The Impact of Financial Development on Carbon Emissions in Beijing-Tianjin-Hebei Region: a Spatial Durbin Model Based on STIRPAT
-
摘要:
基于2005—2019年北京、天津两个直辖市和河北11个地级市的城市面板数据，测算了各城市的人均CO2排放量，建立了包含金融规模和金融效率在内的扩展STIRPAT固定效应模型，并通过中介效应模型和空间杜宾模型，探究地区金融发展对人均CO2排放量的作用机制和空间效应。结果表明：①金融规模扩张促进了房价提升，推高了企业的生产成本，影响传统制造业的布局迁移，从而抑制碳排放；②提升金融效率为工业企业扩张提供了融资便利，产生的规模效应促进了碳排放；③金融发展对技术创新的支持作用不明显；④京津冀城市群的碳排放之间存在着负反馈效应，不利于城市群环境治理的协调发展；⑤与本地效应相比，金融规模和金融效率对邻近城市碳排放影响的方向一致，但强度较弱。基于以上结论，提出加快完善绿色金融体系、强化对绿色创新的信贷支持、坚定淘汰过剩产能等建议。
Abstract:Based on the panel data of Beijing, Tianjin and 11 cities in Hebei from 2005 to 2019, this paper measures the per capita carbon dioxide emissions of each city and establishes an extended STIRPAT model including financial scale and financial efficiency. On this basis, the paper establishes mediation effect model and spatial Durbin model to explore the mechanism and spatial effect of financial development on per capita carbon dioxide emissions. The results show as follows: ① The expansion of financial scale increases the housing prices, pushes up the production cost of enterprises, affects the layout migration of traditional manufacturing, and thus curbs carbon emissions. ② The improvement of financial efficiency provides financing convenience for the expansion of industrial enterprises, and the resulting scale effect promotes carbon emissions. ③ The role of financial development in supporting technological innovation is not significant. ④ There exists negative feedback effect between the carbon emissions of the Beijing-Tianjin-Hebei cities, which is not conducive to the coordinated development of urban agglomeration's environmental governance. ⑤ Compared with the local effect, the influence of financial scale and financial efficiency on carbon emissions of neighboring cities is weaker. Based on the above findings, policy suggestions are proposed on speeding up the improvement of green finance system, promoting credit support for green innovation, and resolutely eliminating excess production capacity.
-
Keywords:
- carbonemissions /
- financial scale /
- financial effect /
- spatial Durbin model
-
20世纪80年代以来，在中国经济繁荣发展的同时，煤炭等化石能源大量消耗使得环境问题日益凸显，影响了社会有序发展和人民健康生活，控制温室气体尤其是CO2排放逐渐成为关乎国计民生的重要议题。国际能源署数据（https://www.iea.org/reports/global-energy-review-2021）显示，2021年我国CO2排放总量119亿t，占全球排放总量的33%。绿色低碳发展是经济高质量发展的应有之义，要求我们转变发展理念，创新绿色科技，扶持低碳经济，促进节能减排，走人与自然和谐共生的中国式现代化之路。
京津冀地区是我国三大城市群之一，在发挥重要经济作用的同时，也是我国空气污染严重的地区之一[1]。2014年，中央提出京津冀一体化发展战略，立足比较优势，推动城市间在污染防治、产业转型、经贸往来和资金融通等方面的交流合作，发挥北京作为首都的资源辐射功能，促进产业空间布局优化和区域可持续发展。金融业是畅通经济循环的关键力量，在我国以间接融资为主要方式的金融体系中，银行信贷对经济转型和资源配置发挥着重要作用，金融机构的借贷行为贯穿着投资、生产和消费等诸多环节，从而对生态环境产生影响[2]。绿色金融对社会信贷投入方向加以引导，扶持绿色创新，壮大绿色产业，通过市场机制促进经济结构转型和保护生态环境，从而加快实现创新发展和绿色发展。因此，发挥金融业在技术创新、产业升级等方面的支持作用，有助于缓解京津冀地区温室效应等环境问题，为实现经济转型和“双碳”目标提供新路径。本文基于金融发展影响CO2排放的内在逻辑，立足京津冀城市群空间关联紧密的特征事实，解释了以下3个问题：京津冀地区城市的CO2排放水平存在何种空间关联、京津冀地区金融规模和金融效率如何影响城市碳排放水平、金融发展对邻近城市碳排放水平的空间溢出效应如何。
一. 文献综述与研究假设
一 金融发展对碳排放的抑制作用
金融发展能够发挥技术效应，为企业的研发活动提供了必要的资金支持，推动绿色创新和效率革新，新工艺和新技术促进节能减排[3]，改善环境质量。Tamazian等[4]发现资本市场和银行部门的发展能够吸引外商投资，促进企业技术改革创新，改善能源利用效率，进而推进低碳经济的发展。Shahbaz等[5]对南非的研究发现金融发展可以作为保护环境的工具，人均可获得的国内信贷增长有助于碳减排。Kumbaroğlu等[6]研究发现，对能源行业的投资可以促进可再生能源电力技术创新，有利于节能减排和可持续发展。Jalil等[7]利用自回归分布滞后模型研究发现，中国金融发展与人均碳排放量之间呈现负相关关系，金融发展可以抑制环境污染。顾洪梅等[8]利用面板向量自回归模型研究了中国区域金融深化、金融集聚和碳排放之间的动态关系，发现区域金融发展的深化有助于碳减排。严成樑等[9]和李德山等[3]先后建立了包含金融中介部门在内的一般均衡模型，并利用省际面板数据进行实证检验，为金融发展、技术创新对CO2排放的影响提供了重要的理论和实践支持。据此，本文提出假设1:金融发展具有技术效应，京津冀地区的金融发展缓解了企业从事研发创新活动的融资约束，提高了生产技术水平，从而降低了城市的碳排放水平。
金融发展能够发挥成本效应，历史经验和实证研究都表明，金融业与房地产市场存在着密切联系，房地产业在信用扩张与紧缩中扮演着“蓄水池”角色，金融发展为房地产投资与投机行为提供了资金支持，大量的货币投放刺激了房价上涨[10]。从企业视角出发，高房价是城市对企业的重要“推力”因素，核心城市的高房价会拉升企业的土地租赁成本和雇佣劳动力成本，抑制企业盈利绩效和创新效率[11]，促使传统工业企业向外迁移，影响产业区位布局[12]。从企业成本的角度出发，本文提出假设2：金融发展具有成本效应，京津冀地区的金融发展刺激了房价上涨，高成本使得低利润的传统工业企业选址时向外迁移，从而降低了城市的碳排放水平。
二 金融发展对碳排放的促进作用
金融发展也可能通过规模效应促进碳排放，即金融发展能够缓解企业的融资约束，使得企业扩大生产规模，新建厂房和生产线，增加大型耗能消费品的生产和供给。在新的供需均衡下，高工业产出水平需要更多的能源消费，增加碳排放。熊灵等[13]从总体规模、效率水平、深化程度和中介发展4个角度测度金融发展，发现金融发展水平刺激了中国省际碳排放的增长。Zhang[14]从金融发展规模、金融发展效率、金融市场、金融中介等多个角度研究了中国金融发展对碳排放的影响，发现金融发展是推动中国碳排放上升的重要原因，其中特别是金融中介规模与碳排放呈现显著的正相关关系。繁荣的金融市场增加了对能源工业的投资，间接增加了能源消耗，降低了环境质量[15]。Acheampong[16]使用多维度指标衡量了撒哈拉以南非洲的金融发展，发现广义货币供应量、银行对国内信贷、金融机构对国内信贷的增长，能够刺激经济增长和能源消费，进而促进碳排放，而外商直接投资和流动负债等增长不会影响碳排放。据此，本文提出假设3：金融发展具有规模效应，京津冀地区的金融发展为工业企业扩大生产提供了融资便利，工业规模扩张带动能源消费量增加，从而提高了城市的碳排放水平。
综上，已有研究对金融发展的环境影响存在着较大分歧，且往往着眼于国家和省级层面，对某一区域的城市群关注不足，对于区域内部碳排放空间效应的研究有限。另外，多数文献研究了金融发展对碳排放的影响方向与强弱，但没有解释金融发展影响碳排放的具体渠道。因此，本文着眼于京津冀地区13个城市，估算2005—2019年CO2的排放数据，建立一个包含金融规模和效率变量的STIRPAT模型，检验金融发展影响碳排放的作用渠道，并测算金融发展对碳排放影响的直接效应和空间效应大小。本文的创新性体现在以下3个方面：①研究视角集中于经贸与环境交流密切的京津冀城市群，结论更有针对性；②通过中介效应模型挖掘金融发展影响碳排放的作用机制；③引入空间杜宾模型，避免了区域内城市之间空间效应导致的内生性问题。
二. 研究方法与数据说明
一 模型设计
1 STIRPAT模型
IPAT模型常用于研究人类活动对环境的影响[17]，Rosa等[18]对其进行扩展并提出了STIRPAT模型的基本形式：
$$ {I}_{it}=a{P}_{it}^{b}{A}_{it}^{c}{T}_{it}^{d}{e}_{it} $$ (1) 式中：I表示环境污染因素，本文以CO2排放量来表示，P、A、T分别表示人口规模、人均财富水平和技术水平，a、b、c、d为模型参数，e为随机误差项，i表示城市截面单元，t表示年份。
为使模型更贴近京津冀地区实际情况，参考已有研究[11]，把人口变量$ {P}_{it} $移至等式左侧，两边取对数转化成线性模型，将人均碳排放量的对数值$ {\mathrm{l}\mathrm{n}\;C}_{it} $作为被解释变量，在原模型中加入金融发展变量作为核心解释变量。用金融相关比率衡量金融规模，用金融效率衡量融资效率，构成如下扩展的STIRPAT面板固定效应模型。
$$ {\mathrm{l}\mathrm{n}\;C}_{it}={\alpha }_{0} + {\alpha }_{1}{\mathrm{l}\mathrm{n}\;F}_{it} + {\alpha }_{2}{\mathrm{l}\mathrm{n}\;E}_{it} + \boldsymbol{\xi }\mathrm{l}\mathrm{n}\;\boldsymbol{Z} + {\mu }_{i} + {\nu }_{t} + {\varepsilon }_{it} $$ (2) 式中：α0是常数项，Fit表示金融相关比率，其影响人均碳排放量的弹性为α1，Eit表示金融效率，其影响人均碳排放量的弹性为α2，矩阵Z表示经济规模、产业结构等一系列控制变量，$\boldsymbol{\xi } $表示控制变量对人均碳排放量的影响系数向量，$ {\mu }_{i} $和$ {\nu }_{t} $分别表示个体固定效应和时间固定效应，$ {\varepsilon }_{it} $表示误差项。
2 中介效应模型
中介效应模型由式(2)和式(3)、(4)组成：
$$ \mathrm{l}\mathrm{n}\,{M}_{it}={\beta }_{0} + {\beta }_{1}{\mathrm{l}\mathrm{n}\,F}_{it} + {\beta }_{2}{\mathrm{l}\mathrm{n}\,E}_{it} + {\mu }_{i} + {\varepsilon }_{it} $$ (3) $$ {\mathrm{l}\mathrm{n}\,C}_{it}={\gamma }_{0} + {\gamma }_{1}{\mathrm{l}\mathrm{n}\,F}_{it} + {\gamma }_{2}{\mathrm{l}\mathrm{n}\,E}_{it} + {\gamma }_{3}\mathrm{l}\mathrm{n}\,{M}_{it} + \boldsymbol{\xi }\mathrm{l}\mathrm{n}\,\boldsymbol{Z} + {\mu }_{i} + {\nu }_{t} + {\varepsilon }_{it} $$ (4) 式中：Mit表示中介变量，即假设1、假设2和假设3中的技术创新、实际房价和人均工业增加值，β1、β2分别反映了金融规模和金融效率对中介变量的影响，γ1和γ2分别表示金融规模和金融效率对人均碳排放量的直接影响，γ3表示中介变量对人均碳排放量的影响，$\boldsymbol{\xi } $表示控制变量对人均碳排放量的影响系数向量，β0和γ0是常数项，其余字母含义与式（2）相同。式（3）反映了金融规模和金融效率对中介变量的影响；式(4)反映了金融规模、金融效率与中介变量同时存在时，各自对人均碳排放量的影响。
3 空间计量模型
空间计量模型在解释变量中引入包含空间权重矩阵Wij的空间滞后项，将区域内城市i对城市j的空间效应纳入计量模型中，可以弥补最小二乘估计（ordinary least squares，简称OLS）的遗漏变量问题[19]，更能反映京津冀城市间碳排放的真实情况。空间效应的来源主要分为3类：①第一类空间效应表现为空间滞后模型（spatial autoregressive model，简称SAR），被解释变量$\mathrm{l}\mathrm{n}{C}_{it}$的空间滞后项$\rho {\boldsymbol{W}}_{ij} \mathrm{l}\mathrm{n}\,{C}_{it}$，一个城市的碳排放受到相邻城市碳排放的影响。②第二类空间效应表现在空间误差模型（spatial error model，简称SEM）的误差项中，误差项$ {\varepsilon }_{it} $假定不再是白噪声，而是包含空间滞后项$\lambda {\boldsymbol{W}}_{ij}{\varepsilon }_{it}$，此时认为空间效应主要来源于误差项随机冲击的外溢性。当以上两种空间效应同时存在时，此时的空间模型被称为广义空间回归模型（spatial autocorrelation model，简称SAC）。③第三类空间效应表现为解释变量的空间滞后项$\boldsymbol \theta {\boldsymbol{W}}_{ij}\boldsymbol{X}$，矩阵X由具有空间效应的解释变量组成，此时一个城市的碳排放不仅受到相邻城市碳排放的影响，还直接受到相邻城市解释变量变化的影响。这种模型称为空间杜宾模型（spatial Durbin model，简称SDM）。
$$\begin{split} \mathrm{l}\mathrm{n}\,{C}_{it}= &{\beta }_{0} + \rho {\boldsymbol{W}}_{ij} \mathrm{l}\mathrm{n}\,{C}_{it} + \boldsymbol{\beta }\mathrm{l}\mathrm{n}\,\boldsymbol{X} + \theta {\boldsymbol{W}}_{ij} \mathrm{l}\mathrm{n}\,\boldsymbol{X} +\\& \boldsymbol{\xi }\mathrm{l}\mathrm{n}\,\boldsymbol{Z} + {\mu }_{i} + {\nu }_{t} + {\varepsilon }_{it} \end{split} $$ (5) 式中：β0是常数项，ρ是被解释变量空间滞后项的系数，也被称为空间相关系数，矩阵X包括金融规模Fit和金融效率Eit两个变量，其系数矩阵为β，矩阵θ是解释变量空间滞后项的系数，其余字母含义与式(2)相同。
SAR、SEM、SAC和SDM是最常见的空间计量模型设定形式，为建立最符合京津冀碳排放特征的空间计量模型，参照已有研究[20-21]，本文按$ \mathrm{O}\mathrm{L}\mathrm{S}- \left[\mathrm{S}\mathrm{A}\mathrm{R},\mathrm{S}\mathrm{E}\mathrm{M}\right]-\mathrm{S}\mathrm{A}\mathrm{C}-\mathrm{S}\mathrm{D}\mathrm{M} $的路径对模型设定形式进行拉格朗日检验（Lagrange multiplier，简称LM）。
二 变量说明
1 被解释变量
选择各城市人均碳排放量C为被解释变量，用该城市碳排放总量与常住人口的比值表示。目前中国尚未有碳排放量的官方统计数据，大多数中国学者都基于碳排放系数法[22]，将主要化石能源的终端消费量乘以各品种的CO2排放系数后进行加总，估算出各地区能源消耗过程中的CO2排放量。本文沿用这一方法，将7类化石能源的消费量乘各自的CO2排放系数后加总，得到该城市的CO2排放量。
$$ {C_{it}} =\displaystyle \sum {{I_{itj}}} /P = \dfrac{{\displaystyle \sum {{e_{itj}}} \times {f_j} \times {q_j} \times \dfrac{{44}}{{12}}}}{P} $$ (6) 式中：I表示城市CO2排放总量，P表示城市常住人口，i表示城市，t表示年份，j表示能源种类，eitj代表7种化石燃料（原煤、焦炭、汽油、煤油、柴油、天然气、液化石油气）的实物消费量，fj代表对应第j种能源折算标准煤的系数，qj为IPCC（Intergovernmental Panel on Climate Change, 简称IPCC，联合国政府间气候变化专门委员会）在2006年公布的碳排放系数，44是CO2的相对分子质量，12是碳的相对原子质量。
2 核心解释变量
参照已有研究[23]，本文选用金融相关比率F和金融效率E两个变量来刻画金融发展水平。金融相关比率是衡量金融发展规模和社会融资规模的常用指标，用金融机构年末存款余额与金融机构年末贷款余额之和除以总产值来表示。金融效率是衡量金融机构吸纳资金向社会投资转化效率的指标，用金融机构年末贷款余额除以金融机构年末存款余额来表示。
3 控制变量
控制变量包括用人均产值衡量的财富变量Z1、使用夹角余弦法[24]度量的产业结构高级化水平、用出口额与总产值比值衡量的对外贸易变量、用外商直接投资额与总产值比值衡量的外商投资变量、生产效率变量。生产效率测算方面，本文建立基于非径向和非角度的SBM（slacks-based measure，简称SBM，超效率模型） [25]，选择城市生产总值作为产出变量，选择城市固定资产投资额作为资本投入变量；在劳动力投入要素方面，考虑到中国农业就业的增长与宏观经济相关性不大的事实，而非农就业的增速与中国经济增长周期有着高度的同步性，因此将城镇单位从业人员期末数和城镇私营和个体从业人员期末数作为劳动投入变量。采用投入导向的不变技术效率模型，利用R语言计算出2005—2019年各城市的生产效率（见表1）。
表 1 各城市主要年份生产效率2005 2010 2015 2019 年平均值 北京 0.524 1.140 1.382 1.985 1.136 天津 0.848 0.707 1.079 1.032 0.795 石家庄 0.685 0.727 0.701 0.593 0.685 承德 0.543 0.652 0.641 0.665 0.625 张家口 0.505 0.484 1.415 0.513 0.619 秦皇岛 0.602 0.913 0.783 0.786 0.742 唐山 1.197 1.274 1.066 1.219 1.299 廊坊 0.588 0.655 0.743 0.823 0.638 保定 0.551 0.641 0.681 0.594 0.605 沧州 0.788 0.819 0.829 0.753 0.767 衡水 0.533 0.617 0.664 0.684 0.663 邢台 0.581 0.555 0.548 0.616 0.552 邯郸 0.611 0.648 0.506 0.609 0.580 平均值 0.658 0.756 0.849 0.836 4 中介变量
根据理论分析和研究假设，选择万人专利申请数和万人专利授权数衡量技术进步，选择住宅价格衡量实际房价，选择人均工业增加值衡量工业生产规模。专利申请数和专利授权数能够直接反映城市的创新活力，推动清洁生产技术发展；城市住宅价格直接影响了企业土地成本和劳动雇佣成本，进而影响着企业行为和能源消耗，其计算方法为：实际房价 = （商品住宅销售额 × 100）/（商品住宅销售面积 × 以2005年为基期的CPI）。工业生产过程中的能源消耗是碳排放的重要来源，工业增加值衡量了工业生产的规模大小，在同等技术水平和能源结构情况下，工业增加值越大，城市碳排放量一般越大（见表2）。
表 2 各变量的描述性统计变量类型 变量名称 变量
符号均值 标准差 最小值 最大值 被解释变量 人均碳排放量 C 1.854 0.584 0.703 3.222 核心解释变量 金融规模 F 2.765 1.485 1.052 8.131 金融效率 E 0.627 0.138 0.365 1.137 控制变量 人均财富 Z1 10.430 0.586 9.205 12.010 产业结构 Z2 6.573 0.389 5.969 7.647 对外贸易 Z3 0.108 0.102 0.007 0.606 外商投资 Z4 0.021 0.017 0.001 0.082 生产效率 Z5 0.747 0.277 0.412 1.985 中介变量 专利申请 M1 2.222 1.366 0.369 6.057 专利授权 M2 1.830 1.224 0.247 5.506 实际房价 M3 8.223 0.641 7.169 10.310 工业产值 M4 0.983 0.347 0.333 1.937 用于估计人均碳排放量的化石能源消费量数据来源于各城市的地方统计年鉴，解释变量、控制变量和中介变量数据来源于《中国城市统计年鉴》，其中每万人专利申请和授权数据于2008年开始统计。
三. 实证结果与讨论
一 普通面板回归
1 基准回归
为初步探究影响城市碳排放水平的因素，对式（2）面板固定效应模型进行参数估计。表3基准回归中，先后加入控制变量和时间固定效应，对时间虚拟变量的联合显著性检验结果显著，可以拒绝时间虚拟变量系数全部为0的原假设，说明包含了时间个体双向固定效应的模型是最优设定。在控制了产业结构、经济发展、生产效率等因素后，最后一列回归结果金融规模F在1%水平上显著为负，金融效率E在1%水平上显著为正，说明金融规模每扩张1%，人均碳排放量下降0.407%，金融效率每提高1%，人均碳排放量增加1.056%。
表 3 基准回归结果变量 C C C F −0.105
(−1.032)−0.189*
(−1.973)−0.407***
(−2.786)E 0.661**
(2.332)0.601**
(2.165)1.056***
(3.620)Z1 0.280***
(7.078)−0.144
(−1.479)Z2 −3.173***
(−5.050)−2.186***
(−3.200)Z3 0.647***
(2.686)0.973***
(3.802)Z4 −1.195
(−0.968)−0.387
(−0.337)Z5 −0.414***
(−4.022)−0.356***
(−3.511)个体效应 是 是 是 时间效应 否 否 是 R2 0.248 0.378 0.517 注：***、**、*分别表示1%、5%、10%的显著性水平，括号内数值为t值。 2 中介效应检验
在基准回归结果之上，按照式（3）和式（4）的思路进行中介效应检验。表4对技术创新的机制检验结果中，金融发展对专利申请M1和专利授权M2的回归系数不显著，且R2很小，说明金融发展对专利产出的解释力十分微弱，金融发展支持技术创新从而影响碳排放的证据不足，假设1不成立。对房价上涨的机制检验结果中，实际房价M3对金融规模F的回归系数显著为正，而人均碳排放量C对实际房价M3的回归系数显著为负，说明金融规模扩张显著提高了房价水平，房价上涨对碳排放有抑制作用，因此房价是金融规模抑制碳排放的重要渠道，假设2成立。对工业生产的机制检验结果中，工业产值M4对金融规模F和金融效率E的回归系数均显著为正，人均碳排放量C对工业产值M4的回归系数显著为正，说明金融发展显著促进了工业生产扩张，进而显著增加了人均碳排放量，与基准回归结果相比，金融规模F和金融效率E的系数发生了显著变化，系数大小和显著性都明显下降，说明工业生产是金融发展促进碳排放的重要渠道，假设3成立。
表 4 中介效应检验结果变量 技术效应 成本效应 规模效应 M1 M2 M3 C M4 C F −0.529
(−0.729)−0.504
(0.654)1.781***
(17.160)−0.393***
(−2.718)0.639***
(9.492)−0.118
(−0.748)E 1.417
(0.423)1.335
(3.019)0.225
(0.508)1.043***
(3.612)0.557*
(1.937)0.640**
(2.138)M3 −0.140**
(−2.140)M4 0.590***
(3.892)控制变量 是 是 是 是 是 是 个体/时间效应 是 是 是 是 是 是 R2 0.004 0.005 0.730 0.530 0.135 0.558 注：***、**、*分别表示1%、5%、10%的显著性水平，括号内数值为t值。 二 空间相关性检验
1 4种空间模型的参数估计
使用二进制邻接的空间权重矩阵（即城市相邻时矩阵元素为1，否则为0）对人均碳排放量逐年进行Moran检验。表5结果显示，Moran's I指数均大于0，拒绝“无空间效应”的原假设，说明京津冀地区人均碳排放量存在着显著的正空间相关性，且相关性逐年增强。
表 5 人均碳排放量Moran检验年份 Moran's I p值 2005 0.075 0.078 2006 0.080 0.071 2007 0.080 0.071 2008 0.099 0.052 2009 0.103 0.047 2010 0.129 0.029 2011 0.158 0.016 2012 0.137 0.024 2013 0.138 0.024 2014 0.151 0.018 2015 0.134 0.025 2016 0.153 0.017 2017 0.152 0.017 2018 0.181 0.009 2019 0.183 0.008 2 空间模型设定形式检验
对空间计量模型的具体形式进行拉格朗日检验。表6结果表明，LM-Lag、LM-Lag Robust、LM-Error和LM-Error Robust检验分别拒绝了“无空间误差效应”的原假设，说明普通面板模型会遗漏误差项的空间效应，空间滞后效应和空间误差效应均显著，因此本文选择建立SDM模型，将两种空间效应一般化地嵌套进来。
表 6 空间模型形式检验检验 统计量 p值 global Moran test 0.118 0.018 LM-Lag 15.944 0.000 LM-Lag Robust 32.974 0.000 LM-Error 4.519 0.034 LM-Error Robust 21.549 0.000 加入F和E的空间滞后项，SDM模型的设定形式为如下。
$$ \begin{split} &{\mathrm{l}\mathrm{n}\,C}_{it}={\beta }_{0} + \rho {\boldsymbol{W}}_{ij} \mathrm{l}\mathrm{n}\,{C}_{it} + {\beta }_{1}\mathrm{l}\mathrm{n}\,{F}_{it} + {\beta }_{2}\mathrm{l}\mathrm{n}\,{E}_{it} + \\&{\beta }_{3}{\mathrm{l}\mathrm{n}\,{Z}_{1}}_{it} + {\beta }_{4}{\mathrm{l}\mathrm{n}\,{Z}_{2}}_{it} + {\beta }_{5}{\mathrm{l}\mathrm{n}\,{Z}_{3}}_{it} + {\beta }_{6}{\mathrm{l}\mathrm{n}\,{Z}_{4}}_{it} + {\beta }_{7}{\mathrm{l}\mathrm{n}\,{Z}_{5}}_{it} + \\&{\theta }_{1} {\boldsymbol{W}}_{ij} \mathrm{l}\mathrm{n}\,{E}_{it} + {\theta }_{2} {\boldsymbol{W}}_{ij} \mathrm{l}\mathrm{n}\,{E}_{it} + {\mu }_{i} + {\nu }_{t} + {\varepsilon }_{it} \end{split} $$ (7) 式中：β0是常数项；ρ是被解释变量空间滞后项的系数，表示被解释变量在城市之间相互影响的作用大小，通过这一途径，所有解释变量都可以先直接影响本城市的人均碳排放量，再通过$\rho {\boldsymbol{W}}_{ij} \mathrm{l}\mathrm{n}\,{C}_{it}$在城市之间的相互传导，从而间接影响其他城市的人均碳排放水平；β1至β7是对应变量影响人均碳排放量的系数；θ1和θ2是来源于解释变量的空间效应，衡量了金融规模和金融效率对相邻城市的直接外溢效应；$ {\mu }_{i} $、$ {\nu }_{t} $、$ {\varepsilon }_{it} $的含义与式(2)一致。
三 空间面板模型回归
1 空间面板模型回归
为保证结果的稳健性，以人均碳排放量为被解释变量，对SDM、SAC、SAR和SEM 4种模型设定形式的参数进行最大似然估计，结果如表7所示。
表 7 4种空间面板计量模型估计结果SDM SAC SAR SEM ρ −0.254**
(−2.546)−0.254
(−1.553)−0.232**
(−2.355)λ 0.036
(0.210)0.105
(1.101)F −0.446***
(−3.161)−0.393***
(−3.028)−0.395***
(−3.035)−0.178*
(−1.913)E 0.961***
(3.647)1.022***
(3.921)1.024***
(3.935)0.657**
(2.421)Z1 −0.186**
(−2.097)−0.161*
(−1.856)−0.162*
(−1.862)0.275***
(6.959)Z2 −2.199***
(−3.610)−2.277***
(−3.695)−2.258***
(−3.709)−3.224***
(−5.310)Z3 0.949***
(4.079)0.911***
(3.857)0.897***
(3.901)0.693***
(3.035)Z4 −0.313
(−0.301)−0.493
(−0.483)−0.490
(−0.478)−1.062
(−0.913)Z5 −0.386***
(−4.263)−0.376***
(−4.147)−0.378***
(−4.157)−0.392***
(−3.951)WF −0.292
(0.234)WE 0.354
(0.447)个体/时间效应 是 是 是 是 对数似然函数值 190.005 189.179 189.168 162.575 注：***、**、*分别表示1%、5%、10%的显著性水平，括号内数值为t值。 表7各列结果均显示：金融规模F系数显著为负，金融效率E系数显著为正，即金融规模扩张抑制了碳排放，金融效率提高促进了碳排放，与模型（5）的结论一致。SDM模型空间相关系数ρ为−0.254，它直接衡量了被解释变量在空间上传导的反馈效应，表示该城市人均碳排放量的变化对相邻地区人均碳排放量影响的弹性，在其他条件不变的情况下，该城市人均碳排放量每增加1%，相邻的城市人均碳排放量平均减少0.254%。金融规模的空间滞后项WF系数为−0.292但不显著，金融效率的空间滞后项WE系数为0.354但不显著，说明金融发展的直接溢出效应与本地效应的影响方向一致，但强度较弱。针对空间回归模型结果作如下讨论：①显著为正的Moran's I指数说明城市间的碳排放水平呈正相关性，它与显著为负的空间相关系数ρ并不产生矛盾结论，正的Moran's I指数表明存在着“高排放城市的相邻城市也是高排放，低排放城市的相邻城市也是低排放”这一事实，而ρ表示城市之间碳排放的作用方式是相互抑制，这种间接影响只是碳排放水平的部分影响因素，而金融发展、产业升级和技术进步等是影响城市碳排放的主导因素。②本文的被解释变量不是追踪大气中实际的碳足迹，而是由能源消耗量推算而来，因此空间效应是通过经济活动驱动能源消费来对相邻城市产生影响[26]，而非CO2在大气中的扩散。③虽然表7未纳入控制变量的空间滞后项，但对所有变量进行空间滞后的回归结果不会发生明显变化，限于篇幅未报告。
2 金融发展的直接效应、间接效应和总效应
表7中SDM模型的参数点估计回归结果指出了各个解释变量的弹性大小，却不能反映金融发展产生的空间效应全貌。表8报告了金融规模和金融效率的直接效应、间接效应和总效应大小，间接效应即金融发展影响相邻城市碳排放水平的两种空间效应之和。可以发现，金融规模扩大同时抑制了该城市和相邻城市的碳排放，金融规模每扩张1%，该城市人均碳排放量平均下降0.428%，相邻城市的人均碳排放量平均下降0.164%，金融规模抑制碳排放的总效应为0.593%；金融效率提升同时促进了该城市和相邻城市的碳排放，金融效率每提升1%，该城市人均碳排放量平均增加0.939%，相邻城市的人均碳排放量平均增加0.143%，金融效率促进碳排放的总效应为1.082%。与OLS结果相比，SDM模型中金融发展影响碳排放的弹性更大，这是OLS模型遗漏空间效应所导致的参数低估，如果遗漏了城市间的空间效应，采取特定政策产生的影响与预期减排结果存在偏差。
表 8 金融发展对人均碳排放量的影响直接效应 间接效应 总效应 F −0.428***
(−2.974)−0.164
(−0.900)−0.593**
(−2.427)E 0.939***
(3.505)0.143
(0.361)1.082***
(2.804)注：***、**、*分别表示1%、5%、10%的显著性水平，括号内数值为t值。 四. 结论与建议
一 结 论
本研究在估算京津冀城市群2005—2019年CO2排放量的基础上，在STIRPAT模型中引入金融发展变量，探究金融规模扩张和金融效率提升对人均碳排放量的影响，通过系列检验确定建立空间杜宾模型来刻画金融发展对碳排放影响的直接效应和空间效应，弥补了普通OLS所遗漏的空间效应，并通过中介效应模型挖掘了金融发展影响碳排放的作用机制。主要结论为：①整体上，金融规模扩张抑制了碳排放，金融效率提高促进了碳排放。金融规模扩张和金融效率提升对城市人均专利的影响不显著，没有表现出技术效应；金融规模扩张显著拉动了房价上涨并推高企业生产成本，通过成本效应抑制了CO2排放；金融效率提升对人均工业增加值的影响显著为正，为工业企业扩张提供融资便利，通过规模效应促进了CO2排放。②相较于影响本城市碳排放水平的直接效应，金融规模和金融效率影响邻近城市碳排放的间接效应作用方向一致，但影响强度较弱，空间杜宾模型的建立弥补了传统OLS模型的内生性偏误。③京津冀地区各城市的人均碳排放量呈显著的空间正向自相关，即对于地理相邻的城市而言，它们的人均碳排放量特征也相对一致。④京津冀各城市人均碳排放量在空间上传导的反馈效应带来了负向影响，可以认为一个城市能源消耗增加会使得其他城市的能源消耗下降，造成京津冀地区能源消费和环境质量的不均衡，阻碍了京津冀城市群的协同发展。
二 建 议
根据上文实证研究结果，结合京津冀当前实际情况，笔者提出以下建议：①加快建设合理、高效的绿色金融体系，增加绿色低碳产业的金融资源供给。政府加快绿色金融相关制度建设和法律规范的顶端设计，总结绿色金融试验区的有益经验，协调和规范绿色金融各方利益和行为，营造公开透明高效的融资环境；稳步扩大绿色信贷、绿色债券、绿色资产支持证券、碳交易市场等产品规模，创新绿色金融工具，优化绿色金融的融资成本和期限结构，助力低碳产业发展。②强化银行信贷对工业绿色创新的支持力度，鼓励京津冀城市群技术交流合作。坚定不移落实“十四五”创新发展战略，合理控制虚拟经济的信贷需求，引导信贷资源更多地流向实体经济，鼓励绿色技术创新的试验与应用；同时，发挥北京在科技、人才、管理等方面的优势，鼓励先进技术向周围城市辐射、溢出和转移，通过技术进步带动能源利用效率的提高，逐步降低经济发展对化石能源的依赖程度。③控制银行信用审批的环境标准，坚定对高排放过剩产能的淘汰力度。调整企业金融信贷和融资政策，严格控制信贷金融的环境标准，坚决淘汰高排放过剩产能和“僵尸”企业，倒逼“两高一剩”产业进行绿色创新和转型，推动建设低碳友好型城市。
-
表 1 各城市主要年份生产效率
2005 2010 2015 2019 年平均值 北京 0.524 1.140 1.382 1.985 1.136 天津 0.848 0.707 1.079 1.032 0.795 石家庄 0.685 0.727 0.701 0.593 0.685 承德 0.543 0.652 0.641 0.665 0.625 张家口 0.505 0.484 1.415 0.513 0.619 秦皇岛 0.602 0.913 0.783 0.786 0.742 唐山 1.197 1.274 1.066 1.219 1.299 廊坊 0.588 0.655 0.743 0.823 0.638 保定 0.551 0.641 0.681 0.594 0.605 沧州 0.788 0.819 0.829 0.753 0.767 衡水 0.533 0.617 0.664 0.684 0.663 邢台 0.581 0.555 0.548 0.616 0.552 邯郸 0.611 0.648 0.506 0.609 0.580 平均值 0.658 0.756 0.849 0.836 
下载: 导出CSV
表 2 各变量的描述性统计
变量类型 变量名称 变量
符号均值 标准差 最小值 最大值 被解释变量 人均碳排放量 C 1.854 0.584 0.703 3.222 核心解释变量 金融规模 F 2.765 1.485 1.052 8.131 金融效率 E 0.627 0.138 0.365 1.137 控制变量 人均财富 Z1 10.430 0.586 9.205 12.010 产业结构 Z2 6.573 0.389 5.969 7.647 对外贸易 Z3 0.108 0.102 0.007 0.606 外商投资 Z4 0.021 0.017 0.001 0.082 生产效率 Z5 0.747 0.277 0.412 1.985 中介变量 专利申请 M1 2.222 1.366 0.369 6.057 专利授权 M2 1.830 1.224 0.247 5.506 实际房价 M3 8.223 0.641 7.169 10.310 工业产值 M4 0.983 0.347 0.333 1.937
下载: 导出CSV
表 3 基准回归结果
变量 C C C F −0.105
(−1.032)−0.189*
(−1.973)−0.407***
(−2.786)E 0.661**
(2.332)0.601**
(2.165)1.056***
(3.620)Z1 0.280***
(7.078)−0.144
(−1.479)Z2 −3.173***
(−5.050)−2.186***
(−3.200)Z3 0.647***
(2.686)0.973***
(3.802)Z4 −1.195
(−0.968)−0.387
(−0.337)Z5 −0.414***
(−4.022)−0.356***
(−3.511)个体效应 是 是 是 时间效应 否 否 是 R2 0.248 0.378 0.517 注：***、**、*分别表示1%、5%、10%的显著性水平，括号内数值为t值。
下载: 导出CSV
表 4 中介效应检验结果
变量 技术效应 成本效应 规模效应 M1 M2 M3 C M4 C F −0.529
(−0.729)−0.504
(0.654)1.781***
(17.160)−0.393***
(−2.718)0.639***
(9.492)−0.118
(−0.748)E 1.417
(0.423)1.335
(3.019)0.225
(0.508)1.043***
(3.612)0.557*
(1.937)0.640**
(2.138)M3 −0.140**
(−2.140)M4 0.590***
(3.892)控制变量 是 是 是 是 是 是 个体/时间效应 是 是 是 是 是 是 R2 0.004 0.005 0.730 0.530 0.135 0.558 注：***、**、*分别表示1%、5%、10%的显著性水平，括号内数值为t值。
下载: 导出CSV
表 5 人均碳排放量Moran检验
年份 Moran's I p值 2005 0.075 0.078 2006 0.080 0.071 2007 0.080 0.071 2008 0.099 0.052 2009 0.103 0.047 2010 0.129 0.029 2011 0.158 0.016 2012 0.137 0.024 2013 0.138 0.024 2014 0.151 0.018 2015 0.134 0.025 2016 0.153 0.017 2017 0.152 0.017 2018 0.181 0.009 2019 0.183 0.008
下载: 导出CSV
表 6 空间模型形式检验
检验 统计量 p值 global Moran test 0.118 0.018 LM-Lag 15.944 0.000 LM-Lag Robust 32.974 0.000 LM-Error 4.519 0.034 LM-Error Robust 21.549 0.000
下载: 导出CSV
表 7 4种空间面板计量模型估计结果
SDM SAC SAR SEM ρ −0.254**
(−2.546)−0.254
(−1.553)−0.232**
(−2.355)λ 0.036
(0.210)0.105
(1.101)F −0.446***
(−3.161)−0.393***
(−3.028)−0.395***
(−3.035)−0.178*
(−1.913)E 0.961***
(3.647)1.022***
(3.921)1.024***
(3.935)0.657**
(2.421)Z1 −0.186**
(−2.097)−0.161*
(−1.856)−0.162*
(−1.862)0.275***
(6.959)Z2 −2.199***
(−3.610)−2.277***
(−3.695)−2.258***
(−3.709)−3.224***
(−5.310)Z3 0.949***
(4.079)0.911***
(3.857)0.897***
(3.901)0.693***
(3.035)Z4 −0.313
(−0.301)−0.493
(−0.483)−0.490
(−0.478)−1.062
(−0.913)Z5 −0.386***
(−4.263)−0.376***
(−4.147)−0.378***
(−4.157)−0.392***
(−3.951)WF −0.292
(0.234)WE 0.354
(0.447)个体/时间效应 是 是 是 是 对数似然函数值 190.005 189.179 189.168 162.575 注：***、**、*分别表示1%、5%、10%的显著性水平，括号内数值为t值。
下载: 导出CSV
表 8 金融发展对人均碳排放量的影响
直接效应 间接效应 总效应 F −0.428***
(−2.974)−0.164
(−0.900)−0.593**
(−2.427)E 0.939***
(3.505)0.143
(0.361)1.082***
(2.804)注：***、**、*分别表示1%、5%、10%的显著性水平，括号内数值为t值。
下载: 导出CSV
-
[1] 周曙东,欧阳纬清,葛继红. 京津冀PM2.5的主要影响因素及内在关系研究[J]. 中国人口·资源与环境,2017,27(4):102-109. [2] 范建双,周琳. 城镇化及房地产投资对中国碳排放的影响机制及效应研究[J]. 地理科学,2019,39(4):644-653. [3] 李德山,徐海锋,张淑英. 金融发展、技术创新与碳排放效率:理论与经验研究[J]. 经济问题探索,2018(2):169-174. [4] TAMAZIAN A,CHOUSA J P,VADLAMANNATI K C. Does higher economic and financial development lead to environmental degradation:evidence from BRIC countries[J]. Energy Policy,2009,37:246-253. doi: 10.1016/j.enpol.2008.08.025
[5] SHAHBAZ M,TIWARI A K,NASIR M. The effects of financial development,economic growth,coal consumption and trade openness on CO2 emissions in South Africa[J]. Energy Policy,2013,61:1452-1459. doi: 10.1016/j.enpol.2013.07.006
[6] KUMBAROGLU G,KARALI N,ARIKAN Y. CO2,GDP and RET:an aggregate economic equilibrium analysis for Turkey[J]. Energy Policy,2008,36(7):2694-2708. doi: 10.1016/j.enpol.2008.03.026
[7] JALIL A,FERIDUN M. The impact of growth,energy and financial development on the environment in China:a cointegration analysis[J]. Energy Economics,2011,33(2):284-291. doi: 10.1016/j.eneco.2010.10.003
[8] 顾洪梅,何彬. 中国省域金融发展与碳排放研究[J]. 中国人口·资源与环境,2012,22(8):22-27. doi: 10.3969/j.issn.1002-2104.2012.08.004 [9] 严成樑,李涛,兰伟. 金融发展、创新与二氧化碳排放[J]. 金融研究,2016(1):14-30. [10] 罗知,张川川. 信贷扩张、房地产投资与制造业部门的资源配置效率[J]. 金融研究,2015(7):60-75. [11] 王文春,荣昭. 房价上涨对工业企业创新的抑制影响研究[J]. 经济学(季刊),2014,13(2):465-490. [12] 冯萍,刘建江,罗双成. 房价、劳动力成本与制造业区位布局:理论与证据[J]. 产业经济研究,2019(2):88-101. [13] 熊灵,齐绍洲. 金融发展与中国省区碳排放:基于STIRPAT模型和动态面板数据分析[J]. 中国地质大学学报(社会科学版),2016(2):63-73. [14] ZHANG Y J. The impact of financial development on carbon emissions:an empirical analysis in China[J]. Energy Policy,2011,39(4):2197-2203. doi: 10.1016/j.enpol.2011.02.026
[15] WAYGOOD S. How do the capital markets undermine sustainable development? what can be done to correct this?[J]. Journal of Sustainable Finance and Investment,2011,1:81-87. doi: 10.3763/jsfi.2010.0008
[16] ACHEAMPONG A O. Modelling for insight:does financial development improve environmental quality?[J]. Energy Economics,2019,83:156-179. doi: 10.1016/j.eneco.2019.06.025
[17] EHRLICH P R,HOLDREN J P. Impact of population growth:complacency concerning this component of man's predicament is unjustified and counterproductive[J]. Science,1971,171(3977):1212-1217. doi: 10.1126/science.171.3977.1212
[18] ROSA E A,YORK R,DIETZ T. Tracking the anthropogenic drivers of ecological impacts[J]. AMBIO:A Journal of the Human Environment,2004,33(8):509-512. doi: 10.1579/0044-7447-33.8.509
[19] ANSELIN L,BERA A K. Spatial dependence in linear regression models with an introduction to spatial econometrics[J]. Statistics Textbooks and Monographs,1998,155:237-290.
[20] ANSELIN L, FLORAX R J G M, REY S J. Advances in spatial econometrics: methodology, tools and applications[M]. Berlin: Springer Verlag Press, 2013: 1-25.
[21] 白俊红,王钺,蒋伏心,等. 研发要素流动、空间知识溢出与经济增长[J]. 经济研究,2017,52(7):109-123. [22] 朱东波,任力,刘玉. 中国金融包容性发展、经济增长与碳排放[J]. 中国人口·资源与环境,2018,28(2):66-76. [23] 史恩义,王娜. 金融发展、产业转移与中西部产业升级[J]. 南开经济研究,2018(6):3-19. [24] 付凌晖. 我国产业结构高级化与经济增长关系的实证研究[J]. 统计研究,2010,27(8):79-81. [25] TONE K. A slacks-based measure of efficiency in data envelopment analysis[J]. European Journal of Operational Research,2001,130(3):498-509. doi: 10.1016/S0377-2217(99)00407-5
[26] BURNETT J W,BERGSTROM J C,DORFMAN J H. A spatial panel data approach to estimating US state-level energy emissions[J]. Energy Economics,2013,40:396-404. doi: 10.1016/j.eneco.2013.07.021
-
期刊类型引用(1)
1. 王丽君. 2024年度马克思主义与生态文明研究述评. 鄱阳湖学刊. 2025(01): 98-113+159 . 
百度学术
其他类型引用(0)
计量
- 文章访问数: 347
- HTML全文浏览量: 137
- PDF下载量: 71
- 被引次数: 1
