科技和金融结合与城市绿色创新——基于“科技和金融结合试点政策”的评估

□ 吴世杰

一、引言

无论是传统经济学理论中对于技术创新重要性的诠释，还是历次工业革命中，科技进步在经济发展转型中发挥的决定性作用，都印证了技术创新之于经济发展的重要意义。因此，在我国迈向绿色发展转型之路的历史性阶段，探究如何进一步加快绿色创新步伐，以绿色创新推动绿色经济转型，对实现我国高质量发展具有重要意义。

绿色创新水平的提高需要科技和金融支持，科技推动了绿色创新的研发步伐，金融缓解了绿色科技公司的融资困境。因此，在以科技与金融引领为突出特征的第四次工业革命拉开序幕之际，如何运用科技和金融手段，促进绿色创新水平的持续提升，是我国争取发展先机，进而实现经济发展绿色转型的关键。

为探索科技和金融结合的模式，包括科技部在内的五部门，分别于2011年与2016年，颁布并推广了“科技和金融结合试点政策”（以下简称科技金融政策）。在此背景下，本文利用科技和金融结合试点政策这一自然实验，从理论与实证层面，系统研究了科技和金融结合对城市绿色创新的影响。一方面，可借助试点政策这一准自然实验，在一定程度上缓解可能存在的内生性问题。另一方面，通过评估“试点先行”背后的政策效应，为进一步制定科学而细化的政策，促进我国绿色创新水平的持续提升提供依据。

二、文献综述与理论分析

（一）文献综述

绿色技术创新的重要性不言而喻，因此，针对如何驱动绿色技术创新，既有研究已是硕果累累。现有关于绿色创新的研究视角主要可以归纳为三大角度：政府宏观政策、社会特征属性以及企业微观治理。在政府宏观政策视角，绿色信贷政策借助代理成本降低作用和投资效率提升作用，从而促进绿色创新数量，但对绿色创新质量提升不明显（王馨和王营，2021）。同时，得益于绿色信贷政策引致的遵循成本效应与信贷约束效应，高污染企业技术创新会有所降低（陆菁等，2021）；智慧城市政策（吴鸣然和黄卫东，2023）、低碳城市试点政策（邓世成等，2023）可以有效激励城市绿色创新能力的提升，而碳排放权交易政策能激发企业绿色技术创新（李创等，2023）。在社会特征属性视角，媒体关注虽然能够提高重污染企业的绿色技术创新绩效，但过于严苛的宏观环境规制、过于激烈的中观市场竞争，以及过于松散的微观内部控制，均会减弱媒体关注的正向影响（张玉明等，2021）；城市财富存在绿色技术自选择效应并呈现自我强化特性，即富者更有能力和更富有责任地选择绿色技术（董直庆和王辉，2021）。在企业微观治理视角，董事会治理会在环境规制促进企业绿色技术创新提升中发挥正向调节作用（王锋正和陈方圆，2018）；高管薪酬激励的创新补偿效应能够提升财税补贴政策对企业绿色创新的平滑效果，从而提升企业绿色创新能力（王旭和王非，2019）。

关于科技和金融结合的研究，国外学者主要论证了金融与技术创新之间的关系，以及金融发展、金融改革等对技术创新的影响（Ang，2014）。而我国学者在赵昌文等（2009）提出的科技和金融结合定义基础上，聚焦于研究科技和金融结合以及试点政策的经济效果。研究发现，科技和金融结合试点政策有助于推动产业结构升级（胡欢欢和刘传明，2021），进而对环境污染具有明显的抑制作用（汪克亮和姜伟，2022），且提升了城市碳排放绩效（江三良和贾芳芳，2023）。而关于科技和金融结合对于技术创新的研究结论并不一致。李永等（2015）研究发现，公共科技金融资源对企业研发投资具有显著的挤出效应，而芦锋和韩尚容（2015）却认为，在技术创新、成果转化以及产业化阶段，科技金融对技术创新的作用不可一概而论，具有显著差异性。此外，郑石明等（2020）研究发现，科技金融政策对技术创新具有直接和间接的促进作用。

既有研究对于科技和金融结合以及城市绿色创新进行了诸多探讨，为本文研究奠定了坚实的基础，但是仍有不足之处。其一，对于科技金融的绿色创新效应尚缺乏研究，且未处理其内生性问题。其二，对于科技和金融结合影响城市技术创新，特别是绿色创新的机制，既有研究多从金融发展等角度进行研究，但忽略了人才这一根本性要素的重要作用。其三，对于科技和金融结合试点政策的空间溢出效应缺乏细致考察，政策效应评估尚不全面。

因此，相比较以往文献，本文的创新点在于：第一，基于科技和金融结合这一视角，利用科技和金融结合试点政策这一自然实验，考察科技和金融结合政策的绿色创新效应，并利用中华老字号这一历史变量作为工具变量，进一步缓解内生性问题。第一，聚焦人才集聚效应在科技和金融结合政策影响城市绿色创新中的机制作用，将人才集聚纳入科技金融结合与绿色技术创新框架。第三，利用空间计量模型，进一步考察政策的空间溢出效应，使得研究更具系统全面性。

（二）理论分析

科技金融政策对城市绿色创新的直接影响体现在以下几点：其一，科技进步决定了技术创新方向。科技进步奠定了绿色创新的基础，为城市绿色创新提供了直接的技术支持。其二，金融资本保障了城市绿色创新的可持续性。绿色创新面临投入成本高、回报慢的桎梏，而通过政策引导，金融资本加大了对绿色创新领域的投资，缓解了科技型企业的融资约束，从而为绿色创新水平的提升保驾护航。其三，科技和金融结合加快了城市绿色创新成果转化。借助科技金融政策，各省市通过设立科技成果转化库，推动了绿色创新的成果转化，加快了企业的资金回流，从而推动了城市绿色创新步伐。因此，科技金融政策切实提高了城市绿色创新水平。

而科技金融政策对城市绿色创新的间接影响可基于人才集聚这一视角展开。自韦伯（1909）提出“集聚”这一概念以来，集聚外部性便受到广泛关注。马歇尔（1920）提出了人才集聚可以推动知识和技术的溢出，进而推动生产率的提高。在此基础上，Glaeseret al.（1992）将前者研究成果加以归纳，认为人才和技术的经验积累可以使企业共享知识溢出和技术进步所带来的经济效益。

科技金融政策之于城市绿色创新的人才集聚效应体现在人力资本水平提升和知识溢出这两方面。自科技金融政策实施以来，各个试点城市陆续出台了一系列人才激励政策，以吸引更多更高层次人才及其团队在城市形成集聚。人才集聚提高了城市人力资本水平，这一方面为绿色创新提供了技术基础，直接加快了绿色创新步伐，另一方面也提升了城市居民文化素养，传播了绿色理念（徐军海和黄永春，2021），形成了有利于绿色创新的社会环境。而在知识溢出视角，科技金融政策实施过程中，高校、科技企业、科研院所等科技主体之间会进行广泛交流与合作，而企业基于生产、研发等角度的便利性，也会选择集聚，这使得人才交流与合作更为便利，从而加快知识传播速度，强化知识溢出效应（Ning et al.，2016）。同时，人才集聚带来的知识溢出会加剧企业间的竞争，淘汰低效企业，促进城市资源配置效率，进一步提升了城市绿色创新水平。因此，科技金融政策可通过推动人才集聚，进而促进城市绿色创新水平的提升，即存在人才集聚效应。

三、研究设计

（一）计量模型设定

1.基准模型

本文将始于2011年的科技金融政策视作一次准自然实验，参考吕越等（2023）的研究，构建如下多期双重差分回归模型：

其中，下标i表示城市，t表示年份。CTLit表示城市绿色创新水平，DIDit表示科技金融政策，若i城市在t年实施改试点政策则取1，否则取0。Controlit表示一系列控制变量，具体见下文详述。ηi、εt和μit分别表示城市固定效应、年份固定效应与随机误差项。

2.中介效应模型

为检验科技金融政策能否通过人才集聚效应进而提升城市绿色创新水平，本文构建如下中介效应模型：

其中，RCGit为中介变量，其余各变量定义与模型（1）一致。如果系数β与β2均显著，说明中介效应成立。进一步地，如果β1也显著且符号与β×β2一致，则说明RCGit具有部分中介效应。

3.空间计量模型

考虑到科技金融政策可能存在空间溢出效应，因此，本文基于空间杜宾模型构建多期空间双重差分模型。模型如下：

其中，W是空间权重矩阵。WCTLit表示因变量的空间滞后项，WDIDit表示解释变量的空间滞后项，WControlit表示控制变量的空间滞后项。其余各变量定义与模型（1）一致。

（二）变量选取

1.被解释变量

城市绿色创新。参考一般文献做法，以每万人申请的绿色发明数量（CTL）作为城市绿色技术创新水平的代理变量，并以每万人授权的绿色发明数量（CTLB）作为替代变量进行稳健性检验。

2.核心解释变量

科技金融政策（DID）。将科技金融政策作为一项准自然实验，以城市类型虚拟变量与政策实施时间虚拟变量的交互项（Group*Post）表征科技金融政策的处理效应（DID）。

3.控制变量

考虑到其他城市特征因素可能对城市绿色创新产生影响，借鉴既往研究，本文还控制了以下变量：

（1）经济发展水平（PGDP）。采用人均国内生产总值并取对数来衡量。

（2）对外开放程度（OPEN）。采用实际使用外资金额（FDI）与GDP的比值表示，FDI用当年同期美元兑换人民币比例进行换算。

（3）金融发展水平（FIN）。采用金融机构存贷款余额之和与GDP的比值表示。

（4）政府干预程度（GTD）。采用地方财政一般预算内支出与GDP的比值表示。

（5）科学教育投入（GES）。采用科学支出与教育支出之和与地方财政一般预算内支出的比值表示。

（6）人力资本水平（HUM）。采用每万人所拥有的普通高校专任教师数（加1后取对数），衡量城市人力资本水平。

4.中介变量

人才集聚水平（RCG）。借鉴白俊红等（2022）的研究，采用城市科研、技术服务和地质勘查业从业人员数与信息传输、计算机服务和软件业从业人员数之和占年末单位从业人员数的比重来衡量城市人才集聚水平。

5.工具变量

借鉴刘少波和吴玥（2022）的研究，构建中华老字号数量和全国研究与试验发展经费支出的交互项（Brand*RD），作为科技金融政策的工具变量。一方面，中华老字号具有传承性和延续性，科技金融本身服务于中华老字号发展。因此，中华老字号数量能够较好地体现城市科技金融水平的高低，满足工具变量相关性的前提。另一方面，中华老字号数量是一个历史值，不会直接影响城市GTFP水平，所以同时满足工具变量外生性的要求。而为解决中华老字号数量是截面数据的问题，故选用全国研究与试验发展经费支出这一时间序列变量与之交乘，作为最终的工具变量。

（三）数据来源与描述性统计

本文采用2006-2020年我国280个地级及以上城市（不包含西藏自治区下辖以及嘉峪关、眉山、绥化等数据缺失严重的地级市）面板数据作为研究样本。其中，城市绿色发明数据来源于中国研究数据服务平台（CNRDS），科技金融政策试点城市名单来源于科技部官网公布的文件。各控制变量数据与人才集聚水平初始数据均来源于《中国城市统计年鉴》，并通过中国经济社会大数据研究平台的年度数据库、国泰安数据库（CSMAR）、国家统计局网站以及各省市历年《统计年鉴》进行补充。中华老字号名单来源于商务部公布的《中华老字号名录》，全国研究与试验发展经费支出数据来源于国家统计局网站。此外，为剔除物价因素影响，所有以货币名义价值统计的变量，均以2016年为基期，利用居民消费价格指数（人均GDP与GDP利用人均GDP指数与GDP指数）换算为实际价值。

为防止多重共线性问题对研究结果的干扰，本文采用方差膨胀因子（VIF）检验法，对变量进行了相关性检验。结果显示，VIF均值为1.47，最大值为2.19，远小于10，证明了变量选取的合理性。表1报告了变量的描述性统计。

表1 变量描述性统计

四、回归结果分析

（一）基准回归分析

表2报告了多期双重差分模型下的回归结果。其中，第（1）列为不加入控制变量也不考虑固定效应的回归结果，第（2）列为加入控制变量后采用随机效应模型的回归结果，第（3）、（4）列为进一步考虑时间固定效应与时间-城市双固定效应的回归结果。结果显示，无论在何种情况下，核心解释变量系数均在1%水平上显著为正，表明科技金融政策的实施确实促进了城市绿色创新水平的提升。正如前文所述，试点政策通过促进科技金融融合，引导人才集聚，进而对城市绿色创新水平的提升具有激励效果。

表2 基准回归结果

此外，豪斯曼检验结果表明应使用固定效应模型，因此本文以第（4）列为标准，对控制变量回归结果进行分析。控制变量中，政府干预系数显著为负，表明政府干预会对城市绿色创新造成不利影响。这是因为在“官员晋升锦标赛”的自主驱动下，地方政府以财政支出的形式对市场进行干预，适度的政府干预虽然可以调节经济发展中的“市场失灵”问题，但过度干预会引起社会资源配置效率降低，不利于市场资源流向绿色创新领域，从而对城市绿色创新造成抑制效果。而科学教育投入与人力资本水平均对城市绿色创新具有正向激励作用，这与常理相符合。科学教育投入加大与人力资本水平提升均会推动城市创新活力的活跃度，营造适宜培训人才的社会环境，进而对城市绿色创新产生促进作用。

（二）稳健性检验

双重差分模型回归结果需进行一系列稳健性检验，因此，本文从模型有效性、数据合理性以及排除同期政策干扰等方面进行稳健性检验。

1.平行趋势检验与动态效应分析

为考察科技金融政策的绿色创新效应在实施前是否满足平行趋势假设，借鉴白俊红等（2022）的研究，构造式（5）进行平行趋势检验，具体如下：

其中，Before与After为各城市确立为试点城市前n年与后n年的虚拟变量。以政策实施当期（Current）为基期，对政策期作前4年到后4年的两端收尾处理，检验政策实施的动态趋势变化。图1报告平行趋势检验与动态效应的结果。

图1 平行趋势检验与动态效应

由图1可知，在科技金融政策实施前四年，政策虚拟变量的系数均不显著，说明实验组与对照组在政策实施前无显著差异，即满足平行趋势假设。而在政策实施后，科技金融政策对城市绿色创新水平的影响系数显著为正，且呈现逐年递增趋势。表明因为试点政策的实施，城市绿色创新水平具有显著提升，且这种政策效应具有逐渐加强的特征。

2.安慰剂检验

对于多期双重差分模型的安慰剂检验，需要同时生成伪实验组与伪政策实施时间。因此，本文采用每次随机抽取的伪试点城市作为实验组，且政策时间随机给出，进行500次随机冲击，进行安慰剂检验。检验结果如图2所示。可以发现，伪回归系数的均值接近于0，且P值大多高于0.1，与核心解释变量的真实估计值有明显差别，再次表明本文的基准回归结果具有较高的可信度。

图2 安慰剂检验

3.多期双重差分的异质性处理效应

Baker et al.（2022）指出，多期双重差分模型在固定效应下存在的异质性处理效应，可能使得回归结果存在偏误。对此，本文使用以下两种方法来考察双向固定效应下多期双重差分估计的偏误程度：一是Goodman-Bacon（2021）提出的DID估计量分解法，二是De Chaisemartin and D' Haultfoeuille（2020）提出的twowayfeweights命令。

Goodman-Bacon分解权重结果如表3所示。结果显示，不合适的“后处理组vs先处理组”对应的权重仅为1.4%，说明基准回归的估计结果具有一定的稳健性。而twowayfeweights命令结果显示，所有试点城市的各年度处理效应Δg,t均为正数，且异质性处理稳健性指标约为0.3，也在一定程度上表明，异质性处理效应对本文的估计结果并无实质性影响。

表3 Goodman-Bacon分解权重表

4.其他稳健性检验

（1）倾向得分匹配-双重差分估计。为缓解样本选择性偏差对回归结果的影响，参考一般文献的做法，运用卡尺最近邻匹配方法进行倾向得分匹配-双重差分（PSM-DID）估计。

（2）替换被解释变量度量方法。为排除解释变量指标构建对结果的影响，将解释变量指标替换为每万人获得授权的绿色发明数，进行稳健性检验。

（3）剔除直辖市。由于相对于其他城市，直辖市具有较高的行政等级，在人才吸引力等方面具有先天优势，可能会对回归结果造成影响。因此，本文将北京、上海、天津以及重庆四个直辖市从样本数据中剔除，再次进行回归。

（4）排除同期政策干扰。正如前文所述，已有文献研究了低碳试点政策、创新型城市建设、智慧城市建设等政策对城市绿色创新水平的影响。因此，为考察科技金融政策的净效应，本文加入以上三项政策实施的虚拟变量进行回归。

表4报告了其他稳健性检验的估计结果。由结果可知，在进行上述四种稳健性检验后，核心解释变量系数仍显著为正，且显著性水平未发生变化，再次说明基准回归结果具有稳健性。

表4 其他稳健性检验

（三）内生性处理

由于科技金融政策并非完全意义上的准自然实验，因此，基准回归结果仍然面临着内生性问题，如试点城市入选可能受到城市绿色创新水平的影响，绿色创新水平越高，入选几率越大。同时，不可避免的遗漏变量问题也会造成结论存在内生性偏误。对此，本文借鉴刘少波和吴玥（2022）的研究，构建中华城市老字号数量和全国研究与试验发展经费支出的交互项（Brand*RD），作为科技金融政策的工具变量，利用两阶段最小二乘法进行回归。

表5报告了工具变量的回归结果。结果显示，弱工具变量检验与识别不足检验均通过，同时工具变量数与解释变量数相同，过度识别问题也不存在，即工具变量通过检验，具有合理性。第一阶段回归结果显示，工具变量与解释变量高度相关，第二阶段结果显示，考虑内生性后，核心解释变量系数仍然显著为正，表明在考虑内生性问题后，科技金融政策仍然切实提升了城市绿色创新水平。

表5 工具变量检验结果

（四）异质性分析

我国地广物博，各城市在人口规模与城市建设等方面具有差异性，由此会不会使得科技金融政策的绿色创新效应也具有差别？此外，理论分析提出人才集聚效应在科技金融政策影响城市绿色创新中发挥机制作用，而人口密度、城市群建设与人才集聚息息相关，如若人才集聚效应成立，那么，相对于人口密度较低城市和非城市群城市，科技金融政策在人口密度较高城市和城市群城市理应具有更优异的绿色创新效应。对此，本文从城市人口密度与城市群区域一体化建设视角，进行异质性分析。具体按照样本均值，将样本数据按人口密度高与低进行划分，同时参照《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》提出的我国19个城市群格局，将样本数据按是否属于城市城市进行划分。

表6报告了异质性分析结果。其中，第（1）、（2）列为人口密度异质性的回归结果，第（3）、（4）列为城市群建设异质性的回归结果。具体来看，人口密度异质性回归结果显示，科技金融政策系数在人口密度较高城市显著为正，而在人口密度较低城市则不显著；而城市群建设异质性回归结果显示，科技金融政策系数在城市群城市与非城市群城市均显著为正，但从系数大小与显著性水平可以发现，城市群城市回归系数的大小与显著性明显优于非城市群城市。这说明，试点政策在人口密度较高城市、城市群城市具有更高的绿色创新效应。从人才集聚的视角来解释，科技金融政策发挥绿色创新作用需要良好的金融资本保障，人口密度越高，间接说明该城市对劳动力的吸引力越强，金融资本也就越趋向于该城市。同时，人口密度越高，其获得人才集聚的可能性也就越高。因此，在人口密度较高城市，科技金融政策对城市绿色创新的促进作用更显著。而城市建设依托城市群一体化政策，有利于突破行政区划限制，在吸引人才集聚的同时，还有利于知识扩散。因此，相较于非城市城市，科技金融政策在城市群城市具有更明显的绿色创新效应。

表6 异质性分析

五、进一步分析

（一）机制检验

正如前文所述，人才集聚效应可能在科技金融政策促进城市绿色创新中发挥机制作用，且上述异质性分析正是基于这一前提展开。因此，利用模型（2）和（3），进一步考察人才集聚效应的机制作用。机制检验结果如图7所示。第（1）列回归结果显示，核心解释变量的系数在1%的水平上显著为正，表明科技金融政策对城市人才集聚水平的提高具有正向作用，同时，第（2）列结果显示，核心解释变量与中介变量的系数均显著为正，表明人才集聚一定程度上丰富了城市绿色创新，且人才集聚效应发挥部分中介作用，根据总效应的贡献率计算方法，人才集聚效应对总效应的贡献率为10.58%。说明科技金融政策通过吸引人才集聚，为城市绿色创新提供了知识基础与前提，促进了城市绿色创新水平，即人才集聚效应成立。

（二）空间溢出效应分析

科技金融政策是否具有空间溢出效应？对此，本文基于模型（4），参考一般文献的做法，利用地理距离矩阵与经济距离矩阵进行进行空间效应检验。经LM、Hausman、LR和Wald检验后，选取空间杜宾模型作为空间模型。空间效应检验结果汇报至表8。

表8 空间溢出效应检验

回归结果显示，空间自相关系数ρ两种矩阵下均显著为正，说明城市间的绿色创新具有空间相关性，满足空间计量分析的前提。具体来看，在地理距离矩阵与经济距离矩阵下，DID的系数仍然显著为正，表明科技金融政策对本地区绿色创新水平仍然具有促进作用，但空间滞后项系数均显著为负，表明对于地理距离相邻、经济水平相近的地区，试点政策具有显著的负激励作用。同时间接效应显著为负，进一步证实了该负向影响。这依然可以从人才集聚效应的视角进行合理解释。人才作为一种稀缺要素，受到数量限制。正如前文所述，科技金融政策通过人才集聚效应提高了城市创新水平，那么在人才数量基本恒定的情况下，试点城市形成人才集聚的同时，也意味着其他城市的人才资源被抢占，出现人才短缺。对于人才自身来说，在选择城市时，会对距离相邻、经济水平相近的城市进行对比，在科技金融政策吸引下，人才自然会向试点城市集聚，进而使得科技金融政策对与试点城市距离相邻、经济水平相近的地区造成抑制性绿色创新效应。

（三）分位数回归

基准回归考察的是政策的平均处理效应，但是，对于绿色创新水平本身就不同的城市，科技金融政策对城市绿色创新的影响是否存在差别？这对试点政策的进一步推广具有重要意义。对此，本文采取分位数回归法，检验不同绿色创新水平分位点上的政策效应。表9报告了分位数回归结果。

表9 分位数回归结果

结果显示，在选取的0.2、0.4、0.6、0.8四个典型分位点上，科技金融政策对城市绿色创新水平均具有显著的促进作用，同时，根据回归系数大小可以发现，随着分位点的提高，即城市绿色创新水平的提升，试点政策的绿色创新效应越强。这说明科技金融政策对于较低绿色创新水平的城市具有雪中送炭之效，同时，对于较高绿色创新水平的城市具有锦上添花之果。

六、结论与政策建议

本文基于2006-2020年280个地级及以上城市面板数据，利用多期双重差分模型、空间计量模型、分位数回归法，系统研究科技和金融结合试点政策对城市绿色创新的影响。研究发现：试点政策促进了城市绿色创新水平的提升，该结论在经过一系列稳健性检验与工具变量法处理后仍然成立；异质性分析表明，该政策效应在人口密度较高以及城市群城市能发挥具有更显著的作用；机制检验表明，试点政策通过人才集聚效应提升城市绿色创新水平；而空间视角研究发现，试点政策虽然对本地区的绿色创新具有促进作用，但对地理距离相邻、经济水平相近地区则存在负向的溢出效应；分位数回归结果表明，城市自身绿色创新水平越高，科技金融政策的绿色创新效应越强。

根据以上研究结论，可提出以下政策建议：

第一，应继续深化科技金融结合改革，发挥政策的绿色创新效应。引导金融资本调整投资方向，增加金融服务业与科技公司的合作，实现科技与金融的有效衔接与融合。同时通过设定相关法律法规，减免金融资本投资绿色科技企业的税负，促进金融投资规范化，为推进城市绿色创新提供制度保障。

第二，科技金融结合模式应该进一步精细化、合理化，政策实施需因地制宜、因城施策。对于人口密度较低和非城市群城市，可适当加大政策扶持力度，利用政策手段，缓解其发展劣势，从而更好促进科技金融政策发挥作用。并且，科技金融试点城市需要合理选择，不可在同一地区集中设立，需要兼顾地理区位与经济水平，从全国角度，合理规划布局。

第三，合理引导人才集聚，充分发掘科技金融结合的绿色创新效应。利用人才集聚，发挥科技金融结合促进城市绿色创新水平的同时，需要考虑人才集聚合理性，不可使得人才在少量城市集中聚集的情况。可利用人才落户政策，合理引导人才集聚，形成人才发散性集聚，充分发挥科技金融结合的绿色创新效应。