Sci-tech Financial Policy and Low-Carbon Economic Transition: Identification of Enabling Effects and Mechanisms
-
摘要: 低碳经济转型作为实现绿色可持续发展的核心引擎，其推进有赖于科技创新的深度赋能与金融资源的高效配置。基于2003—2023年中国281个地级及以上城市的面板数据，采用合成控制-双重差分(SDID)模型，将低碳经济转型纳入科技金融政策评估框架，结合产业、企业和科研人员三面联动机制，实证分析科技金融政策对低碳经济转型的影响。研究表明：科技金融政策对低碳经济转型具有显著促进作用，产业链韧性、人工智能水平和科技创新活跃度是其重要机制；科技金融政策对周边城市低碳经济转型的影响呈现波动式空间传导特征，且对于人口净流入型城市、非老工业基地城市以及沿海城市的作用更为显著。研究结论为优化科技金融资源配置、提升低碳经济转型效能及推动区域绿色协同发展提供了实践参考与政策启示。Abstract: As the core engine for realizing green and sustainable development, low-carbon economic transition depends on in-depth empowerment of sci-tech innovation and efficient allocation of financial resources. Using panel data from 281 prefecture-level and above cities in China from 2003 to 2023, this paper employs a synthetic control method with difference-in-differences (SDID) to integrate the low-carbon economic transition into the evaluation framework of the sci-tech financial policy, and empirically analyzes its impact on low-carbon economic transition combined with the three-dimensional linkage mechanism of industries, enterprises and researchers. The results reveal that the sci-tech financial policy exert a significant promoting effect on low-carbon economic transition, with industrial chain resilience, artificial intelligence development level and sci-tech innovation vitality serving as core influencing mechanisms. Its impact on low-carbon economic transition of surrounding cities presents fluctuating spatial transmission characteristics. The role of sci-tech financial policy is more significant in cities with net population inflow, non-old industrial base cities, and coastal cities. The research findings provide practical references and policy insights for optimizing the allocation of sci-tech finance resources, enhancing the efficiency of low-carbon economic transition, and promoting regional green coordinated development.
-
表 1 变量的描述性统计
变量名称 变量符号 样本量 均值 标准差 低碳经济转型 TLCE 5 901 0.853 0.391 科技金融政策 STFP 5 901 0.102 0.303 政策干预程度 PI 5 901 0.168 0.100 人力资本水平 HCL 5 901 0.018 0.023 城镇化水平 UL 5 901 0.517 0.182 金融发展程度 FD 5 901 2.323 1.163 外商直接投资 FDI 5 901 2.226 2.015 产业链韧性 ICR 5 901 0.028 0.073 人工智能水平 AIL 5 901 3.715 2.347 科研创新活跃度 STIA 5 901 2.058 0.255 
下载: 导出CSV
表 2 基准回归结果
变量 TLCE
(1)TLCE
(2)STFP 0.363*** 0.359*** (11.680) (11.290) 控制变量 否 是 城市固定效应 是 是 年份固定效应 是 是 样本量 5 901 5 901 注：*、* *和* * *分别表示10%、5%和1%的显著性水平，括号内为t统计量。下表同。
下载: 导出CSV
表 3 机制检验结果
变量 TLCE
(1)ICR
(2)AIL
(3)STIA
(4)STFP 0.397*** 0.062*** 0.299*** 0.040*** (23.860) (16.900) (7.210) (7.910) 控制变量 是 是 是 是 城市固定效应 是 是 是 是 年份固定效应 是 是 是 是 常数项 0.804*** 0.030*** 3.684*** 2.048*** (26.630) (4.570) (41.030) (5.040) 样本量 5 901 5 901 5 901 5 901 R2 0.661 0.533 0.934 0.928
下载: 导出CSV
表 4 倾向得分匹配平衡性检验结果
变量 匹配前U匹配后M 标准化偏差(%) 标准化偏差下降幅度(%) t检验 t值 P值 PI U 9.200 69.600 2.850 0.004 M 2.800 0.620 0.534 HCL U 91.100 90.300 33.660 0.000 M -8.800 -1.470 0.142 UL U 80.600 94.900 24.890 0.000 M 4.200 0.890 0.376 FD U 63.100 96.900 20.170 0.000 M -2.000 -0.410 0.683 FDI U 79.700 97.300 36.530 0.000 M 2.200 0.480 0.634
下载: 导出CSV
表 5 PSM-DID检验结果
变量 TLCE
(1)TLCE
(2)STFP 0.350*** 0.367*** (12.310) (12.620) 控制变量 否 是 城市固定效应 是 是 年份固定效应 是 是 常数项 1.001*** 0.914*** (33.230) (15.770) 样本量 1 276 1 276 R2 0.243 0.256
下载: 导出CSV
表 6 Goodman-Bacon分解结果
组别 估计系数 权重 实验组与控制组 0.413 0.976 先被政策冲击的实验组与后被政策冲击的实验组 0.198 0.013 后被政策冲击的实验组与先被政策冲击的实验组 0.049 0.011
下载: 导出CSV
表 7 CS-DID检验结果
变量 简单加权平均处理效应 日历平均处理效应 分组平均处理效应 动态平均处理效应 Simple ATT 0.385*** (0.030) C-avg 0.378*** (0.029) G-avg 0.374*** (0.028) Pre-avg -0.010 (0.012) Post-avg 0.397*** (0.031) 注：括号内为聚类稳健标准误。
下载: 导出CSV
表 8 排除其他政策干扰回归结果
变量 TLCE
(1)TLCE
(2)STFP 0.376*** 0.383*** (8.930) (8.790) 控制变量 否 是 城市固定效应 是 是 年份固定效应 是 是 样本量 5 901 5 901
下载: 导出CSV
表 9 持续效应检验结果
变量 保持原政策时间 改变政策时间 解释变量滞后一期
(1)被解释变量前置一期
(2)解释变量当期
(3)解释变量滞后一期
(4)被解释变量前置一期
(5)STFP 0.247*** 0.278*** 0.332*** 0.369*** 0.407*** (6.210) (5.770) (10.130) (11.290) (9.750) 控制变量 是 是 是 是 是 城市固定效应 是 是 是 是 是 年份固定效应 是 是 是 是 是 样本量 5 620 5 620 5 901 5 620 5 620
下载: 导出CSV
表 10 异质性分析结果
变量 人口净流入城市
TLCE
(1)人口净流出城市
TLCE
(2)非老工业基地城市
TLCE
(3)老工业基地城市
TLCE
(4)沿海城市
TLCE
(5)非沿海城市
TLCE
(6)STFP 0.380*** 0.208 0.372*** 0.364 0.358*** 0.340 (6.350) (1.390) (8.510) (1.160) (6.750) (1.280) 控制变量 是 是 是 是 是 是 城市固定效应 是 是 是 是 是 是 年份固定效应 是 是 是 是 是 是 样本量 1 869 4 032 3 927 1 974 2 373 3 528 注：采用合成控制-双重差分模型通过对处理前趋势进行加权拟合，在一定程度上有效削弱了共同时间冲击对估计结果的干扰，但由于不同组别在合成权重结构及有效信息量方面存在差异，统计显著性呈现一定分化。
下载: 导出CSV
-
[1] 黄承梁, 潘家华, 高世楫. 实现高质量发展与生态安全的良性互动--以习近平经济思想与习近平生态文明思想推动绿色发展[J]. 经济研究, 2024, 59(10): 4-18. [2] 傅春杨, 于也雯, 龚六堂. 以能源节约集约利用促进高质量发展--基于生产网络模型的重点节能增产行业选择[J]. 管理世界, 2025, 41(2): 21-46. [3] Liu M R, Li S X, Li Y, et al. Evaluating the synergistic effects of digital economy and government governance on urban low-carbon transition[J]. Sustainable Cities and Society, 2024, 105: 105337. doi: 10.1016/j.scs.2024.105337 [4] 张明斗, 闫昱睿. 低碳战略能否增强城市经济发展与生态环境的协调性--基于低碳城市试点的准自然实验[J]. 广东财经大学学报, 2023, 38(3): 24-37. [5] Xing Z Y, Huang J, Wang J. Unleashing the potential: exploring the nexus between low-carbon digital economy and regional economic-social development in China[J]. Journal of Cleaner Production, 2023, 413: 137552. doi: 10.1016/j.jclepro.2023.137552 [6] 陈诗一. 低碳经济[J]. 经济研究, 2022, 57(6): 12-18. [7] Marcelo F, Enzo M. A confirmatory factor model for climate justice: integrating human development and climate actions in low carbon economies[J]. Environmental Science and Policy, 2022, 133: 17-30. doi: 10.1016/j.envsci.2022.03.004 [8] 齐承水. 如何理解"新质生产力本身就是绿色生产力"[J]. 经济学家, 2024(7): 15-23. [9] 巩艳红, 肖昱玲. 科技金融政策对碳中和技术创新的影响[J]. 中国人口·资源与环境, 2024, 34(10): 66-79. [10] 于海云, 郑明波. 科技金融会激励中国企业进行绿色创新吗?--基于"促进科技和金融结合试点"政策的证据[J]. 科学学研究, 2025, 43(6): 1237-1249. [11] 周立宏, 祁晓凤, 李孟霏. 科技金融、供应链外溢与劳动力就业--基于促进科技与金融结合试点政策的证据[J]. 经济学动态, 2024(12): 18-35. [12] 潘捷. 科技金融创新协同发展路径分析--评《科技金融支持科技创新: 机制、效果与对策》[J]. 广东财经大学学报, 2023, 38(5): 113-114. [13] Lei Y, Nawazish M, Muhammad U. The cryptocurrency uncertainties and investment transitions: evidence from high and low carbon energy funds in China[J]. Technological Forecasting&Social Change, 2022, 175: 121326. [14] Zhou G Y, Zhu J Y, Lu S M. The impact of fintech innovation on green growth in China: mediating effect of green finance[J]. Ecological Economics, 2022, 193: 107308. doi: 10.1016/j.ecolecon.2021.107308 [15] 张明喜, 魏世杰, 朱欣乐. 科技金融: 从概念到理论体系构建[J]. 中国软科学, 2018(4): 31-42. [16] 彭红枫, 万洋, 王文浩. 资本账户双向开放能否激发企业绿色创新?[J]. 世界经济研究, 2024(11): 3-17. [17] Xu S, Lu B B, Yue Q D. Impact of sci-tech finance on the innovation efficiency of China's marine industry[J]. Marine Policy, 2021, 133: 104708. doi: 10.1016/j.marpol.2021.104708 [18] 汪淑娟, 谷慎. 科技金融对中国经济高质量发展的影响研究--理论分析与实证检验[J]. 经济学家, 2021(2): 81-91. [19] 唐露源, 谢士尧, 徐源. 大模型产业创新生态系统构建及风险识别研究[J]. 科学学研究, 2025, 43(9): 1972-1981. [20] 肖兴志, 李少林. 大变局下的产业链韧性: 生成逻辑、实践关切与政策取向[J]. 改革, 2022(11): 1-14. [21] 肖兴志, 王述勇, 李少林. 金融支持产业链韧性提升: 内在逻辑、现实需求与推进方略[J]. 改革, 2024(9): 1-16. [22] Charilaos M. FinTech finance and social-environmental performance around the world[J]. Finance Research Letters, 2023, 56: 104107. doi: 10.1016/j.frl.2023.104107 [23] 周明生, 赵杉杉. 产业关联视角下数字化水平对碳排放影响研究[J]. 济南大学学报(社会科学版), 2025, 35(2): 124-140. [24] 任继球, 魏丽, 刘振中, 等. "十五五"时期推动产业新旧动能转换: 发展环境、问题瓶颈与路径任务[J]. 经济学家, 2025(2): 96-105. [25] Zhang Z T, Khan A A, Wang Z L. How does science and technology finance affect the renewable energy development?evidence from China[J]. Renewable Energy, 2025, 243: 122605. doi: 10.1016/j.renene.2025.122605 [26] 李伟. 数字经济发展的底层理论逻辑、发达国家战略部署及我国应对[J]. 中国软科学, 2023(5): 216-224. [27] Luo Q F, Wang J Y. The impact of artificial intelligence development on embodied carbon emissions: perspectives from the production and consumption sides[J]. Energy Policy, 2025, 199: 114535. doi: 10.1016/j.enpol.2025.114535 [28] 刘光辉, 杨娜娜, 臧日宏. 金融科技与绿色金融协同的碳减排效应研究--"技术赋能+制度驱动"分析视角[J]. 现代财经(天津财经大学学报), 2005, 45(10): 77-93. [29] Asl G M, Jabeur B S, Nammouri H, et al. Dynamic connectedness of quantum computing, artificial intelligence, and big data stocks on renewable and sustainable energy[J]. Energy Economics, 2024, 140: 108017. doi: 10.1016/j.eneco.2024.108017 [30] 孙慧, 杨泽东, 夏学超, 等. 区域创新生态系统对碳减排的影响: 基于QCA的组态路径分析[J]. 中国人口·资源与环境, 2024, 34(10): 57-65. [31] 罗敏. 低碳专利商业化激励机制研究[J]. 科学学研究, 2018, 36(10): 1795-1800. [32] 许文立, 孙磊. 市场激励型环境规制与能源消费结构转型--来自中国碳排放权交易试点的经验证据[J]. 数量经济技术经济研究, 2023, 40(7): 133-155. [33] 江艇. 因果推断经验研究中的中介效应与调节效应[J]. 中国工业经济, 2022(5): 100-120. [34] 严佳佳, 介琼楠. 绿色金融改革创新试验区政策如何影响城市低碳经济转型--新结构环境经济学视角[J]. 管理学刊, 2025, 38(5): 69-83. [35] 孙红雪, 朱金鹤. 自由贸易试验区设立能否增强中国产业链韧性?--基于多种创新要素集聚的中介机制检验[J]. 现代经济探讨, 2023(11): 72-84. [36] 张兆国, 徐雅琴, 成娟. 营商环境、创新活跃度与企业高质量发展[J]. 中国软科学, 2024(1): 130-138. [37] 范合君, 潘宁宁. 工业机器人应用广度深度与企业绿色化转型[J]. 贵州财经大学学报, 2025(4): 101-110. [38] Goodman-Bacon A. Difference-in-differences with variation in treatment timing[J]. Journal of Econometrics, 2021, 225(2): 254-277. doi: 10.1016/j.jeconom.2021.03.014 [39] 曹清峰. 国家级新区对区域经济增长的带动效应--基于70大中城市的经验证据[J]. 中国工业经济, 2020(7): 43-60. -
点击查看大图
图(4) / 表(10)
计量
- 文章访问数: 20
- HTML全文浏览量: 15
- PDF下载量: 1
- 被引次数: 0