数字经济、产业结构与碳排放

梁靓 卞梦颖

[摘要]数字经济的发展符合高质量发展的时代要求，是实现双碳目标的重要手段。引入制造业产业结构作为机制变量，基于2011—2019年的省级面板数据，运用双固定效应模型研究数字经济、制造业产业结构优化与碳排放的关系，主要得到以下结论：数字经济发展显著降低碳排放，替换变量以及更换模型后结论依然成立，并存在区域异质性和区域碳排放量异质性；
数字经济对制造业产业结构存在显著的先劣化后优化的正“U”形影响效应；
制造业产业结构对碳排放存在显著的先优化后劣化的倒“U”形影响效应；
数字经济以制造业产业结构优化为路径降低区域碳排放。基于所得实证结果，为促进制造业发展、降低碳排放和优化制造业产业结构提供政策建议。

[关键词]数字经济；
碳排放；
制造业产业结构

一、 引言

2020年，我国提出“30·60”“双碳”目标，持续大力推动碳减排，力争于2030年前达到“碳达峰”，到2060年前实现“碳中和”1。党的二十大报告提出，“积极稳妥推进碳达峰碳中和”2。这是我国新阶段下贯彻新发展理念、构建新发展格局、推动高质量发展的内在要求，更是中国对实现全球可持续发展、构建人类命运共同体的积极选择。2021年，我国提出“碳达峰十大行动”3，要求将低碳发展贯穿于经济社会发展的全过程，其中的能源绿色低碳行动、节能降碳增效行动、工业领域碳达峰行动均不同程度对制造业领域绿色转型提出要求。然而，我国碳排放量仍居高不下，2023年增长5.65亿吨，是迄今为止全球最大的增幅[1]。“十四五”时期是实现双碳目标的关键窗口期，伴随着新一代信息技术迭代更新，数字经济对国民经济的高度渗透，为资源配置和经济结构带来巨大变革，也带来了碳减排的新机遇。因此，厘清数字经济对碳排放的影响效应，把握这一历史性机遇，具有紧迫性和实用性。

由于制造业中聚集了大部分的高耗能、高碳排行业[2]，其在促进国民经济平稳运行的同时也对环境保护造成了压力。学术界针对数字经济的碳减排效应已展开了丰富的研究，然而制造业结构在其中的作用并未引起足够的重视。产业结构升级是经济发展的潜在规律，于制造业内部而言，是低端制造业向高端制造业的升级，是生产要素从劳动力、资本等初级要素向技术、知识、数据等高级要素的转变。当前，中国整体处于工业化中后期阶段，部分制造业还处于中低端[3]，始终没有摆脱对自然资源、劳动力资源、资本资源的高度依赖。但是，制造业对我国经济的压舱石作用不可否认，盲目降低制造业在国民经济中的占比，将会威胁我国经济稳定增长的目标。近年来，数字经济快速发展，对实体经济带来巨大冲击。一方面，数字产业化催生大量服务需求，促进制造业向服务型制造拓展，形成新业态、新模式[4]；
另一方面，产业数字化对制造业生产、管理、服务进行深度数字化改造，驱动制造业提质增效、转型升级。制造业产业结构升级是具有复杂性和长期性的问题，基于我国以传统产业为主的制造业体系，研究数字经济对制造业的冲击能否实现产业结构上的转变，如何统筹制造强国建设与生态环境保护的关系，对我国建设现代化产业体系、实现双碳目标具有重要意义。

面对工业经济稳定发展、碳减排刚性要求的双重压力，中国亟须找到一条符合国情的减碳之路。明确数字经济、制造业产业结构和区域碳排放三者之间的互动关系，将会为新发展阶段下的可持续发展政策设计和制度建设提供理论依据。

二、 理论分析与研究假设

近年来，数字经济在我国蓬勃发展，是继农业经济、工业经济之后的主要经济形态，已经成为研究热点。现有文献主要认为数字经济能够降低碳排放，一是数字经济通过快速扩散的网络信息对环境保护形成非正式环境规制[5]，有助于推动雾霾治理[6]、降低碳排放[7]；
二是与数字经济相关的信息产业具有绿色低碳的特性，数字经济的发展会通过挤出效应淘汰部分高碳产业，从而起到降低碳排放的作用[8]；
三是数字经济可以为传统产业改造赋能，推动实现传统产业的绿色化转型，促进碳减排[9-10]。具体来看，数字经济基于以下4个方面促进碳减排。首先，数字化产业以高技术的互联网服务企业为主，因其具有高度的环境友好型特性，发展过程对碳排放的压力较小。其次，数字经济发展所带来的数字化趋势能够提升传统产业生产管理效率，促进资源利用率提高，降低碳排放。再次，数字经济发展带来大量新兴技术和创新氛围[11]，促进传统产业转型升级，提升其环境友好程度，并通过挤出效应淘汰高能耗、高污染的制造企业，实现碳减排。最后，数字经济发展大幅提升了数字基础设施，减少信息流通过程中产生的碳排放；
通过智慧平台、智慧检测等手段为碳排放预测、低碳管理提供技术支持[12]。因此，由于各地区的发展基础和条件不同，数字经济在不同区域内的碳减排效应也存在不同。在数字经济发展情况较好的东部地区，有赖于丰富完善的数字经济基础设施、高素质的劳动力、高浓度的科技创新氛围，数字经济的碳减排效应相较于数字经济欠发达的地区会更好。同时，现阶段碳排放量低地区产业发展水平较为滞后，经济社会发展基础薄弱，数字化程度不高，从而数字经济的碳排放效应也相对较弱。基于此，本文提出以下假设：

假设1：数字经济发展能够降低区域碳排放。

假设2：数字经济的碳减排效应存在区域异质性和碳排放量异质性。

有关数字经济与制造业产业结构之间关系的研究相对较少。产业数字化和数字产业化是推动数字经济发展的主要原因。前者侧重于数字技术与实体经济的相互融合，即数字技术和数据资源在传统产业中的应用，并由此形成产出和效率提升；
后者则强调数字经济核心产业，即为产业数字化发展提供数字技术、数据要素等资源。对中国而言，服务业数字化快于制造业数字化、数字产业化快于产业数字化[13]。以互联网、软件等服务业为代表的数字产业化得到快速发展后，产生新的技术和生产管理模式，通过产业数字化的方式对制造业的改造赋能，推动传统制造业生产效率提升。由于一个地区在发展初始状态时总是传统制造业占比更多，产业数字化会更多地服务于传统制造业。传统制造业得到改造提升后，通过挤出效应淘汰一些粗放式产业，实现落后企业土地、能源等资源的腾退，从而获得足够的资源以发展新兴产业。因此，就制造业而言，数字经济发展的初期通过改造传统制造业，帮助其提升效率，实现传统制造业的产值增长。传统制造业产业改造提升到达一定程度后，利用其挤出高耗能、高排放的企业所获得的资源发展新兴产业。这时，数字经济促进制造业发展的重点将转向新兴产业，通过促进技术创新、资源配置、产业链互联等手段支持制造业领域的新兴产业发展，提升其在制造业产业结构中的比重。也就是说，数字经济对制造业产业结构的影响效应为先恶化后优化，即呈现正“U”形趋势。基于此，本文提出以下假设：

假设3：数字经济发展水平对制造业产业结构优化呈正“U”形影响。

工业总体碳排放中制造业占比最大，因此制造业碳减排结果直接关系到中国工业总体碳减排成效[14]。目前，围绕碳排放的研究已非常丰富，但关于制造业产业结构的研究仍不充分。制造业内部碳排放行业集聚特征显著[15]，根据中国碳核算数据库数据，2019年，技术密集型产业碳排放占总体碳排放比例仅为0.28%，劳动密集型和资本密集型占比为35.49%1。制造业从劳动、资本密集型向技术密集型转型后，其碳排放将显著降低[16]。但是，制造业结构优化对碳减排的影响并非一蹴而就，很多情况下碳减排滞后于技术进步[17] ，一些研究甚至提出技术进步有可能阶段性增加碳排放[18]。原因可能来自两个方面：一是为了实现更高的经济增长目标，在环保达标的前提下，经济体可能在传统制造业尚未腾退或改造完成之前，投入更多能源以支持新兴产业发展，导致碳排放不降反增[19]；
另一方面，在新兴产业发展之初，政府对产业布局过度干预现象的普遍存在，易导致重复建设、产能过剩等现象[20]，从而增加了碳排放。但伴随传统制造业腾退或改造完成，以及技术密集型的新兴产业占比逐步提高后，制造业产业结构优化将显著降低碳排放。长期来看，数字经济进一步发展使制造业领域的部分落后生产力淘汰腾退，促进更多资源向技术密集型制造业倾斜，技术密集型制造业占比相应提升[21]，实现制造业结构优化，最终降低区域碳排放。基于此，本文提出以下假设：

假设4：制造业产业结构优化对碳排放呈倒“U”形影响。

假设5：数字经济以制造业产业结构优化为路径降低区域碳排放。

三、 研究设计与变量选取

1. 变量定义

被解释变量：碳排放（CD）。以往研究多采用指数分解法[22]、投入产出法[23]等计算方法核定二氧化碳排放量，但有数据可得性较差、统计口径不一等缺陷。因此，本文选用中国碳核算数据库（Carbon Eminssion Aclounts and Datasets，CEADs）测算的2010—2019年中国省域二氧化碳排放量进行研究。为了获得更平滑的数据，对碳排放进行对数处理。

试验变量：数字经济发展水平（DE）。目前，学术界尚无统一的对数字经济发展水平进行测算的方法，较多采用的方法为建立综合指标体系。葛和平等[24]运用熵权TOPSIS法，从发展环境、产业数字化、数字产业化与数字化治理4个维度构建了数字经济发展水平指标体系并运用熵权法对我国各省域的数字经济进行了测度；
刘军等[25]从信息化发展、互联网发展和数字交易发展3个维度构建了省级数字经济评价指标体系[28]。本文参考黎新伍等[26]的研究，从数字经济基础设施、数字经济发展潜力、数字经济运用能力、数字经济发展环境4个方面构建数字经济发展水平综合指标体系，得到二级指标后，采用主成分分析法测度我国省域数字经济发展水平。具体指标选取及度量方式如表1所示。

机制变量：制造业产业结构（MS）。毛艳华等[27]根据OECD组织高新技术产业分类方法，将制造业产业分为高、中、低端技术制造业。冯春晓[28]则运用制造业产业结构合理化、高度化指标评估制造业产业结构。王志华等[29]用从业人员及其报酬数、资本存量、研发投入依次表示制造业各行业的劳动、资本与技术密集度。本文借鉴其方法，基于2010—2019年中国制造业28个细分行业劳动、资本与技术要素所占比重，将制造业分为劳动、资本与技术密集型三类制造业。具体分类如表2所示。制造业产业结构以“技术密集型产业产值”与“劳动密集型和资本密集型产值之和”的比值描述。比值越高，表示制造业产业结构越优。

控制变量：人口规模由各地区年末总人口表示，并作对数化处理；
外商直接投资使用各省份按当年人民币兑美元汇率进行转化后的实际利用外资与地区GDP的比值表示；
市场化指数来自《中国分省份市场化指数报告（2018）》，并作对数化处理；
产业结构变量由各地区三产与二产增加值的比值表示；
环境规制采用地方财政环境保护支出占总财政支出的比值表示；
人均GDP采用各地区国民生产总值与年末总人口的比值表示，并作对数化处理；
贸易开放度采用进出口总额与地区GDP的比值表示。

2. 模型设计

（1）基准回归模型

本文采用个体、时间双向固定效应面板模型进行检验，基准回归模型形式如下：

[ln CDi，t=α0+α1DEi，t+βCONTROLi，t+δt+μi+εi，t] （1）

式（1）中，i和t分别为省份和年份；
CDi，t为被解释变量，表示省份i在t年内的区域碳排放量；
DEi，t为试验变量，表示省份i在t年的数字经济发展水平；
CONTROLi，t为控制变量，包括人口规模、外商直接投资、市场化指数、产业结构、环境规制、人均GDP；
μi为区域的省份控制效应，控制不随时间变化且不可观测的省份固有特征，δt为时间控制效应，控制不随省份变化且不可观测的宏观经济冲击；
α0为常数项，εi，t为随机误差。

（2）机制分析模型

为了探讨数字经济发展水平、制造业产业结构和碳排放的非线性关系，本文在式（1）的基础上加入数字经济发展水平和制造业产业结构的二次项作为试验变量，得到以下模型：

[MSi，t=θ0+θ1DEi，t+θ2DE2i，t+βCONTROLi，t+δt+μi+εi，t ] （2）

[ln CDi，t=γ0+γ1MSi，t+γ2MS2i，t+βCONTROLi，t+δt+μi+εi，t] （3）

式（2）（3）中，MSi，t为机制变量，表示省份i在t年的制造业产业结构，其余变量同式（1）。当θ2=0或不显著时，数字经济发展水平与区域碳排放的关系为线性相关；
当θ2<0时，数字经济发展水平与区域碳排放为倒“U”形关系；
当θ2>0时，数字经济发展水平与区域碳排放为正“U”形关系。同样地，由γ的符号可以看出制造业产业结构与碳排放之间的非线性关系。

（3）异质性分析：分位数回归模型

为研究区域碳排放量异质性，本文采用分位数模型考察条件分布情况。

[Quantq（lnCD/CONTROL）=βq，0+βq，1DEi，t+εi，t] （4）

式（4）中，Quantq为q分位点上对应的碳排放水平，βq，0和βq，1表示q分位点上的回归系数，其余变量同式（1）至式（4）。

3. 数据来源

碳排放数据来源于中国碳核算数据库（CEADs）；
数字经济发展水平相关数据中，数字普惠金融指标来自北京大学数字普惠金融指数[30]，其余指标来自《中国统计年鉴》《中国科技统计年鉴》；
制造业产业结构数据来自《中国人口和就业统计年鉴》和《中国工业经济统计年鉴》；
控制变量中，除市场化指数来自王小鲁等[31]测算的《中国分省份市场化指数报告（2018）》，其余指标来自《中国统计年鉴》。

四、 实证分析

1. 主要变量的描述性统计

变量的描述性统计结果如表3所示。

表3 主要变量的描述性统计结果

[变量类型 变量名 观测量 平均值 标准差 最小值 最大值 被解释变量 碳排放 270 5.647 0.774 3.785 7.438 试验变量 数字经济发展水平 270 0.592 0.060 0.492 0.859 机制变量 制造业产业结构 270 0.491 0.478 0.042 2.724 控制变量 人口规模 270 8.204 0.741 6.342 9.433 外商直接投资 270 0.021 0.019 0.001 0.121 市场化指数 270 2.029 0.265 1.212 2.441 产业结构 270 1.292 0.712 0.527 5.234 环境规制 270 0.008 0.006 0.002 0.043 人均GDP 270 1.544 0.432 0.464 2.784 贸易开放度 270 0.279 0.279 0.130 1.464 ]

2. 相关性分析

在进行实证检验之前，本文首先对主要变量进行相关性检验，数字经济发展水平变量与碳排放变量之间的相关系数为-0.1204，且在5%水平上显著，与本文假设相符；
制造业产业结构与数字经济发展水平、碳排放之间的相关性均不显著，说明不存在线性关系，与本文假设相符。VIF（Variance Inflation Factor）检验结果显示全部变量VIF值均小于10，不存在多重共线性。

3. 基准回归

为获得最佳的模型拟合效果，依照豪斯曼检验对固定效应模型（Fixed Effects Model，FE）和随机效应模型（Random Effects Model，RE）的拟合效果进行检验，结果显示FE与本研究更为契合。为了降低面板数据在时间和个体上的非稳定性，本文采用双向固定效应的面板回归模型进行基准回归。结果如表4所示，模型（1）报告了不添加控制变量的情况下数字经济发展水平对碳排放的影响，模型（2）添加了控制变量。

从表4的回归结果可以看出，不论是否添加控制变量，数字经济发展水平均对碳排放有抑制效应，且都通过5%置信水平下的显著性检验。添加控制变量后，数字经济发展水平对碳排放的回归系数绝对值减小，说明未添加控制变量时，回归模型夸大了数字经济对碳减排的影响效应，控制变量选择合理。结果表明，数字经济发展水平对区域碳排放具有显著的抑制效应，假设1成立。根据模型（2）的结果可以看出，数字经济发展水平每提升1个单位，会降低2.858个单位的碳排放。数字经济的发展可以促进资源的快速流动、融合与利用，改善资源配置，减少不必要的能源消耗，提升社会生产效率，从而降低碳排放。控制变量中，人口规模对碳排放的促进效应通过了1%置信水平的显著性检验，贸易开放度对碳排放的促进效应通过5%置信水平的显著性检验。人口的不断增长会提升对食物、住房、交通等的需求，而满足这些需求需要工业、能源的支撑，从而产生更多的碳排放。贸易开放为发达国家将高耗能、高排放的低端产业向我国转移提供了条件，为发达国家生产了大量高碳产品，造成我国碳排放量的增长，即“污染避难所”效应。

4. 稳健性检验

替换试验变量。本文采用熵值法替换主成分分析法构建新的数字经济发展水平，运用同样的方法进行双向固定效应面板回归，以检验替换试验变量数字经济发展水平后结论是否具有稳健性。结果如表5列（1）所示，替换试验变量后数字经济发展水平的系数仍显著为负，证明数字经济显著抑制碳排放的结论稳健。

替换被解释变量。考虑到各地区人口规模存在较大差异，本文将前文的碳排放数据与人口规模的比值作为人均碳排放，以检验替换被解释变量区域碳排放后结论是否具有稳健性。结果如表5列（2）所示，替换被解释变量后数字经济发展水平的系数仍显著为负，证明数字经济显著抑制碳排放的结论稳健。

替换回归模型。前文基准回归采用的是静态面板模型，考虑到碳排放存在一定的时序性特征，本文利用动态面板回归模型验证结论是否具有稳健性。考虑到系统GMM模型相较于差分GMM模型引进了水平方程，减少了估计误差，因此采用系统GMM模型。在式（1）的基础上纳入滞后一期的碳排放变量后，利用两步系统GMM模型进行估计，结果如表5列（3）所示。数字经济的系数仍显著为负，且AR（1）显著而AR（2）不显著，扰动项无自相关，再次证明数字经济显著抑制碳排放的结论是稳健的。

5. 异质性分析

虽然总体来看数字经济发展水平对碳排放有抑制效应，但我国国土面积大，各区域之间发展水平差距大，这种抑制效应可能存在区域异质性。本文将30个省区市按东、中、西部分类后，分区域进行回归，结果如表6所示。结果表明，3个区域的数字经济回归系数为-3.614，-2.909，-2.369，仅有东部地区通过了1%置信水平下的显著性检验。说明数字经济对碳排放的抑制效应仅在东部地区生效，而中部、西部地区并无明显效应。东部地区较中部、西部地区有先天的地理优势，基础设施建设完善，贸易开放度高，人才、资本积累充分。在这样的优势下，东部地区的产业结构不断优化升级，高新技术不断迭代，为数字经济的发展提供了有利条件，数字经济的碳减排效应也更加明显。中西部地区交通便利程度低，基础设施差，人才、资本积累贫乏，导致数字经济的发展受到限制，阻碍了数字经济发展水平对碳排放的抑制作用。

分位数回归相较于其他回归模型受极值的影响更小，并且可以清晰地刻画条件分布情况[32]。本文选取25%、50%、75%这3个代表性分位点，考察区域碳排放量异质性。结果如表7所示，不论是哪个分位点，数字经济发展水平均有显著抑制碳排放的影响效应。随着分位点的不断提高，数字经济发展水平对区域碳排放的回归系数绝对值呈现先升后降的态势，即随着碳排放量的增加，数字经济对于碳减排的贡献是先增后减。可能的原因在于，现阶段碳排放量低的地区产业发展水平较为滞后，经济社会发展基础薄弱，数字化程度不高。此时，数字经济的发展降低区域碳排放量的效果更为明显。随着地区不断发展，数字基础设施日益完善，数字经济降低区域碳排放量的效果会得到进一步提升。碳排放量较高的地区产业发展水平和经济基础较好，已经形成初具规模的数字经济。此时，由于边际效应的存在，数字经济规模的持续扩大带来的碳减排效应势必会有所减弱。假设2成立。

6. 机制分析

为了探讨数字经济发展水平与制造业产业结构的非线性关系，本文将数字经济发展水平的二次项纳入模型对制造业产业结构进行回归，结果如表8所示。

表8报告了数字经济发展水平与制造业产业结构的非线性关系及“U”形关系检验结果。模型（1）在未纳入控制变量、不考虑固定效应时，系数中一次项显著为负，平方项显著为正，根据Hanns等[33]对“U”形关系的判断方法，该模型通过“U”形关系检验，即数字经济发展水平与制造业产业结构之间呈现“U”形曲线关系。模型（2）在模型（1）的基础上进行了时间固定和个体固定，通过“U”形关系检验。模型（3）进一步引入控制变量，结果依然显著，且“U”形关系依然成立，拐点为0.76，即当数字经济发展水平低于0.76时，数字经济的发展会劣化制造业产业结构，而当数字经济高于0.76时，继续发展数字经济会优化制造业产业结构，假设3成立。样本期内数字经济均值为0.59，大部分省区市位于拐点左侧，仍处于数字经济发展劣化制造业产业结构的阶段。2019年，30个省区市中仅有北京市和上海市在拐点右侧，到达数字经济发展优化制造业产业结构的阶段。

制造业细分行业中，能源需求和能耗结构各不相同，所产生的碳排放量也不同。因此，制造业产业结构变化会影响碳排放。当高碳排放的产业比重下降，低碳排放的产业比重上升时，总体碳排放水平下降。制造业中，高碳产业主要为金属冶炼加工、石油化工类产业，集中于劳动密集型和资本密集型产业。技术密集型制造业依赖于大量的新兴技术，这些新兴技术往往具有绿色、环保、低碳的特征，碳排放较低。在制造业细分行业从劳动密集型和资本密集型转向技术密集型的过程中，碳排放逐渐降低，即制造业产业结构优化将会降低碳排放。

表9报告了制造业产业结构与碳排放的非线性关系及“U”形检验结果。模型（1）在未纳入控制变量、不考虑固定效应时，平方项系数显著为负，且通过“U”形关系检验，即制造业产业结构与碳排放之间呈现倒“U”形曲线关系。模型（2）在模型（1）的基础上进行了时间固定和个体固定，通过“U”形关系检验。模型（3）进一步引入控制变量，结果依然显著，且“U”形关系依然成立，拐点为0.92，即当制造业产业结构低于0.92时，制造业产业结构优化会提升碳排放，而当制造业产业结构高于0.92时，继续优化制造业产业结构会降低碳排放，假设4成立。可能的原因有以下3个方面：一是制造业产业结构改善初期时常有地方政府过度干预产业发展的现象，造成重复建设等问题；
二是碳减排往往有一定滞后性；
三是为了经济发展往往会投入更多的能源以促进新兴产业发展，造成能源回弹。但长期来看，劳动密集型、资本密集型制造业向技术密集型制造业转移有利于降低碳排放，因为技术密集型制造业本身不属于高碳产业，并且依赖于大量新兴技术，技术密集型制造业有更高效的生产和管理模式，碳生产率往往更高。

综上所述，制造业产业结构优化要有先“腾笼”后“换鸟”的时间周期。在数字经济发展初期，制造业产业结构中的存量产业，其中绝大多数为传统产业和高碳产业，其率先尝试产业数字化转型，一部分转型成功的企业实现产值提升和碳减排；
发展后期，数字经济促进产业结构中的增量产业，绝大多数为新招引落地的技术密集型制造业快速发展，同时逐步淘汰和腾退那些仍然无法实现数字化转型的传统产业和高碳产业，促进制造业产业结构优化，从而降低碳排放。因此，数字经济发展的不同阶段，数字化转型都会通过影响制造业产业结构降低碳排放，即假设5成立。

五、 结论与政策建议

本文通过双向固定面板回归模型对2011—2019我国省级数字经济发展水平和区域碳排放数据进行回归分析，并引入制造业产业结构优化作为机制变量，探讨数字经济与制造业产业结构的关系以及数字经济影响区域碳排放的机制，主要得到以下结论：

第一，数字经济发展水平显著降低区域碳排放，替换被解释变量、替换试验变量、更换回归模型均不改变结论的稳健性。存在区域异质性，仅东部地区通过显著性检验；
同时存在区域碳排放量异质性，随着碳排放量增加，数字经济对于碳减排的贡献先增后减。

第二，数字经济发展水平对制造业产业结构存在显著的先劣化后优化的影响，即正“U”形关系；
制造业产业结构优化对碳排放存在显著的先促进后抑制影响，即倒“U”形关系。

第三，数字经济以制造业产业结构优化为路径降低区域碳排放。初期，随着数字经济水平的提高，劳动密集型、资本密集型制造业率先实现数字化转型，碳排放相应降低；
后期，数字经济水平越高，技术密集型制造业占比越高，碳排放越低。

基于以上研究结论，本文提出以下关于制造业领域推动数字化绿色化协同发展的政策建议：

第一，创新绿色智造公共服务体系。探索搭建“数字化·绿色化”技术改造公共服务平台，汇集重点行业、企业技术改造需求，促进供需双方需求对接。加快培育节能降碳技术改造工程服务商，面向重点行业、企业提供智能制造、节能诊断、集成应用、合同能源管理等改造服务。结合智能化、数字化技改需求，定期迭代更新工程解决方案服务商信息，择优进行宣传推广。

第二，建设低碳技术创新平台。加快绿色低碳、智能制造等领域制造业（技术、产业）创新中心建设，提升数字技术、低碳技术攻关和产业化应用，提高清洁能源领域现有创新载体能力和水平。支持行业龙头企业联合高校、科研院所和行业上下游企业组建技术创新联合体，加大关键核心低碳技术攻关力度，加快工程化产业化突破，积极打造数字化绿色化技术创新集聚区。

第三，推动制造业产业结构优化。严格按照能源、土地、环保、安全、质量等领域法律法规、强制性标准和政策要求，倒逼高耗企业加快整治，为优质企业腾出用能、用地空间。瞄准数字技术赋能的绿色低碳产业，灵活运用产业链招商、基金招商、平台招商、总部招商等多种方式，编制重点目标企业名单，主动谋划引进创新能力强、具备核心竞争力的重大项目。

参考文献：

[1] IEA.CO2 Emissions in 2023[R].Paris：IEA，2024.

[2] 胡剑波，罗志鹏.多情景模拟下我国制造业能源消费结构与碳达峰预测研究[J].江西社会科学，2022，42（4）：50-60.

[3] 庄贵阳.我国实现“双碳”目标面临的挑战及对策[J].人民论坛，2021（18）：50-53.

[4] 毛艳华，张超，李松.数字经济对制造业产业结构升级的影响研究——以我国三大城市群为例[J].城市问题，2024（1）：4-15.

[5] 徐圆.源于社会压力的非正式性环境规制是否约束了中国的工业污染？[J].财贸研究，2014，25（2）：7-15.

[6] 李欣，杨朝远，曹建华.网络舆论有助于缓解雾霾污染吗？——兼论雾霾污染的空间溢出效应[J].经济学动态，2017（6）：45-57.

[7] 张华，冯烽.非正式环境规制能否降低碳排放？——来自环境信息公开的准自然实验[J].经济与管理研究，2020，41（8）：62-80.

[8] 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].当代经济管理，2022，44（2）：68-78.

[9] 丁玉龙，秦尊文.信息通信技术对绿色经济效率的影响——基于面板Tobit模型的实证研究[J].学习与实践，2021（4）：32-44.

[10] Chang H，Ding Q Y，Zhao W Z，et al.The Digital Economy，Industrial Structure Upgrading， and Carbon Emission Intensity—empirical Evidence from Chinas Provinces[J].Energy Strategy Reviews，2023（50）：101218.

[11] Kohli R，Melville N P.Digital Innovation：
A Review and Synthesis[J].Information Systems Journal，2019，29（1）：200-223.

[12] Zhang C，Ji W.Digital Twin-driven Carbon Emission Prediction and Low-carbon Control of Intelligent Manufacturing Job-shop[J].Procedia CIRP，2019（83）：624-629.

[13] 黄建忠，赵玲，何茜茜.加快中国特色数字经济发展的若干理论思考与政策建议——基于马克思主义政治经济学的视角[J].宏观经济研究，2023（4）：4-13.

[14] 付华，李国平，朱婷.中国制造业行业碳排放：行业差异与驱动因素分解[J].改革，2021（5）：38-52.

[15] 王霞，张丽君，秦耀辰，等.中国高碳制造业碳排放时空演变及其驱动因素[J].资源科学，2020，42（2）：323-333.

[16] 余红伟，张洛熙.制造业结构升级促进了区域空气质量改善吗？——基于2004—2013年省级面板数据的实证分析[J].中国地质大学学报（社会科学版），2015，15（5）：33-42.

[17] 原嫄，席强敏，李国平.产业关联水平对碳排放演化的影响机理及效应研究——基于欧盟27国投入产出数据的实证分析[J].自然资源学报，2017，32（5）：841-853.

[18] 欧国立，王妍.交通运输业技术进步对二氧化碳排放的影响——基于中国省级面板数据的实证研究[J].生态经济，2018，34（11）：64-71.

[19] 张济建，万安位，宋雅静.能源回弹效应下高碳产业低碳转型过程中的技术突变性[J].科技进步与对策，2020，37（18）：60-69.

[20] 江飞涛，耿强，吕大国，等.地区竞争、体制扭曲与产能过剩的形成机理[J].中国工业经济，2012（6）：44-56

[21] 谢文倩，高康，余家凤.数字经济、产业结构升级与碳排放[J].统计与决策，2022，38（17）：114-118.

[22] 王凯，唐小惠，甘畅，等.中国服务业碳排放强度时空格局及影响因素[J].中国人口·资源与环境，2021，31（8）：23-31.

[23] 张友国.经济发展方式变化对中国碳排放强度的影响[J].经济研究，2010，45（4）：120-133.

[24] 葛和平，吴福象.数字经济赋能经济高质量发展：理论机制与经验证据[J].南京社会科学，2021（1）：24-23.

[25] 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.

[26] 黎新伍，黎宁，谢云飞.数字经济、制造业集聚与碳生产率[J].中南财经政法大学学报，2022（6）：131-145.

[27] 毛艳华，张超，李松.数字经济对制造业产业结构升级的影响研究——以我国三大城市群为例[J].城市问题，2024（1）：4-15.

[28] 冯春晓.我国对外直接投资与产业结构优化的实证研究——以制造业为例[J].国际贸易问题，2009（8）：97-104.

[29] 王志华，董存田.中国制造业产业结构与劳动力素质结构吻合度分析[J].人口与经济，2012（5）．

[30] 郭峰，王靖一，王芳，等.测度中国数字普惠金融发展：指数编制与空间特征[J].经济学，2020，19（4）：1401-1418.

[31] 王小鲁，樊纲，胡李鹏.中国分省份市场化指数报告（2018）[R].北京：社会科学文献出版社，2019.

[32] 邬彩霞，高媛.数字经济驱动低碳产业发展的机制与效应研究[J].贵州社会科学，2020（11）：155-161.

[33] Haans R F J，Pieters C，He Z L.Thinking about U：Theorizing and Testing U-and Inverted U-Shaped Relationships in Strategy Research[J].Strategic Management Journal，2016，37（7）：1177-1195.

基金项目：浙江省社会科学界联合会研究课题成果“浙江省制造业结构升级对碳达峰趋势的影响研究”（项目编号：2022N139）。

作者简介：梁靓，男，博士，浙江省工业和信息化研究院副院长，高级经济师，研究方向为先进制造业集群;卞梦颖，女，通讯作者，浙江工业大学管理学院博士研究生，研究方向为先进制造业集群。

（收稿日期：2024-01-28  责任编辑：殷 俊）

猜你喜欢 碳排放数字经济 一起来认识“数字经济”大众科学(2017年3期)2017-03-21OECD国家数字经济战略的经验和启示现代管理科学(2017年3期)2017-03-03从数字经济视角解读欧亚经济联盟与丝绸之路经济带对接西伯利亚研究(2016年5期)2016-12-23济南市公共交通低碳发展路径探索科学与管理(2016年5期)2016-12-01新疆碳排放与经济增长实证研究智富时代(2016年12期)2016-12-01新疆碳排放与经济增长实证研究智富时代(2016年12期)2016-12-01宁夏碳排放与经济增长的脱钩关系研究中小企业管理与科技·下旬刊(2016年10期)2016-11-18数字经济对CFC规则的冲击探究中国市场(2016年37期)2016-11-12重庆市碳排放现状及低碳发展路径分析美与时代·城市版(2016年8期)2016-11-10碳排放、产业结构与经济增长的关系研究大众理财顾问(2016年8期)2016-09-28