数字普惠金融与碳排放强度

李宇祥

〔内容提要〕我国经济已从高速增长阶段转向高质量发展阶段，如期实现“双碳”目标，已成为我国转型发展质效的重要标尺。传统普惠金融业务与数字技术融合产生的数字普惠金融对于实现“双碳”目标，推动我国绿色经济高质量发展有着重要意义。为此，基于我国30个省（区、市）的面板数据构建空间杜宾模型，探讨了数字普惠金融对于碳排放强度的空间溢出效应。研究表明，本地数字普惠金融的发展对本地的碳排放强度发挥着抑制作用，对周边地区的碳排放强度起着促进作用。前者归因于金融市场的资源配置和响应时滞，后者与价格机制、碳排放就近转移有关。最后，为“双碳”目标的稳步推进提出了科学的政策启示。

〔关键词〕数字普惠金融；碳排放强度；空间溢出效应；污染避难所理论

注：本文系西北民族大学大学生创新创业训练计划项目“第三方环境信息披露对企业碳排放的影响研究”（项目编号：X202410742004）之阶段性研究成果。

随着工业化进程的不断推进，全球变暖危机所伴随的极端气候、冰川消融、海平面上升等次生灾害对人类社会的经济活动带来了严重的影响。作为一个负责任的大国，中国在第75届联合国大会上正式提出2030年实现碳达峰、2060年实现碳中和的“双碳”目标。党的二十大报告中提出，到2035年，广泛形成绿色生产生活方式，碳排放达峰后稳中有降，生态环境根本好转，美丽中国目标基本实现。这更加坚定了中国稳步推进双碳目标的决心。在当前中国经济发展面临增速放缓和绿色转型双重压力的背景下，相比于直接研究绝对碳排放水平，碳排放强度研究考虑到了经济发展的实际情况，具有一定的研究价值和合理性。

需要指出的是，碳排放强度的高低与效率的高低并不存在一种显性的负向关系。在部分落后的农业国家，碳排放强度较低，但是效率同样较低。同样，在部分发达国家，产能较高但在市场上并未以货币的形式进行销售或者滞销，这使得碳排放强度较高，但是效率却不一定较低。作为世界第二大经济体以及最大的新兴市场国家，中国的经济已经从高速增长阶段转向高质量发展阶段。为了实现低碳发展模式的转型，降低中国的碳排放强度，要综合多方面的协同力量。具体来看，宏观层面要依托国家政策支持、中观层面要依靠行业绿色低碳转型、微观层面要提高居民低碳消费倾向，除此之外，还应充分发挥金融市场的资源配置、风险管理和市场定价等作用。

近年来，传统金融与数字化技术进行有机结合，催生出了数字普惠金融这一新业态。打破了传统金融服务的时空限制，以其便捷性、低成本性、低门槛性与传统金融服务形成互补，拓宽了金融服务的覆盖面，为金融服务注入了新动能。现有研究主要集中于绝对地衡量數字普惠金融的发展对于碳排放强度的影响，对于不同地区在地理空间单元上的影响关系还有待进一步完善。同时，对于该绝对影响的方向和路径，并没有达成一致。部分研究表明数字普惠金融降低碳排放强度的直接效应是线性的，并通过产业结构优化、绿色技术创新等渠道进行传导。但部分学者认为数字普惠金融降低碳排放强度的边际效应呈现先减小后增大的态势，其中，人均可支配收入和数字化发挥着机制作用。综上，数字普惠金融对于碳排放强度的影响尚不明确，二者在空间上的作用效果存在分歧，亟待厘清二者间的作用关系，为实现“双碳”目标，制定有关战略要求提供经验借鉴和科学建议。

边际贡献可能在于：首先，基于空间视角，丰富了数字普惠金融对于碳排放强度的文献。其次，创新性地以“污染避难所”理论解释了本地数字普惠金融发展对碳排放强度的空间效应存在对本地促进和对周边地区的抑制作用，具有一定的现实指导意义。最后，根据空间杜宾模型分析的创新性结果，对数字普惠金融支持“双碳”目标的实现提供了科学合理的经验参考和政策建议。

一、理论机制与研究假设

作为与数字技术融合的产物，本地数字普惠金融能够直接影响本地碳排放强度。一方面，数字普惠金融能够弥补传统金融业务在绿色发展方面的资源引导精准度不足和有效性不够的问题。通过将节能减排等环境绩效纳入信贷申请评估标准，利用大数据识别、筛选出不合格的企业，引导资金朝着绿色、低碳的企业流动，提高绿色信贷对于碳排放强度的抑制作用。另一方面，当金融市场出现波动时，企业会相应地改变碳减排决策，企业和市场的响应时滞会使得金融市场产生新的波动，形成恶性循环，从而降低碳减排的效率和可持续性。数字普惠金融相比传统金融，能够利用数字技术，更加灵敏和迅速地从源头上和过程中识别潜在的流动性风险、信贷风险等，为碳减排强度降低提供稳定的金融市场环境。

H1：本地数字普惠金融的发展能够降低本地碳排放强度。

立足空间交互视角，可以发现数字普惠金融对于碳排放强度具有显著的空间溢出效应，且在经济发展水平接近地区效应更为明显。一方面，本地数字普惠金融的发展带动本地绿色金融和低碳经济的发展，减少本地对于高碳化石能源的需求，根据价格机制，本地高碳化石能源需求降低，本地价格下降，刺激周边地区对于本地化石能源的需求，使得周边地区的碳排放增加。另一方面，根据污染避难所理论，本地碳排放强度的下降相对提高了本地企业环境管理的标准，增加了本地高碳排放产业的环境治理成本。周边地区因其环境标准相对较低，厂商将获得明显的成本优势，从而本地高碳产业会向周边地区转移，增加周边地区的碳排放。最终形成了经济增长与碳排放的错位分布格局，使得本地数字普惠金融的发展会提高周边地区的碳排放强度。

H2：本地数字普惠金融的发展能够提高周边地区的碳排放强度，具有空间溢出效应。

二、研究设计

（一）变量选取

1.被解释变量

碳排放强度（CI）采用省际CO2排放量与该省（区、市）生产总值的比重进行衡量。

2.解释变量

数字普惠金融（Difi）采用北京大学数字金融研究中心发布的中国数字金融发展指数衡量数字普惠金融发展水平。国内学者大多使用这一指标衡量数字普惠金融发展程度，具有一定的合理性和科学性。

3.控制变量

具体如下：教育发展水平（School），选用高等学校在校学生人数占比进行衡量；城镇化水平（Urban），用采用各省（区、市）城镇人口的比值来衡量；交通基础设施水平（Transport），选用省（区、市）公路历程取自然对数来衡量；外商直接投资（FDI），采用外商直接投资额与该省（区、市）生产总值的比值来衡量；对外开放水平（Open），采用货物进出口总额与省（区、市）生产总值的比值来衡量。控制变量数据均来源于国家统计局官网。

4.样本与数据来源

选取中国2011—2021年共30个省（区、市）作为样本（考虑到西藏自治区数据存在较多缺失，港澳台数据的可得性等问题，进行剔除处理）。省（区、市）CO2排放量数据来源于CEADS数据库，数字普惠金融指数来源于北京大学数字金融研究中心，其余数据均来源于国家统计局。

（二）模型设计

1.空间自相关检验

其中，S2为样本方差；xi和xj分别为i地区和j地区的观测值；n是空间单元的个数，即省（区、市）的数量；xi表示变量x在空间单位i地区的观察值，x表示变量x的均值；wi为空间权重矩阵W的元素。

全局Moranss I的取值为[-1，1]，正值表示正向空间自相关（或空间集聚现象），负值表示负向空间自相关（或空间分散现象），1表示在空间上呈现完全集聚状态，-1表示在空间上呈现完全分散的态势，0表示空间单元之间处于随机分布。

式（2）中，Zi和Zj为标准化后的观测值。I<0代表该空间单元与邻近单元属性相似，则表明该空间单元与邻近单元属性相反。

2.空间计量模型选择

已有研究表明，不同地区之间的数字普惠金融与碳排放强度存在空间相关性，使用传统的计量回归模型忽略数字普惠金融发展和碳排放强度的空间异质性将导致计量结果出现一定程度的偏误，因此，选择空间面板模型来检验数字普惠金融发展和碳排放强度的内在关系。

空间计量经济学模型的核心在于空间单位之间依赖性的来源，常用的空间计量模型包括空间自回归模型（SAR），又称空间滞后模型（SLM）、空间误差模型（SEM）和空间杜宾模型（SDM）等。具体而言，空间自回归模型假设内生因变量受到其他空间单元内生因变量的影响，空间误差模型假设内生因变量受到外生因变量的影响。而作为一般形式，空间杜宾模型（SDM）能够同时考察自变量对因变量的内生影响（直接效应）和外生影响（间接效应），可以避免估计有偏问题。除此之外，相比其他两个模型，空间杜宾模型没有對潜在自变量的空间交互效应强加一些先验约束，但在一定条件下可以退化为空间自回归模型和空间误差模型。因此，考虑了构建兼有内生性和外生性的空间交互效应的空间杜宾模型（SDM）。在后续检验中，将通过LR检验验证空间杜宾模型（SDM）是否会退化为空间滞后模型和空间误差模型。

式中，α0表示截距项；ρ表示空间滞后回归系数，反映空间相邻单元间碳排放强度的相互影响程度；γ表示数字普惠金融发展的回归系数；γ1表示控制变量回归系数；θ表示数字普惠金融的空间交互项系数；θ1表示控制变量的空间交互项系数；εit为随机误差项。

3.空间权重矩阵的构建

三、实证结果及分析

（一）截面数据的空间相关性

在两种空间权重矩阵下，2011—2021年碳排放强度和数字普惠金融的全局Moranss I指数均通过了显著性检验，并呈现出了正的空间相关性，表明碳排放强度和数字普惠金融均存在正的空间依赖性。省级碳排放强度和数字普惠金融的全局Moranss I指数如表1所示。

由于Moranss I全局均等化了各省份之间的差异，无法反映局部地区的空间关联特征，为了更直观地反映相邻省（区、市）之间的空间关联程度，选取空间地理反距离权重矩阵（W1）对2011年和2021年省级数字普惠金融和碳排放强度进行局部空间自相关分析。

莫兰散点图反映了区域单元与其邻居之间四种类型的局部空间联系形式，第一象限（HH）表示高观测值被同是高观测值的区域所包围；第二象限（LH）表示低观测值被高观测值的区域所包围；第三象限（LL）表示低观测值被同是低观测值的区域所包围；第四象限（HL）表示高观测值被低观测值的区域所包围。

碳排放强度的局部莫兰散点图如图1和图2所示。一方面，中国大多数省（区、市）的碳排放强度指标落在了“低—低”聚集区域，表示碳排放强度低的地区都被碳排放强度低的地区包围，形成了碳排放强度的低水平聚集现象，表明碳排放强度具有正向的空间相关性。处于第Ⅲ象限的省（区、市），例如福建、上海、广东等经济集聚水平较高，区域内产业结构的较为合理，高耗能产业占比较少，从自身内部降低了碳排放强度。考虑区域间的空间关联性，由于省（区、市）之间存在规模效益、技术溢出、跨区域合作等正向外部性，碳排放强度低的地区能够有效辐射周边区域，形成空间关联网络，促进地区生产率的提高，从而降低邻近区域的碳排放强度并实现碳排放强度的一致性。另一方面，处于第Ⅰ象限的省（区、市）主要集中在中国西北地区，说明西北地区的碳排放强度相对较高。这与西北地区高碳化石能源为主的能源结构、重化工业为主的产业结构以及相对落后的技术水平有关。不仅影响了经济增长的质量和效益，也制约了碳排放强度的下降，使得高水平聚集现象难以消除。

数字普惠金融的局部莫兰散点图如图3和图4所示。首先，中国大多数省份的数字普惠金融指标落在了第Ⅰ象限和第Ⅱ象限。处于第Ⅰ象限的省（区、市）绝大部分都集中在东部沿海，说明东部沿海地区的数字普惠金融水平相对较高，呈现出“高—高”集聚的特点。一方面，东部沿海地区经济发展水平较高，意味着金融需求更为多样和复杂，有利于金融机构供给侧的产品创新与市场竞争。另一方面，东部地区健全的数字基础设施能够降低数字普惠金融服务的成本，提供更加安全和便捷的金融服务，提高金融服务的效率。除此之外，东部省（区、市）之间在技术交流、产业合作等方面产生的外溢效应也是导致“高—高”集聚的重要原因之一。最后，西部地区各省（区、市）的数字普惠金融水平落在了“低—低”聚集区域，说明西部地区各省（区、市）的数字普惠金融发展低于全国平均水平，且呈现出一致性。西部地区的数字基础设施有待提升、数字普惠金融产品适应性仍然较低。同时，当地居民对数字普惠金融业务的认识存在偏差，多种因素制约了数字普惠金融的发展潜力的释放和市场竞争力的提高。

（二）LM检验

通过空间自相关检验可知，数字普惠金融与碳排放强度具有显著的空间相关性，但具体存在何种空间关系，需要通过LM和稳健的LM检验进一步判断是否选用空间计量模型，验证是否存在空间滞后效应和空间误差效应。LM检验结果如表2所示。在两种空间权重矩阵下，检验结果均拒绝LM检验原假设，表明数字普惠金融与碳排放强度具有空滞之后和空间误差双重效应，选择空间计量模型相对于非空间模型能更好地揭示数字普惠金融集聚影响碳排放强度的成因机理。

显然，LM检验或稳健LM检验的结果拒绝非空间计量模型，数字普惠金融发展对于省级碳排放强度的影响同时具有空间滞后效应和空间误差效應。因此，选择同时包含空间滞后模型（SAR，侧重于处理因变量的空间相关性问题）和空间误差模型SEM（侧重于处理随机扰动项的空间相关性问题）的空间杜宾模型（SDM）。在使用SDM模型时，必须检验SDM能否简化为SAR和SEM其中检验原假设为“H0∶θ=0”“H0∶θ+ρβ=0”，可以通过似然比（LR）来检验两个原假设。

（三）LR检验和Hausman检验

主要研究在碳排放强度存在空间相关性的情况下，不同省（区、市）间数字普惠金融发展水平的集聚以及不同集聚方式下的空间溢出效应，即同时考虑被解释变量和解释变量的空间滞后性与相关性。因此，采用空间杜宾模型（SDM）对结果进行估计，之后通过LR检验确定最优模型，并通过Hausman检验判别是固定效应模型还是随机效应模型。结果表明在反地理距离权重矩阵下，LR检验在5%的显著性水平下拒绝了“SDM模型可以简化为SAR模型”和“SDM模型可以简化为SEM模型”的原假设。同时，SDM模型通过了在1%的显著性水平的Hausman检验。因此，应该选择具有固定效应的空间杜宾模型。

（四）实证结果分析

数字普惠金融对碳排放强度的空间估计结果如表3所示。一方面，在两种空间权重矩阵下，SDM模型的空间自回归系数（ρ）均显著为负，这表明各省（区、市）的碳排放强调具有明显的空间溢出效应，意味着本地区碳排放强度水平的降低会牵动邻近地区的碳排放强度水平的降低。另一方面，核心解释变量数字普惠金融与碳排放强度交互项显著正相关，意味着数字普惠金融对碳排放强度具有正向的空间溢出效应，说明本地数字普惠金融的发展能够带动邻近地区碳排放强度的提高。

由于SDM模型的参数估计结果存在不能准确地反应数字普惠金融发展降低碳排放强度的直接效应和空间效应的缺陷，为此，采用SDM偏微分法将数字普惠金融发展对碳排放强度的影响效应进行分解，效应分解结果如表4所示。其中，直接效应表示本地区数字金融发展水平对于本地区碳排放强度的影响，空间效应表示本地区数字金融发展水平对于周边地区碳排放强度的影响。具体而言，在两种地理权重矩阵下，空间杜宾模型均显著拒绝“直接效应为0”的原假设。而由于内生交互效应（Wx）的存在，会使得邻近地区的数字普惠金融对碳排放强度的影响传递到周边地区，且把源于邻近地区的变化的影响传回本地区，形成空间关联网络。

具体而言，直接效应显示数字普惠金融的发展能够显著降低本地碳排放强度。已有研究表明，数字普惠金融通过创新固碳技术、提升居民低碳消费偏好、对碳排放形成源头抑制三条路径实现本地碳排放强度的下降。而空间效应表明数字普惠金融的发展能够显著提高邻近地区碳排放强度。一方面，这是高碳化石能源的供求价格机制决定的。另一方面，类比污染避难所假说，这种现象的出现可能与邻近省（区、市）之间的碳排放就近转移有关。污染密集产业的企业倾向于建立在环境标准相对较低的地区。环境规制行为、能源结构调整等多重因素共同作用的结果，本地碳排放强度水平整体实现了下降，区域内环境规制要求相对提高，一方面，使得碳排放密集产业的企业倾向于转移到环境标准相对较低的周边地区；另一方面，由于数字普惠金融产品具有跨区域特征，本地碳排放水平较高的企业获取数字普惠金融产品的难度上升，使得本地高碳排放企业倾向于从其他地区获得数字普惠金融支持，提高企业经营效益，进而推动本地碳排放强度的下降，最终，出现本地碳排放强度降低、周边地区碳排放强度上升的影响差异。

需要指出的是，空间杜宾模型（SDM）的效应分解的估计系数反映的是平均效应，即本地自变量对于本地和周边地区的平均影响效果；而局部莫兰散点图的分析反映的是局部单元间的集聚情况，无法准确判断产生某种集聚状态的原因。因此，对于两种分析产生的差异并不具备可比性。

五、结论与启示

为进一步理清数字普惠金融与碳排放强度的空间关联性，基于2011年—2021年我国30省（区、市）的面板数据，通过计算莫兰指数对数字普惠金融发展水平和碳排放强度的省际空间集聚情况进行了分析，构建空间杜宾模型实证检验了数字普惠金融对与碳排放强度的空间效应。研究发现，本地数字普惠金融发展水平的提高，不仅促进了本地碳排放强度的降低，同时提高周边地区的碳排放强度。

为此，提出以下政策建议：（1）持续完善数字基础设施建设，夯实数字底座畅通金融信息的流动循环，为数字普惠金融的发展筑牢数据基础。（2）发挥数字普惠金融的降碳效应，利用数字技术精准识别金融需求，引导金融资本流入绿色低碳行业。（3）平衡数字普惠金融降碳的空间效应，政策协同推动碳排放合理配置，避免碳排放的空间转移与碳泄漏。

（作者单位：西北民族大学）