区域产业依存度能改变绿色信贷政策对企业创新效率的影响吗？

王丛 董芳麟

摘要：绿色信贷政策作为提升创新效率、实现绿色发展的重要手段已由中央及各地政府落地实施，但其效果因受地区经济发展水平、产业结构、产业依赖程度等因素的影响而差强人意。从区域产业依存度是否影响绿色信贷政策对企业创新效率的影响机理出发，以2015年的《能效信贷指引》为外生冲击变量构造准自然实验，选取2009—2020年A股上市企业为样本，利用PSM方法进行分组，运用DDD方法检验绿色信贷政策对企业创新效率的影响，研究发现，绿色信贷政策会显著提升重污染企业的创新效率，且对东部和中部地区企业影响更为明显；进一步，利用区域产业依存度分组分析发现，较高的区域产业依存度会削弱绿色信贷政策的实施效果，且通过DEA分析发现该类企业存在一定程度的创新效率损失。因此，在推行绿色信贷政策时，需考虑区域产业依存度对货币政策传导机制的影响，以保障提升发展效率，推进绿色发展速度，实现地区经济高质量发展。

关键词：绿色信贷政策；创新效率；区域产业依存度；PSM-DDD；DEA

中图分类号：F832.4;F279.2

文献标识码：A

文章编号：1673-5595（2023）01-0044-10

一、引言

创新是一个民族进步的灵魂，党的十九届六中全会指出，坚持把创新作为引领发展的第一动力。企业是创新的重要力量，建设创新型国家离不开企业创新能力的提高，作为参与市场经济的微观个体，在面对竞争时除了提高创新能力，更应关注创新效率的提高。^［1］创新型企业的成长与发展、企业创新能力和创新效率的提高成为经济转型发展领域研究的关键问题。作为货币政策，绿色信贷政策通过提高重污染企业的融资成本或拒绝给重污染企业贷款的方式，促使重污染企业提高创新效率以实现转型及绿色发展。从研究对象来看，区域产业依存度高的企业对地方经济发展和税收贡献较大，是地方经济发展的重要动力，理应成为地方创新发展、绿色发展的中坚力量，然而，从现阶段研究成果来看，尽管区域产业依存度高的企业集中了地方优质研发资源，并具有较强的创新能力，但受经济发展水平、产业政策、企业经营水平、创新激励等因素的影响^［2］，其創新意愿及创新效率较其他类型企业仍存在较大差距。绿色信贷政策是否能切实提升区域产业依存度较高的企业的创新效率？政策实施过程中该类企业是否存在创新效率的损失？这些问题事关国家宏观政策的部署、地区经济发展模式的选择和企业经营战略的制定。区域产业依存度高的企业能否提高创新动力与创新效率，不仅关系到绿色信贷政策存在的合理性，还关系到国家经济高质量发展的根本目标的实现。

二、文献回顾与研究假设

（一）文献回顾

对绿色信贷政策的研究经历了从绿色信贷政策与经济发展关系研究^［3］，到绿色信贷政策实施效果分析研究^［4］，再到绿色信贷政策对企业绿色发展作用的研究^［5］。首先，绿色信贷通过一定的金融资源配置手段能够促进经济的增长^［6］，并且在绿色信贷实施后期会促进企业绿色低碳技术的迭代升级^［7］；其次，对绿色信贷政策实施效果的研究发现，绿色信贷政策能够显著影响“两高”企业的生产经营^［8］，进而促进企业转型绿色发展^［9］；最后，绿色信贷政策对于绿色企业技术升级和融资水平提升均具有促进作用^［10］，且绿色信贷政策能够加速重污染企业的转型升级，为企业绿色发展增加新的助推力^［11］。综上，绿色信贷政策效果研究大多是在宏观上对绿色信贷政策与经济发展关系的考察、在微观上对企业创新以及融资影响的研究，缺少从宏观过渡到微观的解释。

产业依存度的相关研究主要集中在两个方面：第一，基于价值链的角度，经济发展对外部市场和技术的依存度^［12］；第二，地区经济发展对内部企业发展的依存度^［13］。关于价值链的角度主要是从宏观上基于全球价值链重构的视角进行阐述，发展中国家处于价值链的底端环节，容易被“边缘化”“替代化”。^［14］在区域产业依存度中，地区经济的发展离不开企业的发展^［15］，对于地方政府来说，企业所得税是税收的重要来源，地区龙头企业是招商的重要招牌，扶持好当地企业发展在一定程度上对提高区域竞争力有正向促进作用^［16］。综上，关于产业依存度的研究主要是从国家间价值链竞争视角和地区经济发展依赖某一项产业的视角，而关于单个企业对地区经济发展影响的研究则较少。

（二）理论分析与假设的提出

作为宏观经济政策，货币政策具有一定的指示作用，会影响商业银行的资产负债业务，进而影响企业的发展战略。^［17］绿色信贷政策作为货币政策之一，通过增加污染企业的融资成本、提高融资企业准入门槛来促使企业转型升级^［18］；同时绿色信贷政策还能增加企业在可再生能源方面的投资^［19］。根据“波特假说”，以经济手段为主的环境规制会有效促进企业的创新能力。绿色信贷政策作为一种规制手段会显著提升重污染企业的创新效率。^［20］绿色信贷限制了重污染企业的负债总额，企业为了健康发展，必定会提升创新效率，在资源有限的情况下加速绿色转型发展。^［21］基于此，提出假设H1。

H1：绿色信贷会显著提升重污染企业的创新效率。

中国经济走向高质量发展阶段，但是依然存在经济发展不平衡、不充分的问题。^［22］在中观层面上，不同地区的经济发展水平、自然条件、产业政策甚至历史因素都会对国家政策的实施效果产生不同的影响。^［23］宏观经济政策的变迁同样影响着政策实施效果。国家政策的实行需要地方政府的助力^［24］，即使相同的国家政策，面对不同的地方政府也会产生不同的效果^［25］。所以货币政策不可大水漫灌^［26］，应该适当考察不同地区对于同一政策的反应。东部地区和中部地区经济发展较为成熟，市场较为完善，对于政策的反应更加灵敏有效，而西部发展多依赖自然资源开发，产业单一且比重大，对政策反应不够灵敏。^［27］相对于其他货币政策，绿色信贷政策中地方政府更易干预银行对企业贷款，从而使绿色信贷政策效果大打折扣。基于此，提出假设H2。

H2：相较于西部重污染企业，东部和中部重污染企业对于绿色信贷政策更为敏感。

企业作为微观个体，更加注重创新效率而非创新投入。不同的企业创新效率不同，创新投入高的企业创新产出并不一定高。^［28］企业行为既受到国家宏观政策的影响，也受到地区产业政策的影响。绿色信贷政策的执行日渐深入，势必会影响对重污染企业依存度高的地区的GDP。^［29］地方政府为了完成经济发展的任务，会对该地区重污染企业实施怀柔政策，干预商业银行存贷款行为，这必然会影响货币政策的实施效果。区域产业依存度高的产业多为地方大型支柱型产业，贡献了地方高比例的税收。对于大型重污染企业来说，受“大而不能倒”的影响，企业缺少提高创新效率的激励。^［30］区域产业依存度高的企业更容易出现粗放式发展的情况。绿色政策能够推进技术创新^［31］，同时区域产业依存度也能通过影响绿色信贷政策传导路径来影响企业的技术创新^［32］。基于此，提出假设H3。

H3：区域产业依存度高的重污染企业相较于依存度低的重污染企业对绿色信贷政策更不敏感。

由于产业具有集聚效应和地区特色，所以国家在“十四五”规划中划定了产业集群。富有地方特色的产业集群是由许多相类似企业组成的，这些企业对地区经济发展有较大贡献。企业的绿色创新是我国绿色创新的重要组成部分，企业作为绿色创新的实践者，通过增加绿色创新投入来促进绿色创新产出，而创新产出受创新效率的影响。企业创新效率的影响因素是多方面的，企业的自主研发意愿即为其中之一。^［23］與区域产业依存度低的企业相比，依存高的企业自主研发意愿不强，且存在资源诅咒效应，对外界政策反应不敏感，对内部改革意愿不强^［16］，因此存在一定的创新效率损失。基于此，提出假设H4。

H4：区域产业依存度高的重污染企业存在一定的创新效率损失。

三、研究设计

（一）样本选择和数据来源

绿色信贷政策最早出台于2007年，但直至2013年出台的《中国银行业监督管理委员会关于报送绿色信贷统计表的通知》才表明绿色信贷政策落地。大多数学者认为2015年中国银监会和国家发展改革委共同发布的《能效信贷指引》才表明绿色信贷政策得到银行以及企业的正面反馈。有鉴于此，本文以2015年的《能效信贷指引》作为外生冲击变量，检验绿色信贷政策下重污染企业和轻污染企业创新效率的差异。对于重污染企业和轻污染企业的界定，本文根据2012年证监会修订的《上市公司行业分类指引》、环保部2008年公布的《上市企业环保核查行业分类管理名录》认定的重污染行业标准，最终确定火电、钢铁、水泥、电解铝、煤炭、冶金、建材、采矿、化工、石化、制药、纺织、制革以及轻工中的酿造、造纸、发酵为重污染行业，其他行业为轻污染行业。

根据上述重污染行业和轻污染行业标准，本文选取了2010—2021年的A股上市公司为研究样本，剔除研究样本中解释变量和被解释变量缺失的数据，最终样本量为8 089个；由于部分变量呈现右偏性质，将其取对数处理。为了降低选择性偏误，通过PSM对样本进行匹配，以重污染企业为实验组，以轻污染企业为观察组，利用三重差分模型（DOD）进行分析。考虑到地区经济差异等对绿色信贷政策作用机制会产生影响，本文将GDP高低作为处理变量引入模型，同时引入控制变量。此外，由于不同地区差异较为明显，产业结构依存度也大为不同，为此本文样本将分为东部、中部和西部地区进行异质性分析，再以区域产业依存度高低分组检验绿色信贷政策的实施效果，最后对企业的创新效率情况进行分析。样本企业的财务数据均来源于万德数据库，区域产业依存度数据信息来源于各年的统计年鉴。

（二）变量定义

1.被解释变量

现有文献对创新效率衡量的指标分为两类：无形资产增量（扣除土地使用权）与当年总资产的比值^［25］、专利申请总量与当年总资产的比值。对于企业来说，创新成果不一定都会转化为专利权，考虑到创新活动存在周期长、成功率低、不确定性强等特征，无形资产（扣除土地使用权）的增长往往不连续且容易出现极端值，为了更直观地体现企业创新效率水平，本文对无形资产的增量（扣除土地使用权）与总资产的比值取自然对数处理来表示创新效率，用Inno表示。

2.解释变量

本文以《能效信贷指引》作为外生冲击变量，分析绿色信贷政策对不同类型企业创新效率的影响。若样本年度在2015年之前Time=0，反之Time=1。参照前文标准，若企业属于重污染行业则 Treated=1，反之Treated=0。此外，地区经济发展水平等差异会对政策作用机理产生调节性影响，为了便于计算，将GDP变量进行定性处理，将 GDP 大于等于中位数的地区定义为 1，GDP小于中位数的地区定义为0。为了考察在不同区域产业依存度下政策对企业创新效率的影响，本文以区域产业依存度高低将企业划分为两组，当区域污染水平大于等于全国中位数时，表明该地区对重污染产业具有较高依存度，此时WR=1，否则WR=0。

3.控制变量

Controls表示控制变量。参考已有关于企业创新的文献，本文将财务杠杆（LEV）^［26］、企业规模（SIZE）、公司年龄（AGE） 、資产利润率（ROA）^［27］、管理层持股比例（MH）^［28］、经营能力（SALE）、偿债能力（Liquidity）^［29］、营业收入增长率（OGR） 及企业成长性（MB）^［30］、年份固定效应（YEAR）等作为控制变量。

所有变量的具体计算标准和方法如表1所示。

4.DEA模型变量的选取

（1）创新投入变量X1为研发中心数量。企业创新主要依靠其创新人才，鉴于研发人员数据可得性差且界定并不清晰，本文选择研发中心代替创新人才变量，研发中心包含企业内部研发中心和与外界合作的研发中心。一般来讲，研发中心数量多的企业，研发人员、研发设备多，研发投入强度大，但是考虑到研发中心有极值影响，本文用研发中心的数量加一的对数来表示创新投入变量X1。

（2）创新投入变量X2为研发资金投入。考虑到不同规模、不同行业的企业对于研发的动机和需求不同，并且规模较小的企业在研发资金投入的数额上存在劣势，本文采用研发费用与营业收入的比值来表示研发资金投入强度。

（3）创新产出变量Y1为专利申请数量。专利申请数量往往被当作衡量企业创新产出的重要指标，企业的专利申请价值往往会被转化为无形资产或者创新产品给企业带来的效益。规模较大的企业存在一定优势，可以申请更多的专利进而带来极值的影响，故本文采用专利申请数量的对数作为衡量创新产出的指标，即用专利申请数量加一的对数表示。

（4）创新产出变量Y2为创新产品指数。仅用专利表示创新产出有失偏颇，因为企业经营的很多无形资产并不一定需要通过专利的形式展现，而且专利转化为经济价值的能力也各不相同。创新产品带来的营业收入的增加额可以从另一个方面展现企业创新产出能力。同样考虑到规模带来的极值问题，本文采用创新产品占比即新产品的营业额占总营业额的比值表示创新产品指数。

针对DEA分析，本文选取了六个典型行业：医药制造业、电子及通信设备制造业、电子计算机及办公设备制造业、医疗设备及仪器仪表制造业、金属非金属业和航空航天器制造业。^［31］其中，医药制造业、医疗设备及仪器仪表制造业、金属非金属业为重污染行业，其余为轻污染行业；并根据区域产业依存度高低划分为区域产业依存度高和区域产业依存度低两组。为了简化描述，本文将所选行业进行分类编号：航空航天器制造业编号为1，医疗设备及仪器制造业编号为2，金属与非金属业编号为3，医药制造业编号为，4，电子计算机及办公设备制造业编号为5，电子及通信设备制造业编号为6。

（三）模型设定

仅通过普通差分方法分组会导致样本选择偏误问题，为了避免此类问题，借鉴周楷唐等^［24］的PSM方法，以企业的行业分类为前提条件，将重污染企业与轻污染企业分组，再通过倾向得分值将实验组与对照组匹配，引入GDP消除地区经济差异对实验结果的影响，最后通过DDD检验绿色信贷政策对于企业创新效率的影响。具体模型如下：

四、实证分析

（一）描述性统计

从表2的描述性统计结果来看，企业创新效率水平均值为0.003，标准差为0.033，说明企业创新效率较低，而且差异不大。区域产业依存度均值为29. 561，最大值为 122.587，最小值为 1.353，标准差为 20.530，说明区域产业依存度具有明显地区差异。不同性质企业的融资能力不同，不同企业的管理层持股比例也有较大差异，故财务杠杆 、管理层持股比例的标准差较大，其他控制变量的分布基本处于合理范围之内。

（二）相关性检验

表3分别运用Spearman和Pearson相关性分析方法，对本文模型中主要变量的相关系数进行了分析。从分析结果来看，除了财务杠杆和盈利能力、企业年龄和营业收入增长率、财务杠杆和营业收入增长率的相关性系数超过0.5外，其余变量两两之间的相关系数均未超过0.5。因此，本文以上述变量为基础构建的模型基本满足非多重共线性要求。

（三）PSM-DDD分析

表4报告了实验组和对照组在绿色信贷政策冲击下企业创新效率差异表现。从表 4检验结果来看，无论是全样本还是PSM样本，Treated×GDP×Post的系数在1%的水平下显著为正。该结果表明，相较于轻污染企业，重污染企业的创新效率对绿色信贷政策的冲击反应更为敏感。换而言之，随着绿色信贷政策的普遍推行，相较于轻污染企业，重污染企业的危机意识更强，创新求变的执行力和效率更强。假设H1得以验证。

表5报告了不同地区对于绿色信贷政策的反应。从表5中可以看出，东部和中部地区的重污染企业对绿色信贷政策更为敏感，西部地区重污染企业创新效率并未因绿色信贷政策发生明显的改变。这意味着，绿色信贷政策的实施效果不均衡，在不同地区会产生不同的效果，这可能是由于东部和中部地区市场发展更完善，企业对于政策反应才更加敏感。假设H2得以验证。

产业依存度是指地区经济发展对企业的依赖程度，以区域产业依存度来分组更能体现绿色信贷政策对企业创新效率的异质性影响。从表6 回归结果来看，不管是区域产业依存度高还是低，重污染企业的创新效率对绿色信贷政策均表现出更高的敏感度，但是区域产业依存度高的企业Treated×GDP×Post系数远高于区域产业依存度低的企业。虽然区域产业依存度高和区域产业依存度低的重污染企业都会因为绿色信贷政策而提高创新效率，但是区域产业依存度低的企业的创新效率提高更为明显，这表明区域产业依存度能够改变绿色信贷政策的实施效果，假设H3得以验证。

（四）DEA分析

为了分析区域产业依存度高的企业是否有创新效率的损失，本文将样本分为区域产业依存度高地区的企业和区域产业依存度低地区的企业。运用DEA研究区域产业依存度高的重污染企业的创新效率的损失。根据M指数^［26］得出创新效率TPF=TC×EF=TC×PE×SC。

本文运用DEAP2.1软件，采用以投入为导向规模报酬可变的指数模型来计算区域产业依存度高的企业和区域产业依存度低的企业的创新效率。由于高新技术行业与传统行业相比创新效率更高，因此先采用分行业创新效率对六大行业中区域产业依存度高的企业与区域产业依存度低的企业的创新效率进行比较，再对全部行业平均创新效率进行总体比较，力求全面地分析企业创新效率。

区域产业依存度高与区域产业依存度低的六大行业2012—2021年的创新效率如表7所示，从中可以看出两类企业的创新效率变化及其分解情况。计算可得：行业1中区域产业依存度高的企业平均创新效率为1.01，区域产业依存度低的企业创新效率为0.79；行业2中区域产业依存度高的企业平均创新效率为0.87，区域产业依存度低的企业创新效率为1.45；行业3中区域产业依存度高的企业平均创新效率为0.58，区域产业依存度低的企业创新效率为1.40；行业4中区域产业依存度高的企业平均创新效率为0.70，区域产业依存度低的企业创新效率为1.44；行业5中区域产业依存度高的企业平均创新效率为0.62，区域产业依存度低的企业创新效率为1.21；行业6中区域产业依存度高的企业平均创新效率为0.83，区域产业依存度低的企业创新效率为0.96。从分行业创新效率的比较结果来看，区域产业依存度高的企业的创新效率低于区域产业依存度低的企业的创新效率。

全行业2012—2021年的创新效率如表8所示。在全行业中，区域产业依存度高的企业平均创新效率为0.65，区域产业依存度低的企业的创新效率为1.49。对比发现，区域产业依存度高的企业创新效率较低，存在一定创新效率损失。

综上所述，不论是分行业还是全部行业，除了航空航天器制造业外，区域产业依存度低的企业创新效率普遍高于区域产业依存度高的企业。航空航天器制造业由于其行业的特殊性，区域产业依存度低的企业往往形不成规模效应且在人力资源、资金以及市场占有率等方面具有一定的短板，导致区域产业依存度高的企业并无明显的创新效率的损失，但是多数行业区域产业依存度高的企业存在创新效率的损失，假设H4得以证明。

（五）稳健性检验

考虑到变量选择可能会影响结果的准确性，本文采用公司新增专利数量^［32］来代替Inno ，重新构建模型来检验绿色信贷政策对重污染企业创新效率的影响，具体模型如下：

其中，Patent用公司本年新增专利数量加一的对数表示。表9列出了更换变量后绿色信贷政策对重污染企业和轻污染企业创新效率的差异性影响。从回归结果来看，Treated×GDP×Post的系数为正，并在 1%的水平下显著，说明相较于轻污染企业，绿色信贷政策的确能够更为显著地促进重污染企业提升创新效率。该结果与前文得出的结论一致，表明本文假设的回归检验结果是相对稳健的。

五、结语

本文研究发现，绿色信贷政策实施后，与轻污染企业相比，重污染企业的创新效率提升更为显著；相较于西部地区，中部地区和东部地区企业的创新效率提升更为显著；对于重污染行业依赖度低的省份，绿色信贷更能激发重污染企业的创新效率；区域产业依存度会影响绿色信贷的实施效果，不论是重污染行业还是轻污染行业，区域产业依存度高的企业存在一定程度的创新效率的损失。此外，从绿色信贷政策对企业创新效率的影响路径来看，绿色信贷落地实施会恶化重污染企业的外部融资环境，加大其融资难度，提高其融资门槛。区域产业依存度作为衡量地区发展对于重污染企业的依赖程度的指标，可以更好地解释为何地方政府对地方龙头企业特殊支持以缓解绿色发展给其带来的压力。当政府依赖重污染企业来带动经济发展时，重污染企业就缺少了绿色创新的激励，影响其创新效率，进而影响绿色信贷的实施效果。

在碳達峰、碳中和的关键时期，绿色信贷政策在激励污染企业转型、提升创新效率方面发挥着不可磨灭的作用。绿色信贷政策作为一种货币政策，其传导受到多种因素的影响，区域产业依存度可以衡量地方政府对货币政策的影响，具体表现在地方政府对于拉动地方GDP增长的企业的扶持影响了绿色信贷政策的实施效果。因此国家在制定货币政策时，应该考虑区域产业依存度对货币政策传导机制的影响，积极引导区域产业依存度高的污染企业创新转型。

参考文献：

［1］ 张媛媛，袁奋强，陈利馥.区域产业依存度能改变绿色信贷政策对企业创新投资的影响吗——来自准自然实验的证据［J］.宏观经济研究，2021（3）：120-135.

［2］ Zhang Kexian，Wang Yan，Huang Zimei. Do the Green Credit Guidelines Affect Renewable Energy Investment？ Empirical Research from China［J］. Sustainability，2021，13（16）：1-18.

［3］ Zhang Shengling，Wu Zihao，He Yinan，et al. How Does the Green Credit Policy Affect the Technological Innovation of Enterprises？ Evidence from China［J］. Energy Economics，2022，113：106236.

［4］ 杨柳勇，张泽野.绿色信贷政策对企业绿色创新的影响［J］.科学学研究，2022，40（2）：345-356.

［5］ 孙焱林，施博书.绿色信贷政策对企业创新的影响——基于PSM-DID模型的实证研究［J］.生態经济，2019，35（7）：87-91.

［6］ 岑聪.经济制度变迁与区域创新效率差距——来自中国省级层面的经验证据［J］.调研世界，2021（9）：48-57.

［7］ 姬新龙，杨钊.基于PSM-DID和SCM的碳交易减排效应及地区差异分析［J］.统计与决策，2021，37（17）：154-158.

［8］ 冉征，郑江淮.创新能力与地区经济高质量发展——基于技术差异视角的分析［J］.上海经济研究，2021（4）：84-99.

［9］ Xu Yaodong，Zhang Yao，Lu Ying，et al. The Evolution Rule of Green Innovation Efficiency and its Convergence of Industrial Enterprises in China［J］. Environmental Science and Pollution Research International，2022，29（2）： 2894-2910.

［10］ 段军山，庄旭东.银行承担社会责任对其竞争力的影响研究——基于银行服务的“质”与“量”中介视角［J］.金融论坛，2021，26（4）：22-32.

［11］ Zhang Shengling，Wu Zihao，Wang Yao，et al. Fostering Green Development with Green Finance： An Empirical Study on the Environmental Effect of Green Credit Policy in China［J］. Journal of Environmental Management，2021，296： 113159.

［12］ 胡元木.技术独立董事可以提高R&D产出效率吗？——来自中国证券市场的研究［J］.南开管理评论，2012，15（2）：136-142.

［13］ 张秀生，李子明.“绿色信贷”执行效率与地方政府行为［J］.经济问题，2009（3）：87-90.

［14］ 李政，陆寅宏.国有企业真的缺乏创新能力吗——基于上市公司所有权性质与创新绩效的实证分析与比较［J］.经济理论与经济管理，2014（2）：27-38.

［15］ 韩科振.绿色金融发展与绿色技术创新效率关系研究——基于空间溢出视角的实证分析［J］.价格理论与实践，2020（4）：144-147.

［16］ Ke Haiqian， Dai Shangze， Yu Haichao. Effect of Green Innovation Efficiency on Ecological Footprint in 283 Chinese Cities from 2008 to 2018［J］. Environment， Development and Sustainability，2022（2）：24.

［17］ 李新功，朱艳平.绿色信贷政策对重污染企业债务成本的影响——基于PSM-DID模型的实证研究［J］.会计之友，2021（3）：41-47.

［18］ 刘强，王伟楠，陈恒宇.《绿色信贷指引》实施对重污染企业创新绩效的影响研究［J］.科研管理，2020，41（11）：100-112.

［19］ 安同良，周绍东，皮建才.R&D补贴对中国企业自主创新的激励效应［J］.经济研究，2009，44（10）：87-98.

［20］ 连莉莉.绿色信贷影响企业债务融资成本吗？——基于绿色企业与“两高”企业的对比研究［J］.金融经济学研究，2015，30（5）：83-93.

［21］ 董晓庆，赵坚，袁朋伟.国有企业创新效率损失研究［J］.中国工业经济，2014（2）：97-108.

［22］ 尹美群，盛磊，李文博.高管激励、创新投入与公司绩效——基于内生性视角的分行业实证研究［J］.南开管理评论，2018，21（1）：109-117.

［23］ 黎文靖，郑曼妮.通货膨胀预期、企业成长性与企业投资［J］.统计研究，2016，33（5）：34-42.

［24］ 周楷唐，麻志明，吴联生.高管学术经历与公司债务融资成本［J］.经济研究，2017，52（7）：169-183.

［25］ Bresciani Stefano，Puertas Rosa，Ferraris Alberto，et al. Innovation， Environmental Sustainability and Economic Development： DEA-Bootstrap and Multilevel Analysis to Compare two Regions［J］. Technological Forecasting & Social Change，2021，172：121040.

［26］ Yao Shouyu，Pan Yuying，Sensoy Ahmet，et al. Green Credit Policy and Firm Performance： What We Learn from China［J］. Energy Economics，2021，101：105415.

［27］ Wang Song，Wang Jiexin，Wei Chenqi，et al. Collaborative Innovation Efficiency： From within Cities to between Cities—Empirical Analysis based on Innovative Cities in China［J］. Growth and Change，2021，52（3）：1330-1360.

［28］ 趙娜.绿色信贷是否促进了区域绿色技术创新？——基于地区绿色专利数据［J］.经济问题，2021（6）：33-39.

［29］ Wang Yanli，Lei Xiaodong，Zhao Dongxiao，et al. The Dual Impacts of Green Credit on Economy and Environment： Evidence from China［J］. Sustainability，2021，13（8）：4574.

［30］ 顾露露，蔡良，雷悦.家族治理、所有权变更与企业创新——基于中国家族企业的实证研究［J］.管理科学，2017，30（2）：39-53.

［31］ 丁宁，任亦侬，左颖.绿色信贷政策得不偿失还是得偿所愿？——基于资源配置视角的PSM-DID～1成本效率分析［J］.金融研究，2020（4）：112-130.

［32］ 王凤荣，王康仕.“绿色”政策与绿色金融配置效率——基于中国制造业上市公司的实证研究［J］.财经科学，2018（5）：1-14.

责任编辑：曲 红

Can Regional Industrial Dependence Bring About the Change Impact of

Green Credit Policy on Corporate Innovation Efficiency？

WANG Cong， DONG Fanglin

（School of Economics and Management， China University of Petroleum （East China）， Qingdao 266580， Shandong， China）

Abstract： The green credit policy has been implemented by the central and local governments as an important means to increase efficiency through innovation and promote green development， resulting in less-than desirable expectations due to regional economic development level， industrial structure， industrial dependence and other factors. The study has been conducted by considering the mechanism of whether the regional industrial dependence affects the change impact of green credit policy， constructing a quasi-natural experiment with the 2015 Energy Efficiency Credit Guidelines as exogenous impact variables， selecting the A-share listed enterprises from 2009—2020 as samples， using the PSM method for grouping， and the DDD method to test the change impact. Here are results.

The green credit policy will significantly improve the innovation efficiency of heavily polluting enterprises with more appreciable impacts on enterprises in the eastern and central regions. The grouping analysis of regional industrial dependence suggest that higher regional industrial dependence will weaken the effect of green credit policy with certain degree of innovation efficiency loss through DEA analysis. It follows that the green credit policy entails taking into account the change impact of regional industrial dependence on the transmission mechanism of monetary policy to enhance development efficiency， promote green development and boost regional high-quality economic development.

Key words： green credit policy； innovation efficiency； regional industry dependence； PSM-DDD； DEA