EN中文

地理科学 >

2025 , Vol. 45 >Issue 5: 950 - 962

DOI: https://doi.org/10.13249/j.cnki.sgs.20230907

理论探索与方法

数字经济对中国省域人类福祉碳强度的影响及空间溢出效应分析

  • 王圣云 , 1, 2 ,
  • 房方 2 ,
  • 王石 , 2, *
展开
  • 1.南昌大学中国中部经济社会发展研究中心，江西 南昌 330031
  • 2.南昌大学经济管理学院，江西 南昌 330031
王石。E-mail:

王圣云（1977—），男，山西河曲人，研究员，博士，主要从事区域经济与福祉地理学研究。E-mail:

收稿日期: 2024-01-10

  修回日期: 2024-05-12

  网络出版日期: 2025-04-29

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Impact and spatial spillover effect of digital economy on carbon intensity of human well-being in China

  • Wang Shengyun , 1, 2 ,
  • Fang Fang 2 ,
  • Wang Shi , 2, *
Expand
  • 1. Research Center of the Central China for Economic and Social Development, Nanchang University, Nanchang 330031, Jiangxi, China
  • 2. School of Economics and Management, Nanchang University, Nanchang 330031, Jiangxi, China

Received date: 2024-01-10

  Revised date: 2024-05-12

  Online published: 2025-04-29

Copyright

Copyright reserved © 2025.
Fold

摘要

数字经济是驱动碳减排和人类福祉提升的重要力量，也是实现中国经济高质量发展的新动能。本文构建并测度了2011—2020年中国省域数字经济发展指数和人类福祉碳强度，分析了数字经济对中国省域人类福祉碳强度的影响及其空间溢出效应。研究表明：①2011—2020年，中国省域数字经济发展水平显著提升，形成“西低东高”空间格局；而人类福祉碳强度明显降低，呈“北高南低”空间特征。②发展数字经济能够显著降低中国人类福祉碳强度，数字经济发展指数每提高1单位，人类福祉碳强度相应降低1.138单位。数字经济通过降低用电能耗与产业结构升级来降低人类福祉碳强度，人均用电量、第三产业占比每提高1单位，中国人类福祉碳强度分别降低0.645、0.083单位，降低用电能耗的促减效应明显更强。③数字经济对中国省域人类福祉碳强度的促降作用存在空间溢出效应，发展数字经济对本省及邻近省域的人类福祉碳强度具有显著降低作用。建议缩小中国数字经济的东西差距与人类福祉碳强度的南北差异，发挥数字经济的空间溢出效应，减少用电能耗，推进产业结构升级，降低中国人类福祉碳强度。

关键词： 数字经济; 人类福祉碳强度; 门槛效应; 空间杜宾模型; 空间溢出效应

本文引用格式

王圣云 , 房方 , 王石 . 数字经济对中国省域人类福祉碳强度的影响及空间溢出效应分析[J]. 地理科学, 2025 , 45(5) : 950 -962 . DOI: 10.13249/j.cnki.sgs.20230907

Abstract

This study constructs and assesses the digital economy development index and the carbon intensity of human well-being (CIWB) in China from 2011 to 2020, elucidates the driving mechanism and spatial spillover effect of digital economy on the CIWB in China. The findings indicate that: 1) From 2011 to 2020, there is a marked advancement in the level of digital economic development in China, delineating a spatial distribution characterized by “lower in the west and higher in the east”. Concurrently, the CIWB displayed a notable decline, exhibiting a “higher in the north and lower in the south” spatial pattern. 2) The cultivation of the digital economy significantly diminishes the CIWB in China. For every unit increase in the digital economy development index, the CIWB decreases by 1.138 units. The digital economy curtails the CIWB through the reduction of electricity consumption and industrial structural upgrades. An increase of one unit in the per capita electricity consumption and tertiary industry’s proportion leads to a decrease in the CIWB by 0.645 and 0.083 units, respectively, with the former demonstrating a more pronounced mitigating impact. 3) The digital economy’s efficacy in reducing the CIWB in China exhibits spatial spillover effects, evident in its significant contributory reduction in both the province and its neighboring regions. It is advised to concentrate efforts on narrowing the east-west gap in the level of development of digital economy and the north-south difference in the CIWB in China, to bring into play the spatial spillover effect of the digital economy, and to reduce electricity energy consumption and promote the upgrading of industrial structure, so as to reduce the CIWB in China.

Key words： digital economy; carbon intensity of human well-being (CIWB); threshold effect; spatial Durbin model; spatial spillover effect

目前中国碳减排形势依然严峻，持续增加的碳排放给中国人类福祉可持续提升带来挑战。2011—2020年中国的人类发展指数（HDI）明显提升，但与此同时，碳排放量不断增长[1-2]。中国人类福祉的明显提升付出了沉重的碳排放代价。在“双碳”战略目标引领下，促进人类福祉改善与碳减排协同发展，是深入推进高质量发展的应有之义[2]。随着大数据、物联网和新一代信息技术蓬勃兴起，产业数字化与数字产业化快速推进，数字经济发展对中国碳减排与人类福祉改善的影响日益凸显。一方面，数字经济大幅提高能源利用效率，降低能源强度，已成为中国碳减排的重要推力[3]。另一方面，数字经济降低交易成本、增进就业机会，尤其是数字基础设施广泛覆盖使数字经济渗透于教育、医疗等民生领域，深刻影响人民生活并赋能人类福祉提升[4]。但学术界尚未深入揭示数字经济对中国碳减排与人类福祉改善协同发展的影响机制。
随着发展观演变，社会经济发展目标逐步由经济增长向民生福祉转变，一些低碳经济研究开始把关注点从碳强度转到人类福祉碳强度（Carbon intensity of human well-being，CIWB）上来。Jorgenson[5]、Dietz等[6]基于人类福祉视角对碳强度指标进行扩展，提出人类福祉碳强度反映单位人类福祉提升的碳排放。在此基础上，国外学者主要分析了经济增长[7-8]、国际贸易[9]、能源消费[10]等因素对CIWB的影响。国内学者基于中国省域数据分析了经济增长对中国CIWB的影响及其空间溢出效应[11]，考察了1990—2017年125个国家城市化对CIWB的影响机制[12]。
综上，已有研究对人类福祉碳强度进行了深入探究，而在数字经济对中国区域人类福祉碳强度的影响机制方面的研究成果尚不多见。此外，学界对人类福祉碳强度的测度方法仍不够完善，主要采用人均碳排放量指标[11-12]，却没有消减碳汇部分，这将导致人均碳排放量被高估，从而影响人类福祉碳强度测算的准确性。不少文献采用人均预期寿命作为人类福祉的代理指标，仅考虑了人类福祉的健康维度，存在明显片面性[5-6]。与之相比，人类发展指数体现了人的可行能力的扩大，不仅反映了延长寿命和享受健康身体的能力，还反映了获得更多知识和拥有充分收入的能力[1]。需要指出的是，鲜有文献关注数字经济对区域人类福祉碳强度的空间溢出效应。鉴于此，本文构建中国省域数字经济水平评价体系和人类福祉碳强度指标，深入揭示数字经济对人类福祉碳强度的影响机制及其空间溢出效应。本文的创新之处在于：一是基于人类发展指数和净人均二氧化碳排放量指数，构建了人类福祉碳强度（CIWB）指标，改进了已有CIWB指标仅考虑健康福祉的不足。二是从产业结构升级与降低用电能耗角度建立数字经济影响中国人类福祉碳强度的中介效应模型，并应用空间杜宾模型分析数字经济对中国省域人类福祉碳强度的空间溢出效应及其异质性，为中国因地制宜发展数字经济和缩小人类福祉碳强度区域差异提供决策参考。

1 理论分析与研究假设

1.1 数字经济对人类福祉碳强度的直接影响

根据罗斯托的经济增长阶段理论，经济增长带来人均收入水平和消费水平提高，从而促进社会发展和人类福祉改善[13]。但经济增长并不会持续促进人类福祉的提高，其带来的碳排放降低了人类福祉提升的可持续性[2]。在数字经济时代，数据成为新的经济增长要素，数字经济影响下的经济增长模式呈现物质减量化特征，数字化和低碳化深刻影响中国人类福祉改善和碳减排。一方面，互联网、大数据、区块链等数字技术已深度融入教育、健康、就业等民生领域，成为中国人类福祉提升必不可少的动力源[4]。另一方面，数字经济的碳减排效应日益显现，主要体现在：其一，数字经济推动生产与消费逐渐转向“非物质化”，产业结构从资本密集型向知识技术密集型转变，从而降低碳排放[3]。其二，数字产业偏向知识与技术要素投入，知识创新与技术进步显著减少了碳排放[3]。其三，数字技术促进能源基础设施的有效利用，如能源行业实现数字化监测、碳排放精准计量。互联网普及大幅降低了信息获取成本，加快了低碳技术在各行业的广泛应用。产业数字化提高了能源利用效率，促进碳减排[14]。随着数字技术不断进步，未来中国数字经济将持续赋能碳减排与人类福祉提升，从而降低人类福祉碳强度。因此，提出假设1：发展数字经济能够降低人类福祉碳强度。

1.2 数字经济对人类福祉碳强度的间接影响

一方面，数字经济依托数字技术改变产业组织及产业集聚形态，通过促进传统产业与知识技术的深入融合，推动产业结构优化升级[4,14]。另一方面，工业生产和电力消耗是中国碳排放的主要来源，以高能耗维系的生产生活方式不可持续。数字经济赋能技术多样化和提高能源利用效率从而降低用电能耗[3]。因此，提出假设2：数字经济通过产业结构升级与降低用电能耗使人类福祉碳强度降低。

1.3 数字经济对人类福祉碳强度的空间溢出效应

数字经济改变了传统信息传递方式，突破地理限制，增强知识信息可达性，加强区域间经济活动联系[15]。一方面，信息化能够改善资源配置，发挥空间溢出效应[15]。数字经济凭借其高渗透和强扩散特征，促进知识、人才、技术等资源跨区域流动，有助于区域碳减排和人类福祉改善协同提升。另一方面，数字要素扩散促进外围地区人类福祉碳强度降低。特别是数字经济能够强化市场竞争效应和示范效应，倒逼高碳地区转变发展模式[16]，从而带动整个区域低碳转型和福祉改善。因此，提出假设3：数字经济对人类福祉碳强度的影响呈现空间溢出效应。

2 研究设计

2.1 实证模型构建

为检验数字经济对中国省域人类福祉碳强度的直接影响，本文基于Kaya恒等式和STIRPAT模型[11]，构建如下基准回归模型：
$ CIW{B}_{it}={\alpha }_{0}+{\alpha }_{1}{Dig}_{it}+{\alpha }_{n}{Z}_{it}+{v}_{i}+{\mu }_{t}+{\varepsilon }_{it} $
式中， i、t分别表示样本所在省份和相应年份；CIWBit为被解释变量，即人类福祉碳强度；Digit为核心解释变量，即数字经济发展指数；Zit为控制变量；α0为常数项；α1、αn为相应变量的回归估计系数；νi、μt分别表示个体效应与时间效应；εit代表随机误差项。
根据假设2，在式（1）基础上构建中介效应模型。式（2）为Dig对于中介变量M的线性回归方程，式（3）为Dig与中介变量M对 CIWB的回归方程。
$ {M}_{it}={\beta }_{0}+{\beta }_{1}{Dig}_{it}+{\beta }_{n}{Z}_{it}+{v}_{i}+{\mu }_{t}+{\varepsilon }_{it} $
$ CIW{B}_{it}={\gamma }_{0}+{\gamma }_{1}{Dig}_{it}+{\gamma }_{2}{M}_{it}+{\gamma }_{n}{Z}_{it}+{v}_{i}+{\mu }_{t}+{\varepsilon }_{it} $
式中，β1、γ1为核心解释变量系数，γ2为中介变量系数，并通过回归系数β1、γ1和γ2的显著性判断中介效应是否存在。βn、γn为控制变量回归估计系数；β0、γ0为常数项。
对间接传导机制进行实证检验，还需揭示数字经济对人类福祉碳强度影响的区间异质性。本文以单一门槛为例，基于式（1）构建如下门槛模型，以检验数字经济对中国省域人类福祉碳强度的非线性效应：
$ CIW{B}_{it}={\varphi }_{0}+{\varphi }_{1}{Dig}_{it}I\left(Ad{j}_{it}\leqslant \theta \right)+{\varphi }_{2}{Dig}_{it}I\left(Ad{j}_{it} > \theta \right)+{\varphi }_{n}{Z}_{it}+{v}_{i}+{\mu }_{t}+{\varepsilon }_{it} $
式中，φ0为常数项；φ1、φ2为不同门槛水平下核心解释变量系数；Adjit表示数字经济发展指数（Dig）、数字产业化应用指数（DI）和产业数字化融合指数（ID）的门槛变量；φn为控制变量的回归系数；θ为门槛值；I（·）为指示函数，取值为0或1。
$ CIWB_{it}=\alpha_0+\alpha_1Dig_{it}+\alpha_nZ_{it}+W\left(\rho_1CIWB_{it}+\rho_2Dig_{it}+\rho_nZ_{it}\right)+v_i+\mu_t+\varepsilon_{it} $
式中，ρ1为空间自回归系数，ρ2和 ρn表示核心解释变量以及控制变量空间交互项的系数；W 为空间权重矩阵。本文选取邻接权重矩阵、地理距离矩阵、经济距离矩阵、经济地理矩阵4种空间矩阵。

2.2 变量测度与选取

2.2.1 被解释变量

人类福祉碳强度（CIWB）为被解释变量，反映单位人类福祉提升造成的碳排放压力。本文应用净人均二氧化碳排放量指数（NPC′）衡量碳排放压力，人类发展指数（HDI）衡量人类福祉[1]，为保证二者变异系数统一，本文对净人均二氧化碳排放量（NPC）进行均衡调整[5]，根据公式（6）计算得到CIWB：
$ CIW{B}_{it}=\dfrac{{NPC}_{it}+49.21}{HD{I}_{it}}=\dfrac{{{NPC}_{it}}'}{HD{I}_{it}} $
本文参考Shan等提出的低位发热量和单位热值含碳量系数[17]，计算二氧化碳排放量（CE）。参考杜金霜等研究[18]中的碳汇系数计算二氧化碳吸收量（CU）。根据公式（7）计算得到净人均二氧化碳排放量。基于公式（8）计算各省人类发展指数（HDI）[1]。
$ NPC_{it}=\dfrac{CE_{it}-CU_{it}}{POP_{it}}，CE_{it}=\displaystyle\sum_{m=1}^{26}\Bigg(AD_{mit}\times NCV_m\times CC_m\times O_m\times\dfrac{44}{12}\Bigg) $
$ CU_{it}={\displaystyle\sum }_{p=1}^5\left(S_{pit}\times K_p\right)，HDI_{it}=\dfrac{1}{3}\left(H_{1it}+H_{2it}+H_{3it}\right) $
式中，H1it为i省t年的收入指数，H2it为i省t年的教育指数，H3it为i省t年的健康指数。POPit为i省t年的人口数（万人）。ADmit为i省t年第m种能源终端消费量，能源类型包括原煤、洗精煤、型煤、焦炭、焦炉煤气、原油、汽油、煤油、柴油等26 种；NCVm为第m种能源低位发热量；CCm为第m种能源单位热值含碳量；Om为第m种能源碳氧化率[17]。Spit为i省t年第p种用地类型面积，用地类型包括林地、草地、湖泊、湿地、河渠。Kp为第p种用地类型碳汇系数。

2.2.2 核心解释变量

核心解释变量为数字经济发展指数（Dig）。数字经济通常分为数字产业化和产业数字化[19]。变量选取依据科学性、层次性以及数据可得性，本文参考已有文献[14,20]，从数字产业化应用与产业数字化融合2个方面，选取25个具体指标构建中国省域数字经济发展水平评价指标体系。其中，数字产业化应用主要围绕数字基础设施建设和电信、软件及信息化2方面选取了7个指标：长途光缆线路长度、移动电话交换机容量、互联网宽带接入端口数、人均电信业务总量、人均软件业务收入、人均信息技术服务收入、信息传输、软件和信息技术服务业城镇单位就业人员数；产业数字化融合主要从农业数字化、工业数字化、服务业数字化3方面选取了18个指标：农林牧渔业增加值、农村宽带接入用户数、农产品网络零售额、农村有线广播电视用户数占家庭总户数的比重、工业增加值、规模以上工业企业R&D经费、规模以上工业企业R&D人员全时当量、规模以上工业企业有效发明专利数、规模以上工业企业新产品项目数、规模以上工业企业新产品销售收入、第三产业增加值、企业拥有网站数、人均电子商务销售额、有电子商务交易活动的企业数比重、万人公共图书馆电子阅览室终端数、数字普惠金融覆盖广度指数、数字普惠金融使用深度指数、数字普惠金融数字化程度指数。应用全局主成分分析法计算得出各省数字经济发展指数以及数字产业化应用指数、产业数字化融合指数[16]。

2.2.3 中介变量

基于理论文献[14,16]，数字经济通过产业结构和用电能耗影响人类福祉碳强度，本文选取以下2个中介变量：①产业结构升级（IS）：以第三产业增加值占地区生产总值的比重作为产业结构升级的代理变量[15]。②用电能耗（SE）：参考郭丰等[21]研究，采用人均用电量作为用电能耗的代理变量。

2.2.4 控制变量

根据Kaya恒等式和STIRPAT模型[11]，本文将人口、富裕和技术等环境压力的影响因子作为控制变量选取依据。同时为避免遗漏重要解释变量对实证检验结果造成偏差，本文参考相关文献，在模型中引入以下控制变量：①人口规模（lnPop）：取各省份年末常住人口数的对数值[5]；②固定资产投资水平（lnFin）：以全社会固定资产投资总额对数值来表征[20]；③技术对外开放程度（Tef）：以高技术产品出口额占商品出口额的比重来衡量[21]；④经济发展水平（lnPG）：取各省人均国内生产总值的对数值[7]；⑤交通设施条件（Roa）：取人均公路里程[20]；⑥能源强度（EI）：以煤炭消耗量与国内生产总值的比值来表征[3]。

2.3 数据说明

能源终端消费量来源于2012—2021年《中国能源统计年鉴》[22]。生态用地面积来源于2012—2021年《中国环境统计年鉴》[23]。数字经济发展水平评价指标体系中的电信、软件及信息化发展等数据来自历年《中国信息产业年鉴》[24]。农产品网络零售额数据从中国商务部网站①以及各省商务厅网站搜集得到。数字普惠金融指数等数据来自北京大学数字金融中心②。其他数据来自2012—2021年各省统计年鉴及EPS数据库③等，个别缺失值采用线性插值法补充完善。在数据处理方面，对常住人口数、人均国内生产总值以及全社会固定资产投资总额对数值取自然对数。由于数据所限，本文采用2011—2020年中国30个省份的样本数据开展实证研究，不包括数据缺失较多的西藏、港澳台地区。

3 结果分析

3.1 中国省域人类福祉碳强度与数字经济发展指数的时空演化格局

3.1.1 人类福祉碳强度的时空格局

根据公式（6）计算得到2011—2020年中国省域人类福祉碳强度（表1）。2011—2020年，中国省域NPC′均值由54.066增至54.512，其年均增长率为0.09%，同期，HDI均值由0.808增至0.871，其年均增长率为0.84%。可见，HDI增长明显快于NPC′增长，使得中国省域CIWB整体呈下降态势。
表1 2011—2020年中国省域NPC′、HDI及CIWB均值

Table 1 Mean value of net carbon dioxide emissions per capita (NPC'), HDI and CIWB in China, 2011—2020

年份 NPC′/t HDI CIWB/t
2011 54.066 0.808 66.992
2012 54.295 0.814 66.803
2013 54.245 0.818 66.417
2014 54.357 0.834 65.240
2015 54.377 0.837 65.076
2016 54.361 0.842 64.620
2017 54.364 0.850 64.025
2018 54.290 0.858 63.397
2019 54.493 0.865 63.078
2020 54.512 0.871 62.668

注：NPC′为净人均二氧化碳排放量指数，HDI为人类发展指数，CIWB为人类福祉碳强度；未含西藏、港澳台数据。

从图1可以看出，2011—2020年中国省域CIWB明显降低。2011年，中国北方省份的CIWB整体高于南方，内蒙古、青海、宁夏等北方省份的人类福祉碳强度较高，而南方省份相对较低，如广东、浙江、江苏、福建、上海，其NPC′较低且HDI较高，使其CIWB较低。2020年，除宁夏外，内蒙古、青海、辽宁、河北、山西、新疆、甘肃等北方省份的人类福祉碳强度虽有小幅下降，但其HDI提升略快于NPC′增长。这是由于这些北方省份多属于中国重工业基地和能源基地，其生产活动对化石能源的依赖程度较高，二氧化碳排放量偏高。2011—2020年，中国南方省份的人类福祉碳强度进一步降低，特别是西南地区的云南、贵州降低十分明显，这是由于其 HDI提升明显快于NPC′增长。2011—2020年，除宁夏外，中国所有省域人类福祉碳强度均趋于降低，2020年中国人类福祉碳强度整体形成“北高南低”空间格局。
图1 2011年、2020年中国省域人类福祉碳强度（CIWB）时空格局

基于审图号GS（2023）2767号标准地图（自然资源部监制）绘制，底图无修改；未含西藏、港澳台数据

Fig. 1 Patterns of carbon intensity of human well-being (CIWB) in China in 2011 and 2020

3.1.2 数字经济发展指数的时空格局

由图2可以看出，中国省域数字经济发展指数从2011年的1.25增长至2020年的2.67，年均增长8.81%，整体呈上升趋势。2011—2020年，数字产业化应用指数与产业数字化融合指数均呈现稳步提升态势，其年均增长率分别为8.27%、9.66%。
图2 2011—2020年中国数字经济发展指数（Dig）、数字产业化应用指数（DI）及产业数字化融合指数（ID）

未含西藏、港澳台数据

Fig. 2 Time series evolution of Dig, DI, ID in China in 2011—2020

本文将数字经济发展指数得分分为4个等级：第一等级[3.55, 4.75）、第二等级[2.37, 3.55）、第三等级[1.18, 2.37）、第四等级[0.01, 1.18）（图3）。2011年，中国30个省域的数字经济发展指数均处在第三、四等级。其中，西部多数省份的数字经济发展水平较低，内蒙古、新疆、甘肃、贵州、云南、广西等省份的数字经济发展指数排名处于全国靠后位置，属于第四等级。仅有北京、广东、江苏、浙江、山东、上海等东部省市的数字经济发展指数相对较高，但处于第三等级。2020年，中国数字经济发展水平显著提升，原处于第四等级的17个省份中有12个跃至第三等级，5个跃至第二等级。原处于第三等级的13个省份中有8个跃至第二等级，4个跃至第一等级且均位于东部，分别是浙江、北京、江苏、广东，其数字经济发展指数在研究期内保持在较高水平。2011—2020年，数字经济发展指数等级跃升的省份数量明显增多，中国省域数字经济发展水平呈现“西低东高”空间格局。
图3 2011年、2020年中国数字经济发展指数（Dig）时空格局

基于审图号GS（2023）2767号标准地图（自然资源部监制）绘制，底图无修改；未含西藏、港澳台数据

Fig. 3 Patterns of digital economy development index (Dig) of China in 2011 and 2020

3.2 数字经济对人类福祉碳强度的直接影响

表2为数字经济影响人类福祉碳强度的基准回归结果。方程（1）~（4）分别表示随机效应、省份固定效应、年份固定效应和省份年份双固定效应模型的回归结果，方程（1）显示，核心解释变量数字经济发展指数（Dig）的估计系数为–1.606，且在1%的水平上显著。方程（2）（3）显示，Dig的估计系数仍显著为负。方程（4）显示，Dig的估计系数为–1.138，且通过了1%的显著性检验。这一结论验证了假设1，表明数字经济能够显著降低中国省域人类福祉碳强度。此外，lnPop与CIWB之间具有显著的正相关关系，这是由于人口数量增多加大碳排放量，还导致人均公共产品和资源相对不足，不利于CIWB的降低[11-12]。lnFin的系数显著为负，这是由于固定资产投资形成生产规模效应，促进了人类福祉碳强度降低。Tef通过10%的显著性检验，表明高技术产品出口规模扩张有利于碳减排以及人类福祉提升[3,8]。lnPG和Roa的系数为负，意味着交通基础设施建设可能有利于本地区人类福祉碳强度的降低。lnPG在1%水平下显著为负，说明经济增长有利于降低本地区人类福祉碳强度[5,11]。EI的系数显著为正，表明人类福祉碳强度与能源强度正相关，以煤炭等化石燃料为主的能源结构不利于中国人类福祉碳强度降低[7,10]。
表2 基准回归结果

Table 2 Benchmark regression results

方程（1） 方程（2） 方程（3） 方程（4） 方程（1） 方程（2） 方程（3） 方程（4）
Dig –1.606*** –0.766*** –0.776** –1.138*** Roa 0.103*** –0.076 –0.042 –0.069
（0.340） （0.284） （0.335） （0.355） （0.026） （0.054） （0.043） （0.053）
lnPop –1.487*** 6.633*** 0.458 7.604*** EI 2.297*** 2.029*** 2.634*** 2.237***
（0.353） （2.140） （0.636） （2.171） （0.152） （0.414） （0.310） （0.412）
lnFin 0.114 –0.475** –0.528** –0.655** 常数项 78.207*** 21.237 70.073*** 14.901
（0.353） （0.236） （0.248） （0.264） （2.168） （16.773） （4.926） （16.937）
Tef –2.339*** –0.626* –0.585* –0.595* 省份固定 否 是 否 是
（0.458） （0.323） （0.313） （0.312） 年份固定 否 否 是 是
lnPG –1.305** –3.331*** –2.863*** –3.583*** R2 0.781 0.823 0.835 0.842
（0.537） （0.752） （0.795） （1.184）

注：括号内数值是标准误，***、**和*分别表示回归结果在1%、5%和10%置信水平下通过显著性检验。Dig为数字经济发展指数，lnPop为人口规模，lnFin为固定资产投资水平，Tef为技术对外开放程度，lnPG为经济发展水平，Roa为交通设施条件，EI为能源强度；观测值均为300；未含西藏、港澳台数据。

3.3 数字经济对人类福祉碳强度的间接影响

3.3.1 中介效应

根据“理论分析与研究假设”，本文从产业结构升级和用电能耗两方面分析数字经济影响人类福祉碳强度的作用机制，检验结果见表3。方程（2）检验了数字经济与产业结构的关系，其中Dig的估计系数显著为正，说明发展数字经济能够促进中国省域产业结构升级。方程（3）的结果显示，在考虑产业结构升级情况下，Dig对CIWB的影响系数仍显著为负。这是由于通过数字赋能重塑产业组织形态，增强了产业技术含量和环境友好性，从而带动产业结构优化调整[3]。方程（4）检验了数字经济与用电能耗的关系，Dig的估计系数显著为负，表明发展数字经济能够有效降低中国省域用电能耗。方程（5）显示，在考虑用电能耗的情况下，Dig对CIWB的回归估计系数仍为负。这是因为发展数字经济不仅有利于提高能源利用效率，而且可助力政府和企业碳排放管控，有利于减少能源消耗与碳排放[20]。
表3 作用机制检验结果

Table 3 Results of mechanism test

方程（1） 方程（2） 方程（3） 方程（4） 方程（5）
Dig –1.138*** 0.032** –1.056*** –0.154*** –0.495
（0.355） （0.016） （0.356） （0.027） （0.359）
IS –2.597*
（1.407）
SE 4.186***
（0.794）
Z 控制 控制 控制 控制 控制
常数项 14.901 0.330 15.758 –6.965*** 44.057**
（16.937） （0.752） （16.864） （1.274） （17.029）
省份固定 是 是 是 是 是
年份固定 是 是 是 是 是
R2 0.842 0.676 0.844 0.679 0.858

注：括号内数值是标准误，***、**和*分别表示回归结果在1%、5%和10%置信水平下通过显著性检验；Dig为数字经济发展指数，IS为产业结构升级，SE为用电能耗，Z为控制变量；观测值均为300；未含西藏、港澳台数据；空白为无此项。

方程（1）表明，Dig每提升1单位，CIWB降低1.138单位。在加入中介变量IS的方程（3）中，Dig对 CIWB的影响系数为–1.056。这说明IS每提高1单位，Dig可使CIWB降低0.083，同样地，在加入中介变量SE的方程（5）中，Dig对 CIWB的影响系数为–0.495。这说明SE每降低1单位，Dig可使CIWB降低0.645单位。可见，发展数字经济主要是通过降低用电能耗与产业结构升级来降低人类福祉碳强度，且降低用电能耗的中介效应更强。这验证了本文的假设2。

3.3.2 非线性效应

应用 Stata17统计软件重复抽样300次，依次进行单一门槛、双重门槛和三重门槛检验[20]，发现Dig、DI和ID均显著通过单一门槛检验，未通过双重门槛以及三重门槛检验。本文设定单门槛效应模型，其回归结果见表4。
表4 门槛回归结果

Table 4 Results of threshold regression

门槛变量 Dig DI ID
门槛值 1.195 0.512 0.734
Dig×I
(Adjit<θ)		 –1.678***
(0.312)		 –1.873***
(0.368)		 –1.730***
(0.315)
Dig×I
(Adjit>θ)		 –0.946***
(0.301)		 –0.604***
(0.277)		 –0.991***
(0.303)
Z 控制 控制 控制
常数项 7.702
(16.036)		 39.614**
(16.761)		 7.467
(16.013)
R2 0.843 0.835 0.843

注：括号内数值是标准误，***和**分别表示回归结果在1%和5%置信水平下通过显著性检验；Dig为数字经济发展指数，DI为数字产业化应用指数，ID为产业数字化融合指数，I(•)为指示函数，Adjit为门槛变量，θ为门槛值；观测值均为300；未含西藏、港澳台数据。

在门槛值区间内，数字经济对中国省域人类福祉碳强度有显著负向影响。Dig≤1.195，估计系数为–1.678，显著抑制了人类福祉碳强度；Dig>1.195，估计系数为–0.946，抑制效应减弱，呈现“先强抑制后弱抑制”的非线性特征。同样，再比较数字产业化应用指数（DI）和产业数字化融合指数（ID）分析结果可知，当数字产业化应用和产业数字化融合达到较高水平后，其对人类福祉碳强度促降作用减弱。这意味着在数字经济发展初期，传统产业部门数字化进程较快，新技术应用带来的“减碳增福”效应更高。随着数字经济快速深入发展，产业部门逐渐产生规模经济，数字经济对人类福祉碳强度的促降作用更快。当跨越门槛之后，数字经济对人类福祉碳强度的促降作用随之弱化。

3.4 数字经济对人类福祉碳强度的空间效应

本文利用Stata17软件，构建省份间的邻接权重矩阵，采用全局Moran’s I进行空间自相关检验，验证数字经济与人类福祉碳强度二者是否存在空间效应。表5显示，2011—2020年Dig、CIWB的Moran’s I指数均通过了显著性检验且为正，这表明考察期内Dig和CIWB均存在显著的空间自相关性，可以采用空间计量分析。然后依次进行LM检验、Hausman检验以及LR检验估计，结果均在1%显著性水平上通过检验，选取双向固定效应的空间杜宾模型最优。
表5 空间自相关检验

Table 5 Spatial autocorrelation test

年份 Dig CIWB
Moran’s I Z值 Moran’s I Z值
2011 0.201*** 2.214 0.400*** 3.526
2012 0.224*** 2.421 0.395*** 3.476
2013 0.251*** 2.638 0.414*** 3.623
2014 0.265*** 2.772 0.431*** 3.755
2015 0.266*** 2.782 0.433*** 3.799
2016 0.229*** 2.450 0.431*** 3.769
2017 0.220*** 2.370 0.445*** 3.895
2018 0.233*** 2.498 0.426*** 3.779
2019 0.225*** 2.429 0.416*** 3.720
2020 0.222*** 2.398 0.401*** 3.625

注：括号内数值是标准误；***表示回归结果在1%置信水平下通过显著性检验；Dig为数字经济发展指数，CIWB为人类福祉碳强度；未含西藏、港澳台数据。

表6为4种空间权重矩阵下数字经济对中国省域人类福祉碳强度的SDM 模型检验结果。Dig对CIWB的影响系数均显著为负，表明发展数字经济能显著降低本省的人类福祉碳强度。在邻接权重矩阵和地理距离矩阵下人类福祉碳强度的空间自回归系数ρ分别在1%、5%水平下显著为正，表明中国省域人类福祉碳强度存在空间溢出效应，相邻省份人类福祉碳强度的增大会加大本省人类福祉碳强度。数字经济发展指数的空间滞后项系数均为负，意味着相邻省域数字经济的发展能够降低该省的人类福祉碳强度。
表6 SDM回归结果

Table 6 SDM regression results

解释变量 邻接权
重矩阵		 地理距
离矩阵		 经济距
离矩阵		 经济地
理矩阵
Dig –1.018*** –1.018*** –1.111*** –0.932**
（0.315） （0.330） （0.366） （0.365）
W×Dig –1.242*** –1.088 –0.586 –2.539**
（0.351） （0.728） （0.580） （1.179）
ρ 0.224*** 0.255** –0.116 –0.205*
（0.075） （0.104） （0.072） （0.106）
def –1.101*** –1.088*** –1.089*** –0.849**
（0.322） （0.335） （0.378） （0.391）
indef –1.841*** –1.968* –0.474 –2.110**
（0.477） （1.068） （0.511） （0.997）
main –2.942*** –3.055*** –1.563*** –2.960***
（0.647） （1.156） （0.460） （0.876）
Z 控制 控制 控制 控制
省份固定 是 是 是 是
年份固定 是 是 是 是
R2 0.812 0.813 0.827 0.748

注：表中括号内数值是标准误，***、**和*分别表示回归结果在1%、5%和10%置信水平下通过显著性检验；Dig为数字经济发展指数，W×Dig为数字经济的空间效应，其中main为总效应，def为直接效应，indef为间接效应，ρ为人类福祉碳强度的空间自回归系数，Z为控制变量；观测值均为300；未含西藏、港澳台数据。

由空间总效应分解发现，在4种空间权重矩阵下，Dig的直接效应估计系数均在1%的水平下显著为负，间接效应以及总效应的估计系数均为负，表明本省和相邻省域的数字经济发展均能有效降低本省的人类福祉碳强度。由于数字经济促进了经济要素优化和能源配置，同时也促进区域产业转移、产业合作及低碳经济区域协同发展[3]。随着数字经济在经济、能源和民生领域的持续渗透，数字基础设施建设与数字技术创新不仅带来碳减排与民生福祉改善[4,14]，而且呈现出显著的空间溢出效应，各省发展数字经济对本省及相邻省域人类福祉碳强度均具有显著的降低作用，检验结果验证了假设3。4种空间权重矩阵下的回归结果一致，表明空间杜宾模型的回归结果具有较好稳健性。

3.5 稳健性检验与异质性分析

3.5.1 稳健性检验

为解决Dig和CIWB之间可能存在的内生性问题，本文采用工具变量两阶段最小二乘法进行计量估计。考虑到传统电信基础设施会从技术水平和使用习惯等方面影响后阶段数字经济的应用，采用1984年各省邮电局分布密度与研究期互联网用户数的乘积作为数字经济发展指数的工具变量[25]，其通过了不可识别检验、弱IV检验以及过度识别检验，表明该工具变量有效。
第一阶段回归结果表明，Dig与工具变量的系数在1%的水平上显著为正。第二阶段回归结果表明，在考虑了内生性后，Dig的系数仍显著为负，这与表2基准回归结果中数字经济能够降低人类福祉碳强度的结论一致。同时，从DI和ID指数对CIWB的回归结果来看，其估计系数均显著为负。DI估计系数为–0.824，ID估计系数为–0.881，表明产业数字化融合对CIWB的促降效应更强。需要说明的是，当期的数字经济发展可能会对人类福祉碳强度产生滞后效应，以1 a为一期，发现Dig对CIWB的第一期和第二期估计系数显著为负，到第三期系数仍为负，但未通过显著性检验，说明数字经济对中国人类福祉碳强度的影响存在着明显的滞后效应，其促降作用持续至第三期。

3.5.2 异质性分析

数字经济发展伴随着经济新模式和新业态，人力资本与数字经济发展密切相关，并且数字经济的发展依赖技术进步支撑[14,20]。本文考虑到人力资本和技术进步水平的异质性，研究数字经济对中国省域人类福祉碳强度的影响，参考相关文献测算人力资本和技术进步水平[26-27]，根据人均受教育年限和全要素生产率每年的中位数将样本划分为高、低2组，实证结果见表7。方程（1）（2）结果显示，在人力资本低的省份，Dig的估计系数为–3.039，并且在1%的水平上通过了显著性检验，而人力资本高的地区系数为负但未通过显著性检验。这是由于人力资本水平低的省份，数字经济赋能传统产业升级调整的效果明显，促进产业结构升级和缩小收入差距的作用更显著[27]，发展数字经济在碳减排与提升人类福祉等方面具有优势，而人力资本高的省份，该优势相对偏弱。方程（3）（4）结果表明，技术进步水平高，Dig的估计系数为–1.962，在1%的水平上显著，而技术进步水平低的省份，其系数为负但未通过显著性检验，表明技术进步水平越高，数字经济对人类福祉碳强度的促降效应更强。这可能是由于技术进步水平较高的地区，其技术研发和应用提高了生产效率，技术创新助推数字经济发展，产生“技术红利”效应[21]，从而促进人类福祉碳强度降低。
表7 异质性分析结果

Table 7 Heterogeneity analysis results

变量 （1） （2） （3） （4） 变量 （1） （2） （3） （4）
Dig –3.039** –0.254 –0.343 –1.962*** Roa –0.104 0.152* –0.035 –0.121
（1.178） （0.397） （0.499） （0.606） （0.088） （0.080） （0.075） （0.095）
lnPop 10.658** 2.942 2.162 12.236*** EI 2.897*** 3.026*** 1.943*** 2.179***
（5.230） （2.499） （2.903） （4.232） （0.680） （0.571） （0.649） （0.782）
lnFin –1.509* –0.578** –1.029* –0.264 常数项 2.239 47.821** 59.474*** –20.460
（0.766） （0.243） （0.528） （0.432） （43.352） （18.851） （22.114） （33.266）
Tef –0.420 –1.277 –0.246 –0.967 省份固定 是 是 是 是
（0.389） （0.818） （0.390） （0.718） 年份固定 是 是 是 是
lnPG –3.682* –3.450** –1.968 –5.209** 观测值 147 146 150 150
（1.948） （1.552） （2.050） （2.064） R2 0.968 0.985 0.981 0.972

注：括号内数值是标准误，***、**和*分别表示回归结果在1%、5%和10%置信水平下通过显著性检验；Dig为数字经济发展指数，lnPop为人口规模，lnFin为固定资产投资水平，Tef为技术对外开放程度，lnPG为经济发展水平，Roa为交通设施条件，EI为能源强度；未含西藏、港澳台数据。

4 结论与启示

4.1 主要结论

1）2011—2020年，中国数字经济发展指数等级跃升的省份数量明显增多，数字经济发展水平显著提升，整体呈现“西低东高”的空间格局。中国人类福祉碳强度水平明显降低，除宁夏外，中国所有省域人类福祉水平提升均快于其净人均碳排放水平的增长，且南方省份明显快于北方省份，形成人类福祉碳强度“北高南低”的空间分异格局。
2）发展数字经济显著降低了中国人类福祉碳强度。数字经济发展指数每提高1单位，中国人类福祉碳强度相应降低1.138单位。数字产业化应用指数、产业数字化融合指数每提高1单位，中国人类福祉碳强度分别降低0.824、0.881单位，产业数字化对人类福祉碳强度的促降效应相对更强。发展数字经济降低用电能耗与促进产业升级，使得中国人类福祉碳强度降低。人均用电量、第三产业占比每提高1单位，人类福祉碳强度分别降低0.645、0.083单位，降低用电能耗是降低中国人类福祉碳强度的主要途径。
3）数字经济对中国人类福祉碳强度的促降作用显现出门槛效应。在临界值前后，数字经济发展均对中国人类福祉碳强度呈现出显著的抑制作用，但抑制作用先强后弱。产业数字化应用指数和数字产业化融合指数对中国人类福祉碳强度的影响也呈现先强后弱的门槛效应。发展数字经济对人力资本水平低的省份以及技术进步水平高的省份人类福祉碳强度的促降作用尤为重要。
4）中国省域人类福祉碳强度存在明显的空间溢出效应。邻近省域人类福祉碳强度的增大会加大本省域的人类福祉碳强度，各省发展数字经济对自身及邻近省域的人类福祉碳强度均具有显著的促降效应。

4.2 政策启示

1）着力降低北方省份的人类福祉碳强度，缩小中国人类福祉碳强度的南北差距。通过降低用电能耗与产业结构优化升级并举，构建降低中国人类福祉碳强度的多元路径。以提高北方省份非化石能源占比和提高能源使用效率为重点，以降低北方省份的用电能耗为抓手，构建新型电力系统和清洁高效的能源体系，推进能源绿色低碳转型。以技术创新为导向，推动低碳技术研发与应用，发挥数字技术优势改造传统产业，加快产业结构数字化转型。尤其要加大北方高碳行业结构调整和治理力度，充分释放其产业结构升级的碳减排潜力。增强中国数字产业化应用与产业数字化融合能力，发挥其对改善中国人类福祉碳强度的积极作用。
2）加快数字基础设施区域联通与协同发展，增强数字经济对降低人类福祉碳强度的空间溢出效应。制定与地区差异相适应的数字经济发展政策，缩小中国东西部之间的数字经济发展差距。结合东部地区的技术、市场优势与西部地区的资源、生态优势，增强地区间数字要素关联的深度，有序引导算力转移。加强东部省份数字经济辐射带动作用，推进区域技术合作和设施共享，尽快弥合区域数字鸿沟。加强新型数字基础设施建设和优化布局，提升中国数字基础设施协同化水平，充分发挥数字基础设施的协同碳减排与福祉增进效应。特别要加强省域间数字经济合作与联动发展，释放数字经济对降低相邻省域人类福祉碳强度的空间溢出效应。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
联合国发展计划署. 2021/2022年人类发展报告[R]. 纽约: 联合国开发计划署, 2021

United Nations Development Programme. Human development report 2021/2022. New York: United Nations Development Programme, 2021.

[2]
潘家华. 人文发展分析的概念构架与经验数据: 以对碳排放空间的需求为例[J]. 中国社会科学, 2002(6): 15-25+204

Pan Jiahua. A conceptual framework for understanding human development potential: With empirical analysis of global demand for carbon emissions. Social Sciences in China, 2002(6): 15-25+204

[3]
杨刚强, 王海森, 范恒山, 等. 数字经济的碳减排效应: 理论分析与经验证据[J]. 中国工业经济, 2023(5): 80-98

DOI

Yang Gangqiang, Wang Haisen, Fan Hengshan et al. Carbon reduction effect of digital economy: Theoretical analysis and empirical evidence. China Industrial Economics, 2023(5): 80-98

DOI

[4]
世界银行. 2016年世界发展报告: 数字红利[M]. 北京: 清华大学出版社, 2017

World Bank. World development report 2016: Digital dividend. Beijing: Tsinghua University Press, 2017.

[5]
Jorgenson A K. Economic development and the carbon intensity of human well-being. Nature Climate Change, 2014, 4(3): 186-189

DOI

[6]
Dietz T, Rosa E A, York R. Environmentally efficient well-being: Is there a Kuznets curve?[J]. Applied Geography, 2012, 32(1): 21-28

DOI

[7]
Sweidan O D. Economic performance and carbon intensity of human well-being: Empirical evidence from the MENA region. Journal of Environmental Planning and Management, 2018, 61(4): 699-723

DOI

[8]
Greiner P T, McGee J A. The asymmetry of economic growth and the carbon intensity of well-being. Environmental Sociology, 2020, 6(1): 95-106

DOI

[9]
Givens J E. Ecologically unequal exchange and the carbon intensity of well-being, 1990—2011[J]. Environmental Sociology, 2018, 4(3): 311-324

DOI

[10]
Thombs R P. The asymmetric effects of fossil fuel dependency on the carbon intensity of well-being: A US state-level analysis, 1999—2017[J]. Global Environmental Change, 2022, 77 102605

DOI

[11]
Li Jing, Luo Ying, Wang Shengyun. Spatial effects of economic performance on the carbon intensity of human well-being: The environmental Kuznets Curve in Chinese provinces. Journal of Cleaner Production, 2019, 233 681-694

DOI

[12]
Wang Shaojian, Xie Zihan, Wu Rong et al. How does urbanization affect the carbon intensity of human well-being? A global assessment. Applied Energy, 2022, 312 118798

DOI

[13]
沃尔特·罗斯托. 经济增长的阶段[M]. 郭熙保, 等译. 北京: 中国社会科学出版社, 2001

Rostow W W. The stages of economic growth. Translated by Guo Xibao et al. Beijing: China Social Sciences Press, 2001.

[14]
王香艳, 李金叶. 数字经济是否有效促进了节能和碳减排?[J]. 中国人口·资源与环境, 2022, 32(11): 83-95

DOI

Wang Xiangyan, Li Jinye. Did the digital economy effectively promote energy conservation and CO2 reduction?[J]. China Population Resources and Environment, 2022, 32(11): 83-95

DOI

[15]
韩长根, 张力. 互联网是否改善了中国的资源错配: 基于动态空间杜宾模型与门槛模型的检验[J]. 经济问题探索, 2019(12): 43-55

Han Changgen, Zhang Li. Can internet improve the resource misallocation of China: An empirical test based on the dynamic Spatial Durbin Model and threshold effect. Inquiry into Economic Issues, 2019(12): 43-55

[16]
常皓亮, 夏飞龙. 数字经济赋能低碳发展: 机制识别与空间溢出[J]. 科技进步与对策, 2023, 40(10): 48-57

DOI

Chang Haoliang, Xia Feilong. Empowerment of digital economy to low-carbon development: Mechanism identification and spatial spillover. Science & Technology Progress and Policy, 2023, 40(10): 48-57

DOI

[17]
Shan Y, Guan D, Zheng H et al. China CO2 emission accounts 1997—2015[J]. Scientific Data, 2018, 5(1): 1-14

[18]
杜金霜, 付晶莹, 郝蒙蒙. 基于生态网络效用的昭通市“三生空间”碳代谢分析[J]. 自然资源学报, 2021, 36(5): 1208-1223

DOI

Du Jinshuang, Fu Jingying, Hao Mengmeng. Analyzing the carbon metabolism of “production-living ecological” space based on ecological network utility in Zhaotong. Journal of Natural Resources, 2021, 36(5): 1208-1223

DOI

[19]
王军, 朱杰, 罗茜. 中国数字经济发展水平及演变测度[J]. 数量经济技术经济研究, 2021, 38(7): 26-42

Wang Jun, Zhu Jie, Luo Qian. Research on the measurement of China’s digital economy development and the characteristics. The Journal of Quantitative & Technical Economics, 2021, 38(7): 26-42

[20]
冯兰刚, 阳文丽, 王忠, 等. 中国数字经济与城市碳排放强度: 时空演化与作用机制[J]. 中国人口·资源与环境, 2023, 33(1): 150-160

DOI

Feng Langang, Yang Wenli, Wang Zhong et al. Digital economy and urban carbon emission intensity in China: Spatio-temporal evolution and mechanisms. China Population Resources and Environment, 2023, 33(1): 150-160

DOI

[21]
郭丰, 杨上广, 任毅. 数字经济、绿色技术创新与碳排放——来自中国城市层面的经验证据[J]. 陕西师范大学学报(哲学社会科学版), 2022, 51(3): 45-60

Guo Feng, Yang Shangguang, Ren Yi. The digital economy, green technology innovation and carbon emissions: Empirical evidence from Chinese city-level data. Journal of Shaanxi Normal University (Philosophy and Social Sciences Edition), 2022, 51(3): 45-60

[22]
国家统计局. 中国能源统计年鉴[M]. 2012—2021. 北京: 中国统计出版社, 2012—2021

National Bureau of Statistics of China. China energy statistical yearbook. 2021—2021. Beijing: China Statistics Press, 2012—2021.

[23]
国家统计局. 中国环境统计年鉴[M]. 2012—2021. 北京: 中国统计出版社, 2012—2021

National Bureau of Statistics of China. China statistical yearbook on environment. 2021—2021. Beijing: China Statistics Press, 2012—2021.

[24]
工业和信息化部. 中国信息产业年鉴[M].2012—2021. 北京: 电子工业出版社, 2012—2021

Ministry of Industry and Information Technology. Yearbook of China information industry. 2012—2021. Beijing: Publishing House of Electronics Industry, 2012—2021.

[25]
马留赟, 白钦先. 数字经济如何缓解相对贫困[J]. 财经科学, 2022(7): 92-105

DOI

Ma Liuyun, Bai Qinxian. How can digital economy alleviate relative poverty. Finance& Economics, 2022(7): 92-105

DOI

[26]
张同功, 张隆, 赵得志, 等. 公共教育支出、人力资本积累与经济增长: 区域差异视角[J]. 宏观经济研究, 2020(3): 132-144+175

Zhang Tonggong, Zhang Long, Zhao Dezhi et al. Public education expenditure, human capital accumulation and economic growth: Regional difference perspective. Macroeconomics, 2020(3): 132-144+175

[27]
郭凯明, 罗敏. 有偏技术进步、产业结构转型与工资收入差距[J]. 中国工业经济, 2021(3): 24-41

DOI

Guo Kaiming, Luo Min. Directed technological change, structural transformation, and wage income gap. China Industrial Economics, 2021(3): 24-41

DOI

Options
文章导航

/

〈 〉