“双碳”背景下绿色金融改革创新试验区的实证分析

罗婧

摘要：绿色金融逐渐成为绿色发展的引领者，在“碳达峰、碳中和”背景下，绿色金融的发展对改善城市环境污染有积极的作用。本文针对在一段时间内的城市面板数据，以中国人民银行等六部门印发《建设绿色金融改革创新试验区总体方案》为关键点，通过倾向性匹配——双重差分法对绿色金融改革创新政策的减污降碳作用进行实证分析。通过实证分析可知：与非试点的城市对比，绿色金融改革创新试验区政策出现了明显的减污降碳的效果，城市绿色技术的创新能力发挥着良好的中介效应。异质性分析发现：绿色金融改革创新试验区政策的减污降碳效应在东西部以及中部城市应用各有差异。

关键词：“双碳”；绿色金融；试验区

DOI：10.12433/zgkjtz.20232702

绿色金融改革创新试验区的政策为检验减污降碳作用奠定了基础，在绿色金融改革创新试验区不断扩大规模的基础上，通过实证分析该政策的减污降碳效果，有利于促进试验区的完善与改革；为新试验区政策的落实提供依据。目前，已有相关文献从理论和实证的角度确定了绿色金融改革创新试验区政策的应用效果：从理论角度分析，政策的应用形成了丰富的经验，这些成功的经验推广为绿色金融体系的构建和绿色低碳发展奠定了良好的基础；从实证角度分析，政策效果的评估对绿色发展和创新机制进行初步的研究。

一、研究设计方案和数据来源

（一）样本的选择及说明

2017年，中国人民银行、国家发展改革委等六部门印发《建设绿色金融改革创新试验区总体方案》，确定湖州市、衢州市；赣江新区；广州市；贵安新区；哈密市、昌吉州、克拉玛依市作为第一批试验场地，2019年新增兰州新区试验区，因获批的时间较晚，本文未针对兰州新区试验区进行研究。由于省外城市的干扰因素有很多，本文将五省中其余41个非试点城市作为对照组进行对比，一共采集了49个城市作为样本，采集样本的时间为2011年至2020年。2016年启动绿色金融改革创新试验区试点政策，2017年1月公布获取试点资格的地区，绿色金融改革创新试验区政策的减污降碳作用开始凸显，因此将2017年的数据为代表作为政策的实际数据是可行的。样本城市数据来源于《中国城市统计年鉴》，专利数据来源于国家知识产权局。

当前，减污降碳效应的数据包括单项指标、多项指标处理方法。例如，张世晓采用二氧化氮含量升降情况分析环境质量、袁详飞进行减污降碳效应监测的指标为排污量、能耗量、气候变化、生物多样性、资源重复利用率等。从绿色金融改革创新试验区政策的工具多样性以及政策应用目标来分析，不同维度的指标体系能够更加准确地监测减污降碳的效果。本文借鉴了袁详飞的设计理念，以代表性数据为基础，选择排污量、碳排放量作为检测绿色金融改革创新试验区政策减污降碳效果的主要指标。

（二）变量定义

各变量的具体说明见表1。具体变量包括被解释变量、核心解释变量、中介变量、控制变量四大类。

（三）构建模型

本文针对城市是否作为试点分为实验组和对照组，实验组为开展绿色金融改革创新试验区的城市，对照组则为非试点城市。通过PSM方法找到匹配组，然后匹配后的实验组和对照组实施DID评估，分析绿色金融改革创新试验区政策对减污降碳带来的影响。具体公式：

Poco2ct=β0+β1financect+β2postct+β3financect*postct+pXct+

λi+ft+εct                                                                                               模型1

其中，Poco2ct表示减污降碳效果；Xct表示控制变量；financect表示绿色金融改革创新试验区试点城市的虚拟变量，试点城市取1，否则取0；financect*postct表示时间虚拟变量，2017年之后取1，否则取0。交互项为八个试点城市后的虚拟变量，系数β3用于评估绿色金融改革创新试验区政策对减污降碳的净影响效果，若β3数据为正则表示效果显著，反之，β3结果为负，表示减污降碳效果不佳。为了验证中介效应，在上述公式的基础上构建模型2和模型3。

Tecct=β4+β5financect*postct+β6xct+λc+ft+εct 模型2

Pocoxt=β7+β8financect*postct+β9tecct+pXct+λi+ft+εct

模型3

其中，Tec属于中介变量，表现了城市绿色技术的创新水平，也是促进城市低碳循环发展的动力。

二、基础回归

（一）变量描述性分析

通过表2发现，绿色金融改革创新试验区政策实施前的试点城市的减污降碳指数与环境污染指数相比非试点省份更高，政策实施后试点城市环境污染水平也有一定的降低，与试点省份下降程度相比，试点城市的减污降碳指数下降程度更大，因此该政策充分发挥了减污降碳的作用。同时，从表格数据中发现，试点省份与非试点省份的人均城市生产总值、城市科技投入占比、城市绿色技术创新能力有明显的提高，不过城市教育水平、对外依存度明显降低，变量具体影响、各试点城市的政策效应也需要深入研究。

（二）双重差分检验

在没有加入控制变量时，核心解释变量finance*

post系数在1%的水平上为负数，慢慢加入控制变量后，核心解释变量finance*post系数为负数，因此表示绿色金融改革创新试验区政策发挥了减污降碳的作用。从整体控制变量来看，fdi回归系数为负数，引入外资也会带来先进的技术和系统，有利于改善城市环境。城市科技投入占比系数在1%的水平中显示为负数，政府对科技投入的增加能够减少环境污染，减少碳排放量。城市教育水平回归系数为负数，因此该地区的教育水平提高有利于促进绿色金融政策的落实，增强社会环保意识等。

（三）稳健性试验

第一，替换政策落实的年份。政策实施时间为2016年，通过PSM0-DID回归分析，结果见表3。发现2016年finance*post回归系数不显著，因此绿色金融试点政策具有减污降碳的效果，因此原模型的回归结果稳健性更好。第二，更换匹配方法。为了避免匹配方法选择带来结果差异的问题，就要将之前的核匹配方法更换为半径匹配法来进行检验，因此本文检验的稳健性较好。

表3  稳健性回归结果

VARIABLES （1） （2）

Poco2 Poco2

finance*post -0.013 -0.018

（0.009） （0.009）

Controls Yes Yes

Constant 0.123 0.259

（0.088） （0.159）

City Yes Yes

Year Yes Yes

Obseivations 471 299

R-squared 0.959 0.958

三、深入分析

（一）对机制的分析

中介效应模型的回归结果见表4。通过表中结果显示，β3=﹣0.025，1%的显著性明显降低，绿色金融改革创新试验区的减污降碳效果较好。β5=1.053，在1%显著性水平下效果显著，绿色金融改革创新试验区有利于提高城市中的绿色创新水平。β9和β8也具有显著的效果，表示存在中介效应，通过实验验证了绿色金融改革创新试验区具有减污降碳的作用。

表4  检验结果

VARIABLES （1） （2） （3）

Poco2 Tec Poco2

finance*post -0.024 1.299 -0.022

（0.008） （0.673） （0.008）

Controls Yes Yes Yes

Constant 0.105 23.778 0.143

（0.088） （8.592） （0.089）

City Yes Yes Yes

Year Yes Yes Yes

Obseivations 471 471 471

R-squared 0.959 0.841 0.960

Tec -0.002

（0.001）

（二）异质性检验

将本文研究的样本城市划分为中部、东部和西部三个地区。政策的应用在东部和中部地区产生的减污降碳效果较为突出，对西部地区的减污降碳效果不突出，这是因为东中部城市的金融体系建设较完善，企业获取融资的渠道更多，绿色金融的基础设施较完善，各金融机构之前的竞争力较高，因此东部和中部地区有更高的教育水平和科技投入，绿色金融发展更加迅速。

四、结语

绿色技术创新在提高绿色金融政策的减污降碳效果中发挥着积极的作用，一个城市的绿色技术创新能力越高，绿色金融政策的减污降碳能力就越强。从金融角度来看，绿色金融改革创新试验区政策要制定绿色技术创新的重要阶段的优化方案。

参考文献：

[1]邓金堂，鲁俐.“双碳”背景下绿色金融改革创新试验区的实证分析[J].中国商论，2023（07）：24-28.

[2]赵亚雄，王修华，刘锦华.绿色金融改革创新试验区效果评估——基于绿色经济效率视角[J].经济评论，2023（02）：122-138.

[3]谭显春，高瑾昕，曾桉，等.绿色金融改革创新试验区政策对碳排放的影响评估[J].气候变化研究进展，2023，

19（02）：213-226.