人工智能对区域绿色金融发展水平影响效应研究

李宇航 高微

摘   要：随着大数据和人工智能的快速发展，人工智能技术已成为推动区域绿色金融发展的重要助力。根据2008—2019年30个省级面板数据，释析人工智能对区域绿色金融水平的影响效应，结果表明，人工智能可提升区域绿色金融发展水平并体现出区域差异性，即对东部区域绿色金融的促进效应明显高于中西部地区。为此，提出实施区域差异政策、培养专业技术人才和强化金融市场监管等建议。

关键词：人工智能；绿色金融；技术市场；高质量发展

中图分类号：F224       文献标志码：A      文章编号：1673-291X（2023）16-0105-05

一、文献综述

近年来，随着全球气候变化和可持续发展目标的要求，绿色金融受到世界各国政府、金融机构和企业的广泛关注[1]。发展绿色金融是实现经济高质量发展和环境保护双赢的关键路径。2020年6月，中国证监会发布《关于加强投资者教育和绿色金融工作的通知》，提出了加强投资者教育、绿色金融机制建设、行业标准和绿色金融信息披露等要求；同年9月，中国银保监会发布《关于进一步推动绿色信贷业务有序发展的指导意见》，明确了绿色信贷相关业务的业务范围、绿色标准的确定和风险管理等内容；同年12月，欧洲委员会推出“欧洲绿色协议”，旨在加强欧洲的绿色金融基础设施和绿色投资工具的研发，以支持欧洲在2030年前实现减排目标。可见，各国政府对绿色金融高度重视和支持，为企业和金融行业提供明确的指导和规范，为经济向更加环保、可持续的方向转型提供积极的推动力。在此背景下，人工智能作为一项颠覆性的技术创新，具有强大的数据分析和智能决策能力，可以有效提供更精确和高效的分析结果和决策支持[2]，从而实现绿色金融市场的规范化和可持续发展[3]。目前虽然学界对绿色金融的概念界定、影响因素和市场发展等方面进行了一定的研究，但是关注人工智能技术对绿色金融发展水平影响的研究较少。因此，本文基于创新扩散理论，对人工智能驱动下的中国绿色金融发展进行分析，旨在为绿色金融市场高质量发展提供有益的参考建议。

学界对绿色金融的研究主要包括以下方面。一是绿色金融的概念界定及基础理论。Lindenberg（2014）认为，绿色金融是对公共和私人的绿色投资进行融资，包括环境产品和服务、环境和气候损害的预防、减少和补偿、鼓励环境保护政策的实施，以及与绿色投资相关的金融体系和工具，如绿色气候基金、绿色债券和结构化绿色基金等[4]。李晓西等人（2017）认为，绿色金融是以促进经济、资源、环境协调发展为目的而进行的信贷、保险、证券、产业基金等金融活动[5]。Hemanand et al（2022）认为，绿色金融是专注于可持续经济的可持续项目和政策的金融投资[6]。二是绿色金融发展现状及测评。黄孝武等人（2022）基于绿色信贷、绿色证券等5个维度构建指标体系测算绿色金融发展指数，分析其区域差异与动态演进趋势，得出中国绿色金融发展水平较低且呈现下降趋势，但绿色金融发展相对差异的变化较为稳定等结论[7]。王君萍等人（2022）基于省级数据，运用熵权法及灰色关联模型对中国区域绿色金融发展水平进行测度，发现其存在显著的空间相关性，得出各省份的绿色金融发展整体水平较低的结论[8]。邢宇等人（2023）采用绿色投入、绿色产出维度的评价指标体系，利用DEA-Malmquist指数分析法测度2013—2020年中国绿色金融发展效率，探寻其区域差异及演化趋势，得出绿色金融发展效率整體呈上升趋势但存在显著区域异质性的结论[9]。三是现有实证研究大多将绿色金融作为自变量或中介变量，深入探索其社会、经济、环境效益，如绿色金融对经济发展、产业转型升级、碳排放等因素的影响[10-14]，但聚焦于绿色金融发展本身及其影响因素的研究仍存在一定的不足和局限。目前，虽然关注了绿色金融市场，但实现其可持续发展和稳定增长仍然需要深入研究和探索。

二、研究假说与设计

（一）研究假说

当前，中国人工智能技术被广泛应用于各个领域，并成为促进金融产品创新、推动绿色金融发展的重要助力，对提高企业主营业务利润、降低企业经营风险和促进金融业数字化进程等方面具有积极的作用[15]。人工智能技术对绿色金融的积极影响效应主要体现在以下方面。

第一，人工智能技术能缓解信息不对称的问题，从而能有效识别和降低金融风险。人工智能技术能解决“数据孤岛”问题，如通过对环境数据、企业数据和市场数据的深入挖掘，帮助金融机构更准确评估绿色金融项目的潜力和风险，从而提高其决策的科学性和有效性。

第二，人工智能技术能增加绿色金融产品供给，以满足多层次的融资需求。人工智能技术可将海量的信息进行收集和整理，发现不同企业和客户在不同场景、不同阶段下的融资需求，增加绿色融资产品供给，实现供给端和消费端的精准匹配。

第三，人工智能技术能提升绿色金融服务水平，促进绿色金融高质量发展。人工智能技术可简化金融机构自动化和数字化流程，减少材料消耗和人为错误，提高工作效率和消费者满意度。同时，金融机构可通过人工智能技术应用提升绿色金融服务效率。

此外，人工智能技术与技术市场具有相互影响、相互促进的效应。人工智能技术的成熟和发展能促进技术市场发展并形成规模效应，从而推动人工智能产业和产业智能化发展。而技术市场化水平的提高能促进数据资源和人工智能产业的集聚，从而为人工智能发展提供必要的资金、技术和人才，持续促进人工智能技术的迭代升级和技术进步。人工智能技术可通过技术市场为金融机构和企业提供技术服务和技术支持，从而进一步影响区域绿色金融发展水平。比如，周杰琦等人（2023）认为，人工智能会提升区域绿色发展效率，且人工智能的产业结构优化效应在市场化水平上越高、人力资本积累越深厚的区域表现越为显著[16]。综合以上分析，本文提出以下假设：

假设1：人工智能技术有助于促进区域绿色金融发展水平。

假设2：人工智能技术可通过技术市场发展水平影响区域绿色金融发展水平。

（二）研究设计

1.模型构建。构建基准回归模型分析农地流转对农业碳生产率的影响，其模型为：

GFit=η0+η1AIit+η2ΣXit+γi+μt+εit（1）

其中，GFit表示被变量绿色金融发展水平，AIit表示核心解释变量人工智能；i代表省份，t代表时间；Xit为一系列控制变量的集合，包括产业结构、工业化水平、人力资本水平和对外开放程度；γi代表区域固定效应，μt为年份固定效应，εit为随机误差项；η0、η1和η2为待估参数，其中η1是本文关注的核心参数。

为进一步分析人工智能提升区域绿色金融发展水平，根据前文研究假设，进一步检验人工智能通过影响技术市场发展水平对区域绿色金融发展水平的传导机制，本文借鉴以往研究方法，使用逐步回归发构建中介模型。其模型为：

Mit=θ0+θ1AIit+θ2ΣXit+γi+μt+εit（2）

GFit=ψ0+ψ1AIit+ψ2Mit+ψ3ΣXit+γi+μt+εit（3）

其中，Mit为中介变量，由技术市场发展水平表示。如果方程中的η1、θ1、ψ1系数均显著，则存在中介效应。

2.变量定义。变量主要包括被解释变量和核心解释变量：

（1）被解释变量。本文采用工业机器人安装密度作为各省人工智能状况的代理变量（AI）。工业机器人数据来自于国际机器人联盟（IFR），本文参考Bartik（1991）和康茜（2021）的做法，将各行业层面的机器人数据转化为省级数据。其测算方法为：

Bit=■（Fit×Ritj）

其中，Bit表示i省t年的工业机器人安装密度，Fit表示j行业年的各行业机器人数量，Ritj表示i省t年j行业就业人数与全国总就业人数的比重。

（2）核心解释变量，即绿色金融发展水平（GF）。参考方建国（2019）的做法，从绿色信贷、绿色投资、绿色保险和政府支持四个层面出发，构建区域绿色金融发展水平指标体系。本文采用熵值法对各项指标权重进行测度，最终得到各省域绿色金融发展水平指数。为消除各指标在量纲、数量级及方向上的差异，本文对各指标进行标准化处理，其公式为：

正向指标：

Xij=■（4）

负向指标：

Xij=■（5）

计算熵值的权重和得分：

第一，先构建原始指标数据矩阵，设有m个城市，有n项评价指标，矩阵公式为：

X={Xij}m×n（0·i·m，0·j·n）（6）

第二，第j项指标的熵值为：

ej=-k■PijlnPij，j=1，2，...，n（7）

其中，Pij ij/■Xij，=1/ln n，且ej≥0。

第三，计算信息熵的冗余度：

dj=1-ej（8）

第四，计算各指标的权重为：

wj=■0·wj·1，■wj=1（9）

第五，计算各指标的综合得分：

wj=■wj·X■（10）

基于以上步骤，使用熵值法计算绿色债券、绿色投资、绿色保险和政府支持的权重系数，见表1。将各项指标的权重系数乘以标准化后的指标数据，可计算出各省域绿色金融发展水平。

中介變量：本文以技术市场发展水平作为中介变量，以各省技术市场成交额占GDP的比重表示。

控制变量：为更加全面地分析人工智能对区域绿色金融发展水平的影响效应，还需要研究可能影响绿色金融的其他因素。通过对以往研究，本文选取以下控制变量。一是产业结构（IS）：以第三产业产值与第二产业产值的比值表示，反映不同区域产业结构情况；二是工业化水平（II）：以工业增加值与地区生产总数的比值表示，反映不同区域工业化水平；三是对外开放程度（FO）：以货物进出口总额与GDP的比值表示，反映不同区域对外开放程度；四是人力资本水平（HC）：以高等学校在校生人数与总人口数的比值表示，反映不同区域人力资源水平。

3.数据来源与样本选择。根据数据的可得性和完整性，本文选取2008—2019年中国30个省份相关数据开展研究。其中指标初始数据来源于《中国统计年鉴》《中国工业统计年鉴》《中国保险年鉴》《中国科技统计年鉴》，部分缺失指标采用线性插值法进行补齐。各指标的描述性统计见表2。

三、实证结果分析

（一）基准回归

根据公式进行基础回归，初步得出人工智能与区域绿色金融发展水平间的关系，其结果如表3所示。

表3列（1）中人工智能系数为0.030 7，且在5%的水平上显著。随着控制变量逐步增加，列（2）至列（5）中人工智能的系数均为正，且均在10%以及5%的水平上显著。以上结果表明，人工智能可提升区域绿色金融发展水平，即人工智能每提高1%，区域绿色金融发展水平将提高0.0285%，假设1得到了验证。

（二）内生性检验

为进一步消除内生性问题，本文选择人工智能的滞后一期作为工具变量，采用二阶段最小二乘法进行回归。其结果见表4。

表4第（1）列中，一阶段显示IV系数估计值在1%的水平上显著为正，验证了相关性假定。F统计量检验值大于10，消除了弱工具变量的问题。此外，第（2）列中Kleibergen-Paap rk LM统计量p值全部小于0.1，拒绝了识别不足的原假设；Kleibergen-Paap-rk-Wald F统计量大于10，也表明并不存在弱工具变量的问题。第二阶段回归结果显示，人工智能系数在10%的水平上显著为正，说明在缓解内生性问题后，本文的结论依然成立，即人工智能能够显著提升区域绿色金融发展水平。

（三）稳健性检验

为避免数据中存在异常值对回归结果造成影响，对样本进行1%双侧缩尾处理。本文上述分别对所有变量小于第1个百分位数的值替换为第1个百分位数，对所有变量大于第99个百分位数的值替换为第99个百分位数，见表5。

根据表5中的回归结果可发现，人工智能的系数方向和显著性水平并没有发生变化，所以上文回归结果是稳健的。

四、机制与异质性分析

（一）机制分析

本文根据公式（2）和（3）验证了技术市场发展水平（TD）的中介作用，见表6。

根据表6所示，人工智能系数在10%的水平上显著为正，表明人工智能对区域绿色金融产生了积极影响，这与前文的研究结论一致。将人工智能与技术市场水平同时纳入回归模型中，人工智能和技术市场发展水平显著为正。结合列（1）和（2）结果，表明人工智能通过提升技术市场发展水平能积极促进区域绿色金融发展，假设2得到验证。

（二）异质性分析

中国各区域的经济发展水平、营商环境、资源禀赋等具有较大的差异，且区域绿色金融发展水平不均衡，那么，其人工智能对不同区域绿色金融发展水平的促进作用是否也有差异。为此本文将30个省份划分为东部、中部和西部，进一步分析不同区域下人工智能对区域绿色金融发展水平影响效应的差异，见表7。

从表7第（1）至第（3）列中看，东部地区人工智能系数显著高于中部和西部地区，表明人工智能对东部地区绿色金融发展水平的提升效应明显高于中部和西部地区。

五、结论与对策

本文基于2008—2019年中国省级面板数据，开展人工智能对区域绿色金融发展水平的影响效应研究。结果表明，人工智能技术的引入能够提升区域绿色金融发展水平，人工智能可通过技术市场发展水平促进区域绿色金融水平的提升。人工智能对不同区域绿色金融发展水平存在差异性影响，即人工智能技术对东部区域绿色金融的促进效应高于中西部地区。基于以上结论，本文提出以下建议。

第一，实施区域差异政策。针对区域绿色金融发展的差异性，以及人工智能技术在不同地区对绿色金融发展影响的异质性，政府应实施区域差异化政策。比如，对技术创新能力较弱的地区加大人工智能技术的培训和支持力度，对技术先进的地区通过激励政策和引导基金等方式推动开展更多的创新项目，以促进人工智能技术与绿色金融的深度融合。

第二，培养专业技术人才。人工智能技术在绿色金融领域的应用需要具备相关知识和技能的专业人才，因此，政府和高校等科研机构应加大对人工智能和绿色金融交叉领域人才的培养力度，培养能深入理解绿色金融和人工智能技术的高素质从业人员，有效促进人才的区域流动；鼓励学界、金融机构和企业间的交流合作，促进人工智能技术的推广和应用。

第三，强化金融市场监管。为确保人工智能技术在绿色金融应用的安全可靠，政府有关部门应制定相关政策和法规，明确人工智能在绿色金融中的应用范围、准入条件和监管要求；建立绿色金融和人工智能技术的评估体系，对相关产品和服务进行评估和监测；加强对数据隐私和信息安全的保护，提高公众对人工智能技术在绿色金融中的信任度。

参考文献：

[1]   Sachs J D， Woo W T， Yoshino N. Why Is Green Finance Important？[M].Rochester，NY：2019.

[2]   徐国庆，蔡金芳，姜蓓佳. ChatGPT/生成式人工智能与未来职业教育[J].华东师范大学学报（教育科学版），2023（7）：64-77.

[3]   廖高可，李庭辉. 人工智能在金融领域的应用研究进展[J].经济学动态，2023（3）：141-158.

[4]   Lindenberg D N.Definition of Green Finance[J].Economic Review，2014（6）.

[5]   李晓西. 绿色金融盈利性与公益性关系分析[J].金融论坛，2017（5）：3-11.

[6]   Hemanand D，Mishra N，Premalatha G.Applications of Intelligent Model to Analyze the Green Finance for Environmental Development in the Context of Artificial Intelligence[J].Computational Intelligence and Neuroscience，Hindawi，2022（24）.

[7]   黄孝武，宗树旺，林永康.绿色金融发展的区域差异及创新效应[J].统计与决策，2022（24）：139-142.

[8]   王君萍，刘亚倩，李善燊.“双碳”目标下区域绿色金融发展时空特征及障碍因子诊断[J].生态经济，2022（10）：53-61，87.

[9]   邢宇，边卫军.中国绿色金融发展效率的区域差异与动态演变趋势[J].新疆社会科学，2023（2）：62-72.

[10]   肖仁桥，肖阳，钱丽.绿色金融、绿色技术创新与经济高质量发展[J].技术经济，2023（3）：1-13.

[11]   史代敏，施晓燕.绿色金融与经济高质量发展：机理、特征与实证研究[J].统计研究，2022（1）：31-48.

[12]   谢东江，胡士华.绿色金融、产业结构与城市工业绿色全要素生产率[J].国际金融研究，2023（5）：46-56.

[13]   谢东江，胡士华，包芸夕.绿色金融能否提高中国城市绿色全要素生产率：基于中国285个城市的证据[J].中国地质大学学报（社会科学版），2023（6）：1-16.

[14]   杜明军.绿色金融对环境治理的政策效应及异质性识别[J].统计理论与实践，2023（4）：10-20.

[15]   刘晓雁，陈柯宇，陈柯宇.人工智能加速金融业数字化进程[J].时代金融，2023（5）：4-6.

[16]   周杰琦，陳达，夏南新.人工智能、产业结构优化与绿色发展效率：理论分析和经验证据[J].现代财经（天津财经大学学报），2023（4）：96-113.

[责任编辑   兴   华]