摘要:选取2012—2022年长三角地区41个城市作为研究对象，采用熵权法测度长三角地区数智化发展水平，实证检验数智化发展对长三角地区制造业绿色转型的影响效应和作用机制。研究发现：第一，2012—2022年间长三角地区数智化水平与制造业绿色转型水平整体上升，地区内部差距逐步缩小。第二，数智化发展对长三角地区制造业绿色转型具有显著促进效应，主要通过绿色技术创新、能源效率提升、产业结构优化三条路径促进长三角制造业绿色转型。第三，区域导向性政策、科技导向性政策、环境规制政策和绿色金融发展水平对数智化促进制造业绿色转型具有正向调节作用。数智化发展对长三角地区本地和周边地区的制造业绿色发展均具有显著的正向空间溢出效应。促进数智化赋能长三角地区制造业绿色转型，需要夯实数智化基础支撑，优化绿色转型政策工具组合与资源统筹配置方式，完善空间协同机制。

关键词:长三角地区；数智化发展；制造业绿色转型；绿色全要素生产率

基金:武汉大学区域经济研究中心自主科研项目“新型工业化理论与实践”（2026qy02）

作者简介:吴传清，武汉大学经济与管理学院教授，博士生导师;*张小茹，武汉大学经济与管理学院博士研究生;池明锟，武汉大学经济与管理学院博士研究生。

制造业是国家经济命脉所系，是立国之本、强国之基。推进制造业绿色低碳发展是大势所趋，要加快绿色科技创新和先进绿色技术推广应用，强化新型工业化绿色底色。中共中央、国务院2024年发布的《关于加快经济社会发展全面绿色转型的意见》强调，要“推动传统产业绿色低碳改造升级，推进产业数字化智能化同绿色化的深度融合”。《中华人民共和国国民经济和社会发展第十五个五年规划纲要》强调，“坚持智能化、绿色化、融合化方向，构建以先进制造业为骨干的现代化产业体系”。长江三角洲地区（以下简称“长三角地区”）作为我国经济发展最活跃、开放程度最高、创新能力最强的区域之一，在国家现代化建设全局与区域协调发展战略中，始终占据着不可替代的重要战略地位。2025年，长三角地区经济总量达到34.66万亿元，GDP占全国比重达24.7%，累计建成26个国家级先进制造业集群、150多个绿色工业园区、2000多家国家级绿色工厂，智能制造、绿色制造体系建设均走在全国前列。在贯彻落实长三角一体化发展重大国家战略进程中，绿色发展始终是区域高质量发展的内在底色，更是实现区域协同、可持续发展的重要根基。2025年12月，生态环境部等七部门联合印发《长三角美丽中国先行区建设行动方案》明确指出，长三角紧扣一体化和高质量发展两个关键，在发展绿色生产力、生态环境共保联治上先行突破。因此，系统探究长三角地区数智化赋能制造业绿色转型的内在机理与实践路径，有助于揭示长三角制造业绿色转型的驱动机制、提升长三角地区制造业竞争力，更能为全国其他地区探索数智化赋能制造业绿色化发展路径提供可参考的“长三角经验”。

数智化是数字化与智能化的融合演进注，已成为重塑产业生产方式、优化资源配置效率的重要力量注。围绕数智化赋能制造业绿色转型话题，既有研究多从数字技术创新切入，考察其对制造业污染减排注、绿色生产注注的影响，也有部分研究聚焦数智化对城市减污降碳协同效应注注、包容性绿色增长注等领域。关于长三角地区绿色发展研究议题，学者基于数智融合的视角，对长三角地区减污降碳协同治理注、城市群绿色发展注、工业大气污染注、数字化绿色化协同发展注注等方面进行了有益探索。数智化在优化生产流程、降低资源消耗、提升要素配置效率等方面的技术优势，为制造业绿色转型提供潜在可能。通过梳理既有研究发现，学界针对制造业绿色转型的影响因素展开了丰富讨论，但仍有可拓展之处。第一，既有研究多聚焦数字技术等因素对制造业绿色发展的影响，且多数仍从单一技术的研究视角切入，较少从数智化发展的角度进行系统考察。第二，既有研究大多基于全国省域或城市展开分析，对典型区域关注不足，尤其缺乏对长三角地区制造业绿色转型机制的研究。有鉴于此，数智化发展在制造业绿色转型过程中能够发挥什么样的作用？影响程度如何？数智化驱动制造业绿色转型过程背后的作用机制是什么？数智化在影响长三角地区制造业绿色转型过程中的空间溢出效应如何？目前国内鲜有研究能够针对上述问题展开系统性阐释与回应。

本文尝试从以下三个方面对数智化和长三角地区制造业绿色转型相关研究进行补充与拓展：第一，聚焦长三角典型区域并将数智化作为系统性变革整体考察。作为我国制造业规模最大、数智化发展起步最早、一体化程度最高的区域，数智化发展对制造业绿色转型的赋能效应在长三角地区表现得最为充分和典型。本文从系统视角出发，运用熵值法测度长三角地区数智化发展水平，考察数智化发展对长三角地区制造业绿色转型的影响效应及其作用机理，以期在理论上深化对“数智化赋能绿色化”逻辑的理解；实践上为长三角地区推动制造业数字化绿色化协同发展、制定有效的产业转型政策提供学理依据。第二，理论机制构建更为系统。在识别绿色技术创新、能源效率提升和产业结构优化三条传导路径的基础上，从“有为政府与有效市场”相结合的视角，引入政府政策支持与绿色金融发展作为调节变量，揭示不同外部政策与市场条件下数智化赋能效应的差异，在政策层面具有明确的启示意义。第三，运用空间分析方法，检验数智化发展对长三角地区制造业绿色转型具有正向溢出效应，更系统地解释数智化赋能绿色发展的作用机制与边界条件。

一、理论分析和研究假设

（一）数智化发展对制造业绿色转型的影响机制分析

制造业绿色转型传统路径往往将环境规制视为外生成本，强调通过末端治理或外部压力驱动转型，这一路径的实施过程常伴随效率损失。区别于传统技术，数智化以数字技术与智能技术深度融合为核心，具有高技术含量和低环境成本的特点注。因此，数智化对制造业绿色转型的促进作用内嵌于全产业链与全生命周期的内生性改造，实现效率和效益双重提升。本文将数智化赋能制造业绿色化转型的机理归纳为绿色技术创新效应、能源效率提升效应与产业结构升级效应三个方面。

1. 绿色技术创新效应

根据内生增长理论，知识的非竞争性与可扩散性是技术进步的核心动力，数智化发展正是通过加速知识溢出显著提升了各类创新资源的配置效率注。在研发模式层面，数智化发展改变了传统研发模式，数据驱动的创新决策替代了以往的经验导向模式，借助跨领域、全链条的数据整合与智能分析，企业能够更精准地识别绿色技术需求与研发方向注。同时通过引入数字仿真技术大幅降低试错成本，提高绿色创新效率和创新成果转化率。在组织协同层面，工业互联网、云计算平台等数字基础设施的接入，能够促进知识、技术、数据等创新要素的跨组织流动与共享。尤其是中小型企业能以较低成本接入开放、模块化的创新网络，更有助于形成协同研发、融合创新的绿色技术解决方案注注。基于上述分析，本文提出以下假设。

假设1：数智化发展通过促进绿色技术创新，进而促进制造业绿色转型。

2. 能源效率提升效应

长期以来，我国能源消费总量持续攀升，制造业能源消费占比长期处于高位。能源效率的提升是实现“双碳”目标的重要手段注。数智化发展既纠正传统能源的配置扭曲，又加速清洁能源的规模化应用，实现能源利用效率系统化提升，从而推动制造业能源体系向清洁低碳方向转型注。在能源管理层面，数智化感知体系通过实时采集设备能耗、工序温度等多源数据，实现了能源流的全程数据化与可视化。企业能够对能耗进行精准监测与诊断，减少传统模式下因能耗监测模糊、异常诊断滞后导致的能源浪费注。在能源决策层面，人工智能算法与机器学习模型，推动能源配置从静态分配向自适应响应转型。一方面，工业互联网平台整合多源异质数据，以人工智能算法实现全局优化决策，能够有效打通能源数据与生产环节的信息壁垒，生成最优的能源调度方案；另一方面，机器学习对用能规律的建模与预测，使得能源要素得以更高效地嵌入生产体系，系统性提升能效水平。在清洁能源替代层面，数智化能有效破解可再生能源间歇性、波动性的技术难题，大幅提高制造业对清洁能源的消纳能力。智能电网和微电网建设实现分布式光伏、储能与生产的协同调度，绿电交易平台则降低了企业用能成本与门槛，显著提升制造业清洁能源消纳能力。基于上述分析，本文提出如下假设。

假设2：数智化发展通过提高能源效率，进而促进制造业绿色转型。

3. 产业结构升级效应

根据结构变迁理论，经济发展的本质是生产要素从低生产率、高消耗部门向高生产率、低消耗部门转移的过程注，数智化发展可以重构产业边界，促进产业升级和产业融合，形成制造业绿色转型的内生动力。在产业升级方面，数智化推动制造业价值链向绿色高端攀升注。数智化技术应用于钢铁、化工、建材等高耗能传统制造业，通过工业互联网实现物料和生产信息的实时采集与协同优化，能够精准识别生产过程中的资源浪费和污染排放环节；进而推动生产方式从清洁生产、绿色生产转变。此外，数智化是高技术制造业发展的关键技术支撑，这些产业本身具有技术密集、附加值高、碳排放强度低的特点，直接提高绿色制造的比重注。在产业融合方面，数智化催生专业化绿色服务新业态，推动碳核算、能源审计、环境咨询等生产性服务业的服务模式创新与效率提升。平台化模式推动服务供给规模化与普惠化，大幅降低企业获取绿色服务的成本与门槛。因此，数智化驱动的绿色制造体系完善与绿色服务新业态发展，推动制造业绿色转型。基于上述分析，本文提出如下研究假设。

假设3：数智化发展通过推动产业结构升级，进而促进制造业绿色转型。

（二）数智化发展对制造业绿色转型的调节机制分析

数智化赋能制造业绿色转型效应发挥离不开外部治理体系的有效支撑。党的二十届四中全会指出，“十五五”时期经济社会发展必须坚持有效市场和有为政府相结合，充分发挥市场在资源配置中的决定性作用，更好发挥政府作用注。以有效市场提高资源配置效率，以有为政府弥补市场失灵是我国推动经济高质量发展的核心制度优势注，也是放大数智化绿色赋能效应的重要保障。政府通过政策引导与制度供给，为数智化与绿色化融合发展提供方向指引，通过打破区域间行政壁垒，促进数据、技术、人才等创新要素跨区域流动，为产业绿色转型创造良好制度环境；市场通过价格机制与资源配置，为加快数智技术创新和应用、促进生产方式变革提供重要的外部激励。其中，绿色金融作为市场机制的重要组成部分，能够引导社会资本向绿色低碳领域倾斜，通过绿色信贷、绿色债券等工具为企业数智化绿色改造提供长期低成本资金，同时依托数智技术提升绿色项目的识别与评估效率，能够有效缓解企业转型过程中的融资约束与信息不对称问题注注。完善的政府治理与成熟的市场机制，能够有效破解数智化转型中的区域分割与资源错配问题，进一步优化数智化赋能制造业绿色转型的效益。因此，本文提出如下假设。

假设4：政府政策支持与绿色金融发展对数智化发展促进制造业绿色转型具有正向调节效应。

（三）数智化发展对制造业绿色转型的空间效应机理

由于数智技术具有强渗透性、广覆盖性等特点，城市之间因为地理距离上的临近关系会带来更为频繁的交流，通过区域间的技术扩散和产业协作对周边地区产生空间溢出效应注。从技术扩散的角度看，数智技术可通过城市间的产业链协作、技术示范与人才流动实现跨区域传播，推动先进绿色生产工艺与智能化管理体系在空间上复制推广，形成由创新高地向外围城市梯度传导的绿色技术溢出格局。从产业协作的角度看，依托城市群内部制造业空间分工与紧密的供应链网络，数智化能够显著提升区域信息共享效率与资源整合能力，带动供应链上下游企业协同推进节能降碳与绿色工艺改造，实现制造业绿色转型的空间协同。基于上述分析，本文提出如下假设。

假设5：数智化发展对制造业绿色转型具有正向空间溢出效应。

综上，数智化发展赋能制造业绿色转型的分析框架见图1。

图1数智化发展赋能制造业绿色转型的分析框架

二、研究设计

（一）变量选择

1. 核心解释变量

数智化发展既是制造业转型升级的重要方向，也是形成新质生产力的重要途径。区别于“数字化”运用数字技术对实体经济各环节进行改造升级和价值重塑的过程，“数智化”在数字化转型的基础上，引入智能化技术（如人工智能、机器学习等），建立决策机制的自优化模型，实现智能化分析、管理与执行。因此，本文从数字化与智能化两大维度构建数智化发展水平的指标体系。

（1）数字化。

数字化维度的指标选取根据国家统计局《数据领域常用名词解释（第一批）》对城市全域数字化转型的界定，城市全域数字化转型是指城市以全面深化数据融通和开发利用为主线，综合利用数字技术和制度创新工具，实现技术架构重塑、城市管理流程变革和产城深度融合，促进数字化转型全领域增效、支撑能力全方位增强、转型生态全过程优化的城市高质量发展新模式。基于此，本文从三个层面选取指标表征数字化水平：第一，数字基础设施作为发展基石，选取长途光缆线密度、人均互联网宽带接入端口、移动电话普及率、互联网普及率等指标，反映数字技术应用的硬件支撑能力；第二，数字技术创新作为核心动力，通过数字技术专利数量，衡量技术供给能力；第三，数字化应用作为直接成果，采用电子商务交易额、数字普惠金融指数、人均电信业务量、信息传输、软件和信息技术服务业就业人数占比等指标，体现数字化对经济形态的重塑程度。

（2）智能化。

智能化以数字化与网络化为基础，借助人工智能实现智能决策，可对复杂环境进行感知、分析与自适应调整，进而实现智能运营与创新发展注。因此，智能化的二级指标侧重智能创新和智能制造，具体选取人工智能技术专利、人工智能企业发展、机器人安装密度等相关指标进行表征。

具体指标阐述见表1。进一步，采用熵权法测算长三角地区数智化发展水平。

表1数智化发展水平指标体系

2. 被解释变量

被解释变量设定为制造业绿色全要素生产率，采用超效率SBM-DEA模型测算。借鉴既有文献的指标设计思路注，对制造业绿色全要素生产率测算所需的投入产出指标界定如下：第一，投入要素维度。劳动力投入，采用各城市制造业就业人数（单位：万人）作为衡量依据；资本投入，选取规模以上制造业企业年度固定资产净值（单位：万元）作为代理指标；能源消耗，以各城市工业用电量（单位：万千瓦时）表征能源投入强度。第二，产出要素维度。期望产出，以地区生产总值（GDP）的核算结果反映制造业经济产出水平；非期望产出，选取各城市工业废水排放量、二氧化硫排放量及烟尘排放量（单位均为：万吨）作为环境负产出的衡量指标。

3. 控制变量

借鉴既有研究注，本文选取以下控制变量：地区经济发展水平（gdp），以人均GDP的对数来表征。金融发展水平（fin），采用金融机构贷款余额占GDP比例衡量。对外开放水平（open），以外商投资企业数的对数值衡量。政府规模（gov）以地方财政一般预算内支出占地区生产总值的比例衡量。工业发展水平（industry），以规模以上工业企业数量的对数值衡量。科教支持（sci），以科学支出与教育支出之和占地区生产总值的比重来衡量。

（二）模型设定

本文构建以下计量模型考察数智化发展水平对长三角地区制造业绿色全要素生产率的影响：

其中，i和t分别表示城市和年份。被解释变量GTFPit为制造业绿色全要素生产率水平；核心解释变量DIGit为长三角地区数智化发展水平；Controlsit表示影响绿色全要素生产率水平的控制变量的集合；Cityi表示地区固定效应，Yeart表示年份固定效应，εit为随机干扰项。β1系数是本文核心关注变量，用于识别数智化发展对长三角制造业绿色全要素生产率的净效应。倘若β1显著为正，则表明数智化发展具有正向效应，反之则具有负向效应。

进一步，在式（1）中引入空间矩阵，将式（1）拓展为空间面板模型，分析数智化发展对长三角地区制造业绿色全要素生产率的空间效应。构建的模型具体如下：

其中，θi表示空间自回归系数，Wij表示空间权重矩阵，其他系数与式（1）保持一致。

（三）数据来源

本文以2012—2022年长三角地区41个城市为研究样本，对这一时期数智化发展与制造业绿色转型的关系展开系统考察。选取2012年作为研究起始年份，核心依据在于，党的十八大正式将生态文明建设纳入中国特色社会主义事业“五位一体”总体布局。长三角作为国家重大区域战略的重要承载区域，自此率先全面推进制造业绿色转型的系统化落地实践，具备典型的样本研究价值。此后，数字经济政策持续加码，数智技术加速向产业领域渗透融合。将2022年作为研究区间终点，主要由于部分核心指标的数据可得性。研究对象则依据《长三角区域一体化发展规划纲要》确定，涵盖沪、苏、浙、皖全域。数字化和智能化的相关数据（如电子商务交易额、数字普惠金融指数等）主要取自中国研究数据服务平台（CNRDS）及北京大学数字金融研究中心等数据库。其他数据来自《中国统计年鉴》《中国城市统计年鉴》和EPS数据库。描述性统计见表2。

表2主要变量描述性统计

三、实证分析

（一）测算结果分析

基于测算结果，本文利用MATLAB R2024b软件绘制了两者的三维核密度图，揭示2012—2022年长三角地区数智化水平与制造业绿色转型水平的动态演变特征。

1. 长三角地区数智化发展水平的动态演变特征

2012—2022年长三角地区数智化水平的三维核密度图（见图2），具体特征如下：从分布位置看，分布曲线的中心位置总体上向右偏移，反映长三角地区数智化发展水平整体呈上升态势。峰值数量减少，这表明长三角地区数智化水平的内部差距逐步缩小。在分布形态与拖尾特征上，核密度估计结果显著右拖尾且始终为单峰分布，表明少数地区数智化水平领先，整体提升主要源于集中区域的进步，领先地区带动全域。综合而言，长三角地区数智化发展水平呈稳步提升的整体态势，少数数智化领先地区充分发挥示范带动作用。

2. 长三角地区制造业绿色全要素生产率的动态演变特征

2012—2022年长三角地区制造业绿色转型水平的三维核密度图（见图3），具体特征如下：从分布位置而言，核密度峰值对应的制造业绿色转型水平随时间推移持续向高值区间迁移，表征长三角地区制造业绿色转型整体水平呈上升态势；在分布形态与拖尾特征上，核密度无明显极端拖尾现象，且始终以单峰分布为主要形态，未出现双峰极化格局，体现长三角制造业绿色转型以整体水平提升为核心，区域内转型发展的协同性较强。这可能是由于长三角地区依托区域一体化战略实现了绿色发展政策协同与要素高效流动，低碳规制、绿色技术的跨区域普及落地推动转型水平整体提升，同时弱化了区域发展差距。

图2长三角地区数智化水平核密度图

图3长三角地区制造业绿色转型水平核密度图

（二）基准回归

本文采用城市和年份的双向固定效应模型考察数智化水平对长三角地区制造业绿色全要素生产率的影响效应。如表3第（1）列所示，在没有包含任何控制变量的情况下，DIG的系数为0.4918，在1%的显著性水平下显著为正，初步验证了数智化发展能够显著提高长三角制造业绿色全要素生产率。为了进一步检验实证的准确性，减少其他因素的影响，第（2）列加入地级市层面的控制变量。回归结果显示，在控制上述潜在影响因素后，DIG的估计系数虽有所变动，但仍在1%的水平上保持显著为正。上述结果表明数智化发展能够显著提升长三角制造业绿色全要素生产率，假设1成立。

表3基准回归结果

注：括号内为标准误；***、**、*分别表示在1%、5%、10%的显著性水平下通过检验，下同。

（三）稳健性检验

1. 内生性检验

考虑到数智化发展水平与绿色全要素生产率之间可能存在反向因果关系，本文采用工具变量法来处理内生性问题。借鉴黄群慧等注的做法，本文采用1984年城市邮局数量作为数智化发展水平的工具变量。采用这一变量的理由如下，1984年的城市邮局数量作为历史数据，主要受当时的邮政基础设施布局等历史因素影响，与当前的绿色全要素生产率不存在直接关联，满足工具变量的外生性条件。此外，早期信息基础设施较为完善的地区，往往在后续的技术迭代中更易形成信息流通的路径依赖和优势积累，为现代数智技术的推广应用提供了一定的硬件支撑，满足工具变量的相关性条件。此外，考虑到1984年城市邮局数量为截面数据无法捕捉不同年份数智化发展水平的动态变化，本文参考Nunn等注的做法，将其乘以时间趋势项，记为IV。

表4报告了两阶段最小二乘法（2SLS）的内生性处理结果。第一阶段回归中，工具变量系数IV在1%水平显著为正，印证其与数智化水平具有强相关性。Anderson canon LM统计量在1%的水平上显著，表明工具变量与被解释变量之间不存在过度识别问题；Cragg-Donald Wald F统计量（76.26）远高于Stock-Yogo检验10%显著性水平下的临界值（16.38），表明不存在弱工具变量问题，工具变量设定具备有效性。第二阶段回归结果进一步显示，核心解释变量DIG的估计系数依旧显著为正，且通过了1%的显著性水平检验。这意味着，在克服了内生性干扰后，数智化发展对长三角制造业绿色全要素生产率的正向驱动效应依然稳健，进一步验证了基准回归结论的可靠性。

表4工具变量估计结果

2. 更换被解释变量

考虑到不同测算模型可能因假设条件、处理方法的差异对绿色全要素生产率的估算结果产生影响，为进一步验证结论的可靠性，本文更换被解释变量的测算方法，采用超效率CCR模型重新测算制造业绿色全要素生产率水平，将其作为被解释变量进行回归。表5第（1）列中，DIG的系数在1%的水平显著为正，表明无论采用何种模型测算绿色全要素生产率，数智化发展对长三角地区制造业绿色转型的正向促进作用依然显著，本文的基准回归结论稳健。

3. 更换核心解释变量

考虑到关键数字技术是数智化的重要载体，本文用地区人均关键数字技术（DIG1）来衡量地区的数智化发展水平作为核心解释变量回归，表5第（2）列中，DIG1的系数在1%的水平显著为正，进一步验证了本文结论的稳健性。

4. 剔除特殊样本

考虑到直辖市和省会城市通常作为区域政治、经济和科技中心，在政策倾斜、资源禀赋、基础设施建设等方面与其他城市存在显著差异，这类城市数智化发展往往依托更优厚的条件实现超前布局，可能对整体回归结果产生特殊影响。因此，本文剔除了上海、南京、杭州与合肥四个城市的样本再进行回归，表5第（3）列的结果显示，DIG的系数在1%的水平显著为正，证实了数智化发展水平对长三角地区制造业绿色全要素生产率的促进作用。

5. 考虑滞后效应

考虑到数智化发展对制造业绿色转型的作用可能存在时间上的传导延迟，本文将滞后一期的长三角地区数智化水平（DIG.L1）作为核心解释变量进行回归，在表5第（4）列中，DIG.L1的系数在1%的水平显著为正，与基准回归结果在方向上保持一致，验证了数智化水平对长三角地区制造业绿色全要素生产率的积极影响具有持续性，本文的基准回归结论稳健。

6. 控制高维固定效应

传统的单向或双向固定效应虽能控制不随时间变化的个体特征或不随个体变化的时间趋势，但难以处理既随个体又随时间变化的未观测因素。省份与年份的交互固定效应能更精准地捕捉随时间变化的区域异质性，本文进一步控制省份与年份的交互固定效应。回归结果如表5第（5）列所示，DIG的系数在1%的水平显著为正，表明数智化发展水平对长三角地区制造业绿色全要素生产率提高具有显著促进作用，本文的回归结论稳健。

表5稳健性检验

（四）机制分析

1. 绿色技术创新效应

数智化不仅是技术应用的升级，更是重塑区域创新响应能力、优化创新资源配置效率的关键支撑。为验证这一机制，本文借鉴董直庆等注的研究成果，采用各地级市绿色发明专利申请数量的对数作为地区绿色创新水平代理变量，将其作为被解释变量纳入模型（1）进行回归。表6第（1）列的结果显示，DGI的估计系数在5%的显著性水平上为正，数智化发展显著促进了长三角地区绿色创新，验证了假设1成立。这一促进效应的内在机理可能在于：第一，从动态能力理论视角看，数智化拓展了制造业企业的感知边界与创新边界，促使企业主动探索绿色工艺革新与绿色产品升级。通过数字化手段动态捕捉外部环境挑战与机遇，企业得以持续优化绿色生产流程，从源头实现生产模式的绿色化转型。第二，依据资源基础观，数智化显著降低了企业获取环境信息与绿色资源的成本。企业能够更高效地整合内外部创新资源，精准把握政策导向并缓解研发融资约束，积极投身绿色技术研发，绿色创新成果的产业化应用直接提升了全要素生产率与资源利用效率，进而促进制造业的绿色化转型。

2. 能源效率提升效应

为评估制造业能源效率，本文借鉴汪克亮等注的研究成果，采用超效率SBM模型与CCR模型进行综合测算。表6第（2）列和第（3）列分别汇报了基于上述两种效率指标的回归结果。核心解释变量DIG的估计系数在两组回归中均至少在5%的显著性水平上为正。这表明，数智化发展对能源效率的提升作用，并不会因效率测度方法的选择不同而发生本质改变。两种模型结果均表明数智化发展通过优化能源投入与产出关系，系统性地改善了制造业的能源配置与转换效率，减少了生产过程中的能源浪费与资源配置扭曲，进而促进了制造业绿色转型。因此，假设2成立。

3. 产业结构升级效应

产业结构优化升级体现为产业层次由低向高提升，呈现出高加工度、高附加值、集约化、服务化与知识密集化的特征。本文借鉴干春晖等注的研究成果，采用第三产业产值与第二产业产值之比作为产业结构升级的代理变量。表6第（4）列的回归结果显示，核心解释变量DIG在1%的显著性水平上为正，表明数智化显著推动了产业结构向高级化形态演进，验证了假设3成立。数智化发展重塑了要素配置效率与产业关联方式，催生了平台经济、数字服务等新兴业态，为产业结构升级提供了持续动力。数字平台等新兴业态通过赋能传统制造业服务化转型，更高效地实施节能改造、开发绿色产品、优化资源循环，从而显著提升制造业绿色全要素生产率。

表6机制分析结果

（五）扩展性分析

本文分别从政府和市场两个维度检验数智化赋能制造业绿色转型的调节效应：在政府行为方面，从区域导向性政策、科技导向性政策和环境规制政策三个维度，系统考察不同类型政府政策支持对数智化赋能制造业绿色转型效应的调节作用；在市场行为层面，从绿色金融市场发展水平出发，检验市场机制在放大数智化赋能效应中的调节作用。

1. 政府行为的调节作用

长三角地区在“有为政府”建设方面形成了系统性的制度创新与实践示范，具体表现在三个方面：一是通过区域一体化政策破除行政壁垒，构建统一开放的要素市场；二是推动科创共同体建设，促进科技创新与产业创新深度融合；三是通过环境规制政策强化外部约束，加快经济社会发展全面绿色转型。

首先，本文考察区域一体化政策的调节作用。2019年12月，中共中央、国务院印发《长三角区域一体化发展规划纲要》（以下简称《纲要》），标志着长三角一体化发展正式上升为国家重大战略，区域协同治理进入制度化、系统化推进的新阶段。为识别这一制度升级影响数智化对制造业绿色转型的调节作用，本文以2019年为界，将全样本划分为区域一体化程度较低阶段和区域一体化程度较高阶段两组子样本进行回归分析。表7第（1）列和第（2）列的结果显示，在一体化程度较低阶段，DIG的回归系数未通过显著性检验；而在一体化程度较高阶段，DIG的回归系数在5%的统计水平上显著。这一结果表明，有为政府主导的区域一体化制度升级，显著放大了数智化发展对制造业绿色转型的赋能效应。《纲要》实施后，中央和地方政府通过顶层设计系统性破除了跨区域行政壁垒，建立了统一的区域治理体系。一方面，统筹规划数智化基础设施建设，推动5G基站、工业互联网平台、数据中心等重大基础设施的跨区域共建共享与互联互通；另一方面，长三角各地区政府在人才引育、产业用地、税收优惠、环境执法等方面出台了一系列跨区域协同的政策，为数智化赋能制造业绿色转型提供了强有力的制度叠加支持。

其次，考察科创共同体建设的调节作用。G60科创走廊作为长三角科创共同体建设的核心载体，承担着探索跨区域科创资源整合与产业协同发展的重大使命。为检验科技共同体对数智化绿色转型效应的调节作用，本文以是否为G60科创走廊成员城市作为科创共同体建设的代理变量注，将样本划分为G60城市与非G60城市两组子样本。表7第（3）列和第（4）列的结果显示，G60科创走廊城市的DIG回归系数为0.8457，在1%的统计水平上显著；非G60科创走廊城市的DIG回归系数为0.5312，同在1%水平上显著，但前者的系数远大于后者。这一结果表明，有为政府通过构建科创协同与产业协同的新型载体，有效放大了数智化发展的绿色转型赋能作用。G60科创走廊集聚了长三角地区60%以上的高等院校、科研院所与高新技术企业，构建了统一的创新要素市场与协同创新体系，推动了工业互联网、人工智能、大数据等技术在节能降碳、污染治理、资源循环利用等领域的应用。同时，G60科创走廊建立了跨区域的产业协同机制，通过共建产业园区、搭建产业链对接平台等方式，加速数智技术沿着制造业产业链垂直渗透，实现全生命周期绿色管理，提升全产业链的绿色效率。

再次，考察环境规制政策强度的调节作用。从理论上看，在生态文明建设背景下，我国不断完善的环境监管体系对制造业绿色转型形成了制度压力。因此，本文参考邵帅等注的做法，采用长三角各城市政府工作报告中，环保相关词汇所在句子字数占报告总字数的比重来衡量环境规制强度，并按其中位数将样本划分为高、低两组进行分组回归。表7第（5）列和第（6）列的结果显示，在环境规制强度较高的子样本中，DIG的回归系数为0.5419，在1%的统计水平上显著；而在环境规制强度较低的子样本中，DIG的回归系数为0.2474，在5%的水平上显著，且系数大小远小于环境规制强度较高组系数。这一结果表明，在不同规制强度下数智化均能显著促进绿色转型，但数智化促进作用在环境规制更强的组别中更为突出。科学严格的环境规制可有效放大数智化发展的绿色红利，有力支持了“波特假说”在数智化赋能绿色转型的适用性。环境规制通过激发企业创新补偿、引导数智技术绿色应用，与数智化形成协同增效机制，共同强化制造业绿色转型的实施效果，从侧面揭示了环境政策与数智技术在推动制造业绿色转型过程中存在的协同增效机制。

2. 市场行为的调节作用

考虑到在当前推动绿色低碳发展的政策背景下，绿色金融作为市场化的激励工具，其发展水平可能对技术创新的环境效益产生重要影响。本文进一步考察绿色金融发展水平在数智化推动制造业绿色转型过程中的调节作用。本文根据王伟等注的做法构建城市绿色金融指数，按其中位数将样本分为高、低水平组进行分组回归。表7第（7）列和第（8）列显示，在绿色金融市场发展水平较高的子样本中，DIG的回归系数为0.4389，在1%的统计水平上显著；而在绿色金融市场发展水平较低的子样本中，DIG的回归系数为0.3120，在5%的水平上显著。这表明，绿色金融体系作为关键市场激励机制，对数智化赋能制造业绿色转型的影响发挥正向调节作用。完善的绿色金融服务可能通过降低企业绿色技术创新与数智化改造的融资约束，从而强化数智化对制造业绿色转型的推动作用。

表7调节机制结果

综上所述，区域一体化统筹与跨区域科创共同体建设体现了有为政府在打破行政壁垒、整合创新资源方面的制度优势，环境规制通过刚性约束倒逼企业加速绿色转型，而绿色金融则发挥了有效市场在绿色资本配置中的核心作用，政企双向发力、制度与市场形成互补，显著增强了数智化对制造业绿色转型的推动作用，假设4成立。

3. 空间溢出效应分析

上述分析已证实数智化发展能显著促进长三角地区制造业绿色转型。但从“本地—邻地”研究视角看，数智化发展对长三角地区制造业绿色转型是否具有显著的空间溢出效应？为进一步揭示数智化发展对长三角制造业绿色转型的空间关联特征，本文采用空间计量模型进一步验证。

首先，本文利用莫兰指数检验核心变量的空间自相关性。如表8所示，城市制造业绿色转型存在显著空间正相关，表明邻近城市在制造业绿色转型上具有趋同特征；数智化发展同样呈现空间正相关，说明地理邻近城市间存在明显的空间联动效应。基于LM、LR与Wald检验结果注，采用空间杜宾模型进行回归，并选取空间邻接矩阵作为空间权重矩阵。

表8制造业绿色全要素生产率和数智化水平的莫兰指数检验结果

在表9的空间杜宾模型回归结果中，DIG的系数为0.4097，在1%显著性水平显著为正，验证了本地数智化发展能够显著促进本地制造业绿色全要素生产率的提升。DIG的空间滞后性系数为0.4694，在1%水平显著为正，说明数智化在空间维度上具有明显的正向溢出作用，对周边地区产生显著的空间带动效应，验证了假设5成立。进一步分解效应结果可知，数智化对制造业绿色转型的直接效应为0.4027，间接效应为0.3788；总效应为0.7816是对上述两种效应的加总，均在1%水平显著，证明前文空间效应结果的稳健性。这一现象的背后逻辑可能在于：在技术扩散效应层面，长三角地区作为全国数字经济与智能制造的高地，数智技术可借助城市间的产业链协作、技术示范及人才流动实现快速传播，促使先进绿色生产工艺与智能化管理体系跨区域复制推广；在产业协同效应层面，区域内制造业空间分工与供应链网络的紧密性较高，数智化发展可进一步强化区域内信息共享效率与资源配置能力，带动上下游企业协同开展节能降碳与绿色工艺改造，进而形成区域绿色制造共振效应；在政策与市场联动效应层面，长三角一体化战略推动了跨省域政策协同与标准互认进程，数智化发展水平较高的地区可通过政策示范与市场需求外溢，引导周边城市加快制造业绿色转型进程。

表9空间溢出效应回归结果

四、研究结论与政策建议

本文基于2012—2022年长三角地区41个城市数据，系统考察了数智化发展对长三角地区制造业绿色转型的影响效应及其作用机制，得出如下结论：

第一，2012—2022年间，长三角数智化水平与制造业绿色转型水平均整体上升，地区内部差距逐步缩小，始终保持单峰分布的发展特征。第二，数智化发展对长三角地区制造业绿色转型具有显著促进作用，主要通过促进绿色技术创新、推动能源效率提高以及产业结构升级推动制造业绿色转型。第三，“有为政府和有效市场”均能有效强化数智化对制造业绿色转型的赋能效果。长三角区域一体化政策实施、跨区域科创共同体建设、较为严格的环境规制强度以及较高的绿色金融市场发展水平均能正向调节数智化发展对制造业绿色转型的促进效应。第四，数智化发展对长三角制造业绿色转型具有显著的正向空间溢出效应。数智化不仅直接推动本地制造业绿色转型，还对邻近城市的制造业绿色低碳发展产生积极的辐射带动作用。

基于上述结论，本文提出如下政策建议：

第一，强化数智基础建设，夯实绿色转型支撑体系。以长三角一体化战略为牵引，加快构建全域覆盖、梯次联动的数字基础设施体系，推进数智技术与制造业场景的差异化融合布局，重点推进工业互联网、千兆光网、5G-A及边缘计算节点的覆盖与布局注，为不同规模企业提供适配的数智化转型解决方案。培育数智化领航企业，鼓励龙头企业提炼绿色化改造经验并转化为标准化路径，依托长三角产业链供应链紧密联动的优势，通过技术输出、平台共享、订单牵引等方式，辐射带动产业链上下游中小企业同步实现“智改数转赋绿”，形成大中小企业融通共生的绿色转型生态。

第二，激活多维中介路径，系统激活绿色转型动力。在促进绿色创新方面，强化企业创新主体地位，推动龙头企业联合上下游组建绿色技术创新联合体，开展关键核心技术联合攻关。完善市场化成果转化服务体系，培育一批专业化技术转移机构，打通技术创新与产业应用的“最后一公里”。在能源效率提升方面，推动重点行业开展能源系统数字化改造，建设智慧能源管理平台，实现用能实时监测与动态优化。在产业结构升级方面，引导资源向高技术、低排放的先进制造业集聚，培育一批具有国际竞争力的绿色低碳产业集群，推动传统产业智能化、绿色化、融合化发展。

第三，发挥有为政府引导作用，强化政策供给与激励。一是持续深化区域一体化制度创新，以长三角统一大市场建设为抓手，全面破除地方行政壁垒与市场分割。深化要素市场化配置综合改革，推动数智化人才、技术、资本等核心要素在区域内自由流动与高效配置。加快构建统一的制度规则体系，建立长三角数智化绿色制造标准互认、检测结果共享机制。二是以G60科创走廊为核心载体，做实做强跨区域科创共同体。统筹长三角高校、科研院所与国家级创新平台资源，建立跨区域创新资源共享与利益分配机制，搭建数智化与绿色技术融合的公共研发与中试服务平台，为区域制造业绿色转型提供普惠性技术支撑。三是完善差异化、精准化的环境规制体系，在保持适度规制强度形成转型倒逼压力的同时，避免“一刀切”式监管，鼓励企业运用数字孪生、智能监测等技术提升环境治理精细化水平，将环境合规压力转化为技术创新动力。结合长三角不同城市的功能定位、产业结构与生态承载能力特点，针对上海都市圈、南京都市圈、合肥都市圈等不同区域制定差异化环境规制标准，在保障生态环境质量的前提下，为长三角制造业转型预留合理空间。

第四，发挥有效市场资本配置功能，深化绿色金融改革创新。立足长三角绿色金融发展基础好、金融资源集聚的优势，加快构建跨区域绿色金融信息共享平台，推动企业环境、碳排放与数智化投入等数据有序开放，为金融机构精准授信提供数据支撑。鼓励开发创新金融产品与服务，满足企业数智化绿色改造各阶段的融资需求。同时推动绿色金融市场与碳交易市场的联动，探索数智化减排项目的碳资产开发与融资模式，使金融资源更有效地配置于转型前沿领域，以市场化手段撬动社会资本参与，构建适配长三角制造业发展的绿色金融支撑体系。

第五，完善空间协同网络，释放跨区域发展红利。健全跨区域协同治理机制，完善长三角制造业绿色转型联席会议制度，建立跨区域产业转移、环境治理的利益共享与成本分担机制，实现数智化资源与绿色发展需求的全域高效匹配。支持跨省域产业链数智化协同，打造“技术研发—产业培育—场景应用”跨域协同走廊，强化上海、南京、杭州、合肥等中心城市的辐射带动作用，推动数智化绿色化技术从中心城市向周边县域、产业园区梯度转移，带动皖北、浙西、苏北等转型基础相对薄弱区域实现协同发展，全面提升长三角制造业绿色转型的整体效能与区域协同发展水平。

注释

(1)全国人大财政经济委员会、国家发展和改革委员会编写：《〈中华人民共和国国民经济和社会发展第十五个五年规划纲要〉释义》，中国发展改革出版社，2026，第339页。

(2)孙小强、高秀云、王玉梅：《制造业数智化融合转型发展的关键要素、机理分析及评价指标研究》，《中国科学院院刊》2024年第2期。

(3)王如忠、杜咏咏：《数字技术创新能否推动制造业污染减排？---兼论两种不同环境规制的差异性影响》，《上海经济研究》2026年第1期。

(4)刘启雷、韩青叶：《数字赋能对制造业低碳生产的影响研究》，《科研管理》2025年第6期。

(5)张雪薇、吴滨、刘宇霞等：《数字技术赋能制造业绿色化转型的影响研究---基于空间溢出效应视角的分析》，《科学管理研究》2025年第5期。

(6)王阳、郭俊华：《产业数智化的减污降碳协同效应研究》，《华东经济管理》2026年第1期。

(7)程洪飞、李豫新：《城市“数智化”何以减污降碳？---基于多元主体协同共治视角》，《南京财经大学学报》2025年第4期。

(8)韩先锋、李佳佳：《数智化赋能城市包容性绿色增长：来自双重机器学习的因果推断》，《中国人口·资源与环境》2025年第6期。

(9)张杰、刘亚琪：《数智融合发展对长三角地区减污降碳协同治理的影响研究》，《长江流域资源与环境》2025年第5期。

(10)刘亮、阮俊杰、庄海涛：《数智化赋能长三角城市群绿色发展的效应研究》，《经济地理》2024年第9期。

11周晶晶、蒋乃华、赵增耀：《长三角市场一体化对工业大气污染减排的影响及作用机理研究》，《南通大学学报（社会科学版）》2022年第2期。

12肖沁霖、邓宗兵、乔怡丹：《长三角城市群数字化与绿色化协同发展的时空演变及溢出效应》，《地理科学进展》2025年第6期。

13吴传清、宋用九、邓和顺：《长三角城市群数字化绿色化协同转型发展水平测度及影响因素研究》，《区域经济评论》2025年第5期。

(1)戴翔、杨双至：《数字赋能、数字投入来源与制造业绿色化转型》，《中国工业经济》2022年第9期。

(2)田秀娟、李睿：《数字技术赋能实体经济转型发展---基于熊彼特内生增长理论的分析框架》，《管理世界》2022年第5期。

(3)李金昌、连港慧、徐蔼婷：《“双碳”愿景下企业绿色转型的破局之道---数字化驱动绿色化的实证研究》，《数量经济技术经济研究》2023年第9期。

(4)刘征驰、高翔宇、陈文武等：《数字技术跃迁与企业全要素生产率---从自动化到智能化的比较分析》，《经济评论》2024年第4期。

(5)吴启余、曾刚、杨阳等：《长三角城市绿色创新效率时空演变与绿色创新网络驱动效应》，《长江流域资源与环境》2024年第3期。

(1)张平淡、屠西伟：《制造业集聚、技术进步与企业全要素能源效率》，《中国工业经济》2022年第7期。

(2)金鑫、高煜：《数字技术与绿色技术融合的减碳效应研究：新质生产力的微观实现机制》，《经济学动态》2025年第6期。

(3)丁烨旻、余泳泽、胡鹏等：《大型研究基础设施如何影响能源效率？---来自国家超算中心的证据》，《产经评论》2025年第4期。

(4)干春晖、郑若谷、余典范：《中国产业结构变迁对经济增长和波动的影响》，《经济研究》2011年第5期。

(5)包彤：《数字技术赋能制造业结构双重优化：效益提升与绿色转型》，《南方经济》2023年第12期。

(6)刘朝：《数智化技术助力制造业绿色发展》，《人民论坛》2023年第11期。

(1)王公龙：《坚持有效市场和有为政府相结合》，《红旗文稿》2025年第22期。

(2)陈云贤：《中国特色社会主义市场经济：有为政府+有效市场》，《经济研究》2019年第1期。

(3)金环、于立宏、徐远彬：《绿色产业政策与制造业绿色技术创新》，《中国人口·资源与环境》2022年第6期。

(4)赫国胜、刘融冰：《中国绿色金融发展的区域差异及影响因素研究》，《广西大学学报（哲学社会科学版）》2024年第5期。

(5)罗军、邱海桐：《城市数字经济驱动制造业绿色发展的空间效应》，《经济地理》2022年第12期。

(1)王江平：《关于制造业数字化转型的几点认识》，《数字化转型》2025年第1期。

(2) Daron Acemoglu and Pascual Restrepo，“Robots and Jobs:Evidence from US Labor Markets”,Journal of Political Economy,2020(6).

(1)张杰、刘亚琪：《数智融合发展对长三角地区减污降碳协同治理的影响研究》，《长江流域资源与环境》2025年第5期。

(2)王如忠、杜咏咏：《数字技术创新能否推动制造业污染减排？---兼论两种不同环境规制的差异性影响》，《上海经济研究》2026年第1期。

(1)黄群慧、余泳泽、张松林：《互联网发展与制造业生产率提升：内在机制与中国经验》，《中国工业经济》2019年第8期。

(1) Nathan Nunn and Nancy Qian,“US Food Aid and Civil Conflict”,American Economic Review,2014(6).

(1)董直庆、王辉：《环境规制的“本地-邻地”绿色技术进步效应》，《中国工业经济》2019年第1期。

(2)汪克亮、赵斌、许如玉：《创新要素流动对能源效率的影响》，《统计研究》2023年第4期。

(3)干春晖、郑若谷、余典范：《中国产业结构变迁对经济增长和波动的影响》，《经济研究》2011年第5期。

(1)根据科技部、国家发展改革委等部门联合印发《长三角G60科创走廊建设方案》（国科发规[2020]287号），G60科创走廊沿线城市包括上海、杭州、嘉兴、金华、苏州、湖州、宣城、芜湖、合肥，共九座城市。

(1)邵帅、葛力铭、朱佳玲：《人与自然何以和谐共生：地理要素视角下的环境规制与环境福利绩效》，《管理世界》2024年第8期。

(2)王伟、鲜昊男、雷小蕾等：《绿色金融对长江经济带绿色创新质量的影响》，《长江流域资源与环境》2025年第10期。

(1)限于篇幅原因，相关结果可向作者索取。

(1)王竞达、曹畅、曹碧茹：《制造业企业工业互联网建设赋能绿色创新的效果与机制研究》，《商业经济与管理》2025年第6期。