综述：数字金融的“绿色悖论”：CAREC经济体中的金融科技、资源依赖与能源转型

《Energy Strategy Reviews》：The green paradox of digital finance: Fintech, resource dependence, and energy transition in CAREC economies

　　刘吉新|乔成志
中国政法大学，中国

摘要
本研究探讨了2000年至2023年间中国-东盟自由贸易区（CAREC）国家碳排放和能源转型受到的影响因素，重点关注金融科技、绿色技术、自然资源、经济增长和人口增长。针对以往研究依赖于单一代理变量的测量局限性，我们基于世界银行全球金融指数数据库中的五个指标构建了一个多维度的数字金融服务使用指数。通过使用矩量分位数回归（MMQR）方法，我们分析了不同分位数下的异质性效应。研究结果揭示了一个新的“绿色悖论”：金融科技显著减少了二氧化碳排放，但反直觉地阻碍了能源转型，且这种抑制效应在转型程度较高的国家更为明显（系数范围为?4.9956至?8.6715）。绿色技术在所有分位数上均能有效减少排放并促进能源转型。自然资源显著阻碍了能源转型（系数范围为?0.3969至?0.4751），但对二氧化碳排放没有直接显著影响，这挑战了传统的“资源诅咒”假设。人口增长仅在转型程度较低的国家中阻碍了能源转型。这些发现表明，如果没有有针对性的政策干预，金融科技资本可能会流向传统行业而非绿色项目。政策制定者应优先考虑经济多元化，引导金融科技投向绿色项目，并加速绿色技术的应用。

1. 引言
气候变化和全球变暖的严峻且持续的挑战正考验着所有世界经济[1,2]。这些气候问题的主要根源是温室气体（GHG）排放量的迅速增加，而人类为了追求快速经济增长所进行的各种活动是主要原因[3][4][5][6]。由于几乎所有经济活动都依赖于化石燃料产生的能源，这些活动导致了基于能源的二氧化碳排放量的上升[7]。实现可持续发展已成为所有全球经济面临的重要挑战。在这一背景下，联合国（2015年）制定了17个可持续发展目标（SDGs）。其中，SDG 13（气候行动）和SDG 7（清洁和可负担的能源）特别关注减少二氧化碳排放[8]。能源转型（ENT）指的是可再生能源的利用、能源效率的提升以及化石燃料使用的减少[9][10,11]。

然而，现有文献在问题表述上存在缺陷，且缺乏与CAREC地区具体背景的紧密联系。CAREC地区呈现出独特的背景：该地区涵盖了处于不同经济发展阶段的国家，资源依赖程度各异，数字化和能源转型的路径也各不相同。选择这一研究区域的理由有三点：(1) CAREC国家包括资源丰富和资源依赖的经济体；(2) 该地区在能源转型阶段上存在极端异质性（ENT比例从接近0%到64.6%不等）；(3) 各成员国之间的数字金融发展水平差异显著，这为研究异质性效应提供了理想的实验室条件。

本研究的新颖之处有四点，并在现有文献中得到了清晰阐述。首先，与以往仅依赖单一代理变量来衡量金融科技的研究[12,13]不同，我们构建了一个多维度的数字金融服务使用指数，以全面反映数字金融包容性的深度和广度，从而解决了文献中提到的关键测量局限性。其次，我们通过同时纳入FNT（金融网络技术）、GNT（绿色网络技术）和NRT（自然资源技术），扩展了STIRPAT模型，为资源丰富的发展中国家提供了一个全面的分析框架。第三，尽管近期有研究在不同的国家背景下探讨了这些因素[14][15][16][17][18][19]，但CAREC地区仍未被充分研究。第四，我们为金融科技可能阻碍早期能源转型这一潜在的“绿色悖论”提供了理论解释。具体而言，本研究旨在回答以下问题：
1. FNT、GNT和NRT对二氧化碳排放有何影响？
2. FNT、NRT和GNT如何影响能源转型？

2. 文献综述
本节批判性地回顾了以往的研究，并进行了更为综合性的分析，而不仅仅是描述性总结。文献综述分为三个主题部分，随后对理论上的矛盾进行了梳理，并指出了研究空白。

2.1. 环境恶化、绿色技术和能源转型
关于绿色技术和环境结果的现有文献得出了相互矛盾的结果。Aziz等人[20]使用MMQR回归方法研究了1995年至2018年间MINT国家中NRT（网络技术创新）与二氧化碳排放的关系，发现NRT在较低分位数上对二氧化碳排放有积极影响，但在较高分位数上的影响趋于微弱。Mehmood [21]使用ARDL边界方法研究了1990年至2019年间四个南亚国家中NRT与二氧化碳排放的关系，发现巴基斯坦和印度受到负面影响，而孟加拉国则表现出积极影响。Shah等人[22]使用AMG和CCEMG面板方法分析认为1990年至2019年间NRT减少了东盟国家的二氧化碳排放。Zafar等人[23]分析了1990年至2018年间亚洲NRT与二氧化碳排放的关系，第二代面板估计显示NRT实际上增加了二氧化碳排放。Yu等人[24]使用AMG、CCEMG和MMQR方法研究了E-7国家中GNT（绿色网络技术）对生态恶化的影响，发现NRT促进了二氧化碳排放。Chen等人[25]探讨了绿色金融和金融科技在促进发展中国家可再生能源中的作用，发现这两个因素都对可再生能源的采用有显著贡献，其中绿色金融在初期起主导作用，而金融科技随着市场成熟的重要性逐渐增加。Ramzan等人[17]使用自助法滚动窗口技术研究了1995年至2019年间NRT对英国生态可持续性和能源转型的影响，结果表明NRT对能源转型有积极影响，但对生态足迹有负面影响。Abdali等人[26]研究了基于可再生能源的组合能源系统，强调了集成可再生能源解决方案的技术潜力。Drwiega等人[27]关注了能源存储优化的重要性，这对于可再生能源技术的有效部署至关重要。Issa等人[28]分析了结合光伏能量和氢燃料电池及能源存储的独立混合动力系统，证明了先进可再生能源配置的可行性。

虽然一些研究发现绿色技术明确减少了排放[24]，但也有人强调了“反弹效应”可能性，即效率提升可能导致总体能源消耗增加——这一现象被称为Jevons悖论[29,30]。这一理论上的矛盾表明，NRT与环境结果之间的关系可能比线性模型所暗示的更为复杂，尤其是在考虑不同发展阶段的异质性效应时。

2.2. 环境恶化、自然资源和能源转型
关于自然资源和能源转型的文献在NRT（网络技术创新）与能源转型（ENT）关系方向上存在关键不一致性。Luo和Mabrouk [31]使用CS-ARDL方法研究了1990年至2018年间十大资源丰富国家中NRT与环境恶化之间的关系，发现某些国家的生态足迹受到负面影响。Andlib等人[32]使用自助法ARDL技术研究了2000Q1至2021Q4年间英国自然资源、金融科技、政治稳定性和社会全球化对二氧化碳排放的影响，发现自然资源和社会全球化加剧了二氧化碳排放，而政治稳定性和金融科技则降低了二氧化碳排放。Huang（2022）使用ARDL模型研究了1971年至2019年间中国NRT对能源转型的影响，发现NRT促进了能源转型。Ullah等人[18]使用傅里叶分位数因果关系方法分析了1990年至2020年间NRT对美国能源转型的贡献，发现NRT增加了能源转型。Tao等人[33]研究了NRT对10个发达国家二氧化碳排放的影响。Usman等人[34]指出，在资源丰富国家中，关于自然资源对可持续发展作用的研究非常有限，同时也探讨了GNT和FNT对能源转型和二氧化碳排放的影响。Adebayo等人[35]研究了1990年至2019年间NRT对金砖国家二氧化碳排放的影响。Jia等人[36][37,38]在COP-27目标的背景下研究了自然资源、经济增长和碳排放之间的关系，重点关注金融科技、信息技术和腐败的作用。他们的研究发现，自然资源促进了碳排放，而金融科技和信息技术有助于缓解环境恶化，腐败显著调节了这些关系。Ahmad等人[39]研究了欧盟国家中金融科技、自然资源管理、绿色能源转型和生态足迹的影响，发现金融科技促进了绿色能源转型，而自然资源依赖性则阻碍了这一进程。Abbasi等人[19]研究了美国的能源转型、化石燃料和绿色创新，为实现可持续发展目标提供了全面的政策框架。Wu等人[40]分析了T-MEC国家中的能源转型、全球化和外国直接投资路径，强调了外国直接投资对可持续发展的重要性。

这一文献中的一个关键矛盾是NRT与能源转型关系方向的不同：Huang（2022）和Ullah等人[18]发现自然资源促进了能源转型，而Andlib等人[32]、Jia等人[36]和Ahmad等人[39]则得出了相反结论。这种分歧表明，自然资源对能源转型的影响可能取决于具体背景，可能因制度质量、发展阶段和所考虑的资源类型而异。

2.3. 能源变化、金融科技和环境恶化
Croutzet和Dabbous [41]使用Driscoll-Kraay标准误差研究了2005年至2018年间21个经合组织国家中FNT对可再生能源利用的贡献，发现其具有积极影响。Khan等人[13]使用系统-GMM估计方法研究了发达国家及新兴国家中数字金融包容性对二氧化碳排放的影响，发现其具有积极效果。Sadiq等人[42]使用亚洲经济体的面板数据研究了金融科技是否促进了绿色增长，结果表明金融科技发展通过促进绿色创新和提高能源效率显著推动了绿色增长，尤其是在数字基础设施较为发达的经济体中效果更为明显。Tao等人[33]使用GMM和2SLS估计方法发现FNT对温室气体排放有负面影响。Cheng等人[12]使用差异-in-Differences和固定效应模型研究了2011年至2019年间中国253个城市中FNT对二氧化碳排放的贡献，发现FNT显著减少了二氧化碳排放。Udeagha和Ngepah [1]使用CS-ARDL方法研究了2000年至2018年间金砖国家中FNT对二氧化碳排放的影响，发现其具有负面影响。Xu等人[43]使用GMM估计方法研究了2011年至2020年间中国FNT对二氧化碳排放的影响，发现其具有负面影响。Xu等人[44]使用Driscoll-Kraay标准误差方法研究了2000年至2020年间91个中低收入国家中FNT与能源转型的关系，证明FNT对能源转型有积极影响。Sadiq等人[45]在NRT波动性的调节下评估了2013年至2022年中国FNT对二氧化碳的影响。Wang等人[46]对美国绿色能源、生态创新和经济政策不确定性对行业二氧化碳排放的影响进行了全面分析。Dinghong等人[47]分析了巴基斯坦实现可持续发展目标的因素，提出了一种新的政策框架。Abbasi等人[19]制定了实现可持续发展目标7和13的全面政策框架。

这些文献的一个显著特点是，大多数研究依赖单一指标来衡量金融科技的发展——如移动支付普及率[12]、数字金融包容性指数[13]或基于数字基础设施的复合指数[44]。尽管这些指标能够捕捉数字金融的重要维度，但它们可能无法完全反映金融科技的多方面特性，包括基于区块链的应用、点对点借贷平台和保险科技创新。在考虑不同金融科技应用可能通过多种机制影响能源转型的情况下，这种测量局限性尤为突出。

2.4. 研究空白
基于上述批判性综合，我们识别出几个研究空白。首先，尽管资源丰富国家在经济扩张中高度依赖自然资源，但关于其在可持续发展中作用的的研究有限[34]。其次，关于NRT与能源转型关系的矛盾性结果分散了假设的发展——本研究提出这种影响会随转型阶段而变化。第三，尽管近期有研究分别探讨了金融科技[25,42]、自然资源[32,36,39]和绿色技术[5,48,49]的作用，但同时研究FNT、GNT和NRT相互作用的综合研究仍较为缺乏。第四，STIRPAT框架与重要变量（尤其是作为独立技术维度的金融科技）之间的理论联系尚未得到充分阐述。第五，CAREC地区仍未被充分研究。根据我们的知识，在CAREC国家中，之前还没有进行过结合这些变量的研究。

3. 方法论和数据
3.1. 数据
本研究使用了2000年至2023年CAREC地区11个成员国的面板数据，包括阿富汗、阿塞拜疆、中国、格鲁吉亚、哈萨克斯坦、吉尔吉斯斯坦、蒙古、巴基斯坦、塔吉克斯坦、土库曼斯坦和乌兹别克斯坦。数据部分已经得到改进，以更好地报告单位、转换和处理缺失值。
二氧化碳排放（CO2）以人均二氧化碳排放量（吨）来衡量，数据来源于CDIAC，这是环境研究中广泛采用的核心指标。能源转型（ENT）定义为可再生能源在总能源消费中的百分比，数据来源于WDI。这一指标直接反映了从化石燃料向可再生能源的转变，确保了国家间的可比性。
金融科技（FNT）通过一个多维的数字金融服务使用指数来衡量，该指数由[50]中的五个指标构成。构建这个指数不仅仅是一个技术性操作，还具有经济解释意义。首先对这五个指标进行标准化处理，使其均值为零且方差为单位值，然后进行主成分分析（PCA）。第一个主成分解释了这五个指标总方差的约72%，被保留作为综合指数。根据构建方式，该指数的整组141个经济体的均值为零，标准差为一。CAREC子样本的平均值为-0.9091，表明这些国家在数字金融服务采纳方面落后于全球平均水平。这种方法解决了以往研究依赖单一代理变量的关键局限性，因为它涵盖了数字金融参与的多个维度。指标的组成如表1所示。已经考虑了金融科技代理变量的可能的测量修正方法：虽然使用PCA进行维度缩减，但在稳健性部分讨论了其他方案。

表1. 数字金融服务使用指数的组成部分。
指标 描述 捕获的维度
has_mobile_money_account 成年人拥有移动货币账户的比例
has_digitally_enabled_account 成年人在金融机构或移动货币提供商处拥有账户并通过数字设备使用该账户的比例
made_or_received_digital_payment 成年人在过去一年内进行或收到数字支付的比例
made_digital_merchant_payment 成年人在过去一年内使用手机或互联网支付商品或服务的比例
checked_balance_via_mobile_or_internet 成年人在过去一年内使用手机或互联网查看账户余额的比例
accountmanagement_activity

注：综合指数是通过主成分分析（PCA）构建的，之前已经进行了标准化处理。第一个主成分解释了这五个指标总方差的约72%。

绿色技术（GNT）通过可再生能源发电比例来衡量，数据来源于OECD。这一指标基于实物产出，避免了对发达国家创新活动的潜在偏见，适合衡量发展中国家的绿色技术实际采纳水平。自然资源（NRT）通过自然资源租金占GDP的比例来衡量，数据来源于WDI，涵盖了煤炭、石油、天然气、矿产和森林的租金。

经济增长（EG）以人均GDP（2015年不变美元）来衡量，数据来源于WDI，排除了价格因素和人口规模的影响。人口增长（PG）以城市人口的年增长率来衡量（数据来源于WDI）。作为稳健性检查，也使用了总人口增长率，并在第4节中报告。

3.2. 变量处理
除百分比和比率变量外，所有变量都取自然对数以减少异方差性[51]。变量定义和数据来源见表2。

表2. 数据来源和变量的测量

3.3. 实证模型
STIRPAT框架为本研究提供了理论基础。原始的IPAT公式I=P×A×T认为环境影响（I）是人口（P）、富裕程度（A）和技术（T）的乘积。STIRPAT的重新表述通过放宽单位弹性假设来允许进行假设检验。在我们的应用中，我们扩展了技术维度（T），明确区分了金融科技（FNT）和绿色技术（GNT），认识到这两种技术路径是不同但相互关联的。基线模型如下：
lnCO2it=φ0+φ1lnPGit+φ2lnEGit+φ3lnFNTit+φ4lnGNTit+νit
lnENTit=?0+?1lnPGit+?2lnEGit+?3lnFNTit+?4lnGNTit+ωit

借鉴最近的研究[31,35]，我们通过纳入自然资源（NRT）来扩展基线模型，考虑到CAREC经济体的资源依赖性。扩展后的模型如下：
模型-I：碳排放方程
lnCO2it=α0+α1lnPGit+α2lnEGit+α3lnFNTit+α4lnGNTit+α5lnNRTit+μit
模型-II：能源转型方程
lnENTit=γ0+γ1lnPGit+γ2lnEGit+γ3lnFNTit+γ4lnGNTit+γ5lnNRTit+?it

其中α0和γ0是常数项；α1至α5和γ1至γ5分别是模型I和II的待估系数；i表示横截面单位（CAREC成员国，i=1,…,11）；t代表时间周期（2000--2023）；μit和?it是随机误差项。

3.3. 估计程序
本文现在对方法选择提供了充分的理由。为了确保实证结果的稳健性和有效性，本研究采用了一种系统的计量经济学策略，包括四个连续步骤：测试横截面依赖性、进行面板单位根检验、执行面板协整分析以及应用矩估计量分位数回归。

3.3.1. 横截面依赖性检验
选择适当的面板数据估计器取决于对横截面依赖性（CSD）的初步评估。忽略CSD可能导致估计有偏差、不一致和效率低下[8]。鉴于CAREC成员国之间的经济相互依赖性和共同的结构特征，存在CSD的可能性很高。为了正式测试这一点，本研究采用了Pesaran [52]的CSD检验，该检验在异质面板结构下仍然有效。检验统计量表示如下：
CSD=2TN(N?1)(∑i=1N?1∑j=i+1Nρ?ij)
其中T表示时间维度，N表示横截面单位数量，ρ?ij是从单个回归中获得的残差的对偶相关系数。在横截面独立性的零假设下，CSD统计量渐近服从正态分布。

3.3.2. 面板单位根检验
在存在横截面依赖性的情况下，传统的第一代单位根检验可能会得出误导性的结论。因此，本研究应用了Pesaran [53]提出的第二代横截面扩展IPS（CIPS）检验，该检验通过在标准ADF回归中加入横截面的滞后水平和一阶差分的平均值来考虑CSD。CIPS检验基于以下公式：
ΔYit=?i+λiYi,t?1+θiY￣t?1+∑k=1pγikΔYi,t?k+∑k=0pδikΔY￣t?k+?it
其中Y￣t表示时间t时Yit的横截面平均值。零假设认为所有面板都包含单位根，而备择假设允许至少有一个面板是平稳的。

3.3.3. 面板协整检验
为了评估变量之间是否存在长期均衡关系，本研究采用了Westerlund [54]开发的基于误差校正的面板协整检验。该检验同时考虑了横截面依赖性和长期协整关系及短期调整动态。潜在的误差校正模型如下：
ΔYit=ψi+φi(Yi,t?1?ωi′Xi,t?1)+∑j=1piξijΔYi,t?j+∑j=0qiζijΔXi,t?j+νit

3.3.4. 矩估计量分位数回归（MMQR）
与System-GMM或传统的FE/RE等替代方法相比，主要计量模型（MMQR）有三个优点：（1）与基于均值的估计器不同，MMQR能够捕捉因变量条件分布的异质性，这对于CAREC国家间能源转型比例的极端差异（0%至64.6%）至关重要；（2）与传统的分位数回归相比，MMQR通过固定效应规格考虑了未观察到的个体异质性；（3）MMQR不需要严格的外生性假设，并且对异常值和非正态误差分布具有鲁棒性。

4. 结果和解释
4.1. 模型验证
本文首先考察了变量之间潜在的概念重叠问题。在进行回归分析之前，本研究首先检查了变量之间的相关性。表4展示了皮尔逊相关系数矩阵。尽管ENT和GNT显示出较强的相关性（r= 0.745），但这反映了实质性的关系而非测量冗余，因为GNT（可再生能源发电份额）是ENT（可再生能源消费份额）的关键驱动因素。变量之间的相关系数通常低于0.8，初步表明没有严重的多重共线性问题。表4显示了相关性分析结果。

为了确保估计结果的可靠性，本研究采用了方差膨胀因子（VIF）来检测变量之间的多重共线性。表5显示，每个变量的VIF值介于1.08到2.84之间，所有值都远低于临界值10，平均VIF值为1.87。这表明变量之间没有严重的多重共线性问题，适合进行后续的回归分析。

为了解决潜在的内生性问题，本研究进行了格兰杰因果关系检验，结果如表6所示。在CO2方程中，没有一个解释变量（FNT、GNT、NRT、EG、PG）是CO2的格兰杰原因（p> 0.05）。在ENT方程中，除了NRT（p= 0.027）外，其他解释变量都不是ENT的格兰杰原因。反向因果关系检验显示，CO2和ENT与每个解释变量之间的预测关系并不显著。格兰杰因果关系检验结果表明，FNT、GNT、EG或PG对CO2或ENT没有显著的短期预测作用（NRT → ENT除外）。核心解释变量与因变量之间缺乏显著的双向因果关系可以缓解但不能完全排除内生性偏见的问题。其他内生性来源（例如遗漏变量、测量误差）仍然可能存在，并被视为本研究的局限性。

考虑到CAREC国家之间可能存在经济一体化、政策溢出和共同冲击等因素，本研究采用了Pesaran [52]提出的横截面相关性（CD）检验，结果如表7所示。CO2、ENT、FNT、NRT和EG的CD统计量在1%的水平上均显著，表明这些变量之间存在强烈的横截面相关性。存在横截面相关性意味着后续分析必须采用能够处理这一问题的第二代面板计量经济学方法。

鉴于存在横截面相关性，本研究采用了Pesaran [53]提出的第二代面板单位根检验来检验变量的平稳性。Fisher-P检验结果表明，所有变量在5%的水平上都显著，拒绝了存在单位根的零假设。这一结果为后续的协整分析奠定了基础。

本研究采用了Westerlund [54]提出的基于误差修正模型的面板协整检验，结果如表9所示。在模型I中，Pt和Pa统计量的稳健p值分别为0.000和0.000，表明在1%的水平上显著；而在模型II中，Gt统计量的稳健p值为0.000，在1%的水平上显著，Pt统计量的稳健p值为0.100，在10%的水平上显著。总体而言，两个模型都支持变量之间存在面板协整关系。

当发现协整现象时，研究使用了矩量分位数回归（MMQR）方法来确定回归变量与CO2和ENT之间的关系。MMQR方法特别适合我们的研究背景，原因有三个：（1）它通过固定效应规范考虑了未观察到的个体异质性；（2）它允许系数在不同分位数上变化，捕捉了不同发展阶段国家之间的异质性效应；（3）它对异常值和非正态误差分布具有抗性，鉴于CAREC国家之间变量的广泛差异，这一点非常重要。

表10展示了以CO2为因变量的MMQR估计结果，包括位置（Location）、规模（Scale）和三个四分位数（0.25、0.50、0.75）的系数。实证解释不再局限于机械报告，而是包含了更深层次的经济推理。位置函数反映了解释变量对CO2条件均值的影响。结果显示，FNT（β=?0.3462，p< 0.01）和GNT（β=?0.0093，p< 0.01）对碳排放有显著的负面影响，表明数字金融服务的发展和绿色技术的采用有助于降低人均碳排放水平。从理论角度来看，金融科技通过三种机制减少排放：（1）降低绿色投资的交易成本；（2）促进点对点可再生能源融资；（3）简化无纸化数字交易。EG（β=0.8069，p< 0.01）对碳排放有显著的正面影响，这与经济增长初期的环境库兹涅茨假说预期一致。PG（β=0.0639，p< 0.01）对碳排放有显著的正面影响，表明人口增长会导致排放增加。NRT的系数不显著，表明在平均水平上，自然资源依赖对碳排放的影响尚未显现。规模函数反映了解释变量对CO2条件方差的影响。结果显示，NRT（β= 0.00398，p< 0.10）有边际显著的正面影响，表明自然资源依赖可能会加剧碳排放的波动性。

表11报告了以能源转型（ENT）为因变量的MMQR估计结果，包括位置函数、规模函数和三个四分位数的系数估计。根据文献中的常见做法，低转型国家定义为ENT分布低于第25百分位数的国家（ENT< 4.2%），中等转型国家定义为位于第25至75百分位数之间的国家（4.2%≤ENT≤31.8%），高转型国家定义为位于第75百分位数以上的国家（ENT> 31.8%）。这些阈值提供了一个统一的框架，用于解释不同能源转型阶段之间的异质性效应。

图1直观地展示了不同分位数下每个解释变量系数的变化趋势，进一步证实了前述发现。总体而言，FNT和GNT的减排效应以及EG的排放增加效应在不同分位数上保持稳定，但效应强度存在一定异质性。

图1. 模型I结果提取的折线图。

表11报告了以能源转型（ENT）为因变量的MMQR估计结果，包括位置函数、规模函数和三个四分位数的系数估计。系数的绝对值随着分位数的增加而增加，这表明自然资源依赖对能源转型的抑制效应在所有转型阶段都存在，并且在高转型国家中最为显著。这一发现支持将“资源诅咒”假说扩展到能源转型领域——资源丰富的国家即使在转型的后期阶段也面临显著的转型阻力，这是由于路径依赖性和对化石燃料行业的既得利益[62]。经济增长（EG）对所有三个分位数（0.25、0.50和0.75）的能源转型都有显著的积极影响，系数分别为1.1352、1.4058和1.8556，在1%、1%和5%的水平上均具有显著性。系数随着分位数的增加而增加，表明经济增长对能源转型的推动效应在所有转型阶段都显著，并且在高转型国家中最为显著。在转型的早期阶段，经济增长为可再生能源投资提供了必要的资本积累[63]；在后期阶段，经济增长和能源转型之间可能形成一个良性循环，因为经济繁荣为绿色技术创新和清洁能源基础设施建设提供了更多的财政支持。人口增长（PG）仅在0.25分位数上对能源转型有显著的负面影响（-1.5394，在1%的水平上显著），而在0.50和0.75分位数上不显著。这表明人口增长对能源转型的抑制效应主要存在于低转型国家。快速增长的人口增加了能源需求压力，使得政策制定者更倾向于优先考虑能源供应的稳定性而非清洁性，从而延迟了能源转型过程[64]。这一抑制效应随着转型水平的提高而逐渐减弱。图2直观地展示了每个解释变量在不同分位数上的系数变化趋势，进一步证实了前述发现。总体而言，金融科技、自然资源依赖和人口增长对能源转型的负面影响主要出现在低和中转型国家，而绿色技术和经济增长的积极影响主要集中在这些国家。在高转型国家，所有变量的影响 tend to 不显著。

下载：下载高分辨率图像（359KB）
下载：下载全尺寸图像
图2. 结果提取的折线图（模式IIS）

来源：作者自行汇编

4.3. 稳健性测试
鉴于中国在中亚国家经济合作区（CAREC）区域内占据主导地位（约占区域GDP的85%），实证结果可能会受到中国数据的不成比例影响。为了解决这个问题，我们进行了一个排除中国样本的稳健性测试。表12报告了排除中国后的MMQR估计结果。有几个观察结果值得讨论。首先，金融科技的减排效应（CO2模型中的FNT系数）从全样本的-0.3462下降到排除中国后的-0.2782，表明中国的金融科技发展在减少碳排放方面特别有效。其次，金融科技对能源转型的抑制效应（ENT模型中的FNT系数）从-6.7774增加到-7.4913，表明以强大的政府引导的绿色金融政策为特征的中国金融科技生态系统可能对能源转型的负面影响小于其他CAREC国家。这些差异表明制度环境对金融科技与环境的关系有关键调节作用，总体结果并不仅仅是由中国的主要经济规模驱动的。

表12. 稳健性检验：排除中国后的MM-QR回归结果

作为额外的稳健性检验，我们用總人口增长代替城市人口增长作为人口代理变量，并使用熵权重方法（EWM）而不是PCA重新构建FNT指数。表13报告了MMQR的结果。这些结果与基线结果在质量上是一致的。这些结果确认我们的核心发现对于不同的人口增长测量方法和FNT指数是稳健的。

表13. 稳健性检验：替代测量方法（总人口增长与熵加权FNT指数）

作为进一步的稳健性检验，我们用总人口增长替换城市人口增长作为人口代理变量，并使用熵权重方法（EWM）而不是PCA重新构建FNT指数。表13的结果与基线结果在质量上是一致的。这些结果确认我们的核心发现对于不同的人口增长测量方法和FNT指数是稳健的。

5. 结论与政策建议
5.1 结论
基于2000年至2023年中亚国家经济合作区（CAREC）国家的面板数据实证分析，本研究得出以下主要结论：
(1) 金融科技对碳排放有显著的抑制作用，在高排放国家这种作用更为明显。然而，其对能源转型的影响在所有分位数上均呈现持续负效应，且效应强度随着转型水平的提高而增强。这证实了“绿色悖论”假说——金融科技资本可能流向传统的高能源产业而非绿色项目，而且随着转型的推进，这种扭曲效应会加剧[61]。
(2) 绿色技术显著抑制碳排放（在低排放国家中的作用更为显著），并在所有分位数上显著促进能源转型。
(3) 经济增长在所有分位数上都显著增加碳排放，但在所有分位数上都显著促进能源转型，验证了环境库兹涅茨假说的阶段性特征。
(4) 自然资源依赖在平均水平上对碳排放没有显著影响，但在所有分位数上都显著阻碍能源转型。资源租金增加1%会导致低转型国家的能源转型减少0.40%，这支持将“资源诅咒”假说扩展到能源转型领域[62]。
(5) 人口增长在所有分位数上都显著增加碳排放，但其对能源转型的阻碍效应仅在低转型国家显著。

5.2 政策建议
基于上述结论，提出以下政策建议：
首先，促进经济多元化并减少资源依赖。鉴于自然资源依赖在所有分位数上都显著阻碍能源转型（系数 ranging from -0.3969 to -0.4751），CAREC国家应重点发展制造业、服务业和绿色技术产业。
其次，引导金融服务走向绿色发展。这对于金融科技对能源转型的抑制效应最强的低和中转型国家尤为重要（在第25分位数的系数为-4.9956）。应建立绿色金融技术的监管框架，鼓励发展支持可再生能源项目的移动支付和众筹平台，并利用区块链技术提高绿色金融市场的透明度。
第三，通过差异化政策促进绿色技术的发展：对于低转型国家，提供技术援助和低利率贷款；对于中转型国家，建立公私合作伙伴关系模式；对于高转型国家，支持前沿技术创新研究。政策制定者还应注意潜在的“反弹效应”，并通过需求侧管理政策来补充技术采用。
第四，促进可持续的城市化进程。鉴于人口增长仅在低转型国家显著阻碍能源转型（系数为-1.5394），这些国家的政策应优先考虑节能建筑、智能交通系统和城市绿地。
第五，鉴于CAREC国家之间的强横截面相关性（大多数变量的CD统计量在1%的水平上显著），促进区域协调发展。建立区域能源合作机制，推动跨境电网互联、可再生能源技术共享和碳市场对接。

5.3 局限性与未来研究
尽管本研究做出了重要贡献，但它也存在几个局限性，为未来研究指明了方向。首先，在金融科技测量方面，虽然我们通过构建多维的数字金融服务使用指数改进了单一代理方法，但该指数仍然主要捕捉基本数字金融服务的需求侧采用情况。它未能完全涵盖先进的金融科技应用，如基于区块链的碳信用交易平台、点对点绿色借贷和保险科技创新。
其次，关于中国在中亚国家经济合作区内的影响，我们排除中国的稳健性测试确认核心发现并非完全由中国数据驱动。然而，即使排除了中国，中国的经济影响力仍可能通过贸易和投资联系影响其他CAREC国家。未来的研究可以采用空间计量经济学方法来明确建模这些跨国溢出效应。
第三，关于潜在的“反弹效应”，我们发现绿色技术在高排放国家的减排效果正在减弱，但这只是一个提示而非结论性结论。未来的研究应使用微观层面的能源消费数据明确检验反弹效应，并将能源价格弹性纳入分析框架。
第四，虽然我们的格兰杰因果分析缓解了逆向因果关系的担忧，但它并未完全解决遗漏变量或测量误差导致的内生性问题。未来的研究可以采用工具变量方法或准自然实验设计来建立因果关系。
第五，关于数据限制，未来的研究可以采用企业或家庭的微观调查数据，深入探讨金融科技和绿色技术影响能源转型的微观机制。此外，更长的样本期将允许进行动态分析，更好地捕捉金融科技采用的演变情况。
最后，在政策评估方面，未来的研究可以采用准自然实验方法来评估特定绿色金融政策、数字金融包容性举措和碳交易试点计划对能源转型的影响。