绿色金融、政府干预与区域碳排放效率

赵晓春，龙来春，周 瑛

（安徽大学 管理学院，合肥 230601）

0 引言

减少碳排放已成为应对气候变化的重要议题，伴随绿色经济的发展，世界各国普遍认识到绿色金融对于发展低碳经济、减少碳排放具有至关重要的作用[1]。绿色金融是推动实体经济转型升级，减少碳排放的强大助力。此外，绿色金融的发展还会促进绿色科技的进步，提高碳排放效率。政府干预也会对碳排放效率产生重要影响。我国发展低碳经济，政府是最关键的主体。因此，如何发挥绿色金融的作用，同时进行合理的政府干预，进而提高碳排放效率成为重要的研究课题。

目前学术界对于绿色金融影响碳排放效率的看法较为一致，认为绿色金融对碳排放效率起促进作用，这种促进作用体现在两个方面：一是绿色金融有助于企业绿色技术创新。绿色金融可以引导资金支持企业技术创新，促进清洁技术的大力发展，碳排放效率进一步提升[2]。二是绿色金融有利于产业结构优化。绿色金融作为稀缺的金融资源不断流入绿色行业，带动绿色环保产业的发展，同时不断“挤出”高污染、高耗能等传统产业，产业结构逐渐优化，碳排放量大幅减少[3]。对于政府干预对碳排放效率影响的研究，学界主要有两种观点：一种是认为政府干预会促进碳排放效率提升。原因是政府可以从宏观层面颁布减排固碳的政策，并引导市场发展低碳循环经济[4,5]。另一种则认为政府干预对碳排放效率起抑制作用。政府官员考虑到地方经济的增长，在实际的发展过程中还是会偏向于支持传统产业的发展，因为传统企业有庞大的基础，投资回报高且稳定，但这些传统企业大多属于高污染、高耗能企业[6]。

上述研究为本文奠定了基础，但也存在一定不足，已有研究大多单独分析绿色金融或者政府干预对碳排放效率的影响，其中对于绿色金融对碳排放的影响多从企业微观角度出发，并且未考虑二者对周边地区碳排放效率可能存在的溢出传导效应。因此，本文从宏观层面将绿色金融和政府干预纳入同一框架，分析二者对碳排放效率的影响，并构建空间杜宾模型，考察绿色金融和政府干预对周边地区碳排放效率的溢出传导效应。

1 理论机制与研究假设

1.1 绿色金融与碳排放效率

绿色金融是实现减排固碳的重要抓手，绿色金融出现的最初目的便是为企业提供绿色信贷，支持企业绿色发展，保障和完成绿色项目。一方面，绿色金融可以促进技术变革，推动绿色技术进步。绿色资金注入企业，使得企业不再为技术创新资金不足感到担忧。绿色金融市场机制减少技术研发风险，通过绿色金融市场，企业的创新成果由投资者共享，相应的风险也被投资者共同分担。另一方面，绿色金融促进产业结构调整，保障绿色环保产业发展。绿色金融引导社会资金不断流向绿色环保产业，充分保障了绿色环保产业的发展。同时，由于生产要素是固定的，金融资源等更多地流入绿色产业，传统“非绿色”产业生产要素减少，极大地限制了传统产业的发展，迫使高污染、高能耗产业逐渐淘汰或者进行转型升级。基于以上分析，本文提出：

假设1：绿色金融的发展对碳排放效率起促进作用。

1.2 政府干预与碳排放效率

政府是进行“减排固碳”的主要主体，政府的政策、行为对碳排放效率会产生重要影响。长期以来，政府的重要任务是经济发展，中央政府也将经济增长作为官员考核晋升的主要标准。因此，地方政府一直非常重视经济的发展，导致官员将地方财政资金用于大力支持高污染、高能耗的传统企业，这些企业生产周期短、回报率高，进而产生大量的碳排放。此外，这也产生“挤出效应”，将研发周期长、短期回报少的绿色企业挤出，不利于绿色环保企业的发展。但在经济发展到一定规模后，地方政府开始重视环境保护，颁布政策引导发展低碳经济，倒逼企业进行技术创新，减少碳排放。因此，本文提出：

假设2：政府干预会显著影响碳排放效率，具体的作用取决于政府干预是属于“挤出效应”还是“倒逼效应”。

1.3 绿色金融、政府干预与碳排放效率

绿色金融可以通过绿色金融政策引导企业往绿色方向发展，可以促进碳排放效率的提升。地方政府如果认识到绿色金融对环境保护的作用，就会大力支持绿色金融的发展，这样二者的联合效应会进一步对碳排放效率起促进作用。但是若地方政府仍然以经济发展为唯一追求目标，忽视绿色金融的作用，支持传统高污染、高耗能企业的发展，不断挤压绿色企业的生存空间，则不利于碳排放效率的提升，甚至对碳排放效率起抑制作用。基于上述分析，本文提出：

假设3：绿色金融和政府干预的联合效应会对碳排放效率产生重要影响，影响的方向取决于政府是否认识到绿色金融的作用，并采取合理的干预措施。

1.4 绿色金融、政府干预对碳排放效率的溢出效应

金融作为流动的资源，不仅会对本地产生影响，还会向周围省份溢出。这种溢出主要体现在两个方面。一是绿色理念的溢出。现代网络技术的发展助力信息广泛传播，绿色发展的理念顺应时代潮流，当一个省份绿色金融带动经济取得高质量发展，这种绿色发展的理念会迅速传向周围省份，引起周边地区的借鉴和学习。二是绿色资金的溢出。资本具有扩张性，绿色金融为了扩大发展，会向周围邻接省份展开投资，谋求更多的发展。政府干预也会对邻接省份碳排放效率产生溢出作用。当一个省份过度重视短期经济快速发展，将高新技术企业、绿色企业、环保产业挤出，其相关绿色资源、高新技术便会向周围省份外流。此外，邻接省份如果重视绿色经济的发展，就会不断虹吸本省的绿色资源以及高新技术。因此，本文提出：

假设4：一个省份的绿色金融对邻接省份碳排放效率产生正向的溢出效应，而一个省份不合理的政府干预会间接促进邻接省份碳排放效率的提升。

2 研究设计

2.1 模型设定

2.1.1 基准回归模型

通过构建基准回归模型分析绿色金融、政府干预对碳排放效率的影响，借鉴已有研究，构建如下基准回归模型。为控制异方差的影响，本文对数据均进行取对数处理。

其中，i为省份，t为时间。ceit代表碳排放效率，gfit代表绿色金融，gkit代表政府干预。Hit代表绿色金融和政府干预的交互项，并对其进行均值中心化处理。为防止遗漏重要解释变量产生内生性问题，引入控制变量Xit，具体包括产业结构（is）、城镇化（ur）、对外开放（op）以及科技创新（ti）。εit为随机误差项。

2.1.2 空间效应模型

绿色金融不仅会影响本地的碳排放，还会产生溢出效应对周边省份碳排放产生作用。此外一个地区的政府政策和行为也会影响到邻接省份的碳排放，因此构建空间计量模型考察绿色金融和政府干预对碳排放效率的空间影响效应。

首先，需要通过全局莫兰指数和局部莫兰指数检验数据的空间相关性，只有数据存在显著的空间相关性才可以使用空间计量模型，见式（2）与式（3）。

其中，n表示各省份；X代表绿色金融、政府干预和碳排放效率三个核心变量；W表示空间权重矩阵。

其次，空间计量模型需要选取合适的空间权重矩阵，借鉴徐辉和邱晨光（2022）[7]的研究，分别构建邻接矩阵（W1）、经济距离矩阵（W2）和地理距离矩阵（W3）三类矩阵，对绿色金融、政府干预和碳排放效率进行全局空间自相关检验，并根据检验结果选取最合适的空间矩阵，具体见式（4）、式（5）和式（6）。

邻接矩阵（W1）：

经济距离矩阵（W2）：

地理距离矩阵（W3）：

其中，dij为省会城市的直线距离。

最后，确定可以使用空间计量模型并选取合适的空间矩阵，经模型检验选取空间杜宾模型具体考察绿色金融和政府干预对碳排放效率的空间影响效应，如式（7）所示。

其中，β为解释变量的系数，ε为随机误差项，i为省份，t为时间，ρ为空间自回归系数，W为空间权重矩阵。ce为碳排放效率，gf为绿色金融，gk为政府干预，is代表产业结构，ur代表城镇化，op代表对外开放，ti代表科技创新。

2.2 变量定义

2.2.1 被解释变量

碳排放效率（ce）。学界普遍通过构建指标体系，采用SFA 以及DEA 方法来测算碳排放效率。借鉴田云和林子娟（2022）[8]的研究，构建基于投入、产出的碳排放指标体系，见表1。并采用非期望产出SBM 模型测算碳排放效率。SBM 模型是由Tone（2001）[9]提出测算效率的经典模型，相较于普通DEA方法得到的效率值更加客观准确，如式（8）所示。

表1 碳排放效率指标体系

其中，Xθ和Yθ表示每一单位前沿的投入和产出量；表示第i个投入的冗余，表示第r个产出的不足；θ表示权重；ρ（0≤ρ≤1）表示每个单元的效率水平高低，ρ越大表示效率越高，ρ越小即效率越低。当ρ=1 时，表示这个单元处于生产前沿，即完全有效率的状态。

2.2.2 核心解释变量

（1）绿色金融（gf）。基于整体性、科学性和数据可获得性原则，借鉴尹子擘等（2021）[10]的研究，从绿色投资、绿色保险、绿色信贷和绿色证券四个方面设计绿色金融的指标体系测度绿色金融水平，见表2。并采用熵值法进行测算，熵值法可以有效避免人为因素带来的偏差，被广泛应用于综合水平的测算和评价[11]，具体如式（9）至式（13）所示。

表2 绿色金融指标体系

首先，对指标数据进行标准化处理，以消除指标性质和计量单位不同的影响。

其中，xij代表样本值，max(xij)和min(xij)分别代表样本数据中的最大值和最小值，yij代表处理后的值。

其次，采用客观赋权法中的熵值法来测算各指标的权重。

其中，pij代表各省份占该指标的特征比重，ej代表指标的信息熵。

其中，wj代表权重，1-ej代表信息效用值。

最后，测算绿色金融的发展水平（gf）。

（2）政府干预（gk）。各地政府主要利用投资、财政拨款和行政政策等来引导绿色技术和绿色环保产业发展，进而对碳排放效率产生影响。借鉴张新月和师博（2022）[12]的做法，采取各地区一般预算支出占地区生产总值的比重来衡量政府干预水平。

2.2.3 控制变量

为防止遗漏重要控制变量可能带来的内生性问题，参考现有研究，梳理对碳排放效率产生影响的重要控制变量，选取产业结构、城镇化、对外开放以及科技创新四个控制变量[13—16]。其中、产业结构（is）用第三产业占GDP 的比重衡量，城镇化（ur）用城镇人口占总人口的比重衡量，对外开放水平（op）用进出口总额占GDP的比重衡量，科技创新（ti）用技术市场成交额占GDP的比重衡量。

2.3 数据来源与描述性统计

本文选取2005—2020 年我国30 个省份（不含西藏和港澳台）的面板数据，其中碳排放效率相关数据来源于2006—2021 年《中国统计年鉴》和《中国能源统计年鉴》。绿色金融相关数据来源于2006—2021年《中国金融年鉴》《中国保险年鉴》《中国环境统计年鉴》以及国泰安CSMAR数据库。政府干预和控制变量等数据来自2006—2021年《中国统计年鉴》《中国工业统计年鉴》以及《中国科技统计年鉴》。对于部分缺失数据，采取插值法进行填充。所有变量的描述性统计如表3所示。

表3 变量的描述性统计

3 实证分析

3.1 基准回归

3.1.1 相关性分析

回归分析前需要检验数据之间的相关关系，对绿色金融、政府干预、碳排放效率以及控制变量进行相关性分析，结果如表4所示。

表4 变量的相关性分析

从表4 中可以看出，绿色金融、政府干预以及四个控制变量与碳排放效率均具有显著的相关关系，其中绿色金融与碳排放效率显著正相关，政府干预与碳排放效率显著负相关。解释变量之间相关系数小于0.8，不会出现共线性的问题。

3.1.2 单位根检验

对数据进行单位根检验考察其平稳性，避免存在“伪回归”使估计结果出现偏差，本文采用LLC 和IPS 检验方法，检验结果见表5。由表5可知，所有数据在一阶差分处理后达到平稳，可以进行面板回归。

表5 单位根检验结果

3.1.3 回归结果

本文对绿色金融、政府干预对碳排放效率的影响进行回归分析，具体结果如表6所示。列（1）和列（2）考察的是绿色金融和政府干预对碳排放效率的影响。列（3）和列（4）考察引入绿色金融和政府干预的交互项（H）对碳排放效率的影响。

表6 基准回归结果

从表6可以看出，Hausman检验结果显著拒绝原假设，应选择面板固定效应模型分析。列（2）中，绿色金融的系数为0.145，且在1%的水平上显著，表明绿色金融的发展会显著促进碳排放效率的提升。这是因为绿色金融作为稀缺的金融资源，在推动绿色经济的发展和提升碳排放效率过程中发挥巨大作用。绿色金融带来的绿色投资极大地促进了绿色企业的发展。绿色金融市场中的绿色保险、绿色证券等为企业的绿色科技创新分担风险，让企业敢于进行技术革新。绿色金融政策推动形成绿色环保产业，传统高污染、高耗能产业逐渐被淘汰。政府干预的系数为-0.396，且在1%的水平上显著，说明政府干预对碳排放效率起显著的抑制作用。这一方面是因为长期以来，官员政绩考核以经济发展为主要目标，导致地方政府将大量资金投入传统高污染、高能耗的产业，而这些产业恰恰会产生大量的碳排放。另一方面，各类政策、资金以及其他生产要素集中于传统“两高”产业，会不断挤压绿色环保产业的生存空间，变相削弱碳排放效率提升能力。列（4）中，绿色金融和政府干预的交互项系数为0.012，且在5%的水平上显著。说明绿色金融和政府干预的联合效应对碳排放效率起促进作用。这可能是在绿色金融融入地方发展后，随着现代技术的发展，绿色金融赋能高新技术产业，改变了以往高新绿色企业研发周期长、回报率低的特点。绿色金融带动经济发展的同时也保护了生态环境，实现经济高质量发展。地方政府认识到绿色金融的作用，采取合理的手段支持绿色金融，所以二者的联合效应有利于碳排放效率的提升。

3.2 空间效应影响分析

3.2.1 空间相关性检验

运用全局莫兰指数，检验绿色金融、政府干预和碳排放效率的整体空间相关性。通过Stata软件计算出三个变量的全局莫兰指数，结果见下页表7。从表7可以看出，绿色金融、政府干预和碳排放效率在三类空间矩阵中的莫兰指数均显著为正，表明三个变量均存在正向的空间自相关关系。但通过对比可以发现，绿色金融在经济距离矩阵(W3)下的莫兰指数小于0.1，碳排放效率和政府干预在三个矩阵下的莫兰指数均大于0.1，综合对比三个变量，其在邻接矩阵(W1)下莫兰指数的数值更大，相应的正向集聚效果更显著，所以选择在邻接矩阵(W1)下分析绿色金融、政府干预对碳排放效率的空间影响。

表7 2005—2020年绿色金融、政府干预和碳排放效率的全局莫兰指数

运用Stata 软件绘制局部莫兰散点图，探究各省份碳排放效率的空间集聚状态，结果见下页图1。

图1 2005年与2020年各省份碳排放效率局部莫兰散点图

图1 展示了不同省份的碳排放效率空间集聚状态。从图1（a）可以发现，2005 年大部分省份的碳排放效率处于“高-高”和“低-低”集聚状态，少数省份处于“低-高”以及“高-低”集聚状态。从图1（b）可以看出，到2020 年，各省份碳排放效率的空间集聚状态与2005年相比未发生显著变化。这说明从局部空间检验来看，2005—2020 年各省份碳排放效率依旧表现出显著的空间聚集性，大部分处于第一、三象限，空间正相关性显著。

3.2.2 空间计量结果

为选择合适的空间计量模型，对绿色金融、政府干预和碳排放效率等变量进行模型检验。结果显示，LM 各类检验均在1%的水平上通过显著性检验，适合进行空间计量研究；LR结果均在1%的水平上显著，表明SDM（空间杜宾）模型不会退化为SAR（空间滞后）模型或SEM（空间误差）模型，所以SDM 模型最合适；Hausman 检验在1%的水平上显著拒绝原假设，故选择固定效应。因此，最终选择固定效应的空间杜宾模型来分析绿色金融、政府干预对碳排放效率的影响。基于邻接权重矩阵，计算绿色金融、政府干预对碳排放效率影响的空间滞后项，结果见表8。

表8 SDM模型回归结果

从表8可以发现，30个省份碳排放效率是否存在空间效应的空间滞后项系数（Spatial rho）为0.273，且在1%的水平上显著，说明我国省域碳排放效率存在显著的空间聚集效应，碳排放效率的正向空间溢出效应明显，易受邻接地

区各种因素的影响。其中，绿色金融（lngf）的估计系数为0.261，且在1%的水平上显著，表明绿色金融的发展显著促进本地区的碳排放效率。政府干预（lngk）的估计系数为-0.262，并在1%的水平上显著，表明政府干预对本地区的碳排放效率起抑制作用。这与前文基准回归得到的结果一致，再次验证了假设1和假设2。

绿色金融（W*lngf）的空间溢出效应的回归系数为0.391，并在1%的水平上通过显著性检验，说明绿色金融促进当地碳排放效率提升的同时，邻接地区还通过绿色理念和绿色资金推动碳排放效率提升，验证了邻接地区绿色金融对碳排放效率具有显著的正向溢出效应。政府干预（W*lngk）的空间溢出效应的回归系数为0.260，且在1%的水平上显著，说明不合理的政府干预使本地区的绿色资源、高新技术和环保产业被“挤出”，邻近地区间接促进了本地区的碳排放效率提升，验证了不合理的政府干预确实会导致“挤出效应”。

3.2.3 区域异质性

由于各地区资源禀赋以及经济发展存在较大差异，有必要分地区探究绿色金融、政府干预对碳排放效率的区域差异性影响。运用Stata软件，基于邻接矩阵（W1），将30个省份分成东部、中部和西部地区，分别检验绿色金融和政府干预对碳排放效率的空间影响效应，具体结果见下页表9。

表9 区域异质性回归结果

从表9中可以看出，中部地区绿色金融和政府干预对碳排放效率的直接效应和空间效应与全国一致。但东部地区的政府干预对碳排放效率的直接效应表现为显著促进，邻接地区的溢出效应不明显。这是因为东部地区发展较快，当地政府较早意识到环境保护的重要性，出台政策以及加大投资进行碳排放治理，合理的政府干预有利于提升碳排放效率。相应的东部地区政府对绿色资源更加重视，不会让绿色资源、高新技术“流出”，甚至相互竞争，出台各类政策吸引绿色资源和环保产业，所以溢出效应不明显。西部地区绿色金融对碳排放效率的溢出效应消失，这是因为西部地区发展缓慢，绿色金融资源本就稀缺，很难往邻接省份溢出。

3.2.4 稳健性检验

为验证结果的可靠性，将北京、天津、上海和重庆4个可能引起干扰的直辖市去除，因为他们虽为城市，但行政级别却属于省级行政区。基于邻接矩阵进行空间杜宾模型检验，结果表明，核心解释变量对碳排放效率的影响效应和显著性与前文一致，表明空间杜宾模型的结果是稳健可靠的。

4 结论

本文基于我国30 个省份2005—2020 年的面板数据，实证考察了绿色金融和政府干预对碳排放效率的影响，并构建空间杜宾模型检验绿色金融和政府干预对碳排放效率的溢出效应。主要结论如下：（1）绿色金融对碳排放效率起显著的促进作用，绿色金融是减排固碳的关键，其通过推动绿色科技创新、优化产业结构显著提升了碳排放效率。（2）政府干预会显著抑制碳排放效率的提升，当前地方官员仍以经济发展为主要目标，一定程度上忽视了对生态环境的保护。（3）绿色金融和政府干预的联合效应会促进碳排放效率的提升，说明政府认识到绿色金融对低碳经济的作用，并采取了合理的干预措施。（4）空间杜宾模型检验验证了基准回归的结果。邻接省份的绿色金融和政府干预对碳排放效率具有显著的正向溢出效应，邻接省份的绿色金融以及不合理的政府干预均会显著促进本省的碳排放效率。分地区检验发现，东部地区政府干预对碳排放效率的直接效应表现为显著促进，但邻接地区的溢出效应不显著。西部地区邻接地区绿色金融对碳排放效率的溢出效应消失。