绿色金融对碳减排的因果森林处理效应及影响因素识别

杜明军

（河南省社会科学院，河南 郑州 450002）

一、引言

碳达峰和碳中和是经济社会绿色低碳转型的必然选择，也是中国履行全球气候共同责任的必然要求，亟须绿色金融的引领支撑。绿色金融与绿色低碳可持续发展具有互动共赢共进退的内在发展逻辑。同时，充分利用绿色金融的功能价值，依托经济社会发展的背景基础，在市场需求为发展导向的情况下，绿色低碳转型也离不开绿色金融政策体系的调控推动。拥有金融本质的绿色金融提供了绿色低碳发展的资源配置基础，能产生环境效益，支持可持续发展（G20绿色金融研究小组，2016）[1]。

作为促进碳减排和实现“双碳”目标的重要基础，绿色金融进行了一系列完善政策体系的实践探索，包括协助设计绿色低碳工程项目实施方案、为生态环保技术引进和采用提供投融资支持、为绿色低碳市场需求提供消费激励等。作为政府引领绿色低碳发展的金融政策支持工具，绿色金融既是支持新发展格局构建的金融创新重要准则，也是落实“双碳”目标的基础条件。早在2012年，原银监会正式颁布《绿色信贷指引》，以不断发挥金融在促进碳减排中的重要作用，要求金融机构在提供投融资时要考虑生态环境效益。2021年，《中共中央 国务院关于完整准确全面贯彻新发展理念做好碳达峰碳中和工作的意见》再次提出发展绿色金融，彰显了绿色金融在促进碳减排中的地位价值。

同时，在绿色金融促进碳减排的实践进程中，也存在如下问题：陆续推出的绿色证券、绿色保险和碳金融等绿色创新产品与经济发展和碳减排内在需求的深层次对接有待深化；业界对于绿色金融产品价值功能的深层理解有待加深；绿色金融产品的类型不够丰富，主要集中于绿色信贷，且银行是绿色金融的主要参与者，保险、证券、债券和碳金融产品的谋划设计和布局实施相对滞后；等等。因此，评估绿色金融政策颁布实施效果，契合现实发展挑战探析绿色金融对实体经济的政策意蕴，价值意义明显。

评估绿色金融政策体系的实践效果，将采用基于随机森林与Rubin因果推断相结合的、具有机器学习分析非参数模型巨大优势的因果森林思想方法。

一是考虑变量空间构建的客观随机性。该方法最初见于Athey和Imbens（2016）[2]的研究，整个协变量空间被划分为多个子空间，同时为避免分组的主观性，利用回归树，在子空间中估计处理组和控制组之间的条件平均处理效应（conditional average treatment effects，CATE），最后通过逐步构建多棵随机树，生成因果森林，得到了更合理的政策实施效应估计。

二是考虑估计值分布特征的渐进性正态分布特征。利用Wager和Athey（2018）[3]对普通回归树算法的扩展思路和模型方法，克服了回归函数非光滑性而难以呈现渐进性分布的问题。因果森林基于协变量对处理效应的作用价值进行区别对待，越发重要的协变量，权重赋值越大；对处理效应影响不太大的协变量，给予较小的权值；在一定精度条件下，对处理效应不造成制约的协变量，不纳入随机森林的“分叉”算法。这样可实现对CATE估计处理的平滑性，且紧紧围绕着CATE真实值中心，以实现渐近正态性，实现了对Neyman-Rubin因果模型ATE系数β估计的重要改进。

三是考虑置信区间构建的可信性。因果森林方法依赖于“样本分叉”技术，克服了协变量的数量规模制约，保证了估计结果的置信区间有合适的覆盖范围，可大幅提高政策评估的可信度（Athey和Imbens，2016；Wager和Athey，2018；Athey等，2019；Knittel和Stolper，2019）[2-5]。

因此，与传统政策评估方法相比，因果森林适合于分析政策效应。因果森林算法采用随机分组的办法，把原始数据随机性划分为控制组与干预组，在科学规避个体选择偏差的基础上，还融入了因果推断的思想方法，具有非常强大的异质性分析功能，特别适合进行政策实施工具的差异性效果分析，提升政策工具实施效果评估的科学性。同时，作为机器学习（ML）演进的重要研究成果领域，因果森林算法也为探析绿色金融实践探索的政策工具实施效果评价开拓了方法借鉴与研究视野。另外，区别于必须设定参数化分析模型的传统政策工具实施效果评价办法，因果森林将随机森林算法与Rubin因果推断模型相结合，凸显了机器学习在解决非参数模型方面的巨大优势，为绿色金融实践探索效果的差异性挖掘，科学发现政策工具在典型约束变量条件下的异质性表现规律，提供了基于机器学习算法基础上的非参数化的解决思路和处理方案。而且，近年来Davis和Heller（2020）[6]对暑假就业工程实施效果的评价分析，Knittel和Stolper（2019）[5]对能源节约舆论造势影响家庭微观层面节能行为效果的评价分析等，作为因果影响分析典型代表的评估结果均显示，因果森林法优于其他传统政策评估模型。

本文旨在依托绿色金融政策体系的实践探索和研究回顾，梳理考量绿色金融的本质内涵和价值作用，回顾总结政策体系的演进效应，发现需要继续关注的努力方向。因此，本文借力因果森林方法，选取碳减排作为目标表征指标，评估绿色金融政策颁布实施的效果，识别绿色金融对碳减排的处理效应，探析影响因素的异质性特征，为发挥绿色金融在“双碳”战略中的价值作用提供策略性参考。

本文的主要贡献在于以下几个方面。

一是利用随机森林和因果推断理论，尝试构建了识别绿色金融碳减排处理效应的因果森林算法的分析框架。

二是以全国30个省份为研究对象，估计评判了绿色金融对碳减排的平均处理效应及其显著性特征。

三是探析验证了绿色金融典型表征变量和经济发展背景变量等与绿色金融处理效应之间的异质性变动规律。

四是综合提炼了绿色金融处理效应及其异质性的研究结论与政策启示。

二、相关文献评述

国内外对绿色金融价值内涵、政策作用效应和碳减排的相关研究，为本文奠定了坚实的研究基础，同时扩展了研究视野，为研究方向选择和研究框架的形成提供了借鉴。

（一）绿色金融的内涵价值

国内外对绿色金融价值内涵的研究，主要认为绿色金融是发展绿色产业的纽带，可有效配置绿色低碳资源，为绿色低碳转型提供投融资支持。

首先，国外学者最早提出可持续金融、环境金融、绿色金融等概念。Jose Salazar（1998）[7]认为环境金融的宗旨在于促进生态环保领域的投融资与创新支持。Sonia等（2002）[8]认为环境金融规避环境风险、促 进 环 保 融 资。Cowan（1999）[9]和Salazar（2017）[10]认为绿色金融是连接金融资源与生态环保领域的纽带，可以促进产业结构的迭代升级优化。Labatt和White（2002）[11]认为绿色金融的核心是多元化创新金融工具，支持绿色发展。

其次，对绿色金融价值功能的研究。Jose（1998）[12]基于金融和环境间的行业差异性，探讨了绿色金融的功能。Cowan（1998）[13]基于环境经济和金融学的交叉视角，探讨了绿色金融对接生态环保领域资金需求的多元化路径。

再次，绿色金融的概念研究在我国得到了快速发展。国内较早提出绿色金融的和秀星（1998）[14]认为，绿色金融政策属于营运战略，旨在促进环境与经济的协调发展。中国人民银行等七部委2016年颁布《关于构建绿色金融体系的指导意见》，正式界定绿色金融的内涵实质与发展宗旨，认为绿色金融是指为支持环境改善、应对气候变化和资源节约高效利用的经济活动，即对环保、节能、清洁能源、绿色交通、绿色建筑等领域的项目投融资、项目运营、风险管理等所提供的金融服务。杜莉和郑立纯（2019）[15]认为绿色金融将环境保护、节能减排等思想融入业务，以实现资源合理配置和可持续发展。安伟（2008）[16]基于宏观政策角度，认为绿色金融具有能源节约和污染排放减低的价值作用，可引领资源开发利用与生态环境协调共进，是供给侧结构性改革的主要内容。

（二）绿色金融的政策作用效应

学者们关注探讨了绿色金融政策工具的实施效应与作用传导问题。

首先，关注绿色金融政策的影响。李周（2016）[17]认为国内外理论和各国实践均表明，绿色金融的有效实施离不开政府的作用和调控。斯丽娟（2019）[18]认为绿色金融发展需要政策工具的支撑和引领，基于中文文献的文本挖掘分析，发现关注的典型主题之一就是绿色发展的效率与生态环境规制的关系。王遥等（2019）[19]基于DSGE模型对绿色信贷激励政策进行了研究。王韧（2019）[20]基于DID模型对碳排放权交易试点政策效果进行了分析。这些均表明，绿色金融政策在优化资源配置中有重要作用。

其次，多视角分析了绿色金融政策效应。一是微观效应。Chami等（2002）[21]认为绿色金融的发展影响微观经济组织的美誉度，可以制约企业利益攸关方的价值诉求满足，控制经营风险。二是金融机构效应。刘锡良和文书洋（2019）[22]通过理论和模型分析证明，金融机构通过绿色低碳资源支持新技术采用，能提高能源效率，减少CO2排放（Muhammad等，2013）[23]。三是宏观经济效应。王遥等（2016）[24]认为绿色金融可以优化宏观经济结构，提高经济发展质量。四是社会效应。马骏和施娱（2014）[25]基于包含社会责任变量的绿色产出函数进行研究，表明绿色金融政策能提高绿色产出。五是环境影响。Yaping等（2017）[26]认为环境规制不严导致支持性金融加剧了环境污染；Dasgupta等（2001）[27]认为金融市场的发展，尽管可破解污染型经济组织运营发展以及经营效能提升的资金阻碍，但也可能存在能源资源耗费过量，以及增大生态环境污染的风险。Yao和Qiang（2016）[28]认为绿色金融通过支持能源生产创新的清洁化改进，彰显生态环境效益。六是区域空间效应。董晓红和富勇（2018）[29]从区域视角研究了绿色金融与生态环境的耦合度。魏丽莉和杨颖（2019）[30]认为西北地区的绿色金融与产业结构的耦合关系转向磨合阶段。成学真和岳松毅（2016）[31]认为可通过金融集聚优化产业结构、改善环境。

再次，绿色金融政策激励作用传导。关于政策激励作用的传导，大多研究关注通过影响生产要素的供给和配置、技术进步、消费投资需求等影响经济发展，较少研究关注绿色金融的低碳发展效应。王遥等（2019）[19]认为，绿色金融对经济发展的贡献，缺乏全面的理论研究；张宇和钱水土（2017）[32]认为现有文献缺乏对绿色金融与经济可持续发展之间作用机理的深入分析等。邹锦吉（2017）[33]基于文本挖掘角度，从中央政策和地方政策两个层面，定性地探析了绿色金融的政策工具实践对工业污染强度降低的效应。

（三）碳减排相关研究回顾

碳减排相关研究更多地遵循以问题为导向的原则，以推动绿色转型为侧重点，关注和解决发展过程中的碳减排等问题。

首先，碳排放的量化估算及发展态势预测研究。胡欢等（2016）[34]、吴佩君等（2016）[35]认为，碳排放的源头众多且数据采集困难、排放条件不稳定等，使得碳排放的测算烦琐复杂。王宪恩等（2014）[36]预测了化石能源消费导致的碳排放。程叶青等（2013）[37]研究了碳排放系数相关问题。

其次，碳排放驱动因素分析。徐国泉等（2006）[38]、Vaninsky（2014）[39]等采用因子分解法，Nicholas和Ilhan（2015）[40]采用环境库兹涅茨曲线模拟法，Alshehry和Belloumi（2015）[41]、焦建玲等（2017）[42]、刘明达等（2018）[43]采用计量模型，袁鹏（2015）[44]采用投入产出法等思想原理各异的数学模型，探析碳减排的相关影响要素。一般认为能源消费的总量和结构、产业结构基础、经济增长态势、技术进步等方面的因素对碳排放量的影响较为显著。

再次，碳排放约束对宏观经济的影响分析。林伯强等（2010）[45]、江洪和赵宝福（2015）[46]的分析认为，碳排放会对能源利用效率、能源消费总量及结构、全要素生产率等产生深刻影响。王明喜等（2015）[47]、王文宾等（2016）[48]认为碳排放约束优化发展方式，提高增长效率和质量。李晓西（2018）[49]认为应关注解决节能减排、降低石化能源使用量与单位能耗及绿色产业发展等问题。

（四）回顾总结

纵观绿色金融促进碳减排的相关研究，发现已有研究主要围绕绿色金融的内涵本质、绿色金融对增长的作用价值展开；一些研究关注了绿色金融政策实践的经济、社会、环境效应，但大部分忽略了绿色金融政策实践效果的异质性。特别是运用因果森林思想推断政策效果及异质性识别的研究较少。胡尊国等（2022）[50]基于机器学习的因果推断，研究了“倾斜性”政策、生产部门变迁与南北地区发展差异问题；医学领域的何文静等（2019）[51]利用因果森林检验了病人群体的个体异质性处理效应。同时，鉴于各省份的经济发展基础和规模体量、产业积淀和行业结构、要素积累和资本积累、劳动培育和科技实力、管理水平等各方面条件参差不齐，所以，面对绿色金融带来的发展机遇与政策导向，各省份会因自身的特殊禀赋条件和结构优势，做出不同的行为决策；面对绿色金融导致的兼顾经济增长与绿色低碳转型的一系列挑战时，各省份的应对能力也不同。因此，绿色金融必须考量异质性以及政策完善实施的契合对接问题。利用因果森林检验绿色金融实践效果的处理效应，识别其异质性，既可以充分利用现有研究基础作为指引，又可以契合绿色金融促进碳减排的现实特征；既是丰富现有研究不足的需要，更是完善政策体系基础的需求。

三、实证分析设计①本文根据实证设计进行分析，结论供参考。

本文将绿色金融作用价值的发挥作为一项准自然实验，旨在考察绿色金融政策体系能否对绿色低碳发展的表征变量碳排放量指标产生处理效应。在研究对象上，考虑数据有效性问题，剔除数据缺失严重的西藏和港、澳、台地区，保留全国30个省份作为研究对象。在时间跨度上，考虑到数据可得性，将研究绿色金融政策发挥作用的时间跨度选定为2003—2020年，构成面板数据。

在时间节点上，把研究绿色金融政策对碳排放量产生处理效应的时间界限选定在2012年。2012年原银监会正式颁布《绿色信贷指引》，绿色金融政策工具在我国开始实践探索，而2012年以前，绿色金融政策处于酝酿筹备和初步关注尝试时期，因此把该阶段各省份的绿色金融价值作用情况作为对照组。2012年以后，绿色金融政策正式实施和发挥作用，把该阶段各省份的绿色金融价值作用情况作为处理组。

在研究方法上,利用因果森林思想方法，将因果推断与随机森林算法进行对接，探析绿色金融政策对碳排放量产生处理效应的存在性特征，同时基于绿色金融发展典型表征变量和经济发展背景支撑变量两个层面，探析绿色金融处理效应的异质性特征。

（一）研究假设

选取碳排放量作为绿色低碳转型的目标表征变量，开展绿色金融处理效应的研究，具有以下几个特点。

首先，识别绿色金融处理效应属于因果推断范畴。绿色金融通过投融资与绿色低碳发展相对接，促进传统金融资源衔接绿色低碳发展需求，为经济绿色低碳转型提供了投融资政策工具支持。绿色金融与新发展格局构建和地方经济高质量发展存在助推协同关系，可兼顾平衡碳排放与经济增长，引领经济高质量发展，促进新发展格局构建。

其次，绿色金融的处理效应具有差异性。由于不同地区的产业结构、资源要素禀赋以及经济发展水平存在一定的差异,绿色金融对我国东、中、西部各地区的影响是不同的。选取碳排放量为目标表征变量，估计绿色金融处理效应以及分析个体异质性，对于后续优化绿色金融相关政策方案布局，提升各省份绿色金融政策工具的异质性作用价值及针对性实施效果，完善应对策略，有重要意义。

因此，提出如下假设。

假设一：绿色金融政策体系的构建实施，对以碳排放量作为绿色低碳转型的目标表征变量，产生明显的处理效应。

假设二：绿色金融政策体系的构建实施，对于中国各省份的碳排放指标，具有显著的个体异质性价值。这具体呈现在表征绿色金融的典型指标上，也体现在表征经济发展基础条件的背景变量上。

（二）基于因果森林算法的识别框架

首先，基于随机森林算法基础的因果森林。

因果森林以随机森林算法为基础，融入因果推断的思想，是对传统有监督机器学习方法（回归树及随机森林）的改进。因果森林与随机森林均采取训练随机树的原理方法，然后在生成多棵树的基础上，训练出一片森林。二者在构建协变量特征空间，进行特征划分，发现各变量的重要性，识别异质性作用时，采取的划分准则一致，均采用基于基尼系数的CART算法。对于单个特征变量而言，变量重要性及其异质性作用价值，可归结为各变量的基尼系数值的大小。

因果森林与随机森林采用的“分裂”准则目标不同。随机森林算法的基尼系数，追求基于特征变量划分以后的随机树的“纯度”越高越好，聚焦于改进预测结果的均方误差；而因果森林算法的基尼系数，关注基于特征变量划分以后的随机树的“差异程度”越高越好。与此相对应，因果森林算法采用不同的标准指标来进行随机因果树的模型构建，不再把重点放在均方误差指标的关注上，把基于干预效应（treatment effects）测算的均方误差作为标准，以构建随机树、随机森林以及因果森林。

因果森林有效结合了机器学习基础上的随机树、随机森林与因果推断思想，采用非参数模型的“分叉”算法，特别适合异质性问题分析，避免了传统机器学习模型处理数据输入输出时未知函数形式“黑箱”的障碍，克服了对经济变量统计关系的可解释性差等限制，与Rubin因果推断模型结合，提高了用于因果关系识别的阐释能力。而且，因果森林依托对随机对照试验异质性问题处理的标准非参数化处理方法，克服或减弱了传统机器学习算法（如随机森林或支持向量机等）存在的“过度拟合”，以及袋外样本（out of sample）预测准确度不太高等局限；化解了基于数据驱动导向的传统机器学习（ML）基本采用x（变量向量）预测y（变量），并不能估计Neyman-Rubin因果模型平均处理效果（ATE）调节系数β的挑战（Spiess和Mullainathan，2017）[52]。

其次，条件平均处理效应（CATE）。

依据Athey等（2019）[4]的研究，运用因果推断方法，选取碳排放量作为绿色低碳转型的目标表征变量，可评估绿色金融政策体系的条件平均处理效应（CATE），即：

其中，Yi(1)和Yi(0)分别表示选取碳排放量作为目标表征变量，对各省份样本i进行处理和控制后，观测到的绿色金融作用结果。

一是按照50%的比例，将各省份样本i总体数据随机分为两个样本子集，即训练样本集和估计样本集，训练样本集用于生成回归树结构，并根据数据条件构建多棵因果树，形成森林。

二是根据Athey和Imbens（2016）[2]的研究，为避免随着因果树生长越来越“茂盛”时，出现高估拟合优度现象，文中采用“诚实估计”（honest estimation）的方法，并通过递归二叉分裂法将绿色金融表征变量、经济发展背景变量以及区域分类变量等构成的特征空间，分成不同的子空间。

三是基于Tibshirani等（2016）[53]的研究，对广义随机森林过程进行相应的参数调试。

再次，几个关键环节的处理。

一是样本对象选择偏差。鉴于各省份的发展阶段、条件禀赋存在差异，发展潜能大和机会多的省份，更有可能获得金融资源支持，以改善碳排放和发展绿色低碳经济，这意味着潜在预测结果最初存在对象选择偏差（selection bias）问题。但是，根据Athey和Imbens（2016）[2]以及Athey等（2019）[4]的研究，运用其所提出的异质性处理效应估计法——因果森林，能够对各省份的观测性数据，给出处理效应（treatment effects）的预测，并建立有效的置信区间，克服偏差问题。

二是“R-learner”函数。因果森林算法可采用多种形式，根据Nie和Wager（2017）[54]及Athey等（2019）[4]的研究，较为稳妥可靠的办法之一是，可使用“Rlearner”函数，种植因果树，以生成一片广义随机森林，并获得权重。具体采用如下异质性处理效应估计式：

其中，αi(x)是由机器学习驱动形成的核（kernel）。

Zi为处理变量，在此采用二分类变量，Zi=1，表示所研究的省份在处理组；Zi=0，表示所研究省份在控制组。

e(x)=P[Zi|Xi=x]表示对所研究省份进行处理组和控制组平衡随机匹配时的倾向值得分。倾向值得分e(x)满足0—1均匀分布。

m(x)=P[Yi|Xi=x]表示，对所研究省份进行处理和控制时的政策处理效应期望值。

符号-i表示“袋外”（out-of-bag）预测，即Yi不可用于计算m̂(-i)(Xi)。

m̂(·)和ê(x)表示广义随机森林的估计值，并在对应的两个森林中进行“袋外”预测。

三是以省份为单元的聚类。在以各省份为研究对象，选取碳排放量作为目标表征变量，估计绿色金融的条件平均处理效应时，需要考量将省级层面的聚类特征融入因果森林算法模型中。鉴于各省份是国家治理结构中非常重要的行政节点，同一省份内部的各级各类地方政府，通常具有某种共性：表现在区位禀赋特征、文化价值导向以及投资环境和政策偏好上。因此，以省份为聚类单元，可以体现绿色金融发挥作用时各省份具有类似的公共政策体系特征。从而，在因果森林学习算法中赋予同一省份相同的权重更符合事实，可以在一定程度上克服因果森林学习算法过分依靠数据驱动的弊端，尤其是“过拟合”问题。在此考量下，考虑特征相似的各省份，若省份的数量是J，那么各省份聚类时，以碳排放量作为目标表征变量，绿色金融的条件平均处理效应τ̂估计具体如下。

对第i个观察值，可计算绿色金融的条件平均处理效应（CATE）：

对第j个省份，依据其参与生成随机森林分裂空间的变量数据，可得条件平均处理效应（CATE），从而可得所有省份的CATE均值和方差。

（三）指标选择与数据支撑

纳入绿色金融处理效应识别的变量指标包括被解释变量、处理变量、绿色金融表征变量、经济发展背景变量等（见表1，以下同）。

表1 纳入绿色金融处理效应识别的影响因素指标

第一，被解释变量。

被解释变量采用碳排放量（mt）指标，指经济发展过程中排放的二氧化碳数量。碳排放总量测算可借鉴任晓松等（2020）[55]、张般若和李自杰（2021）[56]的核算方法,采用天然气、液化石油气、全社会用电量三类能源消费测算。

第二，处理变量。

处理变量又称为试验变量，指实验者通过改变一个或几个变量的具体表现方式（称为处理），测量它们对另一个或几个目标变量的影响和作用价值。考虑到绿色金融政策体系的实施演进历程，以2012年为界限构建二值分类变量。2012年以前=0，2012年以后=1，以表征绿色金融政策体系对经济绿色低碳发展形成的处理效应。

第三，绿色金融表征变量。

该类变量体现绿色金融发挥作用所采用的产品工具特征。绿色金融政策体系的构建实施需要依托多元化的产品工具创新，在此，参照一些学者对绿色金融的表征办法，选用以下表征变量（Tao Shi，2022；蔡强和王旭旭，2022；张婷等，2022；贺正楚等，2022；谢东江和胡士华，2022）[57-61]。一是环保企业市值占A股市值比重（%）（x1），以表征绿色证券；二是水利、环境和公共设施管理业固定资产投资占比（%）（x2），以表征绿色产业；三是六大高耗能工业产出利息支出占比（%）（x3），且是反向类指标，以表征绿色信贷；四是工业污染完成投资占GDP比重（%）（x4），以表征绿色投资。

第四，经济发展背景变量。

绿色金融政策体系价值作用的发挥，将在经济发展的大市场中构建实施，将在经济发展大循环中得到体现，在此选用以下背景变量。一是人均GDP（元）（pcGDP）。碳排放与经济发展规模水平直接相关，规模越大，水平越高，则碳排放量越大。但达到一定水平时，通常又会出现环境质量与经济增长呈现倒U形关系的库兹涅兹假说，碳排放趋于平稳和不断下降。二是财政收支比（倍数）（rfical），这是表征经济发展财政能力的重要指标。政府财政能力对当地环境保护工作的执行产生重要影响，财政能力越高的地区，在产业布局、企业引入方面就越会游刃有余地考虑生态红线，对环境就越友好，从而对区域碳排放和绿色低碳发展有重大影响。三是城镇人口所占比率（%）（rurban）。用各省份城市常住人口数与总人口数之比表示，代表城镇化进程水平。城市化程度高的省份，人口流动集聚可能增加碳排放。四是第二产业所占比重（%）（rsecd），这是表征工业化水平的重要指标。作为第二产业的重要组成成分，工业化进程常伴随着高污染和高能耗，严重影响地区的碳排放。五是技术进步。一般情况下，碳排放指标随着技术进步而下降，技术进步可提高区域的自主创新能力，通过低碳技术水平的提高降低碳排放。考虑到表征技术进步的复杂性和简化适用，具体采取专利申请授权数（件）（rpatent）和高等学校平均在校生数（人）（nedu）两个指标来表示。六是固定资产投资占GDP的比重（倍数）（rfixed）。作为中国经济发展“三驾马车”中最为重要的抓手，投资规模是经济短期增长和长期潜力培育的重要基础，更是绿色低碳发展的基础调控手段。投资规模能力对当地环保工作产生重要影响，投资强度越高的地区，越有条件考虑生态红线，从而影响碳排放的改善。七是能源消费量（万吨标煤）（x21）。能源消费需求与经济发展的规模和发展水平直接相关，且化石能源是产生碳排放的主要源头，与绿色低碳转型密切相关。

第五，其他协变量。

一是年份。鉴于绿色金融政策体系的构建完善是一个持续发展的过程，自提出实施以来，各方面政策措施不断变化，对各省区具有时序性影响，因此，将年份作为一个类别变量，以捕捉年度的影响。二是区域。鉴于我国东、中、西三大经济地区的划分传统，这三大区域的经济发展水平与地理位置相结合的长期演变有着各自的发展特点。依据其自然条件与资源状况的不同，绿色金融政策体系对其发挥作用时，会呈现差异性，因此，将区域作为一个类别变量，以捕捉空间异质性的影响。

第六，数据来源。

能源消费量数据来源于2003—2020年的《中国能源统计年鉴》；环保企业市值占A股市值比重（%）由沪深股市的相关数据估算而得；其余数据来源于2003—2020年《中国统计年鉴》、各省份2003—2020年的统计年鉴。

四、实证结果分析

结果表明，选取碳排放量作为绿色低碳转型的目标表征变量，绿色金融的平均处理效应具有显著可信性；同时，绿色金融的个体处理效应具有异质性的显著可信性。而且，基于绿色金融的四个表征变量以及经济发展背景的八个表征变量，绿色金融对于各省份的碳排放处理效应呈现不同的异质性影响。

（一）模型校准

首先，进行因果推断—随机森林模型校准。

依据因果推断—随机森林模型校准检验，发现检验结果与先验信息及研究假设保持一致。一是均值估计校准检验p值为0.050013，在5%的可信度上显著，拒绝绿色金融平均处理效应没有显著产生的原假设。二是异质性估计校准检验p值为0.003375，在1%的可信度上显著，拒绝了没有个体异质性处理效应的原假设。

其次，进行因变量和处理变量的随机森林模型校准。

在运用因果森林思想估计绿色金融处理效应过程中，为更好地满足随机试验要求，尽量减轻混淆变量的干扰程度，提高估计的有效性和精度，采用机器学习的通用做法，对目标变量碳排放、对绿色金融发挥作用的处理变量（虚拟变量）采用了随机森林模型，并进行了模型校准。一是目标变量估计随机森林模型校准结果显示，估计均值的显著性p值为2.2e-16，识别个体异质性的显著性p值为2.2e-16，二者均几乎接近于0，意味着运用随机森林模型进行因变量估算和识别异质性是显著可信的。二是处理变量估计随机森林模型校准结果显示，估计均值的显著性p值为2.2e-16，识别个体异质性的显著性p值为2.2e-16，二者均几乎接近于0，意味着运用随机森林模型进行处理变量估算和识别异质性是显著可信的。

（二）绿色金融平均处理效应（ATE）的总体布局

平均处理效应（ATE）代表着绿色金融政策作用的整体水平，对个体而言，各省份的基础和条件参差不齐，绿色金融处理效应存在明显的异质性分布问题（见表2）。

表2 绿色金融平均处理效应（ATE）的分布特征

第一，绿色金融对于碳排放具有显著的正向影响。

绿色金融平均处理效应的均值（mean）为7.227835，说明绿色金融总体上对碳排放呈现正向作用价值；结合模型校准部分关于均值估计校准检验p值的结果分析，说明绿色金融处理效应总体上具有显著可信性。

第二，基于变异系数（variation_coef）的平均处理效应（ATE）异质性明显。

绿色金融平均处理效应（ATE）的变异系数为6.341962。依据变异系数的大小界限标准：小变异为0—15%，中等变异为16%—35%，高度变异大于36%（管孝艳等，2012）[62]；或弱变异小于0.1，中等变异0.1—1，强变异大于1（刘继龙等，2018）[63]。由此可知，绿色金融平均处理效应的分布离散水平较高。

第三，基于偏度（skewness）的平均处理效应（ATE）分布右偏拖尾。

绿色金融平均处理效应（ATE）的偏度（skewness）值为1.18402。依据偏度系数＞0则表明总体分布右偏，偏右边拖尾巴，高峰往左偏的规律，可知绿色金融平均处理效应（ATE）在高值端方向的数据分布更为分散拖尾。

第四，基于峰度（kurtosis）的平均处理效应（ATE）分布更集中陡峭。

绿色金融平均处理效应（ATE）的峰度（kurtosis）值为6.096991。峰度反映数据分布曲线顶端尖峭或扁平程度，依据峰度系数大于0（已减去3，以方便比较）则表明数据分布比正态分布要陡峭、数据分布更集中的规律，可知绿色金融平均处理效应（ATE）的分布有比正态分布更短的尾部。

第五，基于中分位数与均值比较的平均处理效应（ATE）非正态分布。

中分位数p_50为2.742410，远小于均值7.227835（见表2），表明绿色金融的平均处理效应（ATE）的数据分布有些左偏。

第六，基于分位数间距与均值数据水平比较的平均处理效应（ATE）分散化分布。

分位数p_05与p_95的间距为151.08105，相比均值7.227835的数值水平，该类分位数间距比较大。分位数p_25与p_75的间距为42.144820，相比均值数值水平，该类间距相对较大。

（三）绿色金融产生处理效应过程中其各个表征变量的异质性作用

尽管因果森林算法从统计上证明，绿色金融呈现显著的个体异质性处理效应，但需要具体探析绿色金融的各个表征变量对处理效应的异质性作用特征，以发现政策发力基点。为此，将绿色金融的各个表征变量做如下处理。一是按照中位数分组，进行t检验；二是按照三分位数分组，进行方差分析（ANOVA）的联合F检验。

通过以上处理是为了发现各变量与绿色金融处理效应之间的变动关系，以及各变量对绿色金融处理效应的异质性作用的显著性特征（见表3）。

表3 绿色金融处理效应产生过程中各变量的异质性作用识别

首先，分析环保企业市值占A股市值比重（%）变量（x1）对处理效应的异质性作用。

一是基于中位数分组。在x1较高的省份，对应的处理效应越大，说明x1与处理效应之间总体呈现正向变动关系，意味着增大x1的规模，处理效应水平相应提升。高低值组之间的显著性t检验不显著，说明x1对处理效应的异质性作用尚未凸显。整体看，需要大力发展x1所代表的绿色证券市场。

二是基于三分位数（高、中、低）分组。在x1为高值组时，对应的处理效应最明显；在x1为中低值组时，对应的处理效应总体为负值，说明x1水平提高且规模达到高值组水平时，处理效应凸显。三分组的方差分析（ANOVA）联合显著性F检验不显著，说明x1对处理效应的异质性作用尚未凸显。这说明发展绿色证券市场并达到规模经济应该是整体导向。

其次，分析水利、环境和公共设施管理业固定资产投资占比（%）变量（x2）对处理效应的异质性作用。

一是基于中位数分组。在x2越高的省份，对应的处理效应越大，说明x2与处理效应之间总体呈现正向变动关系，意味着增大x2的规模，处理效应水平相应提升。高低值组之间的显著性t检验在5%的可信度上显著，说明x2所代表的绿色产业领域对处理效应的异质性作用明显。

二是基于三分位数（高、中、低）分组。在x2越高的组别，对应的处理效应越明显，说明x2与处理效应之间呈现正向变动关系，意味着增大x2的规模，处理效应水平相应提升。三分组的方差分析（ANOVA）联合显著性F检验不显著，说明在x2细分组条件下，处理效应的异质性作用尚不明显，这意味着需要对不同地区的绿色产业分类施策，以提高绿色金融效能。

再次，分析六大高耗能工业产出利息支出占比（%）变量（x3）对处理效应的异质性作用。

一是基于中位数分组。在x3越大的省份，对应的处理效应越小（甚至整体为负值，处理效应不存在），说明x3与处理效应之间呈现反向变动关系，意味着代表高耗能产业领域的反向性指标x3减小的情况下，处理效应水平相应提升。高低值组之间的显著性t检验不显著，说明x3对处理效应的异质性作用不明显。整体看，需要减小x3的规模，以提升处理效应水平。

二是基于三分位数（高、中、低）分组。在x3越低的组别，对应的处理效应越大，说明x3与处理效应之间呈现反向变动关系，这意味着反向指标x3越大，导致处理效应越小，应该减少x3所代表的高耗能产业规模水平。三分组的方差分析（ANOVA）的联合显著性F检验不显著，说明x3对处理效应的异质性作用不明显。整体看，需要缩减x3所代表的信贷规模，抑制高耗能产业发展，以提升处理效应。

最后，分析工业污染完成投资占GDP比重（%）变量（x4）对处理效应的异质性作用。

一是基于中位数分组。在x4越低的省份，对应的处理效应越大，说明x4与处理效应之间呈现反向变动关系，意味着随着x4的规模增加，处理效应并没有提升。可能的原因在于增加x4过程中的边际效应递减问题，需要关注绿色投资效率，打造规模经济效应，加强监管提高效能，将绿色金融的价值作用落到实处。高低值组间的显著性t检验不显著，说明x4对处理效应的异质性作用尚不明显。整体看，需要关注x4的绿色投资边际效能。

二是基于三分位数（高、中、低）分组。在x4处于低值组时，对应的处理效应越明显，说明x4处于较高水平时，处理效应尚难以显现，原因可能在于x4的边际效应递减；在x4处于中值组时，对应的处理效应最小（甚至整体为负值，处理效应不存在），说明中值组所涵盖省份的x4的处理效应不明显，需要细化契合现实的投资产品工具，提升处理效应。三分组方差分析（ANOVA）的联合显著性F检验不显著，说明x4对处理效应的异质性作用尚不明显。整体看，特别需要关注x4在中值组的绿色投资策略。

（四）绿色金融对碳减排产生处理效应过程中的经济发展背景各变量的异质性作用

基于因果森林算法，可从统计上证明绿色金融个体处理效应异质性的总体存在性，也需要进一步明确经济发展各背景变量的作用异质性特征，以完善绿色金融发挥作用的对象环境。为此，需要将经济发展各背景变量分别按照中位数分组进行t检验，按照三分位数分组进行方差分析（ANOVA）的联合F检验，以发现各背景变量与绿色金融处理效应之间的变动关系，以及各背景变量对处理效应的异质性作用的显著性特征（见表4）。

表4 绿色金融处理效应产生过程中经济发展各背景变量的异质性作用识别

第一，分析人均GDP变量pcGDP对处理效应的异质性作用。

一是基于中位数分组。在pcGDP越低的省份，对应的处理效应越大，说明pcGDP与处理效应之间呈现反向变动关系，意味着在经济发展水平越低的区域，绿色金融的作用越大。高低值组之间的显著性t检验在5%的可信度上显著性明显，说明pcGDP对处理效应的异质性作用凸显。整体看，绿色金融在经济相对落后地区的效果相对理想。

二是基于三分位数（高、中、低）分组。在pcGDP越处于低值的组别，对应的处理效应越明显，说明pcGDP与处理效应之间呈现反向变动关系，意味着在经济相对落后地区实施绿色金融战略，效果更明显。三分组方差分析（ANOVA）的联合显著性F检验在1%的可信度上显著性明显，说明pcGDP对处理效应的异质性作用凸显。整体看，经济发展越落后，重视绿色金融越能产生处理效应。

第二，分析财政收支比（倍数）变量rfical对处理效应的异质性作用。

一是基于中位数分组。在rfical越高的省份，对应的处理效应越大，说明rfical与处理效应之间呈现正向变动关系，意味着财政能力越强，处理效应越明显。高低值组之间的显著性t检验在5%的可信度上显著性明显，说明rfical对处理效应的异质性作用凸显。整体看，财政对绿色金融发展的支持配合效果明显。

二是基于三分位数（高、中、低）分组。在rfical越处于较高值的组别，对应的处理效应越明显。三分组的方差分析（ANOVA）的联合显著性F检验在5%的可信度上显著性明显，说明在rfical细分条件下，对处理效应的异质性作用凸显。整体看，财政能力越好，对绿色金融发展的支持配合效果越好。

第三，分析城镇人口所占比率（%）变量（rurban）对处理效应的异质性作用。

一是基于中位数分组。在rurban越低的省份，对应的处理效应越大，说明rurban与处理效应之间呈现反向变动关系。高低值组之间的显著性t检验在5%的可信度上显著性明显，说明rurban对处理效应的异质性作用凸显。整体看，rurban越低，处理效应越明显，意味着在城镇化进程相对落后地区，绿色金融大有可为。

二是基于三分位数（高、中、低）分组。在rurban越处于低值的组别，对应的处理效应越明显，说明rurban与处理效应之间呈现反向变动关系。三分组方差分析（ANOVA）的联合显著性F检验不显著，说明在rurban细分条件下，处理效应异质性不明显，需要绿色金融分类施策，提高处理效应水平。整体看，在rurban越低的区域，发展绿色金融的价值作用越明显。

第四，分析第二产业所占比重（%）变量（rsecd）对处理效应的异质性作用。

一是基于中位数分组。在rsecd越低的省份，对应的处理效应越大，说明rsecd与处理效应之间呈现反向变动关系，意味着rsecd较大时，发展绿色金融的处理效应不明显，可能的原因在于绿色金融的发展水平尚低，尚难以对rsecd较大的环境对象产生明显的处理效应。高低值组之间的显著性t检验在5%的可信度上显著性明显，说明rsecd对处理效应的异质性作用明显。整体看，rsecd越高的省份，应大力发展绿色金融，提升处理效应水平。

二是基于三分位数（高、中、低）分组。在rsecd越处于低值的组别，对应的处理效应越明显，说明rsecd与处理效应之间呈现反向变动关系，意味着在rsecd较低时，更容易产生处理效应。三分组方差分析（ANOVA）的联合显著性F检验在10%的可信度上显著性明显，说明在rsecd细分条件下，对处理效应的异质性作用仍较明显。整体看，rsecd越高的省份，越需要提升绿色金融发展水平，以放大处理效应。

第五，分析专利申请授权数（件）变量（rpatent）对处理效应的异质性作用。

一是基于中位数分组。在rpatent越低的省份，对应的处理效应越大，说明rpatent与处理效应之间呈现反向变动关系，意味着在rpatent较高的条件下，处理效应并不明显，原因可能在于rpatent的绿色低碳内涵偏低，或产业化比例不足，绿色发展进程较缓慢等，使得较高的rpatent水平难以应用于绿色低碳转型领域，对处理效应的作用尚不明显。高低值组之间的显著性t检验在10%的可信度上显著性明显，说明rpatent对处理效应的异质性作用明显。整体看，在rpatent越低时，处理效应更明显。

二是基于三分位数（高、中、低）分组。在rpatent越处于低值组别，对应的处理效应越明显，说明rpatent与处理效应之间呈现反向变动关系，意味着rpatent处在较高值组别时，更需发挥对处理效应的作用。三分组方差分析（ANOVA）的联合显著性F检验在10%的可信度上显著性明显，说明在rpatent细分条件下，对处理效应的异质性作用凸显。整体看，当rpatent在高位水平时，需要提升其对处理效应的支持功能。

第六，分析高等学校平均在校生数（人）变量（nedu）对处理效应的异质性作用。

一是基于中位数分组。在nedu越低的省份，对应的处理效应越大，说明nedu与处理效应之间呈现反向变动关系，意味着在nedu指标较高的省份，处理效应不明显，原因可能在于nedu的专业与就业结构不匹配，或者人才供需市场机制不畅等，使得nedu的人力资本潜力没能释放应用。高低值组之间的显著性t检验在10%的可信度上显著性明显，说明nedu对处理效应的异质性作用凸显。整体看，需要挖掘nedu的潜能，释放其在高位时对处理效应的支持作用。

二是基于三分位数（高、中、低）分组。在nedu越处于低值的组别，对应的处理效应越明显，说明nedu与处理效应之间呈现反向变动关系，意味着nedu处于高位时，对处理效应的作用没能发挥。三分组方差分析（ANOVA）的联合显著性F检验在5%的可信度上显著性明显，说明nedu对处理效应的异质性作用凸显。整体看，需要强化nedu对处理效应的支持配合。

第七，分析固定资产投资占GDP比重（%）变量（rfixed）对处理效应的异质性作用。

一是基于中位数分组。在rfixed越高的省份，对应的处理效应越大，说明rfixed与处理效应之间呈现正向变动关系，意味随着rfixed的加大，处理效应相应提升。高低值组之间的显著性t检验在5%的可信度上显著性明显，说明rfixed对处理效应的异质性作用凸显。整体看，rfixed支持处理效应的效果明显。

二是基于三分位数（高、中、低）分组。在rfixed越处于较高值的组别，对应的处理效应越明显，说明rfixed与处理效应之间呈现正向变动关系，意味着增加rfixed，对处理效应提升的支持作用良好。三分组方差分析（ANOVA）的联合显著性F检验在5%的可信度上显著性明显，说明在rfixed细分条件下，对处理效应的异质性作用凸显。整体看，rfixed对处理效应提升的配合作用效果明显，二者协调性良好。

第八，分析能源消费量（万吨标煤）变量（x21）对处理效应的异质性作用。

一是基于中位数分组。在x21越低的省份，对应的处理效应越大，说明x21与处理效应之间呈现反向变动关系，意味着x21减少会使得处理效应相应提升。高低值组之间的显著性t检验在1%的可信度上显著性明显，说明x21对处理效应的异质性作用凸显。整体看，x21减少是提升处理效应的较好举措。

二是基于三分位数（高、中、低）分组。在x21越处于较低值的组别，对应的处理效应越明显，x21与处理效应之间呈现反向变动关系，意味着x21减少，碳排放源头的控制减少，处理效应得到提升。三分组方差分析（ANOVA）的联合显著性F检验在1%的可信度上显著性明显，说明在x21细分条件下，对处理效应的异质性作用凸显。整体看，提升处理效应，应该在x21减少上采取措施。

五、结论与建议

深入研究绿色金融对不同地区碳排放产生的处理效应及其异质性特征，对有效制定差异化的经济绿色低碳发展路径，最大限度地以低成本、高效率方式实现“双碳”目标，避免“运动式”碳减排，具有参考价值。

（一）研究结论

本文以碳排放量作为经济绿色低碳发展的目标表征变量，探析了绿色金融政策体系对其产生处理效应的格局特征，基于绿色金融典型表征变量和经济发展背景变量，系统分析了绿色金融处理效应的异质性变动规律。

通过实证分析得到以下结论。

首先，绿色金融平均处理效应具有显著的可信性。

绿色金融政策体系对以碳排放量为目标表征的变量产生了平均处理效应。利用因果森林模型，经过计量统计检验，可验证该处理效应具有显著的可信性，意味着绿色金融政策体系的构建实施，对经济绿色低碳发展具有处理效应价值作用，也意味着绿色金融政策有较明显的实践效果。

其次，绿色金融的平均处理效应呈现空间差异性格局。

中国各区域的发展状况不同，绿色金融政策体系对各地产生的处理效应必然呈现不同的特征。基于因果森林模型分析发现，各区域的绿色金融平均处理效应水平在各个区域之间、各个区域内部等，均存在明显的空间差异性特征，意味着绿色金融政策需要基于区域特征分类施策，扩大优势、补齐短板。

再次，绿色金融典型表征变量与绿色金融个体处理效应之间呈现异质性变动规律。

基于绿色金融典型表征变量，利用现有经济发展运行数据，选取碳排放量作为目标表征变量，发现绿色金融对中国各省份的个体处理效应呈现差异性变动规律。特别是，体现金融发展传统惯性特征的变量指标水利、环境和公共设施管理业固定资产投资占比（%）变量（x2），与绿色金融处理效应之间的变动规律呈现异质性，其显著可信性凸显。其他纳入因果森林模型分析的绿色金融的产品工具变量，对绿色金融个体处理效应的作用价值有待提升，意味着这些表征绿色金融的变量指标是今后政策体系完善的方向。

最后，经济发展背景表征变量与绿色金融个体处理效应之间呈现异质性变动规律。

基于经济发展背景变量，利用现有经济发展运行数据，选取碳排放量作为目标表征变量，发现绿色金融对中国各省份的个体处理效应呈现差异性变动规律。源于因果森林模型分析结果发现，绝大部分经济发展背景变量指标对绿色金融个体处理效应的价值作用凸显。其中，人均GDP（pcGDP）、财政收支比（倍数）（rfical）、第二产业所占比重（rsecd）、高等学校平均在校生数（人）（nedu）、固定资产投资占GDP比重（rfixed）、能源消费量（万吨标煤）（x21）等变量，与绿色金融个体处理效应之间的变动关系呈现异质性特征，其显著可信性凸显；专利申请授权数（件）（rpatent）、城镇人口所占比率（rurban）等变量的可信性相对较弱。这意味着表征经济发展背景的变量指标，为绿色金融个体处理效应的产生提供了政策融合基点，启发了政策发力方向。

（二）对策建议

基于本文实证结果发现，应依托绿色金融在碳排放与经济发展中的协同作用，稳步推进“双碳”目标的实现。

首先，要强化绿色金融政策体系的区域协同。

基于本文的实证结果可知，绿色金融平均处理效应呈现异质性，事实上契合于全国经济发展的非均衡性。就全国而言，受制于区域之间的发展不均衡，碳排放存在区域差异。产业结构偏重，经济发展过度依赖第二产业尤其是重化工业的区域，“减碳”任务艰巨。同时，就绿色金融对碳排放量产生处理效应而言，也存在处理效应的区域异质性。因此，利用绿色金融的减碳效应需要依据区域特点实行差异化措施，防止诱发区域金融风险，以及引发和叠加其他经济社会问题。必须基于区域碳减排压力的非均衡性，参考绿色金融政策体系产生处理效应的空间异质性规律，协同跨区域跨时空的资源配置，把有限的绿色金融资源重点用于碳排放高的区域，抓住重点和关键，提高既定资源的减排降碳效果，实现碳减排效益最大化。针对绿色金融资源与碳减排任务不匹配现象，要积极将绿色金融业务纳入信贷考核体系，增加对减排降碳领域的信贷支持，严控对“两高一剩”行业的信贷投放，借助绿色金融杠杆实现绿色低碳转型。

其次，不断优化绿色金融政策体系的产品工具组合。

基于本文的实证结果可知，绿色金融典型表征变量与个体处理效应之间呈现异质性变动规律，并且各变量的价值作用的显著可信性存在差异。因此，要充分利用有效市场和有为政府共同激励的协同模式，在注重财税、政府采购、转移支付等政策引导支持作用的同时，更加注重发挥市场机制对绿色金融资源配置的决定性作用。要持续加强碳排放管控的绿色金融政策工具创新与结构优化，探索碳减排新型手段，提升绿色金融政策体系的产品完善性和工具手段结构平衡性，发挥绿色金融产品工具的组合效应。借力多层次资本市场融资功能，多渠道引导企业和社会资金投至减排降碳和产业结构改造升级领域，为节能低碳和转型升级提供绿色资金保障。尝试“先借后贷”等形式，鼓励增加碳减排贷款，积极发展风险投资、股权融资以及绿色债券等新型直接融资政策工具产品，加强对新能源领域和清洁生产项目的重点支持。开发适合的绿色金融产品和服务，推动绿色债券、绿色保险及林业碳汇交易市场的构建完善，加大绿色金融政策工具对生态保护修复的投资参与力度，促进生态环境效应与经济效益共赢。

再次，探索完善绿色金融相关政策体系的顶层设计。

基于本文的实证结果可知，经济发展背景表征变量与绿色金融个体处理效应之间呈现异质性变动规律，且绝大部分变量指标的价值作用显著可信性凸显。因此，要依托顶层设计，完善绿色金融政策体系，促进绿色金融深度融合于经济发展的内在需要，发挥绿色金融兼顾碳排放与高质量发展的双赢价值功能。要强化科技赋能，建立绿色投融资与绿色项目对接平台，打通绿色投融资信息壁垒。借力大数据、人工智能与区块链等数字化技术，打造完善地方政府、金融机构及企业三方绿色投融资与绿色项目对接平台，实现生态环境信息、碳排放信息以及绿色投融资数据的整合共享。简化绿色信贷业务流程，对接政府性融资担保，培育利用核心信用，降低融资成本和融资门槛。依托区域内政府有限资金的引导功能，吸引社会资本参与，共同设立绿色低碳区域共同基金，考虑减排贡献，体现区域间差异，充分发挥共同基金在资金筹集和使用过程中的激励作用。依托市场化运作和政策性支持，有效放大绿色金融使用效益，并将绿色金融的资源筹集和使用分配功能，作为调节区域之间、区域内部发展不平衡的杠杆，协调推进碳减排和高质量发展的区域间协同共进共赢。