数实产业技术融合、新质生产力与能源结构低碳转型（课题参考资料）

数实产业技术融合、新质生产力与能源结构低碳转型摘要：作为数字经济与实体经济深度融合的新型产业，数实产业技术融合对推动产业融合与绿色技术转型升级具有重要作用，可为能源结构低碳转型提供新动力。文章基于2013—2022年中国30个省份的面板数据，实证检验数实产业技术融合对能源结构低碳转型的影响作用，并分析新质生产力的机制效应。结果表明：数实产业技术融合能够有效推动能源结构低碳转型；机制效应检验结果显示，新质生产力在数实产业技术融合影响能源结构低碳转型的过程中发挥明显的中介作用；异质性检验结果显示，数实产业技术融合对数字技术水平较高地区和可再生能源匮乏地区能源结构低碳转型的促进作用更强。关键词：数实产业技术融合；能源结构低碳转型；数字技术水平；可再生能源禀赋；新质生产力0引言2024年7月，中共中央、国务院印发《关于加快经济社会发展全面绿色转型的意见》，指出要"稳妥推进能源绿色低碳转型""持续优化能源结构，加快规划建设新型能源体系"，为加速能源结构低碳转型指明了方向。在"双碳"目标引导下，我国能源结构低碳转型已取得良好成效，但仍面临新能源消纳与节能技术研发瓶颈、低碳能源地区分布失衡等困境。因此，探索能源结构低碳转型驱动因素成为当前亟须探讨的内容。数实产业技术融合是数字经济和实体经济产业技术深度融合的结果，能够畅通各领域资源流通渠道，加速研发节能技术，提高清洁能源利用率，有助于实现"双碳"目标。数实产业技术融合可通过重塑产业结构，促进形成新生产力与新兴技术相结合，改善社会生产关系，促进新质生产力。新质生产力发展能够摒弃破坏生态环境的生产方式，催生新产业、新动能和新模式，提高可再生能源利用效率，从而对能源结构低碳转型产生影响。学术界已对数实产业技术融合、新质生产力、能源结构低碳转型展开丰富讨论。一是数实产业技术融合既能提升企业全要素生产率、促进制造业高质量发展，又能推动城乡共同富裕[7]。二是新质生产力的影响因素集中于战略性技术创新、绿色技术创新等技术领域，且新质生产力可在能源领域发挥作用，赋能服务业绿色转型，提高碳排放效率。三是能源结构低碳转型会受到绿色技术创新、环境目标约束、碳排放权交易政策等因素的影响。由此推测，数实产业技术融合与新生产力对能源结构低碳转型具有潜在影响，但现有研究对三者之间关系的探讨较少。本文基于2013—2022年中国30个省份的面板数据，考察数实产业技术融合、新质生产力与能源结构低碳转型的关系，以期为推进绿色低碳循环发展经济体系建设提供经验借鉴。1理论分析与研究假设1.1数实产业技术融合对能源结构低碳转型的直接影响数实产业技术融合可直接促进能源结构低碳转型。第一，数实产业技术融合能够推进能源循环利用技术和新能源开发技术[15]，提高清洁能源利用率，加速能源结构低碳转型进程。同时，数实产业技术融合可带动技术创新成果的应用推广，促进数字技术与清洁能源储存、开发、应用等环节的深度融合，改变原有高碳的生产方式，增加清洁和可再生能源消费量，赋能能源结构低碳转型。第二，数实产业技术融合推动实体产业快速应用数据分析、数字孪生等前沿技术，提高生产决策精度、优化工艺流程及强化环境治理，促进产业融合，构建绿色化产业体系共生网络，推动能源结构低碳转型。数实产业技术融合还可推动传统产业绿色化、智能化改造，促使产业链上下游企业在合作过程中采用资源循环利用技术，加速传统产业与新能源产业的技术融合，增加清洁能源消费占比，驱动能源结构低碳转型。由此，本文提出以下假设：假设1：数实产业技术融合可以驱动能源结构低碳转型。1.2新质生产力的机制效应数实产业技术融合能通过促进新质生产力发展来推动能源结构低碳转型。一方面，数实产业技术融合催生新业态模式和新兴产业形态，推动传统产业数字化发力并助力未来产业与新兴产业兴起，拓展新质劳动对象范畴，奠定新质生产力发展基础。第二，数实产业技术融合加快有助于数字化交易平台建设，助推传统物资资料向数字化形态转变，形成AI助手、仿真引擎等多种新型生产工具[16]，促进新质生产力涌现。另一方面，新质生产力可促进能源结构低碳转型。第一，新质生产力发展能加速形成新劳动对象，促进新能源、新材料诞生，降低传统生产活动对高碳能源的依赖度，提高清洁能源传输、分配和共享效率。第二，新质生产力能丰富新质劳动资料，依托于IPv4地址技术、5G基站网络，助推包含资源集聚、清洁能源应用技术共享的绿色生产体系建设，实现可再生能源优化配置和高效利用，助力能源结构低碳转型。由此，本文提出以下假设：假设2：新质生产力在数实产业技术融合与能源结构低碳转型之间发挥中介作用。1.3数实产业技术融合影响能源结构低碳转型的异质性不同地区存在数字技术水平、可再生能源禀赋差异，因此数实产业技术融合对能源结构低碳转型的影响具有异质性。从数字技术水平异质性层面来看，在数字技术水平较高地区，数实产业技术融合可借助丰富、先进的数字技术优势，推动企业低碳生产技术升级，形成智能化、精细化、自动化绿色生产模式，提高可再生能源利用率，进而加速推进能源结构低碳转型。相对而言，在数字技术水平偏低地区，数实产业技术融合能促进实体产业生产信息化，但难以充分转化和吸收数实产业融合红利，致使清洁能源数字化、现代化应用程度较低[17]，推进能源结构低碳转型的速度较缓慢。从可再生能源禀赋异质性层面来看，可再生能源丰富地区已形成较为成熟、稳定的清洁能源应用方式，使得能源结构中清洁能源消费占比较高，即能源结构低碳转型空间较小[18]，致使数实产业技术融合对能源结构低碳转型的驱动作用尚不显著。可再生能源匮乏地区为弥补新能源应用技术不足、原始能源利用率不高的短板，会通过引进数实产业技术融合催生的新技术、新资源，全面推行绿色生产模式[19]，充分释放数实产业技术融合对能源结构低碳转型的驱动作用。由此，本文提出以下假设：假设3：在数字技术水平较高地区，数实产业技术融合对能源结构低碳转型的促进作用更大。假设4：在可再生能源匮乏地区，数实产业技术融合对能源结构低碳转型的促进作用更大。2研究设计2.1基准回归模型为分析数实产业技术融合对能源结构低碳转型的影响效应，构建以下基准回归模型：L（1）式(1)中，i、t分别代表省份、年份，*LEit*为能源结构低碳转型，*IDTit*是数实产业技术融合，*Zit*为控制变量，*μ0*为常数项，μ1、*μ2*为待估系数，θi、*vt*分别为省份固定效应、时间固定效应，*εit*为随机扰动项。2.2中介效应模型为探究数实产业技术融合能否通过新质生产力影响能源结构低碳转型，构建如下中介效应模型：XC（2）L（3）式(2)和式(3)中，*XCZit*表示中介变量新质生产力，β0、*γ0*为常数项，β1、β2、γ1、γ2、*γ3*是待估计系数，其他变量含义与式(1)相同。2.3变量说明(1)被解释变量：能源结构低碳转型（LE）伴随清洁能源的发展，市场上的主导能源不断变化，使能源结构表现出绿色低碳能源取代高碳能源的变化趋势。由此，仅采用单一指标（如清洁能源占比或煤炭消费占比）表征能源结构低碳转型程度有失偏颇。本文参考朱欢等（2020）[20]的研究方法测算能源结构低碳化指数，来衡量能源结构低碳转型程度。具体步骤为：第一，能源消费包含油气类（中碳）、煤炭类（高碳）、其他能源（低碳）三种类型，将t年各类能源消费占比设置为空间向量，组成三维向量Et第二，测算向量Et和三种能源消费向量E01=(1,0,0)、E02=(0,1,0)、Eϕ（4）第三，对t年全部向量夹角加权计算，得到能源结构低碳化指数。该指数越大，说明能源结构低碳转型程度越高；反之，说明能源结构低碳转型程度越低。L（5）(2)核心解释变量：数实产业技术融合（IDT）借鉴孙久文和李凤琴（2024）[19]的研究方法，利用专利数据确定数字经济产业和实体经济产业之间的技术流动特征，以衡量数实产业技术融合。根据《数字经济核心产业分类与国际专利分类参照关系表（2023）》的四级分类号，识别和筛选出属于数字经济产业及其分支、实体经济产业及其分支、数字产业和其他技术大类在研究期内的技术专利申请数据。在此基础上，根据专利申请递交材料所属省份，计算各省的专利数量，并取对数处理，测算数实产业技术融合水平。(3)中介变量：新质生产力（XCZ）新质生产力是实现质态跃升的先进生产力，是劳动者、劳动对象、劳动资料及其多维组合的综合性概念，具有高技术含量、融合化、新领域等特点[21]。借鉴有关研究[24]，遵循全面性、数据可得性、典型性原则，从新质劳动者、新质劳动对象、新质劳动资料三个方面构建新质生产力评价指标体系（见表1）。采用熵值法计算新质生产力指数。表1新质生产力评价指标体系一级指标二级指标三级指标计算方法属性权重新质劳动者劳动产出研发人员资占比研发人员数量/就业人员总人数+0.066信息技术、软件和信息服务信息传输、软件和信息技术+0.079战略性新兴产业增加值占比服务业增加值占GDP培养投入人均受教育年限（文盲人数×0+小学学历人数×6+初中学历人数×9+高中学历人数×12+大专及以上学历人数×16）/16岁及以上人口数+0.072新质劳动对象未来产业科技人力投入R&D人员全时当量+0.085工业机器人安装密度工业机器人安装数量/第二产业就业人数+0.093新兴产业战略性新兴产业增加值占比战略性新兴产业增加值占GDP+0.088高技术产业产值占比高技术产业总产值/GDP+0.082高技术产业活跃度高技术产业新产品开发支出/GDP+0.075新质劳动资料数字新基建人均光纤长度光缆线路长度/总人口+0.075人均5G基站数5G基站数/总人口+0.071人均5G数据流量5G基站设置数量/总人口+0.067传统基建邮电业务总量占比信息基础设施、邮电业务收入/GDP+0.074道路铺设面积占比道路铺设面积/区域占地面积+0.073(4)控制变量选择以下控制变量：外商投资水平（FIL），用外商直接投资额与GDP的比值表示；三产占比（SC），以第三产业增加值与GDP的比值衡量；城镇化率（TBL），采用城镇人口与总人口的比值测算；税负水平，以税收收入与GDP的比值表征；环境规制指数（ERI），通过加权平均各类污染排放强度的对数刻画；政府干预（GBL），以政府财政支出在GDP中的占比表征；交通网络密度（TND），以公路里程数与地区面积的比值测算。2.4数据来源本文以2013—2022年中国30个省份（不含西藏和港澳台）的面板数据作为研究样本。数据来源于《中国能源统计年鉴》《中国科技统计年鉴》《中国高技术产业统计年鉴》《中国区域创新能力评价报告》《中国统计年鉴》、CS-MAR数据库、EPS数据库。另外，通过线性插值法补全个别缺失数据，并用Winsorize方法对连续变量进行缩尾处理，去除1%、99%之外的极端值。表2为各变量描述性统计结果。表2变量描述性统计结果变量名称符号观测值均值最大值最小值标准差能源结构低碳转型LE3000.3960.5920.2010.357数实产业技术融合IDT3000.1870.7900.0420.568新质生产力XCZ3000.4620.5960.3520.121外商投资水平FIL3000.5310.9210.0010.582三产占比SC3000.6120.8630.2260.225城镇化率TBL3000.6530.8420.2670.132税负水平—3000.2250.3510.1520.158环境规制指数ERI3002.2124.2750.3960.386政府干预GBL3000.2480.6990.1370.258交通网络密度TND3000.3260.5640.0590.1353结果分析3.1单位根及面板协整检验为避免出现伪回归现象，对数据进行单位根及面板协整检验。其中，单位根检验采用Hadri、LLC、PP、ADF四种方法。表3的结果显示，四种单位根检验方法下各变量均较为显著，说明研究所用数据无单位根，变量具有稳定性。表3的结果还显示，Kao协整检验结果显示，ADF统计量拒绝"变量间无协整关系"的原假设，故能源结构低碳转型、数实产业技术融合与其他控制变量之间具有长期稳定协整关系。表3单位根检验结果变量HadriLLCPPADF单位根判定LE4.986***-2.144**42.112***75.072***无IDT7.369***-13.467***62.437***132.413***无FIL3.639***-12.745***127.715***157.689***无SC3.086***-15.175***85.145***63.124***无TBL4.355***-6.481***43.451***152.418***无ERI3.425***-10.736***87.659***162.245***无GBL4.970***-8.907***92.877***85.849***无TND3.969***-11.574***135.097***108.516***无3.2基准回归结果对式(1)进行Huasman检验，结果显示统计量为103.56，且P值为0，表示固定效应优于随机效应，故以固定效应模型展开分析。通过逐步分析法逐步代入控制变量进行回归，结果见下表4列(1)至列(8)显示，随着控制变量的逐步引入，拟合优度持续增大，表明拟合优度更加理想，即所选控制变量具有合理性。数实产业技术融合的系数始终显著为正，表明数实产业技术融合可明显促进能源结构低碳转型，假设1成立。究其缘由，随着数实产业技术融合水平提升，相关主体不断加大数字技术应用力度，深度融合先进的数字管理理念及生产设备，促进清洁能源利用效率提高、结构优化，从而助力能源结构低碳转型。表4基准回归结果变量(1)(2)(3)(4)(5)(6)(7)(8)IDT1.823***1.742***1.705***1.657***1.627***1.593***1.551***1.523***(6.015)(5.906)(5.751)(5.689)(5.572)(5.542)(5.314)(5.151)FIL0.145***0.143***0.138***0.129***0.125***0.124***0.121***(4.636)(4.620)(4.613)(4.583)(4.532)(4.521)(4.412)SC0.091***0.087***0.082***0.076***0.073***0.069***(4.264)(4.253)(4.234)(4.228)(4.224)(4.215)TBL0.102***0.097***0.094***0.091***0.088***(2.395)(2.385)(2.381)(2.373)(2.365)税负水平-1.856-1.846-1.815(-1.873)(-1.846)(-1.815)ERI0.056**0.053**0.048*(1.812)(1.783)(1.775)GBL0.075**0.069**(2.153)(2.149)TND0.053**(2.272)常数项2.455***2.451***2.437***2.432***2.436***2.427***2.418***2.413***(3.561)(3.426)(3.368)(3.258)(3.261)(3.253)(3.242)(3.234)省份固定效应是是是是是是是是时间固定效应是是是是是是是是拟合优度0.7230.7330.7490.7540.7590.7750.7450.755F值62.714***65.619***72.260***95.914***104.062***100.758***98.325***97.285***样本量3003003003003003003003003.3稳健性检验为确保研究结果稳健，通过调整研究周期、替换被解释变量、剔除直辖市的方式，进行稳健性检验。第一，调整研究周期。2016年《G20数字普惠金融高级原则》发布后，数实产业技术融合快速发展。因此，进一步将研究周期缩短到2017—2022年进行稳健性检验，结果见下表5列(1)。分析可知，数实产业技术融合能够促进能源结构低碳转型，故前文结论具有稳健性。第二，替换被解释变量。能源结构低碳转型用煤炭消费在能源消费结构中的占比衡量，结果见表5列(2)，可见，数实产业技术融合的系数显著为负，说明数实产业技术融合会推动煤炭消费占比提升，有利于能源结构低碳转型，证实基准回归结果具有稳健性。第三，剔除直辖市。直辖市的原始技术发展基础较好，且享有国家专项政策扶持，可为数实产业技术融合提供更多资源，这在一定程度上会对基准回归结果产生影响。由此，剔除北京、天津、重庆、上海4个直辖市样本后重新回归，结果见表5列(3)。分析可知，数实产业技术融合的系数依然显著为正，表明上述结论具有稳健性。表5稳健性及内生性检验结果变量稳健性内生性调整研究周期替换被解释变量剔除剔除直辖市第一阶段第二阶段(1)(2)(3)(4)(5)IDT1.546***-1.531***1.325***1.513***(5.526)(-5.015)(5.074)(5.559)工具变量2.463***2.457***(3.262)(3.019)常数项2.546***2.481***(3.126)(3.242)控制变量是是是是是省份固定效应是是是是是时间固定效应是是是是是拟合优度0.7150.7350.7290.7210.735F值72.257***73.356***74.415***57.854***73.306***Kleibergen-PaaprkLM18.256***Kleibergen-PaapWaldF186.578***样本量1803002603003003.4内生性检验数实产业技术融合与能源结构低碳转型之间可能存在内生性问题，本文通过工具变量法解决内生性问题。固定电话普及率会直接影响网络技术发展与应用，从而改变数实产业技术融合程度，故选用固定电话普及率作为数实产业技术融合的工具变量符合相关性原则；同时，固定电话普及率难以影响能源结构低碳转型水平，故所选工具变量符合外生性原则。工具变量选用固定电话普及率，并采用两阶段最小二乘法进行内生性检验，结果见表5列(4)、列(5)。工具变量的Kleibergen-PaaprkLM统计量为18.256，Kleibergen-PaapWaldF统计量为186.578，说明所选工具变量科学且合理。并且，第二阶段结果显示，存在的内生性问题后，研究结论依然稳健。3.5机制效应分析前文理论分析表明，数实产业技术融合可促进新质生产力发展，进而推动能源结构低碳转型。为检验这一路径是否成立，本文对式(2)、式(3)进行回归，结果见表6。列(1)显示，数实产业技术融合的系数为0.231，且在1%的水平上显著，说明数实产业技术融合驱动新质生产力发展。列(2)显示，数实产业技术融合的系数为1.457，且在1%的水平上显著；新质生产力的系数为0.286，且在1%的水平上显著。这表明新质生产力在数实产业技术融合推动能源结构低碳转型过程中可发挥机制作用，假设2成立。原因可能是，数实产业技术融合能够促进跨产业、跨地区技术交叉渗透，推动超算中心、边缘数据中心梯度化发展，为形成新质生产力提供设备支持，进而形成新业态、新模式、新能源，进一步扩大清洁能源应用范围，促进能源结构低碳转型。表6机制效应检验结果变量XCZLE(1)(2)IDT0.231***1.457***(4.428)(5.193)XCZ0.286***(4.607)常数项2.591***2.443***(3.362)(3.417)控制变量是是省份固定效应是是时间固定效应是是拟合优度0.6720.721F值66.154***72.594***样本量3003003.6异质性分析3.6.1数字技术水平异质性本文参考余东华和王爱爱（2023）[25]的研究方法，通过互联网普及率衡量数字技术水平，并以互联网普及率中位数为标准，将样本分为数字技术水平较高组与数字技术水平较低组，再重新回归，结果见下表7列(1)、列(2)。分析可知，数实产业技术融合的系数在数字技术水平较高组与数字技术水平较低组均显著，分别为1.723、1.256。这说明数实产业技术融合对能源结构低碳转型的促进作用在数字技术水平较高组更强，假设3成立。这可能是因为，数字技术水平较高地区通常具有较高的数字产业技术融合基础及数字新基础设施建设水平，可充分发挥技术知识溢出效应，为清洁能源应用提供技术支持，促进能源结构低碳转型。而数字技术水平较低地区的数实产业技术融合配套设施不健全，难以充分满足能源开发的技术需求，故数实产业技术融合对能源结构低碳转型的推动作用不明显。表7异质性检验结果变量数字技术水平较高组数字技术水平较低组可再生能源丰富组可再生能源匮乏组(1)(2)(3)(4)IDT1.723***1.256***1.134***1.661***(5.750)(4.834)(3.745)(5.483)常数项2.642***2.273***2.212***2.676***(3.354)(3.162)(3.345)(3.123)控制变量是是是是省份固定效应是是是是时间固定效应是是是是拟合优度0.7210.7590.7460.715F值76.584***71.296***78.365***72.457***样本量1501501401603.6.2可再生能源禀赋异质性借鉴赵振宇和马旭（2022）[26]的研究方法，依据可再生能源电力消费量与全社会用电量的比值，将比值超过30%的样本设置为可再生能源丰富组，其余样本设置为可再生能源匮乏组，再分别进行主效应回归分析，结果见表7列(3)、列(4)。分析可知，可再生能源丰富组与可再生能源匮乏组的