人工智能對區域綠色金融發展水平影響效應研究

李宇航 高微

摘? ?要：隨著大數據和人工智能的快速發展，人工智能技術已成為推動區域綠色金融發展的重要助力。根據2008—2019年30個省級面板數據，釋析人工智能對區域綠色金融水平的影響效應，結果表明，人工智能可提升區域綠色金融發展水平并體現出區域差異性，即對東部區域綠色金融的促進效應明顯高于中西部地區。為此，提出實施區域差異政策、培養專業技術人才和強化金融市場監管等建議。

關鍵詞：人工智能；綠色金融；技術市場；高質量發展

中圖分類號：F224? ? ? ?文獻標志碼：A? ? ? 文章編號：1673-291X（2023）16-0105-05

一、文獻綜述

近年來，隨著全球氣候變化和可持續發展目標的要求，綠色金融受到世界各國政府、金融機構和企業的廣泛關注[1]。發展綠色金融是實現經濟高質量發展和環境保護雙贏的關鍵路徑。2020年6月，中國證監會發布《關于加強投資者教育和綠色金融工作的通知》，提出了加強投資者教育、綠色金融機制建設、行業標準和綠色金融信息披露等要求；同年9月，中國銀保監會發布《關于進一步推動綠色信貸業務有序發展的指導意見》，明確了綠色信貸相關業務的業務范圍、綠色標準的確定和風險管理等內容；同年12月，歐洲委員會推出“歐洲綠色協議”，旨在加強歐洲的綠色金融基礎設施和綠色投資工具的研發，以支持歐洲在2030年前實現減排目標。可見，各國政府對綠色金融高度重視和支持，為企業和金融行業提供明確的指導和規范，為經濟向更加環保、可持續的方向轉型提供積極的推動力。在此背景下，人工智能作為一項顛覆性的技術創新，具有強大的數據分析和智能決策能力，可以有效提供更精確和高效的分析結果和決策支持[2]，從而實現綠色金融市場的規范化和可持續發展[3]。目前雖然學界對綠色金融的概念界定、影響因素和市場發展等方面進行了一定的研究，但是關注人工智能技術對綠色金融發展水平影響的研究較少。因此，本文基于創新擴散理論，對人工智能驅動下的中國綠色金融發展進行分析，旨在為綠色金融市場高質量發展提供有益的參考建議。

學界對綠色金融的研究主要包括以下方面。一是綠色金融的概念界定及基礎理論。Lindenberg（2014）認為，綠色金融是對公共和私人的綠色投資進行融資，包括環境產品和服務、環境和氣候損害的預防、減少和補償、鼓勵環境保護政策的實施，以及與綠色投資相關的金融體系和工具，如綠色氣候基金、綠色債券和結構化綠色基金等[4]。李曉西等人（2017）認為，綠色金融是以促進經濟、資源、環境協調發展為目的而進行的信貸、保險、證券、產業基金等金融活動[5]。Hemanand et al（2022）認為，綠色金融是專注于可持續經濟的可持續項目和政策的金融投資[6]。二是綠色金融發展現狀及測評。黃孝武等人（2022）基于綠色信貸、綠色證券等5個維度構建指標體系測算綠色金融發展指數，分析其區域差異與動態演進趨勢，得出中國綠色金融發展水平較低且呈現下降趨勢，但綠色金融發展相對差異的變化較為穩定等結論[7]。王君萍等人（2022）基于省級數據，運用熵權法及灰色關聯模型對中國區域綠色金融發展水平進行測度，發現其存在顯著的空間相關性，得出各省份的綠色金融發展整體水平較低的結論[8]。邢宇等人（2023）采用綠色投入、綠色產出維度的評價指標體系，利用DEA-Malmquist指數分析法測度2013—2020年中國綠色金融發展效率，探尋其區域差異及演化趨勢，得出綠色金融發展效率整體呈上升趨勢但存在顯著區域異質性的結論[9]。三是現有實證研究大多將綠色金融作為自變量或中介變量，深入探索其社會、經濟、環境效益，如綠色金融對經濟發展、產業轉型升級、碳排放等因素的影響[10-14]，但聚焦于綠色金融發展本身及其影響因素的研究仍存在一定的不足和局限。目前，雖然關注了綠色金融市場，但實現其可持續發展和穩定增長仍然需要深入研究和探索。

二、研究假說與設計

（一）研究假說

當前，中國人工智能技術被廣泛應用于各個領域，并成為促進金融產品創新、推動綠色金融發展的重要助力，對提高企業主營業務利潤、降低企業經營風險和促進金融業數字化進程等方面具有積極的作用[15]。人工智能技術對綠色金融的積極影響效應主要體現在以下方面。

第一，人工智能技術能緩解信息不對稱的問題，從而能有效識別和降低金融風險。人工智能技術能解決“數據孤島”問題，如通過對環境數據、企業數據和市場數據的深入挖掘，幫助金融機構更準確評估綠色金融項目的潛力和風險，從而提高其決策的科學性和有效性。

第二，人工智能技術能增加綠色金融產品供給，以滿足多層次的融資需求。人工智能技術可將海量的信息進行收集和整理，發現不同企業和客戶在不同場景、不同階段下的融資需求，增加綠色融資產品供給，實現供給端和消費端的精準匹配。

第三，人工智能技術能提升綠色金融服務水平，促進綠色金融高質量發展。人工智能技術可簡化金融機構自動化和數字化流程，減少材料消耗和人為錯誤，提高工作效率和消費者滿意度。同時，金融機構可通過人工智能技術應用提升綠色金融服務效率。

此外，人工智能技術與技術市場具有相互影響、相互促進的效應。人工智能技術的成熟和發展能促進技術市場發展并形成規模效應，從而推動人工智能產業和產業智能化發展。而技術市場化水平的提高能促進數據資源和人工智能產業的集聚，從而為人工智能發展提供必要的資金、技術和人才，持續促進人工智能技術的迭代升級和技術進步。人工智能技術可通過技術市場為金融機構和企業提供技術服務和技術支持，從而進一步影響區域綠色金融發展水平。比如，周杰琦等人（2023）認為，人工智能會提升區域綠色發展效率，且人工智能的產業結構優化效應在市場化水平上越高、人力資本積累越深厚的區域表現越為顯著[16]。綜合以上分析，本文提出以下假設：

假設1：人工智能技術有助于促進區域綠色金融發展水平。

假設2：人工智能技術可通過技術市場發展水平影響區域綠色金融發展水平。

（二）研究設計

1.模型構建。構建基準回歸模型分析農地流轉對農業碳生產率的影響，其模型為：

GFit=η0+η1AIit+η2ΣXit+γi+μt+εit（1）

其中，GFit表示被變量綠色金融發展水平，AIit表示核心解釋變量人工智能；i代表省份，t代表時間；Xit為一系列控制變量的集合，包括產業結構、工業化水平、人力資本水平和對外開放程度；γi代表區域固定效應，μt為年份固定效應，εit為隨機誤差項；η0、η1和η2為待估參數，其中η1是本文關注的核心參數。

為進一步分析人工智能提升區域綠色金融發展水平，根據前文研究假設，進一步檢驗人工智能通過影響技術市場發展水平對區域綠色金融發展水平的傳導機制，本文借鑒以往研究方法，使用逐步回歸發構建中介模型。其模型為：

Mit=θ0+θ1AIit+θ2ΣXit+γi+μt+εit（2）

GFit=ψ0+ψ1AIit+ψ2Mit+ψ3ΣXit+γi+μt+εit（3）

其中，Mit為中介變量，由技術市場發展水平表示。如果方程中的η1、θ1、ψ1系數均顯著，則存在中介效應。

2.變量定義。變量主要包括被解釋變量和核心解釋變量：

（1）被解釋變量。本文采用工業機器人安裝密度作為各省人工智能狀況的代理變量（AI）。工業機器人數據來自于國際機器人聯盟（IFR），本文參考Bartik（1991）和康茜（2021）的做法，將各行業層面的機器人數據轉化為省級數據。其測算方法為：

Bit=■（Fit×Ritj）

其中，Bit表示i省t年的工業機器人安裝密度，Fit表示j行業年的各行業機器人數量，Ritj表示i省t年j行業就業人數與全國總就業人數的比重。

（2）核心解釋變量，即綠色金融發展水平（GF）。參考方建國（2019）的做法，從綠色信貸、綠色投資、綠色保險和政府支持四個層面出發，構建區域綠色金融發展水平指標體系。本文采用熵值法對各項指標權重進行測度，最終得到各省域綠色金融發展水平指數。為消除各指標在量綱、數量級及方向上的差異，本文對各指標進行標準化處理，其公式為：

正向指標：

Xij=■（4）

負向指標：

Xij=■（5）

計算熵值的權重和得分：

第一，先構建原始指標數據矩陣，設有m個城市，有n項評價指標，矩陣公式為：

X={Xij}m×n（0·i·m，0·j·n）（6）

第二，第j項指標的熵值為：

ej=-k■PijlnPij，j=1，2，...，n（7）

其中，Pij ij/■Xij，=1/ln n，且ej≥0。

第三，計算信息熵的冗余度：

dj=1-ej（8）

第四，計算各指標的權重為：

wj=■0·wj·1，■wj=1（9）

第五，計算各指標的綜合得分：

wj=■wj·X■（10）

基于以上步驟，使用熵值法計算綠色債券、綠色投資、綠色保險和政府支持的權重系數，見表1。將各項指標的權重系數乘以標準化后的指標數據，可計算出各省域綠色金融發展水平。

中介變量：本文以技術市場發展水平作為中介變量，以各省技術市場成交額占GDP的比重表示。

控制變量：為更加全面地分析人工智能對區域綠色金融發展水平的影響效應，還需要研究可能影響綠色金融的其他因素。通過對以往研究，本文選取以下控制變量。一是產業結構（IS）：以第三產業產值與第二產業產值的比值表示，反映不同區域產業結構情況；二是工業化水平（II）：以工業增加值與地區生產總數的比值表示，反映不同區域工業化水平；三是對外開放程度（FO）：以貨物進出口總額與GDP的比值表示，反映不同區域對外開放程度；四是人力資本水平（HC）：以高等學校在校生人數與總人口數的比值表示，反映不同區域人力資源水平。

3.數據來源與樣本選擇。根據數據的可得性和完整性，本文選取2008—2019年中國30個省份相關數據開展研究。其中指標初始數據來源于《中國統計年鑒》《中國工業統計年鑒》《中國保險年鑒》《中國科技統計年鑒》，部分缺失指標采用線性插值法進行補齊。各指標的描述性統計見表2。

三、實證結果分析

（一）基準回歸

根據公式進行基礎回歸，初步得出人工智能與區域綠色金融發展水平間的關系，其結果如表3所示。

表3列（1）中人工智能系數為0.030 7，且在5%的水平上顯著。隨著控制變量逐步增加，列（2）至列（5）中人工智能的系數均為正，且均在10%以及5%的水平上顯著。以上結果表明，人工智能可提升區域綠色金融發展水平，即人工智能每提高1%，區域綠色金融發展水平將提高0.0285%，假設1得到了驗證。

（二）內生性檢驗

為進一步消除內生性問題，本文選擇人工智能的滯后一期作為工具變量，采用二階段最小二乘法進行回歸。其結果見表4。

表4第（1）列中，一階段顯示IV系數估計值在1%的水平上顯著為正，驗證了相關性假定。F統計量檢驗值大于10，消除了弱工具變量的問題。此外，第（2）列中Kleibergen-Paap rk LM統計量p值全部小于0.1，拒絕了識別不足的原假設；Kleibergen-Paap-rk-Wald F統計量大于10，也表明并不存在弱工具變量的問題。第二階段回歸結果顯示，人工智能系數在10%的水平上顯著為正，說明在緩解內生性問題后，本文的結論依然成立，即人工智能能夠顯著提升區域綠色金融發展水平。

（三）穩健性檢驗

為避免數據中存在異常值對回歸結果造成影響，對樣本進行1%雙側縮尾處理。本文上述分別對所有變量小于第1個百分位數的值替換為第1個百分位數，對所有變量大于第99個百分位數的值替換為第99個百分位數，見表5。

根據表5中的回歸結果可發現，人工智能的系數方向和顯著性水平并沒有發生變化，所以上文回歸結果是穩健的。

四、機制與異質性分析

（一）機制分析

本文根據公式（2）和（3）驗證了技術市場發展水平（TD）的中介作用，見表6。

根據表6所示，人工智能系數在10%的水平上顯著為正，表明人工智能對區域綠色金融產生了積極影響，這與前文的研究結論一致。將人工智能與技術市場水平同時納入回歸模型中，人工智能和技術市場發展水平顯著為正。結合列（1）和（2）結果，表明人工智能通過提升技術市場發展水平能積極促進區域綠色金融發展，假設2得到驗證。

（二）異質性分析

中國各區域的經濟發展水平、營商環境、資源稟賦等具有較大的差異，且區域綠色金融發展水平不均衡，那么，其人工智能對不同區域綠色金融發展水平的促進作用是否也有差異。為此本文將30個省份劃分為東部、中部和西部，進一步分析不同區域下人工智能對區域綠色金融發展水平影響效應的差異，見表7。

從表7第（1）至第（3）列中看，東部地區人工智能系數顯著高于中部和西部地區，表明人工智能對東部地區綠色金融發展水平的提升效應明顯高于中部和西部地區。

五、結論與對策

本文基于2008—2019年中國省級面板數據，開展人工智能對區域綠色金融發展水平的影響效應研究。結果表明，人工智能技術的引入能夠提升區域綠色金融發展水平，人工智能可通過技術市場發展水平促進區域綠色金融水平的提升。人工智能對不同區域綠色金融發展水平存在差異性影響，即人工智能技術對東部區域綠色金融的促進效應高于中西部地區。基于以上結論，本文提出以下建議。

第一，實施區域差異政策。針對區域綠色金融發展的差異性，以及人工智能技術在不同地區對綠色金融發展影響的異質性，政府應實施區域差異化政策。比如，對技術創新能力較弱的地區加大人工智能技術的培訓和支持力度，對技術先進的地區通過激勵政策和引導基金等方式推動開展更多的創新項目，以促進人工智能技術與綠色金融的深度融合。

第二，培養專業技術人才。人工智能技術在綠色金融領域的應用需要具備相關知識和技能的專業人才，因此，政府和高校等科研機構應加大對人工智能和綠色金融交叉領域人才的培養力度，培養能深入理解綠色金融和人工智能技術的高素質從業人員，有效促進人才的區域流動；鼓勵學界、金融機構和企業間的交流合作，促進人工智能技術的推廣和應用。

第三，強化金融市場監管。為確保人工智能技術在綠色金融應用的安全可靠，政府有關部門應制定相關政策和法規，明確人工智能在綠色金融中的應用范圍、準入條件和監管要求；建立綠色金融和人工智能技術的評估體系，對相關產品和服務進行評估和監測；加強對數據隱私和信息安全的保護，提高公眾對人工智能技術在綠色金融中的信任度。

參考文獻：

[1]? ?Sachs J D， Woo W T， Yoshino N. Why Is Green Finance Important？[M].Rochester，NY：2019.

[2]? ?徐國慶，蔡金芳，姜蓓佳. ChatGPT/生成式人工智能與未來職業教育[J].華東師范大學學報（教育科學版），2023（7）：64-77.

[3]? ?廖高可，李庭輝. 人工智能在金融領域的應用研究進展[J].經濟學動態，2023（3）：141-158.

[4]? ?Lindenberg D N.Definition of Green Finance[J].Economic Review，2014（6）.

[5]? ?李曉西. 綠色金融盈利性與公益性關系分析[J].金融論壇，2017（5）：3-11.

[6]? ?Hemanand D，Mishra N，Premalatha G.Applications of Intelligent Model to Analyze the Green Finance for Environmental Development in the Context of Artificial Intelligence[J].Computational Intelligence and Neuroscience，Hindawi，2022（24）.

[7]? ?黃孝武，宗樹旺，林永康.綠色金融發展的區域差異及創新效應[J].統計與決策，2022（24）：139-142.

[8]? ?王君萍，劉亞倩，李善燊.“雙碳”目標下區域綠色金融發展時空特征及障礙因子診斷[J].生態經濟，2022（10）：53-61，87.

[9]? ?邢宇，邊衛軍.中國綠色金融發展效率的區域差異與動態演變趨勢[J].新疆社會科學，2023（2）：62-72.

[10]? ?肖仁橋，肖陽，錢麗.綠色金融、綠色技術創新與經濟高質量發展[J].技術經濟，2023（3）：1-13.

[11]? ?史代敏，施曉燕.綠色金融與經濟高質量發展：機理、特征與實證研究[J].統計研究，2022（1）：31-48.

[12]? ?謝東江，胡士華.綠色金融、產業結構與城市工業綠色全要素生產率[J].國際金融研究，2023（5）：46-56.

[13]? ?謝東江，胡士華，包蕓夕.綠色金融能否提高中國城市綠色全要素生產率：基于中國285個城市的證據[J].中國地質大學學報（社會科學版），2023（6）：1-16.

[14]? ?杜明軍.綠色金融對環境治理的政策效應及異質性識別[J].統計理論與實踐，2023（4）：10-20.

[15]? ?劉曉雁，陳柯宇，陳柯宇.人工智能加速金融業數字化進程[J].時代金融，2023（5）：4-6.

[16]? ?周杰琦，陳達，夏南新.人工智能、產業結構優化與綠色發展效率：理論分析和經驗證據[J].現代財經（天津財經大學學報），2023（4）：96-113.

[責任編輯? ?興? ?華]