“雙碳”戰略下綠色金融對我國碳排放強度的影響研究

李朋林，張肖東

（西安科技大學 管理學院，陜西 西安 710600）

現階段，我國經濟發展已由高速增長模式向高質量及環境友好型發展模式轉變，過去的粗放型經濟增長模式所帶來的高額碳排放問題被推上風口浪尖，根據國際能源署（IEA）公布的數據，2021 年我國二氧化碳排放量為105.23 億噸，占全球二氧化碳總排放量的33%，在主要經濟體中碳排放強度最高。在高排放壓力下，我國已于2020 年提出“雙碳”目標，低碳轉型發展已成為共識。然而，實體經濟的低碳化轉型中涉及巨大的投資需求，不斷供應的金融資源是實現經濟低碳轉型的根本保障[1]。傳統金融并未充分考慮經濟增長過程中出現的高排放高污染等問題，而綠色金融整合了金融系統與環保系統，旨在通過金融產品以及其衍生工具為環保項目或綠色企業提供低息貸款支持，從而提高相關企業競爭力，淘汰落后產能，降低碳排放強度。同時，我國產業轉型升級、科技創新發展的實現并非一蹴而就，其過程也需要綠色金融的支持。由此可見，發展綠色金融是實現經濟綠色、低碳、高質量發展中最為重要的途徑之一，為此我國已出臺了多項政策支持綠色金融的發展。2019 年10 月，黨的十九屆四中全會將“發展綠色金融”作為“實行最嚴格的生態環境保護制度”的重要組成部分；2021年1 月央行工作會議中的重點首次出現了“落實碳達峰碳中和重大決策部署，完善綠色金融政策框架和激勵機制”[2]；2021 年3 月，中央財經委員會第九次會議再次提出要積極發展綠色金融。

“十四五”時期我國進入以降碳為重點，以減污降碳協同增效為主線，全面推進綠色低碳循環發展，持續推進生態環境質量改善的關鍵時期。在僅有的30 年碳達峰到碳中和緩沖期內，需要進一步通過積極改革與創新強化綠色金融作用，充分發揮其在落實“雙碳”目標，協同推進經濟高質量發展和生態環境高水平保護中的作用[3]。為此，政界、業界、學界展開了一系列研究，但目前關于綠色金融對碳減排影響的定性研究較多，定量化研究的深度與廣度仍有不足，其中較少考慮綠色金融對碳減排的空間溢出規律，而碳排放強度是表征碳減排成效最重要的一個指標，因此本文將著重研究綠色金融對碳排放強度的影響以及空間溢出效應。此外，我國地域寬廣，各省份在資源稟賦、經濟結構等方面存在較大差異，碳排放強度的空間分布特征具有異質性，因而對我國東中西部地區碳排放強度空間分布動態加以分析，這對我國各地區有針對性地采取有效降低碳排放強度的措施和制定相對應的政策具有重要意義。

1 文獻綜述

綠色金融作為節能減排的重要推動力量，國內外關于其理論研究、實證分析以及政策實踐等相關議題已經有了較為豐富的研究成果。首先，為了探析我國綠色金融體系建設的實踐進展與理論問題，馬俊[4]率先提出構建綠色金融體系的必要性和緊迫性，認為我國構建綠色金融體系不僅能夠提升經濟增長潛力、加速產業、能源及交通運輸結構的綠色轉型，而且有助于改善我國的財政可持續性及維護負責任大國的國際形象。有了這一理論基礎，宏觀層面上，王遙等[5]通過研究肯定了綠色金融的儲蓄—投資機制及其產生的經濟增長效應，嚴金強等[6]分析了綠色金融在綠色技術創新體系中的作用，為學界提供了新的思路；微觀層面上，由于我國銀企之間普遍因為信息不對稱而產生期限錯配問題，謝東江等[7]通過研究發現綠色金融能夠通過緩解節能環保等綠色企業的期限錯配來提升綠色全要素生產率，并且這一提升作用在低碳試點省市更為明顯，而李善民[8]在綠色信貸供給不足問題上將金融監管部門與商業銀行納入演化博弈分析框架中推演二者參與化解傳統信貸困局的演化路徑與策略選擇，得出一套穩定的針對性策略；區域層面上，我國地域寬廣且區域差異較大，綠色金融也存在明顯的區域分異狀況，因此，賦予綠色金融以“空間”含義、探索綠色金融的區域特征，自然就具有了重要的政策意義和實際操作價值[9]。魏麗莉等[10]分析比較了我國西北五省區綠色金融與產業結構之間的耦合協調度，并建議金融的綠色化改革應因地制宜適配各地區產業結構。祁芳梅等[11]通過對長江經濟帶上中下游不同區域研究發現，綠色金融不僅促進本地區經濟高質量發展而且對周邊區域有著正向的空間溢出效應。

除此之外，關于綠色金融對碳減排的實證研究也逐步深入。文書洋等[12]通過構建帶有碳排放約束并內生減排技術進步的一般均衡模型，從理論與實證兩個維度論證了綠色金融在一個最優規模時能夠通過支持碳減排技術的進步促進碳減排，這與LI 等[13]認為低碳技術的創新在綠色金融在低碳經濟轉型中具有中介效應的結論一致。江紅莉等[14]則以綠色信貸和綠色風投為綠色金融的代表，從整體和分組兩方面研究綠色金融的碳減排效果，發現由于二者規模程度的差異，綠色信貸對碳減排的作用強度高于綠色風投。而在研究綠色金融與非化石能源消耗及碳強度之間關系時，XUE 等[15]發現綠色金融發展水平的提升以及非化石能源使用的增加在長期內均有助于碳強度的降低。郭希宇[16]考察了綠色金融與低碳經濟的內生交互影響和空間溢出效應，認為綠色金融與低碳經濟存在雙向促進作用，同時發現綠色金融跨地區對其他地區綠色金融發展產生擠出作用。此外，CHEN 等[17]運用空間計量的方法分析發現碳排放具有很強的時空依賴性，這表明我國各區域范圍內的碳減排措施已形成了協同效應。

隨著綠色金融政策的不斷出臺，以綠色金融政策為探討中心的研究逐步增加。通過梳理我國綠色金融政策的制度變遷，牛海鵬等[18]以綠色信貸政策為例，認為我國綠色金融政策應強化對綠色企業以及高排放高污染企業的政策差異化。王艷麗等[19]從企業金融資源配置視角出發，發現綠色金融政策在改善企業投資不足傾向下又抑制了重污染企業的過度投資動機，從微觀層面驗證了綠色金融政策的有效性。在節能減排方面，高原等[1]研究發現綠色金融改革政策通過推動綠色技術創新水平的進步以及降低能源強度發揮出顯著的碳減排效應且逐年遞增，但同時也發現綠色金融改革政策未發揮多污染物減排協同效應，這為該領域研究提供了一個新的思路。

現有文獻為本文提供了有價值的借鑒與參考，綜合已有文獻，本文的邊際貢獻有：第一，在綠色金融水平的測度上，通過基于加速遺傳算法的投影尋蹤模型測算替代熵值法等傳統方法，其賦權與測度結果更加全面客觀；第二，關于綠色金融與碳排放強度的關系，現有研究較為稀少，故本文運用空間計量方法探討綠色金融對我國碳排放強度的影響以及空間溢出效應；第三，鑒于各省份資源稟賦等因素差異較大，現有文獻很少考慮碳排放區域異質性問題，本文采用高斯核密度估計方法繪制全國以及東中西三大區域的核密度估計圖來分析碳排放強度的空間分布動態情況，從而因地制宜針對不同區域制定出科學合理的減排政策。

2 研究設計

本研究設計思路首先是通過基于加速遺傳算法的投影尋蹤模型賦予綠色金融指標體系下各指標的權重，從而確定出核心解釋變量綠色金融水平，并通過各數據庫與各統計年鑒搜集研究所需要的被解釋變量及各控制變量的相關數據。再對被解釋變量碳排放強度進行空間自相關檢驗，根據空間計量模型的不同形式設立出空間杜賓、空間滯后、空間誤差三種計量模型，利用Stata 17對不同模型進行篩選，確定最終適合本研究的效應模型進行回歸分析并加以穩健性檢驗。最后運用核密度估計圖刻畫出我國及三大區域在考察期內碳排放強度的空間分布動態特征，從而得出結論并予以相關政策建議。

2.1 綠色金融水平的測度

借鑒蔡強等[20]關于綠色金融水平指標體系的構建，本文選用綠色信貸、綠色證券、綠色投資、綠色保險四個二級指標綜合測度綠色金融發展水平。以高耗能工業利息占比作為綠色信貸的三級指標，以高耗能行業市值占比作為綠色證券的三級指標，以節能環保支出和環境污染治理作為綠色投資三級指標的兩個方面，以農業保險規模和農業保險賠付率作為綠色保險三級指標的兩個方面，運用投影尋蹤法對上述6 個基本指標進行賦權并測度綠色金融水平。

投影尋蹤法是由美國科學家KRUSCAL 在20 世紀70 年代提出的一種新興統計方法，主要用來分析處理非正態和非線性的高維復雜數據。其工作原理是先將較難反映數據結構特征的高維數據通過計量軟件組合投影到低維子空間上，再通過建立投影目標函數、設定約束條件找出目標函數最大化的投影方向向量，從而依據低維空間上的投影方向向量分析高維復雜數據的結構特征[21]。此方法相較于熵值法等傳統測度方法能夠最大限度減少綠色金融各指標原始數據信息的損失，具有穩健性、抗干擾性和準確度高等優點，并且對綠色金融指標體系中各指標賦權結果更加準確、全面和客觀?；诩铀龠z傳算法的投影尋蹤模型賦權與測算步驟如下。

2.1.1 指標數據的歸一化處理

為了消除由于量綱不同對數據產生的影響，我們對樣本數據進行歸一化處理。設指標值{x(p,q)|p=1, 2, ...,m;q=1, 2, ...,n}，其中x(p,q)為第p個省份的第q個指標；m、n分別為樣本和指標的個數。這里參考鄧楚雄等[22]的做法進行極值歸一化處理：

式（1）、（2）中：Xmax(q)、Xmin(q)分別表示第q項指標的最大值、最小值。正向指標表示指標值越大越好，負向指標反之。

2.1.2 構造投影目標函數

將t維數據{x(p,q)|q=1, 2, ...,t}(本文綠色金融指標體系中包含6 項指標，即t=6)合成以a=(a1,a2, …,an)為投影方向的一維投影值Gp。即：

定義綠色金融水平投影目標函數為：

2.1.3 求解投影目標函數

在各指標數據給定時，綠色金融水平投影目標函數Q(α)僅取決于投影方向α，其中最佳的投影方向就是最有可能暴露高維復雜數據特征結構的投影方向。尋找最優投影方向可以轉化為以下優化問題：

2.1.4 指標賦權與測度

本文運用加速遺傳算法克服傳統優化函數計算上不足的缺點，通過Matlab 2021a 對上述步驟進行完整的運行，其中參數設置為：種群規模為400，交叉概率和變異概率分別為0.8 和0.2，優化變量數即指標個數為6，變異方向所需的隨機數為10，加速次數為7 次，兩代進化后加速一次的限制數為2，通過運行程序1 000 次，得到1 000 個投影方向和1 000 個目標函數值，再由降序排列得到最大的目標函數值，此目標函數值對應的即為最優投影方向，最終測算出6 個指標的權重分別為0.587 0、0.675 9、0.116 4、0.055 6、0.348 1、0.246 7，各指標權重的平方和為1。將上述各權重帶入式（3），即可得到各省份在2010—2019 年的綠色金融水平Gp。

2.2 變量選取與數據說明

2.2.1 被解釋變量

碳排放強度（CI）作為被解釋變量，用單位GDP 的二氧化碳排放量來表示。與碳排放總量、平均碳排放這兩類指標相比較，碳排放強度在不同經濟規模的樣本更具可比性。本文碳排放強度數據采用中國碳核算數據庫（CEADs）公布的各省基于表觀排放量核算法得出的二氧化碳排放量除以國家統計局公布的各省生產總值。

2.2.2 核心解釋變量

綠色金融水平（GF）作為核心解釋變量，其賦權與測度在上文已說明，此處不再贅述。本文綠色金融水平指標體系如表1 所示。其中綠色信貸和綠色證券數據來源于Wind 數據庫、國泰安（CSMAR）數據庫及各省份統計年鑒；綠色投資數據來源于國家統計局公布的《中國統計年鑒》、中經網統計數據庫；綠色保險相關數據來源于《中國保險年鑒》、中經網統計數據庫。個別數據缺失通過插值法、類推法進行填補。

表1 綠色金融水平指標體系

2.2.3 控制變量

能源消費結構（ES）。煤炭是我國的主要消費能源，也是二氧化碳排放的主要來源，我國煤炭消耗占總能耗的比重年均超過60%，因此，選用煤炭消耗量占總能源消費的比例衡量能源消費結構，數據來源于《中國能源統計年鑒》。

技術創新（R&D）。技術創新有利于節能減排技術的革新，從而有效抑制碳排放強度，此處用研究與試驗發展經費投入強度來衡量，數據由EPS DATA 整理中國科技部、國家統計局公布的相關數據得到。

工業污染治理水平（GI）。碳排放強度的變化與工業污染治理水平相關，本文采用該領域研究的通行做法，控制工業污染治理投資總額的對數（lnGI），數據來源于《中國統計年鑒》。

經濟發展水平（RGDP）。為緩解異方差性，用人均GDP 的自然對數（lnRGDP）作為控制變量，表示地區經濟發展程度，數據來源于國家統計局。

教育程度（EDU）。隨著我國人口素質的不斷提升，環保意識逐漸增強，進一步影響碳減排水平，使用教育經費投入占GDP 比重作為控制變量，數據來源于國家統計局。

2.3 變量描述性統計

各變量描述性統計如表2 所示，同時對各變量進行了方差膨脹因子（VIF）檢驗，結果均遠小于10，表明各變量不存在嚴重的多重共線性。

表2 變量描述性統計

2.4 模型設定

根據空間面板計量模型主要類型，不僅要考慮本地區綠色金融水平、技術、能源消費結構等因素對碳排放強度的影響，也要考慮鄰近省份各變量對本地區的影響。因此，本文首先構建空間杜賓面板模型（SDM）：

式中：CIit、GFit、Xit分別表示省份i在t時期的碳排放強度、綠色金融水平以及各控制變量。βi是回歸系數，ρ表示碳排放強度空間滯后項的系數，αi是綠色金融水平及控制變量空間滯后項的系數，εit表示隨機擾動項。Wij是空間權重矩陣，本文使用空間地理權重矩陣，具體定義如下：其中，dij表示各省域間省會的球面距離。

就我國不同省份而言，一省的碳排放強度變化會受到鄰近省域碳排放強度水平的影響，因此構建空間滯后模型（SLM）：

影響碳排放強度的因素諸多，除本文選取的、能源消費結構、人口規模等因素外，可能還會受到如地理位置、資源稟賦、環境狀況、產業結構等因素的影響，因此構建空間誤差模型（SEM）：

3 實證研究

3.1 空間相關性檢驗

3.1.1 全局空間相關性檢驗

為考察地區之間碳排放強度的總體相關程度，采用global Moran’s I 指數即全局Moran’s I 指數對全局空間相關性進行測度，計算公式如下：

全局Moran’s I 指數用于測度區域間碳排放強度總體相關程度。式（9）中，n表示我國30 個省份（西藏及港澳臺地區除外，下同），Wij為空間地理權重矩陣，x和為各省份碳排放強度及其均值，s2為方差。全局Moran’s I 的取值范圍是[-1, 1]，大于0 表示空間正相關，即碳排放強度高的地區與一個或者多個碳排放強度高值區接壤，或者碳排放強度低的地區與一個或者多個碳排放強度低值區接壤。反之當其小于0，表示空間負相關，即碳排放強度低值區被一個或多個高值區包圍，或者高值區被一個或者多個低值區包圍。

2010—2019 年我國30 個省份碳排放強度的全局Moran’s I 指數值如表3 所示。由表3 可以看出，Moran’s I 指數均為正，且通過1%的顯著性水平檢驗，表明我國碳排放強度分布呈現出高—高集聚和低—低集聚的空間分布格局；在2010—2019 年，Moran’s I 指數值總體穩定，表明空間正相關的區域特征較為穩定。

表3 2010—2019年我國30個省份碳排放強度的全局Moran’s I統計指標

3.1.2 局部空間相關性檢驗

盡管全局Moran’s I 指數反映了我國碳排放強度整體的空間分布特征，但局部地區的非典型空間特征也不容忽視，因此引入局域空間相關性指標（LISA）進行測度，觀測局部地區碳排放強度的空間相關性[23]。其計算公式為：

式中：local Moran’sI測度的是i區域與相鄰區域碳排放強度的相關程度，x、n、Wij、s2的含義同式（9）。local Moran’sI大于0，表示i省份與周圍省域的碳排放強度呈現空間正相關，即存在相似碳排放強度的地區集聚現象；反之小于0，表示i省份與周圍省域的碳排放強度呈現空間負相關，即存在相異碳排放強度的地區集聚現象。

本文分別制作了2010 年和2019 年我國30 個省份的碳排放強度local Moran’s I 散點圖，如圖1、圖2 所示，兩幅圖均以碳排放強度平均值為原點，橫坐標表示標準化后的碳排放強度，縱坐標表示空間加權后的碳排放強度，編號1 ～30 分別表示30 個不同省份。第一、第三象限分別表示省域之間高—高集聚的正相關和低—低集聚的正相關，第二、第四象限的省份為非典型觀測區。結果顯示，絕大部分省份均落在典型觀測區域，再次證明了碳排放強度空間正相關。

圖1 2010年CI局部Moran散點圖

圖2 2019年CI局部Moran散點圖

3.2 模型選擇檢驗

首先通過LM 檢驗選擇空間計量模型的具體類型，由表4 可知，LM-Error、LM-Lag、Robust、LM-Error和Robust LM-Lag 統計量均通過了1%的顯著性水平檢驗，表明SLM 模型與SEM 模型均適用，因此我們選擇更為全面的SDM 模型來進行實證分析。進一步通過LR檢驗，其統計量在1%顯著性水平拒絕SDM 模型會退化成SLM 或SEM 模型的原假設，再次確定選擇SDM模型。同時由Hausman 檢驗結果顯示，應選擇固定效應模型，由于研究時間跨度相對較長，受時間因素影響較大，因此本文最終確定選擇時間固定效應的空間杜賓模型來進行實證研究。

表4 模型選擇檢驗

3.3 回歸分析

本文運用Stata 17 對基于時間固定效應的空間杜賓模型進行參數估計，估計結果如表5 所示。

從核心解釋變量（GF）來看，綠色金融對碳排放強度的系數為-0.008 9，通過了10%的顯著性水平檢驗，表明隨著綠色金融的發展，碳排放強度能夠得到有效的抑制。同時，綠色金融的空間滯后項系數-0.293 1 在1%水平下顯著為負，這意味著綠色金融對碳排放強度具有顯著的空間傳導作用，即在相鄰近的省份之間表現出顯著的負向空間溢出效應。本省域綠色金融水平的提高，能夠引導資金進入本省及周邊地區綠色產業，有效降低其融資成本，有利于擴大綠色企業的規模和數量，進一步降低高耗能、高排放產業的比重，從而顯著降低本省及周邊省份的碳排放強度，促進其碳減排工作。這表明我國各省份之間綠色金融發展相互促進碳減排的格局正在逐步形成。

從各控制變量來看，能源消費結構的主回歸及空間滯后項估計系數均在1%的水平上顯著為正，這意味著通過降低煤炭消費在能源總消費中的比例有利于降低本省及周邊地區碳排放強度，然而煤炭消耗是二氧化碳排放的主要來源，我國以煤炭消費為主的能源消費結構仍然是降低碳排放強度的最大瓶頸；技術創新水平系數不僅在主回歸上顯著為負，其空間滯后項系數也顯著為負，表明技術創新水平的進步能夠降低本省以及周邊省域的碳排放強度，尤其是隨著低碳技術水平的發展，開發綠色技術來進行生產活動受到了眾多企業的關注，從而促進企業生產的綠色化和低碳化；經濟發展水平對碳排放強度直接影響是顯著為負的，這說明隨著地區經濟發展水平的提高，在發展的同時也注重環境質量的改善，從而促進碳減排工作的開展。此外，其空間溢出效應不顯著，表明周邊地區經濟增長對本地區碳強度的影響不明顯；工業治理投資和教育程度對碳強度的影響均顯著為正，這可能是因為經濟更發達的地區給予污染治理和教育的投資更多，但經濟發展水平高的地區人口密集，產業集中，能源消耗更大，從而在一定程度上增加了碳排放強度，然而教育的空間滯后項系數顯著為負，即周邊省份教育水平的提高有利于降低本省碳排放強度。這說明隨著周邊地區受教育程度的提高，人們的環保意識，人口素質均得到有效提升，對本地區市民產生潛移默化的影響，增強其綠色出行、節能減排意識，進一步地降低本地區碳排放強度。

此外，本文進行綠色金融及其他控制變量對碳排放強度影響的空間效應分解，其估計結果如表6 所示，除了直接效應無論是間接效應還是總效應，綠色金融對碳強度影響的彈性系數均在1%水平上顯著為負，再一次證實了綠色金融不僅對本地區碳排放強度有影響，還存在著顯著的負向空間溢出效應。究其原因，可能是綠色金融在初始發展階段上需要政府帶頭出臺相關政策來主導，在國家節能減排的大方針下，各地區政府在減排降碳之間存在著一定的競爭效應，因此在一定程度上一個區域綠色金融的發展會對本地及周邊地區產生正的外部性，從而在區域之間形成良性循環。此外，對高碳排放、高污染企業的融資限制也倒逼其減少碳排放，尋求轉型發展，同時，這種“警示效應”對周邊地區企業的轉型升級與節能減排也有著深遠的影響。另外，其余各控制變量直接效應與總效應與主回歸估計結果總體上結論一致。

表6 綠色金融對碳排放強度影響的空間效應分解

3.4 碳排放強度空間分布動態分析

為進一步分析我國不同區域在研究期內碳排放強度的動態演進及內部差異，采用核密度估計方法進行分析。核密度估計是一種采用平滑的峰值函數擬合樣本數據，利用連續的概率密度曲線描述變量動態演進的一種非參數估計方法，能夠有效捕捉到數據分布的客觀實際[24]。隨機變量X在點x的概率密度公式為：

式中：n為樣本觀測值個數；Xi為獨立同分布的觀測值；為均值；h為帶寬。為不失一般性，本文選擇較為常用的高斯核函數進行分布動態研究，其表達式如下：

本文運用Matlab2021a 繪制了全國以及東部、中部、西部三大區域①根據國家統計局分類的三大地區為：東部地區，包括北京、天津、河北、遼寧、上海、江蘇、浙江、福建、山東、廣東、海南；中部地區，包括山西、吉林、黑龍江、安徽、江西、河南、湖北、湖南；西部地區，包括內蒙古、廣西、重慶、四川、貴州、云南、西藏、陜西、甘肅、青海、寧夏、新疆。2010—2019 年碳排放強度的核密度估計圖，如圖3 所示。首先，圖3（a）為全國區域內碳排放強度核密度估計圖。從分布位置來看，考察期內全國范圍總體碳強度分布曲線主峰處于較低水平的位置，相對較高水平位置存在兩個側峰，說明大多數省份碳排放強度較低，有個別省份碳強度水平較高，但無論是主峰還是側峰都存在逐漸左移的趨勢，表明我國總體碳排放強度不斷降低；從分布態勢來看，主峰峰值不斷增加且寬度變窄，說明在主峰聚集的省份增多，各省份碳強度水平差距有縮小的趨勢；從分布延展性來看，分布曲線表現出較為明顯的右拖尾現象且延展性變窄，表明有部分省份碳排放強度仍高于全國平均水平，但這種差距在逐年縮??；從極化趨勢來看，分布曲線呈現較為明顯的“單峰”，不存在多極分化特征，但仍然存在峰值較低的側峰。自從黨的十八大以來，綠色環保、節能減排理念的逐步深入引導著相關政策的實施，盡管由于部分省份資源稟賦、產業結構的差異導致碳強度仍然處于較高水平，但我國碳排放強度整體上呈現出逐步降低的趨勢，在實現“雙碳”目標進程中邁出了重要的一步。

圖3 全國及東部、中部、西部區域碳排放強度核密度估計圖

圖3 （b）為東部地區碳排放強度核密度估計圖，其分布曲線呈現出明顯的“單峰”狀且峰值逐年增加，曲線整體逐漸左移、寬度變窄，表明我國東部地區碳排放強度整體上處于較低的水平，并且各省之間碳強度水平差距逐漸縮小。東部地區為我國經濟較發達的地區，其在經濟發展中不斷將能源密集型產業轉移到中西部地區，由于產業關聯效應及行業間外部性的刺激，轉出產業的相關產業也會共同遷移，從而產生正的外部性，隨著高碳排放、高污染企業的轉出，帶動地區碳強度的降低。

圖3（c）為中部地區碳排放強度核密度估計圖，其分布曲線包含了主峰和側峰，主峰峰值不斷增加且寬度逐漸變窄，整體左移并存在一定的右拖尾現象，表明中部地區整體碳排放強度相對較低，但是省份之間仍有一定的差距。通過控制省份發現，側峰的出現源于山西省，其中在2013 年出現斷檔，究其原因，在“十二五”期間，山西省不斷加大現代化礦井建設力度，煤炭開采能力大幅提高，尤其通過實施煤炭資源整合與企業兼并重組，山西煤炭走上集約化發展道路[25]。2013 年，其原煤產量大幅提高，相對應的二氧化碳排放量也隨之增大。側峰自2013 年之后也呈現出左移的趨勢，表明山西省碳強度雖然仍處于較高水平但也在逐年降低。

圖3（d）為西部地區碳排放強度核密度估計圖，其分布曲線呈現出“多極化”特征，雙主峰及側峰整體上有左移趨勢且峰值逐年增大，各峰值之間存在一定的落差，曲線呈現出右拖尾現象且延展性逐年變窄，表明西部地區整體碳排放強度逐年降低，然而各省份之間碳強度水平還存在一定的差異，高排放省份仍有不少。這是因為西部地區大部分省份煤炭等化石燃料資源豐富，成了地區經濟發展的主要依靠，加上東部地區轉移過來高耗能高排放企業，使得地區產業結構與工業結構失衡，從而擁有著相對于其他地區較高的碳強度水平。隨著國家政策方針的指引，西部地區總體碳排放強度水平不斷降低逐漸向全國平均水平靠攏。

3.5 穩健性檢驗

為進一步檢驗空間回歸結果的可靠性，本文用替換核心變量及更換空間權重矩陣的方法進行穩健性檢驗。由于綠色信貸在綠色金融中所占比重較高，因此用綠色信貸（GC）替代式（6）中的綠色金融（GF），并且將空間地理權重矩陣更換為更為普遍的空間鄰接權重矩陣，估計結果具體參數值的大小略有波動，總體上與表5 中的回歸結果參數高度吻合，如表7 所示。

表7 穩健性檢驗

4 結論與建議

為了順利實現“碳達峰、碳中和”目標，降低碳排放強度迫在眉睫。系統研究綠色金融對我國碳排放強度的影響以及把握各區域碳排放強度的核心驅動力具有重要的理論意義和現實價值。通過以上研究，得出以下結論。

（1）綠色金融對碳排放強度有著顯著的負向影響以及空間溢出效應。綠色金融水平的提升不僅能夠通過引導資金進入本地區綠色產業，有效降低其融資成本，進一步擴大綠色企業的規模和數量，從而有效地降低本地區碳排放強度，而且對周邊地區碳排放強度水平具有顯著的抑制作用。這意味著我國各省份之間綠色金融發展相互促進碳減排的格局正在逐步形成。

（2）能源消費結構的優化與技術進步能夠顯著地降低碳排放強度。低碳技術水平的進步及以煤炭消耗為主的能源消費結構的優化不僅有助于降低本地區碳排放強度，其對周邊地區碳強度也有著制約作用。此外，經濟發展水平的提高、人們受教育程度的增強，環保意識的提升均不同程度上促進了碳強度的降低。

（3）我國碳排放強度時空分布具有差異性。其中，東部地區碳強度整體水平較低，中部地區除個別省份較高，其他省份整體碳強度相對較低，西部地區由于資源稟賦、產業結構等相較于中東部地區有較大差異，所以其碳排放強度相對較高，但三大區域以及全國整體碳強度水平在考察期內逐年降低。

基于以上研究結論，本文提出以下建議：

（1）建立健全綠色金融政策發展體系與綠色金融市場體系。政府應不斷推進與社會資本的合作進程，加強綠色金融試點地區的政策支持力度，通過財政補貼等形式對合規的綠色信貸、綠色債券、保險等項目進行獎補，滿足其投融資需求，進一步提高市場整體競爭力。

（2）協調綠色金融領域與各領域之間共同發展，促進綠色金融產品多樣化。提高綠色金融與其他金融供給的協同性有助于促進綠色金融重點發展領域內的合作，打造例如科技金融、普惠金融、供應鏈金融等“綠色+”金融體系[26]。同時引導資本注入綠色金融領域，不斷豐富發展綠色信貸、綠色風投、綠色債券、綠色基金等綠色金融產品。

（3）提高綠色低碳技術水平的創新與發展，健全綠色技術知識產權管理保護機制。在“碳中和”目標的驅動下，我國新能源、數字經濟等新興產業將不斷轉型升級，而綠色低碳技術的發展將在這個過程中發揮出重大的作用。

（4）增強對非化石能源行業的支持，調整優化能源消費結構。在“雙碳”目標大背景下，應嚴格控制煤炭等化石能源的消耗，大力推進新能源產業的應用與發展，這在新一輪能源革命及科技產業革命中意義重大，是降碳減排的重要源動力。

（5）針對我國不同區域之間碳排放強度的差異，在中西部高碳排放強度集聚區，地方政府應科學、合理規劃承接高耗能高排放產業的轉入，降低其所帶來的負外部性影響，加快清潔能源建設，穩步推進節能減排進程。在東部低碳排放強度集聚區，應進一步提高人口素質，增強低碳環保意識，并優化完善公共交通系統，提高公共交通工具的利用率，減少高人口規模對碳排放帶來的負面影響。