气候变化对低碳经济的影响研究——基于绿色金融的中介效应

杜笑妍

(新疆财经大学 金融学院， 乌鲁木齐 830012)

气候变化会对生态系统和人类社会造成巨大影响。近年来，由于气候灾害的出现频率不断上升，我国生态系统、经济社会发展以及人民群众的生命健康安全都面临着严重威胁，气候安全风险不断增大[1]。为了应对全球气候变化带来的风险，低碳经济作为一种新型经济发展模式已走进大众视野。该模式提倡减少温室气体排放以获得更大的经济产出，从而实现经济社会发展和生态环境保护双赢。2020年9月22日，习近平主席在第七十五届联合国大会一般性辩论上向世界作出实现“双碳”目标的中国承诺，对我国应对气候变化、推动绿色低碳发展提出了更高的要求。

在环境污染治理的过程中，吸附回收、生物净化等常见的末端治理手段较为被动，成本较高，而绿色金融利用政策手段将环境外部性内部化，将治理端口前移至中上游，以此提升环境效益，能够在一定程度上弥补末端治理技术的不足。因此，绿色金融正逐渐成为我国应对气候变化、促进低碳经济发展的重要手段。

一、理论分析与研究假设

(一)气候变化对低碳经济的影响

为了更全面地衡量低碳经济水平，国内外学者通常利用熵值法[2]、标准差法(Z-Score)[3]等方法从经济、社会、资源、环境等方面来构建综合评价指数。气象学领域的学者通常采用PLAM指数[4]、CCPI指数[5]、气候正义指数[6]等专业性较强的指数来衡量气候变化，而在经济学领域中，由于研究侧重点不同，学者们通常用温度、降雨量等基本指标来衡量气候变化。在研究气候变化对低碳经济的影响机制时，多数学者主要从碳排放入手。我国是当今世界最大的发展中国家和碳排放国，早年为了刺激国内经济快速发展而选择了以工业化为主的经济结构[7]，对于化石燃料的长年依赖导致我国煤炭燃烧排放量不断上升，向低碳经济转型十分缓慢。对此，有学者认为应该为发达国家与发展中国家制定不同的温室气体排放目标，并积极寻找可取代化石燃料的清洁能源来减少碳排放[8]。部分学者从市场失灵的角度出发，认为“公地悲剧”就是气候变化等因素造成的资源分配不平衡问题，是市场失灵的一种表现，在经济长期发展的过程中会对一个地区的农业、旅游业等产业造成不利的影响[9-10]。也有一些学者从行为学的角度出发，认为气候变化可以通过图像形式激发个人的低碳意识、引导个人的低碳行为，这对于低碳政策的制定具有重要现实意义[11]。综上，本文提出如下假设：

假设H1：气候变化与低碳经济发展水平呈正相关。

(二)气候变化对绿色金融的影响

绿色金融指金融部门把环境保护作为基本政策，通过绿色导向的信贷、证券、保险、投资以及碳金融等促进环境友好型投资。目前，学者们对于气候变化对绿色金融的影响持有不同的观点。在政策方面，一些学者认为合理的环境规制能够为绿色金融的发展创造良好的环境，可以积极引导小微企业参与到绿色金融市场的活动中来，从而促进当地绿色金融发展[12-13]，但也有学者认为政府过多的政策约束会抑制市场主体活力[14]。在产品服务方面，一些学者认为金融机构为了应对气候变化风险、满足客户需求而不断进行的金融产品创新会给证券和基金市场带来发展机遇[15]，但也有学者认为金融产品创新会提升市场监管难度，导致金融风险加大[16]。另外，气候变化不仅会抑制银行资产总量的增长，导致受气候变化影响较大的行业的贷款信用质量大幅降低[17]，还会给致力于减少贫困的微型金融机构带来挑战。如气候变化会导致农业生产率下降，进而对小额信贷客户造成影响，同时大规模的气候变化也会给微型金融机构的发展带来资金上的压力[18]。还有一些学者从行为金融的角度出发，认为气候变化会通过影响环境来影响投资者的情绪和行为决策等[19]。综上，本文提出如下假设：

假设H2：气候变化会抑制我国绿色金融发展。

(三)绿色金融对低碳经济的影响

金融的本质是资金融通，具有风险分散的特征。绿色金融将“绿色”与“金融”的特点结合在一起，不仅可以为低碳经济的研究与创新提供坚实的资金基础，而且能够高效地为低碳经济发展分摊风险，这也使发展绿色金融成为低碳经济发展中的重要一环。虽然短期内传统金融行业向绿色金融领域转型可能会面临提高客户门槛的挑战，增加新的机制成本[20]，但从长远来看，绿色金融不仅可以在一定程度上弥补传统银行业务的不足,为低碳经济市场提供较为完善的服务体系和制度规则，与传统经济政策形成互补[21-22]，而且能够平衡经济发展与环境保护的关系，引导资本从高污染产业转移到低能耗产业，推动产业结构转型升级，并为产业绿色技术创新提供资金支持，引导传统的高碳经济转型为低碳经济，以此推进我国经济绿色发展[23-24]。综上，本文提出如下假设：

假设H3：气候变化可通过绿色金融手段来影响低碳经济发展。

已有文献为本文研究提供了思路与方法，本文将在以下方面作出一些边际贡献：第一，在指标选取中，不仅将温度和降雨量等基本气象特征作为衡量气候变化的指标，而且从实际出发,将空气质量和极端气候灾害纳入指标体系，为后续研究提供思路。第二，在研究气候变化对低碳经济的影响机制时,引入绿色金融作为中介变量，并得到数据支持，以期丰富气候变化对低碳经济发展影响机理的相关研究，为我国如期实现“双碳”目标助力。

二、研究设计

(一)模型构建

借鉴温忠麟和叶宝娟[25]的研究构建中介效应模型，以此测度气候变化、绿色金融与低碳经济三者之间的总效应、直接效应与中介效应。

首先，以气候变化为解释变量、以低碳经济发展水平为被解释变量构建基准回归模型，以此反映未考虑中介效应情况下气候变化对低碳经济发展水平的总效应，公式如下：

LCEnt=α0+α1CCnt+α2controlnt+μn+εnt

(1)

式(1)中，LCEnt表示地区n在t年的低碳经济发展水平，CCnt表示地区n在t年的气候变化水平，controlnt表示地区n在t年时的控制变量，μn表示个体固定效应，εnt是随机误差项。α0、α1、α2均是模型的待估参数，待估参数α1反映了气候变化对低碳经济发展水平的总效应。

其次，以气候变化为解释变量、以绿色金融为被解释变量构建基准回归模型，以此反映未考虑中介效应情况下气候变化对绿色金融产生的影响，公式如下：

lnGFnt=β0+β1CCnt+β2controlnt+μn+εnt

(2)

式(2)中，lnGFnt表示地区n在t年的绿色金融指数，用来描述该地区的绿色金融发展水平。β0、β1、β2均是模型的待估参数。

根据理论分析，气候变化可以通过影响一个地区的绿色金融发展水平来进一步影响该地区的低碳经济发展水平。因此，为了验证绿色金融的中介效应，将绿色金融作为中介变量加入式(1)后得到完整的中介效应回归模型，公式如下：

LCEnt=γ0+γ1CCnt+γ2lnGFnt+

γ3controlnt+μn+εnt

(3)

式(3)中，γ0、γ1、γ2、γ3均是模型的待估参数，待估参数γ1反映了控制中介变量绿色金融后气候变化对低碳经济发展水平的直接效应。

检验中介效应常用的两种方法是逐步回归法与Bootstrap法。逐步回归法的检验过程如下：第一步，对式(1)进行回归，检验待估参数α1，判断在不考虑中介变量的情况下气候变化对低碳经济发展水平的总效应；第二步，对式(2)进行回归，判断气候变化对绿色金融的影响β1；第三步，在式(1)的基础上引入中介变量绿色金融，构成式(3)进行回归，检验气候变化对低碳经济发展水平的直接效应γ1和通过绿色金融的中介效应γ2。若α1、β1、γ2均显著，则表示存在中介效应。在此前提下，若γ1不显著，则说明在气候变化与低碳经济发展水平的互动关系中，绿色金融发挥了完全的中介效应，反之则具有部分中介效应，部分效应量为β1×γ2。直接效应、间接效应与总效应之间的关系如下：

α1=γ1+β1×γ2

(4)

Bootstrap法即在原始样本中通过多次重复抽样来获得与原始样本相似的样本容量，该方法可以直接测算中介效应与直接效应。

(二)变量选取

被解释变量：低碳经济(LCE)。借鉴吕学都等[26]的研究并结合数据的可得性和本文需要，从低碳产出、低碳消费、低碳资源、低碳环保四个方面构建低碳经济综合指数。低碳产出用碳生产力和能源产出率表示。碳生产力用年GDP与年碳排放量的比值表示，能够直接反映我国每单位GDP产出所排放的二氧化碳量；能源产出率用年GDP与能源消耗量的比值表示，能够反映每消耗一单位的能源所产生的经济效益。低碳消费用人均碳排放系数表示，能够反映一个地区的碳排放水平。低碳资源用能源碳排放系数表示，即碳排放量与能源消耗量的比值。低碳环保用二氧化硫排放强度表示，二氧化硫作为主要的大气污染物之一，是比较有代表性的低碳环保衡量指标。

解释变量：气候变化(CC)。对于气候变化的衡量，除了选取温度、降雨量等基本指标外，本文还引入了气候环境指标，包括农业受灾面积和空气质量强度两部分。温度与降雨量用各省会城市的平均值表示。由于收集每年各省份干旱、洪涝、冰雹等极端气候灾难的相关数据较为困难，本文选择用农业受灾面积直接反映极端气候灾害所造成的危害。空气质量强度用各省份每年空气质量达二级以上的天数与一年总天数的比值来衡量，该指标能够综合反映大气污染物和温室气体的排放水平。

中介变量：绿色金融(GF)。采用绿色金融指数衡量绿色金融发展水平，借鉴邵学峰与方天舒[27]的研究，从绿色信贷、绿色投资、绿色保险、绿色证券四个方面构建绿色金融指数。

控制变量：人口自然增长率(K1)、市场化程度(K2)、政府支持(K3)、产业结构(K4)、人均GDP(K5)。由于人口、经济发展、产业结构、技术水平等因素均与地区低碳经济发展水平有关，引入人口自然增长率、市场化程度、政府支持、产业结构和人均GDP作为控制变量。

相关数据主要来源于国家统计局官方网站、各省份的统计年鉴、中国碳核算数据库(CEADs)。少量数据从中经网统计数据库以及相关新闻报道中获取。对于无法找到的极少数数据，使用插值法填补。所有变量的具体说明如表1所示。

表1 变量介绍

本文选取2007—2020年我国30个省份的面板数据进行实证分析(西藏和港澳台地区数据缺失较多，因此不在本次研究范围内)，样本共包含420个观测值。由于低碳经济、绿色金融与气候变化的指标数据较多，为尽可能减少实证过程中的误差，本文利用熵值法为三个系统构建综合评价指标体系。各变量及综合指数的描述性统计结果如表2所示。

表2 各变量及综合指数的描述性统计结果

三、实证分析

(一)基准回归分析

在模型选择方面，首先利用F检验与Hausman检验进行分析，结果均显著。从完整性来看，计量模型难以涵盖所有影响因素，可能会出现遗漏变量的情形，从而引发内生性问题，而面板数据的固定效应可以缓解内生性问题，同时遗漏变量和解释变量之间的关系无法确定，固定效应的假设相对宽松，可以降低出错的可能性。综上，本文选择个体固定效应模型进行检验，回归结果如表3所示。

表3中，列(1)显示气候变化对低碳经济的影响系数显著为正，即气候改善能够促进一个地区的低碳经济发展水平提升，假设H1成立。人口自然增长率、政府支持、人均GDP、产业结构的影响系数均显著为正，说明人口与政府节能环保支出的增加以及产业结构绿色升级均是促进地区低碳经济发展的重要因素。列(3)是加入中介变量后的回归结果，气候变化与其他控制变量的显著性以及影响系数符号均未发生变化，再次验证了假设H1的可靠性。列(2)显示气候变化对绿色金融的影响系数显著为负，即气候改善会抑制区域绿色金融发展，假设H2成立。人口自然增长率的影响系数在5%的水平上显著为负，说明人口过快增长会抑制绿色金融发展。人均GDP、产业结构与绿色金融呈正相关，说明经济发展与产业结构绿色升级在绿色金融发展过程中扮演着重要角色。

表3 个体固定效应模型回归结果

(二)中介效应分析

根据表3，式(1)中气候变化的影响系数即总效应α1为0.1220，式(3)中气候变化的影响系数即直接效应γ1为0.1510。根据式(4)可知，绿色金融的中介效应β1×γ2为-0.0289(-1.6120×0.0179)，且系数α1、β1、γ2、γ1均显著，说明在气候变化与低碳经济发展水平的互动关系中，绿色金融产生部分中介效应，但由于直接效应为正而中介效应为负，说明模型的回归结果中存在轻微的“遮掩效应”，中介效应与直接效应比值的绝对值为0.1914。中介效应占比采用Bootstrap法进行检验。在设定样本容量为1000的重复抽样条件下，检验结果如表4所示。根据表4可知，中介效应与直接效应均在1%的水平上显著，中介效应占比约为0.16，即在气候变化通过绿色金融的中介效应对低碳经济产生影响时，绿色金融的中介效应约占16%，假设H3成立。

表4 Bootstrap检验结果

逐步回归法中,绿色金融的中介效应表现为轻微“遮掩效应”的原因可能有以下几点：第一，我国绿色金融市场的相关法律法规还处在完善阶段，“漂绿”现象与“规制俘获”行为的存在均会导致政策效果与预期有所偏差[28]。第二，我国绿色金融市场还处在发展阶段，因此可能会存在“回弹效应”，如绿色金融市场为了应对气候变化带来的风险而进行金融衍生品的创新，这种行为原本能够促进绿色金融市场发展，但同时也会给监管部门造成压力，增加金融市场风险，从而形成绿色金融市场的“回弹效应”[29]。第三，高耗能企业为了符合相关政策要求，必须以高成本来治理污染或进行绿色技术创新，但短时间内的执行效率可能因利益受损而较低，无法达到预期效果。

(三)稳健性检验

1．改变时间序列

考虑到模型中存在因变量遗漏以及数据统计过程中的测量误差而导致的内生性问题，本文对因变量低碳经济综合指标采取滞后一期(t+1)的处理方式，以此在一定程度上缓解内生性问题，检验结果如表5所示。核心解释变量的系数符号均未发生变化且依然显著，使用Bootstrap法检验其中介效应，占比约为19%，与前文结果相差不大，说明实证结果稳健。

表5 因变量滞后一期的回归结果

2．克服样本选择误差

虽然样本基本窗口为2007—2020年的我国省域面板数据，但是在样本期间还发生了诸多对气候环境和经济产生影响的事件，如2008年的国际金融危机、2017年党的十九大报告提出将“人与自然和谐共生”作为新时代坚持和发展中国特色社会主义的基本方略之一以及2020年以来的新冠疫情等。为了检验样本窗口的选择是否会对结果产生影响，随机选择不同的时间间隔设置多个样本窗口，分别为样本窗口1(2008年、2010年、2012年、2014年、2016年、2018年、2020年)、样本窗口2(2007年、2009年、2011年、2013年、2015年、2017年、2019年)、样本窗口3(2007年、2011年、2013年、2014年、2017年、2020年)、样本窗口4(2010年、2011年、2014年、2015年、2018年、2020年)。由于样本观测值减少，此处直接使用Bootstrap法设定样本容量为1000的重复抽样进行检验，检验结果如表6所示。中介效应与直接效应依旧显著为负，且中介效应占比均在16%上下浮动，结果依然稳健。

表6 样本窗口的Bootstrap检验结果

(四)异质性分析

为了考察绿色金融在气候变化与低碳经济中的中介效应是否存在异质性，将全国样本划分为东北、东部、中部、西部四个区域，并分别建立中介模型，利用Bootstrap法检验异质性是否存在。东北地区包括黑龙江、吉林、辽宁3个省份，东部地区包括北京、上海、天津、河北、山东、江苏、浙江、福建、广东、海南10个省份，中部地区包括山西、河南、湖北、安徽、湖南、江西6个省份，西部地区包括内蒙古、新疆、宁夏、陕西、甘肃、青海、重庆、四川、广西、贵州、云南11个省份。具体结果如表7所示。

根据表7可知，绿色金融在气候变化与低碳经济中的中介效应存在区域异质性。西部地区的直接效应与中介效应均在1%的水平上显著，占比约为29%。中部地区的中介效应在5%的水平上显著，说明相较于西部地区，中部地区的绿色金融在气候变化与低碳经济中的中介效应较弱，占比约为16%。而东北地区与东部地区的中介效应均不显著，说明在这两个区域，气候变化并不能通过绿色金融来影响当地的低碳经济发展。原因可能有以下几点：第一，政府选择。东北地区的经济结构以重工业为主，环境污染程度必然会比其他地区严重；而东部地区虽然不以重工业为主，但作为国家经济发展的“排头兵”，东部地区的政府可能更看重经济效益。因此，东北地区和东部地区的气候变化风险远高于中部地区和西部地区，绿色金融发展受到阻碍。第二，产业结构。中部地区和西部地区的经济结构以农业为主，气候变化风险远低于另外两个区域，为低碳经济和绿色金融的发展提供了便利。第三，国家政策。目前，我国大力推动六省(区)九地绿色金融改革创新试验区建设，六省(区)具体为浙江、江西、广东、贵州、甘肃、新疆，有了国家的支持，绿色金融可以得到更好的发展。

表7 四个区域的Bootstrap检验结果

四、结论与建议

本文基于2007—2020年我国省域面板数据，利用熵值法建立了低碳经济、绿色金融以及气候变化综合指数，实证分析了气候变化对低碳经济的影响机制以及绿色金融在其中的中介作用。研究发现：第一，气候改善能够显著促进地区低碳经济发展，稳健性检验证明了这一结论的可靠性。此外，人口自然增长率、政府支持、产业结构、人均GDP也是影响地区低碳经济发展的重要因素。第二，气候变化能够通过影响绿色金融来影响低碳经济，绿色金融的中介作用表现为轻微“遮掩效应”，即在一定程度上会降低气候变化对低碳经济的影响。第三，绿色金融的中介效应具有区域异质性，在东部地区和东北地区并不显著，在中部地区和西部地区较为显著，且绿色金融在西部地区的中介效应更好。

为了更好地促进我国低碳经济与绿色金融发展，积极应对气候变化风险，助力“双碳”目标早日实现，本文提出以下政策建议：第一，气候改善对低碳经济发展具有明显的促进作用，因此各地政府应积极响应国家“双碳”目标，制定切实可行的方案来促进当地气候改善，如增加节能环保财政支出的比例，为高污染企业的绿色转型升级提供资金支持，减少温室气体和污染物排放，从根源上改善气候环境，促进当地低碳经济发展。第二，对于绿色金融的轻微“遮掩效应”，相关部门应该完善相应的法律法规。一方面，完善绿色信息披露制度，强化项目跟踪监管机制，让金融机构对投放资金项目的运行“看得见、摸得着”，严惩“漂绿”现象；另一方面，加大对企业的监管力度，建立多元监督机制，避免“规制俘获”行为以及企业配合度低问题的出现。第三，由于各地区的绿色金融发展水平存在差异，绿色金融在各地区发挥的中介作用也不尽相同，因此各地区应加强合作交流，建立区域绿色金融服务平台，分享低碳治理经验，促进绿色金融产业技术合作。另外，应进一步扩大绿色金融改革创新试验区的范围，缩小绿色金融发展的地区差异。