金融科技和可再生能源对能源安全的影响：来自20个经合组织国家的证据

《Next Energy》：The effects of financial technology and renewable energy on energy security: Evidence from 20 OECD countries

　　谢伊克·阿夫罗兹|钱德拉谢卡尔·拉古特拉
印度卡莱卡尔普杜切里国家理工学院人文与社会科学系

**摘要**
实现能源结构的均衡发展是全球各国为应对能源安全风险、促进能源多样化并实现可持续发展目标而亟待解决的问题。金融技术和环境技术的进步可以 smoother the 可再生能源转型之路。本研究运用先进的计量经济学方法，探讨了金融科技、环境技术以及经济复杂度在促进经济合作与发展组织可再生能源（RE）方面的作用，以实现能源安全。实证研究结果表明，可再生能源和城市化有助于提升能源安全；而金融科技、环境技术及经济复杂性反而可能加剧能源安全风险（这可能是由于它们增加了能源需求和脆弱性）。同时，金融科技和环境技术通过鼓励能源领域的投资和部署创新技术来支持可再生能源的生产。因果关系检验证实，能源安全风险与金融科技指数、环境技术、可再生能源消费量及经济复杂性指数之间存在相互影响。研究建议政府和政策制定者应考虑在金融科技的助力下推动可再生能源转型，以提高能源安全。此外，政府还应提供财政激励措施，支持可再生能源创新，以实现能源、经济和环境的可持续性。

**1. 引言**
根据国际能源署的定义，“能源安全”指的是能源资源能够以可承受的价格持续获得。20世纪70年代，由于石油危机，能源安全问题受到关注。目前，能源安全问题主要源于对传统能源的过度依赖：2000年化石能源在初级能源结构中的占比为77%，到了2021年上升至80%[20]。与此同时，全球能源需求从2000年的416艾焦（EJ）增加至2024年的654艾焦，增长了近60%[32]。预计到2050年，全球能源消费量将再增加近34%[33]。全球经济对化石燃料的依赖使得后代资源面临枯竭的风险[58]。能源需求的快速增长与有限的能源资源之间的矛盾威胁着能源安全。相比之下，可再生能源的生产显著提升了能源安全并促进了可持续发展[11]；此外，可再生能源转型还能通过减少温室气体排放来增强环境可持续性[59]。目前，包括核能在内的可再生能源占全球电力消费总量的约39%[20]。联合国可持续发展目标7（SDG 7）也强调“为所有人提供可持续和清洁的能源”。由此可见，可再生能源转型在实现能源安全和可持续发展中发挥着关键作用。

可再生能源转型需要资金支持。2023年，全球能源转型领域的投资总额达到1.8万亿美元[22]；2022年，化石燃料补贴的全球财政成本几乎翻了一番，从2021年的7695亿美元增至1.4万亿美元[20]。自2000年以来，全球可再生能源的发展预计为电力行业节省了4090亿美元的燃料成本[34]。金融技术推动的去中心化金融发展使更多人能够获得金融服务[2]，通过多元化的支持工具为绿色转型战略提供了资金来源[27]，从而提升了能源效率、减少了能源负担并改善了环境状况[4]。技术创新（TI）特别是推动了可持续发展的气候适应性投资[47]。据预测，数字钱包交易金额将从2024年的10万亿美元增加到2029年的17万亿美元[35]。然而，全球仍有25亿人无法上网[68]，这可能导致能源密集型技术的使用进一步增加能源需求[57]。通过清洁能源转型和高效技术的应用，可以降低能源需求和化石燃料成本带来的负担。高效技术为减缓气候变化和保障能源安全提供了多方面的解决方案[65]。技术创新和清洁能源转型提升了能源效率[36]，显示出其在提高经济产出和实现能源安全方面的必要性。

经济复杂度（EC）对实现可持续增长至关重要。经济复杂度的提升有助于提高能源系统的效率和可再生能源的适应能力[1]。高复杂度的国家更倾向于采用包括可再生能源在内的低碳技术；这些创新构成了新型生产体系的基础，进而提升经济生产力[7]。然而，经济复杂度的提高也可能导致对化石燃料的依赖，从而增加能源需求[13]。显然，由于能源需求和人口增长，经济活动高度依赖能源供应[61]。2022年全球人口达到80亿，预计到2050年将增至97亿；2022年城市人口占比为57%，预计到2050年将升至68%[21]。因此，经济复杂度对能源安全既有正面影响也有负面影响，其影响受到能源需求和城市化进程的驱动。

总体而言，对进口化石燃料的过度依赖会导致能源不安全和经济不稳定；化石燃料是环境退化的主要因素，威胁生态平衡和能源安全。这突显了投资发展可再生能源技术和环境技术、扩大可再生能源产能的重要性。同时，金融科技有助于将资金引向清洁能源项目。经济复杂度和城市化进程加速了能源消费，从而增加了能源安全风险。因此，研究金融科技、环境技术和经济复杂度对可再生能源转型和能源安全的影响至关重要。

**2. 研究背景**
经合组织（OECD）在协调能源转型方面拥有最大的改进空间，其目标是将全球气温上升控制在1.5℃以内，这可以弥补高达60%的能源缺口。为实现《巴黎协定》设定的1.5℃目标，需将可再生能源产能提高两倍，并将能源效率平均提升一倍[31]。到2030年，全球可再生能源产能需达到11.2太瓦，这意味着2022至2030年间每年需新增974吉瓦的产能。2023年新增的可再生能源装机容量创下了473吉瓦的记录[34]。为实现1.5℃的温度目标，2030年前全球能源系统需投资12万亿美元；从2024年开始每年需投资2万亿美元[32]。2022年，全球能源效率仅达到2.2%，能源需求增长了1%。要将全球能源效率每年提升4%，到2030年需在能源效率相关领域投资超过1.8万亿美元[30]。当前，能源效率领域的投资为6200亿美元[30]。因此，必须解决可再生能源产能、投资和效率方面的问题，以确保能源供应的安全。

图1至图5展示了2000年至2021年间20个经合组织国家能源安全风险指数（ESRI）、环境技术（ENT）、可再生能源消费量（REC）、经济复杂性指数（ECI）及城市化率（URB）的趋势。ESRI指数呈正向上升趋势：指数值越高表示能源安全越低；20个经合组织国家的ESRI总分从2000年的879.8上升至2021年的1019.45。ENT指数在0至100的范围内，从2000年的7.21上升至2021年的10.44；REC指数同样呈现上升趋势，从2000年的11.44升至2021年的19.14。这些数据表明，提升可再生能源产能以降低化石燃料的依赖性、实现能源安全迫在眉睫。ECI指数则呈现负增长趋势，从2000年的1.27降至2021年的1.01。城市化率呈现年均增长趋势，从2000年的0.96上升至2021年的0.48。

**3. 文献综述**
众多研究表明，技术创新（TI）有助于提升能源效率、降低最终能源需求并促进投资，从而实现能源安全。例如，李和王（Lee & Wang[39]的研究探讨了2000至2018年间中国金融发展（FD）与技术创新在提升能源安全方面的作用；王和乌拉（Wang & Ullah[67]研究了创新和金融发展对43个国家能源安全的影响，发现两者有助于降低能源安全风险。金（Kim[37]的研究指出，能源价格波动会刺激创新，从而提高能源效率并推动替代性创新。泰特等人（Tete et al.[63]分析了2010至2019年间西非经济和货币联盟国家能源效率对能源安全的影响，强调能源基础设施和投资的重要性。特罗塔（Trotta[65]研究显示，芬兰能源效率的提升有助于实现能源安全。阿夫罗兹和拉古特拉（Afroz & Raghutla[2]研究了金融科技与可再生能源消费量之间的关系，发现金融科技对可再生能源消费具有促进作用。

另一方面，穆赫塔尔诺夫等人（Mukhtarov et al.[45]探讨了金融发展对能源供应安全的影响。研究发现表明，金融创新（FD）对能源消费有积极影响，但由于需求增加而阻碍了能源安全（ES）。同样，Liu等人[42]的研究结果证实，在14个APEC国家中，金融创新对能源安全产生了负面影响。此外，Thanh等人[64]研究了2015年至2019年间数字转型对27个欧洲国家能源安全的影响，结果表明数字化由于能源需求增加而阻碍了能源安全。Sovacool等人[60]评估了1990年至2010年间技术进步（TI）对18个国家能源安全的影响，研究结果表明技术进步未能达到预期的能源安全目标。Yang和Zhan[70]使用面板分位数回归分析法研究了技术进步对中国能源安全的影响，结果证实技术进步损害了能源安全。总体而言，现有文献再次证实创新在实现能源安全方面起着关键作用，金融创新和环境技术都对能源转型有所贡献，但同时也增加了能源安全的风险。目前没有研究关注金融科技（fintech）和环境技术在20个经合组织（OECD）国家中的综合影响，因此有必要探讨这些技术在能源转型和实现能源安全中的作用。

3.2. 可再生能源与能源安全之间的联系
现有文献认为可再生能源（RE）是能源安全的关键决定因素。能源结构中可再生能源占比越高，能源供应的安全性就越强[10]。Aslantürk和K?pr?zl?[3]的研究强调了能源安全的紧迫性，建议在未来增加可再生能源的份额以实现能源多样性。Hamed和Bressler[24]分析了以色列和约旦可再生能源与能源安全之间的联系，研究结果认为必须提高能源结构中的可再生能源比例以确保能源安全。Tete[63]评估了能源行业的供应安全性，结果表明增加可再生能源的生产可以保障西非经济货币联盟国家的能源安全。Kumar[38]研究了印度的能源安全状况，研究表明可再生能源替代燃料是维持能源安全的主要因素。然而，只有少数研究得到了实证结果的支持。例如，Bigerna等人[8]得出结论，2005年至2019年间，可再生能源的进步确保了欧盟的能源安全。Chu等人[14]使用面板分位数回归方法的研究结果表明，能源安全最低的国家在1997年至2017年间最缺乏可再生能源的部署。Nair[46]研究了马来西亚可再生能源对能源安全的贡献，研究结果揭示增加可再生能源容量可以确保能源安全。Yang和Zhan[70]使用面板分位数回归方法研究了中国可再生能源对能源安全的促进作用，结果证实可再生能源对能源安全有积极影响。Franki和Vi?kovi?[23]探讨了可再生能源对克罗地亚能源安全的影响，研究发现增加国内可再生能源生产可以提升能源安全。Lin和Raza[41]使用MARKAL框架研究了能源进口对巴基斯坦能源供应安全性的影响，结果表明通过用可再生能源替代能源进口可以降低能源进口依赖性，从而确保能源安全。另一方面，Ibrahiem和Hanafy[28]研究了1971年至2014年间可再生能源与北非国家能源安全之间的联系，研究发现可再生能源削弱了能源供应安全。Marques和Fuinhas[44]对公共政策对可再生能源的影响进行了实证研究，结果表明过度依赖化石燃料阻碍了可再生能源的发展。Hao和Khan[26]的研究表明，能源脱碳和化石燃料的供应阻碍了经合组织国家的可再生能源发展。总体而言，提高能源结构中可再生能源的比例对于实现能源安全和可持续发展至关重要。现有文献的研究结果不一，因此有必要探讨可再生能源在20个经合组织国家实现能源安全中的作用。

3.3. 经济复杂性与能源安全之间的联系
以往的研究侧重于经济复杂性（EC）及其对能源安全的具体影响因素。例如，Payne等人[53]研究了经济复杂性对25个主要能源消费国家能源安全风险的影响，结果表明能源安全与经济复杂性密切相关。Adekoya等人[1]研究了经济复杂性对提高能源效率的贡献，结果表明经济复杂性会增加能源强度，阻碍能源效率和转型，这对能源安全不利。然而，Rafique[56]的研究关注经济复杂性对可再生能源需求的影响，结果表明经济复杂性与可再生能源发展呈正相关。Chu[14]研究了能源安全风险和经济复杂性在提升可再生能源产能中的作用，研究发现能源不安全和经济复杂性会推动可再生能源转型。Chu[13]进一步研究了能源安全和经济复杂性对可再生能源的影响，结果表明能源供应安全性低下会促进可再生能源的生产。Neagu和Teodoru[48]观察到经济复杂性与温室气体排放之间的关联，建议通过增加能源结构中的可再生能源份额来解决能源安全问题并改善环境质量。Do?an[18]研究了经济复杂性对于实现能源安全的重要性，研究发现经济复杂性通过可再生能源消费与碳排放负相关，但可以提高能源安全。Djeunankan[17]的研究证实，在93个国家中，经济复杂性提高了能源效率并实现了能源安全。总之，经济复杂性通过技术进步（TI）促进了多样化和生产能力提升，但同时也会增加能源需求，从而威胁能源安全。由于经合组织国家经济较为复杂，因此有必要探讨经济复杂性在实现能源安全和促进可再生能源转型中的作用。

3.4. 人口与能源安全之间的联系
以往的研究强调了城市化对能源安全和可持续发展的影响。例如，Nepal和Paija[49]研究了1975年至2014年间人口增长对能源安全的影响，结果表明人口增长增加了能源使用，并建议增加可再生能源的使用和采用能源效率技术可以提高能源安全。Behera[6]研究了1990年至2021年间城市化对印度能源三重困境的影响，结果表明城市化加剧了能源三重困境，建议鼓励使用可再生能源和能源效率技术以实现可持续发展。Wang[66]研究了人口密度对能源安全的影响，结果表明城市化通过采用节能技术减少了能源消耗，从而提升了能源安全。Li[43]研究了2006年至2015年间城市化对30个省份能源供应安全性的影响，结果表明城市化增强了能源安全。Nguea[50]研究了1990年至2019年间城市化与非洲可再生能源对可持续性的影响，结果表明城市化与可再生能源共同提高了可持续性。Ibrahiem和Hanafy[29]分析了人口增长与能源消费之间的关系，结果表明人口增长与传统燃料消费呈正相关。Chen和Zhou[12]研究了72个国家城市化与能源安全的影响，实证估计表明城市化增加了能源强度，阻碍了能源安全。Ofozor[51]研究了城市化对能源安全的影响，研究表明快速城市化增加了对能源资源的竞争，减少了47个非洲国家的能源安全。总体而言，现有文献中关于城市化对能源安全的影响存在正面和负面的观点。值得注意的是，目前缺乏关于可再生能源和城市化适应以实现能源安全的研究，因此有必要探索城市化对能源安全的正面或负面影响。

3.5. 研究空白
初步研究结果在能源安全方面得出了混合结论。只有少数研究考虑了金融创新在多样化金融资源以实现能源安全中的作用。此前没有研究将金融创新、技术进步（TI）、可再生能源消费、经济复杂性（EC）和城市化等因素结合起来进行研究。缺乏先进的实证计量模型限制了基于传统评估方法得出结论的能力。需要在经合组织国家进行更多实证研究，因为这些国家历史上一直面临能源危机。目前没有研究专注于金融科技、环境技术和经济复杂性在实现经合组织国家能源安全中的作用。此外，现有文献在城市化与可再生能源转型对能源安全风险影响方面的研究也存在明显不足。

4. 数据与方法论
4.1. 理论框架
本研究探讨了2000年至2021年间金融科技、环境技术和经济复杂性在经合组织国家实现能源安全中的作用。我们使用面板数据和相关变量在干预前的关系来确定模型选择。金融创新可能在促进可再生能源转型中发挥重要作用，并通过促进金融资源的可获得性来确保能源安全[2]。环境技术可以通过减少能源浪费和提高生产力来加速可再生能源项目的能源效率，从而加强能源安全[67]。可再生能源消费可以通过分散能源系统、降低能源强度来减少能源依赖性，从而确保能源安全[70]。经济复杂性可以提高经济生产力，并通过多样化能源消费来源来降低能源强度，以应对能源安全风险[53]。基于这一理论框架，我们将金融创新（FI）、环境技术（ENT）、可再生能源消费（REC）、经济复杂性（EC）和城市化（URB）纳入本研究。因此，我们制定了以下基线模型进行分析：
ESRI it = ? (FI it, ENT it, REC it, ECI it, URB it) + ε it (1)
ESRI it = β0 + β1 FI it + β2 ENT it + β3 REC it + β4 ECI it + β5 URB it + ε it (2)
REC it = ? (FI it, ENT it, ECI it) + ε it (2)
REC it = β0 + β1 FI it + β2 ENT it + β4 ECI it + ε it
ESRI代表能源安全风险指数，f表示函数关系，FI、ENT、REC、EC和URB分别代表金融创新、环境技术、可再生能源、经济复杂性和城市化。i = 1, 2…20表示国家，t = 1, 2…N表示时间段，ε表示误差项。

4.2. 数据来源
所使用变量的描述和来源如表1所示，研究重点是2000年至2021年的20个经合组织国家，包括澳大利亚、比利时、加拿大、智利、哥伦比亚、丹麦、法国、德国、希腊、爱尔兰、意大利、日本、韩国、墨西哥、荷兰、新西兰、西班牙、瑞典、英国和美国。变量数据来自多个来源，包括全球能源研究所（GEI）、世界发展指标（WDI）、经合组织数据库和经济复杂性地图集。能源安全风险变量由能源安全风险指数衡量。我们使用主成分分析（PCA）构建了金融创新变量，包含4个变量，相关变量的概述见附录A1。Kaiser-Meyer-Olkin（KMO）系数用于评估数据适度性，附录A2中的KMO统计值为0.7212，这表明数据适合用于构建金融创新变量。环境技术变量通过环境相关技术的百分比来衡量，可再生能源变量通过可再生能源消费百分比来衡量，经济复杂性变量通过经济复杂性指数来衡量，城市化变量通过城市人口增长率（年度百分比）来衡量。变量和数据来源描述
符号 变量 数据来源
ESRI 能源安全风险 ESRI
Energy security risk 能源安全风险指数 GEI
Fintech index 金融科技指数 PCA
PCAWDIENT 环境技术 %
OECD database 经济合作与发展组织 REC
Environmental technologies 环境技术中的专利百分比
Percentage of patents in environmental technology

4.3. 方法论
本研究采用了以下方法论：
i) 横截面依赖性（CSD）检验
ii) 平稳性检验
iii) 协整性检验
iv) 使用PCSE和FGLS进行长期弹性分析

4.3.1. CSD检验
实证分析首先进行CSD检验，以确定所选面板数据集是否存在横截面依赖性，这是验证的重要步骤。我们采用了Pesaran [54]提出的CSD检验方法来考虑面板数据中的异质性。CSD检验统计量的计算公式如下（方程3）。

(3) CD = 2^(T/N) * Σ_{i=1}^{N-1} * Σ_{j=i+1}^{N} * ρ^{ij}

其中，N表示国家数量，T表示时间周期数。ρ^{ij}表示单元i和j的残差之间的横截面相关性系数。

4.3.2. 平稳性检验
接下来，我们需要检查数据是否平稳。我们采用了Pesaran [55]提出的横截面增强Im、Pesaran和Shin（CIPS）以及横截面增强Dickey–Fuller（CADF）检验方法。这两种方法都能考虑CSD和异质性问题。CADF检验统计量的计算公式如下（方程4）。

(4) ΔY_{it} = α_i * Y_{i,t} - 1 + β_i * Y_{i,t-1} + γ_i * ΔY^{t-1} + ε_{it}

其中，Δ表示变化运算符，Y表示因变量，ε表示误差项。CIPS检验统计量的计算公式如下（方程5）。

(5) CIPS = 1/N * Σ_{i=1}^{N} * CADFi

4.3.3. 面板协整性检验
在下一步中，我们进行了Pedroni [52]和Westerlund [69]提出的协整性检验，以确定选定模型中各变量之间的长期动态关系。Pedroni [1999]的检验统计量计算公式如下（方程6）。

(6) Y_{it} = α_i * Z_{it} + D_{it} + Σ_{k=1}^{K} * β_{ki} * X_{ki} + ε_{it}

其中，α_i和D_{it}分别表示确定性截距和趋势项，X表示包含k个自变量的向量。

4.3.4. 长期估计
用于研究的面板数据可能存在CSD、自相关和异方差性问题。因此，我们采用了Beck和Katz [5]提出的PCSE方法。该方法可以解决面板数据中的CSD、自相关和异方差性问题[40]。实证方程如下（方程7）。

(7) Var(β^) = (X′X)^{-1} * X′Ω * X(X′X)^{-1}

其中，Ω表示协方差矩阵，Ω = Σ_{m×m} * I^{T} * I^{T}，?表示克罗内克积。∑_{i=1}^{N} * e^{ij}表示单元i和j的残差，T_{ij}表示两个面板之间的残差协方差。此外，我们还采用了Hansen [25]提出的FGLS方法来获得长期结果并检验其稳健性。当时间周期（T）超过横截面单元数（N）时，PCSE和FGLS方法适用[62]。在本研究中，横截面数为20个，时间周期为22年，即T > N。FGLS方程如下（方程8）。

(8) β^_{FGLS} = (X′Ω^{-1} * X)^{-1} * X′Ω^{-1} * y

其中，Ω表示协方差矩阵，∑表示由OLS回归得出的残差。

另外，我们还采用了Chudik和Pesaran [15]提出的CS-ARDL方法，该方法可以处理面板数据中的CSD、异质性和内生性问题。

5. 实证结果与决策
5.1. 描述性统计
结果显示，ESRI的平均值最高，为998.1318。ESRI的波动性最高，为212.5183，而URB的波动性最低，为0.6286862。因此，我们对ESRI变量采用了标准化技术，将其波动性降至最小标准差值，以便进一步进行实证分析。结果见表2。

表2. 描述性统计
| 变量 | 观测值 | 平均值 | 标准差 | 最小值 | 最大值 |
|----------|------------|-------------|-------------|-------------|------------|
| ESRI | 440 | 998.1318 | 212.5183 | 568 | 156 |
| FI | 440 | 1.59e-09 | 1.0000 | 0.9 | 2.7346 |
| ENT | 440 | 11.3654 | 45.4014 | 22.4 | 27.1 |
| REC | 440 | 14.7622 | 31.1168 | 60.69 | 58.4 |
| ECI | 440 | 1.1177 | 69.0078 | 0.6336 | 8.4 |
| URB | 440 | 1.0035 | 39.00628686 | -1.60 | 19.7 |

5.2. 相关系数矩阵
结果显示，FI和ECI与ESRI的相关性最强。ESRI与REC和URB呈负相关，而与FI、ENT和ECI呈正相关。因此，REC和URB显著增强了ES的稳定性。此外，RE与FI和ENT呈正相关，表明金融科技和环境技术有助于提高可再生能源的利用率。最终，RE和城市化将有助于降低能源安全风险。结果见表3。

表3. 相关系数矩阵
| | | | | | |
| ESRI | FI | ENT | REC | ECI | URB |
| | 1.0000 | 0.2892* | 1.0000 | 0.2117* | 0.2160* |
| | 0.2892* | 1.0000 | 0.3244* | -0.2160* |
| | 1.0000 | 0.2766* | 0.1780* | -0.1508* |
| | 0.2766* | 1.0000 | -0.3250* | 1.0000 |
| | -0.3972 | -0.2734* | -0.1818* | 0.0867*** |
| | -0.3972 | -0.2734* | -0.1818* | -0.3309* |
| | 1.0000 | 1.0000 | 1.0035 | 39.00628686 | -1.60 |

注：*表示1%的显著性水平。

5.3. 横截面依赖性检验
CSD检验确认所有面板变量都存在横截面依赖性。结果表明，替代假设（Ha）得到支持，即存在CSD，而原假设（H0）被拒绝。CSD的产生是由于共同的宏观经济冲击所致。结果见表4。

表4. 横截面依赖性检验
| 变量 | CD-test | p-value |
|---------|-------------|-------------|
| ESRI | 42.78 | 0.0000 |
| FI | 58.33 | 0.0000 |
| ENT | 42.34 | 0.0000 |
| REC | 39.19 | 0.0000 |
| ECI | 26.96 | 0.0000 |
| URB | 8.61 | 0.0000 |

注：*表示1%的显著性水平。

5.4. 第二代单位根检验
结果表明，ESRI、FI、ENT和ECI在水平I（0）下是平稳的，REC和URB在水平I（1）下是平稳的。这表明这些变量具有长期相关性。结果见表5。

表5. 第二代单位根检验
| 变量 | CIPS | CADF |
|---------|-------------|-------------|
| ESRI | -2.589 | -4.252 |
| FI | -2.577 | -4.689 |
| ENT | -3.538 | -4.833 |
| REC | -2.015 | -4.820 |
| ECI | -2.727 | -5.430 |
| URB | -1.943 | -3.448 |

注：*和**分别表示1%和5%的显著性水平。

5.5. 协整性检验
两种方法的检验结果均显示所选模型中存在协整性。原假设（H0）被拒绝，即变量之间存在长期关联。结果见表6。

表6. 协整性检验
| 模型 | 统计量 | p-value |
|---------|-------------|-------------|
| Pedroni | t = 2.958 | 0.002* |
| Phillips–Perron | t = 2.789 | 0.003* |
| Phillips–Perron | t = 6.047 | 0.000* |
| ADF | t = 5.481 | 0.000* |
| Westerlund | variance ratio = -2.410 | 0.0080* |
| | 1.989 | 0.023 |

注：*、**和***分别表示1%、5%和10%的显著性水平。

5.6. 多重共线性检验
我们使用方差膨胀因子（VIF）方法检查模型-1和模型-2中外生变量之间的多重共线性。表7显示，两个模型的VIF统计量平均值均低于10，表明模型中不存在多重共线性。

表7. VIF结果
| 变量 | VIF | 1/VIF |
|------------|-------------|-------------|
| FI | 1.23 | 1.92 |
| ENT | 1.32 | 1.19 |
| ECI | 1.32 | 1.18 |
| REC | 1.26 | 1.97 |
| URB | 1.23 | 1.27 |

注：VIF表示方差膨胀因子。

5.7. 异质性检验
我们还使用Blomquist和Westerlund [9]提出的异质性检验方法来检查模型中的异质性。结果证实了所选模型中的异质性存在。结果见表8。

表8. 异质性检验
| 变量 | P-value |
|------------|-------------|
| ?1 | 19.857 | 0.000* |
| ? adj. | 24.048 | 0.000* |

注：*表示1%的显著性水平。

5.8. 长期估计
诊断检验显示模型存在横截面依赖性和异质性问题。因此，我们采用了PCSE方法来解决这些问题。在模型1中，我们分别估计了ESRI与FI、ENT、REC、ECI和URB之间的长期弹性。在模型2中，REC为内生变量，FI、ENT和ECI为外生变量。结果见表9。

表9. PCSE结果
| 变量 | 系数 | Het-corrected Std. Error | Prob |
|------------|-------------|-----------------|--------------|
| FI | 0.1296 | 0.031 | 0.000* |
| ENT | 0.0124 | 0.0035 | 0.000* |
| REC | -0.0153 | 0.0052 | 0.004* |
| ECI | 0.0725 | 0.073 | 0.002* |
| URB | 0.094 | 0.0298 | 0.004* |

在模型1中，FI增加1%会导致ESRI增加0.1296%。这说明金融科技与能源安全风险正相关。金融科技可能会增加能源安全风险，因为它们可能促进能源密集型活动的开展，但也可能因金融碎片化而减缓能源多样化的融资，从而增加风险。这些结果与Thanh等人在27个欧洲国家的研究结果相似。在经合组织国家，ENT增加1%会导致ESRI增加0.0124%。这表明环境技术对能源安全风险有积极影响，可能是由于能源消耗增加和对关键矿产的依赖。此外，技术设备的使用增加了能源需求，导致能源安全问题。这些结果与Yang和Zhan在中国的研究结果相似。在经合组织国家，REC增加1%会导致ESRI减少0.0153%，表明使用国内可持续能源可以降低对进口化石能源的依赖，维持能源平衡。这些结果与Chu等人在欧洲国家、Yang和Zhan在中国以及Nair在马来西亚的研究结果相似。在经合组织国家，ECI增加1%会导致ESRI减少0.0725%，但这在统计上不显著。这表明经济复杂性会增加能源安全风险，可能是由于能源需求过剩和对外部化石燃料的依赖。这些结果与Chu等人在G7国家的研究结果相似。在经合组织国家，URB增加1%会导致ESRI减少0.0942%，表明城市化对能源安全风险有负面影响，因为城市人口促进了能源节约措施，同时集体使用可再生能源可以提高能源安全。这些结果与Wang等人在中国、Li等人在中国以及Nguea在非洲的研究结果相似。在模型2中，FI增加1%会导致REC增加0.7526%，表明金融科技通过整合和金融服务可提高可再生能源的生产和金融包容性，从而增强能源安全。FinTech和金融服务的创新可能有助于向可再生能源生产分配金融资源，减少能源依赖。这些结果与Croutzet和Dabbous在经合组织国家、Afroz和Raghutla在38个经合组织国家的研究结果相似。在经合组织国家，ENT增加1%会导致REC增加0.0802%，表明技术创新有助于发现更高效和可持续的技术，从而促进可再生能源的生产和能源安全。这些结果与Croutzet和Dabbous在经合组织国家、Afroz和Raghutla在38个经合组织国家的研究结果相似。在经合组织国家，ECI增加1%会导致REC减少2.4286%，表明经济复杂性增加了经济活动的复杂性和多样性，导致对化石燃料的依赖，延缓了向可再生能源的转型。这些结果与Adekoya等人在94个国家的研究结果相似。

5.9. 稳健性检验
为了检验实证结果的稳健性，我们采用了FGLS方法。在模型1中，FI增加1%会导致ESRI增加0.1153%，ENT增加1%会导致ESRI增加0.0107%，REC增加1%会导致ESRI减少0.0144%。ECI增加1%会使ESRI增加0.1102%，但这一系数在统计上并不显著。URB增加1%会使ESRI减少0.0976%。在模型2中，FI增加1%会导致REC增加0.5889%，ENT增加1%会导致REC增加0.0724%，而ECI增加1%则会减少REC 2.1415%。这些结果展示在表10中。

表10. FGLSERI = f (FI, ENT, REC, ECI, URB) 的结果
变量 系数 标准误差 z值 概率
FI 0.1153 0.0289 7.21 0.000 *
ENT 0.0107 0.0033 6.52 0.002 *
REC -0.0144 0.0050 4.63 -2.84 0.005 *
ECI 0.1102 0.0700 0.81 1.57 0.116
URB -0.0976 0.0280 9.06 -3.47 0.001 *

注：*表示1%的显著性水平。

ECI = 经济复杂性指数；ENT = 环境技术；ESRI = 能源安全风险指数；FI = 金融科技指数；FGLS = 可行广义最小二乘法；REC = 可再生能源消费；URB = 城市化。

5.10. 成对D-H面板因果关系测试
我们应用Dumitrescu和Hurlin [19] 的测试来验证ESRI与FI、ENT、REC、ECI和URB之间的因果关系。测试结果确认ESRI与FI、ENT、REC和ECI之间存在双向因果关系。此外，我们还发现ESRI与URB之间存在单向因果关系。表11展示了测试的结果。

表11. 成对D-H面板因果关系测试
H0 Z值 统计量 概率
ESRI → FI 5.619 3.000 0.000 *
FI → ESRI 6.517 0.000 0.000 *
ESRI → ENT 4.876 0.000 0.000 *
ENT → ESRI 6.625 0.000 0.000 *
ESRI → REC 9.579 10.000 0.000 *
REC → ESRI 2.325 0.020 0.000 **
ESRI → ECI 1.796 0.072 0.000 ***
ECI → ESRI 2.705 0.006 0.008 *
ESRI → URB 2.295 0.021 0.000 **
URB → ESRI 0.894 0.371 0.000 *

注：*、**和***分别表示1%、5%和10%的显著性水平。

6. 结论与政策建议
在电力时代，由于创新技术的采用，能源已成为经济活动的媒介，但这些技术同时也威胁到了能源的可用性、可负担性和可持续性。基于化石能源的经济体经常面临财务和环境挑战，这些挑战加剧了由于地缘政治风险和经济不确定性而导致的经济脆弱性。因此，可再生能源（RE）可以解决经济可行性问题，并减少对能源的依赖，从而实现能源安全。本研究探讨了金融科技、环境技术和经济复杂性在提高经合组织国家（OECD）能源安全（ES）中的作用。

实证研究表明，金融科技可能会增加能源安全风险，尤其是过度依赖进口燃料。同样，环境技术也可能阻碍能源安全，因为它们可能会增加能源需求。可再生能源消费（REC）通过降低对化石燃料的依赖来应对能源安全风险。经济复杂性（EC）可能会增加能源安全风险，这可能是由于现有基础设施更适合传统能源来源。城市化通过向城市公共资源过渡、促进能源使用的集体管理和采用节能技术来增强能源安全。另一方面，金融科技通过将金融资源投入到可持续能源项目中来促进可再生能源生产，从而实现能源安全。环境技术可以提高可再生能源生产，并可能为创新技术提供支持以实现能源安全。然而，经济复杂性也可能对可再生能源转型产生负面影响，这可能是由于与更便宜的化石燃料相比，技术锁定和资本密集型的转型所致。

因此，我们建议根据本研究的结果制定总体政策建议。首先，部分OECD国家应重点关注可再生能源领域的金融创新，使清洁能源项目能够获得融资机会，从而实现能源安全。其次，研究结果表明金融科技服务本身能耗较高，因此金融科技行业应将其业务整合到清洁和可持续的能源解决方案中，以实现能源安全并减少数字基础设施带来的能源需求增长。第三，部分OECD国家应在可再生能源转型过程中整合节能技术和金融科技解决方案，以减少能源供应压力。政府应通过提供绿色信贷和支持性生态系统来鼓励环境技术的发展。第四，部分OECD国家应升级能源基础设施，采用先进的能源效率技术，提高经济生产力并降低能源强度。最后，研究结果表明，在城市规划框架中整合可再生能源系统可以实现能源安全和可持续的城市发展。政府和政策制定者还应关注金融和能源知识普及计划，以增强公民的能源管理能力。不过，当前研究存在一些局限性，例如在选择构建FI的变量时缺乏数据，且仅选择了20个OECD国家作为研究对象。未来的研究可以进一步探讨金融、技术和经济复杂性在应对能源三难问题中的作用，以及能源安全与金融创新之间的联系。

CRedIT作者贡献声明：
Shaik Afroz：写作 - 原初稿、软件、方法论、调查、正式分析、数据整理、概念化。
Chandrashekar Raghutla：写作 - 审稿与编辑、验证、监督、软件、方法论、概念化。