数字金融与碳排放：基于微观数据和机器学习模型的研究

王元彬，张 尧，李计广

（1. 对外经济贸易大学国际发展合作学院，北京 100029；2. 对外经济贸易大学对外开放研究院国际经济研究院，北京 100029）

2020 年9 月，习近平提出“二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和”［1］。2021年3月，中央财经委员会第九次会议对“十四五”期间为实现“双碳”目标谋划了实施方案，标志着碳减排工作上升到新的战略高度。“十四五”规划纲要设立专篇对“加快数字化发展 建设数字中国”作出重要部署，提出加快推动数字产业化，数字金融相关行业作为数字产业化的重要内容，在加速经济发展方式转变、推进数字产业化和产业数字化进程等方面发挥着重要作用。2020年中国数字经济规模已达39.2 万亿元［2］，逐渐成为中国实现高质量发展的新动能。作为互联网、大数据、区块链和人工智能等新科技与金融融合的崭新业态，数字金融的“创造性”和“破坏性”产生了广泛关注，也备受争议。亟须深入考察数字金融对碳排放的影响机制，以更好规避数字金融垄断性等负面效应，引导其走上支持实体经济的健康轨道。然而，中国数字金融发展与碳排放的相关研究较少，影响链还不清晰。因此，第一次基于城市面板、工业企业数据库和瞪羚企业数据库等匹配的多维微观数据集，结合R语言地理坐标、爬虫、词频分析和企业生存分析等多项前沿技术构造重要变量，运用双向固定效应、工具变量和中介效应模型从多个角度实证研究了数字金融对碳排放的影响及其传导机制。此外，首次采用机器学习模型研究数字金融对碳排放的真实非线性效应，并将其与经典影响因素进行重要性比较。上述研究不仅有助于丰富数字金融的实际经济效应和碳排放影响机制的相关理论认识，还将对建设数字中国和实现“双碳”目标具有一定政策参考意义。

1 文献综述

数字金融是伴随着互联网及新一代信息科技而诞生的新兴行业［3］，文章从数字金融概念界定、数字金融与碳排放的相关研究出发，回顾相关文献，进而论述数字科技产业化和传统产业的数字化赋能两大新机制的理论基础。

一是数字金融的界定以及数字金融与碳排放。数字金融泛指互联网和新一代信息技术如大数据、云计算、区块链和人工智能等与金融相结合的新型业态［4］。其对金融理论的边际创新主要包括数字足迹（digital footprint）提供了信用评分的新信息，大数据充当新抵押担保工具，区块链可以提高金融合约的效率，以及新的投融资和风险管理方式等方面［5-6］。测度中国数字金融发展较全面和流行的方法是北京大学数字普惠金融指数［7］。Zhao 等［8］运用系列外生事件论证了数字金融对碳排放具有显著抑制作用的基本结论。贺茂斌等［9］认为，数字金融通过提升金融服务效率，从而促进区域技术进步和全要素生产率，降低区域碳排放。Wang 等［10］、邓荣荣等［11］发现数字普惠金融通过经济增长、产业结构和技术创新效应影响碳排放。更多文献沿着数字金融提高金融体系效率、改善“长尾群体”金融服务可得性和成本的普惠性逻辑，进一步探究其对经济增长、居民收入、消费、创新创业和零工经济等产生的实际经济效应［12］，为后续数字金融影响碳排放的研究提供了理论基础。但是，一方面，现有数字金融测度方法不能涵盖地域、业务、年限和指标来源等各个维度的全面情况；另一方面，中国数字金融诞生于互联网电子商务发展的金融需求中，对共享经济、互联网借贷等消费端新经济的发展提供金融支持［13］。因此，对并不直接服务的其他行业尤其供给端规模以上企业的影响机制需要慎重考察［14］。因此，进一步概述数字科技产业化和传统产业的数字化赋能两大新机制的相关文献。

二是数字科技产业化的机制。学界对广义的数字经济界定是以互联网以及大数据、人工智能、云计算等新兴信息技术为基础的新兴经济形态，包括数字科技的产业化和产业的数字化两个方面［15］。根据柏亮等［16］的定性分析，现阶段中国数字金融发展主要体现于数字金融企业运用数字科技，提供支付、借贷、消费金融和财富管理等数字化金融服务的数字金融2.0 时代。数字金融在满足互联网等数字经济企业的金融服务需求中蓬勃发展，反过来对数字经济产业提供了有力的支持。聂秀华等［17］也发现，数字金融有助于激发大众创业和产业结构优化。此外，既有研究普遍认为产业结构升级对低碳发展具有重要意义［18］。然而，也有观点认为当前数字金融集中服务于需求端，对供给端实体企业的支持场景较少，实际经济的影响效果存在争议［13-14］，现有影响链既缺乏微观数据的实证证据，也无法回应争议。此外，数字金融支持数字科技产业化的机制还缺乏直接实证证据。

三是传统产业的数字化赋能机制。数字科技产业化的进一步发展会引导数字科技与传统行业相结合，通过“互联网+”“人工智能+”等对传统商业和企业进行数字化赋能［19］。传统产业的数字化赋能促进碳减排可能体现在促进了市场整合、支持地区创新创业与改善企业创新资源投入和创新效率。首先是数字化赋能促进市场统一和强化市场竞争，有利于创新效率的提升。以互联网平台为代表的数字化赋能深化了全国市场的整合程度，使企业的创新绩效得到提升［20-21］。数字经济产业的发展通过整合市场、知识溢出和要素更有效配置，来激发产品多样化需求和企业追求垄断竞争的动力，促进创业和现有企业的创新［22］。更进一步是创新资源投入和创新效率影响碳排放的相关文献。生产过程的要素配置结构和效率是影响碳排放的重要机制，如傅京燕［23］认为，物质资本密度与能源投入密度存在一定关联性，人力资本密度较高的高技术企业往往效率较高。杨莉莎等［24］认为，资本和劳动力对能源的替代有助于实现碳减排。最后，技术和商业模式创新是影响碳排放最直观的因素，生产工艺创新能提高原料使用效率，增加循环利用，减少单位碳排放。创新力较强的发展模式往往碳排放会更少［25］。然而，传统产业数字化赋能机制的完整影响链还较缺乏微观数据的实证研究。

最后是数字金融的非线性效应。许钊等［25］和Jiang等［26］发现，金融科技对农业非点源等污染减排效应的影响呈现出倒“U”型的双门槛效应。此外，数字金融发展水平的常用衡量指标如北大数字普惠金融指数等本身存在着从无到有的“偏峰”和各地域不均衡发展的复杂特性。有鉴于此，机器学习模型作为人工智能领域的重要前沿成果，适配于非线性问题的研究［27］。其相对于因果推断，其更侧重于考察相关因素的作用集中透过某一解释变量影响被解释变量的综合作用力，具有契合复杂经济系统并提高决策预测准确性的政策意义［28］。因此，运用机器学习新方法的研究可以揭示数字金融对碳排放的真实非线性影响趋势。

概括来说，既有研究对数字金融影响碳排放的机制尚存在争议，还存在影响链不够完整和缺乏微观数据的实证证据等问题。因此，有待进一步研究以厘清数字金融实际经济效应的传导链条，有望发现数字金融实现碳减排的瓶颈所在。

2 理论机制分析

根据以上文献回顾，先从数字科技产业化和传统产业数字化赋能两大维度概括数字金融对碳排放发挥的重要作用，后论述数字金融对碳排放的真实非线性效应。

2.1 数字科技产业化效应分析

总的来说，数字金融支持数字科技产业化实现碳减排的逻辑为数字金融→数字科技产业发展→产业结构优化→总体碳排放量降低。数字金融被寄望于弥补“数字鸿沟”，对难以被传统金融服务覆盖的“长尾”人群和企业产生涓滴效应。有大量的研究表明，数字金融在降低金融服务门槛和提升金融体系效率方面发挥着重要作用，有利于激发创业活动和促进区域高质量发展［22］。中国数字金融在诞生之初，为互联网、电子商务等数字经济提供了金融服务保障，与数字经济企业相互支持，为互联网和新一代信息技术的产业化和数字科技生产部门的发展提供了有力支持。具体来说，一方面，中国数字金融发展2.0 的现阶段在货币基金、网络贷款和消费金融等领域蓬勃发展，数字金融发展为互联网经济、数字支付、数字交易平台等新经济业态的产生和发展奠定了技术和商业模式基础。另一方面，数字金融和数字经济企业的示范效应从社会中吸纳了大量包括风险投资、股权投资等形式的金融资源，降低了数字经济行业的融资约束和融资成本，促进了数字经济创业和中小企业的发展，为数字科技产业的发展提供了强大助力。大多数新出现的数字经济产业集中在第三产业，天然具有低碳排放的特点。此外，数字金融能够驱动第三产业转型升级和产业结构的优化得到了既有研究证实［29］。因此，提出假说1和第一大机制的假说2.1。

H1：数字金融发展可以降低地区的碳排放。

H2.1：数字金融发展通过促进数字科技产业的高速发展，推动产业结构优化，实现地区总碳排放量的下降。

2.2 传统产业的数字化赋能效应分析

传统产业的数字化赋能对碳排放的影响链可归纳为数字金融→传统产业的数字化赋能→市场整合、企业优胜劣汰→优化企业创新投入和创新绩效→高能源利用和碳减排效率→地区碳减排的逻辑链。数字科技产业化的进一步发展势必延伸至工业及其他传统行业，对其进行数字化赋能。传统产业的数字化赋能对碳排放的影响可归纳为以下四个方面：

（1）金融普惠性机制。数字金融为传统金融服务难以覆盖到的长尾群体和企业的普惠性得到了大量文献支持，数字金融通过大数据低成本归集小规模投资者闲散资金，可以改善中小企业融资约束［30］。然而，中国数字金融集中在需求端创新、不直接服务于规模以上企业的观点也得到广泛支持。解决这一“争议”的关键在于数字金融降低了数字经济相关行业的融资约束和成本，而对规模以上的广大传统企业直接普惠性不强，其数字化赋能通过其他机制实现。

（2）市场整合机制。传统数字技术互联网对产业的赋能作用在于信息的“脱媒”和减少中间交易环节，以平台经济为代表的数字化赋能助力了全国统一市场的形成和深化。以大数据、区块链、云计算和人工智能等为代表的新数字技术也能够更好整合产业链上下游，促进生产者和海量零散消费者、投资者之间的联系。

（3）市场竞争机制。数字化赋能还体现在降低创业的注册、市场信息、交易等门槛，即使对非数字经济行业的创业活跃度也能起到积极贡献。此外，市场整合度的提升将进一步强化现存企业的竞争，促进企业的优胜劣汰。这可能同时体现在行业集中度的下降。

（4）企业创新投入和创新能力机制。市场整合和市场竞争机制最终需要落脚到微观企业行为的改变。市场的整合和企业竞争的强化有利于激发企业为追求垄断竞争（差异化竞争）和获取更高利润而不断进行产品和服务多样化的创新努力。这将激励现存企业加大创新投入，从而提高能源利用和碳排放效率。而高能耗和碳排放的“粗放型”企业在竞争中要么被淘汰要么通过创新转型。此外，互联网和新一代数字技术更加有利于技术和知识的传播，绿色商业模式和绿色科技更容易产生溢出效应，有利于工业和其他传统产业的绿色发展。

综上，提出第二大机制的假说2.2 和子假说2.2.1-2.2.4。

H2.2：数字金融发展通过对传统产业进行数字化赋能，推动传统产业实现碳减排。

H2.2.1：数字金融发展难以通过对传统产业的金融普惠性降低总体碳排放。

H2.2.2：数字金融发展通过促进市场整合降低传统产业碳排放。

H2.2.3：数字金融发展通过强化市场竞争助力传统产业碳减排。

H2.2.4：数字金融发展有助于激励传统企业的创新投入和提升创新能力，从而减少碳排放。

2.3 数字金融的真实非线性效应分析

数字科技的发展从诞生到产业的深化广化是一个非线性的过程。在数字科技生产部门取得一定程度的积累和发展之后才能够将影响力拓展至传统产业，对整个社会生产和生活方式产生广泛变革，最终使产业结构得到优化，对传统产业产生赋能使能，从而减少总体碳排放量。数字金融相关统计指标也显示出各地区不平衡和非线性的发展趋势。基于此，提出假说3。

H3：数字金融发展对碳排放的影响具有非线性效应。

3 数据变量和研究设计

3.1 变量说明

被解释变量为碳排放量（CO2），采用Chen 等［31］所提供下辖县排放量加总计算的城市级二氧化碳排放量（百万t），并取对数（消除时间趋势）衡量。

核心解释变量为数字金融发展水平（Digital_Index），由北京大学编制的城市级“数字普惠金融指数”代理。另选择某头部金融科技借贷企业2010年10月12日（首笔成功订单交易日）至2018 年12 月31 日共计943 641 笔成交的借贷订单样本，通过熵值赋权法将总借贷额、人均借贷额和每订单平均借贷额合成为数字金融综合指数（Fintechindex），作为数字金融发展的替代指标。

主要中介变量包括数字科技产业化（Industrialization）和产业数字化（Digitalization）。前者由城市瞪羚企业数衡量，由从中国瞪羚独角兽网站用爬虫技术搜集的瞪羚企业微观数据集计算的。瞪羚企业是指符合国家和省（区）战略新兴产业方向（如新一代信息技术的大数据、物联网和云计算等）、跨过创业期进入高成长期的中小企业。后者由城市数字经济网搜集到的产业数字化指标表征。

控制变量包括地区和企业层面的特征变量。借鉴徐斌等［32］、李治国等［33］、宋德勇等［34］控制影响碳排放的地区级重要影响因素，包括经济发展水平（取对数值，GDP）、资本存量（取对数值，Capital）、年末总人口对数值（Pop）、科研综合技术服务业从业人员对数值衡量的科技投入（Tech）、第三产业金融业从业人员对数值代理的金融发展水平（Finance）、利税负担（Region_Tax）、互联网接入用户比表示的互联网发展（Internet）、王小鲁等［35］的地区市场化指数（Market）、进出口总额占GDP 比衡量的开放度（Openness）、能源消费量比GDP代表的能源强度（Energy_Inten）、煤炭消费量占总能源消费量比的能源消费结构（Energy_Struc）和各地政府工作报告中环保相关词频（包括“绿色”“低碳”“二氧化碳”“减排”“环保”“环境保护”“污染”“能耗”“空气”“二氧化硫”“生态”“PM10”和“PM2.5”）表征的环境保护规制强度（Environment），以及年平均成交量对数值衡量的碳排放权交易活跃度（CO2_Trade）和年平均成交价的对数代表的碳排放交易市场规制强度（CO2_Price）。上述变量除了控制碳排放的重要影响因素外，对互联网和金融业发展水平的控制有助于分离数字金融业态的净效应。企业级特征变量包括资产总计对数值衡量的企业规模（Size）、年末从业人员对数值（Labor）、主营业务产品销售收入对数表示的企业成长性（Growth）、固定资产比（Fixed_As-set）、资产负债率（Lev）、产出资产比（Output）、税负（Firm_Tax）、登记注册类型（Type）和企业生存年限（Age）。

3.2 数据样本

该研究所使用的基础数据集为2000—2017 年的287个地级市面板数据（不涉及港澳台地区）。资本存量根据张军等［36］的方法计算，碳排放权交易相关指标来自于Wind数据库中各试点地区碳交易日度数据求得。其他地区控制变量由2000—2019年全时间区间的国家统计局数据库中整理和合并。

数据集二为城市面板与工业企业的合并数据集。根据Brandt 等［37］和杨汝岱［38］的方法，通过企业组织机构代码、企业名称、县级行政区划代码+法定代表人、县级行政区划代码+电话号码+成立年份等识别因子将2000—2013年工业企业数据库精确匹配成面板数据集，获得3 977 347个企业-年份观测值。再将它与地级市面板数据合并，得到1 722 385个城市-企业-年份观测值。

3.3 研究设计

首先，运用经典线性回归模型对数字金融对碳排放的影响进行检验。具体来说，针对“北京大学数字普惠金融指数”存在内生性的问题，运用双向固定效应模型、工具变量法缓解内生性担忧，探索渐进一致的估计，作为稳健性检验。上述检验还包括进一步控制企业级特征变量、二位码的行业固定效应和企业个体固定效应进一步缓解内生性。针对该指数指标来源于单一企业的问题，通过替换数字金融发展指标的方式缓解担忧。固定效应模型如下：

其中：Xi，t为核心解释变量数字金融发展水平，∑α×Controlsi，t包括上述所有地区级的控制变量，μi、λt分别表示控制了城市和年度固定效应。

其次，运用中介效应模型（中介效应模型虽然受到不少质疑，但是结合理论分析的三段式检验依然广泛流行［39］）等方法进行机制检验。由于数字金融衡量指标来源于数字支付、网络借贷、网络消费金融等需求端，因此其对传统产业的影响需要更多考察可能的间接机制。

最后，对基础数据集运用机器学习-随机森林模型研究数字金融对碳排放的非线性效应。主要理由有二：①各地区数字金融的诞生具有明显“偏峰”或“截尾”特征，其发展程度产生实际经济效应也很可能具有非线性特征。以“数据驱动”为理念的机器学习模型能以预测准度为准绳更充分利用该变量信息，更接近真实的复杂函数形式。②随机森林模型选取一个变量进行节点分裂的思想契合考察变量重要性，便于将数字金融的贡献与影响碳排放的经典变量做比较。模型如下：

其中：CO2i，t是被解释变量碳排放量，Xi，t为核心解释变量数字金融发展水平（Digital_Index），Controlsi，t表示3.1节中所述地区控制变量，μk和λt表示加入城市个体和时间虚拟变量，εi，t则代表残差项，Φ()· 为随机森林方法构建的非线性模型。

对于无解析式的黑箱（black box）函数，可以运用画出的偏依赖图展示数字金融对碳排放的边际效应。其中表示因变量x1的偏函数，将其他变量(x1，x2，…，xp)对因变量的影响已被积分掉。再运用样本均值估计总体均值，可得到：

4 实证结果与分析

4.1 描述性统计

表1展示了主要变量的描述性统计。地区级变量特征来自城市面板数据集。企业级变量为城市面板与工业企业的合并数据集的结果，经过剔除固定资产比、资产负债率和企业年龄为负等异常值，共得到最大1 721 547 个城市-企业-年份观测值。

表1 主要变量的统计特征

4.2 基准模型和稳健性检验

应用经典线性模型论证假说H1，结果见表2（文中所有表格均控制了地区和年份固定效应及地区控制变量）。表2 首先展示了模型（1）双向固定效应的结果，在控制了地区特征变量后，数字金融发展水平每提高一单位，地区碳排放将显著下降0.04%。其次展示了工具变量法、替换自变量、控制企业特征和控制企业固定效应的结果。张勋等［3］认为，“北大数字普惠金融指数”来自于蚂蚁集团，其总部位于杭州，因此，其他城市与杭州的距离，作为完全外生的指标，是一个良好的工具变量。运用R 语言地理坐标系统构造该工具变量，结果展现出较好的稳健性。针对数字金融发展衡量指标来源单一问题，替换头部金融科技借贷公司的指标数字金融综合指数（Finte-chindex）进行回归，同样得到了一致的结果（表2）。运用城市面板与工业企业合并数据集，控制企业特征变量可以进一步缓解内生性。因此，在模型（1）的基础上进一步加入企业特征变量、控制企业固定效应进行检验。最后，拓展样本时间区间为2000—2019 年，均呈现出良好的稳健性，假说H1得证。

表2 基准模型和稳健性检验

5 进一步讨论

5.1 数字科技产业化的机制检验

为验证假说H2.1，首先将城市面板基础数据集与瞪羚企业数据集合并，以数字科技产业化（Industrialization）为中介变量，用三段式中介效应模型［40］进行检验。由于三段式方程1 结果已在4.2 节基准回归中展示，故只展示方程2 和3，检验结果见表3。进一步运用第三产业占GDP 比重衡量产业结构（Structure）为中介变量，中介效应检验结果见表3，三段式回归均通过了Sobel 中介效应检验（温忠麟等［40］认为，完全中介效应并不会排除其他机制的作用。近年来众多学者也反对完全依赖检验做理论推断）。说明数字金融发展通过促进数字科技企业的高速成长和产业化，优化了产业结构，从而降低碳排放。假说H2.1得证。

表3 数字科技产业化的机制检验

5.2 传统产业数字化的机制检验

为验证假说H2.2，首先对总体的产业数字化进行中介效应检验，提供初步的证据。然后，基于工业企业数据可得性以及以能源、交通、化工为代表的工业部门碳排放约占中国碳排放总额80%的现实，从工业数字化赋能的多个角度展开论证，即假说H2.2.1—H2.2.4的检验。具体通过工业企业金融普惠性的“证伪”检验，引出工业数字化赋能的其他间接机制，包括市场整合、市场竞争和企业创新等细分方面。

5.2.1 传统产业数字化赋能的机制检验

以产业数字化（Digitalization）为中介变量，运用城市面板与工业企业的合并数据集进行中介效应检验，结果见表4，通过了部分中介效应的Sobel 检验。说明数字金融发展可通过地区的产业数字化影响碳排放。

表4 产业数字化和金融普惠性的机制检验

5.2.2 金融普惠性的机制检验

对假说H2.2.1的验证分为融资约束和融资成本两个部分的检验。首先，出于指标可得性，对传统产业金融普惠性的机制检验可以近似检验对工业部门的金融普惠性。根据Hadlock 等［41］的做法，构建衡量融资约束的KZ 指数（Financing_Constraints）来考察数字金融是否有助于缓解融资约束的机制。出于城市面板与工业企业的合并数据集的指标可用性，用营业收入-营业成本-所得税计算经营性现金流指标，并用熵值法替代排序逻辑回归对各指标的赋权加以改进。结果见表4。其后，考察数字金融是否提供更优惠的资金实现碳减排。用利息负债比（Interest）代理企业融资成本，作为中介变量，结果见表4。可以发现，均未通过Sobel中介效应检验，表明没有显著证据证明数字金融通过改善工业企业“融资难”和“融资贵”问题，助力企业碳排放活动的投入，假说H2.2.1得证。

上文论证了对传统产业的数字化赋能并未表现在金融普惠性的直接机制。此外，数字金融的发展，集中服务于需求端，极大提升了消费者的福利。但是能否改善供给端企业的经营状况，企业因而能投入充足资源致力于提高能源利用效率以减少碳排放？以利润资产比（Profit）代理企业经营状况，结果见表4，中介效应并未通过检验。说明也未发现工业企业经营状况改善的证据，因此检验通过促进市场整合和市场竞争，从而改变企业碳排放行为的间接机制。

5.2.3 市场整合的机制检验

吴海民等［42］指出，规模以上工业企业异地销售的情况更常见。由于销售费用包括了企业运输、广告、展览、销售部门差旅费等支出，用占主营业务收入的销售费用比（Sale_Cost）能较好衡量其参与外部市场的程度。将其作为中介变量进行中介效应检验，结果见表5（下文实证结果均控制了企业和行业控制变量）。此外，人均货运量（Cargo）也能反映该地区与外部市场的整合程度，中介效应检验结果见表5。人均货运量通过了中介效应Sobel检验，销售费用比虽然未通过中介效应检验，但是方程2 显著，即数字金融发展促进了全国统一市场的形成得到验证，假说H2.2.2得证。

表5 市场整合的机制检验

5.2.4 市场竞争的机制检验

数字金融对工业企业的数字化赋能不仅促进了全国统一市场的形成，同时强化了市场竞争，进而引起企业行为的改变。下面通过企业的优胜劣汰和行业集中度来论述市场竞争的机制。首先，北京大学企业大数据研究中心根据包括大中小微和创业企业的大数据库测算了地区新建企业指数，以此表征创业指数（Entry），作为中介变量，中介效应检验见表6。此外，参照Giorcelli［43］，运用跨年匹配后的工业企业面板数据集，根据年度关闭企业和幸存企业数估计各地区分年度的企业生存率（Survival），再与城市面板与工业企业合并数据集匹配，其中介效应检验见表6。创业指数和企业生存率均通过了Sobel 检验，说明数字金融的工业数字化赋能通过提高创业和降低企业生存率，即优胜劣汰，有利于碳减排。

表6 市场竞争的机制检验

市场竞争得到强化的另一表现是市场集中度表征的垄断程度的下降，垄断对创新的阻碍是经典理论的论断，提高生产和能源利用效率的创新有利于降低碳排放。参考吴昊旻等［44］的研究，以行业中类代码划分行业，总资产的赫芬达尔指数（HHI）可以表征各行业中以企业规模衡量的集中程度，中介效应检验结果见表6，通过了Sobel检验。说明工业数字化赋能通过降低市场集中度实现碳减排，假说H2.2.3得证。

5.2.5 企业创新的机制检验

对市场竞争倒逼现存工业企业竞争策略更多转向创新驱动发展进行机制检验。管理费用比（Management）会计计量中包含了研发费用和其他高附加价值的组织管理成本，可以较好衡量企业为创新驱动发展所做的投入。此外，将工业企业数据库与专利数据库的匹配获得企业级的发明专利授权数（Patent）指标，衡量企业的创新产出。二者中介效应模型结果见表7，均通过了Sobel检验，假说H2.2.4得证。

表7 创新投入和产出的机制检验

5.3 非线性效应的机器学习模型分析

为验证假说H3，运用机器学习模型分析数字金融的非线性效应。针对因变量为连续变量的随机森林模型，运用回归树为基本学习器，以最小均方误差为优化准则选择分裂节点。由于部分控制变量如环境保护规制强度（Environment）和开放度（Openness）缺失了部分年份，故分别研究基于全控制变量和全时间区间的样本情况，随机森林和经典双向固定效应的模型表现对比可以发现，随机森林模型比经典线性模型具有更大拟合优势。

进一步考察数字金融发展水平与影响碳排放经典因素的相对重要性，用某分裂变量使得残差平方和下降多少来衡量变量重要性。由于全样本和全控制变量的变量重要性排序相同，故展示全控制变量的变量重要性排序图。如图1所示，数字金融发展水平与传统影响碳排放因素相比，相对效应达到了相同数量级，而绝对效应更是不可忽视：有相当多研究论证了碳排放权交易对碳减排的重要作用，其与碳排放权交易的相关指标（由于重要性数值低两个数量级而没能清晰显示）相比，重要性十分凸显。并且，数字金融变量甚至高于环保词频衡量的环境保护规制变量，假说H3得证。

图1 各变量重要性

图2展示了碳排放对数字金融的偏依赖关系，曲线刻画了偏依赖函数，横坐标内部刻度表示数字金融发展水平1/10、2/10，……，9/10 分位数。因此，对大多数地区（3/10-8/10分位），当数字金融发展达到一定程度时，其对碳排放量影响为负。在数字金融诞生之初（1/10 和2/10在0点重合）的尾部区域，函数几乎为水平线，表明影响微弱，而当数字普惠金融指数达到200 之后，其对碳排放量的影响又开始转正。说明数字金融发展促进碳减排的效率遇到瓶颈，进一步的发展造成碳排放的增加量高于减排量，假说3得证。

图2 碳排放对数字金融的偏依赖函数

6 结论与政策建议

基于2000—2019年城市面板和工业企业等企业数据库，采用双向固定效应、工具变量、中介效应和机器学习模型分别研究数字金融对碳排放影响的微观机制和非线性效应。区别于以往的研究侧重于直观的企业融资约束和成本等数字金融的普惠性逻辑，更基于中国数字金融重点服务于需求端的现实，发现其主要通过数字科技的产业化和传统产业的数字化赋能两个渠道影响地区总体碳排放，这很好地统合了有关数字金融的争议，既发现对数字科技生产部门产生了“普惠性”，而又存在对实体经济支持不足的“破坏性”。主要研究结论包括以下内容。

（1）双向固定效应基准模型验证了数字金融发展对碳排放具有显著降低作用。此外，运用R 语言地理坐标系统计算各地级市到杭州市距离这一前定变量作为工具变量，通过了工具变量法检验。还运用爬虫技术搜集头部数字金融公司的微观大数据，构造数字金融发展的替代指标，仍得到一致的结论。控制企业特征变量进一步缓解内生性的结果也表现出良好的稳健性。

（2）结合爬虫、企业生存分析等技术构造多个角度的中介变量，运用中介效应模型进行机制分析。研究首次发现，数字金融通过支持数字科技产业化和传统产业数字化这两大维度的机制影响碳排放。对于前者，数字金融发展通过支持数字科技的产业化和产业结构的优化降低地区总体碳排放。对于后者，并未发现金融普惠性逻辑显著的实证证据，而是通过加强市场整合、促进市场竞争和企业的优胜劣汰，激励企业加大创新投入和提高创新能力，从而实现地区总体碳减排。通过上述论证，发现数字金融发展的普惠性主要体现于对数字科技生产部门提供了金融支持，对传统工业企业的普惠性不强。传统实体产业的碳减排是通过加强市场整合和创新能力等数字化赋能实现。这说明数字金融直接支持实体产业的海量应用场景还有待进一步地开发。

（3）机器学习模型的分析发现，数字金融对碳排放量具有非线性效应，此外，变量重要性分析验证了数字金融作为新生事物对碳排放影响的重要作用。数字金融发展早期阶段，主要是数字基础设施和数字科技生产部门产业化的积累过程，因而对碳排放未产生显著的降低作用。此后，随着数字金融的进一步发展，对碳减排发挥了重要正面作用。随着数字金融集中于消费端，从而服务于实体经济的效果逐渐衰减，直至表现出对碳减排的负面作用。说明数字金融吸纳了社会金融资源，但是由于缺乏支持实体经济的海量应用场景，促进实体企业碳减排的进程停滞不前。

上述结论可能具有如下政策启示：

（1）推进数字金融深耕实体服务，引导碳金融的数字化创新。数字金融作为新生变量对碳减排的重要作用得到验证。然而，在数字金融较发达的地区，其对碳减排的作用趋向反面，而且，数字金融影响碳排放的机制较为间接。这昭示着中国数字金融发展在需求端着力较多，本质原因在于缺乏深耕实体的应用场景。此外，商业银行等金融机构参与碳金融的程度和规模还十分有限，需注重加强引导金融机构运用新一代数字技术开展碳金融数字化创新项目。

（2）推动传统金融机构数字化转型，加大投入数字金融基础设施建设。数字金融发展初期对碳减排效果不明显，说明数字金融需要一定的产业化积累过程，才能产生碳减排等实际经济效应。中国数字金融正处于传统金融机构全面应用数字科技提升金融服务能力的新阶段，需要鼓励传统金融机构加大数字化前期投入，筑牢数字金融海量商业化应用场景的基础。此外，也需持续投入数字人民币、大数据征信、政府大数据开放平台等有利于降低金融机构支付和投融资成本的数字金融公共基础设施和服务。

（3）加强反垄断监管，营造更公平竞争市场环境。数字金融通过促进市场竞争助力传统产业的数字化转型，但是数字金融本身的垄断性也受到广泛关注。一些数字金融平台打着“创新”旗号，行“监管套利”“新瓶装旧酒”之实，以平台的流量垄断等方式提高了中小企业的准入门槛。应着力拓展“监管沙箱”试点广度和深度，审慎区分和甄别阻碍创新和自然垄断的应用项目，引导数字金融创新朝着与实体经济共生共荣的包容性增长方式上发展。