研究报告 detailed information

绿色金融 引领产业未来

绿金回顾 | 2020 年江苏省绿色金融优秀论文：《绿色信贷是否有助于改善环境质量？》回顾

>2020-12-21

​

 

文

 
 
 
 

章

 
 
 
 

导

 
 
 
 

读

12月12日，由江苏省金融业联合会、南京江北新区财政局、交通银行江苏省分行和南京江北新区科技投资集团联合主办的“谋划‘十四五’新发展，开创绿色金融新篇章 2020江苏省绿色金融年度峰会”在南京江北新区隆重举行。大会上，为十大绿色金融杰出机构、十大绿色金融创新案例、十大绿色金融优秀论文授牌证书。现将优秀论文进行逐一刊发，供大家学习参考。

 

绿色信贷是否有助于改善环境质量？
——基于空间杜宾模型的实证研究

 

吴佳慧 王露 瞿佳慧 张景

（江苏大学财经学院 江苏 镇江 212000）

 

内容提要：绿色发展要求经济与环境的协调统一。根据2004-22016年间我国30个省份的相关面板数据，采用空间杜宾模型实证检验绿色信贷的发展对于环境质量的直接与间接影响以及绿色信贷政策作用下信贷结构调整对于环境质量的影响。研究发现：信贷总额对于环境质量的作用是负向的，但是绿色信贷对于环境质量的作用是正向的；“两高”企业信贷比例仍然较高，实施绿色信贷政策能够调整银行信贷结构，从而缓解银行信贷对于环境质量的负向作用；绿色信贷政策主要影响的是本地区，空间溢出效应尚不显著，区域间的协同合作尚显不足；环境质量存在显著的空间溢出效应，某个省份环境质量水平的提升能够对相邻省份的环境质量起到积极的作用。 
关键词：绿色信贷  环境质量  空间杜宾模型
 
一、引 言
当前生态环境越来越恶化，环境承载力逼近上限，生态短板不仅制约着经济发展，还不断挤压人类生存空间。鉴于生态环境问题已然成为关乎国计民生和实现国家长期经济社会发展战略的严重制约因素，党的十八大报告中首次提出建设美丽中国，将生态文明建设上升为国家意志（刘莎，刘明，2019）[1]。为探索“环境友好型、资源节约型”发展道路，我国出台了一系列政策和措施。2007年环保总局、人民银行、原银监会联合发布了《关于落实环保政策法规防范信贷风险的意见》，原银监会于2012年颁布了《绿色信贷指引》，明确要求金融机构加大绿色信贷实施力度，促进节能减排和环境保护。绿色信贷的重要功能是通过优化资源配置，促使资金从“两高”（高能耗、高污染）行业与技术流向“两低”（低能耗、低污染）行业与技术，从而壮大环保、新能源、新材料等绿色产业，调整落后产能、落后产业。由此可见，在绿色金融发展的大背景下，开展绿色信贷相关研究，提高绿色信贷投放效率，对于调整产业结构，加快构建生态文明体系，落实新发展理念，推动高质量发展具有重要意义。
二、文献综述
在我国经济由高速增长阶段转向高质量发展阶段过程中，污染防治和环境质量是需要跨越的一个重要关口。在现有的探索经济增长与环境污染的研究中，较为典型的是Grossman&Krueger（1995）[2]提出的环境库兹涅茨曲线（EKC），即环境污染与经济发展水平间存在一种“倒U”关系，随着经济增长，污染物排放量逐渐增加，而在完成现代化后，污染物排放量会到达顶峰，并随后下降。我国现在还处于发展的爬坡过程中，工业化、城镇化仍在加速进行，在此过程中，污染物排放量仍然很大。想要在这样的状况下减少污染物的排放，进而实现中国在巴黎气候大会上“2030年二氧化碳排放量达峰”的承诺，如何利用好金融手段进行调和显得尤为重要。
1992 年联合国环境与发展大会通过了《里约环境与发展宣言》和《21世纪议程》两个文件，促使环境可持续的绿色金融得以较快推广，围绕金融与环境的相关研究也日益引起学术界重视（刘莎，刘明，2019）[1]，但是金融与环境的关系却未得到一致性的结论。Sadorsky（2010）[3]将金融作为“生产/消费—自然环境—生产/消费”循环的外生变量，认为金融不影响环境。Al-Mulali(2016)[4]实证检验了欧洲各国金融发展与二氧化碳排放的关系，发现金融发展会增加二氧化碳排放，导致环境恶化。Zhang et al.（2011）[5]持相同的观点，认为金融资源大量投向工业生产是造成环境恶化的重要影响因素。但Shahbaz et al.（2012）[6]认为，在一定条件下，绿色金融发展与环境质量之间存在着长期均衡关系，随着绿色金融投放量的增加，技术创新水平得到提高（Gantman et al.，2012）[7]，环保相关的投融资规模扩大（Lee et al.，2015）[8]，环境质量得到改善。Omri et al.（2015）[9]认为，在绿色金融充分发挥作用的情况下，金融发展水平越高，环境质量越高。
Salazar（1998）[10]认为绿色金融在环境保护的基础上寻求经济发展，实现经济与环境的平衡，是金融业的伟大创新。在绿色金融发展的大背景下，发达的金融市场可以为企业节能减排项目提供多样化的融资工具，而对绿色金融产品的研究，主要关注点在银行业的绿色信贷。相比较传统的银行信贷，绿色信贷在优惠贷款利率和审批难易程度上为绿色企业提供了便利，使得企业能够高效地开展生产经营活动。同时，绿色信贷也能对污染企业采取信贷方面的处罚措施，发挥约束作用，从而引导企业发展低碳经济。
综上，本文边际贡献主要体现在两处：第一，目前已有的文献大多从金融发展这一大视角出发，探究金融发展如何作用于经济进而作用于环境质量或仅仅考察金融发展本身对环境质量的影响，较少从绿色信贷这一视角进行实证检验。除对传统银行信贷与环境质量的关系做一般性探讨外，同时考察绿色信贷对环境质量的作用，所得结论有助于丰富当前金融对环境影响的研究。第二，根据地理学第一定律，各省绿色信贷在空间上存在着相关性，且各省的相关性会随该省地理位置不同而存在差异，而相关文献较少考虑空间的关联性。基于此，本文运用空间计量面板模型，从时空角度出发，探讨绿色信贷对于环境质量的作用及其空间溢出效应，旨在为环境质量政策的设计进一步提供经验证据。
三、计量模型
（一）空间相关性检验
Goodchild（1992）[11]指出，几乎所有的空间数据都具有空间依赖特征，即某一地区的某种经济地理现象或某种属性与邻近地区的同种经济现象或属性是相关的。考虑到区域之间各种污染物的流动性与扩散性、信贷政策的辐射性，首先对涉及到的主要经济变量进行空间相关性检验。空间相关性的检验分为两部分，全局空间自相关与局部空间自相关。此处选择Moran’s I统计量进行检验，空间权重矩阵W取常用的一阶临近矩阵。
1. 全局空间自相关
 

（二）空间计量模型的设定
1. 基础模型
IPAT模型考虑了人口、财富及技术因素对于环境的影响，但是忽略了其他决定性因素（ehrlich和holdren，1971）[12]。一些学者通过对IPAT模型的改进，提出了STIRPAT模型，该模型可以随机扩展影响环境的其他重要因素（Dietz和Rosa，1994）[13]，如对外贸易依存度、政府经济增长目标等。此外，绿色金融投放能够在短期内改变生产要素投入、生产的技术条件、经济结构以及生产的环境条件，从而直接降低污染物排放量。
 

（三）变量选取

综合考虑指标的完整性与数据的可得性，选取废水排放总量、化学需氧量排放量、二氧化硫排放量、烟粉尘排放量、固体废弃物排放量与二氧化碳排放量共六项指标，计算各省每年环境污染情况的因子得分，并对其进行正向化处理，使之成为环境质量的代理指标。处理后的因子得分越高，环境质量越好。
2. 核心解释变量
绿色信贷（GC）:目前对绿色信贷的衡量方法主要为绿色信贷占比、节能环保项目贷款占比、工业污染治理投资中的“银行贷款”、反向指标六大高耗能产业利息支出。考虑到数据的连续性与可得性，此处选取各省六大高耗能产业利息支出的对数作为反向指标，并对其进行正向化处理来衡量绿色信贷。当前信贷结构下的信贷总额（CC）:用各省工业信贷利息总额的对数衡量。理想信贷结构的信贷总额（DC）:用各省不包含六大高能耗产业的工业信贷利息总额的对数衡量。
3. 控制变量
人口数量（lnp），用各省人口数量的对数衡量。理论上，人口越多的地区，对于环境的污染越严重，环境质量水平越低。技术创新（lny02），用各省专利申请量的对数衡量。考虑到低碳创新技术的发展对于环境质量的影响更为直接，此处选择使用英美联合颁布的合作专利法CPC中的Y02分类专利申请数作为各省的专利申请量。理论上，低碳创新技术的发展能够改善环境质量。经济发展（lnpgdp），用各省GDP的对数衡量。一个地区经济水平越高，各项生产活动开展越频繁，造成环境污染的可能性也就越大。政府经济目标（target），用政府工作报告中的经济增长目标数据衡量（徐现祥，2014）[17]。经济增长目标越高，牺牲环境换取经济增长的可能性越大。外贸依存度（fdi），用外商直接投资占GDP的比重来衡量。根据“污染天堂”假说，污染密集产业的企业倾向于建立在环境标准相对较低的国家或地区。因而外贸依存度也会对环境质量产生影响。
（四）数据来源与处理
研究区间为2004-2016年，研究对象为30个省（港澳台藏因数据缺失不予考虑）。各省份废水、化学需氧量、二氧化硫、烟粉尘、固体废弃物排放量的数据来自《中国环境统计年鉴》与国家统计局官网；二氧化碳排放量参照IPCC提供的排放系数法进行核算，其中能源消费、折标煤系数和碳排放系数来源于《中国能源统计年鉴》；六大高能耗工业产业利息、信贷利息总额和非“两高”行业的信贷利息总额来源于《中国工业统计年鉴》；各省Y02专利数据来源于incopat数据库；人口数量、经济发展、外贸依存度数据来自《中国统计年鉴》。为消除价格波动的影响，经济变量以2004年为基期做不变价处理。
 
四、实证结果与分析
（一）绿色信贷与环境质量的空间相关性检验
根据我国各省2004—2016年的绿色信贷发展程度与环境质量情况的面板数据，分别测算绿色信贷与环境质量的Moran’s I值与局部Moran指数，结果发现绿色信贷和环境质量绝大部分都通过检验，且大部分省市呈现“高高”或“低低”集聚，因而可认为存在空间相关特征。全局相关性的结果如表1所示，局部空间相关性的结果如图1所示：
 
表1         2004—2016年我国绿色信贷与环境质量的Moran’s I值
年份
绿色信贷
环境质量
年份
绿色信贷
环境质量
2004
0.199**
0.085
2011
0.245**
0.146*
2005
0.309***
0.119
2012
0.198**
0.126*
2006
0.326***
0.145*
2013
0.173**
0.116
2007
0.305***
0.127*
2014
0.182**
0.142*
2008
0.329***
0.129*
2015
0.174**
0.161*
2009
0.278***
0.128*
2016
-0.110
0.058
2010
0.232**
0.091
      
注：*、**、***分别表示在 10%、5%、1%水平下显著。
      
 

 

图1 绿色信贷与环境质量局部Moran’s I散点图
注：1－北京，2－天津，3－河北，4－山西，5－内蒙古，6－辽宁，7－吉林，8－黑龙江，9－上海，10－江苏，11－浙江，12－安徽，13－福建，14－江西，15－山东，16－河南，17－湖北，18－湖南，19－广东，20－广西，21－海南， 22－重庆，23－四川，24－贵州，25－云南，26－陕西，27－甘肃，28－青海，29－宁夏，30－新疆。
 
（二）没有空间交互效应的面板模型的估计与检验（模型一）
首先针对模型一，对于不包含空间交互作用的面板计量模型进行估计，同时进行LM验与LR检验。模型分为混合估计模型、空间固定效应模型、时间固定效应模型、空间和时间固定效应模型。估计与检验结果如表2所示：
 
表2        没有空间交互效应的面板模型的系数估计和LM检验
变量名称
混合估计
空间固定
时间固定
时空双固定
C
6.980***
      
GC
0.205***
0.213***
0.079*
0.093**
lnp
-0.231***
-0.229***
-0.288***
-0.283***
lny02
0.538***
0.575***
0.405***
0.439***
lnpgdp
-0.837***
-0.867***
-0.785***
-0.801***
target
0.002
-0.001
-0.007
-0.009
fdi
0.061
0.038
-0.032
-0.038
R^2
0.691
0.714
0.549
0.574
LogL
-189.123
-166.08
-112.862
-84.034
LM-lag
226.043***
218.467***
154.187***
143.327***
LM-lag(robust)
19.058***
23.855***
18.256***
22.576***
LM-error
252.321***
234.805***
151.243***
131.788***
LM-error(robust)
45.336***
40.193***
15.311***
11.037***
空间固定效应LR检验
57.655***
时间固定效应LR检验
164.095***
注：*、**、***分别表示在 10%、5%、1%水平下显著。括号内为 t 值。
根据表2的估计结果，可以初步判断绿色信贷对环境质量的影响是正向的。分析其检验结果可知，空间固定效应与时间固定效应的LR检验都在1%水平上显著，说明探究绿色信贷与环境质量的关系时，模型应当同时包含空间与时间固定效应。因此以下的分析都应基于时空双固定模型。由LM检验可知，时空双固定模型均在1%的显著性水平上拒绝了没有空间滞后被解释变量的原假设和没有空间自相关误差项的原假设，即SAR与SEM模型应当同时成立。因此，需进一步估计SDM模型。
（三）绿色信贷发展程度与环境质量的SDM模型（模型二）
1. 空间计量模型的检验与选择
根据（一）中的结论，将空间因素纳入绿色信贷对环境质量的影响模型中时，应当选择时空双固定的SDM模型。估计结果如表3所示，其中第二列运用Baltagi（2005）[18]提出的中心化方法直接进行估计，第三列则根据丁志国（2012）[19]进行修正。
表3                       时空固定效应的SDM模型

变量名称

时空固定效应模型

时空固定效应修正模型

时空随机效应模型

W*dep.var

0.661***

0.105***

0.675***

GC

0.104***

0.105***

0.107***

lnp

-0.300***

-0.300***

-0.308***

lny02

0.266***

0.264***

0.262***

lnpgdp

-0.413***

-0.407***

-0.412***

target

-0.008

-0.008

-0.007

fdi

-0.093*

-0.093

-0.089

W*GC

-0.070

-0.075

-0.081

W*lnpeople

0.205***

0.221***

0.218***

W*lny02

-0.024

-0.048

-0.049

W*lnpgdp

-0.034

0.008

-0.008

W*target

0.016

0.016

0.018

W*fdi

0.096

0.101

0.106

teta

    

0.830***

R^2

0.901

0.903

0.767

LogL

5.2748

5.274

-16.270

Wald test spacial lag

21.512***

24.977***

23.728***

Wald test spacial error

26.418***

21.584***

23.254***

LR spacial lag

19.624***

19.624***

21.770***

LR spacial error

23.883***

23.883***

9.241***

Hausman

6.776（0.9133）

注：*、**、***分别表示在 10%、5%、1%水平下显著。括号内为 t 值。
由于Wald统计量和LR统计量均在1%水平上显著，因此SDM模型不可简化为SAR或SEM模型。根据Hausman检验的结果，不能拒绝存在随机效应的原假设，故应当采用随机效应的SDM模型。
2. 空间计量模型结果
根据随机效应的SDM模型的估计结果，空间滞后被解释变量W*ENV的系数为正，且通过了1%的显著性水平检验，证明环境质量存在显著的空间溢出效应，且某个省份环境质量水平的提升会对相邻省份环境质量起到积极的作用。此外，绿色信贷发展程度的系数也为正，且在1%水平上显著，说明绿色信贷的发展对于环境质量起到促进作用。对比模型一与模型二，发现引入空间影响因素后，模型的拟合程度大幅上升，再次证明空间计量模型的合理性。
3. 直接效应与间接效应分析
当存在空间溢出效应时，一个自变量的变化不仅会影响本地区的环境质量水平，还会影响到相邻及邻近地区的环境质量水平，并通过反馈效应作用于本地区，因此表3中的系数并不完全准确。LeSage和Pace（2009）[20]提出应当按照解释变量对被解释变量的影响来源不同，将系数估计值分解为直接效应与间接效应（溢出效应）。分解结果如下表：
表4                        随机效应的SDM模型分解
变量名称
直接效应
间接效应
总效应
GC
0.104**
-0.029
0.074
lnpeople
-0.306***
0.031
-0.274***
lny02
0.299***
0.360**
0.360***
lnpgdp
-0.495***
-0.810***
-1.305***
target
-0.003
0.036
0.032
fdi
-0.078
0.124
0.045
注：*、**、***分别表示在 10%、5%、1%水平下显著。
就主要解释变量绿色信贷而言，其对于环境质量的直接效应为0.104，且在5%水平上显著，这说明绿色信贷的发展对于本地区的环境质量具有显著的正向影响。左振秀（2017）[16]认为，绿色信贷主要通过企业、政府与银行三个利益相关者影响环境质量。从企业的角度来看，修静（2015）[21]通过构建面板门限模型，发现绿色信贷政策有利于促进企业的节能减排，有利于环境的治理。从环保部门的角度来看，梁洋熙（2009）[22]认为环保部门可以借助绿色信贷加强对环境的管理。从银行角度来看，王晓娆（2016）[23]通过分析银行资产质量与环境污染治理之间的关系，发现银行对污染治理的投入越多，银行的不良贷款率就越低，银行的资产质量就越好，从而形成一个良性循环。然而，绿色信贷对于环境质量的间接效应为负且并不显著，可能是因为绿色信贷的投放主要还是针对本地区的项目，同时本地区的企业也更倾向于从本地银行获得贷款，从而没有表现出显著的外溢效应。
就控制变量而言，人口数量（lnp）越多，对资源的消耗量就越多，生产活动对于环境的不利影响就越大，因此对本地的环境质量具有显著的抑制作用。由于人口总量在短时间内相对固定，因而本地人口数量多，相对应的相邻地区相对会少，但是人的活动范围又有一定的地理局限性，因此人口数量的间接效应为负且不显著；低碳技术创新（lny02）对于环境质量的直接效应显著为正，这与理论相一致，同时其间接效应也显著为正，说明低碳技术创新对于环境质量具有溢出效应，即各省低碳技术创新的增加不仅能够改善本地区环境质量，还能够改善相邻省份的环境，从而促进我国整体的环境质量的改善；经济发展（lnpgdp）对本地环境质量的直接效应显著为负，说明经济发展对于能源消耗、污染物排放的作用仍在加强，尚未达到抑制作用的拐点。当前经济的发展仍然以牺牲环境为代价，绿色经济的发展尚显不足。此外，经济发展对于相邻省份的环境质量的间接效应也显著为负，可能是因为不同省份间的经济存在竞争效应，经济增长的压力对于环境产生了“向底线竞争”的行为，从而使得相邻地区环境质量恶化；理论上政府经济增长目标（target）的增加会提高政府牺牲环境以发展经济的可能性，从而降低本地区环境质量水平，相应地邻近地区的环境质量水平就会上升。但是此处政府经济增长目标的直接和间接效应并不显著，即影响不大；外贸依存度（fdi）对于本地区环境质量的影响为负向，对相邻地区的影响为正向，但并不显著。
（四）信贷结构与环境质量的SDM模型（模型三、四）
模型三与模型四沿用模型二中的控制变量，分别探究当前绿色信贷实施情况下和理想化绿色信贷实施情况下信贷结构对于环境质量的影响。根据LR检验、LM检验、Wald检验与Hausman检验，此处仍应选择时空双固定的随机效应的SDM模型，其检验与估计结果如下：

 

表5              信贷结构与环境质量的SDM模型的检验及估计

 

模型三

模型四

空间固定效应LR检验

58.071***

59.444***

时间固定效应LR检验

176.887***

186.506***

Wald test spacial lag

21.590***

20.777***

Wald test spacial error

24.456***

24.636***

LR spacial lag

20.947***

20.066***

LR spacial error

27.919***

27.794***

Hausman

5.321（0.9674）

12.160（0.5145）
 

直接效应

间接效应

直接效应

间接效应

CC（DC）

-0.081**

0.011

-0.078***

-0.022

lnpeople

-0.311***

0.019

-0.325***

-0.003

lny02

0.295***

0.348**

0.295***

0.364

lnpgdp

-0.510***

-0.778***

-0.501***

-0.750

target

-0.005

0.036

-0.008

0.027

fdi

-0.067

0.147

-0.067

0.128

注：*、**、***分别表示在 10%、5%、1%水平下显著。括号内为 t 值。

分析表5可知，无论在当前信贷结构，还是去除了两高企业的理想信贷结构，信贷规模对于环境质量的影响都显著为负。这与左振秀（2017）[16]得出的银行信贷的增加会导致环境污染加重的结论是一致的。但是在当前信贷结构下，虽然绿色信贷余额数逐年递增，银行为“两高”行业提供的贷款却未显著降低，说明当前工业信贷总额仍然由绿色企业、“两高企业”和其他企业共同组成，其对于环境质量的直接效应系数为-0.081。而在理想信贷结构下，工业信贷总额可视作仅由非“两高”企业组成，其对于环境质量的直接效应系数为-0.078。将二者结合来看，发现当前信贷结构向无“两高”企业信贷结构的转变过程中，信贷总额对于环境质量的负向作用会有所减弱。这从侧面证明了绿色信贷政策对于环境质量的正向作用；同时也反映出我国当前绿色金融对环境质量的作用偏低，即使在信贷结构优化到相对理想的情况下，对于环境质量的正向影响也很小，更不足以使得银行信贷对于环境质量的影响转负为正，即绿色信贷能够在一定程度上减缓环境恶化，但并不能使得环境质量得到完全优化。
 
五、结论与建议
首先对绿色信贷和环境质量进行空间自相关检验。根据我国各省2004-2016年的绿色信贷发展程度与绿色治理情况的面板数据，分别测算绿色信贷与环境质量的Moran’s I值与局部Moran指数，探究变量是否具有空间相关特征。接着构建空间杜宾模型。以绿色信贷发展为主要解释变量，以人口数量、技术创新、经济发展、政府经济目标和外贸依存度为控制变量，扩展STIRPAT模型，以检验绿色信贷发展对于环境质量的作用。最后分别探究信贷总额与绿色信贷对于环境质量的影响。得到如下几点结论：一是信贷总额对于环境质量的影响是负向的，而绿色信贷的发展对于环境质量的影响是正向的，但是绿色信贷对环境治理的正向影响有限，尚不足以使得银行信贷对于环境治理的作用转负为正。二是“两高”企业信贷比例仍然较高，实施绿色信贷政策能够调整银行信贷结构，从而缓解银行信贷对于环境质量的负向作用。三是绿色信贷政策主要影响的是本地区，还不存在空间溢出效应，区域间的协同合作尚显不足；而环境质量存在显著的空间溢出效应，某个省份环境质量水平的提升能够对相邻省份的环境质量起到积极的作用。四是低碳技术创新不仅能够改善本地区环境质量，还能够改善相邻省份的环境，从而促进我国整体的环境质量的改善。
根据以上结论，我国应进一步建立和完善绿色信贷政策。从区域异质性出发，“对症下药”，针对不同的地区实施相应的绿色信贷政策。加强区域间绿色产业的交流互动，促进绿色金融的协调发展，实现互利共赢。同时进一步推动绿色金融市场化建设，加强构建绿色金融体系，不断完善绿色信贷银行、绿色资本市场、绿色保险机构、绿色金融衍生品市场等绿色金融基础设施，搭建服务于绿色金融与绿色治理的相关交易市场与交易平台。加强绿色信贷政策相关政府部门的监督管理作用，及时制定一系列相关政策来制衡信贷市场，确保任何融资方式都要接受严格监管，任何融资渠道都要承担环境责任，严防部分企业为实现自身利益最大化而“钻制度的空子”。强化绿色信贷支持绿色创新的政策体系，不断完善相关的平台建设与协调机制，使得产业管理部门、环境保护部门、金融监管部门间信息互通，同时加强政府部门与金融机构、科研院所、企业间的交流合作，从而共同推动绿色创新，进而优化环境质量效果。

 

 

参考文献

[1]刘莎,刘明.绿色金融、经济增长与环境变化——西北地区环境指数实现“巴黎承诺”有无可能?[J/OL].当代经济科学:1-15[2019-10-20]

[2]Grossman G M, Krueger A B. Economic Growth and the Environment[J]. Nber Working Papers, 1995, 110(2):353-377.

[3]Sadorsky P. The impact of financial development on energy consumption in emerging economies[J]. Energy Policy, 2010, 38(5):2528-2535.

[4]Al-Mulali, U., Solarin, S.A. and Ozturk, I. (2016) Investigating the Presence of the Environmental Kuznets Curve (EKC) Hypothesis in Kenya: An Autoregressive Distributed Lag (ARDL) Approach. Natural Hazards, 80, 1729-1747.

[5]Zhang B, Yang Y, Bi J. Tracking the implementation of green credit policy in China: top-down perspective and bottom-up reform.[J]. Journal of Environmental Management, 2011, 92(4):1321-1327.

[6]Shahbaz M , Lean H H . Does financial development increase energy consumption? The role of industrialization and urbanization in Tunisia[J]. Energy Policy, 2012, 40(none):473-479.

[7]Gantman E R, Dabós M P. The Fading Link? A New Empirical Analysis of the Relationship Between Financial Development and Economic Growth[J]. Oxford Development Studies, 2012, 40(4):517-532.

[8]Lee J M, Chen K H, Cho C H. THE RELATIONSHIP BETWEEN CO2 EMISSIONS AND FINANCIAL DEVELOPMENT[J]. Singapore Economic Review, 2015, 60(05):1550117.

[9]Anis Omri, Saida Daly, Christophe Rault, Anissa Chaibi. Financial development, environmental quality, trade and economic growth: What causes what in MENA countries[J]. Energy Economics, 2015, 48:242-252.

[10] Jose Salazar. Environmental Finance:Linking Two World. Financial Innovations for Biodiversity Bratislava . 1998

[11]Goodchild, Michael F. Geographical data modeling[J]. Computers & Geosciences, 1992, 18(4):401-408.

[12]Ehrlich P R, Holdren J P. Impact of population growth.[J]. Science, 1971, 171(3977):1212-1217.

[13]Dietz, T., Rosa, E.A., 1994. Rethinking the environmental impacts of population, affluence and technology. Hum. Ecol. Rev. 1 (2), 277e300

[14]Kirby D K, Lesage J P. Changes in commuting to work times over the 1990 to 2000 period[J]. Regional Science & Urban Economics, 2009, 39(4):460-471.

[15]朱广印, 王晓宁, 李燕茹. 商业银行推行绿色信贷内在动力的实证分析[J]. 财会月刊：综合版, 2017(6):68-73.

[16]左振秀. 基于资源环境影响分析的绿色信贷实施障碍研究[D].大连理工大学,2017.

[17]徐现祥, 梁剑雄. 经济增长目标的策略性调整[J]. 经济研究, 2014(1):27-40.

[18]Baltagi B H. A Hausman Test Based on the Difference between Fixed Effects Two-Stage Least Squares and Error Components Two-Stage Least Squares[J]. Econometric Theory, 2005, 21(2):483-484.

[19]丁志国, 赵宣凯, 苏治. 中国经济增长的核心动力——基于资源配置效率的产业升级方向与路径选择[J]. 中国工业经济, 2012(9):18-30.

[20]Pace R K, Lesage J P. A sampling approach to estimate the log determinant used in spatial likelihood problems[J]. Journal of Geographical Systems, 2009, 11(3):209-225.

[21]修静, 刘海英, 臧晓强. 绿色信贷、节能减排下的工业增长及预测研究[J]. 当代经济科学, 2015, 37(3):55-62.

[22]梁洋熙. 绿色信贷法律制度的研究[D].重庆大学,2009.

[23]王晓娆. 环境质量投入与银行资产质量——基于绿色信贷视角的分析[J]. 金融论坛, 2016(11):12-19.

 

 

Can Green Credit Improve Environmental Quality?
——An Empirical Study Based on Spatial Durbin Model
Wu Jiahui , Wang Lu and Qu Jiahui
(School of Finance and Economics, Jiangsu University)

Summary:

Green development requires the coordination of economy and environment. This paper selects panel data of 30 provinces in China from 2004 to 2016, and uses spatial Doberman model to test the direct and indirect impact of green credit development on environmental quality and the impact of credit structure adjustment on environmental quality under the effect of green credit policy. The results show that: the total amount of credit has a negative effect on environmental quality, but the green credit has a positive effect on environmental quality; the proportion of "two high" enterprises' credit is still high, and the implementation of green credit policy can adjust the credit structure of banks, so as to alleviate the negative effect of bank credit on environmental quality; the main impact of green credit policy is the local area, space overflow The effect is not significant, the cooperation among regions is not enough; there is a significant spatial spillover effect in environmental quality, and the improvement of environmental quality level in a province can play a positive role in the environmental quality of neighboring provinces. 

 

 

 

 

原创声明

如需转载、引用本篇论文观点，请事先与论文作者联系并征得同意。

 

025-58182776