2025, Vol. 46
2. 湖北经济学院经济与贸易学院, 武汉 430205;
3. 湖北经济学院碳排放权交易省部共建协同创新中心, 武汉 430205
2. School of Economics and Trade, Hubei University of Economics, Wuhan 430205, China;
3. Collaborative Innovation Center for Emissions Trading System Co-constructed by the Province and Ministry, Hubei University of Economics, Wuhan 430205, China
构建低碳化的经济结构是实现绿色发展的重要环节[1]. 结合世界趋势和中国发展现状, 习近平总书记在第七十五届联合国大会上提出“双碳”战略. 中国碳排放整体体量较大, 且不同工业产业碳排放具有较大的差异[2]. 工业作为国民经济的重要组成部分, 占全国总碳排放量的68%[3]. 受制于低端技术锁定和大规模低效生产惯性, 我国仍然存在工业结构偏重、技术创新能力不强等问题[4], 产业碳减排面临着重重阻碍. 产业升级的推进和生产效率的提升对最终实现碳减排和高质量发展产生着重要影响[5]. 随着“双碳”战略的深入推进, 各地区积极落实产业发展和低碳转型的协调统一, 如何找到符合地区优势的低碳发展道路是各地方政府关注的重点问题. 深入探究“城市-行业”层面的碳排放时空演化特征及产业关联对碳减排的作用效果与机制对于寻求中国城市的产业升级及低碳转型之路具有实际意义.
在碳排放研究方面, 部分学者已具体探究了工业细分行业的碳排放演化情况[6], 朱书涵等[7]针对电力、钢铁及水泥业的碳排放现状与减排定位展开了分析, 并对其未来碳减排潜力进行了预测探究. 在产业发展对碳减排的影响效果方面, 现有国内外研究从区域内产业结构、产业集聚和产业转移这3个视角考察了地方产业发展对区域碳减排的影响：①在产业结构视角, Zhao等[5]研究发现产业结构升级与碳排放呈负相关关系, 而财政分权与产业结构升级的交互项对碳排放呈促进作用. Shen等[8]则实证验证了“十二五”后中国产业结构出现了稳定的低碳调整趋势. ②在产业集聚视角, 部分研究发现生产性服务业集聚对碳排放效率间存在着“U”型关系[9], 产业间协同集聚能够优化资源配置并提升能源利用效率, 加速节能减排[10]. ③在产业转移视角, 区域现有知识、技术与制度结构会影响新产业的产生空间, 形成区域产业演化的路径依赖[11]. 现有研究认为中国区域产业演化以路径依赖型为主[12], 王少剑等[13]即验证了中国工业产业升级和转移引起碳排放的空间重塑. 已有文献对碳减排主题进行了较全面的研究, 对本文具有重要参考价值, 但仍存在3点不足：一是囿于数据收集困难的限制, 现有研究多集中于省级、区域或城市尺度展开碳排放分析, 或仅关注整体行业的碳排放演化, 鲜有文献关注“城市-行业”层级细分工业行业的碳排放强度. 二是现有文献多在构建影响碳排放的层面上引入产业关联因子考虑, 或关注产业集聚和结构转型等因素对碳排放强度的影响[14], 较少通过直接测度产业关联水平探究其与碳排放间的关系. 三是对技术创新中介作用的分析相对简单.
本文可能的研究创新与边际贡献在于：①开拓研究视角. 产业关联视角切入研究碳排放的影响作用关系, 把握产业结构调整的内在深层动因, 对行业碳减排情况展开深入探讨. ②细化研究范畴. 本文尝试突破数据限制, 手动搜集城市-行业层面的能源消费数据以测算“城市-行业”层级的碳排放强度, 深入到城市-行业层级细化探究工业用地配置所产生的碳排放效应. ③完善机制探究. 根据演化经济地理学与路径依赖理论展开分析, 探究产业关联对工业碳排放的影响机制, 丰富了分析思路. 因此本文拟对“城市-行业”尺度的碳排放时空演变展开研究, 并从产业关联视角切入研究工业行业碳排放的影响因素及其机制, 以期为实现区域产业发展和低碳转型协调统一提供新的决策参考.
1 理论分析与研究假设 1.1 产业关联对碳排放的影响经济系统内部存在复杂的产业关联效应, 产业之间通过供给与需求关系形成互相关联和互相依存的内在联系条件[15]. 将产业关联和空间集聚结合起来观察产业集群演化的具体特征是非常重要的[16]. 随着产业结构的不断调整, 产业关联效应将产生连锁反应和波及效应, 导致区域经济增长的稳定性受到冲击[17]. 作为演化经济地理学研究的前沿, 探究产业关联性能更好地衡量其在区域经济发展中的带动作用[18]. 多数学者已开展了以投入产出表为基础的产业关联定量研究[19], 结合边际和绝对指标测度前向产业碳流出和后向个体碳流入的关联程度[20], 以识别关键减排部门和省份；或探究个体产业与整体产业碳排放的作用关系, 利用网络传导分析探究其效应影响, 筛选承担关键溢出作用的行业部门, 作为碳减排的重点关注对象[21].
产业协同集聚有利于促进资源的优化配置以及能源利用效率的有效提升. 路径依赖理论认为如果一个产业与一个地区已经具有比较优势的若干产业相关联, 则其产业密度更高, 技术关联更强[22]. 区域内会倾向于该产业的发展, 影响着区域如何随着时间的推移改变围绕该产业的发展模式[23]. 产业结构不断优化调整、协同产业规模的扩张以及产业间匹配度的提高, 将促进相似产业形成大规模的产业集群, 进而导致产业间分工的不断细化与深化. 在增强产业链上下游关联关系、促进区域行业内的生产总量提升的同时, 可以有效抑制工业产业碳排放[24]. 基于此, 本文提出以下研究假设1：产业关联的提升能够显著降低工业碳排放强度.
1.2 产业关联影响碳排放的中介效应为实现碳达峰和碳中和的目标, 技术创新正逐渐成为未来发展的关键驱动力[25]. 科技创新与技术进步是撬动产业低碳生产与高质量发展的主要因子[26], 优化产业发展和调整产业结构则是提升创新生产能力和降低碳排放的有效路径[27]. 产业布局的优化与产业间协同的加强有助于激发技术创新活力, 是实现经济高质量发展的重要途径[28]. 产业关联水平提升作为产业结构升级更深层的变动形式[29], 对城市碳减排具有重要影响. 本文相应形成了产业关联影响行业碳排放的研究机制（图 1）.
|
图 1 产业关联影响碳排放强度的机制 Fig. 1 Mechanism diagram of the impact of industrial correlation on carbon emission intensity |
在技术创新质量方面, 行业产品质量则是衡量技术创新质量水平的重要指标之一, 反映着技术创新的实际成效和市场竞争力. 在提高整体产业集群的技术水平和生产效率的同时, 也意味着更高效的能源使用、更清洁的生产工艺和更先进的产品设计, 推进单位产出所需的能源消耗的减少[26]. 当前中国研发投入增长较快, 而全要素生产率提升相对滞缓, 在新发展格局下解决“科技创新困境”以实现经济高质量发展是亟待解决的现实问题[29]. 推动产业高质量集聚发展, 其所带来的规模经济效应以及产业关联网络的构建, 不仅有利于带动区域经济的持续增长, 而且将为企业技术革新提供有力支撑. 多重因素的共同作用将有助于知识创新的传播与扩散, 实现新兴技术的研发突破与产品质量的提升, 这种技术溢出效应将有助于减少整个工业体系的能源消耗和碳排放[30]. 因此, 产业关联能够通过提高技术创新质量间接发挥对工业碳排放的抑制作用[31].
与此同时, 数字经济的兴起为推动制造业的绿色转型提供了强大动力[32]. 数字经济发展水平的优化可以有效促进产业链条的智慧高效生产, 从而提升区域整体的技术创新水平与创新活力. 这不仅有利于增强经济全要素生产率, 还将促进实际价值的增值与转化, 为区域探寻碳减排路径打下坚实的创新技术、企业资本和产品质量基础[33]. Hu[34]利用双重差分法实证分析表明, 发展中国家建立大数据综合实验区的数字化驱动模式能够有效抑制污染和碳排放, 且政策效果具有可持续性. 数字经济活力的迸发将有利于推动城市绿色创新水平的提高, 促进能源消耗强度的降低并减少区域行业整体碳排放强度, 加快经济低碳发展和碳减排目标的实现[35]. 基于此, 提出以下研究假设2, H2a：技术创新质量在产业关联与碳排放之间发挥中介作用, 即产业关联通过提高技术创新质量, 降低工业碳排放强度；H2b：数字经济活力在产业关联与碳排放之间发挥中介作用, 即产业关联通过促进数字经济发展, 提高经济创新活力, 降低工业碳排放强度.
2 材料与方法 2.1 模型设定为验证假设1, 本文将产业关联水平与碳排放强度等指标纳入回归模型, 并设置相应的年份滞后项, 设置回归模型如下：
|
(1) |
式中, c、i和t分别表示地级及以上城市、工业行业和年份, t-1和t-3分别表示取值为滞后1 a和3 a；被解释变量COLc, i, t表示第c个城市的i行业在第t年的碳排放强度；核心解释变量IDENc, i, t-3表示产业关联水平, 由于产业关联对企业生产、行业效应的作用产生存在滞后性, 产业关联水平滞后3期；XCc, t-1表示一组城市层面控制变量, XIi, t-1表示一组行业层面控制变量, 控制变量均滞后一期；γc表示城市固定效应, μi表示产业固定效应, θt表示时间固定效应；β0表示截距项；β1、β2和β3表示核心解释变量和控制变量的回归系数；σc, i, t表示随机误差项.
为验证假设2, 选取技术创新质量、经济创新活力两项中介变量纳入中介效应模型, 利用因果逐步回归法来衡量中介变量在产业关联对碳排放强度之间的中介效应发挥, 模型设置如下：
|
(2) |
|
(3) |
式中, Agentc, i, t表示中介变量, 用以探究产业关联与碳排放之间的传导机制, 具体包括技术创新质量（QUAc, i, t）、数字经济活力（IDPc, i, t）.
2.2 变量测度 2.2.1 被解释变量被解释变量为衡量工业碳排放强度（COLc, i, t）, 本文利用工业碳排放与行业总产值的比值测算. 首先, 测度各城市分行业的碳排放总量, 经手动收集各地级及以上城市二位数级别的工业产业能源消费数据. 本文借鉴王巧然[36]的测度方式, 突破以往研究中仅仅使用石油、天然气和液化石油气测算城市层级碳排放的数据限制, 尽可能地将相关能源消费变量涵盖其中, 选取：原煤、焦炭、原油、汽油、煤油、柴油、燃料油、液化石油气、液化天然气和天然气等10类能源消费情况作为碳排放总量测度指标, 公式如下：
|
(4) |
式中, Cc, i, t表示c城市i行业在t年的碳排放量合计；Cm, c, i, t表示c城市i行业的第m种能源消费在t年所产生的碳排放量；Em, c, i, t表示c城市i行业的第m种能源在t年的消费量；fm表示第m种能源的碳排放系数.
进而, 测度行业层面的碳排放强度, 以分析不同产值与生产规模背景下行业的碳排放效应情况, 增强检验的准确性. 经手动收集整理本文所关注的城市38个工业行业的工业总产值, 计算公式如下：
|
(5) |
式中, COLc, i, t表示本文关注的被解释变量工业碳排放强度；CDPc, i, t表示c城市的i行业在t年的工业总产值.
2.2.2 解释变量核心解释变量为产业关联水平（IDENc, i, t）, 是衡量地区产业间关联程度的指标, 反映出区域经济发展过程中的产业多样化和分工细化程度, 原嫄等[29]发现相较于产业结构, 产业关联水平对区域经济发展水平的指示意义更深刻. 参考Hidalgo等[37]的测度方式, 认为如果两个行业之间存在相关性, 它们需要类似的基础设施、物理因素、技术或上述因素组合, 这两个行业将倾向于同时生产, 而从某个时间段的贸易数据中计算出的这种相关性决定了各区域如何随着时间的推移改变其产业发展模式, 并且在发展过程中会优先选择关联性较强的产业. 而根据路径依赖理论, 如果一个产业与一个地区已经具有比较优势的若干产业相关联, 则其产业密度更高, 关联程度更强.
具体测算逻辑为：首先基于各城市各行业海关数据出口的价值总量, 其中海关出口商品编码货号与中国工业行业匹配主要参考周申[38]提供的对应表, 进而利用RCA指标衡量目标城市的某产业是否在整个经济体中具有比较优势, RCA > 1认为具有比较优势, 取值为1, 反之取0, 具体公式如下.
|
(6) |
式中, RCAc, i, t表示在t年c城市的i行业是否在整个研究区域内具有比较优势, Vc, i, t表示在t年c市的产业i的出口价值总量, ∑iVc, i, t表示在t年为c市所有产业的出口价值总量, ∑cVc, i, t表示在t年所有研究城市范围内的产业i的出口价值总量, ∑c, iVc, i, t表示在t年所有研究城市范围内的研究总产业出口价值总量.
进而, 基于RCA衡量的城市-产业比较优势, 测算出产业之间的共现概率值, 衡量产业之间的关联性程度, 具体公式如下：
|
(7) |
式中, φi, j, t表示在t年i行业与j行业之间的关联程度, RCAc, i, t表示在t年c城市的i行业的比较优势, RCAc, j, t表示在t年c城市的j行业的比较优势.
最后, 根据行业之间的关联性程度以及城市产业的比较优势, 测算具体行业在某年某城市的本地关联能力, 具体公式如下：
|
(8) |
式中, IDENi, c, t表示t年c城市的i行业的潜在发展能力, 即本研究的核心解释变量产业关联水平, 这种关联水平决定了区域如何随着时间的推移改变其发展模式.
2.2.3 中介变量本文选取技术创新质量（QUAc, i, t）和数字经济活力（IDPc, i, t）两项指标作为中介变量.
首先, 本文用行业出口产品质量来衡量技术创新质量, 反映整体产品质量水平. 从需求层面看, 可以通过消费者选择和产品价格倒推出产品质量, 参考Johnson[39]、施炳展[40]以及贺灿飞等[41]的研究, 从消费者角度出发, 将产品质量引入CES效用模型, 先计算得到企业层面的标准化出口产品质量指标, 再加总至行业层面, 公式如下：
|
(9) |
式中, qi, m, t表示i企业t年销往m国家的产品出口数量；pi, m, t-σ表示产品价格；λ>i, m, tσ-1表示产品质量；Sm, t表示消费者支出；Pm, t表示价格指数；σ > 1表示产品替代弹性；将上式两边取自然对数, 得到：
|
(10) |
|
(11) |
式中, χm, t由出口目的国主导, 因而可以用进口国家和年份的二维虚拟变量固定这一影响；αj表示产品固定效应, 可以用HS代码控制产品间的差异. 而对于产品替代弹性, 借鉴Khandelwal[42]对于中国出口产品的替代弹性的设定, 设σ为常数. 本文关注的是高维固定效应估计下的残差项, 即εi, m, t=(σ-1)lnλi, m, t, 而产品质量与残差项正相关, 继而定义了产品质量, 并对在产品层面对所得质量指标进行了标准化, 标准化之后的质量指标介于0~1之间：
|
(12) |
|
(13) |
式中, min和max分别表示求最小值和最大值, 是针对某一类产品, 在所有年度、所有企业和所有出口国层面上求出最值. 最终, 加总至行业层面可得本文的中介变量技术创新质量（QUAc, i, t）.
另外, 以数字经济专利申请量来表示数字经济活力（IDPc, i, t）. 聚焦于对数字经济产业发展的专利, 主要涉及数字经济技术、产品和服务, 其目的是支持数字经济的发展, 促进数字经济产业的发展. 主要包括互联网技术、物联网技术、大数据技术、人工智能技术、移动互联网技术和虚拟现实技术等, 以及相关的产品和服务.
2.2.4 控制变量为消除其他变量对实证估计的影响, 本文分别引入一组城市层面控制变量XC及一组产业层面控制变量XI. 城市控制变量包括：①工业发展潜力（IEN）, 采用全市规模以上工业企业数的自然对数来表示；②经济增长压力（GP）, 采用城市GDP增长率与省内平均GDP增长率的比值来表示；③城市人口规模（POP）, 采用城市当年常住人口的自然对数来表示；④科技支出程度（GNO）, 采用地方政府科技支出与财政总支出的比值来表示；产业控制变量包括：①行业从业规模（IPO）, 采用产业总从业人员年末人数的自然对数来表示；②行业总产值（IDP）, 采用行业的工业总产值的自然对数来表示.
2.3 数据来源与说明在数据清洗和匹配方面, 首先, 以全国所有城市作为基础城市样本, 以2009~2016年海关数据库为数据基础测度产业关联水平. 由于不是所有城市每一年都具有出口产品, 通过计算可得涉及278个城市38个行业的产业关联水平值. 在此基础上, 笔者手动搜集2012~2019年各城市-行业的能源消费数据, 用以测算行业碳排放效应, 受限于“城市-行业”层级下行业总产值数据收集的限制, 除去部分数据缺失严重的“城市-行业”数据（如拉萨、克拉玛依、榆林等）以及港澳台等地区外, 最终得到13 494条碳排放强度的数据信息. 在此基础上, 笔者将两大数据库匹配合并, 综合考虑数据可得性, 最终选取中国133个地级市下38个二位数工业产业的非平衡面板作为实证样本. 其中, 考虑到不同年份工业分行业终端能源消费的行业分类标准不一致, 本文参考已有研究解决方式[43], 将国民经济行业分类进行合并, 重新统一为互相匹配的38个行业, 具体类型对应如 表 1所示.
|
表 1 国民经济行业划分 Table 1 Classification of the national economy industrial sectors |
需要说明的是, 本文剔除了数据缺失严重或存在极大偏离值的城市行业数据, 但所得的133个城市样本中仍包含我国关键城市群中的城市以及相关重点城市, 能够有效衡量低碳城市试点政策的有效性, 满足检验研究的要求. 同时, 考虑到产业关联的形成、传播和发展存在滞后性, 本文将核心解释变量滞后3 a. 并且, 为保持量级一致性、减少异方差的影响以及削弱模型的内生性问题, 对部分变量进行了对数处理, 并滞后一期处理. 综上, 样本的变量选取和变量统计描述见 表 2.
|
|
表 2 变量选取 Table 2 Variable selection |
3 结果与分析 3.1 “城市-行业”尺度下中国工业产业碳排放的时空演变特征
由于各区域的经济发展情况、产业结构构成及各行业的投入产出特征存在明显差异, 碳排放量基数存在较大差别. 本文参考李旭辉等[2]划分与分析方式, 基于国民经济行业分类, 从“二位数工业产业”、“不同行业类别”以及“行业-空间”的交叉三大视角入手, 深入探究中国工业碳排放强度的时空演变特征.
为分析不同工业行业碳排放强度的均值特征及其不同阶段的演变特征, 本文分别总结了各行业2009~2019年、2009~2012年以及2013~2016年3个阶段各工业行业碳排放强度均值的演变情况（图 2）. 可以发现, 在整体碳排放强度体量的时间变化趋势方面, 2013~2016年间相对于2009~2012年间的行业碳排放强度整体体量有所提升, 碳减排压力不断升级, 但11年间碳排放强度均值呈现了上升后有所下降的趋势. 同时, 各工业行业之间的碳排放强度差异在不同阶段间基本平稳, 煤炭开采与洗选业2009~2019年碳排放强度平均值为55 146.8 kg·万元-1, 电力、热力的生产和供应业行业则为13 567.8 kg·万元-1, 11 a中均居于工业行业碳排放强度第一位与第二位, 其均属于资本密集型、高耗能且中低端技术的行业, 此类行业可作为地方政府产业碳减排的重点推进对象.
|
图 2 各行业碳排放强度均值 Fig. 2 Average carbon emission intensity by industry |
同时, 本文根据行业密集度进一步分析不同行业类别的碳排放强度演变差异（图 3）. 可以发现, 相比于技术密集型行业, 资本密集和劳动密集型行业的平均行业碳排放强度较高, 技术密集型行业的平均碳排放强度在2009年为1 286.5 kg·万元-1, 2019年为532.1 kg·万元-1, 始终位于三大类别的末端, 技术创新能力较强的行业具有较高的减污降碳应对能力. 这揭示着科技技术创新在碳减排中的重要地位, 启示地方政府应在自身产业结构优势的基础上, 着力推进生产技术水平的提升和绿色创新能力的升级, 寻求新的行业碳减排“突破”路径.
|
图 3 2009~2019年不同行业密集型碳排放强度演变 Fig. 3 Evolution of intensive carbon emission intensity in different industries from 2009 to 2019 |
最后, 进一步交叉分析“行业-空间”视角下的碳排放强度演化情况（图 4）. 可以发现, 中西部地区的碳排放强度始终高于东部地区, 且资本密集型行业下更为明显. 在时间视角下, 2019年东部及中西部地区中各行业的碳排放强度均有所下降, 且两区域之间的行业碳排放差异缩减明显. 在典型区域的行业差异视角下, 中西部地区同一行业类别的碳排放强度下降明显. 2019年中西部地区资本密集型行业的碳排放强度相比2009年下降9083.2 kg·万元-1. 黑色金属矿采选业等多数资本密集型行业同时也是高耗能产业, 为地方碳减排带来了重大挑战. 而中西部地区碳减排的显著成效则与此类行业的转型升级有着密切关系. 例如, 近年来宝鸡市已采取多项措施促进绿色制造体系建设, 优化用能结构、淘汰落后设备, 推动了生产能耗的明显降低. 截至2023年, 宝鸡已拥有16个国家级绿色工厂. 在绿色可持续发展战略的不断推进下, “行业-空间”碳排放强度差异的减弱将为我国谋求整体碳减排道路提供坚实基础.
|
图 4 不同“行业-区域”的工业碳排放强度演变 Fig. 4 Evolution of carbon emission intensity across different industries and regions |
在此基础上, 不同的产业关联水平将对不同的“行业-空间-时间”下的工业产业碳排放情况产生怎么样的影响?本文将在后续研究中进一步展开验证.
3.2 “城市-行业”尺度下产业关联的工业碳减排影响及机制 3.2.1 基准回归表 3报告了基准回归的估计结果. 列（1）仅为产业关联对工业碳排放的影响, 列（2）至列（4）逐步加入城市控制变量, 列（5）加入了产业控制变量, 同时控制固定效应. 表 3结果显示, 核心解释变量的系数始终显著为负, 产业关联的加强会推进工业产业碳排放强度的下降. 具体来看, 在其他条件不变的情况下, 随产业关联水平的上升, 工业产业碳排放强度在1%的显著性水平下呈现下降趋势, 表现为产业关联三期滞后项每提高1%, 碳排放强度平均下降0.234%. 因此, 这一结果表明, 产业关联程度的加强有利于产业集聚, 促进产业间分工的不断细化与深化, 优势产业逐渐确立. 技术关联性强, 将促进生产效率的提高与资源的优化配置, 推进碳排放强度的下降[44]. 部分研究发现金属冶炼、水电气供应和化工制品这3个行业在中国碳排放量中的占比最大, 这3个行业的显著产业关联效应是其重要原因之一, 进而会对经济发展产生尤为突出的影响[45]. 本文的假设1得以验证.
|
|
表 3 工业碳排放基准回归结果 Table 3 Benchmark regression results of industrial carbon emission |
3.2.2 异质性分析
考虑到不同行业特征与城市特征下可能存在不同的产业关联的碳排放效应, 本文结合不同行业要素密集度、不同行业技术水平、不同区域空间类型以及不同城市政府干预程度展开异质分析.
表 4列（1）至列（3）为不同行业要素密集度下的估计结果. 参考韩峰等[46]对工业行业要素密集度和重要程度的不同分类划分, 分为劳动密集、资本密集和技术密集这3个行业分类. 结果表明, 资本密集型行业内产业关联对碳排放强度的抑制作用相较于平均水平更加明显. 这种现象的分析逻辑可能在于：一是在生产的碳排放特性方面, 资本密集型的繁复生产过程具有制造工业的特殊性, 会生成较大体量的碳排放, 本身即具有强度较高的碳排放；另一方面, 在产业关联连接程度方面, 资本密集型产业的上下游关联强度更为紧密, 其所具备的技术促进及活力促进作用更为强烈, 将形成更为紧密的产业关联网络, 具有更为明显的产业碳减排效果.
|
|
表 4 产业关联对工业碳排放的行业异质性影响 Table 4 Heterogeneity effect of industry associations on industrial carbon emission in different industries |
表 4列（4）至列（5）为不同行业技术水平下的估计结果. 本文参考丁一兵等[47]的分类方法, 调整联合国工业发展组织划分, 划分为中高端、中低端技术行业. 可以发现, 中低端技术行业产业关联对碳排放强度的负向效应更加明显. 其中可能的原因是：一方面, 中低端技术行业的创新基础相对薄弱, 创新能力和绿色生产支撑能力较弱, 能源利用效率不高, 碳排放强度的基数较高. 同时, 在技术壁垒方面, 相比高新技术行业, 中低端技术行业技术壁垒相对较低, 更易实现信息沟通和资源共享[48]. 在此基础上, 产业关联水平的提升也将更大程度上推动行业创新活跃度和网络沟通, 通过资源共享、技术交流和合作创新等方式, 促进技术进步和能源利用效率的提高, 有利于形成更大规模的碳排放强度的降低.
表 4列（6）至列（7）为不同城市政府干预程度下的估计结果. 本文参考谢贞发等[49]的做法, 以7 a间地方政府财政支出占GDP比例的平均值作为政府干预强弱城市的划分节点. 结果显示, 政府干预程度越强的城市行业中产业关联对碳排放强度的负向效应更加明显. 政府干预程度较高的城市将具备更强大的资金储备, 且具有更加完善的环境规制监督、实施体系, 为行业产业体系的构建及碳减排发展提供为有力的优惠扶持政策. 这也提醒着地方政府在寻求地方低碳发展的过程中, 要优化形成更为严格的行业碳减排监管制度, 以及更大强度的产业关联发展的支持政策, 针对行业特征给予更完善的奖惩融合制度, 多手段、途径促进产业关联碳减排效用的发挥.
3.2.3 稳健性检验为使回归结果分析更具普遍性, 本文进一步展开稳健性检验. 主要从替换解释变量、增加控制变量、缩短时间窗口和调整样本量这4个角度进行检验, 同时通过增加滞后期的方法对可能存在的内生性问题进行检验.
在替换解释变量方面, 在基础回归中, 本文核心解释变量产业关联水平通过不同行业出口贸易总值在同一区域出现的共现概率反映, 龚勤林等[50]认为两项毫无关联的行业偶然在同一地区出现时, 也会被赋予一定关联值, 进而导致高估产业关联度. 因此, 本文将产业关联水平小于25%分位数的值设为0, 保持其余值不变, 由此作为产业关联的替代变量（IDEF）进行研究, 回归结果见 表 5列（1）. 结果表明, 产业关联仍对工业产业碳排放强度具有明显抑制作用, 这与前文的结论一致.
|
|
表 5 稳健性分析 Table 5 Robustness analysis |
在增加控制变量方面, 考虑到可能存在其他更多的城市发展因素对行业碳排放影响. 因此, 本文增加房地产开发程度（ZL）与城镇化水平（UN）两个可能存在的影响因素, 是城市空间扩张和高质量发展选择的内在因素与外在表征[51]. 采用房地产开发投资完成额占GDP比例反映房地产开发程度, 引入城镇年末从业人数与年末总就业人数的比例表征城镇化发展水平. 列（2）结果显示, 产业关联仍在1%的水平下负向显著.
在缩短时间窗口方面, 2016年新《大气污染防治法》的实施为全国环境保护与污染防治指明了方向, 考虑到年份拉长时, 检验结果可能会因受到隐性政策冲击的影响发生变化, 因此, 本文将行业碳减排样本期间缩减至2009~2016年, 进一步验证产业关联的碳减排效用. 列（3）的结果表明, 产业关联水平与碳排放量仍存在显著负相关关系, 且系数变化幅度较小, 基本与原结果保持一致, 结果具有稳健性.
在调整样本量方面, 考虑到北京、上海等直辖市可能因特殊的政策支持、经济积累及地理位置优势等拥有更高的企业关联网络和贸易服务网络. 因此, 本文剔除四大直辖市样本, 其次剔除计划单列市, 列（4）为去除直辖市的回归结果, 列（5）为去除单列市的结果, 结果显示依然稳健.
另外, 考虑到碳排放强度的降低有利于促进环境优势的形成与提升, 可能会反向影响产业进入选择和产业网络发展, 进而反向影响产业关联情况, 为尽可能消除此列因素存在带来的内生性问题, 本文已在基础回归中将核心解释变量滞后三期, 为进一步检验模型稳健性, 本文将核心解释变量的滞后二期项纳入模型, 列（6）显示, 结果仍在1%水平下负向显著, 产业关联具有预先发挥碳减排效应的能力. 综上, 本研究模型具有较强稳健性.
3.2.4 机制分析根据前文假设2, 为探究产业关联与碳排放强度之间的传导机制, 选取技术创新质量、经济创新活力中介变量纳入中介效应模型, 利用因果逐步回归法来衡量中介变量在产业关联对碳排放强度之间的中介效应发挥.
表 6列（1）至（2）的结果表明, 产业关联水平在5%的显著性水平下与技术创新质量正相关, 技术创新质量在1%的显著性水平下与碳排放强度负相关. 列（3）至列（4）结果表明, 产业关联水平在1%的显著性水平下与数字经济创新活力正相关, 数字经济创新活力在1%的显著性水平下与碳排放强度负相关. 结果表明, 产业关联将通过提高行业技术质量与数字经济活力推动工业产业碳排放强度的降低. 说明相关行业在同一个区域同时具有比较优势, 产业间关联程度越高, 可能促进行业间的技术、贸易交流并增强城市活力. 产业关联的增强将促进技术创新质量的提升, 同时推动用数字经济替代传统经济, 为经济发展提供新的发展动能, 进而使得行业低碳发展在技术层面得到促进, 促进区域节能环保发展[35]. 其中, 数字经济活力的迸发将促进产业间信息的快速流通和共享, 增强产业间高度的联系和协作. 同时推动新一代信息技术与制造业的深度融合, 有效提高生产过程的自动化和智能化水平, 从而提高资源配置的效率, 减少能源消耗和废物排放. 并且, 在消费模式和市场行为视角下, 电子商务、在线服务等数字经济形态的兴起促进了消费者对产品和服务的需求趋向个性化、多样化和绿色化, 这也将反向推动工业生产向更加环保和可持续的方向发展, 促进工业行业碳排放强度的下降[52].
|
|
表 6 中介效应分析 Table 6 Analysis on intermediary effect |
4 讨论
中国各地区各工业行业的碳排放情况存在差异, 应根据不同地区的资源禀赋、产业结构和发展水平, 制定差异化的产业政策. 结合自身城市特征和行业优势, 寻求经济转型与绿色低碳共同实现的突破点, 着力发展相关产业, 提升创新水平与经济活力, 以此为区域碳减排做出正向贡献. 对于高排放、高耗能的传统产业, 在东部发达地区应加快淘汰落后产能, 推动产业升级和转型；在中西部地区则应注重提高能效, 逐步实现清洁生产. 鼓励发达地区与欠发达地区之间、上游行业与下游行业之间、同行业不同地区之间的技术创新与转移合作, 提高整体能源利用效率和减排能力.
本文基于城市-产业视角, 从优化产业内在关联角度出发, 对其碳排放效应展开探讨, 揭开了优化产业关联对促进行业碳减排的效用“黑箱”. 结合碳减排路径的整体探索, 应进一步构架“区域-行业”碳减排体制机制. 一方面, 通过建立完善的碳排放监测和报告制度, 确保不同地区各工业行业的碳排放数据真实、准确. 另一方面, 关注产业关联这一影响工业行业碳减排的重要要素. 优化产业结构和布局, 推动产业向低碳、循环、绿色方向转型. 并且, 加强在工业碳排放控制方面的“区域-行业”交叉性合作, 联合优化形成更严格的行业碳减排监管制度和更大强度的产业关联发展的支持政策, 针对行业特征给予奖惩融合制度, 激励企业采取减排措施, 推动绿色产业发展.
本文通过对产业关联具有的碳减排效应的内在机制探究, 重点关注技术创新质量与数字经济活力, 既丰富了环境经济地理研究中有关低碳转型的讨论, 细化了讨论层级, 也为实现区域产业发展和低碳转型提供了新的决策参考. 首先, 应探求多元化发展方式, 推动创新技术进步, 明确政府与市场的角色分工, 激发区域创新活力与行业技术交流. 其次, 激发数字经济活力, 加大数字基础设施建设投入, 强化数字技术与产业融合发展. 鼓励企业利用新兴技术优化生产流程, 提高能源利用效率和产品附加值. 最后, 通过支持跨行业合作, 形成数字技术与实体经济深度融合的新模式. 鼓励企业建立绿色采购制度, 推动供应链上下游企业共同实施节能减排措施, 提升整体技术创新质量并激发数字经济活力.
总体而言, 本研究对产业优化升级促进区域碳减排的相关研究进行了一定补充, 为区域产业发展和低碳转型提供了理论参考, 但是本研究仍存在一定的改进空间. 一是样本数据方面, 未来可以进一步优化数据来源, 收集完善相关数据, 结合省份或城市群的具体特征因素展开分析, 为区域或城市群的发展提供更为详细、可行的发展趋势见解与政策建议；二是样本层级方面, 探索如何利用企业异地投资等数据测度“地区-行业”间的产业关联情况, 结合行业特征展开企业层级的交叉影响讨论. 这些问题可以作为本研究的未来方向.
5 结论（1）电力、热力的生产和供应业、煤炭开采与洗选业等资本密集型、高耗能且中低端技术的行业碳排放强度居于工业行业碳排放强度前列, 可作为地方政府产业碳减排的重点推进对象. 在“行业-空间”交叉视角下, 东部及中西部地区中各行业的碳排放强度均有所下降, 且两区域之间的行业碳排放差异明显缩减. 其中, 中西部地区同一行业类别的碳排放强度下降更加明显, 工业碳减排措施成效显著.
（2）提高城市内部行业的产业关联水平是降低碳排放强度的可选路径, 经过一系列稳健性检验, 这一结论得到了证实. 这说明地方政府在寻求经济发展和低碳转型的过程中, 可以着重关注于产业关联所具有的碳减排效用, 促进双重目标的实现.
（3）本研究的异质性分析揭示了产业关联的碳减排抑制作用具有明显的空间差异与行业差异, 在资本密集型行业、中低端技术行业、西部城市及政府干预程度越强的城市更加明显. 这也表明, 不同城市不同行业需要根据自身发展优势与特征, 制定更具针对性的碳减排应对策略.
（4）本文的机制分析表明, 技术创新质量与数字经济活力在产业关联的工业碳减排效应中发挥重要中介作用, 产业关联通过提升技术创新的质量以及数字经济活力, 推动工业碳排放强度的降低. 这说明, 地方政府现阶段应聚焦关注行业技术创新质量的提升与数字经济发展的促进, 通过多元举措激发行业高质量发展潜力, 促进各行业低碳转型发展.
| [1] |
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. 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. DOI:10.3969/j.issn.1002-5502.2022.02.005 |
| [2] |
李旭辉, 王经伟, 吴权, 等. "双碳"目标下中国五大重点区域工业绿色发展水平差异及成因识别[J]. 经济地理, 2023, 43(8): 103-112. Li X H, Wang J W, Wu Q, et al. Differences and cause identification of industrial green development in China's five key regions under the "Dual Carbon" goal[J]. Economic Geography, 2023, 43(8): 103-112. |
| [3] |
严坤, 吕一铮, 郭扬, 等. 工业园区温室气体核算方法研究[J]. 中国环境管理, 2021, 13(6): 13-23. Yan K, Lv Y Z, Guo Y, et al. Review on greenhouse gas accounting methods on China's industrial parks[J]. Chinese Journal of Environmental Management, 2021, 13(6): 13-23. |
| [4] | Zhao C Y, Wang K, Dong K Y. How does innovative city policy break carbon lock-in? A spatial difference-in-differences analysis for China[J]. Cities, 2023, 136. DOI:10.1016/J.CITIES.2023.104249 |
| [5] | Zhao B, Wang K L, Xu R Y. Fiscal decentralization, industrial structure upgrading, and carbon emissions: evidence from China[J]. Environmental Science and Pollution Research, 2023, 30(13): 39210-39222. DOI:10.1007/s11356-022-24971-w |
| [6] |
卢愿清, 史军. 中国第三产业能源碳排放影响要素指数分解及实证分析[J]. 环境科学, 2012, 33(7): 2528-2532. Lu Y Q, Shi J. Decomposition model of energy-related carbon emissions in tertiary industry for China[J]. Environmental Science, 2012, 33(7): 2528-2532. |
| [7] |
朱书涵, 陆一磊, 王松伟, 等. 2020—2050年我国水泥行业二氧化碳排放特征及减排潜力研究[J]. 环境科学学报, 2024, 44(2): 453-463. Zhu S H, Lu Y L, Wang S W, et al. Characteristics and reduction potential of carbon dioxide emission in China's cement industry from 2020 to 2050[J]. Acta Scientiae Circumstantiae, 2024, 44(2): 453-463. |
| [8] | Shen B, Yang X D, Xu Y, et al. Can carbon emission trading pilot policy drive industrial structure low-carbon restructuring: new evidence from China[J]. Environmental Science and Pollution Research, 2023, 30(14): 41553-41569. DOI:10.1007/s11356-023-25169-4 |
| [9] |
及添正, 邓宏兵, 张天铃. 生产性服务业集聚对碳排放效率的影响——基于长江经济带108个城市企业数据的分析[J]. 资源科学, 2023, 45(1): 31-47. Ji T Z, Deng H B, Zhang T L. Impact of producer services agglomeration on carbon emission efficiency: an analysis based on the data of enterprises in 108 cities of the Yangtze River Economic Belt[J]. Resources Science, 2023, 45(1): 31-47. |
| [10] |
罗天. "双碳"目标下产业协同集聚与低碳发展模式塑造[J]. 生态经济, 2022, 38(7): 42-47, 71. Luo T. Industrial synergistic agglomeration and low-carbon development model shaping under the goal of "Double Carbon"[J]. Ecological Economy, 2022, 38(7): 42-47, 71. |
| [11] | Hao D M, Xu Y F, Wang F, et al. A novel cross-disciplinary approach for estimating spatio-temporal pattern and drivers of pollution transfer caused by industrial transfer processes[J]. Journal of Hazardous Materials, 2024, 462. DOI:10.1016/j.jhazmat.2023.132726 |
| [12] |
李博, 曲艺. 中国沿海地区产业演化路径依赖及突破对区域经济韧性的影响[J]. 地理学报, 2023, 78(4): 824-839. Li B, Qu Y. Influence of industrial evolution path dependence and path creation on regional economic resilience: taking the coastal areas of China as an example[J]. Acta Geographica Sinica, 2023, 78(4): 824-839. |
| [13] |
王少剑, 田莎莎, 蔡清楠, 等. 产业转移背景下广东省工业碳排放的驱动因素及碳转移分析[J]. 地理研究, 2021, 40(9): 2606-2622. Wang S J, Tian S S, Cai Q N, et al. Driving factors and carbon transfer of industrial carbon emissions in Guangdong province under the background of industrial transfer[J]. Geographical Research, 2021, 40(9): 2606-2622. |
| [14] |
陈雪梅, 周斌. 产业结构升级对分部门碳排放的时变影响[J]. 技术经济与管理研究, 2022(6): 123-128. Chen X M, Zhou B. Time-varying effects of industrial structure upgrading on carbon emissions by sector[J]. Journal of Technical Economics & Management, 2022(6): 123-128. DOI:10.3969/j.issn.1004-292X.2022.06.022 |
| [15] |
白梓函, 吕连宏, 赵明轩, 等. 中国对外直接投资的减污降碳效应及其实现机制[J]. 环境科学, 2022, 43(10): 4408-4418. Bai Z H, Lv L H, Zhao M X, et al. Pollution and carbon reduction effect of OFDI in China and its mechanism[J]. Environmental Science, 2022, 43(10): 4408-4418. |
| [16] | Tan Y W, Gu Z H, Chen Y, et al. Industry linkage and spatial co-evolution characteristics of industrial clusters based on natural semantics—taking the electronic information industry cluster in the pearl river delta as an example[J]. Sustainability, 2022, 14(21). DOI:10.3390/SU142114047 |
| [17] |
徐大丰. 碳生产率、产业关联与低碳经济结构调整——基于我国投入产出表的实证分析[J]. 软科学, 2011, 25(3): 42-46, 56. Xu D F. Carbon productivity, industrial correlation and low-carbon economic structure adjustment——empirical analysis based on input-output table in China[J]. Soft Science, 2011, 25(3): 42-46, 56. DOI:10.3969/j.issn.1001-8409.2011.03.008 |
| [18] |
黄蕾, 谢奉军, 杨程丽, 等. 基于Weaver-Thomas模型的区域低碳主导产业评价与选择——以低碳试点城市南昌的工业产业为例[J]. 生态经济, 2014, 30(10): 50-56. Huang L, Xie F J, Yang C L, et al. The evaluation and selection on the regional low carbon industries based on the Weaver-Thomas method: an empirical analysis of industrials in low-carbon pilot city Nanchang[J]. Ecological Economy, 2014, 30(10): 50-56. DOI:10.3969/j.issn.1671-4407.2014.10.012 |
| [19] |
贺灿飞, 余昌达. 多维邻近性、贸易壁垒与中国——世界市场的产业联系动态演化[J]. 地理学报, 2022, 77(2): 275-294. He C F, Yu C D. Multi-dimensional proximity, trade barriers and the dynamic evolution of industrial linkages between China and the world market[J]. Acta Geographica Sinica, 2022, 77(2): 275-294. |
| [20] |
杨柏, 秦广鹏, 杨红. 产业关联视角下中国碳排放核算分析[J]. 科学学研究, 2023, 41(10): 1800-1811. Yang B, Qin G P, Yang H. Analysis of CO2 emission accounting of China from the perspective of industrial linkage[J]. Studies in Science of Science, 2023, 41(10): 1800-1811. DOI:10.3969/j.issn.1003-2053.2023.10.008 |
| [21] |
赵小曼, 张帅, 袁长伟. 基于SNA的产业碳排放关联及传导网络分析[J]. 环境科学与技术, 2019, 42(10): 229-236. Zhao X M, Zhang S, Yuan C W. Analysis of industrial carbon emission correlation and conduction network based on SNA[J]. Environmental Science & Technology, 2019, 42(10): 229-236. |
| [22] |
黄志基, 朱晟君, 石涛. 工业用地出让、技术关联与产业进入动态[J]. 经济地理, 2022, 42(5): 144-155. Huang Z J, Zhu S J, Shi T. Industrial land transfer, technological relatedness and industrial entry dynamics[J]. Economic Geography, 2022, 42(5): 144-155. |
| [23] |
李伟, 贺灿飞. 中国区域产业演化路径——基于技术关联性与技术复杂性的研究[J]. 地理科学进展, 2021, 40(4): 620-634. Li W, He C F. Regional industrial diversification of China: based on technological relatedness and complexity[J]. Progress in Geography, 2021, 40(4): 620-634. |
| [24] |
熊娜, 宋洪玲, 崔海涛. 产业协同融合与碳排放结构变化——东盟一体化经验证据[J]. 中国软科学, 2021(6): 175-182. Xiong N, Song H L, Cui H T. Industrial synergy and carbon emission changes: empirical evidence of ASEAN integration[J]. China Soft Science, 2021(6): 175-182. |
| [25] | Chen M, Wang K. The combining and cooperative effects of carbon price and technological innovation on carbon emission reduction: evidence from China's industrial enterprises[J]. Journal of Environmental Management, 2023, 343. DOI:10.1016/J.JENVMAN.2023.118188 |
| [26] |
邝嫦娥, 李文意, 黄小丝. 长江中游城市群碳排放强度与经济高质量发展耦合协调的时空演变及驱动因素[J]. 经济地理, 2022, 42(8): 30-40. Kuang C E, Li W Y, Huang X S. Spatial-temporal evolution and driving factors of coupling coordination between carbon emission intensity and high-quality economic development in urban agglomerations in the Middle Reaches of the Yangtze River[J]. Economic Geography, 2022, 42(8): 30-40. |
| [27] | Fan G L, Zhu A N, Xu H X. Analysis of the impact of industrial structure upgrading and energy structure optimization on carbon emission reduction[J]. Sustainability, 2023, 15(4). DOI:10.3390/SU15043489 |
| [28] | Kakeu C B P, Wendji C M, Kouhomou C Z, et al. Can technological innovations contribute to more overcome the issue of poverty reduction in Africa?[J]. Technology in Society, 2024, 76. DOI:10.1016/j.techsoc.2024.102463 |
| [29] |
原嫄, 席强敏, 李国平. 产业关联水平对碳排放演化的影响机理及效应研究——基于欧盟27国投入产出数据的实证分析[J]. 自然资源学报, 2017, 32(5): 841-853. Yuan Y, Xi Q M, Li G P. The impact of industrial relevancy on regional carbon emission: empirical analysis based on the input-output data of EU Countries[J]. Journal of Natural Resources, 2017, 32(5): 841-853. |
| [30] |
叶初升, 孙薇. 中国"科技创新困境"再审视: 技术创新质量的新视角[J]. 世界经济, 2023, 46(8): 80-107. Ye C S, Sun W. China's Innovation dilemma revisited: the new perspective of technological innovation quality[J]. The Journal of World Economy, 2023, 46(8): 80-107. |
| [31] | Zhao Y, Sun H, Xia X C, et al. Can R & D intensity reduce carbon emissions intensity? Evidence from China[J]. Sustainability, 2023, 15(2). DOI:10.3390/SU15021619 |
| [32] |
罗军, 邱海桐. 城市数字经济驱动制造业绿色发展的空间效应[J]. 经济地理, 2022, 42(12): 13-22. Luo J, Qiu H T. The spatial effect of urban digital economy on the green development of manufacturing industry[J]. Economic Geography, 2022, 42(12): 13-22. |
| [33] |
孙才志, 宋现芳. 数字经济时代下的中国海洋经济全要素生产率研究[J]. 地理科学进展, 2021, 40(12): 1983-1998. Sun C Z, Song X F. Total factor productivity of marine economy in China in the era of digital economy[J]. Progress in Geography, 2021, 40(12): 1983-1998. |
| [34] | Hu J. Synergistic effect of pollution reduction and carbon emission mitigation in the digital economy[J]. Journal of Environmental Management, 2023, 337. DOI:10.1016/J.JENVMAN.2023.117755 |
| [35] |
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. |
| [36] |
王巧然. 城市化对碳生产率的阶段性效应及其区域分异特征研究——来自中国地级市的证据[J]. 技术经济, 2021, 40(12): 61-73. Wang Q R. A study on the staged effect of urbanization on carbon productivity and its regional differentiation characteristics: evidence from China's prefecture-level Cities[J]. Journal of Technology Economics, 2021, 40(12): 61-73. |
| [37] | Hidalgo C A, Klinger B, Barabási A L, et al. The product space conditions the development of nations[J]. Science, 2007, 317(5837): 482-487. |
| [38] |
周申. 贸易自由化对中国工业劳动需求弹性影响的经验研究[J]. 世界经济, 2006, 29(2): 31-40. Zhou S. Impacts of trade liberalization on the elasticity of China's labor demand[J]. The Journal of World Economy, 2006, 29(2): 31-40. |
| [39] | Johnson R C. Trade and prices with heterogeneous firms[J]. Journal of International Economics, 2012, 86(1): 43-56. |
| [40] |
施炳展. 中国企业出口产品质量异质性: 测度与事实[J]. 经济学(季刊), 2014, 13(1): 263-284. Shi B Z. The product quality heterogeneity of China Firms'export: measurement and facts[J]. China Economic Quarterly, 2014, 13(1): 263-284. |
| [41] |
贺灿飞, 陈航航. 参与全球生产网络与中国出口产品升级[J]. 地理学报, 2017, 72(8): 1331-1346. He C F, Chen H H. Participation in global production networks and export product upgrading[J]. Acta Geographica Sinica, 2017, 72(8): 1331-1346. |
| [42] | Khandelwal A K, Schott P K, Wei S J, et al. Trade liberalization and embedded institutional reform: evidence from Chinese exporters[J]. American Economic Review, 2013, 103(6): 2169-2195. |
| [43] |
王敏, 吴映梅, 王洋, 等. 中国行业碳排放动态变化特征及网络结构演化[J]. 环境科学, 2024, 45(10): 5991-5600. Wang M, Wu Y M, Wang Y, et al. Characterization of industrial carbon emission dynamics and network structure evolution in China[J]. Environmental Science, 2024, 45(10): 5991-5600. |
| [44] | 陈国亮, 陈建军. 产业关联、空间地理与二三产业共同集聚——来自中国212个城市的经验考察[J]. 管理世界, 2012(4): 82-100. |
| [45] |
张宇宁, 庞军. 中美贸易战、产业关联与碳减排——基于HS六位编码和MRIO模型的研究[J]. 国际经贸探索, 2021, 37(8): 4-19. Zhang Y N, Pang J. Sino-US trade war, industrial linkage and carbon emission reduction: based on HS six-digit code of customs commodities and MRIO model[J]. International Economics and Trade Research, 2021, 37(8): 4-19. |
| [46] |
韩峰, 阳立高. 生产性服务业集聚如何影响制造业结构升级?——一个集聚经济与熊彼特内生增长理论的综合框架[J]. 管理世界, 2020, 36(2): 72-94. Han F, Yang L G. How does the agglomeration of producer services promote the upgrading of manufacturing structure?: An integrated framework of agglomeration economies and schumpeter's endogenous growth theory[J]. Journal of Management World, 2020, 36(2): 72-94. |
| [47] |
丁一兵, 刘威. 进口产品复杂度对产业结构高级化的影响——来自中国34个工业行业的经验研究[J]. 经济评论, 2018(3): 31-45. Ding Y B, Liu W. The impact of import complexity on industrial structure upgrading: empirical evidence from 34 industries in China[J]. Economic Review, 2018(3): 31-45. |
| [48] |
周文泳, 胡雯, 陈康辉, 等. 低碳背景下制造业商业模式创新策略研究——以卡特彼勒公司为例[J]. 管理评论, 2012, 24(11): 20-27. Zhou W Y, Hu W, Chen K H, et al. Business model innovation for manufacturers in the context of low-carbon economy——a case study of caterpillar[J]. Management Review, 2012, 24(11): 20-27. |
| [49] |
谢贞发, 朱恺容, 李培. 税收分成、财政激励与城市土地配置[J]. 经济研究, 2019, 54(10): 57-73. Xie Z F, Zhu K R, Li P. Tax sharing, fiscal incentives and urban land allocation[J]. Economic Research Journal, 2019, 54(10): 57-73. |
| [50] |
龚勤林, 李源, 邹冬寒. 技术关联、技术转移对区域技术演化的影响——以成渝地区双城经济圈为例[J]. 科技进步与对策, 2022, 39(7): 33-43. Gong Q L, Li Y, Zou D H. The influence of technology relatedness and technology transfer on regional technology evolution: an example from the Chengdu-Chongqing Area[J]. Science & Technology Progress and Policy, 2022, 39(7): 33-43. |
| [51] | Van Der Borght R, Barbera M P. How urban spatial expansion influences CO2 emissions in Latin American countries[J]. Cities, 2023, 139. DOI:10.1016/J.CITIES.2023.104389 |
| [52] |
赵国喜, 李艳燕, 周斌. 中国数字经济的理论创新及政策机遇[J]. 管理学刊, 2023, 36(6): 68-80. Zhao G X, Li Y Y, Zhou B. Theoretical innovation and policy opportunities of China's digital economy[J]. Journal of Management, 2023, 36(6): 68-80. |