政府干预、绿色金融和区域创新能力——来自30个省份面板数据的证据

吕 鲲，潘均柏，周伊莉，李北伟

(1.宁波大学商学院，浙江 宁波 315211；2.吉林大学商学与管理学院，吉林 长春 130022)

0 引言

近年来，我国基于实现 “双碳”目标，将绿色金融作为促进经济低碳发展的重要抓手，原因在于节能减排必须依托于新兴技术革命，技术创新可以创建新的资本积累结构、提升劳动力效率、拓宽新的价值创造渠道，推动低碳经济[1]。而大规模的区域创新水平的提升必须借助金融市场，要充分推动金融资源向清洁技术领域倾斜，进而产生绿色金融的概念。根据中国人民银行数据，截至2020年，中国的本外币绿色信贷余额规模位居世界第1位，而绿色债券存量于2021年上半年也跃居世界第2位。绿色金融已经通过推动产业优化升级、促进资源合理配置对我国区域创新能力提升产生了显著的影响。

政府财政干预也对区域创新产生了重要影响。一方面，区域创新离不开政府的财政支持。过去地方政府官员考虑到区域经济增长和短期经济效益是自身晋升的关键考核指标，因此只关注传统成熟产业带来的经济效益，忽视新兴产业的长期效益，阻碍区域创新。但近年来中国逐步摈弃以单一经济增长作为地方政府的政绩考核指标的制度，部分地方政府也基于这项改革开始用地方财政为推进创新驱动发展战略提供政策保障。另一方面，政府财政政策与地方创新产业发展密切相关，进而影响地区创新能力。因此，如何进行合理的政府干预，同时在绿色金融的驱动下，引导要素向创新产业集聚，已成为提升区域创新水平和实现经济高质量发展的重要课题。

基于上述问题，本文将政府财政政策干预、绿色金融和区域创新纳入同一框架进行分析。

1 文献综述

1.1 政府干预和区域创新

政府干预和技术水平之间的相互作用关系的研究较多，张治河等[2]认为政府干预能够显著促进区域创新能力，特别是政府的科技投入能明显提升各产业的创新效率，而李琳等[3]认为政府的各种补贴对城市和企业的创新能力产生了许多积极影响，进而在一定程度上促进了城市群的协同创新。另一种观点认为政府干预对区域创新产生了显著的抑制作用，谢伟等[4]通过DEA方法测算各省高新技术产业研发效率，研究发现政府补贴会抑制区域技术创新效率；肖文等[5]基于中国工业行业的实证分析，认为政府对于市场研发活动的支持存在着一定程度上的脱节，导致政府干预会抑制区域研发创新能力的提升。

梳理上述文献可知，学界关于政府干预对区域创新能力提升的影响尚未形成一致观点，同时已有研究鲜有从政府宏观财政政策的视角来分析政府财政政策活动对区域创新能力的影响，因此政府干预和区域创新在这一层面上的相互作用关系需要有新的证据出现。

1.2 绿色金融和区域创新

目前有关绿色金融对技术创新产生影响的研究结论分为两种，一种认为绿色金融对技术创新起到了显著的正向影响，孟科学等[6]认为绿色金融能够通过调节创新认识、创新结构和创新机制来促进企业的技术进步；何凌云等[7]研究发现绿色金融在环保节能领域对技术创新产生显著的促进作用；曾玲玲等[8]发现绿色金融可以同时促进产业结构优化、节能减排和技术创新，进而促进区域高质量发展。另一种持相反意见，曾学文等[9]认为绿色保险业务增加了企业成本，从而压缩了企业的流动资金规模，阻碍了技术创新；张学海等[10]通过研究发现当前的绿色金融体系缺乏约束激励机制，绿色金融工具因出现资源错配并不能准确支持产业技术创新。

区域微观主体的R&D活动会对区域整体的创新水平产生影响，一方面，微观主体的技术创新能够生产知识以支持区域整体创新水平的提升，基于Gibbons[11]的知识生产理论，大学、企业等微观主体的创新活动对区域整体知识水平具有促进作用，进而促进区域创新能力的提升；另一方面，区域的微观主体进行创新成果转化，形成 “发明+商业化”的新产品研发模式[12]，进而提升区域创新市场化水平和整体创新能力。上述理论表明绿色金融通过 “绿色金融-区域微观主体技术创新-区域创新”作用路径对区域创新施加影响。

综上所述，绿色金融对技术创新的传导机制研究还有待进一步研究，目前鲜有关于绿色金融和区域创新能力直接相互作用关系的研究。

2 理论机制

现有研究主要聚焦政府干预、绿色金融对技术创新微观和中观层面 (企业和行业)的影响，鲜有对三者相互作用关系进行宏观 (地区和国家)研究，特别是对政府财政政策行为决策干预和区域创新能力之间关系的研究还存在空白。同时，由于政府干预和绿色金融与产业布局以及经济导向存在某种联系，因此有必要将政府干预、绿色金融和区域创新能力纳入统一的研究框架进行研究。

2.1 政府干预和区域创新

本研究基于宏观层面视角，对政府财政政策干预行为和区域创新的相互作用关系进行分析。当政府同时采取扩张性的财政政策和大力提倡科技创新的决策时，会导致公共研发支上升，创新主体对创新资源的争夺及寻租行为会加剧，社会研发成本上升，进而使得区域创新能力下降[13]。同时，在当前中国锦标赛体式的官员晋升体制下，地方官员作为首先考虑自身晋升的 “政治经济人”，会将政策和资源更多倾斜于技术成熟、周期短、短期回报率高的传统高耗能产业，以获得最大的经济增长效益，而非更倾向于支持短期经济效益回报较低的创新产业[14]。此外，由于扩张性财政政策加重了政府的财政压力，逐渐形成对区域内高技术产业的挤出效应，进一步降低区域创新能力；当政府采取紧缩性的财政政策时，由于政府的开支减少导致扶持总规模的缩小，更加剧创新主体 “拥挤”于有限的资源，同样抑制区域创新的提升。基于以上分析，提出假设H1:在当前中国的晋升制度和模式下，政府扩张性的财政干预和紧缩性的财政干预均显著抑制了区域创新。

2.2 绿色金融和区域创新

绿色金融是中国实现 “双碳”目标的助力之一，实现 “双碳”目标需要高新技术和清洁生产技术的支持，由于此类技术创新需要大规模的资金支持，因此绿色金融对区域创新活动的顺利开展尤为重要，特别是绿色股权投资对技术的创新和提升起到了重要作用[15]；其次，绿色金融可以引导稀有金融资源向低碳产业和创新产业集聚，支持区域的创新活动[16]。基于以上分析，提出假设H2:绿色金融显著地促进了区域创新能力的提升。

2.3 绿色金融、政府干预和区域创新

尽管绿色金融能够促使财政资源通过绿色金融工具向创新产业集聚，并对创新产业产生了正向传导作用，可以部分抵补政府干预所引起的资源错配，从而可能对政府干预产生的负面影响产生一定程度上的调节效应。但目前中国的绿色金融市场存在诸多现实困境，包括存在洗绿漂绿、交投不活跃等问题[17]，整体发展存在诸多缺陷，同时政府干预本身也会阻碍绿色金融发挥积极作用，因此绿色金融并不能抵补和矫正政府干预对区域创新产生的 “扭曲”效应，绿色金融和政府干预的联合效应仍旧会抑制区域创新。基于以上分析，提出假设H3:尽管绿色金融对区域创新具有促进作用，但其尚未能对政府干预形成显著的调节效应，绿色金融和政府干预对区域创新能力仍旧产生了负向的联合影响。

2.4 区域创新、政府干预和绿色金融的空间溢出效应

随着我国市场经济的迅速发展，省域间的经济交流日益密切，当前区域间的绿色金融资源交流机制尚不完善，加之资本和金融资源的相对稀缺，地方政府容易产生争夺资本和金融资源的 “零和博弈”思维，即希望虹吸其他地方的绿色金融资源，以谋求本省发展，同时也会出台措施限制区域内绿色金融资源的溢出，从而形成虹吸效应，不利于区域的协同发展，因此，本省的绿色金融发展会对其他省份区域创新能力的提升有负向传导作用。同理，区域创新能力因为省份间对创新资源的争夺而形成的资源虹吸现象，对自身也存在着显著的负向溢出效应。此外，政府干预会对本省的高新技术产业产生较强的挤出效应，促使创新资源外流，对他省的区域创新能力产生显著的正向传导作用。基于以上分析，提出假设H4:一省绿色金融发展对其他省份创新水平提升有显著的负向空间传导效应，具有虹吸效应；而一省的政府干预则对他省的区域创新水平提升有正向的空间传导作用。

3 模型构建、变量选取及空间分布

3.1 模型构建

(1)系统GMM模型构建。为了研究2007—2019年中国30个省 (区、市) (不包括港澳台及西藏)的政府干预和绿色金融对省域创新水平的影响，本文引入被解释变量区域创新能力一阶滞后项作为解释变量，同时引入系统GMM估计方法以解决内生性问题[18-19]，得到模型1。其次，为进一步研究政府干预和绿色金融对区域创新产生的联合影响，本文将解释变量政府干预 (GI)和绿色金融 (GF)的相乘交互项作为解释变量，构建模型2。

模型1:lnIUit=Φ+φIUi (t-1)+α1GIit+

α2GFit+∑βXit+εi (t-1)

(1)

模型2:lnIUit=Φ+φIUi (t-1)+α1GIit+

α2GFit+α3GIit×GFit+∑βXit+εi (t-1)

(2)

式中，区域创新能力 (IU)的对数值 (lnIU)为被解释变量；政府干预 (GI)和绿色金融 (GF)为解释变量；Xit代表控制变量的集合；Φ为常数项；φ为被解释变量区域创新能力 (IU)一阶滞后项的回归系数；α1、α2、α3分别为两个解释变量及其交互项的回归系数；β为控制变量的回归系数的集合；εt-1为残差项；i为省、自治区、直辖市；t为期数；t-1为滞后1期。

(2)空间计量模型构建。由于一个地区的政府干预和绿色金融不仅会影响当地的区域创新水平，同时其空间效应也会对与之经济活动和联系较为密切的地区产生影响，因此本文引入空间计量模型来考察2007—2019年中国各省份政府干预和绿色金融对区域创新能力的影响。本文参考Lesage等[20]的研究，分别构建如模型3～5的空间自回归模型 (SAR)、空间误差模型 (SEM)和空间杜宾模型 (SDM)。

模型3:lnIUit=ρW·Yit+α1GIit+α2GFit

+∑βXit+γt+uit+εit

(3)

模型4:lnIUit=α1GIit+α2GFit+∑βXit+γt

+λW·vit+uit+εit

(4)

模型5:lnIUit=ρW·Yit+α1GIit+α2GFit

+∑βXit+θW(GTPFit+∑βXit)+γt+uit+εit

(5)

式中，ρ和θ分别代表空间被解释变量和解释变量的滞后回归系数；α1为解释变量政府干预的系数，α2为解释变量绿色金融指数的系数；γt代表时间固定效应；uit代表空间固定效应；W代表空间权重矩阵；εit代表随机误差项。

3.2 变量解释与数据来源

(1)被解释变量:区域创新能力 (IU)。采用中国科技发展战略小组和中国科学院联合发布的 《中国区域创新能力评价报告》 (2007—2019)中省级 “中国区域创新能力综合效用值”综合得分作为被解释变量区域创新水平的代理变量，其测度包含省域知识创造、知识获取、企业创新、创新环境和创新绩效等维度，能够对区域创新能力进行客观评价。2007—2019年30个省份 (不包括港澳台及西藏)创新能力值的平均值如图1所示。

图1 2007—2019年省域创新能力年度平均值

(2)解释变量：政府干预和绿色金融指数。

①政府干预 (GI)。政府干预包括法律手段、经济政策和计划指导等，其中最为直接灵活的方式之一即为财政政策，因此本文采用财政政策干预作为政府干预的代理变量。现有研究多将财政支出和地区产出 (GDP)之比作为财政干预的测度指标[21]，这种测算方法仅考虑了扩张性质的财政干预度量，没有体现财政紧缩时政府的干预程度，因此本文作出修正,政府干预程度的测度公式为：

(5)

GI值越大，说明政府的财政政策干预程度越大。2007—2019年中国30个省份 (不包括港澳台及西藏)政府干预程度的平均值如图2所示。

图2 2007—2019年省域政府干预年度平均值

②绿色金融指数 (GF)。绿色金融涉及绿色信贷、绿色投资、绿色保险和政府支持，本文以此为基础，形成表1的指标体系，进而构成绿色金融发展水平综合测算体系。为了规避传统专家权重打分存在的主观性，本文采用熵值法对指标的权重进行客观赋值。

当单项指标正向和负向影响指标体系时，计算公式如下：

(6)

(7)

式中，xij表示指标数据进行正规化处理后的值，max{xj}代表第j个指标数据的最大值，min{xj}代表最小值。

表1 绿色金融指标测度体系

λij代表第j项指标在第i年的比重，λij的计算方法如式 (8)；信息熵ej的计算方法为：

(8)

(9)

则指标权重的计算为：

(10)

上述指标体系的相关数据来源于 《中国统计年鉴》、各省份历年的统计年鉴及 《中国保险年鉴》。2007—2019年30个省份 (不包括港澳台及西藏)绿色金融指数的平均值如图3所示。

图3 2007—2019年省域绿色金融指数年度平均值

(3)控制变量。鉴于政策、投资、工业规模等因素对区域创新能力可能产生影响，选取城镇化率 (UR)、财政透明度 (FT)、工业SO2排放量 (SE)、实际外商直接投资 (FDI)作为控制变量。其中，财政透明度数据来自 《财政透明度报告》中财政透明度指数，其余数据均来自 《中国统计年鉴》 《中国环境统计年鉴》和各省区的统计年鉴。各变量的描述性统计结果见表2。

(4)空间权重矩阵。本文的研究对象在经济关联度较高的地区之间可能存在溢出效应，故本文构建经济空间权重矩阵作为空间计量模型的空间权重矩阵，该矩阵可以较好地体现地区之间的经济关联程度。矩阵为：

表2 变量的描述性统计

(11)

式中，Wiθ代表i地区和θ地区之间的空间权重，yi为i地区的年均人均GDP，yθ为θ地区的年均人均GDP。

4 实证结果与分析

4.1 动态面板GMM分析

模型1和模型2的分析主要建立在基于动态面板的系统GMM模型基础上，以避免内生性问题，并采用自回归检验 (AR)检验判断扰动序列的相关性，以及用Hansen检验判定工具变量的有效性。模型结果见表3和表4。

表3中，模型1通过了自回归检验 (AR)检验和Hansen检验，模型1 (1)～ (4)中政府干预前的系数均在5%的显著性水平下显著为负，分别为-0.0355、-0.0621、-0.0645、-0.0520。可见政府干预对区域创新能力的提升产生了显著的抑制作用。这是因为，在经济绩效作为官员晋升考核主要指标的晋升锦标赛中[22]，由于传统高耗能产业具备技术成熟、周期短、短期回报高等特点，地方政府和政府主官会将更多地财政资源投入到传统产业当中，以获得晋升，从而形成 “为增长而竞争”的 “逐底竞争”陷阱，不利于区域提升创新水平；另一方面，政府会只针对特定的行业和技术进行扶持，以使区域创新路径只服务于政府的短期增长目标，并以此形成路径依赖，同样阻滞了区域创新水平。而表3中绿色金融指数的系数均显著为正，值分别为1.168、1.210、1.368、1.577，可见绿色金融的发展可以撬动稀有金融资源向低碳绿色产业和高新技术产业集聚，以此拉动区域创新水平的提升。

表3 模型1的参数估计结果

为了探究政府干预和绿色金融对区域创新能力的联合影响，本文引入两个解释变量的相乘交互项，参数估计结果见表4。

表4 模型2的参数估计结果

绿色金融和政府干预的交互项系数显著为负，可见由于当前中国的金融监管和发展并不完善，对传统产业绿色改造升级支持不足、围绕碳金融领域的业务开展困难等问题阻滞了绿色金融对政府干预的调节作用，使之无法抵补政府干预形成的负外部性，验证了H3的假设。

4.2 空间计量模型分析

(1)空间适用性检验。借鉴龙小宁等[23]的研究，通过全局Moran指数来讨论来模型变量在空间上的集聚状况，并以此检验变量的空间自相关性。全局Moran指数公式为：

(12)

当全局Moran指数绝对值越接近于1时，表明变量空间自相关性越强。

经测算，在经济空间权重矩阵下，考察期内30个省份的区域创新能力对数值、政府干预和绿色金融指数每一年的观测值都能在1%的显著性水平上拒绝无空间相关性的原假设，即表明本文核心变量观测值在经济空间权重矩阵下均存在显著的空间自相关。

(2)空间计量模型的识别、选择和检验。本文将从模型3～5中选择并检验适合本文的空间计量模型：首先采用Lesage等[24]的方法，基于非空间面板模型的OLS回归，通过构建残差的拉格朗日乘子 (LM)及其稳健形式 (Robust LM)，检验其在经济空间权重矩阵是否存在空间自相关性。其次，通过LR检验来确定时间固定效应、空间固定效应和双固定效应在模型中的适用性，之后通过Wald检验和LR检验来再次确定空间杜宾模型、空间自回归模型和空间误差模型在本次研究中的适用性。空间计量的识别和检验结果见表5。

表5中，在经济空间权重矩阵下，空间自回归模型和空间误差模型均在1%的显著性水平下通过了LM统计量及其稳健形式的检验，可见两个模型均存在空间自相关性，故本文选择空间杜宾模型作为本文分析的空间计量模型。此外，检验结果显示，LR检验则在1%的显著性水平上分别拒绝了时间固定效应和空间固定效应的原假设，因此本文选择双固定效应最为合适。同时，Wald检验和LR检验表明空间杜宾模型更优，且不会退化为空间自回归模型和空间误差模型。

表5 空间计量模型的识别和检验

综上所述，本文基于经济空间权重矩阵，选择具有双向固定效应的空间杜宾作为本文研究和分析的空间计量模型。

(3)空间杜宾模型回归分析。基于上述理论，本文采用模型5进行研究，本文在模型5中逐个加入控制变量并进行参数估计，估计结果见表6。

空间自回归系数基于经济空间权重矩阵通过了1%的显著性水平检验，其值分别为-2.005、 -1.965、-2.804、-2.767、-2.758，表明被解释变量区域创新能力在经济空间权重矩阵下，对自身有显著的负向溢出效应。证明在当前省域之间对创新资源争夺的虹吸效应显著，尚未实现区域协同发展。

表6 空间杜宾模型回归结果

政府干预的系数值分别为-0.0703、-0.0653、-0.0644、-0.0639、-0.0698，均通过了1%的显著性水平检验；绿色金融的系数则分别为1.131、1.007、1.026、1.136，均在1%的显著性水平下显著，空间杜宾模型主效应分析得到了同动态面板系统GMM估计基本一致的结论，同时验证了H1和H2的假设。

W×GI的系数分别为0.586、0.549、0.884、0.885、0.908，且均通过了1%的显著性检验，说明政府干预对区域创新能力具有显著的正向传导作用，可见假设H3中的政府干预挤出效应显著存在；W×GF的系数均在1%的显著性水平下显著，值为-3.534、-3.099、3.475、-3.864、-3.889，表明一省绿色金融水平基于经济空间权重矩阵对区域创新水平具有负向的空间传导作用，再次证明了区域间虹吸效应的存在，即一省绿色金融指数提升过程中伴随着对他省金融资源的争夺。

(4)扩展分析。鉴于中国的各大地理分区由于历史原因和社会发展水平不同存在区域发展差异，因此本文有必要将总体样本分割成东部地区、中部地区和西部地区三组样本，再次采用空间杜宾模型探究本文研究对象的空间异质性，分地区参数估计结果见表7。

表7 分地区参数估计结果

从分地区参数估计结果中，可以发现：

东部地区政府干预和绿色金融主效应系数和全样本情况基本一致。在溢出效应参数估计中，东部地区绿色金融发展同样因存在虹吸效应对区域创新产生显著的负向空间传导；但东部地区政府干预的空间溢出效应不显著，东部地区政府干预形成的挤出效应消失，这是因为东部地区经济社会发展水平相对发达，中西部省份的创新资源普遍流向东部，形成明显的地理 “极化”，政府干预形成的挤出效应被抵消。

中部地区参数估计结果和全样本情况基本一致。可见由于政策干预引起的区域创新水平抑制和绿色金融对创新能力的提升在中部地区普遍存在，但由于中部地区在经济发展和研发创新水平上仍与东部地区具有一定的差距，政府干预形成的挤出效应并未消失。

西部地区政府干预和绿色金融对区域创新水平的提升的主效应均不显著，这是因为西部地区由于创新资源的相对匮乏，政府干预和绿色金融发展均难以对区域创新能力提升产生影响。在溢出效应中，原先政府干预的挤出效应消失，这是因为西部区域间的经济活动联系较弱，一省的政府干预很难对他省的创新能力产生外溢效应。

(5)稳健性检验。首先，剔除第一年数据。2008年的全球性次贷危机促使中国政府调整了对金融市场监管的力度和措施，特别是对金融体系进行宏观审慎监管[25]，因此2008年之前的数据会给本文研究结果产生一定干扰，故本文剔除2007年数据，并重新进行参数估计，本文研究具有稳健性，见表8。

其次，剔除可能会引起干扰的样本。本文的研究样本包括了北京、天津、上海、重庆4个直辖市，这4个城市尽管都属于省级行政区划，但其地位在中国行政区划中具有特殊性，其金融市场活跃程度和财政决策可能对本文的研究产生干扰，因此本文剔除4个直辖市的样本并重新进行参数估计，估计结论和前文基本一致，证明本文研究具有稳健性。结果见表9。

表8 稳健性检验I：剔除第一年数据

表9 稳健性检验II：剔除可能会引起干扰的样本

5 结论和政策建议

5.1 结论

(1)在动态面板系统GMM估计下，政府干预显著抑制了区域创新，政府干预因为中国官员晋升锦标赛制度影响而陷入 “逐底竞争”陷阱，从而扭曲了本地区的技术创新。

(2)绿色金融发展能显著提升区域创新水平，是促进区域创新的重要抓手。

(3)绿色金融和政府干预的交互项系数显著为负，可见虽然绿色金融对政府干预产生的负外部性具有调节作用，但绿色金融对政府干预产生的负外部效应调节作用有限。

(4)基于空间杜宾模型主效应估计，结果与动态面板系统GMM估计基本一致，再次验证了绿色金融能够显著地提升区域创新水平，而政府干预显著抑制区域创新。

(5)基于空间杜宾模型空间溢出效应分析，绿色金融具有显著的负向空间传导效应，可见当前我国的区域之间存在对稀缺绿色金融资源争夺的虹吸效应；相反，政府干预形成的挤出效应则对区域创新具有显著的正向空间传导作用。

(6)基于分地区空间杜宾模型回归结果分析，我国中部地区的参数估计结果和全样本的情况基本一致；而东部地区的政府干预对创新产业的挤出效应由于创新资源和绿色资本在该地区的 “地理极化”而消失；西部地区则与全样本的差异较大，主要是由于西部地区的区域创新和绿色金融尚未形成规模效应，同时由于西部地区的区域经济联系不紧密，空间溢出效应并不显著。

5.2 政策建议

(1)改革官员政绩考核制度，更多地将区域创新指标纳入考核体系，以替换原先单纯考虑经济增长因素的方式，构建基于综合发展质量考量的科学考核制度，规避 “逐底竞争”。

(2)政府应加大对绿色金融产业的扶持，即需要通过政策倾斜，不断扩大绿色金融产业规模；另一方面也要建立科学的绿色金融考核体系，警惕和惩罚资本市场上存在 “洗绿” “漂绿”行为。同时鉴于绿色金融所支持的高技术产业现阶段存在着技术复杂、周期长、盈利低、信息不对称等问题，与金融追求短期盈利的惯性思维存在矛盾，政府也要制定长远的目标和时间表。

(3)减少地方政府财政对创新产业的不当干预，中央政府出台政策引导地方政府制定合理的财政政策和产业政策大力扶持创新产业的发展。要避免地方政府干预 “扭曲”市场，提升市场在资源和要素配置中的地位，同时地方政府需要出台相关办法和政策，将财政政策制定过程中的 “逐底竞争”思维转变为 “创新驱动”导向。

(4)要加致力消除区域间的虹吸效应，合理配置区域的创新资源和绿色金融资源，支持区域协同发展，将争夺创新资源的虹吸效应转变为资源共享的溢出效应。同时继续发挥东部地区的经济发展龙头效应，加大引资引技力度和提升自主创新水平，并引导东部地区技术和资源向中西部地区溢出，努力实现协同发展。