数据要素投入对中国省域制造业绿色全要素生产率的影响研究

摘要：以 2010-2021 年中国 30 个省份制造业为研究对象，运用超效率 SBM 模型，将数据要素纳入生产函数，测算省域制造业的绿色全要素生产率（GTFP），利用 GMM 方法建立动态面板模型分析数据要素投入对绿色全要素生产率的影响。研究发现：（1）数据要素投入对制造业 GTFP 的提升具有显著促进作用，对东部地区的影响作用更为显著。（2）数据要素投入水平对制造业 GTFP 的影响存在基于数据要素投入水平的单门槛效应，当数据要素投入水平小于门槛值 0.317 时，对 GTFP 具有微弱的抑制作用，但当其跨越门槛值后，则表现出明显的正向促进作用。（3）数据要素投入水平能够通过推动要素禀赋结构的合理化，进而促进制造业 GTFP 的提升。基于此，就合理配置数据要素投入水平、提升制造业 GTFP 及优化要素禀赋结构等提出政策建议。

工业和信息化部相关数据显示，2022 年中国制造业占 GDP 的比重达 27.7%；2023 年制造业增加值占 GDP 比重基本稳定，总体规模连续 14 年保持全球第一。制造业的高质量发展必须践行新发展理念，尤其要避免大量消耗自然资源、导致资源短缺和环境污染。制造业绿色全要素生产率既考虑了生产效率，也考虑了制造业生产过程中二氧化碳非期望产出的排放，是更加全面与合理的测度高质量发展水平的指标。据此，绿色全要素生产率逐步成为衡量制造业高质量发展的重要指标。

数字化作为绿色低碳发展的重要路径，其核心是数据赋能或者是数据要素嵌入到制造业各领域各环节；数据要素的价值得到前所未有的重视并逐步成为战略性资源。一方面，2019 年 10 月通过的《中共中央关于坚持和完善中国特色社会主义制度 推进国家治理体系和治理能力现代化若干重大问题的决定》，将数据作为与劳动、资本、土地、知识、技术、管理并列的生产要素纳入到参与收入分配的范畴，进一步推动数据要素服务于社会经济发展。另一方面，中国目前经济正处于质量变革、效率变革和动力变革的攻坚期，随着以劳动力短缺和工资持续提高为特征的"刘易斯拐点"的到来及"人口红利"的消失，中国经济开始出现资本报酬递减现象，靠大规模的政府主导型投资以保持经济增长速度的方式不再具有可持续性，这也使得数字经济的建设和数据要素的价值释放成为重要的研究焦点。

基于此，剖析数据要素投入制造业生产后的内在绿色发展水平，研究数据要素对绿色全要素生产率的外在影响路径，对数据要素更好的弥合和驱动我国制造业经济发展、推动数据要素与制造业两化协同转型助力"双碳"治理新征程具有重要意义。

1．文献综述

从数据要素的界定和测度层面看，数据要素既是纯技术角度以信息通信技术（ICT）为载体的二进制字符信息，也是社会经济角度人类进行生产经营活动的财富创造基础要素。数据要素具有虚拟形态属性、经济资源属性和价值释放属性，同时由于数据要素有易复制性、非排他性、非竞争性等不易计量的典型特征，现有的对数据要素这一无形资产的评价主要有核心指标法和综合指标法。核心指标法的可操作性和可比性较强，但其难以全面反映数据要素的绝大部分信息，因此综合指标法的应用更为广泛。已有相关研究从不同的研究视角刻画了数据要素投入水平，从行业资源倾斜、研发创新能力以及社会应用认知度三个层面构建了描述数据要素增值能力的指标体系；根据数字产品的场景交易特性认为指标体系应是普适性的数据要素估值指标体系和针对特定领域和行业的数据要素估值体系的结合；从数据要素的市场化基础、开发及规模三个方面构建了市场化配置效率评价指标。

从数字经济对制造业绿色全要素生产率（green total factor productivity，GTFP）的影响层面看，学术界的基础研究已较为丰富。通过构建 ML（Malmquist-Lenberger）指数实证分析了数字经济对我国工业绿色全要素生产率的影响机制；进一步地，在环境动态性视角下的研究指出，大数据主要从战略规划和分析能力上对制造业绿色竞争力产生显著积极作用；此外，数字经济通过人力资本积累、激发创业活力和降低出口隐含碳强度，进而显著正向强化制造业绿色全要素生产率的提升。但数据作为数字经济时代的核心生产要素，已有学者逐步构建了将数据要素作为第三要素的生产函数，考察在数据作为内生投入要素对经济增长的影响。整体而言，现有研究多为数字经济对制造业绿色效率的影响机制探讨，而将数据要素作为内生投入要素，研究其对制造业绿色投入产出效率的影响机理还有待扩充。

2．理论分析与研究假设

2.1 数据要素投入与制造业绿色全要素生产率

制造业作为数字经济的主战场，数据要素如何赋能制造业也为高质量发展提供了新思路。数据要素主要通过数字技术、要素配置、人力资本和区域创新等实现数字价值的释放，进而赋能 GTFP 的提升。有学者通过构建综合融合度指数对数字经济与制造业的融合水平进行研究，进一步论证了数据要素对绿色发展的促进作用。就产业发展层面而言，数据要素通过促进技术进步和技术效率进而对 GTFP 产生正向影响，技术创新和产业结构升级是两条重要的影响渠道；同时，数字经济的发展不仅对本地 GTFP 具有促进作用，还会对周边的其他地区产生正向影响，并且这种影响会随区域位置、行政级别、资源禀赋和环境规制强度等方面的不同而表现出显著差异。就企业发展层面而言，数据资源不仅能促进企业准确感知系统内部和外部环境的变化，还能促进科学分析和决策，优化生产流程和提高运营效率；企业凭借海量数据创生绿色生产的商业模式，为企业可持续赋能，兼具提升制造业生产效率和绿色发展的双重效应。综上，数据要素的投入在理论上可以通过多种方式促进 GTFP。那么，就制造业而言，数据要素投入对制造业 GTFP 能否产生提升作用呢？本文提出：

假设 1：数据要素投入对制造业 GTFP 的提升具有显著的促进作用。

2.2 数据要素投入的门槛效应

数据要素的大量投入和积累能够极大的提升其饱含的信息价值及决策支持能力，具有较强的正向规模效应和网络效应。本研究认为，数据要素的投入对制造业 GTFP 可能存在基于数据要素投入水平的门槛效应：一方面，从成本角度看，由包含数据要素的生产函数研究可知，数据要素投入的前期固定成本较高、创新风险较大、开发周期较长，但大规模使用后的边际成本几乎为 0，使得规模报酬递增的条件对经济产生放大效应；另一方面，从产出角度看，数据要素具有一定的正外部性，随着多主体对数据的收集和反复使用可以不断强化其信息的积累，这种正反馈效应会使得数据要素投入水平的增加带来的 GTFP 成果不断加强。因此，当数据要素投入水平较低时，数据要素的投入所带来的前期成本会在一定程度上会阻碍数据要素对制造业 GTFP 促进作用的发挥；而当数据要素投入水平达到较高水平时，数据要素将基于健全的数字基础设施、雄厚的技术创新实力、充足的数字人才储备、庞大的数据累积基础以及相对成熟政策支持环境，逐步发挥规模效应，进而引领制造业的绿色发展水平的加速提升。基于此，本文提出：

假设 2：数据要素对制造业 GTFP 的影响具有基于数据要素投入水平的门槛效应。

2.3 要素禀赋结构的中介作用

要素禀赋是对一个经济体拥有的各类生产要素的相对丰裕程度和基于此形成的比较优势的概括。数据要素并非独立发挥作用，而是与其他生产要素相互协调，尤其是与劳动和资本要素的融合，发挥倍增作用。提出"两要素互补、多要素协同、全要素耦合"的分析框架，揭示数据要素与其他生产要素共同促进企业发展的微观逻辑，尤其是数据协同资本、劳动等传统生产要素，促进企业的产品创新、商业模式重塑以及绿色效率提升。当然，在构建三要素生产函数时，认为要素禀赋结构对经济增长效率的影响会随要素间的互补或替代关系而变化。一方面，数据要素的投入能够推动要素禀赋结构升级（劳动与资本的比值），进而赋能经济高质量发展；尽管认为资本丰裕程度相对较高的区域工业发展水平相对更高，但人力资本积累是培育内生比较优势并推进中国制造业产业结构升级和技术创新的关键因素。另一方面，数据要素有利于引导创新要素流向绿色效率提升的方向，实现要素禀赋结构和产业绿色可持续发展的动态均衡，助力提升制造业的绿色全要素生产率。基于此，本文提出：

假设 3：数据要素投入通过影响要素禀赋结构进而促进制造业 GTFP 的提升。

3 .制造业绿色全要素生产率的测度

3.1 测度方法

超效率 SBM（undesirable slacks-based measurement）属于 DEA 衍生模型中的一种，能有效用于评价非期望产出与效率大于 1 的决策单元排序问题，相对传统 DEA 模型更能反映效率评价的本质。此外，超效率 SBM 模型可以分解为技术效率和规模效率：技术效率指在给定的生产投入条件下能够获得的最大产出水平，规模效率是指在给定规模条件下能够获得的最大产量。当多个决策同时有效情况即效率值均为 1 时，超效率 SBM 模型可对达到最优状态后的额外产出量予以区分和解决。该方法在本质上为高阶线性规划的数据包络模型，符合本研究的研究目的和数据特征，同时满足投入产出指标数量小于决策单元一半的原则。因此，本研究借助超效率 SBM 模型测度考虑非期望产出的制造业GTFP，模型如式（1）所示：

式中：n 表示决策单元个数，x 表示为投入变量，m 为投入变量个数，s1、s2、yg、yb分别表示期望产出和非期望产出个数和变量，x、yg、yb为松弛变量，λ 是权重向量。

3.2 指标选取

3.2.1 投入产出指标

本研究以 2011-2021 年我国 30 个省份（西藏及港澳台地区除外）的制造业为研究对象，测度全要素生产率（total factor productivity，TFP）的投入指标在传统的劳动要素和资本要素基础上加入数据要素，正产出指标为制造业的增加值，负产出指标为制造业的资源与环境损耗，投入产出要素及其表征如表 1 所示。根据众多学者对相似指标的表征经验，本研究投入部分的劳动（L）用制造业年均从业人数（万人）度量，资本（K）用制造业固定资产（亿元）表征，数据要素（D）的投入水平采用下文综合测度指标表示；产出包括期望产出与非期望产出，期望产出用制造业主营业务收入（亿元）作为收入（Y）水平的度量，非期望产出（E）的资源与环境损耗用 CO2排放量来表示。表 1 全要素生产率的投入产出数据表征名称 要素 表征指标投入劳动（L） 年均从业人数/万人资本（K） 固定资产/亿元数据要素（D） 评价指标体系测度结果期望产出 收入（Y） 主营业务收入/亿元非期望产出 资源与环境损耗（E） CO2排放量。

3.2.2 指标刻画与数据来源

（1）年均从业人数、固定资产净值和主营业务收入从历年的《中国工业经济年鉴》中获取。其中，2017 年的《中国工业经济年鉴》中省级区域的平均用工人数、主营业务收入及固定资产等数据缺失，因此，该年的相关数据从《中国统计年鉴》、地方统计资料中获取或由相邻年份的均值估计得出。

（ 2 ） 非 期 望 产 出 中 各 省 份 制 造 业 CO2 排 放 量 的 数 据 来 源 于 《 中 国 碳 核 算 数 据 库 》（https://www.ceads.net.cn），根据《国民经济行业分类（2017）》的标准整理得出。

（3）数据要素投入水平以数据要素的价值实现路径作为构建指标的根本依据，将数据要素作为一种涉及从原始数据到采集、传输、计算、存储、分析、保护直至形成数据产品及服务的全过程资源，基本遵循"数据资源-数据资产-数据商品-数据资本"的数据形态演进及"潜在价值-价值创造-价值实现-价值增值"的相应价值形态演进。借鉴学者们表征制造业、工业和全国范围内数据要素水平的指标，本文认为数据要素投入集中体现在数据要素内部化生产的相关投入和市场化流通的配置投入两个方面，并构建了描述各省份制造业数据要素投入水平的综合评价指标体系。数据的内部化生产主要涉及数据的生产与管理以及数据的研发与创新，依次可以从制造业行业的数字化装备、高技术产业、研发经费支出及创新能力四个方面考量。数据要素的外部化市场流通投入主要聚焦于物联网、5G、云计算、区块链及 AI 等数字经济环境下的数字应用环境配置和数据共享传播程度，依次可以从制造业的数据运载基础、数字化装备、数据传播流量及数据共享程度四个方面考量。本文最终从数据生产管理、数据研发创新、数据应用环境、数据共享传播四个系统层入手，细化为数据运载基础、数字化装备、高技术产业、研发创新能力、研发经费支出、数据传播流量和数据共享程度 7 个准则层，选取 24 个指标对我国省域制造业的数据要素投入水平予以评价，指标体系如表 2 所示。采用熵权-TOPSIS 法测度省域制造业数据要素投入水平的结果见图 1。

3.3 制造业绿色全要素生产率测度结果

表 3 为我国省域制造业绿色全要素生产率的测度结果，GTFP 的整体均值为 0.751，纯技术效率（TECH）大于 1，而规模效率（SECH）的值相对较低，表明 GTFP 的提升更依赖于技术水平的进步。在研究期类，北京、上海、江苏、浙江、广东和内蒙古具有明显的增加；除了内蒙古具备得天独厚的区位优势，在低碳经济发展中拥有较丰富的自然资源，以风力发电为代表的新能源产业发展迅猛外，其余省份均位于东部地区，说明在保持经济及制造业发展领先的同时，这些省市在环境保护方面也成效显著。山东省尽管 TFP 与 GTFP 均大于 1，但其 GTFP 要相对较低，表明其制造业发展速度和质量上尚不能实现有效协调与统一，未来在绿色发展维度还有待加强。以江西为代表的中部省份在中部崛起战略的推动下，制造业 GTFP 也大多位于均值至上，绿色可持续发展能力不断增强。排名相对靠后的山西、黑龙江、贵州、云南、新疆等地制造业 GTFP 值也在逐年上升。由此可见，2010-2021 年我国区域制造业绿色生产效率水平较低的省份在国家政策的支持下具备明显的后发优势，制造业的绿色发展能力大幅提升。

4．数据要素投入对制造业绿色全要素生产率的影响

4.1 模型设定

4.1.1 动态面板模型

为检验假设 1 构建式（2）的回归模型。

式中：i 和 t 分别表示地区和年份，被解释变量为 Yit 表示制造业的绿色全要素生产率，解释变量 Dit表示数据要素投入水平，β0 和 β1 分别表示常数项和解释变量系数。Xit 表示四项控制变量：环境规制水平（ER）、高技术产业占比（IS）、存贷款余额比（EE）和外贸依存度（WW），θt 表示各变量对应系数，μit和 εit分别表示固定效应及随机误差项。

由于 GTFP 的变化是一个动态调整过程，且数据要素与 GTFP 间可能存在双向因果关系，故添加GTFP 的一阶滞后项来构建动态面板模型，采用系统 GMM 的方法进行分析，既能揭示数据要素与绿色效率间的动态影响关系，又能在一定程度上克服模型内生性所导致的误差。

4.1.2 面板门槛模型

为检验假设 2，本文借鉴 Hansen 的方法将数据要素水平作为门槛变量，构建式（3）的面板门槛模型，研究数据要素对 GTFP 的非线性影响。其中，γ 为门槛值，I(?)为示性函数，当括号内条件成立时取 1，反之为 0。

4.1.3 中介效应模型为检验假设 3，本文在基准回归方程的基础上，进一步构建了研究要素禀赋结构（FE）作为中介变量的检验模型，见式（4）、式（5）。当式（2）、式（4）中的系数 β1 及式（5）中的系数 β2 同时显著，则表明存在中介效应；在此基础上，若式（5）中的系数 β1显著，则表明存在部分中介效应，反之，则为完全中介效应。

4.2 变量说明与相关性分析

4.2.1 变量说明

本文的被解释变量为制造业的 GTFP 及其 TECH 和 SECH，由前文超效率 SBM 模型测度得出。核心解释变量及门槛变量为数据要素投入水平（D），由前文 Topsis-熵权法测度得出。中介变量为要素禀赋结构（FE），借鉴张皓辰等[28]的表征方式，以制造业的劳动和资本要素投入比值来予以度量。本文选取的控制变量包括以下四项：环境规制水平（ER）、高技术产业占比（IS）、存贷款余额比（EE）和外贸依存度（WW）。其中，环境规制水平用各省份工业污染治理投资额与规模以上工业企业主营业务收入的比值刻画，高技术产业占比即为制造业中高技术产业与制造业的主营业务收入之比，存贷款余额比是用居民存贷款之和与地区 GDP 之比来表征居民消费水平，外贸依存度用外商及港澳台投资的规模以上工业企业固定资产净值占总固定资产净值之比衡量。

4.2.2 相关性分析

由表 4 可知，数据要素投入水平和绿全要素生产率、纯技术效率及规模效率间均具有显著的相关性，表明这些变量间存在不同程度的内在关联有待进一步探究。解释变量及控制变量间互相的相关系数绝对值在 0.6 以下，可以认为不存在严重的多重共线性问题，能够进行回归分析。

4.3 实证分析

4.3.1 直接影响

为保证 GMM 估计结果的一致性和工具变量的有效性，需对模型进行二阶序列自相关性检验和Hansen 检验，结果如表 5 所示，AR(2)结果显示不存在二阶序列相关，Hansen 检验结果显示工具变量具有有效性，内生性得以克服。

具体来看，制造业的绿色全要素生产率、纯技术效率和规模效率的一阶滞后项 L.GTFP、L.TECH和 L.SECH 的系数在 1%的显著性水平下为正，表明数据要素投入与绿色全要素生产率之间具有一定的动态关联性，前期绿色全要素生产率的成果会对当期的效率水平产生延续性影响。由模型（4）的估计结果可得，数据要素投入水平 D 对绿色全要素生产率的影响系数显著为正，前文得假设 1 得到验证，即数据要素的投入能够促进我国制造业 GTFP 的显著提升。根据模型（5）和（6）中核心解释变量 D 的系数可知，数据要素的投入对制造业 GTFP 的提升主要表现在对规模效率的促进，而对纯技术效率的影响却不显著；可能是由于数据要素通过发挥规模效应来提升企业的生产决策效率，由此减少企业对能源资源的依赖，进而促进绿色全要素生产率的提升。反之，囿于数字技术创新具有周期长、风险大、成本高的特点，数据要素投入对纯技术效率的促进作用还未显现。此外，控制变量中高技术产业占比和外贸依存度对 GTFP 具有一定的促进作用，而环境规制水平却表现出较弱的抑制作用，这与刘伟江等[33]提出二者存在倒"U"型关系有关，短期来看，在环境规制政策的要求下，企业需舍弃部分效益来优先遵守法规，这导致生产经营活动在一定程度上受阻，进而对其效率产生一定的挤出效应。

为确保回归结果的稳健性，本文通过以下两种方式进行检验：一是更换解释变量的测度方法，利用主成分分析法对表 2 中数据要素投入水平进行测度，回归后得出的结果如表 6 中列（1）显示数据要素（New_D）的系数显著为正，这与基准回归结果一致。二是增加控制变量加以回归分析，借鉴王钰等[35]将人工智能的应用作为影响制造业发展水平的因素，本文引入制造业人工智能专利数这一控制变量，根据国家知识产权局发布的《战略性新兴产业分类与国际专利分类参照关系表（2021）（试行）》收集并整理数据，回归后得出列（2）数据要素（D）的系数依然显著为正，表明本文的结果仍具有稳健性。

为探究数据要素对我国省域制造业 GTFP 影响的区域异质性，本文用系统 GMM 系统估计法进一步对我国东部、中部和西部地区的样本进行回归分析。由表 7 可知，数据要素投入能够显著促进东部地区 GTFP 的提升，但对中西部地区却没有显著的影响，原因可能是我国东部地区的数据要素投入水平相对较高，在其规模效应的作用下，显著促进了东部地区的绿色技术创新和战略布局，进而对 GTFP的提升表现出推动作用。同时，不同省域的制造业发展水平参差不齐，且资源禀赋、产业特点、人力水平和经济环境也存在较大差异，这些都是造成数据要素对 GTFP 的影响存在区域异质性的原因。

4.3.2 门槛效应

本文预判数据要素对制造业 GTFP 可能存在非线性影响，为验证假设 2，本文将数据要素投入水平作为门槛变量，利用面板门槛模型进行检验，Bootstrap 自助法抽样 300 次后得出结果如表 8 所示。单一门槛变量系数通过了 1%水平下的显著性检验，得到的门槛值为 0.317，表明我国制造业的数据要素投入对 GTFP 的影响存在基于数据要素投入的单一门槛效应，假设 2 得证。

进一步对面板门槛模型系数进行回归估计，当数据要素投入水平低于门槛值 0.317 时，核心解释变量 D 的系数为-0.077，表明这一阶段数据要素投入对 GTFP 具有微弱的抑制作用，可能源于数据要素投入所带来的绿色发展效益还不及综合成本。当数据要素投入水平超过门槛值 0.317 时，核心解释变量 D 的系数为 0.163，意味着数据要素投入水平达到一定体量后，对制造业 GTFP 的提升产生了显著促进作用。这再一次印证了前述数据要素的作用特点，初期的数据要素投入规模和基础设施建设水平尚不完善，且存在较高的投资成本和创新风险，以至于阻碍制造业企业的绿色技术创新和绿色效率增长。后期随着数据要素投入的累积，从企业创新动力到市场投资环境均逐步形成促进 GTFP 提升的良性互动状态。

4.3.3 中介效应

本文选取要素禀赋结构作为中介变量进行检验，结果如表 10 所示。核心解释变量数据要素 D 在模型（1）中对制造业 GTFP 具有显著的正向影响，系数为 0.462，在模型（3）中对中介变量要素禀赋结构 FE 的影响系数也显著为正，系数为 21.718，表明数据要素投入水平与要素禀赋结构间的正向关联度很强。同时，模型（4）中要素禀赋结构 FE 对制造业 GTFP 具有显著的正向影响，系数为 0.02。据此，数据要素投入水平通过提高要素禀赋结构的合理化进而促进制造业 GTFP 的提升，假设 3 得证。由于模型（4）中的核心解释变量数据要素 D 的系数也具有显著性，要素禀赋结构在本研究中具有部分中介效应。通过对比各影响系数的绝对值，表明单纯依靠劳动与资本要素投入的增加及结构的调整对我国制造业 GTFP 不具有持久的动能优势，还需通过技术创新和数据要素的拉动来进一步提升制造业的绿色发展。

5．结论与政策建议

挖掘数据要素价值是提升制造业绿色高效发展的重要路径之一，本文以 2010-2021 年我国 30 个省份制造业为研究对象，运用超效率 SBM 模型对其绿色全要素生产率进行测度，通过 GMM 方法构建动态面板模型分析数据要素投入对绿色全要素生产率的影响。本文得出的主要结论有：

（1）我国制造业的数据要素投入水平整体呈现东部高于中部高于西部的经济态势，中部和西部地区的差距相对较小。

（2）数据要素投入对制造业 GTFP 的提升具有明显的促进作用，主要表现在对规模效率的提升，且对东部地区的影响作用更为显著。

（3）数据要素投入水平对制造业 GTFP 的影响存在基于数据要素投入水平的单门槛效应，当数据要素投入水平小于门槛值 0.317 时，对 GTFP 具有微弱的抑制作用，但当其跨越门槛值后，则表现出明显的正向促进作用。

（4）数据要素投入水平能够通过推动要素禀赋结构的合理化，进而促进制造业 GTFP 的提升。

基于以上结论，提出如下政策建议：

（1）提升我国制造业 GTFP 不仅要注重技术效率，也要重视规模效率的提升。从数据要素的应用环境、企业管理和共享传播等方面把握数字经济的发展红利，打造成规模的绿色集成制造业。短期来看，制造业 GTFP 的提升要求企业注重节能和减排；长期来看，GTFP 的提升还需以科技创新为抓手，平衡企业营收和环境友好之间的关系，进而实现制造业高质量发展要求。

（2）充分认识区域间的产业特征和数据要素的影响差异性，因地制宜地制定制造业相关的绿色产业扶持政策，同时增强区域间的数字技术交流和数据要素共享，拓宽数据要素与制造业产业融合与应用的范围，全力营造活力高效的数据要素流通环境，促进东部地区数据要素所带来的绿色效能向周边外溢，充分提升各区域数据要素对制造业 GTFP 的促进效果。

（3）数据要素能够通过影响要素禀赋结构进而对制造业 GTFP 产生促进作用，因此要不断优化产业内部要素禀赋结构的合理化，尤其是在大力投入数据要素的过程中，注重甄别和契合制造业产业的要素比较优势，使得产业的数字化转型能在长期中取得持续发展，并与制造业的绿色低碳理念相协调，从而增强数据要素对绿色全要素生产率的赋能作用。

来源：生态经济