1 团队介绍
队名：How team
团队成员：王楚楚、张曼晞
指导老师：冯小舟
学校：三江学院
2 作品背景
改革开放四十多年来，我国经济发展不断向好，但是发展模式仍然停留在“先发展，后治理”的粗放型经济发展模式中，这种模式导致的环境问题加剧了生态赤字，严重影响了我国经济高质量发展。
为改变我国传统的工业经济发展模式，推动经济的绿色发展，1995 年中国人民银行和环保局先后颁布了《中国人民银行关于贯彻信贷政策和加强环境保护工作有关问题的通知》。党的十八大以来，绿色金融的重要地位愈来愈重要，成为贯彻落实新发展理念的关键抓手。党的十九大报告明确提出要加快建立绿色生产和消费的法律制度和政策导向，建立健全绿色低碳循环发展的经济体系。随后，加快发展方式绿色转型、大力发展绿色经济、遏制“两高”项目盲目发展、大力发展绿色金融及实施低碳环保税收优惠政策等任务目标也在中共中央发布的“十四五”规划纲要中被明确指出。党的二十大报告再一次强调了加快发展方式绿色转型的重要性。
长三角地区，包括上海、江苏、浙江、安徽四个经济发达省市，一直以来都是中国经济发展的引擎之一。在全球经济不断演进的背景下，绿色金融和经济高质量发展成为推动区域经济可持续发展的关键因素。绿色金融作为一种注重环境可持续性的金融模式，旨在促进低碳、环保、资源高效利用的经济增长，已成为国际上普遍关注的重要议题。
与此同时，经济高质量发展强调以创新、协调、绿色、开放、共享为发展理念，推动经济由高速增长向更高质量、更可持续的方向演进。在这一时代背景下，长三角地区作为中国经济发展的先行者之一，其绿色金融发展现状与经济高质量发展水平的关系显得尤为重要。
尽管绿色金融的理念在长三角地区得到了广泛认可，但实际的发展水平和对经济高质量发展的支持程度尚需深入调查和研究。因此，开展对长三角地区绿色金融发展现状与经济高质量发展水平的耦合研究，对于深化理解绿色金融与区域经济高质量发展的内在联系、提升绿色金融的实际作用以及推动经济高质量发展具有积极的实践意义。
3 制作流程
3.1 数据来源
表1数据来源
|
相关数据
|
数据来源
|
|
中国各地级市的绿色金融指数数据
|
统计局、科技部、中国人民银行等权威机构网站，全国及各省市统计年鉴、环境状况公报及一些专业统计年鉴，如
《中国科技统计年鉴》《中国能源统计年鉴》《中国金融年鉴》《中国农业统计年鉴》《中国工业统计年鉴》和
《中国第三产业统计年鉴》
|
|
A 股上市环保企业新增银行贷款占比
|
CSMAR 数据库
|
|
高能耗行业利息支出占比
|
《中国工业统计年鉴》
|
|
绿色证券
|
Wind 数据库
|
|
环境污染治理投资总额
|
EPS 数据库
|
|
GDP、地方财政环境保护支、财政总支
|
《中国统计年鉴》绿色投资
|
|
农业保险赔付支出
|
《中国保险年鉴》
|
|
农业保险保费收入
|
|
财产保险保费收入
|
3.2设计框架
3.3设计思路及逻辑
第一阶段：全国绿色金融总体分析
在第一阶段，我们全面综合分析了全国绿色金融发展的现状。通过对20162021 年全国各省绿色金融指数、长三角地区绿色金融指数以及各省 GDP 指数的处理与分析，我们采用了多种可视化手段，包括区域地图、柱状图、瀑布图等，通过这些图表，我们能够直观地了解各省的绿色金融发展现状，并检视长三角地区绿色金融指数与其GDP增长的关系。
首先，我们以区域地图展示了全国31个省在2016-2021年间的绿色金融指数，突出了不同省份的发展差异。我们运用柱状图进一步呈现了全国TOP6省份的绿色金融指数，使读者能够清晰了解这些省份在绿色金融发展方面的相对表现。
随后，我们将焦点缩小到长三角地区，通过瀑布图展示了2016-2020年长三角地区绿色金融指数的发展趋势。结合各省GDP指数的柱状图，我们深入分析了绿色金融和经济发展之间的关系。
第二阶段：长三角地区绿色金融指标体系分析
在第二阶段，我们聚焦于长三角地区的绿色金融指标体系特征剖析。我们采用熵值法处理绿色金融指标体系数据，通过多层饼图清晰展示了长三角三省一市在2008-2020年期间绿色金融的构成比例。通过折线图，我们进一步分析了长三角地区绿色证券、绿色信贷、绿色投资、绿色保险四个方面的指标变化，为理解绿色金融的动态提供了深入见解。
第三阶段：耦合度和耦合协调度分析
这个阶段我们着重研究绿色金融与经济高质量发展的耦合关系。我们运用 SPSS 进行相关数据分析，引入耦合模型来研究绿色金融发展与经济高质量发展的耦合协调关系，得出了各省2008-2020年的耦合协调等级。通过表格和时空分布图，我们生动地展现了这些关系，以深入了解长三角地区三省一市之间的耦合协调度的时空分异特征。
第四阶段：基于可持续发展视角的长三角地区绿色金融与经济高质量发展建议
最后，基于以上分析结果，我们从政策、市场、技术和生态等四个视角提出了建议，这些建议旨在推动绿色金融与经济高质量发展的协同推进。
3.4实现方式
数据可视化：Fine BI
数据分析：Excel、SPSS
4成果展示
我们从全国绿色金融总体分析、长三角地区绿色金融指标体系分析、长三角地区绿色金融与经济高质量发展水平的耦合模型实证研究和绿色金融可持续发展的建议这四个方面分析。通过制作四个模块的数据可视化图表，包括区域地图、柱状图、瀑布图、多层饼图等可视化图表，每个模块都展示了清晰的数据可视化结果，并得出相应的结论。
4.1 全国绿色金融发展趋势综合分析
第一模块着重展示“全国绿色金融发展趋势综合分析”，对2016-2021年全国各省绿色金融指数、2016-2021年长三角地区绿色金融指数、长三角地区各省GDP指数进行处理分析。
首先，对2016-2021年全国各省绿色金融指数以省份和年份为单位进行区域地图可视化，并将全国TOP6省份的绿色金融指数用柱状图可视化。
图1 全国绿色金融总体分析
 图 2 全国绿色金融指数 Top6 及词云图
从总体趋势看，大多数省份和直辖市的绿色金融指数在2016-2020年间呈现出增长趋势（见图1和图2）），反映了对绿色金融的关注和发展，这表明各地对可持续发展和环境保护的意识逐渐强，并在金融领域采取了相应的措施。
从地区差异方面看，不同地区的绿色金融指数存在一定的差异。例如，北京市、上海市、江苏省、浙江省、广东省等地的绿色金融指数相对较高，表明这些地区在积极开展绿色金融业务。但是，贵州省、安徽省、广西壮族自治区等的绿色金融指数也呈现增长趋势，但相对较低。
从年度波动方面看，在整体增长的趋势中，西藏自治区和宁夏回族自治区的绿色金融指数在不同年份有所下降。这与宏观经济环境、政策调整以及地方特有的产业结构等因素有关。
接着，将全国范围缩小到长三角地区，运用2016-2020年长三角地区绿色金融指数进行瀑布图可视化。
 图3 长三角地区2016年-2020年绿色金融指数瀑布图
其中，上海市绿色金融指数从2016年的0.75增至2020年的0.88，整体表现持续稳步增长；安徽省绿色金融指数2016年0.76增长到2020年0.86，增长稳健；江苏省波动小，2016年0.79上升至0.85；浙江省2016年0.83升至2019年后于2020年下降至0.81。长三角地区的绿色金融发展总体呈增长趋势，上海市、安徽省增长突出，江苏省相对稳定，浙江省下降值得关注。在此建议各省市加大绿色金融政策支持力度，促进创新，加强合作共享经验，确保绿色金融可持续发展，以此加速全国绿色金融的推广。
4.2 长三角地区绿色金融指标体系的地区特征剖析
第二模块着重展示长三角地区绿色金融指标体系的地区特征剖析。本模块对 2008-2020年长三角地区绿色证券、绿色信贷、绿色投资、绿色保险的数据进行处理分析。
首先，多层饼图直观的展示了长三角各省的绿色金融指标体系的占比情况。
图4 绿色金融指标体系占比多层饼图
从图4中可以得出绿色债券的占比最大，其次是绿色保险、绿色投资、绿色信贷。其次通过折线图，从绿色证券、绿色信贷、绿色投资、绿色保险四个方面来分析各个指标在2008-2020年期间的变化。
图5 长三角地区绿色金融指标体系分析一
 图6 长三角地区绿色金融指标体系分析二
4.3长三角地区绿色金融与经济高质量发展的耦合模型实证研究
第三模块为本文的核心模块，着重分析绿色金融发展指数与经济高质量发展指数的耦合协调研究。本模块将引用耦合协调模型，通过SPSS对绿色金融发展指数、经济高质量发展指数、耦合度、耦合协调度进行处理分析，并通过时空分布图进行可视化分析。
4.3.1绿色金融发展指数和经济高质量发展指数
对绿色金融发展指数和经济高质量发展指数进行处理分析，并通过表格和时空分布图数据可视化。
图7 长三角地区绿色金融发展指数
其中，从整体趋势看，上海市的绿色金融发展指数逐年增长，反映了该地区对绿色金融的更多关注和投入。安徽省的绿色金融发展相对稳定，而江苏省和浙江省的绿色金融发展指数有些波动，但总体上也保持在一个相对稳定的水平。
图8 长三角地区经济高质量发展指数
上海市在这几年间的经济高质量综合指数呈现增长趋势，反映了该市高质量经济发展和优化。安徽省的经济高质量综合指数相对较低，但也有轻微的增长。江苏省和浙江省的经济高质量综合指数波动较大，但整体上也呈现出增长的趋势，且浙江省的综合指数相对较高。
4.3.2耦合模型
从绿色金融和经济高质量发展两方面划分了正负向指标，并划分耦合协调度等级，通过SPSS运用耦合协调度算法算出C值（耦合度）、T值（协调指数值）、 D值（耦合协调度），分析各省2008-2020年的耦合协调等级。对耦合度和耦合协调度数据进行分析，通过表格和时空分布图进行数据可视化。
1.分析流程
- 构建指标体系--绿色金融发展水平指标体系
从绿色信贷、绿色证券、绿色保险和绿色投资等 4 个方面对长三角地区绿色金融进行测度，具体指标体系构建见表 2。
表2绿色金融指标体系
| |
绿色金融指标体系
|
|
|
二级指标
|
三级指标
|
指标说明
|
指标方向
|
|
绿色信贷
|
A 股上市环保企业新增银行贷款占比
|
A 股上市环保企业新增银行贷款占 A 股上市企业向银行的贷款
|
+
|
|
高能耗行业利息支出占比
|
六大高能耗行业利息支出/工业总利息
|
-
|
|
绿色证券
|
A 股上市环保企业市值占比
|
A 股上市环保企业市值/A 股上市企业总市值
|
+
|
| |
A 股上市高能耗企业 A 股市值占比
|
A 股上市高能耗企业市值/A 股上市企业总市值
|
-
|
|
绿色保险
|
规模环境污染保险
|
农业保险收入/财产保险收入
|
+
|
|
环境污染保险赔偿比例
|
农业保险支出/农业保险收入
|
+
|
|
绿色投资
|
环境污染治理投资占比
|
环境污染治理投资/GDP
|
+
|
|
财政环保支出占比
|
财政环境保护支出/财政总支出
|
+
|
- 构建指标体系--经济高质量发展指标体系
本文选取创新发展、协调发展、绿色发展、开放发展和共享发展等 5 个二级
指标来衡量长三角地区各省市经济高质量发展水平，具体指标体系构建见表 3。
表3经济高质量发展指标体系
|
一级指标
|
二级指标
|
三级指标
|
指标定义
|
|
经济高质量发展
|
创新发展
|
GDP增长率（+）
|
地区GDP增长率
|
|
研发投入强度（+）
|
规模以上工业企业R＆D经费/GDP
|
|
投资效率（-）
|
投资率/地区GDP增长率
|
|
技术交易活跃度（+）
|
技术交易成交额/GDP
|
|
协调发展
|
需求结构（+）
|
社会消费品零售总额/GDP
|
|
城乡结构（+）
|
城镇化率
|
|
政府债务负担（-）
|
政府债务余额/GDP
|
|
产业结构（+）
|
第三产业产值占地区GDP 比值的提高
|
|
绿色发展
|
能源消费弹性系数（-）
|
能源消费增长率/GDP 增长率
|
|
单位产出的废水（-）
|
废水排放量/GDP
|
|
单位产生的废气（-）
|
二氧化硫排放量/GDP
|
|
开放发展
|
对外贸易依存度（+）
|
进出口总额/GDP
|
|
外商投资比重（+）
|
外商投资总额/GDP
|
|
市场化程度（+）
|
地区市场化指数
|
|
共享发展
|
劳动者报酬比重（+）
|
劳动者报酬/地区GDP
|
|
居民收入增长弹性（+）
|
居民人均可支配收入增长率/地区GDP增长率
|
|
城乡消费差距（-）
|
城镇居民人均消费支出/农村居民人均消费支出
|
|
民生性财政支出比重（+）
|
住房保障支出、医疗卫生支出、地方财政教育支出、社会保障和就业支出占地方财政预算支出的比重
|
- 耦合理论模型
耦合模型是指 2 个或 2 个以上系统或运动形式通过各种相互作用而彼此影响的现象，多个系统相互作用耦合度模型可以用以下模型表示。
其中，Cn 为耦合度，C∈[0, 1]；u1…un 分别为第一个子系统到第 n 个子系统对总系统有序度的贡献，计算方法如下：
其中，ui 为第 i 个子系统对总系统有序度的贡献；uij 为第 i 个子系统中第 j 个指标的归一化值；wij 为第 i 个子系统中第 j 个指标的权重，每个子系统中指标的权重计算使用熵权法进行计算。在计算每个子系统的熵权时，必须先进行归一化处理，这里采用最大最小值法进行归一化处理：当 uij 为数值越大对系统越好时（正向归一化）
 uij 为数值越小对系统越好时（负向归一化）
- 耦合度和耦合协调度模型
本文度量的是绿色金融和经济高质量发展系统的耦合度，所以 n 取值为 2，其耦合度是对绿色金融与经济高质量发展子系统内部序参量之间的协同作用的度量。绿色金融指数与经济高质量发展指数可以模型表示。
尽管系统耦合度可以反映绿色金融与经济高质量发展之间的相互作用和影响程度，但仅仅依靠耦合度来评价系统的协同发展可能导致协同发展程度较低、但各自发展水平较高的问题。为了更全面地反映绿色金融与经济高质量发展的整体综合水平，本文引入了耦合协调度模型。这模型用于评估绿色金融与经济高质量发展之间交互耦合的协调程度，这有助于更准确地了解两者之间的关系。因此绿色金融与经济高质量发展的二元耦合协调模型为例。
其中，C 为耦合度，D 为耦合协调度，u1 和 u2 分别表示绿色金融指数与经济高质量发展指数，a 和 b 分别指绿色金融与经济高质量发展的权重。（5）计算结果
本文选取了2016-2020年绿色金融与经济高质量发展体系的相关数据。
表4 耦合模型计算结果
|
省份
|
耦合度C值
|
协调指数T值
|
耦合协调度D值
|
协调
等级
|
耦合协调程度
|
|
上海市
|
0.785095783
|
0.553687249
|
0.659315952
|
7
|
初级协调
|
|
上海市
|
0.771307991
|
0.568139355
|
0.66197464
|
7
|
初级协调
|
|
上海市
|
0.827846809
|
0.58747681
|
0.69738139
|
7
|
初级协调
|
|
上海市
|
0.774015451
|
0.596319132
|
0.679382236
|
7
|
初级协调
|
|
上海市
|
0.717838603
|
0.608728864
|
0.661036366
|
7
|
初级协调
|
|
江苏省
|
0.449667556
|
0.337173046
|
0.389378709
|
4
|
轻度失调
|
|
江苏省
|
0.569089904
|
0.362765991
|
0.4543638
|
5
|
濒临失调
|
|
江苏省
|
0.755318414
|
0.470059121
|
0.595855947
|
6
|
勉强协调
|
|
江苏省
|
0.762747152
|
0.469171185
|
0.59821316
|
6
|
勉强协调
|
|
江苏省
|
0.762652708
|
0.487602882
|
0.609812806
|
7
|
初级协调
|
|
江苏省
|
0.76818224
|
0.486652312
|
0.611422655
|
7
|
初级协调
|
|
江苏省
|
0.753734211
|
0.49059176
|
0.608091928
|
7
|
初级协调
|
|
浙江省
|
0.8156879
|
0.509477229
|
0.644650612
|
7
|
初级协调
|
|
浙江省
|
0.80116792
|
0.516057255
|
0.642999625
|
7
|
初级协调
|
|
浙江省
|
0.831561006
|
0.526553429
|
0.661710888
|
7
|
初级协调
|
|
浙江省
|
0.798738573
|
0.539366239
|
0.656363177
|
7
|
初级协调
|
|
浙江省
|
0.728889711
|
0.526238067
|
0.61932989
|
7
|
初级协调
|
|
安徽省
|
0.651192255
|
0.47097523
|
0.553800887
|
6
|
勉强协调
|
|
安徽省
|
0.700601321
|
0.460016005
|
0.56770399
|
6
|
勉强协调
|
|
安徽省
|
0.748784215
|
0.469434387
|
0.592878621
|
6
|
勉强协调
|
|
安徽省
|
0.752377074
|
0.495391977
|
0.610509268
|
7
|
初级协调
|
|
安徽省
|
0.781109509
|
0.5009329
|
0.625526539
|
7
|
初级协调
|
（6）耦合协调度等级划分
表5 耦合协调度等级划分标准
|
协调等级
|
协调程度
|
|
1
|
极度失调
|
|
2
|
严重失调
|
|
3
|
中度失调
|
|
4
|
轻度失调
|
|
5
|
濒临失调
|
|
6
|
勉强协调
|
|
7
|
初级协调
|
|
8
|
中级协调
|
|
9
|
良好协调
|
|
10
|
优质协调
|
4.3.3 数据可视化
为了直观展示长三角地区四个省份的耦合协调度等级划分标准，我们通过矩形图来进行可视化呈现。每个矩形代表一个省份，矩形的高度可以表示其耦合协调度等级，而矩形的颜色深浅则反映了相应的等级。这样的图形呈现方式可以清晰地比较不同省份之间的耦合协调度水平。
同时，为了在区域层面更生动地展示长三角地区的耦合度，我们可以使用区域地图，并通过颜色渐变来表示不同区域的耦合度水平。具体而言，可以采用从浅到深的色谱，其中颜色较浅的区域代表耦合度较低，而颜色较深的区域则表示耦合度较高。这种地图的使用能够让人一目了然地了解长三角地区内部的耦合度差异。
 图9 长三角地区耦合度C值
图10 长三角地区耦合协调度D值由上图分析可得：
①整体趋势：四个省份在绿色金融方面整体呈现出积极的趋势。协调等级和耦合协调程度的提升表明这些地区在经济发展中更加注重绿色和可持续发展的因素。
②协调等级：上海市和浙江省在整个时期内协调等级相对较高，稳步提升。江苏省在中间时期经历了一些波动，而安徽省在后期逐渐提高。总体上，各省的绿色金融协调等级在不同程度上都有所改善。
③耦合协调程度：四个省份的耦合协调程度在整个时期内普遍提高。这表明它们在经济结构调整、资源利用效率和环境保护方面取得了一些成就，促使绿色金融的发展。
4.4可持续路径上长三角绿色金融发展的结论及建议
最后，基于我们的分析结果，我们提出了一系列政策、市场、技术和生态等方面的建议，旨在推动绿色金融与经济高质量发展的协同推进。
图11 可持续路径上长三角地区绿色金融发展的结论及建议
5 总结与分享
在本次数据分析FineBI大赛中，我们学会了使用FineBI和数据分析工具进行数据处理分析和数据可视化。在使用Fine BI的过程中，我们经历了许多挑战和困难，下面我们想分享一下对于FineBI的使用经验和感受。
- FineBI的功能较为强大，但是它也具有一些挑战性。刚接触的Fine BI 的时候有一定的困难。Fine BI的功能非常丰富，需要一定的时间和精力去学习和掌握。我们花了很多时间来阅读官方文档、观看教程视频和学习实例教程来学习。
- 尽管学习FineBI的过程充满了挑战，但是它也为我们带许多收获。首
先，通过学习FineBI，我们能够更好地了解业务需求和数据之间的关系。我能够使用FineBI快速地获取和分析数据，并且将数据转化为有价值的洞察和决策依据。
- 其次，FineBI提供了许多有趣的图表和可视化效果。我们可以使用这些图表和效果来展示数据的趋势、比较和分布情况，并且让其他人更好地理解和使用数据。我们在处理多层饼状图时虽然无法快速掌握指标与维度之间的关系，但是通过官方文档与我们的不断试错，最后成功将指标体系与省份之间的占比关系展示出来。
总的来说，使用FineBI是一次非常有价值和有意义的经历。尽管FineBI也有一些需要改进的地方，不同分析主题之间的组件不能相互添加，无法在线协作等。但是我们从中积累了宝贵的经验，包括数据收集、分析方法选择、数据可视化和政策建议的制定。通过分工协作，我们不仅提高了工作效率，还增强了团队协作能力。在数据处理过程中，我们学会了使用FineBI和数据分析工具进行数据处理分析和数据可视化。在分析过程中，我们学会了如何运耦合方法进行深入挖掘和分析。通过这次制作过程，我们深刻体会到团队合作的重要性以及不断学习和创新的重要性。最后，我们希望FineBI在未来能够不断改进和创新，为数据分析领域带来更多惊喜和价值！ | 
