1. 引言
党的二十大报告明确提出，要推进绿色发展，促进人与自然和谐共生。我们要将绿水青山就是金山银山的理念落实到我们生产、生活的每一处。自1978年改革开放以来，国内生产总值从1978年的3678.7亿元1增长至2022年的1210207.2亿元2，年均增长率高达7.45%3。然而这种高速增长是以生态环境污染、自然资源高能耗为代价取得的，经济高速增长阶段遗留下的生态环境问题也日益凸显，以往那种通过生产要素的投入和资源的消耗来促进经济增长的模式不再是最佳模式。因此，必须进一步推动经济的绿色转型，实现高质量发展。
企业是经济、自然和社会要素相互作用的重要节点，是绿色经济发展的基础。信贷是企业发展的重要支持，而信贷获取的难易程度又与相关政策紧密相关。近年来，我国相关的政府部门陆续发布了一系列针对绿色金融的政策文件。其中商业银行绿色信贷政策不仅具有环境规制的特性，而且具有金融资源配置的功能。绿色信贷政策是中国通过市场手段促进经济绿色发展的重要工具之一。原银监会于2012年发布的《绿色信贷指引》(以下简称《指引》)是中国绿色信贷政策的一个新里程碑。《指引》是否更多地引导了重污染企业的绿色创新？引导绿色创新的作用机理如何？基于以上考虑，本文旨在研究绿色信贷政策对高污染企业绿色创新活动的政策效应和具体机制，为后续相关政策的制定和实施提供理论和实证支持，助力“双碳”目标的实现和经济的生态转型。
2. 文献综述
2.1. 绿色信贷相关研究
从定义和特征来看，Baron (2010) [1]指出，绿色信贷是银行和金融机构将借款企业的环境绩效和企业社会责任表现作为贷款决策重要基准的一种贷款行为。国内学者熊学萍(2004) [2]认为，绿色信贷将生态环境这一重要的因素考虑进资金融通之中，对污染防治和生态保护的重视进一步提高，从而扭转环境污染、能源过度消耗等经济总量增长不可持续的格局，促进经济、金融、生态良性循环发展。樊志刚和李卢霞(2012) [3]指出，与普通银行贷款相比，绿色信贷注重人与自然的和谐共生，注重经济社会的生态化和可持续发展，因此具有更强的社会福利色彩。
从环境影响效果来看，Hu和Zheng (2022) [4]从宏观和微观角度提出了“功能属性–微观主体反应–关键影响因素”的理论分析框架，发现中国绿色信贷政策主要通过产业结构、能源结构和能源强度三条路径抑制碳排放。Zhang等(2021) [5]基于中国省级面板数据，探讨了绿色信贷政策对中国环境质量的影响，发现绿色信贷改善了中国整体环境质量，但存在地区差异。王遥等(2019) [6]通过将绿色信贷政策纳入DSGE模型，发现绿色信贷能够在改善环境质量的同时优化经济结构。Yao等(2021) [7]探讨了绿色信贷政策对中国上市公司业绩的影响，发现绿色信贷政策降低了污染严重的行业的企业绩效。对于国有企业、规模较大、机构持股率高、分析师覆盖率高以及处于经济政策不确定性较高时期的公司，这种影响更为明显。
从对绿色贷款发放主体的影响来看，丁宁等(2020) [8]发现就短期而言，银行的成本会因绿色政策的实施而增加，但长期来看有利于银行降低成本，且改善了银行的信贷风险和银行声誉，这与王晓宁和朱广印(2017) [9]的研究结论相似。宋晓玲和吴嘉伊(2017) [10]以最早加入赤道原则的8家银行为样本，研究绿色信贷政策对赤道银行财务绩效的影响，发现加入赤道规则的银行开展绿色信贷业务可显著提升其财务绩效。
从对企业投资行为影响角度考虑，刘婧宇等(2015) [11]将金融体系纳入CGE模型，定量测算了政策在多个时间段内的系统效应，发现绿色信贷政策会影响企业的投资行为，限制“双高”投资，但仅限于中短期，长期没有影响。苏冬蔚和连莉莉(2018) [12]在研究绿色信贷政策时，第一次采用了双重差分法来研究该政策对企业投资行为的影响，研究结果表明绿色信贷政策非常明显地抑制了国有企业、大型高污染企业的新增投资。王艳丽等(2021) [13]发现，绿色信贷政策有助于优化金融资源配置，提高高污染企业的投资效率。郭俊杰和方颖(2022) [14]基于中国A股上市公司的数据，研究发现绿色信贷政策能够通过融资约束的机制促进企业的环保投资。Fan等(2021) [15]研究发现绿色信贷政策会显著提升大公司对减排设施的投资，而小公司会选择减少生产。
2.2. 企业绿色创新相关研究
Bernauer等(2006) [16]将环境创新看作绿色创新。Beise和Rennings (2005) [17]认为绿色创新实际上是企业为减少对环境的破坏，在日常生产经营中使用改进后的产品、技术。应瑞瑶和周力(2009) [18]认为，绿色创新定义很广，只要一项创造性的活动可以兼顾节约能源、经济发展以及环境保护，都应纳入绿色创新的范畴。此外，Driessen等(2013) [19]提出较严格的标准，其认为，只有既能减少对环境的影响，同时产生对环境的正向效益的创新才可称作绿色创新。张钢和张小军(2013) [20]指出学术界最早于20世纪90年代初开始研究如何减少对环境的消极影响，21世纪前偏好使用环境创新的概念，自2005年起学术界更倾向于选用绿色创新进行分析讨论。
企业绿色创新的内部影响因素相关研究主要集中于企业高管特征、员工特征和融资水平等方面。从高管特征来看，学者们认为高管特征是企业内部绿色创新驱动的重要因素。如徐建中等(2017) [21]基于209家制造企业数据进行研究，发现高管环保意识与绿色创新战略决策存在正向关系。从员工特征看，Hochberg and Lindsey (2010) [22]研究发现企业员工的个体特征会影响其绿色创新行为态度，当企业加强股权激励力度时，员工创新意识会得到提高，从而促使员工进行创新活动。此外，李广培和吴金华(2017) [23]发现科研人员主体创新价值观取向也会对企业绿色创新行为产生影响。张杰等(2012) [24]通过对企业融资水平的研究，发现企业内部现金流是企业研发投入资金的主要组成部分，研发投入强度能够直接影响企业创新产出。国外学者Brown等人(2012) [25]也做了类似的研究，发现企业内部融资能力和现金流能力越强的企业创新动力越强，而当企业内部现金流无法满足企业研发资金需求时，企业会寻求外部融资的资金补给，通过外源融资缓解融资约束。
企业绿色创新的外部影响因素相关研究主要集中于环境规制、政府补贴和外界关注度等方面。首先在环境管制方面，政府的环境规制直接影响企业的污染行为和绿色创新能力，但关于其影响效应学者们得出了不同的研究结论。Conrad and Wastl (1995) [26]认为企业的成本会因环境规制而增加，减少企业现金流，抑制企业技术创新。然而，Ley et al. (2016) [27]却提出了不同的看法，即制定适当的环保管制可以提高公司的绿色创新意愿，并且当管制强度加大时，企业的绿色技术创新产量会呈现先降低后提高的趋势。李青原和肖泽华(2020) [28]的研究观点也认为合理的环境规制对企业绿色创新的作用是正向的。其次在政府补贴方面，毛其淋和许家云(2015) [29]认为政府补贴对企业绿色创新具有激励作用，但对于处于不同发展阶段的企业作用大小具有一定差异，这与吴建祖和华欣意(2021) [30]的观点一致。最后在外界关注方面，杨道广等(2017) [31]将媒体关注度作为一种重要的法律外制度。肖红军等(2022) [32]研究发现可以通过信息曝光等提高企业绿色意识和环保意识。另外，Hart (1995) [33]认为企业的绿色创新行为经过媒体报道后能够使企业获得独特的外部信任，进而提升绿色竞争优势。陈启博(2023) [34]则针对企业自愿信息披露的动机进行研究，发现企业总会尽量减少自身负面的环境信息披露，通过正面的信息披露获得外界对企业价值的正确评价，进而提升自身绿色创新形象。
2.3. 绿色信贷政策对企业绿色创新影响的研究
随着绿色信贷的发展，当前关于绿色信贷政策是否能够影响企业绿色创新的理论研究和经验分析也不断涌现。目前的文献对于绿色信贷政策能否真正促进重污染企业进行绿色创新活动尚未得到一致结论。
陆菁等人(2021) [35]提出，除了信用约束之外，企业遵从政策所带来的从从成本效应也是绿色信用政策没有发挥波特效应的一个重要因素。于波(2021) [36]认为，绿色金融政策需要银行按照企业的环境绩效发放贷款，这将激励企业缩减生产规模并加大其在控制污染物排放方面的投入，产生“挤出效应”，进而导致企业的竞争能力下降。曹廷求等(2021) [37]根据社会责任报告评分的平均值，将重污染企业分为社会责任评级高低两类分别进行回归，发现评分低的重污染企业比评分高的重污染企业绿色创新意愿弱，表明了绿色信贷政策起到了一个“优胜略汰”的作用。吴红军等(2017) [38]研究发现，一般而言，在环境风险管理和环境信息披露上表现得更好的公司，会更容易得到金额更大的，期限更长的，更便宜的外部融资。
然而，目前已有研究表明，绿色信贷政策更多地是通过信用约束来促进企业绿色创新。连莉莉(2015) [39]的研究表明，紧盯的信贷导向会导致大量的资金流出能源密集型和高污染企业。杨柳勇与张泽野(2022) [40]以A股上市工业企业为研究对象，通过对绿色信贷政策的实证检验，得出了“减少贷款规模、增加贷款成本”的结论，并对其进行了实证检验。丁杰(2019) [41]认为绿色信贷会通过信贷约束抑制企业的资本投资、减少企业技术创新和绿色转型升级的资金支持，最后影响企业的长期发展。田超和肖黎明(2021) [42]则认为绿色信贷能够通过长期债务融资及股权融资约束抑制重污染企业技术创新，且对于重污染企业绿色技术创新的抑制作用可能会长期存在，但是这一影响对于国有企业和规模较小的企业却并不显著。企业为了实现自身的生产与创新，必须通过外部融资来实现自身的生产与创新，其所面对的信用约束主要表现在信贷需求与信用渠道两个层面(樊海潮等，2015) [43]。连莉莉(2015) [39]基于中国上市公司数据，实证检验了绿色贷款对于绿色企业以及“两高”企业的融资成本，结果表明，与“两高”企业相比，绿色企业具有更低的负债融资成本。
3. 理论与方法
3.1. 理论
3.1.1. 信贷配给理论
信贷配给理论最早由Stiglitz (1981) [44]提出，他认为在信贷配给的背景下，信贷市场存在超额资金需求，但是银行等金融机构往往会采用非利率手段使资金需求者逐步退出市场，从而达到市场均衡状态。这是因为贷方银行与借方企业之间存在信息不对称，银行不能准确了解借方企业贷款投资项目的收益和风险，这种信息不对称会引发道德风险和逆向选择问题，银行作为放贷方因担心无法获得预期收益，不愿意以更高利率放贷。作为环境规制的一种经济激励手段，绿色信贷政策可以根据信贷配给理论，调整对企业的信贷配给，通过差异化的信贷分配，限制资金流入污染企业，引导资金流向绿色企业。信贷配给改变了企业的融资环境，增加了污染企业获得银行贷款的难度，减少了企业的现金流。银行通过对重污染企业进行信贷配给，来规避信贷和环境风险，提高银行信贷安全性，进一步提高对绿色环保型企业的信贷支持力度，降低对重污染企业的支持力度。
3.1.2. 信贷约束理论
信贷约束理论是宏观经济学中的一个重要概念，用于解释经济体中资金分配和经济增长的限制因素。信贷约束理论认为，个人、企业和政府在进行投资和消费时，受到资金供给的限制，这种限制可以是由金融市场的条件、信贷市场的运作、货币政策等因素造成的。
信贷约束理论强调了资金供给对经济增长和资源配置的重要性。当个人或企业受到信贷约束时，他们可能无法获得足够的资金进行投资或消费，从而限制了经济增长的潜力。这也可以解释为什么一些国家或地区的经济发展受到信贷市场的限制而无法实现快速增长。
在宏观经济学中，信贷约束理论也被用来解释经济周期和经济政策的影响。例如，当信贷市场出现紧缩时，信贷约束可能会加剧，导致企业投资减少，消费下降，从而影响整体经济活动。因此，政府和央行可以通过货币政策来缓解信贷约束，以促进经济增长和就业。
3.1.3. 创新理论
“波特假说”最早是由Porter等人[45]在1995年提出的，该假说强调，当环境规制设计良好时，有可能推动企业创新，企业在保护环境与提高企业竞争力之间可以实现双赢的局面。该假说认为，虽然环境规制的出现，可能会额外增加企业的成本，但如果环境规制设计良好时，可能会促进企业积极开展创新。企业通过积极创新，有可能实现自身市场竞争力的提升，进而能够抵消因环境规制或加大创新而增加的成本支出。Porter等人提出该假说主要基于以下几点原因：第一，环境规制可以帮助企业发现问 题并找到整改方向；第二，环境规制可以帮助企业减少资金投向的不确定性；第三，环境规制可以增加企业从事创新的压力和动力；第四，环境规制有助于企业获得竞争优势。
当前主要有三种“波特假说”：一个是弱的“波特假说”，该假说提出，一个设计地比较好的环境规制，它或许会推动企业从事创新活动，但无法确定其如何影响企业竞争力；一个叫作强的“波特假说”，这种假说认为，一个设计地比较好的环境规制，它不仅有助于推动企业从事创新，还可以增强企业的竞争力；还有一种叫作狭义的“波特假说”，这种假说认为，相较于传统的规制方法，灵活弹性的规制政策尤其是经济手段，可以更有效地促进企业的创新。
狭义的“波特假说”提出，设计得当的经济政策，可能会对企业创新产生促进作用。类似的，绿色信贷政策如果设计合理，有可能促进重污染企业积极开展绿色创新。
3.2. 研究假设
一方面，绿色信贷政策的出台会使得银行采取相应的行动，严控信用风险，减少对重度污染企业的贷款。另外，尽管绿色创新也被纳入了绿色信贷政策的扶持范围，但是，当前商业银行仍以产业细分为标准进行绿色信贷管理，同时，企业间的信息不对称、银行难以准确判断项目的环境属性，这可能导致重污染企业在为其绿色创新项目申请资金借贷时遇到困难。《指引》的出台，有可能导致高污染企业信用额度缩减、信用约束加重、企业融资难等问题，从而导致企业因融资难而暂停部分绿色创新。但是，企业也有可能迫于政策压力以及严重的信贷约束，不得不主动进行绿色创新，从而降低自身的环境社会风险，从而有利于后期的企业发展和信贷资金获取。
另一方面，《指引》的执行也将对重污染企业的融资产生一定的制约作用，从而导致重污染企业承担更大的运营风险。按照现代契约理论，随着工程风险的增大，银行与企业间的委托–代理关系成本也随之上升。因此，银行会对重污染企业提出更高的要求即更高的贷款利息，以此弥补其可能发生的违约风险。由此可见，绿色贷款在一定程度上使得重污染企业的融资总成本增加了，从而会减少从银行借贷的资金，但绿色贷款却不能有效地遏制其的商业信贷，反而助长了其以商业信贷为主要的流动性负债融资。使得污染企业融资成本升高，削弱了重污染企业绿色的选择倾向。
通过前文的理论分析，提出本文的研究假设。
H1：绿色信贷政策通过加剧重污染企业的信贷约束，进而促进重污染企业绿色创新。
H2：绿色信贷政策通过加剧重污染企业的信贷约束，进而抑制重污染企业绿色创新。
3.3. 研究模型与方法
通过梳理现有文献，现有的用于研究政策效应的计量经济学模型主要有双重差分模型、合成控制法、断点回归设计、倾向值匹配法和面板数据。表1对上述提到的几种模型的优缺点进行比较。
Table 1. Comparison of econometric models
表1. 计量经济学模型对比
| 模型名称 |
优点 |
缺点 |
| 双重差分模型 |
简单易理解，能够控制时间不变的个体特征。 |
对于存在时间趋势或其他趋势性变化的情况，可能存在内生性问题；需要满足平行趋势假设。 |
| 合成控制法 |
能够处理没有对照组的情况，适用于研究单一实验性政策的效应。 |
合成对照组的构建可能存在主观性，依赖于合成控制组的选择。 |
| 断点回归设计 |
能够处理政策实施存在阈值的情况，估计效应比较直观。 |
对于阈值的选择敏感，需要满足平滑性假设。 |
| 倾向值匹配法 |
能够处理选择性偏误，提高处理组和对照组之间的比较可比性。 |
对倾向值的估计敏感，可能存在匹配偏误。 |
| 面板数据模型 |
能够控制个体或单位固定效应，利用时间序列信息提高效率。 |
需要较多的数据点，可能存在面板数据的特有问题(如端点问题)。 |
本文使用的数据是面板数据，其优势在于：一、可以研究决策行为或结果中滞后的重要性，从而使得反映的信息更有意义。二、由于样本量大，所以准确性较高。三、更多的个体动态行为的信息也可以被反映出来。四、遗漏变量的问题可以得到解决。在计量经济学研究中，双重差分法多用于公共政策或项目实施效果评估。而本文研究的主题正好是绿色信贷这一公共政策的实施效果评估。同时在梳理文献的过程中，我发现有许多学者都是采用这一方法进行研究的。
因此，本文基于数据的特征、模型的优点以及前人的经验，选择了双重差分模型。
4. 实证分析
4.1. 样本选取与数据来源
鉴于2007年中国上市公司的会计准则发生了变化4，本文将2007年至2022年的所有A股上市公司纳入研究范围，初始数据处理如下：剔除了金融保险业上市公司，剔除了资产负债率小于0和大于1的上市公司，剔除了非正常交易上市公司(包括ST、ST*以及PT)，剔除了相关数据缺失的上市公司。
绿色专利相关数据源于中国研究数据服务平台(CNRDS)，其他公司特征数据源于国泰安数据库。对上述数据进行匹配后，我们得到了15,564个年度观测值。同时，为减少变量异常值对本文研究结果的影响，我们对连续变量在1%和99%的水平上进行缩尾处理5。
4.2. 模型设定与变量定义
基于双重差分模型，我们构建了如下模型检验绿色信贷对绿色创新的作用:
其中，下标i表示企业，下标t表示年份。Patent表示企业绿色创新。Treat表示是否为重污染企业，Post表示《指引》的出台，Control表示一系列控制变量，τ表示企业固定效应，v表示年份固定效应，ε表示随机扰动项。本文重点关注的参数是β1，其反映了《指引》对于重污染企业绿色创新的具体影响。
重污染企业(Treat)。本文根据环保部2010年发布的《上市公司环境信息披露指南》(征求意见稿)所划分的重污染行业，具体包括钢铁、水泥、电解铝、煤炭、冶金等16类重污染行业。并结合证监会2012年《上市公司行业分类指引》界定行业属性，根据对照结果将样本划分为重污染企业和非重污染企业。若样本是重污染企业，则，Treat = 1否则Treat = 0。
《绿色信贷指引》(Post)。《绿色信贷指引》于2012年2月正式公布，并要求银行业金融机构在公布之日起遵照执行。基于此，本文将2012~2022年作为实验期，若样本年份在2012年及之后，则Post = 1，否则Post = 0。
企业绿色创新(Patent)。参考黎文婧和郑曼妮(2016)的做法，本文以绿色专利申请数量衡量企业绿色创新。具体地，本文将绿色发明专利申请数量和绿色实用新型专利申请数量加总得到绿色创新总量Total，绿色发明专利申请数量Invent衡量绿色创新质量，同时将绿色实用新型专利申请数量Utility作为对比性指标衡量绿色创新数量。为消除绿色专利申请数据的右偏分布问题，本文对绿色专利数据做进一步处理，即将绿色专利申请数量加1后取自然对数，得到LnTotal、LnInvent以及LnUtility。
控制变量(Control)。借鉴相关研究，本文选取企业规模(Size)、资产负债率(Debt)、盈利能力(ROA)、成长性(Growth)、经营活动现金流(Cash)、企业年龄(Age)、员工数量(Employee)、有形资产率(Ppe)作为控制变量。具体变量定义与描述性统计分析见表2。
Table 2. Variable definitions and descriptive statistics
表2. 变量定义与描述性统计
| 变量名称 |
变量定义 |
样本数量 |
平均值 |
标准差 |
最小值 |
最大值 |
| LnTotal |
Ln (当年绿色专利申请量 + 1) |
15,564 |
0.760 |
1.148 |
0 |
4.625 |
| LnInvent |
Ln (当年绿色发明专利申请量 + 1) |
15,564 |
0.520 |
0.948 |
0 |
4.248 |
| LnUtility |
Ln (当年绿色实用新型专利申请量 + 1) |
15,564 |
0.508 |
0.879 |
0 |
3.584 |
| Treat |
若是重污染企业，则Treat = 1，否则Treat = 0 |
15,564 |
0.336 |
0.472 |
0 |
1 |
| Post |
若样本年份在2012年及之后，则Post = 1，否则Post = 0 |
15,564 |
0.682 |
0.466 |
0 |
1 |
| Size |
Ln (期末总资产) |
15,564 |
22.52 |
1.361 |
19.73 |
26.27 |
| Debt |
期末总负债/期末总资产 |
15,564 |
0.500 |
0.193 |
0.0722 |
0.898 |
| ROA |
净利润/平均总资产 |
15,564 |
0.0366 |
0.0557 |
−0.158 |
0.220 |
| Growth |
营业收入增长率 |
15,564 |
0.174 |
0.521 |
−0.592 |
3.724 |
| Cash |
经营活动现金净流量/期末总资产 |
15,564 |
0.0501 |
0.0734 |
−0.166 |
0.262 |
| Age |
Ln (当年年份 − 公司成立年份 + 1) |
15,564 |
2.968 |
0.307 |
2.197 |
3.526 |
| Employee |
Ln (员工数量) |
15,564 |
7.896 |
1.334 |
4.205 |
10.99 |
| Ppe |
有形资产率 |
15,564 |
0.938 |
0.0801 |
0.534 |
1 |
4.3. 基准回归分析
根据上述模型，我们做了基准回归，表3是基准回归结果。
在第(1)列中，交乘项Treat × Post的系数在1%的水平显著为正，其系数为0.101，即绿色信贷政策实施后，重污染行业的绿色专利申请总量增加10.1%，表明《指引》显著增进了重污染行业的绿色创新产出。
在第(2)列中，交乘项Treat × Post的系数不显著，表明绿色信贷政策实施后，重污染行业的绿色发明专利数量增加不显著，即《指引》对重污染行业绿色创新质量的提升作用有限。
在第(3)列中，交乘项Treat × Post的系数在1%的水平显著为正，其系数为0.122，表明绿色信贷政策实施后，重污染行业的绿色实用新型专利申请量增加12.2%，即《指引》对重污染行业绿色创新数量的提升作用明显。
综上，研究假设H1得证。上述研究发现，《指引》对重污染行业的绿色创新数量具有明显的推动作用，但对其的绿色创新质量的推动并不明显。这主要是由于绿色发明专利的研发投入较大，周期较长，风险较大，因而不容易被企业采用。
Table 3. Regression results of the impact of green credit policy on green innovation of heavy polluting enterprises
表3. 绿色信贷政策对重污染企业绿色创新影响的回归结果
| 变量 |
LnTotal |
LnInvent |
LnUtility |
| Treat × Post |
0.101*** |
0.00203 |
0.122*** |
| (0.0223) |
(0.0193) |
(0.0189) |
| Size |
0.248*** |
0.183*** |
0.176*** |
| (0.0135) |
(0.0117) |
(0.0115) |
续表
| Debt |
0.102* |
0.0816* |
0.0549 |
| (0.0543) |
(0.0470) |
(0.0460) |
| ROA |
−0.286** |
−0.247** |
−0.151 |
| (0.137) |
(0.119) |
(0.116) |
| Growth |
−0.0137 |
−0.00834 |
−0.0108 |
| (0.0109) |
(0.00946) |
(0.00926) |
| Cash |
0.128 |
0.0677 |
0.0962 |
| (0.0897) |
(0.0777) |
(0.0761) |
| Age |
0.463*** |
0.320*** |
0.355*** |
| (0.116) |
(0.100) |
(0.0982) |
| Employee |
0.0965*** |
0.0773*** |
0.0700*** |
| (0.0113) |
(0.00980) |
(0.00959) |
| Ppe |
−0.288*** |
−0.121 |
−0.198** |
| (0.111) |
(0.0965) |
(0.0944) |
| Constant |
−6.762*** |
−5.092*** |
−4.925*** |
| (0.448) |
(0.388) |
(0.380) |
| 企业固定效应 |
是 |
是 |
是 |
| 年份固定效应 |
是 |
是 |
是 |
| R2 |
0.699 |
0.668 |
0.631 |
*为Standard errors in parentheses，***p < 0.01，**p < 0.05，*p < 0.1，下文相同。
4.4. 稳健性检验
4.4.1. 平行趋势检验
双重差分法的基本假设是，实验组和对照组具有平行趋势，即相同的事件前变化趋势，从而确保只有外生事件才是造成差异的原因。本文根据样本区间，选择政策时间的前后各3年设定年份虚拟变量。从表4和图1可以看出，政策发生前的时间虚拟变量回归系数值较小且不显著，这表明在政策发生之前，重污染行业与非重污染行业的绿色发展水平没有显著差异，即绿色信贷政策符合平行趋势假设。政策发生后的时间虚拟变量回归系数值显著为正，表明绿色信贷政策促进重污染企业绿色创新。
Table 4. Parallel trend test results
表4. 平行趋势检验结果
| 变量 |
pre_3 |
pre_2 |
current |
post_1 |
post_2 |
post_3 |
Size |
Debt |
| 检验结果 |
−0.00769 |
−0.0779 |
0.128** |
0.120** |
0.130** |
0.0745** |
0.248*** |
0.0969* |
| 标准误 |
(0.0340) |
(0.0497) |
(0.0537) |
(0.0526) |
(0.0565) |
(0.0293) |
(0.0135) |
(0.0543) |
| 变量 |
ROA |
Growth |
Cash |
Age |
Employee |
Ppe |
Constant |
R2 |
| 检验结果 |
−0.280** |
−0.0135 |
0.127 |
0.470*** |
0.0969*** |
−0.285** |
−6.775*** |
0.700 |
| 标准误 |
(0.137) |
(0.0109) |
(0.0897) |
(0.116) |
(0.0113) |
(0.0113) |
(0.448) |
|
Figure 1. Plot of the results of the parallel trend test
图1. 平行趋势检验结果图
4.4.2. 安慰剂检验
为了排除其他未观察到的遗漏变量对研究结果的影响，我们进行了一次安慰剂实验，通过随机抽样将实验组随机分配到全样本中。共随机抽取了352个样本作为全样本实验组，并进行了回归分析，记录了系数估计值和相应的p值。将该随机过程重复进行500次。系数估计值的概率密度分布和相应p值的散点分布图如图2所示。我们可以看到，安慰剂试验的系数估计值分布在零附近，而且大多数估计值在10%的置信水平下并不显著。这表明本文的结果没有受到其他未观察到的遗漏变量的干扰。
Figure 2. Graph of placebo test results
图2. 安慰剂检验结果图
4.5. 作用机制检验
本文采用中介效应模型，从信贷约束角度检验重污染企业绿色创新受阻背后的信贷规模渠道和融资成本渠道的可能性。
(1) 信贷规模渠道
由于企业绿色创新需要长期资金的支持，本文选取长期借款占总资产的比重(LongDebt)作为信贷规模渠道的中介变量。
从表5可知回归系数0.101、−0.0122、0.0972和−0.340均显著，且回归系数0.0972小于0.101，则表明中介变量LongDebt是绿色信贷政策抑制重污染企业绿色创新的作用机制。
Table 5. Mechanism tests based on the credit size channel
表5. 基于信贷规模渠道的机制检验
| 变量 |
LnTotal |
LongDebt |
LnTotal |
| Treat × Post |
0.101*** |
−0.0122*** |
0.0972*** |
| (0.0223) |
(0.00183) |
(0.0223) |
| LongDebt |
|
|
−0.340*** |
|
|
(0.101) |
| Size |
0.248*** |
0.0286*** |
0.258*** |
| (0.0135) |
(0.00111) |
(0.0138) |
| Debt |
0.102* |
0.147*** |
0.152*** |
| (0.0543) |
(0.00446) |
(0.0562) |
| ROA |
−0.286** |
−0.0136 |
−0.290** |
| (0.137) |
(0.0113) |
(0.137) |
| Growth |
−0.0137 |
−0.000114 |
−0.0138 |
| (0.0109) |
(0.000898) |
(0.0109) |
| Cash |
0.128 |
−0.0619*** |
0.107 |
| (0.0897) |
(0.00738) |
(0.0899) |
| Age |
0.463*** |
−0.0353*** |
0.451*** |
| (0.116) |
(0.00952) |
(0.116) |
| Employee |
0.0965*** |
−0.0125*** |
0.0923*** |
| (0.0113) |
(0.000929) |
(0.0114) |
| Ppe |
−0.288*** |
−0.0636*** |
−0.309*** |
| (0.111) |
(0.00915) |
(0.111) |
| Constant |
−6.762*** |
−0.382*** |
−6.892*** |
| (0.448) |
(0.0368) |
(0.450) |
| R2 |
0.699 |
0.688 |
0.700 |
(2) 融资成本渠道
绿色信贷增加了污染企业的整体融资成本，减少了银行主导的信贷融资，但绿色信贷并没有抑制污染企业的商业信贷，反而促进了污染企业基于商业信贷的流动性债务融资。因此本文选择流动性负债占期初总资产的比重，即流动性债务融资Fr作为中介变量来分析。
从表6可知回归系数0.101、0.0105、0.0968和0.439均显著，且回归系数0.0968小于0.101，则表明中介变量流动性债务融资是绿色信贷政策抑制重污染企业绿色创新的作用机制。
Table 6. Mechanism test based on financing cost channel
表6. 基于融资成本渠道的机制检验
| 变量 |
LnTotal |
Fr |
LnTotal |
| Treat × Post |
0.101*** |
0.0105*** |
0.0968*** |
| (0.0223) |
(0.00217) |
(0.0223) |
| Fr |
|
|
0.439*** |
|
|
(0.0848) |
| Size |
0.248*** |
−0.0404*** |
0.266*** |
| (0.0135) |
(0.00132) |
(0.0140) |
| Debt |
0.102* |
0.772*** |
−0.237*** |
| (0.0543) |
(0.00530) |
(0.0850) |
| ROA |
−0.286** |
0.0519*** |
−0.309** |
| (0.137) |
(0.0134) |
(0.137) |
| Growth |
−0.0137 |
0.00327*** |
−0.0152 |
| (0.0109) |
(0.00107) |
(0.0109) |
| Cash |
0.128 |
0.0715*** |
0.0970 |
| (0.0897) |
(0.00876) |
(0.0898) |
| Age |
0.463*** |
0.0609*** |
0.437*** |
| (0.116) |
(0.0113) |
(0.116) |
| Employee |
0.0965*** |
0.0177*** |
0.0888*** |
| (0.0113) |
(0.00110) |
(0.0114) |
| Ppe |
−0.288*** |
0.115*** |
−0.338*** |
| (0.111) |
(0.0109) |
(0.112) |
| Constant |
−6.762*** |
0.478*** |
−6.972*** |
| (0.448) |
(0.0438) |
(0.450) |
| R2 |
0.699 |
0.878 |
0.700 |
5. 结论与建议
绿色信贷政策与传统信贷政策的主要区别在于，绿色信贷政策注重支持和鼓励环保和可持续发展项目，促进绿色产业和低碳经济发展。这些政策通常包括鼓励银行和金融机构提供更有利的信贷条件给符合环保标准的企业，推动绿色技术创新和应用，以及支持性质更为环保、低碳的投资项目。传统信贷政策则更注重企业的经济效益和财务状况。因此，绿色信贷政策在支持可持续发展和环保领域更具有指导性和导向性，与传统信贷政策的重点有所不同，绿色信贷将环境规制与资金配置相联系，将企业进行污染生产的负外部性内部化。
本文探讨了原银监会发布《绿色信贷指引》后，绿色信贷政策与绿色创新之间的关系，并分析了其背后的机制。研究结果表明，《指引》实施以来，绿色信贷限制行业参与绿色创新的积极性显著提高，表现为绿色创新的总量大幅增加，但绿色创新的质量并没有明显提高。
结合上述研究，我们就通过绿色信贷政策推动重污染行业绿色创新提出如下建议：
第一，加强绿色信贷实施情况的监测评价。合理评估绿色信贷政策实施的影响对于构建更深层次的绿色信贷政策体系至关重要，有助于更好地理解政策实施的效果，找出政策实施的偏差和推广过程中的关键障碍。
第二，加强对企业环保信息披露和监督。银行与企业之间的信息不对称阻碍了绿色信贷的投资，难以支持高污染企业的绿色创新信贷。
第三，完善绿色信贷激励与约束双重机制。强调绿色信贷政策中的信贷约束只是达到目的的一种手段，其最初目的是保护生态环境，增加污染成本，鼓励企业参与创新。但由于企业创新需要资金支持，因此，除了最大限度地发挥绿色信贷政策的限制作用，遏制“两高一剩”产业外，还需要建立支持企业创新的激励机制。
NOTES
1数据来源国家统计局。
2数据来源国家统计局。
3笔者根据国家统计局的数据自行整理。
4中华人民共和国财政部令(第33号)企业会计准则——基本准则。
5在1%和99%的水平上进行缩尾处理就是小于百分数1%的数替换为百分数1%的数值，大于百分位数99%的数替换为百分位数99%的数值。