【绿色金融对雾霾污染的影响实证探究19000字（论文）】

)5.1.2变量选取与说明（1）被解释变量雾霾浓度（PM2.5）。由于国内PM2.5长期数据缺失，本文采用加拿大达尔豪斯大学发布的中国省域数据来表示30个省、自治区和直辖市（不含港澳台和西藏）的PM2.5浓度值，该数据在相关研究中得到广泛认可和应用，可信度较高。（2）核心解释变量绿色金融（GF）。根据前文构建的绿色金融发展评价指标体系，测算得2013-2018年我国30个省（市、区）地方绿色金融发展指数。（3）控制变量产出水平（GDP）。为了控制价格水平变化对GDP的影响，本文以2013年为基年，使用经过GDP平减指数处理后得到的地区人均实际GDP来反映产出水平。产业结构（INDUS）。第二产业的化石燃料燃烧及建筑扬尘是我国PM2.5的主要来源，考虑到产业增加值更能反应生产活动的净效果，本文采用地区第二产业增加值占GDP的比重来衡量产业结构，并预期其系数为正。技术进步（TECH）。本文选取各省研究与试验发展（R&D）经费内部支出占GDP的比重衡量技术进步，并预期其系数为负。外商直接投资（FDI）。目前国内外学者对FDI与环境污染的关系的认识主要有两种：一是“污染避难所假说”，认为跨国企业为了规避严格的环境规制和较高的环境成本，将企业从发达国家转移到环境规制较弱或者环境成本较低的发展中国家；二是“污染光环”假说，认为由于母国存在严格的环境管理，跨国企业往往具备较为清洁的生产技术和管理水平，在对外投资过程中能通过知识扩散、技术外溢等效应促进东道国的环保技术发展。本文以地区外商投资企业总额占GDP比重作为衡量外商直接投资的指标，其中外商投资企业总额按照当年平均汇率折算成人民币。能源结构（ENE）。目前我国的能源消费结构仍以煤炭为主，而煤炭的消费是我国PM2.5的主要来源之一，所以本文将煤炭消费占能源消费总量的比重来衡量能源结构，并预期其系数为正。人口密度（POP）。一般而言，人口密度越高，地区的社会活动越频繁，越有可能对环境造成不良影响（黄寿峰，2017）。但邵帅等（2016）认为人口密度增加可以通过集聚效应提高公共交通分担率和资源使用效率，从而缓解雾霾污染。本文用各地区每平方公里上的人口数表示人口密度。交通运输（TRAN）。交通运输会导致机动车尾气污染排放，其中的CO、SO2是PM2.5一次排放和二次形成的重要成分。故本文以各地区每平方公里上的公路里程数表示交通运输状况，并预期其系数为正。绿化程度（GREEN）。一般认为，绿色植被能够吸收空气中的微小颗粒物，对雾霾污染产生缓解作用。本文用绿地面积占建成区面积比例来反映绿化程度，并预期其系数为负。以上的控制变量数据来源于《中国统计年鉴》、《中国能源统计年鉴》、各省的统计年鉴、WIND及CSMAR数据库等。表5-1变量说明与描述性统计Table5-1Variabledescriptionanddescriptivestatistics变量均值最小值最大值标准差单位雾霾浓度PM2.523.20198.010083.607614.9918μg/m3绿色金融GF38.848519.341158.96147.8919%产出水平GDP5.82922.315114.09952.5828万元/人产业结构INDUS1.3030-26.186811.26904.0687%技术进步TECH1.65570.45836.01371.1093%外商直接投资FDI0.30420.00581.27790.2328%能源结构ENE38.65891.632366.642914.3928%人口密度POP467.45387.99933825.6920699.3341人/平方公里交通运输TRAN0.94480.09712.10110.5009公里/平方公里绿化程度GREEN39.434329.790049.13003.5225%5.2实证结果分析本文使用stata15软件，首先对中国30个省（市、区）进行全样本回归；再按照东、中、西部进行分区域回归；最后进行稳健性检验，一是使用S-GMM和动态面板模型解决模型可能存在的内生性问题，二是将工业固体废物产生量作为PM2.5的替代变量。此外，根据Hausman检验结果，全样本和分区域回归均应采用固定效应。5.2.1全国范围回归结果分析表5-2展示了2013-2018年全国范围内的绿色金融对雾霾污染影响的全样本模型回归结果。（1）绿色金融对雾霾污染的影响研究模型1-2检验绿色金融影响雾霾污染的总效应，模型1控制了省份效应，模型2控制了省份效应和时间效应。这两个模型中，模型2调整后的R2为0.8217，结果更可靠，但由于在控制了所有控制变量的基础上，还控制了所有的固定效应，相较模型1系数的显著性更弱。为了均衡模型的稳健性与变异性识别，本文选取模型1，之后考虑交互项的模型也以此为基础。模型1和2的回归结果均显示绿色金融对雾霾污染的综合影响效应为负，且在1%的水平上显著，说明绿色金融的发展能够改善我国的环境空气质量，假说4得到验证。关于经济增长与雾霾污染之间的关系，模型1和2中GDP的一次和三次项系数为负，二次项系数为正，且均显著，说明在绿色金融影响下，经济增长同雾霾污染之间呈倒“N”型。当经济增长位于倒“N”型的第一阶段和第三阶段，即下降阶段时，经济增长使PM2.5浓度降低；当位于第二阶段即上升阶段时，经济增长反使PM2.5浓度提高。控制变量中，技术进步在5%的显著性水平上对雾霾污染的影响为负，说明技术进步有助于减轻雾霾污染；能源结构在1%的显著性水平上对雾霾污染的影响为正，说明煤炭消费的增加会加剧雾霾污染，两者均与预期结论一致。人口密度变量的系数为负，且在1%的水平上显著，说明人口密度的增加能缓解雾霾污染，与邵帅等（2016）的结论一致。此外，外商直接投资对雾霾污染的影响为负，符合“污染光环”假说，说明中国通过引入外商投资降低了国内的雾霾污染水平，但此结果并不显著。产业结构、交通运输对雾霾污染呈正向影响，与预期结论一致，不过也并不显著。（2）绿色金融影响雾霾污染的机制路径研究模型3-5以模型1为基准，考虑省份固定效应。为了变量形式更为简便清晰，本文设定co_GDP=lnGF*lnGDP，co_INDUS=lnGF*lnINDUS，co_TECH=lnGF*lnTECH。此外，本节内容主要考察绿色金融影响雾霾污染的机制路径，即绿色金融与相应控制变量交互项对雾霾污染的影响，为了避免控制过多的变量，本节剔除了GDP二次项和三次项的控制变量。模型3的结果显示，绿色金融与产出水平的交互项系数为正，说明绿色金融通过促进经济增长加剧了中国的雾霾污染，绿色金融对雾霾污染的规模效应为正，但此结果并不显著。结合上文对经济增长同雾霾污染关系的研究，侧面说明了我国经济发展正处于倒“N”型的第二阶段。模型4的结果显示，绿色金融与产业结构的交互项系数为正，绿色金融对雾霾污染的结构效应为负，与预期结论一致，不过此结果也不显著。模型5的结果显示，绿色金融与技术进步的交互项系数显著为负，说明绿色金融通过促进技术进步会提高我国环境空气质量，绿色金融对雾霾污染的技术效应为负，与预期理论一致，假说3得到验证。综上所述，全样本模型回归结果证实了假说3和假说4，假说1和假说2的实证结果并不显著。结果表明，绿色金融发展有助于改善我国的雾霾污染，绿色金融对雾霾污染的综合效应为负。但目前绿色金融仅通过技术进步对雾霾污染的影响显著为负，通过影响产出水平和产业结构对雾霾污染产生的影响并不显著，说明绿色金融主要是通过技术效应影响雾霾污染，还可能是除了目前的三种影响机制，存在其他的影响机制路径。

表5-2全样本模型回归结果Table5-2Fullsamplemodelregressionresults被解释变量总效应研究传导机制研究lnPM2.5模型1模型2模型3模型4模型5lnGF-0.8982***-0.8876***-1.0253***0.6546-0.8958***(0.0429)(0.0982)(0.1450)(1.1487)(0.0419)lnGDP-3.2506*-3.5222*0.60920.9218***1.1053***(1.8935)(1.9844)(0.4730)(0.2860)(0.2841)lnGDP22.4802**2.6705**(1.1490)(1.2181)lnGDP3-0.4573**-0.4927**(0.2234)(0.2368)lnINDUS0.02970.03620.02011.66170.0192(0.0714)(0.0753)(0.0722)(1.2116)(0.0699)lnTECH-0.4677**-0.4373**-0.4665**-0.4504**0.2513(0.1835)(0.1886)(0.1859)(0.1857)(0.2980)co_GDP0.0878(0.1019)co_INDUS0.4481(0.3296)co_TECH-0.2074***(0.0674)lnFDI-0.0538-0.0594-0.0409-0.0470-0.0298(0.0424)(0.0458)(0.0423)(0.0423)(0.0412)lnENE0.1360***0.07110.07280.08330.1088(0.0431)(0.048)(0.0999)(0.0978)(0.0953)lnPOP-4.8666***-5.0145***-4.4561**-4.1757**-4.4822**(1.7872)(1.9136)(1.7941)(1.7870)(1.7370)lnTRAN0.55870.50900.78070.75860.4830(0.5134)(0.5232)(0.4963)(0.4944)(0.4905)lnGREEN0.77160.88530.70230.61880.5690(0.5419)(0.5675)(0.5457)(0.5485)(0.5313)_cons31.0979***31.6009***27.3472***20.0038*27.3148***(9.4795)(9.9373)(9.4303)(10.4044)(9.0805)省份效应是是是是是时间效应否是否否否观测值180180180180180调整R20.81990.82170.81410.81560.8250注：***、**、*表示估计结果在0.01、0.05、0.1的水平上显著；括号内的数字为稳健标准误。5.2.2异质性分析由于不同地区的经济发展差异较大，为进一步探究我国不同区域绿色金融对雾霾污染的影响，本文将我国30个省（市、区）划分为东中西三个地区进行差异性分析，具体研究方法与全样本研究一致。同样，为了均衡模型的稳健性与变异性识别，本节分别考察了是否考虑省份效应的结果，考虑省份效应的模型的结果更为可靠。表5-3展示了2013-2018年我国东中西部的绿色金融影响雾霾污染的分区域模型回归结果。（1）东部地区从东部地区来看，与中西部相比，绿色金融对东部地区PM2.5的正向影响程度更大。这是因为东部地区经济发展水平较高，绿色金融发展得更为完善，对雾霾污染治理更加重视。与全国相比，东部能源结构对PM2.5的正向影响更大，可能是因为东部地区传统第二产业布局相较完善，环境破坏明显；此外，技术进步因素的作用也较大，可能是因为东部地区经济发展水平较高，科研投入相应更多，绿色先进技术应用更为广泛。未控制省份效应时，产业结构和交通运输对我国东部地区雾霾污染有显著正向影响，人口密度显著负向影响雾霾污染，与全国基本一致。（2）中部地区从中部地区来看，无论是否考虑省份效应，绿色金融对雾霾污染的影响均为负，且在1%的水平上显著为负。控制变量中，中部地区的人口密度因素负向影响程度较大，可能是因为中部地区公共交通、共享治污减排设施发展更为完善，资源利用率高，人口密度产生的集聚效应更为明显，更能有效缓解雾霾污染。（3）西部地区从西部地区来看，绿色金融对雾霾污染的负向影响程度最小，但与东中部地区相差不大，主要与西部地区经济水平较低，绿色金融发展较慢相关。控制变量中，产业结构、技术进步、外商直接投资和人口密度对雾霾污染影响的方向和程度与全样本回归基本一致。整体上看，无论是否考虑省份效应，我国东中西部绿色金融对雾霾污染的影响均在1%的水平上显著为负效应，与全样本回归结果一致。但在影响程度上，地区之间存在差异，绿色金融对东部的PM2.5影响程度最为显著。同时，绿色金融对我国雾霾污染的负向影响呈现东高西低的态势，与绿色金融在我国的地域分布正好一致，说明绿色金融发展得越好，对空气质量的改善作用越明显。

表5-3分区域模型回归结果Table5-3Regressionresultsoftheareamodel被解释变量东部中部西部lnPM2.5模型6模型7模型8模型9模型10模型11lnGF-0.6648***-0.9427***-0.7228***-0.9385***-0.8226***-0.9044***(0.1423)(0.1674)(0.1256)(0.1978)(0.0854)(0.0753)lnGDP-9.0371-3.5079-6.08524.7532-18.7523***-10.0849**(12.0237)(12.5694)(14.8179)(15.1009)(6.4946)(4.0352)lnGDP23.91782.72423.1305-2.460314.3586***7.9931**(5.9202)(5.8654)(8.7069)(8.8909)(4.8344)(2.8960)lnGDP3-0.5503-0.5368-0.50380.6036-3.4749***-1.8603**(0.9553)(0.9101)(1.6659)(1.7423)(1.1695)(0.6636)lnINDUS0.3800**0.2539-0.01430.07460.07220.3365*(0.1598)(0.1566)(0.0573)(0.0706)(0.2833)(0.1600)lnTECH-0.7967***-0.2841*0.1212-0.5547-0.1480-0.6957***(0.1812)(0.1468)(0.2982)(0.5046)(0.1280)(0.1942)lnFDI0.0691-0.0018-0.01090.0248-0.0259-0.1432*(0.0868)(0.0956)(0.1337)(0.2612)(0.0370)(0.0653)lnENE0.3153***0.1712**0.30920.32300.9894***0.2318(0.0500)(0.0696)(0.4093)(0.4191)(0.2152)(0.2013)lnPOP-0.4800***0.8174-0.1489-10.3107**-0.4511***-8.3171**(0.1445)(5.0838)(0.3109)(3.5065)(0.1050)(2.8951)lnTRAN0.8910***0.63310.55180.11640.03620.8517(0.2739)(1.4651)(0.4186)(1.2148)(0.1291)(0.8442)lnGREEN-0.1405-0.9615-0.51611.9840-1.3573**0.5453(0.8741)(1.0351)(0.6838)(1.6753)(0.6614)(0.6630)_cons15.19105.328813.195548.2246**19.4333***47.2008***(10.2893)(28.3900)(8.3080)(19.8532)(3.7963)(11.3977)省份效应否是否是否是时间效应否否否否否否观测值666654546060调整R20.72410.80080.82240.86770.77360.9201注：***、**、*表示估计结果在0.01、0.05、0.1的水平上显著；括号内的数字为稳健标准误。5.2.3稳健性检验（1）内生性问题由于雾霾污染可能与绿色金融存在反向因果的关系，即绿色金融会影响雾霾污染，反过来雾霾污染也会影响绿色金融的发展。为检验全样本回归的稳健性，本文进一步使用系统GMM回归来检验前文的研究结果。由表5-4可知，模型12的工具变量均有效，满足S-GMM的使用条件；绿色金融的系数为负且在10%的显著性水平上显著，说明在控制模型的内生性后，绿色金融对雾霾污染的负向影响效应依旧存在，与前文基本保持一致，稳健性检验通过。（2）被解释变量指标更换为工业固体废物产生量因为雾霾污染具有明显的外部性，所以存在一定的空间溢出效应，即在很大程度上会通过大气环流等自然因素及产业转移、污染泄漏等经济因素扩散或转移到邻近地区（邵帅等，2016）。因此，为检验全样本回归的稳健性，本文进一步使用工业固体废物产生量（SOLID）替代PM2.5来衡量雾霾污染，其中SOLID数据来源于《中国统计年鉴》。由表４-4中模型13回归结果可知，变量替换后，绿色金融对雾霾污染的影响依旧显著为负，与前文结果基本一致，稳健性检验通过。表5-4稳健性检验回归结果Table5-4Robustnesstestregressionresults被解释变量lnPM2.5lnSOLID模型12模型13L.lnPM2.50.1195**(0.0605)lnGF-0.3657*-0.0565*(0.1880)(0.0334)lnGDP-0.08510.3177(0.3746)(0.2226)lnINDUS0.06110.0273(0.0676)(0.0559)lnTECH-0.3988-0.2691*(0.2432)(0.1435)lnFDI0.03790.0289(0.0688)(0.0328)lnENE0.3750***0.1890**(0.1413)(0.0760)lnPOP0.1728-1.2164(0.5506)(1.3879)lnTRAN-0,30640.3434(0.7789)(0.3848)lnGREEN1.0694-0.7616*(1.0284)(0.4228)_cons0.130812.0589*(4.3419)(7.2533)省份效应是是时间效应否否观测值150180调整R20.8770AR(1)0.0000AR(2)0.1780Hansen0.1340注：***、**、*表示估计结果在0.01、0.05、0.1的水平上显著；括号内的数字为稳健标准误。第六章研究结论与政策启示本文基于2013-2018年中国30个省、自治区和直辖市（不含港澳台和西藏）的面板数据，构建我国省域绿色金融发展评价体系，测算各地绿色金融指数，并以雾霾污染的主要指标PM2.5为研究对象，利用面板回归进行分析，得到如下结论：（1）全国范围来看，绿色金融显著降低了中国的雾霾污染程度，绿色金融发展对空气质量有改善作用。（2）我国经济发展水平与雾霾污染呈倒“N”型曲线关系，且我国目前处于曲线的第二阶段即上升阶段，长期来看，在绿色金融影响下，我国经济增长还是能缓解雾霾污染。（3）虽然金融发展的环境效应有三种传导机制，但我国绿色金融对雾霾污染只有技术效应显著为负，规模效应和结构效应并不显著，可能还存在其他传导机制的影响。（4）分区域来看，东中西部对雾霾污染的影响均显著为负，负向影响程度呈现东高西低的态势，东部地区绿色金融对雾霾污染的缓解作用最大。政策启示如下：第一，加大发展绿色金融政策支持力度，提高地方绿色金融发展水平。政府应出台配套的激励政策，争取在绿色信贷、绿色证券、绿色保险、政府投资和国际合作等领域全方位推进我国绿色金融有效发展，充分发挥绿色金融对我国环境质量的改善作用。第二，加强西部地区环境政策力度，加快西部绿色金融发展。西部地区发展较晚，同时拥有丰富的资源和劳动力，未来很可能成为东部产业转移的流入地，因此应加强西部环境政策的力度，提前完善西部绿色金融的发展，避免陷入“逐底竞争”的恶性局面。第三，注重绿色信贷在发展绿色金融中的重要作用，推进绿色信贷发展。目前，绿色信贷仍是推进我国绿色金融的主力军。因此我国的金融机构应出台相应方案有效引导引导资金流向绿色发展领域，尤其是促进产业结构转型和技术进步，推动我国经济高质量、可持续性发展。第四，注重技术进步在雾霾治理中的重要性，积极发展绿色技术。政府应鼓励环保技术的开发，帮助科技成果转化，提高资源的有效利用率。参考文献陈智莲,高辉,张志勇.绿色金融发展与区域产业结构优化升级——以西部地区为例[J].西南金融,2018(11):70-76.丁宁,任亦侬,左颖.绿色信贷政策得不偿失还是得偿所愿?——基于资源配置视角的PSM-DID~1成本效率分析[J].金融研究,2020(04):112-130.方灏,马中.论环境金融的内涵及外延[J].生态经济,2010(09):50-53+72.郭晔,房芳.新型货币政策担保品框架的绿色效应[J].金融研究,2021(01):91-110.何建奎,江通,王稳利.“绿色金融”与经济的可持续发展[J].生态经济,2006(07):78-81.胡荣才,张文琼.开展绿色信贷会影响商业银行盈利水平吗?[J].金融监管研究,2016(07):92-110.胡冰,王晓芳.我国环境投入、经济增长与碳排放的关系探究——基于省际门槛面板模型[J].财经论丛,2018(05):3-11.韩立岩,蔡立新,尹力博.中国证券市场的绿色激励:一个四因素模型[J].金融研究,2017(01):145-161.黄寿峰.财政分权对中国雾霾影响的研究[J].世界经济,2017,40(02):127-152.刘锡良,文书洋.中国的金融机构应当承担环境责任吗?——基本事实、理论模型与实证检验[J].经济研究,2019,54(03):38-54.刘莎,刘明.绿色金融、经济增长与环境变化——西北地区环境指数实现“巴黎承诺”有无可能?[J].当代经济科学,2020,42(01):71-84.罗能生,李建明.产业集聚及交通联系加剧了雾霾空间溢出效应吗?——基于产业空间布局视角的分析[J].产业经济研究,2018(04):52-64.李晓西,刘一萌,宋涛.人类绿色发展指数的测算[J].中国社会科学,2014(06):69-95+207-208.林伯强,刘希颖.中国城市化阶段的碳排放:影响因素和减排策略[J].经济研究,2010,45(08):66-78.李丽,董必俊.区域碳金融发展水平与影响因素研究[J].经济与管理,2018,32(01):60-65.马丽梅,张晓.中国雾霾污染的空间效应及经济、能源结构影响[J].中国工业经济,2014(04):19-31.宁伟,佘金花.绿色金融与宏观经济增长动态关系实证研究[J].求索,2014(08):62-66.乔海曙,谭烨,刘小丽.中国碳金融理论研究的最新进展[J].金融论坛,2011,16(02):35-41.邵帅,李欣,曹建华,杨莉莉.中国雾霾污染治理的经济政策选择——基于空间溢出效应的视角[J].经济研究,2016,51(09):73-88.苏冬蔚,连莉莉.绿色信贷是否影响重污染企业的投融资行为?[J].金融研究,2018(12):123-137.孙洪庆,邓瑛.对发展绿色金融的思考[J].经济与管理,2002(01):37-38.施震凯,邵军,王美昌.外商直接投资对雾霾污染的时空传导效应——基于SpVAR模型的实证分析[J].国际贸易问题,2017(09):107-117.上海银监局绿色信贷研究课题组,张光平,董红蕾,沈澍.绿色信贷支持金融创新与产业结构转型研究[J].金融监管研究,2016(05):98-108.王遥,潘冬阳,张笑.绿色金融对中国经济发展的贡献研究[J].经济社会体制比较,2016(06):33-42.王遥,潘冬阳,彭俞超,梁希.基于DSGE模型的绿色信贷激励政策研究[J].金融研究,2019(11):1-18.魏丽莉,杨颖.中国绿色金融政策的演进逻辑与环境效应研究[J].西北师大学报(社会科学版),2020,57(04):101-111.文书洋,刘锡良.金融错配、环境污染与可持续增长[J].经济与管理研究,2019,40(03):3-20.于永达,郭沛源.金融业促进可持续发展的研究与实践[J].环境保护,2003(12):50-53.易艳春,宋德勇.经济增长与我国碳排放:基于环境库兹涅茨曲线的分析[J].经济体制改革,2011(03):35-38.姚耀军.金融中介发展与技术进步——来自中国省级面板数据的证据[J].财贸经济,2010(04):26-31.曾学文,刘永强,满明俊,沈启浪.中国绿色金融发展程度的测度分析[J].中国延安干部学院学报,2014,7(06):112-121+105.张莉莉,肖黎明,高军峰.中国绿色金融发展水平与效率的测度及比较——基于1040家公众公司的微观数据[J].中国科技论坛,2018(09):100-112+120.张晨,董晓君.绿色信贷对银行绩效的动态影响——兼论互联网金融的调节效应[J].金融经济学研究,2018,33(06):56-66.张丽.环境政策、环保支出对区域碳减排的影响效应研究——兼论政府执行力的作用[J].价格理论与实践,2018(06):38-41.BertScholtens.FinanceasaDriverofCorporateSocialResponsibility.2006,68(1):19-33.ChamiR,CosimanoTF,FullenkampC.ManagingEthicalRisk:HowInvestinginEthicsAddsValue[J].JournalofBankingandFinance,2002,(26):1697-1781.ChristopherWright.GlobalBanks,theEnvironment,andHumanRights:TheImpactoftheEquatorPrinciplesonLendingPoliciesandPractices[J].GlobalEnvironmentalPolitics,2012,12(1):56-77.ClimentF,SorianoP.GreenandGood?TheInvestmentPerformanceofUSEnvironmentalMutualFunds[J].JournalofBusinessEthics,2011,(2):275-287.DietzS,AdgerWN.EconomicGrowth,BiodiversityLossandConservationEffort[J].JournalofEnvironmentalManagement,2003,68(1):23-35.DindaS,CoondooD,PalM