EN中文

Economic geography >

2020 , Vol. 40 >Issue 11: 149 - 157

DOI: https://doi.org/10.15957/j.cnki.jjdl.2020.11.017

New Financial Development and Green Transformation of Urban Industry：An Empirical Analysis Based on SYS-GMM Model

  • TAN Weihua , 1 ,
  • SHU Yinyan , 2, ※
Expand
  • 1. College of Public Administration，Hunan Normal University，Changsha 410081，Hunan，China
  • 2. College of Economics and Trade，Guangxi University of Finance and Economics，Nanning 530003，Guangxi，China

Received date: 2020-03-11

  Revised date: 2020-10-30

  Online published: 2025-04-14

Fold

Abstract

Based on the panel data of prefecture-level cities in China from 2011 to 2016,the paper studies the influence of new financial development on the urban industrial green transformation by the means of the fixed effect model and SYS-GMM model. The main result as follows: 1) The development level of new financial development rises rapidly in Chinese cities. The regional spatial differentiation is obvious,which shows the increasing trend on the whole from the west of China to the east. The level of urban industrial green development is generally high and shows the balanced development pattern. Promoting new financial development of all regions is helpful to improve the level of financial liberalization and promote the industrial green development by the innovation ability of cities. The paper puts forward some relevant suggestions: strengthening incentive mechanism and supervision mechanism of financial innovation,guiding the integration development between new financial and green financial,increasing financial support of the green technology and green process upgrades,establishing green credit system and the enterprise green authentication mechanism,optimizing the environment of integral development of new finance and green finance.

Key words： industrial green transformation; green development; new finance; urban innovation capacity; high-quality development

Cite this article

TAN Weihua , SHU Yinyan . New Financial Development and Green Transformation of Urban Industry：An Empirical Analysis Based on SYS-GMM Model[J]. Economic geography, 2020 , 40(11) : 149 -157 . DOI: 10.15957/j.cnki.jjdl.2020.11.017

绿色发展作为我国五大发展理念的重要理念之一，是实现经济高质量发展的重要途径。有关产业绿色发展，国内外学术界形成了一系列研究成果。国外相关研究机构和学者构建了不同的绿色发展评价指标体系对绿色发展水平或绿色增长绩效进行评价[1-3]。国内学者则基于不同视角构建绿色发展评价指标体系，测度产业绿色发展水平和区域绿色发展水平[4-6]。随着生态问题日益凸显，传统的工业发展模式造成大量资源消耗及废弃物产生，加快建设生态文明体系，推动产业绿色转型发展日渐迫切，越来越多的文献聚焦于产业绿色转型问题研究。一些学者运用DEA方法对工业绿色发展效率进行评价，认为绿色技术进步缓慢是制约工业绿色发展水平提高的重要因素，科技创新投入和环境保护投资增加能有效提升工业绿色发展水平[5,7-8]。有必要不断推动环境供给侧改革，积极构建绿色产业体系，加强绿色发展的体制机制保障，推动经济发展方式从要素、投资驱动转向创新驱动，构建管理创新、技术创新、制度创新等全方位创新体系[9]。
近年来，受自下而上的金融创新、新技术发展等因素驱动和金融需求拉动，金融科技、新金融快速发展，研究其对经济发展影响的相关成果也日渐增多。有关新金融对实体经济发展的影响，学术界有两种不同的观点。一些学者认为互联网金融等新金融业务由于监管面临信息不对称、信用风险以及相关制度不健全等问题，对金融业健康稳定发展和经济发展存在负面影响[10-12]。但大多数学者认为，新金融发展有利于提高实体经济效率和质量，如新金融有助于扩大金融服务覆盖范围，优化金融资源配置，提高企业创新发展能力，激发企业创新活力，推动经济结构调整[13-15]。王业斌等学者对金融发展对工业减排的影响进行研究，发现我国存在的金融抑制提高了工业污染物排放强度进而不利于工业减排，并建议应进一步深化金融体制改革，提高金融资源配置效率，以提升中国工业减排的内在动力[16]。在全国层面，金融规模的扩大、长期信贷的投放、金融中介效率的改善、金融市场化的深化、直接融资比例的提升均对工业转型升级具有正向推动作用[17]。研究表明，企业监督效应和资本配置效应有助于区域绿色发展，但绿色金融效应及其空间溢出均不明显，因而有必要提升金融支持绿色产业和环境保护的力度[18]。
现有研究表明，我国工业绿色转型发展与金融支持有密切关系。但传统金融业务融资结构对最优状态的偏离会制约工业的转型升级，在加快传统金融创新的同时，可充分发挥新兴金融业态的优势，为中小企业提供个性化的融资服务[17]。金融数字化有助于金融机构的结构优化、效率提升和环境责任的担当，促进了绿色金融发展[19]，但以金融数字化推动的绿色金融发展只对中小企业污染形成了融资惩罚，却未显著影响大企业融资水平[20]。虽然新金融对企业减排的影响具有异质性特征，但现有研究也表明新金融已经成为传统金融体系的有力补充，绿色数字金融发展有助于改善金融服务效率和工业资本配置效率，进而促进工业减排。但令人遗憾的是，现有研究主要从传统金融领域对金融发展与工业减排的关系进行研究，仅有少数几篇文献探讨了数字金融对绿色金融发展的影响，鲜有文献关注新金融发展对工业绿色转型发展的影响。
本文运用中国城市面板数据对新金融发展与工业绿色转型关系进行实证研究，试图为分析金融创新发展对工业减排的影响提供经验证据。

1 研究方法与数据说明

1.1 研究方法

1.1.1 灰色关联度法

为反映工业绿色发展水平的空间差异，本文构建了城市工业绿色发展综合指数反映城市工业绿色发展水平。采用灰色关联度法确定指标权重，运用每单位工业总产值废水排放量、每单位工业总产值SO2排放量、每单位工业总产值工业粉尘排放量等3个指标加权计算各城市工业绿色发展综合指数。工业总产值是以2011年为基期的实际工业总产值。
由于工业污染物排放强度为逆向指标，这里对逆向指标无量纲化的处理方法为极值法，即利用指标的极值计算指标的无量纲值，将数据转化为[0,1]的标准值，公式为：
X i k = X i ' - m i n X i ' m a x X i ' - m i n X i '
这里，采用无量纲化的方法是把数据转化成区间为[0,1]的标值，因此，参考数列的每个数据均为1。然后，计算每个指标即比较序列与参考序列对应元素的差值，即：
X 0 k - X i k       k = 1 , … m , i = 1 , … n
式中：m为指标的个数；n为被评价对象的个数。
再确定两级最大差：
m a x n i = 1 m a x m k = 1 X 0 k - X i k
以及两级最小差
m i n n i = 1 m i n m k = 1 X 0 k - X i k
计算关联系数，公式为：
ζ i k = m i n i m i n k X 0 k - X i k + ρ ∙ m a x i m a x k X 0 k - X i k X 0 k - X i k + ρ ∙ m a x i m a x k X 0 k - X i k
式中：k=1，…，m； ρ为分辨系数，0< ρ<1，为了提高分辨度，这里的 ρ取0.4。
计算关联序，公式为：
r 0 i = 1 m ∑ k = 1 m ζ i k
确定各指标在综合评价中的权重，公式为：
W k = r 0 i / ∑ k = 1 n r 0 i
最后，运用公式（5）和公式（7）计算得到的关联系数和权重，对评价对象进行评分公式为：
r 0 i ' = ∑ k = 1 m W k ζ i k
根据公式（8），计算得到3个指标加权后的城市工业绿色发展综合指数。

1.1.2 回归模型的构建

分析金融发展与工业转型发展之间的关系，有必要分析金融发展对工业污染排放的影响。现有的研究主要是从经济规模、技术创新、产业结构等角度对工业污染物减排的影响因素进行研究。本文在构建计量模型时，以反映新金融发展水平的城市新金融发展指数作为解释变量，将城市创新能力作为中介变量，经济规模、产业结构和人力资本因素作为影响工业污染物减排的控制变量，分析新金融发展对工业污染减排的影响。其中，控制变量中的经济规模用各城市人均GDP指标表征，结构因素用第三产业产值占GDP比重、实际外商直接投资占GDP比重和反映要素禀赋状况的人力资本状况等指标表征，其它环境因素用财政教育支出和科技支出占GDP比重表征。金融发展包括传统金融服务与新金融服务发展，模型拟采用年末金融机构贷款余额占GDP比重和数字金融发展指数分别表征传统金融发展水平和新金融发展水平。城市创新能力用基于城市专利数量计算的城市创新指数表征。
本文构建如下计量模型对新金融发展对工业绿色转型的影响进行实证检验。
l n P o l i n i t = β 0 + β 1 Z z s i t + β 2 I n n i t + β 3 F i n a i t +                                           β 4 I n d i t + β 5 T e r i t + β 6 E d u i t + β 7 T e c h i t +                                           β 8 F d i i t + β 9 L p e r g d p i t 2 + ε i t
式中：变量的下标i、t分别表示城市代码和年份；εit表示随机误差项；Polin表示工业污染物排放量；Zzs表示城市数字金融指数；Inn表示城市创新指数；Fina表示城市传统金融发展水平；Ind表示城市工业化水平；Ter表示城市第三产业发展水平；Edu表示城市人力资本状况；Tech表示城市财政科技支出状况；Fdi表示经济开放程度；Pergdp表示城市经济发展水平；β0为常数项；β1~β9为对应变量的系数；β1和β2是本文关注的解释变量与中介变量系数，如果β1、β2小于0，则说明新金融发展水平和城市创新能力的提升有助于降低工业污染物排放，即新金融发展和城市技术创新能力提升有利于促进工业绿色转型发展。

1.2 变量说明

1.2.1 被解释变量

Polin表示城市工业污染物的排放量，在模型中取自然对数后作为被解释变量。工业污染物一般分为工业固体废弃物、工业废水、工业废气和工业烟尘等污染物。由于统计年鉴中各城市工业固体废弃物、工业废水、工业废气和工业烟尘缺乏数据的年份不同，难以同时使用4个数据加权计算2011—2016年各城市的工业绿色发展综合指数。虽然运用年鉴数据能计算城市个别年份的工业绿色发展综合指数，但难以确保该指标在时序上是连续的，进而造成样本数大量减少。鉴于此，为确保足够的城市样本，考虑数据的可获得性，对于被解释变量本文选取反映工业SO2排放量（SO2，单位：t）、工业废水排放量（Water，单位：万t）、工业粉尘排放量（Dust，单位：t）等3个指标表征工业污染物排放情况。由于工业SO2排放（SO2）是研究工业环境污染的相关文献中使用最多的表征工业污染排放的变量，因此本文主要用工业SO2排放量（SO2）排放量作为反映工业污染状况的被解释变量指标，以此作为模型估计的基准分析，将工业废水排放量（Water）与和工业粉尘排放量（Dust）用于模型的稳健性检验。工业污染物排放量的数据主要来自于2012—2017年《中国城市统计年鉴》和相关省（自治区、直辖市）统计年鉴。

1.2.2 解释变量

金融发展通过传统金融业务与新金融服务水平的改善提升金融业对实体经济的服务能力和服务效率，因而城市金融发展水平差异对工业绿色转型的影响也有所差异。
已有的研究认为，传统金融服务具有一定程度的金融排斥，普惠性不强，金融服务成本高和融资难的问题依然存在。如张军等所指出的，由于中国传统金融机构存在较为明显的金融排斥，单一采用金融机构年末贷款余额占GDP的比重这一指标不能全面反映近年来新金融快速发展对工业企业发展的影响，因而无法全面地反映金融发展程度与污染物排放之间的关系，故模型中解释变量引入反映新金融发展水平的指标[21]。
本文用新金融发展指数反映中国新金融发展水平。该指数采用《北京大学数字普惠金融指数》所构建的数字金融指数来表征中国各城市新金融发展水平。该指数是基于金融的覆盖广度、使用深度、数字支持服务程度等3个一级指标体系和包含数字金融账户覆盖率、支付业务、投资、保险、信贷（包括个人消费贷和小微经营贷）、数字征信、金融服务便利性、金融服务成本等多项二级指标计算的综合指数。

1.2.3 中介变量

城市创新能力是城市工业绿色发展的内生动力，而金融服务通过作用于城市创新能力的提升，驱动工业绿色转型。城市创新能力拟采用能综合反映城市创新能力的综合指数来表征，模型回归时，取该指数的对数。城市创新指数数据来源于复旦大学产业发展研究中心、复旦大学中国经济研究中心发布的《中国城市和产业创新力报告2017》。创新指数的计算是借鉴Pakes等的专利更新模型[22]，使用1987—1997年申请的所有已经到期的发明专利进行价值估计，然后根据估计所得的参数模拟出专利价值的分布，进一步计算不同年龄专利的平均价值，以此作为相应专利的价值加权系数。在此基础上，以年终（12月31日）作为每年的观测时点，选择在观测时点还有效的发明专利（已被授权并且还处于存续期），加总不同城市的专利价值得到其专利价值存量。最后将2001年全国专利价值总量标准化为100，计算得到2001—2016年的城市创新指数。

1.2.4 控制变量

本模型回归时拟选用表征传统金融发展水平、城市经济发展规模、工业化程度、产业结构状况、城市经济开放度、城市创新环境等情况的指标作为控制变量。
回归时，用年末金融机构贷款余额占GDP比重表征传统金融服务可触及性。用人均GDP表征城市经济规模，每万人中在校大学生人数表征人力资本状况，这两个指标取对数放入模型。采用工业总产值规模表征工业发展程度，用第三产业产值占GRP比重表征产业结构高度化状况，用实际利用外商投资额占GRP比重表征城市经济开放度，用财政科技支出占GRP比重表征城市创新环境。以上指标的数据均来自于2012—2017年《中国城市统计年鉴》和各省（区、市）统计年鉴。

2 中国新金融与工业绿色发展的空间特征

2.1 中国工业绿色发展的空间特征

以2011和2016年当年城市工业绿色发展指数中最高的指数值为基准，将全国各城市的工业绿色发展综合指数进行排序，并划分为5个梯队 ① 。
各城市2011和2016年的工业绿色发展水平的空间差异如图1所示。2011年中国工业绿色发展指数的空间发展格局呈现出较高水平的空间均衡发展格局。绝大多数城市的工业绿色发展水平处于第一梯队和第二梯队，仅有8个城市的工业绿色发展水平处于第三梯队。2016年，工业绿色发展水平较低的城市增多，出现了处于第四、第五梯队城市。这表明，城市工业绿色发展水平的空间差异进一步明显，小部分城市的工业绿色发展水平与其他地区的工业绿色发展差距进一步扩大。
图1 2011、2016年城市工业绿色发展水平空间格局

Fig.1 Spatial pattern of development level of urban industrial green in 2011 & 2016

图2 2011、2016年城市新金融发展水平空间格局

Fig.2 Spatial pattern of urban new financial development level in 2011 & 2016

2.2 中国新金融发展的空间特征

我国新金融发展水平区域差距较大，新金融企业对为落后地区提供金融业务的积极性不强。由于数字金融通过运用信息化技术、数字金融产品和金融服务方式创新，有助于提高金融服务的可及性，降低金融服务成本，扩大金融服务覆盖范围，比传统金融更具有普惠性和穿透力。新金融在经济转型升级中的影响力日渐增强，但我国新金融发展水平的空间差异较大。本文以2011和2016年当年指数最高的新金融发展指数值为基准，将全国各城市的新金融发展指数进行排序，分别按照一定的百分比所处位置将城市新金融发展水平划分成若干个梯队 ① 。如图3所示，2011年中国城市新金融的空间发展格局呈现出“东高西低”的特征，处于第一梯队的多为东部地区城市，仅有成都市1个西部地区城市入围第一梯队；处于第二梯队的西部地区城市很少，而处于第五梯队的主要是西部地区城市。2016年，西部地区的不少城市的新金融发展水平跃升为第二、第三梯队，但也表明新金融发展水平处于第一梯队的城市主要布局在东部、中部地区，绝大多数城市的新金融发展水平还有较大提升空间。
图3 工业SO2排放与新金融发展指数的关系

Fig.3 Relationship between industrial SO2 emissions and new financial development index

3 新金融发展对工业绿色转型的影响分析

3.1 变量的描述性统计

受数据可获得性限制，本文采用的原始数据，包含了中国除西藏以外的其它30个省（自治区、直辖市）所辖的252个地级市的全市数据（非市辖区数据）。工业总产值、GDP、人均GDP均换算为2011年不变价格计算的变量值。由于城市创新指数数据只能获取2011—2016年数据，本文实证分析的时间跨度为2011—2016年。
变量的描述性统计见表1。
表1 变量的描述性统计

Tab.1 Descriptive statistics of variables

变量 观察值 均值 标准差 最小值 最大值
lnSO2 1 541 10.450 1.031 0.693 13.183
lnWater 1 576 8.360 1.060 1.946 11.371
lnDust 1 544 9.976 1.077 5.050 15.458
Inn 1 728 13.411 57.031 0.010 1 061.370
Zzs 1 728 131.157 51.453 17.020 246.920
Fina 1 728 0.904 0.571 0.132 7.450
lnInd 1 728 16.778 1.209 12.227 23.095
Ter 1 722 0.441 2.387 0.102 99.370
Edu 1 726 116.508 68.056 3.080 593.640
Tech 1 726 0.004 0.009 0.00004 0.181
lnpgdp 1 704 21.746 1.150 18.284 25.642
Fdi 1 635 0.018 0.017 0.000012 0.116
图3是各城市工业SO2排放与新金融综合发展指数之间的散点图，从图中可以看出，工业SO2排放与新金融发展水平呈负相关关系，表明金融创新有助于降低工业污染物排放进而推动工业绿色转型。

3.2 回归估计与讨论

3.2.1 基准回归

以工业SO2排放量的对数作为被解释变量，并以此为基准来分析新金融发展对工业污染物排放的影响。基本回归结果见表2。
表2 新金融发展对工业SO2排放的影响

Tab.2 Impact of new financial developments on industrial SO2 emissions

被解释变量 （1）FE （2）FE （3）FE （4）SYS-MM （5）SYS-MM
lnSO2 lnSO2 lnSO2 lnSO2 lnSO2
Zzs -0.0034***（0.00097） -0.0021**（0.00097） -0.0022**（0.00098） -0.0057***（0.0007）
Zzs·lnInn -0.00076***（0.00012） -0.00091***（0.00017） -0.00110***（0.00021）
L.Zzs -0.0997***（0.0314）
Zzs·lnInn -0.00153***（0.000172）
L.SO2 0.436***（0.0951） 0.908***（0.0591）
Fina -0.132***（0.0456） -0.137***（0.0449） -0.135***（0.0449） -0.0966（0.0626） -0.147***（0.0521）
Fina·lnInn -3.80e-05（0.00025） -0.000396*（0.00021） 0.000156（0.00013）
lnInn -0.229***（0.0575） -0.129**（0.0586） -0.573**（0.278） 0.210（0.224） -0.280**（0.123）
Ter 0.00335（0.00436） 0.00130（0.00429） 0.00103（0.00432） 0.000385（0.00096） -0.000107（0.00071）
lnpergdp2 -0.458**（0.186） -0.505***（0.183） -0.500***（0.183） 0.0342（0.0299） -0.00987（0.0136）
Tech -8.311***（2.734） -7.693***（2.689） -7.212***（2.756） -4.942***（1.816） -2.776**（1.396）
lnInd 1.246***（0.303） 1.130***（0.298） 1.122***（0.298） 0.00548（0.0282） 0.0170（0.0143）
Edu 0.000113（0.00046） 0.000107（0.00045） 0.000138（0.00045） -0.000847（0.00052） 0.000565*（0.00029）
Fdi -2.784*（1.529） -3.375**（1.506） -3.366**（1.512） -1.243（1.179） -1.044（0.707）
Constant 0.259（4.464） 3.105（4.411） 3.102（4.411） 5.893***（1.187） 1.337*（0.761）
Hausman 0.0000
观测值 1 443 1 443 1 441 1 190 1 190
样本数 252 252 252 251 251
F值 59.38 59.46 49.43
A R 1 0.011 0.004
A R 2 0.090 0.424
Hansan 0.602 0.869

注：***p<0.01，**p<0.05，*p<0.1。表3同。

为了控制未观测因素的影响，首先基于两种不同假设的固定效应（FE）和随机效应（RE）估计方法对模型进行估计，并以Hausman检验来判断是否由于遗漏城市固定效应而导致了估计偏误。Hausman检验P值为0.0000，检验结果拒绝固定效应与随机效应估计的系数没有系统性差异的原假设，因而选择固定效应模型的估计结果作为最终结果。模型（1）的估计结果显示，新金融发展指数（Zzs）的系数显著为负，表明新金融发展水平的提高对工业SO2排放具有显著的负向影响，即新金融发展水平提高有助于降低工业污染物排放。
为进一步分析新金融发展对工业绿色发展的作用机制，模型（2）将新金融发展指数与城市创新指数的交互项引入回归分析，该模型的回归结果显示，新金融发展指数（Zzs）的系数仍然显著为负，且新金融发展指数与城市创新指数的交互项Zzs·lnInn）的系数显著为负。模型（3）进一步引入传统金融与城市创新指数的交互项进入回归分析，模型（3）的回归结果表明，新金融发展指数与城市创新指数的交互项（Zzs·lnInn）的系数仍然显著为负。模型（2）和模型（3）的结果均表明新金融发展通过推动城市创新水平的提高而促进工业降低污染物排放，即新金融通过支持城市技术创新活动推动工业绿色转型。
模型（1）、模型（2）和模型（3）虽然用固定效应方法能控制其他随时间变化的变量，但没有考虑可能存在的内生性问题。为了尽可能地减少内生性问题，本文采用系统广义矩估计（SYS-GMM）方法进行回归，估计结果见表2中模型（4）和模型（5）。应用系统广义矩估计方法进行估计时，需检验模型设置的合理性和工具变量的有效性，本文采用Arellano-Bond检验和Hansen检验。Arellano-Bond检验用于检验模型差分后的残差是否存在序列相关，系统广义矩估计允许差分后的残差项存在一阶自相关，但不能存在二阶相关。Hansen检验用于分析工具变量是否过度识别，即工具变量是否有效。模型（4）的检验结果显示，对工具变量的Hansen检验显示，各种情形下工具变量都是有效的；但 A R 1、 A R 2统计变量值均小于0.1，表明差分后的残差项存在一阶自相关和二阶自相关。为了消除模型（4）中差分后的残差项存在二阶自相关，在模型（5）中引入新金融创新指数的一阶滞后项（L.Zzs），对工具变量的Hansen检验显示，各种情形下工具变量都是有效的； A R 1统计变量值小于0.1，但 A R 2统计变量大于0.1，表明差分后的残差项虽然存在一阶自相关，但不存在二阶自相关，因而模型（5）的设置是合理的。
因此，本文根据模型（5）的回归结果进行分析。模型（5）的估计结果与模型（1）的估计结果基本一致，新金融发展指数的系数仍然显著为负，说明在控制了一定的内生性后，新金融发展指数仍然对工业SO2排放具有显著的负向影响。新金融发展指数与城市创新指数交互项的系数仍显著为负，表明新金融发展指数确实通过影响城市技术创新而降低工业SO2排放量，进而推动工业绿色转型。

3.2.2 稳健性检验

表3中，将被解释变量替换为工业废水排放量、工业粉尘排放量，回归时取对数，仍然用新金融创新指数作为解释变量，并基于系统广义矩估计（SYS-GMM）方法进行稳健性检验，回归估计结果见表3。各种情形下工具变量都是有效的； A R 1统计变量值均小于0.1，但 A R 2统计变量大于0.1，表明差分后的残差项虽然存在一阶自相关，但不存在二阶自相关。表3中模型（6）和模型（7）的回归结果显示，新金融发展指数（Zzs）的系数显著为负，新金融发展指数与城市创新指数交互项（Zzs·lnInn）的系数显著为负，表明新金融发展水平的提高对工业废水排放、工业烟尘排放均具有显著为负的影响，新金融发展通过作用于城市创新能力推动工业减排。表3的回归结果表明，不论用何种工业污染物排放量作为被解释变量，新金融发展水平的提升都有助于推动工业污染物减排，进而推动工业绿色发展。
表3 新金融发展对工业废水和工业粉尘排放的影响

Tab.3 Impact of new financial developments on industrial waste water and industrial dust discharge

被解释变量 （6）SYS-MM （7）SYS-MM
lnwater lndust
Zzs -0.0028***（0.0008） -0.003***（0.0007）
Fina -0.159*（0.0841） 0.204**（0.0811）
lnInn -0.237（0.231） 0.348（0.378）
Zzs·lnInn -0.0004（0.00027） -0.0011***（0.00026）
Fin·lnInn -0.0003*（0.0002） 0.0008*（0.0005）
Ter 2.49e-05（0.00089） -0.00637***（0.0021）
lnpgdp2 0.0401（0.0309） -0.0109（0.0543）
Tech 0.237（1.874） -4.847**（2.436）
lnInd -0.0006（0.0334） 0.295***（0.0670）
Edu -0.0001（0.0005） -0.0015**（0.0007）
Fdi -0.278（1.292） 2.570（2.002）
L.water 0.518***（0.0898）
L.lndust 0.224***（0.0481）
Constant 3.497***（0.945） 3.360***（0.962）
观测值 1213 1199
样本数 253 252
A R 1 0.000 0.022
A R 2 0.210 0.256
Hansen检验P值 0.728 0.17

4 结论与建议

实证分析结果表明：新金融发展水平的提高有助于工业污染物排放量降低，但由于我国新金融自身发展不够充分、不平衡，因而对工业绿色转型发展的驱动作用尚未充分发挥，其影响作用仍然小于传统金融对工业绿色发展转型的影响。这可能与新金融发展水平的区域差距、市场主体发育水平、要素结构与金融资源配置、金融制度供给等因素有关。受区域经济不平衡、社会发展水平低，企业竞争力不强等因素影响，新金融企业供应链金融服务发展水平不高，东部地区的互联网金融企业在提供金融服务时，主要覆盖经济发达的东部地区，对为西部地区企业提供金融服务缺乏积极性。在传统金融服务水平相对较低的西部地区，因受新金融企业数量少、市场主体实力偏弱等因素制约，新金融对工业绿色转型发展的支持作用也受到制约。
当前，中国金融业发展与国家创新驱动绿色发展战略依然存在不兼容、不协调等问题，无论是金融规模还是金融结构，都尚未形成对工业绿色转型、绿色技术原始创新的系统性支持，支持措施碎片化，难以形成合力。从经济发展规律看，在不同的经济发展阶段，工业发展模式、技术创新模式也会相应地发生变化，从而对金融服务产生不同的需求，需要金融业进行相应的供给侧改革。随着我国经济向高质量发展转型，工业绿色发展成为未来我国经济增长突破资源环境紧约束的必然选择，而成功实现工业绿色转型需要加强绿色技术创新驱动，需要制度创新和配套的金融服务创新形成系统性支持。无论是传统金融还是新金融，都有加强绿色金融体系建设的必要，但由于绿色技术创新在前期并不能带来直接的经济利润，收益不确定性和风险的不确定性特征则更为显著，传统金融至今未能在绿色金融服务创新方面对工业转型升级提供有力的支持。
综上，中国绿色金融发展面临制度供给滞后的制约。中国有必要加快新金融制度创新，逐步挖掘在新金融领域的发展优势，充分运用数字技术，推动新金融与绿色金融的融合互动发展，助力绿色金融可持续发展。在促进投资结构优化方面，制度创新相对滞后，未能有效引导新金融企业强化企业社会责任投资理念，给予绿色技术创新主体和绿色转型企业更多支持。在新金融信贷方面，绿色消费导向不足，对引导消费者形成绿色消费理念和绿色消费方式缺乏足够重视，未能形成规模化的绿色消费市场支持产业生态化和环保型企业的发展，因此，需加快新金融信贷结构优化，通过政策创新以消费末端的绿色化转型倒逼企业绿色技术创新、应用推广和产品结构的绿色升级。
近年来，新金融蓬勃发展，成为传统金融的重要补充，为实体经济提供了更多样化、特色化的金融服务。本文实证分析表明，新金融发展水平的提高有助于工业污染物排放量降低，新金融通过支持城市创新能力提升有助于促进工业绿色转型发展，有助于提高金融服务效率，激发实体经济活力，促进经济转型升级。
基于此，本文提出如下建议：①加快金融激励机制和监管体系建设，对新金融企业开展的绿色金融业务给予税收优惠，引导新金融企业信守绿色信贷的指导原则，提供绿色金融服务，并有效防控绿色新金融潜在风险。②加快完善多元化的绿色金融发展体系，构建以传统金融为主体、新金融为补充的绿色金融服务体系，引导新金融企业加大对工业企业技术改造，加大企业对减排技术应用的支持力度，促进新金融与绿色金融融合发展。③推进财政、金融、科技、经信等部门的政策协同，完善政策协调机制，支持“互联网+融资租赁”“互联网+供应链金融”等融资模式创新，着力解决中小企业在绿色产品技术、工艺设备改造升级等方面面临的融资难、融资贵的问题。④强化金融科技在绿色金融发展业务中的运用，建立全国统一的绿色金融服务平台，聚焦于绿色信贷业务牵线搭桥，引导新金融企业绿色金融与工业绿色项目对接，加大对工业企业绿色融资一站式服务的力度。⑤加快绿色金融信用评价体系建设，利用大数据在平台上实现环保、税收、金融、政府采购、财政补贴等信息共享，加强绿色科技、绿色金融、绿色采购、绿色补贴等信息整合，提高与企业节能减排、环境效益等方面的精准统计能力，促进信息共享和实时监控。⑥配套推进企业绿色认证服务体系建设，运用金融科技手段，帮助企业申请绿色企业、绿色项目认证机构提供智能预评估，并为企业提供绿色认证辅导，帮助企业获得“绿色”相关的认证。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Limon Sartorius. Green growth unraveled:how rebound effects baffle sustainability target's when the economy keeps growing[M]. Berlin: Heinrich Boll Foundation and Wuppertal Institute for Climate,Environment and Energy, 2012.

[2]
UNEP. Towards a green economy:pathways to sustainable development and poverty eradication[M]. Paris: OECD, 2011.

[3]
Word Bank. Inclusive green growth:the path way to sustainable development[R]. Washington,D.C: World Bank, 2011.

[4]
李晓西, 刘一萌, 宋涛. 人类绿色发展指数的测算[J]. 中国社会科学, 2014(6):70-95,207-208.

[5]
周亮, 车磊, 周成虎. 中国城市绿色发展效率时空演变特征及影响因素[J]. 地理学报, 2019(10): 2 027-2 044.

[6]
张欢, 罗畅, 成金华, 等. 湖北省绿色发展水平测度及其空间关系[J]. 经济地理, 2016, 36(9):158-165.

[7]
姚西龙, 牛冲槐, 刘佳. 创新驱动、 绿色发展与我国工业经济的转型效率研究[J]. 中国科技论坛, 2015(1):57-62.

[8]
郭露, 徐诗倩. 基于超效率DEA的工业生态效率——以中部六省2003—2013年数据为例[J]. 经济地理, 2016, 36(6):116-121,58.

[9]
杨莉, 余倩倩, 张雪磊. 江苏沿江城市工业绿色发展评价与转型升级路径研究[J]. 江苏社会科学, 2019(6):249-256.

[10]
黄茂兴, 叶琪. 马克思主义绿色发展观与当代中国的绿色发展——兼评环境与发展不相容论[J]. 经济研究, 2017(6):18-30.

[11]
周斌, 朱桂宾, 毛德勇, 等. 互联网金融真的能够影响经济增长吗?[J]. 经济与管理研究, 2017(9):45-53.

[12]
程雪军, 吴敏, 马楠. 互联网消费金融资产证券化的发展反思与监管建议[J]. 消费经济, 2020(2):10-19.

[13]
王馨. 互联网金融助解“长尾”小微企业融资难问题研究[J]. 金融研究, 2015(9):128-139.

[14]
王瑶佩, 郭峰. 区域数字金融发展与农户数字金融参与:渠道机制与异质性[J]. 金融经济学研究, 2019(3):84-95.

[15]
殷小丽. 金融发展对经济增长的传导机制研究——基于内生增长理论[J]. 技术经济与管理, 2018(12):81-85.

[16]
王业斌, 张建中, 钟昌标. 金融抑制如何影响了工业减排——来自中国省级面板数据的经验证据[J]. 云南财经大学学报, 2018(9):68-78.

[17]
林宏山. 金融要素与工业转型升级关系研究——基于金融发展与融资结构视角[J]. 上海金融, 2018(6):36-43.

[18]
黄建欢, 吕海龙, 王良健. 金融发展影响区域绿色发展的机理——基于生态效率和空间计量的研究[J]. 地理研究, 2014(3):532-545.

DOI

[19]
Vives X. The Impact of Fintech on Banking[J]. European Economy, 2017(2):97-105.

[20]
王康仕, 孙旭然, 张林曦, 等. 金融数字化是否促进了绿色金融发展?——基于中国工业上市企业的实证研究[J]. 财经论丛, 2020(9):44-53.

[21]
张军, 金煜. 中国的金融深化和生产率关系的再检测:1987—2001[J]. 经济研究, 2005(11):34-45.

[22]
Pakes A, Schankerman M. The rate of obsolescence of patents,research gestation lags,and the private rate of return to research resources,R&D,patents,and productivity[M]. Chicago: University of Chicago Press, 1984.

Options
Outlines

/

〈 〉