【文献分享】“合作”还是“竞争”：数字金融赋能绿色技术创新——基于动态空间溢出视角

全球经济增长是由经济全球化推动的，经济全球化促进了国际贸易的交流和发展。中国目前是世界第二大经济体，是世界上最大的发展中国家，由于全球化，经济扩张巨大；然而，曾经盛行的粗糙增长模式导致了更严重的环境问题成为绿色发展的潜在障碍。《中国经济生态生产总值核算发展报告2018》显示，2015年中国因生态破坏和污染产生了相当大的成本，前者为6300亿人民币，后者为2万亿人民币，总计2.63万亿元，比2013年增长27.99%。考虑到这一背景，加强绿色增长以实现生态发展目标尤为紧迫。中国当局推出了几项推进绿色经济的举措，并确立了到2060年实现碳中和的宏伟目标，旨在加速低碳经济发展和可持续增长。绿色技术正在成为社会绿色转型的根本引擎。绿色技术创新对于对抗环境污染至关重要，是实现绿色产出的关键。鉴于当前中国绿色市场的不成熟和生态技术发展的复杂性，绿色技术创新面临资金严重短缺、市场融资复杂昂贵、信息不对称等挑战，停滞了环境技术的创新进程。克服这些困难，有效推进绿色技术创新势在必行，这是一个需要解决的关键问题。金融作为现代经济进步的心脏，为解决绿色技术中的关键创新问题提供了渠道。金融发展可以促进有环境偏见的技术进步，并在促进和保护绿色技术改进方面发挥关键作用。可持续和充足的金融资源对于创新的绿色技术至关重要，金融发展可以导致更多的创新投资和更低的创新风险，因为这些是技术进步的主要驱动力。然而，在传统金融模式下，资本往往更多地流向大企业，导致中小企业资本不足、融资风险高、融资机制不足等问题，从而抑制了中小企业的创新活动和动力。全球新一波技术演进和产业变革的出现导致了数字金融的增长。技术和金融的深度融合创造了一种有凝聚力的发展模式——金融科技，它已经成为传统金融的有力补充。数字金融是传统金融数字化转型的表现形式，能够有效利用有价值的数据元素，增加对瓶颈领域的金融支持，降低交易成本。由此，数字金融提供了新的工具来解决技术创新的融资困境；然而，作为数字技术和金融的结合，数字金融的复杂性意味着它同时具有数字技术和金融行业风险。它可能产生新的风险，增加创新风险，阻碍绿色技术创新。相应地，确定数字金融是否能够积极影响环境技术发展以及是否发生溢出现象是关键问题。此外，了解数字金融对绿色技术进步的影响机制并研究这种影响的潜在异质性至关重要。

1. 变量选择

被解释变量：绿色技术创新（Ino）。绿色专利是绿色技术成果最直观的反映，是可量化和可访问的。由于市场环境和其他具有许多不确定性的因素影响专利授予，专利申请将更加可靠和及时。因此，本研究采用286个样本城市的绿色专利申请量作为对数评估绿色技术创新的指标。

解释变量：数字金融指数（Dfi）。Dfi来源于北大数字金融研究所进行的一项调查，在现有研究中使用频率较高。该指数深度融合了传统金融和互联网技术，以反映数字金融的总体趋势。本文应用每个城市的总Dfi来显示数字金融增长的相应程度；数据进行对数处理。稳健性测试中使用的替代自变量是互联网普及率（Inp）。本研究使用样本城市互联网用户占人口比例表示的Inp作为Dfi的替代，进行稳健性测试。

控制变量：本研究控制影响绿色技术创新的各种要素，以减少内生性。本文控制工业化水平、教育投资、经济发展和研发资本。由于劳动力和基础设施影响技术进步，该模型进一步控制了人力资本、大学人员和基础设施因素。工业化程度（Sec）是使用第二产业的产出值计算的；更高的第二部门产出意味着城市有更多的资本用于开发绿色技术和促进绿色技术的创新。教育投资（Edu）是通过一个城市的地方教育支出来衡量的。Edu可以增加对R&D的投资，从而影响绿色技术创新。经济水平（Pgdp）以人均国内生产总值（GDP）衡量。R&D资本（Rd）是科学和技术投入的支出。人力资本（Peo）是使用样本城市的人口规模来衡量的。更大的人口意味着更大的劳动力，为绿色技术创新提供人力基础。大学人员（Stu）是使用城市大学和学院的招生人数来衡量的。作为R&D人员的主要来源，大学生对技术创新有普遍的影响。发达的基础设施（Road）可以为创新活动提供快速通道；然而，大规模基础设施存在弊端，可以导致过度建设、浪费情况以及地方政府的债务危机。本研究使用道路里程数来评估城市基础设施水平。在本分析中，所有控制变量都被用对数运算处理。

中介变量：（1）消费规模（Cs）：每个城市的社会零售商品销售总额占GDP的百分比被用来衡量消费规模。消费规模的增长意味着消费需求的增加，激励生产者提高产能和效率，并通过消费促进绿色技术进步。（2）产业结构升级（Is）：通过鼓励产业升级，数字金融可以间接拉动区域创新。本文选择第三部门产出值与第一产业的比率，然后取其对数来衡量产业结构升级。（3）政府支持（Gov）：金融和数字技术的进步可以为政府提供更方便的工具来监管和监控市场状况。政府可以利用数字技术来分析和监控当地的创新活动，制定适当的政策指导方针，并提供财政支持以推动绿色技术创新。地方政府一般财政支出占GDP的比例表示政府支持。绿色专利申请数量根据绿色专利国际分类代码从IPO搜索中获得。数字金融指数来自北大数字普惠金融指数。控制变量和中介变量来自《中国城市统计年鉴》。由于样本数据的可用性，选择2011年至2019年中国286个城市的平衡面板数据作为研究样本。

表1显示了变量的描述性统计数据，显示Ino的均值较低，表明当前绿色技术的创新水平必须进一步提高。数字金融范围在2.834和5.773之间，表明各个城市的数字金融水平不平衡。其他变量的最高值和最低值之间的显著差异表明这些因素在城市之间是异质性的。

2.研究结果

2.1 基准回归结果和讨论

表2呈现了动态空间Durbin模型的结果。本研究应用渐进回归原理构建模型估计，全面揭示了数字金融对绿色技术创新的影响。在表2中，列（1）不考虑区域效应、时间效应和控制变量。列（2）控制区域效应；列（3）包括区域效应和控制变量。列（4）包括时间效应和控制变量。列（5）包括区域、时间和控制变量。无论模型设置如何，数字金融对绿色技术创新的影响都是显著正向的。列（5）的基准结果表明，绿色技术创新的滞后系数显著为正，这一结果意味着前一阶段的绿色技术创新能够对当前的周期水平做出贡献；此外，绿色技术创新的空间滞后系数为正，意味着地方与邻近区域之间绿色技术创新的相互促进。这一结果是由于区域之间的竞争和模仿而发生的；因此，地方绿色技术创新将对邻近城市产生显著的示范效应。此外，邻近城市之间的产业联系越来越紧密，人才流动越来越容易，技术合作和交流越来越便利，从而为绿色技术的跨空间溢出创造了条件。数字金融的系数为0.610，在1%的水平上显著正。这一结果表明数字金融可以显著鼓励绿色技术创新，这与冯等人（2019）的发现一致。数字金融的空间滞后系数显著负，表明地方数字金融发展将抑制附近地区的绿色技术创新。金融正向影响绿色技术创新，具有显著的空间溢出特征。这种现象可能是由于空间经济的过度聚集。部分区域之间的空间分化较为明显，导致城市发展不均衡和外围城市的产业迁移。数字金融水平较高的城市可能会因为其比较优势而从周边地区吸引更多的人才和金融资源，这可能会阻碍绿色技术创新活动。

本文使用LR（似然比）和Wald检验来测试模型的稳健性，以确定SDM模型是否可以降级为空间自回归模型（SAR）或空间误差模型（SEM）模型。表3表明，LR和Wald检验的结果都拒绝了SDM可以在1%显著性水平下退化为SAR或SEM的零假设。这一结果表明本文的SDM模型是最优的，不能被SAR或SEM模型取代。

2.2稳健性检验

上述实证结果验证了数字金融刺激了绿色技术创新。然而，使用不同的空间权重矩阵、省略变量和测量误差问题可能会影响实证结果。为了解决这些问题，本文转换空间权重矩阵，替换关键变量，消除极端样本，并进行内生性测试以进行稳健性测试。表4给出了测试结果。

2.2.1变换空间权重矩阵

表4第（1）列显示绿色技术创新可以显著受益于数字金融发展，这一发现与基线分析一致，证明了实证结果的稳健性。

2.2.2替换解释变量

由于专利数据是右偏的，在绿色专利申请的计数中添加1，并使用对数作为解释变量。检验结果列于表4的第（3）列，其中数字金融对绿色技术的影响明显为正，支持基准回归结果。

2.2.3替换解释变量

互联网的日益普及扩大了数字金融的发展平台和渠道。在现代互联网技术快速进步的背景下，移动支付提高了电子货币的使用便利性，数字金融得到了快速发展。这种情况在一定程度上缓解了企业的财务约束，并提供了现代电子商务交易平台的可能性；因此，有利于培育绿色技术的创新。因此，本研究采用互联网渗透率（Inp）代替解释变量进行稳健性测试。结果显示在表4的第（4）栏中，揭示了互联网渗透率显著推动了绿色技术创新，这验证了基准发现的可靠性。

2.2.4排除极端样本

中国直辖市的行政层级显著高于其他城市。北京、天津、上海和重庆具有直接寻求中央政策支持的优势，从而可以在资源获取和金融支持方面获得更多的行政支持。此外，直辖市的经济发展水平与普通地级市有显著差异，这可能会干扰测试结果。为了检验结果的稳健性，本文排除了四个直辖市的样本数据；得出的结果显示在表4的第（5）栏中。实证结果与先前数字金融促进绿色技术创新演进的发现一致。

2.2.5内生性检验

增强区域绿色技术可能会产生集群效应，吸引数字金融公司转移业务；因此，数字金融和绿色技术创新之间可能存在反向因果关系。国务院于2015年12月31日公布了《推进普惠金融发展规划（2016—2020年）》；这是政府首次在文件中提出大力发展金融科技创新。该文件主要旨在促进数字技术和金融部门的结合，这对数字金融的推进起到了相对外生的冲击作用。因此，本研究基于这一外生事件创建了用于内生性测试的空间差异差异（DO）模型，并解决了反向因果关系问题。Treat是一个指标变量，定义如下。实验组Treat被赋予值1，对照组Treat被赋予值0。实验组指数字金融水平高于年度中位数的地区，对照组包括数字金融水平低于年度中位数的地区。

表4第（6）列表示空间DO模型的估计结果。T Post对区域绿色技术创新有显著贡献，从而与基线结果保持一致。为了确认结果的稳健性，本文采用工具变量（IV）方法进行内生检验。坡度表示该地区的土地特征；坡度较小的地区往往商业活动更活跃，金融聚集能力更大。而且，作为样本城市地形差异的指标，坡度是具有更多自然外生特征的城市的固有地理信息变量。使用斜率的交叉乘数项和每个城市的时间虚拟变量作为数字金融进步的工具变量。采用数字金融的一阶滞后作为数字金融进步的另一个工具变量来进行内生检验。表4的列（7）和（8）显示了两个工具变量的估计结果。表中的证据表明工具变量是可识别的，不存在弱工具变量问题。此外，数字金融显著促进了绿色技术创新，验证了基准结果的稳健性。

2.3机制检验结果

接下来，本文研究数字金融如何影响绿色技术创新。在个人层面，以小额信贷为核心的数字金融提供了便捷的信用功能；从而可以提高居民跨时空的资金配置能力，缓解其金融约束，刺激个人消费需求，推动技术创新。在社会层面，数字金融可以减少融资限制，筛选高效产业，从而引导社会资本流向高效产业，升级产业结构，增强区域创新能力。市场机制在政府层面存在先天缺陷，政府参与有助于弥补市场缺陷。数字金融推进可以缓解信息不平衡，有助于政府为企业创新制定合理的支持政策以促进绿色技术发展，因此，本研究从消费规模、产业结构升级、政府支持三个方面考察了数字金融对绿色技术创新的影响，结果见表5。

2.3.1消费规模

在经济系统中，买方消费是影响卖方进行产品升级和技术开发的重要因素。数字金融推进可以缓解个人流动性约束，释放其潜在消费能力，有效刺激居民消费。在扩大消费的压力和刺激下，生产者创新的主观能动性将得到加强，创新水平将不断提高，以获得更大的利益，占据更大的市场份额。表5第（1）和（2）栏报告了以消费规模为中介变量的机制发现。结果表明，数字金融对消费规模有显著的正向影响，数字金融和消费规模对绿色技术创新的系数均显著正向。这一结果证明，数字金融推进了消费规模的扩大，从而有效地拉动了企业通过需求创新绿色技术的意图，培育了创新的本地绿色技术。据此，检验假设2：数字金融可以通过促进贷款来扩大消费规模，进一步促进绿色技术创新。

2.3.2产业结构升级

产业结构升级可以促进本地绿色技术创新。数字金融可能为产业结构升级、筛选效率高的产业提供资金，并推动产业结构进步，促进更高的绿色技术创新。表5的第（3）和（4）栏显示了产业结构升级作为中介变量的测试结果，揭示了数字金融有利于产业结构升级，产业结构升级积极影响绿色技术创新。这些结果表明，产业结构改善是数字金融推动绿色技术创新的桥梁。数字金融推进将助推产业结构升级，从而加强技术溢出效应，实现绿色技术的创新发展。这一结果验证了假设3：数字金融通过优化资源配置促进产业结构升级，进一步促进绿色技术创新发展。

2.3.3政府支持

在传统金融中，由于数字技术不发达，信息在当局和企业之间没有平等共享。政府无法有效了解企业的经营状况和创新意愿，导致支持创新的困难。金融和互联网技术的增长促进了市场环境中的信息透明度。政府可以及时获得市场信息，并根据企业的具体情况制定创新政策以改进绿色技术。政府支持作为中介变量的测试结果显示在表5的第（5）和（6）栏中。如图所示，当数字金融增长1%时，政府支持增长0.111%；这种支持强烈鼓励绿色技术创新。这一结果意味着政府支持对于调解数字金融和绿色技术之间的关系至关重要。据此，假设4得到验证：数字金融可以通过先进技术增强政府支持，缓解信息不对称，从而提高绿色技术创新。

3.异质性分析

3.1 数字金融水平异质性

数字金融进展因地区而异，城市金融服务和创新资源存在差异数字金融水平多样化。在这种情况下，有必要考察数字金融发展对绿色技术创新的异质性影响。因此，本文将样本城市分为数字金融发展的先进地区和发展中地区。在计算样本城市数字金融指数的平均值后，本文将数值高于平均值的城市确定为先进的数字金融地区，反之亦然，数字金融地区发展的城市。在表6中，第（1）和（2）列分别显示了数字金融如何影响发达和发展中地区的绿色技术创新。回归结果表明，数字金融对绿色技术创新的影响在数字金融水平较高的城市显著正向。这一结果表明，一个地区的数字金融越发达，越容易缓解信息不对称；因此，资本与需求的匹配越好，有创新意愿的地区获得资本的机会越多，促进了绿色技术创新。

3.2 区域异质性

中国是世界第三大国土面积国家；中国不同城市由于地理位置不同，经济、政治和文化因素多样。地理位置优越的地区发展条件更好，对外开放程度更高，经济发展明显优于地理位置较差的地区。将中国分为东部、中部和西部地区，考察数字金融对绿色技术创新的异质性影响。如表6第（3）、（4）、（5）栏所示，数字金融对绿色技术创新的蕴涵在东中部地区大于西部地区，东中部地区区位优越、开放程度高、数字技术发展水平和经济质量较高，这些比较优势使数字金融红利得到更充分释放，从而显著刺激绿色技术创新。

3.3 数字金融维度的异质性

数字金融指数包含三个子指标：覆盖广度、使用深度和数字化程度。实证结果显示在表6的第（6）、（7）和（8）栏。使用深度和数字化程度对绿色技术创新的正向影响大于覆盖广度，因为使用深度显示了金融服务的类型和使用频率，包括信贷和保险。多元化的金融服务和信息技术可以有助于多元化的融资渠道，从而满足创新活动的金融需求，助推当地绿色技术创新。数字化程度意味着先进的数字工具和容易获得的金融服务，从而为城市创新提供更多的信息服务，以提高交易服务的效率，从而有助于绿色技术的创新。关于空间溢出效应，三个子指标显著负面影响周边地区的绿色技术创新，回归结果与前人的发现一致。原因在于，覆盖越全面、使用越深、数字化程度越高的区域，往往会有更多的资源和创新要素流向该区域，这种情况不利于其邻近区域绿色技术的创新增长。

（1）城市应避免与周边城市的恶性竞争，而是通过构建完整的产业链和促进知识要素的空间流动来实现共同进步。数字金融发达的城市应当向周边地区辐射其优势，形成互利共赢的局面。

（2）政府在推动数字金融支持绿色技术创新方面扮演着关键角色。一方面，需要加强环境监管，赋予地方政府更多环境保护管理权；另一方面，利用数字技术分析市场信息，根据地方实际情况制定创新激励政策，从而有效促进绿色技术的发展。

（3）要构建多元化的数字金融体系。对于数字金融较为成熟的地区以及西部地区，重点在于建立绿色金融体系以加速向绿色经济转型；而东中部地区则应利用现有政策优势调整金融结构，进一步推动绿色科技创新。