数字金融赋能绿色创新的异质非线性调节效应
来源:用户上传
作者:韩先锋 宋文飞 李勃昕 降子辉
关键词数字金融；绿色创新；网络效应；调节机制
伴随中国绿色低碳循环发展经济体系的建立健全，绿色技术创新已然成为中国经济高质量发展的“绿色发动机”。国家“十四五”规划明确提出，要加快推动绿色低碳发展，支持绿色技术创新。然而，不同于一般技术创新，绿色技术创新具有“环保”和“创新”的双重属性，致使其创新活动更容易受到高融资成本和高风险性的“双高”问题困扰。这种情形下，如果缺乏稳定、充足、低成本和低门槛的金融资源作为保障，可能会直接影响到国家绿色创新驱动发展战略的实施成效。2019年，国家发展和改革委员会、科学技术部发布的《关于构建市场导向的绿色技术创新体系的指导意见》首次指出，要积极开展金融创新，把绿色技术创新作为优先支持领域。这为依托数字金融等金融创新手段驱动绿色创新发展提出了新的命题。但遗憾的是，目前相关研究尚属凤毛麟角，尚未有文献打开数字金融赋能绿色创新的“黑箱”。与该研究最橄喙氐纳俨糠治南祝也主要聚集于探讨一般技术创新过程中数字金融的“普惠效应”，却普遍忽视了数字金融赋能的“网络效应”问题。事实上，作为互联网等新一代信息技术与传统金融深度融合的产物，数字金融不可避免地具有典型的网络性和普惠性特征［1］，倘若仅关注数字金融的局部特征，则可能会无形中造成数字金融赋能的红利损失。因此，对于数字金融发展规模与技术实践均处于世界领先地位的中国而言，如何有效依托数字金融加快助力绿色创新发展就显得尤为重要，对此问题的深入研究无疑具有重要的现实意义。
1 文献综述与机制阐释
1. 1 文献综述
现有文献围绕传统金融与技术创新之间的关联性问题已做了较多探讨［2-4］，但对数字金融这一新金融模式影响技术创新的相关研究才刚刚起步。总体看来，已有研究主要从以下维度展开：一方面，较多学者从微观角度肯定了数字金融在驱动技术创新过程中的积极作用。Huang等［5］分析认为，相对于传统金融，数字金融可通过增强企业信贷行为的信息透明度来驱动技术创新。Fuster等［6］研究指出，数字金融能有效降低中小微企业创新的融资成本，从而有利于技术创新。唐松等［7］实证发现，数字金融具备较明显的普惠特征，在金融发展禀赋较差的地区，数字金融对企业技术创新的驱动效果会更为明显。万佳等［8］考察表明，数字金融的创新激励效应在中小企业和民营企业中更明显。谢绚丽等［9］、李春涛等［10］、谢雪燕等［11］基于不同角度均得出了和上述学者较为一致的结论；另一方面，少部分学者从宏观层面为数字金融助力技术创新发展提供了经验证据。杜传忠等［12］分析发现，数字金融不仅对区域创新具有直接促进影响，还能通过供给侧和需求侧两个渠道驱动区域创新。郑雅心等［13］检验表明，数字金融主要通过完善基础设施建设、提高高等教育水平和增加居民平均工资等方式促进区域创新。徐子尧等［14］分析指出，数字金融对东部城市、初始创新水平较高城市创新能力的积极影响尚不明显。而汪亚楠等［15］的研究则得出了和徐子尧等［14］学者不相一致的研究结论，指出数字金融对东部地区城市创新的驱动效应强于中西部地区，并未发现落后地区在推动数字金融与技术创新融合发展过程中存在“后发优势”。
综上可知，现有关于数字金融赋能技术创新发展的相关研究还较为有限，且仅局限于从静态角度探讨数字金融的普惠性特征，几乎未有文献从宏观角度关注数字金融赋能技术创新的“网络效应”问题。特别是，尚缺乏对绿色创新过程中数字金融非线性赋能的内在机制探究［16］，这与当前中国数字金融的发展趋势及绿色创新驱动的客观要求是极不相称的。该研究的主要创新在于：①将数字金融纳入绿色创新发展的分析框架，从宏观层面为数字金融能否破解绿色创新发展中“环保”与“创新”的双重约束提供经验证据；②不同于现有聚集于静态线性的单一视角，从异质非线性角度入手，剖析绿色创新过程中数字金融赋能的客观规律和非线性演化特征；③基于不同角度解析数字金融如何才能有效赋能绿色创新发展，为二者的深度融合提供一定参考。客观回答上述问题，对新时代下中国加快实现数字金融和绿色创新的“双赢”具有一定的政策指导意义。
1. 2 机制阐释
数字金融是传统金融服务业与互联网、云计算、大数据、区块链等数字技术深度融合发展的一种新型技术驱动型金融创新［8］，它能有效弥补传统金融服务的不足，并更好地为绿色创新活动赋能。具体表现为：一方面，数字金融有利于降低绿色创新的交易成本。数字金融以互联网等新一代信息技术为支撑，能有效整合不同绿色创新主体的数据信息，轻易打破信息传递的时空限制。互联网时代下，数字金融既能为决策者精准提供更多的投融资决策信息［17］，又可快速、高效地实现绿色创新资金供需双方的精准匹配，并加速推动金融资源向创新领域集聚［18］，从而持续降低绿色创新主体的搜寻成本和融资成本，最终促进了绿色创新发展；另一方面，数字金融有利于增强绿色创新的投入规模。传统金融发展存在的“资源错配”“金融歧视”以及绿色创新潜在的长周期和高风险特征的双重约束，会导致许多具有绿色创新意愿的创新主体难以得到有效的金融支持。数字金融具备“门槛低、速度快、覆盖广”等优势［19］，可显著提高金融机构的服务效率和服务质量，并快速触及更广泛、更深层次的绿色创新尾部群体，为更多绿色创新主体提供高效便捷、质优价廉的金融服务和资源，从而驱动了绿色创新。另外，数字金融天然携带信息化、网络化和智能化等多重元素［20］，导致其对绿色创新的影响不可避免地会受到互联网等新一代信息技术的冲击。在数字金融赋能过程中，随着绿色创新主体参与强度的持续提升，数字金融服务的本身价值开始呈现非线性几何增长。这意味着，随着数字金融水平的提升，其对绿色创新的赋能效应可能是跳跃性增大的。具体而言，数字金融对绿色创新支持的广度和深度均会随着自身水平的提升而变化，进而使得数字金融赋能下的绿色创新系统出现了创新成本不断下降而创新投入却持续增加的共振现象。随着数字金融赋能绿色创新步入深水区，越来越多的绿色创新主体能在更大范围内、更低成本和更高效率水平上充分享受到绿色创新溢出红利，从而导致数字金融对绿色创新的赋能效应是持续强化的，即存在显著的“网络效应”（网络效应是指在一定范围内随着互联网使用规模的增加，其影响作用会跳跃性变大）。进一步值得注意的是，数字金融有效赋能绿色创新发展亦是有条件约束的，并非只要提升数字金融水平就一定能有效促进绿色创新。一般来看，只有处于较好发展状态下的数字金融，才能尽可能发挥融资的“降成本”功效［21］。事实上，数字金融对绿色创新的非线性赋能影响还离不开其他制度条件和市场环境等的多维约束，即只有在外部环境适宜的地区，才能更好地为数字金融发展提供完善可靠的技术平台、要素禀赋和数据信息等支撑体系。同时，由于数字金融、绿色创新以及二者所处的外部环境均是持续变化的［16］，也决定了数字金融对绿色创新的赋能效应会随着不同外部环境的变化而变化，进而表现出一定的异质非线性调节效应。
nlc202301041003
2 研究设计
2. 1 计量模型构建
为了客观地揭示数字金融赋能的绿色创新效应，这里基于非线性视角，首先设计如下基本检验模型：
其中：ginnit 表征绿色创新，为被解释变量；difit 表示数字金融指数，既为核心解释变量又为门槛变量；i 是省际样本编号，t 为时序编号；I （） 为指示函数，γ 表示门槛值，当括号内条件满足时，取值为1，不满足取值为0，εit 表示残差项。
由于模型（1）仅考虑了单一门槛模型情形，考虑到数字金融的非线性影响可能存在多门槛，这里将基本门槛模型（1）拓展如下：
进一步，如果数字金融对绿色创新具有非线性影响，其是否存在着某些特定的条件约束？如何才能最大化地释放数字金融对绿色创新的积极影响？为深入揭示数字金融赋能绿色创新的异质约束机制，这里进一步从城乡收入差距、城市化水平、技术引进、财政透明度、居民收入和经济增长目标等多重维度进行考察，以阐释上述因素约束下数字金融赋能绿色创新的内在异质非线性调节规律，具体构建的面板调节模型如下：
2. 2 变量与数据说明
该研究以中国30个省份为分析对象，由于香港、澳门、台湾和西藏等地区数据存在较多缺失，予以剔除。另外，鉴于数字金融发展起步较晚，考虑到数据的可获性，这里选取2011―2018年为研究时段。该研究涉及的数字金融数据主要来自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》，绿色创新的相关数据主要来自国家知识产权局中国专利公布公告网（http：//epub. sipo.gov. cn）和《中国科技统计年鉴》，财政透明度数据主要来自上海财经大学编制的《中国财政透明度报告》，经济增长目标数据主要来自历年的省级政府工作报告，其他基础数据主要来自历年的《中国科技统计年鉴》和《中国统计年鉴》。对涉及的相关变量做如下设定。
被解释变量：绿色创新（ginn）。拟基于效率角度衡量绿色创新，具体采用超越对数型随机前沿模型从投入产出角度估算省际绿色创新水平。关于产出指标，考虑到现有笼统将整个经济污染排放量指标作为绿色创新非期望产出的做法不够严谨，并不能精确地反映绿色创新活动的产出水平，而绿色专利则可直接刻画绿色创新的产出情况［22］，故该研究选取绿色专利授权量来衡量绿色创新产出指标。具体参照董直庆等［23］的做法，基于世界知识产权组织给出的绿色专利清单（Green Patents Inventory）（该清单将绿色专利划分为交通运输、能源节约、废弃物管理、行政监管与设计、农林、替代能源生产和核电等7大类），通过设置清单的IPC分类编码、专利类型及发明者地址等方式，采用爬虫技术从国家知识产权局中国专利公布公告网（http：//epub. sipo. gov. cn）检索中国境内申请的绿色发明及实用专利等信息，进一步识别并核算了各省份各个年份的绿色专利授权量数据。关于投入指标，已有研究常用研发人员和研发资本作为绿色创新效率核算的人力和资本投入指标［24］，故该研究分别选取R&D人员全时当量和R&D经费内部支出额进行表征。依据上述指标的面板数据及方法估算可得考察期内的省际绿色创新水平。
核心解释变量：数字金融（dif）。北京大学数字金融研究中心依据近年来数字金融发展的新特征和新形势，从数字金融服务的使用深度、覆盖广度和数字支持服务三个维度构建了数字普惠金融综合测算体系，并利用蚂蚁金服的海量数据采用层次分析法、指数分析法等估算了数字普惠金融指数。由于该指数能较为客观全面地衡量数字金融的综合发展水平，因而在当前关于数字金融的相关研究中被广泛使用［25-26］。因此，采用北京大学核算的数字普惠金融指数作为省际数字金融发展水平的替代指标，并对该指数进行了对数化处理。同时，为了保持研究结论的可靠性，这里还采用了数字金融覆盖广度为辅助测试指标。
调节变量：数字金融（dif），首先选取数字金融指标为调节变量，旨在阐释中国绿色创新能力随着数字金融水平的持续提升会呈现出何种非线性演化规律。同时，考虑到数字金融赋能绿色创新的非线性机制可能会受到其他外部环境的调节冲击，这里还选取以下因素为调节变量做进一步考察：①城乡收入差距（gap），当经济步入中等收入阶段后，过高的收入差距会对自主创新产生抑制影响［27］，故城乡收入差距可能是研究数字金融赋能绿色创新问题所不能忽视的调节因素，因此采用城镇居民人均可支配收入与农村居民人均可支配收入之比来刻画。②城市化水平（urb），城市的多样化、专业化有利于加速绿色知识溢出和高级人力资本集聚，并能在较大程度上降低绿色创新的交易成本，进而会对绿色创新发展产生影响，因此选取v年的年末城镇人口在总人口中所占的比重来表征。③技术引进（tei），技术引进是企业获取绿色技术的重要手段，技术引进的质量结构和数量多寡均会直接影响到绿色创新活动的开展。借鉴李勃昕等［28］的做法，因此选取历年的国外技术引进合同金额占GDP比重来体现，用以反映单位GDP中外部技术引进的价值含量。相对于国外技术引进合同金额这一体现规模的绝对指标，采用相对指标的好处在于，既能较好消除价格因素的影响，又可客观反映不同省份技术引进强度的差异化特征。④财政透明度（fit），提升财政透明度，有利于降低创新信息不充分和创新的不确定性，从而促进绿色创新，这里借鉴郭月梅等［29］的做法，采用上海财经大学发布的省级财政透明度得分来体现。⑤居民收入水平（inc），依据创新的“需求拉动”假说，一个地区或国家人均收入水平高低、收入分配结构配置，均是影响企业绿色创新决策的最根本因素。考虑到相较于农村，城市是开展绿色创新的主阵地，借鉴鞠方等［30］的做法，采用城镇居民人均可支配收入来衡量。⑥经济增长目标（egt），过高的经济增长目标会导致区内企业往往过于关注短期产出，并引发地方政府对关键资源配置的有偏性［31］，从而直接影响到政府和企业对长周期、高风险的绿色创新领域投入，这里采用各省份历年政府工作报告中公布的经济增长速度目标来刻画。
nlc202301041003
3 实证结果及分析
3. 1 计量模型合理性检验
在实证研究前，为促使该研究研究结论更为可靠，这里首先进行以下三方面检验，以证明该研究计量模型的合理性。一是为避免解释变量之间因存在潜在的高度相关关系而导致模型估计结果失真，首先进行了多重共线性检验。结果发现，最大方差膨胀因子VIF 数值为4. 67，平均VIF 数值为2. 62，均处于可接受的范围内，说明该研究构建的计量模型共线性问题较弱，不会对后文估计结果产生较大影响；二是为尽可能地克服潜在的伪回归现象，首先采用PP?Fisher、ADF?Fisher和LLC三种方法对上文涉及的研究变量进行平稳性测试。检验结果表明，该研究选取的绿色创新、数字金融等面板数据都是平稳的。三是这里分别运用Pedroni和Kao基于E?G两步法回归残差的两种面板协整技术，检验数字金融与绿色创新之间长期均衡关系的存在性，具体结果见表1。
由表1可知，Pedroni检验中，常用以判别短面板数据协整关系存在性的Panel ADF?stat和Group ADF?stat两个统计量检验结果均通过了1%的显著性检验，而Kao基于残差的ADF协整检验结果亦在1%的水平下显著，均拒绝了“不存在协整关系”的原假设。因此，数字金融与绿色创新之间存在着长期稳定的均衡关联，表明适合进行长期关系分析，故下文将进一步解析数字金融赋能绿色创新的异质门槛效应问题。
3. 2 数字金融对绿色创新影响的门槛效应分析
为得到更有针对性的研究结论，该研究同时对全国层面以及东部、中部和西部分地区层面数字金融与绿色创新之间的门槛关联进行考察。基于bootstrap P值来判断数字金融门槛效应的存在性，具体的bootstrap P 值可依据Hansen提出的“自举法”并重叠模拟似然比检验统计量300次得到。表2反映了不同情形下以数字金融为门槛变量的检验结果。可以看出，全国及分地区层面的数字金融变量均通过了不同显著性水平下的单一、双重和三重门槛检验，表明上述情形下均应采用三重面板门槛数据模型来探究，且全国、东部、中部和西部地区三重门槛检验的95%置信区间依次分别为［5. 642 7，5. 673 2］、［5. 758 5，5. 762 2］、［5. 548 2，5. 615 8］和［5. 586 6，5. 586 7］。同时，为尽可能增强基本结论的稳健性并较好克服非线性模型的内生性问题，还采取了以下方式进行测试，一是使用数字金融滞后一期指标进行稳健性检验1，二是采用数字金融覆盖广度为替代指标进行稳健性检验2。结果表明，两种情形下的数字金融变量均依次通过了单一、双重和三重面板门槛检验，佐证了存在三重门槛效应，且其相应的95%置信区间分别为［5. 502 1，5. 513 4］和［5. 596 5，5. 620 1］，表明该研究基于三重面板门槛数据模型研究数字金融对绿色创新的非线性影响是合理的。
数字金融对绿色创新影响的非线性估计结果见表3，为了尽可能地克服异方差干扰，这里均采用了稳健标准差方法进行估计。表3中数字金融变量的估计系数均显著为正，表明考察期内数字金融对中国绿色创新产生了明显的赋能效应，从绿色创新驱动的新角度佐证了新时代下发展数字金融的必要性。基于全国层面基本模型的估计结果可知，数字金融对绿色创新的赋能效应是持续变化的，并非仅仅是现有多数研究基于一般技术创新领域所发现的简单线性关联，不难发现，在不同数字金融水平区间内，数字金融对中国绿色创新的驱动效应存在明显差异。具体而言，当数字金融水平小于5. 296 0时，数字金融的估计系数为0. 035 8且显著，表明在第一门槛区间内数字金融显著地驱动了绿色创新。当数字金融水平位于5. 296 0和5. 504 7之间时，数字金融的系数明显增大且显著，表明在该门槛区间内数字金融对绿色创新的赋能效应有所增强。当数字金融水平大于5. 504 7且小于5. 644 6时，数字金融的系数进一步增大且显著，表明此时数字金融对绿色创新的积极贡献在持续增大。当数字金融水平超越5. 644 6时，数字金融的系数将增至最大水平0. 055 2且依然显著，表明在第四门槛区间内数字金融对绿色创新的赋能效应最为明显。因此，随着数字金融水平的不断提升，其对绿色创新的赋能效应具有正向且边际效率递增特征，即全国层面上数字金融对绿色创新的赋能效应存在着一个由弱到强的演化过程。这一演化趋势与Zhu等［4］针对传统金融所得出的结论是恰恰相反的，也不同于唐松等［7］基于一般技术创新领域得出的静态结论，即从数字金融发展的新角度印证了梅特卡夫定律在中国的适用性。另外，与全国层面基本模型的估计结果相比，稳健性模型估计情形下同样存在三个门槛值，且对应的门槛值和估计系数也相差无几，表明在采用处理内生性和替换核心解释变量两种手段后，上文的基本结论均得到了进一步印证。
数字金融赋能绿色创新的非线性特征之所以符合梅特卡夫定律，原因可能在于，数字金融以网络为依托，构架起了跨越时空的金融服务模式，极大拓展了金融服务广度、深度和宽度，使得任何绿色创新主体都可以依托互联网渠道在任何地点、任何时间实现高效便捷的金融服务。这种情形下，享受数字金融服务的绿色创新主体越多，数字金融覆盖的范围越大、渗透的创新领域越深，数字金融的赋能效果就越明显。与此对应的是，通过网络强大的信息开放、共享、加工和获取能力，数字金融极大缓解了绿色创新主体和金融机构之间的信息不对称，并可促使有限金融资源在金融风险可控情况下不断实现精准匹配，进而使得绿色创新主体享受金融服务的交易成本出现边际递减现象。因此，数字金融对绿色创新的影响就出现了创新收益持续上升，创新成本不断下降的现象。随着数字金融与绿色创新融合的持续深入，数字金融赋能就显现出正向且边际效率递增的非线性“网络效应”，即适用梅特卡夫定律。
分区域来看，数字金融赋能绿色创新的门槛效应存在明显的空间差异。对于东部地区，数字金融的三个门槛值分别是5. 296 0、5. 504 7和5. 758 5。当数字金融水平小于5. 296 0时，数字金融对绿色创新具有明显的积极影响。当数字金融水平跨越5. 296 0时，数字金融对绿色创新的驱动效果在持续增强，且在数字金融水平高于5. 758 5时，这种赋能效应将增至最大。因此，数字金融对东部地区绿色创新的非线性影响具有显著的正向且边际效率递增特征，这一情况与全国是基本一致的。从数字金融的平均水平来看，总体影响还处于第一门槛区间内，仅北京、上海和浙江三省跨入了第二门槛区间，表明数字金融对东部地区绿色创新的赋能效应尚有巨大的提升空间；对于中部地区，数字金融的三个门槛值分别是4. 427 0、5. 383 1 和5. 604 3。数字金融水平小于4. 427 0时，数字金融明显促进了绿色创新。当数字金融水平高于4. 427 0且小于5. 383 1时，数字金融的赋能效应开始减弱。当数字金融水平依次超越5. 383 1 和5. 604 3 时，数字金融对绿色创新的赋能效应又持续增强，且在第四门槛区间内数字金融的积极贡献将增至最大。因此，数字金融对中部地区绿色创新的非线性赋能效应具有显著的正向“U”型规律。从数字金融的平均水平来看，所有省份的数字金融水平均位于第二门槛区间，表明现阶段数字金融对中部地区绿色创新的赋能效应尚处于较低水平，未来持续提升数字金融水平应是促进二者协调发展的重中之重；对于西部地区，数字金融的三个门槛值分别是5. 112 7、5. 318 7和5. 586 6，当依次超越上述水平时，数字金融对西部地区绿色创新的赋能效应会持续增强，即该地区数字金融对绿色创新的赋能效应呈现正向且边际效率递增特征，这与全国及东部地区的情形是一致的。进一步分析发现，考察期内所有西部省份的数字金融水平均位于第一门槛区间内，这意味着该地区只有持续加快数字金融发展，才能更大程度地释放数字金融对绿色创新的赋能红利。总体看来，在全国、东部和西部地区，随着数字金融水平的提升，其对绿色创新的赋能效应是呈现阶段性增长的。即便是在中部地区，当数字金融水平超过4. 427 0时，其对绿色创新的赋能效应亦开始出现跳跃性增长，即均存在明显的“网络效应”特征。聂秀华等［32］基于一般技术创新角度研究发现，随着数字金融系统逐步成熟和服务功能不断完善，其对技术创新活动的积极影响将日益凸显和增强。在一定程度上支持了该研究的观点，表明数字金融的“网络效应”不仅出现在一般技术创新过程中，在绿色创新领域也已开始显现。因此，现阶段数字金融对中国绿色创新的影响既存在着预期中的“普惠效应”，更表现出明显的非线性“网络效应”。
nlc202301041003
另外，基于各地区数字金融最优门槛区间的估计结果可知，现阶段数字金融对绿色创新的赋能效应亦存在明显的空间异质性特征，具体表现为：东部和中部地区大多数门槛区间内数字金融的估计系数均高于全国和西部地区，充分说明相较于西部地区，考察期内东中部地区的数字金融发展产生了更为明显的绿色创新溢出，这从推动绿色创新发展的新角度得出了现阶段尤要鼓励东中部地区加快推动数字金融发展的结论，也在一定程度上佐证了汪亚楠等［15］的研究结论。该研究认为，西部地区数字金融的赋能效应之所以相对较低，原因可能在于，该地区网络基础设施比较落后，数字化技术等要素集聚能力还不强，数字金融发展总体相对滞后，进而并未能同中部地区一样有效发挥出数字金融赋能绿色创新发展的“后发优势”。
3. 3 数字金融赋能绿色创新的异质非线性调节效应分析
上文分析发现，数字金融对中国绿色创新发展的赋能效应存在明显的由弱到强的非线性演化特征，但这是否意味着只要提升数字金融水平就一定会自动促进区域绿色创新呢？实际上，数字金融赋能的绿色创新效应不仅会受到数字金融自身发展的影响，更可能还存在其他方面的异质调节机制。为了更客观地揭示潜在的异质调节效应，以期尽可能释放数字金融赋能的绿色创新红利，这里拟基于城乡收入差距、城市化水平、技术引进、财政透明度、居民收入水平和经济增长目标等六维度进一步阐释。
不同维度调节下的门槛检验结果见表4。不难发现，gap、urb、tei、fit、inc 和egt 等调节变量均在1%或5%的显著性水平下依次通过了单一、双重和三重门槛检验，且其三重门槛区间的95%置信区间分别为［3. 260 0，3. 540 0］、［0. 632 0，0. 658 2］、［0. 000 1，0. 012 3］、［46. 830 0，49. 890 0］、［4. 027 8，4. 212 1］和［5. 000 0，14. 000 0］，表明上述不同情形约束下均应基于三重面板门槛数据模型来考察数字金融赋能的非线性绿色创新效应。具体的非线性调节结果见表5。
由表5可知，数字金融赋能绿色创新的异质非线性调节机制是明显存在的。具体表现如下：
第一，数字金融赋能绿色创新的城乡收入差距门槛值依次为2. 200 0、2. 630 0和3. 430 0。当城乡收入差距低于2. 200 0时，数字金融的系数为0. 076 3且显著，表明在第一门槛区间内数字金融对绿色创新产生了显著的赋能效应。当城乡收入差距介于2. 200 0 与2. 630 0 之间时，数字金融的系数为0. 069 5且显著，表明数字金融赋能的绿色创新效应在第二门槛区间有所减弱。当城乡收入差距在2. 630 0与3. 430 0之间时，数字金融的作用强度为0. 059 8且显著，表明此时数字金融赋能的绿色创新效应在持续减弱。当城乡收入差距高于3. 430 0时，数字金融赋能的绿色创新效应将降至最小。因此，随着城乡收入差距的扩大，数字金融对绿色创新具有显著的正向且边际效率递减的非线性调节特征。该研究认为，较高的城乡收入差距会迟滞数字金融的覆盖和渗透效果，使得其会在一定程度上弱化数字金融的整体赋能效应。随着城乡收入差距的持续缩小，既有利于提供更为公平的数字金融服务，又能不断拉近城乡在网络基础设施建设、新信息技术使用、金融需求等方面的差距，致使数字金融的覆盖纵深、服务规模、支持效能等不断改善，从而更加有利于驱动绿色创新。
第二，数字金融赋能绿色创新的城市化水平门槛值分别为0. 450 3、0. 560 2和0. 640 5。当城市化水平依次跨越上述门槛值时，数字金融对绿色创新的贡献系数在持续增大，且都通过了1%的显著性水平检验，即当城市化水平超越0. 640 5时，才会最有利于提升数字金融对绿色创新的赋能效应。总体看来，在城市化约束下，数字金融对绿色创新的影响呈现明显的正向且边际效率递增的非线性特征。原因可能在于，城市化引致了网络基础设施的持续完善和各类要素的快速集聚，能够为数字金融赋能绿色创新发展提供有利环境，而有效的数字金融赋能则会诱发更高规模的绿色创新和更多的绿色创新资本需求。因此，随着城市化调节作用持续深入，数字金融对绿色创新的这种积极影响会日益强化。
第三，数字金融赋能绿色创新的技术引进门槛值分别为0. 000 8、0. 006 8和0. 011 3。当技术引进水平位于第一、二门槛区间内，数字金融对绿色创新的促进强度由0. 074 7增至0. 077 5，且在第二门槛区间内的积极影响最为明显。在技术引进水平位于第三门槛区间时，数字金融对绿色创新的潜在贡献又开始减小至0. 072 7。当技术引进水平超越0. 0113时，数字金融赋能的绿色创新效应则会进一步减弱。因此，在技术引进门槛约束下，数字金融对绿色创新的影响存在显著的正向倒“U”型非线性调节特征，即只有处于适度的技术引进下，才能最大限度地释放数字金融对绿色创新的赋能红利。受限于国内外技术差距的约束，技术引进一直是中国开展绿色技术创新的重要手段［33］。在内外技术差距较大的情形下，技术引进能在较大程度上改善国内绿色创新水平并诱发更多的绿色创新融资需求，从而在一定时段内明显有利于持续提升数字金融赋能的绿色创新效果。然而，随着技术差距的不断缩小，技术引进的贡献开始降低，从而使得其对数字金融赋能的积极作用开始缩小。
第四，数字金融对绿色创新影响的财政透明度门槛值分别为25. 210 0、35. 200 0和48. 000 0。在财政透明度的四个门槛区间内，数字金融对绿色创新的影响系数均显著为正且强度在持续增大，表明在财政透明度调节下，数字金融赋能的绿色创新效应具有明显的正向且边际效率递增的非线性演化特征，即高强度的财政透明度更有利于提升数字金融赋能的绿色创新效应。由此可见，数字金融赋能效果的发挥，离不开财政透明度这一因素的调节。较低的财政透明度既容易剥夺公众的知情权、监督权和参与权，不能确保财政资金真正用于支持G色创新和数字化建设，又不利于提高宏观经济政策和形势的透明度［34］，从而会在一定程度上弱化企业依托数字金融的开展绿色创新的预期。因此，提升财政透明度有利于为数字金融赋能绿色创新发展提供持续、稳定的制度环境，有利于引导数字金融资金、资源更合理快速流向绿色创新领域，进而不断驱动绿色创新。
nlc202301041003
第五，数字金融对绿色创新影响的居民收入水平门槛值依次为2. 689 7、3. 159 2和4. 097 5，与城市化和财政透明度的非线性调节特征相似，随着居民收入水平提高，数字金融对绿色创新的赋能效应是持续增强的，即较高的居民收入水平更有利于释放数字金融对绿色创新的赋能红利。居民收入是一个地区经济发展水平的直接体现，较高的城镇居民收入往往反映了当地具有雄厚的经济发展实力，也意味着当地拥有更为优越的数字金融发展环境和更加活跃的绿色创新氛围，无形中会创造出持续的市场需求和资本需求，这恰恰是企业开展绿色创新的主要动力。因此，随着居民收入水平的持续提升，数字金融对绿色创新的赋能效应亦在不断增强，即不断提高居民收入水平可为有效释放数字金融的绿色创新红利持续注入动力。
第六，数字金融对绿色创新影响的经济增长目标门槛值分别为7. 500 0、9. 000 0和9. 500 0，与城乡收入差距的调节过程相似，随着经济增长目标的提高，数字金融赋能的绿色创新效应是持续减弱的，且在经济增长目标低于7. 5%时，将更有利于释放数字金融对绿色创新的赋能红利，这也和当前高质量发展背景下经济从高速向中高速增长转变的现实是相一致的。在经济增长目标约束下，政府往往对短期贡献不明显的绿色创新缺乏重视，而多会选择将更多财政资源配置到短期能够产生明显经济效益的其他领域。当经济增长目标过高时，在沉重的经济增长任务作用下，这种财政支出偏向行为更名明显，会进一步挤占政府对绿色创新的支出。同时，政府重基础设施建设的支出偏向，也会导致金融、信息和技术等相关的生产性服务业发展滞后［35］，进而会弱化数字金融对绿色创新的积极影响。因此，较低且适度的经济增长目标将更符合数字金融与绿色协调发展的实际。
总体可知，城乡收入差距、城市化水平、技术引进、财政透明度、居民收入水平和经济增长目标等均可以正向调节数字金融对绿色创新的非线性影响，且在不同因素调节下数字金融赋能的绿色创新效应存在显著异质性。表3中基本门槛模型的估计结果比较可知，一方面，表5中不同因素调节下数字金融的平均贡献度均高于表3中的基本模型，即城乡收入差距、城市化水平、技术引进、财政透明度、居民收入水平和经济增长目标等因素均不仅仅能正向调节数字金融赋能的绿色创新效应，甚至还对其具有明显的强化效果；另一方面，只有当城市化、财政透明度和居民收入等达到较高水平时，也只有在较低的城乡收入差距和中高速经济增长目标以及适度的技术引进水平下，才能最大限度地释放数字金融赋能的绿色创新红利。因此，在处理数字金融与绿色创新之间的非线性关联时，如若忽视上述因素的调节影响，则可能会造成数字金融赋能的绿色创新红利损失。为了进一步印证前文结论的可靠性，这里同时将上述调节变量作为控制变量逐步纳入以数字金融为门槛变量的基本模型进行再估计，结果发现，在上述因素共同作用下数字金融对绿色创新影响的正向且边际效率递增的赋能规律是稳健的，也再次说明上述变量的潜在相关性较弱，不会对该研究基本结论产生干扰。
表6进一步计算了上述不同调节因素平均水平的样本分布情况，不难发现，①在城乡收入差距调节下，大多数省份集中分布在第二、第三门槛区间内，此时数字金融对绿色创新的驱动效果大体处于0. 069 5和0. 059 8水平上，意味着当前的城乡收入差距并未达到促进数字金融驱动绿色创新溢出的最佳条件，说明新时代下大多数省份尤要大力推进乡村振兴战略，进一步缩小城乡收入差距，以进一步提升数字金融赋能的绿色创新效应。②在城市化水平调节下，半数样本分布在第二门槛区间内，仅北京等少数省份位于最优的第四门槛区间内，未来各地政府应继续加快城市化进程，从而尽可能地为数字金融赋能绿色创新发展提供助力。③在技g引进调节下，样本集中分布在第一、二门槛区间内，此时多数省份数字金融赋能的绿色创新效应正位于次优和最优门槛区间内，即当前技术引进对数字金融赋能绿色创新的积极贡献已较明显，未来多数省份短期内应继续保持适度的技术引进力度，长期内也要注重加强自主创新，规避过高的技术引进力度对数字金融赋能的潜在弱化现象。④在财政透明度调节下，样本主要分布于第二、三门槛区间内，说明考察期内多数省份数字金融对绿色创新的影响力度集中在0. 056 8至0. 059 7水平，样本集中度高达90%，表明提升财政透明度应是未来实现数字金融与绿色创新融合发展过程中应考虑的重要因素。⑤在居民收入水平调节下，省份样本集中分布在第一门槛区间，表明数字金融对绿色创新发展的积极贡献位于0. 043 8水平上，仅北京、上海和浙江三省份的居民收入水平已迈入最优门槛区间内，意味着对多数省份而言，未来应更加注重通过减税等手段持续增加居民实际收入水平，从而不断为数字金融赋能绿色创新发展增添助力。⑥在经济增长目标调节下，仅北京和上海的数字金融最有利于驱动绿色创新发展，而天津、内蒙古等省份过高的经济增长目标则在一定程度上造成了数字金融赋能的红利损失，多数省份未来应尽快使经济增长目标从高速向中高速转变，即实施与实际经济发展水平相匹配的合理增长目标，也是有效提升数字金融对绿色创新赋能效应的重要手段。
4 结论与政策建议
该研究重点考察数字金融赋能的绿色创新效应及其异质调节机制，并基于非线性新视角提供了来自宏观层面的经验证据。实证研究发现：第一，数字金融显著驱动了中国绿色创新发展，且东中部地区数字金融的赋能效应远高于西部地区；第二，数字金融对绿色创新的影响呈现正向且边际效率递增的演化特征，东西部地区和全国情况基本一致，而在中部地区则呈现明显的正向“U”型非线性特征。进一步研究发现，一方面，数字金融赋能的绿色创新效应存在显著的异质调节机制，在城市化、财政透明度和居民收入水平调节下，数字金融对绿色创新的影响呈现出显著的正向且边际效率递增特征。在城乡收入差距和经济增长目标约束下，数字金融赋能的绿色创新效应表现出明显的正向且边际效率递减特征。在技术引进调节下，数字金融对绿色创新的影响效应具有显著的正向倒“U”型特征。另一方面，技术引进、财政透明度、城市化、居民收入水平等环境因素均能在一定程度上强化数字金融对绿色创新的积极贡献，且只有当城市化水平、财政透明度和居民收入水平提升到一定限度，城乡收入差距下降到一定程度，以及技术引进力度和经济增长目标保持在合理水平下，才可最大化地提升数字金融对绿色创新的赋能效应。
nlc202301041003
该研究创新性地将数字金融纳入绿色创新发展的分析框架，从宏观层面证明了数字金融发展对中国绿色创新具有“普惠效应”和“网络效应”的双重激励，无论在学术价值上还是在政策的制定上都有重要意义。特别是，对于深刻理解“十四五”时期国家如何依托数字金融助力绿色创新发展这一现实问题具有一定的边际贡献。基于以上结论，该研究提出如下政策建议。
第一，积极推动数字金融与绿色创新的融合发展。各地政府既应加快新型基础设施建设步伐，大力促进5G、大数据、区块链等高端信息技术的发展，持续提升数字金融的科技含量，为数字金融赋能绿色创新发展提供坚实的硬件支撑，又要制定多层次、多元化的数字金融定价政策、引导政策和服务策略，比如以数字金融为依托搭建绿色创新基金、提供专项绿色创新补贴、设立融合试点园区等金融创新手段，为数字金融与绿色创新的深度融合提供灵活的软件支撑。同时，各地区应以数字金融发展为契机，加快出台差异化的绿色创新战略，转变思维拓宽绿色创新的投资、引资和融资渠道，尽可能加快释放数字金融赋能绿色创新的溢出红利。具体而言，东中部地区应紧抓数字金融赋能的比较优势，持续加快实施绿色创新驱动战略。西部地区则应更加注重数字金融网络的软硬件建设，为数字金融助力绿色创新发展提供现实土壤。
第二，数字金融赋能的绿色创新效应存在正向且边际效率递增的非线性演化特征，不同地区数字金融边际贡献的异质非线性特征值得关注。一方面，数字金融对绿色创新的赋能效应会随着数字金融本身的发展而不断变化，存在显著的“网络效应”特征。另一方面，与理论上的最优水平相比，现阶段三大地区绿色创新发展过程中数字金融的赋能效应均存在明显的提升空间。这意味着推动数字金融与绿色创新的融合政策具有持续性和长周期性。政府可通过加强顶层设计的导引功能，通过制定专门的数字金融发展规划，明确数字金融赋能绿色创新发展的近期和远期目标、重点任务等核心内容，来持续引导更多的数字资本跨时空、广覆盖、高强度流入绿色创新领域，不断激发数字金融在绿色创新过程中的“梅特卡夫法则”威力，进而为绿色创新发展持续注入新动能。同时，未来也应实施动态化和差异化的数字金融与绿色创新协同政策，积极避免一刀切、静态化政策会造成数字金融赋能的红利损失。
第三，要有效提升绿色创新过程中的数字金融赋能效应，现阶段还需要在持续加快城市化进程、提升居民收入水平、增强财政透明度、缩小城乡收入差距，以及保持适度的技术引进力度和制定中高速经济增长目标等方面下功夫。不同省份亦应根据自身发展实际，科学选择最佳的数字金融融合政策，以进一步释放数字金融赋能的绿色创新红利。若忽视外部环境因素的调节影响，可能会导致数字金融赋能的绿色创新效应被低估，尤其是上述因素对现阶段数字金融赋能的积极调节效应还处在中低位水平上，尚存在巨大的提升空间。因此，“十四五”时期政府应积极推动数字金融与上述因素的深度融合，以尽可能地激发绿色创新发展过程中数字金融赋能的政策协同效应。
nlc202301041003
转载注明来源:https://www.xzbu.com/7/view-15443644.htm
