普惠金融发展可以减少中国碳排放吗——基于LMDI分解法的时间序列分析
第5期(总第450期) 2021年5月
Number5(General Serial No.450)
May,2021财经问题研究
Research on Financial and Economic Issues
普惠金融发展可以减少中国碳排放吗?
全本电子书—
—基于LMDI分解法的时间序列分析
陈啸1，薛英岚2
(1.山西财经大学金融学院，山西太原030006；  2.中国科学院科技战略咨询研究院，北京100190)
摘要：普惠金融可以通过改变区域经济行为进而深刻影响社会经济发展中能源活动所产生的碳排放。本文将普惠金融变量引入碳排放影响因素中，选取代表普惠金融发展程度的指标，基于对数平均迪氏指数(LMDI)分解法，对1996—2018年间中国普惠金融对碳排放的影响进行驱动因素分解，量化普惠金融对碳
减排的贡献。结果显示，1996—2018年中国金融普惠程度大幅提升，以东南沿海的普惠程度最高。以煤为主的能源结构效应是中国碳排放增长的主要因素，普惠金融效应在1996—2001年间表现为负向影响，且贡献较低；2002年后对中国碳排放具有促进作用，但随着普惠金融规模的增加，其引起碳排放增加的趋势放缓。空间差异方面，2000年之前，普惠金融效应在全国绝大部分省份均呈现负向效应，2001—2005年转为正向效应，2006年之后，普惠金融效应对碳排放增长贡献的省际差异逐步增大，随着中国经济发展进入新常态，东部发达省份的普惠金融效应对碳排放增长的贡献与西部地区相比较低。基于各省驱动因素的聚类分析，将各省份分为六类，根据不同区域的普惠金融贡献和产业发展特征，针对碳减排向每类省份提出了具有区域代表性的普惠金融发展政策建议。
关键词：普惠金融；碳排放；LMDI分解法；聚类分析
中图分类号：F830.6文献标识码：A文章编号：1000-176X(2021)05-0059_08
一、问题的提出
能源消费和经济发展是影响碳排放的核心因素，而金融是国家经济产业发展的重要保障和有效调控手段，因此，国家金融政策的制定，也将对能源消费和碳排放产生重大影响。普惠金融(Inclusive Finance,IF)是中国在经济发展新常态背景下提出的重要金融政策之一。根据世界银行扶贫协商小组(CGAP)的定义，普惠金融指每一位劳动人口都可以从正规金融服务机构有效获取可靠的信贷、储蓄、
考试评语家长怎么写支付和保险等相关金融服务的一种状态。越来越多的研究表明，普惠金融可以通过改变个体经济行为和宏观经济表现从而影响社会经济发展中能源消耗所产生的碳排放。一方面，普惠金融可以有
收稿日期：2021-02-26
基金项目：国家社会科学基金一般项目“稳金融战略下预期引导平抑金融市场波动的机理分析、效应评估与策略优化研究”
(20BJY258)；山西省软科学一般项目“山西省普惠金融监测评价体系研究”(2018041058-6)作者简介：陈啸(1981-)，女，山西浑源人，副教授，博士，主要从事普惠金融与绿金融研究。E-mail：cocoflash2000@ 163
薛英岚(1990-)，男，辽宁铁岭人，博士，主要从事环境管理与绿金融研究。E-mail：xueyinglan@mail.bnu.edu
60财经问题研究2021年第5期总第450期
效促进个人和中小企业获得金融服务，从而扩大经济产业发展规模，在一定程度上将提高碳排放量；另一方面，随着互联网移动支付的普及，普惠金融可以有效提高金融服务效率，进而间接提高能源的配置效率，从能源利用角度抑制碳排放。因此，量化普惠金融对碳减排的贡献，对于中国未来制定更
有针对性的碳减排与普惠金融政策，具有重要的研究意义。
学界主要从以下三个方面研究金融对碳排放的影响：
（一）普惠金融是否具有影响碳排放的能力
由温室效应导致的全球气候变暖逐渐引起广泛关注，而以二氧化碳（CO2）为主的温室气体的持续排放是造成温室效应的最重要因素之一。随着城市化进程加剧和工业快速发展，中国碳排放量逐年快速上升。根据国际能源署（IEA）的统计数据，2007年中国已成为世界上碳排放量最多的国家［1］。为应对巨大的减排压力，中国提出到2020年碳排放强度比2005年下降40%—45%的减排目标，并明确2030年到达碳排放峰值［2］。针对金融行业对碳排放影响和贡献的研究，国内外学者主要从宏观的制度框架构建和微观的碳普惠影响角度，分析不同金融政策和金融机制对碳排放的影响和减排的贡献。宏观上，碳金融作为绿金融的重要组成部分，一直保持快速发展，大量资本和金融力量获得广泛介入，一方面推动碳金融市场快速发展，另一方面也带来了相关新技术的开发与应用［3］，对碳减排和全球气候变化均产生了积极作用。从碳减排角度，碳金融首先基于一定的减排目标对初始排放额度进行分配，然后通过市场机制优化产业结构，再通过碳排放量框定行业、企业的生产总量，并间接促进清洁生产等碳减排技术的发展。目前，国内外对于碳金融的研究主要着眼于定价、交易机制以及碳交易与减排关系等方面。Demailly和Quirion⑷、Sartor⑸与张新华等［6］分别研究了钢铁行业、
有金属行业和电力供应业的碳交易价格及影响因素，发现碳交易体系、行业竞争力和碳捕获技术等均会造成碳交易的价格波动，进而影响行业生产决策。Maradan和Vassiliev［7］通过计算不同国家的碳影子价格，提出碳价与区域的社会经济发展水平密切相关，发展中国家碳减排成本高于发达国家。交易机制方面，根据交易项目可分为以项目为基础和以碳排放配额为基础的两类，在世界范围内，欧盟碳排放交易体系（EUETS）被视为制度设计领先的碳排放交易机制。Alexeeva和Anger⑻指出，有效链接碳排放交易体系和清洁发展机制（CDM）有助于缓解强制减排企业的负担。Betz等［9］通过对碳排放交易进行成本一收益分析，指出可变部分偿付可降低减排的社会成本，这正是碳金融框架设计的初衷。在碳交易与减排关系上，对于碳交易体系的减排能力方面，以欧盟碳交易体系为例，Wagner 等［10］的测算结果显示，EUETS在未降低就业率和贸易额的前提下，降低了减排企业1/5的碳排放；而基于面板数据核算环境绩效结果显示，EUETS未促进碳减排，仅略降低碳强度［11］o （二）如何评价普惠金融对碳排放的影响程度
国内外学者对碳排放与经济增长关系的研究方兴未艾，因素分解方法得到了广泛应用。常用的因素分解方法主要包括结构分解方法和指数分解方法等。其中，结构分解方法通过利用投入产出表对数据进行分解分析，而由于中国投入产出表非连续年统计，且相应研究数据存在滞后现象，使其使用受到较大约束。指数分解方法适合分解包含时间序列数据的部门能源碳排放量数据，得到了更为广泛的使用。指数分解法包括Divisia指数分解方法和Laspeyres指数分解方法等，其优势在于对原始数据要求
不高，便于对变量进行时间与空间变化分析［12］。Ang［13］等对Divisia指数分解方法进行改进，提出对数平均迪氏指数（LMDI）分解法，该方法可以有效解决传统因素分解方法所存在的残差问题，并可以兼顾分解数量指标和强度指标两种体系，因此，适用于分析经济环境问题和资源利用问题。在全球气候变暖背景和碳减排压力下，国内外学者对碳排放影响因素的具体贡献进行了广泛研究，包括能源消费、产业结构与城镇化进程等方面，但相比于以上因素，从普惠金融视角研究区域整体金融发展水平对碳排放的影响和贡献，尚缺乏相关的定量研究。相关研究证明，推进普惠金融发展有助于提高能源利用率从而降低碳排放［2］。在当前区域协调节能减排新形势下，通过因素分解厘清普惠金融对区域碳排放水平的影响程度，有助于普惠金融体系的可持续发展。
（三）如何提出更有针对性的碳减排导向的普惠金融发展政策
对于碳减排导向的普惠金融发展政策方面，当前研究主要基于碳普惠。碳普惠在某种意义上属于
普惠金融发展可以减少中国碳排放吗？——基于LMDI 分解法的时间序列分析61
普惠金融在碳减排方向的分支，即鼓励个人和小微企业的低碳行为，让更多个人和单位在低碳的生
活、消费和生产模式中获益。2015年，广东省率先发布《广东省碳普惠制试点工作实施方案》（粤发
好听女名改气候［2015］ 048号）和《广东省碳普惠制试点建设指南》，成为全球第一个将公众低碳行为系统
量化并通过金融、政策激励进行推广的区域［14］。郭洪旭等［15］与黎炜驰等［16］分别对碳普惠制下的居民
通勤出行碳减排量进行了核算，表明公共交通工具出行的碳减排效果明显，其中广州市公交车系统年 减排量达92万吨（2015年数据，均值法）。这些低碳行为将被记录在碳普惠平台，自动折算为碳币 发放给用户（如公交出行1次可获得1.35个碳币）；碳普惠平台鼓励其用优惠与服务获得碳币，从
而履行社会成员碳减排的必要责任。在宏观政策方面，实施碳减排政策时，考虑到不同地区长期发展 的差异与碳减排压力，需要制定标准不同的减排措施。
通过以上金融对碳排放影响和贡献相关研究的梳理可以看出， 国内外研究主要集中于碳金融的碳
排放定价、 交易以及碳普惠机制下的个体低碳行为。 而普惠金融作为现代金融的重要组成部分， 从普
惠金融视角研究区域整体金融发展水平对碳排放的影响和贡献，尚缺乏相关的定量研究。因此，本文
主要贡献在于：第一，本文将普惠金融变量引入碳排放影响因素中，选取代表普惠金融发展程度的指 标，评估普惠金融在全国各省份的分布程度。第二，基于对数平均迪氏指数（LMDI ）分解法，对中
冬天空调开多少度合适
国各省份普惠金融对碳排放的影响和贡献进行时间序列分析。 第三， 根据聚类分析结果， 提出面向碳
减排的具有区域代表性的普惠金融发展政策建议。
二、研究设计与研究方法
（ 一） 碳排放核算
联合国政府间气候变化专门委员会（IPCC ）编制的《国家温室气体排放清单指南》指出，CO 2
端午节简短祝福语排放主要来源于人类活动所消耗各类化石能源，其具体估算如式（1）所示：
CO 2 = ZCO 2,1 = Z  ［E t  - CF t  - （1-S t ） - CC t  - COF t  - 44/12］
（1）
其中,CO 2为碳排放总量；t 为能源类别；E t 为第t 种能源的消费量，数据来源于历年《中国能源 统计年鉴》中各省份的能源平衡表和各行业终端能源消费量表；CF t 为第t 种能源的平均低位发热
量；S t 为第t 种能源中非燃烧使用而作为原材料所消费的比重，不在本文考虑范围之内，故S t 取0；
CC t 为第t 种能源单位产热的碳排放量（即碳排放系数）；COF t 为第t 种能源相对的氧化因子；44/12
为将碳原子对换为CO 2的转换系数。低位发热值（CFJ 取值源于《中国能源统计年鉴》，碳排放系
数（CC t ）根据Eggleston 等［17］的研究确定，碳氧化率（COF t ）根据Wang 等［18］的研究确定。
（二）基于LMDI 方法的驱动因素分解
本文的碳排放影响因素基于IPAT 恒等式扩展得出，IPAT 恒等式的典型模式由美国学者Ehrlich  和Holdren ［19］提出，如式（2）所示：
P
"T ’P •罟•由
（2）
其中，I 为环境指标，如碳排放量等；P 为人口； A 为富裕程度，一般以人均GDP 表示；T 为技
术指标，即单位GDP 产生的环境指标（通常为强度指标），公式为T  = I/GDP 。IPAT 恒等式主要用于 测度人为因素对环境指标的影响程度，Kaya 提出的Kaya 恒等式即是此等式的著名应用［20］。
本文将普惠金融指标引入IPAT 恒等式，并根据研究目的对其进行扩展。根据普惠金融的内涵, 其衡量指标应有效体现区域金融服务的可获取性，本文将每平方千米金融服务网点数、每万人金融服
务网点数和单位国民生产总值金融服务网点数作为体现普惠金融水平的指标，并对IPAT 恒等式加以 扩展， 如式 （3） 所示：
(3)
「 「 「 「C .. | E.. . , G.. G. F. C .    E. P. L.    F.
玩=移（移C,.nd +C .,Q  =移（移兰•晋.甘.瓦.应.耳+严•甘•匸d^.p .）
ij , I n d
ij
i  i  i  i , res . ...
=移移CI .j,i ”d  • EI .j  • S .j  飞二• FIP . • P . +移CI i,re 「IR . • PD . • F ^ • FIP . • P 其中，TC 为各区域的碳排放总和；i 、j 分别为省份和行业；碳排放量TC 被分为工业碳排放和居
民生活碳排放两部分，ind 和res 分别为工业生产和居民生活；和CI.,””分别为i 省份j 行业和i
62财经问题研究2021年第5期总第450期
省份居民生活的综合CO2排放系数（工业生产和居民生活碳密度），表征能源消费结构，其中，CI；j= C ij,ind/E ij,ind,CI i,””=C i,””/E i,””；EI ij=E“/G ij，为i省份j行业的单位增加值能耗（能源强度），表征工业生产能源利用效率；Sg=Gij/G，为i省份j行业增加值的GDP占比，表征产业结构的发展状况; FIG=F/G i，为i省份的亿元GDP金融服务网点数，表征普惠金融发展水平；町匕=卩/匕，为i省份每万人金融服务网点数，表征普惠金融发展水平；P；为i省份人口；IR i=E、””/P i，为i省份人均生活能耗，表征居民生活能源利用效率；PD i=P/L i，为i省份的人口密度；町匚=卩/匚，为i省份每万平方千米金融服务网点数，表征普惠金融发展水平。本文采用加法形式的LMDI分解法，基于式（3）将影响碳排放变动的因素分解为若干驱动因素，如式（4）所示：
ATC i=TC T j-TC0j=ACL+AEL+AS i+AFL+AP i（4）其中，下标0、T分别为基准期和分析期，i为省份；ACI i为基准期到分析期的碳密度变化量，代表能源结构效应；AEI i对应基准期到分析期（EI i+IRJ的变化，代表能源强度效应；AS］为基准期到分析期S i的变化，代表产业结构效应；AFI；对应
基准期到分析期（FIG+FIP i+FILJ的变化，代表普惠金融效应；驻匕对应基准期到分析期人口规模（代表人口规模效应）的变化。将碳排放的影响因素分为能源结构效应（ACI）、能源强度效应（AEI）、产业结构效应（AS）、普惠金融效应（AFI）和人口规模效应（AP），各影响因素分别如式（5）所示：
'ACI=移［L（棕」，丁，棕j,0）ln（CI j,i…d,T/CI j,i…d,0）］+L（鬃「，鬃0）ln（dz/d””,。）
j
AEI=移［L（棕j,T，棕j,o）ln（EI j,T/EI j,0）］+L（鬃”「，鬃（））ln（IR T/IR0）
牛仔裤搭配"AS二移L（棕j,”「，棕j,（））ln（S j,T/S j,0）（5）AFI=L（棕「，棕0）［ln（FIG「/FIG°）+ln（FIP.r/FIP0）］+L（鬃「「，鬃（））［ln（FIP T/FIP0）+ln（FIL「/FIL°）］AP=L（棕”「，棕0）ln（P T/P0）
根据LMDI分解的加法形式，W j=CI j,；nd-EI j-S j-F j G-FIP-P，鬃=口“”・欣卫直・町卩.
（x-y）/（lnx-ln y）,x屹y
P,L（x,y）=。
x，x=y
对于金融服务机构覆盖程度，根据数据收集情况，以1996—2018年为研究期，从普惠金融发展水平视角基于式（4）和式（5）对中国各省份的碳排放变化进行驱动因素分解。其中，各省份逐年的产业增加值、国民生产总值、国土面积、人口数据来源于各省份相应的1997—2019年统计年鉴，各省份的能源消耗数据来源于相应年份的《中国能源统计年鉴》；各省金融服务网点数来源于中国银行业监督管理委员会网站。
（三）基于驱动因素的k-均值聚类分析
为提出碳减排导向的普惠金融发展政策，根据对各省份碳排放驱动因素的分解结果，以能源结构、能源强度、产业结构、普惠金融和人口规模5个驱动因素及各省份的碳排放增量为聚类要素，对各省份进行k-均值聚类分析。k-均值聚类算法首先从n个数据对象（各省份）中随机选取k个对象作为初始聚类中心点，然后计算其他对象与所选k个中心点的相似度（距离）分别分配给其最相近的类别［21］，相似度计算方法如式（6）所示：
d（X i,Z k（I））=min{d（x；,Z」（I））}（6）其中，Z j（I）为选取的k个省份作为初始聚类中心，j=1,2,…，k,I为迭代计算次数，初始值为1；d（x;,Z k（I））为每个省份到k个聚类中心的距离。如果满足式（6），则x；属于第j类。将每个省份与初始聚类中心的距离计算完毕后，得到误差平方和准则
函数J c（I）=移移x-Z j（I）令I=I+
j=1xek J
1，对重新选取的k个新聚类中心核算其距离d（x i,Z k（I））、误差平方和准则函数J c（I），直到J c（I）-J c（I-1）<10-6，则聚类算法结束，得到每个省份所属的最相近类别。根据每类省份的普惠金融等驱动因素的贡献和碳排放特征，结合区域实际产业和社会发展情况，对每类省份提出碳减排背景下普惠金融发展的政策建议。
普惠金融发展可以减少中国碳排放吗？—
—基于LMDI分解法的时间序列分析63
三、分析与讨论
（一）金融服务机构覆盖程度
表1展示了中国各省份1996—2018年金融服务机构数量的变化。从表1可以看出，经过二十余年的发展，到2018年中国金融服务机构个数增大至1996年的1.76倍，整体金融普惠度大幅度提高。省际间横向对比显示，以四川、浙江、广东、山东和江苏五省金融服务机构个数提高最为显著，金融机构的分
布情况由最初的全国相对均衡发展逐渐转变为金融机构集聚于经济较为发达的东部地区（占全国的60%以上）。
表1各省份金融服务机构数量
省份1996年2005年2010年2018年省份1996年2005年2010年2018年北京1049335135534457河南9617127831162912490天津1121242225763024湖北7128795168407597河北638910720992211282湖南5360989188959576山西3645664254776375广东10052153391519516691内蒙古4008566046245117广西4338550354146119辽宁4617841884579348海南1449131012491478吉林3056543048545087重庆2225532542085545黑龙江4614606360276515四川6052136561255913908上海1235252033164082贵州2165413140135042江苏7605119271146213079云南3451417051285511浙江5015100091065612667陕西3730674863756954安徽4822571573428140甘肃3000472042444751福建3325565453756281青海76510069631118江西5019647258916891宁夏807110710951277山东8353149781347314824新疆3267345232983668
表2进一步展示了2018年各省份金融服务机构的具体数值。从表2可以看出，金融服务普惠性细分后，金融服务机构个数应与人口和国土面积正相关，因此，单位人口、单位国土面积的机构个数在一定程度反映了金融普惠程度，北京、上海、天津、江苏等城镇化较高的地区，金融普惠程度较高。此外，
金融业作为经济发展的有效助推和保障，金融普惠程度应与单位GDP呈负相关的关系，从单位GDP金融服务机构个数的分布也进一步验证了东部地区金融普惠度较高的结论。
表22018年各省份金融服务机构密度
省份
万人金融
服务网点数
亿元GDP金融
服务网点数
万平方千米金融
服务网点数
省份
万人金融
服务网点数
亿元GDP金融
服务网点数
万平方千米金融
服务网点数
北京  2.050.172653.21河南  1.310.31747.90天津  1.940.172676.46湖北  1.290.23408.67河北  1.510.35601.05湖南  1.400.30452.11山西  1.730.49407.84广东  1.520.21927.30内蒙古  2.030.2843.25广西  1.260.33259.29辽宁  2.140.42640.74海南  1.610.36434.82吉林  1.860.34271.45重庆  1.820.31673.75黑龙江  1.710.42137.73四川  1.680.42288.90上海  1.690.146479.68贵州  1.420.43286.45江苏  1.640.171274.72云南  1.160.37143.79浙江  2.270.271241.82陕西  1.820.36338.22安徽  1.310.33582.68甘肃  1.820.66104.56福建  1.620.22517.81青海  1.890.4315.48江西  1.500.37412.63宁夏  1.890.40192.32山东  1.490.22963.86新疆  1.530.3822.09

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。