绿色信贷对重污染企业债务融资的影响分析

栾蕙心

（广东财经大学经济学院 广东广州 510320）

一、引言

改革开放以来，我国经济发展水平突飞猛进，各行各业蓬勃发展，实现了前所未有的伟大成就，经济总量在世界排名中名列前茅。但在经济迅速崛起的背后，也付出了巨大的环境代价。目前，资源耗竭、河流污染、气候变暖等环境问题越来越成为制约人类社会可持续发展、经济绿色转型的因素。我国要实现“碳达峰，碳中和”目标，需要发展绿色经济，创新经济发展方式，在保持经济发展的同时完成保护环境的任务。

因此，我国迫切需要调整经济结构并转变经济发展方式，以实现我国工业从高污染、高耗能、粗放型向绿色、环保、生态化过渡。但整个社会实现绿色发展是个漫长的过程，在这一过程中绿色信贷政策是经济手段调节减少企业污染排放的有效方式。相较于发达国家，我国企业的融资渠道较为单一，银行贷款是其获得信贷的主要途径。因此政府可以通过政策调节银行贷款从而影响社会资金配置，间接影响企业生产经营规模，从而起到调整产业结构的作用。2012年中国银监会正式发布《绿色信贷指引》（以下简称《指引》），明确规定商业银行实施绿色信贷政策，要求在银行贷款审核流程中加入对企业潜在环境风险评估环节。《指引》发布的目的在于严控对重污染企业信用额度，而增加对环保行业企业融资的资金支持，通过经济手段实现保护环境（沈洪涛和马正彪，2014）。截至目前，《指引》已颁布实施近十年，迫切需要研究该项政策的实施情况和效果。

当前，学术界分别从宏观和微观两个角度对绿色信贷展开研究。宏观角度主要考虑绿色信贷的原理、传导机制、发展不足及完善方案等。微观角度，一方面围绕绿色信贷对商业银行绩效的具体影响机制展开研究，另一方面从企业融资的角度建立回归模型，评估绿色信贷政策效果，如连莉莉（2015）、陈琪等（2019）、Xu 等（2020）的研究均发现高污染高能耗企业的借款成本已逐步加大，即融资难度提升；苏冬蔚等（2018）发现绿色信贷政策能够显著降低重污染企业的新增投资。为保证政策结果不受其他因素 干 扰，Liu 等（2019）、蔡海静 等（2019）和丁 杰（2019）改进了研究方法，采用双重差分法均得出了相似的结论。本文在参考已有文献的基础上，以2012年原银监会发布的《绿色信贷指引》为外生冲击变量，构建双重差分模型，考察《指引》对上市公司的贷款成本和贷款规模的影响，并对企业所处空间进行异质性检验，充分评价《绿色信贷指引》的实施效果。

二、理论分析与研究假设

绿色信贷，也称为可持续融资或环境融资，是一种信贷控制方法，即商业银行利用经济杠杆来鼓励公司内部化污染成本，从而实现事前治理的目标（Labatt和 White，2002）。具体而言，绿色信贷就是商业银行为环境友好型企业提供贷款项目利率优惠的同时，对高污染企业的贷款项目增设融资门槛，从而优化信贷资金配置，引导资金流向环保、节能行业，限制重污染行业发展，加速企业转型升级，从而实现可持续发展。2012年正式发布的《绿色信贷指引》明确规定在信贷活动中，商业银行在向企业融资时必须严格遵守环境测试标准，认真考察企业的污染排放情况并将其视为向企业发放信贷资金的重要条件。

（一）绿色信贷与企业融资行为

《指引》要求商业银行建立更完善成熟的约束激励机制，杜绝对高污染企业或项目进行授信，以保证信贷业务面临较小的社会风险，也保证企业的融资渠道更加严格和规范，促使资金流向环保行业，达到通过经济手段规范重污染企业行为，实现环保的目的。结合相关研究，本文认为《指引》可通过以下三种途径抑制重污染企业的融资行为：第一，通过金融市场供给面因素影响企业融资决策（Faulk⁃ender and Petersen，2006；Lemmon and Roberts，2010）。当商业银行提高对企业信贷融资门槛时，严控对高污染企业的信贷资金供给水平，而企业在面临不变的资金需求情况下，由供求关系可知，重污染企业要承受更大的贷款成本，因而其贷款需求会随之下降，贷款规模下降进而引发收缩生产规模等一系列行为的发生。第二，《指引》要求商业银行加大对贷款企业的环保信息审核，意味着企业加大环保信息的披露，提高企业环保数据的透明度，而环保数据与信贷资金支持的紧密挂钩起到正向激励作用，促使企业实施环保行为，以便为企业自身成长获得更多资金支持，而高污染企业也会加速转型升级。同时，高度透明化的信息会向资本市场传递信号，使得外部投资人加大对融资企业的环境审视，降低外部债权人向重污染企业提供债务资本的意愿，从而逼迫企业转型升级（吴超鹏等，2012）。第三，基于环境风险管理理论，商业银行在向企业提供信贷融资时主要面临环境责任带来的直接风险，企业因环境事故不能如期偿还债务形成的违约风险，以及因与环境事故企业存在信贷关系而形成的声誉风险。《指引》的出台会引导整个社会更加重视环保工作，尤其是对融资企业的企业环境和社会风险的重视，这样势必导致重污染企业获取信贷融资时面临更大的社会舆论压力以及更严苛的监管，甚至要面对外部债权人拒绝信用展期或直接撤资的行为，从而导致重污染企业负债融资困难增大，倒逼其进行技术改良或转型升级，减少环境污染，实现可持续发展。

基于以上分析，本文提出基本假设1：

H1：《指引》出台后，重污染企业的银行贷款规模会显著减小，贷款成本会显著增加。

（二）绿色信贷政策效果的空间异质性

由于我国区域间经济发展水平存在较大差距，与地区间发展水平相适应的环境治理水平势必会产生差异，因而绿色信贷政策效果会存在地区不对称性的特点。由于我国东部地区地处沿海，气候适宜，投资环境良好，经济条件便利，加之国家相关政策扶持，发展水平较高，因而地区市场化程度也越高。高市场化水平的地区经济发展水平高，相关制度体系更加健全完善，全社会环保意识较强，环保水平较高，《指引》对其约束力较小。而中西部地区由于区位原因长期处于闭塞状态因而经济发展迟缓，改革开放以来大力发展重工业，在经济增长的同时也面临着生态环境恶劣的挑战，因此对于环保减排的需求强烈，政府实施绿色信贷政策的力度较大。同理，由于区域间自然条件、行业布局、政策文化等诸多因素带来的差异，各省份环境污染程度也具有差别。相比之下，污染较为严重的省份，地方政府环保减排的任务重，因而政府较为重视，因此对环境治理要求比较严格，将我国按省份划分为污染和绿色地区，污染地区的政策效应显著。

基于以上分析，本文提出假设2：

H2：《指引》实施后，中西部地区的政策效应强于东部地区，污染地区的政策效应强于绿色地区。

三、研究设计

（一）数据来源与样本选择

数据来自Wind数据库，由于2006年及以前的数据存在大量缺失，且仅可获得更新至2019年的数据，因此整理了2007年至2019年A股上市公司的数据，不包括金融业、ST和*ST公司，最终得到37 903个观察值。根据陈琪（2019），原环境保护部于2010年发布的《上市公司环境信息披露指南》（征求意见稿），化工、钢铁、水泥、火电、建材、发酵等16个行业企业被归类为重污染企业（处理组），其他行业企业为非重污染企业（即对照组）。另外，本文使用Stata 15.1软件完成数据的回归分析，为了减少异常值的影响，在多元分析中使用Winsorze处理数据，分别在1%和99%的水平上对连续变量进行缩尾处理。

（二）变量定义

1.被解释变量：使用贷款规模（loan）和贷款成本（cod）两个指标来衡量企业融资水平。贷款规模（loan）为当年年末企业获得的银行贷款总额。借鉴叶康涛等（2010）、倪娟和孔令文（2016）的做法，使用现金流量表中的“取得借款收到的现金”除以平均总资产进行标准化，以衡量该公司当年的银行贷款总数；贷款成本（cod）用利息支出/（短期借款+长期借款+一年内到期的长期借款）来衡量，“利息支出”项来自上市公司财务报表附注。

2.解释变量：本文设置了两个虚拟变量post和treat，用来构建双重差分的两个虚拟变量。post为时间变量，2012年政策出台之前post取值为0，2012年之后取值为1。实验变量treat用以区别处理组和对照组，重污染企业为处理组，即treat值为1，其余行业企业为对照组，treat值为0。

3.控制变量。依据已有研究，本文还选取了产权性质（state）、年末企业资产规模（size）、总资产利润率（roa）、杠杆率（lev）、成长性（growth）、经营活动现金流量（cfo）为控制变量，同时控制了企业的年度效应和行业效应。

（三）模型设定

双重差分法原理的关键在于时间和分组的两个层面的差分，通过构造反事实检验，排除个体因素和环境干扰的影响，因而正确评价绿色信贷政策的实施效果。

由前文分析可知，构建DID模型的前提是，处理组和控制组在未受到政策冲击时具有相同的发展趋势，受到冲击后，二者变化趋势的差异仅由政策干预引起，即为满足“平行趋势”假定。因此我们需要验证处理组和对照组的被解释变量是否满足“平行趋势”假定，即比较发布《指引》前后的重污染行业企业（即处理组）和非重污染行业企业（即对照组）的贷款规模和贷款成本的变动趋势是否满足假设条件。如图1所示，在图1a中，贷款成本在政策实施前变动趋势一致，2012年后走势开始出现较大差异。图1b中，处理组和控制组的贷款成本在2012年之前基本保持一致，2012年后差别明显，处理组的贷款规模波动较大，尤其是在2014、2015年急速下降。由此可得被解释变量满足平行趋势的要求。

图1a 基于贷款成本的检验

图1b 基于贷款规模的检验

DID基准回归模型设置如下：

其中，treat×post的系数β反映了在排除其他因素后政策实施的净效果；control代表一系列控制变量，各变量的具体含义如上页表1所示；用ind和year分别表示行业效应和年度效应；ε为该模型的随机扰动项。

表1 变量名称及定义

四、实证结果分析

根据双重差分模型，对样本数据进行回归分析以及稳健性检验，来验证假设1、2。

（一）描述性统计

表2为主要变量描述性统计结果。如表2所示，银行贷款规模（loan）的均值为0.204，最大值和最小值分别为0.211和0，说明样本企业的贷款规模之间存在较大差异；贷款成本（cod）的平均值为0.059，最值分别为0.707和0，表明样本企业之间的贷款成本差异也较大；时间变量（post）的平均值为0.693，表明受政策影响的样本占总数的69.3%；实验变量（处理组）的平均值为0.277，这意味着样本中27.7%的企业属于污染严重的行业（即处理组）。

表2 主要变量描述性统计

（二）基本回归结果

下页表3报告了绿色信用政策对企业负债融资作用的基本回归结果。如列（1）和（2）所示，贷款规模（loan）为解释变量时，回归系数treat_post的均值在1%的水平上显着为负。列（3）和（4）显示，贷款成本（cod）为被解释变量时，回归系数在5%的水平上显著为正。这表明《指引》出台后，处理组融资规模显著减小且融资成本显著提高，说明《指引》对重污染企业的影响显著，即验证了假设1。

表3 双重差分模型的基本回归结果

（三）稳健性检验

1.倾向得分匹配。单一的DID研究方法通过构造组内和组间两次差分解决内生性问题，但无法解决由样本企业特征差异造成的样本选择偏差问题。而倾向得分匹配法（PSM）通过将处理组与控制组样本依据相关变量按条件进行匹配，而使得匹配后的样本之间不存在选择性偏误问题。在进行倾向得分匹配后，本文进一步采用PSM-DID方法，这样既保证回归模型不存在内生性问题也解决了样本选择性偏差问题（石大千等，2018），从而准确判断绿色信贷政策是否能够从贷款规模和贷款成本上显著影响企业的债务融资水平。

参考陈琪等（2019），本文选择1∶4 近邻匹配，然后将匹配后的样本重新进行检验。以年度企业资产规模、产权性质、偿债能力、成长性、现金流量水平等指标为协变量进行匹配，并将匹配完成后的样本进行回归。由表4可见，回归系数依然显著，从而使得绿色信贷限制企业负债融资水平的结论更具说服力。

表4 PSM-DID回归结果

2.安慰剂检验。为排除其他可能因素的影响，参考孟庆玺等（2018）的研究，对样本进行安慰剂检验。随机选择10 504个样本（与重污染企业样本数量相同）作为虚拟处理组（安慰剂），将剩余样本划为对照组，随后进行双重差分回归分析。对于虚拟处理组来说，若回归结果显著，说明其他不可测因素干扰了实证结果，即前文结论不可靠；若虚拟处理组回归结果不显著，即说明前文结论是可信的。表5中treat_post的回归系数不显着，表明基本回归结果的正确性。

表5 安慰剂检验

3.更换处理组范围。根据国家环保部2008年发行的《上市公司环境调查行业分类管理名录》和2001年证监会发布的《上市公司行业分类指南》重新划分重污染行业，将前文16类重污染行业合并为8大类，分别是：采掘、食品饮料、服装皮毛纺织、造纸印刷业、水电煤气、石化塑料、金属非金属类、医药生物类。更换处理组范围后的回归结果如下页表6中的列（1）至列（4）所示，无论贷款成本还是贷款规模的回归系数都显著，更有力地证明绿色信贷政策能够降低重污染企业融资水平。

表6 更换处理组范围的稳健性检验

五、异质性检验

由于企业所处不同地区受绿色信贷影响具有空间异质性，因此本文对异质性回归结果进行分析，验证假设2。

我们猜想，东部地区的经济发展水平较高，制度相对比较健全，因此对环境污染问题的关注度应该更高；中西部地区经济发展水平相对较低，重工业占比较大，面临的环境问题更加突出，政府对地区环保治理较为重视，因而政策更加严格。因此政策效果对东部和中西部地区存在差异。此外，受自然条件及人文因素影响，部分省份环境状况良好，政策对其作用显著性较低；相较于环境良好省份，环境污染严重省份面临的环保压力较大，因而政策效果应更加明显。进一步，我们认为中西部地区相较于东部地区的政策作用更显著，污染严重地区较环境良好地区受政策的影响更大。

由初步分析，将上市公司注册所在地按省份进行划分，并将各省份按地理分布、发展水平划分为东部地区和中西部地区，其中东部地区和中西部地区分别包含975和2 804家上市公司；将各省份按环境污染程度划分为绿色与污染地区，绿色地区和污染地区分别包含1 355和2 425家上市公司。具体划分如表7所示。

表7 企业注册地分省份划分

如表8所示，东部地区无论贷款成本还是贷款规模回归系数都不如中西部地区显著，这可能由于东部地区的制度体系健全，在经济发展较早期就注重到环保问题，较早对重污染企业信贷融资业务进行限制，因此《指引》对东部地区处理组企业的约束作用较小。而中西部地区政府制度健全度低，企业的借款来源单一，绿色信贷政策对该地区重污染企业信贷资金的约束力较大，政策作用的效应更强。表9显示，绿色地区的贷款规模和贷款成本均不显著，而污染地区贷款规模和贷款成本分别在5%和1%上显著，《指引》政策作用更强，即回归结果验证了假设2。

表8 空间异质性检验

表9 空间异质性检验（续）

六、研究结论与政策建议

研究表明，《指引》出台后，与其他企业相比，重污染企业贷款规模显著缩小而贷款成本显著增大，说明绿色信贷政策有效降低了重污染企业的信贷融资水平。空间异质性检验结果显示，中西部地区较东部地区受政策影响更为深远，污染地区较绿色地区政策作用更为显著。该结论对重污染企业转型升级及绿色信贷体系的完善具有一定的启示作用，本文分别从政府、银行和企业层面提出相关建议如下：

首先，对于政府而言，要继续完善并深化绿色信贷政策实施细则，提高绿色信贷政策的适用性，同时制定既符合国情又科学的法律政策，强化对环境污染型企业的惩罚力度，完善绿色信贷监管体系。在绿色创新过程中的中小企业难免会遇到“融资难，融资贵”的问题，政府应适当进行优惠补贴，对中小企业创新给予资金支持；对于第二产业发达的中西部地区给予适当补贴和奖励，激励技术转型，使绿色信贷政策发挥有效作用；应用先进科技技术，如构建企业环保大数据平台等，加强对企业环保水平的监督。

其次，对于商业银行而言，应继续完善绿色信贷业务的审核程序，加强对重污染企业的合规审查，加大企业环保信息披露要求，提高企业环保数据的透明度，提高商业银行的监督力度。此外，合理设计金融产品促进工业绿色转型发展，比如通过贷款定价、贷款额度和贷款期限及风险管理等调节信贷供给，控制重污染企业的供给水平，引导资金流向绿色行业，吸引更多生产及科技人才对绿色创新领域的投入。除此之外，商业银行在落实绿色信贷过程中应进行金融服务的创新探索，从而匹配工业企业绿色转型的多样化金融服务需求。

最后，对于企业而言，在国家大力倡导保护环境、绿色经济、可持续发展的背景下，为实现“双碳”目标，要与时代同步，全面认识环保与发展的关系，转变理念，增强环保意识。此外，做好信息披露工作，自觉向相关管理部门共享真实环保信息。对于企业而言，最重要的一点是要合理配置运营资金，增加研发投入，改进传统生产工艺，加速自身转型升级，实现绿色发展。

七、结语

从实证结果可以看出，绿色信贷政策无疑加大了重污染企业融资难度，从而激发企业技术创新和转型升级以便获得资金支持从而获得高质量发展。绿色信贷政策使我国环境保护工作取得了长足进步，我国在污染防治方面的成就令世界瞩目，得到了联合国的肯定，但是与西方国家的环保标准和治理措施还有一定差距，要继续加强环保工作，通过关注政策和微观技术和措施加强治理，实现经济的可持续发展。