绿色信贷政策与资本结构动态调整

宁金辉，史方

【摘要】基于供给侧结构性改革去杠杆的现实需求， 以2012年银监会出台的《绿色信贷指引》这一外生冲击事件作为准自然实验， 采用双重差分模型， 实证检验绿色信贷政策对重污染企业资本结构动态调整的影响及其作用路径。 研究发现， 绿色信贷政策的出台显著降低了重污染企业资本结构调整速度， 且在国有企業和市场化程度较高地区的企业中更为显著。 作用路径分析还表明， 绿色信贷政策通过缩小贷款规模， 来降低企业资本结构调整速度。

【关键词】绿色信贷;资本结构;动态调整;去杠杆

【中图分类号】F275      【文献标识码】A      【文章编号】1004-0994（2021）21-0044-10

一、引言

供给侧结构性改革是引领我国经济走向新常态的关键抓手。 十九大报告明确指出以供给侧结构性改革为主线， 推动经济发展质量变革、效率变革、动力变革。 结构性去杠杆作为我国供给侧改革五大任务之一， 被看作是推行供给侧结构性改革的核心环节。 相关数据显示， 非金融A股上市公司的资产负债率已从2007年的44.07%上升到2017年的60.07%， 但从行业属性来看， 高杠杆企业主要集中在煤炭、有色金属、钢铁、电力、热力等重污染行业[1] 。 重污染行业的高杠杆蕴含着较高的举债风险， 已经严重影响到重污染行业的转型升级， 成为我国经济稳定发展的重大隐患。 绿色信贷政策作为商业银行供给侧结构性改革的重要内容， 要求商业银行在信贷审批和投放过程中， 严格管控对重污染行业的信贷投放， 以倒逼其产业转型升级， 防范系统风险， 维护经济稳定。

为了推动绿色信贷政策落地， 原银监会于2012年发布了《绿色信贷指引》（银监发[2012]4号）， 对银行业金融机构实施绿色信贷的工作提出了明确要求[2] ， 这标志着绿色信贷正式成为商业银行的发展战略。 该指引明确指出“对存在重大风险隐患的企业， 中断甚至终止信贷资金投放”， 这表明绿色信贷政策严格限制对重污染企业的授信。 在我国资本市场资源配置功能尚不完善的背景下， 银行信贷仍是企业融资的主要渠道。 银行授信作为一个相对外生且与企业负债密切相关的调整成本， 是公司外部流动资产的主要来源[3，4] 。 然而， 绿色信贷政策重塑了重污染企业的融资环境， 商业银行将环境风险纳入授信审核条件， 严控对重污染企业的信贷投放， 从而降低其资本结构调整速度。 那么， 绿色信贷政策是否落实到位？ 本文尝试从资本结构动态化角度， 来观测绿色信贷政策的实施效果， 即考察绿色信贷是否影响重污染企业资本结构动态调整。 此次《绿色信贷指引》的出台， 为我们的研究提供了良好的研究契机。

理论上讲， 现有关于企业资本结构动态调整影响因素的研究多关注于产品市场竞争、宏观经济冲击、市场化进程、法制环境、媒体报道、产业政策等外部环境因素以及公司成长机会、自由现金流、高管薪酬激励、公司治理、大型投资等内部特征。 但对于从绿色信贷政策这一宏观变量出发， 探讨资本结构动态调整影响因素的研究却鲜有文献回应。 基于此， 本文结合供给侧结构性改革去杠杆的现实需求， 以2012年原银监会发布的《绿色信贷指引》这一外生冲击事件作为准自然实验， 采用双重差分模型， 实证检验绿色信贷政策对重污染企业资本结构动态调整的影响及其作用机制。 这不仅有助于我们从理论上理解绿色信贷的经济后果、资本结构动态调整的影响因素， 同时， 对于政府部门探索经济去杠杆的实现路径、激活经济平稳运行的微观基础也具有重要的政策启示。

本文的研究贡献主要体现在以下三个方面： 第一， 相关文献关于绿色信贷政策实施效果评价主要集中在贷款规模、投资水平等方面。 而本文从资本结构动态化角度， 基于《绿色信贷指引》这一外生冲击事件， 采用双重差分模型， 探讨绿色信贷政策对资本结构动态调整的影响， 有利于从更多元的视角去评价绿色信贷政策的实施效果。 第二， 学者们针对资本结构动态调整影响因素已经做了较为丰富的探讨， 但很少有研究关注到绿色信贷这一重要的研究领域。 而本文结合当前结构性去杠杆的现实背景， 探讨绿色信贷政策对公司资本结构动态调整的影响， 丰富了公司资本结构动态调整的理论研究。 第三， 本文在深化供给侧结构性改革的背景下， 讨论绿色信贷和企业资本结构， 有利于更全面地理解资本市场服务实体经济， 对监管部门去杠杆、商业银行完善绿色信贷政策以及投资者优化相关投资决策等具有重要的借鉴意义。

二、文献综述

资本结构作为企业一项重要的财务决策， 在公司理财研究领域占据核心地位。 MM理论认为， 在完美的市场条件下资本结构和企业价值无关。 而权衡理论认为， 由于存在信息不对称、破产成本、代理成本等摩擦因素， 企业存在一个最优的资本结构， 是权衡债务融资和权益融资各种利弊后的均衡结果。 随着资本结构研究的逐步深入， 动态资本结构成为该领域研究的热点。 动态资本结构理论认为， 企业存在目标资本结构， 基于外部环境和内部环境的变化， 不断适时对其进行调整， 以实现企业价值的最大化， 但趋向目标资本结构的速度取决于调整成本。

有关企业资本结构动态调整影响因素， 当前学者们主要从公司内外部因素出发进行研究。 外部因素主要包括产品市场竞争[5] 、宏观经济冲击[6] 、市场化进程[7] 、法制环境[8] 、媒体报道[9] 、产业政策[10] 等。 姜付秀等[5] 认为产品市场竞争越激烈， 企业越逼近目标资本结构; Cook和Tian[6] 的研究表明， 宏观经济运行情况是影响资本结构动态调整的重要因素; 姜付秀和黄继承[7] 发现， 市场化进程与企业资本结构调整速度显著正相关; 黄继承等[8] 认为， 法律环境越完善， 资本结构调整速度越快; 林慧婷等[9] 的研究表明， 媒体报道显著提高了资本结构动态调整速度; 巫岑等[10] 认为， 产业政策降低了资本结构调整成本。 内部因素主要包括成长机会[11] 、现金流[12] 、高管薪酬激励[13] 、公司治理[14] 、大型投资[15] 。 黄继承等[13] 的研究表明， 高管薪酬与资本结构调整速度显著正相关; 甘丽凝等[15] 发现， 有大型投资的企业资本结构调整速度比无大型投资的企业更快， 实际资本结构与目标资本结构的偏差较小; 罗琦和胡亦秋[12] 发现， 公司自由现金流是影响企业资本结构调整的重要因素。

关于绿色信贷政策实施效果的评价主要集中在贷款规模、投资水平等方面。 苏冬蔚和连莉莉[16] 、陈琪[17] 和蔡海静等[18] 研究发现， 绿色信贷政策降低了重污染企业的债务融资， 提高了债务资本成本， 同时显著减少了新增投资。

三、理论分析与研究假设

资本结构静态权衡理论认为， 企业存在最优的负债水平， 可以通过调整资本结构达到最优以实现企业价值最大化。 但资本结构动态权衡理论认为， 企业存在目标资本结构， 实际资本结构不断向目标资本结构进行动态调整， 但企业资本结构调整需耗费成本， 目标资本结构往往偏离最优资本结构。 现有关于资本结构调整速度的文献主要集中在调整成本， 调整成本直接决定了资本结构动态调整速度， 即调整成本的增加降低了企业的调整速度。 调整成本同时受到公司内部经营活动和外部金融发展环境的双重影响， 并处于不断的动态变化中， 因此， 不同企业的调整成本不同， 其资本结构调整速度存在显著的差异[19] 。 Leary和Roberts[20] 认为， 调整成本包括固定成本和制度成本两个部分， 前者是指进行调整所需要的会计费用、资产评估费用等成本， 而后者是由资本市场外在环境决定。 对于不同的企业来说， 固定成本绝对数量差异不大， 其相对大小因公司规模、盈利能力等经营情况的不同而存在差异， 制度成本则主要归因于资本市场的不完善， 使公司无法及时获取资金或融资环节过于复杂， 从而使其调整成本增加[21] 。 连玉君和钟经樊[21] 指出， 在我国金融市场不完善的现实背景下， 制度成本是影响我国企业资本结构动态调整更为重要的因素。 信贷融资的可获得性是影响企业资本结构调整成本的关键， 张胜等[22] 认为， 信贷资金的可获得性作为重要且更具隐蔽性的调整成本， 直接影响企业资本结构调整速度; 林炳华和陈琳[4] 认为， 银行融资在公司的融资渠道中仍占据主导位置， 作为稀缺金融资源， 银行授信是影响企业资本结构的关键因素; 常亮[23] 认为， 银行授信是影响负债的调整成本更为直接的因素。

就本文的研究主题而言， 绿色信贷要求银行业金融机构收紧对重污染企业的信贷投放， 将更多的信贷资源投入绿色项目和绿色产业， 促进产业结构绿色转型， 从而实现经济的可持续发展。 《绿色信贷指引》明确指出：“对存在重大风险隐患的企业， 中断甚至终止信贷资金投放。” 虽然该政策的实施是为了督促商业银行具体落实绿色信贷， 但政策已经成为具有强制约束力的管理办法[17] 。 因此， 该指引出台后， 商业银行一方面积极履行社会责任， 另一方面为了优化信贷结构、提高银行资产质量、防范环境和社会风险， 对待重污染企业更加谨慎[18] 。 银行授信作为一项相对外生且与企业负债密切相关的调整成本， 是公司外部流动资产的主要来源， 具有减小调整成本的功能， 获取银行授信意味着拥有更快的调整速度[23] 。 银行授信可以缓解企业融资约束， 使企业更容易获得信贷资金， 直接降低资本结构的调整成本， 从而大大提高资本结构调整速度[24] 。

但商业银行在信贷审核过程中引入企业环境风险评估机制， 对重污染企业进行严格的授信限制， 重污染企业获取新增贷款的难度将会加大[18] 。 苏冬蔚和连莉莉[16] 、陈琪[17] 和蔡海静等[18] 的研究均已证实绿色信贷政策降低了重污染企业的新增银行贷款。 因此， 绿色信贷政策的出台较大地改变了重污染企业的融资环境， 银行授信的限制加剧了企业的融资约束程度， 降低了外部信贷融资的可得性， 提高了融资的制度成本和调整成本， 从而降低了重污染企业的资本结构动态调整速度。

基于此， 本文提出：

H1： 绿色信贷政策出台后， 重污染企业的资本结构动态调整速度有所降低。

绿色信贷政策作为我国政府应对环境问题、推动经济可持续发展的经济手段， 是供给侧结构性改革去杠杆的重要内容。 产权性质作为影响企业资本结构动态调整的关键因素， 有可能影响绿色信贷政策与资本结构动态调整之间的关系。 首先， 现有文献普遍认为国有企业的公有产权屬性决定了其面临着所有者缺位问题， 国有股权属于全体人民， 政府充当“代理股东”， 复杂的委托代理关系和过长的代理链条使国有企业拥有过多的决策环节， 审批决策制度僵化， 融资环节复杂。 加之国有企业股权集中度较高， 融资决策效率较低， 其无法及时获得资本结构调整所需要的信贷资金， 进而增加了调整成本[25] 。 其次， 国有企业的预算软约束比较突出， 加重了管理层的道德风险， 从而减小了管理层优化资本结构动态调整的动机， 进而导致资本结构决策发生扭曲， 也有可能提高调整成本[26] 。 最后， 在绿色信贷出台后， 该政策对国有重污染企业融资惩罚效应更强， 主要降低了国有企业的贷款规模。 加之国有企业承担了更多的国家政策导向性任务， 商业银行对国有企业的监管更加严格， 从而更有可能减少对国有重污染企业的信贷投放， 提高调整成本， 降低其资本结构动态调整速度。

基于此， 本文提出：

H2：与非国有企业相比， 绿色信贷政策出台后， 国有重污染企业资本结构动态调整速度的降低更为明显。

市场化程度是影响企业资本结构动态调整的重要外部变量。 由于各地区资源、信息、文化等因素的影响， 我国市场化程度存在明显的地区差异。 企业所在地区市场化程度越低， 政府对企业经营和银行借贷的干预程度越高， 非市场化机制对资源配置的扭曲效应越明显。 由于重污染企业是地方财政的主要税源， 某些官员为了自身和地方利益可能会对地方国有重污染企业施加保护， 干预商业银行的绿色信贷政策， 从而使该政策的实施效果可能不及预期。 然而， 在市场化程度较高的地区， 市场在资源配置中的作用更为突出， 政府对市场的干预越少， 市场的竞争越充分， 严格的市场规则会导致企业面临竞争激烈的经营环境。

在基本实现现代化的今天， 注重生态、保护环境越来越重要， 通过发挥市场机制实现工业绿色发展才是大势所趋。 尽管重污染工业具有历史必然性， 但重污染企业作为传统产业， 是环境污染的主要制造者， 不符合市场需求， 与绿色发展趋势相悖， 无法适应外部竞争的市场化环境。 同时， 在市场化程度较高的地区， 金融发展水平也比较高， 商业银行的信贷政策会更加市场化， 商业银行在决定信贷资源的配置时会更多地考虑市场因素， 基于市场经济原则来决定贷款对象[27] 。 银行业金融机构的专业化水平越高， 防范信贷风险和环境风险的能力更强， 降低风险水平的措施更加严格， 信贷融资对重污染企业而言更难[28] ， 绿色信贷政策的实施更加彻底， 商业银行对重污染企业的授信限制执行得更加严格， 提高了资本结构的调整成本。 因此， 绿色信贷政策对重污染企业资本结构动态调整速度的约束作用有可能更强。

基于此， 本文提出：

H3：与市场化程度较低的地区相比， 绿色信贷政策出台后， 市场化程度较高地区重污染企业资本结构动态调整速度的降低更为明显。

四、研究设计

（一）数据来源与样本选择

本文以2007 ～ 2018年沪深两市A股重污染上市公司为实验组， 同时将非重污染上市公司为控制组。 在此基础上， 本文对数据按照以下原则进行进一步筛选： ①剔除ST或?ST的公司样本; ②剔除金融保险行业公司样本; ③剔除核心研究指标缺失的样本。 最终得到27116个观测值。 本文使用的数据均来源于CSMAR国泰安数据库。 为了消除极端值对实证结果造成的误差， 本文对所有连续型变量进行上下1%的缩尾处理。

（二）模型设定与变量定义

借鉴Rangan和Flannery[29] 的研究， 本文运用标准部分调整模型对公司资本结构调整速度进行测算， 模型（1）如下：

LEVi，t-LEVi，t-1=θ（LEV?i，t-LEVi，t-1）+μi，t （1）

其中， LEVi，t和LEVi，t-1分别表示公司i在第t年和第t-1年的实际资本结构， 用资产负债率表示。 LEV?i，t表示公司i在第t年的目标资本结构。 系数θ反映公司资本结构的调整速度， μi，t为随机扰动项。

理论上来说， 资本结构是由企业特征、行业、时间等因素共同决定的函数[5，29] 。 基于Huang和Ritter[30] 的做法， 本文通过企业规模（Size）、盈利能力（Profit）、抵押能力（Tangble）、成长机会（MB）、非债务税盾（Dep）、研发投入（R&D和R&Ddum）、资本结构年度—行业中位数（LEVmed）以及行业效应和时间效应等指标来计算目标资本结构LEV?i，t， 模型（2）如下：

LEV?i，t-1=αXi，t-1 （2）

其中， α表示回归系数， Xi，t-1表示影响资本结构的公司特征、行业、时间等因素。

将模型（2）代入模型（1）得到如下模型（3）：

LEVi，t=αXi，t-1+（1-θ）LEVi，t-1+ui，t （3）

为了保证研究结论的稳健性， 借鉴Flannery和Hankins[24] 、黄继承等[8] 的做法， 本文同时使用固定效应模型（FE）和广义矩估计（GMM）两种方法对模型（3）进行估计。 然后， 将估算出的回归系数α代入模型（2）中， 可以估计出公司的目标资本结构LEV?i，t。 具体而言， 用固定效应模型估计的目标资本结构以LEVfe表示， 用广义矩估计方法估计的目标资本结构以LEVgmm表示。

为了检验《绿色信贷指引》的出台对重污染企业资本结构调整速度的影响， 本文参考林慧婷等[9] 的做法， 对模型（1）进行如下的修正：

LEVi，t-LEVi，t-1=（β0+β1Posti，t+β2Treatmenti，t+β3Posti，tTreatmenti，t）（LEV?i，t-LEVi，t-1）+ui，t （4）

其中： β0为常数项， β1、β2和β3是解释变量的估计系数; Posti，t为时间变量， 表示《绿色信贷指引》是否出台， 2012年以前的年份取0， 2012年及以后的年份取1; Treatmenti，t为实验变量， 若为重污染企业该值取1， 否则取0; ui，t为随机扰动项。 本文关注的是模型（4）中的系数β3， 反映《绿色信贷指引》的出台对重污染企业资本结构调整速度的影响。 若β3显著为负， 则表明《绿色信贷指引》出台后重污染企业资本结构动态调整速度有所降低。

具体变量的定义如表1所示。

五、实证结果分析

（一）描述性统计

表2列示了主要变量的描述性统计结果。 用固定效应模型测算的目标资本结构LEVfe的均值为0.637、中位数为0.704、标准差为0.229。 而用广义矩估计方法测算的目标资本结构LEVgmm的均值为0.692、中位数为0.757、标准差为0.261。 用固定效应模型估计实际资本结构偏离目标资本结构的偏离程度DEVfe的均值为0.247、中位数为0.249、标准差为0.201。 而用广义矩估计方法估计实际资本结构偏離目标资本结构的偏离程度DEVgmm的均值为0.302、中位数为0.313、标准差为0.196。 可以看出， 用两种不同方法估算的目标资本结构存在一定差异， 但差异并不大。 Treatment的均值为0.243， 表示重污染企业样本占样本总量的24.3%。

（二）基本回归结果

1. 绿色信贷政策对资本结构调整速度的影响。 本文使用模型（4）考察绿色信贷政策对重污染企业资本结构调整速度的影响。 回归结果如表3所示。 表3的第（1）列和第（3）列分别列示了使用固定效应模型和广义矩估计方法估算全样本的估计结果， 资本结构偏离程度的回归系数分别为0.1285和0.1308， 这意味着就全样本而言， 企业的年平均资本结构调整速度大约在12% ～ 13%之间， 企业存在不断向目标资本结构进行动态调整的趋势。

表3的第（2）列和第（4）列列示了双重差分模型估计结果， 回归结果中三阶交乘项DEVfe×Post×Treatment的系数β3是本文关注的主要变量。 第（2）列是模型（4）固定效应模型估算的回归结果， DEVfe×Post×Treatment的回归系数为-0.0234， 在5%的水平上显著为负。 这意味着《绿色信贷指引》出台后， 重污染企业的资本结构调整速度下降了2.34%。 第（4）列是模型（4）广义矩估计方法估算的回归结果， DEVgmm×Post×Treatment的回归系数β3为-0.0227， 在1%的水平上显著为负。 这意味着《绿色信贷指引》出台后， 重污染企业的资本结构调整速度下降了2.27%。 因此， 绿色信贷政策出台后， 重污染企业的资本结构动态调整速度有所降低， 支持了本文H1。

2. 产权性质的调节效应。 表4报告了不同产权性质下绿色信贷政策对重污染企业资本结构调整速度的影响。 本文将全样本按照产权性质划分为国有企业和非国有企业两个样本组。 第（1）列和第（3）列显示： 在国有企业样本组中， DEVfe×Post×Treatment和DEVgmm×Post×Treatment的回归系数分别为-0.0256和-0.0257， 分别在10%和5%的水平上显著为负。 第（2）列和第（4）列显示： 在非国有企业样本组中， DEVfe×Post×Treatment和DEVgmm×Post×Treatment的回归系数分别为-0.008和-0.0054， 均未通过显著性检验。 这表明与非国有企业相比， 绿色信贷政策出台后， 国有重污染企业资本结构动态调整速度的降低更为明显， 支持了本文H2。

3.市场化程度的调节效应。 借鉴陈琪[17] 的研究， 本文使用《中国分省份市场化指数报告（2016）》（王小鲁和樊刚等）中的市场化总指数评分来衡量地区市场化程度的代理变量。 市场化指数越高， 说明该地区的市场化程度越高。 表5报告了不同市场化程度下绿色信贷政策对重污染企业资本结构调整速度的影响。 按照市场化指数中位数将全样本分为高市场化程度和低市场化程度地区两个子样本组， 分别对其进行回归。 第（1）列和第（3）列显示： 在高市场化程度样本组中， DEVfe×Post×Treatment和DEVgmm×Post×Treatment的回归系数分别为-0.0252和-0.022， 均在5%的水平上显著为负。 第（2）列和第（4）列显示： 在低市场化程度样本组中， DEVfe×Post×Treatment和DEVgmm×Post×Treatment的回归系数分别为-0.0168和-0.0185， 均未通过显著性检验。 这表明， 与市场化程度较低的地区相比， 绿色信贷政策出台后， 市场化程度较高地区的重污染企业资本结构动态调整速度的降低更为明显， 支持了本文H3。

（三）稳健性和内生性检验

1. 倾向得分匹配法。 为了解决可能存在的样本偏差问题， 本文使用倾向得分匹配法为重污染企业实验组在非重污染企业样本中匹配控制组， 并对模型（4）重新进行估计。 具体而言： 首先， 本文使用企业规模、盈利能力、资本结构、产权性质、成长性、市场化程度等关键变量作为匹配标准; 其次， 采用Probit模型来估计样本为重污染企业的可能概率;最后， 按照倾向的分值， 利用1∶4近邻匹配法为实验组选取与其预期概率值最为接近的控制组。 表6列示了倾向得分匹配法的基本回归结果。 可以看出， 三阶交乘项DEVfe×Post×Treatment和DEVgmm×Post×Treatment的回归系数均在5%的水平上显著为负， 结论与前文一致， 说明本文的研究结论相对稳健。

2. 安慰剂检验。 为了进一步排除可能存在不可观测的遗漏变量问题， 参考陈琪[17] 的研究， 本文使用安慰剂检验重新考察绿色信贷政策对重污染企业资本结构调整速度的影响。 通过描述性统计可知本文共包含6589家重污染企业样本， 从总样本中随机选取与原回归重污染企业样本同等数量的样本， 并生成虚拟实验组， 随机选择的实验组就是安慰剂， 其他样本企业则作为对照组。 本文设置一个新的虚拟变量Treat， Treat取1表示虚拟实验组， Treat取0表示控制组。 重复上述回归， 如果模型中不存在不可观测的遗漏变量， 则安慰剂的检验结果即随机选择的虚拟实验组与控制组的双重差分的估计系数不显著。 表7列示了安慰剂检验的回归结果。 结果显示， DEVfe×Post×Treatment和DEVgmm×Post×Treatment的回归系数均不显著， 表明模型不存在不可观测的遗漏变量问题， 说明本文的研究结论较为稳健。

六、作用路径分析

企业融资方式的选择会受到融资资源可获得性的制约。 我国政府从环境污染问题和绿色发展趋势出发， 引导金融机构积极承担环境责任。 为了治理污染、保护环境， 绿色信贷政策要求严格控制对重污染企业的信贷投放， 将企业的环境表现设为发放信贷的条件。 面对宏观资金供给面的冲击， 重污染企業获得外部信贷融资的难度加大。 而信贷资金的可获得性及获得数量的多少作为重要且更具隐蔽性的调整成本， 直接影响着企业资本结构调整速度。 绿色信贷降低了重污染企业信贷的可获得性， 信贷资金规模的约束限制了其进行资本结构调整所需要的信贷资金规模， 提高了企业资本结构调整成本， 进而降低了重污染企业的资本结构动态调整速度。 因此， 本文认为绿色信贷降低了重污染企业银行贷款规模， 而银行信贷的减少又为绿色信贷政策对企业资本结构动态调整速度提供了媒介。 基于此， 本文认为绿色信贷政策通过减少贷款规模作用于企业资本结构动态调整速度。 为了验证绿色信贷政策的作用路径， 构建如下中介效应模型：

Loani，t=r0+r1Posti，t+r2Treatmenti，t+r3Posti，t×

Treatmenti，t+rXi，t+μi，t （5）

LEVi，t-LEVi，t-1=（θ0+θ1Posti，t+θ2Treatmenti，t

+θ3Posti，tTreatmenti，t）（LEV?i，t-LEVi，t-1）+

θ4Loani，t+μi，t （6）

其中， Loani，t表示企业银行借款。 为了保证结论的可靠性， 本文借鉴陈琪[17] 和蔡海静等[18] 的做法， 同时采用企业现金流量表中“取得借款收到的现金”除以期末总资产（用Loan1表示）和企业的短期借款、长期借款以及一年内到期的非流动负债之和的本期变化值除以期末总资产（用Loan2表示）两种度量方式来衡量银行借款的变化。 同时， 还控制了企业规模、盈利能力、抵押能力、成长性、产权性质、市场化程度、年度效应、行业效应等变量。

模型（4）、（5）和（6）构成了中介效应的验证路径， 根据假设分析， 本文预计r3显著小于0， θ3和θ4均在统计上显著， 且|θ3|<|β3|。

检验绿色信贷政策对资本结构调整速度的影响路径包含三个步骤。

首先， 模型（4）的估计结果（表3）已经表明绿色信贷政策的出台显著降低了重污染企业资本结构调整速度。

其次， 以模型（5）验证绿色信贷政策对中介变量（贷款规模）的作用。 表8与表9的列（1）和列（3）分别报告了绿色信贷政策与企业贷款规模Loan1和Loan2的回归结果。 可以看出， 无论被解释变量是Loan1还是Loan2， 三阶交乘项DEVfe×Post×Treatment和DEVgmm×Post×Treatment的回归系数均为负， 且至少通过了5%水平的显著性检验。 这说明绿色信贷政策显著降低了重污染企业的贷款规模， 与本文预期一致。

最后， 模型（6）用于验证中介变量的加入对被解释变量的影响。 从表8的列（2）和列（4）可以看出， 当贷款规模用Loan1表示时， 三阶交乘项DEVfe×Post×Treatment和DEVgmm×Post×Treatment的回归系数分别为-0.0161和-0.0172， 且分别在10%和5%的水平上显著， 与模型（4）的结果相比， 回归系数的绝对值有所下降。 同时， 中介变量Loan1的系数也在1%的水平上显著。 这说明以Loan1衡量的企业贷款规模在绿色信贷政策对重污染企业资本结构调整速度的影响中起到了部分中介的作用。 从表9的列（2）和列（4）可以看出， 当贷款规模用Loan2表示时， 三阶交乘项DEVfe×Post×Treatment和DEVgmm×Post×Treatment的回归系数分别为0.002和0.0013， 并不显著。 但是中介变量Loan2的系数仍在1%的水平上显著， 这说明以Loan2衡量的企业贷款规模在绿色信贷政策对重污染企业资本结构调整速度的影响中起到完全中介作用。 根據现有的中介效应模型， 中介效应检验的Sobel Z值分别为-2.212、-2.073、-5.115和-5.147， 均至少在5%的水平上显著。 综合上述结果， 绿色信贷政策通过缩小贷款规模作用于企业资本结构动态调整速度， 与本文预期一致。

七、研究结论和政策建议

本文结合供给侧结构性改革去杠杆的现实需求， 以2012年我国原银监会出台的《绿色信贷指引》这一外生冲击事件作为准自然实验， 采用双重差分模型， 实证检验了绿色信贷政策对重污染企业资本结构动态调整的影响及其作用路径。 研究发现： 绿色信贷政策的出台显著降低了重污染企业资本结构调整速度， 且在国有企业和市场化程度较高地区的企业中更为明显。 作用路径分析表明： 绿色信贷政策通过降低贷款规模， 来降低企业资本结构调整速度。

本文的研究结论具有一定的理论意义和政策启示。 根据上述结论， 本文提出以下建议： 第一， 研究结果表明， 绿色信贷政策取得了阶段性实施效果， 因此建议政府进一步完善和细化绿色信贷政策的管理办法， 加强对绿色信贷政策的实施力度。 重点关注和监管银行业金融机构在市场化程度较低的地区和非国有企业授信限制的具体落实情况。 第二， 建议银行业金融机构在授信的审查过程中， 尽量避免一刀切式落实绿色信贷政策， 根据重污染细分行业的不同属性制定不同类型的实施细则， 以提高商业银行资产质量和防范坏账风险。 此外， 绿色信贷政策限制资金流入重污染企业仅仅是手段， 其真正的目的在于倒逼重污染企业通过绿色创新促进产业转型升级。 商业银行在制定惩罚措施的同时， 还要制定配套的激励措施， 对于存在较高环境风险的企业， 严格控制信贷投放， 而对于绿色创新表现突出的重污染企业优先授信， 不断完善绿色信贷政策制度和流程建设。 第三， 建议重污染企业积极顺应绿色发展潮流， 关注自身生产经营过程中产生的环境风险， 加强节能减排技术的开发和应用， 完善环境信息披露机制， 降低企业与银行之间的信息不对称， 争取长期发展所需的信贷资源。

【 主 要 参 考 文 献 】

[1] 綦好东，刘浩，朱炜.过度负债企业“去杠杆”绩效研究[ J].会计研究，2018（12）：3 ～ 11.

[2] 丁杰.绿色信贷政策、信贷资源配置与企业策略性反应[ J].经济评论，2019（4）：62 ～ 75.

[3] Sufi A.. Bank lines of credit in corporate finance：An empirical analysis[ J].Review of Financial Studies，2009（3）：1057 ～ 1088.

[4] 林炳华，陈琳.公司如何获得银行授信——基于公司财务和公司治理的视角[ J].经济管理，2015（10）：136 ～ 145.

[5] 姜付秀，屈耀辉，陆正飞，李焰.产品市场竞争与资本结构动态调整[ J].经济研究，2008（4）：99 ～ 110.

[6] Cook D. O.， Tian T.. Macroeconomic conditions and capital structure adjustment speed[ J].Journal of Corporate Finance，  2010（1）：73 ～ 87.

[7] 姜付秀，黄继承.市场化进程与资本结构动态调整[ J].管理世界，2011（3）：124 ～ 134.

[8] 黄继承，朱冰，向东.法律环境与资本结构动态调整[ J].管理世界，2014（5）：142 ～ 156.

[9] 林慧婷，何玉潤，王茂林，朱冰.媒体报道与企业资本结构动态调整[ J].会计研究，2016（9）：41 ～ 46.

[10] 巫岑，黎文飞，唐清泉.产业政策与企业资本结构调整速度[ J].金融研究，2019（4）：92 ～ 110.

[11] Drobetz W.， Wanzenried G.. What determines the speed of adjustment to the target capital structure？[ J].Applied Financial Economics，2006（16）：941 ～ 958.

[12] 罗琦，胡亦秋.公司自由现金流与资本结构动态调整[ J].财贸研究，2016（3）：117 ～ 125.

[13] 黄继承，阚铄，朱冰，郑志刚.经理薪酬激励与资本结构动态调整[ J].管理世界，2016（11）：156 ～ 171.

[14] Chang Y. K.， Chou R. K.， Huang T. H.. Corporate governance and the dynamics of capital structure： New evidence[ J].Journal of Banking & Finance，2014（48）：374 ～ 385.

[15] 甘丽凝，武洪熙，牛芙蓉，张鸣.大型投资与资本结构动态调整——基于中国上市公司的经验证据[ J].会计研究，2015（9）： 59 ～ 67.

[16] 苏冬蔚，连莉莉.绿色信贷是否影响重污染企业的投融资行为？[ J].金融研究，2018（12）：123 ～ 137.

[17] 陈琪.中国绿色信贷政策落实了吗——基于“两高一剩”企业贷款规模和成本的分析[ J].当代财经，2019（3）：118 ～ 129.

[18] 蔡海静，汪祥耀，谭超.绿色信贷政策、企业新增银行借款与环保效应[ J].会计研究，2019（3）：88 ～ 95.

[19] 凌鸿程.分析师跟踪与资本结构动态调整[ J].财经论丛， 2018（7）：60 ～ 69.

[20] Leary M. T.， Roberts M. R.. Do firms rebalance their capital structures？[ J].Social Science Electronic Publishing，2005（6）： 2575 ～ 2619.

[21] 连玉君，钟经樊.中国上市公司资本结构动态调整机制研究[ J].南方经济，2007（1）：23 ～ 38.

[22] 张胜，张珂源，张敏.银行关联与企业资本结构动态调整[ J].会计研究，2017（2）：49 ～ 55.

[23] 常亮.银行授信与资本结构动态调整——来自中国上市公司的经验证据[ J].南方经济，2012（9）：156 ～ 168.

[24] Flannery M. J.， Hankins K. W.. Estimating dynamic panel models in corporate finance[ J].Journal of Corporate Finance，2013（1）：1 ～ 19.

[25] 盛明泉，张敏，马黎珺，李昊.国有产权、预算软约束与资本结构动态调整[ J].管理世界，2012（3）：151 ～ 157.

[26] 盛明泉，张春强，王烨.高管股权激励与资本结构动态调整[ J].会计研究，2016（2）：44 ～ 50.

[27] 翟胜宝，易旱琴，郑洁，唐玮，曹学勤.银企关系与企业投资效率——基于我国民营上市公司的经验证据[ J].会计研究，2014（4）：74 ～ 80.

[28] 赵兴楣，王华.政府控制、制度背景与资本结构动态调整[ J].会计研究，2011（3）：34 ～ 40.

[29] Rangan K. P.， Flannery M. J.. Partial adjustment toward target capital structures[ J].Journal of Financial Economics，2006（3）：  469 ～ 506.

[30] Huang R.， Ritter J. R.. Testing theories of capital structure and estimating the speed of adjustment[ J].Journal of Financial and Quantitative Analysis，2009（2）：237 ～ 271.