数字金融发展新阶段,中国同时正在进行碳达峰、碳中和的深刻变革.基于2000—2019年城市面板、工业企业等数据库匹配的多维微观数据样本,首先运用传统计量模型,结合R语言地理坐标系统和爬虫等前沿技术构建相应指标,从多个角度实证研究数字金融如何影响碳排放.然后,运用Python机器学习模型开展数字金融对碳排放的真实非线性效应研究.实证结果显示:①数字金融对地区总体碳排放量具有显著降低作用,而且通过了工具变量法等稳健性检验.②机制检验首次验证发现,数字金融通过支持数字科技产业化和传统产业数字化这两大机制影响碳排放.一方面,数字金融发展的普惠性主要体现在通过助力数字科技的产业化和优化产业结构减少地区总体碳排放.另一方面,对传统产业的数字化赋能并不在于直接的金融普惠性逻辑,而是通过深化市场整合、强化市场竞争,促进了企业的优胜劣汰,提升企业的创新投入和创新能力,从而提高能源利用和碳减排效率,降低地区总体碳排放.③机器学习模型分析首次发现,数字金融对碳排放影响的重要性与传统因素相当,此外,还揭示了其对碳排放影响的非线性趋势.上述研究有助于解释和统合数字金融对实体经济"创造性"和"破坏性"的争议,即数字金融发展对碳排放的减少起到重要作用,但是其影响机制较为间接,而且正面作用逐渐收敛和转向.基于此,应注重引导传统金融机构数字化转型和深耕服务实体经济,推进碳金融的数字化创新,强化数字金融反垄断监管,从而充分抓住新一代数字科技机遇,引导数字金融支持数字产业化和产业数字化,助力实现"双碳"目标.

数字金融;碳排放;数字产业化;产业数字化;机器学习

王元彬;张尧;李计广

对外经济贸易大学国际发展合作学院,北京100029;对外经济贸易大学对外开放研究院国际经济研究院,北京100029

中国人口·资源与环境

[1]王元彬;张尧;李计广-.数字金融与碳排放:基于微观数据和机器学习模型的研究)[J].中国人口·资源与环境,2022(06):1-11

数字科技产业化

微观数据,机器学习模型,数字金融发展,正在进行,深刻变革,市面,工业企业,统计量,计量模型,语言地理,地理坐标,坐标系统,爬虫,前沿技术,技术构建,Python,非线性效应,碳排放量,降低作用,工具变量法,稳健性检验,机制检验,传统产业,产业数字化,机制影响,普惠性,数字化赋能,金融普惠,市场整合,优胜劣汰,创新投入,能源利用,碳减排效率,放影,非线性趋势,统合,破坏性,传统金融机构,深耕,服务实体经济,碳金融,数字化创新,反垄断监管,导数,金融支持,数字产业化

0.305566