綠色金融對碳減排的因果森林處理效應及影響因素識別

杜明軍

（河南省社會科學院，河南 鄭州 450002）

一、引言

碳達峰和碳中和是經濟社會綠色低碳轉型的必然選擇，也是中國履行全球氣候共同責任的必然要求，亟須綠色金融的引領支撐。綠色金融與綠色低碳可持續發展具有互動共贏共進退的內在發展邏輯。同時，充分利用綠色金融的功能價值，依托經濟社會發展的背景基礎，在市場需求為發展導向的情況下，綠色低碳轉型也離不開綠色金融政策體系的調控推動。擁有金融本質的綠色金融提供了綠色低碳發展的資源配置基礎，能產生環境效益，支持可持續發展（G20綠色金融研究小組，2016）[1]。

作為促進碳減排和實現“雙碳”目標的重要基礎，綠色金融進行了一系列完善政策體系的實踐探索，包括協助設計綠色低碳工程項目實施方案、為生態環保技術引進和采用提供投融資支持、為綠色低碳市場需求提供消費激勵等。作為政府引領綠色低碳發展的金融政策支持工具，綠色金融既是支持新發展格局構建的金融創新重要準則，也是落實“雙碳”目標的基礎條件。早在2012年，原銀監會正式頒布《綠色信貸指引》，以不斷發揮金融在促進碳減排中的重要作用，要求金融機構在提供投融資時要考慮生態環境效益。2021年，《中共中央 國務院關于完整準確全面貫徹新發展理念做好碳達峰碳中和工作的意見》再次提出發展綠色金融，彰顯了綠色金融在促進碳減排中的地位價值。

同時，在綠色金融促進碳減排的實踐進程中，也存在如下問題：陸續推出的綠色證券、綠色保險和碳金融等綠色創新產品與經濟發展和碳減排內在需求的深層次對接有待深化；業界對于綠色金融產品價值功能的深層理解有待加深；綠色金融產品的類型不夠豐富，主要集中于綠色信貸，且銀行是綠色金融的主要參與者，保險、證券、債券和碳金融產品的謀劃設計和布局實施相對滯后；等等。因此，評估綠色金融政策頒布實施效果，契合現實發展挑戰探析綠色金融對實體經濟的政策意蘊，價值意義明顯。

評估綠色金融政策體系的實踐效果，將采用基于隨機森林與Rubin因果推斷相結合的、具有機器學習分析非參數模型巨大優勢的因果森林思想方法。

一是考慮變量空間構建的客觀隨機性。該方法最初見于Athey和Imbens（2016）[2]的研究，整個協變量空間被劃分為多個子空間，同時為避免分組的主觀性，利用回歸樹，在子空間中估計處理組和控制組之間的條件平均處理效應（conditional average treatment effects，CATE），最后通過逐步構建多棵隨機樹，生成因果森林，得到了更合理的政策實施效應估計。

二是考慮估計值分布特征的漸進性正態分布特征。利用Wager和Athey（2018）[3]對普通回歸樹算法的擴展思路和模型方法，克服了回歸函數非光滑性而難以呈現漸進性分布的問題。因果森林基于協變量對處理效應的作用價值進行區別對待，越發重要的協變量，權重賦值越大；對處理效應影響不太大的協變量，給予較小的權值；在一定精度條件下，對處理效應不造成制約的協變量，不納入隨機森林的“分叉”算法。這樣可實現對CATE估計處理的平滑性，且緊緊圍繞著CATE真實值中心，以實現漸近正態性，實現了對Neyman-Rubin因果模型ATE系數β估計的重要改進。

三是考慮置信區間構建的可信性。因果森林方法依賴于“樣本分叉”技術，克服了協變量的數量規模制約，保證了估計結果的置信區間有合適的覆蓋范圍，可大幅提高政策評估的可信度（Athey和Imbens，2016；Wager和Athey，2018；Athey等，2019；Knittel和Stolper，2019）[2-5]。

因此，與傳統政策評估方法相比，因果森林適合于分析政策效應。因果森林算法采用隨機分組的辦法，把原始數據隨機性劃分為控制組與干預組，在科學規避個體選擇偏差的基礎上，還融入了因果推斷的思想方法，具有非常強大的異質性分析功能，特別適合進行政策實施工具的差異性效果分析，提升政策工具實施效果評估的科學性。同時，作為機器學習（ML）演進的重要研究成果領域，因果森林算法也為探析綠色金融實踐探索的政策工具實施效果評價開拓了方法借鑒與研究視野。另外，區別于必須設定參數化分析模型的傳統政策工具實施效果評價辦法，因果森林將隨機森林算法與Rubin因果推斷模型相結合，凸顯了機器學習在解決非參數模型方面的巨大優勢，為綠色金融實踐探索效果的差異性挖掘，科學發現政策工具在典型約束變量條件下的異質性表現規律，提供了基于機器學習算法基礎上的非參數化的解決思路和處理方案。而且，近年來Davis和Heller（2020）[6]對暑假就業工程實施效果的評價分析，Knittel和Stolper（2019）[5]對能源節約輿論造勢影響家庭微觀層面節能行為效果的評價分析等，作為因果影響分析典型代表的評估結果均顯示，因果森林法優于其他傳統政策評估模型。

本文旨在依托綠色金融政策體系的實踐探索和研究回顧，梳理考量綠色金融的本質內涵和價值作用，回顧總結政策體系的演進效應，發現需要繼續關注的努力方向。因此，本文借力因果森林方法，選取碳減排作為目標表征指標，評估綠色金融政策頒布實施的效果，識別綠色金融對碳減排的處理效應，探析影響因素的異質性特征，為發揮綠色金融在“雙碳”戰略中的價值作用提供策略性參考。

本文的主要貢獻在于以下幾個方面。

一是利用隨機森林和因果推斷理論，嘗試構建了識別綠色金融碳減排處理效應的因果森林算法的分析框架。

二是以全國30個省份為研究對象，估計評判了綠色金融對碳減排的平均處理效應及其顯著性特征。

三是探析驗證了綠色金融典型表征變量和經濟發展背景變量等與綠色金融處理效應之間的異質性變動規律。

四是綜合提煉了綠色金融處理效應及其異質性的研究結論與政策啟示。

二、相關文獻評述

國內外對綠色金融價值內涵、政策作用效應和碳減排的相關研究，為本文奠定了堅實的研究基礎，同時擴展了研究視野，為研究方向選擇和研究框架的形成提供了借鑒。

（一）綠色金融的內涵價值

國內外對綠色金融價值內涵的研究，主要認為綠色金融是發展綠色產業的紐帶，可有效配置綠色低碳資源，為綠色低碳轉型提供投融資支持。

首先，國外學者最早提出可持續金融、環境金融、綠色金融等概念。Jose Salazar（1998）[7]認為環境金融的宗旨在于促進生態環保領域的投融資與創新支持。Sonia等（2002）[8]認為環境金融規避環境風險、促 進 環 保 融 資。Cowan（1999）[9]和Salazar（2017）[10]認為綠色金融是連接金融資源與生態環保領域的紐帶，可以促進產業結構的迭代升級優化。Labatt和White（2002）[11]認為綠色金融的核心是多元化創新金融工具，支持綠色發展。

其次，對綠色金融價值功能的研究。Jose（1998）[12]基于金融和環境間的行業差異性，探討了綠色金融的功能。Cowan（1998）[13]基于環境經濟和金融學的交叉視角，探討了綠色金融對接生態環保領域資金需求的多元化路徑。

再次，綠色金融的概念研究在我國得到了快速發展。國內較早提出綠色金融的和秀星（1998）[14]認為，綠色金融政策屬于營運戰略，旨在促進環境與經濟的協調發展。中國人民銀行等七部委2016年頒布《關于構建綠色金融體系的指導意見》，正式界定綠色金融的內涵實質與發展宗旨，認為綠色金融是指為支持環境改善、應對氣候變化和資源節約高效利用的經濟活動，即對環保、節能、清潔能源、綠色交通、綠色建筑等領域的項目投融資、項目運營、風險管理等所提供的金融服務。杜莉和鄭立純（2019）[15]認為綠色金融將環境保護、節能減排等思想融入業務，以實現資源合理配置和可持續發展。安偉（2008）[16]基于宏觀政策角度，認為綠色金融具有能源節約和污染排放減低的價值作用，可引領資源開發利用與生態環境協調共進，是供給側結構性改革的主要內容。

（二）綠色金融的政策作用效應

學者們關注探討了綠色金融政策工具的實施效應與作用傳導問題。

首先，關注綠色金融政策的影響。李周（2016）[17]認為國內外理論和各國實踐均表明，綠色金融的有效實施離不開政府的作用和調控。斯麗娟（2019）[18]認為綠色金融發展需要政策工具的支撐和引領，基于中文文獻的文本挖掘分析，發現關注的典型主題之一就是綠色發展的效率與生態環境規制的關系。王遙等（2019）[19]基于DSGE模型對綠色信貸激勵政策進行了研究。王韌（2019）[20]基于DID模型對碳排放權交易試點政策效果進行了分析。這些均表明，綠色金融政策在優化資源配置中有重要作用。

其次，多視角分析了綠色金融政策效應。一是微觀效應。Chami等（2002）[21]認為綠色金融的發展影響微觀經濟組織的美譽度，可以制約企業利益攸關方的價值訴求滿足，控制經營風險。二是金融機構效應。劉錫良和文書洋（2019）[22]通過理論和模型分析證明，金融機構通過綠色低碳資源支持新技術采用，能提高能源效率，減少CO2排放（Muhammad等，2013）[23]。三是宏觀經濟效應。王遙等（2016）[24]認為綠色金融可以優化宏觀經濟結構，提高經濟發展質量。四是社會效應。馬駿和施娛（2014）[25]基于包含社會責任變量的綠色產出函數進行研究，表明綠色金融政策能提高綠色產出。五是環境影響。Yaping等（2017）[26]認為環境規制不嚴導致支持性金融加劇了環境污染；Dasgupta等（2001）[27]認為金融市場的發展，盡管可破解污染型經濟組織運營發展以及經營效能提升的資金阻礙，但也可能存在能源資源耗費過量，以及增大生態環境污染的風險。Yao和Qiang（2016）[28]認為綠色金融通過支持能源生產創新的清潔化改進，彰顯生態環境效益。六是區域空間效應。董曉紅和富勇（2018）[29]從區域視角研究了綠色金融與生態環境的耦合度。魏麗莉和楊穎（2019）[30]認為西北地區的綠色金融與產業結構的耦合關系轉向磨合階段。成學真和岳松毅（2016）[31]認為可通過金融集聚優化產業結構、改善環境。

再次，綠色金融政策激勵作用傳導。關于政策激勵作用的傳導，大多研究關注通過影響生產要素的供給和配置、技術進步、消費投資需求等影響經濟發展，較少研究關注綠色金融的低碳發展效應。王遙等（2019）[19]認為，綠色金融對經濟發展的貢獻，缺乏全面的理論研究；張宇和錢水土（2017）[32]認為現有文獻缺乏對綠色金融與經濟可持續發展之間作用機理的深入分析等。鄒錦吉（2017）[33]基于文本挖掘角度，從中央政策和地方政策兩個層面，定性地探析了綠色金融的政策工具實踐對工業污染強度降低的效應。

（三）碳減排相關研究回顧

碳減排相關研究更多地遵循以問題為導向的原則，以推動綠色轉型為側重點，關注和解決發展過程中的碳減排等問題。

首先，碳排放的量化估算及發展態勢預測研究。胡歡等（2016）[34]、吳佩君等（2016）[35]認為，碳排放的源頭眾多且數據采集困難、排放條件不穩定等，使得碳排放的測算煩瑣復雜。王憲恩等（2014）[36]預測了化石能源消費導致的碳排放。程葉青等（2013）[37]研究了碳排放系數相關問題。

其次，碳排放驅動因素分析。徐國泉等（2006）[38]、Vaninsky（2014）[39]等采用因子分解法，Nicholas和Ilhan（2015）[40]采用環境庫茲涅茨曲線模擬法，Alshehry和Belloumi（2015）[41]、焦建玲等（2017）[42]、劉明達等（2018）[43]采用計量模型，袁鵬（2015）[44]采用投入產出法等思想原理各異的數學模型，探析碳減排的相關影響要素。一般認為能源消費的總量和結構、產業結構基礎、經濟增長態勢、技術進步等方面的因素對碳排放量的影響較為顯著。

再次，碳排放約束對宏觀經濟的影響分析。林伯強等（2010）[45]、江洪和趙寶福（2015）[46]的分析認為，碳排放會對能源利用效率、能源消費總量及結構、全要素生產率等產生深刻影響。王明喜等（2015）[47]、王文賓等（2016）[48]認為碳排放約束優化發展方式，提高增長效率和質量。李曉西（2018）[49]認為應關注解決節能減排、降低石化能源使用量與單位能耗及綠色產業發展等問題。

（四）回顧總結

縱觀綠色金融促進碳減排的相關研究，發現已有研究主要圍繞綠色金融的內涵本質、綠色金融對增長的作用價值展開；一些研究關注了綠色金融政策實踐的經濟、社會、環境效應，但大部分忽略了綠色金融政策實踐效果的異質性。特別是運用因果森林思想推斷政策效果及異質性識別的研究較少。胡尊國等（2022）[50]基于機器學習的因果推斷，研究了“傾斜性”政策、生產部門變遷與南北地區發展差異問題；醫學領域的何文靜等（2019）[51]利用因果森林檢驗了病人群體的個體異質性處理效應。同時，鑒于各省份的經濟發展基礎和規模體量、產業積淀和行業結構、要素積累和資本積累、勞動培育和科技實力、管理水平等各方面條件參差不齊，所以，面對綠色金融帶來的發展機遇與政策導向，各省份會因自身的特殊稟賦條件和結構優勢，做出不同的行為決策；面對綠色金融導致的兼顧經濟增長與綠色低碳轉型的一系列挑戰時，各省份的應對能力也不同。因此，綠色金融必須考量異質性以及政策完善實施的契合對接問題。利用因果森林檢驗綠色金融實踐效果的處理效應，識別其異質性，既可以充分利用現有研究基礎作為指引，又可以契合綠色金融促進碳減排的現實特征；既是豐富現有研究不足的需要，更是完善政策體系基礎的需求。

三、實證分析設計①本文根據實證設計進行分析，結論供參考。

本文將綠色金融作用價值的發揮作為一項準自然實驗，旨在考察綠色金融政策體系能否對綠色低碳發展的表征變量碳排放量指標產生處理效應。在研究對象上，考慮數據有效性問題，剔除數據缺失嚴重的西藏和港、澳、臺地區，保留全國30個省份作為研究對象。在時間跨度上，考慮到數據可得性，將研究綠色金融政策發揮作用的時間跨度選定為2003—2020年，構成面板數據。

在時間節點上，把研究綠色金融政策對碳排放量產生處理效應的時間界限選定在2012年。2012年原銀監會正式頒布《綠色信貸指引》，綠色金融政策工具在我國開始實踐探索，而2012年以前，綠色金融政策處于醞釀籌備和初步關注嘗試時期，因此把該階段各省份的綠色金融價值作用情況作為對照組。2012年以后，綠色金融政策正式實施和發揮作用，把該階段各省份的綠色金融價值作用情況作為處理組。

在研究方法上,利用因果森林思想方法，將因果推斷與隨機森林算法進行對接，探析綠色金融政策對碳排放量產生處理效應的存在性特征，同時基于綠色金融發展典型表征變量和經濟發展背景支撐變量兩個層面，探析綠色金融處理效應的異質性特征。

（一）研究假設

選取碳排放量作為綠色低碳轉型的目標表征變量，開展綠色金融處理效應的研究，具有以下幾個特點。

首先，識別綠色金融處理效應屬于因果推斷范疇。綠色金融通過投融資與綠色低碳發展相對接，促進傳統金融資源銜接綠色低碳發展需求，為經濟綠色低碳轉型提供了投融資政策工具支持。綠色金融與新發展格局構建和地方經濟高質量發展存在助推協同關系，可兼顧平衡碳排放與經濟增長，引領經濟高質量發展，促進新發展格局構建。

其次，綠色金融的處理效應具有差異性。由于不同地區的產業結構、資源要素稟賦以及經濟發展水平存在一定的差異,綠色金融對我國東、中、西部各地區的影響是不同的。選取碳排放量為目標表征變量，估計綠色金融處理效應以及分析個體異質性，對于后續優化綠色金融相關政策方案布局，提升各省份綠色金融政策工具的異質性作用價值及針對性實施效果，完善應對策略，有重要意義。

因此，提出如下假設。

假設一：綠色金融政策體系的構建實施，對以碳排放量作為綠色低碳轉型的目標表征變量，產生明顯的處理效應。

假設二：綠色金融政策體系的構建實施，對于中國各省份的碳排放指標，具有顯著的個體異質性價值。這具體呈現在表征綠色金融的典型指標上，也體現在表征經濟發展基礎條件的背景變量上。

（二）基于因果森林算法的識別框架

首先，基于隨機森林算法基礎的因果森林。

因果森林以隨機森林算法為基礎，融入因果推斷的思想，是對傳統有監督機器學習方法（回歸樹及隨機森林）的改進。因果森林與隨機森林均采取訓練隨機樹的原理方法，然后在生成多棵樹的基礎上，訓練出一片森林。二者在構建協變量特征空間，進行特征劃分，發現各變量的重要性，識別異質性作用時，采取的劃分準則一致，均采用基于基尼系數的CART算法。對于單個特征變量而言，變量重要性及其異質性作用價值，可歸結為各變量的基尼系數值的大小。

因果森林與隨機森林采用的“分裂”準則目標不同。隨機森林算法的基尼系數，追求基于特征變量劃分以后的隨機樹的“純度”越高越好，聚焦于改進預測結果的均方誤差；而因果森林算法的基尼系數，關注基于特征變量劃分以后的隨機樹的“差異程度”越高越好。與此相對應，因果森林算法采用不同的標準指標來進行隨機因果樹的模型構建，不再把重點放在均方誤差指標的關注上，把基于干預效應（treatment effects）測算的均方誤差作為標準，以構建隨機樹、隨機森林以及因果森林。

因果森林有效結合了機器學習基礎上的隨機樹、隨機森林與因果推斷思想，采用非參數模型的“分叉”算法，特別適合異質性問題分析，避免了傳統機器學習模型處理數據輸入輸出時未知函數形式“黑箱”的障礙，克服了對經濟變量統計關系的可解釋性差等限制，與Rubin因果推斷模型結合，提高了用于因果關系識別的闡釋能力。而且，因果森林依托對隨機對照試驗異質性問題處理的標準非參數化處理方法，克服或減弱了傳統機器學習算法（如隨機森林或支持向量機等）存在的“過度擬合”，以及袋外樣本（out of sample）預測準確度不太高等局限；化解了基于數據驅動導向的傳統機器學習（ML）基本采用x（變量向量）預測y（變量），并不能估計Neyman-Rubin因果模型平均處理效果（ATE）調節系數β的挑戰（Spiess和Mullainathan，2017）[52]。

其次，條件平均處理效應（CATE）。

依據Athey等（2019）[4]的研究，運用因果推斷方法，選取碳排放量作為綠色低碳轉型的目標表征變量，可評估綠色金融政策體系的條件平均處理效應（CATE），即：

其中，Yi(1)和Yi(0)分別表示選取碳排放量作為目標表征變量，對各省份樣本i進行處理和控制后，觀測到的綠色金融作用結果。

一是按照50%的比例，將各省份樣本i總體數據隨機分為兩個樣本子集，即訓練樣本集和估計樣本集，訓練樣本集用于生成回歸樹結構，并根據數據條件構建多棵因果樹，形成森林。

二是根據Athey和Imbens（2016）[2]的研究，為避免隨著因果樹生長越來越“茂盛”時，出現高估擬合優度現象，文中采用“誠實估計”（honest estimation）的方法，并通過遞歸二叉分裂法將綠色金融表征變量、經濟發展背景變量以及區域分類變量等構成的特征空間，分成不同的子空間。

三是基于Tibshirani等（2016）[53]的研究，對廣義隨機森林過程進行相應的參數調試。

再次，幾個關鍵環節的處理。

一是樣本對象選擇偏差。鑒于各省份的發展階段、條件稟賦存在差異，發展潛能大和機會多的省份，更有可能獲得金融資源支持，以改善碳排放和發展綠色低碳經濟，這意味著潛在預測結果最初存在對象選擇偏差（selection bias）問題。但是，根據Athey和Imbens（2016）[2]以及Athey等（2019）[4]的研究，運用其所提出的異質性處理效應估計法——因果森林，能夠對各省份的觀測性數據，給出處理效應（treatment effects）的預測，并建立有效的置信區間，克服偏差問題。

二是“R-learner”函數。因果森林算法可采用多種形式，根據Nie和Wager（2017）[54]及Athey等（2019）[4]的研究，較為穩妥可靠的辦法之一是，可使用“Rlearner”函數，種植因果樹，以生成一片廣義隨機森林，并獲得權重。具體采用如下異質性處理效應估計式：

其中，αi(x)是由機器學習驅動形成的核（kernel）。

Zi為處理變量，在此采用二分類變量，Zi=1，表示所研究的省份在處理組；Zi=0，表示所研究省份在控制組。

e(x)=P[Zi|Xi=x]表示對所研究省份進行處理組和控制組平衡隨機匹配時的傾向值得分。傾向值得分e(x)滿足0—1均勻分布。

m(x)=P[Yi|Xi=x]表示，對所研究省份進行處理和控制時的政策處理效應期望值。

符號-i表示“袋外”（out-of-bag）預測，即Yi不可用于計算m?(-i)(Xi)。

m?(·)和e?(x)表示廣義隨機森林的估計值，并在對應的兩個森林中進行“袋外”預測。

三是以省份為單元的聚類。在以各省份為研究對象，選取碳排放量作為目標表征變量，估計綠色金融的條件平均處理效應時，需要考量將省級層面的聚類特征融入因果森林算法模型中。鑒于各省份是國家治理結構中非常重要的行政節點，同一省份內部的各級各類地方政府，通常具有某種共性：表現在區位稟賦特征、文化價值導向以及投資環境和政策偏好上。因此，以省份為聚類單元，可以體現綠色金融發揮作用時各省份具有類似的公共政策體系特征。從而，在因果森林學習算法中賦予同一省份相同的權重更符合事實，可以在一定程度上克服因果森林學習算法過分依靠數據驅動的弊端，尤其是“過擬合”問題。在此考量下，考慮特征相似的各省份，若省份的數量是J，那么各省份聚類時，以碳排放量作為目標表征變量，綠色金融的條件平均處理效應τ?估計具體如下。

對第i個觀察值，可計算綠色金融的條件平均處理效應（CATE）：

對第j個省份，依據其參與生成隨機森林分裂空間的變量數據，可得條件平均處理效應（CATE），從而可得所有省份的CATE均值和方差。

（三）指標選擇與數據支撐

納入綠色金融處理效應識別的變量指標包括被解釋變量、處理變量、綠色金融表征變量、經濟發展背景變量等（見表1，以下同）。

表1 納入綠色金融處理效應識別的影響因素指標

第一，被解釋變量。

被解釋變量采用碳排放量（mt）指標，指經濟發展過程中排放的二氧化碳數量。碳排放總量測算可借鑒任曉松等（2020）[55]、張般若和李自杰（2021）[56]的核算方法,采用天然氣、液化石油氣、全社會用電量三類能源消費測算。

第二，處理變量。

處理變量又稱為試驗變量，指實驗者通過改變一個或幾個變量的具體表現方式（稱為處理），測量它們對另一個或幾個目標變量的影響和作用價值?？紤]到綠色金融政策體系的實施演進歷程，以2012年為界限構建二值分類變量。2012年以前=0，2012年以后=1，以表征綠色金融政策體系對經濟綠色低碳發展形成的處理效應。

第三，綠色金融表征變量。

該類變量體現綠色金融發揮作用所采用的產品工具特征。綠色金融政策體系的構建實施需要依托多元化的產品工具創新，在此，參照一些學者對綠色金融的表征辦法，選用以下表征變量（Tao Shi，2022；蔡強和王旭旭，2022；張婷等，2022；賀正楚等，2022；謝東江和胡士華，2022）[57-61]。一是環保企業市值占A股市值比重（%）（x1），以表征綠色證券；二是水利、環境和公共設施管理業固定資產投資占比（%）（x2），以表征綠色產業；三是六大高耗能工業產出利息支出占比（%）（x3），且是反向類指標，以表征綠色信貸；四是工業污染完成投資占GDP比重（%）（x4），以表征綠色投資。

第四，經濟發展背景變量。

綠色金融政策體系價值作用的發揮，將在經濟發展的大市場中構建實施，將在經濟發展大循環中得到體現，在此選用以下背景變量。一是人均GDP（元）（pcGDP）。碳排放與經濟發展規模水平直接相關，規模越大，水平越高，則碳排放量越大。但達到一定水平時，通常又會出現環境質量與經濟增長呈現倒U形關系的庫茲涅茲假說，碳排放趨于平穩和不斷下降。二是財政收支比（倍數）（rfical），這是表征經濟發展財政能力的重要指標。政府財政能力對當地環境保護工作的執行產生重要影響，財政能力越高的地區，在產業布局、企業引入方面就越會游刃有余地考慮生態紅線，對環境就越友好，從而對區域碳排放和綠色低碳發展有重大影響。三是城鎮人口所占比率（%）（rurban）。用各省份城市常住人口數與總人口數之比表示，代表城鎮化進程水平。城市化程度高的省份，人口流動集聚可能增加碳排放。四是第二產業所占比重（%）（rsecd），這是表征工業化水平的重要指標。作為第二產業的重要組成成分，工業化進程常伴隨著高污染和高能耗，嚴重影響地區的碳排放。五是技術進步。一般情況下，碳排放指標隨著技術進步而下降，技術進步可提高區域的自主創新能力，通過低碳技術水平的提高降低碳排放?？紤]到表征技術進步的復雜性和簡化適用，具體采取專利申請授權數（件）（rpatent）和高等學校平均在校生數（人）（nedu）兩個指標來表示。六是固定資產投資占GDP的比重（倍數）（rfixed）。作為中國經濟發展“三駕馬車”中最為重要的抓手，投資規模是經濟短期增長和長期潛力培育的重要基礎，更是綠色低碳發展的基礎調控手段。投資規模能力對當地環保工作產生重要影響，投資強度越高的地區，越有條件考慮生態紅線，從而影響碳排放的改善。七是能源消費量（萬噸標煤）（x21）。能源消費需求與經濟發展的規模和發展水平直接相關，且化石能源是產生碳排放的主要源頭，與綠色低碳轉型密切相關。

第五，其他協變量。

一是年份。鑒于綠色金融政策體系的構建完善是一個持續發展的過程，自提出實施以來，各方面政策措施不斷變化，對各省區具有時序性影響，因此，將年份作為一個類別變量，以捕捉年度的影響。二是區域。鑒于我國東、中、西三大經濟地區的劃分傳統，這三大區域的經濟發展水平與地理位置相結合的長期演變有著各自的發展特點。依據其自然條件與資源狀況的不同，綠色金融政策體系對其發揮作用時，會呈現差異性，因此，將區域作為一個類別變量，以捕捉空間異質性的影響。

第六，數據來源。

能源消費量數據來源于2003—2020年的《中國能源統計年鑒》；環保企業市值占A股市值比重（%）由滬深股市的相關數據估算而得；其余數據來源于2003—2020年《中國統計年鑒》、各省份2003—2020年的統計年鑒。

四、實證結果分析

結果表明，選取碳排放量作為綠色低碳轉型的目標表征變量，綠色金融的平均處理效應具有顯著可信性；同時，綠色金融的個體處理效應具有異質性的顯著可信性。而且，基于綠色金融的四個表征變量以及經濟發展背景的八個表征變量，綠色金融對于各省份的碳排放處理效應呈現不同的異質性影響。

（一）模型校準

首先，進行因果推斷—隨機森林模型校準。

依據因果推斷—隨機森林模型校準檢驗，發現檢驗結果與先驗信息及研究假設保持一致。一是均值估計校準檢驗p值為0.050013，在5%的可信度上顯著，拒絕綠色金融平均處理效應沒有顯著產生的原假設。二是異質性估計校準檢驗p值為0.003375，在1%的可信度上顯著，拒絕了沒有個體異質性處理效應的原假設。

其次，進行因變量和處理變量的隨機森林模型校準。

在運用因果森林思想估計綠色金融處理效應過程中，為更好地滿足隨機試驗要求，盡量減輕混淆變量的干擾程度，提高估計的有效性和精度，采用機器學習的通用做法，對目標變量碳排放、對綠色金融發揮作用的處理變量（虛擬變量）采用了隨機森林模型，并進行了模型校準。一是目標變量估計隨機森林模型校準結果顯示，估計均值的顯著性p值為2.2e-16，識別個體異質性的顯著性p值為2.2e-16，二者均幾乎接近于0，意味著運用隨機森林模型進行因變量估算和識別異質性是顯著可信的。二是處理變量估計隨機森林模型校準結果顯示，估計均值的顯著性p值為2.2e-16，識別個體異質性的顯著性p值為2.2e-16，二者均幾乎接近于0，意味著運用隨機森林模型進行處理變量估算和識別異質性是顯著可信的。

（二）綠色金融平均處理效應（ATE）的總體布局

平均處理效應（ATE）代表著綠色金融政策作用的整體水平，對個體而言，各省份的基礎和條件參差不齊，綠色金融處理效應存在明顯的異質性分布問題（見表2）。

表2 綠色金融平均處理效應（ATE）的分布特征

第一，綠色金融對于碳排放具有顯著的正向影響。

綠色金融平均處理效應的均值（mean）為7.227835，說明綠色金融總體上對碳排放呈現正向作用價值；結合模型校準部分關于均值估計校準檢驗p值的結果分析，說明綠色金融處理效應總體上具有顯著可信性。

第二，基于變異系數（variation_coef）的平均處理效應（ATE）異質性明顯。

綠色金融平均處理效應（ATE）的變異系數為6.341962。依據變異系數的大小界限標準：小變異為0—15%，中等變異為16%—35%，高度變異大于36%（管孝艷等，2012）[62]；或弱變異小于0.1，中等變異0.1—1，強變異大于1（劉繼龍等，2018）[63]。由此可知，綠色金融平均處理效應的分布離散水平較高。

第三，基于偏度（skewness）的平均處理效應（ATE）分布右偏拖尾。

綠色金融平均處理效應（ATE）的偏度（skewness）值為1.18402。依據偏度系數＞0則表明總體分布右偏，偏右邊拖尾巴，高峰往左偏的規律，可知綠色金融平均處理效應（ATE）在高值端方向的數據分布更為分散拖尾。

第四，基于峰度（kurtosis）的平均處理效應（ATE）分布更集中陡峭。

綠色金融平均處理效應（ATE）的峰度（kurtosis）值為6.096991。峰度反映數據分布曲線頂端尖峭或扁平程度，依據峰度系數大于0（已減去3，以方便比較）則表明數據分布比正態分布要陡峭、數據分布更集中的規律，可知綠色金融平均處理效應（ATE）的分布有比正態分布更短的尾部。

第五，基于中分位數與均值比較的平均處理效應（ATE）非正態分布。

中分位數p_50為2.742410，遠小于均值7.227835（見表2），表明綠色金融的平均處理效應（ATE）的數據分布有些左偏。

第六，基于分位數間距與均值數據水平比較的平均處理效應（ATE）分散化分布。

分位數p_05與p_95的間距為151.08105，相比均值7.227835的數值水平，該類分位數間距比較大。分位數p_25與p_75的間距為42.144820，相比均值數值水平，該類間距相對較大。

（三）綠色金融產生處理效應過程中其各個表征變量的異質性作用

盡管因果森林算法從統計上證明，綠色金融呈現顯著的個體異質性處理效應，但需要具體探析綠色金融的各個表征變量對處理效應的異質性作用特征，以發現政策發力基點。為此，將綠色金融的各個表征變量做如下處理。一是按照中位數分組，進行t檢驗；二是按照三分位數分組，進行方差分析（ANOVA）的聯合F檢驗。

通過以上處理是為了發現各變量與綠色金融處理效應之間的變動關系，以及各變量對綠色金融處理效應的異質性作用的顯著性特征（見表3）。

表3 綠色金融處理效應產生過程中各變量的異質性作用識別

首先，分析環保企業市值占A股市值比重（%）變量（x1）對處理效應的異質性作用。

一是基于中位數分組。在x1較高的省份，對應的處理效應越大，說明x1與處理效應之間總體呈現正向變動關系，意味著增大x1的規模，處理效應水平相應提升。高低值組之間的顯著性t檢驗不顯著，說明x1對處理效應的異質性作用尚未凸顯。整體看，需要大力發展x1所代表的綠色證券市場。

二是基于三分位數（高、中、低）分組。在x1為高值組時，對應的處理效應最明顯；在x1為中低值組時，對應的處理效應總體為負值，說明x1水平提高且規模達到高值組水平時，處理效應凸顯。三分組的方差分析（ANOVA）聯合顯著性F檢驗不顯著，說明x1對處理效應的異質性作用尚未凸顯。這說明發展綠色證券市場并達到規模經濟應該是整體導向。

其次，分析水利、環境和公共設施管理業固定資產投資占比（%）變量（x2）對處理效應的異質性作用。

一是基于中位數分組。在x2越高的省份，對應的處理效應越大，說明x2與處理效應之間總體呈現正向變動關系，意味著增大x2的規模，處理效應水平相應提升。高低值組之間的顯著性t檢驗在5%的可信度上顯著，說明x2所代表的綠色產業領域對處理效應的異質性作用明顯。

二是基于三分位數（高、中、低）分組。在x2越高的組別，對應的處理效應越明顯，說明x2與處理效應之間呈現正向變動關系，意味著增大x2的規模，處理效應水平相應提升。三分組的方差分析（ANOVA）聯合顯著性F檢驗不顯著，說明在x2細分組條件下，處理效應的異質性作用尚不明顯，這意味著需要對不同地區的綠色產業分類施策，以提高綠色金融效能。

再次，分析六大高耗能工業產出利息支出占比（%）變量（x3）對處理效應的異質性作用。

一是基于中位數分組。在x3越大的省份，對應的處理效應越?。ㄉ踔琳w為負值，處理效應不存在），說明x3與處理效應之間呈現反向變動關系，意味著代表高耗能產業領域的反向性指標x3減小的情況下，處理效應水平相應提升。高低值組之間的顯著性t檢驗不顯著，說明x3對處理效應的異質性作用不明顯。整體看，需要減小x3的規模，以提升處理效應水平。

二是基于三分位數（高、中、低）分組。在x3越低的組別，對應的處理效應越大，說明x3與處理效應之間呈現反向變動關系，這意味著反向指標x3越大，導致處理效應越小，應該減少x3所代表的高耗能產業規模水平。三分組的方差分析（ANOVA）的聯合顯著性F檢驗不顯著，說明x3對處理效應的異質性作用不明顯。整體看，需要縮減x3所代表的信貸規模，抑制高耗能產業發展，以提升處理效應。

最后，分析工業污染完成投資占GDP比重（%）變量（x4）對處理效應的異質性作用。

一是基于中位數分組。在x4越低的省份，對應的處理效應越大，說明x4與處理效應之間呈現反向變動關系，意味著隨著x4的規模增加，處理效應并沒有提升。可能的原因在于增加x4過程中的邊際效應遞減問題，需要關注綠色投資效率，打造規模經濟效應，加強監管提高效能，將綠色金融的價值作用落到實處。高低值組間的顯著性t檢驗不顯著，說明x4對處理效應的異質性作用尚不明顯。整體看，需要關注x4的綠色投資邊際效能。

二是基于三分位數（高、中、低）分組。在x4處于低值組時，對應的處理效應越明顯，說明x4處于較高水平時，處理效應尚難以顯現，原因可能在于x4的邊際效應遞減；在x4處于中值組時，對應的處理效應最小（甚至整體為負值，處理效應不存在），說明中值組所涵蓋省份的x4的處理效應不明顯，需要細化契合現實的投資產品工具，提升處理效應。三分組方差分析（ANOVA）的聯合顯著性F檢驗不顯著，說明x4對處理效應的異質性作用尚不明顯。整體看，特別需要關注x4在中值組的綠色投資策略。

（四）綠色金融對碳減排產生處理效應過程中的經濟發展背景各變量的異質性作用

基于因果森林算法，可從統計上證明綠色金融個體處理效應異質性的總體存在性，也需要進一步明確經濟發展各背景變量的作用異質性特征，以完善綠色金融發揮作用的對象環境。為此，需要將經濟發展各背景變量分別按照中位數分組進行t檢驗，按照三分位數分組進行方差分析（ANOVA）的聯合F檢驗，以發現各背景變量與綠色金融處理效應之間的變動關系，以及各背景變量對處理效應的異質性作用的顯著性特征（見表4）。

表4 綠色金融處理效應產生過程中經濟發展各背景變量的異質性作用識別

第一，分析人均GDP變量pcGDP對處理效應的異質性作用。

一是基于中位數分組。在pcGDP越低的省份，對應的處理效應越大，說明pcGDP與處理效應之間呈現反向變動關系，意味著在經濟發展水平越低的區域，綠色金融的作用越大。高低值組之間的顯著性t檢驗在5%的可信度上顯著性明顯，說明pcGDP對處理效應的異質性作用凸顯。整體看，綠色金融在經濟相對落后地區的效果相對理想。

二是基于三分位數（高、中、低）分組。在pcGDP越處于低值的組別，對應的處理效應越明顯，說明pcGDP與處理效應之間呈現反向變動關系，意味著在經濟相對落后地區實施綠色金融戰略，效果更明顯。三分組方差分析（ANOVA）的聯合顯著性F檢驗在1%的可信度上顯著性明顯，說明pcGDP對處理效應的異質性作用凸顯。整體看，經濟發展越落后，重視綠色金融越能產生處理效應。

第二，分析財政收支比（倍數）變量rfical對處理效應的異質性作用。

一是基于中位數分組。在rfical越高的省份，對應的處理效應越大，說明rfical與處理效應之間呈現正向變動關系，意味著財政能力越強，處理效應越明顯。高低值組之間的顯著性t檢驗在5%的可信度上顯著性明顯，說明rfical對處理效應的異質性作用凸顯。整體看，財政對綠色金融發展的支持配合效果明顯。

二是基于三分位數（高、中、低）分組。在rfical越處于較高值的組別，對應的處理效應越明顯。三分組的方差分析（ANOVA）的聯合顯著性F檢驗在5%的可信度上顯著性明顯，說明在rfical細分條件下，對處理效應的異質性作用凸顯。整體看，財政能力越好，對綠色金融發展的支持配合效果越好。

第三，分析城鎮人口所占比率（%）變量（rurban）對處理效應的異質性作用。

一是基于中位數分組。在rurban越低的省份，對應的處理效應越大，說明rurban與處理效應之間呈現反向變動關系。高低值組之間的顯著性t檢驗在5%的可信度上顯著性明顯，說明rurban對處理效應的異質性作用凸顯。整體看，rurban越低，處理效應越明顯，意味著在城鎮化進程相對落后地區，綠色金融大有可為。

二是基于三分位數（高、中、低）分組。在rurban越處于低值的組別，對應的處理效應越明顯，說明rurban與處理效應之間呈現反向變動關系。三分組方差分析（ANOVA）的聯合顯著性F檢驗不顯著，說明在rurban細分條件下，處理效應異質性不明顯，需要綠色金融分類施策，提高處理效應水平。整體看，在rurban越低的區域，發展綠色金融的價值作用越明顯。

第四，分析第二產業所占比重（%）變量（rsecd）對處理效應的異質性作用。

一是基于中位數分組。在rsecd越低的省份，對應的處理效應越大，說明rsecd與處理效應之間呈現反向變動關系，意味著rsecd較大時，發展綠色金融的處理效應不明顯，可能的原因在于綠色金融的發展水平尚低，尚難以對rsecd較大的環境對象產生明顯的處理效應。高低值組之間的顯著性t檢驗在5%的可信度上顯著性明顯，說明rsecd對處理效應的異質性作用明顯。整體看，rsecd越高的省份，應大力發展綠色金融，提升處理效應水平。

二是基于三分位數（高、中、低）分組。在rsecd越處于低值的組別，對應的處理效應越明顯，說明rsecd與處理效應之間呈現反向變動關系，意味著在rsecd較低時，更容易產生處理效應。三分組方差分析（ANOVA）的聯合顯著性F檢驗在10%的可信度上顯著性明顯，說明在rsecd細分條件下，對處理效應的異質性作用仍較明顯。整體看，rsecd越高的省份，越需要提升綠色金融發展水平，以放大處理效應。

第五，分析專利申請授權數（件）變量（rpatent）對處理效應的異質性作用。

一是基于中位數分組。在rpatent越低的省份，對應的處理效應越大，說明rpatent與處理效應之間呈現反向變動關系，意味著在rpatent較高的條件下，處理效應并不明顯，原因可能在于rpatent的綠色低碳內涵偏低，或產業化比例不足，綠色發展進程較緩慢等，使得較高的rpatent水平難以應用于綠色低碳轉型領域，對處理效應的作用尚不明顯。高低值組之間的顯著性t檢驗在10%的可信度上顯著性明顯，說明rpatent對處理效應的異質性作用明顯。整體看，在rpatent越低時，處理效應更明顯。

二是基于三分位數（高、中、低）分組。在rpatent越處于低值組別，對應的處理效應越明顯，說明rpatent與處理效應之間呈現反向變動關系，意味著rpatent處在較高值組別時，更需發揮對處理效應的作用。三分組方差分析（ANOVA）的聯合顯著性F檢驗在10%的可信度上顯著性明顯，說明在rpatent細分條件下，對處理效應的異質性作用凸顯。整體看，當rpatent在高位水平時，需要提升其對處理效應的支持功能。

第六，分析高等學校平均在校生數（人）變量（nedu）對處理效應的異質性作用。

一是基于中位數分組。在nedu越低的省份，對應的處理效應越大，說明nedu與處理效應之間呈現反向變動關系，意味著在nedu指標較高的省份，處理效應不明顯，原因可能在于nedu的專業與就業結構不匹配，或者人才供需市場機制不暢等，使得nedu的人力資本潛力沒能釋放應用。高低值組之間的顯著性t檢驗在10%的可信度上顯著性明顯，說明nedu對處理效應的異質性作用凸顯。整體看，需要挖掘nedu的潛能，釋放其在高位時對處理效應的支持作用。

二是基于三分位數（高、中、低）分組。在nedu越處于低值的組別，對應的處理效應越明顯，說明nedu與處理效應之間呈現反向變動關系，意味著nedu處于高位時，對處理效應的作用沒能發揮。三分組方差分析（ANOVA）的聯合顯著性F檢驗在5%的可信度上顯著性明顯，說明nedu對處理效應的異質性作用凸顯。整體看，需要強化nedu對處理效應的支持配合。

第七，分析固定資產投資占GDP比重（%）變量（rfixed）對處理效應的異質性作用。

一是基于中位數分組。在rfixed越高的省份，對應的處理效應越大，說明rfixed與處理效應之間呈現正向變動關系，意味隨著rfixed的加大，處理效應相應提升。高低值組之間的顯著性t檢驗在5%的可信度上顯著性明顯，說明rfixed對處理效應的異質性作用凸顯。整體看，rfixed支持處理效應的效果明顯。

二是基于三分位數（高、中、低）分組。在rfixed越處于較高值的組別，對應的處理效應越明顯，說明rfixed與處理效應之間呈現正向變動關系，意味著增加rfixed，對處理效應提升的支持作用良好。三分組方差分析（ANOVA）的聯合顯著性F檢驗在5%的可信度上顯著性明顯，說明在rfixed細分條件下，對處理效應的異質性作用凸顯。整體看，rfixed對處理效應提升的配合作用效果明顯，二者協調性良好。

第八，分析能源消費量（萬噸標煤）變量（x21）對處理效應的異質性作用。

一是基于中位數分組。在x21越低的省份，對應的處理效應越大，說明x21與處理效應之間呈現反向變動關系，意味著x21減少會使得處理效應相應提升。高低值組之間的顯著性t檢驗在1%的可信度上顯著性明顯，說明x21對處理效應的異質性作用凸顯。整體看，x21減少是提升處理效應的較好舉措。

二是基于三分位數（高、中、低）分組。在x21越處于較低值的組別，對應的處理效應越明顯，x21與處理效應之間呈現反向變動關系，意味著x21減少，碳排放源頭的控制減少，處理效應得到提升。三分組方差分析（ANOVA）的聯合顯著性F檢驗在1%的可信度上顯著性明顯，說明在x21細分條件下，對處理效應的異質性作用凸顯。整體看，提升處理效應，應該在x21減少上采取措施。

五、結論與建議

深入研究綠色金融對不同地區碳排放產生的處理效應及其異質性特征，對有效制定差異化的經濟綠色低碳發展路徑，最大限度地以低成本、高效率方式實現“雙碳”目標，避免“運動式”碳減排，具有參考價值。

（一）研究結論

本文以碳排放量作為經濟綠色低碳發展的目標表征變量，探析了綠色金融政策體系對其產生處理效應的格局特征，基于綠色金融典型表征變量和經濟發展背景變量，系統分析了綠色金融處理效應的異質性變動規律。

通過實證分析得到以下結論。

首先，綠色金融平均處理效應具有顯著的可信性。

綠色金融政策體系對以碳排放量為目標表征的變量產生了平均處理效應。利用因果森林模型，經過計量統計檢驗，可驗證該處理效應具有顯著的可信性，意味著綠色金融政策體系的構建實施，對經濟綠色低碳發展具有處理效應價值作用，也意味著綠色金融政策有較明顯的實踐效果。

其次，綠色金融的平均處理效應呈現空間差異性格局。

中國各區域的發展狀況不同，綠色金融政策體系對各地產生的處理效應必然呈現不同的特征?；谝蚬帜Ｐ头治霭l現，各區域的綠色金融平均處理效應水平在各個區域之間、各個區域內部等，均存在明顯的空間差異性特征，意味著綠色金融政策需要基于區域特征分類施策，擴大優勢、補齊短板。

再次，綠色金融典型表征變量與綠色金融個體處理效應之間呈現異質性變動規律。

基于綠色金融典型表征變量，利用現有經濟發展運行數據，選取碳排放量作為目標表征變量，發現綠色金融對中國各省份的個體處理效應呈現差異性變動規律。特別是，體現金融發展傳統慣性特征的變量指標水利、環境和公共設施管理業固定資產投資占比（%）變量（x2），與綠色金融處理效應之間的變動規律呈現異質性，其顯著可信性凸顯。其他納入因果森林模型分析的綠色金融的產品工具變量，對綠色金融個體處理效應的作用價值有待提升，意味著這些表征綠色金融的變量指標是今后政策體系完善的方向。

最后，經濟發展背景表征變量與綠色金融個體處理效應之間呈現異質性變動規律。

基于經濟發展背景變量，利用現有經濟發展運行數據，選取碳排放量作為目標表征變量，發現綠色金融對中國各省份的個體處理效應呈現差異性變動規律。源于因果森林模型分析結果發現，絕大部分經濟發展背景變量指標對綠色金融個體處理效應的價值作用凸顯。其中，人均GDP（pcGDP）、財政收支比（倍數）（rfical）、第二產業所占比重（rsecd）、高等學校平均在校生數（人）（nedu）、固定資產投資占GDP比重（rfixed）、能源消費量（萬噸標煤）（x21）等變量，與綠色金融個體處理效應之間的變動關系呈現異質性特征，其顯著可信性凸顯；專利申請授權數（件）（rpatent）、城鎮人口所占比率（rurban）等變量的可信性相對較弱。這意味著表征經濟發展背景的變量指標，為綠色金融個體處理效應的產生提供了政策融合基點，啟發了政策發力方向。

（二）對策建議

基于本文實證結果發現，應依托綠色金融在碳排放與經濟發展中的協同作用，穩步推進“雙碳”目標的實現。

首先，要強化綠色金融政策體系的區域協同。

基于本文的實證結果可知，綠色金融平均處理效應呈現異質性，事實上契合于全國經濟發展的非均衡性。就全國而言，受制于區域之間的發展不均衡，碳排放存在區域差異。產業結構偏重，經濟發展過度依賴第二產業尤其是重化工業的區域，“減碳”任務艱巨。同時，就綠色金融對碳排放量產生處理效應而言，也存在處理效應的區域異質性。因此，利用綠色金融的減碳效應需要依據區域特點實行差異化措施，防止誘發區域金融風險，以及引發和疊加其他經濟社會問題。必須基于區域碳減排壓力的非均衡性，參考綠色金融政策體系產生處理效應的空間異質性規律，協同跨區域跨時空的資源配置，把有限的綠色金融資源重點用于碳排放高的區域，抓住重點和關鍵，提高既定資源的減排降碳效果，實現碳減排效益最大化。針對綠色金融資源與碳減排任務不匹配現象，要積極將綠色金融業務納入信貸考核體系，增加對減排降碳領域的信貸支持，嚴控對“兩高一剩”行業的信貸投放，借助綠色金融杠桿實現綠色低碳轉型。

其次，不斷優化綠色金融政策體系的產品工具組合。

基于本文的實證結果可知，綠色金融典型表征變量與個體處理效應之間呈現異質性變動規律，并且各變量的價值作用的顯著可信性存在差異。因此，要充分利用有效市場和有為政府共同激勵的協同模式，在注重財稅、政府采購、轉移支付等政策引導支持作用的同時，更加注重發揮市場機制對綠色金融資源配置的決定性作用。要持續加強碳排放管控的綠色金融政策工具創新與結構優化，探索碳減排新型手段，提升綠色金融政策體系的產品完善性和工具手段結構平衡性，發揮綠色金融產品工具的組合效應。借力多層次資本市場融資功能，多渠道引導企業和社會資金投至減排降碳和產業結構改造升級領域，為節能低碳和轉型升級提供綠色資金保障。嘗試“先借后貸”等形式，鼓勵增加碳減排貸款，積極發展風險投資、股權融資以及綠色債券等新型直接融資政策工具產品，加強對新能源領域和清潔生產項目的重點支持。開發適合的綠色金融產品和服務，推動綠色債券、綠色保險及林業碳匯交易市場的構建完善，加大綠色金融政策工具對生態保護修復的投資參與力度，促進生態環境效應與經濟效益共贏。

再次，探索完善綠色金融相關政策體系的頂層設計。

基于本文的實證結果可知，經濟發展背景表征變量與綠色金融個體處理效應之間呈現異質性變動規律，且絕大部分變量指標的價值作用顯著可信性凸顯。因此，要依托頂層設計，完善綠色金融政策體系，促進綠色金融深度融合于經濟發展的內在需要，發揮綠色金融兼顧碳排放與高質量發展的雙贏價值功能。要強化科技賦能，建立綠色投融資與綠色項目對接平臺，打通綠色投融資信息壁壘。借力大數據、人工智能與區塊鏈等數字化技術，打造完善地方政府、金融機構及企業三方綠色投融資與綠色項目對接平臺，實現生態環境信息、碳排放信息以及綠色投融資數據的整合共享。簡化綠色信貸業務流程，對接政府性融資擔保，培育利用核心信用，降低融資成本和融資門檻。依托區域內政府有限資金的引導功能，吸引社會資本參與，共同設立綠色低碳區域共同基金，考慮減排貢獻，體現區域間差異，充分發揮共同基金在資金籌集和使用過程中的激勵作用。依托市場化運作和政策性支持，有效放大綠色金融使用效益，并將綠色金融的資源籌集和使用分配功能，作為調節區域之間、區域內部發展不平衡的杠桿，協調推進碳減排和高質量發展的區域間協同共進共贏。