数字金融、科技创新与碳排放——基于省级面板数据的实证分析

王文静，胡辰净

（天津商业大学经济学院，天津300134）

引 言

近年来，随着互联网的发展，云计算、大数据、区块链、人工智能等创新技术的使用，数字经济已逐渐成为引领全球经济社会变革、推动我国经济高质量发展的重要引擎。党的十九届五中全会指出，“十四五”时期，要紧紧抓住发展数字经济的机遇，推动数字经济和实体经济深度融合，建设数字中国。目前，我国的数字经济处于成型展开期，中国信通院发布的《中国数字经济发展白皮书（2021年）》显示，2020年我国数字经济规模达到39.2万亿元，占GDP比重为38.6%，数字经济增速是GDP增速的3倍多，成为稳定经济增长的关键动力[1]。

而金融是现代市场经济的重要基石，金融市场的良性发展对于我国经济持续健康发展有着重要意义[2]。加之，数字金融是数字经济的核心，研究其如何持续健康发展非常必要。数字金融是金融机构与互联网平台通过数字技术实现支付、结算、融资与投资等金融业务的模式[3]，是传统金融业顺应时代发展的必然结果，同时满足人民日益增长的对美好生活向往的需要。数字金融凭借其独特的地域穿透性，打破了时空维度，很大程度上降低了金融服务成本，提高了金融普惠效率，促进了社会资源的合理配置和技术进步。

信息技术是社会前进的技术支撑，自然环境的健康与否则是经济社会长足发展的依托。“十四五”时期，我国生态文明建设进入了以降碳为重点战略方向、推动减污降碳协同增效、促进经济社会发展全面绿色转型、实现生态环境质量改善由量变到质变的关键时期，实现碳达峰、碳中和是我国向世界做出的庄严承诺。

因此，在推崇数字化和低碳化的社会背景下，如何以数字金融为发展引擎，以科技创新为主要手段，减少碳排放以助力碳达峰碳中和目标的实现，同时助力数字金融持续健康发展具有重要意义。本文在借鉴前人研究的基础上，选取了国内除西藏和港澳台地区外的30个省级面板数据，利用PVAR模型，研究了数字金融、科技创新和碳排放三者之间的交互作用，探索了数字金融进一步发展的现实路径，为加快金融数字化与碳达峰的速度提供共赢的理论支持和实践经验，为深化科技创新提供建议。

1 文献回顾与理论分析

1.1 文献回顾

1.1.1 数字金融与科技创新

科技创新需要数字金融提供资金支持，同时科技创新为数字金融提供发展动力。目前已有学者从理论方面论证了数字金融和科技创新两者的单向作用，也有学者通过实证分析探讨了此二者的交互作用。彭绪庶[4]研究了数字金融企业的创新特征、影响因素及未来趋势，认为科技创新促进数字金融专业化发展，金融科技创新和金融应用场景创新是数字金融发展的重要支撑。吴琦[5]认为数字金融可以有效弥补传统金融供给体系的短板，在非接触式经济时代下，数字金融将成为科技创新的支柱。邹新月等[6]运用空间联立方程模型，实证分析后认为当前科技创新的发展态势显著落后于数字金融，未来应以数字金融为手段推动科技创新的进步，从而助力数字金融和科技创新的协同健康发展。也有学者将数字金融与科技创新和第三者结合起来研究，涂强楠等[7]基于中介和门槛模型，增加了制造业产业结构升级这一变量，研究发现随着科技创新能力的提升，数字普惠金融对中端制造业产业结构升级的促进作用将下降，对高端制造业产业结构升级的抑制作用将会被削弱。1.1.2 数字金融与碳排放

近年来工业化造成的环境污染问题逐渐得到重视，相关政策法律法规的制定也被提上日程，在当今金融数字化热潮的大背景下，有学者已开始思考数字金融和碳排放的关系，但目前仍处于研究的初期，现有文献较少，研究不够全面。许钊等[8]基于实证检验研究了数字金融的污染减排效应及其作用机制，并得出数字金融具有双门限污染减排效应，从空间溢出效应来看,数字金融可能会对毗邻地区造成环境污染。陈啸等[9]通过对数平均迪氏指数（LMDI）分解法，量化了普惠金融对碳排放的贡献，结果显示以煤为主的能源结构效应是中国碳排放增长的主要因素，而碳排放会随着普惠金融规模的增加先增加后减少。有学者则通过加入第三个变量，间接研究了数字金融和碳减排的关系。贺茂斌等[10]探讨了数字普惠金融、碳排放与全要素生产率的关系，经实证分析得到数字普惠金融对全要素生产率的提升效应可通过降低区域碳排放,特别是第三产业碳排放来实现的结论。

1.1.3 科技创新与碳排放

我国目前处于工业化进程中，经济的快速发展主要依赖于能源消耗，而化石能源的过度或不当消耗，正是碳排放量增加的主要原因。通过科技创新发展低碳技术、优化能源结构、加速重工业产业转型升级，从而提高能源的利用率、促进碳减排碳中和，将成为企业与时俱进的必由之路。基于碳中和的背景，有许多学者从科技创新的角度研究了科技创新对碳排放量的单向作用。程钰等[11]运用基尼系数、泰尔指数、面板数据模型等方法，研究发现科技创新对碳生产率具有重要促进作用，主要通过技术融合与工艺优化、产业和产品创新等路径促进投入产出结构优化，降低能源消耗总量，提高能源利用效率。王鑫静等[12]运用类似的方法探究了“一带一路”沿线国家科技创新与碳排放效率的时空分异特征，并分析科技创新等因素对碳排放效率的影响机制，将沿线国家依据碳排放效率分为3个等级地区。整体上，科技创新会加快沿线国家碳排放效率的提升,而产业结构、城镇化率则会抑制碳排放效率的提升；分地区看，各因素对碳排放效率的作用效应呈现明显的异质性。郭莉等[13]通过建立空间杜宾模型，对科技创新与碳排放强度的空间自相关进行检验，得出科技创新和人均GDP对本地碳排放强度有显著的抑制作用的结论，并提出鼓励企业创新研发、环境协同治理的理念。张贤等[14]提出世界各国均将科技创新作为碳中和目标实现的重要保障，为了更好地推动面向碳中和愿景的科技发展,需要强化顶层设计、完善保障机制与加强国际合作。

1.1.4 数字金融、科技创新与碳排放三者间的关系

数字金融是传统金融与现代科学技术相结合的产物，它的产生与发展自然离不开科技。数字金融依靠科技创新实现了金融服务的线上化、无纸化和智能化，减少了人们的出行和纸张的使用，深化了绿色信贷、绿色证券、绿色投资等绿色金融领域的发展，从生活方式上引导人们注重环境保护，避免了一系列的碳排放。目前关于数字金融、科技创新与碳排放三者关系研究的已有文献数量较少。李德山等[15]利用面板Tobit模型研究了金融发展、科技创新与碳排放效率，并得出金融发展与碳排放效率呈现正U型关系、科技创新能够提升二氧化碳排放效率的结论，从正面说明了借助科技创新加快金融数字化转型对实现碳中和碳达峰目标的重要性。陈向阳[16]经过实证分析发现传统金融行业抑制了绿色科技创新，不能满足时代对绿色可持续发展的要求，从而不利于降低碳排放强度，从反面反映了现有的传统金融服务企业应紧随科学技术高速发展的趋势，加快与互联网、大数据、云计算、人工智能等技术的融合，进而实现数字化转型，推动绿色科技创新，助力碳减排进程。

此外，现实中也有数字金融企业通过自身发展证实了数字金融、科技创新与碳排放三者间的关系。马上消费专注于科技创新，通过金融云容器、电子合同、智能客服、电子凭证、线上业务等，仅2021年上半年就累计减少碳排放5.67万吨。“线上化”是解决碳减排问题的一方面，解决数据中心的高能耗问题是另一方面。马上消费本着科技创新的原则，通过采用可再生能源和利用大数据、人工智能等先进技术，缓解数据中心高能耗的问题，并预测和管理数据负载，进一步提升了营运效率，降低了交易成本，达到了更好的碳减排效果。

综上所述，目前国内外学者对于数字金融、科技创新和碳排放的研究大多停留于其中两者之间的单向作用，以及其中任意一者或两者与其他因素的相互作用，鲜有学者关注到此三者间的动态关系和双向作用。为此，本文应用面板VAR方法，不考虑变量的外生性问题，着力厘清数字金融、科技创新和碳排放之间的交互关系，以丰富之前学者的研究成果库，探索科技创新在数字金融促进碳减排过程中的支撑作用，从而思考数字金融如何助力碳达峰和碳中和目标的实现，协调好金融数字化转型和经济社会的低碳化转型。

1.2 数字金融促进碳减排的作用机理

数字金融是互联网及信息技术手段与传统金融服务业相结合而成的新金融服务模式，是传统金融业与时俱进所必然形成的产物，其本质是服务于实体经济，充分发挥科学技术在资源配置和服务效率上的优势，解决当前金融领域创新能力欠缺和服务水平不足的问题。我国数字金融起始于21世纪初的支付宝体系，经历了从排斥到理解和包容，再到进一步深度融合的阶段。在信息化、数字化和低碳化的催化下所形成的数字金融为碳减排提供了更大的可能性和全新的路径，产生了巨大的绿色经济效益。数字金融促进碳减排的作用路径如下：

第一，数字金融降低了传统金融业务营运的成本。为了避免信息不对称所造成的信用风险问题，传统金融行业大多会选择建立大量的实体网点，雇佣过多的劳动力以及设立繁冗的审批流程，这不仅使成本居高不下，也会降低金融服务的效率，存在资源配置不当和错配的问题。而现阶段数字金融的主要业务除传统的实体经营外，还有移动支付、网上借贷、在线投资理财等，基本呈现“互联网+金融”的模式，打破了时空的限制，降低了金融服务的门槛，提高了金融服务的可获得性和便捷性，实现了节约人力物力财力和精简流程的效果，促进了资源的合理配置，从而减少了碳排放量。

第二，数字金融刺激了绿色消费需求并加深了人们绿色生活的理念。以数字金融的产生和发展为依托，共享单车应运而生，其采用分时租赁的模式，解决了城市居民出行“最后一公里”的问题，带动了人们用公共交通工具代替私家车的热情，共享单车的便利性、高效性和共享性，刺激了居民绿色消费的需求，在拉动经济增长的同时减少了资源的消耗，促进了碳减排。同时，美团、饿了么等外卖平台的崛起，减少了一部分人群的出行和流动，可以提高资源配置率，减少一定的碳排放量。更为重要的是，数字金融为绿色消费提供技术储备和产品应用激励，将互联网流量价值转化为经济价值和生态价值[8]。数字金融借助其线上的特点——共享、便捷、高效，吸引了各个阶层的消费者，扩大了金融服务的范围和受众，提高了服务的触达力，让“绿色消费”不再只是概念，而是通过线上的渠道每日激励人们绿色消费，将人们保护环境的意识变成日常生活中的行动，并刺激人们绿色消费需求。

第三，数字金融搭建了绿色服务平台。目前绿色环保是行业发展的必由之路，以数字金融为地基搭建的绿色服务平台大量涌现。支付宝推出的“蚂蚁森林”鼓励人们步行出行、地铁出行、共享单车出行、在线缴纳水电煤气费、网络挂号、网络购票等行为，用户通过以上行为减少碳排放量积攒相应的绿色能量以培养虚拟树，虚拟树长大后，蚂蚁生态伙伴会在现实中帮客户种下实体树。此外，菜鸟在2017年也启动了“回箱计划”，在北京、上海、广州、深圳、杭州等10个城市全面开展快递纸箱回收行动，截至2020年，全国铺设8万个回收驿站。随着闲转、闲鱼、转转、爱回收等二手交易平台的崛起与发展，用户手中的闲置物品快速变现，实现资源的二次利用，达到节约社会资源节能减排的目的。

第四，数字金融激发了企业的创新活力。科创企业大多是初创的小微企业，而我国小微企业普遍存在着制度不完善和缺乏核心竞争力的问题，因而常常处于融资成本高、受一定经济环境制约的现状。但是，数字金融的运用降低了科创企业的融资门槛，能够缓解企业资金紧张的问题，为科创企业的创新活动注入了发展动力。数字金融通过收集用户在互联网上的行迹信息，建立共享数据库，从而弥补小微企业营运记录不完善的缺点，为投资者的决策提供多方面参考，避免因企业信息不充分而造成投资者的误判，鼓励优质企业发展，遏制伪劣企业浑水摸鱼，进而优化资源配置，减少过多的碳排放，提高金融市场的效率，促进数字金融的持续健康发展。此外，在数据横飞的时代，辨别真伪和提取整合有用信息显得至关重要。数字金融利用大数据、互联网等信息技术，构建企业的信用评估模型，记录每个企业的信用信息，这样就增加了初创小微企业在投资中的竞争优势，减少了信贷双方的信息不对称，增加了市场透明度，为科创企业融资难的问题提供了解决方案，助力企业释放科技创新活力。综上，数字金融激发企业的创新活力，改善了资本错配问题，利于资源的合理配置，进而促进碳排放的减少。

2 模型的构建

2.1 模型设定

面板向量自回归模型（PVAR）是面板数据模型与向量自回归模型的融合，该模型不仅保留了VAR模型的优良特性——建模时无需设定变量之间的因果关系，且将各变量都视为内生变量，从而分析各个变量及其滞后变量对模型中其他变量的影响。此外，PVAR模型将简单的一维时间序列模型延伸到二维，进而模型对所需样本数据的长度不再那么苛刻，同时涉及截面个体的异质性，是不少学者研究经济学问题的常用工具，具有发展潜力[17]。

构建面板VAR模型研究数字金融、科技创新和碳排放之间的关系，对应每个省级i，标准模型如下：

其中Yi，t=[DF，TI，CE]T，即为包含3个变量的列向量；DF表示数字金融发展水平，TI表示科技创新水平，CE表示碳排放量，为了使模型中所有变量都是平稳的，本文后期对DF、TI、CE进行了一阶差分处理；εi,t代表随机扰动项，假设其均值为0，方差为无序列相关。

2.2 数据选取

对于数字金融的衡量，考虑到数据的可得性和科学性，本文选取“北京大学数字普惠金融指数”来代表各省级数字金融的发展水平。该指数由北京大学数字金融研究中心、蚂蚁金服以及多家业内有代表性的互联网企业共同编制，根据代表性、可操作性、独立性和可拓展性等原则，从覆盖广度、使用深度和数字支持服务程度三个维度综合评价了中国各省级的数字金融发展程度[18]。因而相对于其他指标，北京大学数字普惠金融指数更能全面地反映一地区的数字金融水平，目前被广泛应用于相关领域的研究。

科技创新是引领社会发展的第一动力，在衡量科技创新指标的选择上，有学者使用研究与试验发展经费支出占国内生产总值的比例来衡量，仅考虑了科技创新的投入，缺陷是无法反映科技创新产出情况；也有学者使用专利申请量、授权量来衡量。本文根据研究的需要，选用发明创造产出率作为科技创新的代理变量，发明创造产出率=国内专利申请授权数（件）/R&D人员全时当量（人年），相较于以前所使用的传统指标，发明创造产出率不仅能反映专利数量，也能反映专利质量，使得刻画科技创新水平更贴切。

碳排放是关于温室气体排放的一个总称或简称，而温室气体中最主要的是二氧化碳。二氧化碳排放来源分为能源燃烧和水泥生产两类，其中能源燃烧涉及各行各业，是排放碳的最主要来源[19]。结合已有研究和理论分析及数据的可获得性，本文基于化石能源的消耗量，采用碳排放系数法间接地核算出二氧化碳排放总量，并以此作为碳排放的指标。由于部分数据有缺失，采用移动平均法进行了填补。

2.3 数据来源及说明

由于现有的数据库和统计年鉴没有西藏和港澳台地区的数据，本研究选取了国内30个省级2011—2019年的面板数据。国内专利申请授权数和R&D人员全时当量数据均来自EPS数据库。由于目前各统计年鉴和数据库没有中国各省级的碳排放数据，所以在借鉴前人研究的基础上，本文采用联合国政府间气候变化专门委员会（IPCC）在《IPCC 2006年国家温室气体清单指南2019年修订版》（以下简称《IPCC清单指南》）中所介绍的方法推算二氧化碳排放量。计算方法如下：

其中，Ei表示第i种能源的消费总量，本文选取了煤炭、焦炭、汽油、煤油、柴油、燃料油、天然气这7种主要能源进行测算，各能源消费量数据均来自《中国能源统计年鉴》；μi代表折标准煤系数，除天然气以kgce/m3为单位外，其余6种能源都以kgce/kg为单位（ce表示标准煤），数据来自国家统计局；hi指碳排放系数，以tCO2/tce为单位，数据来自《IPCC清单指南》。μi和hi的具体数值见表1。

表1 7种主要能源品种的折标准煤系数和碳排放系数

表2 各指标变量描述性统计

3 实证分析结果

本文先对省级面板数据进行单位根检验即平稳性分析，通过后利用AIC、BIC和HQIC信息准则确定模型的最优滞后阶数，接着检验模型的稳定性，通过后进行格兰杰因果检验，然后对PVAR模型进行蒙特卡洛模拟，从而得到脉冲响应和方差分解的结果。本文的部分程序代码基于连玉君的研究，使用的软件是Stata 16.0。

3.1 面板数据的单位根检验

本文先对面板数据进行单位根检验即平稳性检验，数据平稳是传统计量经济研究的基础，因为如果在截面数据和时间序列数据中存在单位根，则会产生伪回归等一系列问题，基于传统的计量经济分析方法的估计和检验统计量将会失去以往的性质，使得结论错误，所以必须对所研究的变量进行单位根检验，在保证变量具有平稳性的情况下进行回归才是有效的。面板数据单位根检验的方法包括检验同质单位根的LLC（Levin-Lin-Chu)、Breitung以及检验异质单位根的IPS、ADF-Fisher和PPFisher这5种方法。本文采用的是LLC检验、IPS检验和ADF-Fisher检验，检验结果见表3和表4。

表3 DF、TI和CE的单位根检验结果

平稳性检验的原假设是所有的变量都是非平稳的，由表3可知，TI在3种检验中的P值都小于0.05，拒绝了原假设，说明变量TI是平稳的，但变量DF和CE在IPS和ADF-Fisher检验中都未能拒绝变量非平稳的假设。为此，本文对这3个变量分别进行了一阶差分处理得到D_DF、D_TI和D_CE，其中D_DF表示数字金融发展水平的增长，D_TI表示科技创新的提高，D_CE表示碳排放强度的增长。

由表4可以看出，一阶差分后所得的变量D_DF、D_TI和D_CE的P值均小于0.05，这说明在α=0.01的显著性水平下，3种单位根检验方法所得的P值都显著拒绝了原假设，因此数字金融、科技创新和碳排放经过一阶差分后都具有平稳性。

表4 D_DF、D_TI和D_CE的单位根检验结果

3.2 确定最优滞后阶数

在估计PVAR模型前，需要确定变量的最优滞后阶数，以避免滞后阶数过小造成误差项自相关以及滞后阶数过大引起自由度下降。本文采用AIC、BIC和HQIC统计量来确定最优滞后阶数。AIC信息准则即赤池信息量准则，由日本统计学家赤池弘次创立，它建立在熵的概念基础上，可以权衡所估计模型的复杂度和此模型拟合数据的优良性。为了提高模型拟合的优良性，一般采用增加自由参数数目的方法，但并不是自由参数越多越好，参数过多可能会导致模型变得过度复杂，同时产生过拟合的情况，进而使得模型缺乏合理性和真实性，使得研究结果缺乏现实价值。因此，AIC旨在寻找最好的解释数据但包含最少自由参数的模型。BIC准则即贝叶斯信息准则，于1978年由Schwarz提出，与AIC功能类似，用于模型的估计。HQIC准则即汉南和奎因信息准则，用来检验回归模型中是否应该添加一个新的解释变量，添加一个新变量在提高了拟合优度的同时，也降低了自由度和增加了方程的复杂性。根据最小化信息准则，由表5知AIC、BIC和HQIC最小值所在的阶数都为二阶，所以第二阶为最优阶数，本研究选择二阶滞后期。

表5 PVAR最优滞后阶数检验结果

3.3 模型稳定性检验

PVAR模型的稳定性是进行脉冲响应和方差分析的前提，因此要对PVAR（2）模型进行稳定性检验，如果所有的特征根均在单位圆内，则说明所构建的模型是稳定的。由变量D_DF、D_TI和D_CE所建立的PVAR（2）模型共有6个特征根，根据图1所示，所有的特征根都落在圆内，因此所构建的滞后2期的面板向量自回归模型是稳定的。

图1 单位根检验

3.4 格兰杰因果检验

为判断变量与变量之间是否存在因果关系，检验解释变量对被解释变量的信息是否具有预测能力，本文采用格兰杰因果（Granger）检验。需要注意的是，该检验所得出的因果关系并不是实际经济活动中的因果关系。检验结果如表6所示。

表6 格兰杰因果检验结果

如果P值小于0.05则拒绝原假设，由表6可知，D_DF是D_TI的Granger原因，D_DF不是D_CE的Granger原因；D_TI是D_DF的Granger原因，D_TI不是D_CE的Granger原因；D_CE不是D_DF的Granger原因，D_CE不是D_TI的Granger原因。

3.5 脉冲响应和方差分解

因为VAR模型不是基于理论体系所构建的模型，是非理论性的，不需要对变量做任何先验性的约束，所以一般不分析一个变量对另一个变量的影响如何，而是分析当一个误差项发生变化，或者说模型受到某种冲击时对系统的动态影响[20]。面板数据VAR模型的主要解释变量是被解释变量和其他内生变量的滞后值，从结构上看是一个动态模型，变量系数的意义难以明确。因为，本文通过蒙特卡洛实验模拟200次，将响应期数设置为8期，得到D_DF（数字金融发展水平的增长）、D_TI（科技创新能力的提高）和D_CE（碳排放强度的增加）的脉冲响应图。如图2所示，随着响应期数的增加，所有变量的脉冲响应函数都收敛于0，说明所研究的模型是有意义的。

图2中第1列分别表示D_DF受到D_DF、D_TI和D_CE的冲击响应。对于数字金融水平增长，当受到自身的冲击时，当期会达到正向最大值，在第1期急剧下降到负向最低点，随后正负影响交替出现，这种影响在0值附近上下小幅波动，总体趋近于0，最终消失，说明数字金融的增长与其自身构成显著的非线性关系，呈现一定的规律性。当受到科技创新的冲击时，当期会达到正向最大值，在第1期下降到0，直至第2期降到最低点，随后这种负的影响逐渐减小，小幅波动直至消失，表明科技创新在初期对数字金融的增长有显著的正效应，但后期产生了短暂的负效应，总体上科技创新对数字金融发展水平增长的推动作用还不稳定。当受到碳排放量增加的冲击时，当期达到负向最大值，这种负向影响随着期数的增加逐渐减小直至第6期降为0，表明在初期碳排放的增加对数字金融水平的提高存在显著的负效应，且该负向影响具有长期性，说明从长期看碳排放对数字金融发展具有显著的负效应。

图2 脉冲响应分析

图2中第2列分别表示D_TI受到D_DF、D_TI和D_CE的冲击响应。对于科技创新水平的提高，当受到数字金融增长的冲击时，初期为0值，随后第1期降至最低点而后上升，第2期达到最高点而后下降，如此小幅波动趋近于0直至消失，表明数字金融增长先对科技创新产生负效应，后产生不显著的正效应，说明数字金融对科技创新水平的推动作用还不明显和稳定，且该不稳定性强于科技创新对数字金融的影响。当受到自身的冲击时，当期到达正向最大值，在第1期急剧下降为负值，随后出现短暂的负向响应，第3期回到0值，之后在0值附近小幅波动直至消失，表明科技创新的提高在初期对自身有显著的正效应，从长期看存在自我促进、自我激励的作用，但不如碳排放的显著。当受到碳排放强度增加的冲击时，当期会达到正向最大值，至第1期冲击值为0，第2期再次达到另一个峰值，随后逐渐波动着减小直至消失，说明碳排放量增长对科技创新水平的提高不构成必然的促进关系，正向效应不是很显著且不稳定。

图2中第3列分别表示D_CE受到D_DF、D_TI和D_CE的冲击响应。对于碳排放强度的增加，当受到数字金融增长的冲击时，当期为0值而后上升，至第1期达到正向最大值，随后正向效应随着期数的增加，波动性减小直至为0，表明数字金融增长对碳排放强度的增加在初期有一定的正效应，接着这种正向影响短期内近似降至零，说明数字金融发展增加碳排放的反应是短暂的，从长期看这种促进作用并不稳定。当受到科技创新的冲击时，当期响应值为0，在第1期上升至正向最大值，且该最大值与数字金融增长对碳排放强度第1期的冲击影响相当，随后急剧下降，至第2期降为负向最大值，随后这种负效应逐渐减小并趋近于0，说明科技创新的进步在初期会导致碳排放的增加，但该促进作用从第1期至第2期之间就迅速衰减，因此从长期看科技创新并不会增加碳排放强度，但是抑制作用还不明显。当受到自身的冲击时，当期会达到最大值，随后急剧衰减为负值，而后负效应逐渐减小直至消失，表明碳排放量的增加对自身的冲击显著为正效应，且持续时间较长，说明碳排放强度的增加具有特殊的连锁效应，高强度的碳排放可能会引起下一期较高强度的碳排放。

方差分解是将面板VAR模型中的各内生变量的均方误差分解到其他解释变量的误差项上，通过分析每一个结构冲击对内生变量变化的贡献度，进一步评价不同结构冲击的重要性。

方差分解结果如表7所示。根据表7可知，对于数字金融发展水平的增长，其自身的贡献度是94.8%，科技创新对其贡献度为3.7%，碳排放对其贡献度为1.5%；对于科技创新水平的提高，数字金融对其贡献度为16.7%，其自身贡献度为82.8%，碳排放对其贡献度为0.5%；对于碳排放强度的增加，数字金融对其贡献度为2.4%，科技创新对其贡献度为0.4%，其自身贡献度97.2%。

表7 各内生变量预测误差的方差分解

4 结论和建议

本文分析了数字金融发展对碳减排的影响路径及科技创新因素在该影响中发挥的重要作用，并基于2011—2019年全国除西藏和港澳台地区以外的30个省级面板数据，构建了以我国数字金融、科技创新和碳排放为研究对象的面板向量自回归模型，实证研究了这三者之间的关系，得到以下结论：第一，数字金融的发展和科技创新水平的提高在初期都会造成碳排放的增加，但该影响在后期会迅速消失或者变成反向抑制作用。数字金融实现了金融服务云端化，减少了客户的出行和一系列纸质材料的使用，从而在一定程度上促进了碳减排，而科技创新则是该作用的驱动因素。第二，数字金融发展水平的增长和科技创新能力的提升互为格兰杰因果关系，但两者相互促进的作用并不显著，目前科技创新尚未有效地推动数字金融，数字金融对科技创新的反促进作用更是绵薄的。第三，碳排放对数字金融具有长期的抑制作用，且具有显著的自我促进作用。

经过对上述结论的思考，对如何以数字金融为发展引擎，以科技创新为主要手段，减少碳排放以助力碳达峰碳中和目标的实现，同时助力数字金融持续健康发展这一问题提出以下政策建议：第一，加快推进数字金融建设，以数字金融为发展引擎带动科技创新，以金融创新为源动力促进数字金融持续健康发展，从而间接地减少碳排放。目前我国不少金融业的监管制度和体系还不够完善，因此需要加强分级分类监管，通过科学的监管方式，促进金融数字化顺利转型和数字金融领域规范健康发展。此外，可对数字金融实施惩戒激励政策，惩戒伪造、失信、违反行规者，奖励激励诚信、贡献突出者，通过优胜劣汰，使数字金融领域纯净化和高效化。由于数字金融是以科学技术为基础的，为推进金融数字化，万众创新的意识和能力也会得以提高，将促进智慧源泉涌流。第二，继续鼓励金融领域的科技创新，加深制造业领域的绿色科技创新。目前制造业是科技创新的主战场，科技创新在数字金融领域的贡献是绵薄的，应适当加大金融创新力度。资金是一个企业运作的血液，通过数字金融合理地分配资金投入，直接地改变重工业企业挥霍资源的生产习惯，将资源的利用精准化，在不浪费有限资源的同时，提高资源的重复利用率，从而实现资源效用最大化，不仅间接地减少碳排放量，而且促进数字金融的普及和使用。此外，通过鼓励发展低碳技术，从技术的角度直接实现资源的节约使用和合理配置，从根本上保护环境减少碳排放。第三，积极响应碳减排政策，加快碳交易市场的发展，促进碳交易由政府主导向市场主导的转变。碳交易市场使得碳具有了商品的价值，增加了碳排放主体的成本，能够有效地减少碳排放强度，从而避免碳排放量增长所带来的恶性循环，同时缓解对数字金融发展的抑制作用。