南方金融SouthChinaFinanceISSN1007-9041,CN44-1479/F《南方金融》网络首发论文题目：“双碳”目标背景下数字金融对能源效率的影响研究作者：汪克亮，赵斌收稿日期：2021-08-16网络首发日期：2021-11-11引用格式：汪克亮，赵斌．“双碳”目标背景下数字金融对能源效率的影响研究[J/OL]．南方金融.https://kns.cnki.net/kcms/detail/44.1479.F.20211110.0937.002.html网络首发：在编辑部工作流程中，稿件从录用到出版要经历录用定稿、排版定稿、整期汇编定稿等阶段。录用定稿指内容已经确定，且通过同行评议、主编终审同意刊用的稿件。排版定稿指录用定稿按照期刊特定版式（包括网络呈现版式）排版后的稿件，可暂不确定出版年、卷、期和页码。整期汇编定稿指出版年、卷、期、页码均已确定的印刷或数字出版的整期汇编稿件。录用定稿网络首发稿件内容必须符合《出版管理条例》和《期刊出版管理规定》的有关规定；学术研究成果具有创新性、科学性和先进性，符合编辑部对刊文的录用要求，不存在学术不端行为及其他侵权行为；稿件内容应基本符合国家有关书刊编辑、出版的技术标准，正确使用和统一规范语言文字、符号、数字、外文字母、法定计量单位及地图标注等。为确保录用定稿网络首发的严肃性，录用定稿一经发布，不得修改论文题目、作者、机构名称和学术内容，只可基于编辑规范进行少量文字的修改。出版确认：纸质期刊编辑部通过与《中国学术期刊（光盘版）》电子杂志社有限公司签约，在《中国学术期刊（网络版）》出版传播平台上创办与纸质期刊内容一致的网络版，以单篇或整期出版形式，在印刷出版之前刊发论文的录用定稿、排版定稿、整期汇编定稿。因为《中国学术期刊（网络版）》是国家新闻出版广电总局批准的网络连续型出版物（ISSN2096-4188，CN11-6037/Z），所以签约期刊的网络版上网络首发论文视为正式出版。PAGE59PAGE599南方金融·总541期2021“双碳”目标背景下数字金融对能源效率的影响研究汪克亮，赵斌（中国海洋大学经济学院，山东青岛266100）摘要：数字金融作为新科技革命和产业变革的产物，能够通过提高区域创新水平进而深刻影响经济发展过程中的能源效率，最终作用于生态环境。本文在梳理数字金融对能源效率的理论机制基础上，基于2011-2018年中国30个省际面板数据，实证分析数字金融发展对能源效率的影响。研究结果表明：第一，数字金融的发展能够显著促进能源效率的提高，区域创新水平的提高是数字金融影响能源效率提升的重要传导机制；第二，进一步分析发现，数字金融、区域创新水平提升对不同分位数处的能源效率存在不同异质性影响，能源效率对邻近地区具有正向空间溢出效应，数字金融与区域创新对邻近地区能源效率的提升均具有正向空间溢出效应。基于此，一是要加强以“5G”、人工智能、大数据等新型基础设施建设，为数字金融发展提供强有力的基础设施支撑；二是要加快我国自主创新进程，以创新驱动我国能源效率的提升；三是要充分借助数字金融的发展以促进科技创新水平的提高，同时借助科技创新进一步促进数字金融发展，逐步形成二者的良性互动和协同发展。关键词：数字金融；区域创新；科技创新；能源效率；碳达峰；碳中和中图分类号：F830，F426文献标识码：A文章编号：1007-9041-2021(09)-0000-13收稿日期：2021-08-16作者简介：汪克亮，博士、教授、博士生导师，供职于中国海洋大学经济学院；赵斌，中国海洋大学经济学院博士研究生。本文受国家自然科学基金项目《绿色发展视阈下的海洋经济效率：评估体系、影响因素及驱动政策》（项目编号71973131）、国家自然科学基金项目《技术偏向视角下海洋经济绿色增长效率评估及提升路径研究》（项目编号：71973132）、国家社会科学基金重大专项项目《海洋经济高质量发展路径研究》（项目编号：19VHDC003）的资助。感谢匿名审稿人的宝贵意见。文责自负。一、引言与文献综述长期以来，我国经济增长对能源资源投入的依赖程度较高，“高投入、高能耗、高污染”的粗放型经济增长方式虽然带来了经济繁荣，但却引发了一系列能源资源短缺以及生态环境破坏等问题（许光清等，2020）。能源开发利用问题已然成为阻碍中国经济高质量发展的瓶颈，如何破解瓶颈，实现经济高质量发展是当下亟需解决的问题之一。党的十九届五中全会明确提出，加快推动绿色低碳发展，持续改善环境质量，提升生态系统质量和稳定性，全面提高资源利用效率。由此可见，提高能源资源利用效率成为中国经济在由高速增长阶段转向高质量网络首发时间：2021-11-1115:07:20网络首发地址：https://kns.cnki.net/kcms/detail/44.1479.F.20211110.0937.002.html南方金融·总541期2021PAGE609发展阶段过程中实现降能耗和绿色发展的关键路径之一（史丹和李少林，2020），这也成为学术界高度关注的热门话题。通过梳理相关能源效率的研究文献，不难发现，能源效率的提高本质上依赖于技术进步（Newell等，1999），而科技创新活动的开展离不开社会经济系统尤其是金融系统的支撑（Maskus等，2011），但金融体系普遍存在价格与配置扭曲现象，导致中小微企业融资约束问题严峻，严重抑制了企业创新活动的开展（汪伟和潘孝挺，2015），若没有持续且稳定的资金支持，创新活动就犹如“无水之源，无本之木”，能源效率的提高以及经济的高质量转型更是无从谈起。作为数字技术与金融创新相融合形成的新型金融服务方式——数字金融，得益于互联网革命对传统金融行业产生颠覆性冲击，并依托信息、大数据、云计算等数字创新技术，成为行业发展新方向（许钊等，2021）。随着环境问题的日益突出与绿色发展理念的深入人心，数字金融是否具有环境效应，能否推动中国经济绿色转型有待深入探讨。当前，关于数字金融对生态环境影响的研究较少，如梁琦等（2021）研究发现数字经济能够通过驱动产业结构升级，有效地促进经济生态化、生态经济化。许钊等（2021）认为在数字经济时代，实现碳达峰、碳中和，需要借助数字金融形成治理污染的长效机制。通过对已有文献的梳理，可以发现，相较于数字金融的经济效益而言，数字金融的环境效应尚未受到足够的重视。虽然数字金融已成为推动中国经济增长的重要引擎，但对于新时代背景下提高能源效率，改善生态环境而言，数字金融究竟是顺势而为，还是背道而驰，即数字金融对能源利用效率可能表现出怎样的影响方式和作用机制，值得进一步深入研究。基于此，本文通过探究数字金融对能源效率影响的直接与间接机制，运用不同的计量模型进行相关实证检验，并充分考虑潜在的内生性与相关稳健性问题，试图从能源效率视角评估数字金融的环境效应，丰富数字金融与经济高质量发展的相关理论研究，旨在为中国生态环境治理，助推中国经济实现绿色转型提供切实有效的实践路径。二、理论机制与研究假说全面推进生态环境改善、提高能源效率，不仅要依靠强有力的末端治理措施，还需要采用金融手段改变资源配置的激励机制。在金融资源有限的条件下，传统金融部门往往具有“后向型”偏好，即仅仅依据企业的资产、盈利能力等来选择授信客户，甚至将金融资源向一些高污染部门倾斜，导致那些具有发展潜力、处于成长期的企业遭受金融排斥。传统金融发展所面临的困境在新时代下需要创新性的金融模式加以解决，以人工智能、大数据等互联网技术为依托，传统金融与新兴技术有机融合的一种新的普惠金融模式——数字金融成为破局之法（郭峰等，2020）。数字金融作为传统金融通过科技赋能方式形成的新产物，一方面可以通过降低企业融资成本（谢绚丽等，2018），为企业提供多元融资渠道，从而改善信贷资源错配问题，缓解企业相较于传统金融的融资约束（Laeven等，2015），使得企业实现利用资金配置进行更多的研发投资，并逐步引导产业清洁转型和绿色发展的目标。另一方面，伴随着以人工智能、大数据为代表的数字技术迅速发展，中国已经逐步由“工业经济”向“数字经济”转型，数字技术的渗透通过数字产业化和产业数字化等渠道全面推动了产业结构优化升PAGE61PAGE619南方金融·总541期2021级，产业结构优化升级使得生产要素从低效率部门转移到高效率部门，生产效率得到合理配置，改变了经济对资源、能源的路径依赖程度和使用效率，提升了经济体的资源配置效率，促进了能源效率的提升（苏科和周超，2021）。能源效率持续改进的本质来源于技术进步与技术外溢（Newell等，1999），科技创新活动的开展离不开社会经济系统尤其是金融系统的支撑（Maskus等，2011），同时金融发展的技术提升效应对实现中国经济绿色低碳可持续发展具有重要意义（严成樑等，2016），金融发展通过分散风险和降低成本促进企业技术创新，使得能源生产部门提高污染排放效率缓解碳排放（Shahbaz等，2013），然而传统金融服务长期的供给不足严重制约了技术创新的展开、经济结构转型与高质量发展（唐松等，2020），因此金融服务的有效供给将直接影响到技术创新活动的开展（贾俊生等，2017）。数字金融作为金融基础设施的重要力量，在人工智能、大数据技术、互联网技术、分布式技术、区块链等支撑下，一方面能够在低成本低风险的基础上处理海量数据，数据的高效清洁、低成本、可复制以及海量获取等特点克服了传统生产要素固有缺陷，具有“高乘数”效应；另一方面数字金融具体表现为能够校正传统金融中存在的“属性错配”、“领域错配”和“阶段错配”等供给不足问题，并能够进一步克服传统金融的融资约束，直接为企业、科研机构等创新主体提供融资支持（徐章星，2021），为企业提供智能投顾、供应链金融、消费金融等更为丰富的融资渠道和方式，有效地提高金融供给服务效率，为区域创新活动提供了强有力的支撑（谢绚丽等，2018）。伴随着区域创新水平的提升，数字金融可以有效发挥科学技术进步对能源效率提升的促进作用，充分发挥创新对能源效率提升的促进作用（黄丽等，2020），为区域经济可持续发展提供内在动力（惠献波，2021）。基于以上理论机制分析，本文提出以下研究假说：假说一：数字金融发展能够提高能源效率；假说二：数字金融能够作用于区域创新水平进而提升能源效率。三、模型构建与变量选取（一）模型构建根据上文的相关理论分析，首先构建基准回归分析探究数字金融对能源效率的影响，如式（1）所示：（1）上文分析表明，数字金融可以通过影响区域创新能力进而促进能源效率的提升，本文使用中介效应方法对这一机制进行相关检验。以基准回归方程为基础，引入中介效应方程，具体形式为：（2）（3）南方金融·总541期2021PAGE629在实证回归结果中，若β、χ1均为显著正，则表明中介效应成立；若β1、χ1至少有一个不显著，则需要进一步检验中介效应的显著性。对于大对数数据而言，经常存在尖峰或肥尾、存在异方差等问题，故估计结果可能存在一定的偏误。为了弥补这种缺陷，Koenker和Bassett（1978）提出分位数回归法，具体分位数表达如模型（4）所示：（4）其中固定效应系数不随分位数变化而变化，但Index的估计系数随不同分位数条件而变化，为了同时实现模型（4）不同分位数下的参数，需要对模型（5）进行求解。（5）其中ωk为对应各分位数的权数，为调节系数，本文采用Koenker和Bassett（1978）设定的估计方法对模型（5）进行求解。若仅考虑普通面板模型容易忽视变量的空间相关性，随着地区之间经济联系的日益紧密，不同地区之间的交互效应逐渐显现，能源系统作为经济系统的一部分，忽略能源效率的空间依赖性可能造成模型估计结果存在偏误，所以选择空间计量模型可以有效的克服如上的问题。较为常用的空间计量模型主要有空间滞后模型（SAR）与空间误差模型（SEM）。其中SAR模型可以考察相邻区域因变量对本地区该变量的影响，即空间溢出效应；SEM模型主要考察邻近地区被解释变量的误差冲击项对本地区观测值的影响。此外，区域创新作为本文的中介传导机制，其本身具有技术外溢效应，即先进地区的创新知识和技术会扩散到落后地区，因此将区域创新水平同时纳入空间计量模型中，在模型（3）的基础上引入空间计量方法同时分析数字金融、区域创新水平对能源效率的影响效应。构建SAR与SEM模型如下：（6）（7）（8）其中：δ、ρ、均为变量的系数，εit、μit均是服从正态分布的误差项，W是空间权重矩阵。关于空间权重矩阵的设定，通过借鉴已有的研究，我们采用0-1地理邻接型权重矩阵作为本文基准的空间权重矩阵。（二）变量选取与描述性统计被解释变量：能源效率（EE）。能源效率通常采用能源投入量与能源服务产出量的比值进行衡量，但因为能源投入量、能源服务产出量以及具体应用领域存在较大差异，测度结果具有一定的偏差性。故借鉴王科等（2021）构建的各省际能效指数作为能源效率的衡量指标，该指数基于农业、工业、建筑、运输以及服务业五个部门，并参考国内外能源效率指数的相关文献及实际工作需求，可以为分析能源效率变动提供一定的参考。核心解释变量：数字金融（Index）。借鉴北京大学数字普惠金融研究中心编制的数字普惠金融指数作为衡量数字金融的衡量指标。PAGE63PAGE639南方金融·总541期2021中介变量：区域创新（CX）。本文基于创新产出视角使用专利申请授权数作为衡量指标，为了更好地衡量区域创新水平，本文进一步采用每万人人均专利申请授权数作为衡量指标。为缓解因遗漏变量而产生的内生性问题，在借鉴已有的研究基础上，引入如下的控制变量：第一，外商投资（FDI）。外资的涌入一方面加剧了我国的环境压力，另一方面外商企业带来的技术溢出效应可以有效提高能源效率，缓解污染。本文选取外商直接投资额作为外商投资的衡量指标，并依据当年人民币兑换美元汇率转化为人民币的计量单位。第二，产业结构（IND）。产业结构优化升级是促进能源效率提升的重要路径，通过计算产业结构调整质量作为产业结构的代理变量。第三，城市化水平（UR）。使用各省份城镇人口占各省份总人口的比重进行衡量。第四，环境规制（ER）。通过构建环境规制指数作为衡量环境规制的代理变量值。第五，政府干预（GY）。政府干预能够显著的影响市场资源配置对能源效率的作用效果，本文选择各省份政府财政支出占各省份GDP比重进行衡量。鉴于中国香港、澳门、台湾与西藏的相关数据存在缺失，本文未将其纳入样本，因此，选取2011-2018年中国30个省级面板数据作为实证研究的样本，其中数字金融相关数据来源于北京大学中国数字金融研发中心发布的数字普惠金融指数，能源效率与其他变量的原始数据来源于EPS数据库、中经网统计数据库、《中国统计年鉴》、《中国环境统计年鉴》、《中国能源统计年鉴》以及《各省份的统计年鉴》。具体的各个变量的描述性统计如表1所示。表1各变量的描述性统计变量名称变量含义均值标准差最小值最大值EE能源效率指数0.5740.1050.3230.775Index数字金融188.18684.98018.330377.730CX区域创新18.02419.8931.28898.047FDI外商投资531.246506.0960.2952257.322IND产业结构12.3594.7415.60231.742UR城市化57.11112.30134.96089.600ER环境规制0.5100.5300.0002.585GY政府干预0.2470.1030.1100.627四、实证结果分析本文在进行普通面板模型回归前，首先进行多重共线性检验，结果如表2所示，所有选择的变量方差膨胀因子远小于10，表明多重共线性可控。表2方差膨胀因子回归结果变量VIF1/VIFlnIndex1.280.78lnFDI4.820.21lnIND2.440.41lnUR3.520.28ER1.410.71GY4.560.22MeanVIF3.00南方金融·总541期2021PAGE649（一）基准回归分析Hausman检验结果表明，模型拒绝随机效应的原假设：个体效应与解释变量不相关，即固定效应模型优于随机效应模型，故最终本文选择固定效应模型进行分析。为了增加结果的稳健性，本文将混合OLS与随机效应回归结果一并罗列出，回归结果如表3的（1）-（3）列所示。由第（2）列可知，在控制其他变量不变的前提下，数字金融的回归系数显著为正，即数字金融不仅仅可以促进经济增长还可以提高能源利用效率。控制变量中，如外商投资、产业结构调整质量的提升以及地区环境治理能力的加强对能源效率均有积极的促进作用，表明随着中国进入高质量发展阶段，对外资的引入更加注重技术导向型、能源节约型。产业结构调整逐渐由过去的低效调整转型高效调整以及地区对环境治理能力明显的提高，均使得能源效率得到提升。而政府干预则阻碍了能源效率提升，表明政府过多的干预导致市场效率损失和资源配置扭曲，阻碍能源效率提高。在以上静态面板模型固定效应回归中，一方面由于个体效应与扰动项可能存在一定的相关性所引起的内生性问题；另一方面核心解释变量与被解释变量之间可能存在互为因果关系而导致的内生性问题。故本文采用两种方法缓解本文的内生性问题：一是引入因变量的滞后一期来构建动态面板数据模型，并采用两阶段系统GMM估计缓解内生性问题，回归结果如表3中第（4）列所示，通过AR（1）与AR（2）可知，随机扰动项存在一阶序列自相关，但不存在二阶序列自相关。Sargan检验结果表明，不存在工具变量的过度识别问题，表明其估计结果是有效的。综上表明选择动态面板模型中两阶段系统GMM缓解可能存在的内生性是有效的。二是引入工具变量，考虑到数字金融是以信息网络为重要载体的这一特征事实，借鉴黄群慧等（2019）的做法，通过构建互联网综合发展指数作为数字金融指数的工具变量，使用2SLS进行回归分析，回归结果如表3中第（5）列所示，Kleibergen-PaaprkLM统计值拒绝了工具变量识别不足的原假设，Cragg-DonaldWaldF和Kleibergen-PaaprkWaldF统计值均大于Stock-Yogo弱工具变量10%显著性水平下的临界值，表明所选取的工具变量不是弱工具变量，该工具变量的选择合理有效。为进一步加强实证结果的稳健性，本文采用替换核心解释变量进行，选取数字金融的一个衡量指标即覆盖广度（IGD）作为代理变量。为了保持与数字金融指标的一致性，对覆盖广度也进行对数化处理，再衡量其对能源效率的影响回归结果，回归结果如表3中第（6）列所示，核心解释变量除了回归系数值有所变化外，其显著性及正负号没有发生任何变化，混合OLS回归、RE回归、内生性回归以及稳健性回归结果均表明，实证回归的结果是可靠的，具有较好的稳健性。表3基准回归、内生性与稳健性检验回归结果变量被解释变量：lnEE（1）（2）（3）（4）（5）（6）OLSFERESYS-GMMIV稳健性检验L.lnEE0.801（0.045）lnIndex/lnIGD0.058（0.015）0.028（0.009）0.033（0.008）0.036（0.006）0.151（0.026）0.019（0.007）PAGE65PAGE659南方金融·总541期2021lnFDI0.033（0.011）0.026（0.008）0.025（0.007）-0.006（0.006）0.023（0.013）0.027（0.008）lnIND-0.056（0.039）0.195（0.031）0.182（0.029）0.039（0.029）-0.076（0.042）0.207（0.030）lnUR0.129（0.081）-0.005（0.104）-0.045（0.089）-0.224（0.093）0.021（0.084）0.008（0.109）ER-0.108（0.020）-0.026（0.019）-0.038（0.018）0.013（0.017）-0.122（0.024）-0.025（0.019）GY-0.755（0.184）-0.980（0.168）-0.939（0.144）-0.952（0.118）-1.008（0.294）-0.899（0.162）Constant-0.593（0.192）-1.087（0.144）-1.097（0.133）-0.242（0.103）-0.951（0.204）-1.082（0.147）R-squared0.5110.5400.5370.4300.534Hausman检验（p值）0.0210.075AR（1）0.001AR（2）0.297Sargan（p值）0.323Kleibergen-PaaprkLM统计值45.294Cragg-DonaldWaldF统计值97.577Kleibergen-PaaprkWaldF统计值73.018Observations240240240210240240注：括号内数值表示标准误，“”、“”与“”分别表示在10%、5%与1%的显著性水平下显著。下同。（二）中介效应回归分析理论机制表明，数字金融可以通过影响区域创新能力进而促进能源效率的提升，基于此，本文使用中介效应方法对这一机制进行相关检验，回归结果如表4中第（1）与第（2）列所示，变量数字金融的估计系数均为正且通过显著性检验，表明中介效应成立。即在其他变量不变的前提下，数字金融的蓬勃发展对提高区域创新能力具有明显的促进作用；考虑数字金融与区域创新水平时，数字金融发展与区域创新水平的提升对能源效率均起到明显的促进作用。这表明数字金融能够克服传统金融的融资约束，直接为企业、科研机构等创新主体提供融资支持，为企业提供智能投顾、供应链金融、消费金融等更为丰富的融资渠道和方式，有效地提高金融供给服务效率，为区域创新活动提供了强有力的支撑，区域创新能力的提高可以有效的推动节能减排技术与绿色技术的相关研发，使得能源效率得到进一步提升。为了进一步佐证中介回归结果的稳健性，在借鉴已有研究的基础上，引入衡量区域创新能力的其他衡量指标，即创新人员流动（CXRY）作为衡量一个地区的创新能力的指标，通常而言，一个地区创新能力越强对人才的吸引力也就越大，引入引力模型对我国创新人员在区际间流动数量进行度量。回归结果如表4中第（3）与第（4）列所示，通过回归结果可知，系数的显著性和正负号并没有发生变化，即将原有的区域创新能力这一中介变量替换为创新人员流动后，中介效应依旧成立。南方金融·总541期2021PAGE669表4中介传导机制与稳健性回归结果变量被解释变量：CX被解释变量:lnEE被解释变量:CXRY被解释变量：lnEE（1）（2）（3）（4）lnIndex1.962（1.022）0.025（0.009）0.058（0.016）0.025（0.009）CX0.002（0.001）CXRY0.065（0.039）控制变量YESYESYESYESConstant-159.013（16.162）-0.823（0.172）2.731（0.258）-1.264（0.178）R-squared0.6110.5560.7160.546Observations240240240240五、进一步分析（一）面板分位数回归分析对于面板分位数回归，采用0.10、0.25、0.50、0.75与0.90五个分位点进行回归分析，分别探究数字金融、区域创新水平对不同分位数情况下能源效率的影响，回归结果如表5所示。可以看到，数字金融的估计系数均为正数，除了在0.10分位数上没有通过显著性检验，其他且均通过了显著性检验。这意味着中国数字金融发展不仅仅是助推中国经济增长的重要动力，同时也是提高能源效率不可忽略的因素之一，大力支持与发展数字金融有助于实现中国经济绿色转型。此外，在不同分位数上的区域创新水平的回归系数均为正，且均通过了显著性检验，但对不同分位点的能源效率的影响效果看，呈现边际递减的规律。最后，为了佐证回归结果的稳健性，通过替换被解释变量的方法进行相关回归分析，具体为借鉴Tone（2002）研究方法计算各省份的能源效率（SBMEE），其提出包含非期望产出的超效率SBM模型，可以同时从投入与产出视角进行测算，选取的投入指标是各省份的劳动力、资本与能源消耗，采用各省份实际GDP来表示期望产出；选用工业二氧化硫排放量、工业废水排放量以及工业烟粉尘排放量作为非期望产出。回归结果如表5所示，在控制其他变量的前提下，数字金融发展、区域创新发展对各地区的能源效率的促进作用依旧显著表5分位数及相关稳健性回归结果变量被解释变量：lnEEq10q25q50q75q90lnIndex0.031（0.032）0.056（0.018）0.058（0.016）0.062（0.023）0.059（0.015）CX0.005（0.001）0.005（0.001）0.005（0.001）0.004（0.001）0.003（0.001）控制变量YESYESYESYESYESConstant-1.086（0.460）-0.632（0.250）-0.240（0.262）-0.382（0.294）-0.586（0.124）PAGE67PAGE679南方金融·总541期2021Observations240240240240240变量被解释变量：lnSBMEEq10q25q50q75q90lnIndex0.118（0.040）0.112（0.036）0.078（0.030）0.049（0.027）0.041（0.036）CX0.007（0.002）0.004（0.002）0.005（0.002）0.007（0.002）0.008（0.003）控制变量YESYESYESYESYESConstant-1.431（0.336）-0.868（0.318）-0.436（0.370）-0.576（0.537）-0.466（0.649）Observations240240240240240（二）空间溢出效应分析在进行空间计量模型回归分析前，首先需要对本文的核心解释变量与被解释变量进行空间相关性检验，已有研究通常采用Moran'sI指数检验区域间的空间相关性，本文基于这一思路对所涉及的变量进行空间相关性探究，使用Moran'sI指数法计算了在各地区邻接矩阵下各个年度的空间效应，回归结果如表6所示。从表6可知，在2011-2018年中国各地区能源效率与数字金融发展并非处于完全的随机状态，而是呈现出显著的正向空间自相关性，初步表明各地区能源效率会受到邻近地区示范效应的影响，也为后文进一步进行相关空间计量检验提供依据。表6Moran'sI指数回归结果年份EEIndexMoran'sZ值P值Moran'sZ值P值20110.3202.8420.0040.4734.1300.00020120.3703.2430.0010.4654.1110.00020130.3963.4650.0010.4393.9260.00020140.4243.6930.0000.4293.8430.00020150.4513.9260.0000.3993.5960.00020160.4644.0370.0000.4193.7730.00020170.5124.3980.0000.4844.3200.00020180.5534.7080.0000.5384.7270.000关于空间计量结果回归分析，首先采用0-1邻接矩阵的方法分别对SAR模型与SEM模型进行回归，同时为了保持结果的稳健性，分别使用经济地理矩阵与经济矩阵替换0-1邻接矩阵后，再分别对SAR模型与SEM模型进行回归分析。回归结果如表7所示，首先，在不同的权重矩阵下，无论是SAR模型还是SEM模型，体现空间自相关关系的空间自回归系数和空间相关系数至少有一个通过了显著性检验，表明各省份及其邻近省份之间的能源效率具有正向空间关联性，若邻近地区省份通过技术进步、产业结构调整等途径提高能源效率时，往往可以通过空间溢出效应和邻里模仿行为，对本地区能源效率提升产生正向拉动作用。其次，对于其他各个变量，在不同权重矩阵下的SAR模型还是SEM模型，其回归系数符号均保持一致，也佐证了其他变量回归结果的稳健性。如伴随着数字金融的快速发展、区域创新水平的提升、引进外资规模的扩张、产业结构调整效率的提高以及地区环境治理水平的提升均可以发挥技术创新对本地区的作用又可以发挥技术创新的外溢效应，从而提高能源效率。但我南方金融·总541期2021PAGE689们依旧不能忽视政府过度干预出现的一刀切以及邻为壑等行为，这些行为会导致资源配置效率低下，阻碍能源效率提升。最后关于回归结果的内生性问题，采用动态空间面板GMM进行回归分析，与静态空间计量回归相比，动态空间面板模型不仅可以有效处理被解释变量时间滞后项与空间滞后项以外的其它解释变量导致的内生性问题，还可以降低空间自回归系数的有偏性，具体回归结果如表7所示，通过AR（2）、AR（2）以及Sargan对应的P值可知，动态空间面板GMM可以在一定程度上缓解静态空间计量模型可能存在的内生性问题。表7空间计量与相关稳健性回归结果变量被解释变量：lnEE0-1矩阵经济地理矩阵经济矩阵动态空间面板GMM估计SARSEMSARSEMSARSEMSARL.lnEE0.682（0.064）lnIndex0.022（0.008）0.030（0.009）0.026（0.009）0.026（0.010）0.027（0.009）0.024（0.010）0.030（0.007）CX0.001（0.001）0.002（0.001）0.002（0.001）0.002（0.001）0.002（0.001）0.001（0.001）0.001（0.000）lnFDI0.018（0.007）0.021（0.007）0.022（0.007）0.024（0.007）0.022（0.007）0.024（0.007）0.004（0.006）lnIND0.105（0.033）0.125（0.034）0.128（0.033）0.140（0.034）0.131（0.034）0.140（0.034）0.066（0.012）lnUR-0.036（0.085）-0.014（0.090）-0.016（0.089）-0.026（0.096）-0.009（0.089）-0.026（0.096）-0.214（0.043）ER-0.041（0.018）-0.046（0.018）-0.044（0.018）-0.044（0.018）-0.045（0.018）-0.044（0.018）-0.042（0.009）GY-0.924（0.148）-1.066（0.149）-1.061（0.148）-1.045（0.149）-1.067（0.148）-1.045（0.149）-0.671（0.088）Constant-0.693（0.151）-0.897（0.146）-0.856（0.156）-0.939（0.148）-0.868（0.159）-0.939（0.148）-0.429（0.092）0.259（0.077）0.078（0.098）0.053（0.102）0.011（0.012）0.051（0.110）0.212（0.106）0.212（0.106）AR（1）0.001AR（2）0.187Sargan（p值）0.302R-squared0.5170.4650.4590.4540.4590.454Observations240240240240240240240此外，相邻地区之间存在着大量交互信息，仅采用回归系数解释空间回归结果可能存在一定的偏差，造成回归结果的偏误。鉴于此，本文将数字金融对能源效率的影响效应进行分解，分为直接效应、间接效应与总效应。同时，将区域创新作为中介传导机制，并将区域创新水平进行空间效应分解。为了增加结果的稳健性，使用经济地理矩阵替换0-1邻接矩阵，具体回归结果如表8所示。实证结果表明，数字金融发展与创新水平的提升不仅仅可以促进本地能源效率的提升，而且还可以促进邻近地区能源效率的提升。一方面数字金融具有高效的信息传递压缩时空距离的特征，增强区域间经济活动关联的广度与深度，显著降低了地理PAGE69PAGE699南方金融·总541期2021位置的重要性，使得地区之间、金融机构之间的边界逐渐淡化，加速了金融要素的流动，提高了金融配置效率，使得“金融—科技—网络”所产生的集聚效应、扩散效应、关联效应以及放大效应更为显著；另一方面，创新水平的提升可以使得不同知识的人集聚在一起相互学习，优势互补，资源共享，分享经验，产生新知识，有利于知识的“溢出效应”，同时其本身也具有技术外溢效应，促进生产要素效率的提升，从而对能源效率的影响产生正向空间溢出效应。表8空间效应分解与相关稳健性回归结果变量被解释变量：lnEE0-1矩阵经济地理矩阵LR_DirectLR_IndirectLR_TotalLR_DirectLR_IndirectLR_TotallnIndex0.023（0.009）0.007（0.004）0.030（0.011）0.027（0.009）0.002（0.003）0.029（0.009）CX0.001（0.001）0.000（0.000）0.002（0.001）0.002（0.001）0.000（0.000）0.002（0.001）控制变量YESYESYESYESYESYESObservations240240240240240240R-squared0.5170.5170.5170.4590.4590.459六、结论与建议能源效率的提升是实现节能减排与中国经济绿色转型发展的关键所在，同时数字金融的快速发展已经渗透到经济领域的各个环节。本文从理论上进一步阐述数字金融对能源效率的直接影响与作用机制，并在此基础上基于2011-2018年中国30个省级面板数据进行相关实证分析，实证结果表明：第一，数字金融能够显著地促进能源效率的提升，在考虑潜在的内生性问题后该结论依旧成立。第二，数字金融对能源效率的提升作用机制更多的体现在缓解创新主体的融资约束，促进创新水平的提升进而推动能源效率的提升。第三，数字金融、区域创新水平的提升对不同分位数上的能源效率存在着不同的异质性影响。空间效应表明，能源效率对于邻近地区省份而言，具有正向空间溢出效应，在考虑内生性的基础上，通过动态空间面板GMM进行处理内生性问题。第四，将空间计量效应分解后，数字金融与创新水平的提升对邻近地区具有正向空间溢出效应。以上结果，通过不同的方法进行相关稳健性检验，均证实了结果的稳健可靠。综合以上的研究结论，本文得出如下的政策启示。第一，加强以“5G”、人工智能、大数据等新型基础设施建设，完善和延伸新型基础设施产业链，消除数字鸿沟，为数字金融发展提供强有力的基础设施支撑。同时优化数字金融的结构效应，推动数字产业化与产业数字化发展，推动产业的转型与结构调整，促进要素资源高效利用，降低能源消耗和环境污染，提高能源效率，推动中国经济绿色转型。第二，加快我国自主创新进程，提高区域自主创新能力，以创新驱动我国能源效率的提升。地方政府应加强对创新的支持力度，鼓励企业研发、引进并应用高效的技术实现能源效率的提升，并逐渐推动创新要素与环境领域融合的深度与广度，依托技术创新，逐步形成具有区域特色的产业发展新模式、新结构、新业态。第三，地方政府与企业应充分借助数字金融的发展以促进科技创新水平的提高，同时借南方金融·总541期2021PAGE709助科技创新进一步促进数字金融发展，逐步形成二者的良性互动，推动二者的协调健康发展。此外，各地区之间应加强环境保护合作，加强信息交流与技术合作，着力打破数字壁垒和信息“孤岛”，促进区域创新主体的地区交流，逐步建立科研创新合作机制，发挥数字金融与科技创新的绿色经济效应的空间辐射作用。参考文献[1]KapoorA.FinancialinclusionandthefutureoftheIndianeconomy[J].Futures,2014,56(2).[2]KoenkerR.,BassettG..RegressionQuantiles[J].Econometrica,1978,46(1).[3]Luc,Laeven,Ross,etal.Financialinnovationandendogenousgrowth[J].JournalofFinancialIntermediation,2015,24(1).[4]MaskusKE,NeumannR,SeidelT.HowNationalandInternationalFinancialDevelopmentAffectIndustrialR&D[J].CESifoWorkingPaperSeries,2011,56(1).[5]NewellRG,JaffeABandStavinsRN.TheInducedInnovationHypothesisandEnergy-SavingTechnologicalChange[J].TheQuarterlyJournalofEconomics,1999,114(3).[6]ShahbazM,TiwariAK,NasirM.Theeffectsoffinancialdevelopment,economicgrowth,coalconsumptionandtradeopennessonCO2emissionsinSouthAfrica[J].EnergyPolicy,2013,61(10).[7]ToneK.Aslacks-basedmeasureofsuper-efficiencyindataenvelopmentanalysis[J].EuropeanJournalofOperationalResearch,2002,143(1).[8]郭峰,王靖一,王芳,孔涛,张勋,程志云.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).[9]黄丽,林诗琦,陈静.中国区域创新能力与能源利用效率的时空耦合协调分析[J].世界地理研究,2020,29(6).[10]黄群慧,余泳泽,张松林.互联网发展与制造业生产率提升：内在机制与中国经验[J].中国工业经济,2019(8).[11]惠献波.数字普惠金融与城市绿色全要素生产率：内在机制与经验证据[J].南方金融,2021(5).[12]贾俊生,伦晓波,林树.金融发展、微观企业创新产出与经济增长——基于上市公司专利视角的实证分析[J].金融研究,2017(1).[13]梁琦,肖素萍,李梦欣.数字经济发展提升了城市生态效率吗?——基于产业结构升级视角[J].经济问题探索,2021(6).[14]史丹,李少林.排污权交易制度与能源利用效率——对地级及以上城市的测度与实证[J].中国工业经济,2020(9).[15]苏科,周超.人力资本、科技创新与绿色全要素生产率——基于长江经济带城市数据分析[J].经济问题,2021(5).[16]滕磊,马德功.数字金融能够促进高质量发展吗?[J].统计研究,2020,37(11).[17]王科,李晨馨,王家钰,陈鸣.中国省际能源效率指数(2010—2018)[J].北京理工大学学报(社会科学版),2021,23(3).[18]汪伟,潘孝挺.金融要素扭曲与企业创新活动[J].统计研究,2015,32(5).[19]谢绚丽,沈艳,张皓星,郭峰.数字金融能促进创业吗?——来自中国的证据[J].经济学(季刊),2018,17(4).[20]许光清,邓旭,陈晓玉.制造业转型升级与经济高质量发展——基于全要素能源效率的研究[J].经济理论与经济管理,2020(12).[21]许钊,高煜,霍治方.数字金融的污染减排效应[J].财经科学,2021(4).[22]徐章星.数字普惠金融发展促进了城市创新吗?——基于空间溢出和门槛特征的实证分析[J].南方金融,2021(2).PAGE71PAGE719南方金融·总541期2021[23]严成樑,李涛,兰伟.金融发展、创新与二氧化碳排放[J].金融研究,2016(1).[24]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).（编辑：黄亚捷）