EN中文

Economic geography >

2024 , Vol. 44 >Issue 5: 106 - 116

DOI: https://doi.org/10.15957/j.cnki.jjdl.2024.05.011

Evolution of Digital Transformation of Listed Companies at the Prefecture Level and Its Impact on Carbon Emissions

  • ZHANG Yue , 1 ,
  • LAI Fengbo 2 ,
  • CHENG Yu , 1, ※
Expand
  • 1. College of Geography and Environment，Shandong Normal University，Jinan 250358，Shandong，China
  • 2. School of Economics and Management，Weifang University，Weifang 261061，Shandong，China

Received date: 2023-09-20

  Revised date: 2024-03-10

  Online published: 2024-09-14

Fold

Abstract

Based on the data of Chinese A-share listed companies,this paper measures enterprise digital transformation by using the total number of digital transformation-related word frequencies of enterprise and the proportion of digital assets in intangible assets,and analyzes its spatiotemporal characteristics as well as its impact on carbon emissions applying the Dagum's Gini coefficient and the spatial Durbin model. The study finds that: 1) The digital transformation of urban enterprises has been developing steadily,with the total number of digital transformation-related word frequencies increasing from 5630 times in 2011 to 33420 times in 2021,and the proportion of digital assets increasing from 2.60% to 4.64%. 2) Digital transformation level is higher in the eastern region of the Hu Line than that in the western region of the Hu Line,and the gap between regions is significantly larger than the gap within regions,of which the difference within the western region is the largest,and the overall difference shows a decreasing trend. The spatial agglomeration effect is weak but rising,accelerating the spatial agglomeration phenomenon in Beijing-Tianjin-Hebei,Yangtze River Delta and Pearl River Delta and other urban agglomerations. 3) Digital transformation of enterprises has significant inhibition and spatial spillover effects on urban carbon emissions,mainly through the two aspects of enterprise internal and industrial integration,to achieve structural optimization,resource integration,efficiency enhancement,benefit increase and carbon emission reduction. The carbon emission reduction effect in different regions and different economic agglomeration areas is characterized by heterogeneity. This paper puts forward countermeasures and suggestions in terms of application of digital technology,appropriate transformation methods,long-term incentive mechanism,and coordinated regional development,which are useful references for promoting enterprise digital transformation and its carbon emission reduction effect.

Key words： listed companies; digital transformation; text data; carbon emission

Cite this article

ZHANG Yue , LAI Fengbo , CHENG Yu . Evolution of Digital Transformation of Listed Companies at the Prefecture Level and Its Impact on Carbon Emissions[J]. Economic geography, 2024 , 44(5) : 106 -116 . DOI: 10.15957/j.cnki.jjdl.2024.05.011

作为新型经济形态，我国数字经济实现跨越式发展，《数字中国发展报告（2022年）》指出，2022年数字中国建设取得显著成效，我国数字经济规模达50.2万亿元，总量稳居世界第二，占GDP比重提升至41.5%。数字经济迅速成为稳增长、促转型的重要引擎和关键支撑，在拉动消费、增加投资、创造就业等方面发挥重要作用。2023年中央政府工作报告指出，“促进数字经济和实体经济深度融合”“加快传统产业和中小企业数字化转型”。数字化转型是以数字技术为核心，重构企业生产流程、工艺，创新企业管理模式的一系列经济活动[1]。企业作为经济发展的重要单元与微观经济活动的主体，数字化转型成为提升核心竞争力、实现专精特新发展的必然选择。企业数字化转型不仅需要内部变革创新，同时要求适应外部环境变化，城市作为人口、产业和资源要素和经济活动的集聚地，其区位特征、资源禀赋、产业基础、创新要素等对企业数字化转型产生较强外部性，因此，有必要进行区域性企业数字化转型探究，以优化数字经济发展空间布局，促进区域内部协同、效率提升与区域间资源共享、优势互补。

1 相关文献综述

企业数字化转型是企业高质量发展的关键支撑力量，已成为学术界研究的重要议题。相关研究数量快速增加、范围深入扩展，在以下方面取得了一定进展。
①厘清企业数字化转型概念与过程。企业数字化转型概念源于“数字化”一词，具体阐释多样，涉及不同视角和层面，但都体现出企业数字化转型的数字要素、过程属性、变革特征与发展目标。例如，Vial定义为通过信息、计算、通信和连接技术的组合触发其属性的重大变革来改善实体的过程[2]；裴璇等界定为借助数字技术的多业务场景应用，推动企业组织结构、业务流程和商业模式多方重构，帮助企业获得核心竞争力和持续竞争优势以实现高质量发展目标的过程[3]。企业数字化转型主要按照“评估—规划—实施—优化”的逻辑闭环开展，姚小涛等根据“认知—战略定位—战略实施”逻辑，构建企业数字化转型的动态过程模型[4]。本文将其定义为企业深度融合数字技术，对生产方式、业务流程、组织结构、发展方式等开展系统化改造，挖掘发挥数据价值，获得持续竞争优势的过程。
②测度企业数字化转型及空间格局。首先，已有研究多从宏观视角使用数字经济指标代理数字化水平，微观层面刻画难度较大，主要采用3种方法衡量：一是利用数字经济相关词汇表述建立相对客观、可计量的数字化术语词典，借助文本分析法计算相关词汇频次[5] ；二是以无形资产明细项中与数字化转型相关的部分占无形资产总额的比例度量[6] ；三是采用问卷调查并开展案例分析的定性研究[7] 。但既有研究大多采用某一方法单一衡量，难以反映企业数字化转型全貌。其次，明确空间演化规律是推进数字化区域协调研究的前提，中国数字经济空间特征从分散分布转向集群聚集[8] ，数字经济产业呈现“城市群带动、沿海大集聚—内陆小集聚”的空间特征[9] ，既有研究从宏观层面讨论了数字产业地理集聚[10] 、数字技术创新时空格局[11] 、互联网数字鸿沟[12] ，但微观企业层面的数字化转型空间分布格局与集聚特征有待探究。
③探究企业数字化驱动因素及转型效应。企业数字化转型受内部因素如股权激励[13]、管理者决策[14]等驱动，内部因素是决定企业转型能否成功的关键，资本市场开放[15]、经济政策[16]、环境变化[17]等外部因素也是重要推动力量。企业数字化转型的经济效应、社会效应和环境效应受到广泛关注，数字化深刻影响企业生产方式、业务流程、组织结构和商业模式，在促进经济增长[18]、影响组织文化[19]、优化就业结构[20]等方面发挥重要作用。数字化转型趋势明显，但其环境效应存在一定争议，部分学者认为能够提高资源利用效率[21]，优化产业结构[22]，降低污染物排放量，促进企业环境绩效提升与可持续发展转型[23-24]；但也有观点认为转型过程充满不确定性，过度数字化会导致能源“反弹效应”，数据中心能耗较大、电子垃圾处理的负面环境影响高[25]，提高碳排放水平。在全球大气CO2浓度持续升高、气候异常凸显背景下，合理性碳减排成为各类研究的核心议题，已有研究指出数字经济发展显著改善了城市碳排放[26]，数字金融通过支持数字科技产业化和传统产业数字化显著降低地区碳排放量[27]，工业数字化存在显著减碳效应[28]，然而企业数字化转型对碳排放影响尚未得到充分的实证检验，其区域性研究也有待完善。
基于此，本文以城市为对象测度企业数字化转型并分析时序演变和空间特征，系统性分析其对碳排放的影响及空间效应，一方面，从企业视角出发分析当前中国城市企业数字化转型空间演变格局，解析区域空间差异及差异来源、空间集聚与分散过程，拓宽数字化研究视角，为区域企业数字化转型的优化调控提供系统性参考；另一方面，解构企业数字化转型对碳排放的影响机理，探究区域异质性与空间溢出效应，丰富拓展企业数字化转型和碳排放相关研究，为城市减碳政策及行动提供新思路。

2 研究方法和变量说明

2.1 研究方法

2.1.1 区域差异测度方法

变异系数、基尼系数与泰尔指数等被广泛应用于区域差异研究，数值越高表示地理事物的区域差异越大。Dagum基尼系数及其分解方法有效测度空间不平衡性的来源，将总体基尼系数分解成组内差异Gw、组间差异Gb和超变密度Gt，相关公式参考刘长生等[29]。

2.1.2 空间自相关性分析

全局空间自相关能够反映区域整体的聚集或离散趋势，常用测算指标为Moran's I。局部空间自相关可以反映地理空间与相邻近空间的同一属性值之间的相似程度，用以识别空间区域上的高值集聚与低值集聚。

2.1.3 双向固定效应模型

双向固定效应模型引入个体固定效应和时间固定效应，有效控制个体内部差异和时间变化差异，一定程度上避免遗漏变量偏差和缓解数据内生性问题。模型表达式为：
C E i t = α 0 + α 1 D T i t + α 2 X i t + μ i + λ t + ε i t
式中：i代表个体；t代表时间； C E i t、 D T i t表示碳排放量与企业数字化转型； X i t为控制变量； μ i 、 λ t分别用来控制个体固定效应与时间固定效应； ε i t、 α 0表示误差项与截距项； α 1、 α 2为各变量影响系数。

2.1.4 空间杜宾面板模型

为考察企业数字化转型对碳排放影响的空间效应，建立空间杜宾面板回归模型深入分析，利用LR检验和Wald检验分析空间杜宾面板模型是否简化为空间滞后面板模型和空间误差面板模型，一般公式为：
C E i t = ρ ∑ j = 1 n W i j C E j t + β X i t + θ ∑ j = 1 n W i j X j t + ε i t
式中： C E i t是i城市在t年的碳排放量； C E j t为j城市在t年的碳排放量； X j t是j城市在t年的各影响因素； W i j为空间权重矩阵； ρ 、 β 、 θ为系数当量。 θ = 0时，空间杜宾模型可以简化为空间滞后面板模型； θ = - ρ β时，空间杜宾模型可以简化为空间误差面板模型[30]。为降低异方差的影响，对变量取对数处理。

2.2 变量说明

2.2.1 城市碳排放量的测算

被解释变量为碳排放量（CE）。参考邓祥征等研究[31]，碳排放量使用全球大气研究排放数据库（Emissions Database for Global Atmospheric Research，EDGAR）相关数据 ① ，其CO2排放计算范围既包含能源活动，也包含部分工业过程以及部分非能源利用CO2排放和燃料自燃排放，核算更为深入，原始数据为0.1° ×0.1°空间栅格数据，利用ArcGIS软件处理形成中国城市碳排放量数据。

2.2.2 企业数字化转型的表征

核心解释变量为区域企业数字化转型（DT）。数字化转型作为企业发展的必然选择与重要战略，年报中的词汇能够体现企业战略特征、发展理念和路径，反映企业数字化转型相应的技术应用和活动水平。同时，在国家政策话语体系中，数据作为与人、资、地同等重要的新生产要素和创新产出驱动力[32]，数字化无形资产占比反映出企业数字化的投入强度与转型程度。因此，从年报词频数量与无形资产占比两个方面共同衡量企业数字化转型，以克服现有文献单一衡量的不足。
一是借鉴吴非等提出的数字化转型的特定关键词[5]，通过上市公司年度财务报告或年报中管理层讨论与分析部分的相关词频表征，利用上市公司经纬度，将同一城市企业数字化转型词频相加，形成区域企业数字化转型相关词频总和数据（DT1，下文简写为相关词频总和）。为了避免数据“右偏性”特征的影响，回归模型中将词频总数加1后取对数[1]。
二是参考张永珅等[6]，以上市公司财务报告附注披露的年末无形资产明细项为依据，当无形资产明细项包含“软件”“网络”“客户端”“系统”“数据”“数控”“信息化”“网络化”“互联网”“智能”“自动控制”等与数字化转型相关的关键词，将该明细项目界定为“数字化无形资产”，并对同一区域公司同年度多项数字化无形资产加总，计算其占本年度本区域企业无形资产的比例，获得数字资产占无形资产比重数据（DT2，下文简写为数字资产占比）。
选取2011—2021年中国A股上市公司作为研究样本并进行以下处理：①剔除数据缺失、ST和*ST的上市公司；②由于信息产业公司与数字技术紧密相关，属于数字产业化范畴[33]，因此剔除信息产业公司样本，依据2012年证监会行业分类，剔除计算机、通信和其他电子设备制造业（C39）和信息传输、软件和信息技术服务业（I63~I65）相关数据；③利用上市公司经纬度，汇总获得中国273个地级及以上城市企业数字化转型数据。

2.2.3 控制变量

参考相关研究，选取以下变量综合解释企业数字化转型对区域碳排放的影响。①经济发展水平（EC）：选取GDP（亿元）表征。经济的快速发展可能会加大电力、煤炭、石油等能源需求，增加碳排放量，也可能引起技术、制度的变革和经济结构的演进，增强生态环境保护意识与可持续发展需求，为减碳提供资金支持。②市场化程度（MAR）：选取外商实际投资额（万美元）表征。外商投资带来的产业转移和消费升级可能产生“污染避难所”效应，增加本区域的资源能源消耗和环境污染，也可能产生技术溢出和创新效应，引入先进创新理念与技术，有助于转变本地区传统粗放的生产方式，对碳排放产生抑制作用。③互联网基础建设（INT）：选取互联网宽带接入用户数（户）表示。数据中心、云计算中心等互联网基础设施的生产制造与运营阶段的电力使用量较大，产生高能耗、高碳排放，碳排放“锁定效应”明显，但互联网不同于传统基础设施，具备快速、广泛的跨时空信息传播能力，在网络效应、溢出效应等方面具有较大优势。④人口规模（POP）：利用人口密度（人/km2）表示。人口密度增加带来交通、建筑、基础设施等方面资源与能源大幅消耗，造成集聚不经济，增加碳排放量，而精明增长理论认为高密度的人口有利于发展公共交通和设施共享，发挥集聚经济与规模效应作用，降低区域能源运营成本，提高经济活动效率并减少碳排放。

2.3 数据来源

企业数字化转型原始数据来源于国泰安（CSMAR）数据库，控制变量相关数据来源于历年《中国城市统计年鉴》《中国能源统计年鉴》《中国城市建设统计年鉴》和相关地级及以上城市（以下简称城市）的统计年鉴和统计公报，对于个别城市和个别年份数据的缺失，采用线性插值法补齐。

3 中国城市企业数字化转型的时空演变特征

3.1 中国城市企业数字化转型的时序特征

2011—2021年，中国城市企业数字化转型呈现稳步发展的良好态势（图1），数字化转型相关词频总和从2011年0.563万次增加至2021年3.342万次，数字资产占无形资产比重从2.60%提升至4.64%，城市企业数字化转型速度加快，但整体尚处于转型发展初期。在2012年受复杂严峻的国际经济形势的持续影响，加之经济新常态的显现，多数企业可能更多关注自身稳定发展，数字化转型投资意愿减弱、规模缩减以降低企业成本与创新风险，影响转型水平提升。随着“宽带中国”战略、“互联网+”行动计划、大数据战略、数字经济战略等陆续确定和《中国制造2025》《新一代人工智能发展规划》《推动企业上云实施指南》等印发实施，极大地推动企业以信息化、智能化、网络化等手段，加快生产、产品、管理和服务的数字化改造，并在技术进步、效率提升和组织变革方面取得显著成效，促使企业数字化转型水平与增速逐年提升。2020—2021年，新冠疫情对企业数字化转型产生一定冲击，但也带来新的发展机遇，以“大智移云”为代表的数字技术应用的重要性凸显，与往年相比，增速虽有所下降，但整体发展提升趋势明显，其中2021年企业数字化转型相关词频总和与数字资产占无形资产比重分别比上年增长6.97%、3.65%。
图1 中国城市企业数字化转型时序变化

Fig.1 Temporal characteristics of digital transformation of enterprises in Chinese cities

3.2 中国城市企业数字化转型的空间特征

3.2.1 中国城市企业数字化转型整体空间格局为东高西低

中国城市企业数字化转型区域差异明显且格局相对稳定，整体呈现东高西低的空间格局（图2）。胡焕庸线东部地区发展明显高于西部地区，依托区位优势、市场规模、创新要素、数字基础与人才集聚等，东部地区的5G应用、大数据赋能、物联网等较为先进，企业数字化转型较快，在全国整体处于领先地位；西部地区资源丰富，特别是清洁可再生能源丰富，具备发展数据中心、建设算力枢纽、承接东部算力需求的较大潜力，同时东部地区技术溢出效应、先进数字企业的产业链带动效应明显，有效推动部分西部地区数字投资大幅增长，其中克拉玛依市、乌兰察布市和宜宾市等部分城市企业的数字资产占无形资产比重提升较快，形成西部地区的高值区。
图2 中国城市企业数字化转型空间分布

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2020）4630号的标准地图制作，底图无修改

Fig.2 Spatial characteristics of digital transformation of enterprises in Chinese cities

梯度差距明显，国家中心城市、省会城市、副省级城市等核心城市综合优势显著，数字化人才集聚，依托技术资源和创新优势，研发设计、生产制造、仓储物流等环节数字化融合深入，设备改造、系统上云等成效显著，企业数字化转型进程较快。同时，京津冀、长三角、珠三角、成渝城市群等区域相关词频总和也明显多于其他地区，空间组合优势与辐射能力较强，集聚效应显著，发展成为核心区域，周边区域受其溢出效应影响扩散发展。

3.2.2 中国城市企业数字化转型区域差异明显但逐步缩小

企业数字化转型的区域差异是静态与动态共同作用的结果，从静态角度来看，企业数字化转型相关词频总和的区域不平等程度远超数字资产占无形资产比重的区域不平等程度，其差距体现在两个方面：一是区域内部的发展差距；二是区域之间的发展差距。参考国家统计局行政区划与经济地带划分办法，以四大地区与省域分组进行Dagum基尼系数分解，计算中国企业数字化转型的组内差距、组间差距、超变密度及其贡献率（图3）。
图3 Dagum基尼系数及贡献率气泡图

Fig.3 Bubble plots of Dagum Gini coefficient and contribution rate

①组内基尼系数存在显著区域差异，内部差距在西部地区最明显。2021年，东部、中部、西部和东北地区相关词频总和指标的组内基尼系数分别为0.759、0.786、0.812、0.797，数字资产占比指标的组内基尼系数分别为0.448、0.617、0.700、0.529，西部地区企业数字化转型增长极的分化（如成渝城市群快速发展），加剧了西部地区的内部差异。
②四大地区与省域分组的组间差距明显大于组内差距，表明组间差距是中国企业数字化转型发展总体区域差距的主要来源，在于数字化转型基础、经济规模、创新要素、政策支持等方面存在明显的区域间差异。2021年，东部、中部、西部、东北地区之间的组间基尼系数差异较大（图4），其中东部—西部、东部—东北之间的企业数字化转型相关词频总和差距最大，中部—西部的数字资产占比差距最大。同时，也可看出区域经济发展的不平衡性是企业数字化转型区域不平衡性的根本原因，因此，实现企业数字化转型协调发展应和区域经济社会协调发展协同起来。
图4 2021年四大地区的组间基尼系数热图

Fig.4 Hot map of Gini coefficient among four regions in 2021

③从区域差异的动态角度来看，总体呈减小趋势，企业数字化转型相关词频总和指标的变异系数、基尼系数和泰尔指数分别从2011年的4.770、0.923、1.684下降至2021年的3.004、0.838、1.521，企业数字资产占无形资产比重的三大指数分别相应从2.842、0.749、1.199下降至1.583、0.598、0.646，表明随网络强国、数字强国等战略相继实施，企业数字化转型进程加快。同时，基于数字技术跨时空、强连接和瞬时性特征，其辐射带动作用较强，区域发展差距逐渐缩小，四大地区与省域分组的组间基尼系数整体波动下降，组间差距的作用力正缓慢减弱，省域分组企业数字化转型的组内差距明显减小。其中，2011年相关词频总和指标的组内基尼系数大于0.8的省份有12个，2021年减少至5个，依次为河南、云南、四川、黑龙江和湖南；2011年数字资产占比指标的组内基尼系数大于0.8的省份仅有辽宁，2021年皆小于0.8。超变密度贡献率具有先上升后缓慢下降特征，表明企业数字化转型的区域内部分化现象比较明显，总体水平较低的区域中存在转型水平高于总体水平较高区域的城市，如重庆、成都、西安和兰州等；总体水平较高的区域中存在转型水平低于总体水平较低区域的城市，如东部地区的菏泽和邢台等，原因可能是数字基础设施、技术应用和创新水平等虹吸效应和极化作用较强，数字资源要素在区域内相对高值区集聚，弱化了低值区的转型能力，逐渐拉大区域内差距。随着数字技术广泛应用，区域内相对低值区后发优势明显，逐渐缩小与相对高值区的差距，分化现象正逐渐减弱。

3.2.3 中国城市企业数字化转型空间集聚较弱但逐渐增强

2011—2021年中国城市企业数字化转型相关词频总和与数字资产占比的Moran's I不断增加，2021年分别提升至0.192和0.101，但Moran's I一直处于较低水平，具备较大提升潜力，区域协调发展仍需完善。结合局部Moran's I散点图（图5），中国城市企业数字化转型集聚特征以“低—低”集聚和“高—高”集聚为主，京津冀、长三角、珠三角城市群形成“高—高”集聚中心，中西部省会城市及中心城市以“高—低”集聚为主，重庆、成都、西安、兰州、昆明等城市企业数字化转型的核心—边缘结构极化态势显著，西部及东北地区的城市大多位于“低—低”集聚区域，如吉林、宝鸡和西宁等，集聚类型及分布与经济水平、资源禀赋、产业布局、科技要素等具有一定的空间关联。
图5 2021年企业数字化转型Moran's I散点图

Fig.5 Moran's I scatter plot of digital transformation of enterprises in 2021

4 中国城市企业数字化转型对碳排放的影响

4.1 平稳性检验

由于样本数据为N>T的面板数据，本文采用HT和IPS方法检验单位根，以避免数据计量出现“伪回归”现象（表略），各变量在1%置信水平下显著，表明拒绝“存在单位根”的原假设，数据为平稳状态。

4.2 基准回归结果

利用随机效应模型、固定效应模型对中国城市企业数字化转型的碳排放影响作用进行面板计量回归（表1），表（1）~（4）列和（5）~（8）列分别为相关词频总和（DT1）与数字资产占比（DT2）2个指标的随机效应、个体固定效应、时间固定效应以及双向固定效应的回归结果。Hausman检验结果通过1%置信水平检验，选择固定效应模型更优。考虑到企业数字化转型对碳排放量的作用可能受区域和时间变化的影响，双向固定模型既控制个体效应也控制时间效应，可以解决遗漏变量问题，一定程度上缓解数据内生性，同时双向固定效应回归模型结果的R2分别为0.974、0.986，拟合优度较高，因此选用双向固定效应模型进行结果分析。
表1 基准回归结果

Tab.1 Benchmark regression results

（1） RE （2） IND （3） TIME （4） BOTH （5） RE （6） IND （7） TIME （8） BOTH
DT -0.2630*** -0.2790*** -0.1791** -0.1865** 0.3076 0.4857 -4.9137** -4.6612*
（-3.20） （-3.36） （-2.19） （-2.24） （0.12） （0.19） （-1.97） （-1.87）
EC 0.0439*** 0.0471*** 0.0231** 0.0249*** 0.0220*** 0.0227*** 0.0132*** 0.0138***
（4.90） （5.14） （2.46） （2.58） （7.75） （7.98） （4.55） （4.72）
MAR -0.2042 -0.1783 -0.2391 -0.2213 -0.5127*** -0.5081*** -0.4884*** -0.4838***
（-0.64） （-0.56） （-0.76） （-0.71） （-3.70） （-3.68） （-3.65） （-3.62）
INT -0.0633 -0.0715 -0.2189*** -0.2197*** -0.0848** -0.0886*** -0.2121*** -0.2130***
（-0.85） （-0.95） （-2.74） （-2.75） （-2.48） （-2.59） （-5.88） （-5.91）
POP -0.0008 -0.0005 0.0036 0.0039 -0.0003 -0.0006 0.0020 0.0018
（-0.12） （-0.07） （0.54） （0.59） （-0.09） （-0.17） （0.65） （0.57）
_cons 730.4897*** 728.2829*** 692.8794*** 565.1563*** 669.8518*** 651.5588*** 644.2383*** 699.5558***
（7.05） （23.53） （6.59） （3.02） （10.78） （49.76） （10.31） （9.26）
个体控制 NO YES NO YES NO YES NO YES
时间控制 NO NO YES YES NO NO YES YES
R2 0.0149 0.0150 0.0597 0.9743 0.0362 0.0362 0.1152 0.9855
sigma 277.3193 277.3193 271.6007 271.6007 126.6785 126.6785 121.6925 121.6925

注：企业数字化转型（DT），经济发展水平（EC），市场化程度（MAR），互联网基础建设（INT），人口规模（POP）。*、**、***分别表示p<0.10、p<0.05、p<0.01；括号内为标准误；YES表示控制相关效应。表2、表3同。

不同指标表征的企业数字化转型与城市碳排放量存在显著的负相关关系，相关词频总和、数字资产占比每提升1个百分点分别促进城市碳排放量减少0.187个百分点、4.661个百分点。企业借助信息技术、数据要素和网络平台，精准分析市场需求、系统评估产品功能、优化内部组织结构、提升数字化生产力水平，催生具有低碳绿色特征的新产业、新业态和新模式，实现企业节能减排。从不同企业数字化转型的碳排放影响看，电力、工业、建筑、交通等重点碳排放领域的数字化转型对于企业内部与行业之间影响较强，现代能源管理系统的实时监测管理能够协调资源与能源的使用比例，提高能源输送、分配和储存效率；生产制造全过程的数字化改造，例如智能设备、智能产线、智能车间等，显著提升企业生产效率、降低生产成本和能源资源消耗；建筑行业企业利用5G、BIM（建筑信息模型）、CIM（城市信息模型）、物联网等前沿技术，优化配置要素资源，高效提升施工效率，推动智慧社区、智慧城市等建设；智能交通运输、智慧物流网络、数字出行网络等有利于各行业进行全流程、全链条、全要素改造升级，实现区域整体节能减排与资源利用。综合来说，数据驱动、平台支撑、服务增值、智能主导的企业发展模式借助规模效应、结构效应和技术效应，有效减少城市能源消耗浪费，提升资源利用效率，升级改造传统产业、培育新产业新业态，从而实现区域经济发展方式变革和低碳目标（图6）。因此，实现双碳战略的一个可行之策便是推动企业数字化转型，强化数字赋能，优化数字要素的空间组织形态，形成新的降碳驱动力。
图6 企业数字化转型对碳排放的影响机制

Fig.6 Impact mechanism of digital transformation of enterprises on carbon emissions

在控制变量方面，经济发展与碳排放同步增长，经济增长促进城市扩张、人口集聚、能源消耗，排放大量CO2，因此，城市发展应重点关注经济发展质量和可持续性，实现经济社会发展与碳排放脱钩。市场化程度即外商实际投资额的影响为负，“污染光环”效应显现，外商投资带来先进的清洁技术与管理经验，借助示范效应和扩散效应等促进绿色技术进步、改善碳排放。互联网基础建设促进高效便捷、开放共享的互联网快速发展，其提质、降本、增效作用较强，能够实现城市能源的高效利用和碳排放量的减少。人口密度对碳排放量具有促进作用但未通过显著性检验。

4.3 稳健性检验

企业数字化转型能够显著降低区域碳排放，为防止内生性问题出现以及保证研究结果的可靠性，进行以下稳健性检验（表2）：①替换碳排放指标。利用碳生产率作为碳排放水平的代理变量，即碳均GDP，具体以单位CO2排放量的GDP产出水平来表征，列（1）~（2）结果表明企业数字化转型对碳生产率具有较强的促进作用，减碳效应显著。②更换回归模型。选择两阶段最小二乘法（2SLS）对面板数据进行检验，选取核心解释变量的滞后一期作为工具变量，相关检验表示数据不存在内生性问题，列（3）~（4）为DT1和DT2第一阶段的回归结果，列（5）~（6）为DT1和DT2第二阶段的回归结果，企业数字化转型的影响方向与显著性水平与基准回归结果保持一致，模型结果稳定可靠。③增加控制变量。区域碳排放受诸多因素影响，为防止遗漏变量影响回归结果，本文补充产业结构、教育水平等控制变量进行稳健性检验，分别以第二产业产值占GDP的比重、每百人在校大学生数表征，列（7）~（8）结果表明加入控制变量后，企业数字化转型对碳排放量的抑制作用保持稳定。
表2 稳健性检验结果

Tab.2 Robustness test results

（1） （2） （3） （4） （5） （6） （7） （8）
DT1 1.8054*** -101.2*** -87.4640*** -7.0031*
（6.38） （-3.11） （-4.03） （-1.85）
DT2 38.1054** -15.80* -11.3243** -4.3701*
（2.23） （-1.92） （-2.11） （-1.74）
Controls YES YES YES YES YES YES YES YES
个体控制 YES YES NO NO NO NO YES YES
时间控制 YES YES NO NO NO NO YES YES
R2 0.9096 0.9080 0.8238 0.5967 0.0360 0.0557 0.9858 0.9856
sigma 1390.8601 1472.068 - - - - 119.0211 121.6121

4.4 异质性分析

基于地域差异影响，考虑到东部、中部、西部、东北地区的资源禀赋、社会发展、技术创新、产业优势等因素的非均衡交互作用，对比研究四大地区企业数字化转型的碳减排效应的区域异质性（表略）。四大地区企业数字化转型对区域碳减排的促进作用明显，但显著性与作用大小存在差异，其中，中部地区的减碳效应最为显著，中部地区作为全国重要的能源原材料基地，企业利用数字技术建立能源管理利用平台，实现能源利用的精准计量和评估，大幅提高利用效率和减少碳排。东北地区的碳减排作用未通过显著性检验，可能在于以传统工业为重要根基的东北老工业基地的数字化转型赋能周期较长，当前企业数字化转型的碳减排效应尚未凸显。
基于经济地理“空间集聚性”，进一步考察企业数字化转型在不同经济聚集区域内对碳排放量影响效应的异质性。结合企业数字化转型空间集聚状态，主要考察京津冀、长三角和珠三角城市群的影响异质性（表略）。城市群作为经济发展格局中最具发展活力、潜力和竞争力的核心地区，其内部空间组织紧凑、经济联系紧密、基础设施发达，城市群之间的发展阶段、产业结构等具有一定差异，但其企业数字化转型的碳减排效应与基准回归结果保持基本一致，表明企业数字化空间集聚通过规模效应产生正外部性，特别是数字技术外部性对提高资源效率、优化产业结构、改变经济发展方式等具有较强积极作用，从而推动区域碳减排。

4.5 空间效应分析

基于地理距离矩阵探究企业数字化转型对碳排放的空间效应，依据LM、LR、Wald和Hausman检验结果，空间杜宾模型不能简化为空间滞后模型和空间误差模型，固定效应更优，因此本文选择基于固定效应的空间杜宾面板模型进行分析（表3）。
表3 空间杜宾面板模型回归结果

Tab.3 Regression results of the spatial Durbin panel model

DT1 DT2 EC MAR INT POP
Main -0.3596***（-13.81） 0.2661***（3.91） -0.0807***（-4.35） -0.1094***（-4.92） 0.0808**（2.37）
Wx -0.0893***（-3.21） 0.2594***（3.57） -0.0701***（-3.99） 0.1223***（4.08） -0.0468（-1.01）
Direct -0.3615***（-13.54） 0.2698***（4.03） -0.0807***（-4.54） -0.1068***（-5.04） 0.0797**（2.38）
Indirect -0.1098***（-3.94） 0.2798***（3.62） -0.0772***（-4.55） 0.1223***（3.98） -0.0462（-0.98）
Total -0.4713***（-11.74） 0.5495***（5.29） -0.1579***（-6.58） 0.0155（0.40） 0.0334（0.57）
Main -0.0072**（-2.20） -0.1677***（-2.69） -0.0926***（-4.84） -0.1147***（-5.00） 0.1289***（3.69）
Wx -0.0071**（-2.13） 0.1107*（1.66） -0.0623***（-3.42） 0.1532***（4.96） -0.0840*（-1.77）
Direct -0.0074**（-2.18） -0.1665***（-2.77） -0.0932***（-5.08） -0.1097***（-5.00） 0.1259***（3.69）
Indirect -0.0078**（-2.24） 0.1031（1.43） -0.0729***（-4.05） 0.1532***（4.75） -0.0802（-1.63）
Total -0.0152***（-2.89） -0.0634（-0.66） -0.1661***（-6.54） 0.0434（1.05） 0.0458（0.75）
DT1与DT2的本地效应均为负值，即企业数字化转型对本区域碳排放产生抑制作用，空间滞后项系数分别为-0.089、-0.007，间接效应系数分别为-0.110、-0.008，邻近城市企业数字化转型对本地区碳排放产生负向影响，在减少本地区碳排放量的同时抑制周围地区的碳排放，具有正向的空间溢出效应。直接效应包括反馈效应，即对其他城市碳排放的影响又会反过来影响该地区，总效应是对所有地区碳排放的平均影响，直接效应和总效应均为负值并在1%置信水平下显著，表明企业数字化转型具有显著涓流效应，核心城市先进的数字技术、设备与管理经验向外流出，被邻近城市企业模仿与采用，促进邻近城市企业数字化转型，强化城市间交流合作与数字连接，影响城市间的产业发展与结构优化，反过来影响该城市的碳排放量，从而促进整个区域碳排放量减少。

5 结论与对策

5.1 主要结论

借助中国A股上市公司样本数据，利用企业数字化转型相关词频总和、数字资产占无形资产比重衡量企业数字化转型，揭示了其时序演变与空间特征；运用Dagum基尼系数、Moran's I等测度区域差异与空间集聚，并通过构建双固定效应与空间杜宾面板模型，探究企业数字化转型对城市碳排放量的影响、异质性及空间效应。主要结论如下：
①中国城市企业数字化转型水平稳步提高，但整体尚处于转型发展初期。企业数字化转型相关词频总和从2011年的0.563万次增加至2021年的3.342万次，数字资产占无形资产比重相应从2.60%提升至4.64%，其中2012年企业数字化转型水平有所下降，2013—2019年稳步增长且增速较快，2020—2021年受新冠疫情影响，增速放缓。
②中国城市企业数字化转型区域差异明显且格局相对稳定，整体为东高西低并存在明显的梯度差距，胡焕庸线东部地区发展明显高于西部，国家中心城市、省会城市、副省级城市等核心城市转型较快，京津冀、长三角、珠三角和成渝等城市群发展成为核心集聚区域。从静态差异看，相关词频总和的区域不平等程度远超数字资产占比，组间差距明显大于组内差距，其中西部地区内部差异最大；从动态差异看，组内与组间的动态差异逐渐减小，但区域内部分化现象明显。总体上，空间集聚虽较弱，但关联程度不断增加，协调发展仍需完善。
③企业数字化转型的推进有助于实现区域碳减排，不同指标表征的企业数字化转型与城市碳排放量存在显著的负相关关系，正向的空间溢出效应显著。企业数字化转型主要通过企业内部与产业融合两个方面，实现结构优化、资源整合、效率提升、效益增加，不同地区、不同经济聚集区域的碳减排效应具有异质性特征。

5.2 对策建议

企业数字化转型既是构建中国智能经济新形态的关键内容，也是促进低碳高质量发展的重要引擎。根据研究结论，本文从数字技术应用、适宜转型方式、长效激励机制、区域协调发展等方面提出对策建议，以期加大企业数字化转型的碳减排效应。
①加快先进数字技术应用，增强企业转型能力。围绕工业互联网、人工智能、区块链、元宇宙等，加快数字信息技术的全过程融合应用，即基于数字化思维重构研发、生产、销售和服务的逻辑和链条，借助数字化平台和网络服务，开展产业链、供应链和创新链的上下游合作交流，实现提质增效和产需精准对接。
②构建转型长效激励机制，营造良好减排环境。出台企业数字化转型配套激励措施，持续打造碳减排与数字化管理监督平台，强化重点扶持、分类指导和跟踪服务，在行政审批、税收优惠、融资渠道等适当放宽限制，支持金融机构设立“数字化转型专项贷”项目，利用专项资金、减免补贴等加大资金支持，降低新业态新模式企业的设立门槛。
③精准分析碳排水平，选择适宜转型方式。基于企业实际情况，开展石油、煤、汽油等高排放能源的分类管理与碳盘查，实现生产、运输、消费等流程碳排放的可量化统计。遵循“定位—规划—实施—评估—优化”逻辑方式，结合区域资源禀赋和现实基础、企业转型难点和优势、碳排放规模和来源，选择“探索式”“协调式”“集中式”“嵌入式”等与自身相匹配的数字化减排推进方式[3]。
④强化数字转型协调发展，缩小区域组间差距。企业数字化转型具有较强的涓滴效应和正向空间溢出效应，应遴选典型优秀案例，打造数字化碳减排成功标杆企业，总结推广先进方法、市场机制和典型经验。建立跨行业、跨区域、统一动态的碳排放数据市场，鼓励发达地区与欠发达地区、先进企业与困难企业联动合作，破除行业性、区域间的数据分割与壁垒，实现区域企业数字转型协调发展的良好格局。
本文揭示了中国城市企业数字化转型时空特征与区域差异，并基于空间视角和区域异质性探究了企业数字化转型的碳减排效应，为不同区域制定数字化碳减排策略提供了科学依据，对推进企业数字化转型和形成示范效应提供了重要参考。未来可以继续强化典型区域或中小企业数字化转型对碳排放的影响研究，选择企业数字化转型试点城市，评估试点城市企业数字化转型成效和碳减排效应机制，探究试点政策的作用强度，为促进中国城市绿色低碳发展提供现实依据。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
刘文俊, 彭慧. 区域制造企业数字化转型影响绿色全要素生产率的空间效应[J]. 经济地理, 2023, 43(6):33-44.

DOI

[2]
Vial G. Understanding digital transformation:A review and a research agenda[J]. Journal of Strategic Information Systems, 2019, 28(2):118-144.

[3]
裴璇, 刘宇, 王稳华. 企业数字化转型:驱动因素、经济效应与策略选择[J]. 改革, 2023, 36(5):124-137.

[4]
姚小涛, 亓晖, 刘琳琳, 等. 企业数字化转型:再认识与再出发[J]. 西安交通大学学报:社会科学版, 2022, 42(3):1-9.

[5]
吴非, 胡慧芷, 林慧妍, 等. 企业数字化转型与资本市场表现——来自股票流动性的经验证据[J]. 管理世界, 2021, 37(7):130-144,10.

[6]
张永珅, 李小波, 邢铭强. 企业数字化转型与审计定价[J]. 审计研究, 2021, 37(3):62-71.

[7]
Nadia Z, Anastasios Z, Samuel A, et al. The micro-foundations of digitally transforming SMEs:How digital literacy and technology interact with managerial attributes[J]. Journal of Business Research, 2023,https://doi.org/10.1016/j.jbusres.2023.113755.

[8]
Yu C, Yue Z, Jingjing W, et al. The impact of the urban digital economy on China's carbon intensity:Spatial spillover and mediating effect[J]. Resources,Conservation & Recycling, 2023,https://doi.org/10.1016/j.resconrec.2022.106762.

[9]
张永姣, 丁少斌, 方创琳. 中国数字经济产业发展的时空分异及空间收敛性分析——基于企业大数据的考察[J]. 经济地理, 2023, 43(3):120-130.

DOI

[10]
沈丽珍, 强靖淇, 汪侠, 等. 浙江省数字技术应用业空间集聚演化特征——基于微观企业数据[J]. 经济地理, 2023, 43(7):151-160.

DOI

[11]
孙勇, 樊杰, 刘汉初, 等. 长三角地区数字技术创新时空格局及其影响因素[J]. 经济地理, 2022, 42(2):124-133.

DOI

[12]
金春枝, 李伦. 我国互联网数字鸿沟空间分异格局研究[J]. 经济地理, 2016, 36(8):106-112.

[13]
徐宁, 白英杰, 张迪. 股权激励如何助力企业数字化转型?——基于上市公司年报的文本挖掘分析[J]. 财经论丛, 2023, 39(7):89-101.

[14]
秦喜亮, 田虹. 期望业绩差距、管理者决策与企业数字化转型[J]. 科学决策, 2023, 30(7):82-98.

[15]
李成明, 周迪, 董志勇. 资本市场开放推动企业数字化转型了吗?——基于准自然实验和文本分析方法[J]. 统计研究, 2023, 40(8):96-109.

[16]
王超, 余典范, 龙睿. 经济政策不确定性与企业数字化——垫脚石还是绊脚石 ?[J]. 经济管理, 2023, 45(6):79-100.

[17]
唐健雄, 李春艳, 孙桥, 等. 基于扎根理论的酒店数字化转型影响因素研究[J]. 人文地理, 2022, 37(3):151-162.

[18]
Jarosław B, Magdalena T. Analyzing the level of digitalization among the enterprises of the European Union Member States and their impact on economic growth[J]. Journal of Open Innovation:Technology, Market,and Complexity, 2022, 8(2):1-29.

[19]
Yuko P M, Annika W J, Christopher M, et al. How digital transformation impacts organizational culture-A multi-hierarchical perspective on the manufacturing sector[J]. Computers & Industrial Engineering, 2023,https://doi.org/10.1016/j.cie.2023.109432.

[20]
杨白冰, 杨子明, 郭迎锋. 企业数字化转型中的就业结构效应——基于制造业上市企业年报文本挖掘的实证分析[J]. 中国软科学, 2023, 38(4):141-150.

[21]
尤碧莹, 郑明贵, 胡志亮, 等. 数字化转型对资源型企业全要素生产率的影响[J]. 资源科学, 2023, 45(3):536-548.

DOI

[22]
刘强, 马彦瑞, 徐生霞. 数字经济发展是否提高了中国绿色经济效率?[J]. 中国人口·资源与环境, 2022, 32(3):72-85.

[23]
Nikos C. Is digital transformation the Deus ex Machina towards sustainability transition of the European SMEs?[J]. Ecological Economics, 2023,https://doi.org/10.1016/j.ecolecon.2023.107739.

[24]
张建伟, 王艳华, 翟蕴芝, 等. 豫赣湘皖承接产业转移与创新产出的空间变系数计量分析[J]. 湖南师范大学自然科学学报, 2023, 46(5):100-107.

[25]
邬晓燕. 数字化赋能生态文明转型的难题与路径[J]. 人民论坛, 2022, 31(6):60-62.

[26]
徐维祥, 周建平, 刘程军. 数字经济发展对城市碳排放影响的空间效应[J]. 地理研究, 2022, 41(1):111-129.

DOI

[27]
王元彬, 张尧, 李计广. 数字金融与碳排放:基于微观数据和机器学习模型的研究[J]. 中国人口·资源与环境, 2022, 32(6):1-11.

[28]
张亚豪, 金殿臣, 曾昭睿. 工业数字化的减碳效应检验[J]. 统计与决策, 2022, 38(24):49-52.

[29]
刘长生, 陈昀, 简玉峰, 等. 中国旅游产业发展间接就业带动能力测算及其时空差异[J]. 地理学报, 2022, 77(4):918-935.

DOI

[30]
李正昕, 徐维祥, 刘程军. 长三角县域三次产业协调发展的空间特征及动力机制[J]. 经济地理, 2021, 41(3):136-143.

DOI

[31]
邓祥征, 蒋思坚, 李星, 等. 区域土地利用影响地表CO2浓度异质性特征的动力学机制[J]. 地理学报, 2022, 77(4):936-946.

DOI

[32]
何帆, 刘红霞. 数字经济视角下实体企业数字化变革的业绩提升效应评估[J]. 改革, 2019, 32(4):137-148.

[33]
肖土盛, 孙瑞琦, 袁淳, 等. 企业数字化转型、人力资本结构调整与劳动收入份额[J]. 管理世界, 2022, 38(12):220-237.

Options
Outlines

/

〈 〉