绿色金融对区域绿色创新效率...——基于空间效应的实证分析_赵凌燕.pdf

2022年第12期（总第605期）区 域 金 融 研 究Journal of Regional Financial ResearchNO.12，2022General NO.605收稿日期：2022-10-02作者简介：赵凌燕，女，湖北通城人，硕士，高级工程师，供职于中国人民银行桂林市中心支行，研究方向为绿色金融。易庆玲，女，湖北荆州人，硕士，会计师，供职于中国人民银行南宁中心支行，研究方向为绿色金融。一、引言近年来，绿色金融发展备受关注。2016年，人民银行、财政部、国家发展改革委等7部门联合发布 关于构建绿色金融体系的指导意见，建立了比较完整的绿色金融政策体系。2021年，人民银行提出构建包括绿色金融标准、环境信息披露、政策激励机制、产品创新体系、国际合作在内的绿色金融体系“五大支柱”。“十四五”规划和2035年远景目标纲要明确提出，大力发展绿色金融。这是深入践行“绿水青山就是金山银山”理念、推动生态文明建设的内在要求，是实现金融供给侧结构性改革、推动高质量发展的必然要求。绿色金融是促进绿色创新、实现绿色发展的重要推动力。绿色金融是企业创新体系的“血液”，其通过外部激励、内部动力和能力培育三种路径帮助绿色经济体系的主体之间进行资金或信息的交换（王丽萍等，2021；乔海曙，1999；郭沛源，2005），这将有利于盘活绿色创新资金，推动绿色知识借用信息交换渠道进行充分流动，通过知识溢出效应提升本地区以及周边区域的绿色创新效率。在现代经济社会中，不同地区存在不同的经济发展水平、城镇化发展程度、工业化程度，导致绿色金融对绿色创新效率的助推和激发作用不同，对绿色创新资源的吸引程度不同，进而造成部分经济发展相对较好的城市绿色创新知识和人才等集聚，并通过知识溢出效应、共生经济效应和技术波绿色金融对区域绿色创新效率的影响研究基于空间效应的实证分析赵凌燕易庆玲（中国人民银行桂林市中心支行，广西桂林541000；中国人民银行南宁中心支行，广西南宁530028）摘要：绿色金融是促进绿色创新、实现绿色发展的重要推动力。为深入研究绿色金融和区域绿色创新效率的内在关联，探讨绿色金融对区域绿色创新效率的促进作用以及其空间传导效应，文章选取中国20132020年的省域数据，构建空间杜宾模型（SDM）进行实证分析。研究结果表明，绿色金融的发展有助于区域绿色创新效率的提升，且其影响作用存在显著的空间传导效应。从直接效应来看，绿色金融的发展和生产力水平的提高对本区域绿色创新效率具有促进作用；从间接效应来看，绿色金融、生产力水平、科技支出水平和城镇化水平对邻近地区的绿色创新效率具有空间溢出效应。关键词：绿色金融；区域绿色创新效率；空间效应中图分类号：F832文献标识码：A文章编号：1674-5477（2022）12-0043-10-43区域金融研究 2022年第12期金融理论及效应等对周边城市绿色创新人才和绿色资本形成溢出效应，带动周边城市绿色创新发展，或者由于虹吸效应，对周边地区绿色创新资源形成锁定，制约周边不发达地区的绿色创新发展。因此，基于空间溢出视角，研究绿色金融与区域绿色创新效率之间的内在关联和相互作用具有重要的现实意义。二、文献综述（一）绿色金融绿色金融通常是指能够减少能源使用、降低环境污染、应对气候变化的金融活动与金融产品。Salazar（1998）指出，绿色金融是以环境保护为目的的金融创新，是金融行业与环境产业之间的纽带和桥梁，即“可持续金融”。Labatt&White（2002）则认为，绿色金融就是指以市场为研究基础，提高环境质量、转移环境风险的金融工具。对于绿色金融发展水平的测度，目前主要从绿色信贷、绿色证券、绿色保险、绿色投资、碳金融等五个维度构建指标体系来衡量。如曾学文等（2014）选取20102012 年国内官方数据，从绿色信贷、绿色证券、绿色保险、绿色投资、碳金融五个维度综合评估我国绿色发展水平；巫剑飞（2019）也从这五个维度综合测度浙江省绿色金融发展水平以及对比分析不同地区绿色金融发展水平。除此之外，一些学者在上述五个维度基础上还增加了环保设施投资建设、绿色金融基础设施建设等指标（吕岩威等，2019；吴旭晓，2019；光峰涛等，2022）。（二）绿色创新效率绿色创新概念最早于20世纪60年代被提出，随着生态问题的日益突出，绿色创新越来越受到国内外学者的关注，但目前尚未形成统一公认的定义。Rennings（2000）认为，只要是能够降低环境污染、减轻环境压力的行为都可纳入绿色创新的范畴。国内学者庄芹芹等（2020）认为，广义上的绿色创新可理解为一切有助于绿色发展和生态文明建设的绿色技术。绿色创新效率用于衡量资源、技术、经济和环境的综合效益，判断实现创新资源合理配置的程度。对它的测度，以往很多研究会选择随机前沿分析（SFA）和基于投入产出的数据包络分析（DEA）方法进行测度，但考虑到SFA方法对生产函数有限制也容易造成分析结果偏差，目前采用非期望产出的SBM模型居多，能解决传统DEA方法的局限性问题。如冯志军（2013）运用DEA-SBM方法建立工业企业绿色创新效率测度模型，分析比较中国省级行政区域及八大经济区规模以上工业企业的绿色创新效率；任阳军等（2019）运用动态空间杜宾模型，分别在邻接空间权重和经济距离空间权重下检验高技术产业集聚及其空间溢出效应与绿色经济效率的关系。在模型指标的选择上，目前研究主要选取与绿色技术创新活动相关的人力、资本、能源/资源作为投入指标；而产出指标，选取区域专利授权数、新产品销售收入作为期望产出指标，选取区域工业废气、废水和固体废弃物表示非期望产出指标。如王惠等（2015）利用考虑非期望产出的Super-SBM模型度量20032013年中国工业企业绿色创新效率；刘军等（2020）运用考虑非期望产出的SBM模型测算各地区的绿色创新效率以衡量区域绿色创新水平。（三）绿色金融对绿色创新效率的影响关于绿色金融对绿色创新效率的影响，在研究内容上，国内外研究主要集中探讨绿色金融对绿色经济实现创新发展的影响、绿色金融对绿色技术创新效率的影响等方面；在实证研究方法上，现有研究主要运用面板数据模型、中介效应模型等进行分析。大多数研究认为，绿色金融能够促进绿色经济实现创新驱动发展，提升绿色技术创新效率（王韧，2019）。Scholtens（2006）提出，金融机构在发展绿色金融的过程中通过金融创新，实现经济与生态的健康发展。何凌云等（2019）采用中介效应模型进行研究，结果表明：绿色信贷水平及研发投入水平的提高均对环保企业技术创新具有显著的促进作用。朱向东等（2021）使用面板数据模型剖析绿色金融对污染性产业的技术效应，结果表明：绿色金融能够在不同区域促成污染性重工业和轻工业进行技术创新。综上所述，学者们围绕绿色金融和绿色创新效率方面都已经有了一定的研究，但重点针对两者之间关联作用和相互影响方面的研究较少。本文的创新之处主要有两点：一是在指标测度上，既往研究主要基于绿色信贷、绿色证券、绿色保险、绿色投资、碳金融等五个维度构建绿色金融发展水平指标体系，本文拟从绿色信贷、绿色债券、绿色投资、绿色证券和政府支-44区域金融研究 2022年第12期金融理论持五个角度出发构建绿色金融指数，相较于其他研究，涉及面更广更全面，且引入绿色债券发行情况指标，其发行人以金融机构和企业为主，更能够反映我国区域间绿色金融的真实水平。二是在实证研究方法上，现有文献大多运用普通面板数据模型、中介效应模型等进行分析，基于空间溢出视角来探讨该问题的研究比较少，本文考虑到绿色金融以及绿色创新效率的空间异质性特征，不同区域间因经济发展水平、工业化程度等存在差异，绿色金融对绿色创新效率的助推和激发作用不同，从而选用空间杜宾模型来研究两者的关系。三、绿色创新效率和绿色金融发展指数的测度及分析（一）绿色创新效率测度方法及指标体系1.测度方法介绍。许多研究在测度效率指标时会选择随机前沿分析（SFA）和基于投入产出的数据包络分析（DEA）方法。考虑到SFA需要对生产函数进行预设，其对生产函数的限制也容易造成分析结果偏差。本文借鉴冯志军（2013）、任阳军等（2019）的研究成果，选择基于非期望产出的Super SBMDEA模型来测算绿色创新效率，该模型不仅能够有效处理非期望产出的问题，还能够对不同的决策单元进行比较，能很好地解决传统DEA模型的缺陷。本文将根据Super SBMDEA模型构建过程确定决策单元的投入要素、期望产出以及非期望产出，并选用DEA-Solver软件来测算我国30个省份（西藏及港澳台地区数据缺失）2013年至2020年的绿色创新效率指数。2.指标体系构建。在选择投入指标时，本文分别从人力、资本和能源三个方面进行衡量，而产出指标则从创新成果数量和经济效应方面进行衡量。在进行非期望产出指标的选择时，考虑到绿色创新效率指标相比一般的创新效率指标更加强调绿色可持续发展的理念，因此不仅需要考虑创新成果的研发效率，还需要考虑污染物排放和能源消耗在提升区域绿色创新效率过程中的阻碍作用。因此，本文借鉴王惠等（2015）、刘军等（2020）的研究，将能够反映环境保护压力的“三废”排放量作为模型中的非期望产出，借此衡量绿色创新活动可能产生的环境污染问题。具体的指标选取如表1所示。表1绿色创新效率相关指标选取表一级指标创新投入创新产出非期望产出二级指标人力资本能源经济效应创新成果数量环境效应三级指标R&D人员全时当量（人年）R&D经费支出（万元）工业用电（万千瓦时）新产品销售收入（万元）专利授权数（件）工业废水排放（万吨）工业废气中二氧化硫及粉尘排放（万吨）工业固体废弃物产生量（万吨）3.数据说明。该部分数据选取中国 30 个省份20132020年的省域数据，数据来源于20122021年的 中国城市统计年鉴 中国科技统计年鉴 中国环境统计年鉴。其中，研发（R&D）人员全时当量、R&D经费支出、新产品销售收入、专利授权数的数据来自 中国科技统计年鉴，工业用电数据来自 中国城市统计年鉴，省域工业用电数据由其项下各地级市数据加总获得。非期望产出中的“三废”排放量数据来自 中国环境统计年鉴。4.测算结果。从表2可以看出，总体上中国省域绿色创新效率呈现逐年提升的特征，北京绿色创新效率在全国范围内表现突出，天津、上海、江苏、浙江以及广东绿色创新效率也一直保持在上游水平，说明这些省份绿色创新发展情况良好。从各省份的绿色创新效率指数来看，可以发现北京虽然存在雾霾问题，但是绿色创新效率远远超过其他城市和地区，约为其他地区的23倍。对于这种情况，一是本文绿色创新效率为考虑了环境保护因素的创新指标，相对其他地区，北京的技术创新实力最强，创新效率最高，二是本文所采用的非期望产出数据主要是基于生产活动产生的污染排放，并未考虑日常生活造成的污染排放。同时，由于北京与天津对周边地区的人力、物力、财力和信息资源形成巨大的引力，地区产业发展的不平衡，对其周边地区形成了锁定效应，导致北京始终维持着高绿色创新效率，而周边除了天津以外区域的绿色创新效率却始终保持在较低的水平。而上海、江苏、广东等地的绿色创新效率一直处在高位，但是其周边地区的绿色创新效率也普遍较高，且整体上呈现出我国东南部地区绿色创新效率普遍显著提升的特点。由此可以推测，上海、浙江、广东等绿色创新效率较高的区域对于周边城市和地区还未形成锁定效应，且其产生的空间溢出效应带动了-45区域金融研究 2022年第12期金融理论周边区域的绿色创新协同发展以及绿色创新效率共同提升。表220132020年省域绿色创新效率序号123456789101112131415161718192021222324252627282930省份/年份北京天津河北山西内蒙古辽宁吉林黑龙江上海江苏浙江安徽福建江西山东河南湖北湖南广东广西海南重庆四川贵州云南陕西甘肃青海宁夏新疆20132.3141.2310.3050.2030.1580.3770.1880.3051.0980.8031.4500.5360.4470.4050.6070.3930.4961.0300.8140.3890.3800.6100.4160.3030.1870.3010.2510.0790.3150.20620142.9131.1320.3090.1790.1370.3670.4070.2761.1500.8551.4530.5660.4220.3910.6360.3820.5351.0540.8530.3140.3071.0380.4450.3940.2630.3510.2750.1010.1790.25320153.7131.1880.2860.1730.1470.3180.4130.3001.0640.7921.3830.5580.5510.3960.5410.3930.5221.0760.9100.3820.3051.0700.5040.4660.2720.4400.2040.2200.2420.34720163.8761.0260.3000.2180.1570.3090.6520.3241.0060.7421.2370.6400.6141.0040.5080.4300.5941.0731.1000.4140.3001.0450.6130.4770.3681.0410.2330.2340.2070.32220173.8451.0100.3420.3050.2450.3201.0620.4351.3770.7841.1011.0010.6401.0010.6010.5130.6731.1261.1240.4940.3331.0200.5870.4790.4760.4480.3630.2490.3640.40120183.3251.2650.6490.6520.2730.3580.6660.4131.4550.9201.1111.0921.0081.0010.7950.8290.8430.6951.1840.5430.5420.8300.5690.5670.4440.5020.4010.3040.4970.40420193.8921.3670.6520.6420.3520.3931.0410.4531.5370.8141.1510.8770.7341.0430.8490.6741.0010.6831.2370.5560.5000.7530.5620.5020.4000.4850.5300.3480.4000.42120203.9001.3680.7020.7280.3740.3920.8350.4741.4491.0591.2051.0410.7531.0610.8950.7490.8150.6851.2060.5230.5990.8010.5620.5200.4570.4880.5640.4100.4230.506（二）绿色金融发展指数的指标体系构建及测算本文在已有研究基础上，从绿色信贷、绿色债券、绿色投资、绿色证券和政府支持五个角度出发，构建区域绿色金融发展指数（如表3所示）。本部分数据主要来源于万得数据库，并采用熵值法测算各地区绿色金融发展指数。表3绿色金融发展指标体系一级指标绿色信贷绿色债券绿色投资绿色证券政府支持表征方法绿色贷款余额占比绿色债券发行余额环境污染治理投资占GDP比重环保企业市值占比财政环境保护支出占比计算方法绿色贷款余额/本外币各项贷款余额已发行的经审批的贴标绿色债券余额环境污染治理投资/GDP环保企业市值/A股总市值财政环境保护支出/财政一般预算支出通过熵值法给各指标进行赋权，得出绿色金融发展指数的构成为：绿色金融发展指数=绿色债券*33.07%+绿色投资*9.73%+政府支持*17.43%+绿色信贷*4.45%+绿色证券*35.32%根据熵值法赋权所测算出的绿色金融指数如表4所示。从表4中可看出，截至2020年末，绿色金融发展水平领先的地区主要有江苏省、广东省、北京市和浙江省，绿色金融发展水平较为落后的地区主要为内蒙古自治区、黑龙江省和海南省。表420132020年省域绿色金融发展指数序号123456789101112131415161718192021222324252627282930省份/年份北京天津河北山西内蒙古辽宁吉林黑龙江上海江苏浙江安徽福建江西山东河南湖北湖南广东广西海南重庆四川贵州云南陕西甘肃青海宁夏新疆20130.5210.6080.4420.4210.1310.1740.1920.0570.4450.6490.5620.2150.1770.2040.1690.1330.1460.1840.5610.1610.1870.5550.3280.2700.0710.3290.3260.3630.6960.34120141.1660.9010.2860.4910.1670.2250.1780.1170.4500.6520.3640.2240.1900.2740.1920.1300.1250.1630.4500.2080.1680.4170.2960.2690.0800.3150.3070.4971.0150.42520151.4050.8390.2790.3570.1330.1950.2160.1480.5210.8300.4120.2410.1860.2180.1490.1070.1560.2510.7460.1170.2090.3200.2930.2620.0980.3320.1620.5160.5170.29120161.6720.5060.2980.3320.1450.2140.1870.2381.3010.8740.4990.1730.7250.3320.2880.1580.2040.1710.6360.1220.1910.3330.3110.2040.0980.3230.2340.6200.8450.26520172.3650.5280.4160.3630.1580.2220.1680.2781.5210.9860.5460.2560.6990.3380.2880.1590.3360.3161.5330.1640.2040.3360.5000.2960.1170.3670.2060.3590.4490.24520182.3210.5130.4670.3620.1260.2080.1420.2531.4242.4940.8510.3301.2970.3670.3730.1870.5230.3411.2710.1840.1750.4630.5050.3290.1930.3200.1990.3140.4092.96920193.0050.7410.5490.3610.1540.2560.1920.2471.1862.9681.2710.2951.2360.3660.5670.2270.9260.4062.0750.2130.1760.4880.7360.4100.2580.4590.1840.5040.3710.25520203.0341.3290.5150.3140.1350.2520.2280.1721.1724.0492.2210.2971.4200.5031.2020.7011.0570.5943.0830.2320.1840.6321.0390.6360.3670.3570.3320.3790.3640.214四、空间效应实证分析为深入研究绿色金融和区域绿色创新效率的内在关联，探讨绿色金融对区域绿色创新效率的促进作用以及其空间传导效应，本文构建空间杜宾模型（SDM）进行实证分析。（一）空间相关性检验1.空间权重矩阵的选定。目前常用的空间权重矩阵主要有三种，一是地理邻接权重矩阵（0-1 矩阵），二是从空间地理距离出发的空间地理矩阵，三是将区域经济特征同时纳入考虑的经济距离矩阵。考虑到区域之间的交易成本主要受到地理距离的影响，一般来说相邻区域以及地理距离较短的区域之间更-46区域金融研究 2022年第12期金融理论容易跨越空间距离的阻碍进行交流和交易，因此本文选择邻接矩阵（0-1矩阵）以及空间地理矩阵来进行空间效应的研究。2.空间相关性检验结果。由于区域之间存在交通连接、人员流动、知识溢出等因素，具有一定的关联关系，因此一个地区的绿色金融发展不仅会对本地区的绿色创新效率产生影响，还会对其周边地区的绿色创新活动产生影响。对空间相关性进行检验有利于探究地理范围内各个要素的空间集聚效果及其相互之间的相关程度，本文将选取莫兰（Morans I）指数来对中国省域绿色创新效率和绿色金融发展指数的全局空间自相关、局部空间自相关情况进行分析。（1）绿色创新效率全局Morans I。利用Stata14.0对我国30个省份20132020年间的Morans I指数进行显著性检验，结果如表5、表6所示。结果显示，无论是基于0-1矩阵计算的绿色创新效率Morans I指数还是基于地理矩阵计算的绿色创新效率 Morans I指数，所有年份均在显著性水平为5%的情况下通过显著性检验，说明中国省域绿色创新效率存在非常显著的空间相关性。除此之外，由于绿色创新效率的Morans I指数均为正值，说明中国省域绿色创新效率存在明显的空间正相关，即随着空间分布位置的集聚，这种绿色创新效率的空间相关性将越发显著。关于绿色金融发展指数的Morans I指数，基于0-1矩阵计算的2013年、2017年、2018年数据没有通过显著性检验，其他年份均在显著性水平为5%的情况下通过显著性检验，且基于地理矩阵计算的Morans I指数所有年份均在显著性水平为1%的情况下通过显著性检验，说明绿色金融发展指数同样存在着一定的空间相关性，且这种相关性将随着空间距离的缩减越发显著。综上可以发现，中国省域绿色创新效率和绿色金融发展指数的空间分布情况并不是随机的，而是存在着高位集聚和低位集聚的情况，即显著的空间效应。因此，在研究绿色金融发展指数对区域绿色创新效率的影响时，应当考虑城市间的空间相关性。（2）绿色创新效率局部Morans I。考虑到全局Morans I指数无法反映出中国省域绿色创新效率和绿色金融发展指数的空间自相关性及其局部空间集聚的趋势特征，本文通过绘制Moran散点图对中国省域绿色创新效率和绿色金融的空间特征进一步展开研究。为了更清晰地区分基于不同空间矩阵所得到的Moran散点图情况，分别基于0-1矩阵和基于地理矩阵的Moran散点图进行探索，并选取2013年、2020年的数据对省域绿色创新效率和绿色金融局部空间集聚的趋势特征进行分析（如图1至图4所示）。从绿色创新效率的散点分布来看，大部分省份位于一、三象限呈现出正向的空间相关性（位于第一象限为高-高集聚，第三象限为低-低集聚），而小部分省份位于二、四象限呈现出一定的局部负相关性（位于第二象限为高-低集聚，第四象限为低-高集聚）。同时，随着时间的推移，各个象限的散点图呈现出由相对分散向相对集中变化的趋势，这说明总体上看区域内部的绿色创新效率的空间差异正在进一步缩小。但是观察散点图中具体数字所代表的城市的变化趋势可以发现，“1”代表的北京和“2”代表的天津在2013年至2020年间的散点分布并未向原点转移，反而呈现出明显的向外偏移的趋势，这说明北京、天津与其周围的邻接城市绿色创新效率的空间差异正在进一步扩大，两极分化的趋势明显。相较于0-1矩阵绘制的局部Moran散点图，基于地理矩阵绘制的局部Moran散点图的散点分布更加集中，说明在空间上地表520132020年基于0-1矩阵计算的全局Morans I值年份20202019201820172016201520142013绿色创新效率Morans I值0.1970.2030.2180.1480.1030.1820.2440.346z3.033.0862.9172.111.6512.5292.7463.451p-value0.0010.0010.0020.0170.0490.0060.0030.000绿色金融发展指数Morans I值0.1480.1170.0510.0930.1900.2260.2090.097z1.5831.3310.7381.1841.9882.3452.0861.058p-value0.0570.0920.2300.1180.0230.010.0180.145注：p-value0.1，代表在10%水平下显著；p-value0.05，代表在5%水平下显著；p-value0.01，代表在1%水平下显著。下同。表620132020年基于地理矩阵计算的全局Morans I值年份20202019201820172016201520142013绿色创新效率Morans I值0.0750.0580.110.0710.0760.1550.220.262z2.0351.7152.4561.7421.893.1623.5623.822p-value0.0210.0430.0070.0410.0290.0010.0000.000绿色金融发展指数Morans I值0.4110.4160.1840.1900.2090.2470.120.161z5.4895.6482.6942.963.0763.6181.8822.231p-value0.0000.0000.0040.0020.0010.0000.0300.013-47区域金融研究 2022年第12期金融理论理距离的靠近比单纯的省域邻接更有利于形成区域间的交流，缩小区域间的空间差异。从绿色金融发展指数的散点分布来看，无论是基于0-1矩阵还是基于地理矩阵绘制的局部Moran散点图，其散点均大多分布于一、三象限，说明绿色金融指数也存在一定的正向空间相关性。其中江浙沪地区图1主要年份中国省域绿色创新效率的局部Moran散点图（基于0-1矩阵）注：“1”代表北京，“2”代表天津，相关序号指代如表2第一列所示。下同。图2主要年份中国省域绿色创新效率的局部Moran散点图（基于地理矩阵）图3主要年份中国省域绿色金融发展指数的局部Moran散点图（基于0-1矩阵）-48区域金融研究 2022年第12期金融理论的绿色金融指数一直位于高-高类型，可见其绿色金融的正向空间效应比较明显，而北京、天津等地逐渐由原来的正向空间效应向负向空间效应转移，河北一直存在负空间效应，说明京津冀地区绿色金融发展水平不平衡，且可能受虹吸效应影响，绿色金融不发达地区的进一步发展受到制约。同时，大部分地区都位于第一象限和第三象限，即呈现正向空间相关性，而位于低-低类型的城市占到了极大部分，说明中国目前低值集聚现象比高值集聚情况更加普遍。综上所述，中国省域绿色创新效率和绿色金融发展指数存在着一定的空间集聚性和空间相关性，可以考虑采用空间计量模型进行实证研究。（二）空间效应实证分析1.LR检验和Wald检验。在上文的空间相关性检验研究中发现，中国省域绿色创新效率和绿色金融指数均存在一定的空间相关性，因此在构建计量模型时本文拟采用约束条件更加宽松的空间杜宾模型（SDM）。为了让模型的选择更具严谨性，本文将利用Wald和LR统计量对空间杜宾模型（SDM）在此处的适用性进行检验，具体的检验结果如表7所示。观察表7可以发现，基于地理矩阵构建的空间杜宾模型（SDM）在1%的显著性水平下通过LR与Wald的联合检验，基于0-1矩阵构建的空间杜宾模型（SDM）在5%的显著性水平下通过LR与Wald的联合检验，因此拒绝空间杜宾模型（SDM）简化为空间滞后模型（SAR）与空间误差模型（SEM）的原假设，即空间杜宾模型（SDM）的建立有效。2.变量选取。考虑到不同地区金融政策对绿色创新效率的影响存在差异，且绿色创新效率可能具有空间溢出效应，因此本文拟通过构建空间计量模型来对空间溢出效应进行检验，变量选取如表8所示。表8变量选取一览表变量类型被解释变量解释变量控制变量符号lscxxllsjrrjgdpkjzcgyhspczhsp变量含义省域绿色创新效率省域绿色金融指数生产力水平科技支出水平工业化水平城镇化水平变量计算方式运用超效率DEA模型计算得出采用熵值法测算得出GDP/总人口一般公共预算中的科技支出第二产业增加值/GDP各地区城镇人口/地区总人口3.模型回归结果。观察空间杜宾模型（SDM）的Hausman检验结果可以发现，空间杜宾模型（SDM）拒绝了原假设，因此本文构建的空间杜宾模型将采用固定效应模型。本文将选择0-1矩阵和空间地理矩阵对空间杜宾模型（SDM）的回归结果进行比较分析，具体的回归结果如表9所示。对比基于0-1矩阵搭建的空间杜宾模型（SDM）和基于地理矩阵计算的空间杜宾模型（SDM），其核心解释变量绿色金融指数的系数符号一致，且在5%或10%的水平下显著。另外，空间效应系数的显著性在5%或10%水平下显著，且符号相同，说明该模型稳健。由上述估计结果可看出，绿色金融的发展有助于绿色创新效率的提升，且其影响作用存在显著的空间传导效应。一是从主效应来看，绿色金融指数对绿色图4主要年份中国省域绿色金融指数的局部Moran散点图（基于地理矩阵）表7LR检验、Wald检验结果0-1矩阵LR-SARLR-SEMWald-SARWald-SEM统计量17.5917.7720.3434.03p-value0.01400.01300.00490.0000地理矩阵LR-SARLR-SEMWald-SARWald-SEM统计量53.8252.3141.2347.26p-value0.00000.00000.00000.0000-49区域金融研究 2022年第12期金融理论创新效率的影响系数为正，说明绿色金融的发展能促进本区域绿色创新效率的提升，同时生产力水平的提升也有助于促进本区域绿色创新效率的提升，而工业化水平的提升则会拉低本区域的绿色创新效率。二是从空间效应来看，绿色金融的发展对绿色创新效率的影响存在空间溢出效应。绿色金融发展指数对邻近绿色创新效率的溢出效应系数为正，说明绿色金融的发展能促进邻近区域绿色创新效率的提升，同时本区域生产力水平的提升会对邻近区域绿色创新效率产生抑制作用，而本区域科技支出水平和城镇化水平的提高则能促进邻近区域的绿色创新效率。4.空间效应分解。为了更细致地探究绿色金融对区域绿色创新效率存在的空间效应，将空间效应进行分解，直接效应代表绿色金融发展指数及其他控制变量对本地区绿色创新效率的影响，而间接效应则能够反映关键变量及其他控制变量对周边空间单元产生的影响，分解结果如表10所示。观察绿色金融发展指数的直接效应可以发现，无论是基于地理矩阵还是0-1矩阵计算的空间杜宾模型，绿色金融对区域绿色创新效率的直接效应和间接效应均显著为正，说明绿色金融对本地区绿色创新效率的提升具有显著的促进作用，同时对邻近区域的绿色创新效率的提升也有显著的促进作用。（1）从直接效应来看，绿色金融的发展和生产力水平的提高对本区域绿色创新效率具有促进作用。绿色金融的发展和生产力水平对本区域绿色创新效率的影响系数为正，说明绿色金融的发展和生产力水平的提高能够促进本区域绿色创新效率的提升。一是随着绿色金融激励约束作用不断增强，企业积极探索绿色创新发展道路，愈发重视生产过程的改进和技术水平的提升，率先采用环境友好的新型技术，开发符合社会绿色发展需求的产品，争取在市场竞争中取得“先动优势”，推动绿色创新效率的提升。二是对绿色项目的资金支持力度不断加大，减少对高耗能高污表9空间计量模型回归结果变量lsjrrjgdpkjzcgyhspczhsp12Obs主效应0-1矩阵0.0657*（1.90）0.00000495*（2.69）0.000179（0.90）-1.080*（-2.14）0.338（1.01）-1.792*（-9.05）0.0258*（9.93）-0.0332*（-0.37）240地理矩阵0.0883*（2.40）0.00000421*（2.31）0.000107（0.55）-1.120*（-2.13）0.202（0.61）-1.821*（-9.28）0.0252*（9.94）-0.148*（-1.16）240变量WlsjrWrjgdpWkjzcWgyhspWczhspObs空间效应0-1矩阵0.00428*（2.25）-0.00000906*（-2.95）0.000222*（2.09）-0.691（-1.16）1.113*（1.81）240地理矩阵0.199*（2.39）-0.0000103*（-2.08）0.00238*（2.78）0.543（0.76）2.025*（2.18）240注：*、*、*分别表示在1%、5%、10%水平上显著。下同。表10空间杜宾模型分解结果变量lsjrrjgdpkjzcgyhspczhsp地理矩阵直接效应0.0939*（2.44）0.00000435*（2.42）0.0000776（0.41）-1.143*（-2.21）0.164（0.51）间接效应0.193*（2.48）-0.0000100*（-2.36）0.00221*（2.70）0.637（0.99）1.750*（2.15）总效应-0.0991*（-1.26）-0.00000565（-1.32）0.00229*（2.65）-0.506*（-0.91）1.914*（2.74）0-1矩阵直接效应0.0670*（1.88）0.00000492*（2.77）0.000196（0.56）-1.084*（-2.20）0.334（1.03）间接效应0.00276*（2.05）-0.00000923*（-3.22）0.000236*（2.37）0.652（1.15）1.059*（1.79）总效应0.0698*（1.95）-0.00000431（-1.41）0.000433*（1.40）-1.735*（-4.12）1.393*（2.57）-50区域金融研究 2022年第12期金融理论染项目的支持力度，在一定程度上迫使高耗能企业调整产业结构，推动产品转型升级，不断通过绿色创新提高资源利用效率。三是良好的绿色金融政策使得企业进行绿色环保项目能够得到更多的资金支持，提高企业开展绿色创新活动的积极性，推动提升绿色创新效率。（2）从间接效应来看，绿色金融、生产力水平、科技支出水平和城镇化水平对邻近地区的绿色创新效率具有空间溢出效应。一是绿色金融的发展对周边地区绿色创新效率的提升存在一定的促进作用。某一地区绿色金融的发展对周边地区绿色创新效率的提升具有正向的外部效应，说明本区域绿色金融发展能对周边地区产生知识溢出效应和扩散效应，推动区域间的资源共享与信息交流，并带动周边地区的绿色创新效率的提升。二是生产力水平对周边地区绿色创新效率存在抑制作用。某一地区生产力水平的发展对周边地区绿色创新效率的提升具有负向的外部效应，说明本区域生产力水平的提升会对周边地区的人才、技术和资金等产生虹吸效应，从而削弱周边地区发展绿色金融的能力，抑制周边地区的绿色创新效率。三是科技支出水平和城镇化水平的提高对周边地区的绿色创新效率的提升具有推动作用。科技支出水平对周边地区绿色创新效率的影响系数为正，说明科技支出对周边地区绿色创新有着非常显著的助推作用，资金支持、知识溢出和信息交流能够推动本地区与周边地区绿色创新的协同发展。城镇化水平对周边地区绿色创新效率的影响系数为正，说明周边地区的城镇化发展通过优化交通网络，强化与周边地区的地理连接，推动人口、资源与信息的充分交流，进而带动周边地区绿色创新效率的提升。五、结论与政策建议实证结果表明：绿色金融的发展有助于绿色创新效率的提升，且其影响作用存在显著的空间传导效应。对空间效应进行分解的结果显示：从直接效应来看，绿色金融的发展和生产力水平的提高对本区域绿色创新效率具有促进作用；从间接效应来看，绿色金融、生产力水平、科技支出水平和城镇化水平对邻近地区的绿色创新效率具有空间溢出效应。基于上述结论，本文提出以下政策建议：（一）加大绿色金融支持力度，发挥金融服务绿色创新的驱动作用一是健全绿色金融标准，完善激励约束机制。应统一绿色标准，将绿色数据化、可测量化，在明确技术标准的基础上，对绿色予以认证、贴标。此外，在确定标准的同时还应该注意对重污染企业的融资惩罚与投资抑制，倒逼重污染企业的绿色创新与绿色转型，以推动整个社会的绿色转型。二是建立多元的绿色金融体系。积极推动筹