基于GTWR的數字經濟發展對城市碳排放的影響研究

馬銅澤

【摘要】文章基于GTWR模型研究數字經濟發展對碳排放的時空影響效應，使用2011—2019年全國283個地級市面板數據，在此基礎之上進行計量分析。結果表明數字經濟發展顯著影響并抑制碳排放，在不同地區具有顯著時空異質性，且由北到南抑制作用逐次遞減。對區域化碳減排工作具有一定借鑒意義，可以利用數字經濟發展在技術創新、效率提升和資源配置方面的優勢，制定碳減排區域化實施方案，爭取早日達到“碳中和”目標。

【關鍵詞】GTWR；數字經濟發展；碳排放

【中圖分類號】F42

★ 基金項目：貴州財經大學校級自籌專項項目（2022ZCZX060）。

一、引言

中國地大物博，版圖幅員遼闊。中國近十年數字經濟發展差異顯著，時間和地區是數字經濟對碳排放影響的重要決定因素。由于各省份各城市自然條件和政策傾向不同，我國相繼出臺西部大開發、東北振興、中部崛起、東部新跨越等一系列區域發展規劃，顯著地促進了各地經濟水平的進步，然而，由于政策導向與資源稟賦的非均衡發展的影響，我國省域數字經濟發展水平不盡相同且差異顯著。數字經濟發展不平衡不充分問題較為突出，體現在多數地區數字經濟發展指數較低，北京數字經濟發展指數平均值是青海、寧夏、新疆等地的6倍多，雖然上述地區具有較大增長率，但兩者之間的差距依舊存在，這表明中國省域和市域的數字經濟發展水平的差異在短時間內難以撫平，并且存在明顯的“馬太效應”。地區是一個重要因素，因為數字經濟的發展具有空間依賴性。臨近地區的數字經濟基礎設施建設、數字化產業相互依賴。并且，數字經濟的發展具有很強的時間效應，數字經濟對一個地區的碳排放影響也有很強慣性。因此本文用時空地理加權回歸來分析數字經濟發展對不同地區碳排放局部效應的影響。

二、文獻綜述

2003年Khanna M[1]開啟了地理加權回歸的先河。HuangBo（2010）[2]提出時空地理加權回歸模型用于房價時空變化的建模。A. Stewart Fotheringham（2015）[3]關注局部非平穩的時空建模論證了時空地理加權回歸的有效性以及優于傳統GWR方法的重要性。時空分析與建模長期以來一直是地理信息科學研究領域的重要關注點。

早在2013年就有部分學者開始以GDP、第二產業比重、能源利用效率和人口為驅動因子研究中國碳排放的影響因素以及空間異質性分析[4]。到了2014年部分學者以人口規模、城鎮化率、人均GDP、能源強度、產業結構、能源消費結構、能源價格和對外開放水平作為碳排放的影響因素展開研究[5]。2019年部分學者運用GWR模型，以農業對外開放度、農業機械化程度、人均農業GDP為驅動變量對農業碳排放影響因素時空異質性展開研究[6]。2020年部分學者運用GTWR模型對江蘇居民消費碳排放測度，以人口密度、人均地區生產總值、第三產業占比、恩格爾系數、人均生活用電量和R&D占比為影響因素展開研究[7]。經濟發展與碳排放脫鉤是當今世界研究的主流問題。而數字經濟的發展對碳排放的影響成為學術界的熱點話題。部分學者在2020年發現了數字經濟可以促進經濟的高質量發展，其中高質量發展就包括環境質量的提升[8]。

三、研究設計

（一）模型的建立

時空自相關和非平穩性是地理數據建模中的兩個重要問題。數字經濟發展的市場潛能、外部經濟、增長級理論、擴散指數、涓滴理論和金融相關都有可能形成這兩方面問題。

考慮到數字經濟對碳排放的影響可能具有時空異質性特征，由于GWR是局部空間建模的重要方法，選擇能夠刻畫時空異質性的時空地理加權回歸模型。本研究提出的GWR的時空版本GTWR擴展了其對時空非靜態過程建模的能力。GTWR模型是在傳統計量模型的基礎上估計解釋變量在時空演變上的局部效應的一個變參數模型，其參數值隨時空的變化而變化。GTWR產生的局部參數估計具有更好的偏差——方差權衡。

（二）變量選取與數據來源

由于部分地級市的數據不可得，本文研究的數據為全國2011—2019年地級市數據，數據來源大多來源于中國城市統計年鑒，數字普惠金融來源于北京大學編制的指標。部分缺失值本文用插值法進行填補。

我們確定了數字經濟發展的“綠色”場景目標地標：投資流入、資源效率和能源效率、消費者意識、有效的國家監管、創新活動。并且根據Dietz和Rosa[9]設立的STIRPAT模型進行參數的選擇。

1.核心解釋變量：數字經濟

本章借鑒趙濤等（2020）的做法構建全國城市層面的數字經濟[8]，基于互聯網發展和數字金融普惠2個維度構建數字經濟發展水平。城市互聯網發展測度，采用互聯網普及率、從業人員、產出情況和移動電話普及率四方面指標。5個指標具體為：百人互聯網寬帶接入數、計算機和軟件業從業人員占城鎮從業人員比重、人均電信業務總量、人均郵政業務量和百人移動電話數。以上原始數據均在《中國城市統計年鑒》獲得。數字金融發展用中國數字普惠金融指數表征，由北京大學數字金融研究中心和螞蟻金服集團共同編制（郭峰等，2020）[10]。利用熵值法，將各個指標標準化后降維處理，得到數字經濟綜合指數，記為DIGE。

2.被解釋變量：碳排放（CO2），城市碳排放量的測算借鑒吳建新（2016）[11]等人的做法，構造碳排放總量。碳排放主要源于工業化石能源消耗。因此，將電能、液化石油氣、煤氣、熱能和交通運輸所產生的碳排放加總就得到了城市碳排放。

3.控制變量

考慮到其他可能會影響各行業污染排放情況的因素，本文加入了如下控制變量：

（1）創新創業指數（IEI）：本文采用的創新創業指數是北京大學企業大數據研究中心主導，北京大學國家發展研究院與龍信數據研究院聯合開發，客觀反映中國城市層面創新創業活動的一套指數。

（2）人均經濟發展水平（PGDP）：用地區人均GDP取自然對數進行衡量。人均經濟發展水平越高，越有利于增加環境保護投資，從而降低環境污染程度。

（3）年末總人口數（POPU）：本文采用地區年末總人口比重來衡量。年末總人口是社會發展進程中不可或缺的重要變量，總人口數具有很強的慣性特征，可以很好衡量地區的發展水平和未來經濟發展前景。

（4）外商直接投資（FDI）：本文采用地區外商直接投資額占GDP的比重來衡量外商直接投資。FDI通過引進推廣綠色技術和節能技術，從而提高生產效率、優化資源配置并降低污染排放。

四、實證研究

為了檢查GTWR模型的適用性，使用全國從2011—2019年的數字經濟和碳排放的數據。首先進行檢驗時間和空間的異質性統計假設，然后我們使用了四種模型進行擬合，并檢查他們的擬合程度。首先，使用全局OLS分析數字經濟（數字化）對碳排放的影響，沒有考慮任何空間或時間的因素。然后，我們使用傳統的GWR、TWR和GTWR分別分析數字經濟（數字化）對碳排放的影響。為了比較，我們應用McNamara的檢驗來評估不同模型統計顯著性差異。

（一）研究數據

由于部分數據不可得，研究數據為中國全國大部分地級市。數據來源由各地級市統計局獲得。

首先對碳排放區域異質性分析，由于不同時間和區位，不同地級市碳排放程度也不同。由ArcGIS做出圖像可以看出，隨著經濟的高速發展，碳排放程度也在逐漸增強。且京津冀、長三角、珠三角地區的碳排放水平一直處于較高位置。

（二）時空非平穩性檢驗

考慮到不同地級市的經濟發展程度、數字經濟發展程度和政府政策的傾向程度的不同，可能對碳排放的抑制作用產生不同的反應。因此，對于樣本的數據類型，首先要考慮的是基于GWR、TWR和GTWR模型是否可以比OLS模型更好的描述數據集。也就是說，在應用GTWR模型之前，我們需要評估研究區域是否具有顯著的空間和（或）時間非平穩性。Brunsdon（1999）[12]建議做一個統計檢驗，關于時間和空間的影響系數（βk（ui，vi））是否都為常數。如果不能拒絕原假設，那么證明對于數據，用常規的全局回歸是適合的。

我們可以通過比較OLS、GWR、TWR、GTWR擬合之后的殘差，檢驗時空非平穩性。由此，本文分別對數據用OLS、GWR、TWR和GTWR模型進行擬合，分別觀察擬合之后的殘差大小、R2和AICc值。估計結果見表1。

由表1可知，時空地理加權回歸的殘差值最小，擬合程度最好。時空地理加權回歸能挖掘到OLS、GWR所不能呈現的信息。此外，在GWR中加入時間變化信息，可以建立一個更加精確的模型。

（三）最優參數選擇

在擬合GTWR模型之時，需要引入一個參數，進行優化擬合優度。另外一個時空地理加權回歸需要考慮的參數是尋找到合適的帶寬，基于CV或AIC，確定最優空間帶寬。利用最優空間帶寬，確定最優時間帶寬，同樣基于CV或AIC，一旦推導出最優的空間和時間帶寬，它們就可以用來構造時空權重矩陣W，使用模型（2）估計局部參數。一個由空間衰減和時間衰減帶寬組成的時空核函數。

GTWR中的帶寬決定了給定一個點附近的衰減速率。選擇一個合適的帶寬能夠對時空變化的系數可靠估計。如果帶寬過小，系數會隨著地理距離快速縮減造成過大的殘差。而過大的帶寬，產生更平滑的結果，偏差會增加。由表2可知，最優帶寬為0.114996，殘差平方和為144.369，AICc為160.131，調整后的R2為0.769041，時空距離比為0.541833。

五、結果比較與分析

時空地理加權回歸結果如表3所示，用GTWR衡量出了不同時間不同地理位置的數字經濟發展對該地區碳排放的影響程度。由表3可知，比較上下四分位系數與均值的回歸系數方向較為一致，表明結果比較可信。模型的調整的可決系數是0.768585，模型擬合程度較好。而數字經濟發展、創新創業、人均GDP、年末總人口和實際利用外商直接投資額對地區碳排放的影響程度存在明顯差異。

為了更加清晰的展現數字經濟發展對不同地區碳排放影響的異質性，計算2011—2013年、2014—2016年、2017—2019年三個時間段數字經濟發展對碳排放的年均回歸系數。用ArcGIS10.8將基于時空地理加權回歸模型的數字經濟對碳排放的年均回歸系數用地圖的形式可視化。顯現出來的不是平均值，而是根據系數的最小值和最大值的范圍進行劃分。地區的數字經濟發展對碳排放的影響既有相關性更有明顯時空的差異。時空趨勢從北向南逐次遞減。京津冀、長三角和珠三角變化尤為明顯。

數字經濟的發展對環境的污染較為友好，數字經濟大多為互聯網產業和信息產業以提供信息為主，其對環境的污染程度明顯低于傳統制造業。由ArcGIS做出圖像可以看出，東北地區數字經濟發展水平較為落后[13]，東北三省碳排放總量占中國碳排放總量8.84%，碳排放強度普遍高于中國碳排放強度。數字經濟對碳排放的影響始終處于很高水平[14]。京津冀、長三角地區、珠三角地區的數字經濟發展水平明顯高于全國，城市群內部的空間溢出效應明顯且地區內城市間數字經濟發展水平差異性較大[15]。中國東部的11個省市是中國經濟最發達的地區，其碳排放量約占全國碳排放量的1/2。有7個省市碳排放可能在2030年之前達峰，其中，北京、上海將最早出現碳排放峰值，達峰時間可能為2022年。然而，另外4個省市碳排放較難在2030年之前達峰[16]。而數字經濟對碳排放的影響明顯有發達地區帶動周圍城市效果。中部地區數字經濟發展一直處于上升態勢，而各省在數字經濟發展速度差異較大。山西省碳排放量居中部地區首位，河南省次之，安徽省碳排放量位居第三，后為湖北省和湖南省，江西省碳排放最低。而中部地區碳排放量聚集程度逐年減弱[17]，且數字經濟對碳排放的影響也在動態調整。

本文用GTWR解釋數字經濟對碳排放的影響，系數絕對值越大，說明這個系數在這個時間這個地點，對因變量的解釋力更強，影響越大。部分地區數字經濟對碳排放的影響存在倒U型關系。無論是地區碳排放水平空間集聚度，還是碳排放規模與數字經濟增長或者是生態經濟效率之間的動態關系都可以用一條倒U型曲線來刻畫，即在全國地區，碳排放水平集聚度或絕對規模對經濟增長或生態經濟效率的影響效應，初始階段是促進作用，達到某一拐點后，其影響效應變為負向。也就是說，無論從數字經濟增長還是生態經濟效率方面來看，碳排放水平空間集聚度和規模并不是越大越好，而是存在一個最佳集聚度和最優規模。依托數字技術不僅可促進產業升級和結構調整，能夠對碳排放最優規模進行更準確、更科學的測度和動態調整，為相關決策提供參考。

六、結論

數字經濟對碳排放的影響主要在于數字經濟發展要求經濟數字化不斷深入，不斷出現新技術、新業態、新模式。數字經濟相關新技術的出現，為能源效率、生態效率和經濟效率的提升提供技術支撐，為傳統產業（尤其是碳排放嚴重產業）升級改造提供技術支持；新業態是數字經濟發展的重要體現之一，新業態的出現本身就是區域產業結構調整的過程；數字經濟的發展也催生了新模式不斷產生，是對傳統模式的調整和優化。利用數字技術、數字資源提升原產業的全要素生產效率、降低企業生產成本和運營成本，使企業的產品和服務的價值在價值鏈中不斷攀升，使傳統產業不斷提升能源效率、生態效率和經濟效率，從而實現碳減排和碳中和的最終目標。

主要參考文獻：

[1]Khanna M，Roe B E，Vercammen J，et al.Geographically Weighted Regression：The Analysis of Spatially Varying Relationships.

[2]Bo H，Bo W，Barry M.Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices[J]. International Journal of Geographical Information Science，2010，24（3-4）：383-401.

[3]Fotheringham，A.S.，Crespo，R.and Yao，J. （2015） Geographical and temporal weighted regression （GTWR）. Geographical Analysis，47（4），pp.431-452.

[4]李丹丹，劉銳，陳動.中國省域碳排放及其驅動因子的時空異質性研究[J].中國人口 資源與環境，2013，23（07）：84-92.

[5]肖宏偉，易丹輝.基于時空地理加權回歸模型的中國碳排放驅動因素實證研究[J].統計與信息論壇，2014，29（02）：83-89.

[6]李慧，李瑋，姚西龍.基于GWR模型的農業碳排放影響因素時空分異研究[J].科技管理研究，2019，39（18）：238-245.

[7]楊莉，張雪磊.江蘇居民消費碳排放測度與影響因素研究——基于GTWR模型的實證分析[J].生態經濟，2020，36（05）：31-38.

[8]趙濤，張智，梁上坤.數字經濟、創業活躍度與高質量發展——來自中國城市的經驗證據[J].管理世界，2020，36（10）：65-76.

[9]Dietz R T .STIRPAT，IPAT and ImPACT： analytic tools for unpacking the driving forces of environmental impacts[J].Ecological Economics，2003.

[10]郭峰，王靖一，王芳等.測度中國數字普惠金融發展：指數編制與空間特征 [J].經濟學（季刊），2020，19（04）： 1401-18.

[11]吳建新，郭智勇.基于連續性動態分布方法的中國碳排放收斂分析[J].統計研究，2016，33（01）：54-60.

[12]Brunsdon C， Fotheringham A S， Charlton M .SOME NOTES ON PARAMETRIC SIGNIFICANCE TESTS FOR GWR. 1999.

[13]田俊峰，王彬燕，王士君，程利莎.中國東北地區數字經濟發展空間分異及成因[J].地域研究與開發，2019，38（06）：16-21.

[14]馬曉君，董碧瀅，于淵博，王常欣，楊倩.東北三省能源消費碳排放測度及影響因素[J].中國環境科學，2018，38（08）：3170-3179.

[15]劉傳輝，楊志鵬.城市群數字經濟指數測度及時空差異特征分析——以六大城市群為例[J].現代管理科學，2021（04）：92-111.

[16]潘棟，李楠，李鋒，馮奎雙，彭璐璐，王震.基于能源碳排放預測的中國東部地區達峰策略制定[J].環境科學學報，2021，41（03）：1142-1152.DOI：10.13671/ j.hjkxxb.2020.0325.

[17]趙強，周月凌，方潛生，易明建.中部地區碳排放時空演變及其影響因素分析[J/OL].環境科學學報：1-11[2022-11-01].

責編：夢超