中国绿色产业发展演进特征及数字普惠金融支持分析

邢晓卫，叶阿忠，陆峰

（1. 东北大学 工商管理学院，辽宁 沈阳 110169；2. 福州大学 经济与管理学院，福建 福州 350108；3. 广西财经学院 金融与保险学院，广西 南宁 530003）

1 问题提出

绿水青山就是金山银山，改善生态环境就是发展生产力，良好生态环境能源源不断创造综合效益，实现经济社会可持续发展[1]。新冠疫情的冲击让我们更加清晰地看到绿色可持续高质量发展的重要性，绿色发展离不开科技含量高、资源消耗少、环境友好的绿色产业结构和绿色生产方式的构建，及绿色生活、消费的有效践行。但是，不论绿色发展还是绿色生活、消费最终均会落实到产业绿色升级及绿色产业化中[2]，而落实过程则需要大量的资金，政府财力只能解决部分资金，更多的需要包括数字普惠金融在内的金融体系的全方位支持[3-4]。因此，在我国构建“双循环”新格局、“碳中和”承诺及全球绿色可持续低碳经济主基调的新形势下，探究绿色产业发展空间差异、动态演进及数字普惠金融的影响，有助于把握绿色产业发展水平及动向，为制定加快绿色产业成长为经济新增长点的战略和政策提供理论依据和决策参考。

科学评价绿色产业发展是研究其空间差异、动态演进及数字普惠金融支持的基本前提。目前，绿色产业发展普遍通过指标体系进行测度，根据指标体系构建主体的不同，可分为两类。第一类是权威机构（组织）构建的指标体系，如联合国环境计划署（UNEP）[5-6]构建的经济绿色发展体系和城市综合环境评价体系；北京发改委[7]提出的“绿色北京”指标体系等。这些指标具有很强的权威性，但因其选取的主观性及更多侧重国家（地区）层面分析，致使其难以适用于省、市等层面的分析和比较。第二类则是由学者提出适用于区域个体分析的指标体系。尹艳冰[8]从绿色产业发展特征出发，形成了包含资源综合利用、产业发展水平、污染控制、产业发展潜力、社会效益和公众效益六个准则的绿色产业发展评价体系。Nguyen & Hens[9]则通过粉尘浓度、SO2浓度等16个具体指标来评价越南水泥行业的环保绩效。更多国内学者则借鉴“绿色北京”指标体系选取绿色生产、绿色消费、绿色环境三大维度指标来构建绿色产业发展的评价指标体系[3,10-13]。

关于中国绿色产业发展空间差异及分布动态演进的研究相对较少，基本停留在对我国绿色产业发展的简单比较和相关性分析上。相关研究主要对各地区绿色产业发展水平进行数据比较，根据测度的绿色产业发展指数对其区域差异进行比较分析[3,13-14]，或对区域绿色产业发展的空间相关性、分布状态或区域协同性进行分析[15-17]。鲜有学者探究中国绿色产业发展的空间差异和动态分布演进，这在一定程度上阻碍了基于区域空间格局因地制宜的绿色产业发展政策的制定和实施，不利于充分挖掘各地区绿色产业发展潜力及地区间绿色可持续协同发展的推进。但已有部分学者[18-19]采用分布动态学模型对我国生态文明、绿色发展等的动态演进分别进行了探索。

资本积累和技术进步是产业发展的基础，而资本形成和技术进步更离不开金融的密切支持，这决定了金融能强力推动产业的绿色升级及绿色产业的培育壮大，还可增强其发展的后劲[3,17,20-23]。近年来，中国普惠金融的快速发展有效扩展了可负担成本金融服务的覆盖面[24]， 有效改善了企业融资难、融资贵的状况[25]，促进了产业绿色转型升级及绿色产业的培育[3,17]。实践中，普惠金融更因与互联技术等的不断融合而得到长足发展，在地理上更具穿透性，新型数字普惠金融已成为普惠金融的重要源动力和增长点[4]。谢绚丽等[26]结合企业创新数据，研究发现数字普惠金融能促进企业创新，助力经济包容性增长[27]。尽管如此，中国数字普惠金融的发展仍存在一些问题，比如区域差异明显，空间集聚性及空间异质性并存等[4]，而这可能导致数字普惠金融对绿色产业发展的支撑具有地区异质性，甚至可能因金融抑制的出现而产生负向作用。

基于此，本文将结合空间Moran’s I指数、Dagum基尼系数及Kernel密度估计分析绿色产业发展的空间差异及动态分布演进特征，并采用空间杜宾模型（SDM）检验数字普惠金融对绿色产业发展的影响机理。第一，利用空间Moran’s I指数及其散点图测度绿色产业发展的空间相关性和“俱乐部”效应；第二，运用Dagum基尼系数分解法测度绿色产业发展的地区差异及其来源；第三，运用Kernel密度估计分析绿色产业分布的总体形态和演进变化；第四，构建SDM模型探究数字普惠金融对绿色产业发展的影响，及区域间作用效果的差异。本文边际贡献在于：首先，以往研究多关注绿色产业发展水平测算，本文则在绿色产业发展水平测算基础上，重点关注绿色产业发展的空间分布、区域差异及动态演进趋势等；其次，考虑到绿色产业发展的区域协调性，运用SDM模型从空间溢出视角分析了数字普惠金融在全国及东、中、西三大区域对绿色产业发展的作用机理；最后，以往研究多以省域、城市或一定区域为研究对象，因而对全国及不同区域综合分析比较视角的研究，在一定程度上能弥补相关研究的不足。

2 研究设计

2.1 绿色产业发展评价指标体系构建

绿色产业发展涵盖了以环境友好为基本标准的绿色生产、绿色消费和绿色环境的方方面面，因此需构建多维度综合性评价指标体系进行定性评估。考虑到数据的可获得性以及历年数据的连续性，基于指标体系构建的全面性、代表性、可比性和可操作性等基本原则，以《北京市“十二五”时期绿色北京发展建设规划》为指导，借鉴李文等[3]、杜永强等[11]、周颖等[12]及石宝峰等[13]构建的绿色产业发展评价指标体系，从绿色生产、绿色消费和绿色环境三个层面选取代表性指标，最终构建了由三个系统层26个具体指标构成的绿色产业发展评价指标体系，如表1所示。

表1 绿色产业发展水平评价指标体系

2.2 研究方法

（1）绿色产业发展水平测度方法。在测度各省历年绿色产业发展指数时，借鉴郭峰等[4]的做法，在变异系数法基础上运用多层次分析法进行测度评价，具体步骤为：

步骤一：指标标准化。为缓解极端值的影响，保持指数平稳性，采取对数型功效函数法，计算公式为：

式中：xl为对数功效函数公式中的下限，正向指标的xl值取2011年各指标数据的95%分位数，反向指标则取2011年各指标数据的5%分位数；xh为对数功效函数公式中的上限，正向指标的xh值取2011年各指标数据的5%分位数，反向指标的xh值则取2011年各指标数据的95%分位数。此外，为了避免极端值的出现，对超过上下限的地区进行“缩尾”处理。

步骤二：变异系数法确定指标层各指标权重。

首先，计算各指标的变异系数vi：

式中：xi为标准化后的第i个指标，σi为xi的标准差。

其次，测算各指标的权重wi：

式中：wi为各指标权重，n为全部指标的数量。

步骤三：利用层次分析法确定系统层各指标权重。根据绿色生产、绿色消费和绿色环境三个维度的相对重要程度并征询相关专家的意见，在构建判断矩阵基础上解正互反矩阵的最大特征值，经归一化处理后即可得到权重向量。

步骤四：指数合成。采取算数加权平均法进行指数合成，算数加权平均合成模型的公式为：

式中：GI为绿色产业发展指数，Wi为各指标归一化后的权重。

（2）绿色产业发展空间分布特征测度。为了客观分析绿色产业发展空间分布特征及“俱乐部”集群发展模式，运用空间Moran’s I指数及其散点图分析绿色产业发展的空间分布特征。Moran’s I指数计算公式为：

（3）绿色产业发展区域差异分解。为探究中国绿色产业发展的地域间差异以及来源，借助Dagum基尼系数分解法进行分析。Dagum基尼系数及分解法能够将基尼系数按子群进行分解，总体基尼系数（G）可被分解为地区内差异（GW）、地区间净差异（Gnb）和超变密度（Gl），有效解决了传统基尼系数等方法难以解决样本数据交叉重叠及地区差异来源的局限（限于篇幅，此处不再翔实列示该方法的具体计算步骤，感兴趣的读者可向本文作者索取）。

（4）绿色产业发展的分布动态。Kernel密度估计被广泛应用于空间非均衡分布研究，其通过平滑的峰值函数对观测数据进行拟合，利用核密度估计得到的曲线图像可观测随机变量的分布位置、形态、延展性及极化趋势等特征。一般假设随机变量X的密度函数为：

式中：N代表观测值的个数；h为带宽，h越大，密度函数曲线越光滑，但估计精度越低，反之，曲线越不光滑但有更高精度；Xi为独立同分布观测值，x为观测值的均值；K(·)为高斯核密度函数，计算公式为：

（5）数字普惠金融的支持分析。考虑到省际绿色产业发展可能存在的空间相关性，为分析数字普惠金融对绿色产业发展的支持作用，本文借鉴已有研究[28-29]，采用空间杜宾模型（SDM）进行实证考察，模型设定为：

式中：下标i(j)和t分别表示省份i(j)和第t年；GI和Finance分别代表绿色产业发展水平和数字普惠金融发展水平；X为控制变量；ρ和θ分别表示绿色产业发展水平和数字普惠金融发展水平空间滞后项系数；μi、λt和εit分别代表个体效应、时间效应和随机扰动项；Wij为地理距离空间权重矩阵W中的(i,j)元素。此外，当θ=0时，SDM模型将简化为空间滞后模型（SAR）；当ρ=θ=0时，SDM模型则应简化为空间误差模型（SEM）。

2.3 变量说明与数据来源

（1）变量说明。核心解释变量——数字普惠金融（Finance）：使用北京大学数字金融研究中心和蚂蚁金服集团共同编制的中国数字普惠金融指数来表示。该指数通过覆盖广度、使用深度和数字支持服务程度三个维度的33个指标描绘了中国不同地区数字普惠金融的发展水平，已被较好应用于数字金融研究[26-27]。

控制变量：结合既有研究，分析数字普惠金融对绿色产业发展影响时引入的控制变量包括：经济发展水平（GDP），用人均GDP表示；城镇化率（Urban），以年末城镇人口占常住人口比重表示；产业结构（IND），引入产业结构层次系数公式计算： ，其中，i代表第i产业，qi代表第i产业产值占GDP的比重；法治建设（Legal），以万人行政复议及应诉案件数表示；研发投入（R&D），以规模以上工业企业R&D经费表示；对外开放水平（Open），以进出口总额占GDP比重表示；路网密度（Road_density），用公路里程与国土面积之比表示；要素禀赋（Factor_E），以资本存量与劳动力数量之比表示；能源消费结构（Energy），以煤炭消费占八种主要能源消费总量的比重表示。

（2）数据来源。本文样本为2011—2017年中国除西藏及港澳台地区外的30个省份数据，各指标的原始数据主要来源于2012—2018年的《中国统计年鉴》《中国环境统计年鉴》《中国能源统计年鉴》《中国科技统计年鉴》、各省份历年统计年鉴，以及国家统计局等网站公布的数据。此外，对于部分缺失的数据采用线性插值法或外推法予以补充。

3 中国绿色产业的测度及演进特征分析

3.1 绿色产业发展事实描述

基于变异系数—层次分析法测算出2011—2017年各省份绿色产业发展指数，并据此得到全国及三大区域绿色产业发展指数（表2）。观测期内，全国绿色产业发展指数得到显著提升，从2011年的44.11增长到2017年的59.43，涨幅达到34.73%，年均增长率为5.09%。然而，不同省份绿色产业发展指数存在差异，观测期内仅有13个省份超过全国均值，排名前5名的北京、天津、上海、山东和陕西的绿色发展指数分别是末名新疆的2.01倍、1.92倍、1.77倍、1.76倍和1.75倍。从增速看，各省份年均增长率也存在差异，观测期内有8个省份跑赢全国年均增速，北京、天津、青海和上海年均增速更达到10%以上；与此同时，新疆却是在波动中演进，甚至出现负增速-0.96%。

表2 各省份绿色产业发展指数

分区域看，2011—2017年，东部地区绿色产业发展指数从45.99增长到67.49，涨幅达到46.77%；中部地区从44.36增长到57.15，涨幅为28.84%；西部地区从42.04增长到53.02，涨幅为26.10%。可见，中国绿色产业发展及其增长趋势均呈现出东、中、西部地区依次递减的阶梯式发展状态。从演变趋势看，东部地区呈“快速上升—稳健提升”的趋势，即绿色产业发展指数由2011年的45.99快速增长为2012年的59.62，之后持续保持稳定增长态势，并实现2.51%的年均增速。中、西部地区演变趋势则在波动中按照“快速上升—波动演进”的模式演进，即2007—2012年表现为稳步上升态势，2012年达到最大值后，2013年出现较大下降并在此后波动中呈微弱上升趋势，且在2017年，西部地区下降了1.3%，而同期东部地区则实现了1.94%的增速。

3.2 绿色产业发展的空间分布特征

空间Moran’s I指数及其散点图（限于篇幅，此处不再详实列示历年Moran’s I指数及其散点图，感兴趣的读者可向本文作者索取）展示的绿色产业发展的空间相关性及空间集聚特征结果显示：除2011年外，其余年份的Moran’s I指数为正并均通过1%显著性检验，且观测期内历年大部分省份位于第一、第三象限，即东部沿海省份基本处于高—高型集聚区，而中、西部省份基本位于低—低型集聚区，这说明中国各省份绿色产业发展在空间上并非随机分布，而是按照中国传统三大地带划分呈现“俱乐部”式集群发展。

3.3 绿色产业发展的区域差异分析

按照绿色产业发展的空间分布特征，将30个省份分为三个“俱乐部”并采用Dagum基尼系数分解法来揭示绿色产业发展的地区差异及来源，结果如表3所示。

表3 基尼系数及其分解

第一，绿色产业发展总体地区差异及演变趋势。2011—2017年，绿色产业发展的基尼系数在波动中维持在稳定区间[0.08, 0.09]，总体地区差距在2012年达到峰值后出现了短暂降低，达到最小值0.08；2015年以后总体地区差距开始上升，并于2017年达到新高0.09，较2015年增加了8.71%。综上，观测期内绿色产业发展总体地区差距在波动中处于较为稳定水平，但上升势头显现。

第二，绿色产业发展地区内差异及演变趋势。东、西部地区内差距均值明显高于中部，且东部地区内差异在2014年后超过西部，而中部地区内差异均值最低。从演进趋势来看，2011—2017年，东部呈现“W”型上升演进趋势，2011—2013年持续下降，降幅为18.47%，2014年出现相对高点0.08，在2015年出现下降后则持续上升，2017年达到峰值0.09，较2011年上升了17.45%；而中、西部地区内差异则在波动中呈下降趋势，分别从2011年的峰值0.05、0.10下降到2017年的0.02和0.06，降幅分别为55.22%和39.43%。

第三，绿色产业发展地区间差异及演变趋势。东—中、东—西的地区间差异较大，但在波动中呈微弱上升态势，而中—西地区间差异相对较小且具有稳步下降的趋势。具体来看，东—中和东—西的地区间差异均大体呈“较大波动—稳中微弱上升”的两阶段演进特征，其中2011—2013年出现较大波动，之后从2014年开始以稳定趋势发展，并在2016—2017年再次出现上扬势头，且东—中和东—西地区间的基尼系数值分别由2011年的0.07、0.10上升至2017年的0.10和0.13，涨幅分别为31.51%和25.82%；中—西部地区间差异却呈现波动中下降态势，基尼系数从2011年的0.08下降至2017年的0.054，实现35.29%的降幅。

第四，绿色产业发展地区差异贡献率。2012—2017年，地区间差异平均贡献所占比重最大，其次是地区内差异，而超变密度的平均贡献率最小。具体来看，地区间差异贡献率基本保持在60%左右；地区内差异贡献率基本按照横向延伸趋势演进，且波动幅度较小，贡献率基本保持在25.75%～27.64%之间；超变密度贡献率则呈“上升—下降”的演进特征，2014年达到相对高点16.35%，自此进入下降通道，并于2017年达到最低值10.16%。

3.4 绿色产业发展动态演进分析

为更为细致地捕捉绿色产业发展绝对差异的动态信息，进一步应用高斯核函数对全国及三大地区绿色产业发展进行Kernel密度估计，具体如图1～图4所示。

图4 西部地区绿色产业演进趋势

第一，全国整体绿色产业发展的Kernel密度估计如图1所示，绿色产业发展的整体分布逐渐向右移动，表示发展水平在不断提升；波峰高度先升后降，波峰宽度变窄后略变宽，且在右侧存在拖尾现象，说明绿色产业发展差距先缩小后增大，但发展水平存在集中于较低水平倾向；波峰呈现“一主一小”的格局，说明绿色产业发展存在分化发展现象，高发展水平省份具有较高提升速度，而低发展水平省份提升速度也较低。

图1 全国层面绿色产业演进趋势

第二，图2展示了东部地区绿色产业发展的Kernel密度估计，东部绿色产业发展呈现先右移后左移分布，说明其经历了一段时间提升后出现提升乏力现象；波峰高度越来越低，波峰宽度则越来越宽，说明各省份绿色产业发展的差距在拉大；波峰基本由“单峰”构成，但近年右侧有凸起倾向，说明绿色产业发展未经历分化发展过程，但具有分化发展倾向。

图2 东部地区绿色产业演进趋势

第三，图3呈现了中部地区绿色产业发展的Kernel密度估计，中部绿色产业发展基本呈现快速向右移动的特征，说明中部8省份绿色产业得到较好发展；波峰越来越高，宽度基本呈现趋窄倾向，说明中部各省份绿色产业具有趋同发展倾向；侧峰曾在波峰右侧出现过，但随后逐渐消失，说明绿色产业发展出现过分化发展现象，随后消失，省份差距不断减小。

图3 中部地区绿色产业演进趋势

第四，西部地区绿色产业发展的Kernel密度估计如图4所示，西部绿色产业发展分布整体向右移动，说明各省绿色产业发展在提高；波峰高度经历先高后低的演变，宽度则先窄后宽，说明各省份发展差距先减小后增大；波峰逐渐由“一主多小”演变为“一主一小”格局，说明西部多极化发展现象得到很好扭转，但两极化发展的现象依然严重。

4 绿色产业发展进程中数字普惠金融支持探讨

4.1 模型检验

通常，若回归是基于某些特定个体时，固定效应模型是较好选择[30]，且全样本的Hausman检验也拒绝了随机效应的原假设。进一步，表4中的似然比（LR）检验发现空间固定效应和时间固定效应具有联合显著性，而表5中SAR和SEM模型的Wald检验和LR检验均通过了1%水平的显著性检验，拒绝了SDM模型能简化为SAR和SEM模型的原假设。因此，建立双向固定效应的SDM模型对全样本的数字普惠金融影响效应进行分析，更加符合客观现实。按照同样的检验发现，东、西部地区适合建立双向固定效应SDM模型，而中部地区更适合建立个体固定效应SEM模型。

表4 空间和时间固定效应联合显著性检验

表5 SDM模型适用性检验

4.2 全样本估计结果

根据表6报告的全国整体估计结果（限于篇幅，本文没有列出采用Queen邻近矩阵、加入个体—时间联合固定效应等模型下的稳健性检验结果，感兴趣的读者可向本文作者索取），Finance系数显著为正，可见数字普惠金融有效提升了绿色产业的发展。数字普惠金融主要从两方面产生影响：一是数字普惠金融有效解决了企业“融资难”“融资贵”的窘境，通过优化企业资产配置从而促进绿色产业发展；二是数字普惠金融提升了企业创新动力。传统信贷市场上，受制于信息不对称，特别是抵押品不充足的影响，很大比例企业特别是中小企业和新创企业很难从金融机构获得启动资本和早期扩张资本，数字普惠金融的发展改善了企业的融资状况，提升了企业整体盈利能力，增加了企业绿色生产、绿色转型和绿色升级的动力。而且融资状况的改善和盈利能力的提升还能促进企业创新[25-27]， 加快绿色产业发展。

表6 数字普惠金融支持绿色产业发展的空间计量结果

然而，与数字普惠金融所具有的正向直接影响效应不同，其空间滞后项（W·Finance）的系数并不显著，这意味着数字普惠金融对绿色产业的发展仅具有本地效应，尚未形成有效的空间协调互动机制，即本地区数字普惠金融发展对邻近省份绿色产业不存在影响效应。

4.3 分地区估计结果

根据表5分地区估计结果可知，数字普惠金融对绿色产业发展的影响存在区域异质性。东、中部数字普惠金融有效促进了绿色产业发展，且东部的作用效果远大于中部；西部数字普惠金融对绿色产业则具有显著抑制作用。东部经济发展水平较高，产业体系发展完善，金融服务的契合度也较高，因此，数字普惠金融对绿色产业发展能够实现“锦上添花”的作用，进而表现出高于全国平均水平的支持作用。中部地区虽通过承接国际或东部地区产业转移在崛起，但因过分依赖资源、产业链不完整、产品附加值较低等，导致各种资源协同效率不理想，不利于数字普惠金融充分发挥职能。

西部地区产业经济转型的主导产业尚处于培育壮大阶段，新旧动能转换步伐较慢，偏小的经济总量和不优的发展质量导致数字普惠金融更有助于承接“高污染、高能耗、高排放”的产业发展，而不利于绿色产业的发展。此外，受西部各省区域联动较弱及配合不足的影响，西部地区数字普惠金融对邻近省份绿色产业发展有负向空间溢出效应。

5 结论与对策建议

基于构建的绿色产业发展水平评价指标体系，本文采用变异系数—层次分析法测算绿色产业发展指数刻画中国绿色产业发展水平，通过空间Moran’s I指数、Dagum基尼系数分解法及分布动态学模型分析了其空间分布、区域差异和动态分布演进特征，并采用SDM模型从空间溢出角度检验了绿色产业发展进程中数字普惠金融的支持作用，研究结论如下：

第一，观测期内绿色产业发展水平普遍呈现增长态势，但不同省份绿色产业发展指数值及增速具有显著异质性。东部绿色产业发展水平整体高于中、西部地区，呈现东、中、西部地区阶梯式递减的趋势，且中、西部地区绿色产业发展水平的总体差距并不大。

第二，省际绿色产业发展并非随机分布，中国各省份绿色产业发展呈现出“俱乐部”式集群发展特征，高发展水平省份的邻近省份往往发展水平也比较高，低发展水平省份的邻近省份往往也表现出低发展水平。

第三，根据Dagum基尼系数分解法测算结果，绿色产业发展区域差异显著，总体地区差距基本在波动中横向延伸，但上升趋势已出现；西部地区内差距略高于东部，但均明显高于中部；东部与中、西部地区间差距较大，波动中小幅上升，中、西部地区间差距相对较小且呈持续下降趋势；地区间绿色产业发展的差异构成总体差异主要来源，地区内差异贡献占比稍次，贡献占比最小的是超变密度。

第四，根据Kernel密度估计结果，各地区绿色产业发展主要集中于较低水平且差距具有先小后大的趋势；此外，绿色产业发展存在明显多极化现象，各省份发展差距有拉大趋势。分区域看，东部地区绿色产业发展增长乏力，省际差距较大但具有趋同发展倾向；中部地区绿色产业发展快速提升，且地区内趋同发展效应明显、省际差距不断缩小；西部地区绿色产业发展水平不断提升，但依然存在两极化发展现象且地区内部差距逐渐增大。

第五，数字普惠金融能够促进绿色产业整体发展，但不具有空间溢出效应。分区域看，数字普惠金融表现出异质性的作用，在东、中部地区具有显著的促进作用，且东部的作用效果最高，而在西部地区不仅表现出直接抑制效应且表现出负空间溢出效应。

基于上述结论，得出的启示如下：

第一，充分重视绿色产业发展的省际、地区间的差异及空间分布的异质性。在深入挖掘造成绿色产业分化发展的深层次原因和影响要素的基础上，各省应因地制宜地制定有针对性的区域政策来推动当地绿色产业的快速发展，且中央应加大对绿色产业发展水平较低地区的政策倾斜，用政策优势抵补区域劣势。

第二，合理并充分利用省份间已存在的良好互动效应及趋同发展趋势，加强顶层设计，通过创新省际间要素与空间资源的结合强化区域协同发展，同时各省自身也应加强合作，推动各省“错位布局”和“抱团发展”，强化内外联动及空间互动的强大合力。

第三，在着力推进绿色产业发展进程中，需注重数字普惠金融支撑作用的异质性。数字普惠金融对整体及大部分地区绿色产业发展具有显著促进作用，但也应注意到其在部分地区呈现的不利效应，各地区要结合自身实际实现数字普惠金融与绿色产业的有效融合，充分发挥出其“造血”功能。