金融科技对区域环境绿色发展的影响研究

刘宇桦 陈铖 李梧铭

(1.南京理工大学紫金学院 江苏南京 210023；2.江苏银行股份有限公司 江苏南京 210000；3.上海国际信托有限公司 上海 200000)

金融科技的高速发展催生金融行业新形势的产生，但对传统金融业造成了一定的冲击，对金融业形成长期且深刻的影响。中国人民银行指出：金融科技是基于技术驱动的金融创新活动，是推动金融转型升级的新引擎，能够为金融业服务实体经济提供新途径、为普惠金融发展提供新机遇、为防范化解金融风险提供新利器(来源于中国人民银行印发的《金融科技(FinTech)发展规划(2019—2021年)》)。近年来，在金融科技浪潮的冲击下，商业银行加快金融科技，推进数字化转型。截至2021年底，包括工商银行、中国银行、农业银行、交通银行在内的16家金融机构(截至2021年底，成立金融科技子公司的金融机构有：兴业银行、平安银行、招商银行、深圳农商行、光大集团、建设银行、民生银行、华夏银行、工商银行、北京银行、中国银行、浙商银行、农业银行、交通银行、厦门国家银行和廊坊银行)成立了金融科技子公司。同时，百度金融以身份识别认证、大数据风控、智能投顾、量化投资、金融云为代表确立了五大金融科技发展方向；蚂蚁金服和嘉实基金共同宣布加深战略合作，蚂蚁金服战略投资嘉实基金旗下“金贝塔”平台。由此可以看出，商业银行与科技公司均在金融科技领域加紧布局。

党的十八大和十九大报告中提出“美丽中国”概念，要求把生态文明建设放在突出位置，而目前各地区的环境污染问题仍未有效解决。从理论上看，金融科技在很大程度上能够促进区域环境的绿色发展。一方面，金融科技本身就有绿色属性，不仅能提高金融产品和服务的供给效率，还能通过数字化等方式降低资源消耗，减少污染产出。另一方面，金融科技能够降低金融市场的信息不对称，优化资源配置，推动地区绿色经济的发展，如大数据、云计算等金融科技应用提高信息的处理效率，便于绿色金融产品供给双方的快速匹配，提高绿色金融资源的配置效率。

鉴于此，本文以金融科技和区域环境绿色发展为研究对象，采取固定效应模型和中介效应模型探索各省市金融科技对环境污染带来的具体影响，并基于一系列异质性因素展开具体分析，得出更具针对性的结论和建议，以期为金融科技发展进一步促进我国绿色发展水平提供一定的借鉴与思考。

1 文献综述

纵观已有的研究成果，对金融科技和环境污染的研究鲜有涉及，更多学者将研究重点放在金融科技对企业技术发展或经济高质量发展层面，进而研究得到金融科技对环境污染的影响。本文主要从以下几方面对现有的相关研究成果进行梳理。

首先，有关金融科技的界定。金融科技是由“Fintech”翻译而来，目前普遍认为是由花旗银行在20世纪90年代初首次提出。对于金融科技的定义，国际国内众说纷纭，其中具有代表性的定义如下：国际方面，2014年宾夕法尼亚大学沃顿商学院的几位学生对金融科技给出的定义是“通过电子科学技术改造后的金融领域”；安永会计师事务所在2016年2月发布的报告认为：金融科技正从根本上改变金融服务运作方式，也正在改变人们转钱、借钱、保护钱和管理钱的方式；维基百科对金融科技的定义是“一群企业运用科技手段使得金融服务更有效率，从而形成产业”。另外，金融稳定理事会(FSB)认为，金融科技是技术带动的金融创新，利用新一代互联网信息技术对金融产品、业务流程和经营模式等进行创新和优化。国内方面，比较有权威性的定义来自中国人民银行科技司司长李伟，他认为金融科技指科技推动金融创新，通过创新实现科技和金融的深度融合。

其次，有关金融科技对经济的高质量影响。徐璐等(2022)探讨金融科技产业发展中的技术创新驱动。在金融科技对风险防控方面，现有文献分析了防范措施与机制。例如，周茜、陈收(2022)通过媒体报道情绪和动机对信息进行区分，并考虑关注度、可信度和敏感度三大因素，分析媒体对金融科技和监管的积极与消极作用；刘骏、曾嘉(2021)研究对金融科技进行审慎监管，将“包容性监管模式、现代化监管科技、协作式国际监管”进行统一，形成“三位一体”的监管体系；卜亚、李晖(2019)在界定金融科技监管博弈主体的基础上，构建金融科技公司和监管当局的双主体演化博弈模型，刻画两者的演化博弈行为。

再次，有关金融科技对金融业和实体企业的影响。周志刚、严圣阳(2022)通过研究金融科技对商业银行存贷款定价的影响，建议应依托金融科技进行差异化经营；巴曙松等(2020)探究金融科技对企业全要素生产率的带动作用，研究发现金融科技活力和规模对企业全要素生产率有显著的促进作用；雷汉云、王旭霞(2020)探究金融科技发展对小微企业的影响，实证表明金融科技能通过提高企业家的创新意识来显著促进小微企业创新；姜林静(2019)研究中小银行如何利用金融科技进行发展，发现中小银行应树立互联网思维，完善顶层设计，使业务更加精细化、特色化和差异化；马卫民、张冉冉(2019)基于企业生命周期视角分析，认为科技型中小企业可利用区块链技术的特征，搭建区块链融资平台。

最后，有关金融科技对环境污染的影响。薛莹、胡坚(2020)研究认为，金融科技能缓解金融市场的信息不对称问题，提高金融资源的配置效率，从而促进绿色经济的发展；唐松等(2019)研究金融科技通过直接效应和空间溢出效应提高全要素生产率，认为金融业是数字化水平较高的产业，能在引领数字经济发展的基础上，促进实体经济的绿色发展。

综上，现有文献大多认可金融科技对金融业和企业的促进作用，但较少有研究关注金融科技对环境污染的影响，但从已有文献中可以得出：第一，金融科技对实体企业及金融业均有积极且显著的效果，即金融科技的存在促进了资源的高效率配置。第二，金融科技能够带动经济的高质量发展，基于当前我国经济发展的核心要义，经济的高质量发展既包含经济总量的上升，又应包括社会环境和资源环境质量的提高。因此，金融科技对金融业、企业、实体经济的影响势必会进一步对我国环境治理产生影响，这一影响也势必会反噬我国实体经济的发展质量。鉴于此，本文主要对金融科技对区域环境绿色发展的影响情况进行研究，主要的贡献体现在以下几点：第一，本文使用我国省市面板数据研究金融科技对区域环境绿色发展的影响，拓宽了金融科技的环境效应研究。第二，与之前很多学者的静态研究方法不同，本文基于分位数回归模型，探究金融科技的环境污染轨迹，丰富了动态研究成果。第三，本文在研究金融科技对环境影响的同时，通过中介效应模型深入探究金融科技影响环境污染的路径，具有创新性。

2 研究理论

基于已有的文献基础、金融科技及环境治理的相关理论基础，本文对金融科技影响区域环境绿色发展的影响路径进行梳理，以剖析和明确其中的影响机制，透明化影响过程，为后文的实证分析奠定基础。

本文认为，金融科技对区域环境绿色发展的影响路径主要有以下两点。

2.1 金融科技本身具有绿色属性，促进绿色经济发展

金融科技的绿色属性能在高效处理金融业务的同时，减轻环境污染。金融科技能够提高金融服务的效率，降低实物资源的消耗，是供给侧结构性改革的核心动力。例如，传统银行个人和公司业务需要大量纸质存档，而金融科技能通过线上合同、电子签名等无纸化模式减少对纸制品的需求；网银、手机银行等线上金融办理方式节约了客户到网点的“皮鞋成本”，节约资源的使用。

就作用机制来看，金融科技能在促进区域经济发展的基础上，降低区域的环境污染。目前，在数字经济的发展下，金融业是数字化发展水平较高的产业，银行等金融机构通过数字化的办公模式将知识外溢到实体经济部门。例如，上文说到的电子签名、线上合同等低碳模式，均是在提升实体经济部门技术水平的同时，降低了资源的消耗，并推动绿色经济的发展。传统的信贷方式往往会使企业，特别是疫情下的中小企业面临较大的流动性压力，而金融科技能够拓宽企业的融资渠道。例如，智能投顾等服务减少了信贷的交易成本，金融云、云保险等新兴服务提高了金融产品的可获得性，进而提升金融机构对实体企业的服务水平。因此，金融科技能够降低融资成本，改善传统的金融模式，提升数字化水平，进而实现企业的科技创新和区域的绿色发展。

2.2 金融科技降低信息不对称，提高绿色信贷配置效率

金融科技通过人工智能、大数据、云计算等技术推动了金融业的信息化变革，显著提高了金融市场的信息传递速度，使金融供求双方快速有效地获取信息，提高了资源配置效率。为进行生态文明建设，实现绿色经济发展，地方政府限制企业信贷，需要金融机构快速、准确地进行识别，金融科技水平较高的地区可以减轻信息不对称的问题，提高绿色信贷的配置效率。

就作用机制来看，金融科技能够缓解金融市场的信息不对称问题，使各家银行能够高效识别不同企业的资金需求和创新能力，从而更有效率地配置资源。例如，Huang等(2018)的研究指出，金融科技可以减少金融市场的信息摩擦，降低金融服务供求双方的交易成本，提高科技企业融资效率，科技的创新也提供了降低环境污染的途径，从而促进区域绿色经济的发展。由此可见，金融科技能通过促进科技创新实现节能减排，使地方政府兼顾经济效益和环境效应，也为政府优化绿色金融体系提供了科技保障，进而推动绿色技术创新，降低环境污染。

3 研究设计

3.1 数据及变量

3.1.1 被解释变量

本文研究金融科技对区域环境绿色发展的影响，各省市的环境污染水平侧面体现绿色发展水平，因此作为本文的被解释变量。由于环境污染水平分为绝对指标与相对指标，为使研究结果更全面，本文使用各省市二氧化硫排放量的对数值(lnSQ2)衡量区域总的环境污染水平，使用各省市每万元GDP所产生的二氧化硫(SQ2/GDP)体现区域单位经济的环境污染水平。

3.1.2 核心解释变量

金融科技是近几年产生的概念，官方缺少相关的统计数据。根据之前的研究情况，Li等(2017)为代表对金融科技数据的搜集，是通过爬虫软件对网络数据的抓取。国内方面，魏成龙和郭琲楠(2020)通过对社会认知指数、投融资指数及产出指数来构建金融科技指数。但是上述方法均不能很好地构建金融科技这个核心解释变量：一方面，Li等(2017)通过网络数据的抓取，存在较大的主观因素；另一方面，魏成龙和郭琲楠(2020)构建的指数与传统金融业相关性更强。同时，现有学者在研究金融科技时，普遍使用郭峰等(2020)关于数字普惠金融指数的研究数据。因此，本文使用“北京大学数字普惠金融指数”作为金融科技的代理变量。

同时，在实证时从总指数、覆盖广度和使用深度三个维度进行研究。总指数(fintech)反映各区域总体的金融科技水平；覆盖广度(scope)从横向上反映各区域金融科技的普及程度和使用范围；使用深度(depth)从纵向上反映各区域金融科技的发展水平和使用程度。

3.1.3 控制变量

在确定以上两个变量后，为保证研究的准确性，本文引入了一些控制变量，具体包括使用各省市实际外商直接投资额与地区GDP的比值衡量外商直接投资(fdi)；使用各省市普通本专科在校人数与地区人口的比值衡量人力资本水平(hum)；使用各地方政府的年度工作报告中对当年经济增长的目标衡量地方政府经济增长目标(target)；使用各地方政府一般公共预算支出与地区GDP的比值衡量政府规模(exp)；使用各省市私营与个体就业人数与地区人口的比值衡量创业活力(entre)；使用郭峰等(2020)关于数字普惠金融指数研究中的各省市数字化程度衡量数字化水平(digit)；使用各省市第二产业增加值与地区GDP的比值衡量产业结构(indus)。

3.1.4 数据来源与特征

本文使用我国31个省市(由于数据的可得性和统计口径不一致，剔除香港、澳门、台湾地区的数据)在2011—2020年的样本数据，对于以上的研究变量，金融科技水平(包括总指数、覆盖广度与使用深度)及数字化水平来源于《北京大学数字普惠金融指数(2011—2020年)》。另外，从各省市的政府年度工作报告中整理出地方政府经济增长目标，其余变量均来源于《中国统计年鉴》及国家统计局。

表1对所有变量进行描述性统计，同时为体现各变量与环境污染的关系，描述性统计给出了各变量与被解释变量之间的关系，即与每万元GDP所排放的二氧化硫(SQ2/GDP)及二氧化硫排放量的对数值(lnSQ2)的相关系数。由表1可知，在1%的显著水平上，金融科技总指数(fintech)、覆盖广度(scope)和使用深度(depth)与各省市环境污染的相关系数为负值，可以初步认为金融科技能够抑制区域环境污染，促进绿色发展，后续实证分析会具体进行研究。

表1 变量的描述性统计

3.2 模型构建

3.2.1 面板回归模型

本文构建固定效应模型，考察金融科技水平对环境污染的影响程度，如下：

其中，y为被解释变量，即环境污染的水平；i代表不同省市；t代表不同年份；0α为常数项；x为本文核心解释变量，即金融科技水平；α1表示金融科技水平对环境污染的影响程度，以上均为本文的核心变量。同时，模型引入可能引起环境污染水平变化的控制变量及时间和省市特征，以消除本文被解释变量与核心解释变量之间的同时性问题；εit为随机干扰项。

3.2.2 中介效应模型

本文引入中介效应模型，分析金融科技影响区域环境绿色发展的作用机制。假设金融科技对环境污染的影响通过科技创新水平这一中介变量进行传导，为验证科技创新水平在其中的传导作用，本文构建中介效应模型，具体如下：

其中，M表示中介变量，即科技创新水平，模型(2)分析金融科技水平对科技创新水平的影响，模型(3)分析金融科技通过科技创新水平这一中介变量及其他因素影响环境污染的情况。

如果模型(1)中 1α显著，就表示金融科技水平显著影响环境污染水平，从而进一步研究这一影响的作用机制。

在以上条件成立的前提下，研究β1、γ1和γ2的显著程度，分为以下几种情况：第一，如果模型(2)中的β1与模型(3)中的γ2都显著，就表示金融科技水平会影响科技创新水平，进而影响环境污染水平。同时，可以得出科技创新水平的中介效应为β1×γ2，而中介效应占总效应的比例为(β1×γ2)/α1。第二，如果模型(2)中的β1与模型(3)中的γ2都不显著，则中介效应不显著。另外，在构建中介效应后，如果模型(3)中γ1仍然显著，就表示金融科技不仅通过作用科技创新水平影响环境污染，还会通过作用其他因素影响环境污染水平；如果模型(3)中γ1不显著，就说明金融科技只作用于科技创新水平来影响环境污染，而不会作用其他因素来影响。

3.3 实证检验与结果分析

3.3.1 单位根检验

为解决数据的“伪回归”问题，本文对所有变量进行平稳性检验，平稳性检验的方法主要采取ADF统计量，检验结果如表2所示。

由表2可知，所有变量的二阶差分在1%的水平上均显著，通过平稳性检验，可进行面板回归分析。

表2 变量平稳性检验结果

3.3.2 面板回归检验

首先，基于面板回归模型对金融科技影响区域环境绿色发展的程度进行实证检验，并采取豪斯曼检验确定具体采用的效应模型。当豪斯曼统计量通过显著性检验时，采取固定效应模型；反之，则采取随机效应模型，具体检验结果如表3所示。其中，回归(1)～(3)是以各省市每万元GDP所排放的SQ2作为被解释变量的结果，回归(4)～(6)是以各省市二氧化硫排放量的对数值作为被解释变量的回归结果。考虑到内生性的问题，各被解释变量回归均采取对单一核心解释变量进行回归的方式进行。同时，各回归结果的拟合优度均大于0.75，表明模型回归结果较好，解释变量对被解释变量的解释可信度较高。

基于表3的回归结果可得：

表3 基准回归结果

第一，基于回归(1)和回归(4)的结果可以看出，其对每万元GDP所释放的二氧化硫排放量及二氧化硫排放量的对数值影响均显著为负，说明金融科技对区域环境污染水平具有显著的抑制作用，且对每万元GDP所释放二氧化硫排放量的抑制作用高于对二氧化硫排放量对数值的作用。原因可能在于：(1)金融科技本身的绿色属性，不但可以高效率地处理金融业务，而且能够降低污染水平。(2)金融科技能够提高金融产品和服务的供给效率，降低实物资源消耗。(3)金融科技可以优化金融资源的配置效率，缓解金融市场的信息不对称。

第二，基于回归(2)和回归(5)的结果可以看出，金融科技的覆盖广度能抑制区域环境污染，原因在于金融科技的普及程度和使用范围越大，越能推动实体经济绿色发展。由于金融科技的大范围使用，银行等金融机构的数字化方式引入实体经济部门，降低实体经济的资源消耗。

第三，基于回归(3)和回归(6)的结果可以看出，金融科技的使用深度能抑制区域环境污染，原因在于金融科技的发展水平和使用程度越大，越能催生出新的金融服务模式和金融业态，数字金融的发展促进绿色技术的应用，对城市生态环境改善有显著作用。

第四，基于控制变量的回归结果，对每万元GDP所释放的二氧化硫排放量、人力资本水平(hum)、创业活力(entre)及产业结构(indus)具有显著的抑制作用；而对二氧化硫排放量的对数值，外商直接投资(fdi)、政府规模(exp)及创业活力(entre)具有显著的抑制作用。

3.4 稳健性检验

为检验金融科技促进区域减排结果是否稳健，本文采取调整样本及内生性问题处理的方法对面板回归模型采取稳健性检验，以验证模型设定和回归结果的科学性和可信度。

3.4.1 调整样本

2008—2012年，国家分三批确定了69个资源枯竭型城市，以支持资源枯竭型城市的转型来抑制区域环境污染水平的持续提升。考虑到资源枯竭型城市在政策扶持方面的特殊性可能对研究结果造成偏差，本文剔除资源枯竭型城市最多的12个省市进行基准回归，具体剔除的省市包括辽宁(7个)、吉林(7个)、黑龙江(6个)、湖北(5个)、湖南(5个)、江西(4个)、河北(3个)、内蒙古(3个)、山东(3个)、河南(3个)、云南(3个)和甘肃(3个)，其余19个省市资源枯竭型城市均在2个及以下，对这19个省市进行估计来检验结果的稳健性，估计结果如表4所示。在1%的估计系数下，金融科技对每万元GDP所排放的SQ2及其对数值结果均显著为负值。另外，金融科技的覆盖广度和使用深度都显著为负值。综合以上结果，金融科技能够显著抑制环境污染水平，且之前的研究结论有稳健性。

表4 基于调整样本的稳健性检验估计

3.4.2 内生性问题处理

之前的研究结果可能存在内生性问题。比如，文化因素、制度因素等一些难以进行量化的指标会影响区域的环境污染水平。另外，对于环境污染水平较重的一些地区，很难吸引金融与科技等领域的相关人才，从而影响该地区的金融科技水平。因此，为解决可能存在的内生性问题，本文将核心解释变量的滞后一期作为工具变量进行研究。一方面，由于金融科技具有延续性，前期的金融科技能够带动当期的金融科技水平，促进相关产业的发展。另一方面，前期的金融科技水平在影响当期的金融科技水平后，又会影响当前的环境污染水平。基于此，在构建以前一期金融科技水平为工具变量，使用两阶段最小二乘法回归分析(见表5)。

表5 基于工具变量法的稳健性检验估计

由表5可以看出，在被解释变量为每万元GDP所产生的二氧化硫排放量及二氧化硫排放量的对数值，还是解释变量为金融科技总指数、覆盖广度及使用深度，回归(1)～(6)的回归系数在1%的水平上显著为负值，金融科技能够显著抑制区域环境污染水平。另外，通过Anderson LM Stats和Cragg-Donald Wald F Stats两种检验方法后，模型不存在不可识别问题及弱工具变量问题。综上，在解决了内生性问题后，研究结果依然具有稳健性。

3.5 分位数回归

以上分析结果都是从总体上进行分析，但是无法看出金融科技对环境污染水平不同城市的抑制作用是否有区别，为进一步研究在不同环境污染水平下，金融科技对环境污染抑制的差异性情况，从而给不同区域提出因地制宜的发展措施，本文构造面板分位数回归模型，选择0.1、0.25、0.5、0.75和0.9五个分位点进行估计，结果如表6所示。

根据不同分位点金融科技的估计系数得出，所有分位点下的回归系数均在1%的水平上显著为负值，因此无论是环境污染较高还是环境污染较低的省市，金融科技均可以抑制污染水平。另外，比较不同分位点下的估计系数，随着分位点的逐渐增加，回归系数的绝对值也逐渐增大，因此随着省市环境污染水平的加剧，金融科技对污染的抑制程度逐渐增强。此外，在检验不同分位点下金融科技的回归系数是否显著相等，结果表明，在5%的显著性水平上各分位点的回归系数不完全相等。综上，在环境污染水平较低的省市，金融科技抑制污染的水平较低，而在环境污染水平较高的省市，金融科技抑制污染的水平逐步增强。

同时，为了更清晰地显示金融科技对区域环境绿色发展的轨迹变化，本文进一步对金融科技在所有分位点上对省市二氧化硫排放量的估计系数进行描绘，从而得出其运动轨迹，如图1所示。当分位点较小，即区域的环境污染水平较低、绿色发展水平较高时，金融科技估计系数的绝对值较小；当分位点逐渐变大，即区域的环境污染水平逐渐升高、绿色发展水平逐渐下降时，金融科技估计系数的绝对值也在逐渐变大。因此，图1的轨迹更加直观地证明了表6的研究结论，即当区域的环境污染水平不断加剧、绿色发展水平不断下降时，金融科技对污染水平的抑制作用逐步增强。

表6 分位数回归结果

图1 所有分位点上金融科技系数轨迹

3.6 异质性分析

3.6.1 构建省市区位虚拟变量

本文根据不同省市所在的区位，研究金融科技对区域环境绿色发展影响的区位异质性情况。根据各省市所处的不同区域，构建省市区位虚拟变量，东部地区省市赋值为1，中西部地区省市赋值为0，再构建金融科技与区位虚拟变量的乘项，代入模型(1)进行估计。在统计上，东部地区包括北京、天津、河北、上海、江苏、浙江、福建、山东、广东和海南10个省市。

结果如表7所示，金融科技对区域环境污染在5%的水平上显著为负值，估计系数为-14.996，而金融科技水平与地区虚拟变量的乘项对区域环境污染在1%的水平下显著为负值，估计系数为-7.556。由此可以看出，虽然两者的估计系数均为负值，但是乘项的估计系数绝对值更小，即对环境污染的抑制程度更小。因此，金融创新水平能够显著抑制区域环境污染水平，但是这种抑制程度在东部地区较小，而在中西部地区较大。这可能是因为东部地区的环境污染水平相对较低，因此金融科技抑制污染的边际效应较低；而中西部地区由于能源消耗较多，导致环境污染水平较高，使得金融科技对环境污染的抑制作用更加明显。这一结论与之前的分位数回归结果相对应，即对环境污染水平较低的地区(如东部地区)，金融科技对环境污染的抑制程度较低；而对环境污染水平较高的地区(如中西部地区)，金融科技能有较强的抑制作用。

表7 基于省市区位虚拟变量的异质性回归结果

3.6.2 构建科教资源虚拟变量

本文根据不同地区的科教水平，研究金融科技对区域环境绿色发展影响的科教资源异质性情况。为发展高等教育，国务院在1995年启动“211工程”，这是中华人民共和国成立以来国家在高等教育领域的重点建设工作，也是我国政府实施“科教兴国”战略的重大举措，对提高高校学科质量有重大意义。因此，本文根据各省市科教资源的不同，构建科教资源虚拟变量，设有“211工程”高校数量排名前十的省市赋值为1，其他省市赋值为0，再构建金融科技与科教资源虚拟变量的乘项，代入模型(1)中进行估计。依据各省市拥有211高校数量，排名前十的省市分别为北京(26所)、江苏(11所)、上海(10所)、陕西(8所)、湖北(7所)、四川(5所)、辽宁(4所)、黑龙江(4所)、湖南(4所)和广东(4所)。

结果如表8所示，金融科技对区域环境污染在5%的水平上显著为负值，估计系数为-14.996，而金融科技水平与科教资源虚拟变量的乘项对区域环境污染在1%的水平上显著为负值，估计系数为-10.513。由此可以看出，虽然两者的估计系数均为负值，但是乘项的估计系数绝对值更小，即对环境污染的抑制程度更小。因此，金融创新水平能够显著抑制区域环境污染水平，但是这种抑制程度在科教资源质量较高的地区较小，而在科教资源较低的地区较大。这可能是因为对于科教资源质量较高的地区，科技发展水平已经在很大程度上达到环境保护的要求，那么环境保护对金融科技水平的依赖程度较低；而对于科教资源质量较低的地区，科技的发展水平不能满足环境保护的要求，存在很大的缺口，因此环境保护对金融科技的依赖程度较高，使得金融科技能在更大程度上抑制该区域的环境污染水平。

表8 基于科教资源虚拟变量的异质性回归结果

3.6.3 构建经济发展虚拟变量

本文根据不同地区的经济发展水平，研究金融科技对区域环境绿色发展影响的经济发展异质性情况。根据各省市经济发展水平的不同，构建经济发展虚拟变量，最新一期(2020年)地区GDP排在前十的省市赋值为1，其他的赋值为0，再构建金融科技与经济发展虚拟变量的乘项，代入模型(1)中进行估计。最新一期(2020年)地区GDP排在前十的省市分别为广东、江苏、山东、浙江、河南、四川、福建、湖北、湖南和上海。

结果如表9所示，金融科技对区域环境污染在5%的水平上显著为负值，估计系数为-14.996，而金融科技水平与经济发展虚拟变量的乘项对区域环境污染在1%的水平上显著为负值，估计系数为-9.737。由此可以看出，虽然两者的估计系数均为负值，但是乘项的估计系数绝对值更小，即对环境污染的抑制程度更小。因此，金融创新水平能够显著抑制区域环境污染水平，但是这种抑制程度在经济发展水平较高的地区较小，而在经济发展水平靠后的地区较大。可能的原因是对于经济发展水平较高的省市，科技与金融的发展水平在全国前列，作为区域发展的中心，这些地区有比较严苛的环境保护政策，因此环境治理对金融科技的依赖程度较低；而对于经济发展水平靠后的地区，对能源的依赖程度较大，环境政策相对宽松，使得环境保护对金融科技的依赖程度较高。因此，金融科技对环境污染的抑制程度在经济发展靠后的地区强于经济发展靠前的地区。

表9 基于经济发展虚拟变量的异质性回归结果

3.7 中介机制分析

本文进一步对研究设计中的(1)～(3)式进行中介效应分析，以检验金融科技对省市环境污染的作用机制。在回归过程中，以各省市每万人发明专利申请受理量测度省市的科技创新能力，作为中介变量对模型(1)～(3)进行回归分析，数据来源于国家统计局。

具体如表10所示，回归(1)分析了金融科技对省市环境影响的情况，根据以下结果可以看出，金融科技显著抑制环境污染，与之前的研究结果一致。回归(2)进一步研究金融科技对科技创新能力的影响，从研究结果可以看出，金融科技的估计系数在1%的水平上显著为正值，说明金融科技可以促进科技创新能力的发展。回归(3)进一步分析科技创新能力对环境污染的影响，得出省市科技创新能力的估计系数在5%的水平上显著为负值，说明科技创新能力可以抑制环境污染。综合回归(2)与回归(3)的结果，由于模型(2)中的1β与模型(3)中的 2γ都显著，说明省市金融科技水平能够促进科技创新能力的发展，并进一步抑制环境污染，同时可以得出科技创新水平的中介效应约为-1.704，中介效应占总效应的比例约为7.97%。另外，在构建了中介效应后，由于模型(3)中 1γ仍然显著，说明金融科技除了通过影响科技创新水平来影响环境污染以外，还会通过作用其他因素来影响环境污染水平。此外，本文针对中介机制进行了Sobel检验及Bootstrap检验，结果均显示科技创新能力的中介效应是显著存在的。

表10 基于科技创新的中介机制回归结果

4 结语

本文基于我国31个省市(不含港澳台地区)2011—2020年的面板数据，研究金融科技对区域环境绿色发展的影响，得到的结论和政策启示如下。

4.1 金融科技能显著抑制区域环境污染

对于区域环境污染，无论是绝对指标还是相对指标，金融科技(总指数、覆盖广度和使用深度)均能显著抑制，并且具有显著性。从这个角度来看，要想实现绿色经济发展，就需要不断发展科技创新水平，并推动金融与科技的深度融合。特别需要注意的是，要鼓励各个地方的金融机构借助目前科技创新与数字化的趋势，探索金融与科技相互结合的新业态，运用大数据、云计算和人工智能等技术提升金融服务质量与水平，并主动参与到绿色金融的发展中来，助力城市经济的可持续发展。

4.2 金融科技对区域环境污染的影响具有异质性特征

具体而言，金融科技对区域环境污染的抑制作用，在污染水平较高的地区显著强于污染水平较低的地区、在中西部地区显著强于东部地区、在科教资源质量较低的地区显著强于科技资源质量较高的地区、在经济发展水平靠后的地区显著强于经济发展水平靠前的地区。因此，各地区、各省市应因地制宜，根据实际地区特点和情况制定相应的金融与科技发展政策。另外，要着重引导金融业资金流向绿色产业，促进绿色经济的发展，对经济发展水平薄弱、科教资源有限的地区更要加大政策扶持力度。从以上的研究结果来看，对这些地区的金融科技扶持与推动，能更有效地提升当地的绿色发展水平。

4.3 金融科技通过中介效应抑制区域环境污染

金融科技不仅通过科技创新水平来抑制环境污染，还通过作用其他因素来影响环境污染水平。一方面，要重视科技创新在城市建设体系中的地位；另一方面，在发展金融科技的同时，还要带动其他因素优化城市的环境水平，产生更广泛的促进效应。因此，各省市要加快促进科技服务在实体经济中的运用，同时不断挖掘科技创新在绿色经济发展中的作用。