EN中文

地理学报 >

2024 , Vol. 79 >Issue 11: 2915 - 2928

DOI: https://doi.org/10.11821/dlxb202411014

“双碳”研究与科学数据出版

长株潭都市圈数字经济对碳排放效率的影响及空间效应

  • 彭文斌 , 1, 2 ,
  • 苏欣怡 2, 3 ,
  • 邝嫦娥 , 2 ,
  • 杨胜苏 1 ,
  • 赵丹丹 1 ,
  • 魏晓 1
展开
  • 1.湖南财政经济学院经济地理学院 湖南省经济地理研究所，长沙 410205
  • 2.湖南科技大学商学院，湘潭 411201
  • 3.上海财经大学城市与区域科学学院，上海 200433
邝嫦娥(1979-), 女, 湖南郴州人, 副教授, 硕士生导师, 研究方向为数字经济与环境地理。E-mail:

彭文斌(1976-), 男, 湖南郴州人, 教授, 博士生导师, 研究方向为数字经济与环境地理。E-mail:

收稿日期: 2024-02-05

  修回日期: 2024-08-12

  网络出版日期: 2024-12-02

基金资助

国家自然科学基金项目(42371192)

湖南省自然科学基金项目(2023JJ30100)

湖南省自然科学基金项目(2023JJ60173)

湖南省社会科学基金项目(23ZDAJ023)

湖南省社会科学基金项目(23YBA133)

湖南省教育厅科学研究重点项目(22A0666)

收起

The impact and spatial effects of the digital economy on carbon emission efficiency in the Changsha-Zhuzhou-Xiangtan metropolitan area

  • PENG Wenbin , 1, 2 ,
  • SU Xinyi 2, 3 ,
  • KUANG Chang'e , 2 ,
  • YANG Shengsu 1 ,
  • ZHAO Dandan 1 ,
  • WEI Xiao 1
Expand
  • 1. School of Economic Geography, Hunan University of Finance and Economics Hunan Institute of Economic Geography, Changsha 410205, China
  • 2. School of Business, Hunan University of Science and Technology, Xiangtan 411201, Hunan, China
  • 3. School of Urban and Regional Science, Shanghai University of Finance and Economics, Shanghai 200433, China

Received date: 2024-02-05

  Revised date: 2024-08-12

  Online published: 2024-12-02

Supported by

National Natural Science Foundation of China(42371192)

Natural Science Foundation of Hunan Province(2023JJ30100)

Natural Science Foundation of Hunan Province(2023JJ60173)

Social Science Foundation of Hunan Province(23ZDAJ023)

Social Science Foundation of Hunan Province(23YBA133)

Hunan Provincial Department of Education Key Project of Scientific Research(22A0666)

Fold

摘要

数字经济是推动中国经济高质量发展的新引擎，为实现碳达峰碳中和目标提供重要的支撑作用。县区作为国家城镇化建设的重要载体，揭示县区层面数字经济对碳排放效率的影响及空间效应对于新时代中国实施新型城镇化战略、促进生态文明建设、推动绿色转型发展具有重要意义。本文利用熵权法和SBM-DEA模型分别测算2011—2021年长株潭都市圈19个县区的数字经济发展水平与碳排放效率，采用空间分析法刻画县区层面长株潭都市圈数字经济与碳排放效率的时空格局及聚类情况；运用OLS模型与空间杜宾模型实证检验长株潭都市圈数字经济对碳排放效率的影响及空间效应。结果表明：① 长株潭都市圈县区间数字经济与碳排放效率的发展差距仍然悬殊，且均表现出“北高南低”的空间分布格局。② 长株潭都市圈数字经济对碳排放效率始终产生显著的促进作用，加入一系列控制变量后这种促进作用明显增强。③ 长株潭都市圈数字经济对碳排放效率的影响存在显著的正向空间效应，且对本地碳排放效率的促进效应超过对邻近县区碳排放效率的效应。

关键词： 数字经济; 碳排放效率; 空间效应; 空间杜宾模型; SBM-DEA模型; 长株潭都市圈

本文引用格式

彭文斌 , 苏欣怡 , 邝嫦娥 , 杨胜苏 , 赵丹丹 , 魏晓 . 长株潭都市圈数字经济对碳排放效率的影响及空间效应[J]. 地理学报, 2024 , 79(11) : 2915 -2928 . DOI: 10.11821/dlxb202411014

Abstract

The digital economy is a pivotal driver for fostering high-quality economic development in China, which is crucial in attaining carbon peak and neutrality objectives. Given its significance as a core vehicle for national urbanization initiatives, elucidating the influence and spatial implications of the digital economy on carbon emission efficiency at the county and district levels is imperative for China's new urbanization strategy, bolstering ecological civilization and advancing green transformation and development in the contemporary era. Utilizing the entropy weight method and the SBM-DEA model, this study assessed the digital economy's development level and carbon emission efficiency in 19 counties within the Changsha-Zhuzhou-Xiangtan metropolitan area spanning 2011 to 2021. Spatial analysis techniques were employed to delineate the spatiotemporal patterns and clustering characteristics of the digital economy and carbon emission efficiency at the county scale within this metropolitan region. Furthermore, we leveraged the OLS model and the spatial Durbin model to empirically scrutinize the impact and spatial effect of the digital economy on carbon emission efficiency in the study area. The key findings are as follows: (1) There exists a significant disparity in the development of the digital economy and carbon emission efficiency across the Changsha-Zhuzhou-Xiangtan metropolitan area, exhibiting a spatial distribution pattern characterized by "high in the north and low in the south". (2) The digital economy in this metropolitan area consistently exerts a noteworthy stimulatory effect on carbon emission efficiency, and this influence is markedly strengthened upon the inclusion of various control variables. (2) The digital economy in the Changsha-Zhuzhou-Xiangtan metropolitan area exhibits a substantial positive spatial effect on carbon emission efficiency, with a more significant impact on local carbon emission efficiency compared with neighboring counties.

Key words： digital economy; carbon emission efficiency; spatial effect; spatial Durbin model; SBM-DEA model; Changsha-Zhuzhou-Xiangtan metropolitan area

1 引言

当前中国经济发展正面临着增速减缓与绿色转型的双重压力，实现“双碳”目标成为新发展阶段的主要任务。随着信息技术的发展与变革，数字经济成为驱动经济社会提质增效的重要引擎，逐渐深入渗透到各种社会活动中。《中国数字经济发展报告（2022）》公布的数据显示，中国数字经济规模从2011年的9.5万亿元增长到2021年的45.5万亿元，连续10 a显著高于同期GDP名义增速，2021年占GDP比重达到39.8% ① [1]。加快数字经济发展，促进数字经济与实体经济深度融合助力生产生活方式绿色低碳转型，优化能源资源配置、提高能源利用效率和促进清洁能源生产，成为中国如期实现“双碳”目标的关键力量[2]。长株潭都市圈作为中部地区首个获批的国家级都市圈，是长江中游城市群和中部地区实现高质量协同发展的中坚力量。同时，长株潭都市圈作为首批入选的“宽带中国”示范区，不仅具有完善的数字基础设施，而且拥有先进的计算产业，是中部地区数字经济发展高地及超算技术的策源地。在此背景下，研究长株潭都市圈的数字经济与碳排放效率对于推动长江经济带绿色低碳发展，增强节能减排政策的科学性、针对性、可操作性具有极其重要的参考价值[3]。
近几年数字经济与碳排放的研究逐渐成为热点话题，主要聚焦于数字经济对碳排放量或碳排放强度的影响研究，并形成以下3种不同观点：① 数字经济显著降低碳排放量。数字基础设施的广泛覆盖能够有效推动绿色技术创新以及非正式环境规制形成[4-5]，进而使数字经济通过数字基础设施建设降低碳排放量。此外，数字经济带来的技术多样化充分发挥碳减排潜力，促进能源和资源的高效利用、资源配置的优化[6]，为碳减排提供全面稳定的支持[7]，在长期有效降低碳排放量。② 数字经济导致碳排放量增加。数字经济的“绿色盲区”具有负外部性[8]，企业通过技术创新增加产量，造成大量的能量消耗和电力消耗，从而加大力度开采资源和消耗能源，导致碳排放量增加[9-10]。③ 数字经济对碳排放量具有非线性影响。Higón等基于全球142个国家的数据，发现ICT与碳排放量之间在两种相反作用下存在非线性关系[11]；金飞等的研究验证数字经济对碳排放量存在显著的先促进后抑制的倒“U”型关系[12]；李治国等进一步实证考察发现，数字经济对本地碳减排具有先促进后抑制的倒“U”型效应，而对周边地区碳减排效应具有先抑制后促增的“U”型效应[13]。
综上所述，已有研究多从国家、省份、城市等层面探究数字经济对碳排放量或碳排放强度的影响效应。而与碳排放量、碳排放强度的研究相比，研究碳排放效率能够进一步揭示不同层级地区在节能减排、提质增效过程中的目标需求与具体反应[14]。因此，本文以长株潭都市圈为研究对象，以县区为空间尺度，构建数字经济对碳排放效率影响效应机制的理论框架，并结合OLS模型与空间杜宾模型实证检验数字经济对碳排放效率的影响及空间效应，以期为进一步优化相关政策提供新思路，对于其他区域的发展具有一定的借鉴意义。

2 理论分析与研究假说

碳排放效率可根据投入要素数量的不同分为单要素碳排放效率和全要素碳排放效率。单要素碳排放效率是指单个要素指标与碳排放量的比例关系，如碳生产率、碳指数、碳排放强度等。单要素碳排放效率的计算方法简单，但并未考虑经济活动对其他要素的消耗以及对生态环境造成的影响。因此，更多学者从全要素角度出发，将碳排放效率定义为把碳排放量作为非期望产出，衡量所有投入产出的综合效率[15]，反映了社会经济活动获得较大的经济收益而产生较少的碳排放的目标。可以看出，碳排放效率的高低与生产技术、能源消耗、产业结构等因素密切相关。不同于当前低碳城市试点、全国碳排放权交易等政策，数字经济是以数字化信息为核心生产要素、以数字技术为关键支撑、以现代信息网络为主要载体，不断优化资源配置与再生，实现技术融合、产业融合、生产者与消费者融合的新型经济形态[16]，具体包括大数据、云计算、人工智能、5G通信等新兴技术，“新零售”“新制造”等新兴应用，以及电子信息制造业、软件和信息技术服务业、互联网行业等新兴产业[17]。数字经济涉及面广、渗透性强，是经济结构和社会形态的系统性变革[18]，可通过数字基础设施、数字技术应用、数字产业发展等方面与能源和环境等领域经济活动融合的方式发挥节能减排作用[19]，进而对碳排放效率产生重要影响。数字经济对碳排放效率的影响机制如图1所示。
图1 数字经济对碳排放效率的影响机制

Fig. 1 The impact mechanism of digital economy on carbon emission efficiency

2.1 数字经济对碳排放效率的影响效应

根据全要素碳排放效率的内涵和数字经济的特性，数字经济驱动碳排放效率主要通过数字基础设施、数字技术应用、数字产业发展3个方面实现：
（1）数字基础设施促进绿色技术创新，从而有效提高碳排放效率。数字基础设施作为数字经济发展的主要载体，有助于实现信息技术的全面革新、渗透和应用，破除知识、技术和信息的传播壁垒[20]，提高知识、技术和信息在地区内和地区间的传播速度和效率，促进绿色技术创新的发展和扩散，助推化石能源、工业等碳排放主要来源行业的企业实现清洁化、智能化生产，通过强化排放端治理提高碳排放效率[21]。此外，数字基础设施建设降低了企业对绿色技术创新要素的搜寻、储存和流动成本，从而降低企业进行绿色生产和节能减排的投入成本，进而提高碳排放效率。
（2）数字技术应用降低能源消费需求，从而有效提高碳排放效率。数字技术作为数字经济发展的关键支撑，具有迭代快、扩散快等特点，数字技术应用能够带动新业态、新模式变革，改变我们的生产及生活方式和消费理念，推动经济活动的“虚拟化”和“去物质化”，减少每单位产值的能源消耗量，从而降低传统能源消费需求及碳排放量[22]。同时，数字技术应用加快了新能源的发现和可再生能源的开发来替代传统化石能源，减少能源消费支出，使能源消费结构趋于清洁化、多元化[23]，进而提高碳排放效率。
（3）数字产业发展推动产业结构优化，从而有效提高碳排放效率。数字产业作为数字经济的主导力量，具有技术密集性、先导性和战略性等特点[24]，突破产业发展边界，促进产业间融合发展和协同创新，实现生产形态和产业结构的优化重塑，高排放、重污染型的传统落后产业的替代性新兴产业逐渐兴起。而传统落后产业为保持市场竞争力，必须引进符合绿色发展趋势的生产理念和先进技术[25]，由此助推高排放、重污染产业向技术含量高、环境友好型的产业转型，推动产业结构由劳动和资本密集型向技术密集型和资源节约型方向优化升级，进而提高碳排放效率。
基于上述分析，提出研究假说1：数字经济能够提升碳排放效率。

2.2 数字经济对碳排放效率影响的空间效应

中国各地区之间存在广泛而又紧密的关联，新型城镇化发展进一步加深了地区间经济要素的自由流动[26]，因此空间距离较近地区的经济表现会互相影响。数字经济对碳排放效率影响的空间效应主要体现在以下两个方面：一是数字经济依靠虚拟信息平台，打破传统地理距离限制，推动地区内和地区间信息集成共享和知识跨时空传播，加强知识和信息等要素关联和共享频率，提高要素在空间上的流动性[13]，进而促进节能减排知识和污染排放信息的快速传播；同时，数字经济可发挥其网络效应，使各地区之间借助网络技术实现减排联合治理，对邻近地区的生态环境形成空间溢出[27]，有助于提升邻近地区碳排放效率。二是随着基础设施和网络平台的完善，数字技术在地区之间迅速扩散，提高了跨地区技术协作的便利性和高效性，同时在一定程度上减少了因空间距离造成的数字技术溢出效应衰减，强化了各主体、各地区间的学习能力、模仿机制和创新效率，进而促使新技术和新理念的转移扩散，为邻近地区绿色低碳发展创造了条件[28]。分析数字经济对碳排放效率影响的空间效应，不仅要考虑本地区碳排放效率所受影响的方向和大小，还应考虑相邻地区受到的空间溢出效应。
基于上述分析，提出研究假说2：数字经济对碳排放效率的影响存在空间溢出效应。

3 研究方法与数据

3.1 研究区概况

湖南省“十四五”规划明确提出，要加快推进长株潭一体化发展，建设长株潭现代化都市圈。根据《长株潭都市圈发展规划（2022）》，本文选取的研究区域包括长株潭都市圈19个县区（图2）。该区域总面积为1.89万km2，2021年常住人口为1484万人，经济总量为1.79万亿元 ② ，已基本形成一小时通勤圈的城镇空间形态，成为湖南省经济发展的核心增长极，是长江中游城市群重要组成部分。
图2 研究区域

Fig. 2 Research area

3.2 模型设定

（1）基准回归模型。为检验假说1，构建OLS模型进行基准回归：
l n C E E i t = α 0 + α 1 l n D I G i t + α n l n C o n t r o l i t + μ i + δ t + ε i t
式中：CEEit表示碳排放效率；DIGit表示数字经济；Controlit表示控制变量集，包括经济发展水平（PGDP）、政府干预度（GOV）、社会消费需求（CON）、城镇化水平（URB）、产业结构水平（IND）； α 0为截距项； α 1和 α n分别表示数字经济和控制变量的回归系数； μ i、 δ t分别表示县区固定效应和年份固定效应； ε i t表示误差项。
（2）空间计量模型。空间杜宾模型（SDM）不仅考虑自变量内生交互效应，还考虑因变量在空间上的外生交互作用以及自变量和因变量的空间滞后效应[29]。基于此，为进一步检验长株潭都市圈数字经济对碳排放效率的空间效应，在式（1）中加入数字经济、碳排放效率和控制变量所对应的空间交互项构建SDM模型，同时为了检验长株潭都市圈数字经济与碳排放效率之间是否存在非线性关系，将数字经济的二次项纳入回归模型，具体形式如下：
l n C E E i t = α 0 + α 1 l n D I G i t + α n l n C o n t r o l i t + W i j ( ρ l n C E E i t + ρ 1 l n D I G i t +                                       ρ n l n C o n t r o l i t ) + μ i + δ t + ε i t
l n C E E i t = α 0 + α 1 l n D I G i t + α 2 l n D I G i t 2 + α n l n C o n t r o l i t + W i j ( ρ l n C E E i t +                                       ρ 1 l n D I G i t + ρ 2 l n D I G i t 2 + ρ n l n C o n t r o l i t ) + μ i + δ t + ε i t
式中：DIG2it表示数字经济的二次项； ρ表示碳排放效率的空间自回归系数， ρ 1、 ρ 2和 ρ n分别表示数字经济、数字经济二次项和控制变量的空间滞后项系数； W i j表示空间权重矩阵，本文采用具有较强外生性的空间邻接权重矩阵 W 1。此外，县区间紧密的联系会产生较为相似的经济活动，因此利用人均GDP差额消除规模效应构造经济距离权重矩阵 W 2进行稳健性检验。

3.3 变量选取

（1）被解释变量：碳排放效率（CEE）。本文采用考虑非期望产出的SBM-DEA模型测算长株潭都市圈碳排放效率。根据以往学者对碳排放效率的研究成果[30]，以能源、劳动和资本作为投入指标，地区生产总值和碳排放量作为产出指标。能源投入指标采用能源消费总量表示；劳动力投入指标采用全社会从业人员数表示；资本投入指标采用固定资产投资额表示。期望产出采用地区生产总值表示，并以2011年为基期对地区生产总值进行不变价处理；非期望产出采用二氧化碳排放量表示。由于缺少县区层面的分类能源消费量，采用中国碳核算数据库（CEADs）的碳排放数据（2011—2017年），参考李硕硕等的研究[31]，根据2015年和2020年中国城市二氧化碳碳排放数据集的数据计算2015—2020年的碳排放年均增长率，并根据此增长率反演2018—2021年的二氧化碳碳排放量。
（2）核心解释变量：数字经济发展水平（DIG）。本文基于数字经济的内涵，综合考虑了县区层面指标体系的全面性及数据的可得性，参考赵涛等[32]和柏培文等[33]，从数字用户、数字应用和数字产业3个维度选取指标综合测度长株潭都市圈的数字经济发展水平。其中，数字用户是数字经济发展的重要推动力，采用移动电话用户数、互联网用户数、电信业务总量来衡量；数字应用体现了数字经济与实体经济的融合程度，采用数字普惠金融指数来衡量；数字产业体现了数字经济产业化发展状况，采用信息传输、计算机服务和软件业法人单位数来衡量。通过熵权法将以上指标降维得到数字经济综合指数。
（3）控制变量。为保证结果的可靠性和准确性，本文参考蒋为等[34]的研究，将可能对碳排放效率产生影响的因素放入回归模型中，主要包括：① 经济发展水平（PGDP）。经济发展水平是碳排放效率最主要的影响因素[35]，选取该地区当年人均GDP来表示经济发展水平。② 政府干预度（GOV）。中央和地方政府的财政支出是环境治理的重要资金来源[36]，因此以政府财政支出与GDP的比值来表示政府干预度。③ 社会消费需求（CON）。社会消费需求增加会扩大市场规模刺激生产，从而影响碳排放效率[37]，选取社会消费品零售总额与GDP的比值来表示社会消费需求。④ 城镇化水平（URB）。城镇化是影响碳排放效率的重要因素，以城镇化率表示城镇化水平。⑤ 产业结构水平（IND）：偏重第二产业的经济结构是影响碳排放效率的主要因素[38]，选取第二产业增加值与GDP的比值表示产业结构水平。

3.4 数据来源及处理

鉴于数据可获取性，本文选取长株潭都市圈19个县（市、区）2011—2021年的面板数据，原始数据主要来源于CNRDS数据库、《湖南省统计年鉴》《长沙统计年鉴》《株洲统计年鉴》《湘潭统计年鉴》以及各县区的国民经济和社会发展统计公报；数字普惠金融数据来源于《北京大学数字普惠金融指数》。对于部分缺失数据采用线性插值法予以补齐。此外，为保证数据的平稳性及避免异方差问题，在实证分析时对所有变量进行取对数处理。各变量的描述性统计如表1所示。
表1 变量描述性统计

Tab. 1 Descriptive statistics of variables

变量 符号 观测量 均值 标准差 最小值 最大值
碳排放效率 CEE 209 0.719 0.211 0.147 1.000
数字经济发展水平 DIG 209 0.174 0.169 0.006 0.875
经济发展水平 PGDP 209 100177 42264 22347 223921
政府干预度 GOV 209 0.082 0.044 0.019 0.235
社会消费需求 CON 209 0.376 0.194 0.059 1.312
城镇化水平 URB 209 76.233 21.855 24.300 101.000
产业结构水平 IND 209 0.506 0.166 0.066 0.853

4 数字经济与碳排放效率空间格局演变

利用ArcGIS软件和自然断点法将2011年、2016年和2021年长株潭都市圈各县区数字经济发展水平和碳排放效率水平进行空间可视化，划分为低水平、较低水平、较高水平、高水平4个层级，分析长株潭都市圈数字经济和碳排放效率的空间分布格局演变特征。

4.1 数字经济发展空间格局演变特征

2011—2021年长株潭都市圈县区总体数字经济发展水平逐步提升，且始终以岳麓区为发展核心，并表现出“北高南低”的空间分布格局（图3）。具体来看，2011—2016年间，数字经济发展处于高水平层级的县区均位于长沙市内，处于低水平层级的县区多位于株洲市内。长沙市内数字经济发展水平所处层级发生变动的县区较多，说明各县区间数字经济发展水平提升速度的差距较大；而株洲市和湘潭市内各县区数字经济发展水平所处层级基本未发生变化，说明两市县区的数字经济发展水平的提升速度相对平稳。2016—2021年间，长株潭都市圈各县区数字经济发展水平进一步提升，处于较高及以上层级的区域面积进一步扩大，且该区域主要集中在都市圈的北部。由于要素禀赋、区位因素及发展基础等因素限制，各县区的数字经济发展水平的提升速度不协调，发展差距仍未明显改善，最终形成以岳麓区为核心的数字经济发展格局。
图3 2011年、2016年、2021年长株潭都市圈数字经济的时空特征

Fig. 3 Spatiotemporal characteristics of digital economy for the Changsha-Zhuzhou-Xiangtan metropolitan area in 2011, 2016 and 2021

4.2 碳排放效率空间格局演变特征

2011—2021年长株潭都市圈各县区碳排放效率水平同样逐步提升，且提升速度一直保持相对稳定，并表现出“北高南低”的空间分布格局（图4）。从各县区碳排放效率水平上看，2011—2021年长沙县、浏阳市的碳排放效率始终处于高水平层级；望城区、天心区、醴陵市、岳塘区始终处于较高水平层级；天元区、荷塘区、芦淞区、雨湖区始终处于较低水平层级；渌口区、韶山市始终处于低水平层级；其余县区在相近两个层级变动。说明碳排放效率水平虽然得到提升，但提升的速度基本未发生变化。从空间分布格局上看，北部地区长沙市内各县区的碳排放效率均处于较高及以上水平；而南部地区株洲市和湘潭市作为老工业基地，73%的县区碳排放效率处于较低及以下水平。2016年和2021年长株潭都市圈碳排放效率的空间格局基本未发生变化，可能是长沙市、株洲市和湘潭市在2017年入选第三批国家低碳城市试点，进而各地区协同制定碳达峰实施方案，探索适合长株潭都市圈的低碳绿色发展路径，在提高碳排放效率的同时形成稳定的碳排放效率发展模式。
图4 2011年、2016年、2021年长株潭都市圈碳排放效率的时空特征

Fig. 4 Spatiotemporal characteristics of carbon emission efficiency for the Changsha-Zhuzhou-Xiangtan metropolitan area in 2011, 2016 and 2021

5 实证结果分析

5.1 数字经济对碳排放效率的影响效应

表2报告了长株潭都市圈数字经济对碳排放效率的OLS模型基准回归结果。在逐步加入各控制变量的过程中，数字经济对碳排放效率的影响系数始终为正且通过1%的显著性检验，说明长株潭都市圈数字经济对碳排放效率产生显著的促进作用，结果验证假说1成立。相较于未加入控制变量，加入经济发展水平、政府干预度、社会消费需求、城镇化水平、产业结构水平等控制变量后模型的调整拟合优度为0.499，大于未加入控制变量的0.311，表明加入控制变量模型的拟合效果更可靠。因此，分析结果以加入控制变量的回归为准。数字经济的回归系数为0.478，意味着数字经济发展水平每提高1%，将促使碳排放效率平均提高0.478%。长株潭都市圈充分发挥完善的数字基础设施和先进的计算产业等优势，推动制造业和服务业数字化、智能化、绿色化转型升级，提高碳排放效率。
表2 长株潭都市圈数字经济对碳排放效率影响的基准回归结果

Tab. 2 Benchmark regression results of the impact of digital economy on carbon emission efficiency in the Changsha-Zhuzhou-Xiangtan metropolitan area

变量 lnCEE
（1） （2） （3） （4） （5） （6）
lnDIG 0.355***(0.057) 0.405***(0.064) 0.455***(0.060) 0.452***(0.060) 0.426***(0.058) 0.478***(0.063)
lnPGDP 0.085***(0.019) 0.024(0.021) 0.030(0.022) 0.089***(0.025) 0.088***(0.025)
lnGOV -1.139***(0.200) -1.137***(0.200) -1.639***(0.229) -1.491***(0.238)
lnCON -0.051(0.056) -0.003(0.056) 0.116(0.077)
lnURB -0.150***(0.037) -0.136***(0.037)
lnIND 0.196**(0.094)
N 209 209 209 209 209 209
R2 0.311 0.457 0.452 0.452 0.491 0.499

注：***、**、*分别表示在1%、5%、10%的水平下显著；括号内为标准误；下表同。

从控制变量的影响来看，经济发展水平的回归系数在1%的显著性水平下为正，说明经济发展对碳排放效率的提升起到显著的促进作用。这是因为经济高质量发展使政府投入更多资金治理环境，通过合理有效的市场机制提高碳排放效率[39]。政府干预度的回归系数为负且在1%的水平上显著，说明政府干预过度会对碳排放效率产生负向影响。这是因为一直以经济发展作为政府人员政绩的考核标准，造成了地方政府主要将财政用于发展高污染、高能耗的产业，而这些产业正是碳排放的主要来源[40]。社会消费需求的回归系数为正但并不显著，说明随着社会消费需求结构从生存型消费调整为享受型消费，非基本生活消费需求的增加提高碳排放效率[41]，但这种改变对碳排放效率的促进作用并不明显。城镇化水平的回归系数为负且在1%的水平上显著，从侧面说明提高城镇化水平会显著抑制碳排放效率。随着新型城镇化进程的推进，大量人口向城镇中心聚集，从而引起交通运输和碳排放量的增加，加剧环境污染和碳排放效率下降。产业结构水平的回归系数为正且在5%的水平上显著，第二产业占比增加能提升碳排放效率，说明长株潭都市圈工业绿色低碳转型已取得显著成效。

5.2 数字经济对碳排放效率影响的空间效应

进行空间效应参数估计的前提是选择合适的空间计量模型[42]。通过LR检验、LM检验、Wald检验以及Hausman检验对模型进行适配度检验，结果显示时间固定效应空间杜宾模型是对长株潭都市圈数字经济影响碳排放效率的空间效应进行检验的最优估计模型。从表3回归结果可以看出，不加入数字经济的二次项时，数字经济对碳排放效率的影响系数为正且通过1%显著性检验；加入数字经济的二次项后，数字经济对碳排放效率的影响由显著转为不显著，数字经济的二次项对碳排放效率的影响系数不显著，说明在考虑空间影响下，本文研究期内数字经济对碳排放效率并不存在非线性影响。可能是长株潭城市群作为首批入选的“宽带中国”示范城市群，其数字基础设施建设已经较为完善，数字资源要素整合效率较高，持续助力长株潭都市圈数字经济发挥其促进碳排放效率提升的作用。因此，主要以未加入数字经济的二次项的回归结果分析为主。碳排放效率的空间自回归系数ρ显著为正，表明长株潭都市圈碳排放效率具有明显的空间效应。lnDIG系数为0.344且在1%水平下显著，表明数字经济能够显著促进本地碳排放效率提高，空间滞后项W×lnDIG系数为0.281且在5%水平下显著，表明本地数字经济能够显著促进邻近县区碳排放效率提高，即产生正向空间效应。
表3 长株潭都市圈数字经济对碳排放效率影响的空间效应回归结果

Tab. 3 Regression results of spatial effects of digital economy on carbon emission efficiency in the Changsha-Zhuzhou-Xiangtan metropolitan area

变量 lnCEE 变量 lnCEE
（1）未加二次项 （2）加入二次项 （1）未加二次项 （2）加入二次项
lnDIG 0.344***(0.055) 1.080(0.168) W×lnDIG 0.281**(0.121) -0.737(0.447)
lnDIG2 0.794(0.180) W×lnDIG2 0.994(0.488)
lnPGDP 0.058***(0.022) 0.030(0.023) W×lnPGDP 0.386***(0.058) 0.404***(0.076)
lnGOV -1.243***(0.189) -1.151***(0.139) W×lnGOV 1.486**(0.580) 1.795***(0.515)
lnCON 0.191***(0.056) 0.144***(0.054) W×lnCON 0.384**(0.152) 0.268*(0.144)
lnURB -0.177***(0.030) -0.105***(0.032) W×lnURB 0.034(0.078) -0.043(0.087)
lnIND 0.318***(0.065) 0.304***(0.058) W×lnIND 0.213(0.219) 0.032(0.196)
ρ 0.716***(0.109) 0.561***(0.110) sigma2_e 0.004***(0.000) 0.003***(0.000)
N 209 209 总效应 0.368***(0.074) 0.211(0.329)
R2 0.648 0.525 直接效应 0.341***(0.065) 1.230***(0.162)
Log-likelihood 282.498 308.133 间接效应 0.027***(0.093) -1.018***(0.273)
为更深入地研究长株潭都市圈数字经济对碳排放效率的空间效应，根据偏微分方程将数字经济对碳排放效率的空间效应分解为直接效应与间接效应，进一步探究数字经济对碳排放效率的本地效应和溢出效应。表3的效应分解结果显示，数字经济的直接效应估计系数为0.341，并在1%的水平下显著，表明数字经济能够有效地提高本地碳排放效率，这与基准回归的结论相同。同时，间接效应的估计系数为0.027也通过了1%的显著检验，表明数字经济对碳排放效率具有显著的正向空间效应，即本地数字经济发展水平的提升会对邻近县区碳排放效率产生正向溢出效应，结果验证假说2成立。数字经济发展提高了都市圈内知识和信息的传播性，实现创新要素和数字技术向外溢出，使得邻近县区通过获取大量数字资源发展本地数字经济，加快传统产业转型升级，提高能源资源利用效率，从而提升碳排放效率。从回归系数的大小来看，本地数字经济对本地碳排放效率的促进效应大于对邻近县区碳排放效率的效应。这是因为数字经济的空间溢出效应随着地理距离的增加而衰减，数字经济发展的红利难以辐射到距离核心增长极较远的县区。

5.3 稳健性检验

为进一步确保实证分析结果的稳健性，本文通过以下两个方面进行检验：① 缩短样本时间。将样本时间跨度调整为2013—2020年对OLS模型和空间杜宾模型进行回归，回归结果见表4。列（1）~（2）稳健性检验回归结果均与前文回归结果基本一致，说明结论较为稳健。② 替换权重矩阵。选取经济距离权重矩阵替换前文所用的空间邻接权重矩阵进行稳健性检验，再次对空间杜宾模型进行回归，表4列（3）回归结果显示替换权重矩阵后的检验结果与上文基本一致，说明结论较为稳健。
表4 稳健性检验

Tab. 4 Robust test

变量 缩短样本时间 替换权重矩阵
（1）OLS模型 （2）空间杜宾模型 （3）空间杜宾模型
lnDIG 0.509***(0.072) 0.339***(0.058) 0.554***(0.065)
W×lnDIG 0.272**(0.134) 0.031***(0.160)
ρ 0.702***(0.130) 0.356***(0.103)
控制变量 控制 控制 控制
N 152 152 209
R2 0.553 0.711 0.526

6 结论与启示

6.1 结论

本文重点分析了数字经济与碳排放效率的影响关系，运用SBM-DEA模型和熵权法测算长株潭都市圈19个县区2011—2021年的碳排放效率和数字经济发展水平，并分析二者的空间格局演变特征，构建OLS模型和空间杜宾模型检验长株潭都市圈数字经济对碳排放效率的影响及空间效应，为其他都市圈碳排放效率的研究提供了理论和现实经验。主要结论有：
（1）长株潭都市圈的数字经济发展水平和碳排放效率水平逐年提升，但在空间上均表现出“北高南低”的分布格局，县区间的发展差距仍较为悬殊。长沙市各县区数字经济发展水平提升速度的差距较大，其中岳麓区的发展优势最为明显，株洲市和湘潭市各县区的数字经济发展水平提升速度相对平稳；长株潭都市圈内各县区碳排放效率水平的提升速度相对较为稳定，尤其是2016年至2021年基本上未发生变化。
（2）长株潭都市圈的数字经济对碳排放效率始终产生显著的促进作用，加入一系列控制变量后这种促进作用更为明显；经济发展水平、社会消费需求、产业结构水平对碳排放效率表现出积极的促进作用，政府干预度、城镇化水平对碳排放效率的贡献显著为负。
（3）长株潭都市圈数字经济对碳排放效率的影响具有显著的正向空间溢出效应，且对本地碳排放效率的促进效应大于对邻近县区碳排放效率的效应。

6.2 政策启示

（1）实施差异化的数字经济发展策略。政府应结合长株潭都市圈各县区的资源禀赋和发展优势，有针对性地对高、低水平县区制定数字经济发展策略。充分发挥岳麓区数字经济发展龙头引领作用，将丰富的数字资源和成熟的数字技术向周边县区广泛深入渗透，加大财政补贴力度，扶持渌口区和醴陵市等数字经济发展水平较低的县区，缩小长株潭都市圈县区间的数字经济发展差距。
（2）探索促进碳排放效率提升的多维路径。重视经济发展、社会消费需求、产业结构水平等推动因素的积极影响，缓解政府干预、城镇化等抑制因素的消极影响，激活长株潭都市圈数字经济提升碳排放效率的强大动能。坚持以智能制造统领产业转型升级，发展科技创新型产业，支持本土企业加快数字化、智能化改造，提升碳排放效率。
（3）发挥数字经济的空间辐射效应。依托岳麓区世界计算·长沙智谷项目、国家超级计算长沙中心、人工智能创新中心，加快打造以岳麓区、开福区、天心区等为主的先进计算经济产业格局，加速数字产业生态集聚。拓展长株潭都市圈数字经济交流的深度与广度，发挥数字经济辐射效应。此外，大力推动高耗能行业能源数字化管控中心建设，在都市圈内创立联合统一的碳排放超标预警共享平台，打造数字化经济低碳圈。
总体而言，本文在一定程度上丰富和拓宽了数字经济与碳排放效率的研究内容，并对提高碳排放效率的政策制定提供了有益启发。但由于数字经济和碳排放效率理论的研究仍处于起步阶段，在概念界定、研究方法等方面尚未形成统一的观点，理论支撑仍有欠缺，同时受研究数据的可获取性的限制等现实问题，本文还存在一些有待加强的地方：构建评价指标体系时受县区层面数据可得性、可测度性等制约，数字经济的内涵可能未被充分地诠释，未来则可提高数据的可获得性，增加电子商务交易额、域名数、网民数、网站数等指标评价，更科学、全面地测度数字经济的发展。此外，在建立碳排放效率指标体系时使用替代数据，尽管验证了数据的可靠性，但不可避免对数据精度造成影响，如使用固定资产投资额代替资本投入，资本投入结构的差异和折旧率的变化并未考虑在内。随着获取数据的渠道和手段的增加，未来的研究可以从更全面、精确和客观的角度对评价指标和衡量数据进行细化处理。
关联数据信息：本文关联实体数据集已在国家地球系统科学数据中心出版，获取地址 https://www.geodata.cn/main/face_science_detail?id=65080&guid=72101013006770，DOI: 10.12041/geodata.72101013006770.ver1.db.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Qing Bingtao, Yu Yongwei, Ge Liming, et al. Smart carbon reduction: The effect and mechanism of digital economy development on urban carbon emissions. Journal of Guangdong University of Finance & Economics, 2023(3): 4-23.

[秦炳涛, 俞勇伟, 葛力铭, 等. 智慧降碳: 数字经济发展对城市碳排放影响的效应与机制. 广东财经大学报, 2023(3): 4-23.]

[2]
Wang Fang, Dong Zhanfeng. The impact of digital economy on carbon emissions in China: Empirical analysis based on provincial panel data. Reform, 2023(3): 76-90.

[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. 改革, 2023(3): 76-90.]

[3]
Wang Shaojian, Xie Zihan, Wang Zehong. The spatiotemporal pattern evolution and influencing factors of CO2 emissions at the county level of China. Acta Geographica Sinica, 2021, 76(12): 3103-3118.

DOI

[王少剑, 谢紫寒, 王泽宏. 中国县域碳排放的时空演变及影响因素. 地理学报, 2021, 76(12): 3103-3118.]

DOI

[4]
Bhujabal P, Sethi N, Padhan P C. ICT, foreign direct investment and environmental pollution in major Asia Pacific countries. Environmental Science and Pollution Research, 2021(5): 1-12.

[5]
Xu Weixiang, Zhou Jianping, Liu Chengjun. The impact of digital economy on urban carbon emissions: Based on the analysis of spatial effects. Geographical Research, 2022, 41(1): 111-129.

[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. 地理研究, 2022, 41(1): 111-129.]

DOI

[6]
Shobande O A. Decomposing the persistent and transitory effect of information and communication technology on environmental impacts assessment in Africa: Evidence from Mundlak Specification. Sustainability, 2021, 13(9): 46-83.

[7]
Yang Gangqiang, Wang Haisen, Fan Hengshan, et al. Carbon reduction effect of digital economy: Theoretical analysis and empirical evidence. China Industrial Economics, 2023(5): 80-98.

[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. 中国工业经济, 2023(5): 80-98.]

[8]
Miao Lujun, Chen Jing, Fan Tianzheng, et al. The impact of digital economy development on carbon emission: A panel data analysis of 278 prefecture-level cities. South China Finance, 2022(2): 45-57.

[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. 南方金融, 2022(2): 45-57.]

[9]
Salahuddin M, Alam K. Internet usage, electricity consumption and economic growth in Australia: A time series evidence. Telematics and Informatics, 2015, 32(4): 862-878.

[10]
Li X, Liu J, Ni P. The impact of the digital economy on CO2 emissions: A theoretical and empirical analysis. Sustainability, 2021, 13(13): 1-15.

[11]
Higón D A, Gholami R, Shirazi F. ICT and environmental sustainability: A global perspective. Telematics and Informatics, 2017, 34(4): 85-95.

[12]
Jin Fei, Xu Changle. Research on the nonlinear impact of digital economy development on carbon emissions. Modern Economic Research, 2022, 491(11): 14-23.

[金飞, 徐长乐. 数字经济发展对碳排放的非线性影响研究. 现代经济探讨, 2022, 491(11): 14-23.]

[13]
Li Zhiguo, Wang Jie. How does the digital economy affect spatial carbon emissions under economic agglomeration? Journal of Xi'an Jiaotong University (Social Sciences), 2022, 42(5): 87-97.

[李治国, 王杰. 经济集聚背景下数字经济发展如何影响空间碳排放? 西安交通大学学报(社会科学版), 2022, 42(5): 87-97.]

[14]
Song M, Zhao X, Shang Y. The impact of low-carbon city construction on ecological efficiency: Empirical evidence from quasi-natural experiments. Resources, Conservation and Recycling, 2020, 157: 104777. DOI:10.1016/j.resconrec.2020.104777.

[15]
Dong Xin, Zhang Zhaohui. Digital economy, urban spatial structure and carbon emissions efficiency. Urban Problems, 2023(8): 15-25.

[董昕, 张朝辉. 数字经济、城市空间结构与碳排放效率. 城市问题, 2023(8): 15-25.]

[16]
Zhang Liangliang, Liu Xiaofeng, Chen Zhi. Strategic thinking on the development of China's digital economy. Modern Management Science, 2018(5): 90-92.

[张亮亮, 刘小凤, 陈志. 中国数字经济发展的战略思考. 现代管理科学, 2018(5): 90-92.]

[17]
Ma Zhongdong, Ning Chaoshan. Digital economy, factor allocation and quality upgrading of manufacturing industry. Reform of Economic System, 2020(3): 24-30.

[马中东, 宁朝山. 数字经济、 要素配置与制造业质量升级. 经济体制改革, 2020(3): 24-30.]

[18]
Li Wei. Underlying theoretical logic of digital economy development, developed countries' strategies and China's response. China Soft Science, 2023, 389(5): 216-224.

[李伟. 数字经济发展的底层理论逻辑、发达国家战略部署及我国应对. 中国软科学, 2023, 389(5): 216-224.]

[19]
Feng Langang, Yang Wenli, Wang Zhong, et al. Digital economy and urban carbon emission intensity in China: Spatio-temporal evolution and mechanisms. China population, Resources and Environment, 2023, 33(1): 150-160.

[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. 中国人口·资源与环境, 2023, 33(1): 150-160.]

[20]
Song Deyong, Li Chao, Li Xiangyou. Does the construction of new infrastructure promote the 'quantit' and 'quality' of green technological innovation. China Population, Resources and Environment, 2021, 31(11): 155-164.

[宋德勇, 李超, 李项佑. 新型基础设施建设是否促进了绿色技术创新的“量质齐升”: 来自国家智慧城市试点的证据. 中国人口·资源与环境, 2021, 31(11): 155-164.]

[21]
Wang Shuailong. Digital economy development for urban carbon emission: 'Accelerator' or 'speed bump'. China population, Resources and Environment, 2023, 33(6): 11-22.

[王帅龙. 数字经济之于城市碳排放: “加速器”抑或“减速带”? 中国人口·资源与环境, 2023, 33(6): 11-22.]

[22]
Pradhan R P, Arvin M B, Nair M, et al. Sustainable economic growth in the European Union: The role of ICT, venture capital, and innovation. Review of financial economics, 2020, 38(1): 34-62.

[23]
Xie Yunfei. The effect and mechanism of digital economy on regional carbon emission intensity. Contemporary Economic Management, 2022, 44(2): 68-78.

[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. 当代经济管理, 2022, 44(2): 68-78.]

[24]
Wang Junhao, Zhou Shengjia. The current situation, characteristics and spillover effect of the development of digital industry in China. Journal of Quantitative & Technological Economics, 2021, 38(3): 103-119.

[王俊豪, 周晟佳. 中国数字产业发展的现状、特征及其溢出效应. 数量经济技术经济研究, 2021, 38(3): 103-119.]

[25]
Li Xiaohua. New features and the formation mechanism of new growth drivers of digital economy. Reform, 2019(11): 40-51.

[李晓华. 数字经济新特征与数字经济新动能的形成机制. 改革, 2019(11): 40-51.]

[26]
Zeng Gang, Shang Yongmin, Si Yuefang. The convergent evolution of China's regional economic development models. Geographical Research, 2015, 34(11): 2005-2020.

[曾刚, 尚勇敏, 司月芳. 中国区域经济发展模式的趋同演化: 以中国16种典型模式为例. 地理研究, 2015, 34(11): 2005-2020.]

DOI

[27]
Guo Bingnan, Wang Yu, Zhang Hao. Does digital economy improve urban air quality: Quasi natural experiment based on National Big Data Comprehensive Pilot Zone. Journal of Guangdong University of Finance & Economics, 2022, 37(1): 58-74.

[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. 广东财经大学学报, 2022, 37(1): 58-74.]

[28]
Lu Yuxiu, Fang Xingming, Zhang Anquan. Digital economy, spatial spillover and high-quality development of urban economy. Economic Survey, 2021, 38(6): 21-31.

[鲁玉秀, 方行明, 张安全. 数字经济、空间溢出与城市经济高质量发展. 经济经纬, 2021, 38(6): 21-31.]

[29]
Peng Wenbin, Su Xinyi, Yang Shengsu, et al. Spatiotemporal evolution and spillover effects of urban green innovation under environmental regulation. Scientia Geographica Sinica, 2023, 43(1): 41-49.

DOI

[彭文斌, 苏欣怡, 杨胜苏, 等. 环境规制视角下城市绿色创新时空演变及溢出效应. 地理科学, 2023, 43(1): 41-49.]

DOI

[30]
Wang Shaojian, Gao Shuang, Huang Yongyuan, et al. Spatio-temporal evolution and trend prediction of urban carbon emission performance in China based on super-efficiency SBM model. Acta Geographica Sinica, 2020, 75(6): 1316-1330.

DOI

[王少剑, 高爽, 黄永源, 等. 基于超效率SBM模型的中国城市碳排放绩效时空演变格局及预测. 地理学报, 2020, 75(6): 1316-1330.]

DOI

[31]
Li Shuoshuo, Li Ruzi, Liu Yaobin, et al. Impact of urbanization on carbon balance in the Poyang Lake region. Geographical Research, 2023, 42(8): 2245-2263.

[李硕硕, 李汝资, 刘耀彬, 等. 环鄱阳湖区县域城镇化对碳收支平衡的影响. 地理研究, 2023, 42(8): 2245-2263.]

[32]
Zhao Tao, Zhang Zhi, Liang Shangkun. Digital economy, entrepreneurship, and high-quality economic development: Empirical evidence from urban China. Journal of Management World, 2020, 36(10): 65-76.

[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. 管理世界, 2020, 36(10): 65-76.]

[33]
Bai Peiwen, Zhang Yun. Digital economy, declining demographic dividends and the rights and interests of low-and medium-skilled labor. Economic Research Journal, 2021, 56(5): 91-108.

[柏培文, 张云. 数字经济、人口红利下降与中低技能劳动者权益. 经济研究, 2021, 56(5): 91-108.]

[34]
Jiang Wei, Gong Sihao, Li Xitao. Robot shock, capital-embodied technological progress and carbon reduction of manufacturing sector: Theoretical analysis and empirical evidence from China. China Industrial Economics, 2022, 415(10): 24-42.

[蒋为, 龚思豪, 李锡涛. 机器人冲击、资本体现式技术进步与制造业碳减排: 理论分析及中国的经验证据. 中国工业经济, 2022, 415(10): 24-42.]

[35]
Wang Zheng, Fan Jie. The characteristics and prospect of influencing factors of energy-related carbon emissions: Based on literature review. Geographical Research, 2022, 41(10): 2587-2599.

[王正, 樊杰. 能源消费碳排放的影响因素特征及研究展望. 地理研究, 2022, 41(10): 2587-2599.]

DOI

[36]
Wang Kai, Guan Yue, Gan Chang, et al. Spatial effect of new-type urbanization on tourism carbon emission efficiency in China. Resources and Environment in the Yangtze Basin, 2023, 32(3): 582-595.

[王凯, 关锐, 甘畅, 等. 中国新型城镇化水平对旅游业碳排放效率的空间效应. 长江流域资源与环境, 2023, 32(3): 582-595.]

[37]
Yang Xin, Zhao Shouguo. Low-carbon emission reduction effect of digital economy empowering regional green development. Research on Economics and Management, 2022, 43(12): 85-100.

[杨昕, 赵守国. 数字经济赋能区域绿色发展的低碳减排效应. 经济与管理研究, 2022, 43(12): 85-100.]

[38]
Wang Shaojian, Su Yongxian, Zhao Yabo. Regional inequality, spatial spillover effects and influencing factors of China's city-level energy-related carbon emissions. Acta Geographica Sinica, 2018, 73(3): 414-428.

DOI

[王少剑, 苏泳娴, 赵亚博. 中国城市能源消费碳排放的区域差异、空间溢出效应及影响因素. 地理学报, 2018, 73(3): 414-428.]

DOI

[39]
Zhou Bin, Liu Tingting. Regional environmental governance pressure, economic development level and carbon neutral performance. Journal of Quantitative & Technological Economics, 2022, 39(8): 100-118.

[周兵, 刘婷婷. 区域环境治理压力、经济发展水平与碳中和绩效. 数量经济技术经济研究, 2022, 39(8): 100-118.]

[40]
Zhao Xiaochun, Long Laichun, Zhou Ying. Green finance, government intervention, and regional carbon emission efficiency. Statistics & Decision, 2023, 39(10): 149-154.

[赵晓春, 龙来春, 周瑛. 绿色金融、政府干预与区域碳排放效率. 统计与决策, 2023, 39(10): 149-154.]

[41]
Li Zaijun, Yin Shanggang, Jiang Youxue. Analysis of allometric relationship and formation mechanism between economic growth and carbon emissions in the Yangtze River Delta. Journal of Natural Resources, 2022, 37(6): 1507-1523.

DOI

[李在军, 尹上岗, 姜友雪, 等. 长三角经济增长与碳排放异速关系及形成机制. 自然资源学报, 2022, 37(6): 1507-1523.]

DOI

[42]
Tong Yun, Liu Haimeng, Ma Yong, et al. The influence and spatial spillover effects of tourism economy on urban green development in China. Acta Geographica Sinica, 2021, 76(10): 2504-2521.

DOI

[童昀, 刘海猛, 马勇, 等. 中国旅游经济对城市绿色发展的影响及空间溢出效应. 地理学报, 2021, 76(10): 2504-2521.]

DOI

Options
文章导航

/

〈 〉