數(shù)字金融對碳排放強(qiáng)度的影響效應(yīng)研究

周澤炯，楊曦

（安徽財經(jīng)大學(xué)經(jīng)濟(jì)學(xué)院，蚌埠 233030）

1 引言

隨著工業(yè)化時代的到來以及國民經(jīng)濟(jì)的高速發(fā)展,化石能源消耗持續(xù)上升，而且隨著化石消耗所釋放的二氧化碳等溫室氣體的總量也在相應(yīng)上升。為了應(yīng)對和緩解氣候問題，我國在2020 年提出“雙碳”（碳達(dá)峰、碳中和）目標(biāo)。在黨的二十大報告中，“雙碳”目標(biāo)再被提起，“推動經(jīng)濟(jì)社會發(fā)展綠色化、低碳化是實現(xiàn)高質(zhì)量發(fā)展的關(guān)鍵環(huán)節(jié)”。在此背景下，探討如何促進(jìn)碳減排推進(jìn)綠色低碳發(fā)展具有重要現(xiàn)實意義。碳達(dá)峰、碳中和的實現(xiàn)需要長效的金融支持，而數(shù)字金融作為數(shù)字技術(shù)與金融業(yè)務(wù)的融合，能對污染形成長效機(jī)制的治理[1]。數(shù)字金融是中國新一代技術(shù)革命與工業(yè)轉(zhuǎn)型的必然產(chǎn)物,可以通過提升區(qū)域內(nèi)科技技術(shù)水平從而深刻影響中國經(jīng)濟(jì)社會發(fā)展過程中的能源效益，并作用于中國生態(tài)環(huán)境問題[2]。那么，數(shù)字金融的發(fā)展是否能夠影響碳排放量？如果有影響，影響機(jī)制為何？利用數(shù)字金融來應(yīng)對日益嚴(yán)峻的生態(tài)環(huán)境問題，尤其是碳排放問題，研究數(shù)字金融對碳排放的影響尤為重要。

近年來工業(yè)化造成的環(huán)境污染問題逐漸得到重視，在當(dāng)今金融數(shù)字化熱潮的大背景下，有諸多學(xué)者已經(jīng)開始思考數(shù)字金融和碳排放的關(guān)系。

在國外，Shahbaz[3]認(rèn)為金融發(fā)展一方面可以直接抑制碳排放，另一方面可以通過促進(jìn)技術(shù)進(jìn)步來間接抑制碳排放。Frankel 等[4]認(rèn)為，數(shù)字金融可以促進(jìn)技術(shù)進(jìn)步，金融的發(fā)展能夠帶動經(jīng)濟(jì)增長，環(huán)境污染和碳排放也會相應(yīng)減少。Arjunwadkar P Y[5]發(fā)現(xiàn)數(shù)字金融對傳統(tǒng)金融產(chǎn)生的巨大影響主要依托于信息技術(shù)。Paramati 等[6]得出金融深化能夠在碳減排過程中發(fā)揮積極作用。

在國內(nèi)，鄧榮榮和張翱祥[7]基于285 個城市的面板數(shù)據(jù)研究數(shù)字金融對碳排放強(qiáng)度及效率的影響與作用機(jī)理，既驗證了數(shù)字金融對碳排放績效的改善作用，又指出了經(jīng)濟(jì)、結(jié)構(gòu)和技術(shù)3 種效應(yīng)的作用路徑；王元彬等[8]運用Python機(jī)器學(xué)習(xí)模型得出數(shù)字金融對碳排放影響具有重要作用，且影響效應(yīng)是非線性的；廖珍珍和茹少峰[9]通過展開實證研究發(fā)現(xiàn)數(shù)字金融和二氧化碳排放之間的倒U 型關(guān)系以及該關(guān)系在不同地區(qū)的顯著程度不同；范思倩和封思賢[10]同樣認(rèn)為數(shù)字金融與碳排放規(guī)模間呈倒U 型關(guān)系，同時還提出增產(chǎn)效應(yīng)以及節(jié)能效應(yīng)；王法濤和劉雅彤[11]研究發(fā)現(xiàn)數(shù)字金融對碳排放的直接效應(yīng)明顯，且在中東部地區(qū)較西部地區(qū)更為顯著。關(guān)于技術(shù)創(chuàng)新是否能夠影響碳排放方面，王文靜等[12]認(rèn)為數(shù)字金融、技術(shù)創(chuàng)新、碳排放三者之間相互關(guān)聯(lián)，同時，技術(shù)水平的提高在初期對碳減排有明顯影響，后期則較為復(fù)雜；王廣在[13]應(yīng)用中介效應(yīng)模型進(jìn)行研究時未發(fā)現(xiàn)技術(shù)創(chuàng)新對碳排放有作用路徑；康曼和杜運偉[14]通過測算碳排放效率得出包含提高創(chuàng)新效率的三條渠道促進(jìn)碳減排。

由于本文研究內(nèi)容是數(shù)字金融的碳減排效應(yīng)，因此進(jìn)一步梳理已有的數(shù)字金融的文獻(xiàn)，探究數(shù)字金融對于環(huán)境的影響。許釗[15]從實證角度分析了數(shù)字金融對污染減排的作用機(jī)制，發(fā)現(xiàn)在達(dá)到低數(shù)字金融水平之前和高數(shù)字金融水平之后，數(shù)字金融能夠顯著降低環(huán)境中的污染；而在從低數(shù)字金融水平到達(dá)高數(shù)字金融水平的過程之中，數(shù)字金融的發(fā)展對環(huán)境產(chǎn)生負(fù)作用。朱東波等[16]認(rèn)為數(shù)字金融的覆蓋廣度與使用深度可以實現(xiàn)減污效應(yīng)。汪中華等[17]提出數(shù)字金融與低碳生活融合可以實現(xiàn)環(huán)境保護(hù)與金融發(fā)展的協(xié)調(diào)統(tǒng)一。

綜上，經(jīng)過梳理發(fā)現(xiàn)，目前大部分研究將目光聚焦在數(shù)字金融發(fā)展對碳排放效率的影響上，但較少關(guān)注數(shù)字金融對碳排放強(qiáng)度的影響，且未從多角度研究數(shù)字金融對碳排放強(qiáng)度的影響機(jī)制。因此，本文基于已有文獻(xiàn)對此展開進(jìn)一步研究。本文從數(shù)字金融的角度拓展了金融發(fā)展與碳排放強(qiáng)度的關(guān)系，為更好地發(fā)揮數(shù)字金融促進(jìn)碳減排的作用提供實證依據(jù)和參考價值。

2 研究設(shè)計

2.1 變量選取

（1）被解釋變量：本文選取碳排放強(qiáng)度（Cei）作為被解釋變量。由于目前碳排放缺乏官方公布的統(tǒng)一數(shù)據(jù)，用CEADs 發(fā)布的省級碳排放數(shù)據(jù)來衡量各省份的碳排放量，得到其與各地區(qū)GDP 的比值并取對數(shù)。

（2）解釋變量：本文選取數(shù)字金融發(fā)展程度（Digitɑl）作為解釋變量，用北京大學(xué)數(shù)字金融研究中心提供的數(shù)字普惠金融指數(shù)衡量各省份數(shù)字金融的發(fā)展水平[9]。

（3）中介變量：技術(shù)進(jìn)步（Tech）用專利申請量表示，并取對數(shù)。用各省市歷年專利申請的數(shù)量來表示技術(shù)進(jìn)步的程度。

（4）控制變量：本文參照已有的文獻(xiàn)，控制了以下可能影響碳排放強(qiáng)度的變量。人口規(guī)模（Populɑtion）：選取地區(qū)年末常住人口表示人口規(guī)模，并取對數(shù)；經(jīng)濟(jì)發(fā)展水平（Pgdp）：用人均GDP 取對數(shù)作為代理變量；產(chǎn)業(yè)結(jié)構(gòu)（Str）：用第三產(chǎn)業(yè)增加值與GDP 的比值表示，并取對數(shù)；能源消耗（Energy）：選取人均全年用電量表示，并取對數(shù)。

2.2 模型設(shè)定

2.2.1 基準(zhǔn)回歸模型

通過上述文獻(xiàn)可得數(shù)字金融的發(fā)展會對碳排放產(chǎn)生抑制作用，為實證檢驗數(shù)字金融發(fā)展是否對碳排放強(qiáng)度有抑制作用且顯著，構(gòu)建如式（1）描述的基準(zhǔn)回歸模型：

式中：i為省份；t為年份；Ceiit為被解釋變量碳排放強(qiáng)度；Digitɑl為核心解釋變量數(shù)字金融；Control為影響碳排放的其他控制變量；μi為區(qū)域個體固定效應(yīng)；ηt為時間固定效應(yīng)；εit為隨機(jī)擾動項；α為常數(shù)項；β1和β2為回歸系數(shù)[18]。

2.2.2 中介效應(yīng)模型

為了檢驗技術(shù)進(jìn)步是否為數(shù)字金融影響碳排放的機(jī)制路徑，借鑒溫忠麟和葉寶娟[19]的研究，在式（1）的基礎(chǔ)上，構(gòu)建如式（2）、式（3）的中介效應(yīng)模型：

式中：Tech為中介變量技術(shù)進(jìn)步；β0、γ0為常數(shù)項；β1、β2、γ1、γ2、γ3為回歸系數(shù)。

2.2.3 空間杜賓模型

經(jīng)濟(jì)單元通過各種聯(lián)系與鄰近的經(jīng)濟(jì)單元在空間上相互作用，并通過地理上的空間異質(zhì)性和依賴性表現(xiàn)出來[20]。數(shù)字金融對碳排放的影響可能會對周邊地區(qū)產(chǎn)生空間溢出效應(yīng)，因此采用空間計量模型，同時分析數(shù)字金融對碳排放影響的直接效應(yīng)和間接效應(yīng)（空間溢出效應(yīng))。由于空間杜賓模型（Spatial Durbin Model，SDM）在使用時可以同時捕捉自變量和因變量的空間效應(yīng)，故以空間杜賓模型為例，在基準(zhǔn)模型的基礎(chǔ)上構(gòu)建空間計量模型，如式（4）所示:

式中，ρ是因變量的空間滯后回歸系數(shù)，β為自變量的回歸系數(shù)向量，θ為自變量空間滯后項的回歸系數(shù)向量，W為i×i階空間權(quán)重矩陣[21]。其余符號含義與式（1）相同。選擇鄰接矩陣（0～1 矩陣)作為空間權(quán)重矩陣，如式（5）所示:

2.3 數(shù)據(jù)來源

為確保樣本數(shù)據(jù)的完整性和統(tǒng)計口徑一致，研究樣本選取2011-2021 年30 個省（自治區(qū)、直轄市）的面板數(shù)據(jù)。相關(guān)變量的原始數(shù)據(jù)來源于北京大學(xué)數(shù)字金融研究中心、CEADs 數(shù)據(jù)庫、《中國統(tǒng)計年鑒》、《中國能源統(tǒng)計年鑒》以及各省市統(tǒng)計年鑒。描述性統(tǒng)計數(shù)據(jù)如表1所示。

表1 描述性統(tǒng)計數(shù)據(jù)

3 實證分析

首先，對各地區(qū)數(shù)字金融以及碳排放的情況進(jìn)行時空分析；接著，利用中介效應(yīng)模型驗證技術(shù)進(jìn)步在數(shù)字金融促進(jìn)碳減排中的調(diào)節(jié)作用；再用空間杜賓模型驗證數(shù)字金融促進(jìn)碳減排的本地效應(yīng)以及空間溢出效應(yīng)。

3.1 數(shù)字金融與碳排放的時空分析

3.1.1 數(shù)字金融的時空分析

從時間層面分析全國數(shù)字金融發(fā)展水平的均值隨時間推移的變化趨勢，得到2011-2021 年數(shù)字金融發(fā)展水平變化趨勢，結(jié)果見圖1。

圖1 2011-2021年數(shù)字金融發(fā)展水平變化趨勢

由圖1 可知，在研究周期內(nèi)全國數(shù)字金融平均發(fā)展水平穩(wěn)步上升。在2011-2013 年的早期階段，數(shù)字金融高速發(fā)展，近幾年發(fā)展速度則相對緩慢，但仍然保持著可觀的增速，這在一定程度上表明隨著數(shù)字金融市場的發(fā)展越來越成熟，該行業(yè)開始由高速增長階段向常態(tài)增長過渡。

以2021年為例，從空間層面比較各地區(qū)數(shù)字金融發(fā)展的差異與聯(lián)系。2021 年各地區(qū)數(shù)字金融發(fā)展水平見圖2。

圖2 2021年各地區(qū)數(shù)字金融發(fā)展水平

由圖2 可知，北京、上海、浙江屬于數(shù)字金融發(fā)展的第一梯隊，發(fā)展程度最高。江蘇、江西、廣東等地區(qū)的數(shù)字金融發(fā)展處于中間位置，而數(shù)字金融發(fā)展水平較低的主要是西部地區(qū)。數(shù)字金融的發(fā)展與地區(qū)經(jīng)濟(jì)發(fā)展有著密切聯(lián)系，位于第一梯隊的地區(qū)經(jīng)濟(jì)水平最高，金融市場更為完善。西部地區(qū)金融基礎(chǔ)較差，導(dǎo)致數(shù)字化金融發(fā)展也較為緩慢。

3.1.2 碳排放的時空分析

從時間層面分析碳排放強(qiáng)度隨時間推移的變化趨勢，得到2011-2021年碳排放量變化趨勢，見圖3。

圖3 2011-2021年碳排放量變化趨勢

由圖3 可知，整體來看2011-2021 年我國的碳排放量有所增加，但在2014-1016 年碳排放有減緩的趨勢，這與我國經(jīng)濟(jì)增長方式轉(zhuǎn)變和相關(guān)環(huán)境政策的出臺有關(guān)。2021 年相較于2011 年碳排放強(qiáng)度降低了近46%，說明經(jīng)濟(jì)增長方式正在向綠色發(fā)展轉(zhuǎn)變。

用雷達(dá)圖比較2021 年30 個地區(qū)的碳排放情況，見圖4。

圖4 2021年各地區(qū)碳排放情況（單位：百萬噸）

由圖4 可知，山東、河北、內(nèi)蒙古、江蘇、廣東、遼寧、山西、新疆等省份碳排量最高。其中，山東、河北、廣東、江蘇均為工業(yè)強(qiáng)省，在大力發(fā)展工業(yè)的同時也應(yīng)當(dāng)注重碳排放的控制。

3.2 基準(zhǔn)回歸

通過雙向固定效應(yīng)模型研究數(shù)字金融對碳排放強(qiáng)度的效應(yīng)，基準(zhǔn)回歸結(jié)果見表2第二列。

表2 基準(zhǔn)回歸與工具變量回歸結(jié)果

由表2 第二列可知，數(shù)字金融與碳排放之間的相關(guān)系數(shù)為-0.312，表明數(shù)字金融的發(fā)展與碳排放強(qiáng)度之間呈顯著負(fù)相關(guān)。即數(shù)字金融的發(fā)展會降低碳排放強(qiáng)度，數(shù)字金融每提高一個單位，碳排放強(qiáng)度就相應(yīng)減少0.312 個單位。數(shù)字金融在發(fā)展的過程中運用大數(shù)據(jù)、云計算等數(shù)字技術(shù)對傳統(tǒng)金融服務(wù)進(jìn)行融合創(chuàng)新，形成健全的金融體系，進(jìn)而通過其在資源配置中的作用，影響資本流向綠色、低碳和先進(jìn)產(chǎn)業(yè)，優(yōu)化城市的能源使用效率以及工業(yè)生產(chǎn)效率，助力城市碳排放強(qiáng)度的下降。

從其他控制變量的系數(shù)來看，人口規(guī)模的系數(shù)為正，表明隨著人口的增多，碳排放量也會隨之增加。人口總量的增長會帶動消費需求的增長，對能源的需求也逐漸提高，在以煤炭為主的高碳能源結(jié)構(gòu)下，碳排放量只增不減。因此，人們的消費觀念要向綠色環(huán)保轉(zhuǎn)變。經(jīng)濟(jì)發(fā)展水平（人均GDP）系數(shù)顯著為負(fù)，即經(jīng)濟(jì)發(fā)展水平的提高能夠有效緩解碳排放壓力。經(jīng)濟(jì)社會的發(fā)展使得環(huán)境治理也被更加重視，清潔能源的種類越來越多，居民使用清潔能源的現(xiàn)象也更加普遍。能源消耗（人均用電量）的系數(shù)顯著為正，當(dāng)下能源消耗是導(dǎo)致碳排放量增加的主要因素。減少能源使用尤其是化石能源，選擇低耗能、清潔能源是減少碳排放的重要途徑。產(chǎn)業(yè)結(jié)構(gòu)（第三產(chǎn)業(yè)占比）的回歸系數(shù)為正，表明優(yōu)化產(chǎn)業(yè)結(jié)構(gòu)可以減少碳排放。這可能是因為隨著產(chǎn)業(yè)結(jié)構(gòu)的優(yōu)化調(diào)整，企業(yè)需要相應(yīng)地優(yōu)化各個生產(chǎn)環(huán)節(jié)的生產(chǎn)技術(shù)，在管理水平以及生產(chǎn)后期的治理水平上都會進(jìn)一步提高，在源頭上對碳排放進(jìn)行了控制，直接減少碳排放量。

3.3 內(nèi)生性檢驗

盡管本文已經(jīng)控制了可能影響碳排放強(qiáng)度的相關(guān)變量，但仍然會遺漏相關(guān)變量造成估計結(jié)果有一定偏差，并且數(shù)字金融與碳排放強(qiáng)度之間可能存在互為因果的問題，即碳排放強(qiáng)度的高低可能會影響數(shù)字金融的發(fā)展程度。本文采用工具變量法解決內(nèi)生性問題。

由于數(shù)字金融指數(shù)的滯后一期與當(dāng)期的數(shù)字金融高度相關(guān)，且與當(dāng)期碳排放強(qiáng)度沒有相關(guān)關(guān)系，因此對數(shù)字金融指數(shù)進(jìn)行滯后一期的處理，用滯后核心解釋變量（L.Digitɑl）作為工具變量進(jìn)行二階段最小二乘（2SLS）回歸[22]。回歸結(jié)果具體見表2第三、四列。

將工具變量引入后，第一階段的結(jié)果見表2第三列。L.Digitɑl的系數(shù)在1%的水平上顯著，即表明當(dāng)期與滯后一期的數(shù)字金融有很強(qiáng)的相關(guān)性；同時，工具變量的個數(shù)等于內(nèi)生變量的個數(shù)，并且能夠恰好識別，則不需要進(jìn)行過度識別檢驗，表明該工具變量是有效的。第二階段的結(jié)果如表2第四列所示，Digitɑl的系數(shù)為負(fù)且通過了1%的顯著性檢驗，證明工具變量法的估計結(jié)果支持提出的假設(shè)。

3.4 中介效應(yīng)檢驗

通過查閱過往文獻(xiàn)，理論分析表明數(shù)字金融發(fā)展可以通過促進(jìn)技術(shù)進(jìn)步來抑制碳排放強(qiáng)度。利用逐步回歸法對技術(shù)進(jìn)步這一中介變量進(jìn)行檢驗，檢驗結(jié)果如表3所示。

表3 中介效應(yīng)模型分析結(jié)果

數(shù)字金融的系數(shù)為0.023且在1%的水平上顯著，表明數(shù)字金融能夠促進(jìn)技術(shù)進(jìn)步。由表3第三列可以看出，加入中介變量后，數(shù)字金融與碳排放強(qiáng)度之間仍然呈負(fù)相關(guān)，數(shù)字金融每提升一個單位，碳排放強(qiáng)度將顯著下降0.293 個單位。數(shù)字金融能夠通過技術(shù)創(chuàng)新來降低城市碳排放強(qiáng)度，因此，我國各城市在提升數(shù)字金融發(fā)展水平，廣泛應(yīng)用數(shù)字金融工具的同時，也應(yīng)當(dāng)因地制宜，基于城市當(dāng)前發(fā)展階段和資源現(xiàn)狀加大技術(shù)創(chuàng)新力度，制定相關(guān)政策，從而更高效的促進(jìn)經(jīng)濟(jì)發(fā)展與“雙碳”目標(biāo)的實現(xiàn)。

3.5 穩(wěn)健性檢驗

（1）替換因變量

考慮到各省份常住人口數(shù)有差異，而人均碳排放量也具有代表意義，因此選取人均碳排放量代替碳排放強(qiáng)度進(jìn)行穩(wěn)健性檢驗，回歸結(jié)果如表4中的模型1所示。數(shù)字金融的回歸系數(shù)為負(fù)且在1%的水平上顯著，說明數(shù)字金融發(fā)展可以抑制人均碳排放，與上文基準(zhǔn)回歸結(jié)果結(jié)一致，間接證明了上述結(jié)論的穩(wěn)健性。

表4 穩(wěn)健性檢驗結(jié)果

（2）改變樣本量

由于直轄市的地域經(jīng)濟(jì)與其他省域差異較明顯，因此選擇將北京、天津、重慶、上海4個直轄市的樣本剔除，結(jié)果如表4中的模型2所示。數(shù)字金融的回歸系數(shù)仍為負(fù)且在1%的水平下顯著，進(jìn)一步驗證了數(shù)字金融對碳排放強(qiáng)度的抑制作用，表明基準(zhǔn)回歸結(jié)果穩(wěn)健。

3.6 空間效應(yīng)分析

為了進(jìn)一步研究數(shù)字金融對碳排放強(qiáng)度的影響是否存在空間效應(yīng)，引入鄰接矩陣，采用全局莫蘭指數(shù)對數(shù)字金融和碳排放強(qiáng)度進(jìn)行空間自相關(guān)檢驗，檢驗結(jié)果如表5 所示。2011-2021 年數(shù)字金融和碳排放強(qiáng)度的莫蘭指數(shù)均在1%的水平下顯著為正，表明二者均存在正向空間自相關(guān)性。

表5 全局莫蘭結(jié)果

在進(jìn)行回歸之前，用相關(guān)檢驗選擇合適的空間計量模型，檢驗結(jié)果如表6所示。LM檢驗和穩(wěn)健性LM檢驗均在1%的水平上顯著，因此可以認(rèn)為碳排放存在空間關(guān)系，本研究應(yīng)采用空間杜賓模型。接著通過分析確定空間杜賓模型是否會退化成為空間滯后模型或空間誤差模型[23]。結(jié)果顯示，LR和Wald檢驗均在1%的水平上顯著，表明該研究應(yīng)使用空間杜賓模型。因此，選用雙向固定效應(yīng)的空間杜賓模型進(jìn)行空間計量分析。

表6 空間模型選擇

進(jìn)行空間杜賓回歸，得到數(shù)字金融對碳排放強(qiáng)度的空間溢出效應(yīng)結(jié)果，見表7。空間自回歸系數(shù)rho為正且在1%的水平上顯著。Main為本地區(qū)的數(shù)字金融對本地區(qū)碳排放強(qiáng)度的影響，Wx表示本地區(qū)數(shù)字金融對鄰近地區(qū)的碳排放強(qiáng)度的影響。表7第二列Main的系數(shù)為負(fù)且在1%的水平上顯著，表明本省份內(nèi)的數(shù)字金融發(fā)展對本省份的碳排放強(qiáng)度具有顯著的抑制作用。數(shù)字金融有助于提升地區(qū)的經(jīng)濟(jì)發(fā)展的質(zhì)量和速度，加速產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化升級，從而抑制了地區(qū)碳排放強(qiáng)度。

表7 空間杜賓回歸結(jié)果

表7第三列Wx系數(shù)為正且在1%的水平上顯著，表明數(shù)字金融在空間上具有顯著的正向溢出效果，即本省份的數(shù)字金融的發(fā)展會使鄰近省份的碳排放強(qiáng)度上升，即數(shù)字金融發(fā)展抑制本省份碳排放強(qiáng)度的同時會增強(qiáng)鄰近省份的碳排放強(qiáng)度。

考慮到空間計量模型的回歸系數(shù)并不能直接反應(yīng)數(shù)字金融對碳排放強(qiáng)度的空間溢出效應(yīng)，運用空間回歸偏微分法，將空間效應(yīng)進(jìn)一步分解為直接效應(yīng)、間接效應(yīng)和總效應(yīng)[24]，結(jié)果見表7第四、五、六列。直接效應(yīng)和總效應(yīng)的回歸系數(shù)顯著為負(fù)，表明本地區(qū)的數(shù)字金融發(fā)展會顯著抑制本地區(qū)的碳排放強(qiáng)度；間接效應(yīng)的回歸結(jié)果為正且在1%的水平上顯著，即數(shù)字金融在空間上存在空間溢出效應(yīng)，表明本地區(qū)的數(shù)字金融發(fā)展會在空間上增強(qiáng)鄰近地區(qū)的碳排放強(qiáng)度。造成這種現(xiàn)象的原因可能是：以傳統(tǒng)工業(yè)為基礎(chǔ)發(fā)展的城市在升級優(yōu)化產(chǎn)業(yè)結(jié)構(gòu)的同時，會吸引鄰近城市的人才遷往本地，將高能耗高污染的產(chǎn)業(yè)遷出。由此，本城市碳排放將會下降，相鄰城市在人口流動以及接管高污染高能耗的產(chǎn)業(yè)的過程中造成碳排放量上升。

4 結(jié)論與建議

4.1 結(jié)論

選取2011-2021 年30 個省份的面板數(shù)據(jù)，以技術(shù)進(jìn)步作為中介變量，對基準(zhǔn)回歸模型、空間杜賓模型、中介效應(yīng)模型進(jìn)行回歸分析，深入探討了數(shù)字金融對碳排放強(qiáng)度的影響效應(yīng)和作用機(jī)制，得出以下結(jié)論：（1）通過固定效應(yīng)模型得出數(shù)字金融對碳排放有明顯的抑制作用；（2）運用中介效應(yīng)模型分析發(fā)現(xiàn)，數(shù)字金融可以通過推動技術(shù)進(jìn)步來促進(jìn)碳減排，降低各地區(qū)的碳排放強(qiáng)度；（3）通過空間杜賓模型表明數(shù)字金融與鄰地碳排放強(qiáng)度之間存在正向空間溢出效應(yīng)。

4.2 建議

為了促進(jìn)數(shù)字金融對碳排放的影響效應(yīng)，基于上述研究結(jié)論，提出如下對策建議：

一、加大數(shù)字金融發(fā)展力度。數(shù)字金融為碳減排提供了新的思路，也為雙碳目標(biāo)的加速實現(xiàn)注入了新的動力。中國應(yīng)繼續(xù)加大數(shù)字金融的發(fā)展力度，運用數(shù)字化技術(shù)，減少線下的碳排放。加強(qiáng)數(shù)字基礎(chǔ)設(shè)施建設(shè)，完善數(shù)字金融服務(wù)體系，加強(qiáng)數(shù)字金融監(jiān)管機(jī)制，推動數(shù)字金融以綠色為導(dǎo)向。

二、關(guān)注技術(shù)創(chuàng)新地域差異。數(shù)字金融在不同的地區(qū)表現(xiàn)出對碳排放的抑制作用的強(qiáng)度不同，技術(shù)進(jìn)步作為能夠促進(jìn)數(shù)字金融對碳減排作用的中間變量，應(yīng)當(dāng)重點關(guān)注東西部地區(qū)技術(shù)創(chuàng)新的發(fā)展情況。相較于東部地區(qū)，西部地區(qū)應(yīng)該加快數(shù)字化轉(zhuǎn)型，在發(fā)展工業(yè)的同時也應(yīng)當(dāng)為降低碳排放積聚力量。中東部地區(qū)則應(yīng)關(guān)注綠色數(shù)字轉(zhuǎn)型，吸納人才，加速技術(shù)創(chuàng)新。