动态空间视角下金融发展对碳排放的影响力分析

陈碧琼+张梁梁

摘要：在借鉴国内外研究金融发展和低碳经济相关成果的基础上建立基于STIRPAT模型的空间动态面板模型，运用空间系统GMM重点探究了包括金融规模和金融效率等多个因素对我国碳排放量和碳排放强度的影响。结果表明，我国碳排放和金融效率存在显著的空间相关性。金融规模壮大促进碳排放量增加，同时降低碳排放强度；金融效率提升对碳排放的影响方向与金融规模相同，但本地增长效应明显小于空间溢出效应。

关键词：碳排放；金融发展；空间集聚；动态空间面板

中图分类号：F832；X22文献标识码：A文章编号：1001-8409（2014）07-0140-05

The Impact of Financial Development to Carbon

Emissions from the Perspective of Dynamic Spatial

CHEN Biqiong, ZHANG Liangliang

(School of Economics and Business Administration, Chongqing University, Chongqing 400044)

Abstract： Based on the domestic and foreign research related to financial development and lowcarbon economy, this paper establishes a dynamic spatial panel model based on the STIRPAT model, using spatial system GMM explores multiple factors which includes financial scale and efficiency on carbon emissions. The results show that both carbon emissions and financial efficiency exist significantly spatial correlation. The growth of financial scale increases carbon emissions but reduces carbon intensity; financial efficiency impacts on carbon emissions the same direction as financial scale, but the local growth effects significantly less than the spatial spillover effects.

Key words： carbon emissions; financial development; spatial agglomeration; dynamic spatial panel

1文献综述

国家“十二五”规划首次明确提出发展低碳经济的战略目标，并将二氧化碳排放强度列为可衡量的约束性指标。这不仅说明我国对气候变化和资源环境约束带来的低碳发展问题给予充分的重视，更凸显出以碳关税为代表的绿色贸易壁垒和国际舆论压力给我国经济可持续发展敲响警钟。面对日益严峻的内外部环境，我国发展低碳经济势在必行。本文着重考察以金融机制改革、金融规模壮大、金融效率提升和金融创新深化为特征的金融发展对控制碳排放量以及碳排放强度是否有一定的影响，金融业发展能否成为推进低碳经济转型的有效决策工具，金融和低碳两者之间存在怎样的时间与空间关联。这一系列问题正是本文力求解答的。

目前有关金融发展和低碳经济两者之间关系的研究大致可以分为两类。绝大部分学者将视角集中在碳金融体制的探讨和形式的创新，得到许多有益的结论。只有极少部分研究关注了金融业自身发展对低碳经济直接的促进作用。Tamazian等以碳排放量作为衡量环境破坏的指标，认为“金砖四国”金融发展可以有效地改善环境的恶化［1］；Tamazian和Bhaskara以24个转型经济体1993～2004年面板数据为研究对象，得到了类似的结论，并且强调了健全的制度是金融市场抑制碳排放的必要条件［2］；Jalil和Feridun以中国为例，通过构建ARDL模型证实中国金融发展与碳排放之间具有显著的负相关关系，进而驳斥了中国经济发展以破坏环境为代价的说法［3］；Zhang更加注重中国的实际国情，以金融中介机构和资本市场的规模和效率作为衡量金融发展的代理变量，得到与上述几位学者相反的研究结论［4］。可以看出国外学者的研究结论大部分支持金融发展对低碳经济的推进有正向作用，只有少数认为金融发展通过促进工业化水平、城镇化进程等碳排放增长因素以提高碳排放总量［5］。相比国外学者以中国或其他国家作为一个整体进行分析，国内学者充分考虑了我国地区间巨大的社会经济差异，认为金融规模和金融效率在东部地区和中西部地区对碳排放的影响是截然不同的［6］；顾洪梅和何彬运用PVAR模型得到中国省域金融发展与碳排放的动态关系——区域金融深化对碳排放有显著的抑制作用，金融集中度对碳排放的影响则取决于金融深化的程度［7］；郭福春和潘锡泉定量检验了浙江省1995~2010年间金融发展对以碳排放量为衡量指标的经济结构的影响机制，得到金融服务支持确实能对浙江省低碳转型产生较强推动作用的结论［8］。另外，市场机制、产业结构、科技进步、观念培养等诸多因素同样影响着金融发展促进低碳经济的效率［9，10］。

通过对文献的梳理，不难发现目前我国有关金融和低碳经济相结合的研究主要集中在碳金融机制探索领域，针对金融规模和效率对低碳经济的直接影响尚十分缺乏，只有极少数学者结合中国省际差异做了相应经验分析。正是认识到这些不尽完善之处，充分考虑了时间和空间因素对金融发展促进低碳经济的影响，力求为金融支持低碳发展提供令人信服的依据。

2模型构造与数据说明

2.1模型构造

Ehrlish和Holden最早提出的IPAT模型将资源环境与社会经济发展诸多方面以简单恒等式联系起来。Dietz和Rosa在此基础上，提出可分析非比例影响的随机环境评估模型，如式(1)所示。

Ii=aPbiAciTdiei(1)

其中，Ii表示第i个地区的环境因素，在本文以碳排放相关指标替代。Pi、Ai、Ti分别指人口、经济和技术因素，用于衡量三者对环境变化（这里特指碳排放）的综合影响，ei为模型中的随机误差项。对式(1)两边取对数，并加上时间变量，可得到如下变形表达式：

lnIit=a′+blnPit+clnAit+dlnTit+eit(2)

为了使理论模型更贴近中国实际发展的情况，本文对模型做了如下几个方面的说明：第一，我国现阶段正处于全力推进工业化和城镇化的阶段，产业结构和能源供给结构长期不变，公民环保意识和生活习惯短期不易改变，技术进步和产品收益实现黏性显著，各个方面的限制都阻碍了碳排放绝对量的减少，导致我国碳排放长期存在较强的路径依赖；第二，通过已有研究成果和主观判断，传统理论假设的金融发展和碳排放均不存在空间相关性违背了中国区域发展的客观实际，具体研究中忽略空间因素对碳排放的影响显然是不可取的；第三，碳排放不仅仅是简单的环境问题，而是综合了经济、文化、社会民生等诸多方面的系统性问题，在判断金融发展对低碳经济影响的过程中必须合理控制其他因素。考虑到以上三点，同时借鉴上述STIRPAT模型，本文最终选择了综合考虑时间和空间因素的双对数动态空间面板模型：

lnCit=α1lnCit－1+α2WlnCit+α3lnfinit+α4lneffit+α5Wlneffit+βlnZit+μi+εit

其中，因变量lnCit用以衡量碳排放水平，在本文中分别以二氧化碳排放总量和二氧化碳排放强度(单位GDP的二氧化碳排放量)表示。Cit-1是Cit滞后一期项，主要用于说明碳排放路径依赖的程度。WlnCit表征周围地区碳排放对本地区碳排放的空间溢出效应。lnfinit和lneffit是本文的核心解释变量,重点考察金融规模和金融效率对低碳经济的影响。Wlneffit指周围地区金融效率在本地区的溢出。主要衡量金融效率的碳排放空间效应公式中没有金融规模的碳排放空间溢出项，是因为经过Moran检验得到金融规模不存在显著的空间相关性。而碳排放和金融效率空间相关性显著，这在后文Moran检验可以得到验证。 。lnZit是模型中被控制的一系列变量，β=［β1,β2...β4］，Zit=［gdpit,indit,humanit－1,tradeit,］T。

2.2指标说明与数据来源

2.2.1二氧化碳排放量

目前我国尚未公布官方的碳排放数据，所以在实证研究中的二氧化碳排放数据往往需要作者自行估算。由于化石燃料在我国能源结构中占有极大比重，而诸如核能、风能等不排放二氧化碳的清洁能源在能源消费结构中所占比重历年最大值都不超过10%，故本文在测算各省二氧化碳排放量时选了9种主要的化石燃料(原煤、洗煤、其他洗煤、焦炭、汽油、煤油、柴油、液化石油气、天然气)的终端消费值为依据，具体公式如下：

Cit=9j=1Citj=9j=1Mitj×Kj×qj×44/12 (3)

其中，Mitj表示第i省t年j种化石能源消费的实物量，Kj表示对应能源折算标煤系数，具体数据可参考《中国能源统计年鉴》考虑到其他洗煤实际消耗量较多，为了尽可能准确，这一项采用了年鉴中给定其他洗煤折算标准煤系数的平均值。 ，qj为IPCC在2006年给出的碳排放系数，假设化石燃料使用效率短时期保持不变，故本文中各种能源的碳排放系数是恒定的。为了简化非经济学方面的讨论，本文假定化石燃料都已经燃烧充分，用公式中常数44/12表示碳氧化为二氧化碳的乘数因子。

2.2.2空间权重矩阵

空间权重矩阵的构建是准确计算Moran I指数和实证分析的关键。为了方便比较，本文采用两种方式构建空间权重矩阵。第一种方式是较常用的。根据是否有共同边界判定相邻与否的二进制邻接权重矩阵，Wij=1表示省份间有共同的边界，否则将Wij赋值为0。并认为一个地区不与自身空间相邻，即主对角线Wii=0。为了避免“孤岛效应”，人为地将海南省处理为与广东和广西两省存在共同边界。第二种方式借鉴了钟水映和李魁［11］的方法，以各地区省会城市作为各省中心，基于地理距离衰减函数得到各地区间空间权重矩阵各省会城市距离根据国家地理信息系统网站提供1:400万电子地图用Geoda软件测得。。为了减少区域外在影响、更好刻画空间滞后项对邻近地区的加权平均，还需要对上面得到的两种权重矩阵做行标准化。由于各省市间相邻与否和省会城市（包括直辖市）间距等地理因素不随时间而改变，因此W1994=W1995=…=W2011。最终得到可用于实证分析的邻接权重矩阵和距离权重矩阵。

2.2.3其他解释变量

本文以大多数学者采用的金融机构各项贷款余额占GDP比重表示金融规模(fin)，衡量中国金融业不断壮大是否有利于向低碳经济转化。同时借鉴了郑志刚和邓贺斐［12］等人的做法，以非国有部门信贷占GDP比重衡量金融效率(eff)的高低。以实际人均GDP衡量经济发展对碳排放的影响文中并没有像部分学者对人均GDP取平方形式主要是基于以下两点理由：第一，从各省碳排放与人均GDP的散点图可以看出二次形式不明显，在多数省份中更偏向于线性形式；第二，GDP并非本文所考虑的核心变量，作为控制变量，笔者对其简化处理。。考虑到第二产业对二氧化碳排放量的影响明显强于第一、三产业，本文以第二产业增加值占GDP比重(ind)来衡量各省产业结构特征对碳排放的影响。此外，以常用的平均受教育年限衡量人力资本存量(human)，选取6岁及以上被抽样人口加权获得的最高学历衡量设置受教育年限为小学文化水平s1=6，初中为s2=9，高中为s3=12，大专及以上为s4=16。human=(6×小学文化人数+9×初中文化人数+12×高中文化人数+16×大专及以上文化人数)/总的被调查人数。 。同时注意到人力资本存量并不能立刻转化为经济增长的动力，本文处理的方法是将人力资本存量滞后一期。隐含碳排放的存在使本文不能忽视国际贸易对碳排放的客观影响，本文采用各地区出口总额占当年GDP比重(trade)表征各省对外贸易与内涵碳排放的影响程度。

2.2.4数据来源与说明

本文基于中国省际面板数据进行研究。各省市9种能源实物量来自《中国能源统计年鉴(1996～2012)》，第二产业增加值、对外出口总额、人均GDP以及各类价格指数来自《中国统计年鉴(1996～2012)》，居民受教育年限来自《中国教育统计年鉴(1996～2012)》，各项贷款余额来自《中国金融年鉴(1996～2012)》，非国有部门信贷额来自国泰安数据库。凡是以价值量单独出现的数据在本文均以1990年不变价作了相应的平减，并以当年美元兑人民币汇率的中间价折算对外出口总额以统一口径。将重庆市直辖后相关数据并入四川省。2000～2002年宁夏自治区和2002年海南省碳排放量缺失，本文采用移动平均插值法将其补齐。西藏地区因数据缺失严重而从样本中剔除。

3实证结果分析

3.1空间相关性检验

地理学第一定理认为任何事物与其他事物都存在一定的空间关联性，距离越近相关性一般说来越高。那么我国碳排放水平和金融发展程度是否存在显著的空间相关性？如果存在，空间集聚的程度到底有多大？实际操作中检验空间相关性最常用的方法是求解Moran I指数，计算公式为：

Moran I=ni=1nj=1Wij(Yi－Y)(Yj－Y)S2ni=1nj=1Wij(4)

其中S2=ni=1(Yi－Y)2，Y=1nni=1Yi，Yi是第i个省份相应需考察的观察值，Wij为上文标准化后处理得到的空间权重矩阵。Moran I指数一般取值在［-1,1］之间，大于0表示相应变量存在空间正相关，反之说明存在空间负相关，绝对值越接近1代表空间相关度越大。

图1给出了我国省际碳排放和金融效率的Moran I指数变化趋势。无论碳排放量或是碳排放强度都存在一定程度的空间集聚2001~2003年碳排放强度Moran I指数未通过5%的显著水平，但通过了10%水平下的Moran检验。 ，且两者走势基本相同，说明我国区域碳排放有趋于集聚的内在动力。特别是2004年以后，Moran I指数较之前有一定的增加，并且呈现持续增长的趋势，说明碳排放空间相关性愈加明显。同时，我国金融效率有十分显著的空间集聚(历年都通过了1%水平下的显著性检验)，但金融规模空间相关性不显著，这也正是模型考虑碳排放和金融效率而忽视金融规模空间因素影响的原因。3.2实证结果分析

因为在模型中同时引入因变量的时间滞后项以及相关变量的空间滞后项，由此带来的模型内生性就成为了无法回避的问题，导致传统估计方法已经不再适用。目前估计动态空间面板模型最常用的方法是无条件ML和空间GMM。学者普遍认为空间GMM能得到一致的参数估计，经Arellano等人改良后的系统GMM在控制时间和空间两个维度的固定效应后，能有效地提高系数的稳定性和估计效率。蒙特卡洛模拟也证明了系统GMM估计动态空间面板的可行性［13］。此外，ML估计被证明当权重矩阵阶数过大时，得到的特征值是不可靠的。鉴于上述几点原因，本文的参数估计方法最终确定采用空间系统GMM。

表1分别以碳排放量和碳排放强度为因变量进行了实证估计。比较方程(1)～(3)和(6)～(8)不难看出，在忽视时空因素的情况下，包括金融发展在内各个因素对碳排放的影响显著，但影响系数普遍大于引入空间因素的情况。加入空间因素后的方程拟合度有了显著提高，自然对数似然值(LogL)增加也说明空间滞后项的引入使模型有了更高的可信度，忽视空间因素造成其他因素的作用被不合理夸大。然而遗憾的是，在忽视碳锁定效应的前提下，尽管控制变量显著且大致能解释现实经济现象，但核心解释变量均不显著，说明在忽视中国极强的碳排放惯性下解释金融发展对碳排放影响是有问题的。对于每组最后两个方程而言，AR(2)检验说明差分方程误差项不存在二阶自相关；Sargan检验接受工具变量有效的原假设。因此可以认为将实证模型设定为动态空间面板是合理的。无论是碳排放量或者碳排放强度的一阶滞后项系数在1%的显著水平下都大于08，不仅证实了前文提出的碳排放路径锁定的设定，更说明现阶段各地区碳排放是一个逐年增加、连续累积的渐进调整过程。

金融规模壮大对碳排放影响是本文研究的一个重点。从实证结果看，金融规模对增加碳排放量、降低碳排放强度、提高碳生产率有显著的促进作用。表现在金融规模每增大1%，会增加0115%、0059%的排放量，但会降低0164%、0114%的碳排放量强度。金融业迅速发展以及金融资产总量大幅增加极大地支持和刺激我国实体经济发展，对第二产业的影响首当其冲。但目前我国还处于迅速发展的阶段，国家核心利益不允许以牺牲经济发展为代价换取环境质量的提高，加之我国科教存量、产业结构分工、国民环保意识等方面都处于较低水平，导致发展过程中化石能源利用和碳排放量难以避免的激增。需要看到的是，金融规模壮大在带来碳排放量增加的同时更大程度促进经济增长，两者综合的效果是碳生产率得以提高，使碳排放强度有较大幅度的降低。所以壮大金融规模是符合中国当前发展局势的，对实现“2020年比2005年碳强度降低40%～45%”的承诺也是有帮助的。

表1金融发展对碳排放的估计结果

当被解释变量为碳排放量时当被解释变量为碳排放强度时(1)(2)(3)(4)(5)(6)(7)(8)(9)(10)L.lnCWlnClnfinlneffWlnefflngdplnindL.lnhumanlntrade_consRsquaredLogLAR(2)Sargan test[4]0.855***0.878***[9]0.896***0.896***[4](0.022)(0.267)[9](0.067)(0.072)[2]0.532***0.723***0.150***0.063**0.746***0.942***0.135***0.071*(0.052)(0.065)(0.045)(0.030)(0.069)(0.089)(0.045)(0.076)-0.136***-0.064-0.0360.115***0.059***-0.180***-0.037-0.045-0.164***-0.114***(0.048)(0.047)(0.043)(0.034)(0.022)(0.049)(0.049)(0.045)(0.025)(0.023)-0.0570.003-0.0180.097***0.029-0.110**0.0270.009-0.089**-0.044*(0.049)(0.054)(0.049)(0.022)(0.027)(0.050)(0.055)(0.051)(0.043)(0.024)-0.288***-0.395***0.297***0.402***-0.288***-0.340***-0.298***-0.473***(0.098)(0.128)(0.040)(0.044)(0.098)(0.126)(0.090)(0.062)0.781***0.330***0.233***0.195***0.125***-0.241***-0.131***-0.087**-0.148***-0.171***(0.036)(0.061)(0.063)(0.041)(0.027)(0.036)(0.038)(0.045)(0.030)(0.022)0.541***0.853***0.821***0.216***0.138***0.779***0.798***0.766***0.088***0.130**(0.091)(0.087)(0.084)(0.053)(0.044)(0.092)(0.081)(0.083)(0.034)(0.053)-0.518**-0.618***-0.557***-0.434***-0.360***0.1660.526***0.562***-0.153*-0.210**(0.208)(0.188)(0.191)(0.900)(0.101)(0.210)(0.191)(0.199)(0.098)(0.097)0.060**0.045*0.0170.048***0.026***0.053**0.064***0.040*-0.029**-0.024***(0.025)(0.022)(0.022)(0.010)(0.008)(0.025)(0.022)(0.023)(0.011)(0.007)-0.121-1.961***-2.278***-1.527***-1.239***1.202***-1.624***-2.220***-0.971***-1.104***(0.323)(0.371)(0.374)(0.193)(0.218)(0.326)(0.398)(0.447)(0.314)(0.252)0.9070.9240.9270.3880.5220.516154.2203.1209.5160.1220.4209.31.3821.2581.3451.287(0.167)(0.208)(0.179)(0.198)23.39025.30523.41622.290(1.000)(1.000)(1.000)(1.000)注：L.表示因变量的一阶滞后项；***、**、*分别表示通过1%、5%、10%显著水平下的检验；系数括号内数值表示(稳健)标准差；后两行括号内数值表示AR(2)和Sargan test对应的p值

金融效率提升对碳排放作用方向是本文讨论的另一个重点。一方面，本地区金融效率对碳排放作用方向与金融规模相同，但各方面影响力都显著弱于后者。金融效率每提升1%对碳排放量增长和碳排放强度降低都不足01%，甚至方程(5)中系数还出现不显著的情况，说明我国金融效率提升对发展低碳经济的影响力不如金融规模增加来得直接。另一方面，金融效率对碳排放的区域溢出效应表现出极强的促进作用。周围地区金融效率每提高1%，本地区碳排放量增加0294%、0402%，碳排放强度相应增加降低0298%、0473%。对于上诉现象本文给出如下几点解释：首先，现阶段我国金融信贷业务与低碳经济未能充分有效结合，对碳金融的理解还有不到位之处，加之市场化程度低、法律法规不健全、金融衍生品创新能力差等多方面的限制，使其作用于节能减排的效率偏低；其次，我国金融效率存在极强的空间正相关，周围地区金融效率提升会带动本地区金融效率相应提升，不仅导致本地区碳排放量小幅提高和碳排放强度小幅降低，还使周围地区产生相同的碳排放效应。综合考虑碳排放的空间集聚性和低碳经济对社会各层面的广泛涉及，金融效率对碳排放的空间溢出效应强于对本地区碳排放的影响，也侧面说明平衡提高全局金融效率对节能减排的重要性。

除了与金融规模和金融效率有关的结论，本文还通过实证分析得到其他解释低碳经济发展的有益补充。我国区域碳排放空间相关性显著，其他地区碳排放量或排放强度提高对本地区都有正向作用，这也验证了两者Moran I指数不断增大的趋势。人均GDP增加促进碳排放量增长，说明我国正处于EKC曲线的上升期；同时降低了碳排放强度，经济发展对提高能源利用率有正向作用。类似的作用方向也出现在国际贸易方面，只是作用力度明显小于经济发展。尽管出口的内涵碳排放会增加我国碳排放总量，但降低了碳排放强度，所以本文认同李小平和卢现祥［14］的说法，我国并没有通过国际贸易成为发达国家的“污染避难所”，同时国际贸易总体上是有利于节能减排的。以第二产业占比衡量的产业结构不利于减少碳排放，工业化和城市化是我国碳排放增长重要的驱动因素。另外，科技进步和国民素质提高对低碳经济推进具有重大意义。绿色环保理念的宣传教育，低碳技术的应用并最大程度上转化为经济效益减少了碳排放量，同时提高能源生产效率。

4结论与政策建议

本文从STIRPAT原始模型出发，引入时间和空间因素构建了动态空间面板模型。利用1995～2011年终端能源使用量测算出省际CO2排放量，并以此数据为依据实证分析了包括金融规模和金融效率两方面的金融发展对碳排放的影响力度。结果清楚地表明，我国区域碳排放在时间维度上具有很强的黏性，空间维度上集聚效应显著。金融发展在增加碳排放量的同时降低了碳排放强度。本地区金融规模对碳排放的影响力大于金融效率，但都明显小于周围地区的溢出效应。另外，本文认为经济发展和对外开放度增加碳排放量的同时降低了碳排放强度，总体上适应我国发展趋势和作出的关于2020年碳减排承诺；工业化进程不利于碳减排实施；发展科研教育是节能减排最强有力的手段。

金融发展是低碳经济浪潮下实现经济与资源环境协调可持续发展的一个重要手段。在我国碳排放存在极强的时空滞后性的背景下，本文认为金融发展会增加碳排放量，这是现阶段我国经济发展难以避免的问题，但同时降低了碳排放强度，遵循我国在碳排放问题对国际社会作出的承诺，适应我国目前的针对低碳经济的标准。仅仅注重本地区金融规模和效率的提高起到的作用有限，周围地区金融发展水平对整个地区低碳经济推进有更加重要的作用。这就要求政府在兼顾经济效率和环境约束的前提下，支持金融规模进一步扩大，合理配置区域内部和区域间金融资源比重，特别是发挥金融效率对碳减排的溢出效应。同时，从降低碳排放强度的角度出发，持续发展经济、降低第二产业比重、重视科研教育、提高贸易开放度等手段同样可以在提高碳生产率上有所作为。

参考文献:

［1］Tamazian A，Chousa J P，Vadlamananati K C. Does Higher Economic and Financial Development Lead to Environmental Degradation: Evidence from Bric Countries［J］. Energy Policy，2009,37(1):246-253.

［2］Tamazian A， Bhaskara Rao B. Do Economic, Financial and Institutional Development Matter for Environmental Degradation? Evidence from Transitional Economies［J］. Energy Policy， 2010,32(1):137-145.

［3］Jalil A，Feridun M. The Impact of Growth, Energy and Financial Development on the Environment in China: A Cointegration Analysis［J］. Energy Economics， 2011,33(2):284-291.

［4］Zhang Y J. The Impact of Financial Development on Carbon Emissions: An Empirical Analysis in China［J］. Energy Policy， 2011,39(4):2197-2203.

［5］Ghost S. Examining Carbon Emissions-Economic Growth Nexus for India: A Multivariate Cointegration Approach［J］. Energy Policy， 2010,38(6):3008-3014.

［6］鲁钊阳. 农村金融发展与农业碳排放关系区域差异实证研究［J］. 思想战线，2013,39(2)：119-123.

［7］顾洪梅，何彬. 中国省域金融发展与碳排放研究［J］. 中国人口.资源与环境，2012,22(8):22-27.

［8］郭福春，潘锡泉. 金融支持低碳经济发展的影响机制研究——基于浙江省数据的经验分析［J］. 浙江社会科学，2011(10):12-19.

［9］谢清河. 发展低碳经济与金融创新的互动效应探析［J］. 现代经济探讨，2010(6):21-25.

［10］周辉，罗良文. 科技金融推动低碳产业发展模式研究［J］. 科技进步与对策，2011,28(24):78-81.

［11］钟水映，李魁. 人口红利、空间外溢与省域经济增长［J］. 管理世界，2010(4)：14-23.

［12］郑志刚，邓贺斐. 法律环境差异和区域金融发展——金融发展决定因素基于我国省级面板数据的考察［J］. 管理世界，2010(6):14-27.

［13］Kukenova M，Monteiro J. Spatial Dynamic Panel Model and System GMM: A Monte Carlo Investigation［J］. SSRN working papers,2008.

［14］李小平，卢现祥. 国际贸易、污染产业转移和中国工业CO2排放［J］. 经济研究，2010(1):15-26.

(责任编辑：冉春红)

除了与金融规模和金融效率有关的结论，本文还通过实证分析得到其他解释低碳经济发展的有益补充。我国区域碳排放空间相关性显著，其他地区碳排放量或排放强度提高对本地区都有正向作用，这也验证了两者Moran I指数不断增大的趋势。人均GDP增加促进碳排放量增长，说明我国正处于EKC曲线的上升期；同时降低了碳排放强度，经济发展对提高能源利用率有正向作用。类似的作用方向也出现在国际贸易方面，只是作用力度明显小于经济发展。尽管出口的内涵碳排放会增加我国碳排放总量，但降低了碳排放强度，所以本文认同李小平和卢现祥［14］的说法，我国并没有通过国际贸易成为发达国家的“污染避难所”，同时国际贸易总体上是有利于节能减排的。以第二产业占比衡量的产业结构不利于减少碳排放，工业化和城市化是我国碳排放增长重要的驱动因素。另外，科技进步和国民素质提高对低碳经济推进具有重大意义。绿色环保理念的宣传教育，低碳技术的应用并最大程度上转化为经济效益减少了碳排放量，同时提高能源生产效率。

4结论与政策建议

本文从STIRPAT原始模型出发，引入时间和空间因素构建了动态空间面板模型。利用1995～2011年终端能源使用量测算出省际CO2排放量，并以此数据为依据实证分析了包括金融规模和金融效率两方面的金融发展对碳排放的影响力度。结果清楚地表明，我国区域碳排放在时间维度上具有很强的黏性，空间维度上集聚效应显著。金融发展在增加碳排放量的同时降低了碳排放强度。本地区金融规模对碳排放的影响力大于金融效率，但都明显小于周围地区的溢出效应。另外，本文认为经济发展和对外开放度增加碳排放量的同时降低了碳排放强度，总体上适应我国发展趋势和作出的关于2020年碳减排承诺；工业化进程不利于碳减排实施；发展科研教育是节能减排最强有力的手段。

金融发展是低碳经济浪潮下实现经济与资源环境协调可持续发展的一个重要手段。在我国碳排放存在极强的时空滞后性的背景下，本文认为金融发展会增加碳排放量，这是现阶段我国经济发展难以避免的问题，但同时降低了碳排放强度，遵循我国在碳排放问题对国际社会作出的承诺，适应我国目前的针对低碳经济的标准。仅仅注重本地区金融规模和效率的提高起到的作用有限，周围地区金融发展水平对整个地区低碳经济推进有更加重要的作用。这就要求政府在兼顾经济效率和环境约束的前提下，支持金融规模进一步扩大，合理配置区域内部和区域间金融资源比重，特别是发挥金融效率对碳减排的溢出效应。同时，从降低碳排放强度的角度出发，持续发展经济、降低第二产业比重、重视科研教育、提高贸易开放度等手段同样可以在提高碳生产率上有所作为。

参考文献:

［1］Tamazian A，Chousa J P，Vadlamananati K C. Does Higher Economic and Financial Development Lead to Environmental Degradation: Evidence from Bric Countries［J］. Energy Policy，2009,37(1):246-253.

［2］Tamazian A， Bhaskara Rao B. Do Economic, Financial and Institutional Development Matter for Environmental Degradation? Evidence from Transitional Economies［J］. Energy Policy， 2010,32(1):137-145.

［3］Jalil A，Feridun M. The Impact of Growth, Energy and Financial Development on the Environment in China: A Cointegration Analysis［J］. Energy Economics， 2011,33(2):284-291.

［4］Zhang Y J. The Impact of Financial Development on Carbon Emissions: An Empirical Analysis in China［J］. Energy Policy， 2011,39(4):2197-2203.

［5］Ghost S. Examining Carbon Emissions-Economic Growth Nexus for India: A Multivariate Cointegration Approach［J］. Energy Policy， 2010,38(6):3008-3014.

［6］鲁钊阳. 农村金融发展与农业碳排放关系区域差异实证研究［J］. 思想战线，2013,39(2)：119-123.

［7］顾洪梅，何彬. 中国省域金融发展与碳排放研究［J］. 中国人口.资源与环境，2012,22(8):22-27.

［8］郭福春，潘锡泉. 金融支持低碳经济发展的影响机制研究——基于浙江省数据的经验分析［J］. 浙江社会科学，2011(10):12-19.

［9］谢清河. 发展低碳经济与金融创新的互动效应探析［J］. 现代经济探讨，2010(6):21-25.

［10］周辉，罗良文. 科技金融推动低碳产业发展模式研究［J］. 科技进步与对策，2011,28(24):78-81.

［11］钟水映，李魁. 人口红利、空间外溢与省域经济增长［J］. 管理世界，2010(4)：14-23.

［12］郑志刚，邓贺斐. 法律环境差异和区域金融发展——金融发展决定因素基于我国省级面板数据的考察［J］. 管理世界，2010(6):14-27.

［13］Kukenova M，Monteiro J. Spatial Dynamic Panel Model and System GMM: A Monte Carlo Investigation［J］. SSRN working papers,2008.

［14］李小平，卢现祥. 国际贸易、污染产业转移和中国工业CO2排放［J］. 经济研究，2010(1):15-26.

(责任编辑：冉春红)

除了与金融规模和金融效率有关的结论，本文还通过实证分析得到其他解释低碳经济发展的有益补充。我国区域碳排放空间相关性显著，其他地区碳排放量或排放强度提高对本地区都有正向作用，这也验证了两者Moran I指数不断增大的趋势。人均GDP增加促进碳排放量增长，说明我国正处于EKC曲线的上升期；同时降低了碳排放强度，经济发展对提高能源利用率有正向作用。类似的作用方向也出现在国际贸易方面，只是作用力度明显小于经济发展。尽管出口的内涵碳排放会增加我国碳排放总量，但降低了碳排放强度，所以本文认同李小平和卢现祥［14］的说法，我国并没有通过国际贸易成为发达国家的“污染避难所”，同时国际贸易总体上是有利于节能减排的。以第二产业占比衡量的产业结构不利于减少碳排放，工业化和城市化是我国碳排放增长重要的驱动因素。另外，科技进步和国民素质提高对低碳经济推进具有重大意义。绿色环保理念的宣传教育，低碳技术的应用并最大程度上转化为经济效益减少了碳排放量，同时提高能源生产效率。

4结论与政策建议

本文从STIRPAT原始模型出发，引入时间和空间因素构建了动态空间面板模型。利用1995～2011年终端能源使用量测算出省际CO2排放量，并以此数据为依据实证分析了包括金融规模和金融效率两方面的金融发展对碳排放的影响力度。结果清楚地表明，我国区域碳排放在时间维度上具有很强的黏性，空间维度上集聚效应显著。金融发展在增加碳排放量的同时降低了碳排放强度。本地区金融规模对碳排放的影响力大于金融效率，但都明显小于周围地区的溢出效应。另外，本文认为经济发展和对外开放度增加碳排放量的同时降低了碳排放强度，总体上适应我国发展趋势和作出的关于2020年碳减排承诺；工业化进程不利于碳减排实施；发展科研教育是节能减排最强有力的手段。

金融发展是低碳经济浪潮下实现经济与资源环境协调可持续发展的一个重要手段。在我国碳排放存在极强的时空滞后性的背景下，本文认为金融发展会增加碳排放量，这是现阶段我国经济发展难以避免的问题，但同时降低了碳排放强度，遵循我国在碳排放问题对国际社会作出的承诺，适应我国目前的针对低碳经济的标准。仅仅注重本地区金融规模和效率的提高起到的作用有限，周围地区金融发展水平对整个地区低碳经济推进有更加重要的作用。这就要求政府在兼顾经济效率和环境约束的前提下，支持金融规模进一步扩大，合理配置区域内部和区域间金融资源比重，特别是发挥金融效率对碳减排的溢出效应。同时，从降低碳排放强度的角度出发，持续发展经济、降低第二产业比重、重视科研教育、提高贸易开放度等手段同样可以在提高碳生产率上有所作为。

参考文献:

［1］Tamazian A，Chousa J P，Vadlamananati K C. Does Higher Economic and Financial Development Lead to Environmental Degradation: Evidence from Bric Countries［J］. Energy Policy，2009,37(1):246-253.

［2］Tamazian A， Bhaskara Rao B. Do Economic, Financial and Institutional Development Matter for Environmental Degradation? Evidence from Transitional Economies［J］. Energy Policy， 2010,32(1):137-145.

［3］Jalil A，Feridun M. The Impact of Growth, Energy and Financial Development on the Environment in China: A Cointegration Analysis［J］. Energy Economics， 2011,33(2):284-291.

［4］Zhang Y J. The Impact of Financial Development on Carbon Emissions: An Empirical Analysis in China［J］. Energy Policy， 2011,39(4):2197-2203.

［5］Ghost S. Examining Carbon Emissions-Economic Growth Nexus for India: A Multivariate Cointegration Approach［J］. Energy Policy， 2010,38(6):3008-3014.

［6］鲁钊阳. 农村金融发展与农业碳排放关系区域差异实证研究［J］. 思想战线，2013,39(2)：119-123.

［7］顾洪梅，何彬. 中国省域金融发展与碳排放研究［J］. 中国人口.资源与环境，2012,22(8):22-27.

［8］郭福春，潘锡泉. 金融支持低碳经济发展的影响机制研究——基于浙江省数据的经验分析［J］. 浙江社会科学，2011(10):12-19.

［9］谢清河. 发展低碳经济与金融创新的互动效应探析［J］. 现代经济探讨，2010(6):21-25.

［10］周辉，罗良文. 科技金融推动低碳产业发展模式研究［J］. 科技进步与对策，2011,28(24):78-81.

［11］钟水映，李魁. 人口红利、空间外溢与省域经济增长［J］. 管理世界，2010(4)：14-23.

［12］郑志刚，邓贺斐. 法律环境差异和区域金融发展——金融发展决定因素基于我国省级面板数据的考察［J］. 管理世界，2010(6):14-27.

［13］Kukenova M，Monteiro J. Spatial Dynamic Panel Model and System GMM: A Monte Carlo Investigation［J］. SSRN working papers,2008.

［14］李小平，卢现祥. 国际贸易、污染产业转移和中国工业CO2排放［J］. 经济研究，2010(1):15-26.

(责任编辑：冉春红)