数字金融如何影响了区域碳减排能力？

孙 慧， 王凤逸， 丁志勇

（1. 新疆大学 a. 经济与管理学院； b. 新疆创新管理研究中心， 新疆 乌鲁木齐 830046；2. 中国工商银行股份有限公司 新疆分行， 新疆 乌鲁木齐 830002）

一、问题提出

党的十九届五中全会把碳达峰、 碳中和作为“十四五” 时期乃至2035 年远景目标纲要中的国家战略目标。 实现碳达峰、 碳中和是一场广泛而深刻的经济社会系统性变革， 是生态文明建设过程中的“牛鼻子”。 一个区域能否实现“双碳目标”， 在很大程度上取决于其碳减排能力的高低。 在以生态优先、 绿色发展为导向的当下， 如何提升一个地区的碳减排能力成为一个日益重要的命题。 伴随着信息技术革命的深化， 传统金融与信息科技持续融合。 作为新金融的代表之一， 数字金融已成为推动经济高质量发展的关键动力。 相较于传统金融， 数字金融进一步挣脱了时空层面的束缚， 在增加服务覆盖广度和用户使用深度的同时， 也降低了相关交易及运营成本， 具有浓厚的普惠色彩。 以往研究表明， 金融发展有助于环境质量的改善［1］， 因此， 进一步考察数字金融的碳减排效应， 探究其内在的作用机制， 具有较强的理论价值和现实意义。

二、文献述评

在宏观层面上， 钱海章等（2020） 验证了数字金融对经济增长的推动作用［2］； 黄倩等（2019） 基于省级数据， 发现数字金融发展在增加居民收入的同时， 能够优化收入分配结构， 进一步缓解贫困问题，实现“效率” 与“公平” 的两全其美［3］； 张勋等（2019） 的研究也表明， 数字金融的收入效应在农村地区更为显著， 从而有助于实现经济的包容性增长［4］。 在中微观层面上， 汪亚楠等（2020） 研究发现数字金融的收入、 就业效应有助于社会保障体系的完善［5］； 易行健和周利（2018） 基于中国家庭追踪调查（CFPS） 数据库的家庭数据， 研究发现数字金融有助于提高居民的消费水平［6］。 谢绚丽等（2018） 基于新增企业注册个数表征区域创业活跃度， 发现数字金融的深化推动了企业创业积极性的提升［7］； 唐松等（2020） 发现数字金融能够为企业创新赋能， 促进其技术升级［8］。 目前大多数学者着眼于分析数字金融对经济发展、 民生福祉、 创新创业的影响。 相对地， 探讨数字金融环境效应的文献较为有限。 惠献波（2021）、 范欣和尹秋舒（2021） 均验证了数字金融对绿色全要素生产率的促进作用［9-10］； 也有学者研究发现， 金融科技的发展有助于增加环保投资， 减少工业污染排放， 在推动绿色金融体系转型和促进环境友好型消费方面也发挥着不可或缺的作用［11］。

在“双碳目标” 提出的当下， 数字金融在碳减排效应方面存在一定的研究拓展空间。 相较于低碳全要素生产率， 区域碳减排能力所涉及的指标更为综合广泛， 更加符合新时代全面协调可持续的发展要求。 走高质量发展道路， 即要走出以生态优先、 绿色发展为导向的高质量发展新路子。 一个区域的碳减排能力集中体现了其低碳高质量发展的潜力， 直接决定了碳达峰、 碳中和的美好愿景能否如期实现。

本文相较于以往研究的边际贡献包括： 第一， 构建由经济动能、 能源消耗水平、 碳吸收能力、 碳排放水平、 低碳技术创新、 产业结构升级、 碳市场活力以及碳转移能力八个维度所组成的包容性低碳增长评价体系， 采用主成分分析法测算相关省份碳减排能力的综合指数， 并对数字金融与碳减排能力之间的关系进行探讨， 验证了数字金融对区域碳减排能力的促进效应； 第二， 着眼于数字金融通过何种机制影响碳减排能力这一问题， 在统一框架下， 验证了数字金融能够通过乡村振兴、 提升信息通信技术（ICT）扩散强度促进区域碳减排能力的提高； 第三， 进一步对数字金融影响区域碳减排能力的异质性特征及空间效应展开了分析， 丰富了已有研究。

三、研究假设

（一） 数字金融影响区域碳减排能力的机理分析

有学者研究发现， 一些国家在吸引外资方面存在更多的优势， 这可能源于“安全港效应”， 即外商直接投资（FDI） 更倾向流入金融稳定的国家［12］。 一方面， 数字金融的发展能够缓解传统金融的系统性风险， 减少投资的不确定性， 促进优质稳定安全的营商环境的塑造， 从而增强FDI 流入的持续性［13］。 而金融效率的提高也有助于资本的有效配置， 提升本地对高质量FDI 技术溢出的吸收能力［14］， 进而促进本地推动绿色技术创新以实现碳减排。 另一方面， 数字金融的发展能够拓展企业的金融可得性， 减少其融资成本， 缓解金融错配［15］， 提高企业的经营效率［16］， 加大其研发投入的份额， 推动地区产业走向高级化，从而令一个区域的碳减排能力得到充分释放。 基于此， 提出假设1。

假设1： 数字金融对区域碳减排能力具有促进效应。

（二） 数字金融通过乡村振兴影响区域碳减排能力的机理分析

数字金融的迅猛发展， 使得不论是城市还是乡村的每个个体都能平等地分享科技进步的红利， 因此，发展数字金融是实现乡村振兴的关键路径， 发挥数字金融的普惠效应对于实现农村地区的跨越式发展具有重要作用［4］。

乡村振兴战略的推行亟须金融业的精准支持， 而数字金融相较于传统金融具有更高的精准度， 为农村地区的跨越式发展创造了有利条件。 数字金融直接为农村居民提供个人理财、 教育储蓄保险、 快捷支付等金融服务， 为乡镇企业提供资金扶持。 通过在互联网平台上利用大数据对个体征信信息进行整合评估， 数字金融有效降低了开拓客户、 管控风险的成本， 促进了当地新式产业的成型［17］。 在金融科技的支持下， 数字金融可以通过众筹和支付系统为农民提供便捷的融资渠道， 从而增强农业在融资和分销方面的可持续性［18］。 数字金融在解放农村地区传统思想、 储备专业化人才、 积累人力资本等方面均发挥着积极作用［19］。

在双碳目标的约束下， 乡村振兴也增添了新的时代要求。 数字金融持续不断地为农村地区 “两权” 抵押的试点工作提供技术支持［20］， 为农业生产步入规模化、 现代化创造了条件。 得益于数字技术的赋能， 农村地区信息不完全的问题得到了显著缓解。 数字化技术与农业生产的有机结合， 将有助于加快农业保险及相关金融衍生品的更新速度， 扩大农业保险的使用深度， 进一步完善绿色金融体系， 引导绿色农业发展［21］。 此外， 数字金融的发展还有助于培养农村居民的低碳环保意识， 金融科技发展的产物能够使人们于潜移默化之中摒弃落后粗放的生活方式， 形成绿色的消费习惯。 基于此， 提出假设2。

假设2： 数字金融能够通过促进乡村振兴对区域碳减排能力产生积极影响。

（三） 数字金融通过提高ICT 扩散强度影响区域碳减排能力的机理分析

信息化水平是金融信息交流便捷程度的集中反映， 具体表现为ICT 的发展。 有学者通过格兰杰因果检验， 发现印度的数字金融与ICT 基础设施之间无论在短期还是长期均具有强大的因果关系［22］。 数字金融的发展为所有能够连入互联网的个体提供了以低成本获取多元化金融服务的机会， 由此实现了信息与知识在不同区域间的自由流动， 减少了信息在传递过程中所受到的阻碍并降低了信息损失， 从而促进了ICT扩散强度的提升。

ICT 扩散强度的提升则有助于农村居民信息素养的培养， 促成其对数字技能的熟练掌握， 进而使得每个个体都能及时获取对自身有价值的信息， 实现效用的最大化。 ICT 在普惠金融中的应用推动了经济增长， 并减少了贫困和不平等［23］。 ICT 扩散强度的提升有助于缩小城乡居民在数字技能应用方面的鸿沟，促进城乡经济的包容性增长［24］。 由上文的分析可知， 城乡发展格局的优化最终能够带来区域碳减排能力的提升。

此外， ICT 的渗透加速了金融产品的创新发展［25］。 金融创新促进了数字技术和金融服务的一体化发展， 运用这一技术， 传统的金融机构和网络企业可以更好地实现融资、 支付、 投资等业务交易［26］。 因此，数字金融的发展有助于更好地弥合传统金融的缺口， 促进金融资源的合理配置。 ICT 扩散强度越高， 金融资源便可以越大限度地扩散到技术导向型企业， 促进高技术产业群的形成与发展； 同时， 金融效率的提高也能够增强传统金融机构处理、 利用信息的能力， 促成更多金融合约的签订， 进而推动产业结构的高级化， 最终实现整体区域碳减排能力的提升。 基于此， 提出假设3。

假设3： 数字金融可以通过提升ICT 扩散强度对区域碳减排能力产生积极影响。

（四） 数字金融对区域碳减排能力影响的异质性及溢出效应理论分析

伴随数字金融的持续深化， 其使用者所能获得的正外部性也会呈指数级增长。 事实上， 学术界已不乏对数字金融自身门槛效应的相关研究。 张林和温涛（2020） 发现， 数字金融对居民创业的促进作用存在基于自身水平的单门槛效应， 只有水平达到一定阈值后， 数字金融对居民创业的促进效应才能够充分显现［27］。 许钊等（2021） 的研究也表明， 数字金融的治污作用受到自身门槛效应的调节， 随着数字金融水平的进一步提高， 其对污染的影响由促进转为抑制［28］。 可见， 数字金融发展所带来的正外部性在越过门槛后会随着自身的发展而呈现递增的趋势， 基于此， 提出假设4。

假设4： 相较于数字金融欠发达地区， 数字金融对发达地区的碳减排效应更为显著。

高减排能力的地区通常金融网络覆盖度更高， 信息化基础设施建设更为完善， 居民普遍接受过高等教育， 人与自然间的关系更加和谐， 碳减排压力相较低减排能力地区也更低。 事实上， 数字金融发展所带来的积极影响也有可能发挥一定的调节作用。 孙倩（2021） 的研究表明， 在农业发展水平不同的县域， 数字金融对农业发展的促进效应具有异质性的特征， 农业发展程度越高的县域所获取的数字红利也越丰厚［29］。 因此， 在碳减排能力不同的地区， 数字金融对碳减排能力的促进效应也可能呈现异质性的特征。 作为数字金融发展所产生的环境绩效， 高水平的碳减排能力可能在数字金融实现碳减排的过程中发挥一定的正向调节作用， 从而有利于数字金融碳减排效应的进一步发挥。 基于此， 提出假设5。

假设5： 相较于低减排能力地区， 数字金融对高减排能力地区的碳减排效应更为显著。

相较于传统金融， 数字金融在一定程度上打破了依据市、 省、 国界所划分的空间发展格局， 其渗透、 扩散、 辐射不再受地理区位因素的限制。 赵涛等（2020） 在城市层面上验证了本地数字经济对相邻城市的发展质量存在正向的溢出效应［30］； 有学者发现本国数字金融的发展对周边国家的经济增长具有显著的溢出效应［31］； 付争和周帅（2021） 也在国家层面上证明了数字金融包容性所带来的正向空间溢出有助于实现信息化技术的跨区域普及， 加速金融相关地区彼此金融体系的完善［32］。 基于此， 提出假设6。

假设6： 数字金融可通过溢出效应提升邻近地区的区域碳减排能力。

四、计量模型及变量选取

（一） 计量模型

采用固定效应模型进行基准回归， 考察数字金融对区域碳减排能力的影响， 首先构建模型（1）：

CAit= α0+ α1Dfinit+ α2X + ui+ εit（1）

在模型（1） 的基础上， 参照温忠麟等（2004）［33］提出的逐步回归法， 分别构建模型（2） —模型（5）， 以检验乡村振兴与ICT 扩散强度在数字金融碳减排效应中所起到的中介作用。 模型（2） —模型（5） 如下所示：

Rrit= β0+ β1Dfinit+ β2X + ui+ εit（2）

CAit= γ0+ γ1Dfinit+ γ2Rrit+ γ3X + ui+ εit（3）

Fiit= β3+ β4Dfinit+ β5X + ui+ εit（4）

CAit= γ4+ γ5Dfinit+ γ6Fiit+ γ7X + ui+ εit（5）

其中，CAit为区域碳减排能力，Dfinit表示数字金融发展水平，Rrit与Fiit分别代表乡村振兴与ICT 扩散强度，X为一系列控制变量，α、β、γ分别为各变量所对应的估计系数，ui代表地区固定效应，εit为扰动项。

以上固定效应模型涉及被解释变量、 解释变量间的线性关系， 而数字金融对区域碳减排能力可能存在异质性的非线性影响， 因此， 借鉴已有研究［34］， 以数字金融和碳减排能力发展水平作为门槛变量进行门槛回归检验， 构建模型（6） —模型（7）：

CAit= θ0+ θDfinitI（Dfinit≤φ1）+ θ2DfinitI（Dfinit＞φ1）+ θX + ui+ εit（6）

CAit= δ0+ δ1DfinitI（CAit≤ϑ1+）δ2DfinitI（CAit＞ϑ1）+ δX + ui+ εit（7）

其中，I（·） 代表示性函数， 当括号里的条件成立时， 函数值赋为1， 否则取0；φ、ϑ分别为待估门限值，θ、δ分别为各变量所对应的估计系数。 以上两个模型均设定为单一门槛模型， 双重、 三重门槛模型的构建可以由此推广。

为了进一步探究数字金融对区域碳减排能力的空间效应， 参考张辉等（2016）［35］的做法， 引入模型（8）、模型（9） 所示的空间滞后模型与空间误差模型， 以缓解因遗漏空间要素所导致的实证偏差。

模型（8）、 模型（9） 如下所示：

CAit+ α3+ α4Dfinit+ α5X + ρWCAit+ εit（8）

CAit= α6+ α7Dfinit+ α8X + λWεit+ μit（9）

其中，ρ为空间自回归系数，λ为空间自相关系数，W为空间权重矩阵，μ为扰动项。

（二） 变量选取与测度

1. 被解释变量

被解释变量为区域碳减排能力（CA）。 碳减排能力指标的构建需要充分地考虑绿色高质量发展的内涵本质。 本文借鉴已有文献［36-38］， 并结合数据的可获得性， 在与相关领域专家科学讨论的前提下， 最终提炼出17 个三级指标， 建立了由经济动能、 能源消耗水平、 碳吸收能力、 碳排放水平、 低碳技术创新、 产业结构升级、 碳市场活力以及碳转移能力8 个二级指标所组成的评价体系， 采用主成分分析法对2011—2018 年全国30 个省份（限于数据可得性， 不包括西藏、 香港、 澳门、 台湾） 的区域碳减排能力进行测算， 最终得到区域碳减排能力指数， 记为CA。

煤炭占全部消费能源比重、 万元国内生产总值（GDP） 能耗、 第二产业产值占GDP 比重能够反映出一个区域的工业发展是否以能源为导向， 而碳排放强度、 人均碳排放量则可以体现人们日常的生活、 消费、 出行方式绿色与否， 以上5 个三级指标均会对区域碳减排能力产生负向影响。 属性为负的指标， 在主成分分析之前对其取相反数进行正向化处理。

区域碳减排能力评价指标体系的构建指标与指标属性如表1 所示。

表1 区域碳减排能力评价指标体系

2. 核心解释变量

核心解释变量为数字金融（Dfin）。 本文选取郭峰等（2020）［39］编制的“北京大学数字金融指数” 作为核心解释变量的测量值。 该指数为北京大学数字金融研究所与蚂蚁金服公司所合作研发， 以数字金融发展的广度、 深度以及数字化程度为一级指标， 较为全面综合连贯地反映了2011—2018 年各地数字金融的发展态势。 为便于观察， 将数字金融指数缩小为原数值的百分之一。

3. 中介变量

中介变量为乡村振兴（Rr） 与ICT扩散强度（Fi）。 乡村振兴直接带来农村居民收入的显著提高， 间接表现为城乡收入相对差距的缩小。 尹振涛等（2021） 的研究表明， 数字金融能够通过缩小城乡收入差距促进农村家庭幸福感的提升［40］。 因此， 本文采用城乡居民收入的比值来衡量乡村振兴的实际效果， 比值越低， 则说明振兴效果越好。

ICT 扩散强度的测度则借鉴张辉等（2016）［35］的研究， 最终选取邮政业就业人员数、 互联网上网人数、 互联网宽带接入用户数、 移动电话年末用户数以及固定电话年末用户数5 个二级指标， 采用主成分分析法测算出2011—2018 年全国30 个省份的ICT 扩散强度综合指数， 记为Fi。

4. 控制变量

第一， 区域碳减排能力与经济高质量发展间存在着高度的一致性， 因此， 借鉴赵涛等（2020）［30］的研究， 将财政分权度（Fpd） 作为可能影响区域碳减排能力的因素之一， 以一般财政预算收入与一般财政预算支出的比值表征。 第二， 经济发展速度（Gdps）， 用GDP 增长指数来衡量， 为便于观察， 将GDP 增长指数缩小为原数值的百分之一。 第三， 环境规制（Er）， 参考任晓松等（2020）［41］的做法， 首先将废水、 工业SO2以及烟（粉） 尘这三种污染物的排放量进行标准化处理， 并求取每种污染物的权重， 然后将各污染物的权重与标准化的结果相乘， 计算出所得乘积的算术平均数， 从而得到环境污染综合指数， 以此作为衡量环境规制的逆向指标。 第四， 全要素生产率（Tfp） 作为衡量物质资本和人力资本效率的重要指标之一， 对区域碳减排能力可能具有一定的促进作用， 故也将其作为控制变量。 具体而言， 使用永续盘存法对固定资产进行折算， 将其与社会从业人员总数作为投入要素， 以实际GDP 为期望产出， 参考已有研究［42-43］计算得到相关省份的全要素生产率。

以上数据均来源于历年《中国统计年鉴》 《中国能源统计年鉴》 《中国环境统计年鉴》 《中国科技统计年鉴》、 中国碳核算数据库（CEADs）、 国研网以及万得数据库， 缺失值采用线性插值法进行补齐。 数据的整体描述性统计分析如表2 所示。

表2 各变量统计描述

五、实证分析

（一） 基准回归分析

采用混合回归对数字金融与区域碳减排能力的关系进行初步考察， 结果如表3 列（1）、 列（2） 所示。 可以发现， 无论是否加入控制变量， 数字金融（Dfin） 的系数均为正值， 且在1%的水平上显著。 豪斯曼检验结果表明， 应选取固定效应模型进行估计， 如表3 列（3）、 列（4） 所示。 与混合回归的结果相同， 数字金融（Dfin） 的系数依然在1%的水平上显著为正， 表明数字金融对区域碳减排能力具有促进效应， 初步验证了假设1。

表3 基准回归估计结果

表4 报告了分区域及子指标回归的估计结果。 列（1） —列（3） 探究了数字金融对东、 中、 西部地区的碳减排能力的影响。 其中， 东、 中、 西部地区的数字金融（Dfin） 系数均显著为正， 且中部地区（0.120） ＞全国（0.084） ＞东部地区（0.074） ＞西部地区（0.064）， 证实了数字金融发展有效提升了全国范围尤其是中部地区的碳减排能力， 对中部地区的腾飞崛起有着重要的意义， 在一定程度上体现了数字金融的普惠性质。 相较东部而言， 西部地区的系数偏低， 这可能源于其信息化基础设施的建设仍不够完善。 列（4） —列（6） 将数字金融分解为覆盖广度（coverage）、 使用深度（usage） 及数字化程度（digitization）， 对这三项子指标的碳减排效应展开进一步分析。 可以发现， 子指标的系数均在1%的水平上显著为正， 且覆盖广度（0.091） ＞使用深度（0.071） ＞数字化程度（0.049）， 表明数字金融的碳减排效应主要是通过其广度、 深度实现的， 数字化程度对碳减排能力的促进效应有待提升。

从控制变量上看， 财政分权度（Fpd） 的系数部分显著为负， 说明地方政府的经济事务管理权限越大， 越不利于碳减排能力的提升； 同样地， 经济发展速度（Gdps） 的系数部分显著为负， 说明过快的经济增速不利于可持续发展， 造成了碳减排能力的损失； 环境规制（Er） 的系数均为负值但不显著， 说明环境规制的落实仍须加大力度； 全要素生产率（Tfp） 的系数绝大多数显著为正， 说明随着生产技术的改进升级， 绿色创新活动日益活跃， 区域碳减排能力也得到了显著增强。

表4 分区域及子指标回归估计结果

表4（续）

（二） 稳健性检验

为确保结论的可靠性， 本文进行了四种方式的稳健性检验。

第一， 考虑到变量之间可能存在的反向因果关系， 分别对数字金融（Dfin） 及所有解释变量做滞后一期、 滞后两期的处理， 而后代入模型（1） 中重新估计。 滞后解释变量回归的估计结果（限于篇幅不再列示， 备索） 显示， 无论选取何种变量做滞后处理、 无论选取何种滞后阶数， 数字金融（Dfin） 的系数均在1%的水平上显著为正， 表明数字金融能够促进区域碳减排能力的提升， 且这种促进效应在时间上具有一定的惯性。 从长期来看， 数字金融的积累深化有利于地方碳减排潜力的充分释放， 进而为“双碳目标”的实现提供源源不断的动力支持。

第二， 采取替换变量的做法， 用相关省份的数字经济指数（Digeco） 取代数字金融指数（Dfin） 重新估计模型（1）， 数字经济指数相关数据来源于财新智库。 由回归结果（限于篇幅不再列示， 备索） 可知，L.Dfin的系数（0.084） 为正， 且在1%的水平上显著， 与基准回归的结果相吻合。

第三， 为了缓解数字金融与碳减排能力互为因果所引致的内生性问题， 本文选取数字金融的滞后一期（L.Dfin） 作为工具变量， 采用两阶段最小二乘法进行估计。 一方面， 上一期数字金融的态势一定程度上会对当期数字金融的发展产生影响， 符合相关性要求； 另一方面， 在加入控制变量的情况下， 工具变量只能通过当期数字金融作用于当期碳减排能力， 满足外生性条件。 第一阶段回归结果（限于篇幅不再列示， 备索） 显示，L.Dfin的系数在1%的水平下显著， 说明当期与滞后一期的数字金融有着很强的相关性； 第一阶段的F值远大于10， 因此不存在弱工具变量问题； Kleibergen-Paap rk LM 统计量为36.09（P=0.000）， 也拒绝了工具变量不可识别的原假设。 同时， 工具变量个数等于内生变量个数， 即恰好识别， 无须进行过度识别检验。 由回归结果（限于篇幅不再列示， 备索） 可知， 在处理了内生性问题后，Dfin的系数（0.102） 依然在1%的水平上显著为正， 说明基准回归的结论是稳健的。

第四， 一个区域的碳减排能力可能受到上一期碳减排能力的影响， 因此， 本文在模型（1） 中加入被解释变量的滞后一期作为控制变量。 为了克服动态面板模型自身潜在的内生性问题， 回归采用广义矩估计（GMM） 法。 由回归结果（限于篇幅未列示， 备索） 可知， AR （1） 检验的P值为0.017， AR （2）检验的P值为0.220， 说明存在一阶自相关但不存在二阶自相关； Sargan 检验的P值为0.056， 大于0.05， 证明工具变量的选取是有效的； Hansen 检验的P值为1.000， 也验证了工具变量满足外生性条件。以上检验结果表明， 采用两步系统GMM 法进行估计是可行的。 在动态面板条件下，Dfin的系数（0.020）符号依然为正， 且在5%的水平上显著， 与基准回归的结论保持一致。

六、进一步的机制分析

（一） 中介效应检验

在验证了数字金融对区域碳减排能力的促进效应后， 将对数字金融碳减排效应的传导路径展开进一步分析。 中介效应检验的估计结果如表5 所示。

表5 中介效应检验估计结果

表5 列（1） —列（5） 分别对应模型（1） —模型（5）。 在模型（1） 验证了数字金融对区域碳减排能力的促进效应的基础上， 模型（2） 中数字金融（Dfin） 的系数（-0.133） 为负， 且在1%的水平下显著， 表明数字金融能够有效缩小城乡间的收入差距， 促进乡村经济的发展。 模型（3） 中数字金融（Dfin） 的系数（0.076） 相较模型（1） 有所下降， 但仍在1%的水平下显著， 表明数字金融可以通过推动乡村振兴战略实施对区域碳减排能力产生正向影响， 假设2 得以验证。

同理， 模型（4） 中数字金融（Dfin） 的系数（0.192） 为正， 且在1%的水平下显著， 表明数字金融发展对区域ICT 扩散强度具有促进效应。 模型（5） 中数字金融（Dfin） 的系数（0.061） 相较模型（1）有所下降， 但仍在1%的水平下显著， 表明ICT 扩散强度也是数字金融提升区域碳减排能力的中介变量之一， 假设3 得以验证。

对比列（3） 与列（5） 的数字金融（Dfin） 系数大小， 可以进一步发现， ICT 扩散强度所起到的部分中介作用要大于乡村振兴， 说明数字金融的普惠效应尚未挖掘充分， 在资源配置效率提高的同时， 也要均衡城乡之间的发展， 完善乡村新型数字基础设施的建设， 使城乡居民都能分享数字金融红利， 这对于一个地区碳减排潜力的拓展具有重大意义。

（二） 异质性检验

数字金融的碳减排效应可能会随着数字金融和碳减排能力发展水平的不同而呈现异质性特征， 即具有一定的门槛效应。 表6 和表7 报告了数字金融为门槛变量的门槛模型自抽样检验结果、 门槛估计值及其置信区间， 可以发现， 以数字金融为门槛变量时， 在1%的统计水平下，F统计量在单一门槛模型中显著，而在双重门槛模型中不显著， 因此模型（6） 仅存在单一门槛值1.753。 表8 和表9 报告了碳减排能力为门槛变量的门槛模型自抽样检验结果、 门槛估计值及其置信区间， 可以发现， 以碳减排能力为门槛变量时， 在10%的统计水平上，F统计量在双重门槛模型中显著， 而在三重门槛模型中不显著， 因此模型（7） 存在双重门槛值-0.333 和-0.110。

表6 数字金融为门槛变量的门槛模型自抽样检验

表7 数字金融为门槛变量的门槛估计值及置信区间

表8 碳减排能力为门槛变量的门槛模型自抽样检验

表9 碳减排能力为门槛变量的门槛估计值及置信区间

数字金融对区域碳减排能力影响的面板门槛回归结果显示， 以数字金融作为门限变量时， 其碳减排效应被划分为两段： 当数字金融指数低于175.3 时，Dfin的系数为0.040， 且在1%的统计水平上显著； 当数字金融指数迈过175.3 这一门槛时，Dfin的系数增大至0.072， 且保持了1%的显著性水平。由此可知， 数字金融自身的发展对其与碳减排能力的关系具有门槛调节作用， 随着数字金融指数的不断提高， 数字金融对区域碳减排能力的促进效应逐渐增强， 即相较于数字金融欠发达的地区， 数字金融对发达地区的碳减排效应更为显著， 假设4 得以验证。 为此， 倘若政府在推动数字普惠金融发展方面出台相应政策加以扶持， 激发出潜在的内生发展动力， 便能促使该地区的碳减排能力得到充分释放。

以碳减排能力作为门槛变量时， 其碳减排效应被划分为三段： 当碳减排能力指数低于-0.333 时，Dfin的系数为0.017， 且在10%的统计水平上显著； 当碳减排能力指数介于-0.333 与-0.110 之间时，Dfin的系数增大至0.069， 显著性水平也上升至1%； 当碳减排能力指数高于-0.110 时，Dfin的系数继续增大至0.088， 且仍在1%的水平上显著。 由此可知， 碳减排能力水平也对数字金融的减排效应具有门槛调节作用， 随着碳减排能力的不断提升， 数字金融对碳减排能力的促进效应逐渐增强， 即相较于低减排能力地区， 数字金融对高减排能力地区的碳减排效应更为显著， 假设5 得以验证。 对此， 地方政府有必要进一步拓展高质量发展的实现路径， 加快区域碳减排能力的增长速度， 为全面实现碳达峰打开向上的发展空间。

此外， 本文以数字金融水平、 碳减排能力的中位数作为标准对样本划分， 并进行分组回归估计， 以检验上述异质性结论的稳健性。 数字金融水平大于等于中位数的省份为数字金融发达地区， 小于中位数的省份为数字金融欠发达地区； 碳减排能力大于等于中位数的省份为高碳减排能力地区， 小于中位数的省份为低碳减排能力地区。 以数字金融水平、 碳减排能力分组作为划分标准进行的回归估计结果如表10所示。

表10 以数字金融水平、碳减排能力为标准的分组回归估计结果

由表10 可知， 数字金融对数字金融发达地区和欠发达地区碳减排能力的影响都在1%的统计水平上显著为正， 但在系数大小上， 数字金融发达地区（0.098） 要远高于欠发达地区（0.062）， 表明无论数字金融发展程度如何， 数字金融对碳减排能力都存在显著的促进效应， 但相较于数字金融欠发达地区， 数字金融在发达地区的碳减排绩效更为显著。 同样地， 数字金融在高碳减排能力地区的系数（0.078） 也略高于低碳减排能力地区（0.076）， 且二者都保持了1%的显著性水平， 表明无论碳减排能力水平如何， 数字金融对碳减排能力都存在显著的促进效应， 但相较于低碳减排能力地区， 数字金融在高碳减排能力地区的碳减排绩效更为出色。 因此， 门槛回归所得结论是稳健的， 进一步验证了假设4 和假设5。

（三） 空间效应检验

数字金融具有较强的空间穿透性， 碳排放亦能在相邻地区间实现转移， 因此， 数字金融与区域碳减排能力可能在空间上呈现自相关性。 本文使用计算莫兰指数（Moran's I） 的方法， 对数字金融和区域碳减排能力的空间相关性进行初步检验。 在空间矩阵的选取上， 首先建立式（10） 所示的经济距离矩阵：

其中，Yi为样本期内省份i的实际人均GDP 的均值，Yj为样本期内省份j的实际人均GDP 的均值。

表11 报告了空间自相关检验的结果， 2011—2018 年， 区域碳减排能力与数字金融的莫兰指数均在不同程度上显著为正， 说明经济相邻地区的碳减排能力与数字金融均存在正的空间自相关性。

表11 2011—2018 年数字金融和区域碳减排能力空间自相关检验

为缓解因空间因素所导致的偏差， 借鉴张辉等（2016）［35］的做法， 引入空间滞后模型（SAR） 与空间误差模型（SEM） 对数字金融与区域碳减排能力的关系重新估计， 并加入相邻矩阵与地理距离矩阵进行稳健性检验， 结果如表12 所示。

表12 数字金融影响区域碳减排能力空间模型的回归结果

表12 中， 依据豪斯曼检验结果， 两模型均应选取固定效应模型。 列（1） —列（6） 中数字金融（Dfin） 的系数均为正值， 且在1%的水平上显著， 表明基准回归的结论是稳健的。 列（1） —列（3） 中的空间自回归系数Rho全部显著为正， 证实了碳减排能力“强强相邻” 空间分布格局的存在。 根据对总效应的进一步分解， 可以发现数字金融对区域碳减排能力的直接、 间接效应均显著为正， 表明一个地区数字金融的发展不仅有利于提升本地的碳减排能力， 对相邻地区的碳减排能力也具有促进效应， 假设6 得以验证。

在实证中， SEM 模型较SAR 模型而言具有更广泛的适用性［44］。 考虑到区域碳减排能力的空间溢出效应， 扰动项也存在空间自相关的可能。 列（4） —列（6） 中Lambda的系数全部显著为正， 反映了碳减排能力“强强相邻” 空间分布格局能够同时促进本地与相邻地区域碳减排能力的提升， 进而实现区域间的协同减排， 数字金融在这种空间格局的形成过程中发挥着不容小觑的作用。

七、结论与启示

（一） 结论

本文的研究结果表明： 数字金融能够显著提升区域碳减排能力， 该结论在多种稳健性检验下仍然成立。 数字金融可以通过振兴乡村和提升ICT 扩散强度两条路径促进区域碳减排能力的提升。 数字金融对区域碳减排能力的促进效应具有边际递增的非线性特征——相较于数字金融欠发达地区， 数字金融对发达地区的碳减排效应更为显著； 相较于低减排能力地区， 数字金融对高减排能力地区的碳减排效应更为显著。 数字金融与区域碳减排能力在空间上均具有显著的正自相关性， 本地数字金融的发展对相邻地区的碳减排能力存在正向溢出效应。

（二） 启示

全球已步入数字经济时代， 发展数字金融已是大势所趋。 因此， 第一， 要加快构建以数字经济为核心的现代化经济体系， 推动数字金融高水平发展， 发挥数字金融对区域碳减排能力的促进效应。 第二， 要着力加强信息化基础设施建设， 持续提升全国范围内数字金融的普及度和使用深度， 使各地的数字金融指数都能达到阈值， 利用数字金融边际递增的门槛效应充分提升碳减排能力。 第三， 发挥数字金融对相邻地区碳减排能力的溢出效应， 进一步强化区域间的信息沟通和交流合作， 加快构建共商共治共享的低碳目标与环境治理体系， 避免出现“自扫门前雪” “与邻不善” 的减排模式， 最终实现区域间的协同减排。