绿色金融是否助推可再生能源电力发展?

方国斌, 翁燕妮

(安徽财经大学 统计与应用数学学院,安徽 蚌埠 233041)

一、引言

2020年,习近平总书记提出2030年前实现“碳达峰”、2060年前实现“碳中和”的双碳目标,这是国家可持续发展的重要战略目标。温室气体的过量产生及排放引起世界气候发生急剧变化,化石能源是温室气体生成的主要来源,为了达成我国乃至世界低碳绿色发展目标,改变能源利用结构,从化石能源向清洁能源转变成为一个必然选择[1]。近年来,我国多种可再生能源项目的发展速度不断加快,如风电和太阳能等可再生能源装机容量位列世界第一。虽然我国已经开始重视可再生能源的地位并加以利用,可再生能源使用率逐渐增加,但由于历史遗留问题以及特有的矿产资源构成等影响,目前能源利用结构仍以化石燃料为主,使得温室气体的排放量大,而大量开采并使用化石能源会影响环境,将可再生能源的发展和广泛利用提上日程,这对于应对气候环境变化、减碳减排具有重要意义[2]。

多位学者认为环境是影响可再生能源电力发展的重要因素。在研究可再生能源发展的驱动因素过程中,Pandey等研究发现可再生能源政策和治理在东盟国家起推动作用[3];Maqbool和Ye发现环境是影响可再生能源发电项目成功的关键性因素[4];Fatima等基于MFCA,确定影响可再生能源发电发展的十大关键因素为资源禀赋、发电方式、可再生能源需求、可再生能源适应性、可再生能源项目投资环境、政府能源政策、可再生能源工程的经济回报、环境影响、公众接受度以及良好治理的缺乏[5];Nawaz等采用双重差分法研究,结果表明包括可再生能源的消费在内的多个因素大大促进某个区域的绿色融资并减缓气候变化[6]。

绿色投资作为绿色金融的一部分,与环境因素和可再生能源息息相关。可再生能源的使用以及绿色投资响应国家面对全球气候变化问题提出的双碳目标,但缺乏资金是可再生能源发展的最大障碍之一[7]。近年来,强大的绿色金融市场被视为发展新的可再生能源技术的关键[8]。Wang等研究表明绿色投资和可再生能源的使用显著减少基于生产的二氧化碳排放量[9]。He等发现可再生能源绿色投资对绿色经济发展具有双重阈值效应,从长远看,可再生能源环境污染的绿色投资能有效促进绿色经济增长[10]。Pradhan等指出,政府支持清洁能源领域的绿色金融投资有助于环境保护及经济增长[11]。政府积极的绿色金融政策可能会增加可再生能源部门的投资[12]。Glomsrød和Wei指出,由于绿色金融的发展,绿色债券稳步运行,到2030年可减少470万吨二氧化碳排放量,且非化石能源电力比例将增加4%[13]。Wang等用熵值法分别计算环境污染、绿色金融以及高质量能源发展的综合指数,得出在中国长江经济区环境污染和绿色金融在影响能源高质量发展方面具有完全相反的结果,环境污染影响效应为负,绿色金融影响效应为正,且空间溢出效应与二者的直接影响效应一致[14]。

不同学者对绿色金融如何影响可再生能源的发展持有不同的观点,Kim和Park研究金融市场发展是否促进全球可再生能源的部署,认为金融市场的发展是影响可再生能源的一个重要决定因素,在不同经济条件下,金融发展对可再生能源的影响有差异,但整体均为正向影响[15]。Zhang等的研究表明,人力资源和绿色能源技术研发方面的公共支出加速了绿色和可持续经济[16],绿色金融投资有助于实现可持续的经济和环境增长[17]。也有人指出绿色金融如何促进环境的可持续发展取决于该地区的经济条件[18]。Cheng等研究发现超过一定阈值后,碳税收入可能不再对能源创新产生有效的影响[19]。

目前国内可再生能源的主要用途是利民发电,减少煤炭等不可再生能源的消耗量,可再生能源电力发展成为可再生能源整体发展的一个重要组成部分。可再生能源作为清洁能源的一种,对双碳目标的实现具有不可忽视的作用,而金融特别是绿色金融对可持续行业的发展起着重要的支撑作用,绿色金融与可再生能源电力发展之间的影响机制怎样,在可再生能源电力发展的不同阶段,绿色金融扮演着一个怎样的角色?为了研究以上问题,本文采用2013—2021年我国30个省区市(除西藏、港澳台外)的面板数据,研究省区市间绿色金融与可再生能源电力发展之间的内在联系。

现有文献多从理论上阐明绿色金融如何支持可再生能源电力的发展,实证研究较少,且多聚焦绿色金融对可再生能源投资效率的影响研究,没有量化分析绿色金融对可再生能源电力发展的影响。本文拟采用空间杜宾模型和面板分位数回归模型,从多维度、多区域量化分析绿色金融对可再生能源电力发展的影响。

二、绿色金融水平的测度

(一)绿色金融指标体系构建

参考相关文献,选取绿色信贷、绿色证券、绿色保险和绿色投资四个维度来构建绿色金融指数评价指标体系,指标体系中兼有正向和反向指标,更能客观反映绿色金融发展的实际情况[20],具体指标及说明见表1。

表1 绿色金融综合评价指标体系

(二)测度结果及分析

目前,学术界采用评价指标体系测度方法大多为熵权法或TOPSIS-熵权法,本文结合郭莉等的做法,在TOPSIS-熵权法的基础上,采用灰色关联度分析,得到熵权-TOPSIS-灰色关联法这一改进的组合评价方法[21],此方法能够有效弥补灰色关联法和TOPSIS法的局限。

1.数据来源

绿色金融评价指标体系中各指标数据分别来自EPS数据库、同花顺APP、Wind数据库、CSMAR国泰安数据库、国家统计局以及《中国保险年鉴》《中国工业统计年鉴》等,缺失值采用插值法求得。

2.熵权法计算指标权重

首先,采用熵权法计算指标权重,在将数据非负处理的基础上,分别进行正负指标的标准化,假设有m个地区、n个指标,其中Bij为第i个地区的第j个评价指标,Aij为标准化后的评价指标。

正向指标公式为

(1)

负向指标公式为

(2)

其次,计算各项指标的熵值S。

(3)

(4)

最后,计算得出第j个指标的权重系数λj。

(5)

由上述公式计算指标体系中各三级指标的权重系数,结果见表2。

表2 绿色金融评价指标体系权重

3.TOPSIS-灰色关联法测度绿色金融指数

在确定指标权重基础上,采用TOPSIS-灰色关联法,计算30个省区市9年来的绿色金融指数。

第一,采用TOPSIS法确定正、负理想解,计算各评价对象到正、负理想解的欧氏距离。在利用熵权法确定指标权重系数的基础上,构建加权规范矩阵Q。

(6)

(7)

(8)

(9)

(10)

(11)

(12)

(13)

式中:i=1,2,…,m;j=1,2,…,n;ε∈(0,1)为分辨系数,取值为0.5。

第四,将TOPSIS与灰色关联相结合,分别计算无量纲化后的各评价对象与正、负理想解之间的欧氏距离以及灰色关联度的相对贴近情况。

(14)

(15)

(16)

由上述公式计算绿色金融指数。从各省区市绿色金融指数的测度结果看,近9年来绿色金融指数存在上下波动的情况,但除个别省区市外,其他省区市整体呈现增长趋势,与2013年相比,2021年大部分地区绿色金融指数均有不同程度提升,绿色环保的可持续发展已小有成效。

三、可再生能源电力发展水平的测度

(一)可再生能源电力指标体系构建

基于数据的可获得性及指标选取的合理性,本文主要从可再生能源电力建设和发电两方面来构建可再生能源电力发展综合评价指标体系,具体指标及说明见表3。

表3 可再生能源电力发展综合评价体系

(二)测度结果及分析

1.数据来源

可再生能源电力评价指标体系中各指标数据分别来自EPS数据库、Wind数据库、国家统计局、国家能源局以及《中国能源统计年鉴》等,缺失值采用插值法求得。

2.指标权重及测度结果

与绿色金融指数测度方法一致,采用熵权-TOPSIS-灰色关联组合评价法,计算可再生能源电力指标权重,结果见表4。同时计算可再生能源电力发展水平,结果显示各省区市可再生能源电力发展水平大致呈现逐年上升的趋势,到2021年,除极个别省区市外,其他省区市可再生能源电力发展水平均有较大增长,这与绿色金融指数变化趋势基本一致。

表4 可再生能源电力评价指标体系权重

四、绿色金融影响可再生能源电力发展水平的实证研究

为了研究绿色金融对可再生能源电力发展的影响,本文以2013—2021年我国30个省区市的面板数据为样本,引入空间杜宾模型和面板分位数回归模型进行实证研究。

(一)空间杜宾模型和面板分位数回归模型

我国是世界上最主要的能源进口国和二氧化碳排放经济体,环境的可持续性受到极大重视。可再生能源与传统化石能源相比,在减少温室气体排放方面具有天然优势,且传统化石能源具有较长的形成周期,而可再生能源是天然的发电厂,是基于地球的自然资源给人类经济社会发展带来的重大突破。为应对气候变化,研究可再生能源电力发展的影响因素具有重要的现实意义。为了实现“双碳”目标,必须升级能源结构,从不可再生能源向可再生能源过渡,多位学者认为投资可再生能源可以解决环境污染问题,并有助于经济增长[17,22-26]。绿色金融本质上是通过对企业的融资约束来达到减碳减排的目的,环保型企业相比高耗能型企业更受绿色金融的青睐,而可再生能源是一类无污染无温室气体排放的天然清洁能源,与绿色金融的环保发展理念相吻合,可再生能源电力的发展离不开相关企业的推动与支持,也离不开资金支撑。因此,本文认为绿色金融可能是影响可再生能源电力发展的一个重要因素。

我国各地区之间存在一定联系,绿色金融对可再生能源电力发展的影响不是孤立的,传统面板回归模型未考虑存在空间溢出的情况,可能导致模型结果产生偏误。采用空间杜宾模型,不仅可以考虑本地区可再生能源电力发展受当地解释变量的影响,也可以考虑本地区可再生能源电力发展受邻近地区解释变量的影响。本文采用的空间杜宾模型方程式如下

(17)

式中:Y表示被解释变量,本文选择的是可再生能源电力发展水平;X表示解释变量与控制变量;ρ、β、θ表示相应变量的待定系数;u表示空间固定效应;γ表示时间固定效应;ε表示随机误差项;w代表空间权重矩阵,本文采用的是基于Rook邻近性的空间权重矩阵,其中海南省未与我国其他省市接壤,为了整体研究,修改空间权重矩阵,令矩阵中海南省与广东省的空间权重矩阵系数为1,海南省与其他省市之间的矩阵系数为0。

空间杜宾模型给出的是绿色金融对可再生能源电力发展影响的一般性结论,但随着人类经济社会发展,科技不断进步,各类新型技术产品层出不穷,可再生能源发电厂的修建以及供电措施的更迭、更多自然界中天然清洁能源的利用,标志着可再生能源电力在不断发展,且发展趋势并非一成不变,在不同的发展阶段,它的影响因素可能会发生改变。为了进一步研究可再生能源电力发展过程中解释变量对不同发展阶段的影响,本文采用面板分位数回归模型来分析,模型方程式为

(18)

式中,RE表示可再生能源电力发展水平,GF表示绿色金融,xj表示其余控制变量,u表示空间固定效应,ε表示随机误差项。

(二)变量说明

1.被解释变量

本文主要研究绿色金融对可再生能源电力发展的影响,故被解释变量为可再生能源电力发展指数(RE)。各指标数据均来自Wind数据库,选取可再生能源发电和可再生能源电力建设情况来反映各地区可再生能源电力发展水平。

2.核心解释变量

绿色金融指数(GF)。大部分指标数据来自统计年鉴,其中二级指标绿色证券的相关数据,首先通过CSMAR国泰安数据库中的数据筛选上市公司,选取A股上市公司非ST股票,获得股票代码,而后在同花顺APP上手工统计,获得A股上市公司市值等有关数据。GDP数据以2010年为基期平减得到。

3.控制变量

本文主要从经济、技术、能源和环境因素方面选取6个控制变量。一个地区的人均生产总值可以直接反映该地区的经济发展状况,且该地区的城市化水平可以从一定程度上反映这个地区的经济水平,产业结构升级即经济增长方式转变也可以从侧面反映该地区的经济发展状况。因此,本文在经济因素方面选取人均地区生产总值(RGDP)、城市化水平(AREA)和产业结构变化(THR)3个变量。其中,人均地区生产总值以2010年为基期平减得到,城市化水平以人均道路面积衡量,产业结构变化以第三产业增加值与地区生产总值的比值衡量。环境规制和绿色技术创新之间存在相互作用的激励配合效应[27],而环境规制对高耗能、高污染企业的影响较大,相对来说,对于绿色环保型企业,环境规制的抑制作用较小,且由于企业在技术创新中居主体地位,绿色技术创新是实现发展方式绿色转型的重要驱动力[28],因此在技术因素方面选取变量技术创新(PRO)来表示,以高技术产业新产品开发项目数来衡量。一个地区可再生能源的发展离不开该地区拥有的资源,作为目前仍以煤炭消费为主的国家,煤炭的消费量可以从一定程度上反映不同地区的能源资源情况,因此在能源因素方面以煤炭消费量来衡量能源资源禀赋(COAL)。目前已有多篇文献表明,积极应对气候变化和二氧化碳的排放能够促进可再生能源的发展[29]57-58,因此在环境因素方面用二氧化碳排放量(CO2)作为控制变量,数据来自EPS数据库以及国家统计局。

表5表示未经过对数处理的各个变量的描述性统计分析,各变量的中位数均小于均值,说明各变量均存在地区差异,而且技术创新、能源资源禀赋、二氧化碳排放量3个变量的标准差较大。其中技术创新的标准差为7 546.000;能源资源禀赋的标准差为12 006.000;二氧化碳排放量的标准差最大,为33 023.000,其最小值与最大值相差超过30倍,波动程度最大;不同地区之间这3个变量均有较大差异。

表5 变量的描述性统计

(三)模型的统计检验

首先进行全局Moran’s I指数检验,结果见表6。由表6可知,被解释变量即可再生能源电力发展水平存在显著空间相关性,满足采用空间杜宾模型进行实证分析的前提条件。

表6 可再生能源电力发展水平全局莫兰指数检验

在此基础上进行局域Moran’s I指数检验,绘制样本研究期间变量均值的莫兰散点图(图略)可知,样本地区可再生能源电力发展情况大多位于第一、第三象限,处于第一象限即高集聚类型的基本属于西部地区,此类地区可再生能源电力发展水平为高值,且周围邻近地区也为高值。

为了避免伪回归,进行数据协整,检验结果见表7,可知变量之间存在协整关系,可以进行回归。Hausman检验结果表明应当选择时间和空间双向固定效应模型。

表7 协整检验与Hausman检验

进行LM、LR、Wald检验,以选择合适的模型,结果见表8。LM检验的原假设为“不存在空间自相关”,由表8可知,空间误差模型优于空间滞后模型。LR似然比检验和Wald检验结果的P值均小于0.01,选择空间杜宾模型合适。

表8 LM、LR、Wald检验

(四)基于空间杜宾模型的实证研究

由于变量间数量级差距较大,且将变量取对数处理可以有效降低异方差对实证结果的影响,本文将所有变量取对数后进行实证分析。经过上述检验后,进行双向固定效应回归,结果见表9第(1)列。

表9 SDM模型回归

从表9回归结果来看,核心解释变量绿色金融正向显著,说明绿色金融对可再生能源电力发展水平起正向促进作用。

产业结构升级在1%的显著性水平下对可再生能源电力发展水平产生正向影响,随着第三产业增加值占地区生产总值比例的提高,反映地区创新技术提升,促进可再生能源类企业长远发展,相邻地区的产业结构升级在1%的显著性水平下显著,说明相邻地区产业结构升级会促进本地区可再生能源电力的发展,技术和人才存在空间外溢现象,人才技术在邻近地区间流动,相邻地区与本地区共同发展进步,促进可再生能源电力的发展;技术创新在1%的显著性水平下显著为正,技术创新每提升1个百分点,可再生能源电力发展水平提升0.031个百分点,但对相邻地区的可再生能源电力发展水平无显著影响;城市化水平在5%的显著性水平下显著为负,本地区城市化水平对相邻地区可再生能源电力发展水平也在5%的显著性水平下显著为负,说明本地区城市化水平的提升会降低本地区和相邻地区可再生能源电力发展水平,可再生能源主要是向绿色化、无污染化、减碳减排方向发展,在可再生能源电力发展还未成熟的当下,城市化水平的提升仍需要面对大量使用不可再生资源的现状,这与可再生能源电力发展减碳减排的理念相违背;代表地区能源资源禀赋的煤炭消费量与本地区可再生能源电力发展水平存在显著正相关,人均地区生产总值对本地区可再生能源电力发展水平没有显著影响,但与邻近地区的可再生能源电力发展水平显著负相关,可以理解为存在虹吸效应,由于本地区经济发展快,吸引周边地区的各类资源要素,抑制邻近地区可再生能源电力发展;二氧化碳排放量对本地区和相邻地区的可再生能源电力发展水平无显著影响。

被解释变量的空间滞后项在1%的显著性水平下显著,即邻近地区可再生能源电力发展水平的提升使得本地区的可再生能源电力发展水平得到提升,说明可再生能源电力发展水平具有一定的空间溢出性,邻近地区与本地区相互促进。

本文绿色金融发展指数由4个子指标构成,下面探讨不同维度下绿色金融对可再生能源电力发展水平的影响。

表9第(2)—第(5)列分别表示核心解释变量为绿色信贷、绿色保险、绿色证券和绿色投资时的回归结果。结果显示,绿色保险、绿色证券和绿色投资均正向影响可再生能源电力发展水平,绿色信贷负向影响可再生能源电力发展水平。在构建评价指标体系时,绿色信贷是一个反向指标,此处符号为负,满足理论上绿色信贷支持可再生能源电力发展的假设。本地区的四个维度变量均不能显著影响相邻地区的可再生能源电力发展水平,但不管哪个维度,相邻地区可再生能源电力发展水平均能够在1%的显著性水平下显著影响本地区可再生能源电力发展水平,此结论与原回归结论相同。

由于被解释变量的空间滞后项系数显著不为0,采用系数度量可再生能源电力发展的影响因素可能存在一定谬误,需要进行空间杜宾模型的效应分解,效应分解结果见表10。

表10 空间杜宾模型效应分解

由表10可知,绿色金融的直接效应为正向且显著,但间接效应与总效应均不显著,说明绿色金融的发展只对本地区可再生能源电力发展水平具有显著的正向影响,不存在空间溢出效应,且整体影响不显著,这与表9中绿色金融空间滞后项系数的显著性不一致。单纯的系数度量存在一定误差,空间效应分解的结果更能反映真实的变量关系,因此绿色金融能显著正向影响本地区可再生能源电力发展水平,但对邻近地区可再生能源电力发展水平不具有显著影响。城市化水平三个效应均显著为负,说明城市化水平的提高会抑制可再生能源电力发展水平且存在空间溢出效应;产业结构变化的直接效应和总效应显著为正,说明整体而言,产业结构升级能够促进可再生能源电力发展水平。技术创新直接效应显著为正,间接效应和总效应均不显著,说明技术创新只促进本地区可再生能源电力发展水平,对相邻地区可再生能源电力发展水平不存在显著影响,且整体影响不显著。煤炭消费量的三个效应均正向显著,说明地区能源资源禀赋能够促进可再生能源电力发展水平。二氧化碳排放量效应分解后的结果均不显著,说明二氧化碳排放量对可再生能源电力发展水平没有显著影响。

从分子维度看,绿色保险、绿色证券和绿色投资对可再生能源电力发展水平的直接效应均显著为正,绿色信贷由反向指标衡量,对可再生能源电力发水平的直接效应显著为负,四个维度的间接效应和总效应均不显著,这与系数度量的结论一致。

为研究不同区域的异质性,本文将样本分为东部、中部和西部地区(1)东部地区包括北京市、天津市、河北省、辽宁省、上海市、江苏省、浙江省、福建省、山东省、广东省、海南省,中部地区包括山西省、吉林省、黑龙江省、安徽省、江西省、河南省、湖北省、湖南省,西部地区包括内蒙古自治区、广西壮族自治区、重庆市、四川省、贵州省、云南省、陕西省、甘肃省、青海省、宁夏回族自治区、新疆维吾尔自治区。,经效应分解后结果见表11。

表11 区域异质性分析

由表11可知,从核心解释变量即绿色金融的显著性来看,东部地区三个效应均不显著,中部和西部地区直接效应显著为正,间接效应与总效应均显著,但中部地区显著为正,西部地区显著为负,说明绿色金融对可再生能源电力发展水平的影响存在明显的区域差异性。东部地区作为我国经济金融发展的重要主力,经济发展水平高,且人口密度大,经过多年发展,资源趋于枯竭。相对而言,中西部地区经济发展水平较低,资源储备丰富,地域宽广,人口密度较小,可以为可再生能源的建设提供适宜的选址,且我国为打赢脱贫攻坚战贡献绿色力量,积极实施可再生能源独立供电工程,在贫困地区建设可再生能源发电站。因此,中西部地区的绿色金融发展更能促进本地区的可再生能源电力发展水平。由于西部地区经济水平较东部和中部地区低,邻近地区绿色金融的发展会抑制本地区可再生能源电力发展水平,绿色金融作为有利于绿色环保产业的新型金融产品,在经济水平较为落后的西部地区,可能会存在地区竞争现象,本地区绿色金融发展促进可再生能源电力发展水平的同时,吸引邻近地区的人才技术转移到本地区,对邻近地区的可再生能源电力发展水平存在抑制现象。

(五)基于面板分位数回归模型的实证研究

为了探讨可再生能源电力发展过程中各影响因素的影响效果和作用,采取固定效应的面板分位数回归模型进行回归,结果见表12。

表12 绿色金融与可再生能源电力发展面板分位数回归

由表12可知,在可再生能源电力发展的初期和中期,绿色金融均与其有显著的正相关关系,可能是由于我国可再生能源自改革开放初期已有发展雏形,水电行业自1908年以来历经百年,从2008年开始快速全面发展[30]156-157。而绿色金融作为金融的一种新型概念,目标在于减碳减排,与可再生能源电力发展理念相符,延续可持续发展的环保理念,在可再生能源电力发展的各个阶段,绿色金融的发展均对其产生积极影响,能够为生产建设可再生能源的企业提供充足资金,大力支持区域内可再生能源发展。绿色金融发展水平每提升1个百分点,可再生能源电力发展水平平均提升0.111个百分点,整体影响系数呈递减状态。当可再生能源电力发展到一定程度时,绿色金融的影响程度降低,在80%分位数时,绿色金融发展水平不再具有显著性影响,说明随着可再生能源电力发展的逐渐成熟,后期对绿色金融的依赖性逐渐降低,影响因素发生变化。至2019年,我国太阳能产业化规模稳步发展,风电成为煤电、水电后的第三大能源,零部件制造技术已成熟,供暖和制冷技术已基本成熟[30]159,这标志着我国可再生能源的开发利用及发展达到一个新高度。技术创新对可再生能源电力发展水平的影响从前期的不显著到后期的正向显著,且系数逐渐增加,说明随着可再生能源电力发展的不同阶段,技术创新逐渐成为促进可再生能源电力进一步发展的一个重要影响因素。产业结构变化显著正向影响可再生能源电力发展水平,且系数呈现增长趋势,可能与我国推进产业结构升级有关,调整产业结构是实现“双碳”目标的重要途径,实现减碳减排,可再生能源的作用不容小觑。能源资源禀赋在可再生能源电力发展的各个阶段均存在显著的负相关关系,可能是因为能源资源禀赋用煤炭消费量表示,一个地区总的能源需求有限,随着煤炭使用量的增加,可再生能源使用量会随之减少。二氧化碳排放量与可再生能源电力发展水平呈显著正相关,碳排放量越高,全球气候变暖进程越快,在可持续发展的大背景下,会促使人们更加重视可再生能源电力的发展,即二氧化碳排放能够促进可再生能源电力发展水平。这与现有文献中关于二氧化碳排放量能够刺激可再生能源发展的结论一致[29]57-58。

(六)模型的稳健性检验

为了检验结论的可靠性,进行模型的稳健性检验。首先,采取四种方式对空间杜宾模型进行稳健性检验。第一,替代核心解释变量。原模型中的数据均取对数处理,本文的核心解释变量和被解释变量均为构建综合评价指标体系所得。为了避免核心解释变量的选择使得结果存在误差,采用原解释变量数据(GF)重新衡量绿色金融发展水平,回归结果如表13第(2)列所示,绿色金融的发展显著促进可再生能源电力发展,且邻近地区可再生能源电力发展显著促进本地区可再生能源电力发展,存在正向溢出效应,此结果与原回归结果基本一致,说明本文研究结果稳健。第二,替换空间矩阵。基准模型采取的空间权重矩阵是0—1地理邻近矩阵,用基于省会经纬度计算得出的地理距离矩阵重新回归,结果如表13第(3)列所示,回归结果与原回归结果基本一致,回归结果稳健。第三,将原数据进行上下5%的缩尾处理。回归结果如表13第(4)列所示,结果与原回归结果基本一致,回归结果稳健。第四,内生性问题。考虑模型构建可能仍存在遗漏变量,且可再生能源电力发展与煤炭消费量、人均地区生产总值以及绿色金融的发展之间可能存在反向因果关系,本文采用两阶段系统GMM估计的工具变量法,进行内生性检验和处理。借鉴多数学者的做法,本文采用内生变量滞后一期作为工具变量,经过内生性处理后的结果如表13 第(5)列所示,核心解释变量和大部分控制变量的显著性水平及符号与原回归基本一致,回归结果稳健。

表13 空间杜宾模型稳健性检验

其次,进行面板分位数回归模型的稳健性检验。本文采取替换核心解释变量的方法,用原解释变量数据(GF)重新衡量绿色金融发展水平,回归结果如表14所示,各解释变量的显著性与原回归结果无明显差异,绿色金融在可再生能源电力发展初中期仍起到正向促进作用,可再生能源电力发展到一定水平时,绿色金融不再有显著影响,本文结果稳健。

表14 面板分位数回归模型稳健性检验

五、结论与建议

基于我国2013—2021年30个省区市(除西藏、港澳台外)的面板数据,从绿色信贷、绿色保险、绿色证券和绿色投资四个方面测度绿色金融发展水平,以可再生能源电力建设和可再生能源发电两个方面来测度可再生能源电力发展水平,利用空间杜宾模型来实证分析绿色金融对可再生能源电力发展水平的影响机制,分维度分析,利用测度绿色金融的4个子指标分别研究绿色金融各组成部分对可再生能源电力发展水平的影响,并研究绿色金融影响可再生能源电力发展水平的区域异质性,最后进行分位数回归,研究可再生能源电力发展水平不同程度下绿色金融的影响机制。研究发现,绿色金融与本地区可再生能源电力发展水平具有显著的正相关关系,对相邻地区可再生能源电力发展水平没有显著影响,从绿色金融的4个子指标来看,由负向指标衡量的绿色信贷负向影响可再生能源电力发展水平,绿色证券、绿色保险和绿色投资均正向影响可再生能源电力发展水平。根据区域异质性,东部地区的绿色金融对可再生能源电力发展水平无显著影响,中部地区的绿色金融正向影响本地区可再生能源电力发展水平与邻近地区的发展水平,西部地区的绿色金融正向影响本地区可再生能源电力发展水平,负向影响邻近地区的发展水平。根据分位数回归分析发现,绿色金融在可再生能源电力发展初期和中期具有正向促进作用,当可再生能源电力发展到一定程度时,绿色金融不再具有显著影响。基于此,本文提出以下几点建议。

第一,加大绿色金融投资力度。绿色金融对可再生能源电力发展水平起促进作用,在着力实现“双碳”目标的当下,能源结构转型处于由高污染高耗能转变为低碳环保的状态,可再生能源处于迅速发展阶段,需要政府与资金的大力支持,应当加快绿色金融市场建设,促进可再生能源电力发展。

第二,加快产业结构升级进程。产业结构的变化即第三产业产值占比的增加,积极影响可再生能源电力发展水平,产业结构从高消耗高污染低技术的低级形态转变为低消耗低污染高技术的高级形态是必然趋势,产业结构升级在发展新技术的同时可助力可再生能源电力发展,实现工业减排,达到“双碳”目标。

第三,完善环保企业投融资机制。鼓励金融机构等进行绿色金融产品创新,当前绿色金融产品多样,其中绿色信贷的规模最大,出现时间最长,更多绿色金融创新产品的出现可以让整个绿色金融市场出现百花齐放的盛景,环保企业可以按自身情况选择绿色产品,实现融资。目前绿色金融的发展缺乏良好的市场环境与政策,存在环保企业与金融机构信息不对称的现象,需要加强市场管控,尽力做到银行等金融机构不会因信息不对等而出现投资不当。

第四,助力扶持西部偏远地区。对于不同省区市经济、人才差异较大且能源生产地产业布局分散的西部地区,存在较大的虹吸效应。一个省区市的发展进步会吸引相邻省区市人才与技术的进入,导致发展好的省区市会发展得更好,而发展差的省区市会变得更差。当本省区市自身发展优良、长远进步时,会大大减少人才流失等问题,政府需要出台更多“助西、利西”政策,鼓励人才和企业进入如甘肃、新疆、宁夏、青海等地,尽量缩短西部各省区市之间的经济技术差距,使得西部各省区市均衡发展。

第五,优化产业布局,促进跨区域合作。东中西部地区的绿色金融对可再生能源电力发展水平的影响具有显著差异,这与经济地理因素和资源储量因素有关。东部地区资源日趋枯竭,西部地区资源储备充足,但存在产业布局分散、产业结构单一和技术发展水平相对中东部地区低的问题,且目前西部地区可再生能源电力消纳能力不足,存在大量弃光弃风的情况,远距离能源输送非长久之计,鼓励高耗能产业西移,加速西部大开发进程,促进东中西部跨区域合作,缩小地区经济差异,优化东中西部地区产业布局,充分利用西部地区可再生能源的同时,能够促进东部地区升级优化产业结构。