EN中文

Economic geography >

2026 , Vol. 46 >Issue 1: 161 - 170

DOI: https://doi.org/10.15957/j.cnki.jjdl.2026.01.016

Spatial Effect of Green Financial Agglomeration on Carbon Peak Pressure at the Provincial Level

  • HOU Xinshuo , 1, 2 ,
  • LI Zhen , 1, ※ ,
  • WANG Xinyu 1 ,
  • XIE Xinyi 1
Expand
  • 1. Business School， Xiangtan University， Xiangtan 411105，Hunan， China
  • 2. China-Africa Research Institute， Xiangtan University， Xiangtan 411105，Hunan， China

Received date: 2025-09-26

  Revised date: 2025-12-05

  Online published: 2026-02-12

Fold

Abstract

In the pursuit of China's "dual-carbon" goals, green financial agglomeration (GFA) plays a crucial and increasingly prominent role. Based on the panel data from 30 provincial-level regions of China from 2010 to 2021, this study measures the spatiotemporal evolution of GFA level and carbon peak pressure through the entropy method, employs spatial Durbin model to examine the the local and spatial spillover effects of GFA on relieving carbon peak pressure, and further tests its underlying transmission mechanisms. The results show that: 1) In terms of spatiotemporal dynamics, carbon peak pressure is relatively high in northwest and northeast China but low in eastern China, gradually forming a distribution pattern which is higher in the north of China and lower in the south of China. 2) GFA significantly reduces carbon peak pressure and exhibits clear spatial effects. Its local mitigation impact is primarily transmitted through structure upgrading, green technological innovation, and social supervision, while industrial structure upgrading plays a more pronounced mediating role in the spatial spillover effect. 3) Development stage and geographic location substantially influence the effectiveness of GFA. After the carbon-peaking target was proposed, strengthening policy support and enhancing pollution-control measures further amplified its mitigation effect. Provinces in the southeast of the Hu Huanyong Line benefit from stronger financial foundations and display notable mitigation outcomes, whereas provinces in the northwest regions are constrained by weaker financial infrastructure and exhibit less significant effects. Overall, these findings provide actionable insights for leveraging GFA to accelerate China's carbon-peaking and carbon-neutrality transition while promoting high-quality economic development.

Key words： green financial agglomeration; carbon peak pressure; industrial structure upgrading; spatial Durbin model (SDM); spatial spillover effect

Cite this article

HOU Xinshuo , LI Zhen , WANG Xinyu , XIE Xinyi . Spatial Effect of Green Financial Agglomeration on Carbon Peak Pressure at the Provincial Level[J]. Economic geography, 2026 , 46(1) : 161 -170 . DOI: 10.15957/j.cnki.jjdl.2026.01.016

“积极稳妥推进碳达峰碳中和”是我国实现高质量发展的战略任务。其核心在于切实减少碳排放。当前，我国碳排放总量仍居世界前列，减排任务艰巨。2024年3月，中国人民银行等七部委联合发布《关于进一步强化金融支持绿色低碳发展的指导意见》，强调要有序推动绿色金融区域改革，促进各类要素资源向绿色低碳领域聚集，发挥绿色资源集聚的减碳作用。同年8月，《中共中央 国务院关于加快经济社会发展全面绿色转型的意见》进一步部署构建绿色低碳高质量发展空间格局，要求加强区域绿色发展协作，形成“以点带面、以极带域”的协同降碳格局。
绿色金融集聚本质上是绿色金融资源在地理空间上的集中配置过程，表现为绿色金融规模扩大、结构优化、密度提升，并向中心城市、产业园区等重点区域汇聚。这一过程融合了绿色金融的环境导向与金融集聚的规模、协同效应[1-2]，其作用机制主要表现在：一是通过极化效应吸引要素集聚，推动绿色技术创新与产业结构、能源结构调整；二是通过示范与扩散效应，向周边地区辐射，带动更大范围的协同减排。前者体现集聚的规模红利，后者彰显空间关联的协同红利。
早期，学者们主要聚焦于产业集聚对减排的影响，认为产业集聚能通过技术溢出和规模经济促进清洁技术的研发应用，降低治污成本，提高企业减碳的积极性[3]。随着产业分工深化，生产性服务业围绕制造业形成多样化集聚[4]。在此背景下，学术界开始关注金融集聚的减排效应。现有观点可分为促进、抑制和不确定三类：促进论强调其优化资源配置功能[5]；抑制论指出其可能加剧基建碳排放[6]；不确定论则认为，金融集聚对碳排放的影响取决于集聚区的金融发展水平[7]。综上可见，传统金融集聚可能因资源配置的逐利性加剧碳排放，而绿色金融集聚更具环境靶向性，能为低碳转型提供新路径，并弥补传统金融集聚的不足。
实现“双碳”目标是经济可持续发展的必然选择。由于技术创新不足、人才储备短缺、配套机制待完善等问题，我国实现“双碳”目标面临时间与结构压力。近年来，学者们已从技术创新、企业行为等角度探讨缓解路径。此外，对碳达峰压力的测度，学者主要从两个层面展开研究：一是计算碳排放增速，并结合我国政治制度背景，以地方官员平均任职时间作为计算时间窗口[8]；二是标准化处理碳排放的相关指标，利用熵权法构建碳达峰压力综合评价指标[9]。由于研究背景和数据来源差异，学者们测算碳达峰压力的方式也各异，但总体而言，这些研究均表明我国距离实现碳达峰目标仍有差距。
现有文献为理解绿色金融集聚与碳减排的关系提供了基础，但多局限于传统金融集聚，未能深入揭示绿色金融集聚这一新型模式的减排作用，也较少将绿色金融、集聚经济与碳达峰压力纳入统一框架进行理论与实证检验。因此，本文旨在厘清绿色金融集聚缓解碳达峰压力的机制，并进行实证检验，为政府部门构建科学有效的碳排放双控制度体系提供了理论支持与实践指导，同时也为市场主体支持绿色低碳发展提供了实践参考。

1 理论分析

传统金融集聚侧重经济效益，难以匹配绿色产业环境诉求。相比之下，绿色金融集聚则兼顾环境与经济目标，通过绿色信贷等工具，依托政策与市场双重机制，实现资金精准投放，这一独特属性使其与“双碳”目标的关联更为直接。当前，学界直接将绿色金融集聚与碳达峰压力相联系的研究较少，对其作用机制的系统性探讨尚存空白。因此，本文基于文献梳理，着重从以下方面展开理论和机制分析（图1）。
图1 绿色金融集聚缓解碳达峰压力机制

Fig.1 Mechanism of green finance agglomeration alleviating carbon peak pressure

1.1 绿色金融集聚缓解碳达峰压力的直接效应与空间效应

绿色金融集聚主要通过两个维度影响碳达峰压力：一是规模维度，绿色金融总量增加、占比提升，为绿色低碳项目的开展及主要行业领域的绿色转型提供资金支持；二是空间维度，金融资源向中心城市集聚，形成“核心—外围”的空间分异，推动区域绿色生产和生活方式转型。这两个维度随集聚阶段动态演进。集聚初期，核心区凭借区位优势产生虹吸效应，吸引周边的绿色金融资源向中心汇聚，形成绿色金融高密度区。这一方面提升融资可达性，降低核心区企业绿色转型的成本；另一方面，集聚提升了市场信息透明度与资源配置效率，引导资本流向绿色低碳产业，优化区域产业结构[10]。此外，人才的空间集中加速技术创新与知识溢出，为核心区企业减排提供产品和技术支持[11]。
当集聚进入成熟期，核心区的外溢与示范效应凸显，对周边地区的辐射带动能力增强。其外溢效应主要包括信息性外溢和服务性外溢[12]。具体来说，信息技术发展降低了跨区域信息传播的地理空间摩擦，拓展了核心区金融服务半径。同时，中心城市集聚水平的提升推动区域分工由产品分工向功能分工转变，形成“中心绿色金融服务业集聚，外围制造业集聚”的空间格局[13]。在此格局下，资本跨域流动为外围工业园区清洁化改造提供资金保障；技术的空间溢出推动绿色专利、低碳工艺沿产业链向外围企业扩散；金融中介的流动则降低外围制造业企业绿色认证等信息成本[14]。此外，在示范效应下，周边地区通过学习和模仿，调整自身发展模式，推动协同减排。基于此，本文提出假设1。
H1：绿色金融集聚可以缓解碳达峰压力并存在空间溢出效应。

1.2 绿色金融集聚缓解碳达峰压力的作用机制

1.2.1 产业结构升级路径

根据新经济地理学观点，集聚能形成跨区域金融网络，促进要素流动[15]。具体而言，绿色金融集聚主要通过两大路径发挥结构效应：一是在极化效应下核心区通过集中绿色信贷、碳金融等优质资源，形成规模化、专业化的绿色金融服务体系，精准对接本地企业绿色改造等需求，降低融资成本与风险，为产业结构升级提供资金保障[16]；二是通过涓滴效应扩展核心区金融服务网络的覆盖范围，促进金融资源跨区域流动，支持非核心区绿色融资，助力区域间产业结构协同升级。依托这一跨区域金融网络系统和配套基础设施，本地及邻地产业得以降低转型成本，实现整体产业结构优化[12]。
在上述资金网络支撑下，产业结构升级一方面通过进一步扩大不同部门之间的劳动生产率差异，引导生产要素向高生产率、低能耗部门集中，提高能源利用效率，逐渐淘汰高污染产业[17]；另一方面通过淘汰落后生产模式，促进清洁型能源的开发与应用，催生高附加值、低能耗的新兴产业，降低经济发展对传统能源的依赖，缓解区域碳达峰压力[18]。基于此，本文提出假设2。
H2：绿色金融集聚通过产业结构升级降低碳达峰压力。

1.2.2 绿色技术创新路径

从融资约束理论看，绿色技术创新因周期长、风险高、资金需求大的特点，其发展需依赖稳定的金融支持与风险分担机制[19]。而集聚能有效整合区域内的资本与信息，形成“资本蓄水池”，缓解融资约束，并降低地理距离引发的信息不对称与交易成本[20]。同时，集聚区完善的金融服务体系能够为关键技术研发与重难点领域的攻关提供稳定的资金环境，从而提升企业对创新失败的容忍度，激发其绿色技术投资的积极性[21]。
绿色技术创新的碳减排效应体现在以下方面：在生产端，通过生产工艺的低碳化革新与能源消耗结构的优化重构，加速清洁能源替代，从源头削减碳排放。在循环利用端，企业借助废弃物资源化、要素循环利用等技术，提升资源利用效率并减少生产过程中的碳排放。在技术扩散与协同端，受知识溢出的驱动，绿色技术创新能够通过产业关联带动上下游企业协同转型，形成产业链减排网络，放大减排的规模效应[22]；其空间扩散效应则可通过促进创新要素的跨区域流动，优化空间关联地区的碳排放绩效[23]，形成跨区域碳减排网络。基于此，本文提出假设3。
H3：绿色金融集聚通过绿色技术创新降低碳达峰压力。

1.2.3 社会监督效应路径

绿色金融集聚区通过设立统一透明的环境标准，在直接筛选区内企业与吸引绿色产业地理集中的同时，有效激活并整合区域社会监督力量，形成自下而上的环境约束。根据利益相关者理论[24]，公众作为环境风险的直接承担者，具有较强的环境权益诉求与监督动力。同时，媒体对绿色项目与环境事件的报道，进一步向公众传递信号[25]，使其将企业环境表现与自身健康成本、投资收益直接挂钩，进而激发更广泛的公众监督意愿[26]。此外，集聚区搭建的举报与反馈平台能整合零散诉求，形成系统化的社会监督网络，提升监督的有效性。
作为一种非正式环境规制，公众监督具有低成本、高影响力的特点。公众通过信访、举报等方式曝光企业污染，缓解信息不对称，进而形成舆论压力以倒逼企业减排[27]。同时，公众压力可促使地方政府重视环境治理问题，优化环境投资决策与政策设计，提高区域环境治理效率[28]。基于此，本文提出假设4。
H4：绿色金融集聚通过社会监督效应降低碳达峰压力。

2 研究设计

2.1 变量说明

2.1.1 被解释变量：碳达峰压力（CP）

依据《关于完整准确全面贯彻新发展理念 做好碳达峰碳中和工作的意见》，碳达峰核心是2030年CO2排放量达峰后稳中有降，对应排放增速由零转负。碳排放增速相较于0值的正向偏离越大，距2030年达峰目标的时间窗口和减排任务压力越大；增速趋近0值或为负，压力越小。由于碳达峰目标未明确2030年地区碳排放总量限制，本文参考马文杰等的研究[8]，结合碳达峰内涵与数据可得性，以碳排放增速衡量碳达峰压力。该指标兼具良好的纵向与横向可比性，纵向可比体现为同一地区始终以固定基期计算增速，便于观测压力时序演变；横向可比体现为所有地区采用统一计算口径，即基期选择和增速公式一致，便于进行地区间压力对比。从指标含义看，增速为正则排放仍增长、碳达峰压力较大，增速为负则排放下降、基本达峰。本文以2009年为基期，计算2010—2021年中国30省份的年度碳排放增速。计算公式如下：
$C{P}_{t}=\frac{{E}_{t}-{E}_{2009}}{{E}_{2009}}$
式中：CPt表示该省份在t期的碳达峰压力；Et为该省份在t期的碳排放量；E2009表示该省份在2009年的碳排放量。

2.1.2 核心解释变量：绿色金融集聚（GFA）

绿色金融集聚是指绿色金融资源在特定地理空间集中、高效配置并形成专业化生态的过程，其本质反映了绿色金融在区域金融体系中的专业化程度与相对优势。考虑到中国区域发展差异显著、绿色金融数据可得性限制及研究目标，本文借鉴Zhang等的做法[29]，采用区位熵指数进行测度。与传统单一维度测度不同，本文首先明确绿色金融发展与整体金融发展的“子维度—总维度”的层级关系，构建多元化指标体系并通过熵权法分别测算二者的综合指数，再代入区位熵公式测算集聚度。这种方式能更准确地评估特定地区绿色金融相对于其他地区的专业化水平以及其在区域金融体系中的相对优势。计算公式如下：
$GF{A}_{it}=\frac{GF{D}_{it}/F{D}_{it}}{{\sum }_{i=1}^{30}GF{D}_{it}/{\sum }_{i=1}^{30}F{D}_{it}}$
式中：GFAit表示i省份在t期的绿色金融集聚；GFDit表示i省份在t期的绿色金融发展水平；FDit表示i省份在t期的金融发展水平。
关于绿色发展水平的测度，根据2016年出台的《关于构建绿色金融体系的指导意见》，本文从绿色信贷、绿色保险、绿色证券、绿色投资以及碳金融5个维度构建绿色金融指标综合评价体系（表1），各维度下的三级指标选取参考史代敏、文书洋、韩叙等的研究[30-32]。关于金融发展水平的测度，本文从整体金融环境、银行业、证券业和保险业4个维度通过熵值法衡量其金融发展水平（表2），各维度下的三级指标的选取参考Zhang等的研究[29]。
表1 区域绿色金融发展水平指标体系及说明

Tab.1 Index system of green financial development level and its explanation

一级指标 二级指标 三级指标 衡量方式 指标属性
绿色金融发展水平GFD 绿色信贷 绿色信贷余额 环保企业绿色贷款余额/金融机构贷款余额 +
六大高耗能产业利息支出占比 六大高耗能工业产业利息支出/工业利息总支出 -
绿色投资 环保产业财政支出规模占比 节能环保产业财政支出/财政支出总额 +
环境污染治理投资规模占比 环境污染治理投资额/GDP +
绿色证券 环保上市企业市值占比 节能环保上市企业A股市值/上市企业A股总市值 +
六大高耗能产业市值占比 六大高耗能产业上市企业A股市值/A股总市值 -
绿色保险 农业保险赔付比 农业保险赔付额/农业保险保费收入 +
农业保险深度 农业保险收入/农业总产值 +
碳金融 碳排放强度 CO2排放量/GDP +

注：“+”表示该指标与绿色金融发展水平呈正向关系；“-”表示两者呈负向关系。表2同。

表2 区域金融发展水平指标体系及说明

Tab.2 Index system of financial development level and its explanation

一级
指标		 二级指标 三级指标 衡量
单位		 指标
属性
金融
发展
水平
（FD）		 整体金融环境 金融业增加值 亿元 +
金融业固定资产投资 亿元 +
银行业 银行网点数量 个 +
银行业金融机构存款余额 亿元 +
银行业金融机构贷款余额 亿元 +
证券业 股票总市值 亿元 +
保险业 保险深度 % +
保险密度 元/人 +
保费收入 百万 +

2.1.3 控制变量

考虑到影响碳排放的因素众多，本文基于STIRPAT模型的理论框架，结合绿色金融与碳排放领域的研究[33]，选取以下控制变量：产业结构（IS），以第三产业产值/第二产业产值衡量，反映产业“服务化”转型程度，数值越高则碳排放强度越低；城镇化水平（UB），用城镇人口占比衡量，控制区域扩张对碳排放的阶段异质性影响；外商直接投资（FDI），以实际使用外资额/GDP表示，控制“污染天堂”与“污染光环”双重效应的干扰；工业化水平（ID），采用工业增加值/GDP衡量，以控制工业部门作为主要碳排放源对碳达峰压力的影响；研发强度（RD），以R&D经费/GDP衡量，技术进步可通过提升能源效率、催生清洁能源促减排，但“回弹效应”可能抵消效果；环境规制（ER），以工业污染治理投资/工业增加值衡量，控制“波特假说”与“遵循成本”效应的影响。

2.1.4 机制变量

为了检验绿色金融集聚对碳达峰压力的作用机制，结合前文的理论分析，本文选择产业结构升级、绿色技术创新以及公众环境关注度3个变量作为机制变量。其中，产业结构升级用第三产业产值占GDP来衡量[34]；参考齐绍洲等的做法[35]，本文用绿色发明专利授权数与绿色实用新型专利授权数的和占该地区发明专利授权数与实用新型专利授权数之和来衡量绿色技术创新；参考郑思齐等对Google趋势指数衡量公众环保诉求合理性的检验[28]，考虑到百度搜索引擎在我国使用的广泛性，本文采用百度“雾霾”“环境污染”总搜索指数并取对数衡量公众环境关注度。雾霾和环境污染能够较好地映射出社会群体对环境问题的主要关注范围，在一定意义上能够体现公众对环境的关注程度。

2.2 数据来源

本文采用2010—2021年中国30个省份的面板数据进行研究。由于香港特别行政区、澳门特别行政区、台湾地区及西藏自治区的数据可得性受限，故未纳入样本范围。研究数据来源如下：绿色信贷余额及高耗能行业利息支出源于Wind、EPS与《中国工业统计年鉴》；绿色投资相关数据来自《中国统计年鉴》与EPS数据库；绿色证券市场数据取自CSMAR与Wind；绿色保险数据源于《中国保险年鉴》与《中国统计年鉴》；省级碳排放数据来自EDGAR数据库。金融发展水平指标数据来源于EPS、Wind、《中国金融年鉴》及《中国保险年鉴》。其余控制变量数据来源于国家统计局、CSMAR、CNRDS、《中国统计年鉴》《中国工业统计年鉴》及各省份统计年鉴。个别缺失值采用线性插值法填补。

2.3 空间计量模型的设定

依据地理学第一定律，地理邻近的区域间往往存在较强的相关性。若采用普通最小二乘法（OLS）进行估计，可能因忽略省份间经济变量的空间相关性而导致回归结果偏误。为考察绿色金融集聚可能存在的空间效应，本文构建如下空间面板模型进行分析：
$\begin{array}{l}C{P}_{it}=\rho {\sum }_{j=1}^{n}{w}_{ij}C{P}_{jt}+\beta GF{A}_{it}+\theta {\sum }_{j=1}^{n}{w}_{ij}GF{A}_{jt}+\\ \delta X\text{'}+\sigma \sum _{k=1}^{6}\sum _{}{w}_{ij}{X}_{k}+{\gamma }_{t}+{\mu }_{i}+{\varepsilon }_{it}\end{array}$
${\varepsilon }_{it}=\lambda \sum _{j=1}^{n}{w}_{ij}{\varepsilon }_{it}+{\xi }_{it}$
式中：CPit、GFAit、CPjt、GFAjt分别表示i和j省份t时期的碳达峰压力和绿色金融集聚；wij为空间权重矩阵；wijYjt、wijXjt、wijXk分别为碳达峰压力、绿色金融集聚和控制变量的空间项，用于衡量邻近地区的空间效应；ρ、θ、σ为空间系数；β表示绿色金融集聚的回归系数；δ表示控制变量的回归系数；γt和μi分别表示时间效应和个体效应；εit表示随机扰动项；λ表示随机误差项的空间滞后项系数；ξit表示服从独立分布的随机扰动项。若ρ≠0、θ=0、λ=0，则为空间自回归模型；若ρ=0、θ=0、λ≠0，则为空间误差模型；若ρ≠0、θ≠0、λ=0，则为空间杜宾模型。

2.4 空间权重矩阵的构建

为同时捕捉地理邻近与经济关联对空间溢出效应的影响，本文设定如下空间权重矩阵：经济地理嵌套矩阵（式5）、空间距离矩阵（式6）、经济距离矩阵（式7）。其中，空间距离矩阵基于各省会城市间的地理距离倒数设定；经济距离矩阵则以PGDPi和PGDPj（即i省份和j省份在考察期内人均GDP的均值）的差额绝对值倒数来表征区域间的经济发展水平差异；经济地理嵌套矩阵中，α表示权重矩阵所占的比例。参照邵帅等的研究[36]，α取值为0.5，以平衡地理邻近与经济关联两个维度的空间溢出作用。在基准回归中，本文使用经济地理嵌套矩阵（式5）进行估计。式中，${W}_{ij}^{de}$是经济地理嵌套矩阵，${W}_{ij}^{d}$是空间距离矩阵，${W}_{ij}^{e}$是经济距离矩阵。
${W}_{ij}^{de}=\left\{\begin{array}{l}\alpha ·{W}_{ij}^{d}+\left(1-\alpha \right)·{W}_{ij }^{e}    i\ne j\\ 0                                         i=j\end{array}\right.$
${W}_{ij}^{d}=\left\{\begin{array}{l}\frac{1}{{d}_{ij}}, i\ne j\\ 0,   i=j\end{array}\right.$
${W}_{ij}^{e}=\left\{\begin{array}{l}\frac{1}{\left|PGD{P}_{i}-PGD{P}_{j}\right|}  i\ne j\\ 0                                  i=j\end{array}\right.$

3 绿色金融集聚影响碳达峰压力的实证检验

3.1 碳达峰压力空间演变特征

本文使用2010—2021年中国30个省份的碳达峰压力数据，基于ArcGIS的自然断点法将各省份碳达峰压力分级，并绘制时空分布图（图2）。从时间趋势看，大部分省份碳排放增速呈波动上升态势，且东中西部地区的增速动态差异显著，高碳达峰压力区域逐渐向西北、东北等老工业基地和能源富集区迁移。从空间格局看，碳排放增速由初期的“东西高、南北低”逐渐演变为“北高南低”的地理分异态势。西北地区碳达峰压力持续增大，其中新疆、青海和宁夏的碳达峰压力明显高于其他省份，东北地区次之。这可能源于西北地区依托煤炭、石油等化石能源资源开发，高耗能产业集聚，碳排放基数大、增速快；东北地区作为老工业基地，重化工业占比高，产业结构偏重，转型压力较大。相较而言，东部地区虽经济与城市化水平较高，但碳排放增速趋缓，反映出该地区正逐步推动经济增长与碳排放脱钩。
图2 中国碳达峰压力空间分布

Fig.2 Spatial distribution of carbon peak pressure in China

3.2 空间自相关检验

为进一步分析中国30个省份绿色金融集聚与碳达峰压力的空间相关性，本文分别整理了2015和2021年各省份的局部莫兰指数结果（表3）。结果显示，大部分省份集中在第二、四象限，即形成“低—高”“高—低”集聚模式，表明绿色金融集聚水平和碳达峰压力在局部省域间呈现负向的空间关联特征。因此，有必要建立空间计量模型对绿色金融集聚与碳达峰压力的关系进行研究。
表3 各省份局部自相关集聚类型

Tab.3 Agglomeration types of local spatial autocorrelation by province

集聚类型 2015年（GFA） 2021年（GFA） 2015年（CP） 2021年（CP）
高—高（H-H） 琼、渝 赣、琼、渝、陕 沪、云、津、皖、新、甘、辽 津、皖、新、鄂、甘、辽
高—低（H-L） 京、津、粤、新、豫、鄂、闽 川、渝 内蒙古、吉、宁、冀、鄂、闽、青 沪、内蒙古、吉、宁、晋、冀、浙、闽、青
低—高（L-H） 沪、云、内蒙古、吉、川、皖、鲁、苏、赣、冀、浙、湘、辽、黑 沪、京、鲁、粤、新、豫、鄂、闽、黑 京、川、鲁、粤、苏、豫、琼、湘、黔、陕、黑 云、京、川、粤、赣、豫、琼、湘、黔、渝、陕、黑
低—低（L-L） 宁、晋、桂、甘、黔、青 云、内蒙古、吉、宁、晋、桂、皖、冀、浙、湘、甘、黔、辽、青 晋、赣、浙、渝 鲁、苏、桂

3.3 空间计量模型的检验与选择

本文基于经济地理嵌套矩阵进行模型筛选检验（表略）。首先进行LM检验，SEM模型通过了LM检验和稳健的LM检验，但是SAR模型未通过检验。为进一步验证模型适用性，进行LR检验和Wald检验，结果表明SDM模型在1%的显著性水平下拒绝退化为SAR和SEM模型。此外，Hausman检验的统计值在1%的显著性水平下显著，确定选择使用固定效应，LR检验通过比较AIC值发现回归模型中需要同时控制个体固定效应和时间固定效应。因此，本文选择双向固定空间杜宾模型进行研究分析。

3.4 空间计量模型的结果分析

为便于对比，本文同时展示空间杜宾模型、空间自回归模型与空间误差模型的估计结果（表4）。结果显示，各模型中碳达峰压力的空间自回归系数ρ和空间自相关系数λ均在1%水平显著为负，表明本省份的碳达峰压力会受到其他省份的影响。进一步对比发现，各模型中绿色金融集聚的回归系数均在1%水平显著为负，说明本省份绿色金融集聚水平提升能有效缓解本地碳达峰压力。这一结论部分与邵帅等的研究结果[2]吻合。在空间杜宾模型中，绿色金融集聚的空间滞后项系数为-0.0118，且在5%水平显著，表明绿色金融集聚具有独特的空间正外部性，其减碳红利能够跨越行政边界实现地理扩散，验证假设1成立。
表4 模型回归结果

Tab.4 Model regression results

变量 SAR SEM SDM
GFA -0.0086*** -0.0092*** -0.0079***
IS -0.0583*** -0.0523*** -0.0625***
UB -0.8437*** -1.0081*** -1.1312***
FDI 0.4213 0.6157** 0.3489
ID 0.3163*** 0.2820*** 0.2753***
RD -5.1574*** -5.0192*** -5.8036***
ER 0.3061 -0.0734 0.7095
W·GFA -0.0118**
ρ -0.3269*** -0.3349***
λ -0.4362***

注：*、**、***分别表明通过10%、5%、1%的显著性检验，为节省版面，稳健标准误不显示。表5~表7同。

上述回归系数并不能真实反映空间溢出效应的真实程度，为准确估计各变量对碳达峰压力的空间溢出效应，本文参考Le Sage等提出的偏微分方法[37]，将总效应分解为直接效应和间接效应（表略）。结果显示，绿色金融集聚水平的直接效应、间接效应、总效应的系数分别为-0.0073、-0.0074、-0.0147，且分别在1%、5%、1%水平显著，这再次验证了假设1，说明绿色金融集聚不仅能缓解本地压力，还可通过空间溢出效应助力邻省减排。

3.5 稳健性分析

3.5.1 替换空间权重矩阵

本文将经济地理嵌套矩阵替换为经济距离矩阵进行稳健性检验，该矩阵反映了区域之间的经济联系紧密程度，其距离越小，区域之间的经济关系越紧密。表5列（1）显示，绿色金融集聚的回归系数符号与显著性均与基准结果基本一致。值得注意的是，在两种矩阵的回归结果中，绿色金融集聚的空间效应系数均大于直接效应系数，进一步证实了绿色金融集聚在区域间的协同减排中具有重要作用。
表5 稳健型检验结果

Tab.5 Robust test results

指标 （1） （2） （3）
替换空间权重矩阵 剔除直辖市 滞后一期
GFA -0.0074*** -0.0077***
W·GFA -0.0121** -0.0286***
GFA（-1） -0.0061***
W·GFA（-1） -0.0120**
直接效应 -0.0068*** -0.0070***
间接效应 -0.0079* -0.0264***
总效应 -0.0147*** -0.0334***
GFA（-1）直接效应 -0.0056***
GFA（-1）间接效应 -0.0085**
GFA（-1）总效应 -0.0141***

3.5.2 剔除直辖市

四大直辖市经济与金融深化度领先，绿色金融交易成本低，可能放大集聚强度并干扰减排效应评估。同时叠加多重试点任务，环境信息披露要求高，政策噪声进一步掩盖真实环境影响。为此，本文剔除直辖市样本后重新回归。表5列（2）显示，绿色金融集聚的系数仍显著为负，且其间接效应的绝对值较基准回归明显增大。这表明在剔除发展程度较高的地区之后，绿色金融集聚对缓解碳达峰压力的空间溢出作用更为显著。其原因可能是，直辖市的绿色金融发展已相对成熟，边际减排效应递减，导致其对周边地区的空间溢出效应有限。相比之下，其他省份更能体现出绿色金融集聚通过资金、技术和经验扩散实现碳减排的空间溢出潜力。

3.5.3 内生性讨论

为缓解双向因果关系导致的内生性问题，本文参考彭千芮等的做法[38]，将解释变量中的当期绿色金融集聚替换为上一期的绿色金融集聚。上一期的绿色金融集聚程度会影响当期的绿色金融集聚程度，符合相关性条件。同时，过去的绿色金融集聚不会受当期的碳达峰压力影响，满足外生性条件。由表5列（3）可知，在控制了反向因果问题后，绿色金融集聚的系数仍然显著为负，进一步表明绿色金融集聚对碳达峰压力的缓解效应是稳健的。

3.6 异质性分析

3.6.1 时间维度

在不同发展阶段，我国针对碳排放的具体目标、推进进程及配套政策措施均存在差异，这种宏观环境的变化可能导致绿色金融集聚对碳达峰压力的作用效果产生时间异质性。2015年是我国低碳发展的重要分水岭，中国在当年明确提出力争实现碳达峰的目标，并逐步构建了完整的政策体系。因此，有必要讨论政策场景的差异是否影响绿色金融集聚对碳达峰压力的作用。本文以2015年碳达峰概念的提出作为分界点进行阶段异质性分析，实证结果见表6。
表6 异质性分析结果

Tab.6 Heterogeneity analysis results

指标 （1） （2） （3） （4）
2010—2014年 2015—2021年 西北半壁 东南半壁
GFA 0.0032 -0.0107*** -0.0031 -0.0044*
W·GFA -0.0065 -0.0192*** -0.0028 0.0191**
直接效应 0.0041 -0.0095*** -0.0031 -0.0049*
间接效应 -0.0063 -0.0114** -0.0030 0.0173**
总效应 -0.0023 -0.0209*** -0.0061 0.0124
由表6列（1）（2）可知，碳达峰概念提出前后绿色金融集聚对碳达峰压力的影响存在显著差异。就作用方向而言，在2015年以前，绿色金融集聚的本地和空间溢出效应系数虽为正但不显著，可能原因是彼时碳达峰目标尚未明确，绿色金融相关政策不完善，市场对绿色项目的需求不足，从而导致绿色金融资源难以形成有效集聚，难以转化为实质性的减排动力；而在2015年之后，集聚的本地和溢出效应均显著为负，且溢出效应更为明显。这一变化的原因在于，碳达峰目标的提出及后续政策体系的完善，为绿色金融集聚提供了政策场景。一方面是政府通过财政补贴等政策引导绿色金融资源向低碳领域集聚，另一方面是政策对企业减排的硬性约束增强，倒逼实体产业主动对接绿色金融资源。

3.6.2 空间维度

我国区域发展存在显著的“胡焕庸线”特征，经济地理格局的差异可能导致绿色金融集聚的减排效应呈现空间异质性。本文据此将样本划分为“东南半壁”与“西北半壁”两个子样本进行对比分析。其中，西北半壁样本省份包括甘肃、新疆、青海、宁夏、内蒙古，其余省份划入东南半壁。
由表6列（3）（4）可知，东南与西北半壁的绿色金融集聚降压效应存在显著的空间分化。在东南半壁，绿色金融集聚显著降低了本地碳达峰压力，表明东南地区凭借成熟的金融市场和强大的要素吸附能力，对绿色金融资源的承载和转化效率更高。但空间溢出效应显著为正，呈现“地理邻近但效应相悖”的特征，可能是东南半壁的绿色金融集聚具有较强的虹吸效应。依据金融集聚与金融排斥理论，在假设区域内部金融资源总量既定不变的情况下，金融排斥现象加重，当金融排斥力量大于集聚力量时，周边地区低碳转型面临资源约束，从而加剧了这些地区的碳达峰压力。相比之下，西北半壁的绿色金融集聚对本地和周边的减排效应均不显著。可能原因是，西北半壁目前正处于基础设施建设与工业化推进的时期，经济发展带来的资源消耗与排放增量在一定程度上抵消了绿色金融集聚的减排效应，导致其减排效能尚未充分释放。

3.7 机制分析

为进一步验证前文提出的传导机制，本文构建以下计量模型进行检验：
$\begin{array}{l}{M}_{it}={\delta }_{0}+\rho \sum _{j=1}^{n}{w}_{ij}{M}_{jt}+\beta GF{A}_{it}+\\ \theta \sum _{j=1}^{n}{w}_{ij}GF{A}_{jt}+\delta X\text{'}+\sigma \sum _{k=1}^{6}\sum _{}{w}_{ij}{X}_{k}+\\ {\gamma }_{t}+{\mu }_{i}+{\varepsilon }_{it}\end{array}$
式中：GFAit为绿色金融集聚；Mit分别代表产业结构升级、绿色技术创新和公众环境注意度3个机制变量。
由表7可知，在结构效应路径中，产业结构升级的本地与空间滞后项均显著为正，说明绿色金融集聚既能推动本地重污染行业绿色改造，也能带动邻地产业链配套升级，实现跨区域协同减碳。在创新效应路径中，绿色技术创新的本地效应显著为正，空间溢出效应不显著，说明绿色金融集聚形成的“资本蓄水池”有效缓解了本区域企业绿色研发的融资约束，通过技术革新从源头上削减碳排放，缓解碳达峰压力；但受技术壁垒、要素虹吸与地方保护影响，创新红利难以跨区域外溢。在社会监督效应路径中，公众环境关注度的本地效应显著为正，空间溢出效应不显著。这表明集聚区建设的监督网络激发了公众的绿色监督意愿，倒逼企业减排并推动政府优化环境治理；但公众绿色注意力受地理距离限制，难以形成跨区域舆论监督压力。
表7 机制分析结果

Tab.7 Mechanism analysis results

GFA
直接效应 间接效应
结构效应 0.0037*** 0.0086***
创新效应 0.0010** -0.0009
社会监督效应 0.0303*** 0.0063

4 结论、建议与讨论

4.1 主要结论

本文聚焦于“碳排放双控”背景下，绿色金融集聚能否在“3060”目标时限内降低碳达峰压力这一核心问题，通过构建2010—2021年中国30个省份的面板数据，运用空间杜宾模型进行了实证检验。主要结论如下：①绿色金融集聚不仅能显著缓解本地区碳达峰压力，还能对周边地区产生减排溢出。从机制分析看，本地效应主要通过产业结构升级、绿色技术创新和公众环境关注3条路径实现。在空间溢出过程中，产业结构转型升级的中介作用尤为突出。②绿色金融集聚的降压效应具有显著的时间异质性。2015年碳达峰概念提出后，绿色金融集聚的减碳效应显著增强，说明随着顶层政策体系完善与执行力提升，绿色金融在支撑阶段性减排目标中的作用日益凸显。③绿色金融集聚的降压效果存在明显的区域分化。东南地区依托良好金融基础，本地降压效应显著，但同时也因虹吸效应加剧了金融排斥，加剧周边地区碳达峰压力；西北半壁受限于金融基础薄弱，绿色金融集聚的降压效应尚未有效释放。这表明政策制定需兼顾区域差异与协同。

4.2 对策建议

①强化绿色金融集聚的战略支撑，提升本地碳达峰压力缓解效应。在空间布局上，各地区应优化绿色金融市场生态，通过放宽准入限制、简化业务审批流程，引导金融资源向中心城市、城市群等重点区域集聚，形成绿色金融增长极，以规模效应降低减碳成本，以知识溢出激发技术创新，夯实本地减碳的资源基础。在政策激励上，建立集聚成效与货币政策工具挂钩机制，对集聚水平较高的地区给予再贷款额度倾斜与利率优惠；设立专项引导基金，重点支持清洁能源等关键减排领域；综合运用税收抵扣、财政贴息等政策降低绿色投资成本，扩大资金供给规模，夯实绿色金融支撑碳达峰的制度保障。
②依托空间溢出效应，构建跨区域协同降碳网络，规避零和博弈。一是强化节点辐射，依托国家级绿色金融试验区等核心节点，向碳排放重点区域与欠发达省份延伸金融服务网络，形成“中心带动，外围承接”的协作格局；二是疏通流动通道，破除要素跨区域流动的障碍，统一绿色项目认定、环境信息披露等标准，降低区域间业务协作成本；三是搭建数字桥梁，通过建设绿色金融数字信息共享平台，以技术赋能压缩信息空间距离，提升跨区域资源配置效率。
③锚定核心传导机制，破解跨区域协同瓶颈。一是延伸产业金融链条，支持金融机构组建区域绿色金融联盟，以联合授信、银团贷款等模式衔接中心地区资金供给与周边产业改造需求；二是激活技术空间流动，依托技术交易平台与“飞地经济”，建立创新成果转化收益跨区域分成机制，以利益共享打破地方保护，优化创新要素空间配置；三是拓展监督网络空间，构建跨区域环境信息共享平台，以数字化手段压缩公众参与的地理距离，鼓励媒体打造区域性绿色信息传播矩阵，将分散的个体关注转化为系统性的跨区域治理合力。
④结合时空异质性，实施差异化协同治理。时间维度上，阶段性差异表明执行力是关键影响变量，各地应建立“目标—工具—评估”机制，根据碳达峰阶段性目标匹配政策工具，依据评估成效进行动态调整。针对空间发展差异，“胡焕庸线”东南半壁省份应充分发挥其金融基础与集聚优势，强化绿色金融产品创新与高端服务供给；同时建立“虹吸补偿”机制，将跨区域协作成效纳入考核，促进技术输出与项目合作，引导资源有序外溢。西北地区应聚焦补齐基础设施短板，加大财政定向支持；同时积极与东部地区建立结对帮扶与飞地合作模式，通过经验、资源的双向流动，激活本地减碳潜力。

4.3 研究局限与展望

受数据可获性限制，本文研究尺度仅停留在省域层面，而城市作为金融资源集聚的核心载体与碳排放的主要发生地，不同能级、不同产业定位的城市在金融集聚模式、减排需求上存在显著差异。尤其在城市群内部，绿色金融资源的流动、协同与竞争效应更为复杂，这些微观作用难以通过省级数据充分刻画，后续研究可以从更小的空间尺度进行分析。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
何德旭, 程贵. 绿色金融[J]. 经济研究, 2022, 57(10):10-17.

[2]
邵帅, 张可, 豆建民. 经济集聚的节能减排效应:理论与中国经验[J]. 管理世界, 2019, 35(1):36-60,226.

[3]
王兵, 聂欣. 产业集聚与环境治理:助力还是阻力——来自开发区设立准自然实验的证据[J]. 中国工业经济, 2016(12):75-89.

[4]
Abraham K G, Taylor S K. Firms' use of outside contractors:Theory and evidence[J]. Journal of Labor Economics, 1996, 14(3):394-424.

DOI

[5]
Yuan H, Zhang T, Hu K, et al. Influences and transmission mechanisms of financial agglomeration on environmental pollution[J]. Journal of Environmental Management, 2022, 303:114136.

DOI

[6]
Acheampong A O. Modelling for insight:Does financial development improve environmental quality?[J]. Energy Economics, 2019, 83:156-179.

DOI

[7]
王星, 张乾翔. 经济增长压力下金融集聚对碳排放效率的影响[J]. 中国人口·资源与环境, 2022, 32(3):11-20.

[8]
马文杰, 胡玥. 地区碳达峰压力与企业绿色技术创新——基于碳排放增速的研究[J]. 会计与经济研究, 2022, 36(4):53-73.

[9]
丛琳洁, 张岱烨. 碳达峰压力与劳动收入份额——基于中国A股上市公司数据的实证研究[J]. 金融发展研究, 2024(2):39-45.

[10]
荣璟, 曾凡银. 绿色金融集聚对经济高质量发展影响的实证研究:机制与成效[J]. 南昌大学学报(人文社会科学版), 2024, 55(3):62-75.

[11]
刘奕, 夏杰长, 李垚. 生产性服务业集聚与制造业升级[J]. 中国工业经济, 2017(7):24-42.

[12]
余泳泽, 宣烨, 沈扬扬. 金融集聚对工业效率提升的空间外溢效应[J]. 世界经济, 2013, 36(2):93-116.

[13]
魏后凯. 大都市区新型产业分工与冲突管理:基于产业链分工的视角[J]. 中国工业经济, 2007(2):28-34.

[14]
徐胜, 刘同泽, 刘宇昊. 空间视角下绿色金融对CO2排放的溢出效应研究——以长江经济带为例[J]. 长江流域资源与环境, 2024, 33(6):1313-1324.

[15]
Krugman P. Increasing returns and economic geography[J]. Journal of Political Economy, 1991, 99(3):483-499.

DOI

[16]
于斌斌. 金融集聚促进了产业结构升级吗:空间溢出的视角——基于中国城市动态空间面板模型的分析[J]. 国际金融研究, 2017(2):12-23.

[17]
吴涵, 郭凯明. 双循环视角下要素市场化配置、产业结构转型与劳动生产率增长[J]. 经济研究, 2023(9):61-78.

[18]
周迪, 罗东权. 绿色税收视角下产业结构变迁对中国碳排放的影响[J]. 资源科学, 2021, 43(4):693-709.

DOI

[19]
徐盈之, 张瑞婕, 孙文远. 绿色技术创新、要素市场扭曲与产业结构升级[J]. 研究与发展管理, 2021, 33(6):75-86.

[20]
宋清华, 林永康. 加快建设制造强国背景下金融集聚与制造业企业绿色技术创新[J]. 金融经济学研究, 2023, 38(1):84-99.

[21]
郭俊杰, 方颖, 郭晔. 环境规制、短期失败容忍与企业绿色创新——来自绿色信贷政策实践的证据[J]. 经济研究, 2024, 59(3):112-129.

[22]
蔡庆丰, 严唯唯, 舒少文. 绿色创新的供应链溢出——基于核心企业与供应商协同发展的视角[J]. 经济管理, 2024(6):43-59.

[23]
邵帅, 范美婷, 杨莉莉. 经济结构调整、绿色技术进步与中国低碳转型发展——基于总体技术前沿和空间溢出效应视角的经验考察[J]. 管理世界, 2022, 38(2):46-69,4-10.

[24]
Jones T M, Wicks A C. Letter to AMR regarding "Convergent Stakeholder Theory"[J]. Academy of Management Review, 1999, 24(4):621-623.

DOI

[25]
习明明, 李婷, 张卢千漪. 网络媒体监督与企业环境责任行为的“多言寡行”——基于大语言模型的人工智能技术分类测度[J]. 兰州大学学报(社会科学版), 2025, 53(3):159-176.

[26]
张华, 冯烽. 非正式环境规制能否降低碳排放?——来自环境信息公开的准自然实验[J]. 经济与管理研究, 2020, 41(8):62-80.

[27]
Wang Y, Zhao Z, Shi M, et al. Public environmental concern,government environmental regulation and urban carbon emission reduction—Analyzing the regulating role of green finance and industrial agglomeration[J]. Science of the Total Environment, 2024, 924:171549.

DOI

[28]
郑思齐, 万广华, 孙伟增, 等. 公众诉求与城市环境治理[J]. 管理世界, 2013(6):72-84.

[29]
Zhang W, Liu X, Zhao S, et al. Does green finance agglomeration improve carbon emission performance in China?A perspective of spatial spillover[J]. Applied Energy, 2024, 358:122561.

DOI

[30]
史代敏, 施晓燕. 绿色金融与经济高质量发展:机理、特征与实证研究[J]. 统计研究, 2022, 39(1):31-48.

[31]
文书洋, 刘浩, 王慧. 绿色金融、绿色创新与经济高质量发展[J]. 金融研究, 2022(8):1-17.

[32]
韩叙, 柳潇明, 刘文婷, 等. 黄河流域绿色金融与经济高质量发展耦合协调时空特征及驱动因素[J]. 经济地理, 2023, 43(9):121-130.

DOI

[33]
任晓松, 刘宇佳, 赵国浩. 经济集聚对碳排放强度的影响及传导机制[J]. 中国人口·资源与环境, 2020, 30(4):95-106.

[34]
王振华. 数字普惠金融对农村居民消费与产业结构升级的影响研究[J]. 价格理论与实践, 2022(10):188-191.

[35]
齐绍洲, 林屾, 崔静波. 环境权益交易市场能否诱发绿色创新?——基于我国上市公司绿色专利数据的证据[J]. 经济研究, 2018, 53(12):129-143.

[36]
邵帅, 李欣, 曹建华, 等. 中国雾霾污染治理的经济政策选择——基于空间溢出效应的视角[J]. 经济研究, 2016, 51(9):73-88.

[37]
Le Sage J P, Pace R K. Introduction to Spatial Econometrics[M]. New York: CRC Press, 2009.

[38]
彭千芮, 陈华帅. 中国社会保障安全网的综合测度、空间分异与影响效应[J]. 经济地理, 2024, 44(2):31-42.

DOI

Options
Outlines

/

〈 〉