2024, Vol. 45
在全球化和技术驱动的经济时代, 数字经济引领的增长正面临边际递减效应. 与此相比, 数字经济的空间关联网络展现出更大的增长潜力. 这种网络不仅扩展了地理空间, 还深化了经济活动的整合与协同[1]. 供应链的数字化整合和大数据与人工智能技术的深度融合预示着经济增长新引擎正在向多维度、跨领域方向转移. 中国政府已经认识到数字经济空间联动的重要性, 并在政策层面给予支持. 2019年, 国家发改委和科技部等部门发布《关于支持深圳建设中国特色社会主义先行示范区的意见》, 强调粤港澳大湾区数字经济的协同创新和深化国际合作. 2022年3月, 十三届全国人大五次会议审查的计划报告提出实施“东数西算”工程, 旨在引导东部算力需求到西部, 促进数据跨域流动, 缓解东部能源紧张问题, 同时为西部开辟发展新路, 强调地域间数字经济的联动. 因此, 随着技术、知识与创新流动性的增强, 数字经济空间关联网络成为经济发展的核心动力[2].
当前, 中国正经历经济结构优化、产业转型升级和环境治理三重叠加的阶段, 这意味着在追求经济增长的同时, 更加注重发展的质量、效益及与生态环境的和谐. 因此, 实现双碳目标成为高质量发展的关键任务. 这不仅是中国对全球气候变化的承诺, 也是经济转型升级的必然选择. 然而, 要实现双碳目标, 单纯依赖传统产业结构调整和技术革新是不够的, 数字经济的动力和支持至关重要[3]. 从实践来看, 数字经济空间关联网络通过优化生产过程和提升能源效率, 在碳减排的初期阶段发挥了积极作用[4]. 但在碳达峰的转折点之后, 生产效率的提升可能会导致能源需求增加, 显示出数字经济空间关联网络在碳排放管理中的作用是相对的, 并可能随双碳目标实施的不同阶段而变化[5]. 因此, 在经济结构优化和环境治理相互作用的复杂背景下, 深入研究数字经济空间关联网络与碳效应之间的相互作用和影响机制, 不仅具有理论意义, 也为实际决策提供了精细化依据.
基于此, 本文聚焦于数字经济空间关联网络在碳减排和碳回弹效应方面的作用, 重点探讨数字经济空间关联网络的时空演化特征. 与现有文献相比, 本文主要有如下贡献和创新之处①研究视角：将数字经济空间关联网络与碳减排和碳回弹效应整合至统一分析框架内, 考察数字经济空间关联网络在碳排放中的异质性效应, 并探究基于技术进步的能源效率效应及其中介作用. ②研究方法：应用UCINET软件, 绘制各城市间数字经济空间分布, 探讨数字经济空间关联网络的演化特征. ③异质性分析：探讨地理区域、行政等级、城市环境治理目标和资源禀赋这4个维度下的调控效果.
1 理论分析和研究假说 1.1 数字经济空间关联网络的碳排放效应在全球气候变化治理的多维框架内, 碳排放管理成为核心议题, 涵盖碳减排和碳回弹效应两大基本组成部分. 最初, 碳排放管理重点在于碳减排, 即减少碳排放量, 响应《京都议定书》和《巴黎协定》中温室气体减排的承诺. 碳减排是环境库兹涅茨曲线理论（environmental Kuznets curve）的应用延伸, 该理论指出随着经济发展, 环境污染会先升高后降低. 碳减排主要通过技术创新、能源结构调整和政策改革, 实现碳排放总量的下降[6]. 然而, 随着对碳排放管理复杂性的认识加深, 尤其是引入Jevons悖论（Jevons paradox）后, 研究领域逐渐扩展到碳回弹效应[7]. 这一理论框架表明, 在某些情况下, 旨在减少碳排放的政策和措施可能间接导致碳排放增加[8]. 所谓的回弹效应是指, 随着技术进步提高能源效率和减少能源消耗, 虽然产品生产的能源消耗减少, 但高效率可能带来价格下降或产量增加, 导致新增能源消耗, 最终超过技术进步带来的节能量, 即为回弹效应[9, 10]. 这一认识揭示了碳排放管理在追求可持续发展和气候适应性方面的复杂性, 并强调了需要更全面、更动态的管理框架. 此外, 适应性管理（adaptive management）和复杂系统理论（complex systems theory）进一步强调了碳排放管理的不确定性和非线性特性[11]. 因此, 本文将碳减排效应和碳回弹效应统一纳入碳排放管理框架中进行研究（图 1）.
|
图 1 数字经济空间关联网络影响碳排放效应的路径 Fig. 1 Path of spatial correlation network of digital economy affecting carbon emission effect |
在碳排放管理中, 碳减排和碳回弹效应构成了复杂的动态平衡, 交替影响着长期的碳排放趋势. 通常, 初始的碳减排政策会带来明显的减排效果, 但这往往成为碳回弹效应的触发因素. 随着初期减排措施带来的经济利益和技术进步, 比如能源效率提升和成本降低, 新的消费和生产模式随之出现, 可能导致更广泛的能源使用[12], 削弱甚至逆转早期的减排成效. 这种失衡通常需要通过新一轮政策和技术创新来重新平衡. 以推动电动汽车（EVs）为例, 初期政策通过各种激励措施促进电动汽车普及, 以减少交通部门的碳排放. 这些措施产生了显著的短期减排效果, 符合环境库兹涅茨曲线理论的预测. 然而, 随着电动汽车成本下降和用户接受度提升, 人们开始更频繁使用电动汽车, 导致电力需求增加[13], 反映了Jevons悖论, 即效率提升可能导致更高的能源消耗. 如果这些额外的电力需求主要由碳密集型能源供应, 那么碳回弹效应可能部分或完全抵消电动汽车的减排效益. 因此, 碳减排和碳回弹效应并非独立, 而是在不同时间尺度和经济条件下相互作用的结果. 有效的碳排放政策需要从一开始就综合考虑这两种效应的影响, 以确保政策的长期可行性和持续效果.
在“双碳”发展框架下, 深入了解数字经济空间关联网络对碳减排和碳回弹效应的影响变得至关重要. 从碳减排角度看, 这种网络能降低碳减排的经济成本, 提升政策执行的效率和精确性. 在微观经济层面, 通过物联网、大数据和人工智能等技术, 数字经济空间关联网络优化生产流程和资源配置[14], 直接减少了每单位产出的碳排放. 这不仅提高了生产效率, 还通过减少资源浪费和提升能效达到碳排放优化. 在中观经济层面, 数字经济空间关联网络促进了行业间和区域间的数据共享和协作, 推动碳减排的最佳实践和技术在更广泛的范围内应用[15]. 这种跨界的数据流动, 实际上是一种“知识外溢”现象, 通过快速传播高效的碳减排方案, 降低了社会整体的碳减排成本[16]. 在宏观经济层面, 数字经济的全球化特性在全球碳减排战略中扮演关键角色. 通过跨国数据平台和全球供应链的高效管理[17], 不仅可以准确核算各地区和行业的碳排放, 还能推动全球范围内的碳排放权交易, 这对于政府制定精确的碳减排政策具有重要价值.
从碳回弹的角度看, 数字经济空间关联网络对碳回弹效应的影响是一个多层面、多维度的现象. 这些效应并不仅仅是简单地增加碳排放总量, 而是通过经济机制和行为反应的复杂交织, 抵消或逆转了初步达到的碳减排目标. 从需求侧来看, 虽然数字技术应用提高了生产效率, 降低了单位产出的碳排放, 但这种减排效果并非线性或单向. 提升的生产效率通常会导致生产成本下降[18], 根据供需模型, 成本下降增加了供应量, 可能导致市场价格下降, 进而激发消费需求增加[19]. 结果, 碳回弹效应发生：单位产品的碳排放虽降低, 但总需求量的增加可能导致实际碳排放量维持不变或增加. 这种碳回弹是多个经济因素共同作用的复杂市场反应[20]. 在结构性碳回弹方面, 数字经济空间关联网络通过促进跨行业、跨区域的数据共享和合作[21], 加速碳减排解决方案的传播和应用. 但这种网络效应和经济外部性可能创造新的市场和生产领域, 其碳排放特性可能不会减少, 导致结构性碳回弹. 此外, 在环境规制下, 尽管企业通过技术创新提高能效, 但信息不对称等因素可能导致规制政策无效、要素价格扭曲, 未能有效实现碳减排[22]. 在数字经济网络的全球性特征下, 碳排放可能从环境监管严格的区域转移到监管宽松的区域[23], 形成全球碳泄漏, 这是一种特殊的碳回弹形式, 与Heckscher-Ohlin贸易模型中的资源重新分配逻辑相契合, 加剧了全球范围内的碳排放不平等. 因此, 本文提出假设一和假设二.
假设一：数字经济空间关联网络能够正向促进碳减排效应.
假设二：数字经济空间关联网络可以引致碳回弹效应.
1.2 数字经济空间关联网络影响碳减排效应的中介机制数字经济空间关联网络作为一个高度复杂的信息生态系统, 对企业追求技术进步具有显著的激励作用. 这一网络通过精细化的数据分析、物联网应用和高度定制化的人工智能算法, 有效降低了信息不对称和搜寻成本[12]. 企业在这样的网络中运作时, 能更容易获取与其生产或研发活动紧密相关的信息和知识, 增强其对潜在投资价值和风险的判断能力, 并减少因信息缺失而导致的投资失误. 这种信息的便利获取和共享, 解决了“逆向选择”和“道德风险”等信息不对称问题, 激发了企业进行技术研发和创新的动力和能力. 在数字经济空间关联网络的影响下, 企业之间形成了竞争与合作并存的关系, 更易于融合技术创新和资源配置, 从而提升了技术进步的内在动力[3]. 这样的环境使技术创新变得不再孤立和高风险, 而是在网络合作和信息共享的推动下, 成为一种更可预测和可控的投资行为.
数字经济空间关联网络通过促进技术进步, 对能源效率产生了显著影响. 首先, 在生产侧, 技术进步允许更精确的能源管理, 智能网格和物联网技术实现更准确的能源分配[17], 避免了传统生产过程中的能源浪费和相关碳排放. 其次, 技术进步所带来的自动化和数据分析不仅提高了生产效率, 更重要的是改变了能源使用结构. 例如, 利用精确的数据分析和预测模型, 可以在风能或太阳能资源丰富的时段安排更多的生产活动, 减少对化石能源的依赖[1]. 再者, 技术进步推动了更高效的能源储存解决方案的研发和应用, 如先进的电池技术, 这不仅提升了能源储存效率, 也减少了储存过程中的碳排放. 最后, 在消费侧, 技术进步也改变了人们的能源需求结构. 智能化的产品和解决方案, 例如智能家居系统, 能更有效地管理能源使用, 减少不必要的能源浪费和碳排放[24]. 这些因素共同作用, 使数字经济空间关联网络成为提升能源效率的重要驱动力. 因此, 提出假设三.
假设三：数字经济空间关联网络能够推动技术进步下的能源效率提升, 进而减少碳排放.
1.3 数字经济空间关联网络影响碳回弹效应的中介机制在微观层面上, 数字经济空间关联网络通过数据分析、物联网以及自动化等手段, 显著提高了企业的生产效率和技术进步, 进而降低了单位产出的能源消耗, 提升了能源效率. 然而, 单位产出的能源效率提升可能导致生产成本降低, 尤其在能源密集型产业. 成本降低激励企业扩大生产, 增强市场竞争力, 从而潜在地触发碳回弹效应[25]. 成本下降和竞争力增加可能导致企业扩大生产规模或降低产品价格以获得更大市场份额, 进而刺激生产活动和消费者需求增加[26]. 这可能在一定程度上抵消或超过提高能源效率带来的碳减排效益, 造成碳回弹[27]. 这种微观经济机制可能在多个生产周期和市场调整过程中逐步放大, 最终导致碳排放不降反升.
在宏观层面上, 数字经济空间关联网络通过跨行业和跨区域的数据共享和合作, 加速了碳减排技术和高效生产模式的应用, 这是一种正向的经济外部性, 普遍提高了整个经济系统的生产效率和能源效率[8]. 然而, 这种提升也可能在宏观经济层面激发碳回弹效应. 当多个行业或地区实现显著的技术进步和能源效率提升时, 整体的生产和消费量可能增加[28], 形成复杂的多层次市场反应, 涉及供应链、需求变化及国际贸易等方面. 在这种情况下, 即使单一行业或地区实现显著的碳排放减少, 整体经济活动的增长可能导致总体碳排放量增加, 形成宏观层面的碳回弹效应. 基于此, 提出假设四.
假设四：数字经济空间关联网络能够推动技术进步下的能源效率效应, 引致碳回弹效应.
2 数字经济空间关联网络的动态演化特征分析 2.1 数字经济空间关联网络构建首先, 搭建测度数字经济发展水平（DE）的指标体系. 本文借鉴赵涛等[29]的研究, 以此为基础构建数字经济发展水平指标体系, 并且采用熵值法进行测度[1]. 具体指标体系构建如表 1所示.
|
表 1 数字经济发展水平指标体系 Table 1 Indicator system for the level of development of the digital economy |
其次, 构建数字经济的空间关联网络. 要精确合理地计算每个城市节点的中心度, 就需要在数字经济空间关联特征的基础上, 建立起各城市之间的数字经济空间关联网络[30]. 现有研究多是利用修正引力模型或者向量自回归模型（VAR）等方法, 对城市间的空间关联性进行测度. 但考虑到修正引力模型在模型要求、时间跨度和精度上的优点, 本文基于张明斗等[21]的测度方法, 采用修正引力模型来构建城市间的数字经济空间关联网络, 具体方法如公式（1）和公式（2）所示：
|
(1) |
|
(2) |
式中, DEEij为城市i对城市j的数字经济作用效果, DE为各城市的数字经济发展水平, GAPij为城市i和城市j之间的地理距离, 通过ArcGIS软件即可获取相关数据, Kij为本文的修正系数, 用于刻画城市之间数字经济的联系. 由于“互联网+”和物联网等数字技术能够突破地域性的限制, 对城市间的数字经济关系产生影响. 因此, 数字经济的空间关联网络不再只受地理距离的影响, 而是会受到经济规模和人口流动强度等经济因素的影响. 故本文在原始引力模型中加入人均生产总值（PGDP）和年末常住人口（P）两个变量用来修正引力模型. 基于此, 构建数字经济的有向空间关联矩阵：
|
(3) |
再者, 对矩阵（3）进行二值化处理, 采用各城市数字经济空间关联特性的均值作为分析二值矩阵的阈值[21]. 其中, 若城市i与城市j之间存在着数字经济的空间联系, 那么Bi, j=1, 否则Bi, j=0；N为数字经济空间关联网络中的节点个数. 二值化处理结果如公式（4）所示：
|
(4) |
最后, 通过UCINET软件能够测量度数中心度、接近中心度和中介中心度这3种网络中心性指标. 本研究聚焦于网络节点的中心性, 重点探讨城市节点基于数字经济发展形成的空间关联特性, 关注点在于城市节点间的连接数量及其对整个空间关联网络布局的影响[31]. 因此, 选择度数中心度作为表征城市在数字经济空间关联网络中的特征是合适的. 为了解决绝对中心度不可比的问题, 并增强结论的稳健性, 本文还加入了相对中心度指标. 综上所述, 本文采用绝对中心度（AID）和相对中心度（CID）两个指标来表示核心解释变量. 具体的计算方法见公式（5）和公式（6）：
|
(5) |
|
(6) |
根据上文设计的数字经济空间关联网络的指标, 计算了2011~2021年254个地级市（剔除拉萨、莱芜和毕节等数据缺失较为严重的城市）的数字经济关联情况, 基于此, 分析数字经济空间关联网络的时序演化特征.
首先, 通过观察数字经济空间关联关系的时序演变（见图 2）, 可以看出中国数字经济发展水平在2011~2021年间总体呈现上升趋势, 与国内生产总值（GDP）增长趋势高度相似. 《中国数字经济发展研究报告（2023年）》显示, 2022年中国的数字经济在GDP中的占比已达到41.5%, 与第二产业的贡献接近, 这凸显了数字经济在经济结构中的核心地位和其推动现代化的潜力. 图 2还表明, 在2013年之前中国数字经济发展水平呈高速增长态势, 而2013年之后增长趋于平稳. 这种变化主要是因为2013年中国互联网行业进入移动端时代, 数字经济进入成熟期, 更关注于传统产业的数字化转型, 因而影响了数字经济发展速度.
|
图 2 数字经济发展水平、绝对中心度和相对中心度的时序演变 Fig. 2 Temporal evolution of the level of development of the digital economy, AID, and CID |
其次, 观察图 2可知, 无论是使用绝对中心度（AID）还是相对中心度（CID）来衡量, 我国地级市的数字经济空间关联强度均呈现出持续增强的趋势, 表明城市间的空间联动性日益加强. 尽管在2013年数字经济转型期间, 反映空间关联水平的趋势线出现波动, 但总体仍保持积极的上升态势. 同时, 值得注意的是数字经济空间关联强度的平均值高于中位数, 这表明我国地级市数字经济空间关联的分布呈现正偏态, 多数地级市的空间关联水平低于平均值, 而少数关联水平较高的城市对整体产生了明显的带动作用. 因此, 本文强调需要关注数字经济发展的不均衡问题, 应从区域联动的角度深入审视数字经济的发展, 探讨数字经济空间关联网络对城市高质量发展的影响.
2.3 数字经济空间关联网络的空间演化特征为进一步研究2011~2021年期间各样本城市数字经济空间关联网络的空间演化特征, 本文绘制了2011年和2021年排名前40的城市的数字经济空间分布及其关联关系（图 3和图 4）. 这些图表中的连接线和箭头展示了城市间数字经济的关联强度和方向. 从图 3和图 4可以观察到, 中国各城市数字经济发展展现了错综复杂的空间关联网络结构特点. 其次, 从2011年到2021年, 中国数字经济空间关联网络中的连接线明显增多, 各城市节点的重要性也逐渐提升. 这进一步表明中国数字经济发展正逐渐演变为多元协同的“一盘棋”发展格局, 这与张明斗等[21]的研究结论相符. 这表明在“东数西算”和“数字中国”建设的背景下, 2011~2021年间, 各城市纷纷推出相关政策和指导意见. 在推动各城市数字经济的发展的同时, 也更加注重城市间数字经济资源的流通与共享, 以及数字经济的区域协同发展.
|
图 3 2011年排名前40位城市数字经济空间分布及关联关系 Fig. 3 Spatial distribution and correlation of the digital economy in the top 40 cities in 2011 |
|
图 4 2021年排名前40位城市数字经济空间分布及关联关系 Fig. 4 Spatial distribution and correlation of the digital economy in the top 40 cities in 2021 |
此外, 数字经济空间关联网络的分析还揭示了地理区域上的非均衡空间演化特征. 根据图 3和图 4的数据, 中国数字经济空间分布显示出“东部高-中西部低”的格局. 具体来看, 北京市、天津市、上海市、杭州市、南京市和深圳市等东部地区城市在数字经济空间关联网络中起着至关重要的辐射作用. 这主要是因为这些东部城市依托其先进的工业化体系和健全的数字经济基础设施, 更容易在网络中建立密切联系[32]. 相比之下, 仙桃市、张掖市、天水市和平凉市等中西部地区城市在数字经济空间关联网络中的联系相对较少, 与其他城市的数字经济空间联系较弱, 因而处于网络中的边缘地位. 中西部城市可能因地理位置较偏远、经济和数字技术水平相对滞后, 所以在数字经济空间关联网络中的辐射和溢出效应较弱. 这一发现强调了我国数字经济发展中地域差异的存在, 提示需要重视区域间的均衡发展, 促进数字经济的全面融合和均衡发展.
3 研究设计 3.1 模型设计为了考察城市数字经济空间关联特性的碳排放效应, 本文构建的基准模型如下文所示.
首先, 检验城市数字经济空间关联网络的碳减排效应, 构建的计量模型如公式（7）所示：
|
(7) |
其次, 检验城市数字经济空间关联网络的碳回弹效应, 构建的计量模型如公式（8）所示：
|
(8) |
式中, CEit和CRit为被解释变量, 分别用来表示第i个城市第t年的碳减排效应和碳回弹效应；Degreeit为本文的核心解释变量, 表示第i个城市第t年的数字经济空间关联网络特性, 本文采用该城市的度数中心度进行衡量；Xijt为本文全部的控制变量；μi为个体固定效应；φt为时间固定效应；εit为随机误差项.
3.2 变量测度 3.2.1 核心解释变量本文的核心解释变量为数字经济的空间关联网络特性. 具体测度方法如前文所示. 考虑到结论的稳健性, 本文选取绝对中心度（AID）和相对中心度（CID）两个指标进行表征数字经济空间关联网络特征.
3.2.2 被解释变量（1）碳减排效应 本文的被解释变量之一为碳减排效应（CE）, 借鉴王维国等[14]和冯兰刚等[3]方法, 采用碳排放总量与地区生产总值（GDP）的比值来度量碳减排效应, 其中, 本文基于碳排放核算的边界界定方法测算城市碳排放总量[33]. 该度量指标意味着, 当该指标数值越大时, 城市的碳排放量就越大, 碳减排作用效果就越小；否则, 发挥的碳减排作用效果越大.
（2）碳回弹效应 本文的另一个被解释变量为碳回弹效应（CR）. 目前研究中国能源回弹效应的文献较多, 而关于碳回弹测度方法的文献较少. 本文参考郭庆宾等[34]的做法, 基于回弹效应定义, 采用DEA-Malmquist生产率指数法, 测算技术进步贡献率影响下的碳回弹效应；其中, 碳回弹效应指标的数值越大, 说明城市的碳回弹现象越明显；否则, 城市的碳回弹效应越小. 具体方法如下.
首先, 通过使用MaxDEA软件, 采用数据包络分析法DEA-Malmquist指数测算样本城市的全要素生产率（TFP）, 以样本内的每个城市作为一个有效决策单元（DMU）, 将年份作为时间变量（time）, 构建第i个城市在第t年的全要素生产率（TFP）. 其中, 资本投入借鉴张军等[35]的研究方法, 采用永续盘存法, 以2003年为基期计算各城市的固定资本存量；劳动投入选取各城市的城镇就业人口进行衡量；经济产出指标选取地区生产总值来衡量. 那么, 第t年的全要素生产率变动率（RTFP）为：
|
(9) |
其次, 计算第t年的经济变动率：
|
(10) |
接着, 计算第t年技术进步引致经济变动的贡献率：
|
(11) |
最后, 计算第t年技术进步引致的碳回弹效应（CR）：
|
(12) |
式中, Y为样本城市的国内生产总值（GDP）, CI为样本城市的碳排放强度, 其中Yt×(CIt-1×CIt)为技术进步引致的碳排放减少量, σt×(Yt-Yt-1)×CIt为技术进步引致的样本城市碳排放的增加量.
3.2.3 控制变量参考现有文献, 本文选取以下变量作为控制变量：①金融发展水平（FIN）, 采用当地年末金融机构各项贷款余额与国内生产总值的比值来表示；②财政支出水平（FIS）, 地方财政一般预算内支出占国内生产总值的比值来表示；③人力资本水平（LAB）, 用当地普通本专科及以上人口数除以年末常住人口来表示；④市场化程度（MAR）, 采用王小鲁等[36]编制的市场化指数来表示；⑤环境规制强度（EN）, 用当地环境污染治理当年投资总额占国内生产总值来表示.
3.3 数据来源及描述性统计除去部分数据缺失严重的城市（如拉萨、莱芜和毕节等）以及港澳台地区等外, 本研究选取中国254个地级市2011~2021年间的面板数据, 并且针对部分缺失数据运用线性插值法补齐. 地级市层面数据均来源于2012~2022年的《中国城市统计年鉴》, 以及各地级市编制的《国民经济和社会发展统计公报》；中国数字金融普惠指数来源于《北京大学数字普惠金融指数（2011-2021年）》, 该指数由北京大学数字金融研究中心和蚂蚁金服集团共同编制. 主要变量的描述性统计如表 2所示.
|
|
表 2 描述性统计 Table 2 Descriptive statistics |
4 结果与讨论 4.1 基准回归分析
表 3报告了数字经济空间关联网络特性对碳减排效应的估计结果. 具体而言, 前3列和后3列分别使用绝对中心度（AID）和相对中心度（CID）来衡量数字经济空间关联网络特性, 并检验其对碳减排效应的影响. 从表 3的结果可以看出, 无论是采用不同的回归模型还是使用不同的度数中心度度量, 所得系数均显著为负. 这表明数字经济空间关联网络特性可以显著降低城市的碳排放量, 从而产生正向的碳减排效应. 可能的原因包括：一方面, 数字经济空间关联网络有助于打破区域间的空间壁垒, 畅通数字要素、创新要素和绿色要素的交流, 结合碳排放权交易市场, 使政府部门能够合理配置碳排放资源, 提高碳要素的利用效率[13]. 另一方面, 该网络通过物联网和机器学习等技术, 促进各生产部门的合理分工和协同发展, 推动产业部门的绿色技术进步, 进一步优化碳资源的合理配置, 实现节能减排效果[1]. 因此, 数字经济空间关联网络特性会对碳减排效应产生正向促进作用, 本文假说一得到验证.
|
|
表 3 碳减排效应的基准回归结果1） Table 3 Baseline regression results for carbon emission reduction effects |
表 4呈现了数字经济空间关联网络特性对碳回弹效应的实证估计结果. 从回归结果来看, 前3列采用绝对中心度（AID）表征数字经济空间关联网络时, AID的系数均显著为正；而后3列使用相对中心度（CID）衡量时, CID的系数也为正, 且均通过了显著性水平检验. 这表明数字经济空间关联网络确实会激发碳回弹效应. 可能的原因在于, 从生产者行为理论出发, 数字经济空间关联网络在减少能源成本和增加企业实际收益的同时, 可能导致能源密集型产品及服务价格下降. 在能源市场效应和产出效应的双重驱动下, 企业会沿着生产扩张线扩大生产规模, 进而增加能源消耗和碳排放, 引发碳回弹效应[19]. 此外, 随着城市间数字经济联系的加深, 企业可以更容易比较和分析各城市的降碳激励机制, 进而可能引起产业向规制成本较低地区的转移[23]. 因此, 在数字经济空间关联网络特性下, 城市不仅要应对本地企业的碳回弹效应, 还要承担产业转移带来的额外碳资源消耗, 加剧碳回弹效应.
|
|
表 4 碳回弹效应的基准回归结果 Table 4 Benchmark regression results for carbon rebound effects |
4.2 稳健性分析 4.2.1 替换解释变量
本文借鉴韦施威等[37]的研究, 基于表 1构建的城市数字经济发展水平指标体系, 运用主成分分析法对各项一级指标进行赋权. 通过这种方法, 计算了254个样本城市的数字经济发展水平, 并按照之前描述的方法重新测量了绝对中心度（AID1）和相对中心度（CID1）. 具体而言, 表 5的第1、2列和第3、4列使用了双向固定效应模型, 分别对碳减排效应和碳回弹效应进行实证回归分析. 表 5的结果显示, 在替换数字经济空间关联网络的衡量指标后, 回归结果仍旧表明数字经济空间关联网络特性既促进了碳减排效应, 也引发了碳回弹效应, 进一步证明了本文研究结论的稳健性. 此外, 本文也尝试使用其他测量节点的中介中心度和接近中心度进行回归分析, 结果同样支持本文的基准回归结论是稳健的, 但由于篇幅限制, 这部分结果没有在文中报告.
|
|
表 5 替换解释变量和外生政策冲击的回归结果 Table 5 Regression results with replacement of explanatory variables and exogenous policy shocks |
4.2.2 外生政策冲击
为确保回归分析的准确性, 本文将智慧城市试点政策作为一个控制变量纳入到基准模型中[16]. 智慧城市的建设不仅深度整合和应用数字技术[2], 还通过绿色技术创新加强碳减排效应[38]. 国家智慧城市试点政策被视为一项准自然实验, 通过结合政策分组的虚拟变量和政策时间的虚拟变量来评估其影响. 具体地, 当城市被列为智慧城市试点时, 政策分组的虚拟变量设为1, 否则为0；政策实施之前的年份, 政策时间的虚拟变量设为0, 自政策实施年份起设为1. 在此基础上, 本文将智慧城市试点政策（Smart_policy）纳入基准回归模型, 并采用双向固定效应模型进行验证. 表 5的后4列结果表明, 本文的主要结论并未受该政策因素影响. 这进一步证明了数字经济空间关联网络在降低城市碳排放方面的作用, 同时也可能带来碳回弹风险. 通过这种方法, 本文能更准确地评估数字经济空间关联网络对城市碳减排和碳回弹效应的影响, 确保研究结论的稳健性.
4.2.3 样本滞后一期为了进一步规避内生性问题对基准结果的影响, 本文将核心解释变量度数中心度均滞后一期[39], 分别为绝对中心度（AIDt-1）和相对中心度（CIDt-1）, 再将其代入公式（7）和公式（8）模型进行实证检验. 观察表 6前4列回归结果, 无论采用何种指标度量数字经济空间关联网络特性, 其结论均与基准回归结论一致, 证明本文结论的稳健性.
|
|
表 6 样本滞后一期和剔除直辖市等样本的回归结果 Table 6 Regression results with sample lagged by one period and excluding samples such as municipalities |
4.2.4 剔除直辖市和省会城市
考虑到直辖市和省会城市在行政等级上具有更高的地位、更强的数字经济发展优势[2], 可能会影响结论的稳健性. 因此借鉴江红莉等[40]研究方法, 剔除25个省会城市和4个直辖市的样本数据, 对余下的2 422个样本进行了实证回归分析. 从表 6的后4列回归结果发现, 数字经济空间关联网络特征会促进城市的碳减排效应, 引起碳回弹效应.
4.3 异质性分析 4.3.1 地理区域异质性考虑到城市的地理位置和数字经济的发展状况, 会对其碳减排和碳回弹效应产生显著影响. 本文将样本城市分为东部（Region=1）和中西部（Region=0）两类[32]. 在基准回归模型中, 引入了地理区域和度数中心度的交互项（Region × Degree）.
从表 7的前4列结果可以看出, Region与AID之间的交互项对碳减排效应的回归系数为-1.189 7, 显著性水平为1%. 而该交互项对碳回弹效应的回归系数为0.233 0, 在5%的水平上显著. 不论是采用相对中心度还是绝对中心度进行回归, 均表明数字经济空间关联网络对碳减排和碳回弹的影响存在明显的地理区域差异. 可能的原因分析如下：东部城市因其早期的工业化和良好的基础设施, 已经在数字经济空间关联网络中建立了密集的连接[32]. 产生两个主要的效应：首先, 促进了城市之间的信息和资源共享, 有力地支持了碳减排. 其次, 东部城市更容易获取关于低碳技术和绿色创新的知识, 实施碳减排策略时更为高效. 此外, 随着这些城市在数字经济空间关联网络中的中心性增强, 经济活动和人口也随之增长, 这会增加资源的消耗[25], 导致了碳回弹效应.
|
|
表 7 异质性回归结果 Table 7 Heterogeneity regression results |
相比之下, 中西部城市在数字经济空间关联网络中的连接较弱, 带来两方面的影响：首先, 这些城市在获取和运用碳减排知识和资源方面可能面临障碍, 限制了它们实施碳减排策略的效能[2]. 其次, 随着东部高碳产业向中西部迁移, 这些城市不仅需要应对本地碳排放问题, 还要面临产业转移带来的额外碳排放[41], 进一步加剧了碳回弹.
4.3.2 行政等级异质性本研究在考虑城市行政等级差异对数字经济空间关联网络地位及其碳减排与碳回弹效应的影响时, 将直辖市、省会城市和副省级城市被定义为“重点城市”, 其他城市归类为“一般城市”[42]. 在回归模型中纳入城市行政等级与网络度数中心度的交互项（Grade × Degree）来分析这一差异. 从表 7的回归结果可见, 城市行政等级与网络度数中心度的交互项在碳减排效应（CE）上呈现显著的负相关, 而在碳回弹效应（CR）上则显著为正, 这表明城市行政等级确实对碳减排和碳回弹效应有着明显的调节作用.
可能的原因首先在于资源配置和政策支持方面的差异. 重点城市如直辖市、省会及副省级城市通常享受更多政策支持和投资, 这使它们在数字经济空间关联网络中成为核心节点, 吸引资源和先进技术. 这有利于推动绿色技术创新和能源结构优化[43], 助力碳减排. 其次, 在管理效能和技术应用方面, 重点城市凭借较高的行政级别, 在管理效率、决策速度和政策执行力上具有优势[44]. 同时, 这些城市的企业和研究机构常处于数字技术前沿, 进一步强化其在网络中的中心地位. 然而, 随着经济快速增长和技术广泛应用, 这些城市的能源消费也在增加, 从而导致碳回弹效应.
相比之下, 一般城市在数字经济空间关联网络中的地位相对边缘, 资源配置和政策支持机会较少, 限制了它们在绿色技术创新和碳减排方面的能力. 但这些城市因其较小的规模和较慢的发展速度[42], 碳回弹的压力可能较低.
4.3.3 城市环境治理目标异质性鉴于地方政府对“双碳”政策的不同响应和环境治理策略的多样性, 不同城市的降碳减排效果存在差异[15]. 本文通过分析地方政府年度工作报告中的相关文本, 构建城市环境治理目标的虚拟变量：硬约束和软约束[45]. 硬约束指定了具体的环境标准, 如“降低NO2排放5%”, 显示出强烈的环境治理意愿和压力；而软约束则表述模糊, 如“全面改善环境质量”, 反映了环境治理意愿不强、目标不明确或信心不足. 随后, 研究将城市环境治理目标与数字经济空间关联网络的交互效应（Env × Degree）纳入公式（7）和公式（8）模型. 从表 8前4列数据中观察到, Env × AID和Env × CID在碳减排效应上的系数显著为负, 但对碳回弹效应的回归系数并未显著, 说明数字经济空间关联网络的碳减排效应受到城市环境治理目标的影响, 而碳回弹效应则未受明显影响.
|
|
表 8 异质性回归结果 Table 8 Heterogeneity regression results |
可能的原因是, 在硬约束环境治理目标下, 城市倾向于通过行政干预和经济激励措施来纠正市场失灵, 增加企业在环境保护方面的成本, 促使其进行绿色技术创新和组织管理变革[46]. 伴随着城市数字平台的共享, 数字经济的空间联系加强, 提升了绿色技术和清洁技术传播的效率, 从而加强碳减排效应[43]. 然而, 碳回弹效应在城市层面尚未受到明确的关注和治理[23], 因此数字经济空间关联网络的碳回弹效应未显著受到城市环境治理策略的约束.
4.3.4 资源禀赋异质性考虑到城市资源禀赋对能源消费和效率的显著影响, 本文按照《全国资源型城市可持续发展规划（2013-2020年）》的分类, 将样本城市分为资源型城市和非资源型城市[38]. 接下来, 在基准回归模型中纳入城市资源禀赋能力与度数中心度的交互效应（Resource × Degree）进行分析. 表 8的后4列数据表明, Resource × AID和Resource × CID在碳减排效应上的回归系数均显著为负, 且通过1%显著性检验. 但这些交互项对碳回弹效应没有显著影响, 意味着城市资源禀赋对碳减排效应有影响, 而对碳回弹效应的影响不明显.
这种现象的背后可能有以下原因：首先, 数字经济的快速信息交流、技术传递和创新思维的融合为这些城市与外界连接提供了渠道, 利于吸纳先进的绿色技术和管理经验. 这加速了资源型城市的产业结构向绿色转型[47], 助力实现碳减排效应. 其次, 资源型城市因其丰富的能源要素, 在数字经济空间关联网络中占有优势. 随着网络的发展, 这些城市可能更频繁地与其他城市交流技术和知识, 优化能源使用效率和资源产出率[38]. 这解释了资源型城市在数字经济网络中显著的碳减排效应. 资源型城市在碳回弹效应上并未显示出明显的异质性, 可能由几个因素引起. 首先, 存在短期观察的偏差. 碳回弹效应在短期内可能不太明显, 尤其是在城市正处于绿色转型阶段时, 这一效应可能被其他因素所掩盖. 其次, 资源型城市由于其独有的特性, 在转型过程中可能获得大量技术支持和政策优惠[14], 这些措施可能在一定程度上抑制了碳回弹效应的发生.
5 进一步分析本文参考Imai等[48]的研究方法, 采用因果中介分析（CMA）模型, 来识别数字经济空间关联网络通过中介变量影响碳减排效应和碳回弹效应的因果中介效应, 具体的计量模型如下所示：
|
(13) |
|
(14) |
式中, Mit为本文的中介变量, 采用基于技术进步的能源效率效应（TN）, 具体用技术进步与能源效率的交乘项进行表征[25]. 其中, 技术进步（σ）用全要素生产率的变动率与地区生产总值变动率的比值衡量, 能源效率采用能源消耗总量与GDP的比值衡量. Yit为本文的被解释变量, 分别是碳减排效应（CE）和碳回弹效应（CR）；Degreeit为衡量数字经济空间关联网络效应的度数中心度, 这里用绝对中心度（AID）和相对中心度（CID）表征；其他变量均与上文相同.
表 9显示了数字经济空间关联网络通过基于技术进步的能源效率效应对碳减排效应的影响. 当使用绝对中心度（AID）作为度量标准时, 列1的系数显著为正, 表明数字经济空间关联网络正向刺激了技术进步引致的能源效率. 而在列2中, 尽管AID的系数仍显著为负, 但技术进步的中介变量（TN）显著为正, 这表明技术进步在能源效率上的正面影响在一定程度上减弱了数字经济空间关联网络的碳减排效益. 表 9还显示其平均中介效应为0.109 1, 直接效应为-0.381 5, 中介效应率为-39.49%, 说明中介效应减缓了直接效应, 导致数字经济空间关联网络对碳减排效应的总效应减弱. 当使用相对中心度（CID）度量时, 结果同样表明了技术进步的能源效率效应对碳减排效应的遮掩效果. 这种现象可以理解为, 随着物联网、机器学习等前沿技术的应用, 数字经济空间关联网络加速了传统产业的数字化和智能化转型[21], 提高了碳配置效率和利用效率, 同时也刺激了技术进步和能源效率的提升. 但随着能源效率的提升, 企业可能在产出效应和市场效应的驱动下扩大生产规模, 这可能反过来增加能源消费和碳排放[19], 从而掩盖了数字经济空间关联网络原本可能带来的碳减排效益.
|
|
表 9 中介效应回归结果（碳减排效应） Table 9 Mediated effect regression results (carbon reduction effect) |
表 10展示了数字经济空间关联网络通过技术进步带来的能源效率效应对碳回弹效应的影响. 在使用绝对中心度（AID）度量数字经济空间关联网络时, 列1的系数为0.012 8, 表明数字经济空间关联网络增强了技术进步下的能源效率. 值得注意的是, 列2中AID和中介变量（TN）的系数都显著为正, 这表明数字经济空间关联网络通过提升能源效率增强了碳回弹效应. 进一步观察表 10, 结果显示平均中介效应为0.042 4, 直接效应为0.136 2, 中介效应率为24.27%. 这实证表明, 技术进步下的能源效率提升在数字经济空间关联网络与碳回弹效应之间起到了中间传导作用. 换言之, 虽然技术进步提升了能源效率并节约能源, 但这些节约可能因更高的能源消费而被抵消, 导致碳回弹. 表 10的后两列结果进一步证实了技术进步带动下的能源效率效应对数字经济空间关联网络的碳回弹效应产生中介作用, 并强调了这一结论的稳健性.
|
|
表 10 中介效应回归结果（碳回弹效应） Table 10 Mediation effect regression results (carbon rebound effect) |
此现象的背后可能有多个原因. 首先, 技术进步带来的能源效率提升有助于优化能源结构, 但同时可能导致其他生产要素价格下降. 在数字经济空间关联网络的推动下, 企业可能更倾向于使用价格更低的替代品投入生产, 从而可能增加对碳资源的依赖[25]. 其次, 数字经济空间关联网络的发展引发的正向技术溢出效应, 促进了技术和数据等生产要素的创新[49], 降低了产品的生产成本和价格. 这通过“信号传递理论”向消费者和原料供应商释放信号, 带动消费规模的扩大和能源供给量的增加, 进一步促进碳回弹效应[50]. 再者, 数字经济空间关联网络为企业提供精确、科学的决策数据, 面对碳排放限制时, 企业可能选择产业转移[23], 导致经济集聚. 当由数字经济空间关联网络推动的经济集聚超过城市承载能力时, 能源需求和使用可能急剧增加[51], 进一步推动碳回弹效应.
6 政策启示（1）为推进数字经济的整体性、系统性和协同性, 应关注“一盘棋”的发展格局. 一方面需要加强数字技术的自主创新能力, 解决关键技术问题, 并统筹布局数字经济基础设施建设；另一方面, 依托“东数西算”工程建设布局, 建立健全跨部门、跨地区的协同发展机制, 发展数字资源的共享开放平台, 增强城市间的数字经济空间联系.
（2）在确保碳减排成果的同时, 需重视碳回弹问题. 数字经济的区域联动性为减少碳排放提供新思路, 如利用大数据挖掘和数据采集技术提升供需匹配的精确性和协同规划的完备性, 从而提高能源利用效率, 实现碳减排效应. 同时, 在充分发挥传感器技术、物联网技术等数字技术提升能源效率的同时, 也应加快完善城市碳资源的配置机制和预警体系, 提高对碳回弹的警觉性, 促进“双碳”目标的实现.
（3）城市应依托自身的独特性优势, 制定适宜的数字经济发展战略. 对于位于东部地区、行政等级较高、具有硬约束环境治理目标和较强资源禀赋能力的城市, 应积极利用自身优势, 结合先进数字技术, 推动区域数字经济的发展. 同时, 在赋能碳减排效应的同时, 要高度重视并防范碳回弹效应风险. 对于其他地区, 在发展数字经济的过程中, 应主动吸取其他城市的发展经验, 积极寻找适合自身的低碳发展路径, 以实现可持续发展.
7 结论（1）本研究基于“双碳”目标和城市数字化转型的背景, 选取2011~2021年中国254个地级市的数据（剔除了数据缺失严重的拉萨、莱芜和毕节等城市）, 运用UCINET软件和实证计量模型, 深入探究数字经济空间关联网络的时空演化特征及其对城市碳减排和碳回弹效应的影响. 这一研究不仅有助于深入理解我国数字经济空间网络格局, 促进数字中国建设, 同时也为城市绿色高质量发展提供了新思路.
（2）在2011~2021年间, 中国的数字经济发展水平整体呈现出上升趋势, 城市间的数字经济空间联动性逐渐增强. 在这一过程中, 数字经济空间关联网络展现了多元协同的“一盘棋”发展格局, 同时也呈现出地理区域上的非均衡空间演化特征.
（3）数字经济空间关联网络在促进碳减排效应的同时, 也可能导致碳回弹效应. 经过稳健性检验, 这一基准回归结论得到了证实, 揭示了数字经济在环境影响方面的复杂性和双重作用.
（4）本研究的异质性分析揭示了数字经济空间关联网络对碳减排和碳回弹效应的影响在不同地理区域和行政等级之间存在显著差异. 碳减排效应受到城市环境治理目标和资源禀赋的不同程度影响, 而碳回弹效应对这些因素的敏感度较低. 这表明在制定和实施碳减排策略时, 需要考虑城市的特定环境和资源条件.
（5）本文的机制检验结果表明, 数字经济空间关联网络通过基于技术进步的能源效率效应, 能够促进碳减排效应. 然而, 这种效应也可能导致碳回弹效应的发生. 这表明在数字经济发展过程中, 技术进步和能源效率的提高是一把双刃剑, 既有助于降低碳排放, 也可能引发碳回弹风险.
| [1] |
佘群芝, 吴柳, 郑洁. 数字经济、经济聚集与碳排放[J]. 统计与决策, 2022, 38(21): 5-10. She Q Z, Wu L, Zheng J. Digital economy, economic agglomeration and carbon emission[J]. Statistics and Decision, 2022, 38(21): 5-10. |
| [2] |
庞瑞芝, 王宏鸣. 数字经济与城市绿色发展: 赋能还是负能?[J]. 科学学研究, 2024, 42(7): 1397-1408. Pang R Z, Wang H M. Digital economy and urban green development: empowerment or negative energy?[J]. Studies in Science of Science, 2024, 42(7): 1397-1408. |
| [3] |
冯兰刚, 阳文丽, 王忠, 等. 中国数字经济与城市碳排放强度: 时空演化与作用机制[J]. 中国人口·资源与环境, 2023, 33(1): 150-160. Feng L G, Yang W L, Wang Z, et al. Digital economy and urban carbon emission intensity in China: spatio-temporal evolution and mechanisms[J]. China Population, Resources and Environment, 2023, 33(1): 150-160. |
| [4] |
陈晓红, 胡东滨, 曹文治, 等. 数字技术助推我国能源行业碳中和目标实现的路径探析[J]. 中国科学院院刊, 2021, 36(9): 1019-1029. Chen X H, Hu D B, Cao W Z, et al. Path of digital technology promoting realization of carbon neutrality goal in China's energy industry[J]. Bulletin of Chinese Academy of Sciences, 2021, 36(9): 1019-1029. |
| [5] |
渠慎宁, 史丹, 杨丹辉. 中国数字经济碳排放: 总量测算与趋势展望[J]. 中国人口·资源与环境, 2022, 32(9): 11-21. Qu S N, Shi D, Yang D H. Carbon emissions of China's digital economy: calculations and trend outlook[J]. China Population, Resources and Environment, 2022, 32(9): 11-21. |
| [6] | Andreichyk A, Tsvetkov P. Study of the relationship between economic growth and greenhouse gas emissions of the Shanghai cooperation organization countries on the basis of the environmental Kuznets curve[J]. Resources, 2023, 12(7). DOI:10.3390/RESOURCES.12070080 |
| [7] | Fich L E, Viola S, Bentsen N S. Jevons paradox: sustainable development goals and energy rebound in complex economic systems[J]. Energies, 2022, 15(16). DOI:10.3390/en15165821 |
| [8] | Zhu Y K, Lan M D. Digital economy and carbon rebound effect: evidence from Chinese cities[J]. Energy Economics, 2023, 126. DOI:10.1016/J.ENECO.2023.106957 |
| [9] |
贾锐宁, 邵帅, 杜克锐, 等. 中国碳回弹效应的时空格局、动态演进及驱动因素——基于改进的碳排放随机前沿模型的实证考察[J]. 中国软科学, 2022(12): 23-34. Jia R N, Shao S, Du K R, et al. Spatial-temporal pattern, dynamic evolution, and driving factors of carbon rebound effect in China: based on improved stochastic frontier model of carbon emission[J]. China Soft Science, 2022(12): 23-34. DOI:10.3969/j.issn.1002-9753.2022.12.003 |
| [10] | Berkhout P H G, Muskens J C, Velthuijsen J W. Defining the rebound effect[J]. Energy Policy, 2000, 28(6-7): 425-432. DOI:10.1016/S0301-4215(00)00022-7 |
| [11] |
曹炜. "双碳"目标下的流域生态环境保护规划: 理念更新与措施调适[J]. 中国人口·资源与环境, 2022, 32(12): 31-40. Cao W. Watershed ecological and environmental protection planning under the 'dual carbon' goals: concept renewal and measure adjustment[J]. China Population, Resources and Environment, 2022, 32(12): 31-40. DOI:10.12062/cpre.20221061 |
| [12] |
缪陆军, 陈静, 范天正, 等. 数字经济发展对碳排放的影响——基于278个地级市的面板数据分析[J]. 南方金融, 2022(2): 45-57. Miao L J, Chen J, Fan T Z, et al. The impact of digital economy development on carbon emission: a panel data analysis of 278 prefecture- level cities[J]. South China Finance, 2022(2): 45-57. DOI:10.3969/j.issn.1007-9041.2022.02.004 |
| [13] |
王香艳, 李金叶. 数字经济是否有效促进了节能和碳减排?[J]. 中国人口·资源与环境, 2022, 32(11): 83-95. Wang X Y, Li J Y. Did the digital economy effectively promote energy conservation and CO2 reduction[J]. China Population, Resources and Environment, 2022, 32(11): 83-95. DOI:10.12062/cpre.20221022 |
| [14] |
王维国, 王永玲, 范丹. 数字赋能与城市碳减排: 内在机制与经验证据[J/OL]. 中国环境科学, 2023. https://doi.org/10.19674/j.cnki.issn1000-6923.20230307.002. Wang W G, Wang Y L, Fan D. Digital empowerment and urban carbon emission reduction: intrinsic mechanisms and empirical evidence Environmental Science, 2023. https://doi.org/10.19674/j.cnki.issn1000-6923.2023030 [J/OL]. China 7.002. |
| [15] |
常皓亮, 夏飞龙. 数字经济赋能低碳发展: 机制识别与空间溢出[J]. 科技进步与对策, 2023, 40(10): 48-57. Chang H L, Xia F L. Empowerment of digital economy to low-carbon development: mechanism identification and spatial spillover[J]. Science & Technology Progress and Policy, 2023, 40(10): 48-57. DOI:10.6049/kjjbydc.2022090613 |
| [16] |
程云洁, 段鑫. 数字经济能促进城市减霾降碳吗?—基于八大国家级大数据试验区的准自然实证分析[J]. 软科学, 2024, 38(1): 8-15. Cheng Y J, Duan X. Can the digital economy promote urban haze reduction and carbon reduction?-Quasi-natural empirical analysis based on eight national big data pilot zones[J]. Soft Science, 2024, 38(1): 8-15. |
| [17] |
钟文, 杨俊, 郑明贵, 等. 中国城市数字经济对物流业碳排放的影响效应及传导机制[J]. 中国环境科学, 2024, 44(1): 427-437. Zhong W, Yang J, Zheng M G, et al. The impact and transmission mechanism of China's urban digital economy on carbon emissions in the logistics industry[J]. China Environmental Science, 2024, 44(1): 427-437. |
| [18] | Chen Q, Zha D L, Wang L J, et al. The direct CO2 rebound effect in households: evidence from China's provinces[J]. Renewable and Sustainable Energy Reviews, 2022, 155. DOI:10.1016/J.RSER.2021.111888 |
| [19] | Sorrell S, Dimitropoulos J. The rebound effect: microeconomic definitions, limitations and extensions[J]. Ecological Economics, 2008, 65(3): 636-649. DOI:10.1016/j.ecolecon.2007.08.013 |
| [20] | Lin B Q, Chen Y F, Zhang G L. Technological progress and rebound effect in China's nonferrous metals industry: an empirical study[J]. Energy Policy, 2017, 109: 520-529. DOI:10.1016/j.enpol.2017.07.031 |
| [21] |
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. |
| [22] | Tombe T, Winter J. Environmental policy and misallocation: the productivity effect of intensity standards[J]. Journal of Environmental Economics and Management, 2015, 72: 137-163. DOI:10.1016/j.jeem.2015.06.002 |
| [23] |
杨慧慧, 王喜刚. 环境管制是抑制能源回弹效应的有效手段吗?[J]. 管理学刊, 2021, 34(5): 74-91. Yang H H, Wang X G. Is environmental regulation an effective way to prevent energy rebound effect?[J]. Journal of Management, 2021, 34(5): 74-91. |
| [24] |
孔令英, 董依婷, 赵贤. 数字经济发展对碳排放的影响——基于中介效应与门槛效应的检验[J]. 城市发展研究, 2022, 29(9): 42-49, 55. Kong L Y, Dong Y T, Zhao X. The impact of digital economy development on carbon emission: based on the test of intermediary effect and threshold effect[J]. Urban Development Studies, 2022, 29(9): 42-49, 55. DOI:10.3969/j.issn.1006-3862.2022.09.006 |
| [25] |
胡东兰, 申颢, 刘自敏. 中国城市能源回弹效应的时空演变与形成机制研究[J]. 中国软科学, 2019(11): 96-108. Hu D L, Shen H, Liu Z M. Study on the spatial-temporal evolution and formation mechanism of energy ebound effect in Chinese cities[J]. China Soft Science, 2019(11): 96-108. DOI:10.3969/j.issn.1002-9753.2019.11.010 |
| [26] | Wang J D, Dong X C, Dong K Y. How does ICT agglomeration affect carbon emissions? The case of Yangtze River delta urban agglomeration in China[J]. Energy Economics, 2022, 111. DOI:10.1016/J.ENECO.2022.106107 |
| [27] | Zhou X Y, Zhou D Q, Wang Q W, et al. How information and communication technology drives carbon emissions: a sector-level analysis for China[J]. Energy Economics, 2019, 81: 380-392. DOI:10.1016/j.eneco.2019.04.014 |
| [28] | Heddeghem W V, Lambert S, Lannoo B, et al. Trends in worldwide ICT electricity consumption from 2007 to 2012[J]. Computer Communications, 2014, 50: 64-76. DOI:10.1016/j.comcom.2014.02.008 |
| [29] |
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): 65-76. 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): 65-76. DOI:10.3969/j.issn.1002-5502.2020.10.006 |
| [30] |
汤放华, 汤慧, 孙倩, 等. 长江中游城市集群经济网络结构分析[J]. 地理学报, 2013, 68(10): 1357-1366. Tang F H, Tang H, Sun Q, et al. Analysis of the economic network structure of urban agglomerations in the middle Yangtze River[J]. Acta Geographica Sinica, 2013, 68(10): 1357-1366. DOI:10.11821/dlxb201310005 |
| [31] | Wasserman S, Faust K. Social network analysis: methods and application[M]. Cambridge: Cambridge University Press, 1994. |
| [32] |
向宇, 郑静, 涂训华. 数字经济发展的碳减排效应研究——兼论城镇化的门槛效应[J]. 城市发展研究, 2023, 30(1): 82-91. Xiang Y, Zheng J, Tu X H. Research on carbon emissions effect of digital economy development: on threshold effect of urbanization[J]. Urban Development Studies, 2023, 30(1): 82-91. DOI:10.3969/j.issn.1006-3862.2023.01.011 |
| [33] |
丛建辉, 刘学敏, 赵雪如. 城市碳排放核算的边界界定及其测度方法[J]. 中国人口·资源与环境, 2014, 24(4): 19-26. Cong J H, Liu X M, Zhao X R. Demarcation problems and the corresponding measurement methods of the urban carbon accounting[J]. China Population, Resources and Environment, 2014, 24(4): 19-26. DOI:10.3969/j.issn.1002-2104.2014.04.004 |
| [34] |
郭庆宾, 汪涌. 城市发展因智慧而绿色吗?[J]. 中国软科学, 2022(9): 172-183. Guo Q B, Wang Y. Smarter the city develops, the greener the city develops?[J]. China Soft Science, 2022(9): 172-183. |
| [35] |
张军, 吴桂英, 张吉鹏. 中国省际物质资本存量估算: 1952—2000[J]. 经济研究, 2004, 39(10): 35-44. Zhang J, Wu G Y, Zhang J P. The estimation of China's provincial capital stock: 1952-2000[J]. Economic Research Journal, 2004, 39(10): 35-44. |
| [36] | 王小鲁, 胡李鹏, 樊纲. 中国分省份市场化指数报告-2021[M]. 北京: 社会科学文献出版社, 2021. |
| [37] |
韦施威, 杜金岷, 潘爽. 数字经济如何促进绿色创新——来自中国城市的经验证据[J]. 财经论丛, 2022(11): 10-20. Wei S W, Du J M, Pan S. How does digital economy promote green innovation: empirical evidence from Chinese cities[J]. Collected Essays on Finance and Economics, 2022(11): 10-20. |
| [38] |
张兵兵, 陈思琪, 曹历娟. 城市因"智慧"而低碳吗?——来自智慧城市试点政策的探索[J]. 经济评论, 2022(6): 132-149. Zhang B B, Chen S Q, Cao L J. Is the city low carbon because of "smart"? Exploration from the pilot policy of smart city[J]. Economic Review, 2022(6): 132-149. |
| [39] | 张传兵, 居来提·色依提. 数字经济、碳排放强度与绿色经济转型[J]. 统计与决策, 2023, 39(10): 90-94. |
| [40] |
江红莉, 蒋鹏程. 数字金融对城市绿色经济效率的影响研究[J]. 软科学, 2022, 36(4): 37-43. Jiang H L, Jiang P C. Research on the impact of digital finance on the efficiency of urban green economy[J]. Soft Science, 2022, 36(4): 37-43. |
| [41] |
王凯, 关锐, 胡鸣镝, 等. 数字经济与碳排放绩效: 以中国276个城市为例[J]. 环境科学研究, 2023, 36(9): 1824-1834. Wang K, Guan R, Hu M D, et al. Digital economy and carbon emission performance: a case study of 276 cities in China[J]. Research of Environmental Sciences, 2023, 36(9): 1824-1834. |
| [42] |
范合君, 潘宁宁, 吴婷. 数字经济发展的碳减排效应研究——基于223个地级市的实证检验[J]. 北京工商大学学报(社会科学版), 2023, 38(3): 25-38. Fan H J, Pan N N, Wu T. Research on the effect of the development of digital economy on carbon emission reduction: an empirical analysis based on 223 prefecture-level cities in China[J]. Journal of Beijing Technology and Business University (Social Sciences), 2023, 38(3): 25-38. |
| [43] |
郭丰, 杨上广, 任毅. 数字经济、绿色技术创新与碳排放——来自中国城市层面的经验证据[J]. 陕西师范大学学报(哲学社会科学版), 2022, 51(3): 45-60. Guo F, Yang S G, Ren Y. The digital economy, green technology innovation and carbon emissions-empirical evidence from Chinese city-level data[J]. Journal of Shaanxi Normal University (Philosophy and Social Sciences Edition), 2022, 51(3): 45-60. |
| [44] |
孔令章, 李金叶. 数字经济发展对中国绿色经济效率的影响[J]. 经济体制改革, 2022(6): 67-73. Kong L Z, Li J Y. The impact of digital economy development on the efficiency of China's green economy[J]. Reform of Economic System, 2022(6): 67-73. |
| [45] |
徐妍, 郑冠群, 沈悦. 地方政府环境治理目标约束强度与绿色经济效率[J]. 中国经济问题, 2022(6): 165-177. Xu Y, Zheng G Q, Shen Y. Constraint intensity of environmental governance objectives of local governments and green economic efficiency[J]. China Economic Studies, 2022(6): 165-177. |
| [46] | 王治, 黄文敏. 金融发展对FDI技术溢出效应的影响[J]. 统计与决策, 2022, 38(9): 143-147. |
| [47] |
昌敦虎, 李明奎, 原佳倩, 等. 中国资源型城市可持续转型对促进就业和环境治理的影响——基于"人与自然和谐共生"视角的分析[J]. 人口研究, 2023, 47(3): 63-77. Chang D H, Li M K, Yuan J Q, et al. The employment promotion and environment improvement through sustainable transformation in China's resource-based cities: the perspective of harmonious co-existence between humanity and nature[J]. Population Research, 2023, 47(3): 63-77. |
| [48] | Imai K, Keele L, Tingley D. A general approach to causal mediation analysis[J]. Psychological Methods, 2010, 15(4): 309-334. |
| [49] |
杨刚强, 王海森, 范恒山, 等. 数字经济的碳减排效应: 理论分析与经验证据[J]. 中国工业经济, 2023(5): 80-98. Yang G Q, Wang H S, Fan H S, et al. Carbon reduction effect of digital economy: theoretical analysis and empirical evidence[J]. China Industrial Economics, 2023(5): 80-98. |
| [50] | Khazzoom J D. Economic implications of mandated efficiency in standards for household appliances[J]. The Energy Journal, 1980, 1(4): 21-40. |
| [51] |
林伯强, 谭睿鹏. 中国经济集聚与绿色经济效率[J]. 经济研究, 2019, 54(2): 119-132. Lin B Q, Tan R P. Economic agglomeration and green economy efficiency in China[J]. Economic Research Journal, 2019, 54(2): 119-132. |
| [52] |
宋苑震, 曾坚, 王森, 等. 中国县域碳排放时空演变与异质性[J]. 环境科学, 2023, 44(1): 549-559. Song Y Z, Zeng J, Wang S, et al. Spatial-temporal evolution and heterogeneity of carbon emissions at county-level in China[J]. Environmental Science, 2023, 44(1): 549-559. |
| [53] |
邵帅, 徐俐俐, 杨莉莉. 千里"碳缘"一线牵: 中国区域碳排放空间关联网络的结构特征与形成机制[J]. 系统工程理论与实践, 2023, 43(4): 958-983. Shao S, Xu L L, Yang L L. Structural characteristics and formation mechanism of carbon emission spatial association networks within China[J]. Systems Engineering-Theory & Practice, 2023, 43(4): 958-983. |
| [54] | Kong L, Hu G W, Mu X Z, et al. The energy rebound effect in households: evidence from urban and rural areas in Beijing[J]. Applied Energy, 2023, 343. DOI:10.1016/j.apenergy.2023.121151 |
| [55] |
钱娟. 能源节约偏向型技术进步对经济增长的影响研究[J]. 科学学研究, 2019, 37(3): 436-449. Qian J. The impact of energy-saving biased-oriented technological progress on economic growth[J]. Studies in Science of Science, 2019, 37(3): 436-449. |