数实融合空间关联网络对减污降碳协同增效的影响机制

引用本文

李铮, 王凯, 谭佳欣, 甘畅. 数实融合空间关联网络对减污降碳协同增效的影响机制[J]. 环境科学, 2026, 47(9): 6070-6081.

LI Zheng, WANG Kai, TAN Jia-xin, GAN Chang. Impact Mechanism of the Spatial Correlation Network of Digital-real Economy Integration on the Synergy of Pollution and Carbon Emission Reduction[J]. Environmental Science, 2026, 47(9): 6070-6081.

数实融合空间关联网络对减污降碳协同增效的影响机制

李铮¹, 王凯¹, 谭佳欣¹, 甘畅²

1. 湖南师范大学旅游学院，长沙 410081;
2. 武汉轻工大学管理学院，武汉 430048

收稿日期: 2025-08-03; 修订日期: 2025-10-09

基金项目: 湖南省自然科学基金项目（2025JJ50198）；湖南省国内一流培育学科建设项目（地理学-5010002）

作者简介: 李铮（1997~），男，博士研究生，主要研究方向为数字经济与低碳发展，E-mail：lizheng00828@163.com

通信作者: 王凯, E-mail：kingviry@163.com

摘要: 在数智化转型背景下，探究数实融合空间关联网络对减污降碳协同增效的影响机制，对于协同推进生态文明建设与高质量发展具有重要现实意义. 利用修正引力模型、社会网络分析法和计量回归模型，实证检验2011~2022年中国省（市、区）数实融合空间关联网络对减污降碳协同增效的影响效果和作用机制. 结果表明：①中国数实融合空间关联表现出日趋复杂的“多中心驱动”网络结构形态，呈现“由东至西、由内至外”逐层递减的空间特征. ②数实融合空间关联网络能够显著促进减污降碳协同增效，且对中西部地区、试点省份以及生产型省份的促进作用更强. ③数实融合空间关联网络通过推动技术进步、促进经济集聚和降低能源强度，对减污降碳协同增效产生正向影响. 人力资本投资和公众环境关注度均强化了数实融合空间关联网络对于减污降碳协同增效的促进作用. 研究结果为制定协同减排策略和实现减污降碳协同增效提供理论支撑和实践参考.

关键词: 数实融合减污降碳协同增效空间关联网络形成机制影响机制

Impact Mechanism of the Spatial Correlation Network of Digital-real Economy Integration on the Synergy of Pollution and Carbon Emission Reduction

LI Zheng¹ , WANG Kai¹ , TAN Jia-xin¹ , GAN Chang²

1. College of Tourism, Hunan Normal University, Changsha 410081, China;
2. School of Management, Wuhan Polytechnic University, Wuhan 430048, China

Abstract: Against the backdrop of digital-intelligent transformation, exploring the effects and mechanisms of the spatial correlation network of digital-real economy integration on the synergy of pollution and carbon emission reduction holds significant practical implications for promoting the coordinated advancement of ecological civilization construction and high-quality development. Using the modified gravity model, social network analysis, and econometric regression model, this study examines the influence mechanism of the spatial correlation network of digital-real economy integration in China's provinces on the synergy of pollution and carbon emission reduction from 2011 to 2022. The results indicate that: ① The spatial correlation of digital-real economy integration in China exhibited an increasingly complex "multi-center driven" network structure, presenting a layered differentiation pattern that decreased from east to west and from inner to outer regions. ② The spatial correlation network of digital-real economy integration could significantly promote the synergy of pollution and carbon emission reduction. Compared with that in the eastern region, non-pilot provinces, and service-oriented provinces, the spatial correlation network of digital-real economy integration in the central-western regions, pilot provinces, and production-oriented provinces exerted a stronger promoting effect on the synergy of pollution and carbon emission reduction. ③ The spatial correlation network of digital-real economy integration exerted positive impacts on the synergy of pollution and carbon emission reduction by promoting technological progress, driving economic agglomeration, and reducing energy intensity. Both human capital investment and public environmental attention strengthened the promoting role of the spatial correlation network of digital-real economy integration in the synergy of pollution and carbon emission reduction. The findings provide theoretical support and practical references for formulating collaborative emission reduction strategies and achieving the synergy of pollution and carbon emission reduction.

Key words: digital-real economy integration the synergy of pollution and carbon emission reduction spatial correlation network formation mechanism influence mechanism

随着全球气候变化加剧和环境污染问题日益严峻，推进减污降碳协同增效，加速经济社会发展的全面绿色转型，已成为中国新时代生态文明建设的战略重点和必然选择^[1]. 然而，当前我国减污降碳协同治理的结构性问题和趋势性压力未得到有效缓解，传统高耗能、高污染的发展路径依赖尚未完全破除，实现协同增效目标仍面临诸多挑战. 在此背景下，党的二十届三中全会强调“健全促进数字经济和实体经济深度融合制度”. 数实融合为摆脱当前环境困境提供了新思路，其引致的新业态、新兴清洁技术模式推动传统产业转向智能化和绿色化^[2]. 在“加快建设网络强国、数字强国”的战略导向下，依托于互联网、大数据和人工智能等前沿技术形成的数实融合空间关联网络，正深刻重塑全球产业链、能源结构与治理模式^[3，4]. 因此，基于社会网络视角探讨数实融合空间关联网络对减污降碳协同增效的影响机制，对于改善环境质量、促进绿色低碳发展，推动美丽中国建设具有重要的理论价值和现实意义.

在全球数字化浪潮的推动下，数字经济及其与实体经济融合的环境改善效应逐渐成为学术界讨论的焦点话题. 目前，已有学者探讨了数字经济的减污、降碳效应. 研究内容主要包括互联网、人工智能和大数据等数字技术应用对污染物排放、碳排放以及产业绿色发展等的影响效应研究^[5~7]. 也有学者基于协同视角，探究数字经济对减污降碳协同效应的影响. 研究内容主要涵盖了数字金融、绿色金融等数字经济发展影响减污降碳协同效应的机制诠释^[8，9]与实证分析^[10]. 随着数字要素的空间流动，地区间的数字经济逐渐呈现出相互交织的空间关联形态. 学者们进一步指出数字经济空间关联网络能够促进产业结构合理化和高级化^[11]、驱动制造业绿色创新^[12]及显著提高碳排放绩效水平^[13]. 此外，也有少数文献探讨了数实融合的环境效益及其空间溢出效应. 研究证实了数实融合能够克服传统污染控制方法的局限性^[14]，通过提升资源配置效率、促进产业绿色创新和提高企业绿色创新绩效，显著降低碳排放强度^[15]以及减少污染物排放^[16]. 同时，数实融合的扩散效应可以突破时空限制，对其他地区的经济韧性^[17]、碳排放^[18]和绿色福利效应^[19]产生空间溢出效应.

已有文献为本研究提供了一定的理论支撑和实证经验，但仍存在以下问题值得进一步探讨：一是当前研究均集中于关注数实融合的减污、降碳等单一环境绩效，尚未构建数实融合与减污降碳协同治理的系统性分析框架. 事实上，污染排放和碳排放具有高度的“同根、同源、同过程”特性，相较于单一的减排策略，协同治理更能够实现经济发展与生态环境保护的共赢. 二是部分研究评估了数字经济空间关联网络的碳减排效应，忽略了实体经济作为数字经济发展的坚实基础，二者相互依存、相互赋能. 随着“数字中国”建设的不断推进，从全国层面一体化推进数实融合发展的数据网络已经形成，数实融合空间关联网络是否以及如何影响减污降碳协同增效有待深入探讨. 基于此，本文兼顾网络外部性与环境治理的协同性，将数实融合空间关联网络和减污降碳协同增效纳入同一分析框架，以中国30个省（市、区）为实证靶向，运用修正引力模型、社会网络分析以及实证计量模型探究数实融合空间关联网络对于减污降碳协同增效的影响机制，以期为推动“双碳”目标实现、助力生态文明建设与高质量发展协同推进提供理论和实践参考.

1 理论分析与研究假设 1.1 数实融合空间关联网络的形成机制

新经济地理学理论认为，区域经济活动具有空间溢出效应，而数实融合作为一种新兴的、更高级且可持续的经济形态，亦具有空间溢出效应. 数实融合的空间关联，即一定区域内不同单元间由于数据要素的跨域流动和交互促使各单元内的实体节点建立联系^[20]，关系链路在空间上纵横交错，共同织成一张错综复杂、动态化和协同化的数实融合空间关联网络^[11]. 其本质是物联网、大数据和区块链等数字技术打破物理边界限制，数据作为关键生产要素在空间流动和区际交流日趋频繁，促进不同地域单元数字经济与实体经济活动的协同联动. 同时，各关系集合通过循环反馈机制对不同地域的数实融合演化产生影响，进而推动整个区域数实融合水平持续提升. 具体来看，数实融合空间关联网络的形成机制主要包括地理邻近、资源势差和政府干预这3个方面（图 1）.

图 1 数实融合空间关联网络促进减污降碳协同增效的作用机制 Fig. 1 Mechanism of action of spatial correlation network of digital-real economy integration to promote the synergy of pollution and carbon emission reduction

首先，地理邻近是形成数实融合空间关联网络的首要条件与基础. 根据产业集聚理论，地理邻近有助于资源要素流动以及降低交易成本，促使地区间的经济发展相互联系和相互作用. 实体经济活动天然植根于具体的地理空间，而数字技术对实体经济的赋能也同样需要数字基础设施、信息通信产业和大数据交换中心等物理载体实现^[21]，这一过程高度依赖地理邻近所具有的基础设施共享和成本控制等优势，进而实现生产要素的高效交互，推动数实融合在空间上的关联. 其次，资源势差理论指出，资源势差是驱动资源流动的核心动力，能够对周围资源产生吸引、聚集和扩散效应. 不同地区间数字经济和实体经济发展水平差距较大，各省域的资源要素禀赋、数字基础设施水平以及产业生产模式等因素的区域差异和分布的不均衡性，导致数实融合所需的各类数据要素资源在区域间存在资源势差，推动地区间通过技术合作、供应链协同等方式实现人才、数据、资源和技术的跨区域流动^[22]，经济距离取代地理距离成为关联主导. 最后，政府的政策干预为数实融合空间关联网络的发展提供指引和保障. 国家创新系统理论强调，国家创新系统应为社会创新活动提供良好的制度环境^[23]. 政府的适度干预能够使企业跨越有限理性与短期利益局限，引导各类生产要素资源进行跨域再分配，降低由于区域数字经济和实体经济发展不均衡而造成的资源错配与效率损失，进而推动网络布局不断扩展与延伸，调节网络结构逐渐均衡.

1.2 数实融合空间关联网络对减污降碳协同增效的影响 1.2.1 数实融合空间关联网络对减污降碳协同增效的直接影响

在数实融合空间关联网络中，各节点互相连接、相互联系，形成了复杂的影响路径，对减污降碳协同增效产生显著的“网络效应”^[13]. 首先，资源配置理论表明，资源分配的改善能够促使生产要素围绕高效率产业聚集以达到最优效益. 数实融合空间关联网络有助于提升区域资源整合能力并提高资源分配效率，引导资源流向低能耗、低碳领域，进而协同降低污染和碳排放^[24]. 其次，“梅特卡夫定律”揭示了网络的价值随着节点数的增加而呈指数增长. 数实融合空间关联网络规模的逐渐扩大进一步促进了各节点间的联系，网络的价值快速增加，其产生的规模经济和范围经济效应能够推动经济效益实现最大化，进而减少资源消耗与浪费. 同时，交易成本理论强调降低交易成本能够有效提高效益^[25]. 随着数实融合空间关联网络中各节点联系的不断加深，信息收集、获取和处理效率得到显著提高，减少了因空间、时间或产业结构不合理导致的要素错配^[26]，提高减污降碳协同效率. 最后，依托人工智能、云计算和大数据等数字技术建设的数实融合空间关联网络提升了政府监管效率，政府可根据污染物排放和碳排放实时数据监督企业的环境影响，进而及时调整最优环境规制强度，兼顾环境规制与经济增长的协调性. 据此，提出假设1：数实融合空间关联网络能够促进减污降碳协同增效.

1.2.2 数实融合空间关联网络对减污降碳协同增效的间接影响

数实融合空间关联网络促进跨域技术合作与知识溢出，增强区域间信息互通，引导生产要素向优势区域集中，带动传统高耗能产业向智能化、低碳化转型，对减污降碳协同增效产生多层次的间接影响机制. 具体而言，数实融合空间关联网络通过推动技术进步、促进经济集聚和降低能源强度，实现减污降碳协同增效.

（1）技术进步脱钩理论认为，技术创新可以在实现经济增长的同时减少碳污排放. 随着知识成为创新发展的关键要素，技术进步成为实现“双碳”目标的核心驱动力，对于协同减少碳污排放的促进作用日益凸显. 数实融合空间关联网络打破了知识传播的时空壁垒，促进了城市与城市、城市与企业等跨区域、跨领域间的知识共享与创新^[27]. 这种技术扩散机制提高了区域间协同创新能力，加快绿色技术创新进程，形成“技术进步-成本下降-应用扩展”的正向循环，进而促进低碳、低污染产业逐步替代传统高污染产业. 据此，提出假设2：数实融合空间关联网络能够通过推动技术进步，实现减污降碳协同增效.

（2）经济集聚聚集经济理论表明，产业的空间集聚能够共享资源、信息和技术，进而提高生产力，降低单位产出的环境成本. 数实融合空间关联网络打破了传统的时间和空间因素对产业的限制和约束，显著降低了信息传递成本，促进跨行业、跨地域的数字产业集群的形成，其产生的知识和技术溢出效应进一步引导生产要素向优势产业和优势区域集中，增强经济集聚效应^[28]. 此外，为追求更高利润，传统实体产业往往采取扩大生产规模的方式降低单位成本，实现规模经济效应. 经济集聚可以带来产业的集中和生产的规模化，有助于资源的高效配置和高效利用，进而协同减少碳污排放. 据此，提出假设3：数实融合空间关联网络能够通过促进经济集聚，实现减污降碳协同增效.

（3）能源强度能源经济理论指出，经济增长模式主要分为高耗能型粗放式发展模式和高效能型节能式发展模式. 数实融合空间关联网络促进数据、信息和技术等高端生产要素向能源系统渗透，形成精细化的产业链分工与协调网络，减少产业链内部的流通障碍，实现供需精准匹配和要素高效流通，避免生产过程中的能源浪费^[29]. 同时，数实融合空间关联网络推动了能源企业生产管理系统升级以及能源生产过程的数字化转型，带来能源替代效应和能效提升效应^[30]，改善了传统实体经济发展对非清洁能源的依赖，引导能源消费结构向多元化、低能耗和低碳化转型，进而实现高效节能的发展模式，促进污染物和二氧化碳的协同减排. 据此，提出假设4：数实融合空间关联网络能够通过降低能源强度，实现减污降碳协同增效.

1.2.3 数实融合空间关联网络促进减污降碳协同增效的调节效应

（1）人力资本投资人力资本作为数实融合的“活性催化剂”，直接决定了数实融合空间关联网络中各节点对数字技术和绿色技术的吸收能力、应用深度和创新转化效率^[31]. 人力资本投资能够提升数字经济人才水平，实现信息技术的有效利用^[32]，增强对于实体资源的开发和管理能力，显著促进数实融合发展，由此提升减污降碳协同效率. 同时，人力资本投资有助于促进高端科研人才流动，进而驱动网络扩散，进一步强化技术创新的溢出效应，放大空间关联网络的环境治理效应. 此外，高质量人力资本不仅通过其专业知识、实践能力和战略思维，为政府精准施策提供了关键支撑，还有助于准确把握政策目标，确保政策高效落地，进而激活网络内蕴的减污降碳潜能，确保数实融合空间关联网络对减污降碳的积极影响得以最大化. 据此，提出假设5：人力资本投资对数实融合空间关联网络促进减污降碳协同增效具有正向调节效应.

（2）公众环境关注度公众环境关注是公众参与环境治理的直接体现，已被证实具有显著的环境经济效应^[33]. 一方面，随着公众对环境问题关注度的日益提高，形成的社会监督压力能够弥补政策制度的不足^[34]，倒逼企业加大数字基础设施投资，加速数字技术的应用与绿色转型，进而提高数实融合空间关联网络的减污降碳协同效应. 另一方面，网络的广泛普及提升了信息传播速度，能够强化公众低污染、低碳的生活理念，公众对减污降碳措施的关注和认可加速了数实融合发展相关政策的落实，进而加快数实融合空间关联网络的形成，强化了其减污降碳协同效应. 据此，提出假设6：公众环境关注度对数实融合空间关联网络促进减污降碳协同增效具有正向调节效应.

2 材料与方法 2.1 模型构建 2.1.1 基准回归模型

基于上述分析，为实证检验数实融合空间关联网络对减污降碳协同增效的影响，构建如下基准模型：

S R P C_{i t} = α_{0} + α_{1} D E G_{i t} + α_{2} C o n t r o l_{i t} + μ_{i} + v_{t} + ε_{i t}

(1)

式中，i和t分别表示地区和时间；SRPC_it为被解释变量；DEG_it为核心解释变量；Control_it为一系列控制变量； $μ_{i}$ 为个体固定效应， $v_{t}$ 为时间固定效应； $ε_{i t}$ 为随机扰动项.

2.1.2 中介效应模型

为检验数实融合空间关联网络影响减污降碳协同增效的作用机制，参考江艇^[35]的研究，中介检验模型设定如下：

M_{i t} = β_{0} + β_{1} D E G_{i t} + β_{2} C o n t r o l_{i t} + μ_{i} + v_{t} + ε_{i t}

(2)

式中，M_it为各中介变量，具体包括技术进步、经济集聚和能源强度；其余变量与公式（1）表述相同.

2.1.3 调节效应模型

考虑到人力资本投资、公众环境关注度在数实融合空间关联网络对减污降碳协同增效的作用中起到了关键的调节作用，在式（1）的基础上，构建调节效应模型如下：

$ \begin{aligned} \mathrm{SRPC}_{i t}= & \lambda_0+\lambda_1 \mathrm{DEG}_{i t}+\lambda_2 T_{i t}+\lambda_3 \mathrm{DEG}_{i t} \times T_{i t}+ \\ & \lambda_4 \operatorname{Contol}_{i t}+\mu_i+v_t+\varepsilon_{i t} \end{aligned} $

(3)

式中，T_it为各调节变量，即人力资本投资和公众环境关注度；DEG_it×T_it为核心解释变量与各调节变量的交乘项；其余变量与公式（1）表述相同.

2.2 变量说明 2.2.1 被解释变量

本文以减污降碳协同增效（SRPC）作为被解释变量. 参考已有研究^[36，37]，使用空气污染排放与碳排放交乘项的对数进行衡量，将二者交乘不仅更切合“碳污同源”说，也更能够反映二者协同治理的整体性和系统性. 鉴于空气污染中PM_2.5是主要危害物，在全球范围内以降低PM_2.5作为减轻空气污染的首要任务，因此选择PM_2.5的质量浓度作为反映空气污染排放的代理变量^[38]. PM_2.5与CO₂均为逆向指标，二者交乘项的值越小，表明减污降碳协同增效的水平越高.

2.2.2 解释变量

本文以数实融合空间关联网络的点度中心度（DEG）作为核心解释变量. 在数实融合空间关联网络中，节点的中心性起到了决定性的作用，是影响减污降碳协同增效的核心因素. 首先，参考已有研究^[39~41]，构建数实融合评价指标体系如表 1所示，运用熵权法分别测度数字经济和实体经济水平. 其中，数字经济指标包含数字基础设施、数字产品服务、数据要素驱动、数字技术应用和数字金融服务这5个维度共16个指标；实体经济指标选取农业、工业、建筑业、运输邮电业、批发零售业、住宿和餐饮业这6个方面，共16个指标.

表 1 数实融合评价指标体系 Table 1 Evaluation index system of digital-real economy integration

数字经济发展依靠实体经济的坚实基础，而实体经济通过数字化转型升级其生产方式，可见，数实融合实际上是二者的相互作用、相互促进和协调发展. 基于此，本文参考史丹等^[39]的研究，使用耦合评价模型对数实融合水平进行测度. 计算公式如下：

D I R_{i t} = \frac{2 \times \sqrt[]{D_{i t} \times R_{i t}}}{D_{i t} + R_{i t}}

(4)

式中，DRI_it表示第t年i省（市、区）的数实融合程度；D_it和R_it分别表示第t年i省（市、区）的数字经济和实体经济发展水平. 然而，若某个省份的数字经济与实体经济发展水平均较低，则式（4）会出现高估实际情况的伪测量结果. 鉴于此，本文最终构造的数实融合水平评价模型为：

D R I_{i t} = \sqrt[]{I_{i t} \times (a D_{i t} + b R_{i t})}

(5)

式中，DRI_it的数值介于0~1之间，数值越接近1表示数实融合程度越高；a和b分别表示数字经济和实体经济的权重，本文取a=b=0.5.

其次，参考田秀杰等^[42]的研究，运用修正后的引力模型确定数实融合的空间关联关系，进而构建数实融合空间关联网络. 该模型通过引入多种变量和因素，可更精准地刻画空间关联的复杂性，具体公式如下：

\begin{array}{l} Q_{i j} = k_{i j} \frac{\sqrt[3]{D R I_{i} \cdot G_{i} \cdot P_{i}} \times \sqrt[3]{D R I_{j} \cdot G_{j} \cdot P_{j}}}{S_{i j}}, \\ k_{i j} = \frac{D R I_{i}}{D I R_{i} + D R I_{j}} \end{array}

(6)

式中，Q_ij为省（市、区）间的数实融合联系强度；k_ij为省份i与省份j之间的引力系数；DRI_i和DRI_j分别为省份i和省份j的数实融合水平；G_i和G_j分别为省份i和省份j的地区生产总值；P_i和P_j分别为省份i和省份j的年末常住人口；S_ij表示省份i至省份j的地理距离.

利用二值化矩阵构建数实融合关联网络，将矩阵中各行的均值DRI_m作为该行阈值，得到二值化的省（市、区）数实融合空间关联矩阵：

D R I_{i j}^{'} = \{\begin{matrix} 1, & D R I_{i j}^{*} \geq D R I_{m}^{*}, \\ 0, & D R I_{i j}^{*} < D R I_{m}^{*} . \end{matrix}

(7)

式中， $D R I_{i j}^{'} = 1$ 表示省份i与省份j之间数实融合存在空间关联， $D R I_{i j}^{'} = 0$ 表示省份i与省份j之间数实融合不存在空间关联.

最后，基于社会网络分析的理论框架，网络中心性可表征数实融合空间关联网络中各省份的联系紧密程度，能够反映节点是否处于枢纽地位. 因此，本文采用点数中心度来反映省份在数实融合空间关联网络中的中心性，计算公式如下：

D E G = \frac{n}{N - 1}

(8)

式中，DEG为数实融合空间关联网络的点度中心度；n为该省（市、区）在数实融合空间关联的总数；N为网络节点个数.

2.2.3 中介变量

① 科技创新水平（STI），政府科技财政支出能够有效提高地区科技创新水平，参考刘安乐等^[43]的研究，采用科技财政支出的对数进行表征. ②绿色技术创新（GTI），参考杨晓军等^[44]的研究，使用绿色发明专利申请数表示. ③经济集聚（EA），参考邵帅等^[45]的研究，采用城市非农产出（第二产业和第三产业增加值的和）与地区行政区划面积之比表征经济聚集的程度. ④能源强度（EI），参考汪辉平等^[46]的研究，以单位GDP能源消费总量表示.

2.2.4 调节变量

① 人力资本投资（HI），平均受教育年限可以反映该地区的人力资本投资水平，计算方法参考张桂文等^[47]的研究. ②公众环境关注度（PEA），借鉴吴力波等^[34]的研究，以“雾-霾”“环境污染”“碳排放”作为检索词，采用百度搜索指数衡量公众环境关注度.

2.2.5 控制变量

为避免遗漏变量从而对实证结果造成估计偏误，且考虑到碳排放和空气污染排放均受到社会经济和自然因素的影响，本文选择如下控制变量：①城镇化率（UR），人口向城市集聚导致能源需求激增，从而产生一定的碳排放和空气污染物排放，用城镇常住人口与常住总人口的比值表示^[48]. ②工业化水平（IL），以工业为主导的产业结构显著增加化石能源消耗，直接加剧空气污染物和碳排放，以第二产业增加值占当年GDP之比进行表征^[51]. ③金融发展水平（FIN），金融发展通过优化资源配置、促进产业转型结构等形成减污降碳合力，以金融就业人数占年末常住人口比例表示^[50]. ④对外开放水平（FDI），“污染光环假说”认为外商直接投资是促进经济发展和社会进步的重要手段，能够通过知识扩散、技术溢出等方式对空气污染物和碳排放造成影响，采用外商投资额与当年GDP之比表征^[49]. ⑤环境规制（ER），“波特假说”认为严格的环境规制可以激励企业进行技术创新，带来能源替代效应和能效提升效应而实现减排，以工业污染治理投资额与工业总产值的比值表示^[48]. ⑥财政自主权（FA），财政资金的支持可助力产业向绿色化和高质化转型，以财政一般预算支出占当年GDP的比值表征^[49]. ⑦年降水量（PRE），降水引起的冲刷效应和稀释效应能够对减污降碳协同增效产生积极影响，以逐月降水量累加计算得出^[38].

2.3 数据来源

基于数据的可获得性和统计口径的一致性，选取2011~2022年中国30个省（市、区）作为研究对象（中国台湾、香港、澳门和西藏资料暂缺，未予选用）. 数字经济与实体经济数据来自历年《中国科技统计年鉴》《中国城市统计年鉴》《中国工业统计年鉴》《中国金融年鉴》、各省（市、区）统计年鉴以及国民经济和社会发展统计公报. 数字普惠金融指数来自北京大学数字金融研究中心. PM_2.5质量浓度数据来自圣路易斯华盛顿大学大气成分分析组（https://sites.wustl.edu/acag/datasets/surface-pm2-5/）. CO₂排放数据来源于《中国能源统计年鉴》和中国碳核算数据库（https://www.ceads.net.cn/data/city/）. 降水数据来自国家地球系统科学数据中心（http://www.geodata.cn）提供的“1901~2022年中国1 km分辨率逐月降水量数据集”^[52]. 部分缺失数据采用插值法补齐.

3 结果与讨论 3.1 数实融合空间关联网络时空演变特征

图 2展示了2011年、2016年和2022年数实融合空间关联网络和数实融合联系强度前10位的节点，以及各省域数实融合水平的空间分布特征. 可以看出，中国省域数实融合的空间关联日趋复杂，呈现出多流向、多线程的网络结构，在空间上表现出东部和中部地区密集、西部较为稀疏，由内至外逐层递减的分异规律. 这表明各省份数实融合突破了地理边界束缚，会对邻近区域以及更远地区产生外部影响，且各省份数实融合空间关联网络发展呈非均衡发展特征. 具体来看，2011~2022年间，中国数实融合空间关联网络的连线数显著增多，各节点间的联系愈加频繁，北京-天津、上海-江苏和上海-浙江等地理位置邻近和数实融合水平较高的省份间的空间联系势能较强. 核心节点省份主要位于东部地区和中部地区，如北京、上海、广东和山东等省（市、区）在整个网络结构中发挥着掌控和支配作用，而新疆、青海和宁夏等西部省（市、区）与其他地区的关联减少，处于边缘节点位置. 这可能是由于东部地区的数字基础设施较为完善，实体经济水平较高，更易形成数实融合的产业集聚效应；中部地区在地理位置上与东部邻近，能够削减合作的时间和距离成本并提高资源配置效率，促进了省份间的联系；而西部地区实体经济和数字技术发展相对滞后，且受地理区位等因素制约，致使其处于空间网络结构的边缘地带.

基于自然资源部标准地图服务网站下载的审图号为GS（2024）0650号的标准地图制作，底图无修改图 2 数实融合空间关联网络时空演变特征 Fig. 2 Spatiotemporal evolution characteristics of spatial correlation network of digital-real economy integration

3.2 数实融合空间关联网络对减污降碳协同增效的影响 3.2.1 基准回归分析

表 2显示了控制地区及时间固定效应后的基准回归结果，列（1）为仅加入解释变量，回归系数为-0.019，且在1%水平上显著，初步验证了数实融合空间关联网络能够协同降低污染排放和碳排放. 进一步地逐步加入控制变量，从列（2）~（8）可知影响系数逐步增加，且显著性均保持在1%水平，说明数实融合空间关联网络能够有效促进减污降碳协同增效，验证了假设1. 从各项控制变量回归结果来看，城镇化率和工业化水平对污染排放和碳排放具有显著的正向影响，即城市人口占比越高、第二产业占比越大的省份，由于更高的能源消耗需要导致污染排放和碳排放较高. 环境规制对污染排放和碳排放具有抑制作用，一定程度上支持了波特假说的观点，即环境规制可激励企业进行技术创新，带来能源替代效应和能效提升效应，从而对企业协同减少碳污排放产生积极影响^[53]. 金融发展水平以及年降水量亦能够对减污降碳产生显著的积极作用，充足的金融人力资源可更有效地支持地区协同减污降碳，而降水的增加能够稀释二氧化碳和污染物浓度以提高空气质量.

表 2 基准模型回归结果^1） Table 2 Results of baseline regression

3.2.2 内生性处理

事实上，数实融合空间关联网络与减污降碳协同增效之间可能存在反向因果关系，且考虑到遗漏不可观测变量的可能性，从而导致估计结果产生偏差. 据此，参考已有研究^[54]，选择1984年各省份邮电业务总量来构建数实融合空间关联网络的工具变量. 一方面，邮电通信基础设施的完善程度与数实融合发展关系密切，各省份历史通信水平对后续数实融合空间关联网络的中心性至关重要，满足工具变量的相关性条件. 另一方面，1984年邮电业务总量难以对当前减污降碳协同增效造成影响，满足外生性条件. 但考虑到历史截面数据不适合直接作为工具变量，因此将各省份移动电话交换机容量和所在省份1984年邮电业务总量的乘积交互项作为工具变量，使用两阶段最小二乘法对模型进行重新估计. 结果如表 3列（1）所示，工具变量通过了不可识别检验以及弱工具变量检验，DEG的回归系数仍在1%显著性水平为负，且相较于基准回归结果影响作用更大，这一结果既证明本文的研究结论具有稳健性，也说明在未缓解内生性问题前，数实融合空间关联网络对于减污降碳协同增效的促进作用有所低估.

表 3 内生性与稳健性检验^1） Table 3 Endogeneity test and robustness test

3.2.3 稳健性检验

为进一步检验数实融合空间关联网络影响减污降碳协同增效的稳健性，采取以下方式进行稳健性检验：①剔除直辖市. 在样本中剔除北京、天津、上海和重庆4个直辖市后重新进行分析. ②缩尾检验. 为减少因样本内可能含有的离群值而影响回归结果的无偏性，对所有变量进行1%的缩尾处理后进行估计. ③解释变量滞后. 对解释变量进行滞后一期处理并重新估计. ④更换解释变量. 使用数实融合空间关联网络中介中心度作为解释变量，代入基准回归模型进行回归. 表 3列（2）~（5）显示了上述4类处理后的估计结果，证明了本文结论具有稳健性.

3.3 异质性分析 3.3.1 区域异质性

我国数实融合水平具有明显的空间分异特征，“数字鸿沟”带来的融合分化趋势明显^[55]. 东部地区和中西部地区之间的数字经济和实体经济发展水平差距较大，各地区的要素禀赋结构、数字基础设施水平以及产业生产模式等也有很大不同，因此数实融合空间关联网络对于减污降碳协同增效的赋能效果很可能也会随之而呈现出明显差异. 从表 4列（1）和列（2）可以发现，中西部地区数实融合空间关联网络对于减污降碳协同增效的促进作用远大于东部地区. 究其原因，东部地区经济发展水平较高，数实融合起步早、程度深，且产业结构早已率先向技术密集型和知识密集型转变，大多高耗能、高污染的传统产业已在此前的转型升级过程中被转移或淘汰，因此通过数实融合空间关联网络进一步实现减污降碳的边际效益呈现出递减趋势. 而中西部地区数字技术应用相对较晚，其数实融合正处于快速扩张和基础设施大规模建设的初期或中期，数字技术对传统产业的绿色化改造起点低、见效快，故而在数实融合空间关联网络形成初期就能产生更为明显的减污降碳效果.

表 4 异质性分析 Table 4 Heterogeneity analysis

3.3.2 产业结构异质性

上文区域异质性分析结果显示了产业结构可能会影响数实融合空间关联网络促进减污降碳协同效应，因此进一步将各省份分不同产业结构进行分类并回归分析. 参考孙伟增等^[56]的研究，若某省份第三产业增加值占比小于第二产业，则将其定义为生产型省份，反之为服务型省份. 回归结果如表 4列（3）和列（4）所示，两种类型省份的影响系数均显著为负，且生产型省份的系数相比服务型省份要大，佐证了数实融合空间关联网络对于减污降碳协同增效的作用受到产业结构的影响. 可能的原因是：生产型省份过于依赖开采和加工自然资源，产业结构较为单一，而数实融合空间关联网络通过强化数字和绿色技术跨域扩散，推动生产型省份加速产业结构绿色化转型，进而产生更显著的减污降碳协同治理效果.

3.3.3 气候试点异质性

气候投融资试点计划是我国为落实“碳达峰、碳中和”推行的重大战略决策，分析试点省份与非试点省份之间的差异性，可为政府实施减污降碳决策提供更多信息. 根据国家发改委等九部委公布的气候投融资试点名单，若某一省份所辖内有城市被获批为试点，则将其视为试点省份. 如表 4列（5）和列（6）显示，试点省份组别中数实融合空间关联网络的回归系数显著为负，且系数绝对值要高于非试点省份，说明在试点省份，数实融合空间关联网络对协同减污降碳的促进作用要好于非试点省份. 这一方面反映了国家对于试点省份选取的合理性和科学性；另一方面，体现出在试点省份，政策强制力使数实融合空间关联网络的减污降碳目标从“软约束”转为“硬指标”，而非试点省份仅依靠既有环境规制推动数实融合空间关联网络的减排效应，未能触及能源结构与生产模式转型，对减少碳污排放的边际贡献较为有限.

3.4 作用机制分析

表 5列（1）和列（2）分别报告了数实融合空间关联网络对科技创新和绿色技术创新的影响. 样本期内，数实融合空间关联网络对二者的回归系数均显著为正，证明了技术进步的确是数实融合空间关联网络促进减污降碳协同增效的中介渠道，假设2得到检验. 一般来说，在数实融合空间关联网络中，网络节点中心性高的省份能够成为吸引和聚集大量资源和创新人才的关键枢纽，有利于推动科技创新和绿色技术创新，减少污染排放和碳排放. 表 5列（3）验证了假设3，即数实融合空间关联网络能够显著增强地区间的经济联系和信息流通，提升经济集聚水平. 而经济集聚不仅能够降低成本并优化资源配置，降低单位产值的污染强度，还能够产生规模经济效应，实现资源的高效利用以及污染的集中处理，从而实现减污降碳协同效应. 表 5列（4）结果显示，能源强度的中介效应显著，且中介效应占比为各机制变量中最高（48.18%），表明降低能源强度是数实融合空间关联网络协同减少碳污排放的关键机制，假设4成立. 随着数实融合空间关联网络的发展，产生技术支持效应和成本节约效应有利于降低能源消耗强度，加之关联网络能够实时监控能源体系上的海量数据，进而显著降低能源强度，减少碳污排放. 此外，Sobel检验显示4条中介路径均通过显著性检验，且Bootstrap检验的95%置信区间均未包含0，进一步证明了中介效应的稳健性.

表 5 中介效应检验结果 Table 5 Results of mediation effect tests

3.5 调节效应分析

如表 6列（1）可知，人力资本投资在数实融合空间关联网络与减污降碳协同增效的关系中起到了正向调节作用，假设5得到证实. 高水平的人力资本意味着地区拥有更多能够运用、维护和研发大数据、物联网和人工智能等数字技术的专业人才，这不仅提升了该地区吸收和应用先进技术的能力，也提升了其将技术应用于绿色生产、能源管理及污染监控等具体减排环节的效率，从而放大数实融合空间关联网络的协同减排效果. 将公众环境关注度及其与数实融合空间关联网络的交互项纳入模型，回归结果如表 6列（2）所示，公众环境关注度强化了数实融合空间关联网络对减污降碳协同增效的促进作用，假设6得到验证. 公众对环境问题的日益关注可以形成强大的社会舆论压力和外部监督力量，激励和倒逼企业进行数字化升级，并推动地方政府通过提高环境规制强度来惩罚环境污染，为数实融合空间关联网络赋能减污降碳创造了更有利的条件.

表 6 调节效应检验结果 Table 6 Results of moderating effect tests

4 建议

（1）强化核心节点辐射带动作用，优化区域均衡布局一方面，对于北京、上海和广东等网络中心度高的省（市、区），要重点发展互联网、大数据和人工智能等领域的技术研发与应用，推动跨区域技术共享平台建设，不断加深与周边城市及其他增长极的数实融合联系. 另一方面，充分发挥政府干预机制，统筹布局全国数字网络基础设施建设，加大对非核心节点省份的专项财政投入，促进区域间数实融合的互联互通和协同发展，推动网络结构由“单核集聚”向“多中心均衡”演进.

（2）因地制宜制定数实融合发展战略中西部地区要充分抓住科技革命契机，依托新一轮中部崛起和西部大开发战略积极推动数实融合发展，充分释放数实融合空间关联网络的协同减污降碳潜力. 非试点省份应积极吸取试点省份的先进经验，重点突破核心技术应用壁垒，推进数字经济和实体经济的深度融合. 生产型省份要借助数字经济赋能，降低对资源的过度依赖，推动高能耗、生产率低的传统实体经济向新型实体经济转型.

（3）深化技术进步、经济集聚与能源强度的中介效能首先，地方政府需持续增强对技术创新的政策支持力度，激励各企业积极参与科技创新和绿色技术创新，释放技术进步的创造效应和补偿效应. 其次，依托数实融合发展优化产业布局，深化数字产业链上下游企业的紧密合作，进一步促进地区经济高质量集聚. 最后，应积极推动传统实体产业数字化和绿色化转型，扩大数字技术和高新技术在生产过程中的应用，进而提高生产全流程效率，降低能源消耗强度.

（4）强化人力资本投资和公众环境关注度的调节效应

政府应持续优化教育体系，加大高等教育和职业教育投资，有针对性地弥补数实融合和创新合作所需的人才缺口，切实提升人力资本水平. 同时，应充分发挥公众环境关注带来的长期正向影响作用，积极构建完善的环境信息披露制度，并加快数字技术在环境信息披露领域中的应用，鼓励公众积极参与环境治理，以社会监督推动减污降碳协同增效.

5 结论

（1）中国省域数实融合的空间关联日趋复杂，呈现出“多中心驱动”的网络结构形态，在空间上表现由东至西、由内至外逐层递减的特征. 其中北京、上海和广东等省（市、区）在网络中发挥掌控和支配作用，而新疆、青海和宁夏等省（市、区）处于边缘节点位置.

（2）数实融合空间关联网络有利于促进减污降碳协同增效，结论在一系列稳健性与内生性检验下均保持成立. 与东部地区、服务型地区和非试点地区相比，在中西部地区、生产型省份和试点省份数实融合空间关联网络对减污降碳协同增效的促进作用更加明显.

（3）数实融合空间关联网络有助于推动技术进步、促进经济集聚及降低能源强度，从而产生积极的减污降碳协同效应. 人力资本投资和公共环境关注度可正向调节数实融合空间关联网络对减污降碳协同增效的促进作用.

参考文献

[1]	于法稳, 林珊, 王广梁. 黄河流域县域生态治理的重点领域及对策研究[J]. 中国软科学, 2023(2): 104-114. Yu F W, Lin S, Wang G L. Research on key areas and countermeasures of county-level ecological governance of Yellow River Basin[J]. China Soft Science, 2023(2): 104-114.
[2]	夏杰长, 苏敏. 以数实融合推动现代化产业体系建设[J]. 改革, 2024(5): 12-23. Xia J C, Su M. Promoting the construction of modern industrial systems through the integration of digital and real-world industries[J]. Reform, 2024(5): 12-23.
[3]	方大春, 常愉珠. 数字经济与实体经济融合发展的空间关联与协同治理路径[J]. 区域经济评论, 2024(6): 94-101. Fang D C, Chang Y Z. The spatial correlation and collaborative governance path of the integrated development of digital economy and real economy[J]. Regional Economic Review, 2024(6): 94-101.
[4]	王定祥, 彭政钦, 李伶俐. 中国数字经济与农业融合发展水平测度与评价[J]. 中国农村经济, 2023(6): 48-71. Wang D X, Peng Z Q, Li L L. Measuring and evaluating the integrated development level of digital economy and agriculture in China[J]. Chinese Rural Economy, 2023(6): 48-71.
[5]	Zhou D, Chu J Y. The carbon emission reduction effect of the digital economy from the perspective of biased technological progress[J]. Journal of Environmental Management, 2025, 373. DOI:10.1016/j.jenvman.2024.123857
[6]	Zhu Y H, Xu Y Q, Yin S G. How does digital technology innovation drive synergies for reducing pollution and carbon emissions?[J]. Sustainable Cities and Society, 2024, 116. DOI:10.1016/j.scs.2024.105932
[7]	檀菲菲, 闫晨晓. 数字经济的减污降碳协同促进效应: 以长三角城市群为例[J]. 环境科学, 2025, 46(7): 4175-4185. Tan F F, Yan C X. Synergistic effects of pollution and carbon emission reductions in a digital economy: a case study of the Yangtze River Delta urban agglomeration[J]. Environmental Science, 2025, 46(7): 4175-4185. DOI:10.13227/j.hjkx.202406127
[8]	Bu Y, Gao J C, Zhang W, et al. The impact of digital inclusive finance on the collaborative reduction of pollutant and carbon emissions: spatial spillover and mechanism analysis[J]. Journal of Environmental Management, 2024, 365. DOI:10.1016/j.jenvman.2024.121550
[9]	Fan L, Peng B B, Lin Z G, et al. The effects of green finance on pollution and carbon reduction: evidence from China's industrial firms[J]. International Review of Economics & Finance, 2024, 95. DOI:10.1016/j.iref.2024.103490
[10]	赵燕, 孙慧, 马点圆. 城市绿色金融改革对减污降碳协同增效的影响研究——基于双重机器学习的因果推断[J]. 产业经济研究, 2024(3): 15-28, 58. Zhao Y, Sun H, Ma D Y. Research on the impact of urban green finance reform on synergizing the reduction of pollution and carbon emissions[J]. Industrial Economics Research, 2024(3): 15-28, 58.
[11]	张明斗, 翁爱华. 数字经济空间关联网络的产业结构变迁效应研究——基于网络节点中心性分析视角[J]. 产业经济研究, 2022(6): 129-142. Zhang M D, Weng A H. Research on the effect of industrial structure change of spatial correlation network of digital economy: based on the analysis of network centrality[J]. Industrial Economics Research, 2022(6): 129-142.
[12]	Zhang X F, Wu X M, Zhou W H, et al. Research on the green innovation effect of digital economy network-empirical evidence from the manufacturing industry in the Yangtze River Delta[J]. Environmental Technology & Innovation, 2024, 34. DOI:10.1016/j.eti.2024.103595
[13]	徐妍, 张玉冰. "促进"还是"阻碍": 数字经济空间关联网络对碳排放绩效的影响[J]. 环境科学, 2025, 46(1): 76-87. Xu Y, Zhang Y B. "Facilitate" or "hinder": impact of spatial connectivity networks in the digital economy on carbon performance[J]. Environmental Science, 2025, 46(1): 76-87. DOI:10.13227/j.hjkx.202311177
[14]	Xu Z H, Xu W H, Xin D L. Digital-real economy integration and urban low-carbon development in China[J]. Economic Analysis and Policy, 2025, 86: 606-621. DOI:10.1016/j.eap.2025.03.043
[15]	Pang G G, Li L, Guo D. Does the integration of the digital economy and the real economy enhance urban green emission reduction efficiency? Evidence from China[J]. Sustainable Cities and Society, 2025, 122. DOI:10.1016/j.scs.2025.106269
[16]	曹增栋, 岳中刚, 夏文浩. 数实产业技术融合与制造业企业污染减排——基于上市企业专利引用信息的研究[J]. 经济经纬, 2025, 42(2): 110-120. Cao Z D, Yue Z G, Xia W H. The integration of digital and real industry technologies and pollution reduction in manufacturing firms: a study based on patent citation information of listed companies[J]. Economic Survey, 2025, 42(2): 110-120.
[17]	张跃胜, 翟雨桐. 数实融合对资源型城市经济韧性的影响及驱动机制[J]. 经济地理, 2025, 45(12): 105-114. Zhang Y S, Zhai Y T. Impact of digital-real integration on economic resilience of resource-based cities and its driving mechanisms[J]. Economic Geography, 2025, 45(12): 105-114.
[18]	米国芳, 吕淼鑫, 苏坤荣. 数字经济与实体经济融合的碳减排效应——来自我国省域的经验证据[J]. 统计学报, 2024, 5(2): 12-26. Mi G F, Lyu M X, Su K R. Carbon emission reduction effect of integrating digital econom with real economy——empirical evidence from China's provinces[J]. Journal of Statistics, 2024, 5(2): 12-26.
[19]	王伟光, 王洋洋. 数字经济、实体经济与绿色福利效应[J]. 工业技术经济, 2024, 43(6): 49-60. Wang W G, Wang Y Y. Digital economy, real economy and green welfare effect[J]. Journal of Industrial Technological Economics, 2024, 43(6): 49-60.
[20]	闫春, 丁一, 刘新红. 数字经济空间关联及其与实体经济发展的交互影响[J]. 中国流通经济, 2024, 38(4): 13-25. Yan C, Ding Y, Liu X H. Research on the spatial correlation of digital economy and the interactive influence with the development of real economy[J]. China Business and Market, 2024, 38(4): 13-25.
[21]	孙晓华, 马雪娇, 孔一杰, 等. 中国制造业的数字鸿沟——"接入—应用—转化"的分析框架[J]. 管理世界, 2025, 41(4): 38-58. Sun X H, Ma X J, Kong Y J, et al. The digital divide in China's manufacturing industry: an analytical framework of access-application-conversion[J]. Journal of Management World, 2025, 41(4): 38-58.
[22]	赵鸿潇, 程钰, 王丹, 等. 中国三大城市群绿色技术合作空间演化及其碳减排效应[J]. 自然资源学报, 2024, 39(6): 1341-1357. Zhao H X, Cheng Y, Wang D, et al. Spatial evolution of green technology cooperation among three major urban agglomerations in China and its carbon emission reduction effect[J]. Journal of Natural Resources, 2024, 39(6): 1341-1357.
[23]	Lundvall B Å. National systems of innovation: towards a theory of innovation and interactive learning[M]. London: Pinter Publishers, 1992.
[24]	Liu B L, Huang Y J, Chen M M, et al. Towards sustainability: how does the digital-real integration affect regional green development efficiency?[J]. Economic Analysis and Policy, 2024, 83: 42-59. DOI:10.1016/j.eap.2024.06.008
[25]	Williamson O E. Markets and hierarchies: analysis and antitrust implications[M]. New York: Free Press, 1975.
[26]	黄先海, 高亚兴. 数实融合加速新质生产力形成的内在逻辑与实践路径[J]. 经济纵横, 2024(10): 46-56. Huang X H, Gao Y X. Logic and path of accelerating the formation of new quality productive forces by integration of digital economy and real economy[J]. Economic Review Journal, 2024(10): 46-56.
[27]	曹增栋, 岳中刚. 数字经济与实体经济融合对碳排放强度的影响: 理论模型与经验证据[J]. 经济问题探索, 2024(12): 1-16. Cao Z D, Yue Z G. The Impact of the integration of the digital economy and real economy on carbon emission intensity: theoretical models and empirical evidence[J]. Inquiry into Economic Issues, 2024(12): 1-16.
[28]	刘耀彬, 邓伟凤, 李硕硕, 等. 数字产业集聚对减污降碳协同的影响——以长江经济带为例[J]. 资源科学, 2024, 46(4): 744-760. Liu Y B, Deng W F, Li S S, et al. The impact of digital industry agglomeration on synergistic pollution reduction and carbon emission reduction: taking the Yangtze River Economic Belt as an example[J]. Resources Science, 2024, 46(4): 744-760.
[29]	Wang D, Liang Y F, Dou W. How does urban industrial structure upgrading affect green productivity? The moderating role of smart city development[J]. Structural Change and Economic Dynamics, 2025, 72: 133-149. DOI:10.1016/j.strueco.2024.09.017
[30]	Li Z, Chen X D, Ye Y Y, et al. The impact of digital economy on industrial carbon emission efficiency at the city level in China: gravity movement trajectories and driving mechanisms[J]. Environmental Technology & Innovation, 2024, 33. DOI:10.1016/j.eti.2023.103511
[31]	刘晔, 徐楦钫, 马海涛. 中国城市人力资本水平与人口集聚对创新产出的影响[J]. 地理科学, 2021, 41(6): 923-932. Liu Y, Xu X F, Ma H T. Impact of human capital stock and population concentration on innovative output in China[J]. Scientia Geographica Sinica, 2021, 41(6): 923-932.
[32]	吴康, 耿一睿, 郭涛. 城市群绿色技术创新对碳排放的影响——基于人力资本的调节效应[J]. 自然资源学报, 2024, 39(9): 2121-2139. Wu K, Geng Y R, Guo T. The impact of green technology innovation on carbon emissions from the perspective of urban agglomeration: the moderating effect of human capitals[J]. Journal of Natural Resources, 2024, 39(9): 2121-2139.
[33]	Buntaine M T, Greenstone M, He G J, et al. Does the squeaky wheel get more grease? The direct and indirect effects of citizen participation on environmental governance in China[J]. American Economic Review, 2024, 114(3): 815-850. DOI:10.1257/aer.20221215
[34]	吴力波, 杨眉敏, 孙可哿. 公众环境关注度对企业和政府环境治理的影响[J]. 中国人口·资源与环境, 2022, 32(2): 1-14. Wu L B, Yang M M, Sun K G. Impact of public environmental attention on environmental governance of enterprises and local governments[J]. China Population, Resources and Environment, 2022, 32(2): 1-14.
[35]	江艇. 因果推断经验研究中的中介效应与调节效应[J]. 中国工业经济, 2022(5): 100-120. Jiang T. Mediating effects and moderating effects in causal inference[J]. China Industrial Economics, 2022(5): 100-120.
[36]	陆敏, 徐好, 陈福兴. "双碳"背景下碳排放交易机制的减污降碳效应[J]. 中国人口·资源与环境, 2022, 32(11): 121-133. Lu M, Xu H, Chen F X. Pollution and carbon reduction effects of the carbon emissions trading mechanism in the context of the 'dual carbon' goals[J]. China Population, Resources and Environment, 2022, 32(11): 121-133.
[37]	姜浩, 邓峰. 新能源示范城市建设的减污降碳协同治理效应研究[J]. 软科学, 2025, 39(7): 60-69. Jiang H, Deng F. Synergistic governance effect of pollution reduction and carbon reduction in the construction of new energy demonstration cities[J]. Soft Science, 2025, 39(7): 60-69.
[38]	Wang K W, Fang C L. Revealing the synergy between carbon reduction and pollution control in the process of new-type urbanization: evidence from China's five major urban agglomerations[J]. Sustainable Cities and Society, 2025, 120. DOI:10.1016/j.scs.2025.106154
[39]	史丹, 孙光林. 数字经济和实体经济融合对绿色创新的影响[J]. 改革, 2023(2): 1-13. Shi D, Sun G L. The influence of the integration of digital economy and real economy on green innovation[J]. Reform, 2023(2): 1-13.
[40]	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): 65-75. Zhao T, Zhang Z, Liang S K. Digital economy, entrepreneurship, and high-quality economic development: empirical evidence from urban China[J]. Journal of Management World, 2020, 36(10): 65-75.
[41]	Ma Z Y, Xiao H, Li J, et al. Study on how the digital economy affects urban carbon emissions[J]. Renewable and Sustainable Energy Reviews, 2025, 207. DOI:10.1016/j.rser.2024.114910
[42]	田秀杰, 孙瑞琦, 鹿传磊. 数字技术空间关联网络对城市碳减排的影响: 基于网络节点中心性视角[J]. 环境科学, 2025, 46(10): 6185-6197. Tian X J, Sun R Q, Lu C L. Impact of digital technology spatial correlation network on urban carbon emission reduction: based on the perspective of network node centrality[J]. Environmental Science, 2025, 46(10): 6185-6197. DOI:10.13227/j.hjkx.202409198
[43]	刘安乐, 杨承玥, 明庆忠, 等. 中国文化产业与旅游产业协调态势及其驱动力[J]. 经济地理, 2020, 40(6): 203-213. Liu A L, Yang C Y, Ming J Z, et al. Spatial-temporal coordination and driving forces of provincial culture industry and tourism industry in China[J]. Economic Geography, 2020, 40(6): 203-213.
[44]	杨晓军, 薛洪畅. 创新驱动政策是否促进城市减污降碳协同增效?——来自国家创新型城市试点政策的经验证据[J]. 产业经济研究, 2024(3): 1-14. Yang X J, Xue H C. Does innovation-driven policy enhance synergizing the reduction of pollution and carbon emissions in cities? Empirical evidence from national innovative city pilot policy[J]. Industrial Economics Research, 2024(3): 1-14.
[45]	邵帅, 张可, 豆建民. 经济集聚的节能减排效应: 理论与中国经验[J]. 管理世界, 2019, 35(1): 36-60. Shao S, Zhang K, Dou J M. Effects of economic agglomeration on energy saving and emission reduction: theory and empirical evidence from China[J]. Journal of Management World, 2019, 35(1): 36-60.
[46]	汪辉平, 张准. 中国碳排放脱钩效应、驱动因素与预测分析[J]. 环境科学, 2026, 47(3): 1400-1412. Wang H P, Zhang Z. Analysis of China's carbon emission decoupling effect, driving factors, and forecasting[J]. Environmental Science, 2026, 47(3): 1400-1412. DOI:10.13227/j.hjkx.202503158
[47]	张桂文, 邓晶晶, 张帆. 中国人口老龄化对制造业转型升级的影响[J]. 中国人口科学, 2021(4): 33-44. Zhang G W, Deng J J, Zhang F. Research on the impact of China's population aging on transformation and upgrading of the manufacturing industry[J]. Chinese Journal of Population Science, 2021(4): 33-44.
[48]	张雪纯, 曹霞, 宋林壕. 碳排放交易制度的减污降碳效应研究——基于合成控制法的实证分析[J]. 自然资源学报, 2024, 39(3): 712-730. Zhang X C, Cao X, Song L H. The effect of pollution control and carbon reduction of the carbon emission trading system: An empirical analysis based on the synthetic control method[J]. Journal of Natural Resources, 2024, 39(3): 712-730.
[49]	钟顺昌, 焦怡萌, 闫程莉, 等. 建设用地资源空间集聚对减污降碳协同的影响机制[J]. 地理学报, 2024, 79(3): 688-711. Zhong S C, Jiao Y M, Yan C L, et al. The impact mechanism of spatial agglomeration of construction land resources on the synergistic reduction of pollutants and CO₂ [J]. Acta Geographica Sinica, 2024, 79(3): 688-711.
[50]	张晓燕, 姬家豪. 金融科技与金融监管的动态匹配对金融效率的影响[J]. 南开管理评论, 2023, 26(1): 43-54. Zhang X Y, Ji J H. The Impact of dynamic matching between fintech and financial regulation on financial efficiency[J]. Nankai Business Review, 2023, 26(1): 43-54.
[51]	胡森林, 曾刚, 王胜鹏, 等. 长江经济带减污降碳的时空格局演变与技术创新驱动[J]. 地理研究, 2025, 44(1): 72-90. Hu S L, Zeng G, Wang S P, et al. Spatio-temporal evolution and technological innovation driven in reduction of pollution and carbon emissions of the Yangtze River Economic Belt[J]. Geographical Research, 2025, 44(1): 72-90.
[52]	Peng S Z, Ding Y X, Liu W Z, et al. 1 km monthly temperature and precipitation dataset for China from 1901 to 2017[J]. Earth System Science Data, 2019, 11(4): 1931-1946. DOI:10.5194/essd-11-1931-2019
[53]	唐丽娜, 李奕延, 农海勤. 数字经济、双重环境规制与碳排放绩效[J]. 环境科学, 2026, 47(4): 2216-2226. Tang L N, Li Y Y, Nong H Q. Digital economy, dual environmental regulation, and carbon emission performance[J]. Environmental Science, 2026, 47(4): 2216-2226. DOI:10.13227/j.hjkx.202502133
[54]	王亚飞, 黄欢欢, 石铭, 等. 新型基础设施建设对共同富裕的影响机理及实证检验[J]. 中国人口·资源与环境, 2023, 33(9): 192-203. Wang Y F, Huang H H, Shi M, et al. Influence mechanism and empirical test of new infrastructure construction on the promotion of common prosperity[J]. China Population, Resources and Environment, 2023, 33(9): 192-203.
[55]	周密, 王雷, 郭佳宏. 新质生产力背景下数实融合的测算与时空比较——基于专利共分类方法的研究[J]. 数量经济技术经济研究, 2024, 41(7): 5-27. Zhou M, Wang L, Guo J H. Measurement and temporal-spatial comparison of the integration of the digital economy and the real economy in the context of new quality productivity: based on the patent co-classification method[J]. Journal of Quantitative & Technological Economics, 2024, 41(7): 5-27.
[56]	孙伟增, 牛冬晓, 万广华. 交通基础设施建设与产业结构升级——以高铁建设为例的实证分析[J]. 管理世界, 2022, 38(3): 19-34, 58. Sun W Z, Niu D X, Wan G H. Transportation infrastructure and industrial structure upgrading: evidence from China's high-speed railway[J]. Journal of Management World, 2022, 38(3): 19-34, 58.


环境科学 2026, Vol. 47 Issue (9): 6070-6081	PDF