绿色金融视角下中国碳排放异质性模式研究

逯 进 高洁清 苏 妍

1.青岛大学 经济学院；2.青岛大学 马克思主义学院，山东 青岛 266071

一、引 言

自工业革命以来，全球城市化进程的加快和工业化的高速发展所依赖的传统经济发展模式主要以大量不可再生能源为代价，具有高投入、高消耗、高污染等特点。但该模式在给各国带来物质财富持续积累的同时，也带来了诸如气候异常、资源枯竭、极端天气多发及严重环境污染等生态弱化难题，严重影响了各国经济社会和生产生活的和谐发展。为此，2016 年联合国正式启动的《2030 年可持续发展议程》中明确提出“采用可持续的消费和生产模式”，以缓解全球生态恶化的难题，这使得低碳绿色发展成为全球共同的发展目标。

近年来，我国也全面加强了碳排放管理，2020 年9 月，我国首次提出双碳目标。2021 年2 月，国务院发布《关于加快建立健全绿色低碳循环发展经济体系的指导意见》，从多方面对绿色低碳循环发展经济体系做出了部署安排。从我国的发展实践看，要实现这一目标，须解决我国经济发展中存在的高污染、高能耗产业占比高以及企业绿色转型能力不足等难题。

为解决上述问题，我国自2015 年开始全面推进供给侧结构性改革。党的十九大及十九届六中全会均将推动供给侧结构性改革作为重大发展指向。切实推动改革深入前行，以技术创新驱动和产业结构升级作为两大动力引擎，可以加快形成新的经济发展方式，并在生产过程中落实绿色、集约发展理念，这对实现“双碳”目标具有重要的促进作用。从科技创新角度看， 创新能力的提升能够加快构建以科技创新为基础、以人才发展为支撑的全方位创新体系，实现创新与宏观经济可持续发展的有效结合①张竣喃、逯进、周惠民：《技术创新、产业结构与金融发展的耦合效应研究——基于中国省域数据的实证分析》，《管理评论》2020 年第11 期。。从产业发展角度看，构建具有创新潜能的现代产业体系作为产业结构升级的重要目标，有助于降低能源消耗强度、促进战略新兴产业的培育和发展，从而降低碳排放。

进一步，从宏观层面全面审视中国的科技创新、产业结构与碳排放的关系，作为三者基础性保障与社会资源配置中枢的金融体系是另一个不容忽视的重要领域。在这方面，首当其冲便是近年来提出的绿色金融的全面推广。其兼顾绿色、普惠性质的服务特征，很好的契合了中国围绕降碳为目标的科技创新与产业结构升级。党的二十大报告提出，大力发展绿色金融，构建完善的绿色金融体系以促进经济发展模式转型，推动经济高质量发展。当前，构建并完善绿色金融体系已成为深化金融改革、促进碳减排的新方向②苏冬蔚、连莉莉：《绿色信贷是否影响重污染企业的投融资行为》，《金融研究》2018 年第12 期。。

基于以上思考，文章聚焦科技创新和产业结构升级的减碳机制，尝试对如下问题做出深入分析。第一、如果科技创新和产业结构升级具有明确的减碳作用，那么绿色金融发展是否对这一减碳效应具有明确的支撑或约束作用？第二、绿色金融支撑或约束下的科技创新与产业结构升级的减碳效应是否存在显著的客观差异？第三，不同区域科技创新与产业结构升级的减碳模式是否会发生动态变化？厘清上述问题对认识中国的双碳目标、促进经济绿色转型具有重要意义。

二、文献回顾

（一）科技创新、产业结构与碳排放

已有研究认为，科技创新可以有效提高能源使用效率，从而降低减排成本；同时也可以通过产业结构优化升级降低碳排放③涂正革：《中国的碳减排路径与战略选择——基于八大行业部门碳排放量的指数分解分析》，《中国社会科学》2012年第3 期；程钰、孙艺璇、王鑫静等：《全球科技创新对碳生产率的影响与对策研究》，《中国人口·资源与环境》2019 年第9 期。。另有研究认为科技创新和碳排放之间存在回弹效应。根据“环境悖论”，科技创新虽有利于提高资源使用效率来降低碳排放，但资源使用效率的提升也会带来经济规模的扩大，从而产生新的能源需求，导致碳排放量的增加，故二者之间的关系存在不确定性④Fisher V. K., Wing I. S., "Accounting for Quality: Issues with Modeling the Impact of R&D on Economic Growth and Carbon Emissions in Developing Economies", Energy Economics, 2008, 30(6): 2771-2784.。

产业结构升级可以通过改善能源消费结构、提升碳排放权交易效率以增强地区的碳减排幅度⑤仲伟周、姜锋、万晓丽：《我国产业结构变动对碳排放强度影响的实证研究》，《审计与经济研究》2015 年第6 期；蒋和胜、孙明茜：《碳排放权交易、产业结构与地区减排》，《现代经济探讨》2021 年第11 期；熊娜、宋洪玲、崔海涛：《产业协同融合与碳排放结构变化——东盟一体化经验证据》，《中国软科学》2021 年第6 期。。但是行业间、地区间的产业结构与经济发展水平之间可能在协调性等方面存在较大差距，将导致产业结构升级对碳排放的影响具有差异性。具体看，发达地区的产业结构升级能够通过相对完善的技术市场的大力协助，显著提高三大产业聚集度，从而与碳排放形成良好的互动关系，减碳作用更强；但欠发达地区的产业结构水平不合理，尚未形成与碳排放的双向互动关系，产业结构的减碳作用相对较弱①郭朝先：《产业结构变动对中国碳排放的影响》，《中国人口·资源与环境》2012 年第7 期。。

（二）科技创新、产业结构与绿色金融

绿色金融可以优化资源配置，通过绿色信贷、绿色证券提高研发投入，激励技术创新，推动清洁能源和低碳技术的应用②何凌云、梁宵、杨晓蕾等：《绿色信贷能促进环保企业技术创新吗》，《金融经济学研究》2019 年第5 期；王馨、王营：《绿色信贷政策增进绿色创新研究》，《管理世界》2021 年第6 期。。同时，绿色金融具有显著的融资惩罚与投资抑制效应，能显著减少流向重污染、高耗能产业的信贷资金，更多地支持资源节约型、环境友好型产业的落地发展，促进产业结构绿色转型③苏冬蔚、连莉莉：《绿色信贷是否影响重污染企业的投融资行为》，《金融研究》2018 年第12 期；蒋先玲、张庆波：《发达国家绿色金融理论与实践综述》，《中国人口·资源与环境》2017 年第S1 期。。另外，在科技创新和产业结构快速协同发展过程中，绿色金融会产生正循环和正反馈，使三者相互促进，从而有利于经济结构的绿色转型④朱向东、黄永源、朱晟君等：《绿色金融影响下中国污染性产业技术创新及其空间差异》，《地理科学》第2021 年5 期；刘海英、王殿武、尚晶：《绿色信贷是否有助于促进经济可持续增长——基于绿色低碳技术进步视角》，《吉林大学社会科学学报》2020 年第3 期。。

（三）绿色金融与碳排放

从绿色金融的作用特征看，其能够通过促进科技创新与产业结构升级抑制二氧化碳排放⑤Huang Y, Xue L, Khan Z., "What Abates Carbon Emissions in China: Examining the Impact of Renewable Energy and Green Investment", Sustainable Development, 2021: 823-834.，但因政府和金融机构之间存在由委托代理关系导致的寻租、地方保护主义等问题，可能使得绿色金融面临政策低效困境，难以实现碳减排效应⑥张秀生、李子明：《绿色信贷执行效率与地方政府行为》，《经济问题》2009 年第3 期。。此外，绿色金融对碳排放的影响还可能存在异质性。既有研究发现，对于环保型企业或者金融发展程度较高的地区，绿色金融能够给予成本低廉的绿色资金供给，激励其进行技术创新，从而减少碳排放；而对于重污染企业和金融发展程度不高的地区，在绿色金融作用下融资成本会上升，抑制绿色创新的积极性，从而不利于其绿色转型⑦曹廷求、张翠燕、杨雪：《绿色信贷政策的绿色效果及影响机制——基于中国上市公司绿色专利数据的证据》，《金融论坛》2021 年第5 期。。

从上述几支研究主题涉及的文献看，关于科技创新、产业结构与碳排放关系的研究呈现多样性，但既有研究尚未有效涉及金融体系的前沿领域——绿色金融支持。因此，重新审视科技创新、产业结构升级对碳排放的影响，不但契合金融发展的全新趋势，而且更符合中国经济发展的实践目标——低碳转型。对这一话题的解析，涉及中国当前及今后很长一段时期宏观经济发展方向的重大决策，其所依赖的基本逻辑大致可以理解为：金融的绿色功能释放会引导和促进绿色技术创新水平的提升和产业结构升级，而这一作用将直接提升生产工艺、优化生产体系、提高生产效率，并最终体现为生产过程中低耗能、低排放、低污染的低碳生产模式改进。但事实是否如此，需要做出验证。为此将从如下两个全新视角对现有研究做出拓展讨论：第一，将绿色金融作为约束条件引入碳排放问题的研究体系中，全面解析科技创新和产业结构升级抑碳效应的特征与机理；第二，引入新颖的有限混合模型（FMM），展开客观分类，在绿色金融作用下，对各省份技术创新和产业结构升级抑碳模式的差异做出解析，在此基础上，进一步解析各省份可能存在的模式变迁及其特征。

三、模型设定与变量说明

（一）传统模型

借鉴相关研究①Bhatia K.B., "Capital Gains and the Aggregate Consumption Function", The American Economic Review, 1972, 62(5):866-879；王钊、王良虎：《R&D 投入、产业结构升级与碳排放关系研究》，《工业技术经济》2019 年第5 期。，构建如下模型：

（二）有限混合模型的设定

有限混合模型与传统经济增长回归模型不同的是，它可以通过客观方式有效捕捉和判定研究对象之间的异质性特征，而依据的核心是由关注变量所体现出的、无法直接观测的内在差异。具体而言，这一模型有如下特征：第一 ，研究对象之间的异质性不再是外生给定，而是取决于具有因果关系的变量之间的内生属性，并通过这一属性，明确判定异质性的模式；第二，解释与被解释变量之间的关系在不同模式中所处地位与重要程度是有区别的；第三，可以有效揭示研究对象所处的模式随时间推移而发生的动态变迁②刘贯春、刘媛媛、张军：《中国省级经济体的异质性增长路径及模式转换——兼论经济增长源泉的传统分解偏差》，《管理世界》2019 年第6 期。。以两条模式的有限混合模型为例，具体表达式如下：

在模型（2）（3）中，不同样本隶属于某模式的概率与解释变量和被解释变量之间的拟合优度相关。另外，可以加入伴随变量来进一步详细分析不同模式的背后动因，以此来解释为何不同模式之间解释变量与被解释变量之间存在影响差异。为此引入下式：

进一步，利用多元Logit 模型刻画假设不同样本隶属于模式的概率：

此时，可以采用极大似然法对有限混合模型进行估计，对数极大似然函数为：

利用EM 算法对式（6）进行估计，将得出的参数值使用贝叶斯准则，得到样本隶属于模式的概率为：

由此，各样本会被划分到概率大于0.5 的模式。所有样本隶属于模式的整体概率为：

需要注意的是，虽然极少会出现概率不接近1 的情况，但前述内生分类方法可能仍然会导致误判。具体地误判偏差计算为：

另外，在对式（4）进行估计时，无法预知模式R的数量，故借鉴Konte①Knote M., "A curse or a Blessing? Natural Resources in a Multiple Growth Regimes Analysis", Applied Economics, 2013,45(26): 3760-3769.的做法，利用信息准则客观确定模式数量。其对应的表达式为：

（三）变量与数据说明

1.被解释变量

参考相关研究②韩楠：《基于供给侧结构性改革的碳排放减排路径及模拟调控》，《中国人口·资源与环境》2018 年第28 期；Caiyi L, Zhenyu L, Zhifei G., "Assessing E-Commerce Impacts on China's Co2 Emissions: Testing the CKC Hypothesis",Environmental Science and Pollution Research, 2021, 28: 56966-56983；刘志华、徐军委、张彩虹：《科技创新、产业结构升级与碳排放效率——基于省际面板数据的PVAR 分析》，《自然资源学报》2022 年第2 期。，选取二氧化碳（）排放量作为被解释变量。根据IPCC（联合国政府间气候变化专门委员会）提供的计算方法以及十几种能源的净发热值和排放系数，处理后得到各燃料的CO2排放系数。具体估算方法如式（11）：

2.核心解释变量

借鉴姚东旻等①姚东旻、宁静、韦诗言：《老龄化如何影响科技创新》，《世界经济》2017 年第4 期。、梁丽娜和于渤②梁丽娜、于渤：《经济增长：技术创新与产业结构升级的协同效应》，《科学学研究》2021 年第9 期。的相关研究，以研究经费内部支出占比重作为科技创新（）指标。借鉴贾敬全和殷李松③贾敬全、殷李松：《财政支出对产业结构升级的空间效应研究》，《财经研究》2015 年第9 期。，采用第三产业增加值与第二产业增加值之比衡量产业结构升级（）。

3.伴随变量

有关绿色金融的测度方法主要有三类：第一，文本分析。通过衡量政府报告和金融机构颁布或发行的有关绿色金融或绿色信贷文本表述篇幅来度量④丁攀、金为华、陈楠：《绿色金融发展、产业结构升级与经济可持续增长》，《南方金融》2021 年第2 期；胡天杨、涂正革：《绿色金融与企业高质量发展：激励效应与抑制效应》，《财经科学》2022 年第4 期。；第二，单个指标。如绿色债券发行数量、绿色投资、绿色信贷与GDP 比值等⑤朱向东、黄永源、朱晟君等：《绿色金融影响下中国污染性产业技术创新及其空间差异》，《地理科学》2021 年第5 期；赵娜：《绿色信贷是否促进了区域绿色技术创新？——基于地区绿色专利数据》，《经济问题》2021 年第6 期。；第三，指标合成。将绿色信贷、绿色投资、绿色证券以及绿色保险合成绿色金融指数⑥蒋先玲、张庆波：《发达国家绿色金融理论与实践综述》，《中国人口·资源与环境》2017 年第S1 期；尤志婷、彭志浩、黎鹏：《绿色金融发展对区域碳排放影响研究——以绿色信贷、绿色产业投资、绿色债券为例》，《金融理论与实践》2022 年第2 期。。鉴于绿色信贷是科技创新和产业结构升级的重要依托，故以绿色信贷代表绿色金融。由于省级绿色信贷规模相关数据有缺失，故采用六大高能耗产业利息支出与工业利息总支出之比这一指标来衡量绿色信贷。

4.控制变量

参考相关文献⑦吴茵茵、齐杰、鲜琴等：《中国碳市场的碳减排效应研究——基于市场机制与行政干预的协同作用视角》，《中国工业经济》2021 年第8 期；逯进、李婷婷：《产业结构升级、技术创新与绿色全要素生产率——基于异质性视角的研究》，《中国人口科学》2021 年第4 期；屈小娥、骆海燕：《中国对外直接投资对碳排放的影响及传导机制——基于多重中介模型的实证》，《中国人口·资源与环境》2021 年第7 期。，选取如下控制变量：能源消费结构（ES）、经济发展水平（）、城镇化（）、人口规模（）、市场化指数（）、财政依存度（）、对外开放程度（）。

5.数据来源与描述性统计分析

选取中国30 个省份作为研究对象，时间跨度为2007—2019 年，共计390 个观测值。受限于数据质量和可得性，未将香港、澳门、西藏自治区以及台湾地区纳入。数据来自相应年份各省市区的统计年鉴、《中国能源统计年鉴》、《中国科技统计年鉴》、Wind 数据库、国泰安数据库等。其中，绿色信贷2017 年数据缺失，采用插值法补齐。特别地，依据省份所在的地理位置，首先将所有省份划分为东、中、西三大区域①东部地区包括北京、天津、河北、上海、江苏、浙江、福建、山东、广东、辽宁、海南11 个省份；中部地区包括：山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南8 个省份；西部地区包括：四川、重庆、贵州、云南、陕西、甘肃、青海、宁夏、广西、新疆、内蒙古11 个省份。。表2 为变量描述性统计结果。

四、实证分析

（一）基准回归

表3汇报了传统模型的回归结果。由表3 可知，全国样本中，科技创新和产业结构升级的回归系数分别为-0.2752 和-0.1598，且分别通过了10%和1%的显著性检验，表明两者均有显著抑碳作用。

从科技创新角度看，党的十八大正式确立了科技创新在国家发展全局的核心地位，并于十八届五中全会第一次提出“创新、协调、绿色、开放、共享”的发展理念，将创新放在首要位置。一方面，作为一国生产力进步的核心动力和保障国家安全的重要战略基础，科技创新对改善、提高生产要素的产出边际效率具有重要意义；另一方面，科技创新可以通过政策规制、发展规划等途径强化政府、企业和公众的绿色发展理念和绿色生活习惯，有助于全社会改变能源消费行为，这对降低碳排放有积极效应①程钰、孙艺璇、王鑫静等：《全球科技创新对碳生产率的影响与对策研究》，《中国人口·资源与环境》2019 年第9 期；许可、张亚峰：《绿色科技创新能带来绿水青山吗？——基于绿色专利视角的研究》，《中国人口·资源与环境》2021年第5 期。。

从产业结构变迁角度看，一直以来，我国产业结构升级的步伐比较缓慢，能源投入强度大、利用效率低，环境污染问题严重，加之2008 年后国内外发展环境的变化产生了明显的倒逼效应，对我国绿色转型造成较大阻碍。因此，我国于十二五期间提出战略性新兴产业发展规划，开始全面培育结构优化、技术先进的战略性新兴产业，这为制造业改造升级提供了有力支持。随后，2015 年发布的《中国制造2025》首次提出制造业发展方针。2021 年，我国发布的《“十四五”工业绿色发展规划》中再次提出以推动高质量发展为主题，以供给侧结构性改革为主线，实施绿色制造，加快产业结构优化升级，以此促进碳减排。

另外，表3 中区域子样本的回归结果表明，三大区域科技创新和产业结构升级系数均显著为负，但系数之间具有明显差异，可以看出我国区域间技术创新和产业结构升级的减碳效应存在较大差异。

为验证上述差异的真实性，引入Wald 检验，结果如表4 所示。可知，无论是两区域之间的比较还是三区域之间的联合检验，结果都表明，按照地理位置划分的东中西部之间在科技创新和产业结构升级方面具有显著差异，这意味着该组别划分具有一定合理性。但不可否认，这一划分模式具有一定主观性，可能造成回归结果偏差。那么寻找一类客观分组模式，将有效避免这一偏差，从文章研究基础看，引入有限混合模型，可以有效识别客观分类分组。

（二）有限混合模型

1.最优模式判别

在进行参数估计之前，可以首先引入信息准则对最优客观分组数量进行识别。由表5 可知，无论是否加入伴随变量，三分组中的数值最小。这意味着中国省域科技创新和产业结构升级对碳排放的影响存在3 种不同模式。在具体分析时，未加入伴随变量前，将3 类模式分别标记为模式A、B 和C；引入伴随变量后，3 类模式分别标记为D、E 和F。

2.回归结果解析

在得到最优分组模式数目后，就可利用最大期望算法（EM）求得有限混合模型的极大似然估计结果。同时，将伴随变量——绿色金融纳入有限混合模型观察其影响，结果如表6 所示。首先，从未加入伴随变量的结果看，模式A 和B 中科技创新对碳排放的影响不显著，模式C 中科技创新和产业结构升级均能够显著抑制碳排放。加入伴随变量后，观察解释变量系数可以发现，相较于模式A、B、C，模式D、E、F 中科技创新和产业结构升级对碳排放的抑制作用有明显提高。其次，观察隶属概率可以发现，模式A、B、C 的隶属概率分别是25.40%、22.97%和51.63%，模式D、E 和F 分别为30.63%、52.39%和16.98%，说明在样本观察期间，未加入伴随变量时科技创新和产业结构升级对碳排放的影响特征更契合于模式C；考虑绿色金融影响后，科技创新和产业结构升级对碳排放的影响特征契合于模式E。另外，加入伴随变量后，误判偏差从22.06%降为7.05%，说明伴随变量的引入提高了模型回归的精度。最后，观察伴随变量系数可以发现，绿色金融在模式E 和F 中均显著为正①需要说明的是，按照有限混合模型分析的范式，一般将引入伴随变量后的第一个组别设定为基准组，其结果做为参照，并不加以讨论。详见逯进、李婷婷：《产业结构升级、技术创新与绿色全要素生产率——基于异质性视角的研究》，《中国人口科学》2021 年第4 期；刘贯春、刘媛媛、张军：《中国省级经济体的异质性增长路径及模式转换——兼论经济增长源泉的传统分解偏差》，《管理世界》2019 年第6 期。。上述结果的理论含义与机制是什么呢？

首先，金融作为国民经济运行的核心，在协调经济与环境发展过程中能够起到优化资源分配、促进战略新兴产业发展以及优化产业结构等作用①段可仪：《金融发展支持省域绿色科技创新效率研究》，《生态经济》2023 年第8 期。。早在“十二五”期间，我国就提出重视绿色产业发展，并将绿色金融逐步融入到经济发展之中，实现绿色金融与科技创新和产业结构的深度融合。具体而言，首先，绿色金融主要通过影响企业融资约束与技术效应作用于科技创新，进而影响碳排放。从资本形成角度来看，资本乃企业存续之本，在我国，以银行信贷为主的外部融资是企业实现规模扩张的主要融资渠道。在此背景下，为响应绿色金融的号召，金融体系推出了政府贴息、税收减免或者返还等差别对待政策——以优惠的信贷政策对绿色环保低耗产业加以支持，缓解其融资约束，使得该类企业具有充足的资金用于绿色创新实践和规模扩张②连莉莉：《绿色信贷影响企业债务融资成本吗？——基于绿色企业与“两高”企业的对比研究》，《金融经济学研究》2015 年第5 期。，提高科技创新研发投入和成功率；而通过提高信贷资金成本或者降低、停止发放贷款对高污染企业进行限制，迫使其面临负担加重、生产效率降低及利润空间缩小等难题，部分企业为破解生存困境，可能会通过突破原有技术壁垒以应对之③Xinkuo X, Jingsi L, "Asymmetric Impacts of the Policy and Development of Green Credit on the Debt Financing Cost and Maturity of Different Types of Enterprises in China", Journal of Cleaner Production, 2020, 264: 121574.。其次，绿色金融也通过影响风险规避和行业整合作用于产业结构升级，继而影响碳排放。从风险规避角度来看，绿色金融能够打破政府与企业之间的“数据壁垒”与“信息孤岛”，降低信息不对称，提高金融资源与绿色项目的匹配度，降低企业在进行绿色技术创新时面临的不确定性，增强其抗风险能力和盈利能力，且具有长期效应，长此以往，将有效推动产业结构绿色转型④文书洋、张琳、刘锡良：《我们为什么需要绿色金融？——从全球经验事实到基于经济增长框架的理论解释》，《金融研究》2021 年第12 期。。从行业整合角度来看，绿色金融对行业“抑污促绿”的“区别对待”将进一步推动生产要素向绿色、高效、环保的部门集聚，并通过集聚效应、辐射效应以及学习和技术溢出效应带动上下游及周边的绿色发展，形成部门内部的绿色发展联动机制，推动行业升级优化，减少碳排放量⑤孙英杰、林春：《绿色金融如何赋能制造业绿色竞争力提升》，《深圳大学学报》2023 年第3 期；张洪瑞、吴平；《绿色信贷对碳排放的空间溢出效应——基于环境监管调节效应的分析》，《西南金融》2023 年第8 期。。从我国实践情况来看，中国人民银行发布的数据显示，截至2022 年末，我国本外币绿色贷款余额22.03 万亿元，同比增长38.5%。当前我国绿色金融体系在逐步完善，多样化的金融工具拓宽了企业融资渠道和风险管理方案，这为金融部门服务于绿色低碳经济提供了行之有效的策略。

其次，模式F 中科技创新和产业结构升级系数分别为-0.6589 和-0.9894，均显著为负且绝对值大于模式E。另外，绿色金融系数在模式F 中为24.8966，大于模式E 中的22.1539，这说明绿色金融能够显著增强科技创新与产业结构升级的抑碳效果，且在模式F 中效果更优。

产生上述结果的原因可能在于：我国早期基础设施落后，经济发展水平低，高新技术人才严重不足，且政府创新投入资金相较于发达国家较低，科技创新成果较少，技术水平整体落后。但我国资源禀赋优越，发展潜力巨大，近年来，随着绿色金融的发展和国家相关政策的落实，改变了企业的市场竞争环境，由注重产出扩张和利润最大化转向注重绿色绩效与财务目标①刘华珂、何春：《绿色金融促进城市经济高质量发展的机制与检验：来自中国272 个地级市的经验证据》，《投资研究》2021 年第7 期。。在全新的市场竞争环境里，拥有高新先进技术的企业将获得领先优势，通过技术革新得来新环境里的一席之位，而技术水平较低的企业为避免被绿色转型的浪潮覆灭，会通过学习新兴技术来防止落后被淘汰，从而带动行业的整体进步转型②王遥、潘冬阳、彭俞超等：《基于DSGE 模型的绿色信贷激励政策研究》，《金融研究》2019 年第11 期。。此外，政府通过加大补贴和撬动社会资本进入绿色金融领域，大幅增加对技术研发资金的投入，科技创新和产业结构升级获得了明显提升，以电子技术为代表的高新技术产业向传统产业不断进行渗透，降低了工业生产中的资源能耗，实现基础工业低碳化转型升级，促进了传统产业的改造和升级③朱向东、黄永源、朱晟君等：《绿色金融影响下中国污染性产业技术创新及其空间差异》，《地理科学》2021 年第5 期。。另外，党的十九大之后，中央下大功夫优化我国区域经济空间布局，提出了新的发展战略，例如京津冀、长江经济带、长三角一体化和粤港澳大湾区等，这些新经济带产生的辐射效应将带动周边地区甚至全国的绿色经济发展。在此基础下，绿色金融的发展能够通过进一步优化资源配置来提升研发投入，激励技术创新，推动清洁能源和低碳技术的应用来作用于碳减排，因而更易实现绿色转型。

最后，利用Wald 检验来验证三种模式之间的差异性，结果如表7 所示。不同模式下，科技创新与产业结构升级均呈现显著差异性，且三种模式的联合检验结果均通过了1%的显著性水平，说明三种模式的解释变量的影响存在异质性。

3.模式转换

有限混合模型能够观测到同一经济体随着发展阶段的不同而发生的模式转换。由前文分析可知，在绿色金融作用下，科技创新和产业结构升级对碳排放的作用模式有三类，其中F 模式最优。以此为参照，进一步考察样本期内各省份加入伴随变量后科技创新和产业结构升级对碳排放影响的模式转换问题，具体结果如表8 和表9 所示。

共有11 个省份发生了模式转换。其中北京、天津、上海由模式E 转为模式F，对应的时间点分别为2014 年、2015 年和2010 年；河北、山西、黑龙江、湖北、湖南、广西、四川由模式 D 转为模式E，对应的时间点分别为2010 年、2010 年、2010 年、2010 年、2010 年、2011 年、2009 年。内蒙古、贵州、云南、甘肃、青海、宁夏、新疆未发生模式转换，均属于模式D；辽宁、吉林、安徽、福建、江西、河南、广东、重庆、陕西未发生模式转换，均属于模式E；江苏、浙江、山东未发生模式转换，均属于模式F。各省份隶属模式转换的具体情况见表9。

可以发现，在该模型中隶属于东中部地区的省份发生模式转换的数量较多，仅有个别西部省份发生了模式转换，故可以推论：

第一，由模式E 转为模式F 的北京、天津、上海均属于东部发达直辖市，因为历史沿革及所承担的发展定位不同，故经济发展阶段区别于其他省份。三个城市金融基础较好，已基本形成集聚效应和辐射效应，不但吸引着全国乃至海外更多优质资金、 绿色技术、专业人才等资源，而且依托总部效应，发挥着中心影响力，对周边地区的发展形成带动作用。对于样本期内一直处于模式F 的浙江、江苏、山东这些东部沿海省份，它们拥有适宜的市场环境和充足的绿色资本以及高素质的技术人才，因而更易实现绿色转型，加之近年来全国调整区域产业布局，资源和劳动密集型产业逐渐转移，高新技术产业和高端制造业获得较大发展①段可仪：《金融发展支持省域绿色科技创新效率研究》，《生态经济》2023 年第8 期。。而河北、辽宁和福建等地由于历史遗留问题，重工业占较大比重，产业结构升级面临阻碍，绿色发展较为滞后②刘七军、那静文、李昭楠等：《“一带一路”省域绿色金融与产业结构耦合协调发展时空分异》，《生态经济》2022 年第10 期。。

第二，对于由模式D 转为模式E 的山西、黑龙江、湖北、湖南、广西、四川这些中西部省级经济体，近些年来，随着高质量共建“一带一路”的带领和中部崛起战略的深入实施，中部省份开始“抱团”发展，实现了经济总量和质量的双进步。但对于样本期内未发生模式转换一直处于模式E的辽宁、吉林、安徽、福建、江西、河南、重庆、陕西、广东这些省份则面临发展不平衡不充分的问题， 虽拥有较为丰裕的资源，但是由于这些省份含有较多的特殊类型地区，如老工业基地和脱贫地区等，整体上经济发展相较于东部发达省份仍然较为落后③徐胜、赵欣欣、姚双：《绿色信贷对产业结构升级的影响效应分析》，《上海财经大学学报》2018 年第2 期。。近些年来为实现绿色转型，这些资源型省份不断发力，但因金融体系尚未健全，市场主体在市场创新与实践方面的潜能与动力略显不足，故未能形成金融市场与实体经济的良好互动，与东部相较仍有部分差距。

最后，对样本期内未发生模式转换且一直处于模式D 的内蒙古、贵州、云南、甘肃、青海、宁夏、新疆等西部不发达省份，技术研发水平较低，产业结构仍以第二产业为主，且重工业占较大比重，同时，第三产业规模小、质量低且结构不合理。此外，在西部地区中的大中企业中多为中央直属的能源、军工企业，而这些企业的产业链大多分布在我国东部地区，与地方的小企业关联度较低，对周围地区的经济辐射作用较弱，使得区域二元经济问题突出。在此背景下，绿色金融的推进无法与科技创新和产业结构升级形成良性互动，因此通过二者作用于碳排放的效果较弱④孟维福、刘婧涵：《绿色金融促进经济高质量发展的效应与异质性分析——基于技术创新与产业结构升级视角》，《经济纵横》2023 年第7 期。。

（三）稳健性检验

1.替换变量

表1 指标选取及其度量方式

表2 描述性统计分析

表3 传统模型回归结果

表4 主观分组检验

表5 隶属模式的最优数目判定

表6 有限混合模型回归结果

表7 有限混合模型组间差异性检验

表8 2007—2019 年科技创新和产业结构升级对碳排放影响的模式转换（加入伴随变量）

表9 2007—2019 年各省份模式转换时间（加入伴随变量）

表10 稳健性检验结果

2.内生性处理

考虑到伴随变量与被解释变量之间可能存在的双向因果问题，可将伴随变量的滞后期纳入回归模型①刘贯春、刘媛媛、张军：《中国省级经济体的异质性增长路径及模式转换——兼论经济增长源泉的传统分解偏差》，《管理世界》2019 年第6 期。，具体回归结果如表10 所示。重点观察模式H 和模式I 中解释变量的回归系数、伴随变量的回归系数以及隶属概率等可以发现，模式H 和模式I 与模式E 和模式F 的特征基本一致。

六、结论与启示

文章基于2007—2019 年的省级面板数据，采用有限混合模型分析了科技创新和产业结构升级对碳排放的异质性影响及其特征。主要结论有：第一，科技创新和产业结构升级对碳排放的影响存在3 种不同的模式，而大部分中西部省份隶属于科技创新和产业结构升级抑碳效应较弱的模式。第二，绿色金融作为伴随变量，能够有效增强科技创新和产业结构升级的减碳效应，且在第3 种模式中绿色金融对二者的整体抑碳效应要强于前两类模式。第三，加入伴随变量之后，有11 个省份在样本期内发生了模式转换。主要表现为随着产业结构的不断升级和科技创新投入力度的不断加大，二者的抑碳作用逐渐增强。此外，Wald 检验发现，绿色金融水平的高低是影响省级经济体发生模式转换的关键因素。文章的研究结论对于在绿色金融的影响下进一步提升科技创新水平和产业结构升级来促进减碳目标的实现具有现实意义。

结合文章实证结果，特提以下政策建议：第一，对于北京、上海、浙江等这些处于模式F 的东部较为发达省份，需继续完善绿色金融的相关法律法规，强化绿色金融与碳排放之间的关联度，推动金融创新与碳足迹相挂钩的金融产品，丰富绿色金融市场上产品的多样化，为其他地区起到引领作用。第二，对于山西、黑龙江、湖北、湖南、广西、四川这些目前处于模式E 的中西部省份，相关政府部门应稳步推进落实绿色专项贷款、科技创新专项贷款的相关政策，能源方面支持煤炭清洁高效利用，同时提高清洁能源、节能环保能源的使用范围。另外，因为这些省份大多拥有产销一体化市场、基础设施健全、人口红利等优势，故可在此基础上对产业结构进行进一步升级优化，降低传统重工业占比，发展中心逐渐向第三产业转移。同时，需引导金融机构发挥辖区内的领导作用，为低碳发展、科技创新、产业结构升级等重点领域和核心环节提供支持。第三，对样本期内未发生模式转换且一直处于模式D 的贵州、云南、甘肃、青海、宁夏、新疆等西部不发达省份，政府在绿色金融薄弱环节加大政策扶持和资金补贴的同时也需提高与现有产业政策和新兴制度的协同性。同时，可建立高新技术人才培养计划，提高相关人员的工作效率和污染治理投资的产出效率。