金融集聚对工业绿色全要素生产率的影响研究——基于长三角地区的实证

李瑞雪，司孟慧，张汉飞

（中共中央党校（国家行政学院） 经济学教研部，北京 100091）

一、引 言

与传统追求数量增长的粗放生产方式时代相比，新时代经济增长最主要的特征就是“高质量增长”，即促进以全要素生产率为衡量指标的经济高效率发展（刘志彪和凌永辉，2020）［1］。工业经济作为国民经济的重要基石，其效率提升对国民经济整体改善发挥重要作用。因此，建立绿色高效的工业体系成为新时代下推进经济绿色、健康和可持续发展以及建设美丽中国的重要落脚点。

金融是实体经济的血脉，长期以来受经济全球化、市场利润等因素影响，金融业逐渐显现出向特定空间或区域集聚态势，通过与当地社会资源环境的不断融合和发展，逐步形成了具有紧密联系的金融体系和金融市场，为实体企业提供了丰富的融资平台，同时也为提高资源配置效率、降低企业融资成本和助力企业转型升级提供了动力源泉（Kindleberger，1973［2］；吴义根和冯开文，2018［3］）。加之金融业本身具有的“清洁型”和“动力型”特点（袁华锡等，2019）［4］，对改善工业经济质量、提升工业绿色生产效率产生了不容忽视的影响。

长三角地区是我国经济发展最活跃的区域之一（1），其中上海是国际金融中心，江苏制造业总量位居全国第一，2021年前三季度长三角地区生产总值占全国比重达到24.5%，对全国经济贡献率持续增强，在强国建设中具有举足轻重的战略地位。“积极推动长江经济带成为我国生态优先绿色发展主战场”是打好污染防治攻坚战的重要一环（2）。基于以上背景，本文以长三角地区16 个主要城市为研究样本，探讨金融集聚对工业绿色全要素生产率的影响，对促进长三角地区更高质量发展、体现金融更好地服务于实体经济的本质功能具有一定的理论与现实意义。

二、文献回顾

以往学者主要借鉴产业集聚的思路和结论探讨金融业的集聚效应。产业集聚源于马歇尔对“地方性工业”在特定地区聚集这一经济现象的研究，随后，众多学者开始从不同角度探讨产业集聚现象，1909年韦伯在其《工业区位论》中从地理区位角度提出区位集聚论，通过分析区位因素的运行和形成区位规则，指出“运输成本”和“劳动力成本”是影响工业集聚于某地的“集聚因素”，集聚的最终结果是产生了单位产品一定数量的成本节约［5］。以克鲁格曼为代表的新经济地理学从地理空间角度，构建一般理论模型来解释经济活动的集聚现象，并指出收益递增、要素差异、运输成本差异和行业间规模经济的相互作用形成了集聚的向心力［6］。Goldsmith（1970）最早将金融应用到集聚理论中，认为地区金融集聚程度与经济发展具有高度关联性［7］。Kindleberger（1973）提出规模经济效应是金融市场集聚最主要的原因［2］。20 世纪70 年代出现的金融地理学，则强调了信息技术对促进金融业集聚的重要作用（Conzen，1975）［8］，由于金融业的特殊性，金融机构更需要接近信息源和信息腹地来缓解信息不对称和加工、处理非标准化信息，所以金融资源呈现向“信息中心”集聚的趋势（Thrift［9］，1994）。而形成金融集聚中心的必要条件是必须具备“收集、交换、重组和解译信息”的能力（冯德连和葛文静，2004）［10］。此外，较低机会成本、较高的金融服务产业份额以及大量的金融信息也成为金融集聚的重要因素（车欣薇等，2012）［11］。总之，基于各类特殊因素和一般因素，金融资源在特定空间聚集成为一般现象，“金融集聚成为金融要素配置优化的重要表现［12］，也成为金融产业组织发展的一般形式”［13］。许多学者先后关注了金融集聚与实体经济之间的关系，提出金融集聚对经济增长质量提升具有积极的作用（张忠俊等，2021）［14］，影响途径主要包括外部规模经济效应、扩散效应、功能效应、集聚效应、技术进步效应等［15-17］。特别是随着通信技术的发展，金融集聚辐射效应得到了技术保障，将金融功能传递得更远（李红和王彦晓，2014）［18］。当前我国已转向高质量发展阶段，着重强调要提高全要素生产率这一目标。一些学者开始研究金融集聚与工业全要素生产率之间的关系，但是得出了不同的观点：余永泽等（2013）研究表明，在一定范围内金融集聚对工业生产效率提升表现为外溢效应，但是随着边界逐渐扩大，直到超出一定范围后促进效应开始减弱［19］；王淑英和屈莹莹（2017）研究表明，金融集聚对八大国家中心城市的全要素生产率提升均表现为正向促进作用［20］；张秀艳等（2019）利用33个工业细分行业的面板数据实证表明，金融集聚对工业全要素生产率具有直接负效应［21］。

随着资源环境约束和绿色发展理念的提出，金融集聚与绿色经济发展的关系成为众多学者的研究对象。一方面，金融集聚会带来人才、技术、信息等高级要素的流入和聚集，高级要素的配置改变了经济增长方式，实现了生产源头要素的节约、生产过程中资源配置效率的提升以及生产末端环境污染的治理，从而达到整体绿色效率提升的效果（吴义根和冯开文，2018）［3］。另一方面，金融机构通过构建绿色金融体系，发展绿色信贷、绿色债券，设立绿色发展基金等，支持低耗能、低污染和高效能企业发展，可以直接降低环境污染，提升绿色经济发展效率。比如通过证券公司发行以新能源汽车补贴款作为基础资产的资产证券化项目，为绿色金融支持实体企业发展拓宽了低成本融资渠道。此外，政府通过绿色信贷提供贷款利率优惠可以有效解决绿色研发活动带来的市场失灵问题，同时可以明显降低绿色创新企业研发资金短缺风险（杨文珂等，2021）［22］。部分学者采用实证研究的方法论证了金融集聚与绿色经济发展之间的关系。张芳等（2018）以长三角地区为例，利用状态空间模型证明了金融集聚对绿色经济发展的正效应，但随着集聚程度的增加，促进作用呈现缓慢下降趋势［17］。魏茹（2018）的研究发现，无论是在产业结构高级化还是产业结构合理化视角下，金融集聚都会显著影响城市绿色经济绩效，但是其滞后项以及不同细分行业的集聚效果存在明显差异［23］。袁华锡等（2019）利用2003—2014年中国274个地级及以上城市数据，证明了金融集聚对绿色发展效率的影响呈现“梯度式”增强的特征［4］。李珊珊和马艳芹（2020）的研究发现，金融业是提升绿色全要素生产率的重点行业［24］。

可以看出，已有文献对金融集聚相关领域进行了丰富的研究，但依旧存在不足，主要包括如下几点问题：第一，多数文献围绕金融集聚与实体经济增长的关系进行研究，未能进一步阐释金融集聚、工业全要素生产率与绿色可持续发展的联系；第二，以往的研究忽略了工业全要素生产率的绿色化内涵；第三，中国各地区金融发展水平、集聚程度和工业经济基础存在明显的差距，已有研究主要关注国家整体或者省级层面，对某一经济区域或城市群的研究则相对较少，忽略了“地域特征”对研究结果存在的政策应用价值。随着“碳中和”与“碳达峰”目标的提出，实现工业绿色化转型升级迫在眉睫。因此，本文基于长三角地区16个主要城市（以下简称“长三角地区”）面板数据，利用System-GMM 和面板门槛模型，从行业异质性角度探讨金融集聚对工业绿色全要素生产率的影响。

三、理论分析与研究假设

工业经济绿色发展是经济效益与生态效益的和谐统一，其关键在于提升工业绿色全要素生产率。金融服务业作为现代经济的核心，不仅能够优化区域资源配置，还可以通过规模效应提高金融市场的流动性，对经济增长较为明显的贡献便是其对全要素生产率的影响。作为影响工业绿色发展的重要因素，金融集聚提升工业绩效主要体现为：一方面，金融集聚的“虹吸效应”，吸引各类金融机构和金融活动在特定空间集聚，通过吸纳社会储蓄资金转化为投资资金，改变社会存量资金的结构和流量资金的变化，进一步影响工业资源供给水平和配给程度（冉启英等，2021）［25］。集聚效应带来的资金累积有助于增加金融资源对工业生产的有效资金供给，避免企业因研发投入的高额成本而放弃新技术的开发，从而有助于工业企业长期提高技术进步实现生产率的提高（房春涛，2019）［26］。由金融资本集聚带来的高素质人才的聚集以及知识、技术外溢，又可以为企业研发投入提供优质人力资本，在提高企业技术效率、提升集聚区内整体创新程度等方面的作用显著（吕承超和王媛媛，2019）［27］。另一方面，随着网络体系持续优化，金融机构之间的信息交流更加便利。金融集聚区内近距离的信息传输和资源共享可以有效提高金融行业信息搜集、交流的执行效率，减少信息失真带来的资源错配和误配（高康和原毅军，2020）［28］。同时有助于金融业增强信息甄别能力，通过识别、筛选出优质工业企业，引导金融资源流向高效率、低污染企业，通过淘汰低生产率企业向周边地区转移实现资源的优化再配置，最终形成强势格局（Pan 和Hou，2014）［29］，从而带来工业内部产业结构的升级，助推整体工业行业绿色全要素生产率的提升。此外，金融集聚有助于资金配置的风险分散及风险转移功能的完善，还可以缓解创新的信贷约束，分散创新风险（张秀艳等，2019）［21］。基于此，本文提出假设1。

H1：金融集聚有助于提升工业绿色全要素生产率水平。

不同的金融细分行业在服务实体经济的方式与作用上各有优势和劣势，其集聚程度也相应带来不同影响。有研究发现，较低水平的银行业集聚有利于成立更多新企业，同时有助于小企业的发展壮大（Cetorelli 和Strahan，2006）［30］；而有的研究则认为，较高的银行业集中度会带来银行业之间的竞争，从而更有利于成熟企业的成长（Jackson 和Thomas，1995）［31］。国内学者洪功翔等（2014）针对不同细分金融行业从全国和区域两个层面验证金融集聚与全要素生产率的关系，结果发现，无论是全国层面还是区域层面，证券业集聚都能显著促进全要素生产率（TFP）增长，但保险业集聚对中、西部存在显著的负效应，银行业集聚在全国层面和对西部地区的作用表现为促进，对东部和中部地区作用不明显［32］。冷彦润（2021）基于2006—2011 年我国工业企业数据和金融活动普查数据库，验证了银行业集聚能够有效提升制造业企业全要素生产率，具体路径体现为通过缓解企业内部融资约束提升企业全要素生产率［33］。还有学者验证了信贷市场和股票市场与实体经济的关系，发现信贷市场对经济增长表现为积极的正向作用，但是股票市场效果不显著（Gennaioli 等，2012）［34］。基于此，本文提出假设2。

H2：金融集聚对工业绿色全要素生产率呈现出行业异质性。

金融资本是工业生产发展必不可少的要素之一，当资本匮乏或中介成本较高时，工业投资就可能受限。不同类型金融机构在一定空间内聚集也带来了资金的聚集，为企业加大创新研发投入或扩大生产规模拓宽了资金来源，特别有利于缓解新兴企业融资压力。当金融集聚规模处于较低水平时，企业可能因缺乏资金支持造成技术创新、产品升级等有利于提高生产效率的行为受阻。只有当金融资本集聚到一定规模，才能更有利于效率提升。但是金融业过度集聚，就会汇集大量的超过经济发展所需的资源，从而降低整体的经济效率，还可能增加实体经济运行成本。由于处于不同发展阶段的工业企业具有不同的规模特征、风险特性和融资需求，因此，对于金融服务的需求也存在系统性差异，林毅夫等（2009）指出：“只有金融体系内部各种不同的金融制度安排的比例和相对构成与实体经济结构相匹配，才能有效发挥金融体系在动员储蓄、配置资金和分散风险方面的功能。”［35］此外，受利润导向影响，集聚区内众多金融资本涌入房地产、股市等少数高利润行业、领域，加剧以制造业为主体的实体经济外部融资压力（洪功翔等，2014）［32］，金融资源的错配，造成对实体企业有效资金供给不足，抑制企业扩大生产、转型升级。基于此，本文提出假设3。

H3：金融业和金融细分行业集聚对工业绿色全要素生产率具有门槛效应，且随着门槛值的变化对工业生产呈现出非线性影响。

四、长三角地区金融集聚、工业绿色全要素生产率发展现状

（一）金融集聚发展现状

1.金融业总体集聚发展现状

衡量金融集聚的方法主要包括空间基尼系数、EG指数、MS地理集中指数、区位熵指数等，本文选择能够很好地体现产业市场结构变化基本特征的区位熵指数来衡量金融集聚程度，其含义是某指标在某地区范围内的比重与该指标在更大范围内比重的比值（朱辉，2019）［36］，比值越大，表明该地区金融集聚程度越高。本文基于（1）式计算了长三角16个城市的金融业区位熵，衡量金融业整体集聚程度：

其中：fit、pit分别为长三角第i城市第t年末金融业从业人员和所有行业从业人员数；Ft、Pt分别表示长三角16 城市第t年末金融业从业人员数和所有行业从业人员数。选取2005—2019 年数据，经整理计算，结果见表1所列。

表1 长三角16城市金融业区位熵值

根据表1数据，2005—2019年长三角16城市金融集聚程度agg_finit变化趋势如图1所示。由图1可知，长三角16城市金融集聚程度差异比较明显。随着经济发展，长三角金融业的空间分布由上海单中心向多中心演化。2005—2019 年上海的金融集聚指数值在1.020 0～1.584 7 之间波动，在2016 年之前，除苏州在2005年、泰州在2008年高于上海外，上海集聚程度明显高于其他城市，但是自2016年之后上海金融集聚程度趋向下降，而台州、舟山、宁波等市的金融集聚程度开始逐步超过上海。苏州自2007年金融集聚指数出现大幅下降后，一直处于较低集聚状态，绍兴、扬州等市集聚程度总体处于低位平稳状态。

图1 长三角地区部分城市金融集聚变化

2.银行业、证券业、保险业集聚现状

为进一步了解长三角16个城市金融细分行业集聚的状况，同样采用区位熵指数法，分别计算银行业区位熵、保险业区位熵、证券业区位熵，来衡量三个细分行业的集聚程度。计算公式如下：

其中：bit、sit、iit、yit分别表示长三角i城市第t年末银行储蓄存款余额、证券交易额、保费收入和地区生产总值；Bt、St、It、Yt分别表示长三角16 城市第t年末银行储蓄存款余额总和、证券交易额总和、保费收入总和以及地区生产总值总和。根据计算值，长三角16 城市2005—2019 年银行业、证券业和保险业集聚变化分别如图2—图4 所示。

根据图2，长三角16城市中上海银行业集聚优势显著，集聚程度明显高于其他15城市，各年集聚度基本都大于1.5，处于长三角地区中的第一梯队。紧随上海的是杭州，并且有追赶之势；南京银行业也保持了较好的发展势头，集聚程度仅次于杭州。总体来看，杭州和南京的银行业集聚程度处于第二梯队，银行集聚指数在1～1.5 之间波动。处于第三梯队的宁波银行业集聚程度总体位列第四，但是与上海、杭州、南京三市集聚程度差别显著，各年集聚程度均小于1。其他12 市银行业发展比较缓慢，集聚指数在0.5上下波动。

图2 长三角地区部分城市银行业集聚变化

根据图3，以证券交易额为代表的16 城市的证券集聚，上海仍处于较高水平，尤其是在2009年之前，证券集聚程度远高于其他城市。受2008 年全球金融危机影响，自2009 年开始上海证券业集聚呈现波动下降状态，到2016 年，杭州证券集聚程度已经超过上海，此后持续保持高度集聚水平，集聚指数整体呈现持续增长态势。南京证券业集聚程度在2009 年之前尚且位列第二，之后被杭州、绍兴等城市超越，但总体来看，南京集聚程度波动幅度不大。而舟山、湖州等市证券业集聚程度一直处于较低水平，且在2005—2019 年间变化不大。

图3 长三角地区部分城市证券业集聚变化

根据图4，与银行业、证券业集聚类似，上海保险业集聚规模仍处于绝对优势，但是集聚程度呈现下降态势，2017年被南京超越。杭州保险业集聚度初期并不高，但是一直保持持续增长，2018 年分别超过南京和上海，成为长三角地区保险业集聚程度最高的地区。保险业集聚程度波动较大的包括舟山、南通等市，其中舟山集聚程度由2005年的位列第三下降到2019年的最后一位。

图4 长三角地区部分城市保险业集聚变化

综上分析，长三角地区16 城市金融业集聚程度，无论是从总体还是细分行业来看，上海都处于前列，尤其是银行业集聚程度一直处于高位，相对来说仍然是以银行业为主导的金融体系，证券业和保险业集聚程度在近年有被杭州、南京超越的趋势。除上海、南京、杭州经济实力较强的几个城市在三个金融细分行业具有明显优势外，宁波的银行业、绍兴的证券业、常州的保险业等也表现出发展潜力。其他城市金融发展相对落后，集聚程度处于较低水平，具有广阔的发展空间。

（二）工业绿色全要素生产率发展现状

非参数法中的数据包络分析法（DEA）因没有涉及生产函数形式的设定，也不需要对参数函数进行估计，在全要素生产率测算中应用广泛。为了考察工业全要素生产率的“绿色”内涵，本文将包含污染物排放的非期望产出纳入分析，希望期望产出增加的同时得到最小的非期望产出。所以本文采用DEA 方法来设定投入距离函数，利用Chung 等（1997）［37］提出的ML（Malmquist-Luenberger）指数来度量工业绿色全要素生产率的动态变化，则从t期到t+1期的Malmquist-Luenberger生产率指数具体表现为：

其中：Dt0、Dt+10分别代表以t时期和t+1 时期为技术参考的混合距离函数；x、y、b、g分别表示投入、产出、非期望产出和各要素的松弛向量。如果ML（·）值小于1，表示全要素生产率当期值相对于上一期值表现为下降；反之，则认为出现增长趋势。因此，其测算结果表示的是TFP 的增减变化情况。

该指数不仅可以考虑工业绿色全要素生产率的动态变化，还可以进一步分解为工业绿色技术进步变化指数（techch，technical efficiency change）、工业绿色纯技术效率指数（pech，pure technical efficiency change）和工业绿色规模效率指数（sech，scale efficiency change），表明工业绿色全要素生产率变化的源泉，即

techch、sech、pech小于1、等于1、大于1均表示为效率下降、不变和上升。

结合2005—2019年长三角16城市的投入和产出数据，测算得出工业绿色全要素生产率的变化率。其中，从劳动力、资本、能源三个维度选择投入指标，劳动力选取工业行业从业人员数（万人），资本选取工业资产（亿元），能源选取原煤消耗量（万吨）。产出指标分为期望产出和因资源消耗、工业污染带来的非期望产出，期望产出选取工业增加值，非期望产出包括工业二氧化硫排放量、工业废水排放量和工业粉尘排放量。具体指标选取及描述性统计见表2 所列。本文基于DEAP2.1 软件计算出工业绿色全要素生产率（tfpch）并将其分解为工业技术进步（techch）、工业纯技术效率（pech）和工业规模效率（sech）。由于全要素生产率的结果是根据其变化率计算得来的，所以本文借鉴李珊珊和马艳芹（2020）［24］的方法，以2005 年为基期，假定2005年的工业绿色全要素生产率水平为1，则2006年的工业绿色全要素生产率水平为2005年的工业绿色全要素生产率指数乘以2006 年的工业绿色全要素生产率指数，以此类推即可得2005—2019 年长三角16 市工业绿色全要素生产率指标，具体见表3所列。

表2 投入要素与产出要素数据的描述性统计

表3 全要素生产率测算结果

续表2

由表3可知，上海工业绿色全要素生产率最高达到1.747，江苏整体位列第二，效率值为0.570，浙江整体效率值与江苏整体效率值比较接近，为0.536，均明显低于上海。从具体城市来看，绍兴、泰州分列第二、第三，而南京的效率值最低。从效率值分项来看，上海的工业绿色全要素生产率主要来源于规模效率，绍兴则是纯技术效率带来了整体效率的提升，泰州三个分项效率值均发挥了明显的作用，尤其是规模效率在更大程度上发挥了提升工业绿色全要素生产率的作用。南京效率低下主要是技术效率水平过低，仅为0.269，提升工业技术水平将是南京工业绿色全要素生产率总体提升的主要方向。

五、研究设计

（一）数据来源

本文选取长三角地区16 个主要城市2005—2019 年共15 年的面板数据作为样本空间，这16 个城市分别是上海、苏州、南京、扬州、杭州、宁波、无锡、嘉兴、常州、镇江、南通、绍兴、泰州、湖州、台州以及舟山。原始数据来源于上海市、江苏省、浙江省统计年鉴、各市统计年鉴、各市年度国民经济和社会发展统计公报、《中国城市统计年鉴》、国泰安数据库、EPS数据库以及Wind数据库等。

（二）变量选取

（1）被解释变量。包括工业绿色全要素生产率（tfpch）、工业绿色技术效率（techch）、工业绿色纯技术效率（pech）、工业绿色规模效率（sech）。不同于全要素生产率，绿色全要素生产率在测算中加入了能源数据，能够更为准确地度量长三角地区工业绿色发展绩效。上文使用DEA-Malmquist Luenberger生产率指数，已测算出相关指标。

（2）核心解释变量。本文核心解释变量为金融集聚度，并从银行、证券和保险业三个细分行业的集聚程度分析其对工业绿色发展效率的影响。上文采用区位熵方法，已测算出相关指标。

（3）控制变量。本文从教育水平、科技水平、外资投入水平、产业结构、信息化程度、职工收入水平和互联网发展水平7 个角度选取控制变量指标。其中，教育水平用一般预算财政支出中教育事业支出比例衡量；科技水平用一般预算财政支出中科学技术支出比例衡量；对外投资依存度以当年实际利用外资额与GDP 比值衡量；产业结果用第二产业增加值占GDP 比重衡量；信息化水平用电信业务总量衡量；收入水平用职工平均工资衡量；互联网发展水平用国际互联网用户数量与地区人口数比值进行衡量。因为变量电信业务总量的数据偏大，所以本文对此变量选取对数后进行实证分析。

各指标说明及描述性分析见表4所列。

表4 描述性分析

（三）模型设定

1.广义矩估计（System-GMM）

金融发展问题容易因双向交互影响产生内生性问题，广义矩估计（System-GMM）可以有效解决生产函数估计中存在的变量内生性问题，提高估计准确度（岳文和陈飞翔，2015）［38］。本文使用System-GMM模型并加入被解释变量的滞后项作为工具变量，测算长三角地区16 城市金融集聚与工业绿色全要素生产率之间的动态关系。

在进行实证分析前，首先通过pearson 系数初步检验解释变量与被解释变量的关系是否符合初步假设，见表5所列。

表5 相关性分析

由表5可知，解释变量中金融业整体和其他三个细分行业区位熵的二次项与被解释变量之间都是负相关关系，符合本文的初步假设。接下来，利用VIF值检验解释变量的多重共线性问题。由表6可以看出，产业结构（stru）和科技水平（tec）VIF大于5，则说明这两个变量与其他变量之间存在多重共线性，需要将这两个变量进行删除。删除了产业结构和科技水平两个变量后，其余解释变量VIF值都小于5。因此，以剩余5个变量构建System-GMM模型。

表6 VIF检验结果

本文在皮尔逊检验和VIF检验的基础上，将筛选出的变量构建金融集聚与工业绿色全要素生产率关系的模型，如下所示：

其中：Tit为被解释变量，包括工业绿色全要素生产率（tfpch）、工业绿色技术效率（techch）、工业绿色纯技术效率（pech）、工业绿色规模效率（sech）；解释变量为金融集聚水平（Fit）；Zit为本文选取的控制变量；∂表示常数；β为变量系数；εit为误差项。国内外的研究结果表明，影响工业绿色全要素生产率的因素包括教育支出、外资依存度、电信业务总量、职工平均工资和互联网发展水平。为了准确反映金融集聚对工业绿色全要素生产率的作用，本文结合长三角地区城市群发展的特性和数据可得性，将以上所述影响工业绿色全要素生产率的因素作为控制变量。为重点检验金融集聚与长三角地区工业绿色全要素生产率发展的非线性关系，本文在解释变量中引入了金融集聚的平方项，同时借鉴已有研究（郭家堂和骆品亮，2016）［39］，采用被解释变量的一阶滞后项作为工具变量，得到具体形式如下：

其中：i代表长三角16城市；t代表不同时期，选取2005—2019 年作为研究周期；Tit、agg_finit、eduit、fdiit、interit、mobit和pageit分别表示各城市工业绿色全要素生产率、金融集聚程度、教育支出、外资依存度、国际互联网用户数量与地区人口数比值、电信业务总量和职工平均工资，因为电信业务总量的数据较大，本文对此变量选取了对数；λit表示地区异质性；εit表示残差。

为了进一步验证金融细分行业对工业绿色全要素生产率的异质性，在（8）式基础上，分别用银行业集聚（agg_bank）、证券业集聚（agg_sto）和保险业集聚（agg_ins）替代金融业集聚（agg_fin）建立金融细分行业对长三角地区工业绿色全要素生产率影响的模型。构建的模型如下：

2.面板门槛模型

为验证不同金融细分行业集聚程度对工业绿色全要素生产率水平影响的最佳区间，根据Hansen（1999）［40］提出的面板门槛数据模型，分别假定银行业区位熵agg_bankit、证券业区位熵agg_stoit、保险业区位熵agg_insit为门槛变量，进行门槛值估计和检验，探究金融集聚与工业绿色全要素生产率之间的非线性关系，则以双重门槛为例构建回归模型如下：

其中：i、t、Tit分别表示个体变量（i=1，2，…，m）、时间变量（t=1，2，…，n）和被解释变量工业绿色全要素生产率；Zit为控制变量；I（·）为指示函数；εit为随机扰动项；si分别代表银行业集聚程度agg_bankit、证券业集聚程度agg_stoit、保险业集聚程度agg_insit；γ1、γ2、γ3为影响系数；μ1、μ2为两个门槛变量特定的门槛值。

六、实证检验与分析

（一）数据平稳性检验

本文分别采用LLC 检验、IPS、ADF_FISHER、ADF_pperron、Hadri五种方法进行单位根检验，结果见表7所列。除产业结构指标显示非平稳外，其他指标均显示平稳，所以实证分析时剔除了产业结构指标。

表7 单位根检验结果

续表7

（二）实证结果

1.System-GMM回归结果

为检验金融集聚对长三角地区工业绿色全要素生产率的影响，以及不同金融细分行业对该地区工业绿色全要素生产率影响的异质性，针对（7）-（8）式构建的模型，本文选择System-GMM方法，得到回归结果见表8所列。根据Arellano-Bond和Sargan检验结果可以判断模型有效性，模型（1）-（7）AR（1）检验的P值均小于0.1，AR（2）检验的P值均大于0.1，说明不拒绝不存在二阶自相关的原假设，即该模型的随机扰动项不存在残差项的序列自相关。Sargan过度识别检验结果均大于0.1，也证明了模型设定合理，选取的工具变量有效。

表8 金融集聚对工业绿色全要素生产率的回归结果

模型（1）在控制了教育支出、外资依存度、电信业务总量、职工平均工资和国际互联网用户数量和地区人口数比值等因素后，检验了金融集聚对工业绿色全要素生产率的影响，金融集聚的一次项（agg_fin）系数为1.511，金融集聚的二次项（agg_fin2）系数为-0.639，均通过了1%的显著性统计检验，由此可以说明，金融集聚对工业绿色全要素生产率的影响符合“倒U”型曲线。长三角地区内金融集聚在研究期内可以推动工业绿色全要素生产率的提升，但是并非集聚程度越大促进作用越明显，相反，过度集聚会阻碍工业绿色全要素生产率的提升。模型（2）（3）（4）分别验证了金融集聚对工业技术进步、工业纯技术效率、工业规模效率的影响，从回归结果来看，金融集聚对工业技术进步的影响也呈“倒U”型曲线，但是金融集聚对工业纯技术效率和工业规模效率的影响却呈“U”型曲线。通过分析发现，由于金融集聚对工业绿色技术进步的作用效果要明显强于对工业纯技术效率和工业规模效率的影响，所以，金融集聚对长三角地区工业绿色全要素生产率的最终影响呈“倒U”型。

模型（5）（6）（7）为银行业、证券业和保险业集聚对工业绿色全要素生产率的影响结果，从回归结果看,银行业与证券业集聚对工业绿色全要素生产率的影响具有曲折性，即前期对工业绿色全要素生产率的影响是积极的，但随着银行业和证券业集聚的加剧，对工业绿色全要素生产率的影响逐渐降低，由此说明，银行业和证券业的适当集聚对工业绿色全要素生产率的影响会达到帕累托最优，而过度的集聚反而不利于工业绿色发展。而保险业集聚对工业绿色全要素生产率的影响却只有简单的正相关关系，说明随着保险业集聚的不断发展，会不断促进工业绿色全要素生产率的发展。但是模型（5）（6）（7）的结果表明，证券业集聚在金融集聚中的影响力不及银行业和保险业。模型（5）（6）中被解释变量的滞后一期系数为负数，说明随着长三角地区金融不断集聚，对工业绿色全要素生产率的影响为负，由此说明该地区已处于“倒U”型的右半侧，该地区金融出现过度集聚的现象。以上结果验证了H1和H2。

续表8

2.门槛检验结果

（1）门槛效应检验。为了进一步验证金融细分行业对工业绿色全要素生产率的门槛效应，分别选取银行业区位熵、证券业区位熵、保险业区位熵作为门槛变量，根据模型（12）进行门槛效应存在性和门槛个数检验，通过自抽样600 次后得到F值和P值，检验结果见表9 所列。结果表明，银行业集聚、证券业集聚和保险业集聚分别存在显著的双门槛效应、双门槛效应和单门槛效应。由此验证了H3。

表9 门槛效应检验结果

（2）门槛值估计与检验。确定银行业集聚、证券业集聚、保险业集聚存在门槛效应，需要对门槛值进行估计与检验，根据表10，银行业集聚所对应的门槛估计值分别为1.583 1 和1.596 5，证券业集聚的门槛值分别为1.805 5 和1.991 2，保险业集聚对应的门槛值为1.368 1，且处于原假设接受域内，说明门槛值与实际估计值相等。

表10 门槛值估计结果

（3）参数估计及实证结果分析。表11和图5—图7 分别显示了银行业集聚、证券业集聚、保险业集聚及相关变量面板门槛参数估计结果和相应的门槛参数。

图5 银行业门槛值

图7 保险业门槛值

表11 面板门槛模型的估计结果

在以银行业集聚为门槛变量时，银行集聚门槛把长三角地区金融集聚水平分为Ⅰ类（agg_bank≤1.583 1）、Ⅱ类（1.583 1＜agg_bank≤1.596 5）和Ⅲ类（agg_bank＞1.596 5），在每一类区间内银行业集聚对工业绿色全要素生产率起到的作用并不相同。当agg_bank≤1.583 1 时，银行业集聚对工业绿色全要素生产率的影响为负，且在10%的水平上显著；当1.583 1＜agg_bank≤1.596 5 时，系数在1%水平上显著，值为1.605 91，表明银行业集聚程度在此区间内时能够明显促进工业绿色全要素生产率；当agg_bank＞1.596 5 时，银行业集聚未能促进工业绿色全要素生产率的提升，且抑制程度略高于第一门槛值，整体来看呈现“倒U”型的非线性关系。产生以上差异的原因可能是：在银行业发展初期，银行资本不足无法为工业发展提供充分的资金支持，对工业绿色发展的影响更是微乎其微；当银行业水平发展到一定程度，集聚优势逐渐显现时，对推动工业技术升级，促进生产经营方式向绿色环保转变起到积极推动作用，从而对工业绿色全要素生产率形成显著的促进作用；但是随着银行业集聚程度的继续提高，银行业对工业绿色全要素生产率由促进作用变为抑制作用，一方面可能是由于银行资源的过度集中造成了资源浪费、银行资金配置效率和使用效率降低，另一方面可能由于过度集聚造成银行业的过度竞争，造成金融集聚的边际效应递减（施本植等，2018）［41］。

证券业集聚门槛值分别为1.805 5 和1.991 2，当门槛值低于1.805 5时，其对工业绿色全要素生产率起到不显著的抑制作用；当集聚水平处于1.805 5～1.991 2 时，金融集聚在1%的水平上显著促进了工业绿色全要素生产率；当集聚水平高于1.991 2 时，证券业集聚未能促进工业绿色全要素生产率的提升。总体来看，证券业集聚呈现出与银行业类似的“倒U”型非线性关系，但是证券业集聚的促进系数要明显大于银行业的促进系数。

在以保险业集聚为门槛变量时，当保险业集聚水平低于1.368 1 时，其对工业绿色全要素生产率的影响系数为负的不显著；当门槛值跨越1.368 1时，金融集聚对工业绿色全要素生产率的影响由负的不显著变为正向促进作用，即保险业集聚水平更高时，更有利于工业绿色全要素生产率的提升。

图6 证券业门槛值

（三）稳健性检验

为进一步验证System-GMM 结果的准确性，需要对已有结论进行稳健性检验。本文采用SBMGML方法重新测算工业绿色全要素生产率，并测算金融集聚对重新测得的工业绿色全要素生产率产生的影响。稳健性检验结果显示（3），金融集聚对工业绿色全要素生产率的影响与前文研究结论基本一致，即呈“倒U”型关系，由此可以表明本文的实证研究结论具有良好的稳健性。

七、主要结论及政策启示

根据长三角16城市金融区位熵和工业绿色全要素生产率测度结果，运用动态面板System-GMM方法，实证分析金融集聚对工业绿色全要素生产率的动态影响，并在此基础上运用面板门槛模型进一步检验银行、证券和保险三个细分行业的门槛效应，得出相应的门槛值。结果表明：金融集聚对长三角工业绿色全要素生产率的影响具有“倒U”型关系；从细分行业来看，保险业集聚对工业绿色全要素生产率的影响呈现正相关关系，而银行业、证券业集聚水平较低和过高都会制约工业绿色全要素生产率的提升。从门槛检验结果来看，银行业、证券业、保险业集聚均存在门槛效应，其中银行业具有双重门槛效应，当集聚水平处于1.583 1～1.596 5之间时，促进效果最明显；证券业集聚具有双门槛效应，当门槛值处于1.805 5～1.991 2 之间时，更有利于提高工业绿色全要素生产率；保险业集聚具有单门槛效应，门槛值高于1.368 1时促进效应更明显。整体来看，除上海在个别年份金融集聚程度较高外，其他城市的银行业、保险业、证券业集聚程度仍处于相对较低水平。

基于上述结论，本文得到启示如下：首先，要发挥长三角地区金融集聚对工业绿色发展的积极作用，政府要根据各地区实际工业绿色发展现状，因地制宜实施富有弹性和持续性的金融产业政策，积极引导金融资源向高效率、清洁生产的工业企业流动，避免因政策不合理抑制工业绿色发展效率提升，同时充分利用金融集聚的溢出效应、创新效应，进一步优化要素资源配置，全方位提升工业绿色全要素生产率。其次，要合理配置不同类型的金融资本，创新金融产品。不同细分行业的金融资源为实体企业转型升级奠定了坚实基础，要充分利用银行业的资金供给、证券业的资金融通和保险业的风险保障功能，如发行绿色债券等，针对高耗能、高污染等问题，推行环境污染强制责任保险等各类险种，提升企业环保意识，同时要加强对金融机构的绿色金融业绩评价。最后，要重视金融、工业经济和生态三者之间的协调发展，形成良性互动。既要利用金融集聚引导更多金融资本进入新兴产业、高技术产业、绿色环保型产业，为低耗能、低污染和清洁型企业提供融资便利政策，又要避免金融过度集聚带来的“拥挤效应”。

注 释：

（1）资料源自《长江三角洲区域一体化发展规划纲要》（https：//baijiahao.baidu.com/s?id=1651714580888046299 &wfr=spider&for=pc）。

（2）资料源自《中共中央 国务院关于深入打好污染防治攻坚战的意见》（http：//www.gov.cn/xinwen/2021-11/07/content_5649656.htm）。

（3）限于篇幅，稳健性检验结果不再列出，备索。