数字经济提升绿色全要素生产率的组态路径研究

王淑英 刘雅静

【摘要】基于“技术—组织—环境”理论框架， 以我国216个地级市的经济数据为样本， 运用模糊集定性比较分析方法探究组态视角下数字经济提升绿色全要素生产率的复杂路径， 并剖析不同城市类型下组态路径的异质性。研究结果表明： 单一或少数因素难以对区域绿色全要素生产率提升产生影响； 存在三种数字经济提升绿色全要素生产率的驱动路径， 包括“技术主导—均衡型”“组织主导—均衡型”和“技术—环境共同主导型”； 各组态间的前因条件存在潜在替代关系； 数字经济提升绿色全要素生产率的组态路径具有明显的区位异质性、 规模异质性。研究结论从系统协同视角揭示了数字经济提升绿色全要素生产率的“黑箱”， 为各类城市借助数字化驱动经济发展提供了理论参考。

【关键词】数字经济；绿色全要素生产率；fsQCA；TOE框架；组态异质性

【中图分类号】 F061.5     【文献标识码】A      【文章编号】1004-0994（2024）11-0109-7

一、 引言

改革开放以来， 我国经济从高速增长阶段迈向高质量发展阶段， 具有物质基础坚实、 人才储备充裕、 市场体系完善等多方面优势， 但经济发展模式暴露出高投入、 低效率的缺点， 能源消耗强度偏高、 环境污染严重、 生态系统退化等问题制约着经济社会发展（Shahbaz等，2022； 刘敏楼等，2022）。党的二十大报告明确提出， 提高全要素生产率与推动经济社会发展绿色化、 低碳化是实现高质量发展的重要途径和关键环节。新目标下， 要通过技术进步、 技术效率提升、 产业结构转换和交易成本降低来提高生产效率（杜运周等，2022）， 充分发挥绿色技术创新的引领作用， 推广绿色生产与生活方式， 着力促进绿色经济效率有效提升（蔺鹏和孟娜娜，2021）。因此， 提升绿色全要素生产率是实现区域经济高质量发展的重要支撑和迫切需要。

随着信息技术的快速发展， 数字经济以数字化、 网络化、 智能化为特征， 通过改善经济结构和提高生产效率， 正在推动经济发展方式深刻变革（许宪春和张美慧，2020）。近年来， 我国抓住数字经济战略机遇期， 持续扩大数字经济规模， 2022年数字经济规模达50.2万亿元， 占GDP比重为41.5%。面对复杂多变的国际环境， 国家“十四五”规划提到， 要加快数字技术与实体经济融合， 推进数字产业化和产业数字化转型， 打造数字经济新优势。可见， 数字经济是提高绿色全要素生产率、 加快经济绿色转型的重要抓手。由此， 区域作为数字经济发展的重要载体， 数字经济能否提高其绿色全要素生产率、 数字经济要素之间存在何种联动效应、 不同情境下数字经济提升绿色全要素生产率的机制是否存在差异就成为亟需关注的问题。

已有研究对数字经济与区域绿色全要素生产率的影响机制进行了探讨， 如： 万晓榆和罗焱卿（2022）、 乌静等（2022）基于省份数据， 发现数字经济发展对全要素生产率有着正向影响； 邹静等（2023）研究得到， 数字经济对城市绿色全要素生产率的影响存在城市层级和自然资源禀赋异质性， 同时他们验证了数字经济政策的导向作用； 张英浩等（2022）认为， 数字经济与城市绿色全要素生产率之间呈现“U”型关系， 表现出区域异质性与阶段性特征。还有部分学者从企业角度进行研究， 如刘文俊和彭慧（2023）、 尤碧莹等（2023）肯定了数字化转型对企业全要素生产率的提升作用， 且这一作用反映出“边际效应”递增的非线性特征。然而， 目前较少研究关注多种数字经济要素作为前因条件促进城市绿色全要素生产率提升的复杂因果关系， 以及在不同城市类型下各要素相互依赖、 共同驱动区域绿色全要素生产率提升的组态异质性。

基于此， 本文采用技术—组织—环境（Technology-Organization-Environment，TOE）分析框架， 以我国216个地级市的经济数据为样本， 运用模糊集定性比较分析方法（fuzzy set qualitative comparative analysis，fsQCA）探究组态视角下数字经济提升绿色全要素生产率的复杂路径。本文的可能贡献如下： 一是运用被广泛用来解释技术采纳现象的TOE分析框架， 解释提升城市绿色全要素生产率的数字经济要素， 拓展了TOE框架在数字经济领域的应用； 二是运用fsQCA方法系统性地探讨数字经济提升绿色全要素生产率的模式和机制， 并从城市层面出发总结实现高绿色全要素生产率的多重数字经济要素匹配路径， 就两者关系的实证研究提供新思路； 三是以不同区位条件、 城市层级为分类标准， 剖析不同城市类型下数字经济驱动绿色全要素生产率提高的组态路径异质性， 为助力高质量、 高水平建设现代化城市提供决策依据。

二、 机理阐释与模型构建

TOE框架指出新技术应用会受到技术、 组织、 环境三个层面因素的共同影响（Tornatzky等，1990）， 其中： 技术因素关注技术本身的特征， 如技术资源、 技术能力等； 组织因素考虑组织特征， 如组织能力、 组织资源等； 环境因素突出外部条件的作用， 如市场环境、 金融服务等。因此， 本文引入TOE理论框架， 从“技术—组织—环境”三个维度对提升城市绿色全要素生产率的数字经济要素进行整合。

（一） 技术条件

技术条件具体包括数字基础设施和数字技术人才。数字基础设施是促进绿色全要素生产率提升的重要基石， 可以满足居民生存与发展并影响投资区位选择， 其带来的潜在资本会推动经济效率提升。数字基础设施主要通过促进能源技术创新与产业结构优化来提升绿色全要素生产率， 体现为绿色技术效率提升与绿色技术进步明显（刘备和黄卫东，2023）。并且， 数字基础设施能够有效整合区域资源、 加强区域互动合作、 促进资源合理利用， 是提高绿色全要素生产率的关键因素（Du等，2023）。数字技术人才是驱动绿色全要素生产率增长的活力源泉， 强调区域技术能力发展， 能够借助提高劳动者的技能水平来优化创新环境， 从而提升区域创新效率与产出。高水平技术人才可以通过技术进步、 知识溢出和产业升级来提升绿色全要素生产率（Wang等，2021）； 同时， 复合型数字技术人才有助于构建区域可持续发展的人才生态环境（杨慧梅和江璐，2021）， 突破数字经济发展中的智力瓶颈， 实现绿色全要素生产率联动提升。

（二） 组织条件

组织条件具体包含数字政府建设和数字资源投入。数字政府建设是推进绿色全要素生产率提升的关键引领， 体现为以扎实的政府战略为依托， 指明数字经济的发展方向， 通过适度宏观调控为经济发展创造有利环境。地方政府可以凭借制定政策规划产生引导作用， 并利用数据驱动与信息公开来推动经济高质量发展和社会高水平治理。与此同时， 各地政府必须增强其使用新兴数字技术的能力， 优化创新数字公共服务平台（Eom和Lee，2022）， 这对提升创新绩效和产业长远发展有着重要作用。数字资源投入是提高绿色全要素生产率水平的主要保障， 能够展现区域技术研发投入情况， 在一定程度上反映了其在数字化转型中所做的努力。政府具有较强的资源配置与市场调节能力， 适当的财政资源投入可以正向影响经济增长速度， 为区域经济发展创造有利环境。另外， 政府科技资金投入能够通过激发研发机构创新活力、 弥补前期研发经费短缺等方式促进技术突破与成果转化， 间接推动地方绿色全要素生产率提升（戴魁早和骆莙函，2022）。

（三） 环境条件

环境条件具体涵盖数字产业融合和数字金融发展。数字产业融合是推动绿色全要素生产率提升的核心支撑， 代表区域数字产业发展水平， 可以通过加快数字要素流动和优化资源配置拓宽实体经济发展空间。数字产业融合可以突破要素流动阻隔， 助推企业重塑协同开放的产业链体系， 实现跨界延伸及多元发展， 保障成果产出的可持续性。此外， 信息通信技术的扩散效应和替代效应有利于资源有效配置， 驱动产业结构优化升级（徐伟呈等，2022）， 进而深化数字经济与实体经济融合。数字金融发展是助力绿色全要素生产率提升的有力抓手， 能够健全地方金融服务体系并缓解融资约束， 推动实体经济蓬勃发展。一方面， 移动货币是数字金融发展的第一驱动力（Shaikh等，2023）， 不仅可以降低交易成本和风险识别成本， 还能优化金融资源配置、 提高资金使用效率， 直接促进经济效益提升； 另一方面， 数字金融有利于突破时空限制以缩小收入差距、 增加储蓄存款， 并能拓展投资渠道以缓解中小企业融资约束、 降低创业融资风险， 间接推动区域绿色全要素生产率提高。

综上所述， 基于TOE分析框架， 本文选取了数字基础设施、 数字技术人才、 数字政府建设、 数字资源投入、 数字产业融合和数字金融发展六个前因条件， 构建了数字经济提升绿色全要素生产率的分析框架， 如图1所示。

三、 研究方法与设计

（一） 研究方法

fsQCA方法是以案例和数量为导向的定性与定量分析相结合的方法， 从整体视角研究多种前因条件组合对结果变量的影响， 由此揭示结果现象背后复杂的因果关系（Fiss，2011）， 其主要应用于前因条件和结果变量均为连续型变量的情况。该方法主要有三个优势： 第一， 可以使多个前因变量同时出现， 从而结合成一条路径； 第二， 强调“殊途同归”， 即不同变量的组合方式能够导致同种结果发生； 第三， 既能从整体视角分析， 也能进行案例研究， 透彻分析个别案例。因此， 本文采用fsQCA方法探讨数字经济推动绿色全要素生产率提升的协同联动机制以及各要素之间的内在关系， 从而更全面地厘清数字经济技术条件、 组织条件、 环境条件提升绿色全要素生产率的复杂路径。

（二） 研究样本及数据来源

基于数据可获得性， 所有变量均选取来自2019 ～ 2021年的数据， 以其平均值作为评价依据。本文数据来源于《中国城市统计年鉴》《中国能源统计年鉴》《中国环境统计年鉴》， 以及《中国城市数字经济指数蓝皮书》、 北京大学数字金融研究中心、 EPS数据库等。通过将各变量数据进行匹配， 最终以216个地级市作为本文的研究案例。

（三） 变量测量与校准

1. 结果变量。结果变量为各城市绿色全要素生产率。本文采用SBM-GML模型对我国216个地级市的绿色全要素生产率水平进行测算， 不仅可以有效处理径向与角度问题， 而且具有全局可比性。在参考逯进和李婷婷（2021）研究的基础上， 同时考虑城市数据可得性， 构建投入—产出指标体系。资本和人力是生产过程中较为关键的投入要素， 土地和能源更多地体现在农业、 工业与服务业等生产活动中， 与经济发展密切相关。因此， 选取资本投入、 劳动投入、 土地投入和能源投入作为投入指标， 分别以固定资产投资总额、 当年从业人员总数、 当地建成区面积、 地级市使用万吨标准煤表征。提升绿色全要素生产率的主要目标是保持经济高质量增长， 实现绿色可持续发展以及为保护环境做出贡献。因此， 选取地区生产总值作为期望产出， 二氧化硫、 工业废水、 烟粉尘排放量作为非期望产出。

2. 前因条件。前因条件为数字基础设施、 数字技术人才、 数字政府建设、 数字资源投入、 数字产业融合和数字金融发展六个数字经济要素， 具体测量如下：

（1） 技术条件。数字基础设施体现了用于满足区域数字服务等需求的基建情况， 因此采用每百人互联网宽带接入用户数表征数字基础设施。技术人才决定了数字环境中人力资本的供给水平， 因此采用每万人从事信息传输计算机服务和软件业人数表示数字技术人才。

（2） 组织条件。政策规划可以引导数字经济的发展， 因此运用文本分析法提取数字经济关键词， 采用地级市政府工作报告中关键词词频占全文总词数的比重测量数字政府建设。地方政府对科学技术的投入在一定程度上决定了当地技术研发投入程度， 因此采用地方政府科学技术支出占一般公共预算支出的比重表示数字资源投入。

（3） 环境条件。产业融合反映了数字经济与实体经济的融合程度， 因此采用《中国城市数字经济指数蓝皮书》中产业融合得分表征数字产业融合。数字金融是区域金融发展最直接的体现， 因此采用北京大学数字金融研究中心公布的数字普惠金融指数衡量数字金融发展。

3. 变量校准。fsQCA中将前因变量和结果变量都视为集合， 变量校准就是给集合赋予隶属分数的过程。本文参考杜运周和贾良定（2017）的研究， 运用直接校准法设置案例样本的3个锚点， 分别将95%、 50%、 5%分位数值作为完全隶属、 交叉点、 完全不隶属的校准锚点。此外， 参照已有研究将各个变量校准后恰好为0.50的值修正为0.5001（肖静等，2022）。全部变量的描述性统计及校准锚点如表1所示。

四、 实证结果与分析

（一） 单个条件的必要性分析

前因条件的一致性水平反映该前因条件是否为结果变量发生的必要条件， 当其大于0.9时， 说明构成必要条件。本文采用fsQCA 3.0软件分析所有前因条件及其非集的必要性， 表2为引致高绿色全要素生产率的必要性检验结果。由结果可知， 六个前因条件的一致性水平均小于0.9， 说明单个前因条件对高绿色全要素生产率的解释能力较弱， 均不能单独构成必要条件， 需要由技术、 组织和环境三个方面的前因条件合力发挥作用。

（二） 条件组态的充分性分析

通过必要条件检验后， 进行充分性分析归纳实现城市高绿色全要素生产率的多重数字经济要素匹配路径。根据fsQCA操作规范， 运用真值表展开评估， 为得出更加具有普遍性和适用性的路径， 将原始一致性阈值、 PRI一致性阈值和案例频数阈值分别设定为0.80、 0.60和1（Ding，2022）。对比中间解与简约解， 将同时存在于两者的条件判定为核心条件， 仅在中间解存在的条件判定为边缘条件， 结果如表3所示。其中， 单个解和整体解的一致性均高于最低标准0.8， 最终得到引致城市高绿色全要素生产率的六个组态， 将其所代表的路径归纳为三种。由此可见， 单一或少数因素难以对区域绿色全要素生产率提升产生影响， 需要多个前因条件发挥协同作用。参照已有研究（陈爽英等，2022）， 将实现城市高绿色全要素生产率的三种路径分别命名为“技术主导—均衡型”“组织主导—均衡型”和“技术—环境共同主导型”。

1. 技术主导—均衡型。形成高绿色全要素生产率的组态H1a、 H1b和H1c中均拥有完备的技术条件， 即数字基础设施和数字技术人才， 而组织条件和环境条件均存在但有一定差异。可见， 技术优势本身的革新性， 奠定了此类城市数字经济提升绿色全要素生产率的坚实基础。

组态H1a表示在核心条件数字基础设施、 数字技术人才、 数字资源投入、 数字产业融合存在， 数字金融发展缺失时， 数字经济可以提升绿色全要素生产率。典型城市有北京、 天津、 上海、 南京、 无锡等。这类城市反映了在数字金融发展欠佳的环境下， 需要拥有良好的数字基础设施和优质的数字技术人才， 发挥数字资源投入的保障作用， 推动数字经济与实体经济融合发展， 从而实现绿色全要素生产率的提高。以天津为例， 天津通过打造云计算中心和大数据产业园， 搭建高速宽带网络， 率先出台数字人才培育落地政策， 设置数字专项资金和科技产业基金， 构建以“数实融合”新示范为目标的“1+3+4”现代工业产业体系， 体现了技术主导、 资源和产业协同驱动的提升路径。

组态H1b表明在核心条件数字基础设施、 数字技术人才、 数字政府建设、 数字金融发展存在， 数字资源投入缺失的情况下， 数字经济能够提高绿色全要素生产率。覆盖城市有海口、 汕头等。此类城市展现了在数字资源投入不足时， 通过发展完善的数字基础设施， 吸纳高水平数字技术人才， 有效进行政府数字化转型并倒逼传统金融机构升级， 以支撑绿色全要素生产率提升。例如， 汕头借助设立区域性国际通信业务出入口局， 发布数字经济人才联合培养计划， 推动“零跑动”“指尖办”等数字政府改革建设， 鼓励金融机构加大对数字经济的金融支持力度， 体现了技术主导、 政府和金融协同驱动的提升路径。

组态H1c指出以数字基础设施、 数字技术人才、 数字政府建设、 数字产业融合存在为边缘条件的数字经济要素可以产生高绿色全要素生产率。深圳、 杭州、 苏州、 长沙、 厦门等城市符合这种情况。该类城市以较好的技术条件为基础， 提高政府数字经济注意力， 促进知识和技术密集型行业与数字化的深度融合， 从而激发绿色全要素生产率增长潜力。以深圳为例， 深圳打造空天地海一体化网络和“千兆城市”标杆， 成立数字人才专委会， 深化“互联网＋政务服务”平台， 推进“5G+千行百业”数字化应用， 落成南方电网深圳供电局等数字化绿色转型实例， 体现了技术主导、 政府和产业协同驱动的提升路径。

2. 组织主导—均衡型。实现高绿色全要素生产率的组态H2a和H2b中均具有健全的组织条件， 即数字政府建设和数字资源投入， 同时有着较高的数字产业融合水平， 而技术条件存在差异， 表明数字基础设施和数字技术人才在此条件下存在潜在的替代关系。由此可知， 组织主导的独特效能， 辐射和带动这类城市数字经济对绿色全要素生产率的提升作用。

组态H2a说明在核心条件数字基础设施、 数字政府建设、 数字资源投入、 数字产业融合存在时， 数字经济可以推动绿色全要素生产率提高。代表城市有佛山、 宁波、 成都、 大连等。这些城市通过强化数字政府战略的重要性来加大对数字经济的投入力度， 推进大数据、 人工智能等数字基础设施建设， 积极支持数字产业化、 产业数字化， 进而使绿色全要素生产率得到充分提升。以成都为例， 该市设立成都策源广益数字经济股权投资基金合伙企业， 出台政策加强数字经济产业“建圈强链”和高质量发展； 同时， 打造以“数字、 智能、 绿色”为需求的数字基础设施体系， 鼓励航空航天和数字领域企业特色产业集群发展， 形成了设施、 产业助力下组织主导驱动的提升路径。

组态H2b点明以数字技术人才、 数字政府建设、 数字资源投入、 数字产业融合为核心条件的数字经济要素能够实现绿色全要素生产率提升。符合此情况的城市有合肥、 贵阳、 南昌、 郑州等。此类城市揭示了组织条件下发挥数字政府的引领作用并投入充沛的数字财政资源， 改善当地人才政策以吸引优秀技术人才， 利用大数据优势设立和发展数字产业集群， 可以创造高的绿色全要素生产率水平。例如： 贵阳建立由市长任组长的数字经济领导小组， 设置数亿元的专项发展基金； 同时， 重点引进大数据产业人才， 打造“一站式”人才服务综合平台， 推动“数化万物、 智在融合”数字产业集聚， 形成了人才、 产业助力下组织主导驱动的提升路径。

3. 技术—环境共同主导型。组态H3显示在核心条件数字基础设施、 数字技术人才、 数字产业融合、 数字金融发展存在， 数字资源投入缺失的情形下， 数字经济可以助力绿色全要素生产率提升。西宁、 南宁、 兰州等城市符合该路径。这类城市以数字化为核心扎实推进基础设施建设、 培养创新型数字技术人才， 同时把握数字化产业融合发展的良好机遇， 拓展数字金融产品以促进消费、 提升创业活跃度， 通过技术条件与环境条件的有效配置， 缓解数字资源投入缺失的不足， 以促进绿色全要素生产率提高。以西宁为例， 一方面， 该市聚焦数据中心和网络工程建设， 坚持数字化人才“培育与共享并举”思路， 设立数字经济人才建设项目； 另一方面， 该市围绕工业数字化、 农业数字化和服务业数字化来加快数字产业发展， 凸显数字金融与实体经济深度融合的良性循环， 形成了技术和环境共同主导驱动的提升路径。

（三） 稳健性检验

为确保研究结论的可靠性， 参考以往学者经验（张明和杜运周，2019； 谭海波等，2019）进行稳健性检验。本文采用调高原始一致性阈值和调整案例阈值两种方法： 一是将高绿色全要素生产率组态的原始一致性阈值由0.7调整至0.8， 同时PRI一致性阈值和案例阈值保持不变， 得到的组态结果不变； 二是将高绿色全要素生产率组态的案例阈值从1提高至2， 其余保持不变， 得到的组态为现有路径的子集。并且， 两种方法进行实验后一致性和覆盖度等拟合参数均不存在差异， 对结论未产生影响。由此说明， 本文的研究结果具有较好的稳健性。

五、 组态路径的异质性分析

（一） 区位异质性

“胡焕庸线”反映出我国在人口分布和资源禀赋上的区域差异， 主要源自地理和历史因素导致的区域发展不平衡。因此， 本文借鉴尹文耀等（2016）提出的“准胡焕庸线”， 将该线东南半壁的城市命名为“东南壁城市”， 此类城市特别是沿海区域， 地势平坦、 水网密布， 多是人口聚集区和经济发达区； 将该线西北半壁的城市命名为“西北壁城市”， 这类城市面积广阔却人口稀少， 资源丰富但多为能源矿产类资源， 耕地和水资源相对匮乏。通过对“准胡焕庸线”两侧的城市案例分别校准建模， 探究数字经济提升绿色全要素生产率的区位效应， 结果见表4。

在“东南壁城市”中， 存在三种促进绿色全要素生产率提升的驱动路径， 三种路径的核心条件中均有高水平的数字产业融合。组态E1中， 在数字技术条件完善的情况下， 充足的数字资源投入和良好的数字产业融合弥补了“东南壁城市”数字金融发展条件的缺失。典型城市有北京、 天津、 上海等。相比之下， 组态E2a、 E2b中健全的数字组织条件发挥了主导作用， 同时大力推进基础设施建设或者培养高端技术人才， 并深化数字产业融合， 所得原始覆盖度及唯一覆盖度均高于组态E1、 E3， 是“东南壁城市”数字经济提升绿色全要素生产率的主要路径。宁波、 南昌、 成都等城市符合这种情况。而组态E3表明在政府的强力支持下， 通过创造成熟的数字技术条件和高效的数字环境条件能够驱动“东南壁城市”的高绿色全要素生产率。青岛、 昆明、 洛阳等城市符合该路径。

在“西北壁城市”中， 得到三种引致绿色全要素生产率提升的驱动路径。组态W1a、 W1b均以高数字技术人才、 高数字金融发展作为核心条件， 其中： 组态W1a表示辅以必要的基础设施建设和较高的数字产业融合水平， 即使数字政府建设薄弱的“西北壁城市”也能产生高绿色全要素生产率； 而组态W1b反映完善的基础设施、 充沛的资源投入和有效的产业融合为提升绿色全要素生产率发挥了辅助作用。覆盖城市有乌鲁木齐、 兰州、 克拉玛依、 西宁。组态W2则表明在核心条件数字技术人才、 数字政府建设存在时， 财政资源支持配合产业融合发展， 可以提升“西北壁城市”绿色全要素生产率。代表城市有呼和浩特、 银川。组态W3a、 W3b的核心条件均为高数字金融发展和非高数字基础设施， 说明当数字技术条件相对不足时， 依托优良的数字金融发展并辅以一定的数字组织条件， 可以实现绿色全要素生产率的提升。典型案例为金昌、 天水、 石嘴山。

对比发现， 在“准胡焕庸线”两侧， 数字经济提升绿色全要素生产率的驱动路径存在显著的区位异质性。“东南壁城市”中数字产业融合对于高绿色全要素生产率发挥了相对普适的作用， 而数字金融发展作用甚微， 各路径之间数字基础设施和数字技术人才存在潜在的替代关系。而“西北壁城市”中高水平的数字技术人才和数字金融发展对于绿色全要素生产率的提升作用更为突出。

（二） 规模异质性

借鉴已有研究（李晓娣和饶美仙，2023）， 通过探讨城市规模及其规模位序的关系来分析城市规模分布特点， 本文以2021年H3C发布的《中国城市数字化发展指数》为参考， 其中各城市数字经济发展分为“领先”“发展”和“起步”三个阶段。将数字经济发展规模为“领先”和“发展”阶段的城市划分为“数字先导城市”， 这类城市强调以数字技术为支撑， 电子商务等互联网新业态较为普及； 将数字经济发展规模为“起步”阶段的城市划分为“数字后发城市”， 此类城市主要以实体产业为主， 与互联网数字经济的融合程度不高。通过对“数字先导城市”“数字后发城市”两类案例分别校准建模， 检验数字经济促进绿色全要素生产率提升的规模效应， 结果如表5所示。

在“数字先导城市”中， 得到三种促进绿色全要素生产率提升的驱动路径， 其中数字技术人才和数字产业融合均存在。组态C1表明完善的数字技术条件， 辅以充足的数字资源投入和高效的数字产业融合， 能弥补数字金融发展的不足， 进而促进“数字先导城市”绿色全要素生产率提升。典型城市有北京、 苏州、 杭州等。相比之下， 组态C2依托健全的数字组织条件、 高水平的数字技术人才和数字产业融合， 所得结果的原始覆盖度最高， 是数字经济提升“数字先导城市”绿色全要素生产率的主要路径。广州、 合肥、 武汉等城市符合该路径。组态C3a、 C3b中数字经济要素存在分布均衡， 其中组态C3a表示在数字基础设施相对薄弱的情况下， 拥有优质的技术人才、 有效的政府建设和高质量的产业融合， 可以产生高绿色全要素生产率； 而组态C3b说明必要的数字技术人才、 数字政府建设、 数字产业融合发挥辅助作用， 能弥补数字金融发展缺失的短板。覆盖城市有福州、 石家庄、 沈阳等。

在“数字后发城市”中， 存在两种引致绿色全要素生产率提升的驱动路径， 两种路径的核心条件中均有高水平的数字基础设施、 数字政府建设和数字产业融合。组态D1中核心条件为高数字基础设施、 高数字技术人才、 高数字政府建设、 高数字产业融合和高数字金融发展， 而数字资源投入对产生高绿色全要素生产率并非必要。此路径指出， 在政府的积极支持下， 完善的数字技术条件与良好的数字环境条件相互配合能够促进“数字后发城市”绿色全要素生产率提升。代表城市有玉溪、 襄阳、 三亚等。对比之下， 组态D2以高数字基础设施、 高数字政府建设、 高数字资源投入、 高数字产业融合和非高数字技术人才作为核心条件， 数字金融发展则对驱动高绿色全要素生产率并非必要。该组态体现出凭借完备的数字组织条件， 通过不断夯实数字基础设施、 加快数字产业融合， 数字技术人才缺乏的“数字后发城市”也能实现高绿色全要素生产率。赣州、 开封、 宜春等城市符合这种情况。

比较发现， 数字经济提升绿色全要素生产率的驱动路径存在明显的规模异质性。“数字先导城市”中数字技术人才、 数字产业融合是促进绿色全要素生产率提升的关键因素， 而“数字后发城市”绿色全要素生产率的提升更依赖于高水平的数字基础设施、 数字政府建设和数字产业融合。

整体来看， 数字经济驱动以上四类城市绿色全要素生产率提升的路径中， 数字产业融合出现了13次， 数字技术人才出现了11次， 说明数字技术人才和数字产业融合是各类城市提升绿色全要素生产率的关键因素。通过培养和引进高素质数字技术人才、 推动数字经济与实体经济紧密结合， 能够在更大程度上促进不同类型城市绿色全要素生产率的提升。此外， 在组态路径的区位异质性和规模异质性分析中， 通过调高原始一致性阈值和调整案例阈值的方法进行稳健性检验， 均显示研究结果稳健。

六、 结论与启示

（一） 研究结论

本文基于TOE理论框架， 以我国216个地级市经济数据为样本， 运用fsQCA方法探究数字经济提升绿色全要素生产率的组态路径， 并以“准胡焕庸线”、 数字经济发展规模为分类标准， 剖析不同城市类型下组态路径的异质性。研究结论如下： 第一， 单一或少数因素难以对区域绿色全要素生产率提升产生影响， 需要多个前因条件发挥协同作用。第二， 存在三种数字经济提升绿色全要素生产率的驱动路径， 即“技术主导—均衡型”“组织主导—均衡型”和“技术—环境共同主导型”。第三， 各组态间的前因条件在一定条件下存在潜在替代关系， 如数字基础设施与数字技术人才。第四， 数字经济提升绿色全要素生产率的组态路径具有明显的区位异质性、 规模异质性。“东南壁城市”中数字产业融合对于高绿色全要素生产率发挥相对普适的作用、 数字金融发展作用甚微， 而“西北壁城市”更依赖高水平的数字技术人才与数字金融发展； “数字先导城市”中数字技术人才与数字产业融合的作用更加突出， “数字后发城市”则依靠数字基础设施、 数字政府建设和数字产业融合。整体来看， 数字技术人才和数字产业融合是各类城市提升绿色全要素生产率的关键。

（二） 管理启示

1. 整合城市数字经济要素， 发挥多因素协同作用。各地区应从整体视角出发， 积极带动数字技术、 组织管理、 经济环境三个维度的创新整合。一是加强数字化基础设施建设， 大力发展物联网、 云计算、 大数据等数字技术， 加快数字人才培育， 完善人才引进政策； 二是发挥政策引导作用， 提高对数字经济的关注度， 加大对数字技术研发和应用的支持力度， 合理配置数字化发展资金； 三是推动产业数字化和数字产业化， 积极普及金融知识教育， 提升数字金融供给效率。通过系统性协同配合， 激发数字经济要素合力， 做到有效提升绿色全要素生产率。

2. 充分挖掘城市自身优势， 实施差异化发展策略。各城市应立足自身资源禀赋和产业基础， 以动态的眼光审时度势， 结合发展实情清晰认识自身的形势任务、 问题短板， 针对性实施优化路径。同时， 要整合优势资源， 发挥市场的导向作用， 建立多主体合作关系， 营造良好的数字经济氛围， 释放经济社会发展的动力活力。此外， 各地要积极响应区域协调战略， 促进城市间生产要素流动， 主动融入都市圈和数字经济发展较好的城市， 实现优势互补、 联动发展， 助力绿色全要素生产率提升。

3. 提升数字技术人才质量， 推动数字产业融合发展。各地政府和有关部门要系统推进数字技术人才培养和数字产业融合发展， 形成数字化赋能各行各业的强大合力。一方面， 要高度重视数字技术人才队伍建设， 通过完善数字技术教育和培训体系， 加大对高校和科研院所的支持力度， 不断提高数字化应用能力， 建立人才、 技术、 数据等要素流动的良性循环机制。另一方面， 要深入推进产业数字化转型， 搭建专业生产性数字服务平台， 突出数字产业集群优势， 延伸数字产业创新链条， 建设数字经济产业园， 培育数据驱动的新业态， 从而实现绿色全要素生产率的持续提升。

【 主 要 参 考 文 献 】

戴魁早，骆莙函．环境规制、政府科技支持与工业绿色全要素生产率［ J］．统计研究，2022（4）：49 ～ 63．

杜运周，刘秋辰，陈凯薇等．营商环境生态、全要素生产率与城市高质量发展的多元模式——基于复杂系统观的组态分析［ J］．管理世界，2022（9）：127 ～ 145．

李晓娣，饶美仙．数字经济赋能城市科技创新的组态路径研究［ J］．科学学研究，2023（11）：2086 ～ 2097+2112．

蔺鹏，孟娜娜．绿色全要素生产率增长的时空分异与动态收敛［ J］．数量经济技术经济研究，2021（8）：104 ～ 124．

刘敏楼，黄旭，孙俊．数字金融对绿色发展的影响机制［ J］．中国人口·资源与环境，2022（6）：113 ～ 122．

逯进，李婷婷．产业结构升级、技术创新与绿色全要素生产率——基于异质性视角的研究［ J］．中国人口科学，2021（4）：86 ～ 97+128．

谭海波，范梓腾，杜运周．技术管理能力、注意力分配与地方政府网站建设——一项基于TOE框架的组态分析［ J］．管理世界，2019（9）：81 ～ 94．

万晓榆，罗焱卿．数字经济发展水平测度及其对全要素生产率的影响效应［ J］．改革，2022（1）：101 ～ 118．

乌静，肖鸿波，陈兵．数字经济对绿色全要素生产率的影响研究［ J］．金融与经济，2022（1）：55 ～ 63．

徐伟呈，周田，郑雪梅．数字经济如何赋能产业结构优化升级——基于ICT对三大产业全要素生产率贡献的视角［ J］．中国软科学，2022（9）：27 ～ 38．

许宪春，张美慧．中国数字经济规模测算研究——基于国际比较的视角［ J］．中国工业经济，2020（5）：23 ～ 41．

杨慧梅，江璐．数字经济、空间效应与全要素生产率［ J］．统计研究，2021（4）：3 ～ 15．

张英浩，汪明峰，崔璐明等．数字经济水平对中国市域绿色全要素生产率的影响［ J］．经济地理，2022（9）：33 ～ 42．

Ding H.. What kinds of countries have better innovation performance？—A country-level fsQCA and NCA study［ J］． Journal of Innovation & Knowledge，2022（4）：100215．

Du Y.， Zhou J.， Bai J.， et al.. Breaking the resource curse： The perspective of improving carbon emission efficiency based on digital infrastructure construction［ J］． Resources Policy，2023（85）：103842．

Eom S. J.， Lee J.. Digital government transformation in turbulent times： Responses， challenges， and future direction［ J］． Government Information Quarterly，2022（2）：101690．

Fiss P. C.. Building better causal theories： A fuzzy set approach to typologies in organization research［ J］． Academy of Management Journal，2011（2）：393 ～ 420．

Shahbaz M.， Wang J.， Dong K.， et al.. The impact of digital economy on energy transition across the globe： The mediating role of government governance［ J］． Renewable and Sustainable Energy Reviews，2022（166）：112620．

Shaikh A. A.， Glavee-Geo R.， Karjaluoto H.， et al.. Mobile money as a driver of digital financial inclusion［ J］． Technological Forecasting and Social Change，2023（186）：122158．