一、引 言
为实现降碳、减污这两大战略目标，一种创新型的金融工具--绿色金融应运而生，并得到了广泛的关注。早在2016年，中国人民银行联合七部委出台了《关于构建绿色金融体系的指导意见》，文件勾勒出了绿色金融体系未来建设的基本框架，指出构建绿色金融体系具有重要的意义，要全面推动绿色金融的发展，发挥其优化资本市场资源配置、服务实体经济的功能；在2018年，央行公布我国当年发行绿色债券就超过了2800亿元；2019年，七部委联合制定了《绿色产业指导目录（2019年版）》，在文件里逐条详细地写明了绿色产业发展需要的相关要求。
通过阅读相关文献发现，学者们关于绿色金融能够分别有效抑制碳排放和大气污染已经有了较明确的看法，但对于绿色金融对二者的协同效应研究很少。一般认为减少碳排放量和控制大气环境污染的协同关系，一般是指对一种排放物的控制从而影响到了另外一种排放物的排放量。郑逸璇等学者认为居民日常活动、工业生产、交通运输都会产生碳排放和各种大气污染物，因此大气环境污染与温室气体排放有着高度重合的源头和特征。因此研究关于绿色金融对碳排放和大气污染的协同关系就十分必要。
二、理论机制
首先是产业结构优化的作用机制。在全社会对环境保护逐渐重视的背景下，环境保护产业快速发展同时也处于发展的初级阶段，对资金的需求大，而绿色金融能够很好的弥补环保产业的资金需求为其提供资金，实现金融市场上的资源有效配置，使环保产业可以有充足资本投入科学技术研究、加大对产业的投资，反过来进一步改善生态环境；此外，金融机构通过绿色信贷、绿色基金、绿色信托等金融工具，发挥自身专长和专业化的运作，引导市场资金进入环保产业，提供融资便利；通过绿色债券、绿色IPO等手段，可以有效降低绿色产业的融资成本；而绿色保险通过将环境风险以保费的形式显性化，提高双高项目的融资成本，抑制污染性投资。
其次，是能源消费结构改善的作用机制。能源消费结构的优化体现在绿色金融促进了清洁能源的开发投资，实现了由传统的化石能源向新兴的非化石能源的转变。绿色金融对清洁能源产业有着正向的促进作用。通过发布绿色金融政策加以引导扶持，利用绿色信贷、绿色债券等工具加大投资力度，促进非化石能源快速发展，在市场上的比重逐渐增加，从而达到了即减少碳排放也改善了大气污染的目的。
最后，是绿色技术创新的作用机制。绿色金融通过发挥资本市场对资源的高效配置作用从而影响绿色技术的创新，将资金聚集到那些富有前景的技术创新项目上去，通过风险控制的功能影响技术创新的效率；再者，绿色金融与企业的绿色创新能力向结合，将企业绿色技术创新能力纳入到绿色信贷的审核和评价体系中，实现企业绿色技术创新的筛选和监督作用；此外，有学者发现绿色金融政策可以通过促进高污染企业对绿色创新发明专利和绿色实用类专利的申请，来实现本企业节能减排的目的。
图1 绿色金融降碳减污的机制
可以看到，绿色金融实现减少大气污染、降低碳排放的协同机制可以总结为如下两点：
一是绿色金融的实现减污和降碳的路径机制基本一致，首先是产业机构的优化，绿色金融从资金供给倒逼高耗能、高污染的传统企业转型，完成产业结构升级，即降低碳排放也减少污染；其次是能源消费结构的改善，从传统对化石能源的严重依赖，转向风能、光伏、潮汐能等新能源，提高新能源的占比，从源头上实现零碳排放，减少环境污染行为；最后，通过资本市场对资源的有效配置作用，将资源输送向那些开展绿色技术创新的项目中，推动绿色创新技术的应用和产业化，提高能源使用效率。
二是碳排放和大气污染排放有着高度同根、同源的特征。传统化石能源的燃烧产物会产生二氧化碳等一系列温室气体，同时在燃烧的过程中不可避免的会产生粉尘颗粒物；而高耗能、高排放的企业在生产过程中也会排放大量氮氧、碳氧类化合物。我国的主要消费能源依旧是由煤炭为主的化石能源，所以就造成了在碳排放的同时也伴随着大气污染的排放。因此，如果能够有效降低碳排放那么有就可以影响导大气污染的排放，反之治理大气污染也对碳排放有着协同效应。
三、实证分析
(一) 模型设计
目前，STIRPAT模型被广泛运用于人类生产活动对自然环境影响的研究中，本文则利用该模型研究绿色金融对碳排放、自然环境的影响，其模型具体表达式为:
(1)
在式(1)中，I、P、A、T 分别为环境压力、人口因素、财富因素、技术因素，a、u分别为模型系数和误差项。该模型可以很好的衡量各个环境影响因素对环境压力的非线性影响。在本文的实证环节中，对式(1)两边同时取对数，得到:
(2)
因此，本文实证所采用的面板STIRPAT模型就为:
(3)
本文采取中介效应模型，依次通过有“由污至碳”和“由碳至污”两部来证实绿色金融的减污降碳协同效应。
第一步，“由污至碳”的构建步骤。“由污至碳”指的是在绿色金融可以对碳排放产生显著的抑制作用下，将环境污染作为中介变量加以分析。如果绿色金融能够显著的改善环境污染，且同时降低碳排放，那么就证明了绿色金融“由污至碳”的协同效应。
第二步，“由碳至污”的构建步骤。“由碳至污”与上一步类似，指的是在绿色金融可以对环境污染产生显著的抑制作用下，将碳排放作为中介变量加以分析。如果绿色金融能够显著的降低碳排放，且同时改善了环境，那么就证明了绿色金融“由碳至污”的协同效应。
(二) 变量设计
数据范围是2010到2019年间全国30个省、市、自治区，不包括港澳台以及西藏；数据分别来源于中国统计年鉴、国家统计局、和wind数据库。
表1 变量说明
其中，被解释变量分别是碳排放(co2)，环境污染(pm2.5)；解释变量是绿色金融发展指数(gf)；控制变量依次是产业结构(sec),城镇化水平(ur),能源消费结构比(es)，技术创新水平(rd)，金融发展水平(fg).
关于绿色金融发展指数的指标体系国内外相关学者有着大量的研究成果，但并没有一致的结论。所以本文参考相关学者的研究成果，选取了绿色信贷、绿色证券、绿色保险以及绿色投资这四个方面构建整个体系。绿色金融具体的指标体系如下图所示:表2 绿色金融发展指标体系
(三) 描述性统计
表3 描述性统计
绿色金融发展指数(gf)均值在0.174，标准差为0.093，最大值和最小值分别为0.32和0.055，可以看出各个地区的绿色金融发展指数差异很大，部分地区绿色金融的发展还是相对落后；碳排放(co2)均值为12.53，标准差为0.765，而环境污染(pm2.5)均值在3.615，标准差在0.384.
(四) 协同效应检验
本文采取自助法(Bootstrap)法，经过300次采样抽取，检验“由污至碳”和“由碳至污”是否成立。如果置信区间内不包含零，则说明中介效应成立。
表4“由污至碳”的中介机制检验
bs1为间接效应，bs2为直接效应，BCA为构造置信区间所采用的模型，括号内是t值，***代表p<0.01, ** 代表p<0.05, *代表p<0.1下同
表5“由碳至污”的中介机制检验
从表4中可以看到，“由污至碳”将环境污染(pm2.5)作为中介变量，95%下的置信区间不包含零，说明中介效应成立；此外，中介效应为-0.080，直接效应为-1.436，所以总效应就应该为-1.516,中介效应占比为5.27%(-0.080/-1.516)。
从表5中可以看到，“由碳至污”将环境污染(co2)作为中介变量，95%下的置信区间不包含零，说明中介效应成立；此外，中介效应为-0.073，直接效应为-0.161，所以总效应就应该为-0.234,中介效应占比为31.19%(-0.073/-0.234)。
四、结论与建议
(一) 结论
本文先是对绿色金融实现降碳减污的机制加以分析，补充了“降碳减污”协同实现的原理；其次通过熵值法对2010-2019年的绿色金融指标加以测度，分析其近些年的发展趋势，再是通过面板数据对绿色金融和碳排放量、大气污染加以回归，最后采用自助法检验中介传导机制，得到了如下结论:
二是利用实证手段证实了绿色金融的减污降碳协同效应。首先采用了STIRPAT模型，将人口、财富、技术纳入到了影响环境压力的面板模型中，将绿色金融作为自变量，将pm2.5和碳排放量作为中介变量，以自助法验证“由污至碳”和“由碳至污”。其中“由污至碳”中介效应存在，中介效应占比为5.27%；“由碳至污”中介过程同样成立，中介效应占比为31.19%。进一步证实了绿色金融的减污降碳的协同效应。
(二) 政策建议
经前文分析可知，绿色金融能够实现降低碳排放和减少环境污染双重目标，但是我国绿色金融发展还处于起步阶段，本文提出如下几点建议:
1、推动产业升级和绿色技术创新
实现经济高质量发展必然离不开绿色金融，而绿色金融通过产业结构升级和绿色技术创新实现降碳减排的作用。首先，要落实政策要求，将资金引导向新能源相关产业，对风电、光伏、水电等行业提供资金便利，迫使双高企业转向低能耗、低污染的生产模式；其次，企业应加大对绿色创新技术的研发投入力度，走可持续发展之路，联合各类高校、研究所，积极参加绿色技术项目，引入更多绿色技术人才，建立绿色技术从研发到应用的快速渠道；最后，提升企业对环境信息披露的主动性，改善企业的披露态度，树立良好的企业形象，进而能够较快的获得绿色金融的红利。
2、发挥降碳减污协同的作用
碳排放和大气环境污染有着相似的根源和产生路径，因此既要重视碳排放，也不能忽略大气环境的问题，无论运用政策性手段，还是利用绿色金融等市场化方式，发挥降碳减污的协同效应都是应有之义。一方面，可以在全国建立低碳和生态环境试点城市，探索城市绿色发展的道路，同时加大宣传环保力度；另一方面，建立碳排放和大气污染物排放的协同机制，多部门联合共同检测环境状况。此外，建立碳交易市场、加大对生态保护的补偿力度、充分发挥绿色金融的功能，实现减污降碳协同增效。
参考文献：
[1]阳晓霞.绿色金融协同推进降碳减污扩绿[J].中国金融家,2022(04):72-73.
