绿色金融政策推动了低碳发展吗？——以“一带一路”沿线中国重点省域为例

■赵 军，刘春艳

一、引言

中国经济迈入了高质量发展的新时代，对绿色发展和可持续发展提出迫切要求。在我国新一轮高水平对外开放的关键阶段，“一带一路”倡议已取得阶段性成果，对推动中国特色社会主义现代化建设意义深远，同时有助于全球经济复苏、应对全球气候变化。建设绿色“一带一路”不仅是质量引领的客观要求，也是新时代全面对外开放的重点。中国的绿色金融市场虽然起步晚但其成效显著，随着“一带一路”建设与合作的不断深化，注入专业化绿色金融支持，让绿色成为“一带一路”建设的主流色，实现低碳发展，意义重大（王文和曹明弟，2016）。在大力推行“一带一路”倡议和发展绿色金融的背景下，《关于推进绿色“一带一路”建设的指导意见》正式出台，王遥等（2017）认为该意见的提出对绿色“一带一路”的建设和发展具有重要指导作用。

关于绿色金融与低碳发展的研究，起源于经济发展对低碳发展的影响、金融发展与经济发展的关系，Greenwood&Jovanovic（1990）认为金融中介和经济增长之间是相互影响的，金融中介可以给资本带来更高的回报进而推动经济的增长，经济增长又可以促进金融发展更复杂的结构，同时还会对社会低碳发展产生影响。以Tamazian et al.（2008）、严成樑等（2016）为代表的学者们认为，金融发展会增加技术研发投入，进而通过技术手段达到提升资源利用率的目的，减少碳排放，形成金融发展的“减排效应”。随着研究的深入，金融发展的概念更为具体化，张军（2006）通过实证研究，认为非国有企业部门获得的信贷资金越多，越有助于产生经济增长和效率提升的正向效应。而实施绿色金融政策，能够显著降低投入到污染行业和企业的长期贷款（Chen et al.，2018），这与新时代中国经济发展和生态保护的需求相契合，不但控制了信贷资金流向“两高行业”，也在一定程度上促进了节能减排，改善了环境质量。因此，绿色信贷规模还需扩张，助力构建以市场为导向的绿色技术创新体系（吴姗姗，2018）。

作为“一带一路”建设的核心区，沿线的中国重点省域（以下简称“沿线重点省域”）一方面享受着深度合作的发展红利，另一方面是稳步推进绿色“一带一路”建设的先行者（张文博等，2017）。这就给沿线重点省域的发展提出了新要求，不仅要借力“一带一路”平台发展高质量经济，还要充分发挥先锋队的重要作用，注重低碳发展和可持续发展，推动建设绿色“一带一路”。由此引出几个值得思考的问题：绿色金融政策的实施是否推动了沿线重点省域的低碳发展？是通过何种途径影响沿线重点省域低碳发展的？为了回答上述问题，笔者首先对绿色金融政策影响低碳减排的作用机理进行分析，其次采用断点回归方法分析绿色金融作用于沿线重点省域低碳发展的政策效果，进一步，运用中介模型讨论绿色金融助力沿线重点省域低碳发展的传导机制，最后为沿线重点省域下一步加快低碳发展、建设绿色“一带一路”提供思路参考。

二、绿色金融政策作用机理与模型设定

（一）作用机理

1.资本形成机制

资本是社会生产经营活动的必要资源，企业在生产和扩大再生产的过程中，如果仅依靠自有资本很难进行，由此获取外部资本对企业扩大规模至关重要。而绿色金融能够通过其具有差异化的绿色融资政策，为沿线重点省域低碳减排提供助力，引导沿线重点省域加快绿色发展步伐。一方面，通过严格限制“两高”企业的融资支持，如规定贷款的高利率等，使该类企业的生产规模扩大受到限制，通过市场机制，倒逼企业转型升级，以减少原有生产模式所带来的污染排放。另一方面，通过加大对环保节能产业发展的金融支持力度，如对该类产业实施绿色信贷优惠利率等，为其扩大再生产提供资本支持，既能够壮大市场原有企业生产规模，又能吸引其他企业进入该产业，从源头遏制污染产生。

2.资源配置机制

技术进步被认为是低碳减排的主动能，如孙传旺等（2010）通过构建了受碳强度约束的全要素生产率指数，并对其分解研究，认为在碳强度约束下，技术进步是促进全要素生产率提高的主要因素。绿色金融政策可以通过引导金融资源配置至异质的技术进步路径，进而产生低碳减排效应，通过对现有文献梳理得出三条路径。

一是环境技术进步。通过节能减排技术创新带来的技术进步可以提升能源利用效率，进而减少单位能耗的碳排放（Acemoglu et al.，2012）。各类金融活动通过引导经济主体加强生态环境意识，可以为此类技术进步的融资活动进行资金支持。二是偏向性技术进步。郭沛和冯利华（2019）认为由技术进步带来的经济增长，不仅是因为能源使用效率的提高，同时也是因为劳动、资本等要素利用效率提高，由于各类生产要素之间存在替代关系，使得技术进步存在偏向性，而偏向性的技术进步能够通过改变要素投入的比例，进而对环境改善起到不同的影响作用。三是FDI技术外溢。研究表明自主研发并不是唯一的技术进步路径。随着“一带一路”建设，金融市场在促进外资通过资金、技术等溢出效应进而提升产业技术进步的作用至关重要（Shahbaz et al.，2013），通过合作创新和技术引进的方式可以节约成本，加快步伐缩短技术差距，为低碳减排提供更多的选择。

绿色金融政策对沿线重点省域低碳发展的作用机理如图1所示。

图1 绿色金融政策推动低碳发展的作用机理图

（二）模型设定与变量选择

1.模型设定

首先，采用普通最小二乘方法进行基准回归，估计绿色金融与沿线重点省域低碳减排之间的关系，构建如下基准模型：

其次，采用断点回归设计（Regression Discontinuity Design，RDD）对绿色金融政策实施的局部效应进行估计。该方法能够通过控制宽窗对局部平均处理效应（Local Average Treatment Effect，LATE）进行估计，估计结果能够更准确地反映政策冲击带来的影响（刘生龙等，2016）。其主要原理是：驱动变量存在一个临界值，大于临界值时驱动变量接受处置效应，小于临界值时则不接受，不接受处置效应的一组可视为对照组。Lee&Lemieux（2010）认为，在得不到随机实验时，RDD可以避免内生性问题，有效反映出变量间的因果关系。

绿色金融政策《关于落实环保政策法规防范信贷风险的意见》的重要性在于它开启了中国的绿色发展之路，对绿色金融的发展举足轻重（蔡海静等，2019）。如果该政策推出后立刻得到严格的执行，那么RDD估计的最简单的估计方式是采用精确断点回归设计（Sharp RDD），则有：

其中，f（x）为执行变量（Running Variable），衡量沿线重点省域是否受到政策的影响，Xi是省份i实施绿色金融政策的时间，c为时间断点，那么则有，政策实施之前f（x）=0，政策实施之后f（x）=1。然而该政策发布后，由于政策的执行存在一定的时滞性，以及各地区对政策实施的执行时间和严格程度的不同，则更适合模糊断点回归设计（Fuzzy RDD），那么有：

此时，执行变量f（x）在断点处并不是非0即1，而是介于[0，1]之间，根据Imbens&Lemieux（2007），此时f（x）通过AIC信息准则进行估计。借鉴梁若冰和席鹏辉（2016），具体的RDD参数估计方程设定如下：

其中，CI表示碳排放强度；gfd表示绿色信贷发展指标，为RDD的驱动变量；其他控制变量（control）包括：产业结构（stru）、经济发展程度（pgdp）、地区开放程度（open）、城镇化水平（urban）和人力资本（hum）；ε为随机误差项。各重点省域i是否受政策的影响根据执行变量f（x）的变化而定，驱动变量（gfd）本身不受操纵，即存在连续性，但如果在f（x）给定的条件下，被解释变量（CI）在断点处出现的跳跃则可被认为是由政策带来的平均处理效应。

借鉴孙焱林和施博书（2019）、刘钻扩和辛丽（2018）的做法，结合文章实际研究，将时间断点设定为2010年。原因主要是《关于落实环保政策法规防范信贷风险的意见》这一政策颁布于2007年，但鉴于政策的时滞性，各地区对政策实施的执行时间和严格程度的不同，以及各金融机构参与绿色金融活动的积极性不同，故而选取2010年作为执行变量。

2.数据选取

（1）被解释变量

采取二氧化碳排放量与地区生产总值的比值作为被解释变量，即二氧化碳排放强度（以下简称碳排放强度，CI）。由于我国现阶段还未有权威机构公布的省级碳排放数据，因此借鉴王锋等（2010）选取的2006年联合国政府间气候变化专门委员会（International Panel on Climate Change，IPCC）公布的测算方法来估算我国省级碳排放的数据，具体估算公式如式（5）。

其中，CO2表示待估算的二氧化碳排放量，i表示各种能源燃料，Ei代表各种能源的燃烧消费量，NCVi为各种能源的平均低位发热量，CEFi表示各种能源的二氧化碳排放因子①文中测算二氧化碳的能源燃料有：煤炭、焦炭、焦炉煤气、高炉煤气、转炉煤气、其他煤气、原油、汽油、煤油、柴油、燃料油、液化石油气、天然气和液化天然气。。

（2）核心解释变量

绿色信贷作为代表性绿色金融工具，能够在一定程度上体现绿色金融政策的实施效应。目前，对于绿色信贷测度指标，学术界一般选取绿色信贷占比和高耗能产业利息支出占比两个指标进行测度（李晓西等，2014）。由于现阶段各银行关于绿色信贷的统计口径有所不同，故而选取高耗能产业利息支出占比来衡量绿色信贷，作为断点回归的驱动变量，具体计算公式如式（6），其中，HIIE为高耗能工业产业利息支出，TIIE工业产业的利息总支出②根据国家发改委规定，选取六大高耗能产业利息支出，分别是化学原料及化学制品制造业、非金属矿物制品业、黑色金属冶炼及压延加工业、有色金属冶炼及压延加工业、石油加工炼焦及核燃料加工业、电力热力的生产和供应业。。

为了进一步检验绿色金融政策的金融资源配置效应，借鉴袁云峰和曹旭华（2007）选取金融机构年末贷款余额之和与GDP之比作为金融资源配置水平（fd）的衡量指标，来反映经济的金融化程度。

（3）其他变量

产业结构（stru），因为碳排放量主要来源于工业，所以用工业部门增加值占GDP的比值表示产业结构。经济发展程度（pgdp），用以2003年为基期所计算出的人均GDP表示经济发展程度。地区开放程度（open），用各省进出口总额与GDP的比值表示地区开放程度。城镇化水平（urban），用各省城镇人口数量比总人口数量衡量。人力资本（hum），用各省就业人员的平均受教育年限衡量。

3.描述性统计

研究采用的是2003—2016年17个“一带一路”沿线中国重点省域的省际面板数据①根据《推动共建丝绸之路经济带和21世纪海上丝绸之路的愿景与行动》中所圈定的沿线中国重点省域，最终选定沿线17个省域（西藏数据大量缺失，故将其剔除）。按照地理位置分布，“一带”沿线重点省域包括浙江、上海、福建、广东、海南、广西、重庆和云南；“一路”沿线重点省域包括辽宁、吉林、黑龙江、内蒙古、陕西、宁夏、甘肃、青海和新疆。。各省域历年各种能源消费数据来自《中国能源统计年鉴》；工业产业利息支出相关数据来自《中国工业统计年鉴》；贷款余额数据来自《中国金融年鉴》；物质资本存量数据来自《中国固定资产投资统计年鉴》；城镇人口数据来自《中国人口和就业统计年鉴》；FDI数据来自Wind数据库；其余数据均来自《中国统计年鉴》。变量的描述性统计如表1所示。

表1 变量描述性统计

三、绿色金融政策减排效应实证结果分析

（一）局部平均处理效应

RDD的设计基础在于，若沿线重点省域在2010年出现碳排放强度明显断点，这种变动则有可能是由于绿色政策政策实施所引起的。因此，以2010年为时间断点，用图形的方式将沿线重点省域碳排放的情况与驱动变量之间的关系进行直观观察。如图2所示，沿线重点省域碳排放强度在2010年出现了明显的断点，说明可以进一步利用RDD估计绿色金融政策的局部平均处理效应。图2中的垂直线是受到绿色金融政策影响的碳排放的分界线，这初步表明绿色金融政策实施有可能降低了沿线重点省域的碳排放强度。可以看到，在断点处碳强度明显下降，其截距从约0.52吨/万元下降至0.29吨/万元左右，也就是说绿色金融政策实施的局部处理效应为0.23吨/万元左右。

图2 沿线重点省域碳排放强度和驱动变量关系图（2010年）

（二）估计结果

首先，对驱动变量是否推动沿线低碳减排进行基准回归估计，结果如表2所示。采用分步回归法，在模型中先加入驱动变量，回归结果如表2列（1）所示，回归结果表明绿色金融政策的实施降低了沿线重点省域的碳排放。再加入其他控制变量，回归结果见表2列（4），可以看出：加入其他控制变量后，绿色金融政策对碳排放强度的影响为-0.152吨/万元，影响方向并未发生改变，数值较列（1）稍有降低，驱动变量对碳排放强度均表现为显著的负向影响作用，说明通过绿色金融政策，流入高耗能产业资金减少，倒逼高耗能产业调整生产结构，减少碳排放，对沿线重点省域低碳发展有显著促进作用。再看其他控制变量，地区开放程度、经济发展程度的提高和人力资本的提高显著降低了沿线重点省域的碳排放强度，这与“一带一路”建设的绿色发展目标相切合，说明对外开放、经济发展和人力资本提高对沿线重点省域低碳发展有促进作用；沿线重点省域的产业结构促进了碳排放，但回归结果不显著；城镇化水平显著促进了沿线重点省域的碳排放，说明沿线重点省域在城镇化进程中，需要注意随着城镇人口数量增多带来的碳排放总量增加的问题。表2列（2）、（3）、（5）和（6）分别为驱动变量对“一带”和“一路”沿线重点省域碳排放的回归结果，结果表明绿色金融政策的回归系数均为负向显著，说明绿色金融政策在不同程度上促进了“一带”和“一路”沿线重点省域的低碳减排，且这种减排效应在“一带”沿线重点省域更为明显。

表2 基准回归结果

其次，通过使用rdrobust进行的非参数估计得出最优带宽为[-0.116，0.116]，在最优带宽条件下对绿色金融政策的局部效应进行RDD估计，估计结果如表3所示。列（1）和（2）分别为绿色金融政策对沿线重点省域整体层面上的不控制和控制其他变量估计结果，结果显示驱动变量具有显著的低碳减排效应，能够有效降低沿线重点省域的碳排放，与表2中OLS估计结果相比，表3的影响作用较大且与图2展示的变动趋势一致。列（3）至列（6）分别为驱动变量对“一带”和“一路”沿线重点省域影响的估计结果，可以看出驱动变量对“一带”沿线重点省域的影响更为明显，这与“一带”“一路”沿线重点省域经济发展情况、资源利用情况以及技术水平密不可分。

（三）RDD估计结果有效性检验

RDD可以有效地处理对照组难匹配的问题，同时在设定窗口较小的情况下还可以较好的克服变量遗漏问题，但也有可能存在被解释变量的其他影响变量在断点处发生骤变，针对此问题，需进一步对其进行相关有效性检验。首先，RDD的有效性要求驱动变量不受个体的操纵，笔者设置的驱动变量为绿色信贷，沿线重点省域在政策提出前是无法预知的，因此无法对其进行精确操纵。其次，其他影响因素不应在断点处出现骤变，否则不宜将断点处的全部处理效应都认作绿色金融的政策效应，因此对其进行安慰剂检验，分别以其他控制变量为被解释变量，驱动变量为核心解释变量，加入分配变量和驱动变量的交互项进行控制，观察驱动变量的回归系数是否显著，如果显著则说明其他控制变量在断点处是不连续的，反之，则说明是连续的。估计式如同式（4），只是被解释变量换成安慰剂变量。估计结果如表4所示，驱动变量的回归系数均不显著，说明其他控制变量在断点处是连续的。

此外，RDD的有效性还对带宽的选择有要求，通过改变带宽对RDD估计的有效性再次进行检验，将带宽分别设置为[-0.192，0.192]和[-0.602，0.602]，估计结果如表5所示，可以看出，在不同的带宽设置下，回归结果依然显著，且估计结果的大小和系数与上文基本一致，说明驱动变量具有显著的低碳减排效应，再次表明前文的估计结果有效。

最后，改变断点位置进行检验，观察在不同的断点处，是否会发生明显的改变，选取2007和2013年两个时间段自变量均值为断点进行检验。检验结果如断点图3、图4所示，在新的断点处并没有出现显著的跳跃情况，这表明选取2010年作为执行变量是有效的。

图3 沿线重点省域碳排放强度和驱动变量的关系图（2007年）

图4 沿线重点省域碳排放强度和驱动变量的关系图（2013年）

四、进一步讨论：传导机制分析

（一）中介效应模型的设定

技术进步被认为是低碳减排的主动能。为考量金融资源通过异质的技术进步对低碳减排的间接效应，选取环境技术进步、偏向性技术进步和FDI技术外溢三个指标，讨论通过何种技术进步，绿色金融政策的资源配置机制更能够影响沿线重点省域的减排效应。借鉴Baron&Kenny（1986）对中介效应模型的设计，进一步讨论绿色金融政策减排效应的实现路径。公式设定如下：

其中，环境技术进步（enviro），用各省份每一单位GDP的能耗总量来衡量，该值越小表示技术水平越高。偏向性技术进步（capital），采用资本深化指标即资本劳动比衡量，该值越大意味着生产过程技术进步选择的更多的是资本而不是劳动，即物质资本的利用效率越高，其中资本存量根据张军和金煜（2004）采用永续盘存法进行测算，劳动力指标用年末从业人口数衡量，为了平抑极端值的影响和控制异方差，对其进行取对数。随着外国企业投资规模的增长，东道国的企业可以通过模仿学习国外技术，实现技术进步（韩永辉，2015），称之为FDI技术外溢（fdi），用实际利用外资与GDP之比表示。其他变量与上文一致。

为了处理潜在的反向因果关系，将影响碳减排的决定因素均滞后一期，采用固定效应模型对上式进行回归。其中，公式（7）为金融资源配置的减排效应的回归；公式（8）为金融资源配置对中介变量（M）的回归，如前文所述选取三个异质性技术进步指标；公式（9）为金融资源配置、异质性技术进步和低碳减排的回归公式，其他控制变量与前文一致。通过式（8）中估计系数λ1的显著性，以及式（9）中估计系数φ1和φ2的显著性对中介效应是否存在进行判断。若λ1显著且φ1和φ2也显著，说明该技术进步路径为部分中介效应；若λ1和φ2显著而φ1不显著，说明该技术进步路径为完全中介效应。

（二）估计结果与分析

异质性技术进步对绿色金融政策的减排效应的中介作用检验结果如表6所示。表6列（1）的估计结果显示，金融资源配置对沿线重点省域碳排放的影响为0.092，且在1%显著性水平下显著，说明现阶段绿色金融政策资源导向所带来的减排效应还没有体现在碳排放上。进而考察异质性技术进步的中介效应，估计结果显示，绿色金融政策的资源配置机制能够通过影响技术进步进而影响沿线重点省域的减排效应。具体来讲，列（2）和（3）为环境技术进步的中介效应回归结果，估计系数λ1和φ2显著而φ1不显著，说明环境技术进步为完全中介变量；列（4）和（5）为偏向性技术进步的中介效应回归结果，估计系数λ1、φ1和φ2都显著，说明偏向性技术进步为部分中介变量；列（6）和（7）为FDI技术外溢的中介效应回归结果，估计系数λ1和φ1显著，而φ2不显著，说明FDI技术外溢不是金融资源配置机制影响减排效应的中介变量。

表6 异质性技术进步的中介效应回归结果

五、结论与建议

通过采用中国“一带一路”沿线重点省域17个省份的2003—2016年面板数据，基于断点回归设计探讨绿色金融政策对沿线重点省域低碳减排的影响作用，并进一步采用中介效应模型，对绿色金融政策减排效应的传导机制进行分析。结果显示：第一，以政策实施年份为断点，发现碳排放强度在2010年出现显著跳跃，绿色金融实施所带来的局部处理效应为0.23吨/万元左右。第二，采用OLS方法估计的驱动变量对低碳发展的影响为0.200，而采用RDD方法考虑绿色金融政策实施后对碳排放强度降低的影响为0.227，大于OLS的估计结果，但二者作用方向一致，估计结果均表明绿色金融政策的实施能够显著降低沿线重点省域碳排放。第三，在区分“一带”和“一路”沿线重点省市情况下，通过OLS和RDD两种估计方法发现，绿色金融政策的减排效应在“一带”沿线重点省域更为明显，对“一路”沿线重点省域的减排影响较弱。第四，通过中介效应模型的检验结果表明，沿线重点省域的金融资源能够通过环境技术进步和偏向性技术进步两条路径间接影响低碳减排。其中，环境技术进步为完全中介变量、偏向性技术进步为部分中介变量，而FDI技术外溢不能成为其中介变量。

基于理论和实证分析所得出的结论，提出以下几点启示：首先，坚持市场导向，加大绿色金融发展力度。继续完善绿色金融政策，为绿色金融市场能够充分发挥配置资源的基础作用提供良好的外部条件。不断规范绿色信贷业务、促进绿色债券等间接融资工具创新发展，以满足企业的绿色投融资需求，不断创新绿色金融工具，发挥好金融资源支持节能减排和绿色发展的正向激励作用。其次，借力绿色金融，搭建国际合作平台，发展绿色经济。沿线重点省域，尤其是“一路”沿线重点省域，应继续借力G20、“一带一路”倡议、国际标准化组织、中欧、中英等双边和多边框架深化绿色金融国际合作，充分发挥绿色金融政策的作用，带动新的经济增长点，助力绿色“一带一路”建设。最后，继续发挥金融支持经济绿色转型作用，立足金融业为实体经济服务的出发点，加大金融资源对节能减排技术进步的支持力度，提升技术进步的“清洁度”，从源头抑制污染性的生产活动的规模扩大；推动要素市场的纵深改革，提升资本利用效率，促进经济的集约化发展。