1. 引言
降低碳排放量、提升碳减排能力是推动国家生态文明建设的重要手段，也是推动我国经济结构转型升级、形成绿色低碳产业竞争优势，实现高质量发展和可持续发展的内在要求。相应地，金融作为实体经济的血脉，其对外开放深度、广度的持续提升，为我国经济高质量发展提供了有力支持。我国多年以来一直在发展经济和减少碳排放量之间寻找平衡点。2023年，在中国碳金融高峰论坛以“金融赋能‘双碳’战略”为主题开展，金融机构如何融入碳市场建设、金融发展如何促进碳达峰碳中和目标实现等问题是学者们关注的热点。数字普惠金融是数字技术和普惠金融有机结合下形成的产物，它的优势在于运用大数据、云计算等数字技术能够有效降低传统金融的各种成本，既增大了金融服务的覆盖范围、完善了金融服务网络，又提高了个体层面金融服务的可获得性，成为新时代促进经济高质量发展、助力降碳减排的新兴武器。但是，关于碳减排能力指标体系运用、数字普惠金融对碳减排能力的空间溢出效应的研究较少，仍有必要进行深入探讨。
2. 文献综述
数字普惠金融是数字技术驱动金融包容性增长的新金融模式[1]，在促进我国经济高质量发展进程中成为一支重要力量。数字普惠金融利用其开放、平等、协作、分享等[2]特征，以及其相对于传统金融服务所具有的数字化特征和普惠性功能，能够有效降低金融服务的交易成本[3]，提升农户收入[4]，助力改善居民内部收入不均等[5]从而缩小城乡收入差距[6]-[8]、促进了中国经济的包容性增长[9]。与此同时，随着数字技术与传统金融的深入融合，数字普惠金融有效地缓解了中小企业融资约束，促使中小企业有充足的资金进行技术创新活动[10]，并对其具有创新激励效应[11]，为产业结构升级提供了积极助力[12]。
生态文明建设是中国特色社会主义事业的重要内容，关系人民福祉，关乎民族未来。我国经济已经由高速增长阶段走向高质量发展道路，缓解生态压力、加强环境保护，促进经济发展方式转变，实现地区跨越式发展迫在眉睫。因此，学者们针对碳排放的影响因素以及金融、数字经济与碳排放的关系等问题开展了丰富的研究。影响碳排放的因素多种多样且范围宽广，最新的研究涉及到食物浪费[13]、城市发展环境压力[14]、工业品出口[15]以及旅游发展等领域[16]。关于金融发展与碳排放的关系，尚存在争议。一些学者认为，提高金融发展水平有助于降低碳排放量[17]，并通过金融资源合理配置、产业结构调整升级等途径对碳排放产生抑制作用[18]；然而，另一些学者认为这种金融减排效应并不稳定[19]，由于存在空间上的异质性影响，不同区域金融发展与碳排放之间的关系甚至截然相反[20]。
数字普惠金融除了具备低成本、高效率的特征外，还具备一定的生态效应。数字普惠金融作为绿色经济发展的重要推动力，能够促进碳减排能力的提升，推动“双碳”目标的实现[21] [22]，另外它主要通过促进区域技术创新来降低城市碳排放[23]。深入研究表明，数字普惠金融与碳排放之间还可能存在非线性关系。这种非线性关系可能呈倒“U”型[24]，表现出先抑制后促进的趋势。此外，部分学者从空间角度探究二者关系，得出数字普惠金融对农业碳排放效率存在正向溢出效应[25]，然而，也有研究表明本地数字普惠金融发展会造成周围区域碳排放量增加[26]。
综上所述，大多数研究仅关注到碳排放问题，而未关注碳吸收能力；另外，关于数字普惠金融对碳排放的影响研究虽较多，但仍存在争议，且鲜有文献探讨二者之间的空间效用。基于此，本文采用涵盖了碳排放、碳汇吸收等五个维度的指标体系来更精确的评价碳减排能力，并从空间视角下考察数字普惠金融对碳减排能力的影响，具有重要的理论和现实意义。
3. 理论分析
3.1. 数字普惠金融对碳减排能力的影响
数字普惠金融通过数字技术的全面应用，实现更广泛的覆盖、更低的成本和更高的服务效率，进而推动技术创新能力、减少能源消耗、促进经济增长和低碳环保协同并进。截至2021年6月末，四川省新网银行已通过线上普惠金融贷款成功实现碳减排98.38万吨，这一成功案例为数字普惠金融提升碳减排能力提供了有力的证据。此外，通过数字技术平台，数字普惠金融创新居民环保参与方式，线上交易减少了人们往返于金融网点的次数，有效降低了交通排放。便捷的融资渠道，也为企业开展技术研发，创新低碳科技成果提供了助力，有利于实现经济与环境效益的统一。因此，提出假设1：数字普惠金融的发展会抑制碳排放。因此，提出假说1：数字普惠金融能够有效提高碳减排能力。
3.2. 数字普惠金融对碳减排能力的空间效应分析
世界上的事物都存在着联系，任何事物都是有一定的关联的，并且越邻近的事物关联度更加紧密。因此，一个地区的碳减排能力很有可能会受到相邻地区能力的影响。与此同时，很多学者认为相邻地区的数字普惠金融指数也存在着空间上的相关性。有些学者认为数字普惠金融存在扩散效应和涓滴效应[27]，能够突破传统金融自带的地理限制，促进劳动力、资本、技术等要素跨地区流动。此外，数字普惠金融不仅能加快农业技术改造升级[28]，提高本地区农业生产效率，而且有效破解了邻边地区存在的技术短缺、劳动力不足等难题。如研究指出数字普惠金融能够促进农村产业融合发展[29]，助力本地区和邻近地区乡村振兴[30]，产生显著的空间溢出效应。因此，提出假说2：数字普惠金融对碳减排能力的影响存在空间溢出效应。
4. 数据来源、变量选取与模型选择
4.1. 数据来源
本文以2011~2021年中国30个省(自治区、直辖市)的面板数据作为样本(因西藏碳排放量较低，且很多数据有遗漏，故而将其剔除)，涉及的数据主要来源于《中国统计年鉴》、《中国能源统计年鉴》、《中国碳核算数据库》、《中国环境统计年鉴》、《中国城市统计年鉴》、《中国科技统计年鉴》、《北京大学数字普惠金融指数》，以及各省(自治区、直辖市)的历年统计年鉴等。
4.2. 模型构建与变量选取
基于理论框架，数字普惠金融的发展会抑制碳排放，且数字普惠金融对碳减排能力的影响存在空间溢出效应。为验证上述研究假设，研究采用了2011~2021年中国30个省份的面板数据，构建了碳减排能力评价指标体系、数字普惠金融影响碳排放的空间杜宾模型。
4.2.1. 碳减排能力评价指标体系的构建
一个地区的碳减排能力与许多因素有关，参考相关文献[31]-[35]，本文将碳减排能力评价指标体系分为五个维度：经济发展能力、技术改善能力、碳汇吸收能力、能源消耗与碳排放状况以及社会发展能力。结果如表1所示。
Table 1. Carbon emission reduction capacity evaluation index system
表1. 碳减排能力评价指标体系
| 维度 |
指标 |
指标属性 |
| 经济发展能力 |
生产总值占全国GDP比重 |
正向 |
| 人均GDP |
正向 |
| 农村居民人均收入/城市居民人均收入 |
正向 |
| 第三产业占GDP比重 |
正向 |
| 技术改善能力 |
环保投入占财政支出比重 |
正向 |
| 技术市场成交额占GDP比重 |
正向 |
| R&D经费支出占GDP比重 |
正向 |
| 进出口贸易额占GDP比重 |
正向 |
| 外商投资企业总额占GDP比重 |
正向 |
| 碳汇吸收能力 |
森林覆盖率 |
正向 |
| 人均公园绿地面积 |
正向 |
| 建成区绿化覆盖率 |
正向 |
| 每百人植树造林面积 |
正向 |
| 能源消耗与碳排放状况 |
能源强度(万元GDP煤耗) |
负向 |
| 碳排放强度(万元GDP碳排放量) |
负向 |
| 能源足迹(人均煤耗) |
负向 |
| 碳足迹(人均碳排放量) |
负向 |
| 社会发展能力 |
城镇化率 |
正向 |
| 每百人私家车拥有量 |
负向 |
| 城市燃气普及率 |
正向 |
| 居民人均电力消费量 |
负向 |
4.2.2. 基于熵值法的综合评价模型
本文采用基于熵值法的综合评价模型测度2011~2021年全国30个省碳减排能力。首先依据正/负向指标对每一个数据进行标准化，接着进行指标信息熵、权重值的计算；最后得到我国碳减排能力值。因篇幅有限，具体公式已省略。
4.2.3. 空间计量模型
先采用全局莫兰指数检验数字普惠金融和碳减排能力的空间相关性，之后设立空间杜宾模型，实证分析数字普惠金融对碳减排能力的影响。
(1)
(2)
在以上两个公式中，Y表示数字普惠金融；X为相关控制变量；i、t为省份和时间；ρ表示碳减排能力的空间自相关系数；W为空间权重矩阵；W(.)表示空间滞后变量；v为个体效应；c为时间效应；u为随机扰动项；λ为随机扰动项的空间自相关系数。λ = 0为空间杜宾模型；λ = β1 = β2 = 0为空间滞后模型。
4.2.4. 变量选取
碳减排能力值(Y)。由上文熵值法计算而得。
数字普惠金融指数(DIF)。数据来源于北京大学数字金融研究中心编制的“北京大学数字普惠金融指数”[36]。
技术创新水平(INNOV)：采用人均专利授权数表示。
经济发展水平(IGDP)：采用人均GDP表示。
政府干预(GOV)：采用政府财政支出与GDP比值表示。
能源消费结构(ENSTR)：采用煤炭消费量与能源消费总量比值表示。
科技水平(TEC)：采用科技支出与财政支出比值表示。
4.3. 实证分析
4.3.1. 数字普惠金融与碳减排能力各自的空间相关性检验
本文利用Stata软件测算全局莫兰指数、局部莫兰指数，结果如表2、图1所示。观察可知全局莫兰指数均在1%水平下显著为正，表明数字普惠金融、碳减排能力存在显著的空间正相关性。为准确测度各省份碳减排能力的空间聚集状态和时间变化特征，本文利用Stata软件绘制了2011年、2015年和2019年莫兰指数散点图，如图1所示。观察可知中国各省份碳减排能力水平在2011年主要分布在“低–低”(H-H)象限，在2019年分布在“高–高”(L-L)象限，而在2015年几乎均匀分布在“低–低”(H-H)象限和“高–高”(L-L)象限。这说明随着时间推移，中国各区域的碳减排能力水平对邻近区域的影响存在一种过渡性特征，10多年前，大部分邻近省份碳减排能力呈现空间负相关，且这种负相关关系呈下降趋势，到2019年大部分邻近省份碳减排能力已经呈现出正相关关系。
Table 2. Spatial correlation test between digital financial inclusion and carbon emission reduction capacity
表2. 数字普惠金融与碳减排能力的空间相关性检验
| 年份 |
碳减排能力 |
数字普惠金融 |
| Moran’s I |
P值 |
Moran’s I |
P值 |
| 2011 |
0.313 |
0.001 |
0.473 |
0.000 |
| 2012 |
0.404 |
0.000 |
0.465 |
0.000 |
| 2013 |
0.343 |
0.001 |
0.352 |
0.001 |
| 2014 |
0.336 |
0.001 |
0.34 |
0.001 |
| 2015 |
0.305 |
0.002 |
0.312 |
0.002 |
| 2016 |
0.362 |
0.000 |
0.366 |
0.000 |
| 2017 |
0.322 |
0.002 |
0.333 |
0.001 |
| 2018 |
0.381 |
0.000 |
0.357 |
0.001 |
| 2019 |
0.362 |
0.001 |
0.388 |
0.000 |
| 2020 |
0.429 |
0.001 |
0.555 |
0.001 |
| 2021 |
0.375 |
0.004 |
0.562 |
0.001 |
2011年 2015年
2019年
Figure 1. CMPI scatter plots of Moran in 2011, 2015 and 2019
图1. 2011年、2015年、2019年CMPI莫兰散点图
4.3.2. 模型确定
在研究数字普惠金融对碳减排能力的影响效果之前，我们首先做的是将Hausman检验、LR检验、SDM是否退化检验顺次进行，以此确定选用何种空间计量模型。根据表3中的结果，本文选择的空间计量模型是个体时间双向固定效应的空间杜宾模型。
Table 3. Model selection results
表3. 模型选择结果
| 模型 |
Hausman检验 |
LR |
SDM |
| - |
42.17*** |
23.18** |
166.77*** |
| (P = 0.000) |
(P = 0.0101) |
(P = 0.000) |
| - |
- |
405.67*** |
167.50*** |
| - |
(P = 0.0000) |
(P = 0.000) |
| 结果 |
固定效应 |
个体时间双向固定效应 |
不会退化 |
注：*P < 0.1，**P < 0.05，***P < 0.01。下同。
4.3.3. 实证结果分析
实证结果如表4所示。数字普惠金融对于碳减排能力的直接影响和空间影响分别在10%、5%水平下显著，其中直接影响系数为0.0004，空间滞后项系数为−0.0007，这表明数字普惠金融的发展虽然能够提升本地区的碳减排能力，但是对于邻近地区的碳减排能力的提升有一定的抑制作用。原因可能是一些小微企业未能达到本省份的碳减排要求，故而会选择在临近省份建厂、设立分公司等，在一定程度上给邻近省份的碳减排造成压力；本省以外的打工者(离家较远)会比普通人更多的订购外卖、使用一次性用品、增加更换手机的频率或者增加手机数量，他们会给其他省份(除老家所在省份)带来较多的碳排放，从而抑制其他省份的碳减排能力。假说1和假说2得到验证。科技水平对碳减排能力的直接影响在1%的显著性水平下为正，系数为1.7405，这表明当某个省份的科技投入占政府支出的比重更大时，会增加这个地区的碳减排能力。然而当扩展到空间效应时，可以发现科技投入的增多会显著抑制邻边省份的碳减排能力提升，主要原因一方面可能是对于一些科技发展水平较高的省份很有可能挤占周边省份(科技水平较弱)的资源，从而不利于它们的碳减排发展。技术创新水平对碳减排能力的直接影响在1%水平下的显著，系数为−0.0016；但是，当扩展到空间效应时，可以发现创新水平的提升会显著提升邻边省份的碳减排能力，这表明技术创新水平的提升会产生积极的空间溢出效应。新技术的出现虽然能够通过洁净碳源、处理污染物等方式提升碳减排能力，但是技术项目的申领和审核在无形中增加了温室气体的排放，对本地区的碳减排工作造成阻碍；然而邻近地区只需受惠于新技术，无需承担负外部性，故而产生正向空间溢出效应。
Table 4. Regression result of spatial Dubin model of digital inclusive finance and carbon emission reduction capacity
表4. 数字普惠金融与碳减排能力的空间杜宾模型回归结果
| 变量 |
系数 |
变量 |
系数 |
| DIF |
0.0004* |
W*DIF |
−0.0007** |
| (0.088) |
(0.016) |
| INNOV |
−0.0016*** |
W*INNOV |
0.0046*** |
| (0.000) |
(0.000) |
| IGDP |
−0.0025 |
W*IGDP |
−0.0070** |
| (0.173) |
(0.039) |
| GOV |
−0.068 |
W*GOV |
−0.0550 |
| (0.105) |
(0.563) |
| ENSTR |
−0.0058 |
W*ENSTR |
−0.0280 |
| (0.563) |
(0.260) |
| TEC |
1.7405*** |
W*TEC |
−1.7297*** |
| (0.000) |
(0.000) |
| rho |
0.1460 |
Log-L |
924.9537 |
| (0.112) |
| Sigma2_e |
0.0002*** |
− |
− |
| (0.000) |
4.3.4. 稳健性检验
为了避面模型可能存在的为回归问题，通过单位根检验对数据进行稳健性分析，若数据是平稳的，则可以保证上述空间杜宾模型的合理性和有效性。如表5所示，使用LLC检验、IPS检验，可以看出，结果稳健性很强。
Table 5. Unit root test results
表5. 单位根检验结果
| 变量 |
LLC检验(P值) |
IPS检验(P值) |
| Y |
0.0089*** |
0.0000*** |
| DIF |
0.0000*** |
0.0007*** |
| INNOV |
0.0000*** |
0.0000*** |
| IGDP |
0.0000*** |
0.0037*** |
| GOV |
0.0055*** |
0.0000*** |
| ENSTR |
0.0000*** |
0.0000*** |
| TEC |
0.0000*** |
0.0276** |
5. 研究结论与建议
本文基于2011~2021年中国30个省份相关数据，通过构建空间杜宾模型，发现：数字普惠金融对碳减排能力产生了显著的正向效应和负向空间溢出效应。为了继续提高省份内部的碳减排能力以及达成相邻省份之间碳减排能力的正向促进效果，提出如下建议：
首先，积极推动技术改革创新。大力发展数字普惠金融，缓解技术类企业资金压力；在将资金、生产要素投向高科技、低能耗产业的同时，释放高科技企业发展潜力；不断地创新数字化系统，运用云计算、大数据等数字化信息，建立线上交易平台，直接减少现场交易产生的碳排放。
其次，加强区域间联系，巩固产业结构升级。政府应该以企业的实际位置为基准，对其高排放、高消耗、高污染行为进行管制，抑制政府支出对本区域之外的地区碳减排能力所造成的负面影响，从根源上减少碳排放量。
最后，空间上平衡数字普惠金融发展程度。不仅要重视数字普惠金融覆盖广度、使用深度和数字化程度，还需要注重其在各区域发展的协调性、一致性和稳定性，均衡各区域数字普惠金融发展程度，以减少“虹吸效应”对周围地区产业结构和碳排放的影响程度。