〔摘 要〕 数字经济依托于数字化技术携带的环保效应不仅直接影响碳排放， 还会通过空间溢出效应间接影响区域碳减排绩效。本文基于２０１０～２０２２ 年我国３０ 个省（区、市）面板数据， 运用ＳＴＩＲＰＡＴ 模型及空间杜宾模型检验数字经济对区域碳减排绩效的空间溢出效应及异质性作用。研究发现： 数字经济对碳减排绩效具有显着促进作用， 能够有效促进本地区碳减排； 数字经济发展水平提升可显着提高周边区域碳减排绩效， 产生明显碳减排治理空间溢出效应； 在“ 胡焕庸线” 东南侧区域， 数字经济对碳减排绩效的提升效果最为突出。
〔关键词〕 数字经济 区域碳减排 ＳＴＩＲＰＡＴ 模型 空间杜宾模型 空间溢出效应 异质性分析
ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００４－９１０Ｘ．２０２４．０６．００９
〔中图分类号〕Ｆ２０６； Ｆ４９ 〔文献标识码〕Ａ
引 言
中国作为世界上最大的发展中国家， 一直积极参与全球环境与气候治理， 提出“２０３０ 年前实现碳达峰、２０６０ 年前实现碳中和的目标”。此后， 我国针对碳减排出台“碳中和１＋ｎ 政策体系”， 均强调以脱碳减排和节能增效为重点， 借助低碳与零碳技术创新应用强化能源配置结构， 提升碳减排绩效， 最终实现经济绿色低碳转型。尤其鉴于我国各地区差异化发展结构， 国务院发布《２０３０年前碳达峰行动方案》， 要求各地区按照国家整体部署， 结合地方环境资源、发展阶段、产业布局，科学制定碳达峰行动方案， 差异化实现降碳减排。地方政府基于国家双碳转型战略， “摸清家底” 科学制定低碳发展转型方案， 着力提升区域碳减排绩效。但受地区生产结构转型以及高耗能行业密度影响， 我国各地区碳排放量不尽相同， 加大了综合碳减排目标的达成难度。从信达证券发布《深度解读“能耗双控”》报告悉知， 我国西北、华北、东北地区能耗强度均较高， 而发达省（区、市）能耗普遍较低。基于此， 积极探寻区域碳减排绩效影响因素， 对于提升区域碳减排绩效、助力双碳目标早日达成尤为重要。
国务院发布的《２０３０ 年前碳达峰行动方案》提出， “推进工业领域数字化智能化绿色化融合发展”。全球气候行动峰会颁发的《指数气候行动路线图》也强调， “在能源、制造业、农业和土地使用、建筑、服务、运输和交通管理中实行数字解决方案， 这项技术可以帮助减少高达１５％的全球碳排放， 也就是２０３０ 年所需减少５０％碳排放目标的１／３”。数字经济与绿色发展深度融合， 促使数字技术广泛渗透于煤电行业、建筑行业、交通行业等领域， 通过提高全要素生产率带动产业结构转型升级、促进能源高效利用并降低碳排放量［１］ 。尤其伴随数字经济深入各领域， 社会生产生活方式逐渐趋于经济化、绿色化， 影响区域能源消费结构， 大幅降低区域碳排放量［２］ 。随着各行业数字化转型步伐加快， 地区生产运营形成示范效应，逐渐消除区域间产业协同发展障碍， 助力邻近地区产业数字化、智能化转型， 促进邻域碳减排绩效提升。针对于此， 探讨数字经济对区域碳减排绩效的影响以及空间溢出效应具有重要的现实意义。
从现有研究来看， 就数字经济与碳排放而言，冯兰刚等（２０２３）［３］ 借助固定效应、中介效应与门槛效应模型， 探讨发现数字经济每提升１％水平， 能够促使碳排放强度降低０ ３９０％。谢云飞（２０２２）［４］ 采用２０１１～２０１８ 年省际面板数据， 探讨得知数字经济发展可显着降低区域碳排放强度，且“数字产业化” 的碳减排效应更为突出。王香艳和李金叶（２０２２）［５］ 同样借助省级面板数据， 采用固定效应模型分析发现， 数字经济分别与能源消费、碳排放呈正“Ｕ” 型、倒“Ｕ” 型关系。就数字经济与碳生产率而言， 黎新伍等（２０２２）［６］ 结合２０１１～２０１９ 年省级层面数据检验发现， 数字经济与碳生产率提升存在正向相关关系， 且技术创新、产业结构升级与资源配置效率在二者关系中具有中介作用。郭风等（２０２２）［７］ 采用中介效应模型探讨得出， 数字经济对碳生产率具有重要作用，存在技术创新中介机制。就数字经济与低碳、绿色发展而言， 常皓亮和夏飞龙（２０２３）［８］ 借助２０１１～２０１９ 年中国内地２７１ 个地级及以上城市面板数据，实证得出数字经济通过能源利用效率提升、产业结构转型两大路径， 助力城市低碳转型。张传兵和居来提·色依提（２０２３）［９］ 通过考察数字经济对城市绿色经济转型的影响， 发现数字经济通过提升政府环保投资、增强公众关注度与促进产业结构升级等方式， 助力绿色经济转型发展。张杰等（２０２２）［１０］ 利用２０１１ ～２０１８ 年中国地级市面板数据， 研究得出数字经济可经由推动绿色技术进步、能源效率提升与产业结构优化等方式， 赋能城市低碳转型。
上述文献为本文研究提供丰富理论基础， 但并未涉足数字经济对区域碳减排绩效可能存在的空间溢出效应。据此， 本文采用２０１０～２０２２ 年３０ 个省（区、市）面板数据， 探讨数字经济对区域碳减排绩效的空间溢出效应。本文采用空间相关性分析方法， 分别研究数字经济与区域碳减排绩效的空间自相关情况， 为各地区明晰本土数字经济发展水平与碳减排绩效提供支撑； 借助ＳＴＩＲＰＡＴ 模型及空间杜宾模型， 分析数字经济对区域碳减排绩效的空间溢出效应， 丰富了数字经济影响碳减排的作用路径； 结合我国各区域资源禀赋、产业布局、发展进程存在明显差异的现实情况， 就数字经济对区域碳减排绩效的影响展开异质性分析，为各地区因时因势、因地制宜采取差异化低碳转型举措提供参照。
１ 研究假设
１. １ 数字经济对区域碳减排绩效的“本地效应”
随着数字经济快速发展， 数字化技术覆盖面逐步扩大， 改变了居民生活方式以及企业生产方式，对区域碳减排绩效产生直接积极影响。（１） 数字经济经由优化生产流程， 降低单位能耗。数字经济时代下， 各行业借助数字技术对传统生产流程与方式进行重构， 以智能化生产代替以往高能耗流程， 提升综合能源利用效率， 达到显着碳减排效果， 利于区域碳减排绩效提高［１１］ ； （２） 数字经济经由优化能源配置， 提升能源利用率。随着数字技术日益成熟， 诸多领域开始将新技术应用于电力在内的新能源调配［１２］ 。如将区块链技术应用于分布式电力网络， 促使电力资源在社会范围内合理配置， 降低碳排放量， 提升区域碳减排及绩效； （３） 数字经济经由改变公众生活习惯， 减少碳排放量。数字经济衍生的共享经济深入发展，通过协调与共享域内资源改变公众传统高耗能生活习惯， 降低制造与使用关联产品产生的能耗与碳排放， 大规模节约能耗、减少碳排放， 促进区域碳减排绩效大幅提升［１３］ 。据此， 提出假设：
假设１： 数字经济发展可以提升本区域碳减排绩效。
１. ２ 数字经济对区域碳减排绩效的“邻地效应”
数字经济对区域碳减排绩效的“邻地效应”是指数字经济对于区域碳减排绩效产生的空间溢出效应。（１） 数字经济通过发挥绿色生产要素的空间集聚与扩散效应， 提高邻地碳减排绩效。在数字经济赋能下， 传统行业在实现组织结构变革与生产方式优化的过程中， 会使得区域内绿色生产要素呈现出空间集聚发展趋势［１４］ 。随着生产要素扩散应用， 邻域地区生产过程中的能源投入逐渐被替代， 降低投入产出损耗， 实现碳排放“减增量” “去存量”， 为邻地碳减排绩效提升创造良好环境。且当绿色生产要素扩散至邻域时， 各类生产要素嵌入应用可助推当地产业与能源结构优化， 减少生产生活对能源的过度消耗， 从而提升邻近地区碳减排绩效； （２） 数字经济通过发挥产业关联效应， 促进邻地碳减排绩效提高。依托于现代化数字技术， 数字经济突破传统物理空间桎梏， 并弱化经济活动地理边界， 强化区域间产业关联度［１５］ 。这促使本地区数字经济推动产业结构升级过程中， 可优化邻地生产方式与结构， 逐渐减少邻地环境污染与能耗， 提升邻域碳减排绩效。据此， 提出假设：
假设２： 本地数字经济发展可助推邻地碳减排绩效提升。
２ 模型构建与变量选取
２. １ 基准模型
ＩＰＡＴ 模型将环境（Ｉ）、人口（Ｐ）、经济（Ａ）、技术（Ｔ）纳入统一框架， 试图通过数学模型描述各因素和环境变化间的关系。为探究更多因素对环境变化的影响， 将ＩＰＡＴ 模型扩展为ＳＴＩＲＰＡＴ 进行研究， 具体公式如下所示：
Ｉ ＝ａ×Ｐｂ ×Ａｃ ×Ｔｄ ×ｅ （１）
其中， 模型整体系数用ａ 表示， 环境压力用Ｉ 表示， 人口规模用Ｐ 表示， 经济发展水平用Ａ表示， 技术水平用Ｔ 表征， ｂ 为人口规模的影响系数， ｃ 为经济发展水平影响系数， ｄ 为技术发展水平影响系数， ｅ 表示误差项。此外， 采用随机形式表征模型。这主要是由于随机形式模型不但允许各系数作为参数进行回归估计分析， 还能够对各影响因素进行分解。鉴于此， 已有相关研究大多对ＳＴＩＲＰＡＴ 模型开展取对数处理， 具体形式如下所示：
ｌｎＩ ＝ｌｎａ＋ｂ（ｌｎＰ）＋ｃ（ｌｎＡ）＋ｄ（ｌｎＴ）＋ｌｎｅ （２）
ＳＴＩＲＰＡＴ 模型框架具有较强开放性。因此，已有研究在利用ＳＴＩＲＰＡＴ 模型进行分析时大多会依据研究主题进行调整。本研究核心解释变量为数字经济， 据此优化ＳＴＩＲＰＡＴ 模型， 扩充为由人口密度、经济发展水平、技术水平以及数字经济组成的基础框架。此外， 考虑到数字经济与区域碳减排绩效二者间可能存在空间相关关系， 因此建立空间计量模型进行分析， 如下所示：
ｌｎＩｉｔ ＝α＋ρＷｌｎＩｊｔ ＋βｌｎＸｉｔ ＋θＷｌｎＸｊｔ ＋μｉ ＋νｔ ＋εｉｔ （３）
εｉｔ ＝φＷεｊｔ ＋ξｉｔ
式中， 空间权重矩阵用Ｗ 表示， 区域碳减排绩效用Ｉ 表示， 影响区域碳减排绩效的变量用Ｘ表示， 时间效应用νｔ 表示， 地区效应用μｉ 表示，残差项为εｉｔ ， ρ 表示空间自回归项对应系数， 其他区域自变量影响系数为θ， 空间误差项系数为φ。通常情况下， 空间计量模型会考虑解释变量、被解释变量以及误差项之间的交互效应， 是一种包含所有空间效应的探讨模型。该属性决定在使用空间计量模型前需开展ＬＭ、ＬＲ、Ｗａｌｄ 等检验，进而根据结果确定使用何种模型进行分析。
２. ２ 空间权重矩阵
本文利用邻接矩阵、地理距离矩阵和经济距离矩阵３ 种常用的空间权重矩阵测度省（区、市）间的距离， 其具体权重矩阵设定如下：
（１） 邻接矩阵
式中Ｗ１ 代表邻接矩阵， 为目前研究中应用较为广泛的二值空间权重矩阵。
（２） 地理距离矩阵
式中， Ｗ２ 为地理距离矩阵， 采用省会城市间球面距离平方倒数计算。
（３） 经济距离矩阵
上述公式中， Ｗ３ 为经济距离矩阵， 主要用于测算省（区、市）间经济发展水平的差异， 利用各省（区、市）ＧＤＰ 差值绝对值倒数表示。
２. ３ 指标变量选取
（１） 被解释变量
区域碳减排绩效（ＣＲＰ）。本文借鉴李志学等（２０１９）［１６］ 研究成果， 利用能够代表各地区碳减排绩效的碳排量变动率衡量区域碳减排绩效。其中，碳排放量变动率是指当年碳排放总量较上一年碳排放总量的变化百分比（％）。
（２） 解释变量
数字经济（Ｄ）。由联合国对数字经济概念的界定可知， 数字经济是叠加数字技术发展的平台经济、共享经济、数字服务等商业活动， 构成所有与数字化相关的经济活动， 涵盖数字产业化与产业数字化两个部分。且中国信息通信研究院发布《中国数字经济发展报告（２０２２）》中， 从数字产业化、产业数字化、数字化治理及数据价值化四方面， 搭建数字经济评价指标体系。同时， 部分学者也从数字产业化、产业数字化入手测度数字经济发展水平［１７，１８］ 。此外， 作为数字经济发展基石， 数字基建建设水平提升能够强化５Ｇ、云计算、大数据等新兴信息化技术对产业数字化与数字产业化的赋能作用。由此， 结合《中国数字经济发展报告（２０２２）》和已有文献［１９，２０］ ， 从数字产业发展、产业数字化水平以及数字基建３ 个维度出发， 遵循客观、全面、科学及有效等原则提炼二级指标， 最终构建数字经济指标体系， 如表１所示。
根据上述构建的评价指标体系， 利用我国３０个省（区、市）（由于西藏和港、澳、台地区数据缺失严重， 不纳入考察范围）２０１０ ～ ２０２２ 年面板数据， 借助主成分分析法测度得到３ 个特征值大于１ 且能够反映数据信息量的数字经济发展水平。在具体计算过程中， 第一步是将主成分的方差贡献率作为权重， 获得二级指标权重； 第二步是在此基础上， 获得一级指标权重； 第三步， 在上述操作的基础上， 利用ＭＡＴＬＡＢ 软件获得各区域数字经济发展水平。
（３） 控制变量
为提高回归结果的可靠性， 避免遗漏变量导致计算偏差，参考Ｋｉｍ 等（２０１６）［２１］ 、刘娟等（２０２３）［２２］ 、刘璇等（２０２３）［２３］ 的研究， 选取区域碳减排绩效的其他影响因素： 人口密度（Ｐ）、经济发展水平（Ａ）、技术水平（Ｔ）、外商投资（ＦＤＩ）、产权性质（ＳＯＥ）、出口比例（Ｅｘｐｏｒｔ）。人口密度采用人口总数占行政区所有土地总面积的比重衡量； 经济发展水平利用ＧＤＰ 增长率反映； 技术水平采用科学技术研究投入经费占ＧＤＰ 的比重表示； 外商直接投资采用各国当年直接投资总额表征； 产权性质为国有企业赋值为１， 非国有企业赋值为０； 出口比例利用海外销售占销售收入比例表征， 各变量描述性统计见表２。
２. ４ 数据来源
以２０１０～２０２２ 年我国３０ 个省（区、市）为研究对象， 探究数字经济对区域碳减排绩效的影响。数字经济测度指标原始数据主要来自北京大学发布的数字普惠金融指数报告、中国统计年鉴、中国研究数据服务平台、中国互联网信息中心、中国科技统计年鉴， 少量缺失数据采用移动平均法补齐。区域碳减排绩效数据主要来自中国统计年鉴、中国能源统计年鉴、中国工业经济统计年鉴。宏观层面控制变量数据主要来自中国环境统计年鉴、中国科技统计年鉴、中国能源统计年鉴、国研网。此外， 基于模型对数特征， 对模型中碳排放绩效、经济发展水平、人口规模、对外直接投资取对数，用以缓解异方差问题。
３ 实证分析
３. １ 相关性分析
使用邻接空间权重矩阵探究数字经济、区域碳减排绩效量Ｍｏｒａｎｓ Ｉ。表３ 中区域碳减排绩效Ｍｏｒａｎｓ Ｉ 值介于０～１ 间， 且Ｐ 值小于１％。上述结果说明区域碳减排绩效具有高高集聚和低低集聚的空间正相关。数字经济大多数年份Ｐ 值小于１０％， 说明数字经济存在着明显的空间正相关性。
根据表３ 结果， 深入探析数字经济与区域碳减排绩效的局部莫兰散点图， 具体结果如图１ 所示。结果显示， 区域碳减排绩效与数字经济二者间具有空间相关性， 大多数省（区、市）主要位于第一和第三象限， 呈高－高集聚、低－低集聚特征， 且具有明显非均衡分布特点。值得一提的是，辽宁、山西、河北、内蒙古等地区碳减排绩效在研究周期内处于持续的低－低集聚循环当中。
３. ２ 空间计量方法检验
为明确使用何种模型进行检验， 在进行回归分析前需对上文构建的空间计量模型进行分析［２４］ 。（１） 利用拉格朗日乘数法（ＬＭ）检验主要目的是确定使用空间滞后模型（ＳＡＲ）还是空间误差模型（ＳＥＭ）进行分析。二者的区别是， 空间滞后模型仅考虑被解释变量的空间效应， 空间误差模型主要考虑误差项的空间效应。从表４ 中可以看出，ＬＭ－ｌａｇ（Ｒｏｂｕｓｔ）、ＬＭ－ｅｒｒ（Ｒｏｂｕｓｔ）均拒绝不使用空间效应模型的原假设， 即无论是空间滞后模型（ＳＡＲ）还是控制误差模型（ＳＥＭ） 均能够进行分析。Ｃｈｅｎ 等（２０１７）［２５］ 在检验空间计量模型适用性时发现， ＳＡＲ 模型与ＳＥＭ 模型均可进行分析时需选择更具一般性的空间杜宾模型（ＳＤＭ）开展研究。结合本文理论分析可知， 区域碳减排绩效不仅会受到本地区数字经济发展水平影响， 同时也会受到相邻区域数字经济发展水平影响， 再次说明使用能够同时考虑解释变量与被解释空间效应的空间杜宾模型（ＳＤＭ）分析较为合理； （２） 在确定利用何种空间计量模型分析之上， 利用豪斯曼检验判别利用固定效应模型还是随机效应模型进行回归估计。表４ 结果中豪斯曼检验结果说明，使用随机效应模型的假设未得到支持， 证明使用固定效应模型更适合本研究； （３） 进一步开展Ｗａｌｄ和ＬＲ 检验法确定空间杜宾模型（ＳＤＭ）是否会退化为空间滞后模型（ＳＡＲ）和空间误差模型（ＳＥＭ）。表５ 结果显示， Ｗａｌｄ 和ＬＲ 检验均在１％水平上不支持空间杜宾模型（ＳＤＭ）会退化的原假设， 再次证明选取空间杜宾模型（ＳＤＭ）具有合理性。
３. ３ 模型估计结果
本文在利用３ 种权重矩阵下双向固定效应ＳＤＭ模型进行估计的基础上， 还加入非空间效应ＯＬＳ估计结果， 以保障各变量参数估计结果稳健。表６为数字经济对区域碳减排绩效影响的回归结果。由表６ 可知， （１） 区域碳减排绩效空间滞后项系数ρ在Ｗ２ 和Ｗ３ 中估计结果分别为０. １０５ 和０. ３０７， 这说明区域碳减排绩效存在显着的空间依赖性； （２）数字经济本地效应， ＯＬＳ 面板数据回归结果和空间模型检验结果相同， 均表明数字经济对区域碳减排绩效具有显着促进作用。这意味着数字经济对本区域碳减排绩效的提升作用较为明显， 假设１成立； （３） 数字经济空间滞后项均显着为正， 说明区域碳减排绩效不仅受到本地数字经济影响， 相邻地区数字经济对区域碳减排绩效也具有促进作用， 假设２ 成立； （４） 通过空间回归模型结果可知， 不考虑空间溢出效应， 仅利用ＯＬＳ 面板模型进行回归估计， 极易忽略数字经济的空间溢出效应， 低估数字经济对区域碳减排绩效的提升作用。
从控制变量估计结果可以看出， 经济发展水平（Ａ）有利于提升区域碳减排绩效， 同时在邻接矩阵和地理矩阵中也可间接提升周边地区碳减排绩效， 说明经济发展水平带来的环境问题并非仅限于当地， 也会对周边区域碳减排绩效产生正向影响。技术水平（Ｔ）虽然估计系数为正， 但并没有通过显着性检验， 说明利用技术提升碳减排绩效的机制尚未形成。人口规模（Ｐ）对区域碳减排绩效具有显着负向影响， 这与预期相符。
３. ４ 空间效应分解
空间计量模型参数估计仅代表直接影响作用，但实际边际影响需要参考空间效应分解结果， 因此本文利用偏微分方程分解表６ 的回归系数， 具体情况如表７ 所示。
表７ 中， ３ 个矩阵下数字经济直接效应和间接效应均在１％ 水平以上显着， 说明数字经济不但会影响本区域碳减排绩效， 还对相邻地区碳减排绩效产生影响。具言之， 数字经济每增加１ 个单位， 本地碳减排绩效可提升２％ 左右。这就要求在实现“双碳” 目标的过程中， 发挥数字经济独特优势， 提升区域碳减排绩效。由数字经济间接效应估计结果可以看出， 相邻地区数字经济显着提升了本区域碳减排绩效， 甚至某种程度上还会高于本地效应， 这种数字经济区域溢出效应不容忽视。这也证明了数字经济发展具有较好的空间溢出效应， 各地区间在发展数字经济与提升区域碳减排绩效时会形成协同驱动局面。
３. ５ 异质性分析
“胡焕庸线” 是我国人均发展水平和经济社会发展格局的分界线， 一直被国内外学者承认并广泛引用。这种地理上的划分方式被国内研究人口、地理领域的学者广泛应用。经济学研究中也认为根据“胡焕庸线” 对经济发展水平进行考量， 会凸显出中国真实的经济发展水平。因此， 本研究基于“胡焕庸线”， 分析数字经济对区域碳减排绩效的异质性影响， 结果如８ 所示。东南侧区域直接效应和间接效应均在１％ 以上水平显着， 而西北侧区域并不显着。
３. ６ 稳健性检验
（１） 对解释变量进行滞后１ 期处理， 结果如表９ 列（１） 所示； （２） 为减少异常值对回归结果的影响， 对解释变量数字经济的最大值与最小值进行１％的缩尾处理， 回归结果如表９ 列（２）所示； （３） 考虑到动态面板选择偏差也可能影响基准回归结果， 进一步采用系统ＧＭＭ 法检验数字经济对区域碳减排绩效的影响， 结果如表９ 列（３） 所示。表９ 列（１） ～（３） 回归结果表明， 核心解释变量数字经济的回归估计系数方向与显着性和基准回归结果一致， 证明基准回归结果具有较强的稳健性。
３. ７ 内生性检验
由于数字经济与区域碳减排绩效存在逆向因果关系而导致内生性问题， 采用工具变量检验方式克服。借鉴王军等（２０２２）［２６］ 的研究成果， 将互联网普及率作为工具变量进行研究， 结果如表１０ 所示。在进行回归分析之前， 对工具变量进行弱工具变量以及过度识别检验。结果表明， 选取的工具变量不存在识别不足与弱工具变量问题，说明具有有效性。表１０ 中第一阶段回归结果显示， 工具变量回归估计系数在１％ 水平下显着为正。第二阶段回归结果中， 数字经济（Ｄ）回归系数为正， 且通过显着性检验。上述结果说明， 本研究结论具有稳定性。
４ 结论及建议
本文基于数字经济对区域碳减排绩效的影响作用， 采用２０１０～２０２２ 年３０ 个省（区、市）面板数据， 构建模型及空间杜宾模型， 实证分析数字经济对区域碳减排绩效的空间溢出效应及异质性作用。研究发现： 数字经济对区域碳减排绩效具有正向积极影响， 且经过一系列稳健性检验后该结论依然成立； 空间效应检验结果表明， 数字经济不但会对本区域碳减排绩效产生影响， 也会影响相邻区域碳减排绩效， 且空间溢出效应大于直接作用； 异质性结果表明， 数字经济对碳减排绩效的正向在“胡焕庸线” 东南侧区域更为突出。
针对上述研究结论， 为借力于数字经济提升区域碳减排绩效、加快“双碳” 目标实现进程，提出如下建议： （１） 优化升级数字基础设施， 推进数字经济高质量发展。相关部门应有序推进骨干网扩容， 协同加大千兆光纤网络和５Ｇ 网络基础设施建设， 提高物联网在工业、农业、服务业等领域的覆盖水平， 扩大数字经济覆盖范围与领域， 更好发挥其在碳减排领域的积极作用； （２）破除要素流动壁垒， 发挥数字经济外溢效应。各级政府部门应建设区域科技体制机制改革“试验田”， 搭建数字技术共同体， 让数字技术、高端人才及资金在区域内畅通流动， 更好发挥数字经济在碳减排领域的空间溢出效益； （３） 实施区域智慧发展战略， 收窄地区数字鸿沟。①西部地区各级地方政府应致力于提升数字创新能力， 推动具备条件的数字产业集群化发展， 为数字经济碳减排效应发挥提供环境支持； ②中部地区各级地方政府应以数字经济高质量发展为主线， 积极承接国内外数字产业转移， 加快数字化、智能化技术在各领域应用， 收窄与东部地区的数字鸿沟，更好发挥数字经济在碳减排领域的赋能作用； ③东北地区政府部门应培育新一代信息技术、生物医药、新能源等新兴产业发展， 深入推进数字化技术渗入各产业， 以数智驱动优化产业结构， 激活数字经济在碳减排领域的积极作用。
参考文献
［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．
［２］ 徐维祥， 周建平， 刘程军． 数字经济发展对城市碳排放影响的空间效应［Ｊ］． 地理研究， ２０２２， ４１ （１）： １１１～１２９．
［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．
［４］ 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．
［５］ 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．
［６］ 黎新伍， 黎宁， 谢云飞． 数字经济、制造业集聚与碳生产率［Ｊ］． 中南财经政法大学学报， ２０２２， （６）： １３１～１４５．
［７］ 郭风， 孙仁金， 孟思琦． 数字经济、技术创新与碳生产率［Ｊ］．调研世界， ２０２２， （９）： １２～１９．
［８］ 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．
［９］ 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．
［１０］ 张杰， 付奎， 刘炳荣． 数字经济如何赋能城市低碳转型———基于双重目标约束视角［Ｊ］． 现代财经（天津财经大学学报），２０２２， ４２ （８）： ３～２３．
［１１］ 高维龙， 彭影， 胡续楠． “双碳” 目标下数字经济对城市节能减排的影响研究［Ｊ］． 城市问题， ２０２３， （３）： ２５～３７．
［１２］ 程云洁， 张志芳， 刘娴． 双碳目标下数字经济对中国绿色能源效率的影响［Ｊ］． 商业研究， ２０２３， （２）： ６５～７２．
［１３］ 葛立宇， 于井远． 智慧城市建设与城市碳排放： 基于数字技术赋能路径的检验［Ｊ］． 科技进步与对策， ２０２２， ３９ （２３）：４４～５４．
［１４］ 陈福中， 蒋国海． 数字经济的减排效应———基于２８５ 个地级市的空间面板数据［Ｊ］． 兰州学刊， ２０２３， （５）： ７５～９３．
［１５］ 费威， 于宝鑫， 王维国． 数字经济发展与碳减排———理论推演与实证检验［Ｊ］． 经济学家， ２０２２， （１１）： ７４～８３．
［１６］ 李志学， 李乐颖， 陈健． 产业结构、碳权市场与技术创新对各省区碳减排效率的影响［Ｊ］． 科技管理研究， ２０１９， ３９（１６）： ７９～９０．
［１７］ 金灿阳， 徐蔼婷， 邱可阳． 中国省域数字经济发展水平测度及其空间关联研究［ Ｊ］． 统计与信息论坛， ２０２２， ３７ （６）：１１～２１．
［１８］ 何地， 赵炫焯， 齐琦． 中国数字经济发展水平测度、时空格局与区域差异研究［Ｊ］． 工业技术经济， ２０２３， ４２ （３）： ５４～６２．
［１９］ 张争妍， 李豫新． 数字经济对我国碳排放的影响研究［ Ｊ］．财经理论与实践， ２０２２， ４３ （５）： １４６～１５４．
［２０］ 王芳， 董战峰． 数字经济对我国碳排放的影响———基于省级面板数据的实证检验［Ｊ］． 改革， ２０２３， （３）： ７６～９０．
［２１］ Ｋｉｍ Ｎ， Ｍｏｏｎ Ｊ Ｊ， Ｙｉｎ Ｈ． Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｐｒｅｓｓｕｒｅ ａｎｄ ｔｈｅ Ｐｅｒ⁃ｆｏｒｍａｎｃｅ ｏｆ Ｆｏｒｅｉｇｎ Ｆｉｒｍｓ ｉｎ ａｎ Ｅｍｅｒｇｉｎｇ Ｅｃｏｎｏｍｙ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｂｕｓｉｎｅｓｓ Ｅｔｈｉｃｓ， ２０１６， １３７ （３）： ４７５～４９０．
［２２］ 刘娟， 马涟蕊， 冯婉怡． 可再生能源技术创新与行业碳减排———基于中国省级面板数据的实证检验［ Ｊ］． 科技进步与对策， ２０２３， ４０ （１５）： ８３～９３．
［２３］ 刘璇， 孙明松， 朱启荣． 中国进口贸易的碳减排效应研究［Ｊ］． 统计与决策， ２０２３， ３９ （１７）： １５９～１６３．
［２４］ 周玉龙， 孙向伟． 基于空间计量经济学视角的空间溢出效应测度方法研究［Ｊ］． 统计与决策， ２０２１， ３７ （１７）： ４５～５１．
［２５］ Ｃｈｅｎ Ｙ Ｗ， Ｈｕ Ｙ Ｚ Ｆ， Ｌｉ Ｘ， ｅｔ ａｌ． Ｓｔｒａｔｅｇｉｃ Ｉｎｔｅｒａｃｔｉｏｎ ｉｎ Ｍｕｎｉｃｉｐａｌ Ｇｏｖｅｒｎｍｅｎｔｓ Ｐｒｏｖｉｓｉｏｎ ｏｆ Ｐｕｂｌｉｃ Ｇｒｅｅｎ Ｓｐａｃｅｓ： Ａ Ｄｙ⁃ｎａｍｉｃ Ｓｐａｔｉａｌ Ｐａｎｅｌ Ｄａｔａ Ａｎａｌｙｓｉｓ ｉｎ Ｔｒａｎｓｉｔｉｏｎａｌ Ｃｈｉｎａ ［ Ｊ］．Ｃｉｔｉｅｓ， ２０１７， ７１： １～１０．
［２６］ 王军， 张毅， 马骁． 数字经济、资源错配与全要素生产率［Ｊ］． 财贸研究， ２０２２， ３３ （１１）： １０～２６．
（责任编辑： 杨 婧）
基金项目： 澳门基金会资助课题“澳门数字经济前沿研究（２０２３）” （项目编号： Ｇ０１４５１－２２１２－３０３）。
