數字金融與碳排放：基于微觀數據和機器學習模型的研究

王元彬，張 堯，李計廣

（1. 對外經濟貿易大學國際發展合作學院，北京 100029；2. 對外經濟貿易大學對外開放研究院國際經濟研究院，北京 100029）

2020 年9 月，習近平提出“二氧化碳排放力爭于2030年前達到峰值，努力爭取2060年前實現碳中和”［1］。2021年3月，中央財經委員會第九次會議對“十四五”期間為實現“雙碳”目標謀劃了實施方案，標志著碳減排工作上升到新的戰略高度。“十四五”規劃綱要設立專篇對“加快數字化發展 建設數字中國”作出重要部署，提出加快推動數字產業化，數字金融相關行業作為數字產業化的重要內容，在加速經濟發展方式轉變、推進數字產業化和產業數字化進程等方面發揮著重要作用。2020年中國數字經濟規模已達39.2 萬億元［2］，逐漸成為中國實現高質量發展的新動能。作為互聯網、大數據、區塊鏈和人工智能等新科技與金融融合的嶄新業態，數字金融的“創造性”和“破壞性”產生了廣泛關注，也備受爭議。亟須深入考察數字金融對碳排放的影響機制，以更好規避數字金融壟斷性等負面效應，引導其走上支持實體經濟的健康軌道。然而，中國數字金融發展與碳排放的相關研究較少，影響鏈還不清晰。因此，第一次基于城市面板、工業企業數據庫和瞪羚企業數據庫等匹配的多維微觀數據集，結合R語言地理坐標、爬蟲、詞頻分析和企業生存分析等多項前沿技術構造重要變量，運用雙向固定效應、工具變量和中介效應模型從多個角度實證研究了數字金融對碳排放的影響及其傳導機制。此外，首次采用機器學習模型研究數字金融對碳排放的真實非線性效應，并將其與經典影響因素進行重要性比較。上述研究不僅有助于豐富數字金融的實際經濟效應和碳排放影響機制的相關理論認識，還將對建設數字中國和實現“雙碳”目標具有一定政策參考意義。

1 文獻綜述

數字金融是伴隨著互聯網及新一代信息科技而誕生的新興行業［3］，文章從數字金融概念界定、數字金融與碳排放的相關研究出發，回顧相關文獻，進而論述數字科技產業化和傳統產業的數字化賦能兩大新機制的理論基礎。

一是數字金融的界定以及數字金融與碳排放。數字金融泛指互聯網和新一代信息技術如大數據、云計算、區塊鏈和人工智能等與金融相結合的新型業態［4］。其對金融理論的邊際創新主要包括數字足跡（digital footprint）提供了信用評分的新信息，大數據充當新抵押擔保工具，區塊鏈可以提高金融合約的效率，以及新的投融資和風險管理方式等方面［5-6］。測度中國數字金融發展較全面和流行的方法是北京大學數字普惠金融指數［7］。Zhao 等［8］運用系列外生事件論證了數字金融對碳排放具有顯著抑制作用的基本結論。賀茂斌等［9］認為，數字金融通過提升金融服務效率，從而促進區域技術進步和全要素生產率，降低區域碳排放。Wang 等［10］、鄧榮榮等［11］發現數字普惠金融通過經濟增長、產業結構和技術創新效應影響碳排放。更多文獻沿著數字金融提高金融體系效率、改善“長尾群體”金融服務可得性和成本的普惠性邏輯，進一步探究其對經濟增長、居民收入、消費、創新創業和零工經濟等產生的實際經濟效應［12］，為后續數字金融影響碳排放的研究提供了理論基礎。但是，一方面，現有數字金融測度方法不能涵蓋地域、業務、年限和指標來源等各個維度的全面情況；另一方面，中國數字金融誕生于互聯網電子商務發展的金融需求中，對共享經濟、互聯網借貸等消費端新經濟的發展提供金融支持［13］。因此，對并不直接服務的其他行業尤其供給端規模以上企業的影響機制需要慎重考察［14］。因此，進一步概述數字科技產業化和傳統產業的數字化賦能兩大新機制的相關文獻。

二是數字科技產業化的機制。學界對廣義的數字經濟界定是以互聯網以及大數據、人工智能、云計算等新興信息技術為基礎的新興經濟形態，包括數字科技的產業化和產業的數字化兩個方面［15］。根據柏亮等［16］的定性分析，現階段中國數字金融發展主要體現于數字金融企業運用數字科技，提供支付、借貸、消費金融和財富管理等數字化金融服務的數字金融2.0 時代。數字金融在滿足互聯網等數字經濟企業的金融服務需求中蓬勃發展，反過來對數字經濟產業提供了有力的支持。聶秀華等［17］也發現，數字金融有助于激發大眾創業和產業結構優化。此外，既有研究普遍認為產業結構升級對低碳發展具有重要意義［18］。然而，也有觀點認為當前數字金融集中服務于需求端，對供給端實體企業的支持場景較少，實際經濟的影響效果存在爭議［13-14］，現有影響鏈既缺乏微觀數據的實證證據，也無法回應爭議。此外，數字金融支持數字科技產業化的機制還缺乏直接實證證據。

三是傳統產業的數字化賦能機制。數字科技產業化的進一步發展會引導數字科技與傳統行業相結合，通過“互聯網+”“人工智能+”等對傳統商業和企業進行數字化賦能［19］。傳統產業的數字化賦能促進碳減排可能體現在促進了市場整合、支持地區創新創業與改善企業創新資源投入和創新效率。首先是數字化賦能促進市場統一和強化市場競爭，有利于創新效率的提升。以互聯網平臺為代表的數字化賦能深化了全國市場的整合程度，使企業的創新績效得到提升［20-21］。數字經濟產業的發展通過整合市場、知識溢出和要素更有效配置，來激發產品多樣化需求和企業追求壟斷競爭的動力，促進創業和現有企業的創新［22］。更進一步是創新資源投入和創新效率影響碳排放的相關文獻。生產過程的要素配置結構和效率是影響碳排放的重要機制，如傅京燕［23］認為，物質資本密度與能源投入密度存在一定關聯性，人力資本密度較高的高技術企業往往效率較高。楊莉莎等［24］認為，資本和勞動力對能源的替代有助于實現碳減排。最后，技術和商業模式創新是影響碳排放最直觀的因素，生產工藝創新能提高原料使用效率，增加循環利用，減少單位碳排放。創新力較強的發展模式往往碳排放會更少［25］。然而，傳統產業數字化賦能機制的完整影響鏈還較缺乏微觀數據的實證研究。

最后是數字金融的非線性效應。許釗等［25］和Jiang等［26］發現，金融科技對農業非點源等污染減排效應的影響呈現出倒“U”型的雙門檻效應。此外，數字金融發展水平的常用衡量指標如北大數字普惠金融指數等本身存在著從無到有的“偏峰”和各地域不均衡發展的復雜特性。有鑒于此，機器學習模型作為人工智能領域的重要前沿成果，適配于非線性問題的研究［27］。其相對于因果推斷，其更側重于考察相關因素的作用集中透過某一解釋變量影響被解釋變量的綜合作用力，具有契合復雜經濟系統并提高決策預測準確性的政策意義［28］。因此，運用機器學習新方法的研究可以揭示數字金融對碳排放的真實非線性影響趨勢。

概括來說，既有研究對數字金融影響碳排放的機制尚存在爭議，還存在影響鏈不夠完整和缺乏微觀數據的實證證據等問題。因此，有待進一步研究以厘清數字金融實際經濟效應的傳導鏈條，有望發現數字金融實現碳減排的瓶頸所在。

2 理論機制分析

根據以上文獻回顧，先從數字科技產業化和傳統產業數字化賦能兩大維度概括數字金融對碳排放發揮的重要作用，后論述數字金融對碳排放的真實非線性效應。

2.1 數字科技產業化效應分析

總的來說，數字金融支持數字科技產業化實現碳減排的邏輯為數字金融→數字科技產業發展→產業結構優化→總體碳排放量降低。數字金融被寄望于彌補“數字鴻溝”，對難以被傳統金融服務覆蓋的“長尾”人群和企業產生涓滴效應。有大量的研究表明，數字金融在降低金融服務門檻和提升金融體系效率方面發揮著重要作用，有利于激發創業活動和促進區域高質量發展［22］。中國數字金融在誕生之初，為互聯網、電子商務等數字經濟提供了金融服務保障，與數字經濟企業相互支持，為互聯網和新一代信息技術的產業化和數字科技生產部門的發展提供了有力支持。具體來說，一方面，中國數字金融發展2.0 的現階段在貨幣基金、網絡貸款和消費金融等領域蓬勃發展，數字金融發展為互聯網經濟、數字支付、數字交易平臺等新經濟業態的產生和發展奠定了技術和商業模式基礎。另一方面，數字金融和數字經濟企業的示范效應從社會中吸納了大量包括風險投資、股權投資等形式的金融資源，降低了數字經濟行業的融資約束和融資成本，促進了數字經濟創業和中小企業的發展，為數字科技產業的發展提供了強大助力。大多數新出現的數字經濟產業集中在第三產業，天然具有低碳排放的特點。此外，數字金融能夠驅動第三產業轉型升級和產業結構的優化得到了既有研究證實［29］。因此，提出假說1和第一大機制的假說2.1。

H1：數字金融發展可以降低地區的碳排放。

H2.1：數字金融發展通過促進數字科技產業的高速發展，推動產業結構優化，實現地區總碳排放量的下降。

2.2 傳統產業的數字化賦能效應分析

傳統產業的數字化賦能對碳排放的影響鏈可歸納為數字金融→傳統產業的數字化賦能→市場整合、企業優勝劣汰→優化企業創新投入和創新績效→高能源利用和碳減排效率→地區碳減排的邏輯鏈。數字科技產業化的進一步發展勢必延伸至工業及其他傳統行業，對其進行數字化賦能。傳統產業的數字化賦能對碳排放的影響可歸納為以下四個方面：

（1）金融普惠性機制。數字金融為傳統金融服務難以覆蓋到的長尾群體和企業的普惠性得到了大量文獻支持，數字金融通過大數據低成本歸集小規模投資者閑散資金，可以改善中小企業融資約束［30］。然而，中國數字金融集中在需求端創新、不直接服務于規模以上企業的觀點也得到廣泛支持。解決這一“爭議”的關鍵在于數字金融降低了數字經濟相關行業的融資約束和成本，而對規模以上的廣大傳統企業直接普惠性不強，其數字化賦能通過其他機制實現。

（2）市場整合機制。傳統數字技術互聯網對產業的賦能作用在于信息的“脫媒”和減少中間交易環節，以平臺經濟為代表的數字化賦能助力了全國統一市場的形成和深化。以大數據、區塊鏈、云計算和人工智能等為代表的新數字技術也能夠更好整合產業鏈上下游，促進生產者和海量零散消費者、投資者之間的聯系。

（3）市場競爭機制。數字化賦能還體現在降低創業的注冊、市場信息、交易等門檻，即使對非數字經濟行業的創業活躍度也能起到積極貢獻。此外，市場整合度的提升將進一步強化現存企業的競爭，促進企業的優勝劣汰。這可能同時體現在行業集中度的下降。

（4）企業創新投入和創新能力機制。市場整合和市場競爭機制最終需要落腳到微觀企業行為的改變。市場的整合和企業競爭的強化有利于激發企業為追求壟斷競爭（差異化競爭）和獲取更高利潤而不斷進行產品和服務多樣化的創新努力。這將激勵現存企業加大創新投入，從而提高能源利用和碳排放效率。而高能耗和碳排放的“粗放型”企業在競爭中要么被淘汰要么通過創新轉型。此外，互聯網和新一代數字技術更加有利于技術和知識的傳播，綠色商業模式和綠色科技更容易產生溢出效應，有利于工業和其他傳統產業的綠色發展。

綜上，提出第二大機制的假說2.2 和子假說2.2.1-2.2.4。

H2.2：數字金融發展通過對傳統產業進行數字化賦能，推動傳統產業實現碳減排。

H2.2.1：數字金融發展難以通過對傳統產業的金融普惠性降低總體碳排放。

H2.2.2：數字金融發展通過促進市場整合降低傳統產業碳排放。

H2.2.3：數字金融發展通過強化市場競爭助力傳統產業碳減排。

H2.2.4：數字金融發展有助于激勵傳統企業的創新投入和提升創新能力，從而減少碳排放。

2.3 數字金融的真實非線性效應分析

數字科技的發展從誕生到產業的深化廣化是一個非線性的過程。在數字科技生產部門取得一定程度的積累和發展之后才能夠將影響力拓展至傳統產業，對整個社會生產和生活方式產生廣泛變革，最終使產業結構得到優化，對傳統產業產生賦能使能，從而減少總體碳排放量。數字金融相關統計指標也顯示出各地區不平衡和非線性的發展趨勢。基于此，提出假說3。

H3：數字金融發展對碳排放的影響具有非線性效應。

3 數據變量和研究設計

3.1 變量說明

被解釋變量為碳排放量（CO2），采用Chen 等［31］所提供下轄縣排放量加總計算的城市級二氧化碳排放量（百萬t），并取對數（消除時間趨勢）衡量。

核心解釋變量為數字金融發展水平（Digital_Index），由北京大學編制的城市級“數字普惠金融指數”代理。另選擇某頭部金融科技借貸企業2010年10月12日（首筆成功訂單交易日）至2018 年12 月31 日共計943 641 筆成交的借貸訂單樣本，通過熵值賦權法將總借貸額、人均借貸額和每訂單平均借貸額合成為數字金融綜合指數（Fintechindex），作為數字金融發展的替代指標。

主要中介變量包括數字科技產業化（Industrialization）和產業數字化（Digitalization）。前者由城市瞪羚企業數衡量，由從中國瞪羚獨角獸網站用爬蟲技術搜集的瞪羚企業微觀數據集計算的。瞪羚企業是指符合國家和省（區）戰略新興產業方向（如新一代信息技術的大數據、物聯網和云計算等）、跨過創業期進入高成長期的中小企業。后者由城市數字經濟網搜集到的產業數字化指標表征。

控制變量包括地區和企業層面的特征變量。借鑒徐斌等［32］、李治國等［33］、宋德勇等［34］控制影響碳排放的地區級重要影響因素，包括經濟發展水平（取對數值，GDP）、資本存量（取對數值，Capital）、年末總人口對數值（Pop）、科研綜合技術服務業從業人員對數值衡量的科技投入（Tech）、第三產業金融業從業人員對數值代理的金融發展水平（Finance）、利稅負擔（Region_Tax）、互聯網接入用戶比表示的互聯網發展（Internet）、王小魯等［35］的地區市場化指數（Market）、進出口總額占GDP 比衡量的開放度（Openness）、能源消費量比GDP代表的能源強度（Energy_Inten）、煤炭消費量占總能源消費量比的能源消費結構（Energy_Struc）和各地政府工作報告中環保相關詞頻（包括“綠色”“低碳”“二氧化碳”“減排”“環保”“環境保護”“污染”“能耗”“空氣”“二氧化硫”“生態”“PM10”和“PM2.5”）表征的環境保護規制強度（Environment），以及年平均成交量對數值衡量的碳排放權交易活躍度（CO2_Trade）和年平均成交價的對數代表的碳排放交易市場規制強度（CO2_Price）。上述變量除了控制碳排放的重要影響因素外，對互聯網和金融業發展水平的控制有助于分離數字金融業態的凈效應。企業級特征變量包括資產總計對數值衡量的企業規模（Size）、年末從業人員對數值（Labor）、主營業務產品銷售收入對數表示的企業成長性（Growth）、固定資產比（Fixed_As-set）、資產負債率（Lev）、產出資產比（Output）、稅負（Firm_Tax）、登記注冊類型（Type）和企業生存年限（Age）。

3.2 數據樣本

該研究所使用的基礎數據集為2000—2017 年的287個地級市面板數據（不涉及港澳臺地區）。資本存量根據張軍等［36］的方法計算，碳排放權交易相關指標來自于Wind數據庫中各試點地區碳交易日度數據求得。其他地區控制變量由2000—2019年全時間區間的國家統計局數據庫中整理和合并。

數據集二為城市面板與工業企業的合并數據集。根據Brandt 等［37］和楊汝岱［38］的方法，通過企業組織機構代碼、企業名稱、縣級行政區劃代碼+法定代表人、縣級行政區劃代碼+電話號碼+成立年份等識別因子將2000—2013年工業企業數據庫精確匹配成面板數據集，獲得3 977 347個企業-年份觀測值。再將它與地級市面板數據合并，得到1 722 385個城市-企業-年份觀測值。

3.3 研究設計

首先，運用經典線性回歸模型對數字金融對碳排放的影響進行檢驗。具體來說，針對“北京大學數字普惠金融指數”存在內生性的問題，運用雙向固定效應模型、工具變量法緩解內生性擔憂，探索漸進一致的估計，作為穩健性檢驗。上述檢驗還包括進一步控制企業級特征變量、二位碼的行業固定效應和企業個體固定效應進一步緩解內生性。針對該指數指標來源于單一企業的問題，通過替換數字金融發展指標的方式緩解擔憂。固定效應模型如下：

其中：Xi，t為核心解釋變量數字金融發展水平，∑α×Controlsi，t包括上述所有地區級的控制變量，μi、λt分別表示控制了城市和年度固定效應。

其次，運用中介效應模型（中介效應模型雖然受到不少質疑，但是結合理論分析的三段式檢驗依然廣泛流行［39］）等方法進行機制檢驗。由于數字金融衡量指標來源于數字支付、網絡借貸、網絡消費金融等需求端，因此其對傳統產業的影響需要更多考察可能的間接機制。

最后，對基礎數據集運用機器學習-隨機森林模型研究數字金融對碳排放的非線性效應。主要理由有二：①各地區數字金融的誕生具有明顯“偏峰”或“截尾”特征，其發展程度產生實際經濟效應也很可能具有非線性特征。以“數據驅動”為理念的機器學習模型能以預測準度為準繩更充分利用該變量信息，更接近真實的復雜函數形式。②隨機森林模型選取一個變量進行節點分裂的思想契合考察變量重要性，便于將數字金融的貢獻與影響碳排放的經典變量做比較。模型如下：

其中：CO2i，t是被解釋變量碳排放量，Xi，t為核心解釋變量數字金融發展水平（Digital_Index），Controlsi，t表示3.1節中所述地區控制變量，μk和λt表示加入城市個體和時間虛擬變量，εi，t則代表殘差項，Φ()· 為隨機森林方法構建的非線性模型。

對于無解析式的黑箱（black box）函數，可以運用畫出的偏依賴圖展示數字金融對碳排放的邊際效應。其中表示因變量x1的偏函數，將其他變量(x1，x2，…，xp)對因變量的影響已被積分掉。再運用樣本均值估計總體均值，可得到：

4 實證結果與分析

4.1 描述性統計

表1展示了主要變量的描述性統計。地區級變量特征來自城市面板數據集。企業級變量為城市面板與工業企業的合并數據集的結果，經過剔除固定資產比、資產負債率和企業年齡為負等異常值，共得到最大1 721 547 個城市-企業-年份觀測值。

表1 主要變量的統計特征

4.2 基準模型和穩健性檢驗

應用經典線性模型論證假說H1，結果見表2（文中所有表格均控制了地區和年份固定效應及地區控制變量）。表2 首先展示了模型（1）雙向固定效應的結果，在控制了地區特征變量后，數字金融發展水平每提高一單位，地區碳排放將顯著下降0.04%。其次展示了工具變量法、替換自變量、控制企業特征和控制企業固定效應的結果。張勛等［3］認為，“北大數字普惠金融指數”來自于螞蟻集團，其總部位于杭州，因此，其他城市與杭州的距離，作為完全外生的指標，是一個良好的工具變量。運用R 語言地理坐標系統構造該工具變量，結果展現出較好的穩健性。針對數字金融發展衡量指標來源單一問題，替換頭部金融科技借貸公司的指標數字金融綜合指數（Finte-chindex）進行回歸，同樣得到了一致的結果（表2）。運用城市面板與工業企業合并數據集，控制企業特征變量可以進一步緩解內生性。因此，在模型（1）的基礎上進一步加入企業特征變量、控制企業固定效應進行檢驗。最后，拓展樣本時間區間為2000—2019 年，均呈現出良好的穩健性，假說H1得證。

表2 基準模型和穩健性檢驗

5 進一步討論

5.1 數字科技產業化的機制檢驗

為驗證假說H2.1，首先將城市面板基礎數據集與瞪羚企業數據集合并，以數字科技產業化（Industrialization）為中介變量，用三段式中介效應模型［40］進行檢驗。由于三段式方程1 結果已在4.2 節基準回歸中展示，故只展示方程2 和3，檢驗結果見表3。進一步運用第三產業占GDP 比重衡量產業結構（Structure）為中介變量，中介效應檢驗結果見表3，三段式回歸均通過了Sobel 中介效應檢驗（溫忠麟等［40］認為，完全中介效應并不會排除其他機制的作用。近年來眾多學者也反對完全依賴檢驗做理論推斷）。說明數字金融發展通過促進數字科技企業的高速成長和產業化，優化了產業結構，從而降低碳排放。假說H2.1得證。

表3 數字科技產業化的機制檢驗

5.2 傳統產業數字化的機制檢驗

為驗證假說H2.2，首先對總體的產業數字化進行中介效應檢驗，提供初步的證據。然后，基于工業企業數據可得性以及以能源、交通、化工為代表的工業部門碳排放約占中國碳排放總額80%的現實，從工業數字化賦能的多個角度展開論證，即假說H2.2.1—H2.2.4的檢驗。具體通過工業企業金融普惠性的“證偽”檢驗，引出工業數字化賦能的其他間接機制，包括市場整合、市場競爭和企業創新等細分方面。

5.2.1 傳統產業數字化賦能的機制檢驗

以產業數字化（Digitalization）為中介變量，運用城市面板與工業企業的合并數據集進行中介效應檢驗，結果見表4，通過了部分中介效應的Sobel 檢驗。說明數字金融發展可通過地區的產業數字化影響碳排放。

表4 產業數字化和金融普惠性的機制檢驗

5.2.2 金融普惠性的機制檢驗

對假說H2.2.1的驗證分為融資約束和融資成本兩個部分的檢驗。首先，出于指標可得性，對傳統產業金融普惠性的機制檢驗可以近似檢驗對工業部門的金融普惠性。根據Hadlock 等［41］的做法，構建衡量融資約束的KZ 指數（Financing_Constraints）來考察數字金融是否有助于緩解融資約束的機制。出于城市面板與工業企業的合并數據集的指標可用性，用營業收入-營業成本-所得稅計算經營性現金流指標，并用熵值法替代排序邏輯回歸對各指標的賦權加以改進。結果見表4。其后，考察數字金融是否提供更優惠的資金實現碳減排。用利息負債比（Interest）代理企業融資成本，作為中介變量，結果見表4。可以發現，均未通過Sobel中介效應檢驗，表明沒有顯著證據證明數字金融通過改善工業企業“融資難”和“融資貴”問題，助力企業碳排放活動的投入，假說H2.2.1得證。

上文論證了對傳統產業的數字化賦能并未表現在金融普惠性的直接機制。此外，數字金融的發展，集中服務于需求端，極大提升了消費者的福利。但是能否改善供給端企業的經營狀況，企業因而能投入充足資源致力于提高能源利用效率以減少碳排放？以利潤資產比（Profit）代理企業經營狀況，結果見表4，中介效應并未通過檢驗。說明也未發現工業企業經營狀況改善的證據，因此檢驗通過促進市場整合和市場競爭，從而改變企業碳排放行為的間接機制。

5.2.3 市場整合的機制檢驗

吳海民等［42］指出，規模以上工業企業異地銷售的情況更常見。由于銷售費用包括了企業運輸、廣告、展覽、銷售部門差旅費等支出，用占主營業務收入的銷售費用比（Sale_Cost）能較好衡量其參與外部市場的程度。將其作為中介變量進行中介效應檢驗，結果見表5（下文實證結果均控制了企業和行業控制變量）。此外，人均貨運量（Cargo）也能反映該地區與外部市場的整合程度，中介效應檢驗結果見表5。人均貨運量通過了中介效應Sobel檢驗，銷售費用比雖然未通過中介效應檢驗，但是方程2 顯著，即數字金融發展促進了全國統一市場的形成得到驗證，假說H2.2.2得證。

表5 市場整合的機制檢驗

5.2.4 市場競爭的機制檢驗

數字金融對工業企業的數字化賦能不僅促進了全國統一市場的形成，同時強化了市場競爭，進而引起企業行為的改變。下面通過企業的優勝劣汰和行業集中度來論述市場競爭的機制。首先，北京大學企業大數據研究中心根據包括大中小微和創業企業的大數據庫測算了地區新建企業指數，以此表征創業指數（Entry），作為中介變量，中介效應檢驗見表6。此外，參照Giorcelli［43］，運用跨年匹配后的工業企業面板數據集，根據年度關閉企業和幸存企業數估計各地區分年度的企業生存率（Survival），再與城市面板與工業企業合并數據集匹配，其中介效應檢驗見表6。創業指數和企業生存率均通過了Sobel 檢驗，說明數字金融的工業數字化賦能通過提高創業和降低企業生存率，即優勝劣汰，有利于碳減排。

表6 市場競爭的機制檢驗

市場競爭得到強化的另一表現是市場集中度表征的壟斷程度的下降，壟斷對創新的阻礙是經典理論的論斷，提高生產和能源利用效率的創新有利于降低碳排放。參考吳昊旻等［44］的研究，以行業中類代碼劃分行業，總資產的赫芬達爾指數（HHI）可以表征各行業中以企業規模衡量的集中程度，中介效應檢驗結果見表6，通過了Sobel檢驗。說明工業數字化賦能通過降低市場集中度實現碳減排，假說H2.2.3得證。

5.2.5 企業創新的機制檢驗

對市場競爭倒逼現存工業企業競爭策略更多轉向創新驅動發展進行機制檢驗。管理費用比（Management）會計計量中包含了研發費用和其他高附加價值的組織管理成本，可以較好衡量企業為創新驅動發展所做的投入。此外，將工業企業數據庫與專利數據庫的匹配獲得企業級的發明專利授權數（Patent）指標，衡量企業的創新產出。二者中介效應模型結果見表7，均通過了Sobel檢驗，假說H2.2.4得證。

表7 創新投入和產出的機制檢驗

5.3 非線性效應的機器學習模型分析

為驗證假說H3，運用機器學習模型分析數字金融的非線性效應。針對因變量為連續變量的隨機森林模型，運用回歸樹為基本學習器，以最小均方誤差為優化準則選擇分裂節點。由于部分控制變量如環境保護規制強度（Environment）和開放度（Openness）缺失了部分年份，故分別研究基于全控制變量和全時間區間的樣本情況，隨機森林和經典雙向固定效應的模型表現對比可以發現，隨機森林模型比經典線性模型具有更大擬合優勢。

進一步考察數字金融發展水平與影響碳排放經典因素的相對重要性，用某分裂變量使得殘差平方和下降多少來衡量變量重要性。由于全樣本和全控制變量的變量重要性排序相同，故展示全控制變量的變量重要性排序圖。如圖1所示，數字金融發展水平與傳統影響碳排放因素相比，相對效應達到了相同數量級，而絕對效應更是不可忽視：有相當多研究論證了碳排放權交易對碳減排的重要作用，其與碳排放權交易的相關指標（由于重要性數值低兩個數量級而沒能清晰顯示）相比，重要性十分凸顯。并且，數字金融變量甚至高于環保詞頻衡量的環境保護規制變量，假說H3得證。

圖1 各變量重要性

圖2展示了碳排放對數字金融的偏依賴關系，曲線刻畫了偏依賴函數，橫坐標內部刻度表示數字金融發展水平1/10、2/10，……，9/10 分位數。因此，對大多數地區（3/10-8/10分位），當數字金融發展達到一定程度時，其對碳排放量影響為負。在數字金融誕生之初（1/10 和2/10在0點重合）的尾部區域，函數幾乎為水平線，表明影響微弱，而當數字普惠金融指數達到200 之后，其對碳排放量的影響又開始轉正。說明數字金融發展促進碳減排的效率遇到瓶頸，進一步的發展造成碳排放的增加量高于減排量，假說3得證。

圖2 碳排放對數字金融的偏依賴函數

6 結論與政策建議

基于2000—2019年城市面板和工業企業等企業數據庫，采用雙向固定效應、工具變量、中介效應和機器學習模型分別研究數字金融對碳排放影響的微觀機制和非線性效應。區別于以往的研究側重于直觀的企業融資約束和成本等數字金融的普惠性邏輯，更基于中國數字金融重點服務于需求端的現實，發現其主要通過數字科技的產業化和傳統產業的數字化賦能兩個渠道影響地區總體碳排放，這很好地統合了有關數字金融的爭議，既發現對數字科技生產部門產生了“普惠性”，而又存在對實體經濟支持不足的“破壞性”。主要研究結論包括以下內容。

（1）雙向固定效應基準模型驗證了數字金融發展對碳排放具有顯著降低作用。此外，運用R 語言地理坐標系統計算各地級市到杭州市距離這一前定變量作為工具變量，通過了工具變量法檢驗。還運用爬蟲技術搜集頭部數字金融公司的微觀大數據，構造數字金融發展的替代指標，仍得到一致的結論。控制企業特征變量進一步緩解內生性的結果也表現出良好的穩健性。

（2）結合爬蟲、企業生存分析等技術構造多個角度的中介變量，運用中介效應模型進行機制分析。研究首次發現，數字金融通過支持數字科技產業化和傳統產業數字化這兩大維度的機制影響碳排放。對于前者，數字金融發展通過支持數字科技的產業化和產業結構的優化降低地區總體碳排放。對于后者，并未發現金融普惠性邏輯顯著的實證證據，而是通過加強市場整合、促進市場競爭和企業的優勝劣汰，激勵企業加大創新投入和提高創新能力，從而實現地區總體碳減排。通過上述論證，發現數字金融發展的普惠性主要體現于對數字科技生產部門提供了金融支持，對傳統工業企業的普惠性不強。傳統實體產業的碳減排是通過加強市場整合和創新能力等數字化賦能實現。這說明數字金融直接支持實體產業的海量應用場景還有待進一步地開發。

（3）機器學習模型的分析發現，數字金融對碳排放量具有非線性效應，此外，變量重要性分析驗證了數字金融作為新生事物對碳排放影響的重要作用。數字金融發展早期階段，主要是數字基礎設施和數字科技生產部門產業化的積累過程，因而對碳排放未產生顯著的降低作用。此后，隨著數字金融的進一步發展，對碳減排發揮了重要正面作用。隨著數字金融集中于消費端，從而服務于實體經濟的效果逐漸衰減，直至表現出對碳減排的負面作用。說明數字金融吸納了社會金融資源，但是由于缺乏支持實體經濟的海量應用場景，促進實體企業碳減排的進程停滯不前。

上述結論可能具有如下政策啟示：

（1）推進數字金融深耕實體服務，引導碳金融的數字化創新。數字金融作為新生變量對碳減排的重要作用得到驗證。然而，在數字金融較發達的地區，其對碳減排的作用趨向反面，而且，數字金融影響碳排放的機制較為間接。這昭示著中國數字金融發展在需求端著力較多，本質原因在于缺乏深耕實體的應用場景。此外，商業銀行等金融機構參與碳金融的程度和規模還十分有限，需注重加強引導金融機構運用新一代數字技術開展碳金融數字化創新項目。

（2）推動傳統金融機構數字化轉型，加大投入數字金融基礎設施建設。數字金融發展初期對碳減排效果不明顯，說明數字金融需要一定的產業化積累過程，才能產生碳減排等實際經濟效應。中國數字金融正處于傳統金融機構全面應用數字科技提升金融服務能力的新階段，需要鼓勵傳統金融機構加大數字化前期投入，筑牢數字金融海量商業化應用場景的基礎。此外，也需持續投入數字人民幣、大數據征信、政府大數據開放平臺等有利于降低金融機構支付和投融資成本的數字金融公共基礎設施和服務。

（3）加強反壟斷監管，營造更公平競爭市場環境。數字金融通過促進市場競爭助力傳統產業的數字化轉型，但是數字金融本身的壟斷性也受到廣泛關注。一些數字金融平臺打著“創新”旗號，行“監管套利”“新瓶裝舊酒”之實，以平臺的流量壟斷等方式提高了中小企業的準入門檻。應著力拓展“監管沙箱”試點廣度和深度，審慎區分和甄別阻礙創新和自然壟斷的應用項目，引導數字金融創新朝著與實體經濟共生共榮的包容性增長方式上發展。