【《绿色信贷对碳排放影响的理论基础与作用机制实证研究》17000字】

绿色信贷对碳排放影响的理论基础与作用机制实证研究目录TOC\o"1-3"\h\u14459绿色信贷对碳排放影响的理论基础与作用机制实证研究 126692第1章绿色信贷对碳排放影响的理论基础与作用机制 111593第一节商业银行发展绿色信贷的理论基础 16796一、可持续发展经济理论 112671二、金融供给侧结构性改革 121857第二节绿色信贷对产业结构的作用机制 124764一、信用催化机制 11561二、资本导向机制 131333三、信号传递效应 170四、整合和分散机制 122145第三节产业结构对碳排放的作用机制 111177第2章实证研究设计和结果分析 113911第一节模型构建与研究方法 1715一、模型构建 130501二、研究方法 128517第二节样本数据与变量选取 18043第三节描述性统计分析 115099第四节回归结果及分析 117302第五节稳健性检验 115700第六节中介效应检验 1第1章绿色信贷对碳排放影响的理论基础与作用机制第一节商业银行发展绿色信贷的理论基础一、可持续发展经济理论20世纪80年代，可持续发展这一概念正式进入人们的视野并逐渐为人熟知。赫尔曼玉·戴利是可持续发展经济理论的代表人物，他将经济系统视为生态系统的子系统，生态资源的有限性使得经济系统增长也是有限的。该理论是对新古典增长理论的扩展，新古典经济学家将资本、自然资源和人力资本三者视为可以相互替代的三个要素，自然资源的消耗可由人力资本进行补偿，因此在新古典理论下，生态环境的破坏不会损害人类未来的利益。随着经济的发展对环境的影响（多数不利）逐渐深化，两者之间的关系也日渐受到关注。在经济健康发展的大背景下，一系列新的经济学分支由此衍生，诸如资源经济学、环境经济学、生态经济学等。环境经济学是在理性人、最优化、均衡等基本假定下，以环境问题为落脚点研究经济总量问题，建立了一个将环境要素涵盖在内的供求曲线模型，通过供给曲线确定均衡价格，研究绿色GNP（夏光，1999[93]）。生态经济学率先提出了自然资本的概念，认为要实现可持续发展就要对自然资源的使用加以保护和约束，同时说明了自然资本与人力资本的差异性，在这一过程中总资本价值保持不变（PearceandBarbier，1993[94]）。资源经济学以实现人口、环境与资源的协调发展为目的，运用经济分析方法，在考虑资源稀缺性的前提下研究资源的配置与使用。上述理论研究基于相似的理论依据与研究方法，侧重不同方面，对环境资源、经济发展、社会情况三者间的平衡发展进行考察。可持续发展的核心观点是在自然资源、人力资源的稀缺性以及有限理性的假设前提条件下，建立一个包含激励、信息、产权、价格和利润的基本竞争模型。该理论认为，厂商和个人开展经济活动必须获取信息，并对获取的信息做出相应的应激反应，通过转换产权、取得利润得到激励，才能使市场经济实现有效运行。比如，A.LansBovenberg（1995）[95]在Romer的内生增长模型的基础之上，在生产和效应方程中纳入了环境因素，包含环境因素的增长模型就此诞生，证明了在满足技术和偏好的条件下，经济社会可以实现一定环境约束下的永续增长。可持续增长理论对经济学中完全理性假设进行了修正，并将进入市场的自然资源和人力资源、智力资源作为稀缺商品，这些资源通过价格、利润和产权的渠道对市场参与者起到激励作用。可持续发展经济学的意义在于，通过基本假设和基本竞争模型，对经济社会发展提出了相应的要求，认为人们不能一味地追求经济地快速发展，而是要以生态环境的保护、自然资源的合理利用为前提，推动经济社会均衡发展；同时，为了实现经济的稳定发展，在加强环境保护、生态文明建设和社会和谐发展的同时，也要遵循市场经济规律，进一步完善市场经济体制，使其与可持续发展相契合，要体现市场经济体制在实现经济社会健康持续发展的优势，就必须充分发挥其在环境保护以及促进社会和谐、稳定和进步的重要作用（RobynClarketal.，2018[72]）。二、金融供给侧结构性改革金融从供给侧通过金融体系对经济资源在时间与空间两个维度进行综合调度与配置，进一步促进产业发展，体现金融在国民经济中的核心地位与作用。从2015年开始，我国整体供给侧结构性改革的逐步实施迈出了重要一步，即从金融供给侧结构性改革中社会资金供给端开始着力缓解社会资本供求矛盾。其实早在我国开展行动之前，金融供给对实体经济的影响早已引起国外学者关注。上世纪60年代末，学者GodSmith率先提出“金融机构”的概念。在此基础上，学者们探索出了金融供给结构，并就金融供给结构优化对产业发展及实体经济的影响，进行了深入的研究。Schumperter（2000）[96]对中小高新技术企业进行研宄，认为金融供给结构的优化发展对于产业发展和技术创新具有积极的推进作用。当资本市场发展处于不完善的阶段时，不均衡的金融供给（通常金融供给较少或缺乏）将会加剧该国或地区产业对外融资的依赖性。过往学者的理论与实证研究表明，实体经济与金融市场之间有强相关关系。AntzoulatosandApergis（2011）[97]则对29个不同国家与地区共28各行业的数据进行了验证，结果证实了金融结构的调整对产业结构的变化产生影响，通过金融供给的调整，技术创新型企业更易获得金融机构的资金支持，在这种情形下，企业将会更加积极地投入到技术研发、环保投资上来。与经济发展中供需不平衡的问题类似，我国金融系统存在的问题主要体现在金融供给方面，具体来看主要表现在金融供给主体、产品和监管等方面。改革开放之初，我国的经济尚未完全市场化，金融体系同样如此，对于商业银行来说，国有企业人员稳定，收入有保障，通常都有上级或直管单位在信用上做背书，抵御风险能力较强，在社会经济中的很多行业都是由国企占据大半壁江山，具有较好的现金流与偿债能力，是最为可靠的借款方。上世纪90年代开始，随着市场化的发展，股份制改革全面铺开，企业所有制性质变得不再明确，混合所有制企业开始出现，商业银行从只关注企业性质，转为关注行业的资产。主要原因一是重资产行业的企业通常是生产型企业，需要土地、厂房与设备来生产经营与制造产品，具有更高价值的抵押担保物，有更强的抵御风险能力，更符合当时的信贷政策；二是受当时产业政策的影响，20世纪90年代到21世纪初期，我国大力支持基础支柱产业发展，钢铁、煤炭、化工等传统行业成为信贷资源更为青睐的领域（刘锡良等，2019[98]）。近年来，我国在经历多年高速增长后来到了保量更要保质的阶段，经济发展模式已经逐渐从粗放型高速发展向着高质量发展方向转变，在这个过程中势必存在一系列问题有待改善，如产业结构不合理、金融资源分配不均衡、中小企业融资难题等仍是制约高质量发展的重要因素。为了消除制约因素，去产能、去库存、去杠杆、降成本、补短板五大任务迫切需要完成以加快推动供给侧结构性改革，逐步降低低端化、低附加产业供给比重，相应扩大高科技、高质量产业供给，从而使供给结构更加适应需求结构的变化，进一步提高生产效率，推动经济社会高质量发展。金融发展的一个重要作用就是优化资源配置，推动金融供给侧改革，能够更合理、恰当的配置资金。而金融供给侧改革在绿色环保发展方向上的一步深入细化举措就是绿色信贷，绿色信贷的实施让以银行业为代表的金融机构等金融资源的配给方将关注点转移到绿色环保产业上来，例如将信贷资源倾斜于节能环保产业的发展，从而优化产业结构，降低对环境的污染与破坏，促进经济顺利转型，进一步发展。陈思文、罗韵轩（2018）[99]认为绿色金融发展的本质就是金融供给侧结构性改革，绿色信贷通过对新型绿色中小企业进行融资支持，缓解企业发展中的资金需求问题，充分提升了绿色经济的发展规模，成为推行绿色金融、优化资源配置的主要手段。同时促进银行在开发金融产品方面创新能力的提高，为银行树立一个良好的社会形象，吸引到更多优质客户，增加银行的利润，最终实现企业利益和环境效应的双赢。我国未来很长一段时间经济社会发展的任务是实施供给侧结构性改革，但从目前金融机构实施绿色金融政策角度来看，金融供给侧结构性改革任重而道远。这是由于绿色产业在我国起步尚早，同时具有低资本行业所带来的高风险性，导致银行业等金融部门开展绿色信贷业务时出于回报与风险的考量，推行的积极性不算高。王遥等（2016）[100]的研究结果显示，不同地区的绿色金融推行效果不同，绿色金融政策执行的力度与环境污染的改善力度成正比，说明我国实施绿色金融政策有利于推动绿色环境的建设。基于以上，提出本文第一个假设：假设1：绿色信贷的发展，可以降低碳排放量。第二节绿色信贷对产业结构的作用机制图SEQ图\*ARABIC图SEQ图\*ARABIC2绿色信贷对产业结构的作用机制一、信用催化机制绿色金融的发展衍生出绿色信贷，绿色信贷催化出绿色信用，在资金增值，保证银行作为企业角色需要的利润的前提下，将资金导入不仅具有高效益，而且具有良好前景，可扩大规模的绿色项目与产业中，增进绿色产业中优质企业（如具有清洁能源技术，生产低碳排放，高附加值产品的企业）的绿色信用。以中小微企业为例，通常情况下中小微企业在企业发展初期，都无法提供能够覆盖风险敞口的抵押物或担保物，相对应的，作为顺周期行业的代表，出于违约风险角度考量，银行等金融机构对于中小微企业的授信与否以及授信额度控制较为谨慎。绿色信用的出现，为绿色产业中的中小微企业融资难、融资贵的问题提供了解决方向，随着中小微企业的不断发展与壮大，优化升级产业结构的实现也是可预见的。绿色信贷的出现，丰富了节能环保的创新型企业的融资渠道和方式，为绿色产业的后续发展提供了初期支持。信用催化机制帮助改善新型绿色产业发展初期融资困难的局面，降低绿色产业的入门门槛，为新兴环保企业提供良好的生存环境。二、资本导向机制绿色信贷是基于环境条件考虑的信贷配置供给，根据第十一届两会前印发的《绿色信贷指引》，对绿色经济、低碳经济、循环经济等环境友好型经济中的所属企业，银行业各大机构应在贷款额度与利率上给予更大的支持与优惠，帮助企业降低融资成本，持续不断为企业发展输血，而对于诸如“两高一剩”型等不利于促进经济更高质量发展的企业，应在贷款额度与利率上实行一定惩戒性措施（陈琪，2019[101]）。通过充分调动储备在银行中的社会资金，使资金不再一昧输入至一些体量巨大的，对改善环境不能起到关键性作用的传统行业或夕阳行业如房地产行业等，而是引导资金关注更多的以高质量的“低碳经济”模式运营生产的企业，通过大力扶持绿色环保企业，降低污染、排放、能耗三管齐下，使资本脱虚入实，从泡沫中走出来，引导资金进入有发展潜力的绿色环保新产业中。苏冬蔚、连莉莉（2018）[102]研究发现，绿色金融政策实施后，重污染企业的有息债务融资和长期负债均显著下降，债务融资成本显著上升，新增投资显著减少。利用好绿色信贷的资本导向机制，扶持出一批有技术有实力的，能够成为经济转型周期中新的动力源的优质企业，是我国银行业金融机构作为政策具体实施者角色在我国分阶段达成“碳达峰”与“碳中和”目标过程中应该承担的责任与尽到的义务。除此之外，对环境造成污染与恶化影响的行业，加大限制力度，控制产业整体规模，进一步淘汰“三高”企业，也是实现经济绿色健康发展的重要着力点。资金的导向机制实现了金融资源由环境资源消耗型产业流向绿色环保、技术创新型产业，调整了金融资源的配置。三、信号传递效应中国政府在最近几年开始强调绿色经济的重要性，低碳经济这一议题出现在从中央到地方，自上而下的各级会议中。在各类经济论坛，媒体舆论新闻报道中，“低碳”、“绿色”、“环保”等关键词也是频频可见。这些信息都传递出国家对绿色发展的重视力度和当下以及未来的发展重点。随着《绿色信贷指引》的具体对应措施落实，不仅迫使受惩罚性高利率影响成本的“两高”产业中的企业为了延续生存，未来在自身寻求发展，扩产上量前，会优先考虑对生产技术和流程的优化创新，升级自身产品，控制生产过程中的碳排放量，同时也为其他同质企业敲响了警钟（徐胜等，2018[38]）。政府通过绿色信贷释放出两方面信号，一面是大力支持新型绿色产业，一面是惩戒控制传统高污染产业。在前景如此明朗，信号如此清晰的情况下，随着市场接收到政策信号，民间资本将重新进行配置资本的供应方向，提高对清洁能源、创新技术等绿色行业的资本供应，同时谨慎对待高污染高消耗行业的再投入，各类人才也将借此契机与指引进入绿色领域发展，为绿色经济发展提供最重要的人力资本。地方政府会遵循中央的发展决策并大力执行与落实，为当地绿色产业的发展提供支持，扶持环保企业，同时，限制重污染企业的扩张。信息传递机制使绿色金融产品的实际成交价格具有明显的指向性，向全社会传递出发展绿色经济的信息和绿色转型的政策安排。四、整合和分散机制整合和分散机制是指在多元化发展的今天，企业依靠资本发展，而绿色信贷从供给侧的角度推动企业治理结构的调整，鼓励企业多元化发展开设新的绿色业务板块与产品条线，也鼓励企业间在转型升级方面的深入交流，构建新的企业关系，采取各类合作措施诸如合并使得生产规模扩大，对产品和服务进行升级，绿色企业终将走向集聚式、全球化发展道路，形成产业的整合机制。通过对有形和无形的生产要素的整理配置，结合市场调节机制，使企业主导产业更具优势和凝聚力。要素的整合机制使得绿色行业有更多的机会获得进一步发展所需要的资金，通过持续发挥要素的集聚作用，形成集群经济，这给绿色经济的发展创造了更好的基础，加速绿色产业的长远发展，实现产业结构的优化。此外，银行借贷除了具有优化资源配置外功能，还能够使得市场风险降低，过往以商业银行为主的金融机构，由于大额配置资金往诸如大型房地产开发公司等周期长，融资需求巨大的企业，一旦出现资金违约风险，不仅危及银行自身资金，而且会极大的降低银行的信誉。绿色信贷通过管控与分散风险使得创新环保产业发展更为安全的同时，也降低了银行自身出现巨大风险的可能性，是一种互利共赢的可靠方向。绿色信贷等绿色金融工具的发展与推广，将改变企业的公司治理结构和企业所在行业与产业的转型升级趋势，随着全球经济日益联系紧密，企业要想进一步发展，资本不可或缺。绿色信贷推动企业治理结构的调整和社会责任感的提升，为企业并购重组提供信贷支持，加速了产业结构调整和优化（邓常春，2008[103]）。信用催化机制通过增进新型绿色产业信用，助力绿色产业的融资与发展；资本导向机制通过调整金融资源的配置，引导资金从污染环境的高耗能的产业流向绿色环保型产业；信号传递机制通过传递政策和经济信号，支持鼓励绿色行业的发展，对高污染行业做出警示，推动高污染行业的转型和技术进步；整合分散机制可以在降低资金风险的同时促进绿色产业集聚式发展，加速绿色产业的长远发展，四项机制相互结合，共同促进产业结构的优化。因而，本文第二个假设是：假设2：绿色信贷的发展对产业结构优化有正向影响。第三节产业结构对碳排放的作用机制图SEQ图\*ARABIC图SEQ图\*ARABIC3产业结构对碳排放的作用机理尽管针对产业结构中大类产业对碳排放的影响还存在争议，但对于第二产业是碳排放的主要来源却基本取得了一致的看法。第三产业中，服务业占据大多数席位，其产生的服务并不具有实体的表征，相应的，其生产过程中，不涉及制造工序，因此相较第二产业排放的碳更少。经济的发展总是遵循着一些规律，正如马克思在社会资本再生产理论中指出，产业结构的普遍规律是合理化与高度化以及两者的统一。纵观世界各国经济发展史，尤其是发达国家，随着经济的发展与转型，第三产业的地位与比重在不断增强与提高。此时，虽然碳排放总量仍然在不断上升，但是经济的碳排放强度将在一定程度上下降，最终到达峰值。技术革命与再创造升级使经济增长的动力源由第一产业到第二产业再至第三产业过度与转变，当第三产业的市场份额提高到一定比例，成为主导产业时，经济增长方式从工业生产变为提供服务，产业结构将对经济的发展方向做出反应，优化调整。从产业结构对碳排放的直接影响效应来看，随着产业结构向合理化和高度化的不断调整，首先会通过产业间的投入产出关系发生相应变化，从而对能源效率产生直接效应和间接效应，进而引起基于能源消费的碳排放量的相应变化。在产值一致的情况下，各次产业的碳排放水平并不相同，不同的产业结构对二氧化碳的排放量和排放强度也会有不同的影响，也就是说各次产业的产业结构改变将带来相应的碳排放量的变动，从而造成整个社会的碳排放量发生变化。自GrossmanandKrueger（1995）[52]提出经济增长可通过规模效应、结构效应和技术效应三个方面来影响环境，学者们就普遍认为产业结构可以通过对经济增长规模的促进和对经济増长的方式的改变来间接影响碳排放。从经济发展的不同时期来看，在工业化发展的初期和中期，经济增长主要依靠大量消耗能源的产业部门，因此随着对能源消耗量的不断増大，碳排放水平必然相应提高；而工业发展后期产业门类主要属于知识产业、信息产业和技术产业，能耗较低，产业规模扩大也不会直接造成二氧化碳排放增多。从技术进步的不同阶段来看，能源使用的技术在初期相对较为落后，而后期随着能源使用技术的创新，能源使用效率会相应提高，伴随着各类环保技术的成熟及清洁能源使用增加，碳排放水平会相应有所降低。这也正是环境库兹涅茨曲线成立的重要原因。图SEQ图\*ARABIC图SEQ图\*ARABIC4绿色信贷对碳排放的直接和间接影响假设3：绿色信贷通过影响产业结构调整，间接降低碳排量。第2章实证研究设计和结果分析第一节模型构建与研究方法一、模型构建（一）检测绿色信贷对碳排放量的总效用模型20世纪后期，美国学者首次提出了IPAT模型，该方程最初用于反映人口对环境压力的影响，它将决定环境状况I的主要影响因素分为三种，分别为人口规模P，人均财富A和技术水平T。之后，国内外诸多学者为了从实证角度研究各类环境问题，在IPAT模型的基础上引入了指数，拓展并构建了STIRPAT模型，此模型可以很好地量化各类指标对环境污染的影响，因此目前在研究碳排放问题上应用十分广泛（Coke,Neumayer,2004;York,2007;Maruotti,2011[104]；陈诗一，2010[81]；朱勤，2010[91]；李锴、齐绍洲，2011[85]；牛鸿蕾，2013[88]；严成樑、李涛、兰伟，2016[69]；张腾飞、杨俊、盛鹏飞，2016[92]；张晶，2017[89]），该模型如下：I=aP等式两边同时取对数后转换为对数相加的等式：lnI=lna+blnP+clnA+dlnT+e（5-2）其中I表示环境因素，P表示人口总数，A表示人均财富（人均GDP）、T表示技术创新；b，𝑐，𝑑分别为各变量的系数，𝑎为常数项，𝑒为扰动项。依据前四章的文献综述、研究假设和作用机制分析，可知各省（直辖市、自治区）的碳排放量受多种因素共同作用决定。因此，首先在模型5-2的基础上加入本文的核心解释变量绿色信贷，以探究绿色信贷对碳排放的影响情况。同时，加入人均GDP的二次项来验证EKC假说。考虑到经济因素变化本身均具有一定的惯性，前一期结果往往对后一期有一定影响，中国各省（直辖市、自治区）的碳排放很可能存在滞后效应，引入碳排放的滞后项可以较好地控制滞后因素，因而在自变量中加入碳排放的滞后一期项（林伯强、刘希颖，2010[86]；杜立民，2010[84]；李锴、齐绍洲，2011[85]；李飞越，2015；严成樑、李涛、兰伟，2016[69]）。此外，加入其余控制变量：城镇化水平、外商投资、对外开放度和能源消费结构。在以往的研究文献中，这些因素曾表现出会对自然环境产生作用和影响，因而加入这些控制变量可以使模型更加完善，对于现实情况有更强的解释和指导作用，同时增强了模型估计结果的无偏性与可靠性，下一节将针对这些变量的选取进行更加具体的解释和准确的界定。由此建立如下模型：lnCEi,t其中，下标i、t分别代表地区和年份，lnCE代表碳排放量，lnCEi,t-1表示滞后一期的碳排放量，GC表示绿色信贷水平，lnPOP表示地区人口总数，lnPGDP表示人均国内生产总值，lnTI表示技术创新，URB表示城镇化水平，FDI代表外商投资，EOR代表对外开放度，ES代表能源消费结构，ε1（二）检测绿色信贷对产业结构的影响模型ISi,t=其中，IS表示产业结构，其他变量含义与模型5-3一致。（三）检测产业结构的中介效应模型图SEQ图\*ARABIC图SEQ图\*ARABIC2中介效应模型示意图参考温忠麟（2014）[105]，各变量关系为：Y=M=Y文章采用温忠麟、叶宝娟（2014）[105]的检验方法，对产业结构中介效应的传导机制与传导路径进行推理和检验，为使整个检验过程更加直观，绘制如图11所示流程图：图SEQ图\*ARABIC3图SEQ图\*ARABIC3中介效应检验流程lnCE变量含义与前文一致。因此，本文具体的检验步骤为：①开始检验方程（1）中X对Y的总效应系数小c（对应上文模型5-3的α2②开始检验方程（2）中X对M的效应系数小a（对应上文模型5-4的β1，代表绿色信贷对产业结构的影响）和方程（3）中控制X后，M对Y的效应系数小b（对应上文模型5-5的γ③开始运用“拔靴”法对系数小a和系数小b乘积（ab）的显著性进行检验，β1④检验方程（3）中小c'的显著性，（对应上文模型5-5的γ2⑤依次对比系数小a和小b的乘积（ab）是否与小c'同号。如果同号，判定存在部分中介效应，中介效应占总效应的比重为ab/c。如果异号，间接效应与直接效应对Y的影响刚好相反，这种现象被称为“遮掩效应”，即总的效应会被遮掩。二、研究方法由于本文的计量模型5-3和5-5都将滞后一期的被解释变量纳入其中，用于捕捉碳排放的惯性（陈诗一，2010[81]；杜立民，2010[84]；李锴、齐绍洲，2011[85]；朱德进，2013[90]；严成樑、李涛、兰伟，2016[69]；张晶，2017[89]），但由此亦会造成内生性问题。从统计分析的角度来看，如果模型中出现内生性问题，无论是使用混合OLS还是固定效应模型都无法保证得出无偏的估计结果。而对于上述问题，Bond（1991）[106]曾优先提出经典的一阶差分GMM进行解决，即将原方程进行差分并使用变量的滞后阶作为工具变量，进而解决模型内生性问题。但由于差分GMM在数据的处理过程中易损失样本信息，并在小样本情况下易出现弱工具变量问题，因而本文选取系统GMM对结果进行估计。系统GMM主要是通过差分方程与原水平方程联立方程组，同时引入应变量差分的滞后项和随机误差项正交这个矩条件，因而所得估计结果的有效性大幅提升。但是系统GMM使用时要求所有工具变量有效并且差分方程的残差项不存在二阶自相关。为满足上述要求，本文使用Sargan检验来验证工具变量的有效性，Arellano-Bond（AR(1)和AR(2)检验）自相关检验以判断其能否满足二阶序列不存在自相关。系统GMM分为一步法和两步法，其中两步法结合robust，对小样本数据有较好的估计效果（李锴、齐绍洲，2011[85]；原毅军、谢荣辉2014[107]），且在目前的实证中大多数研究采用系统GMM两步法，因此本文最终选取系统GMM两步法。部分研究认为系统GMM两步法估计的标准误可能存在向下偏误，本文为了使估计结果更为有效，均采用Windmeijer（2005）[108]提出的WC-robust纠正面板异方差。第二节样本数据与变量选取由于绿色信贷政策的正式实施最早起于2007年，而官方尚未披露2017年之后的能源消费数据。因此本文选取2007-2017年我国30个省份的数据作为研究对象。文中的数据清理、筛选与实证分析均使用STATA15.完成。其中数据主要选取于各省份的统计年鉴、《中国能源统计年鉴》、《中国金融年鉴》等。变量说明见表2：表SEQ表\*ARABIC1变量情况一览表

变量名称变量符号变量定义被解释变量碳排放量CE根据IPCC(2006)与历年《中国能源统计年鉴》测算所得解释变量绿色信贷水平GC地区非六大高耗能产业利息支出/规模以上工业企业利息支出中介变量产业结构IS地区第三产业增加值/第二产业增加值控制变量

人口总数POP地区人口总数人均生产总值PGDP地区人均生产总值技术创新TI地区专利授权数城镇化水平URB地区城镇人口/地区总人口数外商投资FDI地区外商直接投资额/地区生产总值对外开放度EOR地区进出口总额/地区生产总值能源消费结构ES地区煤炭消费量/能源消费总量被解释变量碳排放量（CE）：本文借鉴IPCC（2006），从能源消费和工业生产活动这两个方面对中国各省（直辖市、自治区）进行碳排放的测算。第三章第二节有详细的方法介绍，在此不进行赘述。解释变量绿色信贷水平（GC）：过去的研究中，大多数学者采用节能环保项目贷款占比（江红莉、王为东、王露，2020[109]）；治理工业污染投资中的银行贷款项目（徐胜，2018[38]）；绿色信贷余额占比（谢婷婷、刘锦华等，2019[77]；张云辉、赵佳慧，2019[78]）；六大高耗能产业利息支出占比（李晓西、夏光，2015[76]；张云辉、赵佳慧，2019[78]）来测度我国的绿色信贷水平。其中，节能环保项目贷款占比以及绿色信贷占比的数据是全国性统计数据，多用于从全国层面开展研究。前述中的工业污染治理投资中的“银行信贷”数据最新更新的一期至2010年，之后不再统计。而由原银监会负责集中披露的2013-2017年全国21主要银行的绿色信贷统计信息，则缺乏省级统计口径的数据，且不同银行之间跨地域联系紧密，难以区分各省的绿色信贷水平，而本文的研究样本选自国内30个省、市及地区，因此前述的衡量方法均不适用。鉴于数据的可得性和指标的权威性，本文将采用非六大高耗能产业利息支出占规模以上工业企业利息支出的比重，作为绿色信贷的衡量指标。具体原因在第三章已做详细说明，在此不进行赘述。中介变量产业结构（IS）：现有文献中大多将第三产业增加值占国内生产总值的比值用于衡量产业结构的变动（陈静、叶文振，2003[110]；梁玉、赵洋，2017[37]），也有将第二、第三产业增加值之和占GDP的比重作为衡量产业结构调整的指标（李治国、周德田，2013[111]；陈国庆、龙云安，2018[39]）。本文参考（郭朝先，2012[55]；原毅军、谢荣辉，2014[107]；陈毓佳，2018[40]；庞庆华、周未沫、杨田田，2020[68]）的方法，以第三产业的增加值与第二产业的增加值的比值衡量产业结构调整，比值越大，说明第三产业的规模增长相较于第二产业更大，因此该指标也常用于衡量产业结构高级化（原毅军、谢荣辉，2014[107]；陈毓佳，2018[40]）。目前我国的产业结构变迁主要是第二产业和第三产业间的变迁，因而采用该指标更适用于当前的经济形式。控制变量①人口总数（POP）：任何个体的生存与发展都离不开各类能源以及工业制成品，而随着全球人口总数的不断攀升，用于满足人们生活的各类能源及制成品需要越来越大。同时，根据STIRPAT理论与模型的分析可以得出人口的增长势必会对自然生态环境产生影响。因而地区人口数量将对该地区的二氧化碳排放量起到一定程度的影响。②人均生产总值（PGDP）：大量研究指出，污染排放量与人均GDP之间呈现先上升再下降的倒U型关系（朱德进，2013[90]；梁云、郑亚琴，2014[57]；严成樑、李涛、兰伟，2016[69]；张腾飞、杨俊、盛鹏飞，2016[92]；谭敏，2020[79]）。本文以人均GDP作为衡量指标，用以验证人均GDP和碳排放之间是否存在库兹涅茨曲线效应。③技术创新（TI）：技术创新可以从两个维度降低碳排放量。首先，通过技术创新，发展低碳技术，优化工业程序，降低生产过程中的能源消费和碳排放，提高能源使用效率。同时，也可以通过技术创新，研发出新的产品，替代原有的高能耗投入品，减少碳排放量。④城镇化水平（Urban）：城镇是人口、交通、建筑、工业的集中地，也是高能耗、高排放的集中地。已有研究显示，城市居民人均能源消费量是农村居民的约3.5-4倍，城镇化对碳排放起到重要影响（林伯强、刘希颖，2010[86]）。不过另一方面，城镇化也有利于加快现代化进程，规模经济和要素集聚可以提升技术水平，改善生产模式，因此也存在一种观点，认为城镇化对碳排放的影响并不确定，甚至可能抑制碳排放（严成樑、李涛、兰伟2016[69]；ShafieiandSalim,2014；Martínez-ZarzosoandMaruotti,2011[104]）。⑤外商投资（FDI）：以往的研究中，外商直接投资对环境的影响一直存在争议。第一种观点源于污染避风港假说（WalterandUgelow,1979[112]），认为外商会通过直接投资的方式，将一些对环境产生污染的企业从环境管制较为严格的母国转移至了环境管制标准相对较低的发展中国家，对转移标的国的环境造成负面影响，二氧化碳排放量增加。在这种假说下，随着一国或者地区的外商直接投资规模扩大，当地的碳排放量将会随之提高。第二种观点“污染光环”假说则认为外商投资可以很好的将发达国家的技术、资本流入发展中国家，为其带来更多高端技术，从而更好地改善环境，减少碳排放（FrankelandRose,2002[113]；谢文武等，2011[114]）。总言之，虽然FDI对碳排放的影响方向尚没有统一的观点，但学术界普遍认同其对碳排放量存在一定影响。⑥对外开放度（EOR）：本文参考（孙欣、张可蒙，2014[87]；王遥、潘冬阳、张笑，2016[100]；张晶，2017[89]；陈毓佳，2018[40]）的做法，选取各省（直辖市、自治区）进出口贸易额占GDP的比值表示。对外开放程度对环境理论上有着截然不同的两种影响，第一种为规模效应，即通过对外贸易提高本地出口，从而导致大规模的增加产出，这将大量增加废水、废气、固体废弃物这“三废”的排放，致使碳排放量增多，环境恶化。第二种为技术效应，部分学者认为，对外贸易开放有利于本国引进发达国家的先进技术，使用更多的高科技低碳环保技术，从而提升环境质量，降低碳排放。因此，该指标对碳排放的影响暂时不能确定（孙欣、张可蒙，2014[87]）。⑦能源消费结构（ES）：能源消费是碳排放的主要来源，其中，不同种类能源的等量消费会贡献不同规模的碳排放量，例如单位热量煤炭燃烧后所排放的二氧化碳是石油燃烧后的1.3倍。从理论层面来看，煤炭消费占能源消费总量的比重与二氧化碳排放总量成正比，因此将能源消费结构纳入到影响碳排放量的因素里是十分必要的（李锴、齐绍洲，2011[85]；张晶，2017[89]）。第三节描述性统计分析通过Stata15.对样本变量数据分析，样本数据的统计结果如表3所示：表SEQ表\*ARABIC2各变量描述性统计变量均值标准差最小值中位数最大值lnCE10.20010.76477.738610.214411.5220GC0.45140.14250.09400.46020.7950IS1.00930.56870.49960.85194.2367lnPOP8.18290.74246.31288.24929.3209lnPGDP10.51200.54868.971810.534611.7675(lnPDGP)²110.802011.517680.4937110.9785138.4746lnTI9.41571.54435.40279.469412.7149URB0.54120.13460.28240.52000.8960FDI0.04250.06920.00010.02200.4806EOR0.30080.36000.01690.13821.7228ES0.44820.15260.04320.47670.7241从表中可以看出，多数变量在样本区间内有明显变动。二氧化碳排放指标（lnCE）表明，2007-2017年间，指标最大值为11.522，来自2012年的山东省，碳排放量为100916万吨，最小值为7.7386，来自2007年的海南省，碳排放量为2295万吨，前者是后者的四十余倍，说明不同地区碳排放量存在非常大的差异。绿色信贷发展水平（GC）均值为0.4514，说明样本区间内各省的绿色信贷水平整体偏低，对六大高耗能产业的依赖整体较强，绿色信贷有待进一步发展。产业结构指标（IS）的最小值为0.4996，最大值为4.2367，平均值在1.01左右，中位数均低于均值，说明各省份间的产业结构差距较大，大部分地区产业结构高级程度落后于发达地区，经济发展方式存在明显差异。我国城镇化水平（URB）发展迅速，城镇人口在总人口中的比例最高达到89.6%。各地区的技术创新（lnTI）参差不齐，广东省2017年专利授权数最多，高达332652个。此外，能源消费结构（ES）、外商投资（FDI）、对外开放度（EOR）以及各控制变量在样本期间内均有显著变化，说明不同时间段内各地区间的差异较大，分布较为均匀，不存在极端值问题。第四节回归结果及分析以中国30个省（直辖市、自治区）2007-2017年的数据作为研究对象，使用三种估计方法（混合OLS、固定效应、系统GMM两步方法）对绿色信贷对碳排放影响的总效应进行估计，利用stata15.软件进行模型估计并得到回归结果（见表4）。表SEQ表\*ARABIC3绿色信贷对碳排放总效应的回归结果解释变量混合OLS固定效应GMM两步法（1）（2）（3）lnCE0.9895***0.6729***0.8690***（-1）（0.0138）（0.0382）（0.0336）GC0.0618-0.1814**-0.4635***（0.0412）（0.0714）（0.1082）lnPOP-0.00110.6193*0.4340***（0.0188）（0.1874）（0.1148）lnPGDP0.36061.8093***1.6676**（0.2609）（0.3899）（0.7449）(lnPDGP)²-0.0173-0.0791***-0.0727**（0.0125）（0.0186）（0.0336）lnTI-0.0146-0.0217-0.0735**（0.0088）（0.0173）（0.0322）URB-0.1305-0.1435-0.6424（0.1124）（0.2716）（0.4359）FDI0.0630-0.1165-1.8369***（0.0845）（0.1994）（0.5988）EOR0.0501**-0.05100.0324（0.0252）（0.0521）（0.0523）ES0.0844*0.5776***-0.3680（0.0498）（0.0993）（0.2578）cons-1.5909-11.8279***-10.1610**（1.3723）（2.9312）（4.3998）AR(1)——0.001AR(2)——0.189Sargan检验——0.108样本量330330330注：表中圆括号内数值为稳健标准差，*、**和***分别表示系数在10%、5%和1%水平上显著，LnCE(-1)表示LnCE的滞后项。上述估计均采用Windmeijer（2005）的WC-robust纠正面板异方差。AR(1)、AR（2）、Sargan检验报告的均为P值，除P值外统一保留4位小数。在分析绿色信贷对碳排放的影响之前，我们有必要先对所设定模型5-3和5-5中的动态关系是否合理进行验证。模型5-3的结果如表4第（3）列所示。从中可以看出，被解释变量lnCE的滞后项系数在1%水平上显著，AR(1)的p值是0.001，AR(2)的P值是0.189，Sargan检验的P值是0.108。模型5-5的结果亦是如此，具体可查看表8第（3）列所示。因此说明模型5-3和5-5均存在动态关系，残差的序列相关性指标AR（2）表明不存在二阶序列相关性，工具变量也无法拒绝外生性的假设，因此采用动态系统GMM估计方法能够有效克服模型的内生性问题。相较于动态系统GMM一步法，两步法的估计结果容易产生一定的偏倚。Bond（2002）[106]指出由于非观测个体固定效应的存在，固定效应模型往往会低估被解释变量滞后项的系数，混合OLS会高估被解释变量滞后项的系数。因此固定效应与混合OLS的估计量决定了两步法估计量的下上限。表4第（3）列显示lnCE滞后项系数为0.8690，介于混合OLS估计值0.9895和固定效应估计值0.6729之间。表8绿色信贷和产业结构对碳排放影响的回归第（3）列显示被解释变量lnCE滞后项系数为0.7177，也介于混合OLS估计值0.9801和固定效应估计值0.6703之间，这与Bond（2002）[106]提出的“如果GMM估计值介于固定效应估计值与混合OLS估计值之间，说明估计结果有效且可靠”的结论相符。进而更加说明系统GMM两步法的估计结果可靠。综上所述，本文采用动态系统GMM两步法对所设计量模型5-3和5-5进行估计，下文分析主要基于此。模型5-1检验了绿色信贷（GC）对碳排放（lnCE）的直接影响，表4的回归结果显示，核心变量绿色信贷水平的回归系数为-0.4635，且通过1%的显著性水平检验。说明绿色信贷水平与碳排放量在1%的水平上呈现显著的负相关关系，区域绿色信贷发展对碳排放有负向作用，总体减少了二氧化碳的排放，由此验证假设1。其次，观察控制变量对碳排放的影响。人口总数（lnPOP）系数符号显著为正，说明人口规模的膨胀确实会导致碳排放量的上升，和预期相符，可能是由于不断攀升的人口数量提高了对能源消费的需求。经济发展水平和碳排放之间呈正相关关系，人均GDP的一次项lnPGDP系数为1.6676，二次项（lnPDGP）²系数为-0.0727，均在5%的显著水平下显著。表明人均国内生产总值与碳排放具有倒U型关系，与以往部分学者研究结果相符（朱德进，2013[90]；梁云、郑亚琴，2014[57]；严成樑、李涛、兰伟，2016[69]；张腾飞、杨俊、盛鹏飞，2016[92]；谭敏，2020[79]），证明库兹涅茨环境假说在我国成立。技术创新（lnTI）对应的系数总体为负且5%水平上显著，说明创新能力越强，二氧化碳排放越低。也很好的从侧面说明了技术的进步对于降碳减排具有重要的作用。外商直接投资（FDI）影响二氧化碳排放既有积极的一面，也有消极的一面，这些在上文选取变量时已有阐述。实证结果显示，外商直接投资对二氧化碳排放的回归系数在1%的水平下显著为负，表明外商直接投资的增加有利于降低二氧化碳排放。这可能是由于近些年来外商投资结构在不断优化，带来了先进的生产管理模式，提高生产效率的同时降低了能源消耗。对外开放度（EOR）和能源结构（ES）的影响并不显著，暂不做探讨。此外，碳排放量的滞后项（lnCE（-1））系数在1%的水平上显著为正，表明碳排放具有持续性，上期的碳排放会对下一期有显著影响。说明采用动态面板模型是合理有效的，增强模型整体的解释力度。第五节稳健性检验本文将原始数据按经济发展水平进行分类，采用各省2007-2017人均GDP均值的中位数作为分类标准，将30个省份地区分为经济发展程度较好地区和经济发展程度较差地区，重新进行回归。表5和表6分别报告了经济发展程度较好地区和经济发展程度较差地区的回归结果。首先，对比两张表格GMM两步法、混合OLS和固定效应的回归结果。两组检验中，GMM两步法回归结果的AR（1）、AR（2）和Sargan检验的P值均通过检验，且滞后一期二氧化碳排放量对应的系数显著为正，证明碳排放具有持续性，上期的碳排放会对下一期有显著影响。诸上说明了系统GMM估计方法的结果仍然有效且可靠。对于碳排放，总体上而言，无论地区经济是否发达，绿色信贷水平对二氧化碳的排放量始终存在显著的负向影响，与基本回归相比，绿色信贷的系数大小虽有所改变，但仍然至少在5%水平上对地区碳排放存在显著的负向影响效应。本文的核心结论依然成立，即假设1成立。但相对于欠发达地区绿色信贷水平每提升1单位，碳排放规模降低0.1627单位，绿色信贷在经济水平较高地区对降低碳排放的作用更明显，每单位的绿色信贷调整对应0.4987单位的碳排放量变动。这可能是由于经济发展水平较差的地区受经济压力等因素的影响，对易形成固定资产且盈利水平高的工业基础行业支持保护力度大，企业本身具有更多的资本获取渠道，对信贷融资依赖度较低，导致企业对绿色信贷政策的反应不如经济发达地区敏感。人口因素和城镇化带来的影响在两组地区存在差异，经济发展水平较高地区的人口数量和城镇化对碳排放的影响显著为正，另一组则都不显著。两组地区均显示出技术创新对碳排放的负向作用，但是经济发展水平落后地区技术创新的系数并不显著且绝对值较小，可能的解释为经济发展水平较差地区科技投入带来的产业转型效应还没显现，需进一步加大对地区的科技投入。外商投资方面，两组地区则表现出截然相反的情况。发展水平较高地区，外商投资对碳排放在1%的水平上负向显著，发展较落后的地区，外商投资对碳排放则在10%的水平正向显著，说明外商直接投资的增加将会引起二氧化碳排放量的上升。这主要是经济发展相对落后的地区，缺乏充足的外商资源，对优质资源的吸引力弱。而经济发展水平较高的地区不仅可以吸引到相对优质的外商投资，节能减排技术水平也相对领先，因此二氧化碳排放量随着外商直接投资规模的增加而下降。表SEQ表\*ARABIC4经济发展较好地区绿色信贷对碳排放影响的回归结果解释变量混合OLS固定效应GMM两步法（1）（2）（3）lnCE0.9882***0.4313***0.9676***（-1）(0.0265)(0.0625)(0.0630)GC-0.1029-0.2412***-0.4987*(0.0782)(0.0868)(0.2621)lnPOP0.00470.6506***0.6565**(0.0427)(0.2203)(0.3079)lnPGDP-0.63741.9812***-1.0123(0.5809)(0.7265)(6.1931)(lnPDGP)²0.0281-0.0864**0.0114(0.0269)(0.0337)(0.2875)lnTI-0.0002-0.0190-0.1374*(0.0150)(0.0259)(0.0831)URB-0.14780.6603**5.8780***(0.2065)(0.3193)(0.7844)FDI0.1160-0.3243*-9.4900***(0.0972)(0.1792)(3.0096)EOR0.0248-0.05990.6342*(0.0336)(0.0553)(0.3343)ES0.05130.8335***0.2976(0.0883)(0.1379)(0.5427)cons3.8224-11.1529**2.7205(3.1651)(4.9298)(33.8222)AR(1)——0.017AR(2)——0.365Sargan检验——0.318样本量165165165注：表中圆括号内数值为稳健标准差，*、**和***分别表示系数在10%、5%和1%水平上显著，LnCE(-1)表示LnCE的滞后项。上述估计均采用Windmeijer（2005）的WC-robust纠正面板异方差。AR(1)、AR（2）、Sargan检验报告的均为P值，除P值外统一保留4位小数。表SEQ表\*ARABIC5经济发展较差地区绿色信贷对碳排放影响的回归结果解释变量混合OLS固定效应GMM两步法（1）（2）（3）lnCE0.9769***0.6631***0.8637***（-1）(0.0224)(0.0606)(0.0232)GC0.1181-0.0567-0.1627*(0.0791)(0.1184)(0.0922)lnPOP-0.01251.2159***-0.0082(0.0259)(0.4472)(0.0148)lnPGDP0.88651.17070.9509**(0.7973)(0.8990)(0.4218)(lnPDGP)²-0.0431-0.0418-0.0457*(0.0395)(0.0451)(0.0268)lnTI-0.0097-0.0095-0.0086(0.0152)(0.0241)(0.0116)URB-0.2157-1.6042***0.1976(0.2046)(0.5605)(0.2398)FDI-0.23630.36230.2417*(0.573)(0.7473)(0.1269)EOR0.2125*-0.1116-0.5973(0.1251)(0.1824)(0.4901)ES0.1288*0.4492***0.1531*(0.0753)(0.14