产业结构调整对减污降碳协同的影响机制研究

Research on the influence mechanism of industrial structure adjustment on the synergy of pollution and carbon reduction

摘要

加快产业结构调整、推进减污降碳协同实现，是中国迈向人与自然和谐共生现代化的重要手段.利用中国30省（自治区、直辖市）2007—2024年的系列数据，从减污控制、降碳控制和共同控制三个系统评估减污降碳协同水平，并采用双固定效应模型检验产业结构调整对减污降碳协同的影响表现及作用机制.结果表明：产业结构调整有助于促进减污降碳协同推进.同时，该效应具有明显的区域异质性，东部地区二者之间呈正相关关系，中部地区恰好相反，西部和东北地区则不存在明显关联.进一步的机制分析发现，产业结构调整对减污降碳协同的积极影响受技术创新的正向调节，高技能劳动力和资本投入的负向调节；工业绿色化和工业智能化则在其中起到了正向传导作用.研究结果为推动减污降碳协同发展提供政策启示.

Abstract

Accelerating industrial restructuring to promote the coordinated realization of pollution and carbon reduction is an important means for China to advance towards the modernization featuring harmonious coexistence between man and nature. Based on the time series data of 30 provinces and cities in China from 2007 to 2024， the synergistic level of pollution and carbon reduction was evaluated in terms of three dimensions： pollution reduction control， carbon reduction control and joint control. A two-way fixed-effects model was employed to examine the impact and mechanism of industrial restructuring on the synergy of pollution and carbon reduction. The results show that the adjustment of industrial structure can help promote the synergy of pollution and carbon reduction. At the same time， the effect exhibits obvious regional heterogeneity. There is a positive correlation between the two in the eastern region， while it is the opposite in the central region. In the western and northeastern regions， there is no obvious correlation. Further analysis of the mechanisms revealed that the positive impact of industrial restructuring on the synergy of pollution and carbon reduction was positively moderated by technological innovation， while negatively moderated by highly skilled labor and capital investment. Industrial greening and industrial intelligenceization have a positive mediating effect. The results offer policy implications for promoting the synergistic development of pollution and carbon reduction.

关键词

产业结构调整 / 减污降碳协同 / 调节机制 / 中介传导机制

Key words

synergy of pollution and carbon reduction / industrial restructuring / regulatory mechanism / intermediation transmission mechanism

2020年9月，中国在第75届联合国大会上提出“力争2030年前实现碳达峰，2060年前实现碳中和”的目标愿景.为切实推进“双碳”目标实现，我国站在人与自然和谐共生的现代化建设高度，进一步将其纳入生态文明建设整体布局.这一重要举措标志着我国生态文明建设正面临促进生态环境根本好转和实现碳达峰碳中和目标两大时代任务.这意味着我国不仅打破了减污与降碳的实践分割，也正式开启了国内减污与国际降碳并重的战略时期.在此背景下，党的二十大报告明确指出，要统筹产业结构调整、污染治理、生态保护、应对气候变化，协同推进降碳、减污、扩绿、增长.党的二十届三中全会进一步强调，必须完善生态文明制度体系，协同推进降碳、减污、扩绿、增长.这既明确了我国迫切需要协同减污与降碳的实践要求，也奠定了减污降碳协同在助推经济绿色低碳转型中的抓手地位.因此，如何有效推进减污降碳协同实现已成为当下区域主体亟需解决的现实问题.

减污降碳协同是指通过对以二氧化碳为主的温室气体排放与污染物排放进行联防联控联治，促使产生污染物减排能够降低二氧化碳排放，同时二氧化碳减排也能减少污染物排放的现象.发展实践显示，能源部门、工业部门和交通部门是污染物与温室气体产生的主要来源，其中能源和工业部门合计贡献了超一半以上的相关排放量.这一事实决定了污染物与温室气体排放具有同根、同源、同过程特征，两者排放将受产业结构调整的明显影响.原因在于：产业结构调整不仅能直接影响工业部门的生产活动强度与密度，还能以能源部门的产业服务需求为纽带，反向调节能源使用结构.2021年2月，生态环境部举行的例行新闻发布会指出，“十三五”时期的产业、能源等结构调整，带来了污染物与二氧化碳的协同减排，已累积减排SO₂超1.1×10⁷ t、NO _x 超5×10⁶ t，协同减少CO₂排放超1×10⁹ t.显然，产业结构调整是我国推动减污降碳协同的实践方向.因此，如何立足推进人与自然和谐共生的现代化发展要求，深挖产业结构调整的减污降碳协同效应，是缓解我国“国内减污”“国际降碳”双重压力的关键所在.

当前，与本文相关的研究主要集中在两个方面：一是减污降碳协同的效应判断、测度衡量和影响因素研究.减污降碳协同作为我国“十四五”时期生态文明建设的新内容，自引入起便激起了社会各界的讨论热潮.对于效应判断，学者们侧重于检验污染物与二氧化碳之间是否存在共同控制效应，常用方法为回归分析法.如，陈晓红等^［1］通过评估大气污染物排放对碳排放的回归系数，判断了工业部门两者之间的同增同减现象.对于测度衡量，学者们偏好于从污染排放和碳排放两个层面出发，使用两步法，即数据包络分析法结合耦合协调模型或熵值法结合耦合协调模型，定量评估减污降碳协同水平.如白婷婷等^［2］基于排放绩效视角，借助两步法测度了中国市域尺度的减污降碳协同水平.Yi等^［3］和邵汉华等^［4］基于系统视角，借助两步法测度了中国省域尺度的减污降碳协同水平.对于影响因素，学者们研究发现绿色技术创新^［4］、数字经济^［5］、能源转型^［6］、碳交易政策^［7］等均是影响减污与降碳协同的显性工具.

与此密切相关的另一个研究分支是产业结构调整的测度衡量与环境效应研究.对于测度衡量，学者们普遍认为产业结构调整包括高级化和合理化两个维度.其中，高级化强调产业从相对低级向高级的持续变化趋势，合理化则强调产业不同部门的比例关系逐渐趋于协调^［8］，因此，已有成果多借助产业结构高级化指数和产业结构合理化指数来表征产业结构调整.产业结构高级化指数通常采用第三产业增加值与第二产业增加值的比值^［9］、二、三产业产值占GDP的比值^［10］、工业和服务业增加值占总产业增加值的比值^［11］等衡量；产业结构合理化指数则多借助泰尔指数进行计算^［12］.除此之外，也有学者借助综合评价指标体系法衡量产业结构调整^［8］.对于环境效应，已有成果侧重于讨论产业结构对环境污染或碳排放的单一影响.其中，产业结构对环境污染的影响研究相对较多，且从研究视角来看可大致分为直接和间接两类.直接研究常借助动态空间面板模型^［13］、对数平均迪氏指数法^［14］等方法，以PM_2.5、SO₂^［15］、NO _x 等指标作为环境污染变量，讨论产业结构对环境污染的整体效应^［16］或空间效应^［17］.但当前针对二者关系的研究尚未得出一致的结论.戴宏伟等^［17］认为，京津冀地区的产业结构与雾霾污染之间呈倒U型曲线关系.而陈阳等^［15］认为，产业结构升级能够抑制环境污染，但随着城市蔓延水平不断提高，该抑制效应将被部分抵消.间接研究注重讨论产业结构的中介效应，揭示其在全球价值链嵌入^［18］、产业集聚^［19］等因素影响环境污染中的传导机制.产业结构对碳排放的影响研究起步相对较晚，但在国际降碳目标的不断强调下迎来了讨论高峰.已有研究多借助固定面板模型^［20］、动态空间面板模型^［21］等方法，围绕碳排放总量^［22］、碳排放强度^［23］、碳排放效率等展开研究.多数学者认为，产业结构调整有利于产业或区域的碳减排^［23-24］.

通过上述文献梳理发现，学界围绕减污降碳协同的测度衡量与影响因素已开展较多研究，同时针对产业结构调整的环境效应也进行了大量讨论，为本研究提供了理论与实证基础.但已有研究仍存在以下需进一步完善的地方：一是更偏好基于污染排放和碳排放两个系统构建减污降碳协同的综合评价指标体系，较少直接体现“碳”“污”因同根、同源、同过程特征而具有的共同控制性；二是更关注产业结构调整的降碳效应或减污效应，忽视了其对“碳”“污”排放的共同影响，更缺乏建立产业结构调整与减污降碳协同的整体分析框架.基于此，本文可能的边际贡献在于：一是立足“碳”“污”同根、同源、同过程特征，构建涵盖减污控制、降碳控制和共同控制三个系统在内的减污降碳协同综合评价指标体系，有利于丰富减污降碳协同水平的测度研究；二是将产业结构调整与减污降碳协同纳入统一分析框架，探讨两者的关联关系，为切实推进减污降碳协同提供路径参考；三是通过理论分析和实证检验劳动力、资本、技术三大要素的调节机制和工业智能化、工业绿色化的传导机制，解析产业结构调整影响减污降碳协同的机制黑箱，为形成两者间可持续的良性互动关系提供参考.

1 理论假设

1.1 产业结构调整对减污降碳协同的直接影响效应

产业结构调整是协调产业内部关系与重组异质产业间关联的直接体现，因此能够通过产生结构效应、技术效应和集聚效应影响减污降碳协同水平.一是产业结构调整能够通过改善传统制造业的发展模式，减少石油、煤炭等高污染性的能源消耗，降低工业生产中污染物与碳排放的整体水平.二是产业结构向高层级调整代表了知识、技术密集型产业的快速发展.这有利于低碳技术与绿色能源的创新与普及，从而绿色赋能产业生产过程^［25］.三是产业结构调整能够通过优化产业间的组合关系，推动产业专业化分工.同时该分工会以“低生产成本”为信号，引导地区形成专业化产业集群.这有利于进一步优化区域间的生产要素配置，促进区际合作水平不断提高.区际合作的深化则能降低单位产出的要素投入与能源损耗，助推减污降碳协同水平提升.基于此，提出如下假设：

H1：产业结构调整有利于促进减污降碳协同.

1.2 要素投入对产业结构调整作用减污降碳协同的调节机制

1.2.1 技术创新的调节机制

技术创新是产业发展的第一动力.一是技术创新能够推动产业结构高级化发展^［26］.技术创新能够通过丰富现有技术体系，打破高新技术产业与传统服务业等异质产业间的技术转化壁垒，推动两大产业在研发、生产等环节实现全方位、高层次的深度融合.该融合有利于高新技术在传统服务业活动中的嵌入与效能释放，助力服务业发展迈向高智、高效、低耗、低污的高端服务业领域.技术创新对产业结构高级化发展的正向推动，能够以优化产业部门间的资源流动与合理配置为途径，提高能源资源的整合与利用效率^［27］，加强减污与降碳的协同控制管理.二是技术创新能够绿色赋能产业体系.以创新为驱动的产业发展模式具有清洁、低碳、高质的显性特征.从创造性破坏理论来看，该模式的深化与升级依赖于更深层次的原始创新.可理解为，从“0”到“1”的跨越式技术突破，能够明显降低一、二、三产业对煤炭、石油等传统能源的依赖，推动“高污染、高耗能、高排放、低成长”的产业部门逐渐向“零污染、零碳、高成长、高附加值”方向全面转型，实现整个产业体系绿色低碳成长.技术创新对产业发展的绿色赋能效应，有利于产业结构形成绿色低碳式的高级化发展形态，直接增强产业结构调整的减污降碳协同效应.基于此，提出如下假设：

H2：技术创新会正向调节产业结构调整对减污降碳协同的促进作用.

1.2.2 高技能劳动力的调节机制

高技能劳动力是产业发展的核心要素.这类劳动力在产业、行业或部门间的非均衡配置将会影响产业结构调整，但调整方向取决于高技能劳动力的流动偏好与持续累积.一是高技能劳动力更偏好流向知识密集型产业.高技能劳动力能够壮大金融、信息服务等生产性服务业发展.生产性服务业具有二、三产业双重属性，能以服务业体系为载体，供给制造生产持续动力，因此其发展活跃度的提升，将进一步增强制造生产韧性，并促进制造业转型升级^［28］，提高制造业的经济贡献份额.高技能劳动力显示出了对地区工业化发展的助推作用，但尚不能改变地区以重化工为主导的工业结构事实，因此不利于减污与降碳之间形成更高水平的协同控制局面.二是高技能劳动力更易累积在中心城市.从理性经济人视角来看，高技能劳动力会在高工资待遇和生活便利性的驱动下流向中心城市.同时，中心城市会在时间累积助推下形成对高素质人才的虹吸效应.除此之外，中心城市较高的土地价格和租赁价格也会逐渐挤出制造业^［29］，并与周边城市共同形成服务业与制造业之间的“中心—外围”格局.因此，在高技能劳动力的赋能影响下，中心城市与周边城市会因产业发展优质动力的不均衡分布，分别出现产业结构趋高级和趋低级的马太效应，从而不利于整个地区产业结构的高级化调整，降低全域范围内减污降碳的协同控制质量.基于此，提出如下假设：

H3：高技能劳动力会负向调节产业结构调整对减污降碳协同的促进作用.

1.2.3 资本投入的调节机制

资本是产业发展的重要支撑.资本投入通过不同配额流向多元产业部门，逐渐分化产业部门的发展层级，进而推动产业结构不断调整^［30］.但具体调整方向与资本投入的目的和项目有关.一是资本投入以满足地区发展需求为目的.较发达区域往往具有快速且高质量的技术迭代、新产业培育、新型基础设施建设等发展需求，因此亟需政府的大力投入作为基础支撑.但政府投入的非主动性倾斜，自然会使欠发达区域的发展质量提升和转型升级动力不足，长期处于传统工业主导区域发展的状态.异质区域间产业发展不协调现象，则会拖慢地区整体的产业结构高级化进程，导致短期内难以突破产业结构高级化瓶颈，进而影响减污降碳协同控制的整体效率.二是资本投入项目更依托于第二产业的推进.目前，我国的资本投入主要集中在基础建设、更新改造和房地产开发等项目上.而这些项目的启动与推进往往更依赖于与建筑业、制造业等第二产业的协调与配合.这表明，资本投入会以项目建设为纽带，直接拉动第二产业规模扩增，同时第二产业也会在社会需求的刺激下，主动自我革新，继续占领市场高地.换言之，资本投入能够通过定向增加第二产业份额，抑制产业结构升级^［31］，从而不利于减少生产环节的能源使用，降低污染物与温室气体的协同排放.基于此，提出如下假设：

H4：资本投入会负向调节产业结构调整对减污降碳协同的促进作用.

1.3 产业结构调整对减污降碳协同的“绿色+智能”传导机制

1.3.1 工业绿色化的传导机制

与传统工业发展模式不同，工业绿色化涉及工业价值链的各个环节^［32］，需要从理念、技术、资金、制度到配套产业的全方位投入作为支撑.从调控维度来看，政府是影响产业结构的显性主体.但以要素重新配置和生产效率改革为特征的产业结构调整，会导致地方政府竞争压力与竞争手段发生变化.具体而言，地方政府会在晋升锦标赛的激励下将工作重心置于高生产率行业，使经济建设类项目快速发展，环保类项目被逐渐挤出，从而导致短期内工业绿色化改造项目难以取得成效，工业绿色化发展动力不足.

从工业绿色化对减污降碳协同的影响来看，工业绿色化在改造“非绿色存量”和优化“绿色增量”过程中所产生的减污效益要高于降碳效益.这是因为工业绿色发展活动的不断推进，会促使传统工业生产过程与节能技术、再循环技术进行有效融合.这有利于工业生产过程的绿色革新，降低生产活动对生态环境的负面影响.但由于当前非化石能源利用仍面临多重桎梏，且工业能耗结构难以快速改变，工业绿色化发展的降碳效应尚不能完全显现.基于此，提出如下假设：

H5：工业绿色化在产业结构调整影响减污降碳协同过程中起正向传导作用.

1.3.2 工业智能化的传导机制

产业结构调整具有明显的“经济结构服务化”特征.产业结构的高级化调整，必然会引导大量金融资本、高新技术向第三产业集聚.这种集聚会导致创新资源在异质产业间的非均衡配置，从而使不同产业的资源投入与技术含量存在显著差异.这不利于区域内智能技术与工业生产结构的深度融合，因此短期内既难以改变传统行业的固有生产方式，也会因智能技术的低速锁定效应，破坏“结构性增速”式的工业化结构，不利于工业智能化发展.

从工业智能化对减污降碳协同的影响来看，工业智能化能够通过影响劳动生产率等途径，对减污降碳协同效果产生作用.具体而言，工业企业能够借助信息通信技术与智能算法提高物料、人员等要素的合理调度.这有利于降低生产成本，提高生产效率.但该情况也会出现减污降碳协同的抑制效应.一是工业企业为提升利润空间，会借助智能化设备和技术扩大业务与生产规模.这一行为会直接增加能源资源的使用消耗，提高污染物与温室气体的排放总量^［33］，抑制减污降碳的协同控制.二是工业企业为进一步提高劳动生产率，会大规模吸引高素质人才和大批量引进智能技术，从而引发有限资源的恶性竞争现象.生产要素在某一企业内部的高度集中会同时产生“拥挤效应”和“竞争效应”.这会削弱企业的技术创新与产能利用效率，不利于污染与碳排放强度降低.基于此，提出如下假设：

H6：工业智能化在产业结构调整影响减污降碳协同过程中起正向传导作用.

2 研究设计

2.1 模型设定

2.1.1 基准回归模型

为检验产业结构调整对减污降碳协同的直接影响效应，构建如下计量模型：

D_{it}={\alpha }_{\mathrm{0}}+{\alpha }_{\mathrm{1}}{S}_{it}+{\alpha }_n{X}_{it}+{\omega }_i+{\delta }_t+{\epsilon }_{it}，（1）

式中，D_{it}表示i省（自治区、直辖市）在t年的减污降碳协同指标，S_{it}表示i省在t年的产业结构调整指标，X_{it}表示控制变量，{\omega }_i表示个体固定效应，{\delta }_t表示时间固定效应，{\epsilon }_{it}为随机扰动项.

2.1.2 调节效应模型

为探究要素投入对产业结构调整影响减污降碳协同的调节效应，构建如下计量模型：

\begin{array}{l}{D}_{it}={\rho }_{\mathrm{0}}+{\rho }_{\mathrm{1}}{S}_{it}+{\rho }_{\mathrm{2}}{K}_{it}+{\rho }_{\mathrm{3}}{S}_{it}\times K_{it}+{\rho }_n{X}_{it}+\\ {\omega }_i+{\delta }_t+{\epsilon }_{it},\end{array}（2）

式中，K_{it}表示调节变量，S_{it}\times K_{it}为产业结构调整与调节变量的交互项.

2.1.3 中介效应模型

为探讨产业结构调整影响减污降碳协同的“绿色+智能”传导机制，构建如下中介效应模型：

Q_{it}={\beta }_{\mathrm{0}}+a\times S_{it}+{\beta }_n{X}_{it}+{\omega }_i+{\delta }_t+{\epsilon }_{it}，（3）

D_{it}={\gamma }_{\mathrm{0}}+c^{\mathrm{\text{'}}}\times S_{it}+b\times Q_{it}+{\gamma }_n{X}_{it}+{\omega }_i+{\delta }_t+{\epsilon }_{it}.（4）

联合公式（1）、（3）、（4），形成Q_{it}作为中介变量时，产业结构调整影响减污降碳协同的逐步检验方程组.其中，a×b为Q_{it}的中介效应.

2.2 变量说明

2.2.1 被解释变量

减污降碳协同水平（D）.为综合反映我国污染物排放、二氧化碳排放以及两者控制过程中的关联互馈关系，本文在既有研究的基础上^［4］，将减污降碳协同系统划分为减污控制系统、降碳控制系统和共同控制系统，并基于此构建减污降碳协同综合评价指标体系（表1）.

减污的关键在于通过精准治污和科学治污，持续改善生态环境质量，是推进减污降碳协同的重要内容.本文从污染排放和污染治理两个维度构建减污控制系统.参考已有研究，借助工业二氧化硫、烟尘、废水和城市污水、生活垃圾的排放量（产生量）反映区域的排污量^［34-35］；借助工业固体废弃物综合利用率、生活垃圾无害化处理率和工业废水、废气、固废治理投资额反映区域的治污能力^［36］.

降碳的重点在于通过创造条件多领域控制碳排放量，以持续减少温室气体排放，是推进减污降碳协同的核心内容.本文从碳排放和碳吸收两个维度构建降碳控制系统.参考已有研究，借助二氧化碳排放量反映区域的碳排放量；借助森林覆盖率、造林面积和建成区绿化覆盖面积反映区域的碳吸收能力^［37］.

共同控制的核心在于立足“碳”“污”同根、同源、同过程特征，全面推动“源头防控”.因此，共同控制也能通过反作用于减污与降碳的实践过程，提升两者的治理效率与成效，是推进减污降碳协同的重要手段.鉴于“碳”“污”主要来源于工业、能源和交通等部门，本文选取单位国内生产总值煤炭消费量、单位国内生产总值石油消费量、单位国内生产总值天然气消费量、单位国内生产总值能源消费量和公共交通运输占比5个指标构建共同控制指标体系.

基于上述指标体系，运用极差标准化方法对子系统中的正负指标进行一致化处理，然后借助熵值法对三个子系统的综合值U_{ij}进行计算，在此基础上，进一步运用耦合协调模型衡量三个子系统的耦合协调度，以刻画区域减污降碳协同水平.具体公式如下：

M=\sqrt[]{\left[\mathrm{1}-\frac{\sqrt[]{{\left(U_{\mathrm{3}}-U_{\mathrm{1}}\right)}^{\mathrm{2}}}+\sqrt[]{{\left(U_{\mathrm{2}}-U_{\mathrm{1}}\right)}^{\mathrm{2}}}+\sqrt[]{{\left(U_{\mathrm{3}}-U_{\mathrm{2}}\right)}^{\mathrm{2}}}}{\mathrm{3}}\right]\times \sqrt[]{\frac{U_{\mathrm{1}}}{U_{\mathrm{3}}}\times \frac{U_{\mathrm{2}}}{U_{\mathrm{3}}}}}，（5）

L={\alpha }_{\mathrm{1}}{U}_{\mathrm{1}}+{\alpha }_{\mathrm{2}}{U}_{\mathrm{2}}+{\alpha }_{\mathrm{3}}{U}_{\mathrm{3}}，（6）

D=\sqrt[]{M\times L}，（7）

式中，假定U_{\mathrm{3}}为\mathrm{m}\mathrm{a}\mathrm{x}(U_{ij})，M表示子系统间的耦合度，D表示耦合协调度.{\alpha }_{\mathrm{1}}、{\alpha }_{\mathrm{2}}、{\alpha }_{\mathrm{3}}分别表示子系统的贡献度.本文认为减污控制、降碳控制以及两者共同控制系统对于推进减污降碳协同同等重要，故将{\alpha }_{\mathrm{1}}、{\alpha }_{\mathrm{2}}、{\alpha }_{\mathrm{3}}均设定为1/3.

2.2.2 核心解释变量

产业结构调整（S）.高级化作为产业结构调整的重要维度，能够体现产业结构是否由相对低级向高级的方向发展.因此，本文选择产业结构高级化指数衡量产业结构调整指标，具体选用第三产业增加值与第二产业增加值之比来衡量^［9］.

2.2.3 控制变量

控制变量主要包括环境规制、能源结构、人口密度、开放水平、政府干预度和经济发展水平.其中，环境规制（R）采用工业污染治理投资额占GDP的比重衡量.能源结构（E）采用煤炭消费的总量占比衡量.人口密度（P）采用区域每平方公里人口的对数衡量.开放水平（F）采用外商企业投资总额占GDP的比重衡量.政府干预度（V）采用扣除科教支出后的政府财政支出衡量.经济发展水平（N）采用人均GDP的对数衡量.

2.2.4 调节变量

技术创新（T）.技术创新能够通过重组要素组合方式来优化产业结构.考虑研发投入是技术创新要素投入的主要表现形式，本文以科技支出占GDP的比重衡量技术创新水平.

高技能劳动力（H）.高技能劳动力在产业部门间的差额配置会直接影响异质产业间的结构呈现.本文以高等学校专任教师数的对数衡量高技能劳动力水平.

资本投入（C）.全社会固定资产投资作为资本投入的重要组成部分，能够影响产业生产活动的密度与强度，从而作用不同产业部门间的发展关联.本文以全社会固定资产投资总额的对数衡量资本投入水平.

2.2.5 中介变量

工业智能化（B）.工业机器人是自动化技术的重要成果与典型代表，在制造业等领域的广泛应用可以通过自动化生产降低生产过程中的资源浪费与能源消耗，因此其渗透率在一定程度上能够反映工业智能化水平.本文基于世界机器人联盟会（IFR）所提供的机器人数据，以机器人安装密度的对数衡量工业智能化水平.

工业绿色化（G）.工业绿色化强调投入产出与环境质量相协调.为系统反映这一事实，本文选择从绿色产业、绿色投资、绿色就业三个维度出发，构建工业绿色化综合评价指标体系（表2）.具体运用熵值法对工业绿色化水平进行测度.

2.3 数据来源

为确保面板数据的完整性，剔除西藏和港澳台地区，以中国30省（自治区、直辖市）2007—2024年的面板数据为样本进行实证研究.相关基础数据主要来源于以下数据库和统计年鉴：EPS（express professional superior）数据平台，该平台汇集了各省市经济、能源、工业、科技等领域的数据；清华大学团队创建的中国碳核算数据库（Carbon Emission Accounts and Datasets，CEADs），涵盖了中国多尺度能源、二氧化碳和社会经济清单；各省（自治区、直辖市）统计局或人民政府公开的统计年鉴，主要反映各地区国民经济和社会发展情况；国家统计局参与主编的《中国环境统计年鉴》《中国高技术产业统计年鉴》和《中国工业统计年鉴》，分别反映我国环境各领域基本情况、高技术产业发展状况以及工业经济发展情况.缺失值采用均值法进行补齐.各变量的描述性统计见表3.

3 实证分析

3.1 基准回归

表4为基准回归结果.结果显示，无论是否添加控制变量，产业结构调整均能显著正向地影响减污降碳协同，验证了H1.进一步由列（2）估计结果可知，在考虑其他影响因素的条件下，产业结构调整每提升1个标准差，区域减污降碳协同水平便会随之提升0.019个标准差.原因在于：产业结构调整具有的结构效应、技术效应和集聚效应，既能通过替代传统能源使用、清洁生产加工环节、提升资源利用效率等途径，促使产品生产与研发应用更加绿色化、低碳化，也能通过加速产业生产模式转变与生产方式革新，助推生态环境治理由“先污染后治理”“末端治理”向“源头防控”“源头治理”转变，从而实现在减少污染物与碳排放总量的同时，增强两者的协同控制水平.控制变量中，环境规制、人口密度和政府干预也是影响减污降碳协同的积极因素，而高速度的经济发展不利于减污降碳协同.

3.2 内生性检验

考虑减污降碳协同既受产业结构调整的正向影响，也会倒逼产业结构朝绿色化、低碳化方向调整，二者之间可能存在互为因果的内生关系.为缓解这一内生性问题，本文选择滞后变量法进行内生性检验.具体选择产业结构调整的滞后1至4期作为核心解释变量进行重新估计，估计结果见表5列（1）至列（4）所示.结果显示，产业结构调整滞后1至4期的参数估计值均显著为正，与基准回归结果一致，表明产业结构调整能够显著提升减污降碳协同水平.

3.3 稳健性检验

3.3.1 替换核心解释变量

为减少变量因衡量方式单一带来的扰动影响，本文选择产业结构合理化指数（A）重新表征产业结构调整.估计结果见表5列（5）所示.结果显示，A的参数估计值显著为正，支持了基准回归结果.

3.3.2 缩尾处理

为降低样本极端值对回归结果产生的扰动影响，本文对自变量和因变量均进行上下1%的缩尾处理.重新估计的结果见表5列（6）所示.结果显示，缩尾后核心解释变量（W）的回归系数仍显著为正，证明了基准回归结果具有稳健性.

3.4 异质性分析

考虑我国东、中、西、东北四大区域板块的产业结构调整指标仍存在较大差异，本文进一步以此为类别对省域样本进行划分，并展开模型估计.表6显示了地区异质性的分组回归结果.结果表明，仅东部地区和中部地区的产业结构调整的参数估计值通过了显著性检验.其中，东部地区产业结构调整会促进减污降碳协同水平提升.原因在于：东部地区长期享受的政策优惠使其拥有先进的生产技术与丰富的要素资源禀赋，如，2023年规上工业企业专利申请数和本科在校学生数占全国比重分别为70.12%和38.02%，固定资产投资增长4.4%，均居于全国首位.在持续的优质生产要素供给下，东部地区的产业结构高级化程度相对较高，因此能够显示出较强的减污降碳协同推进效应.而中部地区产业结构调整的参数估计值显著为负，表明该地区的产业结构调整会制约减污降碳协同水平提升.原因在于：当前中部地区依旧是东部地区部分高能耗、高污染产业转移的承接地，因此，其产业结构仍以传统制造业为主，致使污染物与碳排放总量依然处于较高水平.

4 机制分析

4.1 调节机制分析

4.1.1 技术创新的调节效应分析

表7列（1）显示，产业结构调整与技术创新的交互项系数（S×T）为0.034，且通过了1%水平下的显著性检验，表明技术创新具有显著正向的调节作用，即促进技术创新有利于增强产业结构调整对减污降碳协同的正向影响.验证了H2.技术创新是已有技术朝更清洁、更低碳、更高知识含量和更高附加值方向不断革新的结果.因此，新技术在产业部门的广泛应用，会直接促进产业生产的清洁化^［38］和能源使用的低碳化，显著赋能一、二、三产业内部转型的绿色低碳属性，从而放大产业结构调整对减污降碳协同的推进效应.

4.1.2 高技能劳动力的调节效应分析

表7列（2）显示，产业结构调整与高技能劳动力的交互项系数（S×H）为-0.034，且通过了1%水平下的显著性检验，表明高技能劳动力显示出了明显的负向调节作用，即高技能劳动力的增加一定程度上会抑制产业结构调整对减污降碳协同的正向影响，验证了H3.产业结构的调整升级需要高技能劳动力的匹配支持^［39］.但当前高技能劳动力存在规模供给不足、流入方向单一、结构体系不合理等现实问题.这导致产业部门间因高技能人才供给不匹配需求而产生了非协调发展，滞缓了产业结构调整的高级化进程.产业结构高级化调整受阻则会抑制产业内部转型所带来的绿色低碳效应，不利于减污与降碳的协同推进.

4.1.3 资本投入的调节效应分析

表7列（3）显示，产业结构调整与资本投入的交互项系数（S×C）为-0.029，且通过了1%水平下的显著性检验，表明资本投入同样具有显著的负向调节作用，即增加资本投入一定程度上会削弱产业结构调整对减污降碳协同的积极影响，验证了H4.当前我国正处于由“制造大国”转向“制造强国”的关键期，因此加大对制造业部门的资本投入成为趋势.这会促进智能制造、高技术制造、高端装备制造等先进制造业的快速发展，推动制造业内部的革新升级.因此，在短期内，以制造业为重心的资本投入尚难在协调第二产业与第三产业发展步调、提升第三产业主导市场份额方面发挥推动作用.

4.2 中介机制分析

4.2.1 工业绿色化的中介效应分析

表8列（1）和列（2）显示，产业结构调整的估计系数为-0.041，工业绿色化的估计系数为-0.068，且二者均通过了1%水平下的显著性检验，表明产业结构调整能够通过抑制工业绿色化发展，缓解减污与降碳的不协同程度，验证了H5.当前我国的工业绿色化发展尚未改变能源结构偏煤、绿色能源局部使用的生产事实^［40］，因此，由其带来的降碳效益仍会小于治污效益，制约减污与降碳的协同推进.而产业结构调整会将更多的资源与技术向第三产业延展.该策略会引导地方投资与项目建设的重心偏向发展势头强、回报率高的行业，从而导致工业绿色化项目投入不足，限制其更高水平发展.因此，产业结构调整能够通过工业绿色化的正向传导提升区域减污降碳协同水平.

4.2.2 工业智能化的中介效应分析

表8列（3）和列（4）显示，产业结构调整的估计系数为-0.462，工业智能化的估计系数为-0.012，且二者均通过了1%水平下的显著性检验，表明产业结构调整能够通过抑制工业智能化发展，促进减污降碳协同推进，验证了H6.具体而言，在我国产业结构调整过程中，由于工业智能化的政策措施更侧重于规划类与管制类，因此其不利于智能制造的革新动力形成与产业生态打造，导致工业智能化发展速率整体较低.这有利于规避工业企业因利益驱动而出现过度竞争或扩张生产规模的“潮涌现象”，进而降低由企业同质化竞争与快速规模扩张而带来的污染物与温室气体排放，提升减污与降碳之间的协同水平.

5 结论与启示

本文以2007—2024年中国30个省（自治区、直辖市）的面板数据为样本，采用双固定效应模型，分析了产业结构调整对减污降碳协同的具体影响及作用机制.研究发现：1） 产业结构调整对减污降碳协同具有显著正向的推动作用.同时该作用具有明显的区域异质性，东部地区的产业结构调整能够促进减污降碳协同水平提升，但中部地区与之相反，而在西部和东北地区，两者之间不存在显著关联.2） 技术创新能够正向调节产业结构调整对减污降碳协同的积极影响，高技能劳动力和资本投入则恰好相反.3） 工业绿色化和工业智能化均在产业结构调整影响减污降碳协同的过程中发挥正向传导作用.

根据以上研究结论，本文提出如下相关政策建议.

1） 以促进产业结构高级化调整为抓手，助力减污降碳协同的纵深推进.研究发现，产业结构调整将显著提升减污降碳协同水平.因此，为进一步推进减污降碳协同实现，各地政府应加快促进第三产业改造升级，以扩大产业规模，助推本地产业结构朝高级化方向演进.一方面，通过将大数据、区块链等数字技术嵌入第三产业各个环节，引导第三产业数字化、智能化发展；另一方面，通过设立专项政府引导基金，撬动社会资本进入第三产业，尤其是现代服务业的重点行业和关键领域，以补齐发展短板、弥补核心技术缺口，实现高质量发展.

2） 以促进科技创新为突破口，增强产业结构调整的驱动效能.研究发现，技术创新能够强化产业结构调整与减污降碳协同之间的正向相关关系.因此，为进一步增强产业结构调整与减污降碳协同的正向关联，各地政府应聚焦破解科技成果“不想转”“不会转”等堵点难点问题，提升科技成果转化率，提高本地科技创新水平.一方面，通过逐步开展职务科技成果赋权改革，增强科技成果产出与转化的活跃度；另一方面，通过搭建公开透明、高效便捷、生态完善的科技成果转化智慧平台，为科技成果转化全流程提供一站式服务，加速科技成果落地转化.

3） 以推进工业“绿”“智”发展为着力点，畅通产业结构调整与减污降碳协同的关联路径.研究发现，工业绿色化和工业智能化是连接产业结构调整与减污降碳协同的重要桥梁.但考虑到工业绿色化和工业智能化的持续发展离不开相关数字技术的支持，而数字基础设施又存在碳排放压力大、过度数字化反而会增加资源消耗^［41］的事实，因此，缓解数字基建的碳排放和资源消耗问题就成为各地政府推进工业“绿”“智”发展过程中不可回避的现实问题.具体而言，各地政府可通过促进“有为政府”和“有效市场”更好结合，引导数字基建用能绿色化和低碳化.如鼓励数字基建加大对清洁能源和可再生能源的利用，使数字技术的培育与赋能更加绿色低碳.

参考文献

[1] 陈晓红， 张嘉敏， 唐湘博. 中国工业减污降碳协同效应及其影响机制［J］. 资源科学， 2022， 44（12）： 2387-2398.

[2] CHEN X H， ZHANG J M， TANG X B. Synergistic effect of industrial air pollution and carbon emission reduction in China and influencing mechanism［J］. Resources Science， 2022， 44（12）： 2387-2398. （Ch）.

[3] 白婷婷， 綦勇. 数字经济对减污降碳协同发展的影响研究：基于绿色技术创新的中介作用分析［J］. 科研管理， 2026， 47（1）： 132-142.

[4] BAI T T， QI Y. Impact of digital economy on the synergistic reduction of pollution and carbon emissions： the mediating role based on green technology innovation［J］. Science Research Management， 2026， 47（1）： 132-142. （Ch）.

[5] YI Y， CHENG R W， WANG H Y， et al. Industrial digitization and synergy between pollution and carbon emissions control： new empirical evidence from China［J］. Environmental Science and Pollution Research International， 2023， 30（13）： 36127-36142.

[6] 邵汉华， 王庆祥， 何铿辉. 绿色技术创新对省域减污与降碳协同水平的影响及其驱动机制［J］. 经济地理， 2025， 45（1）： 17-24；35.

[7] SHAO H H， WANG Q X， HE K H. Impact of green technology innovation on the cooperation level of provincial-level pollution reduction and carbon reduction and its driving mechanism［J］. Economic Geography， 2025， 45（1）： 17-24；35. （Ch）.

[8] HU J. Synergistic effect of pollution reduction and carbon emission mitigation in the digital economy［J/OL］. Journal of Environmental Management， 2023， 337 ［2025-06-09］.

[9] YUAN R X， MA Q， ZHANG Q Q， et al. Coordinated effects of energy transition on air pollution mitigation and CO₂ emission control in China［J/OL］. Science of The Total Environment， 2022， 841 ［2025-06-09］.

[10] DONG Z， XIA C Y， FANG K， et al. Effect of the carbon emissions trading policy on the co-benefits of carbon emissions reduction and air pollution control［J/OL］. Energy Policy， 2022， 165 ［2025-06-09］.

[11] 王兆峰， 彭雯， 陈勤昌. 数字经济赋能旅游产业结构调整优化的影响机制研究［J］. 人文地理， 2024， 39（6）： 170-182.

[12] WANG Z F， PENG W， CHEN Q C. Research on the influence mechanism of digital economy enabling the structural adjustment and optimization of the tourism industry［J］. Human Geography， 2024， 39（6）： 170-182. （Ch）.

[13] 郑晓舟， 郭晗， 卢山冰. 环境规制、要素区际流动与城市群产业结构调整［J］. 资源科学， 2021， 43（8）： 1522-1533.

[14] ZHENG X Z， GUO H， LU S B. Environmental regulation， interregional flow of elements， and adjustment of industrial structure in urban agglomerations［J］. Resources Science， 2021， 43（8）： 1522-1533. （Ch）.

[15] 李涛， 薛领， 赵威. 产业结构调整对城市PM_2.5的影响机理［J］. 经济地理， 2023， 43（5）： 180-192.

[16] LI T， XUE L， ZHAO W. Influencing mechanism of industrial structure adjustment on urban PM_2.5 in China［J］. Economic Geography， 2023， 43（5）： 180-192. （Ch）.

[17] 林淑君， 郭凯明， 龚六堂. 产业结构调整、要素收入分配与共同富裕［J］. 经济研究， 2022， 57（7）： 84-100.

[18] LIN S J， GUO K M， GONG L T. Industrial structural restructuring， factor income distribution and common prosperity［J］. Economic Research Journal， 2022， 57（7）： 84-100. （Ch）.

[19] 邓翔， 袁满， 李凤鸣. 西部大开发战略对产业结构调整的影响研究［J］. 财贸研究， 2022， 33（4）： 63-74.

[20] DENG X， YUAN M， LI F M. Effect of the large-scale western development strategy on industrial structure adjustment［J］. Finance and Trade Research， 2022， 33（4）： 63-74. （Ch）.

[21] 程中华， 刘军， 李廉水. 产业结构调整与技术进步对雾霾减排的影响效应研究［J］. 中国软科学， 2019（1）： 146-154.

[22] CHENG Z H， LIU J， LI L S. Research on the effects of industrial structure adjustment and technical progress on haze reduction［J］. China Soft Science， 2019（1）： 146-154. （Ch）.

[23] DING L， LIU C， CHEN K L， et al. Atmospheric pollution reduction effect and regional predicament： an empirical analysis based on the Chinese provincial NO _x emissions［J］. Journal of Environmental Management， 2017， 196： 178-187.

[24] 陈阳， 孙婧， 逯进. 城市蔓延和产业结构对环境污染的影响［J］. 城市问题， 2018（4）： 18-25.

[25] CHEN Y， SUN J， LU J. Synergistic effect of urban sprawl and industrial structure on environmental pollution［J］. Urban Problems， 2018（4）： 18-25. （Ch）.

[26] GAO X W， LIU N， HUA Y J. Environmental protection tax law on the synergy of pollution reduction and carbon reduction in China： evidence from a panel data of 107 cities［J］. Sustainable Production and Consumption， 2022， 33： 425-437.

[27] 戴宏伟， 回莹. 京津冀雾霾污染与产业结构、城镇化水平的空间效应研究［J］. 经济理论与经济管理， 2019， 39（5）： 4-19.

[28] DAI H W， HUI Y. The spatial effects of Beijing-Tianjin-Hebei region’s smog pollution， industrial structure and urbanization［J］. Economic Theory and Business Management， 2019， 39（5）： 4-19. （Ch）.

[29] 余泳泽， 段胜岚. 全球价值链嵌入与环境污染： 来自230个地级市的检验［J］. 经济评论， 2022（2）： 87-103.

[30] YU Y Z， DUAN S L. Global value chain embedding and environmental pollution： an examination from 230 prefecture-level cities［J］. Economic Review， 2022（2）： 87-103. （Ch）.

[31] FAN W N， WANG F， LIU S Y， et al. How does financial and manufacturing co-agglomeration affect environmental pollution？ evidence from China［J/OL］. Journal of Environmental Management， 2023， 325［2025-06-09］.

[32] 高志刚， 彭俊颖， 韩延玲. 产业结构优化对新疆碳减排的影响研究［J］. 新疆社会科学， 2024（4）： 74-83.

[33] GAO Z G， PENG J Y， HAN Y L. Study on the influence of industrial structure optimization on carbon emission reduction in Xinjiang［J］. Social Sciences in Xinjiang， 2024（4）： 74-83. （Ch）.

[34] 原嫄， 周洁. 中国省域尺度下产业结构多维度特征及演化对碳排放的影响［J］. 自然资源学报， 2021， 36（12）： 3186-3202.

[35] YUAN Y， ZHOU J. Influence of multi-dimensional characteristics and evolution of industrial structure on carbon emissions at provincial scale in China［J］. Journal of Natural Resources， 2021， 36（12）： 3186-3202. （Ch）.

[36] 张琳杰， 崔海洋. 长江中游城市群产业结构优化对碳排放的影响［J］. 改革， 2018（11）： 130-138.

[37] ZHANG L J， CUI H Y. Impact of urban industrial structure optimization on carbon emissions of urban agglomeration in the middle reaches of the Yangtze River［J］. Reform， 2018（11）： 130-138. （Ch）.

[38] 仲伟周， 姜锋， 万晓丽. 我国产业结构变动对碳排放强度影响的实证研究［J］. 审计与经济研究， 2015， 30（6）： 88-96.

[39] ZHONG W Z， JIANG F， WAN X L. The empirical study on the impact of industrial structure changes on the carbon intensity in China［J］. Journal of Audit & Economics， 2015， 30（6）： 88-96. （Ch）.

[40] 王霞， 张丽君， 秦耀辰， 等. 中国高碳制造业碳排放时空演变及其驱动因素［J］. 资源科学， 2020， 42（2）： 323-333.

[41] WANG X， ZHANG L J， QIN Y C， et al. Spatiotemporal changes of carbon emissions in high-carbon manufacturing industry in China and driving factors［J］. Resources Science， 2020， 42（2）： 323-333. （Ch）.

[42] 孙丽文， 李翼凡， 任相伟. 产业结构升级、技术创新与碳排放： 一个有调节的中介模型［J］. 技术经济， 2020， 39（6）： 1-9.

[43] SUN L W， LI Y F， REN X W. Upgrading industrial structure， technological innovation and carbon emission： a moderated mediation model［J］. Journal of Technology Economics， 2020， 39（6）： 1-9. （Ch）.

[44] 陶长琪， 彭永樟. 经济集聚下技术创新强度对产业结构升级的空间效应分析［J］. 产业经济研究， 2017（3）： 91-103.

[45] TAO C Q， PENG Y Z. Spatial effects of technological innovation intensity on the upgrading of industrial structure under economic agglomeration［J］. Industrial Economics Research， 2017（3）： 91-103. （Ch）.

[46] 张跃胜， 张寅雪， 邓帅艳. 技术创新、产业结构与城市经济韧性： 来自全国278个地级市的经验考察［J］. 南开经济研究， 2022（12）： 150-168.

[47] ZHANG Y S， ZHANG Y X， DENG S Y. Technology， industrial structure and urban economic resilience： experience investigation from 278 prefecture-level cities in China［J］. Nankai Economic Studies， 2022（12）： 150-168. （Ch）.

[48] 李磊. 人力资本溢出与制造业升级： 基于消费外部性的视角［J］. 经济问题探索， 2023（3）： 126-142.

[49] LI L. Human capital spillover and the upgrading of manufacturing industry： from the perspective of consumption externality［J］. Inquiry into Economic Issues， 2023（3）： 126-142. （Ch）.

[50] GAO B Y， LIU W D， DUNFORD M. State land policy， land markets and geographies of manufacturing： the case of Beijing， China［J］. Land Use Policy， 2014， 36： 1-12.

[51] 冯白， 葛扬. 资本投向、产权性质与区域产业结构调整［J］. 产业经济研究， 2016（1）： 1-10.

[52] FENG B， GE Y. Capital investment， property rights and industrial structure adjustment［J］. Industrial Economics Research， 2016（1）： 1-10. （Ch）.

[53] 张红霞， 王丹阳. 要素投入、产业结构合理化与产业结构高级化： 基于山东省面板数据的动态GMM检验［J］. 华东经济管理， 2016， 30（3）： 57-62.

[54] ZHANG H X， WANG D Y. Input factors， industrial structure rationalization and industrial structure supererogation： based on the dynamic GMM estimation of the panel data from Shandong Province［J］. East China Economic Management， 2016， 30（3）： 57-62. （Ch）.

[55] 郭克莎， 田潇潇. 加快我国工业发展方式绿色转型： 成效、挑战与路径［J］. 经济纵横， 2023（1）： 8-16.

[56] GUO K S， TIAN X X. Accelerate the green transformation of Chinese industrial development mode： achievements， challenges and paths［J］. Economic Review Journal， 2023（1）： 8-16. （Ch）.

[57] LUAN F S， YANG X H， CHEN Y， et al. Industrial robots and air environment： a moderated mediation model of population density and energy consumption［J］. Sustainable Production and Consumption， 2022， 30： 870-888.

[58] 马莹莹， 姚文艳， 姜玲， 等. 绿色金融改革创新试验区政策对城市减污降碳的影响及作用机制［J］. 中国人口·资源与环境， 2024， 34（6）： 45-55.

[59] MA Y Y， YAO W Y， JIANG L， et al. Impact of China’s green finance reform and innovation pilot zone policies on urban pollution and carbon emission reduction and their mechanisms［J］. China Population， Resources and Environment， 2024， 34（6）： 45-55. （Ch）.

[60] 成金华， 易佳慧， 史峰雨. 中国城市生活垃圾排放及其影响因素的时空变化研究［J］. 华中师范大学学报（自然科学版）， 2020， 54（4）： 511-521.

[61] CHENG J H， YI J H， SHI F Y. Study on the temporal and spatial changes of municipal solid waste generation and influencing factors in China［J］. Journal of Central China Normal University （Natural Sciences）， 2020， 54（4）： 511-521. （Ch）.

[62] 陈小龙，狄乾斌，梁晨露.城市群减污降碳与经济高质量发展的耦合及交互响应关系［J］.环境科学，2024，45（11）：6313-6325.

[63] CHEN X L， DI G B， LIANG C L. The coupling and interactive response relationship between pollution reduction and carbon emission reduction in urban agglomerations and high-quality economic development［J］. Environmental Science，2024，45（11）：6313-6325.（Ch）.

[64] 周兵， 梁博， 别礼城. 全国统一大市场与碳中和绩效［J］. 重庆社会科学， 2024（11）： 32-50.

[65] ZHOU B， LIANG B， BIE L C. The national unified market and carbon neutrality performance［J］. Chongqing Social Sciences， 2024（11）： 32-50. （Ch）.

[66] 钟顺昌， 焦怡萌， 闫程莉， 等. 建设用地资源空间集聚对减污降碳协同的影响机制［J］. 地理学报， 2024， 79（3）： 688-711.

[67] ZHONG S C， JIAO Y M， YAN C L， et al. The impact mechanism of spatial agglomeration of construction land resources on the synergistic reduction of pollutants and CO₂ ［J］. Acta Geographica Sinica， 2024， 79（3）： 688-711. （Ch）.

[68] 汪立鑫， 孟彩霞. 高技能劳动力、本土市场规模与地区产业结构升级［J］. 经济评论， 2024（5）： 75-91.

[69] WANG L X， MENG C X. Highly skilled labor force， local market size and upgrading of regional industrial structure［J］. Economic Review， 2024（5）： 75-91. （Ch）.

[70] 郭晗， 侯雪花. 数字新质生产力推动新型工业化： 内在机理与策略选择［J］. 改革， 2025（2）： 77-87.

[71] GUO H， HOU X H. Promoting new-type industrialization with digital new quality productive forces： logical mechanism and strategic choice［J］. Reform， 2025（2）： 77-87. （Ch）.

[72] 李其伦. 制造业数字化与绿色化融合发展： 水平测度、时空演变与收敛特征［J］. 统计与决策， 2024， 40（15）： 120-125.

[73] LI Q L. Integrated development of digitalization and greening of manufacturing industry： level measurement， temporal and spatial evolution and convergence characteristics［J］. Statistics & Decision， 2024， 40（15）： 120-125. （Ch）.

基金资助

国家自然科学基金青年项目(72402061)