數字金融與城市生態效率

于志慧 何昌磊

[摘 要：提升城市生態效率是實現經濟與生態協調發展的關鍵。文章在理論分析的基礎上，基于長江經濟帶地級市面板數據，運用雙向固定效應模型、門檻模型與空間杜賓模型等方法，實證檢驗數字金融對城市生態效率的影響及作用機制。研究發現：數字金融顯著促進城市生態效率提升，且這一提升效應存在結構異質性、城市區位和資源稟賦異質性；綠色創新效應、產業升級效應和資本配置效應是其重要的作用路徑；數字金融賦能城市生態效率提升存在邊際效應遞增的非線性特征，符合梅特卡夫法則；本地數字金融發展通過空間溢出效應，顯著促進鄰地生態效率提升。研究結論為深化數字金融改革、助推經濟綠色高質量發展提供有益啟示。

關鍵詞：城市生態效率；數字金融；長江經濟帶；非線性效應；空間溢出效應

中圖分類號：F49；F124.5；F832.7；X321? ?文獻標識碼：A文章編號：1007-5097（2024）04-0014-13 ]

Digital Finance and Urban Eco-efficiency：

Empirical Analysis Based on 108 Cities in the Yangtze River Economic Belt

YU Zhihui，HE Changlei

（China Cooperative Research Institute，Anhui University of Finance and Economics，Bengbu 233030，China）

Abstract：Enhancing urban eco-efficiency is the key to realizing the coordinated development of economy and ecology. On the basis of theoretical analysis，the article empirically examines the impact and mechanism of digital finance on urban eco-efficiency based on the panel data of prefecture-level cities in the Yangtze River Economic Belt，using two-way fixed-effect model，threshold model，and spatial Durbin model. The study finds that digital finance significantly promotes urban eco-efficiency，and this enhancement effect is characterized by structural heterogeneity，urban location and resource endowment heterogeneity. Green innovation effect，industrial upgrading effect and capital allocation effect are the important paths. The digital financial empowerment of urban eco-efficiency enhancement has the non-linear feature of increasing marginal effect，which is in line with Metcalfe's principle. Local digital finance development significantly promotes the eco-efficiency improvement of neighboring places through spatial spillover effect. The findings of the study will provide useful insights for deepening the reform of digital finance and boosting the green and high-quality development of the economy.

Key words：urban eco-efficiency；digital finance；the Yangtze River Economic Belt；non-linear effect；spatial spillover effect

一、引 言

《2021年中國生態環境狀況公報》顯示，中國339個地級及以上城市中有121個城市環境空氣質量超標，近35.7%的城市承受著空氣污染的困擾，重點區域水生態和海洋生態的健康狀況也不太樂觀。毫無疑問，協調經濟增長與生態環境保護，貫徹綠色發展理念，從根本上扭轉生態環境惡化趨勢，是關系中國發展全局的一場深刻變革。黨的二十大報告強調，推進生態優先、節約集約、綠色低碳發展。這是既利當前、又惠長遠的戰略部署，其核心要求是實現經濟與生態協調發展。推進生態文明建設，實現美麗中國之愿，聚焦到市域層面，就是要提高城市的生態效率。生態效率是指滿足人類生產生活需求的產出與達到地球承載能力的資源環境投入之間相互協調的關系，即達到經濟與環境的一種平衡狀態［1］。從福利經濟學視角來看，如何以最少的資源消耗和環境損害，獲取最高的經濟產出，實現最優生態效率，獲得最大化的社會福利，是當前城市發展所面臨的嚴峻問題。

傳統金融是經濟發展的“血脈”，是推動節能減排的長效機制，對經濟綠色低碳發展具有重要意義［2］。數字金融將金融服務與互聯網、大數據、云計算等數字技術相結合，極大地提高了金融服務的便利性和可得性，數字化、網絡化、集約化的特點使其具有較強的綠色屬性，有助于降低金融服務中的污染和能耗。同時，數字金融效率高、覆蓋廣和成本低的優勢，能夠助推企業綠色轉型升級，引導微觀個體實現綠色投資與消費。那么，數字金融能否有助于城市生態效率提升？其影響機制又如何？這些問題值得深入研究。

關于城市生態效率的影響因素研究受到學界廣泛關注。相關學者研究發現，外商直接投資［3］、環境規制［4］、高鐵開通［5］以及數字經濟發展［6］能夠提升生態效率，產生較大的經濟和環境效益，但金融資源錯配［7］和財政支出分權［8］對生態效率具有抑制作用。此外，國家政策對城市生態效率的影響日益得到重視。低碳城市試點政策［9］、智慧城市試點政策［10］和“寬帶中國”戰略［11］均可以提高城市生態效率。但目前鮮有研究關注數字金融是否以及如何影響城市生態效率。現有文獻主要聚焦于數字金融對環境污染和綠色發展的影響。一方面，數字金融通過刺激資本流動和加劇市場競爭，增加企業綠色投資，減少企業污染排放［12］。同時，數字金融能夠有效促進綠色金融發展、產業結構升級，并通過技術創新顯著抑制碳排放［13-14］，降低環境污染［15］。另一方面，數字金融通過支持企業數字化轉型［16］、促進技術密集型制造業發展［17］、驅動區域創新能力提升［18］等路徑實現綠色發展。

必須承認的是，已有文獻對城市生態效率的影響因素、數字金融的環境污染改善效應及綠色發展效應展開了豐富討論，但現有研究很少同時從經濟效益和環境效益兩個角度，探討數字金融對城市生態效率的影響。而提升城市生態效率是破解資源約束下的經濟增長困局、實現經濟高質量發展、推動生態文明建設的關鍵抓手。現有文獻對數字金融與城市生態效率內在關系的研究仍顯不足，特別是在利用合理的數據和方法挖掘數字金融對城市生態效率的影響方面，還需要進一步探討。此外，已有研究發現，數字金融對區域技術創新水平［19］、外商直接投資［20］等的促進作用具有非線性效應。數字金融對城市生態效率的影響是否存在非線性效應，是否符合邊際效應遞增的梅特卡夫法則，仍然缺乏相關數據支撐和實證檢驗。數字金融能夠擺脫實體網點的束縛，實現資金跨地域流動，這種金融服務模式通常具有區域關聯效應，可能會對鄰近地區的城市生態效率產生影響。因此，對數字金融固有的空間相關性予以考察，可以進一步揭示數字金融在提升城市生態效率過程中的差異性作用。

鑒于此，本文從理論層面構建數字金融影響城市生態效率的分析框架，揭示數字金融驅動城市生態效率提升的直接影響和間接影響機理。本文利用2011—2020年長江經濟帶108個地級市面板數據，使用超效率SBM模型測度城市生態效率水平，運用多種計量方法實證檢驗數字金融對城市生態效率的作用路徑、非線性效應和空間溢出效應。本文可能的邊際貢獻在于：①從研究視角看，現有研究主要關注數字金融對環境污染、綠色發展的影響，鮮有文獻同時從經濟效益和環境效益的角度探討數字金融與城市生態效率的關系。本文通過細致考察數字金融對城市生態效率的影響效應，豐富了數字金融和城市生態效率研究。②從研究路徑看，本文從綠色創新數量和質量兩個角度探究綠色創新效應，從產業結構高級化和合理化探析產業升級效應，通過生產函數法測算資本錯配指數考察資本配置效應。本文從綠色創新—產業升級—資本配置三維視角，更全面、細致地識別數字金融賦能城市生態效率提升的作用機制。③從研究內容看，厘清了數字金融的長期效應、空間效應、結構效應以及長江經濟帶的區位差異、傳統金融的延續效應、互聯網發展的基礎效應。本文研究結果為長江經濟帶經濟與生態協調發展提供有益借鑒。

二、理論分析與研究假設

（一）數字金融提升城市生態效率的作用機制

數字金融能夠打破時空限制，縮短地理距離，調動金融資源，從而提高交易效率。從本質上看，數字金融本身具有較強的綠色屬性，是一種環境親和型、資源節約型的金融服務。它能夠依托數字化、網絡化和去媒介化的服務模式，擴大金融覆蓋面，實現金融服務低碳化，引導居民生活和消費綠色化，從而提升城市生態效率。進一步地，本文基于綠色創新效應、產業升級效應以及資本配置效應分析數字金融提升城市生態效率的機制路徑。

1. 綠色創新效應

綠色創新活動具有風險高、投資回報周期長的特點，需要長期且大量的資金支持，因而綠色創新主體往往面臨著嚴重的融資約束。數字金融發展為綠色創新量質提升增添了內部動力。從綠色創新數量來看，數字金融依托數字技術在數據處理、分析、共享和風險防控等方面形成了獨特優勢，豐富了金融交易過程中的信息獲取渠道，提高了資金供需雙方的信息透明度，減少了信息不對稱和道德風險，降低了綠色創新主體的融資難度，能夠為綠色創新活動提供必要的資金支持［21］。同時，數字金融能夠縮短融資的審批和發放時間，減少尋租空間和人工干預，改善綠色創新的外部環境，降低綠色創新的融資成本，為提升綠色創新水平奠定良好的資金基礎。從綠色創新質量來看，依據長尾理論，數字金融較傳統金融更注重尾部群體，其去中心化的特征延伸了傳統金融體系的觸達深度，能夠降低綠色創新主體中長尾群體的融資門檻，緩解金融排斥。數字金融使得金融服務水平顯著提高，并促使企業特別是中小企業的戰略重心由金融尋租轉向研發創新，能夠有效突破綠色創新障礙，激勵高質量綠色創新活動開展，促進綠色創新質量水平提升。綠色創新效應能夠從經濟、資源和環境三個方面提升城市生態效率。經濟方面，綠色創新既能培育新型綠色產業，又能逐漸淘汰高能耗高污染產業，提高生產利用效率，提升城市生態效率；資源方面，綠色創新提升了節能、再利用、資源化和智能控制等先進技術水平，有利于生產部門改進生產技術、設備和工藝，實現清潔生產，降低資源在生產過程中的耗損量，提高能源投入產出效率，減少非期望產出［22］；環境方面，綠色創新通過改進末端治理措施，提高控制污染排放能力和環境治理能力，削弱非期望產出對環境的不利影響，增強環境復原能力，提升城市生態效率［23］。

2. 產業升級效應

數字金融能夠從供給和需求兩側促進產業結構升級。在供給側，數字金融依靠數字技術和信息服務業發展，降低新興產業、高技術產業和綠色產業等主體獲取金融資源的門檻。此外，數字金融具有更強的信息篩選和風險防范功能，有利于降低產業主體在金融借貸活動中的風險，促進產業健康、可持續發展，進而有利于優化產業結構。在需求側，數字金融能夠緩解消費者的收入預算約束，優化支付結算體系，刺激居民消費欲望，釋放居民潛在消費需求，并增加跨期消費意愿。多元化消費需求促使企業依據消費者需求偏好進行研發創新，間接推動產業結構升級［24］。產業升級效應分別從合理化和高級化兩個方面提升城市生態效率。產業結構合理化發展意味著產業結構能夠由不合理狀態糾正至相對合理狀態，促使產業間良性協調發展，增強要素間協同作用，提高要素資源利用效率，減緩經濟活動對環境質量造成的不利影響。產業結構高級化發展能夠促進產業內部技術革新，提高各產業自身的生產率。一方面，各產業自身的高技術化和高附加值化，有利于提升產業經濟整體效率，提高資源利用效率與環境治理水平，減輕對生態環境的壓力，提升城市生態效率［25］；另一方面，隨著產業結構的優化升級，主導產業逐漸由勞動密集型產業轉向技術和資本密集型產業，提升了第二產業和第三產業的占比，進而釋放結構紅利，促使效率提升和動能變革，緩解產業快速發展與環境治理之間的矛盾，極大程度地改善城市生態效率。

3. 資本配置效應

數字金融能夠突破營業時間和物理網點限制，提升金融機構服務質效，優化傳統信貸融資路徑，降低融資門檻和成本，提高金融市場的透明度、安全性和交易效率，優化金融結構。金融結構的優化帶動金融體系不斷完善，緩解了金融供給不平衡不充分的矛盾，更大程度上滿足了不同融資主體的資金配置需求，從而改善資本錯配。同時，數字金融通過引入新的競爭機制和競爭者，激發金融市場競爭，促進資本流向利潤率和回報率更高的城市、產業或企業，即促使資本配置的帕累托改進，通過“鯰魚效應”提高資本配置效率。此外，數字金融借助數字平臺的可延伸性，推動金融模式動態演進，擴展金融業務規模和種類，緩解金融市場分割，改善資本錯配。資本錯配的改善使金融資源的結構與流向按照市場機制合理配置，從而降低融資成本，使企業能更便利地獲取研發活動所需資金，增強企業創新動力，促進創新水平提升，進而有利于降低環境污染，改善環境質量，提升城市生態效率［7］。相反地，由政府干預、市場信息不對稱等情況造成的資本錯配，使大量資本流向高污染、高能耗企業，加劇環境污染。而環境友好型企業由于融資成本、價格管制等原因難以進入市場，不利于城市生態效率的提高。因而，緩解資本錯配可以進一步助力綠色企業發展，進而提高城市生態效率。

（二）數字金融對城市生態效率的非線性效應

數字金融以網絡為依托提供服務，極大地拓寬了金融服務的深度、廣度和寬度，使得市場主體可以不受時間、地點限制，獲得高效便捷的金融服務。這種狀態下，數字金融滲透越廣，對綠色創新、產業升級和資本配置的賦能效果就越顯著。同時，數字金融極大地減少了金融機構與金融需求主體間的信息不對稱問題，并使金融資源不斷實現精準匹配，使得獲取金融資源的交易成本呈現邊際遞減特征。此外，當數字金融處于較好發展狀態時，才能更好地發揮融資的降成本功效［26］。因此，數字金融促進城市生態效率提升的直接和間接作用，隨著數字金融發展水平的提高而越來越明顯，呈現邊際效應遞增的非線性特征，即梅特卡夫法則在提升城市生態效率過程中成立。

（三）數字金融對城市生態效率的空間溢出效應

依據新經濟地理學理論，數字金融與傳統金融相比，打破了省、市和縣等地理邊界所劃分的空間發展格局，其滲透、擴散和輻射不再受制于地理區位約束。由于發展需要，數字金融不斷擴大覆蓋廣度，對鄰近城市產生顯著空間溢出效應［27］。數字金融憑借大數據、區塊鏈與云計算等先進信息技術，打破金融資源要素流動壁壘，縮短地理距離，實現跨時空配置，提高本地和鄰地金融市場效率。數字金融發展加快金融資源集聚、擴散進程，金融機構通過跨區域直接投資內部化實現技術轉移，增強地區間的聯動性，為鄰近地區帶來外部經濟，形成數字金融的外溢效應，促進鄰近地區數字金融發展，進而緩解鄰近地區開展綠色經濟活動融資困難的約束，提升鄰近地區的生態效率。此外，數字金融加速資本跨區域流動，促進城市間交流合作，形成技術、人才和知識溢出效應，增強鄰近城市提升生態效率的動力。上述分析如圖1所示。基于此，本文提出假設1、假設2、假設3和假設4。

H1：數字金融促進城市生態效率提升。

H2：數字金融通過綠色創新效應、產業升級效應以及資本配置效應提升城市生態效率。

H3：數字金融對城市生態效率的影響具有邊際效應遞增的非線性特征。

H4：數字金融通過空間溢出效應提升鄰近城市生態效率。

三、研究設計

（一）模型構建

依據前文理論分析，為探析數字金融對城市生態效率的影響，構建基準回歸模型如下：

[Ecoit=α0+α1Dfit+α2controlit+λi+ηt+εit] （1）

其中：[Ecoit]為城市i第t年的生態效率；[Dfit]為城市i第t年的數字金融發展水平；[controlit]為經濟發展水平、人力資本、政府干預、基礎設施水平、外商直接投資以及創新投入力度等控制變量；[λi]為個體固定效應；[ηt]為時間固定效應；[εit]為隨機擾動項。

除式（1）所體現的直接效應外，為討論數字金融對城市生態效率可能存在的作用機制，參考江艇（2022）［28］對機制變量的識別建議，本文在理論分析中闡述綠色創新效應、產業升級效應和資本配置效應對城市生態效率的影響，在機制檢驗中考察數字金融對機制變量的作用，構建如下影響機制模型：

[Mechit=a0+a1Dfit+a2controlit+λi+ηt+εit] （2）

其中：[Mechit]為機制變量，包括城市綠色創新數量水平、綠色創新質量水平、產業結構高級化水平、產業結構合理化水平以及資本錯配水平；[a1]表示數字金融對機制變量的影響程度。其余變量含義與基準回歸模型一致。

對傳導機制的檢驗，除機制模型外，還應考慮數字金融的網絡效應和梅特卡夫法則。本文采用面板門檻回歸模型對數字金融促進城市生態效率提升存在的非線性效應進行檢驗，具體模型設定如下：

[Ecoit=φ0+φ1Dfit×IDfit≤θ+φ2Dfit×IDfit>θ+φ3controlit+λi+εit] （3）

其中：[Dfit]為門檻變量；[I·]為示性函數，滿足括號內條件為1，反之為0。式（3）為單門檻情形，可依據樣本數據的計量檢驗擴充至多門檻情形。

為進一步探討數字金融對城市生態效率的空間溢出效應，參考Elhorst（2010）［29］、Lesage和Pace（2009）［30］的研究，引入空間滯后項，以空間杜賓模型作為初始模型，對可供選擇的模型進行檢驗，構建如下空間面板模型：

[Ecoit=β0+ρWijEcoit+β1Dfit+γWijDfit+φWijcontrolit+β2controlit+λi+ηt+εit] （4）

其中：[Wij]為空間權重矩陣；[WijEcoit]代表各地級市生態效率的空間滯后項；[WijDfit]代表各地級市數字金融的空間滯后項。為保證空間面板模型的穩健性，本文使用反地理距離矩陣（[W]1）、經濟距離矩陣（[W]2）和經濟地理距離嵌套矩陣（[W]3）構建。具體構建方式如下：將兩個城市之間地理距離的倒數作為矩陣元素，使用2011—2020年各地級市人均GDP均值之差的絕對值的倒數為測度數據，將地理距離矩陣和經濟距離矩陣以嵌套方式構建。

（二）變量選取與說明

1. 被解釋變量

生態效率指一定的生態投入所產生的效率，一般用生態的投入、成本與社會經濟產出或效益之比測度［31］。生態效率指標能夠同時反映經濟發展和生態環境狀況，這為經濟高質量發展和生態環境保護提供了新的切入點。現有關于城市生態效率測度的方法，主要包括數據包絡分析法（DEA）［4］、MinDS模型［32］以及超效率SBM模型［33］等方法。其中，Tone（2002）［34］提出的超效率SBM模型兼具超效率DEA和SBM模型的優勢，使用該方法測度城市生態效率漸趨成熟［35］。因此，本文使用超效率SBM模型測度長江經濟帶的城市生態效率，主要包括四種投入指標、三種期望產出指標和三種非期望產出指標。勞動投入以城市年末單位從業人員數衡量；土地投入以城市建設用地面積衡量；資本投入參考張軍等（2004）［36］的研究，以2006年為基期，使用永續盤存法計算的資本存量衡量；由于地級市能源數據缺失嚴重，部分研究采用城市用電量、用水量衡量能源投入，這一衡量方式較為片面，參考Chen等（2021）［37］的研究，本文采用深度學習技術校準的擴展時間序列夜間燈光數據，并借鑒吳健生等（2014）［38］的方法，用全球穩定夜間燈光值擬合能源消耗表征能源投入。多數研究在選取期望產出指標時，僅考慮經濟效益，未考慮社會效益和生態效益。因此，本文選取三種期望產出指標，以2006年為基期，使用平減的地區生產總值表示經濟效益；以地方財政一般預算內收入表示社會效益；以城市園林綠地面積表示生態效益。非期望產出指標包括工業二氧化硫、工業廢水和工業煙（粉）塵排放量。城市生態效率測算指標體系見表1所列。

2. 解釋變量

數字金融（Df）。參考王智新等（2023）［20］的研究，使用郭峰等（2020）［39］編制的數字普惠金融指數作為數字金融發展水平的代理變量，包括數字化程度、覆蓋廣度和使用深度三個子維度。考慮上述指數與其他變量在量綱上的差異，將上述指數均除以100作為原始數據。

3. 機制變量

（1）綠色創新。近年來，綠色專利數量激增，導致綠色專利泡沫現象出現。因此，探析數字金融的綠色創新效應，需要同時從數量與質量兩個角度考察。考慮專利申請可能會存在不合格專利和虛假專利，未必能反映區域真正的創新水平。相反地，專利授權量可以避免這些問題。因此，本文的城市綠色創新數量（Greinov1），參考鄧玉萍等（2021）［40］的研究，使用各城市綠色發明專利授權數加1的自然對數衡量；城市綠色創新質量（Greinov2），參考俞立平等（2021）［41］的研究，使用各城市綠色發明專利授權數與綠色專利授權總數之比衡量。

（2）產業升級。產業結構高級化（Advance），借鑒付凌暉（2010）［42］的研究，使用夾角余弦法進行計算。先將三次產業增加值占GDP的比重構成一組三維空間向量[Y0=y1，0，y2，0，y3，0]，再分別計算出[Y0]與產業層次由低到高排列的基本單位向量組[Y1=1，0，0，Y2=0，1，0，Y3=0，0，1]的夾角。

[θj=arccos∑3i=1yi， jyi，0∑3i=1y2i， j12·∑3i=1y2 i， 012， j=1，2，3] （5）

其中：[yi，j]為基本單位向量組[Yj]（j=1，2，3）的第i個分量；[yi，0]表示[Y0]的第i個分量。

最后，根據下式計算得到各地區產業結構高級化水平（Advance）。

[Advance=∑3k=1∑kj=1][θj] （6）

產業結構合理化（Theil），參考袁航和朱承亮（2018）［43］的研究，使用泰爾指數測算。具體計算方式如下：

[Theilit=m=13XimtlnXimtLimt， m=1，2，3] （7）

其中：[Ximt]為城市i第t年m產業的增加值；[Limt]為城市i第t年m產業就業人數與總就業人數的比值。產業結構合理化指數若為0，則說明產業結構處于平衡狀態；若不為0，則說明產業結構處于偏離均衡狀態，產業結構不合理。

（3）資本錯配（Abstauk）。借鑒白俊紅和劉宇英（2018）［44］的研究，依據各地級市生產總值、年末單位從業人員數和資本存量，計算資本錯配指數。假設生產函數為規模報酬不變的C-D生產函數，則

[Yit=AKβKititL1-βKitit] （8）

取對數可得：

[lnYitLit=lnA+βKitlnKitLit+εit] （9）

其中：產出（[Yit]）為以2006年為基期平減得到的實際GDP；資本投入（[Kit]）為用永續盤存法計算得到的資本存量；勞動投入（[Lit]）為各地級市年末單位從業人員數。考慮地區差異，采用變系數面板模型對模型（9）回歸，在回歸方程中引入各地級市虛擬變量與解釋變量的交互項，交互項系數即為該地級市資本產出彈性（[βKit]）。再將資本產出彈性代入式（10），即可計算出資本要素價格絕對扭曲系數。

[γKit=KitKtσitβKitβKt] （10）

其中：[σit]表示t時期城市i產出占整個經濟體產出Y的份額；[βKt=∑Ni][σitβKit]表示產出加權的資本貢獻值；[KitKt]表示t時期城市i使用的資本占總資本的實際使用比重；[σitβKitβKt]表示t時期資本有效配置時城市i的資本使用的理論比例。二者比值小于1，則表示相對于整個經濟體，城市i資本配置不足；若大于1，則資本配置過度。最后，可以根據式（11）計算出各地級市樣本期內的資本錯配指數。

[τKit=1γKit-1] （11）

考慮指數數據存在正負兩種情況，對[τKit]取絕對值，得到最終的資本錯配指數（Abstauk）。該數值越大，表示資本錯配越嚴重。

4. 控制變量

為減少遺漏變量的影響，借鑒羅能生等（2019）［5］、劉敏樓等（2022）［18］的研究，選取如下控制變量：①經濟發展水平（Rgdp），以2006年為基期的實際人均GDP的對數衡量。②人力資本水平（Hr），以普通本專科及以上學歷人口數與全市常住人口數之比衡量。③政府干預（Gov），利用政府財政支出與GDP之比表示。④基礎設施水平（Infra），選取郵電業務收入與GDP之比表示。⑤外商直接投資（Fdi），選取實際利用外商投資額與GDP之比衡量。⑥創新投入力度（Tech），以政府財政科學技術支出與政府財政支出之比衡量。

（三）數據來源與描述性統計

長江經濟帶依托“黃金水道”，作為新經濟支撐帶、生態文明先行區的戰略地位日益凸顯。由于長江經濟帶基本涵蓋了東中西三大區域，選取長江經濟帶作為研究對象，既具備代表性，又具有重要的示范效應。推動長江經濟帶發展必須堅持生態優先、綠色發展的戰略定位。因此，研究長江經濟帶城市生態效率提升問題，對于統籌推進經濟社會發展和生態環境保護具有重要的現實意義。本文選取2011—2020年長江經濟帶108個地級市（剔除數據缺失較為嚴重的銅仁市、畢節市）的平衡面板數據開展研究分析。其中，城市綠色發明專利授權數和綠色專利授權總數數據來源于CNRDS數據庫，其余數據來源于各地級市統計年鑒、EPS數據庫等，對部分缺失值使用線性插值法予以補全。變量描述性統計結果見表2所列。

四、實證分析

（一）基準回歸

本文采用雙向固定效應模型探討數字金融發展對城市生態效率的影響，基準回歸結果見表3所列。未加入控制變量前和加入控制變量后，數字金融對城市生態效率的影響分別在5%和1%的水平上顯著為正，這意味著數字金融能夠顯著提高城市生態效率，H1得到驗證。可能的原因是：一方面，數字金融能夠破解逆向選擇問題，優化綠色金融資源配置［45］，從而促進企業綠色轉型，提升資源利用效率，提高城市生態效率；另一方面，數字金融能夠促使金融服務低碳化，并賦能綠色生活與消費［15］，創造綠色經濟效應，促使城市生態效率提升。

（二）異質性分析

長江經濟帶各城市的數字金融發展狀況、地理區位和資源稟賦存在較大差異，這使得數字金融賦能城市生態效率提升可能存在異質性影響。本文著重從數字金融子維度、區位條件和資源稟賦三個方面討論數字金融的異質性影響，以加深對數字金融影響城市生態效率提升內在規律的理解。

1. 數字金融結構異質性

本文進一步將數字金融分為數字化程度、覆蓋廣度和使用深度三個層面進行回歸，具體回歸結果見表4列（1）—列（3）。數字金融的數字化程度和使用深度對城市生態效率的促進作用分別在1%和5%的水平上顯著，而數字金融覆蓋廣度對城市生態效率的正向作用并未通過顯著性檢驗。這表明數字金融對城市生態效率的促進作用主要是通過提高數字化程度和使用深度實現的。這可能是由于：數字化程度加深能夠促使交易方式便利化，提高支付效率，有利于金融服務低碳化，促進城市生態效率提高；使用深度改善有助于降低獲取金融資源的門檻與風險，提高城市創新水平，促使產業結構向高級化、合理化方向邁進，從而提升改善城市生態效率的能力。而數字金融雖然具有覆蓋廣的特性，但由于數字金融依托于數字技術發展，在信息基礎設施較差的偏遠地區，數字金融難以快速覆蓋，因而覆蓋廣度雖然能夠提升城市生態效率，但作用并不明顯。

2. 城市區位異質性

由于長江經濟帶各城市的發展狀況與資源稟賦不盡相同，各城市數字金融發展水平對城市生態效率提升的影響可能存在區域異質性。因此，本文將全樣本劃分為上游、中游、下游地區三個子樣本，具體估計結果見表4列（4）—列（6）。在上游和下游地區，數字金融促進城市生態效率提升的作用分別在10%和5%的水平上顯著，且在上游地區的效果強于下游地區，但在中游地區，數字金融對城市生態效率的影響不顯著。可能的原因在于：上游地區經濟發展水平較低，資源、技術相對匱乏，而數字金融發展能為市場主體提供更便利的資金支持平臺，利于綠色創新活動開展和節能減排技術研發，對城市生態效率提升的邊際效應更顯著；下游地區在地理區位、人才、技術和資源等要素上具有先發優勢，擁有相對完善的傳統金融基礎，因而數字金融促進城市生態效率提升的邊際效應相對較小；而中游地區位于上下游地區之間，是下游地區中低端產能的承接地，同時，中游地區仍存在著金融資源配置不平衡、綠色創新能力不足和資源利用率較低等問題，因而數字金融提升城市生態效率的動力不足。

3. 城市資源稟賦異質性

數字金融是金融與數字技術的結合，意味著傳統金融發展水平和互聯網發展水平可能會影響數字金融對城市生態效率的提升效應。具體而言，傳統金融發展水平，用金融機構存貸款余額之和與GDP之比衡量；互聯網普及率，用互聯網寬帶接入用戶數與年末總人口數之比衡量。按照傳統金融發展水平和互聯網普及率的中位數，將全樣本劃分為傳統金融發達地區和欠發達地區、互聯網普及率高和互聯網普及率低的地區，估計結果見表5所列。結果顯示，兩組回歸結果的組間系數差異均通過了費舍爾檢驗，即兩組回歸結果存在顯著性差異。由表5列（1）、列（2）可知，在傳統金融發達地區，數字金融顯著促進城市生態效率提升；在傳統金融欠發達地區，數字金融對城市生態效率的影響不顯著。在傳統金融發達地區，金融資源更易集聚和共享，數字金融的發展水平更高；而在傳統金融欠發達地區，囿于傳統金融資源匱乏的基礎狀況，數字金融發展較緩慢。由此說明，目前數字金融對城市生態效率的提升作用，更多是在傳統金融發達地區起到“錦上添花”的作用，對傳統金融欠發達地區的“雪中送炭”作用較弱。由表5列（3）、列（4）可知，在互聯網普及率高的地區，數字金融顯著促進城市生態效率提升；而在互聯網普及率低的地區，數字金融對城市生態效率的影響不顯著。這意味著數字基礎設施建設是影響數字金融發展的重要因素，在推進數字金融發展過程中，必須進一步完善數字基礎設施建設。

（三）穩健性檢驗

本文在基準回歸中雖然控制了經濟發展水平、人力資本水平等因素，但其他未觀測到的城市經濟特征仍可能會影響城市生態效率，即可能存在由于不可觀測因素、遺漏變量等原因導致的內生性問題。此外，數字金融與城市生態效率可能存在逆向因果問題。為此，本文采用以下三種方式進行內生性分析和穩健性檢驗：首先，將城市到杭州的球面距離作為工具變量進行檢驗；其次，排除競爭性假說的影響；最后，使用替換被解釋變量、剔除異常數據、剔除部分樣本、替換估計模型等方法進行分析檢驗。穩健性檢驗結果見表6所列。

1. 內生性分析

為保證研究結果的可靠性，參考張勛等（2020）［46］的研究，使用城市到杭州的球面距離作為工具變量。由于該數據不隨時間變化而變化，因此將該數據與全國城市層面（不包括杭州市）的數字金融發展指數的均值交互項作為工具變量。一方面，許多數字金融企業的總部聚集在杭州，杭州的數字金融發展水平居全國領先位置，由此推測樣本城市與杭州距離越近，數字金融發展水平越高；另一方面，城市到杭州的球面距離是一個自然地理變量，與經濟社會不直接相關，不會直接影響城市生態效率。因此，該工具變量滿足相關性和外生性假定。由表6列（1）結果可知，數字金融對城市生態效率的促進作用在5%的水平上顯著為正，同時，工具變量通過欠識別檢驗和弱識別檢驗，驗證了工具變量的合理性。這與本文的核心結論一致，基本驗證回歸結果的穩健性。

2. 排除競爭性假說

考慮樣本期內的城市生態效率可能會受高鐵開通、智慧城市試點、創新型城市試點、低碳城市試點和“寬帶中國”戰略等影響，為排除以上政策影響，本文在基準回歸中進一步納入樣本城市是否屬于高鐵城市、智慧城市、創新型城市、低碳城市和“寬帶中國”城市等政策虛擬變量。上述政策虛擬變量的構建方式為：將政策實施當年及之后年份賦值為1，其余年份賦值為0。回歸結果見表6列（2），數字金融的估計系數仍在1%的水平上顯著為正。這說明在考慮高鐵開通、智慧城市試點、創新型城市試點、低碳城市試點和“寬帶中國”戰略等競爭性政策的干擾后，數字金融仍然能夠提升城市生態效率，即競爭性政策的實施對本文核心結論沒有影響，進而證實本文結論的穩健性。

3.其他穩健性檢驗

為進一步檢驗核心結論“數字金融能夠促進城市生態效率提升”的可靠性，本文采用以下方式進行穩健性檢驗：①替換被解釋變量，在原有投入產出指標體系下，使用超效率EBM模型測度城市生態效率水平，并進行基準回歸。由表6列（3）可知，數字金融對城市生態效率的促進作用在1%的水平上顯著。②剔除異常數據，對城市生態效率進行1%水平的 Winsorize 處理，由表6列（4）可知，回歸結果依然在1%的水平上顯著為正。③剔除部分樣本，由于省會城市、副省級城市和直轄市在行政區劃上的優勢，可能會對整體樣本產生影響，因此本文剔除上述城市并重新進行估計。由表6列（5）可知，數字金融對城市生態效率的影響在5%的水平上顯著為正。④使用系統GMM模型和差分GMM模型重新進行回歸，兩者均通過擾動項二階差分無自相關檢驗和Hansen檢驗，且估計結果皆在1%的水平上顯著為正，即數字金融能夠助推城市生態效率提升。本文核心結論的穩健性再次得到驗證。

（四）機制檢驗

基于對基準回歸結果的估計，數字金融的確促進了城市生態效率的提升。由此，結合前文理論分析，進一步考察數字金融的綠色創新效應、產業升級效應和資本配置效應。為保證回歸結果的可靠性，同時采用雙向固定效應模型和工具變量法進行回歸。作用機制檢驗結果見表7所列。

首先，數字金融通過促進城市綠色創新量質齊升提高城市生態效率。已有研究證實了綠色創新是提高城市生態效率的重要途徑［47］，為此，考察數字金融對綠色創新的影響效應。綠色創新效應分別從城市綠色創新數量和質量兩個方面進行探究。表7列（1）、列（2）結果顯示，數字金融對城市綠色創新數量的影響均在1%的水平上顯著為正；由表7列（3）、列（4）結果可知，數字金融對城市綠色創新質量的促進作用在5%和1%的水平上顯著為正。因而，數字金融能夠有效引領城市綠色創新數量與質量提升。由此，綠色創新效應是數字金融促進城市生態效率提升的重要影響機制。

其次，數字金融通過促進產業結構升級提升城市生態效率。韓永輝等（2016）［25］從產業結構合理化和高級化兩個方面，驗證產業結構優化升級能夠改進生態效率，這也拓寬了本文的研究思路。為驗證該機制，本文分別考察數字金融對產業結構高級化和合理化兩個方面的影響。表7列（5）、列（6）結果顯示，數字金融對產業結構高級化的作用在5%和1%的水平上顯著為正；表7列（7）、列（8）結果顯示，數字金融對產業結構合理化的作用在5%和1%的水平上顯著為負。不難發現，數字金融不僅顯著推動產業結構高級化發展，還明顯抑制產業結構的不合理化發展。因而，數字金融可以顯著促進城市產業結構升級。由此，產業結構升級效應是數字金融促進城市生態效率提升的重要作用機制。

最后，現有研究發現金融資源錯配會導致過多的金融資源流入高污染、高能耗產業，綠色產業、新興產業發展動力不足，從而加劇經濟發展中的環境污染，阻礙生態效率提升［7］。因此，本文考察數字金融是否通過改善資本錯配提升城市生態效率。考慮資本錯配存在一定的路徑依賴［44］，為此加入資本錯配指數的一階滯后項，使用系統GMM模型進行回歸。由表7列（9）—列（11）結果可知，雖然雙向固定效應下數字金融對資本錯配的估計系數不顯著，但使用工具變量法和系統GMM模型回歸后，估計系數均在1%的水平上顯著為負，且通過無自相關檢驗和Hansen檢驗，即數字金融有助于改善資本錯配。由此證明，改善資本錯配是數字金融促進城市生態效率提升的作用機制。綜上，H2得到驗證。

五、進一步分析

（一）非線性效應分析

考慮數字金融對城市生態效率提升的賦能效應符合邊際效應遞增的梅特卡夫法則，為驗證H3，首先參考Hansen（1999）［48］的研究，進行面板門檻存在性檢驗。使用Bootstrap法進行1 000次抽樣后，檢驗結果顯示，數字金融發展這一門檻變量顯著通過雙重門檻檢驗。將門檻個數設定為2，回歸結果見表8所列。當數字金融發展水平低于門檻值2.014 1時，數字金融對城市生態效率的提升作用不顯著；當數字金融發展水平跨越第一門檻值2.014 1但小于第二門檻值2.754 9時，數字金融對城市生態效率的提升作用在1%的水平上顯著，且在跨越第二門檻值后這一效應持續增強，即H3得到支持。這表明數字金融發展越好，滲透越廣，對城市生態效率提升的賦能效應就越顯著。這可能是由于數字金融發展達到一定水平后，更易發揮出融資的降成本功效，更加有利于綠色創新、產業升級和資本配置效應發揮，進而能夠有效促進城市生態效率提升。

（二）空間溢出效應分析

首先，采用全局Moran's I指數計算數字金融在三種不同權重矩陣下各年份的空間相關性。數字金融歷年的Moran's I指數分布如圖2所示。可以發現，在不同年份中，三種矩陣的Moran's I指數均為正值，且對應的P值均小于0.001，這表明2011—2020年長江經濟帶城市間的數字金融發展存在較強的空間相關性。其次，對空間杜賓模型是否能夠退化為空間誤差模型和空間滯后模型進行檢驗。LR和WALD檢驗均在1%的顯著水平上拒絕原假設，即雙向固定效應的空間杜賓模型是檢驗空間溢出效應的最佳選擇。最后，空間杜賓模型回歸結果見表9所列。在三種權重矩陣下，數字金融對城市生態效率影響的直接效應在5%的水平上顯著為正，說明數字金融能夠促進本地生態效率提升；其間接效應在1%的水平上顯著為正，說明本地數字金融發展能夠刺激鄰近城市提升生態效率。這是由于數字金融的典型特征是通過縮短地理距離、突破時空限制，調動金融資源，更易產生外溢效應，促進鄰近城市提升生態效率。由此，H4得到驗證。

六、主要結論與政策建議

（一）主要結論

本文立足于數字技術催生的金融新業態極大影響了傳統金融模式和中國經濟社會發展這一典型事實，基于2011—2020年長江經濟帶108個地級市面板數據，在測算城市生態效率的基礎上，通過雙向固定效應模型、門檻模型和空間杜賓模型，多維度驗證數字金融對城市生態效率的影響效應及內在機制。主要結論如下：①數字金融顯著促進城市生態效率提升，已成為推動城市綠色高質量發展的重要動力。同時，數字金融能夠發揮降成本功效，使這一提升效應伴隨著數字金融的不斷發展，呈現出邊際效應遞增的非線性變化趨勢。②數字金融能夠降低融資門檻，緩解金融排斥，滿足綠色創新主體長期的資金需求；能夠加快金融資本與產業資本匹配，推動產業結構向高級化和合理化方向發展；能夠優化金融結構、激發金融市場競爭，提高資本配置效率。因而，綠色創新效應、產業升級效應和資本配置效應是數字金融賦能城市生態效率提升的重要路徑。③數字金融不但能夠提升本地生態效率，還能夠憑借大數據、人工智能、區塊鏈和云計算等先進信息技術，打破金融資源要素流動壁壘，使其滲透、擴散和輻射不再受制于地理區位約束，從而帶動鄰近城市生態效率提升。④數字金融的生態效率提升效應存在異質性。結構異質性上，提高數字金融數字化程度和使用深度能夠顯著促進城市生態效率提升，而覆蓋廣度不具備顯著的統計意義；區位異質性上，長江經濟帶上游地區的提升效應強于下游地區，而在中游地區的影響效應不顯著；資源稟賦異質性上，數字金融在傳統金融發達地區和互聯網普及率高的地區提升效應更強。

（二）政策建議

根據上述研究結論，本文提出如下政策建議：

第一，充分發揮數字金融對城市生態效率提升的賦能作用。把握新一輪信息技術革命的發展機遇，夯實數字中國建設基礎，打通數字基礎設施大動脈，強化數字金融的數字化程度和使用深度，提高數字金融覆蓋范圍，進一步釋放數字金融的普惠效應。同時，堅持差異化推進方式，補齊數字金融發展不平衡不充分的短板，特別是長江經濟帶中游地區和互聯網普及率低的地區，應加快建設數字金融發展所需的配套硬件設施。在傳統金融欠發達地區，鼓勵數字金融與傳統金融良性互動，充分釋放數字金融提升城市生態效率的“雪中送炭”作用；在傳統金融發達地區，進一步發揮數字金融優勢，最大限度為提升城市生態效率注入新活力。

第二，積極強化數字金融的綠色創新效應、產業升級效應和資本配置效應以推動城市生態效率提升。在數字金融領域不斷拓展的同時，豐富人工智能、大數據、互聯網和云計算等數字科技應用場景，降低數字金融準入門檻，實現金融供給與綠色創新需求主體的精準匹配，深化數字金融服務多元綠色創新主體的能力；合理調整數字金融和產業布局，積極引導金融資源脫虛向實，以防止數字金融與產業結構升級脫節，促進數字金融與產業結構升級良性互動；充分利用數字金融優化金融結構和激發金融市場競爭的能力，改善資本錯配，優化資本配置效率，切實保障多元市場主體的金融供給。

第三，重視數字金融與生態效率融合政策的長期性、可持續性特征，充分釋放數字金融提升城市生態效率的紅利。政府可以通過加強數字金融頂層設計，明確數字金融賦能城市生態效率提升的短期、長期目標以及重點任務等，持續激發數字金融在提升城市生態效率過程中的梅特卡夫法則效用，進而為城市綠色發展注入源源不斷的新動能。

第四，重視數字金融跨區域發展，發揮城市間的輻射帶動作用。明確數字金融在各城市的發展優勢與功能定位，搭建城市間互聯互通合作平臺，促使金融資源由發達地區向欠發達地區流動，從而優化金融資源在城市間的布局，促進數字金融在區域間的高效互補和協同聯動，進一步強化數字金融外溢效應，推動城市生態效率全面提升。

參考文獻：

［1］SCHALTEGGER S，STURM A. ?kologische Rationalit?t：Ansatzpunkte Zur Ausgestaltung Von ?kologieorientierten Managementinstrumenten［J］. Die Unternehmung，1990，44（4）：273-290.

［2］嚴成樑，李濤，蘭偉.金融發展、創新與二氧化碳排放［J］.金融研究，2016（1）：14-30.

［3］初善冰，黃安平.外商直接投資對區域生態效率的影響——基于中國省際面板數據的檢驗［J］.國際貿易問題，2012（11）：128-144.

［4］李勝蘭，初善冰，申晨.地方政府競爭、環境規制與區域生態效率［J］.世界經濟，2014，37（4）：88-110.

［5］羅能生，田夢迪，楊鈞，等.高鐵網絡對城市生態效率的影響——基于中國277個地級市的空間計量研究［J］.中國人口·資源與環境，2019，29（11）：1-10.

［6］梁琦，肖素萍，李夢欣.數字經濟發展提升了城市生態效率嗎？——基于產業結構升級視角［J］.經濟問題探索，2021（6）：82-92.

［7］王書華，薛曉磊，范瑞.我國金融資源錯配是否抑制了生態效率的提升？——基于產業結構升級視角［J］.西安交通大學學報（社會科學版），2022，42（3）：71-82.

［8］方杏村，田淑英，王曉玲.財政分權、產業集聚影響城市生態效率的空間效應分析——基于空間杜賓面板模型的經驗研究［J］.城市問題，2020（4）：62-71.

［9］SONG M L，ZHAO X，SHANG Y P. The Impact of Low-carbon City Construction on Ecological Efficiency：Empirical Evidence from Quasi-natural Experiments［J］. Resources，Conservation and Recycling，2020，157：104777.

［10］YAO T T，HUANG Z L，ZHAO W. Are Smart Cities More Ecologically Efficient？Evidence from China［J］. Sustainable Cities and Society，2020，60：102008.

［11］TANG C，XUE Y，WU H，et al. How Does Telecommunications Infrastructure Affect Eco-efficiency？Evidence from a Quasi-natural Experiment in China［J］. Technology in Society，2022，69：101963.

［12］DING Q，HUANG J B，CHEN J Y. Does Digital Finance Matter for Corporate Green Investment？Evidence from Heavily Polluting Industries in China［J］. Energy Economics，2023，117：106476.

［13］WANG X，WANG X，REN X H，et al. Can Digital Financial Inclusion Affect CO2 Emissions of China at the Prefecture Level？Evidence from a Spatial Econometric Approach［J］. Energy Economics，2022，109：105966.

［14］鄧榮榮，張翱祥.中國城市數字金融發展對碳排放績效的影響及機理［J］.資源科學，2021，43（11）：2316-2330.

［15］鄭萬騰，趙紅巖，趙夢嬋.數字金融發展有利于環境污染治理嗎？——兼議地方資源競爭的調節作用［J］.產業經濟研究，2022（1）：1-13.

［16］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，2023，188：122262.

［17］段永琴，何倫志，克甝.數字金融、技術密集型制造業與綠色發展［J］.上海經濟研究，2021（5）：89-105.

［18］劉敏樓，黃旭，孫俊.數字金融對綠色發展的影響機制［J］.中國人口·資源與環境，2022，32（6）：113-122.

［19］聶秀華，江萍，鄭曉佳，等.數字金融與區域技術創新水平研究［J］.金融研究，2021，489（3）：132-150.

［20］王智新，王辰筱，朱文卿，等.新發展格局下城市數字金融對外商直接投資的影響——來自我國256個地級及以上城市的經驗證據［J］.統計研究，2023，40（3）：71-84.

［21］KHIN S，HO T C F. Digital Technology，Digital Capability and Organizational Performance：A Mediating Role of Digital Innovation［J］. International Journal of Innovation Science，2018，11（2）：177-195.

［22］陳超凡，藍慶新，王澤.城市創新行為改善生態效率了嗎？——基于空間關聯與溢出視角的考察［J］.南方經濟，2021（1）：102-119.

［23］王鵬，謝麗文.污染治理投資、企業技術創新與污染治理效率［J］.中國人口·資源與環境，2014，24（9）：51-58.

［24］易行健，周利.數字普惠金融發展是否顯著影響了居民消費——來自中國家庭的微觀證據［J］.金融研究，2018（11）：47-67.

［25］韓永輝，黃亮雄，王賢彬.產業結構優化升級改進生態效率了嗎？［J］.數量經濟技術經濟研究，2016，33（4）：40-59.

［26］阮堅，申么，范忠寶.何以驅動企業債務融資降成本——基于數字金融的效用識別、異質性特征與機制檢驗［J］.金融經濟學研究，2020，35（1）：32-44.

［27］SHEN Y，HU W X，HUENG C J. Digital Financial Inclusion and Economic Growth：A Cross-country Study［J］. Procedia Computer Science，2021，187：218-223.

［28］江艇.因果推斷經驗研究中的中介效應與調節效應［J］.中國工業經濟，2022（5）：100-120.

［29］ELHORST J P. Applied Spatial Econometrics：Raising the Bar［J］. Spatial Economic Analysis，2010，5（1）：9-28.

［30］LESAGE J P，PACE R K. Introduction to Spatial Econometrics［M］. Boca Raton，FL：Taylor&Francis Group，2009.

［31］李佳佳，羅能生.城市規模對生態效率的影響及區域差異分析［J］.中國人口·資源與環境，2016，26（2）：129-136.

［32］陳明華，劉文斐，王山，等.長江經濟帶城市生態效率的空間格局及演進趨勢［J］.資源科學，2020，42（6）：1087-1098.

［33］沈偉騰，胡求光，李加林，等.中國區域生態效率的時空演變及空間互動特征［J］.自然資源學報，2020，35（9）：2149-2162.

［34］TONE K. A Slacks-based Measure of Super-efficiency in Data Envelopment Analysis［J］. European Journal of Operational Research，2002，143（1）：32-41.

［35］李洪偉，蔣金雨，楊印生.基于超效率SBM模型的中國城市生態環境效率時空演變格局及預測［J］.數理統計與管理，2023，42（1）：96-108.

［36］張軍，吳桂英，張吉鵬.中國省際物質資本存量估算：1952—2000［J］. 經濟研究，2004（10）：35-44.

［37］CHEN Z Q，YU B L，YANG C S，et al. An Extended Time Series（2000—2018）of Global NPP-VIIRS-like Nighttime Light Data from a Cross-sensor Calibration［J］. Earth System Science Data，2021，13（3）：889-906.

［38］吳健生，牛妍，彭建，等.基于DMSP/OLS夜間燈光數據的1995—2009年中國地級市能源消費動態［J］.地理研究，2014，33（4）：625-634.

［39］郭峰，王靖一，王芳，等.測度中國數字普惠金融發展：指數編制與空間特征［J］.經濟學（季刊），2020，19（4）：1401-1418.

［40］鄧玉萍，王倫，周文杰.環境規制促進了綠色創新能力嗎？——來自中國的經驗證據［J］.統計研究，2021，38（7）：76-86.

［41］俞立平，邱棟，彭長生，等.高技術產業創新效率對創新質量作用機制研究［J］.宏觀質量研究，2021，9（2）：29-42.

［42］付凌暉.我國產業結構高級化與經濟增長關系的實證研究［J］.統計研究，2010，27（8）：79-81.

［43］袁航，朱承亮.國家高新區推動了中國產業結構轉型升級嗎［J］.中國工業經濟，2018（8）：60-77.

［44］白俊紅，劉宇英.對外直接投資能否改善中國的資源錯配［J］.中國工業經濟，2018（1）：60-78.

［45］王康仕，孫旭然，張林曦，等.金融數字化是否促進了綠色金融發展？——基于中國工業上市企業的實證研究［J］.財經論叢，2020，263（9）：44-53.

［46］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，2020，36（11）：48-63.

［47］SHANG H，JIANG L，PAN X Y，et al. Green Technology Innovation Spillover Effect and Urban Eco-efficiency Convergence：Evidence from Chinese Cities［J］. Energy Economics，2022，114：106307.

［48］HANSEN B E. Threshold Effects in Non-dynamic Panels：Estimation，Testing，and Inference［J］. Journal of Econometrics，1999，93（2）：345-368.

［責任編輯：陳建華］