数字金融与碳排放效率:理论分析与实证检验

兰忠菊, 麦强盛

(西南林业大学 会计学院,云南 昆明 650224)

全球气候变暖、生物多样性受到威胁、极端天气等问题不断出现,引发人们开始反思人与自然的关系问题,而气候变化是这一关系中非常重要的因素[1],二氧化碳(CO2)是造成这一系列问题的主要温室气体[2],因而如何降低CO2排放量引起了全世界的广泛关注。中国也积极采取了许多措施,如不断推进碳排放权交易市场的完善、自愿减排项目、发展碳金融等。2020年我国作出“双碳”承诺,这对新时代新阶段的碳减排提出了更高的要求。实现这一减排目标并发展绿色低碳经济不能仅靠末端的治理,而应顺应数字化时代,合理利用数字技术、云计算、互联网等方式。其中,金融是现代经济发展的核心,本身具有资源配置、价格发现、调动储蓄以及促进专业化[3]等优势,因此可以采取有效的金融手段提升碳排放效率。

数字化时代,金融需要激发数据资源潜能,以金融数字化转型推动生产、生活等方式转型。因此以大数据、移动互联网、云计算、区块链等信息技术手段为基础的数字金融应运而生并迅速发展,其旨在实现金融发展的普惠性和平等性,可有效改善传统金融“普而不惠”的问题[4]。与传统金融相比,数字金融以更低的成本、更广的服务范围和更普惠便捷的服务方式为更多市场主体提供更加高效可持续发展的金融服务,使数字金融成为经济高质量发展的重要支撑点[5]。然而,数字金融能否提升碳排放效率,其内在作用机制如何?邻近地区数字金融发展是否对其他地区数字金融发展、碳排放效率提升产生空间非线性溢出效应?为回答这些问题,本文拟通过测度中国30个省区市碳排放效率,运用空间计量方法分析数字金融对碳排放效率的影响及内在作用机制。

一、文献综述

近年来,有关绿色低碳和碳减排的研究主要集中在碳排放效率的概念、估计方法以及影响因素方面。碳排放效率的定义可从单要素和全要素角度界定。单要素角度下,其可界定为一个国家或地区单位GDP增长所带来的碳排放量,即碳排放强度或潜在碳强度与实际碳强度之比[4]。全要素角度下,其可界定为在一定条件下,能源、资本、劳动力等其他变量不增加时,所带来的最大的经济产出或最小的碳排放量[6],由于全要素视角可以将要素、环境、经济等方面有机结合起来,测量结果更加全面[7]。在测度方法上,主要有随机前沿方法(SFA)[8]和数据包络分析(DEA)[9]。SFA可能因设定的技术非效率项和具体的生产函数不合适而存在结构偏差,而DEA具有不需要设定具体函数形式等优势,因而使得DEA及扩展模型被广泛运用于效率测算中,如超效率DEA模型[10]、SBM模型[11]、非径向方向距离函数(NDDF)[4]等。本文在全要素角度概念基础上,运用超效率非期望产出SBM模型测量碳排放效率[12]。

随着碳减排政策的不断推进,众多学者开始探索影响碳排放的因素,如碳试点政策[13]、碳排放权交易制度[1]、技术进步[14]、环境规制[3,12,15]、城市化水平[16]、人口密度、外商直接投资及经济发展水平[17]等。在众多影响碳排放的因素中,金融发展对碳排放也具有重要的影响[18]。一方面金融发展抑制了碳排放[18-19],即金融发展通过技术创新[20]、技术进步[21]、吸引外商投资[22]、经济增长[23]、产业结构调整[24]等渠道对碳排放产生负面影响。另一方面金融发展也促进了碳排放[2,21]。金融发展通过增加能源消费[25]、倾向于满足自然资源密集型污染企业的融资需求[3]、加快城市化水平[26]、降低融资成本[2]等渠道促进经济高速增长,使得碳排放量增加。此外,也有学者认为金融发展与碳排放之间存在倒U关系[20],其对碳排放的具体影响取决于积极和消极影响的相对大小。

数字金融作为传统金融与现代数字技术融合的新金融形态[27],其对碳排放也具有不同影响。Wang等以中国284个城市的面板数据为基础,利用空间杜宾模型证实了数字金融在促进产业结构升级、经济增长和技术创新时,会增加本地城市的碳排放量而降低邻近城市的碳排放量[23]。邓荣荣和张翱祥选取我国2012-2018年285个城市的面板数据,利用面板回归模型、中介效应等方法证明了数字金融能够促进经济增长、技术创新和产业结构调整,从而降低碳排放强度[27]。此外,王元彬等基于中国2000-2019年城市面板数据,运用机器学习模型发现数字金融通过促进数字科技产业化、加快传统产业数字化渠道降低了碳排放量[28]。Zhao等认为数字金融通过吸引外资、降低融资成本、增强消费者环保意识等方式降低碳排放量,同时又由于技术创新突破了时空限制,为偏远地区提供多元化金融服务,促使该地区投资于粗放型经济活动,扩大经济规模进而促进碳排放量增加[29]。王军等以2011-2019年制造业上市公司为研究样本,基于拓展内生增长模型发现,数字金融对制造业碳排放强度存在“先促增后抑制”的非线性关系,且这种关系主要取决于规模效应和技术效应的权衡[30]。

综上所述,有关数字金融对碳排放的影响研究未形成一致结论,且较少从碳排放效率视角出发。因此,本文采用超效率非期望产出SBM模型估计我国2011-2019年30个省区市碳排放效率,通过构建面板空间计量模型、中介效应模型以及门限回归模型分析数字金融对碳排放效率的空间非线性溢出效应及作用机制。

二、理论分析与研究假说

数字金融的优势在于其以数字化的现代科技手段实现资源的优化配置、降低资金准入门槛、缓解融资约束、为偏远地区提供金融服务,使金融的普惠性和平等性得以实现,更加突显其服务面广、速度快和成本低的特点[31]。数字金融以信息技术手段突破时空限制,使企业更加精准及时地追踪消费者需求信息,减少企业线下获取相关信息而产生的碳排放量,进而有利于碳排放效率的提升,同时也有利于建立起企业和金融机构共生共融的长期融资关系[32],使企业获得充足资金以实现产业结构升级和技术创新,从而降低碳排放量[24]。

数字金融的发展促进了经济的增长,提高了经济效率[25],进而吸引外国投资者将其先进技术带入本国,进一步促进本国企业技术创新,提升碳排放效率,但外国投资的增加也可能产生“污染避难所”效应[27],不利于本国碳排放效率的提升。与此同时,经济的增长将带来生产规模的扩大,进而增加能源消耗[33],能源消耗的增加反过来也会刺激经济增长[26,34]。经济增长使国家有充足的资金进行金融体系建设,以提升金融市场化水平,从而最大化发挥金融市场的资源配置功能,拓宽企业的融资渠道,进一步使企业以更低的成本获得资金来扩大生产规模,最终导致碳排放增加[2],从而降低了碳排放效率。基于此,本文提出以下假说1:

H1:数字金融可能提升或降低碳排放效率。

数字金融的快速发展通过对传统产业的数字化赋能推动产业结构升级[28,35],使生产要素从低效率的部门和产业向高效率的部门和产业转移[23,27],实现资源的优化配置,降低经济活动对稀缺资源的依赖程度,有利于碳排放效率的提升。此外,在产业结构升级过程中,创新发挥着重要作用。数字金融作为一种金融创新可有效解决产业结构升级中的融资问题并引导资金流向回报率高的产业,倒逼企业创新转型,增强其技术研发能力,推动技术创新,改善能源消费结构[36],增加清洁低碳产品的开发和使用,从而降低碳排放。数字金融促进产业结构升级和技术创新,提升了碳排放效率,而碳排放效率的提升使能源服务更加便宜,促进能源服务消费,进而可能抵消原本可以节约的能源[37],引致碳排放效率的降低。基于此,本文提出以下假说2:

H2:数字金融通过促进产业结构升级和技术创新对碳排放效率造成影响。

三、研究设计

1．变量说明及数据来源

(1)被解释变量 碳排放效率(carbon)。借鉴王东和李金叶[12]的方法,本文选择DEA的扩展模型超效率非期望产出SBM模型来估计碳排放效率。指标层面参考王东和李金叶[12]、贺茂斌和杨晓维[38]的做法,选取能源、劳动和资本作为投入要素,地区生产总值作为期望产出,地区CO2排放量作为非期望产出。其中,能源以各地区能源消费总量衡量,劳动以各地区上年末就业人数与本年末就业人数均值衡量,资本则以2010年为基期,根据永续盘存法计算而得[39]。以上变量原始数据源自《中国统计年鉴》、各地方统计年鉴,CO2排放量数据源自中国碳核算数据库(CEADs)。

(2)解释变量 数字金融(index)。借鉴北京大学中国数字金融研究中心公布的第三期数字普惠金融总指数衡量数字金融。

(3)中介变量 产业结构升级(ind)用第三产业增加值与第二产业增加值的比值表示;技术创新水平(inn)用每万人人均专利授权数量表示。

(4)控制变量 政府规模(gov)用政府财政支出与GDP比值表示;科技研发支出(tech)用科技支出与财政支出比值表示;经济发展水平(eco)用人均GDP取对数表示;人口密度(den)用城市单位面积人口数取对数表示;外商投资(fdi)用外商投资总额占GDP的比重表示;城市化水平(ur)用城镇人口比重表示。中介变量与控制变量数据源自《中国统计年鉴》、各地方统计年鉴。本文指标数据均为中国2011-2019年30个省区市(不含西藏自治区、台湾省、香港和澳门特别行政区)的面板数据,共计270个样本数据。

2．模型设定

从理论分析可知,数字金融对于碳排放具有一定的影响,为了研究数字金融对碳排放效率的影响,首先构建基准回归模型:

(1)

其中:i表示省份;t表示年份;carbon表示碳排放效率;index表示数字金融;control表示控制变量;ui为个体效应;λt为时间效应;εit为随机干扰项。

如果只考虑普通面板回归模型,易忽略变量的空间依赖性,这是因为区域间经济社会的发展越来越密切,各区域间的相互影响越来越大;因此,本文选择空间计量模型以克服碳排放效率的空间依赖性可能导致的模型结果误差。比较经典的空间计量模型主要是空间滞后模型(SAR)和空间误差模型(SEM)。SAR检验其他地区的因变量对本地区因变量的各种空间外溢效应,其反映的空间自相关性是一种内生交互效应;SEM度量其他地区被解释变量的随机扰动项冲击对本地区观测值的影响程度,其体现的是一种外生交互效应。构建的SAR和SEM模型如下:

(2)

(3)

其中:δ、φ、π、τ都是系数;W是空间权重矩阵,本文的空间权重矩阵选择空间地理距离矩阵替代。

为验证产业结构升级和技术创新水平在数字金融对碳排放效率的影响过程中是否发挥中介作用,本文引入如下中介效应方程进行检验:

(4)

(5)

(6)

若式(4)中β1、式(5)中u1和式(6)中r2、r3均显著,则表明产业结构升级和技术创新存在中介效应;若其中有一个系数不显著,则需要进一步的检验,以判断是否存在中介效应。

四、研究结果分析

1．基准回归分析

Hausman检验结果表明,本文选择固定效应模型比较适用。由表1列2可知,在控制其他变量不变的情况下,数字金融对碳排放效率存在显著的负向影响,表明数字金融在促进经济增长的同时导致了能源消费需求增加[33],从而降低了碳排放效率,初步验证了假说1。控制变量中,政府规模、科技研发支出和外商投资不利于碳排放效率的提升,其中仅有外商投资存在显著影响。政府对市场的适当干预,可以有效解决市场失灵带来的问题,维持社会稳定性,如加强对污染物排放较大的企业的监管,制定有效措施完善碳交易市场交易,提高碳市场交易效率,从而提高了碳排放效率;但政府对市场的过度干预会导致市场资源配置扭曲,使得市场的自我调节功能缺失,降低了碳排放效率。科技研发支出一方面可促进技术进步,扩大经济规模,刺激了生产和消费,降低了碳排放效率;另一方面技术的进步,可增强企业自主研发能力,开发和使用绿色低碳产品,利于碳排放效率的提升。中国环境法规的相对宽松[3]使得外国投资者将其重污染的产业转移到中国,增加了我国污染物排放量,降低了碳排放效率。城市化水平对碳排放效率存在正向影响,但不显著,原因可能是城市化水平的提升加剧了产业结构调整,提升了碳排放效率[24],同时交通运输部门和商业部门快速发展和家庭能源消费方式的改变,使得城市家庭能源消费是农村家庭的两倍[40],降低了碳排放效率。人口密度对碳排放效率存在正向影响,但不显著,可能的解释是:一方面人口密度的增加,使得生产要素、资源集中,提升了生产要素和资源的利用效率,进而提升了碳排放效率;另一方面人口密度的增加带来能源消费增加,降低了碳排放效率。

表1 基准回归、内生性和稳健性检验

考虑静态面板固定效应中的内生性问题。首先,通过在两阶段系统GMM估计中加入因变量滞后四期来建立动态面板模型,结果见表1列3所示;AR(1)和AR(2)结果表明,误差项不存在二阶序列自相关,Sargan检验结果拒绝了工具变量过度识别假设,说明两阶段系统GMM估计缓解内生性问题是有效的。其次,考虑到数字金融是以互联网为依托的事实,借鉴许钊等[41]、贺茂斌和杨晓维[38]工具变量的选择,在2SLS回归中选取互联网普及率(idg)作为数字金融的工具变量进行分析,结果见表1列4所示。Anderson canon LM统计值表明不存在工具变量识别不足问题,Stock-Yogo弱工具变量10%显著性水平下的临界值小于Cragg-Donald WaldF统计值和Anderson canon LM统计值,说明本文选择的互联网普及率并非弱工具变量,该工具变量是有效的。为了增强实证结果可靠性,本文将数字金融替换为数字金融覆盖广度来验证结果的可靠性,检验结果见表1列5所示;数字金融覆盖广度的显著性及影响方向都没有变化,只有系数值有所变化,证实了回归结果相对稳健性。

2．空间溢出效应分析

(1)空间自相关检验 本文利用莫兰指数检验在地理距离权重矩阵下数字金融和碳排放效率的空间自相关性。由表2可知,2011-2019年,中国各省份碳排放效率全局莫兰指数大部分显著为正,且从2012年开始相关性呈现出递减趋势,在2019年转变为负相关,说明随着时间推移,我国各地区碳排放效率空间集聚状态在逐渐减弱,可能是我国各地区基础条件、资源禀赋、经济发展模式不同以及技术进步边际效应递减所致,进而使各地区制定的碳减排政策存在差异;数字金融全局莫兰指数全部显著为正,相关性呈现出递增的状态,说明各地区金融发展越来越紧密,数字金融、技术、知识的空间溢出效应以及邻里模仿能力等增强,体现出我国碳排放效率与数字金融存在高度空间依赖性,为后文进一步进行空间计量模型回归提供了依据,但两者空间自相关性变化趋势相反,数字金融对碳排放效率可能产生负向影响。

表2 碳排放效率与数字金融全局莫兰指数

(2)空间计量模型结果分析 表3中LM检验结果显示,空间误差模型的LM检验和稳健的LM检验结果显著性均优于空间滞后模型,且空间误差模型的R2相对更高,因此本文选择空间误差模型进行分析具有相对更好的适用性。为增加结果的可比性,本文同时列出了空间滞后模型的结果。空间误差模型的空间误差系数为0.607且在1%水平下显著,表明碳排放效率存在显著的空间溢出效应,碳排放效率除了受到数字金融、其他控制变量的影响,还受到模型中未考虑的其他因素的影响。从估计结果可知,当数字金融每增加1个单位,碳排放效率将降低0.043个单位,即数字金融对碳排放效率存在显著的负向影响,该结果与基准回归结果一致。可能的原因有:微观层面,在国家绿色低碳转型和环境规制压力下,重污染企业被迫转型使得其边际成本上升,而数字金融的低成本优势则获得重污染企业青睐,增加企业研发投入,但真正实现技术突破及应用推广周期较长,短期内企业为了生存加之市场上绿色产品的需求不足使得该类企业仍然生产非绿产品以寻求利润增长点,此时数字金融的“规模效应”大于“技术效应”[30],即数字金融降低了企业资金成本,扩大了企业生产经营规模,能源消费随之增加,因而降低了碳排放效率;金融机构为积极响应国家低碳政策,增加对绿色企业的信贷支持,降低对绿色企业的信贷要求,仅注重信贷总量而忽视信贷质量,进而导致部分绿色企业出现“过绿、漂绿”现象,隐形增加了非清洁能源消费量。宏观层面,在主要以工业促进经济发展的地区,在缺少有效的激励机制以及政绩压力的影响下,政府可能干预信贷资源配置,财政支出偏好于带来地区经济增长的工业,不利于国家低碳政策实施;国家绿色低碳转型政策的实施需要加大对新技术、低碳能源基础设施的投入,有利于数字金融的发展,使得非绿企业也能享受数字金融红利,加之企业逐利的本质,从而扩大生产规模,加重了环境污染。控制变量对碳排放效率的影响方向及显著性基本一致,且与基准回归结果一致,各控制变量均对碳排放效率产生了一定影响,具体原因已在基准回归中进行了解释。结合基准回归分析结果表明数字金融降低了碳排放效率,H1得到验证。

表3 空间计量模型回归结果

3．机制分析

式(4)～(6)结果见表4所列。表4列(1)和列(2)估计结果显示,数字金融系数通过了1%的显著性水平检验,说明数字金融促进了林业产业结构升级和技术创新。表4列(3)数字金融系数通过了1%的显著性水平检验,即数字金融每增加1个单位,碳排放效率提升0.242个单位;产业结构升级和技术创新对碳排放效率也具有显著的正向影响,说明产业结构升级和技术创新发挥了部分中介效应,且产业结构升级和技术创新缓解了数字金融对碳排放效率的抑制作用,结合理论与实证分析,本文发现产业结构升级和技术创新共同作用可有效解决数字金融对碳排放效率的负向效应,H2得到了验证。

表4 中介效应结果

4．稳健性检验

为了增加研究结果的可靠性,本文主要通过以下方式进行验证:一是以空间邻接矩阵代替空间地理距离矩阵,二是对因变量、自变量和控制变量进行1%缩尾处理,对于缩尾处理后存在缺失值的变量,本文以该变量对应的年份的均值进行填充。稳健性检验结果见表5所列。从表5结果可知,解释变量数字金融除了系数大小发生变化外,显著性及符号均未发生变化;控制变量中,除了城市化水平发生显著性变化外,其余变量显著性和符号均未发生显著变化,验证了本文估计结果的可靠性。

表5 稳健性检验结果

5．异质性分析

考虑到各地区经济发展水平不同,由此可能导致数字金融发展水平差异,对碳排放效率的影响也存在异质性,因此本文就数字金融不同维度和地区差异进行异质性分析。

(1)数字金融不同维度差异 参考郭峰等[42]测度的数字金融指数体系,将数字金融细分为数字金融覆盖广度、使用深度和数字化程度三个维度。三个维度的空间回归结果见表6所列。由表6可知,在控制其他变量不变的情况下,数字金融三个维度均对碳排放效率存在显著的负向影响,但三个维度的影响程度存在差异,数字金融使用深度对碳排放效率的影响最突出。具体而言,数字金融使用深度每增加1个单位,将导致碳排放效率降低0.042个单位,因此各地区在利用数字金融带来的优势时,应控制其发展程度,不可过度扩大使用深度等。同时三个维度下碳排放效率均存在显著的空间溢出效应,说明本地区碳排放效率除了受到数字金融的影响,还会受到邻近地区碳排放效率误差冲击的影响。

表6 数字金融分维度结果

(2)地区差异 本文依据国家统计局的地区划分标准,将30个省区市划分为东、中、西部进行区域异质性分析。由表7可知,东、中、西部的数字金融均对碳排放效率存在显著的负向影响,但根据数字金融系数大小可知,东、中、西部经济发展水平依次递减,数字金融对碳排放效率的负向影响程度依次递增,说明经济发展水平越高,越有利于提升碳排放效率,但也应注重经济质量的提升。此外,东部碳排放效率不存在显著的空间溢出效应,中、西部碳排放效率存在显著的空间溢出效应。

表7 分地区结果

6．门槛效应分析

以往关于数字金融与绿色低碳发展的研究发现,数字金融发展存在地区差异,数字金融对碳排放或环境污染存在一种“倒U”或“倒N”的非线性关系[20,31,41]。为了验证数字金融对碳排放效率的非线性关系,本文运用面板门限回归模型进行检验。以单一门限为例,构建数字金融与碳排放效率的门限回归模型:

(7)

其中: γ1为门限值;数字金融(index)为门限变量,也是门限效应变量;I(·)是示性函数;其余变量含义与基准回归模型相同。

为了检验是否存在门槛效应,采用似然比检验来确定门槛效应以及门槛个数。由表8可知,只有单一门槛在5%的显著性水平下通过检验,其余门槛均不显著,因而初步确定门槛效应为单一门槛。

表8 门槛效应检验结果

在检验存在单一门槛的基础上进行门槛回归估计,由表9可知,当数字金融发展水平低于1.038时,估计参数为-0.057且在1%显著性水平下显著;当数字金融发展水平大于1.038时,估计参数为-0.154且在1%显著性水平下显著,说明随着数字金融发展水平的提高,突破1.038门槛值时,数字金融对碳排放效率的负面影响将显著增大。可能的解释为数字金融发展初期,数字化基础设施不完善,数字金融的优势未得以充分体现,同时接受金融服务的群体对数字金融效用持怀疑态度,因此数字金融的利用率不高,对碳排放效率的负效应较小。数字金融进入加速发展时期,数字金融的数字化、便捷性、低成本性等特征逐渐显现,经济增长效应得到普遍认可,国家出台相关政策支持数字金融发展,而数字金融风险的监管措施不完善且滞后,接受金融服务的群体环保意识薄弱,不断利用数字金融增加其利润而忽视污染治理,进一步扩大了碳排放效率负效应。

表9 门槛回归结果

五、结论与建议

本文以我国2011-2019年30个省级面板数据为样本,多维度分析数字金融对碳排放效率的影响。研究结果发现:第一,数字金融抑制了碳排放效率的提升,考虑内生性问题并进行稳健性检验后均得出一致结论;第二,产业结构升级和技术创新的中介作用将数字金融对碳排放效率的负效应转变为正效应;第三,数字金融、碳排放效率存在显著的正向空间自相关性,且碳排放效率具有空间溢出效应;第四,数字金融对碳排放效率的影响存在显著的维度差异和地区差异,但碳排放效率在东部地区不存在空间溢出效应;第五,数字金融对碳排放效率的影响存在非线性关系,突破门槛值后,其负面影响将显著增加。

基于以上研究结论,本文提出以下政策建议:第一,完善数字基础设施建设,推进数字金融适度发展,匹配碳减排政策的需求。数字金融依托数字技术得以快速发展,完善的数字基础设施可为数字金融的发展提供保障。同时应注重数字金融的发展与碳减排政策的实施相匹配,超前或滞后均不利于发挥数字金融的碳减排效应。第二,建立健全各类风险监管体系,加强风险监管力度。数字金融的普惠性满足了各类企业和地区金融服务需求,同时也增加了金融风险的监管难度。因此,中央和地方政府、监管机构应根据各类风险特点,针对性地制定风险监管措施,完善风险监管体系建设,加大风险监管力度。第三,增加对技术创新、产业转型升级的资金投入,完善环境法规建设。可以利用数字金融具有的拓宽融资渠道的优势增加对技术创新、产业转型升级的资金投入,以解决产业转型过程中的技术问题,充分发挥三产融合发展的减排优势;此外应提高我国环境准入标准,防止重污染产业迁入。第四,因地制宜制定和实施数字金融政策。对东部而言,政府应注重数字金融发展质量的提升,企业应强化数字金融技术、产品和服务创新,以满足金融服务消费者多样化需求,实现金融供需平衡,进而推动数字金融发展质量的提升。对中西部而言,政府应增加对数字基础设施的投资,夯实数字金融基础,从而引导企业加强落实数字金融政策,助力企业应用成果转化,缩短地区间的差异,发挥数字金融质量提升带来的碳减排效应。