黄河流域数字经济－技术创新－生态环境协整分析

摘 要：为探索黄河流域数字经济、技术创新、生态环境三者之间的协整关系，基于２０１１—２０２０ 年黄河流域各省（区） 面板数据，构建生态环境质量、数字经济发展水平、技术创新水平评价指标体系，采用泰尔指数对其时空演变特征和区域差异进行研究，运用ＡＲＤＬ 协整检验模型、格兰杰因果检验方法分析三者之间的长期协整关系、短期动态影响及因果关系。结果表明：１） 黄河流域生态环境质量、数字经济发展水平、技术创新水平在２０１１—２０２０ 年整体上均呈上升态势，在空间上地区间差异较大，生态环境质量呈“低低集聚、高高靠拢”格局，数字经济发展水平和技术创新水平呈东南高、西北低的格局；２） 生态环境、数字经济、技术创新三者之间存在长期稳定的协整关系；３）数字经济、技术创新对生态环境的影响具有显著的正向效应，其中数字经济影响生态环境的效应明显大于技术创新的，数字经济影响生态环境的短期效应大于长期效应，而技术创新影响生态环境的短期效应小于长期效应；４）技术创新对数字经济的影响具有极显著正向效应，其中长期效应大于短期效应。提出了产业结构调整、加强污染防治、做好协同发展顶层设计等建议。

关键词：生态环境；数字经济；技术创新；协整；黄河流域

中图分类号：Ｆ４９；Ｘ２２；ＴＶ８８２．１ 文献标志码：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２４．１１．００３

引用格式：庞博，傅尧，李晓星，等．黄河流域数字经济－技术创新－生态环境协整分析［Ｊ］．人民黄河，２０２４，４６（１１）：１５－２１．

０ 引言

经济发展由高速增长向高质量发展是实施黄河流域生态保护和高质量发展重大国家战略的必然要求，技术创新是实现这种转变的重要驱动力［１－２］ 。在创新技术激增的情况下，数字经济与实体经济融合是促进高质量发展的有力抓手［３－４］ 。粗放型经济增长导致黄河流域传统产业“重工、重能”问题突出以及生态环境脆弱、环境承载力不足等问题严重，阻碍了高质量发展。数字经济和创新技术发展成为新时期产业变革的方向，为解决黄河流域产业结构和环境承载力等方面的问题带来了新机遇。

现有关于数字经济、技术创新、生态环境三者关系研究的文献主要集中在以下三方面：一是数字经济与生态环境的关系。部分学者认为数字经济的发展可以改善生态环境，如任保平［５］ 认为数字经济可以通过减少资源浪费降低生态环境恶化程度，宋洋［１］ 认为数字经济能通过挤压高污染行业发展空间、智能化改造传统行业降低环境污染程度，但是也有学者持不同的观点，认为数字经济的发展会造成生态环境恶化、数字经济基础设施建设及其应用会增加能源消耗和污染［６－７］ 。二是技术创新与生态环境的关系。如王鹏等［８］ 认为技术创新可促进工业“三废”治理、有利于在生产系统前端预防和遏制环境污染，严太华等［９］ 认为技术创新可通过改进生产技术和污染治理技术降低环境污染程度。三是技术创新与数字经济的关系。如马中东等［１０］ 认为数字经济能够带动企业实现数字化转型、提升资源配置效率、降低生产成本、提高技术创新效率，马嫣然等［１１］ 认为发展数字经济可以促进技术创新、二者呈现倒Ｕ 形曲线关系。综上可知，有关学者从不同视角对数字经济、技术创新、生态环境三者中两两关系进行了研究，且主要研究二者之间的作用方向，而对相互间影响程度的实证检验较少。

本文将黄河流域数字经济、技术创新、生态环境三者放在同一框架中，以２０１１—２０２０ 年黄河流域九省（区）面板数据为研究样本，采用泰尔指数对三者的时空演变特征和区域差异进行分析，运用自回归分布滞后（ＡＲＤＬ）模型进行三者长期协整关系的实证检验，应用格兰杰（Ｇｒａｎｇｅｒ）因果检验方法进行变量间因果关系分析，以期为黄河流域生态保护和高质量发展提供参考。

１ 研究方法

１．１ 泰尔指数

泰尔指数由Ｔｈｅｉｌ［１２］ 于１９６７ 年提出，最初用来测算地区间收入的差距，近年来被广泛用于地区之间（或地区内部各单元之间）经济发展差异等研究［１３－１４］ 。泰尔指数越大表明地区之间的差异越大，本文将其用于分析生态环境、数字经济、技术创新的区域差异。泰尔指数计算公式如下：

式中：Ｔ 为总体泰尔指数，Ｔｗ 为区域ｗ（表示黄河流域上、中、下游地区） 泰尔指数，ｉ 为省份序号，ｎ、ｎｗ 分别为黄河流域省份数量、区域ｗ 省份数量，Ｙｉ 、Ｙ、Ｙｗ 分别为省份ｉ 指标值、研究区所有省份指标均值、区域ｗ 各省份指标均值，Ｔａ、Ｔｂ 分别为区域内差异、区域间差异的泰尔指数（Ｔａ ＋ Ｔｂ ＝ Ｔ），ｍ 为区域数量（本研究ｍ ＝３）。

１．２ 实证模型

ＡＲＤＬ 模型是同时包含滞后因变量和解释变量的最小二乘回归方程，是由Ｃｈａｒｅｍｚａ 等［１５］ 提出的一种协整检验方法，经Ｐｅｓａｒａｎ 等［１６］ 完善后，与Ｅｎｇｌｅ －Ｇｒａｎｇｅｒ 传统协整检验方法相比具有明显优势［１７－１８］（一是变量不限制同阶单整且小样本检验的稳健性强，二是解释变量为内生变量时模型无偏有效，三是经过线性变换可以得到无约束误差修正模型等）。ＡＲＤＬ 基本模型形式如下：

式中：下标ｔ 为实证检验年份，Ｙ 为被解释变量，Ｘ 为解释变量，Ｚ 为控制变量，Δ 为差分算子，φ０ 为漂移项（常数），θｔ 为白噪声，φ１、φ２、φ３ 分别为反映被解释变量、解释变量、控制变量长期影响的系数，φ１ｉ 、φ２ｊ 、φ３ｋ 分别为变量Ｙ、Ｘ、Ｚ 滞后ｉ、ｊ、ｋ 期的系数，ｍ、ｎ、Ｋ 分别为Ｙ、Ｘ、Ｚ 最大滞后期数。

各类变量对被解释变量影响的滞后期数由ＡＩＣ准则确定，经ＡＲＤＬ 基本模型检验，确定变量间存在长期协整关系后，方可构建ＡＲＤＬ 长期协整效应模型，其形式如下：

式中：α 为常数，γ１ｉ 为反映被解释变量自身滞后性影响的效应系数，γ２ｊ 、γ３ｋ 分别为反映解释变量、控制变量对被解释变量长期影响的效应系数。

为进一步探讨各变量间的短期动态影响，对长期效应模型进行线性变换和整理后得出如下短期动态影响ＡＲＤＬ－ＥＣＭ 模型：

式中：δ 为常数，β１ｉ 为反映被解释变量自身滞后性短期动态影响的效应系数，β２ｊ 、β３ｋ 分别为反映解释变量、控制变量对被解释变量短期影响的效应系数，η 为滞后的误差修正项，φ 为系数。

１．３ 因果检验

格兰杰因果检验是分析两个变量是否存在因果关系的常用方法［１９］ ，其思路是：若变量Ａ 的过去数值能够预测变量Ｂ，变量Ｂ 受变量Ａ 的滞后影响，则认为Ａ是Ｂ 变化的Ｇｒａｎｇｅｒ 原因。公式如下：

式中：ｔ 为时间，Ａｔ 、Ｂｔ 为时间序列， Ｌ 为最大滞后期数，αｉ 、φｉ 、βｉ 、γｉ 为系数，θ１ｔ 、θ２ｔ 为误差补充项。

原假设φ１ ＝ φ２ ＝ … ＝ φＬ ＝ ０、γ１ ＝ γ２ ＝ … ＝ γＬ ＝ ０，若拒绝原假设则认为Ａ 是Ｂ 变化的Ｇｒａｎｇｅｒ原因，反之则认为Ａ 不是Ｂ 变化的Ｇｒａｎｇｅｒ 原因。

１．４ 指标（变量）体系设置与测度

１） 生态环境质量（用评价指数ＹＥＥ 表示）。遵循代表性、科学性、数据可获得性原则，借鉴有关研究成果［２０－２１］ ，根据黄河流域生态环境的特点，从水环境、大气质量、固体废物、生态４ 个维度构建生态环境质量评价指标体系，共设置１１ 个具体指标，见表１。

２）数字经济发展水平（用评价指数ＹＤＥ表示）。国务院印发的《“十四五”数字经济发展规划》指出，数字经济是以数据资源为关键要素、以现代信息网络为主要载体、以信息通信技术融合应用和全要素数字化转型为重要推动力、促进公平与效率更加统一的新经济形态。目前，我国尚无发布省级数字经济权威数据。本研究从基础设施、互联网发展与数字普惠金融３ 个维度构建数字经济发展水平评价指标体系，共设置９个具体指标（属性均为＋），见表２。

３）技术创新水平（用评价指数ＹＴＩ表示）。现有文献［２２－２３］ 主要用３ 类指标衡量技术创新水平：第一类是投入，设置研发强度、研发人员数量、经费投入等相关指标；第二类是产出，设置技术创新产品销售收入、专利数量等相关指标；第三类是效率，设置全要素生产率、创新效率等指标。其中研发强度（即研发经费投入占生产总值的比例）是国际上广泛使用的、衡量一个国家或地区自主创新水平的重要指标，也是我国国家统计局用于衡量科技创新发展水平的指标，因此本文采用研发强度来衡量技术创新水平。

４）控制变量。为保证实证检验结果可靠性，把可能对被解释变量产生影响的因子作为实证检验模型中的控制变量，见表３。

５）指标赋权。常用的指标赋权方法有层次分析法、熵值法、主成分法等，其中：层次分析法是主观赋权方法，易受专家主观因素的不确定性影响；主成分法是一种客观赋权法，有时损失信息较多；熵值法也是一种客观赋权法，根据指标值的离散程度确定权重，可有效避免确定指标权重时的主观性。本研究采用熵值法进行生态环境质量、数字经济发展水平评价指标赋权。

６）数据来源。本文以２０１１—２０２０ 年为研究时段，所用统计指标数据来源于黄河流域各省（区）统计年鉴、环境统计公报以及相关网站等，所用数字普惠金融指标数据来源于北京大学数字金融研究中心发布的《北京大学数字普惠金融指数２０１１—２０２０》。缺失的个别数据采用线性插值法补齐。

２ 结果与分析

２．１ ＹＥＥ 、ＹＤＥ 、ＹＴＩ时空演化情况

２．１．１ ＹＥＥ 、ＹＤＥ 、ＹＴＩ时序演化情况

黄河流域ＹＥＥ、ＹＤＥ、ＹＴＩ 的时序演化情况见图１。２０１１—２０２０ 年，在国家不断推进能源结构调整、产业结构优化和污染源头管控的背景下，黄河流域生态环境质量得到持续改善，其评价指数ＹＥＥ 呈稳步上升态势，从２０１１ 年的０．５５ 上升至２０２０ 年的０．６９；随着互联网、人工智能、大数据等科技的飞速发展和广泛应用，黄河流域数字经济发展水平呈明显上升趋势，其评价指数ＹＤＥ由０．１０ 提高到０．５７；黄河流域技术创新水平经历了“快速—稳定—快速”的阶段性上升过程，评价指数在２０１１—２０１４ 年由０．９７ 快速上升至１．２３、在２０１４—２０１８ 年小幅度上升至１．３２、在２０１８—２０２０ 年快速上升至１．５７，国家多次强调科技创新、强化应用基础研究并启动多批科技创新重大项目、建设高标准国家实验室等，使黄河流域技术创新水平迈向新高度。

２．１．２ ＹＥＥ 、ＹＤＥ 、ＹＴＩ空间异质性

依据评价指数ＹＥＥ、ＹＤＥ、ＹＴＩ，采用自然断点法把生态环境质量、数字经济发展水平、技术创新水平划分为低、中低、中等、中高、高５ 级，运用ＡｒｃＧＩＳ 软件对２０１１年、２０２０ 年各省（区）所属等级进行可视化处理（见图２、图３、图４），可以看出：黄河流域生态环境质量呈“低低集聚、高高靠拢”格局，数字经济发展水平和技术创新水平总体上呈“东南高、西北低”的格局。

借鉴相关研究［２４］ ，把青海、四川、甘肃、宁夏、内蒙古五省（区）作为黄河上游地区，把陕西、山西两省作为黄河中游地区，把河南、山东两省作为黄河下游地区，计算评价指数ＹＥＥ、ＹＤＥ、ＹＴＩ 的泰尔指数（结果见表４），进行生态环境质量、数字经济发展水平、技术创新水平空间差异分析。由表４ 可知：１）整体上看，２０１１—２０２０ 年黄河流域ＹＥＥ、ＹＤＥ、ＹＴＩ 的总体泰尔指数均有所增大，表明生态环境质量、数字经济发展水平、技术创新水平的空间差异增大，尤其技术创新水平不均衡现象加剧；２）从区域内差异和区域间差异来看，ＹＥＥ、ＹＤＥ区域间差异的泰尔指数远大于区域内差异的泰尔指数，即ＹＥＥ、ＹＤＥ的差异主要来源于区域间差异，而ＹＴＩ区域内差异的泰尔指数大于区域间差异的，说明技术创新水平空间不均衡现象非常明显。

综上所述，由于黄河流域各地区地理位置、经济发展水平、产业结构及政府重视程度等有所不同，因此生态环境质量、数字经济发展水平、技术创新水平的总体差异及上、中、下游地区内与地区间差异较大，有两级分化特征。

２．２ 协整检验

２．２．１ 单位根检验

为保证实证检验模型的平稳性、避免出现伪回归现象，构建模型前须对变量进行单位根检验。为防止出现异方差，对变量数据进行对数处理后，采用ＡＤＦ检验方法对变量进行单位根检验，结果见表５。由表５可知，ｌｎ ＹＥＥ、ｌｎ ＹＤＥ、ｌｎ ＹＴＩ 均在１％的显著水平上拒绝原假设，即变量序列零阶平稳，符合ＡＲＤＬ 模型的建模要求， 可以进行协整检验。

２．２．２ 边界协整检验

为确定生态环境、数字经济、技术创新三者之间是否存在长期协整关系，利用Ｅｖｉｅｗｓ 软件进行边界协整检验，依据ＡＩＣ 准则确定最优滞后阶数，模型分别选定为ＡＲＤＬ（２，１，１）与ＡＲＤＬ（２，１），运用Ｆ 统计量判定变量间的协整关系（若Ｆ 统计量大于上限临界值则拒绝原假设，即拒绝变量间不存在长期协整关系的原假设，变量间存在长期协整关系；否则，接受原假设，变量间不存在长期协整关系）。以ＹＥＥ 为被解释变量、以ＹＤＥ、ＹＴＩ为解释变量以及以ＹＤＥ 为被解释变量以ＹＴＩ 为解释变量的检验结果见表６。由表６ 可知，两种检验的Ｆ 统计量均大于显著性水平为０．０１ 的上限临界值，拒绝原假设，即生态环境、数字经济、技术创新三者之间存在长期稳定的协整关系。

２．２．３ 参数估计

在确定变量之间存在长期协整关系的基础上，进一步考察变量间影响的长期效应和短期效应。采用ＡＩＣ 准则确定模型的最优滞后期数， 对长期效应ＡＲＤＬ 模型即式（６）、短期动态影响ＡＲＤＬ－ＥＣＭ 模型即式（７）进行参数估计，结果见表７。

１）以ＹＥＥ为被解释变量。由表７ 可知，无论长期效应模型还是短期影响模型，ｌｎ ＹＤＥ、ｌｎ ＹＴＩ的系数均为正且达到极显著水平，表明数字经济、技术创新对生态环境的影响都是正向的且效应显著。其中：ｌｎ ＹＤＥ的系数明显大于ｌｎ ＹＴＩ的系数，表明数字经济影响生态环境的效应明显大于技术创新的；数字经济影响生态环境的短期效应大于长期效应，而技术创新影响生态环境的短期效应小于长期效应。

２）以ＹＤＥ为被解释变量。由表７ 可知，无论长期效应模型还是短期效应模型，技术创新对数字经济的影响均具有极显著正向效应，其中长期效应大于短期效应，这说明技术创新成果的孵化转化需要一定时间。

２．３ 因果检验

对生态环境、数字经济、技术创新三者的因果关系进行格兰杰因果检验，结果（见表８）表明：数字经济和技术创新与生态环境有Ｇｒａｎｇｅｒ 因果关系、技术创新与数字经济有Ｇｒａｎｇｅｒ 因果关系，这一检验结果印证了上述协整检验结果；数字经济和技术创新是生态环境质量变化的Ｇｒａｎｇｅｒ 原因，同时技术创新是数字经济发展的Ｇｒａｎｇｅｒ 原因。

３ 结论与建议

３．１ 结论

１）黄河流域生态环境质量、数字经济发展水平、技术创新水平在２０１１—２０２０ 年整体上均呈上升态势，在空间上地区间差异较大，生态环境质量呈“低低集聚、高高靠拢”格局，数字经济发展水平和技术创新水平呈东南高、西北低的格局。

２）生态环境、数字经济、技术创新三者之间存在长期稳定的协整关系。

３）数字经济、技术创新对生态环境的影响具有显著的正向效应，其中数字经济影响生态环境的效应明显大于技术创新的，数字经济影响生态环境的短期效应大于长期效应，而技术创新影响生态环境的短期效应小于长期效应。

４）技术创新对数字经济的影响具有极显著正向效应，其中长期效应大于短期效应。

３．２ 对策建议

１）进一步调整优化产业结构，加强污染防治，提高生态环境质量；增强数字经济发展的核心能力、提高发展质量，打造黄河流域数字经济新优势；建设高标准国家实验室等，使技术创新水平迈向新高度；营造良好科技创新环境，激发创新活力及创新创业能力，提升科技成果转化能力。

２）做好协同发展顶层设计，强化区域间优势互补和协同发展、缩小区域间发展差异，促进黄河流域整体高质量发展。

参考文献：

［１］ 宋洋．数字经济、技术创新与经济高质量发展：基于省级面板数据［Ｊ］．贵州社会科学，２０２０（１２）：１０５－１１２．

［２］ ＷＡＮＧ Ｋａｉｈｕａ，ＭＵＨＡＭＭＡＤ Ｕｍａｒ，ＲＡＢＩＡ Ａｋｒａｍ，ｅｔ ａｌ．Ｉｓ Ｔｅｃｈｎｏｌｏｇｉｃａｌ Ｉｎｎｏｖａｔｉｏｎ Ｍａｋｉｎｇ Ｗｏｒｌｄ “Ｇｒｅｅｎｅｒ”？：Ａｎ Ｅｖ⁃ｉｄｅｎｃｅ ｆｒｏｍ Ｃｈａｎｇｉｎｇ Ｇｒｏｗｔｈ Ｓｔｏｒｙ ｏｆ Ｃｈｉｎａ ［ Ｊ ］．Ｔｅｃｈｎｏｌｏｇｉｃａｌ Ｆｏｒｅｃａｓｔｉｎｇ ａｎｄ Ｓｏｃｉａｌ Ｃｈａｎｇｅ， ２０２１，１６５：１２０５１６．

［３］ ＨＡＮ Ｘｕ，ＦＵ Ｌｉａｎｙｉｎｇ，ＬＶ Ｃｈｏｎｇｙａｎｇ，ｅｔ ａｌ．Ｍｅａｓｕｒｅｍｅｎｔ ａｎｄ Ｓｐａｔｉｏ⁃Ｔｅｍｐｏｒａｌ Ｈｅｔｅｒｏｇｅｎｅｉｔｙ Ａｎａｌｙｓｉｓ ｏｆ ｔｈｅ Ｃｏｕｐｌｉｎｇ Ｃｏｏｒｄｉｎａｔｅｄ Ｄｅｖｅｌｏｐｍｅｎｔ Ａｍｏｎｇ ｔｈｅ Ｄｉｇｉｔａｌ Ｅｃｏｎｏｍｙ，Ｔｅｃｈ⁃ｎｏｌｏｇｉｃａｌ Ｉｎｎｏｖａｔｉｏｎ ａｎｄ Ｅｃｏｌｏｇｉｃａｌ Ｅｎｖｉｒｏｎｍｅｎｔ［Ｊ］．Ｅｃｏｌｏｇ⁃ｉｃａｌ Ｉｎｄｉｃａｔｏｒｓ，２０２３，１５１：１１０３２５．

［４］ 罗巍，冉巧丹，程遂营．黄河流域产业数字化协同演化格局与驱动路径［Ｊ］．人民黄河，２０２３，４５（６）：１３－１７，３１．

［５］ 任保平．数字经济引领高质量发展的逻辑、机制与路径［Ｊ］．西安财经大学学报，２０２０，３３（２）：５－９．

［６］ ＡＶＯＭ Ｄ，ＮＫＥＮＧＦＡＣＫ Ｈ，ＦＯＴＩＯ Ｈ Ｋ．ＩＣＴ ａｎｄ Ｅｎｖｉｒｏｎ⁃ｍｅｎｔａｌ Ｑｕａｌｉｔｙ ｉｎ Ｓｕｂ⁃Ｓａｈａｒａｎ Ａｆｒｉｃａ：Ｅｆｆｅｃｔｓ ａｎｄ Ｔｒａｎｓｍｉｓ⁃ｓｉｏｎ Ｃｈａｎｎｅｌｓ ［ Ｊ ］． Ｔｅｃｈｎｏｌｏｇｉｃａｌ Ｆｏｒｅｃａｓｔｉｎｇ ＆ Ｓｏｃｉａｌ Ｃｈａｎｇｅ，２０２０，１５５（Ｃ）：１２００２８－１２００４０．

［７］ ＺＨＯＵ Ｘ Ｙ，ＺＨＯＵ Ｄ Ｑ，ＷＡＮＧ Ｑ Ｗ，ｅｔ ａｌ．Ｈｏｗ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ Ｄｒｉｖｅｓ Ｃａｒｂｏｎ Ｅｍｉｓｓｉｏｎｓ：Ａ Ｓｅｃｔｏｒ⁃Ｌｅｖｅｌ Ａｎａｌｙｓｉｓ ｆｏｒ Ｃｈｉｎａ ［ Ｊ］． Ｅｎｅｒｇｙ Ｅｃｏｎｏｍｉｃｓ，２０１８，８１：３８０－３９２．

［８］ 王鹏，谢丽文．污染治理投资、企业技术创新与污染治理效率［Ｊ］．中国人口·资源与环境，２０１４，２４（９）：５１－５８．

［９］ 严太华，朱梦成．技术创新、产业结构升级对环境污染的影响［Ｊ］．重庆大学学报（社会科学版），２０２３，２９（５）：７０－８４．

［１０］ 马中东，周桐桐，高建刚．数字经济对黄河流域制造业绿色全要素生产率的影响研究［Ｊ］．人民黄河，２０２３，４５（４）：６－１２，３４．

［１１］ 马嫣然，吕寒，蔡建峰．数字经济、技术创新与区域经济增长［Ｊ］．统计与决策，２０２３，３９（６）：９８－１０３．

［１２］ ＴＨＥＩＬ Ｈ．Ｅｃｏｎｏｍｉｃｓ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｈｅｏｒｙ［Ｍ］．Ａｍｓｔｅｒ⁃ｄａｍ：Ｎｏｒｔｈ Ｈｏｌｌａｎｄ Ｐｕｂｌｉｓｈｉｎｇ Ｃｏｍｐａｎｙ，１９６７：１３２－１３９．

［１３］ 刘家旗，周桂芝，茹少峰．我国区域数字经济发展不平衡性对经济高质量发展的影响［Ｊ］．统计与决策，２０２２，３８（１６）：１０８－１１２．

［１４］ ＹＯＵ Ｘ Ｔ，ＳＵＮ Ｙ Ｎ，ＬＩＵ Ｊ Ｗ．Ｅｖｏｌｕｔｉｏｎ ａｎｄ Ａｎａｌｙｓｉｓ ｏｆ Ｕｒｂａｎ Ｒｅｓｉｌｉｅｎｃｅ ａｎｄ Ｉｔｓ Ｉｎｆｕｅｎｃｉｎｇ Ｆａｃｔｏｒｓ：Ａ Ｃａｓｅ Ｓｔｕｄｙ ｏｆ Ｊｉａｎｇｓｕ Ｐｒｏｖｉｎｃｅ，Ｃｈｉｎａ［Ｊ］．Ｎａｔｕｒａｌ Ｈａｚａｒｄｓ，２０２２，１１３：１７５１－１７８２．

［１５］ ＣＨＡＲＥＭＺＡ Ｗ Ｗ，ＤＥＡＤＭＡＮ Ｄ Ｆ． Ｎｅｗ Ｄｉｒｅｃｔｉｏｎｓ ｉｎ Ｅｃｏｎｏｍｅｔｒｉｃ Ｐｒａｃｔｉｃｅ：Ｇｅｎｅｒａｌ ｔｏ Ｓｐｅｃｉｆｉｃ Ｍｏｄｅｌｌｉｎｇ，Ｃｏｉｎ⁃ｔｅｇｒａｔｉｏｎ ａｎｄ Ｖｅｃｔｏｒ Ａｕｔｏｒｅｇｒｅｓｓｉｏｎ ［ Ｍ ］． Ｃｈｅｌｔｅｎｈａｍ：Ｅｄｗａｒｄ Ｅｌｇａｒ，１９９２：１６９－１７０．

［１６］ ＰＥＳＡＲＡＮ Ｍ Ｈ，ＳＨＩＮ Ｙ，ＳＭＩＴＨ Ｒ Ｊ．Ｂｏｕｎｄｓ Ｔｅｓｔｉｎｇ Ａｐ⁃ｐｒｏａｃｈｅｓ ｔｏ ｔｈｅ Ａｎａｌｙｓｉｓ ｏｆ Ｌｅｖｅｌ Ｒｅｌａｔｉｏｎｓｈｉｐｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｎｏｍｅｔｒｉｃｓ，２００１，１６（３）：２８９－３２６．

［１７］ 毕欣程，张之峰．吉林省城乡融合评价指标体系的构建与“一带一路”倡议的关系研究：基于主成分分析法与ＡＲＤＬ 模型［Ｊ］． 长春理工大学学报（社会科学版），２０２０，３３（５）：１１２－１１８．

［１８］ 吕靖烨，李娜．国际能源价格与中国粮食价格的联动效应评价［Ｊ］．价格月刊，２０２２（１１）：１９－２７．

［１９］ 高铁梅．计量经济分析方法与建模［Ｍ］．北京：清华大学出版社，２００９：２７７－２７９．

［２０］ 薛明月．黄河流域经济发展与生态环境耦合协调的时空格局研究［Ｊ］．世界地理研究，２０２２，３１（６）：１２６１－１２７２．

［２１］ ＺＯＵ Ｃ，ＺＨＵ Ｊ Ｗ，ＬＯＵ Ｋ Ｌ，ｅｔ ａｌ．Ｃｏｕｐｌｉｎｇ Ｃｏｏｒｄｉｎａｔｉｏｎ ａｎｄ Ｓｐａｔｉｏｔｅｍｐｏｒａｌ Ｈｅｔｅｒｏｇｅｎｅｉｔｙ Ｂｅｔｗｅｅｎ Ｕｒｂａｎｉｚａｔｉｏｎ ａｎｄ Ｅｃｏｌｏｇｉｃａｌ Ｅｎｖｉｒｏｎｍｅｎｔ ｉｎ Ｓｈａａｎｘｉ Ｐｒｏｖｉｎｃｅ，Ｃｈｉｎａ［Ｊ］．Ｅｃ⁃ｏｌｏｇｉｃａｌ Ｉｎｄｉｃａｔｏｒｓ，２０２２，１４１：１０９１５２．

［２２］ 王飞，文震． 环境规制、技术创新与生态效率：基于２００６—２０２０ 年中国省际面板数据的实证研究［Ｊ］．技术经济与管理研究，２０２３（４）：１５－１９．

［２３］ 吴艳华．数字经济、技术创新与全球价值链位势提升［Ｊ］．技术经济与管理研究，２０２３（２）：５０－５５．

［２４］ 陈锋，张晶，任娇，等．基于ＬＭＤＩ 模型的黄河流域碳排放时空差异及影响因素研究［Ｊ］．地球环境学报，２０２２，１３（４）：４１８－４２７．

【责任编辑 张智民】

基金项目：国家重点研发计划项目（２０２１ＹＦＣ３２０１１０１）