金融發展惡化了中國城市的環境質量嗎?
——基于275個城市的空間動態面板數據模型

賀祥民，賴永劍

南昌工程學院 經貿學院，江西 南昌 330099

金融發展惡化了中國城市的環境質量嗎?
——基于275個城市的空間動態面板數據模型

賀祥民，賴永劍

南昌工程學院 經貿學院，江西 南昌 330099

論文利用兼具空間估計方法和動態面板回歸模型優勢的空間動態面板數據模型研究了中國275個城市金融發展對SO2排放的影響效應。系統廣義距估計發現，總體而言，金融機構貸款比率、存款比率顯著的促進了城市的SO2排放；然而，金融集聚卻抑制了SO2排放。從間接渠道來看，金融發展通過促進經濟發展增加了SO2排放，但通過吸收FDI的技術溢出消減了SO2排放。進一步研究表明金融發展對于不同區域的城市SO2排放存在差異性的影響效應。

金融發展；環境質量；SO2排放；空間動態面板模型

經過改革開放三十多年的發展，中國經濟總量得到了巨大的增長，2015年GDP總量達到10 385.66億美元，規模僅次于美國，居世界第二位；然而，這一令人可喜數據的背后，是能源的大量耗費，環境的嚴重惡化。與工業迅速發展相伴隨的是空氣污染、水污染的日益嚴重。在可持續發展成為時代主題的今天，各種節能減排的手段和渠道都應積極發揮效用；其中金融發展的作用，不容忽視。目前國內外已有的研究金融發展對環境質量影響的文獻主要采用跨國或省級面板數據進行分析，樣本數較少；并且已有的文獻往往忽視了環境污染排放動態變化的過程，或者未考慮區域之間環境污染排放的空間溢出性。基于此，本文使用了中國2003年—2012年275個城市的數據，利用兼具空間估計方法和動態面板回歸模型優勢的空間動態面板數據模型，并采用更具科學性的系統廣義距（SYM-GMM）方法進行估計；同時，我們還考慮了金融發展通過影響經濟發展、FDI等，進而影響環境質量的間接效應，從而較全面地考察了金融發展對環境質量的影響。

一、文獻與理論

金融發展在解釋環境污染排放中有重要作用。一方面，金融發展有助于企業在生產中選用較先進的清潔或環境友好型技術，這將促進環境質量的改善。金融發展是吸引FDI的重要因素，同時東道國金融發展是吸收FDI的重要影響因素，Alfaro等認為金融發展對FDI的技術和知識溢出作用發揮了先決性的影響[1]；通過促進R&D活動，從而影響環境質量。而且，金融發展有助于一些環境治理項目降低融資成本，更容易獲得資金的支持。而另一方面，產業水平上，金融發展使得企業更容易并且以更低的成本獲得金融資本支持；另外，股票市場的發展也有助于企業的擴張，從而潛在的增加污染排放。這也就是說金融發展能夠通過激勵生產者的生產活動尤其是促進工業的發展從而增加工業的污染排放，帶來環境的惡化。金融發展對環境污染的綜合影響取決于這兩種正負力量的對比。

近年來圍繞金融發展與環境質量之間的關系，出現了一些相關的實證研究。Gantman、Dabós發現金融發展能夠促進技術創新，進而改善環境質量[2]。Lee 等也發現在一個具有發展良好的金融系統的國家，相應帶來活躍的技術創新將對環境污染排放產生顯著的消減作用，并且他們發現金融制度發展能夠增加與環境保護項目相關的投資，因此有助于改善環境質量[3]。Tamazian等使用1992年—2004年金磚四國的面板數據研究了金融發展與環境質量的關系，他們發現金融發展水平是決定一個國家環境質量的重要因素：一個有更高金融發展水平的國家，環境質量水平也更高[4]。基于12個中東和北非國家數據，Omri等發現環境質量降低通過影響人的健康水平對經濟增長產生了負外部性，金融發展和貿易開放刺激技術創新，進而有助于減少環境污染排放[5]。

與上述文獻認為金融發展有利于環境質量優化相反，一些文獻卻發現金融發展惡化了環境質量或者不存在顯著的影響。Sadorsky通過分析22個國家的數據，發現金融市場的發展增加了消費者對能源消費的需求，因此并未產生對環境質量的改善作用[6]。Ozturk、Acaravci研究發現，在土耳其，長期來看金融發展對人均二氧化碳排放量不存在顯著的影響作用[7]。Abbasi、Riaz將FDI納入到碳排放方程中，重新估計了金融發展與碳排放的關系，他們使用一系列衡量金融發展的指標，結果表明在全樣本期間（1971年—2011年），金融發展對碳排放無顯著影響；但在1988年—2011年金融發展對碳排放有顯著負作用，他們認為經濟增長惡化了環境[8]。國內，嚴成樑、李濤、蘭偉利用省級面板數據研究發現信貸規模對我國二氧化碳強度的影響存在倒U型關系，FDI規模對我國二氧化碳強度的影響存在U型關系，金融市場融資規模、金融業的競爭、信貸資金分配的市場化對我國二氧化碳強度有負向影響[9]。熊靈、齊紹洲認為無論是從人均碳排放角度還是碳強度角度來看，金融發展對中國省區碳排放都起到負面作用。金融發展刺激了中國省區碳排放水平的增長，總體上對節能減排呈現負面效應[10]。

綜合已有的文獻可以發現，國內外研究金融發展與環境質量關系的文獻雖然較為豐富，但結論不盡相同；研究的樣本一般為跨國或省級區域，樣本數較少；并且往往忽視了環境污染排放動態變化的過程，或者未考慮區域之間環境污染排放的空間溢出性。鑒于此，本文從如下幾個方面進行拓展：第一，與已有文獻從國家或者省級層面進行研究不同的是，我們在國內首次使用275個城市層面的數據，聚焦于金融發展與SO2排放量之間的關系；樣本規模擴大了幾倍，更為細致的數據更能真實反映變量之間的關系。第二，我們考慮了區域間環境污染排放的空間依存性，并采用近些年新發展起來的空間動態面板模型，該模型的優勢在于能在考慮區域變量空間溢出性的同時，將變量的動態變化合并進行分析，從而從時空角度考察了金融發展對環境質量的影響效應；同時我們采用更具科學性的系統廣義距（SYM-GMM）對模型進行估計，從而解決了變量之間的內生性和空間溢出問題。第三，鑒于金融發展可以通過影響經濟發展、FDI等間接渠道，進而影響環境質量，我們通過分別使用金融發展與經濟活躍程度、FDI的交互項捕捉這種間接效應，從而深入考察了這一問題。進而，考慮到中國城市的異質性特征，我們在子樣本估計中按城市的空間分布分成東部城市、中西部城市，以進一步探討了城市屬性的不同對結果的差異化影響。

二、模型、變量與數據

（一）模型

我們的模型參照標準的STIRPAT模型及Antweiler等[11]的實證模型，控制了環境污染排放的幾個決定性因素，包括：規模效應、結構效應和技術效應以及外資因素，其中，我們使用經濟活躍程度（lnActive）控制規模效應；資本強度（lnCapint）、投資率（lnInvr）分別從存量和流量的角度控制結構效應；用人均收入（GDP）控制技術效應。同時為了考慮城市之間環境污染排放的空間溢出性，與及環境污染排放動態變化的性質，我們采用近些年發展起來的空間動態面板回歸模型進行分析，該模型兼具有空間估計方法和動態面板回歸模型的優勢，能在考慮區域變量空間溢出性的同時，將變量的動態變化合并進行分析：

其中c=1, 2, …, 275，t=2003, 2004, …, 2012；為時間滯后項用于抓住污染排放隨時間變化的動態過程，為空間自回歸項用于抓住城市之間污染排放的空間溢出關系。δc為城市固定效應，用于控制不可觀測的城市屬性對污染排放的影響；ηt為年份固定效應，用于控制不可觀測的時間變化的影響。

空間權w我們采用各市之間的距離dcj的倒數衡量，距離dcj根據國家測繪局的國家基礎地理信息系統中的中國1∶400萬地形數據庫，并使用Arcview 3.0軟件計算得到，即有：

（二）變量及數據

1．金融發展（FD）

衡量發展中國家金融發展最具代表性的指標為金融相關比率，即以金融機構提供給私人部門貸款總額與GDP的比值度量；但是目前國內并未提供城市層面的這一數據，因此，限于數據可獲得性，本文參考Zhang等[12]的方法，采用三個城市層面的金融指標衡量金融發展，這三個指標分別從深化程度、規模和質量三方面衡量了金融發展。

（1）金融機構貸款比率（Cred）。用全市年末金融機構貸款余額與GDP的比值表示，其可以衡量總體的金融深化程度。

（2）金融機構存款比率（Depo）。用全市年末金融機構存款余額與GDP的比值表示，其可以衡量金融中介的整體規模。

（3）金融集聚（FinC）。朱玉杰、倪驍然[13]的研究驗證了以金融人力資本衡量的金融集聚對經濟發展的重要影響。參照朱玉杰、倪驍然[13]的方法，用各地市金融業從業人員數占比與當年該指標全國均值之比來代理各市的金融集聚程度，用于衡量金融發展的質量。

2．環境污染排放（EP）

已有的研究文獻大多使用CO2排放作為環境污染的主要污染物，但是由于我國地級市層面的化石能源消費數據以及碳排放數據相對缺乏。而且如彭水軍、張文城、曹毅認為，相對于SO2、廢水等污染物而言，CO2是一種全球性的污染物[14]。而本文的研究目的在于考察國內地級以上城市的金融發展對環境質量的影響。基于此，我們選用SO2為我們研究的環境污染物，與彭水軍、張文城、曹毅[14]一樣，用各年城市工業SO2排放量來代替。

3．其它變量

（1）經濟活躍程度（Active），一般來說，區域經濟活躍程度越高，經濟活動帶來的環境污染排放也越多。文獻中常用于衡量環境污染的規模效應，我們也采用文獻中常用的方法，即用GDP與全市面積的比值測度經濟活躍程度。

（2）資本強度（Capint），不同資本強度的部門產生的環境污染排放也不同，其可以從存量的角度反映生產結構對環境污染的影響，參照Wang、Chen[15]做法，用各市固定資產余額與年末就業人口的比值衡量。

（3）投資率（Invr），與資本強度類似，投資率從流量的角度反映了生產結構對環境污染的影響效應，我們用各市全社會固定資產投資總額與GDP的比值度量，取對數。

（4）人均收入（GDP），在環境庫茲涅茨曲線理論中，人均收入是影響環境污染排放的重要影響因素，Grossman、Krueger[16]、Wang、Chen[15]認為隨著人均收入的增加，環境質量的需求和供給能力都將得到改善，其可被用于捕捉環境質量影響的技術因素，我們用全市GDP與人口的比值測度。

（5）外商直接投資（FDI）。FDI作為經濟增長的重要引擎，其可以通過“環境污染避風港效應”給發展中國家的環境帶來負面作用；同時也可以通過“環境污染光環效應”，也即通過技術溢出等渠道提升發展中國家的環境質量。FDI的衡量可以使用投入和產出的形式，產出形式的衡量方法能夠更好去除統計數據的偏差問題，參照Konings[17]方法，我們使用外資企業工業產值與各市工業總產值的比值衡量。

由于我國城市層面的工業SO2排放量的統計的起始年份是2003年，因此本文的數據使用的是2003年－2012年地級以上城市年度數據，剔除某些變量數據缺失的城市，共得到275個城市樣本。數據來自2004年－2013年的《中國統計年鑒》《中國城市統計年鑒》《中國金融統計年鑒》以及中經網數據庫。

三、實證檢驗結果

（一）空間相關性分析

在使用空間動態面板數據模型進行分析之前，必須檢驗城市間SO2排放的空間相關性。Moran’s I值常用于檢驗變量之間的空間相關性，其具體的表達式如下：

w是空間權重矩陣，x 是平均值。表1報告了2003年—2012年城市SO2排放量的Moran’s I值檢驗結果。從表1可以看到，在這10年間，城市SO2排放量的Moran’s I值都為正值且均通過了顯著性檢驗，這意味著中國城市之間SO2排放量存在顯著的空間正相關性。SO2作為大氣污染物，具有較明顯的空間溢出性。

表1 2003年—2012年城市間SO2排放量的Moran’s I值檢驗結果

（二）基本計量結果

對于空間動態面板數據模型的估計，Kukenova、Monteiro[18]提出使用Arellano、Bover[19]，Blundell、Bond[20]等創立的系統廣義距（GMM）進行分析，他們通過蒙特卡洛實驗發現系統廣義距方法比其它空間動態面板數據的估計方法，如比空間最大似然估計（MLE）在偏誤、均方根誤差、標準誤差精度等方面都更具優越性。Jacobs等[21]運用蒙特卡洛實驗證實了Kukenova、Monteiro[19]的結論，他們也認為采用系統廣義距方法能夠更好減少空間滯后參數估計中的有限樣本帶來的誤差。鑒于此，我們也利用系統廣義距（GMM）方法進行估計。

表2中報告了全樣本的計量結果，Hansen檢驗和Arelleno -Bond 序列相關檢驗的p值均顯示模型能很好地通過這些統計檢驗，從而證明對空間動態面板數據模型使用系統廣義矩的有效性。從結果中可以看到，SO2排放量具有顯著的空間依賴性，并且上一年度的SO2排放量對下一年度的排放量存在顯著的影響。第（1）、（3）、（5）列結果表明金融機構貸款比率（Cred）、金融機構存款比率（Depo）對SO2排放量有顯著的正向促進作用。然而，金融集聚（FinC）對SO2排放量卻有顯著的負向促進作用。這說明金融機構貸款比率（Cred）、金融機構存款比率（Depo）通過助推企業擴張、促進工業的發展而產生的對SO2排放量的增長作用，要大于它們通過促進技術進步、效率提高對SO2排放量所帶來的削減作用。而金融集聚帶來的作用剛好相反，帶來的對SO2排放量的消減作用大于增長作用；這說明在中國，金融發展的質量提升更有利于促進環境效率的提高，促進了環境技術升級，從而抑制了SO2排放量的進一步增長。經濟活躍程度（Active）對SO2排放量產生顯著的促進作用，經濟發展導致了環境污染排放的增加，產生了規模效應，惡化了環境。資本強度（Capint）、投資率（Invr）系數均顯著為正，這主要是由于資本強度、投資率越高的城市，產業結構中重化工業的比重也越高，由此產生SO2排放量也就越高。人均收入（GDP）系數顯著為負，人均收入水平的提高使得民眾對環境質量產生了更高的要求，在日常消費中更傾向于選擇更為環保的產品；企業為了迎合市場的需求，并且同時可能迫于政府的規制，在生產中也更傾向于綠色和環保，從而減少SO2排放。FDI對SO2排放量的影響系數顯著為正，雖然FDI能夠帶來技術效應，但是其產生的環境污染的規模效應帶來的SO2排放的增加超過了結構效應、技術效應對SO2排放的負向作用，從而表現出顯著的正影響。

由于金融發展可以通過間接的方式，即通過影響經濟發展的規模、影響FDI等渠道，進而影響污染排放。于是，我們在模型（1）中加入金融發展與經濟活躍程度（Active）、金融發展與FDI的交互項用于考察這種間接效應，結果報告在表2的第（2）、（4）、（6）列。結果顯示金融機構貸款比率（Cred）、金融機構存款比率（Depo）、金融集聚（FinC）與經濟活躍程度交互項的系數均顯著為正，這說明在當前中國，金融發展通過經濟增長渠道，增加社會投資，促進消費等方式增加了污染排放，惡化了環境。但金融發展與FDI交互項的系數均顯著為負，東道國金融市場發展作為吸收FDI的重要影響因素，其通過吸收FDI的技術溢出，通過促進R&D活動，提高了環境效率，減輕了FDI帶來的環境污染，消減了SO2排放。比較系數絕對值的大小，金融發展與經濟活躍程度的交互項系數的絕對值要大于金融發展與FDI的交互項系數。這意味著在目前中國，整體上，金融發展通過經濟增長帶來的對污染排放的擴大效應要大于通過FDI帶來的對污染排放的消減效應。

（三）分東、中西部子樣本估計結果

由于中國地區之間要素稟賦、經濟發展水平等存在較大的差異性，為區分這種差異性在金融發展對環境污染排放的影響過程中的作用，我們將城市分成東部城市和中西部城市，其中東部城市101個，中西部城市174個，使用系統廣義距估計的空間動態面板數據模型結果報告在表3中。從表3可以得到如下幾個結論：

表2 基本計量結果（空間動態面板數據模型，系統GMM估計）

表3 分東中西部城市子樣本的空間動態面板計量結果（系統GMM估計）

（1）在東部城市，金融機構貸款比率（Cred）、金融機構存款比率（Depo）對SO2排放量無顯著影響，其主要原因是在東部城市這兩個指標產生的對SO2排放的規模效應，在一定程度上被它們同時產生的結構效應和技術效應帶來的消減作用所抵消，導致了影響不具顯著性。金融集聚（FinC）系數顯著為負，這是由于東部城市金融集聚程度比較高，金融集聚對技術進步的作用更突出，導致對SO2排放產生顯著為負的效應。對于中西部城市，金融機構貸款比率（Cred）、金融機構存款比率（Depo）對SO2排放的影響顯著為正，這意味著近些年來中西部城市金融深化和金融規模的發展促進了工業發展，帶來了經濟增長，擴大了居民消費，從而增加了中西部城市的SO2排放。而金融集聚（FinC）的系數不顯著，但為負。比較東、中西部城市可以發現，金融發展在金融發展水平較高、經濟基礎較好、創新能力較強的東部城市通過促進技術進步、提高能源效率降低SO2排放的作用已經顯現。而在中西部城市，金融發展主要作用體現在促進SO2排放的規模效應提升上，技術效應較小，因此金融發展對SO2排放在中西部城市表現出顯著的增長影響。

（2）雖然金融發展與經濟活躍程度的交互項（lnFDct·lnActivect）在東部、中西部城市符號相同，且均顯著為正；但是我們可以發現金融發展與經濟活躍程度的交互項在東部城市顯著性更弱，且系數更小，這說明雖然在東部城市金融發展通過促進經濟規模的增長而惡化了環境；但是，這種負面作用要比中西部城市明顯更弱。原因在于，經過幾十年的發展，東部城市作為改革開放的排頭兵，整體經濟發展水平較高，產業結構中服務業的比重增長較突出，有些經濟發達的城市已經進入到后工業化階段，環保和綠色在東部城市愈來愈深入人心，整體政府的環境規制強度也比中西部城市更高，越來越多的新投資轉移到服務業或低污染低排放的項目中去。而不少中西部城市為了發展經濟，更多通過促進工業發展，尤其是一些重化工業的發展上，從而在中西部城市金融發展通過促進經濟增長帶來了更為嚴重的環境污染。同時，也可以看到金融發展與FDI的交互項（lnFDct·lnFDIct）在東部城市系數的絕對值更大，這表明，在東部城市，金融發展通過吸收FDI的技術溢出，通過促進R&D活動，提高環境效率，進而消減SO2排放的效應更大。

（3）人均收入（GDP）系數僅在東部城市顯著為負，中西部城市雖為負，但不顯著，這說明僅在經濟相對發達的東部城市，收入增加帶來的技術效應顯著的消減了SO2排放。比較FDI在不同地區城市之間的影響差異性，東部城市雖為負，但系數并未通過顯著性檢驗。而在中西部城市，系數顯著為負。這就是說僅在中西部城市，FDI的環境溢出效應削減了SO2排放，我們認為原因是中西部城市企業的環境技術水平與外資企業差距較大，吸收的環境技術溢出表現出較為明顯的推動SO2排放減少的作用。而東部城市企業的環境技術水平較高，與外資企業差距較小，外資企業環境技術溢出并未表現出顯著性。

四、結論與政策啟示

目前國內外已有的研究金融發展對環境質量影響的文獻主要采用跨國或省級面板數據進行研究，樣本數較少，并且已有的文獻往往忽視了環境污染排放動態變化的過程，或者未考慮區域之間環境污染排放的空間溢出性。基于此，本文使用了中國2003年—2012年275個城市的數據，利用兼具空間估計方法和動態面板回歸模型優勢的空間動態面板數據模型，并采用更具科學性的系統廣義距（SYM-GMM）方法進行估計，從而研究了金融發展對環境質量的影響效用。系統廣義距估計發現，總體而言，金融機構貸款比率、存款比率對SO2排放有顯著的促進作用；然而，金融集聚卻抑制了SO2排放。金融發展通過促進經濟增長增加了SO2排放，但通過吸收FDI技術溢出消減了SO2排放。進一步研究表明金融發展的影響效應存在區域的差異性，在東部城市，金融機構貸款比率（Cred）、金融機構存款比率（Depo）對SO2排放量無顯著影響，金融集聚（FinC）系數顯著為負；對于中西部城市，金融機構貸款比率（Cred）、金融機構存款比率（Depo）對SO2排放的影響顯著為正，而金融集聚（FinC）的系數不顯著，但為負。雖然在東部城市金融發展通過促進經濟發展而惡化了環境，但是，這種負面作用要比中西部城市明顯更弱。在東部城市，金融發展通過吸收FDI的技術溢出，進而消減SO2排放的效應更大。

本文的研究結論蘊含豐富的政策含義：首先，要重視發展綠色金融，金融部門在投融資過程中要有所選擇，不能只考慮經濟效益，更要考慮環境效益。尤其是中西部城市，在積極促進金融發展的同時，要采取措施促使更多的金融資源轉移到節能、環保的項目或產業中去，并通過金融手段引導居民進行綠色消費。其次，在金融發展中要合理看待金融深化、規模等“量”的發展，注重金融發展中“質”的提升。金融發展的“質”更有利于激發城市綠色技術創新能力，中西部城市更要注重金融發展中“質”的積累，從而更好的促進城市經濟的內涵式發展。再次，一要繼續鼓勵“自下而上式”金融市場改革，優化FDI技術溢出的城市金融支持環境，提升國內企業對FDI技術溢出效應的吸收能力；二要加強中小企業金融支持體系建設， 創新支持企業研發的金融制度，增強企業對先進技術的模仿和學習能力，從而促進吸收FDI的技術溢出。

[1] ALFARO L, CHAND A, KALEMLI-OZCAN S, et al. FDI and Economic Growth: The Role of Local Financial Markets[J]. Journal of International Economics, 2004, 64: 89-112.

[2] GANTMAN E R, DABOS M P. A Fragile Link? A New Empirical Analysis of the Relationship between Financial Development and Economic Growth[J]. Oxford Development Study, 2012, 40(4): 517-532.

[3] LEE J, CHEN K, CHO C-H. The Relationship between CO2Emissions and Financial Development: Evidence from OECD Countries [J]. Singapore Economic Review, 2015, 60(5): 155-172.

[4] TAMAZIAN A, CHOUSA J P, VADLAMANNATI C. Does Higher Economic and Financial Development Lead to Environmental Degradation: Evidence from the BRIC Countries[J].Energy Policy, 2009, 37: 246-253.

[5] OMRI A, DALY S, RAULT C, et al. Financial Development, Environmental Quality, Trade and Economic Growth: What Causes What in MENA Countries[J]. Energy Economic,2015,48: 242-252.

[6] SADORSKY P. The Impact of Financial Development on Energy Consumption in Emerging Economies[J]. Energy Policy, 2010 38：2528-2535.

[7] OZTURK I, ACARAVCI A. The Long-run and Causal Analysis of Energy, Growth, Openness and Financial Development on Carbon Emissions in Turkey[J]. Energy Economic，2013，36：262-267.

[8] ABBASI F, RIAZ K. CO2Emissions and Financial Development in an Emerging Economy: an Augmented VAR Approach[J]. Energy Policy, 2016, 90: 102-114.

[9] 嚴成樑, 李濤, 蘭偉. 金融發展、創新與二氧化碳排放[J]. 金融研究, 2016(1): 14-30.

[10] 熊靈，齊紹洲. 金融發展與中國省區碳排放——基于STIRPAT模型和動態面板數據分析[J]. 中國地質大學學報（社會科學版），2016(2)：63-73.

[1 1] ANTWEILER W, COPELAND B R, TAYLOR M S. Is Free Trade Good for the Environment? [J]. American Economic Review, 2001, 91: 807-908.

[1 2] ZHANG Y J. The Impact of Financial Development on Carbon Emissions: an Empirical Analysis in China[J]. Energy Policy, 2011, 39：2197-2203.

[13] 朱玉杰, 倪驍然. 金融規模如何影響產業升級: 促進還是抑制? [J]. 中國軟科學，2014(4)：180-192.

[1 4] 彭水軍, 張文城, 曹毅. 貿易開放的結構效應是否加劇了中國的環境污染[J]. 國際貿易問題, 2013(8): 119-132.

[15] WANG D, CHEN W. Foreign Direct Investment, Institutional Development, and Environmental Externalities: Evidence from China[J]. Journal of Environmental Management, 2014，135：81-90.

[16] GROSSMAN G M, KRUEGER A B. Economic Growth and the Environment[J]. Quarterly Journal of Economics, 1995, 110: 353-377.

[17] KONINGS J. The Effects of Foreign Direct Investment on Domestic Firms: Evidence from Firm-level Panel Data in Emerging Economies[J]. Economic Transit, 2001,9 (3)：619-633.

[18] KUKENOVA M, MONTEIRO J A. Spatial Dynamic Panel Model and System GMM: A Monte Carlo Investigation[R]. Technical Report, University Library of Munich, Germany, 2009.

[19] ARELLANO M, BOVER O. Another Look at the Instrumental Variable Estimation of Error Components Models[J]. Journal of Econometrics, 1995, 68(1)：29-51.

[20] BLUNDELL R, BOND S. Initial Conditions and Moment Restrictions in Dynamic Panel Data Models[J]. Journal of Econometrics, 1998, 87(1)：115-143.

[21] JACOBS J M, Jenny E L, Hendrik V. Dynamic Panel Data Models Featuring Endogenous Interaction and Spatially Correlated Errors[Z]. Discussion Paper Tilburg University, Center for Economic Research, 2009.

（責任編輯：周吉光）

Have the Financial Development Deteriorated the Urban Environmental Quality in China？—Based on the Spatial Dynamic Panel Data Model in 275 Cities

HE Xiang-min, LAI Yong-jian

Nanchang Institute of Technology, Nanchang, Jiangxi 330099

Based on the spatial dynamic panel data model that have both the advantage of the spatial estimation method and the dynamic panel regression model, this paper studied the financial development effect to SO2emissions in 275 Chinese cities. System of generalized distance estimate is found that, the loan ratio of financial institutions, deposit ratio have significant role in promoting the urban SO2emissions; however, the financial agglomeration, inhibited the SO2emissions. From the indirect channel, the financial development, increased the SO2emissions by promoting economic growth, but by absorbing the technology spillover of FDI to reduce SO2emissions. Further research show that the financial development have the differences effect to SO2emissions of cities in different regions.

financial development; environmental quality; SO2emissions; the spatial dynamic panel model

F205

A

1007-6875(2017)02-0030-08

??日期：2017-03-06

10.13937/j.cnki.hbdzdxxb.2017.02.006

國家自然科學基金項目（71563029）；教育部人文社科青年項目（15YJC790025）；江西省社科規劃課題（15YJ33）；江西省科技廳軟科學課題（20161BBA10041）。

賀祥民（1981—），女，湖南邵陽人，碩士，講師，研究方向為可持續發展；賴永劍（1980—），男，江西贛州人，博士，副教授，研究方向為產業經濟。