黄河流域城市绿色金融与能源生态效率耦合协调的时空格局研究

李昕昱 郭光庭 杨韶艳

摘 要：本文以生态文明为出发点，建立基于经济、能源、环境、社会体系的能源生态效率评估框架，实证考察黄河流域城市绿色金融与能源生态效率的演变特征及耦合关系。研究表明：黄河流域城市绿色金融与能源生态效率耦合发展在时序上呈现“W”型的演变态势，整体呈现初级协调水平，空间分异性显著，表现为下游最高、中游次之、上游最低的“坡度”发展格局。

关键词：黄河流域；绿色金融；能源生态效率；耦合发展；时空演变

本文索引：李昕昱，郭光庭，杨韶艳.<变量 2>[J].中国商论，2024（08）：-123.

中图分类号：F127；F205 文献标识码：A 文章编号：2096-0298（2024）04（b）--05

1 引言

随着黄河流域生态保护与高质量发展的不断推进，社会对经济发展、能源利用、生态环境和社会福利等议题的关注日益增加。在协调经济、能源、环境和社会之间的关系方面，评价能源生态效率并实现社会建设与生态文明建设的平衡发展，成为当前研究的重要课题。在此背景下，绿色金融的发展与提高能源生态效率密不可分，通过推动绿色信贷、绿色债券和绿色基金等方式，资金可以更加有针对性地流向环保产业，从而有效促进其发展[1]。绿色金融不仅为生态保护提高了可持续的资金支持，还为企业和机构提供了更多的投资和融资机会，助力推动绿色技术和清洁能源的应用。通过引入绿色金融工具，可以有效整合资源和资本，优化能源利用结构，提高能源效率，从而减少对传统高耗能行业的依赖。2021年9月习近平总书记强调“把节约能源资源放在首位”以来，对各行业能源效率提出更高要求的约束下，绿色金融成为推动能源效率提升的重要发展方向，其通过将资源主要分配给环保型高效率企业，帮助企业实现可持续发展。相反地，那些高污染，低效率的企业面临破产风险，并难以获得资金支持。因此，它们不得不积极谋求转型，以重新获得资金并受益于绿色金融政策的支持。为了实现这一目标，这些企业需要调整其产业结构，削减或废弃高污染行业，并引入环保产业。通过优化产业结构，促使企业向环保高效产业转型，由此产生淘汰机制。这种机制催生了更多的环保型企业，并在经济社会体系中推动了能源效率提高，促进了经济的可持续发展和绿色增长。

目前，黄河流域生态环境脆弱，水资源短缺，沿黄各省区经济发展以依托资源驱动模式为主，产业发展资源配置效率不高，经济发展与生态保护矛盾突出，在绿色转型过程中，作为现代经济的核心，节能减排和金融发展无疑成为重要推动力。如何在资源节约和生态环境改善的前提下实现经济增长成为高质量发展亟须解决的问题，即在资源和环境要素投入尽可能小的同时实现尽可能大的经济发展成果。绿色金融与能源生态效率的融合发展是解决黄河流域经济和生態问题的关键举措，研究黄河流域城市绿色金融与能源生态效率协调发展水平、耦合特征及变化趋势尤为重要，对针对性解决黄河流域发展过程中出现的生态环境问题具有重要的现实意义。

2 研究设计

2.1 绿色金融的测度

2.1.1 指标构建

根据2016年8月发布的《关于构建绿色金融体系的指导意见》，绿色金融被定义为一种金融服务，旨在吸引投融资流入绿色产业。基于整体性、科学性和数据可获得性原则，借鉴刘华珂等（2021）的研究，从绿色信贷、绿色投资、绿色债券、绿色基金和绿色权益五个方面设计指标体系[2]。为避免数据缺失导致测算偏差，并考虑到数据可得性，本文选取黄河流域2006—2020年的地级以上城市相关数据作为研究对象。最终确定研究样本为66个城市，并将黄河流域分为上、中、下游3个地区。所使用的数据主要来源于《中国能源统计年鉴》《中国科技统计年鉴》以及《中国金融年鉴》，见表1。

2.1.2 测度方法

本文结合我国绿色金融的主要构成，借鉴史代敏等（2022）的研究，采用全局主成分分析（GPCA）计算黄河流域地级市绿色金融发展水平[3]。GPCA适用于面板数据的分析，相比传统的PCA，GPCA能够将不同时间点上的数据统一整合为时序数据表，以此反映对象的动态变化，因而对具有强相关性指标进行综合分析评价时更加可取。GPCA计算公式如下：

该公式为指标权重公式，表示指标权重；u表示选取的主成分个数；ani表示第i个主成分中第n个基础指标的系数；ai表示第i个主成分的特征根；e表示各主成分的特征根之和。

该公式为综合评价函数公式，其中，F代表绿色金融指数；fi表示未标准化的第i个主成分得分。

2.2 能源生态效率的测度

2.2.1 指标构建

能源生态效率需包含三个重要特性：一是在环境约束下的条件下，能源消耗对经济增长和生态改善的影响；二是可以反映能源投入、经济产出以及生态环境三者之间协调性；三是需要描述生态环境对经济发展和社会福利提升中能源消耗的承载能力。因此，在确保指标选取具备合理性、系统性和客观性原则的基础上，本文参照周敏等（2019）与Peng等（2020）相关研究成果[4-5]，构建黄河流域能源生态效率的评价指标体系。本文数据主要来源于《中国城市统计年鉴》，缺失数据采用插值法补充，如表2所示。

2.2.2 测度方法

（1）考虑非期望的超效率EBM模型

已有研究在测度能源生态效率时，通常将每个时间段相互独立，导致能源生态效率不具有跨期的可比性，无法完全准确地衡量各个单元的效率水平，因此，为更好地评估效率，Anderson等（1993）提出了超效率EBM模型[6]。公式如下：

式中：假定被计算的决策单元为DMU，在可变规模报酬下，表示能源生态效率的最佳效率；其中，表示投入要素的松弛变量；n为DMU决策单元总数；为投入指标的权重，满足；Xik和yrk分别为k的第i类投入和k的第r类产出；m和s分别为投入和产出的数量；θ为径向部分的规划参数；λj为线性组合系数；s+r为期望产出的松弛变量；sb-p为非期望产出的松弛变量；w+r和wb-p分别为期望产出和非期望产出的权重系数；εy与εb为决定性参数； φ为产出扩大比；bpj为期望产出；bpk为非期望产出；q为非期望产出数量。本文在式（1）和式（2）的基础上，采用非期望产出超效率EBM模型来测量黄河流域能源生态效率。

（2）DEA窗口分析法

DEA窗口分析法类似于移动平均的概念，因此能够扩大被评估的决策单元数量，即：不同时期同一决策单元；不同决策单元在同一时期。因此，DEA窗口分析法可以更全面地揭示各决策单元的效率变化，以及彼此之间的差异[7]。

通常认为，在应用DEA窗口分析法时，选择窗口宽度d=3可以在稳定因素和可信度之间取得平衡。通过DEA窗口分析法，能够全面了解决策单元在不同时间段内的变化趋势，并进行准确的评估与比较。

2.3 耦合协调度模型

耦合度模型可以反映多个系统之间的协调水平、相互影响和作用程度的大小，应用耦合协调度测算数值可以代表绿色金融与能源生态效率的协调强度。具体计算公式如下。

为确保指标在口径上的一致性，本文采用无量纲化的方法对各项指标进行标准化处理。

其中，U1、U2分别代表绿色金融和能源生态效率的综合水平。耦合度C值的取值范围介于0到1，当耦合度接近1时，表示该城市绿色金融与能源生态效率之间的发展越有序，也就越有可能达到共振耦合。一般来说，C值越大，耦合度越高。

为更好地衡量绿色金融与能源生态效率的综合发展水平，本文对两者耦合协调度进行测算，具体测算公式如下：

其中，T表示绿色金融和能源生态效率的综合发展水平，其计算公式为，α和β为U1和U2的系数，本文认为两个系统的重要程度相近，因此取0.5。耦合协调类型的划分没有统一标准，本文参考赵金辉等（2022）[8]的研究，并结合实际情况划分类型，如表3所示。

2.4 空间自相关

为进一步研究黄河流域城市的绿色金融与能源生态效率耦合发展关系，本文采用莫兰指数（MoranI）来衡量其分布状态和聚集程度。莫兰指数是一种用于研究空间数据相互依赖程度的方法，可以准确测量某一特征在空间上的自相关性[9]，即

其中：n为黄河流域城市数量；xi为城市i的绿色金融与能源生态效率耦合发展水平，xj为城市j的绿色金融与能源生态效率耦合发展水平；为城市耦合发展的平均水平；wij为空间权重矩阵。I为全局莫兰指数，取值范围为［-1，1］之间，该值越大，表示黄河流域城市绿色金融与能源生态效率耦合度在空间上的聚集态势更明显，反之则表明耦合度在空间上有差异。此外，为确定黄河流域城市之间是否具有空间自相关关系，本文引入标准统计量Z进行分析，计算公式如下：

根据结果显示，城市绿色金融与能源生态效率耦合发展的空间自相关关系与Z值的正负相关。若Z值显著为正，则表明存在正相关；若Z值显著为负，则表明存在负相关；若Z值为0，则表明不存在自相关关系。

3 黄河流域绿色金融与能源生态效率耦合时空演变特征分析

3.1 時序特征

本文采用全局主成分分析（GPCA）测算黄河流域绿色金融，采用MaxDEA软件测算黄河流域能源生态效率，然后计算两者的耦合协调度，同时绘制折线图对黄河流域整体和上、中、下游地区耦合协调度进行分析，结果如图1所示。

整体来看，黄河流域绿色金融与能源生态效率耦合发展态势向好，处于初级协调类型，2006—2020年黄河流域绿色金融与能源生态效率呈现出“下降—上升—下降—上升”的“W”形演变路径，如图1所示。2006年，黄河流域绿色金融与能源生态效率的耦合协调度为0.6822，2007年短暂下降之后逐年上升，于2010年达到观测期内的高峰0.6870，自2010年以后绿色金融与能源生态效率耦合发展水平呈现下降趋势，2015年达到低值0.6741后逐年缓慢上升，自2020年达到观测期内新的低值0.6745。结合发展实际来看，资源环境约束的日益趋紧以及阶段性特征明显，使得绿色金融与能源生态效率耦合发展出现波动，但总体仍保持上升态势。

分地区来看，虽然黄河流域三大区域均处于初级协调类型，但存在明显的“坡度发展”特征。黄河下游地区耦合协调发展水平最高，观测期内发展水平始终高于黄河流域总水平，保持着稳定但相对缓慢的增长态势，平均为0.6811；黄河中游地区前期与下游地区发展水平相当，但自2014年以后逐渐落后于下游地区，这主要是因为该地区过度依靠能源供给推动经济发展，导致部分城市过多依赖重化工企业，与此同时作为下游地区的“污染避难所”，中游地区承接了大量的落后产业转移，导致该流域工业结构不合理，经济发展过度依靠资源要素驱动，对生态环境造成巨大压力，从而导致绿色金融与能源生态效率耦合发展下降；研究期内黄河上游地区耦合协调水平波动较大，并于2007年达到观测期内的最低值0.6101，其原因是上游地区在我国资源战略储备和环境安全屏障建设中担负了重大使命，因此在该流域建设投产了一批耗能较高的产业，同时，部分耗能较高的产业承担外输火电项目工程也实施于上游地区，而这些重大项目的开展导致上游地区绿色金融与能源生态效率耦合发展出现不升反降的情况。然而，从整体来看呈上升趋势，并且与黄河流域总体平均水平的差距逐渐缩小。

3.2 空间特征

文章考虑到黄河流域城市绿色金融与能源生态效率耦合发展的区域差异性，为更加直观地刻画各城市耦合发展的分布特征，基于地市级层面借助ArcGIS10.8绘制黄河流域2006年、2010年、2015年和2020年绿色金融与能源生态效率耦合发展空间可视化分布图（见图2）。

整体来看，2006年、2010年、2015年和2020年的耦合发展水平呈现出明显的空间异质性特征，总体而言，中下游地区的发展水平较高，而上游地区则较低的空间格局。就各城市而言，绿色金融与能源生态效率耦合发展中达到中级协调水平的城市主要有两种类型：一种是经济发展水平较高的城市，如青岛、西安、开封等；另一种是污染排放水平较低的城市，如张掖、汉中、临沂等。这种情况在一定程度上表明城市的绿色金融与能源生态效率耦合发展受经济和环境的双重制约。耦合发展初级协调的城市主要围绕在中级协调发展的城市周围，如下游地区的枣庄、周口、濮阳等城市，以及中游地区的咸阳、三门峡等城市都属于这一类型，从某种程度上说明耦合发展的城市具有较为明显的正向溢出效应，可以带动周边城市提升协调发展水平。相比之下，耦合发展勉强协调的城市与中级协调发展的城市通常地理位置相距较远，由于地理位置的限制，中级发展的城市往往对其辐射影响力相对有限，如上游地区的巴彦淖尔、乌海等城市，中游地区的榆林、延安等城市，以及下游地区的滨州市，这些城市在经济结构的发展策略选择上追求煤炭效益，忽视了积累性的后果，从而抑制了绿色金融与能源生态效率耦合发展的提升。

4 黄河流域能源生态效率空间相关性分析

考虑到黄河流域绿色金融与能源生态效率耦合发展呈现出明显的“区块状”特征，本文推测绿色金融与能源生态效率耦合发展在空间上存在一定的关联性。为探究这一问题，本文选取空间地理距离矩阵，并利用Morans I指数测算2006—2020年流域内绿色金融与能源生态效率耦合发展的空间效应。表4显示，2006—2020年绿色发展与能源生态效率的耦合发展均满足10%水平以内的显著性水平，且Z值显著为正，表明黄河流域各城市间绿色金融与能源生态效率耦合发展存在明显的空间正向聚集效应，即相邻城市绿色金融与能源生态效率耦合发展具有相关性。

5 结语

本文以2006—2020年黄河流域66个地级市为研究对象，基于标准差椭圆、全局莫兰指数、LISA统计量为主要工具，探索黄河流域城市绿色金融与能源生态效率耦合发展的空间动态演变，得出如下主要结论：

（1）从时序演变来看，2006—2020年黄河流域城市绿色金融与能源生态效率耦合发展水平整體变化呈现出“下降—上升—下降—上升”的“W”形演变路径，即由2006年的0.6822至2020年的0.6749，同时，研究期内黄河流域城市绿色金融与能源生态效率的耦合发展呈现自下游到中游再到上游依次递减的特征。故对于不同地区的特点，各地需要采取因地制宜、分级分类的策略来推动绿色金融与能源生态的发展。

（2）从空间分布来看，2006—2020年黄河流域城市绿色金融与能源生态效率耦合发展呈现明显的空间非均衡特征，存在明显的高低分区。地理距离相近的城市之间，绿色金融与能源生态效率耦合发展相互影响较为显著，相近城市呈现出“片状”集聚态势。与此同时，随着城市群内部协作的加强，出现了明显的“极化”现象。因此，高耦合发展地区应该充分利用自身优势，形成具有辐射带动作用的中心区，与中、低发展地区进行全方位与深层次的合作交流，逐步减少地区间的差异，实现美美与共。

参考文献

李成刚. 绿色金融对经济高质量发展的影响[J]. 中南财经政法大学学报， 2023（2）： 65-77.

刘华珂，何春.基于中介效应模型的绿色金融支持经济高质量发展实证研究[J]. 新金融，2021，393（10）：21-27.

史代敏， 施晓燕. 绿色金融与经济高质量发展：机理、特征与实证研究[J]. 统计研究， 2022， 39（1）： 31-48.

周敏， 王腾， 严良， 等. 财政分权、经济竞争对中国能源生态效率影响异质性研究[J]. 资源科学， 2019， 41（3）： 532-545.

Peng B， Wang Y， Wei G. Energy eco-efficiency： Is there any spatial correlation between different regions？[J]. Energy Policy， 2020， 140： 111404.

Andersen P， Petersen N C. A Procedure for Ranking Efficient Units in Data Envelopment Analysis[J]. Management Science， 1993， 39（10）： 1261-1264.

江涛， 范流通， 景鹏. 两阶段视角下中国寿险公司经营效率评价与改进： 基于网络SBM模型与DEA窗口分析法[J].保险研究， 2015（10）： 33-43.

赵金辉， 田林， 李思源， 等. 黄河流域能源与环境—经济—生态耦合协调发展研究[J]. 人民黄河， 2022， 44（11）： 13-19.

李云燕， 张硕. 中国城市碳排放强度时空演变与影响因素的时空异质性[J].中国环境科学， 2023，43（6）： 3244-3254.