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*

惠献波

（河南财政金融学院，河南 郑州 451464）

一、引言

1978-2018年间，我国工业化和城市化进程快速推进，经济持续快速增长，创造了举世瞩目的“中国奇迹”。然而，资源短缺、环境污染和生态破坏等一系列问题日益加剧，如何引导各类生产要素向绿色行业集聚，实现经济增长方式由粗放型向集约型转变，全面提升城市绿色全要素生产率，已成为新常态下中国经济急需解决的重大问题。

金融体系是一个国家或地区经济体系的内核与基石，如何构建具有高度适应性、强大竞争力的普惠性现代金融体系，是推动中国经济高质量发展中不可替代的关键环节。然而，由于特殊历史性原因与制度背景，我国金融产品价格扭曲、要素配置结构失衡现象普遍存在，中小微企业融资难融资贵问题突出，抑制了企业技术创新活动的开展。因此，如何扭转资源配置偏差，引导更多资源向绿色发展行业聚集，是金融业回归本源、服务实体经济的客观要求，更是金融业的职责所在。

随着人工智能、移动通信和区块链等技术不断发展，数字普惠金融悄然兴起，表现出诸多显著优势。一方面，数字普惠金融利用智能终端与云计算等现代化数字技术，向公众提供金融产品与服务，突破了时间限制、空间限制，促进了信息、资源共享与互通，契合了经济高质量发展对金融产品与服务创新的需求。另一方面，数字普惠金融低成本（费用）、高效率、广覆盖等优势，跨越了企业资金约束门槛，激发了微观主体创新活力，为助推经济增长方式转型、提升区域绿色全要素生产率带来了新机遇。

当前金融供给侧结构性改革和经济高质量发展背景下，数字普惠金融发展能否显著驱动中国城市绿色全要素生产率增长？如果答案是肯定的，那么，数字普惠金融这一政策冲击对中国城市绿色全要素生产率增长的影响是否具有显著异质性？其影响过程及作用机理如何？这一系列问题亟待科学评判与精确分析。为此，精确评价数字普惠金融对城市绿色全要素生产率增长的带动效应，对未来国家制定、执行数字普惠金融相关政策具有重要的理论意义与实践价值。

二、文献回顾

现有文献大多围绕数字普惠金融与全要素生产率关系展开研究。诸多学者认为，在大数据挖掘、云计算与人工智能等现代化信息技术推动之下，数字普惠金融创新性地颠覆了传统金融商业模式，以低廉成本（费用）为城市经济发展、经济结构战略性调整提供了全方位、全覆盖的金融产品与服务（傅秋子和黄益平，2018）。唐宇和龙云飞（2020）指出，“数字化+普惠金融”模式能够有效纠正传统金融中存在的“资源错配”问题，疏通金融产品（服务）终端的阻隔，打通 “金融服务”最后一公里。数字普惠金融发展为有效解决传统金融“二八法则”困境提供了新思路、新方法（陈啸和陈鑫，2018）。正是得益于此，中小企业才能以更短时间、更低成本（费用）跨越资金门槛，企业技术创新活力才得以全面释放。任碧云和李柳颍（2019）认为，数字普惠金融能够显著缓解因外在条件形成的“偏环境问题”，为区域经济可持续发展提供强大动力（唐宇等，2020）。杜传忠和张远（2020）从供给与需求两个视角，实证检验了数字普惠金融发展对区域创新效率提升的动态效应，认为数字普惠金融发展为企业创新提供了发展机遇与资金支持，并通过技术创新激励、居民消费水平扩张等途径间接驱动区域创新水平，从而提振我国实体经济（汪亚楠，2020）。在此基础上，唐松等（2020）围绕数字普惠金融发展对企业技术创新的“结构性”障碍及具体应对策略进行了探讨，认为数字普惠金融发展能够优化资源配置效率，增加企业技术创新产出（王如玉和周诚君，2020），最终对产业结构优化升级产生深远影响（侯层和李北伟，2020）。

可以看到，关于全要素生产率方面的研究，现有文献主要是从资源利用视角展开的，并没有将能源投入以及环境污染等非期望产出纳入进来，导致政策建议对政府辅助决策作用是较为有限的，甚至在某些方面还会起到反作用。这需要将研究视角切换到数字普惠金融发展对城市绿色全要素生产增长影响层面来，从生态环境质量角度，全面衡量其对城市绿色全要素生产率的带动效应。

截至目前，仅有部分学者通过构建GML（Global Malmquist-Luenberger）指数，对区域绿色全要素生产率进行了精准测算及分解（李卫兵和涂蕾，2017），鲜有文献对数字普惠金融与中国城市绿色全要素生产率增长之间的内在关联给予正面回答。目前，我们尚不能直接判断数字普惠金融业务的开展对城市绿色全要素生产率增长是否具有显著带动效应，更不了解数字普惠金融这一政策冲击带动城市绿色全要素生产率增长的内在机理。基于此，本文试图在以下三方面有所突破：第一，基于北京大学数字普惠金融指数，实证分析数字普惠金融发展对城市绿色全要素生产率增长的激励效应，为后续学术探究提供一个崭新视角；第二，基于区位异质性和传统金融发展水平差异的视角，探究数字普惠金融发展对城市绿色全要素生产率带动效应的异质性，对缩小区域间技术创新差距、提升区域整体创新水平具有一定的政策指导意义；第三，运用中介效应检验，从技术创新、产业结构、资源错配三个渠道，实证分析数字普惠金融带动城市绿色全要素生产率增长的作用机理，为促进数字普惠金融与实体经济深度融合、通过金融供给侧改革推动我国经济高质量发展提供有益的政策思考。

三、理论分析

（一）数字普惠金融对城市绿色全要素生产率的直接影响

数字普惠金融本质仍是金融，是大数据、云计算等现代化数字技术与普惠金融集约化发展的产物。作为传统金融体系的强有力补充，数字普惠金融具有“费用低、速度快、覆盖范围广”等优势，其通过优化资本配置，降低甚至限制资源向高污染行业及企业的流动，从而促进绿色TFP提高。一方面，数字普惠金融通过现代化信息技术手段，可以精准识别出高效率和具有创新潜力的投资项目，有效缓解了借贷双方信息不对称难题，减少企业逆向选择并降低道德风险发生机率，提高了金融市场资源配置效率。与此同时，数字普惠金融通过金融产品（服务）交叉融合创新，有效限制了资源向高污染行业（企业）流动，提升了资金向绿色部门的流入规模及运行效率，为全面提升中国城市绿色全要素生产率提供了新机遇。另一方面，数字普惠金融通过数字平台可以快速建立起金融产品（服务）双方点对点的直接联系，不断创新金融产品和服务形式，拓宽金融服务边界，有效改善了资金融通环境，提高了融资渠道的便利性，降低了绿色金融产品交易成本（费用），合理引导资金流向绿色产业、高科技行业，进而提高绿色全要素生产率。

综上所述，本文提出如下假设：

假设1：数字普惠金融的发展可以显著提升城市绿色全要素生产率。

（二）数字普惠金融对城市绿色全要素生产率的间接影响

第一，技术创新效应。数字普惠金融依托人工智能、云计算、大数据等现代化数字技术，弥补了传统金融产品短板，可以有效降低创新主体交易成本（费用）与准入门槛，减少中、小企业研发成本（费用），促使企业积极推广和应用新工艺、新技术、新材料、新设备，采用更有效、更环保的生产方式，培育城市经济可持续发展的内生动力，最终，全面提升城市绿色全要素生产率。与此同时，数字普惠金融的发展加快了金融产品（服务）和要素市场数据信息传递速度，降低了生产过程给环境带来的负面影响，为全面提升城市绿色全要素生产率创造了良好的外部制度环境。

第二，产业结构优化效应。数字普惠金融具有低服务门槛和低成本优势，数字普惠金融使劳动、资本等生产要素能够在短时间内得到合理配置，提高了资源配置效率，进而优化了产业结构，降低了环境污染对经济的约束，改善了环境质量。与此同时，差异化的数字普惠金融产品和服务，把不同收入群体的消费需求转化为实际消费，多元化的消费需求反过来会倒逼生产企业升级产业链条，加快创新步伐，提升管理水平，节约生产成本，提高产品附加值，带动相关产业结构之间与结构内部的优化升级。随着产业结构不断优化升级，新兴产业规模不断扩大，集群效应日益凸显，不仅可以节约生产成本、提高产品附加值，还可以带来巨大的结构红利和规模效应，为提高绿色全要素生产率奠定良好基础。

第三，资源错配减缓效应。资源错配与偏离会锁定落后产业结构，不利于企业技术创新，导致产能过剩与高污染问题突出。数字普惠金融业务的开展有效突破了金融产品与服务交易的时间限制、空间限制，可以精准匹配产业链需求端，使劳动、资本与技术等生产要素迅速实现跨区域联合重组，降低绿色产业交易成本（费用）和传递过程中的信息损失，有效缓解资源错配问题，打破市场信息不对称的壁垒，为绿色产业发展提供强大的资金支持。与此同时，数字普惠金融能够用技术手段改变供需曲线，化解生产要素供给与需求矛盾，降低生产要素流动摩擦，提升金融产品配置效率，最终提高城市绿色全要素生产率。

综上所述，本文提出如下假设：

假设2：数字普惠金融政策通过提升城市技术创新水平、推动产业结构优化升级，缓解资源错配难题间接激励城市绿色全要素生产率增长。

四、研究设计

（一）模型设定

式（1）中：yit表示第i个城市第t年的绿色全要素生产率，Digital_fit代表样本城市数字化金融发展水平，controlit代表金融发展水平等控制变量，λi代表城市固定效应，Vt代表时间固定效应，εit代表随机干扰项。

（二）变量选取

1.被解释变量。本文的被解释变量为城市绿色全要素生产率（GTFP）。基于Pastor等（2005）研究思路，在全局参比数据包络分析基本框架下，综合考虑非期望产出超效率（SBM）模型与Malmquist生产率指数基础上，对中国278个样本城市绿色全要素生产率（GTFP）进行测算。与此同时，以2005年为基期，将城市绿色全要素生产率指数转换为累积生产率指数，对数变换之后，作为被解释变量。计算城市绿色全要素生产率时要用到以下指标：

第二，期望产出。本文从经济产出（城市GDP）、居民生活质量（绿化覆盖率）两个视角来衡量。

第三，非期望产出。本文选取样本城市工业废水排放总量、工业SO2排放总量、工业烟尘排放总量、PM2.5浓度来测度①投入产出数据来自《中国城市统计年鉴》和各省历年统计公报；各城市PM2.5 浓度数据来自美国NASA公布的卫星遥感数据，利用国家基础地理信息中心提供的1: 400 万中国基础地理信息数据裁剪得到各城市历年PM2.5 浓度均值。。

2.核心解释变量。本文的核心解释变量为278个样本城市数字普惠金融发展水平②本文将每个城市数字普惠金融指数值均除以100，以处理数字普惠金融指标数值过大难题。，选取“北京大学数字普惠金融指数及其3个二级指标（2011-2018）”来衡量。

3.控制变量。在回归分析过程中共加入如下7个控制变量：主要包括经济发展程度（lnpgdp）、对外开放程度（open）、金融发展水平（fin）、政府财政支出水平（gov）、外商直接投资水平（fdi）、人力资本（edu）、基础设施（fac）。

主要变量及其定义如表1所示。

表1 变量定义及其描述性统计

（三）数据来源

对外开放程度（open）、金融发展水平（fin）等城市基本特征变量主要来源于《中国城市统计年鉴》《中国统计年鉴》。本文剔除了数据缺失率比较高的部分地级城市，还剔除了发生行政区划调整的部分城市。为了避免个别异常值对实证结果的影响，本文运用Winsor命令，对所有连续变量进行了双侧1%的缩尾处理。最终，本文共选取278个样本城市观测值。

五、实证结果分析

（一）基准回归

数字普惠金融发展对城市绿色全要素生产率增长的带动效应如表2所示，由F统计量对应的概率p值可知，模型有着较强解释力。由表2第（1）列可知，数字普惠金融指数（index）的估计系数为0.0218，在1%显著性水平下显著，这表明数字普惠金融政策的实施能够显著提升城市绿色全要素生产率。

表2 基准回归结果

表2第（2）-（4）列是依次将数字普惠金融指数的三个二级指标作为解释变量进行回归分析的结果。可以看出，数字普惠金融覆盖广度（breadth）、数字普惠金融使用深度（depth）、数字普惠金融数字化程度（digit）三变量系数估计值分别为0.0208、0.0262、0.0205，均在1%显著性水平下显著。这表明：第一，数字普惠金融覆盖度越广，金融产品（服务）能够覆盖到的“长尾”客户群体就越多，矫正要素配置扭曲的力度就越大，数字普惠金融服务的便利性、高效率和较低交易成本优势就能够被充分挖掘出来，合理引导资金流向绿色产业、高科技行业，从而有效降低绿色金融产品交易成本（费用），提高绿色全要素生产率。第二，数字普惠金融使用深度的不断拓展，为需求方提供了多样化的金融产品与服务，提升了融资可得性，减少了交易成本（费用），提升了资源配置效率。第三，数字技术的快速发展，打破了区域限制，有效解决了信用数据碎片化和单一化、“信息孤岛”等难题，为扩大普惠金融服务群体覆盖面、改善金融服务效率与质量、提高绿色全要素生产率奠定了金融基础。

（二）内生性问题

为最大程度地减少内生性问题，借鉴傅秋子和黄益平（2018）的基本思路，以样本城市与杭州市之间距离（distance）为数字普惠金融指数的工具变量。首先，样本城市与杭州市之间的距离作为自然地理变量，与经济社会因素不存在相关关系，不会影响到城市绿色全要素生产率。其次，杭州是我国许多大型数字普惠金融企业总部所在地，数字普惠金融普及水平在全国处于领先水平，因此样本城市到杭州距离与数字普惠金融发展水平直接相关。因此，本文选取的工具变量满足相关性和外生性假定。

从表3可以看出，第一阶段回归分析结果表明，样本城市与杭州市距离是一个有效工具变量。第二阶段回归分析结果表明，在充分考虑内生性偏差之后，数字普惠金融指数系数依然显著为正，这与基准回归结果完全一致。此外，工具变量第一阶段的F值为55.17，远远大于10，排除了弱工具变量的问题；Sargan统计量的P值大于0.05，说明工具变量满足外生性原则。

表3 工具变量回归结果

（三）其他稳健性检验

第一，替换被解释变量。借鉴余泳泽（2105）的研究思路，基于投入产出角度，选取SFA方法对278个样本城市绿色全要素生产率进行测算，重新回归结果如表4第（1）列所示，与基准分析结果相比，数字普惠金融指数的系数估计值、符号、显著程度均没有发生明显变化。

第二，缩尾后进行回归。对模型中的主要解释变量进行双侧1%的缩尾处理后重新进行回归，实证结果如表4第（2）列所示，数字普惠金融指数（index）的系数估计值、符号及显著程度均没有产生明显差异。

表4 稳健性检验结果

六、影响机制分析

前文实证结果表明数字普惠金融发展可以显著促进城市绿色全要素生产率增长，然而这种影响的作用机理及传导途径是怎样的? 这是接下来本文探究的重点。为此，在前文理论分析的基础之上，通过构建中介效应模型及调节效应模型进行实证研究。

（一）中介效应模型构建

参考温忠麟和张雷（2004）的研究框架，构建中介效应检验步骤为：第一，以城市绿色全要素生产率（GTFP）为被解释变量，以数字普惠金融指数（index）为解释变量进行回归。第二，分别以技术创新（tech）、产业结构升级（isu）、资源错配（Mismatch）为被解释变量，以数字普惠金融指数（index）为解释变量进行回归。第三，将数字普惠金融指数（index）与中介变量（技术创新、产业结构升级、资源错配）同时纳入模型中进行回归。若系数β1、α1均通过了显著性检验，且φ1值较β1值变小或者显著性程度降低，则说明中介效应显著。

其中Mit表示中介变量，包括以下变量：第一，技术创新。选取复旦大学产业发展研究中心发布的中国城市与产业创新指数来测度278个样本城市技术创新水平（tech）。第二，资源错配（Mismatch）。采用白俊红等（2016）的研究思路，对资本错配指数与劳动错配指数进行测算，为避免赋权随意性，采用主成分分析法对两个指数（资本错配指数与劳动错配指数）权重给予赋值，其中劳动力错配指数权重系数为W1=0.6104，资本错配指数权重系数为W2=0.3896。第三，产业结构升级。参考徐敏和姜勇（2015）思路，构建产业结构升级指数（isu）来测度278个样本城市产业结构升级水平，计算公式如下：

其中Ii表示样本城市第i产业产值占样本城市总产值（GDP）的比重。为消除量纲对计算分析结果的影响，本文进行了标准化处理。

（二）影响机制分析

以技术创新（tech）为中介变量，实证结果如表5第（2）列、第（3）列所示。由表5第（2）列相关数据可知，数字普惠金融指数（index）系数估计值为0.0746，且在1%显著性水平下显著，说明数字普惠金融发展对样本城市技术创新水平提升具有正向、显著带动效应。表5第（3）列汇报的是将数字普惠金融指数（index）与技术创新（tech）变量同时加入模型进行回归分析的结果，数字普惠金融总指数（index）系数值为0.0290，与表5第（1）列数字普惠金融指数（index）系数值0.0302相比，系数值有所变小。

表5 影响机制分析

以产业结构升级（isu）为中介变量，实证结果如表5第（4）列、第（5）列所示。数字普惠金融指数（index）系数估计值为0.0731，且通过了显著性检验，即数字普惠金融发展对城市产业结构优化升级具有显著促进作用。表5第（5）列汇报的是将数字普惠金融指数（index）与产业结构（isu）两变量同时纳入模型回归分析结果。可以看出，数字普惠金融指数（index）系数值为0.0203，与表5第（1）列数字普惠金融指数（index）回归系数0.0302相比，系数值明显变小。这表明产业结构（isu）变量中介效应显著，即数字普惠金融能通过优化样本城市产业结构进而带动城市绿色全要素生产率增长。

以资源错配（Mismatch）为中介变量，实证结果如表5第（6）列、第（7）列所示。可以看出，数字普惠金融指数（index）系数值为-0.0458，且通过了显著性检验，说明数字普惠金融这一政策冲击可以显著缓解城市资源错配程度。表5第（7）列汇报的是将数字普惠金融指数（index）与资源错配同时纳入模型中进行实证分析的结果，数字普惠金融指数（index）回归系数值为0.0202，与表5第（1）列系数0.0302相比，数值大小与显著性水平均略有下降，但资源错配（Mismatch）变量系数依然显著为负，说明中介效应显著，即数字普惠金融，能够通过降低区域资源错配程度进而显著改善绿色全要素生产率（惠献波，2021）。

（三）调节效应分析

前文实证结果表明，数字普惠金融发展可以正向、显著促进城市绿色全要素生产率增长，这是否意味着只要提升城市数字普惠金融发展水平就一定会带动城市绿色全要素生产率增长呢? 实际上，数字普惠金融对绿色全要素生产率的带动效应不仅受到城市自身水平的作用，还可能会受到技术创新、产业结构水平等其他因素调节。表6、表7是以技术创新（tech）、产业结构升级（isu）为门槛变量的实证分析结果。

表6 门槛检验结果

从表6中可以看出，无论是以技术创新水平还是产业结构升级作为门槛变量，单门槛效应、双门槛效应均在1%显著性水平下显著，三门槛效应没有通过显著性检验，故选用双门槛模型进行分析，估计结果如表7所示。可以看出，当技术创新水平依次跨越4.308，6.802时，技术创新水平对城市绿色全要素生产率增长的带动效应持续增强，技术创新水平的正向且边际效应递增，即技术创新水平可以正向强化数字普惠金融的非线性溢出效应。由表7第（2）列可知，随着产业升级结构的不断优化升级，数字普惠金融对城市绿色全要素生产率的带动效应持续增强，系数从0.3068提升至0.3206。总之，调节效应检验证再次证实了中介变量的合理性。

表7 面板门槛模型回归结果

七、异质性分析

（一）城市区位异质性

数字普惠金融发展对城市绿色全要素生产率增长的带动效应，可能由于区位条件不同而产生明显差异。从城市区位角度来看，中国东部城市与中西部城市之间资源禀赋、工业基础差异明显。基于此，本文将278个样本城市划分为东部城市、中西部城市，实证结果如表8第（1）列、第（2）列所示。可以看出，中西部城市的数字普惠金融指数的估计系数为0.0328，且在1%显著性水平下显著。东部城市的数字普惠金融指数估计系数没有通过显著性检验。

可能的解释是：相对于西部城市来说，东部地区金融制度环境良好、基础设施完善，金融发展水平较高，优势和溢出效果亦已显现，影响了数字普惠金融创新驱动效应的发挥。中西部城市在金融发展与产业创新基础等方面比东部地区要落后一些，然而我国数字普惠金融产品基于其“包容性”基本理念与“草根”本质特性，扮演了“雪中送炭”角色，显著拓宽了中西部城市金融服务广度与深度，满足了中西部城市实体经济主体多元化的融资需求。

（二）金融发展水平差异

按照样本城市传统金融发展水平（城市金融机构贷款余额／城市国民生产总值）中位数，本文将中国278个样本城市划分为金融业发达城市、不发达城市，分组实证结果如表8第（3）列、第（4）列所示。可以看出，金融发达城市的估计系数值为0.0454，没有通过显著性检验；金融发展水平不发达城市估计系数为0.0208，且在1%的置信水平下通过了显著性检验。

表8 异质性分析

可能的解释是：对于金融业发达的城市来说，其基础设施完善，金融制度环境良好，金融产品与服务供给丰富多样，基本上满足了城市经济实体多元化、不同层次融资需求，数字普惠金融的发展只是丰富了发达城市经济主体融资途径，激励作用属于“锦上添花”，扮演的是“晴天送伞”、“雨天收伞”角色。在金融发展水平不发达城市，数字普惠金融发展满足了城市经济主体融资多样化需求，显著提升金融产品（服务）覆盖广度与使用深度，体现了我国数字普惠金融公平性、普惠性特征，最终显著提升了城市绿色全要素生产率。

八、结论及启示

数字普惠金融将数字技术与普惠金融相结合，突破了时间和空间对金融服务的限制，有效降低了交易费用和金融服务门槛，契合了经济绿色可持续增长对金融创新的需求。基于2011-2018年中国278个地级市数据，实证分析了数字普惠金融对城市绿色全要素生产率增长的影响及其作用机理。结果表明：第一，数字普惠金融对城市绿色全要素生产率增长具有正向、显著性带动效应；第二，数字普惠金融能够通过提升技术创新水平、优化产业结构及缓解资源错配等途径间接促进城市绿色全要素生产率提升。第三，数字普惠金融对城市绿色全要素生产率的带动作用在中西部地区、欠发达地区效果尤为显著。

基于本文研究结论，提出以下三点政策建议：

第一，因地制宜、因时制宜制定数字普惠金融政策。结合本地区资源禀赋情况、产业结构与技术水平，强化数字普惠金融对实体经济的包容性与覆盖面，充分发挥其能够有效破解金融要素流动时空阻滞的优势，降低生产要素流动摩擦，提高生产要素配置效率。

第二，加快数字普惠金融发展，优化产业结构。充分发挥数字技术对经济发展的放大叠加和倍增作用，打造“产业经济+金融服务”数字化生态闭环，精准滴灌实体经济，引导资金流向高科技、高附加值的新兴产业，强化经济增长内在动力，推动实体经济健康可持续发展。

第三，推动金融业回归本源，进一步深化金融供给侧结构性改革。充分发挥市场在金融资源配置中的决定性作用，建立健全推动绿色发展的激励机制以及市场化融资机制，为企业绿色发展提供更多的融资机会和高效的资本配置，提升我国城市技术创新水平。