绿色信贷的碳排放效应及其能源效率机制研究——基于空间计量模型的分析

毛彦军，曲迎波，郑天恩

（中国人民银行郑州培训学院，河南 郑州 450011）

一、引言

2020年9月22日，国家主席习近平在第七十五届联合国大会一般性辩论会上郑重宣布，“中国将提高国家自主贡献力度，采取更加有力的政策和措施，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”。“双碳”目标的提出为我国经济社会绿色低碳转型指明了方向，而经济社会绿色低碳转型离不开金融尤其是绿色金融支持[1]。我国政府在“十三五”规划中就明确提出要发展绿色金融，加强金融对经济绿色低碳转型发展的支持。2021年，国务院发布了《关于加快建立健全绿色低碳循环发展经济体系的指导意见》，进一步提出发展绿色金融，促进绿色转型，强调了绿色金融在现代环境治理体系中的重要作用。目前，在我国丰富的绿色金融产品种类中，发展最快、应用最为广泛的也是绿色信贷。中国人民银行发布的数据显示，截至2021年第二季度末，我国本外币绿色信贷余额已达到14万亿元，规模居世界第一。绿色信贷旨在引导社会经济资源在不同行业和项目之间流动，引导更多的资金流向绿色产业和项目，促进社会经济绿色低碳发展[2]。当前，我国正加紧推进绿色信贷等绿色金融发展，探索金融在推动“双碳”目标实现过程中的积极作用。

近年来，已有个别文献对绿色信贷的碳排放效应进行了初步讨论[3-4]，但研究还不够全面。同时，由于在实践中，绿色信贷实施会受到多种因素影响[5]，因此，绿色信贷的实际效果可能是不确定的[6]。另外，既有研究表明，不同地区之间的二氧化碳排放与经济活动之间存在空间相关关系[7-8]，为此，有必要将空间因素纳入绿色信贷碳排放效应的分析框架中。为更全面和准确评价绿色信贷对碳排放的真实影响，对其进行深入研究就显得尤为必要。

鉴于此，本文通过构建空间计量模型，将变量之间的空间依赖性纳入分析框架中，进一步量化分析绿色信贷碳排放效应及潜在的影响机制，为我国实现碳减排提供绿色金融视角的实践佐证。

二、简要文献回顾

关于金融发展与二氧化碳排放之间关系研究源于经济增长和环境之间关系的讨论，即众所周知的环境库兹涅茨曲线（EKC）存在性问题。由于忽略经济发展的其他方面来纯粹研究经济增长与污染排放之间的关系会显得过于简单[9]，并且金融发展在经济增长中扮演着重要角色，因此，碳排放模型中如果遗漏金融发展变量可能会导致实证结果出现一定的偏差[10]。为此，近年来越来越多的国内外学者开始关注金融发展对二氧化碳排放的影响[11-13]，但到目前为止，研究结论仍未达成共识。有学者强调金融发展会通过促进技术创新、提升环保意识等对二氧化碳排放产生负向影响[14-17]。然而，也有学者认为金融发展对二氧化碳排放产生了正向影响[18-20]。另外，还有学者研究指出，金融发展与碳排放之间具有更为复杂的非线性关系[21-22]。鉴于既有研究之间存在的显著分歧，有必要就金融发展与二氧化碳等污染物排放之间关系做进一步研究[23-24]。事实上，金融发展与二氧化碳等污染物排放之间关系的研究尚处于起步阶段，仍需要进一步深入研究，以便全面认识金融发展对二氧化碳等污染物排放的影响[22]。

绿色金融既拥有传统金融的商业属性，又有公共产品的社会公益属性。绿色金融发展一方面遵循传统金融投融资模式支持经济低碳发展，另一方面还可以基于其独具特色的投融资标的，比如碳排放权、排污权、用能权、用水权等，为绿色技术创新和新能源推广使用等提供金融支持。因此，绿色金融发展对碳排放的影响应该有其独特效应。随着绿色金融发展特别是绿色信贷发展，关于绿色信贷与碳排放之间关系的研究也得到不断重视。绿色信贷被认为是支持实体经济实现“双碳”目标的重要举措[25]，绿色信贷政策有助于实现节能减排，绿色信贷对碳排放具有显著的抑制效应[4]。尽管目前针对绿色信贷与碳排放关系的研究仍处于起步阶段，但研究结论比较一致，均认为发展绿色信贷有助于减少污染排放，有助于提升各个地区的空气质量[26]。

此外，由于一个地区可能会受到临近地区的影响[27]，因此，许多与经济和环境问题相关的变量普遍具有空间依赖性[28]，忽视这些空间依赖性可能会导致模型估计结果偏误[29-30]。正是出于对空间因素重要性的考虑，近年来，越来越多学者在考察二氧化碳排放的驱动因素时，常常引入空间计量方法以解决空间依赖性问题[30-32]。但是，鲜有通过建立空间计量的方法来评估绿色信贷碳排放效应的文献。

基于上述分析，本文拟通过构建以二氧化碳排放为被解释变量、绿色信贷为核心解释变量的空间计量模型，量化分析绿色信贷对本地和邻地二氧化碳排放的影响及传导机制。本文的边际贡献包括以下几方面。

首先，丰富了绿色金融研究文献，为绿色金融相关政策制定提供参考。现有关于绿色信贷的研究文献主要侧重于本地（局部）效应，从而忽略了重要经济变量之间潜在的空间依赖性。本文将空间计量经济学模型引入到绿色信贷研究中，发现绿色信贷政策不仅对本地二氧化碳排放有抑制效应，对周边地区二氧化碳排放同样有显著的抑制效应，从而验证了绿色信贷“本地—邻地”碳排放效应的存在性。其次，通过对绿色信贷的直接效应、间接效应以及总效应分析，可以更准确、更有效地揭示绿色信贷对二氧化碳排放的影响。与此同时，考虑到不同解释变量指标选取、不同空间矩阵引入以及潜在的内生性问题可能会导致估计结果出现偏差，本文采用多种方法对基准模型进行了稳健性检验。再次，基于绿色信贷原则，明确绿色信贷促进碳减排的传导机制，并基于空间计量模型进行了实证检验。本文强调了能源利用效率提升在绿色信贷实践中的重要性，不仅深化了对绿色信贷碳排放效应的理解，而且还丰富了绿色信贷传导渠道研究。

本文余下内容安排如下：第三部分为模型设定、指标选取与数据来源说明；第四部分为绿色信贷的碳排放效应估计、评价与模型稳健性检验；第五部分为传导机制检验与评析；第六部分为研究结论。

三、研究设计

（一）变量选取与数据说明

1.被解释变量

人均二氧化碳排放量（lnCO2）。二氧化碳排放量由能源消费总量（吨标准煤）乘以吨标准煤的二氧化碳排放系数这一计算方法得出。其中，关于吨标准煤的二氧化碳排放系数，本文借鉴徐斌等（2019）[33]的研究，取值为2.70。

2.核心解释变量

绿色信贷（gr_ra）。尽管原中国银监会发布了2013—2017年21家主要银行的绿色信贷统计信息，但这些属于全国层面数据，缺乏省级统计口径数据，因此，该数据在实证分析过程中无法采用。考虑到信贷利息支出可以在一定程度上反映信贷规模，本文借鉴江红莉等（2020）[4]，郭威和曾新欣（2021）[34]，Lei等（2021）[6]的研究以各省绿色信贷利息支出占各省工业产业总利息支出的比值表示绿色信贷发展水平。其中，绿色信贷利息支出用各省非六大高耗能产业的利息总支出表示。

3.其他控制变量指标选取

借鉴谷秀娟和樊晨希（2016）[35]的研究，本文引入了用人均实际GDP表征的经济发展水平（ln_gdp），用工业增加值占地区GDP的比值表示的产业结构（ind_str）；参考严成樑等（2016）[21]的研究，本文引入了以实际利用外资总额占地区GDP比值表示的对外开放度（fdi）；另外，考虑到地方财政支出和研发投入会改变当地经济发展环境以及绿色技术创新和应用水平，进而影响碳排放水平，本文借鉴邓慧慧和杨露鑫（2019）[36]的研究，引入了用单位研发投入技术市场成交额表示的地区研发水平（rd_inv）和以各地财政支出占GDP比值表示的财政支持（gov）两个变量。

4.数据来源

本文选取了2006—2020年我国30个省份的面板数据进行实证研究（限于数据可获得性，研究样本未包括西藏、香港、澳门、台湾地区）。鉴于现有统计年鉴上缺失2017年和2018年的工业信贷利息支出数据，因此本文遵循既有研究做法，对2017年和2018年的工业信贷利息支出数据进行了线性插值处理。样本数据来源于2007—2021年的《中国统计年鉴》《中国工业统计年鉴》《中国能源统计年鉴》以及各省份统计年鉴、各省份国民经济和社会发展统计公报。

（二）空间权重矩阵设定

由地理学第一定律可知，两个地区距离越远，地区之间的交互效应越弱。为此，通常采取空间单元之间的距离倒数（反距离）来反映空间单元之间空间交互效应强弱[37]。同样，绿色信贷与二氧化碳排放的空间溢出效应更多地体现在地理距离上。因此，本文在借鉴已有研究基础上，采用反距离矩阵W2表征地区间的空间权重矩阵，W2的构建见下文稳健性检验部分。

（三）计量模型构建

1.基础模型

借鉴既有关于金融发展与碳排放关系的研究[22]，在不考虑空间因素影响时，本文构建如下分析绿色信贷影响二氧化碳排放的经济模型：

其中，下标i代表各个省级行政区，t表示年份；被解释变量lnCO2it表征各地区人均二氧化碳排放量；gr_rait表示各地区绿色信贷发展水平；controlsit表示控制变量；α0为常数项，α1为核心解释变量的估计参数，α2表示控制变量的估计参数向量分别表示个体固定效应和时间固定效应为随机扰动项。

2.空间计量模型

当变量之间存在空间依赖性时，传统模型估计方法，如普通最小二乘法和广义矩法将不能有效克服空间依赖性所带来的问题[38]，必须考虑空间计量模型以避免实证结果的偏差[39]。本文旨在探讨绿色信贷的“本地—邻地”碳排放效应，变量之间的空间依赖性则是分析过程重点考虑的一项因素。为此，本部分将尝试构建相应的空间计量模型。

目前常见的空间计量模型主要有三种：空间滞后模型（SLM）、空间误差模型（SEM）和空间杜宾模型（SDM）。当因变量在空间上相关时，一般需要采用空间滞后模型（SLM）。模型（1）的空间滞后模型形式为：

其中，lnCO2it，gr_rait所代表的经济含义同上，表征方程（2）中的控制变量；ρ为空间回归系数；N为空间单元个数；β1为核心解释变量的估计参数，ωj表示控制变量j的估计系数分别为空间固定效应和时间固定效应是一个随机误差项；wij表示空间权重矩阵的第（i,j）个元素。本文分析过程中以反距离矩阵W2为空间权重矩阵，模型估计前须对其进行标准化处理。

当模型考虑残差的空间依赖性时，应采用SEM模型。模型（1）的空间误差模型形式为：

当因变量和自变量都存在空间依赖性时，则选择SDM模型。实际上，SDM模型可以看作SLM模型和SEM模型的集成。模型（1）的空间杜宾模型形式为：

其中，xit表示由自变量组成的向量，β表示回归系数向量，θ表示一个参数向量分别为空间固定效应和时间固定效应是一个随机误差项。

由于模型中引入了空间权重矩阵，传统的OLS估计将是有偏和无效率的[30]。另外，以往针对空间计量模型估计所普遍采用的最大似然估计（ML）也存在固有不足。比如，对于大的截面观测样本（N）和短的时间跨度（t）样本数据情形，ML估计可能会存在显著的估计偏差[40]。为此，本文采用修正的ML估计对所构建的空间计量模型进行估计。

（四）统计性分析

表1报告了主要变量的统计结果。从表1中可以看出，30个省份的人均二氧化碳排放均值为2.13356，标准差为0.4475384，这表明二氧化碳排放在样本省份之间存在一定的差异；绿色信贷的均值为0.4590232，标准差为0.1471145，同样表明绿色信贷发展在样本省份之间存在一定差异。

表1 主要变量统计性分析

其他变量与相关文献基本一致，对此不再一一描述。

四、实证结果分析

（一）空间依赖性检验

本文采用莫兰指数（Moran’s I）对二氧化碳排放的空间依赖性进行检验，其定义如公式（5）所示。

该指数在-1到1之间取值，正值表示存在正向的空间自相关（空间集聚），负值表示存在负向的空间自相关（空间分散）。其中，当取值为1时表示完全空间集聚，取值为-1时表示完全空间分散，取值为0则意味着在空间上表现为随机分布特征。二氧化碳排放的空间依赖性检验结果如表2所示。

由表2可知，二氧化碳排放存在明显的空间依赖性，其空间集聚特征明显。因此，应用空间计量经济学分析二氧化碳排放的影响因素是较为合适的举措。

表2 二氧化碳排放的空间自相关性检验

其中，N为空间单元个数，即地区数；Yi表示变量Y位于空间单元i的观测值；wij指代空间权重矩阵中的元素；S0表征空间权重矩阵所有元素之和，其定义为

为进行比较，接下来本文绘制了二氧化碳排放的Moran’s I散点图，如图1所示。图1报告了2006年、2010年、2015年、2020年30个省份二氧化碳排放的Moran’s I散点图。结果显示，样本地区的二氧化碳排放大都散落在第一象限和第三象限，这意味着样本期间内，我国二氧化碳排放具有“高—高”聚集和“低—低”聚集的空间依赖性特征。

图1 二氧化碳排放的Moran’s I散点图

（二）空间计量模型的回归结果分析

1.基准模型选取

关于基准模型选择，本文采用了Elhorst所提供的规范检验步骤[41]：构建LM_lag和LM_error两个统计量。如果LM_lag统计量在统计上显著，则应该选择空间滞后模型；如果LM_error统计量在统计上显著，则应该选择空间误差模型；如果两个统计量均不显著，那么应该选择OLS模型。进一步地，如果两个统计量均显著，就采用Anselin等（1996）[42]提出的稳健LM进行与上面类似的比较选择。当LM检验或者稳健LM结果确定空间模型比非空间模型更合适后，接下来则进行Wald和LR检验，以识别前文给出的三种空间模型中哪一种能更好地描述数据。

遵循上述模型选择方法，本文首先给出了非空间面板数据模型的估计结果，如表3所示。由表3可知，经典的LM检验结果显示，无论是否考虑空间与时间固定效应，关于“不存在空间滞后”和“不存在空间残差相关性”的原假设均在1%的显著性水平上被拒绝。因此，最佳模型选择是应该考虑空间相关性。

表3 非空间面板数据模型估计

为了考察空间固定效应联合检验不显著的原假设是否被显著拒绝，本文进行了似然比（LR）检验（基于不同模型的对数似然值比较）。检验结果表明，在1%的显著性水平上拒绝原假设。同样地，对时间固定效应联合检验的原假设在1%的显著性水平上被拒绝。以上检验结果表明，选择具有空间和时间双固定效应的模型是合理的。

基于前文LM和LR检验分析，可以初步认为选择空间和时间双固定效应的空间计量模型比较合适。接下来，还需要从SLM、SEM、SDM等模型中识别出哪一个可以提供最优数据拟合，最终确定为本文实证分析的基准模型。根据空间计量模型选择的通常做法，首先考虑了SDM模型，对其进行Wald和LR检验，以探讨SDM模型是否可以简化为SLM模型或SEM模型。接着，又进行Hausman检验，以检验随机效应SDM模型是否合适。

另外，传统的固定效应模型估计会使得参数估计出现偏误[40]，如果空间杜宾模型同时考虑了空间和时间固定效应，则需要对其参数进行偏误校正[43]。为了便于进行比较分析，本部分同时给出了带偏误校正和无偏误校正的SDM模型估计结果。具体估计结果见表4。

表4中第（1）列报告的是无偏误校正的SDM模型估计结果，第（2）列报告的是带偏误校正的SDM模型估计结果。从表4底部的Wald和LR检验结果可以看出，具有空间和时间双固定效应的SDM模型对数据拟合得最好，该模型最终被确定为本文量化分析的基准模型。

2.模型回归结果分析

正如表4第（2）列所示，绿色信贷（gr_ra）系数显著为负，这表明各省份绿色信贷发展对本地二氧化碳排放有负向影响，即绿色信贷发展对本地二氧化碳排放具有显著的抑制作用，这与江红莉等（2020）[4]的观点相吻合。这可能源于绿色信贷发展通过政策和资金价格引导促进了节能、环保等绿色技术创新[2]，同时也推动了能源消费结构转变，消费者越来越多地开始转向清洁能源消费。以上这些作用过程又共同引致了社会能源利用效率提升。能源利用效率的提升，则意味着同样的社会产出需要更少的能源消费，同等经济发展规模所带来的二氧化碳排放也因此得以减少。

关于其他控制变量的影响，表4第（2）列中也给出了相应的估计值。首先关注经济发展（ln_gdp）与二氧化碳排放之间的关系。估计结果显示，ln_gdp的系数在1%的显著性水平上为正。这意味着，经济发展对二氧化碳排放表现为显著的促进作用，依据环境库兹涅茨曲线假说，可以认为我国当前的经济发展水平仍处于倒U形曲线拐点的左侧，环境质量还将会随着经济发展而下降。产业结构对本地二氧化碳排放产生了正向影响，这意味着当前我国产业结构有待进一步优化。财政支持强度对本地二氧化碳排放的影响不显著，而地区研发水平和对外开放度对本地二氧化碳排放产生了显著的负向影响。

表4 空间杜宾模型估计结果

由于SDM模型系数并不能直接反映相应解释变量对因变量的边际效应[44]，因此，本文又估计了空间与时间双固定效应SDM模型中解释变量的直接效应、间接效应和总效应，具体估计结果见表5。直接效应反映了绿色信贷变化对本地二氧化碳排放的影响。间接效应是指周边省份绿色信贷变化对本地二氧化碳排放的影响。总效应指的是直接效应和间接效应的总和[45]。

表5的实证结果表明，关于绿色信贷对二氧化碳排放的影响，其直接效应（-0.587）显著为负，间接效应（-0.485）显著为负，总的效应（-1.072）也显著为负。显著的负直接效应表明，绿色信贷投放增加对本地二氧化碳排放有显著的抑制效应，即绿色信贷投放增加具有显著的“本地”碳减排效应。显著的负间接效应表明，周边地区绿色信贷投放增加，对本地二氧化碳排放也产生了显著的抑制效应。其原因可能是，周边地区绿色信贷发展有利于推动先进技术在区域间扩散，有利于推动支持绿色创新的资本在区域间有效流动，同时也促进了有效治理政策在区域间互通、学习、效仿，进而促进本地二氧化碳减排。在这种情况下，外部性将能够使得减少二氧化碳排放的限制措施蔓延到周边地区。这意味着，周边地区绿色信贷发展会促进技术溢出、知识共享和技术转移，进一步缓解本地二氧化碳排放。

表5 绿色信贷对二氧化碳排放影响的直接效应、间接效应和总效应

更为重要的是，由表5还可以观察到绿色信贷发展存在显著的间接效应。这一实证分析结论意味着，在评价分析绿色信贷对二氧化碳排放影响时有必要考虑空间因素，并将空间相关性作为重要因素纳入分析框架中。这也是本文采用空间计量模型分析绿色信贷碳排放效应的一个重要原因。

（三）区域异质性分析

我国幅员辽阔，各地区经济金融发展水平存在很大差异，不同地区的经济环境、资源禀赋以及政策制度也存在差异。因此，为深入考察绿色信贷碳排放效应的区域差异性，本文将全样本划分为东部地区、中部地区和西部地区等三个子样本，然后分别进行空间计量分析。实证结果见表6。

表6 绿色信贷影响二氧化碳排放的区域异质性分析

由表6可知，绿色信贷直接效应估计系数在东、中、西部地区显著为负，与整体样本估计结果一致。而绿色信贷产生的空间溢出效应仅在中部地区比较显著。这说明绿色信贷发展带来的本地碳减排效应比较明显，但其空间溢出效应的显著性与地区分布有关。这可能是由于相对东部和西部地区，中部地区经济金融发展更有利于发挥绿色信贷对绿色技术创新和绿色生产项目支持的空间溢出效应，促进周边地区绿色低碳发展潜能得以有效释放，进而带来更显著的绿色信贷空间溢出效应。

（四）稳健性检验

首先，引入两种不同的SDM模型估计方法，以识别参数估计的稳健性。具体估计结果见表4。表4同时报告了带偏误校正和无偏误校正两种方法的估计结果。比较表4中的估计结果可以发现，核心解释变量gr_ra及其他控制变量系数估计的方向与显著性水平，在不同的估计方法下基本保持一致。

其次，本文通过引入不同的空间权重矩阵来检验结果的敏感性。目前空间计量分析中争议最大的地方就是空间权重矩阵选择问题。在本文前一部分分析过程中，把反距离矩阵W2作为空间权重矩阵引入分析框架。为检验本文估计结果的稳健性，采用引入了基于地理邻近性的空间权重矩阵W1、基于研发能力的空间权重矩阵W3以及反距离矩阵的平方矩阵W4，以分别对基准模型进行重新估计。相关矩阵定义与构建如下。

（1）邻接矩阵W1基于地理空间邻接性构建，其中，矩阵元素由1和0构成。当空间单元i与空间单元j空间相邻（有共同的边界或交点）时记为1，否则记为0。具体形式如下。

（2）反距离矩阵W2基于地理空间距离的倒数构建。其元素为对应两个空间单元距离的倒数。矩阵中元素W2ij定义如下：

其中，dij为空间单元i与空间单元j之间的地理距离。

（3）研发能力矩阵W3基于反距离矩阵和各地区历年研发投入构建。矩阵构建方法如下：

（4）反距离平方矩阵W4基于反距离矩阵各对应元素平方构建。矩阵中元素定义如下：

其中，dij为空间单元i与空间单元j之间的地理距离。

稳健性检验结果见表7。如表7的第（1）列—第（3）列所示，引入空间权重矩阵W1、W3、W4后，被解释变量的滞后项系数均显著为正，核心解释变量（gr_ra）及其空间滞后项系数均显著为负。将表7的第（1）列—第（3）列估计结果与表4的第（1）列、第（2）列估计结果进行对比可以发现，对于不同的空间权重矩阵，模型估计结果保持稳定，本文估计结果具有稳健性。

再次，我们同时引入绿色信贷发展的替代指标和不同的空间权重矩阵，来考察主要结论是否发生变化。为此，一方面，借鉴谢婷婷和刘锦华（2019）[46]的研究，本部分以六大高耗能产业利息支出（gh_loa）作为一个反向指标表征绿色信贷发展，然后对SDM模型进行估计；另一方面，分别引入W1、W2两个空间权重矩阵，展开空间计量分析。估计结果见表7的第（4）列—第（5）列。

表7 稳健性检验

比较表7的第（4）列—第（5）列中的核心解释变量gh_loa系数可以发现，对于不同的空间权重矩阵，其系数估计均显著为正。这说明引入绿色信贷反向指标后，模型估计结果与原模型一致，这进一步证实了本文研究结论的稳健性。

最后，考虑内生性问题。借鉴You等（2020）[47]的研究，本文试图通过引入绿色信贷发展的一阶滞后项（L.gr_ra）来解决绿色信贷发展与二氧化碳排放之间反向因果关系（内生性问题）造成的估计偏误。然后，系统地加入控制变量，以考察绿色信贷碳排放效应估计结果的稳定性，实证分析结果如表8所示。比较核心解释变量发现，其系数估计与基准模型估计结果一致，本文估计结果具有稳健性。

表8 引入绿色信贷一阶滞后的稳健性检验

五、进一步讨论：绿色信贷“本地—邻地”碳排放效应的机制分析

绿色信贷作为引导信贷资金投向低碳、节能、环保领域的关键举措，在推动经济低碳、绿色可持续发展方面扮演着重要角色。研究发现绿色信贷可以促进能源消费结构升级[6]，也有利于能源利用效率提升[48]。能源利用效率提升，意味着单位GDP产出需更少的能源投入，从而产生更低的二氧化碳排放。综上所述，绿色信贷会通过提升能源利用效率来实现抑制二氧化碳排放的政策目的。

（一）绿色信贷的能源利用效率提升效应

本文首先以单位GDP能耗表示能源利用效率（ln_nyx），并将其作为因变量引入空间计量模型，以检验绿色信贷发展是否能够引致能源利用效率提升。同时，为了验证结果的稳健性，又分别引入了W1和W2两个空间权重矩阵。具体的实证结果见表9的第（1）列和第（2）列。

（1）基于不同的空间权重矩阵，绿色信贷对本地能源利用效率均表现为显著的正向作用，即绿色信贷实施提升了本地能源利用效率。这可能源于，绿色信贷实施通过政策引导和信贷资金支持，促使能源使用部门优化能源使用方案和技术，进而引发能源利用效率提升。这一结论与Song等（2021）[48]的研究一致。

（2）绿色信贷发展对邻地的能源利用效率也表现出显著的正向作用。这可能源于，绿色信贷促进本地能源使用方案的优化和技术水平提升后，相关知识和技术产生空间扩散效应，使得邻地能源使用方法与技术也得以提升，进而推动邻地能源利用效率提升。正是基于这种空间溢出效应，使得绿色信贷对邻地能源利用效率产生了显著的正向促进作用。

（二）能源利用效率的碳排放抑制效应

以上实证结果表明，绿色信贷会促进本地和邻地能源利用效率提升。那么绿色信贷是否会通过改善能源利用效率影响“本地—邻地”的碳排放水平？为回答该问题，本文在基准的SDM模型中引入能源利用效率（ln_nyx）、绿色信贷与能源利用效率的交互项（gr_nyX）等变量，以检验绿色信贷影响“本地—邻地”碳排放的能源效率机制的存在。实证结果见表9的第（3）列、第（4）列。表9中的第（3）列、第（4）列，同样是基于不同空间权重矩阵的估计结果。

表9 影响机制分析

（1）对于不同的空间权重矩阵，能源利用效率（ln_nyx）对本地二氧化碳排放的影响显著为负，这说明能源利用效率提升有助于促进本地二氧化碳减排。

（2）交互项（gr_nyX）系数也皆显著为负，即交互项对本地二氧化碳排放都表现出显著的抑制效应。由此可以认为，绿色信贷正是通过提升能源利用效率对二氧化碳排放产生了显著的抑制效应。

六、研究结论

尽管现有文献就绿色信贷对二氧化碳排放的影响展开了初步研究，但由于采用的是非空间计量方法而忽略了变量间的空间依赖性。为此，本文利用空间面板数据模型重新检验了绿色信贷对二氧化碳排放的影响。本文不仅检验了绿色信贷对本地二氧化碳排放的影响，而且还考察了绿色信贷对邻地二氧化碳排放的影响及传导机制，同时还避免了因忽略空间依赖性所带来的系数估计偏差问题。实证结果如下。

（1）各省份之间二氧化碳排放存在显著的空间依赖性。

（2）绿色信贷发展具有显著的“本地—邻地”二氧化碳减排效应。该结论意味着，本地绿色信贷发展不仅可以显著抑制本地二氧化碳排放，而且还可通过空间溢出效应对邻地二氧化碳排放产生显著的负向影响。基于多种方法的稳健性检验发现，上述结论依然成立，本文实证结果经受住了稳健性检验。

（3）绿色信贷的“本地—邻地”二氧化碳减排效应主要通过提升能源利用效率途径实现。即绿色信贷发展促进了能源利用效率提升，进而通过能源利用效率提升影响二氧化碳排放。本研究不仅提供了一个评价绿色信贷绩效的新视角，而且还为完善和实施绿色信贷政策提供了经验证据。

为有效应对我国当前面临的减排压力，推动“双碳”目标实现，结合本文研究结论，政府部门和金融机构在制定和实施绿色信贷政策时，应在以下方面进一步完善。

（1）进一步完善绿色金融基础设施建设和强化财政资金支持。本文研究表明，绿色信贷对本地二氧化碳排放有显著的抑制效应，绿色信贷发展有助于实现“双碳”目标，绿色信贷在促进我国经济低碳转型中应该可以发挥更积极的作用。但目前我国绿色金融领域仍存在一些基础性工作有待进一步完善。比如，绿色信贷标准、高质量数据以及信息披露等发展现状与实际需求仍存有差距，这制约了绿色信贷发展，不利于绿色信贷碳减排效应发挥。为此，有必要进一步完善绿色金融基础设施建设，为绿色信贷的有效开展提供技术支持和良好的市场环境。另外，绿色信贷的准公共产品特征决定其不仅具有商业属性，而且也具有社会公益属性。因此，伴随着绿色信贷政策的实施，有必要配套更多的财政资金支持，促进相关激励和约束政策出台与落实，以引导和督促银行、企业等积极践行绿色原则。

（2）重视绿色信贷的空间溢出效应，加强地区间绿色信贷的交流与合作。本文研究结论显示，绿色信贷对周边地区二氧化碳排放有显著的抑制效应。因此，在评价分析绿色信贷碳减排效果时，如果忽视这一空间溢出效应，将会低估绿色信贷作用效果，进而影响绿色信贷政策的优化实施。为此，我们有必要重视绿色信贷的空间溢出效应，同时加强地方间绿色信贷政策实施的协调。可以通过构建大数据平台，建立地方联合实施信贷原则，最大程度发挥绿色信贷的碳减排效应。

（3）加大对能效项目的绿色信贷支持。探讨绿色信贷“本地—邻地”碳排放效应传导机制时发现，绿色信贷主要通过提升能源利用效率的途径对本地和邻地二氧化碳排放产生抑制作用。为此，绿色信贷可以以能效项目为突破口，不断加大对能效项目的绿色信贷支持。所谓能效项目是对能源利用效率提升项目的简称。具体在操作层面，绿色信贷可有重点地向技术升级、工艺改造、新技术替代以及管理水平提升等领域进行投放。为控制信贷投放风险，一方面政府可以成立绿色信贷补偿基金，以分担金融机构潜在的信贷风险；另一方面，金融机构可以尝试创新性地引入一些损失分担融资模式，以规避或降低风险。通过强化对能效项目的信贷支持，畅通绿色信贷抑制碳排放的渠道，最终提升绿色信贷的碳减排效应。

（4）基于“双碳”目标的约束，强化货币与金融监管政策对绿色信贷投放的激励效应。考虑到目前我国绿色信贷规模总量在全世界比较靠前，而且仍处于逐年快速增加状态，我国金融管理部门可以设立和丰富专门支持绿色信贷投放的再贷款项目，为金融机构提供低成本和便捷的融资渠道。同时，金融监管部门还可以考虑将较低风险的绿色信贷资产纳入商业银行向央行借款的合格抵押品范围，降低绿色信贷资产的风险权重以释放更多绿色信贷资金。