空间视角下金融科技赋能绿色金融发展研究

王仁曾,詹姝珂,庄旭东

(华南理工大学 经济与金融学院,广东 广州 510006)

一、引言

2014年初,联合国环境规划署(UNEP)发起了“可持续金融体系探寻与规划”项目,首次对金融科技如何赋能可持续发展进行探讨。2017年11月,联合国环境规划署发布的研究报告《可持续金融体系路线图》指出,金融科技具有产生环境效果和支持可持续发展融资转型的潜力。近年来,中国政府也开始关注这一议题,特别是高度重视金融科技和绿色金融的融合发展。2021年11月,中国和美国担任共同主席成立的G20可持续金融工作组发布了《G20可持续金融路线图》,为全球可持续金融的未来发展指出了重点方向。2022年1月,中国人民银行印发的《金融科技发展规划(2022—2025年)》指出要树立绿色发展理念,加强金融科技与绿色金融的深度融合,创新发展数字绿色金融。

目前,随着新一代信息技术的发展,以金融科技为基础,数字银行、数字支付、数字普惠金融、数字保险等为代表的数字金融新业态层出不穷,这种技术赋能正在深刻地改变和重塑整个金融体系,带来了巨大的经济增长潜力。与此同时,金融科技也可能进一步推动绿色金融发展,而这种深度融合具有重要意义。从内循环维度看,金融科技与绿色金融等新业态的融合发展可能为增强金融发展新动能、强化金融与实体的适配性、形成完整的供需体系提供服务支撑。从可持续发展角度看,金融科技与绿色金融枢纽建设的有效联动还可能有助于推动科创金融、碳金融、ESG投资等产品研发力度,落实金融发展服务实体经济、服务生态环境、服务国家战略的本质要求,助力实现碳达峰、碳中和目标。

因此,本文将深入探索金融科技对绿色金融发展的赋能作用。相较于已有文献,本文的研究意义和创新之处可能体现在以下两个方面。一方面,现有研究更多地单独专注于金融科技对传统金融的颠覆式影响,以及绿色金融发展的经济效应,亦或者仅从定性研究层面分析了金融科技与绿色金融发展之间的关系[1-6],少有从实证层面对两者互动作用给出直接经验证据的相关研究。本文通过全面分析金融科技影响绿色金融发展的作用机制及实践路径,实证分析数字经济下作为金融新业态的金融科技对绿色金融发展的影响,有助于拓展金融科技赋能可持续发展方面研究,丰富了推动绿色金融发展实现路径的相关文献,具有重要的理论价值。另一方面,本文系统性地构建了金融科技、绿色金融发展指数,基于空间杜宾模型探索金融科技对绿色金融发展的赋能作用,不仅关注金融科技对绿色金融的总体影响,还深入分析不同经济发展基础和创新水平区域金融科技对绿色金融发展的异质性影响,为数字经济时代下金融科技和绿色金融如何协同促进经济高质量发展提供新视角与新思路,对进一步加速中国金融科技与绿色金融的深度融合发展具有重要的启示作用。

二、研究背景与文献评述

随着大数据、人工智能、区块链等金融科技底层技术不断创新,金融科技对金融市场的影响成为学术界关注的焦点,但在绿色金融的细分领域相关研究仍然较少。2016年8月,中国人民银行等七部委联合印发了《关于构建绿色金融体系的指导意见》,中国成为世界上首个建立绿色金融政策框架体系的经济体。在经济主体向可持续发展目标转型的进程中,绿色金融和普惠金融作为实现经济社会可持续发展的金融服务,金融科技在对普惠金融发挥作用的同时是否也对绿色金融市场产生了深远且重大的影响?金融科技促进绿色金融发展的内在机制是什么?为科学、严谨地回答这些问题,本文尝试关注金融科技对普惠金融的影响,并梳理绿色金融与经济发展的相关文献,进而为本文研究提供理论参考。

现有研究指出,金融科技发展能够通过降低银行获取客户信息的成本,促进农村普惠金融可持续均衡发展并提高农村家庭幸福感[7-9];同时在弥补正规金融供给不足、优化小微企业信贷信用结构和满足居民金融需求方面发挥积极作用[10-13]。绿色金融和普惠金融作为金融“人民性”的具体体现,两者在发展理念、服务对象、实现路径等方面具有一致性,金融科技对普惠金融助力路径的相关文献对本文研究具有重要参考价值。

在绿色金融研究方面,国外学者最早指出绿色金融作为绿色发展的核心要义,能够提升资源利用效率,通过产业结构调整推动经济绿色发展[14-15]。近年来,在金融业和资本市场的改革与发展以及强有力的政策支持下,中国绿色金融发展迅猛。截至2021年底,中国整体贴标绿色债券市场存量为2 395亿美元。绿色金融议题也受到中国学者越来越高的关注,相关研究可以归纳为以下三个方向:一是关于中国绿色金融发展内涵与意义的研究[16-17];二是绿色金融发展对中国产业结构生态化的影响研究[18];三是绿色金融与中国高质量发展的机理研究[19]。尽管在上述研究中不同学者对绿色金融指标的构建方法存在一定差异,但随着实证样本的丰富,学者们越来越认可绿色金融具有推动经济可持续发展的重要功能。因此,在新一代数字科技与金融领域深度融合发展背景下,本文聚焦于金融科技对绿色金融发展的赋能作用具有重要意义。

综上可知,金融科技有助于改变并重塑传统金融的服务模式与发展格局,同时绿色金融对改善生态环境并实现经济绿色增长发挥着积极作用。在此背景下,金融科技与绿色金融的深度融合有望产生全新的金融创新范式,驱动“生产方式、生活方式和治理方式变革”。目前,少量文献从理论层面关注金融科技赋能绿色金融发展路径和金融科技服务中国绿色金融发展的主要机制[5-6],尚未有研究从理论和实证两个维度论证金融科技对绿色金融发展的赋能作用,同时对于金融科技与绿色金融发展两者之间的内在关系以及空间溢出互动效应也缺乏足够的关注。在现有文献的基础上,本研究考察了金融科技赋能绿色金融发展的作用路径,基于理论分析并结合经济现实提出研究假设。

三、理论分析与研究假设

绿色金融作为金融部门践行“金融为民”的重要价值取向体现和金融供给侧结构性改革的重要方向,发展绿色金融对解决金融资源绿色化配置问题,实现经济社会可持续发展具有重大意义。而在资本的逐利性与环境外部性的矛盾以及长期绿色效益与短期经济效益的矛盾下,绿色金融在环境正外部性内部化实践中面临市场失灵、供给不足等问题。金融科技作为技术驱动的金融创新,大数据、云计算、人工智能、区块链等技术在绿色金融领域的应用能够有效助力金融部门将绿色金融创新不断向纵深推进。

首先,金融科技对推动金融机构绿色信贷产品创新,满足多样化的融资需求提供了必要的支持。2022年6月中国银保监会发布的《银行业保险业绿色金融指引》要求引导银行业保险业发展绿色金融,有序推进碳达峰、碳中和工作。绿色信贷作为银行业发展绿色金融业务的最主要领域,金融科技能够通过加持绿色信贷业务营销和绿色信贷智慧定价等手段推动银行业绿色信贷产品和服务发展创新。具体而言,利用大数据、云计算等手段快速地寻找出具有绿色信贷信息的客户,将这些客户的留存信息与当前的绿色信贷政策进行匹配,进而提高业务营销的成功率。同时,通过金融科技支持的定制算法,商业银行等金融机构可以将绿色信贷的环境效益纳入定价模型中进行量化分析,把环境效益带来的外部成本与收益转化为信贷的内部成本与利润,推动绿色金融发展。

其次,大数据、区块链、大型科技平台等为中国金融监管部门决策提供了科学的ESG数据支持,显著降低金融部门的绿色识别成本。作为政策传导机制的关键环节,金融行业的ESG投融资实践与相关信息披露将有助于驱动经济增长模式转型升级,实现经济效益与社会效益的结合。而ESG数据量大且来源分散,金融部门在数据获取、识别、分析方面存在困境。大数据等科技手段能够将大规模数据中隐藏的信息和知识挖掘出来,为中国金融监管部门在对金融机构的风险管理决策上提供科学的数据支持,降低了绿色识别成本,提高绿色金融领域的运行效率,有助于促进绿色金融发展。

最后,金融科技的引入为金融部门在环境信息披露、风险动态监控等方面提供了必要支持。“物联网+区块链”等金融科技手段保证企业端数据的可溯源与互信,有利于构建真实环境信息及数据共享平台,推进绿色金融合理化高质量发展;商业银行通过大数据手段追踪绿色信贷的具体投向,严防快速发展绿色金融的过程中出现的“洗绿”“漂绿”等问题,完善绿色信贷市场的风险管理机制;人工智能通过强化训练模型,对绿色企业存在的环境风险进行更加有效和专业的建模分析,实现绿色主体动态风险防控与预警。除此之外,金融科技对风控的赋能也为绿色金融发展保驾护航。如商业银行基于大数据等技术收集、整合和分析企业的环境信息,通过全面的信息披露渠道及机制设计,实时掌握企业的环境信息,减少因信息不对称而带来的业务风险,进而助力绿色金融发展。

综上,通过对金融科技在绿色金融的实践路径分析,本文认为金融科技能够赋能绿色金融发展。基于此,本文提出如下研究假设:

金融科技对绿色金融发展具有促进作用。

四、研究设计

(一)模型设定

已有文献揭示绿色金融发展具有较强的聚集效应和空间溢出效应,即某个地区空间单元的绿色金融发展水平与邻近地区空间单元上绿色金融发展水平是相关的,使用传统的回归分析可能会带来偏误[20]。同时,考虑到近些年金融科技发展迅猛,地区金融科技发展中可能存在“涓滴效应”,因此本文使用空间模型来考察金融科技对绿色金融发展的影响及其空间溢出效应。模型的具体形式如下:

(1)

其中,GFit为i省第t年的绿色金融发展水平;FTit为i省第t年的金融科技发展水平;ρ为空间效应系数;Xit为控制变量;μi表示个体固定效应;υt表示时间固定效应;φit为随机干扰项;Wij为空间权重矩阵。

关于空间权重矩阵的选择构建,现有空间计量研究文献中主要以经济距离权重矩阵和空间相邻权重矩阵为空间权重矩阵构建要素。其中,经济距离矩阵的构建是基于空间单元的某项产生空间效应的经济指标的绝对差异;空间相邻权重矩阵假定空间截面之间只要拥有非零长度的共同边界时,空间交互作用就会发生,赋值规则为当i省份和j省份相邻时,取值为1,否则为0。经济距离权重矩阵和空间相邻权重矩阵的表达形式如表1所示。

表1 空间权重矩阵

在经济距离矩阵中,X代表形成空间矩阵元素的经济变量。考虑到地区经济发展水平是形成空间效应的主导因素,本文以各省份人均国内生产总值衡量X值,若两地区的经济水平越相近,则其空间效应强度就越大。由于金融科技与绿色金融的发展均与地区经济增长水平息息相关,选用经济距离矩阵进行实证分析更具有实践意义。为确保实证结果的可靠性,同时采用空间相邻权重矩阵对基准模型进行稳健性检验。

(二)变量测度

1.被解释变量

绿色金融发展(GF)。现有文献多采用主成分分析法、熵值法、层次分析法等方法界定绿色金融发展水平指标的权重,本文采用熵值法测算绿色金融发展水平。各级指标及说明如表2所示。近年来中国政府对环境保护加大财政支出,将财政环境保护支出与政府一般预算支出的比值加入指标体系能更全面地衡量中国绿色金融发展水平,各省财政环境保护支出数据来源于国家统计局。其他各级指标数据来源于历年《中国金融年鉴》《中国环境统计年鉴》《中国保险年鉴》和CSMAR数据库。

表2 绿色金融发展水平指标评价体系

2.解释变量

金融科技(FT)。本文借鉴王小华等的研究方法,通过文本挖掘法获取金融科技相关词频,采用熵值法合成金融科技指数[21]。构建方法如下:(1)从基础技术、支付清算、中介服务以及直接称呼四个维度选定金融科技词库,具体关键词词库如表3所示;(2)运用Python爬虫技术分省份爬取关键词词频;(3)将日搜索关键词频次以年份为单位进行汇总;(4)使用熵值法对单一指标客观赋权,加权求和获取金融科技发展综合指标;(5)为便于结果展示,将合成的金融科技指数进行10 000倍缩小处理。

表3 金融科技关键词词库

3.控制变量

控制变量选取如下:财政支出(GOV)、金融发展(DIR)、空气质量(AQ)、就业状况(EMP)、对外开放(OPEN)以及工资水平(LABOR)。其中,财政支出(GOV)以政府财政支出额与地区GDP的比值衡量;金融发展(DIR)以各地区年末金融机构各项存款余额与地区GDP的比值衡量;空气质量(AQ)以工业SO2排放量的对数值表示;就业状况(EMP)以城镇单位就业人员数(单位:亿人)来衡量;对外开放(OPEN)以地区进出口总额与地区GDP占比测度;工资水平(LABOR)取城镇单位就业人员年平均工资(单位:万元)作为其度量指标。

(三)数据说明

本文以2011—2020年中国30个省份(西藏及港澳台地区除外)为研究对象,共300个观测值。稳健性检验中使用的数字普惠金融指数来源于北京大学数字金融研究中心发布的第四期《北京大学数字普惠金融指数(2011—2020年)》报告[22]。表4报告了模型主要研究变量的描述性统计结果。从金融科技(FT)和绿色金融发展(GF)指标统计特征可以看出,中国不同省域之间金融科技与绿色金融发展程度仍存在较大差异,这说明区域差异等方面的讨论十分必要。此外,各变量统计特征基本处于合理范围内,为本文后续的实证研究提供良好的样本分布基础。

表4 主要研究变量统计性描述

五、金融科技与绿色金融的空间相关性分析

(一)全局空间自相关分析

本文进一步采用全域莫兰指数(Global Moran’sI)来检验金融科技和绿色金融发展水平的空间相关性,其定义如下:

表5 2011—2020年中国各省绿色金融与金融科技Moran’s I指数

(二)局域空间自相关分析

本文选取2011、2014、2017和2020年绿色金融发展数据对中国绿色金融发展水平局部特征进行研究,Moran’sI散点图反映各个城市与相邻城市绿色金融发展水平的空间关联程度,通过绘制Moran’sI散点图划分中国绿色金融发展水平聚集区域,能够直观展示各省绿色金融发展水平的局部聚集及演变规律。根据Moran’sI散点图,将空间关联程度划分为HH(高—高)、HL(高—低)、LH(低—高)和LL(低—低)4种空间集聚型。HH和LL表示该省绿色金融发展水平具有正向空间溢出效应。HL、LH表示该省绿色金融发展水平具有负空间相关性,其中,LH表示绿色金融发展水平低的区域单元被高绿色金融水平区域所包围。使用Stata软件绘制出的Moran’sI散点图如图1所示,散点图的横坐标表示绿色金融发展水平,纵坐标表示经过行标准化处理的滞后变量。由Moran’sI散点图可知,中国绿色金融发展水平集聚特征主要为高—高型和低—低型集聚,即中国区域间绿色金融的发展普遍具有正向空间溢出效应。其中,北京、天津、上海、浙江、江苏5个经济发展水平较高的省份一直处于第一象限(HH),中国低—低型集聚地区的分布也未发生明显变化,这表明绿色金融发展水平的集聚具有较稳定的特征。

图1 2011、2014、2017和2020年中国各省绿色金融发展Moran’s I散点图

同时,本文绘制了金融科技代表性年份的Moran’sI散点图。图2显示大部分省份落入了第一、三象限的空间正相关区域,说明金融科技的发展同样具有显著的正向空间溢出效应。进一步地,对比分析绿色金融发展与金融科技发展的Moran’sI散点图可知,北京、天津、上海、浙江、江苏等地区金融科技和绿色金融发展均表现出显著的空间正相关性,而在中西部地区形成的低—低聚集区域绿色金融和金融科技发展水平都较低,本文进一步猜测金融科技与绿色金融发展可能存在空间上的相互作用,下文将利用空间计量模型实证分析金融科技对绿色金融发展的影响。

图2 2011、2014、2017和2020年中国各省金融科技发展水平Moran’s I散点图

六、实证结果与分析

(一)空间杜宾模型的基准回归分析

通过前文可视化分析可知,中国金融科技与绿色金融发展均存在明显的空间聚集效应,本文将利用空间计量模型研究金融科技对绿色金融的时空格局影响。参照Elhorst的方法,通过LR检验和Hausman检验确定空间面板模型具体形式[23]。检验结果显示Wald和LR模型均拒绝原假设,表明空间杜宾模型(SDM)不可简化为空间滞后模型(SLM)和空间误差模型(SEM),同时Hausman检验结果表明选用固定效应模型。基于以上分析,将空间面板模型形式确定为固定效应空间杜宾模型(SDM),回归结果如表6所示。

表6 空间杜宾模型估计结果

表6报告了金融科技对绿色金融发展的基准回归模型估计结果。其中,列(1)表示在不考虑其他控制因素下金融科技对绿色金融发展的直接影响,回归结果显示金融科技对中国绿色金融发展水平的直接影响系数为0.127,且在1%的水平下显著,说明地区金融科技发展水平越高对该地区绿色金融发展的助推力就越大,金融科技能够有效赋能绿色金融发展。列(2)展示了加入控制变量后的模型回归结果。加入模型控制变量后,金融科技的估计系数依旧在1%的水平下通过显著性检验,金融科技对绿色金融发展具有稳定的正向影响。回归结果显示金融科技空间滞后项(W×FT)对绿色金融发展的回归系数在1%水平下显著为正,金融科技对外省绿色金融发展存在正外部性,即地区金融科技水平的提高在能够改善本地区绿色金融发展的同时,会对周边地区绿色金融发展产生促进作用。模型回归结果证实了金融科技对绿色金融发展的赋能作用,研究假设得到验证。依托大数据、人工智能、云计算等科技手段,金融科技有力地推动了金融机构绿色金融产品的供给和创新,同时为绿色信贷业务发展、ESG数据库建立和金融监管工具创新等场景提供了必要的支持。同时模型估计结果显示R2为0.666,模型的变量解释效果较好,本文在后续部分尝试通过一系列稳健性检验和内生性测试验证结论的可靠性。

(二)金融科技对绿色金融发展的影响效应分解

由于空间杜宾模型中引入了解释变量的空间滞后项,直接采用回归系数来研究金融科技对绿色金融发展的影响具有片面性,为保证回归结果的可靠性,本文在经济距离权重矩阵下,基于时间地区双固定模型对空间杜宾模型求微分,检验金融科技对绿色金融发展的直接效应和间接效应。由表7可知,金融科技对绿色金融发展的直接效应和间接效应均在1%的显著性水平下为正,说明金融科技在提高本地区的绿色金融发展水平的同时对邻近地区的绿色金融发展产生了促进作用,这与前文回归结果一致。同时,从回归结果可以看出,金融科技对绿色金融发展的总效应显著为正,这进一步体现了金融科技对绿色金融发展的赋能作用。

表7 空间杜宾模型的直接效应、间接效应和总效用

(三)区域异质性分析

考虑到中国各区域经济发展水平、资源禀赋存在较大差异,区域地理位置、经济基础、创新能力不同会导致金融科技对地区绿色金融发展的影响存在异质性。为了深入把握金融科技对绿色金融发展的影响,下文将对样本基于不同方法按区域分组并进行检验分析。

1.按区域地理位置划分

为了探索地理位置异质性影响,本文将各省份按照东、中、西部3个区域进行探讨。具体划分为:东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、广西、海南12个省份;西部地区包括四川、贵州、云南、西藏、陕西、甘肃、宁夏、青海、新疆9个省份;中部地区包括山西、内蒙古、吉林、黑龙江、安徽、江西、河南、湖北、湖南9个省份。 表8回归结果显示,相较于中部地区和西部地区,东部地区金融科技对绿色金融发展的影响更为显著。原因可能在于东部地区金融科技发展所依托的基础设施信息化建设更为完善,金融科技的发展能够进一步加强金融科技对绿色金融发展的支持作用,而中、西部地区企业和居民对金融科技和绿色金融产品触达度较低,金融科技对绿色金融发展的赋能作用更弱。

表8 地理位置异质性回归结果

2.按区域经济基础划分

为进一步探讨金融科技对绿色金融发展的助力作用是否会受到地区经济影响进而存在异质性,本文将样本年限内的各省人均GDP加总,并求出30个省份的平均值,进一步通过比较各省样本年限内人均GDP总值与计算出的平均值大小,将样本分为高经济发展组和低经济发展组。最终划分结果如下:高经济发展组包括北京、天津、上海、江苏、浙江、福建、山东、湖北、广东、重庆10个省份;低经济发展组包括河北、辽宁、安徽、江西、河南、湖南、四川、陕西、山西、内蒙古、吉林、黑龙江、广西、海南、贵州、云南、甘肃、青海、宁夏、新疆20个省份。检验结果如表9所示。通过比较估计系数的大小和显著性可以发现,在高经济发展地区金融科技的系数更大,表明其对绿色金融发展的带动效果更显著,同时金融科技对地区绿色金融的正外部性影响只表现在高经济发展地区。可能的原因是经济发展水平较高的地区数字化设施发展更为完善,金融科技的“涓滴效应”更强。而低经济发展地区金融科技仍处于初级发展阶段,金融科技发展面临不充分以及不规范等问题,在金融科技推动绿色金融发展的实践中仍面临着诸多的挑战,金融科技赋能绿色金融发展的手段有待进一步丰富。

表9 经济基础异质性回归结果

3.按区域创新能力划分

科技创新是推动金融科技机构持续发展的关键引擎。地区创新基础的不同可能会造成地区金融科技发展水平的差异,进而造成金融科技对绿色金融发展作用的异质性。本文参考毛文峰和陆军相关研究,选择中国区域创新创业指数综合测度区域创新能力[24]。根据上述同样的分组方法,将高于样本均值的省份归为高创新能力组,低于均值的省份归为低创新能力组。最终划分结果如下:高创新能力组包括北京、天津、河北、辽宁、上海、江苏、浙江、安徽、福建、江西、山东、河南、湖北、湖南、广东、重庆、四川、陕西18个省份;低创新能力组包括山西、内蒙古、吉林、黑龙江、广西、海南、贵州、云南、甘肃、青海、宁夏、新疆12个省份。表10报告了创新能力异质性检验结果,结果显示创新能力较高的地区,金融科技对绿色金融发展的助力作用更强。这说明中国要始终把增强自主创新能力作为发展技术的战略基点,激发科技作为第一生产力推动经济绿色可持续发展的巨大潜能。

表10 创新能力异质性回归结果

七、稳健性检验及内生性测试

(一)稳健性检验

前文证实金融科技对绿色金融发展存在着显著的促进作用,为了进一步验证结果的可靠性,本文进行如下稳健性检验。第一,替换解释变量。基于现有数据的可替换性,参考邱晗等相关研究的做法,本文选取北京大学数字金融研究中心构建的数字普惠金融指数重新测度解释变量金融科技并纳入模型分析[25]。替换原关键解释变量的回归结果如表11的列(1)所示,回归结果显示绿色金融发展指标的系数符号和显著性水平与上文中无较大差异,验证了本文实证结果的合理性和稳健性。第二,调整样本区间。考量到业界普遍将2013年余额宝开张视为中国数字金融发展的元年,参考庄旭东和王仁曾相关做法,本文剔除前两年的样本数据,将样本子区间设定为2013—2020年后对样本重新进行估计[26]。表11列(2)回归结果显示,金融科技的估计系数在1%的水平下显著为正,表明在调整样本后,金融科技对绿色金融发展仍然具有显著的正向促进作用。此外,金融科技空间滞后项(W×FT)的估计系数同样在1%的水平下显著为正,本文的回归结果具有稳健性。第三,更换权重矩阵。本文将在空间相邻权重矩阵下对上述结论进行再验证,结果表明金融科技和金融科技空间滞后项(W×FT)的估计系数在1%的水平下显著为正,再次验证了金融科技对绿色金融发展的赋能作用。第四,使用固定效应模型。由表11的列(4)估计结果可知核心变量的显著性和正负均未发生明显改变,这较好地体现了研究结论的稳健性。

表11 稳健性检验结果

(二)内生性测试

本文还考虑了由于遗漏控制变量,或金融科技与绿色金融发展之间的反向因果关系导致的内生性问题。为此,本文将预生成被解释变量、解释变量和控制变量的空间滞后变量,对模型进行如下内生性处理:第一,采用工具变量法。借鉴钱海章等相关研究,使用各省1984年人均邮电业务量与金融科技的交互项作为金融科技的工具变量以此缓解双向因果导致的回归偏误问题[27]。第二,使用系统GMM估计。考虑到金融科技与绿色金融发展之间可能存在的内生性问题,使用两步系统GMM进行重新估计。将被解释变量、解释变量和控制变量的空间滞后变量设为前定变量、金融科技设为内生变量,其他控制变量设定为外生变量进行模型回归。内生性检验结果如表12所示。表12的列(1)为使用工具变量后的估计结果,一阶段F统计量表明工具变量选取有效;列(2)为两步系统GMM估计所得结果,其中AR(1)检验p值表明扰动项存在一阶自相关,AR(2)检验p值则认为不存在二阶自相关,Hansen统计量验证了工具变量的有效性。在多维度控制内生性问题对估计结果产生的干扰后,金融科技对绿色金融发展的估计系数至少在5%的水平下显著为正,在排除内生性因素的影响下,金融科技仍能够有效促进绿色金融的发展,较好地验证了研究结论的可靠性。

表12 内生性测试结果

八、结论与建议

本文利用2011—2020年中国省域面板数据,构造空间杜宾模型系统地考察了金融科技对绿色金融发展的影响,主要得出以下结论。第一,从发展格局上来看,金融科技和绿色金融的发展均具有显著的正向空间溢出效应。从时间趋势上来看,各省金融科技与绿色金融发展的集聚变化特征处于较为稳定的状态。第二,金融科技在改善本地区绿色金融发展的同时,会对周边地区绿色金融发展产生促进作用,这验证了金融科技对绿色金融发展的赋能作用。第三,异质性分析发现,金融科技对绿色金融发展影响存在地区差异性,具体而言,金融科技对绿色金融发展的促进作用在东部地区、高经济发展水平以及创新基础更好的地区更大。

根据上文的研究结论,本文提出以下政策建议:第一,建立区域金融发展协同机制,形成资本的正向聚集效应。金融科技与绿色金融具有溢出性特征,各地区既要立足当地资源禀赋逐渐形成不同特色的发展和创新模式,同时要通过建立区域金融发展协同机制形成“以点带面”的金融发展格局。如利用绿色金融枢纽建设有效联动,推动地区科创金融、碳金融、ESG投资等产品创新,落实财富管理服务实体经济、服务国家战略的本质要求。第二,推动金融科技与绿色金融多场景融合发行绿色金融产品。相较于传统金融业务而言,国内绿色金融的盈利方式相对简单,银行发展绿色金融的积极性不高,政府应通过政策手段加强金融科技对绿色金融的赋能作用。如建立为绿色金融产品创新等场景提供的监管沙盒,支持金融科技企业通过大数据、人工智能等技术研发ESG风险识别与定价的绿色金融产品、应用云计算等技术设计绿色产品测算环境效益和研发金融机构碳排放核算产品。通过金融科技推动绿色金融产品和服务创新,补齐经济绿色发展的短板弱项。第三,推进地区金融基础设施建设和高等教育人才培养。金融基础设施与创新类、技术类、复合型人才是金融科技发展的基本环境与重要通道,各地区要在科技和人才方面加大建设和培养力度,通过造就更多国际一流的金融科技与绿色金融行业领军人才和创新团队,推进形成以金融科技为支撑、以绿色金融为驱动,各类市场主体与区域经济繁荣共生的良好局面。