中国绿色金融发展的时空格局变迁与关联网络演化

李云燕，张 硕

(北京工业大学 经济与管理学院，北京 100124)

一、引言

绿色金融作为金融供给侧结构性改革的重要组成，同时也是实现金融系统与生态系统良性互动、经济效益和环境效益相互促进的重要手段，不仅肩负着增强现代金融体系适应性、竞争力和普惠性的重要职责，还能为探索绿色复苏道路、培育新的经济增长点、增强经济可持续性汇聚强劲动力，在服务绿色转型、助力实现“双碳”目标过程中扮演着关键角色。长期以来，中国各地区在经济基础、金融市场、地缘交通、资源禀赋等方面存在着较大差异，发展绿色金融的条件也不尽相同，导致区域间绿色金融发展水平参差不齐，部分省(市)亦缺乏发展绿色金融的意识和积极性[1]。然而，在全国“一盘棋”的大背景下，绿色金融发展水平区域差异过大不利于绿色金融顶层设计、标准体系、配套政策，以及相关法律法规在全国范围内的推广与实施，区域之间难以形成系统性合力，滞缓了整个经济社会的绿色低碳转型。因此，客观分析中国绿色金融发展的空间关联结构与演进规律，明确各地区在空间关联网络中所处的地位与作用，不仅是科学布局绿色金融发展战略空间，促进区域绿色金融资源有效整合与合理配置，实现绿色金融空间协同发展的关键所在，同时也是推进生态文明建设，确保“碳达峰”与“碳中和”目标顺利达成的重要前提。

二、文献回顾

与本文研究内容直接相关的文献大致可分为以下几类：①绿色金融的表征方式。部分学者以绿色信贷、绿色投资、绿色债券等单一指标作为研究对象，对其展开绩效评估或探讨其对经济高质量发展、生态环境保护、企业创新与投资等方面的影响[2-5]。也有学者基于绿色金融政策视角，通过构造准自然实验来考察其对商业银行运行、企业发展、经济绿色转型等方面的作用效果[6-8]。随着近年来绿色金融标准体系趋于完善，更多学者尝试从绿色信贷、绿色证券、绿色投资、绿色保险、碳金融等多维度构建综合指标对绿色金融进行表征[9-11]。②绿色金融水平测度及其时空分布特征。有研究表明，中国的绿色金融发展水平一直处于上升态势，但由于体制机制不完善、金融资源禀赋差异等诸多因素的存在，导致绿色金融表现出区域发展的不协调，与经济发展水平有着较高的相关性[12-13]。然而有新的研究指出，得益于相关政策的实施落地，中国绿色金融发展水平的区域差异呈现缩小趋势[1]。此外，也有学者从效率的角度对绿色金融展开测算与评价，所得的结论大致相同[14]。对于绿色金融的时空特征，为数不多的研究人员侧重考察绿色金融水平的时空演化结果，如LV等(2021)在测算中国绿色金融水平的基础上，从四大区域视角分析了绿色金融的演进趋势，发现绿色金融呈现俱乐部融合现象[1]，ZHOU和TANG(2022)也得出了相似的结论[15]。然而，以上研究普遍缺乏对于绿色金融空间格局分布形态以及重心迁移路径的探索。③绿色金融的影响因素可分为内源性因素与外源性因素两个方面。内源性因素方面，有观点认为绿色信贷作为绿色金融的主要融资方式，对绿色金融的发展成效起着决定性作用[16]。此外，碳金融的兴起与碳市场的建立也给予绿色金融以新的内涵，但中国碳金融发展尚处起步阶段，面临碳市场不活跃、覆盖行业与交易主体较为单一、法律定位缺失等问题[17]。关于外源性因素方面的讨论较少，为数不多的研究也只是考察了绿色金融与政策激励、金融基础、环境污染之间的作用关系[18]，在此过程中，亦有学者通过构建空间矩阵，运用空间相关性分析工具与空间计量模型来剖析绿色金融的空间关联与溢出效应。如HUANG等(2022)利用莫兰指数证实了绿色金融存在空间尺度上的正相关，并建立空间计量模型测度了自相关系数，发现本地绿色金融发展会受到周边地区的正向溢出[13]。LEE等(2023)在探究绿色金融与可再生能源之间的关系时，也得出了类似结论[19]。然而，他们均侧重于全局或局部区域内部关系的刻画，对于不同区域或省份之间绿色金融发展互动关系的讨论不够充分。

梳理文献发现，学界关于绿色金融的研究成果渐趋丰富，但对以下几个方面的探讨尚有不足。第一，对于绿色金融时空格局变迁的分析范式较为单一。在对绿色金融时空演变特征进行分析时，诸多学者侧重于绿色金融时空分布格局的考察，较少关注位于不同水平区间省份的动态演化过程，同时也缺乏对于绿色金融热点迁移路径以及离散趋势的动态刻画。第二，鲜有研究基于“关系数据”对绿色金融的空间关联发展进行探讨。多数学者运用莫兰指数与空间计量模型对绿色金融发展的空间关联关系展开研究，只能粗略验证全局或局部区域的空间相关性，无法识别多省份之间、各区域之间关联发展关系的强弱与方向，各省份、区域在绿色金融发展空间关联网络中所处的位置、承担的作用，以及扮演的角色亦无法得到充分的反映。

鉴于此，本文尝试构建综合指标体系来测度中国省域绿色金融指数，对绿色金融发展的时空分布格局、热点区域迁移与离散趋势进行系统探讨，随后构建修正的引力模型测度了省域绿色金融发展的关联强度，并利用社会网络分析方法探索绿色金融发展的空间关联网络及其演化特征。边际贡献在于：①区别于既有文献，本文运用传统核密度与动态核密度估计综合考察了中国绿色金融发展的时空格局变迁，并在此基础上，探讨了绿色金融热点区域的迁移路径与离散趋势，拓展了绿色金融发展格局时空演变的分析范式与研究思路。②本文基于“全局网络”与“关系数据”视角，构建中国绿色金融发展的空间关联网络，系统刻画了各省域、各区域之间绿色金融空间关联发展的动态关系，弥补了现有文献多基于“属性数据”运用空间计量模型探究绿色金融空间关联效应时，普遍无法识别各地域单元之间绿色金融关联发展方向与溢出强度的研究空白。并据此理清了各省份、各区域在绿色金融发展空间关联网络中所处的位置、承担的作用，以及扮演的角色，为进一步缩小区域绿色金融水平差距，促进实现绿色金融的空间协同发展提供了理论依据。

三、研究方法与数据来源

(一)研究方法

1.定基极差熵权法

运用传统熵权法进行指标评价时，通常以每一年的截面数据作为参考系，最终测算结果不具备时间维度的纵向可比性。定基极差熵权法作为极差标准化熵权法与定基极差法的组合方法，运用极差熵权法确定指标权重，定基极差法则以某一固定年份为参考基准对数据进行标准化处理，最终将权重与标准化处理后的数据进行汇总求和，所得结果具有横向与纵向可比性。因此，本文运用定基极差熵权法对中国省域绿色金融指数进行测算，公式可参考文献[20]，此处不再赘述。

2.核密度估计

核密度估计(KDE)能够利用平滑连续的密度曲线对随机变量概率密度进行估计，由于其不过多依赖模型和参数设定且估计结果具备较好的稳健性，被广泛应用于空间非平稳性估计的研究中。本文中，核密度曲线沿纵轴的分布位置、波峰高度与宽度、波峰数目与分布延展性分别代表各省份绿色金融指数水平、集聚特征、极化趋势与差异程度。f(a)为随机变量A的密度函数在点a的概率密度，n为省份个数，h为带宽，K(·)为高斯核函数。

(1)

(2)

条件核密度估计是在传统核密度估计的基础上加入时间和空间因素，对随机变量的概率密度进行估计，能够测算某一地区状态变换的概率密度，可用于探究各地区一段时期后概率分布的变化趋势。本文主要利用非空间条下的动态核密度估计来考察各省区绿色金融指数在不同数值区间的动态演进过程，暂不考虑空间条件下的静态与动态演化趋势。f(a，b)为a和b的联合概率密度，g(b|a)为a条件下b的分布状态。

(3)

(4)

3.标准差椭圆

标准差椭圆(SDE)是揭示经济地理要素空间分布方向性特征的经典统计方法[21]。在本文中，旨在运用此方法，对样本期内中国绿色金融发展的重心迁移轨迹与离散趋势进行刻画与探讨。所涉参数计算公式如下。

(5)

tanθ=

(6)

(7)

4.修正的引力模型

构建中国绿色金融发展关联网络的前提是要确定各省份间的空间关联关系。学界一般将VAR因果检验与修正的引力模型用于空间节点之间关联关系的测算，VAR检验方法的时滞敏感性会损失较多的自由度，适合用于长时间序列的因果分析，相比VAR模型，引力模型综合考虑了经理地理因素，能够有效刻画空间关联关系的演进趋势。参考刘小瑜和余海华(2020)的研究[22]，运用引力模型对中国省域绿色金融空间关联关系进行考察，同时采用各省份绿色金融指数对空间关联的贡献度进行修正，以此区分空间关联关系的方向。

(8)

其中，Rij表示省份绿色金融关联关系，kij为修正系数，Gi、Gj分别为省份i、j的绿色金融指数，Dij为利用Arcgis软件计算的两省质心点间的球面距离，参考相关研究，将距离衰减指数设置为2[23]。由上式测算出中国省域绿色金融发展之间的关联强度并据此建立无权有向的网络关联矩阵，以当年矩阵均值作为门槛对矩阵进行二值化处理[24]。

5.社会网络分析

社会网络分析是针对“关系数据”的跨学科分析方法，在多个领域得到广泛应用。在确定绿色金融省际关联关系的基础之上，运用社会网络分析方法继续考察绿色金融空间关联网络的整体结构与局部特征，以此了解关联网络的连通性与稳定性，明确各省份及板块在整个空间关联网络中的地位、作用与角色[25-26]。重点选取网络整体性指标(网络密度，网络关联度、网络效率、网络等级)与个体中心性指标(度中心度、中介中心度、接近中心度)以及凝聚子群分析(块模型)深入剖析样本期间中国绿色金融发展空间关联网络的演化趋势(见图1)[27]。

图1 中国绿色金融发展空间关联网络结构分析框架

(二)指标体系构建与数据说明

1.绿色金融指标体系构建

以《关于构建绿色金融体系的指导意见》中对绿色金融体系构建的相关阐述为基础，参考既有文献，本文从绿色信贷、绿色证券、绿色投资、绿色保险、碳金融5个维度选择11项指标构建绿色金融发展评价指标体系[10，13](见表1)。

表1 中国绿色金融发展指标体系构建

参考既有研究[1，10]，按股票概念标签对环保上市公司进行分类，通过Wind数据库选取风电产业股份、风力发电、CDM、充电桩、地热能、固废处理、环保长江成份、节能环保、节能照明、垃圾分类、美丽中国、内地低碳成份、氢能、生物质能、水电、碳中和等19个绿色概念板块的534个A股上市公司(剔除ST、*ST类公司)作为研究对象。高耗能行业上市公司来自Wind数据库中证券行业类六大高耗能行业模块[28]。借款是由上市公司一年之内的长期借款与短期借款加总所得，市值是指上市公司的年末市值[29]。二氧化碳排放量是由煤炭、石油、天然气3种能源消耗量与各自碳排放系数乘积的累加求和所得。

2.样本选择与数据来源

2007年，《关于落实环保政策法规防范信贷风险的意见》的颁布被普遍视为中国开展绿色金融实践的开端，充分考虑政策发布后的时滞性，将研究起点定为2008年。限于指标数据可获取性及统计口径一致性[30]，没有将香港与澳门特别行政区、台湾地区纳入研究。绿色金融相关数据主要来自Wind数据库、《中国工业统计年鉴》、《中国能源统计年鉴》、《中国经济普查年鉴》、《中国林业和草原年鉴》、《中国水利投资年鉴》、《中国保险统计年鉴》、《中国环境统计年鉴》。

四、绿色金融发展的时空格局变迁

(一)绿色金融发展的时间演化特征

1.绿色金融发展指数的时序变化

运用定基极差熵权法测算了中国2008—2020年省域绿色金融指数，从全国与四大区域视角对绿色金融指数的时间变化趋势进行探讨以明晰中国绿色金融的整体发展水平与地区差异(见图2)。

图2 分区域绿色金融指数时序变化趋势

整体来看，样本期内中国绿色金融指数呈波动增长态势，但在2016—2018年间出现短暂下降。2016年，七部委联合颁布《关于构建绿色金融体系的指导意见》(以下简称《意见》)，明确了绿色金融的发展方向和目标任务，在意见指引下，各地区、各行业积极构建绿色金融体系，探索有效的绿色金融发展模式，但《意见》颁布后的初期尚未形成统一规范的绿色金融发展范式，在此过程中不可避免地出现金融资源的错配与效率损失，导致绿色金融水平小幅下降，在经历了几年的探索与实践之后，中国绿色金融发展逐渐步入正轨。2018年，绿色金融标准工作组成立，聚焦气候变化、污染治理和节能减排领域，并致力于构建完善的跨领域、市场化、内嵌于金融机构全业务流程的绿色金融标准体系，这些措施均促进了绿色金融水平的迅速提升。

分地区来看，四大区域绿色金融指数呈波动上升态势，东部绿色金融水平较高，始终高于全国平均水平。东部地区具有雄厚的经济基础与稳定的金融体系，相比与中西部与东北地区，绿色金融发展的条件优势明显；此外，东部地区对于环保政策的重视程度较高、执行力较强，绿色发展理念得到广泛的推行与传播，区域内污染性产业绿色转型产生了巨大的绿色资金需求，继而带动了东部地区的绿色金融发展。中部地区绿色金融水平稳步提升并于2016年超过全国平均水平。调查发现，在2014—2016年期间，中部地区高耗能企业信贷规模大幅缩减且伴随着环保投资的大幅增加，这可能是导致中部地区绿色金融水平攀升的原因之一。西部与东北地区绿色金融指数差距较小，呈交错上升态势，且均低于全国平均水平。西部与东北地区工业体量过大且产业结构较为单一，资源依赖型发展模式一定程度上造成了金融资源的错配，此外，金融市场的不活跃、绿色金融发展激励政策的缺失也制约了绿色金融的发展。

2.绿色金融发展的分布动态演化

为明确省域绿色金融指数的分布形态以及一段时期内的动态演化趋势，分别运用传统静态核密度估计与非空间动态核密度估计两种方法进行考察。图3为基于传统的静态核密度估计结果，显示了2008年、2014年、2020年3个年份绿色金融指数核密度分布。样本期内，密度曲线主体持续右移，峰值升高且曲线宽度变窄，表明中国绿色金融的整体发展水平持续提升，省域间绿色金融水平的平均差异有所减小。2020年密度曲线出现明显右拖尾，说明个别省份的绿色金融水平较高。

图3 绿色金融指数分布动态演化

基于非空间动态核密度估计继续考察我国省域绿色金融发展水平从t年到t+3年的变动趋势，图4报告了我国绿色金融指数的动态核密度及密度等高线，X轴表示t年本省份绿色金融发展水平，Y轴表示t+3年本省份绿色金融发展水平，Z轴代表X-Y轴平面内每一点的概率。在密度等高线图中，越是外部的等高线，代表的概率越小，向内依次递增，等高线的密集程度代表绿色金融指数的收敛速度，等高线越密集说明收敛速度越快。若等高线主体分布于正45度线附近，表明本省份在t+3年的指数水平同t时期相差不大，若等高线主体与Y轴平行且位于45度线上方，说明在t+3年本省份的绿色金融水平存在较大幅度的提升，若平行于X轴且位于正45度线右侧，则说明t+3年本省份的绿色金融水平收敛于某一指数水平。

图4 绿色金融的动态核密度与密度等高线

图4中，密度等高线主体主要分布于正45度线上方，并且在x=0.35处形成一个主波峰，这说我国绿色金融水平在t到t+3年期间总体是上升的。此外，密度等高线在x=0.25处存在一个次波峰，图形走势大致与Y轴平行且y值大致分布在0.25至0.3区间内，这说明绿色金融指数在0.25上下的省份3年后倾向于向0.25～0.3集中。可以看出，当本地区绿色金融指数小于0.3时，3年后绿色金融指数的上升幅度较大，而当本地区绿色金融指数超过0.3时，3年后绿色金融指数虽整体呈升高态势，但提升幅度相对较小。样本期内，未发现概率主体有平行于X轴的趋势，这说明我国省域绿色金融的发展态势持续向好，提升空间较大，尚未出现向某一水平收敛的迹象。

(二)绿色金融发展的空间演化特征

1.绿色金融发展的空间格局演变

采用自然间断点分类法将绿色金融指数划分为低水平，中等水平、较高水平、高水平四类(见图5)。2008年，北京、江浙、广东等地为绿色金融中等水平地区，其余省份均为低水平地区。这是因为彼时的中国正处于绿色金融发展初探阶段，政策体系与产品构成尚不完备，只在少数经济发达省份略有发展，整体水平较低。随着绿色金融内涵趋于丰富，政策体系不断完善，2014年，中等以上水平省份增至19个，整体发展水平普遍提高。分区域来看，在中国北部、东部、南部分别形成了以环渤海、长三角、珠三角为核心的绿色金融中高水平聚集区。中部省份绿色金融水平明显提升，西部多数省份绿色金融水平保持稳定。2020年，中等以上水平省份增至22个，主要分布在东部沿海与中部地区，中等以下水平地区主要分布在东北与西南部地区。具体来看，东部的北京、江苏、浙江、广东等地跃升成为高水平区，中部的湖南、湖北、江西3省所组成的绿色金融中高水平区初步形成。西部的云南、西藏，以及东北的吉林与辽宁保持稳定，为低水平的主要分布地区。总体来看，研究期内的中国绿色金融水平逐步提升，区域差异逐渐缩小，空间集聚分布趋势越发清晰，且大致呈“自东向西、由南至北”梯度降低的格局分布。

图5 省域绿色金融指数空间分布格局演变

2.绿色金融发展的重心迁移与空间离散趋势

如图6，2008—2014年绿色金融重心变化范围为(113.8°E，34.0°N)～(112.0°E，35.6°N)，说明这一阶段，我国绿色金融发展的热点区域有向西北转移的趋势。表面上看，这是因为相比2008年，2014年中国西北地区部分省份(青海、陕西、新疆)的绿色金融水平有所提高，导致绿色金融重心向西北方向迁移。从源头上讲，绿色金融重心的迁移可能得益于这一时期相关政策的颁布与国家战略的实施，在西部大开发战略与“一带一路”伟大倡议的双重加持之下，西部地区绿色金融得到了有效发展。例如早在2014年之前，新疆环境治理投资额占GDP比重的均值约为2.2%，远超同时期全国平均水平；

图6 绿色金融发展的标准差椭圆与重心迁移轨迹

同时期青海的绿色信贷占比与绿色保险规模增长也较为迅速。从椭圆参数来看，椭圆面积逐渐增大，2014年椭圆面积比2008年扩大约10%，说明中国省域绿色金融存在空间分散趋势。旋转角度变化范围为67°～92°，逐渐呈现以东西方向为主导的空间分布格局。椭圆长、短半轴变化范围为1 063 km～1 187 km、1 009 km～991 km，长轴更长，短轴更短、扁率更大，说明中国绿色金融发展格局在南北方向上更加收敛，东西方向上更为扩散，呈现南北向心集聚、东西空间发散的趋势。

2014—2020年，中国绿色金融重心变化范围为(112.0°E，35.6°N)～(111.9°E，33.3°N)，重心在东西向的迁移范围较小，绿色金融热点区域主要向南迁移。结合绿色金融指数空间分布格局发现，相比2014年，2020年中部与南部沿海省份的绿色金融水平明显提升，一定程度上造成了绿色金融重心的南移。从椭圆参数来看。2014—2020年，椭圆面积缩小了约8%，说明绿色金融整体空间分布进一步收敛。椭圆长、短半轴变化范围为1 187 km～1 194 km、990 km～902 km，旋转角由92°增大至122°，椭圆扁率继续增大，说明绿色金融自“东南-西北”方向呈扩散式分布发展，而在“东北-西南”方向上更为收敛，呈现“东北-西南”向心集聚、“东南-西北”空间发散的趋势。

五、绿色金融发展的空间关联网络演化

基于修正的引力模型得到绿色金融发展的空间关系矩阵，并运用社会网络分析方法考察中国省域绿色金融发展的网络关联特征与结构演化，重点探索各省份、各区域在绿色金融发展空间关联网络中的地位与作用。

(一)空间关联网络构建

中国绿色金融发展的空间关联网络是各省份绿色金融发展水平的关联集合，网络中的灰色方块代表各个省份，各省份间有向“边线”代表网络关联强度和溢出关系方向。本文基于修正的引力模型构建省域绿色金融发展的有向关系矩阵，并以相应年份的矩阵均值作为阈值对矩阵做二值化处理，构建绿色金融发展的空间关联网络。为了更清晰地揭示省际绿色金融发展关联关系的动态变化，利用Netdraw绘制2008年与2020年各省份绿色金融发展空间关联的有向网络(见图7)，图中方块的大小代表关联网络中各省份的度数中心度。

图7 2008年(左)与2020年(右)绿色金融发展空间关联网络

由节点大小可知，2008年与2020年度数中心度排名前10的省份基本保持一致，主要包括北京、江苏、浙江等东部沿海省份，以及大部分的中部省份，这些省份之间的关联关系较多。度数中心度排在后10位的省份大多位于西部与东北地区，这些省份之间以及其与东中部省份之间的关联关系均较弱，处在整个关联网络的边缘地带。新疆与西藏的度数中心度为零，因此未被纳入到空间关联网络，这可能是因为二者均为延边地区，地理位置较为偏远且绿色金融发展水平不高，与其他省份建立关联的难度较大。

(二)关联网络整体结构特征分析

网络密度是指网络节点间实际连线数与理论连线数最大值的比值，密度越高，表明网络图中各省份之间的联系就越紧密。网络密度由2008年的0.185上升到2020年的0.226，绿色金融的省际关联发展效应愈发增强，但在所有可能被观察到的关联关系中，仅有不超过22.6%的联系被观测到，说明各省份绿色金融发展联动性较弱，省际协同发展具备较大的提升空间。2008年与2020年网络关联度均小于1，这是因为新疆与西藏独立于关联网络之外，网络之间的连通性仍有待加强。2020年网络效率为0.756，较2008年下降0.069，表明各省份在网络中存在多重叠加效应，且2020年各网络主体之间拥有更多的路径与循环，绿色金融关联网络更具稳定性。网络等级度由0上升为 0.197 5，虽然绿色金融关联发展网络等级的森严程度逐渐增强，但整体水平仍偏低，省份间关联渠道较为通畅，不同绿色金融水平的省份间会产生溢出效应。

(三)关联网络个体结构特征分析

在明确了绿色金融整体空间关联网络结构特征的基础上，进一步测算出关联网络的个体中心性指标(相对中心度、点入度、点出度、接近中心度与中介中心度)，据此对各省份在绿色金融发展空间关联网络中的角色、地位，以及作用展开探讨。同时为了更加直观地考察研究期内空间关联网络中心性特征的动态演变趋势，运用Arcgis软件对2008年、2020年各省份的中心性指标进行地图可视化(见图8)，并基于自然间断点法将中心性水平由低到高分为1～5个层级。

度数中心度衡量的是关联网络中某个节点与其他节点进行联系的能力，度数中心度越高，其在网络中的地位就越重要，影响力越大(为便于不同年份之间进行对比，测算结果是标准化后的度数中心度，即相对中心度)。度数中心度又包含点出度与点入度，二者分别衡量节点的溢出(辐射)作用与虹吸(获益)作用。中介中心度衡量某个节点多大程度处于其他节点进行关联的最短路径上，属于控制能力指标。接近中心度衡量的是节点与其他节点进行关联的难易程度，值越大，节点间越容易产生关联。

观察图8中a、b，从时间维度来看，2008—2020年相对中心度整体呈增长趋势，具体表现为“数量增加”与“质量提升”。在数量方面，处于第二及以上层级的省份由22个增加为25个；在质量方面，约有1/3的省份实现了中心度水平的跃迁。这说明中国绿色金融省际协同发展的范围进一步扩大，省份间的关联发展愈发密切。具体来看，多数东部与中部省份的相对中心度始终处于较高层级，点入与点出度都较高。这是由于东部地区绿色金融水平较高，在绿色金融发展过程中长期处于核心支配地位，更容易与其他地区进行交流与合作，绿色金融发展的溢出与虹吸效应较强。从地理位置来看，中部省份较多处于中国的几何中心附近，距离其他区域省份的平均距离较短，彼此更容易产生关联，这也表明水平差异与空间距离都可能是绿色金融省际关联发展的重要影响因素。

观察图8中c和d，从时间维度来看，2020年中介中心度分布的两极化趋势得到缓解，说明个别省份(山东、河南、湖北)对整个网络的控制能力有所减弱，省际绿色金融关联发展的实现不再单纯依赖某几个省份节点，各省份作为关联网络中“沟通桥梁”的功能更加均衡。由上文可知，相较于2008年，2020年省域绿色金融发展的空间关联网络更为复杂，各省份之间绿色金融发展的直接联系更多，继而导致各省份节点在整个关联网络的中介属性有所弱化。从空间维度来看，山西、河南、湖北、湖南等省份的中介中心度始终较高，可能的原因在于这些省份处于中部地区，距离其余省份的平均距离最短，且与其接壤的省份数量较多，在关联网络中更易扮演“桥梁”的角色。

观察图8中e和f发现，2008—2020年，中部、东部多数省份的接近中心度均有不同幅度的提升，这些省份或是绿色金融水平较高，或是处于空间关联网络的地理中心，是与其他省份进行关联溢出的关键节点，具有强大的辐射与吸收能力，不易受其他省份的控制与影响。值得注意的是，在接近中心度提升的同时，点入度与点出度略有下降。这是因为2020年关联网络中的关联关系更丰富，经过各省份的出度与入度最短路径的重合程度较低，导致省份节点之间产生关联的路径更具多样化，接近中心度更高。在空间分布方面，中部6省份与东南沿海省份依然是高值聚集区，说明这些省份更容易与其他区域省份形成绿色金融的协同与关联发展。

综合来看，四大区域中，东、中部地区3种中心度数值均较高，尤其中部地区有着较高的点出度与点入度，说明其有着较高的吸收与辐射能力，相当于关联网络中的“中转站”，致力于区域间资源、技术、政策等要素的优势互补与相互流动，能够更好地连接东、西部省份之间的绿色金融发展，有利于实现绿色金融的区域协同发展。

(四)块模型分析

基于Ucinet软件的Concor算法，对中国绿色金融发展的空间关联网络进行块模型分析。根据已有文献设置惯例，将最大分割度设为2，收敛指标设为0.2，省份划分为4个板块[25]。为了理清样本期内4个模块内部省份的变化情况以及模块功能角色的转变，本文报告了期初(2008)与期末(2020)2个年度的分析结果(见表2、表3)。

表2 绿色金融发展空间关联网络板块划分

表3 绿色金融发展空间关联网络的溢出效应与板块角色

2008年板块1省份主要来自中国西南部地区，板块内部关系、溢出关系、受益关系三者的数量相差不大，板块1内部成员之间及其与外部板块成员之间均具有较多的联系，属于双向溢出板块。板块2省份主要来自中部与东部地区，接收关系与溢出关系在所有板块中最多且大致相等，信息接收与传递的功能较强，实际内部比例在所有板块中最小，符合经纪人板块的属性特征。板块3省份主要来自西北部地区，接收关系多于溢出关系，且实际内部比例大于期望内部比例关系，因此可归为净收益板块。板块4省份主要来自北部与东部地区，溢出关系明显多于接收关系，同其他3个板块相比，实际内部关系比例与期望内部关系比例的比值相对较小，因此被归纳为净溢出板块。

基于相同的分析逻辑对2020年的关联网络进行板块角色划分，发现除板块3外，其余板块的角色互有转化。具体来看，板块1内部省份变化不大且由双向溢出板块转变为经纪人板块，内部关系减少，外部关系增多，“经纪人”属性得以印证。板块2由经纪人板块转化为净溢出板块，意味着其实现了从“中转站”到“发动机”的角色转变。这是因为在研究初期，板块2内部省份绿色金融发展程度较低，溢出效应较弱，研究末期，板块2省份数量增加，囊括了多数中部省份与部分东部省份，这些省份绿色金融水平较高且与之接壤的省份较多，对其他省份的溢出关系也更多。板块4内部省份主要来自华北与东北区域，由净溢出板块转变为双向溢出板块，内部关系与外部关系相差不大，双向溢出属性逐渐增强。

为了深入剖析四个板块之间的空间关联与溢出效应，根据表3中的结果计算出各板块之间的密度矩阵(见表4)。密度矩阵主对角线上的元素代表各板块内部省份之间密度关系，其余元素代表不同板块之间的密度关系。观察2008年与2020年密度矩阵发现，板块2和4自身密度较高并大于各自年份网络密度，而板块1和3自身密度相对较小，表明中部、东部内部省份绿色金融发展联系较为紧密，西部、东北内部省份绿色金融发展的联动性较弱。

表4 绿色金融发展空间关联网络密度矩阵

从板块间关联来看，2008年密度矩阵中，板块4指向板块2的密度系数最大，说明绿色金融的区域关联发展主要存在于东部与中部的省份之间，东部地区扮演“溢出者”的角色，将绿色金融的发展的动能传递给具有“中介”作用的中部地区。然而彼时板块1和3的接收与溢出关系均较少，说明西部地区绿色金融发展处于相对闭塞的状态，与其他板块的联动较弱。

在2020年的密度矩阵中，板块2指向板块1的密度系数最大，意味着绿色金融关联发展的核心区域过渡到中东部与部分西南部省份之间，存在向西南方向移动的趋势。与2008年相比，2020年板块1和3之间的联系越发紧密，表明西部各省份之间绿色金融发展的联动性有所增强。

六、结论与启示

本文从绿色信贷、绿色证券、绿色投资、绿色保险、碳金融5个方面构建了中国绿色金融综合指标体系，采用定基极差熵权法测算了2008—2020年省域绿色金融指数，随后运用静态与动态核密度估计、标准差椭圆与地图可视化方法对绿色金融发展的时空格局、热点迁移与离散趋势展开详细探讨。并在此基础上，将修正的引力模型与社会网络分析方法相结合，实证考察了中国省域绿色金融发展的关联关系以及空间关联网络的演化特征。

(一)研究结论

样本期间，中国绿色金融指数整体呈波动上升态势，四大区域中，东部绿色金融水平最高，中部其次且与全国平均水平相近，西部与东北地区绿色金融水平交错上升且均低于全国平均水平，在样本后期，中部、西部、东北三大地区间水平差异有所收敛，但与东部之间的差异依旧明显。核密度分析表明，省域间绿色金融水平的平均差异有所减小，但研究后期存在部分水平较高省份，呈现轻微两极分化趋势；绿色金融发展态势持续向好，尚未出现向某一水平值收敛的迹象，进一步提升的潜力较大。绿色金融发展的空间集聚分布趋势越发清晰，绿色金融水平呈现“自东向西、由南至北”梯度降低的格局分布；绿色金融重心总体向西南转移且呈收敛式分布，样本后期呈现“东北-西南”向心集聚、“东南-西北”空间发散的趋势。

样本期间，绿色金融发展空间关联网络的密度、连通度与稳定性均有所增强，但总体上中国各省绿色金融发展联动性仍较弱，新疆与西藏被孤立与网络之外，省际协同发展具备较大提升空间；东部与中部省份之间关联发展水平更高，西部省份之间及其与东部、中部之间的关联发展水平则较低。中心性方面，东、中部省份度数中心度、接近中心度、中介中心度均较高，尤其中部地区点入度、点出度较高，吸收与辐射能力较强，在关联网络扮演“发动机”与“中转站”的角色，推动区域间资源、技术、政策等要素的流通转化，沟通了东、西部省份间的绿色金融发展。样本期内，绿色金融省际协同发展范围进一步扩大，网络中直接关联关系的增多导致多省份“中介”属性的减弱，绿色金融关联发展的实现不再单纯依靠某几个省份，各省份作为网络中“沟通桥梁”的角色定位更加清晰；接近中心度的提升表明更多省份倾向产生直接关联，省份间距离阻抗有所减弱。将中国绿色金融发展空间关联网络分为4个板块，样本期内，各板块“角色定位”及内部成员发生变化；从板块内部密度看，中部、东部内部省份间的绿色金融发展联系较为紧密，西部、东北内部省份间的联动性较弱；从板块间密度看，绿色金融关联发展核心区域由“东部-中东部”向“中东部-西南部”转移，中东部省份对整体绿色金融关联网络的支配与主导作用逐渐增强。

(二)政策启示

上述研究结论可为促进我国绿色金融区域协同发展的政策设计提供如下启示：

统筹制定区域绿色金融发展规划，化解各区域绿色金融发展不平衡不充分问题。对于绿色金融发展水平较高的地区，应继续发挥市场、资金、人才等方面的优势，推动绿色金融供给与经济转型的现实需求相匹配，促进绿色金融与经济高质量协同发展。对于绿色金融发展水平较低的区域，政府可适当增强对绿色金融发展的扶持力度，引导更多社会资本流入绿色产业，还可建立区域帮扶机制，发挥绿色金融高水平地区的辐射效应，加速绿色金融资源的跨区域流动，缩小绿色金融发展的区域差异。

充分发挥绿色金融发展的区域空间关联与溢出效应。本研究表明，中部地区占据绿色金融发展空间关联网络的核心位置，中心性水平较高，因此可通过政策激励、金融扶持等方式重点支持中部地区绿色金融发展，继而依托山西、河南、湖北、湖南、江西等中部省份的中心性优势，积极开展与东部、西部省份的绿色金融合作，发挥“桥梁”与“支配”作用，沟通东西部省份之间关联渠道的同时，充分发挥自身“溢出”效应，提升空间关联网络的关联效率。

根据各区域在空间关联网络中的角色定位，统筹制定差异化绿色金融发展方案。现阶段，以东南沿海与中部省份为主的“净溢出”板块和以华北、东北省份为主的“双向溢出”板块，应继续发挥在绿色金融实践过程中的示范引领作用，通过规模溢出、对口支援等方式辐射带动中西部省份绿色金融发展。西南各省份作为“经纪人”板块，可加强金融科技与信息网络建设，提升绿色金融要素在空间关联网络中的传导效率，成为联通“净溢出”与“净受益”板块，实现绿色金融空间协同发展的重要支点。西北各省份处于关联网路的边缘，虽为“净受益”板块，但在空间关联中获益较小，因此可从板块内部入手，加强板块内部省份之间的交流与互动，例如，兰州绿色金融改革创新试验区对于“丝路碳票交易+碳资产抵质押+绿色保险”绿色融资模式的探索，便可为条件相似的省份开展相关绿色金融业务提供借鉴和参考。