【文献分享】绿色金融促进低碳能源转型：基于供需视角的新证据

基于文献综述和理论考虑，图1展示了绿色金融对能源转型的影响。本研究提出了以下假设：

H1：绿色金融促进能源转型。

H2：从能源供给的角度来看，绿色金融通过推进替代能源技术和扩大清洁能源供给能力，增强了清洁能源的供应，加速了能源转型。

H3：从能源需求角度看，绿色金融通过提高公众环保意识和优化经济结构，刺激清洁能源需求，推动能源转型。

1. 基准回归结果

首先，本研究讨论绿色金融对能源转型的总体影响。表 4列出了使用普通最小二乘法（OLS）估计后得到的实证结果。第（1）列是不含控制变量和固定效应的估计结果。第（2）列引入了地区固定效应，而第（3）列增加了控制变量。第(4)列进一步加入了年份虚拟变量，以捕捉随时间变化但与地域无关的政策因素。2012年发布的《关于印发绿色信贷指引的通知》（CIGCG）是一项里程碑式的政策，标志着绿色金融发展的开始，随后又出台了许多与绿色金融相关的政策。本文研究了2012年后出台的政策对绿色金融发展的政策干扰。

如表4所示，在所有列的所有模型中，绿色金融对能源转型的系数均为负，且在1%的水平上显著。这表明，在绿色金融发展的同时，低碳能源转型也得到了明显改善。第（4）列的结果表明，绿色金融每增加1%，能源转型就会改善0.27%，这支持了假设1。

在控制变量方面，一般财政对能源转型的影响为负且显著。当中国中央政府制定低碳排放目标并加强指导时，地方政府必须遵守。根据上述分析，当一个省级地区拥有化石燃料禀赋时，它就很难向低碳能源经济转型。此外，资源禀赋的估计系数为正且在统计上显著，表明资源禀赋对低碳转型有负面影响。能源转型指数与出口显著相关，出口增长1%，能源转型指数降低0.07%，这可能是由于面对激烈的全球竞争，出口导向型企业必须不断采用创新技术，最大限度地减少碳能源消耗，降低生产成本。由于能源密集型工业部门的能耗明显高于其他部门，内在产业变化（如HES）的系数显著为正。这表明，控制能源密集型工业部门的扩张有助于向低碳状态过渡。

2. 工具变量回归

尽管在上述分析中纳入了控制变量并考虑了固定效应，从而部分缓解了内生性问题，但由于难以列出影响绿色金融和能源转型的许多潜在混杂因素，因此广泛解决所有内生性问题仍具有挑战性。此外，测量误差也可能导致回归结果出现内生性问题。因此，本研究采用了两阶段最小二乘法（2SLS）来进一步缓解内生性问题。

一般来说，地理位置是由外生因素决定的。本文选取首都到杭州的距离作为绿色金融的第一个工具变量（IV）。以支付宝为代表的在线金融平台提供了多种便捷的绿色金融服务，而杭州正是绿色金融发展的领头羊。离杭州越近的地区，其绿色金融发展水平越高。省平均海拔被选为绿色金融的第二个自变量，其发展与人力资本密切相关。此外，中国人口分布存在明显的地区差异，大部分人口集中在东部平原地区。因此，海拔高度会影响人口分布特征。相关数据来源于中国科研数据服务平台。

然而，由于距离在不同时期保持不变，因此不能直接用于实证分析。为了捕捉动态特征，本文设置了三个年份虚拟变量：2000-2012年一个，2013-2014年一个，2015-2018年一个。之所以这样划分，是因为 2012 年和 2015 年是绿色金融的两个关键政策里程碑。2012年，《中国绿色金融行动纲要》发布；2015年，《生态文明体制改革总体方案》首次提出建立绿色金融体系的总体目标。本文构建了两组地理数据（距离和海拔）与年份虚拟变量之间的交互项作为自变量。这样，在2SLS方法的第一阶段，就可以在自变量对内生变量（lnGF）的回归中，同时观察几个发展阶段对绿色金融的影响。更重要的是，为了消除多重共线性，本研究只同时生成了四个自变量：YearDum2000-12∗Distance 、YearDum2015-18∗Distance 、YearDum2000-12∗Altitude和YearDum2015-18∗Altitude 。这就避免了过度识别的问题，因为过度识别会因自变量过多而降低识别的有效性。

表5列出了使用2SLS估计的结果。第（1）列的结果表明，各省会城市到杭州的地理距离与年份虚拟变量之间的交互项对绿色金融有显著的预测作用。表5底部显示的弱识别检验的Wald统计量远高于10%的临界值，表明自变量与绿色金融密切相关。弱识别检验的LM统计量显著拒绝了自变量识别不足的零假设，肯定了使用2SLS估计器得出的结果的有效性。此外，使用Hansen J 统计量进行的过度识别检验支持了自变量的外生性。在此基础上，本文的结果发现，距离杭州较远的地区绿色金融发展较差，这一点在2015-2018年期间尤为明显。第（2）列的结果证实，绿色金融发展显著降低了能源转型指数。

同样，第(3)列和第(4)列列出了使用平均海拔与虚拟变量之间的交互项作为绿色金融自变量的估计结果。结果表明，绿色金融降低了能源转型指数，有效性检验也报告在底部。此外，本文在第（5）列和第（6）列中将平均海拔和距离都视为自变量。结果类似，绿色金融与能源转型指数负相关。这些结果与假设 1 一致。

3. 稳健性检验

本研究进行了多种稳健性检验，包括改变估计方法、检验地区异质性以及添加各种控制变量。首先，将估计方法改为量化回归，以探讨绿色金融在不同能源体系下对能源转型的阶段性影响。在不同的量级上进行预测，可以得到更全面、更精确的信息。表6第（1）行显示了能源转型指数50%五分位数的结果，表明绿色金融与能源转型保持负相关。绿色金融指数每增加1%，能源转型指数中位数就会降低0.18%，这证实了结果的稳健性。同时，图2显示，绿色金融对能源转型的影响在不同的量级有所不同。绿色金融系数的绝对值越高，表明绿色金融对能源转型的影响在能源转型指数的上端比下端更为显著。这种差异可能表明，能源转型指数越高的省份对绿色金融的变化越敏感，或者说绿色金融对能源转型的影响表现出复杂的特征。换句话说，可能还有其他因素影响绿色金融对能源转型的效果。

另一个值得关注的问题是，沿海地区和内陆地区的绿色金融发展水平和能源资源禀赋不同，这有可能导致特定地区的估算出现偏差。绿色金融在沿海地区得到了更广泛的发展，以支持工业转型和发展、新能源和低碳交通，而内陆地区的发展则不那么显著。表6第（2）行和第（3）行给出了地区异质性检验结果，显示绿色金融对能源转型的影响系数在两个地区都有所下降，内陆地区下降更为显著。这些结果表明，在低碳转型起步较晚的地区，绿色金融发展的影响更大。绿色金融的发展也有助于缩小低碳转型程度的地区差异。

第三，另一个值得关注的问题是潜在的遗漏变量，如城市化和环境库兹涅茨曲线（EKC）假说。城市化是中国的一个重要趋势。从2000年到2022年，中国的城市化率从36.22% 猛增至65.22%，许多学者将这一进程视为影响向可持续能源过渡的关键因素，因为它对个人职业和生活习惯产生了深远影响。在表6第（4）行中，引入了城市化（定义为城市人口在总人口中所占比例）来重新估计绿色金融的能源转型效应。结果表明，绿色金融仍然显著降低了能源转型指数。EKC假设认为经济发展与环境质量之间存在倒U型关系。第（5）行给出了EKC假设的检验结果，在估计模型中同时引入了经济增长及其平方。结果表明，绿色金融仍然显著降低了能源转型指数，EKC假说在中国表现明显，绿色金融明显降低了能源转型指数。在第（6）行中，同时考虑了城市化和 EKC 假设，以消除遗漏变量的担忧，结果与本文的基准回归结果一致。

最后，环境法规在促进能源转型方面起着至关重要的作用。中国政府实施的一些竞争性政策可能会导致估计中的变量偏差遗漏。中国政府实施了火电保护政策，以维持全国火电行业供应收入的稳定发展。因此，政府指定了一系列具体措施，如优化火电行业的市场管理，以更有效地协调产业链的上下游方向。这些努力与低碳转型的目标密切相关。为了排除这种可能的干扰，本研究为火电保护政策（以火电装机占电力装机的比重来衡量）和绿色金融生成了一个交互项指标（lnGF∗POLICY）。第（7）行显示的结果表明，在火电保护政策和绿色金融的背景下，能源转型指数进一步下降。稳健性检验有力地支持了绿色金融促进能源转型的基线。

4. 影响机制分析

上述分析认为，发展绿色金融有利于能源转型。要想在金融领域提出更有效的政策，就必须找出这种影响背后的影响渠道。从理论上讲，发展绿色金融对能源转型的影响源于促进新能源的供给和需求。然而，绿色金融通过多种渠道影响新能源的供应和需求。为了从经验上证明这些影响途径的存在，本文分两步进行了多项分析。

4.1 能源供给

从理论上讲，从能源供给的角度看，绿色金融通过两种途径影响能源转型：一是促进替代能源的技术进步，进一步推动能源转型；二是促进清洁能源供给能力的提高，同样增加清洁能源的供应，推动能源转型。

本研究根据模型（2）至（7）分两步进行了多重分析。在第一阶段，本文估算了绿色金融发展对替代能源技术的影响，表7第（1）列显示了估算结果。相应的系数明显为正，表明绿色金融发展水平的提高有助于替代能源技术的发展。第（2）列估算了绿色金融对清洁能源供给的影响，结果表明绿色金融也增加了清洁能源供给。在第（3）列中，同时引入了绿色金融和替代能源技术的发展，并估算了它们对清洁能源供给的影响。研究结果表明，绿色金融的发展促进了替代能源技术的发展，增加了清洁能源供给。在第二阶段，在第(7)-(9)列中重新进行类似分析，考察清洁能源供给的增加是否是绿色金融对能源转型的影响机制。当加入中介变量--清洁能源供给时，绿色金融对能源转型的影响减小，说明存在一个渠道，从而表明绿色金融发展通过替代能源技术的使用增加清洁能源供给来刺激低碳能源转型。

同样，第（4）列至第（6）列估计了清洁能源供给能力对绿色金融发展对清洁能源供给影响的中介效应。第（7）列至第（9）列估计了绿色金融发展背后清洁能源供给对能源转型的影响。结果发现了绿色金融发展提升清洁能源供给能力、增加新能源供给推动能源转型的关键机制。实证证据证实了假设2，即绿色金融通过推动替代能源技术发展和扩大清洁能源供给能力，增强清洁能源供给，加速能源转型。

4.2 能源需求

从能源需求角度看，绿色金融理论上通过两种途径影响能源转型。首先，绿色金融通过提高公众的绿色环保意识，增加对新能源的需求，进一步推动能源转型。其次，绿色金融促进经济结构的清洁化转型，也会增加对新能源的需求，推动能源转型。

与供给侧的分析方法类似，首先估计了绿色金融发展对绿色环保意识的影响，结果见表8第（1）列。据估计，相应的系数均为显著正值，表明绿色金融发展水平的提高有助于绿色环保意识的提高。如第 2 列所示，绿色金融也会增加清洁能源需求。在引入绿色环境意识的列（3）中，绿色金融的系数不显著，说明绿色金融增强了绿色环境意识，进而增加了清洁能源需求。其次，第（7）-（9）列估计了绿色金融推动能源转型中清洁能源需求的中介效应。绿色金融的估计系数仍然为负，但其绝对值有所下降，说明在考虑清洁能源需求时存在一个渠道，表明绿色金融发展通过提高绿色环保意识而增加对清洁能源的需求，从而刺激低碳能源转型。

同样，第（4）列至第（6）列表明，绿色金融优化了经济结构，从而增加了清洁能源需求。换言之，经济结构优化是绿色金融对能源转型的影响机制。结合列（7）-（9）的结果，即清洁能源需求是绿色金融与能源转型之间的中介，本文可以得出这样的结论：绿色金融发展的影响路径，促进了经济结构的清洁化转型，刺激了清洁能源需求，从而推动能源转型。证据进一步支持假设 3，即绿色金融通过提高公众环境意识和优化经济结构，刺激清洁能源需求，推动能源转型。

5. 进一步分析

5.1 绿色金融对能源转型的不同影响

《绿色债券支持项目目录》强调了扩大绿色金融规模和提高绿色金融效率的重要性。简单的整体分析可能无法完全反映绿色金融发展的异质性。因此，本研究通过考察绿色金融发展的两个主要组成部分：融资规模和融资效率，重点研究绿色金融发展对能源转型的影响。

表9的第(1)-(3)列是使用OLS估计法得出的绿色金融规模和效率对能源转型影响的相应结果。绿色金融效率（lnFeffi）在促进能源转型中发挥了重要作用。相比之下，绿色金融规模（lnFscale）对能源转型没有显著影响，说明绿色金融的低碳转型效应主要是由绿色金融效率而非绿色金融规模引起的。这表明，绿色项目的成功与否与金融资源的利用效率密切相关，而非单纯的金融资源数量。换言之，绿色金融的有效性在于促进企业更好地获得资金，并在项目实施过程中实现更大的灵活性和容错性，从而使绿色项目对企业更具吸引力。为了进一步确定绿色金融规模扩张的功能，再次使用2SLS估计器进行分析。第（4）列和第（5）列的结果显示，lnFeffi的系数为负且显著，而lnFscale的系数不显著。这与上述OLS回归结果一致，表明提高绿色金融的效率确实是促进能源转型的更有效手段。

5.2 绿色金融对能源转型的非线性影响

如表10所示，所有变量都通过了显著性检验，拒绝了前一个线性模型的假设，从而验证了门槛效应的存在。对于绿色金融总量，lnGF的估计系数为-0.316，在人均工业能源投资大于2.375单位时具有显著性。一旦人均工业能源投资低于2.375单位，lnGF的估计系数就会变得显著，为-0.436。这表明绿色金融与能源转型之间存在非线性关系，绿色金融的低碳转型效应在能源产业规模较低的地区更为明显。就绿色金融效率而言，lnFeffi的估计系数为-0.120，在人均工业能源投资大于2.451单位时具有显著性。当人均工业能源投资低于临界值时，lnFeffi的系数变为-0.171，并且仍然显著。就绿色金融规模而言，当人均工业能源投资高于临界值时，lnFscale的估计系数为-0.240，且不显著。然而，当临界变量低于临界值时，该系数显著为负。这些发现意味着，能源产业资源配置效率的提高会放大绿色金融对能源转型的影响。

首先，绿色金融有助于促进向低碳能源系统的过渡。研究结果表明，中国应积极推动绿色金融的发展，并实施相关政策引导企业低碳实践。其次，扩大绿色金融固然重要，但提高其效率应成为新的重点。与可持续能源目标背道而驰的是，绿色金融的无节制增长可能会在无意中惠及高耗能行业。第三，新能源供需的发展是绿色金融推动能源转型的关键渠道。在供给方面，中国必须加大对绿色金融的政策支持和激励，如为绿色项目提供税收优惠和降低利率。在需求方面，政府应着力建立完善的绿色金融信息平台和共享机制，提高透明度，提高公众的环保意识。此外，促进绿色投资、扩大第三产业、转变经济结构也是新兴产业增加对新能源需求的必要条件。