杜明軍

（河南省社會科學(xué)院，河南 鄭州 450002）

一、引言

碳達峰和碳中和是經(jīng)濟社會綠色低碳轉(zhuǎn)型的必然選擇，也是中國履行全球氣候共同責(zé)任的必然要求，亟須綠色金融的引領(lǐng)支撐。綠色金融與綠色低碳可持續(xù)發(fā)展具有互動共贏共進退的內(nèi)在發(fā)展邏輯。同時，充分利用綠色金融的功能價值，依托經(jīng)濟社會發(fā)展的背景基礎(chǔ)，在市場需求為發(fā)展導(dǎo)向的情況下，綠色低碳轉(zhuǎn)型也離不開綠色金融政策體系的調(diào)控推動。擁有金融本質(zhì)的綠色金融提供了綠色低碳發(fā)展的資源配置基礎(chǔ)，能產(chǎn)生環(huán)境效益，支持可持續(xù)發(fā)展（G20綠色金融研究小組，2016）[1]。

作為促進碳減排和實現(xiàn)“雙碳”目標的重要基礎(chǔ)，綠色金融進行了一系列完善政策體系的實踐探索，包括協(xié)助設(shè)計綠色低碳工程項目實施方案、為生態(tài)環(huán)保技術(shù)引進和采用提供投融資支持、為綠色低碳市場需求提供消費激勵等。作為政府引領(lǐng)綠色低碳發(fā)展的金融政策支持工具，綠色金融既是支持新發(fā)展格局構(gòu)建的金融創(chuàng)新重要準則，也是落實“雙碳”目標的基礎(chǔ)條件。早在2012年，原銀監(jiān)會正式頒布《綠色信貸指引》，以不斷發(fā)揮金融在促進碳減排中的重要作用，要求金融機構(gòu)在提供投融資時要考慮生態(tài)環(huán)境效益。2021年，《中共中央 國務(wù)院關(guān)于完整準確全面貫徹新發(fā)展理念做好碳達峰碳中和工作的意見》再次提出發(fā)展綠色金融，彰顯了綠色金融在促進碳減排中的地位價值。

同時，在綠色金融促進碳減排的實踐進程中，也存在如下問題：陸續(xù)推出的綠色證券、綠色保險和碳金融等綠色創(chuàng)新產(chǎn)品與經(jīng)濟發(fā)展和碳減排內(nèi)在需求的深層次對接有待深化；業(yè)界對于綠色金融產(chǎn)品價值功能的深層理解有待加深；綠色金融產(chǎn)品的類型不夠豐富，主要集中于綠色信貸，且銀行是綠色金融的主要參與者，保險、證券、債券和碳金融產(chǎn)品的謀劃設(shè)計和布局實施相對滯后；等等。因此，評估綠色金融政策頒布實施效果，契合現(xiàn)實發(fā)展挑戰(zhàn)探析綠色金融對實體經(jīng)濟的政策意蘊，價值意義明顯。

評估綠色金融政策體系的實踐效果，將采用基于隨機森林與Rubin因果推斷相結(jié)合的、具有機器學(xué)習(xí)分析非參數(shù)模型巨大優(yōu)勢的因果森林思想方法。

一是考慮變量空間構(gòu)建的客觀隨機性。該方法最初見于Athey和Imbens（2016）[2]的研究，整個協(xié)變量空間被劃分為多個子空間，同時為避免分組的主觀性，利用回歸樹，在子空間中估計處理組和控制組之間的條件平均處理效應(yīng)（conditional average treatment effects，CATE），最后通過逐步構(gòu)建多棵隨機樹，生成因果森林，得到了更合理的政策實施效應(yīng)估計。

二是考慮估計值分布特征的漸進性正態(tài)分布特征。利用Wager和Athey（2018）[3]對普通回歸樹算法的擴展思路和模型方法，克服了回歸函數(shù)非光滑性而難以呈現(xiàn)漸進性分布的問題。因果森林基于協(xié)變量對處理效應(yīng)的作用價值進行區(qū)別對待，越發(fā)重要的協(xié)變量，權(quán)重賦值越大；對處理效應(yīng)影響不太大的協(xié)變量，給予較小的權(quán)值；在一定精度條件下，對處理效應(yīng)不造成制約的協(xié)變量，不納入隨機森林的“分叉”算法。這樣可實現(xiàn)對CATE估計處理的平滑性，且緊緊圍繞著CATE真實值中心，以實現(xiàn)漸近正態(tài)性，實現(xiàn)了對Neyman-Rubin因果模型ATE系數(shù)β估計的重要改進。

三是考慮置信區(qū)間構(gòu)建的可信性。因果森林方法依賴于“樣本分叉”技術(shù)，克服了協(xié)變量的數(shù)量規(guī)模制約，保證了估計結(jié)果的置信區(qū)間有合適的覆蓋范圍，可大幅提高政策評估的可信度（Athey和Imbens，2016；Wager和Athey，2018；Athey等，2019；Knittel和Stolper，2019）[2-5]。

因此，與傳統(tǒng)政策評估方法相比，因果森林適合于分析政策效應(yīng)。因果森林算法采用隨機分組的辦法，把原始數(shù)據(jù)隨機性劃分為控制組與干預(yù)組，在科學(xué)規(guī)避個體選擇偏差的基礎(chǔ)上，還融入了因果推斷的思想方法，具有非常強大的異質(zhì)性分析功能，特別適合進行政策實施工具的差異性效果分析，提升政策工具實施效果評估的科學(xué)性。同時，作為機器學(xué)習(xí)（ML）演進的重要研究成果領(lǐng)域，因果森林算法也為探析綠色金融實踐探索的政策工具實施效果評價開拓了方法借鑒與研究視野。另外，區(qū)別于必須設(shè)定參數(shù)化分析模型的傳統(tǒng)政策工具實施效果評價辦法，因果森林將隨機森林算法與Rubin因果推斷模型相結(jié)合，凸顯了機器學(xué)習(xí)在解決非參數(shù)模型方面的巨大優(yōu)勢，為綠色金融實踐探索效果的差異性挖掘，科學(xué)發(fā)現(xiàn)政策工具在典型約束變量條件下的異質(zhì)性表現(xiàn)規(guī)律，提供了基于機器學(xué)習(xí)算法基礎(chǔ)上的非參數(shù)化的解決思路和處理方案。而且，近年來Davis和Heller（2020）[6]對暑假就業(yè)工程實施效果的評價分析，Knittel和Stolper（2019）[5]對能源節(jié)約輿論造勢影響家庭微觀層面節(jié)能行為效果的評價分析等，作為因果影響分析典型代表的評估結(jié)果均顯示，因果森林法優(yōu)于其他傳統(tǒng)政策評估模型。

本文旨在依托綠色金融政策體系的實踐探索和研究回顧，梳理考量綠色金融的本質(zhì)內(nèi)涵和價值作用，回顧總結(jié)政策體系的演進效應(yīng)，發(fā)現(xiàn)需要繼續(xù)關(guān)注的努力方向。因此，本文借力因果森林方法，選取碳減排作為目標表征指標，評估綠色金融政策頒布實施的效果，識別綠色金融對碳減排的處理效應(yīng)，探析影響因素的異質(zhì)性特征，為發(fā)揮綠色金融在“雙碳”戰(zhàn)略中的價值作用提供策略性參考。

本文的主要貢獻在于以下幾個方面。

一是利用隨機森林和因果推斷理論，嘗試構(gòu)建了識別綠色金融碳減排處理效應(yīng)的因果森林算法的分析框架。

二是以全國30個省份為研究對象，估計評判了綠色金融對碳減排的平均處理效應(yīng)及其顯著性特征。

三是探析驗證了綠色金融典型表征變量和經(jīng)濟發(fā)展背景變量等與綠色金融處理效應(yīng)之間的異質(zhì)性變動規(guī)律。

四是綜合提煉了綠色金融處理效應(yīng)及其異質(zhì)性的研究結(jié)論與政策啟示。

二、相關(guān)文獻評述

國內(nèi)外對綠色金融價值內(nèi)涵、政策作用效應(yīng)和碳減排的相關(guān)研究，為本文奠定了堅實的研究基礎(chǔ)，同時擴展了研究視野，為研究方向選擇和研究框架的形成提供了借鑒。

（一）綠色金融的內(nèi)涵價值

國內(nèi)外對綠色金融價值內(nèi)涵的研究，主要認為綠色金融是發(fā)展綠色產(chǎn)業(yè)的紐帶，可有效配置綠色低碳資源，為綠色低碳轉(zhuǎn)型提供投融資支持。

首先，國外學(xué)者最早提出可持續(xù)金融、環(huán)境金融、綠色金融等概念。Jose Salazar（1998）[7]認為環(huán)境金融的宗旨在于促進生態(tài)環(huán)保領(lǐng)域的投融資與創(chuàng)新支持。Sonia等（2002）[8]認為環(huán)境金融規(guī)避環(huán)境風(fēng)險、促 進 環(huán) 保 融 資。Cowan（1999）[9]和Salazar（2017）[10]認為綠色金融是連接金融資源與生態(tài)環(huán)保領(lǐng)域的紐帶，可以促進產(chǎn)業(yè)結(jié)構(gòu)的迭代升級優(yōu)化。Labatt和White（2002）[11]認為綠色金融的核心是多元化創(chuàng)新金融工具，支持綠色發(fā)展。

其次，對綠色金融價值功能的研究。Jose（1998）[12]基于金融和環(huán)境間的行業(yè)差異性，探討了綠色金融的功能。Cowan（1998）[13]基于環(huán)境經(jīng)濟和金融學(xué)的交叉視角，探討了綠色金融對接生態(tài)環(huán)保領(lǐng)域資金需求的多元化路徑。

再次，綠色金融的概念研究在我國得到了快速發(fā)展。國內(nèi)較早提出綠色金融的和秀星（1998）[14]認為，綠色金融政策屬于營運戰(zhàn)略，旨在促進環(huán)境與經(jīng)濟的協(xié)調(diào)發(fā)展。中國人民銀行等七部委2016年頒布《關(guān)于構(gòu)建綠色金融體系的指導(dǎo)意見》，正式界定綠色金融的內(nèi)涵實質(zhì)與發(fā)展宗旨，認為綠色金融是指為支持環(huán)境改善、應(yīng)對氣候變化和資源節(jié)約高效利用的經(jīng)濟活動，即對環(huán)保、節(jié)能、清潔能源、綠色交通、綠色建筑等領(lǐng)域的項目投融資、項目運營、風(fēng)險管理等所提供的金融服務(wù)。杜莉和鄭立純（2019）[15]認為綠色金融將環(huán)境保護、節(jié)能減排等思想融入業(yè)務(wù)，以實現(xiàn)資源合理配置和可持續(xù)發(fā)展。安偉（2008）[16]基于宏觀政策角度，認為綠色金融具有能源節(jié)約和污染排放減低的價值作用，可引領(lǐng)資源開發(fā)利用與生態(tài)環(huán)境協(xié)調(diào)共進，是供給側(cè)結(jié)構(gòu)性改革的主要內(nèi)容。

（二）綠色金融的政策作用效應(yīng)

學(xué)者們關(guān)注探討了綠色金融政策工具的實施效應(yīng)與作用傳導(dǎo)問題。

首先，關(guān)注綠色金融政策的影響。李周（2016）[17]認為國內(nèi)外理論和各國實踐均表明，綠色金融的有效實施離不開政府的作用和調(diào)控。斯麗娟（2019）[18]認為綠色金融發(fā)展需要政策工具的支撐和引領(lǐng)，基于中文文獻的文本挖掘分析，發(fā)現(xiàn)關(guān)注的典型主題之一就是綠色發(fā)展的效率與生態(tài)環(huán)境規(guī)制的關(guān)系。王遙等（2019）[19]基于DSGE模型對綠色信貸激勵政策進行了研究。王韌（2019）[20]基于DID模型對碳排放權(quán)交易試點政策效果進行了分析。這些均表明，綠色金融政策在優(yōu)化資源配置中有重要作用。

其次，多視角分析了綠色金融政策效應(yīng)。一是微觀效應(yīng)。Chami等（2002）[21]認為綠色金融的發(fā)展影響微觀經(jīng)濟組織的美譽度，可以制約企業(yè)利益攸關(guān)方的價值訴求滿足，控制經(jīng)營風(fēng)險。二是金融機構(gòu)效應(yīng)。劉錫良和文書洋（2019）[22]通過理論和模型分析證明，金融機構(gòu)通過綠色低碳資源支持新技術(shù)采用，能提高能源效率，減少CO2排放（Muhammad等，2013）[23]。三是宏觀經(jīng)濟效應(yīng)。王遙等（2016）[24]認為綠色金融可以優(yōu)化宏觀經(jīng)濟結(jié)構(gòu)，提高經(jīng)濟發(fā)展質(zhì)量。四是社會效應(yīng)。馬駿和施娛（2014）[25]基于包含社會責(zé)任變量的綠色產(chǎn)出函數(shù)進行研究，表明綠色金融政策能提高綠色產(chǎn)出。五是環(huán)境影響。Yaping等（2017）[26]認為環(huán)境規(guī)制不嚴導(dǎo)致支持性金融加劇了環(huán)境污染；Dasgupta等（2001）[27]認為金融市場的發(fā)展，盡管可破解污染型經(jīng)濟組織運營發(fā)展以及經(jīng)營效能提升的資金阻礙，但也可能存在能源資源耗費過量，以及增大生態(tài)環(huán)境污染的風(fēng)險。Yao和Qiang（2016）[28]認為綠色金融通過支持能源生產(chǎn)創(chuàng)新的清潔化改進，彰顯生態(tài)環(huán)境效益。六是區(qū)域空間效應(yīng)。董曉紅和富勇（2018）[29]從區(qū)域視角研究了綠色金融與生態(tài)環(huán)境的耦合度。魏麗莉和楊穎（2019）[30]認為西北地區(qū)的綠色金融與產(chǎn)業(yè)結(jié)構(gòu)的耦合關(guān)系轉(zhuǎn)向磨合階段。成學(xué)真和岳松毅（2016）[31]認為可通過金融集聚優(yōu)化產(chǎn)業(yè)結(jié)構(gòu)、改善環(huán)境。

再次，綠色金融政策激勵作用傳導(dǎo)。關(guān)于政策激勵作用的傳導(dǎo)，大多研究關(guān)注通過影響生產(chǎn)要素的供給和配置、技術(shù)進步、消費投資需求等影響經(jīng)濟發(fā)展，較少研究關(guān)注綠色金融的低碳發(fā)展效應(yīng)。王遙等（2019）[19]認為，綠色金融對經(jīng)濟發(fā)展的貢獻，缺乏全面的理論研究；張宇和錢水土（2017）[32]認為現(xiàn)有文獻缺乏對綠色金融與經(jīng)濟可持續(xù)發(fā)展之間作用機理的深入分析等。鄒錦吉（2017）[33]基于文本挖掘角度，從中央政策和地方政策兩個層面，定性地探析了綠色金融的政策工具實踐對工業(yè)污染強度降低的效應(yīng)。

（三）碳減排相關(guān)研究回顧

碳減排相關(guān)研究更多地遵循以問題為導(dǎo)向的原則，以推動綠色轉(zhuǎn)型為側(cè)重點，關(guān)注和解決發(fā)展過程中的碳減排等問題。

首先，碳排放的量化估算及發(fā)展態(tài)勢預(yù)測研究。胡歡等（2016）[34]、吳佩君等（2016）[35]認為，碳排放的源頭眾多且數(shù)據(jù)采集困難、排放條件不穩(wěn)定等，使得碳排放的測算煩瑣復(fù)雜。王憲恩等（2014）[36]預(yù)測了化石能源消費導(dǎo)致的碳排放。程葉青等（2013）[37]研究了碳排放系數(shù)相關(guān)問題。

其次，碳排放驅(qū)動因素分析。徐國泉等（2006）[38]、Vaninsky（2014）[39]等采用因子分解法，Nicholas和Ilhan（2015）[40]采用環(huán)境庫茲涅茨曲線模擬法，Alshehry和Belloumi（2015）[41]、焦建玲等（2017）[42]、劉明達等（2018）[43]采用計量模型，袁鵬（2015）[44]采用投入產(chǎn)出法等思想原理各異的數(shù)學(xué)模型，探析碳減排的相關(guān)影響要素。一般認為能源消費的總量和結(jié)構(gòu)、產(chǎn)業(yè)結(jié)構(gòu)基礎(chǔ)、經(jīng)濟增長態(tài)勢、技術(shù)進步等方面的因素對碳排放量的影響較為顯著。

再次，碳排放約束對宏觀經(jīng)濟的影響分析。林伯強等（2010）[45]、江洪和趙寶福（2015）[46]的分析認為，碳排放會對能源利用效率、能源消費總量及結(jié)構(gòu)、全要素生產(chǎn)率等產(chǎn)生深刻影響。王明喜等（2015）[47]、王文賓等（2016）[48]認為碳排放約束優(yōu)化發(fā)展方式，提高增長效率和質(zhì)量。李曉西（2018）[49]認為應(yīng)關(guān)注解決節(jié)能減排、降低石化能源使用量與單位能耗及綠色產(chǎn)業(yè)發(fā)展等問題。

（四）回顧總結(jié)

縱觀綠色金融促進碳減排的相關(guān)研究，發(fā)現(xiàn)已有研究主要圍繞綠色金融的內(nèi)涵本質(zhì)、綠色金融對增長的作用價值展開；一些研究關(guān)注了綠色金融政策實踐的經(jīng)濟、社會、環(huán)境效應(yīng)，但大部分忽略了綠色金融政策實踐效果的異質(zhì)性。特別是運用因果森林思想推斷政策效果及異質(zhì)性識別的研究較少。胡尊國等（2022）[50]基于機器學(xué)習(xí)的因果推斷，研究了“傾斜性”政策、生產(chǎn)部門變遷與南北地區(qū)發(fā)展差異問題；醫(yī)學(xué)領(lǐng)域的何文靜等（2019）[51]利用因果森林檢驗了病人群體的個體異質(zhì)性處理效應(yīng)。同時，鑒于各省份的經(jīng)濟發(fā)展基礎(chǔ)和規(guī)模體量、產(chǎn)業(yè)積淀和行業(yè)結(jié)構(gòu)、要素積累和資本積累、勞動培育和科技實力、管理水平等各方面條件參差不齊，所以，面對綠色金融帶來的發(fā)展機遇與政策導(dǎo)向，各省份會因自身的特殊稟賦條件和結(jié)構(gòu)優(yōu)勢，做出不同的行為決策；面對綠色金融導(dǎo)致的兼顧經(jīng)濟增長與綠色低碳轉(zhuǎn)型的一系列挑戰(zhàn)時，各省份的應(yīng)對能力也不同。因此，綠色金融必須考量異質(zhì)性以及政策完善實施的契合對接問題。利用因果森林檢驗綠色金融實踐效果的處理效應(yīng)，識別其異質(zhì)性，既可以充分利用現(xiàn)有研究基礎(chǔ)作為指引，又可以契合綠色金融促進碳減排的現(xiàn)實特征；既是豐富現(xiàn)有研究不足的需要，更是完善政策體系基礎(chǔ)的需求。

三、實證分析設(shè)計①本文根據(jù)實證設(shè)計進行分析，結(jié)論供參考。

本文將綠色金融作用價值的發(fā)揮作為一項準自然實驗，旨在考察綠色金融政策體系能否對綠色低碳發(fā)展的表征變量碳排放量指標產(chǎn)生處理效應(yīng)。在研究對象上，考慮數(shù)據(jù)有效性問題，剔除數(shù)據(jù)缺失嚴重的西藏和港、澳、臺地區(qū)，保留全國30個省份作為研究對象。在時間跨度上，考慮到數(shù)據(jù)可得性，將研究綠色金融政策發(fā)揮作用的時間跨度選定為2003—2020年，構(gòu)成面板數(shù)據(jù)。

在時間節(jié)點上，把研究綠色金融政策對碳排放量產(chǎn)生處理效應(yīng)的時間界限選定在2012年。2012年原銀監(jiān)會正式頒布《綠色信貸指引》，綠色金融政策工具在我國開始實踐探索，而2012年以前，綠色金融政策處于醞釀籌備和初步關(guān)注嘗試時期，因此把該階段各省份的綠色金融價值作用情況作為對照組。2012年以后，綠色金融政策正式實施和發(fā)揮作用，把該階段各省份的綠色金融價值作用情況作為處理組。

在研究方法上,利用因果森林思想方法，將因果推斷與隨機森林算法進行對接，探析綠色金融政策對碳排放量產(chǎn)生處理效應(yīng)的存在性特征，同時基于綠色金融發(fā)展典型表征變量和經(jīng)濟發(fā)展背景支撐變量兩個層面，探析綠色金融處理效應(yīng)的異質(zhì)性特征。

（一）研究假設(shè)

選取碳排放量作為綠色低碳轉(zhuǎn)型的目標表征變量，開展綠色金融處理效應(yīng)的研究，具有以下幾個特點。

首先，識別綠色金融處理效應(yīng)屬于因果推斷范疇。綠色金融通過投融資與綠色低碳發(fā)展相對接，促進傳統(tǒng)金融資源銜接綠色低碳發(fā)展需求，為經(jīng)濟綠色低碳轉(zhuǎn)型提供了投融資政策工具支持。綠色金融與新發(fā)展格局構(gòu)建和地方經(jīng)濟高質(zhì)量發(fā)展存在助推協(xié)同關(guān)系，可兼顧平衡碳排放與經(jīng)濟增長，引領(lǐng)經(jīng)濟高質(zhì)量發(fā)展，促進新發(fā)展格局構(gòu)建。

其次，綠色金融的處理效應(yīng)具有差異性。由于不同地區(qū)的產(chǎn)業(yè)結(jié)構(gòu)、資源要素稟賦以及經(jīng)濟發(fā)展水平存在一定的差異,綠色金融對我國東、中、西部各地區(qū)的影響是不同的。選取碳排放量為目標表征變量，估計綠色金融處理效應(yīng)以及分析個體異質(zhì)性，對于后續(xù)優(yōu)化綠色金融相關(guān)政策方案布局，提升各省份綠色金融政策工具的異質(zhì)性作用價值及針對性實施效果，完善應(yīng)對策略，有重要意義。

因此，提出如下假設(shè)。

假設(shè)一：綠色金融政策體系的構(gòu)建實施，對以碳排放量作為綠色低碳轉(zhuǎn)型的目標表征變量，產(chǎn)生明顯的處理效應(yīng)。

假設(shè)二：綠色金融政策體系的構(gòu)建實施，對于中國各省份的碳排放指標，具有顯著的個體異質(zhì)性價值。這具體呈現(xiàn)在表征綠色金融的典型指標上，也體現(xiàn)在表征經(jīng)濟發(fā)展基礎(chǔ)條件的背景變量上。

（二）基于因果森林算法的識別框架

首先，基于隨機森林算法基礎(chǔ)的因果森林。

因果森林以隨機森林算法為基礎(chǔ)，融入因果推斷的思想，是對傳統(tǒng)有監(jiān)督機器學(xué)習(xí)方法（回歸樹及隨機森林）的改進。因果森林與隨機森林均采取訓(xùn)練隨機樹的原理方法，然后在生成多棵樹的基礎(chǔ)上，訓(xùn)練出一片森林。二者在構(gòu)建協(xié)變量特征空間，進行特征劃分，發(fā)現(xiàn)各變量的重要性，識別異質(zhì)性作用時，采取的劃分準則一致，均采用基于基尼系數(shù)的CART算法。對于單個特征變量而言，變量重要性及其異質(zhì)性作用價值，可歸結(jié)為各變量的基尼系數(shù)值的大小。

因果森林與隨機森林采用的“分裂”準則目標不同。隨機森林算法的基尼系數(shù)，追求基于特征變量劃分以后的隨機樹的“純度”越高越好，聚焦于改進預(yù)測結(jié)果的均方誤差；而因果森林算法的基尼系數(shù)，關(guān)注基于特征變量劃分以后的隨機樹的“差異程度”越高越好。與此相對應(yīng)，因果森林算法采用不同的標準指標來進行隨機因果樹的模型構(gòu)建，不再把重點放在均方誤差指標的關(guān)注上，把基于干預(yù)效應(yīng)（treatment effects）測算的均方誤差作為標準，以構(gòu)建隨機樹、隨機森林以及因果森林。

因果森林有效結(jié)合了機器學(xué)習(xí)基礎(chǔ)上的隨機樹、隨機森林與因果推斷思想，采用非參數(shù)模型的“分叉”算法，特別適合異質(zhì)性問題分析，避免了傳統(tǒng)機器學(xué)習(xí)模型處理數(shù)據(jù)輸入輸出時未知函數(shù)形式“黑箱”的障礙，克服了對經(jīng)濟變量統(tǒng)計關(guān)系的可解釋性差等限制，與Rubin因果推斷模型結(jié)合，提高了用于因果關(guān)系識別的闡釋能力。而且，因果森林依托對隨機對照試驗異質(zhì)性問題處理的標準非參數(shù)化處理方法，克服或減弱了傳統(tǒng)機器學(xué)習(xí)算法（如隨機森林或支持向量機等）存在的“過度擬合”，以及袋外樣本（out of sample）預(yù)測準確度不太高等局限；化解了基于數(shù)據(jù)驅(qū)動導(dǎo)向的傳統(tǒng)機器學(xué)習(xí)（ML）基本采用x（變量向量）預(yù)測y（變量），并不能估計Neyman-Rubin因果模型平均處理效果（ATE）調(diào)節(jié)系數(shù)β的挑戰(zhàn)（Spiess和Mullainathan，2017）[52]。

其次，條件平均處理效應(yīng)（CATE）。

依據(jù)Athey等（2019）[4]的研究，運用因果推斷方法，選取碳排放量作為綠色低碳轉(zhuǎn)型的目標表征變量，可評估綠色金融政策體系的條件平均處理效應(yīng)（CATE），即：

其中，Yi(1)和Yi(0)分別表示選取碳排放量作為目標表征變量，對各省份樣本i進行處理和控制后，觀測到的綠色金融作用結(jié)果。

一是按照50%的比例，將各省份樣本i總體數(shù)據(jù)隨機分為兩個樣本子集，即訓(xùn)練樣本集和估計樣本集，訓(xùn)練樣本集用于生成回歸樹結(jié)構(gòu)，并根據(jù)數(shù)據(jù)條件構(gòu)建多棵因果樹，形成森林。

二是根據(jù)Athey和Imbens（2016）[2]的研究，為避免隨著因果樹生長越來越“茂盛”時，出現(xiàn)高估擬合優(yōu)度現(xiàn)象，文中采用“誠實估計”（honest estimation）的方法，并通過遞歸二叉分裂法將綠色金融表征變量、經(jīng)濟發(fā)展背景變量以及區(qū)域分類變量等構(gòu)成的特征空間，分成不同的子空間。

三是基于Tibshirani等（2016）[53]的研究，對廣義隨機森林過程進行相應(yīng)的參數(shù)調(diào)試。

再次，幾個關(guān)鍵環(huán)節(jié)的處理。

一是樣本對象選擇偏差。鑒于各省份的發(fā)展階段、條件稟賦存在差異，發(fā)展?jié)撃艽蠛蜋C會多的省份，更有可能獲得金融資源支持，以改善碳排放和發(fā)展綠色低碳經(jīng)濟，這意味著潛在預(yù)測結(jié)果最初存在對象選擇偏差（selection bias）問題。但是，根據(jù)Athey和Imbens（2016）[2]以及Athey等（2019）[4]的研究，運用其所提出的異質(zhì)性處理效應(yīng)估計法——因果森林，能夠?qū)Ω魇》莸挠^測性數(shù)據(jù)，給出處理效應(yīng)（treatment effects）的預(yù)測，并建立有效的置信區(qū)間，克服偏差問題。

二是“R-learner”函數(shù)。因果森林算法可采用多種形式，根據(jù)Nie和Wager（2017）[54]及Athey等（2019）[4]的研究，較為穩(wěn)妥可靠的辦法之一是，可使用“Rlearner”函數(shù)，種植因果樹，以生成一片廣義隨機森林，并獲得權(quán)重。具體采用如下異質(zhì)性處理效應(yīng)估計式：

其中，αi(x)是由機器學(xué)習(xí)驅(qū)動形成的核（kernel）。

Zi為處理變量，在此采用二分類變量，Zi=1，表示所研究的省份在處理組；Zi=0，表示所研究省份在控制組。

e(x)=P[Zi|Xi=x]表示對所研究省份進行處理組和控制組平衡隨機匹配時的傾向值得分。傾向值得分e(x)滿足0—1均勻分布。

m(x)=P[Yi|Xi=x]表示，對所研究省份進行處理和控制時的政策處理效應(yīng)期望值。

符號-i表示“袋外”（out-of-bag）預(yù)測，即Yi不可用于計算m?(-i)(Xi)。

m?(·)和e?(x)表示廣義隨機森林的估計值，并在對應(yīng)的兩個森林中進行“袋外”預(yù)測。

三是以省份為單元的聚類。在以各省份為研究對象，選取碳排放量作為目標表征變量，估計綠色金融的條件平均處理效應(yīng)時，需要考量將省級層面的聚類特征融入因果森林算法模型中。鑒于各省份是國家治理結(jié)構(gòu)中非常重要的行政節(jié)點，同一省份內(nèi)部的各級各類地方政府，通常具有某種共性：表現(xiàn)在區(qū)位稟賦特征、文化價值導(dǎo)向以及投資環(huán)境和政策偏好上。因此，以省份為聚類單元，可以體現(xiàn)綠色金融發(fā)揮作用時各省份具有類似的公共政策體系特征。從而，在因果森林學(xué)習(xí)算法中賦予同一省份相同的權(quán)重更符合事實，可以在一定程度上克服因果森林學(xué)習(xí)算法過分依靠數(shù)據(jù)驅(qū)動的弊端，尤其是“過擬合”問題。在此考量下，考慮特征相似的各省份，若省份的數(shù)量是J，那么各省份聚類時，以碳排放量作為目標表征變量，綠色金融的條件平均處理效應(yīng)τ?估計具體如下。

對第i個觀察值，可計算綠色金融的條件平均處理效應(yīng)（CATE）：

對第j個省份，依據(jù)其參與生成隨機森林分裂空間的變量數(shù)據(jù)，可得條件平均處理效應(yīng)（CATE），從而可得所有省份的CATE均值和方差。

（三）指標選擇與數(shù)據(jù)支撐

納入綠色金融處理效應(yīng)識別的變量指標包括被解釋變量、處理變量、綠色金融表征變量、經(jīng)濟發(fā)展背景變量等（見表1，以下同）。

表1 納入綠色金融處理效應(yīng)識別的影響因素指標

第一，被解釋變量。

被解釋變量采用碳排放量（mt）指標，指經(jīng)濟發(fā)展過程中排放的二氧化碳數(shù)量。碳排放總量測算可借鑒任曉松等（2020）[55]、張般若和李自杰（2021）[56]的核算方法,采用天然氣、液化石油氣、全社會用電量三類能源消費測算。

第二，處理變量。

處理變量又稱為試驗變量，指實驗者通過改變一個或幾個變量的具體表現(xiàn)方式（稱為處理），測量它們對另一個或幾個目標變量的影響和作用價值。考慮到綠色金融政策體系的實施演進歷程，以2012年為界限構(gòu)建二值分類變量。2012年以前=0，2012年以后=1，以表征綠色金融政策體系對經(jīng)濟綠色低碳發(fā)展形成的處理效應(yīng)。

第三，綠色金融表征變量。

該類變量體現(xiàn)綠色金融發(fā)揮作用所采用的產(chǎn)品工具特征。綠色金融政策體系的構(gòu)建實施需要依托多元化的產(chǎn)品工具創(chuàng)新，在此，參照一些學(xué)者對綠色金融的表征辦法，選用以下表征變量（Tao Shi，2022；蔡強和王旭旭，2022；張婷等，2022；賀正楚等，2022；謝東江和胡士華，2022）[57-61]。一是環(huán)保企業(yè)市值占A股市值比重（%）（x1），以表征綠色證券；二是水利、環(huán)境和公共設(shè)施管理業(yè)固定資產(chǎn)投資占比（%）（x2），以表征綠色產(chǎn)業(yè)；三是六大高耗能工業(yè)產(chǎn)出利息支出占比（%）（x3），且是反向類指標，以表征綠色信貸；四是工業(yè)污染完成投資占GDP比重（%）（x4），以表征綠色投資。

第四，經(jīng)濟發(fā)展背景變量。

綠色金融政策體系價值作用的發(fā)揮，將在經(jīng)濟發(fā)展的大市場中構(gòu)建實施，將在經(jīng)濟發(fā)展大循環(huán)中得到體現(xiàn)，在此選用以下背景變量。一是人均GDP（元）（pcGDP）。碳排放與經(jīng)濟發(fā)展規(guī)模水平直接相關(guān)，規(guī)模越大，水平越高，則碳排放量越大。但達到一定水平時，通常又會出現(xiàn)環(huán)境質(zhì)量與經(jīng)濟增長呈現(xiàn)倒U形關(guān)系的庫茲涅茲假說，碳排放趨于平穩(wěn)和不斷下降。二是財政收支比（倍數(shù)）（rfical），這是表征經(jīng)濟發(fā)展財政能力的重要指標。政府財政能力對當?shù)丨h(huán)境保護工作的執(zhí)行產(chǎn)生重要影響，財政能力越高的地區(qū)，在產(chǎn)業(yè)布局、企業(yè)引入方面就越會游刃有余地考慮生態(tài)紅線，對環(huán)境就越友好，從而對區(qū)域碳排放和綠色低碳發(fā)展有重大影響。三是城鎮(zhèn)人口所占比率（%）（rurban）。用各省份城市常住人口數(shù)與總?cè)丝跀?shù)之比表示，代表城鎮(zhèn)化進程水平。城市化程度高的省份，人口流動集聚可能增加碳排放。四是第二產(chǎn)業(yè)所占比重（%）（rsecd），這是表征工業(yè)化水平的重要指標。作為第二產(chǎn)業(yè)的重要組成成分，工業(yè)化進程常伴隨著高污染和高能耗，嚴重影響地區(qū)的碳排放。五是技術(shù)進步。一般情況下，碳排放指標隨著技術(shù)進步而下降，技術(shù)進步可提高區(qū)域的自主創(chuàng)新能力，通過低碳技術(shù)水平的提高降低碳排放?？紤]到表征技術(shù)進步的復(fù)雜性和簡化適用，具體采取專利申請授權(quán)數(shù)（件）（rpatent）和高等學(xué)校平均在校生數(shù)（人）（nedu）兩個指標來表示。六是固定資產(chǎn)投資占GDP的比重（倍數(shù)）（rfixed）。作為中國經(jīng)濟發(fā)展“三駕馬車”中最為重要的抓手，投資規(guī)模是經(jīng)濟短期增長和長期潛力培育的重要基礎(chǔ)，更是綠色低碳發(fā)展的基礎(chǔ)調(diào)控手段。投資規(guī)模能力對當?shù)丨h(huán)保工作產(chǎn)生重要影響，投資強度越高的地區(qū)，越有條件考慮生態(tài)紅線，從而影響碳排放的改善。七是能源消費量（萬噸標煤）（x21）。能源消費需求與經(jīng)濟發(fā)展的規(guī)模和發(fā)展水平直接相關(guān)，且化石能源是產(chǎn)生碳排放的主要源頭，與綠色低碳轉(zhuǎn)型密切相關(guān)。

第五，其他協(xié)變量。

一是年份。鑒于綠色金融政策體系的構(gòu)建完善是一個持續(xù)發(fā)展的過程，自提出實施以來，各方面政策措施不斷變化，對各省區(qū)具有時序性影響，因此，將年份作為一個類別變量，以捕捉年度的影響。二是區(qū)域。鑒于我國東、中、西三大經(jīng)濟地區(qū)的劃分傳統(tǒng)，這三大區(qū)域的經(jīng)濟發(fā)展水平與地理位置相結(jié)合的長期演變有著各自的發(fā)展特點。依據(jù)其自然條件與資源狀況的不同，綠色金融政策體系對其發(fā)揮作用時，會呈現(xiàn)差異性，因此，將區(qū)域作為一個類別變量，以捕捉空間異質(zhì)性的影響。

第六，數(shù)據(jù)來源。

能源消費量數(shù)據(jù)來源于2003—2020年的《中國能源統(tǒng)計年鑒》；環(huán)保企業(yè)市值占A股市值比重（%）由滬深股市的相關(guān)數(shù)據(jù)估算而得；其余數(shù)據(jù)來源于2003—2020年《中國統(tǒng)計年鑒》、各省份2003—2020年的統(tǒng)計年鑒。

四、實證結(jié)果分析

結(jié)果表明，選取碳排放量作為綠色低碳轉(zhuǎn)型的目標表征變量，綠色金融的平均處理效應(yīng)具有顯著可信性；同時，綠色金融的個體處理效應(yīng)具有異質(zhì)性的顯著可信性。而且，基于綠色金融的四個表征變量以及經(jīng)濟發(fā)展背景的八個表征變量，綠色金融對于各省份的碳排放處理效應(yīng)呈現(xiàn)不同的異質(zhì)性影響。

（一）模型校準

首先，進行因果推斷—隨機森林模型校準。

依據(jù)因果推斷—隨機森林模型校準檢驗，發(fā)現(xiàn)檢驗結(jié)果與先驗信息及研究假設(shè)保持一致。一是均值估計校準檢驗p值為0.050013，在5%的可信度上顯著，拒絕綠色金融平均處理效應(yīng)沒有顯著產(chǎn)生的原假設(shè)。二是異質(zhì)性估計校準檢驗p值為0.003375，在1%的可信度上顯著，拒絕了沒有個體異質(zhì)性處理效應(yīng)的原假設(shè)。

其次，進行因變量和處理變量的隨機森林模型校準。

在運用因果森林思想估計綠色金融處理效應(yīng)過程中，為更好地滿足隨機試驗要求，盡量減輕混淆變量的干擾程度，提高估計的有效性和精度，采用機器學(xué)習(xí)的通用做法，對目標變量碳排放、對綠色金融發(fā)揮作用的處理變量（虛擬變量）采用了隨機森林模型，并進行了模型校準。一是目標變量估計隨機森林模型校準結(jié)果顯示，估計均值的顯著性p值為2.2e-16，識別個體異質(zhì)性的顯著性p值為2.2e-16，二者均幾乎接近于0，意味著運用隨機森林模型進行因變量估算和識別異質(zhì)性是顯著可信的。二是處理變量估計隨機森林模型校準結(jié)果顯示，估計均值的顯著性p值為2.2e-16，識別個體異質(zhì)性的顯著性p值為2.2e-16，二者均幾乎接近于0，意味著運用隨機森林模型進行處理變量估算和識別異質(zhì)性是顯著可信的。

（二）綠色金融平均處理效應(yīng)（ATE）的總體布局

平均處理效應(yīng)（ATE）代表著綠色金融政策作用的整體水平，對個體而言，各省份的基礎(chǔ)和條件參差不齊，綠色金融處理效應(yīng)存在明顯的異質(zhì)性分布問題（見表2）。

表2 綠色金融平均處理效應(yīng)（ATE）的分布特征

第一，綠色金融對于碳排放具有顯著的正向影響。

綠色金融平均處理效應(yīng)的均值（mean）為7.227835，說明綠色金融總體上對碳排放呈現(xiàn)正向作用價值；結(jié)合模型校準部分關(guān)于均值估計校準檢驗p值的結(jié)果分析，說明綠色金融處理效應(yīng)總體上具有顯著可信性。

第二，基于變異系數(shù)（variation_coef）的平均處理效應(yīng)（ATE）異質(zhì)性明顯。

綠色金融平均處理效應(yīng)（ATE）的變異系數(shù)為6.341962。依據(jù)變異系數(shù)的大小界限標準：小變異為0—15%，中等變異為16%—35%，高度變異大于36%（管孝艷等，2012）[62]；或弱變異小于0.1，中等變異0.1—1，強變異大于1（劉繼龍等，2018）[63]。由此可知，綠色金融平均處理效應(yīng)的分布離散水平較高。

第三，基于偏度（skewness）的平均處理效應(yīng)（ATE）分布右偏拖尾。

綠色金融平均處理效應(yīng)（ATE）的偏度（skewness）值為1.18402。依據(jù)偏度系數(shù)＞0則表明總體分布右偏，偏右邊拖尾巴，高峰往左偏的規(guī)律，可知綠色金融平均處理效應(yīng)（ATE）在高值端方向的數(shù)據(jù)分布更為分散拖尾。

第四，基于峰度（kurtosis）的平均處理效應(yīng)（ATE）分布更集中陡峭。

綠色金融平均處理效應(yīng)（ATE）的峰度（kurtosis）值為6.096991。峰度反映數(shù)據(jù)分布曲線頂端尖峭或扁平程度，依據(jù)峰度系數(shù)大于0（已減去3，以方便比較）則表明數(shù)據(jù)分布比正態(tài)分布要陡峭、數(shù)據(jù)分布更集中的規(guī)律，可知綠色金融平均處理效應(yīng)（ATE）的分布有比正態(tài)分布更短的尾部。

第五，基于中分位數(shù)與均值比較的平均處理效應(yīng)（ATE）非正態(tài)分布。

中分位數(shù)p_50為2.742410，遠小于均值7.227835（見表2），表明綠色金融的平均處理效應(yīng)（ATE）的數(shù)據(jù)分布有些左偏。

第六，基于分位數(shù)間距與均值數(shù)據(jù)水平比較的平均處理效應(yīng)（ATE）分散化分布。

分位數(shù)p_05與p_95的間距為151.08105，相比均值7.227835的數(shù)值水平，該類分位數(shù)間距比較大。分位數(shù)p_25與p_75的間距為42.144820，相比均值數(shù)值水平，該類間距相對較大。

（三）綠色金融產(chǎn)生處理效應(yīng)過程中其各個表征變量的異質(zhì)性作用

盡管因果森林算法從統(tǒng)計上證明，綠色金融呈現(xiàn)顯著的個體異質(zhì)性處理效應(yīng)，但需要具體探析綠色金融的各個表征變量對處理效應(yīng)的異質(zhì)性作用特征，以發(fā)現(xiàn)政策發(fā)力基點。為此，將綠色金融的各個表征變量做如下處理。一是按照中位數(shù)分組，進行t檢驗；二是按照三分位數(shù)分組，進行方差分析（ANOVA）的聯(lián)合F檢驗。

通過以上處理是為了發(fā)現(xiàn)各變量與綠色金融處理效應(yīng)之間的變動關(guān)系，以及各變量對綠色金融處理效應(yīng)的異質(zhì)性作用的顯著性特征（見表3）。

表3 綠色金融處理效應(yīng)產(chǎn)生過程中各變量的異質(zhì)性作用識別

首先，分析環(huán)保企業(yè)市值占A股市值比重（%）變量（x1）對處理效應(yīng)的異質(zhì)性作用。

一是基于中位數(shù)分組。在x1較高的省份，對應(yīng)的處理效應(yīng)越大，說明x1與處理效應(yīng)之間總體呈現(xiàn)正向變動關(guān)系，意味著增大x1的規(guī)模，處理效應(yīng)水平相應(yīng)提升。高低值組之間的顯著性t檢驗不顯著，說明x1對處理效應(yīng)的異質(zhì)性作用尚未凸顯。整體看，需要大力發(fā)展x1所代表的綠色證券市場。

二是基于三分位數(shù)（高、中、低）分組。在x1為高值組時，對應(yīng)的處理效應(yīng)最明顯；在x1為中低值組時，對應(yīng)的處理效應(yīng)總體為負值，說明x1水平提高且規(guī)模達到高值組水平時，處理效應(yīng)凸顯。三分組的方差分析（ANOVA）聯(lián)合顯著性F檢驗不顯著，說明x1對處理效應(yīng)的異質(zhì)性作用尚未凸顯。這說明發(fā)展綠色證券市場并達到規(guī)模經(jīng)濟應(yīng)該是整體導(dǎo)向。

其次，分析水利、環(huán)境和公共設(shè)施管理業(yè)固定資產(chǎn)投資占比（%）變量（x2）對處理效應(yīng)的異質(zhì)性作用。

一是基于中位數(shù)分組。在x2越高的省份，對應(yīng)的處理效應(yīng)越大，說明x2與處理效應(yīng)之間總體呈現(xiàn)正向變動關(guān)系，意味著增大x2的規(guī)模，處理效應(yīng)水平相應(yīng)提升。高低值組之間的顯著性t檢驗在5%的可信度上顯著，說明x2所代表的綠色產(chǎn)業(yè)領(lǐng)域?qū)μ幚硇?yīng)的異質(zhì)性作用明顯。

二是基于三分位數(shù)（高、中、低）分組。在x2越高的組別，對應(yīng)的處理效應(yīng)越明顯，說明x2與處理效應(yīng)之間呈現(xiàn)正向變動關(guān)系，意味著增大x2的規(guī)模，處理效應(yīng)水平相應(yīng)提升。三分組的方差分析（ANOVA）聯(lián)合顯著性F檢驗不顯著，說明在x2細分組條件下，處理效應(yīng)的異質(zhì)性作用尚不明顯，這意味著需要對不同地區(qū)的綠色產(chǎn)業(yè)分類施策，以提高綠色金融效能。

再次，分析六大高耗能工業(yè)產(chǎn)出利息支出占比（%）變量（x3）對處理效應(yīng)的異質(zhì)性作用。

一是基于中位數(shù)分組。在x3越大的省份，對應(yīng)的處理效應(yīng)越?。ㄉ踔琳w為負值，處理效應(yīng)不存在），說明x3與處理效應(yīng)之間呈現(xiàn)反向變動關(guān)系，意味著代表高耗能產(chǎn)業(yè)領(lǐng)域的反向性指標x3減小的情況下，處理效應(yīng)水平相應(yīng)提升。高低值組之間的顯著性t檢驗不顯著，說明x3對處理效應(yīng)的異質(zhì)性作用不明顯。整體看，需要減小x3的規(guī)模，以提升處理效應(yīng)水平。

二是基于三分位數(shù)（高、中、低）分組。在x3越低的組別，對應(yīng)的處理效應(yīng)越大，說明x3與處理效應(yīng)之間呈現(xiàn)反向變動關(guān)系，這意味著反向指標x3越大，導(dǎo)致處理效應(yīng)越小，應(yīng)該減少x3所代表的高耗能產(chǎn)業(yè)規(guī)模水平。三分組的方差分析（ANOVA）的聯(lián)合顯著性F檢驗不顯著，說明x3對處理效應(yīng)的異質(zhì)性作用不明顯。整體看，需要縮減x3所代表的信貸規(guī)模，抑制高耗能產(chǎn)業(yè)發(fā)展，以提升處理效應(yīng)。

最后，分析工業(yè)污染完成投資占GDP比重（%）變量（x4）對處理效應(yīng)的異質(zhì)性作用。

一是基于中位數(shù)分組。在x4越低的省份，對應(yīng)的處理效應(yīng)越大，說明x4與處理效應(yīng)之間呈現(xiàn)反向變動關(guān)系，意味著隨著x4的規(guī)模增加，處理效應(yīng)并沒有提升?？赡艿脑蛟谟谠黾觴4過程中的邊際效應(yīng)遞減問題，需要關(guān)注綠色投資效率，打造規(guī)模經(jīng)濟效應(yīng)，加強監(jiān)管提高效能，將綠色金融的價值作用落到實處。高低值組間的顯著性t檢驗不顯著，說明x4對處理效應(yīng)的異質(zhì)性作用尚不明顯。整體看，需要關(guān)注x4的綠色投資邊際效能。

二是基于三分位數(shù)（高、中、低）分組。在x4處于低值組時，對應(yīng)的處理效應(yīng)越明顯，說明x4處于較高水平時，處理效應(yīng)尚難以顯現(xiàn)，原因可能在于x4的邊際效應(yīng)遞減；在x4處于中值組時，對應(yīng)的處理效應(yīng)最小（甚至整體為負值，處理效應(yīng)不存在），說明中值組所涵蓋省份的x4的處理效應(yīng)不明顯，需要細化契合現(xiàn)實的投資產(chǎn)品工具，提升處理效應(yīng)。三分組方差分析（ANOVA）的聯(lián)合顯著性F檢驗不顯著，說明x4對處理效應(yīng)的異質(zhì)性作用尚不明顯。整體看，特別需要關(guān)注x4在中值組的綠色投資策略。

（四）綠色金融對碳減排產(chǎn)生處理效應(yīng)過程中的經(jīng)濟發(fā)展背景各變量的異質(zhì)性作用

基于因果森林算法，可從統(tǒng)計上證明綠色金融個體處理效應(yīng)異質(zhì)性的總體存在性，也需要進一步明確經(jīng)濟發(fā)展各背景變量的作用異質(zhì)性特征，以完善綠色金融發(fā)揮作用的對象環(huán)境。為此，需要將經(jīng)濟發(fā)展各背景變量分別按照中位數(shù)分組進行t檢驗，按照三分位數(shù)分組進行方差分析（ANOVA）的聯(lián)合F檢驗，以發(fā)現(xiàn)各背景變量與綠色金融處理效應(yīng)之間的變動關(guān)系，以及各背景變量對處理效應(yīng)的異質(zhì)性作用的顯著性特征（見表4）。

表4 綠色金融處理效應(yīng)產(chǎn)生過程中經(jīng)濟發(fā)展各背景變量的異質(zhì)性作用識別

第一，分析人均GDP變量pcGDP對處理效應(yīng)的異質(zhì)性作用。

一是基于中位數(shù)分組。在pcGDP越低的省份，對應(yīng)的處理效應(yīng)越大，說明pcGDP與處理效應(yīng)之間呈現(xiàn)反向變動關(guān)系，意味著在經(jīng)濟發(fā)展水平越低的區(qū)域，綠色金融的作用越大。高低值組之間的顯著性t檢驗在5%的可信度上顯著性明顯，說明pcGDP對處理效應(yīng)的異質(zhì)性作用凸顯。整體看，綠色金融在經(jīng)濟相對落后地區(qū)的效果相對理想。

二是基于三分位數(shù)（高、中、低）分組。在pcGDP越處于低值的組別，對應(yīng)的處理效應(yīng)越明顯，說明pcGDP與處理效應(yīng)之間呈現(xiàn)反向變動關(guān)系，意味著在經(jīng)濟相對落后地區(qū)實施綠色金融戰(zhàn)略，效果更明顯。三分組方差分析（ANOVA）的聯(lián)合顯著性F檢驗在1%的可信度上顯著性明顯，說明pcGDP對處理效應(yīng)的異質(zhì)性作用凸顯。整體看，經(jīng)濟發(fā)展越落后，重視綠色金融越能產(chǎn)生處理效應(yīng)。

第二，分析財政收支比（倍數(shù)）變量rfical對處理效應(yīng)的異質(zhì)性作用。

一是基于中位數(shù)分組。在rfical越高的省份，對應(yīng)的處理效應(yīng)越大，說明rfical與處理效應(yīng)之間呈現(xiàn)正向變動關(guān)系，意味著財政能力越強，處理效應(yīng)越明顯。高低值組之間的顯著性t檢驗在5%的可信度上顯著性明顯，說明rfical對處理效應(yīng)的異質(zhì)性作用凸顯。整體看，財政對綠色金融發(fā)展的支持配合效果明顯。

二是基于三分位數(shù)（高、中、低）分組。在rfical越處于較高值的組別，對應(yīng)的處理效應(yīng)越明顯。三分組的方差分析（ANOVA）的聯(lián)合顯著性F檢驗在5%的可信度上顯著性明顯，說明在rfical細分條件下，對處理效應(yīng)的異質(zhì)性作用凸顯。整體看，財政能力越好，對綠色金融發(fā)展的支持配合效果越好。

第三，分析城鎮(zhèn)人口所占比率（%）變量（rurban）對處理效應(yīng)的異質(zhì)性作用。

一是基于中位數(shù)分組。在rurban越低的省份，對應(yīng)的處理效應(yīng)越大，說明rurban與處理效應(yīng)之間呈現(xiàn)反向變動關(guān)系。高低值組之間的顯著性t檢驗在5%的可信度上顯著性明顯，說明rurban對處理效應(yīng)的異質(zhì)性作用凸顯。整體看，rurban越低，處理效應(yīng)越明顯，意味著在城鎮(zhèn)化進程相對落后地區(qū)，綠色金融大有可為。

二是基于三分位數(shù)（高、中、低）分組。在rurban越處于低值的組別，對應(yīng)的處理效應(yīng)越明顯，說明rurban與處理效應(yīng)之間呈現(xiàn)反向變動關(guān)系。三分組方差分析（ANOVA）的聯(lián)合顯著性F檢驗不顯著，說明在rurban細分條件下，處理效應(yīng)異質(zhì)性不明顯，需要綠色金融分類施策，提高處理效應(yīng)水平。整體看，在rurban越低的區(qū)域，發(fā)展綠色金融的價值作用越明顯。

第四，分析第二產(chǎn)業(yè)所占比重（%）變量（rsecd）對處理效應(yīng)的異質(zhì)性作用。

一是基于中位數(shù)分組。在rsecd越低的省份，對應(yīng)的處理效應(yīng)越大，說明rsecd與處理效應(yīng)之間呈現(xiàn)反向變動關(guān)系，意味著rsecd較大時，發(fā)展綠色金融的處理效應(yīng)不明顯，可能的原因在于綠色金融的發(fā)展水平尚低，尚難以對rsecd較大的環(huán)境對象產(chǎn)生明顯的處理效應(yīng)。高低值組之間的顯著性t檢驗在5%的可信度上顯著性明顯，說明rsecd對處理效應(yīng)的異質(zhì)性作用明顯。整體看，rsecd越高的省份，應(yīng)大力發(fā)展綠色金融，提升處理效應(yīng)水平。

二是基于三分位數(shù)（高、中、低）分組。在rsecd越處于低值的組別，對應(yīng)的處理效應(yīng)越明顯，說明rsecd與處理效應(yīng)之間呈現(xiàn)反向變動關(guān)系，意味著在rsecd較低時，更容易產(chǎn)生處理效應(yīng)。三分組方差分析（ANOVA）的聯(lián)合顯著性F檢驗在10%的可信度上顯著性明顯，說明在rsecd細分條件下，對處理效應(yīng)的異質(zhì)性作用仍較明顯。整體看，rsecd越高的省份，越需要提升綠色金融發(fā)展水平，以放大處理效應(yīng)。

第五，分析專利申請授權(quán)數(shù)（件）變量（rpatent）對處理效應(yīng)的異質(zhì)性作用。

一是基于中位數(shù)分組。在rpatent越低的省份，對應(yīng)的處理效應(yīng)越大，說明rpatent與處理效應(yīng)之間呈現(xiàn)反向變動關(guān)系，意味著在rpatent較高的條件下，處理效應(yīng)并不明顯，原因可能在于rpatent的綠色低碳內(nèi)涵偏低，或產(chǎn)業(yè)化比例不足，綠色發(fā)展進程較緩慢等，使得較高的rpatent水平難以應(yīng)用于綠色低碳轉(zhuǎn)型領(lǐng)域，對處理效應(yīng)的作用尚不明顯。高低值組之間的顯著性t檢驗在10%的可信度上顯著性明顯，說明rpatent對處理效應(yīng)的異質(zhì)性作用明顯。整體看，在rpatent越低時，處理效應(yīng)更明顯。

二是基于三分位數(shù)（高、中、低）分組。在rpatent越處于低值組別，對應(yīng)的處理效應(yīng)越明顯，說明rpatent與處理效應(yīng)之間呈現(xiàn)反向變動關(guān)系，意味著rpatent處在較高值組別時，更需發(fā)揮對處理效應(yīng)的作用。三分組方差分析（ANOVA）的聯(lián)合顯著性F檢驗在10%的可信度上顯著性明顯，說明在rpatent細分條件下，對處理效應(yīng)的異質(zhì)性作用凸顯。整體看，當rpatent在高位水平時，需要提升其對處理效應(yīng)的支持功能。

第六，分析高等學(xué)校平均在校生數(shù)（人）變量（nedu）對處理效應(yīng)的異質(zhì)性作用。

一是基于中位數(shù)分組。在nedu越低的省份，對應(yīng)的處理效應(yīng)越大，說明nedu與處理效應(yīng)之間呈現(xiàn)反向變動關(guān)系，意味著在nedu指標較高的省份，處理效應(yīng)不明顯，原因可能在于nedu的專業(yè)與就業(yè)結(jié)構(gòu)不匹配，或者人才供需市場機制不暢等，使得nedu的人力資本潛力沒能釋放應(yīng)用。高低值組之間的顯著性t檢驗在10%的可信度上顯著性明顯，說明nedu對處理效應(yīng)的異質(zhì)性作用凸顯。整體看，需要挖掘nedu的潛能，釋放其在高位時對處理效應(yīng)的支持作用。

二是基于三分位數(shù)（高、中、低）分組。在nedu越處于低值的組別，對應(yīng)的處理效應(yīng)越明顯，說明nedu與處理效應(yīng)之間呈現(xiàn)反向變動關(guān)系，意味著nedu處于高位時，對處理效應(yīng)的作用沒能發(fā)揮。三分組方差分析（ANOVA）的聯(lián)合顯著性F檢驗在5%的可信度上顯著性明顯，說明nedu對處理效應(yīng)的異質(zhì)性作用凸顯。整體看，需要強化nedu對處理效應(yīng)的支持配合。

第七，分析固定資產(chǎn)投資占GDP比重（%）變量（rfixed）對處理效應(yīng)的異質(zhì)性作用。

一是基于中位數(shù)分組。在rfixed越高的省份，對應(yīng)的處理效應(yīng)越大，說明rfixed與處理效應(yīng)之間呈現(xiàn)正向變動關(guān)系，意味隨著rfixed的加大，處理效應(yīng)相應(yīng)提升。高低值組之間的顯著性t檢驗在5%的可信度上顯著性明顯，說明rfixed對處理效應(yīng)的異質(zhì)性作用凸顯。整體看，rfixed支持處理效應(yīng)的效果明顯。

二是基于三分位數(shù)（高、中、低）分組。在rfixed越處于較高值的組別，對應(yīng)的處理效應(yīng)越明顯，說明rfixed與處理效應(yīng)之間呈現(xiàn)正向變動關(guān)系，意味著增加rfixed，對處理效應(yīng)提升的支持作用良好。三分組方差分析（ANOVA）的聯(lián)合顯著性F檢驗在5%的可信度上顯著性明顯，說明在rfixed細分條件下，對處理效應(yīng)的異質(zhì)性作用凸顯。整體看，rfixed對處理效應(yīng)提升的配合作用效果明顯，二者協(xié)調(diào)性良好。

第八，分析能源消費量（萬噸標煤）變量（x21）對處理效應(yīng)的異質(zhì)性作用。

一是基于中位數(shù)分組。在x21越低的省份，對應(yīng)的處理效應(yīng)越大，說明x21與處理效應(yīng)之間呈現(xiàn)反向變動關(guān)系，意味著x21減少會使得處理效應(yīng)相應(yīng)提升。高低值組之間的顯著性t檢驗在1%的可信度上顯著性明顯，說明x21對處理效應(yīng)的異質(zhì)性作用凸顯。整體看，x21減少是提升處理效應(yīng)的較好舉措。

二是基于三分位數(shù)（高、中、低）分組。在x21越處于較低值的組別，對應(yīng)的處理效應(yīng)越明顯，x21與處理效應(yīng)之間呈現(xiàn)反向變動關(guān)系，意味著x21減少，碳排放源頭的控制減少，處理效應(yīng)得到提升。三分組方差分析（ANOVA）的聯(lián)合顯著性F檢驗在1%的可信度上顯著性明顯，說明在x21細分條件下，對處理效應(yīng)的異質(zhì)性作用凸顯。整體看，提升處理效應(yīng)，應(yīng)該在x21減少上采取措施。

五、結(jié)論與建議

深入研究綠色金融對不同地區(qū)碳排放產(chǎn)生的處理效應(yīng)及其異質(zhì)性特征，對有效制定差異化的經(jīng)濟綠色低碳發(fā)展路徑，最大限度地以低成本、高效率方式實現(xiàn)“雙碳”目標，避免“運動式”碳減排，具有參考價值。

（一）研究結(jié)論

本文以碳排放量作為經(jīng)濟綠色低碳發(fā)展的目標表征變量，探析了綠色金融政策體系對其產(chǎn)生處理效應(yīng)的格局特征，基于綠色金融典型表征變量和經(jīng)濟發(fā)展背景變量，系統(tǒng)分析了綠色金融處理效應(yīng)的異質(zhì)性變動規(guī)律。

通過實證分析得到以下結(jié)論。

首先，綠色金融平均處理效應(yīng)具有顯著的可信性。

綠色金融政策體系對以碳排放量為目標表征的變量產(chǎn)生了平均處理效應(yīng)。利用因果森林模型，經(jīng)過計量統(tǒng)計檢驗，可驗證該處理效應(yīng)具有顯著的可信性，意味著綠色金融政策體系的構(gòu)建實施，對經(jīng)濟綠色低碳發(fā)展具有處理效應(yīng)價值作用，也意味著綠色金融政策有較明顯的實踐效果。

其次，綠色金融的平均處理效應(yīng)呈現(xiàn)空間差異性格局。

中國各區(qū)域的發(fā)展狀況不同，綠色金融政策體系對各地產(chǎn)生的處理效應(yīng)必然呈現(xiàn)不同的特征?；谝蚬帜Ｐ头治霭l(fā)現(xiàn)，各區(qū)域的綠色金融平均處理效應(yīng)水平在各個區(qū)域之間、各個區(qū)域內(nèi)部等，均存在明顯的空間差異性特征，意味著綠色金融政策需要基于區(qū)域特征分類施策，擴大優(yōu)勢、補齊短板。

再次，綠色金融典型表征變量與綠色金融個體處理效應(yīng)之間呈現(xiàn)異質(zhì)性變動規(guī)律。

基于綠色金融典型表征變量，利用現(xiàn)有經(jīng)濟發(fā)展運行數(shù)據(jù)，選取碳排放量作為目標表征變量，發(fā)現(xiàn)綠色金融對中國各省份的個體處理效應(yīng)呈現(xiàn)差異性變動規(guī)律。特別是，體現(xiàn)金融發(fā)展傳統(tǒng)慣性特征的變量指標水利、環(huán)境和公共設(shè)施管理業(yè)固定資產(chǎn)投資占比（%）變量（x2），與綠色金融處理效應(yīng)之間的變動規(guī)律呈現(xiàn)異質(zhì)性，其顯著可信性凸顯。其他納入因果森林模型分析的綠色金融的產(chǎn)品工具變量，對綠色金融個體處理效應(yīng)的作用價值有待提升，意味著這些表征綠色金融的變量指標是今后政策體系完善的方向。

最后，經(jīng)濟發(fā)展背景表征變量與綠色金融個體處理效應(yīng)之間呈現(xiàn)異質(zhì)性變動規(guī)律。

基于經(jīng)濟發(fā)展背景變量，利用現(xiàn)有經(jīng)濟發(fā)展運行數(shù)據(jù)，選取碳排放量作為目標表征變量，發(fā)現(xiàn)綠色金融對中國各省份的個體處理效應(yīng)呈現(xiàn)差異性變動規(guī)律。源于因果森林模型分析結(jié)果發(fā)現(xiàn)，絕大部分經(jīng)濟發(fā)展背景變量指標對綠色金融個體處理效應(yīng)的價值作用凸顯。其中，人均GDP（pcGDP）、財政收支比（倍數(shù)）（rfical）、第二產(chǎn)業(yè)所占比重（rsecd）、高等學(xué)校平均在校生數(shù)（人）（nedu）、固定資產(chǎn)投資占GDP比重（rfixed）、能源消費量（萬噸標煤）（x21）等變量，與綠色金融個體處理效應(yīng)之間的變動關(guān)系呈現(xiàn)異質(zhì)性特征，其顯著可信性凸顯；專利申請授權(quán)數(shù)（件）（rpatent）、城鎮(zhèn)人口所占比率（rurban）等變量的可信性相對較弱。這意味著表征經(jīng)濟發(fā)展背景的變量指標，為綠色金融個體處理效應(yīng)的產(chǎn)生提供了政策融合基點，啟發(fā)了政策發(fā)力方向。

（二）對策建議

基于本文實證結(jié)果發(fā)現(xiàn)，應(yīng)依托綠色金融在碳排放與經(jīng)濟發(fā)展中的協(xié)同作用，穩(wěn)步推進“雙碳”目標的實現(xiàn)。

首先，要強化綠色金融政策體系的區(qū)域協(xié)同。

基于本文的實證結(jié)果可知，綠色金融平均處理效應(yīng)呈現(xiàn)異質(zhì)性，事實上契合于全國經(jīng)濟發(fā)展的非均衡性。就全國而言，受制于區(qū)域之間的發(fā)展不均衡，碳排放存在區(qū)域差異。產(chǎn)業(yè)結(jié)構(gòu)偏重，經(jīng)濟發(fā)展過度依賴第二產(chǎn)業(yè)尤其是重化工業(yè)的區(qū)域，“減碳”任務(wù)艱巨。同時，就綠色金融對碳排放量產(chǎn)生處理效應(yīng)而言，也存在處理效應(yīng)的區(qū)域異質(zhì)性。因此，利用綠色金融的減碳效應(yīng)需要依據(jù)區(qū)域特點實行差異化措施，防止誘發(fā)區(qū)域金融風(fēng)險，以及引發(fā)和疊加其他經(jīng)濟社會問題。必須基于區(qū)域碳減排壓力的非均衡性，參考綠色金融政策體系產(chǎn)生處理效應(yīng)的空間異質(zhì)性規(guī)律，協(xié)同跨區(qū)域跨時空的資源配置，把有限的綠色金融資源重點用于碳排放高的區(qū)域，抓住重點和關(guān)鍵，提高既定資源的減排降碳效果，實現(xiàn)碳減排效益最大化。針對綠色金融資源與碳減排任務(wù)不匹配現(xiàn)象，要積極將綠色金融業(yè)務(wù)納入信貸考核體系，增加對減排降碳領(lǐng)域的信貸支持，嚴控對“兩高一?！毙袠I(yè)的信貸投放，借助綠色金融杠桿實現(xiàn)綠色低碳轉(zhuǎn)型。

其次，不斷優(yōu)化綠色金融政策體系的產(chǎn)品工具組合。

基于本文的實證結(jié)果可知，綠色金融典型表征變量與個體處理效應(yīng)之間呈現(xiàn)異質(zhì)性變動規(guī)律，并且各變量的價值作用的顯著可信性存在差異。因此，要充分利用有效市場和有為政府共同激勵的協(xié)同模式，在注重財稅、政府采購、轉(zhuǎn)移支付等政策引導(dǎo)支持作用的同時，更加注重發(fā)揮市場機制對綠色金融資源配置的決定性作用。要持續(xù)加強碳排放管控的綠色金融政策工具創(chuàng)新與結(jié)構(gòu)優(yōu)化，探索碳減排新型手段，提升綠色金融政策體系的產(chǎn)品完善性和工具手段結(jié)構(gòu)平衡性，發(fā)揮綠色金融產(chǎn)品工具的組合效應(yīng)。借力多層次資本市場融資功能，多渠道引導(dǎo)企業(yè)和社會資金投至減排降碳和產(chǎn)業(yè)結(jié)構(gòu)改造升級領(lǐng)域，為節(jié)能低碳和轉(zhuǎn)型升級提供綠色資金保障。嘗試“先借后貸”等形式，鼓勵增加碳減排貸款，積極發(fā)展風(fēng)險投資、股權(quán)融資以及綠色債券等新型直接融資政策工具產(chǎn)品，加強對新能源領(lǐng)域和清潔生產(chǎn)項目的重點支持。開發(fā)適合的綠色金融產(chǎn)品和服務(wù)，推動綠色債券、綠色保險及林業(yè)碳匯交易市場的構(gòu)建完善，加大綠色金融政策工具對生態(tài)保護修復(fù)的投資參與力度，促進生態(tài)環(huán)境效應(yīng)與經(jīng)濟效益共贏。

再次，探索完善綠色金融相關(guān)政策體系的頂層設(shè)計。

基于本文的實證結(jié)果可知，經(jīng)濟發(fā)展背景表征變量與綠色金融個體處理效應(yīng)之間呈現(xiàn)異質(zhì)性變動規(guī)律，且絕大部分變量指標的價值作用顯著可信性凸顯。因此，要依托頂層設(shè)計，完善綠色金融政策體系，促進綠色金融深度融合于經(jīng)濟發(fā)展的內(nèi)在需要，發(fā)揮綠色金融兼顧碳排放與高質(zhì)量發(fā)展的雙贏價值功能。要強化科技賦能，建立綠色投融資與綠色項目對接平臺，打通綠色投融資信息壁壘。借力大數(shù)據(jù)、人工智能與區(qū)塊鏈等數(shù)字化技術(shù)，打造完善地方政府、金融機構(gòu)及企業(yè)三方綠色投融資與綠色項目對接平臺，實現(xiàn)生態(tài)環(huán)境信息、碳排放信息以及綠色投融資數(shù)據(jù)的整合共享。簡化綠色信貸業(yè)務(wù)流程，對接政府性融資擔(dān)保，培育利用核心信用，降低融資成本和融資門檻。依托區(qū)域內(nèi)政府有限資金的引導(dǎo)功能，吸引社會資本參與，共同設(shè)立綠色低碳區(qū)域共同基金，考慮減排貢獻，體現(xiàn)區(qū)域間差異，充分發(fā)揮共同基金在資金籌集和使用過程中的激勵作用。依托市場化運作和政策性支持，有效放大綠色金融使用效益，并將綠色金融的資源籌集和使用分配功能，作為調(diào)節(jié)區(qū)域之間、區(qū)域內(nèi)部發(fā)展不平衡的杠桿，協(xié)調(diào)推進碳減排和高質(zhì)量發(fā)展的區(qū)域間協(xié)同共進共贏。