长江中游城市群数字金融发展对碳排放效率的影响

长江中游城市群数字金融发展对碳排放效率的影响【摘要】在数字经济背景下，为了达成碳达峰与碳中和的战略目标，应积极抓住数字经济发展机遇，构建以数字金融为主导的绿色低碳发展长效机制。本研究在运用超效率SBM模型测度2011-2021年长江中游城市群28个城市碳排放效率基础上，采用面板回归分析及面板门槛效应模型等统计方法，深入探讨了数字金融发展对于提高城市碳排放效率的具体作用及其潜在机制。通过实证研究，揭示了数字金融在促进低碳经济转型中的关键角色。结果表明，数字金融对碳排放效率的影响具有倒“U”型的非线性特征；长江中游城市群中各子城市群数字金融对碳排放效率的关系曲线的拐点位置不同，武汉城市圈的拐点相较于环长株潭城市群与环鄱阳湖城市群更早出现；在数字金融三个子维度对碳排放效率的影响中，覆盖广度的拐点位置最高，说明其对碳排放效率的促进作用最为持久。数字金融发展对碳排放效率的影响存在有基于产业结构高级化与绿色创新技术能力的门槛效应。基于实证分析结果，制定适宜长江中游城市群可持续发展的碳减排政策，为数字金融提高碳减排效率助力可持续发展提供理论依据和实践经验。【关键词】数字金融；碳排放效率；门槛效应；异质性影响一、引言在新一轮科技革命的不断深化背景下，以大数据与云计算为核心的新兴信息技术迅猛发展，由此催生了数字金融这一创新的金融模式。数字技术与传统金融的深度融合，能够充分发挥覆盖广、低门槛、高效率等优势提高资源配置效率，提升区域创新水平，成为推动经济高质量发展的新动能。然而，碳排放效率长期位于低水平却阻碍了经济高质量发展，因此如何提升碳排放效率成为亟待解决的问题。近年来，我国政府积极实施了一系列政策措施，包括不断优化和完善碳排放权交易市场以及推动碳金融的发展。这些努力旨在响应2020年提出的“双碳”目标，即到2030年达到碳排放峰值，到2060年实现碳中和。这一承诺不仅标志着我国对气候变化问题的严肃态度，而且为我国在新时代背景下的碳减排目标设定了更严格的标准。当前，仅凭“末端治理”的环境保护策略已不足以满足推动绿色低碳经济发展的需求，需结合数字化时代的新趋势，运用数字技术、云计算等新兴手段。数字金融作为现代经济的关键组成部分，具备优化资源配置和促进价格发现的功能，因此，应探索运用数字金融工具来提高碳排放效率，这对于实现低碳发展目标具有重要意义。长江中游城市群在“双碳”时代具有巨大优势，有望率先实现“双碳目标”。长江中游城市群共包含武汉都市圈、环长株潭城市群以及环鄱阳湖城市群，包括了31个地级及以上城市，是中国规模最大的城市群之一。长江中游城市群位于中国的经济地理中心，是连接国内大循环和构建全国统一大市场的关键枢纽。该城市群作为国家经济发展的主要驱动力，通过积极引导资本投向环保产业，推动技术进步和友好型产品的开发应用，对促进“双碳”战略目标的实现发挥着至关重要的作用。数字金融作为现代金融体系的核心要素，其对长江中游城市群实现碳减排效益的具体作用机理尚不清晰，因此需要进一步研究以验证二者之间的关系。本文试图探究数字金融对长江中游城市群碳排放效率的影响效应与作用机制。通过对实证分析结果的解读，本文旨在为长江中游城市群制定符合可持续发展原则的碳减排策略提供科学指导和实践参考，同时也为数字金融在促进碳减排效率方面的应用提供理论支持和实证基础。二、文献综述数字金融的兴起，通过深化金融服务的内涵、拓展其外延以及提升数字化水平，已成为推动经济向高质量发展转型的关键力量。然而，在我国经济快速增长及城市化、工业化进程不断加速的背景下，碳排放效率低下逐渐显现为制约经济高质量发展的重要因素之一。因此，研究如何通过数字金融的进一步发展来提升碳排放效率，对于实现经济的绿色可持续发展具有重要意义。在经济低碳化的进程中，数字金融发挥着至关重要的作用。其对碳减排效应的影响，最初是基于环境库兹涅茨理论（EKC）进行探讨的。该理论假设，经济增长对环境污染的影响会呈现出由正向到负向的倒U型变化。近年来，数字金融逐渐成为环境相关研究的焦点，有学者基于EKC理论，从数字金融的规模经济效应、产业结构优化效应和技术创新驱动效应三个方面出发，对数字金融产业促进可持续发展的路径进行了深入研究。从数字金融的规模经济效应来看，其发展确实推动了企业生产规模的扩大和经济的增长，但这也可能导致能源消耗和二氧化碳排放的增加REF_Ref19158\r\h[1]。从其产业结构效应来看，数字金融的兴起提升了资金的配置效率，可实现资金流动的精准把握和高效配置，使得有限的金融资源更有效地流向那些具有更高生产效率、更低碳排放强度的部门，进而推动产业结构向绿色低碳化转型REF_Ref19651\r\h[2]。从数字金融的技术创新驱动效应来看，数字金融通过精准的信贷评估优化金融服务的供给机制，显著缓解企业融资约束，为企业能够在更大的规模上进行技术创新活动提供必要的资金支持，使得企业能够投入更多资源于研发和绿色创新活动，进而降低二氧化碳排放水平REF_Ref19158\r\h[1]。碳排放效率作为衡量经济发展与环境可持续性关系的关键指标，反映了在实现一定经济产出的前提下，单位碳排放量的减少程度。该指标不仅考量了经济增长对资源的依赖和环境的影响，还强调了在追求经济发展过程中实现低碳排放的重要性。通过提高碳排放效率，可以在不牺牲经济增长的情况下，有效控制温室气体排放，从而促进经济发展与环境保护的协调统一，实现可持续发展目标。准确合理测度碳排放效率有助于检测并评估碳减排的成效，优化资源使用和经济效益，推动低碳转型，从而促进可持续发展目标的实现。从碳排放效率的测度方法来看，既有研究主要通过单一比值法、指标体系法和模型法等对碳排放效率进行测度。其中OMielnikREF_Ref19834\r\h[3]在其研究中提出碳排放系数的计算公式。由于这种方法仅考虑了能源消耗与碳排放之间的直接关系，未能充分考虑到不同环境背景下可能存在的变量因素，因此它在评估复杂环境下的碳排放效率方面存在局限性，通常适用于对单一项目的碳排放进行量化分析。在进行更广泛的环境影响评估时，需要结合其他方法和指标，以获得更全面的碳排放效率评价；丁明磊等REF_Ref21478\r\h[4]通过构建碳排放综合绩效的指标体系，并利用熵权法来确定各指标的权重，以此来量化评估碳排放效率。在构建这样的指标体系时，各个指标被赋予了不同的权重，以反映它们在整体评估中的重要性。然而，熵权法虽然能够客观地根据指标数据的离散程度来分配权重，但在实际操作过程中，仍然存在着主观判断的空间，尤其是在选择和界定指标本身时，研究者的偏好和经验可能会对结果产生影响。因此，尽管熵权法试图减少人为因素的干扰，但在实际应用中仍需谨慎处理这些潜在的主观影响；大部分学者REF_Ref21635\r\h[5]-REF_Ref22438\r\h[12]在考虑碳排放效率的测度时多采用随机前沿分析法和数据包络模型法。而数据包络分析（DEA）作为一种非参数化的效率评估工具，其优势在于不预设生产技术的具体形式，这使得其相比随机前沿分析（SFA）方法更为灵活。DEA能够综合考量多种输入与输出因素，而不需事先设定生产函数的明确形式，从而确保了较高的客观性。正因如此，数据包络分析方法下许多改进的DEA模型被广泛应用于碳排放效率的测度中。在现有研究中，在指标选择上，学术界已对模型的投入与产出指标达成了一定程度的共识。具体而言，投入要素通常涉及劳动力数量、固定资产投资额以及能源消耗量等；而产出要素则涵盖了期望产出如地区生产总值，以及非期望产出如二氧化碳排放总量。这种共识为后续研究提供了统一的分析框架，有助于提升研究的可比性与准确性，但就碳排放总量的测度方法目前尚未统一，如学者马大来等REF_Ref22040\r\h[13]根据IPCC（2006）制定的国家温室气体清单指南第二卷（能源）第六章提供的参考方法估算二氧化碳的排放量。另外有部分学者则根据获取到的城市范围内的夜间灯光数据模拟碳排放数据。随着数字金融和绿色低碳发展成为中国经济社会的重要趋势，数字金融对提高碳排放效率的作用已成为关注的热点。但目前学界大部分侧重探讨对数字金融与碳排放强度之间的研究，而对数字金融与碳排放效率的研究相对较少。关于数字金融与碳排放的研究成果主要集中在以下两个方面。第一，关于数字金融对碳排放影响的研究。张元彬等学者REF_Ref2305\r\h[16]运用Python机器学习模型等前沿技术探究数字金融对碳排放真实非线性效应，结果表明，在数字金融发展初期，其对碳排放量的影响相对较小，当数字金融发展到一定阶段后，其对碳排放量的影响转为负面效应。然而，当数字普惠金融指数超过200时，这种影响再次变为正面，表明数字金融发展对碳减排的效率存在瓶颈，导致其进一步发展反而增加了碳排放量。廖珍珍等学者REF_Ref3970\r\h[17]通过系统GMM模型实证检验也得出了数字金融对碳排放的影响存在倒“U”型关系的结论。范庆倩学者REF_Ref4976\r\h[18]从数字金融的增产效应和节能效益解释了非线性关系产生的原因。第二，关于数字金融对碳排放的影响机制研究。通过二者中介效应的探讨，郭桂霞等学者REF_Ref11935\r\h[19]发现数字金融通过促进数字科技产业的发展和加速传统产业数字化进程实现其对碳排放的间接影响。绿色技术创新REF_Ref3970\r\h[17]、产业结构层次、土地出让行为REF_Ref14107\r\h[20]、绿色金融REF_Ref14002\r\h[21]等，也能作为数字金融减少碳排放的间接中介渠道上述文献为本文提供了有益的参考，但在城市数字金融发展与碳排放效益之间的关系仍然存在一些值得探讨的问题。首先，目前学术界对于数字金融对碳减排效应的研究聚焦于数字金融与碳排放强度之间的关联，而碳排放强度更多的反映了经济活动的规模效应，而非效率问题，有必要对数字金融与碳排放效率之间的关联进行研究。其次，当前许多研究主要关注的是国家或区域层面的碳排放绩效，而对城市尺度的碳排放绩效研究相对匮乏。然而，根据国际能源署发布的《世界能源展望》中的数据，城市作为全球最大的能源消耗和温室气体排放源头，研究城市尺度的碳排放绩效对于推动低碳城市建设和促进低碳经济发展具有深远的理论和现实价值。最后，在机制分析中，已有文献缺少对数字金融与碳排放效率之间的非线性关系的门槛效应的分析。鉴于此，本文首先从经济学投入与产出的视角出发，采用超效率SBM模型构建碳排放效率评价指标，即在资本、劳动和能源投入不增加的前提下所能得到的最大经济增长和最少二氧化碳排放，以衡量城市的碳减排效应。接着采用2011-2022年长江中游城市群28个地级市的面板数据，构建动态面板模型和面板门槛模型，旨在深入探究数字金融发展对该城市群碳排放效率的直接影响及其潜在的门槛效应。三、理论分析与研究假说（一）数字金融对碳排放效率的直接影响数字金融通过提供更加便捷、高效的金融服务，极大地促进了企业的生产活动。数字金融降低了企业的融资成本，使得企业能够获得更多的资金支持，从而扩大生产规模。这种规模效应使得企业能够更好地满足市场需求，提高生产效率。并且，数字金融通过优化资源配置，使得企业能够更加精准地把握市场动态，调整生产策略，进一步提高生产效率。除此之外，数字金融也为企业将更多资源投入到绿色技术创新活动的资金提供信贷支持。因此，在数字金融的规模效益、结构效应、技术效应的共同作用下，不仅推动了经济发展，也降低了碳排放量，从而促进了碳排放效率的提升。H1：数字金融能够显著促进碳排放效率。（一）数字金融对碳排放效率的影响具有非线性特征在数字金融发展的初期，其对碳排放效率的影响主要体现在正面推动作用。通过提高金融包容性，数字金融能够为更多企业提供融资机会，特别是那些致力于绿色技术和清洁能源的创新型企业。这些企业的发展有助于推广低碳技术，提高整体的碳排放效率。随着数字金融的进一步发展，其对碳排放效率的正面推动作用可能会达到一个饱和点。此时，金融资源的分配可能开始出现一定程度的固化，对新兴绿色企业的支持力度可能减弱，但对传统高碳排放行业的依赖可能仍然存在。这种情况下，数字金融对碳排放效率的提升作用可能会趋于稳定，促进效应减弱。在数字金融高度发达的阶段，其可能对碳排放效率产生负面影响。随着数字金融服务的普及，企业的运营模式可能变得更加依赖线上交易和数字工具，数字基础设施的运营可能导致能源消耗的增加，就可能反而增加碳排放，导致碳排放效率下降。基于以上分析，有可能导致数字金融与碳排放效率二者之间的关系是非线性的，因此提出假设二。H2：数字金融对碳排放效率的影响具有非线性特征。H2a：数字金融对碳排放效率的影响存在基于数字金融自身的门槛效应（二）产业结构高级化的门槛效应数字金融的发展不仅能直接为企业提供资金支持，还可以倒逼传统金融机构进行数字转型，既推动了金融结构升级，还可以产业转型调整过程中的融资需求，助推传统产业向低能耗、低污染、低排放方向转型，赋能新兴产业发展，提高经济效率，从而带动碳排放效率的提高。除此之外，数字金融能够实现对发展落后地区的覆盖，为这些地区提供金融服务，从而推动当地的产业发展和产业结构优化升级，由此催生出新产业、新交易模式，从而促进碳排放效率的提升。因此，产业结构高级化是数字金融促进碳排放效率提升的重要条件。H2b：数字金融对碳排放效率的影响存在基于产业结构高级化的门槛效应（三）绿色技术创新能力的门槛效应绿色技术创新离不开金融支持，但现阶段大多数技术创新主体为创新型企业，规模相对较小且风险较大，传统金融机构往往不愿意提供服务，而数字金融则更具包容性特点，能为这些项目提供资金支持，因此绿色技术创新发展为数字金融提供了新的增长点。另一方面，为推动绿色转型升级，政府针对绿色项目设立专项资金贷款等优惠政策，一些企业为了享受政府优惠，会故意“伪造”绿色项目，也因此提高了金融机构识别成本以及监管成本，而数字金融则能够依托数字技术，准确识别这些项目的可行性与真实性，引导资金流转向低能耗产业，并且在提供资金的过程中对资金的需求方建立有效的审查、跟踪以及监督机制，降低风险事件发生，提高资金的使用效率，为小微企业缓解融资难、融资贵的问题，以便更好地激励企业开展绿色创新活动，促进绿色技术的创新与发展，提升碳排放效率。因此，绿色技术创新能力是数字金融促进碳排放效率提升的重要条件。H2c：数字金融对碳排放效率的影响存在基于绿色技术创新能力的门槛效应四、研究设计（一）研究方法1.SBM超效率模型超效率SBM(Super－efficiencySlacks－basedMeasure)模型由Tone于2002年提出REF_Ref24610\r\h[23]，该模型融合了超效率DEA模型和SBM模型的核心优势，一方面，超效率SBM模型能够有效克服传统DEA模型在区分多个有效决策单元DMU时的局限性，能够进一步区分有效决策单元的效率差异；另一方面，超效率SBM模型在衡量效率时考虑了非期望产出（环境污染等）的问题，相较于只关注期望产出传统的DEA模型，超效率SBM模型是一种更为全面和精确的评价方法。研究构建超效率SBM－DEA模型测算长江中游城市群28个地级市的碳排放效率。非导向、规模报酬可变情况下的超效率SBM－DEA模型可以表示成：s（1）式（1）中：EM表示共同前沿下决策单元的效率值，其值越大表明效率越高。six，sry，sjb分别表示投入、期望产出、非期望产出的松弛量；x2.面板回归模型本研究采用面板回归分析方法对评估数字金融对碳排放效率的影响进行了深入的实证研究，旨在明确数字金融发展程度如何直接作用于碳排放效率，并揭示其背后的潜在影响路径。模型设定如下式（2）：Ceit=β0（2）式中：i表示城市，t表示年份，Ce表示碳排放效率，Df表示数字金融指数，sDf表示数字金融指数的二次项，C表示一系列影响碳排放效率的控制变量，μ表示随机扰动项，β0表示常数项，β1、β2、β3.面板门槛模型将数字金融指数、产业结构高级化、绿色创新技术能力分别作为门槛变量，深入探讨数字金融对碳排放效率的非线性影响，所构建的面板门槛模型见式（3）、（4）、（5）.Ceit=β0（3）Ceit=β0（4）Ceit=β0（5）在门槛模型中，门槛变量按照假设3分别设置为数字金融、产业结构高级化、绿色创新技术能力，γ为门槛值，I（·）为示性函数，当括号内条件成立时取值为1，否则取值为0，C表示一系列影响碳排放效率的控制变量，ui表示城市固定效应，ut表示时间固定效应，（二）变量选取与说明1.被解释变量：碳排放效率（以2011-2021年长江中游城市群28个地级市碳排放效率作为被解释变量。在投入和产出指标的选择由表1所示，其中资本投入为各地级市资本存量，按单豪杰REF_Ref24718\r\h[24]的永续盘存法计算得出。以各地级市的GDP表示期望的经济产出，并平减为2006年不变价格；由于城市碳排放构成复杂，既涵盖了由天然气及液化石油气等直接能源产生的二氧化碳排放，也包括通过电能、热能等间接能源转换过程中产生的碳排放，且考虑到二氧化碳排放量统计数据较为完整，因此选取二氧化碳排放量表示非期望的产出，具体二氧化碳排放量计算方法参照吴建新REF_Ref24780\r\h[25]等的做法。表1碳排放效率指标体系指标类型一级指标二级指标投入资本资本存量（亿元）劳动力单位从业人数（万人）能源能源消费总量（万吨标准煤）产出期望产出GDP（亿元）非期望产出二氧化碳排放量（吨）2.核心解释变量：数字金融及其三个子维度本文的核心解释变量是北大数字金融研究中心编制的数字普惠金融综合指数及其分维度指数REF_Ref26811\r\h[27]，具体来讲分别是数字普惠金融指数（Df）以及其包含的数字金融使用深度（Dep），数字金融覆盖广度（Bre）以及数字普惠金融数字化程度（Dig）三个维度。为降低量纲及异方差问题带来的影响，本文对数字金融及其三个子维度的原始指数数据缩小一百倍处理。2011-2021年长江中游城市群数字金融发展水平不断提高，2021年武汉市、长沙市、南昌市、鄂州市的数字金融发展水平位于长江中游城市群前四。从子城市群角度来看，武汉都市圈的数字金融发展水平较高，2021年达295.994。而环长株潭城市群、环鄱阳湖城市群的总平均值为182.700。武汉都市圈其经济发展水平和经济结构相对较为优越，这为数字金融的发展提供了良好的基础。相比之下，环长株潭城市群和环鄱阳湖城市群虽然在经济发展上有所不及，然而，由于地理位置、资源禀赋等因素的影响，环长株潭城市群和环鄱阳湖城市群的数字金融发展稍逊于武汉都市圈。因此，需深入挖掘长江中游城市群数字金融发展潜力，充分发挥数字金融的引擎作用，避免进一步加深数字鸿沟。3.门槛变量（1）产业结构高级化（Ins）产业结构的高级化通常体现为资源使用效率的显著提高，以及产业布局向高产值和低环境影响的清洁产业领域的转移。这一过程中，经济发展更多依赖于知识密集型和技术密集型产业，同时减少对传统高耗能、高污染产业的依赖。通过优化产业结构，可以实现经济增长与环境保护的双赢局面。数字金融作为一种新型的金融形态，它的发展需要依赖于先进的产业结构，因为只有在一个高度发达的产业环境中，数字金融才能更好地发挥其优势，提供更加高效、便捷的服务。反过来，数字金融也能通过提供更多的金融产品和服务，帮助企业解决融资难题，推动产业结构的高级化进程，从而达到提升碳排放效率的目标。同时，产业结构的高级化也会对数字金融产生间接影响。随着产业结构的不断优化，新的产业形态和经济模式将会不断出现，这将为数字金融提供更大的发展空间和更多的发展机遇。例如，新兴产业如绿色能源、电动汽车等的兴起，都将带动数字金融的发展，同时也将进一步推动碳排放效率的提升。因此，采用第三产业增加值与第二产业增加值的比值衡量产业结构高级化水平。（2）绿色技术创新能力（Tec）绿色技术创新驱动产业结构向绿色低碳转型，这不仅直接减少了碳排放，也通过促进绿色金融体系的成长，间接增强了数字金融在提升碳排放效率方面的潜力。绿色技术创新与绿色金融的相互作用，共同推动了数字金融的进步，形成了促进可持续发展的良性循环机制。由于专利数据不易被纂改，相对准确可靠，本文参考徐佳和崔静波REF_Ref24887\r\h[29]的做法，选用城市绿色专利申请数量作为反映绿色技术创新水平的代理变量。4.控制变量参考现有研究REF_Ref18455\r\h[22]REF_Ref25002\r\h[26]REF_Ref29541\r\h[29]选取人力资本、经济发展水平、政府规模作为控制变量。其中，人力资本（Hc）用普通高等学校在校人数取对数表示；经济发展水平（Eco）用人均GDP取对数表示；环境规制（Er）采用建成区绿化覆盖率作为代理变量；政府规模（Gov）用政府财政支出占地区生产总值的比重表示。变量的选取说明如表2所示。对原始数据进行描述性统计分析结果如表3所示。数字金融指数（Df）最小值为36.31（2011年吉安市），最大值为335.74（2021年武汉市），均值为185.451，说明长江中游城市群各城市数字金融发展程度差异较大。此外，在门槛变量产业结构高级化（Ins）和绿色技术创新能力（Tec）方面，长江中游城市群各城市差异最大的是绿色技术创新能力（Tec），最大值有8607，最小值只有5，说明长江中游城市群个别城市需要进一步扩大绿色技术创新力度与政策支持，缩小各城市间的差距并提升整体水平。表2变量选取说明变量类型变量名变量符号计算公式被解释变量碳排放效率Ce超效率SBM模型计算核心解释变量数字金融指数

及其一级指标覆盖广度、使用深度、数字化程度Df、Bre、Dep、Dig北京大学数字普惠金融指数缩小100倍门槛变量产业结构高级化Ins第三产业增加值/第二产业增加值绿色技术创新能力Tec绿色专利申请总量控制变量人力资本Hc普通高等学校在校人数取对数经济发展水平Eco人均GDP取对数环境规制Er建成区绿化覆盖率政府规模Gov政府财政支出/GDP表3变量的描述性统计变量均值标准差最小值最大值样本个数Ce0.7130.1590.4211.119308Df185.45172.96236.31335.74308Bre172.18673.48322.94352.28308Dep191.10770.01833.31312.05308Dig218.98286.48212.49324.21308Ins0.8430.2780.41.782308Tec456.1421056.35658607308Hc123664.8221486.247941105576308Eco38898.3818512.3912377.1299440.16308Er42.1066.56410.4570.92308Gov17.7014.8669.26931.7733085.Pearson相关性分析表4所示Pearson相关性分析结果可知，数字金融与碳排放效率的相关系数为负，但这种相关关系不是非常显著，该系数提示数字金融对城市碳排放效率的影响可能并非单一的线性关系，而是可能存在复杂的非线性效应，需要进一步检验。数字金融与绿色技术创新能力、产业高级化呈显著正相关，说明数字金融的发展对城市的数字技术创新水平与产业结构高级化起到正向促进的作用。而产业结构高级化与碳排放效率呈不显著的负相关，说明有可能存在非线性效应，需要进一步检验。由表3还可以得出主要变量之间的相关系数大部分低于多重共线性门槛值（0.5），并且检测得到的VIF值均小于5，因此可以排除模型的多重共线性的问题。表4主要变量的Pearson相关系数CeDfTecInsCe1Df-0.2509*1Tec0.2996***0.3699***1Ins-0.08870.7153***0.4868***1注：***、**、*分别表示在1%、5%、10%的显著性水平上显著。（三）研究范围与数据来源本文的研究范围是长江中游城市群，其中长江中游城市群只包括江西省吉安市的部分县区，且由于仙桃市、潜江市、天门市各项数据缺失严重，考虑到数据的可得性与完整性，最终的研究范围如表5所示。表5研究范围省份城市武汉城市圈武汉、黄石、鄂州、孝感、黄冈、咸宁、襄阳、宜昌、荆州、荆门环长株潭城市群长沙、株洲、湘潭、岳阳、益阳、常德、衡阳、娄底、环鄱阳湖城市群南昌、九江、景德镇、鹰潭、新余、宜春、萍乡、上饶、抚州、吉安在本研究中，除了数字普惠金融指数之外的数据主要取自2011至2021年期间的《中国城市统计年鉴》、《中国城市建设统计年鉴》，以及各个城市的官方统计年鉴和国民经济及社会发展统计公报。对于少数缺失的数据，我们采用了移动平均法进行填补，以确保数据集的完整性和分析结果的准确性。五、实证结果分析（一）碳排放效率评价本研究采用MaxDEA软件，并依据式（1）定义的超效率SBM模型，测度长江中游城市群在2011至2021年间的碳排放效率。在此过程中，我们分别考察了未将非期望产出纳入考量及将其纳入考量时的效率表现，并将相关计算成果整理归纳于表6与表7中。表62011-2021年不考虑非期望产出的长江中游城市群碳排放效率城市不考虑非期望产出2011年2012年2013年2014年2015年2016年2017年2018年2019年2020年2021年武汉市0.6770.8200.8600.8790.8590.8580.9531.0290.9480.9101.093黄石市0.7360.7290.7130.7030.6860.6840.6660.6640.6510.5560.586鄂州市0.8130.7950.7680.7450.7290.7120.7320.7290.7110.9481.030黄冈市1.0030.9990.9370.8650.8220.8240.5580.5390.5270.5370.540孝感市0.7990.7840.7600.7150.7090.6680.5230.5170.5260.6340.663咸宁市0.9110.8530.8230.8160.8200.8090.7460.7640.7640.7410.771襄阳市0.8901.0060.9540.8280.8250.8070.7360.6990.6670.8590.930宜昌市0.7570.7940.7810.8020.7950.8070.6840.6740.6720.8130.933荆州市0.7710.7400.7160.7030.6980.6920.6540.6670.6890.7240.733荆门市0.7900.7810.7540.7400.7200.7120.6690.6640.6400.7550.759武汉城市圈0.8150.8300.8060.7800.7660.7570.6920.6950.6790.7480.804长沙市0.8500.8991.0020.9740.9811.0660.9811.0420.9720.9711.045株洲市0.7780.7870.7680.7790.7940.8100.7550.7760.8090.8040.861湘潭市0.6730.6740.6540.5820.6080.5970.7620.7620.7570.7650.785岳阳市0.8370.8800.8670.8860.9180.9270.8650.9410.8600.8990.979益阳市0.8540.8560.8430.8610.9080.9230.8410.9020.8340.8250.834常德市1.0091.0051.0041.0101.0061.0140.9381.0040.9360.9700.992衡阳市0.8010.8180.8170.8300.8690.8610.7870.8010.7950.7010.683娄底市0.8730.8570.8000.7920.8140.7990.7210.7370.7250.6720.677环长株潭城市群0.8340.8470.8440.8390.8620.8750.8310.8710.8360.8260.857南昌市0.6520.6670.6370.6790.6900.6770.6610.6800.6460.6320.661九江市0.7990.7770.7730.7860.7730.7940.6910.7480.7720.7260.748景德镇市0.7950.7950.8090.7980.8030.8130.7490.7840.8370.7190.740鹰潭市1.0121.0121.0011.0020.9931.0030.8590.8690.9140.9811.009新余市1.0191.0020.8960.8920.9050.9110.9070.9640.8500.8500.912宜春市0.9040.9350.8830.8920.8680.8660.6470.6680.7240.7190.737萍乡市0.820.8390.7450.7660.7650.7740.7640.7820.7130.7090.724上饶市1.0010.9610.9721.0140.890.8950.6780.7170.7210.7080.729抚州市0.8550.8040.7810.8010.8060.8040.6770.6920.670.6430.646吉安市0.9180.9430.90.8970.8890.8960.6740.6960.6960.6440.625环鄱阳湖城市群0.8780.8730.840.8530.8380.8430.7310.760.7540.7330.753均值0.8430.850.8290.8230.8190.8220.7460.7680.7510.7650.801表72011-2021年有考虑非期望产出的长江中游城市群碳排放效率城市考虑非期望产出2011年2012年2013年2014年2015年2016年2017年2018年2019年2020年2021年武汉市0.7010.8511.0011.0010.8760.9140.8991.0290.8660.9011.045黄石市0.5960.5960.5890.5710.5530.5480.5260.5170.5010.4210.439鄂州市0.6040.5870.5810.5690.5680.5580.5690.5620.5460.7761.030黄冈市1.0030.9050.6970.6360.6230.6320.4660.4450.4410.4400.439孝感市0.5910.5930.5760.5610.5480.5330.4390.4310.4350.4960.524咸宁市0.6850.6700.6450.6400.6330.6250.5690.5660.5620.5420.564襄阳市0.8941.0060.9290.7530.7020.6710.6100.5630.5350.6700.748宜昌市0.7160.7460.6850.6840.6530.6730.5610.5530.5470.6460.807荆州市0.6480.6360.6150.5980.5810.5710.5370.5330.5430.5770.569荆门市0.6300.6420.6510.6120.6070.5920.5530.5490.5280.5480.564武汉城市圈0.7070.7230.6970.6630.6340.6320.5730.5750.5500.6020.673长沙市0.8270.8561.0020.9460.9811.0540.9201.0361.0170.9511.022株洲市0.6770.7090.6500.6610.6510.6600.6110.6110.6530.6290.678湘潭市0.5560.5460.5250.4840.5060.4890.5970.5930.5810.5790.598岳阳市0.8050.8090.8150.8090.8080.7730.6930.7460.6750.7070.808益阳市0.6720.6960.6760.6860.7120.7400.6470.6830.6270.6180.618常德市1.0091.0161.0041.0071.0051.0130.8081.0040.7760.7460.785衡阳市0.7590.7650.7270.7510.7360.7520.6540.6470.6310.5670.537娄底市0.7150.6660.6430.6430.6470.6380.5640.5710.5610.5270.516环长株潭城市群0.7520.7580.7550.7480.7560.7650.6870.7360.6900.6650.695南昌市0.8731.0890.8700.7980.8610.7730.6690.9240.6370.6661.027九江市0.8011.0190.8450.7720.7560.7100.6390.7410.7380.7551.009景德镇市0.8171.0100.7160.8370.7190.6970.7160.6120.6460.5780.582鹰潭市1.0121.1191.0011.0020.9531.0040.7210.6820.7370.8371.013新余市1.0371.0020.7500.7380.8900.7470.8511.0150.6760.7650.762宜春市0.9031.0900.8570.7700.7640.7520.5850.6620.6910.7400.634萍乡市0.7430.7610.7010.7710.6670.7350.6890.6050.6070.5630.548上饶市1.0041.0071.0091.0140.8380.8280.6500.7150.6290.6390.658抚州市0.7561.0070.6790.6700.6860.6960.6690.6720.6230.5590.595吉安市0.7750.8570.7200.7230.7940.8460.5980.6290.6380.6190.603环鄱阳湖城市群0.8720.9960.8150.8090.7930.7790.6790.7260.6620.6720.743均值0.7790.8310.7560.7400.7260.7220.6430.6750.6300.6450.704由测算出的结果可知，长江中游城市群在2011至2021年每年的碳排放效率平均值，无论是在包含还是不包含非期望产出的情境中，均未达到DEA有效边界，反映出整体上存在改进的空间。如图1所示，时间序列数据显示，该城市群的碳排放效率均值经历了一个波动下降后再上升的过程。值得注意的是，当没有将非期望产出纳入考量时，碳排放效率的平均值普遍高于纳入非期望产出时的效率值。这一发现指出，传统的效率评价方法可能会导致对城市碳排放效率的过高评估，因此本研究应考虑到非期望产出对效率评价的影响。图12011-2021年碳排放效率均值时序图分子城市群来看，2011-2021年，有考虑非期望产出下的碳排放效率均值，环鄱阳湖城市群（0.777）效率均值最高，环长株潭城市群（0.728）与其效率均值差异不大，而武汉城市圈（0.639）效率均值最低。环鄱阳湖城市群拥有丰富的水力资源，而水电发电为主要的清洁能源来源之一，相对较低的碳排放量是环鄱阳湖城市群碳排放效率高的重要原因之一；环长株潭城市群的碳排放效率略低于环鄱阳湖城市群的原因可能是环长株潭城市群地处湖南省，煤炭资源的相对丰富，对传统的化石能源依赖较高，导致碳排放略多；武汉城市圈的碳排放效率较低的原因主要是产业结构偏重重工业，能源消耗较大，碳排放量相对较高。尽管近年来武汉城市圈也在积极推动产业升级和绿色发展，但碳排放效率的提升尚需时间。这些资源禀赋因素综合影响了三个子城市群的碳排放效率排名。从图2可以观察到长江中游城市群碳排放效率的空间分布，表现为典型的多核心集聚分布特征。具体来看，南昌、长沙、武汉这3个省会城市及长沙、南昌周围城市区域的碳排放效率较高，这些城市的集聚态势在增强。然而城市群的中的中小城市的碳排放效率提升相对较慢。武汉周边的地区，存在碳排放效率低值集聚，且有强化趋势，而远离武汉的襄阳市、宜昌市的碳排放效率反而呈现出中高水平且不断提升的趋势，表明武汉城市圈空间极化现象严重，武汉城市圈内资源分配和环境压力存在较大不均衡。另一方面，环鄱阳湖城市群的碳排放效率的中高值区域范围最为广泛，整体水平较高，意味着环鄱阳湖城市群的经济发展和环境保护措施相对协调。图2长江中游城市群碳排放效率空间分布（2001年、2016年、2021年）图2长江中游城市群碳排放效率空间分布（2001年、2016年、2021年）a.2001年b.2016年c.2021年数字金融对碳排放效率的直接影响1.基准回归为了选取更加贴切的回归模型，本文首先联合检验随机效应和固定效应，由豪斯曼统计检验表8结果可知，P值为0.0003，应该拒绝豪斯曼检验原假设，即选择固定效应模型更为恰当，含数字金融一次项的双向固定模型的回归结果如表9列（1）所示。表8豪斯曼检验结果(b)(B)(B-b)sqrt(diag(V_b-V_B))fereDifferenceS.E.Df0.0991-0.11990.21900.0558lhc0.01890.0240-0.00510.0001Er0.00300.00240.00060.0002leco0.23690.17820.05870.0111Gov0.01080.00800.00280.0006表9中列（1）的数据显示，数字金融一次项回归系数在1%的显著性水平上显著为正，说明数字金融发展对提升城市碳排放效率具有积极作用，验证了假设H1。观察表9列（1）控制变量的结果发现，城市人力资本、城市经济发展水平与城市政府规模均和碳排放效率均呈显著的正相关关系。城市人力资本的积累一方面通过提升服务业在经济中的比重，推动产业结构向更高效、低碳的方向优化升级，进而可能实现降低城市的碳排放效率，另一方面，高质量的人力资本对绿色科技创新的推动也对提升碳排放效率有着积极的影响。同时，随着经济发展水平提升与政府规模的扩大，我国我开始寻求更为低碳环保的发展路径，将更多的资金投入到低碳环保技术设施的研发中，有助于提高碳排放效率。前文通过对我国部分发展迅速城市的数据进行深入分析，我们发现这些城市的碳排放效率提升速度并未达到预期，且存在一定程度的放缓现象。因此，在考虑数字金融对城市碳排放效率影响时，需要关注其可能产生的非线性效应。为了探究数字金融与碳排放效率之间的非线性关系，我们在回归模型中加入了数字金融的二次项，以检验其是否存在加速或减缓碳排放效率提升的效应。回归结果如表9列（2）所示，与一次项线性模型对比可知，非线性模型的拟合优度更高，更具可信度。由结果可知，数字金融的一次项系数显著为正，二次项系数显著为负，说明数字金融与碳排放效率存在倒“U”型关系，并处于倒“U”形的左侧，曲线的拐点意味着数字金融指数在312.95之前，数字金融显著促进碳排放效率，当数字金融指数数值越接近312.95时，其促进效应减弱，当数字金融指数数值达到并超过312.95后，对碳排放效率具有抑制作用，验证了假说H2。可能的原因在于，到达拐点之前，数字金融能够通过数字技术分析大量的数据，更准确地评估借款人的信用状况，能够降低传统金融借贷市场中信息不对称，破解逆向选择的问题，提升资源利用效率，促进企业绿色转型，从而提高城市碳排放效率。与此同时，数字金融能够促使金融服务低碳化并赋能绿色生活与消费，创造了绿色经济效益，促使碳排放效率的提升。而数字金融在后期对碳排放效率的影响出现负外部性的原因，可能是由于随着数字金融的发展导致“资源虹吸”现象，即中心城市通过资源集聚拉大与非中心城市间数字金融发展差距，这种资源的不均衡分配不仅加剧了区域发展不平衡问题，还导致非中心城市相较于中心城市缺少资金、技术、人才和意识，企业绿色转型的碳减排问题难以有效解决，从而产生负外部性，抑制碳排放效率的提升。此外，数字金融的发展使得经济得到进一步的扩张，而扩张的经济又反过来刺激能源的消费，使得碳排放增加。表9基准回归与稳健性检验变量（1）（2）（3）缩尾回归（4）替换核心解释变量（5）替换被解释变量CeCeCeCeCiDf0.0991***0.3142***0.2834***40.1726***-0.8125***(0.0272)(0.0924)(0.0830)(7.7253)(0.2095)sDf-0.0502***-0.0399**-30.7162***0.2055***(0.0144)(0.0142)(5.9930)（0.0583）Hc0.0189**0.0182**0.0199**0.0190**-1.0357***(0.0065)(0.0065)(0.0065)(0.0063)（0.0319）Eco0.2369***0.2374***0.2312***0.2384***-0.3711**(0.0206)(0.0208)(0.0224)(0.0182)(0.1592)Er0.00290.0032*0.0041**0.0029**-0.0271***(0.0016)(0.0015)(0.0013)(0.0015)(0.0049)Gov0.0108***0.0106***0.0100***0.0114***-0.0605***(0.0027)(0.0027)(0.0026)(0.0026)(0.0186)Constant-2.4794***-2.6872***-2.6502***-15.4252***21.0765***(0.2338)(0.2845)(0.2694)(2.4502)(1.7176)效应固定效应固定效应固定效应固定效应随机效应Observations286286286286286R-squared0.28250.50370.59300.58630.5567注：***、**、*分别表示在1%、5%、10%的显著性水平上显著。比较该拐点与各城市实际数字金融发展水平均值与中位数，可以看出大部分城市的数字金融发展水平处于倒U型曲线左侧，即数字金融促进碳排放效率提升的阶段，而武汉市、长沙市、南昌市三个省会城市落在碳排放效率最高点之后。对于数字金融的节能效应大于增产效应的城市（处于倒“U”型左侧），应继续挖掘并强化数字金融的服务功能，持续推进数字金融的创新发展，以期进一步提高城市的碳排放效率，实现经济结构优化升级和低碳发展战略。而对于数字金融的增产效应大于节能效应的城市（倒“U”型右侧），应注意数字金融发展后期的“能源回弹效应”对碳排放效率的提高带来的负外部性。2.稳健性检验（1）缩尾回归在进行数据收集与处理工作时，误差的存在可能会对回归分析结果产生不利影响，尤其是异常值的干扰。因此，本研究采取了1%显著性水平的缩尾处理措施，以消除这类潜在干扰。经过此项处理，我们重新进行了回归分析，并将相关结果整理于表9的（3）列之中。在剔除了数据异常值的干扰之后，数字金融变量的一次项在1%的显著性水平上表现出了显著的正相关性；同时，其二次项在5%的显著性水平上则呈现出了显著的负相关性。值得注意的是，这些系数及其显著性水平与原始基准回归结果保持高度一致，进一步证实了我们研究结论的可靠性和稳定性。（2）替换核心解释变量本文参考郭峰的做法[30]采用主成分分析法，将数字普惠金融指数、每百人国际互联网用户数、人均电信业务总量、每百人移动电话用户数这四个指标浓缩成数字经济指数这一综合指标来代替数字金融指数进行回归分析，表9列（4）结果显示，数字经济指数的一次项影响系数在1%的显著性水平下为正，二次项系数在1%的显著性水平下为负，说明数字经济也对碳排放效率具有倒“U”型作用，证明了基准回归结果的稳健性。（3）替换被解释变量碳排放强度可以体现地区的减碳效果，可以反映一个地的碳排放水平和经济增长的关系。碳排放强度越低，说明在同样的经济增长条件下，碳排放量就越少，减碳效果就越好。因此本文选用城市碳排放量与实际GDP的比值作为碳排放强度的代理变量，替换被解释变量碳排放强度。表9列（5）的结果可以通过间接推导可以验证基准回归结论的稳健性。由三种稳健性检验结果可知模型估计结果的稳健性良好，即数字金融对碳排放效率具有倒“U”型影响，验证了本文假设H2.3.异质性分析鉴于不同城市的经济发展水平存在显著差异，这些差异可能导致数字金融发展的程度不一，进而影响碳排放效率的作用也可能表现出异质性。基于此，本研究深入分析城市区位特征及数字金融三大子维度的异质性效应，旨在揭示在不同情境下数字金融如何差异化地影响碳排放效率，以提出具体而精准的政策建议，助力数字金融与环境可持续性目标实现协同进步。（1）城市区位异质性分析考虑到长江中游城市群内部存在地理和行政划分的差异，且由前文可知长江中游城市群的碳排放效率的在三大子城市群中的空间分布存在异质性，因此按地理区域的不同分别进行回归。本文将28个地级市分别按所属子城市群整理成武汉城市圈、环长株潭城市群、环鄱阳湖城市群进行区域异质性分析。表10的列（1）、（2）、（3）分别为武汉城市圈、环长株潭城市群、环鄱阳湖城市群的回归结果。表10城市区位异质性分析变量（1）（2）（3）武汉都市圈环长株潭城市群环鄱阳湖城市群Df0.2611***0.7475***0.5425***(0.0788)(0.4471)(0.1375)sDf-0.0574***-0.1178**-0.0866**(0.0166)(0.0804)(0.0330)Hc0.0519***0.1476***-0.0108*(0.0124)(0.0294)(0.0072)Eco-0.0089**0.02540.0527(0.0029)(0.1400)(0.0606)Er0.2051**-0.00329.93e-06(0.0773)(0.0022)(0.0019)Gov0.00770.0813***-0.0101*(0.0075)(0.0191)(0.0053)Constant-2.1199*1.4930-0.1184*(1.0185)(2.1621)(0.8325)年份效应固定固定固定地区效应固定固定固定Observations886688R-squared0.59590.58060.5813注：***、**、*分别表示在1%、5%、10%的显著性水平上显著，括号内为标准误。与全样本回归结果类似，三个子城市群的数字金融的一次项系数显著为正，二次项系数显著为负，且显著性水平均在5%以上，说明在子城市群中数字金融与碳排放效率也存在倒“U”型关系，但各子城市群的倒“U”型曲线的拐点不同。由于数字金融指数经过缩小一百倍处理，通过计算得武汉城市圈的拐点为227.43，环长株潭城市群的拐点为317.27，环鄱阳湖城市群的拐点分别为313.22，即环长株潭城市群与环鄱阳湖城市群拐点值均高于武汉城市圈。说明环长株潭城市群与环鄱阳湖城市群数字金融促进碳排放效率提升的持续时间更长，而对于武汉城市圈，其数字金融发展后期的“能源回弹效应”对碳排放效率的提高带来的负外部性相较于其他两个城市群更早出现。究其原因，可能是武汉作为长江中游城市群的核心引擎，在长江中游城市群区域内占据领先地位，却面临城市圈内缺少有效副中心的问题，导致周边城市与武汉之间存在较大发展鸿沟。这种格局使得武汉在吸引和集聚资源、技术及人才方面具备强大实力，但其向外辐射带动作用尚显不足，导致武汉城市圈内数字金融发展不均衡，武汉城市圈数字金融提升碳排放效率的作用相对有限。另一方面，与经济增长下数字金融快速发展有关，武汉城市圈经济发展仍处于高速增长期，武汉的GDP接近长沙两倍，接近南昌三倍，且拥有较为发达的重工业基础，对能源需求大。随着数字金融的普及和深化，可能会加剧对传统能源的依赖，从而促进了高碳排放行业的增长，从而抵消了初期的节能减排效果，即抵销了部分数字金融对碳排放效率的促进作用。而环长株潭城市群与环鄱阳湖城市群相较于武汉城市群，在经济发展水平、资源、技术方面存在一定差距，然而，这种差距并非全是负面因素，反而在某种程度上促进了两地在经济发展与环境保护之间的相对协调。两地在工业化和城市化进程中仍有较大的发展空间，这为绿色产业的发展提供了广阔的市场前景。而数字金融发展能为其市场主体提供更为便利的资金支持平台，利于绿色创新活动开展和节能减排技术研发，随着数字金融不断深化，对城市碳排放效率的提升的整体效应更显著。（2）数字金融分维度异质性分析数字金融指数由覆盖广度、使用深度和数字化程度三个核心子维度构成。覆盖广度（Bre）衡量的是数字金融的覆盖率，评估数字金融服务的普及程度和包容性，通过考察移动支付渗透率、互联网银行用户规模等关键指标，揭示数字金融在提升金融服务可达性方面的成效。使用深度（Dep）衡量的是金融产品的多样性以及金融服务的易得性，聚焦于用户对数字金融产品的实际使用情况，运用交易频次、贷款申请使用率等数据，深入剖析数字金融服务在满足用户需求、提升用户体验方面的表现。数字化程度（Dig）衡量的是传统金融业务与先进信息技术融合的深度和广度，通过分析金融机构在大数据等领域的应用投入及创新成果，评估数字金融在推动金融行业技术革新和效率提升方面的贡献。在控制其他变量不变的前提下，对每个子维度进行了独立的回归分析，以评估各个子维度对碳排放效率的具体影响，估计的结果如表11所示。数字金融的覆盖广度扩大以及数字化水平提升对碳排放效率产生了显著的正向影响，且这两个子维度与碳排放效率之间的表现为倒“U”型关系，即随着数字金融覆盖广度和数字化程度的深入发展，初期碳排放效率得到显著提升，随着进一步的优化和成熟，效率增长将逐渐趋向稳定。然而，对于数字金融使用深度而言，其与碳排放效率之间的倒“U”型关系并不显著。这可能意味着在当前阶段，数字金融的使用深度还未能对碳排放效率产生显著的影响，其影响机制尚待进一步探究。通过进一步计算得到，数字金融覆盖广度和数字化程度的拐点位置不同，数字化程度曲线的最高拐点为282.56，这一数值接近于或小于当前大部分城市实际的数字金融数字化程度，而数字金融覆盖广度曲线的最高拐点为411.74，远大于当前大部分城市实际的数字金融覆盖广度。说明数字金融子维度中覆盖广度对于改善数字金融促进碳排放效率的提升起到关键作用。数字金融的广泛覆盖显著消除了地理和人口壁垒，缓解了金融排斥效应和金融门槛效应，极大提高了金融服务的可获得性，从而全面提升数字金融的包容性。数字金融包容性的增强有助于缓解信息不对称的问题，使得绿色新兴项目更容易获得必要的融资支持，通过优化资源配置，促进低碳经济的发展，进而有效提升整体经济的碳排放效率。总之，数字金融覆盖广度的提升深度拓展了数字金融的包容性优势，因此拐点位置在三个子维度中最高。表11分维度数字金融对碳排放效率的影响变量（1）（2）（3）CeCeCeBre0.1367**(0.0559)sBre-0.0166*(0.0088)Dep0.1865(0.1841)sDep-0.0247(0.0352)Dig0.3549**(0.1465)sDig-0.0628(0.0362)Hc0.0199**0.0195***0.0223***(0.0063)(0.0059)(0.0061)Eco0.2326***0.2258***0.2171***(0.0218)(0.0215)(0.0222)Er0.0040**0.0033**0.0031*(0.0013)(0.0014)(0.0014)Gov0.0104***0.0103***0.0106***(0.0027)(0.0026)(0.0025)Constant-2.4746***-2.4484***-2.5588***(0.2648)(0.4056)(0.2285)年份效应固定固定固定地区效应固定固定固定Observations286286286R-squared0.28980.28440.2893注：***、**、*分别表示在1%、5%、10%的显著性水平上显著，括号内为标准误。（三）数字金融对碳排放效率影响效应的门槛回归根据理论分析，数字金融的规模效应、结构效应与技术效应共同作用，通过促进低碳清洁的新兴项目发展、引导经济结构调整、提高资金配置效率等方式有效提升了碳排放效率。基于前述讨论，数字金融对碳排放效率的作用并非线性关系，而是呈现出复杂的非线性特征。为了深入揭示这种非线性关系，本研究采用了面板门槛回归模型进行深入分析。该模型能够有效识别并测算出影响碳排放效率的关键门槛变量，从而精确评估数字金融在不同情境下对碳排放效率的作用效果。通过面板门槛回归模型的应用，我们不仅能够揭示数字金融对碳排放效率的非线性影响机制，还能进一步分析这种影响在不同门槛值区间上的结构性差异，为制定更加精准有效的环境政策提供有力支持。根据式（3）、（4）、（5）所设定的面板门槛回归模型，以验证假设3，即处于不同的数字金融水平、产业结构高级化水平与绿色创新技术能力，数字金融对碳排放效率会呈现出不同的影响。1.以数字金融为门槛变量的面板门槛回归表12是数字金融作为门槛变量的门槛检验结果，结果表明数字金融对碳排放效率的影响存在基于数字金融本身的双重门槛效应，其中，第一个门槛值为79.19，第二个门槛值为275.27，可以将数字金融对碳排放效率的影响划分为三个区间。表12数字金融门槛检验结果门槛个数F值P值10%临界值水平5%临界值水平1%临界值水平门槛值单一门槛7.260.03255.9266.62788.00040.7619**双重门槛10.730.02346.56628.409416.60242.7527**三重门槛3.020.38405.00715.7889.2054注：***、**、*分别表示在1%、5%、10%的显著性水平上显著；上文讨论了数字金融对碳排放效率具有倒“U”型的非线性影响，表13为以数字金融作为门槛变量的面板门槛回归结果。第一个门槛值为76.19，与2011年长江中游城市群各城市实际数字金融数值均值接近。当数字金融指数较低时（Df≤76.19），数字金融发展抑制碳排放效率提升，影响系数为-0.3569，且在1%的水平上是显著的。此时数字金融处于发展初期阶段，数字金融尚未发挥其节能作用，而此时数字基础设施大面积建设过程中会导致碳排放的增加。同时，由于数字金融具有优化资源配置和融资环境的功能，企业更容易获得融资，故企业扩大其生产规模，体现出数字金融的增产作用，从而最终导致数字金融发展初期迅速扩张的“规模效应”抑制了碳排放效率的提升。当数字金融发展水平逐渐提高（76.19＜Df≤275.27），数字金融的影响系数（0.1717）在该区间为正，且当数字金融指数水平在这一阶段的影响系数最大，说明数字金融指数水平在介于第一门槛值和第二门槛值之间时，数字金融对碳排放效率的促进作用最为显著，数字金融发展逐步成熟，能够为企业绿色创新提供充分的资金支持，使得数字金融节能作用所形成的减排效应超过数字金融扩展的碳排放增产效应，最终有助于碳排放效率的大幅提升。当数字金融发展水平进一步提高时（Df＞275.27），数字金融对碳排放效率的影响系数在这一区间内削减至0.1493，说明数字金融对碳排放效率的促进作用有所减弱，根据前文研究，数字金融数值在未达到拐点312.95之前，其对碳排放效率的正面影响仍然显著，且碳排放效率仍有一定的提升空间，可通过继续强化数字金融发展力度，实现更高的城市碳排放效率。研究假设H2a得到验证。表13数字金融为门槛变量的回归结果变量Df·I(Df≤76.19)Df·I(76.19＜Df≤275.27)Df·I(Df＞275.27)碳排放效率-0.3569***0.1717***0.1493***(-0.3569)(0.0441)0.0384控制变量控制Observations286注：***、**、*分别表示在1%、5%、10%的显著性水平上显著，括号内为标准误。2.以产业结构高级化为门槛变量的面板门槛回归将门槛变量设置为产业结构高级化，以讨论在不同的产业结构高级化水平区间上数字金融对碳排放效率作用的效果差异。表14为其门槛检验结果，显示存在产业结构高级化的单一门槛。产业结构高级化第一个门槛值为0.7579，接近产业结构高级化均值0.843，根据单一门槛值可以将产业结构高级化对碳排放的作用效果分为两个区间。表14产业结构高级化门槛检验结果门槛个数F值P值10%临界值水平5%临界值水平1%临界值水平门槛值单一门槛21.390.003312.718514.162717.56330.7579***双重门槛10.650.156711.832313.61317.019三重门槛5.240.833320.101721.902925.1871注：同表12表15显示了产业结构高级化作为门槛变量对回归结果的影响，当产业结构高级化未达到第一门槛值0.7579时，数字金融在此阶段的影响系数为0.0278，表明在产业结构高级化的初级阶段，数字金融已经对碳排放效率产生一定的正向促进作用。随着产业结构向更高级形态演进，当产业结构高级化跨越第一门槛值后，数字金融的影响系数提升至0.0825，表明数字金融对碳排放效率提升方面的作用越发显著。说明随着产业结构的不断优化升级，数字金融对碳排放效率的促进作用具有边际递增的趋势。数字金融对于高产业结构高级化水平的城市的碳排放效率具有更大的促进作用。产业结构高级化意味着经济体从侧重于低附加值、高能源消耗及环境污染型产业，向高附加值、低能源消耗及低环境污染产业的转型。在转型过程中往往伴随着技术创新，数字金融能够满足产业转型调整过程中的创新型企业、初创企业的融资需求，赋能新兴产业发展，提高经济效率，从而有力带动碳排放效率的提高。表15产业结构高级化为门槛变量的回归结果变量Df·I(Ins≤0.7579)Df·I(Ins＞0.7579)碳排放效率0.0278**0.0825**(0.0435)(0.0370)控制变量控制Observations286注：***、**、*分别表示在1%、5%、10%的显著性水平上显著，括号内为标准误。3.以绿色创新技术能力为门槛变量的面板门槛回归本文接着讨论将门槛变量设置为绿色创新技术能力时数字金融对碳排放效率作用的效果差异。表16显示了绿色创新技术能力的门槛检验结果，可以看出绿色创新技术能力作为门槛变量时，存在双重门槛，第一个门槛值为154，第二个门槛为1607，可以将数字金融对碳排放效率的影响划分为三个不同区间，以更精确地讨论其作用机制和效果差异。表16绿色创新技术能力门槛检验结果门槛个数F值P值10%临界值水平5%临界值水平1%临界值水平门槛值单一门槛33.740.00007.26458.616911.5788154***双重门槛7.840.07677.50378.493410.48131607*三重门槛3.740.920016.912819.294124.5774注：同表12表17显示了以绿色创新技术能力为门槛变量的回归结果。当城市绿色创新技术能力较低时（Tec≤154），数字金融对碳排放效率的回归系数为0.0818，说明数字金融对绿色创新技术能力较低的城市的碳排放效率的促进作用。而当城市绿色创新能力不断提高后（154＜Tec≤1607），数字金融对碳排放效率的促进效应有所减弱，这可能是由于此区间内绿色技术创新带来的减排效应难以抵消绿色技术创新推动经济增长带来的碳排放增长效应，从而削弱了数字金融对碳排放效率提升的促进效应。当城市绿色创新能力进一步提高（Tec＞1607）时，数字金融对碳排放效率促进作用大幅度增强。将门槛值与实际绿色创新技术能力数值对比可知，各城市绿色创新技术能力水平差异较大，只有武汉市、长沙市、南昌市三个省会城市越过了第二门槛值，即这三个省会城市基于绿色创新技术能力约束下的数字金融对碳排放效率的作用位于第三个高增长区间。除此之外，其他城市的绿色创新技术能力水平到达第二门槛仍有一定距离。因此长江中游城市群在数字金融促进碳排放效率提升方面还有较大发展空间和提升潜力，需重视绿色创新技术能力的提升，缩小与先进城市的差距，有利于进一步充分推动数字金融在促进碳排放效率提升的作用。表17绿色创新技术能力为门槛变量的回归结果变量Df·I(Tec≤154)Df·I(154＜Tec≤1607)Df·I(Tec＞1607)碳排放效率0.0818**0.0532*0.1449***(0.0244)(0.0257)(0.0263)控制变量控制Observations286注：***、**、*分别表示在1%、5%、10%的显著性水平上显著，括号内为标准误。六、结论与政策建议在数字时代背景下，实现碳达峰和碳中和目标不仅是一项挑战，也代表着经济社会系统的一次全面而深入的变革。在这一过程中，构建一个能够持续推动减排降碳的长效机制显得尤为关键，而数字金融作为新兴的金融形态，提供了实现这一目标的潜在途径。本研究选取了2011至2021年中国长江中游城市群的28个城市作为研究对象，并采用多种实证分析方法，对数字金融发展与碳排放效率之间的关系及其内在作用机理进行了系统性的检验与实证分析。主要结论如下：（1）数字金融发展与碳排放效率之间存在显著的非线性关系，具有倒“U”型特征。经过门槛效应的检验发现，数字金融发展的初期阶段，其对碳排放效率的提升产生一定的抑制作用，而随着数字金融的不断发展，其对碳排放效率的影响方向由负变正，提升作用逐渐增强，但数字金融指数达到一定水平后，后期可能因资源不均衡而产生负外部性，对碳排放效率的提升效果有所削弱。（2）各地区数字金融促进碳排放效率曲线的拐点不同。武汉城市圈的拐点要低于环长株潭城市群与环鄱阳湖城市群，是由于武汉城市圈资源集中和产业结构问题，导致其数字金融对碳排放效率的促进作用较早越过拐点。（3）数字金融三个子维度对碳排放效率也存在异质性影响。结果表明，数字金融子维度与碳排放效率仍存在倒“U”型关系，覆盖广度和数字化程度与碳排放效率的倒“U”型关系显著，而使用深度的影响作用不显著。其中，覆盖广度对碳排放效率影响曲线的拐点最高，说明数字金融子维度中覆盖广度对于改善数字金融对碳排放效率促进效应的持久提升起到最为关键的作用。（4）数字普惠金融与碳排放效率之间存在基于产业结构高级化的门槛效应，数字金融对高产业结构高级化城市的碳排放效率提升作用更显著。产业结构高级化水平对数字金融促进碳排放效率的影响呈分阶段特征。存在产业结构高级化单一门槛，门槛值为0.7579，意味着第三产业的经济规模相对于第二产业的经济规模达到了0.7579倍，此时城市服务业比重较高。产业结构高级化水平低于门槛值时，数字金融能显著促进碳排放效率；而随着产业结构高级化越过门槛值，促进作用增强。（5）数字普惠金融与碳排放效率之间存在基于绿色创新技术能力的门槛效应，绿色创新技术能力对数字金融促进碳排放效率的影响呈复杂的三阶段特征。当城市绿色创新技术能力较低时，数字金融对碳排放效率的促进作用显著。随着绿色创新技术能力的提升，数字金融的促进效应先减弱后随着绿色创新技术能力进一步达到高水平后大幅增强。其中，促进效应减弱阶段与绿色技术创新带来的减排效应和经济增长效应之间的不平衡关系有关。在长江中游城市群中，武汉市、长沙市、南昌市三个省会城市在绿色创新技术能力方面表现突出，已越过第二门槛值，处于高增长区间，而其他城市仍有较大的发展空间和提升潜力。针对以上实证分析结论，提出如下政策建议：第一，优化数字金融布局。扩大数字金融覆盖面，加强数字金融基础设施建设，提高网络覆盖率和数据安全水平，加大对欠发达数字金融城市的数字金融投入，通过政策扶持和市场机制，提高这些地区的数字金融覆盖率，为其数字金融发展提供坚实基础。针对数字金融发展后期会产生负外部性对碳排放效率的促进作用有所减弱的问题，需强化数字金融的社会责任。鼓励数字金融企业积极履行社会责任，关注环境保护和可持续发展，通过绿色金融产品和服务促进低碳经济。加强对数字金融企业的环保评价，将其纳入企业信用评级体系，对表现优秀的企业给予奖励和支持。第二，因地制宜，制定区域差异化政策。长江中游城市群中三个子城市群在数字金融促进碳排放效率方面的差异，政府应制定差异化的区域发展战略。对武汉城市圈，应着重解决资源集中和产业结构问题，通过产业升级和结构调整，提高数字金融对碳排放效率的促进作用。对环长株潭城市群和环鄱阳湖城市群，应进一步深化数字金融改革，推动金融创新，提升数字金融服务质量，更好的促进碳排放效率的提升。第三，调整产业结构并