1. 引言
长期以来,我国以能源环境为代价推动经济高速发展,造成能源消费总量持续增加[1] [2]。目前,我国已经成为世界上最大的能源生产国和消费国,为经济发展带来了巨大压力[3]。在此背景下,习近平总书记在联合国大会上强调“中国将采取更有力的政策和措施,二氧化碳排放力争于2030年前达到峰值,努力争取2060年前实现碳中和”。2021年“十四五”规划纲要也进一步指出“2025年单位GDP能耗比2020年降低13.5%”。能源强度(ENI),即每单位GDP所消耗的能源,是评价一个国家的能源效率、碳排放和可持续发展的重要指标[4]。当前,学者们已经从技术进步、环境规制、自然资源等方面探究了能源强度的驱动和制约因素,为推动能源绿色发展提供了有益参考[5]。
在能源问题愈发凸显的同时,近年来兴起的数字普惠金融为解决该问题提供了有利契机。金融是国家重要的核心竞争力。在减少环境污染、提高空气质量与实现绿色发展过程中,应充分发挥金融的重要作用[6]。特别是近年来,数字金融的蓬勃发展,为推进企业绿色转型提供了可能。互联网技术的发展为普惠金融发展打开了数字化的大门,信息技术为金融发展提供了多种可能,数字普惠金融应运而生(郭峰等,2020) [7]。
一些学者对数字金融的环境绩效进行研究,认为数字金融能够促进污染减排(许钊等,2021) [8]、减少碳排放(范庆倩和封思贤,2022) [9]、提升能源效率(张云辉和李少芳,2022) [10],从而推动经济与生态环境协同发展(刘潭等,2022) [11]。基于此,笔者试图探讨“数字普惠金融究竟能否成为新发展阶段下降低的有效驱动力”这一课题。若答案肯定,其背后的作用机制是什么?作用效果是否因时空的差异而有所不同?尽管当前关于数字金融和能源强度的既有研究已经取得一定成果,但也存在明显的局限性:现有研究多是在理论层面进行论证,缺乏相应的经验证据,无法具体识别数字普惠金融对能源强度的效应及其影响机制[12]。
本文的主要贡献在于:第一,将数字普惠金融和城市能源强度表现纳入一个统一的分析框架,尝试从城市能源强度的角度探讨数字普惠金融的环境效应,拓宽了数字普惠金融相关的已有研究,为城市可持续发展提供新的理论基础。第二,本文以2011~2021年的中国城市为样本进行实证检验,为数字普惠金融对城市能源强度的效应提供了经验证据。
2. 文献综述与理论假说
现有文献分别针对数字普惠金融和能源强度进行了独立研究,但少有研究将二者纳入同一框架进行分析。经过梳理发现,与本文最为接近的文献主要有以下三类:
2.1. 数字普惠金融的发展及其作用
数字普惠金融是新一代数字技术与传统金融产业的完美融合,其借助数字技术实现了低成本、高效率、精准化的金融服务,近年来已经成为国内外众多学者关注的热点话题。现有相关文献的研究主题涉及甚广,以数字普惠金融与新型城镇化、产业结构升级、绿色全要素生产率、经济发展、碳排放的关系研究为主题的文献大量涌现(江红莉和蒋鹏程,2021;易行健和周利,2018;张勋等,2021) [13] [14] [15]。其中,胡宗义和李毅采用静态与动态面板门槛模型,分析得出金融发展对环境污染的影响可分解为规模效应和技术效应,规模效应符号为正,技术效应符号为负。朱东波和张相伟基于系统GMM估计方法和动态面板模型对中国数字金融发展的环境效应进行实证研究,研究发现数字金融发展通过提高数字金融覆盖广度和使用深度实现污染减排。范庆倩和封思贤[9]通过改进的罗默内生经济增长模型,分析得出数字金融发展主要通过增产效应与节能效应影响碳排放规模。马卫刚和王兴启基于284个地级市的面板数据,通过中介效应分析发现数字金融通过促进技术创新的机制降低碳排放,通过提高创业活动的机制增加碳排放。众多学者从不同角度对数字普惠金融进行了深入探讨,为本文探究其与能源强度的关系提供了前期的理论基础。
2.2. 能源强度的影响因素
梳理以能源强度为主题的相关文献可以发现,能源消费结构、碳交易政策、技术进步等都是能源强度的重要影响因素。王林辉等[16]研究表明技术进步能源偏向性与能源强度呈现显著的倒U关系。耿文欣和范英[17]利用湖北省2005~2017年面板数据,通过合成控制法分析得出湖北碳交易试点的政策有效降低了当地能源强度。张跃军和梁安然[18]从能源消费结构和区域差异的角度出发,认为可再生能源技术相较于非可再生能源技术对能源强度的削弱作用更强,本土研发相较于外国技术溢出效果也更为明显;沈小波、陈语等[19]实证研究发现能源价格和对外贸易是驱动能源强度下降的重要因素。
2.3. 现有关于数字金融与能源强度的研究
岳书敬和张鑫和[20]分析得出数字经济发展水平每提高1%,能源强度降低0.26%,作用强度呈现边际递减特征。王元彬等[21]基于微观数据采用双向固定效应模型验证了数字金融发展对碳排放有明显降低作用。魏丽莉和陈熙(2022)认为,数字金融可通过技术进步这一传导机制影响能源强度,且呈现显著的正向影响。而与本文相关的文献主要围绕传统金融发展对能源效率以及数字金融对绿色发展的影响展开讨论,如沈冰和李鑫研究发现传统金融发展能推动产业高级化水平提升,有效促进能源效率提升。张文彬等[22]认为传统金融发展通过直接、技术和结构三方面效应促进了能源效率提升。刘敏楼等[23]研究发现数字金融通过激励技术创新促进绿色发展。张云辉和李少芳也发现数字金融发展能有效提升能源效率,但提升效应只在东部和西部地区显著,中部地区不显著,
综合来看,专门研究数字普惠金融和能源强度的文献相对较少,且部分观点存在争议。因此,本文基于中国城市的经验证据对数字普惠金融和能源强度进行实证分析,为实现“双碳”目标和能源转型升级制定政策提供参考意义。
3. 指标构建、数据来源与模型构建
3.1. 指标构建
3.1.1. 因变量选取
在能源强度的测算上,多数研究采用全年能源消耗总量与实际GDP的比值来衡量能源强度(魏丽莉和陈熙,2022) [24]。现有研究已经证实夜间灯光数据与能源消费具有显著正相关联系(Zhu et al., 2019) [25]。为此,参考现有文献利用省级夜间灯光数据自上而下对城市碳排放量进行估算的方法(闫志俊等,2022;张兵兵等,2022) [26] [27]。首先将《中国能源统计年鉴》中省级能源消费量(万吨标准煤)作为因变量,各省夜间灯光亮度作为自变量,构建面板数据模型,从而得到二者之间的系数与残差。其次,根据城市层面夜间灯光亮度值,采用自上而下的方法,测算出城市层面的能源消耗总量。最后将城市层面的能源消耗总量与GDP的比值作为城市层面的能源强度。
3.1.2. 自变量选取
本文的核心解释变量是数字普惠金融水平,由地级市层面的数字普惠金融指数表示。该指数由北京大学数字金融研究中心和蚂蚁金服集团共同编制,基于蚂蚁金服提供的数字金融服务数据,运用无量纲方法和层次分析法,根据数字普惠金融指标体系计算数字普惠金融指数得分及各维度得分,涵盖中国省、市、县三个层级的数据。
3.2. 模型构建
为了检验数字普惠金融对城市能源强度的影响,本文构建了以下基准模型:
(1)
此外,根据前文的理论假说,为了考察数字普惠金融与城市能源强度之间的非线性关系,本文将DFIN的二次项加入基准回归模型中,如式(2)所示:
(2)
其中,ENIit表示城市i在t时期的能源强度,DFINit为i在t时期的数字普惠金融指数。为了解决遗漏变量引起的内生性问题干扰,本文引入了控制变量Xit。具体来看,分别为人均GDP (Pgdp),由人均生产总值的对数表示。人口密度(Pnd),用年末总人口与城市区域面积之比表示。外商直接投资(Fdi),用当年实际使用外资金额与GDP之比表示。金融发展程度(Fin),用金融机构贷款金额与GDP之比来表示。城镇化率(Urban),用城镇人口数量与年末总人口之比来表示。城镇化的提升,对市场环境、创新技术活力、企业结构、城市内部的资源配置都有一定的影响,进一步影响了能源效率。环境规制(Regulation),本文采用地区环保人员数量的自然对数来衡量地区环境规制。环境规制会激励企业进行节能技术升级,加快节能设备的改造和引进,有利于降低能源强度(Wu et al., 2020) [28]。后三项分别为、时间固定效应与随机误差项。
3.3. 数据来源与描述性统计
Table 1. Descriptive statistics
表1. 描述性统计
Variable |
Obs |
Mean |
Std. Dev. |
Min |
Max |
ENI |
3102 |
−0.188 |
0.048 |
−0.518 |
−0.058 |
DFIN |
3102 |
5.118 |
0.515 |
2.891 |
5.888 |
Breadth |
3102 |
5.058 |
0.566 |
1.058 |
5.921 |
Depth |
3102 |
5.093 |
0.513 |
1.666 |
5.873 |
Digitization |
3102 |
5.269 |
0.594 |
1.308 |
6.367 |
Pgdp |
3102 |
8.685 |
0.988 |
6.744 |
17.280 |
Pnd |
3102 |
7.352 |
4.028 |
0.043 |
15.435 |
Fdi |
3102 |
0.016 |
0.017 |
0.000 |
0.192 |
Fin |
3102 |
1.674 |
3.632 |
0.025 |
49.500 |
Urban |
3102 |
0.404 |
0.212 |
0.083 |
1.091 |
Regulation |
3102 |
3.325 |
1.460 |
−0.139 |
8.157 |
结合行政区划变更和数据可获取性,本文选取2011~2021年中国大陆282个地级市的面板数据作为研究样本。相关数据主要来源于《中国城市统计年鉴》、EPS数据库等。部分缺失值数据使用插值法填补。数据的描述性统计结果如表1所示。
4. 实证分析
4.1. 基准回归分析
表2报告了数字普惠金融影响城市能源强度的基准回归结果。列(1)和(2)汇报了OLS模型的回归结果,列(3)和(4)汇报了双向固定效应的回归结果。在一次项的基础上加入二次项,此时的回归结果显示数字普惠金融的一次项和二次项均至少在5%的显著性水平下通过检验,且系数分别为正值和负值,说明数字普惠金融发展对能源强度具有“先促进、后抑制”的非线性影响,即呈现出“倒U型”关系特征。我们的结论也证实了“污染天堂”假说的存在(蔡宏波等,2022) [29]。发达国家对环境的监管比发展中国家更严苛。由于环境友好型技术示范效应,采用较高环境标准的跨国公司往往会改善东道国的环境。
Table 2. Benchmark regression
表2. 基准回归
|
(1) |
(2) |
(3) |
(4) |
|
OLS |
固定效应模型 |
DFIN |
−0.022*** |
0.361*** |
0.022*** |
0.072*** |
(0.001) |
(0.019) |
(0.005) |
(0.024) |
DFIN2 |
|
−0.040*** |
|
−0.007** |
|
(0.002) |
|
(0.003) |
Pgdp |
−0.013*** |
−0.008*** |
−0.002* |
−0.002* |
(0.001) |
(0.001) |
(0.001) |
(0.001) |
Pnd |
−0.005*** |
−0.004*** |
−0.003*** |
−0.003*** |
(0.000) |
(0.000) |
(0.000) |
(0.000) |
Fdi |
−0.120*** |
−0.207*** |
−0.103*** |
−0.100*** |
(0.033) |
(0.031) |
(0.037) |
(0.037) |
Fin |
0.002*** |
0.001*** |
0.000 |
0.000 |
(0.000) |
(0.000) |
(0.000) |
(0.000) |
Urban |
−0.047*** |
−0.047*** |
0.075*** |
0.072*** |
(0.003) |
(0.003) |
(0.013) |
(0.013) |
Regulation |
0.003*** |
0.004*** |
0.051*** |
0.051*** |
(0.000) |
(0.000) |
(0.007) |
(0.007) |
_cons |
0.077*** |
−0.856*** |
−0.461*** |
−0.534*** |
(0.009) |
(0.048) |
(0.035) |
(0.053) |
City FE |
N |
N |
Y |
Y |
Year FE |
N |
N |
Y |
Y |
N |
3102 |
3102 |
3102 |
3102 |
adj. R2 |
0.626 |
0.699 |
0.937 |
0.937 |
注:*、**和***分别表示在10%、5%和1%水平上具有统计学显著性。括号内的标准误差是聚类到城市层面的稳健标准误,下表同。
其可能原因是,初期阶段由于发展数字普惠金融所需的数字基础设施,如数据中心、云计算等,消耗了大量电力。如果这些能源主要来自煤炭、石油等非可再生的能源,将会产生大量二氧化碳[30]。而二氧化碳是人类活动中排放量最大的温室气体,从而加剧全球变暖,导致海平面上升,冰川消融[31]。但是到了后期,数字普惠金融凭借其普惠性等优势为企业所带来的融资红利远大于制造业部门的能耗。数字普惠金融依托于海量数据资源和先进数字技术,能够降低绿色金融产品交易成本,直接为企业等创新主体提供融资支持等方式,缓解了企业融资难题(Mu et al., 2023) [32]。金融机构通过合理地引导资金流向绿色、高科技行业以推动能源行业企业技术创新,从而降低城市能源强度(Razzaq et al., 2021) [33]。
4.2. 稳健性检验
为了确保结论的可靠性,进一步通过替换核心变量、交互固定效应、双重聚类稳健标准误和面板分位模型等进行稳健性检验。
4.2.1. 替换核心解释变量
在稳健性检验部分,参照现有研究(Yang and Wei, 2019) [34],用相关地级市层面的单位GDP用电量(ENI2)取代能源强度(ENI)重新估计模型。无论从全球还是中国的视角来看,数字经济对电力需求的持续增加使得电力在最终能源消费结构中的地位日益凸显。相较于传统模式,数字经济最显著的差异在于数据成为关键性生产要素。从数据的生成、传输、处理到存储和应用,都需要电力作为基础能源。因此,数据的指数级增长导致数据处理各环节的高强度电力需求(Hong et al., 2023) [35]。表3列(1)报告了替换核心解释变量的回归结果,一次项和二次项回归系数分别为0.720和−0.082,且在1%水平下显著,说明能源强度随着数字普惠金融的发展先增加后降低,与基准回归结果基本吻合。
4.2.2. 考虑交互固定效应
技术水平极高的行业或经济发展水平较高的省份,数字基础设施可能相对完善,在数字金融发展方面更具优势。基于此,本文加入省份与年份的交互固定效应,以控制省份层面随年份变动因素的影响,具体回归结果见表3列(2)。根据回归结果显示,核心解释变量DFIN的一次项系数依然在1%水平上显著为正,说明基准回归结果是稳健的。
4.2.3. 双重聚类稳健标准误
考虑到不同城市之间的内在相关性,我们对标准误在个体和时间上进行双重聚类调整,以克服自相关和异方差等问题对统计推断的影响[36]。采用双重聚类稳健标准误重新估计模型后的结果如表3列(3)所示,核心解释变量的一次项和二次项系数依旧显著为正和负,证明了模型的稳健性。
4.2.4. 面板分位数模型
基准回归模型刻画了数字普惠金融位于均值区间对能源强度的作用效果,没有具体考察不同能源强度地区数字普惠金融发展的作用差异。本文借鉴Chernozhukov et al.的思路[37],进一步选用面板分位数回归模型进行检验。面板分位数回归模型基于城市整体数据对不同分位点分别建模,可以弥补均值回归的缺点,同时避免对城市样本分组的主观性,更能够充分捕捉分布的整体特征。本文选取25%、50%和75%作为分位点进行回归,同时固定年份和省(区、市)效应,回归结果见表3列(4)至(6)。结果显示,在不同分位点上数字普惠金融与能源强度均呈现显著的“倒U型”关系特征,核心解释变量的系数与基准回归基本保持一致,“倒U型”关系进一步得以加强。
Table 3. Robustness test
表3. 稳健性检验
|
(1) |
(2) |
(3) |
(4) |
(5) |
(6) |
|
替换解释变量 |
交互固定效应 |
双重聚类稳健标准误 |
Q = 0.25 |
Q = 0.5 |
Q = 0.75 |
DFIN |
0.720*** |
0.298*** |
0.720** |
0.399*** |
0.388*** |
0.363*** |
(0.071) |
(0.054) |
(0.230) |
(0.035) |
(0.020) |
(0.024) |
DFIN2 |
−0.082*** |
−0.030*** |
−0.082** |
−0.044*** |
−0.043*** |
−0.040*** |
(0.009) |
(0.007) |
(0.028) |
(0.004) |
(0.002) |
(0.002) |
Pgdp |
−0.004** |
−0.001 |
−0.004 |
−0.007*** |
−0.006*** |
−0.006*** |
(0.002) |
(0.001) |
(0.003) |
(0.001) |
(0.001) |
(0.001) |
Pnd |
−0.003*** |
−0.000 |
−0.003* |
−0.004*** |
−0.004*** |
−0.004*** |
(0.001) |
(0.001) |
(0.001) |
(0.000) |
(0.000) |
(0.000) |
Fdi |
0.208*** |
0.026 |
0.208 |
−0.257*** |
−0.217*** |
−0.175*** |
(0.065) |
(0.058) |
(0.118) |
(0.040) |
(0.046) |
(0.043) |
Fin |
0.002*** |
0.000** |
0.002** |
0.001*** |
0.001** |
0.001*** |
(0.000) |
(0.000) |
(0.001) |
(0.000) |
(0.000) |
(0.000) |
Urban |
0.166*** |
0.011 |
0.166** |
−0.057*** |
−0.046*** |
−0.038*** |
(0.024) |
(0.024) |
(0.055) |
(0.003) |
(0.003) |
(0.003) |
Regulation |
0.191*** |
0.114*** |
0.191*** |
0.003*** |
0.004*** |
0.004*** |
(0.017) |
(0.017) |
(0.049) |
(0.000) |
(0.000) |
(0.000) |
_cons |
−2.332*** |
−1.266*** |
−2.332*** |
−0.967*** |
−0.940*** |
−0.870*** |
(0.149) |
(0.112) |
(0.427) |
(0.087) |
(0.051) |
(0.059) |
City FE |
Y |
Y |
Y |
Y |
Y |
Y |
Year FE |
Y |
Y |
Y |
Y |
Y |
Y |
Pro*Year FE |
|
Y |
|
|
|
|
N |
3102 |
3102 |
3102 |
3102 |
3102 |
3102 |
adj. R2 |
0.973 |
0.983 |
0.973 |
0.932 |
0.998 |
0.937 |
4.3. 异质性分析
前文研究表明,数字普惠金融的发展对能源强度具有典型的非线性影响,考虑到中国各省市区自身经济发展水平、资源禀赋和产业结构差异,这种非线性影响可能在地区层面存在异质性特征。因此,本文按照东、中、西部和北方、南方两种区域划分方式分为两组分别进行检验,结果如表4所示。
Table 4. Heterogeneity test
表4. 异质性检验
|
(1) |
(2) |
(3) |
(4) |
(5) |
|
东部地区 |
中部地区 |
西部地区 |
北方地区 |
南方地区 |
DFIN |
0.207*** |
0.054 |
0.035 |
0.041 |
0.119*** |
(0.039) |
(0.064) |
(0.024) |
(0.039) |
(0.027) |
DFIN2 |
−0.023*** |
−0.004 |
−0.004 |
−0.004 |
−0.012*** |
(0.005) |
(0.008) |
(0.003) |
(0.005) |
(0.003) |
Pgdp |
−0.001 |
−0.010*** |
−0.000 |
−0.000 |
−0.002** |
(0.002) |
(0.003) |
(0.001) |
(0.001) |
(0.001) |
Pnd |
−0.004*** |
−0.002*** |
−0.003*** |
−0.003*** |
−0.003*** |
(0.000) |
(0.000) |
(0.000) |
(0.000) |
(0.000) |
Fdi |
−0.152*** |
−0.027 |
0.009 |
0.063* |
−0.244*** |
(0.054) |
(0.037) |
(0.070) |
(0.038) |
(0.039) |
Fin |
0.001 |
0.001** |
0.000 |
−0.000 |
0.000 |
(0.001) |
(0.000) |
(0.000) |
(0.000) |
(0.000) |
Urban |
0.178*** |
0.029* |
0.013 |
0.001 |
0.101*** |
(0.023) |
(0.015) |
(0.018) |
(0.016) |
(0.020) |
Regulation |
0.068*** |
0.050*** |
0.026*** |
0.076*** |
0.042*** |
(0.012) |
(0.012) |
(0.009) |
(0.014) |
(0.008) |
_cons |
−0.892*** |
−0.463*** |
−0.314*** |
−0.542*** |
−0.583*** |
(0.089) |
(0.144) |
(0.055) |
(0.094) |
(0.061) |
City FE |
Y |
Y |
Y |
Y |
Y |
Year FE |
Y |
Y |
Y |
Y |
Y |
N |
1100 |
1089 |
913 |
1132 |
1969 |
adj. R2 |
0.950 |
0.873 |
0.945 |
0.906 |
0.953 |
从东、中、西部地区来看,数字金融发展对东部的能源强度具有典型的非线性影响,而对于中部和西部地区的影响则未能通过显著性检验。这表明现阶段数字普惠金融对能源强度的影响主要集中在东部地区。其可能原因在于,东部地区在经济发展、对外贸易和高科技领域等方面优势明显且处于数字金融快速发展和应用阶段,对数字普惠金融的快速发展及企业的快速转型适应性更强,有利于充分发挥优势降低能源强度[10]。西部地区经济发展则相对落后,虽然在数字金融快速发展的背景下能够依托便捷的融资服务实现产能规模扩张,但融资难度较高、高新技术发展落后等问题依然存在,仅依托数字普惠金融发展会受到一定阻力。中部地区各省市区之间面临经济发展差异较大、资源分布极度不均等问题,不同省市区在同一问题下可能两极分化较为严重,导致中部地区的发展情况相对复杂,这同时也揭示出充分挖掘和利用中部地区各省市区自身发展优势,制定差异化政策推动中部地区数字金融发展,将是促进区域协调发展共同实现降低能源强度发展目标的重要内容[38]。
从南方、北方地区来看,数字金融发展对南方地区能源强度的影响在1%水平下显著,而对北方地区的影响未能通过显著性检验。可能是因为北方地区只有京津冀城市群发展较好,其他城市间的联系相对较弱,在数字金融发展和降低能源强度方面还有优化空间。此外,北方地区多为资源消耗型企业,经济发展与环境保护日益冲突,相较于利用发展数字金融这一渠道降低能源强度,如何发展高新技术从而提高资源利用率、推进企业转型升级成为更为关键的因素。相比之下,南方地区率先进行改革开放,营造了较为成熟的市场经济发展环境,而且上海、广州、深圳、杭州这些数字金融发展较快的城市均位于南方地区,所以南方地区数字金融发展水平较高、数字化技术更先进、绿色创新更具普遍性,对外贸易和融资环境更好,可以更好地借助数字普惠金融发展降低能源强度(Chen et al., 2023) [39]。
5. 结论与启示
数字普惠金融与能源消耗是我国经济转型发展的重要驱动要素和约束条件,二者之间存在着不可忽视的内在关系,本文基于2011~2021年282个地级市的相关面板数据,在构建能源强度指标和数字普惠金融指数的基础之上,利用OLS回归、固定效应模型、分位数面板模型对数字普惠金融对能源强度的影响与内在机制进行了探究。从总体上来看,数字普惠金融与城市能源强度之间存在倒U型关系,在经过变量替换、交互固定效应、双重聚类稳健标准误、面板分位数模型等一系列稳健性检验后依然成立。异质性检验也表明,相较于中西部城市与北方城市,数字普惠金融在东部城市与南方城市对于降低能源强度的作用更显著。这说明东部和南部地区享受到了更多的数字普惠金融红利,一方面反映出该地区经济、技术、资源方面的优势,另一方面也反映出促进区域协调发展共同实现降低能源强度发展目标的重要性。基于本文研究结论,提出以下建议。
第一,紧跟金融科技潮流改革现代金融体系,加快数字普惠金融在中国的布局并提高其运用能力。中国金融业正处于传统金融机构广泛运用人工智能、大数据、区块链等科技技术提升综合服务能力的新阶段,将“金融”与“能源”两大要素深度融合并广泛运用是未来发展的重中之重。政府应当持续加强数字人民币、大数据征信系统、政府大数据开放平台等数字金融基础设施的建设以扩大数字普惠金融的覆盖度,大力鼓励传统金融机构加大数字普惠金融技术的投入以弥补其功能缺陷。首先,随着绿色项目企业融资需求量增加和地方政府对“绿色信贷”机制的积极倡导,商业银行可以通过发展新型信贷服务产品为绿色发展领域的相关企业提供创新动力,为减轻区域能源强度提供一定的融资保障。其次,积极开发和创新差异化定价、碳金融产品创新等金融手段,加速企业低碳转型发展。此外,充分发挥大数据、区块链等数字技术优势,引导资金精准流向低耗能的绿色生产活动。最后,助力能源交易平台的数字化建设,使能源消费主体更有序、更便捷和低成本地参与跨时间和空间的能源交易。
第二,将金融市场纳入全面监管,保证市场环境的安全性、公平性、原则性。金融发展的数字化转型过程面临一定的市场监管与垄断问题,坚持市场化、法治化、国际化原则的统一是提高金融服务能力与效率的基础。一方面,需要不断完善相关法律法规制度和一系列辅助性因素从而提升监管政策的靶向性和精确度,确保数字金融正常、平稳地发挥其功能;另一方面,加快构建反垄断监管体系和创新评价体系,杜绝“恶性竞争”“监管套利”和“垄断市场”等不良行为,引导数字普惠金融创新与实体经济协同健康发展。
第三,重视数字普惠金融所带来的“红利”的区域性差异,促进区域协调发展。当前,区域间的数字普惠金融发展水平不平衡、不充分问题尚存。高能源强度地区应重视数字化建设的经济效应,低能源强度地区应重视数字化设备本身绿色节能属性的建设。发达地区也应当在保持自身发展的同时发挥引领带动作用,使各地区能源利用朝着低碳、绿色、环保、高效的方向发展,共同实现降低能源强度和促进节能环保的发展目标。