環境規制調節下數字金融對綠色全要素生產率的影響

林炳華 曾艷

摘? ?要：“雙碳”背景下，衡量經濟發展質量的重要指標之一就是綠色全要素生產率。快速發展的數字金融已成為我國經濟發展的重要推動力，對重污染企業節能減排實現綠色低碳發展、提升綠色全要素生產率具有重要影響。本文基于2011—2021年滬深上市A股重污染行業面板數據，使用SBM-GML模型測算重污染行業綠色全要素生產率，利用固定效應模型研究數字金融對重污染行業綠色全要素生產率的影響，以及環境規制的調節效應。研究表明：數字金融顯著提升了重污染行業綠色全要素生產率；環境規制在本文主效應中起著負向調節的作用；進一步的機制檢驗表明，數字金融能夠通過綠色技術創新來提升重污染行業綠色全要素生產率；相較于非國有企業，數字金融對國有企業綠色全要素生產率提升作用更顯著；相較于中部，數字金融對西部和東部的影響更大。基于此，本文建議加快金融智能化和數字資產化，并制定差異性環境政策幫助重污染行業綠色轉型，助力高質量發展。

關鍵詞：“雙碳”；高質量發展；SBM-GML；固定效應

DOI：10.3969/j.issn.1003-9031.2024.02.004

中圖分類號：F830? ? ? ? ? ?文獻標識碼：A? ? ?文章編號：1003－9031（2024）02－0041－17

一、引言及文獻綜述

在經濟新常態下，踐行“綠水青山就是金山銀山”理念成為了社會共識，在追求經濟增長的同時，也應當注意加強環境保護，注意提高經濟發展的質量，不能用犧牲生態環境的方式來發展經濟。而重污染行業作為粗放式生產模式的代表，一直是大眾關注的焦點，其能否形成綠色低碳的生產方式，對我國的生態環境保護、實現“碳達峰”“碳中和”目標，以及經濟發展的質量有著極大的影響。因此，提高重污染行業綠色全要素生產率以轉變經濟發展方式、助力經濟高質量發展迫在眉睫。

金融作為實體經濟的血脈，是重污染行業提高綠色全要素生產率、實現綠色轉型的最重要的支持力量之一，是經濟高質量發展的最重要源泉動力之一。唐松等（2019）指出，數字金融能夠借助數字技術為客戶提供精準服務，甄別創業主體，引導金融資源流入創新項目，進而促進創新創業。謝絢麗等（2018）指出，數字金融能夠利用云計算、大數據等科技精準識別潛在客戶群體，通過緩解信息不對稱、提高金融服務質量、降低交易費用等方式來促進創新創業。Omarini（2018）指出，銀行通過借助數字技術能夠為企業提供更個性化、智能化的金融產品，從而拓寬企業的融資渠道，提高融資效率。此外，張勛等（2020）通過實證研究發現，數字金融是通過縮短居民日常的購物時間、便利支付方式來提升消費的。

隨著數字技術朝著縱深方向發展，數字金融除了對創新創業、融資效率、居民消費等領域影響巨大以外，同時也為綠色全要素生產率的提升指明了一個新的方向。在數字金融與綠色全要素生產率的關系方面，Sieke et al.（2019）指出，科學技術的推廣與應用，能夠促進金融機構工作效率的提升和結構的升級，使金融機構承擔更多保護環境的社會責任，朝著綠色金融方向發展。數字金融在經濟社會發展中充當著“綠色金融”的角色，這是由它的綠色屬性決定的，這也為我國企業提高綠色全要素生產率、經濟實現高質量發展指明了一條新的道路（朱杰堂等，2022）。范欣等（2021）通過實證方法檢驗了數字金融對綠色全要素生產率的促進作用，并且通過研究發現促進作用的傳導機制是地區創業與技術創新。此外，朱悅等（2022）將中國東部65個城市作為樣本，研究發現數字金融能夠通過促進綠色創新、產業結構調整升級與優化資金配置等方式提高綠色全要素生產率。Razzaq et al.（2023）通過研究發現，數字金融不僅能夠推動企業數字化轉型，還能有效支持企業能源貧困問題的解決，進而提高綠色全要素生產率。

在環境規制與綠色全要素生產率的關系方面，現有研究有兩種觀點。一些學者認為環境規制與綠色全要素生產率之間存在負向關系。郝良峰等（2021）認為隨著環境規制的實施，企業不得不采取有效措施來遵守環境保護相關規定，這勢必會提高企業合規成本，進而導致企業改善綠色全要素生產率資金不足的問題，即影響綠色全要素生產率的提高。Rubashkina et al.（2015）基于歐盟17個國家的制造業樣本數據，通過實證研究發現環境規制對這17個國家的制造業的綠色全要素增長率起著顯著的抑制作用。然而，一些學者認為環境規制與綠色全要素生產率之間存在正向關系。張建鵬等（2021）通過研究指出，雖然企業為了遵守環境政策相關法律或者規定，會增加在技術改造、環保設施方面的投入，從而推高企業的成本，但長期來看，合理的環保政策能夠促進企業綠色技術創新水平的提高，由綠色技術創新帶來的補償將大于前期的投入，因此能夠促進綠色全要素生產率的提升。Liang et al.（2020）將江蘇省物流業作為研究對象進行探討發現，環境規制能夠通過技術改造升級，促進江蘇省物流業的綠色全要素生產率的上升。

綜上所述，學者們已經對數字金融、綠色全要素生產率與環境規制展開了較豐富的研究，且多數研究聚焦在宏觀層面，而本文將研究視角放在微觀層面的重污染行業，并在驗證數字金融對重污染行業綠色全要素生產率作用的基礎上加入環境規制調節變量，檢驗環境規制與數字金融的協調配合對重污染行業綠色全要素生產率的影響，以期能為重污染行業實現綠色轉型、我國實現“雙碳”目標提供參考。

二、理論分析與研究假設

（一）數字金融與綠色全要素生產率

造成我國環境污染嚴重的重要主體之一就是重污染行業，想要實現高質量發展，必須把提升重污染行業綠色全要素生產率放在首要位置，因此需要加大污染治理投資和綠色資源投入以節能減排。由于綠色項目面臨著投資回報不確定、成本高、貸款周期較長等問題，許多金融機構將重污染行業的綠色項目拒之門外。而數字金融的出現打破了這一僵局。數字金融利用區塊鏈、大數據等技術，能夠使資本要素加速流動，促進區域創新（謝絢麗等，2018）。一方面，數字金融借助現代化數字技術，能夠突破時間、空間的限制向客戶提供金融產品與服務；另一方面，數字金融具有高效及低費用等特點，不僅能夠使企業獲得金融服務的門檻降低、成本降低，還能夠拓寬融資渠道，緩解融資約束，為企業綠色技術的創新與改造升級提供資金保障，激發企業創新活力（惠獻波，2021）。數字金融能夠利用數字技術為公眾“精準畫像”，緩解信息不對稱的同時擴大金融服務的范圍，有利于促進工業綠色發展。據此提出：

H1：數字金融與綠色全要素生產率呈顯著正向相關關系。

（二）環境規制的調節作用

環境規制能夠將環境污染的外部性轉變為內部性，實施環境規制是穩妥推進碳達峰碳中和、改善我國生態的重要抓手。環境規制不僅能夠約束企業的生產經營活動，同時也能夠引導投資者加大對企業綠色創新的關注。適當的環境政策能夠推動綠色技術的發展，進而提高綠色全要素生產率。這是由于，一是環境規制的實施，企業受到外部壓力而激發內生動力，倒逼企業改進技術，從而降低工業污染的排放量；二是能夠迫使企業積極利用數字金融來調動優化各種資源、要素，以獲得充分的資金購買節能減排設備，加強先進技術的推廣與應用，以降低工業能源消耗強度；三是隨著環境規制力度的增大，企業對于先進節能減排技術的需求更加強烈，有助于企業生產工藝不斷更新換代，產品技術含量不斷升高，推動自身綠色轉型升級，提高綠色全要素生產率，促進高質量發展。據此提出：

H2：環境規制顯著增強數字金融對綠色全要素生產率的影響。

“波特理論”認為（Porter，1999），企業綠色全要素生產率能夠得到提升的條件是，企業通過適當的環境規制帶來的創新補償超過其需要的成本。但由于產品研發和技術改造本身具有高風險性，投入到綠色環保項目得到的補償的不確定性也將極大提高，所以短期內綠色技術創新以及產業結構調整升級的效果可能不夠理想。加之企業為了達到環境規制的要求，除了在治理環境方面的成本會增加外，采購清潔設備、綠色原料進行生產時成本也會增加。保護生態環境、加強污染治理有利于創造社會效益，實現碳達峰、碳中和的目標，但由于環境政策會讓企業加大污染治理的投入，會使企業增加自身的成本，進而導致企業在激烈的市場競爭中處于劣勢地位。此外，治污成本的增加也將擠占企業的綠色技術創新投入，降低企業的綠色創新積極性，因此可能會抑制綠色全要素生產率的提升。據此提出：

H3：環境規制顯著削弱數字金融對綠色全要素生產率的影響。

（三）綠色技術創新的中介作用

由于綠色產品研發和技術改造具有高風險性，投入到綠色環保項目得到的補償也具有極大的不確定性，如果僅依靠國家補貼和企業內部資金，不足以支撐企業綠色創新，因此企業要積極拓寬外部融資渠道來滿足自身融資需求。依托人工智能、大數據等科技，具有高效率、低門檻等特點的數字金融，可以有效盤活金融資源，提升資源配置效率，為企業綠色技術創新提供資金保障。一方面，數字金融能夠增加企業融資數量。數字金融利用大數據等技術能夠更好的發揮長尾效應，緩解信息不對稱，拓寬企業融資渠道；同時，數字金融打破了時間和空間的限制，能夠降低交易成本、時間成本等，通過降低成本和拓寬渠道增加企業融資數量。另一方面，數字金融能夠提高融資質量。數字金融能夠精準評估項目風險的高低，并剔除掉高風險項目，增強風控能力，提高融資質量。此外，數字金融積極響應政府碳達峰碳中和目標，開發針對性的綠色服務與產品，提升企業金融服務可得性，為企業綠色轉型提供信貸支持，促進企業綠色全要素生產率的提升。據此提出：

H4：數字金融可以通過加強綠色技術創新來提高綠色全要素生產率。

三、研究設計

（一）模型設定

為檢驗數字金融對重污染行業綠色全要素生產率的影響，本文設定如下個體、時間雙向固定效應模型：

gtfp=α+αindex+αcontrol+μ+λ+ε? ?（1）

其中，gtfp表示i重污染行業在t時期的綠色全要素生產率，indexit表示i重污染行業所屬省份在t時期的數字金融發展水平。control為控制變量，μ和λ分別表示個體固定效應和時間固定效應，ε表示隨機擾動項。

為驗證數字金融與環境規制的協調配合對重污染行業綠色全要素生產率的影響，設定如下交互效應模型：

gtfp=β+βindex+βindex×er+βer+βcontrol+μ+λ+ε? ?（2）

其中，er表示i重污染行業所屬省份在t時期的環境規制水平，index×er表示數字金融與環境規制的交互效應，其他變量與式（1）相同。

為檢驗綠色技術創新的中介效應，參考Qiong Ji et al.（2021）的做法，設定如下固定效應模型：

gtfp=γ+γindex+γcontrol+μ+λ+ε? ? ? （3）

1nsq=δ+δindex+δcontrol+μ+λ+ε? ? ? ? ? ? ? （4）

其中， 1nsq表示i重污染行業在t時期的綠色創新水平，其他變量與式（1）相同。

（二）變量選取

本文選取2011—2021年滬深A股上市重污染行業作為研究對象，具體包括火電、建材、制藥等16類行業，分類依據是證監會公布的上市公司分類標準。數據來源于CSMAR數據庫、《中國城市統計年鑒》、北京大學數字金融研究中心、政府工作報告，并對數據進行處理：剔除ST、*ST重污染行業，剔除2011年以后上市的重污染行業，剔除核心變量缺失嚴重的重污染行業，部分缺失數據使用線性插值法來補充，利用winsor2命令進行數據縮尾。最終獲得2372個觀測值，指標體系構建通過MATLAB實現，實證檢驗通過Stata16.0軟件實現。

1.被解釋變量

借鑒Oh（2010）的做法，采用超效率SBM-GML指數模型測度重污染行業綠色全要素生產率作為本文的被解釋變量，計算公式如式（5）所示：

其中，GML代表生產效率變動情況，GEC代表技術效率變化，GTC代表技術進步，設定2011年為基期，即2011年重污染行業綠色全要素生產率為1，并通過累乘得到2012—2021年重污染行業綠色全要素生產率。計算時需要使用的指標有：

投入指標。投入指標由勞動投入、資本投入和能源投入構成。勞動投入的代理變量是每年末的重污染行業員工人數；資本投入的代理變量是重污染行業的固定資產凈額；能源投入的代理變量是重污染行業所在城市能源消耗總量按重污染行業員工人數占城市就業人員比重換算而來。

期望產出。本文將重污染行業的營業收入作為期望產出的代理變量。

非期望產出。非期望產出的代理變量是重污染行業所在城市“工業三廢”按重污染行業員工人數占城市就業人員比重換算而來。

2.解釋變量

本文的解釋變量是北京大學數字普惠金融指數（郭峰等，2020），該指數一共有三個維度，分別為覆蓋廣度、使用深度和數字化程度，用該指數來衡量數字金融發展水平比較客觀、全面，具有權威性。

3.調節變量

本文的調節變量是環境規制。借鑒陳詩一等（2018）的研究，采用政府工作報告中環境詞匯比重作為環境規制的代理變量。不選擇基于單個字數而選擇基于環境詞匯出現的頻數計算環境規制強度的原因是，詞匯在保留源文本的語義方面更加的精準。

4.中介變量

本文的中介變量是綠色技術創新水平。參考主流文獻的做法，用重污染行業當年綠色專利申請的數量加1后取自然對數，作為重污染行業綠色技術創新水平的代理變量。

5.控制變量

在回歸分析中，本文共加入以下控制變量：重污染行業年齡（age）、企業規模（size）、企業現金流比率（cash）、營業收入增長率（gro）、總資產周轉率（ato）、第一大股東持股比例（top1）等企業層面控制變量，城鎮化水平（urb）、對外開放程度（open）、經濟發展水平（eco）等省份層面控制變量。各個變量的定義和計算方式如表2所示。

四、實證分析

（一）描述性統計

表3是各變量的描述性統計，可以看出，重污染行業綠色全要素生產率（gtfp）的均值小于1，說明在2011—2021年我國上市重污染行業綠色全要素生產率呈下降趨勢，隨著保護環境政策力度的加大，重污染行業可能面臨著較大的綠色轉型壓力；數字金融（index）最大值為6.101，最小值為4.503，均值為5.551，說明不同省份的數字金融發展水平存在較大的差距；環境規制（er）的最大值是0.005，最小值是0.002，均值是0.003，說明不同省份環境規制力度差距較大。控制變量指標基本符合經驗數值。

為初步檢驗數字金融（index）與重污染行業綠色全要素生產率（gtfp）間的相關性，本文根據樣本所屬省份的數字金融發展水平的差異進行了T檢驗（見表4）。從表4可以看出，數字金融發展水平低組中的重污染行業綠色全要素生產率均值為0.944，數字金融高組中的重污染行業綠色全要素生產率均值為1.038，且低組與高組的均值在1%水平上存在顯著差異，表明數字金融發展水平較高地區的重污染行業可能其綠色全要素生產率水平也較高。

（二）基準回歸

為驗證數字金融對重污染行業綠色全要素生產率的影響，以及環境規制的調節效應，本文選擇建立雙向固定效應的基準模型，基準回歸結果見表5。

從表5可以看出，無論是否加入省份層面控制變量和環境規制調節變量，數字金融（index）估計系數都大于零，并分別在5%、1%、1%、1%水平上顯著，這說明數字金融的發展能夠推動重污染行業綠色全要素生產率的提高，并且結果穩健，初步證明了假設H1。原因可能是，一方面，數字金融發展水平越高的地區，意味著區塊鏈、大數據等科技越發達，重污染行業能夠享受到的金融產品和服務越多；另一方面，數字金融能夠利用其低費用、高便利的優勢緩解重污染行業的融資約束難題，為重污染行業綠色技術創新提供充足資金，進而為推動重污染行業綠色轉型、提高綠色全要素生產率創造了可能性。

進一步對比表5列（1）和列（2）、列（3）和列（4）中數字金融（index）估計系數可以發現，列（2）和列（4）數字金融（index）估計系數為0.109和0.114，分別大于列（1）和列（3）數字金融（index）估計系數0.059和0.072，說明加入省份層面控制變量進行基準回歸后，數字金融對重污染行業綠色全要素生產率的作用更明顯。

從數字金融（index）和環境規制（er）的交互項來看，列（3）、列（4）交互項估計系數分別為-6.107、-4.983，均小于零，并且都在5%水平上顯著，這說明對重污染行業來說，調節變量壞境規制（er）顯著削弱了數字金融對重污染行業綠色全要素生產率的影響，即調節變量環境規制（er）在其中起著負向調節的作用，初步證明了假設H3。原因可能是：環境規制的實施會使企業加大在污染治理方面的投入，導致自身生產成本增加，并擠占綠色技術創新的投入，降低其綠色創新的積極性，可能會影響重污染行業的綠色轉型，從而抑制綠色全要素生產率的增長。

（三）穩健性檢驗

1.敏感性檢驗

本文的研究對象是2011—2021年滬深A股上市的重污染行業，具體包含火電、建材、制藥、化工、煤炭、采礦業、水泥等16類。由于不同類別的重污染行業的生產經營方式差別較大，難免會影響回歸結果的準確性。本文參照曾春華等（2022）的做法，使用年度-行業均值調整后的重污染行業綠色全要素生產率代替被解釋變量進行回歸，敏感性測試的基準回歸結果如表6所示。

表6列（1）是只加入企業控制變量的敏感性測試回歸結果，數字金融（index）與調整后的重污染行業綠色全要素生產率（Adj gtfp）的估計系數為0.093，在1%水平上正顯著；表6列（2）是既加入企業層面控制變量，又加入省份層面控制變量的回歸結果，數字金融（index）與調整后的重污染行業綠色全要素生產率（Adj gtfp）的估計系數是0.089，并在1%水平上正顯著。可以看出，無論是否加入省份層面控制變量， 數字金融（index）估計系數均在1%水平上正顯著，再次驗證了假設H1，即數字金融的發展能夠推動重污染行業綠色全要素生產率的提高。推動作用產生的原因可能是，借助人工智能、大數據、云計算等科技，數字金融能夠拓寬重污染行業融資渠道、降低融資所需要的成本，進而緩解重污染行業面臨的融資難題。此外，數字金融還能夠利用自身優勢為重污染企業技術創新提供科技支持和資金保障，這為重污染行業綠色全要素生產率的提升創造了條件。

表6列（1）數字金融（index）與環境規制（er）交互項的估計系數是-5.041，在5%水平上負顯著；表6列（2）交互項的估計系數是-4.597，在10%水平上負顯著，說明環境規制對本文直接效應的調節作用顯著，并且調節作用是負向的，再次驗證了假設H3，即環境規制在數字金融與重污染行業綠色全要素生產率之間起著負向調節作用。環境規制顯著削弱數字金融對重污染行業綠色全要素生產率影響的原因可能是，一方面環境規制會導致重污染行業增加環境治理成本、擠占創新投入，另一方面技術創新風險較大，共同導致了環境規制的負向調節作用。

2.剔除新冠疫情影響

表7是剔除新冠疫情影響后的回歸結果。2020年新冠疫情的到來，導致重污染行業的正常生產經營受到了巨大的影響，在此背景下，重污染行業不得不采取臨時性的經營策略來應對危機。除了臨時性經營策略可能會對研究結論產生影響外，還需要注意全球經濟下滑等外部因素對研究的影響。因此，本文將2020 —2021年的樣本數據剔除后再次進行回歸，回歸結果如表7所示。表7列（1）為僅控制企業層面控制變量的結果，數字金融（index）估計系數是0.065，在1%水平上顯著；表7列（2）為同時控制省份、企業控制變量的回歸結果，數字金融（index）估計系數是0.072，在5%水平上顯著，表明剔除新冠影響后，本文研究結論仍穩健。

3.替換解釋變量

表8的列（1）、列（2）、列（3）分別為數字金融的3個2級指標，即數字金融覆蓋廣度（cov）、使用深度（us）、數字化程度（dig）作為解釋變量進行基準回歸后的結果。可以看到3個2級指標前的回歸系數分別為0.062、0.037、0.034，并且分別在1%、10%、10%的水平上顯著，再次驗證了假設H1，即數字金融的發展能夠促進重污染行業綠色全要素生產率的增長。其中，數字金融覆蓋廣度（cov）的回歸系數是0.062，相較于使用深度（us）的回歸系數0.037和數字化程度（dig）的回歸系數0.034，數字金融覆蓋廣度（cov）的回歸系數更大，說明在數字金融的3個2級指標之間，數字金融覆蓋廣度（cov）對重污染行業綠色全要素生產率的促進作用更大。此外，數字金融覆蓋廣度（cov）、使用深度（us）、數字化程度（dig）與環境規制（er）交互項的系數分別為-6.767、-5.748、-3.971，并且分別在1% 、5%、10%水平上顯著，再次驗證了假設H3，即環境規制在數字金融與重污染行業綠色全要素生產率之間起著負向調節作用。以上替換解釋變量后再進行基準回歸的結果表明，本文的雙向固定效應回歸具有穩健性。

（四）PSM檢驗

本文使用傾向得分匹配法緩解樣本內生性問題。具體步驟是，先將樣本分為對照組（Treat=0）和實驗組（Treat=1），把控制變量設定為協變量，重污染行業綠色全要素生產率設定為結果變量，采用“一對一、無放回”的方式進行匹配，使對照組和實驗組的其他協變量相一致。如圖所示，圖1是匹配前的核密度圖，圖2是匹配后的核密度圖，可以看出，圖2匹配效果較好，即對照組和實驗組的協變量匹配效果較好，因此將匹配后的數據再次進行回歸并查看結果。

表9是匹配后的回歸結果。其中，表9列（1）是僅控制企業層面控制變量的結果，可以看到，數字金融（index）估計系數是0.104，在5%水平上顯著；表9列（2）同時控制了省份與企業層面控制變量，數字金融（index）估計系數是0.184，在1%水平上顯著，可以看出，增加了省份層面控制變量后，數字金融的提升作用更大。根據傾向得分匹配法匹配后的回歸結果可以看出，樣本不存在內生性問題，本文的回歸結果具有穩健性。

五、進一步分析

（一）中介機制檢驗

表10是數字金融通過綠色技術創新（lnsq）對重污染行業綠色全要素生產率產生影響的實證結果。從表10可以看出，列（1）數字金融（index）估計系數是0.109，并在1%顯著性水平上正顯著，說明數字金融發展水平越高，重污染行業綠色全要素生產率越高；列（2）數字金融（index）估計系數是1.119，在5%顯著性水平上正顯著，說明數字金融發展水平越高，重污染行業綠色技術創新能力越強。以上結果表明，綠色技術創新在數字金融對重污染行業綠色全要素生產率的作用過程中發揮了中介作用。這可能是由于數字金融的發展，降低了重污染行業的融資成本，拓寬了重污染行業的融資渠道，使重污染行業能夠擁有較充分的資金去進行綠色技術改造創新，推動重污染行業綠色轉型，進而提高重污染行業綠色全要素生產率。

（二）異質性檢驗

1.不同產權性質的異質性檢驗

表11是對不同產權性質的異質性檢驗的實證結果。表11的列（1）是重污染行業中屬于國有企業的回歸結果，可以看到數字金融（index）估計系數是0.141，在5%顯著性水平上正顯著；列（2）是非國有企業，數字金融（index）估計系數不顯著。說明數字金融對重污染行業中國企綠色全要素生產率的提升作用更加明顯。原因可能是，國企在技術儲備、人才、資產規模等方面更具有優勢，在融資過程當中更易受到市場的青睞，因此有較為充裕的資金進行綠色轉型。此外，國企對于國家政策的響應更積極和及時，對綠色發展以及轉型更加重視。所以，數字金融對重污染行業中的國企綠色全要素生產率的提升效果更顯著。

2.不同區域的異質性檢驗

表12是對不同區域的異質性檢驗的回歸結果。表12的列（1）是中部地區重污染行業的回歸結果，數字金融（index）估計系數是0.372，在10%顯著性水平上正顯著；列（2）是西部地區重污染行業的回歸結果，數字金融（index）估計系數是0.158，在5%顯著性水平上正顯著；列（3）是東部地區重污染行業的回歸結果，數字金融（index）估計系數是0.123，在5%顯著性水平上正顯著。從回歸結果可以看出，數字金融的發展對東部和西部的重污染行業綠色全要素生產率的促進作用更明顯。這可能是由于，東部經濟發展水平較高，人才儲備、基礎設施等條件都具有優勢，因此東部地區的重污染行業提升其綠色全要素生產率的動力更加充足。而西部地區雖然在基礎設施方面欠佳，但在數字金融的邊際效應方面具有不可比擬的優勢，因此為重污染行業提升其綠色全要素生產率提供了充足的空間。

六、結論與建議

本文利用滬深A股上市的重污染行業2011—2021年的面板數據，在通過超效率SBM-GML模型測算重污染行業綠色全要素生產率的基礎上，利用固定效應、調節效應等研究方法實證檢驗了數字金融對重污染行業綠色全要素生產率的影響，以及環境規制的調節作用，得到以下結論：第一，數字金融顯著提高了重污染行業綠色全要素生產率，并且經過穩健性檢驗、內生性檢驗后結果仍然成立；第二，環境規制顯著削弱了數字金融對重污染行業綠色全要素生產率的影響，即環境規制在數字金融與重污染行業綠色全要素生產率之間起著負向調節的作用；第三，機制檢驗表明，數字金融能夠通過促進綠色創新水平的提高來提升重污染行業綠色全要素生產率；第四，相較于非國有企業，數字金融對重污染行業中屬于國有性質企業的綠色全要素生產率提升作用更顯著；第五，較于中部，數字金融對西部和東部重污染行業綠色全要素生產率的影響更大。

基于本文研究結論，提出以下建議：第一，加快推動數字資產化和金融智能化。當前，數據要素已成為產業結構調整升級、打造經濟增長點的戰略性資源，以數據要素為核心的數字金融的創新將為經濟的可持續增長提供新的動力源泉。因此，要加強數字基礎設施建設，充分挖掘數字的資產價值，穩妥推進企業數據的開發利用，同時積極利用AI大模型技術，推動金融智能化趨勢的發展，為綠色全要素生產率的增長提供技術支撐。第二，科學合理制定重污染行業環境規制力度。本文研究發現，環境規制顯著抑制了數字金融對重污染行業綠色全要素生產率的提升作用。有關部門應當制定具有階段性和差異性的環境規制，杜絕污染治理亂象，引導重污染行業加強綠色技術創新以節能減排，從根本上實現綠色轉型升級，提高綠色全要素生產率。第三，積極支持重污染行業綠色技術創新活動。充分發揮政策制定的引路人作用，用激勵政策引領綠色低碳發展，引導金融資源流向，破解重污染行業融資困境，積極為重污染行業提供技術幫助，并激勵和引導重污染行業利用數字技術進行產品研發和產業創新，增強數字金融的綠色效應，助力重污染行業高質量發展。

（責任編輯：夏凡）

參考文獻：

[1]Ji Q，Quan X，Yin H，et al.Gambling preferences and stock price crash risk：Evidence from China[J].Journal of Banking & Finance，2021（128）：106-127.

[2]Liang Z，Chiu Y，Li X.Study on the Effect of Environmental Regulation on the Green Total Factor Productivity of Logistics Industry from the Perspective of Low Carbon[J].Sustainability，2020，12（1）：175.

[3]OH D H.A global Malmquist-Luenberger productivity index[J].Journal of Productivity Analysis，2010，34（3）：183-197.

[4]Omarini A E.Banks and Fintechs：How to Develop a Digital Open Banking Approach for the Bank’s Future.International Business Research.2018，11（9）：23-36.

[5]Porter M E，Linde C V D.Green and Competitive：Ending the Stalemate[J].Harvard Business Review，1999，28（6）：128-129.

[6]Razzaq A，Yang X.Digital finance and green growth in China：Appraising inclusive digital finance using web crawler technology and big data[J].Technological Forecasting and Social Change，2023，188.

[7]Rubashkina Y，Galeotti M，Verdolini E.Environmental regulation and competitiveness：Empirical evidence on the Porter hypothesis from european manufacturing sectors[J].Energy Policy，2015（83）：288-300.

[8]SIEK M，SUTANTO A.Impact analysis of Fintech on banking industry[C].2019 International Conference on Information Management and Technology（ICIMTech），2019.

[9]曾春華，林儀鳳.共同機構所有權與企業創新：協同治理與信息共享視角[J].科技進步與對策，2022，39（13）：21-31.

[10]陳詩一，陳登科.霧霾污染、政府治理與經濟高質量發展[J].經濟研究，2018，53（2）：20-34.

[11]范欣，尹秋舒．數字金融提升了綠色全要素生產率嗎？[J].山西大學學報（哲學社會科學版），2021（4）：109-119.

[12]郭峰，王靖一，王芳，孔濤，張勛，程志云.測度中國數字金融發展：指數編制與空間特征[J].經濟學（季刊），2020，19（4）：1401-1418.

[13]郝良峰，李小平，李松林.環境規制、產業動態集聚與地區生產率增長[J].中國軟科學，2021（10）：32-42.

[14]黃益平，黃卓.中國的數字金融發展：現在與未來[J].經濟學（季刊），2018，17（4）：1489-1502.

[15]惠獻波.數字金融與城市綠色全要素生產率：內在機制與經驗證據[J].南方金融，2021（5）：20-31.

[16]唐松，賴曉冰，黃銳.金融科技創新如何影響全要素生產率：促進還是抑制？——理論分析框架與區域實踐[J].中國軟科學，2019（7）：134-144.

[17]謝絢麗，沈艷，張皓星，郭峰.數字金融能促進創業嗎？——來自中國的證據[J].經濟學（季刊），2018，17（4）：1557-1580.

[18]張建鵬，陳詩一.金融發展、環境規制與經濟綠色轉型[J].財經研究，2021，47（11）：78-93.

[19]張勛，楊桐，汪晨，等．數字金融發展與居民消費增長：理論與中國實踐[J]．管理世界，2020（11）：48-62.

[20]朱杰堂，焦冉晴，謝偉麗.數字金融如何影響綠色全要素生產率——理論分析與經驗證據[J].金融監管研究，2022（3）：54-70.

[21]朱悅，張軍濤.數字金融發展對城市經濟綠色低碳轉型的影響研究[J].城市問題，2022（10）：64-71+81.

基金項目：本文系福建省科技廳科技創新項目（軟科學）“科技金融支持科技創新的績效評價及其機制研究”（2021R0017）階段性研究成果。

收稿日期：2024-01-05

作者簡介：林炳華（1968-），男，福建龍巖人，管理學博士，福州大學經濟與管理學院教授；

曾 艷（1998-），女，四川樂山人，福州大學經濟與管理學院碩士研究生。