數(shù)字經(jīng)濟發(fā)展對城市碳排放效率的影響

摘 要：發(fā)展數(shù)字經(jīng)濟是提升城市碳排放效率的重要途徑。基于2011-2022年中國274 個城市的相關數(shù)據(jù)，本文采用非期望產(chǎn)出的超效率 SBM 模型、雙重機器學習等方法，以“國家大數(shù)據(jù)綜合試驗區(qū)”試點政策作為準自然實驗，探討數(shù)字經(jīng)濟發(fā)展對城市碳排放效率的影響及共傳導機制。研究表明，數(shù)字經(jīng)濟發(fā)展能夠顯著提升城市碳排放效率;在傳導機制上，數(shù)字經(jīng)濟發(fā)展可以通過產(chǎn)業(yè)結構開級、綠色技術創(chuàng)新提升城市碳排放效率;異質(zhì)性分析表明，在不同類型的試驗區(qū)和資源察賦不同的城市，數(shù)字經(jīng)濟發(fā)展對碳排放效率的影響存在差異。

關鍵詞：數(shù)字經(jīng)濟發(fā)展;城市碳排放效率;國家大數(shù)據(jù)綜合試驗區(qū)

中圖分類號：F49;F121.3;X321文獻標識碼：A文章編號：1001-148X（2025）03-0085-09

一、引 言

數(shù)字經(jīng)濟是推動經(jīng)濟增長和社會進步的新型經(jīng)濟形態(tài)。根據(jù)《中國數(shù)字經(jīng)濟發(fā)展報告（2023）》顯示，數(shù)字經(jīng)濟的規(guī)模已達到53.9萬億元，占GDP的比重超過了42%。這一現(xiàn)象不僅反映了

式（1）中，CEE表示城市碳排放效率;n為決策單元個數(shù)，即國家大數(shù)據(jù)綜合試驗區(qū)274個典型城市，每個城市都包含m個投入變量、P，個期望產(chǎn)出和P;個非期望產(chǎn)出變量;x、，和）\"分別表示投人矩陣中的相應元素、期望產(chǎn)出矩陣和非期望產(chǎn)出矩陣。

2.雙重機器學習模型

由于采用雙重差分模型等因果推斷方法評估政策效果，存在樣本數(shù)據(jù)難以滿足平行趨勢檢驗要求等前提條件，從而導致有偏的估計結果?，F(xiàn)有研究中的傳統(tǒng)參數(shù)和非參數(shù)方法往往面臨多重挑戰(zhàn)：參數(shù)模型易受遺漏變量干擾且依賴嚴格的函數(shù)形式假設，而非參數(shù)方法則存在高維數(shù)據(jù)詛咒和正則化偏差等局限。針對這些問題，Chermozhuk-ow 等]創(chuàng)新性地構建了雙重機器學習框架，該模型通過整合內(nèi)曼正交化技術與交叉驗證策略，顯苦降低了模型設定偏誤，確保參數(shù)估計具備一致性、漸進正態(tài)性及有效性等理想統(tǒng)計特性。因此，本文以“國家大數(shù)據(jù)綜合試驗區(qū)”試點政策為政策虛擬變量，采用雙重機器學習模型分析數(shù)字經(jīng)濟發(fā)展對城市碳排放效率的影響。

雙重機器學習的核心思想是將因果推斷問題分解為兩個獨立的預測步驟，利用機器學習算法來提高因果效應估計的準確性和穩(wěn)健性。首先，使用控制變量集預測被解釋變量，得到預測殘差，去除由控制變量解釋的部分。接著，使用同樣的控制變量集預測解釋變量，得到其殘差，去除控制變量的影響。最后，通過回歸分析中的兩個殘差估計解釋變量和被解釋變量的因果效應。本文構建的基

數(shù)字技術在中國各行業(yè)中的廣泛應用，也凸顯了數(shù)字經(jīng)濟對資源配置、生產(chǎn)效率和消費模式的深刻影響。然而，在中國經(jīng)濟數(shù)字化轉(zhuǎn)型發(fā)展的同時，由于人口規(guī)模大，經(jīng)濟增長的能源依存度高，經(jīng)濟發(fā)展面臨著環(huán)境污染、節(jié)能減排等挑戰(zhàn)。中國于2020年9月召開的聯(lián)合國大會第七十五屆會議上承諾，將力爭二氧化碳排放在2030年前達到峰值，并爭取在2060年實現(xiàn)碳中和。數(shù)字經(jīng)濟發(fā)展有助于推動中國企業(yè)生產(chǎn)活動和社會經(jīng)濟環(huán)境發(fā)生根本性變化，是實現(xiàn)“碳達峰”和“碳中和”目標的重要途徑。黨的二十大報告指出，要加速數(shù)字中國建設、特別是要推動互聯(lián)網(wǎng)、大數(shù)據(jù)和人工智能與傳統(tǒng)經(jīng)濟的深度融合，在節(jié)能環(huán)保、綠色低碳等領域培育新的經(jīng)濟增長點。國家大數(shù)據(jù)綜合試驗區(qū)作為數(shù)字經(jīng)濟發(fā)展的重要試驗場，對推動中國數(shù)字經(jīng)濟發(fā)展與低碳減排具有重要意義。2015年9月，國務院出臺《促進大數(shù)據(jù)發(fā)展行動綱要》，明確支持貴州等地建設大數(shù)據(jù)綜合試驗區(qū)。2016年2月，貴州獲批成為首個國家級大數(shù)據(jù)綜合試驗區(qū);同年10月，第二批試點地區(qū)公布，包括京津冀、長三角、珠三角及東北、中西部等多個省市。這些試驗區(qū)的設立旨在整合基礎設施資源，培育大數(shù)據(jù)產(chǎn)業(yè)集群，帶動區(qū)域創(chuàng)新升級，推動數(shù)字經(jīng)濟與實體經(jīng)濟的深度融合，以實現(xiàn)經(jīng)濟高質(zhì)量發(fā)展。可見，國家大數(shù)據(jù)綜合試驗區(qū)作為試點政策，為數(shù)字經(jīng)濟發(fā)展提供了良好環(huán)境，也為城市碳排放管理帶來了新的機遇。

本文以國家大數(shù)據(jù)綜合試驗區(qū)政策作為代理變量，探討數(shù)字經(jīng)濟發(fā)展對碳排放效率的影響及其傳導機制，采用非期望產(chǎn)出的超效率 SBM 模型計算 2011-2022 年中國 274 個城市的碳排放效率，以“國家大數(shù)據(jù)綜合試驗區(qū)”政策作為準自然實驗場景，采用雙重機器學習方法實證分析數(shù)字經(jīng)濟發(fā)展對碳排放效率的作用機制。相較于已有文獻，本研究的創(chuàng)新價值主要體現(xiàn)在：首先，在研究方法上引人雙重機器學習技術進行政策效應評估，充分發(fā)揮其模型適應性強和檢驗穩(wěn)健性高的優(yōu)勢從而提升研究結論的可信度。二是在試驗區(qū)虛擬變量選取范圍上，已有研究通常將國家大數(shù)據(jù)綜合試驗區(qū)所在省份的全部城市視為處理組，忽略了部分城市在發(fā)展規(guī)劃和政策執(zhí)行上參與程度較低的實際情況。本文擬在考察各試驗區(qū)政策、發(fā)展思路和相關產(chǎn)業(yè)發(fā)展等因素基礎上，篩選33個典型城市作為有效處理組，從而可提高雙重機器學習模型回歸結果的準確性。三是在運用因果中介效應模型進行機制檢驗方面，本文定性分析數(shù)字經(jīng)濟發(fā)展對城市碳排放效率影響的傳導路徑，然后通過實證驗證數(shù)字經(jīng)濟發(fā)展通過促進產(chǎn)業(yè)結構升級和推動綠色技術創(chuàng)新這兩條中介路徑，實現(xiàn)提高能源利用效率與減少碳排放的雙重效果，拓寬了數(shù)字經(jīng)濟發(fā)展對城市碳排放效率影響的研究深度。

二、理論分析與研究假設

（一）數(shù)字經(jīng)濟發(fā)展對碳排放效率的直接影響

發(fā)展數(shù)字經(jīng)濟是提升生態(tài)環(huán)境效益的重要途徑。數(shù)字經(jīng)濟發(fā)展對碳排放效率的直接影響主要體現(xiàn)在以下兩個方面：一是降低碳排放總量，二是提高能源使用效率四。這兩個方面均有助于提升碳排放效率。具體而言，在降低碳排放總量上，數(shù)寧經(jīng)濟發(fā)展尤其是國家大數(shù)據(jù)綜合試驗區(qū)政策的實施，有助于激勵企業(yè)應用大數(shù)據(jù)技術，通過深耕大數(shù)據(jù)產(chǎn)業(yè)，企業(yè)能夠?qū)崿F(xiàn)對碳排放數(shù)據(jù)的精準監(jiān)測，幫助政府和企業(yè)實時掌握碳排放狀況，從而制定更科學的碳減排措施。在提高能源使用效率上，數(shù)字經(jīng)濟與傳統(tǒng)經(jīng)濟的融合有助于傳統(tǒng)企業(yè)降低生產(chǎn)成本，實現(xiàn)規(guī)模經(jīng)濟。在國家大數(shù)據(jù)綜合試驗區(qū)內(nèi)，企業(yè)通過引人先進的制造技術，如機器人和人工智能技術，能夠提高生產(chǎn)效率，減少資源浪費和能源消耗。試驗區(qū)內(nèi)企業(yè)之間數(shù)據(jù)共享與生產(chǎn)協(xié)作有助于推動綠色技術創(chuàng)新和可再生能源應用，促進低碳經(jīng)濟的發(fā)展，從而提高碳排放效率?；诖耍疚奶岢鋈缦录僭O：

H1：數(shù)字經(jīng)濟發(fā)展有利于提高碳排放效率。

（二）數(shù)字經(jīng)濟發(fā)展對碳排放效率的間接影響

1.數(shù)字經(jīng)濟發(fā)展通過產(chǎn)業(yè)結構升級對碳排放效率的間接影響

數(shù)字經(jīng)濟作為互聯(lián)網(wǎng)技術的產(chǎn)物，主要從數(shù)字產(chǎn)業(yè)化和產(chǎn)業(yè)數(shù)字化兩個方面影響產(chǎn)業(yè)結構升級9。數(shù)字產(chǎn)業(yè)化主要是指信息技術的應用，促進新興產(chǎn)業(yè)的發(fā)展，包括電子信息制造、信息通信、軟件和T服務業(yè)以及互聯(lián)網(wǎng)產(chǎn)業(yè)等。這些產(chǎn)業(yè)以數(shù)字技術為驅(qū)動、以數(shù)據(jù)為生產(chǎn)要素，其快速發(fā)展能夠促進產(chǎn)業(yè)結構向更技術密集的方向演進。產(chǎn)業(yè)數(shù)字化是將傳統(tǒng)產(chǎn)業(yè)與數(shù)字技術深度融合，通過在生產(chǎn)和運營中應用數(shù)字技術，助力傳統(tǒng)產(chǎn)業(yè)實現(xiàn)轉(zhuǎn)型與升級。產(chǎn)業(yè)結構升級可分為產(chǎn)業(yè)結構合理化與高級化兩個層面”。產(chǎn)業(yè)結構合理化的目標在于優(yōu)化生產(chǎn)要素配置，促進各產(chǎn)業(yè)協(xié)調(diào)發(fā)展，而產(chǎn)業(yè)結構高級化則是產(chǎn)業(yè)升級的最終目標。產(chǎn)業(yè)結構升級對碳排放效率的影響主要有：第一，不同產(chǎn)業(yè)對能源的需求存在差異，且各種能源的碳排放效率不同，這導致了生產(chǎn)過程中碳排放量的差異，產(chǎn)業(yè)結構升級有助于增加服務業(yè)的比重，推動經(jīng)濟結構向低能耗產(chǎn)業(yè)的轉(zhuǎn)型。第二，產(chǎn)業(yè)結構升級將推動清潔能源的使用，有利于清潔能源的開發(fā)和應用，促進能源消費結構的優(yōu)化。第三，產(chǎn)業(yè)結構升級可實現(xiàn)產(chǎn)業(yè)間生產(chǎn)資源的自由流動，有助于資源的有效配置，使得資本、勞動等要素高效地集中到企業(yè)，加速企業(yè)的綠色創(chuàng)新和可持續(xù)發(fā)展?；诖耍疚奶岢鋈缦录僭O：

H2：數(shù)字經(jīng)濟發(fā)展有助于推動產(chǎn)業(yè)結構升級，從而提高碳排放效率。

2.數(shù)字經(jīng)濟發(fā)展通過綠色技術創(chuàng)新對碳排放效率的間接影響

數(shù)字經(jīng)濟發(fā)展有助于推動企業(yè)綠色技術創(chuàng)新數(shù)字經(jīng)濟的推進為企業(yè)提升產(chǎn)品全生命周期的節(jié)能環(huán)保水平創(chuàng)造了技術條件，助力于企業(yè)進行設備更新和智能化升級，進而推動綠色技術的創(chuàng)新發(fā)展，從而提高了生產(chǎn)效率，降低能源消耗四。特別是國家大數(shù)據(jù)綜合試驗區(qū)政策的實施，包括共享和開放數(shù)據(jù)資源、培養(yǎng)大數(shù)據(jù)人才以及推動國際合作等，營造了良好的人才聚集和技術創(chuàng)新環(huán)境，有助于企業(yè)運用綠色技術，優(yōu)化生產(chǎn)工藝，降低城市碳排放水平。具體而言，綠色技術創(chuàng)新能夠從三個層面提升碳排放效率：一是有助于優(yōu)化生產(chǎn)工藝，提升能源使用效率，降低每單位產(chǎn)出的碳排放量。二是有助于推動清潔能源的技術突破與商業(yè)化進程，優(yōu)化能源供給體系與消費模式。三是有助于提升碳排放處理技術，以更低的成本捕獲、儲存和利用二氧化碳”?；诖?，本文提出如下假設：

H3：數(shù)字經(jīng)濟發(fā)展有助于促進綠色技術創(chuàng)新，從而提高碳排放效率。

三、研究設計

（一）模型設定

1.非期望產(chǎn)出的超效率 SBM 模型

相較于傳統(tǒng)的數(shù)據(jù)包絡分析（DEA）方法，SBM 模型納人了生產(chǎn)過程中的非期望產(chǎn)出，即副產(chǎn)品C0，使得變量測度更符合實際情況，因此，在碳排放效率1、科技創(chuàng)新效率！]和綠色經(jīng)濟效率“等領域的測度研究中，非期望產(chǎn)出的超效率 SBM 模型得到了廣泛應用。鑒于此，本文參考相關研究[”，采用非期望產(chǎn)出的超效率 SBM 模型測算城市碳排放效率。具體計算公式如下

式（1）中，CEE表示城市碳排放效率;n為決策單元個數(shù)，即國家大數(shù)據(jù)綜合試驗區(qū)274個典型城市，每個城市都包含m個投入變量、P，個期望產(chǎn)出和P;個非期望產(chǎn)出變量;x、，和）\"分別表示投人矩陣中的相應元素、期望產(chǎn)出矩陣和非期望產(chǎn)出矩陣。

2.雙重機器學習模型

由于采用雙重差分模型等因果推斷方法評估政策效果，存在樣本數(shù)據(jù)難以滿足平行趨勢檢驗要求等前提條件，從而導致有偏的估計結果?，F(xiàn)有研究中的傳統(tǒng)參數(shù)和非參數(shù)方法往往面臨多重挑戰(zhàn)：參數(shù)模型易受遺漏變量干擾且依賴嚴格的函數(shù)形式假設，而非參數(shù)方法則存在高維數(shù)據(jù)詛咒和正則化偏差等局限。針對這些問題，Chermozhuk-ow 等]創(chuàng)新性地構建了雙重機器學習框架，該模型通過整合內(nèi)曼正交化技術與交叉驗證策略，顯苦降低了模型設定偏誤，確保參數(shù)估計具備一致性、漸進正態(tài)性及有效性等理想統(tǒng)計特性。因此，本文以“國家大數(shù)據(jù)綜合試驗區(qū)”試點政策為政策虛擬變量，采用雙重機器學習模型分析數(shù)字經(jīng)濟發(fā)展對城市碳排放效率的影響。

雙重機器學習的核心思想是將因果推斷問題分解為兩個獨立的預測步驟，利用機器學習算法來提高因果效應估計的準確性和穩(wěn)健性。首先，使用控制變量集預測被解釋變量，得到預測殘差，去除由控制變量解釋的部分。接著，使用同樣的控制變量集預測解釋變量，得到其殘差，去除控制變量的影響。最后，通過回歸分析中的兩個殘差估計解釋變量和被解釋變量的因果效應。本文構建的基于雙重機器學習的部分線性模型如下：

式（2）和（3）中，CEE.，表示被解釋變量，即城市碳排放效率，i為城市，為年份;Pdlicy..為解釋變量，即“國家大數(shù)據(jù)綜合試驗區(qū)”政策虛擬變量代替數(shù)字經(jīng)濟發(fā)展變量，設置為國家大數(shù)據(jù)綜合試驗區(qū)的城市為1，否則為0;0為政策虛擬變量的回歸系數(shù)，用于量化國家大數(shù)據(jù)綜合試驗區(qū)試點政策對城市碳排放效率的影響效應;X，表示可能影響被解釋變量的其他控制變量集合;g（X）表示被解釋變量對控制變量的回歸函數(shù)，需借助機器學習模型估計具體形式;0。表示隨機擾動項，且條件均值為0。對式（2）和式（3）進行估計，得到國家大數(shù)據(jù)綜合試驗區(qū)試點政策變量的估計系數(shù)如下

式（4）中，n代表樣本量。為提升模型收斂速度，并確保在樣本量較小的情況下，解釋變量的估計系數(shù)滿足無偏性，本文構建輔助回歸函數(shù)如下：

式（5）中，m（X，）表示解釋變量對控制變量的回歸函數(shù)，并借助機器學習模型估計其具體形式。式（6）中，，表示隨機擾動項，且條件均值為0。具體操作過程為：首先，采用機器學習算法估計輔助回歸（X），取其殘差i.= Pohgy...-m（X.）;其次，采用機器學習算法估計g（X.），將主回歸形式改變?yōu)?CEE..-X..）= 0Poligy..+U..;最后，將，作為 Pohey.，的工具變量進行回歸，獲得無偏的系數(shù)估計量如下：

式（7）中，變量符號與上文一致。

城市碳排放效率受數(shù)字經(jīng)濟發(fā)展影響，且在不同城市和不同發(fā)展階段呈現(xiàn)異質(zhì)性特征。鑒于數(shù)字經(jīng)濟發(fā)展對城市碳排放效率存在這種異質(zhì)性影響，本文根據(jù) Chermozhukov 等[]的研究，構建更具一般性的交互式模型如下

式（8）一式（11）中，變量符號與上文一致，相關參數(shù)的估計方法與上文式（2）一式（7）雙重機器學習的部分線性模型一致。

3.因果中介效應模型

由于國家大數(shù)據(jù)綜合試驗區(qū)的設立可從多個維度推動數(shù)字經(jīng)濟發(fā)展，本文以“國家大數(shù)據(jù)綜合試驗區(qū)”試點政策代表數(shù)字經(jīng)濟發(fā)展，探討其對城市碳排放效率的間接影響，即中介傳導機制。本研究針對傳統(tǒng)中介效應分析方法的局限性進行了模型改進。傳統(tǒng)三步法由于存在內(nèi)生性偏誤，難以準確識別變量間的因果中介路徑。為此，本研究采用反事實因果推斷框架，建立了更普適的因果中介分析模型。該模型通過效應分解技術，將總效應區(qū)分為兩個部分：經(jīng)由中介變量傳遞的間接效應，以及獨立于中介路徑的直接效應。具體而言，因果中介效應分析中的中介因素取決于處置狀態(tài)d，被解釋變量Y同時取決于中介因素和處置狀態(tài)d，因此，直接效應。在處置狀態(tài)d變更后由個體中介因素狀態(tài)M（d）決定;間接效應8在中介因素狀態(tài)M（d）變更后由個體處置狀態(tài)d決定直接效應@和間接效應8和總效應分別表示如下

式（12）中，為總效應的分解公式，將總效應Δ表示為兩種不同組合形式：其一為處置組直接效應0（1）與自然間接效應8（0）之和，其二為自然直接效應0（0）與處置組間接效應8（1）之和。這種雙重分解方式為揭示因果機制提供了更全面的分析視角。

（二）變量選取

1.被解釋變量

城市碳排放效率（CEE）。本文參考劉文發(fā)和陸學峰（2024）]的研究方法，采用非期望產(chǎn)出的超效率 SBM模型測算城市碳排放效率。在模型中選取碳排放效率的投入變量為勞動、資本和能源。勞動投人以城市就業(yè)人數(shù)衡量：資本投入用定資產(chǎn)存量衡量;能源投人以城市總能源消耗量衡量。模型的期望產(chǎn)出為城市的實際GDP，非期望產(chǎn)出為城市C0，排放量。對于“城市C0，排放量”的測算，本文參考吳建新和郭智勇（2016）（1的研究成果，包括了城市煤氣、波化氣等直接能源以及電能和熱能所產(chǎn)生的碳排放的核算。

2.解釋變量

國家大數(shù)據(jù)綜合試驗區(qū)（Policy）為數(shù)字經(jīng)濟發(fā)展水平的代理變量。為推進大數(shù)據(jù)綜合試驗區(qū)建設，國務院于2015年8月發(fā)布了《促進大數(shù)據(jù)發(fā)展行動綱要》。2015年9月中國首個國家級大數(shù)據(jù)綜合試驗區(qū)在貴州啟動，2016年10月北京、天津和河北等地區(qū)被納人第二批國家大數(shù)據(jù)綜合試驗區(qū)。鑒于兩批試驗區(qū)獲批時間的差異和政策的滯后性，已有文獻通常以 2016年作為第一批試驗區(qū)的起始年份，并將2017年作為第二批試驗區(qū)的起始年份。本文考慮到國家大數(shù)據(jù)綜合試驗區(qū)建設的實際進度而非局限于批復時間，將第一批試驗區(qū)的起始年份定為2015年，第二批試驗區(qū)的起始年份定為2017年。根據(jù)各城市成為大數(shù)據(jù)綜合試驗區(qū)的時間對虛擬變量進行賦值，若其開始設為國家大數(shù)據(jù)綜合試驗區(qū)，賦值為1，否則為0值得注意的是，現(xiàn)有研究通常直接將獲批試驗區(qū)省份內(nèi)所有城市均賦值為1，而忽略省內(nèi)城市在響應政策和發(fā)展規(guī)劃上的差異。因此，本文參考張自然和何競（2024）的研究思路，從各城市政策發(fā)展思路和相關產(chǎn)業(yè)發(fā)展三個因素識別出33個城市作為有效處理組，具體城市分布如表1所示。

3.控制變量

為準確評估數(shù)字經(jīng)濟發(fā)展對城市碳排放效率的影響，并降低因遺漏變量導致的估計誤差，本文在模型中引人以下四個控制變量。政府干預（Gom）：以地方財政科技支出與地方財政一般預算支出的比例衡量;經(jīng)濟發(fā)展水平（PGDP）：以人均地區(qū)生產(chǎn)總值的對數(shù)形式衡量;建成區(qū)綠化覆蓋率（Green）以城市建成區(qū)綠化覆蓋面積與建成區(qū)總面積的比例衡量;金融發(fā)展（Fin）：采用金融機構信貸規(guī)模占CDP比重作為金融發(fā)展的代理指標?？紤]到樣本容量的限制，為增強模型估計精度，在雙重機器學習框架下同時納人控制變量的線性項和二次項。

4.中介變量

（1）產(chǎn)業(yè)結構升級（1S）。產(chǎn)業(yè)結構是指產(chǎn)業(yè)從較低層次向較高層次轉(zhuǎn)變的過程。根據(jù)配第-克拉克定律，隨著經(jīng)濟的發(fā)展，勞動力會逐步從第一產(chǎn)業(yè)轉(zhuǎn)向第二和第三產(chǎn)業(yè)。參考汪偉等（2015）[]的研究，本文通過計算第一、第二和第三產(chǎn)業(yè)的加權比重，推導出產(chǎn)業(yè)結構層次系數(shù)，該系數(shù)的數(shù)值越高，表示產(chǎn)業(yè)結構的升級程度越高。具體的計算公式如下

式（13）中，9，表示第i個產(chǎn)業(yè)的產(chǎn)值比重。

（2）綠色技術創(chuàng)新（GP）：現(xiàn)有研究普遍使用綠色專利授權量作為衡量指標，但考慮到專利審查流程的時滯性，授權數(shù)據(jù)往往難以實時反映創(chuàng)新動態(tài)?；诖耍疚膭?chuàng)新性地采用綠色專利申請量占總專利申請量的比重作為代理變量，該指標能夠更及時、準確地捕捉區(qū)域綠色技術創(chuàng)新的最新進展。

（三）數(shù)據(jù)來源和描述性統(tǒng)計

鑒于部分城市的數(shù)據(jù)缺失較為嚴重，為確保相關數(shù)據(jù)的完整性和可獲取性，本文選擇2011-2022年國家大數(shù)據(jù)綜合試驗區(qū)中274個城市作為研究對象。對某些年份缺失的數(shù)據(jù)，采用插值法進行填補。本研究的數(shù)據(jù)來源主要包括：城市碳排放數(shù)據(jù)、中介變量及相關控制變量指標均采集自歷年發(fā)布的《中國城市統(tǒng)計年鑒》《中國統(tǒng)計年鑒》以及各地方政府編制的城市統(tǒng)計年鑒等權威統(tǒng)計資料，變量的描述性統(tǒng)計如表2所示。此外，本文對絕對數(shù)據(jù)進行了對數(shù)轉(zhuǎn)換處理。

四、實證結果分析

（一）基準回歸

本文首先采用非期望產(chǎn)出的超效率SBM 模型式（1）計算被解釋變量即城市碳排放效率數(shù)值，囿于篇幅，具體數(shù)據(jù)未詳細列出。其次，以“國家大數(shù)據(jù)綜合試驗區(qū)”試點政策作為準自然實驗，采用雙重機器學習方法評估數(shù)字經(jīng)濟發(fā)展對城市碳排放效率的影響效應。具體而言，對上文構建的部分線性模型式（2）一式（7）以及交互式模型式（8）-式（11）采用 XGBoost 算法對回歸系數(shù)進行預測，樣本分割比例設為1：4，基于雙重機器學習的基準回歸結果如表3所示。列（1）為部分線性模型和列（3）為交互式模型在全樣本區(qū)間內(nèi)控制了城市、時間固定效應以及控制變量一次項的回歸結果，列（2）部分線性模型和列（4）交互式模型是在列（1）和列（3）基礎上，加人了控制變量二次項的回歸結果。

由表3可知，無論使用部分線性模型還是交互式模型，國家大數(shù)據(jù)綜合試驗區(qū)政策對城市碳排放效率的回歸系數(shù)為正，且在5的水平上顯著。模型加人控制變量的二次項后，系數(shù)在1%的水平上顯著。由此可以得到數(shù)字經(jīng)濟發(fā)展有利于提高城市碳排放效率，驗證了假設 H1。

（二）穩(wěn)健性檢驗

1.安慰劑檢驗

為提高實證分析的穩(wěn)健性，本文通過替換實驗組城市進行安慰劑檢驗，以驗證國家大數(shù)據(jù)綜合試驗區(qū)對城市碳排放效率的影響是否具有偶然性。具體而言，在全部樣本中隨機抽取33 個城市作為“偽實驗組”，數(shù)量與處理組試點的城市相同，其余城市則作為“偽對照組”，隨后通過構造“偽政策虛擬變量”替代真實處理變量進行回歸檢驗。該模擬過程選代執(zhí)行 500次，獲得相應的參數(shù)估計值及其統(tǒng)計顯著性水平序列，安慰劑檢驗結果如圖1所示。圖1顯示，基于隨機抽樣的“偽處理組”回歸系數(shù)呈現(xiàn)以零為中心的正態(tài)分布特征，與真實系數(shù)（B=0.5）形成顯著差異。這一結果表明：首先，隨機選取的處理組未表現(xiàn)出顯著政策效應，從而可推斷出大數(shù)據(jù)綜合試驗區(qū)政策對實驗組碳排放效率的真實影響;其次，該檢驗結果同時排除了嚴重遺漏變量問題的可能性，證實了模型估計的穩(wěn)健性和可靠性。

2.更換機器學習算法

本研究注意到，盡管XGBoost算法具有優(yōu)于其他機器學習方法的數(shù)據(jù)擬合能力，但其過度擬合風險可能影響估計結果的有效性。具體表現(xiàn)為：算法可能過度學習樣本中的隨機噪聲，導致參數(shù)估計偏離真實值。為此，研究采用支持向量機（SVM）、套索回歸（Lasso）、神經(jīng)網(wǎng)絡（ANN）和隨機森林（RF）等四個算法進行驗證，以確保系數(shù)估計的穩(wěn)健性。為驗證樣本分割比例變化對研究結論的影響，本研究對部分線性模型的樣本劃分比例進行了優(yōu)化調(diào)整，將基準回歸中的1：4改為1：2和1：7，更換機器學習算法的估計結果如表4所示。表4結果顯示，經(jīng)過樣本劃分比例優(yōu)化與機器學習算法重設后，數(shù)字經(jīng)濟發(fā)展對城市碳排放效率的影響均在5%的水平上顯著為正，其中，調(diào)整樣本分割比例以及使用列（3）支持向量機和列（4）套索回歸算法的結果仍然在1%水平上顯著為正，并且對本文基準回歸的研究結果均無影響，從而進一步驗證了基準回歸的穩(wěn)健性。

3.改變政策時間設定

本研究在基準模型構建中，基于國家大數(shù)據(jù)試驗區(qū)建設的實際進程及其政策效應的時滯特征，將首批試驗區(qū)建設時間設定為2015年，第二批試驗區(qū)建設時間設定為2017年。如果不考慮試驗區(qū)的實際建設進度和政策時滯，而是統(tǒng)一采用2016年作為政策實施時間設定雙重機器學習的回歸模型，則政策虛擬變量的參數(shù)回歸結果見表5。由表5可知，試驗區(qū)試點政策對碳排放效率的影響系數(shù)為01236，且在10%的水平上顯著降低。因此，本研究在基準回歸模型設定中，采用試驗區(qū)實際獲批年份作為政策實施時點，能夠提高模型設定的準確性。

（三）中介效應檢驗

上文運用雙重機器學習中的部分線性模型以及交互式模型實證檢驗了數(shù)字經(jīng)濟發(fā)展提升城市碳排放效率的直接影響。為進一步揭示數(shù)字經(jīng)濟發(fā)展是如何提升城市碳排放效率的，上文從定性視角分析

并提出了數(shù)字經(jīng)濟發(fā)展對產(chǎn)業(yè)結構升級、綠色技術創(chuàng)新的間接影響是城市碳排放效率提升的兩條可能路徑。下文參考Farbmacher 等（2022）[] 的研究，運用雙重機器學習的因果中介效應分析方法，即部分線性模型式（2）一式（7）和因果中介效應模型式（12），并基于Iasso 算法檢驗數(shù)字經(jīng)濟發(fā)展對城市碳排放效率影響的中介傳導機制，具體結果見表6。由表6可知，兩種中介路徑下的總效應在1%的水平上均顯著為正，這一研究結論支持了數(shù)字經(jīng)濟發(fā)展對城市碳排放效率的正向提升作用。

1.產(chǎn)業(yè)結構升級

產(chǎn)業(yè)結構升級（1S）的因果中介效應回歸結果顯示：處置組效應和自然直接效應均在1%水平上顯著為正，證實數(shù)字經(jīng)濟發(fā)展對城市碳排放效率具有直接促進作用;此外，間接效應在5%水平上顯著為正，證實數(shù)字經(jīng)濟能通過推動產(chǎn)業(yè)結構升級這一中介路徑，間接提升碳排放效率。國家大數(shù)據(jù)綜合試驗區(qū)政策的實施，推動了產(chǎn)業(yè)結構的合理化和高級化，有助于改善能源消費結構，進而提升城市碳排放效率。假設 H2 得以驗證。

2.綠色技術創(chuàng)新

關于綠色技術創(chuàng)新的中介效應結果顯示：處置組直接效應和自然直接效應均在1水平上顯著為正，證實試驗區(qū)政策對碳排放效率具有直接提升作用;此外，處置組間接效應和自然間接效應同樣在1%水平上顯著，表明數(shù)字經(jīng)濟通過促進綠色技術創(chuàng)新這一傳導路徑，間接改善了城市碳排放效率。這一發(fā)現(xiàn)揭示了綠色技術創(chuàng)新能夠降低碳排放量并提升能源利用效率。國家大數(shù)據(jù)綜合試驗區(qū)的設立可賦能城市綠色技術創(chuàng)新，先進綠色環(huán)保生產(chǎn)技術的應用，可在生產(chǎn)工藝上減少碳排放量，從而提升城市碳排放效率。假設 H3 得以驗證。

（四）異質(zhì)性分析

1.不同類型試驗區(qū)異質(zhì)性

國家大數(shù)據(jù)綜合試驗區(qū)根據(jù)其區(qū)域特征和發(fā)展定位可分為四種類型：貴州、跨區(qū)域類、區(qū)域示范類以及基礎設施統(tǒng)籌發(fā)展類試驗區(qū)。各類試驗區(qū)在功能定位和發(fā)展方向上具有差異化特征，因此，數(shù)字經(jīng)濟發(fā)展在提升城市碳排放效率上呈現(xiàn)異質(zhì)性。作為首個國家級大數(shù)據(jù)綜合試驗區(qū)，貴州試點重點推進七大關鍵領域創(chuàng)新：（1）數(shù)據(jù)資源管理共享;（2）數(shù)據(jù)中心整合;（3）數(shù)據(jù)應用開發(fā);（4）數(shù)據(jù)要素流通：（5）產(chǎn)業(yè)集聚發(fā)展：（6）國際交流合作;（7）制度機制創(chuàng)新。通過形成可復制推廣的實踐經(jīng)驗，該試驗區(qū)充分發(fā)揮了政策示范效應和區(qū)域帶動作用。第二批試驗區(qū)中的京津冀和珠江三角洲地區(qū)因其地理區(qū)位的特殊性，被批準為跨區(qū)域類試驗區(qū)，這些地區(qū)可利用大數(shù)據(jù)促進區(qū)域協(xié)調(diào)發(fā)展，實現(xiàn)數(shù)據(jù)共享和產(chǎn)業(yè)升級。區(qū)域示范類試驗區(qū)包括上海、河南、重慶和沈陽等省市，這些地區(qū)可利用大數(shù)據(jù)技術，推動本地經(jīng)濟的轉(zhuǎn)型升級和產(chǎn)業(yè)創(chuàng)新。內(nèi)蒙古作為大數(shù)據(jù)基礎設施統(tǒng)籌發(fā)展類試驗區(qū)，聚焦大數(shù)據(jù)基礎設施的統(tǒng)籌發(fā)展，以期通過優(yōu)化基礎設施布局，提升數(shù)據(jù)處理和應用效率，為區(qū)域經(jīng)濟發(fā)展提供強有力的支持。不同類型試驗區(qū)試點政策對城市碳排放效率的彩響系數(shù)見表7。由表7可知，貴州、跨區(qū)域類、區(qū)域示范類試驗區(qū)政策變量對城市碳排放效率在5%的顯著性水平上呈正向影響，且在區(qū)域示范類試驗區(qū)的政策效果更為顯著，但基礎設施統(tǒng)籌發(fā)展類試驗區(qū)對城市碳排放效率的提升作用未達到統(tǒng)計顯著性水平。

2.資源稟賦異質(zhì)性

源稟賦差異不僅決定了經(jīng)濟主體的資源配置效率和產(chǎn)業(yè)構成，還會對城市碳排放效率產(chǎn)生重要影響?；诖?，本研究根據(jù)《全國資源型城市可持續(xù)發(fā)展規(guī)劃（2013-2020年）》的城市分類標準，將研究樣本區(qū)分為資源型和非資源型兩類城市，以考察數(shù)字經(jīng)濟發(fā)展對碳排放效率可能存在的異質(zhì)性，資源型城市共計108個，非資源型城市166個，分組回歸結果如表8所示。在以城市碳排放效率為被解釋變量的資源型城市分組回歸中，國家大數(shù)據(jù)綜合試驗區(qū)政策虛擬變量的回歸系數(shù)不顯著，但在非資源型城市分組回歸中，該系數(shù)為0.1241，實驗結果顯示：數(shù)字經(jīng)濟發(fā)展對非資源型城市碳排放效率的提升作用在1%水平上顯著，但對資源型城市的影響未達顯著水平。這一差異可能源于：（1）非資源型城市具有更優(yōu)化的經(jīng)濟結構，其第三產(chǎn)業(yè)占比高于資源型城市;（2）創(chuàng)新投人強度顯著更高;（3）數(shù)字化基礎設施更完善，這些因素共同增強了大數(shù)據(jù)技術在能效提升和減排中的應用效果。相對而言，資源型城市的經(jīng)濟增長模式往往具有典型的“三高”特征（高能耗、高污染、高風險），這種發(fā)展模式容易陷人“資源詛咒”困境，導致產(chǎn)業(yè)結構轉(zhuǎn)型面臨系統(tǒng)性障礙。更深層次來看，這類城市普遍存在顯著的技術鎖定效應：一方面，傳統(tǒng)生產(chǎn)技術的路徑依賴性阻礙了綠色技術的推廣應用;另一方面，能源密集型產(chǎn)業(yè)的剛性需求削弱了數(shù)字技術在能效提升方面的邊際效用。這些結構性因素共同導致數(shù)字經(jīng)濟對碳排放效率的改善作用未能充分顯現(xiàn)。

五、結論與政策建議

本文基于 2011-2022年中國274 個城市的相關數(shù)據(jù)，以“國家大數(shù)據(jù)綜合試驗區(qū)”建設表征數(shù)字經(jīng)濟發(fā)展。利用雙重機器學習方法實證分析數(shù)字經(jīng)濟發(fā)展對城市碳排放效率的影響以及中介傳導機制，得到如下研究結論：（1）數(shù)字經(jīng)濟發(fā)展能夠顯著提升城市碳排放效率，這一直接影響效應在更換機器學習算法、調(diào)整政策時間設定等穩(wěn)健性檢驗后，研究結論依然顯著成立。因此，國家大數(shù)據(jù)綜合試驗區(qū)作為數(shù)字經(jīng)濟發(fā)展的核心政策載體，有助于提升城市碳排放效率。（2）因果中介模型的作用機制檢驗顯示，數(shù)字經(jīng)濟發(fā)展能有效促進產(chǎn)業(yè)結構升級和綠色技術創(chuàng)新，從而間接地提升城市碳排放效率。換言之，發(fā)展數(shù)字經(jīng)濟有助于產(chǎn)業(yè)結構的合理化與高級化，從而優(yōu)化能源消費結構，提高能源利用效率和減少碳排放;有助于企業(yè)運用更加先進的綠色環(huán)保技術，從生產(chǎn)工藝上降低碳排放量從而提升城市碳排放效率。（3）異質(zhì)性檢驗表明，不同類型試驗區(qū)試點政策對城市碳排放效率的影響存在差異。具體而言，跨區(qū)域類、區(qū)域示范類試驗區(qū)政策均顯著提升了城市碳排放效率，其中區(qū)域示范類試驗區(qū)的促進效應更為突出。值得注意的是，基礎設施統(tǒng)籌發(fā)展類試驗區(qū)的政策效果未通過顯著性檢驗。此外，數(shù)字經(jīng)濟發(fā)展有助于提升非資源型城市碳排放效率但是對資源型城市碳排放效率作用不顯著。

基于上述研究結論，本文提出以下政策建議：

一是要拓展試驗區(qū)建設范圍，加速推進數(shù)字經(jīng)濟發(fā)展，以提升城市碳排放效率。數(shù)字技術憑借其卓越的數(shù)據(jù)處理能力，使企業(yè)能夠精準監(jiān)測生產(chǎn)全過程的能源流動狀況，這不僅為產(chǎn)業(yè)低碳轉(zhuǎn)型提供決策依據(jù)，更可引導綠色創(chuàng)新方向。因此各地區(qū)應借鑒國家大數(shù)據(jù)試驗區(qū)建設的實踐經(jīng)驗積極推進以大數(shù)據(jù)綜合試驗區(qū)建設為突破口的數(shù)字經(jīng)濟發(fā)展戰(zhàn)略。既適時拓展大數(shù)據(jù)綜合試驗區(qū)建設的范圍，有序引導大數(shù)據(jù)產(chǎn)業(yè)集群發(fā)展，以驅(qū)動城市經(jīng)濟向數(shù)字化轉(zhuǎn)型發(fā)展，降低城市碳排放：也應以數(shù)據(jù)要素為紐帶，促進東、中、西部八大綜合試驗區(qū)之間的優(yōu)勢互補，放大各試驗區(qū)大數(shù)據(jù)協(xié)同發(fā)展的技術擴散效應，推動城市低碳綠色發(fā)展。

二是要發(fā)展數(shù)字經(jīng)濟，助推產(chǎn)業(yè)結構升級和綠色技術創(chuàng)新，以提升城市碳排放效率。數(shù)字經(jīng)濟以其強大的計算能力，能夠幫助企業(yè)準確掌握產(chǎn)業(yè)鏈各環(huán)節(jié)的能源需求與消耗情況，從而為產(chǎn)業(yè)結構升級和綠色技術創(chuàng)新指明方向。因此，各地區(qū)既應加大對傳統(tǒng)產(chǎn)業(yè)轉(zhuǎn)型升級的支持，鼓勵使用清潔生產(chǎn)技術和綠色能源，以優(yōu)化產(chǎn)業(yè)結構，提高城市碳減排效率。應推進清潔技術與傳統(tǒng)工業(yè)體系的協(xié)同整合，以提升全產(chǎn)業(yè)鏈的能源使用效率。應通過改革制約技術發(fā)展的制度壁壘，實施研發(fā)激勵政策，引導企業(yè)和科研機構加大創(chuàng)新投人，加強數(shù)字化協(xié)作平臺建設，促進新能源技術的傳播與應用，提高產(chǎn)業(yè)鏈的能源利用效率，降低城市碳排放強度。

三是要因地制宜，實施差異化數(shù)字經(jīng)濟發(fā)展戰(zhàn)略，以提升城市碳排放效率。各地區(qū)應根據(jù)城市資源稟賦和試驗區(qū)類型的差異，制定差異化的數(shù)字經(jīng)濟發(fā)展戰(zhàn)略，最大程度地發(fā)揮數(shù)字經(jīng)濟在城市碳減排中的優(yōu)勢。應采取差異化的數(shù)字經(jīng)濟發(fā)展路徑：對于新型基礎設施重點建設區(qū)域，雖然短期可能產(chǎn)生碳排放壓力，但中長期減排效益顯著：針對資源型城市，建議實施“數(shù)字綠色轉(zhuǎn)型”專項計劃，包括設立省級財政專項資金、開展重點行業(yè)能效提升示范工程、構建區(qū)域碳排放監(jiān)測云平臺。同時，應在京津冀、粵港澳大灣區(qū)等區(qū)城率先建立碳排放數(shù)據(jù)協(xié)同共享體系，通過制定統(tǒng)一的數(shù)據(jù)采集標準和建立區(qū)塊鏈存證機制，為跨區(qū)域碳治理提供決策支持。

參考文獻：

[1] 王芳，董戰(zhàn)峰.數(shù)字經(jīng)濟對我國碳排放的影響--基于省級面板數(shù)據(jù)的實證檢驗[J].改革，2023（3）：76-90.

[2]謝云飛.數(shù)字經(jīng)濟對區(qū)域碳排放強度的影響效應及作用機制[1].當代經(jīng)濟管理，2022（2）：68-78.

[3]余文濤，杜博活，翁明芳.數(shù)字經(jīng)濟政策與中國產(chǎn)業(yè)結構升級：影響機制與經(jīng)驗證據(jù)[J].廈門大學學報（哲學社會科學版），2024，74（5）：95-107.

[4] 葛立宇，莫成煙，黃念兵，數(shù)字經(jīng)濟發(fā)展、產(chǎn)業(yè)結構升級與城市碳排放[J].現(xiàn)代財經(jīng)，2022（10）：20-37.

[5] 李剛，劉夢雪，王興帥.數(shù)字經(jīng)濟影響城市群綠色技術創(chuàng)新的機制及空同溢出效應[J].大連理工大學學報（社會科學版），2024，45（4）：37-49.

[6]郭豐，楊上廣，任毅.數(shù)字經(jīng)濟，綠色技術創(chuàng)新與碳排放--來自中國城市層面的經(jīng)驗證據(jù)[J].陜西師范大學學報（哲學社會科學版），2022（3）：45-60.

[7]余妍，樊秀峰，蔣皓文.數(shù)字經(jīng)濟發(fā)展對碳生產(chǎn)率提升的影響研究[J].統(tǒng)計與信息論壇，2022，37（7）：26-35.

[8]Tone k， A Sacks-based Measure af Fffcieney in DataEnvelopment Analysis[ J]. Euopean Journal af Operatiaml Reseamh，2001，130（3）：498-509.

[9]徐美啟，程鈺，王晶晶，等.中國低碳試點域市碳排放效率時空演變與影響因素[J].自然資源學報，2022 ，37（5）： 1261-1276.

[10] 賴一飛，謝潘佳，葉麗婷，等，我國區(qū)域科技創(chuàng)新效率測評及影響因素研究--基于超效率SBM-Malnmwguist-Tobi 模型[J].科技進步與對策，2021，38（13）：37-45.

[11]劉浩然.京津冀地區(qū)綠色經(jīng)濟效率測度及影響因素研究--基于超效率 SBM 和 Tabi 模型的分析[J].生態(tài)經(jīng)濟，2023，39（4）：67-73.

[12]郭沛，梁棟.低碳試點政策是否提高了城市碳排放效率--基于低碳試點城市的準自然實驗研究[J].自然資源學報，2022，37（7）：1876-1892.

[13]Chernazhukov y， Chetveriko D， Demirer M， et al.Double/debiased Machine Learning for Treatment andStmetural Pammeters[ j]. The Eoonometies Jouml，2018，21（1）：C1-C68.

[14]劉文發(fā)，陸學峰，數(shù)字經(jīng)濟對碳排放效率影響的空問效應與作用機制--基于“寬帶中國\"試點政策的準自然實驗[J].統(tǒng)計與決策，2024，40（11）：28-33.[15]吳建新，郭智勇.基于連續(xù)性動態(tài)分布方法的中國碳排放收斂分析[J].統(tǒng)計研究，2016，33（1）：54-60.[16]張自然，何竟.數(shù)字經(jīng)濟發(fā)展對城市碳排放的影響--基于國家大數(shù)據(jù)綜合試驗區(qū)的準實驗[J].經(jīng)濟問題探索，2024（6）：153-174.

[17]汪偉，劉玉飛，彭冬冬.人口老齡化的產(chǎn)業(yè)結構升級效應研究[J].中國工業(yè)經(jīng)濟，2015（11）：47-61.[18]Farbmacber H，Huber M， Lalférs L，et al. Causal Medi-ation Analysis with Double Machine Learning[ J]. TheEeonametrics Jourmal ，2022，25（2）：277-300.