数字普惠金融对省域绿色全要素生产率的影响研究

李文明等

（中国人民银行梧州市分行，广西 梧州 543002）

一、引言

近年来，国家关于普惠金融发展规划和各项促进普惠金融发展的意见政策陆续出台。2021年中央一号文件首次提出“发展农村数字普惠金融”，2022 年政府工作报告指出“扩大普惠金融覆盖面”。2022年2月，中央全面深化改革委员会第二十四次会议审议通过的《推进普惠金融高质量发展的实施意见》提出，要促进普惠金融和绿色金融、科创金融等融合发展。一系列重要论述和指导意见的出台，为我国下一阶段普惠金融发展进一步明确方向和目标。

在碳达峰碳中和背景下，经济社会可持续健康发展是我国未来发展的重要方向，绿色发展将成为主流发展趋势。在此过程中，金融机构作为绿色金融的主要实施主体，不仅要紧紧围绕国家战略目标，抓住实体经济转型带来的巨大绿色低碳投融资机遇，大力发展绿色金融业务，不断提升绿色信贷服务经济转型发展水平，同时也要深入思考如何发挥金融资源的优化配置效能，提升绿色全要素生产率，促进经济的绿色可持续发展。

具体来看，以人工智能、大数据为基础逐步发展起来的数字普惠金融日益成为当前金融发展的重要方向。数字普惠金融相较传统金融具有明显优势，可以弥补传统金融的不足并形成有效互补。数字普惠金融作为传统金融与互联网数字技术相互融合发展形成的新模式、新业态，可以有效突破时间和空间的限制，降低传统金融服务的成本和门槛，打通传统金融服务企业的“最后一公里”，提高普惠金融的触达能力。因此，大力发展数字普惠金融将有效扩宽绿色金融服务范围，为处在边缘性的高碳企业和绿色企业提供金融产品和服务，提升绿色发展效率，为助推企业碳减排提供新的力量。

因此，金融业如何更好地运用数字普惠金融这一新兴发展工具，发挥绿色金融对绿色产业的支持促进作用，提升绿色全要素生产率，推动全社会碳减排，是当前金融从业者面临的一项重要研究课题。本文根据研究主题，对国内外相关研究文献进行全面梳理，主要可以概括为以下三大方面：

一是关于绿色全要素生产率影响因素研究。绿色全要素生产率是将能源消耗和环境污染纳入传统全要素生产率的核算框架后，得到的总投入与总产出之比，体现绿色转型的发展理念，能在一定程度上反映经济增长的质量。因此，产业结构的调整升级、技术创新、环境规制和政府支出等因素，将影响绿色全要素生产率。逯进和李婷婷（2021）认为产业结构的调整升级，可以催生更多低污染、低耗能和高附加值的新兴产业，降低能源消耗，优化资源配置效率，从而对绿色全要素生产率产生积极影响。Liu et al.（2016）认为技术创新可以提升资源配置效率，有效降低单位产出能耗，提高绿色全要素生产率水平。同时王林辉等（2020）认为，高碳行业形成的环境红线和排放标准规制以及生态环境相关法律法规，将激励和倒逼企业进行生产技术更新，促使其朝节能降碳方向发展，最终提高绿色全要素生产率。同时，做好生态文明建设是各地方政府的重要履职部分，以财政支出为代表的政府开支，需要加大污染治理的投入力度，并对低污染、低能耗等项目给与政府优惠或者政策扶持，配合绿色金融支持政策，可以有效促进绿色产业的发展，提高绿色全要素生产率。

二是关于数字普惠金融的影响研究。数字普惠金融是近年来新兴发展起来的金融供给方式，在多个领域都产生了影响，有助于促进经济增长，相较于传统金融，其在突破时间和空间限制方面具备优势。

数字普惠金融对经济增长的影响。研究学者认为，作为金融供给的重要方式之一，数字普惠金融的发展有助于促进经济增长。Mohmi（2006）研究发现，数字普惠金融通过扩大银行信贷供给和降低信息交易成本能够促进经济增长。Corrado（2017）从更细化的研究视角出发，发现数字普惠金融可以发挥普惠性的作用优势，为个人家庭和企业提供可获得性高的金融产品和服务，从而间接促进社会整体经济发展。从区域视角来看，郝云平和雷汉云（2018）为研究数字普惠金融在区域空间的影响程度，利用空间滞后模型开展研究，发现数字普惠金融对经济增长具有强空间相关性，且存在地区差异性。

数字普惠金融较传统金融具备优势。数字普惠金融作为传统金融与互联网数字技术相互融合发展形成的新模式、新业态，可以有效突破时间和空间的限制，提升金融服务可获得性，降低传统金融的服务成本和门槛。Peterson &Ozili（2018）研究发现数字金融拓展了融资服务的多元化，并使得行业市场竞争更加优化，最终提高金融服务的可及性和包容性。汪洋等（2020）基于2011—2018 年A 股上市公司数据和北京大学数字普惠金融指数，研究发现随着金融科技的不断深入发展，将有利于缓解传统金融带来的阶段和属性锚定。李季刚和马俊（2021）从全国角度出发，创新性地使用系统动态YS-GMM 分析方法和门槛模型将数字普惠金融与乡村振兴联系起来，研究发现数字普惠金融突破了传统金融的界限，对乡村振兴具有促进作用，其中覆盖广度和数字化程度的作用较为显著。

三是数字普惠金融与绿色全要素生产率方面的研究。学者认为绿色全要素生产率将全要素生产率与绿色因素相结合，可以为经济健康可持续发展提供扎实的基础。Ma &Stern（2008）认为金融发展为高碳企业提供了融资需求，可以促使企业升级改造高污染、高排放的落后技术，提高绿色高科技产品生产与消费，并减少碳排放，对绿色全要素生产率产生积极影响。严成樑等（2016）研究认为，金融供给为企业开展技术创新提供动力，并在此过程中逐步促进高耗能企业技术朝低耗能技术方向发展，提升绿色全要素生产率。张恒等（2022）利用SBM-GML 模型测度城市行政区绿色全要素生产率，并利用GMM 模型研究发现数字普惠金融可以提升技术创新效率，并传导到绿色全要素生产率，促进绿色全要素生产率增长，进一步研究发现，数字普惠金融的覆盖广度对绿色全要素生产率具有显著性。惠献波（2021）进一步利用我国地级市为样本研究对象，发现数字普惠金融发展可以提升城市绿色全要素生产率，并在不同的地区产生异质性。

综合以上文献，国内外学者主要从绿色全要素增长率影响因素、数字普惠金融对经济增长和传统金融的优势性、促进企业技术转型创新与生产率要素等方面进行研究。在双碳背景下，绿色发展成为经济高质量发展的重要方向，数字普惠金融是否能促进绿色全要素生产率增长？影响机制是如何发挥作用的？其对省级区域是否产生异质性？以上问题都有待深入研究。

结合现有的文献，本文的研究贡献主要体现在以下三个方面。一是以省级行政区为研究对象，提出相关理论假设，使用2012—2020 年北京大学数字普惠金融指数，对数字普惠金融与省级绿色全要素生产率的效应开展实证研究分析，探索数字普惠金融与绿色全要素生产率的关系。二是利用中介效应模型，从技术创新、产业结构和资源错配三个维度分析研究数字普惠金融对绿色全要素生产率的影响机制，为该类型研究提供新的视角。三是对机制与异质性进行具体分析，有助于相关部门制定绿色金融发展政策、提升企业技术创新水平，并为不同区域发展情况制定政策提供实证证据和有益参考。

二、理论分析及研究假设

（一）数字普惠金融对绿色全要素生产率的直接影响机理分析

为节约营业成本，获取利益最大化，传统金融机构主要在商业发达、人口密集区设置营业网点以提供金融服务，边缘地区设点少，企业获得现场金融服务的途径少，导致无法突破时间和空间的壁垒，服务广度和服务效率受到一定的限制。数字普惠金融可以克服和突破传统金融在时间和地域上的局限性，并通过强化信息整合力度，提高金融服务的传播性和可获得性，以此提升绿色企业发展水平，为高污染企业提供绿色金融服务，从而促进绿色全要素生产率的提高。

一方面，数字普惠金融利用数字化信息收集整合优势，可以有效收集识别各类绿色高效、节能减碳的投资项目及企业，降低信息处理的边际成本，对相关企业的信用信息进行全面快速整理，如结合企业偿债能力、经营数据、违约概率等信息，提升数据信息沟通共享度，缓解信贷双方的信息不对称问题。同时数字普惠金融可以通过与双碳目标相结合，促使金融机构开发相关绿色金融产品服务，提升信贷资源对绿色环保领域的投入规模和效率，提高节能减排效率，同时限制金融信贷资源流入高碳、高污染企业，为提升各区域绿色全要素生产率拓展了新的发展方向。另一方面，数字普惠金融借助互联网数字化平台，创新绿色金融产品和服务，建立起更为方便快捷的点对点金融服务机制，拓宽融资服务范围，改善融资环境，降低企业绿色融资交易成本和费用，合理引导更多金融资源流向绿色环保、节能减排等领域，降低碳排放总量，进而提高区域整体绿色全要素生产率水平。

因此，本文结合以上数字普惠金融对绿色全要素生产率的直接影响机理分析，提出假设H1。

H1：数字普惠金融的发展对各区域绿色全要素生产率增长具有正向显著性。

（二）数字普惠金融对绿色全要素生产率的间接影响机理分析

一是技术创新产生的外溢效应。数字普惠金融在大数据分析、区块链、云计算等数字化技术的加持下，具有覆盖群体广、数据处理效率高、成本低的特点，同时在减少人工办理等环节方面具有明显优势，在普惠发展过程中也将产生外溢效应，因此能及时、快速地为传统金融无法覆盖的小微企业提供信贷资金支持，在双碳目标背景下，绿色转型势在必行，需要各种类型的企业发挥各自独特优势积极参与双碳行动，而大量“专精特新”的小微企业在清洁生产、推动碳减排技术进步方面具有一定优势和广阔的市场空间。在数字普惠金融不断深入发展的大趋势下，为该类型企业提供信贷服务也是数字普惠金融的重点方向之一，在这过程中也将产生技术外溢效应，推动全行业进行技术改造，并开展绿色低碳的行动，进而提高绿色全要素生产率。

二是低碳转型的产业结构优化效应。数字金融发展可以加快产业结构转型与优化升级。一方面，数字普惠金融可以提供差异化的金融产品和服务，优化劳动和资本等生产要素配置，提升生产效率。在双碳目标背景下，提升高碳行业的生产效率，培育绿色环保产业发展壮大，对改善环境质量、提高绿色全要素生产率具有重要意义。另一方面，数字普惠金融最大的特点是具有普惠性质，可以提升金融服务的覆盖广度和深度，从而提升消费潜力，影响不同收入群体的消费需求，而绿色环境产品更受居民喜爱，这种需求反过来可以促使企业加快推动产业链升级，研发相关产品，最终带动绿色相关产业发展，为提高绿色全要素生产率奠定良好基础。

三是资源错配减缓效应。在产业发展的过程中，企业对资源优化配置效率的要求较高，如果产生资源错配将不利于产业集聚发展和优化升级，尤其是资源性产业和高新技术产业，最终导致效率得不到有效提升、绿色企业创新活力不足、高耗能企业产生污染等问题。数字普惠金融突破传统金融的难点，通过线上金融服务和产品打破时空限制，提高资源的连通性，以劳动力、资本和技术等生产要素的集聚和优化组合，降低绿色环保产业链条的交易成本，为寻找信贷资源以及支持绿色产业发展提供帮助，最终提高绿色全要素生产率。

因此，本文结合以上数字普惠金融对绿色全要素生产率的间接影响机理分析，提出假设H2。

H2：数字普惠金融可以通过技术创新、产业结构优化及缓解资源错配，从而间接推动省域绿色全要素生产率增长。

（三）数字普惠金融对省域绿色全要素生产率存在异质性分析

我国东部和中西部经济社会发展具有明显的差异性，在数字普惠金融领域同样存在差异化。我国数字普惠金融发展在东部、中部和西部地区存在区域间差异性（刘琳和李子丰，2022）。一方面，东部地区数字经济发展起步早，数字基础设施发展更完善，产业转型升级需求更迫切，刺激数字普惠金融对绿色创新企业和传统行业技术转型升级带来的金融需求，从而提升绿色全要素生产率。另一方面，中西部地区经济发展相对滞后，数字普惠金融受到数字基础设施、人力资本约束和对传统能源依赖的影响，企业绿色创新技术内生动力不足，产业转型升级所需的成本较高，对绿色全要素生产率的提升形成制约。因此，由于东部和中西部地区在经济发展水平、数字金融科技、企业技术创新、产业转型升级动力等方面的差异，数字普惠金融发展在各区域间的覆盖广度、使用深度存在不平衡不充分现象，从而可能对促进绿色全要素生产率的发展产生区域异质性。

因此，本文结合以上分析提出假设H3。

H3：数字普惠金融对省域绿色全要素生产率的促进作用存在区域异质性，且东部比中西部的促进作用更明显。

三、研究设计

（一）回归模型设计

本文为研究分析数字普惠金融对绿色全要素生产率的影响，根据研究目的需要，设定如下回归模型：

Yit表示第i个省份第t年的绿色全要素生产率，Digitalit为各省份的数字普惠金融发展指数，Controlit为政府财政支出等控制变量，λi为各省份固定效应，Tt为时间固定效应，εit为随机干扰项。

（二）中介效应模型构建

文本通过借鉴温忠麟等（2004）的研究分析步骤，并结合研究变量的需要构建中介效应检验步骤，主要分为以下三步：

一是以各省份的绿色全要素生产率（GTFP）作为被解释变量，以北大的数字普惠金融指数（index）作为解释变量进行回归研究和分析。

二是根据假设H2的需要，本文采用技术创新（tech）、产业结构升级（isu）、资源错配（Mis）三个中介变量的指标数据为被解释变量，同时再次以北大的数字普惠金融指数（index）为解释变量进行回归研究和分析。

三是将数字普惠金融指数（index）与三个中介变量同时纳入回归模型进行实证分析。若系数β1、α1均能通过显著性检验，且φ1值较β1值有所下降或者显著性水平有所降低，则说明中介效应可信且有效。

其中Dit为中介变量，主要包括以专利技术授权量为衡量的30 个省份技术创新水平；同时参考白俊红和卞元超（2016）的研究方法，采用资本错配指数和劳动力错配指数进行测度，并赋予两者一定的权重来拟合成综合的资源错配指数；关于产业结构升级指数，本文借鉴徐敏和姜勇（2015）的研究分析方法，构建产业结构升级综合指数（isu），具体测度方式如下：

其中，Ii表示各省份第i产业总产值占GDP 的比重，同时对各项原始数据利用无纲化方式进行标准化处理，以消除不同量纲间差异，实现统一可比性。

（三）变量选取

1.被解释变量介绍及测度。基于本文的研究需要，被解释变量为各省份绿色全要素生产率（GTFP）。为测度得到理想可用的数据结果，本文采用非期望产出超效率（SBM）模型与方向性距离函数（DDF）方法，对我国30 个省份的绿色全要素生产率进行测算，该方法是目前学者常用的测算方法，理论基础好，数据结果稳健（肖攀等，2022）。因此本文研究参考该方法，同时将所有变量投入以2004 年为基期的模型进行测算，具体测算过程如下：

一是投入变量。根据大多数学者的研究成果，计算绿色全要素生产率时，投入变量通常由劳动力、能源资源和资本构成。其中，劳动力指标选用各省份城镇单位年末就业人数；能源资源指标选取各省份年标准煤消费总量；资本指标参考倪泽强和汪本强（2016）的测算方法，利用永续盘存法原理公式进行测算：

式（6）中Iit表示i地区t时期的固定资产投入量，Kt-1表示资本存量，同时固定资产投入以2004年为基期进行调节，γit表示折旧率，该折旧率参考尚娟和廖珍珍（2021）的测算成果，本文直接令γit=10.69%。

二是期望产出。本文以省级GDP 来衡量经济产出，并以2004年为基期做平减得到数据。

三是非期望产出。本文选取各省份工业烟尘排放总量、工业二氧化硫排放量和工业废水排放总量3个指标来测度，共同构成环境污染综合指数。

2.核心解释变量：数字普惠金融指数。当前研究数字普惠金融指数的相关文献主要是采用北京大学定期编制的《数字普惠金融指数（2012—2020）》，该指数为数字普惠金融服务领域的主流指数，具有较高的权威性和科学性，其中包含全国省市县三级地区的指数水平，包括3个一级指标，11个二级指标，33个三级指标。本文旨在研究全国30个省份的数字普惠金融情况，故采用该指数当中的总指数及一级维度的覆盖广度、使用深度和数字化程度开展研究。

3.控制变量。根据研究需要，本文在回归分析中加入如下的控制变量：以2004 年为基期平减后得到的GDP水平（lnGDP）、以金融业增加值衡量的金融发展水平（fin）、以政府财政支出占GDP 的比重衡量的财政支出水平（gov）。全部变量的描述性统计如表1所示。

表1 变量含义及其描述性统计

4.数据来源。本文选取2012—2020 年的全国各省级行政单位数据构成平衡面板数据，其中数字普惠金融数据来源于北京大学发布的数字普惠金融指数（2012—2020 年），绿色全要素生产率计算数据来源于中国统计年鉴、各省份统计公报、《中国能源年鉴》、《中国环境年鉴》等权威数据，经作者根据前文介绍的测算方法进行加工整理获得，控制变量数据来源于国家统计局。同时本文剔除数据量较小的西藏自治区和港澳台地区，最终选择30个省份作为研究对象。

四、实证结果分析

（一）基准回归分析

根据前文建立的回归模型，本文使用Stata 计量工具，对模型进行回归，回归结果如表2所示。

表2 基准回归模型结果

由表2 结果可知，随着数字普惠金融的深入发展，其对提升省域绿色全要素生产率产生显著性效果。从F统计量对应的P值可知，回归模型结果具有明显的解释度，且进一步观察表2（1）列结果可知，数字普惠金融指数的估计系数为0.0258，在1%的水平下显著，表明各省份推动数字普惠金融的深入实施能够显著提升省域绿色全要素生产率，这也验证了前文提出的假设H1是合理且成立的。

为了解数字普惠金融的3 个二级指标对绿色全要素生产率是否有效，本文开展进一步研究。表2第（2）至（4）列分别为数字普惠金融的覆盖广度、使用深度和数字化程度的回归结果，从中可以看出这3个变量的回归系数估值分别为0.0149、0.0141、0.0068，且均在1%的水平下显著，这表明3 个二级指标均对推动绿色全要素生产率具有显著作用。具体来看，一是随着数字普惠金融覆盖广度不断拓展，金融产品和金融服务的覆盖群体得到拓展，从而可以发挥出数字普惠金融便利、高效和低交易成本的优势，引导信贷资金更多流向绿色产业、高碳技术转型企业和科技创新企业，达到推动绿色全要素生产率增长的目的。二是随着数字普惠金融使用深度的不断深入，为绿色企业创新发展提供精准有效的金融服务，降低融资难度，提升绿色融资的可获得性，优化资源配置效率。三是数字技术的发展提高了普惠金融的数字化程度和信息化程度，可以突破传统金融的区域局限性，与当下信息和数据碎片化特点相结合，有效打破信息孤岛，扩大普惠金融服务群体和提升信息获取效率，为绿色相关企业提供更便捷的金融服务，为提高绿色全要素生产率提供扎实的数据基础。

（二）稳健性检验

为保证本文的结论更加稳健，本文进一步使用两种方法对回归结果进行稳健性检验。一是对被解释变量进行替换。本文借鉴张恒等（2022）的研究方法，基于要素投入与产出视角，利用SBM-GML模型对30个省份的绿色全要素生产率再次进行测度，得到的回归结果如表3 第（1）列所示。观察研究发现，此时数字普惠金融的回归系数为0.0301，与前文的基准回归结果系数（0.0258）差距较小，且同时在1%的水平下显著，因此，本文认为总体回归结果有效。二是缩尾后进行再回归。本文借鉴惠献波（2021）的研究方法，进一步利用Stata计量软件对主要解释变量进行双侧1%的缩尾处理后，得到的回归结果如表3（2）所示。通过观察可以发现，此时的数字普惠金融指数回归系数和显著性程度与前文基准回归结果一致，表明通过稳健性检验。

表3 稳健性检验结果

（三）影响机制分析

由前文的基准回归实证结果可知：数字普惠金融的不断发展，对促进区域绿色全要素生产率增长具有显著作用，这验证了前文的假设H1，说明本文的理论假设是合理的。进一步思考，其中的影响机理和传导路径是怎样的？是否还有其他路径来间接促进绿色全要素生产率的提升？是否能够验证前文的假设H2呢？对此，本文进一步利用构建的中介效应模型对假设H2进行验证。

根据构建的中介模型构建，本文分别以技术创新、产业升级和资源错配为中介变量，利用Stata计量软件实证分析数字普惠金融指数通过中介变量的影响机制。

1.以技术创新为中介变量的影响机制分析。表4（2）列的实证结果表明，以技术创新为中介变量的数字普惠金融指数系数为0.0536，且在1%的水平下显著，表明中介变量研究有效，数字普惠金融对技术创新具有正向且显著的促进效应。进一步从数字普惠金融与技术创新一并进行回归分析得到如表4（3）列的结果，此时数字普惠金融指数系数为0.0217，该值比基准回归中的数字普惠金融指数系数值减少了0.0041，表明以技术创新为中介变量的效果显著，数字普惠金融可以给企业带来技术创新效应，进一步推动绿色技术深入发展，带动绿色全要素生产率的提升。

表4 中介变量影响机制分析

2.以产业结构为中介变量的影响机制分析。表4（4）列的实证结果表明，以产业机构为中介变量的数字普惠金融指数系数为0.0502，且在1%的水平下显著，表明中介变量研究有效，随着数字普惠金融的不断发展，可以对产业结构优化升级带来正向且显著的促进效应。进一步从数字普惠金融与产业结构数据进行回归分析得到如表4（5）列的结果，此时数字普惠金融指数系数为0.0159，该值比基准回归中的数字普惠金融指数系数值减少了0.0099，表明以产业机构为中介变量的效果显著，数字普惠金融可为区域产业结构优化带来促进效应，进一步推动第一、第二产业转型升级，在升级过程中不断激发绿色环保产业活力，带动绿色全要素生产率的增长。

3.以资源错配为中介变量的影响机制分析。表4（6）列的实证结果表明，以资源为中介变量的数字普惠金融指数系数为-0.0307，且在1%的水平下显著，表明随着数字普惠金融的不断发展，可以缓解地区资源错配程度，提升资源配置效率，优化绿色产业的相关资源配置。进一步从数字普惠金融与资源错配数据进行回归分析得到如表4（7）列的结果，此时数字普惠金融指数系数为0.0147，该值比基准回归中的数字普惠金融指数系数值减少了0.0111，但资源错配变量系数为负值，由此表明以资源错配为中介变量的效果显著。数字普惠金融的深入发展，可以有效降低区域资源错配程度，提升区域资源配置效率，为绿色产业获取更为便捷的要素资源提供基础，促进绿色产业相关产业资源整合，形成集聚效应，提升整体生产效率，最终推动绿色全要素生产率的增长。

中介影响机制分析表明，随着数字普惠金融的不断发展，技术创新、产业结构和资源错配均对促进省域绿色全要素生产率增长具有显著作用，这验证了前文的假设H2，说明本文的理论假设是合理的。

（四）异质性分析

我国地区经济发展水平不尽相同，存在地区差异性，数字普惠金融发展对各地区的绿色全要素生产率增长具有带动效应，有可能因为区位经济发展水平和地区差异而产生差异性。从我国的区位资源视角看，一方面，我国东部地区与中西部地区之间存在资源条件、产业结构的差异；另一方面，具体结合本文研究的金融视角看，我国东部地区与中西部地区之间的金融产品和服务水平同样存在差异性，东部地区金融基础设施完善，金融政策环境良好，金融产品和服务供给多样，可以为绿色企业提供更多的融资服务，对提升绿色全要素生产率的作用可能更显著。

为进一步探讨假设H3的合理性，本文将30 个省份划分为东部和中西部两组，实证结果如表5 所示。从表5中可以看出，东部地区与中西部地区的估值系数均在1%的水平下显著，东部地区的估值系数为0.0592，中西部地区的估值系数为0.0465，表明东部地区数字普惠金融对绿色全要素生产率的促进作用比中西部地区更为有效。

表5 区位异质性分析结果

本文认为可能的原因是：相对于中西部地区而言，东部地区经济发展起步早，各项金融政策和基础设施较完善，金融整体发展水平高，数字普惠金融的覆盖广度和深度更显著，对绿色相关企业提供的金融服务更便捷和多样化，由此对于绿色全要素生产率的提升作用更有效；而中西部地区在各项金融基础条件和绿色转型创新方面发展相对较晚，整体服务水平较低，绿色企业转型发展较晚，仍然以传统高耗能行业为主，且所能获得的绿色转型信贷资金也相对较少，由此对绿色全要素生产率的提升作用不及东部地区显著。

异质性分析表明，东部和中西部地区由于经济发展水平、金融基础设施之间存在差异，数字普惠金融对省域绿色全要素生产率的促进作用存在区域异质性，东部地区数字普惠金融对绿色全要素生产率的促进作用比中西部地区更有效，这验证了前文的假设H3，说明本文的理论假设是合理的。

五、主要结论与政策建议

本文将数字普惠金融与绿色全要素生产率相结合，并提出理论假设；使用2012—2020年北京大学数字金融研究中心发布的数字普惠金融指数，构建基于投入产出结构的绿色全要素生产率数据；利用基准回归模型实证分析数字普惠金融对推动绿色全要素生产率增长的影响程度，并采用中介效应模型进一步分析研究影响机制作用机理；从区位异质性角度进行深入分析，得到以下实证结论及有关政策建议。

（一）主要结论

1.数字普惠金融对推动省域绿色全要素生产率增长具有正向显著性效应。一是总体提升效果显著。本文采用基准模型回归实证分析发现，数字普惠金融的发展可以显著提升省域绿色全要素生产率，且提升效果在1%的水平下具有显著性，说明通过推动数字普惠金融的发展，可以增强社会绿色低碳发展能力。二是数字普惠金融三大维度均有促进作用。覆盖广度、使用深度和数字化程度的回归系数均为正值，且均在1%的水平下显著，其中覆盖广度和使用深度系数大于数字化程度，表明覆盖广度和使用深度对推动绿色全要素生产率增长的作用更为有效。

2.数字普惠金融可以通过技术创新外溢、产业结构优化及资源错配减缓效应，间接推动全要素生产率增长。本文构建中介效应模型，利用技术创新、产业结构和资源错配变量，研究分析数字普惠金融对绿色全要素生产率的间接影响机制。技术创新效应可以为绿色企业带来技术改革，推动企业生产效率的提升；产业结构优化效应可以推动绿色环保行业发展，减少碳排放，建立生态文明、可持续发展的产业结构；资源错配减缓效应可以优化资源配置效率，为绿色环保及高耗能行业绿色转型获得更便捷的资源提供帮助，形成资源集聚效应，减少交易成本，推动效率提升。这三者间接促进了绿色全要素生产率的增长。

3.数字普惠金融对推动绿色全要素生产率增长的效果，东部地区比中西部地区更优。本文根据地区经济发展水平差异进行区位异质性分析研究，结果表明在经济发展水平高、金融资源配套更完善的东部地区，数字普惠金融对推动绿色全要素生产率增长的作用比中西部地区更为有效。主要的原因可能是东部地区在发展和推动数字普惠金融方面具有技术和数据库支撑，企业获得金融服务更为便捷，而中西部地区较东部发展相对滞后，作用效果仍然有待深化和提升。

（二）政策建议

数字普惠金融与绿色金融融合发展，两者同时兼顾社会效益、环境效益、企业创新效益。因此应加大数字普惠金融供给，发挥普惠属性的优势，提高绿色全要素生产率，为碳达峰碳中和目标的实现提供金融助力。

第一，重点扩大数字普惠金融的覆盖广度，最大化提升对绿色全要素生产率的正向促进作用。从实证结果来看，覆盖广度对绿色全要素生产率的促进作用最为明显。因此，有关政府职能部门和金融机构要从两个方面重点扩大数字普惠金融的覆盖广度，以最大化提升其对绿色全要素生产率的正向促进作用。一是要扩大跨部门的覆盖广度。结合绿色金融发展需要，汇聚金融机构与环境、气候等不同部门的数据，探索开展环境效益数据的收集、分析工作，将环境、社会、治理等ESG 指标要素整合，为金融机构精准识别绿色低碳领域的融资需求提供更好的数据支撑，提高各领域绿色全要素生产率。二是扩大县域地区的覆盖广度。县域地区经济发展水平相对滞后，其数字普惠金融发展水平相对较低，是数字普惠金融重点发展的区域之一。因此，各相关部门及金融机构应重点扩大县域地区数字普惠金融的覆盖广度，为县域地区的传统企业节能减排和创新企业绿色发展提供普惠性金融支持，提高信贷资金在绿色普惠领域中的贡献率和效率，不断促进各地区绿色全要素生产率的提升。

第二，利用好数字普惠金融的技术创新外溢、产业结构优化和资源错配减缓效应，全面推动绿色全要素生产率增长。数字普惠金融赋予金融行业大数据、人工智能等科技属性，金融机构应加强与金融科技平台合作，进一步开发具有数字化属性的数字普惠金融产品和服务创新，如推广个人碳账户足迹发展经验，在数字普惠金融中探索建立居民个人碳普惠账户产品，将居民个人的低碳行动通过科创路径转化为绿色信用效能，为银行信贷支持提供依据。同时结合产业结构优化方向，调整信贷投向和资源配置，优先满足绿色新兴产业、清洁能源、节能环保、碳减排技术升级等绿色产业的金融服务需求，逐步压降高耗能、高排放行业信贷规模，实现绿色信贷资源的最优化配置，从而助力国家产业结构逐步向绿色转型方向发展，最终实现全社会绿色全要素生产率的提升。

第三，促进区域数字普惠金融均衡发展，重点提高中西部地区金融服务供给水平。从实证结果和地区异质性实证结果来看，数字普惠金融对绿色全要素生产率具有正向作用。因此，政府部门、金融机构和各金融科技平台要密切配合，共同推动省域数字普惠金融发展，大力发展基于“互联网+”的金融服务方式，创新金融产品和服务，增加普惠金融供给，增强数字普惠金融覆盖广度和使用深度。同时，鉴于中西部地区是我国数字普惠金融较为薄弱的地区，尤其是西部地区，地域广阔，金融服务触角难以到达县域及基层地区。因此，要结合中西部地区的发展特点，加快推动中西部地区的金融基础设施建设，重点提升中西部地区数字普惠金融的供给水平，提高中西部地区数字普惠金融的覆盖广度、使用深度，有效推进区域数字普惠金融均衡发展。