绿色金融发展是否促进了碳排放效率的提高？——来自中国省际面板数据的实证检验

王 连 ，吴召选

(1.兰州财经大学 统计学院，甘肃 兰州，730020； 2.甘肃省数字经济与社会计算科学重点实验室，甘肃 兰州，730020)

一、引言

2020年9月，习近平总书记在第七十五届联合国大会上指出，《巴黎协定》的签署象征全球各国需向绿色低碳转型的大方向迈步；同时提出“双碳”目标，发挥大国作用、践行大国义务，实施强劲有力的举措，中国的二氧化碳排放量于2030年前力争达到峰值，努力争取2060年前实现碳中和。此项举措是习近平总书记和党中央做出的重大战略部署，是中国对全世界的郑重承诺，表达了中国坚定不移走绿色发展之路的决心，但同时也是中国经济和生态协调发展的巨大挑战。经济增长是经济发展的主体和核心，实现经济增长的途径主要有两个：增加要素的投入量和提高效率值[1]。前者仅可以推动经济总量的增长，而后者不仅表现为经济总量的累积，同时还伴随着经济质量的提升。因此要同步实现经济高质量发展和“双碳”目标，必须采取必要政策和措施提高二氧化碳的排放效率，而如何提高碳排放效率也成为了“双碳”目标下必须解决的问题。据多个机构初步测算，中国实现“双碳”战略目标所需投资中政府资金占比较少，只能起一部分作用，而大部分的资金亟需市场来补充。党的十九大报告也强调“构建市场导向的绿色技术创新体系，发展绿色金融，壮大节能环保产业、清洁生产产业、清洁能源产业”，政府层面密集释放对支持绿色金融的政策信号，表明在实现“双碳”目标道路上，绿色金融的作用必不可少。

已有研究聚焦于“双碳”背景，认为亟需大量社会资本的支持才能实现“双碳”目标，应发挥金融体系提供的投融资服务[2]。在实证方面，学者们在金融包括绿色金融的发展与碳排放量、碳排放强度、环境等方面关注较多，Shahbaz[3]等对金融发展和环境质量、碳排放量之间的关系进行实证研究，结果表明金融发展能够减少污染物排放，降低碳排放；赵军[4]等利用断点回归对我国“一带一路”沿线省域进行研究，结果证实绿色金融对碳排放有显著的减排效应。另外准自然实验表明绿色信贷政策可以显著减少重污染行业的信贷融资，优化资源配置效率[5]，促进企业的创新转型[6]以及在一定程度上对低碳企业可持续发展能力产生积极影响[7]，有利于减少碳排放、保护和修复环境[8]，因此绿色金融政策的实施也会进一步提高碳排放效率。以上研究说明，金融特别是以绿色信贷、绿色投资等金融服务为代表的绿色金融的发展，对碳排放量减少以及环境的改善有一定的正效应。现有研究主要考虑到了碳排放量这一数量指标，较少考虑到经济效益，即对效率的影响。因此，将绿色金融与碳排放效率纳入同一个研究框架的研究还有待进一步完善。

在“双碳”目标背景下，绿色金融的发展是否会对碳排放效率的提高产生显著影响？具体的影响机制是什么？这种影响机制将如何实现？本文针对以上问题展开深入研究，为“低碳经济”拓宽研究思路，构建绿色金融影响碳排放效率的分析框架，丰富绿色金融的研究成果，在当前研究基础上进一步强调其重要性，为我国现阶段绿色金融政策的推进以及发挥绿色金融的市场导向性作用提供一定的理论支撑。

二、理论分析与假设

金融作为经济发展的核心，在各部门之间起着合理配置资金的作用，同时在国内多数行业和企业依靠外部融资的现状下，各区域的高质量发展以及生态环境的维护离不开金融资源作为生产要素的作用。绿色金融作为金融体系中不可分割的一部分，在支持清洁能源、节能环保和碳减排方面起到重要作用，对碳排放效率的影响主要通过引导驱动效应和技术中介效应来实现，具体机制路线图见图1。

图1 绿色金融影响碳排放效率机制路线图Fig.1 The mechanism roadmap of green finance affecting carbon emission efficiency

(一)引导驱动效应

绿色金融政策通过引导优化资源配置、驱动产业结构升级，进而减少碳排放，增加经济效益。金融本身具有优化资源配置的作用，而绿色金融可以引导资金流向低碳产业和绿色产业，使金融融资向绿色企业侧重。一方面扩大绿色低碳企业发展所需的授信额度，促进此类企业的扩张；另一方面减少高耗能、高污染等企业授信额度，促使“三高”企业降产或转型，推进经济的可持续发展。绿色金融能发挥集聚作用，促使产业结构不断调整升级，如使能源结构清洁化、生产方式从传统向高级化、机械化和智能化转变；同时其具有融资支持作用，能加速新兴产业的发展、落后产业的淘汰，促使经济增长方式向低碳式和高质量转变，碳排放效率随之提高。因此，绿色金融通过引导资源配置进行帕累托改进以接近帕累托最优状态，以及驱动产业结构调整升级来促进二氧化碳的排放效率提升，故提出假设：

H1：区域绿色金融的发展能够促进碳排放效率的提升。

(二)技术中介效应

技术中介效应指绿色金融通过促进科技技术的更新迭代，实现企业减排治污技术改进、生产效率提高、生产成本降低等，经济效益增加的同时碳排放量降低，提升碳排放效率。绿色金融对技术创新的促进效应可归纳为以下几方面：一是优化企业融资环境，为创新发展提供良好的融资环境；二是拓宽公司融资途径，绿色金融作为政府以及银行的专项经费，其援助的绿色科技发展能够获得相应的资本保障；三是通过绿色金融降低企业创新风险，减少由于“黑天鹅”事件、市场波动等对公司技术创新产生的威胁。而企业的技术创新分为生产型技术创新和节能型技术创新两种。节能型技术创新通过对企业节能减排方面进行技术更替，减少碳排放量，提高能源利用效率，即绿色金融发展促进技术革新，从而正向驱动碳排放效率提升。而生产型技术创新提高了生产效率，对碳排放效率有两方面影响。一方面具有新技术的企业生产效率较高，在市场上对其他企业产生“挤出效应”，使得技术老旧、不成规模的企业被淘汰，整体上减少了对社会资源的消耗，侧面提高了碳排放效率；另一方面由于生产效率的提高，企业投入较少的生产要素就可以得到同样的产量，进而产品成本下降、需求增加，使得企业扩大规模，进一步增加对能源的消耗，最终导致碳排放效率下降[9]。因此技术创新对区域碳排放效率的影响效果难以确定。基于此，提出假设：

H2：绿色金融发展以技术创新作为传导变量，进而影响区域碳排放效率；

H3：绿色金融在影响碳排放效率过程中具有技术创新的门槛效应。

三、研究设计

(一)计量模型设定

为探究绿色金融是否对我国的碳排放效率产生影响，构建我国省域碳排放效率的面板模型：

Carbonit=β0+β1GFit+β2Controlit+ui+εit

(1)

其中，被解释变量Carbonit表示i省份第t年的碳排放效率，核心解释变量GFit表示i省份第t年的绿色金融发展水平，Controlit表示其他控制变量，ui表示个体异质性的截距项，εit表示随机扰动项，i和t分别表示省份和时间。

(二)变量选择及数据说明

1.被解释变量：碳排放效率(Carbon)

通过构建数据包络分析方法(DEA)中包含非期望产出的超效率SBM模型，以能源消耗、固定资本、劳动力作为投入变量，期望产出选择区域内的生产总值，非期望产出选择区域内的二氧化碳排放量，来测算中国30个省(市)域(西藏、中国港澳台地区暂无数据)2005—2019年的碳排放效率。

其中固定资本以2005年为基期用永续盘存法[10]估算的存量表示；以劳动力要素投入表示年末常住人口；能源投入以每年能源消耗量(万t标煤)表示；区域的生产总值以2005年为基期的区域GDP表示。资本、劳动力和地区生产总值数据来源于国家统计局，能源要素投入数据来源于《中国能源统计年鉴》，区域的二氧化碳排放量数据来源于中国碳核算数据库(CEADs)，部分缺失数据利用灰色预测方法补齐。

2.解释变量：绿色金融发展水平(GF)

中国人民银行等七部委发布的《关于构建绿色金融体系的指导意见》中，将绿色金融体系定义为通过绿色信贷、绿色债券、绿色股票指数和相关产品、绿色发展基金、绿色保险、碳金融等金融工具和相关政策支持经济向绿色化转型的制度安排①。据此，考虑到所选指标的代表性和数据可获得性，从绿色信贷、绿色证券、绿色保险、绿色投资和碳金融五个层面来构建绿色金融发展水平的评价体系，具体见表1。指标中高耗能产业②利息支出占比、企业市值占比均为反向指标，其余均为正向指标。通过熵权法对体系中各个指标进行权重测算，并根据各指标权重和数据测算各省(市)域2005—2019年绿色金融发展水平。

其中，绿色信贷数据来源于《中国金融年鉴》和国泰安数据库，区域环保上市公司通过通信达金融终端软件中环境保护、空气治理、污水处理、垃圾分类、风沙治理和节能六大股票板块取并集来作为环保企业标的；绿色证券数据来源于国泰安数据库；绿色保险数据来源于《中国保险年鉴》；绿色投资数据来源于《中国环境统计年鉴》；碳金融数据来源于中国清洁发展机制网和国家统计局，部分缺失数据用灰色预测方法补齐。

表1 绿色金融发展水平指标评级体系Tab.1 Indicator rating system of green finance development level

3.控制变量

为尽可能避免影响因素选择较少或不恰当造成的估计偏误，借鉴李琳[11]等的做法，在模型中加入经济发展水平、产业结构、环境规制强度、对外开放水平和城镇化水平等控制变量，变量计算说明及数据来源见表2。

表2 变量相关说明Tab.2 Description of variables

(三)变量描述性统计

采用时间跨度为2005—2019年、空间跨度为30个省(市)域(西藏、中国港澳台地区暂无数据)的数据，少量缺失数据利用灰色预测补齐，部分数据进行平减处理、取自然对数。各变量描述性统计见表3，从表中均值来看，率值总体较低，这也从侧面说明我国的碳排放管理相对宽松；从标准差和最大、最小值看，我国各地区在发展绿色金融和实现较高碳排放效率之间具有不平衡性，并且各地区之间环境规制程度、开放水平以及城镇化水平差距较大，存在不能忽视的不同步不协调问题。

研究期间我国的碳排放效

四、结果与分析

(一)基准回归估计

为了尽可能避免异方差问题，对部分变量进行自然对数变换处理，根据豪斯曼检验P值为0，并且各变量描述性统计分析中得出个体之间存在较大差异，故使用个体固定效应模型。结果见表4。

由表4的第(1)列可知，绿色金融(GF)估计结果在0.1水平上显著，且对区域碳排放效率(Carbon)存在正向影响，表明随着我国绿色金融的不断发展，碳排放效率也随之提高，具体而言，区域绿色金融发展水平每提升1个单位，区域内碳排放效率平均提升约0.15个单位。一方面，随着绿色金融的不断发展，行业内更加侧重绿色产业的占比，绿色金融市场通过增加对绿色创新企业的授信，推动节能低碳和绿色型企业成长；或减少甚至切断对高耗能、高排放企业的授信，抑制对能源的大量消耗，降低二氧化碳的排放量，进而提高碳排放效率。另一方面，绿色金融通过对绿色产业的支持和对高排放等传统产业的抑制，使得高投入高排放的生产方式逐渐向低碳化、绿色化、高效化、低排放化制造转型升级，促进产业调整优化，实现低碳经济，促进碳排放效率的提高。

表4 基准回归结果Tab.4 The regression results of the benchmark

(二)稳健性分析

为保证研究更稳健，利用碳排放强度的倒数，即区域GDP与区域二氧化碳排放量的比值[12](Carbon2)替换被解释变量进行回归，结果见表4的第(2)列。可知，在保持其他变量控制不变的情况下，绿色金融发展水平的回归拟合系数通过了0.01的显著性水平，且影响方向同为正，表明区域绿色金融的发展能有效促进区域内碳排放效率的提高，与基准回归一致，证明了模型估计结果具有稳健性。

(三)内生性讨论

通过加入能够对区域碳排放效率产生显著影响的多个因素变量，来尽量避免由于遗漏重要变量进而造成的模型内生性问题。但是以往研究表明可能存在另外两个原因引起的内生性：第一，存在部分区域，这些区域注重环境保护，当地二氧化碳的排放效率值也较高，此区域更具有吸引新技术、智能化、绿色化企业的优势，由于这些企业的存在，当地政府更加注重绿色金融的发展，因此这个区域的绿色金融发展水平越高，其带来的反向因果关系将导致模型中存在内生性；第二，碳排放效率受到投入要素的影响，而本期资本、人力以及能源消耗的投入很大一部分受到上一期投入量的影响，因此区域碳排放效率在时间上具有惯性，本期效率值可能受到上一期效率值潜移默化的影响，这也造成了内生性的存在，这两个原因可能导致模型估计的不一致性。为此，一方面考虑采用工具变量法(IV)来解决由于反向因果关系可能造成的内生性，以绿色金融发展水平滞后期作为工具变量进行2SLS回归；另一方面，将碳排放效率滞后期放入模型(1)构建动态面板模型，并以碳排放效率滞后期(L.Carbon)作为工具变量分别运用差分GMM模型和系统GMM模型重新进行回归估计。结果见表4的(3)-(5)列，由Sargan检验P值都大于0.1可得所有工具变量均有效，并且发现所有回归结果都表明区域绿色金融发展水平对碳排放效率产生显著的正向影响，H1得到验证。

(四)异质性分析

鉴于中国各区域绿色金融水平发展与碳排放效率的差异性，分别对东部、中部、西部地区③的碳排放效率做区域异质性回归分析，并且将绿色金融发展水平滞后期作为工具变量解决异质性分析中的内生性问题，进行2SLS回归；同时，考虑到不同碳排放效率水平下绿色金融发展对其影响也不同，引入面板分位数模型：

Carbonit=β0(τ)+β1(τ)GFit+β2(τ)Controlit+ui+εit

(2)

其中τ(0<τ<1)表示条件分布的不同分位点。本文在0.25、0.5和0.75分位点进行回归，结果见表5。

表5中的区域异质性分析结果显示，东中西部地区的绿色金融都能促进各区域碳排放效率的提高，尤其东部地区绿色金融的影响在0.05水平上显著，且对碳排放效率促进效果上东中西部逐渐降低，即绿色金融发展水平每提升1个单位，东部地区碳排放效率平均能提高0.465个单位，中部平均提高0.283个单位，而西部只能平均提高0.154个单位，且中西部影响并不显著。造成此差异的原因可能是，东部地区产业丰富以及产业结构较为完善，制造业等各种生产企业较多，绿色金融发展对整个环境碳排放约束所起效果较大；同时在东部地区绿色型企业如节能环保、污水治理、高技术智能化等企业分布较广，通过绿色金融的注入，对本地区碳排放效率提升的促进效应就更为明显，而中西部相比东部地区经济发展较慢，引进绿色资金相对不足，高耗能高排放等传统企业转型困难因素较多。故较我国东部地区情况，中西部绿色金融发展对碳排放效率的影响不显著，且影响效果依次降低。

从表5分位数回归结果得出，在不同碳排放效率程度下，绿色金融发展对碳排放效率的影响也不尽相同，三个不同分位点下结果显示绿色金融对碳排放效率的影响均为正，即促进了效率的提升，其系数分别为0.116、0.148和0.180，但是0.25分位数不显著，0.5和0.75分位点处显著，说明高碳排放效率水平下，绿色金融发展水平的促进效果更明显也更大。相比于低碳排放效率水平的区域，高碳排放效率水平区域内绿色金融可以借助其突出的要素配置、高效节能和组织生产管理等能力与之实现快速融合，从而产生效果更大、更显著的正向影响。

表5 异质性分析结果Tab.5 Results of heterogeneity analysis

五、进一步讨论

在机制路径分析中，绿色金融对碳排放效率的促进作用可能不是直接的，而是通过激励企业进行技术创新这一传导机制进而间接作用于区域碳排放效率，并且作用效果可能呈现非线性。基于此，通过中介效应模型检验技术创新在绿色金融发展与碳排放效率中的传导作用，并且通过门槛检验来研究技术创新作为门槛时绿色金融与碳排放效率之间的关系。

(一)中介效应模型构建

基于上文所选变量，引入技术创新变量，以国内三种专利申请授权数作为技术创新代表，并以每万人国内三种专利申请授权数为引入模型的技术创新变量(Tech)，数据来源于国家统计局。首先分析绿色金融对碳排放效率的影响，其次考虑绿色金融对技术创新的影响，最后分析绿色金融、技术创新对碳排放效率的影响。同时考虑到内生性问题，将被解释变量滞后期作为工具变量并利用系统GMM估计，建立以下中介效应逐步回归检验模型：

Carbonit=β0+β1Carbonit-1+β2Controlit+ui+εit

(3)

Techit=β0+β1Techit-1+β2GFit+β3Controlit+ui+εit

(4)

Carbonit=β0+β1Carbonit-1+β2GFit+β3Techit+

β4Controlit+ui+εit

(5)

逐步回归的思路为：以模型(3)中绿色金融拟合系数显著为正为检验基础，进一步估计模型(4)(5)；若模型(4)中绿色金融发展水平以及模型(5)中技术创新的系数拟合值同时显著为正，表明绿色金融发展通过中介变量，即技术创新进一步影响区域碳排放效率，此时技术创新发挥部分中介作用；若模型(5)中绿色金融发展水平的系数拟合值不显著而技术创新显著，则表明技术创新发挥完全中介作用。模型(3)-(5)的估计结果见表6，可知，模型(3)中绿色金融发展对区域碳排放效率的影响显著为正，模型(4)中绿色金融发展对技术创新影响也显著为正，模型(5)中绿色金融发展水平和技术创新对碳排放效率的影响均显著为正，表明绿色金融通过技术创新来影响碳排放效率，技术创新发挥部分中介作用，模型通过Sobel检验且P值小于0.05，因此拒绝原假设，中介效应显著成立。

分析三个回归方程中的参数拟合值，模型(3)中绿色金融发展水平的参数拟合值为0.077，加入中介变量技术创新之后模型(5)的拟合值变为0.067，技术创新参数拟合值为0.001，表明加入中介变量后，绿色金融发展对碳排放效率的影响下降了，其一部分影响效果被中介变量起的作用所替代。模型(4)中绿色金融对技术创新的参数拟合值为13.464，绿色金融水平增加1单位，技术创新提高13.464个单位，再通过模型(5)中技术创新对碳排放效率的影响拟合值0.001来达到影响区域碳排放效率的目的。根据温忠麟[13]等的计算方法可以得到，中介效应在总效应中所占比重为17.49%。H2得到验证，即绿色金融发展水平以技术创新作为传导变量，进而对区域碳排放效率的提高产生促进作用。

表6 中介效应检验结果Tab.6 Test results of mediating effect

(二)门槛效应模型构建

为了进一步研究在不同技术创新水平下绿色金融与碳排放效率之间的关系是否存在不确定性以及具体形式，通过建立门槛模型来验证此不确定性。以技术创新作为绿色金融影响碳排放效率的门槛变量，通过构建LM统计量来检验是否显著存在影响门槛，但LM统计量不服从标准的分布，借鉴 Hansen[14]提出的通过Bootstrap(自助法)来获得渐近分布的想法，从而获得概率值。门槛效应检验结果见表7，双门槛通过了0.05的显著性水平检验，而三门槛不显著。

表7 Bootstrap(1 000次)门槛检验结果Tab.7 Results of Bootstrap(1 000 times) threshold test

故建立以下双门槛模型：

Carbonit=β0+β1GFit×I(Techit≤θ1)+β2GFit×I(θ1θ2)+β4Controlit+ui+εit

(6)

其中θ1和θ2作为技术创新变量的门槛值，I(·)为示性函数，括号中式子成立取1，否则取0，回归结果见表8。

表8 门槛回归结果Tab.8 Regression results for the threshold

由表8结果中可知，双门槛模型(6)中，当技术创新水平小于1.195 8时，绿色金融对碳排放效率影响的拟合参数为0.151且在0.1水平上显著，企业技术创新水平极低，且集中于西北地区和中部欠发达省份的前几年，这些地区以及此时间段内绿色金融还处于概念的阶段，技术创新所起作用有限，导致绿色金融对区域碳排放效率的影响较小。当技术创新水平大于1.195 8且小于34.390 1时，绿色金融发展水平对区域碳排放效率的影响为负且不显著，可能的原因有，一是随着经济与绿色金融的发展，企业成长和居民对能源的消耗量也陡然增加[15]，但是绿色金融发展带来的减排效应不能抵消甚至低于能源消耗量快速增长带来的大量碳排放。二是此阶段我国处于经济转型初期，经济结构中工业比重相对较高，从而导致金融减排效应降低；同时绿色产业规模较小，绿色金融发展有限，企业获得的金融支持也较少，在此阶段国家对企业的环境规制较宽松，此时增加绿色金融的投入，企业以提高生产型技术水平为主，导致生产产品的边际成本下降，生产率提高，企业被自身利益驱动，扩大规模以增加相应能源的投入，碳排放量随之明显提高。三是在低碳约束初期，政府多通过强制性措施减少高碳资源投入，企业便提高其他生产要素的投入来平衡产量，导致生产要素的配置不合理，不利于碳排放效率的提升。当技术创新水平处于较高水平时，即模型(6)中大于34.390 1时，绿色金融对碳排放效率的影响显著为正，影响效果较大，其拟合参数为0.228。双碳目标下，随着碳交易市场发展，各行各业重视技术的更新，开始以节能型技术创新为主，绿色金融的注入促使企业鼓励对低碳环保型等技术的开发和利用，提高了能源利用效率，同时减少二氧化碳的排放，有效提高了区域内碳排放效率。总体来看，在双门槛模型中绿色金融对区域碳排放效率的影响呈现“N”字型，证实了H3，即绿色金融在影响碳排放效率过程中具有技术创新的门槛效应。

六、结论与政策建议

利用我国30个省(市)域2005—2019年的面板数据，通过合理构建绿色金融发展水平指标体系和对区域碳排放效率的测算，探讨我国绿色金融发展对区域碳排放效率的影响及其传导机制。研究发现：绿色金融的发展对区域内的碳排放效率提高有显著的正向影响，且这一结果较为稳健；在不同区域内绿色金融对区域碳排放效率的影响有较大差异，其中，东部地区的影响更甚也更显著；同时碳排放效率较高水平下，绿色金融发展水平的促进效果更大更明显；绿色金融对碳排放效率的影响效果在不同技术创新水平区间内也不同，总体呈现 “N”字型。因此利用绿色金融驱动技术创新是实现碳排放效率提升的重中之重。

破解中国经济高质量发展与“双碳”目标协同实现问题的关键，在于提高碳排放效率。第一，应健全绿色金融发展体系，切实发挥绿色金融作用。政府应合理规划远期减碳目标，侧重支持绿色金融政策，完善相关市场激励制度，充分发挥政府行为外部性的正向效应，引导市场资金流入绿色金融领域；商业银行要加大绿色授信额度，增加对低碳行业信贷资金的投入并缩紧“三高”企业的授信额度，支持绿色风投发展，借助“市场之手”优化资本配置，减少企业碳排放。第二，依据不同地区资源禀赋的异质性特点实施差异化的环境保护、绿色金融政策。中西部以及碳排放效率较低区域内绿色金融所起作用有限，故应进一步落实好当地政策，合理利用绿色金融的驱动作用；东部发达地区应继续完善碳交易、环境保护补贴、污染税收等制度，进一步发挥对中西部地区的引领和辐射作用，实现我国各区域的协调发展。第三，技术创新尤其是节能型技术创新对碳排放效率的影响至关重要，应有效促进企业技术创新发展，加强绿色技术应用，开拓绿色技术成长的市场空间，充分发挥技术创新的促进作用；健全技术成果转化机制，解决科技人才后顾之忧，正确引领技术进步方向；加强绿色金融对技术创新的推动作用，建全市场化投资机制，通过绿色金融的风险分散作用，促进技术发展，以绿色金融引领科技发展实现碳排放效率提升。

注释：

①来源于中国人民银行官方网站。

②根据国家发改委规定，高耗能产业包括化学原料及化学制品制造业、非金属矿物制品业、黑色金属冶炼及压延加工业、有色金属冶炼及压延加工业、石油加工炼焦及核燃料加工业、电力热力的生产和供应业六大行业。

③东部地区包括北京、天津、河北、辽宁、山东、江苏、上海、浙江、福建、广东和海南；中部地区包括山西、吉林、黑龙江、安徽、江西、河南、湖北和湖南；西部地区包括重庆、四川、贵州、广西、云南、陕西、甘肃、青海、宁夏、新疆和内蒙古。