收稿日期：2021-09-15
修回日期：2022-03-11
空间溢出效应研究
朱敏王凯丽唐海云
（山东理工大学，山东淄博255012）
摘要：本文基于2008—2019年黄河流域37个资源型城市的面板数据，运用Super-SBM 模型测算黄河流域资源型城市生态效率水平，并通过构建空间杜宾模型实证研究绿金融发展水平对生态效率提升的影响及空间溢出效应。实证结果表明：黄河流域资源型城市生态效率空间分布格局为“上游低、中下游高”；绿金融发展对生态效率提升的影响关系为先促进后抑制，即倒U 形关系，对周边城市空间溢出呈
U 形关系。进一步研究发现，绿金融发展对黄河流域四类资源型城市生态效率影响程度存在明显差异。基于研究结论，提出适当扩大绿金融覆盖面、丰富绿金融产品等相关建议。
关键词：绿发展；绿金融；生态效率；空间杜宾模型
中图分类号：F832文献标识码：B 文章编号：1674-2265（2022）04-0055-08DOI ：10.19647/jki.37-1462/f.2022.04.009作者简介：朱敏，女，山东菏泽人，山东理工大学经济学院教授，研究方向为生态经济学；王凯丽，女，山东青岛人，山东
理工大学经济学院，研究方向为生态经济学；唐海云，女，山东临沂人，山东理工大学经济学院，研究方向为产业经济学。
一、引言与文献综述
在“30·60”双碳目标背景下，2021年政府工作报告提出“实施金融支持绿低碳发展专项政策”，绿金融将是未来政策的主要着力点。黄河流域是我国重要的生态屏障，但黄河流域有一半以上的城市为资源型城市，此类城市以矿产等自然资源开采加工为主导产业，资源枯竭、生态污染等问题尤为突出（崔
丹等，2021）[1]。
生态效率能够从生态环境和经济发展两方面体现
绿发展的理念。Schaltegger 和Sturn （1990）[2]
最早提
出了生态效率的概念。目前认为，生态效率是指通过合理配置自然、经济和社会要素，实现期望产出最大
化、污染性产出最小化（唐燕和孟繁玥）[3]。最初，学
者运用单一比值法衡量生态效率，但此方法仅限于研究单一环境对生态效率的影响（Moutinho 等，
2020）[4]
；此后，学者使用指标法克服了单一环境影响
的局限性，但在加权过程中增加了人为主观因素的不
确定性（Gudipudi 等，2019）[5]；模型法有较强的客观
性，对生态效率的评价方法有TOPSIS 模型（任宇飞等，2017）[6]、随机前沿面模型（杨勇和邓祥征，
2019）[7]、生态足迹法（王圣云和林玉娟，2021）[8]等，
但上述研究方法无法反映经济生产过程的全面性和复杂性及不同生态环境压力的关联性。因此，多数学者借助数据包络（DEA ）模型（George 和Kleoniki ，
2019）[9]对生态效率进行评价，即测算某一被考察单元
相对于其他被考察单元的生产效率。除了使用传统DEA 模型，学者们还对DEA 模型进行改进，如超效
率DEA （朴胜任和李健，2019）[10]
、Super-SBM 模型（李贝歌等，2021）[11]、SBM-DEA 模型（李林泽等，2017）[12]等。在生态效率评价基础上，学者们进一步
基金项目：山东省软科学项目“绿金融赋能山东省黄河流域高质量发展研究”（2020RKB01475）。
探讨了生态效率驱动因素，研究表明经济发展水平、城镇化率、科技投入、人口增长等因素均对生态效率有显著影响（黄建欢等，2015；阎晓和涂建军，
2021）[13，14]
。
目前，学术界就绿金融发展与生态效率关系的研究还较少，缺少对绿金融发展与生态效率在理论与实证方面的研究。现有文献主要研究了绿金融发
Sao40展对生态环境的影响（刘锡良和文书洋，2019）[15]，
较少有文献将经济因素纳入分析模型，更少有文献将空间因素纳入绿金融发展对生态效率的影响研究。因此，本文尝试从理论上分析绿金融发展影响生态效率的作用机制，并运用空间计量模型实证分析绿金融发展对生态效率的非线性影响及空间溢出效应，为黄河流域绿金融发展提供理论指导和经验依据。
二、绿金融发展影响生态效率提升的理论分析与作用机制
（一）理论分析哈尔滨铁路局局长
根据“环境库兹涅茨曲线”假说，经济发展水平与环境污染呈倒U 形关系，绿金融在本质上是一种环境规制措施，企业在面对绿金融时有两种决策：决策一：追求利润最大化无视环境约束成本。企业利润为π1,i =p i q i -c i q i -g i c i q i ；决策二：牺牲一部分经济利益重视环境效益。企业利润为π2,i =p i q i -c i q i -βc i q i 。
其中，g i =gx i ≤g max 表示单位产品环境成本，g
表示绿金融发展水平，β表示为实现环境效应牺牲
的经济利益比例。根据理性经济人假设，企业选择决
策二必须满足π1,i ≤π2,i ，即β≤gx i ，又由产品环境
成本g i =gx i ≤g max ，可得β
g ≤x i ≤g max g
。借助何其多
（2003）[16]
提出的单位面积环境污染密度的概率分布曲线（见图1）可得，当绿金融发展水平g →0即
x i ≥β
g
→∞时，企业会选择决策一，这部分企业数量
是0；当绿金融发展水平g →∞即x i ≤g
大气稳定度max g
→0
时，企业会选择决策二，这部分企业数量也是0。因此，随着绿金融发展水平的提高，愿意生产的企业数量增加，但超过某一界限之后，愿意生产的企业数量将下降。企业生产活动对生态效率提升具有正向影响，由此可得绿金融发展对生态效率提升的影响呈倒U 形关系。
（二）作用机制
本文借鉴Levine （1997）[17]和白钦先（1998）[18]
对
asp投票系统金融功能的研究来讨论绿金融对经济增长和环境质量的影响，并将绿金融提升生态效率的作用机制分为成本约束效应和创新补偿效应。
1.基于金融风险管理功能，绿金融对企业融资项目环境审核标准要求严苛，这迫使企业提高环境污染等信息披露程度，从而形成对企业的监督机制，企业为通过金融机构对项目的评估审定获得融资，需要减少污染排放，导致企业部分现有资源无法使用，资源利用率下降，生产决策受到环境限制，成本增加、负担加重，生产效率提升缓慢，从而影响企业效益，进而对生态效率提升产生成本约束效应。
2.基于资本聚集和资源配置功能，绿金融主体将吸纳的资金转化为绿投资，基于市场运行机制，
实现资本由低效率行业流向高效率行业（江红莉等，
2020）[19]
。绿金融提高了高耗能行业融资门槛，企
业在市场中处于竞争劣势，迫于生存压力，倒逼企业采用新技术，减少污染物排放，同时缩减高污染产业规模、扩大绿产品规模，积极进行转型升级。金融机构通过为企业提供资金支持，弥补企业自身资金不足问题，激励企业科技创新，形成创新激励机制（谢
乔昕，2021）[20]，企业有充足资金支持技术创新（刘廷华，2021；2022）[21，22]，通过率先采用环境友好型技
术及开发生产绿产品，在市场中取得先动优势，从而获得更多的利润，补偿了由于环境规制造成的经济损失，即绿金融的创新补偿效应。
三、绿金融发展对黄河流域资源型城市生态效率影响的模型构建
（一）研究区域界定
美洲虎攻击机根据《黄河流域综合规划（2012—2030年）》与《全国资源型城市可持续发展规划（2013—2020年）》（以下简称《规划》），本文研究对象为黄河流域37个资源型城市（剔除阿坝藏族羌族自治州）。《规划》
根据城市资源保障能力和可持续发展能力，
图1：单位面积环境污染密度概率分布
将全国资源型城市划分为四种类型，其中黄河流域成长型城市共有7个，分别为朔州、鄂尔多斯、延安、咸阳、榆林、武威和庆阳；成熟型城市共有20个，分别为：金昌、平凉、渭南、宝鸡、运城、临汾、晋城、长治、晋中、吕梁、忻州、大同、阳泉、三门峡、平顶山、鹤壁、济宁、泰安、莱芜和东营；衰退型城市共有6个，分别为焦作、濮阳、乌海、白银、铜川和石嘴山；再生型城市共有4个，分别为包头、淄博、洛阳和张掖。2019年莱芜市划归济南市，2019年莱芜市数据为济南市莱芜区数据。
（二）指标选择及数据来源
1.指标选择。（1）被解释变量：生态效率
（EE ）。本文借鉴阎晓和涂建军（2021）[14]
构建黄河流
域资源城市生态效率评估指标体系方法，选取水资源、能源、土地、劳动力、资本五类要素分别表示自然资源和经济要素投入，选取地区GDP 表示经济期望产出，选取水污染和大气污染表示非期望产出生态环境负荷，具体见表1。
运用传统DEA 模型测算生态效率，忽略了投入产出的松弛性，存在决策单元间无法比较、效率值无
法超过1等弊端。Tone （2002）[23]
提出了Super-SBM 模
型，有效解决了松弛度量问题和决策单元无法比较问题，同时克服了传统DEA 效率值无法超过1的模型缺陷。因此，本文选取包含非期望产出的Super-SBM 模型衡量黄河流域资源型城市生态效率，公式如下：
minp =1m ∑i =1m
x ˉ
x ik
1s 1+s 2æèççöø
÷÷∑r =1s 1
-y d
y d rk +∑t =1s 2
-y b y b ìíîïïïïïïïïïïïïïï
ïïx ˉ≥∑j =1,≠k n
x ij λj ,i =1,...,m -y d ≥∑j =1,≠k n
y d rj λj ,r =1,...,s 1-y b ≥∑j =1,≠k n
y b tj λj ,t =1,...,s 2λj ≥0,j =1,...,n x
ˉ≥x k ,-y d ≤y d k ,-y b ≥y b tk （1）式中：系统中存在n 个决策单元（DMU ），每个
DMU 都包括m 种投入，s 1种期望产出与s 2种非期
望产出；x 、Y d 、Y b 分别为投入矩阵（
x =[ n ]∈R m ×n
）、期望产出矩阵（y d =[y d 1…y d n ]∈R
s 1×n ）和非期望产出矩阵
（y b =[y b 1…y b n ]∈R
s 2×n
）中的元素；p 表示决策单元
（DMU ）的效率值。
（2）核心解释变量：绿金融发展指数（GF ）。
本文借鉴曾学文等（2014）[24]
构建绿金融发展水平
评价指标体系的方法，从绿信贷、绿投资、绿保险、碳金融四个维度，运用熵值法测算绿金融发展指数。其中，碳金融指服务于限制温室气体排放的金融活动，由于碳金融发展时间短，尚未形成统一的衡量指标，本文根据碳金融服务目标及数据可得性，用碳强度衡量碳金融，具体指标见表2。
（3）其他控制变量：产业结构（Ind ）以第二产业产值占该市GDP 的比重作为代理指标；外商直接投资水平（FDI ）用外商直接投资额占该市GDP 的比重来衡量；城镇化率（UR ）采用各市人口占总人口比重表示；科研投入（TS ）以各市财政支出中政府科技投入占比表征。变量描述性统计见表3。
2.数据来源。金融数据主要来源于万得数据库，其他数据主要来源于《中国城市统计年鉴》《中国城市建设统计年鉴》《中国银行业社会责任报告》《中国保险年鉴》《中国环境年鉴》及黄河流域各省、地市历年统计年鉴，部分缺漏数据用插线法补齐。
（三）模型设定
绿金融作为一种服务于生态环境建设的金融工具，本质上也是一种环境规制措施。本文采用空间计量模型探讨绿金融发展水平与黄河流域资源型城市生态效率间的非线性关系。
二进制邻接权重矩阵：
表2：绿金融发展水平评价指标体系
准则层绿信贷绿投资绿保险碳金融指标层绿信贷占比节能环保支出占比环境责任保险赔付占比碳强度指标含义
绿信贷贷款余额/金融机构贷款余额（+）节能环保财政支出/财政支出总额（+）环境责任赔付额/环境责任保险收入（-）二氧化碳排放量/GDP （-）
权重
0.50110.11230.12940.2572
表1：生态效率评价指标体系
准则层自然资源投入经济要素投入经济期望产出生态环境负荷
指标层水资源投入能源投入土地投入劳动力投入资本投入地区GDP 水污染大气污染具体说明
城市用水总量/万立方米城市用电总量/万千瓦时城市建设用地面积/平方公里单位从业人员数/万人固定资产投资/万元地区GDP/万元工业废水排放量/万吨工业二氧化硫排放量/万吨
ωij=ì
í
î
1地区i和地区j存在公共边界0地区i和地区j不存在公共边界
仅考虑地理位置因素构建权重矩阵难以全面描述区域间复杂的空间效应，故本文引入了经济因素，d
ij
表示地区i与地区j的市中心之间的直线距离，-Y
i 、
-Y
j
表示地区i与地区j在样本期间的实际GDP平均值。经济地理嵌套权重矩阵公式如下：
ωij=ì
í
î
ï
ï
1
d
ij| |-Y i--Y j,i≠j 0,i=j
由于绿金融对生态效率为非线性影响，因此，
引入绿金融发展水平的二次项，本文仅考虑除核心解释变量的空间滞后项，构建空间杜宾模型进行实证研究，模型如下：
EE
it=αi+ρW×EE it+β1GF+β2AGF+βctrl X ctrl+δ1W×GF
it+δ2W×AGF+γt+μit
μ
it=λW×μit+εit（2）其中，EE表示生态效率，GF表示绿金融发展
指数，AGF代表绿金融发展指数的平方项，X
ctrl
代表控制变量，W代表经济地理嵌套权重矩阵。
四、绿金融发展对黄河流域资源型城市生态效率影响的实证分析
（一）黄河流域资源型城市生态效率时空演变特征
1.黄河流域资源型城市生态效率时序演变特征。由图2可知，2008—2019年黄河流域资源型城市生态效率均值整体变化平稳，呈小幅提升趋势。2019年生态效率均值为0.72，与2008年相比提升了0.15。2008—2014年生态效率均值呈波动上升趋势，2015—2019年生态效率均值呈上升趋势，其中2018年
、2019年生态效率上升较快。究其原因，2008—2014年处于摸索阶段，各城市难以把握经济增长与生态环境之间的平衡关系，生态效率均值出现小幅波动；随着经验的积累，各城市能够较好地处理经济增长与生态环境之间的关系。
分城市类型看（见图3），2008—2019年四类资源型城市生态效率均表现出平缓上升趋势。其中再生型城市生态效率均值最高，在研究期间增幅达到
0.12；成长型城市生态效率略低于再生型，增幅约为0.1；衰退型城市生态效率均值在0.6～0.7之间，低于再生型和成长型城市，位列第三；成熟型城市生态效率均值仅为0.4～0.6，远低于其他三类城市。由此可见，再生型城市通过调整经济发展模式，一定程度上实现了在发展社会经济的同时兼顾生态环境保护；成长型城市和衰退型城市资源类行业虽未处于高峰期，但经济与生态未能实现协调发展，生态效率提升缓慢；成熟型城市资源类行业正处于高峰期，环境承载压力过大，导致其生态效率远低于其他三类城市。各类资源型城市亟须结合其城市类型、资源禀赋和环境承载力，统筹推进城市经济发展和生态环境保护。
2.黄河流域资源型城市生态效率空间格局演变特征。根据上文测算结果，以2008年、2013年、2019年为代表性年份，进行可视化处理，将生态效率划分为5级（见图4）。整体来看，黄河流域资源型城市生态效率存在较大的空间差异，整体空间分布格局为“上游低、中下游高”。具体而言，2008年黄河流
域生态效率整体较低，生态效率高值主要分布在陕西西部和山西西部等中游地区城市；生态效率低值区呈块状分布，位于甘肃、山西东部、河南等地区。2013年生态效率相较2008年整体有所提高，高值区仍主要集中在黄河中游地区，但范围有所扩大，下游地区东营、泰安生态效率出现逆向变化。2019年，黄河流域中下游地区资源型城市生态效率较高，吕梁、乌海、鹤壁生态效率达到1.5以上；而黄河流域上游资源型生
态
效
率
均
值
图2：2008—2019年黄河流域资源型城市生态效率生
态
效
率
均
埋点值
图3：2008—2019年黄河流域四类资源型城市生态效率
表3：变量描述性统计
变量名
生态效率（EE）
绿金融发展指数（GF）产业结构（Ind）
外商直接投资水平（FDI）城镇化率（UR）
科研投入（TS）
均值0.658 0.312 34.702
156.172 49.706 107.777标准差
0.659
0.099
8.717
272.317
15.028
95.599
最小值
0.089
0.149
11.38
0.295
11.979
17.791
最大值
5.573
0.727
58.4
2856.097
94.976
1656.014
城市生态效率较低，铜川、金昌、石嘴山等生态效率不足0.2。生态效率的高值区集中在山西西部、河南西部和山东西部，低值区呈斑块状，分布在甘肃中西部、山西东部，整体呈现为东高西低。
（二）绿金融对生态效率的影响分析
1.空间自相关性检验。（1）全局空间相关性分析。全局空间自相关考察的是属性值在整个空间内的聚集情况，常用Moran's I 指数衡量，公式为I =
∑i =1n ∑j =1n ωij （x i -x
ˉ）（x i -x ˉ）∑i =1
n （x i -x ˉ）2
，n 表示城市总数，x i 表示i 城市
观测值，x ˉ表示全部平均值，ωij 表示空间权重矩阵的值。测算结果见表4。2008—2019年黄河流域资源型城市绿金融发展指数和生态效率的Moran's I 均为正，且均通过1%的显著性检验，表明黄河流域各资源型城市在空间上不是完全随机分布，绿金融发展指数和生态效率均存在正空间自相关性，绿金融发展水平和生态效率相似地区均呈现显著的空间聚集现象。
（2）局部空间相关性分析。为分析黄河流域各资源型城市绿金融发展指数和生态效率的局部空间相关性，本文绘制了2017—2019年黄河流域资源型城市Moran's I 散点图，如图5和图6所示。
Moran's I 散点图的第一和第三象限分别表示高高聚集和低低聚集，第二和第四象限分别表示高低和低
2008年
2013年
2019年
图4
：黄河流域资源型城市生态效率空间分布图
图5：2017—2019年绿金融发展水平Moran's I
散点图
图6：2017—2019年生态效率Moran's I 散点图
表4：2008—2019年绿金融发展指数
与生态效率Moran's I 指数
年份2008
2009201020112012201320142015201620172018
绿金融发展指数Moran ’s I 0.1690.1610.1430.1450.1390.1390.1380.1250.1110.1140.116P 值0.0000.0000.0000.0000.0000.0000.0000.0000.0000.0000.000
生态效率
Moran ’s I 0.0660.0750.0940.0820.0820.0930.0950.1210.1250.1300.149P 值0.0090.0040.0010.0020.0020.0010.0000.0000.0000.0000.000
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议