綠色信貸的碳排放效應及其能源效率機制研究
——基于空間計量模型的分析

毛彥軍，曲迎波，鄭天恩

（中國人民銀行鄭州培訓學院，河南 鄭州 450011）

一、引言

2020年9月22日，國家主席習近平在第七十五屆聯合國大會一般性辯論會上鄭重宣布，“中國將提高國家自主貢獻力度，采取更加有力的政策和措施，二氧化碳排放力爭于2030年前達到峰值，努力爭取2060年前實現碳中和”。“雙碳”目標的提出為我國經濟社會綠色低碳轉型指明了方向，而經濟社會綠色低碳轉型離不開金融尤其是綠色金融支持[1]。我國政府在“十三五”規劃中就明確提出要發展綠色金融，加強金融對經濟綠色低碳轉型發展的支持。2021年，國務院發布了《關于加快建立健全綠色低碳循環發展經濟體系的指導意見》，進一步提出發展綠色金融，促進綠色轉型，強調了綠色金融在現代環境治理體系中的重要作用。目前，在我國豐富的綠色金融產品種類中，發展最快、應用最為廣泛的也是綠色信貸。中國人民銀行發布的數據顯示，截至2021年第二季度末，我國本外幣綠色信貸余額已達到14萬億元，規模居世界第一。綠色信貸旨在引導社會經濟資源在不同行業和項目之間流動，引導更多的資金流向綠色產業和項目，促進社會經濟綠色低碳發展[2]。當前，我國正加緊推進綠色信貸等綠色金融發展，探索金融在推動“雙碳”目標實現過程中的積極作用。

近年來，已有個別文獻對綠色信貸的碳排放效應進行了初步討論[3-4]，但研究還不夠全面。同時，由于在實踐中，綠色信貸實施會受到多種因素影響[5]，因此，綠色信貸的實際效果可能是不確定的[6]。另外，既有研究表明，不同地區之間的二氧化碳排放與經濟活動之間存在空間相關關系[7-8]，為此，有必要將空間因素納入綠色信貸碳排放效應的分析框架中。為更全面和準確評價綠色信貸對碳排放的真實影響，對其進行深入研究就顯得尤為必要。

鑒于此，本文通過構建空間計量模型，將變量之間的空間依賴性納入分析框架中，進一步量化分析綠色信貸碳排放效應及潛在的影響機制，為我國實現碳減排提供綠色金融視角的實踐佐證。

二、簡要文獻回顧

關于金融發展與二氧化碳排放之間關系研究源于經濟增長和環境之間關系的討論，即眾所周知的環境庫茲涅茨曲線（EKC）存在性問題。由于忽略經濟發展的其他方面來純粹研究經濟增長與污染排放之間的關系會顯得過于簡單[9]，并且金融發展在經濟增長中扮演著重要角色，因此，碳排放模型中如果遺漏金融發展變量可能會導致實證結果出現一定的偏差[10]。為此，近年來越來越多的國內外學者開始關注金融發展對二氧化碳排放的影響[11-13]，但到目前為止，研究結論仍未達成共識。有學者強調金融發展會通過促進技術創新、提升環保意識等對二氧化碳排放產生負向影響[14-17]。然而，也有學者認為金融發展對二氧化碳排放產生了正向影響[18-20]。另外，還有學者研究指出，金融發展與碳排放之間具有更為復雜的非線性關系[21-22]。鑒于既有研究之間存在的顯著分歧，有必要就金融發展與二氧化碳等污染物排放之間關系做進一步研究[23-24]。事實上，金融發展與二氧化碳等污染物排放之間關系的研究尚處于起步階段，仍需要進一步深入研究，以便全面認識金融發展對二氧化碳等污染物排放的影響[22]。

綠色金融既擁有傳統金融的商業屬性，又有公共產品的社會公益屬性。綠色金融發展一方面遵循傳統金融投融資模式支持經濟低碳發展，另一方面還可以基于其獨具特色的投融資標的，比如碳排放權、排污權、用能權、用水權等，為綠色技術創新和新能源推廣使用等提供金融支持。因此，綠色金融發展對碳排放的影響應該有其獨特效應。隨著綠色金融發展特別是綠色信貸發展，關于綠色信貸與碳排放之間關系的研究也得到不斷重視。綠色信貸被認為是支持實體經濟實現“雙碳”目標的重要舉措[25]，綠色信貸政策有助于實現節能減排，綠色信貸對碳排放具有顯著的抑制效應[4]。盡管目前針對綠色信貸與碳排放關系的研究仍處于起步階段，但研究結論比較一致，均認為發展綠色信貸有助于減少污染排放，有助于提升各個地區的空氣質量[26]。

此外，由于一個地區可能會受到臨近地區的影響[27]，因此，許多與經濟和環境問題相關的變量普遍具有空間依賴性[28]，忽視這些空間依賴性可能會導致模型估計結果偏誤[29-30]。正是出于對空間因素重要性的考慮，近年來，越來越多學者在考察二氧化碳排放的驅動因素時，常常引入空間計量方法以解決空間依賴性問題[30-32]。但是，鮮有通過建立空間計量的方法來評估綠色信貸碳排放效應的文獻。

基于上述分析，本文擬通過構建以二氧化碳排放為被解釋變量、綠色信貸為核心解釋變量的空間計量模型，量化分析綠色信貸對本地和鄰地二氧化碳排放的影響及傳導機制。本文的邊際貢獻包括以下幾方面。

首先，豐富了綠色金融研究文獻，為綠色金融相關政策制定提供參考。現有關于綠色信貸的研究文獻主要側重于本地（局部）效應，從而忽略了重要經濟變量之間潛在的空間依賴性。本文將空間計量經濟學模型引入到綠色信貸研究中，發現綠色信貸政策不僅對本地二氧化碳排放有抑制效應，對周邊地區二氧化碳排放同樣有顯著的抑制效應，從而驗證了綠色信貸“本地—鄰地”碳排放效應的存在性。其次，通過對綠色信貸的直接效應、間接效應以及總效應分析，可以更準確、更有效地揭示綠色信貸對二氧化碳排放的影響。與此同時，考慮到不同解釋變量指標選取、不同空間矩陣引入以及潛在的內生性問題可能會導致估計結果出現偏差，本文采用多種方法對基準模型進行了穩健性檢驗。再次，基于綠色信貸原則，明確綠色信貸促進碳減排的傳導機制，并基于空間計量模型進行了實證檢驗。本文強調了能源利用效率提升在綠色信貸實踐中的重要性，不僅深化了對綠色信貸碳排放效應的理解，而且還豐富了綠色信貸傳導渠道研究。

本文余下內容安排如下：第三部分為模型設定、指標選取與數據來源說明；第四部分為綠色信貸的碳排放效應估計、評價與模型穩健性檢驗；第五部分為傳導機制檢驗與評析；第六部分為研究結論。

三、研究設計

（一）變量選取與數據說明

1.被解釋變量

人均二氧化碳排放量（lnCO2）。二氧化碳排放量由能源消費總量（噸標準煤）乘以噸標準煤的二氧化碳排放系數這一計算方法得出。其中，關于噸標準煤的二氧化碳排放系數，本文借鑒徐斌等（2019）[33]的研究，取值為2.70。

2.核心解釋變量

綠色信貸（gr_ra）。盡管原中國銀監會發布了2013—2017年21家主要銀行的綠色信貸統計信息，但這些屬于全國層面數據，缺乏省級統計口徑數據，因此，該數據在實證分析過程中無法采用。考慮到信貸利息支出可以在一定程度上反映信貸規模，本文借鑒江紅莉等（2020）[4]，郭威和曾新欣（2021）[34]，Lei等（2021）[6]的研究以各省綠色信貸利息支出占各省工業產業總利息支出的比值表示綠色信貸發展水平。其中，綠色信貸利息支出用各省非六大高耗能產業的利息總支出表示。

3.其他控制變量指標選取

借鑒谷秀娟和樊晨希（2016）[35]的研究，本文引入了用人均實際GDP表征的經濟發展水平（ln_gdp），用工業增加值占地區GDP的比值表示的產業結構（ind_str）；參考嚴成樑等（2016）[21]的研究，本文引入了以實際利用外資總額占地區GDP比值表示的對外開放度（fdi）；另外，考慮到地方財政支出和研發投入會改變當地經濟發展環境以及綠色技術創新和應用水平，進而影響碳排放水平，本文借鑒鄧慧慧和楊露鑫（2019）[36]的研究，引入了用單位研發投入技術市場成交額表示的地區研發水平（rd_inv）和以各地財政支出占GDP比值表示的財政支持（gov）兩個變量。

4.數據來源

本文選取了2006—2020年我國30個省份的面板數據進行實證研究（限于數據可獲得性，研究樣本未包括西藏、香港、澳門、臺灣地區）。鑒于現有統計年鑒上缺失2017年和2018年的工業信貸利息支出數據，因此本文遵循既有研究做法，對2017年和2018年的工業信貸利息支出數據進行了線性插值處理。樣本數據來源于2007—2021年的《中國統計年鑒》《中國工業統計年鑒》《中國能源統計年鑒》以及各省份統計年鑒、各省份國民經濟和社會發展統計公報。

（二）空間權重矩陣設定

由地理學第一定律可知，兩個地區距離越遠，地區之間的交互效應越弱。為此，通常采取空間單元之間的距離倒數（反距離）來反映空間單元之間空間交互效應強弱[37]。同樣，綠色信貸與二氧化碳排放的空間溢出效應更多地體現在地理距離上。因此，本文在借鑒已有研究基礎上，采用反距離矩陣W2表征地區間的空間權重矩陣，W2的構建見下文穩健性檢驗部分。

（三）計量模型構建

1.基礎模型

借鑒既有關于金融發展與碳排放關系的研究[22]，在不考慮空間因素影響時，本文構建如下分析綠色信貸影響二氧化碳排放的經濟模型：

其中，下標i代表各個省級行政區，t表示年份；被解釋變量lnCO2it表征各地區人均二氧化碳排放量；gr_rait表示各地區綠色信貸發展水平；controlsit表示控制變量；α0為常數項，α1為核心解釋變量的估計參數，α2表示控制變量的估計參數向量分別表示個體固定效應和時間固定效應為隨機擾動項。

2.空間計量模型

當變量之間存在空間依賴性時，傳統模型估計方法，如普通最小二乘法和廣義矩法將不能有效克服空間依賴性所帶來的問題[38]，必須考慮空間計量模型以避免實證結果的偏差[39]。本文旨在探討綠色信貸的“本地—鄰地”碳排放效應，變量之間的空間依賴性則是分析過程重點考慮的一項因素。為此，本部分將嘗試構建相應的空間計量模型。

目前常見的空間計量模型主要有三種：空間滯后模型（SLM）、空間誤差模型（SEM）和空間杜賓模型（SDM）。當因變量在空間上相關時，一般需要采用空間滯后模型（SLM）。模型（1）的空間滯后模型形式為：

其中，lnCO2it，gr_rait所代表的經濟含義同上，表征方程（2）中的控制變量；ρ為空間回歸系數；N為空間單元個數；β1為核心解釋變量的估計參數，ωj表示控制變量j的估計系數分別為空間固定效應和時間固定效應是一個隨機誤差項；wij表示空間權重矩陣的第（i,j）個元素。本文分析過程中以反距離矩陣W2為空間權重矩陣，模型估計前須對其進行標準化處理。

當模型考慮殘差的空間依賴性時，應采用SEM模型。模型（1）的空間誤差模型形式為：

當因變量和自變量都存在空間依賴性時，則選擇SDM模型。實際上，SDM模型可以看作SLM模型和SEM模型的集成。模型（1）的空間杜賓模型形式為：

其中，xit表示由自變量組成的向量，β表示回歸系數向量，θ表示一個參數向量分別為空間固定效應和時間固定效應是一個隨機誤差項。

由于模型中引入了空間權重矩陣，傳統的OLS估計將是有偏和無效率的[30]。另外，以往針對空間計量模型估計所普遍采用的最大似然估計（ML）也存在固有不足。比如，對于大的截面觀測樣本（N）和短的時間跨度（t）樣本數據情形，ML估計可能會存在顯著的估計偏差[40]。為此，本文采用修正的ML估計對所構建的空間計量模型進行估計。

（四）統計性分析

表1報告了主要變量的統計結果。從表1中可以看出，30個省份的人均二氧化碳排放均值為2.13356，標準差為0.4475384，這表明二氧化碳排放在樣本省份之間存在一定的差異；綠色信貸的均值為0.4590232，標準差為0.1471145，同樣表明綠色信貸發展在樣本省份之間存在一定差異。

表1 主要變量統計性分析

其他變量與相關文獻基本一致，對此不再一一描述。

四、實證結果分析

（一）空間依賴性檢驗

本文采用莫蘭指數（Moran’s I）對二氧化碳排放的空間依賴性進行檢驗，其定義如公式（5）所示。

該指數在-1到1之間取值，正值表示存在正向的空間自相關（空間集聚），負值表示存在負向的空間自相關（空間分散）。其中，當取值為1時表示完全空間集聚，取值為-1時表示完全空間分散，取值為0則意味著在空間上表現為隨機分布特征。二氧化碳排放的空間依賴性檢驗結果如表2所示。

由表2可知，二氧化碳排放存在明顯的空間依賴性，其空間集聚特征明顯。因此，應用空間計量經濟學分析二氧化碳排放的影響因素是較為合適的舉措。

表2 二氧化碳排放的空間自相關性檢驗

其中，N為空間單元個數，即地區數；Yi表示變量Y位于空間單元i的觀測值；wij指代空間權重矩陣中的元素；S0表征空間權重矩陣所有元素之和，其定義為

為進行比較，接下來本文繪制了二氧化碳排放的Moran’s I散點圖，如圖1所示。圖1報告了2006年、2010年、2015年、2020年30個省份二氧化碳排放的Moran’s I散點圖。結果顯示，樣本地區的二氧化碳排放大都散落在第一象限和第三象限，這意味著樣本期間內，我國二氧化碳排放具有“高—高”聚集和“低—低”聚集的空間依賴性特征。

圖1 二氧化碳排放的Moran’s I散點圖

（二）空間計量模型的回歸結果分析

1.基準模型選取

關于基準模型選擇，本文采用了Elhorst所提供的規范檢驗步驟[41]：構建LM_lag和LM_error兩個統計量。如果LM_lag統計量在統計上顯著，則應該選擇空間滯后模型；如果LM_error統計量在統計上顯著，則應該選擇空間誤差模型；如果兩個統計量均不顯著，那么應該選擇OLS模型。進一步地，如果兩個統計量均顯著，就采用Anselin等（1996）[42]提出的穩健LM進行與上面類似的比較選擇。當LM檢驗或者穩健LM結果確定空間模型比非空間模型更合適后，接下來則進行Wald和LR檢驗，以識別前文給出的三種空間模型中哪一種能更好地描述數據。

遵循上述模型選擇方法，本文首先給出了非空間面板數據模型的估計結果，如表3所示。由表3可知，經典的LM檢驗結果顯示，無論是否考慮空間與時間固定效應，關于“不存在空間滯后”和“不存在空間殘差相關性”的原假設均在1%的顯著性水平上被拒絕。因此，最佳模型選擇是應該考慮空間相關性。

表3 非空間面板數據模型估計

為了考察空間固定效應聯合檢驗不顯著的原假設是否被顯著拒絕，本文進行了似然比（LR）檢驗（基于不同模型的對數似然值比較）。檢驗結果表明，在1%的顯著性水平上拒絕原假設。同樣地，對時間固定效應聯合檢驗的原假設在1%的顯著性水平上被拒絕。以上檢驗結果表明，選擇具有空間和時間雙固定效應的模型是合理的。

基于前文LM和LR檢驗分析，可以初步認為選擇空間和時間雙固定效應的空間計量模型比較合適。接下來，還需要從SLM、SEM、SDM等模型中識別出哪一個可以提供最優數據擬合，最終確定為本文實證分析的基準模型。根據空間計量模型選擇的通常做法，首先考慮了SDM模型，對其進行Wald和LR檢驗，以探討SDM模型是否可以簡化為SLM模型或SEM模型。接著，又進行Hausman檢驗，以檢驗隨機效應SDM模型是否合適。

另外，傳統的固定效應模型估計會使得參數估計出現偏誤[40]，如果空間杜賓模型同時考慮了空間和時間固定效應，則需要對其參數進行偏誤校正[43]。為了便于進行比較分析，本部分同時給出了帶偏誤校正和無偏誤校正的SDM模型估計結果。具體估計結果見表4。

表4中第（1）列報告的是無偏誤校正的SDM模型估計結果，第（2）列報告的是帶偏誤校正的SDM模型估計結果。從表4底部的Wald和LR檢驗結果可以看出，具有空間和時間雙固定效應的SDM模型對數據擬合得最好，該模型最終被確定為本文量化分析的基準模型。

2.模型回歸結果分析

正如表4第（2）列所示，綠色信貸（gr_ra）系數顯著為負，這表明各省份綠色信貸發展對本地二氧化碳排放有負向影響，即綠色信貸發展對本地二氧化碳排放具有顯著的抑制作用，這與江紅莉等（2020）[4]的觀點相吻合。這可能源于綠色信貸發展通過政策和資金價格引導促進了節能、環保等綠色技術創新[2]，同時也推動了能源消費結構轉變，消費者越來越多地開始轉向清潔能源消費。以上這些作用過程又共同引致了社會能源利用效率提升。能源利用效率的提升，則意味著同樣的社會產出需要更少的能源消費，同等經濟發展規模所帶來的二氧化碳排放也因此得以減少。

關于其他控制變量的影響，表4第（2）列中也給出了相應的估計值。首先關注經濟發展（ln_gdp）與二氧化碳排放之間的關系。估計結果顯示，ln_gdp的系數在1%的顯著性水平上為正。這意味著，經濟發展對二氧化碳排放表現為顯著的促進作用，依據環境庫茲涅茨曲線假說，可以認為我國當前的經濟發展水平仍處于倒U形曲線拐點的左側，環境質量還將會隨著經濟發展而下降。產業結構對本地二氧化碳排放產生了正向影響，這意味著當前我國產業結構有待進一步優化。財政支持強度對本地二氧化碳排放的影響不顯著，而地區研發水平和對外開放度對本地二氧化碳排放產生了顯著的負向影響。

表4 空間杜賓模型估計結果

由于SDM模型系數并不能直接反映相應解釋變量對因變量的邊際效應[44]，因此，本文又估計了空間與時間雙固定效應SDM模型中解釋變量的直接效應、間接效應和總效應，具體估計結果見表5。直接效應反映了綠色信貸變化對本地二氧化碳排放的影響。間接效應是指周邊省份綠色信貸變化對本地二氧化碳排放的影響。總效應指的是直接效應和間接效應的總和[45]。

表5的實證結果表明，關于綠色信貸對二氧化碳排放的影響，其直接效應（-0.587）顯著為負，間接效應（-0.485）顯著為負，總的效應（-1.072）也顯著為負。顯著的負直接效應表明，綠色信貸投放增加對本地二氧化碳排放有顯著的抑制效應，即綠色信貸投放增加具有顯著的“本地”碳減排效應。顯著的負間接效應表明，周邊地區綠色信貸投放增加，對本地二氧化碳排放也產生了顯著的抑制效應。其原因可能是，周邊地區綠色信貸發展有利于推動先進技術在區域間擴散，有利于推動支持綠色創新的資本在區域間有效流動，同時也促進了有效治理政策在區域間互通、學習、效仿，進而促進本地二氧化碳減排。在這種情況下，外部性將能夠使得減少二氧化碳排放的限制措施蔓延到周邊地區。這意味著，周邊地區綠色信貸發展會促進技術溢出、知識共享和技術轉移，進一步緩解本地二氧化碳排放。

表5 綠色信貸對二氧化碳排放影響的直接效應、間接效應和總效應

更為重要的是，由表5還可以觀察到綠色信貸發展存在顯著的間接效應。這一實證分析結論意味著，在評價分析綠色信貸對二氧化碳排放影響時有必要考慮空間因素，并將空間相關性作為重要因素納入分析框架中。這也是本文采用空間計量模型分析綠色信貸碳排放效應的一個重要原因。

（三）區域異質性分析

我國幅員遼闊，各地區經濟金融發展水平存在很大差異，不同地區的經濟環境、資源稟賦以及政策制度也存在差異。因此，為深入考察綠色信貸碳排放效應的區域差異性，本文將全樣本劃分為東部地區、中部地區和西部地區等三個子樣本，然后分別進行空間計量分析。實證結果見表6。

表6 綠色信貸影響二氧化碳排放的區域異質性分析

由表6可知，綠色信貸直接效應估計系數在東、中、西部地區顯著為負，與整體樣本估計結果一致。而綠色信貸產生的空間溢出效應僅在中部地區比較顯著。這說明綠色信貸發展帶來的本地碳減排效應比較明顯，但其空間溢出效應的顯著性與地區分布有關。這可能是由于相對東部和西部地區，中部地區經濟金融發展更有利于發揮綠色信貸對綠色技術創新和綠色生產項目支持的空間溢出效應，促進周邊地區綠色低碳發展潛能得以有效釋放，進而帶來更顯著的綠色信貸空間溢出效應。

（四）穩健性檢驗

首先，引入兩種不同的SDM模型估計方法，以識別參數估計的穩健性。具體估計結果見表4。表4同時報告了帶偏誤校正和無偏誤校正兩種方法的估計結果。比較表4中的估計結果可以發現，核心解釋變量gr_ra及其他控制變量系數估計的方向與顯著性水平，在不同的估計方法下基本保持一致。

其次，本文通過引入不同的空間權重矩陣來檢驗結果的敏感性。目前空間計量分析中爭議最大的地方就是空間權重矩陣選擇問題。在本文前一部分分析過程中，把反距離矩陣W2作為空間權重矩陣引入分析框架。為檢驗本文估計結果的穩健性，采用引入了基于地理鄰近性的空間權重矩陣W1、基于研發能力的空間權重矩陣W3以及反距離矩陣的平方矩陣W4，以分別對基準模型進行重新估計。相關矩陣定義與構建如下。

（1）鄰接矩陣W1基于地理空間鄰接性構建，其中，矩陣元素由1和0構成。當空間單元i與空間單元j空間相鄰（有共同的邊界或交點）時記為1，否則記為0。具體形式如下。

（2）反距離矩陣W2基于地理空間距離的倒數構建。其元素為對應兩個空間單元距離的倒數。矩陣中元素W2ij定義如下：

其中，dij為空間單元i與空間單元j之間的地理距離。

（3）研發能力矩陣W3基于反距離矩陣和各地區歷年研發投入構建。矩陣構建方法如下：

（4）反距離平方矩陣W4基于反距離矩陣各對應元素平方構建。矩陣中元素定義如下：

其中，dij為空間單元i與空間單元j之間的地理距離。

穩健性檢驗結果見表7。如表7的第（1）列—第（3）列所示，引入空間權重矩陣W1、W3、W4后，被解釋變量的滯后項系數均顯著為正，核心解釋變量（gr_ra）及其空間滯后項系數均顯著為負。將表7的第（1）列—第（3）列估計結果與表4的第（1）列、第（2）列估計結果進行對比可以發現，對于不同的空間權重矩陣，模型估計結果保持穩定，本文估計結果具有穩健性。

再次，我們同時引入綠色信貸發展的替代指標和不同的空間權重矩陣，來考察主要結論是否發生變化。為此，一方面，借鑒謝婷婷和劉錦華（2019）[46]的研究，本部分以六大高耗能產業利息支出（gh_loa）作為一個反向指標表征綠色信貸發展，然后對SDM模型進行估計；另一方面，分別引入W1、W2兩個空間權重矩陣，展開空間計量分析。估計結果見表7的第（4）列—第（5）列。

表7 穩健性檢驗

比較表7的第（4）列—第（5）列中的核心解釋變量gh_loa系數可以發現，對于不同的空間權重矩陣，其系數估計均顯著為正。這說明引入綠色信貸反向指標后，模型估計結果與原模型一致，這進一步證實了本文研究結論的穩健性。

最后，考慮內生性問題。借鑒You等（2020）[47]的研究，本文試圖通過引入綠色信貸發展的一階滯后項（L.gr_ra）來解決綠色信貸發展與二氧化碳排放之間反向因果關系（內生性問題）造成的估計偏誤。然后，系統地加入控制變量，以考察綠色信貸碳排放效應估計結果的穩定性，實證分析結果如表8所示。比較核心解釋變量發現，其系數估計與基準模型估計結果一致，本文估計結果具有穩健性。

表8 引入綠色信貸一階滯后的穩健性檢驗

五、進一步討論：綠色信貸“本地—鄰地”碳排放效應的機制分析

綠色信貸作為引導信貸資金投向低碳、節能、環保領域的關鍵舉措，在推動經濟低碳、綠色可持續發展方面扮演著重要角色。研究發現綠色信貸可以促進能源消費結構升級[6]，也有利于能源利用效率提升[48]。能源利用效率提升，意味著單位GDP產出需更少的能源投入，從而產生更低的二氧化碳排放。綜上所述，綠色信貸會通過提升能源利用效率來實現抑制二氧化碳排放的政策目的。

（一）綠色信貸的能源利用效率提升效應

本文首先以單位GDP能耗表示能源利用效率（ln_nyx），并將其作為因變量引入空間計量模型，以檢驗綠色信貸發展是否能夠引致能源利用效率提升。同時，為了驗證結果的穩健性，又分別引入了W1和W2兩個空間權重矩陣。具體的實證結果見表9的第（1）列和第（2）列。

（1）基于不同的空間權重矩陣，綠色信貸對本地能源利用效率均表現為顯著的正向作用，即綠色信貸實施提升了本地能源利用效率。這可能源于，綠色信貸實施通過政策引導和信貸資金支持，促使能源使用部門優化能源使用方案和技術，進而引發能源利用效率提升。這一結論與Song等（2021）[48]的研究一致。

（2）綠色信貸發展對鄰地的能源利用效率也表現出顯著的正向作用。這可能源于，綠色信貸促進本地能源使用方案的優化和技術水平提升后，相關知識和技術產生空間擴散效應，使得鄰地能源使用方法與技術也得以提升，進而推動鄰地能源利用效率提升。正是基于這種空間溢出效應，使得綠色信貸對鄰地能源利用效率產生了顯著的正向促進作用。

（二）能源利用效率的碳排放抑制效應

以上實證結果表明，綠色信貸會促進本地和鄰地能源利用效率提升。那么綠色信貸是否會通過改善能源利用效率影響“本地—鄰地”的碳排放水平？為回答該問題，本文在基準的SDM模型中引入能源利用效率（ln_nyx）、綠色信貸與能源利用效率的交互項（gr_nyX）等變量，以檢驗綠色信貸影響“本地—鄰地”碳排放的能源效率機制的存在。實證結果見表9的第（3）列、第（4）列。表9中的第（3）列、第（4）列，同樣是基于不同空間權重矩陣的估計結果。

表9 影響機制分析

（1）對于不同的空間權重矩陣，能源利用效率（ln_nyx）對本地二氧化碳排放的影響顯著為負，這說明能源利用效率提升有助于促進本地二氧化碳減排。

（2）交互項（gr_nyX）系數也皆顯著為負，即交互項對本地二氧化碳排放都表現出顯著的抑制效應。由此可以認為，綠色信貸正是通過提升能源利用效率對二氧化碳排放產生了顯著的抑制效應。

六、研究結論

盡管現有文獻就綠色信貸對二氧化碳排放的影響展開了初步研究，但由于采用的是非空間計量方法而忽略了變量間的空間依賴性。為此，本文利用空間面板數據模型重新檢驗了綠色信貸對二氧化碳排放的影響。本文不僅檢驗了綠色信貸對本地二氧化碳排放的影響，而且還考察了綠色信貸對鄰地二氧化碳排放的影響及傳導機制，同時還避免了因忽略空間依賴性所帶來的系數估計偏差問題。實證結果如下。

（1）各省份之間二氧化碳排放存在顯著的空間依賴性。

（2）綠色信貸發展具有顯著的“本地—鄰地”二氧化碳減排效應。該結論意味著，本地綠色信貸發展不僅可以顯著抑制本地二氧化碳排放，而且還可通過空間溢出效應對鄰地二氧化碳排放產生顯著的負向影響。基于多種方法的穩健性檢驗發現，上述結論依然成立，本文實證結果經受住了穩健性檢驗。

（3）綠色信貸的“本地—鄰地”二氧化碳減排效應主要通過提升能源利用效率途徑實現。即綠色信貸發展促進了能源利用效率提升，進而通過能源利用效率提升影響二氧化碳排放。本研究不僅提供了一個評價綠色信貸績效的新視角，而且還為完善和實施綠色信貸政策提供了經驗證據。

為有效應對我國當前面臨的減排壓力，推動“雙碳”目標實現，結合本文研究結論，政府部門和金融機構在制定和實施綠色信貸政策時，應在以下方面進一步完善。

（1）進一步完善綠色金融基礎設施建設和強化財政資金支持。本文研究表明，綠色信貸對本地二氧化碳排放有顯著的抑制效應，綠色信貸發展有助于實現“雙碳”目標，綠色信貸在促進我國經濟低碳轉型中應該可以發揮更積極的作用。但目前我國綠色金融領域仍存在一些基礎性工作有待進一步完善。比如，綠色信貸標準、高質量數據以及信息披露等發展現狀與實際需求仍存有差距，這制約了綠色信貸發展，不利于綠色信貸碳減排效應發揮。為此，有必要進一步完善綠色金融基礎設施建設，為綠色信貸的有效開展提供技術支持和良好的市場環境。另外，綠色信貸的準公共產品特征決定其不僅具有商業屬性，而且也具有社會公益屬性。因此，伴隨著綠色信貸政策的實施，有必要配套更多的財政資金支持，促進相關激勵和約束政策出臺與落實，以引導和督促銀行、企業等積極踐行綠色原則。

（2）重視綠色信貸的空間溢出效應，加強地區間綠色信貸的交流與合作。本文研究結論顯示，綠色信貸對周邊地區二氧化碳排放有顯著的抑制效應。因此，在評價分析綠色信貸碳減排效果時，如果忽視這一空間溢出效應，將會低估綠色信貸作用效果，進而影響綠色信貸政策的優化實施。為此，我們有必要重視綠色信貸的空間溢出效應，同時加強地方間綠色信貸政策實施的協調。可以通過構建大數據平臺，建立地方聯合實施信貸原則，最大程度發揮綠色信貸的碳減排效應。

（3）加大對能效項目的綠色信貸支持。探討綠色信貸“本地—鄰地”碳排放效應傳導機制時發現，綠色信貸主要通過提升能源利用效率的途徑對本地和鄰地二氧化碳排放產生抑制作用。為此，綠色信貸可以以能效項目為突破口，不斷加大對能效項目的綠色信貸支持。所謂能效項目是對能源利用效率提升項目的簡稱。具體在操作層面，綠色信貸可有重點地向技術升級、工藝改造、新技術替代以及管理水平提升等領域進行投放。為控制信貸投放風險，一方面政府可以成立綠色信貸補償基金，以分擔金融機構潛在的信貸風險；另一方面，金融機構可以嘗試創新性地引入一些損失分擔融資模式，以規避或降低風險。通過強化對能效項目的信貸支持，暢通綠色信貸抑制碳排放的渠道，最終提升綠色信貸的碳減排效應。

（4）基于“雙碳”目標的約束，強化貨幣與金融監管政策對綠色信貸投放的激勵效應。考慮到目前我國綠色信貸規模總量在全世界比較靠前，而且仍處于逐年快速增加狀態，我國金融管理部門可以設立和豐富專門支持綠色信貸投放的再貸款項目，為金融機構提供低成本和便捷的融資渠道。同時，金融監管部門還可以考慮將較低風險的綠色信貸資產納入商業銀行向央行借款的合格抵押品范圍，降低綠色信貸資產的風險權重以釋放更多綠色信貸資金。