论文部分内容阅读
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、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，碳金融作为绿色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Quirion[4]、Sartor[5]与张新华等[6]分别研究了钢铁行业、有色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Anger[8]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—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]的測算结果显示，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]。
（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進行了核算，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
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。
（二）普惠金融对碳排放驱动效应分析
根据式（4）和式（5），将1996—2018年各省份碳排放变动的影响因素分解为能源结构、能源强度、产业结构、普惠金融和人口规模5个驱动效应，全国的分解结果显示，在这种扩展分解模式下，以煤为主的能源结构效应和人口规模效应是中国碳排放增长的主要因素。产业结构效应存在较大波动，正负交替出现。能源强度效应能抑制全国碳排放增加。普惠金融对碳排放增长的影响随时间呈现不同的规律，1996—2001年表现为一定的负向影响，且贡献度相对较低;2002年以后，普惠金融效应对大多数年份各省份的碳排放增长具有促进作用（2008年除外）。随着普惠金融在全国各省份的大规模发展，该效应引起碳排放增长的趋势减缓。各省份普惠金融效应的空间差异如表3所示。
从表3可以看出，其分为1996—2000年、2001—2005年、2006—2010年和2011—2018年4个时间段。整体而言，1996—2000年（“九五”期间）普惠金融效应对各省份碳排放增长均呈现普遍的负向效应，在2001—2005年（“十五”期间）转为正向效应，这正是中国加入世贸组织初期经济水平开始快速提升的时期;2005年中国提出“普惠金融”概念，金融对产业发展的助推作用愈发明显，另一方面，随着经济深化改革的逐步施行，各省的金融累计和产业发展水平差距加大，在2006—2010年普惠金融效应对碳排放增长的贡献省际间差异较大，有正有负，总体而言，东部地区的贡献较大。2011—2018年普惠金融效应又转为普遍的正向贡献，而随着中国经济发展进入新常态，东部发达省份的第三产业占比逐步增大，因此，普惠金融效应对碳排放增长的贡献与西部地区相比较低。
（三）碳排放驱动因素聚类分析
根据对各省份碳排放驱动因素的分解结果，对各省份进行k-均值聚类分析，将30个省份（不含中国西藏和港澳台地区）分为六类。
第一类：河北、山西、陕西和新疆。其共同特征均为碳排放增量较大，普惠金融对碳减排贡献有限，而能源结构和产业结构的对碳排放增加贡献相对较大，且其碳排放增量多位居中国各省份的前列。河北是中国最重要的钢铁、水泥和煤化工等传统重化工产业基地，陕西和新疆在全国西部大开发战略指引下，与山西共同成为中国重要的能源产出区域。在碳减排的宏观背景下，有必要对能源利用技术创新产业提高金融普惠支持力度，推动技术革新对能源产业碳排放的抑制作用，促进能源清洁化产业的发展。
第二类：黑龙江、辽宁、贵州、湖南和广西。它们的特征是碳排放增长较低，普惠金融和其他驱动因素的贡献值也相对较小，均低于全国尺度下的平均水平。这些地区多为传统的工业省份，产业发展和转型速度落后于东南沿海地区，应积极提高金融普惠度，着力扶持中小型企业，并有计划地淘汰一批较为落后的产能，结合自身区位优势和资源禀赋发展战略性新兴产业。
第三类：河南、内蒙古、山东和浙江。其共同特征为碳排放增量较大，普惠金融效应、产业结构效应等影响程度相对较高。河南、山东和浙江均为中国的制造业大省，这些地区的金融普惠度也相对较高;内蒙古近年来逐渐成为重要的能源生产大省。考虑到这些省份在国家工业体系中的地位，应全面助推各行业完成低碳清洁技术升级，并制定充分的低碳金融激励措施，有效降低工业碳排放强度。 第四类：安徽、福建、吉林、江西、甘肃、青海、天津、海南、宁夏和云南。其共同特征是碳排放增量在全国占比较低，普惠金融和其他驱动因素的贡献也相应较低。在某些年份，一些省份（如海南、云南）能源结构效应对碳排放起负向作用。近年来，云南、青海、福建、江西等省份水力发电和光伏发电潜力巨大，已成为中国可再生能源供应的重要组成部分，极大促进了区域能源结构的优化。基于碳减排目标，金融力量继续向可再生能源方向倾斜，增强能源结构优化效果。
第五类：湖北、四川和重庆。均为内陆省份，与第四类相似，其碳排放较少，各驱动因素的貢献也相对较低，但从经济和金融发展水平来看，这些区域的GDP和金融普惠度均处于全国中等及偏上。虽然工业化水平与东南沿海省份相比仍有较大差距，但其特色产业和第三产业规模均相当可观。这些省份金融业应持续增大对这些产业的扶持，助推低碳高附加值发展，实现经济的弯道超车。
第六类：北京、上海、江苏和广东。北京和上海属于中国的金融中心，加之江苏和广东经济发展领先全国，这些也是中国城镇化程度最高的地区。鉴于高科技制造业和第三产业的快速发展，提高金融在居民生活、市政服务和第三产业等领域的普惠程度，扶持新能源汽车的推广非常必要。
四、结论与政策建议
本文将普惠金融这一变量引入碳排放影响因素分解之中，选取代表普惠金融发展程度指标，基于对数平均迪氏指数（LMDI）分解法，对1996—2018年间中国各省份普惠金融对碳排放的影响和贡献进行驱动因素分解，并根据各省份的驱动因素贡献和碳排放增量特征进行k-均值聚类分析，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。
第一，1996—2018年，中国金融普惠程度大幅提升，其中四川、浙江、广东、山东和江苏等省份的普惠程度提升最为显著，金融服务机构分布情况由最初的全国相对均匀发展为以经济较为发达的东部地区为主;从单位人口、国土面积等角度而言，北京、上海、天津和江苏等城镇化较高地区经济基础优势高，金融发展水平领先全国，金融普惠程度也因之较高。
第二，碳排放变动驱动因素分解结果显示，长期以来以煤炭为主要能源使用方式的能源结构效应和人口规模效应是碳排放持续增加的最主要因素，普惠金融效应在1996—2001年表现为负向影响，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，普惠金融效应前期在全国绝大部分省均呈现负向效应，在2001—2005年转为普遍的正向效应。
第三，对各省份碳排放变动驱动因素聚类分析结果显示，六类省份的驱动因素贡献和碳排放增量特征差异较大。对于能源生产大省（第一类）和制造业大省（第三类），建议其向能源利用技术创新产业转型提高金融普惠支持力度，促进能源清洁化、产业低碳化发展;对于传统工业省份（第二类）、相对落后省份（第四类）和特色产业省份（第五类），建议其金融业持续支持产业转型和战略性新兴产业的发展，淘汰落后产能;对于经济和城市化水平最高的省份（第六类），建议提高金融在居民生活、市政服务和第三产业等领域的普惠程度，扶持新能源汽车的推广。
参考文献：
[1] Minx，J.C.， Baiocchi，G.， Peters，G.P.， et al. A ‘Carbonizing Dragon’： China’s Fast Growing CO2 Emissions Revisited[J]. Environmental Science and Technology，2011， 45（21）： 9144-9153.
[2] 汪燕，王文治，马淑琴. 中国省域间碳排放责任共担与碳减排合作[J]. 浙江社会科学，2020， （1）：40-51.
[3] 曾刚，万志宏. 国际碳金融市场：现状、问题与前景[J]. 国际金融研究，2009，（10）： 19-25.
[4] Demailly，D.， Quirion，P. European Emission Trading Scheme and Competitiveness： A Case Study on the Iron and Steel Industry[J]. Energy Economics，2008， 30（4）： 2009-2027.
[5] Sartor，O. Carbon Leakage in the Primary Aluminium Sector： What Evidence After 6.5 Years of the EU ETS？ [EB/OL]. Social Science Research Network， 2013.
[6] 张新华，陈敏，叶泽. 考虑碳价下限的发电商CCS投资策略与政策分析[J]. 管理工程学报， 2016，（2）： 160-165.
[7] Maradan，D.， Vassiliev，A. Marginal Costs of Carbon Dioxide Abatement： Empirical Evidence From Cross-Country Analysis[J].Swiss Journal of Ecomomics & Statics，2005， 141（3）： 377-410.
[8] Alexeeva，T.V.， Anger，N. Developing Supra-European Emissions Trading Schemes： An Efficiency and International Trade Analysis[R]. Zew-Centre for European Economic Research Discussion Paper，2007.7-38. [9] Betz，R.， Sanderson，T.， Ancev，T. In or Out： Efficient Inclusion of Installations in an Emissions Trading Scheme？[J]. Journal of Regulatory Economics，2010， 37（2）： 162-179.
[10] Wagner，U.J.， Muuls，M.， Martin，R.， et al. The Causal Effects of the European Union Emissions Trading Scheme： Evidence From French Manufacturing Plants[R]. Citeseer， 2014.
[11] Jaraite，J.，Maria，C.D.Did the EU ETS Make a Difference？ An Empirical Assessment Using Lithuanian Firm Level Data[J]. The Energy Journal，2016， 37（1）：3-11.
[12] Ang，B.W. The LMDI Approach to Decomposition Analysis： A Practical Guide[J]. Energy Policy，2005， 33（7）： 867-871.
[13] Ang，B.W. LMDI Decomposition Approach： A Guide for Implementation[J]. Energy Policy，2015， 86（3）： 233-238.
[14] 刘海燕，郑爽. 广东省碳普惠机制实施进展研究[J]. 中国经贸导刊 （理论版）， 2018， （8）： 23-25.
[15] 郭洪旭，黄莹，廖翠萍，等. 碳普惠制下居民公交车出行减碳量核算方法研究——以广州市为例[J]. 生态经济， 2019， （6）：44-48.
[16] 黎炜驰，曾雪兰，梁小燕，等. 基于碳普惠制的城市公共自行车个人碳减排量计算[J]. 中国人口· 资源与环境， 2016，（12）：103-107.
[17] Eggleston，H. S.， Buendia，L.， Miwa，K.， et al. 2006 IPCC Guidelines for National Greenhouse Gas Inventories[M].Tokyo：IGES，2006.
[18] Wang，C.， Chen，J.， Zou，J. Decomposition of Energy-Related CO2 Emission in China： 1957—2000[J]. Energy， 2005， 30（1）： 73-83.
[19] Ehrlich，P. R.， Holdren，J.P. Impact of Population Growth[J]. Science，1971， 171（3977）： 1212-1217.
[20] Hu，M.， Li，R.， You，W.， et al. Spatiotemporal Evolution of Decoupling and Driving Forces of CO2 Emissions on Economic Growth Along the Belt and Road[J]. Journal of Cleaner Production，2020， 16（3）：277.
[21] 贾紫牧，陈岩，王慧慧，等. 流域水环境承载力聚类分区方法研究——以湟水流域小峡桥断面上游为例[J]. 环境科学学报，2017， （11）： 4383-4390.
（责任编辑：巴红静）
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，主要从事普惠金融與绿色金融研究。E-mail：cocoflash2000@163.com
薛英岚（1990-），男，辽宁铁岭人，博士，主要从事环境管理与绿色金融研究。E-mail： xueyinglan@mail.bnu.edu.cn
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、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，碳金融作为绿色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Quirion[4]、Sartor[5]与张新华等[6]分别研究了钢铁行业、有色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Anger[8]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—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]的測算结果显示，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]。
（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進行了核算，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
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。
（二）普惠金融对碳排放驱动效应分析
根据式（4）和式（5），将1996—2018年各省份碳排放变动的影响因素分解为能源结构、能源强度、产业结构、普惠金融和人口规模5个驱动效应，全国的分解结果显示，在这种扩展分解模式下，以煤为主的能源结构效应和人口规模效应是中国碳排放增长的主要因素。产业结构效应存在较大波动，正负交替出现。能源强度效应能抑制全国碳排放增加。普惠金融对碳排放增长的影响随时间呈现不同的规律，1996—2001年表现为一定的负向影响，且贡献度相对较低;2002年以后，普惠金融效应对大多数年份各省份的碳排放增长具有促进作用（2008年除外）。随着普惠金融在全国各省份的大规模发展，该效应引起碳排放增长的趋势减缓。各省份普惠金融效应的空间差异如表3所示。
从表3可以看出，其分为1996—2000年、2001—2005年、2006—2010年和2011—2018年4个时间段。整体而言，1996—2000年（“九五”期间）普惠金融效应对各省份碳排放增长均呈现普遍的负向效应，在2001—2005年（“十五”期间）转为正向效应，这正是中国加入世贸组织初期经济水平开始快速提升的时期;2005年中国提出“普惠金融”概念，金融对产业发展的助推作用愈发明显，另一方面，随着经济深化改革的逐步施行，各省的金融累计和产业发展水平差距加大，在2006—2010年普惠金融效应对碳排放增长的贡献省际间差异较大，有正有负，总体而言，东部地区的贡献较大。2011—2018年普惠金融效应又转为普遍的正向贡献，而随着中国经济发展进入新常态，东部发达省份的第三产业占比逐步增大，因此，普惠金融效应对碳排放增长的贡献与西部地区相比较低。
（三）碳排放驱动因素聚类分析
根据对各省份碳排放驱动因素的分解结果，对各省份进行k-均值聚类分析，将30个省份（不含中国西藏和港澳台地区）分为六类。
第一类：河北、山西、陕西和新疆。其共同特征均为碳排放增量较大，普惠金融对碳减排贡献有限，而能源结构和产业结构的对碳排放增加贡献相对较大，且其碳排放增量多位居中国各省份的前列。河北是中国最重要的钢铁、水泥和煤化工等传统重化工产业基地，陕西和新疆在全国西部大开发战略指引下，与山西共同成为中国重要的能源产出区域。在碳减排的宏观背景下，有必要对能源利用技术创新产业提高金融普惠支持力度，推动技术革新对能源产业碳排放的抑制作用，促进能源清洁化产业的发展。
第二类：黑龙江、辽宁、贵州、湖南和广西。它们的特征是碳排放增长较低，普惠金融和其他驱动因素的贡献值也相对较小，均低于全国尺度下的平均水平。这些地区多为传统的工业省份，产业发展和转型速度落后于东南沿海地区，应积极提高金融普惠度，着力扶持中小型企业，并有计划地淘汰一批较为落后的产能，结合自身区位优势和资源禀赋发展战略性新兴产业。
第三类：河南、内蒙古、山东和浙江。其共同特征为碳排放增量较大，普惠金融效应、产业结构效应等影响程度相对较高。河南、山东和浙江均为中国的制造业大省，这些地区的金融普惠度也相对较高;内蒙古近年来逐渐成为重要的能源生产大省。考虑到这些省份在国家工业体系中的地位，应全面助推各行业完成低碳清洁技术升级，并制定充分的低碳金融激励措施，有效降低工业碳排放强度。 第四类：安徽、福建、吉林、江西、甘肃、青海、天津、海南、宁夏和云南。其共同特征是碳排放增量在全国占比较低，普惠金融和其他驱动因素的贡献也相应较低。在某些年份，一些省份（如海南、云南）能源结构效应对碳排放起负向作用。近年来，云南、青海、福建、江西等省份水力发电和光伏发电潜力巨大，已成为中国可再生能源供应的重要组成部分，极大促进了区域能源结构的优化。基于碳减排目标，金融力量继续向可再生能源方向倾斜，增强能源结构优化效果。
第五类：湖北、四川和重庆。均为内陆省份，与第四类相似，其碳排放较少，各驱动因素的貢献也相对较低，但从经济和金融发展水平来看，这些区域的GDP和金融普惠度均处于全国中等及偏上。虽然工业化水平与东南沿海省份相比仍有较大差距，但其特色产业和第三产业规模均相当可观。这些省份金融业应持续增大对这些产业的扶持，助推低碳高附加值发展，实现经济的弯道超车。
第六类：北京、上海、江苏和广东。北京和上海属于中国的金融中心，加之江苏和广东经济发展领先全国，这些也是中国城镇化程度最高的地区。鉴于高科技制造业和第三产业的快速发展，提高金融在居民生活、市政服务和第三产业等领域的普惠程度，扶持新能源汽车的推广非常必要。
四、结论与政策建议
本文将普惠金融这一变量引入碳排放影响因素分解之中，选取代表普惠金融发展程度指标，基于对数平均迪氏指数（LMDI）分解法，对1996—2018年间中国各省份普惠金融对碳排放的影响和贡献进行驱动因素分解，并根据各省份的驱动因素贡献和碳排放增量特征进行k-均值聚类分析，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。
第一，1996—2018年，中国金融普惠程度大幅提升，其中四川、浙江、广东、山东和江苏等省份的普惠程度提升最为显著，金融服务机构分布情况由最初的全国相对均匀发展为以经济较为发达的东部地区为主;从单位人口、国土面积等角度而言，北京、上海、天津和江苏等城镇化较高地区经济基础优势高，金融发展水平领先全国，金融普惠程度也因之较高。
第二，碳排放变动驱动因素分解结果显示，长期以来以煤炭为主要能源使用方式的能源结构效应和人口规模效应是碳排放持续增加的最主要因素，普惠金融效应在1996—2001年表现为负向影响，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，普惠金融效应前期在全国绝大部分省均呈现负向效应，在2001—2005年转为普遍的正向效应。
第三，对各省份碳排放变动驱动因素聚类分析结果显示，六类省份的驱动因素贡献和碳排放增量特征差异较大。对于能源生产大省（第一类）和制造业大省（第三类），建议其向能源利用技术创新产业转型提高金融普惠支持力度，促进能源清洁化、产业低碳化发展;对于传统工业省份（第二类）、相对落后省份（第四类）和特色产业省份（第五类），建议其金融业持续支持产业转型和战略性新兴产业的发展，淘汰落后产能;对于经济和城市化水平最高的省份（第六类），建议提高金融在居民生活、市政服务和第三产业等领域的普惠程度，扶持新能源汽车的推广。
参考文献：
[1] Minx，J.C.， Baiocchi，G.， Peters，G.P.， et al. A ‘Carbonizing Dragon’： China’s Fast Growing CO2 Emissions Revisited[J]. Environmental Science and Technology，2011， 45（21）： 9144-9153.
[2] 汪燕，王文治，马淑琴. 中国省域间碳排放责任共担与碳减排合作[J]. 浙江社会科学，2020， （1）：40-51.
[3] 曾刚，万志宏. 国际碳金融市场：现状、问题与前景[J]. 国际金融研究，2009，（10）： 19-25.
[4] Demailly，D.， Quirion，P. European Emission Trading Scheme and Competitiveness： A Case Study on the Iron and Steel Industry[J]. Energy Economics，2008， 30（4）： 2009-2027.
[5] Sartor，O. Carbon Leakage in the Primary Aluminium Sector： What Evidence After 6.5 Years of the EU ETS？ [EB/OL]. Social Science Research Network， 2013.
[6] 张新华，陈敏，叶泽. 考虑碳价下限的发电商CCS投资策略与政策分析[J]. 管理工程学报， 2016，（2）： 160-165.
[7] Maradan，D.， Vassiliev，A. Marginal Costs of Carbon Dioxide Abatement： Empirical Evidence From Cross-Country Analysis[J].Swiss Journal of Ecomomics & Statics，2005， 141（3）： 377-410.
[8] Alexeeva，T.V.， Anger，N. Developing Supra-European Emissions Trading Schemes： An Efficiency and International Trade Analysis[R]. Zew-Centre for European Economic Research Discussion Paper，2007.7-38. [9] Betz，R.， Sanderson，T.， Ancev，T. In or Out： Efficient Inclusion of Installations in an Emissions Trading Scheme？[J]. Journal of Regulatory Economics，2010， 37（2）： 162-179.
[10] Wagner，U.J.， Muuls，M.， Martin，R.， et al. The Causal Effects of the European Union Emissions Trading Scheme： Evidence From French Manufacturing Plants[R]. Citeseer， 2014.
[11] Jaraite，J.，Maria，C.D.Did the EU ETS Make a Difference？ An Empirical Assessment Using Lithuanian Firm Level Data[J]. The Energy Journal，2016， 37（1）：3-11.
[12] Ang，B.W. The LMDI Approach to Decomposition Analysis： A Practical Guide[J]. Energy Policy，2005， 33（7）： 867-871.
[13] Ang，B.W. LMDI Decomposition Approach： A Guide for Implementation[J]. Energy Policy，2015， 86（3）： 233-238.
[14] 刘海燕，郑爽. 广东省碳普惠机制实施进展研究[J]. 中国经贸导刊 （理论版）， 2018， （8）： 23-25.
[15] 郭洪旭，黄莹，廖翠萍，等. 碳普惠制下居民公交车出行减碳量核算方法研究——以广州市为例[J]. 生态经济， 2019， （6）：44-48.
[16] 黎炜驰，曾雪兰，梁小燕，等. 基于碳普惠制的城市公共自行车个人碳减排量计算[J]. 中国人口· 资源与环境， 2016，（12）：103-107.
[17] Eggleston，H. S.， Buendia，L.， Miwa，K.， et al. 2006 IPCC Guidelines for National Greenhouse Gas Inventories[M].Tokyo：IGES，2006.
[18] Wang，C.， Chen，J.， Zou，J. Decomposition of Energy-Related CO2 Emission in China： 1957—2000[J]. Energy， 2005， 30（1）： 73-83.
[19] Ehrlich，P. R.， Holdren，J.P. Impact of Population Growth[J]. Science，1971， 171（3977）： 1212-1217.
[20] Hu，M.， Li，R.， You，W.， et al. Spatiotemporal Evolution of Decoupling and Driving Forces of CO2 Emissions on Economic Growth Along the Belt and Road[J]. Journal of Cleaner Production，2020， 16（3）：277.
[21] 贾紫牧，陈岩，王慧慧，等. 流域水环境承载力聚类分区方法研究——以湟水流域小峡桥断面上游为例[J]. 环境科学学报，2017， （11）： 4383-4390.
（责任编辑：巴红静）
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，主要从事普惠金融與绿色金融研究。E-mail：cocoflash2000@163.com
薛英岚（1990-），男，辽宁铁岭人，博士，主要从事环境管理与绿色金融研究。E-mail： xueyinglan@mail.bnu.edu.cn