長江經濟帶綠色金融效率測評研究

◎曾勝 李欣憶 屈雨薇

引言

近年來，我國高度重視綠色金融發展，不斷優化框架制度和制定多元化的鼓勵政策，從政策角度為發展綠色金融提供了良好的環境。央行于2016年聯合財政部等7個部委印發的《關于構建綠色金融體系的指導意見》確立了綠色金融在我國發展的主要方向和任務目標，我國自此成為全世界第一個針對綠色金融發展建立了系統性政策框架的國家。從地方政策看，各地政府積極配合市場主體，進一步發揮創新精神和能動性，使得綠色金融在我國的發展具有良好的動力支持（中國人民銀行研究局，2019）。國務院2017年6月批準浙江、貴州以及廣東等多個省市地區建立創新發展綠色金融的改革試驗區，使得地方經濟在綠色金融的支持下也能夠逐步實現綠色化。2020年，全球新冠疫情爆發，全球產業鏈以及國際貿易因此遭受巨大打擊，世界金融市場出現了極為強烈的震蕩。我國在此情況之下，堅持走可持續的低碳綠色發展道路。習近平總書記于2020年9月在第75屆聯合國大會上宣布我國將采取更有力的措施和政策加強綠色減排，確保碳排放在2030年以前達到峰值，碳中和在2060年以前實現。綠色金融的發展遵從低碳綠色以及高質量發展的原則和任務目標進入了一個發展高潮階段（中國綠色金融發展報告編寫組，2021）。

綠色金融的興起引起了我國專家學者的重視，然而研究者們對綠色金融的發展水平和效率分析卻相對缺乏。金融行業的發展與變革主要體現在產業績效上，而這一指標直接受資源配置情況的影響，也就是說金融資源配置效率是其關鍵影響因素（梁琳，2021）。探討綠色金融的效率問題其本質是探討綠色金融的產出和投入關系問題，所以可以運用綠色金融效率來衡量綠色金融變革發展的有效性。

長江經濟帶是我國建設生態文明的先驅示范帶，不僅已建有東部國際金融中心，也有正在打造的西部內陸國際金融中心，而且在保護與修復生態方面發揮帶頭作用。本文以長江經濟帶11個省（市）為研究對象，聚焦綠色金融效率，針對長江經濟帶發展綠色金融以及相關創新改革的有效性進行分析和評價，同時進行經驗總結，提出政策建議，這對長江經濟帶發揮引領作用、我國進一步發展綠色金融、保證發展質量都有積極意義。

文獻綜述

目前學界對綠色金融還沒有統一的概念界定。外國專家對此概念開始研究的時間較早，1994年，Devas首次使用“綠色金融”這一概念。當前綠色金融比較權威的概念界定出自于2016年的《G20綠色金融綜合報告》，也就是能夠形成環境效益對于可持續發展有重要支持意義的投資和融資活動。我國最先提出這一概念的學者是高建良（1998），將其定義為通過金融業務的運作實現可持續發展戰略。央行聯合七大部委在2016年提出的《關于構建綠色金融體系的指導意見》，對綠色金融給出了官方概念界定：對于環境改善、高效節約利用資源以及應用環境變化具有支持性作用的經濟活動，其中包括對于環保節能、綠色交通以及清潔能源等項目開展的投融資、風險管理以及項目經營有關的金融服務。雖然中外學者給出的概念存在一定差異，但其基本內涵大體相同，也就是利用金融資源配置的作用將資源積極配置到環保綠色領域，為社會發展的可持續這一目標實現提供支持。

關于綠色金融水平的評價，現有研究基于相關理論逐步補充和豐富了實證的研究。1.在理論研究方面，中外學者主要分析了影響綠色金融發展的幾個因素，在此基礎上探討了如何評價綠色金融發展情況，衡量其水平的指標。孫鐵顳等（2011）指出綠色金融的具體內容包括了綠色考評、環境規制等政策和制度，同時也包含在此政策和制度背景之下，金融機構承擔社會環境風險以及金融部門對于金融產品開展的綠色化創新。Kumari（2012）開始研究指出發展綠色金融影響經濟的核心中介是中小規模企業以及金融機構，但是全球各國當前發展綠色金融并沒有對中小型企業提供有效的服務，對于各國綠色金融以及綠色經濟的進一步發展造成了阻礙。馬駿（2015）主要從法律和金融基礎建設、政策以及機構支持等多個方面對綠色金融進行了研究，分析了影響其發展的幾大關鍵因素。于冬菊（2017）主要運用內容分析法對綠色金融進行分析，總結指出金融獲利水平、金融機構的經營覆蓋范疇、民眾與政府互動的水平等因素都是會對其造成重大影響的關鍵因素。Pasquale et al.（2018）指出意大利較早就發展了綠色金融，然而包括商業銀行在內的各類金融機構并沒有持續推進這一業務，影響了綠色金融在意大利的整體發展以及水平提升。2.在實證分析層面，國外學者從金融機構的角度出發來評價綠色金融的發展水平。Marcel（2001）開展問卷調查，立足于銀行業的綠色環保意識和態度，構建了包括5個維度指標的評價銀行發展綠色金融水平的體系，對34家全球著名銀行進行評價后指出當時居于領先地位的是歐洲，并且指出銀行發展的可持續必然依賴于發展綠色金融。世界自然基金會（WWF）、中國銀監會（CBRC）、普華永道（PWC）于2014年立足于銀行政策和策略、創新綠色金融以及企業治理等多個維度，分析對比了我國12家銀行以及國際上10家遵循“赤道原則”的銀行發展綠色金融的水平。Clark（2018）在對于國家發展綠色金融進行研究和水平分析時，主要運用了商業銀行的綠色信貸業務發放規模、遵循赤道原則銀行的總量以及占比等多個指標進行評價。我國研究人員主要根據我國的國情現實以及經濟發展的背景，對我國發展綠色金融的情況開展實證分析。曾學文等（2014）運用我國披露的綠色金融信息以及統計特征建立了包括綠色信貸、證券、保險、投資以及碳金融5方面指標體系，指出綠色金融在2010年之后的發展表現出了穩步提升的發展趨勢，但是增長速度比我國GDP增長率均值要小。邱海洋（2017）主要運用環保節能上市企業的融資規模、財政支出中環保相關支出、金融機構綠色信貸的占比等指標立足于狹義及廣義的視角對比了綠色金融對發展經濟的影響和效應。周騰等（2019）對我國綠色金融發展水平進行研究，將我國經濟發展劃分為新常態和高速發展兩個階段，并建立發展水平評價指標體系，測度了我國東北、中、西、東部的發展水平，指出中部地區發展綠色金融水平較好，其他區域需要從中部借鑒有效經驗。楊陽等（2017）建立了評價綠色金融的五大維度，主要從環境改善、使用綠色金融的情況以及政府的重視程度等指標，對于上海市發展綠色金融進行了水平評價，指出發展最好的是綠色信貸，發展最差的是碳金融；綠色證券、保險以及投資三大業務居于中間水平，這三者中發展最好的是綠色證券，發展最差的是綠色投資，居于中間的是綠色保險。

國內外學者立足于定量和定性研究兩個方面分析了區域經濟增長和綠色金融之間的關系。1.定性研究方面，于永達（2003）著眼于可持續發展背景之下，加入環境因素之后發展金融可能面臨的機遇，同時基于金融和環境二者結合發展的視角提出了提高經濟效益的建議。趙大建（2014）指出綠色金融的主要服務對象是環保以及積極創新技術的綠色產業，綠色金融能夠使得更多資本流入這些產業，因此對于區域發展經濟有促進作用。王海全等（2017）建立了包括綠色經濟、綠色金融和環境因素等多個因素的內生增長理論模型，分析了發展綠色經濟和綠色金融之間的內生作用機制，指出二者顯著正相關。2.定量研究方面，大多數研究者都認為綠色金融發展也是區域經濟發展的動力之一。任佳麗（2018）分析了綠色金融支持、綠色科技發展指數、FDI指標和工業產業與綠色金融績效之間的關系，指出綠色金融對于地方發展綠色經濟有促進作用。裴育等（2018）主要運用湖州（浙江）的面板數據建立VAR模型，分析指出對于這一地區發展經濟而言，綠色金融表現出了正面促進效應。孫焱林等（2019）運用我國省級數據信息，建立面板向量自回歸模型，指出地區發展綠色金融能夠推動經濟增長。有學者指出，對于經濟增長來說，綠色金融所造成的影響并不確定，也有學者認為二者的關系存在地區差異。鄒越（2019）將我國31個省劃分為4個區域，運用了各省面板數據進行分析指出，對于區域經濟發展而言，綠色金融表現出了正面促進作用，但是不同區域的促進作用周期以及效果有明顯差異。劉霞等（2019）主要對我國中部6省進行分析，運用了2004－2017年的各省數據，引進了能消這一指標調整優化了C-D生產分析模型，得到綠色金融對經濟發展有著促進作用，然而由于各地區經濟結構與產業結構的不同使得綠色金融對其發揮的效應也各有不同。此外，還有學者認為發展綠色金融和地區發展經濟之間的關系非常復雜，在特定時期或階段二者有可能負相關。寧偉等（2014）使用誤差修正和協整檢驗模型分析發現，綠色金融的發展對經濟增長具有反向作用。張躍勝（2016）等進行分析時將最大化消費者效用引進到環境治理研究模型之中，分析指出環保投資正相關于經濟增長，但是在較短周期之內，對于這里環境的投資占比明顯增大會負面影響經濟發展。

明確了綠色金融與經濟發展的關系后，越來越多的學者將研究重點轉向了綠色金融對經濟的影響程度，即綠色金融效率。張莉莉等（2018）運用DEA以及熵值法分析了我國發展綠色金融的效率以及水平，并從全國以及區域兩個層面進行了靜態和動態的分析，研究發現全國的綠色金融發展程度以及效率均處于較低水平，而區域間呈現高效率-低水平和低效率-高水平的分布特點。謝婷婷等（2019）將改革創新綠色金融的試驗區作為分析主體，運用DEATobit模型，測度了綠色金融效率并分析了其影響因素，指出我國發展綠色金融整體靜態效率較低且波動較大，而動態效率卻保持較高增長，技術進步是核心因素，顯著正向影響因素有經濟發展水平與教育投入。周弘等（2020）運用隨機生產前沿函數，以我國中部六個省份為研究主體，從整體層面分析發現，綠色金融發展效率表現為上升態勢，前期發展迅速，后期發展緩慢，且不同省份的差異較大；綠色金融工具對提升綠色金融的效率水平具有正向效應，其中綠色證券、綠色投資、綠色信貸的效果顯著。于志慧等（2018）結合C-D生產函數和隨機前沿分析方法，以污染控制、環境治理人力投入和生態保護、綠色投資等構建評價指標體系，選取安徽省2006-2016年的數據，衡量了安徽省發展綠色金融的效率水平，發現在研究期間，安徽省綠色金融效率整體表現為上升態勢、但近兩年表現為連續下降。王鳳榮等（2018）運用我國上市的制造業企業數據，分析了政府針對綠色金融制定的政策對于相關資源配置利用效率的影響，指出我國目前配置綠色金融資源的水平較低，綠色財政政策并沒有表現出顯著促進效應，由于對于綠色財政缺乏較為完善的監管，所以綠色金融發展并未能發揮調節配置綠色金融資源的積極作用。夏天添等（2019）以中國制造業領域的上市公司數據為研究對象，采用跨層回歸檢驗，揭示企業環保投入對綠色金融效率的影響機制，表明企業環保投入的成本越高，其面對的外部融資約束便越低，越能夠獲得綠色金融的支持。吳曉亮（2019）用DEA以及綜合指數法對我國30省（市、區）數據開展實證研究，分析了綠色投資和綠色經濟效率之間的關系，指出綠色金融顯著正相關于綠色經濟。

綜上所述，現有文獻從理論推導和實證分析兩方面來考察綠色金融對經濟的作用、測度綠色金融發展水平，研究成果較多。但圍繞綠色金融效率測度和評價的文獻資料較少，且研究綠色金融的時間較短，當前在全球范圍內還沒有評價綠色金融的比較完善的指標體系，研究方法和指標選取較為單一，普遍都采用綠色信貸，節能和環保支出等特定指標表征發展綠色金融的規模，并不能得出比較精準的評價結果。有鑒于此，本研究主要針對我國長江經濟帶展開，以此區域發展綠色金融的情況，在一定程度上體現綠色金融在我國的整體發展情況。本次研究的主要貢獻在于：第一，對指標進行整合，提出具有更強代表性并且更加合理可行的方案，體現了合理性；第二，運用相同數據結構分析綠色金融發展效率以及發展水平，體現了一致性；第三，運用科學評價的數量方法呈現樣本作用的多種路徑，體現了規范性。

模型構建

為科學測評長江經濟帶綠色金融效率，本文應用規模報酬可變的數據包絡分析模型（BCC-DEA）測度綠色金融效率，并使用Malmquist指數模型對其效率的動態演變及其原因進行深入分析。

（一）BCC-DEA模型

DEA模型的基礎是相對比率，主要針對特定對象的特征以及信息進行對比性分析，評價決策單元的有效性。本方法不需要考慮到指標量綱統一轉化的問題，便能夠直接評價多個投入和投出的決策單元有效性。DEA模型的傳統模型將效率分析定義為線性規劃問題，其中規模報酬不變的CCR模型和規模報酬可變的BCC模型是使用最廣泛的兩個模型。兩個模型的差異在于有不同的假設條件，前一個模型的假設條件是固定大小的規模報酬，后一個模型的假設條件是規模報酬會發生動態變化。考慮到前一個模型中的假設條件在實際中難以實現，因此本次研究運用后一個模型，立足于靜態視角來對長江經濟帶進行分析，評價這一區域的綠色金融效率。

假定DMU即決策單元數量共計n個；θ為評價每一個單元效率所得到的結果；投入和產出變量分別為X=(x1，x2，…，xn)T、Y=(y1，y2，…，yn)T。λ描述的是每一個單元組合系數也就是權重；s－s+描述的是投入和產出的松弛變量，見下式（1）。

本模型立足于投入這一視角分析DMU效率，上式（1）則是投入最小化情況之下的綜合效率，綜合效率=規模效率×純技術效率。θ=1且s－=s+=0的情況之下，DMU評價為DEA有效，DMU實現了技術和規模兩個維度的有效；θ=1，同時s－、s+不全為0，DMU評價為弱DEA有效，DMU有可能只實現了規模或者技術有效，有必要對投入產出進行進一步調整以便實現DEA有效；θ＜1的情況之下，DMU評價為非DEA有效，無論是規模還是技術效率都沒有達到有效狀態。

（二）Malmquist全要素指數

研究過程中選用CCR或BCC模型，增加時間因素會導致不同階段生產前沿面存在差異，進而影響不同周期的縱向對比，所以CCR、BCC兩種模型只能運用截面數據進行橫向對比，而Malmquist指數模型能夠比較好的解決這個問題。 Caves、Christensen、DiewertD率先將該模型用于生產率動態變化的測度；此后又有學者將其與DEA結合用于測算和分析生產率。在現有實證研究文獻資料中，學者們通常情況下會運用Fare等以DEA為基礎提出的 Malmquist指數，本次研究也同樣運用了這一方法。

參考t期技術Tt，得到立足于產出這一角度分析的Malmquist指數模型，如下式（2）：

式（2）中：括號中描述的是 t+1期、t期兩個周期的投入和產出向量；d0t、d0t+1描述的是參照 Tt的情況之下， t、t+1兩個周期的距離函數；d0t+1描述的是參考 Tt+1的情況之下， t，t+1兩個周期的距離函數。

參照t+1期技術Tt+1，得到立足于產出這一角度分析的Malmquist指數模型，如下式（3）：

為了避免選擇不同周期帶來的差異，通過構造理想指數的方法，取二者幾何均值，如下式（4）：

將二者取幾何均值后，得到的Malmquist指數可以進一步劃分為規模報酬固定的情況下的外部變化指數（TCP）和綜合技術效率變化指數（TEC）。見下式（5）：

將綜合技術效率指數（TEC）再劃分為為規模效率指數（SEC）和純技術效率指數（PTEC），因此從（4）得到下列方程式（6）：

全要素生產率指數TFPC用于表征綠色金融效率，其取值大于1證明總效率不斷提高； TFPC=1的情況之下，證明總效率并沒有發生變化； TFPC＜1時，證明總效率逐步下降。TEC、TCP兩個指標都比1大的情況之下，證明其是TFPC不斷提高的根源，反之則是 TFP不斷下降的根源。TEC分解得到的 PTEC以及SEC分別描述的是綠色金融發展效率以及規模效應。PTEC＞1證明發展效率有一定程度的提升和改善；SEC＞1，表示綠色金融具有規模效率。

實證分析

（一）評價指標體系構建

為構建科學的綠色金融指標體系，在參考現有研究成果基礎上，本文從投入和產出兩個維度構建評價指標體系，結果見表1。

表1：綠色金融效率投入產出指標

選取綠色投資、綠色保險、綠色信貸、綠色證券作為投入指標。

綠色投資參考王文靜等（2021）使用節能環保財政支出占財政支出比例，測算能夠體現資本市場中居于主導地位的銀行信貸等渠道，其他多種渠道綠色產業融資水平，從某種程度上體現了本區域環保發展以及社會治理的狀況和效果。

綠色保險是一個廣泛覆蓋豐富內容的指標，在近年來發展速度極快。現有研究主要運用每年覆蓋率、投保額、賠付率等指標進行分析。但是由于我國對此沒有比較完善的法治體系和政策體系，2013年我國才實行環境責任險，因此推廣實施的時間有限、數據有所缺失，并不能滿足數據連續完整的要求。所以本次研究借鑒了曾學文等（2014）的方法，原因在于從一定程度講，農業對于環境有嚴重依賴，其發展結果也能較為準確反應綠色保險水平。

綠色信貸指標的數據目前未能全面公開，信息數據的透明度不足存在嚴重缺失。因此本次研究借鑒了周弘等（2020）的研究成果：選擇了能耗排名前六的六大產業利息占比，評價綠色信貸水平，原因在于當前各個行業相互之間的利率差異相對而言較小，就利率整體而言波動變化較小，支出的利息通常情況下直接體現了貸款規模大小。能耗排名前六產業的利息占比，能夠直接體現能耗較高產業貸款規模的占比，能夠側面反映綠色信貸這一金融工具對于能耗和污染較高產業的控制和影響力。

綠色證券參考任佳麗（2018）運用A股市值總額中環保企業市值占比對其貢獻進行評價，體現綠色證券所具備的社會價值，同時也能夠側面體現綠色權益性融資對于防治環境的決心和力度。

選取能源結構高級化指數、綠色GDP、綠色專利數作為產出指標。

能源結構高級化指數的衡量借鑒干春暉等（2011）的衡量方法，采用電力消費總量與天然氣消費總量之和與煤炭消費總量之比作為能源消費結構高級化指數的度量，指數值越大，能源結構越合理。

綠色GDP參考王文靜等（2021）采取地區生產總值與環保支出之差的計算方法，若綠色GDP值越大，則綠色金融發展程度越高。

綠色專利數借鑒謝婷婷等（2019）使用地區當年授權的綠色發明數量的計算方法，綠色技術有利于節約資源、提高能效、防控污染，若綠色專利數越多，則綠色金融發展越好。

表2：2010-2019年長江經濟帶11個省（市）綠色金融綜合效率值

（二）數據來源

數據主要源于各年各類統計年鑒。對于缺失的2017年高能耗工業產業利息支出數據，采取相鄰兩個年份數據取平均值的方法。

（三）綠色金融效率的靜態分析

通過DEAP2.1軟件對2010-2019年長江經濟帶11個省（市）綠色金融投入與產出指標的面板數據進行測算。

綜合效率分析。2010-2019年11個省（市）綠色金融的綜合效率值如表2所示。

從表2中可以看出，2010-2019年長江經濟帶綠色金融效率呈現震蕩波動。2010-2013年呈下降趨勢，2013年下降至0.634，2014、2015年逐年上升，2016年又下降，2016-2019年先上升后下降再上升，在2015年達到頂峰0.727，但總體保持上升態勢。從分地區來看，下游地區（上海、江蘇、浙江、安徽）綜合效率的均值約為0.893，比整體水平略高，居于領先地位。其中江浙以及上海三個地區綜合效率值在過去10年內始終居于首位，表明這些區域的綠色金融投入產出實現了DEA有效，達到了較高效率水平。其中2017年浙江獲批綠色金融改革創新試驗區的建設， 2018年便發布《行動計劃》制定了“三張清單”來發展綠色金融。第一張綠色項目清單，實施1800余個項目，總投資金額超過2萬億元，形成了綠色發展“萬億項目庫”。第二張財政清單，著重于綠色產業基金、綠色信貸、綠色債券、綠色保險、綠色擔保等方面的財政支出。第三張金融產品和服務清單，有銀行、證券、保險、基金等第一批綠色金融產品和服務57項，強化了綠色項目以及綠色產業的金融需求和綠色金融服務以及產品供給的相互對接，促進了金融機構更好的服務綠色發展。一系列政策推動了浙江的綠色金融高速發展。2017-2019年浙江省的綠色專利發明數增加了37%，高于上海和江蘇，綠色金融發展在下游地區最為突出。中游地區（江西、湖北、湖南）綜合效率均值保持在0.631左右，低于整體平均水平，其中湖南的綜合效率均值最高，江西最低。上游地區（重慶、四川、貴州、云南）綜合效率均值保持在0.54左右，遠低于整體平均水平，其中云南的綜合效率均值最低，僅為0.388，可能是因為投入產出“雙低”所致。四川的綜合效率均值最高為0.779。其中2017、2018年四川省在產出方面，能源結構高級化指數分別提高了4.9%、5.4%，綠色GDP分別提高了12.2%、16%，產出大幅的增加，使得2017、2018年四川的綠色金融綜合效率值均為1，綠色金融投入產出達到DEA有效。而四川作為上游地區綠色金融發展最突出的省，其原因可能在于，一是擁有豐富的自然資源和生態資源，例如水資源豐富，為我國綠色清潔能源重要的生產基地；森林植被覆蓋率達到了較高水平，能夠提供大量林業碳匯資源。二是2018年省政府出臺了《四川省綠色金融發展規劃》，確定了5個綠色金融創新試點區，積極申報創新實驗區，對地方綠色項目以及綠色企業發展制定了針對性的評價標準，建立了全省綠色企業庫和項目庫，上線了綠色金融信息平臺，為進一步發展綠色金融打下了良好基礎。總體而言，長江經濟帶各地發展綠色金融表現出了區域市場現象，對比不同區域的綜合效率，發展最好的為下游區域，最差的為上游區域，居中的為中游區域。

表3：2010-2019年長江經濟帶11個省（市）綠色金融純技術效率值

從純技術效率角度分析，2010-2019年11個省（市）綠色金融的純技術效率如表3所示。

從表3中可知，就長江經濟帶而言，2010-2019年綠色金融純技術效率均值一直在0.866左右波動，從分區域來看，下游地區的純技術效率均值為0.974，遠高于整體平均水平0.866，領先于其他區域，其中江浙以及上海三個地區綜合效率值在過去10年內始終居于首位，表明這些區域投入的綠色金融資源利用較為充分，安徽省純技術效率均值為0.897，技術有效性達到了較高水平。中游均值為0.84，小于整體均值，其中江西、湖北的純技術效率均值為0.78，低于0.9，處于DEA無效。上游地區的純技術效率均值為0.774，低于整體平均水平，貴州在2010-2015年、四川在2014-2018年的純技術效率值均保持在1，說明在此期間這兩個省綠色金融資源得到了有效利用。就中游和上游地區而言，技術有效性不足。

從規模效率角度分析，2010-2019年11個省（市）綠色金融的規模效率值如表4所示。

從表4可以得知，從長江經濟帶在2010-2019年期間規模效率均值為0.773，整體表現出了不斷提高發展的趨勢，最大值出現在2011年和2019年為0.814。規模效率最好的為下游，最差的為上游，居于中間的為中游。下游區域的江浙以及上海三個地區在過去10年內始終居于首位，省市投入的綠色金融資源，利用較為充分，資源得到了比較合理的配置。安徽、江西、湖北、重慶、貴州、云南6省（市）規模效率均值低于0.9，說明該6省（市）的綠色金融處于規模經濟無效，剩余的四川、湖南均值都在0.9以上，接近于規模效率有效。

綜合表2到表4，立足于規模效率以及純技術效率兩個角度分析，以90%分界，可以將研究的11個省市地區歸納為三種類型：其一為“雙高型”，表現為規模效率和純技術效率的均值水平都超過了90%，包括江浙、湖南以及上海；其二為 “低高型”，表現為純技術效率低于90%但是規模效率達到了90%，只有四川省；其三為“雙低型”，表現為純技術效率值和規模效率值均低于90%，有安徽、江西、湖北、重慶、貴州、云南6個省（市）。

表4：2010-2019年長江經濟帶11個省（市）綠色金融規模效率值

表5：2010-2019年長江經濟帶綠色金融Malmquist指數及分解結果

（四）綠色金融效率的動態分析

為了對綠色金融效率進一步進行的動態分析研究，運用軟件工具DEAP2.1對于所獲取到的2010-2019年期間的數據樣本進行計算得到Malmquist指數以及分解，結果見下表5。

從表5數據分析可知，長江經濟帶在2013-2019年期間，綠色金融TFPC動態變化指數均超過1，小于1的時間出現在2010-2013年。從圖1趨勢分析，2010-2019年TFPC動態變化指數表現出了波動變化的趨勢，總體表現出緩慢發展的趨勢。指數分解得到的結果發現，技術進步動態變化與全要素生產率變化趨勢基本一致，技術進步變化指數在2015、2017、2019年期間大幅度減少，TFPC因此隨之減小，證明區域綠色金融TFPC之所以會逐步提升，其根本原因是技術進步。對比來講，技術效率變化指數并未對其造成嚴重影響，二者的變化趨勢不僅不同甚至相反。

對技術效率變化指數進行分解得到圖2，整體表現出了逐步發展的趨勢，2010-2017年出現了小幅變化，2018年銳減，但在第二年又迅速回升。規模效率變化指數在2010-2019年期間始終趨近于1，并沒有發生顯著變化。

為了對長江經濟帶不同省市地區綠色金融效率存在的相互差異，對比了各地區的技術效率變化指數、技術進步變化指數、純技術效率變化指數、規模效率變化指數和全要素生產率變化指數，結果見表6。

全要素生產率變化指數能夠反應時間變化引起的效率改變。對表6中數據分析發現，長江經濟帶的全要素生產率年增長均值達到了2.1%，表明生產效率和生產力水平有小幅提高；技術效率以及技術進步變化指數數值均為1.011，表明在長江經濟帶，技術進步和技術效率提高共同促進了全要素生產率的提高。

圖1:2010—2019年長江經濟帶綠色金融Malmquist指數分解結果

圖2:2010—2019年長江經濟帶綠色金融技術效率變化指數分解結果

表6：2010-2019年長江經濟帶11個省（市）綠色金融Malmquist指數及分解結果

從各省（市）層面看，除江西（0.969）、貴州（0.816）外，所有地區年均要素生產率變化指數均超過了1，表明不同區域的綠色金融效率隨著時間推移明顯提高。在11個省（市）中，上海、江蘇、浙江、安徽、湖北、重慶、四川的全要素生產率增幅最高達到了15%，最低3%；增幅表現最小的為云南不足1%。對分解結果進行分析發現，除了上海、江蘇、浙江、安徽地區的技術進步變化指數大于1，其余地區均小于1。而除了湖南、貴州地區的純技術效率變化指數與規模效率變化指數小于1外，其余地區均大于1。從分析所得結果看，對于長江經濟帶來說，技術進步是顯著促進其全要素生產率提高的關鍵因素，規模效率以及純技術效率是全要素生產率緩慢增長甚至降低的主要因素。

為了進一步研究長江經濟帶綠色金融的區域性差異，將長江經濟帶11省（市）劃分為下游、中游、上游三個區域，得到長江經濟區域帶綠色金融Malmquist指數及分解結果，如表7所示。

從表7中長江經濟帶不同區域全要素生產率變化指數來看，2010-2019年只有下游地區的全要素生產率變化指數增長了13.3%，中游、上游地區分別下降了1.5%和5.7%。其中下游地區全要素生產率的主要促進因素是技術進步，中上游全要素生產率之所以下降，前者的主要因素是技術進步有所下降，后者的主要因素是技術進步和技術效率同時下降。

表7：2010-2019年長江經濟區域帶綠色金融Malmquist指數及分解結果

結論與建議

運用DEA及Malmquist指數模型對11個省（市）綠色金融效率進行靜態和動態分析，研究發現：

第一，2010-2019年長江經濟帶綠色金融整體發展良好，但是存在較為嚴重的區域發展不平衡現象。發展最好的為下游地區，中上游地區存在一定的滯后性但是有較大改善空間。江浙、湖南以及上海的綠色金融效率表現為規模效率和技術效率“雙高”，稍作調整就能夠實現DEA有效，其中上海、江蘇、浙江3個省（市）均實現DEA有效。四川省屬于“低高型”，需要著重提高技術水平。安徽、江西、湖北、重慶、貴州、云南6個省（市）屬于“雙低型”，不僅要在綠色金融方面加大技術創新，提升技術水平，還需要進一步擴大發展規模。

第二，綠色金融和經濟發展具有聯動作用，經濟發展促進綠色金融的發展，且綠色經濟發展政策促進作用明顯。中、上游地區的綠色金融效率均值為0.586，綠色效率偏低，綠色金融存在一定的滯后性，中上游地區的湖南以及四川兩省綠色金融效率達到了0.779、0.884，表現出了良好的發展勢態，在中下游地區表現極為突出，同時，四川省和湖南省的經濟發展處于前列。經濟的發展對于兩省綠色金融發展具有正向效應。

第三，綠色金融全要素生產率的提升主要來自技術進步。2010-2017年長江經濟帶綠色金融全要素生產率變化指數年均上升了1.7%，其中，技術進步指數年均上升了2.2%，技術效率指數年均下降了0.05%，所以技術進步是全要素生產率增長的主要原因。

基于本次研究結論，提出以下政策建議：

一是加強綠色金融區域間合作，實現協調發展，下游地區帶動中上游地區。比如安徽省可以向江蘇省學習引進其發展綠色金融的政策措施，另外還可以通過長江經濟帶的區域優勢，充分發揮長江經濟帶發展戰略作用，改善綠色金融效率使綠色金融整體實現更好的發展。

二是在國家碳達峰碳中和目標背景下，結合各區域實際情況，制定相關發展政策，推動技術進步和綠色金融的發展。合理運用有關政策，將技術創新放在首位，讓綠色產業擁有更多金融資源。比如對于“雙低型”省（市），安徽省應該積極引導證券行業發展綠色證券業務，加快綠色證券金融創新，吸引國外投資者投資綠色證券等，同時提高能源結構高級化指數，降低煤炭消費，鼓勵新能源的發展。