中国八大城市群绿色数字金融发展水平测度及影响因素分析

《Journal of Digital Economy》：Measurement of Green Digital Finance Development Level and Analysis of Influencing Factors in Eight Major Urban Agglomerations in China

　　

随着中国“双碳”（dual carbon）目标的提出，绿色发展已成为国家战略。绿色数字金融（green digital finance）作为经济可持续性和环境保护协同进步的关键驱动力，对中国八大城市群的可持续发展至关重要。研究人员聚焦于中国八大城市群。利用2011年至2021年的面板数据和耦合协调模型（coupling coordination model），测度了绿色数字金融发展水平，并分析了其时序演变和空间差异。研究结果发现：第一，中国整体及八大城市群的绿色数字金融发展水平呈稳步上升趋势；然而，区域不平衡显著，总体呈现“东强中西弱”的格局。第二，使用Dagum基尼系数（Dagum Gini coefficient）的分析表明，样本期间地区间发展差距逐渐缩小；然而，核密度估计（kernel density estimation）的结果显示，各城市群内部发展水平分布的动态差异仍然显著。在测度分析的基础上，研究人员进一步探讨了影响八大城市群绿色数字金融发展的因素，并以“绿色数据中心”（green data center）政策为案例进行了实证分析。使用双机器学习模型（double machine learning model）的实证分析表明，“绿色数据中心”政策对全国绿色数字金融发展具有显著的正向影响，且该结论在一系列稳健性检验后仍然成立；异质性分析表明，“绿色数据中心”的政策效应在八大城市群中表现出显著的异质性。基于这些发现，本文提出了深化“绿色数据中心”政策实施、采取差异化区域发展战略、建立绿色数字金融人才培养体系等建议，旨在促进中国绿色数字金融发展，支持高质量经济转型。

在全球经济格局深刻变革与环境挑战日益严峻的背景下，绿色数字金融（Green Digital Finance, GDF）作为融合绿色可持续理念与数字技术创新的新型金融模式，成为推动经济可持续发展与环境保护协同进步的关键力量。随着中国“双碳”（dual carbon）目标的提出，绿色发展上升为国家战略，绿色数字金融对中国八大城市群的可持续发展具有至关重要的意义。然而，现有研究存在两个主要缺口：一是多数测度基于省级层面，缺乏对地级市（尤其是不同城市群内部）精细化刻画及时空异质性分析，难以支撑因地制宜的政策制定；二是影响因素分析多依赖于通用数字基础设施指数或宏观气候政策不确定性指标，未针对“绿色”与“数字”双重目标下的特定政策工具（如绿色数据中心试点）进行专门考察。为此，研究人员利用2011—2021年中国279个地级市面板数据，将样本划分为八大城市群，首先构建绿色金融评价指标体系（采用熵值法），运用耦合协调模型（Coupling Coordination Model, CCM）测度绿色数字金融发展水平，并采用Dagum基尼系数（Dagum Gini coefficient）和核密度估计（Kernel Density Estimation, KDE）分析其区域差异与动态分布；随后，以2015年启动的“绿色数据中心”试点政策为准自然实验，采用双机器学习模型（Double Machine Learning, DML）评估该政策对绿色数字金融的影响，并进行稳健性检验与异质性分析。研究发现：中国八大城市群绿色数字金融发展水平呈稳步上升趋势，但区域不平衡显著，呈现“东强中西弱”格局；发展差距逐渐缩小，但内部动态差异仍显著；“绿色数据中心”政策对全国绿色数字金融具有显著正向推动作用，且政策效应在不同城市群间呈现显著异质性（形成三个梯队）。论文发表于《Journal of Digital Economy》。研究为理解区域绿色数字金融发展规律、优化政策设计提供了实证依据。

**关键技术方法**（不超过250字）：研究采用（1）熵值法（Entropy Method）构建绿色金融综合评价指标体系（包括绿色信贷、绿色投资、绿色保险、绿色债券、绿色支持、绿色基金、绿色效益七项二级指标）；（2）耦合协调模型（CCM）测度数字普惠金融与绿色金融的耦合协调度（D值），并据此量化绿色数字金融发展水平；（3）Dagum基尼系数（Dagum Gini Coefficient）分解区域差异来源（组内、组间、超变密度）；（4）核密度估计（KDE）分析发展水平的动态分布特征（位置、形态、延展性、极化）；（5）双机器学习模型（DML）评估“绿色数据中心”试点政策的因果效应，采用部分线性模型（Partially Linear Model），以随机森林为基准算法，并实施多种稳健性检验（样本期调整、缩尾处理、控制同期政策、改变分割比、替换算法、交互模型、工具变量法）。样本来源：2011—2021年中国279个地级市面板数据（国家统计局、统计年鉴等），其中“绿色数据中心”试点城市52个（处理组），对照城市227个。

**研究结果**：

**3.1. 绿色数字金融时空发展特征分析**：通过分项指数分析发现，2011—2021年期间，中国数字普惠金融指数（Digital Inclusive Finance Index）整体快速增长（年均增速约55%），但区域呈“东强西弱”格局，长三角、粤港澳大湾区领先；绿色金融指数（Green Finance Index）稳步上升（年均增速约13.16%），京津冀、粤港澳大湾区领先，区域不平衡显著。

**3.2. 绿色数字金融发展水平测度**：基于耦合协调模型（CCM）计算得出，全国绿色数字金融D值从2011年的0.4041（濒临失调）上升至2021年的0.7273（中级协调），呈稳定上升趋势。八大城市群中，京津冀、粤港澳大湾区处于“良好协调”层级，长三角、长江中游、东北等处于“中级协调”，黄河中游、成渝处于“初级协调”，总体呈现“东强中西弱”格局。

**3.3. 八大城市群绿色数字金融发展区域差异及来源分解**：采用Dagum基尼系数（Dagum Gini coefficient）分析显示，总体基尼系数从2011年的0.104下降至2021年的0.067，呈波动下降趋势。差异主要来源于组间差异（2021年贡献率40.349%）和超变密度（39.809%），组内差异贡献最小（19.842%）。组间差异中，成渝与粤港澳大湾区差异最大（均值0.107），东北与长江中游差异最小（均值0.043）。

**3.4. 八大城市群绿色数字金融发展水平动态分布**：核密度估计（KDE）分析表明，全国及八大城市群的分布曲线整体右移（发展水平提高），主峰高度上升、宽度收窄（绝对差异缩小），但存在左尾或右尾拖尾现象，且多数区域呈现多峰极化特征（如成渝主次峰差距大，长三角差距较小）。

**3.5. 八大城市群绿色数字金融发展水平影响因素分析**：以“绿色数据中心”试点政策为核心解释变量，采用双机器学习模型（DML）进行基准回归，结果显示政策系数为0.0532（在1%水平显著），表明政策显著促进绿色数字金融发展。经过一系列稳健性检验（调整样本期、缩尾处理、控制省-时间交互固定效应、排除同期“宽带中国”政策干扰、改变样本分割比、替换机器学习算法、采用交互模型、工具变量法），结论依然稳健。异质性分析显示，政策效应呈“三梯队”分布：第一梯队（京津冀、粤港澳大湾区、成渝）系数最高（0.1767、0.1459、0.1340），第二梯队（长三角、黄河中游、其他城市）系数中等（0.0729、0.0639、0.0703），第三梯队（东北、长江中游）系数较低（0.0483、0.0447），体现显著区域异质性。

**讨论部分总结**：研究者基于实证结果提出四点政策建议：（1）深化“绿色数据中心”政策实施，设立专项补贴、税收优惠，拓展绿色数字金融应用场景（如绿证交易、碳排放权质押等）；（2）实施差异化区域发展战略，针对领先型城市群（如京津冀、粤港澳）建设创新示范区，对中部地区设立数字化转型专项基金，对欠发达地区推进基础设施补短板；（3）建立绿色数字金融人才培养体系，通过校企合作、在职培训、引才政策等提供智力支持；（4）充分发挥政府引导与监管作用，建立跨区域合作机制。同时指出研究局限性：样本限于地级市层面，未包含县级单位，可能遗漏部分创新实践；空间溢出效应分析不足，未来可拓展至县级尺度并采用空间计量模型。

**研究结论部分翻译**：本研究利用2011年至2021年中国279个城市的面板数据，将其划分为八大城市群。运用熵值法构建了绿色金融评价指标体系，应用耦合协调模型测度了绿色数字金融发展水平，并深入探讨了区域差异、分布动态及影响因素。研究发现如下：首先，绿色数字金融发展水平总体呈上升趋势，但区域分布不均衡，主要源于经济基础和数字基础设施发展的差异。其次，京津冀和粤港澳大湾区的绿色数字金融发展水平较高，呈现明显的“东强中西弱”格局。第三，Dagum基尼系数及其分解表明，绿色数字金融发展的总体基尼系数呈下降趋势，差异主要源于城市群之间的差异及交叉重叠部分。第四，核密度图显示，全国及八大城市群绿色数字金融发展的分布动态存在显著差异。第五，以“绿色数据中心”试点城市与实施年份的交互项为核心虚拟解释变量，通过双机器学习模型实证分析发现，“绿色数据中心”政策对全国绿色数字金融发展具有显著的正向影响，该结论经过一系列稳健性检验后依然成立。此外，异质性分析表明，该政策在八大城市群中呈现显著异质性，政策效应分为三个不同梯队。