數字金融對碳排放效率的影響路徑研究

【摘" "要】 碳達峰和碳中和是一場全面而深刻的社會經濟變革，在數字經濟時代，數字賦能對提高碳排放效率具有重要意義。以2011—2021年我國30個省級面板數據作為研究樣本，運用縱向橫向雙維度的動態QCA定性比較分析法，從外部環境、發展水平和數字金融三個維度探究環境規制、數字金融覆蓋廣度等10個二級指標的不同條件組合對提升碳排放效率的優化路徑。研究結果表明：第一，數字金融細分維度能夠有效提升碳排放效率，但在部分數字金融水平較低的地區，其支付維度發揮的作用最大；第二，數字金融與科技創新以及環境規制的深度融合在近幾年能夠有效地提升碳排放效率；第三，通過對組間與組內的一致性距離考察，雖然組間的一致性距離并未高于0.2，未呈現明顯的時間效應，但其條件變量的必要性在逐年增加；第四，存在四種關鍵類型可以有效提高碳排放效率，包括待優化數字創新驅動型、數字金融平臺深化型、待優化數字創新與環境協同發展型、數字科技創新型，且四種類型存在明顯的區域異質性。

【關鍵詞】 數字金融；碳排放效率；非徑向方向性距離函數；動態QCA分析

中圖分類號：F127；F832" " 文獻標志碼：A" " "文章編號：1673-8004（2025）02-0029-17

一、引言

習近平總書記在2020年9月首次對外宣布“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”。黨的二十大強調“積極穩妥推進碳達峰碳中和”。“雙碳”目標的提出預示著我國綠色發展進入了新階段，“降碳”不只是未來生態環境保護工作的總抓手，也是經濟發展的總導向。衡量一個地區能否順利達成“雙碳”目標，取決于其碳減排能力。因此，如何提升一個地區的碳排放效率成為日益重要的命題。隨著信息時代的到來，傳統金融與信息科技深度融合。相較于傳統金融，數字金融更具有普惠性、便利性等特點。Tamazian等［1］、Salahuddin等［2］、Shahbaz等［3］學者的研究已表明，金融發展有利于改善環境。因此，進一步研究數字金融提升碳排放效率的具體作用具有重要意義。現有研究主要圍繞數字金融與碳排放之間的關系展開，對于數字金融與碳排放效率的相關研究還較少，且聚焦于數字金融本身、科技創新和環境規制等單一因素對碳排放的影響，缺少數字金融細分維度以及多元組態路徑對提升碳排放效率的研究。為此，本文嘗試從數字金融二級指標的角度，運用能夠分析縱向橫向雙維度的動態QCA方法，對2011—2021年我國30個省級面板數據進行研究，總結出數字金融提升碳排放效率的多元影響路徑，從而豐富其理論和方法。

二、研究觀點述評

碳排放作為測度碳排放效率的負向產出指標，厘清碳排放的影響因素有利于探究碳排放效率的影響因素。碳排放的影響因素主要有金融發展［4-5］、科技創新［6-8］、環境規制［9-10］、政府干預［11］等不同層面上的影響因素。

根據現有文獻，針對碳排放效率影響因素的研究還較少，主要分為外部因素、發展水平因素兩部分。在外部因素方面，趙曉春等認為政府干預對碳排放效率起負向作用，但對相鄰地區的碳排放效率具有正向的空間溢出效應［12］；張亞斌等也認為政府過度干預所造成的要素錯配也會抑制碳排放效率的提升［13］；江三良等發現環境規制與碳排放效率的關系呈現“U”形且具有異質性特征［14］；王東等通過研究發現環境規制明顯抑制了碳排放效率［15］。在發展水平方面，李德山等認為研發技術水平的提升能夠有效提高碳排放效率，而金融發展水平的提升與碳排放效率呈現正“U”形特征［16］；孫景兵等也認為科技創新水平的提升能夠有效提高碳排放效率［17］。

目前學界研究數字金融對碳排放效率的影響還較少，更多的是研究對碳排放數量的影響。早期學界對于環境治理的研究主要聚焦于經濟增長如何影響環境，而環境庫茲涅茨曲線將傳統金融的發展這一因素納入研究范圍中。從現有文獻來看，金融與環境的關系研究主要分為金融改善環境［18］、金融惡化環境［19］以及二者存在非線性關系［20］三種觀點。隨著經濟與互聯網的快速發展，相比于傳統金融，數字金融更具有普惠性、便利性等特點［21］。金融機構可以利用先進的數字技術，如大數據、云計算和分布式分類賬會計，將分散在不同金融機構之外的資金，轉化為有效的供給，為企業提供足夠的信用，從而實現資金的優化。通過數字化技術，可以實現線下的金融交易，實現銀行間金融資源的有效管理。數字金融具有包容性，可以降低獲取金融服務的成本，為弱勢群體提供更多的融資渠道，緩解民營企業和小企業的融資困境，提升企業的生產效率。

數字金融對碳排放的影響主要有兩種觀點，一種是數字金融能夠有效降低碳排放，并且存在明顯的空間異質性［22-23］。其中科技創新［24］、產業轉型［25］、經濟發展［26］等是重要的中介機制。另一種觀點是數字金融與碳排放呈現非線性關系。許釗等利用城市數據實證分析，得出了數字金融能夠減少碳排放并存在雙門檻效應［27］。

在數字金融對碳排放效率的影響研究中，學界普遍認為數字金融能夠有效提高碳排放效率［28-30］。其中科技創新［30］、經濟增長［28］、產業轉型［29］等是具有代表性的中介機制。申云等還從農業的角度研究發現，數字普惠金融可以通過降低農業碳排放強度、提高農業生產社會化服務水平和農業產業融合深度來提高碳排放效率［31］。

綜上所述，已有文獻各自針對數字金融與碳排放的研究較為豐富，對于二者關系的理解提供了借鑒，但現有研究主要圍繞數字金融與碳排放之間的關系展開，對于數字金融與碳排放效率的關系研究還較少。鑒于此，本文認為二者關系的探討還有進一步拓展的需要。第一，現有研究聚焦于數字金融整體指標對碳排放效率的影響，缺乏探索其細分維度對碳排放效率的具體影響，沒有更進一步地闡明數字金融本身影響碳排放效率的具體作用；第二，現有研究側重于數字金融如何通過中介機制影響碳排放效率，而基于環境規制、政府干預和科技創新等重要中介因素的線性回歸得出的經驗歸因側重于單一因素的“凈效應”，忽視了數字金融的多重協同途徑，難以呈現差異化途徑。

三、理論分析

（一）數字金融細分維度對碳排放效率的直接影響

當前，以大數據、人工智能、區塊鏈為代表的數字技術，不斷推動我國金融貨幣數字化的創新實踐，包括在支付、征信、保險等領域的深度應用，數字金融已經改變了傳統金融服務的形態和模式。郭峰等［32］測算的數字金融普惠指數將數字金融分為覆蓋廣度、使用深度和數字化程度三個維度，其中支付、保險和信貸作為數字金融最具有代表性的三個指標也納入研究。因此，數字金融對碳排放效率的影響可以分為以下六個方面。在覆蓋廣度方面，Bernanke等認為在金融加速器原理中，數字金融破解了實體經濟的融資問題，證明了融資約束是經濟增長的決定機制［33］。金融機構可以擺脫傳統融資的地域限制，通過數字平臺選擇企業，淘汰高耗能、高污染企業，引導資金流向環保型企業，打造基于數字平臺的資金分配和管理的綠色生態系統。在使用深度方面，Sarma和Pais發現數字金融中的數字技術可以從物流、信息流和資金流的大數據中發掘出新的有價值的信息，從而完善金融體系，降低融資成本［34］。讓線上的貨幣基金服務促進碳交易市場的碳金融產品更加普惠化，確保碳交易試點成功，擴大碳交易市場面積，將碳減排外部性內部化。在數字化程度方面，數字金融使信息檢索的范圍得到擴展，使數據的處理方法發生了變化，從而可以更有效地對風險進行識別和防范［35］，數字普惠金融的發展對城鄉收入差距的縮小有顯著影響［36］。數字金融平臺可以將企業外部交易與內部成本把控流程形成可視化數據，幫助企業在政府號召的節能減排政策下做出最優決策，使其利潤最大化。在支付方面，數字金融中創新的第三方支付、生物識別及其他支付和清算服務［37］，能夠促使碳市場更加方便快捷地進行碳金融產品交易，使市場內的資金更加快速地流動起來，從而更加活躍碳市場，促進碳減排。在保險方面，李楊和程斌琪認為數字金融通過非銀行信用中介發揮“影子銀行”的作用［38］，能夠幫助碳市場內的相關企業在信息更加透明的情況下選擇保險商品，促成在降低最大損失的情況下進行碳交易。在信貸方面，數字金融的“普惠”與“精準”特性使得金融服務實體經濟兼具效率與公平［39］。能夠給予碳市場相關小微企業更快、更精準的資金支持，使碳市場中的大中小企業都能更加重視碳交易市場建設。通過上述分析，本文提出如下假設：

H1：數字金融的細分維度也提升了碳排放效率。

（二）數字金融對碳排放效率的多元影響路徑

科技創新是截污減排的有效手段［7-8］，企業進行綠色技術研發能夠對其結構進行優化、資源配置進行整合，從而達到提升碳排放效率的目的。而數字金融的普惠特質能夠為中小企業的科技研發與創新提供資金支持，其創新效應有助于助推金融業脫虛向實，提升了金融服務實體經濟的能力［40-41］。大數據、云計算等數字技術具有對用戶消費信息進行搜索、分析的能力，從而幫助實體企業正確決策創新方向、創新潛力和創新路徑，促進企業創新從經驗驅動向數據驅動轉變，提高技術研發成功率和研發成果轉化能力。同樣，發達的創新水平也能夠進一步提高數字金融平臺的水平，對其產生支撐作用。科技創新產生了新型的金融機構，很大程度上豐富了我國的金融體系，同時也使金融結構得到優化［42］。企業是工業經濟中的“細胞”，他們的“綠色”技術創新將會推動宏觀“綠色”技術進步，進而推動碳減排。因此，本文提出如下假設：

H2：數字金融與科技創新的組態能夠提升碳排放效率。

環境規制分為正式與非正式兩種類型，正式的一般為官方制定的環保政策或準則，能夠有力地減少污染排放問題；非正式的一般指社會公眾自愿參與的環保活動，能夠在社會面形成良好的節能減排風氣［14］。數字金融的加入能夠對企業信息進行檢索、分類和計算，為官方部門提供海量的環境信息，降低信息檢索的費用，使其對重工業企業實現更加精準的管控。而數字金融本身也屬于綠色工具，環境規制的良性發展也有利于數字金融的開拓［15］。因此，本文提出如下假設：

H3：數字金融與環境規制的組態能夠提升碳排放效率。

政府干預對于節能減排起作用需要落在合適的閾值。例如，引入碳排放許可證、碳交易和其他市場機制來干預區域碳排放，這種基于市場的政府干預行為為區域碳減排提供了激勵［11］。而過度的資源傾斜、土地出讓所造成的要素錯配不僅降低了碳排放效率，還加深了地區發展不平衡。數字金融能夠使碳交易市場更加活躍，而對資源分配等政府干預措施的影響還需進一步研究。因此，本文提出如下假設：

H4：數字金融與政府干預的組態不能提升碳排放效率。

現有研究認為金融發展對碳排放效率的影響成正“U”形曲線，說明金融發展隨著時間的推移能夠提升碳排放效率［16，19］。早期的傳統金融存在信貸不匹配及資金使用效率不夠等諸多問題，而近年來數字金融發展較好的地區能夠更好地利用數字金融消除信息障礙，提高資金使用效率，增加綠色信貸的使用，從而提高碳排放效率。因此，本文提出如下假設：

H5：數字金融與金融發展的組態在近幾年金融發展水平較高的地區能夠提升碳排放效率。

如今，以大數據、人工智能、區塊鏈為代表的數字技術正在不斷推動我國支付、征信、保險等貨幣金融數字化的創新實踐，投資方面的應用深度也在不斷增加，使傳統金融服務形態和方式發生了變化。數字金融向經濟金融領域滲透，同樣會通過某種路徑對碳排放效率產生影響。雖然有學者通過計量方法證實各影響因素的重要性，但極少有研究數字金融自身以及各影響因素的不同組合對碳排放效率的綜合效應。從縱向時間視角來看，數字金融的發展并不是一蹴而就的，在數字金融平臺尚未成熟時，是否需要與科技創新、環境規制、政府干預等機制共同影響碳排放效率這一問題值得探討。從橫向地區視角來看，東、中、西部地區發展不平衡，其數字金融發展進度也各不相同，現有文獻普遍認為東部地區較中西部地區發展更迅速，那么早期東部地區與近期中西部地區的數字金融發展水平是否相似這一問題也值得探討。因此，本文嘗試在厘清相關提升碳排放效率的影響因素的基礎上，深入探究數字金融及不同影響因素組態對于提升碳排放效率的有效性及其影響，并應用能夠處理面板數據的動態QCA方法，從橫向和縱向的維度探索出有效的提升路徑。

根據對碳排放效率的相關影響因素分析，本文將其分為外部環境與發展水平兩類，并將數字金融依據其二級核算指標進行拆分。其中外部環境包含環境規制、政府干預。發展水平包含金融發展水平、區域創新水平。數字金融拆分為數字金融覆蓋廣度、數字金融使用深度、普惠金融數字化程度以及支付、保險、信貸。本文對三類提升碳排放效率的十種細分類別進行組態研究，探索各影響因素以何種組態能夠有效提升碳排放效率。組態的分析框架如圖1所示。

四、研究設計

（一）研究方法

1.數據包絡分析法（DEA）

關于碳排放效率的研究方法，從經濟學的角度來定義碳排放效率，主要分為單要素碳排放效率［43-45］和全要素碳排放效率［46-47］。以GDP作為基礎的碳排放效率指數有利于發達國家，因為它們的GDP總量普遍較高，而以能源消費作為基礎的碳排放效率指數則更有利于發展中國家。在測度方法上，學界普遍采用DEA方法進行測算。以公理化方法為視角，DEA徑向測度方法在數學上表現為某些理想特征，是較為流行的做法。由于該方法不需要考慮數據間的相關性以及隨機變量之間的獨立性，所以可以在較少參數下獲得最優結果。但在有非零松弛的情況下，徑向方法可能高估效率值。如果將該問題轉化為一個線性約束優化模型的話，則可以利用現有文獻中關于最優解的研究結果來確定新的目標參數。因此，Fare和Grosskopf提出非徑向方向性距離函數（non-radial directional distance function，簡稱NDDF），用以克服傳統方向性距離函數存在的不足［48］。

鑒于我國作為發展中國家的特質以及考慮非零松弛的情況，本文構建一個包含單個期望產出和單個非期望產出的生產可能性集，對除臺港粵和西藏外的N個省區市進行碳排放效率評價，以資本存量（K）、勞動力（L）、能源消耗（E）為投入，以實際GDP為期望產出（G），以二氧化碳排放量為非期望產出（C）。選取的指標中包括3個投入變量、1個期望產出變量和1個非期望產出變量，利用非徑向方向性距離函數測算出的碳排放效率取值范圍為［0，1］，值越大說明碳排放效率越好。當碳排放效率為1時，說明該省份的碳排放效率已是最優的，即位于其技術前沿。

2.動態QCA

現有相關研究大多停留在橫截面數據，少有探究縱向時間對組態的影響。數字金融發展逐年變化，對于碳排放效率的影響單憑截面數據分析不足以闡述。所以本文使用R語言軟件，使用動態QCA方法突破面板數據和QCA壁壘，探討時間效應中的組態關系。

Ragin提供了衡量集合論一致性或兩個集合之間包含度的一般標準［49］：

CONS（Xi≤Yi）=min（Xi，Yi）Xi（1）

式中，Xi是個體i對集合X的隸屬度，Yi是個體i對集合Y的隸屬度。但時間的引入讓位于三種不同類型的一致性。如果將i定義為橫截面觀察的數量，將t定義為面板數據中的周期數，那么可以計算所有i=1，2，…，N和t=1，2，…，T的整體面板一致性。Garcia將此類一致性稱為總體一致性（PCONS），其定義為［50］：

PCONS（Xit≤Yit）= min（Xit，Yit） Xit（2）

式中，Xit是個體i在集合X中的時間t內的隸屬度，Yit是其在集合Y中的隸屬度。合并一致性表示當不考慮時間和個體效應時在樣本中觀察到的總體一致性，它相當于合并Ragin定義的所有橫截面一致性。然后，計算面板中每年t的一致性［51］：

BCONS（Xit≤Yit）=min（Xit，Yit）Xit，t=1，2，…，T（3）

組間一致性（BCONS）是對小組中每年t的橫截面一致性的度量。BCONS是文獻中最常見的一致性度量，Ragin在集合論研究中將其簡稱為“一致性”［52］。

最后，還可以測量Xit和Yit之間假設的子集聯系是否在不同情況下一致，而是隨著時間的推移一致：

WCONS（Xit≤Yit）=min（Xit，Yit）Xit，i=1，2，…，N（4）

組內一致性（WCONS）度量面板中每個i的集合子集連接隨時間的縱向一致性。換句話說，對于樣例中的每個特定情況，WCONS是一種度量集子集關系跨時間一致性的方法。

在任何實際面板數據中，有T個不同的BCONS、N個不同的WCONS和一個單獨的PCONS。由于BCONS、WCONS和PCONS在實證研究中可能不同，因此應考慮三者，以便更充分地理解因果條件和結果之間的集與子集關系。

Garcia指出，必須仔細評估組內和組間的距離，才能判斷案例中的時間效應與橫截面效應［50］。以下是組內與組間的一致性歐式距離：

DBCONS=d（BCONS，PCONS）=（5）

DWCONS=d（WCONS，PCONS）=（6）

以下是改良后的一致性調整距離：

DBCONS，adj=DBCONS（7）

DWCONS，adj=DWCONS（8）

在模型中調整距離可以輕松應用于任何尺寸的任何面板。雖然理論上調整后的距離可以大于1，但實際應用到真實數據集時，它將介于0和1之間。雖然在特定研究環境中考慮在0和1之間的相關閾值必須在隨后的實證研究中確定，但Garcia的蒙特卡羅模擬的樣本大小為10、15、50、100、500、1 000和10 000，表明0.1的調整距離表示大約95%的一致性位于一致性平均值周圍±0.1的區間內［50］。同樣，調整后的距離為0.2表示大約95%的一致性位于平均值周圍±0.2的區間內。高于這些閾值的調整距離表示數據中的某種面板數據結構。

高組間一致性調整距離表示時間效應（例如經濟周期效應）很嚴重。類似地，高組內一致性調整距離表明所研究的公司群體不是同質的。

本文采用動態QCA方法主要基于以下原因：首先，動態QCA分析方法可以充分探討條件變量與結果變量之間復雜的因果關系，確定哪些因素組合影響結果，以及這些因素組合如何影響結果，由于碳排放的績效受到多種因素的影響，而這些因素的組合及其效果也各不相同，因此該方法的使用順應了本文的需要，有助于找出提高碳排放效率的多元路徑；其次，通過尋找不同的因素組合，該方法還可以找出影響結果變量的充分條件和必要條件，為建立提高碳排放效率的一般模型提供新的路徑；最后，動態QCA方法從組間（BCONS）、組內（WCONS）、匯總（PCONS）三個維度進行測量，能夠從縱向時間的角度來分析數字金融對碳排放效率的組態影響。

（二）數據來源及變量測度

1.數據來源

鑒于我國香港、澳門、臺灣、西藏地區的數據缺失，為了保證數據的連續性與可得性，并結合具體情況，本文選取2011—2021年我國30個省級截面數據作為實證研究樣本，其中數字金融相關數據來源于北京大學數字金融研究中心課題組于2022年發布的《數字普惠金融指數》，地方政府支出、金融發展指數等經濟指標來源于《中國城市統計年鑒》《中國金融年鑒》《中國科技統計年鑒》《中國能源統計年鑒》中各省份統計年鑒以及各省份的年度國民經濟和社會發展統計公報。

2.變量測度

關于結果變量測度。結果變量為碳排放效率（CCO2）。本文采用DEAP 2.1軟件，基于非徑向方向性距離函數（NDDF）的DEA模型，并參考馬大來等［53］的做法，計算我國30個省（自治區、直轄市）的碳排放效率。以資本存量、勞動力（各省份的年末就業人數）、能源消耗（萬噸標準煤）為投入，其中能源消耗計算涉及煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、天然氣，資本存量的計算參考張軍等［54］的永續盤存法。以實際GDP為期望產出（2008年為基期），以二氧化碳排放量為非期望產出，其計算過程參照IPCC《國家溫室氣體排放清單指南》2006版（IPCC 2006）的估算方法［55］。

關于條件變量測度。①數字金融指數主要衡量指標（數字金融覆蓋廣度TCBDF、數字金融使用深度TUDDF、普惠金融數字化程度TDLDF、支付TPDF、保險TIDF、信貸TCDF），數字金融指數是在螞蟻集團提供的數字普惠金融的海量數據與現有相關文獻研究的基礎上，衡量了省域級、城市級、縣域級的數字普惠金融指數［32］。并且從數字金融覆蓋廣度、數字金融使用深度和普惠金融數字化程度三個維度來構建指標體系，其中數字金融覆蓋廣度主要包含支付寶賬號數量、支付寶綁卡用戶比例和支付寶賬號綁卡數量三項指標；數字金融使用深度主要包括支付、信貸、信用以及貨幣基金等服務；普惠金融數字化程度又包含移動化、實惠化和便利化三個維度。支付維度是利用人均支付筆數、人均支付金額、高頻度（年活躍 50 次及以上）活躍用戶數占年活躍 1 次及以上之比通過無量綱化處理以及加權算術平均合成模型得出；保險維度是利用每萬戶支付寶用戶中被保險用戶數、人均保險筆數、人均保險金額通過無量綱化處理以及加權算術平均合成模型得出；信貸維度是分別從個人與小微企業經營者角度利用每萬戶支付寶成年用戶中有互聯網消費貸（小微經營貸）的用戶數、人（戶）均貸款筆數、人（戶）均貸款金額通過無量綱化處理以及加權算術平均合成模型得出。②政府干預（TGM），以地方財政支出除以GDP來衡量。③環境規制（TER），以市轄區城區覆蓋率來衡量，環境規制的領域主要包括大氣污染、水污染、有毒物質使用、有害廢物處理和噪聲污染等。④金融發展水平（TJR），以金融機構年末存貸款總額除以GDP來衡量。⑤區域創新水平也稱技術水平（TTE），本文采用專利申請授權數來衡量區域創新水平，更進一步地，用每萬人人均專利申請授權數來衡量。各變量具體的描述性統計如表1所示。

3.數據校準與轉換

鑒于條件變量的數量，基于布爾代數和集合分析產生的定性比較分析工具（如QCA）明顯提升了組態分析理論與方法的匹配［56］。該集合被預先設置的不同錨點分為三值集、四值集、六值集以及其他。所以有必要標定全部樣品原始數據，使得它們被劃入對應的集合區間，以及給予對應的隸屬分數，以符合QCA方法的布爾邏輯。本文從樣本數據實際意義出發，結合向量屬性，采用“完全隸屬”（0.95）、“中間點”（0.5）、“完全不隸屬”（0.05）在變量集合中設置三個臨界定位點（錨點），實現樣本數據的統一標定［46］。樣本數據的校準信息如表2所示。

五、結果分析

（一）單個條件必要性分析

對校準后的數據進行定性比較分析時首先要進行單個條件必要性分析，從而判定該條件是否為結果的必要條件，進行必要性分析后可得到兩個指標，即一致性和覆蓋度，如果其中一個條件的一致性值大于0.9，那么這個條件就是條件變量結果的必要條件［57］。在動態QCA面板數據分析中，如果一致性調整距離小于0.1或0.2，總結一致性的準確性就很高，但如果一致性調整距離大于0.1或0.2，則必須進一步調查其必要性［58］。本文使用R軟件對所有條件變量進行了必要性分析，得到的各個條件變量的必要性結果如表3所示。表3顯示了各變量之間的一些差異，主要是由于不同參數之間的關聯性不同。

由前述結果可得，所有條件變量的匯總一致性結果大小均低于0.9，但都呈現不同程度的組間或組內或者二者都有的一致性距離大于0.2的情況，需要進一步檢驗。在分析組間相關變量的一致性和覆蓋率時，主要有四種情況：一是所有年份的相關變量的協方差都小于0.9，不存在必然的相關性；二是部分年份的相關變量的一致性大于0.9，覆蓋率大于0.5，但在散點圖中都集中在右側 Y軸上，沒有通過必要性檢驗［59］；三是在相應變量的某些年份的一致性大于0.9，但覆蓋度小于0.5，因此也不構成必要條件；四是相應變量不同年份中均出現第二與第三種情況，也不構成必要條件。具體檢驗結果如表4所示。

通過上述分析可知所有條件變量不能作為結果變量的必要條件，于此說明各條件變量間需要相互配合才能對碳排放效率的提升產生影響，單個任一條件變量的影響程度都較弱，這意味著碳排放效率的提升是多種因素綜合作用的結果。因此，需要進一步分析不同的前因和因果變量，尋找對碳排放效率提升的多元影響路徑。另一方面，從結果也可以看出：數字金融覆蓋廣度、數字金融使用深度、普惠金融數字化程度、支付、保險、信貸、非政府干預、環境規制、區域創新水平9個指標的相關性都在0.7以上，表明這些變量對碳排放效率的影響相對較大，在這種情況下，這些條件變量可以成為所有結果變量的重要解釋變量。

（二）條件組合充分性分析

對于具體研究，還應考慮證據表中的案例分布和調查者對觀察到的案例的了解。對于中小樣本，頻率閾值為1，而對于大樣本，頻率閾值應大于1。本研究最終設定的一致性閾值為0.8，頻率閾值為1，涵蓋330個最終樣本。在構建證據表之后，利用強化的標準分析得到了完善的簡單、中間和復雜解決方案。在本文中，一個改進的中間解被用作主解，由一個改進的簡單解輔助，以找到內核和邊界條件。這個整體組態分析的結果，包括四種類型共五個組態，如表5所示。

1.匯總結果分析

由匯總結果可得，所形成的五個組態，無論是單個解決方案（分組）還是整體解決方案的一致性水平都高于 0.75 的最低可接受標準，總體一致性為 0.859，總體覆蓋率為 0.678。可以認為，表中列出的五個組態是一個足夠保守的組合，可以提高碳排放效率。現將五個組態歸納為提升碳排放效率影響路徑的四種類型。

（a）待優化數字創新驅動型。組態1中表明，由地區區域創新水平的提高發揮核心作用。組態1中明顯是數字化程度不高但創新能力高且不能政府干預過多來提升碳排放效率的省份，該類型包含的省份主要集中在早期的東部發達地區與近幾年迅速發展的部分中部地區，代表省份有北京、廣東、福建、陜西等。該類型下的代表城市都強調在數字金融發展還不完善的情況下大力發展科技創新，通過企業的綠色技術來達到提升碳排放效率的目的，與此同時政府的過度干預反而會造成要素錯配從而降低碳排放效率。

（b）數字金融平臺深化型。組態2中表明，數字金融中數字支付與環境規制力度的提高發揮了作用。組態2中主要是通過發展不平衡的數字金融并提供環境規制力度來提高碳排放效率的省份。由此驗證了假設H3和假設H4。該類型包含的省份主要集中在早期的東部發達地區與近幾年迅速發展的部分中部、西部地區，代表省份有江蘇、福建、重慶等。該類型下的代表省份主要通過還在發展中的數字金融與環境規制手段來提升碳排放效率，在數字支付普及的地區，線上的數字金融平臺能夠促使碳市場更加方便快捷地進行碳金融產品交易，使市場內的資金更加快速地流動起來，從而更加活躍碳市場促進碳減排。與此同時過度的政府干預也會造成碳排放效率的降低。

（c）待優化數字創新與環境協同發展型。組態3中表明，環境規制與區域創新水平的提高發揮了作用。組態3中涉及的省份在數字金融發展初期整體有待優化，通過提高環境規制與區域創新水平來提升碳排放效率。該類型包含的省份主要集中在早期的部分東部地區與近幾年迅速發展的部分中部、西部地區，代表省份有山東、安徽等。該類型的代表省份數字金融覆蓋廣度與使用深度有待加強，但在環境規制與科技創新的雙重加持下也能夠提升碳排放效率。

（d）數字科技創新型。組態4和組態5中表明，數字金融中數字金融覆蓋廣度、數字金融使用深度、支付、保險、信貸的發展與區域創新水平的提高發揮了作用。組態4中明顯是數字金融發展較好且創新能力高但政府不能干預過多來提升碳排放效率的省份，組態5中明顯是數字金融發展較好、環境規制強且創新能力高但政府不能干預過多來提升碳排放效率的省份。由此驗證了假設H1、H2、H3、H4、H5。該類型包含的省份主要集中在近幾年的東部地區與近幾年迅速發展的部分中部、西部地區，代表省份有北京、浙江、上海、廣東、陜西、安徽、重慶等。該類型代表的省份驗證了近幾年迅速發展的地區需要在數字金融水平高也就是金融發展水平高、科技創新能力強、環境規制力度大但政府不能過多干預的條件下能夠提升碳排放效率。數字金融與科技創新以及環境規制的深度融合在近幾年能夠有效地提升碳排放效率［60］。

2.組間與組內結果分析

組間結果分析。雖然所有五個組態的調整后組間一致性距離都不大于0.1，表明時間的影響并不顯著。然而，對這些時間變化的進一步研究表明，在2011年至2021年期間，所有五個組態的一致性水平都在0.75以上，其覆蓋范圍也呈現出定期的整體增減。

組內結果分析。所有五個組態的組內一致性調整距離均大于0.2，表明五個組態的解釋力在各省之間存在差異。在存在解釋力差異的情況下，對組內覆蓋度差異進行綜合考察，可以得出每個分組模型所解釋的地區分布情況，如表6所示。

由表6可知，組態4和組態5中東中西部地區的覆蓋度均值差異并不大，與之對應的是數字科技創新型。其中數字科技創新型是數字金融發展較好且創新能力高但政府不能干預過多來提升碳排放效率的省份，該類型包含的省份主要集中在近幾年的東部發達地區與近幾年迅速發展的部分中部地區，代表省份有北京、浙江、上海、陜西、安徽等。近幾年來東部發達地區比全國數字經濟競爭力整體水平高，并能自主利用創新優勢，實現對碳減排的突破。以北京市為例，2022年發布的《北京市碳達峰實施方案》指出，為強化科技支撐，具體行動將體現在加強低碳技術創新、推進能源領域國家實驗室建設、實施碳卓越、碳中和科技創新、重點領域技術研發等具體行動上。近幾年迅速發展的部分中部地區，以安徽省為例，2022年《安徽省碳達峰實施方案》也指出要實施綠色低碳科技創新行動。打好創新攻堅戰，加強關鍵技術攻關，加快先進適用技術的推廣應用，構建市場導向的綠色技術創新體系，推動綠色低碳科技革命。

組態1、組態2、組態3中中西部地區的覆蓋度均值明顯高于西部，也就是類型（a）、類型（b）、類型（c）對于中西部地區的解釋力度更強。我國煤炭分布主要集中在中部地區，類型（b）主要是地區采用數字金融通過全線上信貸模式，減少機構運營和客戶申貸過程中的碳排放。不僅如此，數字金融還將綠色環保、清潔能源、節能減排等環境因素標準作為全行業線下B端業務審批的重要評價指標，構建覆蓋貸前風險準入、貸中授信決策和貸后風險監控等全流程的綠色信貸政策評價體系，規避對綠色不達標企業的融資，助推綠色經濟。待優化數字創新與環境協同發展型的代表省份有北京、廣東、山東、湖南、廣西、四川等。以湖南省為例，在“十二五”期間，湖南省主要采取環境規制等方法，開展城鄉綠化美化行動，將城鄉生態系統作為一個有機整體進行規劃，并開展森林濕地保護行動，建立健全森林和濕地保護網絡體系，以此達到碳減排的目的。

六、結論及政策建議

本文首先通過文獻研究厘清數字金融對碳排放效率的影響機制，然后通過非徑向方向性距離函數測算出碳排放效率指數，在處理好各種指標的基礎上，通過模糊集定性比較分析法總結出四條數字金融提升碳排放效率的優化路徑。研究結果表明：

（1）2011—2021年我國數字金融整體呈現穩步上升態勢，整體碳排放效率呈現微弱下降態勢，碳排放效率值從2011年的0.81緩慢下降到2021年的0.796。我國碳排放效率空間差異性明顯，呈現東部＞中部＞西部的分異特征。

（2）任何一個因素都不可能對提高碳效率產生絕對影響，任何一個因素對結果的影響都會受到其他一些因素的影響。提高碳效率的充分條件是幾個條件變量共同作用的結果，具有幾個因素和幾個途徑共存的基本特征。

（3）數字金融多維度能夠有效提升碳排放效率，但在部分數字金融水平較低的地區，其支付維度發揮的作用最大；數字金融與科技創新以及環境規制的深度融合在近幾年能夠有效地提升碳排放效率，因此在提升數字金融水平的同時，也應加深其與科技創新、環境規制的融合。這表明，在單獨考量數字金融對碳排放效率的提升時，應著重發揮其支付維度的作用，擴大支付范圍，提高支付力度；此外，現階段中的發達地區，數字金融與科技創新以及環境規制的深度融合是有力的推手。動態QCA結果表明，數字金融對碳排放效率的有效提升路徑有四條，分別為待優化數字創新驅動型提升路徑、數字金融平臺深化型提升路徑、待優化數字創新與環境協同發展型提升路徑、數字科技創新型提升路徑。

（4）在時間異質性方面，雖然所有五個組態調整后組間一致性距離都不大于0.1，表明時間的影響并不顯著。然而，對這些時間變化的進一步研究表明，在2011年至2021年期間，所有五個組態的一致性水平都在0.75以上，其覆蓋范圍也呈現出定期的整體增減。在區域異質性方面，數字科技創新型對于東中西部地區的覆蓋度均值差異并不大，數字科技創新型對應的是數字金融發展較好且創新能力高但政府不能干預過多來提升碳排放效率的省份，該類型包含的省份主要集中在近幾年的東部發達地區和近幾年迅速發展的部分中部地區；在組態1、組態2、組態3中中西部地區的覆蓋度均值明顯高于東部，也就是待優化數字創新驅動型提升路徑、數字金融平臺深化型提升路徑、待優化數字創新與環境協同發展型提升路徑對于中西部地區的解釋力度更強。

基于上述結論，本文提出以下政策建議：

（1）為了促進數字經濟的快速增長，有必要加速數字產業化和產業數字化的步伐，同時也需要加大對碳排放減少的力度。因此，應當以積極而審慎的態度，推動我國數字經濟朝著健康和快速的方向發展。經過實證研究，我們發現數字經濟的發展有助于提升碳的使用效率。首先是進一步完善數字標準體系，促進數字經濟標準化工作，制定數字產品和服務國家標準、行業標準及地方標準。其次要大力培育數字企業和創新創業團隊，鼓勵企業通過數字化手段來提高自身競爭力。要積極推動“互聯網+”模式，構建智慧城市、智能交通、智能電網、智慧醫療以及智慧教育等多種應用場景，不斷地提高資源利用的效率，同時努力降低能源的使用量。

（2）有必要深化對關鍵低碳技術的研究，并進行技術創新。因此，需要進一步加大對科技創新中涉及數字金融方面的投入力度，促進我國數字經濟的快速發展。數字金融與科技創新之間的合作關系已經得到實證研究的肯定。在這種宏觀背景下，我們應該利用數據元素和數字化技術來促進科技創新的發展。同時也要加大對高新技術產業的扶持力度，通過財稅優惠政策吸引更多社會資本投入高科技領域。一方面，需要構建一個積極的政策氛圍，出臺科技創新的相關政策和法規，進一步完善環境法規和知識產權的保護機制，確立一個全面、多角度的公平競爭環境和政策框架，并激勵各企業積極參與科技創新活動。另一方面，我國應制定一套完整的碳減排方案和標準體系，鼓勵企業開展低碳經濟的研發工作，并將其納入企業經營管理計劃之中，以提高企業的競爭力和可持續發展能力。

（3）鑒于各個地區獨特的發展需求，應當選擇與當地實際情況相匹配的發展策略。東部、中部以及西部地區碳效率的提升受到了各種不同集聚路徑帶來的多重影響。在這樣的大背景之下，數字技術的創新途徑對東部地區近幾年快速增長的碳效率產生了顯著的促進作用，同時也在某些中部地區的碳效率提升方面展示了突出的成就。因此，在未來的發展路徑上，我們需要加強數字技術的研究和應用，以提高中西部地區在低碳發展方面的能力。在制定數字經濟的發展策略時，應該鼓勵相關的政府部門更加支持中西部地區，增加中西部地區科技領域的財政援助，出臺刺激中西部地區數字經濟增長的科技創新措施，并為數字經濟領域的專家提供培訓，同時充分利用數字融資平臺，嚴格遵循環境保護的相關規定。

參考文獻：

［1］" "TAMAZIAN A， RAO B B． Do economic， financial and institutional developments matter for environmental degradation？evidence from transitional economies［J］. Energy Economics，2010，32（1）：137-145.

［2］" "SALAHUDDIN M， GOW J， OZTURK I. Is the long-run relationship between economic growth， electricity consumption， carbon dioxide emissions and financial development in gulf cooperation council countries robust？［J］. Renewable and Sustainable Energy Reviews，2015（51）：317-326.

［3］" "SHAHBAZ M， NASIR M A， ROUBAUD D. Environmental degradation in France： the effects of FDI， financial development and energy innovations［J］. Energy Economics，2018（74）：843-857.

［4］" "TAMAZIAN A， CHOUSA J P， VADLAMANNATI K C. Does higher economic and financial development lead to environmental degradation： Evidence from BRIC countries［J］. Energy Policy，2009，37（1）：246-253.

［5］" "OUYANG Y， LI P. On the nexus of financial development， economic growth， and energy consumption in China： new perspective from a GMM panel VAR approach［J］. Energy Economics，2018，71：238-252.

［6］" "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（9）：51-58.

［7］" "楊世明.創新持續、創新質量對碳排放的影響效應研究——基于2006—2017年的省際面板數據［J］.生態經濟，2021（12）：23-29.

［8］" "葉娟惠，葉阿忠.科技創新、產業結構升級與碳排放的傳導效應——基于半參數空間面板VAR模型［J］.技術經濟，2022（10）：12-23.

［9］" "楊盛東，楊旭，吳相利，等.環境規制對區域碳排放時空差異的影響——基于東北三省32個地級市的實證分析［J］.環境科學學報，2021（5）：2029-2038.

［10］ 徐鵬，包存寬.環境規制對碳排放影響研究進展及未來展望［J］.科技管理研究，2022（10）：41-47.

［11］ 王博，吳天航，馮淑怡.地方政府土地出讓干預對區域工業碳排放影響的對比分析——以中國8大經濟區為例［J］.地理科學進展，2020（9）：1436-1446.

［12］ 趙曉春，龍來春，周瑛.綠色金融、政府干預與區域碳排放效率［J］.統計與決策，2023（10）：149-154.

［13］ 張亞斌，陳強，元如芊.供給側改革下我國要素錯配與碳排放效率研究［J］.學術研究，2017（5）：79-85.

［14］ 江三良，鹿才保.環境規制影響碳排放效率的外部性及異質性——基于生產性服務業集聚協同的分析［J］.華東經濟管理，2022（10）：56-69.

［15］ 王東，李金葉.環境規制、技術進步與能源碳排放效率［J］.技術經濟與管理研究，2022（7）：31-36.

［16］ 李德山，徐海鋒，張淑英.金融發展、技術創新與碳排放效率：理論與經驗研究［J］.經濟問題探索，2018（2）：169-174.

［17］ 孫景兵，薛倩.科技創新提高碳排放效率了嗎？［J］.生態經濟，2022（6）：22-28.

［18］ 黃建歡，呂海龍，王良健.金融發展影響區域綠色發展的機理——基于生態效率和空間計量的研究［J］.地理研究，2014（3）：532-545.

［19］ 陳碧瓊，張梁梁.動態空間視角下金融發展對碳排放的影響力分析［J］.軟科學，2014（7）：140-144.

［20］ 胡宗義，李毅.金融發展對環境污染的雙重效應與門檻特征［J］.中國軟科學，2019（7）：68-80.

［21］ 黃益平，黃卓.中國的數字金融發展：現在與未來［J］.經濟學（季刊），2018（4）：1489-1502.

［22］ 賀茂斌，楊曉維.數字普惠金融、碳排放與全要素生產率［J］.金融論壇，2021（2）：18-25.

［23］ 徐維祥，周建平，劉程軍.數字經濟發展對城市碳排放影響的空間效應［J］.地理研究，2022（1）：111-129.

［24］ 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.

［25］ 郭桂霞，張堯.數字普惠金融與碳減排關系研究［J］.價格理論與實踐，2022（1）：135-138.

［26］ 朱東波，張相偉.中國數字金融發展的環境效應及其作用機制研究［J］.財經論叢，2022（3）：37-46.

［27］ 許釗，高煜，霍治方.數字金融的污染減排效應［J］.財經科學，2021（4）：28-39.

［28］ 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（11）：2316-2330.

［29］ 姚鳳閣，王天航，談麗萍.數字普惠金融對碳排放效率的影響——空間視角下的實證分析［J］.金融經濟學研究，2021（6）：142-158.

［30］ 江三良，賈芳芳.數字經濟何以促進碳減排——基于城市碳排放強度和碳排放效率的考察［J］.調研世界，2023（1）：14-21.

［31］ 申云，洪程程.數字普惠金融與農業綠色低碳發展：水平測度和機制檢驗［J］.金融理論與實踐，2023（1）：45-60.

［32］ 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（4）：1401-1418.

［33］ BERNANKE B S，GERTLER M，GILCHRIST S. The financial accelerator in a quantitative business cycle framework［J］. Handbook of Macroeconomics，1999，1：1341-1393.

［34］ SARMA M， PAIS J. Financial inclusion and development［J］. Journal of International Development，2011，23（5）：613-628.

［35］ 宋曉玲.數字普惠金融縮小城鄉收入差距的實證檢驗［J］.財經科學，2017（6）：14-25.

［36］ 于學霆.數字普惠金融與城鄉收入差距——基于重慶37個區縣面板數據的實證分析［J］.重慶三峽學院學報，2023（6）：71-85.

［37］ 滕磊，馬德功.數字金融能夠促進高質量發展嗎？［J］.統計研究，2020（11）：80-92.

［38］ 李楊，程斌琪.金融科技發展驅動中國經濟增長：度量與作用機制［J］.廣東社會科學，2018（3）：44-52.

［39］ 何宏慶.數字金融：經濟高質量發展的重要驅動［J］.西安財經學院學報，2019（2）：45-51.

［40］ 薛瑩，胡堅.金融科技助推經濟高質量發展：理論邏輯、實踐基礎與路徑選擇［J］.改革，2020（3）：53-62.

［41］ 路啟梅.金融科技影響制造業轉型升級的空間效應研究［J］.重慶文理學院學報（社會科學版），2021（3）：78-91.

［42］ 戰明華，湯顏菲，李帥.數字金融發展、渠道效應差異和貨幣政策傳導效果［J］.經濟研究，2020（6）：22-38.

［44］ KAYA Y， YOKOBORI K. Environment， energy and economy： strategies for sustainability［M］. Tokyo： United Nations University Press，1997：99-122.

［44］ MIELNIK O， GOLDEMBERG J. Communication the evolution of the “carbonization index” in developing countries［J］.1999，27（5）：307-308.

［45］ ANG B W. Is the energy intensity a less useful indicator than the carbon factor in the study of climate change？［J］.Fuel amp; Energy Abstracts，2000，41（4）：245.

［46］ ZHOU P， ANG B W， HAN J Y. Total factor carbon emission performance： a Malmquist index analysis［J］. Energy Economics，2010，32（1）：194-201.

［47］ RAMANATHAN R.Combining indicators of energy consumption and CO2 emissions： across country comparison［J］. International Journal of Global Energy Issues，2002，17（3）：214-227.

［48］ FAERE R， GROSSKOPF S， LOVELL C， et al. Multilateral productivity comparisons when some outputs are undesirable： a nonparametric approach［J］. Review of Economics and Statistics，1989，71（1）：90-98.

［49］ RAGIN C C. Set relations in social research：evaluating their consistency and coverage［J］. Political Analysis，2006，14（3）：291-310.

［50］ GARCIA-CASTRO R， MIGUEL A. ARINO. A general approach to panel data set-theoretic research［J］. International Journal of Management amp; Decision Making，2016，1（1）：11-41.

［51］ RAGIN C C， STRAND S I， RUBINSON C. User’s guide to fuzzy-set/qualitative comparative analysis［J］. University of Arizona，2008（87）：1-87.

［52］ RAGIN C C. Fuzzy-set social science［M］. Chicago： University of Chicago Press Economics Books，2000.

［53］ 馬大來，陳仲常，王玲.中國省際碳排放效率的空間計量［J］.中國人口·資源與環境，2015（1）：67-77.

［54］ 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.

［55］ 程豪.碳排放怎么算？——《2006年IPCC國家溫室氣體清單指南》［J］.中國統計，2014（11）：28-30.

［56］ 杜運周，賈良定.組態視角與定性比較分析（QCA）：管理學研究的一條新道路［J］.管理世界，2017（6）：155-167.

［57］ 張明，杜運周.組織與管理研究中QCA方法的應用：定位、策略和方向［J］.管理學報，2019（9）：1312-1323.

［58］ GUEDES M J， GONCALVES V D C， SOARES N， et al. UK evidence for the determinants of Ramp;D intensity from a panel fsQCA［J］. Journal of Business Research，2016，69（11）：5431-5436.

［59］ SCHNEIDER C Q， WAGEMANN C. Set-theoretic methods for the social sciences： a guide to qualitative comparative analysis［M］. Cambridge： Cambridge University Press，2012：284-295，281.

［60］ 熊豪，王琴，黃大勇.數字金融、科技創新對經濟增長的影響——基于成渝地區雙城經濟圈面板數據實證［J］. 重慶文理學院學報（社會科學版），2023（3）：67-78.

責任編輯：吳" "強；校對：羅清戀

Research on the Impact Path of Digital Finance on Carbon Emission Efficiency： A Dynamic QCA Analysis Based on Provincial Panel

ZHAO Chenyuan， FENG Aihui

（Economics and Finance School， Chongqing University of Technology， Banan Chongqing 400054， China）

Abstract： Carbon peaking and carbon neutrality is a comprehensive and profound socio-economic change， and in the era of digital economy， digital empowerment is of great significance to improve carbon emission efficiency. Taking 30 provincial panel data in China from 2011 to 2021 as research samples， the dynamic QCA qualitative comparative analysis method with vertical and horizontal dimensions was applied to explore the optimization path of improving carbon emission efficiency through different combinations of 10 secondary indicators， including environmental regulation and digital finance coverage breadth， from three dimensions： external environment， development level， and digital finance. The study shows that： first， the digital finance sub-dimension can effectively improve carbon emission efficiency， but its payment dimension plays the biggest role in some regions with low digital finance level; second， the deep integration of digital finance with scientific and technological innovation as well as environmental regulation can effectively improve carbon emission efficiency in recent years; third， through the examination of the consistency distances between and within groups， although the consistency distances between groups are not higher than 0.2， and do not show a significant time effect， but the necessity of its conditional variables is increasing year by year; fourth， there are four key types that can effectively improve carbon emission efficiency， including the digital innovation driven type to be optimized， the digital financial platform deepening type， the synergistic development type of digital innovation and the environment to be optimized， and the digital science and technology innovation type， and there is obvious regional heterogeneity among the four types.

Key words： digital finance; carbon emission efficiency; non-radial direction distance function; dynamic QCA analysis

收稿日期：2023-12-28

基金項目：國家社會科學基金西部項目“中美貿易政策不確定性對我國先進制造業全球價值鏈分工影響與應對研究”（22XJY010）；重慶市社會科學規劃項目“重慶市城鄉區域經濟協調發展研究”（2019QNJJ18）；重慶理工大學研究生教育高質量發展行動計劃資助項目（gzlcx20222066）。

作者簡介：趙宸元（1985—），男，重慶巴南人，副教授，博士，碩士生導師，主要從事數字金融與碳金融研究。

通信作者：馮愛惠（1999—），女，重慶渝北人，碩士研究生，主要從事數字金融與碳金融研究。