中国环境科学ChinaEnvironmentalScienceISSN1000-6923,CN11-2201/X《中国环境科学》网络首发论文题目：工业企业数字化转型能否促进节能减排？作者：余畅，马路遥，曾贤刚，马冬妍DOI：10.19674/j.cnki.issn1000-6923.20230114.001网络首发日期：2023-01-17引用格式：余畅，马路遥，曾贤刚，马冬妍．工业企业数字化转型能否促进节能减排？[J/OL]．中国环境科学.https://doi.org/10.19674/j.cnki.issn1000-6923.20230114.001网络首发：在编辑部工作流程中，稿件从录用到出版要经历录用定稿、排版定稿、整期汇编定稿等阶段。录用定稿指内容已经确定，且通过同行评议、主编终审同意刊用的稿件。排版定稿指录用定稿按照期刊特定版式（包括网络呈现版式）排版后的稿件，可暂不确定出版年、卷、期和页码。整期汇编定稿指出版年、卷、期、页码均已确定的印刷或数字出版的整期汇编稿件。录用定稿网络首发稿件内容必须符合《出版管理条例》和《期刊出版管理规定》的有关规定；学术研究成果具有创新性、科学性和先进性，符合编辑部对刊文的录用要求，不存在学术不端行为及其他侵权行为；稿件内容应基本符合国家有关书刊编辑、出版的技术标准，正确使用和统一规范语言文字、符号、数字、外文字母、法定计量单位及地图标注等。为确保录用定稿网络首发的严肃性，录用定稿一经发布，不得修改论文题目、作者、机构名称和学术内容，只可基于编辑规范进行少量文字的修改。出版确认：纸质期刊编辑部通过与《中国学术期刊（光盘版）》电子杂志社有限公司签约，在《中国学术期刊（网络版）》出版传播平台上创办与纸质期刊内容一致的网络版，以单篇或整期出版形式，在印刷出版之前刊发论文的录用定稿、排版定稿、整期汇编定稿。因为《中国学术期刊（网络版）》是国家新闻出版广电总局批准的网络连续型出版物（ISSN2096-4188，CN11-6037/Z），所以签约期刊的网络版上网络首发论文视为正式出版。中国环境科学ChinaEnvironmentalScience工业企业数字化转型能否促进节能减排？余畅1马路遥2,3曾贤刚1马冬妍3(1.中国人民大学环境学院,北京100872;2.北京理工大学管理与经济学院,北京100081;3.国家工业信息安全发展研究中心信息化所,北京100040)摘要:为探讨工业企业数字化转型的节能减排效应,基于2015年至2021年13万余家工业企业大数据样本综合测度数字化转型水平,并运用固定面板模型和空间杜宾误差模型分析数字化转型水平对企业能源强度及其所在地区碳排放强度的影响.结果表明:(1)工业企业数字化转型水平能够显著抑制能源强度和碳排放强度.(2)基于省级异质性的分组证明,各省、直辖市以及自治区之间存在明显的异质性.在数字化转型水平本身较高的地区、东部经济发达地区、资金及技术禀赋的直辖市以及数字化相关的试点地区,数字化转型水平对能源强度和碳排放强度的抑制作用明显较强.(3)数字化转型水平的节能减排作用有明显空间溢出效应.数字化转型水平对能源强度和碳排放强度的影响为负,且间接效应均大于直接效应.关键词:数字化转型;能源强度;碳排放强度中图分类号:F424文献标识码:A文章编号:1000-6923(2001)02-0161-04Canindustrialenterprises’digitaltransformationpromoteenergysavingandemissionreduction?YUChang1,MALu-yao2,3,ZENGXian-gang1,MADong-yan3(1.SchoolofEnvironment&NaturalResources,RenminUniversityofChina,Beijing100872,China;2.SchoolofManagementandEconomics,BeijingInstituteofTechnology,Beijing100081,China;3.DepartmentofInformatization,ChinaIndustrialControlSystemsCyberEmergencyResponseTeam,Beijing100040,China).ChinaEnvironmentalScienceAbstract:Todiscusstheenergysavingandemissionreductioneffectsofindustrialenterprises’digitaltransformation,thedigitaltransformationleveliscomprehensivelymeasuredbasedonover130000bigdatasamplesofindustrialenterprisesfrom2015to2021,andthefixedpanelmodelandSpatialDurbinErrorModelareusedtoanalyzetheimpactofdigitaltransformationlevelontheenergyintensityandcarbonemissionintensity.Theresultsindicatethat:(1)Thelevelofindustrialenterprises’digitaltransformationcansignificantlyinhibitenergyintensityandcarbonemissionintensity.(2)Provincialheterogeneityfromgroupedregressiondemonstratedtheobviousheterogeneityamongprovinces,municipalitiesandautonomousregions.Thelevelofdigitaltransformationhasastronginhibitoryeffectonenergyintensityandcarbonemissionintensityinsomeregions.Forexample,thosewithhighdigitaltransformationlevelanddevelopedeconomiclevel,orMunicipalitieswithcapitalandtechnologyandpilotareasrelatedtodigitalization.(3)Theroleofdigitaltransformationlevelinenergysavingandemissionreductionhasasignificantspatialspillovereffect.Theimpactofdigitaltransformationlevelonenergyintensityandcarbonemissionintensityisnegative,andtheindirecteffectisgreaterthanthedirecteffect.Keywords:Digitaltransformation;energyintensity;carbonemissionintensity基金项目:中央高校建设一流大学(学科)和特色发展引导专项资金(21XNL006)责任作者,教授,E-mail:zengxg@ruc.edu.cnDOI：10.19674/j.cnki.issn1000-6923.20230114.001网络首发时间：2023-01-1711:44:01网络首发地址：https://kns.cnki.net/kcms/detail//11.2201.X.20230114.1649.001.html2中国环境科学碳达峰和碳中和目标的提出体现了中国作为大国的担当和经济绿色转型的决心.但是,在能源消费方面,中国目前仍以化石能源为主,2021年约为84.3%.其中,煤炭消费占比56%,石油消费占比18.5%1;在二氧化碳排放方面,中国也仍是世界第一大碳排放国,2021年碳排放总量超过103亿吨,约占全球碳排放总量的27%2.未来,绿色发展道路仍存在一定的困难与挑战.普遍认为,能源结构改善和技术创新突破是实现“双碳”目标的关键.近年来,随着信息技术的不断进步,另一条被认为有效的路径是数字革命[1].因为企业通过数字化由“工业化管理模式”向“数字化管理模式”转型,数字技术的引入推动了生产经营活动、管理模式、运营机制的结构优化,有助于企业提升生产效率、改善能源效率以及实现技术创新等[2-4].甚至有一些研究认为,数字技术的发展可能是中国实现碳排放达峰和碳中和的最佳解决方案[5]。目前,针对数字化转型的减排效应的研究重点主要集中于碳排放量的变化.数字产业的发展被认为是影响城市碳排放的重要因素[6].其通过产业数字化的转型显著抑制了地区碳排放总量[7,8];在此基础上,数字经济不仅实现城市降碳,也可以促使全要素碳生产率的提高[9].应用数字化工具,数字金融可以大幅降低地区总体碳排放量[10,11].从环境风险的角度来说,钟廷勇和马富祺[12]证明数字化转型能够降低企业的碳风险水平.而针对数字化转型的能源效应主要以能源强度为研究重点.数字技术的逐步发展降低了中国工业体系的能源强度[13].特别是能源密集型的工业部门,加强对数字技术的投入能够明显降低其能耗水平[14].一方面,生产过程采用更为智能化的数字化设备可以在一定程度上缓解能源消耗的增长[15];另一方面,得益于大数据技术,企业可以更科学的预测和干预其目标能源需求量,从而从源头上预防和减少污染物的产生和资源浪费[16].然而,Yi等[17]提出,数字化技术的增长可能会对碳减排产生不利影响.因为数字化转型依赖于配套大量的电子设备及其配件,在其生命周期内均涉及更高需求的能源使用.在生产端,信息通信技术所需1数据来源:自然资源部发布的《中国矿产资源报告2022》报告.2数据来源:国际能源署(InternationalEnergyAgency)发布的《全球能源回顾:2021年二氧化碳排放》报告.的传感器和控制器其生产中需要消耗大量的资源和能源[18];在使用端,数字化相关的基础设施的运行需要更多的电力支持,如数据中心、服务器、网络设备、电源和冷却设备等[19];在处置端,电子废物的不当处理可能会造成严重的环境污染,尤其是更微小尺寸的电子元器件使得回收稀有材料变得更加困难[20].区别于以上两类观点,樊轶侠等[21]和Higón等[22]分别证明了数字技术与能源强度以及碳排放量之间的非线性“倒U形”关系.并且,工业部门由数字化转型带来的能源或生产效率的提高和经济效益增加可能会造成该领域生产规模扩大、资源使用总量增加以及污染规模扩大,这种“能源回弹效应”被认为是造成碳排放或能源消费增加或主要原因[23].综上,数字化转型的节能减排效应虽然已有很多研究,但仍未能达成明确一致的结论.其原因之一可能是仍未有明确的企业数字化转型水平指标,导致企业的数字化表现的衡量缺乏准确性和一致性.目前,研究中所使用的数字化指标分为以下几类.一是互联网综合发展指数,包含互联网普及率、互联网相关从业人数、互联网相关产出和移动互联网用户数四个维度的指标[24];二是北京大学数字金融研究中心发布的中国数字普惠金融发展指数,包含覆盖广度、使用深度和数字支持服务程度维度[5,25];三是应用双重差分法(Differences-in-Differences,DID)研究国家级大数据综合试点或智慧城市试点的政策影响[26-28];四是应用省级或城市层面数据构建数字化指标[29,30],包含电信业务、互联网业务以及电子商务应用情况等指标予以表征.但是,使用上述指标衡量企业数字化转型情况可能会存在以下一些问题.首先,数字经济或数字金融指数更倾向于衡量数字产业化的发展情况.虽然,数字产业化和产业数字化均是数字经济的重要组成部分,但产业数字化促进产业结构升级的效应更为显著,能够促使企业的生产方式向新技术、高效率以及高集约方向发展[31],是节能减排的重要途径;其次,互联网、电信或移动通信的使用不能较为广泛的代表企业数字化转型的具体情况;最后,城市或地区试点只能反映出数字化转型的政策效应,不能支持进一步研究和比较具体地区之间的差异.在已有研究中,仅有汪小英等[32]采用国家统计局统计科研所“信息化统计评价”研究组制定的信息化发展指数,余畅等:工业企业数字化转型能否促进节能减排？3以基础设施、产业技术、应用消费、知识支撑以及发展效果为基础建立指标体系对信息化水平进行评估,较为科学地衡量了省级产业数字化水平.在这一方向上进一步扩展对企业数字化水平的衡量更具有科学性.2021年,中国工业领域碳排放占比为70%左右,能源消费占比为65%左右,工业部门节能减排是实现“双碳”目标的重中之重.并且,数字化转型在产业结构优化、技术创新以及能源结构改善等方面发挥实际作用需要企业在生产端对进行工业互联网软件升级、生产设备数字化改造、上云上平台技术等.理论上，对于以实物生产和制造为重点的工业领域的数字化转型或有明显成效.工业部门既是数字化转型的核心产业,也是碳减排的重要领域.但目前针对工业部门的全面研究相对较少.相似研究中,宋德勇等[33]重点研究了重污染行业的企业数字化与绿色技术发展的关系;王军等[25]考虑了数字金融发展对制造业碳强度的影响;Xu等[34]从全球能源领域的角度证明了数字化转型的积极作用;吕知新[35]研究了数字金融如何促进工业经济绿色转型的问题,限于数据原因,仅对规模以上工业企业进行分析.考虑到已有研究在数据和部门研究方面的空白,基于13万余家工业企业的数字化转型调查数据进行分析,本文的研究目的之一即是通过大样本量数据,更为准确和具体地分析工业企业数字化转型的节能减排效应.另外,中国不同地区之间的发展不平衡,数字化对碳减排的影响也或有不同.例如.谢云飞[36]认为,数字经济所造成的碳减排效应在中西部地区以及碳排放强度较高的地区表现得更为明显.地区支柱产业差异、经济发展水平程度差异、资源地禀赋情况、工业企业数字化转型情况及其对节能减排的影响可能表现出较为明显的省级异质性.本文的研究目的之二即是将工业企业按地区进行分类,进一步研究数字化转型及其对节能减排作用的省级异质性.同时,汪小英[32]认为,数字化具有显著的空间溢出效应.一方面,数字化推动技术进步易降低能源消耗,这种技术存在溢出效应,企业之间通过跨地区合作使得节能技术传播,进而增强了空间关联[37];另一方面,数字技术本身具有正向的“外部性”.在数字化转型方面有成效的地区可能作为“试点”,其成熟经验可作为示范向其他省市辐射.因此,本文的研究目的之三即是考察数字化转型促进节能减排的空间溢出效应.澄清上述问题有助于更好地理解工业企业数字化转型与节能减排的关系;省级异质性与空间关联也有助于厘清地区节能减排中数字化技术的实施方案.最终,为数字化转型助力工业领域碳达峰以及全国“双碳”目标的实现提供实际的政策启示.1研究数据与方法1.1变量说明1.1.1数字化转型水平考虑到单一的测度指标已不能全面反映出中国的数字化水平,采用“两化融合发展水平得分”衡量工业企业数字化转型水平.通过累计调查了22万余家工业企业信息化、智能化以及数字化水平,涉及超过1300个数字化转型相关问题,覆盖企业资金投入、部门设置、生产设备、研发设计、生产工艺、智能制造、关键工序、关键业务、电子商务应用、集成管控、能源与环境管理、产业链协同等多方面进行综合性评价,能够全面地反映出企业数字化转型的真实水平.1.1.2能源强度能源强度是指能源消耗与产出的比重.在国家层面,很多研究中定义其为一次能源消费与实际国内生产总值的比率[38].在企业层面,也可以使用企业当年的单位产值所需消耗的能源量衡量其当年的能源强度[39],即此指标衡量的是企业当年的万元产值综合能耗,计算公式为:ETit=Eit/Pit(1)其中,ETit表示i企业t年的能源强度,单位为吨标准煤/万元;Eit表示i企业t年的能源消耗量,单位为吨标准煤;Pit表示i企业t年的产值,单位为万元.若能源强度下降,则代表企业在产值不变的情况下,所需的能源消耗量将下降,说明其实现了能源节约.1.1.3碳排放强度碳排放强度是基于碳排放量的核算,Yi[17]使用碳排放总量与第二产业增加值之比的自然对数来衡量碳排放强度.谢云飞[36]则应用各省碳排放量与各省实际GDP的比值计算碳排放强度.由于本文的研究范围为工业企业,并考虑数据可得性和与能源4中国环境科学强度变量的一致性,使用碳排放总量与工业增加值之比来衡量碳排放强度,计算公式为:CTjt=Cjt/IDjt(2)其中,CTjt表示j省t年的碳排放强度,单位为吨标准煤/万元;Cjt表示j省t年的碳排放量,单位为吨标准煤;IDjt表示j省t年的工业增加值,单位为万元.若碳排放强度下降,则代表该省份在工业增加值不变的情况下,碳排放量将下降,说明其实现了碳减排.1.1.4控制变量根据Zhang[13]以及张三峰和魏下海[15]在数字化与节能减排方面的研究,企业成立较早可能会造成其与新成立的企业在生产模式、生产设备以及管理结构上存在系统性差异,进而造成对其能源消耗的影响;企业总产出的不同会导致其投入能源要素量的根本性差异;在工业领域中,企业规模的不同意味着企业间可能存在明显差异化的规模利益,而规模效应可能会大幅降低企业的能耗水平;创新代表着企业生产技术的基础,一般认为拥有先进技术的企业具备更高的能源和生产效率;环境规制可以反应企业受环境规制的影响情况;以及能源与燃料的价格也可能会影响企业的用能行为.综上,将企业年龄、企业总收入、企业规模、创新水平、环境规制以及能源价格作为控制变量引入模型.在考虑地区异质性时,企业的用能和排放行为可能受到所在地区政策或资源禀赋情况的影响.例如,地区的人口数量与其能源消耗和碳排放水平有密切联系;很多地区的经济发展目前仍未实现“碳脱钩”,经济增长与能源使用和碳排放之间存在动态关联;地区总体的绿色创新代表其产业节能减排技术总体水平,技术差异也有可能造成能源需求和污染物排放的巨大差异;地区的能源消费类型也直接决定了其碳排放量总体水平.因此,将人口密度、经济增长、地区绿色创新和能源结构纳入异质性分析模型中.在考虑区域空间效应时,城镇化率也被纳入模型作为控制变量.变量的定义与含义参见表1.表1控制变量的定义与含义Table1Definitionofcontrolvariables名称符号含义企业年龄age企业成立年数的自然对数企业营收reven企业营业收入的自然对数企业规模size企业正式员工数量的自然对数创新水平innov企业当年专利拥有量的自然对数环境规制ER污染治理投资总额与GDP的比值能源价格price各地区原材料、燃料和动力购进价格指数人口密度pop地区人口总数的自然对数经济增长GDP地区国内生产总值的自然对数绿色创新GI地区绿色创新数量的自然对数能源结构ES电力消耗占总能源消耗的比率城镇化率Urban城镇人口占地区总人口的比率1.2样本与数据企业的数字化转型水平、能源消耗量、产值、企业年龄、企业产出、企业规模以及创新水平来源为两化融合公共服务平台,是由工业和信息化部指导,国家工业安全发展研究中心建立的;地区碳排放量、工业增加值、环境规制、能源价格、人口密度、GDP、以及绿色创新均来源于国家统计局、CSMAR数据库以及Wind数据库.对工业企业数字化转型情况的调查始于2015年,故选取2015年至2021年为研究区间.剔除数据有严重缺失的个体,最终得到132715家工业企业,隶属于31个省、直辖市或自治区,共275139个样本.1.3模型构建1.3.1固定效应模型由于企业级数据具有不同截面或不同时间序列的特点,模型中截距项不同,而斜率系数相同.根据数据特征,固定效应模型能够较好的估计变量之间的关系,并且能够缓解内生性问题造成的估计误差[15,16].参考Zhang[13]的研究方法,建立固定效应模型(fixedeffectsmodel),为以下形式:ETit=α0+α1digit+α2Controlsit+μi+λt+εit(3)式(3)中,ETit表示i企业第t年的能源强度;digit表示i企业第t年的数字化转型水平;Controls包含企业年龄(age)、企业总收入(reven)、企业规模(size)、创新水平(innov)、环境规制(ER)以及能源与燃料价格(price).μi为企业固定效应,λt为时间固定效应,ɛit为残差.CTijt=β0+β1digit+β2Controlsijt+μi+λt+πj+εit(4)余畅等:工业企业数字化转型能否促进节能减排？5式(4)中,CTijt表示在j地区的i企业第t年的碳排放强度;digit表示i企业第t年的数字化转型水平;πj为地区固定效应;其他控制变量、固定效应以及残差的设置均与式(3)中的一致.为研究工业企业数字化转型对节能减排影响的省级异质性,将所有企业按其所在地区分到31个省、直辖市或自治区内,并进行分组回归.模型为以下形式:ETijt=γ0+γ1digit+γ2Controlsijt+μi+λt+εit(5)式(5)中,ETijt表示在j地区的i企业第t年的能源强度;digit表示i企业第t年的数字化转型水平;Controls包含除了企业年龄(age)、企业总收入(reven)、企业规模(size)、创新水平(innov)、环境规制(ER)以及能源与燃料价格(price)变量,因还需要考虑企业所在地区的特征,将人口密度(pop)、经济增长(GDP)、地区绿色创新(GI)和能源结构(ES)作为控制变量一并纳入模型中.μi为企业固定效应,λt为时间固定效应,ɛit为残差.CTijt=ω0+ω1digit+ω2Controlsijt+μi+λt+εit(6)式(6)中,CTijt表示在j地区的i企业第t年的碳排放强度;digit表示i企业第t年的数字化转型水平;控制变量、固定效应以及残差的设置均与式(5)中的一致.1.3.2空间杜宾误差模型空间面板可以同时捕捉观测单位在空间与时间维度上的特征变化,为进一步确定工业企业数字化转型与节能减排的空间效应和空间关联,需建立空间面板计量模型.根据LeSage和Pace[40]的总结,空间模型主要有以下几类:空间滞后模型(SpatialLaggedModel),此模型中空间滞后值被认为是邻近空间单元的属性加权值;空间误差模型(SpatialErrorModel),此模型中空间外溢性或相互作用被认为是随机冲击形成的;空间杜宾模型(SpatialDurbinModel),此模型中因变量取值不但受到本地自变量的影响,也会受到邻近地区的自变量影响,在模型中加入自变量的空间滞后值;空间自相关模型(SpatialAutocorrelationModel),是空间滞后模型和空间误差模型的综合;空间杜宾误差模型(SpatialDurbinErrorModel),是空间误差模型和空间杜宾模型的综合;空间自相关杜宾模型,是间自相关模型和空间杜宾模型的综合.参考汪小英等[32]的研究,地区间能源消耗和碳排放情况与地区本身相关性很高,在模型中加入节能减排因素的空间滞后项可能会造成估计有偏.因此,拟建立空间杜宾误差模型(SpatialDurbinErrorModel,SDEM)以探究数字化是对能源强度和碳排放强度的空间溢出效应.模型为以下形式:ETjt=δ0+δ1digjt+δ2(ITW)digjt+δ3Controlsit+θjt(7)式(7)中,ETjt表示在j地区t年的能源强度;digjt表示在j地区第t年的数字化转型水平;ITW为数字化的空间滞后项;Controls为控制变量,包含经济增长(GDP)、能源结构(ES)以及城镇化率(Urban).CTjt=φ0+φ1digjt+φ2(ITW)digjt+φ3Controlsit+θjt(8)式(8)中,CTjt表示在j地区第t年的碳排放强度;digjt表示在j地区第t年的数字化转型水平;其他变量的设置均与式(7)一致.式(7)与式(8)中,θjt为服从正态分布的随机误差向量,即:θjt=ρ((ITW)digjt+τjt(9)其中,ρ为空间误差系数;(ITW)jt为误差项的滞后;τ为服从正态分布的随机误差项.2基准结果分析2.1全样本回归基于275139个样本,由式(3)和式(4)估计工业企业数字化转型对企业能源强度和地区碳排放强度的影响.结果如表2所示.其中,第(1)和(3)列由不含控制变量的模型估计所得;第(2)和(4)列由包含控制变量的模型估计所得.表2全样本回归结果Table2Thefullsampleresult(1)ET(2)ET(3)CT(4)CTdig-1.820-1.907-0.924-1.416(0.861)(0.640)(0.533)(0.560)常数项0.9030.7160.4270.695(0.519)(1.026)(0.238)(0.386)Controls否是否是样本量275139275139275139275139R20.2230.2340.2040.2156中国环境科学注:①括号内为标准误.②、和分别表示1%、5%和10%水平的统计显著性.③所有结果均四舍五入保留三位小数.从表2中可以看出,数字化转型水平对能源强度和碳排放强度均有负影响.具体来说,列(2)中dig对ET的影响系数为-1.907,且在1%的水平上显著.这说明,数字化转型水平每增加1%,对应的能源强度降低1.907%;列(4)中,dig对CT的影响系数为-1.416,且具有5%的显著水平.这说明,数字化转型水平每增加1%,对应的碳排放强度降低1.416%.以上结论与已有研究基本一致.在能源强度方面,汪小英等[32]证实了信息化技术水平对地区能源强度有显著负向影响;Lange等[41]认为,数字化能够通过提高能源使用效率和优化产业结构降低能源强度;而张思思等[42]虽然也肯定了数字经济对能源节约的正向影响.但却认为技术进步是有偏的,进而造成对减排的负向影响.与其反之,大部分研究仍然认为数字化转型有助于碳减排.刘佳和畅红琴[6]以及谢云飞[36]分别证明,数字化转型能够显著抑制区域碳排放量和碳排放强度.数字化转型的节能减排效应可能来源于以下几个方面.一是产业结构优化效应.数字技术作为新的生产工具,为企业提供了开放和共享的基础,通过与传统生产要素资源的不断融合向产业内部渗透,进而推动企业从生产方式和供应链等方面进行优化.同时,数字化转型形成的规模效应和竞争效应也可能倒逼落后产业改革[25,43];二是技术进步和绿色创新效应.基于数字化的生产制造使得企业逐步实现产品全生命周期的精细化管理,大规模的数据共享机制能够对产品制造、设计研发、工艺流程和资源利用等环节进行技术迭迭代和创新[44].同时,应用智能化监测设备对全生产模式监控可以实时关注并预警生产过程中的排放情况,进而有效控制污染源,减少资源浪费和污染物排放[45].三是资源配置或能源结构效应.生产流程中嵌入数字技术能够协助产线智能优化,进而更为合理的进行资源配置及能源使用[46].2.2稳健性检验替换被解释变量和核心解释变量是常见的稳健性检验方法.由于企业级的数字化转型水平和能源强度暂无可替代指标,故采用不同估计方法和滞后效应进行检验.对全样本分别进行普通最小二乘法(OLS)、GMM动态面板模型(dynamicpanelmodel)以及随机效应模型(randomeffectsmodel)的估计.另外,根据Wang等[47],企业数字化转型的作用可能会产生滞后效应,即在第二年产生显著影响.故将解释变量设置为滞后一期继续进行估计.表3为以能源强度(ET)为被解释变量的稳健性检验,列(1)至(4)均包含控制变量.表3基于能源强度的稳健性检验Table3Robustnesstestofenergyintensity(1)OLS(2)GMM(3)RE(4)Lagdig-2.035-1.869-1.764-2.006(0.943)(1.105)(0.989)(0.822)常数项0.7030.8280.8940.802(0.613)(0.357)(0.538)(0.448)样本量275139275139275139275139R20.2100.2070.1850.224注释:①括号内为标准误.②、和分别表示1%、5%和10%水平的统计显著性.③所有结果均四舍五入保留三位小数.表4为以碳排放强度(CT)为被解释变量的稳健性检验,列(1)至(4)均包含控制变量.表4基于碳排放强度的稳健性检验Table4Robustnesstestofcarbonemissionintensity(1)OLS(2)GMM(3)RE(4)Lagdig-1.604-1.327-1.236-1.485(0.794)(0.665)(0.573)(0.608)常数项0.4050.7280.3790.533(1.267)(0.395)(1.603)(0.386)样本量275139275139275139275139R20.1940.2100.1870.219注:①括号内为标准误.②、和分别表示1%、5%和10%水平的统计显著性.③所有结果均四舍五入保留三位小数.从结果中可以看出,OLS估计、GMM动态面板余畅等:工业企业数字化转型能否促进节能减排？7模型、随机效应模型以及滞后一期的估计结果均与基于固定效应的估计系数和显著水平无明显差异,说明固定效应模型的估计结果具有稳健性.3省级异质性分析3.1分组回归分析为研究各省份数字化转型水平对能源强度和碳排放强度的影响,样本按省份分组并由式(5)和式(6)分组回归.所有估计均包含控制变量.结果如表5所示.表5分组回归结果Table5Theresultofgroupedregression(1)(2)ET常数项CT常数项样本数安徽省-1.7490.628-1.2090.53223110北京市-2.3060.541-1.7800.4493965福建省-1.9770.397-1.6250.2915255甘肃省-0.1921.002-0.1100.6701362广东省-2.5070.344-1.4960.62520954广西0.5160.728-0.0940.5343029贵州省-1.1500.507-1.0130.28614704海南省-0.4170.742-0.1500.604331河北省-1.8021.032-1.537-0.23734745河南省-1.1250.301-1.0080.30412767黑龙江-0.681-0.253-0.3250.427867湖北省-1.5640.774-1.3480.5393284湖南省-1.4290.603-1.3020.4906581吉林省-0.3450.087-0.2790.1041776江苏省-3.3241.023-2.3050.35145120江西省-1.3390.516-1.2100.4373952辽宁省-1.5360.791-1.1090.9443711内蒙古0.0740.1400.0120.0884947宁夏-0.612-0.248-0.4710.1261817青海省0.129-0.045-0.106-0.101498山东省-3.0990.603-2.8940.71948294山西省0.0580.0020.017-0.0131679陕西省-0.2930.1080.133-0.0744339上海市-2.1360.532-1.8900.6675785四川省-1.8260.820-1.6270.4518243天津市-2.1570.567-1.5760.4394032新疆-0.2060.139-0.0940.10792西藏-0.0140.325-0.006-0.019745云南省-0.7620.311-0.594-0.4042068浙江省-2.8100.537-2.0531.0344135重庆市-2.4010.506-1.9840.6732952注释:①括号内为标准误.②、和分别表示1%、5%和10%水平的统计显著性.③所有结果均四舍五入保留三位小数.④表中,“广西”代表广西壮族自治区;“黑龙江”代表黑龙江省;“内蒙古”代表内蒙古自治区;“宁夏”代表宁夏回族自治区;“西藏”代表西藏自治区;“新疆”代表新疆维吾尔自治区.从表5中可以看出,各省之间数字化转型水平对能源强度和碳排放强度的影响存在较大差异.相比来说,数字化转型水平对能源强度和碳排放强度的抑制作用显著较强的省份为江苏(-3.324;-2.305)、山东(-3.099;-2.894)以及浙江(-2.810;-2.053).主要因为这些地区的数字化转型水平较高,且经济发展主要依赖于工业部门[48].工业企业数字化转型能够帮助企业从生产智能化中提升生产效率;数字技术纳入生产流程等多方面中也使得企业可以更为自动化的管理能源以及监测污染,最终实现能源强度和碳排放强度降低的目标.以广东(-2.507;-1.496)、福建(-1.997;-1.625)以及安徽(1.749;-1.209)为代表的其他东部地区的数字化转型水平对能源和碳排放强度的抑制作用也较为明显.可能的原因是这些地区在财政资金、科技人才和技术创新本身具备较好的基础,数字化转型为其进一步带来新动能,促进了产业结构的优化和绿色发展[49].数字化转型水平对贵州(-1.150;-1.013)和江西(-1.339;-1.210)等西部地区的节能减排也有显著的抑制作用.国家大数据平台在贵州和江西等地逐步设立这些地区的数字化水平逐步形成规模,为促进地区的绿色发展提高起到了重要作用[50].北京(-2.306;-1.780)、上海(-2.136;-1.890)、天津(-2.157;-1.576)以及重庆(-2.401;-1.984)四个直辖市的估计系数均显著为负,且系数值处于中高水平.以上地区本身具备相对更多的区域内资源,以及更为聚集的“专精特新”技术;且对于绿色发展和节能减排的重视程度更高.数字技术的纳入将作为工业企8中国环境科学业的新元素生产力,延续各直辖市按照“高质量”方向发展[51].相反,在一些省份中,数字化转型水平未能显著抑制能源消费或碳排放,甚至导致其增长.第一类,是以西藏(-0.014;-0.006)、新疆(-0.026;-0.094)和甘肃(-0.192;0.110)为代表的数字化基础设施较为落后的地区.由于省份整体未能形成数字化技术规模和发展模式,地区整体及其区域内的工业企业的数字化转型水平和节能减排指标的关联性不明显[49].第二类,是以内蒙古(0.074;0.012)和山西(0.058;0.017)为代表的资源禀赋型省份.这类地区或因对传统资源产业依赖较强,进而产生了对资源和产业结构的路径依赖和锁定效应.数字化技术嵌入传统能源开采或程度不高,或仅能提升资源开采效率和开采量,对节能减排的作用不强[52].综上,中国31个省、直辖市或自治区之间数字化转型水平对节能减排的作用不平衡,地区间特征明显.并且,东部发达地区和西部落后地区在区域内存在一定的相似性,需要进一步分析其空间关联和影响效应.3.2组间系数差异一般来说,若分组回归中每个样本组中的模型设定是相同的,则认为组别之间的系数大小可以直接比较[53].也有一些研究为保证结果的可靠性,对分组回归模型中的组间系数差异进行了统计检验[50].参考江红莉和蒋鹏程[54]的研究,选择对组间系数进行费舍尔组合检验(Fisher'sPermutationtest).根据连玉君和廖俊平[55]的方法,假设不同组别系数之间的差异为d=δ1p-δ1q,其中p和q为不同省份样本进行估计的系数差异,且p≠q.原假设为d=0.而实际观察到的系数差异为d’=δ’1p-δ’1q,为由式(5)实际估计出的不同省份样本的γ1系数.根据d统计量的其分布特征,便可通过分析d’在d分布中的相对位置判断得到实际观测值的概率.为得到d的分布特征,先对总体样本进行抽样,以得到经验样本(empiricalsample);通过经验样本重复n次(本文中为100次)构造组间系数差异统计量d的经验分布(empiricaldistribution);由重复n个得到的d分布大于实际观测到d’的个数,最终得到经验p值(empiricalp-value).同理,对式(6)中基于不同省级样本的估计结果φ1也进行上述检验.结果显示,每一组经验p值均在在5%水平上拒绝原假设,说明组间系数有显著差异.4空间效应分析4.1空间相关性检验在分析空间效应之前,先使用全局莫兰指数(GlobalMoran’sI)验证数字转型与能源强度或碳排放强度是否存在空间聚集.参考汪小英[32]的方法,建立全局莫兰指数为以下形式:(10)其中,m为研究地区数量;(i,j)坐标为空间的两个点位;yp为区域p变量的观测值;yq为区域q变量的观测值;y为区域间变量的平均值;wpq为空间权重值,使用邻近指标构建.若空间单元p与q共用一个边界,那么则有wpq为1,否则为0.另外,何江和张馨之[56]认为,计算空间面板数据的莫兰指数时,空间权重矩阵W应替换成分块对角矩阵C=ITW.根据式(10)及空间权重矩阵的形式进行计算.表6全局莫兰指数计算结果Table6TheresultofGlobalMoran'sIdigETCTMoran’sI0.2910.3830.437P(I)0.0060.0120.005注:所有结果均四舍五入保留三位小数.表6为全局莫兰指数计算结果.可以看出,数字化转型水平(dig)的全局莫兰指数为0.291,且在1%的水平上显著,表明数字化转型的空间分布存在显著的空间集聚效应;能源强度的全局莫兰指数为0.383,P值为0.012,表明能源强度(ET)的分布存在显著的空间集聚效应;碳排放强度(CT)的全局莫兰指数为0.437,且具有小于1%的显著水平,表明碳排放强度的分布存在显著的空间集聚效应.空间相关性检验表明各地区的数字化转型水平与其能源强度和碳排放强度之间具有显著的空间依赖关系,有必要进一步基于空间面板计量模型研究其的空间溢出效应.余畅等:工业企业数字化转型能否促进节能减排？94.2空间溢出效应分析根据式(9)和式(10)分别计算数字化转型对能源强度和碳排放强度的空间效应.在空间杜宾误差模型(SpatialDurbinErrorModel,SDEM)中,可分为四类,分别为无固定效应的模式(NF)、空间固定效应模型(SF)、时间固定效应模型(TF)以及空间+时间固定效应模型(SFT)[33].估计结果如表7和表8所示.表7数字化转型对能源强度的空间效应估计结果Table7Resultsofthespatialeffectofdigitaltransformationonenergyintensity(1)NF(2)SF(3)TF(4)STFdig-1.076-0.939-0.621-0.946(0.299)(0.227)(0.162)(0.508)W×dig-1.125-0.887-0.420-0.318(0.284)(0.493)(0.559)(0.178)常数项0.384(0.229)控制变量是是是是λ0.5760.3690.1580.004R20.2950.3640.2180.307Loglikelihood-276.93-137.06-182.53-194.77注:①括号内为标准误.②、和分别表示1%、5%和10%水平的统计显著性.③所有结果均四舍五入保留三位小数.在表7中,考虑拟合优度(R2)、对数似然值(Loglikelihood)以及空间误差系(λ),可以认为基于空间固定效应的空间杜宾误差模型最优模型.所有模型的估计结果均支持数字化转型水平对能源强度的影响呈现出显著的空间溢出效应.以模型(2)为例,数字化转型水平(dig)的系数为-0.939,且具有1%的显著水平,即说明数字化转型水平提升1%,地区能源强度则下降0.939%;数字化转型水平的滞后项(W×dig)的系数为-0.887,在10%的置信水平上显著,说明相邻地区的数字化转型水平每增加1%,空间效应使得本地能源强度减少0.887%.表8数字化转型对碳排放强度的空间效应估计结果Table8Resultsofthespatialeffectofdigitaltransformationoncarbonemissionintensity(1)NF(2)SF(3)TF(4)STFdig-1.245-0.614-0.579-1.008(0.224)(0.138)(0.140)(0.498)W×dig-1.396-0.8390.217-0.745(0.652)(0.478)(0.162)(0.308)常数项0.197(0.111)控制变量是是是是λ0.6010.2770.0350.690R20.2460.2920.2350.294Loglikelihood-220.16-175.20-196.33-151.58注:①括号内为标准误.②、和分别表示1%、5%和10%水平的统计显著性.③所有结果均四舍五入保留三位小数.同理,在表8的估计结果中,基于空间+时间的固定效应模型为最优模型.以模型(4)为例,可以看出,数字化转型水平(dig)的系数为-1.008,并在5%的置信水平显著,代表着数字化转型水平提升1%,地区能源强度降低1.008%;同理,数字化转型水平滞后项(W×dig)的系数为-0.745,也具有5%的显著性.即相邻地区的数字化转型水平每增加1%,导致本地碳排放强度下降0.745%.为进一步探究本地数字化转型水平的变化对本地区以及临近地区能源强度和碳排放强度的影响,将空间溢出效应分解为直接效应和间接效应,结果如表9所示.表9数字化转型水平的直接效应与间接效应Table9Directandindirecteffectsofdigitaltransformation总效应直接效应间接效应(1)ET(2)CT(1)ET(2)CT(1)ET(2)CTdig-2.068-2.405-0.872-1.081-1.196-1.324(0.388)(0.391)(0.148)(0.220)(0.314)(0.363)注:①括号内为标准误.②、和分别表示1%、5%和10%水平的统计显著性.③所有结果均四舍五入保留三位小数.10中国环境科学直接效应为本地区数字化转型水平波动对本地区能源强度或碳排放强度的影响;间接效应为本地区数字化转型水平波动对邻近地区能源强度或碳排放强度的影响.由表9可知,数字化转型水平对能源强度的直接效应和间接效应分别为-0.872和-1.196,在1%置信水平上显著.本地区数字化转型水平的变动对本地区和邻近地区能源强度均有显著负影响,且对相邻地区的影响更大,说明数字化转型水平对能源强度的影响具有显著的空间溢出效应;而数字化转型水平对碳排放强度的直接效应和间接效应分别为-1.081和-1.324,且在1%置信水平上显著.本地区数字化转型水平的变动显著抑制了本地区和相邻区域省份的碳排放强度,也说明数字化转型水平对碳排放强度的影响也具有显著的空间溢出效应.结合省级异质性的分析结果,可以看出,各省份着重推进数字化转型能够促进数字资源要素在邻近地区间流动.相邻地区往往具有较为相似的产业结构和发展模式.数字化转型通过空间效应辐射到邻近地区工业企业生产中,促进了产业结构和能源消耗改善[28].并且,数字化转型水平较高、数字技术发展较好的地区一般会被当作“试点”,“示范效应”具有空间传播性,能够带动周边地区的数字化建[50].5研究结论以13万余家工业企业的大样本数据为基础,探究数字化转型水平的节能减排作用.通过构建固定效应模型和空间杜宾误差模型分别对数字化转型水平对能源强度和碳排放强度的影响及其省级异质性和空间溢出效应进行实证分析.得出以下研究结论:(1)工业企业数字化转型水平能够显著抑制企业的能源强度.数字化转型水平提升1%,能源强度会下降1.907%.(2)工业企业数字化转型水平对其所在地区碳排放强度有显著负影响.数字化转型水平每增加1%,则对应地区碳排放强度减少1.416%.(3)分组回归结果证明,各省、直辖市以及自治区之间存在明显的异质性.在数字化转型水平本身较高的地区、东部经济发达地区、资金及技术禀赋的直辖市以及数字化相关的试点地区,数字化转型水平对能源强度和碳排放强度的抑制作用明显较强;而在数字化基础设施较为落后地区和资源禀赋型省份,数字化转型水平未有明显节能减排作用,甚至存在增加此类地区能源强度或碳排放强度的情况.(4)数字化转型水平的节能减排作用有明显空间溢出效应.邻近地区数字化转型水平增加1%,导致本地区能源强度减少0.872%;相邻地区能源强度降低1.196%;同时,也使得本地区碳排放强度减少1.081%;相邻地区能源强度降低1.324%.6对策建议根据研究结论,拟提出以下对策建议:(1)重视工业企业的数字化转型的显著节能减排效应.在2015年至2021年的研究区间内,大样本数据说明工业企业数字化发展与能源强度或碳排放强度之间的“倒U型”关系并不存在,或已度过.未来应是其发展的重点时期之一.(2)工业企业数字化转型仅在具有技术和资金优势的地区发挥其节能减排作用.数字化转型水平本身较高或有资金优势的省级单位才能明显获得数字技术嵌入工业生产的节能减排“福利”,而对于数字化转型发展较差或经济落后区域反而是一种“负担”.以能源强度或碳排放强度为目的的数字化转型应着重注意地区特质.(3)关注传统资源产业依赖较强的省份的数字化技术发展方向.数字化转型未能有效降低其能源能源和碳排放强度,可能的原因是数字技术未能深入到地区主要排放领域中,如采矿或冶炼.故在这些地区应重点发展适应性和针对性更强的数字技术.(4)增加数字化相关“试点”建立,发挥“示范”作用.在省级异质性中,以贵州为例的一些省级单位并不是突出的经济发达或技术禀赋区域,但由于其建立了首个国家级数据中心,大幅提高当地企业数字化平台的建设和应用水平,进而反映在工业企业效率提高和能耗减少上.(5)加强邻近地区的数字化合作.数字化转型水平能源强度和碳排放强度的间接效应均大于直接效应,说明地区间数字技术的外溢和共享有助于本地与邻近区域协同绿色发展.研究探索了工业企业数字化转型在节能减排方面的促进作用,有一定的理论意义和实践参考,但余畅等:工业企业数字化转型能否促进节能减排？11仍存在部分局限.一是目前碳排放量与碳排放强度仅可以获得省级层面数据,与企业层面的能源强度数据相比,其精准度和匹配程度或均存在一定的缺陷;二是对于省份之间存在的差异性,仅在理论层面进行了解释与分析,仍缺乏实际数据与实证研究.研究提供了省级异质性和省间溢出效应的理论框架,未来在丰富碳排放企业层面数据与针对各省的实证研究基础上,能够获得更深刻的实践价值。参考文献[1]LiY.,YangX.,RanQ.etal.Energystructure,digitaleconomy,andcarbonemissions:evidencefromChina[J].EnvironmentalScienceandPollutionResearch,2021,28:64606–64629.[2]LiZ,WangJ.Thedynamicimpactofdigitaleconomyoncarbonemissionreduction:evidencecity-levelempiricaldatainChina[J].JournalofCleanerProduction.2022,352:131570.[3]刘淑春,闫津臣,张思雪,林汉川.企业管理数字化变革能提升投入产出效率吗[J].管理世界,2021,37(5):170-190+13.DOI:10.19744/j.cnki.11-1235/f.2021.0072.[4]王桂军,李成明,张辉.产业数字化的技术创新效应[J].财经研究,2022,48(9):139-153.DOI:10.16538/j.cnki.jfe.20220715.301.[5]刘慧,白聪.数字化转型促进中国企业节能减排了吗？[J].上海财经大学学报,2022,24(5):19-32.DOI:10.16538/j.cnki.jsufe.2022.05.002.[6]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.[7]刘佳,畅红琴.产业数字化转型、制度环境与地区碳排放研究[J].煤炭经济研究,2022,42(4):40-46.DOI:10.13202/j.cnki.cer.2022.04.012.[8]WeiZ,XiA,WANGD,etal.Digitaleconomyandcarbonemissionperformance:EvidenceatChina'scitylevel[J].EnergyPolicy,2022,165:112927.[9]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.DOI:10.19559/j.cnki.12-1387.2022.08.002.[10]王元彬,张尧,李计广.数字金融与碳排放:基于微观数据和机器学习模型的研究[J].中国人口·资源与环境,2022,32(6):1-11.[11]孙慧,王凤逸,丁志勇.数字金融如何影响了区域碳减排能力?[J].首都经济贸易大学学报,2022,24(2):42-56.DOI:10.13504/j.cnki.issn1008-2700.2022.02.004.[12]钟廷勇,马富祺.企业数字化转型的碳减排效应:理论机制与实证检验[J].江海学刊,2022(4):99-105.[13]ZhangW,YouJ,LinW.InternetplusandChinaindustrialsystem'slow-carbondevelopment[J].RenewableandSustainableEnergyReviews,2021,151:111499[14]樊茂清,郑海涛,孙琳琳,任若恩.能源价格、技术变化和信息化投资对部门能源强度的影响[J].世界经济,2012,35(5):22-45.[15]张三峰,魏下海.信息与通信技术是否降低了企业能源消耗——来自中国制造业企业调查数据的证据[J].中国工业经济,2019(2):155-173.DOI:10.19581/j.cnki.ciejournal.2019.02.013.[16]GoralskiMA,TanTK.Artificialintelligenceandsustainabledevelopment[J].TheInternationalJournalofManagementEducation,2020,18(1):100330.[17]YiM,LiuY,ShengM.S,etal.Effectsofdigitaleconomyoncarbonemissionreduction:NewevidencefromChina[J].EnergyPolicy,2022,171:113271.[18]KunkelS,MatthessM.Digitaltransformationandenvironmentalsustainabilityinindustry:PuttingexpectationsinAsianandAfricanpoliciesintoperspective[J].EnvironmentalScience&Policy,2020,112:318-329.[19]AndersA,TomasE.OnGlobalElectricityUsageofCommunicationTechnology:Trendsto2030[J].Challenges,2015,6(1):117-157.[20]HilltyLM,LohmannW,HuangEM.SustainabilityandICT–Anoverviewofthefield[J].NotizieDiPoliteia,2011,XXXVII(104):3-12.[21]樊轶侠,徐昊.中国数字经济发展能带来经济绿色化吗?——来自我国省际面板数据的经验证据[J].经济问题探索,2021(9):15-29.[22]HigónDA,GholamiR,ShiraziF.ICTandenvironmentalsustainability:Aglobalperspective[J].TelematicsandInformatics[J].TelematicsandInformatics,2017,34(4):85-95.[23]PothenF,SchymuraM.Biggercakeswithfeweringredients?Acomparisonofmaterialuseoftheworldeconomy[J].EcologicalEconomics,2015,109:109-121.[24]黄群慧,余泳泽,张松林.互联网发展与制造业生产率提升:内在机制与中国经验[J].中国工业经济,2019(8):5-23.DOI:10.19581/j.cnki.ciejournal.2019.08.001.[25]王军,王杰,王叶薇.数字金融发展如何影响制造业碳强度?[J].中国人口·资源与环境,2022,32(7):1-11.[26]邱子迅,周亚虹.数字经济发展与地区全要素生产率——基于国家级大数据综合试验区的分析[J].财经研究,2021,47(7):4-17.DOI:10.16538/j.cnki.jfe.20210119.103.[27]郭炳南,王宇,张浩.数字经济发展改善了城市空气质量吗——基于国家级大数据综合试验区的准自然实验[J].广东财经大学学报,2022,37(1):58-74.[28]韦琳,马梦茹.数字经济发展与企业绿色创新——基于“智慧城市”试点建设的准自然实验研究[J].现代财经(天津财经大学学报),2022,42(8):24-40.DOI:10.19559/j.cnki.12-1387.2022.08.001.[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.DOI:10.19744/j.cnki.11-1235/f.2020.0154.[30]刘军,杨渊鋆,张三峰.中国数字经济测度与驱动因素研究[J].上海经济研究,2020(6):81-96.DOI:10.19626/j.cnki.cn31-1163/f.2020.06.008.[31]陈晓东,杨晓霞.数字经济发展对产业结构升级的影响——基于灰关联熵与耗散结构理论的研究[J].改革,2021,(3):26-39.[32]汪小英,王宜龙,沈镭,李小漫,杜强涛.信息化对中国能源强度的空间效应——基于空间杜宾误差模型[J].资源科学,2021,43(9):1752-1763.[33]宋德勇,朱文博,丁海.企业数字化能否促进绿色技术创新？——基于重污染行业上市公司的考察[J].财经研究,2022,48(4):34-48.DOI:10.16538/j.cnki.jfe.20211218.304.[34]XuQ,ZhongM,LiX.Howdoesdigitalizationaffectenergy?Internationalevidence[J].EnergyEconomics,2022,107:105879.[35]吕知新,包权,任龙梅,李银换.数字金融能够促进工业经济绿色转型发展吗？——基于规模以上工业企业数据经验分析[J].科技管理研究,2021,41(24):184-194.[36]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12中国环境科学代经济管理,2022,44(2):68-78.DOI:10.13253/j.cnki.ddjjgl.2022.02.008.[37]郭美晨,杜传忠.ICT提升中国经济增长质量的机理与效应分析[J].统计研究,2019,36(3):3-16.DOI:10.19343/j.cnki.11-1302/c.2019.03.001.[38]沈小波,陈语,林伯强.技术进步和产业结构扭曲对中国能源强度的影响[J].经济研究,2021,56(2):157-173.[39]张爽,王国成,王晨铖.经济因素及非经济因素对能源消费影响的实证研究[J].工业技术经济,2014,33(9):54-63.[40]LeSageJ,PaceRK.IntroductiontoSpatialEconometrics[M].NewYork:ChapmanandHall/CRC,2009.[41]LangeS,PohlJ,SantariusT.Digitalizationandenergyconsumption.DoesICTreduceenergydemand?[J].EcologicalEconomics,2020,176:106760.[42]张思思,崔琪,马晓钰.数字要素赋能下有偏技术进步的节能减排效应[J].中国人口·资源与环境,2022,32(7):22-36.[43]左鹏飞,姜奇平,陈静.互联网发展、城镇化与我国产业结构转型升级.数量经济技术经济研究,2020,37(7):71-91.[44]许宪春,任雪,常子豪.大数据与绿色发展[J].中国工业经济,2019(4):5-22.DOI:10.19581/j.cnki.ciejournal.2019.04.001.[45]赵宸宇.数字化转型对企业社会责任的影响研究[J].当代经济科学,2022,44(2):109-116.[46]邓荣荣,张翱祥.中国城市数字经济发展对环境污染的影响及机理研究[J].南方经济,2022(2):18-37.DOI:10.19592/j.cnki.scje.390724.[47]WangH,LiY,LinW,etal.Howdoesdigitaltechnologypromotecarbonemissionreduction?Empiricalevidencebasedone-commercepilotcitypolicyinChina[J].JournalofEnvironmentalManagement,2023,325:116524.[48]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.DOI:10.15983/j.cnki.sxss.2022.0507.[49]朱喜安,马樱格.数字经济对绿色全要素生产率变动的影响研究[J].经济问题,2022(11):1-11.DOI:10.16011/j.cnki.jjwt.2022.11.001.[50]李治国,车帅,王杰.数字经济发展与产业结构转型升级—基于中国275个城市的异质性检验[J].广东财经大学学报,2021,36(5):27-40.[51]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.DOI:10.19559/j.cnki.12-1387.2022.08.002.[52]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.DOI:10.19343/j.cnki.11-1302/c.2021.04.001.[53]段军山,庄旭东.金融投资行为与企业技术创新——动机分析与经验证据[J].中国工业经济,2021(1):155-173.DOI:10.19581/j.cnki.ciejournal.2021.01.009.[54]江红莉,蒋鹏程.数字金融能提升企业全要素生产率吗？——来自中国上市公司的经验证据[J].上海财经大学学报,2021,23(3):3-18.DOI:10.16538/j.cnki.jsufe.2021.03.001.[55]连玉君,廖俊平.如何检验分组回归后的组间系数差异?[J].郑州航空工业管理学院学报,2017,35(6):97-109.DOI:10.19327/j.cnki.zuaxb.1007-9734.2017.06.010.[56]何江,张馨之.中国区域经济增长及其收敛性:空间面板数据分析[J].南方经济,2006(5):44-52.作者简介:余畅(1993-),女,内蒙古呼和浩特人,博士研究生,主要从事环境经济学研究.