科技金融、智能制造与绿色技术创新——基于省际面板数据的实证研究

张 兵，孙明欣，钱昕怡，黄永春，2

（1.河海大学商学院，江苏南京 211100；2.河海大学社会科学研究院，江苏南京 210098）

原有高消耗支持高增长的发展模式加重了环境负荷，衍生出资源枯竭、环境污染等严重的生态问题。这些问题制约着经济的高质量发展，我国亟须转变固有发展方式，以破除经济增长面临的环境桎梏。转变发展方式的关键在于绿色技术创新，绿色技术创新可以有效减少对自然资源依赖并降低污染物排放，进而形成“经济效益+环境质量”的协调发展模式。然而，由于绿色技术创新周期长、融资难和知识储备不足等原因，我国仍存在绿色技术创新乏力的问题［1］，具体表现为绿色相关专利占比不高、绝对量偏小［2］，阻碍了绿色技术创新对经济效益的拉动和生态效益的改善。基于此，国务院出台《2030年前碳达峰行动方案》，明确提出加快绿色低碳科技创新变革，从国家战略层面明确了绿色技术创新在实现“双碳”目标和可持续发展中的重要地位。与此同时，在国家科技金融政策的实施下，大批资金被注入绿色创新项目，助力绿色发展迎来新一批创新机遇。那么，科技金融能否成为激励绿色技术创新的新引擎？在绿色技术创新质量和数量的提升上作何表现？其促进绿色技术创新活动发生的传导机制是什么？这些是值得探究的问题。

1 文献回顾

现有关于绿色技术创新的研究主要围绕驱动机制和实现路径展开。为采取精准措施促进绿色技术创新，发挥其对生态环境的改善作用，学术界从不同角度探讨了绿色技术创新的驱动机制。如：文书洋等［3］基于可持续增长理论，解释了绿色金融支持绿色技术创新的功能；万骁乐等［4］运用动态视角不同环境战略与绿色创新绩效的复杂关系；王洪庆等［5］肯定了高新技术产业的专业化集聚和多样化集聚与绿色创新效率的关系。在此基础上，学者们提出绿色技术创新的实现路径。如，陈国进等［6］指出融资激励对绿色技术创新的提升效果；朱于珂等［1］表明可以通过环保目标责任制改革，强化企业绿色技术创新倾向；苏屹等［7］认为优化产业集群发展模式能够打通能源产业的技术壁垒，从而带动绿色技术创新绩效提升。然而，仍有学者指出绿色技术创新的高调整成本和高不确定性带来的融资约束尚未被妥善解决［8］，这阻碍了绿色技术创新的进一步开展，而科技金融正是针对这一掣肘难题提出的解决方案。区别于传统金融体系的理性预期和回避风险特征，科技金融专用于为技术创新活动提供金融资源，进而将金融资源融入绿色技术创新链条，有效促使企业选择绿色技术创新战略，最终推动区域绿色技术创新。根据以往研究，刘亦文等［8］指出科技金融能够有效减少企业融资约束；顾江寒等［9］从资源视角探究科技金融试点政策对绿色技术创新的影响效果，得出该试点政策有助于提升城市绿色创新水平和绿色全要素生产率的结论；冯永琦等［10］认为科技金融试点政策会推动二线城市产业结构合理化进程、提升三线城市产业结构高度化质量。与此同时，也有学者肯定了智能制造对绿色技术创新的影响。如，占华等［11］认为智能化发展会增加企业人力资本积累，从而为绿色创新提供人员保障；周杰琦等［12］则从产业结构方面探讨了智能制造对绿色技术创新的促进作用；聂飞等［13］指出在追求高生产效率的目标下，企业会更有动力发展智能制造以期获得更高生产效益。然而目前，智能制造的推动因素尚未明晰，而科技金融作为专项技术创新支持资金，或可诱致智能制造，进而发挥智能制造对绿色技术创新的驱动效果。

综上所述，既有文献关于科技金融与绿色技术创新的研究较为有限，且限于从科技金融资源角度探讨科技金融对绿色技术创新的影响效果，而直接建立科技金融、智能制造与绿色技术创新关联的文献则更为匮乏。基于此，本文利用2009—2020 年我国30 个省份（未含西藏和港澳台地区，下同）的面板数据，实证检验科技金融与绿色技术创新的关系。首先，从提供科研资金支持、优化绿色资金配置、分散绿色技术创新风险的角度考察科技金融对绿色技术创新的影响；其次，从智能制造的视角出发，探讨机器人渗透度和数智技术升级在科技金融与绿色技术创新间发挥的传导渠道作用；最后，立足各地区媒体关注度、市场化水平、工业化水平和知识产权保护力度不同的现实情景，从异质性因素方面探究科技金融对绿色技术创新的差异化激励效果。这有助于厘清科技金融、智能制造和绿色技术创新之间的关系，进一步发挥科技金融在绿色技术创新中的作用。

2 理论分析与研究假设

2.1 科技金融与绿色技术创新

科技金融能够破除绿色技术创新的资金桎梏，提高绿色技术创新的质量与数量。绿色技术创新囿于投入大、风险高、回报周期长等特性，面临融资乏力的难题［9］，这限制了企业绿色技术创新的冲动，使企业倾向于推迟或回避绿色技术创新［14］。而科技金融作为将金融资本和创新主体深度融合的新经济范式［15］，在提供科研资金支持、优化绿色资金配置、分散绿色创新风险方面对绿色技术创新具有显著促进作用［16］。企业作为创新主体的基本构成，科技金融对企业绿色技术创新的促进作用也会扩展到区域层面［17］，从而促进区域绿色技术创新。首先，科技金融为企业提供科研资金支持，保障绿色技术创新的物质基础。就政府科技金融而言，政府在考察企业创新能力后，对符合标准的科技型企业进行创新型财政扶持（如设立科技创新引导基金、贴息贷款和税收优惠等），引导资金进入科技型企业。同时，政府对企业的投入行为给外部投资者释放其对该企业前景和能力认可的多重信号，从而带动金融机构和资本市场资金的跟进［18］。就市场科技金融而言，金融机构通过设置科技支行、组建科技小贷公司，撬动社会资金参与；资本市场通过股权投资赋能创新项目，降低企业融资门槛。可见，科技金融赋予企业充裕的科研资金，在此情况下，企业会提高对绿色技术创新的关注度［9］，从而提高区域绿色技术创新质量和数量。其次，科技金融引导绿色资金配置，贴合绿色技术创新的投资导向。科技金融引领金融资源向绿色低碳领域（如节能环保产业、新能源产业和生物产业等）倾斜［19］，激励产业内开展绿色技术创新活动，加快绿色产品更新迭代，从而提高绿色技术创新数量。此外，资金流入也会诱致研发部门探索绿色技术“卡脖子”领域的突破方向，由增量式创新转向颠覆式创新，进而提升绿色技术创新质量。最后，科技金融分散绿色创新风险，稳定绿色技术创新的成果产出。科技金融通过投资主体多元化使横向分散风险成为可能，具体表现为：以政府、资本市场、创业风险投资机构和金融机构为投资主体的科技金融可以将风险横向分摊到不同供给方，有效规避风险过高对投资者的阻碍作用。这有助于提高各主体的投资意愿，帮助企业获取稳定的资金流以化解流动性风险［19］，进而促使企业有意向开展绿色技术创新项目，保持绿色技术创新数量的可持续增长。由此可见，科技金融能够有效推动资金链和创新链的互融互促，最终实现绿色技术创新质量和数量的提升。基于此，文章提出如下假设：

假设1：科技金融对绿色技术创新具有显著正向影响，且能促进绿色技术创新的提“质”增“量”。

2.2 科技金融、智能制造与绿色技术创新

智能制造将机器人和数智技术融入制造活动的各环节，在产品高效率生产、个性化定制和集约化管理等方面优势凸显［20］，出于效益最大化导向，实现智能制造以提高生产管理效率和价值创造水平成为企业培育竞争新优势的必然选择。然而，受内部融资不足和传统金融体系的限制，企业无法依靠自身承担更新迭代智能设备、研发升级智能技术而衍生出的高昂成本［21］，必须通过外部融资寻求充裕的资金以实现智能制造。在此情况下，以推进技术创新为着力点的科技金融应运而生。已有研究证实，金融规模与智能制造水平呈现正相关关系［21］，这表明科技金融资金对实现智能制造有激励作用。鉴于机器人和数智技术是智能制造的重要因素［22］，对科技金融、智能制造与绿色技术创新的传导途径探究围绕机器人渗透度和数智技术两方面展开，作用机制如图1 所示。

首先，科技金融通过缓解企业融资约束增加机器人渗透度，进而发挥劳动雇佣效应，最终促进绿色技术创新。科技金融能够为企业注入资金，缓解企业因传统金融体系的融资歧视而造成的外部融资不足问题；同时，政府资金和金融市场资金为载体的多元投资方式，拓宽了企业融资渠道，进一步破解企业智能制造面临的资金不足障碍。研究证实，企业为追求更高生产效率，在充裕资金下会提高机器人渗透度［21］，而机器人渗透度的攀升会对绿色技术创新产生劳动雇佣效应。第一，机器人可以替代低技能劳动力，节约雇佣成本，转而增加绿色技术创新的资金。人口老龄化导致劳动力成本上升，机器人相对劳动力更有成本优势；且机器人具有自动控制、离线编程和多任务处理的优越性［23］，在此情况下，企业倾向于使用机器人替代重复度高、程序化和劳动强度大的低技能劳动力［24］。《中国人口与劳动问题报告No.20》指出，“十四五”时期智能制造会替代我国19.6%的制造业普通劳动力。机器人渗透度的增加能够减少企业对低技能劳动力的需求，有效节约雇佣成本。进一步，节约的资金被配置于绿色研发活动，为绿色技术创新积累资本。第二，机器人的应用会促使企业雇佣高技能劳动力，提高绿色技术创新效率。机器人的应用对劳动力的专业程度提出更高要求，为了精准操控和管理机器人，最大化发挥人机协同效能，企业更倾向于雇佣储备智能化知识的高技能劳动力（如AI 能源工程师、生物燃料工程师、纳米技术专家等）。已有研究表明，机器人渗透度与高质量劳动力数量呈正相关关系［25］，这为机器人渗透度的增加会导致企业雇佣更多高技能劳动力提供了有力的佐证。高技能劳动力往往拥有更高的技能水平、学习思维和独创能力，能快速掌握并应用前沿技术进行绿色技术创新，成为绿色新产品和绿色新工艺的创造者［25］。同时，企业会进行专业培训以促进劳动力和机器人的精准适配［23］，加快绿色技术研发和绿色技术创新成果转化，最终提高绿色技术创新效率。由此可见，科技金融可以通过缓解融资约束促进智能制造，使企业通过机器人渗透度实现高效率、低成本的绿色技术创新。基于此，文章提出如下假设：

假设2a：科技金融能够通过缓解融资约束发挥智能制造的劳动雇佣效应，进而促进绿色技术创新。

其次，科技金融通过改变企业战略倾向促进数智技术的研发升级，从而发挥数智驱动效应，最终促进绿色技术创新。数智技术研发升级具有高收益、高风险性特征，会造成企业财务波动，管理层出于规避风险或维持短期利益等考虑而倾向于推延数智技术升级进程［8］。科技金融作为满足企业创新需要的融资工具，能够为数智技术的研发和应用提供稳固的现金流保障，有助于消弭企业对智能变革不确定性的担忧，进而提高企业数智技术升级的战略意向和变革能力，而数智技术升级会对绿色技术创新产生数智驱动效应。第一，数智平台有助于企业与各方资源零距离交互，促使企业获取绿色技术创新知识。基于信息共享系统、研发资源管理系统、智库协同创新平台等数智平台，企业间的信息流通和信息辨析能力被加强，这有效实现企业获取外界绿色技术创新前沿知识并筛选有价值的知识元素［26］，在一定程度上回避知识壁垒对绿色技术创新的阻碍作用，最终促进企业研发出新的绿色技术。如海尔集团通过COSNOPlat 平台获取各方信息资源，推出减少水质污染的无洗衣粉洗涤技术。第二，数智技术帮助企业挖掘用户绿色需求，实现企业绿色技术的有效研发。以神策科技为代表的数据分析公司推出产品矩阵，将机器学习、知识图谱、多源数据融合等智能技术应用于用户画像领域，基于此，研发人员可以深层次挖掘用户的隐性绿色需求［27］，进而孵化出紧跟市场前沿的绿色创意，保证绿色技术创新的有效性。第三，仿真实验可以在虚拟空间中检视绿色研发成果，极大降低企业绿色技术的试验成本。企业在数据采集和场景感知的基础上进行模拟仿真实验，将原本耗时长、不确定性高的传统线下实验转移到虚拟空间中，从而降低实验室建设和管理成本。如十沣科技的流体力学软件可以线上模拟通风效果，减少企业耗材成本。同时，企业还可以使用数字孪生等技术精准模拟绿色产品在全生命周期的运行过程。通过数据的实时反馈，企业能够及时发现和调整绿色产品在各环节的不足，以更少的成本进行产品修复、返工或变更设计等，减少决策失误并降低研发成本，加快绿色技术创新速度。由此可见，科技金融可以通过改变企业战略倾向促进智能制造，使企业通过数智技术升级实现高效率、低成本的绿色技术创新。基于此，文章提出如下假设：

假设2b：科技金融能够通过改善企业战略倾向发挥智能制造的数智驱动效应，进而促进绿色技术创新。

3 研究设计

3.1 变量测度

被解释变量：绿色技术创新（green）。由于专利申请到专利授权存在时滞，专利可能在申请过程中被用于生产，前者更能反映区域当期创新能力，因此选用绿色专利申请量（绿色发明专利申请量和绿色实用新型专利申请量加总）作为绿色技术创新的衡量指标。进一步考虑到绿色发明专利含较高技术含量，属于高质量创新，故选取绿色发明专利申请数量表示绿色技术创新质量（giz）；考虑到绿色实用新型专利技术含量低，属于微小创新，故选取绿色实用新型专利申请数量衡量绿色技术创新数量（gis）［28］。

核心解释变量：科技金融（tf）。参考相关文献［29］，从政府科技金融、市场科技金融两个维度刻画科技金融指标。选取政府财政科技投入衡量政府科技金融，选取金融机构科技贷款、科技资本市场投入和创业风险投资额表征市场科技金融，采用熵值法计算科技金融指标。指标值越大，表明科技金融发展水平越高。需要说明的是，由于统计年鉴未报告金融机构科技贷款数据，故参考白俊红等［30］学者做法，以地区总研发资金减去政府、资金和国外资金代替；科技资本市场投入以科技型上市公司占比表征；创业风险投资额由清科私募通数据库导出，并在省级层面加总。

中介变量：智能制造（intel）。借鉴王林辉等［31］的研究，从机器人渗透度（robot）和数智技术(digint)两方面衡量智能制造。选取互联网宽带接入用户规模、人工智能专利数量衡量数智技术；机器人渗透度计算见模型（1）：

控制变量。考虑到其他因素对绿色技术创新的影响，本文参考以往研究控制以下指标：国有化程度（state），用国有职工占总职工人数比重表示［33］；产业结构（ins）用第三产业所占比重表示［34］；固定资产投资（inv），用固定资产投资额占地区生产总值（GDP）比重表示［35］；基础设施（road），选取人均拥有道路面积表示［12］；城市化水平（urba）选取城镇化率表示［9］；经济发展水平（lnpgdp），用人均实际GDP 的对数表示［9］。

3.2 数据来源

综合考虑数据的连续性、完整性和科学性，选取2009—2020 年我国30 个省份的面板数据进行实证检验。绿色专利数据源于CNRDS 数据库；科技金融数据来源于《中国科技统计年鉴》《中国高技术产业统计年鉴》、Wind 数据库、清科私募通数据库；智能制造数据来源《中国工业统计年鉴》、IFR数据库，其中，人工智能专利数据以2019 年公布的《人工智能中国专利技术分析报告》中的IPC 分类号为关键词，爬取万方专利库数据后加总至省级；控制变量数据来源于《中国统计年鉴》和各地区统计年鉴。为避免极端值影响，对数据进行1%和99%缩尾处理，变量描述性统计结果如表1 所示。

表1 变量描述性统计结果

3.3 模型构建

3.3.1 基本模型

为实证检验科技金融对绿色技术创新的影响，构建以下基准回归模型（2）：

3.3.2 机制检验

为探究科技金融通过何种途径影响绿色技术创新，本文参考温忠麟等［36］提出的逐步法构建式（3）、式（4）识别科技金融对绿色技术创新的作用渠道。需要说明的是，江艇［37］指出逐步法中介效应存在估计偏误问题，推荐使用核心解释变量对中介变量回归进行检验。本文参考此识别策略，在估计式（2）、式（3）基础上，将式（4）作为机制检验的辅助证据，不再讨论其效应的大小［38］。构建模型（3）和模型（4）：

其中，Mit为中介变量，包括智能制造（intelit）及机器人渗透度（robotit）、数智技术升级（digintit）两个子维度。其中，反映了科技金融对绿色技术创新的总效应，反映了科技金融对绿色技术创新的直接效应，表示科技金融对绿色技术创新的中介效应。其余变量含义与上文相同，不再赘述。

4 实证分析

4.1 基准回归结果

经Hausman 检验，本文选择固定效应模型验证科技金融与绿色技术创新的基准关系，结果如表2所示。列（1）报告了科技金融对绿色技术创新的回归结果。结果显示，科技金融系数在1%水平上显著为正，这表明科技金融有效驱动绿色技术创新。进一步，将绿色技术创新分为质量和数量两个子维度进行回归分析，结果见列（2）、列（3），发现绿色技术创新质量和数量的提高均受到科技金融的正向影响。为处理可能存在的遗漏因素，分别在列（1）的基础上添加控制变量得到列（4），在列（2）的基础上添加控制变量得到列（5），在列（3）的基础上添加控制变量得到列（6），结果依然稳健。由此可见，科技金融能够促进绿色技术创新的提“质”增“量”，假说1 得以验证。

表2 基准回归结果

在此基础上，为辨明科技金融对绿色技术创新质量和数量的差异化影响，对回归系数标准化以消除量纲和数量等级差异［28］。标准化后，科技金融对绿色技术创新质量和数量的回归系数分别为0.327、0.243，这表明企业在获得科技金融资金注入后，相比绿色技术创新数量，更注重绿色技术创新质量。追踪本文原始数据，2009—2020 年绿色发明专利申请量年均增长率（17.7%）明显高于绿色实用新型申请量年均增长率（11.3%），这进一步印证了上述结论。此现象可能源于科技金融的特性，科技金融旨在促进技术创新并推动创新成果转化为生产力［15］，更倾向于投资符合要求的企业。在此情况下，企业若选择技术微末的数量创新粉饰自身创新能力将无法达到科技金融门槛，不足以持续获得科技金融资金，故会偏向于选择技术性较强的高质量创新以满足后续的融资需求。

4.2 内生性问题

根据上文理论分析，科技金融资金的注入有助于提高企业开展绿色技术创新的持续性，故当期绿色技术创新成果可能受往期成果影响，忽视这一特性可能会影响模型结果的有效性。因此，分别将绿色技术创新的滞后一期（1.green）、绿色技术创新质量的滞后一期（1.giz）及绿色技术创新数量的滞后一期（1.gis）作为工具变量，其与当期解释变量高度相关，与当期扰动项不相关，采用宋敏等［39］学者的方法，使用SYS-GMM 回归控制被解释变量的自相关性以较好地缓解内生性问题。具体检验结果如表3 所示。列（7）至（9）分别显示了3 个工具变量的检验结果，绿色技术创新、绿色技术创新质量、绿色技术创新数量的一期滞后项结果均显著为正，表明绿色技术创新在存在一定的持续性和相对稳定性。AR（2）值均大于0.1，通过自相关性检验。Hansen 检验结果的P 值分别为0.986、0.983 和0.974，表明工具变量及其滞后阶数有效，通过过度识别检验。在数据通过AR（2）检验和Hansen 检验前提下，科技金融的回归结果仍显著为正，说明广义矩估计方法是一致有效的。

表3 SYS-GMM 估计

4.3 稳健性检验

根据上述基准回归结果，科技金融显著促进绿色技术创新，并能实现绿色技术创新的提“质”增“量”。为提高结果可信度，采用如下方式进行稳健性检验，结果如表4 所示。

表4 稳健性检验

（1）引入科技金融滞后项。考虑到绿色技术创新的变化滞后于科技金融，因此将滞后一期的科技金融（1.tf）作为滞后解释变量纳入计量模型。列（10）至列（12）显示，在使用了科技金融的滞后值后，科技金融仍然显著对绿色技术创新及其数量和质量产生影响，这与基准回归结果一致，证明了结果的稳健性。

（2）替换被解释变量的衡量方法。借鉴董香书等［40］的方法，采用人均绿色发明专利授权数的对数值衡量绿色技术创新，回归结果见列（13）至列（15），仍然支持基准回归结论。

以上稳健性结果均支持“科技金融促进绿色技术创新”这一结论，说明本文的基准回归结果具有较高可信度。

4.4 机制分析

根据前文理论分析，科技金融通过缓解企业融资约束和改善企业战略倾向影响智能制造进程，进而促进绿色技术创新，且机器人渗透度和数智技术可能是科技金融发挥作用的具体渠道。为了验证上述传导机制，本文对此进行检验，结果如表5 所示。列（1）中科技金融的估计系数显著为正，表明科技金融对绿色技术创新的总效应显著为正。列（2）中科技金融对智能制造的回归系数显著为正，表明科技金融是智能制造的重要推动力量。列（3）中科技金融和智能制造的估计系数均显著为正，且列（3）中科技金融的估计系数相对于列（1）有所下降，说明智能制造是科技金融与绿色技术创新的传导渠道。进一步，列（4）至（7）将智能制造分为机器人渗透度和数智技术升级两个维度进行验证。列（4）结果显示，科技金融对机器人渗透度的回归系数在1%水平上显著为正，表明科技金融能够增加机器人渗透度。列（5）中科技金融和机器人渗透度的估计系数均显著为正，且列（5）科技金融的估计系数小于列（1），表明机器人渗透度是科技金融与绿色技术创新的具体传导渠道，假设2a 得证。根据前文理论分析可知，这主要是通过缓解企业融资约束实现的。机器人渗透度的增加发挥了劳动雇佣效应，促使企业减少对低技能劳动力的需求并引进高技能人才以实现人机协作，进而增强绿色技术创新能力，这验证了机器人渗透度这一机制的存在。列（6）结果显示，科技金融对数智技术升级的回归系数显著为正，意味着科技金融能够有效引导企业数智技术升级的战略倾向。列（7）中科技金融和数智技术升级的估计系数均显著为正，且列（7）科技金融的估计系数小于列（1），表明数智技术升级是科技金融与绿色技术创新的具体传导渠道，假设2b 得证。据前文所述，数智技术升级发挥了数智驱动效应，数智平台应用、数智技术升级和仿真实验模拟能够驱使企业高效获取绿色技术创新知识、精准挖掘用户绿色需求和降低绿色试验成本，最终提高其绿色技术创新效率，这支持了数智技术升级机制。上述检验结果证实智能制造在科技金融影响绿色技术创新的过程中发挥着重要渠道作用，具体而言，呈现“科技金融→机器人渗透度→绿色技术创新”和“科技金融→数智技术升级→绿色技术创新”的传导机制。

表5 智能制造的机制检验结果

5 进一步讨论

研究发现科技金融有效激励绿色技术创新，主要通过机器人渗透度和数智技术升级途径实现。然而，科技金融对绿色技术创新的激励效果可能在不同媒体关注强度、不同市场化水平、不同工业化水平和不同知识产权保护力度的地区存在差异。基于此，对异质性进行进一步检验。

5.1 媒体关注异质性分析

媒体关注本质上是外部利益相关方对企业作出的监督行为，媒体通过对企业环境违规或污染事件的报道予以涉事企业压力诉求，能够促使企业强化绿色责任导向、调整技术创新策略。既有研究表明媒体关注对绿色技术创新具有促进作用［41］，那么不同媒体关注强度是否会导致科技金融对绿色技术创新呈现差异化的激励效果？将财经新闻报道中标题出现该地区公司的新闻数加总以衡量地区媒体关注度［41］，数据源于CNRDS 数据库。基于各地区媒体关注度均值，将样本分为高媒体关注地区和低媒体关注地区分组检验，结果如表6 所示。结果显示高媒体关注地区科技金融估计系数均在1%水平上显著，表明在该地区科技金融能够驱动绿色技术创新，且实现绿色技术创新的提“质”增“量”。然而，在低媒体关注地区科技金融估计系数不显著，意味着科技金融在此地区不能激励绿色技术创新。其原因可能在于低媒体关注地区背负较少的社会舆论压力及公众关注度，微末压力不会对其财务绩效产生显著影响，无法驱动企业进行更多绿色环保投资；随着媒体关注度的提升，企业面临较高的绿色声誉风险，此时企业为获得利益相关者（政府、银行、消费者等）的认可和支持［42］，会做出绿色技术创新策略响应媒体关注，进而提升科技金融对绿色技术创新的激励效果。

表6 媒体关注异质性分析结果

表7 市场异质性分析结果

5.2 市场化异质性分析

市场化有助于减少行政审批、市场准入控制等地方政府干预，通过竞争机制和风险机制实现优胜劣汰，优化社会创新资源配置［43］，从而富有成效地推动地方绿色技术创新活动的开展。那么，不同的市场化水平是否会造成科技金融对绿色技术创新的差异化效果？为考察市场化水平对科技金融和绿色技术创新的影响，本文采用王小鲁等［44］编制的中国各省市场化指数以表征区域市场化水平，其中2020 年市场化总指数根据历年平均增长幅度推算，根据各地区市场化程度的平均值，将样本分为高市场化地区和低市场化地区进行分组检验，结果如表7 所示。可以发现，在高市场化地区科技金融对绿色技术创新的促进作用显著，而在低市场化地区科技金融未呈现激励效果。其原因可能在于，较高的市场化水平加速了科技金融资源在地区间的流动配置并促进资金与创新的融合渗透，加强科技金融缓解融资约束的效果，增强市场主体的资源可获得性。而低市场化地区面临较高的行政审批、市场准入控制等地方政府干预，不利于优化社会创新资源配置，故不能充分发挥科技金融对绿色技术创新的促进效果。

5.3 工业化异质性分析

各地经济发展阶段不同，工业化水平也存在显著差异。那么，工业化水平是否会导致科技金融对绿色技术创新的激励效果呈现异质性？以第二产业增加值占GDP 比重衡量工业化水平［45］，根据各地区工业化水平均值，将样本分为高工业化地区和低工业化地区进行分组检验，结果如表8 所示。可以发现高工业化地区科技金融估计系数均在1%水平上显著，意味着在该地区科技金融能够促进绿色技术创新，且实现绿色技术创新的提“质”增“量”。然而，在低工业化地区科技金融估计系数不显著，表明科技金融未呈现对绿色技术创新的促进效果。其原因可能在于高工业化地区工业底蕴深厚，但同时也衍生较严重的环境污染问题，这些地区面临更严格的环境规制，在此情况下产生的排污成本会倒逼企业加强绿色技术创新力度［34］，从而增加科技金融对绿色技术创新的激励效果。低工业化地区发展重点已转移到第三产业（如北京、上海等）或工业化处于更早阶段（如青海、甘肃等），这些地区环境污染较少，该地区企业更倾向将资金配置于能够提升财务绩效的技术创新，而不是用于研发绿色技术创新技术以缓解污染。

表8 工业化异质性分析

5.4 知识产权保护异质性分析

知识产权保护在一定程度上阻止其他创新主体模仿或抄袭企业自主创新成果［46］，激励企业自主创新。那么，知识产权保护力度是否会导致科技金融对绿色技术创新的激励效果呈现异质性？采用各地区知识产权侵权立案数除以总人口和地区律师人数除以总人口两者取平均值衡量知识产权保护力度［47］。根据各地区知识产权保护力度均值，将样本分为高工业化地区和低工业化地区进行分组检验，结果如表9 所示。可以发现强知识产权保护和弱知识产权保护地区科技金融系数均显著为正，意味着不同知识产权保护力度地区科技金融均对绿色技术创新存在促进效应，保护力度越大作用越强。其原因可能在于知识产权保护力度的提高增加了企业对其创新成果的独占性和垄断权，企业专利所得利润得到保障［46］，较高的回报率激励企业将科技金融资金配置于绿色技术创新领域，引致科技金融对绿色技术创新的作用更加明显。

表9 知识产权保护异质性分析

6 结论与建议

绿色技术创新在实现经济效益和环境发展中扮演着重要角色。绿色技术创新存在的融资约束问题，决定了科技金融在其中的重要作用。本文突破以往研究科技金融缓解融资约束效果的单一视角，从智能制造角度切入，探析科技金融对绿色技术创新的影响，并实证考察智能制造发挥的劳动雇佣效应和数智驱动效应，厘清科技金融、智能制造、绿色技术创新的逻辑链条。主要结论如下：

（1）科技金融在提供科研资金支持、优化绿色资金配置、分散绿色创新风险方面有效激励绿色技术创新，其对绿色技术创新质量和数量均有促进作用，且更能提高绿色创新质量。在考虑内生性问题和稳健性检验后，科技金融的绿色技术创新效应仍显著存在。

（2）科技金融通过发挥智能制造的劳动雇佣效应和数智驱动效应促进绿色技术创新。具体而言，科技金融通过缓解企业融资约束增加机器人渗透度，进而发挥劳动雇佣效应，减少对低技能劳动力的需求并雇佣高技能劳动力，最终促进绿色技术创新；科技金融通过改变企业战略倾向促进数智技术研发升级，从而发挥数智驱动效应，诱导企业获取绿色技术创新知识、有效研发绿色技术并降低绿色技术的试验成本，最终提高绿色技术创新效率。

（3）科技金融对绿色技术创新的赋能效果在媒体关注度更高、市场化水平更高、工业化水平更高和知识产权保护力度更强的地区更为明显。这种赋能差异是由于高媒体关注度地区企业面临的绿色声誉风险、高市场化水平地区优越的创新资源配置水平、高工业化水平地区面临的较严格的环境规制和强知识产权保护地区企业较高的创新回报率导致的。

基于此，本文有如下政策建议：第一，建立有效的科技金融体系，以科技金融疏通绿色技术创新中的关键制约点。绿色技术创新的高风险性使其无法获得传统金融体系的资金支持，鉴于此，亟须发展科技金融以为绿色技术创新研发提供坚强支撑。政府应完善绿色技术创新领域的财政支持政策，并发挥信号传递效应引领金融机构、资本市场进入绿色技术创新领域。同时加强科技金融投资主体对企业创新能力差异的辨别，针对科技型企业和环保企业进行专项支持。第二，实现科技金融与智能制造的深度融合。科技金融是推动绿色技术创新的重要资本力量，而智能制造是实现绿色技术创新的重要传导途径。各地区应加强科技金融与智能制造的紧密连接和动态耦合，为实现绿色技术创新奠定智能制造的基础优势。各地区应运用多种类别科技金融工具（税收优惠、人工智能专项基金、天使投资等）激励企业充分应用机器人等智能设备、实现数智技术升级，使得智能制造的作用在绿色技术创新中得到充分释放。第三，推动制造业人力资源优化和数智技术升级。为此，一方面，支持高校设置智能制造相关专业（如人工智能、机器人工程和模式识别与智能系统专业等），同时鼓励企业和培训机构开展在岗职工智能制造技能培训，培育具有创新能力的高层次智能化人才，进而实现智能设备与人机协作人才的精准对接，塑造制造业人力资源优势。另一方面，加强数字技术基础设施的建设（如工业互联网、数据中心和区块链等）和创新投入力度，为企业数智技术研发升级提供良好的创新环境，推动企业更积极地推动数智技术升级。