1、GANSU FINANCE甘肃金融/2023年第3期 杨礼渊陈俊营方俊智【内容简介】绿色金融作为低碳转型的重要抓手，对达成双碳目标、推动经济与环境协同发展具有重要的战略意义。为探究绿色金融对碳排放效率的作用机制，本文首先基于空间视角，阐述绿色金融影响碳排放效率的途径，其次通过20102020年我国30个省份的面板数据，采用Super-SBM测算了各省份碳排放效率，运用熵值法测算了各省份绿色金融发展水平，最后构建空间杜宾模型实证检验绿色金融对碳排放效率的空间溢出效应。结果表明：绿色金融的发展不仅有利于提高本地的碳排放效率，而且对临近省份的碳排放效率具有正向促进作用。因此应优化完善绿色金融的资源配
2、置能力，创新绿色能源技术，加强地区间协作以促进节能减排，进而推动我国经济绿色低碳发展。作者简介：杨礼渊，云南师范大学硕士研究生；陈俊营，管理工程与科学博士，云南师范大学副教授；方俊智（通讯作者），管理工程与科学博士，云南师范大学讲师。空间视角下绿色金融对碳排放效率的影响研究引言党的二十大报告指出：“推动经济社会发展绿色化、低碳化是实现高质量发展的关键环节。”近年来，我国在新材料、新能源领域加速发展，但还未形成以清洁能源为主的能源消费结构，碳排放效率低下，据统计，2020年我国使用煤炭所产生的二氧化碳占比高达70%。一些学者对碳排放效率的影响因素进行了研究：首先是低碳技术的创新，有利于加速清洁能
3、源对化石能源的替代进程（Gerlagh R,2007），但随之而来的技术创新带来的规模经济可能使碳排放量进一步扩大（金培振，2014）；其次是产业结构的不同对碳排放影响也不同，研究发现，第二产业占比与碳排放效率反向变动（李志学，2019），但现阶段产业结构与碳排放效率的耦合协调度较低，应对低效率的地区进行扶持（周迪，2019）。随着我国对生态环境的重视，绿色金融被赋予了新的使命，其中绿色信贷通过对高耗能企业的融资约束迫使其提高碳排放效率（苏冬蔚，2018），同样，绿色投资等金融工具对碳排放效率的提升有着不同程度的促进作用（江红莉，2020）。总体来看，绿色金融兼顾了生态效益与经济效益。但目前文
4、献研究方法使用传统面板模型居多，忽略了绿色金融对碳排放效率的空间溢出效应。本文基于空间视角研究二者空间作用机制，以期为现实决策提供一定的参考。【关 键 词】碳排放；绿色金融；空间杜宾模型；空间溢出【基金项目】云南师范大学研究生科研创新基金“绿色金融驱动低碳经济发展的作用机制研究”（YJSJJ22-B43）；国家自然科学基金青年科学基金项目“生产分割视角下全球生产网络嵌入对澜湄流域制造业升级的影响研究”（71804160）。16Gansu Finance甘肃金融/研究设计（一）作用机制分析与传统金融相比，绿色金融对于环境保护具有明显指向性，这也是促进碳排放效率提升的逻辑起点。绿色金融主要通过资金
5、支持和引导约束来促进碳排放效率的提升。一方面，环保行业的利润回报周期长，需要长期的资本投资。绿色金融可以提供相关金融工具，满足绿色产业的资金需求，同时支持企业低碳技术的改进和升级，减少污染产出，提高生产效率。另一方面，绿色金融作为未来发展的风口，充分发挥其资源配置作用，通过生产经营模式的筛选，使得金融资源向低碳产业集聚，迫使高耗能企业转型，提升碳排放效率。根据地理学第一定律，事物之间的联系会随着距离的远近而变得紧密或疏远，碳排放效率与绿色金融二者之间的关系同样如此，在空间视角下，由于政策吸引性和产业集聚性，某一地区的绿色金融不仅会影响本地区碳排放效率，同时也会对临近地区的产生影响。基于以上分析
6、，本文提出假设：绿色金融对我国碳排放效率的提升存在空间溢出效应。（二）变量选取与数据来源1.变量的选择（1）被解释变量碳排放效率（CE）。本文借鉴李朋林（2022）构建碳排放效率评估指标体系方法，选取资本、劳动力、能源作为生产要素投入，其中资本投入指标参考张军（2004）使用永续盘存法，以2010年为基期测算的社会固定资产存量以表示资本投入，劳动力投入和能源投入分别采用年末各省份就业人数和全社会煤炭消耗总量表示；碳排放效率的产出分为经济期望产出和非期望产出，由各省实际 GDP 和二氧化碳排放量来表示，其中实际 GDP 以2010年为基期，运用20102020年GDP平减指数得到实际GDP，二氧
7、化碳排放量来源于CEADs数据库，具体见表1。表1碳排放效率指标体系对于碳排放效率的测算，由于传统的DEA模型忽略了投入产出的松弛性，决策单元有效率为1，无效率低于1，导致效率值无法比较。基于此背景，Tone（2002）提出的 Super-SBM 模型，解决了传统DEA模型测算的效率值不超过1且单元之间效率值无法比较的模型缺陷，同时克服了松弛度量问题。因此，本文选取包含非期望产出的Super-SBM模型测算我国30个省份的碳排放效率，公式如下：（1）假设有n个决策单元，m个投入指标，h1个期望产出和h2个非期望产出，其中，x，y上标d，y上标u分别为投入矩阵、期望产出矩阵和非期望产出矩阵中的元
8、素，为碳排放效率值。（2）核心解释变量绿色金融发展水平（GF）。本文根据央行颁布的关于构建绿色金融体系的指导意见，并充分借鉴曾学文（2014）、李晓西和夏光（2014）等学者对绿色金融评价体系相关的研究方法，运用熵值法从绿色投资、政府支持、绿色保险、碳金融、绿色信贷五个角度对各省份绿色金融发展水平进行测算，其中碳金融和绿色保险在我国起步较晚，数据不完善，所以分别用农业保险赔付率，和每一贷款余额所支撑的碳排放，来代表绿色保险和碳金融，具体指标含义见表2。（3）控制变量准则层生产要素投入经济期望产出非期望产出指标层劳动力投入资本投入能源投入地区实际生产总产值二氧化碳排放量含义说明各省份年末就业总人
9、数固定资产存量能源消耗总量不变价地区生产总值地区每年二氧化碳排放量GREEN FINANCE绿色金融17GANSU FINANCE甘肃金融/2023年第3期本文将以下控制变量纳入模型：（1）政府干预（Gov），以政府财政支出占地区生产总值的比重来表示；（2）外商投资水平（FDI），用外商直接投资额按平均汇率折算成人民币来衡量；（3）科技支出水平（TS），采用R&D经费投入强度来衡量；（4）产业结构高级化（AI），以第三产业产值与第二产业产值的比值来表示产业结构高级化。（4）数据来源在保证数据的完整性以及可靠性的前提下，本文选取了20102020 年 30 个省份的关键数据（不包含西藏自治区和港
10、澳台地区），数据主要来源于各省份 统计年鉴中国保险统计年鉴、CEADs数据库等，对于部分缺失值采取插值法进行补齐，并对变量进行相应的对数处理。变量的描述性统计如下：表3描述性统计结果（三）计量模型设定（2）其中，CEi表示碳排放效率，GFjt为绿色金融发展水平，X为一系列控制变量，it为随机误差项，i表示省份，t表示年份。为了研究绿色金融对碳排放效率的空间溢出效应，选择反距离矩阵和经济距离矩阵作为本文的空间矩阵，具体设定如下：反距离矩阵的设定是两个省份之间地理距离平方的倒数，当距离越近，地区间的互动就越多，采用省会直线距离dij平方倒数来表示：（3）但仅考虑地理距离因素难以对省份之间复杂的空间
11、溢出效应进行全面分析，基于此，本文引入了经济距离矩阵，该矩阵表明两个省份之间的经济水平越接近，则空间溢出效应越显著。（4）其中，Yi、Yj表示i省与j省的GDP平均值。实证结果分析（一）碳排放效率的时空演变特征1.碳排放效率时间演变特征由图1知，我国碳排放效率在20102020年期间整体波动较小，呈现缓慢提升态势。2020年我国碳排放效率平均值为0.435，较2010年0.367提高了近0.07。其中，碳排放效率从2018年开始增速相比以前年份较快，究其原因可能为2017年召开党的十九大后，我国提高了生态环境的战略地位，要求在经济增长中兼顾生态环境保护，使得高耗能企业陆续转型，提高碳排放效率，
12、于是在2018年开始碳排放效率出现迅速提升的现象。图1碳排放效率时间变化2.碳排放效率空间演变特征碳排放效率分地区来看，东中西部地区在20102020年期间碳排放效率均呈现了不同水平的提升。其中东部地区碳排放效率表现最好，增幅最大接近0.1；中部地区20102014年期间碳一级指标绿色投资政府支持绿色信贷碳金融绿色保险二级指标环境保护投资占比节能环保支出占比六大高耗能产业利息支出占比金融机构参与度农业保险赔付率指标含义污染治理投资额/GDP（+）节能环保财政支出/财政支出总额（+）六大高耗能产业利息支出/工业产业利息总支出（-）二氧化碳排放量/金融机构贷款余额（-）农业保险支出/农业保险收入（
13、+）表2绿色金融指标体系变量CEGFlnGovlnFDIlnTSAI样本数量330330330330330330均值0.4070.1974.3422.1124.3431.296标准差0.1960.0950.3791.9200.1840.719最小值0.1780.0852.3600.0103.8000.530最大值1.0370.7424.16012.104.7605.24018Gansu Finance甘肃金融/排放效率下降，从2015年才开始转入缓慢上升阶段；西部地区在三个地区中碳排放效率最低，一直位于0.3左右，主要原因是西部地区由于资本热度较低，没有得到资金、技术以及相应配套基础设施的支持
14、，导致碳排放效率不能得到有效提升，生态环境压力过大；相反东部地区由于地理位置优越，国家政策倾斜，使得东部地区的发展远远领先中部地区和西部地区。图2碳排放效率空间变化（二）绿色金融对碳排放效率的影响分析1.空间自相关检验（1）全局相关性分析在建立空间计量模型之前，首先要对不同省份碳排放效率的全局空间关联性进行分析，即碳排放效率在整个空间内的聚集情况，一般通过莫兰指数（Moran s I）来衡量，计算公式如下：（5）式中，n代表省份个数，Wij代表空间矩阵，xi为i省的观测值，x表示其均值。碳排放效率全局莫兰指数值如表 4所示，本文研究发现在10%的水平下我国各省份碳排放效率的莫兰指数均显著大于0
15、，说明各省份碳排放效率空间相关性为正，即碳排放效率较高的省份，其周围省份的碳排放效率也比较高，碳排放效率水平相似的省份呈现空间聚集状态。值得注意的是，在经济距离矩阵下，莫兰指数要大于反距离矩阵下的莫兰指数，说明碳排放效率的空间聚集在经济水平更接近的省份聚集更明显。（2）局部相关性分析为进一步分析我国碳排放效率的局部空间相关性，本文分别绘制了2017、2018、2019、2020年四年的莫兰指数散点图，见图3图6。年份20102011201220132014201520162017201820192020经济距离矩阵Moran s I0.1190.1030.1400.1470.1870.2040
16、.2430.2500.2990.2890.303P值0.0800.0370.0610.0080.0280.1000.0600.0520.0240.0280.020反距离矩阵Moran s I0.0520.0440.0710.0750.0980.1070.1280.1310.1590.1530.164P值0.2540.2980.0730.0040.0860.0650.0370.0340.0130.0160.010表4全局莫兰指数图32017年局部莫兰指数图42018年局部莫兰指数GREEN FINANCE绿色金融19GANSU FINANCE甘肃金融/2023年第3期莫兰指数散点图的第一象限表示碳排放效率高的地区集聚，第三象限表示碳排放效率低的地区集聚，第二和四象限表示碳排放效率高的地区与碳排放效率低的地区集聚。从图3图6可以看出，我国碳排放效率有明显的空间相关性，主要表现为碳排放效率高的地区邻近地区碳排放效率也高，碳排放效率低的地区临近地区碳排放效率也低，空间集聚效应比较显著。因此，有必要构建空间计量模型进行分析。2.空间计量结果分析空间计量模型一般包括空间滞后（SAR），空间误差（S