城市数字普惠金融发展对碳排放强度影响研究

孙欣 芮雪雨

收稿日期：2023-11-28

作者简介：丁亚楠（1992—），女，河南南阳人，讲师，博士，研究方向：数字经济；

牛 彪（1990—），男，山东泰安人，博士研究生，通信作者，研究方向：资本市场财务与会计；

王建新（1973—），男，湖南衡阳人，研究员，博士，研究方向：会计理论与政策；

车 悦（1996—），女，云南大理人，博士研究生，研究方向：公共政策理论与实践。

[摘 要：数字普惠金融作为一种新兴金融形态，为实现“双碳”目标发挥了重要作用。文章以2011—2021年中国279个城市面板数据为研究样本，运用基准回归模型、面板门槛模型以及空间杜宾模型，分析了城市数字普惠金融发展对碳排放强度的影响。研究发现：数字普惠金融发展能够显著降低碳排放强度，在经过一系列稳健性检验后该结论仍然成立；数字普惠金融发展对碳排放强度的影响存在空间溢出效应和异质性；数字普惠金融会因自身发展水平、产业结构发展水平和绿色金融发展水平的不同对碳排放强度产生非线性影响。

关键词：数字普惠金融；碳排放强度；产业结构；绿色金融；面板门槛；溢出效应

中图分类号：X196；F49；F832  文献标识码：A 文章编号：1007-5097（2024）07-0066-11   ]

A Study on the Impact of Urban Digital Inclusive Finance Development on

Carbon Emission Intensity

SUN Xin， RUI Xueyu

（School of Statistics and Applied Mathematics， Anhui University of Finance and Economics， Bengbu 233010， China）

Abstract： As an emerging financial form， digital inclusive finance has played a crucial role in achieving the "dual carbon" goals. This paper analyzes the impact of urban digital inclusive finance development on carbon emission intensity， utilizing panel data from 279 Chinese cities between 2011 and 2021 as research samples， and employing baseline regression models， panel threshold models， and spatial Durbin models. Research findings： The development of digital inclusive finance can significantly reduce carbon emission intensity， and this conclusion remains robust after a series of sensitivity tests. The impact of digital inclusive finance on carbon emission intensity exhibits spatial spillover effects and heterogeneity. Moreover， the effect of digital inclusive finance on carbon emission intensity is nonlinear， varying with the levels of its own development， industrial structure development， and green finance development.

Key words：digital inclusive finance; carbon emission intensity; industrial structure; green finance; panel threshold; spillover effect

一、引 言

近年来，温室效应、空气污染、气候变暖和海平面上升等环境问题严重影响了人类生产生活，碳排放问题已经引起广泛关注。为应对气候变暖和碳排放问题，各国政府和国际组织相继推出了一系列环保政策和措施，其中，《京都议定书》规定了各国温室气体排放量，《巴黎协定》的主要目标是将21世纪全球平均气温上升幅度控制在2摄氏度以内，并推动全球向低碳经济和可持续发展转型，我国政府也高度重视降污减排问题，并积极稳妥推进“碳达峰、碳中和”。

“普惠金融”这一概念最早于2005年由联合国提出，数字普惠金融指通过互联网、移动支付等技术手段提供贷款、保险、储蓄等金融服务。当前，我国已进入新发展阶段，大数据、云计算、5G终端等数字技术飞速发展，金融行业不断与新兴数字技术融合，使得数字普惠金融成为一种低成本、低污染、高效率、广覆盖的金融服务方式。数字普惠金融可以利用信息技术提高金融服务效率，降低金融服务成本，扩大金融服务覆盖范围，从而提供更广泛、更有效的金融服务。

数字普惠金融作为一种快速发展的金融模式，已逐步深入生产生活的各个方面，其对环境的影响也逐渐引起了人们的注意。数字普惠金融发展是否能够显著影响碳排放强度？若答案是肯定的，是以线性还是非线性方式影响？数字普惠金融对碳排放强度的影响是否具有空间溢出效应？对这些问题的回答不仅能为政府制定碳减排政策提供依据，而且能丰富数字普惠金融理论。

二、文献综述

（一）数字普惠金融的测度及研究

已有文献中使用的数字普惠金融指数是由北京大学数字金融研究中心和蚂蚁金服集团共同编制的，覆盖县域、地级市和省级三个层面。该指数是一个综合性指数，旨在衡量数字普惠金融的发展水平和可持续性，包括可访问性、参与度、完整性、效率和满意度等多项指标，客观反映了数字普惠金融发展的整体情况。孙芳城等（2023）［1］基于数字普惠金融指数，利用多元回归模型探究了数字普惠金融对企业投资效率的影响。葛和平和吴倩（2022）［2］利用空间模型探究了数字普惠金融对民营经济高质量发展的影响。

当前，对数字普惠金融的研究主要集中在消除贫困机制（Chibba，2009；贺慧惠和童天天，2023）［3-4］、与居民消费之间的关系（易行健和周利，2018；李平和李伯楷，2023）［5-6］、对经济增长的影响（程广斌等，2022；陈啸等，2023）［7-8］以及对城乡收入的影响（斯丽娟和汤晓晓，2022；杨彩林等，2022）［9-10］等方面，这些研究结果为本文提供了一定的思路。

（二）碳排放的测度及研究

目前，相关文献中对碳排放的测度方法主要有以下四种：第一种是采用投入产出法测算碳排放量和隐含碳排放量，是早期学者普遍使用的方法（Peters等，2012；Fu和Li，2012）［11-12］；第二种是联合国政府间气候变化专门委员会（IPCC）提供的方法，主要是利用能源燃烧量和碳排放因子进行计算，余星辉和卜亚（2023）［13］根据此方法测算了城市碳排放总量；第三种是利用中国碳核算数据库（CEADs）公布的碳排放数据，从生产过程和能源利用两个方面统计碳排放量，但该数据库目前仅更新到2019年。佘群芝等（2022）［14］使用该数据库，利用多种模型，探究了数字经济发展对碳排放的影响及作用机制；也有部分学者在该数据库的基础上，结合夜间灯光栅格数据对碳排放进行测算（金飞和徐长乐，2022）［15］；第四种是利用非期望产出法测算碳排放量，Guo和Ma（2023）［16］使用该方法对二氧化碳排放量进行了测度。

近年来，随着双重差分模型使用的兴起，学者们开始关注试点政策的碳减排效应（黄寰等，2023；董梅和李存芳，2020）［17-18］。目前，对碳排放影响因素的研究大多集中在数字经济（余星辉和卜亚，2023；佘群芝等，2022）［13-14］、技术进步（邵帅等，2022；范东寿，2022）［19-20］、产业结构（张琳杰和崔海洋，2018；张晨露和张凡，2022）［21-22］、城镇化（王星，2016；王鑫静和程钰，2020）［23-24］、绿色金融（江红莉等，2020；赵晓春等，2023）［25-26］、能源消费（马晓君等，2018；王少剑等，2018）［27-28］等方面。可见，国内外学者对碳排放进行了大量研究并取得了一定的成果，为本文后续研究提供了经验支持。

（三）数字普惠金融对碳排放的影响研究

随着数字普惠金融的快速发展，一些学者开始关注和研究数字普惠金融发展对碳排放的影响。苏培添和王磊（2023）［29］基于我国31个省份面板数据，利用空间杜宾模型和中介效应模型研究发现，数字普惠金融能够显著降低农业碳排放强度；孙灵燕和张全飞（2023）［30］基于企业数据，实证分析了数字普惠金融对碳排放的非线性影响；王守坤和范文诚（2022）［31］基于县级面板数据，利用基准回归模型研究发现，数字普惠金融能够显著抑制碳排放；姚凤阁等（2022）［32］基于我国30个省份面板数据，研究发现数字普惠金融能够提高碳排放效率。

综上所述，虽然关于数字普惠金融与碳排放的相关研究已很丰富，但大多基于省级层面或企业层面，鲜有文献从城市层面进行研究。关于数字普惠金融与碳排放之间非线性关系的研究通常采用在模型中加入数字普惠金融二次项的方法，但并未对此方法的合理性进行解释。此外，以往文献关于数字普惠金融对碳排放影响机制的研究多采用中介效应模型，但该模型的合理性也有待商榷（江艇，2022）［33］。基于此，本文基于2011—2021年我国279个地级市（含直辖市）面板数据，利用基准回归模型、面板门槛模型和空间杜宾模型，探究数字普惠金融发展与碳排放强度之间的关系，并根据研究结论提出相应的政策建议。

本文创新之处为：①以城市数据为研究对象，能够在更为细致的空间尺度上探究数字普惠金融和碳排放强度之间的关系；②基于城市数据，利用面板门槛模型，探究数字普惠金融与碳排放强度之间的非线性关系，拓展了数字普惠金融对碳排放强度影响的作用机制研究；③空间杜宾模型研究发现，数字普惠金融发展能够抑制周边地区碳排放强度，这为加强区域间数字普惠金融发展从而实现碳减排提供政策依据。

三、理论分析与研究假说

数字普惠金融是传统金融与现代科技相结合的产物，可以降低金融服务门槛，有效弥补传统普惠金融交易成本高、资源利用不足等缺点，有助于中小微企业破除传统金融的“金融排斥”（朱东波和张相伟，2022）［34］。数字普惠金融发展对碳排放强度的影响主要体现在普惠性和数字化两个方面：一是数字普惠金融的发展使碳金融产品具有普惠性和大众化特点，扩大了碳排放交易市场规模。通过市场交易可以降低碳排放交易成本，提高碳排放交易效率，促进碳排放交易绿色化，从而降低碳排放强度。二是数字普惠金融具有数字化特征，能够为信息技术和数字技术发展提供有力支持，从而推动数字交易平台建设。通过数字化平台可以对企业进行筛选，进而淘汰能耗高、排放高、污染高的“三高”企业，推动企业向环境友好型发展，从而实现城市碳减排目标。

基于上述分析，本文提出假说1。

Ｈ1：数字普惠金融发展能够显著降低碳排放强度。

首先，在发展初期，数字普惠金融对数字技术的应用尚不成熟，数字基础设施建设不够完善，数字普惠金融发展对碳排放强度的抑制作用比较弱。当数字普惠金融发展到一定程度时，数字基础设施建设相对完善，覆盖范围不断扩大，可以帮助金融机构积累更多的数据和信息，并提供更高效的金融产品和服务，从而更好地释放数字普惠金融的红利效应，对碳排放强度表现出较强的抑制作用。然而，随着数字普惠金融的高度发展，对电力和数字技术的需求大幅度增加，导致能源需求和碳排放量快速上升，从而使数字普惠金融发展对碳排放强度的抑制作用有所减弱。

其次，在产业结构发展水平较低时，第二产业占比较高，碳排放较多，使数字普惠金融的碳减排效应减弱。随着产业结构的不断调整，第二产业占比下降，第三产业占比上升，碳排放量逐渐减少，数字普惠金融的碳减排红利效应凸显。此外，绿色金融是影响绿色发展的重要因素，可以为企业在绿色发展方面建立比较优势，从而有利于企业实现碳减排。但当绿色金融发展到一定程度时，市场上的绿色金融产品和服务趋于饱和，此时政府必然会采取相应措施来解决这一问题，而政府干预对区域创新具有抑制作用（吕鲲等，2022）［35］，会削弱绿色金融的碳减排效应。因此，数字普惠金融对碳排放强度的影响可能与产业结构发展水平和绿色金融发展水平有关，而不是简单的线性关系。

基于上述分析，本文提出以下假说。

Ｈ2：数字普惠金融发展对碳排放强度的影响会因其自身发展水平不同而表现出非线性特征。

Ｈ3：数字普惠金融发展对碳排放强度的影响会因产业结构发展水平不同而表现出非线性特征。

Ｈ4：数字普惠金融发展对碳排放强度的影响会因绿色金融发展水平不同而表现出非线性特征。

数字普惠金融的发展打破了地理距离和时间的限制，推动了区域经济一体化发展（张小锋和王菁彤，2022）［36］，加强了本地区与周边地区的金融合作。一方面，区域间经济合作可以促进金融市场的竞争，促使金融机构向绿色环保方向转型。本地区数字普惠金融的发展在促进金融服务创新升级、提高金融服务质量的同时，还可以为周边地区提供良好的示范及借鉴经验，加快周边地区数字普惠金融的发展，从而降低碳排放强度。另一方面，区域间经济合作可以促使企业开展绿色创新，提高企业绿色创新能力，使企业在节能减排、推广环保产品等方面取得更大成效。同时，这种合作也有助于完善企业绿色管理体系，规范管理过程，建立有效的管理机制，促进企业可持续发展，减少企业碳排放。此外，数字普惠金融的发展可以促使绿色金融产品向周边地区推广和普及，促进企业绿色技术创新（梁玲玲等，2023）［37］。绿色技术存在溢出效应，可以向邻近地区扩散，邻近地区通过学习先进的碳减排技术和政策可以降低其碳排放强度（Du等，2022）［38］。

基于上述分析，本文提出假说5。

Ｈ5：数字普惠金融发展对碳排放强度的影响具有空间溢出效应。

四、研究设计

（一）模型构建

1. 基准回归模型

在上述理论分析的基础上，为探究数字普惠金融发展对碳排放强度的直接抑制作用，本文构建如下基准回归模型：

[ceiit=α0+α1digfinit+αControlit+μi+νt+εit] （1）

其中：[ceiit]表示第[i]个城市第[t]年的碳排放强度；[digfinit]表示第[i]个城市第[t]年的数字普惠金融发展水平；[Controlit]表示一组控制变量；[αi]表示待估计系数；[μi]表示个体效应；[νt]表示时间效应；[εit]表示随机扰动项。

2. 面板门槛模型

基于上述分析，为进一步考察在不同的数字普惠金融发展水平、产业结构发展水平和绿色金融发展水平下数字普惠金融发展对碳排放强度的影响，本文构建如下面板门槛模型：

[ceiit=α0+α1digfinitIqit≤γ+α2digfinitIqit>γ+αControlit+μi+vt+εit] （2）

[ceiit=α0+α1digfinitIqit≤γ1+α2digfinitIγ1γ2+αControlit+μi+vt+εit] （3）

式（2）为单门槛模型，式（3）为双门槛模型。其中：[γi]表示第[i]个门槛值，并且[γ1<γ2]；[I?]为示性函数，当括号内的条件成立时取值为1，反之则为0；[qit]表示门槛变量；其余变量含义不变。

3. 空间杜宾模型

在上述分析的基础上，为进一步考察数字普惠金融发展对碳排放强度影响的空间溢出效应，本文构建如下空间杜宾模型：

[ceiit=α0+ρW×ceiit+α1digfinit+α2W×digfinit+αControlit+μi+vt+εit] （4）

其中：[ρi]表示空间自回归系数；[W]为空间权重矩阵；其余变量含义不变。

（二）变量选取

1. 被解释变量：碳排放量强度（[cei]）

碳排放总量的计算参考丛建辉等（2014）［39］的研究，将范围1、范围2以及范围3三个方面（1）计算的碳排放量进行加总得出碳排放总量。参考李寿喜和张珈豪（2023）［40］的研究，碳排放强度以碳排放总量除以当年地区生产总值的自然对数表示。

2. 核心解释变量：数字普惠金融发展指数（[digfin]）

根据现有研究，数字普惠金融发展水平采用北京大学金融研究中心编制的数字普惠金融发展指数衡量（郭峰等，2020）［41］。该指数利用层次分析法对数字普惠金融进行测度，具有较强的综合性和可靠性。

3. 控制变量

为提高研究结果的可靠性，同时减少因遗漏变量对结果造成的估计偏误，本文参考既往研究，选取以下控制变量：①经济发展水平（[pgdp]），以人均GDP衡量；②环境规制（[green]），参考邝嫦娥和路江林（2019）［42］的做法，以建成区绿化覆盖率衡量；③财政分权程度（[finance]），以地方财政预算收入与支出的比值衡量；④人口规模（[lnden]），用人口密度表示，以年末户籍人口数与区域行政面积比值的对数衡量；⑤基本教育水平（[education]），参考王守坤和范文诚（2022）［31］的做法，以普通中学在校人数与年末户籍人口数的比值衡量；⑥科技水平（[lnpatent]），以城市专利授权数的对数衡量；⑦城镇化水平（[urban]），以城镇常住人口与城镇常住人口和乡村常住人口总和的比值衡量。

4. 门槛变量

为探究数字普惠金融发展与碳排放强度的非线性关系，本文选取核心解释变量数字普惠金融发展指数（[digfin]）、产业结构发展水平（[industry]）以及绿色金融发展水平（[grefin]）作为门槛变量。其中：产业结构发展水平采用第三产业增加值与地区生产总值的比值表示；绿色金融发展水平参考刘华珂和何春（2021）［43］的研究，从绿色信贷、绿色投资、绿色保险、绿色债券、绿色支持、绿色基金以及绿色权益七个方面构建综合评价指标体系，通过熵值法计算得出。

（三）数据来源

本文选取2011—2021年我国279个城市（含直辖市）面板数据作为研究对象。数字普惠金融发展指数来源于《北京大学数字普惠金融指数（2011—2021）》第四期；专利授权总数通过国家知识产权局高级检索功能获取各城市的专利授权数，并进行统计汇总计算得出；其余控制变量数据来源于《中国城市统计年鉴》；碳排放测度相关数据主要来源于《中国能源统计年鉴》《中国工业统计年鉴》《中国农业统计年鉴》《中国环境统计年鉴》《中国城市统计年鉴》以及各地级市统计年鉴；排放因子参考《省级温室气体清单编制指南（试行）》以及各级政府发布的碳排放清单指南，缺省数据通过IPCC排放因子数据库进行补充；部分缺失数据采用线性插值法补全。

各变量描述性统计见表1所列。

五、实证分析

（一）基准回归分析

豪斯曼检验结果、个体效应和时间效应检验结果表明应选择双向固定效应模型进行估计，基准回归结果见表2所列。其中，列（1）、列（2）分别为未加入控制变量和加入控制变量后的回归结果，可以看出，无论是否考虑控制变量，数字普惠金融发展对碳排放强度的影响均在1%统计水平下显著为负，Ｈ1得到验证。在加入控制变量后，数字普惠金融发展系数的绝对值有所减小，表明控制变量的加入削弱了数字普惠金融发展对碳排放强度的抑制作用。

（二）面板门槛模型回归分析

首先，利用随机森林模型绘制碳排放强度与数字普惠金融的偏依赖图（如图1所示），横坐标为数字普惠金融指数，纵坐标为偏依赖度。结果可以分为四个阶段：第一阶段表明，数字普惠金融一经诞生就具有碳减排作用；第二阶段表明，数字普惠金融的发展会导致碳排放强度不断提高，原因可能是，在数字普惠金融发展过程中需要消耗大量的电力资源，导致碳排放增加；第三阶段表明，当数字普惠金融持续发展时，其碳减排效应凸显，这可能得益于数字技术的进步；第四阶段表明，数字普惠金融对碳排放强度的影响趋于平稳，原因可能是，数字技术发展遇到了瓶颈，需要进一步突破才能更好地发挥数字普惠金融的碳减排效应。综上所述，数字普惠金融在不同发展阶段对碳排放强度具有不同的影响效应，因此，数字普惠金融发展对碳排放强度具有非线性影响。

其次，采用面板门槛模型进一步考察数字普惠金融发展对碳排放强度的非线性影响和作用机制，表3为利用Bootstrap自助法反复抽样500次后三个门槛变量的检验结果。可以看出，数字普惠金融发展水平和产业结构发展水平均通过了双门槛检验，而绿色金融发展水平仅通过了单门槛检验。

数字普惠金融发展水平、产业结构发展水平以及绿色金融发展水平作为门槛变量时的回归结果见表4所列。列（1）结果表明，当数字普惠金融发展指数小于第一门槛值（0.410 3）时，数字普惠金融发展系数在1%水平下显著为负；当数字普惠金融发展指数迈过第一门槛值但未达到第二门槛值（2.620 5）时，数字普惠金融发展系数同样显著为负，且其系数的绝对值较之前有所增大；当数字普惠金融发展指数超过第二门槛值（2.620 5）时，数字普惠金融发展系数依然显著为负，且其系数绝对值较之前有所减小。原因是：在数字普惠金融发展的早期阶段，数字基础设施建设不够完善，且在基础设施建设过程中会产生碳排放，导致数字普惠金融对碳排放强度的抑制作用相对较弱；而随着数字普惠金融持续发展，数字基础设施不断完善，数字普惠金融对碳排放强度影响的红利效应逐渐释放，对碳排放强度的抑制作用不断增强；当数字普惠金融过度发展时，能源需求会大幅增加，进而会提高碳排放，从而使数字普惠金融发展对碳排放强度的抑制作用减弱。H2得到验证。

以2021年数据为例，可以发现：所有城市的数字普惠金融发展水平均超过了第一门槛值。数字普惠金融发展水平处于第一门槛值和第二门槛值之间的城市有32个，其中，东部城市有3个，占比为3.704%；中部城市有9个，占比为9.000%；西部城市有20个，占比为24.691%。数字普惠金融发展水平超过第二门槛值的城市有247个，其中，东部城市有95个，占比为96.939%；中部城市有91个，占比为91.000%；西部城市有61个，占比为75.309%。综合来看，数字普惠金融发展水平：东部城市>中部城市>西部城市。

表4列（2）结果表明，当产业结构发展水平未达到第一门槛值（40.900 0）时，数字普惠金融发展系数显著为负；当产业结构发展水平超过第一门槛值而未达到第二门槛值（57.400 0）时，数字普惠金融发展的系数仍然显著为负，其绝对值略有减小；当产业结构发展水平超过第二门槛值（57.400 0）时，数字普惠金融发展对碳排放强度的影响系数依然显著为负，但其系数的绝对值较之前又有所减小，即数字普惠金融发展对碳排放强度的抑制作用随着产业结构升级而逐渐减弱。其原因是：当产业结构发展水平未达到第一门槛值（40.900 0）时，产业结构不合理即第二产业占据优势，而当产业结构趋于合理时，数字普惠金融发展能够最大程度降低碳排放强度；当产业结构发展水平超过第一门槛值而未达到第二门槛值（57.400 0）时，产业结构处于合理范围，第二、三产业平衡发展，此时数字普惠金融发展对碳排放强度的抑制作用较之前有所减小；当产业结构发展水平超过第二门槛值时，产业结构同样不合理，而产业结构升级需要投入大量的资源，使得数字普惠金融发展对碳排放强度的抑制作用再次减弱。由此，H3得到验证。

仍以2021年数据为例，可以发现：产业结构发展水平低于第一门槛值的城市有20个，其中，东部城市有5个，占比为5.102%；中部城市有6个，占比为6.000%；西部城市有9个，占比为11.111%。产业结构发展水平处于第一门槛值和第二门槛值之间的城市有171个，其中，东部城市有62个，占比为63.265%；中部城市有63个，占比为63.000%；西部城市有46个，占比为56.790%。产业结构发展水平超过第二门槛值的城市有88个，其中，东部城市和中部城市均有31个，占比分别为31.633%和31.000%；西部城市有26个，占比为32.099%。总体来说，东中部城市的产业结构发展水平相差不大，均高于西部城市的产业结构发展水平。

表4列（3）结果表明，当绿色金融发展水平小于门槛值（0.330 9）时，数字普惠金融发展系数显著为负，当绿色金融发展水平超过门槛值时，数字普惠金融发展系数依然为负，且通过了1%的显著性检验，但其绝对值与未超过门槛值时相比略有减小。其原因是，在快速发展阶段，绿色金融会释放红利效应，数字普惠金融发展对碳排放强度的抑制作用增强；当绿色金融发展到一定程度时，市场上的绿色金融产品和服务逐渐增多，甚至达到饱和状态，金融交易行为相对稳定，因而数字普惠金融发展对碳排放强度的影响会有所减弱，Ｈ4得到验证。仍以2021年数据为例，可以发现，研究样本中的所有城市绿色金融发展水平均超过了门槛值。

（三）空间回归模型分析

本文采用空间回归模型研究数字普惠金融发展对碳排放强度影响的空间溢出效应。

首先，对数字普惠金融发展指数以及碳排放强度进行空间自相关检验。结果显示，2011—2021年，数字普惠金融指数和碳排放强度的莫兰指数在反经济距离空间权重矩阵下均显著大于0，即各个城市间的数字普惠金融发展与碳排放强度存在显著的正向空间自相关性。

其次，进行LM检验，结果见表5所列。空间误差模型和空间滞后模型检验结果显示，碳排放强度系数均通过了1%显著性检验，进一步说明碳排放强度存在明显的空间相关性。

最后，豪斯曼检验结果表明固定效应模型优于随机效应模型，同时，考虑时间差异，本文选择个体和时间双向固定的空间杜宾模型（[SDM]）。此外，为检验结果的稳健性，本文列出了空间自回归模型（[SAR]）和空间误差模型（[SEM]）回归结果，具体见表6所列。可以看出，三种模型的空间自回归系数均显著大于0，表明碳排放强度存在正向空间自相关性。LR检验结果显示，P值分别为0.006 8和0.000 0，且通过了1%显著性检验，说明空间杜宾模型最优。从空间杜宾模型检验结果可以看出，数字普惠金融指数与反经济距离空间权重矩阵的交互项（[W×digfin]）在1%水平下显著为负，初步表明数字普惠金融发展对碳排放强度的影响存在空间溢出效应。此外，通过偏微分法将空间溢出效应分解为直接效应、间接效应以及总效应，结果显示，三种效应系数均至少在5%显著性水平下为负，说明数字普惠金融发展对碳排放强度的影响存在空间溢出效应，H5得到验证。

（四）异质性分析

1. 结构异质性分析

本文将数字普惠金融的三个二级指标数字金融覆盖广度（[cover]）、数字金融使用深度（[usage]）以及普惠金融数字化程度（[digit]）作为核心解释变量，考察数字普惠金融发展对碳排放强度的影响是否具有异质性，回归结果见表7所列。其中，列（1）为将数字普惠金融发展作为核心解释变量的回归结果，列（2）至列（4）分别为将三个二级指标作为被解释变量的回归结果。可以看出，数字金融覆盖广度、数字金融使用深度以及普惠金融数字化程度对碳排放强度的影响均为负，但只有数字金融覆盖广度通过了1%的显著性检验，表明数字金融覆盖广度对碳排放强度具有显著的抑制作用。其原因是，数字金融覆盖广度是数字金融使用深度和普惠金融数字化程度的前提，互联网的发展打破了地域限制，为企业提供了环境友好型的金融服务，所以数字金融覆盖广度对碳排放强度的抑制作用显著；而数字金融使用深度和普惠金融数字化程度的发展依赖于数字金融覆盖广度建设，另外，普惠金融由传统方式转变为数字方式需要一定时间，因此，数字金融使用深度和普惠金融数字化程度对碳排放强度的抑制作用尚未在统计上表现出来。

2. 城市类型异质性分析

首先，本文根据《全国资源型城市可持续发展规划（2013—2020年）》《资源枯竭城市名单》将样本划分为资源型城市、非资源型城市和资源枯竭型城市分别进行回归，结果见表8列（1）至列（3）。可以看出，在三种类型城市中数字普惠金融发展与碳排放强度均显著负相关，进一步参考连玉君等（2010）［44］的做法，利用Bootstrap法自抽样1 000次检验数字普惠金融发展系数在资源型城市与非资源型城市、资源型城市与资源枯竭型城市以及非资源型城市与资源枯竭型城市之间的差异，得到的经验P值分别为0.207、0.450、0.362，均没有通过显著性检验，说明在三种类型城市中，数字普惠金融发展对碳排放强度的影响均不存在异质性。

其次，本文将样本城市划分为长江经济带城市和非长江经济带城市两组分别进行回归，结果见表8列（4）至列（5）。可以看出，在长江经济带城市中数字普惠金融发展对碳排放强度的影响系数显著为负，在非长江经济带城市中影响系数为负但不显著。原因是，长江经济带城市是生态文明建设先行示范区，同时，我国大力推动长江经济带城市高质量发展，因而在长江经济带城市中数字普惠金融发展对碳排放强度的影响比较显著。进一步计算得到经验P值为0.000，表明数字普惠金融发展对碳排放强度的影响在两组城市中存在显著差异。

（五）稳健性检验

1. 内生性检验

数字普惠金融会影响碳排放强度，反过来，碳排放强度高的地区也会被迫加快数字普惠金融建设，因此，数字普惠金融发展和碳排放强度之间存在双向因果关系，从而产生内生性问题。为解决这一问题，本文借鉴Guo和Ma（2023）［16］构造的“Bartik Instrument”工具变量，将数字普惠金融的一阶滞后项和一阶差分项的乘积作为工具变量。Kleibergen-Paap rk LM统计量和Kleibergen-Paap rk Wald F统计量结果均拒绝原假设，表明工具变量是可识别的，且该工具变量不是弱工具变量。回归结果见表9列（1），可以看出，数字普惠金融发展系数在1%水平下显著为负，表明数字普惠金融发展能够抑制碳排放强度，说明前文结论具有稳健性。

2. 缩尾处理

本文对原始数据进行1%缩尾处理以消除极端值对回归结果造成的偏误，回归结果见表9列（2）。可以看出，数字普惠金融发展系数显著为负，表明前文结论是可靠的。

3. 替换被解释变量

由于一些变量的选择可能会导致估计结果偏误，同时，各地区人口数量和经济发展水平存在差异，因此，本文采用人均碳排放量替换碳排放强度重新回归，结果见表9列（3）。可以看出，数字普惠金融发展系数仍然显著为负，表明前文结论具有稳健性。

4. 调整样本期

2015年，《中华人民共和国国民经济和社会发展第十三个五年规划纲要》首次提出实施国家大数据战略后，数字经济快速发展，因此，本文将样本期调整为2015—2021年重新进行回归估计，结果见表10列（1）。可以看出，数字普惠金融发展系数仍显著为负，表明前文结论具有稳健性。

5. 剔除副省级城市及直辖市

副省级城市和直辖市由于其特殊的行政地位，在科技发展水平、经济发展水平、政策冲击等方面与一般地级市有很大差异，因此，本文将这些城市剔除重新进行回归，结果见表10列（2）。可以看出，数字普惠金融发展系数仍显著为负，表明前文结论具有稳健性。

6. 替换权重矩阵

本文将邻接空间权重矩阵纳入空间杜宾模型重新进行回归，结果见表10列（3），可以看出，数字普惠金融发展和其与空间权重矩阵交互项的系数均显著为负，其余变量的系数与前文均一致，表明前文结论具有稳健性。

六、结论与建议

本文基于2011—2021年我国279个地级市（含直辖市）的面板数据，利用基准回归模型、面板门槛模型以及空间杜宾模型，探究数字普惠金融发展与碳排放强度之间的关系。研究结论为：①数字普惠金融发展能够显著降低碳排放强度，该结论在经过一系列稳健性检验后仍然成立。②数字普惠金融发展会因自身发展水平、产业结构发展水平以及绿色金融发展水平的不同而对碳排放强度产生非线性影响。首先，数字普惠金融发展对碳排放强度的抑制作用会因自身发展水平的不断提高表现出先增强后减弱的非线性特征；其次，数字普惠金融发展对碳排放强度的抑制作用会随着产业结构发展水平和绿色金融发展水平的提高而不断减弱。③数字普惠金融发展对碳排放强度的影响具有空间溢出效应。数字普惠金融发展不仅可以降低本地区碳排放强度，也可以降低邻近地区的碳排放强度，这一空间效应在反经济距离空间权重矩阵和邻接空间权重矩阵下都得到了证实。④数字普惠金融发展对碳排放强度的影响具有异质性。结构异质性检验结果发现，三个二级指标中只有数字金融覆盖广度对碳排放强度的影响显著，数字金融使用深度和普惠金融数字化程度对碳排放强度的影响系数虽然为负，但未通过显著性检验。类型异质性检验发现：在资源型城市、非资源型城市以及资源枯竭型城市中，数字普惠金融对碳排放强度均有抑制作用，不存在异质性；而在长江经济带和非长江经济带城市中，数字普惠金融发展对碳排放强度的影响存在显著的异质性，具体为，在长江经济带城市中数字普惠金融发展能够显著抑制碳排放强度，而在非长江经济带城市中这种抑制作用尚不明显。

基于上述研究结论，本文提出以下建议：

第一，加快数字普惠金融相关基础设施建设，促进低碳发展。数字普惠金融发展显著降低了碳排放强度，因此，应加快5G基站、大数据中心、人工智能及区块链服务等基础设施建设，提升普惠金融科技水平，强化对小微企业的金融支持，扩大数字普惠金融覆盖广度。地方政府应大力引进高素质数字技术人才，增加数字金融的投入，引导金融机构为小微企业绿色转型提供支持。

第二，以数字普惠金融服务引导产业结构合理调整，促进绿色金融发展。数字普惠金融对碳排放强度的抑制作用受产业结构和绿色金融的影响，因此，地方政府应优化财政、金融和人力资本等政策，促进产业结构合理化发展。此外，要在普惠金融服务中融入绿色低碳发展目标，加快数字金融和绿色金融的融合，探索开发符合小微企业经营特点的绿色金融产品，完善绿色信贷的激励和约束机制，推动绿色金融向环境友好型发展，从而实现减碳目标。

第三，发挥数字普惠金融的“绿色”辐射效应，区域协同治理碳排放。数字普惠金融发展打破了地理距离和空间的限制，不仅可以降低本地区碳排放强度，对周边地区碳排放强度也具有一定的抑制作用。因此，应尽快开展节能减排政策的区域协调与合作，促进碳排放的联合控制和协同治理，鼓励地区间相互学习，共享低碳技术和经验，联合开展碳减排项目。

第四，因地制宜实施数字普惠金融发展调控措施，以更好发挥其碳减排效应。数字普惠金融对碳排放强度的影响存在异质性，因此，政府应鼓励金融机构将业务下沉到数字金融覆盖范围较小的地区，而数字金融覆盖范围较广的城市则可以加大数字技术推广运用，提升数字金融的数字化程度。此外，长江经济带城市群应继续推动经济高质量发展，充分利用数字普惠金融在碳减排方面的红利效应，发挥示范引领作用；非长江经济带城市群不仅要完善数字普惠金融基础设施建设，为数字普惠金融发展筑牢基础，而且要学习长江经济带城市先进经验，促进城市绿色低碳发展。

注 释：

（1）范围1：城市辖区内的所有直接碳排放；范围2：发生在城市辖区之外的与能源有关的间接碳排放；范围3：由城市内部活动引起，产生于辖区之外，但不包括范围2的其他间接碳排放。

参考文献：

［1］孙芳城，伍桂林，蒋水全.数字普惠金融对企业投资效率的影响研究［J］.华东经济管理，2023，37（1）：95-107.

［2］葛和平，吴倩.数字普惠金融对民营经济高质量发展的影响研究［J］.经济问题，2022（11）：27-35.

［3］CHIBBA M. Financial Inclusion，Poverty Reduction and the Millennium Development Goals［J］. The European Journal of Development Research，2009，21（2）：213-230.

［4］贺慧惠，童天天.数字普惠金融对长期多维相对贫困的影响与机制研究［J］.宏观经济研究，2023（9）：33-53.

［5］易行健，周利.数字普惠金融发展是否显著影响了居民消费——来自中国家庭的微观证据［J］.金融研究，2018（11）：47-67.

［6］李平，李伯楷.数字普惠金融发展与居民消费升级［J］.统计与决策，2023，39（13）：144-149.

［7］程广斌，赵川，李祎.数字普惠金融、空间溢出与经济增长［J］.统计与决策，2022，38（16）：132-136.

［8］陈啸，孙晓娇，王国峰.数字普惠金融、数字创新与经济增长——基于省级面板数据的实证考察［J］.经济问题，2023（6）：34-40.

［9］斯丽娟，汤晓晓.数字普惠金融对农户收入不平等的影响研究——基于CFPS数据的实证分析［J］.经济评论，2022（5）：100-116.

［10］杨彩林，李雯雅，曹秋菊.数字普惠金融、农户信贷供给与城乡收入差距［J］.统计与决策，2022，38（12）：130-135.

［11］PETERS G，DAVIS S，ANDREW R. A Synthesis of Carbon in International Trade［J］. Biogeosciences，2012，9（8）：3247-3276.

［12］FU J F，LI Y . Regional Difference Analysis on China's Carbon Dioxide Emission Embodied in Exports［J/OL］. Advanced Materials Research［2023-10-30］.https：//doi.org/10.402 8/www.scientific.net/AMR.524-527.2623

［13］余星辉，卜亚.数字经济发展对城市碳排放的影响［J］.金融与经济，2023（1）：74-84.

［14］佘群芝，吴柳，郑洁.数字经济、经济聚集与碳排放［J］.统计与决策，2022，38（21）：5-10.

［15］金飞，徐长乐.数字经济发展对碳排放的非线性影响研究［J］.现代经济探讨，2022（11）：14-23.

［16］GUO S，MA H. Can Urban Digitalization Significantly Improve Carbon Emission Efficiency？ Evidence from 282 Cities in China［J］. Environmental Science and Pollution Research，2023，30（19）：55214-55236.

［17］黄寰，何广，肖义.低碳城市试点政策的碳减排效应［J］.资源科学，2023，45（5）：1044-1058.

［18］董梅，李存芳.低碳省区试点政策的净碳减排效应［J］.中国人口·资源与环境，2020，30（11）：63-74.

［19］邵帅，范美婷，杨莉莉.经济结构调整、绿色技术进步与中国低碳转型发展——基于总体技术前沿和空间溢出效应视角的经验考察［J］.管理世界，2022，38（2）：46-69，4-10.

［20］范东寿.农业技术进步、农业结构合理化与农业碳排放强度［J］.统计与决策，2022，38（20）：154-158.

［21］张琳杰，崔海洋.长江中游城市群产业结构优化对碳排放的影响［J］.改革，2018（11）：130-138.

［22］张晨露，张凡.生态保护、产业结构升级对碳排放的影响——基于长江经济带数据的实证［J］.统计与决策，2022，38（3）：77-80.

［23］王星.中国城镇化对碳排放的影响——基于省级面板数据的分析［J］.城市问题，2016（7）：23-29.

［24］王鑫静，程钰.城镇化对碳排放效率的影响机制研究——基于全球118个国家面板数据的实证分析［J］.世界地理研究，2020，29（3）：503-511.

［25］江红莉，王为东，王露，等.中国绿色金融发展的碳减排效果研究——以绿色信贷与绿色风投为例［J］.金融论坛，2020，25（11）：39-48，80.

［26］赵晓春，龙来春，周瑛.绿色金融、政府干预与区域碳排放效率［J］.统计与决策，2023，39（10）：149-154.

［27］马晓君，董碧滢，于渊博，等.东北三省能源消费碳排放测度及影响因素［J］.中国环境科学，2018，38（8）：3170-3179.

［28］王少剑，苏泳娴，赵亚博.中国城市能源消费碳排放的区域差异、空间溢出效应及影响因素［J］.地理学报，2018，73（3）：414-428.

［29］苏培添，王磊.数字普惠金融对中国农业碳排放强度影响的空间效应与机制［J］.资源科学，2023，45（3）：593-608.

［30］孙灵燕，张全飞.数字普惠金融对企业碳排放强度的影响研究［J］.江西社会科学，2023，43（11）：90-101.

［31］王守坤，范文诚.数字普惠金融与碳减排——基于中国县级数据的实证分析［J］.当代财经，2022（11）：53-64.

［32］姚凤阁，王天航，谈丽萍.数字普惠金融对城市全要素碳排放生产率的影响［J］.商业研究，2022（3）：112-121.

［33］江艇.因果推断经验研究中的中介效应与调节效应［J］.中国工业经济，2022（5）：100-120.

［34］朱东波，张相伟.中国数字金融发展的环境效应及其作用机制研究［J］.财经论丛，2022（3）：37-46.

［35］吕鲲，潘均柏，周伊莉，等.政府干预、绿色金融和区域创新能力——来自30个省份面板数据的证据［J］.中国科技论坛，2022（10）：116-126.

［36］张小锋，王菁彤.数字普惠金融对区域经济协调发展的影响效应［J］.商业研究，2022（2）：40-48.

［37］梁玲玲，李烨，陈松.数字普惠金融促进企业绿色技术创新的效应与机制检验［J］.统计与决策，2023，39（11）：168-173.

［38］DU Q，DENG Y，ZHOU J，et al. Spatial Spillover Effect of Carbon Emission Efficiency in the Construction Industry of China［J］. Environmental Science and Pollution Research，2022，29（2）：2466-2479.

［39］丛建辉，刘学敏，赵雪如.城市碳排放核算的边界界定及其测度方法［J］.中国人口·资源与环境，2014，24（4）：19-26.

［40］李寿喜，张珈豪.数字普惠金融、技术创新与城市碳排放强度［J］.华东师范大学学报（哲学社会科学版），2023，55（2）：161-172，178.

［41］郭峰，王靖一，王芳，等.测度中国数字普惠金融发展：指数编制与空间特征［J］.经济学（季刊），2020，19（4）：1401-1418.

［42］邝嫦娥，路江林.环境规制对绿色技术创新的影响研究——来自湖南省的证据［J］.经济经纬，2019，36（2）：126-132.

［43］刘华珂，何春.绿色金融促进城市经济高质量发展的机制与检验——来自中国272个地级市的经验证据［J］.投资研究，2021，40（7）：37-52.

［44］连玉君，彭方平，苏治.融资约束与流动性管理行为［J］.金融研究，2010（10）：158-171.

［责任编辑：夏同梅］

［DOI］10.19629/j.cnki.34-1014/f.231102021