金融科技对企业碳减排绩效的影响——来自高耗能上市公司的经验证据

The Impact of Fintech on Corporate Carbon Reduction Performance—Empirical Evidence from Energy-Intensive Listed Companies

摘要: 近年来，金融科技自深度嵌入绿色金融发展链条以来，已进入高速发展期。目前已覆盖到企业环境风险管理、ESG评估、环境绩效测算及绿色信贷等方面，逐步成为了我国“双碳”目标落地的关键推手。金融科技还能助推经济增长与生态约束的有机统一，提升企业的碳减排绩效。本文基于2014~2024年我国158个城市637家高耗能上市公司面板数据，从理论和实证两方面入手，分析金融科技对我国上市公司碳减排绩效的影响及其作用机制。结果显示：金融科技的发展可以显著促进企业的碳减排绩效；金融科技的发展可以通过推动企业创新促进企业碳减排绩效；金融科技在促进企业创新的同时，能缓解企业创新对于企业碳减排绩效的抑制作用。后又通过异质性检验，本文发现：金融科技对企业碳减排绩效的促进作用，在我国东部地区及省会、副省会城市的高耗能企业表现更显著。因此，本文提出要健全金融科技发展体系、加强金融科技创新运用、因地制宜完善碳减排制度的相关建议，希冀有效促进企业碳减排绩效提升。

Abstract: In recent years, since deeply embedding itself within the green finance development chain, fintech has entered a period of rapid growth. It now spans corporate environmental risk management, ESG assessment, environmental performance measurement, and green lending, gradually becoming a key driver for achieving China’s dual carbon goals. Fintech can also promote the organic integration of economic growth and ecological constraints while enhancing corporate carbon reduction performance. This paper analyzes the impact of fintech on the carbon reduction performance of listed companies in China and its underlying mechanisms, drawing on panel data from 637 energy-intensive listed companies across 158 cities from 2014 to 2024. The analysis combines theoretical and empirical approaches. Results indicate that: Fintech development significantly enhances corporate carbon reduction performance; fintech development promotes corporate carbon reduction performance by driving innovation; fintech mitigates the inhibitory effect of innovation on corporate carbon reduction performance while fostering innovation. Subsequent heterogeneity tests reveal that the positive effect of fintech on corporate carbon emission reduction performance is more pronounced among energy-intensive enterprises in eastern China and in provincial capitals and sub-provincial cities. Therefore, this study proposes recommendations to improve the fintech development system, enhance the application of fintech innovations, and refine carbon emission reduction systems based on local conditions, aiming to effectively promote the improvement of corporate carbon emission reduction performance.

1. 引言

研究表明2005~2016年，我国碳排放总量与强度均高于全球均值，成为全球减排的关键责任方。国家据此设定了“2030年碳达峰、2060年碳中和”目标，并以“十四五”规划为制度核心，构建了“强度为主、总量为辅”的管控框架，激励先发地区、行业和企业率先达峰。这既履行国际承诺，也为全球气候治理提供公共产品。实现“双碳”目标有利于打破绿色贸易壁垒，改善民生并夯实经济内生动力，提升国内国际双循环质量。在增长趋缓与环境约束叠加的大背景下，如何高效推进该目标，已成为政策当务之急。此外，碳绩效反映了经营发展与二氧化碳排放之间的关系，是衡量绿色低碳经济发展的重要指标[1]。自20世纪90年代“金融科技”概念确立以来，数字技术与金融创新融合演进，已成为驱动我国经济增长的核心动能。2022年1月，中国人民银行发布《金融科技(FinTech)发展规划(2022~2025年)》，首次将“助力碳达峰碳中和”纳入顶层设计，提出构建数字绿色服务体系、支撑实体经济绿色转型的新阶段目标，为金融科技注入可持续内涵。赵洋(2023)认为实现碳减排需要资金、技术和政策的协同配合，而其中最重要的是金融支持[2]。

在此大背景下，研究金融科技发展对企业碳减排绩效的影响究竟如何，对于深化我国污染治理体系的改革与建设来说，具有重要的理论及现实意义。相关研究表明，金融科技往往通过激励企业创新与拓展绿色金融这两个渠道来助力城市碳减排的发展。因此，本文将从金融科技对企业创新及绿色金融两方面的作用机制入手，实证检验金融科技对企业碳减排绩效的影响路径[3]。

2. 国内外文献综述

2.1. 金融发展对企业碳排放的相关研究

国内外学术界对于金融发展与企业碳排放的关系尚未达成共识。从我国县域层面的研究来看，王守坤和范文诚(2023)发现金融可得性每提高1%，县域CO₂浓度便下降4.1%，且5~15公里缓冲区内的工业企业排放便减少4.4%~5.4% [4]。此外，基于我国省级层面的数据，相关研究证实：信贷占比与企业碳排放之间存在“倒U型”关系，而金融市场规模、竞争以及市场化配置等条件则会显著抑制企业的碳排放[5] [6]。相较而言，国外有研究表明：金融自由度、私营信贷及金融扩张等对碳排放也具有显著的负向影响[7]-[9]。Odei A. S.等(2025)在47个撒哈拉以南的非洲国家做研究，进一步指出，在没有环境规制的情况下，金融体系更容易将信贷资源导向高碳企业，反而对碳减排等绿色项目产生削弱效果[10]。综上，金融发展对碳排放的影响方向与强度，往往是由金融结构、制度质量和环境保障机制等共同影响的结果。

2.2. 科技创新对企业碳排放的相关研究

现有研究一致认为科技创新对企业碳排放具有抑制效应。连文威等(2023)认为，一个企业的科技创新与城市扩张、投资增长之间存在“倒U型”关系，但通过产业结构升级，可间接达到抑制企业碳减排的效果[11]。其他研究也证实，绿色科技创新能通过能源结构、能源效率和技术进步等中介，显著降低企业碳排放强度，且该边际效应在我国西部地区表现更明显[12] [13]。在国外，Destek等(2021)认为，科技创新每增加1%，大型新兴市场经济体的碳排放就下降约0.082%~0.088% [14]。基于产业的投入产出表，有研究发现，研发技术的溢出效应与碳排放效果的关系表现为“倒U型”曲线；虽在产业内部可能短期增加碳排放，但跨行业的科技创新溢出则会持续抑制国内碳排放强度[15] [16]。综上，科技创新的碳减排效应已得到多维验证，但具体而言，仍受技术属性、产业关联及空间异质性等客观条件的制约。

2.3. 绿色金融对碳排放的相关研究

现有研究对绿色金融的碳减排效应的关系已基本形成共识。田嘉莉等(2023)认为，绿色金融与碳减排存在“U型”关系，当前我国尚未找到二者关系的最优规模[17]；韩先锋等(2023)认为绿色金融能够显著抑制企业的碳排放，且通常借由产业升级与绿色技术创新等，对其产生间接影响[18]。此外，杜焱等(2023)认为绿色金融不仅能降低地区的碳排放，还存在着空间溢出效应[19]。而杜家廷等(2023)则认为，绿色金融虽能提升企业的碳中和绩效，但若金融分权过度，则会削弱该效果，即存在最适分权区间[20]。同时，Qi Li等(2025)基于2007~2022年省级数据研究发现，绿色金融不但能显著降低碳排放强度，且能对周边地区产生正向溢出效果，在该实现路径中绿色技术创新存在放大作用[21]。Wang等(2022)则利用2006~2020年上市公司样本数据与连续DID实证研究发现，绿色金融政策虽能显著改善企业的ESG表现，但具体实施效应则因企业特征而异[16]。综上，绿色金融的碳减排效应受多种条件共同调节，尚未形成“一放就灵”的线性结论。

3. 理论分析及研究假设

3.1. 金融科技对企业碳减排的直接影响

熊子怡等(2023)认为金融科技能够通过促进绿色创新和产业结构转型升级降低区域碳排放[22]。移动互联网、数字技术、人工智能和大数据技术与金融行业的深度结合，使我国金融科技的发展步伐不断加快，同时也为区域碳减排提供了新方向。首先，金融科技具有以字节替实体的“去物质化”特性，促使信贷、证券等业务能够通过虚拟空间更高效地完成，显著减少实物资源消耗和污染排放。同时，网络银行及第三方支付突破了线下约束，节省了交通与资本投入，提升了低碳运营效率。其次，金融科技借助大数据、人工智能等技术，打通了绿色金融市场的信息壁垒，提升了碳金融等产品配置效率，并凭借普惠性降低服务门槛和成本，扩大了绿色金融覆盖范围，为环境质量改善提供持续动能。据此，本文提出假说1。

H1：金融科技的发展可以促进企业的碳减排绩效。

3.2. 金融科技对企业碳减排的间接影响

科技金融通常以“政策–资金–创新”的链条来降低碳排放。优惠政策与数字工具通过聚集社会资本，并引导外部创新资金流入本土企业，进而提升企业的科技投入效率与创新能力，创新能力升级又能进一步推动产业结构清洁化、生产工艺绿色化，最终实现能源节约和碳减排的目标。赵爽(2023)认为科技创新效率对碳排放效率具有显著正向效应，且可通过产业集聚与结构升级路径实现[23]。综上，科技金融政策通过整合科技资源与金融资本，强化创新能力，进而提升碳减排绩效。在高耗能行业，企业创新活动往往同时存在“技术正外部性”与“环境负外部性”。当R&D资源配置偏向于提高产出效率或新产品开发时，边际碳排放强度可能短期内不降反升，容易形成错配。金融科技若仅解决融资可得性，而未将碳价信号内生于资本定价，则相当于放大技术正外部性，让环境负外部性游离于资产负债表之外，最终导致遮掩效应。因此本文提出假说2。

H2：企业创新在金融科技与企业碳减排绩效的正相关中存在“遮掩效应”。

绿色金融通过“资本导向–技术进阶–外溢扩散”三阶段机制降低碳排放。江三良等(2023)证实，科技与金融结合试点政策通过经济增长、人才集聚与绿色创新路径显著提升城市碳排放绩效[24]。一方面，绿色金融在银行遵循“区别对待”的原则下，有意向性地将金融资源引入光伏、风电、核电、天然气等新兴能源产业，推动能源消费结构优化。另一方面，绿色信贷、证券、保险等工具为产业技术进步提供阶段性资金，产业技术进步所带来的减排效应主要分为三个阶段，第一阶段呈现为偏向性技术进步，即要素利用率提升具有偏向特征，主要集中于能源效率改进与低碳减排领域，而非劳动、资本等要素同步改善。姜剑涛等(2019)认为金融科技通过碳交易撮合、信息实时共享与监管科技工具，为绿色金融提供底层技术支撑[25]。第二阶段为环境技术进步，即技术突破提升特定领域要素利用率，并通过行业扩散效应带动劳动、资本等全要素效率同步改善。第三阶段则类似FDI技术外溢，即绿色产业技术升级后，伴随规模扩张，通过绿色投资向上下游传播，并对竞争企业产生绿色创新激励，从而放大碳减排效应。综上，绿色金融不仅优化能源结构，更通过技术进步的三阶段扩散机制持续放大碳减排效果。故提出假设3。

H3：金融科技可以通过促进绿色金融从而促进企业的碳减排绩效，即存在“中介效应”。

4. 变量设置、数据来源与实证策略

4.1. 变量与数据

本文先利用CSMAR“公司资料–注册地与办公地”字段，将637家上市公司经纬度与158个城市边界做空间匹配，注册地或办公地任意一个落入同一城市即归属该样本市。对城市级Fintech新闻指数、绿色信贷、宏观变量的缺失值采用线性插值和所在省均值补全，并对极端1%做缩尾处理。按“城市—年份”面板，与企业财务数据进行合并，剔除金融类、ST及关键变量缺失样本后，形成637 × 11年平衡面板，确保城市层面金融科技信息与上市公司碳排绩效精确对齐。

4.1.1. 被解释变量

本研究设定企业碳排放绩效(CEPI)为被解释变量。参照了闫华红(2019)、赵玉珍(2021)、李婉红(2023)的研究[26]-[28]，由于现有企业二氧化碳排放数据披露不足，本文采用单位企业碳排放量所对应的企业营业收入作为碳绩效的代理变量，该指标数值越大，则说明企业的碳排放绩效越好。其中，行业碳排放的相关数据，依据《中国统计年鉴》《中国能源统计年鉴》和碳排放交易网公布的能源消耗量与相对应的排放系数计算而得；企业层面的相关数据则取自国泰安数据库。企业碳排放量和碳绩效的估算公式如下所示：

企业碳排放量 = (行业碳排放量/行业主营业务成本) × 企业营业成本

碳绩效 = ln (企业营业收入/企业碳排放量)

4.1.2. 解释变量

借鉴李春涛等(2020)的做法，本文选择金融科技发展(Fintech)作为解释变量[29]。依据《“十三五”国家科技创新规划》《大数据产业发展规划(2016~2020年)》《中国金融科技运行报告(2018)》及重要政策文件，筛选出包括区块链、人工智能、EB级存储、NFC支付、大数据等在内的48个金融科技相关的关键词。将关键词与各地级市或直辖市名称配对，利用百度新闻高级检索获取2014~2024年“城市 + 关键词”新闻页面数量。通过网络爬虫技术提取检索结果并加总，得到城市年度总搜索量(Fintech_R)，为解决右偏性问题经对数变换后形成金融科技发展指数(Fintech)，以刻画城市层面金融科技发展水平。

4.1.3. 中介变量

企业创新效率(InnoEff)。本文参考李梓旗等(2022)的研究[30]，以企业当年发明专利、实用新型及外观设计申请总量衡量创新能力，并对申请量加一后取自然对数，以缓解右偏，并控制零值。鉴于CSMAR数据无授权延迟且已包含短期内可获授权的在申专利，故不做滞后处理。创新效率以“每单位研发投入对应的专利申请量”计算，即专利申请总量除以当年研发支出。估算公式如下所示：

企业创新效率 = Ln (1 + 专利申请数)/Ln (1 + 研发支出)

绿色金融发展水平(Greenfin)。本文参考刘华珂等(2021)的研究，绿色金融旨在提升资源效率、改善环境治理，通过信贷、证券、保险等工具引导资源从高污染、高能耗产业流向清洁技术部门[31]。受城市层面数据限制，本文以绿色信贷表征绿色金融。鉴于除六大高耗能行业外，其余行业污染相对较小且利息支出与贷款规模高度相关，故采用城市非六大高耗能工业利息支出占工业利息总支出的比重衡量绿色信贷水平。

4.1.4. 控制变量

参考以往的研究，本文选取企业规模(Size)、企业现金比率(Cash rate)、可持续增长率(g)、利息保障倍数(ICR)、资产负债率(A/L)以及净资产收益率(ROE)作为控制变量。针对数据缺失值，本文采用线性插值法予以填补，具体变量定义见表1。

Table 1. Summary of variable names and explanations

表1. 变量名称及解释汇总

变量性质	变量名称	符号	变量说明	数据来源
被解释 变量	企业碳排放 绩效	CEPI	企业碳排放量 = (行业碳排放量/行业主营业务成本) * 企业营业成本 碳绩效 = ln (企业营业收入/企业碳排放量)	《中国能源统计年鉴》；国泰安数据库
解释变量	地区金融科技发展水平	Fintech	百度新闻高级检索中分年份搜索地级市或直辖市 + 关键词	百度新闻高级检索
中介变量	企业创新效率	Innovation	Ln (1 + 专利申请数)/Ln (1 + 研发支出)	国泰安数据库
	绿色金融发展水平	Green-fin	该地区环保项目信贷总额/该地区信贷总额	统计局、科技部、中国人民银行
控制变量	企业规模	Size	Ln (企业资产总计)	国泰安数据库
	企业现金比率	Cash rate	经营活动产生的现金流/资产总计	国泰安数据库
	可持续增长率	g	净资产收益率 * (1 − 股利分配率)	国泰安数据库
	利息保障倍数	ICR	(净利润 + 财务费用)/财务费用	国泰安数据库
	资产负债率	A/L	负债合计/资产总计	国泰安数据库
	净资产报酬率	ROE	净利润/股东权益平均余额	国泰安数据库

4.2. 模型构建

4.2.1. 主效应模型

$CEP{I}_{i,t}={\beta }_0+{\beta }_{1}Fintec{h}_{i,t}+\lambda X_{i,t}+{\mu }_i+{\epsilon }_{i,t}$ (1)

由式(1)可知，核心解释变量Fintech的系数${\beta }_1$ 反映了地区金融科技水平对企业碳排放绩效的净效应。如果${\beta }_1$ 的符号显著为正，则说明该试点政策能显著提升企业的碳排放绩效。模型中，${\beta }_0$ 为常数项，$\lambda$ 为控制变量的回归系数，${\epsilon }_{i,t}$ 为随机扰动项，并控制行业层面个体固定效应${\mu }_i$ ，以捕捉行业层面不随时间变化的异质性。

4.2.2. 中介效应模型

本文构建如下中介效应模型，对作用机制展开实证检验。

$Greenfi{n}_{i,t}={\partial }_0+{\partial }_{1}Fintec{h}_{i,t}+\lambda X_{i,t}+{\mu }_i+{\epsilon }_{i,t}$ (2)

$InnoEff{1}_{i,t}={\gamma }_0+{\gamma }_{1}Fintec{h}_{i,t}+\lambda X_{i,t}+{\mu }_i+{\epsilon }_{i,t}$ (3)

$CEP{I}_{i,t}={\theta }_0+{\theta }_{1}Fintec{h}_{i,t}+{\theta }_2{M}_{i,t}\left(Greenfi{n}_{i,t}/InnoEffi{1}_{i,t}+\lambda X_{i,t}\right)+{\mu }_i+{\epsilon }_{i,t}$ (4)

上述三个式子中，式(2)中系数${\partial }_1$ 反映了地区金融科技水平对绿色金融水平的影响，${\partial }_0$ 为常数项；式(3)中系数${\gamma }_1$ 反映了地区金融科技水平对企业创新效率的影响，${\gamma }_0$ 为常数项；式(4)中的M取$Greenfi{n}_{i,t}$ 或$InnoEff{1}_{i,t}$ ，${\theta }_1$ 为地区金融科技水平对企业碳排放绩效的直接效应，${\theta }_2$ 为绿色金融水平或企业创新效率对企业碳排放绩效的影响，${\theta }_0$ 为常数项。

5. 金融科技对企业碳排放绩效的影响实证分析

5.1. 描述性统计

剔除数据缺失严重的地级市后，本文最终得到了2014~2024年643家A股上市重污染企业的平衡面板数据，各描述性统计分析如表2。

Table 2. Descriptive statistics results

表2. 描述性统计结果

	(1)	(2)	(3)	(4)	(5)
VARIABLES	N	mean	sd	min	max
CEPI	7,007	11.46	2.414	3.059	21.81
Fintech	7,007	4.200	1.592	0	7.491
Size	7,007	22.28	1.204	16.18	26.83
Cashrate	7,007	0.0440	0.0845	−3.224	0.600
g	7,007	0.0634	0.107	−0.248	5.013
ICR	7,007	28.02	1,038	−9,204	84,464
A/L
ROE	7,007	0.481	2.178	0.00752	178.3
g	7,007	0.0477	0.364	−18.72	5.013
Greenfin	7,007	0.0554	0.0189	0.00805	0.111
InnoEff1	7,007	0.155	0.0940	0	0.417

5.2. 基准回归结果分析

本文以企业碳排放绩效作为被解释变量，基于计量模型式(1)，实证分析结果如下表3所示，可知：无论是否加入控制变量，金融科技对企业碳排放绩效的估计系数均显著为正，表明地区金融科技水平显著提升了企业碳排放绩效。因此验证了本文的H1。

Table 3. Baseline regression results

表3. 基准回归结果

	(1)	(2)
VARIABLES	CEPI	CEPI
Fintech	0.081***	0.098***
	(5.80)	(8.78)
Size	0.061**
	(2.09)
ROE	−0.034**
	(−2.20)
Cashrate	0.430***
	(2.73)
g	0.269*
	(1.76)
ICR	−0.000***
	(−2.71)
A/L	−0.014***
	(−12.75)
控制变量	是	否
行业效应	是	是
Constant	9.742***	11.050***
	(15.86)	(235.94)
Observations	7,007	7,007
Number of id	637	637
R-squared	0.045	0.038

5.3. 稳健性检验

5.3.1. 替换被解释变量

为了检验金融科技促进企业碳排放绩效的稳健性，本文首先更换被解释变量，对模型(1)重新进行估计。参考王浩等(2022)的研究[32]，上市公司碳排放等于燃烧和逃逸排放、生产过程排放、废弃物排放以及土地利用方式转变导致的排放之和。替换被解释变量后重新估计模型(1)的结果列于表4。可以看出，在加入控制变量并控制行业固定效应后，核心解释变量的系数估计值在至少10%的水平上显著为正，证实了金融科技对企业碳排放绩效的正向影响成立，且本文实证检验结果具有稳健性。

Table 4. Re-estimate results by replacing the explained variable

表4. 替换被解释变量重新估计结果

	(1)	(2)
VARIABLES	CEPI2	CEPI2
Fintech	0.035*	0.229***
	(1.95)	(17.71)
Size	0.742***
	(10.71)
ROE	0.996***
	(3.63)
Cashrate	−0.162
	(−0.26)
g	−0.376
	(−0.99)
ICR	−0.000
	(−0.89)
A/L	0.203
	(0.89)
控制变量	是	否
行业效应	是	是
Constant	−5.183***	10.663***
	(−3.62)	(196.38)
Observations	6,210	6,210
Number of id	566	566
R-squared	0.290	0.134

注：Robust t-statistics in parentheses. ***p < 0.01, **p < 0.05, *p < 0.1.

5.3.2. 更换金融科技衡量水平

现有研究衡量金融科技发展水平的方法主要有两种：一是文本挖掘法，手工收集百度新闻与金融科技有关的关键词，并对其进行汇总以构建金融科技指数；二是采用由北京大学数字金融研究中心与蚂蚁集团研究院联合编制的“中国数字普惠金融指数”衡量地区金融科技发展水平。因该指数的底层数据为蚂蚁集团微观交易数据，经由大数据与机器学习算法提炼，涵盖覆盖广度、使用深度和数字化程度三个维度，可准确刻画全国金融科技发展格局。因此，本文以数字普惠金融指数(Fintech2)替换核心解释变量重新估计模型(1)，结果列于表5。可知：核心解释变量系数仍在1%水平显著为负。与基准回归一致，证实了金融科技发展能显著提升企业碳排放绩效。

Table 5. Adding the substitute variable and reruning the regression analysis

表5. 加入替代变量重新回归结果

	(1)	(2)
VARIABLES	CEPI	CEPI
Fintech2	0.002***	0.002***
	(5.73)	(8.71)
Size	0.039
	(1.23)
ROE	−0.029*
	(−1.86)
Cashrate	0.430***
	(2.72)
g	0.275*
	(1.73)
ICR	−0.000***
	(−3.31)
A/L	−0.015***
	(−12.35)
控制变量	是	否
行业效应	是	是
Constant	10.194***	11.046***
	(15.28)	(232.38)
Observations	7,004	7,004
Number of ID	637	637
R-squared	0.048	0.042

注：Robust t-statistics in parentheses. ***p < 0.01, **p < 0.05, *p < 0.1.

5.4. 中介效应检验

5.4.1. 机制检验

金融科技可通过绿色信贷与企业创新两条路径[33]，最终影响企业碳排放。因此本文进一步构建计量模型(2)~(4)式，实证检验上述中介机制。

首先，分析金融科技能否通过提升地区绿色信贷水平来提高企业碳排放绩效，结果如表6所示。列(1)显示金融科技显著提升了地区绿色信贷规模；列(2)表明绿色信贷规模进而又显著提高了企业碳排放绩效。两者均在1%的水平下显著，即部分中介效应成立，假设H3得证。

Table 6. Mediation effect test results (1)

表6. 中介效应检验结果(1)

	(1)	(2)
VARIABLES	Greenfin	CEPI
Fintech	0.003***	0.075***
	(28.50)	(5.18)
Greenfin		2.324***
		(3.53)
Size	0.000	0.060**
	(0.59)	(2.08)
ROE	-0.000	-0.034**
	(-1.04)	(-2.19)
Cashrate	-0.002	0.433***
	(-0.86)	(2.76)
g	0.001	0.268*
	(0.47)	(1.76)
ICR	0.000***	-0.000***
	(3.06)	(-2.76)
A/L	0.000	-0.014***
	(0.18)	(-12.74)
Constant	0.040***	9.649***
sobel检验	(6.61)	(15.59) P=0.00
控制变量	是	是
行业效应	是	是
Observations	7,007	7,007
Number of id	637	637
R-squared	0.120	0.046

注：Robust t-statistics in parentheses. ***p < 0.01, **p < 0.05, *p < 0.1.

其次，判断企业创新在金融科技与碳排放绩效之间呈现的是中介效应还是遮掩效应。表7结果显示：(1) 金融科技能显著促进企业创新；(2) 企业创新会显著抑制碳排放绩效。由于该中介效应与直接效应异号，说明企业创新在金融科技与企业碳排放绩效的正相关中存在遮掩效应，即存在“发展金融科技–提高企业创新–降低碳排放绩效”的作用机制，即企业创新对企业碳减排绩效有削弱表现，而金融科技一方面可促进企业创新能力，另一方面也可以缓解这一抑制作用。

Table 7. Mediation effect test results (2)

表7. 中介效应检验结果(2)

	(1)	(2)
VARIABLES	InnoEff1	CEPI
Fintech	0.007***	0.086***
	(7.65)	(6.00)
InnoEff1		−0.629**
		(−2.36)
Size	0.033***	0.082**
	(16.63)	(2.62)
ROE	0.001	−0.033**
	(0.86)	(−2.13)
Cashrate	−0.013	0.421**
	(−1.46)	(2.67)
g	0.003	0.271*
	(0.48)	(1.76)
ICR	0.000*	−0.000***
	(1.79)	(−2.75)
A/L	0.000	−0.014***
	(0.39)	(−12.90)
Constant	−0.621***	9.352***
Sobel检验	(−14.64)	(14.33) P=0.00
控制变量	是	是
行业效应	是	是
Observations	7,007	7,007
Number of ID	637	637
R-squared	0.237	0.047

注：Robust t-statistics in parentheses. ***p < 0.01, **p < 0.05, *p < 0.1.

综上，金融科技通过提升绿色信贷水平与激发企业创新两条路径作用于企业碳排放绩效，前者表现为显著的部分中介效应，后者呈现遮掩效应，二者共同构成金融科技影响碳绩效的完整机制。

5.4.2. Bootstrap检验

本文继续采用Bootstrap方法检验中介效应的显著性，经过500次模拟抽样后，检验结果显示：存款规模以及贷款规模在95%的置信区间里[0.002, 0.011]，在95%置信区间里的显著性为[−0.012, −0.001]，均不包含0，则表明中介效应成立。该结果验证了金融科技对企业碳排放绩效具有绿色信贷的中介效应以及企业创新的遮掩效应。

5.5. 城市异质性分析

我国的城市异质性，主要集中体现在地理区位与行政层级两方面。相对于中部和西部地区而言，东部地区往往凭借其区位优势、市场化水平高及基础设施完备等资源禀赋，享受着更低的交易成本与更高的开放度。同样地，我国的省会及副省级城市，则因政治地位优势，获取了更便捷充足的政策资源与财政支持，这些地区往往具备先行先试的权利，与一般地级市形成较明显的制度禀赋差异。

考虑到以上差异，本文参照和李慧等(2024)的研究[34]，构造地理位置虚拟变量(东部 = 1，中西部 = 0)与政治地位虚拟变量(省会及副省级城市 = 1，一般城市 = 0)，并分别将两组虚拟变量及其与金融科技交乘项纳入计量模型(1)，形成模型(5)和(6)，以检验金融科技对企业碳排放绩效的区位与行政层级异质性效应。

$CEP{I}_{i,t}={\delta }_0+{\delta }_{1}are{a}_{i,t}+{\delta }_{2}Fintec{h}_{i,t}+{\delta }_{3}are{a}_{i,t}\ast Fintec{h}_{i,t}+\lambda X_{i,t}+{\mu }_i+{\epsilon }_{i,t}$ (5)

$CEP{I}_{i,t}={\sigma }_0+{\sigma }_{1}po{l}_{i,t}+{\sigma }_{2}Fintec{h}_{i,t}+{\sigma }_{3}po{l}_{i,t}\ast Fintec{h}_{i,t}+\lambda X_{i,t}+{\mu }_i+{\epsilon }_{i,t}$ (6)

回归系数${\delta }_1$ 和${\sigma }_1$ 分别表示企业碳排放绩效的地理位置差异性和政治地位差异性，${\delta }_0$ 和${\sigma }_0$ 为相应计量模型的常数项，${\delta }_2$ 和${\sigma }_2$ 表示金融科技在中西部城市和一般城市的效果，此外，${\delta }_2+{\delta }_3$ 和${\sigma }_2+{\sigma }_3$ 则表示政策在东部城市或省会城市和副省级城市的总效果，实证结果如表8所示。

Table 8. Empirical findings on urban heterogeneity analysis

表8. 城市异质性分析实证结果

	(1)	(2)	(3)	(4)	(5)	(6)
VARIABLES	东部城市	中西部城市	所有城市	省会城市和副省级城市	一般城市	所有城市
Fintech	0.097***	0.057***	0.072***	0.111***	0.067***	0.070***
	−4.79	−2.76	−3.45	−4.32	−3.82	−4.04
Area * Fintech			0.015
			−0.54
Pol * Fintech						0.031
						−1.07
Size	0.017	0.121*	0.060**	0.023	0.071**	0.059**
	−0.4	−2	−2.04	−0.39	−2.4	−2.04
Cashrate	0.481***	0.292	0.430***	0.563**	0.311	0.438***
	−2.99	−1	−2.72	−2.2	−1.35	−2.75
g	0.459**	0.146	0.271*	0.63	0.208	0.271*
	−2.45	−0.81	−1.76	−1.32	−1.41	−1.77
ICR	0.000*	−0.000***	−0.000***	0	−0.000***	−0.000**
	−1.69	(−9.50)	(−2.76)	−0.36	(−3.17)	(−2.69)
A/L	0.066*	−0.013***	−0.014***	−0.017***	0.061	−0.015***
	−1.75	(−5.80)	(−12.57)	(−8.00)	−1.49	(−12.82)
ROE	−0.03	−0.040**	−0.033**	−0.028	−0.031	−0.035**
	(−0.51)	(−2.53)	(−2.14)	(−1.03)	(−1.17)	(−2.23)
Constant	10.959***	7.814***	9.752***	10.339***	9.598***	9.777***
	−12.28	−5.89	−15.67	−8.03	−15.42	−16.04
控制变量	是	是	是	是	是	是
行业效应	是	是	是	是	是	是
Observations	4,532	2,475	7,007	2,783	4,224	7,007
Number of ID	412	225	637	253	384	637
R-squared	0.051	0.04	0.045	0.066	0.035	0.046

注：Robust t-statistics in parentheses. ***p < 0.01, **p < 0.05, *p < 0.1.

实证结果显示，相对于中西部城市而言，东部城市金融科技对于企业碳排放绩效的促进作用明显优于中西部城市金融科技的作用，同时，相对于一般城市而言，金融科技的碳减排对于政治地位相对较高的城市具有更显著的碳减排作用。中部发达城市及省会、副省级城市财政能力更强、环境规制更严，政府更有意愿和资源发展金融科技，引导资本流向低污染、低耗能行业，从而强化金融科技的碳减排效应。因此，基于城市差异性分析，金融科技对我国发达的东部城市以及政治地位较高的省会城市以及副省会城市的高耗能企业的碳减排绩效有更加明显的促进作用。

6. 对策与建议

6.1. 构建基于实时碳数据的智能金融激励体系

金融科技发展能显著提升企业碳减排绩效，体现了其去物质化的特性和信息整合能力。因此需要构建一个基于实时碳数据的智能金融激励体系，形成“数据驱动–金融激励–减排增效”的闭环。具体而言，应由中国人民银行牵头，联合工业和信息化部、生态环境部，在京津冀、长三角和成渝等典型区域试点企业碳账户系统。该系统需依托物联网传感器、区块链和人工智能技术，实时采集企业用电、用能及排放数据，并自动生成不可篡改的碳余额记录。此外，这些数据应直接对接商业银行的信贷核心系统，通过智能合约嵌入碳强度与贷款利率的阶梯式定价模型。为进一步放大金融科技的杠杆作用，央行可对参与银行提供碳减排专项再贷款，利率较中期借贷便利(MLF)低25个基点，并以区块链记录的减排量作为合格抵质押品。这一设计不仅能释放千亿级低成本资金，还能将传统的事后财政补贴转变为“链上秒贴”，有效解决绿色信贷中的信息不对称和补贴滞后问题。最后，建议引入碳绩效证券化机制，允许企业将累积的碳减排收益打包为金融产品，在二级市场交易，从而拓宽融资渠道。通过这一体系，金融科技不仅提升了碳数据的透明度和可信度，还直接降低了企业的融资约束，使碳减排从成本中心转化为价值来源。

6.2. 设计碳足迹挂钩的创新融资产品

针对企业创新在金融科技与碳减排绩效之间存在遮掩效应，为此需利用金融科技工具，设计与企业创新全生命周期碳足迹挂钩的融资产品，引导创新资源向低碳技术倾斜。可推出碳绩效创新债券和绿色研发贷款等，其核心条款要求企业披露创新项目的预期碳影响，并将融资成本与碳足迹削减进度动态绑定。同时，引入第三方区块链验证，确保数据真实性和全流程可追溯。为进一步强化激励，政府可联合金融机构设立低碳创新基金，为符合碳绩效标准的企业提供风险补偿和贴息支持。基金运作应依托人工智能算法，动态筛选优先支持领域，避免创新资源错配至高碳部门。此外，建议在碳排放权交易市场中开辟创新减排积分板块，允许企业将研发带来的碳减排量转化为交易标的，从而弥补创新成本。长期来看，此类产品能促使企业从追求创新数量转向注重创新质量，推动产业结构向绿色化、高端化演进。通过这一政策，金融科技可有效扭转创新与减排的悖论，实现技术进步与生态保护的协同共进。

6.3. 完善绿色金融科技基础设施

金融科技通过提升绿色信贷水平间接促进减排，然而当前绿色金融面临覆盖范围有限、资源配置效率不高等问题。因此，建议完善绿色金融科技基础设施，构建“数据–信用–资本”一体化平台，以放大其中介作用。首先，应建立全国统一的绿色项目智能识别系统，利用自然语言处理和机器学习技术，自动筛选和评估企业的环境表现，并将其与人民银行绿色信贷统计系统对接。其次，扩大绿色金融工具范围，推出碳金融衍生品，并利用区块链实现透明交易和实时结算。金融机构可基于企业碳账户数据，开发碳抵押贷款，允许企业以未来减排收益为担保获取融资。为进一步提升政策执行力，建议央行将绿色金融科技应用纳入宏观审慎评估(MPA)体系，对绿色信贷占比高的银行给予准备金率优惠。同时，鼓励商业银行与金融科技公司合作，开发绿色信贷机器人顾问，通过算法模型动态优化信贷组合，降低高碳资产配置。在地方层面，可设立绿色金融科技示范区，整合物联网、5G和边缘计算技术，构建企业碳排放在线监测网络。这一基础设施不仅能够降低绿色金融的交易成本，还能通过精准画像避免“洗绿”行为。最终，通过科技赋能，绿色金融可从被动响应转向主动引领，成为金融科技助推碳减排的核心中介。

6.4. 实施区域差异化金融科技政策

金融科技对碳减排的促进作用具有区域资源禀赋和制度环境的差异。为此，需因地制宜设计金融科技政策，形成“核心带动、梯度推进”的碳减排格局。在东部和重点城市，应率先建设金融科技碳中和示范区，赋予地方更多自主权。示范区内部可设立碳金融科技实验室，聚焦人工智能碳核算、区块链碳交易等前沿领域，并鼓励跨国合作引入国际低碳技术。同时，对这些区域的高耗能企业实施碳绩效对标管理，要求其接入国家碳平台，并享受技改补贴和税收减免，前提是年均碳强度下降不低于5%。对于中西部和一般城市，政策重点应转向基础设施补短板和能力建设。建议通过中央财政转移支付，支持这些地区搭建金融科技基础平台。同时，推行东西结对机制，引导东部金融机构与中西部银行成立绿色联贷平台，共享技术和资金资源。在制度层面，需完善生态补偿机制，将金融科技碳减排效益纳入地方政府绩效考核，并建立动态评估体系。通过这种差异化设计，既能发挥发达地区的引领作用，又能避免一刀切带来的效率损失。