来源：市场资讯
（来源：江苏省绿色金融高端智库）
摘要
数字区位政策（Digital place-based policy）以数据要素为核心，通过数字基础设施建设、数字技术应用和数字产业发展，推动区域经济从传统模式向数字化、智能化转型。本文以中国数字经济创新发展试验区（DEIDPZ）政策这一典型的数字区位政策为研究对象，利用2015-2021年中国281个城市的面板数据，采用双重差分法（DID）模型研究数字区位政策的碳减排效应。研究发现，DEIDPZ政策具有显著的碳减排效应，使试点城市的人均二氧化碳排放量下降2.69%。机制分析表明，配置效应、技术效应和集聚效应是DEIDPZ政策促进碳减排的主要传导机制。研究还证实，数字金融和公众环境关注度在DEIDPZ政策降低二氧化碳排放的过程中发挥调节作用。异质性分析显示，DEIDPZ政策的碳减排效应在东部城市、资源型城市、行政级别较高的城市、经济发展水平较高的城市，以及浙江省和广东省更为显著。研究结论为数字化转型的可持续性影响提供了新洞见，并为政策制定者利用数字区位政策实现碳中和目标提供了启示。
研究背景及意义
区位导向型政策是指政府为缓解区域发展失衡而实施的一系列干预策略，涵盖区域发展规划、公共投资、税收优惠等措施，通常针对经济发展滞后或具有特殊经济发展需求的地区。作为全球实施区位导向型政策力度最大的国家，中国不仅采用了一系列区位导向型政策来支持地方经济发展与城市创新，更通过实施数字化区位导向型政策来强调数字经济的发展。2019年实施的DEIDPZ政策即为典型的数字化区位导向型政策，该政策基于区域异质性特征，旨在推动试点区域的数字化转型与创新发展。因此，对该政策效应进行科学评估具有重要的理论与现实意义。
与此同时，随着工业化进程的推进，全球二氧化碳（CO₂）排放持续攀升，对地球生态系统造成严重环境损害。为应对气候变化，世界各国积极制定并实施碳减排政策，以减少温室气体排放、保护环境。典型例证包括美国的绿色新政、日本的脱碳战略以及韩国的国家气候变化适应计划。作为全球最大的能源消费国与碳排放国，中国面临着前所未有的碳减排压力。为此，中国提出了"双碳"目标，承诺于2030年前实现碳达峰，并力争2060年前达成碳中和。当前，正处于信息技术——如第五代移动通信技术（5G）与物联网——迭代演进的时代，这为碳排放治理提供了新的路径。研究表明，数字化不仅有助于可持续生态系统的形成，更是改善区域环境不可替代的驱动因素。从理论层面而言，数字化区位导向型政策可通过数据要素流通、技术赋能与制度创新重塑区域经济结构与能源利用模式，进而对碳减排产生影响。从实践层面观察，DEIDPZ政策实施后，广东省正引导数据中心向智能化与绿色化方向发展，浙江省则在社会治理与生态环境保护等领域推进数字化应用。因此，DEIDPZ政策能否促进碳减排这一问题亟需得到明确且紧迫的回答。
为应对上述问题，本文以DEIDPZ政策作为外生冲击构建准自然实验，并运用双重差分模型探究该政策对二氧化碳排放的效应及其作用机制。基于本文研究，得出以下四点结论：第一，DEIDPZ政策的实施使试点城市人均碳排放量平均降低2.69%。第二，智力资本投资增加、技术创新水平提升以及经济集聚程度强化，是DEIDPZ政策促进碳减排的主要传导机制。第三，数字金融与公众环境关注度是增强碳减排效应的关键调节变量。此外，研究发现该政策对二氧化碳排放存在异质性效应，在东部地区城市、资源型城市、行政层级较高及经济发展水平较高的城市，以及浙江省和广东省的城市中，碳减排效应更为显著。
研究亮点
（1）本文探究了DEIDPZ政策的碳减排效应，丰富了区位导向型政策评估领域的研究。一方面，既有文献对区位导向型政策效应的考察主要聚焦于经济发展及相关领域，如工业化进程、创业与创新以及城市发展。仅有少量文献涉及绿色创新，而直接针对CO₂排放的研究则更为匮乏。另一方面，评估中国区位导向型政策的文献虽为数众多，但聚焦于数字化区位导向型政策的研究仍属稀缺。本文基于定量研究视角填补了这一研究空白。
（2）本文拓展了数字化与碳减排领域的研究边界。尽管既有研究已广泛探讨数字化对碳减排的影响，但多数文献的测度指标均基于数字经济综合发展水平构建。由于部分关键数据存在统计口径差异或测量误差，导致研究结论呈现显著分歧：既有正向促进效应，亦有负向抑制效应，以及倒U型非线性关系。本文依托独特的数字化区位导向型政策实验，利用试点城市与非试点城市之间存在的时序差异，更为精准地识别了数字经济发展水平，从而缓解了指标构建中的测量偏误问题。
（3）本文在考察DEIDPZ政策对碳减排直接效应的基础上，进一步从配置效应、技术效应和集聚效应三个维度检验了中介传导机制，并深入分析了数字金融与公众环境关注度的调节作用。在此基础上，本文从地理位置、自然资源禀赋、行政等级和经济发展水平四个维度开展了异质性分析。总体而言，本文系统而全面地解析了数字化区位导向型政策与碳减排之间的内在关联，为DEIDPZ政策的科学实施提供了区域差异化依据，同时为政策制定者推动城市数字化进程以实现CO₂减排目标提供了决策参考。
研究结果
研究假说：
H1：DEIDPZ政策有利于促进碳减排。
H2a：DEIDPZ政策有利于增加智力资本投资，从而促进碳减排。
H2b：DEIDPZ政策有利于提高技术创新水平，从而促进碳减排。
H2c：DEIDPZ政策有利于促进经济集聚，从而促进碳减排。
H3a：数字金融发展水平越高，DEIDPZ政策的碳减排效果越大。
H3b：公众环境关注度越高，DEIDPZ政策的碳减排效果越大。
1.基准回归结果
回归结果如表3所示。digpolicy的估计系数为−0.0616，在1%的水平上显著（第（1）列），该列估计结果未加入任何控制变量。在逐步加入控制变量后，第（2）至（7）列中digpolicy的估计系数略微下降至−0.0269，仍在1%水平上显著，表明从经济显著性角度看，政策实施城市的人均碳排放水平较非政策实施城市平均降低2.69%。现有聚焦数字发展的文献已充分探讨了数字经济在碳减排中的作用，亦有文献在宏微观层面证实了智慧城市试点政策、"宽带中国"试点政策等数字化区位导向型政策的经济效应。本文基于DEIDPZ政策这一最新的代表性准自然实验，进一步验证了数字化区位导向型政策的环境保护功能。
进一步地，人均碳排放降低2.69%相当于每个试点区域总碳排放减少约82.77万吨。本文实验组共包含61个城市，政策实施带来的碳减排总量约为5044.67万吨（=82.70×61）。2024年中国碳交易价格区间为69.67–106.02元/吨，相当于产生3.51–5.35亿元的经济价值。由此可见，DEIDPZ政策的环境效益显著，必须予以充分考量。
2.中介效应检验
检验结果如表4所示。第（1）至（2）列为配置效应的估计结果。列（1）显示，DEIDPZ政策对智力资本投资的影响在1%显著性水平上为正；列（2）显示，digpolicy的估计系数为−0.0257，其绝对值小于0.0269，表明DEIDPZ政策有助于增加智力资本投资，进而促进碳减排。
第（3）至（4）列为技术效应的估计结果。列(3)显示，DEIDPZ政策对技术创新水平的影响在1%显著性水平上为正；列（4）显示，该估计系数具有统计显著性，且其绝对值小于0.0269。因此，DEIDPZ政策有助于提升技术创新水平，从而推动碳减排。
第（5）至（6）列为集聚效应的估计结果。列（5）显示，DEIDPZ政策对经济集聚程度的影响在1%显著性水平上为正；列（6）显示，该估计系数小于0.0269，表明DEIDPZ政策有助于促进经济集聚，进而实现碳减排。
3.调节效应检验
结果如表5所示。digpolicy×digfin的系数为-0.1507，在5%水平上是显著的，如列（1）所示。这表明，数字金融发展水平越高，DEIDPZ政策的碳减排效果越大。类似地，第（2）列显示digpolicy×attention的系数为-0.0007，并且在1%水平上是显著的。这证实了公众环境关注度越高，DEIDPZ政策的碳减排效果越大。
4.异质性分析
4.1.城市特征异质性
地理位置、自然资源禀赋、行政层级与经济发展水平是影响DEIDPZ政策对城市人均碳排放产生异质性效应的四个维度。首先，地理区位异质性。由于交通运输条件与历史发展路径的差异，中国东部与中西部地区存在显著的发展鸿沟，这可能导致DEIDPZ政策的效应呈现空间分异。表6 Panel A的实证结果显示，东部地区digpolicy的估计系数在1%水平上显著为负；与之形成对照的是，中西部地区digpolicy的估计系数虽为负值，但并不具有统计显著性。由此可见，DEIDPZ政策的碳减排效应主要集中于东部地区。这一差异可从财政联邦主义视角加以解释：东部地区政府拥有更为充裕的财政资源与财政自主性，能够对数字经济发展中的污染外部性问题实施有效监管，从而产生正外部性。
其次，自然资源禀赋异质性。依据国务院印发的《全国资源型城市可持续发展规划（2013-2020年）》，本文将样本城市划分为资源型城市与非资源型城市。表6 Panel B的结果显示，两类城市digpolicy的估计系数均为负值，但资源型城市的估计系数在1%水平上显著，而非资源型城市的估计系数则不显著。据此可以推断，DEIDPZ政策的碳减排效应存在显著的资源禀赋依赖，在资源型城市中表现更为突出。这一现象可能源于路径依赖与产业结构锁定效应：资源型城市传统上依赖本地自然资源禀赋发展，形成了大量高能耗、高污染、高排放的重化工业；然而，这类城市在数字经济发展浪潮中展现出较强的结构转型弹性，善于把握数字化机遇，巧妙实现产业结构高度化与产业间资源配置优化，从而带来CO₂排放的显著削减。
第三，行政层级异质性。本文将城市按行政级别划分为高行政层级城市与低行政层级城市进行分样本检验。表6 Panel C的结果显示，两类城市digpolicy的估计系数均在1%水平上显著为负，但高行政层级城市估计系数的绝对值显著大于低行政层级城市。这表明DEIDPZ政策的碳减排效应存在行政层级梯度，高行政层级城市的政策效应更强。究其原因，高行政层级城市通常具备更强的政策执行力与治理效能，能够制定更为严格且系统的碳减排规制体系与政策执行机制，通过纵向协调机制与横向竞争机制推动全域碳减排行动，进而实现低碳发展。
第四，经济发展水平异质性。为进一步考察环境库兹涅茨曲线（EKC）假说在数字政策情境下的适用性，本文将城市按经济发展水平划分为高水平组与低水平组。表6 Panel D的结果形成鲜明对照：高经济发展水平城市DEIDPZ政策的估计系数在1%水平上显著为负，而低经济发展水平城市DEIDPZ政策的估计系数为正且不显著。这表明DEIDPZ政策在高经济发展水平城市中具有强劲的碳减排边际效应，而在低经济发展水平城市中则呈现政策失效或政策扭曲。产生这一差异的深层机理在于环境-发展权衡：低经济发展水平城市在DEIDPZ政策实施后仍遵循增长优先的发展主义逻辑，将政策资源主要用于经济赶超而非环境治理；相反，高经济发展水平城市的政府已进入后物质主义阶段，更加关注人均碳排放强度的削减与碳达峰、碳中和目标的实现。
4.2.不同试验区政策效果的异质性
为进一步探究不同试验区的碳减排效果，分别对6个试验区的实施效果进行了估算，估算结果如表7所示。浙江和广东省的估计系数显著为负，而其他试点在区域上不显著。可能的原因是雄安新区、四川、福建、重庆依赖财政拨款，资金配置效率低下，且以传统制造业为主，企业数字化接受度低。浙江和广东两省是国内发达地区，拥有更成熟的金融市场、国家级数字技术研发平台、技术扩散速度快、环保组织密度高、舆情监测力度更强，推动DEIDPZ政策落地。
5.稳健性检验
5.1.平行趋势检验
beforeit和afterit的回归系数及其90%置信区间如图2所示。如图所示，在实施DEIDPZ政策之前的所有年份，beforeit的估计系数在统计上都不显著，这满足了平行趋势假设，并排除了试点和非试点城市之间CO2排放水平趋势的系统性差异。同时，值得注意的是，DEIDPZ政策实施当年的估计系数为负但不显著，政策实施滞后约一年。
5.2.PSM-DID
鉴于DEIDPZ试点城市选择可能存在非随机性，模型估计中可能产生选择性偏误及由此引发的内生性问题。为克服上述潜在影响，本文进一步采用PSM-DID方法对基准模型进行重新估计。具体而言，将解释变量作为结果变量，控制变量作为协变量，分别采用核匹配法与最近邻匹配法进行匹配。
表8与图3报告了PSM平衡性检验结果。结果显示，无论采用核匹配法还是最近邻匹配法，匹配后协变量的t值均不显著，接受处理组与控制组不存在系统性差异的原假设，表明两组城市在匹配后未产生任何显著差异。同时，匹配前后标准化偏差的绝对值均小于10%，说明匹配处理有效。
在此基础上，本文利用匹配后的样本重新估计DID模型。表9的估计结果显示，核匹配法与最近邻匹配法下核心解释变量的估计系数分别为−0.0264和−0.0257，在剔除自选择误差并纳入控制变量、城市固定效应及年份固定效应后，均在1%水平上显著为负，进一步支持了基准回归结果。
5.3.熵平衡
在政策实施前，处理组与对照组的结果变量趋势差异可通过熵平衡法予以消除。该方法选取基准模型中的一组控制变量作为特征变量，进而求解一组权重，使得实验组与对照组主要特征变量的均值、方差及偏度趋于一致。此后，利用该权重进行加权最小二乘估计。结果列示于表10第（1）至（2）列。结果表明，核心解释变量digpolicy的系数均显著为负，基准回归结果保持稳健。
5.4.安慰剂检验
本文还构建了安慰剂检验以排除其他随机因素的干扰。具体而言，从281个样本城市中随机抽取城市组成伪处理组，并采用双重差分法（DID）进行重新估计。为获取多个伪估计系数，该过程需重复多次，并绘制伪回归系数的核密度图，如图4所示。该分布与标准正态分布高度吻合，据此可推断本文的估计结果未受其他随机变量混淆，从而证明本文的核心结论具有稳健性。
5.5.反事实检验
基于DEIDPZ政策实施前的样本，即2015—2018年的研究样本，本文构建反事实实验，分别假设政策实施时间为2016年和2017年，对基准模型进行估计。表11结果显示，digpolicy的估计系数均不显著，表明试点城市人均碳排放的下降确由政策干预所引致，而非源于其他不可观测的时变因素，这进一步支持了本文的核心结论。
5.6.其他稳健性检验
本文还进行了一系列其他稳健性检验。
（1）替换被解释变量。为避免因解释变量选取带来的偏误，本文采用二氧化碳排放强度（即二氧化碳排放量除以2015年不变价GDP）的自然对数进行测度。
（2）替换核心解释变量。为避免核心解释变量选取导致的估计误差，本文采用DID模型构建区位导向型政策的自变量。在模型数据处理中，政策实施当年及之后年份digpolicy取值为1，否则为0。考虑到该政策于2019年10月实施，2019年该变量赋值为0.1667。
（3）剔除直辖市样本。由于直辖市在行政级别与资源配置方面与其他城市存在显著差异，本文进一步剔除了北京、天津、上海和重庆的样本。
（4）考虑政策时滞效应。鉴于政策效应存在滞后性，本文将所有解释变量滞后一期重新估计。
（5）消除异常值影响。考虑样本中可能存在的个别异常值影响，对所有连续变量进行1%水平的缩尾处理。
（6）调整样本区间。选取政策实施前后各两年的样本，即2017–2021年进行估计。
（7）剔除2020年样本。考虑到2020年新冠疫情期间更多资源被投入疫情防控与应急管理，数字经济发展受到限制。上述其他稳健性检验结果依次对应表12第（1）至（7）列。由表可知，digpolicy的估计系数均在1%水平上显著为负，再次证明了本文实证结果的可靠性。
5.7.工具变量估计
上述估计结果可能面临试点城市内生选择的威胁。具体而言，内生性主要来源于两个方面：其一是反向因果。平行趋势检验结果显示，DEIDPZ政策实施前实验组与控制组城市的人均碳排放趋势基本一致。然而，城市是否被选为试点城市仍可能受到该城市人均碳排放水平的影响。尽管估计过程中控制了城市固定效应和年份固定效应，并纳入了一系列城市特征变量，但基准回归模型仍可能存在遗漏变量问题。鉴于此，采用工具变量估计方法来处理上述潜在的内生性问题。
本文选取人均邮政业务量作为工具变量。其经济学逻辑在于：从现实基础看，数字化的快速发展依托于传统通信业，而人均邮政业务量反映了特定时期内通信服务业发展的总体成果；从历史维度看，数字时代的发展机遇更可能被人均固定电话数量和邮局数量较高的城市所获取。因此可以推断，人均邮政业务量与城市是否入选DEIDPZ政策相关，这满足了工具变量的相关性前提。此外，随着工业化程度提升，人均邮政业务已成为历史存量，对城市人均碳排放水平无直接影响，符合工具变量的外生性要求。由于人均邮政投递量为截面数据，此处采用1995年人均邮政投递量与时间趋势项的交互项进行估计。
IV估计结果呈现在表13中。无论是否加入控制变量，列（1）至（2）显示工具变量系数在1%水平上显著为正，验证了工具变量的相关性假说。同时，Cragg-Donald Wald F统计量检验显著大于16.38的临界值，故不存在弱工具变量问题。在不加入和加入控制变量的情形下，列（3）至（4）显示核心解释变量的系数分别为−0.8835和−0.0990，其绝对值均大于基准回归估计系数−0.0269的绝对值，即在考虑可能的内生性问题后，基准回归结果依然稳健有效。
研究展望
本文存在以下局限性：第一，在成本–效益分析方面，未能获取精确的成本数据，仅能估算数字化区位导向型政策在碳减排方面的经济效益。未来若能获得更完善的数据，可开展更为精确的成本–效益分析，以评估数字化区位导向型政策的实施效果。第二，本文基于宏观层面的考量。未来可通过更为精准的数据采集，在中观产业层面探究数字化区位导向型政策对特定行业碳减排的影响；或在微观企业层面探讨该政策对企业碳减排的潜在作用。第三，本文主要考察了中国的数字化区位导向型政策，未来亦可对其他代表性国家的同类政策进行相应的政策效应评估。
初审：袁立夫
审核：徐彩瑶
排版编辑：陈 楠
文献推荐人：陈 楠
热门跟贴