【《绿色金融对“双碳”目标影响的实证分析概述》3400字】

绿色金融对“双碳”目标影响的实证分析概述目录TOC\o"1-3"\h\u15388绿色金融对“双碳”目标影响的实证分析概述 131930（一）指标选取 1111161.解释变量 1248052.被解释变量 25743.控制变量 21433（二）数据来源与描述性统计 2325821.数据来源 264522.描述性统计 216383（三）实证分析过程 344931.异方差检验 381932.模型判定检验 5113864.模型构建 523554（四）实证结果及分析 664651.回归结果 6240472.结果分析 6本章利用统计软件Stata14.0，以我国东部、中部、西部共15个具有代表性的省市自治区作为样本，利用上文所述方法计算绿色金融指数，并结合2013-2019年万元GDP二氧化碳排放降低率、第三产业占比、碳排放强度构建面板数据，对面板数据构建固定效应模型回归分析。（一）指标选取1.解释变量由于本文试图研究绿色金融对“双碳”目标的影响，因此选取绿色金融指数作为解释变量。由第一章绿色金融指数的测算部分可以知道本文绿色金融指数的指标选取以及构建方法。上文得到绿色金融指数的计算中绿色信贷、绿色保险、绿色证券、绿色产业投资的综合权重QUOTE分别为42.21%、17.94%、24.90%、14.94%。再次基础之上，本文进一步测算12个省市自治区的绿色金融指数，其公式为：QUOTEyityit=QUOTEj=1mvjj=1mvj(it)QUOTEwj其中，QUOTEyityit表示t时刻i省份的绿色金融指数。通过上式可以依次计算出各省市自治区在不同年份的绿色金融水平。2.被解释变量被解释变量应为“双碳”目标的替代指标。“十四五规划”提出，我国欲实现“碳达峰”，碳排放强度每年需下降18%。因此，本文选取万元GDP二氧化碳排放降低率作为被解释变量。此外，本文还将被解释变量滞后一期处理，因为当期的绿色金融发展影响的应该是后一期的碳排放指标。3.控制变量为减少模型估计误差，本文加入两个控制变量，以防其它因素造成误差。这两个控制变量分别是碳排放强度、第三产业占比。其中，碳排放强度考虑了基数对碳排放强度降低率的影响，碳排放强度同时还反应了地区GDP与碳排放情况的影响。第三产业占比则代表地区的产业结构，而产业结构也是影响“双碳”目标实现的重要因素。（二）数据来源与描述性统计1.数据来源由于我国绿色金融仍处于发展阶段，相关定义并不明确（例如绿色债券的标准经常发生变化），因此各个机构发布的数据以及同一机构在不同年份发布的数据往往都有差异，本文数据在考虑数据可得性的基础上尽可能选取权威机构发布的数据。其中，绿色金融指数的的计算方法如第一章所述，数据来源于中国人民银行、国家统计局、wind数据库、中国保险年鉴、世界银行。碳排放强度降低率、第三产业占比、碳排放占比等数据来源于wind数据库。2.描述性统计对所选变量进行描述性统计分析，结果参见表1。表1变量的描述性统计分析变量样本数量平均值标准差最小值最大值CIRR（%）90.0738064.053109-.147443.2273GFR90.3664991.0941016.110.54CIR901.8800561.689191.3827.292ISR90.499539.1082031.32.8309098数据来源：Stata输出结果整理所得。从表1可知，15个省份6年内碳排放强度的降低率（CIRR）的均值为7.38%，标准差为0.053109，最大值与最小值间相差36%。说明选取的省份碳排放强度整体呈下降趋势，但与发改委提出每年下降18%的目标尚有差距，且各省份之间差异较大。绿色金融指数（GFR）的均值0.37、最大值为0.54、最小值为0.11，结合具体数据不难发现各省份之间绿色金融发展水平差距较大。碳排放强度（CIR）均值高达1.88、标准差达1.68，最大值为7.292、最小值为0.382，这表明我国区域碳排放强度差异极大，东部地区碳排放强度普遍已经下降到1以下时，西部的一些地区碳排放强度都还在5以上。第三产业占比（ISR）即产业结构的差异可以部分解释差异原因，其均值为50%，而最小值与最大值分别为32%与83%。（三）实证分析过程由于本文选取15个省份的静态面板数据，结合数据类型与特点，本文首先检验数据的异方差性。再通过F检验、Hausman检验判断本文数据更适用何种模型。最后再利用合适的模型对数据进行回归，并得出回归结果。1.异方差检验条件异方差，简称“异方差”，是违背球形扰动项假设的一种情形，此时。OLS估计量方差的表达式会发生变化，使用普通标准误的t检验、F检验失效。因此，本文首先通过残差图以及怀特检验进行数据异方差性的检验。（1）残差图由于残差可视为扰动项的实现值，可通过残差的波动大致考察是否存在异方差。绘制残差与拟合值的散点图，结果参见图9。从图9可以看出，从散点图的趋势可以看出扰动项的方差并未随碳排放强度降低率（CIRR的拟合值）的变化而发生明显变化。图10残差与拟合值的散点图进一步考察残差与解释变量GFR的散点图，结果如图10所示。从散点图可以看出，扰动项方差并未随绿色金融指数（GFR）变化而发生明显变化。图11.残差与解释变量GFR的散点图数据来源：Stata输出结果整理所得然而，虽然残差图是判断数据是否存在异方差最直观的方法，但并不严格，因此本文选用怀特检验进行异方差的进一步检验。（1）怀特检验怀特检验是一种异方差检验方法，其弥补了BP检验可能忽略高次项的缺陷。首先利用Stata进行回归，再进行怀特检验，可以得到结果如表2所示表2怀特检验SourceChi-Sq.StatisticChi-Sq.df.Prob.Hteroskedasticity30.0990.0004数据来源：Stata输出结果整理所得。由回归结果可知，p值为0.0004，故可拒绝原假设，认为存在异方差。为解决数据异方差的问题，本文使用OLS＋异方差自相关稳健标准误消除其影响。2.模型判定检验在回归之前，要先进行一系列模型判定检验，选定合适的模型用于分析。（1）F检验F检验用于在混合效应与固定效应两种模型中选出更适合所搜集的面板数据的模型。其原假设为：混合回归模型更有效。检验结果参见表3。由表3可知，F检验所得p值为0.0129，因此能够拒绝原假设，即本文搜集数据运用固定效应模型回归更有效。然而，由于未使用聚类稳健标准误，故F检验并不有效。因此，本文还利用Hausman检验进行了进一步分析。表3F检验TypesStatisticdf.Prob>FStd.Err2.26(14,72)0.0129数据来源：Stata输出结果整理所得。（2）Hausman检验Hausman检验用于在随机效应与固定效应模型中选出更适合所搜集面板数据的模型。其原假设为：随机效应模型更有效。由表4检验结果可得，Hausman检验得到的p值为0.0039，因此可拒绝原假设，即运用固定效应模型进行回归更有效。表4Hausman检验TestSummaryChi-Sq.StatisticChi-Sq.df.Prob.Cross-sectionrandom15.4540.0039数据来源：Stata输出结果整理所得。4.模型构建由上述模型判定检验的结果可知，本文更适用于固定效应模型，因此建立以下模型用于分析：QUOTECIRRitCIRRit=QUOTEαiαi+QUOTEβ1GFRitβ1GFRit+QUOTEβ2CIRitβ2CIRit+QUOTEβ3ISRitβ3ISRit+QUOTEεitεit其中，下标i表示各省份；t表示年度，α为截距项，ε为残差。（四）实证结果及分析1.回归结果本文对15个省份2013-2018年共六年的数据进行回归，具体结果参见表5。表5回归结果变量名称回归系数t统计量p值GFR.52372932.330.035CIR-.0676464-3.700.002ISR-.4975049-3.090.008常数项C.25756214.680.000数据来源：Stata输出结果整理所得。2.结果分析由表5可见，绿色金融指数的回归系数为0.5237294，这表明碳排放强度降低率与绿色金融指数呈正相关，且在其他变量保持不变的情况下，绿色金融指数上升一个单位，单位GDP二氧化碳排放量降低率上升52%。因此，实现2030“碳达峰”需要绿色金融指数上升0.34个单位。同时，绿色金融指数（GFR）对应的概率p值为0.035，在5%的显著性水平上通过，说明绿色金融指数的增加会在一定程度上带来碳排放强度年均下降率的上升。结合我国绿色金融现状分析可知，上述15个省份6年中绿色金融指数最大值为0.53，最小值仅为0.11。而实证分析所得实现2030“碳达峰”所需绿色金融指数要上升0.34，这在短时间内显然难将全国平均水平提升0.34显然难以实现。因此，本文分析以下三点原因可能导致本文所得实证结果可能低估了绿色金融的作用。第一，绿色金融的减碳作用可能存在滞后效应。无论产业结构转型、绿色基建投资的增加还是“减碳技术”研发的投入均需要一定时期才能反映在碳排放量的减少上。例如，新能源设施如光伏面板、蓄电池、风力发电机组只有在最后环节才具备绿色可持续发展的性质，在生产环节中仍然依靠旧能源。因此，本文得到的回归结果可能只能反映绿色金融在短期内的“减碳效应”而并不能完全反映绿色金融对碳排放强度减少的作用。然而，我们可以看出即便从短期来看，绿色金融的在“双碳”目标的实现过程的作用依然十分明显。第二，绿色金融发展还不够成熟。一方面，绿色金融的分类标准尚不明确，各种创新型绿色金融产品近来发展迅速。而本文实证样本数据时间跨度偏短。由于部分数据仅更新到2018年，且绝大多数绿色金融相关数据均是2010年后才开始公布，加之2020年的疫情导致部分数据失真，因此本文仅仅收集了6年的数据。这就可能导致文中的实证分析结果并不能准确反映当下