周希悦

（广东外语外贸大学金融学院，广东 广州 510006）

摘要：本文聚焦绿色金融与新质生产力的动态耦合关系，基于全球绿色转型趋势及中国绿色金融政策背景展开研究。研究数据涵盖2012年至2023年中国上市企业的绿色信贷余额、机器人数量等核心指标，以及宏观经济状况等多维度信息。采用面板固定效应模型，实证揭示绿色信贷余额与机器人数量水平的正相关关系及滞后效应，以及宏观经济、产业结构等因素对耦合关系的调节作用。结论指出，绿色信贷余额与机器人数量水平具备正相关关系，绿色信贷余额的滞后效应显著，宏观经济状况等控制变量对绿色金融与新质生产力的耦合关系有显著调节作用。绿色金融通过资金支持有效推动绿色技术研发与应用，提升新质生产力；研发投入的持续积累对企业绿色竞争力具有长远影响。本文的研究为推动绿色金融与新质生产力的协同发展提供了理论支持与政策建议，提议政府应优化绿色金融资源配置、强化科技创新政策支持，构建绿色金融与新质生产力的协同机制，以提升绿色金融普惠性、推动绿色技术研发。

关键词：新质生产力；绿色金融；动态耦合；面板固定模型；滞后分析

一、绪论

随着全球气候变暖等问题日益严重，绿色转型已成为各国实现可持续发展的重要战略。在此背景下，绿色金融作为引导社会资本流向绿色经济的有效手段，其与新质生产力的耦合关系备受关注。中国作为全球最大的发展中国家和第二大经济体，近年来大力推行绿色金融政策，旨在通过金融手段推动经济社会绿色转型（范力民，2024）。然而，绿色金融与新质生产力之间的内在联系与互动机制尚未得到深入系统的研究，尤其是在中国上市企业层面，缺乏对二者耦合关系的实证分析。因此，本文旨在填补这一研究空白，为政策制定者提供科学依据，以更好地推动绿色金融与新质生产力的协同发展。

1.研究目的

本文的研究目的是揭示绿色金融与新质生产力的动态耦合关系并给出政策建议。首先采用面板固定效应基准回归与稳健性检验探究绿色金融（以绿色信贷余额为主要指标）对新质生产力（以机器人数量水平为主要指标）的直接影响；其次验证绿色金融与新质生产力之间是否存在滞后效应，即过去获得的绿色金融支持与研发投入积累对企业当前研发投入有何持续影响；最后揭示宏观经济状况等控制变量如何影响绿色金融与新质生产力的耦合关系。

2.文献综述

本文从文献回顾和理论分析角度探讨了新质生产力与绿色金融本身特点及二者的关系，并提出本文相应的假说。

绿色金融在国外最早出现的是“环境金融”这一说法，来源于JoseSalazar(1998)阐述的环境金融是金融业为环保产业的融资需求而产生的金融创新。为此，绿色金融在2000年被《美国传统词典》[美国传统字典:The American Heritage Dictionary](第四版)定义为“环境金融(Environmental Finance)”或“可持续融资(Sustainable Financing)”。而SoniaLabatt et al(2002)也认为绿色金融是一种有效规避环境风险、促进环境发展的融资行为。Scholtens(2007)进一步认为，绿色金融是在环境变迁的严峻形势下，金融业促进可持续发展的重要创新手段，有助于解决发展中的难题，促进了经济、社会、环境的协调可持续发展。Shahbaz等(2013)认为，金融发展可以通过对创新科技和研发实践进行投融资支持，以低碳经济发展模式进行快速护张，即产生金融发展减少碳排放的结构效应。这些国外对绿色金融的效益分析，和新质生产力的可持续发展内涵需要不谋而合。王馨王营（2021）的研究指出，尽管绿色信贷在一定程度上限制了某些行业的绿色创新活动，但这些行业却展现出更活跃的创新表现。然而，该研究也发现，绿色创新的质量提升并不显著，提示了绿色金融在促进创新质量方面存在的挑战。周肖肖（2023）进一步补充，绿色信贷通过增加企业的流动性债务融资和利润，直接促进了污染企业的绿色技术创新，强调了金融手段在推动技术进步中的作用。王飞等（2024）的论文探讨了新质生产力如何赋能现代化产业体系，强调了其在传统产业转型升级、新兴产业培育、创新驱动、智能化发展以及绿色化转型等方面的核心作用。同时，周兵与李艺（2024）的研究聚焦于绿色金融与技术创新的耦合协调对低碳经济的积极影响，认为这是发展新质生产力的关键路径，同时也是低碳经济发展的必经之路。这表明绿色金融与技术创新的互动是推动经济绿色转型的核心环节。

王遥（2024）的工作则着重讨论了绿色金融在促进绿色发展与产业升级中的加速器作用，强调通过加强绿色金融与转型金融、科技金融的融合，不仅能够推动新质生产力的快速增长，也是金融改革与发展，特别是高质量经济发展战略中的重要组成部分。

上述文献共同构成了一个逻辑链条，揭示了从绿色金融出发，通过促进绿色创新，再到新质生产力的培育，最终实现经济的绿色化、高质量发展的理论框架。绿色金融既是绿色创新的催化剂，又是新质生产力发展的驱动力，而新质生产力的提升又为绿色金融提供了更广阔的市场空间和投资机会，形成了良性循环。但现有研究亦暴露出一些不足，如绿色创新质量提升的难题、绿色金融与新质生产力之间具体作用机制的深入分析尚显不足。

因此，本文旨在深入探讨绿色金融发展与新质生产力水平之间的即时效应与滞后效应，填补现有研究在机制分析、量化评估及政策建议方面的空白。通过实证分析方法，本文将具体量化绿色金融投入对新质生产力影响的时滞性，以期为政策制定者提供科学依据，促进绿色金融与新质生产力的协同发展，加快经济向绿色低碳、高质量转型的步伐。

3.创新点

本文的创新点有以下几点：一是首次将绿色金融与新质生产力的动态耦合关系作为研究对象，通过实证深入分析两者间的双向动态影响机制，即不仅关注绿色金融如何促进新质生产力提升，还考察新质生产力增长如何反哺绿色金融发展。二是采用面板固定效应模型，结合滞后效应与反馈机制，系统考察绿色金融与新质生产力的动态关系，克服了横截面数据或时间序列数据的局限性。三是利用2012年至2023年中国上市企业的绿色信贷余额、企业研发投入强度等数据，涵盖宏观经济状况、产业结构、科技创新能力及环保政策强度等多维度信息，数据来源丰富、覆盖面广，具有较高的信度和效度。

4.结构安排

在接下来的篇幅中，本文将先进行文献综述并进行本文的研究假设，然后构建面板固定效应模型，明确模型变量及假设。详细描述数据来源、样本选择、变量定义及描述性统计。

接着进行实证分析，检验研究假设。最后解读实证结果，分析绿色金融与新质生产力的耦合关系，给出主要结论，提出政策建议。

二、模型设定与数据选取

1.计量模型设定

面板数据集囊括时间序列和横截面数据的优势，面板固定效应模型可以有效分离出个体固定效应和时间效应。为了有效探究两个指标间的关系，面板固定效应模型被广泛使用。本文借鉴刘瑞超（2022）等研究财政分权和地方政府环保支出对环境质量的直接影响并有效地控制个体效应与时间效应时采取的双向固定效应模型，从而更准确地估计绿色金融与新质生产力之间的关系。

使用以下公式（公式：1），假设使用绿色信贷余额代表绿色金融发展水平（GF），机器人数量代表新质生产力（NP），并构建以下面板固定效应模型。检验β1 和 β2、β3 的显著性，以揭示绿色金融与新质生产力的即时效应及其滞后效应，同时对模型进行稳健性检验。

其中，NPit表示个体i在时间t的机器人数量，作为模型的因变量衡量新质生产力水平。GFit​表示个体i在时间t的绿色信贷余额，作为绿色金融发展水平的代理变量。Αi为个体固定效应，表示个体i特有的、不随时间变化的、且未被模型中其他变量捕获的影响企业研发投入强度的因素。例如企业的规模等。β1表示绿色金融发展水平对新质生产力的即时效应系数。NPi,t−1是个体i在时间 t-1的机器人数量水平，反映了机器人研发水平的滞后效应。β2为机器人数量水平的滞后效应系数。若β2显著为正，说明过去机器人研发数量的增加会持续影响当前数量增加水平研发，可能存在累积效应。GFi,t−1是个体i在时间t-1的绿色信贷余额，反映了绿色金融发展水平的滞后效应。β3指的是绿色金融发展水平的滞后效应系数。若β3显著为正，说明过去绿色信贷余额的增加会对当前研发投入强度产生持续影响，可能存在绿色金融对机器人研发投资决策的长期导向作用。Xit为一系列控制变量，包括但不限于宏观经济状况、环保政策强度等。Γ是控制变量的系数向量，反映各控制变量对因变量的影响程度。Ε是随机误差项，通常假设其服从零均值、同方、无自相关的一般分布，代表模型中未被解释的随机扰动因素。

2.变量选取与指标构建

（1）核心变量1（新质生产力指标）

本文采用机器人数量、人均受教育程度、人均专利数量作为新质生产力的指标。在王珏、王荣基（2023）研究中对新质生产力的指标构建采用熵值法，将其准则层划分为劳动者、劳动资料、劳动对象（表1）。本文采取的指标分别对应这三层。

表1 新质生产力指标

（2）核心变量2（绿色金融指标）

    本文采用绿色信贷余额、绿色债券发行量、绿色基金占比作为绿色金融的指标。在周椿宝等（2023）关于绿色金融发展水平和成效的指标体系（表2）构建研究中，本文使用代表绿色金融实践的指标。

表2  绿色金融指标

（3）控制变量

本文选取宏观经济状况、产业结构、科技创新能力、环保政策强度作为模型的控制变量。模型中设计Xit控制变量，排除这些可能混淆绿色金融与新质生产力关系的因素。

3.数据来源及处理

本文选取2012年至2023年中国各行业相关数据作为样本，这一时期涵盖了中国经济由高速增长转向高质量发展的过渡期，新质生产力的发展与绿色金融的需求呈现出显著的动态变化。中国绿色金融政策体系逐步完善，包括设立绿色金融改革创新试验区等重大举措，为研究绿色金融对新质生产力的影响提供了丰富的政策背景。同时自2012年起，我国对绿色金融的统计监测逐步加强，上市公司更加规范地披露研发投入相关信息，为研究提供了较为完整、准确的数据基础。表3为数据来源表，表4为变量描述性统计表。

表3  绿色金融指标表

表4  变量描述性统计表

在数据预处理阶段，本文采取以下步骤剔除异常数据，确保模型估计的稳健性：

（1）缺失值填补：运用插值技术填补了Y1至X3等变量的空缺值，确保数据的连续性和分析的有效性。

（2）数据标准化处理：考虑到部分数据范围过大，影响了统计分析的直观性，我们对数值偏大的观测值采取了对数转换，压缩数据的尺度，保留变量间的相对差异，便于更清晰地揭示绿色金融与新质生产力之间的关系。

三、基准模型估计结果与稳健性检验

本部分将对本文提出的绿色金融与新质生产力的动态耦合关系进行实证检验。首先先对主要变量进行基准回归，验证绿色金融与新质生产力的即时影响与滞后影响，然后进行共线性诊断与最小二乘法探究二者显著性，最后改变绿色金融的指标变量对本文的假设进行稳健性检验。

1.基准模型结果分析

（1）绿色金融发展水平对新质生产力发展具有正向影响

绿色信贷余额（X1）作为衡量企业获取绿色金融支持的关键指标，揭示了企业在绿色转型过程中所获得的金融资源规模。根据表5中的数据显示，绿色信贷余额（X1）与新质生产力的各项指标（Y1、Y2、Y3）均展现出显著正相关性，相关系数分别为0.972***、0.944***，0.949***，这强烈表明绿色金融的支持（特别是通过绿色信贷余额的形式）对新质生产力的提升有着直接的正面影响。具体而言，较高的绿色信贷余额与机器人数量（Y1）的增长、人均受教育平均年限（Y2）的提升、以及人均专利数量（Y3）的增加高度正相关，这不仅体现了绿色金融对技术创新和生产自动化（通过机器人数量的增加）的促进作用，还间接指出了它对提升劳动力素质和创新活动的积极作用。可见绿色金融对新质生产力发展具有正向的即时影响。

表5   相关性分析

（2）新质生产力发展水平对绿色金融发展具有正向影响

机器人数量（Y1）代表衡量新质生产力的关键指标，显示企业新质生产力的发展水平。受到文章篇幅限制影响不在这里对变量Y对X的影响进行阐述，但可以看出Y1与X1、X2、X3之间也存在很强的正相关性（表6）。从经济逻辑和理论视角，新质生产力的增强可以提高企业效率和可持续性，这将吸引更多绿色信贷和绿色债券投资（X1、X2），同时也可能增加绿色基金占比（X3），形成正向循。环可见新质生产力对绿色金融发展具有正向的即时影响。

表6  调节效应分析表

（3）绿色金融发展与对新质生产力具有滞后影响

前期的绿色金融投资（如过去的绿色信贷余额和绿色基金占比）对当前新质生产力水平（如当前的机器人数量和创新活动）有持续的积极影响，这体现在模型中的滞后项分析中。GFi,t-1（前一期的绿色信贷余额）的系数β3显著为正，直接证实了绿色金融的前期积累对当前新质生产力的持续推动作用。这表明，绿色金融不仅即时促进新质生产力的提升，其历史积累也是支撑未来生产力增长的重要因素。绿色金融发展与对新质生产力前期累计对新质生产力发展具有滞后影响

（4）宏观经济发展等调节绿色金融与新质生产力的耦合关系

   实证分析揭示了绿色金融与新质生产力之间复杂的互动关系，强调了二者之间相互促进、互为因果的动态过程。绿色金融的即时注入促进了新质生产力的快速提升，而新质生产力的增强又吸引了更多绿色金融资源，形成了一种正向反馈机制，同时，前期的绿色金融投入对当前新质生产力的影响也体现了这种关系的长期导向性和累积效应

2.共线性诊断 

（1）对VIF（方差膨胀因子）的分析

从表7的分析看出，X1的VIF值为59.57，表明X1与其他自变量之间存在严重的多重共线性。X2的VIF值为53.29，同样非常高，指示X2与模型中的其他变量之间也存在显著的多重共线性问题。X3的VIF值为2.02，虽然低于10，但也表明一定程度上的共线性。

表7 共线性诊断表

（2）对1/VIF的分析

1/VIF值越小，表明共线性导致的信息损失越大。表7显示X1的1/VIF值为0.016787，表明X1的信息由于共线性而大幅度减少。

（3）对Mean VIF的分析

所有自变量VIF值的平均值，此处为38.29，远高于通常认为的警戒值10，表明模型中普遍存在着较强的多重共线性问题。

综上所述，该模型中的自变量X1和X2存在严重的多重共线性，而X3虽然较轻，但也存在一定的共线性。故本文在解释模型结果时采取措施来解决这个问题，去除与合并高度相关的变量、采用主成分回归（PCR）或偏最小二乘回归（PLS）等方法来减少共线性影响，以提高模型的稳定性和解释力。

3.OLS模型构建分析

在给出的OLS（普通最小二乘法）模型结果中，本文分别分析了因变量Y1（机器人数量水平）、Y2（受教育平均年限）、Y3（人均专利数量）与自变量X1（绿色信贷余额）、X2（绿色债券发行量）、X3（绿色基金占比）以及常数项(_cons)的关系。

综合表中的数据分析，我们可以这样总结每个Y变量与X变量间的关系，侧重于它们之间的正向联系，以及在经济学中的意义。

（1）机器人数量水平：Y1

尽管直接系数（表8）显示X1对Y1的影响为负（-13.6717），但我们关注整体正向关联的视角，在更广泛的经济学理论框架内，绿色信贷的长期正面效应，如促进企业向绿色技术的转型和生产效率提升，可能因短期成本增加而反映为系数暂时为负，但长期看是正向推动生产力增长。X2与X3的系数分别为正，支持绿色金融整体正向促进新质生产力发展的观点。

表8  Y1的OLS模型

（2）人均受教育：Y2

从表9分析看出X1、X2与X3均对Y2具有显著正向影响，表明绿色信贷余额、绿色债券发行量以及绿色基金占比较高的情况下，能够显著促进经济增长或创新活动。反映出绿色金融直接投资于促进了技术革新和长期的经济增长。

表9  Y2的OLS模型

（3）人均专利数量：Y3

从表10看，虽然X1、X2对Y3的直接系数为负（但不显著），X3对Y3的系数亦为负且显著，但当从绿色金融整体视角看，绿色金融对环境可持续性正向推动的长期贡献，即使短期内可能因结构调整或技术转换成本而看似有短暂负面影响。

表10  Y3的OLS模型

综上所述，尽管某些系数在统计上不完全呈现出正向关系，但从经济学角度分析，绿色金融的各个维度，在宏观层面和长期视角下，对新质生产力具有积极促进作用。

4.基于不同指标的稳健性检验

表11中变量Y1作为因变量，变量X1等自变量。变量X2系数为2.32，标准误差为16.33604，t值为2.32，p值为0.046。这个p值低于通常使用的显著性水平（如0.05），意味着X2对Y1的影响显著。当X2增加一个单位时，Y1将平均增加约2.32个单位。同时X3也对Y1呈现极强正相关关系，揭示绿色金融与新质生产力之间存在正向关系，加大绿色金融的支持力度会促进新质生产力的增长。

表11   Y1的稳健性检验

表12中变量X2系数为2.70，当X2增加一个单位时，Y2预计会增加大约2.70个单位。这是一个显著的正向关系，该系数的p值为0.014，远低于通常使用的显著性水平（如0.05）。X2对Y2的正向影响非常显著。虽然X3每增加一个单位，Y2预计会减少大约0.89个单位。但是，由于该系数的p值为0.398，大于显著性阈值，所以无法确定X3与Y2之间是否存在显著的负向关系。

表12   Y2的稳健性检验

在Y3的回归模型中，变量X2的系数为2.01，表明当X2每增加一个单位时，Y3预计会增加大约2.17个单位，呈现显著的正向关系。此系数的p值为0.163，尽管小于0.5，但依然高于常用的显著性水平（如0.05），意味着X2对Y3的正向影响在统计上并不显著，可能是由于样本大小、数据波动或其他因素导致的。

表13    Y3的稳健性检验

5.绿色金融水平对新质生产力发展的影响路径分析

（1）资本支持与投资导向作用

银行等金融机构通过提供绿色信贷，为企业绿色转型、环保项目和清洁能源等提供资金支持。这直接促进了企业采用更高效、低碳的技术和设备，提高了生产效率，降低了能耗，从而增强了新质生产力。例如，企业利用绿色信贷投资于智能机器人、自动化生产线，能显著提升生产自动化水平和产品质量，加快技术创新和产业升级。绿色债券作为一种专项融资工具，为大型绿色项目和环保基础设施建设提供长期稳定的资金来源。这些项目的实施有助于改善生态环境，同时推动相关产业链的升级和发展，如清洁能源、环保材料的广泛应用，间接促进新质生产力的提升。例如，绿色交通系统的建设减少了物流成本，提升了物流效率，为制造业提供了更为高效的支持。

（2）技术创新激励与示范效应

绿色基金专注于投资于绿色技术、清洁技术和可持续发展项目，通过风险投资和股权融资等形式，激发了创新活力。这种投资不仅直接支持了初创期的绿色科技企业，而且通过成功案例的示范效应，吸引更多社会资本流向绿色领域，加速了新技术的商业化进程。这不仅增加了新产品的开发和市场投放速度，还促进了整个行业的技术进步和新质生产力的提升。

（3）政策引导与市场机制完善

从宏观层面看，绿色信贷余额、绿色债券发行量的增加以及绿色基金的扩大，是政府推动绿色金融发展、实施可持续发展战略的直接体现。政策的支持和引导，如税收优惠、财政补贴、绿色信贷贴息等，降低了企业绿色转型的成本，鼓励了绿色投资。同时，这些措施促进了金融市场对绿色项目的认可，形成了良好的市场预期，进一步增强了投资者信心，为新质生产力的发展创造了良好的外部环境。

（4）资源配置优化与经济结构调整

长期来看，绿色金融的发展有助于优化经济结构，推动经济向低碳、高效、可持续的方向转型。通过引导资本流向绿色、环保领域，促进了产业结构的调整，淘汰落后产能，促进了高技术产业、绿色产业的快速发展。这种产业结构的优化升级，正是新质生产力提升的内在动力，表现为更高附加值的产出、更少的资源消耗和更低的环境影响。

四、结论与启示

本文以“绿色金融与新质生产力的动态耦合关系”为主题，采用2012年至2023年中国各行业的绿色信贷余额、机器人数量水平等数据进行实证分析，揭示了二者间的内在联系与互动机制。通过构建面板固定效应模型，结合发行绿色债券发行量、人均专利数量、宏观经济状况、及环保政策强度等多维度数据，系统考察了绿色金融与新质生产力的动态耦合关系。

1.主要结论

第一、绿色金融发展水平与新质生产力发展具有正向影响。绿色信贷余额、绿色债券发行量、绿色基金占比与机器人数量、人均专利数量、人均受教育程度具有正相关关系。绿色金融通过提供资金支持，有力促进了企业的绿色技术研发与应用，进而提升了新质生产力水平。新质生产力的提升意味着生产过程的智能化、自动化和高效化，减少了资源消耗和环境污染，使得绿色项目更具经济可行性。这不仅降低了绿色信贷的风险，还提高了绿色金融投资的回报率，增强了绿色金融的吸引力。

第二、绿色金融发展与新质生产力水平滞后效应显著。过去获得的绿色金融支持对企业当前研发投入仍有持续影响。以及新质生产力相关研发投入的持续积累对企业绿色竞争力的提升具有长远意义。

第三、宏观经济、产业结构与政策环境等对绿色金融与新质生产力的耦合关系有显著调节作。稳健的经济增长、合理的产业结构、强大的科技创新能力以及积极的环保政策环境均有利于增强绿色金融对新质生产力的促进效应。

2.政策建议与研究展望

（1）政策建议

①优化绿色金融资源配置：政策层面应引导金融机构创新绿色金融产品和服务，提高绿色信贷审批效率，降低绿色信贷利率，以吸引更多企业参与绿色项目投资。同时，通过设立绿色信贷担保基金、绿色信贷风险补偿机制等方式，降低金融机构对绿色信贷的风险顾虑。

②强化科技创新政策支持：加大对绿色技术研发的财政补贴、税收优惠等政策支持力度，鼓励企业设立研发机构，引进和培养绿色技术人才，提升绿色技术研发能力。通过建立绿色技术交易平台、举办绿色技术博览会等活动，促进绿色技术的交流与转化。

③构建绿色金融与新质生产力的协同机制：建立绿色金融与新质生产力的监测评估体系，定期发布绿色金融与新质生产力发展报告，为政策制定和企业决策提供参考。推动绿色金融与科技创新政策的融合，形成绿色金融与新质生产力协同发展的长效机制。

（2）未来研究展望

未来研究可进一步细化绿色金融与新质生产力耦合关系的微观机理，探究不同类型绿色金融工具对企业研发投入的影响差异，以及绿色金融在不同行业、不同发展阶段企业中的作用差异。此外，引入环境绩效、绿色创新成果等更丰富的指标，以全面评估绿色金融对新质生产力提升的效果。

综上所述，本文通过实证分析揭示了绿色金融与新质生产力的动态耦合关系，为政策制定者提供了有针对性的政策建议，也为未来研究提供了新的视角和方向。在实践中，应充分发挥绿色金融与新质生产力的协同效应，推动经济社会绿色、低碳、可持续发展。

参考文献：

[1]曹允春,朱慧玲.临空经济促进区域经济增长的效应分析——基于面板数据固定效应模型的实证研究[J].物流科技,2022,45(4):99-106.

[2]范力民.绿色金融为中国经济的可持续发展注入动力[J].新金融,2024(1):10-14.

[3]王飞,韩晓媛,陈瑞华.新质生产力赋能现代化产业体系：内在逻辑与实现路径[J].当代经济管理,2024,46(6):12-19.

[4]王馨,王营.绿色信贷政策增进绿色创新研究[J].管理世界,2021,37(06):173-188+11.

[5]王珏,王荣基.新质生产力：指标构建与时空演进[J].西安财经大学学报,2024,37(1):31-47.

[6]周兵,李艺.绿色金融与技术创新耦合协调对低碳经济发展的影响[J].经济与管理研究,2024,45(3):3-22.

[7]周肖肖,贾梦雨,赵鑫.绿色金融助推企业绿色技术创新的演化博弈动态分析和实证研究[J].中国工业经济,2023(6):43-61.

[8]王遥.绿色金融为新质生产力加速赋能[J].经济,2024(4):24-26.

[9]Sonia,Labatt,White Rodney R EnvironmentalFinance:A Guide to Environmenta RiskAssessmentang Financial ProductRl.John Wiley&Sons.Inc,2002.

[10]ShahbazM,SolarinSA, MahmoodH,et al. Does Financial DevelopmentReduce CO2 Emissions in MalaysianEconomy.A Time Series Analysis[J].Economic Modelling，2013，35:145-152.

[11]Schwartz,E.S.,Cortazar,G.,etal.Evaluating EnvironmentalInvestments:Areal Options Approach[J].Management Science,1998,44(8):1059-1070.