数字金融对企业绿色技术创新的激励效应研究

■陈孝明 何思华 冯锐

一、前言

在新一轮的国际竞争中，碳中和技术创新成为焦点，绿色技术创新是实现碳中和目标的重要驱动力。党的二十大报告提出，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。绿色技术创新在受到市场主体重视的同时，在传统金融市场上却面临着融资壁垒等诸多问题。随着人工智能等新一代信息技术进入金融领域，数字金融成为缓解传统金融服务技术创新的困境，有效解决传统金融对绿色创新支持不足问题的重要工具。因此，挖掘数字金融在绿色技术创新上的作用，不仅有利于企业利用数字金融发展绿色技术创新带来的优势，占据更多市场经济份额和应对动态变化的复杂环境，还有益于发挥数字金融利用大数据、人工智能等技术优化市场资源的优势，促进创新资源的流动和绿色技术创新产品的市场转化。数字金融与企业绿色技术创新相结合，有利于促进环境友好型和资源节约型经济的发展，也有利于促进碳达峰、碳中和目标的实现。

Brawn等[1]最早将绿色技术和技术创新相融合，指出绿色技术创新是绿色技术和技术创新的共同体。现有企业绿色技术创新的文献主要集中在以下几个方面：其一，环境规制政策。政府的环境规制工具是决定企业绿色技术创新的因素之一，环境规制与企业绿色技术创新之间存在正向激励效应[2]、反向抑制效应[3，4]和门槛效应[5—7]等。其二，溢出效应研究。FDI的流入显著提升了制造业的绿色研发与制造能力[8]，会提高输入国的绿色技术创新[9]，使得“本地-邻地”绿色技术进步效应显著[10]。其三，政府补贴影响。政府提供的绿色补贴和R&D补贴可以促进企业绿色技术创新[11，12]，且“研发补助-市场型规制”间存在正向耦合效应，可推动企业绿色技术创新活动[13]。也有人认为政府补贴过高容易造成企业依赖，从而减少企业对技术创新的投入[14]。其四，金融支持和数字经济发展研究。绿色信贷水平的提高能显著增强环保企业的技术创新水平[15，16]，绿色信贷政策能够优化金融资源配置从而引导绿色发展[17，18]。金融发展主要集中在企业数字化方面，企业对大数据的应用会影响企业绿色创新活动[19]，并且企业数字化能够通过提升企业信息共享程度和增强知识整合能力达到促进企业绿色技术创新的目的[20，21]。

直接研究数字金融对企业绿色技术创新影响的文献不多，有关数字金融和金融科技对企业创新影响的文献则比较丰富。一方面，数字金融或金融科技通过改善资源配置效率增加有效金融供给[22，23]，缓解企业融资约束和信息不对称问题[24，25]，从而有利于促进企业创新[26，27]。数字金融发展对企业技术创新存在“结构性”驱动效果，并且其发展有益于其创新产出的增加[28，29]。另一方面，数字金融或金融科技通过技术创新来提高企业的创新效率，其带来新的组织逻辑会对企业创新产生一定程度的积极影响[30]。数字金融或金融科技提供的全方位投资平台，能为企业挖掘更多有投资价值的技术创新项目，提升企业商业信用价值和改善流动性限制[31]，推动企业进行技术创新活动[32，33]。数字金融可以通过对风险的精准化定位和对业务流程的集约化处理推动企业创新[23]，这不仅密切了部门之间的联系，还加强了技术知识的交流以及企业内外部的管理[34]。

数字金融的发展正在影响企业绿色技术创新活动，但相关研究主要集中在数字金融或金融科技对企业创新以及技术创新方面的影响，较少从绿色技术创新角度去探讨数字金融的作用机制，两者之间是否存在中介效应也缺乏相关实证研究。数字金融发展水平作为影响企业绿色技术创新的重要因素，对企业进行绿色研发投入与产出具有重要影响，两者的作用机制是一个值得探讨的问题。

本文可能的边际贡献体现在以下几个方面：第一，突破传统金融支持企业绿色技术创新的研究局限，立足于数字技术驱动型的创新型数字金融对企业绿色技术创新的正向促进作用，并为其提供实证支持，探讨数字金融与绿色技术创新两者之间的关系。第二，将企业绿色技术创新分成绿色发明创新和绿色实用新型创新指标，深入探讨数字金融对企业绿色技术创新不同构成部分的差异性影响，并提供实证支持。第三，在中介机制检验中，研究政府补助、企业资产收益率差以及销售费用率三个变量在数字金融与企业绿色技术创新的传导作用。第四，为企业不同所有制特征、所处行业的技术特征以及污染程度特征在数字金融对企业绿色技术创新的影响中同样存在差异性提供了实证支持。

二、理论分析与研究假设

（一）数字金融对企业绿色技术创新的影响分析

数字金融发展能促进资源配置，缓解绿色技术创新融资约束。数字金融能将金融资源有效地集中起来并实现高效供给，还能通过信息筛选引导金融资源流向更具投资价值的项目[33]。数字金融的高效数据共享，可以实时分配和调整生产要素，优化资源配置，企业信息化和信用透明化还会反向迫使金融机构转型升级，提高资源配置效率。数字金融的发展能有效改善传统金融体系存在的资源流动性不足和资源错配问题，从而提高市场主体之间闲置资源的流转效率，将创新资源及时地流入需要开展绿色技术创新的企业。数字金融在优化资源配置的同时，还能缓解企业的融资约束。一方面，数字金融能突破传统金融体系中只重视硬资产抵押的模式，更全面地评估企业的经营状况，构建企业信用价值，降低融资约束门槛[35]。另一方面，数字金融的发展不仅可以降低融资门槛，还可以从宏观的融资体系以及微观融资成本等方面缓解企业的融资约束。数字金融的发展不仅能使金融机构避免额外的人工干预，减少信贷过程中的寻租行为，还可以通过降低运营成本和提高效率来实现贷款成本的下降，进一步降低企业贷款利率水平。

数字金融能缓解信息不对称，有效规避逆向选择与道德风险问题。数字金融的数据甄选和信息共享功能可以改善银行和企业之间信息不对称的问题，让金融机构精准把握企业征信和评级信息，帮助中小企业树立市场信用，有利于挖掘创新潜力大和创新实力强的企业并给予金融支持。金融数字化和技术化的发展进一步化解了企业和投资者、企业和企业之间的信息鸿沟，提升了信息透明度。数字金融信息网络公开透明，动态智能的实时检测贯穿借贷全链条，既能有效地对投资者和借款企业进行前期筛选，又能对借贷资金实行后续监管，从而更好地规避传统金融市场中的逆向选择和道德风险问题，降低资金链断裂的风险，保证企业绿色技术创新按计划进行。数字金融不仅降低了企业外部的信息不对称程度，还推动了企业内部信息的共享[21]，进而提升企业创新效率，推动创新发展。

数字金融能优化企业投资流程，提高企业创新效率。数字金融中大数据、云计算的应用，既能识别和管理风险，又能降低自身风险集中度，有利于银行、企业提高风险承担水平，增强其开展高精尖技术创新活动的意愿。数字金融不仅可以运用大数据挖掘潜在的市场机会，促使企业绿色技术创新更符合市场需求，为投资提供方向，还可以通过智能化分析帮助企业根据自身情况寻找适度风险下更高收益率的投资项目，提高企业的投资效率。数字金融对信贷审批、创新项目审批手续的简化，不仅扩大了金融服务的对象和范围，还提高了创新项目审批效率，为企业技术创新活动落地实施提供了重要支撑。此外，数字金融优质的技术工具能通过模拟实验等寻找创新的最优路径，优化投资设计方案，帮助企业提升生产合理化、效率化水平，提高企业创新效率，促进创新成果转化。

结合以上分析提出以下假设：

假设H1：数字金融对企业绿色技术创新的影响为正向促进效应。

（二）数字金融与企业绿色技术创新活动的中介机制

第一，政府补助机制。企业绿色技术创新不仅受企业内部因素的影响，也受外部环境的影响，除了银行融资等因素外，政府也是影响企业绿色技术创新的重要因素。数字金融可以帮助政府更加精准地出台相关政策鼓励绿色技术创新，也可以帮助政府通过完善市场法律法规来加大对企业绿色技术创新成果的保护。政府补助对企业绿色技术创新的促进效应主要表现在减轻企业面临的融资压力和降低企业绿色技术创新期间的风险等方面。

第二，资产收益率差机制。企业技术创新发展需要资源的不断流入，逐利金融投资越多，技术创新越少，因此数字金融与企业绿色技术创新呈负相关关系[36]。由数字金融提供的全方位投资平台，增加了企业投资机会，新的投资行为会挖掘出更多的财富机会以及平衡资本市场[32]。近年来，金融资产收益率的爆发式增长吸引企业在其中投入更多金融资产，导致流入技术创新的资源减少[37]，基于逐利动机的金融资产配置行为对技术研发活动起到抑制作用。因此，数字金融也可能导致企业资源向金融领域倾斜，使得流入绿色技术创新的资源减少，抑制企业绿色技术创新的发展。金融资产收益率越高，企业越倾向于投资高收益率的金融资产，在固定资产收益率不变或降低的情况下，企业越不愿意投资绿色技术创新等实体领域。

第三，销售费用率机制。企业绿色技术创新的过程包括投入、研发、生产、实验、产出等，其中成果转化是其重要步骤之一。数字金融通过大数据以及区块链等技术，不仅能为企业在绿色技术创新活动开展前期收集市场需求，助力企业进行精准化生产，还能为绿色技术创新成果提供新的市场，将绿色技术创新产品快速地市场化，加快实现获得利润以及占据市场份额的目的。企业通过绿色技术创新产品获得的利润是开展下一期技术创新活动的前提，有助于企业的可持续性发展。数字金融底层技术还能促进绿色创新成果与潜在的市场需求相对接，如人工智能的精准营销，不仅降低了企业营销成本，还提高了销售效率，为下一轮的绿色技术创新提供更可靠的资金支持。数字金融在以上过程中可以极大地减少企业为寻找产品销售商以及挖掘潜在消费者所需要的成本，有利于降低企业销售费用率。结合以上分析提出以下假设：

假设H2a：数字金融通过影响政府补助促进企业绿色技术创新。

假设H2b：数字金融通过影响企业金融资产配置抑制企业绿色技术创新。

假设H2c：数字金融通过影响市场对接效率促进企业绿色技术创新。

（三）数字金融对企业绿色技术创新的影响差异

1.所有制特征差异

不同企业的所有制特征存在差异，相比国有企业，非国有企业受到的融资约束更大，进行绿色技术创新的动力更小。但数字金融提供了更便捷的公共金融平台，企业信息尤其是绿色技术创新项目可以通过大数据等进行数字化转换，并利用区块链等搭建多维信息连接平台，加快信息传递与匹配，解决非国有企业信息不对称现状，不仅能使非国有企业绿色技术创新前期的融资需求得到满足，还将为其成果市场化提供更多金融工具以及进入渠道。结合以上分析提出以下假设：

假设H3a：与国有企业相比，数字金融对非国有企业绿色技术创新具有更明显的促进效应。

2.行业科技特征差异

不同行业的技术特征不同，本文借鉴李春涛等[35]的做法，将样本分为高新技术企业组与非高新技术企业组，分类依据为《技术产业统计分类目录》。非高新技术企业注重传统业务经营以及维持现有市场份额，对技术创新的需求小、产出少。高新技术企业往往需要更多的资源进行技术创新，但由于信息不透明且风险高，面临内部绿色技术创新资源需求与外部资源流入不匹配的困境。数字金融为技术创新项目的价值评估提供了全方位服务，有助于项目创新价值高的企业获取更多资金和技术资源。数字金融带来的新型金融工具，也为后续绿色技术创新发明的产品提供了良好的销售及推广平台。因此，本文提出以下假设：

假设H3b：与非高新技术企业相比，数字金融对高新技术企业绿色技术创新具有更明显的促进效应。

3.行业污染程度特征差异

企业污染程度越高，其受到的政策约束往往也越大。绿色技术创新对重污染企业的作用更大，因此，重污染行业企业比中轻度污染企业的绿色技术创新更具紧迫性，对新型技术以及市场资源的需求动机也更大。但重污染企业往往又为传统重工业，其面临更高的技术壁垒和更大的技术创新融资障碍。数字金融以及金融工具的创新，为重污染企业转型升级提供了新的契机。因此，数字金融为绿色技术创新提供的便捷服务对重污染企业的影响更大。由此，本文提出以下假设：

假设H3c：与中轻度污染企业相比，数字金融对重污染企业绿色技术创新的促进效应更为显著。

三、实证研究

（一）研究设计

1.变量定义以及指标选取

（1）被解释变量

企业绿色技术创新。为研究数字金融的发展对不同类型绿色专利的影响，本文参考徐佳等[38]的做法以及数据的可得性，将绿色专利分为绿色发明专利与绿色实用新型专利。绿色专利申请数量指标主要有绿色专利总数（Pat）、绿色发明专利（pat1）和绿色实用新型专利（pat2）。对以上指标进行取对数处理，为了避免0值的影响，对数处理采取指标数值加1再取对数的方式。

（2）核心解释变量

数字金融（DF）。目前学术界衡量数字金融的方式主要有两种：其一，“北京大学数字普惠金融指数”[28]。其由北京大学数字金融研究中心和蚂蚁金服集团联合编制，利用蚂蚁金服的海量底层交易数据编制而成[39]，具有较高的权威性和代表性。但其出发点不仅有数字金融，还有普惠金融，不能精准代表数字金融水平。其二，通过网络搜索关键词词频构建情绪指数[35]。由于数字金融本身是近年来才兴起，在互联网和金融科技时代，该方法被广泛使用，能够比较准确地测度数字金融本身，但受选取词频和网络自身关注度的影响，存在一定的偏差。

因此，本文借鉴李春涛等[35]的思路，通过更加广泛和精准地选取词频来避免情绪指数的缺点，同时也避免北京大学数字普惠金融指数包含普惠等多余信息的缺点。根据《中国数字金融发展报告（2020）》《金融科技（FinTech）发展规划（2019—2021年）》以及数字金融相关政策文件和新闻会议，从中提取相关数字金融词汇，采用“文本挖掘法”建立数字金融指数。首先，从不同维度出发，构建数字金融原始词库（见表1）。其次，采用百度搜索指数将原始词库中非结构化的关键词转化为结构化词频，本项研究数字金融情绪指数中不仅考虑到金融功能观，也将相关数字金融基础纳入其中，并从不同维度进行分类。有关数字金融原始词库的整体趋势搜索起始年份为2011年。为保证数据完整性和有效性，本文选取2011—2019年中国30个省、市自治区（港澳台除外）的36个关键词在各年的搜索频率均值。最后，在上述结果基础上采取SPSS软件进行因子分析，最终合成数字金融指数，并对该指数进行0—1标准化处理，以此作为数字金融发展程度的代理变量。

表1 数字金融指数原始词库

（3）中介变量

政府补助（Gov）。政府补助是影响企业绿色技术创新发展的重要因素之一，数字金融发展水平越高，政府补助对具有高研发价值的绿色技术创新项目的支持力度以及倾向性越大，企业进行绿色研发与拓宽绿色技术创新知识的能力越强。本文借鉴李春涛等[35]的做法，采用企业年度获得的政府补助金额取自然对数来衡量政府补助。

资产收益率差（Rgap）。绿色技术创新作为企业投资的一部分，也受企业其他投资行为的影响。金融资产与以绿色技术创新为代表的实体资产投资间的资源配置受两者之间的资产收益率差的影响，更多资源投向金融资产可能会导致绿色技术创新资源不足。本文参考张成思等[40]的做法，采用金融资产的投资收益率与固定资产的收益率之差来衡量资产收益率差①。

销售费用率（Sale）。绿色技术创新是从投入到产出的一系列过程，绿色产品后期销售获得的利润不仅是前期活动的回报，更是后期活动开展的基础。而数字金融可以通过人工智能等精准营销降低企业所需的销售费用。因此，本文借以销售费用除以营业收入来衡量销售费用率。

（4）控制变量

本文参考李春涛等[35]、徐佳等[38]的研究，选取企业层面与地区层面的相关变量来进行控制。企业层面包括企业成长性（Gro）、固定资产比（PPE）、企业规模（Size）和资本支出比例（Capital）。企业所在省份层面包括人均生产总值（lngdp）以及企业所在城市的绿色技术创新水平（Innovation）。

表2 主要变量的定义

2.实证模型的设定

在对数字金融与企业绿色技术创新的研究中，以企业绿色年度专利申请数量为因变量，以数字金融指数为自变量，并参考李春涛等[35]的做法，构建如下计量模型：

其中，被解释变量Green-Innovationi,j为A股上市公司i在第j年的绿色技术创新水平，衡量指标为企业当年的绿色专利申请数；解释变量DFn,j表示公司所在省份n在第j年的数字金融发展水平，衡量指标为数字金融关键词在百度年度高级检索的词频数；Controlsi,j为一组控制变量；μi表示个体固定效应，σj表示年份固定效应；εi,j为其他随机误差项。

3.样本数据与数据来源

本文的研究对象是我国A股的上市公司，研究时间跨度为2011—2019年，将公司数据与数字金融发展指数进行配对，形成了包含17328个样本观测值的面板数据集。本文所使用的A股上市公司绿色专利数据均从CNRDS数据库中得到，我国沪深A股上市公司的所有数据来源于国泰安（CSMAR）数据库。宏观地区层面数据（包括人均GDP等）来自国家统计局。为了保证样本质量以及代表性，本文对样本数据进行以下处理：第一，排除金融类、ST类具有特殊性的上市公司样本；第二，剔除研究期间退市、数据缺失或异常的公司；第三，为排除离群值干扰实证的影响，对本文所取变量均进行双侧1%的缩尾处理（Winsorize）。经过以上处理，最终保留了2011—2019年沪深A股企业17328个样本观测值。表3为变量的描述性统计。

表3 主要变量的基本统计特征

（二）实证检验结果及分析

1.基准模型检验结果及分析

运用上文所设定的模型（1），对选取的样本数据进行回归检验与分析。表4是数字金融发展水平对企业绿色发明专利申请量、绿色实用新型专利申请量以及绿色专利申请总数影响的结果。

表4（1）至（3）列显示，不加入控制变量时，数字金融的系数均显著为正，说明数字金融推动了企业绿色技术创新。（4）至（6）列显示，加入控制变量后，数字金融的系数依旧显著为正。此外，通过比较（4）和（5）列可以发现，被解释变量为绿色发明专利（pat1）时，数字金融的系数更显著，说明数字金融对绿色发明创新的促进作用更明显。其原因可能是绿色发明创新难度大，为鼓励其发展，对绿色发明专利的保护力度较强，且由绿色发明创新带来的垄断收益更大，基于企业竞争力的考虑，企业对绿色发明创新的意愿更强。数字金融解决了政企之间的信息不对称问题，而政府补助、税收返还以及创新政策等都具有明显的倾向性，更鼓励企业进行绿色发明创新，因而，企业对发明型绿色创新的积极性更高。

表4 基准回归结果

2.内生性检验结果及分析

本文借鉴唐松等[28]的做法，对核心解释变量进行滞后两期的处理，以尽可能消除企业绿色技术创新对数字金融发展的内生性问题。用滞后两期的数字金融发展指数进行GMM模型估计，回归结果如表5所示，数字金融对企业绿色技术创新的系数仍然显著，且达到了1%的水平。因此，在采用工具变量改善内生性问题后，数字金融对企业绿色技术创新的促进作用依然显著，并且回归系数均比原有基准回归有一定幅度提高。

表5 滞后两期数字金融指数GMM模型回归结果

本文借鉴谢雪燕等[27]的做法，以互联网宽带接入户数（IB）作为数字金融发展的工具变量进行2SLS估计。该工具变量符合相关性和外生性两个假设条件：第一，互联网宽带接入户数反映了地区数字金融发展水平，与数字金融发展密切相关；第二，企业绿色技术创新活动为企业内部决策，与地区互联网宽带接入户数无关。表6为工具变量回归结果，结果显示以互联网宽带接入户数替代数字金融作为解释变量的最小二乘回归结果依然显著，与基准回归结果保持一致，表明数字金融对企业绿色技术创新具有正向影响的结论是可靠的。

表6 互联网宽带接入户数为工具变量的回归结果

3.稳健性检验结果及分析

（1）重新定义和测量解释变量，使用企业当年绿色专利授权数作为企业绿色技术创新的指标。以当年绿色专利授权数作为替换指标的合理性有：第一，授权专利数与企业绿色技术创新密切相关。第二，由于数据可得性以及有效性，企业授权绿色专利数据可获得，且能进一步将绿色专利授权总数细分为绿色发明专利授权数和绿色实用新型专利授权数。采用与基准回归一致的处理方法（专利数加1之后取对数），得到Gre、Gre1和Gre2。此外，与基准回归一致，分别加入控制变量与不加入控制变量进行回归分析。回归结果如表7所示。

表7 稳健性检验：更换被解释变量

首先，表7（1）到（3）列结果显示，数字金融对企业绿色技术创新的结果与基准回归一致，都达到不同水平上的显著性。其次，（4）到（6）列为加入控制变量回归的结果，显示数字金融对企业绿色发明创新和绿色技术总体创新的影响在5%的水平上显著为正。绿色发明专利授权的系数显著大于绿色实用新型专利授权的系数，说明绿色技术发明受数字金融的促进效应更显著。因此，更换解释变量与基准回归结果相比，二者结论基本相同。

（2）剔除直辖市。与其他省份相比，直辖市在政治、经济等方面拥有独特的优势，可能对数字金融影响企业绿色技术创新实证结果带来一定影响，基于一致性考虑，剔除所有直辖市样本。表8（1）至（3）列结果显示，剔除直辖市的样本回归结果依然对绿色技术产出具有显著的促进作用，且对绿色发明专利的促进效果更显著。这与前文结论一致。

（3）剔除部分因素影响。企业的绿色技术创新行为以及数字金融的发展，与宏观金融态势、国际重大金融冲击都有密切关联，因此不能忽略这类因素的影响。本文考察的年份为2011—2019年，在此期间，发生了一件典型的金融事件，即2015年的股灾。借鉴唐松等[28]的做法，本文剔除2015年，并考虑股灾的影响时长以及影响的深度，在此进一步剔除后续年份的样本，以尽可能排除股灾的后续干扰。表8（4）至（6）列结果显示，数字金融对绿色发明专利和绿色专利总数的系数在5%的水平上显著。结合（4）和（5）列回归系数的对比结果，“数字金融有助于企业绿色技术创新”以及“数字金融对企业绿色发明创新的促进作用更显著”的结论依然成立。

表8 稳健性检验：剔除直辖市及剔除部分因素影响

（4）更换回归模型。本文进一步采用Tobit模型进行回归检验。此外，以绿色技术专利总数是否为零值构建虚拟变量，以此考察企业对绿色技术创新活动的意愿，并采用Logit模型做稳健性检验。由于企业绿色技术专利存在计数变量的特征，为更好地处理具有该类结构特征的数据，本文还采用Probit模型和Poission模型进行稳健性检验。不同模型回归结果见表9。结果显示，所有模型的数字金融系数均在1%的显著性水平上得到一致的结果。因此，“数字金融的发展对企业绿色技术创新起正向的促进作用”的结论与基准回归结果一致。

表9 稳健性检验：更换模型

四、中介机制检验

（一）中介机制检验方法

为研究数字金融对企业绿色技术创新的传导机制，本文采用逐步回归法，构建如下中介效应模型：

其中，Green-Innovation、DF、Controls、σ、μ和ε与前文基准模型（1）设定解释一致。此外，MID表示中介变量，主要包括政府补助（Gov）、资产收益率差（Rgap）和销售费用率（Sale）。根据中介检验流程，即从式（2）到式（4）依次检验不同方程核心变量的回归系数。当α2显著时，如果β2和γ3同时显著，即为间接效应。当γ2显著时，若β2、γ3与γ2符号一致，则为部分中介效应；若β2、γ3与γ2符号不一致，则为遮掩效应。若γ2不显著，则为完全中介效应。

（二）中介机制检验结果及分析

1.政府补助的中介机制检验

前文已表明数字金融显著促进了企业绿色技术创新。表10（1）列系数β2显著为正，说明数字金融的发展使得政府在企业补助中的支出增多。因为数字金融中大数据以及人工智能等高科技技术的运用使得企业信息更加透明化、数字化，政府与企业之间的信息不对称得到改善，政府能更精准地识别具有绿色发展潜力的企业，从而加大对研发价值高但周期长且风险大的绿色技术创新项目的支持力度。（2）列政府补助在1%的水平上显著为正，说明政府补助有利于企业绿色技术创新。结合中介效应模型逐步分析，α2、β2和γ3都显著，即政府补助的支持在数字金融对企业绿色技术创新的影响中起间接作用，而β2、γ3与γ2符号相同，且γ2显著，因此政府在两者关系中起到部分中介效应。假设H2a得以验证。

2.资产收益率差的中介机制检验

表10（3）列中数字金融与资产收益率在1%的水平上显著为正，说明数字金融发展可以提高企业金融资产配置效率，帮助企业发现更有投资价值且具有潜在高收益的投资领域，促进企业资产收益率的提高。由（4）列可知，中介变量（Rgap）系数显著为负，说明企业绿色技术创新与资产收益率差之间存在负相关关系。数字金融帮助企业发现了具有更高资产收益率的投资领域，与不变或较低的实体经济投资收益率相比，带来资产收益率差的增大。资产收益率差越高，表明企业越倾向于将资产投资于金融资产而非绿色技术创新的实物资产领域，造成企业绿色投入资源的相应减少，即金融投资的“挤出”效应。结合中介检验流程，α2、β2和γ3都显著，即存在间接效应，说明资产收益率差在数字金融影响企业绿色技术创新的过程中起间接效应，而β2、γ3与γ2符号不一致，且γ2显著，说明资产收益率差在数字金融影响企业绿色技术创新的过程中起遮掩效应。假设H2b得以验证。

表10 作用机制检验

3.销售费用率的中介机制检验

表10（5）列中数字金融与销售费用率在1%的水平上显著为负，说明数字金融的发展可以降低企业销售费用率。可能的原因在于数字金融通过提高市场匹配度以及营销效率来提高企业绿色技术创新成果的市场转化率，为企业下一轮绿色技术创新提供资金保证，从而提高企业绿色技术创新的持续研发与产出。由（6）列可知，中介变量（Sale）系数显著为负，说明销售费用率与企业绿色技术创新之间是此消彼长的关系。数字金融通过人工智能等技术将企业绿色创新与消费者需求相匹配，节约了企业在销售过程中寻找销售商和消费者的成本，从而降低了销售费用率。结合中介检验流程和对资产收益率差的分析，从表10中的系数α2、β2和γ3可知，销售费用率与资产收益率相似，在数字金融对企业绿色技术创新的影响过程中起到间接效应。假设H2c得以验证。

五、异质性分析

第一，根据企业所有制划分，本文将样本数据分为国有企业组与非国有企业组，分组回归结果见表11（1）和（2）列。结果显示，数字金融的系数在国有企业组中并不显著，但在非国有企业组中显著为正，说明数字金融给非国有企业带来的绿色技术创新效应更明显，验证了假设H3a。第二，根据企业所处行业技术特征，将样本数据分为高新技术企业组与非高新技术组，分组回归结果见表11（3）和（4）列。结果显示，数字金融发展越好，高新技术企业受数字金融的促进效应更大，验证了假设H3b。第三，根据企业所处的行业污染程度，将样本数据分为重度污染企业组和中轻度污染企业组，分组回归结果见表11（5）和（6）列。结果显示，数字金融对污染程度不同的企业的促进效应存在一定差异，且重度污染企业受数字金融的促进效应更为显著，验证了假设H3c。

表11 异质性分析

六、结论与建议

本文利用我国A股2011—2019年上市公司的相关数据，检验了数字金融与企业绿色技术创新之间的关系，并分析了其中的中介作用。研究发现：（1）数字金融对企业绿色技术创新有促进效应；（2）与绿色实用新型创新相比，数字金融对绿色发明创新的促进作用更大；（3）政府补助和销售费用率在数字金融与企业绿色技术创新之间呈现部分中介作用；（4）资产收益率差在数字金融与企业绿色技术创新之间呈现遮掩效应；（5）数字金融对企业绿色技术创新的影响，对非国有企业、高新技术企业与重度污染企业的促进作用更明显。

根据上述研究结论，本文提出以下建议：（1）加大数字金融扶持力度，增加数字金融基础设施建设，进一步发挥数字金融对绿色技术创新的作用。加大对数字金融基础设施的投入，如将政府税收以及补助更多投入数字金融创新领域等，尤其是数字金融发展水平低的地方。（2）以政策或税收优惠等方式引导市场主体加大对数字金融工具的投入以及研发，并为市场主体提供更多的金融工具，例如以绿色技术创新产品为主体的期权期货等，发挥数字金融工具对市场主体绿色技术创新的促进作用。（3）加强对有潜力的绿色技术创新企业的识别力度和监管力度。政府应该运用数字金融等功能精准识别具有绿色技术创新能力的企业，加大对这些企业的绿色创新扶持力度，推动重污染企业转型升级，改善数字金融发展较好地区的污染问题。■

注释

①金融资产=交易性金融资产+货币资金+可供出售金融资产+持有至到期投资+应收股利+投资性房地产+应收利息

金融资产的投资收益率=（投资净收益率+公允价值变动损益+汇兑净收益+利息收入-利息支出-对联营和合营企业的投资净收益）/金融资产

固定资产的投资收益率=（营业收入-营业成本-营业税金及附加-期间费用-资产减值损失）/（营运资金+固定资产+无形资产等长期资产的净值）