绿色信贷、绿色技术进步与区域碳排放

于志慧 何昌磊

摘要：剖析绿色信贷、绿色技术进步对碳排放的影响机制，探讨绿色技术进步的中介效应，对于实现我国经济绿色高质量发展具有重要意义。基于29个省份2009—2019年的面板数据，以绿色全要素生产率为绿色技术进步的代理变量，运用双向固定效应模型、Sobel中介因子模型、面板门槛模型实证检验了绿色信贷、绿色技术进步对碳排放的影响效应。研究发现：绿色信贷对碳排放具有显著的抑制作用；绿色技术进步在绿色信贷对碳排放的影响中存在显著的中介效应；绿色信贷对碳排放的抑制作用在西部地区强于东部地区，中部地区效果不显著；绿色信贷的碳减排效应存在边际效应递减的非线性特征。

关键词：绿色信贷；碳排放；绿色技术进步；Sobel中介因子模型

中图分类号：F124.3；F832.4 文献标识码：A 文章编号：1673-5595（2023）06-0040-08

一、引言

传统经济发展模式所造成的环境污染已经超过很多地区的环境承载力阈值，生态环境保护与经济发展之间的矛盾日益突出，经濟社会可持续发展受到严峻挑战。2020年，习近平在第七十五届联合国大会一般性辩论上作出我国“碳达峰”“碳中和”承诺。2021年，我国中央经济工作会议强调，狠抓绿色低碳技术攻关，尽早实现碳排放总量与强度的“双控”。党的二十大报告进一步指出要推进生态优先、绿色低碳发展。金融发展是实现经济绿色发展的重要手段。［1］随着双碳战略的实施，绿色金融成为实现碳减排的新支柱。［2］《“十四五”节能减排综合工作方案》中明确提出，要健全绿色金融体系，大力发展绿色信贷。鉴于此，探讨绿色信贷的碳减排效应，对于实现经济绿色高质量发展具有重要意义。

既有研究中相关的文献主要有两类。一类是碳排放影响因素的相关研究。其中，数字经济、绿色投资和技术进步等因素对碳排放产生显著的抑制作用，城镇化、数字金融、人口密度和产业集聚等因素对碳排放的影响是非线性的，贸易出口会带来碳排放的增长。具体来讲，数字经济能够通过数字创新能力、数字产业发展和数字普惠金融改善城市碳排放［3］；技术进步在降低碳排放方面发挥着重要作用［4］；绿色投资可以降低短期和长期的碳排放水平［5］；而城镇化虽然会增加碳排放，但会通过清洁生产技术推广、人力资本积累［6］和产业结构升级［7］来抑制这一不利影响；数字金融对碳排放具有节能效应和增产效应，碳排放随着数字金融发展呈现先增加后减少的倒“U”型变化趋势［8］；人口密度和产业集聚对碳排放的影响呈“N”型［9］；一般贸易出口和加工贸易出口均会增加碳排放，但加工贸易出口增加的碳排放相对较小［10］。

另一类是绿色信贷对碳排放影响的相关研究。绿色信贷具有明显的投资抑制作用与融资惩罚作用，支持环境友好型产业发展。［11］部分学者以《绿色信贷指引》构造准自然实验，探究绿色信贷对碳排放的抑制作用［12-13］，或是从微观层面评估政策对企业环境信息披露质量［14］和企业绿色创新［15］的促进作用；也有学者利用利息支出数据直接探讨绿色信贷对碳排放的影响效应，如绿色信贷通过配置信贷资源、促进产业结构升级以及地区示范效应实现节能减排［16］，通过破坏性低碳创新减少碳排放［17］。

已有研究多侧重于直接探讨绿色信贷对碳排放的影响，鲜有文献将绿色信贷、绿色技术进步和碳排放纳入统一框架进行研究，而且绿色技术进步往往作为被评价对象，较少探析其在绿色信贷影响碳排放中的中介作用。绿色信贷是实现绿色发展的关键一环，结合绿色技术进步，探讨其对碳排放的影响机制，有利于丰富绿色信贷和碳减排相关领域的经验证据。鉴于此，本文在研究绿色信贷对碳排放影响的基础上，引入绿色技术进步作为中介变量，使用Sobel中介因子模型探究绿色技术进步的中介效应，并进一步考察绿色信贷对碳减排的区域异质性及边际效应递减的非线性特征。

二、理论机制及研究假设

（一）绿色信贷对碳排放的影响

绿色信贷对地区污染排放的影响，很大程度上取决于微观企业的策略性反应。［18］在资源优化方面，绿色信贷的实施可以为绿色产业和低碳产业提供更便利的融资环境，促进企业开展绿色创新活动、提升绿色技术水平以减少碳排放。同时，对于高污染企业而言，绿色信贷能够提高其融资成本，对其产生融资约束，抑制其在高污染领域的扩张，倒逼高污染企业进行产品升级、技术优化，引导其实现碳减排。［19-20］在信号传递方面，绿色信贷的实施向市场传递了绿色发展的信号，激励社会资本流向绿色企业，推动产业结构向绿色化、生态化发展。在资金保障方面，绿色信贷能够为企业提升技术水平和污染控制能力提供资金保障，且外源融资依赖度越高的企业，实现碳减排的效果越好。［21］

假设1：绿色信贷可以显著降低碳排放。

（二）绿色技术进步对碳排放的影响

绿色技术进步水平的提升带来更先进的环保和节能技术，刺激能源利用效率提高和要素利用率提升，降低能源消耗，进而减少碳排放［22-23］；节能减排的良好效果又能增加产出，最终使得生产部门实现良性循环［24］。绿色技术进步对碳排放的影响方式有两种：一种是从源头上提高能源利用效率，通过促进技术进步，引导企业绿色转型，在生产过程中减少碳排放；另一种是末端治理，提高碳捕集技术和存储技术，对已产生的二氧化碳进行处理，减少碳排放。［25］因此，绿色技术进步是促进碳减排绩效提升的主要动力。［26］

假设2：绿色技术进步水平的提升可以显著抑制碳排放。

（三）绿色信贷、绿色技术进步与碳排放

绿色技术进步具有长周期、高投入和高风险的特征，银行信贷对其的偏好性较差，因此企业在进行绿色创新时容易遭受信贷制约。绿色信贷对技术升级具有较高的边际效应［27］，能够通过激励技术创新、优化资源配置促进低碳技术的进步。一方面，绿色信贷有利于企业增加研发投入［28］，使得研发活动的产出成果增加、企业的技术水平整体提高，进而实现绿色技术进步水平的提升［29］；另一方面，绿色信贷规模扩大使得技术市场的成交额增加，促进技术市场的发展，最终促进绿色技术进步水平提升［30］。绿色技术进步是实现节能减排、低碳转型与生态可持续的关键所在。绿色信贷可以通过绿色技术进步产生显著的技术效应，影响碳排放规模和碳排放强度。［31］因此，绿色信贷可以通过增加企业的研发投入、刺激技术市场发展，促进绿色技术进步，最终实现节能减排。

假设3：绿色技术进步在绿色信贷的碳减排效应中发挥着中介作用。

三、研究设计

（一）模型设定

1.基准回归模型

由于不同省份的发展情况不同，可能存在不随时间变化的个体效应；且政策的颁布与执行随着时间变化，也可能存在不随个体变化的时间效应。因此，本文选取双向固定效应模型分析绿色信贷对碳排放的影响，构建基准估计模型为

ceiit=α0+α1lvit+δxit+μi+ηt+uit（1）

式中：i为省份，t为年份，被解释变量cei为省域碳排放水平，解释变量lv为绿色信贷水平，α1为绿色信贷对碳排放的影响程度，xit为控制变量，μi为省份固定效应，ηt为时间固定效应，uit为随机扰动项。

2.中介效应模型

为验证绿色信贷对碳排放的作用机制，本文引入绿色全要素生产率（gtfp）作为中介变量的衡量指标，以检验绿色信贷是否可以通过绿色技术进步影响碳排放。本文采用Baron等［32］提出的Sobel中介因子检验方法，来验证绿色技术进步的中介效应。

ceiit=β0+β1lvit+δ1xit+μi+ηt+uit（2）

gtfpit=γ0+γ1lvit+δ2xit+μi+ηt+uit（3）

ceiit=π0+π1lvit+π2gtfpit+δ3xit+μi+ηt+uit（4）

当式（2）回归系数β1、式（3）回归系数γ1和式（4）回归系数π1均显著，而式（4）回归系数π2不显著，且Sobel Z值统计上显著时，绿色技术进步具有完全中介效应；当式（2）回归系数β1、式（3）回归系数γ1、式（4）回归系数π1和π2均显著，但π1显著小于β1，且Sobel Z值统计上显著时，绿色技术进步具有部分中介效应。

（二）变量说明与测度

1.被解释变量

本文参考文书洋等［2］、刘锋等［33］的研究，以单位产出碳排放为被解释变量，用碳排放总量与地区GDP的比值来表示。与碳排放总量相比，这一衡量方式能够更好地消除经济规模对碳排放的影响。二氧化碳测算参考政府间气候变化专门委员会（IPCC）提出的方法，采用标准煤法，选取原煤、原油、柴油、焦炭、燃料油、汽油、液化石油气、煤油以及天然气9种化石能源，对碳排放总量进行测算。

式中：CO2it为第t年第i个省份的二氧化碳排放量，CO2itp为第t年第i个省份第p种化石能源的二氧化碳排放量，Eitp为第t年第i个省份第p种化石能源的实物消费量，Ap为第p种能源的碳元素折算系数，Bp为第p种能源的二氧化碳排放系数。

2.解释变量

绿色信贷主要有4种衡量方式：绿色信贷余额、节能环保贷款余额、工业污染治理投资来源中的银行贷款、非六大高能耗产业利息支出占比。［34］绿色信贷余额、节能环保贷款余额来源于《中国银行业社会责任报告》的全国层面数据，而工业污染投资治理来源中的银行贷款的数据在2010年后就不再统计，因此，考虑数据的完整性，本文选取第4种方式来衡量绿色信贷水平，即非六大高能耗产业利息支出占比（1-六大高能耗产业利息支出/工业产业利息总支出）①。

3.中介變量

参考弓媛媛等［30］的观点，采用绿色全要素生产率衡量绿色技术进步。同时，依据冯杰等［35］的方法构建投入指标与产出指标，通过超效率SBM模型的GML指数测算绿色全要素生产率。其中，投入要素包括劳动投入、资本投入和能源投入，分别使用各省份年末就业人员数、固定资本存量、能源消费总量来衡量；产出要素包括期望产出和非期望产出，以2008年为基期将名义GDP转换为实际GDP衡量期望产出，以工业废水中化学需氧量与工业废气中二氧化硫排放总量作为污染物排放要素衡量非期望产出。

由于超效率SBM模型可以比较效率值同为1的有效单元之间的效率高低，且GML指数可以解决线性规划无可行解的问题。因此，本文利用超效率SBM模型的GML指数测算绿色全要素生产率。具体分为如下3个步骤。

（1）全局生产技术集。参考Oh［36］提出的全局生产技术集，决策单元q（1，2，…，Q）在t（1，2，…，T）时期，投入C种要素Z=（z1，z2，…，zc）∈RC+，得到M种期望产出Y=（y1，y2，…，ym）∈RM+与N种非期望产出b=（b1，b2，…，bn）∈RN+，构建全局生产技术集为

（2）全局方向性SBM。借鉴王兵等［37］的处理方法得到全局方向性SBM。第t期决策单元的投入、期望产出和非期望产出要素的向量 （zt0，yt0，bt0）、方向向量（gz0，gy0，gb0）、松弛向量（szc，sym，sbn），其实际意义分别是投入要素冗余、期望产出不足、非期望产出超标。

（3）GML指数构建。借鉴Oh［36］、杨翔等［38］的方法，在全局方向性SBM的基础上，构建GML指数，精确测算绿色全要素生产率。

其中，若GMLt+1t>1，表明t+1期的绿色全要素生产率比t期上升；若GMLt+1t<1，表明t+1期的绿色全要素生产率比t期下滑；若GMLt+1t=1，表明在t→t+1期内，绿色全要素生产率保持不变。

4.控制变量

为降低遗漏变量的影响，借鉴吴姗姗［31］、陈向阳［39］的观点，选取产业结构、外商直接投资、信贷资金分配市场化指数、政府规模、人力资本水平、老龄化水平和城镇化水平作为控制变量。其中，产业结构（ind）采用第二产业增加值与GDP的比值来衡量；外商直接投资（fdi）采用外商直接投资额与GDP的比值衡量；信贷资金分配市场化指数（cfa）采用樊纲编制的《中国市场化指数》中的信贷市场分配的指数数据衡量；政府规模（gov）采用地方财政一般预算支出与GDP的比值衡量；人力资本水平（edu）采用普通高等学校在校学生数的对数衡量；老龄化水平（age）采用65岁及以上的老年人口数与总人口数的比值衡量；城镇化水平（urban）采用城镇人口数与总人口数的比值衡量。

（三）数据来源

囿于数据的可得性，本文选取全国29个省份（不含海南、西藏、香港、澳门和台湾）2009—2019年的相关数据进行分析，共获得319组数据。数据来源于《中国统计年鉴》《中国工业统计年鉴》《中国能源统计年鉴》、EPS数据库、CEADs数据库、中国市场化指数数据库等。部分缺失数据采用插值法与移动平均法进行补全。变量描述性统计结果如表1所示。

四、实证分析

（一）基准回归结果

本文使用Stata软件，采用双向固定效应模型确定绿色信贷对碳排放的影响，基准回归结果如表2所示。

首先考虑绿色信贷与碳排放的基准关系，表2列（1）未加入控制变量，绿色信贷的回归结果在1%的水平下显著为负，初步表明绿色信贷具有降低碳排放的效果。列（2）—列（4）为依次加入不同控制变量的回归结果，绿色信贷的估计系数均在1%的水平下显著为负，进一步表明绿色信贷能够有效抑制碳排放，验证了假设1。这一结论与张可等［16］的结论一致，绿色信贷能够发挥信贷资源配置作用，使资金流向节能环保企业，支持碳减排技术发展；同时也能发挥信号传递作用，引导资本流向绿色企业，促使市场主体绿色转型，最终实现碳减排的目标。

（二）中介效应分析

前文分析表明，绿色信贷可以有效降低碳排放。为考察绿色技术进步在其中的中介效应，本文利用Sobel中介因子模型进行中介效应检验。表3列（1）回归结果表明，解释变量绿色信贷对被解释变量碳排放存在显著的负向影响。列（2）和列（3）中引入绿色全要素生产率考察绿色技术进步的中介作用。列（2）结果表明，绿色信贷对绿色全要素生产率存在显著的正向作用，说明绿色信贷会通过绿色技术进步抑制碳排放，绿色信贷每增长1%，绿色技术进步水平就会提升1.139%。列（3）结果显示，加入中介变量后，绿色信贷的系数仍然显著，Sobel检验Z值在统计意义上显著，绿色技术进步在绿色信贷对碳排放的影响中存在显著的中介效应。由此可知，绿色技术进步水平的提升对碳排放起到抑制作用，假设2成立；且绿色技术进步在绿色信贷降低碳排放的过程中起到重要中介作用，假设3成立。

（三）稳健性检验

为检验绿色信贷对碳排放影响的基准回归结果是否可靠，需要對模型进行稳健性检验，本文采用以下5种方式进行检验。

1.替换解释变量

本文借鉴江红莉等［19］的研究，使用非六大高能耗产业利息支出的对数来衡量绿色信贷水平，以替换解释变量来进行稳健性检验，其中，非六大高能耗产业利息支出采用

工业利息总支出减六大高能耗企业利息支出的方式计算。从表4列（1）可知，绿色信贷的影响系数在1%的水平下显著为负，证实基准回归具有稳健性。

2.替换被解释变量

由于不同省份的人口数量有较大差别，本文参考董梅等［40］的研究方法，以人均碳排放替换单位产出碳排放来进行稳健性检验。从表4列（2）可知，绿色信贷系数在1%的水平下显著为负。绿色信贷对碳排放具有抑制作用，与基准回归结果基本相似。

3.剔除异常值

为排除异常值对基准回归结果的影响，本文对核心变量碳排放进行1%的 Winsorize 处理。从表4列（3）可知，绿色信贷对碳排放的抑制作用仍在1%的水平下显著，再次证明基本结论的稳健性。

4.内生性分析

绿色信贷与碳排放之间可能存在双向因果关系与不可观测的因素，这会导致内生性问题产生。因此，本文采用工具变量法进行内生性检验，选取绿色信贷的一阶滞后项作为工具变量，进行2SLS回归。从表4列（4）可知，绿色信贷对碳排放的影响与基准回归结果基本一致，表明考虑内生性问题后，绿色信贷对碳排放具有抑制作用的结论依旧稳健。

五、进一步分析

（一）区域异质性

基准回归结果表明，绿色信贷可以对碳排放产生抑制作用，为检验这一结论是否具有普适性，本文将全国29个省份划分为东部、中部和西部地区进行异质性分析②，结果如表6所示。加入控制变量后，除中部地区外，东部、西部地区绿色信贷对碳排放的影响均显著为负。西部地区绿色信贷对碳排放的抑制作用较大，东部地区较小，中部地区效果不显著。这可能是因为，西部地区囿于地理位置的影响，经济发展水平、技术发展水平等较为落后，但能够获得更多的政策倾斜，绿色信贷的开展能够更高效地提升企业绿色技术进步水平，改善当地的能源结构，因此绿色信贷在西部地区容易产生较强的碳减排效应；东部地区基础设施条件优越，经济发展水平较高，高能耗高污染企业比例相对较低，更依赖于第三产业的发展，且环境保护意识较强，因而东部地区绿色信贷开展的效果弱于西部地区；中部地区在经济金融发展方面落后于东部地区，在获取政府资源扶助方面又弱于西部地区，因此中部地区的绿色信贷碳减排效应仍处于“凹陷”的状态。

（二）门槛效应

基准回归模型可以考察绿色信贷的碳减排效应是否显著，由于中国各省份经济发展水平、资源禀赋存在差异，绿色信贷发展水平不尽相同，可能导致其对碳排放产生非线性影响。借鉴Hansen［41］的研究，以绿色信贷为门槛变量，构建面板门槛模型为

ceiit=φ0+φ1lvit×I（lvit≤θ）+φ2lvit×I（lvit>θ）+δxit+μi+ηt+uit（10）

首先利用自主法（Bootstrap）抽样1 000次进行面板门槛存在性检验，结果表明绿色信贷通过了三重门槛检验，因而设定门槛个数为3进行回归，结果如表7所示。当绿色信贷发展水平小于或等于0.288时，绿色信贷对碳排放的抑制作用不显著;但当绿色信贷水平大于0.288时，随着绿色信贷水平逐渐提高，绿色信贷对碳排放的抑制作用表现出边际效应递减的非线性特征。这表明绿色信贷对碳排放的抑制作用不是一蹴而就的，而是存在一定的发展期，只有绿色信贷发展水平跨越第一门槛值时才会对碳排放产生显著的抑制作用；而当绿色信贷发展水平跨越第二门槛值时，对碳排放的抑制作用会趋于常态；随着减排措施和生态保护机制更加完善，此时绿色信贷对碳排放虽然仍能起到抑制作用，但会呈现边际效应递减的趋势。

六、结论及建议

本文立足于绿色信贷发展极大地影响了碳排放这一典型事实，从绿色技术进步的视角切入，基于2009—2019年中国29个省份的面板数据，利用双向固定效应模型、中介效应模型和面板门槛模型，分析绿色信贷对碳排放的影响以及绿色技术进步的中介作用。研究得出如下结论。第一，绿色信贷对碳排放具有显著的抑制作用，并且经过一系列稳健性检验后，结论依然成立。由此可见，在双碳背景下，绿色信贷是碳减排可依赖的有效手段；但随着绿色信贷的开展，绿色信贷对碳排放的抑制作用呈现出边际效应递减的非线性变化趋势。第二，绿色技术进步在绿色信贷对碳排放的影响中，存在显著的中介效应，绿色技术进步是实现绿色信贷碳减排效应的有效渠道。第三，在区域异质性上，绿色信贷对碳排放的抑制作用在西部地区强于东部地区，而中部地区不显著，绿色信贷的碳减排效应仍处于区域不平衡状态。

基于上述结论，本文提出以下几点建议。第一，扩大绿色信贷投放规模。在保持发挥绿色信贷碳减排效应的前提下，应加大对金融机构开展绿色信贷的支持力度。通过制定税收优惠政策、增加风险补偿措施、加强市场监管、加大绿色信贷实验区的投入力度等方式，鼓励金融机构扩大绿色信贷规模，进一步释放绿色信贷的碳减排红利；同时，缩紧流向高污染、高能耗企业的资金，增加对绿色环保、节能低碳企业的资金支持，加快绿色产业发展，抑制碳排放。第二，提高地区绿色技术进步水平。金融机构通过推广多样化的绿色信贷产品、降低成本费用等手段，激发企业的绿色创新活力，提升绿色技术进步水平；此外，依据项目绿色资金投入比例、环境效益结果等评估手段，将更多的绿色技术项目纳入绿色信贷的支持范畴，进而增加对绿色技术创新的金融支持力度。第三，依据地区发展状况制定差异化的绿色信贷政策。在西部地区应继续大力推行绿色信贷，并完善现有的绿色信贷制度，持续发挥绿色信贷的碳减排效应；在中部地区，应增加财政转移支付、推进市场与政府合作、扩大绿色信贷覆盖面，使绿色信贷惠及更多企业，以缓解绿色信贷碳减排效应中部“凹陷”的问题；在经济较发达的东部地区，应合理调配绿色金融资源，增加环保技术创新投入、提高绿色技术进步水平，最大限度地发挥碳减排效应。此外，鼓励省域间跨地区合作，促进碳减排技术扩散，充分發挥地区间的辐射带动作用。

注释：

① 六大高能耗产业分别指：化学原料及化学制品制造业，有色金属冶炼和压延加工业，黑色金属冶炼和压延加工业，非金属矿物制品业，石油、煤炭及其他燃料加工业，电力、热力生产和供应业。

② 依据北京市宏观经济与社会发展基础数据库划分东、中、西部地区。东部地区：上海、北京、天津、山东、广东、广西、江苏、河北、浙江、福建、辽宁。中部地区：内蒙古、吉林、安徽、山西、江西、河南、湖北、湖南、黑龙江。西部地区：云南、四川、宁夏、新疆、甘肃、贵州、重庆、陕西、青海。

参考文献：

［1］ 严成樑，李涛，兰伟.金融发展、创新与二氧化碳排放［J］.金融研究，2016（1）：14-30.

［2］ 文书洋，史皓铭，郭健.一般均衡理论视角下绿色金融的减排效应研究：从模型构建到实证检验［J］.中国管理科学，2022，30（12）：173-184.

［3］ 徐维祥，周建平，刘程军.数字经济发展对城市碳排放影响的空间效应［J］.地理研究，2022，41（1）：111-129.

［4］ Zhang F， Deng X， Phillips F， et al. Impacts of Industrial Structure and Technical Progress on Carbon Emission Intensity： Evidence from 281 Cities in China［J］.Technological Forecasting and Social Change，2020，154：119949.

［5］ Li Z Z， Li R， Malik M Y， et al. Determinants of Carbon Emission in China： How Good is Green Investment？［J］.Sustainable Production and Consumption，2021，27：390-421.

［6］ 张腾飞，杨俊，盛鹏飞.城镇化对中国碳排放的影响及作用渠道［J］.中国人口·资源与环境，2016，26（2）：47-57.

［7］ Sun W， Huang C C. How Does Urbanization Affect Carbon Emission Efficiency？ Evidence from China［J］.Journal of Cleaner Production，2020，272：122828.

［8］ 范庆倩，封思贤.数字金融影响碳排放的作用机理及效果［J］.中国人口·资源与环境，2022，32（11）：70-82.

［9］ 何文举，张华峰，陈雄超，等.中国省域人口密度、产业集聚与碳排放的实证研究——基于集聚经济、拥挤效应及空间效应的视角［J］.南开经济研究，2019，206（2）：207-225.

［10］ 李永波，阴俊宇.不同出口贸易方式对碳排放增长影响的差异性研究［J］.中国石油大学学报（社会科学版），2022，38（4）：11-20.

［11］ 苏冬蔚，连莉莉.绿色信贷是否影响重污染企业的投融资行为？［J］.金融研究，2018，462（12）：123-137.

［12］ Chen Z G，Zhang Y Q，Wang H S，et al.Can Green Credit Policy Promote Low-carbon Technology  Innovation？［J］.Journal of Cleaner Production，2022，359：132061.

［13］ Zhang A X， Deng R R， Wu Y F. Does the Green Credit Policy Reduce the Carbon Emission Intensity of Heavily Polluting Industries？ Evidence from Chinas Industrial Sectors［J］.Journal of Environmental Management，2022，311：114815.

［14］ 刘亦文，阳超，周韶成，等.绿色信贷政策对企业环境信息披露的影响研究［J］.统计研究，2022，39（11）：73-87.

［15］ 王馨，王营.绿色信贷政策增进绿色创新研究［J］.管理世界，2021，37（6）：173-188.

［16］ 张可，李语晨，赵锦楸.绿色信贷促进了节能减排吗［J］.财经科学，2022，406（1）：15-30.

［17］ Lyu B，Da J Y，Ostic D，et al.How Does Green Credit Promote Carbon Reduction？ A Mediated Model［J］.Frontiers in Environmental Science，2022，10：878060.

［18］ 丁杰.绿色信贷政策、信贷资源配置与企业策略性反应［J］.经济评论，2019，218（4）：62-75.

［19］ 陈琪.中国绿色信贷政策落实了吗——基于“两高一剩”企业贷款规模和成本的分析［J］.当代财经，2019（3）：118-129.

［20］ 江红莉，王为东，王露，等.中国绿色金融发展的碳减排效果研究——以绿色信贷与绿色风投为例［J］.金融论坛，2020，25（11）：39-48.

［21］ Sun J，Wang F，Yin H T，et al.Money Talks：The Environment Impact of Chinas Green Credit Policy［J］.Policy Analysis and Management，2019，38（3）：653-680.

［22］ 孙欣，张可蒙.中国碳排放强度影响因素实证分析［J］.统计研究，2014，31（2）：61-67.

［23］ 李小胜，胡正陶，张娜，等.“十二五”时期中国碳排放全要素生产率及其影响因素研究［J］.南开经济研究，2018，203（5）：76-94.

［24］ 关海玲，武祯妮.地方环境规制与绿色全要素生产率提升——是技术进步还是技术效率变动？［J］.经济问题，2020，486（2）：118-129.

［25］ Li M Q，Wang Q.Will Technology Advances Alleviate Climate Change？ Dual Effects of Technology  Change on Aggregate Carbon Dioxide Emissions［J］.Energy for Sustainable Development，2017，41：61-68.

［26］ 邵帅，范美婷，杨莉莉.经济结构调整、绿色技术进步与中国低碳转型发展——基于总体技术前沿和空间溢出效应视角的经验考察［J］.管理世界，2022，38（2）：46-69.

［27］ 李江涛，黄海燕.绿色金融的生态环境效应——双碳目标下粤港澳大湾区的实践检验［J］.广东财经大学学报，2022，37（1）：87-95.

［28］ 何凌云，梁宵，杨晓蕾，等.绿色信贷能促进环保企业技术创新吗［J］.金融经济学研究，2019，34（5）：109-121.

［29］ 谢婷婷，刘锦华.绿色信贷如何影响中国绿色经济增长？［J］.中国人口·资源与环境，2019，29（9）：83-90.

［30］ 弓媛媛，刘章生.金融结构与绿色技术进步：理论模型、影响效应及作用机制［J］.经济经纬，2021，38（5）：151-160.

［31］ 吴姗姗.银行信贷如何影响碳排放？——基于增长模型及中國经验的研究［J］.中南财经政法大学学报，2018，231（6）：22-32.

［32］ Baron R M， Kenny D A.The Moderator-Mediator Variable Distinction in Social Psychological Research： Conceptual，Strategic，and Statistical Considerations［J］.Chapman and Hall，1986，51（6）：1173-1182.

［33］ 刘锋，黄苹，唐丹.绿色金融的碳减排效应及影响渠道研究［J］.金融经济学研究，2022，37（6）：144-158.

［34］ 郭威，曾新欣.绿色信贷提升工业绿色全要素生产率了吗？——基于空间Durbin模型的实证研究［J］.经济问题，2021，504（8）：44-55.

［35］ 冯杰，张世秋.基于DEA方法的我国省际绿色全要素生产率评估——不同模型选择的差异性探析［J］.北京大学学报（自然科学版），2017，53（1）：151-159.

［36］ Oh D.A Global Malmquist-Luenberger Productivity Index［J］.Journal of Productivity Analysis，2010，34：183-197

［37］ 王兵，吴延瑞，颜鹏飞.中国区域环境效率与环境全要素生产率增长［J］.经济研究，2010，45（5）：95-109.

［38］ 楊翔，李小平，周大川.中国制造业碳生产率的差异与收敛性研究［J］.数量经济技术经济研究，2015，32（12）：3-20.

［39］ 陈向阳.金融结构、技术创新与碳排放：兼论绿色金融体系发展［J］.广东社会科学，2020，204（4）：41-50.

［40］ 董梅，李存芳.低碳省区试点政策的净碳减排效应［J］.中国人口·资源与环境，2020，30（11）：63-74.

［41］ Hansen B E. Threshold Effects in Non-dynamic Panels： Estimation， Testing， and Inference［J］.Journal of Econometrics，1999，93（2）：345-368.

Green Credit， Green Technological Progress and Regional Carbon Emissions

YU Zhihui1， HE Changlei2

（1.School of Finance， Anhui University of Finance and Economics， Bengbu 233030， Anhui， China;

2.China Cooperative Research Institute， Anhui University of Finance and Economics， Bengbu 233030， Anhui， China）

Abstract： It is of great significance to analyze the influence mechanism of green credit and green technological progress on carbon emissions， and explore the mediating effect of green technological progress to realize the green and high-quality development of Chinas economy. Based on the panel data of 29 provinces from 2009 to 2019， the effects of green credit and green technological progress on carbon emissions are empirically examined using the two-way fixed effect model， the Sobel intermediary factor model， and the panel threshold model， with green total factor productivity as the proxy variable for green technological progress. It is found that： green credit has a significant inhibitory effect on carbon emissions; green technological progress has a significant mediating effect in the influence of green credit on carbon emissions; the inhibitory effect of green credit on carbon emissions is stronger in the western region than in the eastern region， while the effect is not significant in the central region; and there is a non-linear characteristic of diminishing marginal effect in the carbon emission reduction effect of green credit.

Key words： green credit; carbon emissions; green technological progress; Sobel intermediary factor model