数字经济、绿色技术创新与城市碳排放：来自中国城市的证据 吴冉（Ran Wu）、 苏世茂（Shimao Su）、 侯继云（Jiyun Hou） 王晓蕾（Xiaolei Wang）

《Systems》：Digital Economy, Green Technology Innovation and Urban Carbon Emissions: Evidence from Chinese Cities Ran Wu, Shimao Su, Jiyun Hou and Xiaolei Wang

　　摘要：基于2011-2022年覆盖278个中国城市的面板数据，本文运用面板固定效应模型、中介效应模型和阈值回归模型，从定量和效率角度实证分析了数字经济（DE）对城市碳排放绩效的影响。主要研究结果如下：（1）数字经济发展与城市人均碳排放（PCE）之间存在倒U型关系，而数字经济与碳排放效率（CEE）之间的关系则呈U型趋势。（2）当绿色技术创新达到一定水平时，数字经济对碳排放的减排效果更为显著；相反，在绿色技术创新初期，其主要影响体现在提升碳排放效率上。只有当绿色技术创新超过某个临界阈值时，数字经济才开始显著减少碳排放。（3）异质性分析表明，在优化和升级型城市群中，数字经济对碳排放的减排作用在后期更为明显；而在增长和扩张型城市群中，数字经济对碳排放效率的提升作用更为显著。因此，政策重点应包括促进创新驱动的数字化发展、扩大绿色技术的普及以及优化区域低碳增长机制。

1. 引言
减缓气候变化并致力于低碳发展对于促进可持续和高质量的经济增长至关重要[1]。作为全球最大的碳排放国，中国严重依赖化石燃料，导致温室气体排放量大幅增加[2,3]。这种升温现象对人类生活和社会经济发展产生了诸多负面影响。中国对高碳化石燃料的依赖程度较高，能源效率相对较低[4]。持续的工业化和城市化进程进一步加剧了中国在减排和能源需求方面的压力[5,6]。为缓解环境问题，中国计划于2030年前达到碳排放峰值，并在2060年前实现碳中和。城市是碳排放的主要来源，因此迫切需要制定有效的策略来减少城市碳排放[7,8]。
现代信息技术（包括区块链、大数据和人工智能）的不断发展及其在社会各领域的应用，使数字经济成为推动全球经济增长的重要催化剂[9,10]。同时，新兴的数字发展模式为减少城市排放提供了新的途径[11,12]。图1展示了2021年中国各城市的数字经济发展指数与碳排放水平，东部地区的碳排放量较高，而西部地区较低[13,14]。这种东西部差异与经济活动和产业结构的不均衡分布密切相关，东部城市通常集中了能源密集型制造业和密集的生产网络，同时拥有更先进的数字基础设施和市场连接性。相比之下，西部城市的产业集聚程度较低，数字基础较弱，尽管数字经济发展速度较慢，但碳排放量也相对较低。

关于影响碳排放因素的研究显著增加，研究考虑了开放程度、贸易结构、产业结构、能源消耗、城市化率、金融发展水平以及区域整合等因素[15,16,17]。大量研究探讨了绿色技术创新对环境问题的影响[18,19]。绿色技术创新有潜力大幅减少碳排放，尤其是在中国的东部和中部地区。这种效应的机制包括制度质量、产业结构的现代化以及能源使用方式的优化[20,21]。然而，绿色技术创新对碳排放的影响存在差异性和不确定性[22,23]。并非总是产生积极效果。
近期研究探讨了数字经济对城市创新和可持续增长的影响。数字化转型有效促进了高质量的城市发展，为包容性增长、创新能力提升、产业升级和工人权益改善创造了积极条件[24,25,26]。在数字化程度较低的城市中，数字经济对经济增长的贡献尤为显著[27]。产业的数字化和数字工业化显著提高了中国城市的增长效率，并对周边城市产生了积极的空间溢出效应[28,29,30]。作为城市增长效率的重要维度，创新效率直接影响可持续城市发展。数字经济不仅促进了技术创新，还提升了创新效率[31]。
研究表明，数字经济有能力降低区域碳强度并改善城市环境状况[32]。这包括提高能源效率和优化工业流程[33,34]。数字化转型促进了技术进步，建立全面的数字产业链可以通过降低运输成本来减少碳排放[35]。许多学者研究了数字经济发展对碳排放的非线性影响，发现其影响因发展阶段而异[36,37]。此外，这种影响存在显著的地区性和资源禀赋差异[38,39]。
现有研究强调了数字经济的环境效益，探讨了城市碳排放的决定因素，并考察了数字经济发展与碳排放结果之间的关系。现有文献中的主要解释通常侧重于产业升级和能源效率的提升。然而，现有研究仍存在一些不足之处。首先，尽管产业重组和能源效率经常被提及为关键渠道，但直接针对清洁生产和能源替代的绿色技术创新并未充分融入数字经济与碳排放之间的联系，其作用尚未得到充分说明。其次，尽管先前的研究表明绿色技术创新或更广泛的技术进步可以缓解环境压力并支持低碳转型，但尚缺乏关于绿色技术创新如何与数字化转型背景下的碳排放相关联的明确证据。第三，对碳排放绩效的实证评估往往基于单一结果指标，许多研究仅关注总碳排放量或排放效率，这可能无法全面反映环境绩效，导致对数字化与碳排放关系的误解。
作为碳排放的主要来源，城市也是数字化战略与环保技术创新交汇的关键领域。本研究以城市为分析单位，构建了一个综合框架，同时考察碳排放量和碳排放效率。该框架将这两个维度结合起来，提供了对城市碳排放绩效的更全面评估。除了测试直接效应和中介效应外，还明确模拟了非线性和阈值动态，指出数字化转型的环境后果取决于绿色技术创新的发展水平。通过在一个框架内共同分析机制传递和阈值效应，本研究超越了线性解释，提供了关于数字化如何重塑城市碳排放结果的更结构化的解释，从而深化了对数字驱动低碳转型条件性和阶段依赖性的理论理解。研究的主要贡献包括：
- 构建了一个综合分析框架，将数字化转型、绿色技术创新和碳排放绩效从减排和效率提升两个角度联系起来，扩展了对数字经济与碳排放关系的理论理解；
- 实证研究表明绿色技术创新是数字经济影响碳排放结果的关键机制，阐明了数字化转型如何同时提升能源效率和降低碳强度；
- 发现数字经济对碳排放绩效的影响存在非线性和阈值效应，表明只有在技术和创新发展到一定程度后，数字化的环境效益才会显现；
- 以中国19个国家级城市群为异质性单位，根据发展阶段和战略导向进行分组，研究揭示了不同城市群在数字经济对碳排放绩效影响上的显著差异，并为区域协调的数字化和低碳发展提供了政策建议。

2. 理论假设与机制分析
2.1 数字经济对城市碳排放绩效的影响
数字经济通过区块链和大数据等新技术将数据和信息整合到实体经济中，显著促进了城市碳排放的减少。数字化转型可能对城市碳排放绩效产生双重影响，既有积极效果也有消极后果。
与数字经济相关的产业发展有助于改变传统的发展模式，优化市场结构，拓宽资源分配方式[40]。这一转型推动了从劳动密集型、重工业为主的产业结构向高技术含量和环境可持续性为导向的产业结构转变[41]。在产业数字化阶段，数字技术融入能源密集型行业，显著提高了能源效率，降低了行业碳排放[42]。在数字化转型的高级阶段，稳定的生产产出和数字技术在行业中的广泛应用促进了规模经济，降低了污染控制成本和碳排放效率[43]。此外，数字技术的实时数据收集、监控和能源消费模式评估优化了能源分配策略，减少了碳排放[44]。
然而，数字经济不仅具有减排效果，也存在特定的绿色盲点和潜在的负面外部性，可能产生负面环境影响。由于能源消耗量大，数字经济属于能源密集型产业。数字化发展的初期阶段会导致电力需求增加，从而对环境产生不利影响[45]。例如，众多数据中心、云计算设施和数字基础设施的建立和管理会大幅增加电力需求，从而增加能源消耗和碳排放。企业在数字化转型过程中可能会重新配置生产设备，导致资源投入和能源消耗增加，进而加剧生态污染和降低排放效率[46]。这些初期阶段的能源消耗和设备升级虽然对数字经济增长至关重要，但可能对环境产生短期负面影响。
此外，这种非线性关系的强度和转折点可能因城市规模和资源禀赋的不同而有所差异，这些因素决定了能源需求、产业结构以及采用和利用数字技术的能力。这激发了后续研究中进一步的异质性分析。

假设1（H1）：数字经济发展与城市碳排放绩效之间的关系具有非线性特征。

2.2 数字经济对碳排放影响的机制
数字经济通过先进的数据处理和分析工具以及绿色金融的推动，促进了绿色技术的进步和实施，促进了信息共享与合作，以及智能应用的发展，所有这些都对城市环境质量产生了积极影响。
数字经济提供了先进的数据处理能力和分析工具，有助于做出准确决策和优化资源管理。大数据分析和人工智能能够识别环境技术中的关键问题和潜在机会，从而促进创新和新技术的智能应用[47]。数字技术还实现了资源利用的即时监控和管理[48]。企业可以通过分析环境数据、市场需求和技术进步来增强对绿色技术的投资决策[48]。
数字化转型支持绿色技术研发、开发和推广的融资。金融科技工具提高了绿色项目融资和投资的效率，增强了绿色金融产品的创新和广泛应用[49]。大数据分析增强了绿色金融投资的科学性和精确性，使投资者能够做出明智的选择[49]。数字经济提供了多元化的融资渠道，为绿色技术创新提供了更多资金支持[50]。
在线平台和网络促进了信息共享和合作，加速了绿色技术的商业化进程。此类互动也可以从创新生态系统的角度来理解，在这种系统中，技术发展嵌入在企业、机构和创业主体之间的网络关系中，而不是由孤立的实体驱动[51]。数字经济（DE）促进了企业、研究机构和大学之间的协同创新和知识交流，从而加速了绿色技术的应用[52]。电子商务和在线市场促进了绿色技术的商业化，使公司能够迅速将绿色技术产品推向市场，并提高其接受度和应用率。社交媒体也通过数字平台增强了社会对绿色技术的需求。这些渠道是相互关联的，而不是孤立的。数据分析和平台网络可以减少信息不对称性，提高匹配效率，从而加强绿色金融对绿色研发的支持，而随着每个渠道的相对重要性在不同城市和数字化阶段的变化，可能会出现替代现象。然而，数字经济与绿色技术创新之间的相互作用是复杂的，不能简单地用线性相关性来描述。在数字化的初期阶段，包括技术转型期、基础设施不足、投资回报不确定以及市场需求受限等因素可能会阻碍绿色技术创新。随着数字经济的扩展和成本的降低，公司和研究机构越来越能够利用数字技术进行绿色技术的研究和进步，从而提高创新效率[53]。

假设2（H2）：绿色技术创新是数字经济影响城市碳排放表现的关键机制。

假设3（H3）：数字经济与绿色技术创新之间的关系是非线性的。

2.3 绿色技术创新的阈值特征

绿色技术创新受到数字经济的显著影响。它在减少碳排放方面也具有特定的阈值特征。绿色技术创新的动态进展作为中介机制，将数字化与城市碳排放结果联系起来，这种关系并非固定不变。技术发展、创新过程和制度环境之间的递归和相互强化动态挑战了创新轨迹的纯线性解释[54]。在绿色技术创新水平较低的情况下，技术不成熟、成本高以及市场接受度有限是主要挑战。创新活动通常侧重于提高单位能源消耗的产出，这往往伴随着产品质量不佳和价值下降等问题。在这个阶段，由于生产增加导致的碳排放增加可能会超过通过效率改进实现的能源节约，从而加剧环境污染[55,56]。当达到一定的技术成熟度、更广泛的应用和成本降低时，绿色技术创新对减少碳排放的影响变得显著。目前，大规模部署绿色技术可以提高生产力，促进企业间的合作，并推动能源系统的整合。因此，绿色技术创新的有益影响占主导地位，产生积极的外部性，同时有助于减少排放和提高效率[57]。随着绿色技术创新的进步和现有减排措施的充分利用，这种创新的边际回报可能会减少，使得进一步减少碳排放变得越来越困难[58]。

假设4（H4）：数字经济对城市碳排放的影响受到绿色技术创新程度的阈值效应的制约。

基于上述讨论，图2展示了理论框架。

3. 方法论和数据

3.1 方法和模型设置

3.1.1 熵权方法

熵权方法的核心原则是根据指标的变异性来确定客观权重。在这种方法中，使用正面和负面指标来评估信息熵，从而确定权重。最终计算出一个综合指数得分。本研究应用熵加权方法构建了数字经济的综合指数。详细步骤见附录A。

3.1.2 基线回归模型

STIRPAT模型是评估环境影响和分析人口、经济和技术对环境变化影响的基础框架。其表达式如下：
\[I = a\cdot P\cdot A\cdot T\cdot E\] (1)
其中，I、P、A和T分别代表环境影响指标、人口维度、经济维度和技术维度。a是模型系数；b、c和d是每个指标的权重系数；e表示误差项。对方程两边取对数后得到：
\[lnI = lna + b\cdot lnP + c\cdot lnA + d\cdot lnT + lnE\] (2)
基于理论分析和STIRPAT框架，我们采用双向固定效应模型作为基线回归模型。与环境变化、人口动态、经济增长和技术进步相关的变量都进行了对数转换。基线模型表述如下：
\[Y_i^t = \beta_0 + \beta_1\cdot D_i^t\cdot G_i^t + \beta_2\cdot S_i^t + \nu\sum_{k=1}^3\beta_k\cdot C_{ik}^t\cdot O_{ik}^t + \varepsilon_i\] (3)
其中，\(Y_i^t\)表示第t年的城市i的排放量和效率。\(D_i^t\)表示数字化水平。为了检验数字经济的非线性影响，引入了\(D_i^t\)的平方项，记为\(S_{di^t}\)。\(Control_i^t\)表示控制变量。\(\mu_i\)、\(\sigma_t\)和\(\varepsilon_i\)分别代表个体固定效应、时间固定效应和随机误差项。

3.1.3 中介机制检验

根据理论框架，进行中介分析以评估数字经济如何影响城市碳排放。首先采用“两步法”[59]，因为传统的逐步法容易过度使用和内生偏差，影响中介效应的检验。重点在于建立主要解释变量与结果变量之间以及主要解释变量与中介变量之间的因果关系的可信度，以准确描绘影响机制。因此，使用方程(4)进行中介效应检验：
\[I_n^t = \theta_0 + \theta_1\cdot D_i^t\cdot G_i^t + \theta_2\cdot S_i^t + \nu\sum_{k=1}^3\theta_k\cdot C_{ik}^t\cdot O_{ik}^t + \varepsilon_i\] (4)
\[Y_i^t = \beta'_0 + \beta'_1\cdot D_i^t\cdot G_i^t + \beta'_2\cdot S_i^t + \beta'_3\cdot I_n^t\cdot O_{i^t} + \nu\sum_{k=1}^3\beta_k\cdot C_{ik}^t\cdot O_{ik}^t + \varepsilon_i\] (5)
此外，在本文中，采用“因果步骤法”构建中介效应模型进行分析，如方程(5)所示[60]。中介变量\(Innov_i^t\)量化了绿色技术创新的程度。其他变量的定义和测量遵循方程(3)的规范。

3.1.4 阈值效应模型

本研究采用面板阈值回归模型来检验数字经济（\(D_i^t\)对城市碳排放表现（\(Y_i^t\)）的影响，这种影响取决于绿色技术创新（\(Innov_i^t\)的水平。因此，建立了以下模型：
\[Y_i^t = \gamma_0 + \gamma_1\cdot D_i^t\cdot I_n^t\cdot (I_n^t\leq \gamma_1) + \gamma_2\cdot D_i^t\cdot I_n^t\cdot (I_n^t\leq \gamma_2) + \gamma_3\cdot D_i^t\cdot I_n^t\cdot (I_n^t>\gamma_2) + \gamma_4\cdot D_i^t\cdot I_n^t\cdot (I_n^t>\gamma_2) + \nu\sum_{k=1}^3\gamma_k\cdot C_{ik}^t\] (6)
\[Y_i^t = \lambda_0 + \lambda_1\cdot D_i^t\cdot I_n^t\cdot (I_n^t\leq \gamma_1) + \lambda_2\cdot D_i^t\cdot I_n^t\cdot (I_n^t\leq \gamma_1) + \lambda_3\cdot D_i^t\cdot I_n^t\cdot (\gamma_1< I_n^t\leq \gamma_2) + \lambda_4\cdot D_i^t\cdot I_n^t\cdot (I_n^t>\gamma_2) + \nu\sum_{k=1}^3\lambda_k\cdot C_{ik}^t\] (7)
方程(6)和(7)分别代表单阈值模型和双阈值模型，其中阈值变量是绿色技术创新。

3.2 变量和数据

3.2.1 因变量

本研究通过分析人均碳排放（PCE）和碳排放效率（CEE）来评估城市碳排放表现。在计算过程中对这两个变量进行了对数转换。

PCE（\(Lnpce\)是通过将城市的总碳排放除以其人口来计算的。总碳排放包括现场燃料燃烧（例如天然气和液化石油气）以及与电力和热能使用相关的排放[61]。城市层面的排放是通过将能源消耗转换为碳排放，并应用特定类型的碳排放系数来计算的，然后汇总结果。

CEE（\(Lncee\)定义为城市实际GDP与其总碳排放的比率。该指数表示城市经济活动每单位碳排放产生的经济价值[13]。较高的值表明城市在保持较低碳排放的同时产生了更多的经济产出，反映了更高的可持续发展水平。

3.2.2 解释变量

数字经济发展指数（Dige）被选为核心解释变量。该指标体系从三个互补维度反映了城市层面的数字经济，即连接基础、数字产业供应和数字化金融服务的广度[62]。具体来说，宽带和移动订阅捕捉了数字连接的可用性和容量，这是数字经济活动的基本条件。电信服务量和ICT相关就业反映了数字产业的规模和活力，体现了数字服务的生产和提供能力。中国数字包容金融指数衡量了数字金融服务的普及程度，从而代表了经济交易中数字化的应用广度。表1展示了构建指标的规则，所有指标均为正值。

3.2.3 中介变量和阈值变量

根据相关研究，绿色专利申请的数量被用来表示绿色技术创新的程度（以千计）[63]。这个变量（Innov）在后续分析中既作为中介变量也作为阈值变量使用。绿色专利通常涵盖环境技术方面的创新，包括可再生能源部署和能源效率创新。较高的数量表明更活跃的创新和更高的环境技术水平。

3.2.4 控制变量

通过引入控制变量来解决由于遗漏变量偏差和外部干扰导致的估计偏差，相关文献支持这一点。使用单位面积人口密度的对数来表示人口密度（\(Lnpd\)。人均GDP的对数表示经济发展程度（\(Lnpgdp\)）。科学技术支出与一般政府财政支出比率的对数作为技术支持水平的指标（\(Lntech\)。城市层面综合利用一般工业废物的比率反映了环境监管的强度（Envir）。城市居民人口与总居民人口的比率是城市化程度的指标（Urban）。

人均能源消耗（\(Lnpec\)和能源效率（\(Lnef\)的对数也用于稳健性测试。人均能源消耗是通过将城市的总能源使用除以其人口来计算的，而能源效率定义为GDP与总能源消耗的比率。

3.2.5 数据来源和描述性统计

研究考察了2011年至2022年间278个县级及以上城市的数据，共获得3336个样本，以确保数据的可用性和连续性，同时处理行政调整和缺失数据。绿色专利数据来自中国研究数据服务平台提供的CPRD（绿色专利数据库）。中国数字包容金融指数来自北京大学数字包容金融指数。其他经济和社会指标主要来源于中国能源统计年鉴、中国城市统计年鉴和相关省级年鉴。所有变量的描述性统计见表2。缺失值通过线性插值处理，这种方法适用于年度面板数据中的短期缺口，有助于保持城市内部时间序列的连续性，而不会引入过度平滑。

4. 估计结果

4.1 基线回归结果

基线回归估计结果见表3。最初，模型仅包含Dige，同时考虑了其他影响因素和固定效应，如列（1）和（3）所示。没有发现Dige对Lnpce或Lncee有统计学上的显著影响。为了检验非线性，在模型中加入了Dige的平方项。列（2）中，Dige的系数为正，而Sdige的系数为负，两个系数均在1%的水平上达到显著性。这一发现表明数字经济（DE）与人均碳排放（PCE）之间存在显著的倒U形关系。列（4）中，Dige的线性项为负，但平方项为正，两项均通过了1%的显著性检验。这些结果揭示了数字经济（DE）与碳排放效率（CEE）之间明显的U形关联。这些发现支持了假设1。

表3显示了基线回归的结果。控制变量的检验表明，人均GDP（\(Lnpgdp\)的增加与PCE（Lnpce）的增加以及CEE（Lncee）的改善有关。快速的经济增长通常会引发更高的能源需求，从而加剧由住房和交通需求增加所驱动的碳排放。经济增长促进了技术进步，优化了产业结构并推动了能源转型，从而提高了CEE。相反，较高的人口密度（\(Lnpd\)通常会导致Lnpce和Lncee的下降。较高的人口密度集中了城市资源，可能会降低PCE；然而，它也会加剧基础设施压力并提高能源需求，这可能导致城市扩张并降低CEE。此外，加强环境法规（Envir）和增加技术投资（Lntech）可以促进节能和环保技术的进步与部署。另外，城市系数（Urban coefficient）的显著性较低可能反映了城市化对人均排放的抵消效应，以及在控制了城市和年份固定效应后，城市内部变化的有限性。4.2. 稳健性测试 4.2.1. 替换因变量在基线回归中，PCE（Lnpce）和CEE（Lncee）作为回归估计的因变量。此外，还计算了人均能源消耗（Lnpec）和能源效率（Lnef）作为替代因变量。前者指的是总能源消耗除以人口数，后者则是相对于每个城市实际GDP的总能源消耗。对这两个变量进行了对数转换。表4的第1列和第2列报告了回归估计结果，这与基线发现一致。这表明即使更换因变量，非线性关系仍然存在。表4. 稳健性测试的结果。4.2.2. 排除某些样本由于中央管理的城市与其他地级城市在行政地位和经济发展方面的显著差异，我们将这些城市从样本中移除，并重复上述分析。第3列和第4列报告的结果与基线回归一致。结果表明，即使排除了这些城市，研究结果仍然具有稳健性。4.2.3. 处理异常值采用双侧5%的Winsor化方法来减弱异常值和极端观测值对估计结果的影响。第5列和第6列显示，Dige的系数在1%的水平上仍然显著，Sdige的系数在5%的水平上仍然显著，它们的符号与基线规格的结果一致。4.2.4. 工具变量（IV）方法为了减轻内生性问题，我们在两阶段最小二乘（2SLS）框架中采用了一期滞后的DE指数（L.Dige）及其平方项（L.Sdige）作为工具变量。第一阶段的诊断确认这两个工具变量与内生回归量有很强的相关性，并满足相关性条件。第7列和第8列报告的2SLS估计结果与基线回归结果非常接近。然而，鉴于数字化转型的持续性，滞后后的DE变量可能仍然通过渐进的结构调整与当前排放相关。因此，我们提供IV结果作为补充证据，以缓解同时期内生性问题，而我们的主要推断是基于固定效应估计得出的。4.3. 中介效应分析未来的研究应深入探讨数字化（DE）如何影响城市排放结果，并明确创新（Innov）的中介作用。为此，采用了两阶段程序来评估主要解释变量对创新的影响。表5的第（1）列展示了Dige和Sdige对创新水平影响的回归结果。Dige的系数显著为负，而Sdige的系数为正，表明存在正向的U形效应。分析支持了假设3。先前研究和理性分析已经广泛探讨了绿色技术创新与城市碳排放之间的联系。通过重组产业结构和优化能源消耗，绿色技术创新可以减少碳排放[64,65]。当创新水平达到一定阈值时，它将显著促进减排[66,67]。表5. 创新的中介效应。在后续分析中，采用了传统的中介效应模型。表5的第2列和第4列展示了上述基准回归估计结果。第（3）列展示了包含中介变量后的结果，而第（5）列显示了引入创新后DE对CEE影响的结果。第（3）列中Dige及其平方项的系数仍然显著。这表明创新部分中介了DE与PCE之间的非线性关系。第（5）列的估计结果与第（4）列的结果一致，表明创新中介了DE与CEE之间的非线性关系。分析支持了假设2。DE对创新的影响可以分解为四个主要维度：Dige的直接效应、Sdige的直接效应、Dige的间接效应以及Sdige的间接效应。通过自助法（bootstrap method）评估这些效应的存在性和显著性，以获得所有参数的置信区间。表6显示所有效应都具有统计显著性，从而证实了创新作为中介机制的作用。表6. 中介效应的分解和显著性检验。4.4. 阈值效应分析分析表明，创新在减排中起作用；然而，其实施具有阈值特征。为了评估创新的阈值效应，应用了面板阈值回归方法。在阈值回归之前进行了500次迭代的自助模拟，以评估多个阈值的存在。表7展示了阈值变量检验的F值及其对应的p值。测试结果表明，DE对两个因变量都产生了双重阈值效应。这一结果支持了假设4。表7. 阈值效应显著性检验的结果。表8显示，创新相对于Lnpce的估计阈值为0.667和3.091，分别对应667和3091项绿色专利申请，分别代表低、中和高的绿色创新水平。Dige和Sdige的系数在三个区间内都显著。观察到的倒U形与先前的研究结果一致。创新相对于Lncee的阈值为0.015（对应15项绿色专利申请）和0.667。只有当创新水平位于这两个阈值之间时，DE对CEE才具有显著影响。如果创新水平低于0.015或高于0.667，Dige和Sdige的系数不显著。表8. 面板阈值模型的回归结果。总之，DE增长对碳排放绩效的影响在不同创新阶段的大小上有所不同，尽管总体趋势保持一致。在绿色技术创新水平较低的情况下，DE主要影响CEE。然而，其在推动减排方面的有效性取决于绿色技术创新是否超过一个关键阈值。4.5. 城市聚集体的异质性分析本研究选择了城市聚集体进行异质性分析。中国的19个主要国家级城市聚集体可以根据其经济发展水平和国家战略目标分为三类：优化与升级、增长与扩张以及培育与发展。一级城市聚集体（ua1）已经成熟，被归类为“优化与升级”类型，表明它们具有重要的经济意义。二级城市聚集体（ua2）正在发展中，需要额外的增长和扩张，表明它们具有相对潜力。三级城市聚集体（ua3）主要位于东北部和中西部地区，仍处于不完善状态，需要进一步的培育和发展。这种分类遵循了《中华人民共和国国民经济和社会发展第十四个五年规划纲要（2021-2025年）》和《2035年远景目标》中规定的国家城市聚集体分类。附录B提供了这些城市聚集体的分类和城市构成。这三个类别的城市聚集体展示了不同的经济发展阶段，在数字化发展、绿色技术采用和能源消费结构方面存在显著异质性。异质性分析的结果详细列在表9中，而图3展示了不同类型城市聚集体的碳排放绩效。表9. 城市聚集体异质性分析的结果。图3. 不同类型城市聚集体的碳排放绩效：（a）数字经济与人均排放之间的关系；（b）数字经济与排放效率之间的关系。城市聚集体中DE与PCE之间的关系呈现倒U形。Dige和Sdige的系数都具有统计显著性。ua1的拐点尤为显著，因为当DE指数超过0.186时，减排效果变得明显。ua2和ua3的拐点分别为0.183和0.178。DE在塑造CEE方面的作用在不同城市聚集体中存在显著差异。ua1和ua3中DE的影响可以忽略不计。在ua2中，存在显著的正向U形关系。当Dige低于0.182时，CEE最初下降，但随后增加。这一结果可能归因于这些聚集体中城市的快速工业化，这些城市的制造业依赖性较强，增强了数字化对CEE影响的可见性。5. 讨论结果突显了数字化在塑造城市碳排放绩效中的复杂作用。值得注意的是，DE发展与PCE之间的倒U形关系表明，随着数字技术渗透到工业应用中，碳排放最初会增加。这很可能是因为数字基础设施发展初期的高能源消耗。然而，随着数字技术的成熟及其应用变得更加节能，碳排放开始减少，表明存在一个转折点，即数字创新的积极效应超过了其最初的负面影响。不同城市聚体的拐点进一步表明，处于高级发展阶段的城市地区达到这一拐点的时间较晚，而新兴的城市聚集体体验到数字化积极影响的时间较短。这种差异与不同发展阶段的数字经济发展模式密切相关。更先进的聚集体通常集中了数据密集型基础设施和高端数字服务，并追求更深层次的工业数字化升级，这往往会延长初始的高能源需求阶段并推迟转折点。相比之下，新兴聚集体更早地受益于成熟数字应用的扩散和管理驱动的效率提升，从而提前了转折点。DE与CEE之间的U形关系呈现出不同的动态。最初的影响是负面的，这与早期数字化通常涉及大量资源和能源消耗的假设相符。然而，随着绿色技术创新和数字技术的进步，这种关系变得积极，表明先进的数字解决方案可以提高CEE。这种模式与数字经济通过促进绿色技术创新来增强碳排放效率的机制一致。随着数字技术改进信息处理、资源分配和创新扩散，它们促进了绿色技术的发展和采用，进而提高了能源效率并支持了减排。此外，在新兴城市聚集体中，CEE的反馈效应更为明显，强调了数字化在快速工业化过程中提高减排效率的作用。这些发现不仅提供了实证证据，还扩展了对数字化、创新和碳排放绩效之间联系的理论理解。通过将DE和绿色技术创新整合到一个统一的框架中，本研究揭示了数字化转型如何从一个能源密集型过程演变为低碳增长的关键推动因素。识别非线性模式和阈值效应有助于完善现有的技术转型和环境效率理论。此外，不同类型城市聚集体之间的差异化影响突显了数字化转型的空间和发展异质性，表明区域背景在决定其环境结果方面起着关键作用。特别是，政策环境可以通过塑造数字化的轨迹及其排放影响来发挥关键作用。更严格的环境法规、明确的碳目标以及支持性的数字和绿色创新政策倾向于引导数字化向提高效率的方向发展，而较弱的执行或以增长为导向的激励措施可能会鼓励更多的能源密集型数字扩张并延迟减排效益。虽然这项研究基于中国城市的数据，但其制度和能源背景具有特殊性，包括相对以煤炭为主的能源结构以及国家在塑造数字化和低碳转型中的重要作用。因此，估计的幅度和转折点模式受到这种制度和能源环境的制约。尽管如此，这些发现对于具有类似结构特征的大型发展中国家来说可能具有特别的信息价值，包括能源密集型工业系统和国家协调的数字化转型策略。同时，本研究强调的机制，即数字化可以通过绿色技术创新从能源密集型阶段转变为效率提升阶段，为追求数字化和脱碳的发展中经济体提供了更广泛的见解。这里提出的政策框架可以为那些旨在平衡数字增长与减排和能效目标的经济体提供参考，同时需要认识到具体效果可能会因当地的能源结构和制度安排而有所不同。6. 结论与政策含义 6.1. 主要发现 本研究利用2011年至2022年间278个中国城市的面板数据，探讨了数字经济发展（DE）如何影响城市碳排放的表现，包括排放量和效率，并以绿色技术创新作为中介机制。主要结论如下：研究结果显示，数字经济发展水平与人均碳排放（PCE）之间存在明显的倒U形关系。在数字经济发展的初期阶段，碳排放量会增加，随后随着数字化的深入而下降。相反，数字经济发展与碳效率（CEE）之间呈现出U形模式，即数字扩张最初会降低效率，但当达到数字成熟度时最终会提高效率。绿色技术创新是数字经济发展影响城市碳排放表现的关键中介因素。数字经济发展在促进低碳城市发展方面具有双重阈值效应：在绿色技术创新水平较低时，数字经济发展主要影响碳效率；数字经济发展对减排的影响取决于绿色技术创新是否达到特定阈值。此外，绿色技术创新的增加反映了数字经济发展对碳减排影响的增强。数字经济发展对城市碳排放表现的影响在不同类型的城市集聚区之间存在显著差异。在优化和升级型城市集聚区，数字化导致人均碳排放减少的临界点被推迟；而在扩张型城市集聚区，碳效率与数字经济发展之间的相互作用变得更加明显。6.2. 政策含义 鉴于本研究发现的非线性和阈值特征，政策制定应具有阶段敏感性和条件特异性，而不能依赖统一的规定。实证结果表明，数字化的环境效应取决于绿色技术创新水平以及城市集聚区的发展阶段。因此，政策设计应考虑转型动态、结构异质性以及从能源密集型数字扩张向效率提升型整合的转变需求。基于这些发现，提出以下具体建议：应战略性地加速数字化进程，并在各部门和地区提供持续且协调的政策支持，以帮助数字经济发展超越其初始的能源密集阶段，实现能源效率和碳生产力的系统性提升。在产业转型过程中，应通过财政激励、试点示范项目和技术标准来加强绿色数字技术的应用，特别是对于智能制造和清洁能源系统等低碳领域。政府应实施政策措施，鼓励企业投资绿色技术创新，并加速将数字技术整合到可持续生产和能源管理系统中。应增加对绿色技术创新的投资，以增强数字经济发展的积极环境效应。应改进绿色专利研发激励机制，促进数字技术与低碳技术的深度融合，提高绿色创新的整体质量。考虑到研究中的阈值特征，对绿色创新的政策支持应根据技术进步水平进行定制，确保创新能力能够跨越产生显著减排效果的关键阈值。此外，应扩大研发资金投入，为低碳转型提供持续的资金和技术支持，并增强企业的长期创新能力。应制定多样化的、针对不同地区特点的政策，以适应城市集聚区的发展阶段和战略方向。对于被归类为“优化和升级”或“增长和扩张”的成熟集聚区，政策重点应放在数字技术与绿色技术的深度融合上，通过跨区域协调在数据管理、产业升级和能源规划方面提供支持，以提高生态效率。对于处于“培育和发展”阶段的新兴集聚区，应重点加强数字基础设施建设、提升本地创新体系，并通过技术应用提高能源效率。在国家层面，政府应建立多层次协调机制，使区域数字化战略与低碳转型目标保持一致，并促进数字领域的低碳技术创新。6.3. 研究局限性与未来展望 在解释研究结果时，应认识到存在的局限性。鉴于数据的观察性质，在得出强有力的因果推断时需谨慎对待估计的关系。首先，绿色技术创新通过绿色专利申请来衡量，这可能无法完全反映专利质量或转化效率，也无法完美反映技术扩散和部署的时间和范围，尤其是考虑到创新活动往往更集中在经济较发达的城市。其次，数字经济通过一个综合指数来衡量，该指数涵盖了数字基础设施、数字产业发展和数字金融。虽然这一综合指标被广泛用于反映整体数字发展情况，但它可能掩盖了各组成部分之间的环境效应差异。未来的研究可以解决这些局限性，并进一步扩展我们的分析。例如，未来的研究可以更明确地探讨环境表现与数字投资决策之间的潜在双向动态关系。首先，未来的研究可以纳入与专利质量相关的指标（如授权专利数或引用次数），以更好地捕捉有效的绿色创新，并分解数字经济指数，以考察数字基础设施、数字产业发展和数字金融的潜在异质性效应。其次，将样本扩展到更近期的年份和跨国环境，有助于在不同政策制度和能源结构下评估研究结果的稳健性和普遍性。第三，纳入企业层面或行业层面的数据可以提供更丰富的证据，揭示数字化和绿色创新影响能源效率和碳结果的微观渠道。最后，通过比较发达国家和发展中国家的研究，可以进一步明确制度质量、政策设计和技术成熟度如何塑造数字经济的低碳效应。此外，本研究关注的是城市层面的区域排放，因此可能无法完全捕捉到跨区域生产转移或贸易中的隐含碳所带来的潜在排放泄漏。未来的研究可以使用基于消费的排放核算或基于投入产出的隐含碳测量方法，来评估数字化是否在本地减少排放的同时重新分配了碳密集型活动。此外，未来的研究还可以纳入空间溢出分析，考察城市间和区域间的传播渠道（如技术扩散、产业转移和政策溢出），并从更广泛的空间角度评估数字化的净碳效应。