| 联系我们 |
 |
合作经济与科技杂志社
地址：石家庄市建设南大街21号
邮编：050011
电话：0311-86049879 |
|
|
| 经济/产业 |
| 数字经济政策对绿色全要素生产率影响分析 |
| 第778期 作者：□文/刘 燕 时间：2026/6/2 9:18:25 浏览：58次 |
［提要］ 本文基于我国30个省级面板数据，将国家大数据综合试验区设立作为一项准自然实验，运用多期双重差分模型与中介效应模型，系统考察数字经济政策对绿色全要素生产率的影响效应及其微观传导机制。研究发现：（1）国家大数据综合试验区政策显著提升区域绿色全要素生产率，经过一系列稳健性检验后该结论依然成立；（2）机制检验表明，数字经济政策对绿色创新的驱动作用存在显著的量质背离特征，显著促进绿色创新数量的扩张，但对创新质量产生挤出效应；（3）异质性分析显示，政策红利在东部及资源型地区释放更为充分，表明数字经济有助于打破传统路径依赖，具有显著的补短板与结构纠偏功能。
关键词：数字经济政策；绿色全要素生产率；国家大数据综合试验区
中图分类号：F12 文献标识码：A
收录日期：2026年1月21日
在“双碳”战略与新质生产力培育的双重导向下，数字经济已成为破除环境桎梏、驱动绿色转型的核心动能。尽管现有研究已证实国家大数据综合试验区等政策能通过产业结构升级、要素配置优化及赋能环境规制等非创新路径显著提升绿色全要素生产率（GTFP），并呈现出明显的空间溢出与区域追赶效应，但数字经济赋能GTFP的微观机理，尤其是绿色创新这一核心中介路径的内在逻辑仍有待厘清。主流观点虽强调绿色创新在降低损耗与环境治理中的双重属性，但往往将其视为“黑箱”，缺乏对创新质量与动机的深度甄别。本文不仅关注政策的净效应，更致力于剖析大数据政策如何通过数据要素赋能激发企业创新，并辨析这种驱动效应究竟是实质性的技术突破，还是基于政策考核压力下的策略性迎合。通过区分绿色创新的量与质，旨在揭示数字经济驱动创新的非对称特征，并为资源型地区实现“补短板”与“促转型”提供经验证据，从而为因地制宜制定差异化的区域数字经济战略提供理论支撑。
一、理论分析与研究假设
（一）国家大数据综合试验区的直接赋能机制。国家大数据综合试验区作为准自然实验，通过制度创新和基础设施建设带动绿色转型。数据要素具有非消耗性与清洁属性，其进入生产流程后能替代高污染与高能耗的传统要素，并通过优化生产流程和决策降低资源消耗和污染排放。同时，大数据技术降低了信息不对称程度，实现企业投入品精准匹配，减少无效消耗。进一步地，数字化管理可提高管理效率，推动生产方式从粗放型向集约型转变，进而提升GTFP。基于此，提出以下假设：
H1：数字经济政策能够显著提升GTFP
（二）绿色创新的中介传导机制。数字经济政策显著驱动绿色创新数量扩张，通过规模效应提升GTFP。第一，大数据试验区的基建优势降低了绿色技术的搜寻与匹配成本，其数据流动性加速知识显性化与跨界扩散，降低企业模仿创新的门槛。第二，在财税激励与波特假说下制度合法性动机的双重驱动下，企业专利申请规模显著扩张。这种绿色创新产出的增加，一方面通过生产流程的“绿化”改造降低了能源消耗强度；另一方面通过末端治理技术的普及改善了环境投入产出关系，最终实现GTFP的系统性增长。基于此，提出以下假设：
H2a：数字经济政策显著促进绿色创新数量增加，驱动GTFP提升
政策压力可能诱发企业的策略性创新行为，通过挤出创新质量削弱GTFP增长动力。绿色实质性创新具有高风险、长周期特征。在政企信息不对称下，企业为在短期内满足考核或寻租补贴，倾向于选择门槛低、产出快的策略性创新。这种行为易导致专利泡沫化，并因研发资源竞争挤占实质性创新投入，形成格雷欣法则式的驱逐效应。不同于数量扩张，GTFP的持续提升高度依赖底层工艺重构等高质量创新。若政策仅诱发低质量的策略性行为，将导致资源错配并阻碍生产边界向技术前沿面移动，使GTFP缺乏长效增长源泉。基于此，提出以下假设：
H2b：受企业策略性迎合动机与信息不对称约束，数字经济政策可能对绿色创新质量产生挤出效应，进而削弱GTFP的增长动力
（三）地区与资源禀赋差异。数字经济政策对GTFP的赋能效应受制于区域资源禀赋与制度环境，在空间上可能呈现差异化特征。一方面，基于门槛效应，东部发达地区凭借其完善的数字基建、人才集聚及金融市场优势，能更高效地吸收政策红利，通过要素集聚实现绿色技术领跑；另一方面，基于赶超效应，数据要素的非竞争性与跨时空属性有助于打破地理桎梏，通过优化中西部等落后地区的资源配置效率，产生更大的边际增益，助力其实现换道超车。基于此，提出以下假设：
H3：受区域及城市资源禀赋影响，数字经济政策对绿色全要素生产率的提升作用有显著差异
二、研究设计
（一）样本与数据。本文选取2011～2024年我国30个省份（不含港澳台及西藏地区）的数据。绿色全要素生产率的投入产出数据主要来源于《中国统计年鉴》、《中国城市统计年鉴》及各地方统计年鉴；绿色创新数据来源于国家知识产权局；控制变量数据来源于EPS数据库及《中国财政年鉴》等。本文采用线性插值法填补个别缺失年份并进行对数化处理。
（二）变量说明
1、被解释变量：绿色全要素生产率（GTFP）。本文借鉴郭海红等做法，采用包含非期望产出的非径向SBM-ML指数对各省份的GTFP进行测算：在投入维度，纳入劳动力（年末就业人数）、资本存量（采用永续盘存法估算的固定资本存量）以及能源消耗（电力与供水总量）；在期望产出维度，选取剔除价格因素后的实际GDP来表征经济发展水平；在非期望产出维度，则重点考察环境负外部性，选取工业废水、二氧化硫及烟粉尘排放量作为代理指标。
2、核心解释变量：国家大数据综合试验区政策（DID）。若省份i在第t年已被纳入国家大数据综合试验区，则DID=1；否则DID=0。其中，贵州的政策实施时间为2015年，北京、天津、河北、上海、广东、内蒙古、重庆、河南的政策实施时间为2016年；其余省份为控制组。
3、机制变量：绿色创新（GInv）。借鉴王馨等的方法，采用绿色专利申请数量作为企业绿色创新水平的代理指标。具体地，本文将绿色发明专利申请数量与绿色实用新型专利申请数量加总获得绿色创新总量（GInv），以绿色发明专利申请量衡量绿色创新质量（GInvQ），同时选取绿色实用新型专利申请量作为对比指标，以衡量绿色创新数量（GInvN），并对上述数据进行加1后取自然对数处理。
4、控制变量：财政分权（FD）。用年末财政预算收入/年末财政预算支出表征；经济发展水平（EDL），采用人均GDP的对数衡量；产业结构（IS），以第三产业产值与地区GDP比值进行表征；数字基础（INF），用电话普及率表示；对外开放度（OTW），用进出口总额/地区GDP进行衡量。（表1）
（三）模型设计。平行趋势检验结果显示，政策实施前（t＜0）估计系数不显著且在零值附近，满足平行趋势假设。在政策实施后（t＞0）系数显著跃升且持续为正，表明政策具有长期赋能效应而非短期脉冲。（图1）
1、基准回归模型。由于样本省份纳入大数据试验区名单的时间存在差异，本文选用多时点双重差分模型来考察数字经济政策的实施效果，模型如下：
GTFPit＝α+α1DIDit+λXit+μi+νt+εit （1）
其中，GTFPit代表i省份在t时期的绿色全要素生产率；DIDit为政策虚拟变量；X为一系列控制变量；μi和νt分别为省份和年份固定效应；εit为随机扰动项。
2、中介模型。为检验绿色创新的传导机制，参考江艇的方法，构建如下中介模型：
Mit＝β0+β1DIDit+λXit+μi+νt+εit （2）
其中，Mit代表机制变量绿色创新。
三、实证分析
（一）特征事实分析。为了直观考察2011～2024年绿色创新在政策实施前后的变化趋势，本文绘制了处理组与控制组在2011～2024年的年度均值演变趋势，如图2所示。二者表现出“量质分离”甚至“量增质降”特征。具体而言，2011～2024年期间两组指标整体呈现先上升后下降的变化趋势，处理组与控制组保持高度一致，且前者水平总体保持大于后者。然而，在2021年后创新数量与质量均表现为下降趋势，且创新质量下降幅度明显大于创新数量。（图2）
（二）基准回归分析。基准回归结果如表2所示。在逐步控制双向固定效应与控制变量后，列（1）～列（3）的DID系数均在1%水平上显著为正。从系数大小来看，该政策使城市GTFP平均提升了1.62%，实证支持了大数据试验区对绿色全要素生产率的驱动作用。（表2）
（三）机制检验分析。为了揭示数字经济政策影响绿色全要素生产率的微观传导机制，本文进一步检验了绿色创新的中介效应，结果见表3。从整体和数量维度来看，数字经济政策呈现显著的增量特征。列（2）和列（6）显示，DID对绿色创新总量和数量的回归系数均显著为正。结合列（1）、列（5）中中介变量对GTFP的正向影响可知，国家大数据综合试验区有效激发了试点地区的创新活力，通过绿色专利申请的规模效应，正向传导并提升了GTFP。从质量维度来看，政策效应存在显著的减质现象。列（4）显示，DID对绿色创新质量的回归系数在5%的水平上显著为负。这证实了政策冲击对高质量实质性创新产生了挤出效应。这可能源于企业的策略性创新动机，即为迎合政策考核或获取补贴而倾向于低门槛、快产出的实用新型专利，相对忽视了高风险、长周期的发明专利研发，导致专利产出呈现重数量、轻质量的非对称特征。（表3）
（四）异质性分析
1、地理区位的异质性分析。表4列（1）～列（3）结果显示，DID系数在东、中、西部均至少在5%水平上显著为正，且呈现东部最强、西部次之、中部最弱的特征。可能原因为：东部地区市场化程度更高、要素配置效率更强、绿色技术与产业基础更完善，政策约束更易转化为企业绿色技术改造与效率提升，从而产生更大的GTFP增益；西部地区可能借助“东数西算”或绿色能源优势实现了弯道超车；而中部地区处于产业结构与发展阶段的过渡区，资源要素与创新能力相对不足，并可能受到承接产业转移所致高耗能路径依赖的制约，导致政策作用的传导效率相对偏弱，因此估计效应最低。（表4）
2、资源禀赋的异质性分析。表4列（4）、列（5）为资源型与非资源型地区的分组回归结果。结果显示，DID显著提升了各类地区的GTFP，且在资源型地区效应更强。可能原因为：资源型地区长期受制于以重化工为主的单一产业结构，面临高能耗、高排放与低效率的结构刚性困境，绿色转型的边际改善需求极为迫切，而智能化能源管理等手段能对传统高耗能产业产生强大的纠偏效应，从而带来更显著的边际增量；非资源型地区多以服务业或轻工业为主导，产业结构相对清洁，绿色生产率基数较高，受边际报酬递减规律影响，政策带来的边际提升幅度相对平缓。
（五）稳健性检验分析。为检验基准回归结果的稳健性，本文通过对国家大数据综合试验区名单进行500次随机抽取并重复回归，结果如图3所示。从图3中可以看出，虚构政策变量的估计系数集中分布于0附近，显著偏离真实政策效应，通过了安慰剂检验。（图3）
本文还进行了以下稳健性检验：（1）替换被解释变量，借鉴Oh的方法，采用基于SBM方向距离函数构建的GML指数重新测度GTFP；（2）缩尾处理，对所有连续变量进行了上下5%的缩尾处理，以排除极端值对估计结果的潜在干扰；（3）剔除特殊年份样本，考虑到新冠肺炎疫情对宏观经济及环境规制执行的系统性影响，剔除2021～2022年样本以捕捉常规年份政策效应；（4）解释变量滞后一期，考虑到政策传导的时滞性，并将核心解释变量滞后一期，以缓解潜在的反向因果问题。表5检验结果显示，在多种稳健性检验下，DID始终保持显著正向影响，有力支持了数字经济政策促进GTFP提升的研究结论。（表5）
四、结论及政策建议
（一）结论。基于我国30个省级面板数据的实证研究发现，国家大数据综合试验区政策已成为驱动区域绿色全要素生产率提升的重要外部力量。机制检验表明，数字经济政策对绿色创新的驱动呈现出显著的量质不协同特征。数字经济政策显著提升了策略性绿色创新（数量），但对实质性绿色技术突破（质量）存在一定的挤出效应。这表明现阶段数字经济政策更多通过降低门槛激发企业的迎合性创新，而非深度的技术迭代。此外，政策效应受地区禀赋约束明显，该政策在东部地区及资源型城市的补短板与促转型效能释放得更为充分。
（二）政策建议。基于上述结论，提出如下建议：
1、优化考核体系，从重数量向重质量转变。应重构数字经济政策的绩效评价指挥棒，从数量导向向质量导向转型。建立涵盖技术复杂度、成果转化率及碳减排实效的综合评价体系，规避企业的策略性专利寻租行为。建立以实质性技术贡献、成果转化率为核心的绿色创新评价体系，抑制企业的策略性创新行为，引导资金和人才流向高价值的绿色技术研发领域。
2、因地制宜，实施差异化数字赋能策略。针对西部及资源型地区，重点依托“东数西算”工程与绿色能源优势，加速数字基础设施建设，推动数字技术在能源开采、重化工业等传统领域的深度嵌入，以产业数字化带动绿色全要素生产率的跨越式提升；针对东部发达地区，则应侧重于推动数字技术与前沿绿色低碳技术的深度融合，并强化其对中部及周边区域的技术溢出与辐射带动作用。
3、强化数字技术在环境规制中的应用。充分利用大数据平台打破信息壁垒，建立跨部门、跨区域的生态环境监测网络。利用数据要素优化资源配置，提升政府环境监管的精准度，通过数字化治理倒逼企业进行实质性的绿色转型，而非停留在表面的数字化应用。
（作者单位：武汉轻工大学经济学院）
主要参考文献：
［1］严芝清，杨子生，钟文.数字金融发展对城市绿色全要素生产率的影响：效应与机制［J］.统计与决策，2024.40（23）.
［2］蒲晓轩，李瑞海，朱颖隽.数字经济赋能、政府环境审计质量提升与企业绿色创新［J/OL］.工程管理科技前沿，2025-12-06.
［3］刘荣洋，杨来科.数字政策如何重塑绿色生产率——来自大数据综合试验区的经验证据［J］.经济问题探索，2025（10）.
［4］梁思雨，王宇航，杜辉.低碳城市试点政策对城市绿色全要素生产率的驱动效应与作用路径研究［J］.河北民族师范学院学报，2025.45（04）.
［5］吕德胜，王珏，唐青青.数字经济实现了绿色创新“增量提质”吗——基于异质环境关注视角［J］.山西财经大学学报，2023.45（05）.
［6］吴信科.数字经济政策、环境不确定性与企业绿色创新［J］.统计与决策，2025.41（20）.
［7］郭海红，刘新民.中国农业绿色全要素生产率时空演变［J］.中国管理科学，2020.28（09）.
［8］王馨，王营.绿色信贷政策增进绿色创新研究［J］.管理世界，2021.37（06）.
［9］江艇.因果推断经验研究中的中介效应与调节效应［J］.中国工业经济，2022（05）.
|
|
|
|
