李朋林，張肖東

（西安科技大學(xué) 管理學(xué)院，陜西 西安 710600）

現(xiàn)階段，我國(guó)經(jīng)濟(jì)發(fā)展已由高速增長(zhǎng)模式向高質(zhì)量及環(huán)境友好型發(fā)展模式轉(zhuǎn)變，過(guò)去的粗放型經(jīng)濟(jì)增長(zhǎng)模式所帶來(lái)的高額碳排放問(wèn)題被推上風(fēng)口浪尖，根據(jù)國(guó)際能源署（IEA）公布的數(shù)據(jù)，2021 年我國(guó)二氧化碳排放量為105.23 億噸，占全球二氧化碳總排放量的33%，在主要經(jīng)濟(jì)體中碳排放強(qiáng)度最高。在高排放壓力下，我國(guó)已于2020 年提出“雙碳”目標(biāo)，低碳轉(zhuǎn)型發(fā)展已成為共識(shí)。然而，實(shí)體經(jīng)濟(jì)的低碳化轉(zhuǎn)型中涉及巨大的投資需求，不斷供應(yīng)的金融資源是實(shí)現(xiàn)經(jīng)濟(jì)低碳轉(zhuǎn)型的根本保障[1]。傳統(tǒng)金融并未充分考慮經(jīng)濟(jì)增長(zhǎng)過(guò)程中出現(xiàn)的高排放高污染等問(wèn)題，而綠色金融整合了金融系統(tǒng)與環(huán)保系統(tǒng)，旨在通過(guò)金融產(chǎn)品以及其衍生工具為環(huán)保項(xiàng)目或綠色企業(yè)提供低息貸款支持，從而提高相關(guān)企業(yè)競(jìng)爭(zhēng)力，淘汰落后產(chǎn)能，降低碳排放強(qiáng)度。同時(shí)，我國(guó)產(chǎn)業(yè)轉(zhuǎn)型升級(jí)、科技創(chuàng)新發(fā)展的實(shí)現(xiàn)并非一蹴而就，其過(guò)程也需要綠色金融的支持。由此可見，發(fā)展綠色金融是實(shí)現(xiàn)經(jīng)濟(jì)綠色、低碳、高質(zhì)量發(fā)展中最為重要的途徑之一，為此我國(guó)已出臺(tái)了多項(xiàng)政策支持綠色金融的發(fā)展。2019 年10 月，黨的十九屆四中全會(huì)將“發(fā)展綠色金融”作為“實(shí)行最嚴(yán)格的生態(tài)環(huán)境保護(hù)制度”的重要組成部分；2021年1 月央行工作會(huì)議中的重點(diǎn)首次出現(xiàn)了“落實(shí)碳達(dá)峰碳中和重大決策部署，完善綠色金融政策框架和激勵(lì)機(jī)制”[2]；2021 年3 月，中央財(cái)經(jīng)委員會(huì)第九次會(huì)議再次提出要積極發(fā)展綠色金融。

“十四五”時(shí)期我國(guó)進(jìn)入以降碳為重點(diǎn)，以減污降碳協(xié)同增效為主線，全面推進(jìn)綠色低碳循環(huán)發(fā)展，持續(xù)推進(jìn)生態(tài)環(huán)境質(zhì)量改善的關(guān)鍵時(shí)期。在僅有的30 年碳達(dá)峰到碳中和緩沖期內(nèi)，需要進(jìn)一步通過(guò)積極改革與創(chuàng)新強(qiáng)化綠色金融作用，充分發(fā)揮其在落實(shí)“雙碳”目標(biāo)，協(xié)同推進(jìn)經(jīng)濟(jì)高質(zhì)量發(fā)展和生態(tài)環(huán)境高水平保護(hù)中的作用[3]。為此，政界、業(yè)界、學(xué)界展開了一系列研究，但目前關(guān)于綠色金融對(duì)碳減排影響的定性研究較多，定量化研究的深度與廣度仍有不足，其中較少考慮綠色金融對(duì)碳減排的空間溢出規(guī)律，而碳排放強(qiáng)度是表征碳減排成效最重要的一個(gè)指標(biāo)，因此本文將著重研究綠色金融對(duì)碳排放強(qiáng)度的影響以及空間溢出效應(yīng)。此外，我國(guó)地域?qū)拸V，各省份在資源稟賦、經(jīng)濟(jì)結(jié)構(gòu)等方面存在較大差異，碳排放強(qiáng)度的空間分布特征具有異質(zhì)性，因而對(duì)我國(guó)東中西部地區(qū)碳排放強(qiáng)度空間分布動(dòng)態(tài)加以分析，這對(duì)我國(guó)各地區(qū)有針對(duì)性地采取有效降低碳排放強(qiáng)度的措施和制定相對(duì)應(yīng)的政策具有重要意義。

1 文獻(xiàn)綜述

綠色金融作為節(jié)能減排的重要推動(dòng)力量，國(guó)內(nèi)外關(guān)于其理論研究、實(shí)證分析以及政策實(shí)踐等相關(guān)議題已經(jīng)有了較為豐富的研究成果。首先，為了探析我國(guó)綠色金融體系建設(shè)的實(shí)踐進(jìn)展與理論問(wèn)題，馬俊[4]率先提出構(gòu)建綠色金融體系的必要性和緊迫性，認(rèn)為我國(guó)構(gòu)建綠色金融體系不僅能夠提升經(jīng)濟(jì)增長(zhǎng)潛力、加速產(chǎn)業(yè)、能源及交通運(yùn)輸結(jié)構(gòu)的綠色轉(zhuǎn)型，而且有助于改善我國(guó)的財(cái)政可持續(xù)性及維護(hù)負(fù)責(zé)任大國(guó)的國(guó)際形象。有了這一理論基礎(chǔ)，宏觀層面上，王遙等[5]通過(guò)研究肯定了綠色金融的儲(chǔ)蓄—投資機(jī)制及其產(chǎn)生的經(jīng)濟(jì)增長(zhǎng)效應(yīng)，嚴(yán)金強(qiáng)等[6]分析了綠色金融在綠色技術(shù)創(chuàng)新體系中的作用，為學(xué)界提供了新的思路；微觀層面上，由于我國(guó)銀企之間普遍因?yàn)樾畔⒉粚?duì)稱而產(chǎn)生期限錯(cuò)配問(wèn)題，謝東江等[7]通過(guò)研究發(fā)現(xiàn)綠色金融能夠通過(guò)緩解節(jié)能環(huán)保等綠色企業(yè)的期限錯(cuò)配來(lái)提升綠色全要素生產(chǎn)率，并且這一提升作用在低碳試點(diǎn)省市更為明顯，而李善民[8]在綠色信貸供給不足問(wèn)題上將金融監(jiān)管部門與商業(yè)銀行納入演化博弈分析框架中推演二者參與化解傳統(tǒng)信貸困局的演化路徑與策略選擇，得出一套穩(wěn)定的針對(duì)性策略；區(qū)域?qū)用嫔?，我?guó)地域?qū)拸V且區(qū)域差異較大，綠色金融也存在明顯的區(qū)域分異狀況，因此，賦予綠色金融以“空間”含義、探索綠色金融的區(qū)域特征，自然就具有了重要的政策意義和實(shí)際操作價(jià)值[9]。魏麗莉等[10]分析比較了我國(guó)西北五省區(qū)綠色金融與產(chǎn)業(yè)結(jié)構(gòu)之間的耦合協(xié)調(diào)度，并建議金融的綠色化改革應(yīng)因地制宜適配各地區(qū)產(chǎn)業(yè)結(jié)構(gòu)。祁芳梅等[11]通過(guò)對(duì)長(zhǎng)江經(jīng)濟(jì)帶上中下游不同區(qū)域研究發(fā)現(xiàn)，綠色金融不僅促進(jìn)本地區(qū)經(jīng)濟(jì)高質(zhì)量發(fā)展而且對(duì)周邊區(qū)域有著正向的空間溢出效應(yīng)。

除此之外，關(guān)于綠色金融對(duì)碳減排的實(shí)證研究也逐步深入。文書洋等[12]通過(guò)構(gòu)建帶有碳排放約束并內(nèi)生減排技術(shù)進(jìn)步的一般均衡模型，從理論與實(shí)證兩個(gè)維度論證了綠色金融在一個(gè)最優(yōu)規(guī)模時(shí)能夠通過(guò)支持碳減排技術(shù)的進(jìn)步促進(jìn)碳減排，這與LI 等[13]認(rèn)為低碳技術(shù)的創(chuàng)新在綠色金融在低碳經(jīng)濟(jì)轉(zhuǎn)型中具有中介效應(yīng)的結(jié)論一致。江紅莉等[14]則以綠色信貸和綠色風(fēng)投為綠色金融的代表，從整體和分組兩方面研究綠色金融的碳減排效果，發(fā)現(xiàn)由于二者規(guī)模程度的差異，綠色信貸對(duì)碳減排的作用強(qiáng)度高于綠色風(fēng)投。而在研究綠色金融與非化石能源消耗及碳強(qiáng)度之間關(guān)系時(shí)，XUE 等[15]發(fā)現(xiàn)綠色金融發(fā)展水平的提升以及非化石能源使用的增加在長(zhǎng)期內(nèi)均有助于碳強(qiáng)度的降低。郭希宇[16]考察了綠色金融與低碳經(jīng)濟(jì)的內(nèi)生交互影響和空間溢出效應(yīng)，認(rèn)為綠色金融與低碳經(jīng)濟(jì)存在雙向促進(jìn)作用，同時(shí)發(fā)現(xiàn)綠色金融跨地區(qū)對(duì)其他地區(qū)綠色金融發(fā)展產(chǎn)生擠出作用。此外，CHEN 等[17]運(yùn)用空間計(jì)量的方法分析發(fā)現(xiàn)碳排放具有很強(qiáng)的時(shí)空依賴性，這表明我國(guó)各區(qū)域范圍內(nèi)的碳減排措施已形成了協(xié)同效應(yīng)。

隨著綠色金融政策的不斷出臺(tái)，以綠色金融政策為探討中心的研究逐步增加。通過(guò)梳理我國(guó)綠色金融政策的制度變遷，牛海鵬等[18]以綠色信貸政策為例，認(rèn)為我國(guó)綠色金融政策應(yīng)強(qiáng)化對(duì)綠色企業(yè)以及高排放高污染企業(yè)的政策差異化。王艷麗等[19]從企業(yè)金融資源配置視角出發(fā)，發(fā)現(xiàn)綠色金融政策在改善企業(yè)投資不足傾向下又抑制了重污染企業(yè)的過(guò)度投資動(dòng)機(jī)，從微觀層面驗(yàn)證了綠色金融政策的有效性。在節(jié)能減排方面，高原等[1]研究發(fā)現(xiàn)綠色金融改革政策通過(guò)推動(dòng)綠色技術(shù)創(chuàng)新水平的進(jìn)步以及降低能源強(qiáng)度發(fā)揮出顯著的碳減排效應(yīng)且逐年遞增，但同時(shí)也發(fā)現(xiàn)綠色金融改革政策未發(fā)揮多污染物減排協(xié)同效應(yīng)，這為該領(lǐng)域研究提供了一個(gè)新的思路。

現(xiàn)有文獻(xiàn)為本文提供了有價(jià)值的借鑒與參考，綜合已有文獻(xiàn)，本文的邊際貢獻(xiàn)有：第一，在綠色金融水平的測(cè)度上，通過(guò)基于加速遺傳算法的投影尋蹤模型測(cè)算替代熵值法等傳統(tǒng)方法，其賦權(quán)與測(cè)度結(jié)果更加全面客觀；第二，關(guān)于綠色金融與碳排放強(qiáng)度的關(guān)系，現(xiàn)有研究較為稀少，故本文運(yùn)用空間計(jì)量方法探討綠色金融對(duì)我國(guó)碳排放強(qiáng)度的影響以及空間溢出效應(yīng)；第三，鑒于各省份資源稟賦等因素差異較大，現(xiàn)有文獻(xiàn)很少考慮碳排放區(qū)域異質(zhì)性問(wèn)題，本文采用高斯核密度估計(jì)方法繪制全國(guó)以及東中西三大區(qū)域的核密度估計(jì)圖來(lái)分析碳排放強(qiáng)度的空間分布動(dòng)態(tài)情況，從而因地制宜針對(duì)不同區(qū)域制定出科學(xué)合理的減排政策。

2 研究設(shè)計(jì)

本研究設(shè)計(jì)思路首先是通過(guò)基于加速遺傳算法的投影尋蹤模型賦予綠色金融指標(biāo)體系下各指標(biāo)的權(quán)重，從而確定出核心解釋變量綠色金融水平，并通過(guò)各數(shù)據(jù)庫(kù)與各統(tǒng)計(jì)年鑒搜集研究所需要的被解釋變量及各控制變量的相關(guān)數(shù)據(jù)。再對(duì)被解釋變量碳排放強(qiáng)度進(jìn)行空間自相關(guān)檢驗(yàn)，根據(jù)空間計(jì)量模型的不同形式設(shè)立出空間杜賓、空間滯后、空間誤差三種計(jì)量模型，利用Stata 17對(duì)不同模型進(jìn)行篩選，確定最終適合本研究的效應(yīng)模型進(jìn)行回歸分析并加以穩(wěn)健性檢驗(yàn)。最后運(yùn)用核密度估計(jì)圖刻畫出我國(guó)及三大區(qū)域在考察期內(nèi)碳排放強(qiáng)度的空間分布動(dòng)態(tài)特征，從而得出結(jié)論并予以相關(guān)政策建議。

2.1 綠色金融水平的測(cè)度

借鑒蔡強(qiáng)等[20]關(guān)于綠色金融水平指標(biāo)體系的構(gòu)建，本文選用綠色信貸、綠色證券、綠色投資、綠色保險(xiǎn)四個(gè)二級(jí)指標(biāo)綜合測(cè)度綠色金融發(fā)展水平。以高耗能工業(yè)利息占比作為綠色信貸的三級(jí)指標(biāo)，以高耗能行業(yè)市值占比作為綠色證券的三級(jí)指標(biāo)，以節(jié)能環(huán)保支出和環(huán)境污染治理作為綠色投資三級(jí)指標(biāo)的兩個(gè)方面，以農(nóng)業(yè)保險(xiǎn)規(guī)模和農(nóng)業(yè)保險(xiǎn)賠付率作為綠色保險(xiǎn)三級(jí)指標(biāo)的兩個(gè)方面，運(yùn)用投影尋蹤法對(duì)上述6 個(gè)基本指標(biāo)進(jìn)行賦權(quán)并測(cè)度綠色金融水平。

投影尋蹤法是由美國(guó)科學(xué)家KRUSCAL 在20 世紀(jì)70 年代提出的一種新興統(tǒng)計(jì)方法，主要用來(lái)分析處理非正態(tài)和非線性的高維復(fù)雜數(shù)據(jù)。其工作原理是先將較難反映數(shù)據(jù)結(jié)構(gòu)特征的高維數(shù)據(jù)通過(guò)計(jì)量軟件組合投影到低維子空間上，再通過(guò)建立投影目標(biāo)函數(shù)、設(shè)定約束條件找出目標(biāo)函數(shù)最大化的投影方向向量，從而依據(jù)低維空間上的投影方向向量分析高維復(fù)雜數(shù)據(jù)的結(jié)構(gòu)特征[21]。此方法相較于熵值法等傳統(tǒng)測(cè)度方法能夠最大限度減少綠色金融各指標(biāo)原始數(shù)據(jù)信息的損失，具有穩(wěn)健性、抗干擾性和準(zhǔn)確度高等優(yōu)點(diǎn)，并且對(duì)綠色金融指標(biāo)體系中各指標(biāo)賦權(quán)結(jié)果更加準(zhǔn)確、全面和客觀?；诩铀龠z傳算法的投影尋蹤模型賦權(quán)與測(cè)算步驟如下。

2.1.1 指標(biāo)數(shù)據(jù)的歸一化處理

為了消除由于量綱不同對(duì)數(shù)據(jù)產(chǎn)生的影響，我們對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理。設(shè)指標(biāo)值{x(p,q)|p=1, 2, ...,m;q=1, 2, ...,n}，其中x(p,q)為第p個(gè)省份的第q個(gè)指標(biāo)；m、n分別為樣本和指標(biāo)的個(gè)數(shù)。這里參考鄧楚雄等[22]的做法進(jìn)行極值歸一化處理：

式（1）、（2）中：Xmax(q)、Xmin(q)分別表示第q項(xiàng)指標(biāo)的最大值、最小值。正向指標(biāo)表示指標(biāo)值越大越好，負(fù)向指標(biāo)反之。

2.1.2 構(gòu)造投影目標(biāo)函數(shù)

將t維數(shù)據(jù){x(p,q)|q=1, 2, ...,t}(本文綠色金融指標(biāo)體系中包含6 項(xiàng)指標(biāo)，即t=6)合成以a=(a1,a2, …,an)為投影方向的一維投影值Gp。即：

定義綠色金融水平投影目標(biāo)函數(shù)為：

2.1.3 求解投影目標(biāo)函數(shù)

在各指標(biāo)數(shù)據(jù)給定時(shí)，綠色金融水平投影目標(biāo)函數(shù)Q(α)僅取決于投影方向α，其中最佳的投影方向就是最有可能暴露高維復(fù)雜數(shù)據(jù)特征結(jié)構(gòu)的投影方向。尋找最優(yōu)投影方向可以轉(zhuǎn)化為以下優(yōu)化問(wèn)題：

2.1.4 指標(biāo)賦權(quán)與測(cè)度

本文運(yùn)用加速遺傳算法克服傳統(tǒng)優(yōu)化函數(shù)計(jì)算上不足的缺點(diǎn)，通過(guò)Matlab 2021a 對(duì)上述步驟進(jìn)行完整的運(yùn)行，其中參數(shù)設(shè)置為：種群規(guī)模為400，交叉概率和變異概率分別為0.8 和0.2，優(yōu)化變量數(shù)即指標(biāo)個(gè)數(shù)為6，變異方向所需的隨機(jī)數(shù)為10，加速次數(shù)為7 次，兩代進(jìn)化后加速一次的限制數(shù)為2，通過(guò)運(yùn)行程序1 000 次，得到1 000 個(gè)投影方向和1 000 個(gè)目標(biāo)函數(shù)值，再由降序排列得到最大的目標(biāo)函數(shù)值，此目標(biāo)函數(shù)值對(duì)應(yīng)的即為最優(yōu)投影方向，最終測(cè)算出6 個(gè)指標(biāo)的權(quán)重分別為0.587 0、0.675 9、0.116 4、0.055 6、0.348 1、0.246 7，各指標(biāo)權(quán)重的平方和為1。將上述各權(quán)重帶入式（3），即可得到各省份在2010—2019 年的綠色金融水平Gp。

2.2 變量選取與數(shù)據(jù)說(shuō)明

2.2.1 被解釋變量

碳排放強(qiáng)度（CI）作為被解釋變量，用單位GDP 的二氧化碳排放量來(lái)表示。與碳排放總量、平均碳排放這兩類指標(biāo)相比較，碳排放強(qiáng)度在不同經(jīng)濟(jì)規(guī)模的樣本更具可比性。本文碳排放強(qiáng)度數(shù)據(jù)采用中國(guó)碳核算數(shù)據(jù)庫(kù)（CEADs）公布的各省基于表觀排放量核算法得出的二氧化碳排放量除以國(guó)家統(tǒng)計(jì)局公布的各省生產(chǎn)總值。

2.2.2 核心解釋變量

綠色金融水平（GF）作為核心解釋變量，其賦權(quán)與測(cè)度在上文已說(shuō)明，此處不再贅述。本文綠色金融水平指標(biāo)體系如表1 所示。其中綠色信貸和綠色證券數(shù)據(jù)來(lái)源于Wind 數(shù)據(jù)庫(kù)、國(guó)泰安（CSMAR）數(shù)據(jù)庫(kù)及各省份統(tǒng)計(jì)年鑒；綠色投資數(shù)據(jù)來(lái)源于國(guó)家統(tǒng)計(jì)局公布的《中國(guó)統(tǒng)計(jì)年鑒》、中經(jīng)網(wǎng)統(tǒng)計(jì)數(shù)據(jù)庫(kù)；綠色保險(xiǎn)相關(guān)數(shù)據(jù)來(lái)源于《中國(guó)保險(xiǎn)年鑒》、中經(jīng)網(wǎng)統(tǒng)計(jì)數(shù)據(jù)庫(kù)。個(gè)別數(shù)據(jù)缺失通過(guò)插值法、類推法進(jìn)行填補(bǔ)。

表1 綠色金融水平指標(biāo)體系

2.2.3 控制變量

能源消費(fèi)結(jié)構(gòu)（ES）。煤炭是我國(guó)的主要消費(fèi)能源，也是二氧化碳排放的主要來(lái)源，我國(guó)煤炭消耗占總能耗的比重年均超過(guò)60%，因此，選用煤炭消耗量占總能源消費(fèi)的比例衡量能源消費(fèi)結(jié)構(gòu)，數(shù)據(jù)來(lái)源于《中國(guó)能源統(tǒng)計(jì)年鑒》。

技術(shù)創(chuàng)新（R&D）。技術(shù)創(chuàng)新有利于節(jié)能減排技術(shù)的革新，從而有效抑制碳排放強(qiáng)度，此處用研究與試驗(yàn)發(fā)展經(jīng)費(fèi)投入強(qiáng)度來(lái)衡量，數(shù)據(jù)由EPS DATA 整理中國(guó)科技部、國(guó)家統(tǒng)計(jì)局公布的相關(guān)數(shù)據(jù)得到。

工業(yè)污染治理水平（GI）。碳排放強(qiáng)度的變化與工業(yè)污染治理水平相關(guān)，本文采用該領(lǐng)域研究的通行做法，控制工業(yè)污染治理投資總額的對(duì)數(shù)（lnGI），數(shù)據(jù)來(lái)源于《中國(guó)統(tǒng)計(jì)年鑒》。

經(jīng)濟(jì)發(fā)展水平（RGDP）。為緩解異方差性，用人均GDP 的自然對(duì)數(shù)（lnRGDP）作為控制變量，表示地區(qū)經(jīng)濟(jì)發(fā)展程度，數(shù)據(jù)來(lái)源于國(guó)家統(tǒng)計(jì)局。

教育程度（EDU）。隨著我國(guó)人口素質(zhì)的不斷提升，環(huán)保意識(shí)逐漸增強(qiáng)，進(jìn)一步影響碳減排水平，使用教育經(jīng)費(fèi)投入占GDP 比重作為控制變量，數(shù)據(jù)來(lái)源于國(guó)家統(tǒng)計(jì)局。

2.3 變量描述性統(tǒng)計(jì)

各變量描述性統(tǒng)計(jì)如表2 所示，同時(shí)對(duì)各變量進(jìn)行了方差膨脹因子（VIF）檢驗(yàn)，結(jié)果均遠(yuǎn)小于10，表明各變量不存在嚴(yán)重的多重共線性。

表2 變量描述性統(tǒng)計(jì)

2.4 模型設(shè)定

根據(jù)空間面板計(jì)量模型主要類型，不僅要考慮本地區(qū)綠色金融水平、技術(shù)、能源消費(fèi)結(jié)構(gòu)等因素對(duì)碳排放強(qiáng)度的影響，也要考慮鄰近省份各變量對(duì)本地區(qū)的影響。因此，本文首先構(gòu)建空間杜賓面板模型（SDM）：

式中：CIit、GFit、Xit分別表示省份i在t時(shí)期的碳排放強(qiáng)度、綠色金融水平以及各控制變量。βi是回歸系數(shù)，ρ表示碳排放強(qiáng)度空間滯后項(xiàng)的系數(shù)，αi是綠色金融水平及控制變量空間滯后項(xiàng)的系數(shù)，εit表示隨機(jī)擾動(dòng)項(xiàng)。Wij是空間權(quán)重矩陣，本文使用空間地理權(quán)重矩陣，具體定義如下：其中，dij表示各省域間省會(huì)的球面距離。

就我國(guó)不同省份而言，一省的碳排放強(qiáng)度變化會(huì)受到鄰近省域碳排放強(qiáng)度水平的影響，因此構(gòu)建空間滯后模型（SLM）：

影響碳排放強(qiáng)度的因素諸多，除本文選取的、能源消費(fèi)結(jié)構(gòu)、人口規(guī)模等因素外，可能還會(huì)受到如地理位置、資源稟賦、環(huán)境狀況、產(chǎn)業(yè)結(jié)構(gòu)等因素的影響，因此構(gòu)建空間誤差模型（SEM）：

3 實(shí)證研究

3.1 空間相關(guān)性檢驗(yàn)

3.1.1 全局空間相關(guān)性檢驗(yàn)

為考察地區(qū)之間碳排放強(qiáng)度的總體相關(guān)程度，采用global Moran’s I 指數(shù)即全局Moran’s I 指數(shù)對(duì)全局空間相關(guān)性進(jìn)行測(cè)度，計(jì)算公式如下：

全局Moran’s I 指數(shù)用于測(cè)度區(qū)域間碳排放強(qiáng)度總體相關(guān)程度。式（9）中，n表示我國(guó)30 個(gè)省份（西藏及港澳臺(tái)地區(qū)除外，下同），Wij為空間地理權(quán)重矩陣，x和為各省份碳排放強(qiáng)度及其均值，s2為方差。全局Moran’s I 的取值范圍是[-1, 1]，大于0 表示空間正相關(guān)，即碳排放強(qiáng)度高的地區(qū)與一個(gè)或者多個(gè)碳排放強(qiáng)度高值區(qū)接壤，或者碳排放強(qiáng)度低的地區(qū)與一個(gè)或者多個(gè)碳排放強(qiáng)度低值區(qū)接壤。反之當(dāng)其小于0，表示空間負(fù)相關(guān)，即碳排放強(qiáng)度低值區(qū)被一個(gè)或多個(gè)高值區(qū)包圍，或者高值區(qū)被一個(gè)或者多個(gè)低值區(qū)包圍。

2010—2019 年我國(guó)30 個(gè)省份碳排放強(qiáng)度的全局Moran’s I 指數(shù)值如表3 所示。由表3 可以看出，Moran’s I 指數(shù)均為正，且通過(guò)1%的顯著性水平檢驗(yàn)，表明我國(guó)碳排放強(qiáng)度分布呈現(xiàn)出高—高集聚和低—低集聚的空間分布格局；在2010—2019 年，Moran’s I 指數(shù)值總體穩(wěn)定，表明空間正相關(guān)的區(qū)域特征較為穩(wěn)定。

表3 2010—2019年我國(guó)30個(gè)省份碳排放強(qiáng)度的全局Moran’s I統(tǒng)計(jì)指標(biāo)

3.1.2 局部空間相關(guān)性檢驗(yàn)

盡管全局Moran’s I 指數(shù)反映了我國(guó)碳排放強(qiáng)度整體的空間分布特征，但局部地區(qū)的非典型空間特征也不容忽視，因此引入局域空間相關(guān)性指標(biāo)（LISA）進(jìn)行測(cè)度，觀測(cè)局部地區(qū)碳排放強(qiáng)度的空間相關(guān)性[23]。其計(jì)算公式為：

式中：local Moran’sI測(cè)度的是i區(qū)域與相鄰區(qū)域碳排放強(qiáng)度的相關(guān)程度，x、n、Wij、s2的含義同式（9）。local Moran’sI大于0，表示i省份與周圍省域的碳排放強(qiáng)度呈現(xiàn)空間正相關(guān)，即存在相似碳排放強(qiáng)度的地區(qū)集聚現(xiàn)象；反之小于0，表示i省份與周圍省域的碳排放強(qiáng)度呈現(xiàn)空間負(fù)相關(guān)，即存在相異碳排放強(qiáng)度的地區(qū)集聚現(xiàn)象。

本文分別制作了2010 年和2019 年我國(guó)30 個(gè)省份的碳排放強(qiáng)度local Moran’s I 散點(diǎn)圖，如圖1、圖2 所示，兩幅圖均以碳排放強(qiáng)度平均值為原點(diǎn)，橫坐標(biāo)表示標(biāo)準(zhǔn)化后的碳排放強(qiáng)度，縱坐標(biāo)表示空間加權(quán)后的碳排放強(qiáng)度，編號(hào)1 ～30 分別表示30 個(gè)不同省份。第一、第三象限分別表示省域之間高—高集聚的正相關(guān)和低—低集聚的正相關(guān)，第二、第四象限的省份為非典型觀測(cè)區(qū)。結(jié)果顯示，絕大部分省份均落在典型觀測(cè)區(qū)域，再次證明了碳排放強(qiáng)度空間正相關(guān)。

圖1 2010年CI局部Moran散點(diǎn)圖

圖2 2019年CI局部Moran散點(diǎn)圖

3.2 模型選擇檢驗(yàn)

首先通過(guò)LM 檢驗(yàn)選擇空間計(jì)量模型的具體類型，由表4 可知，LM-Error、LM-Lag、Robust、LM-Error和Robust LM-Lag 統(tǒng)計(jì)量均通過(guò)了1%的顯著性水平檢驗(yàn)，表明SLM 模型與SEM 模型均適用，因此我們選擇更為全面的SDM 模型來(lái)進(jìn)行實(shí)證分析。進(jìn)一步通過(guò)LR檢驗(yàn)，其統(tǒng)計(jì)量在1%顯著性水平拒絕SDM 模型會(huì)退化成SLM 或SEM 模型的原假設(shè)，再次確定選擇SDM模型。同時(shí)由Hausman 檢驗(yàn)結(jié)果顯示，應(yīng)選擇固定效應(yīng)模型，由于研究時(shí)間跨度相對(duì)較長(zhǎng)，受時(shí)間因素影響較大，因此本文最終確定選擇時(shí)間固定效應(yīng)的空間杜賓模型來(lái)進(jìn)行實(shí)證研究。

表4 模型選擇檢驗(yàn)

3.3 回歸分析

本文運(yùn)用Stata 17 對(duì)基于時(shí)間固定效應(yīng)的空間杜賓模型進(jìn)行參數(shù)估計(jì)，估計(jì)結(jié)果如表5 所示。

從核心解釋變量（GF）來(lái)看，綠色金融對(duì)碳排放強(qiáng)度的系數(shù)為-0.008 9，通過(guò)了10%的顯著性水平檢驗(yàn)，表明隨著綠色金融的發(fā)展，碳排放強(qiáng)度能夠得到有效的抑制。同時(shí)，綠色金融的空間滯后項(xiàng)系數(shù)-0.293 1 在1%水平下顯著為負(fù)，這意味著綠色金融對(duì)碳排放強(qiáng)度具有顯著的空間傳導(dǎo)作用，即在相鄰近的省份之間表現(xiàn)出顯著的負(fù)向空間溢出效應(yīng)。本省域綠色金融水平的提高，能夠引導(dǎo)資金進(jìn)入本省及周邊地區(qū)綠色產(chǎn)業(yè)，有效降低其融資成本，有利于擴(kuò)大綠色企業(yè)的規(guī)模和數(shù)量，進(jìn)一步降低高耗能、高排放產(chǎn)業(yè)的比重，從而顯著降低本省及周邊省份的碳排放強(qiáng)度，促進(jìn)其碳減排工作。這表明我國(guó)各省份之間綠色金融發(fā)展相互促進(jìn)碳減排的格局正在逐步形成。

從各控制變量來(lái)看，能源消費(fèi)結(jié)構(gòu)的主回歸及空間滯后項(xiàng)估計(jì)系數(shù)均在1%的水平上顯著為正，這意味著通過(guò)降低煤炭消費(fèi)在能源總消費(fèi)中的比例有利于降低本省及周邊地區(qū)碳排放強(qiáng)度，然而煤炭消耗是二氧化碳排放的主要來(lái)源，我國(guó)以煤炭消費(fèi)為主的能源消費(fèi)結(jié)構(gòu)仍然是降低碳排放強(qiáng)度的最大瓶頸；技術(shù)創(chuàng)新水平系數(shù)不僅在主回歸上顯著為負(fù)，其空間滯后項(xiàng)系數(shù)也顯著為負(fù)，表明技術(shù)創(chuàng)新水平的進(jìn)步能夠降低本省以及周邊省域的碳排放強(qiáng)度，尤其是隨著低碳技術(shù)水平的發(fā)展，開發(fā)綠色技術(shù)來(lái)進(jìn)行生產(chǎn)活動(dòng)受到了眾多企業(yè)的關(guān)注，從而促進(jìn)企業(yè)生產(chǎn)的綠色化和低碳化；經(jīng)濟(jì)發(fā)展水平對(duì)碳排放強(qiáng)度直接影響是顯著為負(fù)的，這說(shuō)明隨著地區(qū)經(jīng)濟(jì)發(fā)展水平的提高，在發(fā)展的同時(shí)也注重環(huán)境質(zhì)量的改善，從而促進(jìn)碳減排工作的開展。此外，其空間溢出效應(yīng)不顯著，表明周邊地區(qū)經(jīng)濟(jì)增長(zhǎng)對(duì)本地區(qū)碳強(qiáng)度的影響不明顯；工業(yè)治理投資和教育程度對(duì)碳強(qiáng)度的影響均顯著為正，這可能是因?yàn)榻?jīng)濟(jì)更發(fā)達(dá)的地區(qū)給予污染治理和教育的投資更多，但經(jīng)濟(jì)發(fā)展水平高的地區(qū)人口密集，產(chǎn)業(yè)集中，能源消耗更大，從而在一定程度上增加了碳排放強(qiáng)度，然而教育的空間滯后項(xiàng)系數(shù)顯著為負(fù)，即周邊省份教育水平的提高有利于降低本省碳排放強(qiáng)度。這說(shuō)明隨著周邊地區(qū)受教育程度的提高，人們的環(huán)保意識(shí)，人口素質(zhì)均得到有效提升，對(duì)本地區(qū)市民產(chǎn)生潛移默化的影響，增強(qiáng)其綠色出行、節(jié)能減排意識(shí)，進(jìn)一步地降低本地區(qū)碳排放強(qiáng)度。

此外，本文進(jìn)行綠色金融及其他控制變量對(duì)碳排放強(qiáng)度影響的空間效應(yīng)分解，其估計(jì)結(jié)果如表6 所示，除了直接效應(yīng)無(wú)論是間接效應(yīng)還是總效應(yīng)，綠色金融對(duì)碳強(qiáng)度影響的彈性系數(shù)均在1%水平上顯著為負(fù)，再一次證實(shí)了綠色金融不僅對(duì)本地區(qū)碳排放強(qiáng)度有影響，還存在著顯著的負(fù)向空間溢出效應(yīng)。究其原因，可能是綠色金融在初始發(fā)展階段上需要政府帶頭出臺(tái)相關(guān)政策來(lái)主導(dǎo)，在國(guó)家節(jié)能減排的大方針下，各地區(qū)政府在減排降碳之間存在著一定的競(jìng)爭(zhēng)效應(yīng)，因此在一定程度上一個(gè)區(qū)域綠色金融的發(fā)展會(huì)對(duì)本地及周邊地區(qū)產(chǎn)生正的外部性，從而在區(qū)域之間形成良性循環(huán)。此外，對(duì)高碳排放、高污染企業(yè)的融資限制也倒逼其減少碳排放，尋求轉(zhuǎn)型發(fā)展，同時(shí)，這種“警示效應(yīng)”對(duì)周邊地區(qū)企業(yè)的轉(zhuǎn)型升級(jí)與節(jié)能減排也有著深遠(yuǎn)的影響。另外，其余各控制變量直接效應(yīng)與總效應(yīng)與主回歸估計(jì)結(jié)果總體上結(jié)論一致。

表6 綠色金融對(duì)碳排放強(qiáng)度影響的空間效應(yīng)分解

3.4 碳排放強(qiáng)度空間分布動(dòng)態(tài)分析

為進(jìn)一步分析我國(guó)不同區(qū)域在研究期內(nèi)碳排放強(qiáng)度的動(dòng)態(tài)演進(jìn)及內(nèi)部差異，采用核密度估計(jì)方法進(jìn)行分析。核密度估計(jì)是一種采用平滑的峰值函數(shù)擬合樣本數(shù)據(jù)，利用連續(xù)的概率密度曲線描述變量動(dòng)態(tài)演進(jìn)的一種非參數(shù)估計(jì)方法，能夠有效捕捉到數(shù)據(jù)分布的客觀實(shí)際[24]。隨機(jī)變量X在點(diǎn)x的概率密度公式為：

式中：n為樣本觀測(cè)值個(gè)數(shù)；Xi為獨(dú)立同分布的觀測(cè)值；為均值；h為帶寬。為不失一般性，本文選擇較為常用的高斯核函數(shù)進(jìn)行分布動(dòng)態(tài)研究，其表達(dá)式如下：

本文運(yùn)用Matlab2021a 繪制了全國(guó)以及東部、中部、西部三大區(qū)域①根據(jù)國(guó)家統(tǒng)計(jì)局分類的三大地區(qū)為：東部地區(qū)，包括北京、天津、河北、遼寧、上海、江蘇、浙江、福建、山東、廣東、海南；中部地區(qū)，包括山西、吉林、黑龍江、安徽、江西、河南、湖北、湖南；西部地區(qū)，包括內(nèi)蒙古、廣西、重慶、四川、貴州、云南、西藏、陜西、甘肅、青海、寧夏、新疆。2010—2019 年碳排放強(qiáng)度的核密度估計(jì)圖，如圖3 所示。首先，圖3（a）為全國(guó)區(qū)域內(nèi)碳排放強(qiáng)度核密度估計(jì)圖。從分布位置來(lái)看，考察期內(nèi)全國(guó)范圍總體碳強(qiáng)度分布曲線主峰處于較低水平的位置，相對(duì)較高水平位置存在兩個(gè)側(cè)峰，說(shuō)明大多數(shù)省份碳排放強(qiáng)度較低，有個(gè)別省份碳強(qiáng)度水平較高，但無(wú)論是主峰還是側(cè)峰都存在逐漸左移的趨勢(shì)，表明我國(guó)總體碳排放強(qiáng)度不斷降低；從分布態(tài)勢(shì)來(lái)看，主峰峰值不斷增加且寬度變窄，說(shuō)明在主峰聚集的省份增多，各省份碳強(qiáng)度水平差距有縮小的趨勢(shì)；從分布延展性來(lái)看，分布曲線表現(xiàn)出較為明顯的右拖尾現(xiàn)象且延展性變窄，表明有部分省份碳排放強(qiáng)度仍高于全國(guó)平均水平，但這種差距在逐年縮小；從極化趨勢(shì)來(lái)看，分布曲線呈現(xiàn)較為明顯的“單峰”，不存在多極分化特征，但仍然存在峰值較低的側(cè)峰。自從黨的十八大以來(lái)，綠色環(huán)保、節(jié)能減排理念的逐步深入引導(dǎo)著相關(guān)政策的實(shí)施，盡管由于部分省份資源稟賦、產(chǎn)業(yè)結(jié)構(gòu)的差異導(dǎo)致碳強(qiáng)度仍然處于較高水平，但我國(guó)碳排放強(qiáng)度整體上呈現(xiàn)出逐步降低的趨勢(shì)，在實(shí)現(xiàn)“雙碳”目標(biāo)進(jìn)程中邁出了重要的一步。

圖3 全國(guó)及東部、中部、西部區(qū)域碳排放強(qiáng)度核密度估計(jì)圖

圖3 （b）為東部地區(qū)碳排放強(qiáng)度核密度估計(jì)圖，其分布曲線呈現(xiàn)出明顯的“單峰”狀且峰值逐年增加，曲線整體逐漸左移、寬度變窄，表明我國(guó)東部地區(qū)碳排放強(qiáng)度整體上處于較低的水平，并且各省之間碳強(qiáng)度水平差距逐漸縮小。東部地區(qū)為我國(guó)經(jīng)濟(jì)較發(fā)達(dá)的地區(qū)，其在經(jīng)濟(jì)發(fā)展中不斷將能源密集型產(chǎn)業(yè)轉(zhuǎn)移到中西部地區(qū)，由于產(chǎn)業(yè)關(guān)聯(lián)效應(yīng)及行業(yè)間外部性的刺激，轉(zhuǎn)出產(chǎn)業(yè)的相關(guān)產(chǎn)業(yè)也會(huì)共同遷移，從而產(chǎn)生正的外部性，隨著高碳排放、高污染企業(yè)的轉(zhuǎn)出，帶動(dòng)地區(qū)碳強(qiáng)度的降低。

圖3（c）為中部地區(qū)碳排放強(qiáng)度核密度估計(jì)圖，其分布曲線包含了主峰和側(cè)峰，主峰峰值不斷增加且寬度逐漸變窄，整體左移并存在一定的右拖尾現(xiàn)象，表明中部地區(qū)整體碳排放強(qiáng)度相對(duì)較低，但是省份之間仍有一定的差距。通過(guò)控制省份發(fā)現(xiàn)，側(cè)峰的出現(xiàn)源于山西省，其中在2013 年出現(xiàn)斷檔，究其原因，在“十二五”期間，山西省不斷加大現(xiàn)代化礦井建設(shè)力度，煤炭開采能力大幅提高，尤其通過(guò)實(shí)施煤炭資源整合與企業(yè)兼并重組，山西煤炭走上集約化發(fā)展道路[25]。2013 年，其原煤產(chǎn)量大幅提高，相對(duì)應(yīng)的二氧化碳排放量也隨之增大。側(cè)峰自2013 年之后也呈現(xiàn)出左移的趨勢(shì)，表明山西省碳強(qiáng)度雖然仍處于較高水平但也在逐年降低。

圖3（d）為西部地區(qū)碳排放強(qiáng)度核密度估計(jì)圖，其分布曲線呈現(xiàn)出“多極化”特征，雙主峰及側(cè)峰整體上有左移趨勢(shì)且峰值逐年增大，各峰值之間存在一定的落差，曲線呈現(xiàn)出右拖尾現(xiàn)象且延展性逐年變窄，表明西部地區(qū)整體碳排放強(qiáng)度逐年降低，然而各省份之間碳強(qiáng)度水平還存在一定的差異，高排放省份仍有不少。這是因?yàn)槲鞑康貐^(qū)大部分省份煤炭等化石燃料資源豐富，成了地區(qū)經(jīng)濟(jì)發(fā)展的主要依靠，加上東部地區(qū)轉(zhuǎn)移過(guò)來(lái)高耗能高排放企業(yè)，使得地區(qū)產(chǎn)業(yè)結(jié)構(gòu)與工業(yè)結(jié)構(gòu)失衡，從而擁有著相對(duì)于其他地區(qū)較高的碳強(qiáng)度水平。隨著國(guó)家政策方針的指引，西部地區(qū)總體碳排放強(qiáng)度水平不斷降低逐漸向全國(guó)平均水平靠攏。

3.5 穩(wěn)健性檢驗(yàn)

為進(jìn)一步檢驗(yàn)空間回歸結(jié)果的可靠性，本文用替換核心變量及更換空間權(quán)重矩陣的方法進(jìn)行穩(wěn)健性檢驗(yàn)。由于綠色信貸在綠色金融中所占比重較高，因此用綠色信貸（GC）替代式（6）中的綠色金融（GF），并且將空間地理權(quán)重矩陣更換為更為普遍的空間鄰接權(quán)重矩陣，估計(jì)結(jié)果具體參數(shù)值的大小略有波動(dòng)，總體上與表5 中的回歸結(jié)果參數(shù)高度吻合，如表7 所示。

表7 穩(wěn)健性檢驗(yàn)

4 結(jié)論與建議

為了順利實(shí)現(xiàn)“碳達(dá)峰、碳中和”目標(biāo)，降低碳排放強(qiáng)度迫在眉睫。系統(tǒng)研究綠色金融對(duì)我國(guó)碳排放強(qiáng)度的影響以及把握各區(qū)域碳排放強(qiáng)度的核心驅(qū)動(dòng)力具有重要的理論意義和現(xiàn)實(shí)價(jià)值。通過(guò)以上研究，得出以下結(jié)論。

（1）綠色金融對(duì)碳排放強(qiáng)度有著顯著的負(fù)向影響以及空間溢出效應(yīng)。綠色金融水平的提升不僅能夠通過(guò)引導(dǎo)資金進(jìn)入本地區(qū)綠色產(chǎn)業(yè)，有效降低其融資成本，進(jìn)一步擴(kuò)大綠色企業(yè)的規(guī)模和數(shù)量，從而有效地降低本地區(qū)碳排放強(qiáng)度，而且對(duì)周邊地區(qū)碳排放強(qiáng)度水平具有顯著的抑制作用。這意味著我國(guó)各省份之間綠色金融發(fā)展相互促進(jìn)碳減排的格局正在逐步形成。

（2）能源消費(fèi)結(jié)構(gòu)的優(yōu)化與技術(shù)進(jìn)步能夠顯著地降低碳排放強(qiáng)度。低碳技術(shù)水平的進(jìn)步及以煤炭消耗為主的能源消費(fèi)結(jié)構(gòu)的優(yōu)化不僅有助于降低本地區(qū)碳排放強(qiáng)度，其對(duì)周邊地區(qū)碳強(qiáng)度也有著制約作用。此外，經(jīng)濟(jì)發(fā)展水平的提高、人們受教育程度的增強(qiáng)，環(huán)保意識(shí)的提升均不同程度上促進(jìn)了碳強(qiáng)度的降低。

（3）我國(guó)碳排放強(qiáng)度時(shí)空分布具有差異性。其中，東部地區(qū)碳強(qiáng)度整體水平較低，中部地區(qū)除個(gè)別省份較高，其他省份整體碳強(qiáng)度相對(duì)較低，西部地區(qū)由于資源稟賦、產(chǎn)業(yè)結(jié)構(gòu)等相較于中東部地區(qū)有較大差異，所以其碳排放強(qiáng)度相對(duì)較高，但三大區(qū)域以及全國(guó)整體碳強(qiáng)度水平在考察期內(nèi)逐年降低。

基于以上研究結(jié)論，本文提出以下建議：

（1）建立健全綠色金融政策發(fā)展體系與綠色金融市場(chǎng)體系。政府應(yīng)不斷推進(jìn)與社會(huì)資本的合作進(jìn)程，加強(qiáng)綠色金融試點(diǎn)地區(qū)的政策支持力度，通過(guò)財(cái)政補(bǔ)貼等形式對(duì)合規(guī)的綠色信貸、綠色債券、保險(xiǎn)等項(xiàng)目進(jìn)行獎(jiǎng)補(bǔ)，滿足其投融資需求，進(jìn)一步提高市場(chǎng)整體競(jìng)爭(zhēng)力。

（2）協(xié)調(diào)綠色金融領(lǐng)域與各領(lǐng)域之間共同發(fā)展，促進(jìn)綠色金融產(chǎn)品多樣化。提高綠色金融與其他金融供給的協(xié)同性有助于促進(jìn)綠色金融重點(diǎn)發(fā)展領(lǐng)域內(nèi)的合作，打造例如科技金融、普惠金融、供應(yīng)鏈金融等“綠色+”金融體系[26]。同時(shí)引導(dǎo)資本注入綠色金融領(lǐng)域，不斷豐富發(fā)展綠色信貸、綠色風(fēng)投、綠色債券、綠色基金等綠色金融產(chǎn)品。

（3）提高綠色低碳技術(shù)水平的創(chuàng)新與發(fā)展，健全綠色技術(shù)知識(shí)產(chǎn)權(quán)管理保護(hù)機(jī)制。在“碳中和”目標(biāo)的驅(qū)動(dòng)下，我國(guó)新能源、數(shù)字經(jīng)濟(jì)等新興產(chǎn)業(yè)將不斷轉(zhuǎn)型升級(jí)，而綠色低碳技術(shù)的發(fā)展將在這個(gè)過(guò)程中發(fā)揮出重大的作用。

（4）增強(qiáng)對(duì)非化石能源行業(yè)的支持，調(diào)整優(yōu)化能源消費(fèi)結(jié)構(gòu)。在“雙碳”目標(biāo)大背景下，應(yīng)嚴(yán)格控制煤炭等化石能源的消耗，大力推進(jìn)新能源產(chǎn)業(yè)的應(yīng)用與發(fā)展，這在新一輪能源革命及科技產(chǎn)業(yè)革命中意義重大，是降碳減排的重要源動(dòng)力。

（5）針對(duì)我國(guó)不同區(qū)域之間碳排放強(qiáng)度的差異，在中西部高碳排放強(qiáng)度集聚區(qū)，地方政府應(yīng)科學(xué)、合理規(guī)劃承接高耗能高排放產(chǎn)業(yè)的轉(zhuǎn)入，降低其所帶來(lái)的負(fù)外部性影響，加快清潔能源建設(shè)，穩(wěn)步推進(jìn)節(jié)能減排進(jìn)程。在東部低碳排放強(qiáng)度集聚區(qū)，應(yīng)進(jìn)一步提高人口素質(zhì)，增強(qiáng)低碳環(huán)保意識(shí)，并優(yōu)化完善公共交通系統(tǒng)，提高公共交通工具的利用率，減少高人口規(guī)模對(duì)碳排放帶來(lái)的負(fù)面影響。