绿色金融对农业绿色发展影响的空间溢出和门槛效应研究——基于绿色全要素生产率的实证分析

肖晓军 胡明琪

（赣南师范大学经济管理学院，江西 赣州 341000）

一、引言

改革开放以来，中国农业经济取得了举世瞩目的成就，然而在农业经济快速增长的过程中，中国农业也面临着资源过度消耗、生态环境遭受破坏等诸多问题（杨骞等，2019），农业发展的可持续性面临挑战。党的十八届五中全会明确提出绿色发展理念，将推进绿色发展作为破解资源和环境约束的重要手段。2016 年中央一号文件中首次写入“农业绿色发展”。2021 年8 月23 日，农业农村部等多个部委联合发布了首个农业绿色发展规划——《“十四五”全国农业绿色发展规划》，可见农业绿色发展是当前高度关注的一个问题。

金融是现代经济的核心，对促进经济增长有着重要的作用，但是传统金融未充分考虑经济增长过程中出现的环境污染等问题。绿色金融则是指支持环境改善、应对气候变化和资源节约高效利用的金融活动（王遥等，2016），它兼顾了经济增长与环境保护，这与绿色发展的内涵高度契合，因而绿色金融对农业绿色发展具有重要意义。2015年，中共中央、国务院印发的《生态文明体制改革总体方案》首次提出“构建绿色金融体系”的总体目标。2016年，中国人民银行等七部委发布《关于构建绿色金融体系的指导意见》，构建了中国绿色金融发展的整体框架。2017年国务院决定在浙江、广东、贵州、江西和新疆等地设立绿色金融改革创新试验区。党的十九大报告把“发展绿色金融”作为推进绿色发展的重要手段。2021 年，中国“十四五”规划在构建绿色发展政策体系中提出要“大力发展绿色金融”。中共中央、国务院印发《关于完整准确全面贯彻新发展理念做好碳达峰、碳中和工作的意见》，要求积极发展绿色金融，支持碳达峰、碳中和工作。可见，近年来中国高度重视绿色金融的发展，并把绿色金融作为促进绿色发展目标的重要手段。随着中国绿色金融框架体系的初步建立和绿色金融体制机制的不断完善，绿色信贷、绿色债券等各种绿色金融产品迅速发展。在中国绿色金融工作取得较大成效的背景下，绿色金融发展是否促进了农业的绿色发展？其作用机制又是如何？这正是本文要深入探讨的两个重要问题。本文相关研究对于完善绿色金融体系建设、实现农业绿色发展都具有重要的现实意义。

二、文献综述

近年来，有关农业绿色发展问题受到学界广泛关注，也取得了丰富的研究成果，其主要包括两方面的内容。一方面是对农业绿色发展水平的测度。主要有两种不同的方法，一是通过构建指标体系，以综合指数来度量农业绿色发展水平。从测度范围来看，基于全国层面，巩前文和李学敏（2020）从低碳生产、经济增收、安全供给等维度选择10个三级指标的体系，测度2005—2018年中国的农业绿色发展指数。魏琦等（2018）构建包含资源节约、环境友好、生态保育和质量高效等维度14 个指标的中国农业绿色发展指数，对2012—2016 年全国农业绿色发展水平进行初步评估。基于特定区域层面，周静（2021）从资源节约、环境友好、生态保育、经济增长等方面构建包括12 个具体指标的农业绿色发展评价指标体系，考察长江经济带的农业绿色发水平。李菲菲等（2023）从资源节约、环境友好、产出效益等层面构建评价指标体系，运用熵权法测度环渤海地区农业绿色发展水平。基于省份层面，周纳等（2022）测度中国30 个省份的农业绿色发展综合指数；魏琳和张爱宁（2023）对甘肃省的农业绿色发展水平进行测量；虞俊等（2022）对江西农业绿色发展综合指数进行测度。二是通过参数分析法或非参数分析方法测度绿色发展效率指标，进而评价农业绿色发展水平。如王奇等（2012）、王留鑫等（2019）采用随机前沿参数分析法（SFA）测算农业绿色全要素生产率。葛鹏飞等（2018）使用基于SBM-DDF方法的Luenberger指数对2001—2015年中国31 个省份的农业绿色全要素生产率进行测算。郭海红和李树超（2022）采用全局GML指数测算中国农业绿色全要素生产率的增长率。刘亦文等（2021）采用非期望MinDS超效率-MetaFrontier-Malmquist 模型对中国及八大经济区的农业绿色全要素生产率进行测算。

另一方面是对影响农业绿色发展水平的因素进行分析。叶初升和惠利（2016）研究发现农业财政支出能够促进绿色生产率增长，但存在滞后效应。金芳和金荣学（2020）从农业产业结构合理化和高级化两个维度考察农业产业结构对农业绿色生产率的直接影响与间接溢出效应，结果发现农业产业结构是影响农业绿色生产率增长的重要因素。李健旋（2021）采用动态空间面板模型实证研究显示，农村金融发展规模的增加、金融发展结构的优化以及金融发展效率的提高均有利于农业绿色全要素生产率提升，但其作用机制存在显著差异。孙淑惠等（2023）构建时空双固定的空间杜宾模型，研究揭示数字乡村发展能显著提高本省份农业绿色全要素生产率，但对相关联省份具有负向溢出效应。刘战伟（2021）通过构建空间计量模型和面板门槛模型，研究显示新型城镇化抑制了农业绿色全要素生产率，但随着经济发展水平的提高，这种抑制作用在减弱。张志新等（2023）研究高标准农田建设政策对农业绿色发展的影响，结果表明高标准农田建设政策的实施有助于促进农业绿色发展。

综上所述，目前关于促进农业绿色发展方面的研究主要从农业财政支持、农业结构、农村金融支持、城镇化程度等角度进行探索。绿色金融对绿色发展的影响主要还是聚焦于整体经济或工业部门的研究，针对农业部门的研究仍相对较少，部分研究如张露等（2019）、徐绍峰（2021）、孙越彤（2022）等也仅从理论层面分析了绿色金融支持农业绿色发展的现状、问题、路径以及措施，Li et al.（2023）、Mo et al.（2023）对相关问题进行了实证研究，但目前同时考虑空间溢出效应和门槛效应的研究仍相对较少，不利于全面了解绿色金融对农业绿色发展的影响，并难以为相关政策的制定提供科学指导。基于此，本文通过构建农业绿色发展重要影响因素的扩展理论框架，并构建省级面板数据空间计量模型和门槛效应模型，实证分析绿色金融发展对农业绿色发展影响的空间溢出和门槛效应，以期为完善绿色金融政策、促进农业绿色发展提供参考。

三、理论分析与研究假设

（一）绿色金融促进农业绿色发展的机制

绿色金融的发展可以通过缓解农业发展投入资金的不足，为农业绿色发展提供资金支持等方式促进农业绿色发展。首先，绿色信贷、绿色债券和绿色基金等绿色金融工具，可以引导资本要素向乡村旅游、农村电商、循环农业、智慧农业等乡村新业态流动，满足生态友好型农业产业对资金的需求（刘晶和刘锦，2022），促进农村产业结构绿色升级，减少对资源的依赖。其次，在资源节约利用上，绿色金融能满足农业污染综合治理、畜禽粪污资源化利用、秸秆综合利用、农膜农药包装物回收等方面的融资需求（庞洁等，2022），有利于采用新设备、新技术提高资源利用效率。再次，在农业绿色发展基础设施建设上，绿色金融可以为农业的基础设施建设、农业环境综合治理、农田水利建设等领域提供资金（庞洁等，2022），为农业资源保护、农业绿色发展提供基础条件。最后，绿色金融中的农业绿色保险可以为气候风险、自然灾害、节能减排项目、环境污染责任等方面提供风险保障，通过风险保障机制增强了农民绿色生产的信心，提升农户低碳生产的积极性（王悦，2019），有利于农户积极开展节能减排。此外，绿色金融还可以改变农业生产方式，提高农业生产集约化水平，如通过支持智能水肥一体化生产、畜禽规模化养殖、水产养殖池塘标准化改造等，促使粗放发展的小农生产走向绿色低碳、循环发展的现代农业发展轨道（刘晶和刘锦，2022），提高农业的绿色生产效率。据此，本文提出以下待验证的假设H1：

H1：绿色金融能促进农业绿色全要素生产率提升。

（二）绿色金融促进农业绿色发展的空间溢出效应

地理学第一定律表明多数空间数据都存在空间相关性（Abreu et al.，2005），而且随着地区之间信息化、网络化的逐步发展，制度障碍的消除以及交通基础设施的改善，每个经济单元不会孤立存在，都会与邻近地区产生密切的经济交流，本地区的政策行为会外溢至邻近区域，从而对邻近区域的发展产生影响（伍骏骞等，2021；Cao et al.，2022）。本地绿色金融发展能通过“模仿-学习”和经济间的关联产生空间溢出效应，周边省份会通过模仿学习绿色金融发展程度高的省份，而提升其绿色金融水平，从而提高其生态环境质量（Xie et al.，2020；Li and Gan，2021）。另外，某一个地区的绿色发展水平高，会通过当地与邻近地区之间的产业关联，倒逼邻近地区提高绿色发展水平。由于本质上绿色金融是一种环境规制措施，依据“污染天堂假说”，当某一个地区环境规制趋严后，为规避遵循成本，污染产业就会迁移到环境规制相对较弱的地区，因而当某一个地区绿色金融发展水平提高时，污染产业会迁移至邻近的绿色金融发展水平较低的地区，导致邻近地区的生态环境质量下降（朱敏等，2022；Huang &Chen，2022）。基于以上分析，本文提出以下待验证的研究假设：

H2：绿色金融对农业绿色全要素生产率发展影响具有空间溢出效应。

（三）绿色金融对农业绿色发展的非线性影响

绿色金融对农业绿色发展的影响可能是非线性的。首先，在绿色金融发展初期，农村企业和农户由于信贷门槛的提高，受到融资约束，同时需要在环境保护、节能减排上投入更多的合规成本，不利于农业绿色全要素生产率的提升。在企业和农户进入绿色发展轨道后，随着绿色金融的进一步发展，企业和农户将会获得更多的资金支持，这将有利于农业绿色全要素生产率的提升。其次，绿色金融对农业绿色发展的作用可能还受农村人力资本水平影响，在人力资本水平低的地区，农业绿色发展理念的建立、绿色金融工具的应用都会受到一定的限制，不利于绿色金融效应的发挥。再次，绿色金融对农业绿色发展的作用可能还受财政支农水平的影响。绿色项目由于其外部性，投资回报率一般都较低，要使绿色金融在农村广泛推广并得到应用，离不开财政的贴息、补贴等方式的支持，因而财政支农水平的提升将会有利于绿色金融效用的提高。综上，本文提出以下待验证的研究假设：

H3：绿色金融对农业绿色全要素生产率的影响是非线性的，并受农村人力资本水平、财政支农水平变量的调节作用影响。

四、研究设计

（一）模型设定

1.普通面板模型设定

为检验本文提出的假设，本文构建以下普通面板模型来进行实证检验：

式（1）中，下标i代表各省份；下标t代表时间，考虑到数据可得性，本文选取中国2010—2021 年30 个省份数据为样本（由于西藏以及港澳台数据严重缺失，故排除）。被解释变量AGTFP为农业绿色全要素生产率。核心解释变量GF代表绿色金融发展水平指数。X为一系列控制变量。μ代表截面固定效应，γ代表时间固定效应，ε为随机扰动项。

2.空间效应模型设定

对于空间效应，本文构建空间面板计量模型来进行实证检验。空间面板计量模型主要可以分为空间滞后模型（SLM）、空间误差模型（SEM）和空间杜宾模型（SDM）。SLM 模型假设空间溢出效应是通过自变量的空间交互作用对其他地区的经济产生影响，SEM模型假设空间溢出效应是由随机冲击造成的，而SDM模型则同时考虑了因变量的空间滞后项和自变量的空间滞后项。各模型的设定具体如下。

空间滞后模型（SLM）为：

空间误差模型（SEM）为：

空间杜宾模型（SDM）为：

式（2）至（4）中，W为空间权重矩阵，c为常数项，ρ为空间自回归系数，反映了邻近地区农业绿色发展对本地区农业绿色发展的空间溢出效应，λ为空间自相关误差项的待估计系数，也被称为空间自相关系数，θ为解释变量的空间滞后项回归系数，反映了邻近地区自变量对本地区农业绿色发展的空间溢出效应。

3.门槛效应模型设定

为检验绿色金融影响农业绿色全要素生产率的非线性关系，以及环境条件（如人力资本水平、财政支持力度）是否会对两者之间的影响起到调节作用，本文将以绿色金融发展水平（GF）、农村人力资本水平（Human）和财政支农力度（Fiscal）为门槛变量，基于Hansen（1999）的非线性面板门槛模型，构建如下门槛效应模型来进行检验：

式（5）～（7）中，γ1、γ2、…、γn为待估的门槛值，I(·)表示示性函数。

（二）变量定义与数据来源

1.被解释变量：农业绿色全要素生产率（AGTFP）

本文用农业绿色全要素生产率（AGTFP）来衡量农业绿色发展水平，该指标通过数据包络分析法（DEA）来进行测度。传统的DEA 模型认为在生产过程的高效率表现为投入少、产出高，而实际上，在经济生产过程中，既伴随着期望产出，如国内生产总值，又伴随着非期望产出，如二氧化碳的排放。因此，绿色低碳发展的高效率应该表现为投入少、期望产出高、非期望产出少（孙景兵和薛倩，2022）。传统的DEA模型无法区分期望和非期望产出，故Tone（2001）构造了基于松弛变量的SBM 模型，将松弛变量直接纳入目标函数。Tone（2004）将非期望产出加入SBM模型，这样不仅克服了投入与产出变量的松弛问题，而且还能区分期望和非期望产出，能够有效测算环境效率。SBM 模型的效率值不能超过1，无法对这些有效单元进行进一步比较与排序，而超效率SBM 模型则允许效率值大于1，从而使得各个有效单元可以相互比较（林峰，2022）。因此，本文选用包括非期望产出的超效率SBM 模型来测度农业绿色全要素生产率，可以提高结果的可靠性，对效率进行更为客观评价。具体形式可表达如下：

在此测度基础上，AGTFP指数可表达为：

若AGTFPit＞1，表示农业绿色全要素生产率上升；反之，表示生产率下降。而且AGTFP指数还可进一步分解为绿色技术进步（GTC）指数和绿色技术效率变化（GEC）指数：

式（10）中，GECt,t+1为技术效率变化，GECt,t+1＞1时，说明效率提升；GECt,t+1＜1 时，说明效率下降。GTCt,t+1为技术进步率，GTCt,t+1＞1 时，说明技术进步；GTCt,t+1＜1时，说明技术退步。

上述的AGTFP指数是以前一年为基期计算得来的环比值。在实证分析中，为了更好地反映出变化的时间趋势，本文以2009 年为基期对指数进行累积化处理。

在测度农业绿色全要素生产率时，借鉴已有研究，本文选取5个投入变量和2个产出变量（包括1个期望产出变量和1个非期望产出变量），具体如表1所示。表1 为各投入变量和产出变量的具体说明。第一，劳动力投入。由于在官方的统计资料中，并未单独公布农业劳动力的数据，本文以每年第一产业从业人数与农业总产值的乘积在第一产业中的占比计算得到。第二，土地投入。以农作物的总播种面积度量。第三，机械投入。以农业机械总动力计算。第四，化肥投入。以用于农业生产的化肥折算量来度量。第五，期望产出。以农业总产值来衡量，并以2009 年为基期进行平减。第六，非期望产出。以农业碳排放量来度量，具体包括化肥、农药、农膜、农用柴油、灌溉引发的CO2排放量。各碳源的排放系数（每一千克碳源引发的碳排放量的千克数，其中灌溉为每一公顷土地灌溉引发的碳排放量的千克数）分别为：化肥（0.8956）、农药（4.9341）、农膜（5.1800）、农用柴油（0.8864）、灌溉（266.4800）。以上的原始数据均出自《中国农村统计年鉴》《中国统计年鉴》《中国农业年鉴》等。

表1 测算农业绿色全要素生产率的投入产出指标

2.核心解释变量：绿色金融发展水平（GF）

本文采用绿色金融发展综合指数的对数度量绿色金融发展水平，其测度方法为从绿色信贷、绿色股票、绿色保险、绿色投资4个维度选取指标体系，采用熵权法来确定权重。借鉴高锦杰和张伟伟（2021）、张婷等（2022）的研究，以上各指标的度量方法见表2。以上原始数据来源于《中国工业统计年鉴》、Wind 数据库、《中国保险统计年鉴》以及《中国环境统计年鉴》。

表2 绿色金融综合评价指标体系

3.控制变量

考虑到可能存在其他因素影响农业绿色生产率，为了消除其他因素的影响，本文还选取财政支农水平、农业产业结构、农村人力资本状况、环境规制变量作为控制变量。各变量的测算方法如下：第一，财政支农水平（Fiscal），由农村人均农林水事务财政支出的对数来度量；第二，农业产业结构（Structure），用各省份粮食作物播种面积占农作物总播种面积之比来表示；第三，农村人力资本状况（Human），采用农村居民平均受教育年限的对数来衡量①其计算方法为：农民平均受教育年限=（小学教育人数×6+初中教育人数×9+高中教育人数×12+大专及以上教育人数×16）÷6岁以上人口数。；第四，经济发展水平（pgdp），以地区人均GDP的对数来衡量；第五，环境规制（Regulation），从国内外现有文献看，迄今还没有一种公认的度量指标，由于中国目前主要还是以自上而下的命令型环境规制为主，故本文采用各省份当年颁布的环境规制政策数量加1 的对数（为了消除0 值影响）来表征，数量越大环境规制强度越强。以上各变量的原始数据来源于《中国财政统计年鉴》《中国统计年鉴》《中国人口与就业统计年鉴》《中国环境年鉴》。

为直观地揭示各变量的特征，对各变量的描述性统计详见表3。

表3 各变量的描述性统计

五、实证结果与分析

（一）普通面板模型回归结果

Hausman 检验结果表明本文样本适合采用固定效应模型（FE），同时年度虚拟变量联合检验结果显示拒绝“无时间效应”的原假设，表明存在时间效应，因此本文最终选用个体和时间双固定效应模型，估计结果见表4。为了对比，本文也给出了不控制时间效应的估计结果，如表4 的（1）、（2）列所示。从表4 的（4）列可以看到，绿色金融发展水平的估计系数为0.5031，且在1%水平下显著，表明绿色金融发展能提升农业绿色全要素生产率，有利于促进农业绿色发展。验证了假设H1。

表4 普通面板模型回归结果

从控制变量来看，经济发展水平的估计系数为正，且在1%置信水平下显著，表明经济发展水平越高的地区其农业绿色发展水平越高，经济发展水平越高意味着人们对生活生产的环境要求也将越高，这可能驱动农业的发展更加重视环境保护。财政支农水平的估计系数并不显著，表明财政支农目前主要的目标可能还是以农业的经济增长、农民的收入增加为主。农业产业结构的估计系数显著为负，表明粮食作物播种面积占比增加不利于农业的绿色发展，这可能与我国目前种植粮食的生产方式还相对粗放，规模经济未充分释放，化肥、农药等使用量过大等因素有关。农村人力资本的估计系数虽然为正，但不显著，表明农村人力资本的提高还未能在农业绿色发展中发挥出显著作用。环境规制的估计系数显著为负，表明环境规制强度增加不利于农业的绿色发展，可能与农业发展还未能适用环境规制所带来的影响有关。

（二）空间计量模型分析

1.空间自相关检验

（1）全局莫兰指数。采用空间计量模型的必要前提是变量的空间相关性，为此，需要考察绿色金融和农业绿色全要素生产率在空间上的关联特征。空间相关性包括全局空间自相关和局部空间自相关。检验全局空间自相关一般采用全局莫兰（Moran’s I）指

数来度量，其计算公式如下：

全局Moran’I 的取值范围为［-1，1］，若Moran’I大于0，则表明变量存在空间正相关，即存在“高高”、“低低”的聚集态势；若Moran’I小于0，则表明变量存在空间负相关，即存在“高低”、“低高”的集聚态势；若Moran’I 等于0，则表示变量不存在空间相关性，即变量是随机分布的。

表5给出了绿色金融和AGTFP的全局Moran’I指数的检验结果。从绿色金融全局Moran’s I检验结果来看，2010—2021 年都显著为正，且基本围绕在0.2上下浮动，说明绿色金融存在空间正相关性，但这种相关性随时间变化不大。从AGTFP的全局Moran’s I检验结果来看，虽然在早期大部分年份未通过显著性检验，但从演变过程来看，指数值呈现出由负到正逐步增大和显著性也逐步增强的规律，表明AGTFP的空间正相关性在逐步增强。

表5 2010—2021年各省份GF和AGTFP全局莫兰指数

（2）局部莫兰指数。全局Moran’s I 无法反映省份之间的差别，不能揭示各个省份的局部空间相关情况，为此，本文还进一步通过计算局部Moran’s I指数来进行局部空间相关性分析。局部Moran’s I指数表示单元i与其相邻单元的空间相关性，其计算公式为：

图1为2010年和2021年全国绿色金融的局部空间莫兰散点图，图2 为2010 年和2021 年AGTFP的局部空间莫兰散点图（由于篇幅原因，仅汇报了2010和2021两年的结果）。从图1可以看到，无论是2010年还是2021 年，各省份的绿色金融指数的莫兰指数所对应的点大部分落在一、三象限，表明绿色金融指数呈现出较强的空间正相关性，即“高高”和“低低”集聚态势。各省份的AGTFP的莫兰指数所对应的点在2010年大部分落在二、四象限，即呈现出空间负相关性，而到2021 年大部分点落在一、三象限，各省份的AGTFP已呈现出空间正相关性。以上空间自相关检验说明本文采用空间计量模型较为恰当。

图1 2010年、2021年绿色金融指数的局部莫兰指数散点图

图2 2010年、2021年AGTFP的局部莫兰指数散点图

2.模型选择的检验

首先，通过LM 检验（包括LM-Lag、LM-Error、RLM-Lag、R-LM-Error统计量检验）来进一步确认采用空间计量模型的合理性。表6的检验结果显示，各检验结果均在1%水平下显著，表明选择空间计量模型更具合理性。其次，由于一般常见的空间计量模型包括空间滞后模型（SLM）、空间误差模型（SEM）和空间杜宾模型（SDM）三种，具体采用哪种模型，可通过LR似然比、Wald 检验来确定，表6 的检验结果显示各检验结果也都在1%下显著，表明空间杜宾模型（SDM）优于空间滞后模型（SLM）和空间误差模型（SEM）。最后，采用Hausman检验来确定采用固定效应还是随机效应，表6 的结果表明固定效应优于随机效应，同时根据Elhorst（2010）的研究结论认为采用时空双固定的SDM的估计结果要优于个体固定效应，因而，本文最终选择使用个体、时间双固定的SDM 模型进行回归分析。

表6 空间计量模型选择检验

3.空间计量回归结果

本文主要依据SDM模型进行分析，但为了对比，也同时给出了SLM、SEM 模型的估计结果（见表7）。从SDM模型的估计结果可以看到，一方面，绿色金融直接效应（GF）的估计系数为0.4023，且在5%水平下显著，并且绿色金融空间溢出效应（W×GF）的估计系数为0.2126，在5%水平下显著，表明本省份和邻近省份绿色金融发展均能对本省份农业绿色全要素生产率起到正向促进作用。假设H2得到印证。另一方面，AGTFP的空间滞后项估计系数（ρ）大于0 且显著为正，表明省域间AGTFP存在着比较明显的空间正向溢出效应，这与前文空间自相关检验的结论较为一致，邻近省份AGTFP每提高1 个单位，本省的AGTFP将会提高0.1577个单位。

表7 空间计量模型回归结果

4.空间效应分解

在空间计量模型中，由于空间关联作用，一个地区某一变量的变化不但会通过直接效应影响到该地区自身，而且还会通过空间溢出效应对周边地区产生影响，因此模型（4）中各解释变量的估计系数值并不能直接反映其对被解释变量影响效应的大小，只能反映其影响方向和显著性。要得到其影响效应的大小，还需要借助Pace &Lesage（2009）所采用的偏微分方式，将解释变量影响被解释变量的总效应分解为直接效应和间接效应，从而具体确定影响效应的大小。表8 是各解释变量总效应的分解结果，从中可知，绿色金融对农业绿色发展的直接效应为0.3676，间接效应为0.2421，总效应为0.6097，且在1%或5%水平下显著。与不考虑空间溢出效应的表4 的普通面板模型估计结果相比，这里绿色金融的总效应系数值明显更大，这意味着如果忽略空间因素将可能会低估绿色金融对农业绿色发展的影响效应，进一步表明采用空间模型的必要性。

表8 各解释变量总效应的分解

5.稳健性检验

（1）采用绿色金融滞后一期。绿色金融可以影响农业绿色发展，同时，农业绿色发展需求可能倒逼绿色金融发展，也就是说绿色金融与农业绿色发展之间可能存在双向因果关系。为避免或减弱双向因果所导致内生性问题而带来的估计偏误，本文将绿色金融滞后一期作为解释变量构建空间面板模型来分析绿色金融对农业绿色发展的影响，结果见表9的（1）列。可见绿色金融估计系数在1%水平下依然保持显著为正，表明绿色金融能驱动农业绿色发展的结论稳健。

表9 各种稳健性检验

（2）更换空间权重矩阵。采用地理距离和经济距离矩阵作为空间权重矩阵来替代地理邻接权重矩阵。地理距离权重矩阵第i行第j列元素计算如下：

dij表示地区i与地区j间省会城市间的距离（km），如果i等于j则取0。经济距离权重矩阵第i行第j列元素计算如下：

表示2010 年至2021 年地区人均GDP 的均值（万元/人）。估计结果见表9 的（2）、（3）列，可见绿色金融的直接和间接效应均显著为正，结论与前文一致。可以注意到，基于经济距离矩阵权重下的绿色金融空间溢出效应为0.2431，要大于基于地理距离矩阵权重的溢出效应（0.2102）和空间邻接矩阵权重的溢出效应（0.2126），表明绿色金融影响农业绿色发展的空间溢出效应更易发生在经济发展水平接近的省份之间。

（3）重新测算绿色金融发展水平综合指数。在前文的估计中，绿色金融发展水平综合指数是由熵值法测算而得，为了考察结果的稳健性，本节改变指数测算方法，采用主成分方法进行降维，提取主要成分，计算出各指标的权重，重新测算出绿色金融发展水平综合指数，然后再进行回归，结果见表9 的（4）列，可见绿色金融的直接和间接效应依然显著为正，结论与前文一致。

（4）剔除特殊地区。考虑到北京、天津、上海、重庆四个直辖市与一般的省份相比，具有特殊的行政地位，为了使研究对象更具有可比性，避免行政因素和其他因素对模型估计结果产生干扰。本文剔除这四个直辖市，得到新样本，重新估计模型。表9的（5）列显示绿色金融直接效应和间接效应均显著为正，结论依然稳健。

6.异质性检验

（1）区域异质性。中国地域辽阔，地区发展水平、要素禀赋差异明显，这可能导致各地区绿色金融驱动农业绿色发展效应并不一致。为检验绿色金融效应的地区异质性，本文基于中国东、中、西部三个地区的划分，进一步实证分析绿色金融对不同地区农业绿色发展的影响效应②东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南，中部包括山西、内蒙古、吉林、黑龙江、安徽、江西、河南、湖北、湖南，西部包括重庆、四川、陕西、云南、贵州、广西、甘肃、青海、宁夏、新疆。，表10报告了估计结果。从中可以看到，在东部地区绿色金融的直接效应和间接效应均显著为正，表明东部地区农业绿色全要素生产率不仅受到本地绿色金融发展的影响，而且还受到邻近地区绿色金融发展的影响。在中、西部地区仅有绿色金融的直接效应显著为正，而间接效应虽然为正，但均不显著，表明在中、西部地区农业绿色发展主要受本地绿色金融的影响。出现以上结果的原因可能是东部地区交通、信息等方面互联互通要比中、西部地区更具有优势，一个省份绿色金融制度、产品的创新更易被邻近地区效仿而溢出，从而促进邻近地区农业绿色发展。

表10 区域异质性检验结果

（2）作用路径异质性。本文把AGTFP指数按式（10）分解为绿色技术进步指数（GTC）、绿色技术效率指数（GEC），并以它们为被解释变量，绿色金融发展指数作为核心解释变量，利用SDM 模型来分析绿色金融发展对不同作用路径的差异，结果见表11。从中可以看到，绿色金融对绿色技术进步指数的直接和间接效应回归系数显著为正，而对绿色技术效率指数的直接和间接效应回归系数为正但不显著，表明绿色金融发展仅能通过促进农业绿色技术进步渠道来提升农业GTFP，而对农业绿色技术效率还未产生正向促进作用。

表11 绿色金融影响农业绿色发展的作用路径差异

（三）门槛效应分析

1.门槛效应检验

在进行门槛效应估计前，首先要对门槛效应以及门槛值进行检验和测算，表12和表13报告了结果，从中可以看到，绿色金融发展水平、农村人力资本水平、财政支农水平门槛变量，都仅有单一门槛模型显著，而双重门槛和三重门槛模型并不显著。研究结果表明它们对绿色金融促进农业绿色发展的影响都仅存在单一门槛效应，其门槛值分别为-0.9014、2.1842、0.8421。

表12 门槛效应自抽样检验

表13 门槛估计值和置信区间

2.门槛模型估计结果

表14 报告了门槛模型（5）、（6）、（7）的门槛估计结果。从绿色金融门槛效应模型估计结果来看，绿色金融在大部分区间的估计系数都显著为正：当绿色金融发展水平的对数小于等于-0.9014 时，估计系数为0.3788；当绿色金融发展水平的对数大于-0.9014 时，估计系数为0.6544。这表明随着绿色金融发展水平的提升，其促进农业绿色发展的作用在增强。

表14 面板门槛模型估计结果

从农村人力资本水平门槛效应模型估计结果来看，绿色金融在各区间的估计系数也都显著为正：当农村人力资本水平小于等于2.1842时，绿色金融估计系数为0.3318，而当农村人力资本水平大于2.1842时，绿色金融估计系数为0.6010。这表明在农村人力资本水平高的地区，绿色金融促进农业绿色发展的作用将更大。

从财政支农水平门槛效应模型估计结果来看，绿色金融在财政支农水平小于等于0.8421时，其估计系数不显著；仅当财政支农水平大于0.8421 时，其估计系数才显著为正。这表明提升财政支农水平是绿色金融发挥作用的一个必要条件。综上可知，绿色金融对农业绿色发展的影响具有非线性关系，而农村人力资本水平和财政支农水平对二者的影响路径具有调节作用。假设H3得到验证。

六、结论与政策建议

本文以2010—2021 年中国30 个省份为研究对象，在运用超效率SBM 模型测度农业绿色全要素生产率，通过熵值法构建绿色金融发展指数的基础上，构建空间计量模型，实证检验绿色金融对农业绿色全要素生产率增长的影响。结果发现，绿色金融能显著促进农业的绿色发展且具有显著的空间溢出效应，即本地农业绿色全要素生产率不仅受到本地绿色金融发展的影响，还受到邻近地区绿色金融发展的影响。在不同区域绿色金融发展的影响存在异质性，东部地区直接效应和空间溢出效应均显著，而在中、西部地区仅为直接效应显著，空间溢出效应还不显著。机制检验显示，绿色金融能通过促进绿色技术进步渠道来促进农业的绿色发展，而绿色技术效率渠道还没有起到显著的作用。

鉴于此，本文提出如下建议：第一，基于绿色金融能够促进我国农业绿色发展的经验事实，应进一步完善激励金融机构发展农村绿色金融的体制机制、统一农村绿色项目认定，加大财政贴息、补贴以及优惠利率、绿色专项再贷款、定向降准等财政、货币政策支持力度，在绿色信贷、绿色债券、绿色保险、绿色投资等方面全面发力，促进农村绿色金融全面发展，持续巩固绿色金融为农业绿色发展所带来的红利。第二，绿色金融对农业绿色发展存在显著的空间溢出效应，故还应加强各地区绿色金融政策的协调统一力度，以充分释放绿色金融对农业绿色发展的空间贡献能力，进而推动区域内农业绿色生产率的整体改善。第三，从各地区来看，东、中、西部绿色金融对农业绿色发展的影响呈现显著差异，意味着各地区应在巩固绿色金融带来农业绿色发展红利的基础上实施差异化的绿色金融发展战略，在已展现绿色金融作用的地区和领域加以巩固，在未展现绿色金融作用的地区和领域持续发力。第四，将绿色信贷业务纳入银行绩效考核，激励各地区金融机构提高绿色金融政策执行水平，减少向不符合绿色政策的企业和项目提供金融服务，引导更多资金流向绿色项目，以更好地发挥绿色金融通过农业绿色技术效率渠道来促进农业绿色发展的效应。