吳毅斌

(蘭州財(cái)經(jīng)大學(xué) 統(tǒng)計(jì)學(xué)院, 蘭州 730000)

中國(guó)二氧化碳排放力爭(zhēng)于2030年前達(dá)到峰值,努力爭(zhēng)取2060年前實(shí)現(xiàn)碳中和[1]。中共中央國(guó)務(wù)院發(fā)布的《關(guān)于完整準(zhǔn)確全面貫徹新發(fā)展理念做好碳達(dá)峰碳中和工作的意見》[2]明確提出,為了實(shí)現(xiàn)低碳發(fā)展,需要依靠金融機(jī)構(gòu)積極發(fā)展綠色金融。隨著人工智能、互聯(lián)網(wǎng)、大數(shù)據(jù)為核心的數(shù)字化進(jìn)程在經(jīng)濟(jì)、金融等領(lǐng)域的覆蓋廣度不斷增加,數(shù)字金融對(duì)碳排放影響的研究也在不斷 深入。

已有研究數(shù)字金融對(duì)碳排放影響的文獻(xiàn)主要集中在以下3個(gè)方面:①數(shù)字金融對(duì)碳排放的影響研究。碳排放與人類經(jīng)濟(jì)發(fā)展息息相關(guān),近年來,中國(guó)在生產(chǎn)效率快速提升的同時(shí)也加大了對(duì)各類能源資源的利用,大量的碳排放導(dǎo)致環(huán)境污染加重,嚴(yán)重威脅到人類的生存,全球碳減排大勢(shì)所趨。數(shù)字金融主要通過大數(shù)據(jù)、互聯(lián)網(wǎng)、云計(jì)算、區(qū)塊鏈等新型技術(shù)與傳統(tǒng)經(jīng)濟(jì)金融領(lǐng)域深度融合。通過將數(shù)字化技術(shù)與傳統(tǒng)金融業(yè)務(wù)的融合,創(chuàng)造了數(shù)字普惠金融體系,可利用大數(shù)據(jù)精準(zhǔn)搜尋目標(biāo)客戶群體,解決“長(zhǎng)尾群體”的融資困境,從而減少了線下的碳排放。陳曉紅等[3]的研究已證實(shí)數(shù)字化技術(shù)發(fā)展具有抑制碳排放的作用。賀茂斌和楊曉維[4]認(rèn)為高新技術(shù)型企業(yè)往往具有融資難、收益低、周期長(zhǎng)等特點(diǎn),數(shù)字金融可為這類企業(yè)提供充足的資金支持,提升科技型企業(yè)的技術(shù)創(chuàng)新水平以減少碳排放;且數(shù)字金融依賴數(shù)字化平臺(tái)提供金融服務(wù),減少了線下交易來往產(chǎn)生的碳排放,從而降低了碳排放。②數(shù)字金融對(duì)碳排放的空間效應(yīng)研究。趙瑞娟和李薇[5]研究發(fā)現(xiàn),數(shù)字金融與碳排放之間存在空間效應(yīng),由于鄰近地區(qū)之間各類生產(chǎn)要素流動(dòng)性強(qiáng),可能會(huì)導(dǎo)致碳排放的“虹吸效應(yīng)”或者“擴(kuò)散效應(yīng)”產(chǎn)生,因此數(shù)字金融發(fā)展可能對(duì)碳排放強(qiáng)度產(chǎn)生空間溢出效應(yīng)。③數(shù)字金融對(duì)碳排放的影響機(jī)制研究。鄧榮榮和張翱祥[6]認(rèn)為數(shù)字普惠金融對(duì)碳排放的作用機(jī)制一方面可直接影響碳排放效率,其次還可通過技術(shù)創(chuàng)新、經(jīng)濟(jì)增長(zhǎng)、產(chǎn)業(yè)結(jié)構(gòu)3種渠道抑制碳排放。

那么,數(shù)字金融與碳排放之間到底有什么聯(lián)系呢?數(shù)字金融的發(fā)展是否會(huì)抑制碳排放強(qiáng)度呢?如果有抑制作用,數(shù)字金融對(duì)碳排放強(qiáng)度是怎樣的影響機(jī)制?數(shù)字金融是否會(huì)促進(jìn)或者抑制鄰近地區(qū)的碳排放強(qiáng)度呢?通過文獻(xiàn)梳理發(fā)現(xiàn),目前研究主要集中在金融發(fā)展對(duì)碳減排效率的實(shí)證研究,鮮有研究涉及數(shù)字金融對(duì)碳排放強(qiáng)度的影響,且尚未從多角度研究數(shù)字金融影響碳排放強(qiáng)度的傳導(dǎo)機(jī)制,數(shù)字金融與碳排放強(qiáng)度之間的邏輯關(guān)系需要進(jìn)一步厘清與完善。因此,基于以上分析,做進(jìn)一步的拓展研究。利用雙向固定效應(yīng)模型、中介效應(yīng)模型和空間杜賓模型實(shí)證檢驗(yàn)了數(shù)字金融發(fā)展對(duì)碳排放強(qiáng)度的作用機(jī)制及空間效應(yīng)。基于此提出關(guān)于抑制碳排放強(qiáng)度的相關(guān)政策建議。從數(shù)字金融的角度拓展了金融發(fā)展與碳排放強(qiáng)度的關(guān)系,為更好地發(fā)揮數(shù)字金融的碳減排效應(yīng)提供穩(wěn)健的實(shí)證依據(jù)和決策參考,以期促進(jìn)中國(guó)碳減排效率,助力中國(guó)“雙碳”目標(biāo)的實(shí)現(xiàn)。

1 理論機(jī)制與研究假設(shè)

1.1 數(shù)字金融發(fā)展對(duì)碳排放強(qiáng)度的直接影響

數(shù)字金融發(fā)展對(duì)碳排放強(qiáng)度的影響包括以下幾個(gè)方面:①金融機(jī)構(gòu)可以借助數(shù)字化平臺(tái)對(duì)精準(zhǔn)掌握企業(yè)信息,提高金融資源配置效率,淘汰高污染、高耗能的企業(yè)[7];②碳排放權(quán)交易是國(guó)家通過市場(chǎng)規(guī)制影響碳排放、應(yīng)對(duì)全球氣候變暖的重要舉措,碳排放權(quán)交易市場(chǎng)借助數(shù)字金融可以使碳金融產(chǎn)品更加大眾化和普惠化,對(duì)企業(yè)碳排放行為通過市場(chǎng)交易的方法在懲罰和補(bǔ)償之間進(jìn)行平衡最終有利于減少企業(yè)碳排放的負(fù)外部性,實(shí)現(xiàn)碳減排工作;③利用數(shù)字金融平臺(tái)可對(duì)企業(yè)信息全方位掌握,可為政府提供精準(zhǔn)且全面的環(huán)保信息,實(shí)現(xiàn)精準(zhǔn)且科學(xué)的決策,可根據(jù)碳排放對(duì)企業(yè)進(jìn)行“獎(jiǎng)優(yōu)懲劣”,促進(jìn)各地區(qū)碳減排?？德投胚\(yùn)偉[8]認(rèn)為本地區(qū)的數(shù)字金融的提高,通過線上平臺(tái)進(jìn)行各種金融服務(wù),加快了金融市場(chǎng)的交易進(jìn)度,使交易市場(chǎng)更加快捷,而且提高了研發(fā)效率與技術(shù)創(chuàng)新,但這一過程也產(chǎn)生了“虹吸效應(yīng)”,使鄰近省份的資金與技術(shù)流向該地區(qū),金融資源產(chǎn)生不合理配置,減緩了鄰近地區(qū)的數(shù)字化進(jìn)程,影響了鄰近地區(qū)經(jīng)濟(jì)的發(fā)展,不利于生產(chǎn)設(shè)施升級(jí)改造,從而抑制了鄰近省份的碳排放效率。因此提出以下假設(shè)。

H1:數(shù)字金融發(fā)展抑制了碳排放強(qiáng)度且具有正向的空間溢出效應(yīng)。

1.2 數(shù)字金融發(fā)展對(duì)碳排放強(qiáng)度的影響機(jī)制

數(shù)字金融通過對(duì)金融資源的收集與合理配置促進(jìn)經(jīng)濟(jì)增長(zhǎng)。金融機(jī)構(gòu)能夠利用大數(shù)據(jù)、云計(jì)算等技術(shù)收攏金融資源,篩選具有發(fā)展?jié)摿Φ钠髽I(yè)提供充足的信貸支持,數(shù)字金融普惠性的特點(diǎn),可使“長(zhǎng)尾群體”更易得到金融服務(wù),解決“長(zhǎng)尾群體”融資難題,增加企業(yè)生產(chǎn)績(jī)效?，F(xiàn)階段的研究成果認(rèn)為數(shù)字金融會(huì)通過促進(jìn)經(jīng)濟(jì)質(zhì)量增長(zhǎng)抑制碳排放[9]。劉玉珂和金聲甜[10]認(rèn)為數(shù)字金融的發(fā)展在增加自身的產(chǎn)值的同時(shí)也增加了服務(wù)業(yè)產(chǎn)值,且數(shù)字金融發(fā)展更易引導(dǎo)生產(chǎn)要素轉(zhuǎn)向低能耗、高效率的企業(yè)。由于第三產(chǎn)業(yè)能耗低、排放少,產(chǎn)業(yè)結(jié)構(gòu)的升級(jí)將有利于抑制碳排放強(qiáng)度;其次,數(shù)字金融促進(jìn)了金融資源的合理配置,有效解決金融機(jī)構(gòu)和企業(yè)間信息不對(duì)稱問題,提高了金融資源配置效率,產(chǎn)業(yè)結(jié)構(gòu)的合理化將使得能源等各類資源的利用效率提高[11],推進(jìn)經(jīng)濟(jì)發(fā)展以綠色為導(dǎo)向,加快碳減排效率。綜上,數(shù)字金融將會(huì)通過促進(jìn)經(jīng)濟(jì)發(fā)展質(zhì)量和產(chǎn)業(yè)結(jié)構(gòu)升級(jí)影響碳排放強(qiáng)度,因此提出以下假設(shè)。

H2:數(shù)字金融通過促進(jìn)經(jīng)濟(jì)發(fā)展質(zhì)量和產(chǎn)業(yè)結(jié)構(gòu)升級(jí)2種中介渠道抑制碳排放強(qiáng)度。

2 研究設(shè)計(jì)與變量選取

2.1 模型設(shè)定

2.1.1 基準(zhǔn)回歸模型

通過上文文獻(xiàn)可得數(shù)字金融發(fā)展會(huì)對(duì)碳排放強(qiáng)度產(chǎn)生抑制作用,為實(shí)證檢驗(yàn)數(shù)字金融發(fā)展對(duì)碳排放強(qiáng)度是否為抑制作用且顯著,構(gòu)建如下的理論模型:

ln Ceiit=β0+β1Difit+∑β2Xit+μi+λt+εit

(1)

式中:ln Ceiit為省份i在t年份的碳排放強(qiáng)度;Difit為數(shù)字金融發(fā)展指數(shù);Xit為一系列影響碳排放強(qiáng)度的控制變量;β0為常數(shù)項(xiàng);β1、β2為回歸系數(shù);μi為地區(qū)固定效應(yīng);λt為時(shí)間固定效應(yīng);εit為隨機(jī)干擾項(xiàng)。

2.1.2 中介效應(yīng)模型

式(1)重點(diǎn)關(guān)注的是數(shù)字金融發(fā)展對(duì)碳排放強(qiáng)度的直接效應(yīng),通過上文文獻(xiàn)可知,數(shù)字金融發(fā)展對(duì)碳排放強(qiáng)度的影響主要是通過經(jīng)濟(jì)發(fā)展質(zhì)量和產(chǎn)業(yè)結(jié)構(gòu)升級(jí),那么為了探討它們之間具體的影響機(jī)制,參考溫忠麟和葉寶娟[12]的研究,構(gòu)建如下模型,對(duì)該影響機(jī)制進(jìn)行實(shí)證檢驗(yàn)。

Mit=α0+α1Difit+∑α2Xit+μi+λt+εit

(2)

ln Ceiit=η0+η1Difit+η2Mit+
∑η3Xit+μi+λt+εit

(3)

式中:M為中介變量,代表經(jīng)濟(jì)發(fā)展質(zhì)量(Pgdp)、產(chǎn)業(yè)結(jié)構(gòu)(Is);α1為數(shù)字金融對(duì)中介變量的回歸系數(shù);α2、η3為控制變量的回歸系數(shù);α0、η0為常數(shù)項(xiàng),η1為數(shù)字金融對(duì)碳排放強(qiáng)度的回歸系數(shù);η2為中介變量對(duì)碳排放強(qiáng)度的回歸系數(shù)。

2.1.3 空間面板模型

由于各地區(qū)之間數(shù)字金融與碳排放相互之間在空間上可能會(huì)產(chǎn)生影響,為研究?jī)烧咧g是否具有空間效應(yīng),計(jì)劃采用空間杜賓模型驗(yàn)證數(shù)字金融和碳排放強(qiáng)度之間的空間溢出效應(yīng),構(gòu)建模型如下:

ln Ceiit=β0+ρ1Wijln Ceiit+β1Difit+ρ2WijDifit+
β3Xit+ρ3WijXit+μi+λt+εit

(4)

式中:Wij為空間權(quán)重矩陣;ρ1為空間自回歸系數(shù);ρ2為數(shù)字金融空間滯后的回歸系數(shù);ρ3為控制變量空間滯后的回歸系數(shù)?？臻g權(quán)重矩陣采用反距離平方矩陣,其余變量含義與前文相同。

2.2 變量選取

2.2.1 被解釋變量

被解釋變量為碳排放強(qiáng)度, 采用各地區(qū)的碳排放總量與地區(qū)生產(chǎn)總值的比值取對(duì)數(shù)來表示碳排放強(qiáng)度。碳排放強(qiáng)度值越小,越能表明中國(guó)低碳發(fā)展模式越完善。2006年,聯(lián)合國(guó)政府間氣候變化專門委員會(huì)在《國(guó)家溫室氣體清單指南》中提出溫室氣體的增加除了自然界自身產(chǎn)生的之外,主要來源于人類對(duì)化石燃料的燃燒,并提出了根據(jù)燃料燃燒數(shù)量和燃燒因子測(cè)算計(jì)算碳排放量。因此,借鑒任志娟[13]對(duì)碳排放量的測(cè)度方法,采用煤炭、焦炭、汽油、原油、柴油、煤油、燃料油、天然氣等8種能源的消耗量,計(jì)算各地區(qū)能源消費(fèi)的碳排放總量。具體的碳排放總量測(cè)算方法為

CO2it=∑Eijtηj

(5)

式中:CO2it為i省第t年的碳排放總量;Eijt為i省第t年第j種能源消費(fèi)量;ηj為第j種能源的二氧化碳排放系數(shù)。

2.2.2 解釋變量

本文的核心解釋變量為數(shù)字金融?，F(xiàn)有文獻(xiàn)大多采用郭峰等[14]編制的數(shù)字金融普惠指數(shù)作為數(shù)字金融發(fā)展程度的代理變量,數(shù)字普惠金融指數(shù)包含數(shù)字化程度、覆蓋廣度和使用深度3個(gè)維度。

2.2.3 中介變量

中介變量包括:①經(jīng)濟(jì)發(fā)展質(zhì)量(Pgdp)。采用人均地區(qū)生產(chǎn)總值取對(duì)數(shù)表示。② 產(chǎn)業(yè)結(jié)構(gòu)(Is)。借鑒王書華等[15]的做法,采用第三產(chǎn)業(yè)增加值與第二產(chǎn)業(yè)增加值的比重作為指標(biāo)衡量產(chǎn)業(yè)結(jié)構(gòu)合理化程度。

2.2.4 控制變量

參考以往的研究,控制了以下可能影響碳排放強(qiáng)度的變量:① 政府管制(Gov)。政府干預(yù)雖然能夠?qū)Νh(huán)境污染進(jìn)行管制,但政府的過度干預(yù)不利于碳排放強(qiáng)度的降低[16]。采用地區(qū)政府財(cái)政支出總額與當(dāng)?shù)厣a(chǎn)總值比重表示。②人口密度(Pop)。代表地區(qū)居民集聚程度,用平方千米的人口數(shù)表示。③ 科技支出(Tec)?？萍妓皆礁?越能夠促進(jìn)投入要素的利用和創(chuàng)新成果的轉(zhuǎn)化,從而減少碳排放[17],采用政府科學(xué)技術(shù)支出與財(cái)政支出比值衡量。④城鎮(zhèn)化水平(Urb)。用各地區(qū)城鎮(zhèn)人口占該地區(qū)年末常住人口數(shù)比重來衡量。⑤綠化水平(Gre)。衡量地區(qū)綠化環(huán)境建設(shè),綠化水平高說明環(huán)境規(guī)制高,采用建成區(qū)綠化面積覆蓋率表示[8]。⑥教育水平(Edu)。借鑒張?jiān)獞c等[18]的做法,用高等教育人數(shù)衡量當(dāng)?shù)亟逃?具體以人口抽樣調(diào)查數(shù)據(jù)中的大專及以上人口數(shù)占6歲以上總?cè)丝诘谋壤齺砗饬俊?/p>

2.3 數(shù)據(jù)來源

研究樣本基于2011—2020年中國(guó)30 個(gè)省(自治區(qū)、直轄市)(因數(shù)據(jù)缺失,未包含西藏地區(qū)和港澳臺(tái)地區(qū))的面板數(shù)據(jù)。數(shù)據(jù)來源于國(guó)家統(tǒng)計(jì)局官方網(wǎng)站和各地統(tǒng)計(jì)年鑒。樣本量為300個(gè)。變量描述性統(tǒng)計(jì)見表1。由標(biāo)準(zhǔn)差可得,數(shù)字金融指數(shù)之間存在著巨大的差距,表明各地區(qū)數(shù)字金融發(fā)展程度差異較大,區(qū)域之間發(fā)展不均衡。

表1 變量描述性統(tǒng)計(jì)

3 實(shí)證結(jié)果與分析

3.1 基準(zhǔn)回歸

根據(jù)Hausman檢驗(yàn)結(jié)果,P為0.008 5,表明實(shí)證檢驗(yàn)采用固定效應(yīng)模型優(yōu)于隨機(jī)效應(yīng)模型。故應(yīng)用雙向固定效應(yīng)模型進(jìn)行后續(xù)實(shí)證檢驗(yàn)。結(jié)果見表2(1)列、(2)列,數(shù)字金融的回歸系數(shù)為負(fù)且在1%的水平上顯著,即數(shù)字金融每提高1個(gè)單位,碳排放強(qiáng)度便會(huì)相應(yīng)地降低0.008個(gè)單位,初步證明了數(shù)字金融能夠顯著抑制碳排放強(qiáng)度。

表2 基準(zhǔn)回歸結(jié)果

3.2 內(nèi)生性檢驗(yàn)與處理

由于上述檢驗(yàn)可能會(huì)存在遺漏變量從而導(dǎo)致內(nèi)生性問題,且被解釋變量與解釋變量可能存在互為因果的問題,碳排放強(qiáng)度的高低可能會(huì)對(duì)數(shù)字金融的發(fā)展產(chǎn)生影響。該部分采用動(dòng)態(tài)面板廣義矩估計(jì)模型及工具變量法估計(jì)數(shù)字金融對(duì)碳排放強(qiáng)度的影響,從而解決內(nèi)生性問題。

3.2.1 系統(tǒng)GMM(廣義矩估計(jì))

為了避免內(nèi)生性問題對(duì)研究帶來的干擾,構(gòu)建動(dòng)態(tài)面板模型;采用碳排放強(qiáng)度的滯后一期的作為解釋變量,運(yùn)用系統(tǒng)GMM(系統(tǒng)廣義矩估計(jì),System-GMM)模型進(jìn)行回歸估計(jì),回歸結(jié)果見表2第(2)列。表中AR(1)值顯著, 但AR(2)值不顯著,證明隨機(jī)干擾項(xiàng)存在一階自相關(guān),但隨機(jī)干擾項(xiàng)不存在二階自相關(guān),說明隨機(jī)干擾項(xiàng)不存在序列自相關(guān)。Hansen檢驗(yàn)的P大于0.1,說明不存在過度識(shí)別的問題,說明所有工具變量均有效,不存在過度識(shí)別問題。檢驗(yàn)結(jié)果表明系統(tǒng)GMM模型回歸結(jié)果是合理有效的,其回歸系數(shù)方向和雙向固定效應(yīng)一致,證明數(shù)字金融對(duì)碳排放強(qiáng)度依然具有抑制作用,這與雙向固定效應(yīng)模型得出的實(shí)證結(jié)果一致,實(shí)證結(jié)果支持基準(zhǔn)回歸的結(jié)論。

3.2.2 工具變量法

采用工具變量法進(jìn)一步解決內(nèi)生性問題。因?yàn)閿?shù)字金融指數(shù)滯后一期與當(dāng)期數(shù)字金融發(fā)展高度相關(guān),且與當(dāng)期碳排放強(qiáng)度無關(guān),所以將數(shù)字金融指數(shù)滯后一期作為數(shù)字金融發(fā)展的工具變量來進(jìn)行二階段最小二乘(2SLS)回歸;將工具變量引入后,第一階段結(jié)果見表2第(3)列。L. Dif 的系數(shù)在1%的水平上顯著,說明當(dāng)期與滯后一期的數(shù)字金融有著很強(qiáng)的相關(guān)性,且F大于10表明數(shù)字金融滯后一期不是弱工具變量;同時(shí),工具變量的個(gè)數(shù)等于內(nèi)生變量個(gè)數(shù),即恰好識(shí)別,無須進(jìn)行過度識(shí)別檢驗(yàn),說明該工具變量是有效的。表2第(4)列顯示,回歸系數(shù)顯著為負(fù)且通過了1%的顯著性檢驗(yàn),說明工具變量法的估計(jì)結(jié)果支持提出的假設(shè)。

3.3 中介效應(yīng)檢驗(yàn)

理論分析表明數(shù)字金融發(fā)展通過促進(jìn)經(jīng)濟(jì)發(fā)展質(zhì)量和產(chǎn)業(yè)結(jié)構(gòu)升級(jí)抑制碳排放強(qiáng)度。利用逐步回歸法對(duì)兩種中介變量進(jìn)行檢驗(yàn)。表3第(1)、(3)列顯示,數(shù)字金融的系數(shù)均為0.002且顯著,這表明數(shù)字金融的發(fā)展有利于促進(jìn)經(jīng)濟(jì)發(fā)展質(zhì)量和產(chǎn)業(yè)結(jié)構(gòu)升級(jí);同時(shí)納入兩個(gè)變量之后,表3第(2)、(4)列顯示,經(jīng)濟(jì)發(fā)展質(zhì)量、產(chǎn)業(yè)結(jié)構(gòu)的回歸系數(shù)均為負(fù)且在1%的水平上顯著。即驗(yàn)證了數(shù)字金融通過促進(jìn)經(jīng)濟(jì)發(fā)展和產(chǎn)業(yè)結(jié)構(gòu)升級(jí)對(duì)碳排放強(qiáng)度產(chǎn)生抑制作用的假設(shè)。

表3 數(shù)字金融對(duì)碳排放強(qiáng)度的影響機(jī)制估計(jì)結(jié)果

3.4 穩(wěn)健性檢驗(yàn)

采用數(shù)字金融指數(shù)的3個(gè)子維度數(shù)字化程度(Dig)、使用深度(Dep)替換核心解釋變量數(shù)字金融指數(shù)進(jìn)行回歸分析,結(jié)果見表4第(1)、(2)列。數(shù)字化程度和使用深度的回歸系數(shù)均為負(fù)且在1%的水平上顯著,說明數(shù)字金融的數(shù)字化程度、使用深度、覆蓋廣度可以抑制碳排放強(qiáng)度,證明了基準(zhǔn)回歸的穩(wěn)健性;人均碳排放量(Pce)也可反映某地區(qū)的碳排放強(qiáng)度,采用人均碳排放量表示碳排放強(qiáng)度,從而檢驗(yàn)替換被解釋變量后的結(jié)論是否仍舊成立,結(jié)果見表4第(3)列:數(shù)字金融的回歸系數(shù)為負(fù)且在1%的水平上顯著,說明數(shù)字金融發(fā)展可以抑制人均碳排放量,與上文實(shí)證結(jié)論一致,間接驗(yàn)證了結(jié)論的穩(wěn)健性;為了消除數(shù)據(jù)極端值對(duì)實(shí)證檢驗(yàn)結(jié)果造成影響,對(duì)所有變量進(jìn)行了1%水平的縮尾處理。表4的第(4)列為對(duì)變量進(jìn)行縮尾處理之后的回歸結(jié)果,數(shù)字金融的回歸系數(shù)依然為負(fù)且在1%的水平上顯著,進(jìn)一步驗(yàn)證了數(shù)字金融對(duì)碳排放強(qiáng)度的顯著抑制作用,加強(qiáng)了對(duì)上述論證的解釋。

表4 穩(wěn)健性檢驗(yàn)結(jié)果

4 空間溢出效應(yīng)分析

4.1 空間自相關(guān)檢驗(yàn)

空間相關(guān)性是指變量在空間中存在互相影響,通常采用莫蘭指數(shù)檢驗(yàn)空間相關(guān)性,選擇反距離平方空間權(quán)重矩陣計(jì)算2011—2020年碳排放強(qiáng)度的莫蘭指數(shù),結(jié)果見表5。莫蘭指數(shù)越趨近于1表明空間相關(guān)性越強(qiáng),正負(fù)號(hào)則代表正負(fù)相關(guān)性。表5中2011—2020年莫蘭指數(shù)均為正且在1%的顯著性水平下通過檢驗(yàn),表明中國(guó)的碳排放強(qiáng)度在空間上呈現(xiàn)出正向空間相關(guān)性。可以在后續(xù)采用空間面板模型來分析數(shù)字金融對(duì)碳排放的空間效應(yīng)。

表5 2011—2020年空間自相關(guān)檢驗(yàn)結(jié)果

4.2 空間計(jì)量模型的適用性檢驗(yàn)

該部分實(shí)證檢驗(yàn)了數(shù)字金融對(duì)碳排放強(qiáng)度的影響是否適合采用空間計(jì)量模型來研究,結(jié)果見表6,根據(jù)檢驗(yàn)可得, LM檢驗(yàn)和穩(wěn)健性LM檢驗(yàn)均在5%的水平上顯著,因此可以認(rèn)為碳排放存在空間關(guān)系,本研究應(yīng)采用空間杜賓模型。然后判斷空間杜賓模型是否會(huì)退化為空間誤差模型或空間滯后模型。結(jié)果顯示,LR檢驗(yàn)和Wald檢驗(yàn)均在1%的水平上顯著,表明本研究應(yīng)使用空間杜賓模型。因此,選取雙向固定效應(yīng)的空間杜賓模型進(jìn)行空間計(jì)量分析。

表6 空間模型檢驗(yàn)結(jié)果

4.3 空間效應(yīng)實(shí)證

根據(jù)上述檢驗(yàn)結(jié)果,借助雙向固定效應(yīng)的空間杜賓模型(spatial Dubin model, SDM)估計(jì)數(shù)字金融對(duì)碳排放強(qiáng)度的空間效應(yīng)。根據(jù)表7得到數(shù)字金融對(duì)碳排放強(qiáng)度的空間溢出效應(yīng)結(jié)果:空間自回歸系數(shù)rho為正且在1%的水平上顯著,進(jìn)一步證實(shí)了各地區(qū)碳排放強(qiáng)度具有空間集聚效應(yīng)。Main為本地區(qū)的數(shù)字金融對(duì)本地區(qū)碳排放強(qiáng)度的影響,Wx表示本地區(qū)數(shù)字金融對(duì)鄰近地區(qū)的碳排放強(qiáng)度的影響。表7(1)列、(2)列顯示:Main的系數(shù)為負(fù)且在1%的水平上顯著,說明本省份內(nèi)的數(shù)字金融發(fā)展對(duì)本省份的碳排放強(qiáng)度具有顯著的抑制作用,Wx系數(shù)為正且在1%的水平上顯著,表明數(shù)字金融在空間上具有顯著的正向溢出效果,即本省份的數(shù)字金融的發(fā)展會(huì)使鄰近省份碳排放強(qiáng)度上升,即數(shù)字金融發(fā)展抑制本省份碳排放強(qiáng)度的同時(shí)會(huì)增強(qiáng)鄰近省份的碳排放強(qiáng)度,假設(shè)1得到驗(yàn)證。

表7 數(shù)字金融對(duì)碳排放強(qiáng)度的空間溢出效應(yīng)

由于空間杜賓模型解釋變量相關(guān)項(xiàng)Wx的系數(shù)沒有反映數(shù)字金融的全部作用效應(yīng),為了更直觀地分析數(shù)字金融對(duì)碳排放強(qiáng)度的影響,將空間溢出效應(yīng)分解為總效應(yīng)、直接效應(yīng)和間接效應(yīng),結(jié)果見表7(3)列、(4)、(5)列:直接效應(yīng)和總效應(yīng)的系數(shù)為負(fù)且在1%的水平上顯著,表明本地區(qū)的數(shù)字金融對(duì)本地區(qū)的碳排放強(qiáng)度起到抑制作用,間接效應(yīng)的回歸結(jié)果為正且在1%的水平上顯著,證明數(shù)字金融在空間上存在正向溢出效應(yīng),即本地區(qū)數(shù)字金融的發(fā)展會(huì)在空間上增強(qiáng)對(duì)鄰近地區(qū)的碳排放強(qiáng)度,即驗(yàn)證了假設(shè)1。

5 結(jié)論與建議

5.1 結(jié)論

選取2011—2020年省級(jí)面板數(shù)據(jù)進(jìn)行回歸,以經(jīng)濟(jì)發(fā)展質(zhì)量和產(chǎn)業(yè)結(jié)構(gòu)升級(jí)為中介變量,運(yùn)用雙向固定效應(yīng)模型、中介效應(yīng)模型和空間杜賓模型深入探討數(shù)字金融對(duì)碳排放強(qiáng)度的作用機(jī)制及空間效應(yīng),得出以下結(jié)論:

1)數(shù)字金融發(fā)展對(duì)碳排放強(qiáng)度具有顯著的抑制作用,推動(dòng)數(shù)字金融的發(fā)展能夠使中國(guó)加速完成“雙碳”目標(biāo);通過系統(tǒng)GMM和工具變量法做內(nèi)生性處理后,該結(jié)論仍舊成立,且通過替換解釋變量、被解釋變量、縮尾處理等穩(wěn)健性檢驗(yàn)后,均證實(shí)了該結(jié)論。數(shù)字金融具備環(huán)境友好型特征,傳統(tǒng)金融服務(wù)與數(shù)字化技術(shù)的融合能夠通過減少線下交易及現(xiàn)金使用而促進(jìn)碳減排,引導(dǎo)金融資源流向節(jié)能環(huán)保型企業(yè),從而減少碳排放。

2)在作用機(jī)制方面,數(shù)字金融有助于提升地區(qū)的經(jīng)濟(jì)發(fā)展質(zhì)量和產(chǎn)業(yè)結(jié)構(gòu)升級(jí),從而抑制了地區(qū)碳排放強(qiáng)度;數(shù)字金融有助于提高金融資源的配置效率,加快地區(qū)經(jīng)濟(jì)增長(zhǎng)速度,即能為企業(yè)研發(fā)創(chuàng)新提供資金支持,也能通過引導(dǎo)金融資源流向節(jié)能環(huán)保型企業(yè)促進(jìn)產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化升級(jí)。

3)數(shù)字金融對(duì)碳排放強(qiáng)度具有正向空間溢出效應(yīng)。數(shù)字金融在對(duì)本地區(qū)碳排放強(qiáng)度抑制的過程中反而提高了鄰近地區(qū)的碳排放強(qiáng)度,說明存在負(fù)外部性;由于數(shù)字金融發(fā)展使鄰近地區(qū)的技術(shù)資源流失,出現(xiàn)“虹吸效應(yīng)”,導(dǎo)致鄰近地區(qū)的碳排放強(qiáng)度增高。

5.2 建議

1)健全數(shù)字金融服務(wù)體系,提升數(shù)字金融對(duì)碳減排的貢獻(xiàn)能力。由于數(shù)字金融顯著的抑制了碳排放強(qiáng)度,應(yīng)繼續(xù)深化數(shù)字金融發(fā)展,運(yùn)用數(shù)字化技術(shù),搭建數(shù)字交易平臺(tái),直接減少線下的碳排放;重點(diǎn)推進(jìn)數(shù)字金融以綠色為導(dǎo)向,發(fā)揮數(shù)字金融在實(shí)現(xiàn)中國(guó)“雙碳”目標(biāo)中的帶動(dòng)作用;此外,政府還應(yīng)做好數(shù)字金融與企業(yè)技術(shù)創(chuàng)新的協(xié)調(diào)發(fā)展,如加強(qiáng)大數(shù)據(jù)、區(qū)塊鏈等數(shù)字化設(shè)施的建設(shè),促進(jìn)碳減排效率,加快“雙碳”目標(biāo)的實(shí)現(xiàn)。

2)促進(jìn)產(chǎn)業(yè)結(jié)構(gòu)升級(jí)和經(jīng)濟(jì)發(fā)展質(zhì)量的穩(wěn)步增長(zhǎng)。政府通過出臺(tái)相關(guān)政策,加大對(duì)污染高、能耗高的企業(yè)的管制,促進(jìn)各地傳統(tǒng)產(chǎn)業(yè)向更高級(jí)產(chǎn)業(yè)轉(zhuǎn)型;加強(qiáng)數(shù)字金融和產(chǎn)業(yè)的有效融合,帶動(dòng)經(jīng)濟(jì)發(fā)展質(zhì)量的穩(wěn)步增長(zhǎng),從而實(shí)現(xiàn)碳減排。

3)均衡數(shù)字金融空間發(fā)展程度。各地區(qū)應(yīng)加強(qiáng)數(shù)字金融的覆蓋廣度、使用深度;加強(qiáng)各區(qū)域之間在低碳技術(shù)和產(chǎn)業(yè)優(yōu)化等方面的合作,提升能源利用效率,減少二氧化碳排放;并注重與各區(qū)域發(fā)展的一致性,促進(jìn)各地區(qū)間的數(shù)字金融協(xié)調(diào)發(fā)展,降低數(shù)字金融發(fā)展導(dǎo)致的空間負(fù)外部性,從而減少“虹吸效應(yīng)”對(duì)鄰近區(qū)域產(chǎn)業(yè)結(jié)構(gòu)和碳排放的影響程度。