《Frontiers in Environmental Science》：Green finance and joint urban performance in pollution control and carbon mitigation: evidence from the Yangtze River Economic Belt, China
编辑推荐：
本研究利用2010—2023年中国长江经济带（Yangtze River Economic Belt, YREB）110个城市的面板数据，考察绿色金融（green finance, GF）与城市污染控制与碳减排协同绩效（joint pollution and
本研究利用2010—2023年中国长江经济带（Yangtze River Economic Belt, YREB）110个城市的面板数据，考察绿色金融（green finance, GF）与城市污染控制与碳减排协同绩效（joint pollution and carbon reduction performance, JPCRP）之间的关系，其中JPCRP采用涵盖碳排放、能源利用及常规污染物的基于结果的综合指数进行测度。实证分析结合了城市与年份固定效应、两阶段最小二乘法、间接路径、交互作用及面板门槛模型。研究结果表明，GF与JPCRP呈正相关，而探索性分组估计的系数大小因流域区位和经济发展水平而异。具体而言，财政支出分析识别出一条抵消性路径：GF与财政环境支出（fiscal environmental expenditure, FEE）呈正相关，而在控制GF及其他协变量后，FEE与JPCRP呈负相关。绿色技术创新（green technological innovation, GTI）对GF与JPCRP之间的关系起调节作用，GF×GTI的负向交互项表明，随着GTI的提升，GF与JPCRP之间的边际关联趋于减弱。城市空间发展效率（urban spatial development efficiency, USDE）的估计门槛值为0.66，超过该门槛后GF系数仍保持为正，但从0.1412降至0.0845。上述发现表明，GF的环境贡献不仅取决于绿色资本的供给，还受财政配置、技术能力和城市空间条件的影响。
# 绿色金融与城市减污降碳协同绩效：机制、条件与政策启示——基于长江经济带的实证研究
## 研究背景与研究问题
污染物减排与温室气体减排日益成为城市环境政策中需要协同推进的两大目标。这一趋势源于二者往往源自相同的经济活动：化石燃料使用、工业生产、交通运输和建筑施工在排放二氧化碳的同时，也释放颗粒物、二氧化硫、氮氧化物和废水污染物。能源结构、生产技术、能源效率或材料回收利用的变化因此可能同时影响碳排放和常规污染物排放。然而，既有政策安排并未总是充分回应这一协同需求。传统污染控制主要关注局部环境质量，而碳政策更多与能源管理、产业转型和温室气体核算相关联。分立的政策目标和行政安排可能导致环境投资只针对某一类排放，而未能对另一类排放产生可比改进。绿色金融（GF）作为市场化的资源配置机制，可能改变环境项目的融资方式，但其是否以及如何在城市层面转化为污染控制与碳减排的协同绩效，仍缺乏充分理解。
## 研究设计
本研究以中国长江经济带（YREB）110个地级及以上城市2010—2023年的面板数据为样本，该区域涵盖上、中、下游不同经济发展阶段和资源禀赋的城市，为考察GF环境效应提供了差异化的制度与空间条件。被解释变量为城市污染控制与碳减排协同绩效（JPCRP），这是一个基于结果的综合绩效指数，由碳排放强度、能源消费强度、电力消费强度、PM2.5年均浓度、人均工业废水排放量、人均工业二氧化硫排放量和人均工业氮氧化物排放量七个指标通过熵权法合成。核心解释变量为城市GF指数，涵盖绿色信贷、绿色债券融资和绿色投资三个维度。调节变量为绿色技术创新（GTI），以城市绿色专利数量衡量；门槛变量为城市空间发展效率（USDE），以建成区单位面积经济产出衡量；中介变量为财政环境支出（FEE），以一般公共预算支出中环境保护支出占比衡量。控制变量包括城市人口密度（UPD）、经济规模（ES）、地方财政能力（LFC）、对外开放度（OTFI）、交通基础设施（TI）、产业结构升级（ISU）和居民消费水平（HCL）。实证方法包括双向固定效应模型、两阶段最小二乘（2SLS）、中介效应模型、调节效应模型和面板门槛模型。
## 研究结果
### 基准回归与稳健性检验
基准回归结果显示，GF系数在全部模型中保持在1%水平上显著为正，完整模型（模型5）中系数为0.0858，表明GF与JPCRP之间存在稳健的正向关联。方差膨胀因子均低于10，排除严重多重共线性问题；Hausman检验支持固定效应模型。工具变量估计中，使用滞后一期的GF作为工具变量，第一阶段F统计量为35.748，超过Stock-Yogo弱工具变量临界值16.38；第二阶段GF系数为0.2699，在1%水平上显著，表明处理潜在内生性后结论不变。排除了2020—2022年疫情期间观测值、剔除上海和重庆两个直辖市以及1%、5%、10%缩尾处理后，GF系数依然在1%水平上显著为正，支持假设H1。
### 分组异质性分析
按流域位置分组回归显示，上游和中游城市GF系数分别为0.1482和0.0642，均显著为正；下游城市系数为0.0155，未达统计显著。按经济发展水平（EDL）分组，较低EDL组GF系数为0.1793，在1%水平上显著；较高EDL组为0.0259，不显著。上中游及较低发展水平城市普遍面临更大融资缺口和环境基础设施短板，绿色资本在这些城市能支持原本可能受融资约束而推迟的项目。这一结果在描述性意义上支持假设H2，但需注意流域区位与经济发展水平是重叠的分类，不构成独立异质性来源的正式检验。
### 中介效应与调节效应
财政支出路径分析表明，GF系数在FEE方程中为0.2549，在1%水平上显著，说明GF发展水平较高的城市倾向于将更大比例财政预算配置于环境保护。将FEE纳入JPCRP方程后，FEE系数为?0.0135，在10%水平上显著，同时GF系数从0.0858升至0.0892。Bootstrap检验（5000次重复抽样）确认间接效应为?0.1145，95%置信区间为[?0.1491, ?0.0799]，不包含零。这一模式符合统计学上的抑制效应：GF与FEE正相关，而控制其他因素后FEE与JPCRP负相关，财政支出路径部分抵消而非强化GF的正向基准关联，支持假设H3。该结果提示，较高的FEE占比可能反映补偿性或反应性支出，或支出集中于治理和修复环节而环境效益存在时滞，不应简单地将支出规模等同于财政有效性。
调节效应分析中，引入GTI及其与GF的交互项后，GF系数为0.1009，GTI系数为0.0163，均在1%水平上显著为正；GF×GTI交互项系数为?0.0042，在1%水平上显著为负。负向交互表明，随着GTI水平提高，GF与JPCRP之间的边际关联平均而言趋于减弱。这反映了一个连续的调节过程而非离散的技术断点。技术创新基础较强的城市拥有更成熟的研究网络、更丰富的商业化渠道和更多元化的融资来源，对额外GF扩张的边际依赖较低；而技术基础薄弱的城市，研发、示范和初步部署更可能受资金约束，GF的资源配置作用因此更为突出。该结果支持假设H4。
### 门槛效应分析
以USDE为门槛变量的Bootstrap检验显示，单一门槛F统计量为35.26，P值为0.04，在5%水平上显著；双重门槛F统计量为8.62，P值为0.886，不显著，表明存在单一门槛效应。门槛估计值为0.66，95%置信区间为[0.62, 0.67]，似然比统计量在门槛值附近达到最小值。门槛回归结果显示，当USDE≤0.6600时，GF系数为0.1412，在1%水平上显著；当USDE>0.6600时，GF系数下降至0.0845，仍在1%水平上显著。两个区间内GF均与JPCRP正相关，但系数大小存在阶段性差异。低USDE城市通常面临土地分散利用、基础设施协调不足和绿色项目融资缺口较大等短板，资本投入能同时修正空间与环境缺陷；而高效率城市已实现较为紧凑的空间布局和基础设施共享，基本空间重组收益已大部分兑现，进一步扩张金融供给的边际环境改进空间收窄。该结果支持假设H5。
## 讨论与结论
本研究表明，GF与城市JPCRP之间存在稳健的正向关联，这种关联在上中游和较低发展水平城市中更为明显，在较高发展水平城市中相对有限。FEE作为中介变量构成一条抵消性财政分配路径；GTI发挥连续调节作用；USDE通过单一门槛形成阶段性调节。本研究的边际贡献体现在三个层面：一是以基于结果的综合指数框架评估GF的环境效用，将污染控制、碳减排与能源利用整合于同一绩效维度；二是将市场化GF与地方FEE纳入同一分析框架，识别出财政配置路径的抵消性关联；三是区分了技术能力的连续调节作用与城市空间发展的阶段性调节作用，揭示绿色资本的环境贡献在不同地方条件下呈现不同的函数形式。
研究结论对政策制定具有重要启示。在长江经济带上中游和较低发展水平城市，绿色金融资源应优先支持传统产业转型、环境基础设施改善以及通过共享能源和生产系统实现减污降碳协同的项目；在下游和较发达城市，政策重心应从扩大融资规模转向提高项目质量、金融产品设计、技术商业化和投资的环境额外性。财政政策应更加关注支出构成和实施效果，防范碎片化、重复建设和过度依赖末端治理。金融支持应反映技术和空间能力的差异，对创新基础薄弱的城市加强研发、试点应用和风险分担支持，对能力较强的城市强调商业化和高技术含量项目。在低USDE阶段，资金应优先配置于绿色交通、集中式污染治理、建筑改造和城市更新；当空间效率较高时，应更加重视资本使用效率、项目选择和技术含量。
