数字金融发展对城市碳排放效率的影响机制
——基于中国279 个城市的经验证据

2023-03-06 04:33王玉燕曹钰华
广西财经学院学报 2023年6期
关键词:变量金融效率

王玉燕,曹钰华

(1.安徽大学 创新发展战略研究院,安徽 合肥 230039;2.安徽大学 经济学院,安徽 合肥 230601)

一、引言

党的二十大报告指出,推动经济社会发展绿色化、低碳化是实现高质量发展的关键环节。《2022 年世界能源统计报告》显示,2021 年中国能源消费量的年均增长率为7.1%,总量占全球的26.5%;能源产生的二氧化碳排放量的年均增长率为5.8%,总量占全球的31.1%①《2022 年世界能源统计报告》,https://max.book118.com/html/2022/1007/8006054013005001.shtm。。由此可见,中国的能源消费以及碳排放距离实现“双碳”目标依然有很长的路要走。因此降低二氧化碳排放量、提高碳排放效率,是中国推进生态文明建设、发展环境友好型低碳经济的重要途径。

随着新一轮科技革命持续推进,以大数据、云计算为代表的新一代信息技术迅速发展,数字金融这种新型金融模式应运而生[1]。数字技术与传统金融的深度融合,能够充分发挥广覆盖、低门槛、高效率等优势提高资源配置效率,提升区域创新水平,成为推动经济高质量发展的新动能[2-3]。然而,能源利用率、碳排放效率长期位于低水平却阻碍了经济的高质量发展,因此,如何提升碳排放效率成为当务之急。目前学术界关于碳排放效率的研究大多集中在碳排放效率测算以及出口贸易、科技创新、环境规制等要素对碳排放效率的影响上,且大多用单一指标衡量碳排放效率[4]。史丹[5]采用了单要素指标的衡量方法,但由于碳排放还与地区经济结构、经济发展水平和资源禀赋等有关,所以该方法尚存在不足;随后有学者基于DEA 动态行为分析模型对中国工业碳排放以及地区碳排放效率进行研究,发现环境规制、能源使用会对中国的碳排放效率产生影响[6-8];除此之外,还有学者通过构建非期望产出的超效率SBM 模型计算碳排放效率,研究发现出口贸易与碳排放效率之间存在非线性关系[9-10];还有学者研究发现,科技创新可以促进“一带一路”沿线国家的碳排放效率提升,而产业结构、城镇化率等对碳排放效率起到负向作用[11-12]。

针对传统金融与碳排放效率之间的关系,学界也有较为丰富的研究。有学者研究发现金融发展能显著降低地区碳排放,进而提高碳排放效率[13];也有学者发现二者之间并非单一的线性关系,信贷规模与碳排放之间呈现倒“U”型关系,而外商投资与碳排放之间则呈现“U”型关系[14-15]。与之相反的观点则认为,金融与碳排放效率之间为负向关系,通过构建空间面板模型发现:金融规模的扩大虽然能带来技术进步,但同时也带来了能源需求量的增加,能源利用率的低下导致碳排放量的增加,从而降低了碳排放效率[16-17]。

数字金融作为传统金融与数字技术相结合的产物,保留了传统金融的部分特征,因此传统金融与碳排放关系的相关文献也为研究数字金融与碳排放效率的关系提供了思路。目前也有少量研究数字金融与环境之间关系的文献,如王文静和胡辰净[18]通过构建省级面板数据进行实证研究发现,数字金融能提升金融服务效率,通过降低碳排放进而提升地区全要素生产率,数字金融在初期会增加碳排放量,而后期会降低碳排放量;许钊等[19]通过实证研究发现,数字金融具有双门槛的污染减排效应。但值得注意的是,碳排放量的减少并非意味着碳排放效率的提升。一方面,数字金融具有的低门槛、高效率、便利性等特性能通过提升企业绿色表现、增加银行绿色信贷等方式提升碳排放效率[20];另一方面,数字技术的发展离不开数字基础设施的建设,而这些往往是高能耗、高污染设施,易产生“数字污染”,对碳排放效率起抑制作用。基于此,本文试图研究数字金融发展对城市碳排放效率的作用效果,并进一步探讨两者之间的机制路径。本文可能的边际贡献在于:第一,本文从数字经济视角出发,丰富了数字金融与碳排放效率之间关系的相关研究;第二,本文采用非期望产出的SBM 模型对碳排放效率进行测算,该方法能够避免由于径向以及角度度量引起的偏差,并且考虑到生产过程中非期望产出因素的影响,可以更好反映效率评价的本质;第三,本文基于中国279 个城市面板数据构建双固定模型和空间模型,从理论和实证两方面探讨数字金融与碳排放效率之间的作用机制,以及数字金融的发展在空间上对毗邻地区碳排放效率所产生的影响。

二、理论机制

(一)数字金融对碳排放效率的直接机制

传统金融与数字技术等信息技术结合催生了数字金融,数字金融的快速发展为绿色发展注入了新动能。持续推进低碳绿色发展,不仅要加快低碳产业体系的构建,更重要的是发挥企业以及个人等微观主体的作用。首先,数字金融依托于大数据、云计算、区块链等新型数字技术,一方面能够提高碳交易市场的透明度以及运行效率,实现碳交易的去中心化和自动化,从而降低交易成本、提高交易效率;另一方面,数字金融依托于数字技术,能够实现对企业的实时监测和对能源消耗、碳排放情况的分析,帮助企业实现更高效的能源管理和更有效的碳减排,进而提升碳排放的经济效率。其次,数字金融的发展在一定程度上改变了居民的生活方式。共享经济、线上支付等模式让金融服务效率大大提升,让绿色消费逐渐渗入日常生活中,推动了居民消费结构的转型升级,从而在不牺牲经济增长的情况下降低碳排放量。最后,数字金融能够推动碳交易、碳减排项目的发展,可以在无形中增加公众参与低碳经济的比例,如支付宝App 中的“蚂蚁森林”作为碳普惠公益项目,能够将看不见的“绿色能量”转化为看得见的“荒漠种树”,通过让普通居民参与到保护环境的行动中来激励个人践行绿色低碳理念,为提升城市碳排放效率贡献一份力。

基于此,本文提出假设H1:数字金融的发展能够提升城市碳排放效率。

(二)数字金融对碳排放效率的间接机制

1.绿色技术创新水平

绿色技术创新是绿色低碳发展的核心动力,技术创新离不开金融的支持,但现阶段中国金融市场发展尚不完善,传统金融“嫌贫爱富”的特征使其更愿意为大企业提供资金,长尾客户的资金需求往往无法满足[2,21]。现实情况是,大多数技术创新主体是创新型企业,这些企业规模相对较小且经营风险较大;同时,创新项目尤其是绿色创新项目大多数具有周期长、风险高、资金需求大等特点,传统金融机构往往不愿意提供服务,而数字金融则更具包容性特点,能为这些项目提供资金支持。除此之外,为推动绿色转型升级,政府针对绿色项目会设立专项资金、贷款优惠等政策,一些企业为了享受优惠政策,会故意“伪造”绿色项目,也因此提高了金融机构的识别成本以及监管成本;而数字金融则能够依托数字技术,准确识别这些项目的“可行性”,引导资金流向低耗产业,并且在提供资金的过程中对资金需求方建立有效的审查、追踪以及监督机制,降低逆向选择发生的可能性,提高资金的使用效率,为小微企业缓解融资难、融资贵问题,以便更好地开展绿色创新活动,提高绿色创新绩效。另外,数字金融还能对绿色金融应用进行推广和普及,通过互联网金融平台、移动支付、电商等渠道,推广绿色产品与服务,激励企业进行绿色技术创新活动,促进绿色技术的创新和发展,从而提升碳排放效率。

基于此,本文提出假设H2:数字金融能够缓解融资约束,引导资金流向绿色创新项目,提高区域绿色技术创新水平,进而提升碳排放效率。

2.产业结构优化升级

产业结构与经济发展二者相互影响,相互促进[22]。产业结构调整在一定程度上能够反映生产要素在各部门之间的变化情况,这不仅是一个地区经济发展模式的映射,也是一个地区的“污染控制体”[23]。首先,产业结构的优化离不开金融的支持,数字金融的发展不仅能直接为企业提供资金支持,还可以倒逼传统金融机构进行数字转型,既推动了金融结构升级,还可以满足产业转型调整过程中的融资需求,助推传统产业向低能耗、低污染、低排放方向转型,赋能新兴产业发展,提高经济效率,从而带动碳排放效率提高。其次,数字金融能够实现对偏远落后地区的覆盖,为这些地区提供金融服务,从而推动当地的产业发展和产业结构升级。最后,数字金融可以通过大数据、云计算等技术收集并分析消费者的偏好,实现生产端基于分析结果对自身结构的调整优化,由此催生新型产业、新交易模式的诞生,为提升城市碳排放效率提供助力。

基于此,本文提出假设H3:数字金融能够加速落后产业淘汰,推动新兴产业发展,优化产业结构,从而提升碳排放效率。

3.市场化水平

数字金融的发展离不开市场的强力支持,市场化程度也会受到数字金融的影响[24-25]。一方面,数字金融能够发挥长尾效应以及双边市场效应,增加各地区的就业机会,吸引劳动力流入城市,推动劳动力要素的市场化配置;同时,数字金融基于数字技术,可以拓宽覆盖范围,提高服务效率,缓解由于传统金融发展不充分不完全所带来的“马太效应”,优化资本要素的市场化配置。因此,数字金融能够推动市场化的进程。另一方面,良好的市场环境能够优化技术密集型产业的资源配置,让资源从高耗能、高污染、低效率的传统产业流向低耗能、低污染、高效率的新兴产业[26];市场化水平的提高意味着政府干预程度的降低与营商环境的优化,因此能够发挥规模经济效应和知识溢出效应,有助于不同地区间的企业展开合作和竞争,这既能帮助绿色技术在不同地区间流转,又能倒逼落后产业进行绿色技术革新,进而提高碳排放效率。

基于此,本文提出假设H4:数字金融能够优化劳动力要素和资本要素的市场配置,推进市场化水平,进而提升碳排放效率。

三、模型设定与数据来源

(一)模型设定

1.基准模型

根据前文理论分析,为验证数字金融与碳排放效率之间的关系,本文构建以下基准回归模型:

其中,tpi,t为i城市在t年的碳排放效率,lndfi,t为i城市在t年的数字金融水平,controlsi,t为全部控制变量,μi代表城市虚拟变量,νt代表时间虚拟变量,εi,t为随机扰动项。根据前文分析,α0为常数项系数;α1为正值说明数字金融与碳排放效率之间为正向关系,负值则两者之间为负向关系;α2为控制变量的回归系数。

2.机制模型

为进一步分析数字金融影响碳排放效率的机制路径,本文参考温忠麟和叶宝娟[26]的研究方法,构建如下模型来检验机制:

其中,Mi,t为机制变量,为绿色技术创新水平、产业结构优化升级以及市场化水平,其他变量含义同模型(1)。

(二)变量选取及指标度量

1.被解释变量

碳排放效率(tp)。学界对于碳排放效率的测度方法较多,考虑到实际生产过程中投入与产出很难做到同比例变化,且会有非期望的产出即二氧化碳的产出,本文选取非期望产出的超效率SBM模型测算区域碳排放效率,具体计算方式如下:

其中,tp为城市碳排放效率,q为投入要素种类,g和b分别是期望产出和非期望产出的符号,分别为各城市i的要素总投入、期望产出和非期望产出;为要素投入,包括资本投入、能源投入以及劳动投入。参考江三良和鹿才保[27]的做法,资本投入采用永续盘存法计算出各城市资本投入存量作为其代理变量,能源投入采用各城市能源投入总量进行衡量,劳动投入采用各城市年末城镇就业人口进行衡量。sg为期望产出不足的松弛变量,采用各城市GDP 进行衡量。sb为非期望产出过剩的松弛变量,用各城市二氧化碳排放总量进行衡量。X为要素总投入,Yg和Yb分别代表总体非期望产出和期望产出,λ 为决策单位权重。

2.核心解释变量

数字金融(lndf)。本文选择北京大学数字金融研究中心与蚂蚁科技集团研究院共同编制的中国数字普惠金融指数(2011—2020 年)来衡量中国各城市的数字金融发展水平,这也是目前衡量数字金融发展水平较为权威的方法[1,28]。该指数基于蚂蚁金服的微观交易数据,从数字金融的覆盖广度(coverage)、使用深度(deepth)以及数字化程度(digital)三个维度来进行衡量,更全面地测度了中国数字金融的发展水平。由于该指数与本文中其他变量数值差距较大,因此本文对该指数及其子指数均作对数处理。

3.机制变量

参考现有文献,本文对机制变量选取如下:(1)绿色技术创新水平(lngin)。本文参考徐佳和崔静波[29]的做法,选取城市绿色专利申请数量作为代理变量,原因是专利数量不易被篡改,相对准确可靠。(2)产业结构优化升级(lnais)。本文参考汪伟等[30]的做法,采用产业结构层次系数对产业结构转型升级进行测度,能够客观合理地反映三次产业之间的升级情况。(3)市场化水平(lnml)。本文参考白俊红和刘宇英[31]的做法,采用樊纲和王小鲁[32]计算出的各城市的市场化总指数作为市场化水平的代理变量,该指数包含市场化的五个方面,也是目前对市场化水平较为合理的评估数据。为避免机制变量与核心变量之间差距过大,本文均进行对数处理。

4.控制变量

参考现有文献,本文选取以下7 个控制变量,将其纳入回归模型:(1)对外开放程度(open),采取地区进出口贸易总额占该地区GDP 总额的比重进行测度;(2)城市道路基础设施(inf),采用城市道路面积与行政面积的比值进行衡量;(3)社会经济发展水平(lnpgdp),采用地区人均GDP 的对数值来衡量;(4)政府支出(gove),采用地方财政支出与该地区GDP 总量的比值作为代理变量;(5)人口规模(lnpeo),采用地区常住人口的对数值作为代理变量;(6)城乡差距(dis),采取一地农村居民可支配收入与城镇居民可支配收入之比进行衡量;(7)环境规制(er),采用国务院政府工作报告中出现的关于环境的词汇、词频数与地级市政府工作报告中的相关词汇、词频数之比进行衡量。同时,为了控制宏观层面部分因素的变化,本文控制了城市固定效应和年份固定效应。

5.描述性统计

表1 报告了本文主要变量的描述性统计。观察表1 可以看到:碳排放效率的最大值与最小值差别较大,说明近年来各城市碳排放效率得到提升;数字金融的相关变量标准差较大,说明从2011 年到2020 年,各城市之间的数字金融水平差距较大,存在发展不平衡的问题。此外,各控制变量的描述性统计结果也显示不同城市各方面的发展状况有较大差异,与中国发展不平衡不充分的国情相符。

表1 主要变量描述性统计

(三)样本选择与数据来源

本文选择中国279 个城市作为研究对象,并与数字金融指数的起始年限(2011—2020)进行匹配,构建面板数据,最终得到2 790 个研究样本。碳排放效率等相关变量的构建数据来自中国碳核算数据库(CEADs)、《中国城市统计年鉴》以及各城市的统计年鉴;数字金融指数及其子指数来自北京大学的中国数字普惠金融指数;控制变量的相关代理变量来源于各地级市统计年鉴、Wind 数据库以及国泰安CSMAR 数据库;其他机制变量的代理变量来自中国研究数据服务平台(CNRDS)、《中国分省份市场化指数报告(2021)》及各地级市统计年鉴。部分缺失数据采用线性插值法进行补充。

(四)实证分析

1.基准回归结果

在进行基准回归前,由于本文被解释变量是采取多数据综合测度得到的,因此先进行多重共线性检验,最终得到VIF值为1.54,远小于10,故排除多重共线性的影响。基于前文中的模型,本文进行验证H1,最终得到回归结果如表2 所示。列(1)为OLS 得到的估计结果,列(2)为不固定年份及个体得到的结果,列(3)为随机效应得到的估计结果,列(4)为双固定效应得到的结果。其中,Hausman 检验结果的p值为0.000,故本文最终选用固定效应模型。观察表2 可以得到,在控制时间及地区后,回归结果在1%水平上显著为正,说明数字金融的发展能够提升城市的碳排放效率,H1 得以验证。观察控制变量的结果发现:城市道路基础设施与碳排放效率呈负向关系,说明城市道路基础设施越好,居民会倾向于增加出行,进而导致碳排放效率的下降;社会经济发展水平以及人口规模与城市碳排放效率之间系数也为负,说明随着经济发展,居民更注重高品质生活,消费也在增加,因此导致能源消耗量的增加,进而造成碳排放效率的降低;政府支出、环境规制与碳排放效率显著为正,说明在提升碳排放效率中,政府对环境的干预以及环境规制的实施在一定程度上能够发挥作用,推动地方绿色发展。

表2 基准回归结果

2.稳健性检验

(1)剔除直辖市。由于北京、上海、天津、重庆4 个直辖市的综合发展水平明显优于其他城市,相关设施较为齐全,相应地,数字金融的发展水平也相对较高,为避免所选样本间因经济发展水平差异太大而带来的回归结果偏差,本文将4 个直辖市从样本中剔除,结果如表3 的列(1)所示。

表3 稳健性检验结果

(2)替换被解释变量。相较于对碳排放效率的作用,数字金融对碳排放强度的作用效果可能更加明显,因此,本文用人均二氧化碳排放量来替代碳排放效率。若数字金融与其系数显著为负,则证明数字金融的发展能够降低碳排放,因此可证明基准结果的稳健性,结果如表3 列(2)所示。

(3)缩尾处理。因数据可能存在异常值,为避免对估计结果产生影响,从数据稳健性角度考虑,需要缩尾处理后再进行回归检验,因此本文对被解释变量在1%水平上进行缩尾处理,排除数据异常值的干扰,结果如表3 列(3)所示。

(4)更换模型。为了避免双向因果、遗漏变量等问题带来估计误差,本文构建系统GMM 模型替换双固定模型,其中AR(2)值不显著,表明结果接受原假设,即“扰动项无自相关”;Hansen值为0.268,接受原假设,表明选取的工具变量是有效的。估计结果如表3 列(4)所示。

(5)内生性检验。系统GMM 模型一定程度上可缓解由于双向因果等因素带来的内生性问题,然而数字金融与碳排放效率之间可能还存在其他内生性问题,因此本文采用2SLS 方法来进一步解决。参考张勋等[33]的做法,本文将工具变量与全国层面数字金融指数平均值进行交互,作为可以随时间变化的新工具变量。不可识别检验结果:Kleibergen-Paap rk LM 统计量值为495.39,p值为0.00,因此强烈拒绝不可识别原假设;弱工具变量检验结果:Kleibergen-Paap rk Wald F 统计量值为247.43,Cragg-Donald Wald F 统计量值为1 543.33,均高于10%显著性水平下的临界值16.38,不存在弱工具变量。估计结果如表3 列(5)所示。观察表3 的全部估计结果,可以得到数字金融的系数均在5%水平及以下显著,说明数字金融的确对城市碳排放效率起到正向提升作用,也验证了前文基准回归结果的可靠性。

(五)机制分析

为理清数字金融对碳排放效率的作用机制,本文通过前文机制模型对绿色效应、创业激励效应以及能源效应进行检验,估计结果如表4 所示。整体来看,表4 列(2)、列(4)、列(6)中数字金融的系数均小于基准回归结果系数(0.421),表明这三个机制在提升碳排放效率中均体现出部分中介作用,即均是数字金融影响碳排放效率的重要路径。具体地,从绿色技术创新的角度来看:其中介效应占比为16.2%,表明数字金融能够在一定程度上缓解企业融资约束,帮助企业开展绿色技术创新活动,触发绿色创新补偿机制,发挥提升碳排放效率的作用;从产业结构的角度来看:其中介效应占比为21%,数字金融基于新型信息技术,推动高污染、高耗能企业进行绿色转型,发展新兴产业,优化产业结构,在不牺牲经济增长的情况下降低碳排放,提高能源利用效率,进而提升城市碳排放效率;从市场化进程的角度来看:其中介效应占比为24.2%,数字金融的发展能够缓解区域发展不平衡,提高资源配置效率,提升市场化程度,倒逼企业进行更加高效、绿色的生产,因此在消耗同样能源总量的情况下带来更高的经济效益,城市碳排放效率得以提高。至此,H2 至H4 均得到验证。

表4 机制结果

四、进一步分析

(一)异质性分析

1.数字金融不同维度的异质性

数字金融由三个维度构成,分别为覆盖广度(coverage)、使用深度(deepth)以及数字化程度(digital)。数字金融整体对城市碳排放效率发挥正向作用,那三个维度对碳排放效率的作用效果是否也是如此?基于此,本文进行估计分析,得到结果如表5。通过观察发现,这三个维度中覆盖广度提升碳排放效率的作用效果最好,在1%水平上显著为正,系数也最大;使用深度的系数则在5%水平上显著为正;而数字化程度对碳排放效率作用虽然为负,但并不显著。这说明,数字金融主要通过弥补传统金融服务对象较少的不足来充分发挥普惠性。与此同时还需注意,数字金融的发展离不开数字基础设施的支持,而数字基础设施的完善会带来高能耗的“数字污染”,因此数字化程度对碳排放效率呈抑制作用。

表5 异质性结果一

2.地区的异质性

通常不同地理区位间的经济发展水平、政策扶持力度等均有差异,数字金融与碳排放效率之间的关系可能也存在差异,因此,本文参考国家统计局关于经济地带的划分将样本城市分为东部、中西部两个部分①统计中所涉及东部、中西部的具体划分为:东部省(市)包括北京、天津、河北、上海、江苏、浙江、福建、山东、广东、海南、辽宁、吉林和黑龙江;中西部省(区、市)包括山西、安徽、江西、河南、湖北、湖南、内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏和新疆。,并分别进行回归,估计结果如表5 列(4)、列(5)所示。根据回归结果可知,相对于中西部地区,数字金融在东部地区的碳排放效率提升效应更加显著。原因可能是东部地区较为发达,各种基础设施、制度环境等也处于优势地位,数字金融与各产业的适配度高,更易发挥出数字金融对碳排放效率的促进作用。中西部地区虽然提升效应不显著,但系数依旧为正,说明数字金融在中西部地区也能够促进碳排放效率的提高,不显著的原因可能是数字金融在中西部地区发展较为缓慢,相较东部地区处于落后水平,因此只能在一定程度上提升碳排放效率。

3.城市的异质性

虽然东部地区整体发展要优于中西部地区,但同区域内部城市之间的经济水平依然存在较大的差别,本文参考尹志超等[34]的做法,按照新一线城市研究所公布的2022 年城市排行榜,将样本城市划分为一二线城市、三线城市和三线以下其他城市共三组,最终得到的估计结果如表6 所示。具体来看,在一二线城市,数字金融抑制碳排放效率,而在三线及以下城市则为显著促进作用。可能存在以下原因:一方面,一二线城市的数字技术水平较高,相关的数字基础设施更完善,而这些基础设施通常会带来更高的能耗以及碳排放量;另一方面,相较于三线及以下城市,一二线城市的经济上升空间相对较小,同样的能源消耗量在一二线城市带来的经济效益提升较小,因此造成碳排放效率的下降。此外,三线城市的相关系数大于三线以下其他城市的系数,这可能是因为后者的数字金融水平比前者低,对碳排放效率的作用效果也因此差于前者。

表6 异质性结果二

4.资源禀赋的异质性

由于经济发展的资源依赖存在差异,数字金融对碳排放效率的作用效果也会有所不同。因此,本文根据国务院印发的《全国资源型城市可持续发展规划(2013—2020 年)》,将样本城市划分为资源型城市和非资源型城市,并进行回归,结果如表6 所示。结果表明,在资源型城市,数字金融的系数值以及显著性水平更高。因为资源型城市通常是重工业产业城市,进行绿色转型难度较大,且大多数资源型城市的发展均伴随着资源过度使用以及二氧化碳大量排放问题,因此相对非资源型城市来说,资源型城市的碳排放效率更低。而数字金融的发展能够为这些重工业产业缓解融资约束,提高绿色技术创新能力,帮助产业从高污染、高排放产业向低污染、低排放、高效益转变,帮助其摆脱对资源的依赖,从而推动资源型城市发展低碳经济,提升碳排放效率。

(二)空间溢出效应

通常二氧化碳的排放会对周边地区产生影响,为了观察数字金融对碳排放效率的作用效果是否存在空间溢出效应,本文进一步构建空间模型进行分析,模型如下:

其中,Xi,t为控制变量,其他变量含义与模型(1)相同。考虑到二氧化碳容易对毗邻地区产生影响,本文基于地理距离矩阵进行回归分析。在对模型进行回归前,本文用莫兰指数来检验数字金融与碳排放效率的相关性,结果表明除了2015 年和2016 年不显著,其他年份均显著,表明相邻城市间确实存在空间溢出效应。为进一步选择合适的空间模型,本文分别进行了LM 检验、Hausman 检验以及LR 检验和Wald 检验。首先,LM 检验结果表明空间误差模型的LM 和Robust LM 检验结果为7.405 和2.717,分别在1%和10%水平上显著,即拒绝空间误差模型;空间滞后模型的LM 和Robust LM 检验结果为7.104 和2.417,也是分别在1%和10%水平上显著,即拒绝空间滞后模型。因此,本文选择构建空间杜宾模型。其次,Hausman 检验结果为51.01,且在1%水平上显著,则表明相较于随机效应模型,固定效应模型更合适。最后,LR 检验和Wald 检验结果均在1%水平上显著,表明空间杜宾模型不会退化为空间误差模型以及空间滞后模型。综合以上检验结果,本文最终选择双固定的空间杜宾模型进行检验,估计结果如表7 所示。

表7 空间溢出结果

从表7 可知,加入空间矩阵后,数字金融对碳排放效率的影响依旧显著为正,也证明前文回归结果的稳健性。无论是直接效应还是间接效应均显著,说明数字金融对碳排放效率的影响确实存在空间溢出作用。其中,直接效应在1%水平上显著为正,即本地数字金融的发展能够促进本地碳排放效率的提升;间接效应在10%水平上显著为正,表明本地数字金融的发展对相邻地区的碳排放效率也产生积极影响。这也从侧面表明,随着数字金融的发展,相邻城市间的企业、政府等行为主体能够利用大数据、区块链等信息技术相互学习交流,强化绿色技术创新效应、产业结构优化效应以及市场化效应对碳排放效率的提升作用,减少了“以邻为壑”的现象出现。

五、研究结论与政策建议

(一)研究结论

本文基于2011—2020 年中国279 个城市为研究样本,采用非期望产出的超效率SBM 模型测度碳排放效率,分别从理论和实证层面探究了数字金融对碳排放效率的影响机制。研究表明:第一,总体而言,数字金融能够提升碳排放效率,主要通过激励绿色技术创新、优化产业结构以及推动市场化进程来提升城市碳排放效率水平。第二,异质性结果表明,在数字金融发展水平高的地区,相关的数字基础设施会带来高污染,不利于碳排放效率的提升;而在数字金融发展水平较低的地区,数字金融对碳排放效率的提升作用并不显著;对于资源型城市来说,数字金融能够通过缓解融资约束,引导资金流向绿色产业,助力高排放、高污染行业进行绿色转型,从而对碳排放效率的提升作用更加显著。第三,通过构建空间模型发现,数字金融对碳排放效率的提升具有正向溢出作用,数字金融的发展带来了数字技术的进步,相邻城市间能够打破限制、相互学习,从而提升碳排放效率,助推低碳经济发展。

(二)政策建议

结合本文研究结论,提出以下政策建议:(1)深入推动数字金融创新发展,助力实现“双碳”目标,离不开绿色产业、金融市场以及数字技术协同作用。充分发挥数字金融缓解信息不对称、改善资源错配、引导资金流向绿色产业的功能,最大限度发挥其激励绿色技术创新、优化产业结构以及推进市场化进程等方面的作用,为各地区发展绿色经济提供金融支持与保障。(2)为推动不同区域数字金融的协调发展、缩小区域间的数字鸿沟,政府要大力普及数字金融相关知识,拓宽数字金融覆盖广度以及使用深度,提升全民对数字金融的接受度,并将数字金融的使用落实到日常生活中;与此同时,要注意数字金融相关设施具有一定的能源消耗特性,因此在完善数字金融设施的同时要避免粗放式增长带来“数字污染”;最后,要发掘资源型城市的绿色发展潜力,让数字金融更好地服务于高污染、高排放行业的低碳转型,摆脱“资源诅咒”。(3)加强相邻城市间节能减排的合作,发挥数字金融对“本地—邻地”碳排放效率提升的辐射作用。充分发挥“学习效应”,让明星绿色城市带动周边城市的绿色发展,通过数字技术创新跨区域污染减排联动机制,实现区域碳排放效率的增质提效。

猜你喜欢
变量金融效率
抓住不变量解题
提升朗读教学效率的几点思考
也谈分离变量
何方平:我与金融相伴25年
君唯康的金融梦
P2P金融解读
SL(3,3n)和SU(3,3n)的第一Cartan不变量
跟踪导练(一)2
“钱”、“事”脱节效率低
分离变量法:常见的通性通法