广东省绿色金融发展水平测度——基于遗传算法优化的神经网络模型的研究

张一凡 董晓红 吴井泉

(哈尔滨商业大学,黑龙江 哈尔滨 150028)

一、引言

在人们环保意识与可持续发展理念日益增强的背景下，绿色金融作为实现绿色发展的重要举措，为完成我国供给侧改革与产业结构升级，促进环境、经济协调发展起到重要作用。党的十九大提出建设美丽中国，要求建立健全绿色低碳循环发展的经济体系，构建市场导向的绿色技术创新体系，发展绿色金融。G20杭州峰会指出发展绿色金融的必要性，强调市场缺乏一套更为完善、科学的绿色金融度量与评估体系。在我国绿色金融发展过程中，广东省作为我国经济、金融建设前沿地带，在2017年进入全球金融中心指数体系并获批建设绿色金融改革创新试验区，在金融资源配置、金融风险防控、金融改革创新等方面具有明显优势，作为测度对象比较具有代表性。神经网络模型作为具有自适应、自组织、自主学习能力的数学分析方法广泛应用于建立基本评价模型，遗传算法具有良好的全局搜索优化能力，可优化神经网络自身存在的易陷入局部最优解等问题，使评价输出更为精确。因此，针对国内绿色金融评价体系尚不完善的现状，运用遗传算法对神经网络模型进行优化的科学方法，建立城市绿色金融发展水平测度模型，对2011年和2016年广东省21个地级市绿色金融建设情况进行对比分析。这有利于推动全国各城市绿色发展，明确绿色金融体系建设目标，对促进绿色金融发展有着重要的现实意义。

目前国内外对绿色金融发展水平的研究很多，但多数评测指标的建立只是针对某些特定的金融产品而设计，还未形成科学、统一的标准。如国外研究中Marcel Jecuken(2001)通过构建五维评价体系，对34家知名银行可持续发展战略进行评测，得出银行可持续发展和环境关系日趋紧密，发展绿色金融为促进金融业可持续发展打下良好基础[1]。国际金融公司等9家商业银行(2002)提出赤道原则，对环保项目融资风险按指标体系进行划分。国内研究中，白钦先(2006)从基础、核心、扩展、衍生四个功能演绎金融发展进程并对其进行重新界定[2]。黄建欢(2014)分析金融发展影响区域绿色发展的四个机理并采用空间杜宾模型分析各机理的相对重要性与空间溢出效应[3]。

综上可知，目前已有评价和分析多侧重于定性分析，然而定量更能应用数据客观地对测度评分进行分析，使结果更具科学性。因此，本文在原有理论的基础上建立模型测度城市绿色金融发展水平，对政府发展绿色金融具有借鉴意义。

二、城市绿色金融评价体系的构建

(一)评价指标的选取与数据来源

1.绿色金融指标的选取

(1)借鉴中国人民银行泰州银行(2016)[4]的思路，根据广东省节能减排等举措，选取单位GDP能耗来衡量资源消耗，工业废水、废气、固体废物等污染物的排放量占城市主要污染物排放量的比重较大，因此选取单位GDP工业废水、废气、固体废物排放量来衡量城市环境污染水平。

(2)借鉴黄建欢、周国富(2014)等人的思路，用贷款配置效率衡量当地资本配置效应。资源配置作为金融的核心功能，将有限的资源根据区域生产率与产出率进行合理分配，有利于提高城市绿色金融发展水平。此指标数据大说明该地区资产利用效率较高，绿色金融发展前景更为广阔。用外商投资利用总额、储蓄率衡量资本支持的潜能，以存贷比来衡量资本的支持力度，金融市场通过融资等手段将资金转化为资本，为企业扩大生产与技术研发提供支持。用边际资本生产率衡量投资总额对当地经济发展的增量，此指标越大反映企业资金利用率越高，从而使经济增速加快，促使金融业良性发展。

(3)借鉴杨阳(2017)[5]等人的思路，用环保投资占比、节能环保公共支出占比来衡量城市绿色投资情况，政府与社会投资有利于绿色项目的融资情况，并直观反映出当地绿色金融的重视程度。用清洁发展机制项目交易量占比衡量区域碳金融发展程度，碳金融致力于减少企业温室气体的排放，此指标越大表明地区企业参与碳配额交易越多，绿色金融发展水平越是良好。高耗能企业市值占比、环保企业市值占比两项指标从正、负两方向分别衡量高耗能企业与环保企业在金融市场的融资情况。保险深度用于测度广东省各城市保险业的发展水平。

本文综合采取以下15个指标建立城市绿色金融发展水平评价指标体系，见表1。

表1 广东省城市绿色金融发展水平指标体系

2.样本数据来源

选取广东省21个地级市作为观测目标，选取2011年和2016年两年数据。主要数据来源于《广州统计年鉴》、广东省各市《统计年鉴》、wind数据库以及中国清洁发展机制网。

(二)指标权重的确定

1.数据预处理

由于指标体系中各项指标计量单位存在差异，因此需要对原始数据进行标准化处理，消除特征之间的差异性，使不同的特征具有相同的尺度，同时还需消除正、负项指标对数据加总等方面的影响。因此，对正负向指标采用不同的标准化处理。

正向指标：

(1)

负向指标：

(2)

其中，Xij代表在n个样本，m个指标的评价体系中第i个样本的第j个指标的数值(i=1,2,…,n;j=1,2,…,m),Zij代表归一化后的数据。

2.熵权法确定指标权重

熵值法是一种客观的赋值方法，原理是根据指标数据的离散程度，衡量其对系统的比较作用，即有效信息量的大小，从而赋予指标一定权重。指标的熵越大，包含信息的有效性越大，对综合评价的影响越大，因此赋予权重越大。具体步骤如下：

(1)计算第j项指标下第i个样本值占该指标的比值：

(3)

(2)计算第j项指标的熵值：

(4)

其中，k=1/In(n)>0，满足e≥0。

(3)计算信息熵的冗余度(差异)：

dj=1-ej,j=1,…,m

(5)

(4)计算各项指标的权重：

(6)

依据上式综合计算各指标权重，结果如表2所示。

表2 熵权法分析结果

如表2所示，熵权法测得权重结果中的外商投资利用总额、环保企业市值占比、贷款配置效率所占权重较大，分别为0.1333、0.1043和0.0877，表明其对城市绿色金融发展水平影响较大；单位GDP固体废弃物排放量、高耗能企业市值占比、单位GDP能耗所占权重较小，分别为0.0326、0.0387和0.0390，表明其对城市绿色金融发展水平影响较小。

三、基于遗传算法优化BP神经网络模型的实证分析

(一)遗传算法优化神经网络模型的构建

1.BP神经网络模型

BP(Back Propagation)神经网络是以误逆差传播算法为原理的多层前馈网络模型，由输入层、隐含层和输出层三层结构组成。该模型通过向前在神经网络的拓扑结构之间传递信号，向后在拓扑结构之间传递误差而不断调整网络的权值与阈值，使得单个样本的误差随之减小，最终使总误差E趋于最小，其公式如下：

(7)

(8)

其中，Ek为训练样本误差，M为所设输出层的单元个数，dj为对单元j对训练样本的目标值，Yj为训练样本的输出值，E为神经网络计算的总误差。

BP神经网络对城市绿色金融的预测包括训练与检验两个部分，其步骤为：先通过训练样本进行学习，对网络权值、阈值信息进行储存，而后将检验样本输入，将其预测输出与实际输出进行对比检验。本文选用三层神经网络结构，输入层节点数为15，与城市绿色发展水平测度指标数目一致；输出层节点数为1，即为城市绿色金融发展评分。隐含层数目的确定至今没有广泛使用的明确理论，本文选取的隐含层经验公式为:

(9)

其中，a为输入层数目，b为输出层数目。由式9可知，本文选取的隐含层数目为8，因此该神经网络模型拓扑结构为15-8-1型。

2.遗传算法的优化

BP神经网络具有初始权值与阈值在选择上缺乏依据，随机性过大；目标函数的复杂性梯度下降法使训练次数过多，收敛速度缓慢；局部最优算法的应用容易陷于局部最优解等缺点，众多学者针对其缺点对模型进行改进。其中遗传算法是采取逐次迭代搜寻最优的方法，对全局进行搜索从而解决神经网络陷入局部最优解的局限，实现在整个信息全局搜索采集。本文利用遗传算法对神经网络模型进行优化，其步骤如图1所示：

图1 GA+BP算法流程图

(二)实验结果分析

1.BP神经网络预测分析

在42组2011年和2016年广东省城市绿色金融发展水平指标数据中，选取其中36组作为训练样本，6组为预测检验样本。将各城市指标数据设为 BP神经网络的输入数据，根据公式10可求得各城市评分Sj，并将其设为输出目标，通过matlab进行训练，得出城市绿色金融发展水平预测结果，从中选取部分结果进行分析[6]，如图2所示。

(10)

其中, n为各指标总数，m为样本总数，Wi为第i项指标所占权重，μi为第i项指标归一化后数据。

图2 BP神经网络预测

由训练结果可知，误差最大百分比为6.9529%，平均误差百分比为5.3489%。误差相对较高。这主要是由于BP神经网络具有初始权值与阈值在选择上缺乏依据、网络训练结果存在较高的随机性且易陷入局部最优解等缺点。

2.GA-BP神经网络预测分析

采用遗传算法对BP神经网络的权值和阈值进行优化，设立种群规模为20，最大进化代数为20，交叉概率为0.8，变异概率为0.1。利用matlab进行训练。测试结果如图3所示，误差最大百分比为1.5041%，平均误差百分比为0.5194%。

图3 GA+BP网络预测

由训练结果可知，误差最大百分比为-0.7268%，平均误差百分比为0.5262%，符合预期。

遗传算法优化的神经网络模型与未优化的模型误差对比如图4所示。结果表明，遗传算法优化神经网络模型的预测误差较低，对城市绿色金融发展水平的预测更为精确，因此选用遗传算法优化后BP神经网络评价模型。

图4 GA+BP优化前后训练误差

3.测度结果分析

运用遗传算法优化神经网络模型对广东省2011年茂名、肇庆、清远、潮州、揭阳、云浮六市绿色金融发展情况进行预测。结果如表3所示，其中最大相差误差为2.1913%，符合预期，满足城市绿色金融发展水平测度要求。

表3 GA+BP测试样本预测

四、实证结果分析

(一)2011年和2016年绿色金融发展对比分析

由遗传算法优化神经网络得出以下2011年、2016年广东省城市绿色金融发展的空间分布情况如图5所示，城市具体得分情况如表4所示。

表4 广州省城市绿色金融发展水平测度得分

由图5对比可知，2011年和2016年广东省各城市绿色金融评分均有显著提高，广州、深圳、珠海、东菀等珠江三角洲沿海城市保持了较高的绿色金融发展水平，粤西地区(阳江、茂名、湛江)以及粤西北北部部分地区(韶关、清远、肇庆)还处于低值集聚状态。这与珠江三角洲地区作为我国金融改革的先发地，在金融发展与环境保护方面的政策支持与经济高速增长有着密不可分的关系。又由对比可知，2011年广东省绿色金融仅有珠三角洲地区测度水平较高，周边地区绿色金融发展水平较低，而2016年各城市绿色金融发展均有明显提升，与珠三角地区的差距进一步缩小，说明发展前期形成了资金的集聚状态，发展良好地区对金融资源吸纳能力较强，从而导致周边地区资本外流，发展较为缓慢。绿色金融发展成熟阶段具有扩散效应，由发展良好地区资金进行投资，对周边地区的发展起到带动作用。

图5 2011年和2016年广东省城市绿色金融测度得分

由比较图5可知，2011年和2016年梅州、河源、东莞等地区绿色金融发展跃升最为显著，而珠海、湛江、佛山地区评分则有所倒退，分析五城市各指标对其评分变化贡献率以及各指标全省城市平均贡献率(以2011年各指标评分为基数)如表5所示。

表5 各指标贡献率

由表5中城市绿色金融测度中各指标的平均贡献率分析可知，工业废水排放量(39.66%)、工业固体废物生产量(17.24%)、工业能源消耗总量(17.98%)、保险深度(31.76%)四指标对广东省城市绿色金融发展增长有主要的贡献作用，前两项指标贡献率较高主要是由于广东省在“十二五”期间(2011-2015)着力完善节能政策法规标准体系，出台《“十二五”节能规划》等法律法规，大力开展节能循环经济工作，推动清洁能源生产服务市场化，并于2016年实行《工业节能管理办法》、《绿色制造2016专项行动实施方案》，对高耗能企业进行进一步约束，实现 “十三五”规划的良好开端等均有着密切联系，各城市在保险深度方面表现良好主要是由于通过“十二五”期间保险业改革不断深化，保险发展迅速，保险收入位居全国第一，并且在发展绿色保险方面进行多方位尝试。而高耗能企业市值占比(-1.57%)、环保公共支出占比(-7.03%)对综合评分起到主要反向作用，其中环保公共支出占比主要反映出政府财政支出对环保事业的支持不足，说明各城市政府应当调整财政支出占比，加大对环保事业重视力度，以政府资金号召社会资本流入环保经济、循环经济，实现高耗能产业向节能环保型产业转型。高耗能企业市值占比反映出广东省产业转型还在改革进程中，高能耗企业发展扩展速率高于环境治理，各城市应当加大对高能耗企业环境指标监控力度，完成去产能，实现产业升级。

由表4可知，梅州(-13.67%)、东莞(10.65%)两市绿色金融得分增长率位列前二，两市作为国家节能减排财政政策综合示范城市，发展循环经济，引领全省环保活动的开展。对比分析表5城市得分，除去平均贡献率较高的三个指标，五年内梅州绿色金融发展水平增长速度快主要是因为在存贷比(73.84%)、储蓄率(22.58%)、环保投资占比(55.51%)三个指标方面表现突出，环保投资占比分数高反映出梅州政府引领社会资本对环保产业加大支持力度，存贷比、储蓄率反映出梅州金融业发展增速快，潜在资本丰厚，为环保、创新性企业发展提供了优良环境。东莞在节能环保支出公共占比(16.00%)、环保企业市值占比(18.24%)等指标方面表现良好，节能环保公共支出占比指标贡献率增加体现出东莞政府对环保改革的大力支持，以政府资金与政策带动环保型城市的建设。环保企业市值占比指标表现出东莞政策性鼓励环保型企业发展取得阶段性成功，产业改革实现良好开端。

佛山(-1.41%)、珠海(-3.61%)两市绿色金融发展呈负增长趋势，除去边际资本生产率负向贡献率指标，珠海绿色金融评分呈负增长主要是由于环保投资占比(-50.95%)、贷款配置效率(-13.49%)两个指标负向贡献率加大，主要与新常态背景下，珠海GDP增速快，2011—2016年GDP稳步上升，并于2016年位列全省第一位有关，但珠海环保投资同比增速较为缓慢，不能应对其快速增长的经济模式下环保型企业发展的资金需求。同时，贷款配置效率贡献率下降反映出资本配置效率增速下降，削减了金融活性，对绿色金融发展有一定抑制作用。佛山分数降低是由于其环保投资占比(-21.95%)、外商投资利用总额(-13.67%)较低，反映出其资本支持环保产业潜能较小的问题。

(二)2016年各城市绿色金融发展对比分析

通过表4可知，2016年广东省绿色金融发展水平测度中，深圳、广州分别以79.45与70.95位于第一位和第二位，韶关以50.67位列末尾。以各指标各城市平均分数为基数计算各指标对其城市得分的贡献率，如表5所示。

深圳作为我国经济大省，在环保方面有着显著成就，是全国第一个低碳生态示范城市，同时其经济发展迅速，金融资本活跃，在建设发展碳金融市场等方面都有着实质性成就。广州作为国家绿色金融发展中心城市，其花都区被设立为绿色金融改革创新试验区，在培育发展绿色金融组织体系、创新产品和完善金融服务等方面获得政府、资本大力支持，完成跨越式发展。由表5分析可知，广州、深圳两市在环保企业市值占比(138.92%、138.92%)、外商投资利用总额(116.09%、142.17%)、储蓄率(46.27%、90.57%)三项指标方面表现突出，环保企业市值占比主要表明两市在引进、建设生态型企业方面取得巨大成功，这主要与两市经济建设领先、环保企业建设政策倾斜大、金融环境良好、企业成长条件良好有着密切关系。外商投资利用总额、储蓄率两项指标则主要与两市充分利用地缘、政策因素吸引外资，人均GDP较高，积累了雄厚的民间资本，进而为环保型企业发展提供强大资本支持密切相关。

韶关地处广东省粤西北地区，与其他城市相比深入内陆，国民经济总量与增速都处于较低状态，经济发展与金融活性处于较低状态，分析可知其在工业废水(-35.41%)、废气(-63.01%)、固体废弃物排放量(-25.52%)、工业能源消耗总量(-30.90%)方面得分较低，主要是由于广东珠三角等沿海地区城市产业升级，高能耗企业向内陆转移，韶关作为产业对接地区，建立韶关(东莞)产业转移园区，相对污染物增多，从而环保企业市值占比也有所下降。外商投资利用总额(-26.84%)、存贷比(-24.21%)两项指标得分低反映出金融水平较低，这与其自身经济水平较低、珠三角地区资源聚集效应导致资本外流有关。这导致韶关金融活性进一步被削弱，绿色金融发展水平低下。

五、结论与建议

由于绿色金融水平测度的复杂性，本文探讨了基于遗传算法优化的神经网络对广东省各城市绿色金融发展水平进行测度，实验结果表明， GA-BP网络在精度与稳定性方面均优于传统的神经网络模型，能准确地反映城市绿色金融发展水平，从而更易于针对各项指标对各城市绿色金融发展提出指导性的对策建议。通过实证分析，广东省绿色金融发展水平整体呈稳步上升趋势，不同城市因为地缘、政策扶持因素等不同而呈现出不同的发展水平变化：广州、深圳、珠海、东菀等珠江三角洲沿海城市保持了较高的绿色金融发展水平，而粤西地区(阳江、茂名、湛江)以及粤西北北部部分地区(韶关、清远、肇庆)依然处于低值集聚状态。从整体上看，节能环保经济的推广与保险业的改革大力促进了2011—2016年间广州市绿色金融的发展。根据上述结论提出以下建议：

第一，提高资本对于节能环保企业的支持，政府引导社会资本流入绿色产业，发挥金融创新作用，通过绿色信贷等创新型金融工具，多方式、多角度为绿色产业扩宽融资渠道，支持小微型企业成长，推动环保节能创新，发展循环经济，实现城市产业结构升级。

第二，提高金融资本配置效率，加强政府对金融资源流向绿色产业的积极引导作用，同时放低市场准入门槛，激发市场活力，提高市场配置资源的能力。完善落后生产能力退出的运作机制，加强产业政策引导，充分发挥企业投资管理、环境保护、质检等部门的作用，鼓励和支持发展先进生产能力，有序推进产业生态转型。

第三，建立绿色金融平台，拓宽绿色金融信息渠道，发展绿色金融信息服务，降低投资者获取信息的成本，吸引更多投资者投资建设当地绿色项目。建立绿色金融合作机制，由资源集聚效应较好的地区进行投资，发挥绿色金融扩散效应，推动金融资本扩散至周边资源低值集聚地区，从而推动地方绿色金融全面发展。