数字普惠金融对城市全要素碳排放生产率的影响

2022-07-25 09:25姚凤阁王天航谈丽萍
商业研究 2022年3期
关键词:数字普惠金融

姚凤阁 王天航 谈丽萍

内容提要:如何使数字普惠金融更好地提升城市全要素碳排放生产率,对中国碳减排目标的实现具有重要意义。基于中国285个地级市2011—2018年的面板数据,本文采用动态空间面板模型分析数字普惠金融对城市全要素碳排放生产率变动的影响,结果表明:城市全要素碳排放生产率具有全局空间自相关和局部空间相关的特征。数字普惠金融能够促进城市全要素碳排放生产率的提升。数字金融对城市全要素碳排放生产率的影响具有异质性,从地区来看,中部地区数字金融对城市全要素碳排放生产率的促进作用最为显著,东部地区次之,西部地区最弱;从数字金融维度来看,覆盖广度对城市全要素碳排放生产率的促进作用最为显著,使用深度次之,数字化程度最弱。数字普惠金融主要通过创新和创业对城市全要素碳排放生产率产生促进作用。

关键词:数字普惠金融;城市全要素碳排放生产率;动态空间面板模型;中介机制

中图分类号:F49;F832文献标识码:A文章编号:1001-148X(2022)04-0112-10

收稿日期:2021-10-24

作者简介:姚凤阁(1971-),男,黑龙江鹤岗人,哈尔滨商业大学金融学院教授,博士生导师,管理学博士,研究方向:农村金融;王天航(1989-),男,哈尔滨人,哈尔滨商业大学金融学院博士研究生,研究方向:数字普惠金融;谈丽萍(1977-),女,湖北鄂州人,同方知网数字出版技术股份有限公司,经济学硕士,研究方向:金融理论与政策。

基金项目:国家社科基金面上项目“供给侧结构性改革背景下的农村金融服务创新与风险控制研究”,项目编号:17BJY119。

数字金融运用数字技术实现支付、信贷、投资等金融业务,在促进产业结构升级、刺激消费和促进创业等方面发挥着重要的作用。根据北京大学金融研究中心统计数据,从2011年到2020年,数字普惠金融指数均值494增长至25331,这表明数字普惠金融发展迅速,已经成为中国金融体系中不可或缺的一部分。

碳减排目标的实现离不开金融发展的支持[1]。理论研究发现金融发展对碳排放的影响并不确定[2-3],可能具有积极影响[4-5],也可能会增加碳排放[6-7]。本文采用基于非径向DDF模型的Malmquist指数对城市全要素碳排放生产率进行测量,聚焦于数字普惠金融,从理论和实证两个方面分析数字金融对城市全要素碳排放生产率的作用机制,并使用动态空间面板模型分析数字普惠金融对城市全要素碳排放生产率的影响。

一、理论分析与研究假设

(一)数字普惠金融与城市全要素碳排放生产率

数字普惠金融主要通过以下两个渠道对城市全要素碳排放生产率产生直接影响。第一,从企业来看,数字普惠金融能够为金融产品提供者与需求者构建交易平台,这将降低企业往返金融机构进行借贷所产生的碳排放。以P2P网贷平台为例,企业能够随时随地在P2P网贷平台进行信用贷款,信贷服务更加便利。同时,运用大数据、云计算和人工智能等数字技术,数字金融能够有效地进行信息筛选和风险识别,减少企业逆向选择行为的发生,通过优化资源配置来限制资源向高污染行业流动[8],从而提高城市全要素碳排放生产率。第二,从个人来看,移动支付的出现不仅使支付变得更加方便,而且大大降低了交易成本和资源消耗。同时,数字金融的发展拓宽了人们参与环保事业的渠道,增强了人们的环保意识,从而提高城市全要素碳排放生产率[9]。以支付宝为例,人们在支付宝上所进行的出行缴费、生活缴费、购票和网络挂号等行为,相应地减少了这些行为在线下所产生的二氧化碳排放量。同时,蚂蚁森林的种树活动能够带动大量普通用户真正参与到环保事业中,统计数据显示,截至2021年8月底,蚂蚁森林的参与者已经超过6亿,种植的树木已经达到326亿,人们的环保意识正在不断增强。综上所述,本文提出以下假设。

假设1:数字普惠金融能够促进全要素碳排放生产率的提高。

(二)数字普惠金融影响城市全要素碳排放生产率的机制

由于科技企业往往是那些初创的中小微企业,加之创新项目具有长周期和高风险的特征,使得企业进行创新活动时往往面临着融资约束[10],而数字金融能够通过“增量补充”和“存量优化”两个方面来缓解创新企业的融资约束[11]。“增量补充”是指数字金融能够有效地吸收金融资源并将其进行合理配置。具体来讲,金融市场中存在大量的小规模投资者,这些小规模投资者被叫做长尾群体。傳统金融机构由于成本、技术等原因不能够吸收这类投资者。数字金融能够通过人工智能、大数据和云计算等数字技术有效地处理海量数据,降低金融服务门槛,从而吸纳更多的长尾群体[12]。同时,数字金融也为创新企业提供了更加丰富的融资渠道和融资方式,为企业进行创新活动提供了有力支撑。“存量优化”是指数字金融能够通过对传统金融服务进行深度优化以提高金融服务效率。数字金融突破了传统的信用定价模型,能够对企业进行精准的信用评估,这大大降低了金融机构和企业之间的信息不对称程度,更加精准地将金融资源和企业创新项目进行匹配。基于上述分析,数字金融能够提高企业的创新水平,企业创新水平的提高能够减少二氧化碳排放,促进城市全要素碳排放效率的提升。由此我们提出以下假设。

假设2:数字金融能够通过提高创新水平来提高城市碳排放全要素生产率。

作为传统金融体系的补充,数字普惠金融为创业提供了重要支撑,它主要从以下两个方面对创业水平产生提升作用[13]。一方面,数字普惠金融能够为不发达地区提供金融服务,从而促进不发达地区的创业活动[14]。传统的金融机构往往不能服务于那些偏远地区的人群,没有金融服务的支持,创业活动就会受到限制。数字金融是指通过互联网来实现支付、转账、借贷等功能,它将金融活动由线下转到线上,帮助不发达地区进行金融业务的办理,从而促进这些地区的创业水平。另一方面,数字金融能够用较低的成本对小微企业进行融资评估,解决小微企业融资难的问题。由于经营信息的缺乏和企业规模的限制,传统金融机构无法为小微企业提供金融服务。数字金融能够利用大数据分析手段来对小微企业进行信用评估[15],它能够降低小微企业的创业门槛,从而促进创业。企业的增多不仅加剧了企业之间的竞争,而且迫使企业不得不采取更加清洁高效的生产方式,改善环境质量。由此本文提出以下假设。

假设3:数字普惠金融能够通过提高创业水平来提高城市全要素碳排放生产率。

二、方法和数据

(一)面板回归模型

1.传统面板模型

结合相关文献的研究,城市全要素碳排放生产率的传统面板模型可以写为:

UCMPIit=α0+α1IFIit+α2lnGDPit+α3URBit+α4OPENit+α5GOVit+α6TECit+μi(1)

其中:ε為扰动项。i代表空间,涉及中国285个城市。t代表时间,范围为2011年到2018年。IFI为解释变量,指的是数字普惠金融;UCMPIit为被解释变量,指的是城市全要素碳排放生产率。lnGDP为经济发展水平,URB为城镇化水平,OPEN为对外开放程度,GOV为政府干预,TEC为技术水平。α1到α6为各变量的估计系数。

2.动态空间面板模型

已有研究[16]发现城市全要素碳排放生产率具有空间效应,忽视空间效应会造成估计结果的误差。我们需要建立以下静态空间计量模型来分析数字普惠金融对城市全要素碳排放生产率的影响:

UCMPIit=α0+β0∑jWijUMPIit+α1IFIit+α2lnGDPit+α3URBit+α4OPENit+α5GOVit+α6TECit+μi(2)

其中,β0为城市全要素碳排放生产率的空间滞后项系数,反映了城市全要素碳排放生产率的空间溢出效应。Wij为空间权重矩阵,本文选择地理权重矩阵作为空间权重矩阵,其定义如下:若i=j,Wij=0;若i≠j,Wij=1/dij,dij为城市i和城市j之间的直线距离。然后,我们在公式(1)中引入城市全要素碳排放生产率的一阶滞后项,其普通动态面板模型如下:

UCMPIit=α0+τUCMPIi(t-1)+α1IFIit+α2lnGDPit+α3URBit+α4OPENit+α5GOVit+α6TECit+μi(3)

其中,τ为城市全要素碳排放生产率的一阶滞后项系数,反映了城市全要素碳排放生产率的动态效应。当同时考虑城市全要素碳排放生产率的空间效应和动态效应时,动态空间面板模型如下:

UCMPIit=α0+τUCMPIi(t-1)+β0∑jWijUCMPIit+α1IFIit+α2lnGDPit+α3URBit+α4OPENit+α5GOVit+α6TECit+μi(4)

数字普惠金融的发展可能通过创新水平和创业水平来影响城市全要素碳排放生产率。因此,我们用下列4个等式来分析数字普惠金融对城市全要素碳排放生产率的作用渠道。

INNOVit=α0+τINNOVi(t-1)+β0∑jWijINNOVit+α1IFIit+α2lnGDPit+α3URBit+α4OPENit+α5GOVit+α6TECit+μi(5)

UCMPIit=α0+τUCMPIi(t-1)+β0∑jWijUCMPIit+α1IFIit+α2INNOV+α3lnGDPit+α4URBit+α5OPENit+α6GOVit+α7TECit+μi(6)

ENTREit=α0+τENTREi(t-1)+β0∑jWijENTREit+α1IFIit+α2lnGDPit+α3URBit+α4OPENit+α5GOVit+α6TECit+μi(7)

UCMPIit=α0+τUCMPIi(t-1)+β0∑jWijUCMPIit+α1IFIit+α2ENTRE+α3lnGDPit+α4URBit+α5OPENit+α6GOVit+α7TECit+μi(8)

公式(5)和(7)分别考察了数字普惠金融对创新水平和创业水平的影响,公式(6)和(8)分别将创新水平和创业水平作为公式(4)中的解释变量,公式(5)和(6)估计了创新水平的中介效应,公式(7)和(8)估计了创业水平的中介效应。本文分别选取人均专利授权数、城镇私营和个体从业人员与总从业人数比值来表示创新水平和创业水平。

(二)变量描述

1.被解释变量:城市碳排放全要素生产率

估计城市全要素碳排放生产率的方法很多,这里我们选择提出的基于非径向DDF超效率模型的Malmquist指数来表示,并将其分解为技术效率变化(EC)和技术进步(TC)。具体测量过程参考已有研究[16]我们主要选择资本存量、劳动力和能源消耗作为投入指标[17],并利用永续盘存法对资本存量进行估算[18],以2010年为基期,利用固定资产投资价格指数,将名义固定资产投资值转换为可比价的实际固定资产投资,计算出历年各城市资本存量。劳动力用年末单位从业人员数来表示。城市能源消耗量UE=UGDPi,t×EIi,t,其中UGDPi,t为城市i第t年的地区生产总值,EIi,t为城市i第t年的能源强度,并假定城市i的能源强度与所在省份的能源强度相同[19]。关于产出指标,我们选择地区生产总值作为期望产出,并利用GDP平减指数将其折算为可比值。同时选择CO2排放量作为非期望产出。

2.数字普惠金融

目前比较准确反映中国各城市数字金融发展情况的数据来自北京大学数学金融研究中心编制的数字普惠金融指数,该指数覆盖领域广泛,并且具有横向和纵向可比性。从总体发展情况来看,中国城市数字普惠金融指数均值从2011年的5177增长至2018年的23344,这说明在样本区间内中国城市数字金融快速的发展。

3.控制变量

本文主要选取经济发展水平(GDP)、城镇化水平(URB)、对外开放程度(OPEN)、政府干预(GOV)和科技水平(TEC)五个变量作为控制变量。

(1)经济发展水平(GDP)。根据环境库兹涅茨假说,当一个国家经济发展水平较低时,经济的发展会导致环境的恶化。当经济发展水平达到一定程度后,随着经济的增长,环境质量将有所改善[20]。本文选取人均GDP来表示。

(2)城镇化水平(URB)。随着城镇化水平的不断提高,大量农村人口流入城市,城市居民对基础设施和能源的需求迅速增加,基础设施建设和能源的开发利用会产生大量二氧化碳,降低城市全要素碳排放生产率。本文选取非农业人口与年末总人口的比值来表示。

(3)对外开放程度(OPEN)。对外开放程度的提高能够使得中国积极学习和引进国外的先进减排技术。但是,中国目前仍然是依靠高污染、高排放的資源密集型产业带动出口,出口贸易的增加造成能源的过度消耗,从而导致大量的二氧化碳产生。本文选取进出口总额与GDP的比值来表示。

(4)政府干预(GOV)。环境质量的提高离不开政策的实施和减污投资,政策的实施和减污投资离不开政府干预。政府用于治理污染的环保投资越多,地方节能减排机制的建设越完善,政府越能够有效实现对污染减排的控制。本文选取政府财政支出与GDP的比值来表示。

(5)科技水平(TEC)。一方面,低碳技术的发明能够使得高能耗、高污染的设备被淘汰,从而提高能源利用率,降低碳排放。另一方面,科技水平的提高也能够改善能源消费结构,促进产业结构升级,从而降低碳排放。本文选取科技支出与财政支出的比值来表示。这些数据均来自中国城市统计年鉴和中国统计年鉴,各变量的描述性统计见表1。

三、城市全要素碳排放生产率特征

(一)城市全要素碳排放生产率的变动趋势

由表2可以看出,大部分年份的城市全要素碳排放生产率指数小于1,说明中国的碳排放效率呈下降趋势,碳排放目标的实现任重而道远。2018年的城市全要素碳排放生产率值最高,为11838,在其分解中,我们发现主要是技术效率促进了城市全要素碳排放生产率的提高。2017年的城市全要素碳排放生产率值最低,为08785,虽然技术进步促进了城市全要素碳排放生产率的提升,但技术效率的恶化在一定程度上抑制了城市全要素碳排放生产率的提升,且这种抑制作用大于技术进步的促进作用。

从不同地区来看,中部地区的城市全要素碳排放生产率值最高,东部地区次之,西部地区最低。在分解中,我们发现中国东部地区、中部地区和西部地区城市全要素碳排放生产率的提升主要依靠其技术效率的提升。其中,中部地区技术效率的促进作用比其他两个地区的促进作用更大。

根据以上数据,我们可以观察到中国城市2011年、2013年、2015年和2018年城市全要素碳排放生产率的变动。可以看出,2011年到2013年城市全要素碳排放生产率大于1的城市数量趋于平稳,2018年城市全要素碳排放生产率大于1的城市数量增长至263个,这说明中国城市碳排放效率正逐渐向生产前沿面移动。

(二)城市全要素碳排放生产率的空间特征分析

1.全局空间自相关分析

城市全要素碳排放生产率之间存在相互的空间效应,主要体现在空间相关性和空间异质性两方面。空间相关性是指城市全要素碳排放生产率的溢出效应,空间异质性是指城市全要素碳排放生产率空间分布的不均匀性。检验城市全要素碳排放生产率的变动是否具有空间相关性和空间异质性有两种方法:全局空间自相关检验和局部空间自相关检验。我们使用全局莫兰指数来检验全局空间自相关性。全局莫兰指数被定义为:

I=

∑ni=1∑nj=1Wij(UCMPIi-UCMPI)(UCMPIj-UCMPI)S2∑ni=1∑nj=1Wij(9)

I为全局空间自相关指数;Wij为空间权重矩阵,本文选择地理反距离权重矩阵作为空间权重矩阵;n为空间单元数目,即285个城市;UCMPI为城市全要素碳排放生产率均值;S2为方差。为保持准确性,我们对Z值进行检验,公式如下:

Z=I-E(I)VAR(I)(10)

表3给出了2011年到2018年城市全要素碳排放生产率的莫兰指数值和Z值,莫兰指数值显著为正,这充分验证了中国城市全要素碳排放生产率具有较强的正空间相关性,即具有相似城市全要素碳排放生产率的区域表现出显著的空间集群特征,并且这种空间集群特征呈递减趋势。因此,区域间城市全要素碳排放生产率可能存在的空间相关性应该被充分重视。

2.局部空间自相关和空间异质性

局域莫兰指数的计算结果显示了城市全要素碳排放生产率的局部空间相关性和空间异质性,我们将其空间分布划分为四个区域,分别是高值-高值集聚、高值-低值集聚、低值-高值集聚和低值-低值集聚。

(1)高值-高值集聚指的是全要素碳排放生产率高的城市,其周边城市的城市全要素碳排放生产率也高。高值-高值集聚的城市主要分布在吉林、辽宁、湖北和湖南等中部地区,说明这些地区的城市全要素碳排放生产率值较高,并且地区之间的空间相关性较强。

(2)低值-低值集聚的城市主要分布于甘肃、宁夏和新疆等省份,主要是因为这些省份处于偏远地区,技术不够发达,资源密集型产品的生产所产生的碳排放会影响其周边地区的环境质量。

(3)高值-低值集聚的城市主要有陕西省的西安市,说明西安市的城市全要素碳排放生产率虽高,但不足以带动周边城市全要素碳排放生产率的提升。这主要是因为作为陕西省省会城市,西安市经济发展迅速,对周边城市创新资源和人才具有较强的虹吸作用。

(4)低值-高值集聚的城市主要有黑龙江省的大庆市、江西省的萍乡市和内蒙古的鄂尔多斯市。说明这些城市的城市全要素碳排放生产率并没有受到周边城市的带动,属于空心区。主要是因为这些城市缺乏与周边城市的交流和学习。

四、数字普惠金融对城市全要素碳排放生产率的影响

(一)模型识别

通过以上分析,我们发现城市全要素碳排放生产率之间存在空间效应,这表明空间效应会对城市全要素碳排放生产率的变动产生影响。由于传统的动态面板模型忽视了这种空间效应,估计结果具有不准确性。城市全要素碳排放生产率的变动是一个动态过程,由于传统空间模型忽视了这种动态效应,估计结果存在误差。因此,我们采用动态空间面板模型来分析数字普惠金融对城市全要素碳排放生产率的影响,这种模型既考虑了空间效应,又考虑了时间效应。作为对比,我们使用了以下三种模型:普通动态面板模型、空间面板模型和动态空间面板模型。普通动态面板模型使用的是系统GMM,空间面板模型使用的是空间自回归模型(SAR),动态空间面板模型使用的是空间系统GMM。估计结果如表4所示,其中SAR模型与空间系统GMM模型的估计结果十分不同,这是因为SAR模型没有考虑城市全要素碳排放生产率的动态效应,估计结果具有不准确性。

在动态空间面板模型中,AR(1)和AR(2)的估计结果显示在10%的显著水平下,扰动项的差分存在一阶自相关,但不存在二阶自相关,说明模型设定合理。Hansen检验结果并没有拒绝工具变量有效的原假设,说明工具变量选择是合理的。城市全要素碳排放生产率的空间滞后项系数显著为正,说明周边城市全要素碳排放生产率的提升能够促进本地区城市全要素碳排放生产率的提升。城市全要素碳排放生产率的动态效应显著,说明之前城市全要素碳排放生产率的变动能够影响现在城市全要素碳排放生产率的变动。与动态面板空间模型相比,普通动态面板模型中数字普惠金融系数相对较小,这说明空间效应的忽视削弱了数字普惠金融对城市全要素碳排放生产率的促进作用。

(二)数字普惠金融对城市全要素碳排放生产率的影响

在动态空间面板模型的估计结果中,数字普惠金融的系数在1%的水平下显著为正,说明数字普惠金融的发展能够促进城市全要素碳排放生产率的提升,符合本文假设1。关于控制变量,经济发展水平的系数在1%水平下显著为负,这是因为中国的经济增长模式以粗放式为主,这种粗放式经济增长模式只注重经济增长数量而忽略了经济增长质量,从而造成二氧化碳排放量过高。城镇化水平的系数显著为负,快速的城镇化进程造成基础设施和能源需求增加,基础设施的建设需要水泥、钢铁等建筑材料的大量投入,这会造成大量的二氧化碳排放。对外开放程度的系数显著为负,中国目前仍然是依靠高污染、高排放的资源密集型产业带动出口,出口贸易的增加造成能源的过度消耗,从而导致大量的二氧化碳产生。政府干预程度的系数显著为正,目前中国的碳减排工作仍然是政府干预行为,污染控制的投资离不开政府,统计数据显示,2006—2017年中国污染治理投资额的年均增长率达到了1268%,其中大部分污染治理投资额为政府投资。同时,政府制定的关于促进节能减排的政策对于节约资源和降低碳排放量具有积极的带动作用。科学技术水平估计系数显著为正,科学技术水平的提高能够促进投入要素的利用和减少二氧化碳的排放,从而提高碳排放效率。

(三)稳健性检验

我们采取以下两种方式来检验估计结果的稳健性:第一,由于直辖市的经济发展和产业结构与其他城市具有差异性,因此本文剔除北京、天津、上海和重庆四个直辖市。第二,本文将地理距离权重矩阵替换成地理和经济距离嵌套矩阵,地理和经济距离嵌套矩阵W3=05W1+05W2,其中W1为地理距离权重矩阵,W2=1/GDPi-GDPj,GDPi为城市i的GDP均值,GDPj为城市j的GDP均值。估计结果如表5所示,可以看出主要变量的系数虽有变化,但显著性不變,这说明动态空间面板模型的估计结果具有稳健性。

(四)中介机制检验

公式(5)—(8)的估计结果如表6所示,其中,模型(1)和(3)表示数字普惠金融对中介变量的回归结果。数字普惠金融在模型(1)中的回归系数在1%的水平下显著为正,说明数字普惠金融的发展促进了创新水平的提高,创新水平的提高则促进了城市全要素碳排放生产率的提升,符合本文假设2。数字普惠金融在模型(3)中的回归系数在1%的水平下显著为正,说明数字普惠金融的发展能够促进地区创业,从而促进城市全要素碳排放生产率的提升,符合本文假设3。

(五)异质性分析

1.数字金融维度异质性分析

由于数字金融包括覆盖广度、使用深度和数字支持服务程度三个维度。因此,我们需要进一步分析覆盖广度、使用深度和数字支持服务程度对城市全要素碳排放生产率的影响,估计结果如表7所示。

覆盖广度的系数在1%水平下显著为正,说明覆盖广度的扩大能够促进城市全要素碳排放生产率的提升。覆盖广度在一定程度上体现了电子账户的覆盖程度。数字金融的覆盖广度越大,越能够提高正规金融机构未能触达的那些地区的创业水平,创业水平的提高不仅能够增加劳动者的就业机会,而且会迫使那些小微企业采取更加清洁高效的生产方式提高城市全要素碳排放生产率。

使用深度的系数在1%水平下显著为正,说明使用深度的扩大能够促进城市全要素碳排放生产率的提升。使用深度反映了数字金融的业务水平,数字金融的使用深度越深,金融工具种类越丰富,金融服务体系越完善,越能够为企业进行创新创业活动提供支撑,从而提高城市全要素碳排放生产率。

数字化程度的系数在1%水平下显著为正,说明数字化程度的提高能够促进城市全要素碳排放生产率的提升。数字化程度体现了数字金融服务的便利性和低成本。数字化程度越高,企业获得金融服务的成本越低,金融效率越高。

2.地区异质性分析

由于中国不同地区的城市全要素碳排放生产率和数字金融发展情况具有差异性,我们进一步分析了数字普惠金融对中国东部、中部和西部地区的城市全要素碳排放生产率的影响,空间动态模型被用来估计不同地区的影响。

由表8可以看出,三个地区城市全要素碳排放生产率的一阶滞后项系数均在1%显著水平下为正,这说明三个地区的城市全要素碳排放生产率均具有动态效应。其中中部地区的系数最大,东部地区次之,西部地区的系数最小。这主要是因为中部地区具有较大的经济发展和结构调整潜力,前期经济的发展和产业结构的调整更能够促进城市全要素碳排放生产率的提升。三个地区城市全要素碳排放生产率的空间滞后项系数均显著为正,说明这三个地区的城市全要素碳排放生产率均具有空间溢出效应。其中,中部地区的系数最大,东部地区次之,西部地区的系数最小,这主要是因为中部地区各城市的技术水平具有较大的差异性,城市之间的学习和交流能够大幅度地提升城市全要素碳排放生产率,从而使得城市全要素碳排放生产率具有更大的空间溢出效应。

关于东部地区,数字普惠金融对城市全要素碳排放生产率产生了积极影响。与国家水平估计结果不同的是,对外开放程度的提高能够提高城市全要素碳排放生产率,这是因为东部地区主要以出口技术密集型产品为主,这不会造成环境污染。同时,东部地区能够积极学习国外先进的减排技术,减少碳排放。政府的过度干预会抑制城市全要素碳排放生产率的提升,这是因为东部地区的经济发达,环境制度比较完善,政府的过度干预会造成资源错配,影响市场的正常运行。

关于中部地区,数字普惠金融对城市全要素碳排放生产率产生了积极影响。与国家层面估计结果不同的是,经济发展水平的估计系数并不显著,这主要是因为中部地区的经济发展速度缓慢,不足以对城市全要素碳排放生产率产生影响。科技水平的估计系数显著为负,这说明科技支出的增加会抑制中部地区城市全要素碳排放生产率的提升。

关于西部地区,数字普惠金融对城市全要素碳排放生产率产生了积极影响。与全国层面估计结果不同的是,城镇化水平估计系数不显著,这主要是因为西部地区经济不发达,人口大量流失,城市人口比重不高,不足以对城市全要素碳排放生产率产生影响。政府干预对城市全要素碳排放生产率的影响并不显著,这主要是因为西部地区政府对环境污染治理的投资较少,无法对城市全要素碳排放生产率的变动产生影响。

中西部地区数字普惠金融的系数显著大于东部地区。与传统金融相比,数字金融更能够突破空间的限制,给不发达地区带来更大的边际效应。因此,中西部可以大力发展数字经济,促进城市全要素碳排放生产率的提高,中西部地区数字普惠金融均值与东部地区的比值已经从2011年的133变为2018年的109。借助数字普惠金融的发展,部分城市环境质量得到了极大改善。以河南省许昌市为例,许昌市积极响应国家政策,大力支持数字经济的发展,数字普惠金融指数由2011年的4314增长到2018年的22629,二氧化碳排放量由2305万吨减少至1390万吨,环境质量得到改善的同时也吸引了众多科技创新型企业。

五、进一步分析

空间动态面板模型估计结果验证了假设1,表明数字普惠金融的发展能够促进城市全要素碳排放生产率的提升。在样本期内,数字普惠金融不断发展,城市全要素碳排放生产率也得到了相应提高,说明数字金融可能通过为企业提供借贷平台、为用户提供支付平台来提高城市全要素碳排放生产率。因此各城市应该大力发展数字金融,实现互联网和其他行业的深度融合。同时,金融监管体系的不完善会阻碍数字金融健康有序进行,因此监管部门要加大对数字金融的监管力度,使得数字金融更好地促进城市全要素碳排放生产率的提升。

中介机制检验结果验证了假设2和假设3,表明数字普惠金融可能通过提高创新和创业水平来促进城市全要素碳排放生产率的提升。在样本期内,数字普惠金融指数均值由5177增长至23344,人均专利授权数均值由425增长至943,这说明数字金融可能通过缓解创新企业融资约束、降低信息不对称程度来提高企业创新水平。城镇私营个体从业人员数与单位从业人员数比值的均值由1增长至15,这说明数字金融可能通过推动不发达地区进行创新活动、降低小微企业创业门檻来促进创业,从而提高城市全要素碳排放生产率。

2018年,单位国内生产总值二氧化碳排放量比2005年下降了458%,提前实现了2020年碳排放强度比2005年下降40%-45%的目标,碳减排目标的实现离不开数字金融的发展。以广东省为例,为积极响应国家号召,2019年12月,广东省在广州、东莞、中山、河源、惠州、韶关六个城市进行碳普惠制试点。碳普惠制能够对小微企业和个人的节能减碳行为进行具体量化,也就是说,个人进行网络消费、乘坐地铁、骑共享单车低碳行为都能够获得一定的碳币,用于在平台上兑换奖品和优惠,这不仅提高了人们的环保意识,而且对人们的环保行为具有激励作用。据统计,2020年线上碳币兑换已经超过五千人次,说明有越来越多的公众参与到节能减排行动中。

六、结论和政策含义

基于中国285个地级市2011—2018年的面板数据,本文采用动态空间面板模型分析了数字普惠金融对城市全要素碳排放生产率变动的影响。研究结果表明:第一,城市全要素碳排放生产率具有空间效应。莫兰指数证明了城市全要素碳排放生产率具有较强的全局空间自相关性,Lisa集聚图证明了城市全要素碳排放生产率的局部空间相关性和空间异质性。第二,数字普惠金融能够促进城市全要素碳排放生产率的提升。第三,数字金融对城市全要素碳排放生产率的影响具有异质性。从地区来看,中部地区数字金融对城市全要素碳排放生产率的促进作用最为显著,东部地区次之,西部地区最弱。从数字金融维度来看,覆盖广度对城市全要素碳排放生产率的促进作用最为显著,使用深度次之,数字化程度最弱。第四,数字普惠金融主要通过创新和创业对城市全要素碳排放生产率产生促进作用。根据研究结论,政策含义如下:

(1)加强区域间碳减排的交流与合作。由于中国城市间碳排放具有连续的动态空间效应,本文认为各城市应积极建立合作交流机制,相互扶持,发展各城市自身优势项目,同时补全其劣势项目。中国的地域辽阔,地区发展十分不平衡,中西部地区应积极学习东部地区的先进减排技术和经验,克服经济发展的约束,实现共同进步。

(2)平衡传统金融与数字金融之间的关系。传统金融应继续完善基础设施建设,为数字金融的发展提供平台和支撑。同时,应大力鼓励传统金融机构运用数字金融技术,实现金融的数字化转型,从而为中小微企业的发展提供资金支持,为经济的发展提供动力。

(3)完善数字金融监管体系。由于数字技术和普惠金融的结合会产生新的信用风险,因此监管部门必须要加强行业准入监管、分类监管和合作监管,制定行业准入标准。同时建立完善的信息披露机制,使得企业能够公开透明地运行,从而最大限度地防范和化解数字金融所产生的信用风险。

(4)因地制宜实施数字金融政策。在东部发达地区,数字金融覆盖度高,应积极完善金融监管体系来防范金融风险,同时大力鼓励金融创新,提高金融服务效率。在中西部地区,应大力普及数字金融知识,提高群众对数字金融的认可度和接受度。同时完善金融基础设施,提高数字金融的覆盖广度、使用深度和数字化程度,使得数字金融能够更好地服务于企业和个人。

参考文献:

[1]Le,T.-H.,Chuc,A.T.,Taghizadeh-Hesary,F.FinancialInclusionanditsImpactonFinancialEfficiencyandSustainability:EmpiricalEvidencefromAsia[J].BorsaIstanbulReview,2019,19:310-322.

[2]严成樑,李涛,兰伟.金融发展、创新与二氧化碳排放[J].金融研究,2016(1):14-30.

[3]LI,Y.,Yang,X.,Ran,Q.,etal.EnergyStructure,DigitalEconomy,andCarbonEmissions:EvidenceFromChina[J].EnvironmentalScienceandPollutionResearch,2021,17(6):1-24.

[4]顾洪梅,何彬.中国省域金融发展与碳排放研究[J].中国人口·资源与环境,2012,22(8):22-27.

[5]刘国斌,方圆,杨思莹.金融发展、金融分权与城市环境污染抑制[J].济南大学学报(社会科学版),2021,31(2):91-102.

[6]熊灵,齐绍洲.金融发展与中国省区碳排放——基于STIRPAT模型和动态面板数据分析[J].中国地质大学学报(社会科学版),2016,16(2):63-73.

[7]Jiang,C.,Ma,X.TheImpactofFinancialDevelopmentonCarbonEmissions:AGlobalPerspective[J].Sustainability,2019,11(3):5241.

[8]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(5):20-31.

[9]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(2):18-25.

[10]万佳彧,周勤,肖义.数字金融、融资约束与企业创新[J].经济评论,2020(1):71-83.

[11]唐松,伍旭川,祝佳.数字金融与企业技术创新——结构特征、机制识别与金融监管下的效应差异[J].管理世界,2020,36(5):52-66,9.

[12]王聪聪,党超,徐峰,等.互聯网金融背景下的金融创新和财富管理研究[J].管理世界,2018,34(12):168-170.

[13]王洋,谢钟慧,李新月.数字普惠金融与创新发展耦合协调发展研究[J].哈尔滨商业大学学报(社会科学版),2021(6):17-26.

[14]傅秋子,黄益平.数字金融对农村金融需求的异质性影响——来自中国家庭金融调查与北京大学数字普惠金融指数的证据[J].金融研究,2018(11):68-84.

[15]汪亚楠,叶欣,许林.数字金融能提振实体经济吗[J].财经科学,2020(3):1-13.

[16]Sun,W.,Huang,C.HowDoesUrbanizationAffectCarbonEmissionEfficiency?EvidenceFromChina[J].JournalofCleanerProduction,2020,272(13):122828.

[17]马大来,陈仲常,王玲.中国省际碳排放效率的空间计量[J].中国人口·资源与环境,2015(1):67-77.

[18]张军,吴桂英,张吉鹏.中国省际物质资本存量估算:1952—2000[J].经济研究,2004(10):35-44.

[19]陈龙,李金昌,程开明.中国城市能源效率测算[J].商业经济与管理,2016(7):83-96.

[20]Cheng,Z.,Shi,X.CanIndustrialStructuralAdjustmentImprovetheTotal-FactorCarbonEmissionPerformanceinChina[J].InternationalJournalofEnvironmentalResearchandPublicHealth,2018,15(11):2291.

TheImpactofDigitalInclusiveFinanceonUrbanTotalFactorCarbon

EmissionProductivity

YAOFeng-ge1,WANGTian-hang1,TANLi-ping2

(1.HarbinUniversityofCommerce,Heilongjiang,Harbin150028,China;

2.Chinanationalknowledgeinfrastructure,Beijing100083,China)

Abstract:HowtomakedigitalinclusivefinancebetterimprovetheproductivityofurbantotalfactorcarbonemissionisagreatsignificancetotherealizationofChina′scarbonemissionreductiontarget.Basedonthepaneldataof285prefecturelevelcitiesinChinafrom2011to2018,thispaperusesthedynamicspatialpanelmodeltoanalyzetheimpactofdigitalInclusiveFinanceonthechangeofurbantotalfactorcarbonemissionproductivity.Theestimationresultsshowthat:First,urbantotalfactorcarbonemissionproductivityhasthecharacteristicsofglobalspatialautocorrelationandlocalspatialcorrelation.Second,digitalinclusivefinancecanpromotetheimprovementofurbantotalfactorcarbonemissionproductivity.Third,theimpactofdigitalFinanceonurbantotalfactorcarbonemissionproductivityisheterogeneous.Fromaregionalperspective,theroleofdigitalfinanceinpromotingurbantotalfactorcarbonemissionproductivityinthecentralregionisthemostsignificant,followedbytheeasternregionandthewesternregion.Fromtheperspectiveofdigitalfinance,coverageplaysthemostsignificantroleinpromotingurbantotalfactorcarbonemissionproductivity,followedbythedepthofuse,andthedegreeofdigitizationistheweakest.Fourth,digitalinclusivefinancepromotesurbantotalfactorcarbonemissionproductivitymainlythroughinnovationandentrepreneurship.

Keywords:digitalinclusivefinance;urbantotalfactorcarbonemissionproductivity;dynamicspatialpanelmodel;intermediarymechanism

(责任编辑:李江)

猜你喜欢
数字普惠金融
数字普惠金融助力精准扶贫分析
数字普惠金融消减苏北农村地区贫困脆弱性路径研究
我国数字普惠金融减贫效应实证研究
消费者权益视角下数字普惠金融发展的风险及措施
我国数字普惠金融发展助力减贫过程中面临的问题及其对策分析
合肥县域村镇银行科技与数字普惠金融应用研究
数字普惠金融发展中所面临的问题及对策分析
数字普惠金融下的互联网个人征信业务探索
数字普惠金融助力精准扶贫的创新机制
数字普惠金融的县域测度