1. 引言
当前，中国正处在经济结构转型和增长模式转变的重要阶段，对推动绿色产业发展和实现经济、社会可持续性的需求日益增长。2012年，中国银监会发布的《绿色信贷指引》将绿色信贷纳入商业银行的考核体系，标志着金融领域对环保的重视。在党的二十大报告中，强调了实施全面节约战略、发展绿色低碳产业、推广绿色消费的重要性，并提出了在产业结构调整、污染治理、生态保护和应对气候变化等方面的统筹规划，以加快向绿色发展模式的转变，这需要金融行业的有力支持。“绿色金融”这一概念应运而生，反映了公众对环境保护的日益关注和对低碳资源开发的迫切需求。中国在碳达峰碳中和的第一次全国会议上提出，将力争在2030年前实现碳达峰，2060年前实现碳中和。随着相关政策和法规的逐步推出、实施和完善，中国的商业银行正在加大绿色信贷的投放力度。
区别于传统信贷，绿色信用是指通过资本的导向效应，把资源投入到环境保护领域，从而降低了对重污染企业及工程的融资成本，从而达到资源“绿色配置”的目的。绿色信贷政策的推行，既可以优化银行的信贷资源，又可以促进重度污染者改变其生产模式。同时，由于相关制度的不健全，企业在社会责任认定和环境信息披露方面的投入不够，加之绿色信贷的特性与之前的传统信贷有很大的区别，所以无法直接套用传统的信用风险评价方法来评价绿色信贷的信用风险，从而影响了商业银行的绿色信贷发展。由此可见，迫切需要建立一套符合我国国情的绿色信贷制度，并对其进行评价。国内外的学者们也都从不同的角度分析了绿色信贷的发展状况和功能，并强调了强化绿色信贷风险管理的重要意义。然而，在现有的研究中，很少有对绿色信贷的信用风险进行单独的分析，并且大部分的研究都停留在理论的层次上，很少有定量的研究。
因此本文在理论分析的基础上，以深交板主板上市的重污染行业企业为例，基于Logistic回归方法构建用以评估绿色信贷信用风险的模型，判断其对绿色信贷信用风险评估的准确性和有效性，并对此提出相应的建议。
2. 文献综述
2.1. 绿色信贷研究
可持续发展理念在我国最早确立，国家也大力倡导金融要主动服务实体经济，促进产业转型。绿色信贷是一种新兴的融资工具，它的重要性也在逐步提升。在绿色金融、可持续金融等理念的基础上，国内学者对绿色信贷的内涵进行了拓展和深化。Mark A. White (1996)认为，可持续融资需要金融机构对其进行合理的资源分配，并在其风险评价中加入绿色企业的环境风险，从而达到生态保护与经济发展的双赢[1]。何德旭、张雪兰(2007)认为，绿色信贷可以通过两种方式实现资金：“绿色配置”：一是对环境保护有正向效应的企业提供长期的优惠利率，二是对重污染企业的授信额度、期限等进行约束[2]。Weber O，Fenchel M和Scholz R W (2010)提出，环保金融就是银行以环保为前提，通过对环保要求的项目进行社会资源配置，从而为环保工程提供福利性的借贷融资[3]。孙光林et al. (2017)的研究表明，商业银行开展绿色信贷能够提高企业经营绩效，并能有效缓解由于消费者的环保违规行为而导致的信用风险[4]。罗霞和夏梦瑶(2022)等研究得出，现绿色信贷风险管理中仍存在风险评价标准与程序不够健全、对绿色信贷资金投入过度集中、有效控制绿色信贷风险的能力不够、相关金融专业人才缺失等情况[5]。
LuoSumei等(2021)利用双重差分法(DID)和双重差分法(DDD)分析了绿色贷款对我国商业银行的综合竞争能力的影响，结果表明，高信用和高信誉的银行可以更好地提高其核心竞争力[6]。陈琪和张广宇(2019)以2016~2017年两个剩余企业的实证数据为基础，从负债融资成本的视角，对企业的经营风险与财务业绩进行了实证研究，得出了样本公司的财务业绩有下降的趋势[7]。廖果平和李颖(2020)使用KMV对我国A股绿色产业与两高产业上市企业的信用风险进行了测算，结果表明，绿色产业的信用风险要比“两高”企业稍小，并没有太大的优势。接着，本文对两个产业中的信用风险因素进行了深入的实证研究，结果表明，负债规模对于环境保护企业的信用风险具有重要的作用，而对于“两高”企业则没有什么作用[8]。王馨(2021)等的研究发现，实施和实施绿色信贷政策可以有效地降低企业的环境污染行为，促进企业绿色低碳的技术进步与创新[9]。舒利敏和廖菁华(2022)提出，绿色贷款能够促进重污染产业企业的绿色转型和投资决策，并体现出绿色贷款对企业资本流向的导向效应[10]。
2.2. 信用风险评估研究
随着时间的推移和科技的飞速发展，机器学习逐渐走入了金融业。随着现代信用风险评价方法的提出和运用，企业信用风险评价的准确性得到了显著提高。吴世农与卢贤义(2001)利用多元线性回归、Fisher鉴别和二元Logistic回归等方法识别上市公司的违约风险，结果表明，二元逻辑回归具有最佳的拟合优度，且错误发生率最低[11]。吴彬(2008)通过对不同的信贷风险评价方法的比较，构建了基于Logistic模型的实证分析，发现该模型具有良好的预测能力[12]。Belhadi Amine等(2021)将旋转森林和Logit提升算法相结合，建立新型的融合机器学习模型，对农业4.0 (SCF)下的中小企业进行信贷风险的预测，以改善其信贷风险的预测精度，并对其进行评估[13]。邵川(2020)运用灰色关联分析和回归分析等方法，探讨绿色信贷和绿色贷款结构对产业结构优化的作用机理，提出相应的政策建议[14]。王姝怡(2021)运用Logistic回归模型能够有效判别节能环保企业是否违约[15]。尹露颖(2022)通过参数调优后的集成学习算法实现了对上市公司绿色信贷违约损失的分析与预估[16]。王丹迪(2018)通过收集和整理问卷数据得到环保指标权重，结合财务和非财务指标，利用层次分析法建立绿色信贷信用风险评估模型，并选取代表企业进行实际应用[17]。
黄颖利、李友慧和王宇(2018)认为KMV模型主要是考虑财务因素来对信用风险进行度量，将KMV模型度量结果与道德风险、可持续发展水平等相关绿色影响因素一起代入BP神经网络模型，结果表明能更准确的预测绿色信贷信用风险大小[18]。Feng Yuan (2022)通过主成分分析和因子分析建立反向传播神经网络(BPNN)模型，通过实证发现，基于BPNN的绿色信用风险评估模型具有95%的准确率，且99%的样本企业风险较低。然而煤炭行业的大多数公司的风险较高[19]。张李红(2020)采用Logistic回归方法对绿色信贷违约率进行测算，结果表明模型判别正确率较好[20]。
2.3. 文献评述
在对国内外相关研究进行梳理的基础上，我们可以看到，国外学者对“可持续金融”这一概念有了较为明确的界定，而国内学者对“可持续金融”的定义则更侧重于对“绿色信用”的界定。由于绿色信贷具有一定的风险性，因此，对其进行风险管理已成为国内外学术界研究的热点。无论是国内外的研究人员，还是国内的学者，都一致认同了绿色贷款和绿色金融在可持续发展中的重要作用。近年来，许多学者将研究的重点放在了将机器学习和绿色信用风险相结合的研究上。从文献的梳理中还可以看出，符合我国国情的Logistic回归方法具有很好的适用性和预测能力。然而，目前关于绿色信贷信用风险评价的研究，大多数都是基于BP神经网络、KMV等，很少使用Logistic回归模型。为此，本项目拟利用深交板重污染行业上市公司的基本信息和财务数据，采用Logistic回归方法对其进行评价，为我国企业绿色信贷的信用风险评价提供理论和经验支撑。
3. 相关理论与模型构建
3.1. 相关理论
3.1.1. 赤道原则
赤道原则是2002年由世界银行下属的国际金融公司与荷兰银行共同提出的一项企业贷款准则，由国际金融公司和荷兰银行等9家银行在伦敦召开会议，会后提出一套针对融资项目中的环境和社会风险指南，这就是赤道原则。这一原则的提出，是为了降低银行因投资可能对环境和社会造成损害的项目而面临的信用风险和声誉损失。赤道原则强调，商业银行在进行项目投资前，应优先评估项目对环境和社会的潜在影响，确保投资活动符合环境友好和可持续发展的要求。在国际项目融资领域，赤道原则已经成为衡量和管理环境与社会风险的重要标准。其中，原则声明是赤道原则的核心，列举了采取赤道原则的金融机构在做出投资决定时需遵守的十条特别条款和准则。国外商业银行在开展绿色信贷过程中融入了赤道原则并沉淀出了诸多宝贵的实践经验，典型代表的银行包括美国花旗银行、荷兰银行、日本瑞穗银行[21]。以下表格总结了国外的以上三大杰出赤道原则践行银行的绿色信贷项目风险管理实践经验，以及从中总结出对我国商业银行有指导意义的启示。
3.1.2. 可持续发展理论
在1987年，联合国世界环境与发展委员会首次提出了“持续发展”的理念。12年后，中国科学院发布的《2009中国可持续发展战略报告》进一步明确了符合我国国情的可持续发展策略。该理论主张在满足当代人需求的同时，不损害后代的生存环境。可持续发展追求经济、社会和环境的和谐发展，与当前流行的ESG (环境、社会、治理)概念相契合。
实现可持续发展需要遵循三个基本原则：公平性、持续性和共同性。公平性原则强调在发展过程中要实现当代人之间的平等，并考虑与后代的公平关系。持续性原则要求人类在自然承受能力范围内合理利用资源，以维护生态系统的平衡。共同性原则则强调实现可持续发展是全人类的共同责任，需要全球社会的共同努力，而非仅依赖个别国家或组织。
可持续发展理论指出，传统经济增长模式可能导致人与自然关系的紧张，进而破坏生态环境。商业银行作为经济增长的重要参与者，在推动可持续发展的过程中，可以通过绿色信贷等手段，促进资源的合理分配，提升落后产能，推动节能减排，从而在经济增长与环境保护之间找到平衡点。
3.1.3. 信用风险管理理论
信用风险管理是一种综合运用多种策略来评估、监控和控制贷款过程中的潜在风险的方法。其核心目标是在确保风险可控的同时，实现收益最大化，从而提高贷款业务的经济效益。
该理论强调，银行需要准确识别信贷业务中的各种风险，并进行有效的量化，以确保风险与收益之间的平衡。这有助于银行在竞争激烈的市场中增强自身的盈利能力和竞争力。为此，银行应深入分析自身的风险管理体系，明确风险管理的目标，并对风险进行分类和结构化。其次，要选取合适的风险指数，采取科学的计量手段，并结合历史数据，建立一种有效的风险管理框架。在此基础上，提出了相应的风险管理对策，构建了内部和外部的风险交流机制，以及应对风险的计划。
通过这些措施，银行可以更好地管理信用风险，提高贷款业务的经济效益，同时在激烈的市场竞争中保持竞争力和盈利能力。
3.2. 模型构建
Logistic回归是一种可以用于预测某件事情发生的概率及解释其与导致该概率发生的因素之间关系的模型。该类模型适用于解决绿色信贷项目风险管理问题原因如下：首先，Logistic回归模型既不要求样本服从同分布或方差不变的前提，并且不论自变量是连续或离散类型都不会影响模型的最后结果。此外，使用该模型所求得的预测概率值会一致保持在0到1的范围内，这样对因变量为二分类变量的结果解释也会更加容易。
Logistic模型的基本原理如下所示：
(1)
(2)
其中y表示因变量，在本文中为绿色信贷项目是否会产生违约风险，当y为0时表示绿色信贷项目不会出现违约即正常的概率，当y为1时表示绿色信贷项目会出现违约即高风险的概率。α与β都表示回归系数，X为自变量。
4. 数据来源、指标构建与优化
4.1. 数据来源
根据2010年环保部发布的《上市公司环境信息披露指南》，选择了火电、钢铁、水泥、煤炭、冶金和化工等16个行业，并选择了深交板主板上市的重污染业企业作为样本，在2018~2022年期间进行，在随机抽样过程中，难免会出现同一公司在不同年度的数据被同时抽取的情形，为了确保结果的正确性，我们对同一公司进行了两次以上的人工控制，并且从各个上市公司的年报中获取了财务方面的资料。在此基础上，根据有关规范和标准加以处理，将金融类公司以及有关信息中存在严重遗漏的公司等加以删除，在保证各个指标数据准确性和完整性的基础上，最终得出410有效数据样本。
4.2. 指标选取
4.2.1. 财务指标
在传统的信用风险评价中，财务指标往往是最受重视的一个方面。通常情况下，公司的财务风险是由公司的偿债能力，运营能力，盈利能力，发展能力及其对应的子指标来衡量的。具体如下：
(1) 偿债能力。它反映了公司对到期债务的承担能力，也就是公司对到期债务的担保程度。根据流动比率、速动比率、资产负债比等因素，对企业的经营状况进行分析。
(2) 盈利能力。是指企业获取利润的能力。由基本资产报酬率、净资产收益率、营业利润率、毛利润率等来综合决定。
(3) 运营能力。是指企业经营和使用经济资源的效率，以及资本运作的周转性。由应收账款周转天数、存货周转天数、流动资产周转率等来综合决定。
(4) 发展能力。是指企业扩大规模、壮大实力的潜在能力。由净利润增长率、营业总收入增长率、总资产增长率等来综合决定。
4.2.2. 非财务指标
(1) 基础信息指标
为了重污染行业能掌握绿色信贷项目的总体情况，本部分指标选择公司的经营年限以及总资产作为基本信息指标。其中，经营年限反映了公司在行业经营时间的长短，一般而言，公司在行业运作的时间越长，开展业务的经验越丰富，抗风险能力也就越大，公司违约的信用风险也就越低。而资产情况一定程度反映了企业的规模大小。
(2) 技术指标
企业在新技术研发方面的投资和科技实力对于绿色贷款风险评价具有重要意义。从企业的科研经费支出、研发人员所占的比例等方面可以看出企业对科研投入的关注程度。为此，论文选取了研发人员费用占营业收入的比重、研发人员比率、研发人员增长率这三个指标来进行研究。研发人员投资是指企业从事科研和技术发展活动所付出的成本和费用。但是，由于企业的规模和技术发展程度存在着一定的差别，所以本文选取了研发费用与营业收入的比例作为衡量企业技术投资的指标。科技人才是科学研究发展的根本依据，而科技人才的比例则是一个企业科技发展的重要指标。变量的基本情况如表1所示。
Table 1. Descriptive statistical results for indicators
表1. 指标描述性统计结果
指标 |
均值 |
标准差 |
流动比率X1 |
1.449 |
1.096 |
速动比率X2 |
1.133 |
0.976 |
EBIT利息保障倍数X3 |
8.305 |
17.367 |
资产负债率X4 |
0.527 |
0.186 |
权益乘数X5 |
2.505 |
2.662 |
资产报酬率X6 |
0.057 |
0.097 |
净资产收益率X7 |
0.064 |
0.347 |
营业毛利率X8 |
0.252 |
0.195 |
营业净利率X9 |
0.033 |
0.287 |
应收账款周转天数X10 |
67.187 |
101.688 |
存货周转天数X11 |
95.182 |
134.256 |
流动资产周转率X12 |
1.886 |
1.363 |
总资产周转率X13 |
0.716 |
0.473 |
净资产收益率增长率X14 |
4.154 |
79.846 |
净利润增长率X15 |
2.685 |
59.054 |
营业收入增长率X16 |
0.180 |
0.890 |
总资产增长率X17 |
-0.699 |
1.915 |
总资产X18 |
9.846 |
4.092 |
经营年限X19 |
23.840 |
5.415 |
研发人员数量占比X20 |
10.531 |
6.451 |
研发投入占营业收入比例X21 |
2.787 |
2.601 |
研发人数增长率X22 |
1.363 |
3.107 |
4.2.3. 风险评级划分
通过查阅过往研究者的文献资料发现，绿色信贷具有较高的风险和较长的投资周期，一旦发生违规行为，无论对上市公司的长远发展，还是对其有序开展和绿色信贷项目的管理，都将产生巨大的影响。为此，我国应加大对上市公司绿色信用风险的分区力度。因此，本文将AA+级及以上的公司定为低风险即信用正常，而其余则属于高信用风险类型公司。具体风险评级划分如表2所示：
Table 2. Risk rating division
表2. 风险评级划分
风险评级 |
风险评级划分 |
AA+级以上 |
低风险或正常，表示为0 |
AA级以下 |
高风险或违约，表示为1 |
4.3. 指标优化
4.3.1. Shapiro-Wilk检验
由于描述性统计分析只是概括性地描述数据特征，具体样本分布仍是未知，为了进一步判断样本具体的总体分布情况，所以本部分利用SPSS来对上述的22个指标进行Shapiro-Wilk检验，做进一步检验和分析。检验结果如表所示，根据表3所示，Shapiro-Wilk检验结果显示，上述全部指标数据均拒绝原假设，即数据不满足正态分布。因此22个指标都适合直接采用Mann-Whitney秩和检验。
Table 3. Shapiro-Wilk test results
表3. Shapiro-Wilk检验结果
指标 |
统计 |
自由度 |
显著性 |
流动比率X1 |
0.748 |
410 |
0.000 |
速动比率X2 |
0.713 |
410 |
0.000 |
EBIT利息保障倍数X3 |
0.584 |
410 |
0.000 |
资产负债率X4 |
0.875 |
410 |
0.000 |
权益乘数X5 |
0.256 |
410 |
0.000 |
资产报酬率X6 |
0.638 |
410 |
0.000 |
净资产收益率X7 |
0.352 |
410 |
0.000 |
营业毛利率X8 |
0.884 |
410 |
0.000 |
营业净利率X9 |
0.463 |
410 |
0.000 |
应收账款周转天数X10 |
0.558 |
410 |
0.000 |
存货周转天数X11 |
0.462 |
410 |
0.000 |
流动资产周转率X12 |
0.815 |
410 |
0.000 |
总资产周转率X13 |
0.828 |
410 |
0.000 |
净资产收益率增长率X14 |
0.037 |
410 |
0.000 |
净利润增长率X15 |
0.040 |
410 |
0.000 |
营业收入增长率X16 |
0.213 |
410 |
0.000 |
总资产增长率X17 |
0.025 |
410 |
0.000 |
总资产X18 |
0.577 |
410 |
0.000 |
经营年限X19 |
0.960 |
410 |
0.000 |
研发人员数量占比X20 |
0.968 |
410 |
0.000 |
研发投入占营业收入比例X21 |
0.804 |
410 |
0.000 |
研发人数增长率X22 |
0.128 |
410 |
0.000 |
4.3.2. Mann-Whitney U检验
由于本次实证研究中，各指标下的样本数据不服从正态分布、方差齐性等特点，因而不能采用独立样本T检验，故使用Mann-Whitney U方法来检验不同风险类别在总体均值上是否有明显差异。基于以上Mann-Whitney U检验的检验结果，每股收益等7个指标均未通过0.05的显著性水平检验，因此本文最终选择了其中通过0.05显著性水平检验的15个解释变量指标作为以下进一步分析的变量。检验分析结果见下表(表4)：
Table 4. Mann-Whitney U test results
表4. Mann-Whitney U检验结果
原假设 |
显著性 |
结论 |
正常公司与违约公司两个不同的样本群中，流通比率X1没有差别。 |
0.000 |
拒绝原假设 |
正常公司与违约公司两个不同的样本群中，速动比率X2没有差别。 |
0.000 |
拒绝原假设 |
正常公司与违约公司两个不同的样本群中，利息保障倍数X3没有差别。 |
0.321 |
接受原假设 |
正常公司与违约公司两个不同的样本群中，资产负债率X4没有差别。 |
0.002 |
拒绝原假设 |
正常公司与违约公司两个不同的样本群中，权益乘数X5没有差别。 |
0.000 |
拒绝原假设 |
正常公司与违约公司两个不同的样本群中，资产报酬率X6没有差别。 |
0.010 |
拒绝原假设 |
正常公司与违约公司两个不同的样本群中，净资产收益率X7没有差别。 |
0.001 |
接受原假设 |
正常公司与违约公司两个不同的样本群中，营业毛利率X8没有差别。 |
0.252 |
拒绝原假设 |
正常公司与违约公司两个不同的样本群中，营业净利率X9没有差别。 |
0.002 |
拒绝原假设 |
正常公司与违约公司两个不同的样本群中，应收账款周转天数X10没有差别。 |
0.000 |
拒绝原假设 |
正常公司与违约公司两个不同的样本群中，存货周转天数X11没有差别。 |
0.000 |
拒绝原假设 |
正常公司与违约公司两个不同的样本群中，流动资产周转率X12没有差别。 |
0.000 |
接受原假设 |
正常公司与违约公司两个不同的样本群中，总资产周转率X13没有差别。 |
0.608 |
接受原假设 |
正常公司与违约公司两个不同的样本群中，净资产收益率增长率X14没有差别。 |
0.063 |
接受原假设 |
正常公司与违约公司两个不同的样本群中，净利润增长率X15没有差别。 |
0.315 |
拒绝原假设 |
正常公司与违约公司两个不同的样本群中，营业收入增长率X16没有差别。 |
0.015 |
接受原假设 |
正常公司与违约公司两个不同的样本群中，总资产增长率X17没有差别。 |
0.475 |
拒绝原假设 |
正常公司与违约公司两个不同的样本群中，总资产X18没有差别。 |
0.000 |
拒绝原假设 |
正常公司与违约公司两个不同的样本群中，经营年限X19没有差别。 |
0.000 |
拒绝原假设 |
正常公司与违约公司两个不同的样本群中，研发人员数量占比X20没有差别。 |
0.021 |
拒绝原假设 |
正常公司与违约公司两个不同的样本群中，研发投入占营业收入比例X21没有差别。 |
0.000 |
接受原假设 |
正常公司与违约公司两个不同的样本群中，研发人数增长率X22没有差别。 |
0.063 |
拒绝原假设 |
5. 实证部分
根据多次试验结果，本文从样本中随机抽取30%作为测试集合，其余70%作为训练集合，删除存在缺失值以及重复的数据，最终保留数据共410条，具体分布如下(表5)：
Table 5. Individual sample size
表5. 个样本容量
样本分组 |
正常企业 |
违约企业 |
合计 |
训练组 |
153 |
134 |
287 |
测试组 |
60 |
63 |
123 |
总样本 |
213 |
197 |
410 |
对于分类问题，永远都逃不过的一个痛点就是样本不均衡问题。从上表中可以看出，整合的重污染行业上市公司样本虽然两类样本差距不大，但仍然是不均衡的，可能会导致少数类被错误分类的可能性很大，从而导致分类效果不理想。本文采用SMOTE过采样算法对数据进行均衡处理，通过SMOTE过采样处理后我们得到信用危险样本271条，信用正常样本271条，总样本542条。处理后的数据样本容量见表6。
Table 6. SMOTE sample size information after oversampling
表6. SMOTE过采样后各样本容量信息
样本分组 |
正常企业 |
违约企业 |
合计 |
训练组 |
149 |
149 |
298 |
测试组 |
64 |
65 |
128 |
总样本 |
213 |
214 |
426 |
5.1. 相关性与多重共线性分析
根据Mann-Whitney U的检验结果，最终选取了其中通过0.05显著性水平检验的15个指标作为Logistic回归模型建模使用的输入自变量变量。在进行Logistic回归模型建立之前，需要对数据进行相关性与多重共线性分析，因为本文为全面研究影响深交所主板市场上市公司绿色信贷项目风险表现的因素，故而选取了较多的指标变量。但是，不同的解释变量之间存在一定的相关性，在没有考虑这些因素的情况下，就会引入大量的噪音，使得对解释变量的显著性检验变得毫无意义。另外，由于模型中的一些重要解释变量也有可能被排除，这将对最终的解释能力和预测能力产生很大的影响。经过Shapiro-Wilk检验，发现各指标均不符合正态分布，因此，采用Spearman相关分析方法，对相关系数较大的解释变量进行了处理，在剔除变量之前的热力图可见下图1。
结合Spearman相关性系数与相关强度的定义，把P值大于0.8的解释变量找出并去掉其变量。经过处理后，保留了11个解释变量。
其次，是方差膨胀因子VIF的筛选。VIF值是表示自变量相互之间是否存在共线性以及共线性程度大小的一个指标数值。一般VIF大于10就认为共线性很强，因此对于此类的自变量予以删除。由以图2中可以看出，解释变量相互之间的相关性均为弱相关或极弱相关，因此没有删除变量，最终同样保留了11个解释变量。具体指标显示如图2所示。
Figure 1. Spearman correlation coefficient thermal maps before high correlation and multicollinearity screening
图1. 高相关性及多重共线性筛选前的Spearman相关性系数热力图
Figure 2. Spearman correlation coefficient heat maps after high correlation and multicollinearity screening
图2. 高相关性及多重共线性筛选后的Spearman相关性系数热力图
在经过相关性与共线性诊断之后，具体的指标选取如下表所示(表7)。
Table 7. Explanatory variables after high correlation and multicollinearity screening
表7. 高相关性及多重共线性筛选后的解释变量
指标名称 |
编号 |
流动比率 |
X1 |
资产负债率 |
X4 |
资产报酬率 |
X6 |
应收账款周转天数 |
X10 |
存货周转天数 |
X11 |
流动资产周转率 |
X12 |
营业收入增长率 |
X16 |
总资产 |
X18 |
经营年限 |
X19 |
研发人员数量占比 |
X20 |
研发投入占营业收入比例 |
X21 |
5.2. 回归分析结果
使用以上方法所得出的11个指标作为自变量来构建Logistic回归模型。由表8可知，在自由度为8、显著水平为0.05时，卡方临界值为12.592。该模型下的卡方值大于以上查表得出的卡方临界值，并且对应的显著性小于0.05，所以，可以得出迭代过程中的卡方值和显著性均通过检验，故模型整体有效。
Table 8. The comprehensive coefficient test of the model
表8. 模型的综合系数检验
|
卡方 |
自由度 |
显著性 |
步骤 |
14.155 |
1 |
0.000 |
块 |
393.022 |
8 |
0.000 |
模型 |
393.022 |
8 |
0.000 |
霍斯默–莱梅肖试验(Horsmer-Leamshaw)试验可以通过计算估算的参数和实测数据的差值来检验模型适合性，如果二者的差值比较大，则不能忽略这一点，因此该模型的拟合效果很差。由表9可知，P值为0.937，显著性为0.05，远远超过0.05，可以忽略检验结果与真实数据之间的差别，拟合得很好。
Table 9. Hosmer-Lemeshaw test
表9. 霍斯默–莱梅肖检验
卡方 |
自由度 |
显著性 |
12.461 |
8 |
0.142 |
表10为Logistic回归结果，4个自变量的系数均是具有显著性，该结论充分说明了构建的Logistic回归模型是显著有效的，且以上4个变量对模型都具有一定的解释力度。因此可以得出，Logistic回归模型能够有效地识别关键风险解释变量并对违约风险结果起到一定解释作用。
解释变量X4、X18相关系数都为正，证明上市公司的资产负债率和总资产越大，其绿色信贷违约风险概率也就相对较大；解释变量的相关系数都为X12和X19相关系数都为负，证明上市公司的流动资产周转率和经营年限得分越大，其绿色信贷违约风险概率相对较小。通过上表显示，得到4个解释变量均满足以上强影响因素的条件，从而说明了该4个解释变量对公司的绿色信贷违约风险均有较强影响，由此表明了资产负债率、总资产、流动资产周转率和经营年限四种指标相比于其他因素对上市公司的绿色信用风险的影响更大。因此，商业银行在给上市公司提供绿色信贷过程中应对以上几个指标的重点进行动态监测，这可以作为判断影响上市公司是否会发生绿色信贷项目违约风险的重要参考。
Table 10. Regression coefficients and significance results for each explanatory variable
表10. 各解释变量的回归系数和显著性结果
变量 |
回归系数 |
标准误差 |
瓦尔德 |
自由度 |
显著性 |
X4 |
0.301 |
0.276 |
1.189 |
1 |
0.000 |
X12 |
−0.622 |
0.235 |
6.994 |
1 |
0.008 |
X18 |
0.033 |
0.040 |
0.681 |
1 |
0.000 |
X19 |
−0.148 |
0.046 |
10.257 |
1 |
0.001 |
常量 |
3.667 |
1.967 |
3.473 |
1 |
0.062 |
5.3. 模型预测结果分析
为了检验该模型的预测准确率，把测试组的数据样本代入以上构建的Logistic回归模型，通过运算就可以得出绿色信贷违约风险概率p。本文的二分类模型中，概率划分规则如下：
Table 11. Accuracy of default cases in the model test group
表11. 模型测试组违约情况的准确率
|
预测 |
实测 |
0 |
1 |
正确百分比 |
0 |
52 |
8 |
86.66% |
1 |
10 |
58 |
85.29% |
总体百分比 |
- |
- |
85.98% |
对于所选测试组样本，由表11可知，Logistic模型中对正常公司的预测准确率为86.66%，而对违约公司的预测准确率为85.29%，总体样本的预测准确率为85.98%。可见，该Logistic模型对上市公司的绿色信贷项目风险的总体预测有较好的准确率，但是违约上市公司的预测准确率仍然有待提高。
在二元分类问题上，通常把预测值为1、真实值为1记作TP，预测值为1、真实值为0记作FP，预测值为0、真实值为0记作TN，预测值为0、真实值为1记作FN。准确度、精确度、召回率分别以Accuracy、Precision、Recall表示。其中，精确度和召回率通过计算又可产生另一指标为F1_score。具体公式如下：
(3)
(4)
(5)
(6)
ROC曲线是指通过二分类方法，分别以假正率和真正率为横纵坐标、反映敏感性与特异性关系的曲线。ROC曲线越靠近左上角，即ROC曲线下方的面积越大，也就代表模型的准确度就越好，这个准确度可用AUC值来表示。
Logistic回归模型的ROC曲线如图3所示：
Figure 3. ROC curve of Logistic regression model
图3. Logistic回归模型的ROC曲线
综上，本部分经过Logistic回归建模后得到的性能显示，发现总体预测准确率Accuracy较高。模型对上市公司样本绿色信用风险的判别效果良好，对绿色信贷项目信用风险的评估在解释力上具有一定的实际指导意义。并且可以发现，其余指标都是大于80%以上，说明违约公司整体的预测都比较好，Logistic模型整体准确率比较高。Logistic回归性能评价数据汇总如下(见表12)：
Table 12. Logistic regression performance evaluation data summary
表12. Logistic回归性能评价数据汇总
对比项 |
Logistic回归 |
Accuracy |
85.94% |
F1_score |
87.36% |
Precision |
88.64% |
Recall |
85.84% |
AUC |
93.75% |
6. 结论与政策建议
当前，我国正在大力提倡发展绿色经济，以推动经济与环境的可持续发展，在各种绿色金融工具中，绿色信贷的发展是最早的，并且在相关政策的推动下，在商业银行的积极实施下，其在所有的绿色金融产品中都占据了很大的比重，为了确保绿色信贷的更广泛、更好地开展，才能充分地发挥它的作用，因此，必须加强对绿色信贷的风险管理。在这样的背景下，本文选取了我国重污染上市公司作为研究对象，对我国绿色信贷的信用风险进行了实证研究。在对本文的研究内容进行梳理的基础上，得出了以下几点结论：
(1) 本文从公司的财务指标和非财务指标两个方面，初步选定了22个指标建立上市公司绿色信贷信用风险评估初步指标体系。再通过特征筛选剔除得分低的后11个指标，以11个重要性程度高的指标重新建立上市公司绿色信贷信用风险指标体系。
(2) 本文选取2018~2022年深交板主板上市的重污染企业作为数据集，进行缺失值处理、min-max标准化、SMOTE过采样处理(随机数种子设置为0)等一系列数据预处理，通过实验结果分析比较，选出了最适合本文数据集的训练集测试集划分，使用70%的数据作为训练集，30%的数据作为测试集。
(3) 建立Logistic模型进行实证分析，得到混淆矩阵、分类模型的评估报告和ROC曲线等一系列评价指标的实验结果，实验结果发现，模型的准确率比较高，准确率、精准率、召回率、f1_score、ROC曲线和AUC值等值都表现不错。
基于以上结论，提出以下建议：第一，要构建和健全我国绿色信贷的信贷风险评价机制。中国央行、环境保护部、银保监会等部门积极推动绿色信用建设，但至今仍没有形成统一的实施标准和评价指标。虽然17家商业银行已按照国家有关规定出台了相应的绿色信用标准，但是由于各银行执行情况的差异，导致了对绿色信用的评价比较困难。如何制定统一的绿色信用政策，并构建相应的风险评价系统，是制定绿色信用政策的基础，也是合理评估绿色信用政策执行结果的关键。第二，要加强对绿色信用的风险管理。同时，要加强对绿色信贷的激励。政府有必要对绿色信贷进行优化。近年来，我国出台了一系列具有指导性意义的绿色信贷政策，但在实际执行中仍然存在着难以实现、缺乏有效监管等诸多问题。商业银行是一个逐利的金融机构，其对环境项目的长期性和长期性关注较少，这就造成了绿色贷款的发展滞后。在此基础上，通过政策指导、强化监管、加大金融、税收等方面的扶持，推动商业银行开展绿色信贷，强化风险管理，提升企业的环境治理能力。在有限的管制条件下，政府应该采取强有力的激励措施，以促进金融机构开展绿色信贷业务，实现产品多元化。在此基础上，进一步完善政府信息公开制度，搭建信息共享平台。通过实证分析，我们认为，在环境、社会和公司治理等方面的信息披露不足，增加了银行审批绿色贷款的难度。第三，要加强对绿色信用的审查。在推行绿色信贷的过程中，银行必须对企业的贷款前、中、后等信息进行充分的认识，保证企业能够及时地向企业提供真实的信息以及贷款的使用情况，有助于银行对资本的流动进行监督，避免资金被挪用到污染工程中，降低因信息不对称引起的逆向选择与道德风险。为此，必须构建一套从贷前审核、贷中监管到贷后监管的严密审核机制，保证绿色信贷业务的良性发展。