数字金融发展对我国绿色全要素生产率的影响

郭娅妮，舒安琪

（福建师范大学经济学院，福建福州 350108）

一、引言

我国经济已经步入了高质量发展阶段。与以往发展模式相比，高质量发展更多地关注资源的优化和保护。金融作为经济发展的重要动力，也为促进绿色经济发展提供着重要动能。据统计，到2020年年底，中国的数字经济规模已达39.2 万亿元（赛迪顾问数字经济产业研究中心，2021）。随着数字信息技术、人工智能等的快速发展，数字金融作为传统金融的补充已渗透到经济的方方面面，与众多领域深度融合，成为经济发展的重要动力，有效推动经济增长模式从生产要素驱动向创新驱动的转变。新时代下，探讨数字金融对我国绿色全要素生产率（Global Trade Finance Program，GTFP）的作用，对于如何把握我国数字工业革命带来的新机遇，促进经济的持续、绿色发展具有重要意义。

二、文献综述

（一）关于数字金融与经济增长

现有文献大多以实际GDP 或实际人均GDP 作为经济增长的代理变量进行相关研究。王永仓和温涛（2020）、张蕊和余进韬（2021）通过实证发现，数字金融对经济增长有向正影响。Jiang 等（2021）得出了相同的结论，并通过异质性分析证明，城市化率较低、物质资本较低的中西部省份数字金融对经济增长的促进作用更为显著。Miao（2020）指出，在疫情蔓延的今天，数字化能赋予货币部门更多的灵活性、韧性和执行能力，提高数字金融应对危机的能力，促进经济恢复、发展。

（二）关于数字金融与高质量发展

腾磊和马德功（2020）以多维度指标为基础，构建了我国高质量发展综合指数，并对其进行了实证研究，结果表明数字金融可以通过促进区域创新水平、协调发展等路径，促进高质量发展。Ozili（2021）通过概念模型指出，数字金融为个人和企业提供了一个畅通、高效、无缝的渠道，为社会项目提供所需资金，能够推动绿色融资和社会融资，有效促进经济可持续发展。

（三）关于数字金融与全要素生产率

王旺（2021）对数字金融和全要素生产率的关系进行了探讨，并检验政府监管在其中所起的作用，结果表明数字金融能有效促进全要素生产率的增长，且在政府监管力度更大的地区，其促进作用更显著。袁徽文（2021）认为数字金融对全要素生产率有正向影响，同时证明了数字金融的三个维度均对全要素生产率有一定的促进作用。

（四）关于数字金融与绿色全要素生产率

范欣和尹秋舒（2021）运用分析，探讨数字金融对绿色全要素生产率的作用，发现数字金融可以通过推动区域内的创业和技术创新路径，显著促进绿色全要素生产率的增长。田杰等（2021）认为数字普惠金融发展能够通过改善要素扭曲，从而对绿色全要素生产率起到正向作用，且提升作用在东部地区更为显著；与之相反，惠献波（2021）认为数字普惠金融对绿色全要素生产率的影响在欠发达地区更为显著。Feng 等（2022）认为数字金融发展对小规模企业绿色技术创新具有更积极的作用。

（五）关于金融发展与绿色全要素生产率

王伟和孙芳城（2018）研究发现，单独的环境规制或金融发展对绿色全要素生产率有利。倪瑛等（2020）也得出相同结论，并进一步发现目前环境规制和金融发展的组合模式阻碍了绿色全要素生产率水平的提高。徐璋勇和朱睿（2020）以中国西部地区为例，发现金融发展能同时促进绿色技术效率和绿色技术进步，进而促进绿色全要素生产率的增长。张帆（2017）以构建熊彼特内生增长模型的方式，推导出金融发展对全要素生产率和绿色全要素生产率存在非线性影响，对全要素生产率的促进作用更大，且通过实证研究得以验证。Zhong 和Li（2020）基于SBM-DDF 的GML 指数方法和空间杜宾模型（SDM），证明了金融发展促进了环境友好型创新和节能技术的引进，导致能源消耗和污染物排放减少，从而使得中国省域金融发展能够通过创新渠道促进绿色全要素生产率增长。

综上所述，现有文献大多聚焦研究传统金融发展与绿色全要素生产率的关系，未涉及顺应时代发展而兴起的数字金融；或主要研究数字金融与实际GDP、全要素生产率的关系，未包含新时代绿色发展的理念，可能高估数字金融对经济高质量发展的贡献。目前，关于数字金融对绿色全要素生产率影响的研究，也集中在传导机制上，认为数字金融通过提高创新创业水平、改善要素扭曲等途径促进绿色全要素生产率的提高。

基于此，本文运用动态面板模型和门槛模型研究数字金融对绿色全要素生产率的线性与非线性影响，以及可能存在的区域异质性。本文主要的贡献包括：第一，从数字金融和绿色经济的发展视角出发，探讨金融发展与经济发展之间的关系，拓展了已有研究；第二，探究了数字金融及其三个衡量维度对绿色全要素生产率影响的区域异质性，补充了已有文献；第三，以研发投入、人力资本水平、制度环境作为门槛变量，探究了三者在数字金融对绿色全要素生产率的影响过程中所起的调节作用，丰富了数字金融与绿色全要素生产率的相关研究。

三、理论分析与研究假设

（一）数字金融对绿色全要素生产率的影响

数字金融能够缓解企业在技术创新过程中的融资压力。企业创新研发往往周期长，资金投入大，传统金融机构为规避风险而不愿为其融资。作为传统金融的扩展，数字金融能够运用大数据与云计算技术对融资公司进行有效评估，促使资金供求达到精确的匹配，从而扩展金融服务边界、缓解融资约束，实现经济包容性增长。绿色产业一般具有先进的环保技术，有着较高的技术要求以及资金需求，获得数字金融的资金支持能促进绿色产业技术创新，扩大生产规模，增加绿色产出。数字金融发挥其便利的信贷功能和移动支付功能，能够促进消费规模的扩大，且在一定程度上激励生产者扩大生产，提高生产效率。此外，数字化金融能够盘活民间资本，有效引导资金投资到目前国家鼓励发展的产业，服务实体经济。由于信息不对称等原因，绿色金融的发展受到一定限制。但数字金融能将人的行为与绿色交易等相联系，且网络信贷、数字支付等数字金融服务本身就具有绿色属性，能有效推动绿色发展。

基于上述分析，本文提出第一个假设。

H1：数字金融的发展能促进绿色全要素生产率的提高。

（二）数字金融对绿色全要素生产率的非线性影响

研发投入，特别是对人工智能、大数据、信息技术等领域的研发投入能为数字金融的发展打下坚实的基础，拓宽数字金融覆盖广度，降低数字金融系统性风险。金融科技的技术创新与技术突破是推动数字金融发展的重要途径。以数据和技术为核心驱动力的金融科技，通过技术手段降低金融服务门槛，能够有效提高金融运行效率。先进的科技技术运用到数字金融领域，能使数字金融更好地服务实体经济，帮助解决数字金融发展中面临的问题。不同的制度环境下，企业的行为及其贷款的难易程度不同，金融监管力度也不相同。制度环境较差时，监管强度相对较弱，金融机构对企业发放贷款所面临的信用风险更大，一定程度降低了数字金融对融资约束的缓解能力。相反，良好的制度环境下，加强企业的信息披露等能减少企业与金融机构之间的信息不对称。完善的法律监管与保护体系促使金融平台合规健康发展，引导数字金融更好地服务于可持续发展产业。人力资源是金融科技发展的重要基础，如果人力资源匮乏，特别是金融领域人才短缺，将因无法有效处理金融业务风险而带来诸多问题。只有较高的人力资本水平才能满足数字金融可持续发展的要求，使数字金融为经济发展提供新动能成为可能。易行健和周利（2018）指出，受教育程度越高的地区，数字金融对流动性约束的缓解效应越明显。另外，家庭受教育程度越高，数字金融的使用概率会越大。当人们拥有较高的文化程度和丰富的金融知识时，其有更高的概率会参与到金融市场中去，能一定程度上促进当地金融市场的发展和数字金融的推广运用。因此，地区人力资本水平越高，数字金融对绿色全要素生产率的促进作用可能越强。

基于上述分析，本文提出第二个假设。

H2：在研发投入、制度环境、人力资本等方面，数字金融对绿色全要素生产率的影响存在门槛效应。

四、研究设计

（一）指标体系构建

1.被解释变量

绿色全要素生产率（GTFP）。Solow（1956）首次使用全要素生产率评价经济发展质量。随着经济发展更加注重自然资源与环境保护，学者们提出，应该在传统的计算指标基础上加入能源、环境等约束条件。这种在原有基础上考虑自然资源与环境的生产率被称之为绿色全要素生产率。

多数学者基于Fukuyama 和Weber（2009）提出的非径向、非角度的方向距离函数来测算绿色全要素生产率。在绿色全要素生产率衡量指标的选取上，景维民和张璐（2014）在资本、劳动、能源、GDP 等基础上加入了非合意产出，使用二氧化硫、二氧化碳等指标表示，李敏杰和王建（2019）使用环境污染综合指数衡量非合意产出。黄庆华等（2020）则在研究中加入了水资源消耗、土地建成面积等投入性指标。本文借鉴Fukuyama 和Weber（2009）的方法，建立基于SBM 方向距离函数的GML 指数模型，对中国30 个省份（不包括西藏自治区、港澳台地区）2011－2019年的绿色全要素生产率进行测算。测算中的投入与产出指标包括：资本存量（亿元）；能源消费总量（万吨）；各省年末就业人数（万人）；地区GDP（亿元）；CO2排放量（百万吨）；工业SO2、废水、一般工业固体废弃物（万吨）。其中，资本存量的计算采用永续盘存法，参考张军等（2004）的做法，确定资产折旧率为9.6%，资本存量和地区生产总值调整为2000年不变价格。

先通过GML 模型测得各省t到t+1期的生产率指数（GML），再借鉴李斌等（2016）的做法，假设2010年的绿色全要素生产率（GTFP）为1，将历年GML生产率指数累乘，逐步计算出各年的绿色全要素生产率。指数具体计算公式如下：

图1 为中国分区域的绿色全要素生产率指数变化趋势图。本文借鉴郑强（2017）的做法，按照“新三大经济区域”，将我国30 个省份（不包含西藏自治区、港澳台地区）划分为沿海、内陆、沿边三个区域①沿海地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东10 个省份，内陆地区包括山西、安徽、江西、河南、湖北、湖南、重庆、四川、贵州、陕西、甘肃、青海、宁夏13 个省份，沿边地区包括吉林、黑龙江、内蒙古、广西、海南、云南、新疆7 个省份。。从图1 可看出，沿海地区GTFP增长率高于全国平均水平；2014年以来各地区GTFP增长率均稳步上升，且增长率差距逐步减小；就全国整体而言，2017年与2018年的GML指数增长显著，这可能主要得益于新发展理念的提出，使得各地区在发展经济的过程中更注重环境资源的保护，追求绿色发展。

图1 分地区GML 指数

2.解释变量

数字金融（INDEX）。目前，学者普遍使用北京大学数字金融研究中心和蚂蚁金服共同推出的数字普惠金融指数来衡量数字金融发展情况，本文也将其作为衡量我国数字金融发展程度的指标。图2 是2011－2019年分区域数字金融水平的变化趋势图②限于篇幅，数字普惠金融指数三个维度（数字金融的覆盖广度、使用深度、数字化程度）的变化趋势图从略，作者备索。。近年来，各地区数字金融发展水平快速增长，2011年全国数字金融指数均值为40.797，到2019年该数值已达到324.732，增长近7 倍。沿海地区的数字金融水平，及其覆盖广度和使用深度均显著高于其他地区，内陆地区和沿边地区各数据指标均相差不大。

图2 分地区数字金融指数

3.门槛变量

（1）研发投入（RD）。本文用地区R&D 内部支出占GDP 的比值表示RD。

（2）人力资本（HUM）。本文根据我国学制特点和大多文献的做法，用地区平均受教育年限表示HUM。计算公式是：平均受教育程度=（未受教育人数 × 0 + 小学文化程度人数 × 6 + 初中文化程度人数 × 9 + 高中、中专文化程度人数 × 12 + 大专及本科以上文化程度人数 × 16）/6 岁以上人口总数。

（3）制度环境（INS）。本文采用王小鲁等（2017）提出的市场化指数衡量地区制度环境，并参照俞红海等（2010）的做法，通过历年市场指数增长幅度的平均值推导出2017－2019年的INS数据。

4.控制变量

本文选取五个影响因素作为控制变量：（1）政府干预（GOV），由地区政府财政支出总额/GDP 计算得出；（2）外商直接投资（FDI），由地区实际利用外资额/GDP计算得出；（3）产业结构（OIS），由地区第二产业的增加值/GDP 计算得出；（4）地区城镇化水平（URB），由地区城镇人口/总人口计算得出；（5）对外贸易（MX），由地区进出口贸易总额/GDP 计算得出。

5.数据说明

本文采用我国30 个省市（不包括西藏自治区、港澳台地区）的2011－2019年的面板数据资料，数据来自《中国能源年鉴》《区域统计年鉴》《中国环境统计年鉴》，以及Wind 数据库，并且剔除了一些数据缺失的区域，实证结果由Stata14 软件分析得出。

表1 是主要变量的描述性统计，可以看出，解释变量数字金融（INDEX）的最小值为18.3300，最大值为410.2814，二者之间存在较大差距，说明我国数字金融的发展存在一定程度的区域异质性。数字金融的三个维度中，数字化程度的标准差为118.0026，大于其他两个维度，表明我国数字化程度的区域差异性大于其他两个维度。

表1 主要变量的描述性统计

（二）模型设定

1.动态面板模型

为验证假设H1，分析数字普惠金融对GTFP的影响，本文构建动态面板模型，采用两步GMM 估计方法对模型进行估计。相比最小二乘等估计，系统GMM 估计允许随机误差项存在序列相关或异方差，不需要了解随机误差项的具体分布，能得到更为有效的估计结果。模型具体设定如下：

其中，GTFPi,t为i地区第t期的绿色全要素生产率，GTFPi,t-1为其滞后一期项；INDEXi,t表示数字金融，BREADTHi,t、DEPTHi,t 和DIGITi,t分别表示数字金融的三个维度即覆盖广度、使用深度和数字化程度；GOVi,t、MXi,t、FDIi,t、OISi,t 和URBi,t分别表示政府干预、对外贸易、外商直接投资、产业结构和城镇化水平；εi,t是误差项。

2.门槛回归模型

为验证假设H2，明确研发投入、制度环境、人力资本在数字金融对GTFP影响中的调节作用，探究数字金融对GTFP的非线性影响，本文借鉴Hansen（1999）的方法，构建如下面板门槛模型：

其中，RD为研发投入，INS为制度环境，HUM为人力资本，γ、I（·）分别表示门槛值、指示函数，ΣX为控制变量。

五、实证分析

（一）动态面板回归

回归分析前进行VIF 检验，所选变数之间无多重共线性关系。表2 为利用系统GMM 方法对模型进行估计的回归结果。

表2 各列回归结果中，两个检验均接受原假设，表明这几个模型均不存在自相关，且工具变量有效。模型（1）中数字金融的系数为0.0520，且在5%的水平上显著，表明数字金融发展水平每提高1%，会使GTFP增长0.052%，其原因可能是数字经济与传统金融相结合所发展形成的数字金融确实能通过其自身的特点弥补传统金融所存在的不足，利用其覆盖广、速度快等特点可以实现资源的优化配置，假设H1 得到验证。数字金融通过云计算、大数据等技术手段有效缓解信息不对称问题，精准识别出具有创新潜力的投资项目，减少企业逆向选择，从而提高资源配置效率。数字金融能通过数字平台快速有效地连接金融产品服务双方，使其快速建立起直接联系，能扩展金融服务边界，合理引导资金向可持续发展产业转移。其将数字技术应用到普惠金融领域，能有效缓解中小企业的融资约束，并能通过自身存在的一定程度上的绿色属性及其与绿色金融的协同发展，促进经济的绿色发展，从而提高整体GTFP水平。数字金融的三个维度均能有效促进GTFP的提高，其中，使用深度的作用最显著，覆盖广度和数字化程度的影响较弱。使用深度每增加1%时，GTFP就会增长0.0636%。使用深度体现了金融服务的多元性，数字金融使用深度越深，表明金融服务种类越丰富，能为企业提供更全面更高质量的金融服务，缓解企业融资约束，促进实体经济的发展与创新。数字金融提供的信贷、保险、支付、投资、信用等服务，使居民更加便利地享受金融服务，扩大了居民的消费规模与多样性。多元化的消费需求一定程度上促使企业加快技术创新，降低生产成本，提高生产率，带动产业结构的优化升级。

表2 基准回归结果

控制变量方面，政府干预和外商直接投资能正向促进GTFP的提高，且结果显著，这可能是因为用于教育、技术研发等方面的财政支出能有效提高企业的生产率水平。同时，近年来，政府在环境保护、为绿色产业提供补贴优惠等方面不断加大投入力度，这些均能促进绿色发展。随着更加注重引进外资的质量，其带来的先进生产、环保技术、先进产品等所产生的正向外溢效应不断增大，外资企业在不断降低自身污染排放的同时，也能通过技术外溢、市场竞争效应使国内本土企业逐渐提高生产率，降低减污成本，从而促进GTFP的提高。对外贸易对GTFP产生显著负面影响，这可能是因为随着贸易规模的扩张，一国可能需要更多的资源、要素投入。另外，我国长期出口初级产品和较低附加值的产品，这些均会在一定程度上导致能源消耗过多，并加重环境污染问题，这将给我国绿色全要素生产率带来不利的影响。

（二）区域异质性检验

为检验数字金融对GTFP影响的区域差异，本文借鉴郑强（2017）的做法，以沿海地区为参照，引入内陆地区、沿边地区两个虚拟变量。其中，NlnINDEX、NlnDEPTH、Nln-BREADTH 和NlnDIGIT分别表示内陆地区的数字金融发展水平、数字金融使用深度、数字金融覆盖广度和数字化程度。相对应地，YlnINDEX、YlnDEPTH、Yln-BREADTH 和YlnDIGIT表示沿边地区的相关指标。回归结果如表3 所示，从中可以看出，数字金融对三个地区的GTFP均产生促进作用，但对沿海地区的促进作用更大。分维度来看，沿海地区数字金融的三个维度仅能显著促进GTFP的增长，内陆地区的数字金融使用深度和数字化程度对GTFP起正向作用，数字金融覆盖广度对GTFP无明显影响；沿边地区只有数字金融使用深度能促进GTFP增长，且系数为0.0145。总体而言，数字金融对GTFP的影响存在区域差异，这可能是因为数字金融是近几年数字技术在金融业发展的产物，其应用广度与深度还有很大空间，企业融资渠道大多仍然依靠传统金融。沿海地区信息化基础建设较完善，数字金融发展水平较高，创新要素聚集，制度环境较内陆与沿边地区更优。与此对应，内陆与沿边地区数字金融还不够发达且未能与当地资源禀赋、优势产业有效融合，其互联网基础设施等不够完善，数字经济的覆盖程度也相对有限，导致内陆和沿边地区数字金融对GTFP的带动作用不及沿海地区，相关数字基础设施建设，数字金融发展的包容性和普惠性水平还有很大的提升空间。

表3 区域异质性检验结果

（三）门槛回归分析

1.门槛存在性检验

本文以研发投入、制度环境、人力资本作为门槛变量，研究数字金融对GTFP的影响是否会受到这些变量的调节。本文先进行门槛存在性检验，结果如表4 所示，可以看出，三个门槛变量均存在显著的门槛效应，即假设H2 成立。具体来看，数字金融对GTFP在10%水平上存在着基于研发投入的双门槛效应，在1%水平上存在着基于制度环境的双门槛效应。对于人力资本而言，仅有单一门槛值，其他门槛值的P 值均高于0.1，不能通过显著性检验。

表4 门槛存在性检验

表5 列示了各变量的门槛值和置信区间，从中可以看出，30 个省份研发投入的均值只跨越了其第一重门槛值，而制度环境和人力资本的均值均未跨过其相应的门槛值。

表5 门槛值与置信区间

2.门槛回归结果分析

表6 是门槛回归结果。由表6 模型（9）可以看出，当研发投入未跨越第一重门槛时，数字金融对GTFP的影响系数为0.0023，且未通过显著性检验；研发投入水平在0.0145～0.0400 时，数字金融的系数为0.0233，且在5%水平上显著；研发投入跨越第二重门槛后，数字金融对GTFP有显著的促进作用，系数为0.0524，且在1%水平上显著。模型（10）表明，只有当制度环境跨越了第二重门槛，数字金融才能对GTFP产生显著的正向影响。模型（11）表明，只有当人力资本水平跨越其单一门槛值后，数字金融才能显著影响GTFP。根据该回归结果可知，研发投入、制度环境、人力资本水平在数字金融影响GTFP的过程中均起到了重要的调节作用，并且只有当三者达到一定发展水平后，数字金融才能显著地促进GTFP的增长。持续的科研投入推动大数据、人工智能技术不断革新升级，才能为数字金融发展奠定坚实基础，增强其抵御风险的能力。金融监管的及时介入，良好的制度环境有助于防范重大金融风险，矫正数字金融向其他领域过度扩张，促进金融平台持续规范发展，引导数字金融更好地服务于实体经济。相关数据①限于篇幅，各省份研发投入数据从略，作者备索。表明，2019年沿边地区7 个省市的研发投入水平均未跨过第一重门槛，对于制度环境水平，只有重庆、北京、江苏、福建、上海、广东、浙江和天津跨越了第二重门槛值。研发投入、制度环境等的区域差异一定程度上导致了数字金融对GTFP影响的区域异质性。

表6 门槛回归结果

（四）稳健性检验

为保证回归结果的稳健性，本文使用最小二乘估计、固定效应模型分别对原数据进行回归，以及对被解释变量GTFP按照上下1%缩尾处理后重新使用两步系统GMM 进行回归，结果见表7。可以看出，各模型中数字金融的回归系数虽有所差别，但均显著为正，说明原模型的估计是有效的。

表7 稳健性检验结果

六、研究结论与政策建议

本文运用系统GMM 模型和门槛模型研究了数字金融对我国绿色全要素生产率的影响，得出了如下结论：

第一，金融作为推动绿色发展的重要力量，其新的表现形式——数字金融，能显著促进绿色全要素生产率的提高。数字金融的三个维度对绿色全要素生产率都存在着影响，其中以数字金融使用深度的影响最为突出。

第二，数字金融对绿色全要素生产率的影响存在着区域差异，沿海地区的正向促进作用大于内陆与沿边地区。三个地区的数字金融使用深度均能显著促进绿色全要素生产率的提高；沿海地区的数字金融覆盖广度能促进绿色全要素生产率水平提高，内陆与沿边地区数字金融覆盖广度的作用不显著；沿海与内陆地区的数字化程度能有效促进绿色全要素生产率，沿边地区的数字化程度对绿色全要素生产率无显著影响。

第三，数字金融对绿色全要素生产率的影响存在基于研发投入和制度环境的双重门槛效应，只有当研发投入或制度环境跨越第二重门槛值后，数字金融对绿色全要素生产率才起到显著的正向作用；同时，数字金融对绿色全要素生产率的影响存在基于人力资本的单一门槛效应，其正向促进作用只有在超过门槛值之后才能显著发挥。

基于上述研究结论，本文提出如下政策建议：

第一，加快发展数字金融业务，使其更加丰富，更加全面。政府应致力于提高数字金融发展质量，继续金融创新，提升金融服务广度与效率、普惠性与精准度。推动大数据、人工智能技术不断革新升级，增强抵御风险的能力，为数字金融发展奠定坚实基础。数字金融的发展需要以网络设施为载体，应加大互联网设施投入力度，拓宽数字金融服务边界，特别是传统金融很难覆盖到的偏远地区，提高主体触达率。

第二，推动数字金融与绿色金融同向而行，融合发展。有关部门应有针对性地降低融资门槛，为绿色产业和符合经济发展方向、能在未来创造极大产能的企业创造更多融资机会，降低融资成本，不断提升数字金融的包容性和普惠性。制定相关政策，鼓励创新型人才加入金融科技产业，推动数字金融与实体经济深度融合，助力绿色发展。

第三，根据不同地区的要素禀赋以及发展差异，有针对性地拓展数字金融相关业务。相关金融政策应向内陆与沿边地区倾斜，促使金融资源向这些地区流动，使其释放出后发优势。建设地区间合作平台，加大欠发达地区信息基础设施建设，不断提升互联网发展水平，消除地区间的数字鸿沟。加大文化教育力度，向农村地区人民普及数字金融相关知识，让数字金融助力区域间协调发展。

第四，完善数字金融发展的制度环境与知识产权保护体系，培育自由规范的营商环境，激发企业家精神。国家应对金融科技企业以及数字金融相关业务进行税费补贴与减免，营造良好的政策环境，让数字经济产业成为推动绿色发展的重要力量。加强数字金融监管力度，提高金融监管工作效能，防止数字金融无序发展、杠杆率加剧等情形出现。