数字金融对区域绿色创新效率影响的空间计量分析

尹飞霄

（义乌工商职业技术学院经济管理学院，浙江 义乌322000）

一、引言

科技是第一生产力，技术创新作为经济增长的根本动力，推动着中国经济持续快速发展是中国改革开放40 多年的经验总结。党的十八大提出“科技创新是提高社会生产力和综合国力的战略支撑，必须摆在国家发展全局的核心位置”强调要坚持走中国特色自主创新道路、实施创新驱动发展战略。同时，伴随我国经济进入增长速度换挡期、新旧动能转换期和提质增效过渡期、疫情对冲期，多期叠加使我国经济社会发展面临着前所未有的困难、问题和挑战，而这些问题的解决归根结底需要依靠创新。然而，传统的技术创新在促进国内经济迅速增长的同时，高投入、低效率的粗放型增长模式也使得国内生态环境遭受严重的破坏，导致经济发展与生态环境出现不协调的现象[1]。报告显示，中国的环境绩效指数在全球180 个经济体中居第120 位，而空气质量指数则居第177 位[2]。如此反映出我国经济迅速增长带来的环境负面效应的严重性。所幸的是，政府和学界对此达成共识，已把生态文明建设摆在突出地位，并创新性地提出“创新、协调、绿色、开放、共享”的发展理念，构建绿色技术创新体系，推进绿色发展，并将此写入十九大报告。所谓绿色创新是指以新知识、新技术来实现经济社会发展效益，同时降低环境污染，促进经济和环境的协调发展。实施绿色创新的核心是提高创新要素、资源的利用和配置效率，减少经济增长的环境污染效应，关键在于绿色创新水平的提升和绿色创新效率的提高。

但创新尤其是绿色创新，技术要求高，项目资金需求大，不确定程度高[3]，属于资金密集型投资行为，仅依靠自由资金或政府财政支持往往难以满足需求，必须依靠强大的金融市场。然而，长期以来我国金融市场存在的金融体系不完善、发展不充分、供需不平衡等深层次、结构性问题，已严重影响了技术创新[4]。与此同时，和一般创新投资项目行为相比，绿色创新活动具有更高的风险、更长的周期、更大的不确定性等特征，这与信贷资金追求安全、稳定的收益相矛盾。加上资金供需双方信息不对称，导致金融机构往往不愿意为高风险的绿色创新提供资金支持，使得正规金融部门供给相对不足[5]，导致绿色创新容易遭受外源性融资约束。

然而随着信息技术发展，科技革命、产业变革及产业化深度融合应用发展，许多数字化产品与服务应运而生。数字金融就是互联网、大数据、云计算、区块链及信息技术手段与传统金融服务业态相结合的新一代金融服务[6]。数字金融通过利用科技手段赋能金融产品，完善业务流程，拓宽金融服务边界，改造经营场景等，提高金融机构的服务效率与服务质量。同时，信息化手段的应用，使得金融监管手段日益先进和多样化，对资金风险容忍度也有所提高，为数字金融发展提供相对宽松的环境，使之快速发展，并暂时处于国际领先地位[7]。与此同时，近年来为推动大众创业、万众创新，提高区域创新创业活跃度，助推经济转型升级，我国政府高度重视数字普惠金融的发展，并出台了相关政策，为其发展指明了方向。而作为传统金融体系的重要、有力补充，数字金融具有“广覆盖、低成本、高效率”等诸多优势，在一定程度上能够改善传统金融环境，促进金融业实现普惠制发展，有助于缓解绿色创新融资约束，对推动区域绿色创新效率具有非常重要的意义与作用。

二、文献述评

虽然数字金融出现的时间并不长，囿于数字金融的科学测度，直到近几年才有文献涉及此领域的研究，但数字金融与创新的研究却快速成为现阶段国内外学者研究的热点。该领域相关文献可以概括为以下两类：一类是从宏观上考察数字金融与区域创新的关系。学者们认为数字金融通过其自身的技术和服务优势，利用网络平台吸纳社会闲散资金，扩大融资渠道，拓宽资金来源、增加融资数量，为区域创新活动主体提供资金支持，从而在一定程度上缓解了创新融资约束，丰富融资方式。该类研究结论基本一致：即总体上，数字金融综合指数和各维度指标对区域创新能力的提升具有明显的直接激励效应[8]，是提高区域创新水平的新动能[9]，且表现出较好的稳健性。不同之处在于数字金融创新效应的异质性和间接作用机制。一方面，由于区域之间数字金融发展不平衡，数字金融的区域创新效应具有区域异质性，其对商事制度改革前、中等城市、传统金融发展完善和人力资本水平高的城市效果更加明显[9]，而数字金融的普惠性使得其对中西部地区和正规金融欠发达地区的创新激励作用更佳[8]。另一方面，由于创新的影响因素较多，作用路径较复杂，数字金融具有区域创新间接效应，数字金融利用大数据、人工智能、云计算和区块链等先进技术进行信贷审批，减少人为干预，加快了审批进程，提高信贷效率。同时，数字金融通过缓解居民收入约束、提高支付便利性，促进居民消费。因此，数字金融将通过改善银行信贷效率和提高居民消费等中介变量间接促进区域创新能力的提高[9]。第二类是从微观视角探讨数字金融对企业技术创新的影响。数字金融利用网络大数据收集更多资金需求方的相关信息，并采用网络运营方式，可以节省传统信贷授信调查费、服务成本、手续费等非正规融资成本，提高市场运营效率，从而降低融资成本，一定程度上可以缓解“融资难”、“融资贵”等问题。数字金融通过示范效应、技术溢出效应和竞争效应带动产业链上下游企业进行学习、模仿和吸收，迫使竞争者进行变革，从而促进区域创新水平提升。因此，此类文献通常先分析数字金融对创新影响的微观理论机制，再将企业数据与宏观数字金融指数匹配以此进行实证分析。唐松等[10]基于2011-2017 年沪深两市A 股上市公司数据，分析数字金融发展对企业技术创新的影响及其内在机理。结果表明，数字金融发展，特别是数字金融深度发展指标对企业技术创新具有较好、较稳定的促进效果，并且这种促进效应具有普惠性，对金融发展较弱地区的企业技术创新效应显著。数字金融通过“融资约束与财务费用”和“杠杆与风险稳定”等中介变量间接影响企业技术创新产出，而适度监管使数字金融的企业技术创新效应更佳。万佳彧等[11]研究则表明，数字金融各维度对企业创新具有显著的正向激励效应，并且数字金融对中小企业和民营企业的创新激励效应效果更强，而融资约束在数字金融与企业创新活动中起中介作用。李春涛等[12]利用网络爬虫技术，以“金融科技”为关键词搜索百度词条，构建区域金融科技发展水平的衡量机制，使用2011-2016年新三板上市公司数据，考察数字金融对企业创新的影响及作用机制，发现数字金融能够通过缓解企业融资约束和提高税收返还额度显著促进企业创新，并且对东部地区和高科技行业作用更明显。

此外，有学者对金融发展与绿色创新效率进行了探讨。李诗琪、杨晨[13]在考虑环境约束的基础上，采用非期望产出的SBM 方法，测度2005-2015 年中国30 个省级区域创新效率，并采用Tobit 模型对金融发展与绿色创新效率之间关系进行实证分析，结果发现传统金融规模扩张和结构调整均对区域绿色创新效率具有显著的正向影响。

综上所述，尽管学者们就数字金融与创新的关系进行了非常有价值的研究与探讨，为本研究奠定了较好的基础，但仍然存在可以补充完善之处。文章可能的贡献主要在以下三点：第一，由于数字金融近年出现的新事物，其概念界定、科学测度等都处在摸索中，已有文献集中在数字金融与创新，未有学者涉及数字金融和区域绿色创新效率关系的研究。第二，事物之间往往具有空间相关性，从空间关联视角重新审视数字金融对区域绿色创新效率的影响效应，可使研究结论更科学、可信。第三，现有文献表明数字金融和传统金融均对创新具有激励作用，但鲜有学者就数字金融和传统金融的交互作用对创新的影响进行探讨。有鉴于此，文章使用2011-2018 年中国省级面板数据，将数字金融和传统金融的交互作用纳入分析模型，从空间关联视角采用空间计量方法就数字金融对区域绿色创新效率的影响进行分析，同时考虑区域经济发展和创新能力的异质性，对基准回归模型和研究结论作进一步讨论。

三、模型设定与数据说明

1. 空间自相关分析

考察数字金融对区域创新效率的空间效应，首先需要对变量进行空间自相关性分析，以识别绿色创新效率变量的空间依赖关系。在空间统计学中，往往采用全局空间自相关和局部空间自相关两种方法。采用全局空间自相关统计量莫兰指数（Moran's I） 测度变量的空间关联程度及集疏分布状态，并根据该指数的变化情况判断空间自相关程度变动。计算公式为：

式(1)中，xi和xj分别表示省域和省域的观测值，x¯表示变量均值，则(xi-x¯)2方差，wij表示空间权重矩阵，用以度量省域i和j 之间的距离。通常莫兰指数的取值范围为[-1，1]，若I 处于[-1，0)区间，则表示变量存在空间负相关；若I 处于(0，1])区间，则表示变量存在空间正相关；若I=0，则表示变量不存在空间自相关。

2. 空间权重矩阵及模型设定

莫兰指数I 的测算取决于空间权重矩阵wij，通常空间权重矩阵有邻接关系权重矩阵、地理距离权重矩阵和经济距离权重矩阵三种形式。

邻接关系权重矩阵是以省域间地理位置的相邻关系为依据，建立的权重矩阵通常表示为：

其中，为避免孤岛效应，参考学者黄彩虹、张晓青[14]将海南设置为与广东相邻。

地理距离权重矩阵是以省域间地理位置的距离长短为依据，建立的权重矩阵通常表示为：

其中，dij为省会城市之间经纬度计算的距离。

经济距离权重矩阵是以省域间经济发展水平的差距为依据，建立的权重矩阵通常表示为：

通常可以将空间计量模型设定如下[15]：

式(5)中，y 为被解释变量；x 为解释变量；b 为本区域解释变量影响系数；u 为误差项；ε 为随机扰动项，w1、w2、w3和w4分别是被解释变量、解释变量、误差项和随机扰动项的空间权重矩阵；λ、γ、ρ 和τ 分别代表相应的空间回归系数。λ 测度空间滞后w1y 对y 的影响；γ 测度邻接省域解释变量对y 的影响；系数ρ 和τ 作用类似。

3. 变量及数据说明

（1） 绿色创新效率(GEI)。结合学者的研究成果，文章从创新投入、创新期望产出和非期望产出对区域绿色创新效率进行测度。其中创新投入从人员投入和资本投入两方面表征，前者采用各省域人员全时当量这一指标来衡量，后者则采用各省域资本存量指标进行衡量[1]。参考学者张军等[16]采用永续盘存法对资本存量进行估算。从知识技术产出和产品产出表征期望产出，前者采用更能体现创新能力、技术水平更高、较少受到限制的发明专利授权量来衡量；后者选取新产品销售收入指标进行衡量，该指标能够较好反映区域创新成果的价值。非期望产出则从环境视角进行衡量，选取各省域工业“三废”即废水、废气和废物排放量代表非期望产出。此外，考虑创新投入和产出之间存在时间滞后效应，文章取滞后期为1 年，即创新投入和创新产出分别为2010-2017 年、2011-2018 年数据。此外，为科学测算绿色创新效率，文章采用Tone[17]提出的基于松弛变量的非径向、非角度的SBM-DEA 模型，以此克服传统DEA 模型径向和角度、无法充分考虑投入产出的松弛性问题、也不能准确测度非期望产出的效率值等缺陷。

（2） 核心解释变量(DF)。文章的解释变量为数字金融，通过参考多数学者的做法，各省市区数字金融指数采用北京大学数字金融研究中心发布的数字普惠金融指数来表征[18]。迄今，该中心已发布两期数字普惠金融指数，该指数体系包括综合指数、覆盖广度、使用深度和数字化程度，较全面的衡量数字金融发展，也是当前研究数字金融、互联网金融被广泛使用的数据。文章对数字金融指数除以100 进行处理。

（3） 银行信贷(LOAN)。银行信贷是为企业及科研单位进行科研创新活动的重要资金来源。现有文献通常用银行信贷与地区国内生产总值的比值，即信贷强度来表示。实际上银行科技贷款只是银行贷款中比较小的部分，因此用信贷强度指标来表示银行对科技的支持仍然不够精确。为此，文章借鉴有关文献，采用其他资金占R&D 内部经费支出的比重作为银行信贷的代理变量[19]。

（4） 人力资本(HR)。人力资本是关键因素，在研发创新活动中尤其如此。人力资本的度量指标有多种，如区域人均受教育年限、高校在校学生人数占比等，但是这些指标均存在某些缺陷，例如受教育年限指标未能较好体现不同层次教育的异质性特点，而高校在校学生并不直接参与创新活动，尤其是创新活动的核心环节，也无法较好地代表人力资本指标[20]。结合数据可得性，文章采用劳动力中不同学历层次人员占比指标，既考虑了教育的异质性因素，也体现了劳动力参与创新活动的直接性，能够较好地测度人力资本变量。通常受高等教育的劳动者专业性更强，而高中学历劳动者属于通识类人才，专业属性相对较弱。鉴于此，文章选取各省就业人员中大专以上劳动力占比表征人力资本，该指标能够在一定程度上反映区域人力资本水平。

（5） 外商直接投资(FDI)。我国重视对外开放，吸引外商直接投资的一个重要目的就是要引进国外的先进技术，然后，通过模仿、学习、改造和创新来推动国内科技的发展与进步。改革开放40 多年，我国吸引了大量的外资，对国内创新能力和创新水平的提升发挥着重要的作用。文章采用实际利用外资额占地区生产总值的比重表示。

（6） 房价水平(HP)。考察区域创新，房价因素不可忽视。房价既可能通过资金挤出效应、消费抑制效应、劳动力驱逐效应等抑制创新，也可能通过经济增长效应、要素集聚效应、虹吸效应等促进创新。现有文献既有用绝对数表示房价，也有用相对数来表征，文章认为房价与居民收入水平关系密切，因此采用房价收入比来表示[21]。具体用房价总额（面积90 平方与单价之乘积） 与城镇居民家庭（2 个劳动力） 可支配收入计算得到。

以2011-2018 年中国30 个省市（西藏除外） 为研究对象。数字金融指标取自北京大学数字金融研究中心发布的《北京大学数字普惠金融指数（2011-2018）》报告，其他数据则来源于历年《中国统计年鉴》 《中国科技统计年鉴》、国家统计局网站和EPS 数据平台、各省相应年份的统计年鉴。文章实证分析涉及的变量定义和描述性分析见表1。为消除异方差，文章在进行回归时对全部变量进行对数处理。

表1 变量定义及描述性分析

四、实证结果分析

1. 空间自相关检验

利用软件stata16.0 测算出2011-2018 年中国省域绿色创新效率的莫兰指数I（见表2）。从结果看，考察期内所有年份里面中国各省域绿色创新效率莫兰指数I 均大于0 并且都通过了显著性检验，表明中国省域的绿色创新效率不是完全随机分布，而是存在非常显著的空间正相关性，绿色创新效率低（或高） 的省份往往相邻。从演化趋势看，样本期内（除2015 年外） 中国省域绿色创新效率呈逐年上升趋势，说明随着时间推移，中国省域绿色创新效率的空间正相关性逐渐增强。

表2 2011-2018 年中国绿色创新效率莫兰指数变化

2. 面板单位根检验和协整检验

为了有效避免面板数据估计中出现“伪回归”问题，确保估计效果的有效性，需要对面板数据进行平稳性和协整性检验。首先运用stata16.0 对变量分别采用LLC 检验、IPS 检验、ADF 检验进行了面板数据平稳性检验，结果显示所有变量都属一阶单整；然后采用Kao 检验、Pedroni 检验和Westerlund 对变量进行面板数据进行协整检验，结果显示，统计量在1%的显著水平均拒绝“不存在协整关系”的原假设，由此可得，变量之间存在长期稳定的协整关系，可以进行面板数据回归分析。

3. 空间计量模型选择

在进行实证分析前需要确定适合的空间计量模型。首先，利用Hausman 检验确定文章应该选择固定效应模型还是随机效应模型，同时利用LR 检验判断时间和空间固定效应模型；其次借鉴Elhorst[22]空间计量模型选择思路，采用LM 检验判断空间滞后模型、空间误差模型和空间杜宾模型的优劣，并采用Wald 检验进行反向证明一般化的空间杜宾模型能否缩减为空间滞后模型或空间误差模型。从具体检验结果（见表3） 可知，文章模型应确定为时间和空间双固定效应的空间杜宾模型。

3. 实证结果

在对变量进行实证分析前还需要对模型变量的内生性干扰进行分析和处理。一方面数字金融发展和绿色创新效率之间可能存在反向因果关系，即数字金融的发展促进区域绿色创新效率提升，而区域绿色创新效率的提升也可能反过来推动数字金融的发展。另一方面，尽管实证分析时已经控制了区域相关特征变量，但仍可存在因无法观测或数据不可获得等因素导致遗漏变量问题偏误。为此，文章采用被解释变量绿色创新效率的滞后一期作为工具变量进行处理。当期绿色创新效率与往期绿色创新效率具有相关性，而当期数字金融指数无法影响往期的绿色创新效率，因此满足工具变量所必须具备的相关性和外生性特点。

表4 的估计结果显示，三种空间权重矩阵模型中，因变量的滞后项的回归系数都显著为正，说明创新活动具有一定的趋势性，是一个连续、累积动态的过程。从模型(1)～(3)三个模型中，数字金融综合指数对区域绿色创新效率的回归系数均显著为正，其作用系数分别为0.283、0.236 和0.371，这说明数字金融促进了区域绿色创新效率的提升。具体而言，数字金融每提升1 个单位，三种空间权重矩阵分别提高0.283、0.236 和0.371 个百分点。同时，Log-likelihood 值和R2均显著，意味着具有较好的稳健性。三种空间权重矩阵模型的空间滞后系数rho 均在1%的水平上显著，表明省域间绿色创新效率具有显著的空间溢出效应。随着信息技术发展和通信基础设施完善，区域间资金、技术、人才等创新要素的流动不断加强，促使绿色创新效率在区域之间外溢，空间联动性不断增强，而这种联动效应随距离而衰减。银行信贷促进了区域绿色创新效率的提升，且影响系数较大，说明传统的银行信贷在促进绿色创新效率提升中依然发挥着非常重要的作用。数字金融与传统金融的交互作用对区域绿色创新效率的影响较小，且不具有显著性。说明数字金融和传统金融仍处于彼此竞争、相互排斥的状态，尚未达到相互融合、协同发展的境地。房价水平抑制了区域创新能力的提升，这与多数学者的研究结论基本一致。外商直接投资对区域绿色创新效率具有较强的抑制作用。究其原因，一方面国内创新能力快速提升，技术积累越来越强大，外资的作用逐渐下降；另一方面，发达国家对技术尤其是高端技术转让日益谨慎。尽管人力资本对区域创新能力的提升会产生正向影响，但显著性水平没有通过检验，其中的原因可能是国内劳动力的素质普遍还不高或者劳动力没有得到很好的配置，导致效率低下。

表3 空间计量模型识别检验结果

表4 空间杜宾模型估计结果

一般说来，在空间计量模型中采用估计系数来度量解释变量对被解释变量的作用存在有偏估计[23]。因此，需要将数字金融对绿色创新效率的影响分解为直接效应和间接效应，具体分解结果见表5。从表5 可以看出，三种模型中数字金融的直接效应系数在0.144～0.265 之间，且在1%的水平下显著，说明无论选择何种空间权重矩阵，数字金融对绿色创新效率的区域内溢出效应显著存在。

表5 空间效应分解

三种模型中数字金融的间接效应系数在0.092～0.106 之间，且显著，说明数字金融存在区域间溢出效应，本区域数字金融在直接拉升本地区绿色创新效率的同时，通过外溢传导促进相邻区域的绿色创新效率。间接效应体现数字金融溢出对周围区域绿色创新效率的正向影响，在要素邻域空间关联的作用下，本区域的数字金融对临近区域的绿色创新效率起到积极的辐射带动作用。

2. 分区域回归分析

国内数字金融发展呈现地区发展水平不平衡，这是否会导致数字金融的创新提升作用呈现区域差异？为此，文章将进行分区域回归检验。首先，参考有关文献，将北京等11 省市划为东部，安徽等8 个省为中部，剩余11 省市区归为西部。回归结果如表6 所示。

表6 回归结果显示：在东部，数字金融对于绿色创新效率的正向直接效应、正向溢出效应系数值比较大，且非常显著；在中部，数字金融对于绿色创新效率具有显著的正向直接效应，而正向溢出效应不显著；在西部，数字金融对于绿色创新效率的正向直接效应、正向溢出效应均不显著。这可能是因为东部数字金融非常发达，信息化基础设施比较完善，创新要素集聚，从而促进区域绿色创新效率的提高，中西部地区的数字化技术等要素聚集能力可能还不强，数字金融还不够发达，未能发挥出其促进本区域绿色创新效率提升的作用。

表6 分区域空间杜宾模型估计结果

进一步，文章以省域发明专利申请量表征技术水平，以均值为分界点，将其划分为技术水平较高的地区和技术水平较低的地区，分别进行空间杜宾模型回归（见表6）。可以发现，技术水平较高的地区，数字金融对绿色创新效率正向作用系数更大，这可能是由于，在“双创”背景下，创新能力强的地区较创新能力弱的地区更需要资金支持，而数字金融起到一定的缓解作用。

3. 稳健性分析和安慰剂检验

为确保研究结论的可靠性，一方面采用变换关键变量测度方式进行稳健性检验。一是变更绿色创新效率的测算方法。因SBM-DEA 模型的测算结果存在决策单元的效率值均为1 而无法比较，所以使用SUPER-SBM 模型重新估算省域绿色创新效率，考察效率测度误差对实证分析的影响。二是进行数字金融指数替换。数字金融综合指数构成体系涉及支付、货基、投资、信贷等九个维度，采用指向性更明确的数字信贷和投资之和的均值来替代数字金融综合指数。另一方面，进行数据截尾处理。由于不同地区发展水平存在很大差异，此处对连续变量进行了99%和1%的缩尾处理，以缓解极端值对估计结果的影响。采用空间杜宾模型对全国样本进行重新估计（见表7）。结果显示：更换变量和缩尾处理后，数字金融对区域绿色创新效率依然表现出显著的正向直接效应和溢出效应，说明文章的研究结论稳健可信。

此外，文章还通过随机抽取15 个省份所采集的数据进行安慰剂检验（见表7），结果显示，数字金融对区域绿色创新效率具有显著的正向直接效应和溢出效应。

表7 稳健性检验和安慰剂检验结果

五、结论与政策建议

文章运用中国30 个省市区2011-2018 年的数字金融和区域绿色创新效率有关数据，从空间关联视角，采用空间杜宾计量模型，并在有效控制和克服不可观测的个体异质性以及潜在的内生性问题，就数字金融对区域绿色创新效率的影响进行实证研究，同时进行区域异质性分析、稳健性检验和安慰剂检验，得出了以下几点主要结论：第一，总体上，数字金融不仅对本区域的绿色创新效率具有直接的促进作用，还通过空间关联性对其它区域的绿色创新效率产生间接的促进作用；第二，异质性分析显示：在东部，数字金融对区域绿色创新效率具有显著的正向直接效应和正向溢出效应；在中部，数字金融对区域绿色创新效率具有显著的正向直接效应，但空间溢出效应不显著；在西部，数字金融对区域绿色创新效率正向直接效应和正向空间溢出效应均不显著；在创新能力强的区域，数字金融对区域绿色创新效率具有显著的正向直接效应和正向空间溢出效应。然而创新能力弱的区域，数字金融对区域绿色创新效率具有显著的正向直接效应，但正向空间溢出效应不显著。第三，传统金融和数字金融的交互效应对区域绿色创新效率具有的正向直接效应和溢出效应不显著，其作用未能充分释放，需要进一步提升。

基于上述研究结论，提出如下政策建议：

（1） 加大信息化投资力度，夯实数字金融发展的基础。信息化发达程度决定区域数字金融发展的高度，借助国家发力“新基建”对冲疫情的机遇，充分发挥数字金融提升绿色创新效率新动能的作用，加大数字经济领域的投资，进一步加强信息化基础设施建设，完善数字金融的基础网络，为数字金融的发展打下坚实的基础。

（2） 考虑数字金融的空间外溢效应，促进数字金融区域协调发展。政府需要加大政策扶持力度，引导资金、技术、人才等数字金融要素向中西部地区流动，深化数字金融区域间协作机制，搭建区域间合作交流平台，充分发挥空间溢出效应，促进区域间数字金融协调发展。

（3） 强化监管，践行数字金融普惠制发展理念。以数字技术驱动普惠金融发展，降低金融服务门槛，有效扩大覆盖面和可得性，充分发挥服务实体经济创新发展的生力军作用，更精准、更有效、更全面地支持研发创新活动发展，进而提升绿色创新效率。

（4） 防范风险，促进数字金融健康发展。数字金融作为金融和互联网的融合产物，兼具金融风险和互联网风险“叠加”的特征，需要加大对数字金融风险监管和防范，以防发生重大风险，抑制区域创新活动。

（5） 促进数字金融和传统金融融合，共同促进区域绿色创新效能的提升。一方面，传统的银行业要充分利用互联网化、移动化方式，进一步加大金融产品和服务创新力度，研究开发更多的数字化金融产品和服务来更好地满足客户需求；另一方面，互联网金融公司需要加强与传统金融公司的业务合作，利用传统金融机构的资源优势，充分发挥自身技术特长，助力传统金融业务发展。