绿色信贷对商业银行风险承担水平的影响

The Impact of Green Credit on the Level of Risk-Taking of Commercial Banks

摘要: 选取2007年~2022年A股38家上市银行年度非平衡面板数据，检验绿色信贷对商业银行风险承担水平的影响机理。研究发现，绿色信贷与商业银行风险加权资产比率正相关，与商业银行不良贷款率负相关。异质性分析发现，在规模大、经营范围广的银行中绿色信贷对风险加权资产比率的影响更为显著；在规模小、经营范围窄的银行中绿色信贷对商业银行不良贷款率的影响更为显著。

Abstract: Annual unbalanced panel data of 38 A-share listed banks from 2007~2022 were selected to test the mechanism of the impact of green credit on the risk-taking level of commercial banks. It is found that green credit is positively related to the risk-weighted asset ratio of commercial banks and negatively related to the non-performing loan ratio of commercial banks. The heterogeneity analysis found that the effect of green credit on risk-weighted asset ratio was more significant in banks with large size and wide scope of operation; the effect of green credit on commercial banks’ NPL ratio was more significant in banks with small size and narrow scope of operation.

4.1. 数据来源

本文选取A股上市银行2007年~2022年38家商业银行的样本观测数据构成的非平衡面板数据，其中，银行财务数据主要来源于国泰安(CSMAR)数据库，绿色信贷余额通过查询各银行官网的《社会责任报告》《可持续发展报告》《环境、社会及管制报告》手工整理得到，数据剔除三家政策性银行和中国邮政储蓄银行，对绿色信贷余额披露低于三年的银行剔除，对所有银行层面和宏观层面的连续性变量进行上下1%的缩尾处理。

选取上述数据的原因：第一，绿色信贷首次于2007年提出，人民银行等三部委联合发布了《关于落实环保政策法规防范信贷风险的意见》，强调利用信贷手段保护环境的重要意义，绿色信贷理念自此进入大众视野。第二，样本涉及范围广，覆盖各类型商业银行，其中国有银行有5家，股份制商业银行9家，城市商业银行18家，农村商业银行6家，在一定程度上能够反映我国绿色信贷现状。第三，由于政策性银行资金来源不同，有着特定的业务领域，与其他银行存在巨大差异，因此排除。

4.2. 变量定义

被解释变量。风险加权资产比率 = 风险加权资产/总资产。银行根据资产的风险不同对其加以分类，并赋予不同的风险权重求得风险加权资产。从风险权重的赋值来看，风险加权资产比例主要指银行高风险等级资产的比重，表明银行资产组合中各项资产的信用风险暴露程度和风险配置，这种比重在银行发放贷款时即能确定，反映银行的风险承担决策，因此用来衡量银行的主动风险承担水平。风险加权资产比重越高，意味着银行购买高风险资产的意愿越强。

不良贷款率。不良贷款大致分为三类，分别为次级、可疑、损失等，指出现违约的贷款，是不良贷款与各项贷款的比值，度量了商业银行存在违约问题贷款的占比，此数值的改变意味着银行过去发放贷款的风险发生了变化，是银行风险承担结果的反映，用来衡量银行的被动风险承担水平。不良贷款率越高，说明银行收回贷款的风险越高。

核心解释变量。银行贷款余额。通过查询银行官网的《社会责任报告》《可持续发展报告》《环境、社会及管制报告》手工整理出银行绿色信贷余额，绿色信贷余额，说明商业银行对绿色信贷政策的支持力度越大。

控制变量。参考现有研究，本文选取银行层面的控制变量主要有存贷比(TLD)，资本充足率(CAR)，银行盈利能力(ROA)，银行非利息收入占比(NR)，单一客户最大贷款比例(FIRST)，资产负债比(ALR)，银行规模(LNSIZE)，银行净利润(LNRET)，银行年龄(LNAGE)。宏观经济层面控制变量主要有货币政策M2，银行业景气指数(BBI)。以上变量见表1所示。

Table 1. Variable definition and description

表1. 变量定义与说明

变量类型	变量名称	符号	变量定义
被解释变量	风险加权资产比率	RWR	风险资产合计/总资产
	不良贷款率	BLR	不良贷款/各项贷款
核心解释变量	绿色信贷余额	LNGLS	各银行绿色信贷余额，取对数
	绿色信贷披露时间	GL	在某点披露之后取1，否则取0
控制变量	存贷比	TLD	各项贷款余额/各项存款余额
	资本充足率	CAR	资本/风险加权资产合计
	银行盈利能力	ROA	净利润/总资产
	银行非利息收入占比	NR	非利息收入/营业收入
	单一客户最大贷款比例	FIRST	同一贷款人的贷款余额/银行资本余额
	资产负债比	ALR	总负债/总资产
	银行净利润	LNRET	银行净利润，取对数
	银行规模	LNSIZE	银行资产规模，取对数
	银行年龄	LNAGE	银行成立时间，取对数
	货币供应量	M2	采用货币供应量增速月度算数平均值度量
	银行业景气指数	BBI	采用银行业景气指数年度平均值表示

4.3. 模型设定

为验证绿色信贷对商业银行风险加权资产比率和不良贷款率的影响，设定如下模型：

$RW{R}_{i,t}={\alpha }_0+{\beta }_{1}LNGL{S}_{i,t}+Contro{l}_{i,t}+{\epsilon }_{i,t}$ (1)

$BL{R}_{i,t}={\alpha }_0+{\beta }_{1}LNGL{S}_{i,t}+Contro{l}_{i,t}+{\epsilon }_{i,t}$ (2)

其中，$RW{R}_{i,t}$ 为银行i在t年的主动风险承担水平，即风险加权资产比率，$BL{R}_{i,t}$ 为商业银行被动风险承担水平，即不良贷款率；$LNGL{S}_{i,t}$ 为银行i在t年的绿色信贷余额；$Contro{l}_{i,t}$ 为控制变量，包括银行层面(存贷比、盈利能力、资本充足率、非利息收入、单一客户最大贷款比例、资产负债比、净利润、银行规模、年龄)和宏观层面的控制变量(货币供应量、银行业景气指数)；${\epsilon }_{i,t}$ 为随机误差项。

5. 实证分析

5.1. 描述性统计分析

如表2所示，表中汇报了各变量的描述性统计，可以看出，银行的风险加权资产比率(RWR)和不良贷款率(BLR)的均值分别为0.672和0.013，最小值分别为0.054和0，最大值分别为1.932和0.140，说明不同银行的风险承担水平相差较大；绿色信贷余额(LNGLS)的均值为5.769，最小值和最大值分别为0.637和10.59，总体来看绿色信贷发展情况良好，商业银行对开展绿色信贷的态度积极，但不同类型的银行参与度不同；资本充足率(CAR)的均值为0.132，最小值为0，最大值为0.403，说明样本公司之间资本充足率存在差异；盈利能力(ROA)的最小值为0，最大值为0.018，说明样本公司的盈利能力不同，有显著差异；存贷比(TLD)的均值为0.726，最小值0.429，最大值1.027，说明商业银行在经营结构方面存在不同；非利息收入(NR)的最小值−0.149，最大值为0.739，说明银行依靠中间业务获取收入的能力不同；单一客户最大贷款比例(FIRST)的均值为0.045，最小值0，最大值1.027，说明银行总体上符合我国商业银行法规定单一客户贷款比例不得超过10%的规定。

Table 2. Descriptive statistic

表2. 主要变量描述性统计

变量	N	mean	sd	min	max
RWR	543	0.672	0.215	0.054	1.932
BLR	543	0.013	0.008	0.000	0.140
CAR	543	0.132	0.026	0.000	0.403
ROA	543	0.009	0.004	0.000	0.018
TLD	543	0.726	0.126	0.429	1.087
NR	543	0.189	0.105	-0.149	0.739
ALR	543	0.931	0.016	0.765	0.986
FIRST	543	0.045	0.060	0.000	1.027
M2	543	0.131	0.047	0.082	0.279
BBI	543	0.717	0.070	0.625	0.855
LNSIZE	543	9.138	1.711	5.716	12.89
LNAGE	543	3.087	0.707	0.000	4.745
LNRET	543	4.454	1.753	0.296	8.192
LNGLS	350	5.769	2.113	0.637	10.59

5.2. 基准回归分析

如表3所示，表中报告了绿色信贷规模对商业银行风险承担的回归结果。其中，列(1)的回归结果是绿色信贷对商业银行风险加权资产比率的回归结果，控制变量包含了银行层面和宏观层面的控制变量，绿色信贷余额(LNGLS)的系数为0.0288，在1%的水平上显著为正，表明绿色信贷会提高商业银行的风险加权资产比率，提高商业银行的主动风险。列(2)是绿色信贷规模对不良贷款率的回归结果，绿色信贷余额(LNGLS)的系数为−0.0007，在1%的水平上显著为负，表明绿色信贷会降低商业银行的不良贷款率。列(1)，(2)结果证明了假设H1和H2。

5.3. 异质性分析

5.3.1. 银行规模异质性

如表4所示，为考察绿色信贷在不同规模下对商业银行风险承担水平的异质性影响，文章参照王宏

Table 3. Main results for baseline model

表3. 基准回归结果

变量	(1) RWR	(2) BLR
LNGLS	0.0288^***	−0.0007^***
	(3.976)	(−2.758)
CAR	−2.0570^***	−0.0288^*
	(−5.141)	(−1.922)
ALR	−3.2454^***	−0.0743^***
	(−4.281)	(−2.685)
ROA	1.2243	0.0319
	(0.684)	(0.491)
TLD	−0.0396	0.0008
	(−1.207)	(0.683)
NR	0.1688^**	0.0020
	(2.481)	(0.778)
FIRST	0.6075^**	0.0010
	(2.134)	(0.089)
M2	−0.5346^***	−0.0024
	(−3.307)	(−0.376)
BBI	−0.3158^***	−0.0253^***
	(−4.089)	(−8.247)
LNAGE	0.0448	−0.0003
	(1.288)	(−0.433)
LNSIZE	−0.2322^***	0.0059^***
	(−7.251)	(5.828)
LNRET	0.1649^***	−0.0048^***
	(6.060)	(−5.343)
Constant	5.3700^***	0.0731^***
	(7.488)	(2.826)
观测值	350	350
样本数	38	38

注：括号中为z值，^***，^**，^*分别表示在1%、5%、10%水平显著。下同。

涛等[3]将银行规模按总资产的均值进行划分，大于均值取值为1，否则为0，列(1)，(2)为绿色信贷对风险加权资产比率的回归结果，系数都为正数，其中，规模较大组在1%的水平显著，规模较小组则不显著，但呈正相关。列(3)，(4)为绿色信贷对不良贷款率的分组回归，不同规模的回归系数都为负，其中，规模较小组在5%的水平显著，规模较大组不显著。

Table 4. The heterogeneity in bank size

表4. 银行规模异质性

变量	银行规模
	较大组 (1) RWR	较小组 (2) RWR	较大组 (3) BLR	较小组 (4) BLR
LNGLS	0.0183^***	0.0173	−0.0003	−0.0007^**
	(2.983)	(1.585)	(−1.027)	(−2.512)
控制变量	是	是	是	是
Constant	4.4989^***	6.9060^***	0.0826^*	0.0816^***
	(7.262)	(6.235)	(1.760)	(2.965)
观测值	183	167	183	167

5.3.2. 银行经营范围异质性

如表5所示，为考察不同经营范围下绿色信贷余额对商业银行风险承担水平的影响，本文将大型国有商业银行和股份制商业银行划分为全国范围，城市商业银行和农村商业银行划分为区域范围。回归结果列(1)，(2)为绿色信贷对商业银行风险加权资产比率的回归结果，系数都为正数，其中，大型国有商业银行和股份制银行在1%的水平下显著，城市商业银行和农商行不显著。列(3)，(4)为绿色信贷对商业银行不良贷款率的回归结果，都呈负相关，城市商业银行和农商行在1%的水平下显著。原因可能是：全国性商业银行覆盖范围广，承担着更多的政策性任务，因此表现得更加积极主动，从而提高了风险加权资产比率。而区域性商业银行受到地方政府限制，无法投入足够的财力开展绿色信贷，因此使得银行更加偏向优质企业的贷款，保证了贷款收回的可能性，降低了不良贷款率。

Table 5. Heterogeneity of banks’ business scope

表5. 银行经营范围异质性

变量	业务经营范围
	全国 (1) RWR	区域 (2) RWR	全国 (3) BLR	区域 (4) BLR
LNGLS	0.0292^***	0.0066	−0.0002	−0.0009^***
	(4.225)	(0.571)	(−0.563)	(−3.105)
控制变量	是	是	是	是
Constant	4.8902^***	6.5243^***	0.0841^*	0.0666^**
	(6.308)	(5.896)	(1.794)	(2.470)
观测值	177	173	177	173

5.4. 稳健性检验

为保证实证结果的稳健性，一是参考邵传林和闫永[15]使用绿色信贷余额披露节点(GL)作为核心解释变量，如表6中(1)，(2)所示，绿色信贷披露时间点与风险加权资产比率正相关，在5%的水平下显著；与不良贷款率呈负相关，在1%的水平显著，与前文中的分析一致，结果有较好的稳健性。

二是考虑到绿色信贷对商业银行风险承担水平的滞后性，使用绿色信贷滞后一期的数据进行实证回归。如表中(3)，(4)所示，其中(3)是滞后一期的绿色信贷余额与风险加权资产比率的回归结果，(4)是滞后一期的绿色信贷余额与不良贷款率的回归结果，与前文结果一致，说明实证检验结果有较好的稳健性。

Table 6. Robustness checks

表6. 稳健性检验回归结果

变量	(1) RWR	(2) BLR	(3) RWR	(4) BLR
GL	0.0217^**	−0.0025^***
	(2.135)	(−4.669)
LNGLS			0.0238^***	−0.0006^**
			(3.033)	(−2.438)
银行层面控制变量	是	是	是	是
其他层面控制变量	是	是	是	是
Constant	4.9934^***	0.0730^***	5.6492^***	0.0388
	(11.430)	(3.106)	(7.253)	(1.560)
观测值	542	542	312	312

6. 结论与启示

本文以2007年~2022年A股上市公司38家商业银行为样本，研究绿色信贷对商业银行风险承担水平的影响。研究发现：商业银行积极开展绿色信贷会增加风险加权资产比率，提高主动风险，但不良贷款率会下降，被动风险降低，经过稳健性检验后，结论依然成立。考虑到银行规模和银行经营范围异质性差异，本文发现规模大、经营范围广的银行绿色信贷余额对商业银行风险承担水平的影响更为显著。而绿色信贷对商业银行不良贷款率的影响在规模小，经营范围窄的银行中影响更为显著。

本文的工作具有以下几方面的意义：绿色信贷属于金融创新的范畴，其制度和标准还不完善，在绿色信贷授信前期，应当加强审批和决策，制定详尽标准的风险评级，特别是规模大、经营范围广的国有银行和股份制商业银行。对于经营范围窄，规模小的城市商业银行和农村商业银行，根据分析，绿色信贷能够降低其不良贷款率，因此此类银行在保证资金配置合理的情况下，可以增加在绿色贷款上的权重。在发放贷款后，银行要加强对绿色项目的跟踪和监控，关注企业贷款资金的流向，确保绿色项目的落实程度，并将获取的信息作为对未来授信的参考。