The Mechanism of Financial Development and Industrial Intelligence Enabling Green Economic Development

Chen Tingqiang1,2, Shi Jiahao1, Liu Meng1, Li Zeyu1, Yu Le'an3

(1. School of Economics and Management, Nanjing University of Technology, Nanjing 211816, China;2. Institute of Mathematics and Systems Science, Chinese Academy of Sciences, Beijing 100190, China;3. Business School, Sichuan University, Chengdu 610065, China)

Abstract：In order to achieve the "carbon peak" by 2030 and "carbon neutrality" by 2060, the Chinese government has been endeavoring to promote the development of the green economy and accelerate the green transformation of energy. Thus, it is of great significance to study green development trends and influencing factors. To delve into this issue, this paper aims to examine the impact mechanism of industrial intelligence on the development of the green economy from the perspective of financial development, explore whether there is an interactive effect on the development of green economy between financial development and industrial intelligence and verify if there is spatial heterogeneity in the impact of financial development and industrial intelligence on the green economy.

First of all, this study sorts out the research related to the green economy and summarizes the development trends and influencing factors of the green economy; then it analyzes the mechanism of industrial intelligence empowering green economic development from the perspective of financial development. Secondly, inspired by the existing research, the study constructs an indicator system and regression equations. The installed inventory of robots in this paper comes from the IFR database, and other data are sourced from the China Statistical Yearbook, China Economic Database (CEIC), China Energy Statistical Yearbook, China Industry Yearbook, and provincial statistical yearbooks. By using fixed effect regression, regional regression and FGLS methods, it further conducts an empirical study on the mechanism of industrial intelligence empowering green economic development from the perspective of financial development with the panel data of 27 provinces and cities in China from 2009 to 2019 and carries out the spatial heterogeneity test of the impact of financial development and industrial intelligence on the development of green economy. Finally, in order to ensure that the regression results are robust, exogenous, and have no missing variables, this study conducts robustness and endogeneity tests.

The research results show that (1) financial development, industrial intelligence and their interaction have significantly reduced the level of carbon emissions; (2) demographic dividend, education level, scientific and technological innovation, and improvement of environmental regulations all have inhibitory effects on reducing carbon emissions; (3) there is regional heterogeneity in the impact of industrial intelligence, financial development and their interaction on the development of green economy in the eastern, central and western parts of China. For the eastern region, both financial development and industrial intelligence have a significant negative effect on carbon emissions, but their interaction has no significant effect on carbon emissions. In contrast, financial development and industrial intelligence in the central and western regions have no significant impact on carbon emissions, but their interaction has a significant negative effect on carbon emissions, which is conducive to the development of a green economy. Many factors simultaneously contribute to this result. The first is location differences. Due to their own location disadvantages, the central and western regions are less open, and financial policies are not biased. The imperfect financial market system leads to an increase in the level of financial development, which may increase carbon emissions per unit of GDP. The second is the difference in technology. The level of industrial intelligence in eastern China has been at the leading edge, while the central and western regions are still in the initial stage of green technology innovation. The results of green innovation are not significant, and the development of industrial intelligence in the short term can not significantly promote the development of green economy. In addition, the difference in technology makes foreign companies more willing to invest in high-tech green industries in the eastern region, while investing in labor-intensive and high-pollution industries in the central and western regions further expands the influence of technological factors.

According to the research results, several suggestions are proposed. First, it is necessary to increase the penetration rate of industrial robots, increase policy support, and give full play to the role of financial development in low-carbon emission reduction. Then, it is essential to accelerate the development of clean energy and steadily adjust the energy structure. Third, the regional governments should implement differentiated policies for the eastern, central, and western regions to narrow the development gap.

Key Words：Financial Development; Industrial Intelligence; Green Economic Development; Carbon Emission; Spatial Heterogeneity

收稿日期：2023-03-15

修回日期：2023-06-01

基金项目：国家社会科学基金重大项目(22&ZD122);国家自然科学基金项目(71871115);教育部人文社会科学研究项目(22YJC790128);江苏省社会科学基金重点项目(22WTA-019);江苏省社会科学基金一般项目(22GLB032);江苏省软科学研究面上项目(BR2022057)

作者简介：陈庭强(1983-),男,河南信阳人,博士,南京工业大学经济与管理学院教授、博士生导师,中国科学院数学与系统科学研究院博士后,研究方向为金融风险管理;史嘉豪(1998-),男,江苏南京人,南京工业大学经济与管理学院硕士研究生,研究方向为金融风险管理;刘梦(1992-),女,山西阳泉人,南京工业大学经济与管理学院讲师,研究方向为产业升级与贸易转型;李泽煜(1997-),男,陕西西安人,南京工业大学经济与管理学院硕士研究生,研究方向为金融风险管理;余乐安(1976-),男,湖南常德人,博士,四川大学商学院教授、博士生导师,研究方向为商务智能。本文通讯作者:刘梦。

DOI：10.6049/kjjbydc.2023030395

开放科学(资源服务)标识码(OSID)：

中图分类号：F061.5

文献标识码：A

文章编号：1001-7348(2024)17-0054-10

0 引言

近年来,如何控制二氧化碳排放一直是全球热议的问题。推动低碳减排,实现碳达峰、碳中和战略目标,加快经济绿色转型迫在眉睫。相较于欧盟、美国、日本等发达国家和经济体,中国的绿色经济起步较晚,但发展迅速。1994年我国发布《中国21世纪人口、环境与发展白皮书》,首次提及碳减排政策;2012年中共十八大提出“五位一体”战略构想,表明绿色发展在我国战略层面上得到进一步提升,绿色经济建设进入深化阶段。

金融发展在产业智能化驱动绿色经济发展过程中影响显著。一方面,金融发展会促进经济增长,刺激各类非清洁能源需求上升,从而引起二氧化碳排放量增加,造成环境污染;另一方面,金融发展通过支持技术创新,提高生产效率,减少碳排放,促进绿色经济发展[1]。产业智能化则通过提高能源利用率等途径,减少能源消耗、降低碳排放,推动绿色经济发展[2]。我国在发布的《2030年前碳达峰行动方案》中指出,二氧化碳排放的主要源头产业是工业,优化产业结构,加强技术改造,推进工业领域智能化发展,是推动工业领域绿色低碳发展的主要方式之一。

然而,我国智能化发展水平尚不均衡,各行业间存在较大差距。如我国拥有世界最大的工业机器人市场,但相较于庞大的人口基数和辽阔的国土面积,工业机器人整体体量不足,且各地区工业机器人发展水平参差不齐。虽然我国金融体系日渐成熟、开放程度不断提升,但是理论上缺乏对金融发展与绿色经济发展作用关系的深入探讨。因此,本文首先分析我国产业智能化对绿色经济发展的影响及作用途径;其次是探究金融发展水平对我国绿色经济发展的影响及效用。虽然已有文献分别从金融发展水平和产业智能化角度研究二者与绿色经济发展、碳排放关系,但并没有综合考虑两个因素对绿色经济发展的影响。本文拟从该角度拓展现有研究,从产业智能化和金融发展角度为我国经济实现绿色低碳发展提供政策建议。

1 文献综述

现有文献大多侧重于分析金融发展、产业智能化与绿色经济发展中任意二者关系。

1.1 绿色经济发展

近年来,绿色经济发展趋势以及影响因素成为热点研究问题。如徐晓光等[3]针对绿色经济发展构建评价指标体系,归纳影响因素,并发现中国绿色经济发展水平整体呈上升趋势;佟贺丰等(2015)选取7个绿色经济相关产业,分析绿色经济对总体经济社会发展的潜在影响,发现绿色经济有助于中国实现经济高质量增长。在确定中国绿色经济发展效率处于上升态势的基础上,李林汉和岳一飞[4]通过对2012-2016年中国内地30个省市绿色经济效益的面板数据进行回归发现,这种上升态势不断放缓,且绿色经济效益存在区位差异性。也有少量研究认为,中国绿色经济发展水平近年趋于稳定。如张薇[5]对2013-2017年中国内地30个省市绿色经济发展水平进行面板回归分析,发现其发展水平总体呈稳定态势,且与经济发达程度正相关。绿色经济发展并不是一个独立概念,而是受到众多因素影响,如金融发展、产业智能化、教育、科技创新、环境规制、人口红利等[6]。其中,教育和科技创新都能有效提高全要素碳排放效率,后者还可通过提高前者水平,积聚人力资本,进而间接推动社会低碳发展[7];环境规制强度与绿色经济发展呈“U”型关系[8];在发展中国家,人口红利通过扩大人口规模、提高总人口就业率加剧碳排放,不利于绿色经济发展[9]。此外,税收政策、贸易发展、地域区位、能源结构与利用率以及高效生态、工业类型、科技应用、企业规模等都是影响绿色经济发展的重要因素[10-12]。

1.2 金融发展对绿色经济发展的影响

国内外关于金融发展对绿色经济影响的研究成果很丰富,学者们主要从金融和绿色金融两个角度研究其对绿色经济发展的影响,其作用大致分为三类。首先,大部分研究认为金融发展对绿色经济发展有显著促进作用。如Artur等[13]发现,金融发展是影响经济环境质量的决定性因素,金融自由化和开放水平对碳排放减少具有重要影响;Jalil&Feridun[14]实证研究了1953-2006年中国金融发展、经济发达程度以及能源消费对环境的影响,研究结果表明,金融发展有助于减少污染,且中国的碳排放主要取决于居民人均收入、能源消费和贸易自由度;Muhammad等[15]基于南非1965-2008年面板数据,对当地金融水平、经济发展、煤炭消耗、贸易自由与环境绩效关系进行实证分析,认为经济发展会增加能源消耗,而金融发展会降低污染排放水平;Muhammad等[16]对1971-2008年马来西亚面板数据进行回归分析,也发现经济增长促进碳排放,金融发展有利于降低碳排放。其次,有部分研究显示上述二者存在非线性关系。例如严成樑等[17]对1997-2012年中国内地30个省市的金融发展与二氧化碳排放强度面板数据进行实证分析,结果表明,二者之间存在倒U型的非线性关系;史代敏和施晓燕[18]对2010-2018年中国内地30个省市面板数据进行实证分析,发现中国仅有少量地区的绿色金融水平达到门限值,且只有处于门限值以上时绿色金融才能促进经济高质量增长。最后,还有少量研究认为金融发展水平与绿色经济发展之间不存在显著关系。例如Ozturk等[19]发现,土耳其的人均二氧化碳排放量与金融发展不具有长期关系,其中,二氧化碳排放水平随着收入增加不断提高,直至达到稳定点。

1.3 产业智能化对绿色经济发展的影响

产业智能化对绿色经济发展的影响十分复杂。黄海燕、刘叶等(2021)将碳排放划分为碳排放总量和碳排放强度,利用2006-2018年中国18个工业行业面板数据实证分析工业智能化对二者的影响,发现工业智能化对前者具有显著正向作用,对后者具有显著负向作用;刘亮和胡国良[20]发现,人工智能通过技术效应显著促进全要素生产率提高,且人工智能对生产率的提升效应与行业技术层次相关,技术层次越高,效果越明显;韩民春和赵泽彬[21]从碳排放约束视角进行研究,发现产业智能化显著缩小东中西部地区经济差距。目前关于产业智能化与绿色经济发展关系的研究文献较匮乏,大部分研究集中于探究智能化对经济发展的影响。早期研究通常以计算机化衡量智能化,如Brynjolfsson等[22]认为计算机化在短期和长期内都对生产率有正向影响。随着工业机器人使用率提高,部分学者将工业机器人作为衡量智能化水平的指标,研究智能化水平对经济增长的影响。工业智能化可以替代人力劳动[23],大幅度提高生产率,从而带动经济增长[24]。产业智能化通过多种途径影响绿色经济发展。如李丫丫和潘安[25]通过对我国2001-2014年面板数据进行回归,实证检验工业机器人进口贸易与制造业生产率关系,发现前者通过技术溢出效应对后者产生推动作用;陈永伟和曾昭睿[26]研究发现,工业机器人应用通过提高技术效益、扩大规模效益两种机制提升工业生产效率。产业智能化水平提高、工业机器人与智能设备应用率提高,均属于技术进步,而技术进步是控制碳排放的重要途径,能够显著降低行业碳排放且存在行业异质性[27]。

综上所述,现有文献采用直接和间接方式研究产业智能化、金融发展对绿色经济发展的影响,却没有综合考虑二者交互与绿色经济发展的关系。此外,鲜有从金融视角对智能化赋能绿色经济发展的影响机制进行研究的文献。现有文献也没有考虑不同地区的差异性,对金融发展、产业智能化与绿色经济发展空间关系的解析存在不足。基于此,本文的创新之处在于:一是从金融发展视角研究产业智能化对绿色经济发展的影响机制;二是探究金融发展与产业智能化之间是否存在对绿色经济发展的交互影响;三是进一步研究金融发展、产业智能化对绿色经济的影响是否存在空间异质性。

2 机理分析与研究假设

2.1 金融发展对绿色经济的影响机理

金融发展对绿色经济的影响具有两面性,即金融发展可以通过增加能源需求抑制绿色经济发展,也可以通过降低碳排放促进绿色经济发展。如图1所示,本文将从消费端和供给端,分别研究金融发展对绿色经济的抑制和促进作用。

(1)金融发展对绿色经济的抑制效应。金融发展会促进能源需求增长,进而抑制绿色经济发展。这是因为金融发展将增加居民可支配收入,促进经济增长,从而增加能源消费。从消费端而言,由于具有收入效应,当国家金融业务繁荣时,居民消费水平获得提高,其中很大一部分属于非绿色消费,导致能源需求增加。从供给端而言,随着金融发展,企业融资更加便利,融资成本降低,同时,非绿色消费增加刺激企业扩大规模,上述两个方面将同时增加能源需求,从而抑制绿色经济发展。

(2)金融发展对绿色经济的促进效应。金融发展通过降低碳排放促进绿色经济发展。从消费端而言,为引导居民绿色消费,政府会向个人或企业发行绿色消费券,有助于改变消费者偏好,从而促进消费结构转向绿色环保型,进而在消费端降低碳排放。从供给端而言,首先随着国家或地区经济向绿色低碳转型,金融机构将给予低耗能高技术企业更多信贷支持,引导资金流向绿色产业,优化产业结构,进而降低环境污染;其次,金融发展还可以促进先进生产技术涌现、低污染生产方式形成,以替代高排放生产方式,从而抑制碳排放。对于金融发展与绿色经济发展之间存在的这些关系,可以概述为结构效应与技术效应。

2.2 产业智能化对绿色经济发展的影响机理

产业智能化水平影响绿色经济发展的主要路径是技术进步。技术进步对碳排放的影响具有两面性,工业智能化作为技术进步的具体体现,对碳排放的影响也体现出两面性,即存在促进和抑制两个方面。如图2所示,本文将通过产业智能化对碳排放的正负影响作进一步分析。

(1)产业智能化对绿色经济发展的抑制效应。智能化水平主要通过两个途径抑制碳排放降低。首先,智能化催生行业技术进步,有助于提高行业生产率,扩大企业生产规模,推动经济增长,从而导致碳排放绝对量上升。国内外研究显示,工业机器人使用能够显著提高生产率[26],进而促进经济发展,而经济增长被认为是促进碳排放的重要因素[23-24]。其次,工业智能化作为技术进步的具体表现,能够吸引更多外商直接投资,其中,高污染类直接投资会显著增加碳排放。现有研究表明,FDI对碳排放起促进作用[28],长期来看,会提高东道国碳排放水平。

(2)产业智能化对绿色经济的促进效应。产业智能化主要通过两个途径促进碳排放降低。一是技术进步效应。首先,技术进步带来的生产效率提高会降低生产成本,实现相对的碳排放降低。其次,随着技术进步、劳动力成本上升以及居民消费水平提高,外商投资更倾向于低污染、高技术类绿色项目,从而有助于降低碳排放。最后,技术进步提高了工业细分行业能源使用效率,即降低工业行业能源消耗强度,促进工业行业绿色发展。二是劳动力替代效应。一方面,智能化发展会在一定程度上减少低技术岗位用工数量[29],而人口是促进碳排放的重要因素,因此工业智能化发展通过减少低技术劳动力数量从而对碳排放起到一定抑制作用;另一方面,工业机器人的大量应用会使企业增加高技术劳动力需求,促使低技术劳动力不断提高技术水平,转向高技术人才,进而优化人口结构,增强居民环境意识,长期来看,有助于降低碳排放。

2.3 研究假设

由上文可知,金融发展和产业智能化从多途径影响绿色经济发展,且二者对绿色经济发展的影响都有两面性。从作用途径来看,二者均通过技术进步效应影响碳排放,其中,金融发展通过技术进步效应降低碳排放,加速绿色经济发展;产业智能化则通过技术进步效应对碳排放降低具有促进和抑制两方面作用。除技术进步效应外,由于产业智能化所导致的劳动力替代效应也是影响绿色经济发展的重要途径。总的来说,虽然金融发展和产业智能化对绿色经济发展存在一定抑制作用,但其影响机制以促进为主,即金融视角下的产业智能化通过降低碳排放赋能绿色经济发展。基于此,本文提出以下研究假设:

H1:金融发展、产业智能化可以降低碳排放水平,促进绿色经济发展。

金融发展与产业智能化之间存在一定交互作用,共同推动绿色经济发展。一方面,智能化成果应用于金融领域,催生金融科技,赋能绿色经济发展。首先,企业财务智能化有助于打破信息“孤岛”现象,推动绿色经济发展,如金融机构进行贷款审核时可利用大数据等先进技术搜集与分析企业信息,大幅降低信息不对称性,提高融资效率,促进绿色经济发展;其次,财务智能化能够显著降低企业融资成本,提高资金周转效率,从而更好地支持绿色发展;最后,金融科技通过提升信用信息平台监管效率,降低内部风险。另一方面,金融发展为产业智能化提供资金支持与保障,助推绿色经济发展。首先,企业智能化转型和技术创新需要在前期投入大量资金,且周期较长,而成熟的金融体系可以为企业提供充足的流动资金;其次,工业是碳排放的主要源头,金融机构可以通过为传统工业智能化转型提供金融支持,加速工业绿色转型;最后,绿色金融服务平台通过促进服务智能化、数字化,加强政府、企业与金融机构间高效沟通,保障信息高效流通,进而为绿色经济发展提供强大的基础保障。基于此,本文提出如下研究假设:

H2:金融发展与智能化交互促进绿色经济发展。

由于中国国土辽阔,不同的地理位置造成各省份发展程度存在明显差异。首先,经济发展水平存在差异,经济较发达地区的金融发展水平相对较高,对智能化发展的投入也较大;其次,由于政策优势,一些享受优惠政策的地区对金融发展、产业智能化的支持力度更大;最后,人文资源差异,如人口密度大、教育水平高的地区拥有更为坚实的金融发展和智能化发展基础。因此,不同地区的金融发展、产业智能化、教育、科技创新、环境规制、人口资源等存在差异性,导致金融发展水平、产业智能化及其交互项对绿色经济发展的影响效用也不同。基于此,本文提出以下研究假设:

H3:金融发展、产业智能化及其交互项对绿色经济发展的影响存在空间异质性。

3 模型设计与变量选取

3.1 模型设计

为了考察金融发展和产业智能化对碳排放水平的影响,构建如下回归方程:

CGit=α0+α1FINit+α2INTit+α3FINit×INTit+α4Labit+α5Eduit+α6Init+α7Erit+γi+μt+εit

(1)

其中,i表示省域、t表示年份;CGit表示第t年i省单位GDP的CO2排放量,即碳排放水平;FINit表示第t年i省域的金融发展水平,INTit表示第t年i省域的产业智能化水平,二者为本文的核心解释变量。为表示金融发展水平与产业智能化的交互作用,回归方程中引入二者的交互项FINit×INTit。此外,Lab、Edu、In、Er为本文控制变量,α0表示常数项,γi表示省域固定效应,μt表示时间固定效应,εit为误差项。

3.2 变量与数据说明

3.2.1 被解释变量

本文采用单位GDP碳排放量(CG)衡量碳排放水平。在测算我国各省份年度碳排放总量时借鉴IPCC中的标准煤法,以各省域煤炭、焦炭、原油、汽油、煤油、柴油、天然气和燃料油共8种能源为终端消费,将8种能源消费量与各自的碳排放系数相乘,估算2009-2019年我国各省域二氧化碳排放量,并与各省域GDP相除作为单位GDP碳排放量。以此为基础,分析2009—2019年我国27个省域碳排放水平变化情况。具体计算公式和步骤如下:

(2)

(3)

其中,i表示省域、t表示年份、j表示能源;CGit表示第t年i省域单位GDP的CO2排放量,CO2it表示第t年i省域的CO2排放量,GDPit表示第t年i省域的GDP;Eitj表示第t年i省域第j种能源消费量,Fj表示第j种能源的平均低位发热量,Cj表示第j种能源的碳单位热值含碳量,qj表示第j种能源的碳氧化率;表示C原子氧化成CO2分子量从12变成的作用是单位换算。

3.2.2 核心解释变量

借鉴严成樑等[17]的方法,采用金融机构信贷总额占GDP的比例表示金融发展水平(FIN),比例越高,表示金融发展水平越高。

(4)

本文采用工业机器人安装库存量占工业增加值的比例衡量产业智能化水平(INT)。

(5)

由于IRF数据库中的数据只到国家级层面,而本文研究涉及省级层面。为此,参考康茜和林光华[30]、Daron&Pascual[31]的方法,根据不同行业就业人数,将数据库中机器人数据细分到省级层面,以考察智能化与就业关系。考虑到研究着眼于金融视角下的绿色经济发展,故对数据作以下处理:以各省域R&D经费投入占所有省域R&D经费投入总和的比例为权重,对全国制造业机器人安装库存量进行分配,估算得出各省域机器人安装库存量。

各省机器人安装库存量=中国制造业机器人安装库存量

(6)

3.2.3 控制变量

金融发展与产业智能化并不是唯一对碳排放水平造成影响的因素。本文根据碳排放水平影响程度,选取4个控制变量:一是人口红利(Lab),即劳动力比重,采用15～64岁人口数量占总人口数量的比重表示;二是教育投入(Edu),采用教育经费支出占GDP的比重表示;三是科技创新(In),采用地区人均专利授权数表示;四是环境规制(Er),采用工业污染治理投资完成额乘以GDP与工业增加值平方的比值表示。

3.3 数据来源及处理

除机器人安装库存量数据来源于IFR数据库外,其它数据均来源于《中国统计年鉴》、中国经济数据库(CEIC)、《中国能源统计年鉴》、《中国工业年鉴》以及各省份统计年鉴。能源碳排放系数数据来源于IPCC颁布的《国家温室气体排放清单指南》(2006)、国家发展改革委颁布的《省级温室气体编制指南》(2011)、《中国能源统计年鉴—附录4》(2016)。

基于上述方法,考虑到数据可获取性,如山西、贵州、重庆缺少原油消耗量数据,且IRF数据库目前仅更新到2019年数据,因此本文选取2009—2019年中国内地27个省份(不包括西藏、山西、贵州、重庆)数据进行实证分析。由于缺少部分数据,进行了一定预处理,其中,连续数据中缺失的以插值法补充,起止年份缺少的运用灰色预测法补充。

3.4 描述性统计与平稳性检验

通过整理上述数据,得到本文变量描述性统计结果以及单位根检验结果,具体见表1。

4 实证分析

4.1 基准回归结果分析

为初步检验金融发展水平和产业智能化对绿色经济的影响,对2009-2019年27个省域样本数据采用固定效应和随机效应模型进行回归,结果如表2和表3所示。由此可知,金融发展、产业智能化及其交互项对碳排放在1%水平下均呈现显著影响。

Hausman检验结果表明,固定效应模型优于随机效应模型,因此采用固定效应模型(FE)进行回归。表2中第1列表示金融发展(FIN)与产业智能化(INT)分别对绿色经济发展的影响,第2列加入其交互项(FIN*INT),第3列加入所有控制变量。结果显示,金融发展(FIN)的回归系数为-1.193 9,产业智能化(INT)的回归系数为-3.748 4,二者均在1%水平下显著,因此研究假设H1得证,即金融发展、产业智能化可以降低碳排放水平。此外,金融发展与产业智能化交互项(FIN*INT)的回归系数为-0.354 2,在1%水平下显著,表示金融发展与产业智能化的交互作用显著降低碳排放水平,证明研究假设H2成立。

其余控制变量。根据表2可知,教育水平(Edu)系数为负,说明教育支出可以降低碳排放水平。可能的原因是,随着教育投入增加,人口素质不断提高,环保意识随之增强,低碳生活、绿色消费观念逐渐受到人们认可,因此教育支出对减少碳排放有显著正向作用。科技创新(In)系数为负,说明科技创新有助于降低碳排放。可能的原因是,科技创新带动绿色科技进步,绿色科技应用能够为企业使用清洁能源提供技术支持,推动绿色能源消费,同时,催生新生产方式,从消费端直接减少二氧化碳排放。环境规制(Er)系数为负,说明工业污染治理投资增加有利于降低碳排放水平,促进绿色经济发展。人口红利(Lab)系数为正,说明劳动力比重上升不利于绿色经济发展。这是因为非劳动力人口消费水平和消费意愿低于劳动力人口,于消费端而言,劳动力人口产生的碳排放高于非劳动力人口,且于生产端而言,劳动力人口产生的碳排放也会高于非劳动力人口,所以人口红利提高了碳排放水平。

4.2 分地区回归结果分析

由于不同地区的金融发展、产业智能化水平不同,对绿色经济发展的作用效果也不同,所以本文将样本省域根据地理位置,划分为东中西部,分别采用固定和随机效应回归模型进行实证分析,结果如表3所示。

表3中1～3列分别表示东、中、西部省份固定效应回归结果。可以看出,对于东部地区来说,金融发展和产业智能化水平都对碳排放水平具有显著负向作用,与表2中第3列基准回归结果相同,但其交互项对碳排放水平的作用不显著,与基准回归结果不一致;同时,中西部地区金融发展和产业智能化水平对碳排放水平的影响不显著,但其交互项对碳排放水平具有显著负向作用,即有利于绿色经济发展。综上所述,研究假设H3成立,即金融发展、产业智能化及其交互项对绿色经济发展的影响存在空间异质性,这是东中西部地区差异所致。首先是区位差异,中西部地区由于地理位置所限,开放程度较低,不够完善的金融市场导致金融发展水平提高可能会增加单位GDP碳排放量;其次是技术差异,东部地区的产业智能化水平始终处于领先地位,并已进入绿色创新的新阶段,而中西部地区由于技术较落后,还处于绿色技术创新的初始阶段,绿色创新成果也不丰富,因而短期内产业智能化发展不能对绿色经济发展产生显著促进作用。此外,技术差异性导致外商更愿意在东部地区投资高技术类绿色产业,而在中西部投资劳动力密集型产业,进一步增强技术因素的影响。

在控制变量方面,西部地区环境规制(Er)在5%水平上对碳排放具有显著正向作用,即环境规制增强不利于绿色经济发展。这是由于环境规制对绿色经济发展的影响存在一定门槛效应,东部与中部地区的环境规制强度已经越过该门槛,所以环境规制对绿色经济发展产生正向影响,而西部地区由于环境规制强度不高、环境政策不完善,所以环境规制对绿色经济的影响在西部与东中部具有差异化。另外,人口红利在东部和西部对绿色经济的影响都不显著。可能的原因是,中部地区是人口迁移的主要迁出区,东、西部地区是人口迁移的主要迁入地。其中,很大一部分人口是因为接受高等教育和政策引导,从中部地区迁往东部和西部地区,且该部分人口具有较强环保意识和绿色消费能力。因此,虽然人口迁入会导致东部和西部地区人口红利增加,刺激消费需求,增加能源消耗,但是该部分人口流入带来的整体素质提升会抑制人口红利对绿色经济发展的负向作用。

4.3 稳健性检验

为进一步检验金融发展、产业智能化对绿色经济发展影响结果的稳健性,本文采用全面FGLS方法对原模型进行再估计,回归结果见表4。由表4第1列可知,金融发展(FIN)的回归系数为-2.766 3,产业智能化(INT)的回归系数为-5.304 1,二者均在1%水平下显著,说明从金融发展视角,其与产业智能化均可以降低碳排放,从而赋能绿色经济发展,与基准回归结果基本一致。根据表2第3列可知,金融发展(FIN)的回归系数为-1.687 0,产业智能化(INT)的回归系数为-4.641 1,二者交互项(FIN*INT)的回归系数为-0.922 3,三者均在1%水平下显著,同样与原回归结果基本一致。经检验,各核心解释变量和控制变量回归结果与基准计量回归结果基本一致,即自变量对因变量的作用稳定,证明本文结论稳健。

4.4 内生性问题

本文回归结果可能存在一定内生性问题。首先,碳排放会导致大气中二氧化碳浓度提高,从而导致全球气温升高等变化,进而增加下一期碳排放量。其次,本文碳排放计算方式可能存在一定遗漏。为了解决滞后效应和遗漏变量造成的内生性问题,本文一方面将因变量滞后一期、二期、三期后纳入回归模型,另一方面采用能源消耗强度作为碳排放的替代工具变量。表5中第1～3列为考虑滞后因素的回归结果,可以发现,虽然当期碳排放对此后1～3年的碳排放具有一定放大作用,但总体上金融发展、产业智能化以及其交互项均可以抑制碳排放;第4列为替换工具变量后的回归结果,结果显示,金融发展、产业智能化及其交互项对能源消耗强度的影响与基准回归结果一致。因此,考虑内生性问题后,本文结果依然成立。

5 结论与建议

本文围绕金融发展水平和产业智能化对碳排放水平的影响机制,利用2009-2019年中国绿色经济发展省级面板数据进行实证研究,得出如下结论:①金融发展对碳排放水平的影响在1%水平上显著为负,这是因为金融发展同时从生产端和消费端降低碳排放,促进绿色经济发展;②产业智能化对碳排放水平的影响在1%水平上显著为负,说明产业智能化一方面促进产业技术进步,另一方面智能化机器人应用产生劳动力替代效应,二者对绿色经济发展均起促进作用;③产业智能化、金融发展及其交互项对我国东中西部绿色经济发展的影响存在差异化;④人口红利、教育水平、科技创新、环境规制均对碳排放水平具有显著负向影响。

由于金融发展水平和产业智能化水平提高都可以显著降低单位GDP的碳排放量,因此我国在制定政策时应当综合考虑二者对降低碳排放的积极作用。同时,由于这种积极作用在我国东中西部存在区域异质性,所以政策制定不能脱离当地发展现况。根据上述研究结论,本文提出以下政策建议:

第一,提高工业机器人普及率,加大政策扶持力度。一方面,提高工业机器人利用率可以推动产业数字化转型。企业需要加大科技创新投入,普及工业机器人在工业生产中的应用,增加绿色创新投入,提高能源利用率,促进绿色经济发展;另一方面,政府应鼓励企业绿色技术创新,积极推广绿色技术应用,同时,重点扶持高技术产业,淘汰落后产能,从源头上减少二氧化碳,达到降低碳排放目的。

第二,充分发挥金融发展在低碳减排过程中的促进作用。首先,金融发展既可以从消费端通过引导绿色消费减少二氧化碳排放,也可以从供给端通过技术创新等途径间接降低碳排放,因此银行信贷需要进一步向低污染、低能耗企业倾斜,加大对高技术、低排放企业的信贷支持,加快推动我国能源结构改善,进而降低二氧化碳排放。其次,金融机构应通过政策窗口等手段引导信贷资金流向低碳产业,从而促进资金流动合理化,加快金融业市场化进程。最后,金融政策制定需要与当地发展水平相匹配,尤其对于我国中西部地区,金融发展不能以环境污染为代价,应该充分发挥金融发展与产业智能化的交互作用,加大金融领域的技术投入。

第三,加快发展清洁能源,稳步调整能源结构。首先,应控制能源消费总量,特别是防止煤炭、石油等化石能源消费盲目扩大,为清洁能源普及铺平道路。其次,减少煤炭依赖型产业和企业投资,增加绿色企业投资。最后,各地区应因地制宜地发展水能、风能、核能、生物质能、太阳能等清洁能源,为清洁能源广泛应用提供技术支持。

第四,对东中西部实行差异化政策,缩小地区间发展差距。对于中西部地区,应加强金融创新,推广金融科技,提高中小企业融资便利度和效率,鼓励企业在中西部地区投资建设智能化工厂和智能化产业园区,并提供相应的政策扶持和金融支持。同时,加大人才培养力度,鼓励人才到中西部地区发展以及培养中西部本土技术人才、管理人才。对于东部地区,金融发展与产业智能化的交互作用不显著,说明金融发展与智能化技术的结合已相对完善,需加强东部地区向中西部地区输送绿色发展成果和发展经验,并进一步促进金融开放,加强与国际金融市场的交流和合作,增强金融业国际竞争力。

6 不足与展望

由于现实的局限性,本文研究尚存在诸多不足,需要对有关问题进行更深入的探讨。首先,金融发展与产业智能化不是唯二影响绿色经济水平的因素,本文没有做到尽善尽美;其次,本文仅从碳排放角度衡量绿色经济发展水平,对绿色经济的测度是否全面还需验证;再次,本文涉及的碳排放数据是全社会总碳排放量,没有进行进一步细分;最后,从数据可得性角度,微观层面的碳排放、金融发展和智能化等指标难以测度,导致现有研究大多停留在宏观层面。上述不足之处需要在未来研究中加以改进。首先,应充分考虑其它相关因素对绿色经济发展的影响,细化绿色经济发展指标体系,例如综合考虑二氧化碳、二氧化硫、二氧化氮、粉尘颗粒物等温室气体和污染物排放;其次,可以将碳排放进一步划分为工业碳排放、生活碳排放等;最后,可以尝试寻找有代表性的企业指标以研究微观层面的绿色发展,为支撑全社会绿色经济发展提供更充分的理论依据。

参考文献：

[1] 陈欣,刘明.金融发展对二氧化碳排放影响的经验研究[J].财经问题研究,2015,37(4):40-46.

[2] 黄海燕,刘叶,彭刚.工业智能化对碳排放的影响——基于我国细分行业的实证[J].统计与决策,2021,37(17):80-84.

[3] 徐晓光,樊华,苏应生,等.中国绿色经济发展水平测度及其影响因素研究[J].数量经济技术经济研究,2021,38(7):65-82.

[4] 李林汉,岳一飞.基于四阶段DEA模型的中国绿色发展效率评价[J].科技管理研究,2019,39(24):247-258.

[5] 张薇.我国绿色经济评价指标体系的构建与实证[J].统计与决策,2021,37(16):126-129.

[6] MERINO-SAUM A, CLEMENT J, WYSS R, et al. Unpacking the green economy concept: a quantitative analysis of 140 definitions[J]. Journal of Cleaner Production,2019,242:118339.

[7] 何伟军,李闻钦,邓明亮.人力资本、绿色科技创新与长江经济带全要素碳排放效率[J].科技进步与对策,2022,39(9):23-32.

[8] 李毅,胡宗义,何冰洋.环境规制影响绿色经济发展的机制与效应分析[J].中国软科学,2020,35(9):26-38.

[9] 刘丰,王维国.人口年龄结构变动对碳排放的影响——基于生育率和预期寿命的跨国面板数据[J].资源科学,2021,43(10):2105-2118.

[10] ESTHER F, RAFAELA P , JESUS R. Optimal green tax reforms yielding double dividend[J]. Energy Policy,2011,39(7):4253-4263.

[11] CHI Y, GUO Z. Scenarios analysis of the energies' consumption and carbon emissions in China based on a dynamic CGE model[J]. Sustainability,2014,6(2):487-512.

[12] LIU, L Q. Environmental efficiency of China's thermal power enterprises: a bootstrapped directional distance function with metafrontier approach[J]. Journal of Energy Engineering,2017,146(4):1-10.

[13] ARTUR T,JUAN P C, KRISHNA C V. Does higher economic and financial development lead to environmental degradation:evidence from BRIC countries[J]. Energy Policy,2008,37(1):246-253.

[14] JALIL A, FERIDUN M. The impact of growth, energy and financial development on the environment in China: a cointegration analysis[J]. Energy Economics,2010,33(2):284-291.

[15] MUHAMMAD S,AVIRAL K T,MUHAMMAD N.The effects of financial development, economic growth, coal consumption and trade openness on CO2 emissions in South Africa[J]. Energy Policy,2013,61(C):1452-1459.

[16] MUHAMMAD S. Does financial development reduce CO2 emissions in malaysian economy? a time series analysis[J]. Economic Modelling,2013,35:145-152.

[17] 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,2016,39(1):14-30.

[18] 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,2022,39(1):31-48.

[19] OZTURK I, ACARAVCI A.The long-run and causal analysis of energy, growth, openness and financial development on carbon emissions in Turkey[J]. Energy Economics, 2013, 36:262-267.

[20] 刘亮,胡国良.人工智能与全要素生产率——证伪“生产率悖论”的中国证据[J].江海学刊,2020,27(3):118-123.

[21] 韩民春,赵泽彬.碳排放约束视角下产业智能化对区域经济差距的影响研究[J].工业技术经济,2022,41(1):3-11.

[22] BRYNJOLFSSON E, HITT L M , KIM H H. Strength in numbers: how does data-driven decision-making affect firm performance[J]. SRN Electronic Journal, 2011,126(1):1-33.

[23] HANSON R. Economic growth given machine intelligence[R]. America:University of California,Berkeley,2001.

[24] ACEMOGLU D, RESTREPO P. Robots and jobs:evidence from US labor markets[Z].NBER Working Paper No.w23285,2017.

[25] 李丫丫,潘安.工业机器人进口对中国制造业生产率提升的机理及实证研究[J].世界经济研究,2017,36(3):87-96,136.

[26] 陈永伟,曾昭睿.机器人与生产率:基于省级面板数据的分析[J].山东大学学报(哲学社会科学版),2020,56(2):82-97.

[27] 何小钢,张耀辉.技术进步、节能减排与发展方式转型——基于中国工业36个行业的实证考察[J].数量经济技术经济研究,2012,29(3):19-33.

[28] PETER G, JEFFREY Y K. Exporting the greenhouse:foreign capital penetration and CO2 emissions 1980-1996[J]. Journal of World Systems Research,2003,9(2):261-275.

[29] 闫雪凌,朱博楷,马超.工业机器人使用与制造业就业:来自中国的证据[J].统计研究,2020,37(1):74-87.

[30] 康茜,林光华.工业机器人与农民工就业:替代抑或促进[J].山西财经大学学报,2021,43(2):43-56.

[31] DARON A, PASCUAL R. Robots and jobs: evidence from US labor markets[J]. Journal of Political Economy,2020,128(6):2188-2244.

(责任编辑：胡俊健)