探究信息通信技术（ICT）、金融机构以及市场准入对二氧化碳排放的影响：基于时间变化频率分位数回归分析的见解

《Financial Innovation》：Exploring the effects of ICT, financial institutions and market access on CO2 emissions: insights from time-varying frequency quantile regression analysis

　　摘要：
中国在创新方面取得了显著进展，尤其是在技术和产业发展方面；然而，这些进步并未显著转化为实现其脱碳目标的进展，这些目标载于可持续发展目标（SDGs）9、11和13中。这种脱节可以归因于金融化过程中的潜在挑战、信息和通信技术（ICT）的整合以及可持续城市化实施的复杂性。尽管有技术进步和产业创新，但预期的二氧化碳排放量减少却十分有限，阻碍了中国实现气候目标的进展。解决这一问题可能需要重新调整政策，以更好地将创新与脱碳努力相协调。本研究引入了时变频率分位数回归方法来探讨这一联系。研究结果表明，ICT、经济增长和城市化在各分位数上都增加了排放量，而金融市场准入和金融机构的短期影响则呈负面或混合效应。在中期（中等频率）范围内，ICT、经济增长和城市化继续推动排放量的增长，而金融市场准入仍为负面，金融机构影响 neutral。从长期（低频率）来看，经济增长和城市化再次加剧了二氧化碳排放，金融机构的影响转为明显的正面效应，ICT的影响转为净正面，金融市场准入在尾部显示出混合信号。研究基于这些发现提出了相应的政策建议。

引言：
中国是全球最大的二氧化碳排放国，已承诺在2060年前实现碳中和，并在2030年前达到碳排放峰值（脚注1）。这一雄心勃勃的目标由习近平主席于2020年提出，凸显了中国在应对全球气候变化方面的决心。在这样一个庞大且发展迅速的经济体中实现碳中和需要能源生产、工业活动和城市基础设施的深刻变革（Bai等人，2019年）。推动这一转型的关键因素包括信息和通信技术（ICT）的进步、城市化以及金融发展，这些因素共同为中国的经济脱碳提供了重大机会。中国的战略包括转向可再生能源、提高能源效率以及重组金融市场以支持绿色投资（Ahmed等人，2020年）。通过利用ICT，中国旨在优化各行业的能源使用、利用智慧城市技术改进城市规划，并提升金融系统的效率以支持可持续发展努力。这些努力，加上促进绿色金融和数字创新的政策，对于实现中国的碳中和目标至关重要。

ICT在中国减少二氧化碳排放和迈向碳中和的过程中发挥着核心作用。智能电网、能源管理系统和物联网（IoT）设备等技术对于提高住宅和工业部门的能源效率至关重要。例如，智能电网可以通过更有效地平衡供需来优化能源分配，减少浪费和排放（Adams等人，2020年）。同样，基于IoT的设备可以实时监测能源消耗，从而更好地管理资源，帮助消费者和企业减少碳足迹（Alola等人，2019年；Charfeddine和Kahia，2021年）。此外，交通领域的ICT创新，如电动汽车（EV）和自动驾驶技术，有潜力大幅减少中国这一高碳密集行业的排放。建筑和城市规划领域的ICT驱动解决方案，包括节能建筑和智慧城市基础设施，随着城市化的持续扩展，也在减少排放方面发挥着关键作用（Sahoo等人，2021年）。通过将ICT整合到城市系统中，中国可以创建低碳城市，提高生活质量的同时实现可持续发展目标。

金融发展对于支持中国向低碳经济转型至关重要。金融机构，包括银行和投资公司，在为国家的绿色能源项目、可再生能源基础设施和技术创新提供资金方面发挥着关键作用。通过绿色金融倡议，金融机构可以激励对可再生能源和节能技术的投资，这有助于减少排放（Kirikkaleli和Adebayo，2021年）。绿色债券、碳交易市场以及以气候为中心的金融产品正越来越多地融入中国的金融体系，引导资本流向可持续项目（Abbasi等人，2022年；Ofori等人，2023年）。此外，金融市场准入（FMA）有助于将资源高效分配到环保项目。通过为公司提供绿色项目的资金支持，FMA有助于降低清洁能源技术和可持续城市基础设施的融资成本。促进绿色债券、可再生能源补贴和低碳技术的金融激励措施对于降低这些项目的财务风险至关重要。在此背景下，中国的金融发展可以创建一个支持性的生态系统，促进国家的碳中和目标。

城市化为中国减少二氧化碳排放既带来了挑战也带来了机遇。随着越来越多的人迁移到城市，对住房、能源和交通的需求也在增加。然而，城市化也提供了更高效利用能源和转向更绿色基础设施的机会（Bai等人，2019年）。在中国，城市化伴随着建设可持续城市的努力，重点在于公共交通系统、绿色建筑和可再生能源的整合（Koengkan等人，2020年）。利用ICT优化资源利用的智慧城市可以大幅减少城市碳排放（Rahman和Vu，2020年）。中国政府已经启动了建设环保城市的项目，强调可持续的建筑实践、节能技术和绿色公共交通。这些努力符合中国的碳中和目标，通过减少对化石燃料的依赖、改善废物管理和在城区推广可再生能源来实现。

尽管中国已将碳中和目标设定为2060年，但在实现这一目标方面仍面临重大挑战。由于中国贡献了全球近28%的二氧化碳排放量（国际能源署，2024年），任务规模巨大。尽管在绿色金融和技术进步方面取得了实质性进展，但金融发展（包括金融机构和金融市场准入）、ICT以及城市化在减少排放方面的具体作用尚未得到全面研究。随着中国继续快速城市化，预计到2030年将有超过60%的人口居住在城市（世界发展研究所，2024年），理解这些因素之间的相互作用对于制定有效的减排策略至关重要。本研究旨在填补这一空白，探讨金融机构和市场准入如何支持绿色投资，ICT如何优化各行业的能源消耗，以及城市化趋势如何影响中国向低碳经济转型的过程中的二氧化碳排放。

基于上述讨论，本研究对现有文献做出了几项关键贡献。首先，虽然之前的研究探讨了金融发展与二氧化碳排放之间的关系，但主要依赖于金融发展的总体指标。这种总体方法在理解金融发展的细分组成部分（如金融机构和市场准入）如何影响二氧化碳排放方面存在显著差距。本研究通过考察这些组成部分对二氧化碳动态的不同贡献来填补这一空白。其次，虽然早期的研究通过分位数、频率和时变动态的角度分析了二氧化碳的驱动因素，但往往是将它们孤立起来进行分析。这种碎片化的方法导致现有文献在综合分析这些不同维度方面存在不足。为了弥合这一差距，本研究引入了时变频率分位数回归（TVFQR）技术，该技术能够同时探索分位数、频率和时变关系。TVFQR方法的优势在于能够捕捉分布在不同分位数和不同频率上的时变关系，从而提供对时间序列数据内在动态的更全面理解。第三，本研究通过针对不同时间频率（高频短期、中频中期和低频长期）以及不同分位数提出具体政策建议，推进了现有文献的发展。这种方法在以往研究中较为缺乏，提供了更加细致和全面的政策框架。通过结合考虑时间和分布异质性的多维度视角，分析能够制定更精确和具体情境的政策干预措施，针对不同阶段的减排过程。通过根据不同分位数和频率的发现调整政策建议，本研究确保干预措施不仅符合碳中和的总体目标，而且能够适应不同行业和人群中二氧化碳排放的动态和异质性。例如，短期（高频）政策可能优先考虑能够快速减少排放的即时低成本干预措施，如在关键行业激励能源效率。相比之下，中期（中频）和长期（低频）政策可能侧重于结构性改革，包括对可再生能源基础设施的投资或促进绿色金融，这些对于实现长期脱碳目标必不可少。

后续章节安排如下：“文献综述”部分概述了以往的研究。“变量、数据和方法”部分介绍了数据和方法。“发现与讨论”部分展示了研究结果和讨论，“结论与政策建议”部分提出了研究结论和政策建议。Shobande和Asongu（2023年）在尼日利亚和南非（1980-2017年）应用了ARDL方法，也发现信息通信技术（ICT）的推广导致了二氧化碳（CO?）排放量的下降。相比之下，Li等人（2023a, b）使用系统广义最小二乘法（System-GMM）对91个国家（2007-2015年）的数据进行分析，结果表明ICT的初期推广通过规模效应和反弹效应增加了排放量，Wang等人（2024年）对92个国家（2006-2017年）的阈值回归研究也得出了类似结论。Kwilinski（2024年）通过对欧盟国家（2013-2020年）的数据进行分析，证实了网络成熟后效率提升带来的积极影响。这些对比结果表明，ICT的净碳效应在很大程度上取决于效率提升的速度是否能够超过电力消耗的增加，以及电网是否能够与数字化发展同步实现脱碳。

关于城市化与CO?排放之间的关联，文献中也有大量研究。例如，Bai等人（2019年）利用中国（2006-2013年）的数据通过两阶段最小二乘法（2SLS）发现，快速的城市化导致建筑热潮和交通需求的增加，从而加剧了CO?排放；Khan等人（2024年）通过对南亚经济体（1983-2019年）的数据进行分位数回归进一步验证了这一趋势。Pickson等人（2024年）对不同收入群体的数据（1993年第一季度至2018年第四季度）进行了面板分位数回归，发现在高收入背景下，成熟的绿色基础设施可以抵消城市扩张带来的排放增长；而Chovancová等人（2024年）对22个欧洲国家（1992-2019年）的数据分析显示，在有强有力的政策干预和高效公共交通系统的条件下，城市化有时也可以减少CO?排放。表1总结了这些研究的主要结论。

**表1 过去研究概述**

**变量、数据和方法**
- **变量描述**
在本研究中，我们考察了金融发展（金融机构和金融市场可得性）、ICT、城市化以及经济增长对CO?排放的影响。
- **因变量**
因变量是CO?排放量，以人均公吨计。数据来源于OWD（2024年）数据库。CO?被用作衡量人类活动环境影响的一个指标，特别是在气候变化和全球变暖的背景下。因此，我们沿用了Shahbaz（2020年）和Abbasi（2021年）的研究方法，使用CO?来评估中国的环境退化情况。
- **主要自变量**
主要自变量是金融发展（金融机构和金融市场可得性）。首先，金融机构指数是一个综合指标，用于评估某一地区、行业或经济体中金融机构的整体健康状况、稳定性和表现（IMF 2024）。该指数反映了金融行业的效率、实力和发展水平，有助于评估金融机构对经济增长和稳定的贡献（De Haas & Popov 2023）。其次，金融市场可得性衡量个人、企业和政府获取金融服务和资本市场的便利程度。它反映了参与者通过金融机构和市场获取信贷、投资或筹集资金的容易程度。这两个指标都来源于IMF（2024）数据库。
- **其他自变量**
另一个自变量是ICT，它涵盖了促进信息创建、传输、处理和存储的基础设施、工具、系统和技术。在本研究中，我们使用每100人固定电话订阅数量来衡量ICT的发展水平（数据来源于OWD（2024）。
城市化是另一个自变量，用于衡量城市人口的增长率。数据来源于WDI（2024）数据库。
经济增长（EG）是另一个自变量，表示一个国家或地区在特定时期（通常为一年）内的人均经济产出。在本研究中，EG以2015年美元不变价格计算的人均GDP表示，数据同样来源于WDI（2024）数据库。

**数据范围**
本研究使用的数据时间跨度为1980-2022年，但由于数据 Availability 的限制，存在一些不足。例如，金融机构（FIS）和金融市场可得性（FMA）的数据仅涵盖1980年至2022年。为了解决数据频率问题，我们将年度数据转换为季度数据。此外，通过计算各序列的自然对数的差值得到了增长率。这种转换标准化了数据，使得不同变量和时间段之间的比较更加一致。通过关注增长率，我们可以更有效地追踪趋势和动态交互作用，从而更深入地了解这些因素在不同时间和频率尺度上对CO?排放的影响。

**图1**展示了各个变量的描述性统计特征。其中，金融市场可得性（FMA）的Jarque-Bera统计量（742）和峰度（11.7）最高，表明其数据分布具有重尾和极端值；ICT的平均值（2.44）和中位数（2.28）也较高，说明其数据范围较大。FMA的极值范围（最小值-35.4，最大值25.98）远超其他变量。相比之下，金融机构（FIS）的偏度较低（-0.29），变异性适中（0.81）；经济增长（EG）呈现左偏态（-0.47），但波动性较小（标准差0.75）。城市化（UB）的平均值和中位数均为负值（-0.66和-0.62），分散度适中（1.46），其偏度（-0.48）表明左侧尾部较长。总体而言，FMA的极值分散和非正态分布与FIS、EG和UB的相对温和分布形成鲜明对比，而CO?和ICT在中心趋势、扩散度和尾部行为方面处于中间位置。

**图2**展示了CO?与其他关键变量之间的相关性。CO?与经济增长（EG）的相关性为+0.578，表明较高的GDP增长伴随着较高的CO?排放量；与金融机构（FIS）和ICT的相关性分别为+0.125和+0.117，虽然较小但为正，表明这些因素与排放量之间存在轻微的正相关；与城市化（UB）的相关性接近零（+0.020），表明两者之间几乎没有线性关系；与金融市场可得性（FMA）的相关性为-0.079，表明两者之间存在反向的弱相关性。

**实证方法**
用 \(y_t\) 表示时间 \(t\) 的时间序列数据。研究使用大小为 \(W\) 的窗口来定义时间 \(t\) 的递归估计值 \(\widehat{y}_t\)，该窗口会随时间滑动。递归窗口的定义如下：
$$
W_t = \{1,2,\ldots,t\}, \quad t=W,W+s,W+2s,\dots
$$
\(W_t\) 是时间 \(t\) 的递归估计窗口，\(W\) 是初始窗口大小，\(s\) 是窗口步长。这种方法确保了估计过程的时间一致性，同时能够适应时间序列中的变化关系（Gronczyński 2007）。

普通最小二乘法（OLS）回归的一个关键局限性在于它仅关注因变量的均值建模，可能无法完全捕捉具有非线性或异方差性的数据关系。OLS假设变量之间的关系在整个因变量分布范围内是恒定的，而当数据在不同分位数上表现出不同行为时（例如极端值或尾部），这种方法可能会出现问题。Koenker和Bassett（1978）提出的分位数回归通过估计因变量 \(y_t\) 的条件分位数，解决了这一问题，使其能够模拟自变量 \(x_t\) 对整个分布（包括低、中、高尾部）的影响。分位数回归方程如下：
$$
Q_{y_t} (\tau | x_t) = \beta_0 (\tau) + \beta_1 (\tau)x_t
$$
其中 \(Q_{y_t}(\tau | x_t)\) 表示 \(y_t\) 在分位数 \(\tau\) 处的条件分位数，\(\beta_0(\tau)\) 和 \(\beta_1(\tau)\) 分别表示分位数 \(\tau\) 的截距和斜率系数。斜率系数 \(\beta_1(\tau)\) 表示 \(x_t\) 与 \(y_t\) 的 \(\tau\) 分位数之间的关系。

接下来，将因变量 (\(y_t\)) 和自变量 (\(x_t\)) 分解为它们各自的内禀模式函数（IMFs），并使用集合成模经验模态分解（EEMD）来提取残差趋势（Wu & Huang 2009）。在本研究中，我们使用了4个内禀模式函数（IMFs），包括高频成分（IMF1和IMF2）、中频成分（IMF3）和低频成分（IMF4）。分解公式如下：
$$
y_t = \sum_{k = 1}^{n} \varphi_{k,y_t} + R_{y_t}
$$
$$
x_t = \sum_{k = 1}^{n} \varphi_{k,x_t} + R_{x_t}
$$
其中 \(\varphi_{k,y_t}\) 表示 \(y_t\) 的第 \(k\) 个IMF成分，\(\varphi_{k,x_t}\) 表示 \(x_t\) 的第 \(k\) 个IMF成分。\(R_{y_t}\) 和 \(R_{x_t}\) 表示残差趋势，捕捉 \(y_t\) 和 \(x_t\) 的非振荡部分。

这种方法扩展了?zkan和Adebayo（2024）的研究，结合了递归窗口、分位数回归和频率分解，并提出了一种称为时变频率分位数回归（TVFQR）的新技术。TVFQR的方程如下：
$$
Q_{y_t} (\tau | \varphi_{k,x_t}) = \beta_0 (\tau ,k,t) + \beta_1 (\tau ,k,t) \cdot \varphi_{k,x_t} +
$$
其中 \(Q_{y_t}(\tau | \varphi_{k,x_t}\) 表示在给定自变量 \(x_t\) 的第 \(k\) 个IMF条件下 \(y_t\) 在分位数 \(\tau\) 处的条件分位数。\(β_0(\tau ,k,t)\) 表示分位数 \(\tau\) 处的截距，\(\beta_1(\tau ,k)\) 表示斜率系数。这种方法动态地重新计算每个递归窗口下的 \(y_t\) 基准值，当 \(\varphi_{k,x_t}=0\) 时。\(β_1(\tau ,k)\) 表示分位数 \(\tau\) 处的斜率系数。

TVFQR技术的几个主要优点包括：它通过递归窗口动态更新模型，以适应数据关系的变化，确保最新数据趋势得到准确反映；通过关注不同分位数（如0.05、0.50、0.95），可以更深入地理解变量之间的关系，尤其是在分布的低尾和高端；使用EEMD将时间序列分解为频率成分，从而能够模拟短期和长期动态，提高预测准确性，尤其是在非线性和时变情况下；并且能够有效处理极端值，有助于理解独立变量在经济冲击或市场危机等事件中的影响。此外，TVFQR能够适应数据模式的变化，有效处理非平稳序列。**研究发现与讨论**

**非线性结果**

表2展示了诊断测试的结果。A面板显示了正态性测试的结果。高度负值且显著的Bartels检验统计量表明，每个变量之间存在强烈的序列依赖性，而非白噪声。同样所有结果在p<0.01（或ICT为p<0.05）水平上显著的Jarque–Bera检验也证实了这些变量偏离正态分布的偏度或峰度。Shapiro–Francia（SJ）正态性测试进一步在1%的水平上确认了五个变量（CO?、EG、FMA、FIS、UB）的非正态性，而ICT的检验统计量在p<0.05时也显示出显著性为负。尽管自助法对称性测试统计量的符号和大小有所波动，但没有一个达到常规的显著性水平，这表明不能假设变量围绕均值具有简单的对称性。差异符号检验和Mann–Kendall检验共同指向趋势行为：FMA和UB在差异符号检验中显示出10%的水平上的趋势，在Mann–Kendall检验中则显示出显著的单调趋势（EG在p<0.01，ICT在p<0.01）。最后，所有变量中高度负值且显著的运行检验值（p<0.01）强调了随机性的偏离，这进一步强调了需要使用能够解释自相关性和动态结构的模型。

**B面板关注非线性动态。Tsay的检验在p<0.01（FIS为p<0.05）的水平上强烈否定了CO?、EG、FMA、FIS和UB的线性假设，表明存在制度转换或阈值效应，而ICT根据这一标准仍然被认为是线性的。White的神经网络检验在所有变量中都检测到了显著的非线性——尤其是ICT（统计量约为213，p<0.01）和UB（约为20.99，p<0.01）——这表明灵活的非参数动态可能更好地捕捉这些变量的特征。Keenan的检验在FMA和FIS中检测到了额外的非线性结构，但在CO?和EG中没有发现——这意味着某些变量的不对称性更为微妙。最后，Ter?svirta的检验在CO?、EG、FMA、FIS和ICT中压倒性地支持了神经网络类型的非线性，FMA的检验结果则不太显著。**

**平稳性测试结果**

本研究还通过频率分位数ADF和PP检验来研究序列的平稳性特征。这些方法有效地捕捉了序列在所有频率和分位数上的平稳性特性。在时间序列研究中检查平稳性特性非常重要，因为非平稳数据可能导致不可靠的统计推断和无效的模型预测（Fan & Gen?ay 2010）。由于序列的非线性属性，使用线性平稳性检验会产生误导性的结果；因此，我们使用频率分位数ADF（FQADF）和PP（FQPP）。图3a展示了FQADF测试的结果，表明所有分位数和频率上都存在平稳性。FQPP测试的结果（见图3b）也验证了FQADF的结果。**

**时变频率分位数回归结果**

在这项研究中，引入了时变频率分位数回归（TVFQR）来识别自变量对因变量的影响。图4（a、b和c）展示了信息和通信技术（ICT）对CO?的影响。在高频率（短期）区域，ICT部署的激增——特别是数据中心、5G基站和网络基础设施的快速推广——与所有分位数上CO?排放量的立即增加有关。新激活的服务器和电信设备的能源需求急剧增加了电力需求，在中国，其中大部分能源仍然依赖于煤炭燃烧，因此ICT能力的提升几乎立即转化为更高的碳排放。特别是5G网络的推出，据估计在2021年额外引发了约24百万吨的CO?排放，这是由于流量和能源使用的不对齐造成的（Li et al. 2023a, b）。图4显示了ICT对CO?排放影响的分布情况，不同分位数的影响分别对应于极端左侧（tau=0.05）、中间（tau=0.50）和极端右侧（tau=0.95）。热图按照从浅绿到红色的顺序展示了估计的斜率系数。这些结果基于40个季度的窗口大小（10年）和4个季度的滑动间隔（1年）。

在中频率（中期）区域——大约涵盖两到五年的周期——ICT与排放的正面关系减弱，甚至在中位数分位数上变为轻微的负相关。这反映了服务器技术、数据中心冷却系统和更智能的网络管理在能源效率方面的改进开始抵消了由规模驱动的排放增长。Chen等人（2019）使用分位数回归发现，互联网和移动通信的普及显著降低了中国东部和中部地区的CO?强度，这表明一旦基本的ICT基础设施到位，进一步的数字化采用可以在多年时间内实现净排放节省。然而，在低频率（长期）区域，这种正面关系重新出现——在较低（τ=0.05）和中位数（τ=0.50）分位数上最为明显——表明ICT的反弹效应最终占据了主导。几十年积累的数字化基础设施导致背景能源使用的持续增加（例如，始终保持在线的网络、设备的普及），这种增加超过了效率提升的影响。Batool等人（2022）的研究使用阈值回归确认，一旦ICT的使用量跨越某个临界水平，其对行业能源消耗的净影响就会变得不利，从而在长期内导致更高的CO?排放。

最后，在低频率（长期）区域，金融发展与CO?排放之间再次出现了明显的正面关系——在较低（τ=0.05）和中位数（τ=0.50）分位数上最为显著——表明ICT的反弹效应最终占主导地位。几十年来积累的数字化基础设施导致背景能源使用的持续增加，超过了效率提升的效果。Chen等人（2019）的研究表明，一旦基本的ICT基础设施建立起来，进一步的数字化采用可以在多年时间内实现净排放节省。然而，在高频率（短期）区域，金融发展对中国CO?排放的负面影响再次显现——尤其是在较低（τ=0.05）和中位数（τ=0.50）分位数上最为明显。

**金融市场准入对CO?排放的影响**

图5展示了金融机构（FISs）对中国CO?排放的影响。在高频率（短期）区域，中国金融机构——通过信贷增长、银行贷款和金融资产扩张来衡量——在所有分位数（τ=0.05、0.50和0.95）上对CO?排放产生了持续的正面影响。贷款的快速增长促进了能源密集型工业活动和基础设施项目的迅速扩张，尤其是在短期内加剧了排放。这种模式与Xu等人（2022）的发现一致，他们表明金融发展的积极冲击在中国短期频率范围内导致了更高的碳排放。Zhang（2011）也认为，中国金融服务的更容易获得也成为能源消费和相关CO?释放的关键驱动因素。

在的中频率（中期）区域，金融深化对CO?排放的影响显著减弱，并且在不同分位数上的影响趋于零。在这个时期（大约2到5年的周期），监管干预措施——如绿色信贷指南、环境贷款标准的收紧以及更清洁技术的逐步采用——似乎抵消了信贷增长带来的排放刺激效应。Jalil和Feridun（2011）报告称，在长期均衡状态下，中国的金融发展不会加剧污染，甚至可以在机构适应和环境法规发挥作用后有助于减排。我们的研究中，金融深化的中性反映了政策和市场反应暂时抵消了金融扩张的排放效应的过渡阶段。

最后，在低频率（长期）区域，金融发展再次显示出与CO?排放的强劲正面关系——在较低的分位数（τ=0.05）最为显著，但在中位数（τ=0.50）和较高分位数（τ=0.95）上仍然明显为正。数十年来，银行信贷、债券市场及其他金融服务的持续增长支撑了大规模的化石燃料密集型基础设施和城市化计划——尤其是在排放效率较低的领域——从而在未来多年内锁定了较高的基线排放量。Ling等人（2022）通过交叉小波一致性研究证实了这一点，他们在最低频率上发现了时间不变的正面关联性，表明深度金融化的环境成本在最长时期内累积最为显著。这强调了如果中国要实现长期脱碳目标，其金融部门需要更加果断地向绿色信贷和可持续投资转型。

图6展示了金融市场准入对中国CO?排放的影响。在高频率（短期）区域，对中国金融市场的增加准入倾向于刺激小型和大型排放者的CO?排放（分别对应τ=0.05和τ=0.95），而中等规模排放者的响应接近零或略有下降。换句话说，当信贷和股权流动性激增时，小型企业和大型工业参与者会迅速增加生产，从而增加排放；而在波动条件下，中型企业可能会暂时抑制扩张。这种异质的短期行为与证据一致，即中国金融中介的规模是碳输出的重要驱动因素。在中频率（中期）区域，金融深化对CO?排放的影响显著减弱，并在不同分位数上趋于零。在这种时期（大约2到5年的周期），监管干预措施（如绿色信贷指南、环境贷款标准的收紧以及更清洁技术的逐步采用）似乎抵消了信贷增长带来的排放刺激效应。Jalil和Feridun（2011）报告称，在长期均衡状态下，中国的金融发展不会加剧污染，甚至可以在机构适应和环境法规发挥作用后有助于减排。

在低频率（长期）区域，金融发展再次与CO?排放显示出强劲的正面关系——尤其是在较低分位数（τ=0.05）上最为显著，但在中位数（τ=0.50）和较高分位数（τ=0.95）上仍然显著为正。数十年来，银行信贷、债券市场和其他金融服务的持续增长支持了大规模的化石燃料密集型基础设施和城市化计划——特别是在排放效率较低的领域——从而锁定了未来的高基线排放量。Ling等人（2022）通过交叉小波相关性研究证实了这一点。这强调了如果中国要实现长期脱碳目标，其金融部门需要更加果断地向绿色信贷和可持续投资转型。

图7展示了城市化对中国CO?排放的影响。在高频率（短期）区域，中国的城市化对所有三个分位数（τ=0.05、0.50和0.95）的CO?排放产生了显著的正面影响。农村人口向城市的快速流动推动了建筑活动、能源密集型制造业和交通需求的激增，因此城市化率的提升几乎立即转化为更高的碳排放。这与面板估计结果一致，即城市化率每提高一个百分点，中国的短期排放量大约增加0.3%到0.4%（Zhang & Lin 2012）。这种即时的规模效应反映了绿色建筑标准和公共交通投资赶上快速城市增长所需的时间。

图7还展示了城市化对中国CO?排放的影响。在高频率（短期）区域，中国金融市场的增加准入倾向于刺激小型和大型排放者的CO?排放（分别对应τ=0.05和τ=0.95），而中等规模排放者的响应接近零或略有下降。换句话说，当信贷和股权流动性激增时，小型企业和大型工业参与者会迅速增加生产，从而导致排放增加；而在波动条件下，中型企业可能会暂时抑制扩张。这种异质的短期行为与证据一致，即中国金融中介的规模是碳输出的重要驱动因素。在中频率（中期）区域，市场准入对排放的净影响逐渐减弱，并在中位数分位数上趋于零。这反映了绿色信贷政策、环境贷款指南的逐步实施以及可持续金融工具的采用开始抵消信贷增长的扩张效应。Tang等人（2022）表明，随着中国金融的深化，它促进了绿色创新——新的低碳技术和实践——在这些多年时间内有助于减少CO?排放。在中频率（中期）区域，政策驱动的“绿色金融”机制暂时缓解了市场的短期碳刺激效应。

在低频率（长期）区域，金融市场准入与CO?排放之间再次出现了显著的正面关系——尤其是在较低分位数（τ=0.05）上最为显著，但在中位数（τ=0.50）和较高分位数（τ=0.95）上仍然明显为正。几十年来，中国资本市场的扩张为大规模的化石燃料密集型基础设施和城市化计划提供了资金支持，从而导致长期的排放增加。Khan和Ozturk（2021）发现，金融中介的规模和股票市场的发展是中国碳排放增加的主要长期驱动因素，而Xiong等人（2023）则记录了一种倒U形模式，表明只有在达到一定程度后，金融发展才开始有助于减排。这种低频动态强调了深化绿色金融改革的紧迫性，以重塑中国的长期排放轨迹。

图7还展示了城市化对中国CO?排放的影响。在高频率（短期）区域，中国的城市化对所有三个分位数（τ=0.05、0.50和0.95）的CO?排放产生了显著的正面影响。农村人口向城市的快速流动推动了建筑活动、能源密集型制造业和交通需求的激增，因此城市化率的提升几乎立即转化为更高的碳排放。这与面板估计结果一致，即城市化率每提高一个百分点，中国的短期排放量增加约0.3%到0.4%（Zhang & Lin 2012）。这种即时的规模效应反映了绿色建筑标准和公共交通投资赶上快速城市增长所需的时间。高频、中频和低频带分别代表短期、中期和长期影响。
转向中频（中期）带——大约两到五年的周期——城市化对二氧化碳排放的净影响显著减弱，甚至在最高分位数（τ=0.95）时变为轻微的负值。在这里，清洁技术的逐步普及、大众交通系统的扩展以及城市环境法规的执行开始抵消最初的碳排放高峰。Wei等人（2024年）的研究使用时变参数VAR分析方法，发现虽然城市化在短期内增加了排放，但随着基础设施的成熟和效率措施的实施，它在中长期有助于减少碳排放。同样，Xu和Lin（2016年）的量级回归研究也表明，对于最大的排放者来说，城市增长的排放放大效应在多年时间范围内显著减弱。
然而，在低频（长期）带，一个稳健的正相关关系重新出现——尤其是在较低（τ=0.05）和中间（τ=0.50）分位数——这反映了数十年来以化石燃料为驱动的城市扩张的影响。土地使用方式的深化、对燃煤电力的持续依赖以及路径依赖的基础设施导致较高的基准排放量，这些排放量仅缓慢减少。这种长期的正相关性与研究结果一致，即从多十年的视角来看，城市化仍然是中国二氧化碳增长的主要驱动力之一（Yang等人，2022a，b）。为了打破这种持续的低频耦合，需要加速现有城市设施的改造，并大规模部署下一代低碳城市规划。

图8（a、b和c）显示了经济增长（EG）对中国二氧化碳排放的影响。在高频（短期）带，中国的GDP增长——以实际产出的年增长率衡量——几乎立即转化为所有分位数的二氧化碳排放增加。在第五分位数（τ=0.05），增长激增使排放量增加了大约1.0-1.5个单位；而在中间分位数（τ=0.50）和最高分位数（τ=0.95），短期弹性仍然很强（约为0.8-1.0），尽管略低于分布底部的值（见图a与图c的高频行）。这种模式反映了经济扩张的“规模效应”——即快速的工厂产出、基础设施建设和交通活动——这在清洁技术普及之前占主导地位。Xiang等人（2021年）的分析也记录了中国GDP增长与碳排放之间的这种稳健的短期耦合关系，在1-2年的时间范围内显示出显著的正面相关性。

图8显示了经济增长对二氧化碳排放的影响。图表（a、b和c）展示了经济增长对极左（τ=0.05）、中间（τ=0.50）和极右（τ=0.95）分位数的影响。热图按从浅绿色到红色的顺序显示了估计的斜率系数。结果基于40个季度的窗口大小（10年）和4个季度的滑动间隔（1年）。

在中频（中期）带——大约2-5年的周期——增长与排放之间的联系明显减弱，特别是在中间和最高分位数处。在这里，系数在τ=0.50时降至0.3-0.6，在τ=0.95时降至0.1-0.2（见图b，中频），表明监管措施——如绿色信用指南、更严格的排放标准和能效流程的逐步采用——开始抵消纯粹的规模效应。此外，省级层面的量级回归证据证实，排放的增长弹性在中间分位数（第50-75百分位数）最高，在尾部减弱，这突显了各地区对多年增长冲击的不同反应（Wang等人，2020年）。

然而，在低频（长期）带，正向关系再次出现——在第五分位数（约2.0）和第五十分位数（约1.1）最为显著，在第九十五分位数（约1.5）仍然显著（见图c，低频）。这种长期的强化反映了数十年来对煤炭密集型基础设施和重工行业的投资所产生的累积、路径依赖的效应，这些效应导致较高的基准排放量，且这些排放量难以迅速减少。基于ARDL的分析证实了长期共整合和总体上的凯恩兹环境模式——即增长最初会增加二氧化碳排放，但最终结构和技术效应可能会抑制它——尽管如此，中国的长期弹性仍然为正（Yang等人，2022a，b）。

表3总结了金融制度（FIS）、金融市场准入（FMA）、城市发展（UB）和经济增长（EG）对中国二氧化碳排放的影响，重点关注不同的分位数和频率。

**结论与政策建议**
本研究考察了金融机构和金融市场准入对中国二氧化碳排放的影响。研究还考虑了信息和通信技术（ICT）及城市化在影响二氧化碳排放方面的作用。通过了解这些二氧化碳的驱动因素，中国可以实施有针对性的策略，加速向低碳经济的转型，同时保持经济增长。分析使用了从1980年第一季度到2022年第四季度的数据。此外，由于数据序列的非线性特性，研究引入了时变频率量级回归（TVFQR）方法。结果显示，ICT、经济增长和城市化增加了所有分位数的排放量，而金融市场准入和金融机构在短期内产生了负面或混合影响。在中期（中频）带，ICT、经济增长和城市化继续推动排放增长，而金融市场准入仍为负面，金融机构的影响为中性。在长期（低频）阶段，经济增长和城市化再次增加了二氧化碳排放；金融机构的影响转为明显正面，ICT的影响恢复为净正面，金融市场准入/金融机构在分位数尾部显示出混合信号。

基于这些发现，建议采取以下政策——针对不同的排放层级和时间范围，并基于中国的现有框架——以应对各种水平和频率下的二氧化碳排放差异：
**a.** 中国已经实施了数据中心的最低能效标准（PUE≤1.5），并试点了大型云服务提供商的可再生能源采购计划。在此基础上，短期内北京应将其“领跑者”计划扩展到电信基站——要求新的5G站点满足最佳能效标准——并将国家可再生能源配额扩大到所有主要的ICT企业。在中期，将“绿色数据中心”的研发补贴在“十五五”计划中进一步扩大，并根据明确的量级进行分配（例如，小型运营商减少15%的二氧化碳强度，大型运营商减少25%）。长期来看，中国的国家碳交易系统应在2030年前直接覆盖ICT用电，拍卖收入用于淘汰老旧基础设施和在老旧设施中部署废热回收系统。
**b.** 根据现有的绿色信用指南，中国银行已经限制了对高污染行业的贷款，并报告绿色贷款规模。短期内，中国银监会应通过将化石燃料贷款年的增长率限制在3%来收紧这些指南，并规定至少25%的新企业贷款应为绿色贷款，根据借款人的排放量设定不同的上限。中期，中国人民银行的低碳贷款试点项目应要求参与银行将ESG风险纳入内部信用模型，并在0.25、0.50和0.75的借款人分位数水平上公开投资组合的碳足迹。展望未来，中国银保监会应设定绿色资产比例的强制目标——到2035年达到总资产的50%——并对超出最低排放分位数的非绿色贷款增长实施“棕色惩罚”。
**c.** 中国证券交易所已经推出了绿色债券板块和ESG披露指南。目前，中国证监会应对手盘抬头率在最高排放分位数的企业交易征收生态交易费，同时免除在中等排放分位数表现出负二氧化碳敏感性的绿色债券的上市费用。中期，应扩展上海-伦敦通证交易所，包括与ESG相关的衍生品，并要求所有A股发行人每半年报告一次碳强度。长期来看，应在2030年前将强制性、双重重要性的ESG披露纳入中国的证券法，并设立以人民币计价的主权绿色债券曲线，其期限与长期脱碳目标相关联。
**d.** 中国的国家绿色建筑规范（GB 50189-2015）和海绵城市计划已经针对新建建筑。短期内，应要求所有新城市项目实时监测能源使用情况，并根据项目的排放量对不合规行为处以罚款。中期，目前在100个城市进行的城市改造试点应扩大范围，将中央财政转移支付与建筑和交通领域的减排量挂钩。长期来看，碳预算框架应纳入各省的五年计划（已在广东和江苏进行试点），对土地使用、建筑和交通领域的用地、建筑和流动性设定具有约束力的上限，这些上限应与国家2030年和2060年的目标相符。
**e.** 中国的国家绿色建筑规范（GB 50189-2015）和海绵城市计划已经针对新建建筑。短期内，应要求所有新城市项目实时监测能源使用情况，并根据项目的排放量对不合规行为处以罚款。中期，目前在全国100个城市进行的城市改造试点应扩大规模，将中央财政转移支付与建筑和交通领域的减排量挂钩。长期来看，碳预算框架应纳入各省的五年计划（已在广东和江苏进行试点），对土地使用、建筑和交通领域的用地、建筑和流动性设定具有约束力的上限，这些上限应符合国家2030年和2060年的目标。
**f.** 中国当前的能源强度和总排放双重控制系统为各省设定了五年目标。短期内，应在统计公报中纳入实时二氧化碳/GDP比率报告，按省级表现划分（例如，表现最好的、中等和最差的省份），并将部分财政转移支付与短期脱钩成就挂钩。中期，根据“中国制造2025”计划调整工业补贴，优先支持高附加值、低碳行业，同时逐步淘汰那些根据五年计划中的排放表现划分的依赖煤炭的产业。长期来看，通过2035年的愿景推进结构性改革——转向服务部门和先进制造业——并调整收入分配政策（如最低工资、社会福利），以鼓励与所有排放水平的GDP增长脱钩的低碳消费模式。

**限制和未来方向**
尽管本研究引入了一种评估二氧化碳排放驱动因素的新技术，但它也存在局限性。首先，研究没有考虑其他重要的二氧化碳驱动因素，如气候政策不确定性、全球化和可再生能源。未来的研究应纳入这些因素，以提供更全面的分析。其次，实证分析中仅使用了二氧化碳作为唯一的生态指标。未来的研究可以扩展范围，包括多维度的生态退化指标，如负载能力因子或生态足迹，以更全面地了解环境影响。第三，研究仅关注中国，这限制了研究结果对经济条件不同的国家的普遍适用性。未来的研究应在其他国家复制这项调查，以评估结果的通用性。