金融科技对碳排放强度的影响研究

周亚军，齐志渊

（1.新疆财经大学 金融学院，新疆 乌鲁木齐 830012；2.新疆财政与金融协同创新研究中心,新疆 乌鲁木齐 830012）

一、引言

改革开放以来，我国经济实现稳步且快速发展。然而，粗放式的经济发展带来了高能耗、高污染、高排放的结果。追求高质量、可持续发展成为新时代我国经济建设的基本落脚点。在全球气候异常情况多发的大背景下，我国展现了负责任的大国形象，加速推进了去碳化进程，习近平主席在第七十六届联合国大会上强调，完善全球环境治理，积极应对气候变化，构建人与自然生命共同体。加快绿色低碳转型，中国将力争2030年前实现碳达峰、2060年前实现碳中和。这是继七十五届联合国大会首次提出“双碳”目标后的又一次庄严承诺，彰显了我国在推动全球绿色转型中的大国担当。

碳达峰、碳中和的战略部署需要长效的金融支撑，而金融科技作为金融与新兴数字驱动技术的结合，可以对污染形成长效机制的治理（许钊等，2021）[1]。金融科技凭借自身“清洁型”和“动力型”特点，在我国经济实现高质量、可持续发展的路上起着日臻关键的作用。2022年1月，中国人民银行发布《金融科技发展规划（2022—2025年）》，指出金融科技应运用数字技术提高金融服务绿色产业的广度与精准度，实现经济绿色低碳转型。在此背景下，研究金融科技对我国碳排放强度（单位生产总值下的碳排放量）的影响及其作用机制具有重要现实意义。本文基于2011—2020年省级面板数据，通过空间杜宾模型剖析金融科技对碳排放强度的影响，进一步地利用中介效应模型探究其中介影响机制，既可以为后续金融科技研究提供一些思路和经验支撑，亦可以拓展现有的研究框架，丰富金融科技与碳排放强度的相关理论研究，旨在为国家深化金融科技发展，助力国家经济实现绿色转型与高质量发展提供经验支撑。

二、文献回顾

（一）金融对碳排放的影响

目前，针对金融行业对碳排放的影响，国内外学者从不同的视角开展了研究。由于不同的学者定义金融发展存在着差异性，已有文献大致从金融发展、金融结构、金融效率、金融集聚四方面进行研究。

一是从金融发展角度探索其对碳排放的影响，目前学者对于两者间的关系并未形成统一的结论。Jiang 和Ma（2019）[2]基于全球视角，将155 个国家分为发达国家和发展中国家两个子样本进行实证研究，发现金融发展将在各国达到较高发展水平前促进碳排放。而Zaidi等（2019）[3]以亚太经合组织成员为研究样本，认为金融发展可以为清洁能源和节能技术项目提供长期融资支持，进而减少碳排放。针对我国金融发展对碳排放的影响，陈亮和胡文涛（2020）[4]基于信贷规模构建金融发展指标，以面板VAR 模型进行实证研究，发现金融发展并不能有效地减少碳排放。

二是从金融结构角度探究其对碳排放的影响，学者们发现即使金融发展规模相似，但由于金融结构的不同，其碳排放强度也存在较大的差异。叶初升和叶琴（2019）[5]利用88 个经济体1990—2014年的数据进行研究，表明市场化程度高的金融结构有益于通过增强创新减少碳排放强度。陈向阳（2020）[6]以金融中介效率、银行依赖程度和金融相关比率作为金融结构的三个维度，通过研究发现以银行为主导的金融结构增加了碳排放总量。前者是以碳排放强度为研究对象，而后者以碳排放总量为被解释变量。

三是从金融效率角度研究两者之间的关系，学者们普遍认为金融效率的提升会对碳排放产生抑制效应，但该抑制效应存在滞后性。金融效率的提升只有跨过特定门槛时才会降低碳排放水平（Shahbaz等，2013；Abbasi 和Riaz，2016）[7-8]。周亚军和吉萍（2019）[9]通过建立省际空间面板模型探究金融资源配置效率对人均碳排放量的影响，实证结果表明我国金融资源配置效率对降低人均碳排放水平存在显著影响。

四是考察了金融集聚对碳排放的影响，目前国内外学者关于金融集聚对碳排放直接影响的研究较少，多是从能源消耗（Qu 等，2020）[10]、绿色经济效率（Qian 等，2022；Yuan 等，2019）[11-12]、科技创新（Wen等，2021）[13]等角度进行探讨。而李治国等（2021）[14]采用动态空间杜宾模型剖析了金融集聚与碳排放间的非线性关系，即金融集聚对本地区和周边地区的碳排放都存在“倒N”形的曲线关系。

（二）金融科技对环境的影响

随着金融科技概念的完善与快速发展，关于金融科技的学术研究也逐步深入，除金融科技对银行绩效、系统性风险的影响等领域的研究，日益突出的环境问题也被考虑其中。在金融科技对绿色全要素生产率影响的研究中，范欣和尹秋舒（2021）[15]利用2011—2017年29 个省份的面板数据进行实证研究，结果表明数字金融的发展可以有效提升绿色全要素生产率，其中技术创新与地区创业起着明显的传导作用。进一步地，数字普惠金融可以通过降低三大行业的总碳排放量，进而提升全要素生产率。针对金融科技的创新性，李春涛等（2020）[16]采用2011—2016年新三板上市公司的数据进行实证研究，结果表明金融科技可以通过缓解企业的融资约束和提高税收返还来促进企业创新。也有学者认为区域创新水平的提高是金融科技提升能源效率的重要传导机制。金融科技作为金融与信息科技的结合，其数字化载体能否成为绿色金融发展的支撑点呢？部分学者对此开展了研究，认为金融科技可以通过促进绿色金融深化来实现可持续发展（Puschmann 等，2020；Vergara 和Agudo，2021）[17-18]。此外，金融科技的发展还可以凭借其引起的产业升级、创新创业效应产生污染减排作用（许钊等，2021）[1]。

梳理现有研究成果，我们可以发现探究传统金融与碳排放强度的文献较多，但针对金融科技直接影响碳排放的研究文献寥寥可数，其中Tao 等（2022）[19]将金融科技与碳排放置于同一框架内进行研究，个别学者将碳排放量作为数字普惠金融提升全要素生产率的中介机制，但鲜有文献直接考察金融科技与碳排放强度两者之间的关系。基于此，本文可能的边际贡献在于：第一，采用空间杜宾模型将金融科技与碳排放强度置于同一框架进行研究，补充了现有研究；第二，本文进一步探讨金融科技对碳排放强度的作用机理，以中介效应模型探究其中间影响机制，有利于更好地理解金融科技影响碳排放强度的传导关系。本研究着重关注金融科技与绿色发展理念间的关联，其成果能彰显金融科技发展的新优势，为国家深化金融科技发展提供新的经验证据支持。

三、理论分析与假设提出

在绿色低碳发展的时代背景下，数字化技术与各行各业不断深化交融，因势而新的金融科技成为低碳经济的重要推手。金融科技的碳减排效应主要体现在以下几方面。第一，金融科技自身的低碳属性。金融科技作为数字化产业的一部分，其数据作为生产要素可被多边使用，降低了生产成本，相对于传统生产要素具有可复制、可再生的特点，减少了环境负担成本。第二，金融科技的数字信息技术运用。首先，金融科技革新的交易机制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（许钊等，2021）[1]，数字资产、人工智能、理财贷款模式的创新改变了客户群体的金融需求，降低了人力成本与中介成本（薛莹和胡坚，2020）[20]，减少了客户实地前往金融机构所带来的出行成本，具有节能减排的价值。其次，金融科技可以赋能传统金融，提高其资源配置效率，减少信息不对称，助力绿色信贷精准放矢，引导资金流向绿色低碳企业，缓解其融资约束，为企业扩大再生产与技术革新提供资金保障。此外，信贷市场透明度的上升，绿色信贷的整体流向将释放“信号”，引导更多民间资本转入绿色项目，增加绿色行业的资本供给。即金融科技除自身作为数字产业所携带的低碳属性，还可以凭借自身的信息技术运用赋能传统金融，减少交易成本，提高资源配置效率，为绿色行业的发展提供资金保障，实现绿色技术创新效应，减少碳排放强度。鉴于此，本文提出假说1。

假说1：金融科技可以降低我国的碳排放强度。

通过我国碳达峰顶层设计文件《2030年前碳达峰行动方案》中2025年和2030年中的非化石能源分别占比20%和25%的目标，可以看到，能源结构的改善是我国实现碳达峰、碳中和的根本路径之一。能源结构的改善，在依靠政府政策引导的基础上，还需要借助金融手段实现资金的有效保障。而市场上的信贷总量有限，传统金融部门多依靠企业资产与资金偿还能力来选择客户，但清洁能源自身的经济效益弱于高污染化石能源且成本较高，需要稳定的资金流支持（穆献中等，2019）[21]，这就容易造成金融资源错配与金融歧视，致使该类创新型、成长期的企业遭遇融资困境。而金融科技以信息技术赋能传统金融，在能源新旧转换更迭的趋势下，通过数字技术实现绿色定性定量分析，强化绿色企业的识别能力，为其提供多元化的金融服务，可以有效降低新能源企业的融资成本，提高资源配置效率，拓宽企业融资渠道，进而扩大生产规模（高晓燕和王治国，2017）[22]。此外，金融科技结合了大数据、云计算等新兴驱动技术，主要从规模、速度和准度等三个维度提升了数据处理能力，在新能源政策导向下，降低信息壁垒可以为新能源企业的生产研发、技术革新提供稳定的资金流，进而带动其产出效率提升，提高经济效益，为优化我国能源结构提供内生动力。至于此，本文提出假说2。

假说2：金融科技可以通过优化我国能源结构来降低碳排放强度。

四、研究设计

（一）变量选择及数据来源

1.被解释变量

本文的被解释变量为碳排放强度，用以衡量单位生产总值下的碳排放总量。参考已有研究（李国志和李宗植，2010；李金铠等，2020）[23-24]，本文根据IPCC（2006）的方法，选取各省份消耗的煤炭、焦炭、原油等8 种化石能源测度其二氧化碳排放总量。具体公式如下：

其中，CEj为第j种化石能源的二氧化碳排放量，Ej为第j 种化石能源的消耗量，Fj为第j 种能源的标准煤折算系数，Lj为第j 种化石能源的碳排放系数。K 等于44/12，表示碳氧化成CO2分子量从12 转变为44。各类化石能源的标准煤折算系数和碳排放系数如表1所示。

表1 各类化石能源标准煤折算系数与碳排放系数

2.核心解释变量

从金融稳定理事会（FBS）对金融科技的定义中可以看出，金融科技主要是指由大数据等新兴前沿技术带来的技术创新，而其创造的新业务模式、技术应用、产品服务会对金融市场以及金融服务供给产生重大影响。目前针对金融科技发展程度的衡量方法主要分为两类。一是采取文本挖掘技术。构建金融科技关键词，在百度新闻检索词频（李春涛等，2020）[16]；利用路演中心出具的研究报告并结合地区金融科技企业数量和相关政策文件设置权重得到金融科技发展水平（李睿，2021）[25]；基于“天眼查”网站检索地区金融科技公司数量（宋敏等，2021）[26]。二是结构化数据构建指标，如使用数字普惠金融指数作为衡量金融科技发展水平的替代指标（邱晗等，2018；唐松等，2019；孟娜娜等，2020）[27-29]。北京大学数字金融中心编制的中国数字普惠金融指数更能从细致的角度出发，全面真实地衡量地区的金融科技发展水平。而新闻检索得出的结果等多是大众的关注情况，该信息快速更迭，可能不能客观反映金融科技的发展水平。地区金融科技公司或政策文件数量也可能只能在量上反映金融科技发展情况，无法从质的维度进行考察，而数字普惠金融中的数字化程度直观地从微观个体的角度出发，衡量金融与云计算、大数据等新兴技术的融汇程度，真实反映各省份金融的信息化发展水平，更符合金融科技的定义。鉴于此，本文选取数字普惠金融指数（郭峰等，2020）[30]中的子指标“数字化程度”作为金融科技的代理变量。

3.控制变量

表2 变量定性描述

4.数据来源及处理

基于数据可得性，本文以2011—2020年我国30个省份（西藏自治区和港、澳、台地区统计数据大量缺失，故剔除）的相关数据为研究样本。所用原始数据来源于北京大学数字普惠金融指数、《中国能源统计年鉴》《中国统计年鉴》、各省份统计年鉴、Wind 数据库。对于原始数据的少数缺失值，本文以插值法和线性趋势法补充完整。另外，为排除价格因素带来的干扰，本文以2011年为基期对碳排放强度、人均GDP 中所用的生产总值进行平减处理。描述性统计具体如表3所示。为减少异方差带来的影响，本文在模型回归中对所有变量的数据进行对数化处理。

表3 描述性统计结果

（二）模型设定

1.空间权重矩阵设定

空间权重矩阵的构建是开展空间计量的必备条件。相较于邻接矩阵，地理距离矩阵的解释力度不会随着样本量的增加而减少（Gilio 和De Moraes，2016）[32]。鉴于此，本文以30 个省份的地理距离倒数的平方构建反距离平方矩阵。具体表现形式如下：

其中，dij为i、j 两省份省会城市之间的地理距离。

2.空间面板模型构建

基于已有研究利用空间计量模型考察金融科技对其他因变量的影响（李睿，2021；唐松等，2019）[25,28]，结果表明了金融科技存在着空间溢出效应。而碳排放的空间溢出效应也已被许多学者证实（李治国等，2021；路正南和罗雨森，2021）[14,33]。因此，有必要分析空间视角下的金融科技对碳排放强度的影响。具体模型设定如下：

其中，lnCIit表示省份i 在t 时对数化后的碳排放强度；lnFinit表示i 省份t 时的金融科技发展水平；Controlsit为本文选取的对数化处理后的控制变量，参考路正南和罗雨森（2021）[33]的做法，用加入对数化后的经济发展水平的二次项和三次项，验证经济发展与碳排放水平的非线性关系；W 为空间权重矩阵；ρ 度量lnCIit的空间滞后系数；β1和γ1分别表示核心解释变量和控制变量的回归系数；β2和γ2分别表示核心解释变量、控制变量的空间回归系数；λ 为空间误差系数；φi为个体固定效应；μt为时间固定效应；εit和νit为服从正态分布的随机误差项。

微量升华法的应用操作手法较为丰富，常见的有放射测量法和微热测量法等，通过这些方法能够对食品微生物的检测结果进行优化，更能保证微生物检测的准确性。对于发生测量法，采用的是微量放射性标记物对其进行检测，通过对菌落中的碳水化合物进行标记，从而对食品中的菌落情况进行准确的判断。

当λ=0时，式（3）表示空间杜宾模型（SDM）；当λ=β2=γ2=0 时，式（3）表示空间滞后模型；当ρ=β2=γ2=0时，式（3）表示空间误差模型。

为探讨本地碳排放强度受到的本地解释变量和周边地区解释变量的影响，对空间计量模型进行效应分解。以一般形式下的空间杜宾模型进行简化表述，对表达式y=ρWy+βX+λWX+ε 进行变形得到式（4）：

由(I-ρW)-1=I+ρW+ρ2W2+ρ3W3+…，将式（4）改写为式（5）：

其中，Sr(W)≡(βr+λrW)(I-ρ)-1为依赖于βr、λr与W的n×n矩阵，其扩展形式如式（6）所示：

其中，等号右侧第一个矩阵为偏微分矩阵Sr(W)，其主对角线所有元素的平均值为变量Xr的直接效应，非对角线元素之和的平均值为变量Xr的间接效应，间接效应与直接效应之和称为总效应。

3.中介效应模型构建

为更大程度上控制弃真错误和存伪错误，本文在参考相关文献的基础上（李睿，2021；宋敏等，2021；Yuan等，2020）[25-26,34]，采用逐步因果法构建中介效应模型，考察了能源结构升级在金融科技影响碳排放强度中起到的中介效应。中介效应的具体检验步骤如下。

首先，检验式（7）中解释变量lnFinit对被解释变量lnCIit的总效应。此时若系数β1显著，则继续检验式（8）和式（9）。其次，估计式（8）中的系数β2和式（9）中的系数β4。若两者都显著，则间接效应存在；若两者中有一个不显著，则应用Sobel方法检验系数乘积的显著性（即H0：β2β4=0），如果显著，则间接效应存在，进行下一步骤的检验。再次，检验式（9）中的系数β3。如果不显著，则直接效应不显著，为完全中介效应；如果显著，则为部分中介效应，继续进行分析。最后，比较β2β4和β3的符号。如果它们具有相同的符号，则为部分中介效应，此时，中介效应占总效应的比例为β2β4/β3；如果符号不同，则为遮掩效应。

其中：lnEnsit为对数化后的能源结构；φi和μt分别为个体固定与时间固定效应；εit为随机扰动项。式（7）、式（8）、式（9）构成了一个完整的中介效应模型。

五、金融科技对碳排放强度影响的空间效应分析

（一）空间相关性检验

在进行金融科技对碳排放强度影响的空间计量分析前，首先对金融科技和碳排放强度用Moran’s I指数进行空间相关性分析。基于反距离平方矩阵的检验结果如表4所示。可以看到，各省份碳排放强度的Moran’s I在2011—2020年均通过了显著性检验，且为正值，表示我国30 个省份的碳排放强度对周边地区存在正向空间溢出。金融科技的Moran’s I有三年没有通过显著性检验，但是大部分年份下，金融科技的空间集聚特征仍然显著且存在正向空间相关性。因此，可以对两者进行空间计量分析。

表4 空间自相关检验结果

进一步地，本文采用局部Moran’s I 散点图描绘2011年、2020年的我国各省份碳排放强度、金融科技发展水平的空间自相关特征。从图1中2011年与2020年碳排放强度的对比情况来看，各省份所在象限没有发生较大的变化，大部分集中于一、三象限，呈现“高—高”集聚、“低—低”集聚的特点。其中，河南省从第一象限转移至第二象限，这意味着该省份自身碳排放强度相较于周边其他省份存在大幅下降的过程。

图1 2011年、2020年各省份二氧化碳排放强度的Moran’s I散点图

而在图2中我们可以发现，2020年我国各省份的金融科技发展水平相较于2011年发生了较大的变动，其中东南地区各省份的金融科技发展水平相较于其他省份存在大幅上升的情况，从“低—低”集聚转化为“高—高”集聚，而西北地区大部分省份由“高—高”集聚转向“低—低”集聚。我国各省份的象限所在位置也多从集中于原点转向集中分布于一、三象限，呈现出更为显著的空间相关性。同时这说明了我国各省份金融科技发展在空间上表现出与周边地区相似的分布特征。

图2 2011年、2020年各省份金融科技的Moran’s I散点图

（二）空间计量模型分析

本文在建立空间面板之前，先建立普通OLS 面板模型，并通过LM 检验判断构建何种空间面板模型。从表5的结果可知，首先，lnFin对lnCI的系数为负值，且通过1%的显著性检验。即在全国视角下，金融科技对碳排放强度存在明显的抑制作用。其次，LM（lag）检验及稳健性的LM（lag）都拒绝了原假设，说明可以使用空间滞后模型（SAR）进行回归分析。空间误差模型（SEM）的LM 检验通过了显著性检验，但其稳健性的LM 检验的结果并不显著。为避免问题遗漏，本文在后续的稳健性检验中同样构建了SEM 模型检验金融科技对碳排放强度的空间外溢效应。

表5 普通OLS面板实证检验结果

通过Husman 检验的结果，本文选择了个体、时间双向固定效应下的SAR、SEM模型。进一步地，基于LM 检验的基础上，本文使用Wald检验和LR检验来选择最终的空间计量模型。

表6的结果表明，Wald检验和LR检验均拒绝原假设，认为空间杜宾模型（SDM）不能退化为空间滞后模型（SAR）和空间误差模型（SEM）。表6列（1）回归结果显示金融科技对碳排放强度存在着显著的抑制作用。这符合本文预期，金融科技作为信息化的新兴金融产物除可以提高传统金融的资源配置效率与打破信息壁垒来服务绿色低碳、高附加值的实体经济进而降低碳排放强度外，数据自身作为生产要素可以被多边使用，同时信息的获取与管理也无须实地抵达，这降低了生产成本与制度性成本故而降低了碳排放强度。关于控制变量，产业结构的系数显著为负，表明产业结构升级可以降低碳排放强度，这与已有文献研究结果一致，但政府调控与外部资金贡献度的系数并不显著。

表6 空间杜宾模型实证检验结果

为验证经济发展对碳排放强度的EKC（环境库兹涅茨曲线）理论是否存在，本文参考已有做法，加入经济发展水平的二次项与三次项。结果可以看到经济发展水平的一次项显著为负、二次项显著为正、三次项显著为负，表明经济发展水平与碳排放强度两者间存在“抑制—促进—抑制”的“倒N”形非线性关系。

空间杜宾模型下的空间系数显著为正，表明本地二氧化碳强度与周边地区的二氧化碳强度存在正向影响关系，即周边地区二氧化碳强度的攀升会抑制本地区二氧化碳强度的减弱。从空间溢出效应看，金融科技作用于周边地区碳排放强度的影响并不显著。需要指出，LeSage 和Pace（2009）[35]认为模型中存在空间滞后项时，点估计回归会引致估计偏误问题，不能真实反映空间溢出效应。因此，本文将在后续分析中对空间效应进行分解，考察各变量的空间溢出效应。

为提高结果的稳健性，参考宋敏等（2021）[26]和邱晗等（2018）[27]对金融科技代理变量的选择，本文加入数字普惠金融的另外两个子指标：使用深度（Finud）和覆盖广度（Fincb），以做比较分析。表6列（2）的结果表明以使用深度指标衡量的金融科技对碳排放强度存在着显著的抑制作用，而当覆盖广度作为金融科技的代理变量时，其对碳排放强度的抑制作用并不显著，覆盖广度侧重支付宝账户覆盖率的衡量，而覆盖率的上升可以提高个人消费的便捷性以及降低个人消费的门槛，使私人汽车等高耗能产品的购买量增加，进而导致碳减排能力的下降（姚凤阁等，2021）[36]。

（三）空间效应分解

为进一步分析金融科技与其他控制变量对碳排放强度的空间溢出效应影响，采用偏微分方程将空间效应分解为直接效应、间接效应和总效应，具体结果如表7所示。

直接效应衡量了本地区解释变量对碳排放强度的影响，间接效应衡量了本地区解释变量对周边地区碳排放强度的影响，而总效应表现为直接效应与间接效应两者之和。由表7的结果可知，金融科技对碳排放强度的直接效应显著为负，但间接效应并不显著，这意味着金融科技目前只能对本地区的碳排放强度产生抑制作用，无法影响周边地区的碳排放强度。产业结构与经济发展水平的直接效应与间接效应显著，表明本地区的产业结构升级对本地区与周边地区的碳排放强度都存在显著的抑制作用，且本地区的经济发展水平对本地区与周边地区的碳排放强度都存在“倒N”形非线性影响。而政府调控对碳排放强度的直接效应并不显著，其间接效应通过了1%显著性水平检验。政府调控的间接效应显著为正，可能原因是本地区对生产企业所造成的环境污染存在严格约束的情况下，使原本想进入该地区的生产要素可能会流向周边地区的高污染企业，周边地区相对宽松的规制可能会导致碳排放强度的上升。可以看到，外部资金贡献度的直接效应为负且通过了10%的显著性检验，而间接效应不显著，可能原因是外部资金提供了技术效应和规模效应的双重效应，而在外部资金贡献度高的地区，其技术效应大于规模效应。此处的技术效应指的是外资的进入带来的先进技术，使单位要素生产率提高，碳排放强度降低。规模效应意味着生产规模扩大的同时，随着要素的不断投入，碳排放强度也随之增加。

表7 空间溢出效应分解结果

（四）稳健性检验

首先，除反距离平方矩阵外，本文更换了空间邻接矩阵进行实证检验，其回归结果与空间邻接矩阵的检验结果相比并未发生实质性改变，具体结果如表8所示。

表8 稳健性检验结果

其次，本文在前述分析（见表6）中，已替换了解释变量的衡量指标，证明了结论的稳健性。而且，本文分别以空间滞后模型、空间误差模型替换空间杜宾模型进行回归分析，结果显示三种模型回归后的参数系数的显著性与数值存在些许差异，但其系数符号存在共性，结论仍是相同的，表明了本文的研究结论具有稳健性（篇幅限制，不再列出具体结果）。

六、金融科技对碳排放强度影响的中介效应分析

通过前文实证分析，得知金融科技可以抑制碳排放强度的提升。此时一个亟待解决的问题为金融科技对碳排放强度的中介机制是什么？本文尝试从能源角度出发，探究金融科技能否通过改善能源结构来实现碳排放强度的降低。参考李金铠等（2020）[24]的研究，本文基于折合为标准煤的煤炭消费量与能源消费量的比值构建能源结构的代理指标，该比值越低则能源结构越合理。

本文通过构建逐步回归法下的中介效应模型来检验金融科技能否通过改善能源结构来抑制碳排放强度的提高，得到的结果如表9所示。表9列（2）中，lnFin 的系数为负且通过了1%的显著性检验，表明金融科技可以有效地改善能源结构。列（3）中，lnEns 的系数显著为正，意味着能源结构的值越高，碳排放强度越高，即能源结构的改善同样可以改善碳排放强度。列（3）中lnFin 的系数的绝对值较列（1）的lnFin 系数的绝对值有所下降，表明能源结构在金融科技影响碳排放强度中起到了部分中介效应。进一步通过Sobel 检验发现能源结构的中介效应显著，且中介效应占总效应的比重达到73.15%。由此可知，金融科技主要通过改善能源结构进而抑制碳排放强度的提高。一方面，金融科技可以降低信息壁垒，在绿色经济发展的时代背景下，缓解企业绿色转型、绿色技术开发、提高生产技术的融资约束，利于技术创新与生产效率的提升，降低高碳排放能源的消耗，进而降低碳排放强度。另一方面，金融科技可以凭借其信息技术引导信贷、保险等金融资源从高耗能、高污染项目流向清洁低碳、新兴能源的项目，有利于发展低碳经济，淘汰落后产能，提升新兴低碳能源使用占比，改善能源结构从而抑制碳排放强度的上升。

表9 中介效应检验结果

七、结论与政策建议

本文尝试将金融科技与碳排放强度纳入同一研究框架，利用2011—2020年我国30个省份的面板数据，构建空间杜宾模型与中介效应模型实证探讨了金融科技对二氧化碳排放的影响。主要研究结论如下：第一，我国30 个省份的碳排放强度存在正向溢出效应，周边地区的碳排放强度攀升会加剧本地区碳排放强度；第二，金融科技同样存在溢出效应，但该溢出效应较弱，本地区的金融科技可以降低当地的碳排放强度，但不会对周边地区的碳排放强度产生显著的影响；第三，经济发展水平与碳排放强度之间EKC曲线（环境库兹涅茨曲线）关系表现为“倒N”形，外部资金贡献度对本地区的碳排放强度可以产生减缓作用，产业结构改善能够显著地降低碳排放强度，且该影响会辐射到周边地区，而政府调控不会对本地区的碳排放强度产生显著影响，但可能会对周边地区的碳排放强度产生提高作用；第四，从中介机制来看，金融科技可以通过助力能源结构优化来减缓碳排放强度。

本文的研究结论对推动我国金融科技可持续发展与实现国家碳达峰、碳中和目标有一定的启示作用，在此基础上提出以下建议。

第一，提高跨区域协作能力，降低壁垒实现共赢。本地区发展绿色低碳经济时，需要注意与周边地区的联动调整，防止污染产业转移与高耗能、高排放项目乘虚而入，应制定区域联合系统性方案，如在统一大市场的建设规划下利用金融科技实现金融数据、地区能源消耗数据、工业企业能源消费数据及碳排放数据的衔接，实现互联互通，健全区域联动监管防控平台，构建区域利益协调机制，理顺区域多边权责交互，以共商共建共享理念实现互利合作，利用空间溢出效应，实现协同优化。

第二，深化金融科技发展以补齐传统金融短板，提高信贷配置效率，实现资金有效监管。首先，以大数据引导资金高效流向环保型、创新型公司，缓解银企信息不对称导致的融资约束。其次，发挥市场信号作用，对绿色创新项目的环境效益进行评估，动态发布项目白名单，鼓励资金向技术创新、绿色环保工艺研发的项目流转，提高绿色全要素生产率。同时，发挥金融科技自身云计算等信息技术优势，建立绿色金融专项监管平台，加强对绿色产业融入资金的流向与回笼监管，做到金融资本有的放矢，配置到核心领域。

第三，有序推动能源消费结构转变，持续优化产业结构，有效利用外部资金，实现经济高质量发展。利用信息技术在打造工业互联网大数据中心时嵌入金融平台，让金融资本与新能源行业发展有效联结，促进金融数据流通，扩大新能源企业的服务数量，针对性地为新能源企业提供更大的融资优惠，进而为能源技术的研发提供金融支持，助力经济转型与新旧能源转换的有序过渡。同时，重视产业结构升级对碳排放强度的抑制作用，既要在传统产业的投入和产出间提高绿色全要素生产率，又要为高新技术产业提供更高的税收优惠和更低的融资门槛。此外，还应引导更多的外商直接投资，利用好投资合作带来的技术溢出效益，提高专业人才流通率，让技术创新和技术模仿耦合助力绿色低碳发展。

第四，完善绿色金融产品多层次、广范围、高覆盖的发展。利用金融科技创新发展绿色信贷、绿色债券、绿色基金、绿色保险等碳金融市场的相关金融产品，满足不同项目、企业、行业多元化的绿色投融资需求，促进金融科技与绿色金融的交汇融合，发挥金融科技对绿色低碳产业发展的正向激励机制，助力碳达峰、碳中和目标的实现。