2026, Vol. 18
全球工业化与社会经济发展进程的加速，使气候变化成为人类共同面临的全球性挑战。从第75届联合国大会郑重承诺“碳达峰、碳中和”目标，到推动第28届联合国气候变化大会（COP28会议）“阿联酋共识”达成，中国始终恪守“先立后破”原则，在城市规划优化、全国碳市场建设等关键领域精准部署，稳步推进碳达峰行动。习近平总书记在党的二十届三中全会第二次全体会议上强调，“要扎实推进绿色低碳发展，持续开展碳达峰专项行动”，为国内实践提供根本遵循。作为“双碳”实践的核心载体，城市在绿色转型中发挥关键作用，因此以地级市为研究尺度，探究我国资源依赖度与碳排放效率的关联特征，具有重要的理论价值与现实指导意义。
碳排放效率作为环境绩效评估的重要内容 [1]，已成为学术界关注的焦点。现有研究多隐含潜在前提，即碳排放效率更易受数字经济 [2-4]、绿色创新 [5, 6]、低碳政策 [7, 8]等人为后致因素的影响，却较少关注生态系统原始构成要素——自然资源这一城市固有属性。自然资源是生产生活不可或缺的基础，亦是低碳转型的关键决定因素 [9]。20世纪50年代前，古典经济学普遍主张，丰富的自然资源是国家或地区的财富，可推动经济增长 [10]。然而，自然资源相对丰富地区的经济增长常滞后于资源匮乏地区，这一现象引发经济学家关注，并被界定为“资源诅咒” [11]。其抑制效应侧重剖析资源依赖与经济发展的关联 [12]，伴随环境问题愈发凸显，诸多学者将研究重心转向资源依赖对碳排放的影响。
既有研究已从多视角阐释“资源诅咒”的存在机理、传导路径、资源依赖的经济效应及碳排放效率的影响因素。本文立足“效率”视角开展创新研究，选取2008—2022年中国278个城市面板数据，探讨资源依赖度与碳排放效率的关联关系。运用中介效应模型、门槛效应模型及空间计量模型，实证剖析资源依赖度对城市碳排放效率的作用机制、非线性效应与空间溢出效应；通过异质性分析实现宏观城市与微观企业层面的有机衔接，为提升城市碳排放效率拓展多元路径。
1 文献综述作为本文的理论研究基础，“资源诅咒”这一概念已在多个国家和地区得到证实，如委内瑞拉 [13]、中国 [14]、巴基斯坦 [15]、石油输出国组织（OPEC）国家 [16]、发达国家 [17]。其中，关于中国资源诅咒的研究涵盖省（区、市）[18]、市（州）[19]、县（区）[20]、经济圈 [21]等多个维度。同时，资源诅咒的存在也已在多个领域得到证实，如制造业、农业 [22]、金融业 [23, 24]、环境 [25, 26]、林业 [27]等。随着大气问题的日益严峻，关于“碳”领域是否存在资源诅咒的研究日益丰富。诸多学者证明了碳诅咒的存在，即化石燃料丰富或资源丰富的国家往往会走碳密集型的道路 [28-30]。这进一步拓展了“资源诅咒”的内涵。
要研究资源依赖度对碳排放效率的影响离不开对资源依赖度这一核心概念的界定，首先应该将它与资源丰裕度的概念进行明确的区分。资源依赖度是对外部资源的依赖程度，这种依赖程度主要体现在资源型产业在区域经济发展中所具有的地位高低和作用大小 [31]；资源丰裕度是一个地区或组织所拥有的自然资源的数量，考虑整体资源状况 [32]。资源丰裕并不意味着资源依赖，但资源依赖往往伴随着资源丰裕 [33]。更有学者研究认为“资源诅咒”实为依赖型资源诅咒而非丰裕型“资源诅咒” [34, 35]。
在“资源诅咒”的多维度挤出效应方面，有研究表明城市的资源依赖会对产业发展和环境保护产生不利影响，存在多角度的挤出效应，会在一定程度上加剧社会的不平等和引发荷兰病效应 [36]。对资源的过分依赖会抑制产业多样化水平、三次产业结构升级 [37]，抑制资源产业空间集聚 [38]；资源依赖度的加剧对人力资本存在挤出效应 [39]，对创新存在挤出效应 [40]，对商品贸易存在挤出效应 [41]；资源依赖度在一定程度上加剧了社会的不平等，扩大了城乡居民的收入差距 [42, 43]，导致寻租、腐败和政治制度弱化 [44, 45]，降低了中国地方政府的透明度 [46]；资源依赖度增加会促进碳排放强度 [47]，资源产业依赖程度超过一定临界值后会恶化环境质量 [48]。
在碳排放效率影响因素的研究方面，现有研究表明，城市碳排放效率主要受正向驱动因素与反向制约因素共同作用。正向驱动因素可分为外部与内部两类：一方面是外部因素，以绿色金融 [49]、数字金融 [50]为代表的金融业发展，以及全球价值链嵌入带来的制造业全要素生产率提升 [51, 52]，均显著带动城市碳排放效率提升；另一方面是内部因素，基础设施建设 [53]、新能源补贴 [54]、环境规制 [55]实施及城市网络地位提升 [56]等，对碳排放效率均产生正向影响。此外，城市碳排放效率提升也面临诸多阻碍，劳动力与能源配置失衡 [57, 58]、土地资源错配 [59, 60]及市场分割 [61]，是制约其提高的关键因素。
在“资源诅咒”传导机制方面，本文主要针对当前研究的四大缺口展开讨论：一方面，现有研究多局限于省级尺度，省际数据的局限性导致具体指标衡量精度不足、测算误差较大；另一方面，研究视角多聚焦宏观经济层面，尚未将影响碳排放效率的核心主体——企业，与“资源诅咒”研究进行有机结合；同时，多数研究仅考察“资源诅咒”传导机制的线性关系，忽视了其可能存在的非线性传导特征；此外，鲜有学者关注资源依赖度与碳排放效率之间潜在的空间溢出效应。据此，本文首次以地级市为研究尺度，揭示资源依赖的“碳诅咒”效应，验证环境规制的非线性门槛特征，既为城市低碳转型政策制定提供微观尺度依据，也填补了现有研究在尺度精度、分析视角与效应检验维度上的空白。
2 理论分析与研究假设 2.1 资源依赖度与城市碳排放效率资源依赖度作为地区经济发展的重要特征，其形成的产业结构、市场格局与政企关系，会从多维度对城市碳排放效率产生深刻影响。资源依赖度高的地区因其丰富的能源资源，在发展资源和能源密集产业上有着得天独厚的优势，其支柱型产业也因此往往以能耗密集为主，在工业产值中占比偏高，进而导致城市碳排放效率偏低 [62]。
首先，资源依赖度会影响地区产业竞争格局，易形成“一家独大”的垄断局面。自然资源的特征——稀缺性、不可再生性和不可流动性，使得资源型产业具有长期垄断性，有效地割断地区间竞争 [63]。同时，中国国情的客观实际决定了我国资源型产业大多由国家垄断，国家或地方政府对其生产、经营进行统一调配和控制，这导致资源依赖度较高的地区无法为私有经济的发展提供宽松的环境和空间 [64]。这大大削弱了资源依赖度较高地区企业的竞争压力，削减了地区企业在清洁技术和绿色生产方式上的投资规模，使其缺乏提升碳排放效率的动机。
其次，资源依赖度会影响产业链上下游协作关系，易形成“各自为战”的分散局面。资源依赖度较高地区资源型产业集聚，其产业结构的供应链形式相对简单、封闭，与集群内其他产业的耦合度较低 [65]，缺乏跨产业的协同减排效应，不可避免地影响其所处产业链（供应链）下游制造业企业的创新能力，导致整体碳排放效率提升的难度增加 [66]，使其缺乏提升碳排放效率的能力。
最后，资源依赖度会强化政府与资源产业的关联，易形成“唇亡齿寒”的依赖局面。资源依赖度较高地区城市发展高度依赖资源型企业，企业功能与城市功能高度同构和混合 [67]，政治经济利益与相关产业的保护相关联，地方政府过于依赖这些资源开采或重污染产业带来的收入。对于地方政府而言，由于难以兼顾环保与经济发展的双重目标压力，他们往往选择以牺牲环境为代价换取经济增长，庇护资源型企业的低效排污行为 [68]，这使其缺乏提升碳排放效率的压力。基于此，本文提出假设1：
H1：资源依赖度能够抑制城市碳排放效率。
2.2 资源依赖度、城市规模与城市碳排放效率由于城镇化的推进，大规模的城市相较于小城市有更多的信息、教育、文化、就业优势，社保体系较为健全，“政治文明”程度较高 [69]，在碳排放效率方面也是如此。前者可以通过城市集聚效应、人才集聚效应、基础设施、技术创新等多个方面影响后者。第一，大规模城市具有相对较高的城市集聚效应 [70]。产业集聚以外部性为纽带，可以加速集聚企业管理层、股东、员工间的信息传递与技术交流，促进地区集聚产业产生知识、技术溢出 [71]，提高碳排放效率。第二，高层次人才向大城市集聚呈现了较为明显的“马太效应” [72]，其中不乏高层次科技人才，这提高了城市科技创新水平，对碳排放效率产生显著正向影响。第三，中小城市在城际交通建设中十分被动，不如大城市有谈判优势 [73]。由于规模经济的存在，中小城市公共服务和基础设施供给也较为缺乏，拥挤效应较为严重 [74, 75]，阻碍了地区碳排放效率的提升。
资源依赖往往会冲击传统劳动力市场、固化地区政治生态、延缓产业结构转型、制约城市可持续发展，进而抑制城市规模扩张。具体而言，第一，近年来，资源型企业因其降低开采成本与实现安全生产的需要，逐渐采用自动化、机械化的生产方式，冲击传统劳动力市场 [76]，导致就业机会的减少，进而限制城市规模的增长。第二，资源依赖度较高的城市可能在政治上更加脆弱。资源依赖降低了地方政府透明度，增加腐败和寻租行为，降低政府资源配置效率 [77]，进而扼杀了政府提升城市规模的动力。第三，长期的资源依赖会导致地区产业结构单一 [78]，转型要素匮乏，经济发展疲软，城市活力丧失，最终导致城市规模受限。第四，资源依赖型发展模式在资源开发利用过程中，易面临资源枯竭、环境污染与生态破坏等困境。基于此，本文提出假设2：
H2：资源依赖度能够通过限制城市规模的扩大间接抑制城市碳排放效率。
2.3 资源依赖度、环境规制与城市碳排放效率环境规制是中国污染防治的主要政策工具，各地环境规制强度循序渐进，政策复杂多样。详细来说，第一，环境规制能够弥补资源依赖对技术创新的挤出效应，促使资源型企业和制造业企业进行技术创新 [79]。同时，环境规制的“倒逼机制”能够加快地区高污染企业末端治理向清洁生产的转变 [80]，促进地区碳排放效率的提升。第二，政府环境规制力度的加强能够使得辖区内企业环境信息披露更加全面和透明，其所辖企业会因其环境信息披露质量要求与信息披露后媒体报道所带来的社会舆论压力而使用高效、清洁的生产技术。第三，环境规制也讲究“赏罚分明”，辖区内企业主动拥抱相关低碳政策不仅可以维护与当地政府的良好关系，获得可观的政策补贴，还能充分发挥企业的社会责任，给企业贴上“绿色”标签，获得良好商誉。
党的二十大报告明确提出加强煤炭清洁高效利用。然而现有研究表明，资源依赖度对环境规制具有显著抑制效应。一方面，资源依赖度较高的城市多呈现产业结构单一化特征，特定产业或企业多为本地经济支柱，对其实施严格环境监管将对地区经济稳定发展产生显著冲击，因此地方政府出于维系地区经济增长、保障政绩的考量，可能采取相对宽松的环境规制政策。另一方面，资源产业通常承载大量就业岗位，严格的环境规制政策易引发“棕色失业”问题，地方政府出于对环境规制引发失业率上升、社会稳定风险的担忧，在政策制定中倾向于采取相对宽松的立场。基于此，本文提出假设3：
H3：资源依赖度能够通过弱化环境规制的强度间接抑制城市碳排放效率。
3 模型设计和数据说明 3.1 样本选取与数据来源本文以2008年—2022年①中国内地278个地级市②为样本，并对所选数据进行如下处理：对所有连续型变量进行1% 与99% 的Winsorize处理。经上述处理后，最终获得4170个样本。
① 注：2008年中国政府发布《中国应对气候变化的政策与行动》白皮书，宣示了中国在应对气候变化方面采取的政策、行动与展望，向国际社会进一步表明我国高度重视全球气候变化问题。地级市政府和当地企业在此后的年份可能更加关注资源和碳排放效率领域，以适应国际和国内对气候变化的更高期望。结合相关数据的可得性，本文研究区间为2008—2022年。
② 三沙、儋州、日喀则、昌都、林芝、山南、那曲、巢湖、毕节、固原、海东、嘉峪关、金昌、拉萨、莱芜、铜仁、中卫等地数据缺失严重，未纳入统计范围。
本文数据主要来源于《中国统计年鉴》《中国城市统计年鉴》，各省份、城市统计年鉴，CSMAR数据库与Wind数据库。各能源折标煤系数参考自《中国能源统计年鉴》，各能源的碳排放系数以《 2006 IPCC国家温室气体清单指南》作为参考。碳排放效率指标借助Matlab进行计算，其余分析运用EXCEL和STATA17.0进行处理。
3.2 模型设定与变量选取 3.2.1 被解释变量地级市碳排放的计算方法为分别计算2008— 2022年各个地级市电能、煤气、液化石油气、交通运输和热能消耗时所产生的碳排放，进而汇总。本文的被解释变量——碳排放效率（CEE）的计算采用超效率SBM模型计算的方法。超效率SBM模型依据“每个城市通过多种生产要素投入换取多种期望与非期望产出，进而进行生产活动”这一假定构建包含期望与非期望产出的生产可能性集合，如模型（1）所示：
| $ p^T\left(x^T\right)\left\{\begin{array}{l} \left(x^T, y^T, z^T\right) \mid: x^T \geqslant \sum\limits_{m=1}^M \boldsymbol{\lambda}_m x_m, y^T \leqslant \sum\limits_{m=1}^M \boldsymbol{\lambda}_m y_m, \\ z^T \geqslant \sum\limits_{m=1}^M \boldsymbol{\lambda}_m z_m, \boldsymbol{\lambda} \geqslant 0 \end{array}\right\} $ | (1) |
生产投入指标选取从业年均人数、资本存量和能源消费量，由于投入要素中包含中间投入性质的能源，因此，选取总产值来代表各地期望产出，非期望产出以二氧化碳排放量来表示。在此模型中，每个城市拥有N种投入产出模式xn，A个期望产出ya，B个非期望产出zb。λ表示M维权重向量；sx−，sy+，sz−表示投入、期望产出和非期望产出的松弛值，据此构建超效率SBM模型如（2）所示：
| $ \begin{aligned} & \rho_k=\min\nolimits _{\lambda, x, y, z} \frac{\sum\limits_{n=1}^N \frac{x_n}{x_{n k}}}{\frac{1}{A+B}\left(\sum\limits_{a=1}^A \frac{y_a}{y_{a k}}+\sum\limits_{b=1}^B \frac{z_b}{z_{b k}}\right)} \\ & s.t. \boldsymbol{\lambda} \geqslant 0, \quad x_k=\sum\limits_{m=1}^M \boldsymbol{\lambda}_m x_m+s^{x-} y_k=\sum\limits_{m=1}^M \boldsymbol{\lambda}_m y_m-s^{y+} z_k \\ & \;\;\;\;\;\;\;\;\quad=\sum\limits_{m=1}^M \boldsymbol{\lambda}_m z_m-s^{z-} \end{aligned} $ | (2) |
在“碳诅咒”相关研究中，资源丰裕度与资源依赖度是两类核心指标，研究表明，自然资源本身并非“诅咒”的根源，资源依赖度才是引致“诅咒”效应的关键。因此，本文采用采矿业从业人数占总从业人数的比重衡量资源依赖度（NRD）。选择该指标，除兼顾数据可得性外，还因为区域经济对资源型产业的天然路径依赖，而就业结构是该依赖关系最直接的微观体现。采矿业从业人数占比高，意味着区域劳动力大量锁定于资源采掘及初级加工环节，形成“就业锁定效应”。其次，该指标是对“资源诅咒”领域经典研究方法的继承。鉴于《中国城市统计年鉴》 2020年及以后未公布采矿业从业人数，本文通过查阅地方统计年鉴手工收集数据，并借助插值法补齐缺失值。
3.2.3 机制变量（1）城市规模（CS）。本文采用人口数量来衡量城市规模，并对人口数量取对数。结合假设部分的研究，城市规模的扩张带来科技的发展和基础设施的完善，有益于碳排放效率的提升。
（2）环境规制（ER）。首先，从政府官网、公开数据库等渠道获取省级或地级市的政府工作报告文本，作为环境规制研究的基础数据源；其次，使用Python的jieba库对文本进行分词处理，同时结合停用词表过滤无意义词汇，保留有效文本内容；再次，构建包含环境保护、环保、减排、低碳等核心词汇的环境词库；最后统计文本中环境词汇的出现频次，计算其占报告总词数的比例，以此量化得到环境规制强度指数。结合假设部分的研究，环境规制一方面从客观上约束企业的高污染低效率行为，另一方面能够提升企业低碳高效的主观能动性。
3.2.4 控制变量考虑到除本文研究的解释变量资源依赖度外，城市碳排放效率还受多种因素综合影响。对如下变量进行控制：财政投入（FI）、外商直接投资（FDI）、制造业发展水平（MAN）、要素结构（FS）、贸易开放度（OP）、绿化水平（GL）。其中计算要素结构使用的资本存量参考张军 [92]的做法，以2008年为基期。相关变量定义详见表 1。
|
表 1 变量定义 |
为了验证假设H1，即资源依赖度对城市碳排放效率的影响，构建模型（3）：
| $ \begin{aligned} \operatorname{CEE}_{i, t}= & \alpha_0+\alpha_1 \mathrm{NRD}_{i, t}+\sum\limits_k \alpha_k \operatorname{Control}_{i, t, k} \\ & +\mu \text {City }+\gamma \text {Year }+\varepsilon_{i, t} \end{aligned} $ | (3) |
其中i、t表示城市、年份；Control表示控制变量，k表示控制变量个数；µCity、γYear分别表示城市和年份固定效应；εi, t表示残差项。
为了进一步探究资源依赖度对城市碳排放效率的作用机制，基于模型（3）进一步构建如下模型：
| $ \begin{aligned} M_{i, t}= & \beta_0+\beta_1 \mathrm{NRD}_{i, t}+\sum\limits_k \beta_k \operatorname{Control}_{i, t, k} \\ & +\mu \text {City }+\gamma \text {Year }+\varepsilon_{i, t} \end{aligned} $ | (4) |
| $ \begin{aligned} \operatorname{CEE}_{i, t}= & \delta_0+\delta_1 \mathrm{NRD}_{i, t}+\delta_2 M_{i, t}+\sum\limits_k \delta_k \operatorname{Control}_{i, t, k} \\ & +\mu \text {City }+\gamma \text {Year }+\varepsilon_{i, t} \end{aligned} $ | (5) |
式中，M代表机制变量，即城市规模（CS）和环境规制（ER）；其他变量如前文所述。
4 实证分析 4.1 描述性统计与相关性分析主要变量的描述性统计结果如表 2所示。样本城市的碳排放效率平均值为0.451，中位数为0.421，标准差为0.178，表明有一定数量的样本城市碳排放效率没有达到平均水平，还有较大的发展空间，为本文后续研究资源依赖度对其影响提供了客观依据。资源依赖度的平均值为0.031，中位数为0.007，标准差为0.055，这说明城市资源依赖度分布呈右偏，存在一小部分实体对资源的极高依赖，拉动了平均值的增加。同时，本文将资源依赖度与相关变量进行共线性检验，结果表明所有变量VIF检验结果的平均值为1.54，说明变量之间不存在严重的多重共线性问题，进一步保证了变量选择的合理性。
|
|
表 2 描述性统计 |
本文首先运用稳健的Hausman检验对模型选择进行判定。结果显示其伴随概率P值远小于0.01，因此选择个体固定效应模型更加适合。在此基础上对模型（3）进行回归，结果如表 3所示。出于稳健性检验的目的，列（1）至列（7）采用逐步增加控制变量的方法。回归结果显示，列（1）中的资源依赖度回归系数显著为负。在逐步增加控制变量后，列（2）至列（7）中资源依赖度回归系数均为负，且均在1% 水平上显著。其中，列（7）中资源依赖度（NRD）的回归系数为-0.873，且在1% 的统计水平上显著为负，表明资源依赖度对城市碳排放效率存在显著负向影响。结合样本描述性统计结果（资源依赖度的标准差为0.0553，城市碳排放效率的样本均值为0.451），当资源依赖度每提高1个标准差，城市碳排放效率将显著降低约0.048，该降幅相当于碳排放效率样本均值的约10.6%。这意味着资源依赖度的提高会显著拉低城市碳排放效率，且这种影响具有明确的经济显著性，假设H1得到验证。
|
|
表 3 资源依赖度与城市碳排放效率的基准回归结果 |
为进一步保证回归结果的稳健性，本文通过重新计算城市碳排放效率指标、替换解释变量、剔除2013年以前样本等不同角度进行稳健性检验。
4.3.1 重新计算城市碳排放效率指标为了考察城市碳排放效率在不同方法中的稳健性，本文将用CCR模型测度的城市碳排放效率作为被解释变量进行回归。结果如表 4中列（1）所示，资源依赖度的回归系数为-0.312，在1% 的水平上显著为负，与前文结论保持一致，假设H1依旧成立。
|
|
表 4 稳健性检验 |
本文构建资源依赖度的替换指标。通过衡量各地区一次能源生产量占所有地区一次能源生产量的比重与各地区第二产业产值占所有地区第二产业产值的比重的比值，构建能源资源诅咒系数（ES），用以衡量地区资源优势与经济发展的依赖程度。结果如表 4中列（2）所示，能源资源诅咒系数的回归系数为-0.045，在1% 的水平上显著为负，与前文结论保持一致，假设H1依旧成立。
4.3.3 剔除2013年以前样本考虑到中国于2013年启动上海、北京、广东、深圳、天津、湖北、重庆等七省市的碳排放交易试点，在此背景下，中国碳排放效率的趋势变动成为政府重点关注的目标。该试点的建立也意味着国家鼓励企业可持续发展，这可能使得本文基准回归结果更多地反映2013年之前的变化而非整个样本期情况的反映，即2013年之后资源依赖度对碳排放效率的作用可能呈现不显著为负或为正，但因为2013年之前抑制作用明显，所以整体呈现显著为负的效果。因此，本文将2013年以前的样本剔除，重新进行基准回归后结果如表 4中列（3）所示，资源依赖度对城市碳排放效率的影响依旧显著，本文基准回归结果稳健。
4.4 内生性检验考虑到资源依赖度与城市碳排放效率之间的内生性关系，本文从解释变量滞后两期、倾向性得分匹配法（PSM）、工具变量法、外生事件冲击等方面进行内生性检验。
4.4.1 滞后解释变量鉴于城市碳排放效率具有时间滞后性，其变化是一个连续积累的渐进调整过程，资源依赖度对城市碳排放效率的影响具有一定的时滞性。将解释变量分别滞后一期与两期后重新代入模型进行回归，结果如表 5中列（1）、列（2）所示。解释变量滞后一期时，资源依赖度的回归系数为-0.853，均在1% 的水平上显著；解释变量滞后两期时，资源依赖度的回归系数为-0.823，在1% 的水平上显著，与前文结果一致，结论稳健。
|
|
表 5 内生性检验 |
本文采用倾向得分匹配法（PSM）进行进一步的内生性检验。采用PSM倾向得分匹配解决样本的选择偏误问题。具体操作方法是：以资源依赖度的中位数为界，高于中位数的样本赋值为1，作为处理组，低于中位数的样本赋值为0，作为对照组；选取财政投入（FI）、外商直接投资（FDI）、制造业发展水平（MAN）、要素结构（FS）、贸易开放度（OP）、绿化水平（GL）为协变量估计倾向性得分。Pstest检验结果表明，样本匹配后的平均偏差值为3.1%，在10% 以内；匹配后的T检验中大部分变量不显著，表明匹配之后结果较好，处理组与对照组在主要变量上不存在显著差异。匹配后的样本重新回归结果如表 5中列（3）所示，再一次验证了假设H1。
4.4.3 工具变量法基准回归可能遗漏某些同时影响资源依赖度和碳排放效率的因素，为此，使用工具变量法克服内生性问题。对于某一地级市的资源依赖度，文章采用同一省份内其他城市资源依赖度的平均值作为工具变量。本文使用上述方法的理由主要有以下两方面：一是同省（区、市）内各地级城市的资源依赖度具有一定的相似性，符合相关性要求；二是地级市层面遗漏变量与其他城市资源依赖度无直接联系，符合外生性要求。表 5报告了工具变量法的估计结果。第一阶段的回归结果如列（4）所示，工具变量的回归系数显著为负，工具变量识别不足检验LM值为214.841，弱工具变量检验F值为210.270，说明工具变量的选取是合理的，第二阶段回归结果如列（5）所示，资源依赖度的回归系数为-0.749，在1% 的水平上显著为负，与基准回归结果保持一致。
4.4.4 外生事件冲击“约谈”制度的扩容式特点，为本文的准自然实验研究提供了可能。为了更加稳健地评估资源依赖度对城市碳排放效率的抑制作用，本文拟采用“约谈”制度作为外生政策冲击，以双重差分方法评估。构建了如下多期双重差分模型（DID），检验“约谈”制度背景下资源依赖度对城市碳排放效率的影响：
| $ \begin{aligned} \operatorname{CEE}_{i, t}= & \varepsilon_0+\varepsilon_1 \operatorname{Treat}_i \times \operatorname{Post}_{i, t}+\sum\limits_k \varepsilon_k \operatorname{Control}_{i, t, k} \\ & +\mu \mathrm{CITY}+\gamma \mathrm{YEAR}+\varepsilon_{i, t} \end{aligned} $ | (6) |
其中，ε0为截距项；CEE为城市碳排放效率；Treati表示样本企业是否为处理组虚拟变量；Posti, t表示被“约谈”城市的虚拟变量；Control为控制变量，其他设定同模型（3）。
使用多期双重差分法（DID）首先要满足平行趋势的假设。为此，本文进行了平行趋势检验，检验结果如图 1所示。可以看出，在地方政府被“约谈”前，平行趋势检验的95% 置信区间都包含0，表明实验组与对照组之间趋势变化没有显著差异；在政策实施后，置信区间几乎不包含0，并且位于0以下，表明实验组相对于对照组的趋势发生了显著变化，平行趋势检验通过。
|
图 1 平行趋势检验 |
多期DID模型的动态效应检验结果如 表 6所示。列（1）是仅控制Treati× Posti, t的回归结果。列（2）是具有调节效应的多期DID模型，模型中引入了多期双重差分变量与资源依赖度的交互项Treat× Post× NRD。回归结果显示，Treat× Post× NRD的回归系数为-1.108，在1% 的水平下显著。也就是说，“约谈”制度实施后，资源依赖度对碳排放效率产生了更加明显的抑制作用。列（3）从时间序列上动态观测了“约谈”制度实施前后对城市碳排放效率的影响。从趋势特征上看，“约谈”制度实施之前，回归结果均不显著；“约谈”制度实施后两年（post_2）至实施后6年（post_6）的回归结果均为负向且至少通过10% 统计显著性检验，表明在考虑“约谈”制度的政策影响后，仍支持假设H1，结论稳健。
|
|
表 6 多期双重差分模型的回归结果 |
中介效应回归结果如表 7中列（1）和列（2）所示，当被解释变量为城市规模时，资源依赖度的回归系数为-2.324，在1% 水平上显著；当在模型中加入城市规模后，资源依赖度的回归系数为-0.793，在1% 水平上显著；城市规模的回归系数为0.034，在5% 的水平上显著。这表明城市规模存在传导作用，资源依赖度通过抑制城市规模的扩张以降低城市碳排放效率。假设H2由此得证。同时，表 8中，1000次Bootstrap抽样检验结果显示间接效应置信区间不包含0，进一步验证了传导机制的稳健。
|
|
表 7 传导机制验证 |
|
|
表 8 Bootstrap检验 |
中介效应回归结果如表 7中列（3）和列（4）所示，当被解释变量为环境规制时，资源依赖度的回归系数为-0.02，在1% 水平上显著；当在模型中加入环境规制后，资源依赖度的回归系数为1.871，在5% 水平上显著；环境规制的回归系数为-0.847，在1% 的水平上显著。这表明环境规制存在传导作用，资源依赖度通过抑制环境规制强度以降低城市碳排放效率。假设H3由此得证。同时，表 8中，1000次Bootstrap抽样检验结果显示间接效应置信区间不包含0，进一步验证了传导机制的稳健。
5 异质性分析 5.1 城市类型异质性分析采用费舍尔组合检验（Fisher’ s Permutation test）进行组间系数差异检验，并通过Bootstrap法得到相应的经验P值，1000次自体抽样和检验所得到的经验P值为0.018，在5% 水平上显著，具备统计显著性。从表 9列（1）和列（2）可知，资源依赖度对资源型城市碳排放效率的抑制作用在1% 水平上显著，而对非资源型城市的抑制作用仅在10% 水平上显著。这可能源于资源型城市长期存在更为碳密集的资源开采活动，比如矿业和能源产业，其发展容易形成“路径”。
|
|
表 9 异质性分析 |
《“十四五”绿色金融发展规划》明确将风险投资作为绿色金融体系的重要力量，引导其通过“资金、技术、减排”的绿色金融逻辑赋能低碳转型。一方面，风险投资具有资金放大器功能，可以汇集更多的民间资本，借助“市场之手”，优化资本的配置，促进碳减排。另一方面，风险投资为富有前景的技术创新活动提供支持，进而提高城市碳排放效率。
本文风险投资相关信息来自招股说明书中“发行人基本情况”，如果股东的经营范围包括股权投资，则被认定为风险投资。本文将企业每年获得的风险投资金额汇集到地级市层面，取风险投资额中位数将所有地级市分为低水平风险投资组和高水平风险投资组进行分组检验，考察资源依赖度对城市碳排放效率在风险投资水平上的异质性。
在具体检验过程中，1000次自体抽样和检验所得到的经验P值为0.000，在1% 水平上显著，证实该组间差异具备统计显著性。从表 9列（3）和列（4）可知，资源依赖度对高水平风险投资城市和低水平风险投资城市碳排放效率的抑制作用均在1% 水平上呈负显著，但回归系数差异较大，分别为-0.619和-1.045，即这种抑制关系在高水平风险投资城市中更加弱化，在低水平风险投资城市中更加显著。这可能源于以下几个原因：第一，利润驱动技术创新。风险资本投资的主要目的是通过资本运营赚取巨额利润。高水平风险投资的城市可能更注重投资回报，在追求更大利润的动机下，更倾向于采用能够提高碳排放效率的技术和管理方法，以降低运营成本，提高盈利水平，减轻资源依赖度的负面效应。低水平风险投资的城市可能对投资回报的敏感性较低，因此资源依赖度对碳排放效率的抑制作用更为显著。第二，增值吸引长期投资。风险投资是一种低流动性的权益投资，它投资的着眼点不在于项目的当前盈亏，而在于项目的未来增值性。低水平风险的投资意味着投资者更青睐稳健的短期回报，而碳排放效率的提升是一项长期的技术攻坚，低水平风险投资城市的投资者往往无暇于这一过程，导致资源依赖度对碳排放效率的抑制作用更为明显。第三，资金降低研发壁垒。风险投资通常投资于拥有高新技术的企业，支持高风险企业的技术研发活动。由于缺乏资金和技术支持，低水平风险投资的城市难以引进或开发高效、节能技术进行碳排放效率的提升，从而使资源依赖度对碳排放效率的影响更加突出。
6 拓展性分析 6.1 门槛效应检验为进一步深究这一非线性影响，采用面板门槛回归模型检验资源依赖度对城市碳排放效率的影响是否受到城市规模和环境规制的约束。单一面板门槛模型设定如下：
| $ \begin{aligned} \mathrm{CEE}_{i, t}= & \theta_0+\theta_1 \mathrm{NRD}_{i, t} \times I\left(\mathrm{Thv}_{i, t} \leqslant \varphi\right)+\theta_2 \mathrm{NRD}_{i, t} \\ & \times I\left(\mathrm{Thv}_{i, t} \geqslant \varphi\right)+\sum\limits_k \theta_k \operatorname{Control}_{i, t, k} \\ & +\mu \text {City }+\gamma \text {Year }+\varepsilon_{i, t} \end{aligned} $ | (7) |
其中，Thvi, t为门槛变量，分别为城市规模（CS）和环境规制（ER），φ为待估门槛值。I (·) 为示性函数，其值取决于门槛变量和门槛值之间的关系，若括号中的表达式成立，则I (·)=1；否则，I (·)=0。其他变量解释同模型（3）。
首先，采用Hansen门槛回归模型分析确定门槛个数，采用Bootstrap法重复抽样1000次得出P值和临界值。其次，分别估计三种约束机制下的门槛值。由表 10的门槛效应检验结果可知，以城市规模为门槛变量时，资源依赖度对城市碳排放效率的影响存在单一门槛特征，且该门槛在10% 的统计水平上显著，门槛估计值为5.639（图 2）。由于本文中城市规模以常住人口的自然对数衡量，对该门槛值进行指数化运算[ exp（5.639）]可得，其对应实际常住人口规模约为281万人。进一步分析表明，当城市常住人口规模低于281万人时，资源依赖度对城市碳排放效率的负向抑制作用更为显著，这与中小规模城市产业结构相对单一、创新要素集聚能力有限，资源依赖型发展模式下技术效率提升的约束效应被强化有关。而当城市常住人口规模跨越281万人的门槛后，人口集聚带来的规模效应与技术溢出效应逐步显现，此时通过深化创新协同机制与优化环境规制工具，能够有效削弱资源依赖度的负向影响，甚至为资源要素配置与碳排放效率的协同改进提供潜在空间。在环境规制门槛变量约束下，资源依赖度对城市碳排放效率呈现双门槛效应，在5% 水平上显著，门槛估计值为0.106和0.638，如图 3所示。
|
|
表 10 门限效应检验 |
|
图 2 城市规模单门槛估计结果 |
|
图 3 环境规制单门槛估计结果 |
资源依赖度对城市碳排放效率的影响存在城市规模的单门槛效应，当城市规模小于门槛值5.639时，资源依赖度对城市碳排放效率的回归系数为-0.620，在1% 水平上显著；当城市规模大于门槛值5.639时，资源依赖度对城市碳排放效率的回归系数为0.340，在5% 水平上显著。随着城市规模的扩大，资源依赖度对城市碳排放效率的作用从显著为负变为显著为正，表明城市规模的扩大打破了“碳排放效率诅咒”。
6.1.2 环境规制的门槛效应资源依赖度对城市碳排放效率的影响存在环境规制的单门槛效应，如表 11所示，当环境规制水平小于门槛值0.0024时，资源依赖度对城市碳排放效率的回归系数为-0.752，在1% 水平上显著；当环境规制大于门槛时，资源依赖度对城市碳排放效率的回归系数为-0.291，在1% 水平上显著。随着环境规制水平的提高，资源依赖度对城市碳排放效率的抑制作用呈现出减弱的趋势，这表明当环境规制水平较低时，其对经济活动中资源依赖行为的约束、引导等作用有限，难以有效缓解资源依赖度对城市碳排放效率的负面影响，所以抑制作用较强。当环境规制力度达到一定水平后，其能够更有效地通过政策引导、技术激励等方式，促使城市在依赖资源发展的过程中，采取更环保、高效的生产和能源利用方式，从而削弱了资源依赖度对碳排放效率的抑制作用，让这种抑制效应逐渐降低，也就达到了环境规制实施以优化碳排放效率的目的。
|
|
表 11 门槛回归结果 |
为验证城市间资源依赖度和碳排放效率是否具有块状集聚特征和空间相关性，使用莫兰指数加以判断。莫兰指数的取值范围在 [1, -1]，接近1时表示空间之间存在正相关，接近-1时表示负相关，接近0时表示地区之间不存在空间相关性。空间权重矩阵通常采用邻接概念的矩阵，即当第i个地区与第j个地区相邻时，W的值取1否则取0。邻接空间权重矩阵的建立相对方便简单，但是该法无法判定不相邻地区之间是否存在相关性。从现实来看，不相邻的地区之间并不是毫不相关的。一般来说，不同地区之间的距离越短，地区之间的相关程度就越高，随着地区之间的间隔扩大，地区之间的相关性会逐渐减弱。因此，本文在采用邻接空间权重矩阵（W1）的同时，采用城市间距离的倒数作为地理距离矩阵（W2）来辅助检验空间效应。
测算结果如表 12所示。邻接空间矩阵（W1）和地理距离矩阵（W2）加权下，2008—2022年我国278个地级市资源依赖度和碳排放效率的莫兰指数均显著为正，验证资源依赖度和碳排放效率存在地区空间依赖，具有相似资源依赖度和碳排放效率水平的城市在空间层面上趋于集聚，构建模型时加入空间效应是恰当的。
|
|
表 12 莫兰指数 |
在进行空间计量估计之前先对模型进行识别检验，本文使用LM、Hausman、Wlad和LR检验来识别空间计量模型。表 13分别列出了中国278个地级市在两个权重下LM、Hausman、LR和Wlad检验的结果。Hausman检验显示选择固定效应。Lagrange乘数的判别准则为若Robust LM error和Robust LM lag两个模型都通过检验时，就可以初步认定使用空间杜宾模型（SDM）最合适，可进行后续检验来最终确定。进一步使用LR和Wlad检验判定空间杜宾模型是否会退化。检验结果如表 13所示，基于邻接空间权重和地理距离权重下的两个模型的LM和Robust LM结果基本显著通过检验，但基于地理距离权重的Robust LM检验（error）不显著，需进一步进行检验确定。从Wlad和LR检验结果来看，基于邻近空间权重、地理距离权重下的p值均通过显著性检验，选择空间杜宾模型更为合适。
|
|
表 13 空间模型识别测试结果 |
具体模型构建如下：
| $ \begin{aligned} \mathrm{CEE}_{i, t}= & \rho_0+\rho_1 \mathrm{NRD}_{i, t}+\rho_2 \operatorname{Control}_{i, t}+\theta_1 \boldsymbol{W} \mathrm{NRD}_{i, t} \\ & +\theta_2 \boldsymbol{W} \operatorname{Control}_{i, t}+\rho \boldsymbol{W} \mathrm{EE}_{i, t}+\varepsilon_{i, t} \end{aligned} $ | (8) |
其中，W表示选定的空间权重矩阵，W与变量交叉乘积形成空间滞后项。
空间效应的拓展研究表明, 不论是基于地理邻接权重矩阵还是地理距离权重矩阵，空间计量模型的拓展研究都得出了与传统经典面板模型估计较为一致的研究结果，即资源依赖度负向影响城市碳排放效率，但从表 14中可以明显看出，这种抑制作用并不存在空间外溢。也就是说，资源依赖度对碳排放效率的抑制作用表现在本地。可能的原因在于，一方面，资源依赖度高的地区往往面临资源枯竭、环境污染和发展落后等问题，人们更倾向于去环境优良、科技发达的城市，同时在没有特殊需求时，生活在高碳排放效率城市的居民更不会主动选择产业单一、污染严重的高资源依赖城市，这种“单行道”倾向会无形之中为符合这些条件的碳排放效率高的城市筑起了保护的“高墙”；另一方面，燃烧资源并不是城市发展的主力，适度、合理的环境规制办法可在很大程度上减少城市对于资源的依赖。
|
|
表 14 空间溢出效应 |
本文以2008—2022年中国278个地级市为样本，构造资源依赖度、碳排放效率指标，实证检验资源依赖度与城市碳排放效率的关系。首先，资源依赖度可以直接抑制城市碳排放效率，也可以通过城市规模和环境规制间接抑制城市碳排放效率。其次，异质性分析表明，资源依赖度在资源型城市和低水平风险投资城市中对城市碳排放效率的抑制作用更加显著。进一步分析表明，当城市规模、环境规制作为门槛变量时，两种抑制作用随着城市规模以及环境规制力度的增加而减弱。空间溢出效应表明，资源依赖度对碳排放效率的直接抑制作用并不会在空间上蔓延。
7.2 政策建议针对上述研究结论，结合城市低碳转型政策制定的微观需求，从以下四个方面提出政策建议。
7.2.1 优化企业投资结构，加快资源型城市转型政府应大力调整投资结构，制定政策激励和引导资金更多地流向服务行业和高新技术行业，将用于保护衰退产业生存的资金更多地转向城市转型以及替代产业、接续产业的培育上，推动企业投资结构转型升级。除此之外，对于资源依赖度高的地区，政府可以制定各种政策，如税收优惠、土地出让、财政补贴、简化审批流程等方式或建设产业园区和特殊经济区，提供专门的场地和基础设施，为企业提供便利条件，降低投资成本，吸引企业到这些城市进行投资，构建非资源行业的成长机制。通过加快产业链延伸、大力发展接续产业和培育新的优势产业等方式逐渐降低城市对资源的过度依赖，从而提高城市的碳排放效率。
7.2.2 发掘人口节能减碳潜力，激励全民低碳生活政府应加强对大规模城市居民减少资源和能源依赖及提高碳排放效率的重视，从多角度提升居民端对此的认知水平，鼓励消费者进行低碳消费。政府还需提供各类低碳消费的应用场景，通过政府补贴、规划优化等形式鼓励居民主动积极使用清洁能源。比如，优化城市交通规划，提升公共交通体系的运行效率，让居民在便利生活的同时也能拥有良好的低碳生活方式。在此基础上，开展绿色金融创新研究，通过构建个人碳信用体系、碳账户等方式，为消费者购买节能产品提供优惠信贷，以此激励居民参与绿色城市的构建。
7.2.3 立足城市异质性特征，实施分类施策的减排策略聚焦“产业脱钩”与“转型赋能”双重驱动，在推进资源型产业绿色化改造与有序退出的同时，通过飞地经济承接非资源产业。具体而言，资源型城市可与非资源型发达城市共建“飞地产业园”，即资源型城市提供土地、劳动力及配套政策，发达城市输出技术、企业资源及管理经验，重点承接电子信息、高端装备制造、生物医药等低碳产业，推动产业结构从资源依赖向多元支撑转型。针对资源型城市，需额外建立从资源税费中按比例提取的资源开发补偿基金，专项用于接续产业培育、低碳技术研发补贴及下岗矿工转岗培训，缓解转型阵痛。此外，根据城市风险投资水平差异，强化资本赋能的减排杠杆作用，对于年度风险投资额低于中位数的低风投城市，除设立政府出资的“低碳风险投资引导基金”吸引社会资本外，可联合政策性银行针对本地资源型中小企业推出低碳技术攻关专项贷款，由地方财政给予不低于3% 的贴息率，降低企业低碳转型的融资成本，重点支持资源循环利用、能效提升等技术项目；对于风险投资活跃的高风投城市，建立“低碳项目库”，定期向风投机构推荐优质项目，并对投资低碳项目的风投机构给予投资收益10%~ 15% 的税收减免，借助资本力量加速低碳创新与产业转型。
7.2.4 利用空间“防火墙”，实现边际效益最大化本文实证分析发现，资源依赖度对碳排放效率的抑制作用未呈现明显空间溢出效应，城市间的“壁垒”既为碳排放效率较好的城市建立了“防火墙”，也为区域协同减排提供了精准施策空间。基于此，在高资源依赖城市集群重点建设“碳排放效率监测预警平台”，实时监控企业能耗与碳排放数据，对超排企业执行“阶梯式罚款”，并推动碳配额交易试点扩围至资源型中小企业。同时，细化“东中西部资源型城市结对帮扶机制”，建立技术、人才、项目的三位一体帮扶清单。东部结对城市定期向西部资源型城市输出低碳技术实操培训班，开放本地低碳技术专利数据库供西部免费检索；推动结对城市间开展碳配额跨省调剂试点，西部城市可将富余碳配额出售给东部高耗能企业，所得资金反哺本地减排项目。通过分区精准治理、跨区协同赋能，既守住本地减排成效，又打破技术孤岛，逐步形成区域联动的减排格局。
| [1] |
张明斗, 席胜杰. 资源型城市碳排放效率评价及其政策启示[J]. 自然资源学报, 2023, 38(01): 220-237. |
| [2] |
LYU K N, YANG S W, ZHENG K, et al. How does the digital economy affect carbon emission efficiency? Evidence from energy consumption and industrial value chain[J]. Energies, 2023, 16(2): 761. DOI:10.3390/en16020761 |
| [3] |
郑智勇, 许永斌. 碳排放权交易机制、家族控制与绿色创新效率[J]. 中国环境管理, 2023, 15(5): 53-66. DOI:10.16868/j.cnki.1674-6252.2023.05.053 |
| [4] |
苏振, 郑应宏, 郭峦. 数字经济对旅游业碳排放效率的影响及门槛效应[J]. 中国人口·资源与环境, 2023, 33(8): 69-79. |
| [5] |
FANG G C, GAO Z Y, WANG L, et al. How does green innovation drive urban carbon emission efficiency?― Evidence from the Yangtze River Economic Belt[J]. Journal of cleaner production, 2022, 375: 134196. DOI:10.1016/j.jclepro.2022.134196 |
| [6] |
徐英启, 程钰, 王晶晶. 中国资源型城市碳排放效率时空演变与绿色技术创新影响[J]. 地理研究, 2023, 42(3): 878-894. |
| [7] |
WU R X, TAN Z Z, LIN B Q. Does carbon emission trading scheme really improve the CO2 emission efficiency? Evidence from China's iron andsteel industry[J]. Energy, 2023, 277: 127743. DOI:10.1016/j.energy.2023.127743 |
| [8] |
孙兴, 刘熙. 中国城市碳排放效率的时空演变及影响因素——基于异质性空间随机前沿模型[J]. 地理研究, 2023, 42(12): 3182-3201. |
| [9] |
黄清子, 李冬冬, 李敏. 中国城市"碳诅咒"效应及其异质性[J]. 资源科学, 2023, 45(8): 1604-1618. |
| [10] |
HABAKKUK H J. American and British technology in the nineteenth century: the search for Labour-Saving inventions. By H. J. Habakkuk. Cambridge: Cambridge University Press, 1962. Pp. ix, 222. $6.00. [J]. The journal of economic history, 1963, 23(1): 104-106
|
| [11] |
AUTY R. Sustaining Development in Mineral Economies: The Resource Curse Thesis[M]. London: Routledge, 2002.
|
| [12] |
CHE S, WANG J. Can environmental regulation solve the carbon curse of natural resource dependence: evidence from China[J]. Resources policy, 2022, 79: 103100. DOI:10.1016/j.resourpol.2022.103100 |
| [13] |
SATTI S L, FAROOQ A, LOGANATHAN N, et al. Empirical evidence on the resource curse hypothesis in oil abundant economy[J]. Economic modelling, 2014, 42: 421-429. DOI:10.1016/j.econmod.2014.07.020 |
| [14] |
WANG R, ZAMEER H, FENG Y, et al. Revisiting Chinese resource curse hypothesis based on spatial spillover effect: a fresh evidence[J]. Resources policy, 2019, 64: 101521. DOI:10.1016/j.resourpol.2019.101521 |
| [15] |
IMTIAZ A, JAVID S. Resource curse or blessings hypothesis in Pakistan: the role of financial development and oil prices in era of globalization[J]. Resources policy, 2023, 86: 104206. DOI:10.1016/j.resourpol.2023.104206 |
| [16] |
HOU K Y, QAMMAR R, ZHU C H, et al. Testing the resources curse hypothesis: unleashing the role of national governance and financial development in OPEC countries[J]. Resources policy, 2023, 86: 104242. DOI:10.1016/j.resourpol.2023.104242 |
| [17] |
WANG S H, TIAN W Q, LU B B. Impact of capital investment and industrial structure optimization from the perspective of"resource curse": evidence from developing countries[J]. Resources policy, 2023, 80: 103276. DOI:10.1016/j.resourpol.2022.103276 |
| [18] |
MA J, AHN Y G, LEE M K. The interactive influence of institutional quality and resource dependence on regional economic growth: evidence from China's resource-based provinces[J]. Sustainability, 2022, 14(10): 6173. DOI:10.3390/su14106173 |
| [19] |
FAN M T, LI M X, LIU J H, et al. Is high natural resource dependence doomed to low carbon emission efficiency? Evidence from 283 cities in China[J]. Energy economics, 2022, 115: 106328. DOI:10.1016/j.eneco.2022.106328 |
| [20] |
栾贵勤, 孙成龙. "资源诅咒"对资源匮乏地区的影响及作用机制——以山西为例[J]. 经济问题, 2010(9): 123-126. |
| [21] |
张峰, 宋晓娜. 资源禀赋、技术进步与制造业绿色转型[J]. 统计与决策, 2020, 36(13): 98-102. |
| [22] |
REN X C, HE J, HUANG Z L. Innovation, natural resources abundance, climate change and green growth in agriculture[J]. Resources policy, 2023, 85: 103970. DOI:10.1016/j.resourpol.2023.103970 |
| [23] |
HUANG A Z, BI Q X, DAI L T, et al. Investigating the impact of financial development on the resource curse form its dual effect[J]. Resources policy, 2023, 86: 104174. DOI:10.1016/j.resourpol.2023.104174 |
| [24] |
周询, 周力, 王海涛. 资源禀赋与城商行跨区域经营——基于金融业数据的"资源诅咒"假说检验[J]. 上海经济研究, 2015(9): 60-69. |
| [25] |
冯国强, 马通. 环境治理的"资源诅咒"效应——来自二氧化硫减排的经验证据[J]. 软科学, 2024, 38(2): 42-48. |
| [26] |
于向宇, 李跃, 陈会英, 等. "资源诅咒"视角下环境规制、能源禀赋对区域碳排放的影响[J]. 中国人口·资源与环境, 2019, 29(05): 52-60. |
| [27] |
刘宗飞, 姚顺波, 刘越. 基于空间面板模型的森林"资源诅咒"研究[J]. 资源科学, 2015, 37(2): 379-390. |
| [28] |
FRIEDRICHS J, INDERWILDI O R. The carbon curse: are fuel rich countries doomed to high CO2 intensities?[J]. Energy policy, 2013, 62: 1356-1365. DOI:10.1016/j.enpol.2013.07.076 |
| [29] |
CHIROLEU-ASSOULINE M, FODHA M, KIRAT Y. Carbon curse in developed countries[J]. Energy economics, 2020, 90: 104829. DOI:10.1016/j.eneco.2020.104829 |
| [30] |
ABRAHAM B M. A subnational carbon curse? Fossil fuel richness and carbon intensity among US states[J]. The extractive industries and society, 2021, 8(3): 100859. DOI:10.1016/j.exis.2020.12.007 |
| [31] |
邵帅, 杨莉莉. 自然资源丰裕、资源产业依赖与中国区域经济增长[J]. 管理世界, 2010(9): 26-44. |
| [32] |
CHENG Z H, LI L S, LIU J. Natural resource abundance, resource industry dependence and economic green growth in China[J]. Resources policy, 2020, 68: 101734. DOI:10.1016/j.resourpol.2020.101734 |
| [33] |
WU S M, LI L, LI S T. Natural resource abundance, natural resource-oriented industry dependence, and economic growth: evidence from the provincial level in China[J]. Resources, conservation and recycling, 2018, 139: 163-171. DOI:10.1016/j.resconrec.2018.08.012 |
| [34] |
李婉红, 李娜. 自然资源禀赋、市场化配置与产业结构转型——来自116个资源型城市的经验证据[J]. 现代经济探讨, 2021(8): 52-63. |
| [35] |
BRUNNSCHWEILER C N, BULTE E H. The resource curse revisited and revised: a tale of paradoxes and red herrings[J]. Journal of environmental economics and management, 2008, 55(3): 248-264. DOI:10.1016/j.jeem.2007.08.004 |
| [36] |
GYLFASON T, ZOEGA G. Natural resources and economic growth: the role of investment[J]. The world economy, 2006, 29(8): 1091-1115. DOI:10.1111/j.1467-9701.2006.00807.x |
| [37] |
边云涛, 赵康杰, 景普秋. 资源依赖、产业生态与区域产业演进——基于全国省域层面的实证检验[J]. 经济问题, 2021(1): 66-74. |
| [38] |
薛雅伟, 张在旭, 李宏勋, 等. 资源产业空间集聚与区域经济增长: "资源诅咒"效应实证[J]. 中国人口·资源与环境, 2016, 26(8): 25-33. |
| [39] |
PAPYRAKIS E, GERLAGH R. Resource abundance and economic growth in the United States[J]. European economic review, 2007, 51(4): 1011-1039. DOI:10.1016/j.euroecorev.2006.04.001 |
| [40] |
史洁, 李强. 资源依赖、科技市场与科研人员创新绩效[J]. 经济问题, 2020(2): 42-49. |
| [41] |
宋德勇, 杨秋月. 环境规制打破了"资源诅咒"吗?——基于跨国面板数据的经验分析[J]. 中国人口·资源与环境, 2019, 29(10): 61-69. |
| [42] |
贺升杰. 资源依赖与城乡居民收入不平等[J]. 统计与决策, 2019, 35(20): 107-111. |
| [43] |
胡尧, 严太华. 资源依赖: 增长诅咒还是贫困陷阱?[J]. 中国人口·资源与环境, 2019, 29(4): 137-146. |
| [44] |
OSKENBAYEV Y, YILMAZ M, ABDULLA K. Resource concentration, institutional quality and the natural resource curse[J]. Economic systems, 2013, 37(2): 254-270. DOI:10.1016/j.ecosys.2012.11.001 |
| [45] |
ORIHUELA J C. Institutions and place: bringing context back into the study of the resource curse[J]. Journal of institutional economics, 2018, 14(1): 157-180. DOI:10.1017/S1744137417000236 |
| [46] |
辛兵海, 张晓云, 陶江. 资源依赖、政府透明度和经济增长[J]. 经济与管理研究, 2015, 36(10): 10-16. |
| [47] |
MAO F F, HOU Y Q, WANG R, et al. Can industrial intelligence break the carbon curse of natural resources in the context of Post-Covid-19 period? Fresh evidence from China[J]. Resources policy, 2023, 86: 104225. DOI:10.1016/j.resourpol.2023.104225 |
| [48] |
李治国, 王杰, 车帅. 资源型产业依赖如何影响环境质量?[J]. 商业研究, 2022(3): 24-35. |
| [49] |
ZHAO X C, LONG L C, YIN S, et al. How technological innovation influences carbon emission efficiency for sustainable development? Evidence from China[J]. Resources, environment and sustainability, 2023, 14: 100135. DOI:10.1016/j.resenv.2023.100135 |
| [50] |
邓荣荣, 张翱祥. 中国城市数字金融发展对碳排放绩效的影响及机理[J]. 资源科学, 2021, 43(11): 2316-2330. |
| [51] |
李焱, 李佳蔚, 王炜瀚, 等. 全球价值链嵌入对碳排放效率的影响机制——"一带一路"沿线国家制造业的证据与启示[J]. 中国人口·资源与环境, 2021, 31(7): 15-26. |
| [52] |
桑丹丹, 王元月, 丁黎黎. 中美产业部门全要素生产率比较——基于环境友好全球价值链视角[J]. 资源科学, 2022, 44(3): 570-582. |
| [53] |
ZHANG H J, WANG J T, XU Z C. Does green financial Infrastructure promotes the improvement and convergence of regional carbon emission efficiency? Based on provincial data of China[J]. Frontiers in environmental science, 2023, 11: 1107489. DOI:10.3389/fenvs.2023.1107489 |
| [54] |
WU W S, LI X, LU Z, et al. Energy subsidies and carbon emission efficiency in Chinese regions: The role of the FDI competition in local governments[J]. Energy sources, part b: economics, planning, and policy, 2022, 17(1): 2094035. DOI:10.1080/15567249.2022.2094035 |
| [55] |
FAN B, L I M Y. The effect of heterogeneous environmental regulations on carbon emission efficiency of the grain production industry: evidence from China's inter-provincial panel data[J]. Sustainability, 2022, 14(21): 14492. DOI:10.3390/su142114492 |
| [56] |
盛科荣, 李晓瑞, 孙威, 等. 中国城市网络地位对碳排放效率的影响[J]. 地理学报, 2023, 78(11): 2864-2882. |
| [57] |
ZHANG S, YU R, WEN Z H, et al. Impact of labor and energy allocation imbalance on carbon emission efficiency in China's industrial sectors[J]. Renewable and sustainable energy reviews, 2023, 184: 113586. DOI:10.1016/j.rser.2023.113586 |
| [58] |
GUANG F T, DENG Y T, WEN L, et al. Impact of regional energy allocation distortion on carbon emission efficiency: Evidence from China[J]. Journal of environmental management, 2023, 342: 118241. DOI:10.1016/j.jenvman.2023.118241 |
| [59] |
李璐, 张斌, 夏秋月, 等. 土地资源错配对碳排放效率的空间效应与影响路径——来自长江经济带108个城市的经验证据[J]. 资源科学, 2023, 45(5): 1059-1073. |
| [60] |
孟宏玮, 赵华平, 张所地. 土地供给结构错配对城市碳排放效率的影响[J]. 中国人口·资源与环境, 2023, 33(4): 56-69. |
| [61] |
张德钢. 市场分割对碳排放效率的影响研究——基于固定效应面板随机前沿模型[J]. 软科学, 2018, 32(9): 94-97. |
| [62] |
白宏涛, 王会芝, 徐鹤. 我国省域碳排放差异性及其转型发展模式研究[J]. 经济地理, 2012, 32(12): 21-26. |
| [63] |
朱恒鹏. 地区间竞争、财政自给率和公有制企业民营化[J]. 经济研究, 2004, 39(10): 24-34. |
| [64] |
宋哲, 于克信. 资本结构、动态能力与企业绩效——基于西部资源型上市公司数据的研究[J]. 经济问题探索, 2017(10): 57-63. |
| [65] |
孙丽芝, 范恩海. 资源型产业集群的风险分析与对策研究[J]. 经济问题, 2008(3): 20-22. |
| [66] |
温军, 梁旭晫, 冯根福, 等. 上游资源型垄断与下游创新——来自中国制造业企业的经验证据[J]. 南开经济研究, 2022(9): 132-150. |
| [67] |
张秀生, 陈先勇. 论中国资源型城市产业发展的现状、困境与对策[J]. 经济评论, 2001(6): 96-99. |
| [68] |
马富萍, 郭晓川, 茶娜. 环境规制对技术创新绩效影响的研究——基于资源型企业的实证检验[J]. 科学学与科学技术管理, 2011, 32(8): 87-92. |
| [69] |
姜玉, 刘鸿雁, 庄亚儿. 东北地区流动人口特征研究[J]. 人口学刊, 2016, 38(6): 37-45. |
| [70] |
高鸿鹰, 武康平. 集聚效应、集聚效率与城市规模分布变化[J]. 统计研究, 2007, 24(3): 43-47. |
| [71] |
周锐波, 石思文. 中国产业集聚与环境污染互动机制研究[J]. 软科学, 2018, 32(2): 30-33. |
| [72] |
宣烨, 余泳泽. 生产性服务业层级分工对制造业效率提升的影响——基于长三角地区38城市的经验分析[J]. 产业经济研究, 2014(3): 1-10. |
| [73] |
王艺晓, 孙斌栋, 郑涛. 城际交通联系对城市住宅地价差距的影响研究——以中国巨型城市区域为例[J]. 城市问题, 2023(7): 62-72. |
| [74] |
程开明, 刘书成. 城市经济密度与全要素生产率——兼论城市规模的调节效应[J]. 中国人口科学, 2022(6): 39-54. |
| [75] |
DU Y N, ZHOU J P, BAI J C, et al. Breaking the resource curse: the perspective of improving carbon emission efficiency based on digital infrastructure construction[J]. Resources policy, 2023, 85: 103842. DOI:10.1016/j.resourpol.2023.103842 |
| [76] |
张军, 闫雪凌, 余沭乐, 等. 工业机器人应用与劳动关系: 基于司法诉讼的实证研究[J]. 管理世界, 2023, 39(12): 90-105. |
| [77] |
吴祖光, 孟祥龙. 混合所有制改革对研发投入强度的影响: 政府透明度的调节作用[J]. 科技进步与对策, 2021, 38(18): 18-26. |
| [78] |
肖小东, 刘耀彬, 李汝资. 中国资源型城市经济高质量发展水平识别与转换规律——以30个煤炭城市为例[J]. 自然资源学报, 2023, 38(3): 563-575. |
| [79] |
金悦, 陆兆华, 檀菲菲, 等. 典型资源型城市生态承载力评价——以唐山市为例[J]. 生态学报, 2015, 35(14): 4852-4859. |
| [80] |
李胜兰, 初善冰, 申晨. 地方政府竞争、环境规制与区域生态效率[J]. 世界经济, 2014(4): 88-110. |