经济增长压力下金融集聚对碳排放效率的影响

王 星，张乾翔

（1.兰州大学经济学院，甘肃兰州 730000；2.兰州大学“一带一路”研究中心，甘肃兰州 730000）

金融业作为现代经济的核心要素，由于其具有“清洁型”和“动力型”等优势，在管理气候变化和向低碳经济转型的相关风险方面起到重要作用。随着“互联网+”的发展，金融资源向哪里集中成为金融业发展的焦点［1］。那么，金融业在空间上集聚是否有助于推动能源的高效利用，提升碳排放效率？不同强度的经济增长压力下，金融资源集中对推进“双碳”目标的影响是否会产生变化？研究以上问题，对充分发挥金融集聚的辐射效应，制定合理的经济增长目标，实现绿色低碳发展和“30·60”目标具有重要意义。

1 文献回顾

有关碳排放效率的测度，学界主要有单要素和全要素两种视角。单要素视角测度碳排放效率未考虑生产要素的替代效应，易受其他经济因素的影响［2-3］。全要素视角测度碳排放效率解决了单要素碳排放效率的部分缺陷，但该方法求解过程复杂，传统的数据包络分析（Data Envelopment Analysis，DEA）不包含有非期望产出，或者说默认所有产出是同向变动的，与现实预期不符。包含非期望产出的基于松弛变量的DEA模型（Slack Based Model，SBM）能够较好地处理非期望产出和松弛变量，因此被广泛使用。学者们利用SBM-DEA分别对工业碳排放效率、农业碳排放效率、交通运输业碳排放效率进行了测度［4-6］。

金融发展能够提高社会资源的配置效率，是实体经济健康发展与经济发展动能优化的重要支撑，毫无疑问会影响低碳经济发展［7］。围绕金融发展对温室气体排放的影响学界展开不少讨论，Shahbaz等［8］研究认为金融发展通过吸引外商投资、激励企业技术创新、促进碳交易等途径减少碳排放。但熊灵等［9］、Khan等［10］认为金融发展显著增加了二氧化碳排放量。也有学者研究认为金融发展对碳排放的影响呈现非线性特征。严成樑等［11］构建了包含金融发展、创新与二氧化碳排放的内生增长模型，研究发现金融发展对碳排放强度的影响呈倒U型关系。Acheampong等［12］认为在不同的金融发展阶段，其对碳排放强度的影响不同，在发达金融经济体的碳减排效应最强。李德山等［13］构建了金融发展、技术创新和二氧化碳排放的内生增长模型，研究发现金融深化和碳排放效率呈U型关系。就该研究重点关注的金融集聚对温室气体的影响来看，目前的研究还相对较少。Zhang［14］以中国股票市场规模作为金融集聚的代理变量，研究发现金融集聚明显加剧了碳排放，降低了碳排放效率。Qu等［15］以银行地理集中度来衡量金融集聚，研究发现金融集聚可以显著提高中国的能源效率，进而提升了碳排放效率。李治国等［16］研究发现金融集聚对碳排放存在显著的倒N型曲线关系。

通过梳理文献可以发现，学界目前侧重于考察金融发展对温室气体排放的影响，但关于金融集聚和低碳发展的研究还相对较少。已有研究多采用SBM测度全要素碳排放效率，但其假设期望产出的增加和非期望产出减少的速率相同，约束力过强。另外，金融集聚辐射作用的发挥效果可能受外部政策、制度环境的约束［17］，但目前鲜有文献从经济增长压力视角入手，研究金融集聚对碳排放效率的影响。最后，已有研究集中考察金融集聚和碳排放之间的线性关系，较少研究两者的非线性关系。即使有少量研究关注到两者的非线性关系，回归技术基本采用静态的门槛模型。因此，该研究试图拓展：构建包含金融部门和非金融部门的两部门产出密度模型，将金融集聚与碳排放效率纳入一个研究框架，分析金融集聚影响碳排放效率的理论机理；同时考虑资源投入最小化、经济产出最大化及碳排放最小化，采用非径向方向距离函数，分别测算全要素碳排放效率及能源碳排放效率；利用面板平滑转移模型（Panel Smooth Transfer Model，PSTR）实证研究金融集聚对碳排放效率的非线性影响，刻画回归系数在截面上的异质性，捕捉变量之间的非线性特征［18］；从经济增长压力的视角出发，分析其对两者关系的调节作用，利用调节效应模型进行实证检验。

2 理论分析与研究假说

Ciccone等［19］在研究经济活动密度和劳动生产率时提出产出密度模型。与传统模型不同，产出密度模型假设投入要素在空间上是均匀分布的，且引入相应系数表示规模报酬递增和边际产出递减的特征。之后陆续有学者对产出密度模型进行补充和完善。其中，以Ushifusa等［20］简化的模型最具代表性：

其中：q为单位面积产出；l为单位面积劳动投入；k为单位面积资本投入；β(0≤β≤1)为劳动投入相对于资本投入的产出贡献率；Ω为考虑劳动投入和资本投入的经济效率；α(0＜α＜1)代表因投入要素拥挤而造成的边际产出递减，指拥挤效应；(λ-1)/λ代表产出密度弹性，λ(λ＞0)代表产出密度系数，指集聚效应。集聚对金融部门产出与非金融部门产出均会产生影响。集聚效应与拥挤效应是金融集聚“硬币的两面”，一方面金融资源集中产生的集聚效应提高了金融服务的专业化程度，地区金融业竞争力随之提高，有利于金融部门产出的增加；另一方面金融集聚带来的拥挤效应导致金融业竞争加剧，出现外部不经济，影响产出水平。从金融集聚对非金融部门产出的影响看，金融资源集中能降低融资约束，有利于企业扩大生产规模，提高企业劳动生产率。但拥挤效应可能会部分抵消甚至扭转金融集聚所发挥的积极影响。鉴于此，将经济体系分为金融部门和非金融部门。金融部门的产出密度模型为：

其中：f为单位面积上金融部门的产出；l1为单位面积上金融部门的劳动投入；k1为单位面积上金融部门的资本投入；β1(0≤β1≤1)为金融部门劳动投入相对于资本投入的产出贡献率；Ω1为考虑劳动投入和资本投入的金融产出效率；α1(0＜α1＜1)代表因投入要素拥挤而造成的边际产出递减，指拥挤效应；λ1(λ1＞0)代表产出密度系数，指集聚效应。与金融部门不同，非金融部门还需考虑能源要素的投入，同时金融部门的集聚效应还会对非金融部门产生影响。非金融部门产出密度模型为：

其中：y为单位面积上非金融部门的产出；l2为单位面积上非金融部门的劳动投入；k2为单位面积上非金融部门的资本投入；(λ3-1)/λ3为金融部门集聚效应影响非金融部门产出的产出密度弹性；Ω2是考虑到资本、劳动和能源全要素投入的包含非期望产出即碳排放量的经济效率——全要素碳排放效率，其余变量同上。在相同的要素投入下，期望产出越多，碳排放量越少，表示全要素碳排放效率越高。

在上述模型中，金融部门集聚效应对本部门、非金融部门产出的影响以及金融部门集聚效应对自身的影响均为经济产出密度的函数，即λ=λ(f，q)。另外，金融部门、非金融部门的拥挤效应同样为经济产出密度的函数，即α=α(f，q)。为了简化起见，不妨假设金融部门集聚效应对金融部门产出和非金融部门产出的影响相同。金融部门和非金融部门的劳动具有异质性，无法自由流动，但是资本可以跨部门流动，因此均衡状态下资本在金融部门和非金融部门的边际产出等于资本价格r，能源在非金融部门的边际产出等于能源的价格p。

将（4）式和（5）式带入（3）式可以推出：

f/y为核心变量金融集聚，用金融部门产值与非金融部门产值之比衡量。从式（6）可以看出金融集聚对碳排放效率的影响方向和大小由金融部门和非金融部门的集聚效应和拥挤效应共同决定，并且随着集聚水平的变化而变化。式（6）两端取对数可得金融集聚对碳排放效率的影响：

由式（7）得到的比较静态分析结果为：当1＜λ＜(1+α)/2α时，金融集聚抑制碳排放效率；当λ＞(1+α)/2α时，金融集聚转而促进碳排放效率。值得注意的是，金融集聚对碳排放效率的促进作用不是无限的。当金融集聚跨过阈值后，其对碳排放效率的促进作用呈边际递减。基于此，提出假设1。

H1：金融集聚和碳排放效率之间存在平滑转移效应，即随着金融集聚水平的提升，碳排放效率会呈现下降—上升的趋势。

虽然金融集聚对碳排放效率的影响呈现非线性特征，但产生这一作用的重要前提需要良好的制度环境、经济政策等方面的支持。适度的经济增长压力下，地方政府的政策力度和方向往往变动幅度较小，为地区经济发展提供了良好的政策环境［21］。投融资活动活跃缓解了企业的融资压力，为企业进行绿色技术创新提供了资金保障，绿色技术创新进而提升了碳排放效率。同时，适度的经济增长压力下，地方政府在完成经济增长目标的前提下更能兼顾节能减排，清洁生产型项目更易受到资金青睐，从而降低了碳排放的规模。

过大的经济增长压力下，地方政府为了完成经济增长目标，不得不将金融资源配置至高耗能和高排放项目，温室气体排放自然增加。同时，过大的经济增长压力下，外部政策环境不确定性更突出，金融机构的投资将更为谨慎，当期投资回报率较低的技术创新型企业获取资金支持的难度较大。考虑到研发周期长和不确定性高等特征，企业倾向于投资金融资产以规避风险，挤占了企业创新投资，阻碍低碳技术创新［22］，进而抑制了碳排放效率。基于此，提出假设2。

H2：经济增长压力在金融集聚对碳排放效率的影响中存在显著的调节效应。

3 计量模型、变量与数据

3.1 计量模型

面板门槛模型假设变量在门槛值两边是突变的，面板平滑转移模型允许在两个状态之间平滑转移，转移函数的设定比指示性函数更加符合实际情况。构建面板平滑转移模型：

其中：下标i、t分别表示地区和年份；FA为核心解释变量金融集聚，α1为金融集聚线性部分的回归系数，α2为金融集聚非线性部分的回归系数；Zit表示控制变量；εit为随机误差项；转移函数G(r，c，w)中的符号依次代表转移速度、转移位置和平滑转移变量，选定的平滑转移变量为金融集聚。转移函数在PSTR模型中一般表达式为：

其中：γ越大表示转移速度越快，当γ=+∞时，模型退化为门槛模型；c为转移位置，对应G=0.5的转移变量值。

借鉴温忠麟等［23］关于调节效应的说明，同时为了避免多重共线性，对变量进行去中心化处理，构建调节效应模型：

其中：M为调节变量。上述调节效应模型重点考察金融集聚和经济增长压力乘积项的回归系数，如果β3显著，表示调节效应显著。

3.2 变量选择与数据说明

3.2.1 被解释变量：碳排放效率

Chung等［24］在传统DEA中引入方向距离函数（Directional Distance Function，DDF），然而DDF的局限在于以相同的速率增加期望产出和减少非期望产出，会引起估计的生产决策单元（Decision Making Units，DMU）缺乏效率的程度下偏。Zhou等［25］提出了非径向方向距离函数（Non-radical Directional Distance Function，NDDF），允许投入、期望产出和非期望产出在比例上调整，因此更具有识别力。采用NDDF测算碳排放效率。假设有N个DMU，均使用资本（K）、劳动（L）、能源（E）生产期望产出（Y），同时伴随非期望产出CO2（C）。生产技术可表示为：

在生产理论中，T通常需要满足一定的条件，使其具有现实的经济含义，即有限的投入只可以生产有限的产出。参考Zhou等［25］的研究，定义NDDF为：

其中：WT=(wK，wL，wE，wY，wC)T是一个权重向量，根据投入和产出的数量赋予权重；g=(-gK，-gL，-gE，gY，-gC)T是方向向量，表明投入和产出；β=(βK，βL，βE，βY，βC)T是比例因子，衡量投入和产出缺乏效率的程度，即实际的生产活动与最优状态的距离；diag(β)是一个β的对角矩阵。

由于g和W可根据不同问题赋权，考虑到资本、劳动和能源的替代效应，综合所有要素的无效率程度，测算全要素碳排放效率，设置方向向量g=(-K，-L，-E，Y，-C)，赋权W=(1/9，1/9，1/9，1/3，1/3)。上述赋权原因如下：第一，在没有偏向信息的前提下，较为合理的做法是假设投入、期望产出和非期望产出的重要性无差别，因此各赋权1/3；第二，资本、劳动和能源三种投入要素同等重要，因此各赋权1/9［26］。全要素碳排放效率UCI表示为：

另外，能源消耗是产生CO2的直接因素。因此聚焦能源和碳排放，剔除资本和劳动对效率的稀释效应，考察能源投入、期望产出和非期望产出的无效率程度。在测算能源碳排放效率时设置方向向量g=(0，0，-E，Y，-C)，赋权W=(0，0，1/3，1/3，1/3)，林伯强等［27］也采取了同样做法。能源碳排放效率（ECI）表示为：

3.2.2 解释变量：金融集聚

学界关于金融集聚的度量有单指标法和多指标法。相对单指标法，多指标法在精确度上没有明显提升且在处理过程中易出现误差，因此单指标法中的区位熵法更受学者青睐［28］。利用区位熵法测度金融集聚，具体公式为：

其中：Fit为i省份t年份金融增加值，Ft为t年份全国金融增加值；Git为i省份t年份地区生产总值，Gt为t年份国内生产总值。

3.2.3 调节变量：经济增长压力

经济增长压力采用政府工作报告中对于经济增长目标的措辞衡量。地区经济增长压力来源于设定的经济增长目标。经济增长目标是下级政府对上级政府的政绩承诺，当目标制定过高时，下级官员压力随之增加。该研究认为年度政府工作报告中对于经济增长目标的措辞可以体现地方官员所承受的经济增长压力。当采用“确保”“力争”“以上”等词时，是对经济增长目标的硬约束（HC），此时经济增长压力相对较大；当采用“左右”“上下”或者区间提法时，是对经济增长目标的软约束（SC），经济增长压力相对较小。采用虚拟变量的形式来衡量经济增长压力：第一，对硬约束赋值为1，代表其经济增长压力较大，其余赋值为0；第二，对软约束赋值为1，代表经济增长压力适度，其余赋值为0［29］。

3.2.4 控制变量

为了控制碳排放效率的其他因素对模型的影响，参考以往相关文献，引入控制变量：经济发展水平（PGDP），采用人均地区生产总值衡量；产业结构（STR），采用第二产业占地区生产总值的比重衡量；环境规制（ER），采用污染治理投资额衡量；技术创新（RD），采用申请专利授权数衡量；对外开放程度（OPEN），采用进出口总额占地区生产总值的比重衡量；城镇化水平（URB），采用城镇人口占总人口的比重衡量。

3.2.5 数据来源

选取2005—2018年中国30个省份（因数据可得性等原因，研究未包括西藏及港澳台地区）的面板数据作为研究样本。碳排放效率相关数据来源及测算见表1。调节变量经济增长压力来自手动搜集的共计420份政府工作报告，其余变量均来自《中国统计年鉴》、国家统计局和各省市统计局。所有价格变量均以2005年为基期进行折减。

表1 测量碳排放效率的投入产出变量选择与数据说明

4 结果分析与讨论

4.1 模型检验结果

运用面板平滑转移模型需要进行非线性检验和剩余非线性检验。非线性检验证实使用面板平滑转移模型的必要性，对残差进行剩余非线性检验证实所选面板平滑转移模型的充分性。采用常规的序贯检验法，检验结果表明：非线性检验均拒绝原假设，说明存在非线性特征，采用面板平滑转移模型是必要的。剩余非线性检验均接受原假设，说明模型并无遗漏非线性特征，所设定面板平滑转移模型是充分的。

4.2 基准回归分析

表2列示了金融集聚对碳排放效率的回归结果。模型1的被解释变量为全要素碳排放效率，模型2的被解释变量为能源碳排放效率。两模型核心解释变量在低区间的估计系数分别为-0.197 0和-0.436 2，在高区间的估计系数分别为0.366 3（-0.197 0+0.563 3）和0.644 5（-0.436 2+1.080 7），以上估计系数均在1%的水平上显著。两模型各控制变量的估计系数和影响方向基本相同，表明模型较为稳健。

由表2模型1的估计结果可知，金融集聚对碳排放效率具有显著的平滑转移效应。转换速度为2.427 6，相对较慢。鉴于转移速度较慢，将金融集聚水平从低到高依次划分低区间、转移区间和高区间。通过估计系数可知，转移函数取值0.349 7（0.197 0/0.563 3）时对应的金融集聚水平为阈值，阈值为0.105 5。金融集聚对碳排放效率的转移函数和估计系数见图1。

表2 金融集聚对碳排放效率的影响

图1 金融集聚的转移函数（左）和估计系数（右）

当金融集聚处于低区间和转移区间前半段时（未跨过阈值0.105 5），金融集聚会抑制碳排放效率。金融集聚处于低区间时，金融集聚每提升1%，碳排放效率降低0.197 0%。当金融集聚进入转移区间，金融集聚对碳排放效率的抑制作用逐渐减弱。以上估计结果验证了假设1。金融集聚水平较低时，金融发展相对滞后，无法满足实体部门经济活动所需的各种金融服务［31］。初步形成的金融结构与实体经济对金融的需求不相适应，阻碍了实体经济的发展，以银行信贷为主的间接融资在社会总融资中占主导地位，金融资源配置效率较低［32］。同时，金融企业为追求利润最大化，高耗能、高排放项目更容易得到资金支持，此类项目对碳排放具有明显的负向影响。当金融集聚处于转移区间后半段和高区间时（跨过阈值0.105 5），金融集聚对碳排放效率的影响由抑制作用转为驱动作用，且驱动力逐步增强。当金融集聚处于高区间时，金融集聚每提升1%，碳排放效率提升0.366 3%。以上结果可能的原因是：第一，成熟的金融市场降低了企业融资难度，加速了新兴产业的成长和落后产业的淘汰［33］；新兴产业减少了对化石能源的依赖，碳排放效率上升。第二，金融资源的集中降低了企业的融资约束，企业有充裕的资金用于低能耗、污染排放少的绿色生产技术引进和技术改造，推动了碳排放效率的提升［34］。

从控制变量来看，经济发展水平和产业结构的系数均显著为负，与以往学者的研究结论一致［35］。环境规制的系数为正，但未通过显著性检验。一方面环境规制会给企业带来负担，挤占企业生产性资金投入；另一方面环境规制可能促进了企业绿色技术创新，产生“创新补偿效应”。环境规制对碳排放效率的影响系数不显著的原因可能是环境规制对碳排放效率的正向和负向作用相抵消的缘故。技术进步的系数显著为负，表明在研究期内，技术进步并未对碳排放效率发挥积极效果。目前技术创新可能更多关注生产型技术创新，生产规模的扩大需要投入更多的能源，碳排放必然增加。对外开放的系数为正，虽并未通过统计学检验，但在一定程度上表明引入外资的绿色化程度在逐步提高［36］。城镇化水平的系数在10%的水平上显著为正，可见推进城镇化能提高碳排放效率。可能的原因是城镇劳动力市场对技术型及职业型等相对具有较高素质水平的劳动力需要更加旺盛，刺激了人力资本的快速累积，进而抑制碳排放。

4.3 调节效应分析

经济增长压力作为调节变量，金融集聚对全要素碳排放效率的回归结果见表3中模型3和模型4。其中模型3表示在较大的经济增长压力下，经济增长目标硬约束作为调节变量的估计结果。模型4表示在适度的经济增长压力下，经济增长目标软约束作为调节变量的估计结果。同样在模型5和模型6中用能源碳排放效率替换全要素碳排放效率以验证结果的稳健性。重点分析模型3和模型4的估计结果。

由表3模型3可知，金融集聚和经济增长目标硬约束的交互项系数为负，虽然没有通过显著性检验，但在一定程度上表明经济增长目标硬约束负向调节金融集聚对碳排放效率的影响。在考虑到经济增长目标硬约束的调节作用后，金融集聚对碳排放效率的转移位置从0.160 2提高到0.203 4，阈值从0.105 5提高到0.174 6，表明经济增长目标硬约束将金融集聚对碳排放效率的影响方向由抑制转为促进的拐点延后。

表3 经济增长压力的调节效应估计结果

由模型4的估计结果可知，金融集聚和经济增长目标软约束的乘积项系数显著为负，表明经济增长目标软约束正向调节金融集聚对碳排放效率的影响。同时在考虑到经济增长目标软约束的调节作用后，金融集聚对碳排放效率的转移位置从0.160 2降低到0.132 7，阈值从0.105 5降低到0.087 2，表明经济增长目标软约束可以将金融集聚对碳排放效率的影响方向由抑制转为促进的拐点提前。上述结果表明经济增长目标约束在金融集聚对碳排放效率的影响中存在显著的调节效应。假设2得到验证。

图2反映了在不同经济增长压力下各省份金融集聚所处区间的详细信息。由图2可知，较大的经济增长压力下，24省份的金融集聚水平处于低区间，3省份处于转移区间前半段（未跨过阈值），1省份处于转移区间后半段（跨过阈值），2省份处于高区间。但适度的经济增长压力下，仅有9省份处于低区间，16省份处于转移区间前半段，3个省份处于转移区间后半段，2个省份处于高区间。金融集聚阈值下降0.067 4，浙江和重庆的金融集聚跨过阈值，其对碳排放效率的影响由抑制转为促进。广东等15省份从低区间进入转移区间。

图2 经济增长目标硬约束（上）和软约束（下）下金融集聚的区间划分

4.4 稳健性检验

除了替换被解释变量的稳健性检验外，还进行了以下稳健性检验：第一，更换估计方法，采用面板门槛模型对基准模型进行回归；第二，剔除特殊样本，剔除北京、天津、上海和重庆四个直辖市数据之后验证上述结果；第三，考虑受限因变量，采用面板Tobit模型对上述结果进行再估计。通过加入金融集聚二次项的形式拟合上文的非线性关系。在以上各种稳健性检验下，关键变量的显著性及其影响方向均与前文一致，验证了结论的稳健性（篇幅所限，稳健性检验结果未列出，备索）。

4.5 内生性分析

碳排放效率是否会影响金融集聚呢？碳排放效率隐含了投入更低、期望产出更高和非期望产出更低三重含义，本质还是生产率的一种。一方面，资本具有逐利性，生产率高的地区往往投资回报率也高，这种比较优势容易形成金融集聚；另一方面，碳排放效率高意味着地区绿色化程度高，这些地区更容易得到资本的青睐，有利于吸引金融资源。金融集聚和碳排放效率存在的这种双向因果关系或许对结论的科学性带来一定质疑。

借鉴李戎等［37］采用工具变量法解决金融集聚和碳排放效率间的内生性问题。其中，金融集聚的工具变量采用邻近地区金融集聚水平的加权平均，权重选择平均赋权和反距离赋权两种。从相关性来看，邻近地区金融集聚水平会影响当地金融集聚水平。一方面，地区金融政策的出台不仅会对当地金融集聚水平产生影响，还会通过示范效应对邻近地区金融集聚水平产生影响；另一方面，当金融集聚达到一定规模，形成区域性金融中心，则会通过溢出效应对邻近地区金融集聚水平产生影响。从外生性来看，邻近地区碳排放效率并不会直接影响当地金融集聚水平。因此从理论上讲，邻近地区金融集聚水平的加权平均值满足工具变量的条件。

分别在随机效应、省份固定效应和双向固定效应三种情况下，采用考虑受限被解释变量的工具变量法控制可能的内生性问题。表4仅列出省份固定效应下内生性分析的结果。由第一阶段估计结果可知，无论何种工具变量，其与核心变量金融集聚均有显著的相关性，且第一阶段F统计量均大于10，符合经验法则。可以拒绝工具变量回归系数为0的原假设，从而排除弱工具变量问题。另外，由于内生变量和工具变量数量相等，故不存在过度识别问题。由第二阶段估计结果可知，金融集聚和碳排放效率之间存在U型关系，经验拐点为-0.277 1（-0.816 0/（2×1.472 3）），比较基准模型得到的拐点0.105 5，说明在不考虑内生性问题时，金融集聚对碳排放效率的拐点被高估。

表4 内生性分析

5 结论与政策建议

该研究分析了金融集聚对碳排放效率的影响机理，利用非径向方向距离函数和SBM-DEA模型测度2005—2018年省级碳排放效率，构建面板平滑转移模型研究了金融集聚对碳排放效率的非线性影响和平滑转移效应，利用调节效应模型考察经济增长压力对两者关系的调节效应。主要结论如下。

金融集聚对碳排放效率具有显著的平滑转移效应。当金融集聚水平低于0.105 5时，金融集聚对碳排放效率有抑制作用，且随着金融集聚水平的提高，其对碳排放效率的抑制作用逐渐减弱；当金融集聚水平跨过阈值0.105 5，其对碳排放效率的影响由抑制转为促进，且促进作用随着金融集聚水平的提高而逐渐增强。以上结论在一系列稳健性检验后依然成立。

经济增长压力在金融集聚与碳排放效率关系中发挥了显著的调节效应。适度的经济增长压力正向调节金融集聚对碳排放效率的影响，且使得金融集聚的阈值从0.105 5提前到0.087 2，金融集聚水平更容易达到促进碳排放效率提高的阈值，强化了金融集聚对碳排放效率的正向影响；过大的经济增长压力负向调节金融集聚对碳排放效率的影响，且使得金融集聚的阈值从0.105 5延后至0.174 6，一定程度上弱化了金融集聚对碳排放效率的推动作用。

根据以上研究结论，提出以下政策建议：①合理配置金融资源，充分发挥金融资源对实现“双碳”目标的积极作用。充分利用区域比较优势，提供差异化金融服务，积极发挥金融集聚的辐射作用，助力地方低碳经济发展。规划建设金融大都市区和金融小集群圈，选择重点大城市发展金融中心，由点及面建设金融大都市圈。加强小城市与大城市之间的信息交流，建设多元化、多层次的金融小集群。②革新官员考核标准，引导形成契合地方发展现状的经济预期。第一，做好经济增长目标的预期管理，增加绿色全要素生产率指标等作为官员绩效考核内容。第二，引导经济增长预期形成差异化目标。各地区社会经济发展基础条件及资源禀赋存在差异，应综合考虑各地区经济转型的难度和压力，引导经济增长预期与经济基础相符，把推动高质量发展，保持发展的可持续性放在首位。