EN中文

经济地理 >

2024 , Vol. 44 >Issue 9: 123 - 132

DOI: https://doi.org/10.15957/j.cnki.jjdl.2024.09.013

产业经济与创新发展

数智化赋能长三角城市群绿色发展的效应研究

  • 刘亮 , 1 ,
  • 阮俊杰 , 2, ※ ,
  • 庄海涛 3
展开
  • 1.湖南财政经济学院 经济地理学院，中国湖南 长沙 410205
  • 2.桂林电子科技大学 商学院，中国广西 桂林 541004
  • 3.上海财经大学 财经研究所，中国 上海 200433
※阮俊杰（2000—），男，硕士研究生，研究方向为绿色创新发展、数字经济。E-mail：

刘亮（1991—），男，博士，讲师，研究方向为产业地理与创新发展。E-mail：

收稿日期: 2024-04-21

  修回日期: 2024-09-03

  网络出版日期: 2024-10-31

基金资助

国家社会科学基金重点项目(22AJL007)

湖南省社会科学基金青年项目(20YBQ021)

湖南省教育厅科学研究优秀青年项目(23B0893)

湖南省普通本科高校教学改革研究重点项目(202401001656)

收起

Impact of Digital Intelligence on Green Development in the Yangtze River Delta Urban Agglomeration

  • LIU Liang , 1 ,
  • RUAN Junjie , 2, ※ ,
  • ZHUANG Haitao 3
Expand
  • 1. School of Economic Geography，Hunan University of Finance and Economics，Changsha 410205，Hunan，China
  • 2. School of Business，Guilin University of Electronic Science and Technology，Guilin 541004，Guangxi，China
  • 3. Institute of Finance and Economics，Shanghai University of Finance and Economics，Shanghai 200433，China

Received date: 2024-04-21

  Revised date: 2024-09-03

  Online published: 2024-10-31

Fold

摘要

文章以2011—2021年长三角城市群27个城市为研究样本，首先基于新质生产力的内涵构建了衡量数智化水平和绿色发展水平的指标体系，通过熵权法测算出长三角城市群的数智化水平和绿色发展水平；然后运用固定效应回归模型、多种空间计量模型等方法实证分析了长三角城市群数智化对绿色发展水平的影响及其空间溢出效应。研究发现：①长三角城市群数智化水平和绿色发展水平总体呈现不断上升态势，但不同城市之间存在一定的发展差距，并且两者的空间发展格局呈现出相似的分布特征。②数智化能够显著促进长三角城市群的绿色发展。通过多种方法进行稳健性分析，实证结果可靠。进一步分析表明，数智化可通过提升金融科技发展水平和生产性服务业集聚水平促进长三角城市群的绿色发展水平。③数智化对长三角城市群的绿色发展水平存在显著的正向空间溢出效应，并且其空间溢出效应呈现出地理距离衰减特征，在地理距离500 km处达到空间溢出最大衰减边界。研究结论可为推动中国实现绿色低碳循环发展提供理论借鉴和经验证据。

关键词： 数智化; 绿色发展; 新质生产力; 空间溢出效应; 长三角城市群

本文引用格式

刘亮 , 阮俊杰 , 庄海涛 . 数智化赋能长三角城市群绿色发展的效应研究[J]. 经济地理, 2024 , 44(9) : 123 -132 . DOI: 10.15957/j.cnki.jjdl.2024.09.013

Abstract

Taking the data of 27 cities in the Yangtze River Delta (YRD) urban agglomeration from 2011 to 2021 as research samples, this paper constructs an index system to measure the level of digital intelligence and the level of green development based on the connotation of new quality productive forces,and measures the level of digital intelligence and the level of green development of the YRD urban agglomeration by the means of the entropy weight model. It empirically analyzes the impact of digital intelligence on green development level and its spatial spillover effect in the Yangtze River Delta urban agglomeration using the fixed-effect regression model and various spatial measurement models. The conclusions of the study are as follows: 1) The level of digital intelligence and the level of green development both show an overall rising trend in the YRD urban agglomeration,but there is a certain development gap between different cities,their spatial development pattern show similar distribution characteristics. 2) Digital intelligence can significantly promote the green development of the YRD urban agglomeration,the empirical results are reliable through multiple methods of robustness analysis. Further mechanism analysis shows that digital intelligence can promote the green development level of the YRD urban agglomeration by enhancing the level of financial technology development and the level of productive service industry agglomeration. 3) There is a significant positive spatial spillover effect of digital intelligence on the green development level of the YRD urban agglomeration,and its spatial spillover effect shows the characteristic of geographic distance attenuation, and reaches the maximum attenuation boundary of spatial spillover at a geographic distance of 500 km. The conclusions of the study provide theoretical reference and empirical evidence for promoting the realization of green, low-carbon and recycling development in China.

Key words： digital intelligence; green development; new quality productive forces; spatial spillover effects; Yangtze River Delta urban agglomeration

“十四五”规划提出，建立健全城市群一体化协调发展机制、以中心城市和城市群等经济发展优势区域为重点，带动全国经济效率整体提升。2024年1月习近平总书记在中央政治局集体学习会议中强调：“绿色发展是高质量发展的底色，新质生产力本身就是绿色生产力”。城市群因为能够在更大范围内优化资源配置，形成集聚、扩散辐射效应[1]，从而为我国城市绿色发展集聚绿色创新资源和促进区域绿色协同发展提供了可能。2024年《中共中央关于进一步全面深化改革 推进中国式现代化的决定》指出：“健全因地制宜发展新质生产力体制机制。推动技术革命性突破、生产要素创新性配置、产业深度转型升级，推动劳动者、劳动资料、劳动对象优化组合和更新跃升，催生新产业、新模式、新动能，发展以高技术、高效能、高质量为特征的生产力。”在全球数字化转型浪潮中，数智化技术与应用已成为新一代科技革命推动生产力跃升的重要驱动力，其高创新性、强渗透性、广覆盖性等特征都对绿色发展产生了极其深远的影响[2]。因此，深入探究数智化赋能绿色发展对于增强区域发展新动能，推动中国实现社会主义现代化目标具有重要意义。
许多学者对数智化与绿色发展开展了有益探索，但仍然存在部分不足有待进一步研究。一方面，学术界大多都聚焦于数字化对绿色发展的影响因素研究，但关于数智化对绿色发展的影响研究还较少；另一方面，已有文献多从数字化单一视角进行分析测度，未能考虑数智化所具有的数字化、智能化的联动效应。鉴于此，本文基于新质生产力的内涵构建衡量数智化水平和绿色发展水平的指标体系，采用熵权法和ArcGIS软件测算和描绘2011—2021年长三角城市群数智化水平、绿色发展水平和时空演变特征；然后运用固定效应回归模型、多种空间计量模型等方法实证分析长三角城市群数智化对绿色发展水平的影响、空间溢出效应及其地理距离衰减特征，以期为长三角城市群的数智化与绿色发展提供理论借鉴。

1 数智化与绿色发展研究文献综述

目前，有关数智化与绿色发展的研究主要集中在以下方面：①在内容上，探究了数字化和智能化技术与绿色发展的关系。一方面，数字化转型能够显著减少企业污染排放当量，提高绿色技术的创新水平，提高全要素生产率和能源利用效率赋能企业“绿色升级”[3]。大数据也能够赋能城市绿色发展，利用数字化技术促进生产要素融合，激发创新活力，提高经济效益和环境效益，为城市绿色发展注入动力[4]。数字技术本身的绿色属性，深度渗透传统产业，可以优化产业结构，激发城市绿色发展转型升级[5]。另一方面，也有部分学者注意到数字化与智能化深度融合后对绿色发展的影响。刘亦文等指出数智融合能够打破地理阻隔，有利于改善地区之间资源配置效率，提高科技创新能力和优化能源生产结构，对中国减污降碳产生积极影响[6]。邝嫦娥等从制造业企业绿色转型角度，探究数智融合对绿色发展的影响，并通过门槛模型实证检验出数智融合对制造业企业绿色转型的影响呈复杂的非线性特征[7]。②在区域上，有学者以长江经济带城市群为研究范围，探讨人工智能对绿色技术创新的影响关系[8]；还有学者以京津冀、长三角以及珠三角为研究区域探究新型数字基础设施建设影响中国工业绿色发展的作用机制[9]。③在方法上，有学者借助时空动态熵权法[10]、空间杜宾模型[11]、耦合协调度模型[12]等测度方法，深入探究了数智化对减污降碳、绿色发展的作用机制。
数智化能够通过促进金融科技发展，从而促进城市群的绿色发展。一方面，数智化的发展对金融科技发展产生积极影响。随着人工智能等核心数智化技术的不断迭代演进，金融行业正经历数字化转型从而形成新的金融业态[13]。数智化技术通过强渗透性的特点对金融行业进行赋能，有效促进科技资源与金融资源进行深度融合，为金融科技公司提供了良好的技术环境，促使金融科技公司实现了资源利用的最大化。金融科技公司不但能够依靠数智化提升自身科技水平，又能以科技赋能促进传统金融业的技术升级，从而进一步提升金融服务实体经济能力[14]。另一方面，金融科技是促进绿色发展的重要推动力。金融科技凭借数字技术有效缓解传统金融所存在的信息不对称问题[15]，降低了交易成本，进而提升金融跨时空配置资源的能力，引导资金流向绿色产业，促进产业结构向绿色化转型。同时，金融科技通过资金扶持手段，为传统污染企业绿色创新的研发投入提供资金保障，运用数字技术为传统污染企业绿色创新提供技术赋能，提高企业绿色创新水平。此外，金融科技自身的“绿色”属性也能够充分发挥环境治理效应，显著抑制了城市的环境污染[16]，助力绿色发展。
数智化能够通过提升生产性服务业集聚水平，从而促进城市群的绿色发展。一方面，数智化的发展对生产性服务业集聚产生积极影响。高知识含量和专业化的服务供给需要花费较高的交易费用，一直是抑制生产性服务业集聚的重要因素[17]，而智能化技术的发展和普及能够降低可贸易服务产品的交易成本[18]。数字化通过不断地对知识和信息产品进行编码和传输来逼近真实的面对面沟通，降低了企业之间知识交流的壁垒，加速企业之间知识传播速度，从而带来集聚效应。对于知识密集型的生产性服务业，数智化所触发的知识溢出同样也是促进生产性服务业集聚的重要推动力。另一方面，生产性服务业集聚能够促进城市群的绿色发展。一是生产性服务业的人力资本水平整体较高，所以生产性服务业的集聚有利于促进集聚区内绿色创新技术的资源共享[19]，从而提升整体绿色技术创新水平；二是生产性服务业自身的“绿色”属性对自然资源的消耗较低，其集聚本身所形成的规模效应就会对绿色发展产生积极影响[20]；三是生产性服务业集聚特别是高端生产性服务业集聚，能够强化不同地区企业之间的合作交流，有利于从其他地区获得优势发展本地产业，进一步拓展服务边界，增强地区间产业上下游之间的联系，推动地区整体绿色创新和产业转型升级，最终促进绿色发展。

2 变量定义与数据来源

2.1 变量定义

2.1.1 被解释变量

绿色发展水平（Gd）。绿色发展的目标在于减少环境污染和生态破坏，提升资源利用效率，实现可持续发展。本文根据新质生产力的内涵，借鉴有关绿色化的研究[12]，结合长三角城市群的现实发展状况以及数据可获性，从绿色消费、绿色治理和绿色生产3个维度构建绿色发展水平的指标衡量体系（表1）。其中：绿色消费选取生活垃圾无害化处理率、建成区绿化覆盖率、每万人公园绿地面积、人均道路面积来进行衡量；绿色治理反映了生态环境的治理成效，使用一般固体废物综合利用率、每万人绿色发明专利数、每万人绿色实用新型专利数和空气治理优良天数比率来表征；绿色生产反映了各类生产要素的合理配置，选择绿色全要素生产率、工业CO2排放强度和能源消耗强度来衡量。本文采用熵权法计算绿色发展水平评价指标体系中各个指标所占权重（W），并在此基础上测度绿色发展水平。
表1 区域绿色发展水平测量指标体系及说明

Tab.1 Measurement index system of the level of regional green development and its description

目标层 准则层 指标层 计算方法 权重 属性
绿色发展 绿色消费 生活垃圾无害化处理率（%） 生活垃圾无害化处理量/生活垃圾总量 0.008 +
建成区绿化覆盖率（%） 建成区所有植被的垂直投影面积/建成区面积 0.016 +
每万人公园绿地面积（hm2/万人） 公园绿地面积/地区人口数 0.256 +
人均道路面积（m2/人） 城市道路面积/地区人口数 0.093 +
绿色治理 一般固体废物综合利用率（%） 一般固体废物综合利用量/（一般固体废物产生量+综合利用往年贮存量） 0.054 +
每万人绿色发明专利数（个/万人） 绿色发明专利授予量/地区人口数 0.174 +
每万人绿色实用新型专利数（个/万人） 绿色实用新型专利授予量/地区人口数 0.183 +
空气治理优良天数比率（%） 空气质量优良天数/全年监测总天数 0.034 +
绿色生产 绿色全要素生产率 参考辛璐璐[21]等计算方法 0.127 +
工业CO2排放强度（t/万元） 工业CO2排放量/地区GDP 0.025 -
能源消耗强度（t/万元） 能源消耗量/地区GDP 0.030 -

2.1.2 解释变量

数智化水平（Ind）。本文根据新质生产力的内涵，借鉴国家统计局《数字经济及其核心产业统计分类（2021）》以及张云等的研究[2]，从地区数字化水平和智能化程度2个维度构建指标体系对数智化水平进行衡量（表2）。①数字化水平借鉴赵涛等的处理方法[22]，选取互联网普及率、互联网相关从业人员占就业人口比值、人均电信业务收入、每百人移动电话年末用户数以及数字普惠金融指数进行表征。②智能化程度，根据其定义，本文使用工业机器人应用水平、每万人拥有人工智能企业数以及AI算力水平进行衡量。其中，工业机器人应用水平借鉴Acemoglu等的研究方法[23]进行测算。人工智能企业数是基于清华大学与中国工程院知识智能联合研究中心发布的《2019人工智能发展报告》中关于人工智能产业的划分 ① 以及借鉴贺星星等[8]做法，以天眼查数据库作为信息搜集平台，将企业成立的地址、年限、经营范围 ② 和类型等信息与相应城市进行匹配，得到长三角城市群人工智能公司数据库。AI算力水平是基于海关数据库，根据显卡SH编码进行筛选，手工整理出各省份显卡进口总额，同时借鉴Xu等推算各省份出口技术复杂度的处理思路[24]，以城市工业增加产值占本省份工业增加产值的比重为权重来得到地级市层面指标，即用省份显卡进口总额乘以该权重得到城市层面的显卡进口总额，用来表征AI算力水平。本文采用熵权法计算数智化水平评价指标体系中各个指标所占权重（W），并在此基础上测度数智化水平。
表2 区域数智化水平测量指标体系及说明

Tab.2 Measurement index system of the level of regional digital intelligence and its description

目标层 准则层 指标层 计算方法 权重 属性
数智化 数字化 互联网普及率（户/百人） 互联网用户数/地区人口数 0.048 +
互联网相关从业人员占就业人口比值（%） 计算机服务和软件从业人员/就业人口数 0.053 +
人均电信业务收入（万元/人） 电信业务收入/地区人口数 0.089 +
每百人移动电话年末用户数（户/百人） 移动电话年末用户数/地区人口数 0.039 +
数字普惠金融指数 来源于北京大学数字金融研究中心和蚂蚁科技
集团共同编制的《北京大学数字普惠金融指数》		 0.022 +
智能化 工业机器人应用水平（%） 参考Acemoglu等计算方法[23] 0.043 +
每万人人工智能企业数（个/万人） 人工智能企业数/地区人口数 0.310 +
AI算力水平（万元） 地级市显卡进口总额 0.396 +

2.1.3 机制变量

金融科技发展水平（Fintech）。根据金融科技的定义和服务类型，以及数据的可获得性，本文选择借鉴李春涛等做法[25]，通过互联网大数据搜索引擎，使用百度新闻中地级市或者直辖市与金融科技有关的关键词搜索结果数量来表征该地区金融科技发展水平。
生产性服务业集聚水平（Sagg）。参考张虎等的做法[26]将交通运输、仓储和邮政业、信息传输、计算机服务和软件业、金融业、租赁和商业服务业、科学研究和技术服务这几大类就业人数作为生产性服务业的衡量，然后利用区位商指数计算生产性服务业集聚水平（Sagg）。

2.1.4 其他控制变量

教育支出（Edu）用教育支出占政府财政一般支出的比重来表示；对外开放程度（Open）以地区进出口总额占该地区生产总值的比重作为衡量指标；经济发展水平（lngdp）采用人均地区生产总值取对数来表示；政府干预（Gover）以政府财政一般支出占地区生产总值的比重来表征；地区产业结构（Itr）以地区第三产业增加值占地区生产总值的比重来表示；人力资本（Peo）用普通本专科在校生人数占年末总人口的比重来表征；城镇化水平（Nut）用城镇常驻人口占总人口比重来表征。

2.2 数据来源

长三角城市群作为中国经济发展最活跃、开放程度最高的区域之一，其通过加强新一代信息技术如大数据、云计算、人工智能等的应用，进一步优化了资源配置和产业布局，增强了区域协同创新能力，在推动国内城市数智化发展和绿色化发展过程中起到了关键作用。本文以长三角城市群27个城市为研究对象，同时将样本数据时间跨度设定为2011—2021年。数据主要来源于中国海关数据库、CNRDS数据库 ③ 、天眼查数据库、《北京大学数字普惠金融指数》以及历年的《中国城市统计年鉴》。部分缺失值通过插值法补齐，数据分析和处理采用STATA17.0进行（表3）。为验证本文变量选取的合理性，对变量进行多重共线性检验，结果表明，所有解释变量的平均VIF值为3.26，远低于10，说明变量之间不存在严重的多重共线性问题。
表3 变量描述性统计

Tab.3 Descriptive statistics of variables

变量 观测数 平均值 标准差 最小值 最大值
Gd 297 0.3072 0.110 0.13 0.80
Ind 297 0.1728 0.111 0.03 0.75
Fintech 297 3.9273 1.522 0.00 7.46
Sagg 297 0.8390 0.361 0.29 2.46
lngdp 297 11.2834 0.598 4.97 12.20
Itr 297 0.4614 0.088 0.23 0.73
Nut 297 0.6619 0.103 0.38 0.90
Gover 297 0.1409 0.047 0.08 0.28
Edu 297 0.1734 0.033 0.10 0.27
Peo 297 0.0265 0.025 0.00 0.13

3 长三角城市群绿色发展水平与数智化水平的时空特征

3.1 绿色发展水平的时空演化趋势

本文运用熵权法分别测算了2011—2021年长三角城市群各城市的绿色发展水平和数智化水平，限于篇幅，下文仅展示2021年绿色发展水平和数智化水平的测度值（表4）。然后利用ArcGIS软件，分别绘制了长三角城市群绿色发展水平和数智化水平的时空演化趋势图（图1、图2）。由图1可知，2011年，长三角城市群绿色发展水平处于中等水平的只有上海、杭州、无锡和南京市，大部分城市的绿色发展水平较低；2016年，长三角城市群整体的绿色发展水平得到提升，较高水平与中等水平的城市数量增多；到2021年，长三角城市群绿色发展水平进一步快速提升，绝大部分城市处于中等水平、较高水平以及高等水平，形成了较为显著的绿色发展集群特征。
表4 2021年长三角城市群绿色发展水平与数智化水平测度

Tab.4 Results of green development level and digital intelligence level in the Yangtze River Delta urban agglomeration in 2021

城市 绿色发展
水平		 数智化
水平		 城市 绿色发展
水平		 数智化
水平
上海市 0.571 0.755 泰州市 0.401 0.205
南京市 0.797 0.601 温州市 0.285 0.300
南通市 0.416 0.212 湖州市 0.403 0.337
台州市 0.302 0.246 滁州市 0.356 0.104
合肥市 0.504 0.363 盐城市 0.379 0.175
嘉兴市 0.366 0.348 绍兴市 0.398 0.272
宁波市 0.404 0.373 舟山市 0.524 0.310
安庆市 0.264 0.106 芜湖市 0.395 0.193
宣城市 0.286 0.122 苏州市 0.623 0.464
常州市 0.581 0.280 金华市 0.289 0.311
扬州市 0.487 0.216 铜陵市 0.344 0.125
无锡市 0.656 0.342 镇江市 0.439 0.234
杭州市 0.648 0.672 马鞍山市 0.365 0.178
池州市 0.285 0.114
图1 2011—2021年长三角城市群绿色发展水平的时空演化趋势

Fig.1 Evolution trend of green development level in the Yangtze River Delta urban agglomeration，2011-2021

图2 2011—2021年长三角城市群数智化水平的时空演化趋势

Fig.2 Evolution trend of digital intelligence level in the Yangtze River Delta urban agglomeration，2011-2021

3.2 数智化水平的时空演化趋势

由图2可知，长三角城市群数智化水平的时空演化趋势与绿色发展水平具有一定相似性，整体呈现出稳步提升趋势以及块状集聚特征。2011年，长三角城市群数智化发展水平处于较低水平的只有上海、杭州等少数省会城市，大部分城市处于低等水平；2016年，上海、杭州、南京等地的数智化发展进入中等水平，合肥、苏州等城市的数智化水平也得到明显提升；到2021年，大部分城市的数智化发展水平进入了中等及以上水平，上海、杭州、南京等城市进入高等水平，苏州、合肥、无锡、湖州、嘉兴等城市进入了中等及以上水平。

3.3 基于核密度估计的空间动态演化特征

为了揭示2011—2021年长三角城市群数智化水平与绿色发展水平的空间分布动态演变特征，本文基于Matlab软件绘制了两者的核密度三维图（图3）。从图3a看出，长三角城市群数智化水平的核密度曲线呈现出右迁移的趋势，其主峰高度不断下降，宽度不断变宽，右侧尾部表现出明显的多峰分布态势，说明长三角城市群数智化发展水平总体呈现持续攀升的趋势，但绝对差距和分异趋势呈现增大态势，具有多级分化现象。从图3b看出，长三角城市群绿色发展水平的核密度曲线同样也呈现出不断攀升的趋势，但值得注意的是，主峰的高度呈现出波动上升趋势，宽度有所减小，说明绝对差距和分异趋势呈现缩小趋势。
图3 长三角城市群数智化水平与绿色发展水平的核密度分布演变

Fig.3 Evolution of kernel density distribution of digital intelligence level and green development level in the Yangtze River Delta urban agglomeration

4 实证分析

4.1 基准回归分析

表5为数智化对长三角城市群绿色发展的基准回归结果。列（1）加入控制变量以及时间固定效应后，数智化（Ind）对长三角城市群绿色发展的回归系数为0.4789，且在1%的水平下显著，说明数智化能够显著正向促进长三角城市群的绿色发展。列（2）加入控制变量和地区固定效应后，数智化（Ind）对长三角城市群绿色发展的回归系数为0.6045，结果依旧显著，同样也说明数智化对长三角城市群的绿色发展存在显著的正向影响。列（3）为控制时间和地区双向固定效应的回归结果，数智化（Ind）对长三角城市群绿色发展的回归系数为0.3117，仍然在1%统计水平下显著，进一步说明数智化能够显著促进长三角城市群绿色发展水平的提高。
表5 基准回归结果

Tab.5 Benchmark regression results

变量 时间固定效应 地区固定效应 双向固定效应
（1） （2） （3）
Ind 0.4789***（4.6748） 0.6045***（8.5976） 0.3117***（3.9709）
控制变量 是 是 是
控制地区 否 是 是
控制时间 是 否 是
N 297 297 297
R2 0.8449 0.9142 0.9444

注：***表示P<0.01，**表示P<0.05，*表示P<0.1；括号内为t值。表5、表6、表8同。

4.2 稳健性检验

为了保证实证分析的结论稳健可靠，本文采用3种方法进行稳健性检验：①考虑到绿色发展水平采用单一的衡量方法可能会导致回归结果出现误差，对此本文将原来的熵权法测算方法改为主成分分析方法，在此基础上进行回归；②考虑到数智化对长三角城市群的影响可能存在滞后性，因此将核心解释变量滞后一期（L.Ind）以及所有变量均滞后一期进行回归分析；③相比于直辖市，其他城市在经济发展水平、产业结构、对外开放程度以及数智化水平上存在显著差异，对此本文在剔除直辖市上海市之后对模型进行了重新估计。结果表明，虽然3种检验方法的回归结果系数的显著性与绝对数值之间存在一点差异，但是系数符号都相同，得出的结论一致，说明上述实证研究的结论具有稳健性。

4.3 机制分析

在基准回归结果和稳健性检验部分，本文已经验证了数智化对长三角城市群绿色发展具有显著的正向促进作用，但是其中的内在机制还需要进一步检验。前文的文献综述表明，数智化对绿色发展影响的作用机制包括提升金融科技发展水平和提高生产性服务业集聚度水平。借鉴江艇等的研究方法[27]，在机制变量对被解释变量（绿色发展水平）的影响是直接和显而易见的情况下，只需要检验解释变量（数智化水平）对机制变量的作用。因此本文构建模型如下：
M i t = α 0 + β 1 I n d i t + β 2 C o n t o r l s i t + γ t + δ i + ε i t
式中： I n d i t表示数智化水平； M i t为机制变量，分别为金融科技发展水平（ F i n t e c h i t）和生产性服务业集聚水平（ S a g g i t）； α 0 表 示 常 数 项 ; C o n t o r l s i t表示控制变量； β 1为数智化对机制变量的影响系数； γ t和 δ i分别表示时间、地区固定效应； ε i t代表随机扰动项。
机制分析的回归结果见表6。列（1）为数智化对长三角城市群绿色发展影响，列（2）为数智化对金融科技发展水平的回归。结果显示，数智化对金融科技发展水平的回归估计系数为1.8338，在10%的水平上显著为正，说明数智化能够显著促进金融科技的发展，并且已有研究证明金融科技能够对绿色发展水平产生正向影响。例如，宋清华等发现金融科技可以通过促进绿色创新、增加环保投资以及激发创业活力3个作用渠道促进绿色发展[28]；刘继兵等发现金融科技还能通过提升供给侧绿色技术创新动能和需求侧产业结构升级动能进而促进绿色发展[29]。因此，根据江艇等的方法[27]，上述分析说明数智化可以通过提升金融科技发展水平，从而促进长三角城市群绿色发展。列（3）为数智化对生产性服务业集聚水平的回归，结果显示数智化对生产性服务业集聚水平的回归系数为0.8119，在5%的水平上显著为正，这说明数智化能够显著促进生产性服务业集聚。并且生产性服务业集聚能够通过发挥规模效应、技术溢出和共享效应促进地区的绿色发展[20,30]。因此，上述分析说明数智化可以通过提升生产性服务业集聚水平，从而促进长三角城市群绿色发展。
表6 机制检验回归结果

Tab.6 Mechanism test regression results

变量 Gd Fintech Sagg
（1） （2） （3）
Ind 0.3117***（3.9709） 1.8338*（1.8277） 0.8119**（2.1006）
控制变量 是 是 是
控制地区 是 是 是
控制时间 是 是 是
N 297 297 297
R2 0.9444 0.9525 0.8781

5 空间计量模型回归结果分析

5.1 空间相关性分析

在采用空间计量模型进行回归分析之前，需要对长三角城市群地级市层面的数智化发展水平和绿色发展水平进行空间自相关性检验，本文用莫兰指数来测度空间相关性（表7）。结果表明，在经济地理距离嵌套矩阵下，2011—2021年长三角城市群的绿色发展水平、数智化水平的莫兰指数均大于零，且都通过了1%的显著性检验，说明存在空间相关性，能够使用空间计量模型进行分析。进一步，采用LM、Robust LM、LR、Wald以及Hausman检验等方法，判断空间计量模型的适用性。经过检验，最终选择双向空间杜宾模型研究数智化对长三角城市群绿色发展的空间效应。
模型构建如下：
G d i t = β 0 + β 1 I n d i t + λ c o n t o r l s i t + ρ ∑ j = 1 n W G d i t + ϕ ∑ j = 1 n W I n d i t + ω ∑ j = 1 n W c o n t o r l s i t + γ t + δ i + ε i t
式中： G d i t表示第i个城市第t年的绿色发展水平； I n d i t表示第i个城市第t年的数智化发展水平； β 0表示常数项； C o n t o r l s i t表示控制变量；W为空间权重矩阵，包括经济距离和经济地理距离嵌套两类空间权重矩阵；ρ为绿色发展空间滞后项 W G d i t的系数，表示不同城市间绿色发展的空间关联性； β 1为核心解释变量 I n d i t的系数，表示数智化水平对本地区绿色发展的影响； ϕ为核心解释变量的空间滞后项 W I n d i t系数，表示其他城市数智化水平对本地区绿色发展的影响； γ t和 δ i分别表示时间、地区固定效应； ε i t代表随机扰动项。
表7 2011—2021年绿色发展水平和数智化水平全局自相关检验

Tab.7 Global autocorrelation test for the level of green development and digital intelligence，2011-2021

年份 Gd Ind
Moran's I Moran's I
2011 0.438*** 0.570***
2012 0.426*** 0.683***
2013 0.463*** 0.570***
2014 0.413*** 0.468***
2015 0.448*** 0.482***
2016 0.479*** 0.518***
2017 0.475*** 0.535***
2018 0.480*** 0.473***
2019 0.449*** 0.455***
2020 0.504*** 0.398***
2021 0.562*** 0.323***

5.2 空间效应回归结果分析

表8为基于空间杜宾模型的数智化对长三角城市群绿色发展水平的回归结果。为了更加准确地分析数智化对邻地绿色发展水平所发挥的空间溢出效应，文中借助偏微分方程对数智化影响绿色发展水平的空间溢出效应进行分解，列（1）（2）分别是在经济地理距离嵌套矩阵和经济距离矩阵下的回归结果，结果表明无论是在哪一种空间权重矩阵的回归结果下，数智化（Ind）对长三角城市群绿色发展水平的直接效应、间接效应以及总效应的回归系数均为正，且均在1%的水平下显著。说明数智化不仅在本地能够产生“数字红利”，促进长三角城市群的绿色发展，也能够发挥数智化的时空压缩效应，为邻地绿色发展赋能，提升周围城市的绿色发展水平。
表8 空间估计和空间效应分解结果

Tab.8 Results of spatial estimation and decomposition of spatial effects

变量 经济地理距离嵌套矩阵 经济距离矩阵
（1） （2）
直接效应
Ind 0.1972***（4.7350） 0.1995***（4.8113）
间接效应
Ind 0.2381**（2.3009） 0.4080***（3.8179）
总效应
Ind 0.4353***（3.5680） 0.6075***（5.0070）
N 297 297
Spatial 0.3809***（4.9527） 0.3042***（3.3955）
控制变量 是 是
控制个体 是 是
控制时间 是 是
R2 0.1370 0.0232

5.3 数智化的空间溢出边界分析

为进一步探究数智化对长三角城市群绿色发展水平的空间溢出效应可能会受到数字技术溢出成本、基础设施建设等多方面因素的制约而存在地理距离衰减特征，本文在200~500 km范围内，每隔50 km进行一次空间效应估计，分析数智化对长三角城市群绿色发展影响的空间溢出效应和相应的地理距离阈值（图4）。
图4 不同距离阈值下数智化对长三角城市群绿色发展的空间溢出效应

Fig.4 Spatial spillover effects of digital intelligence on green development of Yangtze River Delta urban agglomeration under different distance thresholds

由图4可知，数智化对长三角城市群绿色发展水平的空间溢出效应在200~500 km范围内显著为正，但在地理空间上呈现非均衡性特征，其演变趋势大致可划分为2个区间。第一个区间范围为200~250 km，空间溢出效应随着地理距离的增大而逐步增强，并在250 km处达到最大值。第二个区间范围为250~500 km，其空间溢出效应大体呈现地理距离衰减特征，即随着地理距离的增加，其空间溢出效应在衰减，并在500 km处变得非常微弱，估计系数下降至0.0934。这表明在长三角城市群范围内，500 km将是数智化对绿色发展影响的空间溢出最大衰减边界。主要原因可能是，当地理距离在250 km以内时，并未超过上海、杭州、南京等数智化核心城市的辐射范围，城市之间能够“享受”到数智化核心城市所带来的技术正向溢出的好处，所以呈现出正向递增的空间溢出效应，形成绿色协同发展。然而当地理距离进一步扩大时，信息流动成本会大幅提升，加之内隐知识易受地理距离约束[31]，空间溢出效应难免会受到限制。因此，距离数智化核心城市较远的部分城市，会出现数智化对绿色发展的正向空间溢出效应随着地理距离的增加而相应衰减。

6 结论与建议

6.1 研究结论

本文以2011—2021年长三角城市群27个城市为研究样本，首先基于新质生产力的内涵构建了衡量数智化水平和绿色发展水平的指标体系，通过熵权法测算出长三角城市群数智化水平和绿色发展水平，并利用ArcGIS软件绘制了两者的时空演变趋势图，然后运用固定效应回归模型、空间计量模型等方法实证分析了长三角城市群数智化对绿色发展水平的影响及其空间溢出效应。研究结论如下：
①长三角城市群数智化水平和绿色发展水平总体呈现不断上升态势，但不同城市之间存在一定的发展差距，并且两者的空间发展格局呈现出相似的分布特征。
②数智化能够显著促进长三角城市群的绿色发展。通过多种方法进行稳健性分析，实证结果可靠。进一步分析表明，数智化可通过提升金融科技发展水平和生产性服务业集聚水平促进长三角城市群的绿色发展水平。
③数智化对长三角城市群的绿色发展水平存在显著的正向空间溢出效应，并且其空间溢出效应呈现出地理距离衰减特征，在地理距离500 km处达到空间溢出最大衰减边界。

6.2 政策建议

基于上述研究结论，本文提出如下政策建议：
①引导企业积极拥抱新兴技术变革，以科技创新培育和发展新质生产力。面对环境污染和资源短缺“双向挤压”的严峻局势，提高企业的生产效率和加快企业绿色化转型，是解决问题的关键所在。应引导企业积极拥抱新兴技术，加大对数智化技术为代表的先进设备投资和生产技术改造，激活企业创新活力，推进生产方式数字化、智能化、绿色化，减少资源浪费，提高经营绩效，最终实现减污染、促增长的双重目标。
②利用数智化推进产业结构升级，提高绿色技术创新水平。加大对数字基础设施的投入，培养和引进相关数智型人才，为数智化应用提供良好的软硬件设施与人才支撑。推动数智化与产业创新的深度融合，提高绿色技术创新水平，将科技创新成果应用到具体产业和产业链上，改造提升传统产业，降低能源消耗和环境污染水平，促进产业智能化、绿色化升级。
③积极拓展长三角城市群数智化应用的辐射带动范围，促进当地和邻近地区数智化应用水平提高，从而提升其区域总体绿色发展水平。加强不同城市之间的合作与联系，充分利用先发地区对后发地区的示范和带动作用；加大对落后地区的扶持力度，缩小不同地区之间的“数字鸿沟”，破除各地区数智化应用水平不平衡问题，推动数智化应用水平整体提升，从而充分发挥数智化的溢出效应，促进不同地区之间绿色协同发展。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
张欣, 夏宇. 城市群能否促进企业绿色创新?——来自城市群政策的准自然实验[J]. 产业经济研究, 2024(4):15-28.

[2]
张云, 柏培文. 数智化如何影响双循环参与度与收入差距——基于省级—行业层面数据[J]. 管理世界, 2023, 39(10):58-83.

[3]
何小钢, 钟湘菲. 数字化赋能企业“绿色升级”的机制和路径研究——基于中国工业企业的经验证据[J]. 管理学刊, 2023, 36(4):127-145.

[4]
许宪春, 任雪, 常子豪. 大数据与绿色发展[J]. 中国工业经济, 2019(4):5-22.

[5]
韩晶, 陈曦, 冯晓虎. 数字经济赋能绿色发展的现实挑战与路径选择[J]. 改革, 2022(9):11-23.

[6]
刘亦文, 陈熙钧. 数智融合发展对中国减污降碳协同治理的影响研究[J]. 环境科学研究, 2023, 36(11):2189-2199.

[7]
邝嫦娥, 刘江月, 李文意. 数智融合赋能与制造业企业绿色转型[J]. 当代财经, 2024(5):114-127.

[8]
贺星星, 阮俊杰, 卞彩杏. 人工智能应用促进了长江经济带三大城市群的绿色创新吗?——基于“数字红利”和“数字鸿沟”视角[J]. 经济地理, 2024, 44(8):137-147.

DOI

[9]
蔺鹏, 孟娜娜. 新型数字基础设施建设对中国工业绿色发展效率增长的影响研究[J]. 科研管理, 2023, 44(12):50-60.

[10]
李俊明, 魏雯琪, 张鹏, 等. 中国市域数字经济发展对减污降碳协同的促进效应及其空间分异[J]. 经济地理, 2023, 43(12):169-180.

DOI

[11]
马海涛, 王柯文. 城市技术创新与合作对绿色发展的影响研究——以长江经济带三大城市群为例[J]. 地理研究, 2022, 41(12):3287-3304.

DOI

[12]
杨千龙, 陈慧媛, 文琦. 黄河上游地区市域数字经济与绿色发展耦合协调度及提升路径[J]. 经济地理, 2024, 44(5):22-32.

DOI

[13]
何增华, 陈升, 李金林, 等. 数字经济对地区绿色创新的影响及空间效应分析——基于中国271个城市的经验证据[J/OL]. 科学学与科学技术管理,1-30[2024-10-23]. http://kns.cnki.net/kcms/detail/12.1117.G3.20240312.1110.002.html.

[14]
汪晓文, 谢美琳, 田雨琦. 数字经济时代科技金融效率测算及影响因素分析[J]. 科技管理研究, 2022, 42(2):61-69.

[15]
王满仓, 聂一凡, 王耀平, 等. 金融科技、企业融资与信贷资源配置效率[J]. 统计与信息论坛, 2023, 38(5):67-78.

[16]
房宏琳, 杨思莹. 金融科技创新与城市环境污染[J]. 经济学动态, 2021(8):116-130.

[17]
江小涓. 服务业增长:真实含义、多重影响和发展趋势[J]. 经济研究, 2011, 46(4):4-14,79.

[18]
吴思栩, 李杰伟. “数字经济”时代城市的未来——互联网对中国城市生产性服务业集聚的影响研究[J]. 经济学(季刊), 2024, 24(2):431-447.

[19]
曾艺, 韩峰, 刘俊峰. 生产性服务业集聚提升城市经济增长质量了吗?[J]. 数量经济技术经济研究, 2019, 36(5):83-100.

[20]
李涛, 王曰影. 生产性服务业集聚与城市绿色发展[J]. 北京工商大学学报:社会科学版, 2023, 38(2):114-126.

[21]
辛璐璐. 数字产业集聚、颠覆式技术创新与城市绿色经济效率[J]. 学习与实践, 2023(10):71-80.

[22]
赵涛, 张智, 梁上坤. 数字经济、创业活跃度与高质量发展——来自中国城市的经验证据[J]. 管理世界, 2020, 36(10):65-76.

[23]
Acemoglu D, Restrepo P. Modeling automation[R]. NBER Working Paper Series, 2018.

[24]
Xu B, Lu J. Foreign direct investment,processing trade,and the sophistication of China's exports[J]. China Economic Review, 2009, 20(3):425-439.

[25]
李春涛, 闫续文, 宋敏, 等. 金融科技与企业创新——新三板上市公司的证据[J]. 中国工业经济, 2020(1):81-98.

[26]
张虎, 韩爱华, 杨青龙. 中国制造业与生产性服务业协同集聚的空间效应分析[J]. 数量经济技术经济研究, 2017, 34(2):3-20.

[27]
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(5):100-120.

[28]
宋清华, 周学琴. 金融科技能提升城市包容性绿色全要素生产率吗?[J]. 中南财经政法大学学报, 2024(2):67-80.

[29]
刘继兵, 田韦仑, 张驰, 等. 金融科技如何影响绿色发展——基于动能转换和地理结构的经验证据[J]. 技术经济, 2022, 41(9):95-108.

[30]
Du M, Zhang Y J. The impact of producer services agglomeration on green economic development:Evidence from 278 Chinese cities[J]. Energy Economics, 2023,124:106769.

[31]
蔡超岳, 唐健雄, 刘雨婧. 数字经济对旅游发展影响的空间效应——基于中国284个地级及以上城市的实证研究[J]. 热带地理, 2023, 43(4):720-733.

DOI

Options
文章导航

/

〈 〉