数字金融、绿色技术创新与全要素碳生产率
2024-10-08原昕鹤苏民
摘 要：为贯彻新发展理念，助力“双碳”目标实现，做深做实数字金融，助力绿色低碳发展。选取我国2012—2021年30个省份的面板数据，以固定效应模型实证考察数字金融对全要素碳生产率的影响，以调节效应和门槛效应模型，实证检验绿色技术创新和地方政府负债水平在数字金融助力全要素碳生产率增长过程中产生的影响。研究表明，数字金融对碳生产率存在显著的促进作用，绿色技术创新强化了其促进作用。在此基础上，进一步检验了绿色技术创新和地方政府债务的门槛效应。结果表明，数字金融对全要素碳生产率的提升作用在绿色技术创新的调节作用下存在双门槛效应，随着绿色技术创新水平的提高，数字金融对全要素碳生产率的边际作用效果先增强后减弱；而伴随着地方政府债务规模的扩张，数字金融对全要素碳生产率的促进作用逐渐减弱，存在单门槛效应。鉴于此，提出激发数字金融节能减排活力、构建绿色低碳技术体系与合理控制政府债务规模的相关建议，为践行中国式现代化道路提供理论参考。
关键词：绿色技术创新；数字金融；地方政府债务；碳排放
中图分类号：F 124.3
文献标识码：A
文章编号：1672-7312（2024）05-0489-10Digital Finance，Green Technology Innovation
and Total Factor Carbon Productivity
YUAN Xinhe，SU Min
（College of Economics and Management，Taiyuan University of Technology，Jinzhong 030600，China）
Abstract：To implement the new development concept and help realize the goal of “double carbon”，digital finance should be deepened and strengthened to help green and low-carbon development.Based on the panel data of 30 provinces in China from 2012 to 2021，this paper examines the impact of digital finance on total factor carbon productivity through empirical research with a fixed effect model and empirically tests the impact of green technology innovation and local government debt level on the growth of total factor carbon productivity with a moderating effect and threshold effect model.The study shows that digital finance has a significant effect on carbon productivity，and green technological innovation strengthens its promotional effect.On this basis，the threshold effects of green technological innovation and local government debt are further examined，and the results show that under the moderating effect of green technology innovation，there is a double-threshold impact of digital finance on the enhancement of total factor carbon productivity，and with the improvement of the level of green technological innovation，the marginality of digital finance on total factor carbon productivity is enhanced firstly and then weakened；and along with the expansion of the local government debt scale，the contribution of digital finance to total factor carbon productivity gradually weakens，and there is a single-threshold effect.Given this，the paper puts forward relevant suggestions to stimulate the energy-saving and emission-reduction vitality of digital finance，build a green and low-carbon technology system，and reasonably control the scale of government debt，to provide theoretical references for practicing the modernization road of Chinese style.
Key words：green technological innovation；digital finance；local government debt；carbon emissions
0 引言
随着我国工业化、城镇化进程的明显加快，居民消费结构快速升级，政府高度重视经济社会与生态环境的协调发展，数字金融逐渐成为拉动我国经济高质量发展的重要引擎。通过推进城镇化低碳、绿色发展，推动经济结构转型和技术进步，弱化城镇化的碳排放效应，可以有效推进低碳经济发展[1]。党的二十大报告指出：“推动经济社会发展绿色化、低碳化是实现经济高质量发展的关键环节”。这是根据加速发展模式向生态友好型转变的战略安排以及促进人与自然和谐共生的中国式现代化本质要求。对此，为助力“双碳”目标的实现，以二十大精神为指引，推动绿色发展，统筹协调碳减排和经济高质量增长，成为当前亟须面对的紧迫任务，需要科技创新、资金投入和高效的政策机制。
“十四五”时期，我国以高质量发展为主题，全面贯彻新发展理念，推动绿色低碳发展。在衡量低碳经济发展质量的指标中，全要素生产率作为驱动社会经济高质量发展的额外效率，是保障经济可持续增长的重要引擎[2]。但是传统的全要素生产率只考虑了生产要素的投入限制，没有考虑到环境规制和资源消耗的影响。而资源和环境不仅是影响经济发展的内在因素，更是影响经济发展规模和速度的硬约束[3]。此时，碳生产率作为绿色低碳发展领域的重要概念，可以综合考虑环境与经济两方面因素，能够同时将碳减排和推动经济稳增长的目标相结合，以衡量在一定技术水平条件下单位二氧化碳的经济产出[4-6]。因此，在坚持不懈推动绿色低碳发展背景下，为了有效推进经济稳增长、碳减排和能源革命的同步进程，有必要对全要素碳生产率进行科学测度，并探究其提升路径，打破碳排放对经济增长的紧约束，构建“双碳”经济新体系，推动经济绿色复苏与高质量发展。
当前，数字技术革命方兴未艾，做好数字金融这篇大文章，推动金融与数字技术的有机融合，使传统产业向高端化、绿色化、智能化方向发展，可以为落实“双碳”目标和实现经济转型升级提供强大智力支持和技术支撑。因此，在新一轮科技革命和产业变革中抓住历史性机遇，推动产业向绿色化方向发展，建立数字化绿色化良性循环，有助于增强社会经济发展的接续性和竞争力。已有研究表明，数字金融在环保领域的应用，不仅可以在“提能效”和“碳移除”等方面实现碳减排，还可以为全要素碳生产率的提升发展提供新机遇[7]。
与此同时，作为驱动绿色发展的核心动力，创新可以将知识成果进行转化应用，通过研发，减少碳排放污染[8]。数字科技变革如火如荼地进行，为绿色技术创新的发展提供了新机遇，通过加速数字技术与能源开发、绿色制造等领域的紧密结合，可以增强绿色技术创新对全要素碳生产率的助推作用。此外，在经济发展新常态下，数字金融发展也深受地方政府债务影响，地方政府合理举债对于推动数字金融的发展、减少碳排放和提升碳生产率起着重要作用。
综上所述，发现目前虽然许多研究已经对数字金融和低碳发展的关系进行了深入探讨，但大多集中在对碳排放的影响上，仍需要进一步完善。全要素碳生产率作为一种相对指标，可以更好地衡量单位碳排放所带来的经济效益。立足于此，以2012—2021年省级面板数据为研究样本，将数字金融、绿色技术创新、地方政府债务和全要素碳生产率纳入同一研究框架，借助固定效应、调节效应模型实证检验绿色技术创新在数字金融影响全要素碳生产率增长中的作用机制；同时，利用面板门槛模型对绿色技术创新的调节作用进行进一步检验；在此基础上，对地方政府债务的门槛效应进行实证检验，为更好地助力我国“双碳”目标实现、协调推进“双循环”，赋能低碳发展、构建绿色新发展格局并提升国家创新能力和国际竞争力提供有力的决策参考。
1 文献综述
数字金融作为新一代金融服务方式，通过与大数据、互联网和云计算等数字创新技术的深度融合，提升了传统金融服务的深度、广度、速度与温度。学术界对数字金融这种新型经济形态给予极高的关注，就数字金融的内涵特征而言，数字金融是数字技术与普惠金融的有机结合，相较于传统金融，其凭借门槛低、成本低和覆盖广的优点，呈现出明显的亲民特征，快速发展有利于优化社会资源和财富的配置，这是其核心功能[9]。因此部分学者从其发展水平测算层面开始展开研究，国外有学者参考联合国人类发展指数的构建方式，从渗透度、可利用性和使用状况三个维度出发，构建金融服务指标体系进行比较研究[10]；在国内，北京大学数字金融研究中心研究员在2016年发布了北京大学数字金融指数[11]，通过建立数字金融指标体系，利用一般层次分析法和变异系数法确定各指标权重，计算得出数字普惠金融指数，是目前可以较为全面地反映中国各省数字金融发展情况的数据指标。
全要素碳生产率是指产品和服务中所包含的能源消耗和温室气体排放量与总效用之间的比率，具体指在一定时期内，单位碳排放量所能创造的经济价值或产出。因此，碳排放和全要素碳生产率之间存在着密切关系，控碳减排在促进全要素碳生产率提升方面起着关键作用[12]。降低碳排放不仅有助于舒缓环境承载压力，还能够增强经济活动的效能与长久性，进而促进全要素碳生产率的优化提升。因此，从数字金融对低碳发展的直接和间接贡献两个维度展开深入探讨，全面梳理数字金融对全要素碳生产率影响的相关研究。旨在深刻剖析数字金融在推动碳减排、提升全要素碳生产率方面的核心作用，以期为政策制定者和实践者提供有益的参考和启示。
就数字金融对推进低碳发展的直接贡献而言，一方面，数字金融可以通过数字化支付手段降低支付成本，同时降低交易过程中的碳排放[13]；另一方面，数字金融还可以通过改变传统信贷模式，提升企业的金融可得性，拓宽融资渠道，使碳减排能力得到充分释放[14]；此外，数字金融的发展也可以有效促进碳排放效率的提升[15]。
就数字金融驱动低碳发展的间接贡献而言，已有研究表明，数字金融可以通过促进经济增长、技术创新与产业结构升级等来改善碳排放绩效[16]。首先，根据偏向性技术进步理论可知，绿色低碳技术创新作为实现“双碳”目标的关键驱动力，不仅从技术层面为实现低碳、零碳、负碳提供实践方法，还对绿色低碳产业的发展发挥推动作用，因此，绿色技术创新是协调数字金融发展和提升碳排放绩效的关键路径[17]。其次，数字金融还可以通过其庞大的市场规模为低碳技术创新提供发展平台，激活绿色技术创新在提升碳生产率方面的助推作用[18]。最后，数字金融可以通过研发和推广节能、环保、低碳的技术和设备，提高能源利用效率，降低单位产出的碳排放量。这些技术创新可以应用于工业、建筑、交通等各个领域，推动产业转型升级，提高全要素碳生产率。已有学者通过岭回归模型分析发现，科技创新对碳排放的影响相比较大[19]。因此文章拟从绿色技术创新角度研究数字金融对碳排放和全要素碳生产率产生的影响。
此外，在经济下行周期，传统政绩导向刺激地方政府加大举债，靠借钱融资提供公共服务，补齐地区基础设施建设短板，弥补公共服务消费的不足。这些举措在一定程度上确实有助于吸引外商投资，推动技术创新和进步，进而促进碳减排[20]。但在现实生活中，地方政府可能会为了满足资金需求，通过一定渠道筹集所需资金，这可能会对市场经济发展造成干预，影响科技创新资源的分配和利用，制约科技金融的发展[21]，从而可能对减少碳排放，提升全要素碳生产率产生负面影响。
总的来说，数字金融作为推动中国式现代化的重要工具，不仅可以直接作用于碳减排，还可以通过推动绿色技术创新发展为碳生产率的增长注入活力。因此，文章将数字金融、绿色技术创新和全要素碳生产率纳入同一研究框架，以期厘清它们之间的关系，为抢占绿色发展先机，推动科技创新，实现科技自立自强提供理论参考。
2 理论分析与研究假设
2.1 数字金融对全要素碳生产率的影响
绿色低碳经济理论中，碳生产率作为一个重要概念，主要代表碳排放所能够产生的经济效益，其核心在于寻找在特定条件下能够实现最大经济产出的最低碳排放量[22]。因此，通过减少碳排放，不仅能够降低对环境的负面影响，还能显著提高经济活动的效率，进而实现全要素碳生产率的显著提升。
数字金融对全要素碳生产率的影响可从供需两侧分别进行说明，在供给侧，首先，数字金融可以通过缓解资源错配、优化产业结构等方式间接促进城市绿色全要素生产率的提升[23]。通过数字化手段，更加精确地掌握企业的碳排放情况，从而有针对性地提供金融服务，引导金融机构节能减排。其次，利用数字化与智能化技术手段可以助力能源消费方式变革。再次，数字金融所提供的良好平台可以让金融机构对合作企业进行筛选和监督，有利于建立绿色生态管理系统，加快绿色金融资源循环配置，形成环境友好型企业[24]。在需求侧，数字金融能够通过激励引导消费者，利用生产技术、节能技术和环保技术，帮助双方更准确、更有效地了解彼此意愿，增强产品消费者之间的信息沟通能力，迅速识别出有效用户，从而减少资源投入，减少碳排放，促进碳生产率的提升。基于此，提出如下假设。
H1：数字金融对全要素碳生产率存在显著正向影响。
2.2 数字金融对全要素生产率的影响机制
数字金融可以提高地区技术创新活力[25]，通过提高绿色技术创新水平来推动全要素碳生产率的提升。数字金融为绿色技术创新开辟了多元化的融资途径与发展空间，借助绿色债券等融资工具，能够有效吸引更多资本流向绿色技术创新领域，推动其快速发展，促进区域绿色发展。数字金融与绿色技术结合而成的绿色金融作为我国金融改革创新的重要举措，不仅可以推进生态环保治理，还可以引导企业推进产业结构优化升级、培育绿色低碳产业，从而推进生态文明建设[26]。要想加快绿色转型，解决突出生态环境问题，客观上，就要求数字科技发挥支撑和引领作用，有效发挥我国制度优势、资源条件、技术潜力和市场活力，而绿色技术创新正与此发展需求不谋而合，已有文献证实绿色技术创新在数字金融与低碳发展之间存在显著促进作用[27]。一方面，绿色技术创新可以加快数据要素与其他传统生产要素的融合，充分释放数据要素的使用价值，提高传统生产要素的价值，打破地区间的资源禀赋差异，提高生产要素在地区之间的协同配置效率，实现碳减排，提高碳排放绩效；另一方面，绿色技术创新能够显著提高能源利用效率，降低单位产出的碳排放量，有助于企业降低生产成本，提高经济效益，提升全要素碳生产率。因此，绿色技术创新作为数字金融与全要素碳生产率之间的桥梁，发挥着至关重要的作用。据此，提出如下假设。
H2：绿色技术创新在数字金融影响全要素碳生产率增长的过程中发挥正向调节作用。
在上述假设基础上，绿色技术创新的调节作用可能会存在门槛特征，一方面，绿色技术创新是以创新为主导，摆脱传统生产和增长方式、符合新发展理念的先进生产力，可以赋能制造业绿色低碳发展，实现减排增效；另一方面，随着绿色创新技术的不断发展，其助推作用可能存在技术壁垒，导致融资成本增加，技术难以实现突破，发展受到限制。已有文献证实绿色技术创新可以通过改革组织管理的方式，在促进数字金融推动产业结构优化升级的过程中存在门槛效应[28]。具体表现为，当绿色技术创新发展水平不足时，科技资源使用效率较低，科技创新和经济发展难以有效结合，造成数字金融通过绿色技术创新提升碳排放绩效的边际作用减小。随着绿色技术创新体系的构建与完善，不断激发绿色技术创新动力与活力，有助于不断消除创新资源配置扭曲，促进碳减排、碳零排及碳负排，提高碳排放效率。但是，绿色技术创新的进一步发展，可能会迫使地区加快研发速度以契合市场需求，导致地区对技术创新投入变化的敏感度降低。据此，提出如下假设。
H3：数字金融对全要素碳生产率的助推效应会随着绿色技术创新的加深而先增强后减弱。
2.3 地方政府债务对数字金融和全要素生产率的门槛效应
金融作为现代经济体系的核心，与科技创新相结合可以赋能全要素碳生产率提升，加快构建绿色生产体系。但是，数字金融的发展在一定程度上会受到地方政府债务融资的影响，地方政府治理的重点在于强化社会管理与公共服务职能，数字化时代所具有的开放性和互动性特征，使数字技术可以赋能提升公共服务水平，通过提升数字化水平来优化民政服务信息等公共数字化服务，二者互相促进，共同发展。因此，为了实现公共数字化服务的提档升级，政府需要提供优质的公共服务来支持数字金融行业发展。此时，地方政府通过借债来填补财政赤字，维护区域基础设施建设和运营，这种做法在一定程度上可以提高资源配置效率，降低能耗，实现碳减排，提升全要素碳生产率；但是，随着举债规模的增加，地方政府为筹集资金不可避免地会干预市场运作，对科技创新资源配置和绿色技术创新活动产生影响，从而限制全要素碳生产率的持续稳定增长。文章推测地方政府借债融资可能会对数字科技资源的配置产生影响，导致数字金融对全要素碳生产率的影响程度也随之发生改变。因此，在经济新形势下，地方政府适度借贷对于推动数字金融发展，提升全要素碳生产率的增长具有重要意义。基于以上情况，可以推断以下假设：
H4：数字金融对全要素碳生产率的助推效应会随着地方政府债务规模的增加而减弱。
3 研究设计
3.1 变量选取与数据说明
3.1.1 被解释变量：全要素碳生产率（TCP）
文章的研究重点在于全要素碳生产率，针对碳生产率，按测算方式可分为单一要素碳生产率和全要素碳生产率两种。单一要素碳效率是碳排放和某一投入产出要素的比值，也被称为碳强度。全要素碳生产率是考虑多元投入要素下的实际碳排放与最优碳排放的比值，相比之下，全要素碳生产率可以综合考虑多种投入产出要素对碳排放的影响。Malmquist指数常被用作衡量碳生产率。为了涵盖非预期产出，研究者们基于Malmquist指数，结合SBM方向性距离函数，进而构建出Malmquist-Luenberger指数模型，能同时考量期望产出与非期望产出，在测量环境全要素生产率时得到普遍应用。因此，借鉴已有研究思路[18]，文章利用SBM方向距离函数和Malmquist-Luenberger生产率指标，测算得到2012—2021年中国省际全要素碳生产率指标，以衡量全要素碳生产率的增长变化情况。Malmquist-Luenberger生产率指数与面板数据的结合，有助于深入理解生产率的动态变化过程，并识别影响生产率变化的关键因素。投入产出指标见表1。
3.1.2 核心解释变量：数字金融（Dig）
文章的核心解释变量为数字金融指数，选用目前较为全面地反映中国各省份数字金融发展情况的数字普惠金融指数[29]，该指数由北京大学数字金融研究中心发布，发布后每年持续更新，具有以下优点：首先，该指数不仅考虑了数字金融服务所能覆盖的群体与领域，而且考虑了数字金融服务的使用深度，体现数字金融工具种类的增多和可得性的提升，同时考虑到数字金融服务的广度与深度，可以充分体现了数字金融的普惠价值；其次，数字金融会随着地区金融体系的发展而不断变化，同一地区在不同年份的数字金融状况有所不同。并且由于各地区在金融禀赋和经济发展水平存在差异，因此各地区同一年份的数字金融状况也会有所不同。所以该指数具有纵向和横向的可比性；最后，随着当前数字化程度的加深，金融服务已不单单局限于信贷服务，还包括支付、保险、投资、信用以及货币基金等服务，该指数能够有效地反映数字金融与数字技术的融合程度和普及程度。
3.1.3 调节变量：绿色技术创新（Innov）
文章在评估绿色技术创新时，参考郭炳南[28]的研究方法，选择绿色专利授权数量作为衡量指标。专利是绿色技术创新的重要成果，不仅可以体现绿色技术创新方面创新产出的整体情况，还可以在一定程度上反映对绿色发展的重视情况。文章的绿色专利授权数据来自incopat全球专利数据库。
3.1.4 门槛变量：绿色技术创新（Innov）和地方政府债务（Debt）
对于绿色技术创新指标的选取，上文已有说明，不再过多赘述。此外，由理论分析可知，地方政府适度举债对于推动数字金融发展和提高全要素碳生产率增长具有重要意义。因此，文章选取地方政府债务作为门槛变量进行研究。由于地方政府债务透明度不高，统计不准确，国家审计署和银保监会等机构的统计报告也存在差异，文章最终使用Wind数据库公布的各省地方政府债务与GDP比值来衡量地方政府债务。
3.1.5 控制变量
为了提高回归模型拟合的准确性，选择有可能会影响全要素碳生产率的特征变量作为控制变量进行回归，具体包括：城市化水平（URB），通过各省份非农人口占总人口比重来衡量。研发投入强度（R&D），采用研究与试验发展（R&D）经费内部支出占 GDP 比重表示。工业规模（IS），采用各省份工业企业单位数量取对数表示。金融发展水平（Fin），以各省份金融机构存款和贷款总额占GDP比例衡量。人口规模（Pop），采用各省人口总量取对数表示。
3.2 样本选择与数据来源
由于西藏和港澳台地区部分数据不可得，为了确保研究结果的准确性，避免因样本量缺失而导致回归结果出现误差，文章最终选用2012—2021年中国30个省份的数据进行实证研究。数据主要来自《中国统计年鉴》、《中国能源统计年鉴》、各省份的统计年鉴和国家统计局网站。在对数据进行分析的过程中，对缺失数据用线性插值法补齐，对涉及经济性指标变量以2010年为基期进行调整，保证数据的完整性和一致性。另外，为了降低异方差性的影响，对部分变量取对数处理。
3.3 描述性统计
在进行回归分析之前研究样本进行描述性统计分析，相关结果见表2。
3.4 模型设定
对于面板数据而言，在建模之前需要检验模型应当使用固定效应回归或是随机效应模型，文章利用Hausman检验进行判别分析。Hausman检验的p值为0.007，因此拒绝原假设，使用固定效应模型。此外，无论是应用固定效应还是随机效应的估计方法，都可能存在估计量偏差的情况。为解决该问题，学者们使用一阶差分广义矩估计和系统广义矩估计来纠正模型的内生性偏差。然而，差分矩估计方法在处理数据时可能会面对弱工具变量的问题。对此，在样本时间跨度相对较短的情况下，相较于一阶差分矩估计，系统矩估计方法能更为有效地利用样本信息降低偏差，解决内生性问题。因此，运用固定效应模型和系统GMM估计以探究数字金融对全要素碳生产率的影响，并构建调节效应模型和面板门槛模型实证探究数字金融对全要素碳生产率的作用机制。
3.4.1 基准回归模型
为考察数字金融与全要素碳生产率的关系，文章首先构建以下基准回归模型：
TCP=α+αDig+αControl（1）
式中，下标 i、t 分别为省份与年份；μ和ε为个体效应与随机扰动项；TCP为被解释变量，表征全要素碳生产率；Dig为核心解释变量，表征数字金融指数；Control为控制变量集合。
考虑全要素碳生产率的滞后项后，计量模型构建如下
TCP=λ+∑mλTCP+λDig+λControl+μ+ε（Jn744wLzx6qBUswjHCIOpg==2）
3.4.2 调节效应模型
为验证绿色技术创新的调节作用，构建如下模型
TCP=γ+γDig+γInnov+γDig×Innov+γControl+μ+ε（3）
式中，Innov为调节变量，表征绿色技术创新水平。
考虑全要素碳生产率的滞后项后，计量模型构建如下
TCP=β+∑mβTCP+βDig+βInnov+βDig×Innov+βControl+μ+ε（4）
式中，TCP为省份i在第t-1期的全要素碳生产率增长水平；Dig为省份i在第t-1期间数字金融发展水平，其余变量解释与前文一致。
3.4.3 门槛效应模型
考虑到随着绿色技术创新能力的提升和地方政府负债规模的增加，数字金融对全要素碳增长率的影响也会有所不同。为了验证这一机制，文章采用 Hansen[30]的门槛回归模型，构建如下面板门槛模型
TCP=α+βDig×I（Innov≤λ）+βDig× I（Innov>λ）+βControl+μ+ε（5）
TCP=α+βDig×I（Debt≤λ）+βDig×IDebt>λ+βControl+μ+ε（6）
式（5）和（6）中，Innov和Debt为门槛变量，表征绿色技术创新水平和地方政府债务规模；λ为门槛值；I（·）为指示函数；Control为控制变量组，与基准回归模型包含的控制变量一致。
4 实证分析
4.1 基准回归结果分析
表3展示了数字金融对全要素碳生产率影响的回归结果。列（1）、列（2）为固定效应模型的回归结果，列（3）、列（4）为系统GMM模型的回归估计结果。根据第（1）列结果可知，数字金融在1%的水平上显著为正，表明其对全要素碳生产率增长有显著正向影响，数字金融指数每增加一个百分点，会使全要素碳生产率增长0.002个单位。而第（3）列为采用系统GMM方法的估计结果，主解释变量的检验结果依然显著为正，且均通过自相关检验与Hansen检验，与预期一致，假设1得到验证。表明数字金融确实会在一定程度上对全要素碳生产率起到促进作用。随着5G、人工智能和云计算等数字技术不断发展，数字化服务水平不断提高，促使能源消费模式由高碳转向mSj2Hbwi6jb/7crkOT38T/+SK80DG+qbh8lmyTPCAVI=低碳，这在一定程度上可以降低碳排放强度，扩大全要素碳生产率增长的空间。
表3中列（2）、列（4）汇报了绿色技术创新的调节效应检验结果。交互项系数显著为正，表明绿色技术创新有助于增强数字金融对全要素碳生产率的促进作用。绿色技术创新在提升数字金融服务效率方面扮演着重要角色，它不仅能够有效遏制“漂绿”现象所带来的负面影响，还能为绿色金融发展注入新动力，进而更好地促进数字金融对产业绿色创新的积极作用。通过这一创新手段，能够更加有效地推动绿色金融与产业的深度融合，实现可持续发展目标。另一方面也可以通过智慧城市、交通、生活等多种渠道推动碳减排，为碳达峰与碳中和贡献重要力量。因此，绿色技术创新可以强化数字金融对全要素碳生产率增长的促进作用，假设2得到验证。
此外，从控制变量来看，城市化水平对全要素碳生产率的影响显著为负，可能的原因是城镇化进程不可避免地增大了区域二氧化碳排放量，降低了全要素碳生产率的经济效益；研发投入的影响为正，这是因为研发投入在一定程度上会加快区域科技创新的步伐，促使“碳创新”和“科学降碳”，提升全要素碳生产率；工业规模的系数为正，可能是因为我国工业部门的结构变动对碳生产率的提高起到了促进作用，尤其是在一些重工业化的地区；金融发展水平对全要素碳生产率的影响为正，可能是在金融发展水平较高的城市和地区，智能化程度较高，发展方式先进，推动了碳减排进程，提高了碳生产率；人口规模的系数为正，可能的原因是，人口增长会促进低碳技术创新，这样会减少碳排放量，提高碳生产率。
4.2 稳健性检验
为了保证实证结果的准确性，文章采用剔除直辖市和替换变量两种方式对基准回归结果进行稳健性检验，首先，剔除北京市、上海市、天津市和重庆市的样本，采用系统GMM模型对实验结果进行重新估计。其次，借鉴已有研究方法，使用二氧化碳排放量与GDP的比值来替换全要素碳生产率的测度方式，对模型进行重新估计，结果见表4。各解释变量的系数估计值和显著性与前述模型结果基本一致，说明本研究结论保持稳健。
4.3 门槛效应分析
根据上文所述的理论分析，数字金融对全要素碳生产率的助推作用可能会随着绿色技术创新能力的提升而发生变化。使用Hansen面板回归方法进行研究，采用重复自抽样方法（Bootstrap）进行门槛效应检验，BS次数设置为500，结果见表5和表6，以绿色技术创新和地方政府债务为门槛变量时，分别通过了双重门槛和单一门槛检验。
表7报告了绿色技术创新和地方政府债务的门槛回归结果，由模型1可知，在不同的绿色技术创新水平下，数字金融对全要素碳生产率的提升均有促进作用，但不同阶段的影响效果存在差异，随着绿色技术创新能力的提升，数字金融对提升全要素碳生产率的边际作用规律为先增强后减弱。当绿色技术创新水平较低时，地区虽然只能基于自身的能力和资源进行创新研发，但在科研成果转化过程中所积累到的知识和经验，可以帮助地区抢占创新先机，达到碳减排的目的。随着绿色技术创新能力的进一步提升，达到相对较高水平时，数字金融对全要素碳生产率的提升作用最为明显。在较高的绿色技术创新水平下，地区更容易将外部的科技资源和创新技术转化为内在的发展动力。相应地，数字金融对提升全要素碳生产率的促进作用也会进一步凸显。但是，当绿色技术创新水平继续提升时，由于绿色创新技术的不断进步，大大缩短了科技产品的生产周期，迫使地区不得不加大研发投入，提升研发效率，这个过程会导致碳生产率对数字化发展和技术创新水平变化的敏感度降低。
由模型2可知，在不同的地方政府负债规模下，数字金融对全要素碳生产率均有助推作用，但不同阶段的影响效果存在一定的差异：随着地方政府负债规模的扩张，数字金融对全要素碳生产率的提升作用会发生减弱。当地方政府的负债水平较低时，地方政府可以通过举债融资来填补财政赤字，用于提升公共服务水平、优化资源配置，为金融科技产业提供资本、技术和人才等关键要素，加快数字金融活动的进行，促进全要素碳生产率的增长。但是，由于地方政府在任期内必须实现经济增长目标，会导致债务规模持续扩张，随着地方政府债务的继续膨胀，会对数字金融发展以及技术创新活动产生“挤出效应”，从而分流金融资源，面临较大偿债压力，资源的流失会导致数字金融产业发展受到约束，进而阻碍对全要素碳生产率增长的推动。
5 结论与建议
5.1 结论
文章选取2012—2021年间中国30个省份的面板数据，研究数字金融对全要素碳生产率的影响及作用机制。经过理论分析和实证检验，文章得出以下结论。
1）数字金融对全要素碳生产率具有促进作用，绿色技术创新可以强化这种促进作用。说明数字金融可以驱动全要素碳生产率的增长，而绿色技术创新可以起到助推作用。
2）绿色技术创新在数字金融影响全要素碳生产率增长中存在双门槛效应。在不同的绿色技术创新水平下，数字金融对碳生产率的增长均有正向影响，但不同阶段的影响效果存在差异：随着地区绿色技术创新能力的提升，数字金融对提升碳生产率的边际作用规律为先增强后减弱。
3）地方政府债务在数字金融影响全要素碳生产率增长中存在单门槛效应。在不同的地方政府债务水平下，数字金融对碳生产率的增长均有正向影响，但不同阶段的影响效果存在一定的差异：随着地方政府债务规模的膨胀，当通过单一门槛后，数字金融对碳生产率的促进作用有所下降。
5.2 建议
当前，全球正处于百年未有之大变局的深化阶段，新一轮科技革命正蓬勃兴起，全球产业链也正经历着本土化重构的趋势。在这一背景下，数字金融作为一种新兴的经济形态，以数据为关键要素，依托数字技术作为主要工具，以互联网为重要平台，正逐步渗透到人类社会生活的各个角落。因此，文章围绕数字金融对全要素碳生产率的影响展开研究，为加快推进经济发展数字化、绿色化转型，助力“双碳”目标实现提供有力支撑。结合研究结果，得到如下建议。
1）需要拓宽数字化碳中和路径。加快搭建统一的城市数字公共基础设施平台底座，建立体系化、标准化应用服务，为统筹城市规划建设治理，协调信息化、数字化发展奠定坚实基础，推动城市数字化转型和绿色低碳发展、提升城市治理效率和水平。此外，打造绿色技术创新引擎，加强绿色技术创新体系的建设，深化相关工作的完善，并着重强化绿色技术创新在降低碳排放方面的效果。通过不断完善和创新绿色技术，为社会的可持续发展提供强有力的支持。
2）通过推行动态化的绿色技术创新发展策略，使得绿色技术创新能够最大程度地促进数字金融提升全要素碳生产率。加大政策支持力度，强化绿色技术创新政策保障，促进科技成果等技术要素有效配置。依靠绿色技术创新所具有的高创新性和强渗透性，形成一批绿色新产品、新业态、新模式，加速创新平台集聚，加快创新主体成长，助力城市绿色技术创新能力保持相对较高水平，使数字金融对有效提升地区碳生产率的积极作用得到最大程度的发挥。
3）优化债务管理，实现资源高效配置。鼓励各地政府优化债务资金分配，建立健全债务限额机制，适度发行并完善专项债券管理机制，同时加大科技创新和教育投入，将资源重点配置于科研机构和绿色科技企业，营造良好创新环境，以最大化数字金融对碳生产率提升的促进作用。
参考文献：
[1] 金飞.我国城镇化对碳排放的影响及空间溢出效应研究[J].技术与创新管理，2023，44（02）：220-227.
[2]陈诗一.中国的绿色工业革命：基于环境全要素生产率视角的解释（1980—2008）[J].经济研究，2010，45（11）：21-34.
[3]王兵，吴延瑞，颜鹏飞.中国区域环境效率与环境全要素生产率增长[J].经济研究，2010，45（05）：95-109.
[4]ANONYMOUS.WORLD BANK GROUP：The carbon pr-oductivity challenge：Curbing climate change and sustaining economic growth[J].M2 Presswire，2008.
[5]肖皓，杨佳衡，蒋雪梅.最终需求的完全碳排放强度变动及其影响因素分析[J].中国人口·资源与环境，2014，24（10）：48-56.
[6]梅辉扬，傅志华，梅霞.中国全要素碳生产率的分布动态、地区差异与收敛性研究[J].宏观经济研究，2023（12）：40-57.
[7]TAMAZIAN A，CHOUSA P J，VADLAMANNATI C K.Does higher economic and financial development lead to environmental degradation：Evidence from BRIC countries[J].Energy Policy，2008，37（01）：246-253.
[8]刘姝宁，杨朝均.中国低碳创新的研究脉络演进及热点领域分析[J].技术与创新管理，2020，41（01）：24-33.
[9]吴昌嵘，陈晨，孟晓文，等.数字普惠金融对南北方居民消费影响的差异分析——基于省级面板数据的实证[J].时代经贸，2022，19（05）：22-30.
[10]SARMA M，PAIS J.Financial Inclusion and Development[J].Journal of International Development，2011，23（05）：613-628.
[11]北京大学互联网金融研究中心课题组．北京大学数字普惠金融指数（2011—2015）[R].北京，2016．
[12]王璇，侯正，方勇.双向FDI、环境规制与碳生产率[J].经济与管理研究，2022，43（12）：50-64.
[13]贺茂斌，杨晓维.数字普惠金融、碳排放与全要素生产率[J].金融论坛，2021，26（02）：18-25.
[14]武苏粉，杨佩.数字普惠金融对商贸流通业碳减排的影响[J].商业经济研究，2023（19）：144-147.
[15]姚凤阁，王天航，谈丽萍.数字普惠金融对碳排放效率的影响——空间视角下的实证分析[J].金融经济学研究，2021，36（06）：142-158.
[16]邓荣荣，张翱祥.中国城市数字金融发展对碳排放绩效的影响及机理[J].资源科学，2021，43（11）：2316-2330.
[17]曹薇，赵伟，司玉静.数字经济对低碳发展的影响效应研究——基于绿色技术创新的调节效应与门槛效应分析[J].软科学，2023，37（09）：47-54.
[18]黄宇宁.数字经济、低碳技术创新与全要素碳生产率[J].技术经济与管理研究，2023（08）：26-32.
[19]臧庆玉.科技创新与碳排放[J].技术与创新管理，2012，33（03）：256-258.
[20]孙英杰，林春.财政分权、地方政府债务和全要素生产率——基于省际面板数据的实证分析[J].经济经纬，2018，35（06）：135-142.
[21]陈一琳，林炳华.科技金融效率与全要素生产率的关系研究——基于地方政府债务的门限效应[J].福建金融，2020（11）：13-21.
[22]ADKISSON V R.The origin of wealth：Evolution，complexity，and the radical remaking of economics[J].Eastern Economic Journal，2009，35（01）：133-135.
[23]惠献波.数字普惠金融与城市绿色全要素生产率——内在机制与经验证据[J].南方金融，2021（05）：20-31.
[24]滕磊，马德功.数字金融能够促进高质量发展吗？[J].统计研究，2020，37（11）：80-92.
[25]邵帅，范美婷，杨莉莉.经济结构调整、绿色技术进步与中国低碳转型发展——基于总体技术前沿和空间溢出效应视角的经验考察[J].管理世界，2022，38（02）：46-69+4-10.
[26]鲁宇，李文祥.新发展格局下绿色金融推动“双碳”目标实现决策研究[J].技术与创新管理，2022，43（05）：576-580+596.
[27]郭丰，杨上广，任毅.数字经济、绿色技术创新与碳排放——来自中国城市层面的经验证据[J].陕西师范大学学报（哲学社会科学版），2022，51（03）：45-60.
[28]郭炳南，王宇，张浩.数字经济、绿色技术创新与产业结构升级——来自中国282个城市的经验证据[J].兰州学刊，2022（02）：58-73.
[29]郭峰，王靖一，王芳等.测度中国数字普惠金融发展：指数编制与空间特征[J].经济学（季刊），2020，19（04）：1401-1418.
[30]HANSEN B E.Threshold effects in non-dynamic panels：Estimation，testing，and inference[J].Journal of Econometrics，1999，93：345-368.
（责任编辑：严焱）
