數字金融發展對城市碳排放效率的影響機制
——基于中國279 個城市的經驗證據

王玉燕，曹鈺華

（1.安徽大學 創新發展戰略研究院，安徽 合肥 230039；2.安徽大學 經濟學院，安徽 合肥 230601）

一、引言

黨的二十大報告指出，推動經濟社會發展綠色化、低碳化是實現高質量發展的關鍵環節?！?022 年世界能源統計報告》顯示，2021 年中國能源消費量的年均增長率為7.1%，總量占全球的26.5%；能源產生的二氧化碳排放量的年均增長率為5.8%，總量占全球的31.1%①《2022 年世界能源統計報告》，https：//max.book118.com/html/2022/1007/8006054013005001.shtm。。由此可見，中國的能源消費以及碳排放距離實現“雙碳”目標依然有很長的路要走。因此降低二氧化碳排放量、提高碳排放效率，是中國推進生態文明建設、發展環境友好型低碳經濟的重要途徑。

隨著新一輪科技革命持續推進，以大數據、云計算為代表的新一代信息技術迅速發展，數字金融這種新型金融模式應運而生［1］。數字技術與傳統金融的深度融合，能夠充分發揮廣覆蓋、低門檻、高效率等優勢提高資源配置效率，提升區域創新水平，成為推動經濟高質量發展的新動能［2-3］。然而，能源利用率、碳排放效率長期位于低水平卻阻礙了經濟的高質量發展，因此，如何提升碳排放效率成為當務之急。目前學術界關于碳排放效率的研究大多集中在碳排放效率測算以及出口貿易、科技創新、環境規制等要素對碳排放效率的影響上，且大多用單一指標衡量碳排放效率［4］。史丹［5］采用了單要素指標的衡量方法，但由于碳排放還與地區經濟結構、經濟發展水平和資源稟賦等有關，所以該方法尚存在不足；隨后有學者基于DEA 動態行為分析模型對中國工業碳排放以及地區碳排放效率進行研究，發現環境規制、能源使用會對中國的碳排放效率產生影響［6-8］；除此之外，還有學者通過構建非期望產出的超效率SBM 模型計算碳排放效率，研究發現出口貿易與碳排放效率之間存在非線性關系［9-10］；還有學者研究發現，科技創新可以促進“一帶一路”沿線國家的碳排放效率提升，而產業結構、城鎮化率等對碳排放效率起到負向作用［11-12］。

針對傳統金融與碳排放效率之間的關系，學界也有較為豐富的研究。有學者研究發現金融發展能顯著降低地區碳排放，進而提高碳排放效率［13］；也有學者發現二者之間并非單一的線性關系，信貸規模與碳排放之間呈現倒“U”型關系，而外商投資與碳排放之間則呈現“U”型關系［14-15］。與之相反的觀點則認為，金融與碳排放效率之間為負向關系，通過構建空間面板模型發現：金融規模的擴大雖然能帶來技術進步，但同時也帶來了能源需求量的增加，能源利用率的低下導致碳排放量的增加，從而降低了碳排放效率［16-17］。

數字金融作為傳統金融與數字技術相結合的產物，保留了傳統金融的部分特征，因此傳統金融與碳排放關系的相關文獻也為研究數字金融與碳排放效率的關系提供了思路。目前也有少量研究數字金融與環境之間關系的文獻，如王文靜和胡辰凈［18］通過構建省級面板數據進行實證研究發現，數字金融能提升金融服務效率，通過降低碳排放進而提升地區全要素生產率，數字金融在初期會增加碳排放量，而后期會降低碳排放量；許釗等［19］通過實證研究發現，數字金融具有雙門檻的污染減排效應。但值得注意的是，碳排放量的減少并非意味著碳排放效率的提升。一方面，數字金融具有的低門檻、高效率、便利性等特性能通過提升企業綠色表現、增加銀行綠色信貸等方式提升碳排放效率［20］；另一方面，數字技術的發展離不開數字基礎設施的建設，而這些往往是高能耗、高污染設施，易產生“數字污染”，對碳排放效率起抑制作用?；诖?，本文試圖研究數字金融發展對城市碳排放效率的作用效果，并進一步探討兩者之間的機制路徑。本文可能的邊際貢獻在于：第一，本文從數字經濟視角出發，豐富了數字金融與碳排放效率之間關系的相關研究；第二，本文采用非期望產出的SBM 模型對碳排放效率進行測算，該方法能夠避免由于徑向以及角度度量引起的偏差，并且考慮到生產過程中非期望產出因素的影響，可以更好反映效率評價的本質；第三，本文基于中國279 個城市面板數據構建雙固定模型和空間模型，從理論和實證兩方面探討數字金融與碳排放效率之間的作用機制，以及數字金融的發展在空間上對毗鄰地區碳排放效率所產生的影響。

二、理論機制

（一）數字金融對碳排放效率的直接機制

傳統金融與數字技術等信息技術結合催生了數字金融，數字金融的快速發展為綠色發展注入了新動能。持續推進低碳綠色發展，不僅要加快低碳產業體系的構建，更重要的是發揮企業以及個人等微觀主體的作用。首先，數字金融依托于大數據、云計算、區塊鏈等新型數字技術，一方面能夠提高碳交易市場的透明度以及運行效率，實現碳交易的去中心化和自動化，從而降低交易成本、提高交易效率；另一方面，數字金融依托于數字技術，能夠實現對企業的實時監測和對能源消耗、碳排放情況的分析，幫助企業實現更高效的能源管理和更有效的碳減排，進而提升碳排放的經濟效率。其次，數字金融的發展在一定程度上改變了居民的生活方式。共享經濟、線上支付等模式讓金融服務效率大大提升，讓綠色消費逐漸滲入日常生活中，推動了居民消費結構的轉型升級，從而在不犧牲經濟增長的情況下降低碳排放量。最后，數字金融能夠推動碳交易、碳減排項目的發展，可以在無形中增加公眾參與低碳經濟的比例，如支付寶App 中的“螞蟻森林”作為碳普惠公益項目，能夠將看不見的“綠色能量”轉化為看得見的“荒漠種樹”，通過讓普通居民參與到保護環境的行動中來激勵個人踐行綠色低碳理念，為提升城市碳排放效率貢獻一份力。

基于此，本文提出假設H1：數字金融的發展能夠提升城市碳排放效率。

（二）數字金融對碳排放效率的間接機制

1.綠色技術創新水平

綠色技術創新是綠色低碳發展的核心動力，技術創新離不開金融的支持，但現階段中國金融市場發展尚不完善，傳統金融“嫌貧愛富”的特征使其更愿意為大企業提供資金，長尾客戶的資金需求往往無法滿足［2，21］?，F實情況是，大多數技術創新主體是創新型企業，這些企業規模相對較小且經營風險較大；同時，創新項目尤其是綠色創新項目大多數具有周期長、風險高、資金需求大等特點，傳統金融機構往往不愿意提供服務，而數字金融則更具包容性特點，能為這些項目提供資金支持。除此之外，為推動綠色轉型升級，政府針對綠色項目會設立專項資金、貸款優惠等政策，一些企業為了享受優惠政策，會故意“偽造”綠色項目，也因此提高了金融機構的識別成本以及監管成本；而數字金融則能夠依托數字技術，準確識別這些項目的“可行性”，引導資金流向低耗產業，并且在提供資金的過程中對資金需求方建立有效的審查、追蹤以及監督機制，降低逆向選擇發生的可能性，提高資金的使用效率，為小微企業緩解融資難、融資貴問題，以便更好地開展綠色創新活動，提高綠色創新績效。另外，數字金融還能對綠色金融應用進行推廣和普及，通過互聯網金融平臺、移動支付、電商等渠道，推廣綠色產品與服務，激勵企業進行綠色技術創新活動，促進綠色技術的創新和發展，從而提升碳排放效率。

基于此，本文提出假設H2：數字金融能夠緩解融資約束，引導資金流向綠色創新項目，提高區域綠色技術創新水平，進而提升碳排放效率。

2.產業結構優化升級

產業結構與經濟發展二者相互影響，相互促進［22］。產業結構調整在一定程度上能夠反映生產要素在各部門之間的變化情況，這不僅是一個地區經濟發展模式的映射，也是一個地區的“污染控制體”［23］。首先，產業結構的優化離不開金融的支持，數字金融的發展不僅能直接為企業提供資金支持，還可以倒逼傳統金融機構進行數字轉型，既推動了金融結構升級，還可以滿足產業轉型調整過程中的融資需求，助推傳統產業向低能耗、低污染、低排放方向轉型，賦能新興產業發展，提高經濟效率，從而帶動碳排放效率提高。其次，數字金融能夠實現對偏遠落后地區的覆蓋，為這些地區提供金融服務，從而推動當地的產業發展和產業結構升級。最后，數字金融可以通過大數據、云計算等技術收集并分析消費者的偏好，實現生產端基于分析結果對自身結構的調整優化，由此催生新型產業、新交易模式的誕生，為提升城市碳排放效率提供助力。

基于此，本文提出假設H3：數字金融能夠加速落后產業淘汰，推動新興產業發展，優化產業結構，從而提升碳排放效率。

3.市場化水平

數字金融的發展離不開市場的強力支持，市場化程度也會受到數字金融的影響［24-25］。一方面，數字金融能夠發揮長尾效應以及雙邊市場效應，增加各地區的就業機會，吸引勞動力流入城市，推動勞動力要素的市場化配置；同時，數字金融基于數字技術，可以拓寬覆蓋范圍，提高服務效率，緩解由于傳統金融發展不充分不完全所帶來的“馬太效應”，優化資本要素的市場化配置。因此，數字金融能夠推動市場化的進程。另一方面，良好的市場環境能夠優化技術密集型產業的資源配置，讓資源從高耗能、高污染、低效率的傳統產業流向低耗能、低污染、高效率的新興產業［26］；市場化水平的提高意味著政府干預程度的降低與營商環境的優化，因此能夠發揮規模經濟效應和知識溢出效應，有助于不同地區間的企業展開合作和競爭，這既能幫助綠色技術在不同地區間流轉，又能倒逼落后產業進行綠色技術革新，進而提高碳排放效率。

基于此，本文提出假設H4：數字金融能夠優化勞動力要素和資本要素的市場配置，推進市場化水平，進而提升碳排放效率。

三、模型設定與數據來源

（一）模型設定

1.基準模型

根據前文理論分析，為驗證數字金融與碳排放效率之間的關系，本文構建以下基準回歸模型：

其中，tpi，t為i城市在t年的碳排放效率，lndfi，t為i城市在t年的數字金融水平，controlsi，t為全部控制變量，μi代表城市虛擬變量，νt代表時間虛擬變量，εi，t為隨機擾動項。根據前文分析，α0為常數項系數；α1為正值說明數字金融與碳排放效率之間為正向關系，負值則兩者之間為負向關系；α2為控制變量的回歸系數。

2.機制模型

為進一步分析數字金融影響碳排放效率的機制路徑，本文參考溫忠麟和葉寶娟［26］的研究方法，構建如下模型來檢驗機制：

其中，Mi，t為機制變量，為綠色技術創新水平、產業結構優化升級以及市場化水平，其他變量含義同模型（1）。

（二）變量選取及指標度量

1.被解釋變量

碳排放效率（tp）。學界對于碳排放效率的測度方法較多，考慮到實際生產過程中投入與產出很難做到同比例變化，且會有非期望的產出即二氧化碳的產出，本文選取非期望產出的超效率SBM模型測算區域碳排放效率，具體計算方式如下：

其中，tp為城市碳排放效率，q為投入要素種類，g和b分別是期望產出和非期望產出的符號，分別為各城市i的要素總投入、期望產出和非期望產出；為要素投入，包括資本投入、能源投入以及勞動投入。參考江三良和鹿才保［27］的做法，資本投入采用永續盤存法計算出各城市資本投入存量作為其代理變量，能源投入采用各城市能源投入總量進行衡量，勞動投入采用各城市年末城鎮就業人口進行衡量。sg為期望產出不足的松弛變量，采用各城市GDP 進行衡量。sb為非期望產出過剩的松弛變量，用各城市二氧化碳排放總量進行衡量。X為要素總投入，Yg和Yb分別代表總體非期望產出和期望產出，λ 為決策單位權重。

2.核心解釋變量

數字金融（lndf）。本文選擇北京大學數字金融研究中心與螞蟻科技集團研究院共同編制的中國數字普惠金融指數（2011—2020 年）來衡量中國各城市的數字金融發展水平，這也是目前衡量數字金融發展水平較為權威的方法［1，28］。該指數基于螞蟻金服的微觀交易數據，從數字金融的覆蓋廣度（coverage）、使用深度（deepth）以及數字化程度（digital）三個維度來進行衡量，更全面地測度了中國數字金融的發展水平。由于該指數與本文中其他變量數值差距較大，因此本文對該指數及其子指數均作對數處理。

3.機制變量

參考現有文獻，本文對機制變量選取如下：（1）綠色技術創新水平（lngin）。本文參考徐佳和崔靜波［29］的做法，選取城市綠色專利申請數量作為代理變量，原因是專利數量不易被篡改，相對準確可靠。（2）產業結構優化升級（lnais）。本文參考汪偉等［30］的做法，采用產業結構層次系數對產業結構轉型升級進行測度，能夠客觀合理地反映三次產業之間的升級情況。（3）市場化水平（lnml）。本文參考白俊紅和劉宇英［31］的做法，采用樊綱和王小魯［32］計算出的各城市的市場化總指數作為市場化水平的代理變量，該指數包含市場化的五個方面，也是目前對市場化水平較為合理的評估數據。為避免機制變量與核心變量之間差距過大，本文均進行對數處理。

4.控制變量

參考現有文獻，本文選取以下7 個控制變量，將其納入回歸模型：（1）對外開放程度（open），采取地區進出口貿易總額占該地區GDP 總額的比重進行測度；（2）城市道路基礎設施（inf），采用城市道路面積與行政面積的比值進行衡量；（3）社會經濟發展水平（lnpgdp），采用地區人均GDP 的對數值來衡量；（4）政府支出（gove），采用地方財政支出與該地區GDP 總量的比值作為代理變量；（5）人口規模（lnpeo），采用地區常住人口的對數值作為代理變量；（6）城鄉差距（dis），采取一地農村居民可支配收入與城鎮居民可支配收入之比進行衡量；（7）環境規制（er），采用國務院政府工作報告中出現的關于環境的詞匯、詞頻數與地級市政府工作報告中的相關詞匯、詞頻數之比進行衡量。同時，為了控制宏觀層面部分因素的變化，本文控制了城市固定效應和年份固定效應。

5.描述性統計

表1 報告了本文主要變量的描述性統計。觀察表1 可以看到：碳排放效率的最大值與最小值差別較大，說明近年來各城市碳排放效率得到提升；數字金融的相關變量標準差較大，說明從2011 年到2020 年，各城市之間的數字金融水平差距較大，存在發展不平衡的問題。此外，各控制變量的描述性統計結果也顯示不同城市各方面的發展狀況有較大差異，與中國發展不平衡不充分的國情相符。

表1 主要變量描述性統計

（三）樣本選擇與數據來源

本文選擇中國279 個城市作為研究對象，并與數字金融指數的起始年限（2011—2020）進行匹配，構建面板數據，最終得到2 790 個研究樣本。碳排放效率等相關變量的構建數據來自中國碳核算數據庫（CEADs）、《中國城市統計年鑒》以及各城市的統計年鑒；數字金融指數及其子指數來自北京大學的中國數字普惠金融指數；控制變量的相關代理變量來源于各地級市統計年鑒、Wind 數據庫以及國泰安CSMAR 數據庫；其他機制變量的代理變量來自中國研究數據服務平臺（CNRDS）、《中國分省份市場化指數報告（2021）》及各地級市統計年鑒。部分缺失數據采用線性插值法進行補充。

（四）實證分析

1.基準回歸結果

在進行基準回歸前，由于本文被解釋變量是采取多數據綜合測度得到的，因此先進行多重共線性檢驗，最終得到VIF值為1.54，遠小于10，故排除多重共線性的影響?；谇拔闹械哪Ｐ?，本文進行驗證H1，最終得到回歸結果如表2 所示。列（1）為OLS 得到的估計結果，列（2）為不固定年份及個體得到的結果，列（3）為隨機效應得到的估計結果，列（4）為雙固定效應得到的結果。其中，Hausman 檢驗結果的p值為0.000，故本文最終選用固定效應模型。觀察表2 可以得到，在控制時間及地區后，回歸結果在1%水平上顯著為正，說明數字金融的發展能夠提升城市的碳排放效率，H1 得以驗證。觀察控制變量的結果發現：城市道路基礎設施與碳排放效率呈負向關系，說明城市道路基礎設施越好，居民會傾向于增加出行，進而導致碳排放效率的下降；社會經濟發展水平以及人口規模與城市碳排放效率之間系數也為負，說明隨著經濟發展，居民更注重高品質生活，消費也在增加，因此導致能源消耗量的增加，進而造成碳排放效率的降低；政府支出、環境規制與碳排放效率顯著為正，說明在提升碳排放效率中，政府對環境的干預以及環境規制的實施在一定程度上能夠發揮作用，推動地方綠色發展。

表2 基準回歸結果

2.穩健性檢驗

（1）剔除直轄市。由于北京、上海、天津、重慶4 個直轄市的綜合發展水平明顯優于其他城市，相關設施較為齊全，相應地，數字金融的發展水平也相對較高，為避免所選樣本間因經濟發展水平差異太大而帶來的回歸結果偏差，本文將4 個直轄市從樣本中剔除，結果如表3 的列（1）所示。

表3 穩健性檢驗結果

（2）替換被解釋變量。相較于對碳排放效率的作用，數字金融對碳排放強度的作用效果可能更加明顯，因此，本文用人均二氧化碳排放量來替代碳排放效率。若數字金融與其系數顯著為負，則證明數字金融的發展能夠降低碳排放，因此可證明基準結果的穩健性，結果如表3 列（2）所示。

（3）縮尾處理。因數據可能存在異常值，為避免對估計結果產生影響，從數據穩健性角度考慮，需要縮尾處理后再進行回歸檢驗，因此本文對被解釋變量在1%水平上進行縮尾處理，排除數據異常值的干擾，結果如表3 列（3）所示。

（4）更換模型。為了避免雙向因果、遺漏變量等問題帶來估計誤差，本文構建系統GMM 模型替換雙固定模型，其中AR（2）值不顯著，表明結果接受原假設，即“擾動項無自相關”；Hansen值為0.268，接受原假設，表明選取的工具變量是有效的。估計結果如表3 列（4）所示。

（5）內生性檢驗。系統GMM 模型一定程度上可緩解由于雙向因果等因素帶來的內生性問題，然而數字金融與碳排放效率之間可能還存在其他內生性問題，因此本文采用2SLS 方法來進一步解決。參考張勛等［33］的做法，本文將工具變量與全國層面數字金融指數平均值進行交互，作為可以隨時間變化的新工具變量。不可識別檢驗結果：Kleibergen-Paap rk LM 統計量值為495.39，p值為0.00，因此強烈拒絕不可識別原假設；弱工具變量檢驗結果：Kleibergen-Paap rk Wald F 統計量值為247.43，Cragg-Donald Wald F 統計量值為1 543.33，均高于10%顯著性水平下的臨界值16.38，不存在弱工具變量。估計結果如表3 列（5）所示。觀察表3 的全部估計結果，可以得到數字金融的系數均在5%水平及以下顯著，說明數字金融的確對城市碳排放效率起到正向提升作用，也驗證了前文基準回歸結果的可靠性。

（五）機制分析

為理清數字金融對碳排放效率的作用機制，本文通過前文機制模型對綠色效應、創業激勵效應以及能源效應進行檢驗，估計結果如表4 所示。整體來看，表4 列（2）、列（4）、列（6）中數字金融的系數均小于基準回歸結果系數（0.421），表明這三個機制在提升碳排放效率中均體現出部分中介作用，即均是數字金融影響碳排放效率的重要路徑。具體地，從綠色技術創新的角度來看：其中介效應占比為16.2%，表明數字金融能夠在一定程度上緩解企業融資約束，幫助企業開展綠色技術創新活動，觸發綠色創新補償機制，發揮提升碳排放效率的作用；從產業結構的角度來看：其中介效應占比為21%，數字金融基于新型信息技術，推動高污染、高耗能企業進行綠色轉型，發展新興產業，優化產業結構，在不犧牲經濟增長的情況下降低碳排放，提高能源利用效率，進而提升城市碳排放效率；從市場化進程的角度來看：其中介效應占比為24.2%，數字金融的發展能夠緩解區域發展不平衡，提高資源配置效率，提升市場化程度，倒逼企業進行更加高效、綠色的生產，因此在消耗同樣能源總量的情況下帶來更高的經濟效益，城市碳排放效率得以提高。至此，H2 至H4 均得到驗證。

表4 機制結果

四、進一步分析

（一）異質性分析

1.數字金融不同維度的異質性

數字金融由三個維度構成，分別為覆蓋廣度（coverage）、使用深度（deepth）以及數字化程度（digital）。數字金融整體對城市碳排放效率發揮正向作用，那三個維度對碳排放效率的作用效果是否也是如此？基于此，本文進行估計分析，得到結果如表5。通過觀察發現，這三個維度中覆蓋廣度提升碳排放效率的作用效果最好，在1%水平上顯著為正，系數也最大；使用深度的系數則在5%水平上顯著為正；而數字化程度對碳排放效率作用雖然為負，但并不顯著。這說明，數字金融主要通過彌補傳統金融服務對象較少的不足來充分發揮普惠性。與此同時還需注意，數字金融的發展離不開數字基礎設施的支持，而數字基礎設施的完善會帶來高能耗的“數字污染”，因此數字化程度對碳排放效率呈抑制作用。

表5 異質性結果一

2.地區的異質性

通常不同地理區位間的經濟發展水平、政策扶持力度等均有差異，數字金融與碳排放效率之間的關系可能也存在差異，因此，本文參考國家統計局關于經濟地帶的劃分將樣本城市分為東部、中西部兩個部分①統計中所涉及東部、中西部的具體劃分為：東部?。ㄊ校┌ū本?、天津、河北、上海、江蘇、浙江、福建、山東、廣東、海南、遼寧、吉林和黑龍江；中西部?。▍^、市）包括山西、安徽、江西、河南、湖北、湖南、內蒙古、廣西、重慶、四川、貴州、云南、西藏、陜西、甘肅、青海、寧夏和新疆。，并分別進行回歸，估計結果如表5 列（4）、列（5）所示。根據回歸結果可知，相對于中西部地區，數字金融在東部地區的碳排放效率提升效應更加顯著。原因可能是東部地區較為發達，各種基礎設施、制度環境等也處于優勢地位，數字金融與各產業的適配度高，更易發揮出數字金融對碳排放效率的促進作用。中西部地區雖然提升效應不顯著，但系數依舊為正，說明數字金融在中西部地區也能夠促進碳排放效率的提高，不顯著的原因可能是數字金融在中西部地區發展較為緩慢，相較東部地區處于落后水平，因此只能在一定程度上提升碳排放效率。

3.城市的異質性

雖然東部地區整體發展要優于中西部地區，但同區域內部城市之間的經濟水平依然存在較大的差別，本文參考尹志超等［34］的做法，按照新一線城市研究所公布的2022 年城市排行榜，將樣本城市劃分為一二線城市、三線城市和三線以下其他城市共三組，最終得到的估計結果如表6 所示。具體來看，在一二線城市，數字金融抑制碳排放效率，而在三線及以下城市則為顯著促進作用?？赡艽嬖谝韵略颍阂环矫?，一二線城市的數字技術水平較高，相關的數字基礎設施更完善，而這些基礎設施通常會帶來更高的能耗以及碳排放量；另一方面，相較于三線及以下城市，一二線城市的經濟上升空間相對較小，同樣的能源消耗量在一二線城市帶來的經濟效益提升較小，因此造成碳排放效率的下降。此外，三線城市的相關系數大于三線以下其他城市的系數，這可能是因為后者的數字金融水平比前者低，對碳排放效率的作用效果也因此差于前者。

表6 異質性結果二

4.資源稟賦的異質性

由于經濟發展的資源依賴存在差異，數字金融對碳排放效率的作用效果也會有所不同。因此，本文根據國務院印發的《全國資源型城市可持續發展規劃（2013—2020 年）》，將樣本城市劃分為資源型城市和非資源型城市，并進行回歸，結果如表6 所示。結果表明，在資源型城市，數字金融的系數值以及顯著性水平更高。因為資源型城市通常是重工業產業城市，進行綠色轉型難度較大，且大多數資源型城市的發展均伴隨著資源過度使用以及二氧化碳大量排放問題，因此相對非資源型城市來說，資源型城市的碳排放效率更低。而數字金融的發展能夠為這些重工業產業緩解融資約束，提高綠色技術創新能力，幫助產業從高污染、高排放產業向低污染、低排放、高效益轉變，幫助其擺脫對資源的依賴，從而推動資源型城市發展低碳經濟，提升碳排放效率。

（二）空間溢出效應

通常二氧化碳的排放會對周邊地區產生影響，為了觀察數字金融對碳排放效率的作用效果是否存在空間溢出效應，本文進一步構建空間模型進行分析，模型如下：

其中，Xi，t為控制變量，其他變量含義與模型（1）相同?？紤]到二氧化碳容易對毗鄰地區產生影響，本文基于地理距離矩陣進行回歸分析。在對模型進行回歸前，本文用莫蘭指數來檢驗數字金融與碳排放效率的相關性，結果表明除了2015 年和2016 年不顯著，其他年份均顯著，表明相鄰城市間確實存在空間溢出效應。為進一步選擇合適的空間模型，本文分別進行了LM 檢驗、Hausman 檢驗以及LR 檢驗和Wald 檢驗。首先，LM 檢驗結果表明空間誤差模型的LM 和Robust LM 檢驗結果為7.405 和2.717，分別在1%和10%水平上顯著，即拒絕空間誤差模型；空間滯后模型的LM 和Robust LM 檢驗結果為7.104 和2.417，也是分別在1%和10%水平上顯著，即拒絕空間滯后模型。因此，本文選擇構建空間杜賓模型。其次，Hausman 檢驗結果為51.01，且在1%水平上顯著，則表明相較于隨機效應模型，固定效應模型更合適。最后，LR 檢驗和Wald 檢驗結果均在1%水平上顯著，表明空間杜賓模型不會退化為空間誤差模型以及空間滯后模型。綜合以上檢驗結果，本文最終選擇雙固定的空間杜賓模型進行檢驗，估計結果如表7 所示。

表7 空間溢出結果

從表7 可知，加入空間矩陣后，數字金融對碳排放效率的影響依舊顯著為正，也證明前文回歸結果的穩健性。無論是直接效應還是間接效應均顯著，說明數字金融對碳排放效率的影響確實存在空間溢出作用。其中，直接效應在1%水平上顯著為正，即本地數字金融的發展能夠促進本地碳排放效率的提升；間接效應在10%水平上顯著為正，表明本地數字金融的發展對相鄰地區的碳排放效率也產生積極影響。這也從側面表明，隨著數字金融的發展，相鄰城市間的企業、政府等行為主體能夠利用大數據、區塊鏈等信息技術相互學習交流，強化綠色技術創新效應、產業結構優化效應以及市場化效應對碳排放效率的提升作用，減少了“以鄰為壑”的現象出現。

五、研究結論與政策建議

（一）研究結論

本文基于2011—2020 年中國279 個城市為研究樣本，采用非期望產出的超效率SBM 模型測度碳排放效率，分別從理論和實證層面探究了數字金融對碳排放效率的影響機制。研究表明：第一，總體而言，數字金融能夠提升碳排放效率，主要通過激勵綠色技術創新、優化產業結構以及推動市場化進程來提升城市碳排放效率水平。第二，異質性結果表明，在數字金融發展水平高的地區，相關的數字基礎設施會帶來高污染，不利于碳排放效率的提升；而在數字金融發展水平較低的地區，數字金融對碳排放效率的提升作用并不顯著；對于資源型城市來說，數字金融能夠通過緩解融資約束，引導資金流向綠色產業，助力高排放、高污染行業進行綠色轉型，從而對碳排放效率的提升作用更加顯著。第三，通過構建空間模型發現，數字金融對碳排放效率的提升具有正向溢出作用，數字金融的發展帶來了數字技術的進步，相鄰城市間能夠打破限制、相互學習，從而提升碳排放效率，助推低碳經濟發展。

（二）政策建議

結合本文研究結論，提出以下政策建議：（1）深入推動數字金融創新發展，助力實現“雙碳”目標，離不開綠色產業、金融市場以及數字技術協同作用。充分發揮數字金融緩解信息不對稱、改善資源錯配、引導資金流向綠色產業的功能，最大限度發揮其激勵綠色技術創新、優化產業結構以及推進市場化進程等方面的作用，為各地區發展綠色經濟提供金融支持與保障。（2）為推動不同區域數字金融的協調發展、縮小區域間的數字鴻溝，政府要大力普及數字金融相關知識，拓寬數字金融覆蓋廣度以及使用深度，提升全民對數字金融的接受度，并將數字金融的使用落實到日常生活中；與此同時，要注意數字金融相關設施具有一定的能源消耗特性，因此在完善數字金融設施的同時要避免粗放式增長帶來“數字污染”；最后，要發掘資源型城市的綠色發展潛力，讓數字金融更好地服務于高污染、高排放行業的低碳轉型，擺脫“資源詛咒”。（3）加強相鄰城市間節能減排的合作，發揮數字金融對“本地—鄰地”碳排放效率提升的輻射作用。充分發揮“學習效應”，讓明星綠色城市帶動周邊城市的綠色發展，通過數字技術創新跨區域污染減排聯動機制，實現區域碳排放效率的增質提效。