银行信贷如何影响碳排放？
——基于增长模型及中国经验的研究

吴姗姗

(中南财经政法大学 经济学院，湖北 武汉 430073)

一、引言

2016年4月应对气候变化的《巴黎协定》正式签署并于同年11月正式生效。在此协定下，中国将减排目标设定为截至2030年单位GDP二氧化碳排放较2005年下降60%～65%。在绿色金融的大背景下，有效利用作为金融工具之一的银行信贷，将有助于实现减排目标。金融发展对二氧化碳排放的影响有两种截然相反的结果，一是通过作用于人均GDP产生总量扩张效应带来碳排放的增加，二是通过作用于技术进步产生技术提升效应带来碳减排[1]。本文以银行信贷为核心研究对象，探讨银行信贷对碳排放产生的规模效应和技术效应，从如下几方面对已有研究做出补充：第一，我们将一个银行信贷变量引入索罗(Solow)增长模型，通过推导均衡时资本量并将其引入内生增长模型，以证明银行信贷对经济增长与技术进步的影响，之后将增长模型的均衡结果引入碳排放函数，最终证明银行信贷对碳排放的影响；第二，对银行信贷作用于碳排放而产生的两种效应分别建立实证模型，以检验传导过程中的影响机制，由此区别于直接构建银行信贷与碳排放关系的模型；第三，通过应用实证结果，量化评估综合效应下碳排放的变化，发现规模效应主导碳排放量的变化，但是当信贷量达到一定规模时，技术效应的减排效果显著。

二、文献综述

本文核心论题围绕银行信贷作用于二氧化碳排放的传导机制展开。本文认为，银行信贷一方面通过作用于经济增长，扩张总产出而影响碳排放；另一方面通过作用于技术进步，改进碳排放强度而影响碳排放。本文文献回顾从这两方面展开，聚集于近年来较新的研究成果，以探究该论题的发展方向。

早期研究起源于探讨金融发展与经济增长之间的关系。Greenwood和Jovanovic认为金融中介与经济增长是互为内生的，金融中介为资本带来更高回报从而推动经济增长，而经济增长又为实现昂贵复杂的金融结构提供可能[2]。戴金平和刘东坡也发现金融稳定与经济增长互为内生的关系[3]。近年来的研究将金融发展的概念更为具体化，如银行信贷与经济增长的关系成为研究的一个焦点。张军认为银行信贷对经济增长的影响不显著，原因是信贷更多地分配给效率较低的国有企业，实证结果显示当更多信贷流入非国有企业部门才会对经济增长及生产效率的提升产生显著正效应[4]。潘敏和缪海斌采用月度数据回归发现银行信贷是推动经济增长的主要因素，但其影响随着时间推移会逐渐减弱，因此建议商业银行把握信贷投入的节奏[5]。崔小涛通过回归季度数据也发现了“时间”的作用，即中长期信贷对经济增长具有正向影响，而短期信贷的影响效应则有正有负[6]。范从来等也发现中长期信贷对经济增长有长期促进作用[7]。另外，对其他发展中国家的实证研究也显示银行信贷对经济增长具有推动效应，如尼日利亚和印度[8][9]。

经济增长与二氧化碳排放关系的研究始于对环境库兹涅茨曲线(EKC曲线)的验证。周少甫通过采用中国时间序列数据检验中国碳排放的EKC曲线，发现经济增长对碳排放具有显著的增排效应[10]。范丹通过采用中国省级面板数据以及运用空间计量模型对二氧化碳EKC曲线进行验证，发现人均碳排放与经济增长之间基本满足EKC曲线的假设，并且中国目前正处于二氧化碳EKC曲线的左端[11]。他们的发现意味着中国经济增长对碳排放的影响在现阶段是正向的。胡宗义等同样发现中国碳排放与经济增长之间的关系仅存在于EKC拐点的左侧，并且跨越拐点的可能性非常小[12]。鉴于经济增长与碳排放在中国已呈现较为清晰的正向关系，研究焦点逐步转移到探讨其内在机制问题上。刘志红和曹俊文通过分析碳排放强度与GDP增长率之间的脱钩状态来解释中国经济增长对碳排放量的影响过程，发现改革开放后经济高速增长的同时，因重工业化趋势使碳排放强度不降反升，两者处于扩张负脱钩状态，因此碳排放量随经济增长逐年显著增加，之后由于产业结构调整和企业转型升级，在经济增长的同时碳排放强度逐年下降，但因为经济增长率仍高于碳排放强度的下降速度，因此经济增长继续带来碳排放量的增加，两者处于增长连接状态，他们认为在2030年实现经济增长与碳排放之间的脱钩尚不可行[13]。也有研究指出经济增长对碳排放的影响主要是通过改变能源消费而实现的，如Wang等采用中国时间序列数据进行检验，发现经济增长与能源消费之间存在双向因果关系，而能源消费对碳排放的影响是单向的，间接确定了经济增长对碳排放的影响[14]；崔百胜和朱麟在内生增长理论的基础上发现，即使约束能源消费总量也不会影响经济增长，原因是能源约束会激励新的经济驱动力产生，这也意味着在经济增长的同时可以实现节能减排，他们的实证结果也显示中国大部分地区在经济增长的同时实现了二氧化碳减排[15]。

专注于银行信贷作用于技术进步的研究较为有限，更多研究倾向于讨论金融发展与技术进步的关系。Hwang等发现金融发展为资源有效配置提供条件，从而推进研发活动的开展[16]。Bayar通过对欧盟成员国的数据回归发现金融发展是决定技术进步的宏观因素之一且影响是正向的[17]。倪超军和马雪琴利用省级面板数据回归发现金融发展与技术进步的协同作用较弱，原因是商业银行的谨慎经营，对研发项目不合理的评估，导致技术项目无法获得资金而流产[18]。还有研究从金融发展影响技术创新的角度出发进行实证分析，发现存在显著影响或是两者间较弱相关性[19][20]。

近年来技术进步作用于碳排放的研究方向之一是讨论技术进步、产业结构与碳排放之间的关系。刘殿兰和周杰琦通过中国省际面板数据检验发现技术进步对碳排放具有抑制作用，同时技术进步与产业结构变化的交互效应对碳排放也具有抑制作用[21]。Li等同样运用中国省级层面数据探讨了技术进步、产业结构与碳排放之间的关系，其结论与刘殿兰和周杰琦完全一致，但是他们采用了空间计量模型，有别于常规面板计量技术[22]。其他研究方向还包括特定行业的技术进步对碳排放的影响，如Jin等探讨能源行业技术进步对碳排放的影响，他们采用中国时间序列数据并利用能源行业的研发投资衡量技术进步，发现技术进步有助于二氧化碳减排[23]；Zhang等聚焦中国工业行业技术创新，通过采用工业行业面板数据发现技术创新能有效改善碳排放绩效[24]。

当然，已有研究对金融发展与二氧化碳排放的直接关系也进行过讨论，但尚未获得一致的结论。有研究发现信贷规模对碳排放强度的影响或者金融深化对碳排放的影响都呈现倒U型[1]，也有研究发现金融深化或金融发展对二氧化碳排放起到抑制作用[25][26]，或者发现以金融机构存贷比增加所衡量的金融发展促进了二氧化碳排放的增长[27]。朱东波等认为金融发展对碳排放存在正、负两种效应，他通过对中国省级面板数据回归后发现金融发展对二氧化碳减排的效果呈现区域性差异，中西部地区金融发展有利于碳减排，而东部地区金融发展却带来碳排放增加[28]。

综上，我们发现金融发展对碳排放影响的整个传导过程中各个环节都有相应的研究：一方面围绕金融通过影响经济增长作用于碳排放量的传导途径，展开金融与经济增长关系的讨论以及经济增长与碳排放关系的讨论；另一方面围绕金融通过影响技术进步作用于碳排放强度的传导途径，展开金融与技术进步关系的讨论以及技术进步与碳排放关系的讨论。本文认为已有研究还是存在以下不足:首先，已有研究中缺乏论证金融与碳排放关系的数理模型，故本文以银行信贷为焦点，基于增长理论构建关于银行信贷作用于碳排放的传导机制的数理模型，为理论发展做出边际贡献。其次，探讨银行信贷如何影响技术进步及碳排放关系的实证研究较为有限，已有实证研究依然聚焦金融发展，尚未延伸至具体的金融工具，故本文实证分析向前延伸一步，以银行信贷为核心变量，检验其对技术进步及碳排放的因果影响，补充经验证据。最后，已有研究发现金融对碳排放影响存在规模效应和技术效应，但是，综合评估两种效应的研究较为有限，本文在实证成果的基础上进一步对综合效应进行量化评估，并判断银行信贷对碳排放影响的最终方向。

三、理论模型

十九大报告指出，要坚持人与自然和谐共生，推进绿色发展，“加快建立绿色生产和消费的法律制度和政策导向，建立健全绿色低碳循环发展的经济体系。”低碳经济是可持续发展的重要内容之一，作为金融工具之一的银行信贷有助于低碳经济的实现，这是本文研究有待论证的假设。环境影响模型(IPAT模型)认为一项环境影响是由三个因素共同驱动而产生的，即人口规模、富裕程度以及技术[29] (P3—38)，其中人口规模与富裕程度(定义为人均产出)共同产生环境规模效应，即总产出越多，经济规模越大，二氧化碳排放量越多；而技术进步产生环境技术效应，即每单位产出的碳排放量(碳排放强度)因技术改进而降低。因此，二氧化碳排放是关于总产出和技术的函数，设定排放函数为：e(t)=F(Y(t),A(t))，其中，e为二氧化碳排放量，Y为总产出，A为技术，变量均随时间t变化。

本文认为银行信贷直接作用于总产出与技术进步，并通过这两项的传导最终影响碳排放量，基于此本文提出如下两条传导途径：第一，银行信贷通过影响人均产出，扩张总产出，产生规模效应，从而作用于碳排放量；第二，银行信贷通过影响技术进步，改进碳排放强度，产生技术效应，从而作用于碳排放量。对传导途径的论证分两步进行，首先论证银行信贷对总产出及技术进步的影响，然后论证传导作用。

(一)银行信贷影响总产出与技术进步的论证

基于增长模型，本文首先将银行信贷变量引入索罗增长模型，均衡时人均产出增长率完全由技术进步决定，之后将索罗模型均衡条件代入内生增长模型，以推导均衡时技术进步是否由银行信贷决定。通过对两种增长模型进行联立推导，完成银行信贷影响总产出与技术进步的论证。

(1)

式(1)中，k*为索罗模型均衡时每单位有效劳动持有资本量。因分别位于k*表达式的分子与分母，φ(t)和g(t)需要同时随时间成比例变化以确保k维持在均衡水平k*。至此，通过引入了银行信贷变量拓展索罗模型，推导出均衡时资本持有量是关于银行信贷的函数，之后在内生增长模型中发现，均衡时该资本持有量将会继续影响技术进步。

(2)

(二)对传导途径的论证

本文设定二氧化碳排放具体的函数形式为 e(t)=[Y(t)]ω[A(t)]-δ;ω>0,δ>0，其中Y为总产出，A为技术。参数ω大于0，表明总产出扩张引起碳排放的增加，产生规模效应；参数δ大于0，表明技术进步降低碳排放强度导致碳排放的减少，产生技术效应。将总产出转化为人均产出与劳动力的乘积，碳排放函数变化为：e(t)=[y(t)]ω[A(t)]-δ[L(t)]ω，取自然对数并对时间求导，可得ge=ωgy-δgA+ωn，表明碳排放的变化率ge是关于人均产出增长率gy和技术进步gA的函数。均衡时gy=gA=g*，代入g*推导后可得：

(3)

四、实证模型及分析

(一)模型设定

上文从理论上论证了银行信贷影响碳排放的传导途径，接下来通过构建实证模型对此进行检验。York等将IPAT模型扩展为可回归的STIRPAT模型[32]，依据该模型构建本文第一个回归模型：

(4)

式(4)中,i表示各省，t表示时间。模型(4)检验银行信贷通过作用于人均GDP而影响碳排放。模型中核心变量包括碳排放(CO2)、人口(Pop)、人均GDP(GDPpercapita)及银行信贷(loan)，向量X代表其他控制变量，包括产业结构(indsratio)、城镇化水平(urban)、老龄化水平(age)、居民消费结构(consratio)、工业贷款利息(interest)及研发支出(rdpercapita)。模型(4)为联立方程形式，如果系数α1和β2统计上显著，则为银行信贷作用于人均GDP提供了实证依据。本文运用二阶段最小二乘法(2SLS)对联立方程模型进行回归。为检验银行信贷通过作用于技术进步改进碳排放强度而影响碳排放，构建第二个回归模型：

(5)

式(5)中，i表示各省，t表示时间。模型(5)的核心变量为碳排放强度(CO2perGDP)和银行信贷(loan)，向量X代表控制变量，包含研发支出、人口、产业结构、城镇化水平、老龄化水平、居民消费结构、环境治理投资率(abateratio)以及绿色信贷政策(policy)。如果系数γ1统计上显著，则为银行信贷作用于技术进步提供实证依据。本文运用常规面板技术进行回归。

(二)变量及数据说明

本文采用中国省级面板数据，涵盖30个省、市、自治区(未包括西藏)，时间跨度为2000～2014年。中国于2007年开始实施绿色信贷政策，为有效对比政策实施前后的情况，需要统一政策实施前后的时间段，因此本文将时间轴延伸至2014年为止。描述性统计分析显示各变量数据数值变化充分且不存在明显异常值，可以保证回归结果的有效性，又因解释变量个数较多，易产生多重共线问题，本文也同时进行了相关性检验，并未发现变量间存在较强相关性影响回归结果①。

核心解释变量银行信贷(loan)由3类数据衡量：银行信贷总规模、居民消费借贷和工业贷款。银行信贷总规模数据主要来自《中国金融统计年鉴》；居民消费借贷主要为车贷与房贷，数据主要来自《中国城市(镇)生活与价格年鉴》，2011年后更改为《中国价格年鉴》；因工业贷款数据不可得，本文采用规模以上工业贷款利息支出替代工业贷款量，利息支出与工业贷款量成正比，数据来源为中国国家统计局。3类贷款数据经过平减统一为2014年人民币值，且通过各省人口进行平均化处理。

被解释变量为二氧化碳排放量(CO2)，各省数据不可直接获得，需进行测算。计算依据为政府间气候变化专门委员会(IPCC)、国家气候变化对策协调小组办公室和国家发改委能源研究所的测算方法，所需数据来源为历年《中国能源统计年鉴》及中国国家统计局。

其他变量包括产业结构(indsratio)，即第二产业产值占GDP比重，数据来源为《中国统计年鉴》；城镇化水平(urban)，即城镇人口数量与总人口比重，数据来源为《中国人口统计年鉴》；老龄化水平(age)，即65岁及以上老年人口数量占总人口比例，数据来源为《中国人口和就业统计年鉴》；居民消费结构(consratio)，即城镇居民汽车和通信消费支出占城镇居民消费总支出的比重，数据来源为《中国统计年鉴》；研发支出(rdpercapita)，即研究与试验发展经费支出，经过平减统一为2014年人民币值，并通过各省人口或企业数量进行平均化处理，数据来源为中国国家统计局《全国科技经费投入统计公报》；环境治理投资率(abateratio)，即环境治理投资支出占GDP比重，数据来源为《中国环境年鉴》；绿色信贷政策(policy)，为虚拟变量形式，中国于2007年开始实施绿色信贷政策，因此设定该政策变量2007年之前为0, 2007年及之后为1。人口与GDP数据均来源中国国家统计局。

(三)银行信贷影响碳排放描述性分析

在模型回归前，首先进行初步量化分析。一方面分析银行信贷与人均GDP以及与技术进步的关系，另一方面分析银行信贷与碳排放的直接关系。图1对全国人均信贷量和人均GDP的时间趋势进行对比后发现2008年以前两条曲线几乎重合，2008年以后信贷量较人均GDP增长稍快，表明两者之间强的正相关性。又因面板数据的截面特征，本文也分省(区)进行对比。根据信贷总量，本文选择年平均信贷量最大的3个省(江苏、浙江和广东)和年平均信贷量最小的3个省、区(青海、宁夏和海南)进行对比分析。图2对6省(区)人均GDP的时间趋势进行对比后发现信贷量最大的3省人均GDP水平均高于信贷量最小的3省(区)，从截面上也清晰表明银行信贷与人均GDP的正向关系。

图1 人均信贷与人均GDP对比(单位:万元)

图2 人均GDP分省(区)对比(单位:万元)

图3将全国人均银行信贷与碳排放强度的时间趋势进行对比发现，自2003年起两者之间的负向关系逐渐清晰，银行信贷的增长趋势明显，而碳排放强度呈现下降趋势。图4同时对6省(区)碳排放强度的时间趋势进行对比，发现信贷量最大的3省碳排放强度明显低于信贷量最小的3省(区)，截面分析也为负向关系提供了依据。

图3 人均信贷与碳排放强度对比(单位:万元；吨/万元)

图4 碳排放强度分省(区)对比(单位:吨/万元)

图5展示了银行信贷与碳排放量的直接关系，两者之间的同向增长趋势明显，同时分省(区)的截面分析也显示信贷量最大的3省碳排放量明显高于信贷量最小的3省(区)，如图6所示。综上，初步量化分析显示两种传导途径中，银行信贷与人均GDP以及与技术进步之间的关系是清晰的，并且银行信贷与碳排放在时间上呈现同向趋势，对此本文将会在之后的实证中进一步检验。

图5 人均信贷与碳排放量对比(单位:万元；吨)

图6 人均碳排放量分省(区)对比(单位:吨)

五、实证结果及讨论

(一)主要回归结果

下文通过实证模型对银行信贷影响碳排放的两种传导途径进行检验。表1显示银行信贷作用于人均GDP影响碳排放的回归结果。采用二阶段最小二乘法(2SLS)进行回归，同时报告固定效应(表1第(1)列)和随机效应(表1第(2)列)结果。第一阶段结果显示银行信贷对人均GDP的影响为正，在1%的水平上显著。第二阶段结果显示人均GDP对碳排放的影响为正，且在1%的水平上统计显著，因此，联立方程模型(4)结果显示银行信贷通过影响人均产出而带来总产出的扩张，从而导致碳排放的增加。固定效应和随机效应的结果相似，均发现银行信贷通过扩张总产出带来碳排放增加这一传导途径在统计上显著。由此验证了银行信贷对碳排放产生的规模效应。

表1银行信贷影响碳排放传导途径一回归结果，2SLS

变量被解释变量:人均GDP(1) 1st stage FE(2) 1st stage RE人均银行信贷(loanpercapita)0.029***(4.12)0.029***(4.19) 人口(lnpop)-0.759***(-3.17)-0.262**(-2.02)产业结构 (indsratio)2.470***(10.99)2.459***(11.27)城镇化水平(urban)1.231***(7.16)1.222***(7.34)老龄化水平(age)10.031***(13.69)10.216***(14.43)居民消费结构(consratio)5.295***(10.49)5.154***(10.58)工业贷款利息(interest)4.566***(8.75)4.272***(8.62)人均研发支出(rdpercapita)1.455***(3.54)1.136***(2.98)R20.880.33N435435变量被解释变量:lnCO2(碳排放)(1) 2nd stage FE(2) 2nd stage RE人均GDP(lngdppercapita)0.920***(47.02)0.876***(47.13)人口(lnpop)-0.408**(-2.52)0.235**(2.10)R20.890.34N435435

注：未显示常数项。括号中为t统计值；***、**和*分别表示在1%、5%和10%的水平上显著。

另外，第一阶段结果还显示产业结构对人均GDP的影响显著为正，说明工业在中国经济中的地位依然举足轻重，是推动经济增长的主要力量。城镇化水平显著为正，其对经济增长的贡献已被较多文献证实[33][34]。老龄化水平显著为正，已有文献较为一致的结论是老龄化与经济增长之间存在一定联系，但相关性的正负难以界定，其中张开敏和陈先淮发现一般规律，即经济越发达，老龄化现象越为明显[35]，本文的结果符合这一规律。居民消费结构显著为正，购买汽车与通信消费的支出对经济增长的贡献不言而喻。工业贷款利息支出显著为正，表明工业投资有效促进了经济增长。最后，研发支出显著为正，依据内生增长理论，科技进步最终决定经济增长，研发支出如果能有效推动科技进步必然带来经济增长[30]。第二阶段回归结果显示人均GDP对碳排放的影响显著为正，即产业结构、城镇化水平、老龄化水平、居民消费结构、工业贷款利息支出及研发支出都会通过作用于人均GDP而导致碳排放的增加。人口因素对碳排放的影响在第二阶段固定效应和随机效应的回归中呈现反向结果，因固定效应的一致性与有效性，本文更倾向于固定效应的结果，即人口对碳排放的影响显著为负，其解释为人口对经济增长的抑制作用而产生降低碳排放的效果。

银行信贷影响碳排放的第二个途径，即通过作用于技术进步改变碳排放强度(单位GDP碳排放)从而影响碳排放总量。表2展示对途径二的回归结果，本文采用固定效应进行回归，分别运用三类银行信贷变量，银行信贷总规模(表2第(3)列)，居民消费借贷主要为车贷与房贷(表2第(4)列)，以及工业贷款利息(表2第(5)列)。结果显示信贷总规模对碳排放强度的影响显著为负，居民消费信贷的影响不显著，而工业贷款利息的影响显著为正。该结果表明工业投资的目的依然是扩大生产，提高产量，会导致更大规模的碳排放，产生规模效应，而工业信贷推进技术进步的效应尚不显著。银行信贷总规模对碳排放强度的影响体现为技术效应，即通过促进技术进步带来单位GDP能耗的减少或寻求替代性清洁产品从而降低碳排放强度。研发支出对碳排放强度的影响在所有回归中均显著为负，表明研发投入在各省(市、区)应对二氧化碳减排问题上确实产生了实际效果。

表2银行信贷影响碳排放传导途径二

变量被解释变量: 单位GDP碳排放 (3)(4)(5)人均银行信贷(loanpercapita) -0.014***(-3.22)人均消费借贷(conspercapita)-0.000(-1.28)工业贷款利息(interest)1.003**(2.20)研发支出(rdperfirm)-3.434***(-8.16)-3.841***(-9.19)-4.382***(-11.03)人口(Pop)-0.000(-1.03)-0.000(-0.95)-0.000(-0.99)产业结构(indsratio)0.088(0.47)0.192(1.03)0.174(0.94)城镇化水平(urban)-0.144(-0.99)-0.229(-1.58)-0.300**(-2.06)老龄化水平(age)-1.236**(-1.99)-0.559(-0.82)-0.957(-1.55)居民消费结构(consratio)0.404(0.94)0.115(0.27)0.056(0.13)环境治理投资率(abateratio)4.812***(2.69)5.681***(3.17)4.648**(2.52)绿色信贷政策(policy)-0.028(-1.27)-0.041*(-1.90)-0.049**(-2.29)R20.420.400.41N435435435

注：括号中为t统计值；***、**和*分别表示在1%、5%和10%的水平上显著。

城镇化水平显著为负(表2第(5)列)，一方面原因是城镇化通过推动GDP总量的扩大带来单位GDP碳排放的降低，另一方面城镇化通过促进现代化进程和技术水平提升从而降低碳排放强度。老龄化水平(表2第(3)列)显著为负，体现在老龄社会经济活动趋于停滞，碳排放量也随之降低。环境治理投资率在所有回归中均显著为正，此结果不符合预期，其解释为各省(市、区)均在不断加大环境治理投资，但碳排放总量并未呈现降低趋势，并且环境治理的模式依然是末端治理，该类投资对生产过程中的技术改进尚未做出显著贡献，因此对碳排放强度的影响非负反正。2007年开始我国实行的绿色信贷政策对降低碳排放强度的影响是显著的(表2第(4)、(5)列)，从中可以发现绿色信贷政策重点指向是技术提升，并且该指向性和实际效果是明显的。

(二)稳健性检验

为检验主要回归结果的稳健性，本文进行了一系列的检验。因联立方程模型(4)本身已经规避和解决了很多技术问题，并且回归结果已较为理想，所以本次稳健性检验以碳排放强度模型(5)为主要检验对象，银行信贷总规模为核心解释变量。

首先，我们补充了随机效应结果(见表3第(7)列)，并且在固定效应与随机效应回归中分别使用了稳健性标准差(见表3第(6)、(8)列)，该标准差的优势在于无论是否存在异方差，都可以依赖于它判断统计显著性。其次，我们进行了BP(breusch and pagan)检验，确认了各省(市、区)异质性从而排除使用最小二乘法(OLS)，同时发现了异方差，因此为应对异方差采用最大似然法(maximum likelihood)进行回归(结果见表3第(9)列)。最后，我们对模型误差项的时间序列进行了一阶自相关检验，发现自相关的存在，因此，在误差项存在异方差并伴有一阶自相关的情况下，我们采用了在该情形下回归结果依然有效的广义最小二乘法(GLS)回归(见表3第(10)列)。

表3显示广义最小二乘法的回归结果最为理想(见表3第(10)列)，大多数影响因素统计上呈现较强显著性。综合各模型的结果，我们发现银行信贷、研发支出、城镇化、老龄化以及环境治理投资率对碳排放强度的影响与主要回归结果一致，居民消费结构依然没有显著影响。部分变量结果与主要回归结果的不同之处体现在统计显著性上，人口对碳排放强度的影响由不显著转变为显著为负，其解释为人口通过抑制经济增长削弱了规模效应，导致碳排放总量的减少继而导致碳排放强度的降低。产业结构对碳排放强度的影响由不显著转变为显著为正，表示工业产值占总产值比重越大，碳排放强度更高。绿色信贷政策未呈现统计上显著，但不能因此否定绿色信贷政策的作用，因为在主要回归结果中，当使用消费信贷及工业贷款利息作为衡量银行信贷的变量时，绿色信贷政策呈现统计上显著，对技术提升确实发挥了作用。

表3稳健性检验回归结果

变量被解释变量: lnCO2gdp(单位GDP碳排放)(6) FE robust(7) RE(8) RE robust(9) MLE(10) GLS人均银行信贷(loanpercapita)-0.014(-1.62)-0.014***(-3.28)-0.014(-1.63)-0.014***(-3.33)-0.017***(-9.09)研发支出(rdperfirm)-3.434***(-6.39)-3.431***(-8.16)-3.431***(-6.42)-3.430***(-8.31)-2.629***(-13.12)人口(pop)-0.000(-0.69)-0.000**(-2.00)-0.000(-1.48)-0.000*(-1.89)-0.000***(-13.90)产业结构(indsratio)0.088(0.26)0.117(0.63)0.117(0.34)0.111(0.61)1.146***(14.65)城镇化水平(urban)-0.144(-1.06)-0.170(-1.18)-0.170(-1.34)-0.165(-1.16)-0.596***(-14.93)老龄化水平(age)-1.236(-1.66)-1.380**(-2.22)-1.380*(-1.88)-1.357**(-2.22)-1.206***(-4.36)居民消费结构(consratio)0.404(0.58)0.434(1.02)0.434(0.59)0.431(1.03)-0.047(-0.30)环境治理投资率(abateratio)4.812(1.43)5.173***(2.88)5.173(1.61)5.113***(2.89)3.939***(5.26)绿色信贷政策(policy)-0.028(-1.20)-0.023(-1.07)-0.023(-1.09)-0.024(-1.12)-0.005(-0.41)1st-order autocorrelation test45.33(0.000)BP test 2052.3(0.000)N435435435435435

注：未显示常数项结果。括号中为t统计值；***、**和*分别表示在1%、5%和10%的水平上显著。

(三)银行信贷对碳排放影响的综合效应评估

规模效应与技术效应的相反作用使我们无法确定银行信贷对碳排放的最终影响，因此，我们分别量化评估两种效应。在主回归结果(见表1第(1)列和表2第(3)列)的基础上计算如下解释变量对被解释变量的边际效应：人均银行信贷对人均GDP(自然对数)的边际效应为0.029(P值：0.000)，人均GDP(自然对数)对碳排放(自然对数)的边际效应为0.92(P值：0.000)，以及人均银行信贷对碳排放强度(自然对数)的边际效应为-0.014(P值：0.001)。

银行信贷既作用于人均GDP而对碳排放产生规模效应，又作用于碳排放强度而对碳排放产生技术效应，两种效应的量化评估过程如下：

图7 各效应产生的碳排放量变化时间趋势 数据来源：依回归结果计算所得。

规模效应第一步：人均GDP的年变化率 = 人均信贷年变化量×0.029；第二步：碳排放年变化率 = 人均GDP年变化率×0.92；第三步：碳排放年变化量 = 碳排放年变化率×上年碳排放量。

技术效应第一步：碳排放强度年变化率 = 人均信贷年变化量×(-0.014)；第二步：碳排放强度年变化量 = 碳排放强度年变化率×上年碳排放强度；第三步：碳排放年变化量 = 碳排放强度年变化量×当年GDP。

综合效应即为两种效应分别产生的碳排放年变化量之和。通过分析量化结果发现：首先，银行信贷总体上导致碳排放的增加；其次，规模效应为正，技术效应为负，表明银行信贷通过推动经济增长而扩大GDP总量导致碳排放量的增长，同时也通过推动技术进步来降低单位GDP的碳排放量；最后，对比绝对值可知规模效应主导了碳排放量的变化，但技术效应仍在不断深化中，随时间推移带来更大减排量。

图7直观展示了几种效应随时间变化的趋势，从图7发现以2008年为分水岭，2008年之前银行信贷产生的碳排放变化量波动较为平缓，2008年之后波动趋于急剧。结合图1、图3和图5发现，2008年之后人均信贷曲线较2008年之前更为陡峭，表明银行信贷在2008年后增长迅猛，且信贷增量逐年加大，因此对碳排放的影响效果更为显著，特别是在信贷增量较大的几个时间段，如2008～2009年人均信贷增量8466元，2011～2012年增量6552元以及2013～2014年增量6903元，均发现碳排放量因规模效应产生显著的正向变化，同时因技术效应产生显著的负向变化。由此进一步说明，当银行信贷增量足够大，促使信贷总量达到一定的量变时，通过两种传导途径对碳排放产生的效应会异常显著。

六、结论及政策启示

本文研究目的在于回答银行信贷如何影响碳排放这一问题，将研究重点放在银行信贷通过作用于人均GDP及技术进步从而影响碳排放的传导途径上。通过对索罗增长模型和内生增长模型的扩展以及实证分析，本文论证并检验了两种传导途径。研究结果显示，一方面银行信贷显著影响人均GDP，而人均GDP显著影响碳排放，同时，产业结构、城镇化、老龄化、居民消费结构、工业贷款利息以及研发支出对人均GDP的影响显著为正，因此也会间接导致碳排放的增加；另一方面，银行信贷对碳排放强度的影响显著为负，通过推进技术进步可以实现减排，研发支出、城镇化、老龄化及绿色信贷政策对碳排放强度的影响也显著为负，而工业贷款利息及环境治理投资率对碳排放强度的影响显著为正。最后，通过对综合效应进行量化评估，本文发现规模效应主导了碳排放量的变化，但当银行信贷量达到一定规模时，技术效应产生的减排效果会异常显著。

基于中国经验的实证结果，本文提出如下政策建议：第一，银行信贷规模可以继续扩张，就实证分析所示，持续扩大信贷规模是一种量变到质变的过程，质变意味着信贷产生的技术效应将超越规模效应成为主导，其综合效应将是实现二氧化碳减排；第二，本文实证结果表明绿色信贷政策确实起到减排效果，因此，在持续扩大信贷规模的基础上，本文认为信贷方向应该更倾向于技术改进投资，也意味着绿色信贷规模还需扩张，要努力“构建市场导向的绿色技术创新体系，发展绿色金融，壮大节能环保产业、清洁生产产业、清洁能源产业”；第三，本文实证结果显示传统工业贷款对技术进步无显著影响，意味着工业贷款依然采用为扩大产出而服务的传统模式，因此建议调整工业贷款的结构，其中一定比例的贷款应该为推动工业产业的技术进步而服务；第四，建议提高和改善环境治理投资的效率，同时本文也发现产业结构调整尚未显现预期效果，对改进碳排放强度没有显著影响，然而该战略调整实施时间尚短，还有待时间积累的进一步检验。

注释：

①因版面限制，未列出相关性检验结果，如有需要，请与作者联系。