“双碳”战略下绿色金融对我国碳排放强度的影响研究

李朋林，张肖东

（西安科技大学 管理学院，陕西 西安 710600）

现阶段，我国经济发展已由高速增长模式向高质量及环境友好型发展模式转变，过去的粗放型经济增长模式所带来的高额碳排放问题被推上风口浪尖，根据国际能源署（IEA）公布的数据，2021 年我国二氧化碳排放量为105.23 亿吨，占全球二氧化碳总排放量的33%，在主要经济体中碳排放强度最高。在高排放压力下，我国已于2020 年提出“双碳”目标，低碳转型发展已成为共识。然而，实体经济的低碳化转型中涉及巨大的投资需求，不断供应的金融资源是实现经济低碳转型的根本保障[1]。传统金融并未充分考虑经济增长过程中出现的高排放高污染等问题，而绿色金融整合了金融系统与环保系统，旨在通过金融产品以及其衍生工具为环保项目或绿色企业提供低息贷款支持，从而提高相关企业竞争力，淘汰落后产能，降低碳排放强度。同时，我国产业转型升级、科技创新发展的实现并非一蹴而就，其过程也需要绿色金融的支持。由此可见，发展绿色金融是实现经济绿色、低碳、高质量发展中最为重要的途径之一，为此我国已出台了多项政策支持绿色金融的发展。2019 年10 月，党的十九届四中全会将“发展绿色金融”作为“实行最严格的生态环境保护制度”的重要组成部分；2021年1 月央行工作会议中的重点首次出现了“落实碳达峰碳中和重大决策部署，完善绿色金融政策框架和激励机制”[2]；2021 年3 月，中央财经委员会第九次会议再次提出要积极发展绿色金融。

“十四五”时期我国进入以降碳为重点，以减污降碳协同增效为主线，全面推进绿色低碳循环发展，持续推进生态环境质量改善的关键时期。在仅有的30 年碳达峰到碳中和缓冲期内，需要进一步通过积极改革与创新强化绿色金融作用，充分发挥其在落实“双碳”目标，协同推进经济高质量发展和生态环境高水平保护中的作用[3]。为此，政界、业界、学界展开了一系列研究，但目前关于绿色金融对碳减排影响的定性研究较多，定量化研究的深度与广度仍有不足，其中较少考虑绿色金融对碳减排的空间溢出规律，而碳排放强度是表征碳减排成效最重要的一个指标，因此本文将着重研究绿色金融对碳排放强度的影响以及空间溢出效应。此外，我国地域宽广，各省份在资源禀赋、经济结构等方面存在较大差异，碳排放强度的空间分布特征具有异质性，因而对我国东中西部地区碳排放强度空间分布动态加以分析，这对我国各地区有针对性地采取有效降低碳排放强度的措施和制定相对应的政策具有重要意义。

1 文献综述

绿色金融作为节能减排的重要推动力量，国内外关于其理论研究、实证分析以及政策实践等相关议题已经有了较为丰富的研究成果。首先，为了探析我国绿色金融体系建设的实践进展与理论问题，马俊[4]率先提出构建绿色金融体系的必要性和紧迫性，认为我国构建绿色金融体系不仅能够提升经济增长潜力、加速产业、能源及交通运输结构的绿色转型，而且有助于改善我国的财政可持续性及维护负责任大国的国际形象。有了这一理论基础，宏观层面上，王遥等[5]通过研究肯定了绿色金融的储蓄—投资机制及其产生的经济增长效应，严金强等[6]分析了绿色金融在绿色技术创新体系中的作用，为学界提供了新的思路；微观层面上，由于我国银企之间普遍因为信息不对称而产生期限错配问题，谢东江等[7]通过研究发现绿色金融能够通过缓解节能环保等绿色企业的期限错配来提升绿色全要素生产率，并且这一提升作用在低碳试点省市更为明显，而李善民[8]在绿色信贷供给不足问题上将金融监管部门与商业银行纳入演化博弈分析框架中推演二者参与化解传统信贷困局的演化路径与策略选择，得出一套稳定的针对性策略；区域层面上，我国地域宽广且区域差异较大，绿色金融也存在明显的区域分异状况，因此，赋予绿色金融以“空间”含义、探索绿色金融的区域特征，自然就具有了重要的政策意义和实际操作价值[9]。魏丽莉等[10]分析比较了我国西北五省区绿色金融与产业结构之间的耦合协调度，并建议金融的绿色化改革应因地制宜适配各地区产业结构。祁芳梅等[11]通过对长江经济带上中下游不同区域研究发现，绿色金融不仅促进本地区经济高质量发展而且对周边区域有着正向的空间溢出效应。

除此之外，关于绿色金融对碳减排的实证研究也逐步深入。文书洋等[12]通过构建带有碳排放约束并内生减排技术进步的一般均衡模型，从理论与实证两个维度论证了绿色金融在一个最优规模时能够通过支持碳减排技术的进步促进碳减排，这与LI 等[13]认为低碳技术的创新在绿色金融在低碳经济转型中具有中介效应的结论一致。江红莉等[14]则以绿色信贷和绿色风投为绿色金融的代表，从整体和分组两方面研究绿色金融的碳减排效果，发现由于二者规模程度的差异，绿色信贷对碳减排的作用强度高于绿色风投。而在研究绿色金融与非化石能源消耗及碳强度之间关系时，XUE 等[15]发现绿色金融发展水平的提升以及非化石能源使用的增加在长期内均有助于碳强度的降低。郭希宇[16]考察了绿色金融与低碳经济的内生交互影响和空间溢出效应，认为绿色金融与低碳经济存在双向促进作用，同时发现绿色金融跨地区对其他地区绿色金融发展产生挤出作用。此外，CHEN 等[17]运用空间计量的方法分析发现碳排放具有很强的时空依赖性，这表明我国各区域范围内的碳减排措施已形成了协同效应。

随着绿色金融政策的不断出台，以绿色金融政策为探讨中心的研究逐步增加。通过梳理我国绿色金融政策的制度变迁，牛海鹏等[18]以绿色信贷政策为例，认为我国绿色金融政策应强化对绿色企业以及高排放高污染企业的政策差异化。王艳丽等[19]从企业金融资源配置视角出发，发现绿色金融政策在改善企业投资不足倾向下又抑制了重污染企业的过度投资动机，从微观层面验证了绿色金融政策的有效性。在节能减排方面，高原等[1]研究发现绿色金融改革政策通过推动绿色技术创新水平的进步以及降低能源强度发挥出显著的碳减排效应且逐年递增，但同时也发现绿色金融改革政策未发挥多污染物减排协同效应，这为该领域研究提供了一个新的思路。

现有文献为本文提供了有价值的借鉴与参考，综合已有文献，本文的边际贡献有：第一，在绿色金融水平的测度上，通过基于加速遗传算法的投影寻踪模型测算替代熵值法等传统方法，其赋权与测度结果更加全面客观；第二，关于绿色金融与碳排放强度的关系，现有研究较为稀少，故本文运用空间计量方法探讨绿色金融对我国碳排放强度的影响以及空间溢出效应；第三，鉴于各省份资源禀赋等因素差异较大，现有文献很少考虑碳排放区域异质性问题，本文采用高斯核密度估计方法绘制全国以及东中西三大区域的核密度估计图来分析碳排放强度的空间分布动态情况，从而因地制宜针对不同区域制定出科学合理的减排政策。

2 研究设计

本研究设计思路首先是通过基于加速遗传算法的投影寻踪模型赋予绿色金融指标体系下各指标的权重，从而确定出核心解释变量绿色金融水平，并通过各数据库与各统计年鉴搜集研究所需要的被解释变量及各控制变量的相关数据。再对被解释变量碳排放强度进行空间自相关检验，根据空间计量模型的不同形式设立出空间杜宾、空间滞后、空间误差三种计量模型，利用Stata 17对不同模型进行筛选，确定最终适合本研究的效应模型进行回归分析并加以稳健性检验。最后运用核密度估计图刻画出我国及三大区域在考察期内碳排放强度的空间分布动态特征，从而得出结论并予以相关政策建议。

2.1 绿色金融水平的测度

借鉴蔡强等[20]关于绿色金融水平指标体系的构建，本文选用绿色信贷、绿色证券、绿色投资、绿色保险四个二级指标综合测度绿色金融发展水平。以高耗能工业利息占比作为绿色信贷的三级指标，以高耗能行业市值占比作为绿色证券的三级指标，以节能环保支出和环境污染治理作为绿色投资三级指标的两个方面，以农业保险规模和农业保险赔付率作为绿色保险三级指标的两个方面，运用投影寻踪法对上述6 个基本指标进行赋权并测度绿色金融水平。

投影寻踪法是由美国科学家KRUSCAL 在20 世纪70 年代提出的一种新兴统计方法，主要用来分析处理非正态和非线性的高维复杂数据。其工作原理是先将较难反映数据结构特征的高维数据通过计量软件组合投影到低维子空间上，再通过建立投影目标函数、设定约束条件找出目标函数最大化的投影方向向量，从而依据低维空间上的投影方向向量分析高维复杂数据的结构特征[21]。此方法相较于熵值法等传统测度方法能够最大限度减少绿色金融各指标原始数据信息的损失，具有稳健性、抗干扰性和准确度高等优点，并且对绿色金融指标体系中各指标赋权结果更加准确、全面和客观。基于加速遗传算法的投影寻踪模型赋权与测算步骤如下。

2.1.1 指标数据的归一化处理

为了消除由于量纲不同对数据产生的影响，我们对样本数据进行归一化处理。设指标值{x(p,q)|p=1, 2, ...,m;q=1, 2, ...,n}，其中x(p,q)为第p个省份的第q个指标；m、n分别为样本和指标的个数。这里参考邓楚雄等[22]的做法进行极值归一化处理：

式（1）、（2）中：Xmax(q)、Xmin(q)分别表示第q项指标的最大值、最小值。正向指标表示指标值越大越好，负向指标反之。

2.1.2 构造投影目标函数

将t维数据{x(p,q)|q=1, 2, ...,t}(本文绿色金融指标体系中包含6 项指标，即t=6)合成以a=(a1,a2, …,an)为投影方向的一维投影值Gp。即：

定义绿色金融水平投影目标函数为：

2.1.3 求解投影目标函数

在各指标数据给定时，绿色金融水平投影目标函数Q(α)仅取决于投影方向α，其中最佳的投影方向就是最有可能暴露高维复杂数据特征结构的投影方向。寻找最优投影方向可以转化为以下优化问题：

2.1.4 指标赋权与测度

本文运用加速遗传算法克服传统优化函数计算上不足的缺点，通过Matlab 2021a 对上述步骤进行完整的运行，其中参数设置为：种群规模为400，交叉概率和变异概率分别为0.8 和0.2，优化变量数即指标个数为6，变异方向所需的随机数为10，加速次数为7 次，两代进化后加速一次的限制数为2，通过运行程序1 000 次，得到1 000 个投影方向和1 000 个目标函数值，再由降序排列得到最大的目标函数值，此目标函数值对应的即为最优投影方向，最终测算出6 个指标的权重分别为0.587 0、0.675 9、0.116 4、0.055 6、0.348 1、0.246 7，各指标权重的平方和为1。将上述各权重带入式（3），即可得到各省份在2010—2019 年的绿色金融水平Gp。

2.2 变量选取与数据说明

2.2.1 被解释变量

碳排放强度（CI）作为被解释变量，用单位GDP 的二氧化碳排放量来表示。与碳排放总量、平均碳排放这两类指标相比较，碳排放强度在不同经济规模的样本更具可比性。本文碳排放强度数据采用中国碳核算数据库（CEADs）公布的各省基于表观排放量核算法得出的二氧化碳排放量除以国家统计局公布的各省生产总值。

2.2.2 核心解释变量

绿色金融水平（GF）作为核心解释变量，其赋权与测度在上文已说明，此处不再赘述。本文绿色金融水平指标体系如表1 所示。其中绿色信贷和绿色证券数据来源于Wind 数据库、国泰安（CSMAR）数据库及各省份统计年鉴；绿色投资数据来源于国家统计局公布的《中国统计年鉴》、中经网统计数据库；绿色保险相关数据来源于《中国保险年鉴》、中经网统计数据库。个别数据缺失通过插值法、类推法进行填补。

表1 绿色金融水平指标体系

2.2.3 控制变量

能源消费结构（ES）。煤炭是我国的主要消费能源，也是二氧化碳排放的主要来源，我国煤炭消耗占总能耗的比重年均超过60%，因此，选用煤炭消耗量占总能源消费的比例衡量能源消费结构，数据来源于《中国能源统计年鉴》。

技术创新（R&D）。技术创新有利于节能减排技术的革新，从而有效抑制碳排放强度，此处用研究与试验发展经费投入强度来衡量，数据由EPS DATA 整理中国科技部、国家统计局公布的相关数据得到。

工业污染治理水平（GI）。碳排放强度的变化与工业污染治理水平相关，本文采用该领域研究的通行做法，控制工业污染治理投资总额的对数（lnGI），数据来源于《中国统计年鉴》。

经济发展水平（RGDP）。为缓解异方差性，用人均GDP 的自然对数（lnRGDP）作为控制变量，表示地区经济发展程度，数据来源于国家统计局。

教育程度（EDU）。随着我国人口素质的不断提升，环保意识逐渐增强，进一步影响碳减排水平，使用教育经费投入占GDP 比重作为控制变量，数据来源于国家统计局。

2.3 变量描述性统计

各变量描述性统计如表2 所示，同时对各变量进行了方差膨胀因子（VIF）检验，结果均远小于10，表明各变量不存在严重的多重共线性。

表2 变量描述性统计

2.4 模型设定

根据空间面板计量模型主要类型，不仅要考虑本地区绿色金融水平、技术、能源消费结构等因素对碳排放强度的影响，也要考虑邻近省份各变量对本地区的影响。因此，本文首先构建空间杜宾面板模型（SDM）：

式中：CIit、GFit、Xit分别表示省份i在t时期的碳排放强度、绿色金融水平以及各控制变量。βi是回归系数，ρ表示碳排放强度空间滞后项的系数，αi是绿色金融水平及控制变量空间滞后项的系数，εit表示随机扰动项。Wij是空间权重矩阵，本文使用空间地理权重矩阵，具体定义如下：其中，dij表示各省域间省会的球面距离。

就我国不同省份而言，一省的碳排放强度变化会受到邻近省域碳排放强度水平的影响，因此构建空间滞后模型（SLM）：

影响碳排放强度的因素诸多，除本文选取的、能源消费结构、人口规模等因素外，可能还会受到如地理位置、资源禀赋、环境状况、产业结构等因素的影响，因此构建空间误差模型（SEM）：

3 实证研究

3.1 空间相关性检验

3.1.1 全局空间相关性检验

为考察地区之间碳排放强度的总体相关程度，采用global Moran’s I 指数即全局Moran’s I 指数对全局空间相关性进行测度，计算公式如下：

全局Moran’s I 指数用于测度区域间碳排放强度总体相关程度。式（9）中，n表示我国30 个省份（西藏及港澳台地区除外，下同），Wij为空间地理权重矩阵，x和为各省份碳排放强度及其均值，s2为方差。全局Moran’s I 的取值范围是[-1, 1]，大于0 表示空间正相关，即碳排放强度高的地区与一个或者多个碳排放强度高值区接壤，或者碳排放强度低的地区与一个或者多个碳排放强度低值区接壤。反之当其小于0，表示空间负相关，即碳排放强度低值区被一个或多个高值区包围，或者高值区被一个或者多个低值区包围。

2010—2019 年我国30 个省份碳排放强度的全局Moran’s I 指数值如表3 所示。由表3 可以看出，Moran’s I 指数均为正，且通过1%的显著性水平检验，表明我国碳排放强度分布呈现出高—高集聚和低—低集聚的空间分布格局；在2010—2019 年，Moran’s I 指数值总体稳定，表明空间正相关的区域特征较为稳定。

表3 2010—2019年我国30个省份碳排放强度的全局Moran’s I统计指标

3.1.2 局部空间相关性检验

尽管全局Moran’s I 指数反映了我国碳排放强度整体的空间分布特征，但局部地区的非典型空间特征也不容忽视，因此引入局域空间相关性指标（LISA）进行测度，观测局部地区碳排放强度的空间相关性[23]。其计算公式为：

式中：local Moran’sI测度的是i区域与相邻区域碳排放强度的相关程度，x、n、Wij、s2的含义同式（9）。local Moran’sI大于0，表示i省份与周围省域的碳排放强度呈现空间正相关，即存在相似碳排放强度的地区集聚现象；反之小于0，表示i省份与周围省域的碳排放强度呈现空间负相关，即存在相异碳排放强度的地区集聚现象。

本文分别制作了2010 年和2019 年我国30 个省份的碳排放强度local Moran’s I 散点图，如图1、图2 所示，两幅图均以碳排放强度平均值为原点，横坐标表示标准化后的碳排放强度，纵坐标表示空间加权后的碳排放强度，编号1 ～30 分别表示30 个不同省份。第一、第三象限分别表示省域之间高—高集聚的正相关和低—低集聚的正相关，第二、第四象限的省份为非典型观测区。结果显示，绝大部分省份均落在典型观测区域，再次证明了碳排放强度空间正相关。

图1 2010年CI局部Moran散点图

图2 2019年CI局部Moran散点图

3.2 模型选择检验

首先通过LM 检验选择空间计量模型的具体类型，由表4 可知，LM-Error、LM-Lag、Robust、LM-Error和Robust LM-Lag 统计量均通过了1%的显著性水平检验，表明SLM 模型与SEM 模型均适用，因此我们选择更为全面的SDM 模型来进行实证分析。进一步通过LR检验，其统计量在1%显著性水平拒绝SDM 模型会退化成SLM 或SEM 模型的原假设，再次确定选择SDM模型。同时由Hausman 检验结果显示，应选择固定效应模型，由于研究时间跨度相对较长，受时间因素影响较大，因此本文最终确定选择时间固定效应的空间杜宾模型来进行实证研究。

表4 模型选择检验

3.3 回归分析

本文运用Stata 17 对基于时间固定效应的空间杜宾模型进行参数估计，估计结果如表5 所示。

从核心解释变量（GF）来看，绿色金融对碳排放强度的系数为-0.008 9，通过了10%的显著性水平检验，表明随着绿色金融的发展，碳排放强度能够得到有效的抑制。同时，绿色金融的空间滞后项系数-0.293 1 在1%水平下显著为负，这意味着绿色金融对碳排放强度具有显著的空间传导作用，即在相邻近的省份之间表现出显著的负向空间溢出效应。本省域绿色金融水平的提高，能够引导资金进入本省及周边地区绿色产业，有效降低其融资成本，有利于扩大绿色企业的规模和数量，进一步降低高耗能、高排放产业的比重，从而显著降低本省及周边省份的碳排放强度，促进其碳减排工作。这表明我国各省份之间绿色金融发展相互促进碳减排的格局正在逐步形成。

从各控制变量来看，能源消费结构的主回归及空间滞后项估计系数均在1%的水平上显著为正，这意味着通过降低煤炭消费在能源总消费中的比例有利于降低本省及周边地区碳排放强度，然而煤炭消耗是二氧化碳排放的主要来源，我国以煤炭消费为主的能源消费结构仍然是降低碳排放强度的最大瓶颈；技术创新水平系数不仅在主回归上显著为负，其空间滞后项系数也显著为负，表明技术创新水平的进步能够降低本省以及周边省域的碳排放强度，尤其是随着低碳技术水平的发展，开发绿色技术来进行生产活动受到了众多企业的关注，从而促进企业生产的绿色化和低碳化；经济发展水平对碳排放强度直接影响是显著为负的，这说明随着地区经济发展水平的提高，在发展的同时也注重环境质量的改善，从而促进碳减排工作的开展。此外，其空间溢出效应不显著，表明周边地区经济增长对本地区碳强度的影响不明显；工业治理投资和教育程度对碳强度的影响均显著为正，这可能是因为经济更发达的地区给予污染治理和教育的投资更多，但经济发展水平高的地区人口密集，产业集中，能源消耗更大，从而在一定程度上增加了碳排放强度，然而教育的空间滞后项系数显著为负，即周边省份教育水平的提高有利于降低本省碳排放强度。这说明随着周边地区受教育程度的提高，人们的环保意识，人口素质均得到有效提升，对本地区市民产生潜移默化的影响，增强其绿色出行、节能减排意识，进一步地降低本地区碳排放强度。

此外，本文进行绿色金融及其他控制变量对碳排放强度影响的空间效应分解，其估计结果如表6 所示，除了直接效应无论是间接效应还是总效应，绿色金融对碳强度影响的弹性系数均在1%水平上显著为负，再一次证实了绿色金融不仅对本地区碳排放强度有影响，还存在着显著的负向空间溢出效应。究其原因，可能是绿色金融在初始发展阶段上需要政府带头出台相关政策来主导，在国家节能减排的大方针下，各地区政府在减排降碳之间存在着一定的竞争效应，因此在一定程度上一个区域绿色金融的发展会对本地及周边地区产生正的外部性，从而在区域之间形成良性循环。此外，对高碳排放、高污染企业的融资限制也倒逼其减少碳排放，寻求转型发展，同时，这种“警示效应”对周边地区企业的转型升级与节能减排也有着深远的影响。另外，其余各控制变量直接效应与总效应与主回归估计结果总体上结论一致。

表6 绿色金融对碳排放强度影响的空间效应分解

3.4 碳排放强度空间分布动态分析

为进一步分析我国不同区域在研究期内碳排放强度的动态演进及内部差异，采用核密度估计方法进行分析。核密度估计是一种采用平滑的峰值函数拟合样本数据，利用连续的概率密度曲线描述变量动态演进的一种非参数估计方法，能够有效捕捉到数据分布的客观实际[24]。随机变量X在点x的概率密度公式为：

式中：n为样本观测值个数；Xi为独立同分布的观测值；为均值；h为带宽。为不失一般性，本文选择较为常用的高斯核函数进行分布动态研究，其表达式如下：

本文运用Matlab2021a 绘制了全国以及东部、中部、西部三大区域①根据国家统计局分类的三大地区为：东部地区，包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南；中部地区，包括山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南；西部地区，包括内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆。2010—2019 年碳排放强度的核密度估计图，如图3 所示。首先，图3（a）为全国区域内碳排放强度核密度估计图。从分布位置来看，考察期内全国范围总体碳强度分布曲线主峰处于较低水平的位置，相对较高水平位置存在两个侧峰，说明大多数省份碳排放强度较低，有个别省份碳强度水平较高，但无论是主峰还是侧峰都存在逐渐左移的趋势，表明我国总体碳排放强度不断降低；从分布态势来看，主峰峰值不断增加且宽度变窄，说明在主峰聚集的省份增多，各省份碳强度水平差距有缩小的趋势；从分布延展性来看，分布曲线表现出较为明显的右拖尾现象且延展性变窄，表明有部分省份碳排放强度仍高于全国平均水平，但这种差距在逐年缩小；从极化趋势来看，分布曲线呈现较为明显的“单峰”，不存在多极分化特征，但仍然存在峰值较低的侧峰。自从党的十八大以来，绿色环保、节能减排理念的逐步深入引导着相关政策的实施，尽管由于部分省份资源禀赋、产业结构的差异导致碳强度仍然处于较高水平，但我国碳排放强度整体上呈现出逐步降低的趋势，在实现“双碳”目标进程中迈出了重要的一步。

图3 全国及东部、中部、西部区域碳排放强度核密度估计图

图3 （b）为东部地区碳排放强度核密度估计图，其分布曲线呈现出明显的“单峰”状且峰值逐年增加，曲线整体逐渐左移、宽度变窄，表明我国东部地区碳排放强度整体上处于较低的水平，并且各省之间碳强度水平差距逐渐缩小。东部地区为我国经济较发达的地区，其在经济发展中不断将能源密集型产业转移到中西部地区，由于产业关联效应及行业间外部性的刺激，转出产业的相关产业也会共同迁移，从而产生正的外部性，随着高碳排放、高污染企业的转出，带动地区碳强度的降低。

图3（c）为中部地区碳排放强度核密度估计图，其分布曲线包含了主峰和侧峰，主峰峰值不断增加且宽度逐渐变窄，整体左移并存在一定的右拖尾现象，表明中部地区整体碳排放强度相对较低，但是省份之间仍有一定的差距。通过控制省份发现，侧峰的出现源于山西省，其中在2013 年出现断档，究其原因，在“十二五”期间，山西省不断加大现代化矿井建设力度，煤炭开采能力大幅提高，尤其通过实施煤炭资源整合与企业兼并重组，山西煤炭走上集约化发展道路[25]。2013 年，其原煤产量大幅提高，相对应的二氧化碳排放量也随之增大。侧峰自2013 年之后也呈现出左移的趋势，表明山西省碳强度虽然仍处于较高水平但也在逐年降低。

图3（d）为西部地区碳排放强度核密度估计图，其分布曲线呈现出“多极化”特征，双主峰及侧峰整体上有左移趋势且峰值逐年增大，各峰值之间存在一定的落差，曲线呈现出右拖尾现象且延展性逐年变窄，表明西部地区整体碳排放强度逐年降低，然而各省份之间碳强度水平还存在一定的差异，高排放省份仍有不少。这是因为西部地区大部分省份煤炭等化石燃料资源丰富，成了地区经济发展的主要依靠，加上东部地区转移过来高耗能高排放企业，使得地区产业结构与工业结构失衡，从而拥有着相对于其他地区较高的碳强度水平。随着国家政策方针的指引，西部地区总体碳排放强度水平不断降低逐渐向全国平均水平靠拢。

3.5 稳健性检验

为进一步检验空间回归结果的可靠性，本文用替换核心变量及更换空间权重矩阵的方法进行稳健性检验。由于绿色信贷在绿色金融中所占比重较高，因此用绿色信贷（GC）替代式（6）中的绿色金融（GF），并且将空间地理权重矩阵更换为更为普遍的空间邻接权重矩阵，估计结果具体参数值的大小略有波动，总体上与表5 中的回归结果参数高度吻合，如表7 所示。

表7 稳健性检验

4 结论与建议

为了顺利实现“碳达峰、碳中和”目标，降低碳排放强度迫在眉睫。系统研究绿色金融对我国碳排放强度的影响以及把握各区域碳排放强度的核心驱动力具有重要的理论意义和现实价值。通过以上研究，得出以下结论。

（1）绿色金融对碳排放强度有着显著的负向影响以及空间溢出效应。绿色金融水平的提升不仅能够通过引导资金进入本地区绿色产业，有效降低其融资成本，进一步扩大绿色企业的规模和数量，从而有效地降低本地区碳排放强度，而且对周边地区碳排放强度水平具有显著的抑制作用。这意味着我国各省份之间绿色金融发展相互促进碳减排的格局正在逐步形成。

（2）能源消费结构的优化与技术进步能够显著地降低碳排放强度。低碳技术水平的进步及以煤炭消耗为主的能源消费结构的优化不仅有助于降低本地区碳排放强度，其对周边地区碳强度也有着制约作用。此外，经济发展水平的提高、人们受教育程度的增强，环保意识的提升均不同程度上促进了碳强度的降低。

（3）我国碳排放强度时空分布具有差异性。其中，东部地区碳强度整体水平较低，中部地区除个别省份较高，其他省份整体碳强度相对较低，西部地区由于资源禀赋、产业结构等相较于中东部地区有较大差异，所以其碳排放强度相对较高，但三大区域以及全国整体碳强度水平在考察期内逐年降低。

基于以上研究结论，本文提出以下建议：

（1）建立健全绿色金融政策发展体系与绿色金融市场体系。政府应不断推进与社会资本的合作进程，加强绿色金融试点地区的政策支持力度，通过财政补贴等形式对合规的绿色信贷、绿色债券、保险等项目进行奖补，满足其投融资需求，进一步提高市场整体竞争力。

（2）协调绿色金融领域与各领域之间共同发展，促进绿色金融产品多样化。提高绿色金融与其他金融供给的协同性有助于促进绿色金融重点发展领域内的合作，打造例如科技金融、普惠金融、供应链金融等“绿色+”金融体系[26]。同时引导资本注入绿色金融领域，不断丰富发展绿色信贷、绿色风投、绿色债券、绿色基金等绿色金融产品。

（3）提高绿色低碳技术水平的创新与发展，健全绿色技术知识产权管理保护机制。在“碳中和”目标的驱动下，我国新能源、数字经济等新兴产业将不断转型升级，而绿色低碳技术的发展将在这个过程中发挥出重大的作用。

（4）增强对非化石能源行业的支持，调整优化能源消费结构。在“双碳”目标大背景下，应严格控制煤炭等化石能源的消耗，大力推进新能源产业的应用与发展，这在新一轮能源革命及科技产业革命中意义重大，是降碳减排的重要源动力。

（5）针对我国不同区域之间碳排放强度的差异，在中西部高碳排放强度集聚区，地方政府应科学、合理规划承接高耗能高排放产业的转入，降低其所带来的负外部性影响，加快清洁能源建设，稳步推进节能减排进程。在东部低碳排放强度集聚区，应进一步提高人口素质，增强低碳环保意识，并优化完善公共交通系统，提高公共交通工具的利用率，减少高人口规模对碳排放带来的负面影响。