数字金融影响碳排放的作用机理及效果

范庆倩，封思贤，2

（1.南京师范大学商学院，江苏 南京210023； 2.南京师范大学金陵女子学院，江苏 南京 210023）

二氧化碳作为主要的温室气体（GHG），被认为是全球变暖的最重要因素之一，碳减排问题也因此被各国高度关注。2020年9月，习近平在第75届联合国大会上更是明确提出了“2030年前碳达峰、2060年前碳中和”的发展目标（即“双碳”目标）。限制能源消费和压缩产能虽然能减少碳排放，但往往会牺牲经济发展，因此改变高碳产业结构、大力发展节能减排技术就显得尤为重要。然而受投入成本较多、投资回收期较长、收益不确定性较高等因素影响，企业低碳转型与节能研发仍面临着较为严重的融资约束［1］。联合国环境规划署据此建议，应尽快调整现有的金融系统，而近年来新兴的数字金融为该问题解决提供了契机。数字金融是指通过互联网及信息技术手段与传统金融服务业态相结合的新一代金融服务，具有数字化、网络化、智能化、移动化等特点，使得现代社会的经济活动变得更加灵活、便捷和智慧［2］。然而，关于数字金融是否有利于碳减排，相关研究的观点并不一致。该研究认为，研究数字金融影响碳排放的作用机理，不但有助于辨析各类观点，也有助于政府或企业制定更加科学的碳减排方案。因此，该研究构建阐释了数字金融影响碳排放的经济学机理，运用中国省份级的相关数据进行实证检验并提出对策建议。

1 文献综述

关于数字金融如何影响碳排放的研究虽然目前并不多见，但现有成果中关于碳排放影响因素以及传统金融与碳排放之间相互关系等方面的研究，为该研究提供了十分重要的理论指导、方法借鉴与研究启示。

1.1 碳排放的影响因素研究

早在1995年，Grossman等［3］就提出经济发展与环境污染存在倒“U”型关系（环境库兹涅茨曲线，EKC）。随着全球气候变暖趋势的不断加速，人们对环境的关注焦点逐渐转向温室气体排放，比如：Zhang等［4］指出，自人类工业革命以来，经济快速发展伴随的能源消耗使得温室气体排放量空前增加；一些国家甚至采取了各种经济政策和金融手段来控制温室气体排放。由于二氧化碳是最主要的温室气体，于是哪些因素会影响碳排放、如何抑制碳排放等问题就成了学界、业界、政府等关注的焦点，大量成果快速涌现。总体而言，外文文献大多关注政策因素尤其是融资政策因素对碳排放的影响［5-7］。

国内文献也较早就开始了对碳排放影响因素的探讨［8-12］。例如，胡初枝等［8］发现经济增长与碳排放之间呈现出“N”型关系，其中经济规模推动碳排放增加，产业结构调整有利于抑制碳排放，技术效应波动性较大但总体上具有正效应。许广月等［9］指出，中国东部、中部地区的经济发展与人均碳排放之间符合EKC假说，但是西部地区不符合。林伯强等［10］发现城市化进程会影响碳排放，且低碳转型战略应以节能（降低碳强度）为主，辅之发展清洁能源（改善能源结构）来实现。申萌等［11］将技术进步对二氧化碳排放的弹性引入内生增长模型，构建了技术进步、经济增长与二氧化碳排放的理论模型，综合考察了技术进步对二氧化碳排放的直接效应和间接效应。邵帅等［12］研究发现经济集聚与能源强度均会影响碳排放强度及人均碳排放，且能源强度可以成为经济集聚影响碳排放的中介变量。“双碳”目标提出后，碳排放问题愈发成为研究热点［13］。综合来看，国内文献对碳排放因素的研究大多关注的是经济增长、产业结构、技术进步、能源转型、碳税等宏观与中观层面的经济因素。

1.2 传统金融发展与碳排放、低碳经济的关系研究

作为优化资源配置和资本再分配的重要手段，金融在低碳经济发展中发挥着重要作用。已有不少国内文献探讨了国内传统的金融行业如何去促进碳减排。曹军新等［14］研究了气候变化和碳减排对金融稳定的影响，并提出碳减排应先从具备较大减排弹性和较低减排成本的行业开始，从而最小化银行资产质量冲击。严成樑等［15］验证了金融发展与二氧化碳强度之间存在倒“U”型关系，并分别从信贷规模、FDI规模、金融市场融资规模、金融业的竞争、信贷资金分配的市场化等多角度探讨了如何影响中国的碳排放强度。韩峰等［16］研究发现金融业专业化集聚、科学研究和技术服务业多样化集聚以及环境治理和公共设施管理业的专业化和多样化集聚具有明显碳减排效应并据此提出了诸多建议。

然而，综合国内外已有文献来看，传统金融发展与碳排放之间的关系到底是什么，学界的观点并不一致。除少部分研究认为金融与碳排放不存在显著相关关系外［17］，其余观点大致可分为三种：第一类观点认为，传统金融发展促进了投资活动和经济增长，从而刺激了能源消耗、加剧了环境污染以及碳排放的增加［18］。第二类观点认为，传统金融的发展并没有以增加碳排放为代价，反而在改善环境绩效方面发挥了重要作用，且这类文献大多是从传统金融发展如何促进技术创新、支持新能源开发等主要角度去分析的［19］。第三类观点则认为传统金融发展与碳排放之间的关系是非线性的［15］，这类文献一般受环境库兹涅茨曲线（EKC）启发，其中大部分文献中的碳排放指标为碳排放强度。

针对传统金融在促进碳排放方面存在的一些不足，一些学者建议传统金融急需要创新。例如，有研究指出，当经济规模较小、环境问题不突出时，绿色技术主要来自引进和模仿国外先进技术，此时传统金融能够基本满足其融资要求，进而通过资金引导［14］、资源配置［13］、技术进步［15］等能在一定程度上促进碳减排。然而，随着传统经济的不断发展，绿色高新技术产业的需求就会越来越大，技术研发风险大、资金需求量巨大、回报周期长的特点也会越来越明显，传统金融也就难以满足其融资需求，此时则需要转变经营理念、创新金融工具。

1.3 数字金融与碳排放的关系研究

近年来，数字技术（如移动互联、人工智能、区块链、云计算、大数据等）的发展加速推动了传统金融行业的数字化转型与产品创新。数字金融具有成本低、门槛低、效率高、灵活性大等优点，其对碳排放的影响值得关注。

关于数字金融如何影响碳排放的现有研究虽然不多，但观点已存明显分歧。第一类观点认为，数字金融有利于促进碳减排，因为它能够借助数字技术降低传统金融的获客与征信成本，缓解融资风险以及金融部门与资金需求者之间的信息不对称，引导资金流入节能技术与可持续的绿色经济等行业［20］。这些观点以定性的理论分析为主。第二类观点认为，数字金融的发展与碳排放量之间存在显著的正相关关系［21-22］。第三类观点认为数字金融与碳排放之间的关系是不确定的［23］。第二、三类观点的研究主要是以计量分析为主，基于的样本大多是外国数据。国内也有少数文献结合中国实践进行了初步研究。例如，邓荣荣等［24］的研究均表明，数字金融发展显著降低了碳排放强度，但这两篇文献并未关注碳排放总量，且未进行理论模型构建。王军等［25］构建了数字金融发展影响家庭消费碳排放的一般均衡理论模型，并发现数字金融发展能够显著增加家庭消费碳排放量，但并未关注碳排放中企业等其他主体的影响。

虽然专门研究数字金融如何影响碳排放的文献目前相对较少，但研究数字金融在其他方面影响的文献仍对该研究具有重要启示，如数字金融对货币政策的影响、对产业与就业结构的影响［26］、是否促进居民消费与经济增长［27］、支持创新创业与否以及能否提升创新水平等。

1.4 边际贡献

数字金融本质上仍是金融，是一种基于现代数字技术的创新金融，具有新特征。因此，可从数字金融的本质与创新特征等角度来探讨数字金融对碳排放的影响。

首先，从家庭消费来看，以移动支付等为代表的数字金融促进了线上消费，提高了物流的集中度，减少了大量分散的不必要外出。而且，数字金融在方便家庭借贷的同时，也提高了跨期消费者购买或更换高值耐用消费品的倾向，增强了家庭低碳环保的生活理念。家庭消费的日趋线上化和低碳理念均有利于减少碳排放。

其次，从数字金融服务的提供方式来看，数字金融本身就是一种低碳发展模式。针对地区间发展不平衡的问题，其利用技术手段突破时空限制，将低成本、多元化的金融服务带到偏远地区，实现传统金融业务的线上办理，这降低了传统线下服务网点的数量要求，也减少了纸制品的使用，从而通过数字技术降低了金融业自身的能耗。

再者，从数字金融提供融资的效果来看，一方面，数字金融在为企业加速资金周转、提供融资便利的同时也促进了企业生产，增加了社会总产出，如果这些产出基于的能源消费方式没有明显的积极改变，碳排放量则会不断抬高。另一方面，数字金融可以充分利用其“数字化”的优势，通过人工智能、云计算等数字技术实现对海量数据的分析与处理，及时掌握资金流向并更加精准地预测风险，促进企业技术创新或者引导资金流向低碳产业，进而降低社会总产出所依赖的碳强度。当技术进步达到足够水平之后，良好的低碳环境和经济增长就能共存和繁荣。

不难看出，数字金融既可能通过改变家庭消费理念、减少金融业线下活动、促进企业技术创新等途径较少碳排放（节能效应），也可能通过融资便利途径扩大传统能源消费方式下的生产活动而增加碳排放（增产效应），因而最终对碳排放的影响结果将不确定（图1）。这两种效应实际上正是数字金融在“数字化特征”和“金融本质”两个维度上的分别体现。

图1 数字金融对碳排放的影响途径

基于上述思路，该研究可能的边际贡献在于：①将数字金融发展引入包含二氧化碳排放的内生增长模型中，阐述了数字金融影响碳排放的经济学原理；②将碳排放通过能源消费引进了生产函数，进一步增强了经济模型的科学性；③现有文献大多用碳强度来反映碳排放，但从该研究前述思路来看，影响碳排放总量的既可能是节能效应（主要由碳强度决定），也可能是增产效应（主要由既定碳强度下的碳排放规模决定），因此，该研究后续的理论和实证分析将综合考虑这两种效应。

2 理论分析

该节将主要阐释数字金融影响碳排放的经济学原理。考虑一个封闭的经济包含三个部门：最终产品生产部门、中间产品生产部门和研发（R&D）部门。研发部门通过投入资金KR、人力资本LR和已有的技术知识存量N进行技术研发；中间产品生产部门投入资金KM向研发部门购买的技术知识i来生产中间产品x(i)；最终产品生产部门利用全部中间产品x、能源投入E以及雇佣人力LY生产最终产品。经济体中总人力资本为L=LR+LY；当资本市场出清，资本总供给量为K=KR+KM。

参考Grimaud等［28］、安超等［29］的研究，该研究将能源作为最终生产的投入要素之一，引入最终产品生产部门的生产函数中，具体产出水平Yt满足：

其中：A为外生给定的一般生产力技术水平参数，表示不变的生产率。下标t表示时间；Et表示投入到最终产品生产部门的能源量；Nt表示经济体的中间产品种类，表征技术的创新和进步，Nt越大表示中间产品种类越多，技术知识创新能力越强。此处假设N是连续的，xi表示第i种中间产品的数量，i∈[ ]0，N。α，β，γ表示各种投入要素的产出弹性，且满足α+β+γ=1，即规模报酬不变。最终产品厂商的利润函数Πt为：

其中：wt代表单位人力资本工资，px，t为中间产品价格，pE，t为能源价格。为达到最终厂商利润最大化目标，令Πt对xt进行一阶求导可知：

根据Romer理论［30］，中间厂商是一些垄断部门，其生产每单位中间品的边际融资成本为Rt。此时目标利润函数πt满足：

结合式（3），利润函数可写为：

为实现中间厂商利润最大化目标，令πt对xt进行一阶求导可得：

由式（3）和式（6）可推出：

由式（7）可见，xt(i)与i无关，即每种中间产品供给量相同，符合市场出清条件。因此所有物资资本总量KM，t=Ntxt，式（1）可写为：

对于消费者而言，消费C带来正效用，二氧化碳存量Z带来负效用，因此效用等于消费减去二氧化碳存量对于他们生活的负面影响（影响程度为φ）。借鉴严成樑等［15］的方法，假设具体关系为U(Ct，Zt)=lnCt-φlnZt，其中Z为自然界二氧化碳存量，S表示二氧化碳排放量，则二氧化碳增量可表示为=St-εZt，ε为自然界对现存二氧化碳的吸收比率。由联合国政府间气候变化专门委员会（IPCC）的二氧化碳计算方法（式（21））可知，二氧化碳排放量S可由能源消耗E推算得到，两者之间呈正比例关系。最大效用优化目标与约束条件整理如下：

其中：ρ表示折现率，ρ越大代表家庭越看重短期效用；δ为资产折旧率。结合资产变化、二氧化碳增量和新知识产出的状态方程构建汉密尔顿函数：

其中：参数λ为汉密尔顿乘子，代表状态变量在时刻t的边际价值。该函数有最优条件方程（为方便表述下文开始省略下标t）：

对应乘子方程为：

结合式（10）可将式（11）化为：

将式（16）代入式（14）可得：

同时，对式（16）中λ2取对数并对t求导可得：

结合式（17）和式（18）可知：

根据平衡增长路径可知gC=gY=gK。结合E、Z和S之间关系可得gS=gZ=gE，因此，式（19）可整理为：

其中：gS为二氧化碳排放量的增速。由式（20）可知，当时，gS=0，即二氧化碳排放量增速为0。根据Y=ALβYEγN1-α(1-Δ)αKα，可知增速为0时对应数字金融水平当满足Δ＜Δ*时，碳排放增速gS＞0，此时二氧化碳排放量逐渐增多；当Δ＞Δ*时，gS＜0，二氧化碳排放量减少。因此，数字金融发展水平与二氧化碳排放量呈现倒“U”型关系，碳达峰时对应的数字金融水平为Δ*，之后数字金融发展水平的提高将逐步降低碳排放量，进而助力实现碳减排目标。观察Δ*公式可知，拐点的具体值并非固定，即数字金融助力碳减排进程的水平并不是固定数值，而应根据各国家或地区的自身情况不同，这与直观感受基本一致。Δ*公式的重要经济含义还在于：当消费水平C越高（人们更多地购买非低值易耗品从而减少碳排放），环保意识φ越高（社会各界均重视环保，金融更容易服务于节能企业），此时Δ*越小，这意味着数字金融发展会更快地带来节能效应。同时，社会资本K越多、劳动力L越多、能源消耗E越多、知识N产出越多数字金融的发展越有利于扩大生产，从而更多地服务于增产效应，此时Δ*越大，意味着数字金融还需要进一步地发展才可能来到碳排放量下降通道。运用Python仿真得到二氧化碳增速与数字金融的关系如图2所示，对应增速变化下二氧化碳排放量与数字金融的关系如图3所示。

图2 数字金融水平与碳排放增速

图3 数字金融水平与碳排放量

从Δ*公式可以看出，该拐点不是一个固定值，其与真实经济下能源消费、知识技术水平以及人们的环保意识等因素密切相关，是一个动态平衡点，并具备如下特征：①当知识（技术创新）水平N不变时，在既有生产方式下生产规模增加，则能耗E增加，增产效应使得Δ*后移，此时实现碳中和的目标越难。②当生产耗能E不变，N越大即知识技术水平越高，高能耗高碳排放行业被新技术行业取代，单位产出耗能降低，此时节能效应使得Δ*前移，代表越早达到碳达峰目标，向碳中和的目标迈进。③当其他条件不变时，φ越大即人们的环保意识越强，以及耐用消费品C值越大，Δ*值均变小，即碳排放量的拐点前移。因此，对于不同地区和国家来说，碳排放拐点处数字金融水平具有异质性。各地区应先根据自身经济水平、人民素质水平、消费水平等情况，再结合数字金融与碳排放之间的倒“U”关系进行政策考虑。

3 实证分析

上述研究表明，二氧化碳排放量与数字金融之间存在倒“U”型关系，即随着数字金融发展水平的提高，二氧化碳排放量将呈现先上升后下降的趋势。大量文献早已检验了人均二氧化碳排放量与人均实际GDP的倒“U”型关系。借鉴这些成果并结合前述理论分析，该研究接下来将运用中国各省份的面板数据进行实证检验。具体假设H1为：中国二氧化碳排放量与数字金融水平之间呈倒“U”型关系——在数字金融发展早期，二氧化碳排放量不断增长至顶峰，之后会随着数字金融水平的提高，二氧化碳排放量将减少。

3.1 变量选择与说明

3.1.1 被解释变量

截至定稿之日，中国统计年鉴公布的省级面板的碳排放量数据仅更新到2018年，而能源消费情况数据则更新至2019年。从数据时效性考虑，该研究采用了政府间气候变化专门委员会（IPCC）给出的碳排放量计算公式，即根据2006年IPCC《国家温室气体清单指南》第二卷参考方法中公布的二氧化碳排放量计算方法，选取煤、焦炭、原油、汽油、煤油、柴油、天然气、燃油等8种化石燃料，综合计算各地区碳排放量。尽管近年来风能、太阳能和核能等新能源电力的应用在减少碳排放方面发挥了一定作用，但消耗化石燃料的火电仍占中国发电量的很大比例，因此计算过程不包括用电量。

假设所有化石燃料都已完全燃烧，估算二氧化碳排放量的方法如下：

其中：i表示省份，t表示年份，j表示各种能源。CO2it代表各省份每年的二氧化碳排放量，即i省8种能源的二氧化碳排放量之和；Eitj代表i省j类能源消耗的物理量；Kj是j型能源转换为标准煤的参考系数，取自《中国能源统计年鉴》；qj为第j种能源的碳排放系数，数据来源为IPCC公布的数据；常数44/12是二氧化碳与碳的分子量比。

不少文献以二氧化碳强度（即单位产出的碳排放量）为被解释变量来研究二氧化碳排放问题［15］，然而正如前文所言，碳强度的降低（节能效应）并不一定对应着碳排放总量的降低，碳排放总量还会受到增产效应影响，因此该研究将选择绝对水平碳排放总量（TC）为主要被解释变量，再借助两个相对水平人均碳排放量（CP）和碳强度（CI）考察数字金融与碳排放之间关系的稳健性。

3.1.2 核心解释变量

解释变量是数字金融发展水平。该研究采用中国数字普惠金融指数作为中国数字金融发展水平的代理变量。该指数包含一个总的数字金融普惠指数和三个细分指数，分别为数字金融的覆盖广度（能接触到数字金融的人数越多，则广度越高）、数字金融的使用深度（服务类型越丰富或人均实际使用量越大，则深度越高）和数字服务支持程度（使用越便利、成本越低，则数字化支持程度越高）。同时，为验证倒“U”型曲线，该研究将对自变量取平方，从而获得一个二次方的核心独立变量。

3.1.3 控制变量

碳排放不是一个纯粹的环境问题，受到社会、经济、文化等多种因素的影响，工业发展将导致环境污染和退化，城市扩张产生了大量的能源消耗需求也将导致碳排放量相应增加。因此，选取一些宏观经济指标作为控制变量，包括人口、地区生产总值、工业发展水平、政府干预程度、工业生产者出厂价格指数、城市化水平、固定资本以及进出口总额7个省际层面变量。

3.1.4 描述性统计

结合北大数字普惠金融指数和省域二氧化碳排放的数据可得情况，最终采用中国30个省份2011—2019年的平衡面板数据（受数据可获得性限制，未涉及西藏、香港、澳门和台湾地区）。由于对变量取对数后，估计系数恰好是弹性，这可以直接解释由于自变量的变化为1%引起的因变量百分比变化。本着科学性、综合性原则，该研究最终采用指标的自然对数作为各变量的代理指标，其变动可理解为各变量百分比变动情况。文中涉及的主要变量的名称、定义、度量、来源的说明见表1。

表1 变量说明

各变量的描述性统计结果（限于篇幅表略，可向作者索取）显示，数字金融发展水平与碳排放量的样本数据差异化较大（标准差大于0.65），这在一定程度上有利于更清晰地发现二氧化碳排放与数字金融水平之间的关系。同时，观察数字金融发展总指标及三个子指标的标准差及极差可知，各地数字金融发展水平的差异较大，尤其是在覆盖广度方面的差异更大。

为直观展现碳排放与数字金融间的关系，碳排放量（lnTC）、碳强度（lnCI）与数字金融（lndf）的样本点及二次项拟合曲线如图4所示。从碳强度与数字金融的曲线整体趋势看（图4中实线），随着数字金融水平提高，各省碳排放强度均呈现下降趋势，即所有省份的单位产出的二氧化碳排放量明显降低，这说明数字金融在影响碳排放时存在节能效应。部分省份前期单位产出的二氧化碳排放量微幅上升，这可能与数字金融通过帮助企业缓解融资约束与结算便利等途径刺激了企业高能耗式的生产扩张有关。

然而，从图4中数字金融与真实二氧化碳排放量关系（图4中虚线）可以看出，不少省份数字金融与真实二氧化碳排放量之间存在正相关关系，这意味着碳排放量与碳强度走势相反。而两条曲线相距越远，说明该省份的数字金融的增产效应越大于节能效应，即数字金融更多便利了高能耗高碳排放的企业扩大生产，使得在单位产出碳排放降低的情形下，二氧化碳排放量仍在增加。换而言之，正如上文所提的，由于碳强度与碳排放量之间相差GDP的乘数倍，且数字金融促进GDP的增长是学术界较为公认的典型事实，故数字金融与二氧化碳排放量关系受其降低碳强度与提升经济发展的双重效应影响，当数字金融带来的增产效应大于节能效应时，二氧化碳将持续增多，反之则逐渐减少。

图4 不同省份碳排放与数字金融关系

3.2 基准回归

3.2.1 模型设定

引入数字金融的二次项lndf2，关注该核心自变量的系数α1，以确定其是否显著负，从而检验二氧化碳排放量与数字金融之间的倒“U”型关系是否成立。对不同省份之间的差异构建面板变系数模型，具体的双向固定效应模型如下：

其中：i代表第i个省份，t代表第t年，lnCO2it为因变量，α0为截距项，lndfit为数字普惠金融指数，用以表示数字金融发展水平。lndf2it=lndfit×lndfit为lndfit的二次项，是倒“U”型曲线的核心解释变量。Xit代表控制变量，εit为随机扰动项。codei和yeart分别捕获省份固定效应和年份固定效应。通过豪斯曼检验，结果显示该研究应选择固定效应模型。

3.2.2 基本回归结果

表2为数字金融发展与碳排放量的回归结果。从中可见，在引入不同控制变量的情况下，数字金融指数的一次项估计系数始终为正值，二次项估计系数始终为负值，系数值稳定，且一致通过10%的置信水平的显著性检验。这表明，数字金融发展水平与二氧化碳排放量之间存在倒“U”型关系，且整体表现不会随着控制变量的增加而改变。换言之，随着数字金融的发展，二氧化碳排放量将先上升后下降，这与前文理论分析的结论一致。

通过公式（22）可快速找到倒“U”型曲线的拐点：以列（5）为例，当lndf=-0.665/（2×（-0.082））=4.054 9时，二氧化碳排放量达峰。具体而言，以中国各影响因素的平均水平为例，当数字金融指数高于57.679时，数字金融的发展有助于抑制二氧化碳排放；当数字金融指数低于57.679时，数字金融的发展会促使二氧化碳排放量增加。将计算的拐点与表2中的实际数字金融发展水平均值与中位数进行比较，可以看出超一半省份仍处于增产效应大于节能效应阶段，这意味着不少地区数字金融的发展仍主要利好传统高能耗企业扩大生产力，而不是更多地让低碳产业受益。通过寻找倒“U”曲线最高点对应的数字金融发展水平，不难判断出各省利用数字金融推动碳减排的实际效果。对于增产效应大于节能效应的省份（在碳排放最高点到来之前），应减少数字金融对传统能源消耗企业的金融支持，加大数字金融对能源产业结构优化、节能减排转型、新能源开发利用等方面的支持；对于节能效应大于增产效应的省份（在碳排放最高点之后），可将政策重点放在如何充分发挥数字金融“用数赋智”的服务优势，不断提升数字金融发展与服务水平等方面。

表2 二氧化碳排放和数字金融的回归结果

3.3 稳健性检验

在模型中纳入解释变量的平方项的做法可能会将单调且向原点弯曲的曲线误判为倒“U”型曲线。因此，首先进行Utest曲线检验，得到t统计量为1.28，在10%置信水平下接受备择假设H1：曲线为倒“U”型。同时，根据Utest检验所得极值点为4.144，与上文回归所得的拐点4.055相差不大，初步验证了上文回归结果的稳健性。同时，为进一步验证基准回归的稳健性，该研究将被解释变量总排放量（lnTC）更换为碳强度（lnCI）和人均碳排放（lnCP）。表3显示，无论是否控制控制变量，数字金融与lnCI或lnCP倒“U”型关系仍显著，说明模型具有一定的稳健性。

表3 稳健性检验结果

3.4 内生性处理

理论上，当解释变量与误差项相关则存在内生性问题。内生性一般由于测量误差、遗漏变量或者互为因果的原因而产生。在公式（22）中，要得到数字金融发展水平对碳排放量的影响效应的一致性，必须要处理好可能存在的两方面内生性问题。一方面，尽管该研究尽可能地控制了相关变量，但仍存在由遗漏变量带来的内生性问题的可能。另一方面，核心解释变量数字金融发展水平（lndf）与被解释变量碳排放量（lnTC）可能存在反向因果关系导致内生性问题，即由于碳排放降低的产业融资需求反过来刺激了该地区的数字金融发展水平的进一步发展。

为了解决上述所提的内生性问题，借鉴张勋等［27］的方法，选取“各省省会城市到杭州的球面距离”生成工具变量。由于公式（22）中的内生变量是随年份变化的变量，但该研究所选取的球面距离并不随时间变化，无法进行第二阶段估计。因此，考虑到量纲一致和时间变化效应，该研究对球面距离开方并乘上（除本省外的）中国数字金融发展水平（lndf）的均值作为工具变量。该工具变量满足：①相关性。由于数字金融的推广难易程度一定会受到距离杭州远近的地理空间因素的影响，该工具变量与数字金融水平直接相关。②外生性。地理的距离为客观条件，理论上不会直接影响碳排放量。

首先对数字金融发展水平（lndf）进行DWH检验，结果发现对应P值均远小于0.05，表明该变量存在内生性问题。表4汇报了利用工具变量法对式（22）分别进行两阶段回归的结果。列（1）为第一阶段回归结果，列（2）是为第二阶段回归结果。一阶段回归结果显示，工具变量与数字金融发展显著负相关，意味着离数字金融发展中心越远，数字金融的发展水平越低，这是符合预期的。工具变量的系数估计值在1%的置信水平上显著为负，表明距离杭州距离越远，该地区的数字金融发展水平也越低，验证了工具变量的相关性假定。二阶段的回归结果显示，lndf和lndf2的系数在5%的水平上显著，说明在缓解潜在内生性后，该研究的结论依然成立，即数字金融发展水平与二氧化碳排放量呈现倒“U”型关系，且拐点在lndf=3.942 处，与上文基础回归所得拐点位置接近。除此之外，该研究还对弱工具变量问题进行了检验，结果表明不存在弱工具变量问题。同时，该研究使用对弱工具变量更不敏感的有限信息最大似然法（LIML）估计时发现其系数与2SLS非常接近，这也从侧面印证了不存在弱工具变量。

表4 工具变量回归结果

3.5 异质性分析

数字金融的发展包括覆盖面广度、使用深度和数字支持服务程度三个不同维度，该研究将分别从这三个维度进行结构性分析。表5列（1）—列（3）分别为三个不同维度下的数字金融对碳排放影响的估计结果。

表5显示，在数字普惠金融各维度中，使用深度和数字化程度与碳排放之间倒“U”型关系依旧显著，但数字金融覆盖广度的一次项与碳排放无显著线性关系，甚至呈现轻微的正“U”型关系。根据表5列（1）的估计系数可推出，lnbre=1.566为覆盖广度曲线的最低拐点，这一数值远低于当前大部分省份实际的数字普惠金融覆盖广度（lnbre的中位数和均值分别为5.249和4.995），这表明近年来中国各省数字金融覆盖广度不断提高带来的增产效应大于节能效应，也就是说，数字金融支持的生产领域若仍继续以传统能源消耗产业为主且不断增加对此类产业支持的覆盖广度，则将给碳减排造成更大压力。因此，数字金融应尽快从量向质转变，即如何不断提高数字金融使用深度和数字化支持水平、加大数字金融服务企业技术创新、数字化升级与低碳节能转型等将变得更为重要。

表5 数字金融广度、深度与数字化程度分别对碳排放的影响

4 影响途径分析

4.1 增产与节能效应检验

理论分析时提出总二氧化碳排放量随数字金融发展水平提升而呈现出倒“U”型关系与增产效应和节能效应相关。倒“U”曲线上升部分主要源于数字金融的广度有利于扩大生产的这部分增产效应大于数字金融的数字化属性带来的单位产出碳排放降低的节能效应。同理，右半边碳排放的下降则是因为数字金融发展到一定水平促进企业技术创新使得节能效应更强，从而碳强度降低幅度大于增产幅度。根据碳排放量=碳排放强度×产出水平，该研究提出以下两个假设。

假设1：数字金融的广度发展有利于产出水平提升。

假设2：数字金融的数字化水平有利于降低单位产出碳排放量（碳强度）。

对此该研究构建以下回归方程，并将回归结果置于表6中。

表6 数字金融广度的增产效应与数字化程度的节能效应

其中：con代表控制变量，ε为随机扰动项。code和year分别捕获省份固定效应和年份固定效应。回归结果显示，数字金融的广度发展对产出水平具有显著正向影响，数字化程度对碳强度具有显著负向影响，且无论是否增加控制变量均显著，结果稳健。

4.2 基于技术创新的中介效应检验

对这种倒“U”型关系的正确理解有必要考察因果链条通过什么中介变量影响，即进行中介效应检验。中介效应是指解释变量对被解释变量的影响是通过中介变量实现的，即解释变量（lndf）通过中介变量（M）对被解释变量（lnTC）产生影响。技术创新是金融发展影响经济增长的重要渠道。张翠菊等［31］提出现有的技术无法适应低碳要求，节能减排目标的实现离不开节能技术的扶持。张杰等［32］发现不同专利的类型对各省份人均真实GDP增长率和经济增长质量的影响具有异质性。鉴于技术创新的增产和节能效应与该研究倒“U”型曲线产生原因一致，选取专利授权数的对数（lnpat）表示技术创新这一中介变量。直观来看，数字金融的发展使得投入研发的资金增多，专利授权数（lnpat）与数字金融发展水平（lndf）呈正相关关系。但这些专利前期受数字金融广度影响更多地有利于扩大生产，即增产效应明显，后期随着数字金融的深度和数字化作用的累积，将出现更多的节能型技术专利从而导致碳排放减少。

常用的中介检验方法为温忠麟等［33］提出的逐步回归法，但江艇［34］对此传统中介效应研究方法进行了研究，并提出应将研究重点放在解释变量对被解释变量的因果关系识别可信度上来，尽量避免被解释变量因果关系不明显、因果链条过长或存在反向因果的问题。因此，先采取逐步回归，再采纳江艇的建议考察倒“U”型关系的渠道传导时，不过于强调中介检验的论证力度，而只是将其视作某种试探性的证据［35］。故该研究构造倒“U”型关系的中介传导渠道检验机制的计量模型如下：

其中：lnpat2为lnpat的平方项。式（25）和式（26）使用传统三步法进行中介检验，结果为表7的列（1）—列（3）。式（28）和式（29）直接考察被解释变量与中介变量的平方之间关系，结果呈现于列（4）和列（5）。φ2和ρ2的显著与否仅作为中介变量在数字金融发展影响碳排放量的过程中是部分传导效应还是完全传导效应的试探性证据。如果θ1显著，说明中介变量专利授权数（lnpat）与数字金融发展水平（lndf）为正相关关系。如果δ2显著，则表明中介变量专利授权数（lnpat）与碳排放（lnTC）存在倒“U”关系。具体中介检验结果见表7。

表7中列（2）数字金融对于专利数的估计系数为0.574且在1%水平上显著，表明数字金融有利于研发创新。根据列（3），对于碳排放的估计系数为0.054在10%水平上显著，表明专利数量目总体上增加了碳排放。观察列（4）可知，专利二次项系数为-0.016在1%水平上显著，且Utest检验P值为0.048，说明专利与碳排放存在稳健的倒“U”关系。列（3）和列（5）专利及其平方项均显著是间接中介效应成立的试探性证据。

表7 数字金融、传导渠道与碳排放量

5 结论与建议

数字金融的快速发展给企业的生产经营活动带来了巨大变化，影响着全社会的能源消耗与碳排放规模。基于罗默的内生增长模型，该研究首先构建并阐述了数字金融发展影响碳排放的经济学原理。其中的主要思路包括：一是，考虑到二氧化碳是能源消费的主要释放物，通过二氧化碳与能源消费的关系式将二氧化碳排放量引入到生产函数。二是，因二氧化碳存量对居民生活产生负面影响，故将其作为负效应引入到家庭消费者效用函数。理论分析的结果表明，数字金融发展主要通过增产效应与节能效应影响碳排放规模，总体上两者之间呈倒“U”型关系；碳排放拐点所需的数字金融能力与经济体中能源消耗情况、消费水平、环保意识以及知识技术水平等因素相关。然后，该研究利用中国2011—2019年的省级平衡面板数据进行了实证检验，并证实了数字金融总指数与碳排放规模之间的倒“U”型关系，但也发现数字金融的广度、深度和数字化程度对碳排放的各自影响之间存在异质性。其中，数字金融的覆盖广度更倾向于通过增产效应扩大了碳排放规模，而数字金融使用深度与数字化支持程度则更倾向于通过节能效应助力碳减排。

虽然该研究的样本时间只是到2019年，但最新的一些现象也佐证了上述结论。比如，2021年受疫情影响，全球市场对中国制造的需求大幅增加，部分地区尤其是出口贸易较大的沿海城市出现了电力与煤炭消费猛增而不得不对一些高能耗企业“拉闸限电”的现象。这说明，数字金融在便利资金结算与融资的同时，如果中国制造业的低碳节能转型或技术升级进程缓慢，则这类企业将主要通过增产效应给全社会带来碳减排压力。因此，在“双碳”目标下，随着数字金融覆盖广度的不断提高，数字金融的发展应更加重视追求质而非量，即应不断提高数字金融的服务深度和数字化程度，充分发挥数字金融在数据处理与数据赋能方面的优势，通过大数据、区块链等数字技术手段限制高能耗产业的融资活动，引导资金精准流向低碳节能技术等一些有利于碳减排的绿色生产活动，并通过碳金融产品创新、差异化定价、碳足迹测算等数字金融创新手段，促进企业低碳节能加速转型。