李程 李佳馨 游弋 李佳微

（天津工業(yè)大學(xué)經(jīng)濟(jì)與管理學(xué)院，天津 300387）

一、引言

碳達(dá)峰、碳中和目標(biāo)要求大多數(shù)“雙高”企業(yè)大幅減少碳排放，在此背景下，企業(yè)如何面對氣候風(fēng)險(xiǎn)帶來的轉(zhuǎn)型風(fēng)險(xiǎn)及物理風(fēng)險(xiǎn)，實(shí)現(xiàn)自身的可持續(xù)發(fā)展，是一個(gè)嚴(yán)峻的問題。可通過金融手段和金融創(chuàng)新，發(fā)揮其巨大的推動(dòng)作用，將更多社會(huì)資本引入綠色低碳領(lǐng)域，提供專業(yè)化服務(wù)，為綠色產(chǎn)業(yè)發(fā)展提供更多融資渠道。在碳排放的控制過程中，二氧化碳排放量的控制是重要環(huán)節(jié)。對碳排放而言，產(chǎn)業(yè)結(jié)構(gòu)調(diào)整、能源結(jié)構(gòu)升級、節(jié)能技術(shù)和碳捕獲技術(shù)的應(yīng)用是直接影響因素，但是結(jié)構(gòu)調(diào)整與技術(shù)應(yīng)用都需要資金支持，綠色金融在這個(gè)過程中發(fā)揮了投融資方面的保障作用，企業(yè)獲得資金支持后才有能力使用清潔技術(shù)，因此，有必要研究綠色金融和二氧化碳排放量之間的關(guān)系。

關(guān)于綠色金融發(fā)展指數(shù)的測度，目前較為廣泛應(yīng)用的測度方法有曾學(xué)文和劉永強(qiáng)等（2014）[1]通過對宏觀、微觀兩條主線進(jìn)行梳理，嘗試構(gòu)建的包含5個(gè)二級指標(biāo)、11個(gè)三級指標(biāo)的綠色金融發(fā)展評價(jià)體系。任丹妮（2020）[2]運(yùn)用文本挖掘法測算了2012—2017年全國各?。▍^(qū)、市）綠色金融發(fā)展指數(shù)水平，發(fā)現(xiàn)有政策推動(dòng)的2015年前后，綠色金融發(fā)展迅速。周月秋和殷紅等（2020）[3]在全面搜集、整理各國數(shù)據(jù)的基礎(chǔ)上，構(gòu)建“一帶一路”綠色金融（投資）指數(shù)，對“一帶一路”沿線79個(gè)國家的綠色經(jīng)濟(jì)表現(xiàn)和綠色發(fā)展能力進(jìn)行了測算。

關(guān)于碳排放總量的預(yù)測這一問題，學(xué)者們提出了很多方法。Tseng和Yu等（2002）[4]通過BP神經(jīng)網(wǎng)絡(luò)和ARIMA模型進(jìn)行季節(jié)性預(yù)測，利用不同方法相互補(bǔ)充，提高預(yù)測效果。趙成柏和毛春梅（2012）[5]運(yùn)用ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)組合模型，對碳排放強(qiáng)度的時(shí)間序列進(jìn)行分析，預(yù)測了2020年中國的碳排放強(qiáng)度。紀(jì)廣月（2014）[6]基于灰色關(guān)聯(lián)分析原理對碳排放因素進(jìn)行篩選，再利用BP神經(jīng)網(wǎng)絡(luò)模型對中國碳排放進(jìn)行預(yù)測，達(dá)到了良好的預(yù)測結(jié)果。進(jìn)入新發(fā)展時(shí)期，胡劍波和羅志鵬等（2022）[7]基于LSTM神經(jīng)網(wǎng)絡(luò)模型和ARIMA-BP神經(jīng)網(wǎng)絡(luò)模型擬合預(yù)測出了到2030年的碳排放總量及強(qiáng)度。

綠色金融發(fā)展與碳排放相互影響，密不可分。綠色金融指數(shù)與碳排放相互作用，通過動(dòng)態(tài)分析二者在不同經(jīng)濟(jì)狀態(tài)下的作用機(jī)制，能夠更加接近實(shí)際情況。Christiansen和Arvanitakis等（2005）[8]首先考慮到了外部經(jīng)濟(jì)環(huán)境的影響，認(rèn)為碳排放與宏觀經(jīng)濟(jì)運(yùn)行周期存在一定的關(guān)系。對于二者的關(guān)系，Artur和Juan等（2009）[9]認(rèn)為金融促進(jìn)技術(shù)研發(fā)，可通過技術(shù)來提升資源利用率，從而達(dá)到二氧化碳減排的效果。邵漢華和劉耀彬（2017）[10]基于2000—2014年的中國省際面板數(shù)據(jù)，通過面板平滑轉(zhuǎn)換模型驗(yàn)證了金融發(fā)展與碳排放之間的關(guān)系，發(fā)現(xiàn)金融發(fā)展總體上對碳排放的降低具有正向作用。辛姜和趙春艷（2018）[11]基于MS-VAR模型探究了碳排放權(quán)交易市場的波動(dòng)性，并進(jìn)行區(qū)制轉(zhuǎn)換和市場聯(lián)動(dòng)分析。何吾潔和陳含樺等（2019）[12]通過四個(gè)維度構(gòu)建指數(shù)，衡量中國綠色金融發(fā)展水平，并基于VAR模型驗(yàn)證了綠色金融與碳排之間的動(dòng)態(tài)關(guān)系。江紅莉和王為東等（2020）[13]以綠色信貸和綠色風(fēng)投為例構(gòu)建了動(dòng)態(tài)面板數(shù)據(jù)模型，從整體和分組兩個(gè)層面研究了綠色金融的碳減排效果。

總之，已有研究對綠色金融和碳排放的關(guān)系進(jìn)行了比較廣泛、深入的探討，認(rèn)為二者有密切關(guān)系。但是，已有文獻(xiàn)主要研究了單一的綠色金融發(fā)展水平，或者是對碳排放總量的預(yù)測，針對二者之間的相互作用關(guān)系的研究受限于現(xiàn)有碳排放量和綠色金融的數(shù)據(jù)而相對較少。對此，本文在研究二者互動(dòng)關(guān)系方面?zhèn)戎仡A(yù)測了未來的變化趨勢。同時(shí)，在衡量綠色金融和碳排放的關(guān)系方面，大多數(shù)文獻(xiàn)僅考慮了綠色金融和碳排放量的關(guān)系，很少考慮和邊際減排成本的關(guān)系，本文通過數(shù)理模型測算進(jìn)一步探究了邊際減排成本的影響。

本文的邊際貢獻(xiàn)主要在于：其一，在測度和預(yù)測碳排放總量時(shí)，選擇了目前較為新穎的LSTM神經(jīng)網(wǎng)絡(luò)模型和ARIMA-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行交叉驗(yàn)證，相較于已有研究，將ARIMA模型得到的真實(shí)值和預(yù)測值的誤差帶入BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行殘差優(yōu)化，使單一模型充分發(fā)揮各自優(yōu)勢，實(shí)現(xiàn)優(yōu)勢互補(bǔ)，一定程度上提高了預(yù)測結(jié)果的準(zhǔn)確性和可靠性。其二，在探究碳排放量與綠色金融指數(shù)之間的相互作用關(guān)系時(shí)，引入了MS-VAR模型，能夠動(dòng)態(tài)分析不同經(jīng)濟(jì)運(yùn)行狀態(tài)下，二者之間的關(guān)系和作用機(jī)制。這種組合模型能夠優(yōu)勢互補(bǔ)，并充分考慮非線性信息，比以往單一模型的研究更加接近實(shí)際情況。其三，根據(jù)預(yù)測的碳排放量和減排邊際成本判斷綠色金融發(fā)展的需求量，使判斷綠色金融的發(fā)展趨勢有了量化基礎(chǔ)。

二、綠色金融指數(shù)的構(gòu)建與評價(jià)

（一）樣本選擇

考慮到數(shù)據(jù)的全面性和可得性，本文選取2008—2020年的數(shù)據(jù)作為指數(shù)測算的研究對象。原始數(shù)據(jù)主要來源于國家統(tǒng)計(jì)局、Wind數(shù)據(jù)庫和同花順數(shù)據(jù)庫等。

（二）指標(biāo)體系

結(jié)合中國綠色金融發(fā)展的實(shí)際情況，參考曾學(xué)文和劉永強(qiáng)等（2014）[1]的評價(jià)體系，從四個(gè)維度構(gòu)建我國綠色金融發(fā)展水平評價(jià)指標(biāo)體系（見表1）。

表1 綠色金融發(fā)展水平評價(jià)指標(biāo)體系

（三）指數(shù)的構(gòu)建方法

1.數(shù)據(jù)預(yù)處理

本文涉及的8個(gè)指標(biāo)中，高耗能產(chǎn)業(yè)利息支出占比、高耗能企業(yè)市值占比是反向指標(biāo)，采用極差化法對正負(fù)向指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理。

針對正向指標(biāo)：

針對負(fù)向指標(biāo)：

其中，Atj表示t時(shí)期j指標(biāo)的標(biāo)準(zhǔn)化值，Xtj表示t時(shí)期j指標(biāo)的初始化值。

2.確定指標(biāo)權(quán)重

采取主成分分析法，通過變量變換改變其相關(guān)性，實(shí)現(xiàn)對數(shù)據(jù)集的降維，以標(biāo)準(zhǔn)化后的數(shù)據(jù)為樣本，對其進(jìn)行主成分分析，用SPSS軟件分析得出表2。提取三個(gè)主成分，其累計(jì)貢獻(xiàn)率大于85%，且特征值均大于1。

表2 總方差解釋表

結(jié)合上述結(jié)果構(gòu)建我國綠色金融指數(shù)的權(quán)重，合成我國綠色金融發(fā)展指數(shù)：

通過Eviews軟件將年度指數(shù)變?yōu)榧径戎笖?shù)，輸出結(jié)果如圖1所示。

圖1 綠色金融指數(shù)曲線

可以看出，我國綠色金融指數(shù)總體呈攀升趨勢。2008—2013年上升速度較快，但波動(dòng)較大，極不穩(wěn)定，這與中國綠色金融市場處于初步發(fā)展階段，內(nèi)部體系尚未健全有關(guān)。2010年之后指數(shù)上升顯著，中國綠色金融改革成效開始顯現(xiàn)。2014—2020年，綠色金融指數(shù)保持穩(wěn)定增長，與中國綠色金融市場進(jìn)入規(guī)?；€(wěn)定發(fā)展有關(guān)，自身穩(wěn)定性明顯提高，抵御外部風(fēng)險(xiǎn)的能力也隨之增強(qiáng)。

三、中國二氧化碳排放量的測度及趨勢預(yù)測

（一）模型構(gòu)建

1.LSTM神經(jīng)網(wǎng)絡(luò)模型

LSTM模型是長短時(shí)記憶網(wǎng)絡(luò)模型，本質(zhì)上是一種特殊的循環(huán)網(wǎng)絡(luò)模型。LSTM模型在RNN模型的基礎(chǔ)上增加了門限來解決短期記憶的問題，使循環(huán)神經(jīng)網(wǎng)絡(luò)模型能夠切實(shí)高效地利用長距離的時(shí)序信息。

一般來說，測定中國碳排放量時(shí)，不僅要考慮其變動(dòng)會(huì)受到近期影響，還要考慮過去任一時(shí)期都可能對未來的發(fā)展趨勢產(chǎn)生影響。離現(xiàn)在越遠(yuǎn)的時(shí)間節(jié)點(diǎn)對碳排放量的發(fā)展趨勢造成的影響越小，因此，本文所選擇的LSTM神經(jīng)網(wǎng)絡(luò)模型可以充分發(fā)揮優(yōu)點(diǎn)，過濾掉冗余信息，篩選出對歷史數(shù)據(jù)預(yù)測有效的信息。

2.ARIMA-BP神經(jīng)網(wǎng)絡(luò)模型

ARIMA（p，d，q）模型中，AR是自回歸，MA是移動(dòng)平均，p是自回歸項(xiàng)，q為移動(dòng)平均項(xiàng)數(shù)，d是時(shí)間序列成為平穩(wěn)序列時(shí)所做的差分次數(shù)。該模型將預(yù)測對象隨時(shí)間推移形成的數(shù)據(jù)視為一個(gè)隨機(jī)序列，用數(shù)學(xué)模型來近似描述這個(gè)序列，一旦識(shí)別成功就可以用過去值和現(xiàn)在值去預(yù)測未來值。ARIMA模型的表達(dá)式為：

BP神經(jīng)網(wǎng)絡(luò)模型在1986年被首次提出，該模型能夠很好地解決數(shù)據(jù)的非線性問題，彌補(bǔ)ARIMA建模中忽略的非線性信息。

本文結(jié)合兩個(gè)模型的優(yōu)點(diǎn)，利用ARIMA-BP殘差優(yōu)化組合模型，將ARIMA模型得到的真實(shí)值和預(yù)測值的誤差帶入BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行殘差優(yōu)化，使單一模型充分發(fā)揮各自優(yōu)勢，實(shí)現(xiàn)優(yōu)勢互補(bǔ)。將ARIMA-BP神經(jīng)網(wǎng)絡(luò)模型作為輔助，用于對LSTM模型下得到的中國碳排放量測度和預(yù)測的驗(yàn)證，ARIMA模型主要用于對碳排放量進(jìn)行線性建模和預(yù)測，BP模型可對其殘差進(jìn)行優(yōu)化，捕捉碳排放量變化中的非線性信息，使中國碳排放量的測度和趨勢預(yù)測更加準(zhǔn)確。

（二）數(shù)據(jù)來源及處理

碳排放指二氧化碳和其他溫室氣體的排放，包括某個(gè)區(qū)域、某個(gè)群體或某個(gè)生物體的溫室氣體排放量?？紤]到全球溫室氣體中二氧化碳的比重近80%，因此，學(xué)術(shù)界針對碳排放多數(shù)僅研究二氧化碳。

本文以《中國統(tǒng)計(jì)年鑒》《中國能源統(tǒng)計(jì)年鑒》為基礎(chǔ)，參照ORNL提出的方法對二氧化碳排放量進(jìn)行計(jì)算。如圖2所示，將本文測量結(jié)果與中國碳核算數(shù)據(jù)庫（CEADs）公開的數(shù)據(jù)進(jìn)行對比，結(jié)果大體一致。

圖2 二氧化碳排放量柱狀圖

（三）中國二氧化碳排放量的實(shí)證分析

1.LSTM神經(jīng)網(wǎng)絡(luò)模型下的二氧化碳排放量測度及預(yù)測

本文參照胡劍波和羅志鵬等（2022）[7]的方法，在進(jìn)行樣本外預(yù)測的同時(shí)，將樣本內(nèi)數(shù)據(jù)特征傳入模型以達(dá)到擴(kuò)充數(shù)據(jù)的目的，循環(huán)往復(fù)，最終得到中國二氧化碳排放總量的預(yù)測值及擬合曲線。

最終的訓(xùn)練模型均方誤差為0.094281，設(shè)置回調(diào)均方誤差標(biāo)準(zhǔn)為0.1，在驗(yàn)證集上的平均絕對百分比誤差為9.219%，表明該模型具有較好的擬合性能。圖3為中國二氧化碳排放總量趨勢預(yù)測曲線，可以看到，2005—2020年總體處于上升趨勢，二氧化碳排放總量達(dá)1.009867百億噸。2021—2030年，二氧化碳排放總量的上升趨勢開始趨于平緩，甚至接近水平，此時(shí)中國的二氧化碳排放總量將達(dá)到1.04509百億噸。

圖3 LSTM模型二氧化碳排放量擬合預(yù)測曲線

2.ARIMA-BP神經(jīng)網(wǎng)絡(luò)模型下的二氧化碳排放量測度及預(yù)測

為了提高預(yù)測值的準(zhǔn)確性，進(jìn)一步建立ARIMA-BP神經(jīng)網(wǎng)絡(luò)模型對預(yù)測值進(jìn)行交叉驗(yàn)證。在構(gòu)建該模型前，需要對數(shù)據(jù)進(jìn)行平穩(wěn)性檢驗(yàn)。如表3所示，對其進(jìn)行ADF檢驗(yàn)后，二氧化碳排放序列的伴隨概率t統(tǒng)計(jì)量為0.1200，在0.05的顯著性水平下無法拒絕原假設(shè)。二氧化碳排放1階差分序列的伴隨概率t統(tǒng)計(jì)量為-1.8812，在0.1的顯著性水平下拒絕了原假設(shè)，可認(rèn)為1階差分后的二氧化碳排放序列是平穩(wěn)的。

表3 ADF檢驗(yàn)

進(jìn)一步探究碳排放序列的自相關(guān)系數(shù)和偏自相關(guān)系數(shù)，在[-0.5，0.5]區(qū)域表示了95%的置信區(qū)間。發(fā)現(xiàn)不論是自相關(guān)系數(shù)還是偏自相關(guān)系數(shù)的一階、二階系數(shù)都落在了95%的置信區(qū)間之內(nèi)。

通過ARIMA模型對中國碳排放總量進(jìn)行了擬合預(yù)測，從圖4可看出該模型下的二氧化碳排放總量預(yù)測值在2030年將達(dá)到1.241064577百億噸。由于與LSTM模型下的預(yù)測值有較大不同，考慮到單一模型的局限性，因此，將通過ARIMA-BP神經(jīng)網(wǎng)絡(luò)模型再次對中國碳排放總量進(jìn)行擬合預(yù)測。

圖4 ARIMA模型二氧化碳排放量擬合預(yù)測曲線

如圖5所示，采用ARIMA-BP殘差優(yōu)化組合模型進(jìn)行預(yù)測?？梢钥吹剑贏RIMA-BP神經(jīng)網(wǎng)絡(luò)模型下的預(yù)測值呈現(xiàn)較強(qiáng)的上升趨勢，2030年中國二氧化碳排放總量將到達(dá)1.206114208百億噸。

圖5 ARIMA-BP模型二氧化碳排放量擬合預(yù)測曲線

最后，對LSTM神經(jīng)網(wǎng)絡(luò)模型下得到的預(yù)測值和ARIMA-BP神經(jīng)網(wǎng)絡(luò)模型下得到的預(yù)測值進(jìn)行對比分析，發(fā)現(xiàn)LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度高于ARIMA-BP模型。兩個(gè)模型的交叉驗(yàn)證進(jìn)一步證明了本文對中國二氧化碳排放總量預(yù)測值的準(zhǔn)確性和可靠性。

四、綠色金融指數(shù)與二氧化碳排放量的關(guān)系

（一）MS-VAR模型

馬爾可夫區(qū)制轉(zhuǎn)換向量自回歸模型在原VAR模型基礎(chǔ)上加入了Markov Chain特性，該模型能將樣本劃分成若干個(gè)區(qū)間，在不同區(qū)制下分析變量之間的相互作用關(guān)系。

本文基于MS-VAR模型探究不同狀態(tài)下綠色金融指數(shù)與碳排放量之間的相互作用關(guān)系。其中，構(gòu)建P階VAR模型時(shí)可表示如下：

其中，Yt為k維內(nèi)生變量列向量，Yt-i為滯后的內(nèi)生變量，Xt表示d維外生變量列向量，P是滯后階數(shù)，Φi為k×k維的待估矩陣，B為k×d維的待估矩陣，εt—N（0，M）為k維白噪聲向量，M為εt的協(xié)方差矩陣，是一個(gè)k×k的正定矩陣。

MS模型被稱為馬爾可夫區(qū)制轉(zhuǎn)移模型，區(qū)制轉(zhuǎn)移的概率可以表示為：

一階的MS模型中，St為狀態(tài)變量。St遍歷K個(gè)區(qū)制狀態(tài)的轉(zhuǎn)移概率可以用馬爾可夫轉(zhuǎn)移矩陣表示：

馬爾可夫區(qū)制轉(zhuǎn)換向量自回歸模型在K區(qū)制P階下表示為MS（K）-VAR（P）模型：

（二）平穩(wěn)性檢驗(yàn)

運(yùn)用MS-VAR模型時(shí)，為了避免出現(xiàn)“偽回歸”現(xiàn)象，保證其數(shù)據(jù)的平穩(wěn)性，本文通過ADF法對數(shù)據(jù)進(jìn)行平穩(wěn)性檢驗(yàn)。為了減少波動(dòng)性，對綠色金融指數(shù)的絕對值取對數(shù)處理，進(jìn)行ADF檢驗(yàn)，具體結(jié)果見表4：

表4 ADF檢驗(yàn)

（三）數(shù)據(jù)處理及模型選擇

將2008—2020年的碳排放量測度數(shù)據(jù)和綠色金融指數(shù)作為模型數(shù)據(jù)。由于樣本數(shù)量的限制，通過Eviews軟件將年度低頻數(shù)據(jù)轉(zhuǎn)換成了季度高頻數(shù)據(jù)，共獲得104個(gè)數(shù)據(jù)。

對于模型的選擇，考慮到MS-VAR模型存在多個(gè)子模型，其中包括MSMH-VAR、MSM-VAR、MSIH-VAR、MSIA-VAR等，本文在選取最佳的MS-VAR模型時(shí)，通過計(jì)算AIC、HQ、SC等準(zhǔn)則和實(shí)際的情況來進(jìn)行選擇。經(jīng)過比較發(fā)現(xiàn)，本文最適合MSMH（2）-VAR（3）模型，且得到的LR=76.3281，可以顯著拒絕線性的原假設(shè)，說明該模型擬合度良好，對解決實(shí)際問題是有意義的。

（四）模型估計(jì)結(jié)果

1.MSMH（2）-VAR（3）模型的參數(shù)分析

表5說明了MSMH（2）-VAR（3）模型的各類參數(shù)估計(jì)結(jié)果，通過比較兩區(qū)制的不同參數(shù)，可以認(rèn)為區(qū)制1代表了二氧化碳排放量和綠色金融指數(shù)波動(dòng)比較大的狀態(tài)，區(qū)制2代表了二氧化碳排放量和綠色金融指數(shù)波動(dòng)比較小的狀態(tài)。

表5 參數(shù)估計(jì)結(jié)果

從各變量對二氧化碳排放量的影響看，滯后1期的二氧化碳排放量變動(dòng)將對當(dāng)期二氧化碳排放量變動(dòng)產(chǎn)生顯著的正向作用。當(dāng)滯后1期的二氧化碳排放量上升一個(gè)單位時(shí)，當(dāng)期的二氧化碳排放量也會(huì)上升1.362035個(gè)單位。滯后2期的二氧化碳排放量變動(dòng)對當(dāng)期二氧化碳排放量具有正向作用，但是并不顯著。滯后3期的二氧化碳排放量變動(dòng)對當(dāng)期變動(dòng)具有負(fù)向作用，但是顯著水平較低。滯后1期、2期和3期的綠色金融指數(shù)變動(dòng)對當(dāng)期二氧化碳排放量具有或正或負(fù)的作用，但是都不顯著。

從各變量對綠色金融指數(shù)的影響看，滯后1期、2期和3期的二氧化碳排放量變動(dòng)對當(dāng)期綠色金融指數(shù)的變動(dòng)產(chǎn)生或正或負(fù)的作用，但顯著性水平都較低。滯后1期的綠色金融指數(shù)對當(dāng)期綠色金融指數(shù)的變動(dòng)具有顯著的正向作用，說明未來一季度的綠色金融指數(shù)上升1個(gè)單位時(shí)，當(dāng)期的綠色金融指數(shù)會(huì)上升1.257117個(gè)單位。滯后2期、3期的綠色金融指數(shù)變動(dòng)對當(dāng)期變動(dòng)具有不顯著的負(fù)向作用。

在二區(qū)制的MS-VAR模型中，從表6的區(qū)制相關(guān)系數(shù)可以看出，二氧化碳排放量和綠色金融指數(shù)在不同的區(qū)制中相關(guān)性不同。在區(qū)制1中，二者表現(xiàn)出負(fù)相關(guān)性。在區(qū)制2中，二者表現(xiàn)出正相關(guān)性，且在區(qū)制2的正相關(guān)作用遠(yuǎn)遠(yuǎn)大于在區(qū)制1中的負(fù)相關(guān)性。說明在波動(dòng)較大的狀態(tài)下，綠色金融指數(shù)隨二氧化碳排放量的增加而減??；在波動(dòng)較小的狀態(tài)下，綠色金融指數(shù)隨二氧化碳排放量的增加而增加。

2.區(qū)制狀態(tài)分析

圖6為兩區(qū)制概率圖，可以看出大部分的樣本處于區(qū)制2中，主要時(shí)段為2008年四季度至2009年三季度，2010年二季度至2010年四季度，2014年二季度至2014年四季度，2015年二季度至2020年四季度，在這段時(shí)間里，綠色金融指數(shù)與二氧化碳排放量波動(dòng)比較平穩(wěn)。在區(qū)制1中，主要時(shí)段為2009年四季度至2010年一季度和2011年一季度至2014年一季度，此時(shí)綠色金融指數(shù)與二氧化碳排放量波動(dòng)都比較大。

圖6 區(qū)制概率圖

中國綠色金融的發(fā)展進(jìn)程大致可分為三個(gè)階段，2005—2008年為綠色金融萌芽階段，2009—2014年為中國綠色金融初步發(fā)展階段，2015年至今為綠色金融規(guī)模化健康發(fā)展階段，且這三個(gè)時(shí)間段與本文的區(qū)制劃分不謀而合，表現(xiàn)出高度的一致性。

2009年11月，中國代表團(tuán)在聯(lián)合國哥本哈根氣候大會(huì)前夕首次于國際會(huì)議上作出莊嚴(yán)承諾，中國將在2020年使每單位GDP的碳排放量相比于2005年實(shí)現(xiàn)近一半的下降幅度。對于綠色政策，2010年出臺(tái)的“十二五”規(guī)劃明確提出節(jié)能減排目標(biāo)，中國綠色信貸體系也隨之開始發(fā)展。由于國家層面大力推進(jìn)綠色改革，此時(shí)正處于區(qū)制1的劇烈波動(dòng)期間，二氧化碳排放量和綠色金融指數(shù)表現(xiàn)出較大的波動(dòng)。

2011—2014年是綠色金融體系不斷發(fā)展和改革的時(shí)期。2012年，銀監(jiān)會(huì)印發(fā)《綠色信貸指引》，成為中國綠色信貸體系的綱領(lǐng)性文件。為了大力推進(jìn)金融體系的綠色信貸規(guī)模發(fā)展，2014年銀監(jiān)會(huì)印發(fā)了《綠色信貸實(shí)施情況關(guān)鍵評價(jià)指標(biāo)》。此時(shí)，區(qū)制1狀態(tài)下的二氧化碳排放與綠色金融指數(shù)高位波動(dòng)，說明二者具有明顯的相互影響關(guān)系。

2015—2020年二者都處于平穩(wěn)發(fā)展的區(qū)制1狀態(tài)下，這也是中國綠色金融規(guī)?；】蛋l(fā)展的階段。2015年10月，十八屆五中全會(huì)提出“綠色發(fā)展”概念，政府層對綠色發(fā)展的重視程度增加。2015年至今，隨著國家對綠色金融產(chǎn)業(yè)的大力扶持，綠色金融開始成為主流銀行業(yè)務(wù)。綠色金融相關(guān)法律法規(guī)陸續(xù)出臺(tái)，市場交易秩序得到保障，為投資者提供了良好的金融市場環(huán)境。

由表7可知，系統(tǒng)維持在區(qū)制1的概率為0.8015，由區(qū)制1轉(zhuǎn)移到區(qū)制2的概率是0.1985。系統(tǒng)維持在區(qū)制2的概率為0.8911，由區(qū)制2轉(zhuǎn)移到區(qū)制1的概率為0.1089。

表7 區(qū)制轉(zhuǎn)移概率

從表8可以看出，系統(tǒng)在35.42%的時(shí)間里處于區(qū)制1，平均可持續(xù)5.04個(gè)季度；64.58%的時(shí)間處于區(qū)制2，平均可持續(xù)的時(shí)間為9.18個(gè)季度。

表8 區(qū)制特性

3.脈沖響應(yīng)函數(shù)分析

當(dāng)給二氧化碳排放量一個(gè)標(biāo)準(zhǔn)差的正向沖擊時(shí)，在兩區(qū)制下，二氧化碳排放量的增加對綠色金融指數(shù)的變動(dòng)產(chǎn)生正向沖擊，但是影響效果不同。在區(qū)制1下，二氧化碳排放量的增加對綠色金融指數(shù)造成的正向沖擊大于在區(qū)制2下的正向沖擊，且兩區(qū)制的沖擊都保持上升趨勢。

當(dāng)綠色金融指數(shù)受到一個(gè)標(biāo)準(zhǔn)差的正向沖擊時(shí)，綠色金融指數(shù)的增加對兩區(qū)制下的二氧化碳排放量都產(chǎn)生了一個(gè)正向沖擊，且區(qū)制1的正向沖擊大于區(qū)制2的正向沖擊，且上升趨勢都趨于平緩。

總體上，二氧化碳排放量受到外部沖擊時(shí)，更能影響中國綠色金融指數(shù)，即對整個(gè)市場的綠色金融發(fā)展水平的影響更大。因此，良好且穩(wěn)定的外部經(jīng)濟(jì)環(huán)境可以有效促進(jìn)綠色金融健康發(fā)展，在經(jīng)濟(jì)波動(dòng)大的時(shí)期，綠色金融發(fā)展水平則會(huì)較大程度上受到二氧化碳排放量的影響和沖擊。

五、綠色金融指數(shù)和減排邊際成本的關(guān)系

衡量綠色金融和碳排放的關(guān)系，不能只考慮和二氧化碳排放量的關(guān)系，還要考慮和邊際減排成本的關(guān)系，因此，有必要進(jìn)一步測算邊際減排成本。

本文測算邊際減排成本，借鑒郭新明（2022）[14]的研究，通過二次型方向距離函數(shù)測度2005—2020年中國的二氧化碳邊際減排成本。構(gòu)造產(chǎn)出縮放向量-gb），其中y和b表示期望產(chǎn)出和非期望產(chǎn)出。由于使用影子價(jià)格模型的基礎(chǔ)是方向距離函數(shù)和收益函數(shù)存在對偶性，因此通過方向距離函數(shù)推導(dǎo)出收益函數(shù)。根據(jù)包絡(luò)定理和拉格朗日定理，推導(dǎo)出非期望產(chǎn)出與期望產(chǎn)出的影子價(jià)格之比，q和p分別表示非期望產(chǎn)出的價(jià)格和期望產(chǎn)出的價(jià)格，公式如下：

本文選取勞動(dòng)（x1）、能源（x2）和資本（x3）這三種投入，采用第一、二、三產(chǎn)業(yè)就業(yè)人數(shù)之和表示勞動(dòng)投入，能源消耗總量表示能源投入，以永續(xù)盤存法估計(jì)資本存量。產(chǎn)出則以二氧化碳排放量為非期望產(chǎn)出，GDP為期望產(chǎn)出。數(shù)據(jù)來源于2005—2020年的《中國能源統(tǒng)計(jì)年鑒》和《中國統(tǒng)計(jì)年鑒》，二氧化碳排放量基于前文測量數(shù)據(jù)。采用線性規(guī)劃方法進(jìn)行求解，目標(biāo)函數(shù)應(yīng)使各個(gè)時(shí)期前沿點(diǎn)與生產(chǎn)點(diǎn)的離差和最小。

通過上述理論基礎(chǔ)，利用Lingo構(gòu)建模型。對二次型函數(shù)的未知參數(shù)進(jìn)行求解，方向距離函數(shù)參數(shù)估計(jì)如表9所示。

表9 參數(shù)估計(jì)值

結(jié)果顯示，2005—2009年邊際減排成本基本保持一致，增長并不明顯；2010年出現(xiàn)了明顯改變，增速開始變大，邊際減排成本進(jìn)入快速攀升階段。進(jìn)一步用MATLAB軟件擬合綠色金融指數(shù)和邊際減排成本，得到圖7。

圖7 綠色金融指數(shù)和邊際減排成本擬合圖

由圖7可以看出，隨著減排邊際成本上升，綠色金融指數(shù)也隨之上升，而且二者關(guān)系趨于平緩。結(jié)合前文研究，碳排放量和減排成本的增加都會(huì)使綠色金融指數(shù)上升，一定程度上說明綠色金融的發(fā)展是在碳排放基礎(chǔ)上實(shí)現(xiàn)的，可以根據(jù)碳排放量的增加情況和減排邊際成本的變化來預(yù)測綠色金融的發(fā)展。

六、結(jié)論與對策建議

（一）研究結(jié)論

第一，綠色金融指數(shù)總體呈逐年攀升趨勢。2008—2013年上升雖然較快，但是波動(dòng)較大，2010年之后呈迅速上升趨勢，2014—2020年一直保持穩(wěn)定增長，說明我國的綠色金融發(fā)展態(tài)勢良好。

第二，LSTM神經(jīng)網(wǎng)絡(luò)模型在預(yù)測二氧化碳排放量時(shí)具有較好的擬合效果，在此框架下，中國二氧化碳排放量在2030年將達(dá)到104.509億噸。為了驗(yàn)證LSTM的預(yù)測效果，在ARIMA-BP神經(jīng)網(wǎng)絡(luò)模型中，中國二氧化碳排放量在2030年將達(dá)到120.611億噸。兩種模型進(jìn)行交叉驗(yàn)證，對比后發(fā)現(xiàn)LSTM模型的預(yù)測精度更好。

第三，利用MS-VAR模型分析綠色金融指數(shù)和二氧化碳排放量在不同經(jīng)濟(jì)狀態(tài)下的相互作用關(guān)系，發(fā)現(xiàn)二者相伴而生，且具有明顯的正相關(guān)性。反映出二氧化碳排放量的預(yù)測和綠色金融指數(shù)的預(yù)測高度一致，可以通過二者中一個(gè)變量的預(yù)測判斷出另一個(gè)的發(fā)展趨勢。而且當(dāng)經(jīng)濟(jì)處于高波動(dòng)狀態(tài)時(shí)，二氧化碳排放量對綠色金融指數(shù)的沖擊會(huì)大于在經(jīng)濟(jì)平穩(wěn)時(shí)的沖擊。因此，良好且穩(wěn)定的外部經(jīng)濟(jì)環(huán)境可以有效促進(jìn)綠色金融健康發(fā)展。

第四，綠色金融發(fā)展一定程度上減緩了二氧化碳排放量的增加速度。因此，不僅可以通過環(huán)保手段來減少二氧化碳排放，還可以通過促進(jìn)綠色金融發(fā)展來實(shí)現(xiàn)減排效果。隨著綠色金融的發(fā)展，二氧化碳排放量的增速不斷下降，綠色金融能夠降低二氧化碳排放的邊際量，最終實(shí)現(xiàn)碳達(dá)峰、碳中和。

第五，通過構(gòu)建“三投入—兩產(chǎn)出”的方向距離函數(shù)，測算我國二氧化碳的減排成本，發(fā)現(xiàn)2005—2020年減排的邊際成本持續(xù)上升，MATLAB擬合后發(fā)現(xiàn)綠色金融指數(shù)也隨之上升，進(jìn)一步說明可以通過減排成本來判斷綠色金融發(fā)展趨勢，進(jìn)而判斷綠色金融的需求量。

（二）對策建議

第一，根據(jù)碳排放量和減排成本研判綠色金融的需求量。強(qiáng)調(diào)發(fā)展綠色金融，具體需求量可以通過碳排放量和減排成本的增加狀況來判斷，使綠色金融的發(fā)展有了量化依據(jù)。根據(jù)綠色金融發(fā)展趨勢，結(jié)合當(dāng)前的發(fā)展?fàn)顩r制定相應(yīng)政策，確保綠色金融的發(fā)展?jié)M足減排的需求。

第二，通過市場化手段降低碳減排成本。碳市場作為一種促進(jìn)減排的市場機(jī)制，允許碳排放資源在不同企業(yè)之間通過市場進(jìn)行自由配置，相比行政手段，能夠以較低的成本實(shí)現(xiàn)既定減排目標(biāo)。通過全國碳市場運(yùn)行，降低全社會(huì)總減排成本，助力我國早日實(shí)現(xiàn)較低的排放峰值，降低后續(xù)實(shí)現(xiàn)碳中和目標(biāo)的難度。

第三，借助綠色金融市場，多渠道促進(jìn)碳減排，實(shí)現(xiàn)“雙碳”目標(biāo)。綠色金融是一項(xiàng)創(chuàng)新的市場化制度安排，發(fā)展綠色金融就是要以市場化原則引導(dǎo)激勵(lì)更多社會(huì)資本投入綠色產(chǎn)業(yè)，鼓勵(lì)金融機(jī)構(gòu)提供更多綠色金融產(chǎn)品和服務(wù)。

第四，促進(jìn)綠色金融和碳減排的良性循環(huán)。全面提高綠色意識(shí)，支持更多資金投入綠色產(chǎn)業(yè)領(lǐng)域，促使我國傳統(tǒng)產(chǎn)業(yè)不斷轉(zhuǎn)向綠色產(chǎn)業(yè)，助力低碳發(fā)展，改善治理環(huán)境，實(shí)現(xiàn)有限資源的高效利用，減少污染，節(jié)約污染治理資金，加大環(huán)保技術(shù)研發(fā)，實(shí)現(xiàn)發(fā)展和減排的良性循環(huán)。◆