2025, Vol. 46
在过去的经济发展历程中, 构建以数字经济为核心的国家竞争新优势和新型发展格局已经获得了广泛的学术共识[1].有研究表明, 数字经济不仅能够推动城市的高质量发展, 加速实现共同富裕的目标, 还展现了其在经济效应方面的显著成效[2, 3].同时, 依托于互联网、大数据和人工智能等前沿技术, 数字经济打破了传统经济增长中的地理界限, 实现了知识与数据的网络化共享, 并促进了优势互补的网络化协作体系的形成[4].就数字经济的空间分布而言, 越来越多的学术研究聚焦于不同尺度和方法的探讨.现有的研究揭示了数字经济的空间分异特征, 即其从东部向西部逐渐减弱的趋势[5]；中国省际间的数字经济联系不断加强, 形成了网络化的发展格局, 且这种联系的方向基本保持稳定[6].部分研究通过实证分析省际数字经济的空间关联网络, 指出驱动这一网络形成的主要因素包括省份间的产业结构、科技创新能力和市场化水平的差异[7].我国政府已深刻认识到数字经济空间联动发展的重要性, 并在政策层面提供了相应的支持.例如, 2019年2月, 中共中央和国务院发布的《粤港澳大湾区发展规划纲要》中提出, 推动“广州-深圳-香港-澳门”科技创新走廊的建设, 旨在通过政策支持促进人才、资本、信息及技术等关键要素的跨区域流动和融合, 构建粤港澳大湾区的大数据中心和国际化创新平台. 2022年3月, 第十三届全国人大五次会议审查的计划报告中提出实施“东数西算”工程, 通过将东部地区密集的计算需求有序转移到西部地区, 既缓解了东部地区的能源紧张问题, 也为西部地区开辟了新的发展路径, 强调了形成地域间数字经济联动发展的重要性.随着技术、知识和创新的流动性增强, 数字经济的空间关联网络已成为推动经济发展的核心力量.本文旨在采用社会网络分析方法, 从关系视角和网络视角出发, 构建城市层面的数字经济空间关联网络, 深入探讨城市数字经济网络的空间布局.
“碳达峰”和“碳中和”的目标为中国的经济发展设定了新的挑战.在贯彻绿色发展理念的当下, 数字经济的发展被视为推动城市向绿色经济转型的关键路径[8].这一过程被纳入到数字经济赋能高质量发展的框架中, 进一步探讨了二者之间的相互影响路径[9].实证研究主要集中在数字经济对碳排放影响的分析上[10], 部分研究指出信息技术的发展在数据存储、处理和备份过程中会增加电力消耗, 进而导致碳排放量的增加[11].然而, 也有学者从政策评估的角度出发, 研究数字经济对区域绿色发展的促进作用.他们认为, 数字经济能够通过优化产业结构和促进技术进步来提高碳排放绩效, 特别是在基础设施较为完善和政策倾向于支持的城市, 数字经济对绿色发展的贡献更为明显[12].综上所述, 现有研究已广泛探讨数字经济、碳排放和绿色转型之间的关系, 本文通过研究数字经济空间关联网络与碳排放绩效的关系, 为这一领域的研究提供了新的视角.
基于此, 与现有文献相比, 本文的边际贡献在于：①研究立意方面, 本文主要考察了以节点中心度为代表的数字经济空间关联网络特征及其对地区碳排放绩效的影响.②研究手段方面, 构建数字经济空间关联网络, 测算得到数字经济网络节点中心度指标, 并在此基础上开展实证检验.③研究结论方面, 本文得到了数字经济空间关联网络对碳排放绩效的正向促进关系, 并从产业区域联系、创新合作网络方面揭示了其中的机制.因此, 本文的研究结果不仅为准确刻画中国数字经济空间关联网络特性提供了新的证据, 也为汇集数字经济发展的合力以及扩大其对碳排放绩效的网络溢出效应提供了重要的理论参考.
1 理论分析与研究假设 1.1 数字经济空间关联网络的碳绩效提升效应在数字经济空间关联网络中, 城市作为互联节点, 其间的影响路径相互交织, 共同塑造了一个高级且可持续的经济体系, 对城市减碳目标产生了显著的“网络效应”.一方面, 这种网络促进了知识的积累与外溢, 有利于技术创新和进步, 从而提升了碳排放绩效[13].城市通过数字技术赋能, 建立了覆盖信息、知识和技术的创新资源传输渠道, 促进了城市间创新资源的自由流动, 为区域间创新主体的融合奠定了基础.另一方面, 数字经济空间关联网络将数据视为核心生产要素, 依托现代信息网络和数字基础设施发展新型经济模式.根据梅特卡夫定律, 网络的价值随用户数量增加而提升.这一法则意味着, 随着城市节点间联系的加深, 数字经济网络的价值快速增长, 带来正向的外部效应.城市节点间的加强联系使信息获取和资源配置更加高效, 推动了资源优化配置和生产过程的精细化, 增强了规模和范围经济效应, 实现了经济效益的最大化, 进一步提高了碳排放绩效[14].
进一步, 中心节点城市在整体网络中充当中心行动者, 表明与其他城市的直接或间接联系较多, 并且作为其他城市之间数字经济联系的沟通桥梁与纽带, 在网络中扮演着至关重要的策略性行动者角色, 对整个数字经济空间关联网络具有较强的控制力.一方面, 网络节点中心性较高的城市以数字经济空间关联路径为载体可以有效打通区域资金、信息、技术和产品的流动障碍, 进一步激发区域要素以及劳动力市场潜能, 从而实现生产要素的合理配置[15].另一方面, 中心节点城市凭借四通八达的数字经济空间传导路径及其自身的节点中心地位进一步吸纳周边地区的尖端人才、资金等关键要素资源, 扩大其对传统经济的创新技术溢出效应, 使城市技术更迭更加迅速、高效, 接续深化城市碳绩效提升效应[16].因此, 认为越是处在网络中心位置的城市, 在减碳网络效应方面的获益越大.据此, 本文提出假设1：数字经济空间关联网络能够提升城市碳排放绩效, 城市的网络节点中心性越高则碳排放绩效提升幅度越大.
1.2 数字经济空间关联网络对碳绩效提升的作用机制：产业区域联系数字经济空间关联网络对城市的碳排放绩效提升具有显著影响, 其核心过程主要表现在引领产业区域联系方面.一方面, 数字经济空间关联网络的出现改变了生产、分配、交换和消费各个环节, 为中国区域协调发展问题带来了新机遇：新兴的数字产业无须通过“在地化”方式进行生产, 转而寻求线上化、网络化或数字化等跨空间的“即付即用”模式来分配信息技术资源及服务[17], 这在很大程度上消除了区位条件的劣势对落后地区产业发展的限制, 并成为缩小区域发展差距的新机遇.另一方面, 数字经济空间关联网络扩大了产业联动边界, 中心节点地区因独特的区位优势, 具有较大的发展潜力, 从而在产业区域联系中起到关键作用.具体来说, 中心城市既能发挥集聚经济的作用, 不断吸收中小城市高质量生产要素, 为其产业结构优化升级带来源源不断的动力, 又能通过产业分工与协作及产业转移等形式, 弥补自身产业基础薄弱和产业同质化发展的不足, 同时带动中小城市产业协同发展, 促进区域高质量一体化发展[18].进一步, 产业区域联系能够进一步助推区域内部不同层级城市的纵向交流与合作, 资金和人才流向新兴的、对环境影响较小的高端产业, 有助于传统产业的不断改造和附加值提升[19].区域产业的空间交互将关联产业纳入统一生产网络中, 能够较大限度减少对区域产业资源的错配, 避免产业的重复建设和低端无效竞争, 促进区域碳排放绩效提升.据此, 本文提出假设2：数字经济空间关联网络通过加深产业区域联系提升碳排放绩效.
1.3 数字经济空间关联网络对碳绩效提升的作用机制：创新合作网络数字经济空间关联网络通过促进地区间的创新合作网络的建立, 显著提升了碳排放绩效.创新是实现高质量和可持续发展的关键, 而在当前经济环境下, 合作创新已成为推动地区持续发展的核心[20].数字经济网络以其高度流动的数据资源作为关键生产要素, 扩大了知识的外溢效应, 降低了创新主体之间的沟通和技术交易成本, 有助于企业和科研机构捕捉最新市场趋势和科研成果, 激发创新潜能[21].此外, 数字经济网络的广泛应用跨越各地区和行业, 其节点城市吸引了众多创新人才和技术工程师, 人力资本的集聚为创新合作网络的形成提供了强动力, 推动了国家和地区之间的一体化协同发展.在数字经济发展的背景下, 政府在数据产权、流通、利益分配和安全治理等方面加速新型基础设施的建设和数据制度体系的构建, 促进了数据的规范化管理和安全共享, 降低了城市间合作创新的障碍, 优化了数字减排的实施环境.合作创新网络不仅优化了科技投入和智力积累的创新环境, 还加强了数字技术在产业中的应用, 有效促进了节能减排.同时, 颠覆性地技术创新推动了传统能源产业的数字化转型.根据产业生命周期理论, 传统能源产业面临新技术冲击, 需要聚焦创新资源, 加强颠覆性创新, 提升技术效率并减少碳排放[22].因此, 数字经济空间关联网络能够集聚各方资源、促进领域间紧密合作, 对形成创新合作网络进而提升碳排放绩效起到了关键作用.据此, 本文提出假设3：数字经济空间关联网络通过促进创新合作网络有效提升碳排放绩效.
1.4 人力资本投资对数字经济空间关联网络提升碳排放绩效的调节效应人力资本投资作为调节变量在数字经济空间关联网络对碳排放绩效的作用中起到了关键作用.具体来看：首先, 数字经济空间关联网络强调了信息技术、数字化资源和跨地区经济协同作用的融合.在这一背景下, 人力资本的投资和培训可以培养专门针对数字化经济的人才, 实现信息技术的有效利用, 增强数字资源的开发和管理能力, 从而提高整个数字经济空间关联网络的效率, 深化地区间网络连接程度, 由此提升碳排放绩效.其次, 人力资本投资作为调节变量, 通过影响技术吸收、创新和实施, 间接影响了数字经济空间关联网络对碳排放绩效的正向作用.当地区具备足够的人力资本时, 有助于新技术的引入和吸收, 推动绿色技术的创新和应用, 从而提升碳排放绩效[23].最后, 人力资本投资还可能通过影响政策制定和执行来发挥调节作用.具有高水平人力资本的地区可能更有能力设计和实施针对数字经济空间关联网络的有效政策, 以确保其对碳排放绩效的积极影响得以最大化[24].据此, 本文提出假设4：人力资本投资对数字经济空间关联网络提升碳排放绩效具有正向调节效应.
2 材料与方法 2.1 样本选择与数据来源本文选择的样本数据为2011~2021年中国254个地级市及以上城市（剔除毕节、铜仁和莱芜等数据缺失的城市）的面板数据.相关年份的城市数据来自2010~2022年《中国城市统计年鉴》《中国区域经济统计年鉴》和各省市的国家经济和社会发展统计公报, 并采用插值法对原始数据中的个别缺失值进行了填补和完善.相关经济数据均转换为2011年不变价格, 以消除价格波动的影响.
2.2 变量测度与说明 2.2.1 被解释变量本文以碳排放绩效（CP）作为被解释变量.选取SBM模型测算碳排放绩效指标, 与传统的DEA（数据包络分析）模型相比, SBM模型考虑了生产过程中的非期望产出, 一方面解决了投入产出平滑的问题, 另一方面分析了非期望产出下的效率, 更加符合现实情况[25].参考现有文献的做法, 本文选择资本投入、年均就业人数、能源消耗总量为投入变量, GDP和碳（CO2）排放分别作为期望产出和非期望产出[26], 经济活动过程中的影响机制如图 1所示.
|
图 1 投入产出对城市环境碳排放影响机制 Fig. 1 Mechanisms of input-output impacts on carbon emissions in urban environments |
前文理论分析揭示了数字经济空间关联网络对城市碳绩效的影响机制.在该网络中, 城市节点的中心性起到了决定性的作用, 成为对碳排放绩效产生正面影响的关键因素.因此, 本文选择数字经济空间关联网络节点中心性（degree）作为数字经济关联网络的主要表征变量.首先, 对城市数字经济发展水平（DGE）的测度需要综合考虑互联网发展和数字金融两个主要维度.根据收集到的数据, 采用主成分分析法对与上述指标相关的数据进行标准化和降维, 从而得出区域数字经济发展指数（DGE）.
其次, 构建区域数字经济空间关联网络是测算数字经济城市节点中心性的关键步骤, 它能够反映数字经济空间的关联结构和相互作用.有研究表明, 测量地区间相关性的方法包括引力模型和VAR模型, VAR模型对时间滞后非常敏感, 这大大降低了短时期数据的准确性, 并影响随后描述网络结构特征的准确性[27].因此, 本文选择包含地区间实际经济影响、互联特征和发展因果关系的引力模型, 能够准确衡量地区间的空间互动, 并促进横截面数据建模.具体模型设计如式（1）所示：
|
(1) |
式中, Rmn为城市m对城市n输出的数字经济影响力, DGE为城市数字经济发展水平, DISmn为城市m和城市n之间的几何中心距离（通过ArcGIS 10.2计算得到）.由于互联网和大数据等数字技术的革新, 数字经济规模较大且发展较为成熟的城市, 可以突破传统经济的物理空间发展限制, 距离较远的两个城市在数字赋能的基础上也能产生较强的数字经济联系.因此, 本文中引入城市常住人口（P）和城市人均生产总值（G）用来修正地理距离[28].此外, 为了反映数字经济联系的方向, 引入修正系数K, 基于式（1）构建数字经济的有向空间矩阵：
|
(2) |
运用二值法进行社会网络分析时, 以式（2）各行的均值为阈值, 将大于或等于该阈值的数值记为1, 为对应区域间的数字经济存在空间关联关系；否则, 记为0, 为对应区域数字经济不存在空间关联关系, 从而构建用于刻画我国城市数字经济空间关联网络的有向非对称二元邻接矩阵Rmn, 其中各行元素反映城市m对城市n存在数字经济发出关系, 各列元素反映城市m对城市n存在数字经济接受关系.二值矩阵如式（3）：
|
(3) |
基于社会网络分析视角, 常用的中心性指标有：度中心性、中介中心性、接近中心性和特征向量中心性等, 鉴于本文使用的网络中心性指标主要表示某一节点与其他所有节点的联系紧密程度, 而度中心性由节点城市与其他城市发生数字经济空间关联关系的数目予以表征, 度中心性越大, 表明与该区域发生数字经济空间关联的城市数目越多, 该城市的数字经济空间互动越频繁, 该节点在网络中就越重要.因此, 度中心性对于本文研究数字经济空间关联网络特征具有显著优势, 选择节点度作为空间关联网络的代理变量.根据空间关联矩阵的有向性, 可将节点度分为出度（发出关系数）和入度（接收关系数）两种[29], 因此在基准回归中以入度、出度为表征变量进行分析；鉴于本文主要考察考察城市在网络中对资源和信息的“摄取”与“接收”能力, 后续主要以点入度考察城市数字经济空间关联网络其对城市碳排放绩效的影响.
2.2.3 控制变量参考相关研究, 本文对可能影响城市碳排放绩效的一系列因素进行控制. ①人口密度（Pd）：采用每km2人口数量；②经济发展水平（Pgdp）：城市人均GDP对数；③城镇化水平（UR）：市辖区人口比例；④金融发展水平（JR）：金融机构年末存贷款总额占GDP的比例；⑤对外开放水平（Open）：外商直接投资额占国民生产总值的比例；⑥政府支持（Gov）：当地财政一般预算支出占GDP的比例.变量的描述性统计见表 1.
|
表 1 描述性统计 Table 1 Descriptive statistics |
2.2.4 模型设定
为探讨数字经济空间关联网络与碳绩效之间的关系, 对上述研究假说进行实证检验, 构建如下计量模型：
|
(4) |
式中, i为城市；t为时间；CPit为被解释变量, 即碳排放绩效；degreeit为解释变量, 即数字经济空间关联网络节点中心性；Xit为控制变量；λi为时间固定效应, 即不随时间变化的影响城市碳排放绩效的特定因素；γt为个体固定效应, 即不随城市特征变化的影响碳排放绩效的特定因素；εit为随机干扰项.
3 结果与讨论 3.1 数字经济的空间关联网络特征分析通过式（1）的计算, 得到了我国城市数字经济空间的联系强度.为深入剖析我国数字经济空间关联网络的结构及特性, 本研究将任意两个城市数字经济空间联系中的较强和较弱联系进行排序, 并在表 2中展示了较强联系和较弱联系的前30与后30位[30].在展示的过程中, 为了更精确地反映网络的实际情况, 在不损害测度结果的真实性和有效性前提下, 选取适当比例[31], 分别剔除了0.3和0.015以下的联系对.结果可见, 我国数字经济表现出一种“牵一发而动全身”的发展趋势.这意味着各城市在数字经济的发展过程中, 不仅在范围上扩大交互, 而且在程度上也加深交融, 推动全国数字经济朝着“一盘棋”的发展格局演变.此外, 数字经济空间关联网络在我国呈现出非均衡的发展特点.在网络结构中, 广州、上海、北京和深圳等东部成熟的中心城市占据着重要的联系位置, 而乌鲁木齐、白山、丽江等经济欠发达地区则位于网络的边缘[32].这一现象揭示了地区数字经济引力呈现出的“东部-中西部”“中心城市-周边外围城市”“四大核心城市群-非四大核心城市群”的空间分布规律.因此, 在这种空间分异格局下, 数字经济空间关联网络对碳排放绩效的影响成为需要进一步检验的问题.
|
|
表 2 排名前30位与后30位城市数字经济联系对 Table 2 Top 30 cities are connected to the bottom 30 cities in the digital economy |
3.2 数字经济网络影响碳绩效的实证分析
首先, 采用ArcGIS 10.2软件对碳排放绩效进行可视化分析.2011年和2021年华中地区、东三省、粤港澳和长三角地区的碳排放绩效空间分布如图 2所示.可以看出, 碳排放绩效从各区域和大城市的增长极向周边地区扩散, 并逐渐减少；与2011年相比, 2021年碳排放绩效呈现显著增长态势；另外, 从地区碳绩效水平来看, 华中、东三省地区与粤港澳、长三角地区存在差距, 这可能是由于地区发展、资源禀赋等存在差异导致.由此, 进一步分析数字经济关联网络对碳排放绩效是否存在正向影响以及不同类型地区之间呈现的影响差异[33].
|
（a）2011年华中地区；（b）2011年华中地区；（c）2011年东三省地区；（d）2021年东三省地区；（e）2011年粤港澳地区；（f）2021年粤港澳地区；（g）2011年长三角地区；（h）2021年长三角地区 图 2 碳排放绩效空间分布 Fig. 2 Spatial distribution of carbon emission performance |
表 3报告了数字经济空间关联网络影响碳排放绩效的模型估计结果.第（2）列和第（4）列控制了时间和地区固定效应, 可以看出数字经济空间关联网络显著提高了城市碳排放绩效水平, 且点入度对碳排放绩效的提升作用明显大于点出度.这是因为伴随网络节点中心性的提高, 城市越处于网络中相对中心位置, 与其他城市的关联性更强, 因而处于数字经济空间传导路径交汇处的城市更能凭借数字经济网络进一步加强区域之间的联系, 合理配置资源、享受数字经济带来的红利, 进而对碳排放绩效的提升产生促进作用[34].更进一步, 由于点出度表示技术溢出及示范效应的存在使得这些地区对周边地区产生的辐射能力, 点入度表示接收周边地区信息和资源, 从中受益的能力.因此, 数字经济空间关联网络点入度的碳绩效提升作用更为明显.假设1得到验证.
|
|
表 3 基准回归结果1） Table 3 Baseline regression result |
3.3 稳健性检验
为了检验数字经济空间关联网络与碳排放绩效之间的正向相关关系这一核心结论的稳定性, 使结果更加稳健可靠, 本研究基于式（4）, 通过更换解释变量、解释变量滞后和剔除部分城市样本等方式进行稳健性检验.
3.3.1 更换解释变量参考相关研究, 使用数字经济空间关联网络中介中心度（Betweeness）表征该城市节点度[35], 代入基准回归模型中进行重新回归, 结果如表 4中第（1）列所示, 表明数字经济空间关联网络对碳排放绩效具有提升作用.
|
|
表 4 稳健性分析结果1） Table 4 Robustness analysis results |
3.3.2 解释变量滞后
本文通过将解释变量滞后一期和二期并代入基准回归模型进行回归, 结果显示在表 4中第（2）列和第（3）列.尽管数字经济空间关联网络对碳排放绩效的影响在显著性水平和系数上存在差异, 但回归中数字经济网络节点中心性对碳排放绩效的影响仍显著为正.这一结果进一步支持了前文得到的结论, 证明其具有稳健性和可靠性.
3.3.3 剔除直辖市城市之间的资源分配和政策支持常常受到城市行政级别的影响.直辖市通常能凭借其独特的资源禀赋和区位优势吸引大量外来资本.鉴于此, 对直辖市进行剔除, 重新回归分析, 结果如表 4中第（4）列所示, 这与前文的结论依然一致, 进一步验证了前文结论的稳健性.
3.3.4 内生性处理碳排放绩效涉及城市经济发展的许多方面, 因此可能存在遗漏其他影响碳排放绩效的变量, 从而可能引发内生性问题.此外, 还可能存在反向因果问题, 即碳排放绩效越高的城市, 产业区域联系更加紧密、创新合作水平更高, 使得城市更有可能处于数字经济空间关联网络中心位置.
为解决上述内生性问题, 本研究借鉴杨慧梅等[36]的方法, 选择各城市1984年每百人固定电话数量作为数字经济发展水平的工具变量.由于中国的互联网接入技术基本上是从电话线拨号上网（PSTN）开始普及, 因此, 固话普及率与互联网普及率成正比关系.此外, 历史固定电话数量对当前地区的碳排放绩效产生直接影响的可能性较低, 满足了工具变量的相关性和外生性原则.同时, 为避免在固定效应模型中使用不随时间变化的工具变量所带来的困难, 使用1984年各地区每百人固定电话数量和上一年国家互联网投资水平（与时间相关）的交互项作为工具变量[37], 进行两阶段最小二乘法（2SLS）回归.
从表 5的结果可以看到, 工具变量在第一阶段的估计中与数字经济空间关联网络之间存在显著的正相关关系.该估计的F值达到65.797 8, 远大于10%显著性水平下的临界值16.38, 排除了弱工具变量的可能性.此外, Kleibergen-Paap rk LM统计量的值为72.024 4, 拒绝了工具变量不可识别的原假设, 进一步确认了工具变量与内生变量之间的强关联性.经过处理内生性问题后, 发现数字经济空间关联网络对碳排放绩效的显著正向影响仍然保持.
|
|
表 5 内生性分析结果1） Table 5 Results of endogenetic analysis |
3.4 机制检验
通过理论分析, 认为产业区域联系和创新合作网络是数字经济空间关联网络影响碳排放绩效的主要机制, 由此对作用机制做如下检验：
3.4.1 产业区域联系机制理论分析指出, 数字经济空间关联网络引领产业区域联系进而改善碳排放绩效.为了对产业区域联系效应进行检验, 测度产业区域联系程度（LD）[38].
基于上述机制检验的理论分析与变量设定, 构造如下回归模型：
|
(5) |
式中, MIDit包含3个机制变量：产业区域联系（LD）、创新合作广度（BR）和创新合作深度（DP）.其他变量定义与式（4）一致.
表 6中第（1）列所示, 数字经济空间关联网络可以提升产业区域联系度, 其回归系数为0.402且在5%水平显著为正；表明数字经济空间关联网络通过促进产业区域联系进而提高地区碳排放绩效.一方面, 处于数字经济空间传导路径交汇处的城市更能凭借数字经济网络加强区域产业之间的关联性, 有利于协调要素投入、产出之间的合理程度, 进而提升碳排放绩效[39].另一方面, 较高网络节点中心性的城市往往处于区域数字要素流动的关键枢纽位置, 凭借四通八达的数字知识与技术的沟通桥梁, 可以进一步扩大技术外溢的边界, 促进高端技术产业实现地区差异化渗透.综上, 产业区域联系机制得以验证.
|
|
表 6 机制分析结果 Table 6 Mechanism analysis result |
3.4.2 创新合作网络机制
为了检验创新合作网络效应, 采用地区创新合作广度（BR）和创新合作深度（DP）衡量地区创新合作网络[40].
表 6中第（2）列和第（3）列所示, 数字经济空间关联网络会拓展地区创新合作广度及深度, 其回归系数分别为0.758和0.021, 且可以看出数字经济空间关联网络对创新合作广度的提升作用更大, 顺势对碳排放绩效产生促进作用.一方面, 数字经济节点性高的城市占据网络中心地位, 科技资源的流动范围较广, “朋友圈”较大, 有助于与其他城市进行创新合作, 拓宽创新合作广度；另一方面, 数字经济节点性高的城市拥有丰富的数字资源, 使得城市的科技资源流动频率较大, 加深与其他城市合作紧密程度[41].总之, 数字经济空间关联网络可通过推动创新合作网络形成, 进而提升城市碳排放绩效.
3.5 调节效应本文以人力资本投资（Hci）作为调节变量.人力资本投资是为提升劳动者知识和技能等所进行的投资, 教育和培训是人力资本投资最重要的组成部分.借鉴已有研究, 采用公共教育支出占GDP的比例对人力资本投资进行衡量.
基于前文理论分析与变量设定, 构造如下回归模型进行检验：
|
(6) |
如表 7所示, 人力资本投资对数字经济空间关联网络与碳排放绩效的关系起到正向调节作用.因此, 政府应合理规划地区人力资本投资, 根据区域发展不同, 制定差异化人力资本战略, 积极发挥人力资本投资对本地经济高质量发展的促进作用, 助力地方低碳经济发展[42].
|
|
表 7 人力资本投资的调节效应分析结果 Table 7 Results of the analysis of the moderating effect of human capital investment |
3.6 异质性检验 3.6.1 地区异质性分析
根据前文分析, 城市数字经济网络节点中心度在不同地区间表现出明显差异, 这种差异可能与各地区的自然资源禀赋和经济社会发展条件的不均衡有关.因此, 为了揭示数字经济空间关联网络在不同地域背景下对碳排放绩效的具体影响, 将254个样本城市分为3组进行回归, 包括98个东部城市、88个中部城市和68个西部城市, 结果如表 8.
|
|
表 8 异质性分析结果 Table 8 Results of heterogeneity analysis |
结果表明, 东中部地区, 城市数字经济空间关联网络对碳排放绩效存在显著的正向影响, 而西部地区影响并不显著.这一差异可能归因于：首先, 与西部地区相比, 东中部地区的经济基础更为坚实, 市场化程度和对外开放水平也更高, 该地区可以依靠区位、人才、技术和政策等优势, 充分发挥数字经济空间关联网络的正外部性.其次, 与东中部地区相比, 西部城市在基础设施建设方面的相对落后限制了实体经济与数字经济的紧密融合, 导致数字经济空间关联网络对碳排放绩效影响的区域差异.从更长远的角度来看, 东中部地区的数字经济引领作用应当被进一步挖掘和利用, 推动数字要素向西部地区转移, 提升网络整体数字经济发展水平, 实现经济高质量发展[43].
3.6.2 四大核心城市群与非四大核心城市群异质性分析《中国数字经济发展白皮书（2021年）》强调, 长三角区域、粤港澳大湾区等城市群数字经济已逐渐形成“多极辐射, 点轴衔接”的发展态势.基于此, 对长三角城市群、粤港澳大湾区、京津冀城市群和成渝城市群等“四大核心城市群”与“非四大核心城市群”进行分样本回归分析.表 8可见, 无论是在“四大核心城市群”还是“非四大核心城市群”, 数字经济空间关联网络都显著提升了碳排放绩效.然而, 在比较对碳排放绩效的促进作用强弱时, 发现“四大核心城市群”优于“非四大核心城市群”, 造成这一现象的可能原因在于：“四大核心城市群”的城市在技术创新、人力资本、资金储备和政策便利等方面拥有显著优势, 能够充分利用数字经济网络的联动效应, 推动地区碳排放绩效的提升.
3.6.3 资源型城市与非资源型城市异质性分析由前文分析, 产业区域联系是数字经济空间关联网络影响碳排放绩效的机制之一, 而产业联系与地区资源密不可分[44].因此, 根据《全国资源型城市可持续发展规划（2013~2020年）》, 将样本城市分为资源型城市和非资源型城市两组进行回归.表 9可见, 资源型城市数字经济空间关联网络对碳绩效提升效果更为明显.可能归因于：资源型城市通常依赖单一开采、冶炼和加工等自然资源初级部门, 经济发展模式相对单调, 数字经济空间关联网络可促进生产效率、清洁能源领域的技术创新.相反, 非资源型城市在产业发展、技术创新等方面往往已具备良好基础, 导致数字经济空间关联网络对碳排放绩效的促进作用相对有限[45].这一发现强调了在设计碳排放绩效相关方案时需考虑城市的资源属性, 以确保政策的针对性和有效性.
|
|
表 9 异质性分析结果 Table 9 Results of heterogeneity analysis |
3.6.4 城市规模异质性分析
根据《关于调整城市规模划分标准的通知》, 将样本城市分为大城市（常住人口≥500万）和中小城市（常住人口 < 500万）两组进行分别回归.表 9显示, 数字经济空间关联网络对碳排放绩效的促进作用在大城市更为明显.这可能归因于：相对于中小城市而言, 大城市产业发展类型多样、创新资源充沛, 能够充分利用空间关联网络进行产业区域联系、实现创新合作, 推动地区产业转型升级.因此, 有必要加强大城市与中小城市间的信息交流与合作, 促进多元化、多层次的低碳经济发展体系建设[46].
4 建议（1）改变各区域数字经济相对独立的发展模式, 加强互联互通和协同发展, 实现全局协调和一体化推进.一方面, 要持续投入核心技术的研发, 突破数字技术的现有边界和应用瓶颈, 重点发展互联网、大数据、人工智能等领域的技术研发与应用, 聚焦并培育一批擅长互联网信息技术及大数据深加工的新兴企业[47].另一方面, 需要在数字基础设施智能化转型的基础上, 统筹布局加快5G和光纤宽带网络等数字新基建项目的进展, 加速大数据中心的建设与应用, 以巩固数字要素循环的关键支撑.
（2）针对各地区在产业关联中的不同地位和作用, 对“动力源”地区及其他地区等制定差异化政策, 分类精准施策, 协调发展不同区域的产业关联程度.同时, 开展创新主体之间合作创新活动, 搭建科研合作平台并引入科研分支机构, 增加网络边缘地区参与到创新合作网络中的机会.
（3）对于人力资本水平相对落后地区, 政府应继续优化高等教育和职业教育资源, 有针对性地弥补数字经济和创新合作所需的人才缺口；对于人力资本发达地区, 重点将投资集中在高层次人才的培养上, 包括拔尖人才和科技领军人才, 以切实提升人力资本的整体水平.
（4）巩固东部地区及核心城市群的数字经济引领作用, 不断开拓和加深与周边城市及其他增长极的数字经济联系.一方面, 以税收、信贷激励等政策倾斜持续加大对东中部地区、核心城市的支持力度, 产生规模经济以节约成本, 并通过网络-链式的倍增效应, 带动周边城市发展.另一方面, 持续加大中、西部地区及部分中小城市智慧城市建设力度, 立足于城市自身定位及优势功能, 积极承接周边城市数字产业转移, 逐步缩小区域数字鸿沟.
5 结论（1）我国数字经济展示了显著的网络关联发展格局, 然而, 在网络结构视角下, 东部地区与中西部地区的空间关联网络存在一定差异, 前者的网络节点中心性平均水平明显优于后者, 具有地理区域上的非均衡空间演化特征.
（2）整体来看, 数字经济空间关联网络能够提升碳排放绩效；且城市的网络中心性越高, 碳排放绩效提升幅度越大.具体来说, 数字经济空间关联网络有助于推动产业区域关联、形成创新合作网络, 从而产生积极的碳排放绩效变迁效应.
（3）调节效应分析结果表明, 人力资本投资在数字经济空间关联网络与碳排放绩效关系中起到了正向调节效应.
（4）异质性分析表明, 数字经济空间关联网络对碳排放绩效的影响存在明显的地理区位、城市群所属、城市资源禀赋及城市规模差异.
| [1] |
崔蓉, 翟凌宇, 孙亚男. 中国数字经济空间关联网络结构及其影响因素[J]. 经济与管理评论, 2023, 39(6): 95-108. Cui R, Zhai L Y, Sun Y N. Spatial correlation network structure of digital economy and its determinants in China[J]. Review of Economy and Management, 2023, 39(6): 95-108. |
| [2] |
周升起, 吴欢欢. 数字经济助推共同富裕: 作用与机制研究[J]. 调研世界, 2023(2): 23-32. Zhou S Q, Wu H H. Digital economy boosting common prosperity function and mechanism research[J]. The World of Survey and Research, 2023(2): 23-32. |
| [3] |
刘维林, 王艺斌. 数字经济赋能城市绿色高质量发展的效应与机制研究[J]. 南方经济, 2022(8): 73-91. Liu W L, Wang Y B. Effect and mechanism of digital economy empowering urban green and high-quality development[J]. South China Journal of Economics, 2022(8): 73-91. |
| [4] |
徐梦周, 朱永竹, 杨大鹏. 数字经济发展的空间关联与协同治理: 以长三角城市群为例[J]. 治理研究, 2022, 38(5): 102-112, 128. Xu M Z, Zhu Y Z, Yang D P. Spatial correlation and collaborative governance of digital economy development: an empiricals tudy based on the yangtze river delta urban agglomeration[J]. Governance Studies, 2022, 38(5): 102-112, 128. DOI:10.3969/j.issn.1007-9092.2022.05.011 |
| [5] |
王彬燕, 田俊峰, 程利莎, 等. 中国数字经济空间分异及影响因素[J]. 地理科学, 2018, 38(6): 859-868. Wang B Y, Tian J F, Cheng L S, et al. Spatial differentiation of digital economy and its influencing factors in China[J]. Scientia Geographica Sinica, 2018, 38(6): 859-868. |
| [6] |
王玉芳, 马晓敏, 周国富. 数字经济、空间关联与网络结构效应[J]. 科技与经济, 2023, 36(3): 101-105. Wang Y F, Ma X M, Zhou G F. Digital economy, spatial correlation and the network structure effect[J]. Science & Technology and Economy, 2023, 36(3): 101-105. DOI:10.3969/j.issn.1003-7691.2023.03.021 |
| [7] | 杜传甲, 王成军. 我国省际数字经济空间关联网络结构特征及其影响因素研究[J]. 统计与决策, 2023, 39(4): 106-110. |
| [8] |
邵帅, 范美婷, 杨莉莉. 经济结构调整、绿色技术进步与中国低碳转型发展-基于总体技术前沿和空间溢出效应视角的经验考察[J]. 管理世界, 2022, 38(2): 46-69, 4. Shao S, Fan M T, Yang L L. Economic restructuring, green technical progress, and low-carbon transition development in China: an empirical investigation based on the overall technology frontier and spatial spillover effect[J]. Journal of Management World, 2022, 38(2): 46-69, 4. DOI:10.3969/j.issn.1002-5502.2022.02.005 |
| [9] |
张腾, 蒋伏心, 韦朕韬. 数字经济能否成为促进我国经济高质量发展的新动能?[J]. 经济问题探索, 2021(1): 25-39. Zhang T, Jiang F X, Wei Z T. Can digital economy become a new driving force for China's high-quality economic development?[J]. Inquiry Into Economic Issues, 2021(1): 25-39. |
| [10] | 邬彩霞, 高媛. 数字经济驱动低碳产业发展的机制与效应研究[J]. 贵州社会科学, 2020(11): 155-161. |
| [11] | Salahuddin M, Alam K. Internet usage, electricity consumption and economic growth in Australia: a time series evidence[J]. Telematics and Informatics, 2015, 32(4): 862-878. DOI:10.1016/j.tele.2015.04.011 |
| [12] |
谢云飞. 数字经济对区域碳排放强度的影响效应及作用机制[J]. 当代经济管理, 2022, 44(2): 68-78. Xie Y F. The effect and mechanism of digital economy on regional carbon emission intensity[J]. Contemporary Economic Management, 2022, 44(2): 68-78. |
| [13] |
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]. Management World, 2020, 36(10): 65-76. DOI:10.3969/j.issn.1002-5502.2020.10.006 |
| [14] |
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 |
| [15] |
邓荣荣, 张翱祥. 中国城市数字金融发展对碳排放绩效的影响及机理[J]. 资源科学, 2021, 43(11): 2316-2330. Deng R R, Zhang A X. The impact of urban digital finance development on carbon emission performance in China and mechanism[J]. Resources Science, 2021, 43(11): 2316-2330. |
| [16] |
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. |
| [17] |
姚常成, 宋冬林. 数字经济与产业空间布局重塑: 均衡还是极化[J]. 财贸经济, 2023, 44(6): 69-87. Yao C C, Song D L. The digital economy and the reshaping of industrial spatial layout: balance or polarization?[J]. Finance & Trade Economics, 2023, 44(6): 69-87. DOI:10.3969/j.issn.1002-8102.2023.06.005 |
| [18] |
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 |
| [19] | 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. |
| [20] |
豆建民, 王光丽, 马融. 数字经济发展对城市合作创新的影响-基于空间溢出效应的视角[J]. 经济管理, 2023, 45(7): 56-75. Dou J M, Wang G L, Ma R. The impact of digital economy development on urban cooperative innovation: an analysis from the perspective of spatial spillover[J]. Business and Management Journal, 2023, 45(7): 56-75. |
| [21] |
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. |
| [22] |
刘洋, 吴叶勤, 朱志红. 数字经济与城市碳绩效提升: 效应与机制[J]. 调研世界, 2023(8): 69-78. Liu Y, Wu Y Q, Zhu Z H. Digital economy and urban carbon performance improvement: effects and mechanisms[J]. The World of Survey and Research, 2023(8): 69-78. |
| [23] |
赵领娣, 张磊, 徐乐, 等. 人力资本、产业结构调整与绿色发展效率的作用机制[J]. 中国人口·资源与环境, 2016, 26(11): 106-114. Zhao L D, Zhang L, Xu L, et al. Mechanism of human capital, industrial structure adjustment and green development efficiency[J]. China Population, Resources and Environment, 2016, 26(11): 106-114. |
| [24] |
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. |
| [25] |
吴健生, 晋雪茹, 王晗, 等. 中国碳排放及影响因素的市域尺度分析[J]. 环境科学, 2023, 44(5): 2974-2982. Wu J S, Jin X R, Wang H, et al. Analysis of carbon emissions and influencing factors in China based on city scale[J]. Environmental Science, 2023, 44(5): 2974-2982. |
| [26] | 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 |
| [27] |
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. |
| [28] | 王振涛, 许英. 我国数字经济空间关联网络结构特征及其效应分析-基于社会网络分析[J]. 金融经济, 2022(10): 29-42. |
| [29] |
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. |
| [30] |
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. |
| [31] |
冯颖, 侯孟阳, 姚顺波. 中国粮食生产空间关联网络的结构特征及其形成机制[J]. 地理学报, 2020, 75(11): 2380-2395. Feng Y, Hou M Y, Yao S B. Structural characteristics and formation mechanism of spatial correlation network of grain production in China[J]. Acta Geographica Sinica, 2020, 75(11): 2380-2395. |
| [32] | 董瑞媛, 周晓唯. 数字经济与碳排放的脱钩水平及其空间关联网络特征[J]. 统计与决策, 2023, 39(18): 129-133. |
| [33] |
郑航, 叶阿忠. 空间关联网络结构特征的减排效应: 基于城市群视角[J]. 环境科学, 2022, 43(10): 4401-4407. Zheng H, Ye A Z. Carbon emission reduction effect of spatial correlation network structure characteristics: from the perspective of urban agglomeration[J]. Environmental Science, 2022, 43(10): 4401-4407. |
| [34] | 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. |
| [35] | 冷光耀, 李燕林. 长江经济带省域数字经济空间网络结构分析[J]. 统计与咨询, 2023(1): 38-41. |
| [36] |
杨慧梅, 江璐. 数字经济、空间效应与全要素生产率[J]. 统计研究, 2021, 38(4): 3-15. Yang H M, Jiang L. Digital economy, spatial effects and total factor productivity[J]. Statistical Research, 2021, 38(4): 3-15. |
| [37] | Nunn N, Qian N. US food aid and civil conflict[J]. American Economic Review, 2014, 104(6): 1630-1666. |
| [38] |
沈正平, 简晓彬, 施同兵. 产业地域联动的测度方法及其应用探讨[J]. 经济地理, 2007, 27(6): 952-955, 960. Shen Z P, Jian X B, Shi T B. The methods for measuring industrial regional linkage and its application[J]. Economic Geography, 2007, 27(6): 952-955, 960. |
| [39] |
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. |
| [40] |
何雪莹, 张宓之. 跨区域创新合作网络构建对创新绩效的影响研究-以长三角为例[J]. 创新科技, 2021, 21(11): 42-51. He X Y, Zhang M Z. Research on the impact of cross-regional innovation cooperation network construction on innovation performance——Take the Yangtze River Delta as an example[J]. Innovation Science and Technology, 2021, 21(11): 42-51. |
| [41] | 吕岩威, 王文强, 张晋宁. 数字经济对区域绿色创新效率的影响效应及其传导机制[J]. 统计与决策, 2023, 39(20): 120-124. |
| [42] |
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. |
| [43] |
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. |
| [44] | Cheng S N, Qu G H. Research on the effect of digital economy on carbon emissions under the background of "Double Carbon"[J]. International Journal of Environmental Research and Public Health, 2023, 20(6). DOI:10.3390/ijerph20064931 |
| [45] |
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. |
| [46] |
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. |
| [47] |
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. |