王 霞 王万绪
（兰州财经大学中国西北金融研究中心，甘肃 兰州 730020；
兰州财经大学金融学院，甘肃 兰州 730020）
2020 年9 月，我国提出“3060”目标，即二氧化碳排放力争于2030 年前达到峰值，努力争取2060 年前实现碳中和。2022年10月，党的二十大报告中强调，加快推动产业结构、能源结构、交通运输结构等调整优化，发展绿色低碳产业，实现发展方式绿色转型。这意味着建设生态文明、解决经济发展中带来的环境污染问题、实现经济绿色发展转型已经迫在眉睫。在此背景下，发展绿色金融已经成为解决当前环境污染问题的重要途径。
为建设生态文明，加快实现碳达峰、碳中和，我国于2017年在浙江省湖州市、广东省广州市等5个省份的8个地区设立绿色金融改革创新试验区，并于2019年和2022 年分别批复兰州新区、重庆市为我国第二批次和第三批次的绿色金融改革创新试验区。那么，设立绿色金融改革创新试验区能否影响所在省份的环境治理？主要通过什么途径产生作用？上述问题的解决，不仅可以为其他省份的绿色金融政策积累实践经验，还能够为如期实现“双碳”目标提供政策引导。为此，本文在理论分析的基础上，利用2010—2020 年31 个省份（港澳台数据缺失，故不纳入分析）的面板数据，将国务院在2017 年设立的第一批次绿色金融改革创新试验区和2019年设立的第二批次绿色金融改革创新试验区看作准自然实验，运用多时点DID，实证检验绿色金融改革创新试验区对所在省份的环境治理效应，并对试点政策的传导机制进行检测。
国外学者佩鲁的增长极理论指出，资本和技术向中心城市集聚的过程中会产生经济效益，不仅会促进中心城市快速发展，同时对邻近地区产生巨大的辐射效应。部分学者研究发现，绿色金融对环境污染的负向空间溢出效应显著。加之，我国设立绿色金融改革创新试验区的地区自身发展情况较好，试验区的发展规划又明确指出要充分发挥试点地区的模范带头作用，建立辐射周边的绿色金融综合服务体系。因此，本文分析框架的假设前提是：绿色金融改革创新试验区可以对周边及地区本身产生辐射效应。
1.绿色金融及绿色金融试点政策对环境治理的影响。绿色金融对环境治理的影响是国内外学者研究的热点问题。Shahbaz et al（.2013）研究发现，金融发展为研发清洁环保技术的单位提供投融资帮助，可以产生减少碳排放的结构效应，解决地区环境污染问题。雷汉云和王旭霞（2020）研究发现，绿色金融可以通过限制高污染、高能耗产业资金供给，迫使产业转型升级，从而促进污染企业的降污减排，产生显著的环境治理正向效应。张宇和钱水土（2022）提出绿色金融是一种新型环境治理方式，可以激励污染性产业技术创新，有助于消除清洁技术的负外部性。因此，本文认为绿色金融能够治理地区环境问题，产生正向效应。
对于绿色金融试点政策对环境治理的影响问题，国内已有部分学者进行理论分析和实证研究。申韬和曹梦真（2020）采取双重差分模型来评价和估量绿色金融试点政策对地区能源强度的作用，认为现阶段的试点政策主要通过工业产业绿色转型中介效应来降低单位地区生产总值能源消耗，政策效应明显。王修华等（2021）从微观企业角度探究中国绿色金融改革创新试验区试点政策的作用效力，发现绿色金融试点政策提高了污染企业的治污费用和集资限制，有助于推动绿色企业的创新成长。可见，绿色金融试点政策能够降低地区环境污染，产生环境治理正向效应。根据以上理论分析，本文提出假设H1。
假设H1：设立绿色金融改革创新试验区能降低地区环境污染，产生环境治理正向效应。
2.绿色金融改革创新试验区影响环境治理的路径。冯兰刚等（2022）认为，目前我国绿色金融主要利用绿色信贷、绿色债券和绿色保险等绿色金融工具来践行绿色金融的绿色理念与价值。绿色金融改革创新试验区设立后，有助于推动绿色金融体系的建立，促进绿色信贷、绿色保险等绿色金融工具的发展。利用绿色金融的制度体系，构建社会、市场和政府都发挥作用的机制，可以对区域内的生态环境问题治理产生积极影响；
绿色信贷政策可以通过推动绿色创新提升环境治理效能，绿色债券融资可以促进企业环境绩效显著提高（吴世农等，2022）。因此，本文提出假设H2。
假设H2：绿色金融改革创新试验区能通过绿色金融工具渠道降低环境污染，促进环境治理。
绿色金融改革创新试验区积极探索建立排污权、水权等环境权益交易市场。截至2020 年末，试验区重点围绕排污权和碳排放权的环境权益业务总额已超过50亿元。碳排放权交易政策可以有效提升试点城市能源环境效率，促进试点城市的节能减排（刘海英和郭文琪，2022），达到控制环境污染的目的；
排污权交易制度促进了我国主要污染物的总量减排和工业发展；
用能权交易制度能够显著提高能源利用效率，也显著推动中国工业企业绿色技术创新；
用水权交易市场是以市场化手段控制水资源，间接降低环境污染，用水权交易对水资源利用效率有积极的促进作用（田贵良等，2020）。因此，各试验区在地方政府助推和指引下积极建设用水权、排污权、用能权等环境权益交易市场，有助于地区环境治理。因此，本文提出假设H3。
假设H3：绿色金融改革创新试验区政策能通过环境权益交易市场渠道降低环境污染，发挥环境治理效应。
（一）模型设定
本文运用多时点DID模型，研究绿色金融改革创新试验区对所在省份的环境治理效应。模型中设置倍差项（Treat×Post）来界定实验组与对照组、实验前与实验后。处理变量（Treat）为虚拟变量，属于实验组（设立绿色金融改革创新试验区的省份）的取值为1，对照组（未设立绿色金融改革创新试验区的省份）的取值为0。时间变量（Post）同样为虚拟变量，实验后（政策实施后）取值为1，实验前（政策实施前）取值为0。建立如下双重差分模型：
其中，epiit是被解释变量，Treat*Post是模型（1）中的核心解释变量，其系数β1则代表政策实施效果，i表示省份（i=1,2,3,…,n）；
t表示年份（2010—2020 年）；
controlit表示控制变量，包括地区经济发展水平（pg）、外商投资（fdi）、城镇化水平（un）、人口密度自然对数值（lnpy）、财政自给率（frate）、人力资本（hr）、固定资产投资的自然对数值（lnfix）；
μi用于控制省份固定效应，λt用于控制年份固定效应，εit表示随机误差项。
本文使用多元回归模型检验绿色金融改革创新试验区是否可以通过绿色金融工具渠道和环境权益交易市场渠道发挥政策效果，建立绿色金融工具渠道变量（gc）和环境权益交易市场渠道变量（eem）。模型如下：
其中，环境污染指数（epiit）为被解释变量，绿色信贷（gcit）和环境权益交易市场（eemit）为解释变量，i表示省份（i=1,2,3,…,n）；
t表示年份（2010—2020 年）；
controlit表示控制变量，控制变量包括地区经济发展水平（pg）、外商投资（fdi）、城镇化水平（un）、人口密度自然对数值（lnpy）、财政自给率（frate）、人力资本（hr）、固定资产投资的自然对数值（lnfix）；
εit表示随机误差项。
（二）样本设置
2017 年国务院在新疆、贵州、浙江、江西、广东5个省份中的8 个地区设立第一批次的绿色金融改革创新试验区；
2019 年正式批准兰州新区成为我国第二批次的绿色金融改革创新试验区；
2022 年重庆市入选第三批次的绿色金融改革创新试验区。本文考虑到重庆市设立时间较晚，暂不考虑纳入实验组。基于数据可得性，本文选取2010—2020 年的数据进行研究，故将重庆市纳入对照组，采用首批试点的浙江、江西、贵州、新疆、广东5个省份和2019年底试点的甘肃省作为实验组，采用余下的内蒙古、重庆等25个省份作为对照组。本文以2017年为首批试点政策实施年份，2019年为第二批试点政策实施年份，进行准自然实验数据分析。
（三）变量选取及处理
1.环境污染指数（epi）。本文使用环境污染指数指标来测度各省份的环境污染情况。首先，计算各省份单位产值的污染物排放量。本文鉴于数据可得性，最终选取各省份工业三废中的工业二氧化硫排放量、工业颗粒物排放量作为主要污染物的排放。其次，对各省份单位产值的污染物排放值按照［0，1］的取值范围进行线性标准化。最后，将各省份污染物排放量标准化值等权重加权平均，即可得到各省份的环境污染指数（epi）。
2.本文的核心解释变量是“是否设立绿色金融改革创新试验区”，检验的是这一政策对所在省份的环境治理效应。如果设立绿色金融改革创新试验区后，实验组省份的环境污染指数比对照组省份显著降低，那么就说明这一政策对于省域的环境治理具有正向效应。
3.本文的传导渠道变量为绿色金融工具渠道变量和环境权益交易市场渠道变量。绿色金融工具主要包括绿色信贷、绿色债券、绿色投资和绿色保险，考虑到我国绿色债券和绿色保险规模较小，绿色投资主要是政府投资难以体现金融属性的现实情况，本文选择绿色信贷来作为绿色金融工具传导渠道的解释变量。基于数据可获得性的考虑，参考谢婷婷和刘锦华（2019）的做法，选择各省份六大高耗能行业利息总支出占工业产业利息总支出比重的标准化值来衡量各省份绿色信贷水平，此项指标为绿色信贷的负向指标，数值越大表明绿色信贷水平越低。绿色信贷2010—2016 年数据来源于《中国工业统计年鉴》，2017 年数据来源于《中国经济普查年鉴》，针对个别年份数据的缺失，本文已运用趋势插值法进行补充。环境权益交易市场主要是碳排放权市场、用水权市场、排污权市场和用能权市场，本文环境权益交易市场指标依据各省份是否存在环境权益交易市场建立虚拟变量，存在环境权益交易市场的省份记为1，不存在环境权益交易市场的省份记为0。
4.在控制变量的选取方面，参考Diamond（2016）和余东升等（2021）的做法，本文选择各地区本专科学校在校学生数占各地区年末总人口的比重来反映人力资本（hr）对地区环境污染的影响；
选择各地区人均GDP 来控制地区经济发展水平（pg）对环境污染的影响；
选择人口密度的自然对数值来控制人口密度（lnpy）对地区环境污染的影响；
选择各地区外商投资企业年底投资总额来控制外商投资（fdi）对地区环境污染的影响；
选择各地区城镇化水平来控制城镇化水平（un）对地区环境的影响；
选择各省份全社会固定资产投资额的自然对数值来反映固定资产投资额（lnfix）对环境污染的影响。参考庞瑞芝等（2021）的做法，本文采用财政自给率（一般公共预算收入与一般公共预算支出之比）来反映地方政府财力（frate）对环境污染的影响。为排除汇率波动的影响，本文各地区外商投资额已按当年美元兑人民币汇率折算成人民币计算。
主要变量选取及含义如表1所示。
表1 主要变量及含义
（四）数据来源及描述性统计
本文选取31 个省份2010—2020 年数据，所有原始数据均来自《中国环境统计年鉴》《中国工业统计年鉴》《中国统计年鉴》《中国经济普查年鉴》所公布的数据，个别年份缺失数据已用趋势插值法补齐。
表2 为研究变量的描述性统计结果。主要变量描述如下：环境污染指数（epi）均值为0.182，绿色信贷（gc）均值为0.388，环境权益交易市场（eem）均值为0.481，外商投资（fdi）均值为1.157，固定资产投资自然对数值（lnfix）均值为9.395，地区经济发展水平（pg）均值为5.366，人口密度自然对数值（lnpy）均值为5.283，城镇化水平（un）均值为0.574，人力资本（hr）均值为0.019，财政自给率（frate）均值为0.484。
表2 变量描述性统计
（一）平行趋势检验
在实验前期，要求实验组和对照组的环境污染指数（epi）变化趋势一致，否则可能存在系统差异和内生性问题。如图1所示，本文选取政策实施前后三年进行平行趋势检验。政策发生当期（Current）及之前（Before）的实验组未表现出政策效应，政策发生后，政策效果明显，满足平行发展趋势。
图1 平行趋势检验
（二）回归结果分析及解释
将实验组数据和对照组数据代入模型，回归结果见表3。本文采用逐渐增加控制变量的方式来确保结果的可靠性。其中，列（1）引入核心解释变量（Treat*Post），未加入控制变量，也未控制年份固定效应和个体固定效应。列（2）在列（1）的基础上增加了年份固定效应和个体固定效应。列（3）在列（1）的基础上控制了各省份固定资产投资额的自然对数值（lnfix）、人力资本（hr）、城镇化率（un）、财政自给率（frate）、地区经济发展水平（pg）、外商投资（fdi）、人口密度自然对数值（lnpy）。列（4）在列（3）的基础上控制了年份固定效应和个体固定效应。从列（1）至（4）可以发现，核心解释变量（Treat*Post）的回归系数分别为-0.170、-0.075、-0.083和-0.074，且列（1）、列（3）和列（4）全部在1%水平下显著，这说明设立绿色金融改革创新试验区对所在省份产生环境治理的正向效应。在政策效应上，列（4）的双重差分估计值为-0.074，在1%水平下显著。回归系数表明：在其他因素保持不变的情况下，绿色金融改革创新试验区政策的实施使实验组环境污染指数（epi）的平均下降幅度比对照组提高了7.4个百分点。
表3 参数估计及检验结果
（三）传导渠道检验
表3 列（6）是传导渠道检验的结果。结果显示：列（6）有效，判定系数达到0.467，拟合效果较好；
绿色信贷（gc）的回归系数为0.373，在1%水平下显著；
环境权益交易市场（eem）的回归系数为-0.063，在1%水平下显著；
绿色信贷（gc）的回归系数绝对值显著大于环境权益交易市场（eem）的回归系数绝对值。本文绿色信贷指标（gc）是各省份实际绿色信贷的负向指标，环境污染指数（epi）与绿色信贷（gc）存在显著正相关关系，表明地区绿色信贷水平会显著抑制环境污染指数（epi）。因此，本文认为绿色金融改革创新试验区试点政策能通过绿色金融工具渠道及环境权益交易市场渠道降低环境污染，但绿色金融工具渠道是主要渠道，环境交易市场渠道的作用相对较小，其原因在于当前我国环境渠道交易市场仍处于探索阶段，规模相对较小，对地区环境治理的影响有限。
（四）异质性检验
党的十八届三中全会提出，探索编制自然资源资产负债表，建立以自然资源资产负债表为基础的绿色金融支持体系，提升绿色金融的针对性和有效性。因此，地区的自然资源丰裕度是发展绿色金融不可或缺的考量因素。参考赵凯（2014）对区域完全自然资源丰裕度的测算以及对全国31个省份的区域完全自然资源禀赋划分结果，甘肃省属于自然资源禀赋富集区，新疆、贵州、江西和广东属于自然资源禀赋适中区，浙江属于自然资源禀赋贫乏区。本文以绿色金融改革创新试验区所在省份为实验组，以实验组省份对应自然禀赋富裕度划分区域的其他省份作为对照组，进行异质性检验。表4 列（1）至（6）分别是贵州、广东、江西、新疆、浙江和甘肃为实验组与各自自然资源禀赋划分区域内其他省份作为对照组的回归结果。结果显示：位于自然资源禀赋富集区的甘肃政策效应为负，回归系数为-0.206，在1%水平下显著；
位于自然资源禀赋适中区的新疆、贵州、广东和江西，只有新疆在5%的水平下显著，回归系数为-0.128；
位于自然资源禀赋贫乏区的浙江，在10%的水平下显著，回归系数为0.036。依据甘肃、浙江和新疆三省份的实证结果比较，本文认为自然资源禀赋富裕度会影响绿色金融试验区的政策效果，自然资源禀赋越高的省份，政策效应越明显；
依据贵州、广东、江西和新疆四省份的实证结果比较，本文认为试点省份内设立国家级改革创新试验区的数量会影响政策效果，实验省份内国家级试验区的数量越多（新疆设立的试验区数量最多），政策效果越明显。
表4 异质性检验结果
（五）安慰剂检验
参考黄俊威和龚光明（2019）的做法，本文采用虚构政策发生时间的方法，来检验环境污染指数（epi）的变化是否真的来源于绿色金融试点政策的实施。具体而言，本文选取绿色金融改革创新试验区政策还未公布的2010—2017 年期间，将首批试点政策实施时间和第二批试点政策实施时间分别向前平推三年，即假设“设立绿色金融改革创新试验区”这一政策曾经发生过，但发生的时点不是2017 年和2019 年，而是2014 年和2016 年，然后使用虚拟的起始年份进行安慰剂检验。表3列（5）给出了安慰剂检验的结果。由于假设政策的发生时间并不是绿色金融改革创新实验区试点政策的真正发生时间，因此预期此项检验的回归系数应该不显著。如表3 列（5）所示，将起始年份向前平推三年后，政策效应交互项Treat*Post的回归系数为-0.016 且不显著。因此，在假设情况下，绿色金融改革创新试验区的政策效果并没有显现，这表明地区环境污染指数（epi）的变化原因真正来源于绿色金融改革创新试验区试点政策的实施。
本文基于2010—2020 年中国31 个省份的数据，将2017年6月和2019年12月国务院设立绿色金融改革创新试验区看作准自然实验，从环境治理的角度检验试点政策的实践成效。主要研究结论概括如下：第一，绿色金融改革创新试验区对所在省份的环境治理产生正向效应，在其他因素保持不变的条件下，实验组的环境污染指数比对照组下降幅度增加了7.4个百分点。第二，绿色金融改革创新试验区主要通过绿色金融工具渠道治理地区环境污染，环境权益交易市场渠道的作用相对较小。第三，自然资源禀赋富裕度会影响绿色金融改革创新试验区的政策效果，自然资源禀赋越高的省份，政策效应越明显。第四，实验组省份内绿色金融改革创新试验区的数量会影响政策效果，数量越多，政策效果越明显。
基于上述结论，本文提出以下建议：第一，鉴于绿色金融改革创新试验区在环境治理方面取得了显著的实践成效，建议在全国范围内加快推行绿色金融改革创新试验区，扩大绿色金融改革创新试验区实践省份的范围。第二，各绿色金融改革创新试验区要积极探索绿色信贷、绿色债券等绿色金融工具的创新与运用，将试验区环境治理目标、国家“双碳”目标与发展绿色金融工具紧密结合，在重点使用绿色信贷手段的同时，要加快实现绿色债券、绿色保险等绿色金融工具的均衡发展。第三，各国家级试验区要加快碳排放权交易市场、排污权交易市场、用能权交易市场和用水权交易市场等环境权益交易市场的建设步伐，地方政府要重视环境权益市场的基础设施建设，尽所能为其提供配套政策支持，着力提升其对地区环境治理的影响。第四，鉴于绿色金融改革创新试验区的数量会正向影响其对地区环境治理的正效应，建议在环境污染较为严重的省份优先进行试点，并适当增加环境污染较为严重的省份内绿色金融改革创新试验区的数量。
猜你喜欢交易市场环境治理试验区实现“双碳”目标 需将农业纳入碳交易市场中国化肥信息(2021年7期)2021-11-06联合国环境治理体制绿色中国(2019年13期)2019-11-2618个自贸试验区商周刊(2019年19期)2019-10-17各试验区先行先试 探索创造模范做法今日农业(2019年10期)2019-01-04数字传声：环境治理变中向好中国环境监察(2018年10期)2018-11-14我国自由贸易试验区发展现状以及未来展望现代营销(创富信息版)(2018年8期)2018-09-08正确认识区域性股权交易市场中国商界(2017年4期)2017-05-17嘉兴市：多措并举推进环境治理上台阶中国环境监察(2017年3期)2017-05-14坚决打好环境治理攻坚战持久战公民与法治(2016年11期)2016-05-174个自贸试验区总体方案实施率超过90%大社会(2016年6期)2016-05-04