綠色金融助推低碳經濟轉型的影響機制與實證檢驗*

郭希宇

（中國人民銀行曲阜市支行，山東 曲阜 273100）

一、引言

根據世界銀行公開數據，近60年來中國二氧化碳排放量總體呈上升趨勢，從1960年的1.17公噸/人增加至2018年的7.41公噸/人。我國經濟建設取得巨大成就的同時也給生態環境造成較大壓力。進入新時期，我國更加重視生態文明建設，經濟發展兼顧“優環境”與“穩增長”的雙重目標。2021年11月13日，習近平總書記在亞太經合組織第二十八次領導人非正式會議上再次強調，“要堅持人與自然和諧共生，積極應對氣候變化，促進綠色低碳轉型，努力構建地球生命共同體。中國將力爭2030年前實現碳達峰、2060年前實現碳中和?！?/p>

從現實出發，如何精準測度及評價綠色金融與低碳經濟間的客觀現實規律，建設綠色金融進而驅動地區低碳經濟轉型，以及協調好地區之間綠色金融和低碳經濟的空間關聯已成為實現綠色金融與低碳經濟良性互動、協同發展，最終實現我國低碳轉型所面臨的重要理論與現實問題。以往研究僅考慮到綠色金融對低碳經濟的單向關系，未考慮經濟效應的空間溢出規律?；谝陨涎芯勘尘埃疚膶⒕G色金融與低碳經濟之間的交互影響與空間溢出效應納入考慮，并嘗試解決以下經濟問題：一是系統分析綠色金融與低碳經濟的雙向影響，克服內生性問題導致的估計偏誤；二是同時考察綠色金融與低碳經濟間的跨地區空間溢出效應，而后進行經驗檢驗與分析；三是識別綠色金融影響低碳經濟的條件性特征和階段性特征。相較于既往研究，本文的實證結論更具普通性。

二、文獻綜述、理論機制與研究假設

在研究方向及視角方面，已有文獻多集中討論金融發展對二氧化碳排放的影響，較少從綠色金融視角探討其對低碳經濟轉型的作用，以及低碳經濟對綠色金融的反向影響（嚴成樑等，2016）。然而，忽略低碳對綠色金融的反向影響會使實證模型出現嚴重的內生性問題，進而導致估計結果出現偏誤。也有文獻從綠色信貸著手，或者將其作為綠色金融的衡量指標，建立計量模型分析綠色信貸政策的環境效應（蘇冬蔚等，2018；王馨等，2021）。

從研究方法上看，大部分研究主要通過構造理論或實證模型，對綠色金融與低碳經濟的關系進行定量考察。在實證研究設計方面，存在以下問題：第一，在指標設定上，已有研究文獻鮮少測算我國分地區綠色金融指數，亦缺乏對我國低碳經濟轉型的相應測度。第二，在模型構造方面，已有研究多是建立傳統面板數據模型，估計本地區綠色金融與低碳經濟二者的經濟聯系，忽視了綠色金融和低碳經濟可能的空間溢出效應（王遙等，2019；趙軍等，2020）。第三，已有文獻多是從全國層面研究中國綠色金融與低碳經濟的關系，沒有考慮國內不同地區之間的異質性，實際上不同區域、不同省份間的綠色金融指數存在較大差異。第四，現有研究成果大多默認了兩者間的“一成不變”的經濟關聯，進而構建線性回歸模型并以此進行參數估計，沒有考慮綠色金融影響我國低碳經濟轉型的條件性特征與階段性特征。

基于現有研究成果，本文認為綠色金融與低碳經濟之間存在交互影響。綠色金融影響低碳經濟的主要路徑有四個：一是為低碳產業提供資金支持。低碳產業發展、綠色項目建設需要長期充足的資金投入，穩定的資金來源是低碳經濟發展的核心問題，而綠色金融政策能夠通過豐富的金融工具滿足低碳產業資金需求，進而促進低碳經濟轉型。二是引導企業綠色化轉型。銀行業等金融機構通過對企業經營領域、生產形式的篩選，將金融政策向低碳型企業傾斜，向市場釋放綠色發展信號。同時綠色金融能夠優化資本配置，引導資金從“兩高一?！碑a業流向低碳產業，進而激勵更多企業開發環保生產新技術，逐步實現生產低碳化。三是綠色信息披露與綠色監管要求企業低碳運營。綠色金融政策在為低碳產業提供融資服務時會要求相應企業及時披露其低碳發展信息，這會約束企業的碳排放行為，促使其逐漸實現碳減排。銀行和證券機構可以對企業資金流向進行追蹤檢測，在一定程度上規范企業經營行為，監督企業將融得資金進行低碳生產。四是分散低碳技術發展風險。金融本身具有風險分散的功能，可以分散和化解高新產業發展自身的風險，綠色金融為低碳生產技術的探索與創新提供資金基礎，其中綠色信貸、綠色保險以及碳金融等政策可以有效地為企業分散低碳技術發展所產生的相應風險。

低碳經濟對綠色金融的影響機制主要表現在兩個方面：一是低碳經濟發展能夠促進完善綠色金融發展機制。經濟結構轉型升級往往會引導、促進金融結構不斷優化，低碳經濟會對綠色金融提出新發展要求，促進傳統金融業不斷向綠色金融轉變。一個國家或地區的社會經濟越發達，其對金融服務的需求則愈大。而在不同經濟基礎下，金融將會有不同的發展方向和模式，即經濟發展方向的變化會引起金融業的適應性調整，國民經濟在低碳轉型過程中將引導金融業向綠色化轉變。武志（2010）認為，產業結構調整和技術進步等方面帶來的經濟增長能夠顯著提升金融業發展的內在質量，未來工作重點應放在經濟發展質量與效益方面，而非通過無限制地擴張金融規模來刺激經濟增長。二是豐富綠色金融工具，提升貸款工具的精準度與運行效率。以“雙碳”發展背景下的碳減排支持工具為例，其作為綠色金融專項政策工具，要求“先貸后借”，在進行流動性投放時具備較高精準度；另一方面其要求實體端必須滿足監管部門所規定的信息披露、投放方向以及第三方機構核查等條件。該政策工具的落地將會吸引更多的社會資金參與到環保節能生產、清潔能源開發中來，助力綠色金融發展。三是低碳經濟轉型發展對綠色金融提出了更高的建設要求與監管標準。2016年8月31日，經國務院批準，中國人民銀行等七部委聯合印發了《關于構建綠色金融體系的指導意見》（以下簡稱《意見》）?！兑庖姟窂娬{了構建綠色金融體系的重要意義，并明確指出從發展綠色信貸、綠色投資，設立綠色發展基金，發展綠色保險、完善環境權益交易市場，開展綠色金融國際合作等角度落實綠色金融建設，同時明確指出要完善金融、環保、財政等政策和法律法規的配套支持，并且通過建立適當的激勵與約束機制解決項目環境的外部性問題。

地理學第一定律指出，任何事物均與其他事物相關，相近事物關聯更為緊密。綜合以上文獻述評與機制分析，并結合地理學相關定律，本研究提出以下研究假設：

H1：綠色金融與低碳經濟相互作用，存在交互效應。

H2：綠色金融對我國低碳經濟轉型的影響存在空間溢出效應。

這種地理空間位置上的經濟聯系使得本地區低碳經濟的發展不僅受到本地綠色金融指數的影響，并且在一定程度上受到其他地區綠色金融建設的外部沖擊。

三、我國低碳TFP與綠色金融指數測度

數據包絡分析（Data Envelopment Analysis，DEA）由Charnes等提出，是評價決策單元（DMU）多投入多產出相對有效性的分析方法。學術界普遍采用DEA技術測度全要素生產率，本研究遵循這一計算規則。但無論是基于不變規模收益假定的CCR模型還是基于可變規模收益假定的BCC模型，此類徑向模型在進行DEA測度時會遺漏松弛變量信息，難以克服徑向和角度的問題。為應對這種缺陷，Tone（2001）提出SBM-DEA模型，這是一種非徑向、非角度的非期望產出模型，能較好地解決上述問題。基于此，構造評價我國低碳全要素生產率的非期望產出SBM-DEA模型如下：

其中：n表示DMU投入要素種類數量，ω1為期望產出的種類數量，ω2為非期望產出的種類數量，xiθ、ykθ和zkθ分別代表投入、期望產出以及非期望產出的向量，s-、s+和s。分別是投入、期望產出和非期望產出的松弛變量，ξ表示常數向量。目標函數ρ關于s-、s+和s。單調遞減，并且ρ∈(0,1]。對于特定被評價單元而言，目標函數效率值ρ愈大，DMU的效率值愈高；當且僅當ρ=1，即s-=0、s+=0、s。=0時，DMU處在效率前沿上，即完全有效；若ρ＜1，則意味著生產單元存在效率損失，可以通過調整優化要素投入、期望產出和非期望產出量以改善效率。

Malmquist-Luenberger（ML）指數是測算生產效率的主流方法，但該指數不具備傳遞性，在計算跨期方向性距離函數時，線性規劃存在無解的可能。Oh（2010）將ML指數與全局生產技術相結合，使所有被評價的決策單元均包含在全局參考集內，構建了Global Malmquist-Luenberger（GML）生產率指數。GML指數在研究低碳全要素生產效率時能夠進行跨期比較，克服了傳統ML指數存在的非傳遞性問題以及線性規劃中無可行解的缺陷。本文借鑒Qin（2017）的研究思路，用考慮了非期望產出SBM方向性距離函數的 Global Malmquist-Luenberger指數測算低碳全要素生產率，以此衡量低碳經濟轉型。本研究構造低碳經濟GML指數如下：

圖1 2001—2018年樣本省市低碳全要素生產率分布三維曲面圖

圖2 2001—2018年樣本省市低碳技術效率變化指數和低碳技術進步指數分布等高線圖

從圖1可以看出，2001—2018年我國各省市低碳全要素生產率累積值總體分布在0—3的區間內，隨時間呈現遞升趨勢，但不同省市間存在明顯異質性。以相對量測度的低碳TFP描述了各省級行政區低碳全要素生產率的跨時期動態變遷，在考察年度內，觀測值集中分布在1.0上下，低碳全要素生產率的歷年變動較為平穩。圖2顯示了低碳技術效率變化的整體情況，各地區技術效率總體差異不大，均未突破1.25的峰值。但在2005、2013和2016年有大范圍的技術效率躍升，并處在高值狀態。對于低碳技術進步，在全國范圍內絕大多數觀測值穩定在1.0以上，在2008及2013年有小幅下降，但總體而言低碳技術進步表現出小幅穩步提高態勢。

既往研究多以綠色信貸表征綠色金融發展水平，難以全面體現綠色金融內涵，本文在已有研究基礎上，從綠色信貸、綠色投資、綠色風投和政府支持四個角度出發，綜合構建各地區綠色金融指數。所使用數據主要來源于《中國統計年鑒》和各省統計年鑒。其中綠色風投數據來自清科集團（Zero2IPO）的私募通數據庫（PEDATA），首先依據發生年份對風險投資事件進行整理，然后依據被投資企業的注冊地，將新能源、新材料以及環保三行業的風險投資額與各個省份相匹配，得到2001-2018年的綠色風投數據。最后，采用熵值法測算省際綠色金融指數，指標體系如表1所示。

表1 綠色金融指標體系

總的來看，在考察期內東部沿海省份的綠色金融發展進程整體領先于中西部地區。北京、天津、廣東和上海等地的綠色金融指數明顯高于其他省份，處在國內領先位置。山東、江蘇和浙江等沿海經濟大省綠色金融發展緊隨其后。此外，重慶、四川、湖北、陜西等地隨時間發展出現協同演進趨勢，該區域內各省市綠色金融建設處在彼此接近的水平；而以新疆、青海、云南、甘肅等為代表的西部省份處在綠色金融發展的初步階段。

四、實證研究設計

（一）模型構建

1.權重矩陣設定

相較于傳統計量模型，空間計量模型將經濟規律中普遍存在的空間依賴性納入考慮，即觀測值在空間上缺乏獨立性——本地區的樣本觀測值受到其他地區觀測值的密切影響。并且根據地理學第一定律，相近地區有更為緊密的聯系，空間相關的模式和程度依賴于地區之間的絕對與相對位置。首先，借助GeoDa和ArcGIS軟件，建立簡單的0-1空間權重矩陣，兩地區相鄰為1，不相鄰則為0，如式（3）所示。

考慮到21世紀以來互聯網技術尤其是信息通訊、AI、大數據以及云計算等的大發展，地區間的聯系比以往更緊密、更高效，同時考慮到國內完善的交通基礎設施環境，省份之間的關聯在一定程度上緩解了地理距離上的障礙，經濟距離意義上的空間關聯表現得愈加明顯。參考張學良（2012）的研究，以人均地區增加值差異為矩陣基礎元素，構建描述經濟發展水平差異的空間權重矩陣，如式（4）所示，其中pGDP表示人均地區生產總值。

基于鄰接關系或地理距離構建的空間權重矩陣，忽略了空間觀測單元之間互相作用的經濟和社會因素，因而在研究經濟金融領域問題時常受到質疑。但是，地理距離依然是研究地區經濟空間關聯不容忽視的影響因素，因此，在經濟距離權重矩陣的基礎上考慮地理距離因素，構建經濟地理嵌套矩陣，全面考察經濟與地理因素，如式（5）。其中，distanceij表示地區i和地區j之間以經緯度坐標計算的地理距離。

Shao等（2020）認為，經濟發達的地區對經濟落后的地區影響相對更大，因此應當賦予更大的空間權重，這種差異可用兩地人均GDP的比值度量?；诖?，兼顧地理距離因素，構建非對稱經濟地理嵌套矩陣，如式（6）所示。

2.基準模型選擇

實證模型具體形式的選擇與設定對參數估計結果的準確性有至關重要的影響。在進行相應檢驗前，適用何種空間計量模型來探索綠色金融與低碳經濟二者間的經濟規律并不確定，而相異類型的空間計量模型假定了不同的空間傳導機制，其蘊含的經濟意義也有所差別。如式（7）所示，首先考察一個廣義嵌套空間（GNS）模型，其中LCE表示低碳經濟轉型指數，GF表示綠色金融指數，W指待構造的空間權重矩陣，X為一系列控制變量，α為常數項，β和ρ是待估參數，μ和ε指隨機擾動項。

當空間誤差項中的λ為0時，GNS模型轉化為SDM模型，即式（8）。該方程考察了經濟變量之間的交互作用，即本地區的低碳經濟指數不僅受本市綠色金融發展的影響，還受到其他地區低碳經濟和綠色金融發展的影響。

當SDM模型考察的空間交互作用不存在，即ρ2=0時，地區間只存在單向的空間相關性，SDM模型轉化為SAR模型。如式（9），其假設低碳經濟會通過空間相互作用對其他地區的低碳經濟產生影響（Anselin等，2008）。

對于SDM模型而言，當因變量回歸系數和空間滯后項系數的乘積與空間交互項系數之和為0時，SDM就轉化為SEM模型，如式（10）。SEM模型假定綠色金融空間溢出的產生是隨機沖擊所導致的，其空間效應主要通過誤差項傳導。

然后對模型設定形式進行相應檢驗，依次對式（7）施以LM檢驗、LR檢驗以及Wald檢驗，以識別模型的具體形式。結果如表2所示，在4種權重矩陣下，LMlag檢驗和LMerror檢驗的結果總體具備較高顯著性水平，這表明SEM模型在解釋經濟問題時優于SAR模型。此外，進一步考察LR檢驗與Wald檢驗，結果表明兩種檢驗均顯著拒絕原假設，這意味著僅采用SEM模型和SAR模型分析綠色金融的空間溢出效應可能導致估計偏誤。因而，選擇SDM模型作為數據樣本的基準回歸模型。

表2 空間計量模型設定檢驗

最后為了確定回歸模型應當使用隨機效應還是固定效應，進行豪斯曼檢驗，結果如表3所示?？梢钥闯?，0-1空間鄰接矩陣和非對稱經濟地理矩陣均不拒絕原假設，表明應建立隨機效應模型進行分析。而經濟地理嵌套矩陣和經濟距離權重矩陣皆顯著拒絕了應建立隨機效應模型的原假設，即應當選擇固定效應模型。進一步分析發現，時點固定效應總體R2明顯高于個體固定效應和雙固定效應下的可決系數，因此擇以時點固定效應模型進行后續研究。

表3 固定效應與隨機效應選擇

3.空間聯立方程模型的建立

綜合上述分析，考慮到綠色金融與低碳經濟各自的空間溢出效應、空間交互作用以及綠色金融經濟與低碳經濟可能存在的雙向內生關系，建立如下空間聯立方程模型。其中，式（11）為綠色金融方程，式（12）為低碳經濟方程。式中，μi、ξi和v、ε分別代表地區個體效應和隨機擾動因素。

（二）數據來源與描述性統計

本研究所使用數據主要來自中國碳核算數據庫（CEADs）、Wind數據庫、《中國統計年鑒》、《中國保險年鑒》、各省統計年鑒以及中國人民銀行官網等。綠色金融和低碳經濟指數的定義與計算在文章第三部分已作說明。在控制變量方面，能源強度（EI）用各省市能源消費總量與地區生產總值的比值測度，實際GDP的基年為2000年，單位為億元。外商直接投資（FDI）計算方法為：采用年均匯率將FDI折算成人民幣，后求出其占地區名義GDP的百分比。工業化水平（INDL）指各省市工業增加值與地區生產總值的比值。城鎮化水平（Urban）用各省市城鎮人口與地區總人口的比值表示。經濟發展水平（lnEDL）以各省人均GDP度量，以2000年為基期，用各省GDP平減指數對各省GDP進行平減。此外，為緩解可能的異方差問題，對所有非比值型和非指數型變量取自然對數。數據的描述性統計如表4所示。

表4 變量的描述性統計

（三）估計方法

對于空間面板聯立方程模型，Kelejian和Prucha （2004）提出廣義空間三階段最小二乘（GS3SLS）估計策略，而Baltagi與Ying（2015）則給出了針對空間聯立方程的誤差成分三階段最小二乘（EC3SLS）估計方法。其中，GS3SLS方法不僅考慮了內生變量潛在的空間相關性，同時也對各方程隨機干擾項的相關性進行了處置。因此本文參考Kelejian和Prucha的研究思路，運用廣義空間三階段最小二乘法（GS3SLS）對式（11）-（12）進行估計。在低碳經濟方程中，外生變量選擇為能源強度（EI）、工業化水平（INDL）和外商直接投資（FDI）。在綠色金融方程中，外生變量確定為城鎮化水平（Urban）和經濟發展水平（lnEDL）。

五、實證結果及分析

（一）低碳經濟方程的估計結果

根據表5的估計結果可知，綠色金融指數的估計系數為正并且全部在1%的顯著性水平下顯著，意味著綠色金融發展顯著促進了我國低碳經濟轉型。以表5中非對稱經濟地理嵌套矩陣的估計結果為例，控制其他變量不變，綠色金融指數每提升1單位，低碳全要素生產率平均提高約4.08個單位，可以看出區域內綠色金融發展對綠色TFP的提升起到了強烈且有效的助推作用。綠色金融可以通過差異化的信貸政策，運用利率手段限制“高污染、高耗能”企業的實施規模，借助市場機制倒逼企業轉型升級。與此同時，綠色金融支持環保產業發展，為其融資提供優惠和便利，鼓勵低碳企業發展壯大。此外，綠色金融政策可以促進綠色生產技術進步，進而產生碳減排效應，為地區低碳經濟轉型提供強有力的引擎。

綠色金融空間滯后項的估計系數為正且均在1%的顯著性水平顯著，這表明其他地區的綠色金融對本省的低碳經濟轉型產生了促進作用。同樣以表5中非對稱經濟地理矩陣的估計結果為例，能夠看出在控制其他變量不變的條件下，鄰近地區的綠色金融每提高1個單位，本地區低碳經濟指數平均提升2.64個單位?？梢钥闯鼍G色金融進步不僅能夠促進本省低碳經濟發展，而且顯著助推了相鄰省份的低碳經濟轉型。低碳經濟空間滯后項的估計系數為負且在1%的顯著性水平下顯著，這表明低碳經濟存在顯著的負向空間溢出效應，相鄰地區低碳經濟的發展在一定程度上對本地區的低碳經濟進程產生了擠出效應。

表5 低碳經濟方程估計結果

（二）綠色金融方程的估計結果

從表6可知，在3種不同的空間權重矩陣下，本地區低碳經濟對綠色金融而言皆起到顯著促進作用，并且估計結果較為接近。這表明低碳經濟發展有效帶動了本區域綠色金融進步。具體而言，以非對稱經濟地理矩陣為例，在控制其他變量不變的條件下，低碳經濟指數每提升1個單位，綠色金融指數平均提升約0.07個單位。低碳經濟的確促進綠色金融發展，低碳經濟對于綠色產業的需求、對能源與節能技術的需求，將會吸引更多的資金投向綠色發展，進而推動金融的綠色發展。

表6 綠色金融方程估計結果

對于綠色金融的空間滯后項而言，相鄰省域的綠色金融發展對本地區綠色金融發展產生了顯著的擠出作用。具體而言，在控制其他變量不變的條件下，鄰近地區綠色金融指數每提升1個單位，本省綠色金融指數將降低約0.63個單位。對于低碳經濟的空間滯后而言，在3種不同空間權重矩陣下，低碳經濟的空間溢出效應在1%的顯著性水平下顯著。具體而言，以非對稱經濟地理矩陣為例，在控制其他變量不變的條件下，低碳經濟每提升1個單位，綠色金融指數平均提升約0.19個單位。低碳經濟對綠色金融產生了正向的空間促進效應，一個地區的低碳經濟越發展則越有利于培育本地區綠色金融，同時助推了鄰近地區綠色金融發展。但是，鄰近地區的綠色金融發展與本地區綠色金融進程則是明顯的空間競爭關系，這種負向溢出效應為地區間低碳政策協調配合、消除負外部性提供新的挑戰。

（三）穩健性檢驗

本文運用廣義空間三階段最小二乘（GS3SLS）來考察綠色金融和低碳經濟可能存在的雙向內生關系。為了對模型進行穩健性檢驗，采用廣義空間二階段法（GS2SLSXT）重新對方程（11）和方程（12）進行估計。結果顯示，模型中各變量符號未發生改變，數值大小未發生較大變化，并且顯著性水平基本一致，這表明表5與表6的估計結果是穩健的②限于篇幅，未報告穩健性檢驗結果，備索。。

（四）綠色金融助推低碳經濟轉型的直接效應和間接效應分析

1.直接效應結果分析

綠色金融的直接效應：從表7可知，在三種不同的空間權重矩陣下，綠色金融對低碳經濟轉型都有顯著的正向影響，并均通過1%的顯著性檢驗。此外，估計系數十分接近，這從側面反映出參數估計結果是穩健的。能源強度的直接效應：估計結果在5%的顯著性水平下顯著，能源強度與低碳經濟存在負向變動的關系，高能耗對地區低碳經濟轉型起到明顯阻礙作用。外商直接投資的直接效應：國外資本的進入對地區低碳全要素生產率起到負面影響，作用較微弱，這一結果在一定程度上支持了“污染避難所”假說。

2.間接效應結果分析

綠色金融的間接效應：從表7可見，綠色金融在兩種矩陣下均能夠顯著促進鄰近省份低碳經濟指數的提升，并且通過了1%的顯著性檢驗。但應注意的是，經濟距離矩陣下的綠色金融估計系數明顯小于經濟地理嵌套矩陣下的回歸系數。這意味著隨著綠色金融的進步，鄰近地區的低碳經濟指數能夠顯著提升，但是將地理距離所蘊含的信息納入到回歸方程后，參數估計結果得到了一定程度上的修正。能源強度的間接效應：以非對稱經濟地理矩陣為例，綠色金融的回歸系數在1%的顯著性水平下顯著，能源強度的提高有利于提高鄰近地區的低碳全要素生產率。經濟發展水平的間接效應：在三種不同權重矩陣下，系數估計結果均為負，且在5%的顯著性水平下顯著，這表明本地區經濟發展水平的提高抑制了鄰近地區的低碳經濟轉型。另外，從經濟距離權重矩陣到經濟地理嵌套矩陣，再到非對稱經濟地理矩陣，估計參數的絕對值逐漸減下，這表明綜合考慮地理因素和經濟發展差異的非對稱影響后，本地區經濟發展水平的提升對相鄰地區低碳經濟發展的抑制作用在逐漸弱化。

表7 綠色金融促進低碳經濟轉型的直接效應和間接效應估計

六、綠色金融推動低碳經濟轉型的條件性特征與階段性特征

（一）條件性特征

為了進一步闡釋在不同低碳經濟指數水平下綠色金融影響低碳經濟的條件性特征，建立面板分位數模型進行擴展分析，如式（13）所示。其中，X代表一系列控制變量。此外，核函數選擇Epanechnikov，帶寬確定采用Hall-Sheather法，估計方法運用核密度估計法。然后分別設置 25%、50%、75%的分位數，依次表示低碳經濟指數的低水平、中水平以及高水平組，方程參數估計結果詳見表8。

相較于最小二乘法（OLS）而言，分位數模型具備諸多優勢。第一，更為細致地描述了條件分布，能夠進一步展現條件分布的大致特征；第二，分位數回歸并不苛求較強的分布假設，當面對擾動非正態的問題時，估計量要比OLS更加有效；第三，對存在異方差性的樣本具備很強的適應性；第四，通過最小化加權誤差絕對值、求和得到估計參數，有效規避了異常值對估計量的擾動，因此估計結果更為穩健。從表8可知，綠色金融對低碳經濟的影響始終為正，并且隨著分位點的提升，影響效應呈現出先減小、后增大的“U”型特征。這表明當低碳經濟指數處在一個較低水準時，綠色金融發展有效推動了低碳經濟進程；隨著低碳經濟指數提升，綠色金融的助推作用出現遞減態勢；而當低碳經濟指數跨越50%的中間水平，這種正向促進作用愈漸強烈，呈現遞增趨勢。

表8 面板分位數模型估計結果

（二）階段性特征

為了進一步描述數字經濟對我國實體經濟影響的階段性特征，故在分位數回歸之后構建面板門檻模型。如式（14）-（16），GF表示綠色金融門檻變量，Urban表示城鎮化水平門檻變量，INDL表示工業化水平門檻變量。I(·)表示示性函數，采用序貫檢驗（Sequential test）的方法對門檻值進行估計。

圖3似然比函數圖顯示了3種不同門檻值的估計和置信區間的構造過程③限于篇幅，未報告門檻效應檢驗結果，如需備索。。對于綠色金融門檻而言，其門檻估計值為0.1812，95%的置信區間為[0.1792，0.1816]，當該門檻值處在對應的置信區間內時，其LR值小于5%顯著性水平下的臨界值（圖3中虛線）。另外，95%置信區間的寬度較窄，這意味著門檻值的識別效果較好。城鎮化水平門檻和工業化水平門檻的估計值分別為0.7640和0.1357，各自的95%置信區間分別為[0.7267，0.7801]和[0.1234，0.1395]，其他統計信息不再一一贅述。

圖3 門檻估計值與置信區間④從左至右依次為綠色金融、城鎮化水平、工業化水平門檻對應的LR圖。

模型回歸結果如表9所示。根據估計結果，可以發現綠色金融對我國低碳經濟的影響存在鮮明階段性特征。

表9 面板門檻模型估計結果

1.綠色金融的門檻效應：當綠色金融指數小于0.1812時，綠色金融對低碳經濟的促進作用為2.1353，在1%的顯著性水平下顯著。當綠色金融指數邁過門檻值0.1812后，綠色金融對低碳經濟的促進作用達到3.3817，這意味著在具備一定的綠色金融發展基礎后，綠色金融對低碳經濟的助推作用更加能夠被激發，考慮到我國各省綠色金融發展存在空間上的不平衡，經濟落后地區與經濟發達地區差異較大，因而綠色金融指數水平較低的省份更應加緊步伐，建設完善綠色金融基礎設施與配套服務。

2.城鎮化門檻效應：基于城鎮化發展的不同水平，綠色金融對低碳經濟的影響表現為兩個截然不同的階段?？傮w來看，在不同的城鎮化水平下，綠色金融均有效促進了低碳經濟轉型。但當城鎮化水平越過門檻值0.7640后，綠色金融對低碳經濟發展的助推作用愈加明顯，并且在1%的顯著性水平下顯著。綠色金融與低碳經濟的關系呈現出明顯的“階段式躍升”的特點，這表明綠色金融與低碳經濟間的關聯與城鎮化水平息息相關，城鎮化進程愈是蓬勃發展，綠色金融愈加能夠為低碳經濟提質增效。

3.工業化水平門檻效應：經濟聯系亦體現出單門檻特征，當工業化水平小于門檻值0.1357時，綠色金融對低碳經濟起到一定的助推作用，但不顯著。當工業化水平跨越門檻值后，綠色金融對低碳經濟的推動作用提高到3.7459且在1%的顯著性水平下顯著，這說明工業化水平的提升能夠有效增強綠色金融對低碳經濟的促進作用。根據經典的現代化理論，經濟現代化的核心就是工業化，甚至可以將經濟現代化等同于工業化，這表明現代化的本質就是依靠工業化驅動的現代社會發展變遷的過程。更應重視推進工業現代化進程，打造現代化工業體系，使得綠色金融支撐我國低碳經濟轉型的積極作用進一步釋放。

七、結論與政策啟示

本文基于中國30個?。ㄊ?、自治區）2001-2018年的經濟數據，運用空間杜賓模型、空間聯立方程模型分析了綠色金融與低碳經濟的交互影響以及空間溢出效應，并運用面板分位數模型和面板門檻模型分別刻畫了綠色金融促進低碳經濟轉型的條件性特征和階段性特征。研究發現：第一，綠色金融與低碳經濟間存在顯著的交互影響，兩者之間是雙向促進的關系，即綠色金融的發展能夠有效推進本地區低碳經濟轉型，而低碳經濟發展亦能有效拉動本地綠色金融進步。第二，綠色金融與低碳經濟之間存在顯著的空間溢出效應，具體而言：一是本地區的綠色金融指數與鄰近地區的綠色金融指數顯著負相關，同時本地的低碳經濟發展與鄰近地區的低碳經濟顯著負相關；二是鄰近地區的綠色金融發展給本地低碳經濟增長帶來促進作用，而鄰近地區的低碳經濟規模的擴大亦對本地綠色金融發展帶來正面助推作用；三是鄰近地區的綠色金融發展對本地區綠色金融產生了顯著的擠出效應，并且鄰近地區低碳經濟轉型中對本地低碳經濟亦產生了一定的抑制效應。第三，綠色金融對低碳經濟的影響存在著顯著的條件性特征和階段性特征。

基于以上研究結論，提出如下政策啟示：第一，應持續研究并健全綠色低碳發展政策，事中重落實、事后嚴監管，強化綠色金融與低碳經濟的良性互動與協同發展。第二，應樹立綠色金融發展全局戰略思維，構建互利共生的區域金融發展格局。省份之間在政策制定方面應當加強溝通與協調，建立健全信息共享機制，減少信息不對稱對低碳經濟轉型的負外部性，不斷提升地區間綠色金融發展的政策配合度，逐漸消除綠色金融在蓬勃成長過程中的負向競爭性，進而使得整體經濟效益最大化。第三，要及時解決我國各省級行政區在低碳經濟轉型進程中區域間不平衡、不充分問題，重點支持落后地區能源開發、農業生產、交通運輸、工業制造、消費服務等方面的低碳化進程，加快低碳經濟一體化進程，全力實現“雙碳”目標。第四，加快培育低碳技術方面的優質人才，促進地區間環保機構、科研院所的溝通與合作，建立健全低碳發展共享機制，使綠色、低碳理念更全面深入融入到經濟發展過程中，從而不斷推動低碳經濟走向更高水準。