【《基于省级面板数据的绿色能源创新、金融发展水平与碳排放的关系实证研究》7000字】

基于省级面板数据的绿色能源创新、金融发展水平与碳排放的关系实证研究摘要：“碳达峰”和“碳中和”战略，要求我国必须改变高耗能高污染的经济发展模式，而低碳经济的发展需要大力推动绿色能源领域的技术进步。本文意在探究绿色能源创新是否有助于碳减排，同时纳入金融发展水平，考察创新、金融和碳排放三者之间的关系。本文运用2004年-2017年我国30省份的面板数据，以静态面板和动态面板模型考察了绿色能源创新、金融发展水平与碳排放的关系。实证结果显示，绿色能源创新能够有效抑制人均碳排放量和碳排放强度，金融发展水平与碳排放之间呈倒“U”型曲线关系。因此，推动绿色能源创新是实现碳减排目标的重要举措。关键词：绿色能源创新金融发展水平人均碳排放量碳排放强度引言在全球气候变暖的大背景下，发展低碳经济已成为世界各国的共识。联合国环境规划署（UNEP）发布的《排放差距报告2019》显示，我国碳排放量约占全球碳排放量的四分之一。根据《中国能源报告(2008):碳排放研究》，能源领域约占我国碳排放量的90%，因此为促进我国低碳发展，进而实现“碳达峰”与“碳中和”承诺，能源领域加速低碳化已经刻不容缓。我国目前仍处于发展中国家阶段，一方面有持续利用能源发展经济、提高人均GDP的需求，另一方面我国减排任务艰巨，“碳达峰”与“碳中和”目标实现与否关系到我国的国际形象。如何平衡能源消费增长与碳减排是关键所在，也是难点所在。在此情形下，优化能源结构，使我国能源体系向着清洁低碳方向转型，着力发展绿色能源是解决上述难点的重要举措。近年来，我国清洁能源发展取得显著成绩，在光伏、水电、风电、核电等技术领域均处于领先地位，因此，探究我国能源领域的绿色创新是否如期实现碳减排具有重要现实意义。文献综述回顾以往文献，学术界对于碳排放的测度以及碳排放的影响因素做了大量研究。目前官方尚未公布碳排量数据，学者们测度碳排放量的方法不尽相同。刘竹1等参考IPCC温室气体排放清单方法，分别基于能源平衡表、一次能源消费量和终端能源消费量构建碳排放测算体系，实证结果显示核算方法不同，测算结果也随之有很大不同。刘明达2等综述了国内外现有的碳排放测算方法，并对比分析了三种主流核算方法，发现IPCC已成为碳排放主导核算方法。还有许多学者聚焦于某一领域的碳排放核算，冯玲3等量化了城镇居民生活引发的碳排放量，李颖4等人核算了农业碳排放量等等。碳排放的影响因素一直是国内外学者研究的热点话题。关于碳排放比较经典的研究是上世纪90年代初，Grossmann和Krueger5发现经济增长影响环境污染，并且二者之间呈现倒“U”型关系，即著名的环境库兹涅茨曲线（EKC）。随后学术界出现一系列实证研究检验EKC是否成立，但由于研究时段、估计方法、研究对象、指标选取等存在差异，不同学者得出的结论并不一致。除此之外，对于金融发展、环境规制、技术创新、产业结构、城镇化、外商直接投资等与碳排放之间的关系，以往学者也进行了丰富的研究，探究各变量对于碳排放的作用方向及作用机理。本文着重探讨绿色能源创新、金融发展水平与碳排放之间的关系。技术创新对碳排放的影响大致分为两条路径，一条是技术创新能够提升能源利用效率从而能够减少碳排放，另一条是技术创新能够推动经济增长从而增加碳排放。大部分学者研究表明，技术创新能够有效抑制碳排放。韩坚6等以我国东部15省面板数据，得出技术创新对碳排放总量和碳排放强度均有负向影响。金培振7等以我国工业35个行业面板数据为基础，研究发现技术进步并没有抑制碳排放，原因在于技术进步的效率提升效应尚未抵消技术进步的经济推动效应。但在创新与碳排放相关研究中，学者大多使用的是总体性技术创新水平，而对于技术创新细分领域的探究还有待丰富。现有相关研究中，已有学者聚焦于低碳技术创新与碳排放之间的影响。鄢哲明8等通过专利数据衡量低碳技术创新水平，并得出低碳技术创新具有显著的碳减排效应。卢娜9等运用空间杜宾模型，实证检验低碳技术创新对碳排放的作用及空间溢出效应，揭示了低碳技术创新可以显著降低碳排放，但低碳技术创新的空间溢出效应尚未体现。徐建中10等通过SBM模型测度了我国装备制造业的绿色创新效率，并构造PVAR模型，实证检验发现能源消耗碳排放与绿色创新效率之间具备长期协整关系。关于金融发展与碳排放，学者们也尚无统一看法。梳理文献总结出金融发展作用于碳排放的路径大致如下：一是金融发展能够扩大企业融资规模、增加企业融资渠道并降低企业融资成本，进而使企业资金充裕，加大研发投入，提高能源利用效率，降低单位GDP能耗，最终减少碳排放。张忠杰11以静态面板和空间动态面板分析，均得出金融发展能够显著减少人均碳排放量。二是金融发展会扩大企业融资规模，此时企业生产规模扩大，能源消费需求增加，最终导致碳排放增加。Sadorsky12从消费者角度出发，发现消费者在金融发展后能够更易获得信贷，增加了对耗能家电的购买，从而使得碳排放量显著增加。另有学者认为金融发展与碳排放之间并非线性关系。胡金焱13通过省级面板数据实证分析发现，金融发展与碳强度之间呈倒“U”型关系，即先促进再抑制。邵汉华14等通过面板平滑转换模型，得出整体上金融发展有助于碳减排，但减排效应会随其他变量变化而变化。本文可能的创新点如下：（1）现有文献在创新对减排的影响中，更多地关注宏观意义上的技术创新，对于创新细分领域的研究还有待丰富。本文以绿色能源专利数据衡量绿色能源创新，提高对我国绿色能源创新活动与碳排放关系的认识。（2）本文从绝对和相对两个角度衡量碳排放水平，以往研究中多数学者普遍采用碳排放总量或者人均碳排放量表示碳排放水平，本文在碳排放绝对量基础上测算出碳排放强度这一相对量指标，将碳排放与经济发展相结合，更能体现经济发展的效率。研究设计本文实证检验绿色能源创新、金融发展水平对碳排放的影响，将碳排放区分为人均碳排放量与碳排放强度，样本时间段为2004-2017年，研究样本为全国30个省市自治区（西藏由于数据缺失较多，故不在本文研究范围内）。变量选取及测度被解释变量(pcc)目前学术界对于碳排放水平的测度可分为两类，一类是绝对数量上的碳排放总量与人均碳排放量，这类指标的优点是直观且易于测度。另一类是将碳排放与经济发展水平相结合的碳排放强度，碳排放强度相较于数量指标来讲，能够更加科学地衡量每单位经济产出所产生的二氧化碳，从而能够评价经济发展的能源效应。碳排放强度越低，代表低碳经济越发达。本文将选取人均碳排放量(pc)，即碳排放总量除以该地区年末总人口数和碳排放强度(c)，将碳排放总量除以地区生产总值，即生产单位GDP所排放的二氧化碳量，分别作为被解释变量。本文沿用大多数学者采用的IPCC15方法估计省域碳排放量，同时根据Du16等学者的研究，化石能源消耗是碳排放的最重要来源，但水泥生产过程中所排放的二氧化碳约占我国碳排放总量的11.3%17，这部分碳排放同样不可忽视。本文估算的碳排放量为化石能源消费与水泥生产过程的碳排放量之和。化石能源消耗产生的碳排放量具体计算公式如下：ECOi表示地区，t表示年份，j表示能源种类。ECO2i,t为i地区第t年的化石燃料燃烧带来的碳排放总量，ECO2i,t,j是第j种能源产生的碳排放量。Mi,t,j代表第j种能源实际消费量，θj代表第j种能源对应的碳排放系数，水泥生产过程产生的碳排放量具体计算公式如下：SCOS为水泥生产数量，α为水泥对应的碳排放系数，相乘即为水泥生产过程产生的碳排放量。核心解释变量（cl）本文以绿色能源专利存量数据表征绿色能源创新水平。专利数据是公开的，数据可得性高；同时专利衡量的是创新产出，而非具有较大不确定性的创新投入；专利代表着实质性创新，尤其是发明专利与实用新型专利的创新含量较高；同时专利可以具体深入到某一技术细分领域，具备可拆解性，因此近年来基于专利数据衡量创新绩效被越来越多的学者所采纳。但年度专利数量体现的是技术创新的动态演变，而技术创新是一个积累的过程，采用存量数据能更好地表征截止到某一时点该经济体获得的全部有效技术创新知识积累。本文根据世界知识产权组织（WIPO）分类标准，整理识别出绿色能源领域的专利数据，主要包括可替代能源生产技术和高效用能技术领域专利。借鉴以往大多数文献18,19，本文采用永续盘存法计算绿色能源专利存量，永续盘存法的计算要求获得期初专利存量与折旧率。期初专利存量与后续年度专利存量计算公式如下：ClClCli,t为i地区第t年的专利存量，Pti,t为i地区第t年的绿色能源专利申请量。各省市绿色能源专利在样本时间段内平均增长率是g，δ代表折旧率，按照通用标准，本文折旧率选取0控制变量经济发展水平(pergdp)。经济发展与能源消耗息息相关，以人均gdp表示经济发展水平，并以2004年为基期，调整为人均实际gdp。产业结构(indu)。本文以第二产业增加值占GDP比重衡量产业结构，由于第二产业包括工业和建筑业，预期产业结构会对碳排放有正向影响。城镇化水平(urban)。城镇化进程中的人口流动、产业转移、土地利用等都会影响碳排放量，城镇化水平以非农业人口占总人口的比重来表示。金融发展水平(fin)。金融发展水平以各地区金融机构年末贷款余额占GDP的比重来表示。能源结构(es)。能源结构优化是实现碳减排的重要手段，将各能源消耗量统一转化为标准煤，以煤炭消耗占比表示能源结构。对外开放水平(fdi)。本文以实际利用外商投资金额占GDP的比重表示某一地区的对外开放水平，实际利用外商投资金额按照相应年份平均汇率转化成以人民币为单位。变量描述性统计所有变量的描述性统计见表1。表1变量描述性统计变量观测值平均值标准差最小值最大值lnpc420-2.770.64-4.70-0.85lnc420-12.860.71-14.81-11.04lnCl4207.151.652.5610.79lnpergdp4200.880.63-0.842.42indu4200.460.080.190.59urban4200.520.140.260.90fin4201.160.410.532.58es4200.450.150.040.78fdi4200.020.020.000.08数据来源本文所用数据来自于《中国能源统计年鉴》、《中国统计年鉴》、incoPat专利数据库、EPS数据库、CNRDS数据库等，部分缺失数据采用插值法填补。模型构建基准模型设定lnYi,t=α根据豪斯曼检验结果，P值小于显著性水平，拒绝原假设，故基准模型采用固定效应模型，采取时间和地区双固定。被解释变量为Yi,t，分别为人均碳排放量(pc)和碳排放强度(c)。Cli,t为绿色能源专利申请量存量，fini,t为金融发展水平，Xi,t为其他所有控制变量，动态模型设定考虑到碳排放量具有动态连续性，在模型（1）中分别加入人均碳排放量和碳排放强度的滞后项，使之成为动态面板模型。动态面板模型具有内生性问题，故使用广义矩估计（GMM）来估计回归系数。相较于差分GMM，系统GMM能够提高估计效率，本文采用系统GMM估计动态面板模型。使用系统GMM的前提是模型能够通过AR检验和Hansen检验。本文实证结果显示AR（1）小于0.05，AR（2）大于0.1，说明模型残差项存在一阶序列相关但不存在二阶序列相关。Hansen统计量值大于0.1，表明工具变量选取有效，使用系统GMM方法估计动态面板模型具有合理性。lnpci,t=αlnCli,tlnci,t=αlnCli,t金融发展与碳排放倒“U”型关系检验胡金焱20、严成樑21、李德山22等学者通过实证检验发现，金融发展与碳排放之间呈倒“U”型关系，金融发展在前期主要表现出规模扩张效应，即金融发展会扩大生产规模、增加能源消费，使得碳排放增加；在后期金融发展的技术提升效应占据主导，金融发展刺激企业技术进步，提升能源利用效率，从而抑制碳排放。在模型（1）（2）中加入金融发展水平的二次项，检验倒“U”型关系是否成立。lnpci,t=αlnCli,tlnci,t=αlnCli,t回归结果模型（1）-（3）的回归结果见表2。表2绿色能源创新对碳排放的影响回归分析（1）lnpc（1）lnc（2）lnpc（3）lncL.lnpc0.938***（15.45）L.lnc0.849***（11.54）lnCl-0.125**（-2.27）-0.176***（-3.31）-0.076**（-1.98）-0.095*（-1.66）lnpergdp0.476**（2.38）-0.540***（-2.7）0.059（0.68）0.140（0.91）indu0.499（1.38）0.475（1.33）0.223（1.32）0.012（0.09）urban3.654***（5.03）3.948***（5.61）0.340（1.06）-0.020（-0.06）fin0.228***（2.88）0.246***（3.16）-0.005（-0.14）-0.075（-1.45）fdi-0.341（-0.3）-0.284（-0.25）-1.985（-0.84）-3.177*（-1.81）es0.683***（3.28）0.638***（3.11）-0.035（-0.31）0.096（0.49）AR(2)P-value0.3820.745HansenP-value0.4610.169注：静态面板括号内报告的是t值，动态面板括号内报告的是z值；***，**和*分别表示在1%，5%和10%的水平上统计显著。回归结果显示，无论是固定效应模型还是加入人均碳排放量滞后项、碳排放强度滞后项的动态面板模型，绿色能源创新均能显著降低碳排放。这与前文所述的理论预期相一致。模型（1）回归结果显示，城镇化水平与碳排放之间呈现正向影响，原因可能给在于随着城镇化水平提升，居民为追求更高的生活品质，增加了对耗能家电的购买，从而导致碳排放增加。金融发展水平会显著增加碳排放，原因可能是金融发展的规模扩张效应占据主导，企业和居民的能源需求增加，从而导致碳排放增加。能源消费结构与人均碳排放量、碳强度均呈正相关，原因可能是我国能源消费仍以煤炭为主，化石燃料燃烧产生大量二氧化碳。模型（2）（3）回归结果中，人均碳排放量滞后项、碳排放强度滞后项均与被解释变量显著正相关，说明碳排放具有显著动态连贯性。同时，动态面板模型中绿色能源创新仍然与碳排放显著负相关。表3金融发展水平对碳排放的影响回归分析（4）lnpc（5）lnclnCl-0.119**（-2.21）-0.166***（-3.18）fin1.052***（4.76）1.026***（4.69）fin平方项-0.259***（-3.98）-0.245***（-3.80）lnpergdp0.387*（1.96）-0.621***（-3.14）indu0.621*（1.75）0.586*（1.67）urban3.058***（4.20）3.355***（4.74）fdi-0.413（-0.37）0.350（-0.32）es0.561***（2.72）0.523**（2.56）注：括号内报告的是t值，***，**和*分别表示在1%，5%和10%的水平上统计显著。表3回归结果显示，在加入金融发展水平二次项后，绿色能源创新仍然对碳排放有显著抑制作用，并且金融发展水平二次项系数显著为负，金融发展水平一次性系数显著为正，说明金融发展水平与碳排放之间倒“U”型关系成立，符合库兹涅茨曲线特征，这一结论也与大多数学者的实证结果相一致。结论与政策建议本文通过我国30个省份的面板数据分析了绿色能源创新、金融发展水平与碳排放之间的关系。静态面板模型结果说明绿色能源创新能够有效抑制人均碳排放量及碳强度，金融发展水平与碳排放之间是先促进后抑制的倒“U”型曲线关系。动态面板同样支持绿色能源创新显著抑制碳排放的结论，同时说明碳排放量的动态连续性显著成立。基于以上，本文给出的政策建议如下：（1）大力推进绿色能源技术创新，助力碳减排重任。根据前文结论，绿色能源创新对于抑制碳排放有显著作用。因此，我国应加大对绿色能源领域的投入，并要大力推广绿色能源应用，使之运用到企业生产、居民生活的方方面面，从而实现绿色可持续发展。（2） 推动金融体系改革，使金融发展助益于环境保护。根据本文实证结论，金融发展水平尚未达到倒“U”型曲线的拐点，说明我国应加快金融体系改革，使得企业能够获得研发清洁技术的资金支持，进而实现绿色生产。同时，推动金融体系创新，健全绿色金融体系。参考文献[1]刘竹,耿涌,薛冰,郗凤明,焦江波.城市能源消费碳排放核算方法[J].资源科学,2011,33(07):1325-1330.[2]刘明达,蒙吉军,刘碧寒.国内外碳排放核算方法研究进展[J].热带地理,2014,34(02):248-258.[3]冯玲,吝涛,赵千钧.城镇居民生活能耗与碳排放动态特征分析[J].中国人口·资源与环境,2011,21(05):93-100.[4]李颖,葛颜祥,梁勇.农业碳排放与农业产出关系分析[J].中国农业资源与区划,2013,34(03):60-65+72.[5]Grossmann,G.M.,&Krueger,A.B.(1991).EnvironmentalimpactofaNorthAmericanFreeTradeAgreement.NBERWorkingPaper,3914.[6]韩坚,盛培宏.产业结构、技术创新与碳排放实证研究——基于我国东部15个省(市)面板数据[J].上海经济研究,2014(08):67-74.[7]金培振,张亚斌,彭星.技术进步在二氧化碳减排中的双刃效应——基于中国工业35个行业的经验证据[J].科学学研究,2014,32(05):706-716.[8]鄢哲明,杨志明,杜克锐.低碳技术创新的测算及其对碳强度影响研究[J].财贸经济,2017,38(08):112-128.[9]卢娜,王为东,王淼,张财经,陆华良.突破性低碳技术创新与碳排放:直接影响与空间溢出[J].中国人口·资源与环境,2019,29(05):30-39.[10]徐建中,王曼曼,贯君.动态内生视角下能源消费碳排放与绿色创新效率的机理研究——基于中国装备制造业的实证分析[J].管理评论,2019,31(09):81-93.[11]张忠杰,李真真,李宪慧.金融发展、城镇化对人均能源消费碳排放的影响[J].统计与决策,2020,36(08):106-110.[12]SadorskyP.TheImpactofFinancialDevelopmen