基于系統GMM估計的京津冀數字金融對空氣質量動態效應研究

李從欣， 孫雪佳

(河北地質大學 經濟學院，河北 石家莊 050031)

自工業革命時期以來，伴隨著世界各國經濟的飛速發展，越來越多的全球性環境問題凸顯，全球氣候持續變暖、海平面上升，酸雨、霧霾等大氣環境問題加劇，一氧化碳、二氧化硫、PM2.5等空氣污染物排放已嚴重威脅著人類的身體健康和生態環境的穩定?？諝赓|量問題已經成為約束我國經濟高質量發展的重要因素。金融發展有助于加快資源要素流動，引導資金從高污染、高耗能產業流向綠色清潔型產業，金融是政府部門實現節能減排的重要調控工具[1]。而作為金融發展和數字化技術融合形成的創新金融發展模式，數字金融依托大數據、互聯網和云計算等數字技術，通過推動信息共享，緩解金融資源錯配，吸引更多的顧客群體，拓寬融資渠道，有助于發展綠色項目。但數字金融在助推綠色發展的同時，拉動經濟增長與消費規模，不可避免會引發空氣污染。

其中，京津冀地區金融資源雄厚、人才吸引力較強，作為我國首都經濟圈的核心區域，京津冀地區的金融發展及其數字化轉型對經濟的引領作用備受關注。與此同時，作為經濟發展重心，京津冀地區的大氣污染物排放也尤為嚴重，空氣污染問題較為突出。為推動京津冀經濟與環境協調發展，加強生態文明建設，實現經濟高質量發展，政府應加強生態環境保護力度，發揮金融工具的經濟優勢。

因此，在金融發展數字化轉型的必然趨勢下，本文擬從數字金融角度入手對京津冀地區空氣質量相關問題展開研究。京津冀地區數字金融發展能否減少空氣污染，實現環境增益？數字金融子維度對空氣質量的影響如何？通過對上述問題展開深入研究，不僅有利于助推京津冀地區綠色環保事業高效發展，也有利于進一步豐富金融與空氣污染關系的內容框架。

一、文獻回顧

(一)空氣質量的測度

空氣污染程度是依據空氣中污染物的濃度大小進行判斷的，而空氣污染程度可以側面反映空氣質量水平。大氣污染物主要由PM2.5、PM10、NO2、SO2、CO、O3、煙塵等構成，這些大氣污染物的濃度越大，空氣污染越嚴重，空氣質量越差。目前，國內外關于對環境空氣質量的測度方法尚未統一。一些學者用單一污染物或多種污染物表示空氣污染情況，以此來反映環境空氣質量的好壞[2-4]。本研究認為，這種測度方法僅考慮了空氣污染物的濃度或排放，未考慮到城市對空氣污染物的吸納及擴散稀釋能力。一些學者用空氣污染指數API衡量空氣質量狀況，API劃分為六個等級，API值越大，說明空氣污染級別越高，空氣質量越差，人體健康受到的危害越大。相比其他測度空氣質量的指標，API對空氣質量進行了等級劃分以及人們身體健康受影響情況[5-6]。2012年我國政府出臺《環境空氣質量標準》(GB 3095—2012)，相較空氣污染指數API，空氣質量指數AQI擁有更多的污染指標、更高的發布頻次和更嚴格的分級限制。基于此，AQI能夠更全面合理地定量評價空氣質量好壞。一些學者用空氣質量指數AQI測度空氣質量狀況，楊肅昌和馬素琳[7]使用“空氣質量達到及超過二級的天數”來作空氣質量的測度變量，研究空氣質量與城市發展的關系，發現城市化進程會改善空氣質量。郭一鳴[8]等基于2015—2017年全國20個城市群的空氣質量(AQI)數據，對城市群空氣質量的時空演化特征及影響因素進行了實證研究。呼慧和洪志敏[9]基于2017年黃河流域數據，以AQI指數測度空氣質量，構建MGWR模型，對空氣質量的影響因素進行了分析。基于以上研究，空氣質量指數AQI綜合了污染排放與污染吸納，納入了人們最直觀的感受，可以更全面合理地衡量空氣質量水平。本文擬采用AQI作為反向指標衡量城市空氣質量，研究京津冀地區數字金融對空氣質量的影響。

(二)數字金融的發展

傳統金融作為資本市場中介，可以通過實現資金合理利用、提高資本配置效率，發揮推進經濟發展和產業結構優化的功能，但傳統金融在服務產業發展中存在的結構性錯配問題也尤為突出。數字化時代，隨著金融發展和數字技術的結合孕育，數字金融應運而生，有助于緩解資源錯配問題。數字金融利用其數字技術為各服務對象提供更為高效的融資服務，提升金融服務的包容性。穆什塔克和布魯諾[10]認為，數字金融發展能夠彌補傳統金融發展的差距，降低金融歧視、提高金融包容性，進而發揮金融的減貧效應。而沃納[11]指出提高金融包容性的關鍵是要降低金融歧視。數字金融具備的交易低成本、范圍廣覆蓋和體驗便捷良好的特征使其提供的金融服務兼具公平與效率。金融數字化能夠優化改革金融機構的信貸偏好，降低金融機構服務準入門檻，更具普惠效應。數字金融實現了線上支付、轉賬、借貸等功能，助推實現“最后一公里”的服務目標，起到“減貧效應”，同時惠及更廣大群眾，促進居民消費。正如張勛等[12]在研究中得出的結論，數字金融的發展增加了中國居民收入和消費支出，這一現象在無法接觸到互聯網的家庭中尤為顯著。梁永堂和祝揚[13]也發現，數字普惠金融有利于減小國定貧困縣的貧困發生率，降低絕對貧困。數字金融也降低了中小企業的融資準入門檻。正如孫哲遠[14]所說，數字信貸平臺幫助中小企業降低融資成本、信息不對稱程度和其他成本，形成適應市場需求和靈活供給的彈性曲線。

(三)金融發展與空氣質量

當前學術界關于數字金融如何影響及治理空氣污染的研究尚未成體系，更多地側重于探討金融發展與空氣污染治理的關系，學者們對二者關系的觀點爭議頗多，主要包括以下三點：

第一，金融發展將會減少大氣污染。金融資源的支持可以緩解生產壓力，助推綠色技術創新，減少廢氣污染物的排放，進而實現空氣質量優化，表現為“減排效應”。高復陽和邵紅梅[15]基于省際面板數據進行實證，發現金融發展水平會顯著抑制周邊地區的大氣環境治理惡化。房宏琳和楊思瑩[16]認為，金融科技創新具有減排效應，能夠有效減少城市空氣污染。

第二，金融發展將會加劇空氣質量惡化。隨著金融業的蓬勃發展，資源實現有效配置，生產規模隨之擴大，增加了能源資源消耗和污染排放，表現為“增加效應”。徐盈之和管建偉[17]基于1998—2007年省際面板數據，進行協整檢驗和多元回歸，結果發現金融發展加劇了空氣質量惡化。宋凱藝和卞元超[18]認為，短期內金融開放對會加劇本地及周邊地區的霧霾污染程度。

第三，金融發展與空氣污染之間存在非線性關系。金融發展既可以實現技術創新減少大氣污染，又能擴大生產規模加劇大氣污染物排放，在“增加效應”與“減排效應”相互作用下，金融發展與環境的關系呈現非線性特征[19-20]。而關于數字金融影響空氣污染的研究，有學者認為數字金融會有效減少空氣污染。朱東波和張相偉[21]通過實證，認為數字金融通過實現產業結構轉型、促進技術創新達成減少空氣污染的目標，且數字金融的減排效應主要體現在數字金融覆蓋廣度與使用深度上。

現有研究在一定程度上為分析數字金融與空氣質量之間的關系提供了相關理論和實證經驗，但仍有很多不足之處：大多數文獻是研究全國層面金融發展對空氣污染的影響，鮮少從某一城市聚集區切入。本文聚焦于京津冀地區13個城市2014—2020年數字金融及其子維度與空氣質量之間的關系，可能的邊際貢獻在于：1.用空氣質量指數AQI衡量空氣污染程度，更全面合理地反映當前空氣質量狀況。2.將數字金融及其子維度作為解釋變量，探究數字化時代金融發展如何對空氣質量產生影響，豐富了金融與環境的研究內容。3.將數字金融與空氣質量的動態關系考慮在內，以期為減少空氣污染找到金融方面的長期有效路徑。

二、模型建立和變量說明

(一)模型建立

基于以上分析，考慮到空氣污染水平的動態依賴關系，本文基于系統GMM估計構建如下動態面板回歸模型，對數字金融與空氣質量的動態關系進行檢驗：

AQIit=α+β1AQIi(t-1)+β2DFIit+β3Xit+

δi+θt+εit

(1)

其中，i表示城市，t表示時間。δi、θt、εit分別表示地區效應、時間效應和隨機誤差項。AQIit為被解釋變量空氣質量指數,AQIi(t-1)為被解釋變量空氣質量指數的滯后一期，DFIit為核心解釋變量數字金融指數，Xit表示影響空氣質量的其他控制變量，α為常數項，β1、β2、β3為待估參數。

(二)變量說明

1.被解釋變量

本文的被解釋變量是空氣質量指數(AQI)。借鑒喬彬[22]、莊汝龍和宓科娜[23]的思路，本文選取空氣質量指數作為空氣質量的反向代理指標，實證研究數字金融與空氣質量的動態關系，更合理全面地反映京津冀地區金融數字化對大氣環境的影響。根據2012年國家新制定的空氣質量標準，空氣質量指數越大，表示空氣污染越嚴重，即空氣質量越差?？諝赓|量數據來源于中國空氣質量在線監測分析平臺(https://www.aqistudy.cn/historydata/)。

2.解釋變量

本文的解釋變量是數字金融指數(DFI)。參考以往研究，將數字金融指數進一步分解為數字金融覆蓋廣度(DFI1)、數字金融使用深度(DFI2)及數字化程度(DFI3)三個維度，數據來源于北大數字金融研究中心。

3.控制變量

本文的控制變量包括人口密度、產業結構和經濟發展。經濟發展(REGDP)用人均GDP度量。人口密度(DEN)用年末總人口與行政區土地面積之比來測度。工業是大氣污染的重要來源，選擇第二產業增加值(IS2)作為控制變量是有必要的。以上控制變量數據均來源于《中國統計年鑒》《中國城市統計年鑒》及各地級市統計年鑒。

4.其他變量

參考以往研究，學者們多以PM2.5濃度作為空氣質量的反向代理指標，因此，本文使用PM2.5濃度作為空氣質量指數AQI的替代變量進行穩健性檢驗，數據來源于哥倫比亞大學的社會經濟數據和應用中心(SEDAC)。

(三)數據來源

2012年中國政府出臺《環境空氣質量標準》(GB 3095—2012)，2013年相關部門陸續公布空氣質量指數AQI的相關數據，出于對數據可得性的考慮，本文基于2014—2020年京津冀地區13個城市的相關數據，利用Stata17.0軟件對數字金融與空氣質量的關系進行實證研究。本文采用插值法補齊各城市出現的缺失數據。為避免統計單位的影響，在建模之前采用規格化變化方法對所有原始數據進行無量綱化處理。處理公式如下：

(2)

三、實證分析

(一)京津冀地區空氣質量的變化特征

表1為空氣質量指數的等級劃分情況。表2與圖1分別為京津冀地區13個城市的空氣質量狀態情況與變化折線圖。結合表2和圖1可知，在2014—2020年間，京津冀地區13個城市的空氣質量都有趨好的態勢。尤其在2018年，13個城市均呈現出良好的下降趨勢，主要的原因是國務院開展環境大督查，大力推進煤炭減量治理，因此有效減少了空氣污染物排放，空氣質量的改善效果顯著。但是，城市的空氣質量發展狀況也具有顯著差異，分區現象明顯。首先，空氣質量等級狀況存在明顯的分區現象。秦皇島、張家口和承德市的空氣質量始終處于良好的等級，且始終領先京津冀地區其他城市的空氣質量水平，出現空氣質量斷層現象。北京、天津、唐山、廊坊4個城市已由輕度污染轉為良好等級，保定、滄州、衡水市已逐漸由中度污染地區步入空氣良好地區行列，而石家莊、邯鄲、邢臺3市由中度污染地區邁入輕度污染地區的行列，有望幾年內達成空氣質量良好的目標。以秦皇島、張家口、承德市為代表的京津冀北部地區地理形態特殊、交通閉塞[24]，高污染、高排放、高耗能的工業企業相對較少，有助于保持并改善空氣質量水平；以石家莊、邯鄲、邢臺為代表的京津冀南部地區遠離首都，環境管制的壓力相對較小，缺乏高新技術創新資源傾斜，實現產業結構轉型難度較大，經濟發展對重工業的依賴程度較強，不利于減少空氣污染物的排放，導致空氣質量水平始終處于弱勢地位；北京、天津地區經濟實力雄厚、交通便捷，人口流入較多，不可避免會產生較多的大氣污染物，而作為首都經濟圈的“雙核”地區，北京和天津將首都優勢與港口優勢結合起來，能夠有效引進外資進行自主創新，充分利用資本進行產業結構升級，實現經濟與環境的協調發展，起到改善空氣質量的作用。其次，京津冀地區空氣質量的發展速度也存在明顯差異。其中，在2014—2020年間，滄州、保定、衡水的空氣質量指數下降最大，空氣污染改善情況最明顯。北京與承德的空氣污染情況在逐步穩定減少。而石家莊、邯鄲、邢臺的空氣質量發展方向與速率始終存在較大波動。究其原因，近首都城市面臨的環境壓力較大，空氣質量會有明顯改善，其中北京和承德兩地經濟與環境達到相對和諧發展，基本不受外在沖擊的影響。石家莊、邯鄲、邢臺三地的產業模式仍表現為第二產業粗放、第三產業層次低的特征，空氣污染的控制力度較低，受政府環保政策的影響較大。

表1 空氣質量等級劃分

表2 京津冀地區空氣質量指數變化

圖1 京津冀地區空氣質量指數發展折線圖

(二)數字金融與空氣質量的相關性分析

本文采用散點圖的方法對京津冀地區13個城市數字金融與空氣質量指數的實際關系進行分析，以期對二者的關系作初步認識。散點圖的結果如圖2所示。數字金融(DFI)及其子維度數字金融覆蓋廣度(DFI1)、使用深度(DFI2)和數字化程度(DFI3)與空氣質量指數的關系均呈現負向特征，初步說明數字金融及其三個子維度能夠有效改善空氣質量，減少大氣污染。然而，對二者關系的初步研究未能將可能造成空氣污染的其他影響因素考慮在內，研究結論可能出現偏誤，需要進一步進行實證檢驗。

圖2 京津冀地區數字金融及其分維度與空氣質量的關系散點圖

(三)數字金融發展對空氣質量的影響

為了消除被解釋變量前后期相關可能帶來的影響，本文將被解釋變量的滯后項加入回歸模型中[25]，基于此，本文分別建立OLS模型、固定效應模型與兩步系統GMM模型對數字金融影響空氣質量的動態過程進行實證分析，回歸結果如表3所示。模型1到模型3探究了數字金融整體對空氣質量的影響，比較模型1與模型2，模型2中被解釋變量滯后一期系數與核心解釋變量系數的大小和顯著性發生明顯變化，這說明固定效應模型可能產生了重要的影響。但是模型1與模型2沒有考慮實證模型中由被解釋變量空氣質量指數的滯后項帶來的內生性問題，參考以往研究，本文采用兩步系統GMM估計方法進行實證研究，有效解決動態面板數據模型存在的內生性問題。夏飛龍等[26]認為，實證過程中使用系統GMM方法需要滿足三個條件。第一，對于短面板數據滯后項系數，系統GMM方法的估計量要介于固定效應估計量和混合OLS估計量之間[27]。第二，Sargan檢驗不能拒絕工具變量有效的原假設。第三，AR(1)檢驗在5%水平上顯著，AR(2)檢驗5%的水平上不顯著?；谝陨先齻€方面，觀察模型1到模型3回歸結果，系統GMM模型空氣質量滯后一期的影響系數為0.4070，其大小恰好介于OLS模型系數(0.5156)與固定效應模型(0.1262)之間，且在1%的水平上顯著。模型3中Sargan檢驗結果為在5%的水平上不顯著，工具變量有效。模型3中AR(1)的p值為0.005，AR(2)的p值為0.153，這符合系統GMM估計無序列相關性的原假設。以上三點證明了在研究數字金融與空氣質量的動態關系時系統GMM估計是準確可靠的。

表3 數字金融及其子維度對空氣質量的影響

本文的實證分析過程圍繞兩步GMM估計展開，由模型3知，數字金融(DFI)的回歸系數為-0.1927，且在5%的水平上顯著，說明數字金融每提高一個單位，空氣質量指數會下降0.1927個單位。數字金融對空氣質量指數具有顯著的負向作用，即數字金融會明顯促進空氣質量的提升。這一結果的合理性從以下兩方面判斷：一方面，在國家“雙碳”政策的目標引領下，數字金融助推節能減排的發展，數字金融作為數字技術化的金融創新，通過精準識別綠色信貸申請以及為低能耗、低污染的綠色金融產品提供支持，推動綠色金融的發展，進而改善空氣質量；另一方面，數字金融通過支付寶和微信等互聯網平臺賦能綠色消費，提升了公眾的環保意識與參與度，有助于加強對生產及生活領域空氣污染物排放的控制。空氣質量指數滯后一期(L.AQI)的影響系數為0.4070，在1%的水平上顯著為正，即空氣質量指數滯后一期每提高一個單位，當前的空氣質量指數將會提高0.4070個單位，空氣質量水平表現出一定的“慣性”特征，當期的大氣污染排放總量會在上一期污染排放總量的基礎上累積，空氣污染趨于嚴重。空氣質量水平變化的過程是一個連續的、積累的動態調整過程，大氣污染治理也是一個長期的過程，需要資金與人力的持續投入，政府部門要注重環保政策的持續性與長期有效性。

控制變量方面，人口密度的影響系數為正且在1%的水平上顯著，說明人口密度的增加顯著惡化了空氣質量。究其原因，一方面，城市人口密度的增加意味著在一定區域內勞動力市場供給與需求旺盛，必然會導致生產和生活領域空氣污染排放問題的加劇，進而不利于空氣質量的改善；另一方面，城市供電供暖設備及機動車輛均會隨著人口密度的增加而增加，繼而向大氣中排放更多的大氣污染物，加劇當地的空氣污染。空氣質量對經濟發展的彈性系數在5%的水平上顯著為負，說明經濟發展對空氣質量指數的提升具有抑制作用，即經濟發展水平越高，空氣質量的改善情況越好。這是因為京津冀地區存在首都效應，注重環境保護和空氣質量的改善，追求經濟效益與環境效益協同發展，著力從技術進步與產業結構優化角度實現經濟高質量發展，進而減少大氣污染物的排放。第二產業增加值的回歸系數為正但不顯著，表明第二產業增加值的提高會在一定程度上惡化空氣質量，但這種影響較小。從京津冀整體來看，重工業會對空氣質量具有不明顯的抑制作用，而人口增加對空氣質量帶來的影響更大。

(四)數字金融發展分維度對空氣質量的影響

模型4到模型6探究了京津冀地區數字金融的三個子維度即數字金融覆蓋廣度(DFI1)、數字金融使用深度(DFI2)及數字化程度(DFI3)對空氣質量的影響，由回歸結果可以看出，三個子維度對空氣質量的影響系數分別為-0.2004、0.0006、-0.3515，說明覆蓋廣度與數字化程度每提高一個單位，空氣質量分別會改善0.2014和0.3515個單位，而使用深度每提高一個單位，空氣質量會下降0.0006個單位?？諝赓|量對覆蓋廣度的彈性系數在10%的水平上顯著，使用深度的影響系數不顯著，數字化程度在5%的水平上顯著，說明覆蓋廣度與數字化程度對空氣質量有非常明顯的影響，使用深度的影響微弱。其中，數字化程度對空氣質量的影響效應最強，覆蓋廣度次之，而使用深度最弱。這是因為，數字金融覆蓋廣度衡量了數字金融服務的普惠程度，覆蓋廣度越大，金融產品和金融服務吸納的顧客群體就越多，有助于開展綠色項目、拓展綠色金融融資渠道，進而起到減少空氣污染排放與凈化大氣環境的作用。數字化程度代表著數字技術化在金融領域的應用深化，優化金融資源配置，是數字金融低成本、信用化和便利性的體現，很大程度上緩解了綠色項目的融資約束，盡管在數字化深化過程中伴隨著轉移風險和金融風險的增加，綠色創新“擠出效應”出現[28]，但于京津冀而言，數字化程度對空氣污染物的減排效應仍大于增加效應。數字金融使用深度刻畫了數字金融服務能力，衡量了公眾對數字金融工具和產品的使用情況。使用深度越大，金融產品及服務種類越多，越能滿足公眾的需求。使用深度會增加企業的研發投資，但在為公眾提供更多種類的金融產品和服務的過程中，京津冀地區這些金融產品和服務未能吸引到預期數量的顧客群體，導致融資不理想，數字金融對空氣污染的增加效應要大于減排效應。京津冀地區數字金融三個子維度覆蓋廣度、數字化程度、使用深度的空氣污染治理效能分別表現為改善、改善、惡化的特征。

(五)穩健性檢驗

本文采用4種方法對模型的穩健性與可靠性進行檢驗，檢驗結果如下表4所示。第一，參考鄭威[29]的做法，為防止變量逆向因果關系引發的內生性，將核心解釋變量滯后一期納入系統GMM模型進行回歸，結果如模型7所示。核心變量DFI滯后一期后，回歸系數為-0.203，在5%的水平上顯著。因此，回歸結果不存在由因果關系引發的內生性問題。第二，縮尾檢驗。為了避免異常值對回歸結果的影響，本文對核心解釋變量進行上下1%縮尾處理后再進行動態回歸。由模型8可知，數字金融對空氣質量的影響系數在5%的水平上顯著為負，回歸結果與前文結果保持一致，結果穩健。第三，剔除控制變量。如模型9所示，剔除控制變量人均GDP后，數字金融對空氣質量的影響系數仍然在5%的水平上顯著為負，與模型3相比未發生顯著變化，說明實證分析結果是穩健的。第四，替換被解釋變量。本文使用PM2.5濃度代替空氣質量指數AQI作為被解釋變量指標重新進行估計檢驗，實證分析數字金融對空氣質量的影響，結果如模型10所示。結果顯示，數字金融的回歸系數仍顯著為負，其顯著性與系數方向、大小未發生明顯變化，估計結果保持一致無偏性。觀察被解釋變量滯后項系數，發現4種檢驗方法的空氣質量一階滯后項系數均在1%的水平下顯著為正，研究結論與模型3一致，回歸結果穩健。

表4 穩健性檢驗

四、研究結論與對策建議

本文基于2014—2020年京津冀地區13個城市的動態面板數據，先結合空氣質量指數圖表分析各城市的空氣質量現狀及變化特征，再基于散點擬合圖對數字金融與空氣質量的關系進行初探，然后構建兩步系統GMM模型，在加入人口密度、經濟發展、外商投資等控制變量的基礎上，重點考察數字金融發展及其子維度對空氣質量水平的影響。主要研究結論如下：

1.京津冀地區空氣質量指數整體呈現下降趨勢，空氣質量狀況趨好，但分區現象明顯，地域之間空氣質量存在較大差異。其中，以石家莊、邢臺、邯鄲市為代表的京津冀南部地區空氣質量始終處于弱勢地位，空氣質量指數較高且波動頻率較高，發展不穩定。以張家口、秦皇島、承德市為代表的京津冀北部地區空氣質量領先其他城市，出現斷層現象。滄州、保定、衡水的空氣質量指數下降最大，空氣污染改善情況最明顯。北京與承德的空氣污染程度在逐步穩定降低。

2.數字金融發展能夠顯著改善空氣質量水平，這一影響過程是動態長期的，在多種方法開展穩健性檢驗的基礎上，這一結論依然成立。同時，數字金融發展的空氣污染治理功效存在顯著的差異。在數字金融的三個子維度中，數字金融覆蓋廣度與數字化程度能夠有效地減少大氣污染物排放，起到促進空氣質量水平改善的作用，而數字金融使用深度的增加會惡化空氣質量的發展，但這一作用非常微弱。在對空氣質量的影響程度方面，數字化程度>數字金融覆蓋廣度>數字金融使用深度。

基于上述結論，提出以下建議：

1.京津冀地區各城市的空氣質量狀態及經濟發展動力機制存在差異，應針對各城市的地理特點及發展優勢，采取有助于自身經濟環境協調發展的環境金融政策。京津冀南部地區空氣質量較差，政府應鼓勵綠色消費，加大對企業自主創新的支持力度，助推產業結構升級，減少經濟發展對高污染、高耗能產業的依賴力度；京津冀北部地區重工業不發達，工業污染相對較小，空氣質量條件優越，政府應在繼續維持生態環境良好的同時，發揮數字金融的經濟效應；京津冀中部地區的城市人口密度較大，空氣質量狀態有待提高，應發揮地理位置優勢和貿易優勢，助推綠色生活和綠色消費發展，起到節能減排的作用。

2.發揮數字金融在大氣環境治理中的長效機制作用?？諝馕廴局卫硎且豁楅L期大規模的工程，需要持續穩定的人力、物力、財力等方面的資源供給，而數字金融兼顧金融發展和數字技術的優勢，能夠實現環保資源市場化，以及對綠色環保產業發展的長期推動作用，是解決中國當前面臨的大氣污染問題的重要舉措。因此，政府應鼓勵科技與傳統金融業的融合發展，優化數字金融發展規模，發揮數字金融在空氣污染治理過程中的長效機制作用。

3.加大數字金融普及力度，推動金融服務數字化轉型，實現金融產品優質創新，發揮數字金融的積極環境效應，改善空氣質量。隨著數字金融普惠力度的加強，受眾群體增多，融資渠道隨之擴大。與此同時，政府應依托數字技術對企業進行更嚴格的篩查，加強對綠色清潔產業的信貸支持以及對高污染、高耗能產業的信貸約束。此外，政府應及時豐富金融產品和金融服務種類，實現金融產品的優質創新，以滿足廣大群眾的多元化需求，提升融資吸引力。