绿色信贷政策对高污染企业的债务融资有影响吗？——基于浙江上市公司的经验数据研究

何秀秀，赵春宇，汤 倩

(安徽商贸职业技术学院 会计学院，安徽 芜湖 241002)

自我国70年代改革开放以来，经济发展势头强劲，但随之而来的环境污染与资源巨耗问题也日益突显。企业作为环境问题的重要源头，特别是高污染企业，其生产经营对环境产生的负外部性，严重制约了我国经济的可持续发展。十八大以来，党和政府提出了一系列生态文明建设的重要论述，旨在推动形成绿色发展方式。2012年，《绿色信贷指引》发布，为银行等金融业绿色信贷的开展提供了操作性指引，要求其在贷前审批时考察企业环境表现，对两高一剩行业进行贷款限制，对资源节约和环境友好企业进行贷款倾斜，促进产业转型升级。

我国地域幅员辽阔，各地区经济发展水平不同，地区市场化水平差异对绿色信贷政策的实施效果产生不同影响[1](陈琪等，2019)。位于东部的浙江省作为绿色金融改革创新试验区之一，2020年GDP突破6.4万亿，稳居全国第四，截至2020年，其境内上市公司超500家，位列全国第二，数量上仅次于广东，在A股占近八分之一的席位。由此引发思考：对于举足轻重的浙江省，《绿色信贷指引》政策出台后，其境内的高污染企业债务融资水平和债务融资成本受影响程度如何？这正是本文的研究问题之所在。

1 文献综述

针对绿色信贷政策的执行效果，学者主要从两个主体层面开展研究：一是银行层，考察绿色信贷政策对其经营绩效的影响。胡荣才等(2016)[2]从银行放贷成本着手，研究发现绿色信贷会增加银行业务及管理费用，但扩大贷款规模能抵减实施绿色信贷带来的利润损失。王晓宁等(2017)[3]引入“两高一剩”贷款清退比对12家银行进行实证检验，认为绿色信贷规模不大，缩减“两高一剩”贷款短期内对盈利能力具负向影响。张琳等(2020)[4]通过对银行收入结构进行拆解，发现绿色信贷政策对银行的财务绩效正向影响因“行”而异。二是企业层，考察绿色信贷政策对其债务融资的影响，学术研究结论不一。薛俭等(2021)[5]认为由于替代性融资的作用，绿色信贷政策未能有效优化信贷资源配置，而陈琪等(2019)[1]研究结果表明绿色信贷政策的推行在一定程度上限制了重污染企业的债务融资规模，并提高了其债务成本，进一步研究发现市场化水平高的省份，其政策执行效果更明显。综合文献发现，绿色信贷政策对商业银行经营绩效影响的研究成果丰富，而对某一地域的企业影响成果则较少，尤其对债务融资期限影响方面更少，且结论有所差异。本文考虑空间异质性，从市场化水平高的浙江省着手，以A股高污染企业的经验数据检验企业层绿色信贷政策的实施效果，包括债务融资规模、融资期限和融资成本方面的影响，以期为相关经济体后续政策制定与实施提供参考意见。

2 理论分析与研究假设

基于利益相关者理论，企业以实现利润最大化为经营目标，政府基于可持续发展的需要，以实现社会价值最大化为管理目标。作为调节不同利益相关者之间矛盾的环境经济手段，绿色信贷政策应运而生。我国建立了以《绿色信贷指引》为核心的绿色信贷政策框架，它要求银行等金融机构在贷前审批时应考虑资金需求方对环境的影响，对资源节约型和环境友好型的企业加大信贷资源投入和实行利率优惠，而对高污染、高消耗和产能过剩的企业缩减信贷额度和实行惩罚利率，实现产业结构升级。由于信贷市场存在信息不对称，银行等金融机构在信息缺位的情况下，倾向于加大信贷门槛和提高信贷成本。基于环境风险管理理论，高污染企业具有较强的负外部性，潜在环境风险大，且在转型中面临较大挑战，发展前景不确定，会增加银行等金融机构的违约风险和声誉风险，并可能需承担债权人连带责任。出于防范信贷风险的考虑，对极易引发环境问题的高污染企业，其从银行获得债务融资的限制增加。另外，基于替代性融资理论，当贷款难度增加和贷款成本上升时，短期借款灵活度大，企业倾向于充分利用商业信用来替代短期借款，以弥补短期资金缺口。据此，本文提出假设：

H1：绿色信贷政策的实施缩减了高污染企业的债务融资水平，且对短期融资影响高于长期融资。

H2：绿色信贷政策的实施增加了高污染企业的债务融资成本。

3 研究设计

3.1 样本选择及数据来源

绿色信贷政策要求银行业等金融机构进行贷款审批和发放时应考虑企业活动对环境的影响，对高污染高耗能的企业缩减、限制其贷款金额并提高贷款利率。考虑高污染企业作为《绿色信贷指引》政策的特定作用对象，选取浙江省2008-2018年A股高污染企业作为原始样本。其中，对高污染企业的划分在遵循《上市公司行业分类指引(2012年修订)》的基础上，参考《上市公司环保核查行业分类管理名录(2008年)》，划分为8类，包括采掘业、造纸印刷业、食品饮料、纺织服装皮毛、石化材料、金属非金属、生物医药制造以及水电煤气供应。参考他人研究，对原始样本中行业迥异的金融保险业、特别处理的ST、*ST和数据缺失严重的上市公司予以剔除，得到138家高污染企业918个观测值。

上市公司数据来源于CSMAR数据库。为剔除极端值对研究的影响，对连续变量进行缩尾处理，小于1%的数按1%的值赋值、大于99%的数按99%的值赋值。数据处理用Stata15.0软件完成。

3.2 变量定义

3.2.1 被解释变量

被解释变量包括债务融资水平和债务融资成本，其中债务融资水平包括融资规模和融资结构。因绿色信贷政策的实施主体是银行，本文考察政策实施对高污染企业银行借款的影响，故以银行借款来衡量企业债务融资情况。

债务融资水平指标：参考朱艳平(2020年)[6]的做法，以企业资产负债表中短期借款(Shortloan)、长期借款(Longloan)和债务融资规模(Loan)，并除以期末总资产作标准化处理，分别为短期债务融资、长期债务融资和债务融资规模指标。

债务融资成本指标(Cdf)：参考李梦(2020年)[7]的做法，以年报附注中的本年度“利息支出”除以债务融资规模进行计算。

3.2.2 解释变量

本文使用政策定性变量(Policy)衡量绿色信贷政策实施与否。尽管早在1995年央行就要求银行应在贷前审查企业行为对环境的影响，但都流于形式。直到2012年《绿色信贷指引》文件的出台，为银行业绿色信贷的开展明确了全面和具体的实施细则，至此绿色信贷政策才进入了全面发展阶段，因此选择2012年作为政策实施的时间点。具体做法为：对于2012年前的样本，Policy取0值；2012年及以后的样本，Policy取1值。

3.2.3 控制变量

企业债务融资水平和成本受诸多因素影响，参照其他学者的研究，基于可获取的数据，本文在回归模型中加入企业规模、固定资产比率、经营净现金流、资产收益率、企业成长性、资产负债率和流动比率变量，旨在控制其不变时，研究政策定性变量对企业债务融资的影响。为缓解内生性问题，控制变量数据均滞后一期。

本文各变量的具体含义和计算如表1所示。

表1 变量定义表

3.3 模型构建

本文利用模型(1)(2)(3)来检验绿色信贷政策对高污染企业债务融资水平的影响，其中α1是本文研究的核心系数。若α1显著为负数，则说明绿色信贷政策有效降低了高污染企业的债务融资水平，从而证明H1。

本文利用模型(4)，从影响机制的角度研究绿色信贷政策对高污染企业债务融资成本的影响，其中β1是本文研究的核心系数。若β1显著为正数，证明绿色信贷政策的实施会增加高污染企业的债务融资成本，从而抑制其融资水平，以此证明H2。

Loanit=α0+α1Policyit+γControlsit+εit

(1)

Shortloanit=α0+α1Policyit+γControlsit+εit

(2)

Longloanit=α0+α1Policyit+γControlsit+εit

(3)

Cdfit=β0+β1Policyit+γControlsit+εit

(4)

其中：模型中Controlsit表示企业层面的控制变量。

4 实证结果与分析

4.1 描述性统计

如表2所示，对本文选取的变量进行了描述性统计得知，高污染企业资产负债率Lev均值为0.349，最大值为0.924，负债融资是其资金来源的重要方式。其中债务融资规模(Loan)均值为0.141，最大值为0.633，最小值为0，标准差为0.130，各企业差异较大。从结构上看，短期、长期债务融资均值分别为0.116、0.025，短期借款占据大头。债务融资成本Cdf均值为0.076，中位数为0.057，最大值0.321，表明不同企业间债务融资成本差异较大，且高于2008-2018年间人民币贷款平均基准利率5.03%，总体融资成本较高。

4.2 均值的差值T检验

区分样本组政策实施前与政策实施后，对高污染企业债务融资指标均值的差值进行T检验，如表3所示。一方面，债务融资水平在政策实施后降幅明显，总体规模下降0.076，其中短期债务融资下降0.062，远高于长期债务融资降幅0.014；另一方面，债务融资成本由政策实施前0.051升至实施后的0.084，债务成本显著增加。此处债务融资指标均值的差值T检验分析初步验证了上文假设，即2012年《绿色信贷指引》政策实施后，债务融资水平显著下降，其中短期借款占比高，其受影响程度大于长期借款，债务成本显著增加。

表2 变量的描述性统计

为了进一步增强检验的可信度，下文将运用回归模型予以检验。

表3 样本组政策前后债务融资指标均值的差值T检验

表4 绿色信贷政策对高污染企业债务融资影响的回归结果

4.3 回归结果分析

如表4所示，分别对模型(1)～(4)进行固定效应的拟合和随机效应的拟合，再进行Hausman检验。模型(1)和(4)的卡方统计量分别为23.050和17.260，p值显著，因此应该拒绝原假设，随机效应模型的估计不一致，固定效应模型更为合适。模型(2)和(3)的卡方统计量分别为12.36和0.404，p值不显著，但固定效应模型和随机效应模型的参数估计方差的差是非正定矩阵，随机效应模型的基本假设(个体效应与解释变量不相关)得不到满足，所以也应该选择固定效应模型。

固定效应模型(1)～(4)的F检验值分别为149.8、87.12、27.14和13.5，均通过了1%水平的显著性检验，所有解释变量联合起来对债务融资水平和成本的影响显著。

再对各解释变量的系数逐一进行t检验。对于H1：第①③⑤列被解释变量分别为高污染企业债务融资规模、短期债务融资和长期债务融资，表示债务融资水平。Policy的系数分别为-0.040、-0.020、-0.020，在1%的水平上与债务融资水平显著负相关，表明《绿色信贷指引》政策实施后显著缩减了高污染债务融资水平，同时结合长短期借款本身基数差异，绿色信贷政策对借款结构影响上短期借款高于长期借款，验证了H1。控制变量方面，第①列资产负债率Lev与债务融资规模在1%的水平上显著正相关，表明上期期末的资产负债率是举债的考虑因素之一，经营净现金流Cfo、资产收益率Roa、成长性Growth与债务融资规模显著负相关，表明盈利能力、成长能力和现金流较好的高污染企业，内部资金来源充足，外部融资意愿不强。对比第②列和第③列，企业规模Size和流动比率Ld与短期借款显著负相关、与长期借款显著正相关，可能的原因是：绿色信贷政策实施后，对于短期融资，银行信贷审批流程收紧，债务成本增加，高污染企业可能选择通过其他债权人获取短期资金支持[5]，以替代短期借款；对于长期融资，企业规模越大越会充分发挥财务杠杆的作用。

对于H2：第⑦列被解释变量为债务融资成本，在控制其他可能会影响债务融资成本的因素后，Policy的系数为0.042，与债务融资成本Cdf显著正相关，表明绿色信贷政策实施后，显著增加了高污染企业的债务融资成本，验证了H2。固定资产比率在10%的水平上与债务融资成本正相关，究其原因可能是高污染企业固定资产规模大，财务灵活性降低，银行可能会提高用资成本[8]。

5 结论与建议

本文以浙江省138家2008-2018年A股高污染企业的经验数据，考察了绿色信贷政策的实施对高污染企业债务融资的影响情况。研究结果表明：《绿色信贷指引》的颁布在1%的水平上显著增加了高污染企业的债务融资成本，缩减了高污染企业的短期债务融资和长期债务融资，且前者缩减程度更大，从而有效抑制了其债务融资规模。

绿色信贷政策是我国实现经济可持续发展的重要举措，其实施对微观经济体的影响意义重大。本文的研究结论为其提供了经验证据支持，同时也为相关经济主体进一步推行绿色信贷政策提供了几点启示：

政府层面，进一步发挥绿色信贷政策的引领作用，统一标准、制定更加具体的实施细则，建立健全激励约束机制，加强配套监管，保障绿色信贷政策切实落地，同时丰富绿色信贷政策的执行主体，多源头齐下，优化资源配置。银行层面，健全绿色风险管控体系，严格执行绿色信贷政策，把牢高污染企业的信贷门槛，提供差异化的产品服务体系，从金融供给侧改革倒逼企业绿色化转型。企业层面，关注可持续发展能力，一方面被动适应绿色信贷政策的约束，加大治污投入，减少对环境的污染排放；另一方面，抓住绿色信贷优惠政策的契机，利用技术创新，加速转型，实现绿色化发展。

另外，本文只考虑了某一区域的绿色信贷政策执行效果，尚未进一步对比探讨空间异质性的实施影响差异，这可作为后续研究的方向。