中国资源循环利用产业金融支持水平和效率的区域差异

张玲，杨哂，董战峰

（1.南京林业大学经济管理学院，江苏南京 210037；2.生态环境部环境规划院，北京 100012）

引言

资源循环利用产业是我国战略新兴产业的重要组成部分，其以自然资源、能源和生产消费过程中产生的废弃物为对象，通过加工利用使之成为社会需要的资源，是循环经济形成闭环周转的关键，也是我国经济高质量发展的新载体。然而，资源循环利用产业在我国发展并不充分，其良性持续发展离不开政府补贴和金融系统长期稳定的资金支持。为此，2017 年《循环发展引领行动》强调“利用现有资金渠道对循环经济予以支持，进一步提高资金利用效率和使用效益”。2021 年6 月，国务院提出“壮大绿色环保产业，对资源循环利用企业加大财税扶持力度”。

然而，该产业发展起步较晚，涉及多个行业且龙头企业市场整合度较低，不同区域企业规模和数量不同。另外，我国不同区域的金融市场水平发展差距较大，随着当前资源循环利用产业的金融资源投入力度的不断加大，不同区域是否存在金融资源供给和配置的不均衡？这些投入资源的产出效率是否存在区域差异？因此本文提出的研究问题是：我国资源循环利用产业的金融支持水平和金融支持效率如何？水平与效率是否存在区域差异，如有差异，其差异来源是什么？研究结果可为促进该产业形成健全完善的金融支持体系，实现金融资源的合理分配，减少区域差距，最终实现该产业全面均衡发展提供参考。

1 文献综述

目前我国不同行业，如煤炭业[1]、海洋业[2]、金属业[3]、战略新兴产业（整体）[4-7]、高新技术产业[8]等都开展了有关金融支持效率的研究。在相关测算方法上，已有成果为后续研究提供了坚实基础。数据包络分析（Date Envelopment Analysis，DEA）模型因无须预设生产函数，能更有效地处理多投入、多产出系统间的效率评价问题，在各类效率的测算上被广泛使用。但如果选用的DEA 模型较为简单，便面临松弛变量、无法跨期比较和实现DEA 有效的决策单元（Decision Making Unit，DMU）较多时无法进一步比较等问题，使测算结果产生一定偏差。而采用基于全局参比的超效率SBM-DEA 模型（Global-Super-SBM，GS-SBM）进行效率测算[9]，则可以在很大程度上解决这些问题。

在揭示区域差异的研究方面，有学者使用变异系数法从省级或区域层面揭示了空间差异性[10,11]；也有学者使用Theil 指数法，但该方法会导致样本间差异被平均化，从而降低结果的精确度[12-14]；Dagum 基尼系数[15]能有效解决样本数据交叉重叠的问题，有效地测度区域差异并揭示差异来源。运用该方法，陈景华比较了我国服务业的绿色全要素生产率增长的行业差距[16]；吕承超等比较了我国制造业信贷配置的地区和行业差距[17]；马玉林等比较了我国省际层面的科技金融效率差异[18]。但目前这种方法在金融支持水平和效率的区域差异方面的应用几乎没有。

资源循环利用产业是战略新兴产业中的重要组成部分。然而，现阶段该产业尚未被作为独立的产业部门计入国民经济统计，因此针对该产业整体的相关研究相对较少，包括对资源循环利用产业上市公司的全要素生产率的测算[19]，对资源循环利用产业政策演进特征的分析[20]、产业发展路径和发展建议分析[21,22]等。除此以外，更多研究针对资源循环利用产业中的某个/某些具体行业而开展，例如资源再生产业/再生资源产业[23,24]、废弃物回收产业[25-27]等；也有针对资源循环利用具体活动的研究[28-30]。截至当前，尚未有针对资源循环利用产业的金融资源使用或者金融支持效率的研究。

为此，本文在借鉴已有研究成果的基础上，以金融资源被投入主体即资源循环利用产业上市企业为研究对象，首先运用熵权法和GS-SBM 模型分别测算2016—2020 年我国资源循环利用产业在各区域的金融支持水平和效率；其次运用Malmquist 指数模型及其分解指标探究该产业各区域金融支持效率的演变趋势；最后，运用Dagum 基尼系数法及其分解方法揭示金融支持水平和效率的区域差距及其来源，以期为我国资源循环利用产业的全面均衡发展提供科学依据。

2 研究方法与数据

2.1 研究方法

2.1.1 熵权—线性加权法

使用熵权法确定各投入指标权重，并运用线性加权法计算我国资源循环利用产业金融支持水平得分。假设有n个企业m个指标构成原始指标数据矩阵X=，具体计算过程如下：

第一步，计算各原始指标的标准化值yij：

其中，max(xj)和min(xj)分别表示第j个指标的最大值与最小值，xij皆为正向指标。

第二步，计算各指标的熵值Hj：

第三步，计算第j个指标的熵权wj：

其中，wj∈[0,1]，且=1。

最后，计算第i个企业的金融支持水平得分Si：

Si越大，说明第i个企业的金融支持水平得分越高，即收到的金融资源投入越多。

2.1.2 GS-SBM 模型

将超效率SBM模型[31]和全局参比技术[32]相结合，构建GS-SBM 模型，测度我国资源循环利用产业的金融支持效率。模型具体如下：

假设有n个DMU，设x∈Rm,y∈Rh，分别为投入与产出，m、h分别表示投入和产出的种类。在t时期(t=1，2，…,T)，第k个DMU 的生产可能性集合为(Pt)，如式（5）所示。在式（5）的基础上，基于全局参比的生产可能性集合（PG）如式（6）所示。

基于全局参比的超效率SBM 模型如式（7）所示，式（7）是基于规模报酬不变（CRS）假设下的规划模型，如果增加∑=λ1 的假设，则是基于规模报酬可变（VRS）假设下的规划模型。根据Charnes 等的研究[33]，在实际求解过程中可将式（7）转变为线性规划。

其中，ρk为金融支持效率；xk和yk分别代表投入和产出向量；xik和yrk分别代表第i种投入的投入向量和第r种产出的产出向量；分别为投入和产出的松弛变量；λ为权重指数。

2.1.3 Dagum 基尼系数及其分解方法

进一步采用Dagum 基尼系数及其分解方法对资源循环利用产业中不同区域的企业金融支持水平和效率的差异进行分析，该方法能有效分析区域水平和效率的差异来源，解决子群之间的交叉重叠问题。总体基尼系数可以被分解为区域内差异、区域间差异和超变密度。具体计算过程可见孙亚男等[34]提出的方法。

2.1.4 Malmquist 指数模型

基于全局参比，从t到t+1 时期，第k个DMU 金融支持效率的跨期变动可以用Malmquist 指数（M 指数）表示[31]，具体如式（8）所示。

2.2 研究对象、变量选取与数据说明

2.2.1 研究对象

资源循环利用产业涉及行业较多，根据《战略性新兴产业分类（2018）》和《节能环保清洁产业统计分类（2021）》（国家统计局令第34 号）的界定，资源循环利用产业包括资源循环利用装备制造，矿产资源综合利用，工业固体废物、废气、废液回收和资源化综合利用，城乡生活垃圾与农林废弃资源综合利用，汽车零部件及机电产品再制造，水资源循环利用六大产业，代码依次为3.1、3.2、3.3、3.4、3.5、3.6，本研究中依次用A～F 加以代表。由于缺乏针对该产业的统计数据，考虑到数据可得性，本研究选取该产业上市企业为研究对象，以企业的主营业务作为筛选依据，共筛选出样本企业114 家，其中有66 家位于东部地区，31 家位于中部地区，17 家位于西部地区，东、中、西部的划分依据《中国统计年鉴》。不同区域的企业数量差异较大，初步表明资源循环利用产业在我国不同区域的发展并不均衡。

2.2.2 指标选取和数据说明

借鉴已有研究对金融支持效率的定义[4-7]，本文从资金筹集与配置两方面来反映金融资源投入支持企业发展的贡献程度。在投入指标的选取上，选择银行贷款、债券融资、股票融资、商业信用融资、内部资金融资和政府补贴，试图全面反映资源循环利用产业所有的资金来源。产出指标上，本文选择净利润和营业收入，分别用以反映企业的盈利能力与发展能力。其中，以投入指标来测度金融支持水平。表1 是相关指标说明。

表1 相关指标说明

由于资源循环利用产业在近几年才有较快发展，上市公司的前期相关数据缺乏，因此本文观察期设定为“十三五”期间（2016—2020 年），114 家样本企业共产生570 个观测值，原始数据主要来源于各企业年报。

最后，DEA 模型要求投入产出变量的数值均为正，采用如下公式对数据进行标准化处理：

其中，xi为原始数据；yi为处理后的数据；xmax与xmin分别为该指标的最大值与最小值。

3 结果分析

3.1 不同区域资源循环利用产业的金融支持水平与效率分析

3.1.1 不同区域资源循环利用产业的金融支持水平分析

借助式（4）计算出2016—2020 年我国资源循环利用产业的金融支持水平得分均值，并对其分解，全国及各区域得分如表2 所示。

由表2 可知，2016—2020 年我国资源循环利用产业金融支持水平的均值为0.067，得分最高的企业位居东部（0.653），最低的企业位居西部（0.005），说明就整体而言，我国资源循环利用产业的金融支持水平较低，并且企业间的金融支持水平差距较大。从各指标的贡献看，商业信用融资对金融支持水平贡献最大（0.021），内部资金融资对其贡献最小（0.003）。

表2 2016—2020年我国资源循环利用产业金融支持水平及其分解

不同区域的金融支持水平存在差异，观测期内中部地区的金融支持水平均值（0.076）略高于东部地区（0.071），远高于西部地区（0.036）。商业信用融资均是对三大区域金融支持贡献水平最大的指标，东部、中部、西部分别为0.023、0.021、0.013；东部和中部地区对金融支持水平贡献最低的是内部资金融资，西部为内部资金融资和政府补贴。

为了进一步考察金融支持水平的动态变化，计算出金融支持水平的年均增长率，并对其进行分解，结果如表3 所示。

从表3 可以看出，2016—2020 年我国资源循环利用产业整体的金融支持水平年均增长率为11.5%，保持了较好的增长态势。其中，政府补贴（19.8%）和银行贷款（14.7%）是金融支持水平增长的主要动力，资源循环利用产业发展前期投入较高、回报率较低，而针对该产业出台的政府补贴与银行贷款的扶持政策较多，资金来源相对稳定，能在一定程度上缓解企业的资金需求。债券融资（-40.2%）是水平增长的最主要抑制力，债券融资虽能为企业提供低成本的资金来源，但企业债券过多发行可能导致金融风险，引发企业财务危机。

表3 2016—2020年我国资源循环利用产业金融支持水平年均增长率及其分解

三大区域的金融支持水平年均增长率存在差异，中部（14.6%）＞东部（11.4%）＞西部（6.3%），其中政府补贴和银行贷款是东部地区金融支持水平增长的主要动力，政府补贴与股票融资是中部地区金融支持水平增长的主要动力，股票融资与内部资金融资是西部地区金融支持水平增长的主要动力，债券融资均是三大区域的金融支持水平增长的最主要抑制力。

3.1.2 不同区域资源循环利用产业的金融支持效率分析

借助MaxDEA Ultra8.0 软件，基于GS-SBM 模型对2016—2020 年我国资源循环利用产业的金融支持效率进行测算，具体结果如表4 所示。

表4 2016—2020年我国资源循环利用产业的金融支持效率

由表4 可以看出，观测期内我国资源循环利用产业的金融支持效率平均值为0.860，总体来说效率水平较高，但未能实现DEA 有效。三大区域间效率存在一定差异，观测期内西部（0.917）＞中部（0.870）＞东部（0.841），所有区域均未实现DEA 有效。金融支持效率表现最好的企业位于西部（1.549），最差的位于东部（0.427）。从变异系数均值大小来看，中部＞东部＞西部，即中部地区企业间的金融支持效率差异最大，西部最小。

表5 展示了2016—2020 年我国资源循环利用产业整体、三大区域金融支持效率的M 指数、EC 指数及TC 指数。

表5 2016—2020年金融支持效率的M指数、EC指数及TC指数

由表5 可以看出，2016—2020 年我国资源循环利用产业的金融支持效率的M 指数为0.989，呈略下降趋势，年均下降1.1%。可能的原因是，观测期正值“十三五”期间，受益于一系列针对资源循环利用产业的财政税收政策的出台[24]，该产业得以快速发展，产业规模进一步扩大，但受制于该产业较弱的市场竞争力，产业整体从规模扩张阶段到实际产能提升需要一定的过渡时期，因此效率出现一定下滑。从分解指标来看，EC 指数为0.974，即年均下降2.6%，而TC指数为1.015，即年均增长1.5%，表明我国资源循环利用产业金融支持效率的下降主要是由于技术效率水平的恶化。

从不同区域的对比来看，M 指数由高到低排序为：西部（1.001）、东部（0.987）、中部（0.986），说明观测期内三大区域的金融支持效率均呈下降趋势，并且中部区域下降最快，年均下降1.4%。所有区域的EC 指数均小于1，TC 指数均大于1，即各区域金融支持效率的M 指数小于1 的主要原因是技术效率水平的低下。

综上，对比我国资源循环利用产业金融支持水平和效率的静态结果可以发现，观测期内东部、中部、西部均没有实现理想的金融资源投入与产出配置比例，东部地区的金融支持水平较高，其效率值却最低，没有实现有效的绩效产出；中部地区金融支持水平最高，效率值也较高；西部地区的金融支持水平最低，其效率值却最高，这说明尽管投入到西部地区的金融资源相对更缺乏，但该地区企业对金融资源能更加有效地进行配置和利用。对比金融支持水平和效率的动态结果可以发现，观测期内三大区域均呈现水平上升、效率下降的趋势，不同区域的金融支持水平增长速度与来源存在差异，而效率下降均来源于技术效率水平的恶化。

3.1.3 子产业金融支持水平和效率的区域差异分析

不同区域内六个子产业的金融支持水平和效率均值见表6。从全国层面来看，六大产业的金融支持水平排序为：B＞C＞D＞F＞A＞E；金融支持效率排序为：E＞B＞A＞C＞F＞D。各产业在不同区域的金融支持水平和效率也存在较大差距。其中，B、D 和E 产业均表现出在西部地区金融支持水平最低，而金融支持效率却最高的趋势。A 产业（资源循环利用装备制造）在中部的金融支持水平高于其他区域，效率却是东部最高，可能表明东部企业在技术水平上相对领先；B 产业（矿产资源综合利用）的金融支持水平和效率在东/中部与西部区域间差异明显，表明在我国经济较为发达的东部和中部，企业获得金融资源相对容易，但在矿产资源丰富的西部地区，该产业具有技术优势，企业能更高效利用金融资源；C产业（工业固体废物、废气、废液回收和资源化综合利用）在东部的金融支持水平远高于其他区域，效率却远低于其他区域，可能表明现阶段该产业的金融资源在区域间错配现象较为严重；D 产业（城乡生活垃圾与农林废弃资源综合利用）在东部与中部均表现出高投入—低效率，表明其效率的提升尤其需要关注；E 产业（汽车零部件及机电产品再制造）在三大区域均表现出低投入—高效率，表明该产业能高效利用现有金融资源。F 产业在西部地区仅一家企业，因此难以进行比较。总体来说，在效率提升上，东部和中部应重点关注A、B、C、D 四个产业，而西部地区各产业均表现较好。

表6 不同区域各子产业的金融支持水平和效率均值

3.2 我国资源循环利用产业金融支持水平与效率的差异来源

从上文可知，我国资源循环利用产业的金融支持水平和效率存在区域差异，因此通过KS 检验进一步检验区域差异的显著性，具体检验结果见表7。

表7 非参数方法检验结果（P值）

可以看出，各区域组合间的金融支持水平和效率均存在显著差异。在此基础上，进一步采用Dagum 基尼系数及其分解方法探究不同区域企业的金融支持水平和效率的差异及其来源，具体结果如表8 和表9 所示。

从表8 可以看出，2016—2020 年我国资源循环利用产业金融支持水平的总体基尼系数均值为0.555，整体呈现出波动下降的趋势，但波动幅度较小，这说明资源循环利用产业金融支持水平的企业间差距较大，但呈现出缓慢的递减趋势。可能的原因在于，“十三五”提出的鼓励金融机构加大对资源循环利用企业的投融资力度等政策取得了一定成效，在一定程度上缩小了全国范围内企业间金融资源的投入差距。

表8 我国资源循环利用产业金融支持水平的区域差异及其来源

三大区域的区域内水平差异均呈现出波动下降趋势，其中中部降幅最大（10.73%），西部（8.98%）居中，东部降幅最小（6.54%）。从平均值来看，中部＞东部＞西部，这说明中部各企业的金融支持水平不均衡的现象在三者中最为突出，其次为东部，西部最均衡。三大区域间的金融支持水平差异均呈现出波动下降趋势，从数值大小来看，观测期内金融支持水平区域间差异数值由大到小依次排序为中—西、东—中、东—西。

从区域水平差异来源的贡献率来看，区域内差异贡献率始终在均值（44%）左右波动，而超变密度贡献率不断下降，区域间差异贡献率处于波动上升趋势。总体上来看，观测期区域内差异始终是我国资源循环利用产业金融支持水平区域差异的主要来源，其次是超变密度，最后为区域间差异，平均贡献率由高到低依次为44.0%、41.6%、14.4%。

从表9 可以看出，2016—2020 年我国资源循环利用产业金融支持效率的基尼系数均值为0.084，相对较小，但整体呈现波动上升趋势，年均增长率为6.28%。表明在当前经济增速放缓、要素成本上升的背景下，该产业得到的金融资源投入虽不断增加，但内部的市场活力不足、企业竞争激烈，金融资源无法高效利用，盈利能力等差距被进一步放大。

表9 我国资源循环利用产业金融支持效率的区域差异及其贡献率

三大区域的区域内金融支持效率差异均呈现出波动上升趋势，东部区域涨幅（37.5%）高于中部（34.57%）和西部（9.26%）。从平均值来看，中部（0.089）＞东部（0.083）＞西部（0.063），这说明中部各企业金融支持效率不均衡现象最为突出，而西部地区最为均衡。三大区域间的金融支持效率差异均呈现出波动上升趋势，区域间差异数值由大到小依次排序为东—中、东—西、西—中。

从区域效率差异来源的贡献率来看，2016—2017年超变密度贡献率高于区域内差异高于区域间差异，2017—2020 年则区域内差异高于超变密度高于区域间差异。总体上来看，观测期内区域内差异是我国资源循环利用产业金融支持效率区域差异的主要来源，其次是超变密度，最后为区域间差异，平均贡献率由高到低依次为42.1%、40.1%、17.8%。

4 结论和建议

本文测度了2016—2020 年我国三大区域资源循环利用产业上市企业的金融支持水平与金融支持效率，考察了金融支持水平与效率的演变特征，揭示了水平和效率的区域差异及其来源。主要结论如下：

（1）2016—2020 年我国资源循环利用产业整体的金融支持水平较低，观测期内均值为0.067，商业信用融资对金融支持水平贡献最大，内部资金融资对其贡献最小。不同区域的金融支持水平存在差异，表现为中部略高于东部，明显高于西部。金融支持水平整体处于上升趋势，年均增长11.5%，政府补贴和银行贷款是金融支持水平增长的主要动力，债券融资是水平增长的最主要抑制力。不同区域的金融支持水平年均增长率和增长的主要动力存在差异，债券融资是三大区域的金融支持水平增长的最主要抑制力。

（2）2016—2020 年我国资源循环利用产业整体的金融支持效率表现较好，观测期内均值为0.86，西部高于中部和东部。整体金融支持效率处于下降趋势，年均下跌1.1%，所有区域的金融支持效率均处于下降趋势，其中中部下降最快，年均下降1.4%。所有区域的EC 指数均小于1，TC 指数均大于1，说明我国资源循环利用产业的金融支持效率下降主要源于技术效率水平恶化。

（3）2016—2020 年我国资源循环利用产业内六大产业的金融支持水平和效率存在明显的区域差异，其中，B、D 和E 产业均表现出在西部金融支持水平最低，而金融支持效率却最高的趋势。

（4）2016—2020 年我国资源循环利用产业的金融支持水平和效率均存在明显的区域差异，金融支持水平的总体差异逐渐缩小，金融支持效率的总体差异逐渐扩大；区域内差异是我国资源循环利用产业金融支持水平和效率区域差异的主要来源。

基于以上结论，本文提出以下建议：

（1）进一步提升对我国资源循环利用产业的金融支持水平，尤其是西部地区企业。完善我国金融市场功能，制定针对资源循环利用产业的金融支持对接政策，鼓励金融机构为企业提供多元化的融资产品，尤其是缓解西部企业的融资困境。优化对企业的金融资源投入，尤其重视东部和中部效率的提升，引导企业提升经营管理水平，提高企业对金融资源的筹集与配置能力，促进技术效率水平提升。

（2）针对资源循环利用产业内部子产业的金融支持水平和效率的区域差异，按照分类施策、因地制宜的原则，充分考虑区域内部各子产业发展水平和资源条件差异，推进其高效利用金融资源。东部和中部应重点关注A、B、C、D 四个产业，探索其金融支持效率的提升途径。

（3）针对金融支持水平和效率的区域差异，一方面推动优势企业的资金、管理经验等共性生产要素向弱势企业流动，缩小区域内差异；另一方面考虑实施有差别的金融支持政策，缓解区域间的金融资源冗余与不足的困境，促进各区域内企业协调发展。