EN中文

JOURNAL OF NATURAL RESOURCES >

2025 , Vol. 40 >Issue 11: 3096 - 3116

DOI: https://doi.org/10.31497/zrzyxb.20251112

Regular Articles

The impact of green finance on carbon emission reduction efficiency in high-carbon sectors: Evidence from the power sector

  • LIU Hao-dong ,
  • XU Qiu-yan
Expand
  • School of Economics and Management, Shihezi University, Shihezi 832003, Xinjiang, China

Received date: 2025-01-20

  Revised date: 2025-04-27

  Online published: 2025-10-31

Fold

Abstract

Based on panel data of 30 provincial-level regions in China from 2010 to 2022, the carbon emission reduction efficiency in the electricity sector (ECERE) is measured using the Super-SBM-GML model, and the impact of green finance (GF) on ECERE is demonstrated from multiple dimensions, global and local, temporal and spatial, and direct and indirect, using the SLX model and its hybrid model constructed with the PGTWR model. The results show that: (1) GF contributes to the enhancement of ECERE in the region and has a dampening effect on the neighboring regions through spatial spillover effects. When the geographic distance reaches 1950 km, the spatial spillover effect presents a clear geographic decay boundary. (2) Over time, the promotional effect of GF on local ECERE exhibits a U-shaped trend, decreasing and then increasing, while the inhibitory effect on ECERE in neighbouring areas shows a fluctuating and increasing trend. (3) GF's contribution to local ECERE and its inhibitory effect on ECERE in neighbouring regions are more pronounced in areas with limited hydropower and nuclear power resources. (4) GF primarily enhances ECERE through power technology progress, management efficiency improvements, and power structure optimization. The results of this study provide scientific references for improving China's GF policies and energy policies, as well as for promoting the process of carbon emission reduction.

Key words： green finance; carbon emission reduction efficiency; SLX model; electricity sector

Cite this article

LIU Hao-dong , XU Qiu-yan . The impact of green finance on carbon emission reduction efficiency in high-carbon sectors: Evidence from the power sector[J]. JOURNAL OF NATURAL RESOURCES, 2025 , 40(11) : 3096 -3116 . DOI: 10.31497/zrzyxb.20251112

自工业革命以来，化石能源的无节制消耗导致大气中二氧化碳浓度不断攀升，被广泛认为是全球气候变暖的主要原因，并且在短期内难以得到有效控制。中国作为全球最大的能源消费国和二氧化碳排放国，为履行气候治理的国际义务与责任，在第七十五届联合国大会上承诺力争在2030年前实现碳达峰、2060年前实现碳中和。依据国际能源署发布的《2023年度CO2排放报告》，在此目标框架下，电力行业作为二氧化碳排放的最大单一来源，扮演着至关重要的角色。一方面，富煤、贫油、少气的能源禀赋条件决定了中国以煤电为主的电力供给体系，这使得仅煤炭发电所产生的碳排放量就占全国碳排放总量的45%以上；另一方面，与许多发达经济体不同的是，中国正处于工业化和现代化进程的关键时期，经济增长和终端用能结构变化将继续拉升中国的用电量，依据国际能源署发布的《2023年度电力市场报告》，预计到2025年，中国将占据全球电力消费的三分之一，这使得中国面临愈发严峻的碳减排压力。值得注意的是，相较于钢铁、建筑等其他高碳行业，电力行业因其在脱碳技术上的优势，能够更有效地加速碳减排进程[1]。因此，如何提升电力行业碳减排效率（Carbon Emission Reduction Efficiency in the Electricity Industry，ECERE）已成为中国向净零排放迈进的关键所在。
根据国际能源署与国际货币基金组织的联合分析，到2030年，全球年度能源总投资需激增至5万亿美元，才能在2050年之前实现净零排放，这凸显了融资在能源领域碳减排过程中的关键作用 ① 。然而，鉴于碳减排项目高风险和高投资的特性，期限错配使其难以获得私募股权和风险投资的青睐[2]。相比之下，绿色金融（Green Finance，GF）作为一种专注于支持环境友好项目和可持续发展投资的新兴金融服务模式，不仅可以填补低碳产业或项目的融资缺口，确保其发展的可持续性[3]，同时所搭建的绿色融资市场还会倒逼高污染、高耗能产业低碳转型[4]。为此，中国早在20世纪90年代便将GF纳入可持续发展的核心议题，并于2023年中央金融工作会议中明确指出，GF是建设“金融强国”战略中的五大重要组成部分之一。截至2023年末，中国绿色信贷余额为30.08万亿元，居全球首位，其中约7.32万亿元用于电力行业；绿色债券市场余额2.10万亿元，居全球第二，风电、光伏等清洁能源是募集资金投向最多的领域。可以看出，GF对于电力行业低碳发展给予了强有力的支持。因此，探索GF对ECERE的影响具有重要的现实意义。
截至目前，关于GF和ECERE的相关研究已取得了一定的学术成果，但仍存在一些需要突破的领域。首先，尽管大量的文献针对地区[5]、行业[6,7]等不同层次对碳减排效率或碳排放效率进行了评估，但是针对ECERE的文献极少，仍然缺乏对该效率更为科学合理的测评。其次，虽然部分研究证实了GF对工业[8]、农业[9]、采矿业[10]、建筑业[11]等多个行业在绿色发展方面的积极作用，但尚未发现有关文献聚焦于GF对ECERE具体贡献的系统性考察。此外，鉴于GF本身固有的外部性特征，一些前沿性研究验证了GF对周边地区风电等清洁电力的影响[12]，而GF与ECERE是否同样也存在着空间互动关系，仍有待进一步验证。最后，尽管相关文献在分析碳减排效率的影响因素时，已考虑了直接效应和空间溢出效应的时空差异，其通常做法是依赖于时间或地区的主观分组样本进行分组回归[5]，但这种方法可能会掩盖不同时点和地区的典型特征。因此，如何准确反映直接效应和空间溢出效应的时空差异，有待进一步解决。
本文相较于现有研究的边际贡献如下：（1）构建了一个全新的兼顾经济效益和碳减排效益的ECERE评价指标体系，并使用考虑非期望产出的Super-SBM-GML模型对其进行估算。（2）结合理论与实证分析，从全局与局部、时间与空间、直接与间接等多维度论证GF对ECERE的时空影响及其作用机制，填补了GF与ECERE之间关系的研究空白。（3）传统的面板时空地理加权模型（PGTWR）在分析时空差异时，未考虑到空间溢出效应，这种处理方式与实际情况存在差异。对此，本文基于空间自滞后模型（SLX）和PGTWR模型，构建一个新的SLX-PGTWR混合模型，以此捕捉直接效应和空间溢出效应的时空差异。通过系统性分析，旨在为深入理解GF与ECERE两者关系提供更全面的证据。

1 理论分析与研究假说

1.1 GF与本地区ECERE之间的关系

可持续金融理论引入了混合价值（财务、社会和环境）与混合回报的概念，认为当社会和环境要素被纳入经济主体的投融资决策时，能够为其带来多重回报[13]。因此，如何通过金融创新构建环境要素在经济市场中的价值，成为碳排放治理的关键。在过去的实践中，传统的行政规制手段（如环保税和排放限额）虽然能够设定约束边界，但难以有效建立环境价值与资本流动之间的动态传导机制[14]。相较而言，GF作为可持续金融的核心实践，能够通过“环境要素定价”与“资本成本分化”这两类市场化手段，实现碳减排的环境价值，进而重构电力行业微观主体的决策函数，以避免出现不必要的效率损失。
在环境要素定价层面，GF通过碳金融市场将碳排放权转化为可交易的标准化资产，建立环境成本与金融价格的显性映射关系。碳配额分配机制与碳金融衍生品（如碳期货和碳远期）构成复合定价体系，使电力行业单位碳排放的边际成本转化为可量化的资金成本，从而促进电力生产决策与生态约束的动态匹配[15]。在资本成本分化层面，GF通过差异化利率、风险溢价调整等方式，系统性降低电力行业低碳项目的融资壁垒与成本，同时提升高碳资产的风险权重。这种资本成本的结构性分化，有助于优化电力行业的内部资源配置[16]。基于这两类市场化手段，电力行业微观主体为了获得资产溢价收益和资本成本优势，将主动减排增效，通过提高碳减排效率实现环境效益与经济效益的协同。基于上述分析，本文提出：
假说1：GF有效促进了本地区ECERE提升。

1.2 GF与周边地区ECERE之间的关系

循环累积因果理论通过虹吸效应与扩散效应的动态博弈，揭示了区域经济发展的空间交互机制[17]，该理论框架为解构GF对周边地区ECERE的影响提供了分析思路。具体而言，相互竞争的虹吸效应主要体现在两个方面：首先，作为稀缺的生产性资源，GF资本因碳减排进程的紧迫性而被各个地区通过政策优惠、补贴等手段竞相吸引，进而挤占了邻近地区GF的发展空间；其次，GF对电力行业的支持会进一步吸引与之相匹配的物质资本和人力资本，从而削弱周边地区的竞争力[18]。受这两方面因素的影响，周边地区电力行业在技术革新和人才积累等方面受阻，进而抑制了周边地区ECERE提升。相反，随着GF的发展，相互补充的扩散效应则体现在生产要素、政策模式和实践经验向外围延伸，这种延伸主要通过行业交流、项目合作和资源共享等途径扩散到周边地区[3]，从而有助于周边地区ECERE的提升。值得注意的是，随着中国地方环境绩效考核标准的逐步提高，地方政府在政治晋升压力下可能会加剧对绿色金融资源的争夺，并阻碍扩散效应的作用效果[19]。
进一步地，该理论指出虹吸效应和扩散效应的交织作用会形成一定范围的“受力场”，这意味着GF对周边地区ECERE的影响会受到地理边界的限制。首先，随着地理距离的增加，GF信息的跨区域传播强度和有效性会逐渐减弱，使得虹吸效应和扩散效应在远离信息源的地区面临更大的阻力[20]。其次，在中国财政分权的体制下，地方政府可能为了自身的政治利益和财政收入实行地方保护主义，这种区域发展壁垒限定了GF的空间影响范围[18]。最后，受地形和气候条件等因素的影响，中国不同地区在清洁能源发展上呈现出显著差异（图1）。具体而言，广西壮族自治区和长江中上游地区以水电为主，北方地区则侧重于发展风电和光伏，而核电主要布局在沿海地区。这些区域差异使得金融机构和电力企业在跨区域合作时面临着更高的复杂性，从而制约了空间溢出效应的辐射范围。基于上述分析，本文提出：
图1 2010—2022年清洁能源发电量占总发电量的年平均比例

注：数据来源于电力企业联合会（https://www.cec.org.cn）。

Fig. 1 Average annual share of clean energy generation in total electricity generation, 2010 to 2022

假说2a：GF对周边地区ECERE存在负向空间溢出效应。
假说2b：空间溢出效应具有显著的地理衰减特征。

1.3 GF与ECERE的内部机制

金融功能理论的提出，系统性阐释了金融体系服务实体经济的运行机理。尽管众多学者对金融功能的表述略有差异，但核心内容基本围绕着支付与清算、资源配置、风险管理、信息提供、激励协调和财富跨期转移这六个方面展开[21,22]。作为传统金融的生态化延伸，GF的功能架构并未突破既有范式，而是在环境治理与可持续发展维度上定向深化其功能内涵。此外，白钦先等[23]研究表明金融功能并非杂乱无章地堆叠，而是表现为多层次的递进支撑关系。因此，结合中国人民银行对GF主导功能的初步界定和各功能之间的逻辑关系，GF功能可划分为三个层次：基础功能（支付与清算）确保绿色资金的流动性和绿色产品交易的顺利进行，为主导功能提供底层支持；主导功能（资源配置、风险管理、信息提供）通过资本定向分配、分散与转移风险以及缓解信息不对称形成作用中枢；而扩展功能（激励协调、财富跨期转移）则依托主导功能构建的评估体系与市场机制，实现可持续发展的动能培育与代际资源的公平配置[24]。在这一功能框架下，GF主要通过促进电力技术进步、管理效率提升与电力结构优化这三个内部机制，最终促使ECERE提升。
GF与电力技术、管理效率和电力结构之间的逻辑关系。一方面，依托于基础功能的底层支持，主导功能对三个内部机制的作用最为直接和明显。其中，资源配置功能通过绿色金融资本定向集聚于电力低碳生产与研发项目，驱动清洁能源技术与储能技术等电力技术的研发与应用，并同步促进光伏和风电等清洁电力快速部署和生产[12]。风险管理功能借助气候风险压力测试、绿色和棕色资产风险权重调整等手段系统性识别、量化并管控环境风险敞口，在降低高碳资产搁浅概率的同时，倒逼电力行业提升电力技术的气候适应性与环境管理效能[25]。信息提供功能通过ESG信息与碳价信号等降低行业的信息摩擦，引导社会资本与高素质人才向电力行业低碳企业和项目流动，在为电力技术研发和清洁电力发展提供资金保障的同时，还能为微观主体引入更先进的管理理念[26]。另一方面，得益于主导功能的赋能，拓展功能为三个内部机制提供了长效保障。其中，激励协调功能在于通过绿色信贷贴息等方式所形成的差异化融资成本，联动碳交易市场与金融监管框架，有助于解决电力行业投融资过程中所存在的逆向选择和道德风险等激励问题，进而驱动微观主体主动减排增效，形成在技术研发、管理革新和结构优化上的自驱力[16]；财富跨期转移在于时间维度上的价值平衡，主要通过绿色债券期限匹配、可再生能源收益证券化等方式[27]，将电力行业长期环境效益转化为可交易的跨期价值载体，促进资本在代际间公平配置，拓展资源配置的时间边界，最终形成“技术迭代—管理革新—结构优化”的协同演进。
电力技术、管理效率和电力结构与ECERE的逻辑关系。首先，电力技术反映发电、输电及末端治理技术的综合发展水平。在发电环节，清洁能源技术的迭代直接降低单位发电量的碳排放强度；在输电环节，智能电网与高效储能技术突破能显著提升能源输送效率，减少传输损耗形成的隐性碳成本；在末端治理环节，碳捕捉与封存技术（CCUS）的应用能够物理截留二氧化碳，从而降低火电生产过程中的碳排放浓度。通过这三个环节的技术优化，电力行业可实现更优的效益成本比[28]。其次，管理效率反映行业中员工的综合素质和执行力、管理理念的先进性以及资源配置的合理性。提高管理效率，能促使物质资本、人力资本与技术进步形成良性互动，这不仅有助于提高电力行业内部的资源配置效率，还能降低行业在技术转化过程中的试错成本，使其以有限的生产资源创造出更大的经济效益和碳减排效益[29]。最后，电力结构反映风电、光伏等清洁电力的发展水平和结构占比。清洁能源占比提升不仅有助于减少对煤炭、石油等传统化石能源的依赖，还可通过规模经济效应降低清洁能源的生产成本[30]。同时，清洁能源的多元化发展还会增强电力供给弹性，通过能源品种间的替代效应平抑传统能源价格波动对碳减排进程的冲击[31]。更深层次的电力结构变迁还会驱动产业链重构，促使上下游企业形成低碳联盟，将减排效益从发电端向全价值链延伸，促使ECERE系统性提升。基于上述分析，本文提出：
假说3a：GF通过促进电力技术进步来提高ECERE。
假说3b：GF通过促进管理效率提升来提高ECERE。
假说3c：GF通过促进电力结构优化来提高ECERE。

2 研究方法与数据来源

2.1 研究方法

2.1.1 Super-SBM-GML模型

碳减排效率衡量的是生产系统在环境约束下，投入单位生产要素所能获得最大产值和碳减排量的能力。在现有常见的效率测度方法中，索罗余值法未能考虑到不同生产单元之间的技术异质性，且无法准确识别各生产单元与效率前沿之间的差距[32]；随机前沿生产函数法则受限于预设函数形式的约束，难以有效处理生产单元的多投入、多产出情境[33]。相比之下，数据包络分析法可根据一组相同类型部门输入输出观察值估计有效前沿面，并能直接解析生产单元与有效前沿面之间的关系。同时，凭借其非参数特性，无需预设生产函数或价格信息，并且可以研究跨时期多个样本，因而成为碳减排效率或碳排放效率评估的主流方法[7,34]。
为了能更准确地反映ECERE的真实情况，在使用数据包络分析法测度的过程中，还需要充分把握电力行业四个关键特征：第一，行业要素调整的非对称性，即不同生产要素（如能源、劳动力、资本）在调整过程中因受技术差异或市场粘性等因素影响，不能以同样比例或速度进行改变；第二，行业环境污染的约束性，即电力行业属于高污染行业，当期望产出提升的同时，可能会伴随更高的非期望产出，因此必须考虑环境约束的影响；第三，行业技术前沿的异质性，即不同地区由于资源禀赋、政策强度或能源结构的不同，其最优生产边界（即技术前沿面）并不一致；第四，效率演化的动态性，即不同截面之间的效率变化是相互关联的，在时间维度上呈现非线性波动特征。
针对以上特征，首先，数据包络分析法中的非径向、非角度Super-SBM模型能够有效应对生产要素调整的非对称性，该模型通过引入松弛变量量化要素冗余与产出不足，较好地规避了传统径向模型对要素同比例调整的强假设偏差，同时，通过超效率测度方式解决了多个决策单元效率值为1的情况[35]。其次，Li等[36]以Super-SBM模型为基础，进一步将非期望产出纳入其中，实现了环境约束的内生化。再次，全局生产可能性集可整合跨期技术路径，进而构建出统一的效率基准，以消除区域技术前沿异质性的干扰[37]。最后，Oh[38]以全局生产可能性集为基础构建出的GML指数，能够避免传统ML指数在测算过程中的不可传递性缺陷，实现效率演化的动态追踪。基于以上分析，本文参考现有研究做法[19]，将Super-SBM模型与GML指数相结合，构建出考虑非期望产出的Super-SBM-GML模型来测度ECERE，相关计算公式如下：
以各省（自治区、直辖市）作为决策单元，定义考虑到非期望产出的Super-SBM模型：
ρ * = m i n 1 m ∑ j = 1 m x - j x j 0 1 s + n ∑ p = 1 s y - p y p 0 + ∑ q = 1 n b - q b q 0
s . t                 x - j ≥ ∑ k = 1 , ≠ 0 h x j k λ k ,     j = 1 ,   2 ,   ⋯ ,   m               y - p ≤ ∑ k = 1 , ≠ 0 h y p k λ k ,     p = 1 ,   2 ,   ⋯ ,   s                 b - q ≥ ∑ k = 1 , ≠ 0 h b q k λ k ,     q = 1 ,   2 ,   ⋯ ,   n             x - j ≥ x j k ,     y - p ≤ y p k ,     b - q ≥ b q k ,     λ k ≥ 0
式中：m、s和n分别表示投入、期望产出和非期望产出的种类； x j 0、 y p 0和 b q 0分别表示投入、期望产出和非期望产出的实际值； x j k、 y p k和 b q k分别表示第k个决策单元的j要素投入量、p要素期望产出量和q要素非期望产出量； x - j、 y - p和 b - q分别表示投入、期望产出和非期望产出的松弛变量；h表示决策单元的个数（个）；λ为非负权重向量； ρ *为超效率值，其值越大，表示决策单元的效率越高。
进一步地，定义基于方向距离函数的GML指数：
G M L t t + 1 = 1 + D G → x t ,   y t ,   b t 1 + D G → x t + 1 ,   y t + 1 ,   b t + 1 ,   D G → x ,   y ,   b = m a x η y + η y ,   b - η y ∈ P G x
式中： D G → x ,   y ,   b为全局方向性距离函数； P G x为全局生产可能性集； η为在给定方向下生产单元从当前点向技术前沿移动的最大可行比例。需要说明的是，GML指数为年度之间的环比增长，具备可累乘性和传递性。因此，通过顺次累乘法计算获得ECERE的代理变量。

2.1.2 SLX模型

为了考察研究对象的空间交互效应，本文建立空间面板数据模型进行分析。目前，常用的空间计量模型主要包括SAR模型、SAC模型、SEM模型和SDM模型，这些模型的识别主要依靠LM检验、LR检验和Wald检验等统计方法。然而，在没有潜在的理论或经济观点指向所选定的模型时，仅靠检验统计量的显著性作为判断依据并不可靠[39,40]。此外，这类模型并不涉及只有外生交互效应的情况，因为只要解释变量是外生变量，且空间权重矩阵是已知和外生的，那么估计结果就不会产生较大的偏误。但值得注意的是，解释变量通常不是外生的，并且空间权重矩阵通常也是未知的。鉴于这些问题，相关研究提出应将空间自滞后模型（SLX）作为出发点[41]，该模型的优势体现在以下三个方面：一是允许对空间权重矩阵的元素进行参数化；二是能够更简洁地处理内生性问题；三是更具一般性，能够直观地呈现解释变量的直接效应和空间溢出效应（间接效应）。同时，本文主要聚焦GF对ECERE的时空影响及其作用机制，因此选择SLX模型进行后续实证分析。具体空间基准模型设定如下：
E C E R E i , t = α + β X i , t + ∑ j = 1 N W i , j X j , t θ + μ i + v t + ε i , t
式中：W为空间权重矩阵；X为核心解释变量和控制变量矩阵；α为常数项；β为X的回归系数，度量自变量变化对本地区ECERE所产生的平均影响；θ为X的空间滞后系数，反映自变量变化对相邻地区ECERE所产生的平均溢出效应； μ i和 v t分别表示空间和时间固定效应； ε i , t为随机误差项。

2.1.3 SLX-PGTWR模型

为研究GF对ECERE的直接效应和空间溢出效应是否表现出时点变化和空间差异，考虑将SLX模型与PGTWR模型的优势整合，构建一个全新的SLX-PGTWR混合模型。具体做法是在PGTWR模型中引入解释变量的外生交互效应，仍满足PGTWR模型关于OLS回归的假设，在弥补传统PGTWR模型无法探测溢出效应异质性这一缺陷的前提下，并不会带来严重的估计偏误[41-43]。SLX-PGTWR模型的具体形式设定如下：
E C E R E i = ρ 0 ( u i ,   v i ,   t i ) + ∑ k = 1 K ρ k ( u i ,   v i ,   t i ) X i , k + ∑ s = 1 S φ K + s ( u i ,   v i ,   t i ) W X i , s + ε i
式中： ( u i ,   v i ,   t i )为样本地区i的时空坐标，分别表示经度、纬度和时间； ρ k表示各地区自变量的直接效应； φ K + s表示各地区自变量的空间溢出效应。另外，与PGTWR模型一样，确定时空权重矩阵是SLX-PGTWR混合模型的关键。本文使用高斯方程确定时空距离，并在此基础上构建时空权重函数，从而将时间信息和空间信息结合起来[43]。

2.1.4 设置权重矩阵

根据地理学第一定律，任何事物在空间上都是相关的，且地理距离越相近，相关性越强。因此，本文选取地理距离矩阵（W1）作为空间权重矩阵，其权重设定为样本地区间经纬度距离平方d2i, j的倒数。此外，参考相关研究的做法[41]，使用最大特征值对矩阵进行标准化处理。

2.2 变量设定

2.2.1 被解释变量

电力行业碳减排效率（ECERE）。本文借鉴柯布—道格拉斯（C-D）生产函数形式，将电力行业所消耗的劳动力、资本和能源纳入投入指标；将电力产值和碳减排量纳入期望产出指标；对于电力行业非期望产出指标的选取，现有研究基于数据可得性和污染物排放比例，通常只考虑二氧化硫（SO2）或二氧化碳（CO2）排放量[44,45]。本文为避免指标测算方式的差异性或指标选择的随意性对研究结论产生影响，借鉴李卫兵等[46]的思路，首先选取SO2与氮氧化物（NOx）排放量作为非期望产出，测算出ECERE进行基准回归；随后以CO2排放量作为非期望产出，重新测算ECERE，用于后续稳健性检验。投入产出指标具体计算方式如下：
（1）投入指标。劳动力采用电力行业规模以上企业年平均人数来衡量。资本投入由永续盘存法 K i , t = K i , t - 1 1 - δ i , t + I i , t计算所得。其中：Ki,t和Ki,t-1分别为样本地区当期和滞后一期的固定资本存量；δ代表固定资本折旧率，这里统一取值为9.6%；I是以2010年为基期经固定资产投资价格指数平减后的电力行业固定资产投资总量[47]。能源投入是将发电生产所消耗的各类能源，按对应折标准煤系数折算成标准煤当量后的总和。
（2）期望产出指标。电力产值采用总发电量与平均销售电价的乘积来衡量。其中，电价使用电力行业工业生产者出厂价格指数折算为2010年不变价格，碳减排量以清洁能源发电所带来的直接碳减排量（ACER）与火力发电所形成的潜在碳减排量（PCER）之和来表示[48]。具体计算公式如下：
A C E R i , t = C E P G i , t × P S C C i , t × S C E F
P C E R i , t = T P G i , t × P S C C i , t - 1 - P S C C i , t × S C E F
式中：CEPGi,t和TPGi,t分别表示样本地区i在t年的清洁能源发电量（亿kW·h）和火力发电量（亿kW·h）；PSCCi,t为样本地区i在t年的供电煤耗（万t/亿kW·h）；SCEF为标准煤的碳排放因子。
（3）非期望产出指标。SO2排放量和NOx排放量是以地区火力发电量占火力发电总量的比值作为权重，对行业排放总量进行加权计算所得。CO2排放量通过将能源统计系统披露的用于火电生产的26种化石燃料整理合并为17种，使用质量平衡法计算获得[49]。

2.2.2 核心解释变量

绿色金融（GF）。根据中国人民银行等七部委联合发布的《关于构建绿色金融体系的指导意见》和GF的相关研究[50]，选取绿色信贷、绿色证券、绿色保险、绿色投资和碳金融五个维度中的10个指标来构建GF评价指标体系，并采用熵值法对子指标进行赋权，计算出各省（自治区、直辖市）的GF发展指数。具体指标信息详见表1。
表1 GF评价指标体系

Table 1 GF evaluation indicator system

指标维度 指标属性 指标说明 测算方法
绿色信贷 + 绿色信贷余额/亿元 以营业网点数占比为权重，对代表性银行的绿色信贷余额进行加权求和
- 高耗能行业利息占比 高耗能行业利息支出/工业利息总支出
绿色证券 + 环保企业市值占比 环保企业总产值/A股总市值
- 高耗能行业市场份额 六大高耗能行业总市值/A股总市值
绿色保险 + 农业保险规模比例 农业保险收入/农业总产值
+ 农业保险赔付率 农业保险支出/农业保险收入
绿色投资 + 节能环保公共支出占比 地方财政环境支出额/财政支出总额
+ 环境污染治理投资占比 环境污染治理投资/GDP
碳金融 + 碳排放贷款强度/(亿元/万t) 金融机构本外币贷款余额/二氧化碳排放量
+ 清洁发展机制项目交易量占比 清洁发展机制项目数/项目总数

2.2.3 机制变量

电力技术（TE）。在联合专利分类（CPC）中，Y02E主要涉及电力发电、变电、配电、储能及高效燃烧与利用等技术专利。因此，参考Ribeiro等[51]的做法，使用Y02E专利申请数来衡量电力技术水平。
管理效率（ME）。会计与公司金融领域的经典做法是用管理费用率作为管理效率的代理变量。因此，参考戴德明等[52]的做法，采用电力行业中规模以上工业企业总资产与管理费用的比值来衡量管理效率。
电力结构（SE）。为不失一般性，参考张国兴等[53]的做法，采用风电、水电、核电和太阳能发电之和与总发电量的比值来衡量电力结构。

2.2.4 控制变量

为了尽可能地控制其他因素对ECERE的影响，选取以下五个控制变量：
研发投入强度（RDG）。采用R&D经费内部支出占地区生产总值的比例来衡量[54]。新技术的研发和技术人才的培养离不开研发经费的支持，这是促进电力技术进步并提高碳减排绩效的重要因素。
基础设施水平（INF）。采用各地区公路和铁路的总里程除以区域行政面积来衡量[32]。良好的公路和铁路基础设施通常意味着更高的运输效率和更低的物流成本，这不仅有助于电力设备的及时维护和升级，同时还能促进清洁能源项目的快速部署。
能源消费结构（ES）。采用煤炭消费量占能源消费总量的比值来衡量[3]。煤炭在能源消费体系中的占比，间接反映了各地区电力行业对煤炭、石油等化石燃料的依赖程度。煤炭消费占比越高，电力行业的碳减排任务也就愈发迫切和重要。
政府环境规制（ENV）。采用各省（自治区、直辖市）各年政府工作报告中与环境相关的词汇频数占全文总词频的比值取对数进行度量[55]。根据波特假说，相对严格的环境规制能够激发创新，并为企业带来经济和环境效益。
电力净流出额（NE）。采用各省（自治区、直辖市）的发电量与用电量的差额作为NE的代理变量[56]。当一个地区在满足自身用电需求后，还能将剩余电力出售给其他地区，这通常表明该地区电力行业具有较高的生产效率和较低的成本优势。

2.3 数据来源与预处理

本文以2010—2022年中国实施GF相关政策的30个省（自治区、直辖市）作为研究对象，暂未包括西藏自治区和港澳台地区。ECERE数据来源于《中国能源统计年鉴》《中国电力年鉴》《2006年IPCC国家温室气体清单指南》、国家统计局以及电力企业联合会；GF数据来源于《中国工业统计年鉴》《中国保险年鉴》《中国统计年鉴》、国泰安数据库（https://data.csmar.com）、Wind数据库（https://www.wind.com.cn）、CDM（https://cdm.unfccc.int）以及各省（自治区、直辖市）统计年鉴和金融年鉴；其他变量数据来源于《中国电力年鉴》《中国统计年鉴》《中国工业统计年鉴》《中国科技统计年鉴》《中国能源统计年鉴》、国家知识产权局以及各省（自治区、直辖市）的政府工作报告。在数据处理上，对含有极端值和异常值的数据进行1%的缩尾处理，并采用插值法对个别缺失值进行补齐。

3 结果分析

3.1 共线性检验

为确保后续模型估计的可靠性和合理性，分别计算变量间的相关系数矩阵与各变量的方差膨胀因子（VIF），用以检验变量之间是否存在潜在的多重共线性问题。如表2所示，各变量组合的相关系数绝对值均低于0.6，且每个变量的VIF都在2.5以下，表明变量之间的相关性较低，不存在严重的多重共线性问题。
表2 相关性和多重共线性测试

Table 2 Tests of correlation and multicollinearity

变量 ECERE GF RDG INF ES ENV NE VIF
ECERE 1
GF 0.257*** 1 1.560
RDG 0.187*** 0.554*** 1 2.310
INF 0.230*** 0.494*** 0.556*** 1 1.910
ES -0.142*** -0.245*** -0.255*** -0.325*** 1 1.460
ENV 0.209*** 0.060 0.027 0.035 -0.128** 1 1.040
NE 0.164*** -0.445*** -0.568*** -0.451*** 0.518*** 0.028 1 1.970

注：***和**分别表示P值小于0.01和0.05，下同。

3.2 空间相关性检验

在进行空间计量分析之前，首先需要识别GF和ECERE的空间相关性。为此，使用全局莫兰指数（Moran's I）分别对主要变量进行空间相关性分析。当指数大于0时，表明对应的变量存在空间正相关关系；当指数小于0时，则存在空间负相关关系。
全局空间相关性分析结果如表3所示，GF和ECERE的全局莫兰指数均大于0，并且除了个别年份在10%的水平上显著外，绝大部分年份均在5%的水平上通过了显著性检验，表明样本地区间GF和ECERE均存在显著的空间正相关关系。换句话说GF高（低）的省（自治区、直辖市）更有可能被GF高（低）的省（自治区、直辖市）所包围，ECERE同理。显然，空间相关性分析结论符合后续空间计量的前提假定。
表3 全局空间相关性检验

Table 3 Global spatial correlation test

年份 GF ECERE
Moran's I Z值 P值 Moran's I Z值 P值
2010 0.109 1.438 0.150 0.152 1.843 0.065
2011 0.218 2.525 0.012 0.243 2.756 0.006
2012 0.177 2.113 0.035 0.214 2.485 0.013
2013 0.186 2.191 0.028 0.206 2.394 0.017
2014 0.172 2.065 0.039 0.222 2.538 0.011
2015 0.156 1.948 0.051 0.208 2.408 0.016
2016 0.306 3.560 0.000 0.225 2.603 0.009
2017 0.296 3.438 0.001 0.230 2.677 0.007
2018 0.269 3.122 0.002 0.254 2.913 0.004
2019 0.239 2.787 0.005 0.253 2.870 0.004
2020 0.150 1.875 0.061 0.222 2.570 0.01
2021 0.116 1.533 0.125 0.203 2.338 0.019
2022 0.158 1.962 0.050 0.179 2.110 0.035

3.3 空间基准回归

列（1）~列（4）展示了普通面板回归模型的回归结果，列（5）~列（7）展示了SLX模型的回归结果，其中分别包括没有控制变量、个体固定效应、时间固定效应和双固定效应的情形（表4）。从全局回归结果来看，首先，GF对ECERE的回归系数均显著为正，表明GF对本地ECERE具有显著的促进作用，且该结果不受模型选择的影响，假说1成立。其次，GF的空间滞后项在三个SLX模型中所估计的回归系数均显著为负，且分别在10%、1%和1%的水平上通过显著性检验，意味着GF作用于ECERE的虹吸效应大于扩散效应，即存在负向空间溢出效应，假说2a成立。另外，在控制变量方面，回归系数符号与预期情况基本一致，并且大部分控制变量的回归系数均在5%或1%的水平上通过了显著性检验，表明所选取的控制变量是有效的。
表4 GF对ECERE的基准回归结果

Table 4 The main results of GF on ECERE

变量 （1） （2） （3） （4） （5） （6） （7）
GF 0.173*** 0.052** 0.100*** 0.104*** 0.136*** 0.121*** 0.080***
(0.018) (0.026) (0.020) (0.030) (0.028) (0.028) (0.027)
RDG 0.222*** 0.190*** 0.252*** 0.274*** 0.093
(0.072) (0.051) (0.073) (0.051) (0.072)
INF 0.245*** 0.092** 0.273*** 0.145*** 0.202***
(0.051) (0.044) (0.053) (0.043) (0.048)
ES -0.890*** -0.370*** -0.931*** -0.338*** -0.955***
(0.161) (0.071) (0.162) (0.067) (0.149)
ENV -0.017 0.194*** -0.007 0.126** -0.029
(0.038) (0.060) (0.038) (0.058) (0.040)
NE 0.038*** 0.040*** 0.041*** 0.041*** 0.032***
(0.005) (0.004) (0.005) (0.004) (0.005)
W×GF -0.064* -0.289*** -0.231***
(0.034) (0.045) (0.043)
时间固定 否 是 否 是 否 是 是
地区固定 是 否 是 否 是 否 是
R2值 0.725 0.141 0.799 0.349 0.801 0.413 0.843
样本量/个 390 390 390 390 390 390 390

注：*表示P值小于0.1，括号内为标准误；下同。

3.4 稳健性检验

本文进行如下检验，以验证分析结论的稳健性，具体结果详见表5。
表5 稳健性检验的估计结果

Table 5 Estimation results of robustness tests

变量 变换矩阵 变换变量 变换方法
（1） （2） （3） （4） （5） （6）
W2 W3 W1 W1 W1 W1
GF 0.065** 0.070*** 0.082*** 0.052*** 0.080**
(0.028) (0.027) (0.028) (0.019) (0.033)
L.GF 0.065***
(0.025)
W×GF -0.166*** -0.250*** -0.237*** -0.231***
(0.042) (0.048) (0.044) (0.041)
W×L.GF -0.209***
(0.039)
W×ECERE 0.805***
(0.118)
控制变量 是 是 是 是 是 是
时间固定 是 是 是 是 是 是
地区固定 是 是 是 是 是 是
R2值 0.838 0.843 0.843 0.845 0.899 0.843
样本量/个 390 390 390 390 390 390

3.4.1 变换矩阵

（1）空间邻接矩阵
除了地理距离矩阵外，空间邻接矩阵（W2）也是反映地理区位的常用矩阵。在W2中，如果两个地区相邻，则对应的元素赋值为1，否则赋值为0。考虑到地理区位的不同度量方式可能会影响结论的稳健性，将W2重新纳入空间基准模型进行回归分析。最终估计结果如列（1）所示，该结论与前文分析保持一致。
（2）人力资本空间权重矩阵
从社会空间特征来看，GF与ECERE的关系除受地理区位影响外，还可能受人力资本差异的影响。因此，继续引入人力资本空间权重矩阵（W3）进行稳健性检验，最终估计结果如列（2）所示，GF及其空间滞后项的系数符号和显著性水平与原模型保持一致，进一步肯定了研究结论的稳健性。W3表示为：
W 3 = W 1 × d i a g H 1 ¯ H - ,   H 2 ¯ H - ,   ⋅ ⋅ ⋅ ,   H n ¯ H -
式中： d i a g ( ⋯ )为对角矩阵； H i ¯为样本地区i在样本期内的人力资本存量均值； H ¯为所有地区人力资本存量在样本期内的均值，人力资本存量用人均受教育年限来衡量。

3.4.2 变换变量

（1）变换核心解释变量
考虑到GF对ECERE的影响可能存在潜在时滞效应，本文对GF进行滞后一期处理，并重新放入SLX模型进行分析。列（3）的回归结果显示，核心解释变量的回归系数和显著性并未发生明显变化，回归结论保持稳定。
（2）变换被解释变量
考虑到不同非期望产出指标组合可能对ECERE的测算产生较大偏差，将样本地区电力行业所排放的CO2作为新的非期望产出，重新估算ECERE，并纳入SLX模型进行分析。列（4）回归结果显示，GF和W×GF对ECERE的作用效果并未发生明显变化。

3.4.3 变换方法

（1）广义空间两阶段最小二乘模型
考虑到GF和ECERE可能存在反向因果关系，采用广义空间两阶段最小二乘模型将一阶空间滞后项作为回归的工具变量进行动态分析。列（5）回归结果显示，GF的回归系数在5%的水平上显著为正，这肯定了GF对ECERE的积极影响。
（2）稳健性回归
考虑到模型扰动项可能存在异方差或自相关等情况，本文对空间基准模型进行异方差稳健标准误估计。列（6）回归结果显示，GF和W×GF的回归系数分别在5%和1%的水平上显著，并且与原模型回归结果中的系数符号方向一致，表明分析结论是稳健的。

3.5 地理衰减分析

为了揭示空间溢出效应的地理衰减变化，假设各省（自治区、直辖市）之间的距离区间为 d m i n ,   d m a x，γ为 d m i n到 d m a x的递进距离，d为阈值距离。当 d i ,   j ≥ d时，地理衰减矩阵Wd的元素为样本地区间地理距离倒数的平方，反之为0。通过该处理，可以将阈值距离以内的样本地区从空间权重矩阵中剔除，以便清晰地刻画GF对ECERE关于空间溢出效应的地理衰减变化情况。相关表达式如下：
d = d m i n ,   d m i n + γ ,   d m i n + 2 γ ,   ⋅ ⋅ ⋅ ,   d m a x
w i ,   j ,   d = 1 d i ,   j 2       d i , j ≥ d   0             d i ,   j < d
基于空间基准模型，在地理衰减矩阵Wd的约束下，以200 km为递进距离依次估计GF对ECERE的空间溢出效应，并将所对应的回归系数进行可视化处理，绘制出图2。结果显示，空间溢出效应的地理衰减变化大概分四个区间：首先，当地理距离小于750 km时，空间溢出效应显著为负，说明在此距离区间中虹吸效应大于扩散效应。另外，其抑制作用呈现先上升后下降的趋势，且在350 km处达到峰值。其次，当地理距离介于750~950 km时，空间溢出效应在10%的水平上不显著，且回归系数存在明显波动，说明在此距离区间中虹吸效应与扩散效应相互抵消，不存在效应余值。再者，当地理距离介于950~1950 km时，空间溢出效应在10%的水平下显著为正，说明在此距离区间中虹吸效应小于扩散效应。另外，其促进作用呈现先上升后下降的趋势，且在1150 km处达到峰值。最后，当地理距离超过1950 km后，空间溢出效应趋近于0，且没有通过显著性检验，说明此地理区间均不存在显著的虹吸效应和扩散效应，空间溢出效应存在地理衰减边界。总体上，GF对ECERE的空间溢出效应呈现先负后正，直至无影响的地理衰减特征，符合假说2b。该结论在变换被解释变量（非期望产出为CO2）并进行异方差稳健标准误估计后仍然成立。
图2 GF作用于ECERE的地理衰减过程

Fig. 2 Geographic attenuation process of GF affecting ECERE

3.6 时空差异分析

根据前文分析，GF对ECERE的直接效应和空间溢出效应已经得到证实，但是SLX模型只能从全局揭示GF对ECERE的平均影响，难以观察到该影响的区域性差异和阶段性变化。因此，从时间维度和空间维度出发，通过SLX-PGTWR模型进一步探究GF作用于ECERE的时空非平稳特性。表6列出了局部回归系数的描述性统计量，可以看出，GF及其空间滞后项的局部回归系数方向有正有负，系数大小也均不相同，与全局回归结果相比，存在明显差异，表明GF对ECERE的影响确实存在时空异质性。
表6 SLX-PGTWR模型回归结果

Table 6 SLX-PGTWR model results

变量 最小值 第一四分位数 中位数 第三四分位数 最大值
GF -0.078 0.075 0.136 0.208 0.371
W×GF -0.540 -0.274 -0.159 -0.008 0.485
Intercept -0.456 0.076 0.448 0.852 2.033
控制变量 是
R2值 0.886
带宽 0.140
样本量/个 390

3.6.1 时点变化

在时间层面，以箱线图的形式将不同年份GF的直接效应和空间溢出效应进行可视化处理，结果如图3所示。
图3 直接效应与空间溢出效应的时点变化

Fig. 3 Temporal changes in direct effects and spatial spillover effects

从直接效应来看，GF对本地区ECERE的促进作用在样本期内呈现先下降后上升的“U”型趋势。这可能与GF的发展阶段有关。具体来说，在2016年以前，中国GF处于萌芽探索期，相关金融政策和监管机制并不成熟，加之电力企业和金融机构在理解和执行上存在偏差，导致GF在短期内对于本地区ECERE的促进作用呈现下降趋势。而在2016年以后，中国陆续出台了一系列重要的GF政策和指引，加速了各地区GF制度体系的构建和发展，与之相关的GF监管机制和市场机制（如环保信息披露、碳资产交易、绿色债券市场等）逐步完善，这为电力行业提供了更好的资金和政策支持，使得GF所产生的积极作用逐渐增强。
从空间溢出效应来看，在整个样本周期内，GF对周边地区ECERE的平均影响表现为抑制作用，这与全局回归结果保持一致。此外，空间溢出效应还表现出明显的阶段性特征，即随着时间的推移，在期初表现为促进作用的地区，其作用效果逐渐转变为抑制作用；在期初表现为抑制作用的地区，其作用效果则呈现波动性增大的趋势。根据循环累积因果理论，虹吸效应通常会先于溢出效应在时间趋势上显现。然而，随着地方环境绩效考核标准的逐步提高，这可能会诱使各地区不断加剧对绿色金融资源的争夺，并阻碍扩散效应的作用效果，使得GF对周边地区ECERE的抑制作用愈发凸显。

3.6.2 空间差异

在空间层面，对各地区GF在样本期内的直接效应和空间溢出效应进行均值化处理，并根据自然断点将各地区的回归系数进行分组。此外，为了清晰区分回归系数的正负方向，手动将0设置为中间断点。图4展示了最终的空间分布结果，可以看出，直接效应和空间溢出效应的空间分布格局按水电和核电的市场份额大致可分为富集地区和贫瘠地区两类。
图4 2010—2022年直接效应和空间溢出效应均值的空间差异

注：本图基于自然资源部标准地图服务系统网站下载的标准地图制作，底图无修改。

Fig. 4 Spatial distribution of direct effects and spatial spillover effects during 2010-2022

从直接效应来看，GF对ECERE的促进作用在水电和核电贫瘠地区表现明显，典型地区主要包括内蒙古自治区、北京市、天津市和东北地区。相比之下，在水电和核电富集地区，GF对ECERE的促进作用较弱，其中四川省、重庆市、贵州省、湖南省、江西省、广东省和福建省表现最弱。之所以形成这样的空间差异，可能是因为在水电和核电贫瘠地区，除了对燃煤电厂进行清洁改造外，电力行业主要的碳减排措施就是发展太阳能和风能。鉴于太阳能和风能的发展在中国仍处于初期阶段，具有较大的技术进步潜力和市场拓展空间，GF的介入能够带来更高的边际碳减排效益。反之，在水电和核电富集地区，由于这两类清洁电力的发展比较成熟，且占据较高的电力市场份额，使得GF支持水电和核电所形成的边际碳减排效益较低。此外，清洁能源占比越高，气候变化所导致电力供应风险就越大，反过来又促使GF将更多资源分配给其他行业。
从空间溢出效应来看，在水电和核电贫瘠地区，较强的虹吸效应使得GF对周边地区ECERE的抑制作用尤为明显，典型地区主要包括内蒙古自治区、北京市、天津市和河北省。相比之下，水电和核电富集地区则表现出较强的扩散效应，削弱了GF对周边地区ECERE的抑制作用，西南地区和青海省甚至表现出一定程度的促进作用。这可能是因为在水电和核电贫瘠地区，清洁能源整体发展水平较低，地方政府和企业对清洁能源发展的愿景更加迫切，因而虹吸效应更为明显。而在水电和核电富集的地区，清洁能源发展存在明显的区域集聚特征，其所涉及的投资、人力等生产资源集中度较高，加之本身对于技术、知识和管理经验的深度积累，促使区域间的扩散效应更加明显。

3.7 机制分析

为了阐明GF如何促进ECERE，采用普通面板固定效应模型和SLX模型，分别对电力技术、管理效率和电力结构三种机制进行验证。具体模型形式如下：
M i , t = l 0 + l 1 G F i , t + l 2 X i , t + μ i + υ t + ε i , t
M i , t = τ 0 + τ 1 G F i , t + ∑ j = 1 N W i , j G F j , t τ 2 + τ 3 X i , t + ∑ j = 1 N W i , j X j , t τ 4 + μ i + υ t + ε i , t
式中：M表示机制变量，包括TE、ME和SE；X表示控制变量；l和τ为一组待估参数。值得注意的是，机制检验的判断原则主要分为两步：一是通过丰富的理论来判别M对ECERE的影响；二是在此基础上，如果模型中的回归系数l1和 τ 1均通过显著性检验，则表明GF可以通过作用机制M对ECERE产生影响；反之则表明作用机制无效。机制检验的回归结果详见表7。
表7 机制分析结果

Table 7 Results of the mechanism analysis

变量 TE ME SE
（1） （2） （3） （4） （5） （6） （7） （8） （9）
GF 0.147*** 0.096*** 0.135*** 0.132*** 0.099*** 0.026** 0.042*** 0.031*** 0.016***
(0.014) (0.016) (0.023) (0.008) (0.009) (0.012) (0.004) (0.004) (0.006)
W×GF -0.069** 0.127*** 0.025***
(0.028) (0.015) (0.008)
控制变量 否 是 是 否 是 是 否 是 是
时间固定 是 是 是 是 是 是 是 是 是
地区固定 是 是 是 是 是 是 是 是 是
R2值 0.795 0.827 0.830 0.688 0.739 0.783 0.954 0.963 0.964
样本量/个 390 390 390 390 390 390 390 390 390
关于对TE的机制检验。列（1）~列（3）显示GF的估计系数均在1%的水平上显著为正，意味着GF促进了TE。此外，TE的进步有助于提高行业产能利用率和全要素生产率，控制碳排放量增长速度，从而助力电力企业降本增效。可见，TE是提高ECERE的重要驱动因素。基于以上分析，GF可以通过促进TE来提高ECERE。假说3a得到验证。
关于对ME的机制检验。列（4）~列（6）显示GF的估计系数分别在1%，1%和5%的水平上显著为正，验证了GF对于ME的积极作用。此外，ME的提高有助于电力行业通过高效的管理实现知识和技术等“隐形”资源汲取效率的提升，最终提高产出绩效。因此，ME的提高有利于改善ECERE。基于以上分析，GF可以通过提高ME来促进ECERE的增强。假说3b得到验证。
关于对SE的机制检验。列（7）~列（9）显示GF的估计系数为正，并且均在1%的水平下通过显著性检验，这意味着GF发展越好，越有利于电力结构优化。此外，在清洁电力替代火电的过程中，不仅可以大幅度提高电力行业的碳减排效益，同时还会增强电力供给弹性。因此，SE的提高有利于ECERE提升。基于以上分析，GF可以通过提高SE来促进ECERE。假说3c得到验证。
关于GF在作用机制上的空间影响。列（3）、列（6）和列（9）显示W×GF的估计系数分别在5%、1%和1%的水平上显著，除了W×GF对TE的估计系数为负外，其余两个估计系数均显著为正，表明GF对周边地区ECERE的抑制作用主要表现在电力技术上的区域性约束。

4 结论与政策启示

4.1 结论

基于2010—2022年中国30个省（自治区、直辖市）的面板数据，在运用Super-SBM-GML模型对区域电力行业碳减排效率进行评价的基础上，通过SLX模型和SLX-PGTWR模型重点探讨了绿色金融对电力行业碳减排效率的时空影响及其作用机制。主要研究结论如下：（1）全局分析发现，绿色金融有助于提高本地电力行业碳减排效率，但对周边地区产生负向的空间溢出效应。此外，随着虹吸效应和扩散效应在地理距离上的变化，绿色金融对电力行业碳减排效率的空间溢出效应由近及远表现为先抑制后促进，并最终在1950 km处出现明显的地理衰减边界。（2）时点变化分析发现，绿色金融对本地区电力行业碳减排效率的平均影响表现为促进作用，并且在样本期内呈现为先下降后上升的“U”型趋势。相比之下，绿色金融对周边地区电力行业碳减排效率的平均影响表现为抑制作用，这与全局回归结果保持一致，并且该抑制作用在样本期内呈现波动性上升的趋势。（3）空间差异分析发现，直接效应和空间溢出效应的空间分布格局大体相反。相较于水电和核电富集地区，绿色金融在水电和核电贫瘠地区对本地区电力行业碳减排效率的促进作用以及对周边地区电力行业碳减排效率的抑制作用更加明显。（4）作用机制分析发现，绿色金融能够通过促进电力技术进步、管理效率提升和电力结构优化来提高电力行业碳减排效率。

4.2 政策启示

第一，发挥绿色金融的双重显性优势，促进电力行业空间协同治理。
首先，把握绿色金融对本地区电力行业的正向优势，进一步扩大绿色金融对电力行业的支持规模，包括设立专项基金、提供税收优惠以及鼓励社会耐心资本参与绿色项目融资等措施，以尽可能满足低碳项目的融资需求。其次，把握绿色金融对周边地区电力行业在政策模式和实践经验等方面的扩散优势，推动跨区域绿色金融合作平台建设，促进信息共享与经验交流，提升绿色金融资源的整体利用效率。同时，深化电力行业市场主体在低碳转型方面的跨区域合作，提高扩散效应的覆盖范围和强度，以对冲虹吸效应的影响，实现电力行业区域间的协同治理。
第二，因时制宜完善绿色金融制度体系，降低资本错配风险和流动壁垒。
短期重点应锚定制度标准化建设，加速全国统一的环境信息披露标准和碳资产交易机制建设，推动绿色金融工具与电力减排项目精准对接，通过负面清单管理严控高碳项目融资；同步强化绿色金融监管框架，建立政策执行动态校准机制，针对电力企业碳核算偏差、金融机构绿色认证模糊等问题开展专项治理与能力培训。中长期改革需聚焦制度韧性提升，在环境绩效考核中增设跨区域协作减排指标，弱化地方政府对本地绿色金融资源的行政性约束，依托碳排放权跨地区交易、绿电消纳配额互认等市场化工具重构区域利益分配机制。
第三，推行能源禀赋适配型政策，解决区域减排效能分化困境。
在水电和核电富集地区，金融政策和能源政策应注重清洁能源的平衡发展，激励电力企业积极开展多元化的清洁能源项目，如风能、太阳能等新兴能源，以避免产生不必要的负面效应。在水电和核电贫瘠地区，传统的燃煤电厂仍是主要的电力来源，金融政策和能源政策应聚焦这些地区的电力结构转型，即除了燃煤电厂的清洁改造外，还应优先支持风电和太阳能等边际效益高、回报周期短的清洁能源项目，这样做不仅能降低对传统火电的依赖，还能为地方经济带来新的增长点。
第四，聚焦技术、管理和结构三大主轴，畅通绿色金融的传导效能。
首先，电力企业应系统性地布局和整合绿色金融资源，除了确保将部分资金投放到必须的生产项目外，还应积极引导资金流向管理创新和核心技术攻关领域。其次，政府应鼓励电力企业与科研院所展开紧密合作，发挥产学研深度融合优势，以加速在绿色金融资金支持下电力行业在管理和技术创新成果的转化效率和占比。最后，为了实现电力结构的持续优化，政府应加快深化电力市场改革，努力构建一个包容且公平的市场环境，确保清洁能源项目能够获得公平的市场回报。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
JENKINS J D, LUKE M, THERNSTROM S. Getting to zero carbon emissions in the electric power sector. Joule, 2018, 2(12): 2498-2510.

[2]
YANG D X, CHEN Z Y, YANG Y C, et al. Green financial policies and capital flows. Physica A: Statistical Mechanics and its Applications, 2019, 522: 135-146.

[3]
李慧, 佟孟华, 张国建. 绿色金融改革创新试验区的碳减排效应: 基于空间溢出效应与城市异质性的视角. 统计研究, 2024, 41(9): 44-58.

[LI H, TONG M H, ZHANG G J. Carbon emission reduction effect of green finance reform and innovation pilot zone: From the perspective of spatial spillover effect and urban heterogeneity. Statistical Research, 2024, 41(9): 44-58.]

[4]
刘锋, 黄苹, 唐丹. 绿色金融的碳减排效应及影响渠道研究. 金融经济学研究, 2022, 37(6): 144-158.

[LIU F, HUANG P, TANG D. The carbon emission reduction effect of green finance development and its impact pathways. Financial Economics Research, 2022, 37(6): 144-158.]

[5]
姚凤阁, 王天航, 谈丽萍. 数字普惠金融对碳排放效率的影响: 空间视角下的实证分析. 金融经济学研究, 2021, 36(6): 142-158.

[YAO F G, WANG T H, TAN L P. The impact of digital financial inclusion on carbon efficiency: Empirical analysis based on a spatial perspective. Financial Economics Research, 2021, 36(6): 142-158.]

[6]
尹剑, 姜洪涛, 焦露, 等. 基于Geodetector和MGWR的贵州工业碳排放效率时空演化及影响因素分析. 地理科学, 2024, 44(7): 1217-1227.

DOI

[YIN J, JIANG H T, JIAO L, et al. Spatio-temporal variation and influencing factors of industrial carbon emission efficiency in Guizhou based on Geodetector and multi-scale geographically weighted regression. Scientia Geographica Sinica, 2024, 44(7): 1217-1227.]

DOI

[7]
吉雪强, 张跃松. 长江经济带种植业碳排放效率空间关联网络结构及动因. 自然资源学报, 2023, 38(3): 675-693.

DOI

[JI X Q, ZHANG Y S. Spatial correlation network structure and motivation of carbon emission efficiency in planting industry in the Yangtze River Economic Belt. Journal of Natural Resources, 2023, 38(3): 675-693.]

[8]
谢东江, 胡士华. 绿色金融、产业结构与城市工业绿色全要素生产率. 国际金融研究, 2023, (5): 46-56.

[XIE D J, HU S H. Green finance, industrial structure and urban industrial green total factor productivity. Studies of International Finance, 2023, (5): 46-56.]

[9]
马骏, 孟海波, 邵丹青, 等. 绿色金融、普惠金融与绿色农业发展. 金融论坛, 2021, 26(3): 3-8, 20.

[MA J, MENG H B, SHAO D Q, et al. Green finance, inclusive finance and green agriculture development. Finance Forum, 2021, 26(3): 3-8, 20.]

[10]
CHU M B, LI B W, GU W Y, et al. Role of green finance in enhancing the sustainability in the mining sector in Asia. Resources Policy, 2024, 88: 104473, Doi: 10.1016/j.resourpol.2023.104473.

[11]
GHOLIPOUR H F, ARJOMANDI A, YAM S. Green property finance and CO2 emissions in the building industry. Global Finance Journal, 2022, 51: 100696, Doi: 10.1016/j.gfj.2021.100696.

[12]
XU B, LIN B Q. Green finance, green technology innovation, and wind power development in China: Evidence from spatial quantile model. Energy Economics, 2024, 132: 107463, Doi: 10.1016/j.eneco.2024.107463.

[13]
FULLWILER S. Sustainable Finance: Building a More General Theory of Finance. Ohio: Global Institute for Sustainable Prosperity, 2016: 17-34.

[14]
崔惠玉, 王宝珠, 徐颖. 绿色金融创新、金融资源配置与企业污染减排. 中国工业经济, 2023, (10): 118-136.

[CUI H Y, WANG B Z, XU Y. Green financial innovation, financial resource allocation and enterprise pollution reduction. China Industrial Economics, 2023, (10): 118-136.]

[15]
岳童, 童健. 碳定价机制与“双碳” 约束下我国经济高质量发展: 目标协同与作用机理. 统计研究, 2024, 41(7): 48-63.

[YUE T, TONG J. Carbon pricing mechanisms and China's high-quality economic development under "dual carbon" targets: Collaborative targets and mechanism analysis. Statistical Research, 2024, 41(7): 48-63.]

[16]
戴其文, 郭忠媛, 赖璇宇, 等. 绿色金融政策对企业绿色发展的影响机制. 自然资源学报, 2025, 40(3): 667-691.

DOI

[DAI Q W, GUO Z Y, LAI X Y, et al. The influence mechanism of green finance policy on green development of enterprises. Journal of Natural Resources, 2025, 40(3): 667-691.]

[17]
MYRDAL G. Economic Theory and Underdeveloped Regions. London: Gerald Duckworth & Co. Ltd, 1957: 66-67.

[18]
吕鲲, 潘均柏, 周伊莉, 等. 政府干预、绿色金融和区域创新能力: 来自30个省份面板数据的证据. 中国科技论坛, 2022, (10): 116-126.

[LYU K, PAN J B, ZHOU Y L, et al. Government intervention, green finance and regional innovation capability: Evidence from panel data of 30 provinces. Forum on Science and Technology in China, 2022, (10): 116-126.]

[19]
马艺菲, 陈昕昀, 雷晓英, 等. 地方政府竞争对绿色全要素生产率的影响: 经济—环境综合竞争和转变效应. 自然资源学报, 2025, 40(2): 459-477.

DOI

[MA Y F, CHEN X Y, LEI X Y, et al. The impact of local government competition on green total factor productivity: Economic-environmental comprehensive competition and transformation effects. Journal of Natural Resources, 2025, 40(2): 459-477.]

[20]
张颖, 邹国昊. 绿色金融政策对碳排放的空间溢出效应研究. 武汉大学学报: 哲学社会科学版, 2024, 77(5): 60-72.

[ZHANG Y, ZOU G H. Research on spatial spillover effects of green finance policy on carbon emissions. Wuhan University Journal: Philosophy & Social Science, 2024, 77(5): 60-72.]

[21]
MERTON R C, BODIE Z. A conceptual framework for analyzing the financial system. The Global Financial System:A Functional Perspective. Boston: Harvard Business School Press, 1995: 3-31.

[22]
LEVINE R. Financial development and economic growth: Views and agenda. Journal of Economic Literature, 1997, 35(2): 688-726.

[23]
白钦先, 谭庆华. 论金融功能演进与金融发展. 金融研究, 2006, (7): 41-52.

[BAI Q X, TAN Q H. On the relationship between evolution of financial function and financial development. Journal of Financial Research, 2006, (7): 41-52.]

[24]
刘晓欣, 魏子鲲, 桑乾坤. 绿色金融与实体经济: 关联机制、风险隐患及中国之策. 经济学家, 2025, (2): 55-64.

[LIU X X, WEI Z K, SANG Q K. Green finance and the real economy: Linkage mechanisms, risks and strategies in China. Economist, 2025, (2): 55-64.]

[25]
何德旭, 程贵. 绿色金融. 经济研究, 2022, 57(10): 10-17.

[HE D X, CHENG G. Green finance. Economic Research Journal, 2022, 57(10): 10-17.]

[26]
刘和旺, 彭律, 郑世林. 绿色金融改革创新试验区能提升企业产能利用率吗?. 中南财经政法大学学报, 2023, (5): 134-148.

[LIU H W, PENG L, ZHENG S L. Can green finance reform and innovation pilot zone improve capacity utilization?. Journal of Zhongnan University of Economics and Law, 2023, (5): 134-148.]

[27]
岳小花. 绿色电力证书的法律属性、制度功能与规范完善. 中国人口·资源与环境, 2023, 33(2): 63-72.

[YUE X H. Legal attributes, institutional functions, and regulation improvement of green power certificate. China Population, Resources and Environment, 2023, 33(2): 63-72.]

[28]
马诗萍, 谢永顺, 陈宏阳, 等. 中国城市电力生产总碳强度的时空演变及影响因素. 地理学报, 2024, 79(3): 712-731.

DOI

[MA S P, XIE Y S, CHEN H Y, et al. Spatio-temporal evolution and influencing factors of aggregate carbon intensity of electricity generation in China's cities. Acta Geographica Sinica, 2024, 79(3): 712-731.]

DOI

[29]
SUN J J, DONG F. Decomposition of carbon emission reduction efficiency and potential for clean energy power: Evidence from 58 countries. Journal of Cleaner Production, 2022, 363: 132312, Doi: 10.1016/j.jclepro.2022.132312.

[30]
RAZA M Y, LIN B Q. Energy transition, carbon trade and sustainable electricity generation in Pakistan. Applied Energy, 2024, 372: 123782, Doi: 10.1016/j.apenergy.2024.123782.

[31]
段巍, 王明, 吴福象. 能源结构、特高压输电与中国产业布局演变. 中国工业经济, 2022, (5): 62-80.

[DUAN W, WANG M, WU F X. Energy structure, UHV transmission and the evolution of industrial distribution in China. China Industrial Economics, 2022, (5): 62-80.]

[32]
徐秋艳, 刘浩冬. 绿色信贷、产业结构优化与绿色全要素生产率. 现代经济探讨, 2024, (2): 93-108.

[XU Q Y, LIU H D. Green credit, industrial structure optimization and green total factor productivity. Modern Economic Research, 2024, (2): 93-108.]

[33]
赵雯歆, 罗小锋, 唐林. 土地流入与产业融合对农业绿色生产率的影响. 自然资源学报, 2025, 40(3): 692-711.

DOI

[ZHAO W X, LUO X F, TANG L. The effect of rural land inward and rural industrial integration transfer on agricultural green productivity. Journal of Natural Resources, 2025, 40(3): 692-711.]

[34]
王杰, 王军. 数字赋能背景下市场一体化推进的区域协同减排效应. 财贸经济, 2024, 45(12): 143-159.

[WANG J, WANG J. Effects of regional synergistic emissions reduction on market integration in the context of digital empowerment. Finance & Trade Economics, 2024, 45(12): 143-159.]

[35]
TONE K. A slacks-based measure of super-efficiency in data envelopment analysis. European Journal of Operational Research, 2002, 143(1): 32-41.

[36]
LI H, FANG K N, YANG W, et al. Regional environmental efficiency evaluation in China: Analysis based on the super-SBM model with undesirable outputs. Mathematical and Computer Modelling, 2013, 58(5-6): 1018-1031.

[37]
袁润松, 丰超. 基于共同前沿生产理论的中国建筑业碳排放驱动因素分解: 2000—2020年. 中国人口·资源与环境, 2023, 33(1): 161-170.

[YUAN R S, FENG C. Decomposition analysis of driving factors of carbon emissions in China's construction industry based on meta-frontier-production theory: 2000-2020. China Population, Resources and Environment, 2023, 33(1): 161-170.]

[38]
OH D H. A global Malmquist-Luenberger productivity index. Journal of Productivity Analysis, 2010, 34(3): 183-197.

[39]
CORRADO L, FINGLETON B. Where is the economics in spatial econometrics?. Journal of Regional Science, 2012, 52(2): 210-239.

[40]
PARTRIDGE M D, BOARNET M, BRAKMAN S, et al. Introduction: Whither spatial econometrics?. Journal of Regional Science, 2012, 52(2): 167-171.

[41]
VEGA S H, ELHORST J P. The SLX model. Journal of Regional Science, 2015, 55(3): 339-363.

[42]
XU J J, WANG J C, LI R, et al. Spatio-temporal effects of urbanization on CO2 emissions: Evidences from 268 Chinese cities. Energy Policy, 2023, 177: 113569, Doi: 10.1016/j.enpol.2023.113569.

[43]
HUANG B, WU B, BARRY M. Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices. International Journal of Geographical Information Science, 2010, 24(3): 383-401.

[44]
彭昱. 政府责任、电力产业发展与环境污染治理. 财经问题研究, 2013, (2): 32-38.

[PENG Y. Government responsibility, power industry development and environmental pollution control. Research on Financial and Economic Issues, 2013, (2): 32-38.]

[45]
徐曦, 赵新刚. 中国电力行业绿色全要素生产率的时空差异及影响因素. 环境科学, 2025, https://doi.org/10.13227/j.hjkx.202409308.

[XU X, ZHAO X G. Temporal and spatial differences in green total factor productivity and the influencing factors in China's power industry. Environmental Science, 2025, https://doi.org/10.13227/j.hjkx.202409308.]

[46]
李卫兵, 李翠. “两型社会” 综改区能促进绿色发展吗?. 财经研究, 2018, 44(10): 24-37.

[LI W B, LI C. Can the "two-oriented society" synthetically reform testing district promote green development?. Journal of Finance and Economics, 2018, 44(10): 24-37.]

[47]
张军, 吴桂英, 张吉鹏. 中国省际物质资本存量估算: 1952—2000. 经济研究, 2004, 39(10): 35-44.

[ZHANG J, WU G Y, ZHANG J P. The Estimation of China's provincial capital stock: 1952-2000. Economic Research Journal, 2004, 39(10): 35-44.]

[48]
LIN B Q, QIAO Q. Exploring the participation willingness and potential carbon emission reduction of Chinese residential green electricity market. Energy Policy, 2023, 174: 113452, Doi: 10.1016/j.enpol.2023.113452.

[49]
SHAN Y L, HUANG Q, GUAN D B, et al. China CO2 emission accounts 2016-2017. Scientific Data, 2020, 7: 54.

[50]
吴朝霞, 曾家豪, 刘泓轩, 等. 绿色金融促进治污减排机制与空间效应. 经济地理, 2023, 43(10): 128-138.

DOI

[WU Z X, ZENG J H, LIU H X, et al. Mechanism and spatial effect of green finance promoting the pollution control and emission reduction. Economic Geography, 2023, 43(10): 128-138.]

DOI

[51]
RIBEIRO B C, FERRERO L G P, BIN A, et al. Effects of innovation stimuli regulation in the electricity sector: A quantitative study on European countries. Energy Economics, 2023, 118: 106352, Doi: 10.1016/j.eneco.2022.106352.

[52]
戴德明, 薛雨佳, 毛聚, 等. 模糊并表影响审计收费吗?. 会计研究, 2024, (6): 135-147.

[DAI D M, XUE Y J, MAO J, et al. Does vague consolidation affect audit fees?. Accounting Research, 2024, (6): 135-147.]

[53]
张国兴, 高秀林, 杨阳, 等. 电力系统低碳转型的减排效应: 基于结构优化的视角. 管理评论, 2024, https://doi.org/10.14120/j.cnki.cn11-5057/f.20241230.002.

[ZHANG G X, GAO X L, YANG Y, et al. Emission reduction effects of low-carbon transition of power systems: A perspective based on structural optimization. Management Review, 2024, https://doi.org/10.14120/j.cnki.cn11-5057/f.20241230.002.]

[54]
李德山, 苟晨阳. 环境规制对西部地区水资源利用效率的影响研究: 基于产业部门和资源依赖度异质性视角. 地理科学, 2021, 41(12): 2203-2212.

DOI

[LI D S, GOU C Y. The impact of environmental regulation on water resource utilization efficiency in the Western China based on the heterogeneity of industrial sectors and resource dependence perspectives. Scientia Geographica Sinica, 2021, 41(12): 2203-2212.]

DOI

[55]
陈洪波, 张骁潇. 国家大数据综合试验区如何促进城市绿色转型: 基于碳排放量增速和碳生产率增幅的双重视角. 中国软科学, 2024, (11): 172-188.

[CHEN H B, ZHANG X X. How can National Comprehensive Big Data Pilot Zone promote green transformation of cities: Based on the dual perspective of the growth rate of carbon emissions and carbon productivity. China Soft Science, 2024, (11): 172-188.]

[56]
刘利利, 冯天天, 崔茗莉, 等. 绿色电力交易对电力市场的影响机理及效果. 中国人口·资源与环境, 2024, 34(4): 76-90.

[LIU L L, FENG T T, CUI M L, et al. Influence mechanism and effect of green power trading on the electricity market. China Population, Resources and Environment, 2024, 34(4): 76-90.]

Options
Outlines

/

〈 〉