| 12,585 | 108 | 1425 |
| 下载次数 | 被引频次 | 阅读次数 |
实施绿色金融试点政策是我国自下而上完善绿色金融体系的重要举措，对于地区产业低碳转型和发展新质生产力具有重要意义。本文利用2010—2019年283个地级市的平衡面板数据，以绿色金融试点政策为切入点，采用双重差分模型和空间计量方法系统评估了实施绿色金融试点政策的碳减排效应。研究发现，绿色金融试点政策的实施显著降低了试点城市的工业碳排放总量和工业碳强度，且政策效果具有持续性和稳健性。绿色金融试点政策具有显著的空间溢出效应，即本地绿色金融试点政策的实施会对空间关联地区的碳减排产生积极影响，但施策过程中需防范污染产业转移风险。进一步研究发现，绿色金融试点政策的碳减排效应在不同区域和不同试点城市中呈现异质性。影响机制分析结果表明，绿色金融试点政策主要通过发展绿色信贷、优化能源消费结构和提升能源利用效率等方式促进地区碳减排。本文研究为我国完善绿色金融体系和实现“双碳”目标提供了实证参考。
Abstract：Setting up green finance reform and innovation pilot zones is an important measure to improve the green finance system from the bottom up, which is significant for the low-carbon transformation of local industries and the green growth of local economy. Based on the panel data of 283prefecture-level cities from 2010 to 2019, this paper systematically evaluates the carbon emission reduction effect of green finance pilot policies by using the double difference model and spatial econometric method,taking the establishment of green finance reform and innovation pilot zones as a quasi-natural experiment.The results show that the implementation of green finance pilot policy significantly reduces the total industrial carbon emissions and industrial carbon intensity of pilot cities, and the policy effect is sustainable and robust. Green finance pilot policy has a significant spatial spillover effect, that is, the implementation of local green finance pilot policy will have a positive impact on carbon emission reduction in spatially related areas, but the risk of polluting industry transfer should be prevented during the implementation. Further research shows that the carbon emission reduction effect of green finance pilot policies is heterogeneous in different regions and different pilot cities. Mechanism analysis shows that green finance pilot policies can achieve regional carbon emission reduction mainly by developing green credit, optimizing energy consumption structure and improving energy efficiency. The research provides reference for China to improve the green financial system and achieve the goals of carbon peak and neutrality.
[1]曹清峰.国家级新区对区域经济增长的带动效应——基于70大中城市的经验证据[J].中国工业经济, 2020(7):43–60.
[2]崔惠玉,王宝珠,徐颖.绿色金融创新、金融资源配置与企业污染减排[J].中国工业经济, 2023(10):118–136.
[3]董直庆,王辉.环境规制的“本地—邻地”绿色技术进步效应[J].中国工业经济, 2019(1):100–118.
[4]董直庆,王辉.市场型环境规制政策有效性检验——来自碳排放权交易政策视角的经验证据[J].统计研究, 2021, 38(10):48–61.
[5]范子英,周小昶.财政激励、市场一体化与企业跨地区投资——基于所得税分享改革的研究[J].中国工业经济, 2022(2):118–136.
[6]葛力铭,郑贺允,孙鹏博,等.低碳赋能增效:低碳城市试点政策对环境福利绩效的影响[J].统计研究, 2024, 41(2):100–113.
[7]韩峰,谢锐.生产性服务业集聚降低碳排放了吗?——对我国地级及以上城市面板数据的空间计量分析[J].数量经济技术经济研究, 2017,34(3):40–58.
[8]韩晶,姜如玥.数字经济赋能低碳发展:理论逻辑与实践路径[J].统计研究, 2024, 41(4):54–67.
[9]邵帅,范美婷,杨莉莉.经济结构调整、绿色技术进步与中国低碳转型发展——基于总体技术前沿和空间溢出效应视角的经验考察[J].管理世界, 2022, 38(2):46–69.
[10]邵帅,李欣,曹建华,等.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(9):73–88.
[11]沈坤荣,金刚,方娴.环境规制引起了污染就近转移吗?[J].经济研究, 2017, 52(5):44–59.
[12]孙鹏博,葛力铭.通向低碳之路:高铁开通对工业碳排放的影响[J].世界经济, 2021, 44(10):201–224.
[13]王修华,刘锦华,赵亚雄.绿色金融改革创新试验区的成效测度[J].数量经济技术经济研究, 2021, 38(10):107–127.
[14]王遥,潘冬阳,彭俞超,等.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.
[15]邬彩霞.中国低碳经济发展的协同效应研究[J].管理世界, 2021, 37(8):105–117.
[16]吴茵茵,齐杰,鲜琴,等.中国碳市场的碳减排效应研究——基于市场机制与行政干预的协同作用视角[J].中国工业经济, 2021(8):114–132.
[17]谢婷婷,刘锦华.绿色信贷如何影响中国绿色经济增长?[J].中国人口·资源与环境, 2019, 29(9):83–90.
[18]张天华,邓宇铭.开发区、资源配置与宏观经济效率——基于中国工业企业的实证研究[J].经济学（季刊）, 2020, 19(4):1237–1266.
[19]周倩玲,方时姣.地区能源禀赋、企业异质性和能源效率——基于微观全行业企业样本数据的实证分析[J].经济科学, 2019(2):66–78.
[20] Becker R, Henderson V. Effects of Air Quality Regulation on Polluting Industries[J]. Journal of Political Economy, 2020, 108(2):379–421.
[21] Brandi C, Schwab J, Berger A, et al. Do Environmental Provisions in Trade Agreements Make Exports from Developing Countries Greener?[J].World Development, 2020, 129:104899.
[22] Caragnano A, Mariani M, Pizzutilo F, et al. Is It Worth Reducing GHG Emissions? Exploring the Effect on the Cost of Debt Financing[J].Journal of Environmental Management, 2020, 270:110860.
[23] Fu S, Viard V B, Zhang P. Trans-boundary Air Pollution Spillovers:Physical Transport and Economic Costs by Distance[J]. Journal of Development Economics, 2022, 155:102808.
[24] Glomsr?d S, Wei T. Business as Unusual:The Implications of Fossil Divestment and Green Bonds for Financial Flows, Economic Growth and Energy Market[J]. Energy for Sustainable Development, 2018, 44:1–10.
[25] Li W, Jia Z. Carbon Tax, Emission Trading, or the Mixed Policy:Which is the Most Effective Strategy for Climate Change Mitigation in China?[J]. Mitigation and Adaptation Strategies for Global Change, 2017, 22(6):973–992.
[26] Li, P, Lu Y, Wang J. Does Flattening Government Improve Economic Performance? Evidence from China[J]. Journal of Development Economics, 2016, 123:18–37.
[27] Muganyi T, Yan L, Sun H P. Green Finance, Fintech and Environmental Protection:Evidence from China[J]. Environmental Science and Ecotechnology, 2021, 7:100107.
[28] Wang F Y, Wang R, He Z L. The Impact of Environmental Pollution and Green Finance on the High-quality Development of Energy Based on Spatial Dubin Model[J]. Resources Policy, 2021, 74:102451.
[29] Wang Y, Lei X, Long R, et al. Green Credit, Financial Constraint, and Capital Investment:Evidence from China’s Energy-investment Enterprises[J]. Environmental Management, 2020, 66(6):1059–1071.
[30] Wu H, Guo H, Zhang B, et al. Westward Movement of New Polluting Firms in China:Pollution Reduction Mandates and Location Choice[J].Journal of Comparative Economics, 2017, 45(1):119–138.
(1)8个绿色金融改革创新试验区分别位于浙江省衢州市和湖州市，江西省赣江新区，广东省广州市，贵州省贵安新区，新疆维吾尔自治区的克拉玛依市、昌吉州和哈密市。2019年11月，兰州新区被设为绿色金融改革创新试验区。2022年8月，重庆市被设为绿色金融改革创新试验区。兰州新区和重庆市因获批时间较晚，不在本文样本区间内，故暂不考虑。
(2)数据来源为http://finance.people.com.cn/n1/2022/0828/c1004-32513183.html。
(1)数据来源为https://m.thepaper.cn/baijiahao_16130742。
(2)因篇幅所限，绿色金融试点政策的实施背景以附录1展示，见《统计研究》网站所列附件。下同。
(1)根据2019年末行政区划数据，使用我国国土面积除以地级市个数，可以粗略估计出，城市的平均面积约为3万平方公里。假设城市是圆形，则可以计算出一个城市的平均半径约为100公里，那么从试点城市中心到临近城市远端边界的距离约为300公里。
(2)城市工业碳排放的计算公式为2()n p e n p eCO=C+C+C=κE+γE+φη×E。其中，()e eC=φη×E，φ为煤电燃料链温室气体排放系数，折合等效2CO为1.3023千克/（千瓦时）；η为煤电发电量占总发电量的比例；eE为工业用电量；nE和pE分别为工业消耗天然气量和液化石油气量，κ和γ分别为天然气和液化石油气的2CO排放系数。
(3)因篇幅所限，变量的平衡性检验结果以附表1展示。
(4)考虑到城市层面的工业消耗天然气量和液化石油气量等指标数据仅能获得2019年及之前的数据，再加上2020年以后受到新冠疫情的影响，城市层面的经济变量波动较大，因而本文数据截止到2019年。
(5)本文对样本做以下处理。一是，为保证数据的完整性，对于缺失数据较少的地级市，通过查询统计公报予以补齐；若未查询到数据，则通过移动平均法补充缺失数据；删除海东市、铜仁市、毕节市、莱芜市、儋州市和西藏自治区等数据缺失严重的地区；处理组中昌吉州的数据缺失严重，故将其删除。二是，为保证数据的可比性，所有名义变量统一按照GDP平减指数（以2010年为基期）处理得到实际值，并将绝对值变量作对数化处理。此外，外商直接投资的单位是美元，本文通过各年份中间汇率换算为人民币。
(1)因篇幅所限，控制变量的估计结果以附表2展示。
(1)在具体回归中，本文以k=-1，即绿色金融试点政策实施前1年作为基准期。
(2)因篇幅所限，绿色金融试点政策的平行趋势检验结果以附图1展示。
(3)因篇幅所限，绿色金融试点政策的安慰剂检验结果以附图2展示。
(1)因篇幅所限，稳健性检验结果以附表3展示。
(2)采用各地级市碳排放占省份碳排放比重的均值乘以各省份总碳排放的方法，将2018—2019年的地级市碳排放数据补齐。
(3)具体估算公式为，省级碳排放总量=AD×EF，其中AD（活动数据）表示人类活动发生程度的信息，EF（排放因子）表示量化活动产生排放的系数。
(4)本研究中，东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、广西、海南12个省份，中部地区包括山西、内蒙古、吉林、黑龙江、安徽、江西、河南、湖北、湖南、广西10个省份，西部地区包括四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆9个省份。
(5)最邻近匹配（Nearest Neighbor Matching）的理论逻辑是，首先将处理组和控制组分开，根据协变量计算倾向得分（PS值）；然后，依据PS值大小分别对两组研究对象进行排序，从处理组中依次选出1个研究对象，从对照组中找出1个(或多个)与处理组个体倾向评分值最相近的个体作为匹配对象。从源人群中移去匹配成功的对子，再依次进行处理组剩余研究对象的匹配过程。最邻近匹配法按处理组研究对象进行匹配，所有个体都可以成功匹配，可以充分利用处理组信息，但如果配对组与处理组的PS值分布差距较大，将影响匹配质量，降低研究精确度。核匹配（Kernel Matching）的理论逻辑是，对每一个处理组的个体都使用对照组个体作为匹配。根据对照组个体与处理组个体i距离的不同赋予不同的权重，与个体i距离越近的权重越高，距离越远的权重越低，权重由核函数计算得出。
(1)尽管基准估计中绿色金融试点政策的碳减排效应存在被略微低估现象，但政策效果的存在性和合理性依然成立。
(1)选择距离试点城市1200~1500公里作为基准。
(1)因篇幅所限，区域异质性估计结果以附表4展示；分组回归后系数的组间差异检验结果以附表5展示。
(2)因篇幅所限，仅对部分城市的估计结果进行分析，该部分试点城市与合成城市碳排放路径图以附图3展示；其余城市碳排放路径图和估计结果分析以附图4展示。
(3)合成控制法是选取特定的预测变量（本文中选取控制变量作为预测变量），通过对处理组中各样本的预测变量进行加权，从而拟合一个与处理组特质相近的合成控制组作为对照组，通过比较政策实施后处理组与合成组之间的差异来评估政策影响。
(4)在每一组中处理组为一个试点城市，控制组为包含该试点城市的省份中的非试点城市。
(1)限于数据的可获得性，机制变量采用了省级层面的数据，尽管会高估或者低估政策效果，但是显著性水平以及影响方向不会受到影响，依然可以得到绿色金融试点政策影响碳减排的作用路径。
(2)选取各省份6大高耗能产业利息支出占工业产业利息总支出的比重作为绿色信贷的衡量方式（谢婷婷和刘锦华，2019）。
基本信息:
DOI：10.19343/j.cnki.11-1302/c.2024.09.003
中图分类号:F832;F299.2;X196
引用信息:
[1]李慧,佟孟华,张国建.绿色金融改革创新试验区的碳减排效应——基于空间溢出效应与城市异质性的视角[J].统计研究,2024,41(09):44-58.DOI:10.19343/j.cnki.11-1302/c.2024.09.003.
基金信息:
国家自然科学基金青年项目“中国区域产业政策推动制造业高质量发展的机制与路径研究”（72203100）; 国家社会科学基金重点项目“制造业碳达峰碳中和的实现机制与政策保障”（22AZD095）
2024-09-25
2024-09-25