1. 引言
随着现代科技和工业的飞速发展，人类活动对地球生态系统的影响日益深远。这些工业生产过程中产生的二氧化碳气体，作为温室效应的主要来源，其排放量不断攀升，成为全球气候变化的重要推手。在这样的背景下，海洋作为地球上最大的碳储库之一，正在遭受前所未有的压力。全球变暖导致的海洋气候变异不仅改变了海平面高度，还增加了极端天气事件的频率和强度，从而威胁着海洋生物多样性，并最终可能引发一系列自然灾害，从干旱到洪水，从飓风到海啸，不一而足。
自工业革命以来，全世界共排放了超过1.5万亿吨的二氧化碳，这个数字触目惊心。在这庞大的排放数据中，中国的贡献尤为突出。据统计，2020年，中国二氧化碳排放量达到了98.94亿吨，在全球范围内居于首位。这个数字凸显出中国在追求经济增长的同时，也给环境带来了巨大的负担。面对这种严峻的局面，国际社会纷纷呼吁采取措施，以实现可持续发展目标。为了减缓气候变化的趋势，各国政府和企业都开始着手减排行动。对于中国而言，这不仅仅是一场环保战役，更是一场关乎国家长远发展的战略抉择。要实现这一目标，首先就必须控制碳排放量，确保二氧化碳排放能在2030年之前达到峰值，并且朝着2060年实现碳中和的宏伟愿景努力。
在以往的经济发展中，中国大量地依靠传统基础设施为公众提供基础性服务的同时，也贡献了约碳排放总量的70%。据研究报告显示，与传统基建相比，新基建在生产过程中的二氧化碳排放量较传统基建将会减少7.24%1。在2018年召开的中央经济工作会议上，决策层明确提出了发展的新方向，强调要“加速5G商业化，加强人工智能、工业互联网、物联网等新型基础设施建设”。这些新型基础设施(新基建)与传统基建相比，具有明显的技术优势和发展潜力。它们以数字化为基础，通过网络化和智能化的手段，实现了对社会生产过程的深度融合以及人们日常生活方式的全面渗透。新基建不仅仅是技术层面上的革新，它更是经济发展中不可或缺的推动力。在当前全球经济一体化的大背景下，新基建已经成为促进产业结构优化升级的重要抓手，同时也为节能减排提供了强有力的支撑。随着5G网络的普及和人工智能等前沿技术的应用，新基建正逐步塑造出全新的产业生态，催生出一系列新的业态模式，极大地推动了传统产业向数字化、智能化转型。
但在现有的研究中，研究新基建资本投入的碳排放效应的文章相对较少，这可能与新基建资本存量的计算比较困难有关。因此，本文将用永续盘存法计算新基建的资本存量，进而探究新基建投资对碳排放的影响。新型基础设施建设真的会降低碳排放量吗？其影响机制是什么？是否会存在区域差异性？为此，本文拟开展新型基础设施建设对碳排放影响的研究，厘清新基建资本对碳排放的影响路径。充分挖掘新基建资本红利，将数字化节能效应最大化，从而主动回应内外部压力，真正做到转型。
2. 文献综述
梳理现有文献发现，新基建投资对于碳排放影响的直接研究还相对较少，大多数研究聚焦于新基建的概念界定、或者是信息基础设施投资即ICT资本对于碳排放的影响，亦或者聚焦于新型基础设施建设投资的经济效应。
新基建是以“新技术”、“新要素”为核心，与原有的基础设施建设之间存在着一脉相承的联系。“新基础设施”由“信息基础设施”、“融合基础设施”和“创新基础设施”构成；从实际的应用来看，主要包括5G基建、特高压建设、城际高铁与城际轨道交通、新能源汽车充电桩、大数据中心、人工智能和工业互联网等七个方面，它们都是关系到人民生活和企业生活的方方面面，与国家的发展息息相关。
目前，国际上的很多研究都显示，通过发展ICT，可以极大地减少能源消耗。信息基础设施是指大数据、人工智能、云计算等新技术，可为企业生产和民众生活提供网络支撑和数据安全保障。信息基础设施通过强化信息传输效率，促进产业间深度融合，加速落后产能的优化升级，提升技术创新水平和技术成果转化率。同时，信息基础设施建设信息基础设施建设加速了数字技术、云计算、智能运输管理平台的发展。这一过程不仅推动国内产业链数字化转型，推动线上办公、无纸化合同签订、绿色技术创新等，进而推动碳排放量的减少。
我国在2002年提出“信息化和工业化融合发展”战略，旨在通过信息通信技术等促进传统产业的绿色转型。石大千等[1] (2018)研究发现信息基础设施建设通过促进新兴产业发展和产业结构升级，可进一步促进基于互联网的新兴产业集聚，从而降低传统高污染行业所占的比重，进而可以减少二氧化碳排放。Wang等[2] (2022)利用2009~2020年中国283个地级市的面板数据，探讨发现信息基础设施显著降低了城市的碳排放水平，并且其背后的影响机制为数字经济和绿色技术创新。Zhang等[3] (2022)和Dong等[4] (2022)通过研究发现信息基础设施建设可以有效改善空气质量，提高温室气体排放绩效。Kou和Xu [5] (2022)利用Mamquist-Luenberger指数模型测量碳排放效率，之后使用面板分位数回归模型，分析得到互联网基础设施在市场细分条件下对碳排放强度具有显著抑制作用。
梳理现有文献，关于新型基础设施资本投入的研究主要集中于其对外贸易升级、推动工业绿色转型、缩小区域经济差距、提升地区创新水平等方面。对于新型基础设施资本投入的碳减排效应的文献相对匮乏，大多数是一些实体物品间接影响的文章，如新基建对碳排放总量的影响等，并未提及新基建的投资行为带来的边际效应。具体而言，文献大多侧重于所属新型基础设施建设的实物所带来的技术创新、产业结构优化和降低能耗等效应，从而进一步探究其对碳减排的影响。
在技术创新效应方面，新基建推进了“量质齐升”的绿色科技创新，有助于推进“宽带中国”和“智慧城市”等国家战略的落实和推进，对降低二氧化碳排放具有重要意义。此外，新基建还对推动产业数字化转型起到了积极的推动作用。利用数字化手段，企业能够减少企业创新的交易费用，从而提升企业的创新能力和效率，进而提升企业的整体生产力水平。由此可见，技术创新是新基建实现减排增效的重要渠道，可以有效减少二氧化碳量的排放和促进碳减排技术的创新。
在产业结构升级方面，新基建能够赋能传统行业，把数字技术作为产业升级的抓手，助力产业结构优化升级，推动经济绿色低碳增长。同时，新基建可以提高全要素生产率，促使落后或附加值较低的低端产业进行自我革新和升级，逐步向价值链上游移动，减少对不可再生资源的依赖，并降低生产过程中产生的碳排放，实现经济增长与生态保护的双赢。
在能源消耗方面，王山和余东华[6]认为(2024)新基建可凭借物联网、大数据等数字技术，高效地收集、整合和分析制造企业的能耗特性数据，提高单位能源的产值增量，降低能源强度，进而改善制造业碳排放效率。张三峰和魏下海[7] (2019)通过对中国制造企业调研的分析，认为将IT、通讯等数字化技术用于企业的生产经营活动，可以明显地减少能耗。
综合来看，现有的文献多集中在新基建的概念及范畴研究中，或者新型基础设施建设的某个子领域对碳排放的影响，鲜少有文献探究将整个新型基础设施建设的全局领域对于区域碳排放的影响。新基建不仅包括ICT行业，还包括ICT融合行业和创新基础设施行业，覆盖广，更能体现新时代节能减排的发力点。鉴于此，本文以新基建为切入视角，研究其资本投入对于碳排放的影响。
3. 理论分析与研究假设
在新型基础设施建设的进程中，资本的流入使得企业进行技术创新、设备更新、工艺改进和能源管理，促使整个社会进行产业结构转型优化和能源消费结构改善，进而抑制区域的碳排放。
在能源消耗结构方面，新基建投资能够推动清洁能源应用，进而可以降低碳排放。新基建中的如充电桩网络建设等，是电动汽车广泛应用的重要支撑。电动汽车相比传统燃油汽车能大幅减少尾气二氧化碳排放。大量充电桩的布局会鼓励更多居民和企业选择电动汽车出行及运营，直接减少交通运输领域这一碳排放大户的碳排放量。同时，数据中心等新基建如果采用分布式能源、太阳能、风能等可再生清洁能源供电，相较于传统依靠火电的能源模式，能从能源获取源头降低因电力使用产生的碳排放，改变区域整体能源消耗结构，助力碳减排。
在产业带动方面，新基建投资能够助力低碳产业发展，进而减少碳排放。新基建投资能够促进相关高科技、数字经济产业蓬勃发展。例如工业互联网的建设投资，能让制造业企业更好地实现智能化生产、精细化管理，提高生产效率、降低资源浪费以及优化生产流程，减少不必要的能源消耗和原材料浪费，从而在工业生产环节直接削减碳排放。还有人工智能在能源管理领域的应用，通过新基建搭建的良好基础得以更好落地，实现对建筑、工厂等用能更精准的调控，减少能源浪费，直接促使区域碳排放下降。
基于上述分析，本文提出如下两个假设：
假设1：新基建资本投入能够显著抑制城市碳排放；
假设2：新基建资本投入通过推动产业结构升级和改善能源消费结构，进而抑制城市碳排放。
4. 新基建资本存量估算
新基建资本投入被分为“信息基础设施资本”、“融合基础设施资本”和“创新基础设施资本”；其中，“信息基础设施资本”包括“ICT硬件资本”和“ICT软件资本”，“融合基础设施资本”包括“融合基础设施硬件资本”和“融合基础设施软件资本”，“创新基础设施资本”包括“试验发展R&D资本”、“基础研究资本”、“应用研究资本”和“其他类创新投资资本”。
本文使用永续盘存法(Perpetual Inventory Method，以下简称PIM)非传统途径估算生产性资本存量，具体估算步骤包括6步：① 各类资本的“固定资本形成”数据的处理；② 选定合适的价格指数将“固定资本形成”数据转化为不变价(以1990年为基期)投资序列；③ 设定各类资本的退役模式(一般都会设定为钟性退役模式)；④ 设定各类资本的“年龄–效率”函数；⑤ 确定基期资本存量(基期非常重要)。⑥ 采用PIM非传统途径计算生产性资本存量。
国家统计局目前尚未公布新型基础设施资本的投资序列数据，需要学者们自行进行估算。本文参考蔡跃洲和张钧南[8] (2015)的做法，将各省投入产出表中的最终使用环节里的“通信设备、计算机和其他电子设备”和“信息传输、软件和信息技术服务”对应的固定资本形成总额数据作为ICT硬件资本和ICT软件资本的投资序列。对于融合基础设施的固定资本形成总额数据，则按照国民经济行业分类(GB/T 4754-2017)标准，将投入产出表的行业合并为19个门类，再按投入产出表中“通信设备、计算机和其他电子设备”和“信息传输、软件和信息技术服务”在其他部门的中间投入占总中间投入的比例对“融合基础设施资本”进行行业间分配，得到“融合硬件基础设施资本”和“融合软件基础设施资本”的固定资本形成总额序列。对于创新基础设施的固定资本形成总额，采用R&D的活动投入，即用R&D经费的内部支出进行衡量，相关数据来源于《中国科技统计年鉴》。
关于价格指数的选取，参考王亚菲和王春云[9] (2018)关于研究与试验发展资本存量核算的研究，本文的创新基础设施资本的价格指数由工厂生产者购进价格指数、城镇居民消费价格指数、固定资产投资价格指数加权平均得出，数据均来源于国家统计局。
关于新型基础设施各类资本的使用年限和年龄效率参数，综合OECD [10] (2009)和已有研究建议，本文将“ICT硬件资本”、“ICT软件资本”、“融合基础设施硬件资本”、“融合基础设施软件资本”、“试验发展R&D资本”、“基础研究资本”、“应用研究资本”和“其他类创新投资资本”的年龄效率参数值分别取0.6、0.5、0.6、0.5、0.6、0.6、0.6、0.5较为合适，使用年限分别为8年、5年、8年、5年、5年、15年、10年和20年。估算结果如表1所示：
Table 1. Results of productive capital stock estimates (partial)
表1. 生产性资本存量估算结果(部分)
省份 |
ICT硬件 |
融合硬件 |
融合软件 |
ICT软件 |
其他类创新 |
基础研究 |
应用研究 |
试验发展 |
北京 |
8970.71 |
233.80 |
44.61 |
6565.45 |
1952.55 |
652.03 |
928.22 |
1203.87 |
天津 |
1574.15 |
425.47 |
40.93 |
74.48 |
2390.26 |
78.26 |
175.18 |
472.18 |
河北 |
105.40 |
211.22 |
38.54 |
74.63 |
5568.28 |
25.54 |
87.81 |
433.91 |
山西 |
6.33 |
136.02 |
219.98 |
74.48 |
2415.33 |
22.46 |
49.28 |
128.86 |
内蒙古 |
30.35 |
87.58 |
39.83 |
20.57 |
3882.56 |
9.41 |
24.73 |
143.47 |
辽宁 |
2804.84 |
234.35 |
39.83 |
2184.53 |
4317.86 |
77.38 |
175.22 |
378.81 |
吉林 |
721.94 |
142.24 |
25.36 |
618.51 |
2887.80 |
45.43 |
76.34 |
114.64 |
黑龙江 |
214.35 |
48.58 |
28.75 |
165.95 |
3291.17 |
55.67 |
82.45 |
115.62 |
上海 |
3713.53 |
227.56 |
97.40 |
2726.43 |
1296.55 |
238.01 |
345.26 |
1045.09 |
江苏 |
2103.87 |
906.70 |
79.92 |
1460.53 |
9405.99 |
161.60 |
284.38 |
1045.09 |
浙江 |
2735.32 |
307.18 |
75.32 |
2971463.47 |
5688.14 |
85.97 |
120.91 |
1323.19 |
安徽 |
471.09 |
424.92 |
139.27 |
374.48 |
5566.29 |
85.71 |
98.46 |
520.93 |
福建 |
500.18 |
718.96 |
12.69 |
350.59 |
5073.04 |
36.10 |
70.53 |
536.24 |
江西 |
61.69 |
191.28 |
12.69 |
45.82 |
4319.14 |
17.12 |
30.60 |
242.51 |
山东 |
2345.96 |
620.25 |
53.59 |
1736.02 |
16069.03 |
104.12 |
232.28 |
1818.84 |
河南 |
1308.78 |
775.98 |
49.03 |
1096.03 |
7259.47 |
27.87 |
67.40 |
549.07 |
湖北 |
303.50 |
352.46 |
621.80 |
198.05 |
6425.97 |
72.04 |
190.01 |
596.64 |
湖南 |
755.25 |
331.06 |
38.39 |
585.10 |
7849.38 |
40.60 |
120.89 |
499.57 |
广东 |
6950.91 |
1488.10 |
250.68 |
5223.98 |
5735.17 |
221.66 |
448.00 |
2309.07 |
广西 |
122.27 |
239.49 |
100.67 |
88.24 |
4766.35 |
34.14 |
39.47 |
112.48 |
海南 |
163.18 |
42.43 |
8.98 |
137.14 |
998.79 |
10.33 |
9.57 |
12.49 |
重庆 |
939.03 |
100.66 |
29.59 |
743.33 |
2769.76 |
35.39 |
72.80 |
336.35 |
四川 |
1414.26 |
470.67 |
344.07 |
1105.13 |
6283.05 |
101.33 |
210.44 |
532.24 |
贵州 |
98.71 |
40.61 |
31.09 |
70.19 |
2614.08 |
22.70 |
20.59 |
75.27 |
云南 |
83.46 |
203.53 |
368.23 |
61.93 |
5041.21 |
38.68 |
39.88 |
122.65 |
陕西 |
857.05 |
397.91 |
29.83 |
654.30 |
6242.95 |
65.38 |
193.29 |
384.27 |
甘肃 |
37.91 |
16.92 |
3.37 |
28.90 |
3633.27 |
37.39 |
32.55 |
68.64 |
青海 |
18.12 |
27.45 |
18.08 |
4.59 |
1097.73 |
5.75 |
5.74 |
11.28 |
宁夏 |
24.37 |
20.95 |
6.82 |
21.45 |
777.05 |
7.69 |
6.61 |
30.47 |
新疆 |
100.72 |
129.13 |
60.74 |
72.26 |
2913.27 |
13.50 |
23.20 |
46.70 |
注：上述估算结果为2017年各省份的生产性资本存量。
5. 研究设计
5.1. 实证策略
基于上述的理论假设，为探究新基建资本投入与碳排放之间的关系，本文建立下公式的回归模型：
(1)
其中被解释变量
表示第i个城市第t年的碳排放强度，进行对数化处理；核心解释变量
为衡量城市i第t年新基建资本投入的指标；
为相关控制变量集；
为时间固定效应；
为省份的固定效应，以消除各省份之间存在的差异。根据理论假设，本文预期新基建资本投入的系数β < 0，即随着城市新基建资本投入的增加，城市的碳强度降低。
本文使用的是2002~2019年省级面板数据对模型进行验证，考虑到西藏的样本在新基建资本投入与碳排放方面与其他省份存在较大的差异，并且统计数据存在一定的残缺，因而删除西藏的样本共计18个；经处理后，共剩余省级有效样本540个。
5.2. 数据来源
本文的数据来源来自以下几个方面：碳排放数据来自中国碳排放核算数据库(CEADs)。新基建资本投入数据来自《中国统计年鉴》的投入产出表。其他省份的控制变量自《中国城市统计年鉴》和各省市统计年鉴。
5.2.1. 被解释变量
本文参考吴茵茵[11]等(2021)的做法，使用表观排放核算法核算二氧化碳的排放量，采用单位GDP的二氧化碳排放量(吨/百元人民币)，即碳强度作为城市碳排放的代理变量。且为了降低异方差问题，对碳强度取对数化处理(Lncarbon)。
5.2.2. 核心解释变量
核心解释变量为前文运用永续盘存法测算的新基建资本投入数据，具体使用的是新基建的生产性资本存量(千元)，用capital表示。
5.2.3. 控制变量
可能影响碳排放的因素有很多，参考前人的文献，选取城镇化率(ul)、人力资本(edu)、对外开放程度(open)、地区生产总值(Lngdp)、地区创新程度(innovation)和环境规制强度(environmental)变量进行控制。具体控制变量如下表2所示。
Table 2. List of control variables
表2. 控制变量列表
变量 |
含义 |
单位 |
城镇化率 |
城镇人口/年末常住人口 |
% |
人力资本 |
人均受教育年限 |
年 |
对外开放程度 |
进出口总额/地区生产总值 |
% |
地区生产总值 |
地区GDP (取对数化处理) |
亿元 |
地区创新程度 |
地区申请的专利数量 |
件 |
环境规制强度 |
工业污染治理完成投资/第二产业增加值 |
% |
5.2.4. 中介变量
本文的中介变量为产业结构和能源消耗。
在产业结构测度方面，本文参考袁航和朱承亮[12] (2018)的做法，使用三大产权的加权劳动生产率衡量城市的产业结构优化程度。具体方法如下：
(2)
其中
为城市i第m产业在t年占地区生产总值的比重。
是城市i第m产业在t年的劳动生产率。计算公式为：
(3)
其中
为城市i第m产业在t年的增加值，
为城市i第m产业在t年的从业人数。由于(2)式中产值占比
没有量纲，而劳动生产率
具有量纲，我们使用去均值的方法消除量纲。江小涓和罗立彬[13] (2019)指出，信息通讯技术从根本上改变了传统服务业低效率和不可贸易性。因此，本文亦直接使用第三产业的劳动生产率(LP3)来刻画城市产业结构优化。
在能源消耗测度方面，本文参考钟晓青等[14] (2007)的做法，使用能源消费结构衡量城市的能源结构改善。能源消费结构(energy)用煤炭消费与能源消费总量的比值来度量，其中煤炭消费量是七个相关能源终端消费量的加和，能源消费总量是二十个相关能源终端消费量的加和(表3)。
Table 3. Descriptive statistics
表3. 描述性统计
Variable |
N |
Mean |
p50 |
SD |
Min |
Max |
Lncarbon |
540 |
−3.822 |
−3.834 |
0.760 |
−6.219 |
−2.058 |
capital |
540 |
0.410 |
0.0270 |
2.491 |
0.00100 |
20.72 |
struct |
540 |
−13.85 |
−64.12 |
489.3 |
−690.0 |
2022 |
LP3 |
540 |
−0.288 |
−1.171 |
4.994 |
−6.616 |
19.99 |
energy |
510 |
0.438 |
0.459 |
0.156 |
0.0120 |
0.802 |
ul |
540 |
0.526 |
0.514 |
0.147 |
0.263 |
0.892 |
edu |
540 |
8.670 |
8.613 |
1.013 |
6.594 |
12.03 |
open |
540 |
0.314 |
0.140 |
0.361 |
0.0350 |
1.503 |
LnGDP |
540 |
9.168 |
9.295 |
1.086 |
6.213 |
11.36 |
innovation |
540 |
9.721 |
9.774 |
1.679 |
5.927 |
13.15 |
environmental |
540 |
0.00500 |
0.00400 |
0.00400 |
0.00100 |
0.0220 |
6. 实证结果分析
6.1. 基准回归
表4汇报了新基建生产性资本存量与碳排放的基准回归结果。第(1)列为未加入控制变量和固定效应的净效应。第(2)列增加了省份的固定效应。第(3)增加了省份层面的控制变量。所有回归结果均在1%的显著性水平下负向显著，表明新型基础设施建设的资本投入确实会显著减少碳排放量，促进了城市的绿色低碳发展。第(3)列的回归结果显示，当新基建生产性资本存量增加1000元时，城市的碳强度会降低1.1%。
Table 4. Benchmark regression results
表4. 基准回归结果
|
(1) |
(2) |
(3) |
(4) |
|
Ln_carbon |
Ln_carbon |
Ln_carbon |
Ln_carbon |
Capital |
−0.050*** |
−0.010*** |
−0.010** |
−0.011*** |
|
(−11.482) |
(−2.596) |
(−2.518) |
(−2.859) |
时间固定效应 |
NO |
YES |
YES |
YES |
省份固定效应 |
NO |
NO |
YES |
YES |
控制变量 |
NO |
NO |
NO |
YES |
常数项 |
−3.802*** |
−3.456*** |
−3.456*** |
3.140 |
|
(−31.483) |
(−37.020) |
(−52.934) |
(1.366) |
样本量 |
540 |
540 |
540 |
540 |
R2 |
0.04 |
0.729 |
0.73 |
0.783 |
注：t statistics in parentheses；*p < 0.1，**p < 0.05，***p < 0.01。
6.2. 稳健性检验
6.2.1. 更换核心变量指标
考虑到前文选取的核心变量指标衡量不够全面，我们增加了碳排放总量和人均碳排放量两个指标更换碳强度。用地区碳排放量/地区年末常住人口数量来衡量人均碳排放量，更能体现碳排放量的人均贡献值。由表5的第(1)列、第(2)列回归结果显示，新基建资本投入对碳排放的影响仍在5%的显著性水平上负向影响。同时，用新基建资本存量净额和新基建资本存量分别替换新基建生产性资本存量指标，发现仍呈现负向显著影响。结果仍然稳健。
Table 5. Replacement of core indicators
表5. 更换核心指标
|
(1) |
(2) |
(3) |
(4) |
|
碳排放总量 |
人均碳排放量 |
碳排放 |
碳排放 |
新基建生产性资本存量 |
−0.011*** |
−0.002** |
|
|
|
(−2.859) |
(−2.540) |
|
|
新基建资本存量净额 |
|
|
−0.158** |
|
|
|
|
(−2.199) |
|
新基建资本存量 |
|
|
|
−0.151** |
|
|
|
|
(−2.564) |
控制变量 |
是 |
是 |
是 |
是 |
时间固定效应 |
是 |
是 |
是 |
是 |
省份固定效应 |
是 |
是 |
是 |
是 |
常数项 |
3.140 |
0.426 |
3.299 |
3.363 |
|
(1.366) |
(0.895) |
(1.452) |
(1.483) |
样本量 |
540 |
540 |
540 |
540 |
R2 |
0.819 |
0.427 |
0.830 |
0.833 |
注：t statistics in parentheses；*p < 0.1，**p < 0.05，***p < 0.01。
6.2.2. 考虑遗漏变量
除社会经济学因素外，各大城市内在的差别对单位GDP的二氧化碳排放也有一定的影响。如果不对其进行有效的管理，就有可能造成估算偏差。鉴于此，本文参考宋弘等[15] (2019)的研究思路，采用城市的地形起伏度、离海岸线距离、以及是否为北方城市等作为城市固有差异的代理变量。将这些变量与时间趋势进行交互，放入模型(7)中重新进行回归。表6第(1)~(3)列汇报了回归结果，新基建资本投入系数显著为负，估计结果依然稳健。
6.2.3. 工具变量法
Table 6. Robustness test
表6. 稳健性检验
|
(1) |
(2) |
(3) |
(4) |
|
加入地形起伏度 |
加入离海岸线距离 |
加入是否为北方城市 |
2SLS |
新基建资本投入 |
−0.010** |
−0.008* |
−0.008* |
−0.0507* |
|
(−2.613) |
(−1.952) |
(−1.845) |
(0.029) |
控制变量 |
是 |
是 |
是 |
是 |
时间固定效应 |
是 |
是 |
是 |
是 |
省份固定效应 |
是 |
是 |
是 |
是 |
样本量 |
540 |
540 |
540 |
540 |
R2 |
0.786 |
0.792 |
0.793 |
0.555 |
K-P F统计量 |
|
|
|
58.833 |
注：t statistics in parentheses；*p < 0.1，**p < 0.05，***p < 0.01。
同时，借鉴李兰冰等[16] (2019)的研究方法，以明朝驿站作为工具变量，消除因忽略潜在的因素所带来的误差。由于当时的科技水平比较低下，驿站的建设都会尽量选取好的地质情况，而现如今在进行新型基础设施建设时，会加大建设大量的基站、铁塔等通信网络基础设施，为了减少费用，还会对当地的地质、地形等自然情况进行全面的考察，因此二者之间有着很强的相关性。其次，明代建立的驿站以政治和军事为目的，并没有受到地区经济发展的太大冲击，并且400余年前就已经存在，具有很大的外部性。本文利用ArcGIS将哈佛WorldMap公布的明朝驿站分布图与2010年地级市行政单位区划相匹配，获取省份层面的明朝驿站数量，然后将其与新基建资本存量的交互项作为新的工具变量。如表6的第(4)列所示，工具变量估计结果支持了基准回归结果。
7. 机制与异质性分析
前面的内容通过基准回归分析，以及一系列的稳健性检验，有效证实了新基建的资本投入确实可以降低碳强度，推动城市绿色经济发展。为什么会出现这种现象呢？其背后的作用机理是什么？不同的地区之间是否还会呈现相同的结果呢？为厘清上述疑问，这一节会对此进行详尽的剖析。
7.1. 机制分析
7.1.1. 产业结构
新基建的资本投入，不仅能够提升劳动生产效率，促进产业结构向更高端、更智能的方向演进，还能在此过程中减少能源消耗和碳排放。通过这些措施，我们可以有效地降低经济活动中对环境造成的影响，实现可持续发展的目标。
为验证这一机制，本文使用三大产业的加权劳动生产率和第三产业的劳动生产率作为产业结构优化的代理指标。表7的列(1)和列(2)呈现了回归结果，回归结果显示新基建资本投入的确显著提高了三大产业的加权劳动生产率和第三产业的劳动生产率，促进了城市的产业结构优化升级。
在多种生产因素的制约下，企业要想创造高质量的商品或提供高质量的服务，就必须进行工业结构的升级和技术革新。新基础设施建设既顺应了我国目前经济与工业发展的潮流，又在一定程度上减少了二氧化碳的排放量。第一，新基础设施是一种全新的工业系统，对整个行业都有极大的推动作用。网络科技能够极大地推动现代工业、服务业与农业的融合，实现工业结构的优化和工业的升级。第二，“新基础设施”整合了众多公共信息科技，并在不同的经济领域中进行运用。在此基础上，本文提出了一种新的思路，即通过加强区域内的劳动分工，提升区域内的专业分工，促进区域经济结构的优化。与常规的基建相比，新基建的投入将更加侧重于新兴工业与高科技领域。新兴行业、新技术具有高效率、低能耗、低排放等特征，从而降低了温室气体的排放。
7.1.2. 能源消费结构
新型基础设施建设的投资会带来结构效应，具体是指，新基建投资会通过促进能源消费结构的改善，进而提升能源效率，从而减少二氧化碳的产生。为了验证这一机制，本文将能源消费结构作为被解释变量，带入模型(7)中重新进行回归。表7第(3)列呈现了回归结果，结果表明新基建的资本投入的确显著的改善了能源消费结构，能源消耗量在1%的显著性水平上有效降低。
Table 7. Mechanism tests
表7. 机制检验
|
(1) |
(2) |
(3) |
|
Struct |
LP3 |
Energy |
Capital |
8.066** |
0.128*** |
−0.010*** |
|
(2.428) |
(3.683) |
(−12.951) |
控制变量 |
是 |
是 |
是 |
时间固定效应 |
是 |
是 |
是 |
省份固定效应 |
是 |
是 |
是 |
常数项 |
−4965.885*** |
−38.226*** |
−0.151** |
|
(−2.981) |
(−3.349) |
(−2.282) |
样本量 |
540 |
540 |
510 |
R2 |
0.886 |
0.890 |
0.56 |
注：t statistics in parentheses；*p < 0.1，**p < 0.05，***p < 0.01。
在传统工业制造过程中，由于重度依赖煤、石油、天然气等不可再生资源，加之生产工艺相对落后，工业余热利用率低，导致能源浪费严重。新型基础设施建设的投资通过引进新技术和新设备，加强产品设计和制造的能源效率，可以有效降低碳排放，改善能源消费结构。
7.2. 异质性分析
7.2.1. 老工业基地城市
由于先天的自然条件以及初期的发展策略，中国不同地区的产业结构差别很大。2013年，为统筹推进全国老工业基地调整改造工作，国家发展和改革委员会发布《全国老工业基地调整改造规划(2013~2022年)》，确定了120个老工业城市。这些地区的城市，多数拥有低水平、粗放式的产业结构，其经济发展模式缺乏深度和可持续性。它们在生产过程中消耗大量能源资源，造成了严重的环境污染问题。然而，通过积极推进新型基础设施的建设，可以有效地推动这些城市走上低碳、绿色发展的道路。这种转型不仅有助于改善当地居民的生活质量，也为实现我国提出的低碳减排目标——即到2030年达到二氧化碳排放峰值，以及到2060年实现碳中和——提供了有力支持。因此，加速新型基础设施的布局和优化，对于实现中国的“双碳”目标至关重要。因此，本文根据城市是否为东三省区域，将样本按照省份的区别，划分为老工业城市与非老工业城市，进行分组回归。
表8第(1)和第(2)列结果显示，新基建资本投入显著降低了非老工业城市的碳排放量，而对老工业城市的影响不显著。其主要原因在于，我国的老工业城市以高能耗、高碳排放为主要特征，其发展路径依赖性很大，且在近期的减排潜力十分有限。产业都市大多地处人口流动较少的东北等区域，其发展动力相对较弱，且主要依靠中央转移支付、地方自身资金匮乏，已成为影响其节能减排效果的瓶颈。
7.2.2. 经济发展水平
地区的经济发展水平极大程度上决定了资本要素的流通。在经济发展水平较高的地区，会因现金流充足可以更多地投入新型基础设施的建设，实现技术创新、无纸化办公等，从而减少碳排放量。本文以地区的生产总值的平均值分为高、低两组经济发展水平的组别，如表8的(3) (4)列所示，经济发展水平高的地区在新基建资本投入对碳排放量的影响会负向显著，而经济发展水平低的地区反而会正向显著。这可能与经济发达的地区会更多地支撑一些新兴产业如工业互联网、物联网等，不再过多地依赖传统的工业经济，从而碳排量更少。
7.2.3. 行政级别
中国各个地区的生产力和要素的分配效率，都与其所在区域的行政层级有着密切的关系。高等级城市(如省会城市、副省级城市)在要素占有、税收负担、技术创新能力等方面均优于低等级城市，而这种资源环境通常是城市进行低碳排放的关键依据。因此，选取北京、上海、天津和重庆四个直辖市为行政级别高的组，其余为行政级别低的组。如表8的列(5) (6)所示，行政级别高的组别相较于行政级别低的组别负向显著影响更大。
Table 8. Heterogeneity test
表8. 异质性检验
|
(1) |
(2) |
(3) |
(4) |
(5) |
(6) |
|
老工业城市 |
非老工业城市 |
经济发展水平高 |
经济发展水平低 |
行政级别高 |
行政级别低 |
新基建资本投入 |
0.647 |
−0.012** |
−0.006*** |
0.086** |
−3.771*** |
−0.015*** |
|
(0.386) |
(−2.166) |
(−3.432) |
(2.154) |
(−8.669) |
(−3.981) |
控制变量 |
是 |
是 |
是 |
是 |
是 |
是 |
时间固定效应 |
是 |
是 |
是 |
是 |
是 |
是 |
省份固定效应 |
是 |
是 |
是 |
是 |
是 |
是 |
常数项 |
8.672** |
4.069 |
8.143*** |
3.031 |
−1.490 |
2.675 |
|
(4.339) |
(1.227) |
(4.075) |
(1.254) |
(−0.441) |
(1.028) |
样本量 |
54.000 |
486.000 |
187.000 |
353.000 |
72.000 |
468.000 |
R2 |
0.962 |
0.819 |
0.745 |
0.856 |
0.893 |
0.838 |
注：t statistics in parentheses；*p < 0.1，**p < 0.05，***p < 0.01。
8. 结论与政策建议
从本文的研究结果来看，新基建资本投入在一定程度上可以减少碳排放量。新型基础设施建设的资本投入，可以有效改善产业结构和能源消费结构，支撑新兴产业的发展，从而降低碳排放量。同时，在非工业城市、经济水平发展较高、行政级别较高的地区减少碳排放量更显著，这可能与资本要素的流通有关。
通过以上研究，可以进一步完善我国的新基建规划体系，让其成为推动我国高质量发展的新引擎。面对这场世纪罕见的大变革，城市乃至国家之间的竞争，新型基建将成为一个全新的制高点。中央要对新型基础设施建设进行更好的顶层设计，确定它在促进城市绿色发展中的位置与角色，建立起以科技创新为动力，以数字技术为核心，以新型领域为主要内容的新型基础设施系统。其次，通过对区域新型基础设施减排状况及演变规律的剖析，结合本地实际情况，对其进行合理的规划，从5G网络高层次建设、工业互联网规模化发展以及对人工智能的深度挖掘等方面入手，为推进新型基础设施的全面融合提供物质基础。
NOTES
1近日，国际环境保护组织绿色和平与中国国际民间组织合作促进会、中国人民大学环境学院联合发布《新基建综合效益探究——基于绿色与包容性复苏框架的评估分析》。