数字金融如何影响绿色全要素生产率？——动态特征、机制识别与空间效应

余进韬，张 蕊，龚星宇

1.四川大学 经济学院，四川 成都 610065

2.西南财经大学 经济学院，四川 成都 611130

“绿水青山就是金山银山”理念已成为当前中国的发展共识和行动指南。落实“两山”发展理念，就是要在绿水青山与金山银山之间寻找一条兼顾生态环境与经济增长的绿色增长路径，这意味着兼顾“优环境”与“稳增长”的绿色增长模式才是经济高质量发展的长远选择，提升绿色全要素生产率无疑是通向这条路径的终极动力。绿色全要素生产率作为一项既包含了增长效率又考虑到了资源环境因素的综合指标，能够体现出绿色增长的内涵和要求，成为考察绿色增长的关键指标[1]。促进绿色全要素生产率增长，仅凭单纯的环境政策和产业政策是不够的，还须依靠有效的金融手段从根源上改变资源配置的激励安排。以金融手段推进绿色增长，已经成为中国金融业的重要发展方向。

与此同时，第四次科技革命的兴起加速了数字技术与金融服务的深度融合，催生出数字金融新业态，颠覆了传统金融的模式，并渗透到经济社会各个领域，成为日常生活中难以或缺的一环。国家“十四五”规划也提出，要“促进数字技术与实体经济深度融合，壮大经济发展新引擎”。那么，在中国数字金融的规模和技术都处于全球领先地位的背景下，新兴的数字金融能否成为“既要金山银山，也要绿水青山”的金融支持手段，在创造新的增长点的同时，能否推进绿色转型，从而开辟一条提升绿色全要素生产率的新路径？这无疑是当前亟待回答的重要问题。

然而梳理相关研究，学者们对于数字金融经济效应的关注，主要集中在数字金融可以通过提升金融运行效率来改善生产率[2]，通过降低交易成本、缓解信息不对称来释放创业活力[3]和创新动力[4]，通过支付与结算方式的革命来促进居民消费[5]，通过推动金融普惠来实现经济包容性增长[6]。对于数字金融的绿色经济效应研究尚处于起步阶段，相关研究文献较少。房宏琳等[7]将金融科技纳入生态环境影响因素的考察范畴，发现金融科技创新能够抑制城市污染排放。段永琴等[8]基于省级层面的数据研究发现，数字金融降低了密集型制造业的能耗，从而促进绿色发展。范欣等[9]在测度省级绿色全要素生产率的基础上，利用静态面板数据模型实证考察了数字金融对绿色全要素生产率的影响，研究发现数字金融显著提升了绿色全要素生产率。虽然学者们对数字金融的绿色经济效应做出了开拓式的探究，但是仍然存在值得进一步推进的方面：第一，已有研究都是从静态模型出发实证考察数字金融与绿色发展的因果关系，忽视了绿色发展过程中因资源禀赋、发展模式等因素形成的动态积累效应[10]，而从动态视角出发的研究将有助于更好地考察数字金融的绿色经济效应；第二，数字金融与绿色全要素生产率之间存在的双向因果和遗漏变量等导致的内生性问题将影响因果识别的准确性，进而影响到研究结论的可靠程度，还需要进一步选择有效合理的工具变量和借助外生政策冲击进行内生性缓解；第三，已有研究忽视了数字金融影响绿色全要素生产率的空间溢出效应，而数字金融的一个重要特征就是通过突破时空限制、压缩地理距离来调动金融资源，促进区域间经济活动的辐射和联动，因而十分有必要在研究内容上进行拓展，深入探究两者之间的空间特征；第四，多数文献使用省级层面的数据开展研究，使得信息的丰富性大大降低，有必要使用维度更丰富的城市层面数据作为区域对象，进行更深入的考察。

本文聚焦数字金融与绿色全要素生产率两大主题，在利用Meta-SBM-Luenberger生产率指数测度城市层面的绿色全要素生产率基础上，从动态视角出发实证考察数字金融对绿色全要素生产率的影响程度、内在机制、区域异质性以及空间溢出效应。本文可能的边际贡献在于：第一，利用动态面板系统广义矩估计模型，从动态积累视角出发探究数字金融对绿色全要素生产率的影响，丰富了数字金融绿色经济效应领域的实证证据，并利用中介效应模型深入考察了其中的可能影响渠道，厘清了绿色全要素生产率增长在新兴金融供给侧的实现路径，对数字金融功能领域文献形成了有益补充。第二，利用空间杜宾模型探究了数字金融影响绿色全要素生产率的空间溢出效应，拓展了数字金融赋能绿色增长的评估范围，为充分利用数字金融这一工具来突破地理壁垒和时空限制进而辐射带动跨区域绿色经济增长提供了理论支撑和政策指导实践。第三，借助中国人民银行发布《G20数字普惠金融高级原则》形成的准自然实验，利用双重差分法克服可能存在的内生性问题，确保了研究结论的可靠性。

一、理论分析与假说提出

(一)数字金融影响绿色全要素生产率的理论分析

作为数字技术与金融的结合体，数字金融本质仍然是金融的属性并未因数字技术赋能改变，因而金融与绿色发展关系的文献给本文提供了理论借鉴。大部分文献肯定了金融对绿色发展的促进作用。从宏观层面来看，金融发展有助于优化资源配置，从而使产业结构和能源结构变得更加合理和清洁[11]；从微观视角来看，金融发展可以有效降低企业的能源消耗和污染排放[12]。进一步研究发现，金融发展对于绿色全要素生产率有着显著的正向促进效应[13]。因此，具备金融核心属性的数字金融也理应会对绿色全要素生产率产生积极的提升作用。数字金融的另一个重要特征就是数字技术赋能，数字技术的深度使用将为绿色增长带来新动力。具体而言，数字金融的绿色经济效应体现在以下方面：

首先，数字金融是一种环境亲和型的金融模式。相比于主要基于人工服务和物理网点的传统金融，数字金融展现出低成本、高效率、低能耗的绿色优势：数字化的业务办理延伸了金融覆盖面，降低了金融服务的交易成本；移动支付与结算丰富了金融的内涵，提升了资源配置效率；互联网平台的无接触交易使得传统业务办理中产生的资源消耗大大降低。

其次，数字金融带来了全新的绿色消费模式和绿色生活方式。如今，数字金融的应用软件已成为现代生活中不可或缺的一部分，手机购票、电子发票、共享单车、蚂蚁森林等低碳生活与消费模式不但有助于减少资源消耗，孕育出环境友好的消费者，还将个人的环保意识与社会的绿色行动联系起来，扩大了普通人群的环保参与度，带动大众深入环保行动中，培育出绿色生活的观念，在创造出绿色经济效应的同时，还拉近了人与自然的关系。

再次，数字金融优化了绿色金融资源的配置。党的十九大报告提出要将绿色金融打造成为建设生态文明和美丽中国的新引擎，以绿色金融增进绿色增长已成为中国金融体系改革的重要方向。但是，绿色金融资源的有效配置强烈依赖金融机构与企业之间高度对等的信息程度[7]，而数字金融一方面能够充分挖掘和搜集信息，扩大了信息集合，缓解了信息不对称问题，另一方面有助于精准匹配绿色金融资源的供需双方，提升了资源配置效率，从而让绿色金融资源有效地助力绿色经济增长。

最后，数字金融是一股绿色新动能。数字金融内嵌的新一代数字技术，实现了关键技术的突破性创新，在加快金融与科技深度融合的同时，还带动了传统产业的数字化变革和智能化转型[14]，这将有助于减少资源消耗和污染排放。因此，数字金融蕴含着绿色新动能，在助力绿色发展的同时，还能够加速技术创新，从而起到提升绿色全要素生产率的作用。

基于以上分析，数字金融能够带来绿色与效率的变革，在减少能耗与污染的同时，还能提高资源配置效率，最终起到促进绿色全要素生产率提升的作用。可以说，数字金融的发展不但提供了绿色增长在金融供给侧的新路径，还拓展了绿色发展空间，创造了新的增长极。据此，本文提出如下假说：

假说1：数字金融对绿色全要素生产率有正向促进作用。

(二)数字金融影响绿色全要素生产率的作用机制

进一步，本文对数字金融影响绿色全要素生产率的可能渠道进行考察。当前，中国经济进入了“三期叠加”的新常态增长阶段，要在新常态的背景下实现绿色经济高质量发展，以绿色技术创新突破绿色增长的困境，以产业结构转型培育新的发展动能，无疑是重要的推动手段，而数字金融的飞速发展为加快绿色技术创新、促进产业结构升级提供了新路径。

首先，数字金融促进了绿色技术创新。绿色技术创新与一般技术创新相比，其前期投入成本高、获利相对较慢、不确定性大和风险性较高的特点更加突出，这使得企业在开展绿色技术创新上缺乏有力的激励。尤其是具备强大创新活力的中小企业，在融资约束的限制下，还会进一步强化将资金投向生产而非绿色创新的短视行为[15]，而数字金融的发展为绿色技术创新注入新动能。第一，数字金融一方面延伸了传统金融的触达范围，使得小微企业等被传统金融排斥的长尾群体能够享受同样的金融服务，对传统金融形成了有益的增量补充；另一方面能够精准提取企业交易记录等“软信息”作为信用评估和贷款发放的依据，降低了传统金融看重公司财务等“硬信息”所形成的信贷门槛，优化了传统金融的存量结构，从而为企业开展技术创新(其中必然也包含绿色技术创新)释放出更多的资金支持。第二，数字金融丰富了数据和信息的获取渠道，降低了信息不对称程度，使得企业信息更加透明化，进而有助于强化政府对企业的污染监管力度，降低公众参与环境监督成本，有效地遏制了环保腐败行为，倒逼企业增加绿色技术的研发以应对数字化的外部环境。第三，数字金融加快了金融机构的贷款审核时间，压缩了其中的人为干预与寻租空间[16]，这在降低企业绿色技术创新的制度性交易成本的同时，还营造出良好的外部创新环境。第四，数字金融体现着新一代通信技术在金融服务上的深度应用，因而数字金融的发展过程就是一个数字技术在关键领域突破性创新的过程，而数字技术的发展本身就是一种绿色技术创新。综上所述，数字金融对绿色技术创新有着积极的促进效应。进一步来看，一方面，绿色技术创新加速了先进清洁技术对落后耗能技术的替代，减少了资源消耗和污染排放；另一方面，数字技术的革新将打通要素流动的时空限制，加速资源的流动，实时数据的挖掘还加快了供需的有效匹配和精准衔接[17]，引导资源合理布局，减少了错配，提升了经济运行效率，并最终促进绿色全要素生产率的提升。

其次，数字金融推动了产业结构升级。首先，数字金融突破了物理网点的限制，扩大了金融服务的覆盖面，使得清洁型、环境友好型等行业也能够获得和高能耗高污染的重点、热门行业同样的金融资源，有效地缓解了资本扭曲和金融错配，从而减少了产能过剩，促进了产业结构合理化。其次，数字金融的广泛使用一方面深化了数字技术与产业链的融合，加快了传统产业的网络化、智能化和服务化进程[14]，为传统产业的绿色转型赋予了新动能；另一方面，数字金融的蓬勃发展催生出对技术水平和劳动者素质要求更高的新兴数字化和智能化产业，带动高素质人才与前沿技术向新兴的数字化和智能化产业流动，有助于提升知识密集型产业的比重，推动产业结构向中高端迈进，促进产业结构高级化。因此，数字金融通过推动产业结构合理化和高级化，拓展了产业空间，延伸了产业领域。进一步，产业结构作为生产要素与经济增长的转换器，其升级过程不但能提升资源利用效率、改善环境质量，还能加强要素的协同作用，优化资源配置，通过释放结构红利带来效率和动能变革，并最终促进绿色全要素生产率的提升。据此，本文提出如下假说：

假说2a(绿色技术创新效应)：数字金融通过促进绿色技术创新起到提升绿色全要素生产率的作用。

假说2b(产业结构升级效应)：数字金融通过推动产业结构升级起到提升绿色全要素生产率的作用。

二、研究设计

(一)模型设定

考虑到绿色全要素生产率的积累效应，本文参考李江龙等[10]的做法，构建动态面板模型进行检验，基本检验模型如下：

GTFPit=β0+β1GTFPit-1+β2DEit-1+βXit+λi+μt+εit

(1)

其中，i代表城市，t代表年份，GTFPit代表t年i城市的绿色全要素生产率，GTFPit-1为滞后一期的绿色全要素生产率；DEit-1为核心解释变量数字金融，本文将核心解释变量滞后了一期，这样在一定程度上能减弱双向因果的可能性[6]；Xit为一系列会对绿色全要素生产率产生影响的控制变量；λi和μt分别为城市固定效应和年份固定效应，εit为误差扰动项。

为了进一步检验影响作用背后的传导机制，在式(1)的基础上设置递归模型：

Mit=γ0+γ1Mit-1+γ2DEit-1+γXit+λi+μt+εit

(2)

GTFPit=δ0+δ1GTFPit-1+δ2DEit-1+δ3Mit+δXit+λi+μt+εit

(3)

其中，Mit是数字金融影响绿色全要素生产率的机制变量，根据理论分析，包括绿色技术创新和产业结构升级两个方面。通过判断和比较β2、γ1、δ2、δ3的显著性和大小，可以得到数字金融能否通过机制变量的渠道作用于绿色全要素生产率，即中介效应是否存在。

(二)数据说明与变量构建

本文以2011—2018年中国281个地级及以上城市作为样本，城市数据来自《中国城市统计年鉴》《中国能源统计年鉴》《中国环境统计年鉴》和中国研究数据服务平台(CNRDS)、国泰安数据库(CSMAR)、司尔亚司数据信息有限公司(CEIC)中国经济数据库，数字金融指数来自《北京大学数字普惠金融指数(2011—2018)》。对于极个别缺失的数据，利用插值法进行补齐，最终形成共计2 248个样本的平衡面板数据。

1.核心解释变量

数字金融(DE)。本文采用郭峰等[18]编制的数字普惠金融指数作为数字金融的代理变量。该指数包括覆盖广度(Cov)、使用深度(Usa)和数字化程度(Dig)3个一级子维度，对数字金融进行了多维度刻画。由于数字金融指数和其他变量在量纲上差异较大，本文将数字金融指数及其子维度均除以100作为原始数据。

2.被解释变量

绿色全要素生产率(GTFP)。为克服传统同质性假设下的测算偏误，本文参考王兵等[19]的研究，将异质性技术进步纳入，采用Meta-SBM-Luenberger生产率指数对绿色全要素生产率进行测度。

首先假设城市作为基础决策单元(DMU)，拥有N种投入要素，产出M种“好”产出和H种“坏”产出，其生产可能集为

(4)

其中，x代表资本、劳动和能源投入向量，y代表期望产出向量，b代表污染排放物衡量的非期望产出向量，T代表以此衡量的生产可能集。投入指标包括以城市就业人口衡量的人力投入、以固定资产投资衡量的资本投入和以电力消费衡量的能源消耗，由于固定资产投资为流量指标，采用永续盘存法将其转换为存量资本投入指标，参考单豪杰[20]的做法，折旧率设为10.96%，将滞后1年实际资本存量除以平均折旧率10.96%与滞后5年间固定资产投资增长率平均值之和，测算得到以2011年为基期的资本存量。期望产出以实际GDP来衡量，非期望产出以城市工业废水排放、工业二氧化硫排放和工业烟粉尘排放量来衡量。由于三废排放单位不同，利用熵权法对三个指标进行无量纲化，以最终的指数单位来衡量各城市排放水平。

根据数据包络分析(DEA)方法的求解条件，本文假定投入要素和“好”产出具有强可处置性，“好”产出和“坏”产出联合弱可处置性和零结合性，即满足如下三条公理约束：

(5)

若(x,y,b)∈T∪0≤θ≤1 则(x,θy,θb)∈T

(6)

若(x,y,b)∈T∪b=0 则y=0

(7)

生产可能集可表示为如下形式：

(8)

传统方向性函数的最优化求解局限于产出和投入的单一方向调整，存在一定程度的效率损失，并会高估效率值。为了克服无效率测量，引入非径向方向性函数(NDDF)[21]，设定方向向量如下：

(9)

其中，ωT=(ωK，ωL，ωE，ωY，ωC)分别表示投入变量(资本、劳动、能源)和产出变量(期望产出用地区生产总值衡量，非期望产出用废物排放衡量)的权重集合，β代表各投入、产出的非效率系数。g为方向向量，g=(-gK，-gL，-gE，gY，-gC)，考虑到城市层面数据的分散性特点，本文设置了平均权重g(1/9，1/9，1/9，1/3，1/3)。

本文将规模报酬不变(CRS)环境生产技术定义为

(10)

进一步，基于非径向方向性函数，将投入和产出纳入目标约束：

(11)

通过求解式(11)可以得到包含环境因素的技术效率，但是由于常规的生产技术求解通常假定生产技术同质，这与现实情况有所偏离，为了解决技术异质性带来的效率评价问题，在组间异质性生产技术的假定下，构建了组间的共同边界，在此基础上刻画了组间异质性[22]：

(12)

进一步借鉴Fujii[23]的方法，采用Luenberger指数在共同前沿下进行全要素生产率求解。根据Luenberger指数定义：

(13)

将上述基于共同前沿的生产技术代入式(13)，分别对四组方向性距离函数求解，则可算出Luenberger指数。Luenberger指数可进一步分解为两个部分：效率改善(EC)部分和技术进步(TC)部分，分别衡量了生产效率和生产技术的改善程度，分解公式如下：

(14)

(15)

3.中介变量

绿色技术创新和产业结构升级。首先，参考主流文献的做法，用绿色专利申请和绿色专利获得来衡量绿色技术创新，考虑到绿色专利的申请与获得存在厚尾分布，参考李春涛等[24]的研究，将城市当年获得的绿色专利数量和当年申请的绿色专利数量分别加1后取对数来刻画技术创新水平，记为Gpa和Gpo。

其次，根据理论分析从产业结构合理化(Thl)和产业结构高级化(Iss)两个层面来考察产业结构升级是否是数字金融提升绿色全要素生产率的渠道。产业结构高级化用第三产业产值与第二产业产值之比来度量；产业结构合理化用泰尔指数进行测算，借鉴袁航等[25]的做法，测算公式如下：

(16)

其中，i代表城市；m代表三大产业,m=1,2,3；t代表时间；yimt衡量的是i城市m产业增加值占GDP的比重；limt衡量的是i城市m产业从业人员占总就业的比重。本文将产业结构合理化的测算值取绝对值，因而该值越大表示偏离0越远，即产业结构越失衡。

4.控制变量

为了减少遗漏变量偏误，本文还引入了一系列控制变量，参考张帆等[13，26]的研究，选取以下变量作为主要控制变量：市场结构(Mar)、产业结构(Ind)、城镇化水平(Urb)、利用外资(FDI)、就业人口(Lab)、人力资本(Edu)、固定资产投资(Inv)、财政自由度(Gov)。

本文变量的定义与描述性统计结果见表1。

表1 变量定义与描述性统计结果

三、实证结果与讨论

(一)基准回归结果

首先，根据式(1)进行回归。考虑到式(1)构建的动态面板中，解释变量含有绿色全要素生产率的1阶滞后项，为了克服由此带来的内生性问题，本文使用系统广义矩估计(SYS-GMM)进行估计。为了确保估计方法的合理性和估计结果的稳健性，本文同时汇报了采用差分广义矩估计(DIF-GMM)、最小二乘法(OLS)和面板数据双向固定效应模型(FE)估计的结果。考虑到城市层面的自相关性，将标准误聚类到城市。从表2第(1)列可以看出，在使用SYS-GMM得到回归结果中，核心解释变量的系数在1%的水平上显著为正，AR(1)、AR(2)和Hansen检验显示，估计结果通过了自相关检验和弱工具变量检验。由此可见，数字金融能够作为提升绿色全要素生产率的新的金融支持手段，验证了假说1。表2第(2)～(4)列汇报了DIF-GMM、OLS和FE的估计结果，可以看出，在更换估计方法后，数字金融对绿色全要素生产率的正向促进效应仍然显著成立。进一步地，根据动态完备性假设，在存在内生性干扰的情况下，动态面板模型中被解释变量1阶滞后项的OLS估计结果存在上偏效应，而其FE估计结果存在下偏效应，即绿色全要素生产率1阶滞后项的真实估计值介于两者之间。此外，由第(3)(4)列可知，DIF-GMM的估计结果中核心解释变量的系数在使用FE和OLS估计得到的估计系数范围之外，说明估计存在偏差，而使用SYS-GMM得到的估计值则在此范围内，证明了本文选用SYS-GMM进行估计的合理性和有效性。

表2 基准回归估计结果

考虑到数字金融指数包含覆盖广度、使用深度和数字服务支持度3个子维度，本文分维度对绿色全要素生产率进行考察。为了避免将3个子维度同时代入式(1)导致的共线性问题，依次将子维度代入式(1)进行回归，表3第(1)～(3)列汇报了回归结果。3个子维度对绿色全要素生产率的影响均在1%的水平上显著为正，说明数字金融从覆盖广度、使用深度和数字化程度三个方面都显著提升了绿色全要素生产率。从系数大小来看，覆盖广度对绿色全要素生产率的影响最大，而数字化程度的系数在三个子维度中最小。因此，以数字金融的手段助力绿色增长，不但要扩大数字金融的覆盖范围，还应该加强数字金融的基础设施建设，尤其是注重新一代信息基础设施的更新和推进，从而实现三个维度的平衡发展。

将绿色全要素生产率分解为绿色效率改善(EC)和绿色技术进步(TC)，进一步考察其中的异质性影响，即数字金融主要是通过促进绿色效率改善还是绿色技术进步来赋能绿色增长的。表3第(4)(5)列汇报了回归结果，可以看出，数字金融对绿色效率改善和绿色技术进步的正向促进效应均显著为正，表明数字金融一方面有助于缓解金融资源错配，引导金融资源流入绿色行业，优化资源配置，改善绿色效率；另一方面，数字金融的发展能够推动数字技术的扩散，而数字技术本身就是一种绿色技术，从而起到增进绿色技术进步的作用。系数大小表明，数字金融对绿色技术进步的影响要大于对绿色效率改善的影响，显示出数字金融内嵌的新一代信息技术在实现绿色变革中强大助推力。因此，充分释放数字金融助力绿色增长的动能，不仅需要重视数字金融优化金融资源配置的作用，有效利用数字金融来校正传统金融结构的偏离和靶向引导金融资源的配置，还需要强化数字技术的研发与升级，以数字技术构建绿色技术进步的底层基础，进而实现绿色增长的提质增效。

表3 不同维度的回归估计结果

(二)稳健性检验

1.内生性问题处理

尽管本文将数字金融指数滞后1期在一定程度上能缓解可能存在的双向因果关系，但式(1)仍可能存在难以避免的遗漏变量偏误。为了保证研究结论的可靠性，本文通过对数字金融选取工具变量和采用双重差分法来缓解可能的内生性。

(1)工具变量法。借鉴张勋等[6]的研究，本文利用地理信息系统(GIS)分别测度了所在城市到杭州市的距离(IV1)以及到所在省份的省会的距离(IV2)，作为数字金融的工具变量。一方面，杭州是支付宝等数字金融工具的诞生地，数字金融呈现出距离杭州越远越难推广的特征，同时，省会城市通常是全省的政治经济中心，距离省会越近的城市，数字金融的发展往往越活跃，因而这两个距离变量满足工具变量相关性的要求。另一方面，外生的地理距离并不会直接作用于绿色全要素生产率，因而满足工具变量排他性的要求。由于这两个距离变量是没有时间维度的，本文的估计基于面板数据，因而借鉴Nunn等[27]的做法，将地理距离与一个具有时间维度的变量进行交互，本文将除本城市外的全国数字金融均值(DEM)进行交互。全国层面的数字金融平均发展水平肯定与数字金融变量紧密相关，满足了相关性条件，而全国层面的数字金融平均发展水平不会明显受到某一城市绿色全要素生产率的影响，满足了排他性条件。

表4第(1)(2)列汇报了两阶段最小二乘法(2SLS)的估计结果。在第(1)列的2SLS第一阶段回归中，工具变量对数字金融的回归结果均在1%的水平上显著为负，说明数字金融跟本文选择的地理距离变量负相关，符合预期。在第(2)列的2SLS第二阶段回归中，对数字金融选取工具变量后，数字金融对绿色全要素生产率的影响仍然在1%水平上显著为正，从系数大小上来看，变化也很微小，说明在考虑可能存在的内生性问题后，数字金融仍然能显著提升绿色全要素生产率，研究结论稳健。此外，第一阶段F值远大于10，Hansen检验P值大于0.1，表明本文工具变量选择满足相关性和外生性，因而2SLS的估计结果是有效的。进一步，本文采用GMM-IV方法进行交叉验证，表4第(3)列汇报了回归结果，可见，估计结果同样在1%的水平上显著为正，系数大小的变化也十分微小，并且通过了自相关检验和弱工具变量检验，再次证明了工具变量法的有效性和本文结论的稳健性。

表4 内生性处理回归估计结果

(2)双重差分法。数字金融的发展水平和影响范围紧密依赖信息基础设施的建设，中国人民银行2016年发布的《G20数字普惠金融高级原则》(以下简称《高级原则》)明确了利用数字技术提升金融服务的原则和扩大信息基础设施覆盖面、升级网络技术的行动目标，这为本文提供了一个识别数字金融与绿色全要素生产率之间关系的场景。《高级原则》提出，发展数字金融，要在用户获得便利性与创新风险之间保持平衡。现实中，中国数字金融发展较快的地区，信息基础设施也比较完善，政策的实施对于此类地区更多的是起到平衡风险的作用，而对于数字金融发展相对缓慢的地区，政策的实施更多的是弥补信息基础设施建设的不足，因此，《高级原则》的实施对于数字金融发展相对缓慢的地区的绿色促进效应会更大一些。由于《高级原则》实施对不同数字金融发展水平的城市带来的影响程度不同，因此利用双重差分法对本文问题进行识别。参考宋敏等[2]构建处理组和对照组的做法，依据政策实施前一年各城市数字金融指数的中位数分为低数字金融发展水平城市和高数字金融发展水平城市，作为处理组和对照组，通过构建双重差分模型来评估其对绿色全要素生产率的影响，模型设定如下：

GTFPit=β0+β1DECit×Postit+βXit+λi+μt+εit

(17)

其中，DECit表示城市i是否是处理组，属于则取1，反之取0；Postit为时间虚拟变量，政策实施的2016年及之后年份取1，反之则取0。

交互项DECit×Postit的系数β1捕捉了政策对绿色全要素生产率的影响。表4第(4)列汇报了双重差分法的估计结果，可以看出，β1在1%的水平上显著为正，说明显著提升了绿色全要素生产率。

使用双重差分法需满足平行趋势假设，本文将式(17)中的Postit替换成年份虚拟变量，检验平行趋势假设是否成立，估计结果如图1所示。可以看出，在政策实施前，不能拒绝Postit为0的原假设，说明处理组和对照组之间的时间趋势是一致的，满足平行趋势假定。

图1 平行趋势检验结果

此外，本文还通过虚构政策时间进行了安慰剂检验，将政策实施时间提前到2014年重新回归，表4第(5)列汇报了估计结果。可以看出，将政策实施时间提前后，交互项系数不再显著，表明不存在随机性因素干扰，研究结果是稳健的。

2.其他稳健性检验(1)限于篇幅，结果留存备索。

首先，剔除直辖市。考虑到直辖市无论是在经济规模、行政级别还是在人口数量上，都与其他地级市存在较大的差别，因此本文利用剔除直辖市后的样本重新估计式(1)，核心解释变量的系数仍然在1%的水平上显著为正，说明本文的结论是稳健的。

其次，变量缩尾处理。考虑到数据中异常值对估计结果的影响，本文对所有变量在1%和99%分位上进行缩尾处理，用缩尾后的样本重新估计，结果显示，数字金融仍然显著地提升了绿色全要素生产率。

最后，更换核心解释变量。参考汪亚楠等[28]的做法，将存贷款总额占GDP的比重作为数字金融的替代变量，对式(1)重新回归，更换核心解释变量后，数字金融对绿色全要素生产率的提升效应仍然在1%的水平上显著为正，研究结果是可靠的。

(三)机制检验

1.绿色技术创新效应

将绿色专利获得与绿色专利申请依次代入式(2)(3)进行估计，回归结果见表5。第(1)(3)列结果显示，无论以何种方式刻画绿色技术创新，数字金融都显著地提升了城市绿色技术创新水平，表明数字金融的发展激发了市场主体的绿色创新活力。第(2)(4)列结果显示，中介变量绿色技术创新对绿色全要素生产率的影响在1%的水平上显著为正，同时，数字金融系数也显著为正，但均小于式(1)基准回归的系数，说明绿色技术创新在数字金融影响绿色全要素生产率的过程中发挥了部分中介效应。此外，为了进一步确保中介效应的稳健性，本文还在逐步回归之外进行了Sobel检验，检验结果显示Sobel Z指数在1%水平上显著，验证了假说2a。绿色技术创新的中介效应表明，依托数字金融释放绿色动能应重视绿色技术创新发挥的支撑作用。

表5 机制检验：绿色技术创新效应

2.产业结构升级效应

将产业结构合理化和产业结构高级化的代理变量依次代入式(2)(3)进行回归，结果见表6。第(1)(2)列结果显示，数字金融发展程度的提高有助于降低产业结构的不合理程度，而随着产业结构趋于合理化，绿色全要素生产率也得到了显著提升，同时，数字金融系数显著为正，但小于基准回归系数，说明产业结构合理化在数字金融影响绿色全要素生产率的过程中发挥了部分中介效应，数字金融的发展有助于化解高能耗高污染产业的产能过剩。第(3)(4)列结果显示，产业结构高级化在数字金融提升绿色全要素生产率的过程中也发挥了部分中介效应。此外，Sobel Z指数值在1%水平上显著，进一步确保了中介效应的稳定性，也验证了假说2b。产业结构升级的中介效应表明，数字金融有助于促进传统产业向知识密集型产业转型，进而推进产业结构高级化，加快城市绿色转型。因此，加快数字金融与传统产业的融合，有助于推动产业结构的协同演化和迈向中高端的转型，从中孕育推动绿色增长的新动能。

表6 机制检验：产业结构升级效应

(四)区域异质性

考虑到中国幅员辽阔，281个城市在地理位置上都存在着较大差异性，这些差异性可能会导致数字金融的绿色经济效应也表现出异质性，因而本文将全样本划分为东、中、西部地区三个子样本来刻画地理区位的差异(2)限于篇幅，结果留存备索。。可以看出，在西部城市，数字金融对绿色全要素生产率的影响在1%的水平上显著为正；在东部城市和中部城市，核心解释变量的系数仅在10%的水平上显著为正。系数大小表明，数字金融对绿色全要素生产率的正向促进效应在西部城市要远远大于东中部城市，可能原因在于，东中部城市相比西部城市拥有更成熟和完善的传统金融基础，因而新兴的数字金融通过突破时空的限制来调动金融资源，进而弥补传统金融的缺位，由此所释放的边际效应在东中部城市会相对小一些。在上述逻辑下，以数字金融提升绿色全要素生产率，对于传统金融基础良好的东中部城市来说，更像是“锦上添花”，而对于传统金融基础较薄弱的西部城市来说，更像是“雪中送炭”。这体现出数字金融是一种普惠金融，能够成为西部城市在绿色增长上追赶东中部城市的后发优势，进而起到填平东中部城市和西城市绿色增长鸿沟的包容性作用。

四、进一步讨论：空间溢出效应

数字金融的一个典型特征就是通过突破时空限制、压缩地理距离来调动金融资源，推动城市之间要素的流动、融合与协同，增强区域间经济活动的联动性。数字技术与金融的结合带来了区域经济的空间重组，加速了资本的跨区域流通，促进了城市之间的合作，形成技术溢出效应和人才流动效应。因此，数字金融对城市绿色全要素生产率的影响可能在空间上还存在外溢效应，即本城市的数字金融发展不但能提升自身的绿色全要素生产率，还可能会扩散到邻近城市，对其他城市的绿色全要素生产率产生促进效应。为了进一步探索影响过程的空间溢出效应，本文采用空间计量进行考察。

随后，利用莫兰指数(Moran’s I)考察空间依赖性。表7汇报了2011—2018年中国281个城市数字金融与绿色全要素生产率的莫兰指数值，可以看出，两者的莫兰指数均显著为正，表明数字金融与绿色全要素生产率都存在空间自相关。

表7 2011—2018年中国281个城市数字金融与绿色全要素生产率的莫兰指数

最后，依次进行LM检验、Hausman检验和LR检验，确定了双重固定效应的空间杜宾模型(SDM)为最优。因此，本文构建空间杜宾模型进行检验，模型设定如下：

GTFPit=β0+ρWGTFPit+β1DEit+ΦWDEit+βXit+ηWXit+λi+μt+εit

(18)

其中，W为空间权重矩阵，ρ、Φ和η为空间回归系数，WGTFPit、WDEit、WXit分别为核心被解释变量、核心解释变量和控制变量的空间滞后项。

由于空间滞后项的回归系数值不能用以直接解释数字金融对绿色全要素生产率的边际效应，本文利用偏微分方程将数字金融影响绿色全要素生产率的总效应分解为直接效应和间接效应，回归结果见表8。直接效应和间接效应均显著为正，说明本城市的数字金融发展不但能够提升自身的绿色全要素生产率，还能够打破时空与区域的束缚，带动邻近城市绿色全要素生产率的提升。对比不同空间权重矩阵下的间接效应大小，可以看出，社会经济特征权重下的空间溢出效应更大，再次证明了数字金融是通过压缩地理距离、增强经济联动性来形成外溢效应，进而提升绿色全要素生产率的。因此，与地理特征一样，社会经济因素对释放数字金融影响绿色增长的受益范围同样重要，放大空间溢出效应需要强化区域间经济联系。

表8 空间计量回归估计结果

五、结论与政策建议

基于中国城市的经验证据，本文深入考察了数字金融对绿色全要素生产率的动态影响、内在机制和空间效应。研究发现：第一，数字金融显著地提升了绿色全要素生产率，在一系列稳健性检验后结论一致；第二，从数字金融的一级维度来看，覆盖广度在提升绿色全要素生产率上影响最大，使用深度次之，数字化程度最弱；从对绿色全要素生产率的分解回归结果来看，数字金融对绿色技术进步的提升效应要强于对绿色效率改善的影响；从区域维度来看，数字金融的绿色经济效应在西部城市要强于东中部城市；第三，绿色技术创新和产业结构升级是数字金融提升绿色全要素生产率的重要渠道；第四，数字金融不但提升了本城市的绿色全要素生产率，还打破了区域与时空的限制，辐射带动邻近城市的绿色增长。

本文的研究结论具有以下政策启示：第一，政府部门应重视数字金融能够提升绿色全要素生产率的强大作用，在战略层面积极把握新一轮科技革命的新机遇，继续做强做优做大中国数字金融，鼓励金融机构利用数字技术开展金融创新，探索数字金融在绿色金融领域的应用，构建以数字技术为支撑的银行和非银行金融机构等多主体参与的数字金融发展模式，充分激发数字金融赋能绿色增长的作用。第二，着力强化信息基础设施的建设，补齐数字服务支持度发展不充分的短板，特别是中西部等信息基础设施较薄弱地区，应坚持“一地一策”的差异化政策推进方案，重点推进宽带网络光纤化改造，着力提升电信基础设施服务能力，加快互联网骨干节点升级，从而实现数字金融不同区域和不同维度的平衡发展。第三，以促进绿色技术创新和优化产业结构为推动绿色增长的具体路径，一方面充分利用中央和地方各类专项资金、相关税收优惠政策与征管制度以及政府与社会资本合作模式，发挥和强化政府以及金融机构对绿色金融资源的引导作用，从源头上破除企业开展绿色技术创新的融资困境，形成数字金融和绿色技术创新相互促进的良性循环；另一方面紧扣数字技术革命与产业变革方向，利用数字技术对低能耗、低污染、高创新的数字化产业画像，通过靶向监测，精准引导金融资源流向数字化产业，同时对传统产业进行全方位、多维度的数字化改造、升级和转型，强化和倍增数字金融的绿色增长效应。第四，重视跨区域、跨部门、跨机构的人才、信息和技术的交流和共享，通过搭建跨组织互联互通、协同创新的合作平台，打造区域一体化的风险监管系统，建设开放统一的市场体系来拓宽数字金融的空间溢出渠道，从而充分发挥数字金融能够跨区域整合资源的优势，形成绿色增长协同发展网络。