创新驱动可持续发展：数字技术对污染与碳减排协同治理的影响分析

《Journal of Innovation & Knowledge》：Innovation-driven sustainable development: Analysing the impact of digital technology on synergistic governance of pollution and carbon reduction

　　

空气污染与碳排放具有同源性。如何实现二者之间的协同减排对于推进可持续发展至关重要。尽管数字技术（DT）常被视为可持续发展的重要工具，但其能否同时实现环境与气候的双重效益仍不确定。本研究基于2006至2023年中国269个城市的平衡面板数据集，采用双重机器学习（DML）方法实证检验了数字技术对污染与碳减排协同治理（SGPCR）的影响。研究结果表明，DT对SGPCR具有显著的正向影响。这种正向效应呈非线性特征，表现为先缓慢后加速的趋势。从DT应用场景来看，大数据分析、智能制造、物联网、人工智能和区块链技术均有助于增强经济与社会领域的协同效益。机制分析结果显示，数字技术对协同减排的正向影响通过促进绿色技术创新、提升能源效率以及推动数字产业集聚等渠道实现。基于不同标准的异质性检验结果表明，DT的积极作用在非资源型城市、生态保护与生态文明建设强度较高的区域以及数字基础设施较为完善的城市中更为显著。

**创新驱动可持续发展：数字技术对污染与碳减排协同治理的影响研究**

**一、研究背景与问题提出**

环境污染与气候变化是人类社会可持续发展面临的重大挑战。极端天气事件、生物多样性丧失和生态系统崩溃位列未来十年全球前三大风险。中国自1978年以来经济总量迅速跃居世界第二位，但粗放的经济发展模式透支了城市可持续发展的潜力。如何平衡生态保护与经济增长成为亟待解决的时代命题。数字技术（DT）作为整合数据、算力与网络等创新要素的技术体系，被广泛视为应对气候变化和减少污染排放的重要工具。然而，数字技术能否真正实现环境与气候的双重效益仍存在不确定性——若数字化未能与环保可持续的技术路径相契合，技术与实体经济的深度融合可能引发“马尔萨斯陷阱”式困境，即经济增长与能源消耗同步扩张，从而阻碍双碳目标的实现。基于技术发展的“双重性”特征，审视数字技术对污染与碳减排协同治理（SGPCR）的影响具有重要的理论与现实意义。

现有研究在协同效益测算方面存在不足：早期基于工程减排和结构减排的方法无法捕捉污染物减排与温室气体减排之间的协同效应；耦合协调度指数虽能反映二者关系，但无法体现子系统随时间演化的动态过程且缺乏跨区域可比性；基于末端排放的计算方法将二者增长视为协同，忽视了协同减排的基本内涵。此外，现有文献多聚焦单一非期望产出，鲜有同时考虑碳与污染协同减排的情形。在影响机制方面，从数字经济、数实融合和数字技术创新视角分析协同效益外部影响因素的研究仍相对有限。本研究旨在通过创新的测算方法和先进的计量手段填补上述研究空白。

**二、研究内容与主要结论**

研究人员基于2006至2023年中国269个城市的平衡面板数据，运用双重机器学习（DML）方法实证检验了数字技术对SGPCR的影响及其路径机制。研究得出以下主要结论：第一，DT对协同减排具有显著正向影响，能够同时降低城市碳排放和PM2.5浓度，该结论在替换机器学习算法、排除政策干扰、更换核心变量测度方式及因果推断检验后依然稳健。第二，DT对协同效益的正向影响呈非线性特征，存在单一门槛效应，表现为先缓慢后加速的递增趋势。第三，从具体技术应用看，智能制造、大数据分析、人工智能、区块链技术和智能物联网均有助于提升协同效益。第四，机制分析表明，DT通过促进绿色技术创新（GTI）、提升能源效率（EE）和推动数字产业集聚（DIA）三条渠道实现协同减排。第五，异质性分析显示，DT的积极作用在生态civilization试验区城市、非资源型城市以及数字经济创新发展试验区城市中更为显著。

**三、关键技术与方法**

本研究采用了多项关键方法：其一，创新性地从边际减排成本视角构建协同效益测算框架，基于生产函数与共同技术前沿计算联合减排相对于单独减排的成本节约，以碳减排效应与污染减排效应的交互项度量协同效益。其二，采用双重机器学习方法识别DT对协同效益的因果效应，利用随机森林、梯度提升和神经网络算法估计高维控制变量与处理变量的条件期望函数，通过正交化与交叉验证消除正则化偏差和维数灾难问题。其三，运用面板门槛回归模型揭示DT与协同效益之间的非线性关系。其四，采用工具变量法（以闪电频率作为DT的工具变量）处理潜在内生性。样本数据来源于国家统计局、EPS数据库、CSMAR数据库、青藏高原科学数据中心及全球大气研究排放数据库等。

**四、主要研究发现**

**（一）基准回归与稳健性检验**

DML估计结果显示，DT对碳排放和PM2.5浓度的回归系数分别为?0.0009和?0.0112，均显著为负，表明DT能显著降低城市碳排放与空气污染。以协同效益为被解释变量时，DT的回归系数为0.0036且在1%水平上显著，验证了研究假设H1。经替换机器学习算法（梯度提升、神经网络及组合算法）、控制六大环境与数字政策试点干扰、更换协同效益测算方法（SBM-GML指数）以及替换DT测度指标（数实融合指数）后，结论依然稳健。在因果推断中，以闪电频率构建工具变量进行2SLS估计，DT系数为0.0191（p<0.01），且在局部零值（LZT）方法下结果保持稳健。

**（二）具体技术应用的扩展分析**

智能制造（IM）以工业机器人安装密度衡量，回归系数为0.1034（p<0.01），说明智能任务执行技术通过替代人工、优化生产流程提升资源利用效率。大数据分析（BDA）以国家级大数据综合试验区政策为代理变量，系数为0.2387（p<0.01），表明数据要素的深度挖掘为绿色生产提供精准决策支持。人工智能（AI）以新一代AI创新应用政策为代理变量，系数为1.5124（p<0.01），其深度学习能力和群体智能加速了绿色技术创新的研发与扩散。区块链技术的系数为1.8735（p<0.01），其去中心化、不可篡改和智能合约特性降低了排放交易的制度成本。智能物联网（IoIT）以智能城市基础设施与智能网联汽车协同发展试点为代理变量，系数为1.0724（p<0.01），通过跨域协同优化实现能源、交通、工业等系统的整体减排。

**（三）机制分析**

机制检验结果表明，DT对GTI的回归系数为0.4737（p<0.01），对EE的系数为?0.0018（p<0.01，以单位GDP能耗衡量），对DIA的系数为0.0047（p<0.01），验证了假设H2至H4。DT通过数字化和智能化管理手段有效抑制经济过程中的能源浪费，促进绿色知识溢出、降低绿色技术交易成本与融资约束，并通过数字产业集聚打破信息壁垒、修正市场失灵、推动宏观产业结构向高端化绿色化转型，从而助力协同减排。

**（四）异质性与非线性分析**

异质性分析显示，DT在生态civilization试验区城市的边际效应（0.5870）强于非试验区（0.5554），交互项系数为0.0098（p<0.01）；在非资源型城市的效应（0.5656）显著强于资源型城市（0.2187），交互项系数为?0.0111（p<0.01）；在数字经济试验区城市的效应（0.7208）强于非试验区（0.4799），交互项系数为0.0063（p<0.01）。门槛回归结果表明存在单一门槛值38.6523，当DT低于门槛值时系数为0.0032，高于门槛值时系数为0.0084，呈现“先慢后快”的非线性递增特征。

**五、讨论与结论**

研究表明，DT重塑了环境治理责任的分配格局。在技术赋能与公共治理的双重驱动机制下，行政机构从权威领导转向协调引导，企业从被动合规转向主动参与，公众从旁观者转向积极监督者，形成了“政府—平台—企业”的协同治理模式。DT通过绿色技术创新构建了多主体监督网络，环境责任承担者从主要面向政府转向面向全社会；同时，智能能源平台使政府角色从微观数据核验转向环境政策制定，形成了新型责任共享联盟。

政策建议方面：第一，推进人工智能与新一代网络通信技术的融合创新；第二，发挥经济集聚的要素共享与规模效应，强化数字基础设施的技术溢出；第三，加强数字产业集群的顶层设计，培育具有辐射力的数字产业集聚区；第四，根据城市类型实施差异化的数字技术发展路径；第五，防范数字鸿沟加剧区域不平等，在“东数西算”战略中统筹绿色能源消纳与就业创造。

本研究在方法上仍存在局限：DEA模型和非径向距离函数可能高估减排成本；DT应用在环境治理中呈现“双刃剑”效应，需关注AI模型训练和数字基础设施运行的能耗问题；如何在数字经济时代依托DT优化环境治理政策仍需进一步探索。未来研究可融合运筹学、线性规划和统计学知识优化距离函数方法，并运用运筹学、仿真和博弈论分析DT影响下的环境责任分配问题。