EN中文

Economic geography >

2025 , Vol. 45 >Issue 12: 25 - 33

DOI: https://doi.org/10.15957/j.cnki.jjdl.2025.12.003

Impact and Spatial Effects of Digital Finance on Carbon Emission Intensity in Counties of China's Provincial Borders

  • ZHANG Huimin , 1 ,
  • ZHENG Ziyan , 2, ※ ,
  • TONG Lianjun 1
Expand
  • 1. Northeast Institute of Geography and Agroecology， Chinese Academy of Sciences， Changchun 130102，Jilin， China
  • 2. Business School， Jiangsu Second Normal University， Nanjing 211200，Jiangsu， China

Received date: 2025-07-03

  Revised date: 2025-11-05

  Online published: 2026-02-04

Fold

Abstract

This paper visualizes the spatiotemporal patterns of digital finance development level and carbon emission intensity on the basis of the panel data of 823 counties in China's provincial borders from 2014 to 2020. It also employs the STIRPAT model and Spatial Durbin Model to test the impact of digital finance on carbon emission intensity in counties of China's provincial borders. The results show that: 1) From 2014 to 2020, the development level of digital finance has been continuously improved in counties of China's provincial borders, presenting an overall spatial pattern of being higher in the east and lower in the west. Carbon emission intensity showed a downward trend, counties in the west of provincial borders are the main agglomeration areas of high carbon emission intensity. 2) The development of digital finance in counties of China's provincial borders has a significant inhibitory effect on carbon emission intensity, showing strong stability. 3) The development of digital finance in counties of China's provincial borders has an inhibitory effect on the local carbon emission intensity, but it increases the carbon emission intensity of adjacent counties, and there is significant regional heterogeneity in the impact of digital finance on carbon emission intensity in counties of China's provincial borders. 4) The digital finance in counties of China's provincial borders can significantly reduce carbon emission intensity through the effects of industrial structure upgrading and technological innovation. In response to the specific conditions of counties of China's provincial borders, this paper proposes a core strategy of reducing carbon emission intensity through digital finance, as well as development strategies featuring advantage-driven growth, adaptation to local conditions and collaborative cooperation.

Key words： digital finance; carbon emission intensity; regional heterogeneity; spatial spillover effect; counties of provincial borders

Cite this article

ZHANG Huimin , ZHENG Ziyan , TONG Lianjun . Impact and Spatial Effects of Digital Finance on Carbon Emission Intensity in Counties of China's Provincial Borders[J]. Economic geography, 2025 , 45(12) : 25 -33 . DOI: 10.15957/j.cnki.jjdl.2025.12.003

降低碳排放、发展绿色经济是应对温室气体排放、落实“双碳”目标的关键路径[1]。当前，我国仍处于工业化与城镇化深化阶段，能源消费总量持续增长，碳排放基数庞大，单位GDP能耗与主要发达国家相比仍有差距，推动减排转型任务紧迫而艰巨。与此同时，数字金融作为现代金融服务的新形态，近年来在中国迅速发展。移动支付、数字信贷、智能投顾等业务广泛普及，不仅重塑了金融服务生态，也为实体经济注入了新动能。根据2024年最新数据，中国数字金融市场规模达到41.7万亿元，占全球市场的15.6%，位居全球首位。2021年，《国务院关于加快建立健全绿色低碳循环发展经济体系的指导意见》明确提出，应“坚持以节能提效为主要方向”，推动我国经济社会发展全面绿色转型。2025年10月，党的二十届四中全会进一步强调，要“以碳达峰碳中和为牵引”，协同推进降碳、减污、扩绿、增长，以此筑牢生态安全屏障、增强绿色发展动能。数字金融不仅在经济层面带来效率提升与模式创新，其数据驱动、精准配置的资源特性，也为绿色项目识别、碳账户体系建设、绿色融资服务等提供了技术路径与实施载体，成为推动绿色低碳转型、助力“双碳”目标实现的有力工具[2]。在此背景下，深入探究数字金融对碳排放强度的影响效应及其内在机制，对于因地制宜发展新质生产力、优化绿色金融政策体系，以及促进人与自然和谐共生的现代化进程，具有重要的理论价值与现实意义。
已有数字金融与碳排放强度的相关研究主要集中于以下方面：①关于数字金融对碳排放强度的影响效应。目前学术界尚未取得一致性观点，主要形成3种观点：一是数字金融发展促进了碳排放强度降低。数字金融发展推动了环境污染治理[3]，金融多元化、开放性限制降低了碳排放强度[4]。二是数字金融发展增加了碳排放强度。Kim等的研究发现市场主导的金融体系最终会加剧CO2排放强度[5]；王军等采用家庭—城市匹配数据，发现数字金融发展促进了家庭消费碳排放强度的增加[6]。三是数字金融对碳排放强度的影响具有非线性特征。数字金融对碳排放强度的影响效应包括增产效应和节能效应，由此驱动碳排放强度呈现先增加后减少的态势[7]。②关于数字金融发展对碳排放强度影响的空间异质性。不同资源禀赋、发展水平的地区金融发展对碳排放强度影响存在明显的区域异质性，尤以东部地区与大城市影响最为显著[8-9]。③关于数字金融发展赋能降低碳排放强度的作用机制。从分解与分析视角看，数字金融发展对碳排放强度的抑制作用主要来源于经济增长效应和技术创新效应[10]，在金融发展低水平阶段，技术效应弱于规模效应，在金融发展高水平阶段，技术效应强于规模效应[11]。从中介效应视角看，数字金融发展降低碳排放强度的影响是通过数字科技产业化和传统产业数字化的作用机制实现的[12]。
中国省际边界县域，因其特殊的地理过渡性和行政边缘性，已经成为区域协调发展的突出短板和薄弱环节，但作为国家战略的重要承载地，其碳排放问题对中国“双碳”目标实现有重大影响。有学者对中国省际边界县域碳排放问题分析发现，省际边界县域地区的增长趋势强于非省际边界县域，而此类地区碳排放影响因素中经济因子对邻近地区碳排放有显著影响[13]。在县域尺度上，数字普惠金融对碳排放具有显著抑制作用，其作用强度表现出明显的区域差异[14]，在碳生产率较高的地区，数字普惠金融的发展水平对其影响更为显著[15]。相较而言，省际边界县域碳排放效率较低，数字金融对碳排放的影响研究偏少，其影响机制也值得进一步探讨。
综上发现，现有关于数字金融与碳排放强度的研究在视角、尺度与方法上仍存在一定局限。①在研究视角上，尽管数字金融已成为我国金融发展的重要趋势，相关成果多聚焦于其影响效应与机制，但针对区域碳排放强度的研究尚未得到充分重视。②在研究尺度上，现有成果多集中于国家、省域或市域层面，而对省际边界县域等特殊类型区的探讨仍较为缺乏。③在研究方法上，学者们多采用面板回归、中介效应、机器学习、门限回归及空间计量等模型，但基于复杂网络分析的研究仍较为少见，从空间视角系统探讨数字金融对碳排放强度影响的研究亦显不足。
鉴于此，本文以中国省际边界县域为研究对象，基于2014—2020年823个中国省际边界县域的面板数据，揭示数字金融与碳排放强度的空间特征及其复杂性，系统分析数字金融对碳排放强度的传导机理与影响效应，并探讨该影响效应在省际边界地区的空间异质性，以期为跨省域协同推进减碳机制构建与绿色低碳发展决策提供理论支撑。

1 理论分析与研究假设

以人工智能为代表的新一代数字技术的广泛应用，加深了经济要素的区域间流动，推动了金融业态的转型升级，数字金融应运而生。本文以环境库兹涅茨曲线理论为指导，构建数字金融对碳排放强度影响的理论分析框架。

1.1 直接影响

数字金融是依托大数据、云计算等数字技术形成的新型金融服务业态。在数字化平台的支撑下，金融机构能够精准识别高污染、高能耗企业的环境表现，从而引导金融资源逐步从高碳领域退出，更多流向绿色低碳型企业，构建起以低碳为导向的绿色金融生态系统[16]。同时，碳排放权交易市场作为重要的市场化减排工具，通过经济激励推动企业实施低碳转型。数字金融的发展为碳市场构建了高效、透明的信息平台，借助数字化交易机制，促进碳排放成本内部化，进而激励企业主动优化减排决策[17]。此外，数字金融平台能够汇聚并动态更新海量企业数据，显著降低环境信息处理成本，助力政府精准获取企业碳排放强度等关键指标。在此基础上，政府可制订更为科学的减排路径与精准治理策略[18]，从而有效推动碳减排进程。
数字金融作为一种金融工具和技术手段，其效用的发挥依赖于区域所具备的内部条件与发展环境，其对碳减排效能的发挥更需要与区域特定的经济基础、产业结构和要素禀赋相匹配。在经济发展水平高、产业结构轻型化、技术创新能力强的地区，数字金融能够迅速与绿色技术、高端服务业融合，通过优化资源配置和提升生产效率，有力地推动碳减排进程[19]。相反，在那些传统产业占主导、能源结构偏煤且面临经济增长压力的地区，数字金融在短期内可能更倾向于服务当地既有的经济增长模式，其资源可能被引导至提高传统产能而非推动绿色转型，从而导致其碳减排效应被削弱甚至产生不确定性[20]。据此，本文提出假设如下：
H1：数字金融能够显著降低碳排放强度。
H2：数字金融对碳排放强度的影响效应存在区域异质性。

1.2 间接影响

依托以人工智能为代表的数字技术，数字金融模糊了产业活动的空间边界，克服了产业活动物理时空约束。首先，作为服务业发展的新业态，数字金融促进了服务业转型升级[21]；其次，数字金融通过优化资源配置，引导生产要素向效益好的产业部门集聚，促进产业结构合理化和高级化，而产业结构的转型升级进一步驱动包括能源在内的资源利用效率提升，促进了产业结构绿色化和低碳化发展[22]，使得区域碳排放强度下降。
技术创新是促进区域碳排放强度降低的重要动力因素。企业绿色低碳技术研发具有融资成本高、成果产出不确定与转化周期长等特点，需要长期的金融资源支持。与传统的金融服务相比，数字金融可以有效促进金融资源优化配置。具体而言，一方面可以为企业特别是中小企业的绿色低碳技术创新提供融资保障[23]；另一方面数字技术支持下的数字金融可以通过海量的用户信息分析，助推企业开展绿色低碳技术创新决策，提高其技术转化能力[24]。因此，企业的绿色低碳技术创新最终通过产业甚至宏观区域绿色技术进步，实现区域碳减排。据此，本文提出假设3。
H3：数字金融通过产业结构升级效应、技术创新效应提升促进碳排放强度下降。

1.3 空间溢出效应

随着区域一体化和基础设施完善，地区间要素流动日益增强，数字金融对碳排放强度的影响并非仅局限于本地，而是存在显著的空间溢出效应对邻近地区产生辐射和带动作用[25-26]。一是技术扩散与知识溢出。数字金融的核心技术，如大数据、云计算和区块链，其应用经验与创新模式会通过企业跨区域投资、人才流动、学术交流与合作等方式，跨越地理界限扩散到邻近地区。邻近地区可以学习、模仿和引进领先地区的绿色金融产品、能效管理方案和碳核算体系，从而跳过漫长的研发阶段，直接应用更先进的绿色技术，实现碳减排的“弯道超车”[27]。二是产业关联与供应链协同。区域经济是一个相互关联的有机整体，当核心地区的企业因获得便捷的数字金融服务而进行绿色技术改造或转型升级时，会对其上下游产业链企业提出相应的环保标准和要求[28]。这种压力或动力会沿着供应链传递到地理上邻近的合作伙伴，促使整个区域产业链向绿色、低碳化方向发展，形成协同减排效应。三是要素流动与市场整合。数字金融通过降低信息不对称和交易成本，促进了资本、技术等生产要素在区域间的更高效流动。绿色资本可以更容易地跨区域配置到具有减排潜力的邻近地区[29]。同时，数字支付、数字普惠金融等打破了地域金融市场分割，使得邻近地区的居民和企业也能享受到先进的绿色金融服务，激励其采取低碳行为，从而在更广阔的地理范围内降低碳排放强度。据此，本文提出假设4。
H4：数字金融不仅能够降低本地碳排放强度，还能通过空间溢出效应降低邻近地区的碳排放强度。

2 研究区、方法与数据

2.1 研究区概况

省际边界县域是指两个及以上省级行政区边界两侧的相邻县域（图略），作为我国典型的特殊类型区，其工业碳排放研究兼具重点性与复杂性。本文根据2020年行政区划，选取中国省际边界823个县域（包括县、县级市、地级市市区）作为研究对象，涵盖31个省、直辖市和自治区（由于数据暂缺，不含与港澳台相邻县域）。2019年，其工业碳排放量达27.64亿t，占全国工业碳排放总量的43.19%，减排压力极为严峻。2020年，该区域第二产业产值占全国26.19%，规模以上工业企业数量占全国24.44%，产业结构以资源密集型和劳动密集型行业为主导，表现出显著的高能耗、高污染特征。在工业增长与减污降碳之间，该类县域长期面临“两难”困境。在此背景下，依托数字金融推动省际边界县域工业绿色转型，已成为促进区域工业高质量发展和实现跨域协同的重要战略路径。

2.2 研究方法

2.2.1 基准回归模型

为克服经典的IPAT模型中各要素线性化和单一化的局限，本文在其中加入随机项并将其扩展为STIRPAT模型[30]，检验数字金融对碳排放强度的影响效应。构建固定效应模型如下：
$\begin{array}{l}lnC={\theta }_{0}+{\theta }_{1}·lnDF+{\theta }_{2}·ln{E}_{i}+{\theta }_{3}·ln{P}_{i}+\\ {\theta }_{4}·lnGover+{\theta }_{5}·lnOpen+{\theta }_{6}·lnTra+\\ \lambda +\varepsilon \end{array}$
式中：C为碳排放强度；DF为数字金融发展指数，表征数字金融发展水平；Ei为能源强度；Pi为人口密度；Gover为政府分权化水平；Open为对外开放程度；Tra为交通配置水平；θ0为常数项；θ1、θ2、θ3、θ4、θ5、θ6分别为各变量的回归系数；λ为不随时间变化的个体固定效应；ε为随机误差。

2.2.2 空间计量模型

为了检验数字金融对碳排放强度的空间溢出效应，本文参考彭文斌等的研究[31]，构建空间杜宾模型如下：
$\begin{array}{l}lnC=\rho ·W·lnC+{\theta }_{1}·lnDF+{\theta }_{2}·lnX+\gamma ·W·\\ lnDF+\delta ·W·lnX+\mu +\eta +\psi \end{array}$
式中：W表示空间权重矩阵，本文采用空间邻接矩阵来衡量，基本逻辑是由于地理邻近强化了城市间的相互依存关系和相似性[32]；ρ表示碳排放强度的空间自回归系数；γ和δ分别表示数字金融和控制变量的空间滞后项系数；μ和η分别表示个体固定效应和时间固定效应；ψ 表示随机干扰项。

2.2.3 影响机制检验

为检验数字金融影响碳排放强度的内在机制，本文借鉴陈鸿基等的研究思路[33]，构建计量模型如下：
$lnB={\theta }_{0}+{\theta }_{1}·lnDF+{\theta }_{2}·lnX+\lambda +\varepsilon $
$\begin{array}{l}lnC={\theta }_{0}+{\theta }_{1}·lnDF+{\theta }_{2}·lnB+\\ {\theta }_{3}·lnX+\lambda +\varepsilon \end{array}$
式中：B为机制变量；其他变量含义同式（2）。

2.3 变量说明

①被解释变量：碳排放强度（C）。碳排放强度是反映我国生态环境质量的关键指标，降低碳排放强度既是改善环境质量的重要举措，也是推动经济社会绿色低碳转型的必然要求。借鉴王少剑等的研究[34]，本文采用碳排放总量与GDP的比值衡量碳排放强度。
②核心解释变量：数字金融（DF）。数字金融是激活经济活力、优化资源配置、助力普惠发展的核心引擎，对经济社会高质量发展具有重要现实意义。借鉴刘毓芸等的研究[35]，本文采用北京大学数字普惠金融指数来度量数字金融发展水平。
③控制变量。参照以往文献做法，本文选取如下控制变量：能源强度（Ei），采用能源消费总量表示；人口密度（Pi），采用年末总人口与行政区域面积的比值来衡量；政府分权化水平（Gover），采用政府财政支出与GDP的比值来衡量；对外开放程度（Open），采用进出口总额占GDP比重表示；交通配置水平（Tra），采用人均公共汽车营运车辆数表示。
④机制变量。参照陈鸿基等的研究[33]，本文选取产业结构升级（Ins）和技术创新（Te）作为机制变量。其中，产业结构升级采用第三产业产值与第二产业产值的比值衡量，技术创新采用专利申请数量来衡量。

2.4 数据来源

基于数据获取的可行性和完整性，本文根据2020年行政区划，选取中国省际边界823个县域（包括县、县级市、地级市市区）作为研究对象，涵盖31个省、直辖市和自治区（港澳台数据暂缺）。碳排放强度数据来源于中国碳核算数据库（China Emission Accounts and Datasets，CEADs），数字金融数据来源于北京大学数字普惠金融研究中心。经济社会数据主要来源于2014—2021年的《中国县域统计年鉴》，以及相应年份的各省（自治区、直辖市）的统计年鉴、各县市国民经济和社会发展统计公报库，少数缺失值采用线性插值法填补。

3 结果分析

3.1 时空演变特征

①2014—2020年中国省际边界县域数字金融发展水平不断提升，数字金融发展指数由39.61增加到111.97，年均增长率18.91%。由图1可以看出，中国省际边界县域数字金融发展水平在空间上高值集聚显著强化、整体发展梯度更趋明显，且“东高西低”格局进一步凸显。具体而言，高发展水平区域在东部沿海及长三角、珠三角省际边界县域的连片集聚效应大幅增强，数值上限也明显提升；中西部地区虽有发展，但与东部的差距进一步拉大，整体形成了东部引领、中西部梯度跟进的空间分异格局，表现出数字金融在区域间的发展不均衡性随时间推移有所加剧趋势，同时东部核心区域的数字金融辐射与带动作用愈发突出。
图1 省际边界县域数字金融发展水平变化

注：基于自然资源部标准地图服务网站下载的审图号为GS（2024）0640号的标准地图制作，底图边界无修改；港澳台数据暂缺。图2~图4同。

Fig.1 Digital finance development level in counties of China's provincial borders

②2014—2020年中国省际边界县域碳排放强度由2.86 t/万元下降到2.06 t/万元，年均递减率为5.36%。由图2可以看出，中国省际边界县域碳排放强度空间分布呈现出高值集聚显著弱化、低值覆盖大幅扩展的演变特征，且“东低西高”梯度格局更趋清晰。具体而言，高碳排放强度区域相对集中分布于胡焕庸线以西地区，并有加剧趋势；中低碳排放强度区域在东部沿海及长三角、珠三角的省际边界县域集聚性增强，同时西部高值区域向中值区间过渡，整体体现出全国产业结构优化、能源效率提升与低碳技术推广下，中国省际边界县域碳排放效率的普遍改善，且区域间低碳发展的空间分异虽仍存在“东低西高”态势，但差距在逐步收窄。
图2 省际边界县域碳排放强度变化

Fig.2 Carbon emission intensity in counties of China's provincial borders

3.2 空间集聚特征

研究期内，中国省际边界县域数字金融发展全局Moran's I指数由0.2769上升到0.5821，呈显著的空间集聚趋势。从省际边界县域数字金融发展空间集聚特征来看，H-H型和L-L型县域明显占据主导地位，H-L型和L-H型县域较少（图3）。具体而言，H-H型县域主要分布于东部沿海地区的省际边界县域，并逐渐沿着长江向内陆延伸，形成了数字金融高值聚集中心，京津冀集聚趋势渐弱；L-L型县域西部地区大幅减少，逐渐萎缩，东北地区呈增强趋势；H-L型县域主要分布于L-L型县域的外围，并且有扩张之势，主要位于西部地区；L-H型县域数量最少，且分布区域较小，反映出省际边界县域数字金融水平较低的县域并不能很好地与经济水平较高县域产生关联，但京广线以西集聚空间大幅压缩。
图3 省际边界县域数字金融发展水平LISA图

Fig.3 LISA for digital finance development level in counties of China's provincial borders

由图4可知，研究期内省际边界县域碳排放强度空间集聚呈现出显著集聚性增强、H-H与L-L集聚格局更趋清晰且覆盖范围缩小的演变特征：高碳排放强度的H-H集聚区域明显东进，从西藏、青海的部分省际边界县域向内蒙古迁移并形成集聚，低碳排放强度的L-L集聚区域从西北和东北向中部收缩，且在东部沿海及长三角、珠三角的省际边界县域连片的集聚效应强化，整体空间集聚的显著性提升，体现出省际边界县域碳排放强度的空间溢出与聚类效应随时间推移愈发突出，“高碳区更集聚、低碳区更连片”的空间集聚格局逐步成型。
图4 省际边界县域碳排放强度LISA图

Fig.4 LISA for carbon emission intensity in counties of China's provincial borders

3.3 基准回归结果分析

表1展示了省际边界县域数字金融发展水平对碳排放强度的基准回归结果。其中，列（1）为不加控制变量，列（2）为加控制变量。从回归结果来看，在不控制和控制其他变量的两种情况下，数字金融发展对碳排放强度均呈现显著的负向影响，这表明数字金融发展能够显著抑制碳排放强度，结果较为稳健，验证了假设1。
表1 基准回归结果

Tab.1 Benchmark regression results

变量 （1）ln C （2）ln C
ln DF -0.2647*** -0.0484***
控制变量 不控制 控制
个体固定效应 是 是
时间固定效应 否 否

注：***、**、*分别表示在1%、5%、10%的显著性水平下通过检验；为节省版面，标准误t值不显示。表2~表3同。

3.4 区域异质性分析

由于所处地理区域不同，省际边界县域的数字金融水平、碳排放强度存在显著的区域差异，可能会导致数字金融对碳减排效应存在区域差异。鉴于此，本文将研究区域划分为东部地区、中部地区、西部地区和东北地区，探讨省际边界县域数字金融对碳排放强度的区域异质性（表略）。结果显示，数字金融对碳排放强度的影响系数在四大区域均通过了显著性检验，但其影响方向及影响强度不同。具体来看，在东部地区、中部地区和西部地区，数字金融对碳排放强度均呈现出负向效应（-0.1318***、-0.0348**、-0.0639***），并且影响系数的绝对值呈东部地区>西部地区>中部地区，即数字金融水平的提升可以降低县域碳排放强度；而东北地区数字金融对碳排放强度呈现出正向效应（0.0887***），表明数字金融水平的提升导致碳排放强度增大。
可能原因是，东部地区经济发达、产业结构高级化、数字基础设施完善且创新能力强，使得数字金融能深度赋能绿色技术创新、高效能源管理和低碳产业发展，故其降低碳排放强度的负向效应最显著。西部地区虽基础较弱，但凭借“蛙跳效应”直接应用先进绿色技术，数字金融有效支持了分布式能源、生态补偿和特色低碳产业，故也呈现较强负向效应，但弱于东部。中部地区作为制造业基地，产业结构偏重，正处于转型阵痛期，数字金融短期内可能更多用于提升传统高碳产业效率或支持承接产业转移，其深度减排效果相对有限，故负向效应最弱。东北地区则因产业结构单一且重型化、经济活力不足、转型困难，在生存压力下，数字金融更可能被用于维持或扩张现有高碳产业活动，甚至因效率提升刺激产量增加导致总排放上升而暂时推高了碳排放强度，呈现独特的正向效应。由此可见，数字金融对碳排放强度的影响存在显著的空间异质性，验证了假设2。

3.5 空间溢出效应分析

本文使用空间计量模型进一步检验省际边界县域数字金融发展水平对碳排放强度的空间溢出效应（表2）。结果显示，县域数字金融发展水平溢出效应系数（-0.1985**）为负，在5%的水平上显著，与前文实证结果基本一致。空间交互项W×lnDF系数为正且显著，表明边界县域数字金融对邻近地区有显著的空间溢出效应。进一步分解数字金融的空间效应，直接效应是数字金融对当地碳排放强度的影响，间接效应是对邻近城市的空间溢出效应。数字金融直接效应的估计系数为负值，并通过了显著性检验，表明数字金融可以有效抑制本地的碳排放强度，加快发展数字金融有助于减少碳排放强度。而数字金融的间接效应的估计系数为正通过显著性检验，表明本地数字金融的发展促进了相邻县域碳排放强度的增加。该结论与假设4并不完全相同，可能是因为数字金融的发展显著降低了资本、技术等生产要素的跨区域流动成本，推动本地高耗能产业向环保约束相对宽松的相邻县域转移，间接推高了迁入地的碳排放强度。
表2 空间溢出效应检验结果

Tab.2 Test results of spatial spillover effect

变量 （1）
总样本		 （2）
东部地区		 （3）
中部地区		 （4）
西部地区		 （5）
东北地区
ln DF -0.1985** -0.2241*** -0.1410*** 0.1541** 0.1021**
W·ln DF 0.6929* 0.4571* -0.6900 0.3161* 0.4151*
直接效应 -0.2240* -0.2934** -0.1851* -0.0944* 0.0824*
间接效应 0.0026* -0.0181* 0.0272* 0.0049* 0.0039*
此外，为进一步探究数字金融对不同区域碳排放强度影响的空间溢出效应差异，本文针对东部、中部、西部和东北地区开展分区域空间溢出效应分析。直接效应方面，数字普惠金融对东部、中部和西部地区省际边界县域的碳排放强度的回归系数至少在10%的水平上显著为负数，而对东北地区的回归系数为正，其结论与空间异质效应部分分析一致。间接效应方面，数字金融对中部、西部和东北地区的省际边界县域的碳排放强度的影响均为正向效应，而对东部地区省际边界县域的碳排放强度的影响为负效应。在中部、西部和东北地区表现为正向效应，源于其区域结构性矛盾——中部地区加速承接高碳产业转移、西部地区强化资源依赖型产能扩张、东北地区固于重工业路径依赖；而东部地区则呈现负向效应，关键在于其产业枢纽地位与政策协同优势驱动了跨区域绿色治理，形成减排协同压力。

3.6 影响机制检验

本文根据式（3）（4）检验数字金融影响碳排放强度的内在机制，结果如表3。由列（1）可以看出，数字金融对产业结构升级影响的回归系数（0.0287***）为正且在1%水平上显著，说明数字金融对产业结构升级有明显的促进作用。通过列（2）可知，在考虑产业结构的情况下，数字金融对碳排放强度的影响系数（-0.0181**）显著并且为负，相对于表1中的基准回归，数字金融的回归系数有所减小，说明数字金融能够通过调节产业结构来降低碳排放强度。从列（3）可知，数字金融对技术创新（0.2397***）也有显著的促进作用。通过列（4）可知，在考虑技术创新效应的情况下，数字金融对碳排放强度的影响系数（-0.0441***）显著并且为负，相对于表1中的基准回归，数字金融的回归系数有所减小，表明数字金融能够通过影响技术创新来降低碳排放强度。以上分析，验证了假设3，数字金融通过产业结构升级效应和技术创新效应促进县域碳排放强度下降。
表3 影响机制的检验结果

Tab.3 Test results of the influencing mechanism

变量 （1）
ln Ins		 （2）
ln C		 （3）
ln Te		 （4）
ln C
ln DF 0.0287*** -0.0181**1 0.2397*** -0.0441***2
ln Ins -1.0554***
ln Te -0.0180***

注：1.考虑产业结构的情况；2.考虑技术创新的情况。

4 结论与讨论

4.1 主要结论

本文研究了2014—2020年省际边界县域数字金融对碳排放强度的影响效应与机制，得出主要结论如下：①研究期内省际边界县域数字金融发展水平不断提升，在空间上呈现东高西低的格局，形成了京津冀、长三角等省际边界县域集聚高地。此外，省际边界县域碳排放强度呈现下降趋势，西部地区省际边界县域是高碳排放强度的主要集聚地。②基准回归结果显示，数字金融的发展显著降低了省际边界县域碳排放强度，并且表现出较强的稳定性。同时，数字金融对碳排放强度的影响存在显著的空间异质性，在东部、中部和西部地区，数字金融发展显著降低县域碳排放强度，并且影响效应强度呈东部地区>西部地区>中部地区，而东北地区数字金融对碳排放强度呈现出正向效应。③数字金融发展在抑制本地的碳排放强度的同时，促进了可以导致相邻县域碳排放强度的增加。④机制检验结果表明，数字金融发展通过产业结构升级效应、技术创新效应能够显著降低省际边界县域碳排放强度。

4.2 讨论

根据上述结论，本文提出如下政策建议：
①建立数字金融减碳调控机制。通过数字金融精准引导资源、资金、人才、信息等要素向绿色低碳产业及绿色供应链高效集聚，强力推动循环经济模式创新、低碳技术突破与环保产业规模化发展；同时依托数字金融的精准赋能，推动低碳绿色技术全方位渗透传统产业改造，从生产源头实现资源利用减量化、全流程清洁化、末端废物高效循环化，构建起数字金融全方位赋能省际边界县域的系统化减碳调控体系，为区域碳减排筑牢内生动力支撑。
②构建区域协同、精准导向的减排机制。一方面，需搭建跨县域数字金融与碳排放数据共享平台，统一核算标准、实时追踪减排效应空间转移动态，推行“减排收益共享、增排责任共担”的生态补偿与产业合作机制，组建区域联合监管小组统筹数字金融资源投放，从源头遏制污染跨区域转移。另一方面，立足东部、中部、西部和东北地区省际边界县域的发展禀赋差异，因地制宜优化数字金融减碳支持策略：东部地区聚焦前沿绿色技术研发与高端产业低碳融合，强化清洁能源与环保服务数字化赋能；中部地区引导数字金融精准注入传统产业绿色改造与低碳产业集群培育，推动区域要素协同减排；西部地区依托数字金融深化县域间合作，重点支持分布式能源开发、生态价值转化及特色低碳产业数字化升级；东北地区严格管控数字金融向高碳领域流动，集中资源扶持替代产业发展与深度绿色转型项目，同步配套衰退产业有序退出的政策支持，实现数字金融减碳效应全域均衡释放。
③强化产业升级与技术创新双轮赋能政策。一方面，优化产业结构调控政策，出台数字经济与低碳产业融合激励措施，引导数字技术向高耗能产业渗透，支持传统产业数字化绿色改造，同时加大对数字服务业、高端低碳制造业的政策倾斜，推动产业结构向高效低碳转型。另一方面，完善技术创新支持政策，设立数字绿色技术创新专项基金，重点扶持低碳能源技术、数字节能装备等领域研发，搭建跨区域数字技术共享平台，促进低碳技术成果转化与推广，强化知识产权保护力度，激发企业数字绿色创新活力。此外，健全政策协同机制，统筹产业、科技、金融等政策工具，建立数字经济减碳成效评估体系，明确地方政府责任分工，形成“产业升级+技术创新”双轮驱动的数字经济减碳政策合力。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Zhao Z Y, Zhao Y H, Shi X P, et al. Green innovation and carbon emission performance:The role of digital economy[J]. Energy Policy, 2024, 195:114344.

DOI

[2]
Zhang X L, Qiu F D, Liu J B. Digital economy's impact on carbon emission performance:Evidence from the Yangtze River Delta,China[J]. Chinese Geographical Science, 2025, 35(2):217-233.

DOI

[3]
Zhang X W, Li W K. The impact of digital inclusive finance on agricultural carbon emissions at the city level in China:The role of rural entrepreneurship and agricultural innovation[J]. Journal of Cleaner Production, 2025, 505:145469.

DOI

[4]
Nyakurukwa K, Seetharam Y, Chipeta C. Disaggregating digital financial inclusion in Africa:Explaining within- and between-country variance[J]. Finance Research Letters, 2025, 84:107776.

DOI

[5]
Kim D, Wu Y C, Lin S C. Carbon dioxide emissions and the finance curse[J]. Energy Economics, 2020, 88:104788.

DOI

[6]
王军, 王杰, 李治国. 数字金融发展与家庭消费碳排放[J]. 财经科学, 2022(4):118-132.

[7]
Chen X H, Cheng X. Enhanced financial regulation and AI entrepreneurship:Evidence from Chinese cities[J]. Cities, 2025, 165:106140.

DOI

[8]
王鸾凤, 李婉婷. 绿色金融对城市碳排放影响的统计检验[J]. 统计与决策, 2025, 41(5):155-159.

[9]
康翠玉, 史桂芬, 郭晓齐. 绿色金融促进碳减排的路径与作用机理分析——基于绿色技术进步与产业结构生态化视角[J]. 税务与经济, 2025(2):87-99.

[10]
Li X Y, Zhang H B, Peng Z F. The nonlinear dynamic effects of fintech on carbon emissions:Evidence from Chinese cities[J]. International Review of Financial Analysis, 2025, 104(PB):104335.

DOI

[11]
籍艳丽, 张晓东. 数字普惠金融对工业碳排放的影响[J]. 统计与决策, 2025, 41(6):144-148.

[12]
Jin W B, Wang Y M, Yan Y, et al. Digital economy,green finance,and carbon emissions:Evidence from China[J]. Sustainability, 2025, 17(12):5625.

DOI

[13]
曾冰, 李龙祺, 魏玲. 中国省际交界型县域碳排放时空演变及影响因素[J]. 地理与地理信息科学, 2025, 41(6):108-117.

[14]
于新豪. 中国县域数字普惠金融对碳排放影响的空间效应研究[D]. 郑州: 河南大学, 2024.

[15]
焦琛. 数字普惠金融对碳生产率的影响及其作用机理——基于革命老区的经验证据[J]. 资源开发与市场, 2025, 41(6):832-841.

[16]
吕承超, 姜延杰, 何加豪. 绿色金融政策的碳减排效应——来自绿色金融改革创新试验区的实践[J]. 中国管理科学, 2025, 33(3):360-368.

[17]
Wang K, Xu Y X. Development of the green finance market,carbon emission trading,and corporate environmental responsibility[J]. Finance Research Letters, 2025, 79:107277.

DOI

[18]
Ghazouani T. Are natural resources and trade openness linked to carbon emissions in Belt and Road Initiative economies? Exploring the moderating role of Fintech[J]. Development and Sustainability in Economics and Finance, 2025, 7:100059.

DOI

[19]
叶瑞克, 吴佩窈. 数字贸易的城市碳减排效应及创新驱动机制——基于国家电子商务示范城市的准自然实验[J]. 商业研究, 2025(2):72-83.

[20]
孙燕芳, 张园园, 赵怡. 黄河流域城市群碳排放效率空间关联网络结构及其影响因素[J]. 经济地理, 2025, 45(7):77-84,107.

DOI

[21]
Ali W, Dash D P, Dagar V, et al, Elmawazini Khaled. Financial development for energy access:Evidence from credit rationing and carbon emission in MENA region[J]. International Review of Financial Analysis, 2025, 103:104176.

DOI

[22]
郑兰祥, 高彩芹, 郑飞鸿. 绿色金融发展对碳排放的影响研究——以长三角区域为例[J]. 华东经济管理, 2024, 38(9):41-51.

[23]
王奕淇, 董昊娟. 数字经济与城市碳排放绩效:作用机制与空间效应[J]. 大连理工大学学报(社会科学版), 2024, 45(5):27-39.

[24]
孙欣, 芮雪雨. 城市数字普惠金融发展对碳排放强度影响研究[J]. 华东经济管理, 2024, 38(7):66-76.

[25]
何振华. 绿色金融、碳排放规制与企业绿色全要素生产率[J]. 统计与决策, 2024, 40(5):155-159.

[26]
肖仁桥, 肖阳. 绿色金融对城市碳回弹的影响研究——基于绿色创新链视角的分析[J]. 城市问题, 2023(12):29-39.

[27]
罗能生, 熊少平, 李建明, 等. 数字普惠金融对城市减污降碳的影响效应与机制研究[J]. 管理学刊, 2024, 37(3):95-111.

[28]
冯兰刚, 阳文丽, 王忠, 等. 中国数字经济与城市碳排放强度:时空演化与作用机制[J]. 中国人口·资源与环境, 2023, 33(1):150-160.

[29]
朱悦, 张军涛. 数字金融发展对城市经济绿色低碳转型的影响研究[J]. 城市问题, 2022(10):64-71,81.

[30]
Zhang X L. Estimation of eco-efficiency and identification of its influencing factors in China's Yangtze River Delta urban agglomerations[J]. Growth and Change, 2020, 51(2):792-808.

DOI

[31]
彭文斌, 苏欣怡, 邝嫦娥, 等. 长株潭都市圈数字经济对碳排放效率的影响及空间效应[J]. 地理学报, 2024, 79(11):2915-2928.

DOI

[32]
张学良, 苏欣怡. 中国信息消费水平差异的演变特征及其多尺度效应[J]. 经济地理, 2025, 45(9):21-31.

DOI

[33]
陈鸿基, 胡森林, 曾刚, 等. 长三角地区数字经济对绿色发展效率的影响机制[J]. 经济地理, 2025, 45(5):13-22.

DOI

[34]
王少剑, 谢紫寒, 王泽宏. 中国县域碳排放的时空演变及影响因素[J]. 地理学报, 2021, 76(12):3103-3118.

DOI

[35]
刘毓芸, 曾燕, 汪寿阳, 等. 文化包容性与数字普惠金融发展[J]. 中国工业经济, 2025(8):45-63.

Options
Outlines

/

〈 〉