李寿喜, 张珈豪 | 数字普惠金融、技术创新与城市碳排放强度

数字普惠金融、技术创新与城市碳排放强度

文 / 李寿喜, 张珈豪

摘要：基于2011—2018年我国地级城市面板数据，运用工具变量法，实证分析数字普惠金融对二氧化碳排放强度的影响及其作用机制，其结果发现：发展数字普惠金融可以有效抑制城市碳排放强度；从作用机制来看，数字普惠金融主要通过促进区域技术创新来降低城市碳排放强度；数字普惠金融对资源型城市碳排放强度的抑制作用大于对非资源型城市，其对资源型城市碳排放强度的抑制效应基于不同的发展阶段，按成熟型、衰退型、再生型和成长型依次递减。鉴于此，我国各城市在提升数字普惠金融水平、发挥其在经济与科技领域的双重优势的同时，应因地制宜，基于城市的资源基础和发展阶段制定数字普惠金融和技术创新政策，实施差异化发展战略，从而有效促进经济发展与“双碳目标”实现。

关键词：数字普惠金融 ; 碳排放强度 ; 技术创新 ; 资源型城市

本文发表于《华东师范大学学报（哲学社会科学版）》2023年第2期  #当下经济问题探讨  栏目

作者简介｜PROFILE

• 李寿喜，上海大学管理学院会计系副教授；

张珈豪，上海大学经济学院本科生

目录概览

一 引　　言

二 文献述评与研究假设

三 变量选取、模型设定与数据说明

四 实证分析结果

五 结 论 与 建 议

全  文

一  引　言

         自20世纪中后期以来，温室效应及其带来的全球气候变暖问题逐渐引起社会各界的关注。政府间气候变化专门委员会（IPCC）指出，未来20年内，全球地表平均温度至少提升1.5℃。同时，相较于其他温室气体或有害物质，CO2仍然是导致全球变暖的主要因素。近几年，主流经济学界对各国或各区域碳排放水平相关问题的关注度不断增强，碳减排成为环境经济学的重要研究问题之一。

         欧盟联合研究中心（JRC）和荷兰环境评估机构（PBL）联合建立的全球大气研究排放数据库（EDGAR）显示，中国化石燃料燃烧所释放的二氧化碳总量自1990年的24.04亿吨逐年递增至2018年的111.57亿吨，在世界主要经济体中居于首位。碳排放强度从1990年的1.49千克CO2/美元降至2018年的0.51千克CO2/美元，但仍高于世界其他主要经济体。①2020年，中国政府将生态文明建设纳入“十四五”时期经济社会发展的主要目标，并计划在该时期实现单位GDP碳排放量降低18%。因此，抑制碳排放已成为中国经济发展面临的重要课题。

         数字普惠金融被认为是促进经济高质量发展、减少碳排放与解决环境外部性的有效手段。具体来说，发展数字普惠金融可以打破传统金融服务的时空限制，提高中小微企业融资效率，降低中小微企业融资成本，增加其用于研发投入的经费支出，进而促进区域整体技术水平的提高，实现技术创新。技术创新则可以通过直接与间接的方式降低区域碳排放强度，做到有效减排。对于重工业，技术创新可以直接降低单位二氧化碳排放量；对于清洁型产业，技术创新会增加其在产业结构中的占比，进而改变能源消费结构，使得清洁型能源的消费占比大幅增加，最终降低碳排放水平。因此，发展数字普惠金融可以促进企业与区域技术创新，从而直接或间接降低区域碳排放强度。基于此，本文拟采用2011—2018年我国地级城市相关面板数据和市级层面的“北京大学数字普惠金融指数”②，通过建立双向固定效应面板数据模型，实证检验数字普惠金融对城市碳排放强度影响的效果及其内在机制。

         本文的主要贡献是：（1）通过构建以碳排放强度为因变量，以技术创新为中介变量，以数字普惠金融为解释变量的模型，并且采集大样本的数据进行实证检验，探讨了数字化、技术创新和碳排放强度等三者之间的关系，揭示了其内在传导路径。（2）为了解决实证模型可能存在的双向因果问题，本文采用互联网普及率和各城市与杭州市距离的交乘项作为工具变量，较好检验了模型的稳健性。（3）研究结论具有一定的开拓性。本文发现，数字普惠金融的发展能有效降低城市碳排放强度；数字普惠金融越发达，技术创新水平越高，碳排放强度越低；相较于非资源型城市，资源型城市的数字普惠金融对城市碳排放强度的抑制效应更显著，这种抑制效应在成熟型资源类城市最强。

二  文献述评及研究假设

  一 数字普惠金融与城市碳排放

         目前，国内外学者对影响碳排放水平因素的研究主要聚焦于产业结构、能源结构、经济增长、对外开放程度、技术创新等方面（虞义华等，2011；林伯强等，2015；陈迎等，2008；李锴等，2011；刘建翠，2013；Weina，et al.，2016）。

          产业和能源的结构转型与升级可以有效降低碳排放水平。虞义华等（2011）实证检验发现第二产业比重与碳排放强度呈正相关关系。林伯强等（2015）研究发现能源结构转型可以显著抑制碳排放量。在此基础上，孙丽文等（2020）指出，产业结构升级可以推动技术创新进而促进碳减排。因此，优化产业和能源结构将是我国未来节能减排工作的重点方向。

         海内外学者使用多种计量模型与样本，研究经济增长对碳排放水平的影响，所得结论存在较大差异（周五七等，2012）。海外多数文献的结论（Brock，et al.，2005；Wang，et al.，2017）支持环境库兹涅茨曲线假说（Grossman & Krueger，1991），即经济增长水平与碳排放量呈倒U形关系。国内部分学者研究发现，传统经济和人口增长提高了碳排放水平（王灿等，2005；冯相昭等，2008；王杰等，2021）。

        海外文献还关注了数字普惠金融对碳排放水平的影响。Yang等（2022）发现，数字普惠金融作为一种技术驱动的金融模式，缩短了借贷者的距离，通过降低交易成本，提升了资源配置效率与经济质量，降低了空气污染。Gu等（2021）则发现，政府实施绿色金融，推进工业企业转型升级，有助于抑制企业的碳排放。

         国内数字普惠金融的发展较国外晚。除了支付宝自2004年以来利用数字化等科技手段拓展小额贷款等普惠金融业务外，中国银行业近年来也利用数字化等科技手段，大力发展普惠金融，成效显著。如中国建设银行实施数字普惠金融战略，2021年“建行惠懂你”APP 累计访问量超过1.5 亿次，授信客户达126.06 万户，授信金额达9 899亿元。同年，中国建设银行普惠金融贷款余额达1.87 万亿元。数字普惠金融的发展，让金融机构足不出户，不需要投入很多人力，就可以发放贷款和提供金融服务，大大减少金融机构的碳排放；同时，中小微企业和广大基层民众足不出户，就可以获得贷款和金融服务，减少了交通拥堵和碳排放。贺茂斌等（2021）研究发现，数字普惠金融可以通过降低区域碳排放总量进而提升全要素生产率。因此，本文提出假设1：

         H1：数字普惠金融发展水平越高，越能显著降低城市碳排放强度。

二 数字普惠金融、技术创新与碳排放

       数字普惠金融显著促进区域技术创新（郑万腾等，2021），而技术创新可显著抑制区域碳排放（钱丽等，2015；孙建，2018；孙振清等，2020）。刘建翠（2013）研究发现，技术进步是降低碳排放强度的有效途径。刘卫东等（2016）将技术进步分为技术引进和技术创新，分别证明了二者对人均碳排放量起到显著抑制作用。孙建（2020）利用动态随机一般均衡模型（DSGE）研究发现，技术进步能有效降低碳排放强度。金融机构提供小额贷款时，主要利用科技手段对客户精准画像和自动审批，并且金融机构在贷款指标设定时就预先将绿色、可持续及低碳环保等指标纳入风控指标，因此，拥有绿色、低碳环保等自主知识产权、征信良好、交易流水记录充分的中小微企业更容易获得贷款。这一方面打破传统金融服务的时空间隔，为中小微企业救急，另一方面又避免了中小微企业可抵押物不足的局限，大大降低中小微企业融资成本，有利于促进企业的研发创新和技术进步，此外，也使得绿色和低碳环保型企业优先获得贷款，进而降低了碳排放。基于此，我们提出假设2：

         H2：数字普惠金融通过促进区域技术创新，进而降低城市碳排放强度。

三 数字普惠金融与不同类型城市的碳排放

         我国自然资源的地区分布存在不平衡，而对于资源丰沛程度不同的城市，数字普惠金融的节能减排效应可能有所不同。张友国（2010）研究发现，能源消费率的下降是抑制碳排放强度的主要因素。由于能源消费结构涉及交通、城市生产、人民生活等各个方面，故其占碳排放构成的最大比例。鉴于此，本文根据国务院2013年11月发布的《全国资源型城市可持续发展规划（2013—2020年）》，将样本城市划分为非资源型城市与资源型城市，并将资源型城市进一步划分为四个阶段，即成长型、成熟型、衰退型、再生型，以探讨数字普惠金融对碳排放强度的影响是否存在异质性。

         成长型城市资源较为丰富，处于经济发展的起步阶段，碳排放强度增速大，减排困难。再生型城市已摆脱了对资源的过分依赖，经济发展质量较高，碳排放强度水平偏低，其降低空间有限。相比于上述两者，成熟型与衰退型城市的碳排放强度水平与增速均处于中间位置，有较大的减排空间。目前，我国政府已经将碳达峰贯穿于经济社会发展全过程和各方面，重点实施能源生产和消费向绿色低碳转型、节能降碳增效、工业领域碳达峰、城乡建设碳达峰、交通运输绿色低碳、循环经济助力降碳、绿色低碳科技创新、各地区梯次有序碳达峰等行动。数字普惠金融的发展可减少金融机构的人员投入和实体网点的设立，降低金融机构碳排放；同时，也能减少中小微企业和其他客户的人员出行，抑制碳排放；另外，贷款的及时发放，也能促进企业的转型升级，从而抑制碳排放。因此，资源型城市的政府更会大力推动数字普惠金融的发展。而成熟型资源类城市与衰退型资源类城市政府由于面临城市转型升级的压力更大，也更会加大力度扶持数字普惠金融的发展。基于此，本文提出假设3和假设4：

         H3：相较于非资源型城市，数字普惠金融对城市碳排放强度的抑制效应在资源型城市中表现得更为显著。

         H4：数字普惠金融对城市碳排放强度的抑制效应在成熟型资源类城市与衰退型资源类城市中表现得更为显著。

三  变量选取、模型设定与数据说明

一 变量选取

         1.被解释变量。本文选用碳排放强度的自然对数作为被解释变量，衡量城市的碳排放水平。参考付云鹏等（2015）、刘佳骏等（2015）的做法，通过计算各城市的碳排放量除以当年该城市的实际GDP（以2011年为基期，对该城市的名义GDP进行平减处理）得到碳排放强度，计算公式如下：

    （1）

        式（1）中，intensity_i,t表示第i个城市第t年的碳排放强度，emission_i,t表示碳排放量，GDP_i,t则表示实际GDP。

         2.解释变量。本文选用北京大学互联网金融研究中心和蚂蚁金服联合研究与编制的“北京大学数字普惠金融指数”（2011—2018年）作为地级市数字普惠金融发展水平的代理变量，即本文的核心解释变量。

         3.控制变量。为了尽量避免其他经济因素的波动对碳排放强度产生影响，本文选取了城镇化水平、政府支出规模、固定资产投资规模、地区开放程度、人口密度作为控制变量（齐绍洲等，2015），并分别选取城市非农业人口比重、地方一般公共预算支出占地区生产总值的比例、固定资产投资总额占地区生产总值的比例、外商实际投资总额占地区生产总值的比例、单位行政区域面积户籍人口总数作为上述控制变量的代理变量。

          另外，在机制检验中，参考陈广汉等（2007）的研究方法，本文选用地区专利授权量和地区发明专利申请量衡量区域技术创新程度，对数字普惠金融通过技术创新影响碳排放强度的中介效应机制进行实证分析。

二 模型设定

         为验证H1，即数字普惠金融对城市碳排放强度的影响，本文首先构建了如下回归模型：

（2）

         其中，i表示城市，t表示年份。被解释变量lnintensity_i,t

表示碳排放强度，核心解释变量digital_i,t表示数字普惠金融指数。control_i,t表示控制变量；city_i表示城市固定效应，year_t表示时间固定效应；ε_i,t为随机扰动项。

         为进一步检验数字普惠金融是否能够通过促进区域技术创新进而抑制城市碳排放强度，本文参考温忠麟等（2014）的研究，构建了如下中介效应检验模型：

（3）

（4）

        其中，技术创新mediator_i,t为中介变量，文章拟采用地区专利授权量的自然对数（lnpatent_i,t）和地区发明专利申请量的自然对数（lninvent_i,t）分别作为城市技术创新的代理变量。式（2）为数字普惠金融影响城市碳排放强度的总效应，其系数α₁表示了总效应的大小；式（3）中系数β₁

表示数字普惠金融对技术创新的影响效应；式（4）中系数θ₁表示数字普惠金融对碳排放强度影响的直接效应。式（4）中系数θ₂与式（3）中系数β₁的乘积β₁θ₂

则反映了中介效应的大小，即数字普惠金融通过促进技术创新进而降低碳排放强度的影响系数。若回归系数θ₂

显著为负，则表明通过促进技术创新能够降低城市碳排放强度；若回归系数θ₁的绝对值小于α₁的绝对值，则表明技术创新能够在数字普惠金融抑制碳排放强度的过程中起到中介作用；若β₁θ₂与θ₁同号，则表明该效应属于部分中介效应。

三 数据说明

         本文数据使用与来源情况如下：（1）市级二氧化碳排放量，采用国家统计局公布的数据。（2）数字普惠金融指数，是本文计量模型中的主要解释变量，采用“北京大学数字普惠金融指数”作为其代理变量，时间跨度为2011—2018年。（3）同一时间跨度的市级经济统计数据，如年末户籍人口总数、城市行政区域面积、非农业人口数、地区生产总值、三大产业GDP占比、全市固定资产投资总额、外商实际投资额、地方一般公共预算支出等，主要来源于2012—2019年的《中国城市统计年鉴》。对一些城市或年份的部分变量数据缺失问题，本文采用线性插值法进行处理。（4）为构建工具变量解决内生性问题，本文使用了互联网普及率这一指标，该数据由中国互联网络信息中心（CNNIC）在其发布的第29—43次《中国互联网络发展状况统计报告》中披露。（5）在机制检验中使用的地级市专利授权量与发明专利申请量均来自国泰安数据库（CSMAR）。

         第三期“北京大学数字普惠金融指数”在市级层面共覆盖了2011—2020年中国内地337个地级以上城市。对本文而言，该时间跨度下共有2 798个样本。但由于多数城市的统计年鉴对2019—2020年的非农人口比重、人口密度、外商实际投资占比等3个指标数据不再进行披露，导致样本缺失值较多，且用插值法补全数据后相关实证结果十分不理想，因此，本文继续使用第二期“北京大学数字普惠金融指数”（2011—2018年），同时其他数据的时间跨度依然为2011—2018年。

四 描述性统计

         由表1可知，全国各城市年二氧化碳排放量平均在3 042万吨，最低为358万吨，最高为22 668万吨，相差较大。各城市碳排放强度平均为0.23 kg/元，但较大的标准差表明各城市碳排放强度仍存在差异，这也是后文异质性分析的前提所在。数字普惠金融指数各城市平均值为155.54。发明专利申请量和授权量的标准差皆为均值的2倍以上，表明各城市发明专利申请量和授权量差异很大。

四  实证分析结果

一 数字普惠金融对碳排放强度抑制效应的检验

        表2展示了数字普惠金融对碳排放强度影响的基准回归结果。其中，模型（1）为没有考虑控制变量的回归结果，模型（2）为加入控制变量的回归结果。每个回归均考虑到了城市和时间固定效应，初步控制了由于遗漏变量引起的内生性问题。

        根据表2的回归结果，数字普惠金融与碳排放强度在1%水平呈显著负相关，表明数字普惠金融的发展可以显著抑制碳排放强度，验证了本文提出的H1。此外，政府支出占比（gov）与固定资产投资占比（inv）均与碳排放强度在1%水平显著正相关，表明缩小政府支出规模或减少固定资产投资可以有效降低碳排放强度。

二 数字普惠金融通过技术创新影响碳排放强度的检验

         下面将通过中介效应模型，检验数字普惠金融如何通过技术创新抑制碳排放强度。

         第一，检验数字普惠金融对城市碳排放强度的影响。如表3中（1）列所示，数字普惠金融能够显著降低城市碳排放强度。

        第二，检验数字普惠金融对区域技术创新水平的影响。本文分别从地区专利授权量和发明专利申请量两个维度来衡量技术创新，从表3中（2）列和（4）列的回归结果来看，不论是用专利授权量还是用发明专利申请量作为技术创新的代理变量，数字普惠金融对二者的影响系数均在1%水平显著为正。这可能是因为数字普惠金融能通过大数据和云计算技术，精准识别中小微企业的融资需求和投资风险，而企业的专利技术尤其是发明专利较企业的财务报表更可信，更容易获得贷款，由此传递的信号会更加强化中小微企业对专利的研发和申请，进而促进区域技术水平的整体提升，实现技术创新。

         第三，检验技术创新是否在数字普惠金融降低碳排放强度的过程中起到中介作用。表3的结果显示，模型中的估计系数α₁、β₁、θ₂即digital对lnintensity、lnpatent和lninvent的回归系数，以及lnpatent和lninvent对lnintensity的回归系数均通过不低于5%的显著性检验，说明技术创新作为中介变量，显著抑制了碳排放强度，本文提出的H2得到初步验证。

        将技术创新加入模型后，数字普惠金融的系数θ₁即digital对lnintensity的回归系数仍显著为负，但系数绝对值有所减小，这表明技术创新起到部分中介作用，且中介效应（β₁θ₂）占总效应（α₁）的比例分别为5%[0.044 1×（−0.031 2）/（−0.027 2）]和8%[0.037 8×（−0.057 9）/（−0.027 2）]，故技术创新在数字普惠金融与碳排放强度间起链式中介作用。以上中介效应检验表明，数字普惠金融发展会通过促进区域技术创新进而对城市碳排放强度产生抑制作用，本文提出的H2成立。

 三 异质性分析
1 资源型城市与非资源型城市的异质性分析

        数字普惠金融对碳排放强度的抑制作用受区域资源差异的影响。根据国务院2013年11月发布的《全国资源型城市可持续发展规划（2013—2020年）》，本文将样本中的280个地级市划分为110个资源型城市与170个非资源型城市，以探讨数字普惠金融发展水平对资源型城市和非资源型城市碳排放强度影响的异质性。其中，资源型城市是指以本地区矿产、森林等自然资源开采、加工为主导产业的城市。

        表4显示，资源型城市的回归系数绝对值为0.035 9，大于非资源型城市的回归系数绝对值0.0238。这表明数字普惠金融对碳排放强度的抑制效应在资源型城市中更强，验证了本文提出的H3。

2 资源型城市不同发展阶段的异质性分析

         本文根据国务院的相关规定，将资源型城市分为成长型、成熟型、衰退型、再生型四类，并探讨这四种类型城市数字普惠金融减排效应的差异。其中成长型、成熟型、衰退型、再生型的城市数量分别为13、59、23、15个。

        表5的回归结果显示，（1）列中数字普惠金融和碳排放强度的回归系数不显著，表明成长型城市数字普惠金融的减排效应不显著；（4）列中数字普惠金融和碳排放强度的回归系数虽然在5%水平上显著，但其绝对值相较（2）列和（3）列的系数绝对值更小。由此可见，在成熟型与衰退型资源类城市中，数字普惠金融的减排效应更强，即能在更大程度上降低碳排放强度，这验证了本文提出的H4。

         成长型城市资源较为丰富，处于资源开发与经济发展的初级阶段，工业基础较为薄弱，主要以矿产、原油开采、林木采伐为主。这类城市缺少资本积累，需要建设大量基础设施和产业园区，并且企业生产技术水平低，管理较为粗放，因此，成长型城市碳排放量的增速往往大于其他发展阶段的城市。此外，成长型城市由于依赖资源产地优势，仅通过粗加工就能获得良好经济效益，企业也缺乏动力通过技术创新来提高企业绩效。同时，成长型城市的数字普惠金融基础设施薄弱，这也导致成长型城市数字普惠金融难以有效抑制碳排放强度。

        再生型城市的经济发展已摆脱了对资源的过分依赖，产业结构优化与转型导致其经济发展质量较高。因此，再生型城市具有较好的工业基础和技术创新氛围，加大研发投入、获得更多专利、提高企业核心竞争力已经成为共识。而且，再生型城市的上网人数多，上网时间长，也导致当地政府更重视建设数字普惠金融的基础设施。所以，再生型城市数字普惠金融的发展能有效抑制碳排放强度。

        成熟型城市资源开发处于稳定阶段，资源保障能力强，经济社会发展水平较高。这类城市具有较好的工业基础和经济实力推进产业结构转型升级，由于资源开发已达瓶颈，其企业对通过技术创新促进经营绩效可持续增长和生态环境保护的渴求更强烈，当地政府更重视建设数字普惠金融基础设施，因此，成熟型城市数字普惠金融的发展抑制碳排放强度最显著。

        衰退型城市资源趋于枯竭，经济发展滞后，民生问题突出，生态环境压力大。其企业原有生产加工模式难以持续，经济效益下降，需要通过技术创新来寻找新的利润增长点。因此，衰退型城市数字普惠金融影响程度介于成熟型城市和再生型城市之间，当地政府也有一定的动力建设通信网络设施，扶持数字普惠金融的发展，所以，数字普惠金融的发展对碳排放的抑制效应介于成熟型城市和再生型城市之间。

四 内生性处理与稳健性检验

         一个城市数字普惠金融的发展会促进碳排放强度的下降；而碳排放强度的降低意味着当地经济转型升级显著，也会促进数字普惠金融的发展。为了避免可能存在的此类双向因果关系，本文拟选用合适的工具变量来解决模型的内生性问题。

        本文借鉴谢绚丽等（2018）、傅秋子等（2018）的做法，使用互联网普及率和各城市与杭州市距离的交乘项作为工具变量进行分析。该工具变量同时满足相关性和外生性两个基本条件：第一，互联网普及率代表一个地区的数字化程度，与数字普惠金融存在较强的相关性；各城市与杭州市的距离与地级市数字普惠金融发展水平直接相关。第二，互联网普及率和各城市与杭州市的距离均不能通过影响数字普惠金融进而影响碳排放强度，满足外生性条件。两阶段回归结果，如表6所示。

         第一阶段回归验证了工具变量和数字普惠金融指数的相关性，表6中（1）列的回归结果显示，工具变量和数字普惠金融水平显著负相关，表明某城市离杭州距离越远，其数字普惠金融发展水平越低。表6中（2）列显示了第二阶段回归结果，变量digital与碳排放强度在1%水平显著负相关，说明数字普惠金融会显著抑制城市碳排放强度。表6中（3）列的结果，是本文参考何文举等（2019）方法，用碳排放量的自然对数（lnemission）替换被解释变量碳排放强度的自然对数（lnintensity），同时考虑城市和时间固定效应，沿用前文构建的工具变量进行回归所得。该结果显示，数字普惠金融指数与碳排放量显著负相关，表明数字普惠金融的发展显著抑制了碳排放量。可见，相关稳健性检验获得通过。

五  结论与建议

         当前数字化转型和低碳经济发展已经成为全球关注的热点。本文选取2011—2018年我国地级城市的面板数据，实证分析了数字普惠金融、技术创新与碳排放强度的关系。本文的研究结果表明：数字普惠金融的发展能有效降低城市碳排放强度；数字普惠金融越发达，城市的专利授权量和发明专利申请量越多，技术创新水平越高，其碳排放强度越低；相较于非资源型城市，资源型城市的数字普惠金融对城市碳排放强度的抑制效应更显著，而且这种抑制效应在成熟型资源类城市最强，在衰退型资源类城市次之，在再生型资源类城市最弱，在成长型资源类城市不显著。根据上述结论，本文提出如下政策建议：

        第一，各地政府应抓住数字化变革的浪潮，大力完善数字经济的基础设施，提升地区数字普惠金融水平，以促进节能减排。目前我国经济正由粗放型、高能耗、高排放的模式，向绿色低能耗、低排放的经济转型。数字普惠金融利用大数据、云计算等人工智能技术，对用户进行精准画像，以小额普惠信贷形式广泛覆盖中小微企业和被传统金融中介长期排斥的低收入人群，可有效降低传统信贷的风险和成本，促进地方企业提高经营绩效，助力民众改善收入状况，使之从事高附加值工作，降低碳排放。政府也可以与金融机构合作，吸引国内外资本流入环境友好型产业，从产业端改善整体经济发展质量，从而促进节能减排。

         第二，深入推动数字普惠金融发展，发挥其在经济与科技领域的双重优势。目前，我国对个人客户端的数字普惠金融服务发展较快，而对机构端和企业端的数字普惠金融服务与发达国家相比，还存在较大的差距。政府可以引导金融机构针对企业推出利率优惠的绿色金融产品，引导企业基于生态环保的要求加大研发和创新，以促进碳减排。

        第三，政策实施应充分考虑各地实际情况，因地制宜。成长型资源类城市大多处于经济发展初始阶段，由于城市工业基础薄弱，需要大量建设城市基础设施和产业园区，碳排放强度高。这类城市需要制定前瞻性战略规划，将数字普惠金融平台发展与科技创新和当地产业的生态环保有机结合，统一推进，既要促进当地的经济发展和民众的收入提高，又要兼顾低碳环保。对于成熟型、衰退型和再生型等资源类城市，可依托资源型城市的产业基础，发挥比较优势，大力发展数字普惠金融，化解传统金融服务的盲点和痛点，利用现代人工智能技术，精准识别中小微企业和低收入人群的融资需求和融资风险，通过精准投放和精准监控来提高数字普惠金融的信贷效率，促进科技创新，有效抑制碳排放。

为适应微信排版已删除注释和参考文献，请见谅，如需阅读全文，请点击左下角“阅读原文”获取。

上期回顾

马克思主义与现时代

全球史中的中国医学

国际冷战史

哲学研究

文学研究

法学研究

新型城镇化与农业转移人口市民化研究

点击左下角【阅读原文】访问华东师范大学学报哲学社会科学版官网，可下载本刊各期文章PDF全文，也可在线阅读本刊各期文章的XML格式全文。

我知道你在看哟