融資約束還是轉型激勵？

顧雪松 安曉冉 侯語珂

摘 要：基于雙重差分模型構造準自然實驗，利用2007—2020年我國滬深兩市上市公司構建實驗樣本，研究綠色信貸政策對重污染企業TFP的影響效果與機制。結果發現：綠色信貸形成的融資約束抑制了TFP的提升，并且這種抑制作用大于投資價值和研發投入對TFP的促進作用，從而導致綠色信貸對我國重污染企業TFP產生顯著負面影響。鑒于此，我國應進一步完善綠色信貸政策，特別是加強對重污染企業轉型升級活動的融資支持，通過約束與激勵相結合以更好地提升企業TFP。

關鍵詞： 綠色信貸；全要素生產率；重污染企業；準自然實驗

中圖分類號：F832．4 ??文獻標識碼： A ???文章編號：1003-7217（2023）04-0026-08

一、引 言

綠色金融通過調節社會資本流動來加強環境治理和增加綠色產出，是“綠水青山”與“金山銀山”相互轉化的橋梁，是實現“雙碳”發展目標的重要工具。黨的二十大報告指出要“完善支持綠色發展的財稅、金融、投資、價格政策和標準體系”，“十四五”規劃綱要也明確提出“發展綠色金融”。從實踐看，綠色信貸是我國當前最主要的綠色金融產品。據中國人民銀行公布的《2021年金融機構貸款投向統計報告》：2021年末我國綠色信貸余額已達15.9萬億元人民幣，規模位居世界首位；同比增長33%，高于各項貸款增速21.7個百分點。以綠色信貸為研究對象，對于促進我國綠色金融市場的健康發展，實現生態文明建設和低碳發展目標具有重要意義。

綠色信貸常被稱為可持續融資或環境融資，其政策維度的含義是銀行等金融機構對符合綠色低碳特征的企業或項目提供優惠性的低利率貸款；而對高污染、高能耗企業的項目投資與流動資金進行貸款額度限制并實施高利率[1]。發展綠色信貸在微觀層面的直接目標是促進企業節能減排和轉型升級，在宏觀層面的最終目標是實現經濟高質量發展。作為反映廣義技術進步和整體資源配置效率的指標，全要素生產率（total factor productivity，TFP）可用于反映政策目標，而重污染企業是經濟轉型升級的關鍵。

目前國內外學者主要從宏觀和微觀兩個方面研究綠色信貸對經濟的影響。宏觀層面主要分析綠色信貸政策的作用機制、體系構建和實施路徑及障礙等[2，3]，微觀層面主要分析綠色信貸對企業投融資的影響以及對商業銀行經營績效的作用[4—7]。現有研究表明，綠色信貸提供的差異化融資支持有助于企業加大環境治理投入力度，抑制能源密集型投資，促進可再生資源投資，從而實現經濟轉型升級[8—10]。關于綠色信貸政策對重污染企業的影響效果存在不同的結論。一些研究發現綠色信貸政策通過優化企業資源配置提升投資效率[5，11]；另一種觀點則認為綠色信貸導致重污染企業信貸約束加劇，融資成本上升，這會削減研發投入，抑制技術創新，從而對企業經營產生負面影響[12—14]。目前，關于綠色信貸對企業TFP影響的研究還鮮見于文獻，但綠色信貸可視為以金融工具為載體的環境政策，因此關于環境規制、環境信息披露等環境政策對企業TFP影響的研究具有借鑒價值。這類研究的結論可歸為三類：一是認為環境政策的實施能促進企業治污減排，提升企業TFP[15]；二是認為環境政策增加了企業治污成本，會抑制TFP[16]；三是認為環境政策與企業TFP之間存在非線性相關關系和門檻關系，并存在地區異質性[17]。

綜上，國內外目前關于綠色信貸政策對企業影響的研究已經取得長足進展，特別是關于我國重污染企業的研究正日益成為熱點，這為本文奠定了重要基礎。但現有研究還存在以下不足：第一，側重于企業財務績效或技術創新，缺少對整體經營效率的考察；第二，綠色信貸政策對重污染企業的影響既有因融資約束產生的抑制效應，也有因倒逼創新和提升價值而產生的激勵效應，但現有研究往往側重于一個方面，對影響機制的刻畫不夠全面；第三，重污染企業因地域和所有制類型等方面的差異會影響政策實施效果，這種影響還需要進一步的經驗證據。基于此，本文首先將TFP作為綜合反映企業整體經營效率的指標，從微觀層面檢驗綠色信貸政策對我國重污染行業上市公司的作用效果；然后從融資約束、投資價值和研發投入三個層面揭示影響機制，全面反映了因融資約束而產生的抑制作用和通過提升投資價值和增加研發投入而產生的轉型激勵作用；最后從企業所有制形式和所在區域兩個維度研究企業間異質性對政策效果的影響，為優化綠色信貸政策以提升不同類型企業的TFP提供了新的經驗證據。

二、理論分析

新古典經濟學認為，環境保護政策會提高私人生產成本，降低企業競爭力，從而抵消環境保護給社會帶來的積極效應。而波特假說則認為，不能簡單地將環境保護與經濟發展對立起來，適當的環境規制可以促使企業進行更多的研發和創新活動，從而抵消環境治理成本并提升企業核心競爭力[15—17]。綠色信貸作為環境規制的一種金融手段，其對重污染企業的作用也應遵循相似的邏輯，即綠色信貸政策既能夠通過加強融資約束抑制企業TFP的提升，也能夠通過刺激創新等方式促進企業轉型升級和TFP提升。

（一） 綠色信貸政策對重污染企業的融資約束效應

綠色信貸政策將環境指標納入金融機構信貸審核框架，對重污染企業設置綠色監管標準，通過信貸規模和信貸成本的約束促使重污染企業自主治污減排，逐步淘汰落后產能。具體來說，綠色信貸政策通過資金供給、融資成本和信息傳導機制形成融資約束，進而對重污染企業TFP的提升起到抑制作用[18，19]。從資金供給看，綠色信貸政策的實施會直接影響企業生產經營資金的獲取，重污染企業因環境監管標準的限制而獲取的貸款額度減少，從而影響資本投入。從融資成本看，綠色信貸政策一方面引導金融機構通過提高貸款利率對重污染企業形成融資懲罰效應；另一方面，重污染企業為了達到貸款發放的標準會主動進行污染治理，在短期內有可能增加企業的平均生產成本。從信息傳導看，綠色信貸政策會鼓勵投資者將更多資金投入綠色行業，這會導致重污染企業的資金流出和市場估值下降；為了向市場傳遞更積極的信號，重污染企業需要付出更高的成本以完善綠色信息披露。

（二） 綠色信貸政策對重污染企業的轉型激勵效應

綠色信貸政策通過施加外部壓力，倒逼重污染企業通過優化內部資源配置提升投資價值，通過增加研發投入提高技術水平，從而對企業轉型和TFP的提升形成激勵效應。

從投資價值看，綠色信貸政策抑制了重污染企業的低水平重復投資和盲目擴張，優化了金融資源配置，使企業在降低對環境負外部性影響的前提下將有限的資金配置到具有更高內部收益率的項目中[20]。投資收益和效率的提升會增加企業價值，而企業價值的提升又會通過信息傳導機制給投資者以正面反饋，從而吸引更多的資金流入，改善企業生產經營條件，對TFP產生積極作用。

從研發投入看，技術創新是重污染企業應對綠色信貸政策不利影響的重要途徑。通過增加研發投入實現技術進步，企業一方面可通過創新帶來的收益覆蓋綠色信貸政策所增加的融資成本和治污成本，從而提高收益水平；另一方面更容易達到政策所限定的環境監管標準，這會向外界傳遞積極履行社會責任的信號，從而緩解融資約束，為企業轉型升級和TFP提升提供更多的支持。

（三） 綠色信貸政策對重污染企業TFP的總體影響及異質性

總的來看，綠色信貸政策既通過融資約束效應對TFP產生負面影響，又通過提升投資價值和增加研發投入對TFP產生轉型激勵效應，而總的影響效果則取決于這兩方面力量的強弱關系。同時，因企業所有制形式和所在區域不同，影響效果也可能存在差異。

重污染企業各項生產要素的投入會因所有制形式不同而產生差異。國有企業相比民營企業在獲取信貸資金方面更具優勢，這也導致國有企業的債務融資份額通常較高，因此對綠色信貸政策更敏感[21]。同時，相對于民營企業，國有企業也更容易受到國家政策的影響[22]。由此推測，國有重污染企業TFP受綠色信貸政策的影響可能更大。

在我國區域經濟發展不平衡的背景下，東、中、西部地區在金融市場發育程度、資源配置效率等方面具有明顯差異。按照一般規律，經濟金融發展水平與資源配置效率呈正相關關系，因此經濟發達地區的綠色信貸政策相對更容易實施，并更易傳導到企業層面從而對TFP產生影響。且重污染企業較為集中地分布在我國東、中部地區，這些地區有更好的條件和更強的動力實施相對嚴格的環境政策，因此企業節能減排的內在動力和外在壓力都更強，綠色信貸政策可能起到更大的作用。

三、實證研究設計

（一）變量設定

1. 解釋變量。中國銀監會于2012年頒布《綠色信貸指引》，要求金融機構落實激勵約束措施，拒絕對環境表現不合規的企業或項目進行授信，這對重污染行業企業產生了直接而具體的影響。本文首先將《綠色信貸指引》的實施視為綠色信貸政策的一個“準自然實驗”，將受此政策影響的重污染行業企業作為實驗組，將其他企業作為對照組，構建如下綠色信貸政策變量。

政策虛擬變量（Time）：選擇《綠色信貸指引》在2012年正式頒布作為事件構造準自然實驗，2012年以前Time=0，2012年及以后Time=1。

組別虛擬變量（Treated）：由于《綠色信貸指引》為發放專項貸款提供了詳細的環境監管指標，重污染行業是政策的直接作用對象，故將重污染行業上市公司樣本定義為實驗組（Treated=1），非重污染行業上市公司樣本定義為對照組（Treated=0）。

雙重差分變量（Treated×Time）：組別虛擬變量（Treated）與政策虛擬變量（Time）的交互項，反映了綠色信貸政策。

然后基于理論分析，選取反映上市公司融資約束、投資價值和研發投入的變量研究綠色信貸政策影響企業TFP的機制，構建如下作用機制變量。

融資約束（fc）：現有研究發現綠色信貸政策會導致重污染企業的非流動性負債融資顯著下降[23]，以短期借款、長期借款及一年內到期的非流動負債表示的有息債務水平突出反映了綠色信貸政策對企業融資能力和成本的影響[5，12，14]，因此用短期借款、長期借款和一年內到期的非流動負債占總資產的比值代表融資約束。

投資價值（tq）：用托賓Q值來表示，用企業流通市值、優先股市值及凈債務之和與總資產的比值表示[24]。托賓Q值表示企業市值與重置成本之比，其值大于1時表示增加投資可獲得高于重置成本的市值，企業投資價值提升；其值小于1時表示企業投資價值減少。

研發投入（rd）：用企業研發支出合計占營業收入的比值表示。

2. 被解釋變量。

作為被解釋變量的TFP，其概念最早由Solow提出，是指各種生產要素投入之外的因素導致的產出增加[25]。TFP本質上是一種資源配置效率，綜合反映了勞動生產率、資本生產率和技術發展水平對產出的貢獻，是企業整體經營效率和核心競爭力的反映。為了解決不是所有樣本的投資支出都為正的問題，同時克服內生性的影響，采用LP法測算TFP[26—28]。具體計算方程為：

其中，ln Yi，t、ln Ki，t、ln Li，t、ln Mi，t分別表示總產出、資本投入、勞動投入、中間投入的對數形式。借鑒已有研究的做法[29]，分別以營業收入、員工總數、固定資產凈額、購買商品和接受勞務支付的現金代表總產出Y、勞動投入L、資本投入K和中間投入M。

3. 控制變量。

參考企業TFP影響因素的相關研究，選取能夠反映上市公司償債能力、營運能力、盈利能力、成長能力的財務基本面指標，以及企業規模、股權結構等指標作為控制變量[29，30]。用現金比率（cr）和資產負債率（lev）反映償債能力，用總資產周轉率（taturnover）反映營運能力，用凈資產收益率（roe）反映盈利能力，用凈利潤同比增長率（netprog）反映成長能力，用企業總資產對數值（size）反映企業規模，用第一大股東持股比例（fsr）反映股權結構。所有變量名稱及定義見表1。

（二） 樣本選擇與數據來源

根據生態環境部公布的《上市公司環境信息披露指南》和中國證監會修訂的《上市公司行業分類指引》，選取包含煤炭開采和洗選業、化學原料和化學制品制造業等16個行業（行業代碼B06～B09、C17、C19、C22、C25～C26、C28～C33、D44）的上市公司作為重污染企業構成實驗組。選取綠色環保行業、不含重污染性質的其他制造業，以及除金融業、房地產業、租賃和商務服務業、綜合類的其他服務業等27個行業（行業代碼C21、C24、C41～C42、F51～F52、H61～H62、I63～I65、M73～M75、N76～N78、O79、O81、P82、Q83～Q84、R85～R89）的上市公司企業樣本構成對照組。

綜合考慮政策實施前后樣本數量的平衡性和數據可得性，選取所有在滬深兩市上市的上述行業公司2007—2020年的數據。基于以下標準對樣本公司進行了篩選：①剔除上市時間在2007年及以后的公司；②剔除ST、*ST類型的公司；③剔除資產負債率大于1的公司；④剔除數據可得性較差的公司；⑤對所有連續變量進行上下5%的縮尾處理以降低異常值影響。最終得到包含486家上市公司2007—2020年的6804個觀測值，其中重污染行業上市公司樣本（實驗組）292家共4088個觀測值，非重污染行業上市公司樣本（對照組）194家共2716個觀測值。所有數據均來源于Wind數據庫。

（三）模型設定

1. 基準模型設定。

基于準自然實驗的雙重差分（DID）模型來評估政策影響，主要原理是以外生政策構建準自然實驗，根據政策實施對象將樣本劃分為實驗組（政策對象）和對照組（非政策對象），研究政策實施對反映樣本情況的變量是否有顯著影響[31，32]。基準模型設定如式（2）所示。

其中，Xi，t為控制變量集，δi表示個體固定效應，λt表示時間固定效應，εi，t為隨機擾動項，其余變量如前文定義。回歸系數β1代表實驗組與對照組在TFP變量上的平均差異，β2代表政策實施前后對照組在TFP變量上的平均差異；β3代表綠色信貸政策對實驗組的影響，其值為負說明政策對TFP有負向影響，為正則代表相反的情況。

2. 綠色信貸政策的作用機制。

構建作用機制變量與雙重差分變量的交互項，研究綠色信貸政策分別與企業融資約束、投資價值和研發投入的協同效應，解釋綠色信貸政策如何通過以上三種途徑對TFP產生影響。具體模型設定如下：

其中， fc為企業融資約束，tq為托賓Q值，rd為企業研發支出占營業收入的比重。式（3）～式（5）分別研究綠色信貸政策通過融資約束、投資價值、研發投入渠道對重污染行業上市公司TFP產生的影響。

四、綠色信貸政策對重污染企業TFP的整體影響效果

（一）描述性統計與平行趨勢檢驗

主要變量的描述性統計結果見表2。為避免由于變量間的共線性而導致偽回歸的可能，對自變量測算方差膨脹因子VIF，發現其最大值遠小于10，說明可排除共線性問題的影響。使用雙重差分模型進行實證分析需要滿足平行趨勢假設，即實驗組與對照組在沒有外生政策沖擊的情況下應當相同[33]。對綠色信貸政策實施前后樣本企業TFP的變動趨勢進行檢驗，以《綠色信貸指引》頒布時點2012年為劃分依據，將2012年前后的年份效應設置成虛擬變量，若政策時點之前的變量系數不顯著則滿足平行趨勢假設。檢驗結果如圖1所示，政策實施前（pre_1～pre_3）在95%置信區間內實驗組與對照組TFP的差異均不顯著異于0，而從政策實施后的第三年（post_3）開始二者的差異均顯著小于0，因此滿足平行趨勢假設。

（二）實證結果及分析

使用雙重差分模型式（2）對樣本企業面板數據進行基準回歸，結果見表3列（1）。從結果看，雙重差分變量（Treated×Time）的系數顯著為負，說明《綠色信貸指引》的頒布對重污染行業上市公司TFP的整體影響為負。結合理論分析，說明綠色信貸政策一方面提高了重污染企業的貸款利率并降低了貸款額度上限，另一方面提高了企業的治污投入成本和環境信息披露成本，以上兩種情況都有可能導致企業生產造成的外部不經濟內部化，從而惡化資源配置，降低TFP。從控制變量看，資產負債率（lev）、總資產周轉率 （taturnover）、凈資產收益率（roe）、企業規模（size）、第一大股東持股比例（fsr）都對TFP具有顯著正向影響，說明企業提高財務杠桿、提升資產管理效率、提高盈利水平、擴大規模、改善公司治理有助于TFP提升，這符合預期。凈利潤同比增長率（netprog）的影響顯著為負，可能的解釋是過快的利潤擴張沒有帶來資源配置的同步調整和優化，因此導致TFP下降。

五、影響機制、異質性與穩健性分析

（一）影響機制分析

為研究融資約束、投資價值、研發投入等機制的作用，對式（3）～式（5）進行模型檢驗，結果見表3列（2）～列（4）。結果表明：雙重差分變量與融資約束交互項（Treated×Time×fc）的系數在1%水平上顯著為負，說明《綠色信貸指引》的頒布使重污染企業受到了更強的融資約束，導致TFP降低；雙重差分變量與托賓Q值交互項（Treated×Time×tq）的系數在1%水平上顯著為正，說明綠色信貸政策會推動企業提升投資價值，從而提高TFP；雙重差分變量與研發投入交互項（Treated×Time×rd）的系數不顯著，表示綠色信貸政策沒有通過倒逼公司增加研發投入而對TFP產生顯著的提升作用。比較發現，Treated×Time×fc系數的絕對值明顯大于Treated×Time×tq系數的絕對值，說明融資約束對TFP的降低效應大于投資價值提升帶來的轉型激勵效應，這在很大程度上解釋了綠色信貸政策整體上對TFP影響顯著為負的原因。

（二） 異質性分析

我國國有企業與非國有企業在經營方式、公司治理、市場行為和受政策約束的強度等方面存在明顯差異，加之不同地區之間經濟社會發展不均衡，這些因素可能導致綠色信貸政策對不同類型企業TFP的影響產生不同效果。從所有制形式和所在區域兩個方面分析政策效果的異質性。將中央和地方國有企業歸為國有企業，將民營企業、外資企業、集體企業、公眾企業和其他企業歸為非國有企業。根據樣本企業注冊地，將北京、天津等12個省份劃為東部地區，將山西、內蒙古等9個省份劃為中部地區，將四川、重慶等10個省份劃分為西部地區。利用式（2）進行回歸，以國有企業、非國有企業、東部地區企業、中部地區企業、西部地區企業為樣本的回歸結果分別列入表4列（1）～列（5）。篇幅所限，表4僅匯報反映綠色信貸政策的雙重差分變量的回歸結果，控制變量的結果沒有列出。

結果表明，國有企業樣本的雙重差分變量（Treated×Time）系數在1%水平上顯著為負，而非國有企業樣本在5%水平上顯著為負。這說明國有和非國有重污染企業TFP都受到綠色信貸政策的顯著負面影響，且在國有企業更加顯著。這一方面是由于國有企業在金融資源分配特別是信貸資金獲取方面具有優勢，因此其債務融資份額通常較高，對綠色信貸政策也就反應更加敏感。另一方面，相比于民營企業，國有企業通常需要承擔更多的社會責任，受到的監管也更嚴格和直接，因此綠色信貸政策相對更容易落地。由不同區域Treated×Time項的回歸系數和顯著性可知，綠色信貸政策對于東、中部地區重污染行業上市公司TFP的影響顯著為負，而這種負面影響在西部地區并不顯著。可能的原因是東、中部地區相對于西部地區具有更為發達的金融市場，為綠色信貸政策的實施和傳導創造了更好的環境。同時東、中部地區本身也是重污染行業企業集聚的區域，污染治理和經濟轉型升級的壓力更大，因此包括綠色信貸在內的環境政策實施力度更大。總的來看，國有企業、東部和中部地區企業TFP受綠色信貸政策的沖擊更大。

（三）反事實檢驗

為排除其他政策或隨機性因素等對實證結果的干擾，同時緩解內生性的影響，從而保證結果的穩健性，通過變化政策實施時間進行反事實檢驗。假設《綠色信貸指引》頒布時間提前至2010年（即2010年及之后Time=1，2010年之前Time=0），代入式（2）再次進行回歸，若回歸結果顯示雙重差分變量（Treated×Time）系數仍然顯著，則說明TFP的變化很可能在《綠色信貸指引》頒布之外還摻雜其他政策或隨機因素影響；相反地，若回歸結果顯示雙重差分變量（Treated×Time）系數不再顯著，則說明正是2012年《綠色信貸指引》的頒布造成了被解釋變量TFP的顯著改變。反事實檢驗的結果見表5，當政策虛擬變量數值的劃分由2012年提前到2010年時，列（1）的回歸結果中Treated×Time沒有通過顯著性檢驗；在列（2）～列（4）的回歸結果中，雙重差分變量與融資約束、托賓Q值、研發投入等影響機制交互項的系數均未通過顯著性檢驗，說明其他政策或隨機因素也不影響三種機制的分析結果。總的來看，可以排除其他政策或隨機因素對結果的干擾，前文實證研究的主要回歸結果是穩健的。

染企業的綠色低碳轉型提供更直接和有效的金融支持。如成立重污染企業綠色創新專項基金，對缺乏足夠資金支持的轉型企業和活動給予合理充裕的資金，降低融資成本，激發企業轉型升級的內在動力。此外，綠色信貸產品還應針對不同的企業所有制類型和區域進行差異化設計，實現普惠、均衡發展。政府應對受政策影響較大的國有和東、中部地區重污染企業的研發投入給予更多的政策支持，減緩綠色信貸政策在短期內對部分企業過大的負面沖擊，實現整個宏觀經濟的平穩有序轉型。企業層面也應主動將技術創新和效率提升融入績效目標，充分利用政策支持增加研發投入，通過改善管理優化內部資源配置，向市場傳遞積極信息，將綠色信貸的外在壓力轉化為企業綠色低碳轉型的內在動力。

參考文獻：

［1］王遙，潘東陽，彭俞超，等.基于DSGE模型的綠色信貸激勵政策研究[J].金融研究，2019（11）：1-18.

［2］ 李凱風，陳奇.綠色信貸如何影響工業綠色全要素生產率[J].武漢金融，2020（10）：45-50，88.

［3］ 左振秀，崔麗，朱慶華.中國實施綠色信貸的障礙因素[J].金融論壇，2017，22（9）：48-57.

［4］ 廖筠，胡偉娟，楊丹丹.綠色信貸對銀行經營效率影響的動態分析——基于面板VAR模型[J].財經論叢，2019（2）：57-64.

［5］ 蘇冬蔚，連莉莉.綠色信貸是否影響重污染企業的投融資行為？[J].金融研究，2018（12）：123-137.

［6］ 張晨，董曉君.綠色信貸對銀行績效的動態影響——兼論互聯網金融的調節效應[J].金融經濟學研究，2018，33（6）：56-66.

［7］ 陳建華，胡蓮潔.綠色信貸發展對商業銀行財務績效影響的實證研究[J].財經理論與實踐，2022，43（4）：89-95.

［8］ 陳幸幸，史亞雅，宋獻中.綠色信貸約束、商業信用與企業環境治理[J].國際金融研究，2019（12）：13-22.

［9］ Yang X L， He L Y， Zhong Z Q， et al. How does Chinas green institutional environment affect renewable energy investments？ The nonlinear perspective[J].Science of the Total Environment，2020，727（1）： 138689.

［10］Yao S， Pan Y， Sensoy A， et al. Green credit policy and firm performance： what we learn from China[J]. Energy Economics， 2021， 101（5）： 105415.

［11］王艷麗，類曉東，龍如銀.綠色信貸政策提高了企業的投資效率嗎？——基于重污染企業金融資源配置的視角[J].中國人口·資源與環境，2021，31（1）：123-133.

［12］楊柳勇，張澤野.綠色信貸政策對企業綠色創新的影響[J].科學學研究，2022，40（2）：345-356.

［13］于波.綠色信貸政策如何影響重污染企業技術創新？[J].經濟管理，2021，43（11）：35-51.

［14］田超，肖黎明.綠色信貸會促進重污染企業技術創新嗎？——基于《綠色信貸指引》的準自然實驗[J].中國環境管理，2021，13（6）：90-97.

［15］Hassan A， Ibrahim E. Corporate environmental information disclosure： factors influencing companies success in attaining environmental awards[J].Corporate Social Responsibility and Environmental Management，2012，19（1）：32-46.

［16］盛丹，張國鋒.兩控區環境管制與企業全要素生產率增長[J].管理世界，2019，35（2）：24-42，198.

［17］王文寅，劉佳.環境規制與全要素生產率之間的門檻效應分析——基于HDI分區和ACF法[J].經濟問題，2021（2）：53-60.

［18］Levine R. Stock markets， growth， and tax policy[J].The Journal of Finance，1991，46（4）：1445-1465.

［19］趙春明，文磊，趙夢初.融資約束對企業全要素生產率的影響——基于工業企業數據的研究[J].經濟經緯，2015，32（3）：66-72.

［20］陸菁，鄢云，王韜璇.綠色信貸政策的微觀效應研究——基于技術創新與資源再配置的視角[J].中國工業經濟，2021（1）：174-192.

［21］李戎，劉璐茜.綠色金融與企業綠色創新[J].武漢大學學報（哲學社會科學版），2021，74（6）：126-140.

［22］王勇，李雅楠，俞海.環境規制影響加總生產率的機制和效應分析[J].世界經濟，2019，42（2）：97-121.

［23］薛儉，朱迪.綠色信貸政策能否改善上市公司的負債融資[J].經濟經緯，2021，38（1）：152-160.

［24］Chung K H， Pruitt S W. A simple approximation of Tobins Q[J].Financial Management，1994，23（3）：70-74.

［25］Solow R M. A contribution to the theory of economic growth[J].The Quarterly Journal of Economics，1956，70（1）：65-94.

［26］Fare R， Grosskopf S， Norris M，et al. Productivity growth， technical progress， and efficiency change in industrialized countries[J].American Economic Review，1994，84（1）：66-83.

［27］Levinsohn J， Petrin A. Estimating production functions using inputs to control for unobservables[J].The Review of Economic Studies，2003，70（2）：317-341.

［28］魯曉東，連玉君.中國工業企業全要素生產率估計：1999-2007[J].經濟學（季刊），2012，11（2）：541-558.

［29］任勝鋼，鄭晶晶，劉東華，等.排污權交易機制是否提高了企業全要素生產率——來自中國上市公司的數據[J].中國工業經濟，2019（5）：5-23.

［30］孫曉華，王昀.企業規模對生產率及其差異的影響——來自工業企業微觀數據的實證研究[J].中國工業經濟，2014（5）：57-69.

［31］成瓊文，李趙研.綠色信貸、企業債務期限結構與投融資期限錯配[J].新金融，2021（12）：38-45.

［32］劉強，王偉楠，陳恒宇.《綠色信貸指引》實施對重污染企業創新績效的影響研究[J].科研管理，2020，41（11）：100-112.

［33］錢雪松，康瑾，唐英倫，等.產業政策、資本配置效率與企業全要素生產率——基于中國2009年十大產業振興規劃自然實驗的經驗研究[J].中國工業經濟，2018（8）：42-59.

責任編輯：（厲 亞）

Financing Constraint or Transformation Incentive？

—Effects of Green Credit on TFP of Heavily Polluting Enterprises in China

GU Xuesong1， AN Xiaoran2， HOU Yuke1

（1. School of Economics and Management， Beijing Forestry University， Beijing 100083， China;

2.China Securities Index Co.， Ltd.， Shanghai 200135， China）

Abstract：The quasi-natural experiment is constructed based on the DID model， and the samples of listed companies in Chinas Shanghai and Shenzhen stock markets from 2007 to 2020 are used to study the effect and mechanism of green credit policy on the total factor productivity （TFP） of heavily polluting enterprises. The results show that green credit has a significantly negative impact on the TFP of heavily polluting enterprises in China， for the reason that the financing constraints formed by green credit inhibit the promotion of TFP， and this inhibition effect is greater than the promotion effect of investment value and R&D investment on TFP. In view of this， China should further improve the green credit policy， especially strengthen the financing support for the transformation and upgrading activities of heavily polluting enterprises， and better improve the TFP of enterprises through the combination of constraints and incentives.

Key words：green credit; total factor productivity; heavily polluting enterprises; quasi-natural experiment