我国碳金融对碳排放的空间溢出效应和影响机制分析

李舒婷

新疆财经大学经济学院

0 引言

当前碳排放过多带来的全球变暖和极端天气频发状况，使各国意识到保护环境迫在眉睫。作为一个负责任的大国，中国始终积极参与国际环保工作，致力于绿色发展。习总书记提出的“碳达峰”和“碳中和”目标更是为未来中国碳减排事业的发展指明了方向。通过市场化金融手段，碳金融将促进低碳环保等技术进步，有效抑制污染性投资，成为推动我国碳减排事业的有力抓手。当前，大量碳金融促进减污降碳、支持环境保护的实践探索正在我国进行着。2007年《关于落实环保政策法规防范信贷风险的意见》的颁布标志着我国已开始实施绿色信贷。2022 年国家发改委、国家能源局出台了《关于完善能源绿色低碳转型体制机制和政策措施的意见》，对“十四五”时期绿色低碳发展制度框架的形成与市场监督体系的完善有重要的推动作用。

碳金融的环境改善效应在学术界引起了广泛关注。研究表明，碳金融可以通过有效抑制污染企业的投融资、利用资金扶持环保产业的发展等方式来改善生态环境质量。但学术界对于碳金融如何影响碳减排的直接研究较为缺乏，且存在以下几个问题：第一，我国碳减排是否真正能被碳金融的发展所影响，是否存在区域协调的碳减排效果；第二，碳金融是如何影响碳减排的，其传导路径如何；第三，碳金融是否长期对碳减排产生影响。

由此，本文基于碳金融的碳减排属性，从静态及动态视角出发，探讨碳金融对碳排放的路径依赖，梳理二者的内在逻辑性，探讨碳金融影响区域碳减排的作用传导机制，为绿色低碳发展、生态文明建设、有效发挥碳金融的环境外部性提供理论借鉴。

1 文献综述

当前有许多关于碳排放影响因素的研究，数字化水平、经济增长、清洁能源发展、城镇化、能源生态效率、环境规则、技术创新等都是影响碳排放的因素，就金融市场对碳排放和碳排放强度产生的影响这一问题学界存在较大分歧。一些研究表明金融发展尤其是绿色金融能够有效减缓碳排放量，但在加入空间效应之后，另有学者认为金融发展与碳排放量之间呈现“倒U 形关系”。金融业发展初期，大量资源消耗会加剧碳排放量，而随着金融业持续发展，当跨过某一门槛数值之后就会与碳排放量呈现负相关关系来抑制碳排放。随着我国金融市场的不断完善，相应的金融政策能够更好地促进金融市场的发展，因此学术界的研究成果也在不断丰富。

1.1 碳金融相关研究

Roberts等（2008）［1］等将碳金融定义为“与清洁能源投资有关的碳配额交易”，并且对碳金融市场的发展作出了大量研究贡献。Campiglio（2016）［2］认为金融机构要积极作出调整使其与当今的低碳经济发展过程相协调，金融市场自身要不断进行完善创新。Meng Bin 等（2023）［3］认为碳金融与其他市场有着密切的关联，是反映其他市场的强有力信号。随着“双碳”目标的不断深入，碳金融逐渐成为众多学者关注的热点话题，在我国也有一些碳金融方面的研究成果。杜莉、孙兆东（2014）［4］认为要通过碳金融市场来促进产业发展，“双碳”目标的提出催生了碳金融市场、碳交易市场，这些市场还在孕育当中，要想更好地促进我国产业的高效发展就要从政策和操作层面上加以宏观调控。齐绍洲和张振源（2019）［5］发现欧盟碳市场参与国在完成本国的碳减排目标的过程中也发挥了金融市场的融资作用，并有力地推动了可再生能源的技术创新。

1.2 碳排放相关研究

魏丽莉等（2023）［6］从边际减排成本入手，对中国工业各行业减排空间与碳达峰进程进行考察，为控制减排成本、加快碳达峰进程提供了可行思路。邓光耀（2023）［7］发现人口增长、城镇化水平的提高、经济发展水平上升等因素都会提高碳排放量，而产业结构升级、能源强度下降等因素则会抑制碳排放数量。因此提出各省要积极发展清洁能源、可再生能源、政府要制定一系列政策来推动产业不断升级。

1.3 绿色金融与碳排放的相关研究

吴蕾（2023）［8］采用PSM-DID 方法分析绿色金融改革创新试验区政策对工业企业碳排放强度的影响，发现绿色金融改革创新试点政策能够有效降低试点地区工业企业的碳排放强度。徐慎晖（2022）［9］发现“双碳”背景下的绿色信贷和碳权交易的协同效应能够提升电力市场效率，进而降低碳排放量，并为降碳目标的实现提出了一系列可行性建议。沈高、张仿龙等（2023）［10］等从生产、生活、能源、科技等角度，基于金融支持实体经济和产业结构转型升级，探索了商业银行践行绿色金融的理论和实践，发现绿色金融的不断创新有利于“双碳”目标的实现。

综上所述，当前国内外关于碳金融以及碳排放的研究较多，但少有文章探讨碳金融对碳排放的影响，并且大多数研究是基于静态模型考察碳金融的碳减排效果，鲜有文章考虑碳排放的空间效应和路径依赖。因此，本文重点探讨碳金融的碳减排效应与碳金融对人均碳排放的影响，并通过中介效应模型得出碳金融可以通过加快地区产业结构高级化、研发强度和能源消费结构调整的作用机制促进碳减排。本文可能的边际贡献在于：一是基于生态视角，对碳金融影响碳减排的空间效应、作用机制及异质性特征展开深入探讨，为碳金融如何助力节能降碳提供了新议题；二是验证了产业结构高级化、研发强度以及能源消费结构在碳金融影响碳减排过程中的传导作用。

2 研究方法

2.1 空间权重矩阵设定

一般的空间权重矩阵分为空间邻接矩阵、经济距离矩阵等。

空间邻接矩阵：

经济距离矩阵：

经济距离矩阵中，GDPi与GDPj分别为样本期i、j两省的GDP均值。

2.2 空间自相关分析

2.2.1 全局莫兰指数I

全局莫兰指数I（3）的取值范围在-1 到1 之间，当指数I的取值在0 至1 之间时为正相关，表示具有相似属性的聚集在一起；当指数I 的取值在-1 至0之间时为负相关，表示具有相异属性的聚集在一起；当指数I取值为0时，表示随机分布，或不存在空间自相关。

2.2.2 局部莫兰指数I

局部莫兰指数I（4）与全局莫兰指数I相似，数值范围也是-1至1。分析局部莫兰指数时，需要结合z得分和p值来判定，两者要结合起来［11］，公式为：

在进行莫兰指数I 的操作时，先计算一个地区的全局莫兰指数，全局莫兰指数显示空间是否出现了聚集或异常值，如果变量在空间中没有出现聚集则无法进行后续操作。如果全局有自相关出现，接着进行局部自相关操作，局部莫兰指数I 也会显示是否出现异常值或是否出现聚集。

2.3 空间计量模型

不同区域间所需要考察的被解释变量可能具有显著的空间相关性，若忽略空间因素将有可能导致研究结果的偏差。因此，空间计量通过引入权重矩阵的方式来考察地理相邻地区对本地的影响，也就是所谓的空间溢出效应。

2.4 模型构建

为了确定碳金融与碳排放之间的空间依赖，采用空间杜宾模型SDM 来估计碳金融对人均碳排放量的空间溢出效应。ρ表示空间自回归系数为被解释变量lnPCit与相邻单元lnPCjt之间的交互效应，Wij为非负空间权重矩阵，此处为0-1 邻接矩阵。被解释变量为人均碳排放量(PC)，核心解释变量为碳金融(lnCF)，控制变量为经济增长(lnPGDP)、技术水平(lnPAT)、产业结构高级化(AIS)、城镇化水平(URB)、人口密度(PDE)以及外商投资水平(lnFDI)。

2.5 数据说明与来源

2.5.1 碳金融发展水平的测算

当前有关碳金融发展水平还没有一个统一明确的标准，碳金融发展水平包含经济、科技、能源等许多方面，故单一指标无法衡量碳金融发展水平。因此本文从金融发展环境、能源状况、科技发展水平及经济发展水平四个方面运用主成分分析法对碳金融发展水平进行测度，指标见表1，测算结果见表2。

表1 碳金融发展水平衡量体系

表2 2011-2020年各地区碳金融发展水平

2.5.2 主要变量的选取说明

测算所用的变量选取与说明如表3所示。其中人均碳排放量从中国碳核算数据库省域碳排放清单计算所得，其他数据来自《中国统计年鉴》《中国工业统计年鉴》《中国能源统计年鉴》《中国经济普查年鉴》、省级统计年鉴、万得数据库以及国家知识产权局。由于指标数据可获取的限制性以及统计口径的差异性，故西藏、香港和澳门特别行政区、台湾省没有被纳入到本文研究之中。

表3 主要变量的说明

3 我国碳金融对碳排放影响的实证分析

3.1 我国碳金融与碳排放的空间相关性检验

3.1.1 全局自相关

根据0-1 邻接矩阵，运用全局莫兰指数I 对省域人均碳排放和碳金融的空间相关性进行测度（见表4）。在样本期内，人均碳排放莫兰指数波动下降但始终高于0.2，均通过5%的显著性检验；碳金融莫兰指数均高于0.35。两者均存在高高聚集和低低聚集的空间特征。

表4 中国省域人均碳排放与碳金融全局莫兰指数

3.1.2 局部自相关

为了考察人均碳排放与碳金融局部空间的聚集状态，进一步绘制局部莫兰散点图，此处仅展示了2011 年和2020 年的检验结果（图1 与图2）。2011年至2020年的人均碳排放与碳金融局部莫兰指数均为正值，大多数省级区域都集中分布于第一、三象限，表现为高高聚集和低低聚集的空间特征，与全局莫兰指数结果一致。

图1 我国2011年人均碳排放与碳金融莫兰散点图

图2 我国2020年人均碳排放与碳金融莫兰散点图

3.2 空间计量模型诊断与识别

LM 检验的统计量均通过1%显著性检验，存在空间误差效应也存在空间滞后效应［12］，因此拒绝不含空间滞后与空间误差项的原假设。LR 检验和Wald 检验结果的统计量均通过1%的显著性检验，说明SDM 模型不能退化成SLM 和SEM 模型。此外，Hausman 检验在5%的显著性水平下拒绝了随机效应的原假设，选用固定效应模型。因此固定效应空间面板杜宾模型更适合本文研究，并根据拟合优度情况确定选用时间固定效应空间杜宾模型［13］。

3.3 基准回归结果

表5 报告了在经济距离矩阵下的中国省域碳金融对碳排放影响的空间计量结果，除了第(4)列使用的是随机效应回归外，其他列的结果都使用的是固定效应回归。应重点关注第(3)列双固定效应回归结果，空间自相关系数在1%的水平下通过显著性检验。为验证碳金融发展水平与碳排放之间是否存在非线性关系，本文引入碳金融发展水平的二次方系数并发现碳金融发展水平的一次方系数在1%的水平上显著为正，二次方系数在1%的水平上显著为负，即中国碳金融发展与碳排放之间存在着显著的倒U 形关系，说明中国碳金融在早期发展中并没有发挥显著减少碳排放的作用，而到了后期阶段，碳金融发展有效减少了碳排放。原因在于碳金融市场体系的建设是各省升级产业、降碳脱碳、结构升级、转换新旧动能的有力抓手，在发展初期由于管理信息量大、增加企业成本、管理费用高、缺乏动力机制等问题，推行速度比较缓慢，碳排放量在此期间依旧显著增加。从长期来看，碳金融领域的发展会不断走向成熟。碳金融以碳排放交易权的核定和交易体系为基础，建设了助力产业脱碳转型的全链条碳金融服务，以化石能源为主的能源消费结构有望得到改变，有利于加大节能减排力度，降低碳排放，通过对环保、节能、清洁能源、绿色交通等领域的投融资来改善生态环境，届时碳排放量将会大幅降低。本文引入人均GDP 的回归系数为-0.385 并通过1%的显著性检验，说明人均GDP 的增长反而会抑制碳排放。这主要是由于当前人均GDP 的增长很大一部分来自第三产业中信息服务业的发展，该产业具有环境友好型特征，生产活动过程中产生的污染物较少，随着经济的不断发展，“双碳”目标逐渐达成，因而碳排放量得到抑制。技术水平的回归系数在1%的水平下显著为负，说明随着技术水平的提高碳排放量逐渐下降，这可能是因为技术创新的发展产生了一系列积极影响，带动当地企业发展，更先进的机械设备提高了生产率水平，节约成本，进而实现节能减排。城镇化水平的回归系数在10%的水平下显著为正，说明随着城镇化水平提高，大量人口涌入城市，加剧了城市的环境污染，增加了碳排放。而外商直接投资和研发强度未能通过显著性检验。

表5 空间面板模型回归结果

3.4 空间效应分解

在进行空间计量模型的回归中，不仅要具体解释基准回归中的解释变量回归系数的含义，还要解释各个解释变量的空间溢出效应。最常见的方法为偏导数分解法。因此，本文对省域碳金融对碳排放的空间溢出效应进行了分解并说明了其他解释变量的直接效应、间接效应和总效应（见表6）。直接效应表示解释变量对本地区碳排放的影响，间接效应表示解释变量对邻近地区碳排放的影响，总效应为直接效应和间接效应之和。

表6 空间效应分解结果

1)碳金融对碳排放的影响

直接效应：碳金融对本地区碳排放的一次项影响系数在5%的水平下显著为正，二次项影响系数在10%的水平下显著为负，说明在碳金融领域发展的初期会增加碳排放量，而随着碳金融领域的逐渐完善又会抑制碳排放，这与基准回归结果一致。

间接效应：碳金融的一次项回归系数没有通过显著性检验，而二次项回归系数在5%的水平下显著为负，且间接效应强于直接效应，表明碳金融会影响地理位置相邻地区的碳排放量，地理位置越邻近，碳金融越容易通过促进本地与邻近地区碳排放权交易而使邻近地区碳排放量减少，碳金融需要统筹区域间的发展，进而发挥碳金融的跨区域减排效应。

2）控制变量对碳排放的影响

直接效应：经济发展水平的回归系数在1%的水平上显著为负，说明各省域经济发展水平越高越有利于促进碳减排。技术水平的回归系数在10%的水平上显著为负，说明技术水平越高，应用到高污染高耗能产业上的可能性越大，清洁能源发展的态势越好，环境污染物越少。产业结构高级化的回归系数在1%的水平下显著为负，说明更多的传统产业向绿色清洁的第三产业转移，对环境保护具有促进作用。人口密度的回归系数在5%的水平下显著为正，说明人口规模的扩大会消耗更多能源，进而增加碳排放。

间接效应：经济发展水平回归系数没有通过显著性检验，说明本地经济的发展不会对邻近地区的碳排放产生影响。城镇化水平的回归系数在10%的水平下显著为负，说明本地城镇化的进程能够有效降低邻近地区的碳排放量。外商直接投资回归系数未能通过显著性检验，说明外商直接投资未能对邻近地区的碳减排发挥溢出效应。

3.5 中介效应分析

基准回归模型的基础上，本文将产业结构升级高级化（AIS）、研发强度（RD）和能源消费结构(ENS)作为中介变量，考察碳金融发展水平对碳排放的影响机制，借鉴中介效应检验方法，采用递推回归方程，构建如下中介效应模型，又使用Bootstrap抽样法进行检验。

其中，X 为控制变量组成的集合；M 为可能的中介变量，包括产业结构高级化(AIS)、研发强度(RD)和能源消费结构(ENS)。

根据中介效应回归方法，第一步对式（6）进行回归，检验碳金融对碳排放的抑制效应是否存在；第二步对式（7）进行估计，考察碳金融分别与三个中介变量之间的关系；第三步对式（8）进行回归，验证中介效应，如果系数α1、σ1、w1均显著，且w1系数的绝对值大于α1，则表明检验的影响机制成立。

3.5.1 产业结构高级化中介效应的检验结果与影响

产业结构高级化的中介效应检验结果如表7所示。产业结构高级化作为中介变量时，在碳金融发展的初期，中介效应占比系数为σ1w2/(σ1w2+w1)=43.37%，即产业结构高级化在碳金融发展水平对碳排放量的影响中发挥着中介效应，且是部分中介效应，中介效应量为43.37%。碳金融的相关系数为正，说明促进碳金融领域的发展会直接增加碳排放量。而在碳金融发展的后期，中介效应占比系数为σ1w2/(σ1w2+w1)=88.68%，即中介效应量为88.68%。碳金融的相关系数为负，说明促进碳金融领域的发展会直接降低碳排放量，且式(8)中碳金融二次项的系数明显大于式(6)，即通过产业结构高级化可以更显著地降低碳排放。

表7 产业结构高级化中介效应检验结果

3.5.2 R&D研发强度中介效应的检验结果与影响

研发强度的中介效应检验结果如表8 所示。R&D 研发强度作为中介变量时，在碳金融发展的初期，中介效应占比系数为σ1w2/(σ1w2+w1)=29.84%，即R&D 研发强度在碳金融发展水平对碳排放量的影响中发挥着中介效应，且是部分中介效应，中介效应量为29.84%。碳金融的相关系数为正，说明促进碳金融领域的发展会直接增加碳排放量。而在碳金融发展的后期，中介效应占比系数为σ1w2/(σ1w2+w1)=44.26%，即中介效应量为44.26%。碳金融的相关系数为负，说明促进碳金融领域的发展会直接降低碳排放量，且式(8)中碳金融二次项的系数明显大于式(6)，即通过R&D 研发强度可以更显著地降低碳排放。

表8 研发强度中介效应检验结果

3.5.3 能源消费结构中介效应的检验结果与影响

能源消费结构的中介效应检验结果如表9 所示。能源消费结构作为中介变量时，在碳金融发展的 初 期 ， 中 介 效 应 占 比 系 数 为σ1w2/(σ1w2+w1)=20.68%，即能源消费结构在碳金融发展水平对碳排放量的影响中发挥着中介效应，且是部分中介效应，中介效应量为20.68%。碳金融的相关系数为正，说明促进碳金融领域的发展会直接增加碳排放量。而在碳金融发展的后期，中介效应占比系数为σ1w2/(σ1w2+w1)=32.22%，即中介效应量为32.22%。碳金融的相关系数为负，说明促进碳金融领域的发展会直接降低碳排放量，且式(8)中碳金融二次项的系数明显大于式(6)，即通过能源消费结构调整可以更显著地降低碳排放。

表9 能源消费结构中介效应检验结果

3.6 稳健性检验

3.6.1 采用新的空间权重矩阵

本文将经济地理矩阵换成0-1 邻接矩阵并保留了2013-2020 年数据进行回归。结果如表10 所示。可以看到空间自相关系数仍在5%的水平下显著且碳金融一次项回归系数仍在5%的水平下显著为正，其二次项回归系数仍在5%的水平下显著为负。因此前文的基准回归分析具有较强的合理性和稳健性。

表10 稳健性检验结果

3.6.2 空间面板模型的动态设定

由于碳排放具有时间连续性，当期碳排放量会受往期碳排放的动态影响，因此本文将碳排放的时间滞后项纳入空间杜宾模型中，使内生性问题与估计偏差问题得以缓解。

WijlnPCit、PCit-1分别为碳排放的空间与时间滞后项，Hit为碳金融与控制变量。

PCit-1的回归系数在1%的水平下显著为正，说明碳排放在时间上具有惯性，前期的碳排放会对当期产生不利影响，当期碳排放又进一步对未来一段时间产生不利影响。因此，减少碳排放量、实现碳中和目标是一个持续的、长期性的系统工程，需要全面布局和坚持。

人均碳排放的动态SDM 回归结果如表11 所示。动态设定可以在一定程度上对静态模型的参数估计偏误进行修正。与表5 相比，碳金融指数的二次项回归系数绝对值增大，静态模型低估了碳金融的属地减排效果，而这种估计偏误在动态模型中可以缓解。

表11 人均碳排放的动态SDM回归结果

综上发现，动态杜宾模型中lnCF和(lnCF)2核心变量的估计系数符号和显著性与静态杜宾模型基本一致，说明前文的基准回归结果依然适用。

4 有关我国碳金融促进碳减排的结论与建议

本文利用2011 年至2020 年中国30 个省域面板数据，运用静态空间杜宾模型对碳金融影响区域碳排放的空间效应和作用机制展开深入探讨，又从动态空间杜宾模型出发分析往期碳排放对当期碳排放的影响，得出以下结论：

1）碳金融和人均碳排放在中国省域之间存在着显著的空间关联性，互相之间存在正向的空间溢出效应。

2）碳金融发展水平与碳排放量之间存在着非线性关系，两者之间呈现倒U 形关系。不论是属地还是溢出效应，在碳金融发展的初期，随着碳金融领域的发展，碳排放量增加，当碳金融发展到一定程度后，其发展将会抑制碳排放。

3）基于中介效应模型的结果，说明产业结构高级化、R&D 研发强度以及能源消费结构均是碳金融促进碳排放的中介变量，且产业结构高级化发挥的中介作用最明显。

4）碳排放存在着空间关联和路径依赖。当期碳排放会受到往期碳排放的累积效应阻碍，因此减排降碳工程需要长期努力的坚持与规划。

通过本文的研究提出以下几点建议：

1）立足碳金融试点，协调区域低碳发展

国家应建立一系列碳金融试点试验区，尤其是在第二产业比重较高、污染较大的中西部地区，通过试验区碳金融改革创新的经验成果，在邻近城市、省份传播成功经验，共同助力中西部低碳发展。进行跨区帮扶，将东部地区如浙江、上海、广东等地的优势资源引入中西部地区，采用建立碳金融专项资金等机制的方式实行定点帮扶，加快带动中西部地区产业转型。

2）因地制宜，遵循区域异质性节能降碳

根据不同区域的经济发展水平制定不同的政策措施，发达地区可以利用本区域先进的技术支撑加之政府政策指引和银行的投资放贷来大力研发与碳金融息息相关的清洁技术，致力碳减排。由于东部地区具备科技、资本、劳动力等方面的区位优势，可以将碳金融与当下发展势头良好的金融科技进行深度融合，提升投融资效率。欠发达地区要着力于经济发展，努力提高经济发展水平，以经济发展为碳金融发展保驾护航。

3）构建碳金融统筹机制，助力区域协同发展

从国家层面进行统筹协调，促进区域协同发展。碳金融减碳具有空间溢出性，为避免地方政府的各自为政，应从国家层面利用宏观调控来统筹全局，通过构建人员流动、绿色技术研发等机制平台来促进各省域的低碳发展。