关性，如果使用传统的OLS估计进行建模，可能会存在偏差和误差。因此，通过建立空间计量模型，可以更准确地衡量各个地区碳排放量的具体作用方向和程度。具体的构建过程如下：

首先，对残差进行拉格朗日乘子检验，包括LM-Error和稳健的LM-Error检验，以及LM-Lag和稳健的LM-Lag检验。通过这些检验来确定空间效应的类型，从而判断是构建空间误差模型(SEM)、空间滞后模型(SAR)还是空间杜宾模型(SDM)。其次，进行豪斯曼检验，以判断所选择的空间计量模型应采用固定效应还是随机效应。固定效应模型能够控制个体间未观测到的异质性，而随机效应模型则假设这些异质性是随机分布的。最后，进行似然比检验，以判断空间杜宾模型(SDM)是否会退化为空间滞后模型(SAR)或空间误差模型(SEM)。如果似然比检验表明SDM不会退化，那么SDM将是最合适的模型。

根据上文空间计量模型选择与构建流程，本文利用Stata17进行上述检验实现，得到计量分析表见表4：

Table 4. Model selection test

表4. 模型选择检验

检验	统计量	p值
LM-error	336.722	0.000
Robust LM-error	337.937	0.000
LM-lag	0.163	0.686
Robust LM-lag	1.378	0.240
Hausman检验	40.03	0.0001
LR-SEM	58.53	0.0000
LR-SAR	126.20	0.0000

由表4检验结果可知，在第一步的检验中，所有统计量均通过了显著性水平的检验，表明本文构建的模型既具备空间误差模型(SEM)又具备空间滞后模型(SAR)的双重空间关联性。由于空间杜宾模型(SDM)能够同时包含这两种空间效应，因此，初步判断可以采用空间杜宾模型来分析本文的问题。在第二步的豪斯曼检验中，检验统计量结果为40.03，在1%显著性水平下显著，拒绝了原假设。这表明，本研究的问题更适合使用固定效应模型。最后一步，验证空间杜宾模型(SDM)是否可以退化为空间滞后模型(SAR)或空间误差模型(SEM)。LR检验结果的统计量分别为126.20和58.53，均通过了显著性检验。在1%的显著性水平下强烈拒绝原假设，表明空间杜宾模型(SDM)不可退化为空间滞后模型(SAR)或空间误差模型(SEM)。

综合上述分析，本文选择使用空间杜宾模型(SDM)并结合固定效应模型，以更为准确地研究2000~2022年间全球157个地区碳排放量的空间相关性及其影响因素。

4.3. 回归结果分析

表5中分别展示了空间误差模型(SEM)、空间滞后模型(SAR)和空间杜宾模型(SDM)的回归结果。对于每个模型，数字经济的回归系数均显著且为负值，这进一步表明数字经济水平与碳排放呈负相关关系，即数字经济水平的提高能够抑制碳排放。通过对比估计标准误和系数估计结果，显然模型(3) (SDM)表现更优。

Table 5. Baseline regression results

表5. 模型回归结果

	(1)	(2)	(3)
	SEM	SAR	SDM
Main
digitaleconomy	−0.3990^**	−0.3676^**	−0.6663^***
	(0.026)	(0.039)	(0.000)
lnpgdp	0.3131^***	0.3026^***	0.2748^***
	(0.000)	(0.000)	(0.000)
Urbanization	0.0169^***	0.0164^***	0.0124^***
	(0.000)	(0.000)	(0.000)
Population	0.0034^***	0.0033^***	0.0030^***
	(0.000)	(0.000)	(0.000)
industry	−0.0460^***	−0.0454^***	−0.0436^***
	(0.000)	(0.000)	(0.000)
FDI	0.0047^***	0.0047^***	0.0041^***
	(0.000)	(0.000)	(0.000)
Spatial
lambda	0.1595^***
	(0.000)
rho		0.3000^***	0.3000^***
		(0.000)	(0.001)
Variance
sigma2_e	0.0562^***	0.0565^***	0.0542^***
	(0.000)	(0.000)	(0.000)
Wx
digitaleconomy			6.9673^***
			(0.000)
lnpgdp			0.2182
			(0.147)
Urbanization			0.0729^***
			(0.000)
Population			−0.0002
			(0.859)
industry			−0.0283
			(0.698)
FDI			0.0302^***
			(0.000)
Log-likelihood	78.3421	44.5058	107.6078
N	3887	3887	3887
R^2	0.122	0.129	0.162

t statistics in parentheses; ^*p < 0.1, ^**p < 0.05, ^***p < 0.01.

因此，本文以控制固定效应的空间杜宾模型(SDM)的实证结果为准，结果显示数字经济具有碳减排效应。具体而言，数字经济每增长1个百分点，可有效减少碳排放0.666个百分点。从上述三种模型的结果可以看出，大部分控制变量在模型(1) (SEM)到模型(3) (SDM)中的系数符号一致，这在一定程度上说明了空间杜宾模型的估计是稳健的。

4.4. 空间杜宾模型效应分解

为了更深入地探讨数字经济对碳排放的影响，本文对上文中的空间杜宾模型进行了空间溢出效应分析。由于空间杜宾模型中包含被解释变量的空间滞后项，因此数字经济的空间滞后项不能直接反映“本地–邻地”之间的空间溢出效应。仅依赖空间回归参数无法准确衡量数字经济对研究变量的影响。为此，本文将表5中模型(3)的总效应分解为直接效应和间接效应，以更清晰地说明数字经济对碳排放的直接影响及其空间溢出效应。效应分解结果见表6。

表6第(1)~(2)列分别反映了各解释变量对碳排放影响的空间效应， 包括直接效应与间接效应。直接效应是指解释变量的变动对本地被解释变量产生的影响，间接效应又称空间溢出效应，是指解释变量的变动不对本地被解释变量产生影响，通过空间的相互作用影响其他区域的因变量。依据表6的结果所示：

从直接效应的分析可以看出，数字经济的系数显著为负，表明数字经济的发展能够显著抑制当地的碳排放。这意味着，随着数字经济水平的提升，当地的碳排放量将显著减少，体现了数字经济在推动区域低碳发展的过程中所发挥的积极作用。另一方面，从间接效应的分析可以看出，数字经济的系数为正，说明数字经济的发展可能对周边地区产生一些负面的虹吸效应。具体而言，数字经济与经济增长较快的地区可能会吸引并掠夺周边地区的资源，导致这些地区的资源变得匮乏。此外，这些发展迅速的地区由于经济活动集中，能源消耗量高，从而引发周边地区碳排放水平的增加。这种虹吸效应表明，尽管数字经济在本地具有减排效应，但其对邻近地区的资源和环境可能会产生一定的负面影响。

通过对直接效应和间接效应的分解分析，本文不仅揭示了数字经济在促进本地低碳发展中的积极作用，同时也指出了其可能带来的区域性资源再分配和环境压力问题。这一分析为制定更加全面和协调的数字经济与环境政策提供了重要参考。

Table 6. Spatial model effect decomposition results

表6. 空间模型效应分解

	(1) 直接效应	(2) 间接效应
digitaleconomy	−0.6265^***	9.6274^***
	(0.001)	(0.000)
lnpgdp	0.2755^***	0.4210^**
	(0.000)	(0.037)
Urbanization	0.0130^***	0.1112^***
	(0.000)	(0.000)
Population	0.0030^***	0.0010
	(0.000)	(0.625)
industry	−0.0437^***	−0.0617
	(0.000)	(0.534)
FDI	0.0044^***	0.0454^***
	(0.000)	(0.000)

t statistics in parentheses; ^*p < 0.1, ^**p < 0.05, ^***p < 0.01.

4.5. 稳健性检验

前文的实证结果表明，数字经济显著降低了地区碳排放量。虽然采用了双重固定效应的空间杜宾模型，这在一定程度上消除了模型的内生性问题，但考虑到不同权重矩阵可能对回归结果产生不同影响，本文将碳排放矩阵替换为距离空间矩阵，以进行稳健性检验。稳健性检验的结果如表7所示。

可以观察到使用距离空间矩阵替代碳排放矩阵后，数字经济的系数仍然显著为负，回归结果依旧表明数字经济对碳排放具有显著的抑制作用。这说明，不论是采用碳排放矩阵还是距离空间矩阵，数字经济的负面系数均显示其在降低碳排放方面的有效性。此外，其余控制变量如经济发展水平、城镇化水平、人口密度、产业结构和对外开放度等，在替换权重矩阵后仍保持了与之前一致的显著性和符号，进一步支持了本文的研究结论。

通过替换权重矩阵并进行回归分析，本文不仅验证了空间杜宾模型的稳健性，还证明了数字经济对碳排放的负面影响是可靠且显著的。这种方法增强了研究的说服力，为数字经济与碳排放之间关系的深入研究提供了更加坚实的理论基础。

Table 7. Robustness tests

表7. 稳健性检验

	(1)
	替换W
Main
digitaleconomy	−0.2916^*
	(−1.6461)
lnpgdp	0.3271^***
	(19.7387)
Urbanization	0.0157^***
	(8.7298)
Population	0.0035^***
	(16.5850)
industry	−0.0447^***
	(−6.0562)
FDI	0.0047^***
	(5.7450)
Spatial
lambda
rho	0.0661^***
	(3.1899)
Variance
sigma2_e	0.0548^***
	(44.0365)
Wx
digitaleconomy	0.1305
	(0.4405)
lnpgdp	0.1354^***
	(5.5399)
Urbanization	−0.0165^***
	(−5.0835)
Population	−0.0025^***
	(−5.6987)
industry	0.0286^**
	(2.0567)
FDI	−0.0060^***
	(−4.0999)
N	3887
R^2	0.116

t statistics in parentheses; ^*p < 0.1, ^**p < 0.05, ^***p < 0.01.

5. 结论与政策建议

5.1. 结论

在全球气候变暖和经济转型的紧迫形势下，数字经济作为经济增长的新引擎，为绿色低碳发展提供了新的机遇。基于此，本文旨在探讨数字经济是否具备碳减排效应。研究内容主要分为两个部分：第一部分是数字经济规模的测度，第二部分是数字经济对碳排放影响的研究。理论层面上，本文系统梳理了数字经济的内涵、范围以及测度方法，并对数字经济影响碳排放的机制进行了理论分析。在实证部分，本文测算了2000年至2022年间全球157个地区的数字经济规模和碳排放量，并构建了空间面板模型以检验数字经济对碳排放的影响机制，最终得出了如下结论：

1) 实证结果表明，数字经济的发展对碳排放具有显著的抑制作用。具体而言，数字经济每增长1个百分点，碳排放量可减少0.666个百分点。一方面，数字经济通过信息技术产业的绿色低碳特性，使数字技术得以渗透至国民经济的各个行业，从而提高能源生产和使用效率，优化能源消费结构，有助于降低碳排放。另一方面，数字技术的飞跃催生了新兴产业和新商业模式，推动第三产业的快速发展，优化了产业结构，促进经济增长由要素驱动向创新驱动转型，从而有效遏制碳排放。

2) 通过对数字经济碳减排效应的深入分解，本文发现数字经济对碳排放的影响不仅局限于本地区，还存在显著的空间溢出效应。这意味着，数字经济在降低本地区碳排放的同时，可能在邻近地区引发碳排放的增加。具体表现为：当一个地区的数字经济得到显著发展时，通过信息流动、技术扩散和市场联动等机制，这种发展带来的绿色低碳效应可能被周边地区部分吸收，但由于邻近地区可能尚未具备同样的技术水平、政策支持或市场成熟度，这些地区的产业可能被迫加速发展，反而导致能源消耗和碳排放的增加。此外，数字经济的发展可能导致区域间的资源和要素重新配置，形成对邻近地区经济活动的吸引，进而加重这些地区的碳排放负担。这种负面的虹吸效应表明，数字经济的发展对碳排放的影响具有复杂性和多层次性，需要在政策制定和区域协调中加以重视。

5.2. 建议

在已有研究的基础上，本文对数字经济水平对碳排放的影响进行了实证分析，并基于研究结果提出以下对策建议：

1) 加大数字基础设施建设投资，夯实数字经济发展基础。政府应加大对数字基础设施的投入，特别是在5G网络、人工智能及大数据中心等关键领域。通过大规模的基础设施建设，可以为数字经济的发展提供坚实的技术支撑，有效提高经济运行效率并促进低碳转型。建议政府实施税收优惠政策和提供低息贷款，鼓励企业积极参与数字基础设施的建设。同时，可以通过公私合营(PPP)模式吸引社会资本，确保资金充足并提高项目建设效率。此外，制定统一的技术标准以确保基础设施建设的高效推进和互联互通。

2) 推动传统产业的数字化与智能化转型，提升产业低碳竞争力。应优先推动高碳排放行业(如制造业、能源业、交通运输业)的数字化转型。通过应用工业互联网、智能制造系统和能源管理系统等数字化技术，传统产业可以显著提高生产效率，降低资源消耗，从而减少碳排放。建议政府设立专项基金，支持传统产业的技术改造项目，并为采用低碳数字技术的企业提供财政补贴。此外，政府应定期举办行业技术交流会议及示范项目推广活动，帮助企业加快数字化转型的步伐。

3) 加强区域协同发展，优化数字经济的空间布局。针对数字经济发展的空间溢出效应，建议在制定区域发展规划时，充分考虑相邻区域的协同发展。通过设立区域协作平台，促进数字技术、知识和资源在区域间的共享与流动，使数字经济发达地区的技术和经验能够有效辐射至邻近区域。为避免资源和人才过度集中于核心发展区域，政府应根据各地区的特点和需求，合理配置数字经济资源。对于发展滞后的地区，建议通过财政转移支付、技术援助和人才培训等方式，促进区域间的均衡发展，减少区域差距。

4) 加强国际合作，推动全球数字经济协同发展。鉴于数字经济的全球性特点，建议通过多边合作机制(如联合国主导的“全球数字经济碳减排联盟”)，推动各国在数字技术研发、标准制定和市场准入等方面的合作，共同应对全球气候变化带来的挑战。各国应积极分享数字技术在碳减排领域的最佳实践，推动全球范围内的技术转移与扩散。建议各国开展国际技术合作项目，联合开发适应不同国家和地区需求的低碳技术和数字解决方案，共同实现全球碳减排目标。

这些建议基于实证研究的结果，旨在为政府和企业提供具体的政策指引，以促进数字经济的可持续发展，推动全球范围内的碳减排进程。

NOTES

^*通讯作者。