綠色信貸政策提升重污染企業綠色全要素生產率了嗎？

楊琴 楊世峰

摘?要：本文以銀監會2012年發布的《綠色信貸指引》為基礎，運用SBM方向距離函數和GML指數評估了2010—2019年我國上市公司的綠色全要素生產率，并通過雙重差分法（DID）探究了綠色信貸政策對我國上市公司重度污染企業綠色全要素生產率的影響。結果表明，綠色信貸政策對提高重污染企業的綠色效率有積極作用，但同時對重污染企業的綠色技術進步率產生顯著負面影響，最終導致了重污染企業的綠色全要素生產率顯著下降。進一步對企業股權性質和地區經濟發展水平進行分組研究后發現，非國有企業和位于東部地區的企業受到綠色信貸政策影響的程度更大。

關鍵詞：綠色信貸政策；綠色全要素生產率；雙重差分法；綠色金融

一、?引言

近年來，全球范圍內的環境污染日益嚴重，成為制約可持續發展的重要因素。尤其在我國，長期大規模工業化和城市化進程中未能有效控制污染物排放，導致許多地區空氣、水、土壤等環境污染嚴重，不僅影響人民生活，也給經濟發展帶來負面影響。為了應對環境問題，政府采取了一系列政策措施，其中綠色信貸政策作為一種環境金融工具被廣泛關注和采用。綠色信貸政策是指通過鼓勵和引導金融機構向符合環保標準的企業提供低利率、優惠抵押等金融服務，以促進綠色經濟發展和環境治理。因此，深入研究綠色信貸政策對于企業的綠色全要素生產率的影響，對于加強環境治理、促進綠色經濟發展、實現可持續發展具有重要的理論和實踐意義。此外，研究結果可以為政府部門提供決策參考，優化綠色金融政策，加強金融機構對環保企業的支持，推動可持續發展。

目前大部分研究集中在探討綠色信貸政策的實施途徑、綠色信貸政策實施效應以及綠色信貸政策的實施對企業投融資行為、企業綠色創新以及企業資源配置等的影響。綠色全要素生產率的提升是促進經濟綠色發展的重要途徑，卻鮮有文獻研究綠色信貸政策對企業綠色全要素生產率的影響。鑒于此，本文以《綠色信貸指引》政策的頒布作為一個準自然實驗，以2010—2019年我國上市公司的數據為樣本，運用雙重差分方法，旨在探究綠色信貸政策對重污染企業綠色全要素生產率的影響，并為進一步優化綠色金融改革路徑提供理論依據和實證數據支持。

二、文獻綜述

（一）綠色全要素生產率的測算和影響因素

第一，綠色全要素生產率的測算。測算綠色全要素生產率可以采用多種方法，包括代數指數法、索羅余值法、隨機前沿生產函數法（SFA）和數據包絡分析法（DEA）。目前，眾多學者運用數據包絡分析法測算綠色全要素生產率，Banker等（1984）最先提出了數據包絡分析法，結合DEA和Malmquist指數，可以將綠色全要素生產率分解為綠色效率和綠色技術進步率。因此，可以從綠色效率和綠色技術進步率這兩個方面來解釋企業綠色全要素生產率的提高途徑。陳超凡（2016）利用方向性距離函數和ML生產率指數的方法測算工業綠色全要素生產率，方法是基于假設基期的綠色全要素生產率為1，然后通過計算每一年的Malmquist指數，將其乘以基期的綠色全要素生產率的值，以此推導出每一期的綠色全要素生產率。蔡烏趕和周小亮（2017）、劉和旺和左文婷（2016）分別運用EBM-DDF模型、SBM（Slacked-Based?Measure）方向距離函數結合ML指數，計算并分析了中國省級綠色全要素生產率。馮嚴超等（2021）采用SBM模型結合ML指數的方法，對中國各省（自治區、直轄市）的綠色全要素生產率進行了測量和分析。孫冬營等（2021）則利用非期望產出的SBM模型，測量了長三角城市群中26個工業企業在2009—2018年的綠色全要素生產率。劉傳江等（2022）使用SBM-GML指數模型，對中國39個工業行業在2003—2018年的綠色全要素生產率進行了測算，并將其分解為綠色技術進步率和綠色效率兩個指標。第二，綠色全要素生產率的影響因素。佘碩等（2020）通過對中國地級市的綠色全要素生產率進行探究，發現該指標受到技術創新和產業結構的影響。萬倫來和朱琴（2013）基于我國工業1999—2010年的數據研究發現，研發投入顯著提升了企業的綠色全要素生產率。陳超凡（2016）研究發現技術水平、產權結構、環境規制和外商投資會顯著影響工業綠色全要素生產率。尹子擘等（2021）的研究表明，綠色金融的發展水平對綠色全要素生產率有顯著影響。周曉輝等（2021）、程文先和錢學鋒（2021）的研究表明，數字經濟的發展可以提高綠色全要素生產率。蘇科和周超（2021）的研究則使用長江經濟帶103個城市的面板數據，發現人力資本和科技創新對綠色全要素生產率有顯著的正向影響。

中國證券期貨2023年8月

第4期綠色信貸政策提升重污染企業綠色全要素生產率了嗎？

（二）綠色信貸政策實施效應

研究綠色信貸政策實施效果的角度有兩個。第一個方面是從銀行角度出發，King和Levine（1993）以及Cilliers等（2012）的研究表明，實施綠色信貸政策不僅能夠促進商業銀行的競爭力和綠色可持續發展，而且還能提高商業銀行的經營績效。通過設置綠色信貸門檻，有效降低了商業銀行的貸款風險。也有學者表示綠色信貸政策的實施會抑制商業銀行的發展，增加商業銀行的業務成本和管理費用，進而降低商業銀行的經營績效，從而抑制銀行發展（胡榮才等，2016）。第二個方面是從企業角度出發，有一些學者認為綠色信貸政策的實施可以促進重污染企業的發展。例如，Cowan（1998）認為，通過完善金融資源，綠色信貸政策能夠降低環保型企業的融資成本，從而促進企業技術創新，改善生態環境。然而，大多數學者認為綠色信貸政策的實施會抑制重污染企業的發展，如劉海英（2017）、王康仕等（2019）和王保輝（2019）研究表明，綠色信貸政策加大了污染性企業借款的難度，綠色信貸政策的實施會對高污染、高耗能企業的融資造成限制，使得這些企業籌集資金更加困難和昂貴。丁杰（2019）的研究表明，這種限制會降低重污染企業的資金分配效率，從而阻礙其技術創新的提升。蘇冬蔚和連莉莉（2018）、陳幸幸等（2019）以及陳琪（2019）使用DID模型進行實證檢驗，發現綠色信貸政策的實施對重污染企業造成了一定程度的信貸約束，并影響企業投資決策和商業信用，進一步惡化了高耗能、高污染企業的經營狀況。

目前，大多數研究集中在探討綠色信貸政策的實施方法、效果以及對企業投融資行為、綠色創新和資源配置的影響等方面。但是，提高綠色全要素生產率是促進經濟綠色發展的重要途徑，卻鮮有文獻研究綠色信貸政策對企業綠色全要素生產率的影響。因此，本文旨在探究綠色信貸政策對重污染企業的綠色全要素生產率產生的影響。為了實現這一目標，我們將以《綠色信貸指引》政策的頒布為準自然實驗，采用2010—2019年我國上市公司數據進行雙重差分分析。研究的目的是為綠色金融改革路徑的優化提供理論依據和數據支持。

三、理論分析與研究假設

（一）綠色信貸政策與重污染企業綠色全要素生產率

綠色全要素生產率（GTFP）可以分解為綠色技術進步率（GTC）和綠色效率（GEC）。綠色信貸政策通過影響綠色技術進步率和綠色效率進而影響綠色全要素生產率。

1綠色信貸政策對重污染企業綠色技術進步率的影響

第一，綠色信貸政策通過信貸約束效應降低重污染企業的綠色技術進步率，根據蘇冬蔚和連莉莉（2018）、丁杰（2019）以及張小可和葛晶（2021）的研究，綠色信貸政策的實施對重污染企業獲得信貸融資的難度造成了影響，主要是由于該政策改變了信貸來源。丁杰和胡蓉（2020）的研究進一步發現，該政策限制了重污染企業的信貸融資能力，尤其對長期信貸融資的抑制效果更為明顯。第二，綠色信貸政策通過成本效應降低了重污染企業的綠色技術進步率，綠色信貸政策要求銀行在給重污染企業進行綠色信貸時將企業的環境保護情況作為準入門檻，因此，為了能夠獲得綠色信貸，企業將會投入更多的資源用于減少污染物的排放，減少企業用于創新研發的資金（陸菁等，2021）；同樣，蔡海靜和周施（2022）也發現在綠色信貸政策下，商業銀行將企業環保狀況作為審批貸款的必備條件之一，通過高貸款成本和高貸款門檻等條件抑制信貸資源向“兩高”企業流動，從而形成融資約束，阻礙其發展。第三，綠色信貸政策通過信息傳遞效應降低重污染企業的綠色技術進步率，根據于波（2021）的研究，綠色信貸政策具有信息傳遞效應，銀行在做出決策時會綜合考慮企業的環境風險和持續經營風險，從而減少了對重污染企業的商業信用供應。這導致了這些企業在綠色技術創新方面的進步率降低。基于上述分析，本文提出研究假設1。

假設1：綠色信貸政策的實施會降低重污染企業的綠色技術進步率。

2綠色信貸政策對重污染企業綠色效率的影響

綠色信貸政策通過市場選擇效應、市場份額效應和企業金融資源配置效應的作用，對企業資源配置效率產生影響，從而影響綠色效率。第一，綠色信貸政策通過市場選擇效應提高重污染企業的綠色效率，宋馬林和金培振（2016）認為由環境污染的負外部性造成的排污、治污的成本由整個社會承擔，這樣企業變相降低了生產成本。生產率越低的企業承擔的社會責任越少，越可能以較低成本獲得更多的市場生存機會。第二，綠色信貸政策通過市場份額效應提高了重污染企業的綠色效率，張小可和葛晶（2021）提出，綠色信貸政策是一種重要的實施主體，其作用主要有兩種方式：首先，該政策緩解了那些盡管盈利高但受信貸歧視的企業的信貸約束，讓它們獲得更多信貸支持；其次，銀行在履行債權人監督職責的同時，對企業的資源使用和運營情況進行更嚴格的監督，從而促進高生產率企業擴大市場份額，提高資源配置效率。總體而言，綠色信貸政策發揮著至關重要的作用。第三，綠色信貸政策通過企業金融資源的配置效應提高重污染企業的綠色效率，王艷麗等（2021）基于企業金融資源配置視角，發現綠色信貸政策有助于提高重污染企業的投資效率，進而提高重污染企業的綠色效率。基于上述分析，本文提出研究假設2。

假設2：綠色信貸政策會提高重污染企業的綠色效率。

3綠色信貸政策對重污染企業綠色全要素生產率的影響

綠色信貸政策對重污染企業的綠色全要素生產率產生了相反的影響：一方面，該政策通過信貸約束效應、成本效應和信息傳遞效應降低了這些企業的綠色技術進步率；另一方面，綠色信貸政策通過市場選擇效應、市場份額效應和企業金融資源配置效應提高了重污染企業的綠色效率。基于上述分析，本文提出以下兩個不同的研究假設3。

假設3a：假設綠色信貸政策對綠色技術進步率的負面影響超過對綠色效率的正面影響，則該政策將對重污染企業的綠色全要素生產率產生正面影響。

假設3b：假設綠色信貸政策對綠色技術進步率的負面影響低于對綠色效率的正面影響，則該政策將對重污染企業的綠色全要素生產率產生正面影響。

（二）不同所有權性質下的理論分析和研究假設

我國國有企業與非國有企業在多個方面存在明顯的差異。因此在分析我國企業問題時必須考慮企業所有權性質，具體到信貸市場上，國有企業往往比非國有企業更具“貸款優勢”。一方面，國有企業通常享有政府補貼、政策性融資等政策的支持（李廣子等，2009），因此國有企業在向商業銀行等金融機構獲取信貸資金時，往往享有更低的貸款利率，而與之相比，非國有企業往往自身企業規模較小，還款能力較弱，同時缺乏政策的支持，所以在向金融機構貸款時會受到一定程度的限制。另一方面，我國當前大多數商業銀行都屬于國有企業，在對企業進行貸款審核時，往往會存在所謂的“所有制歧視”，即當兩家企業其他情況都相同，而其中一家為國有企業，另一家為非國有企業時，商業銀行往往更偏好于將貸款發放給國有企業（張杰等，2013），這進一步提高了非國有企業的貸款和成本。綠色信貸政策實施后，將進一步惡化重污染企業的信貸環境。基于上述分析，本文提出研究假設4。

假設?4：與國有重污染企業相比，綠色信貸政策對非國有重污染企業的影響更明顯。

（三）不同地區發展水平下的理論分析和研究假設

自改革開放以來，我國經濟實現了高速增長，并取得了眾多引人注目的成就。但與此同時，東部、中部和西部地區間的經濟差距快速擴大，區域經濟發展模式的極度不平衡越來越成為束縛我國經濟高質量發展的重要癥結。由于區域經濟發展的不平衡，東部、中部和西部地區在市場環境、法治環境以及資源配置等方面存在著顯著差異。通常情況下，經濟發展水平較高的地區在資源配置效率方面表現更出色，因此綠色信貸政策的實施也更加容易推廣。一方面，東部地區作為我國經濟發展的重要支撐，整體的發展水平和資本優勢明顯優于中西部地區，金融政策體系較為完善，因此綠色信貸政策的實施工作在東部地區將更容易開展；另一方面，由于中西部地區開發時間較晚，以及其地理位置和環境資源等原因，我國更多的化工企業選擇在東部地區落戶發展，這就造成了東部地區重污染企業數目多、污染物排放量大的問題。基于以上分析，本文提出研究假設5。

假設5：2012?年《綠色信貸指引》頒布后，相較于中西部地區，東部地區重污染企業受到的影響更明顯。

四、實證研究設計

（一）數據來源與樣本選擇

本文以我國2010年至2019年上市公司為研究對象，探究基于《綠色信貸指引》的綠色信貸政策對重污染企業綠色全要素生產率的影響。在數據篩選方面，根據國家環境保護部于2010年發布的《上市公司環境信息披露指南》和中國證券監督管理委員會于2012年修訂的《上市公司行業分類指引》，將16個行業中的煤炭開采和洗選業、石油和天然氣開采業等定義為重污染企業，其余為非重污染企業。同時，剔除了2010—2019年的ST、*ST公司和在2010年后上市的公司，并移除固定資產凈額、員工數目、購買商品及接受勞務支付的現金、碳排放量和營業收入數據缺失的公司，以確保數據的有效性。最終，共有1380個觀測值，其中710個為重污染企業觀測值，670個為非重污染企業觀測值。本文所采用的企業數據主要來源于國泰安數據庫（CSMAR）和萬得數據庫（WIND）。

（二）計量模型構建

為探究綠色信貸政策對重污染企業綠色全要素生產率的影響，本文借鑒蘇冬蔚和連莉莉（2018）的研究，采用雙重差分DID模型進行估計。通過雙重差分模型，本文旨在分析綠色信貸政策的實施對重污染企業綠色全要素生產率的影響效果。該模型可有效地避免內生性問題，并通過將樣本分為實驗組和對照組，研究實施和不實施政策情況下變量的變化，來評估政策實施的效果。雙重差分模型最重要的適用條件是如果沒有外生政策的沖擊，實驗組和對照組的研究變量變化應該是相同的，即滿足共同趨勢假設。在沒有實施綠色信貸時，所有企業都只能通過傳統信貸模式獲取貸款，而實施綠色信貸政策后，金融機構會將企業生產的環境狀況納入貸款審核的重要標準。與非重污染企業相比，重污染企業由于其高消耗、高污染、高排放的生產模式，勢必會受到更加嚴厲的貸款限制。故本文將重污染企業定義為實驗組，非重污染企業定義為對照組，以2012年《綠色信貸指引》政策為準自然實驗，構建雙重差分模型，分析綠色信貸政策對重污染企業綠色全要素生產率的影響。具體模型設定如下：

這個方程式包含了多個變量，其中，i代表企業，t代表年份，Yit代表i企業第t年的GTFP、GTC、GEC；Treatedi為組別虛擬變量，用于區分實驗組企業和對照組企業，如果是實驗組企業，則取值為1，否則為0；Timet為政策虛擬變量，用于區分2012年以前和2012年及以后的數據。如果是2012年及以后的數據，則取值為1，否則為0；Treatedi*Timet為雙重差分變量；Xit包括多個企業層面的控制變量；δi為個體固定效應；λt為時間固定效應；εit為隨機擾動項。

（三）變量選取

1被解釋變量

本文的被解釋變量是綠色全要素生產率、綠色技術進步率和綠色效率。本文參考劉傳江等（2022）的做法，利用SBM方向距離函數和GML指數模型測算企業的綠色全要素生產率。以2010年為基期，利用后一年的GML指數乘以前一年的GML，以此類推得到2010—2019年企業的綠色全要素生產率，并將GML指數進一步分解為GTC和GEC。這里所提到的指標包括投入指標、期望產出和非期望產出三個方面。其中，投入指標由勞動力投入、資本投入和中間投入三個二級指標組成，分別測量企業年末在職職工人數、固定資產凈額和購買商品、接受勞務支付的現金。期望產出是指企業的營業收入，非期望產出則是用排污費來測量。

2解釋變量

政策虛擬變量（Time）：本文選擇2012年銀監會頒布的《綠色信貸指引》作為切入點，構建雙重差分模型。政策虛擬變量在2010—2011年取值為0，2012—2019年取值為1。

組別虛擬變量（Treated）：由于綠色信貸政策的實施，金融機構將更加關注貸款企業及其關聯方對環境和社會造成的潛在影響，這可能會對重污染企業的融資和經營發展產生顯著影響，而對其他非重污染企業的影響相對較小。鑒于此，本文采用蘇冬蔚和連莉莉（2018）、丁杰（2019）的研究方法，將重污染企業定義為實驗組（Treated=1），非重污染企業定義為對照組（Treated=0）。

雙重差分變量DID（Treated*Time）：該變量為本文的核心解釋變量，是政策虛擬變量與實驗組虛擬變量的交互項，用來衡量綠色信貸政策對企業綠色全要素生產率的影響。

3控制變量

借鑒以往文獻，本文控制變量包括資產總利潤率、托賓Q值、營運資金比率、資本密集度、投入資本回報率、企業規模、股權集中度、企業成長能力。各變量的定義如表1所示。

五、實證結果分析

（一）變量的描述性統計

表2為本文主要變量的描述性統計結果。如表2所示，企業綠色全要素生產率的標準差為0601，最小值和最大值分別為?0108和1418，均值為?1122；企業綠色技術進步率的標準差為0506，最小值和最大值分別為0119和6985，均值為1083；企業綠色效率的標準差為0506，最小值和最大值分別為0222和4497，均值為1142。上述分析說明了在樣本期內，企業間綠色效率差異較大，這可能與不同的行業特征有關。

除資產總利潤率、營運資金比率、投入資本回報率等幾個變量，大多變量的標準差均小于均值，表明離散系數相對較小，數據穩定性較好。

（二）平行趨勢的經驗觀察

本文的研究對象包括處理組和對照組兩部分，旨在比較政策前后處理組和對照組的綠色全要素生產率的整體變化趨勢。如圖1所示，可以發現在綠色信貸政策出臺之前（2012年前），重污染企業的GTFP顯著高于非重污染企業的GTFP。因此可以說，在政策出臺之前重污染企業具有更高的GTFP。而在2012年《綠色信貸指引》頒布后，實驗組的綠色全要素生產率逐漸下降，對照組綠色全要素生產率卻保持增長趨勢，并在2013年超過實驗組。二者之間的對比差異在一定程度上反映出?2012年《綠色信貸指引》政策在短期內對實驗組企業綠色全要素生產率造成了負向影響。

圖1?平行趨勢檢驗

（三）基準回歸結果

表3為基準回歸結果，列（1）以綠色技術進步率GTC為被解釋變量，DID系數為-0352且在1%水平上顯著，說明了綠色信貸政策的實施會降低重污染企業的綠色技術進步率，即假設1得到驗證。列（2）以綠色效率GEC為被解釋變量，DID系數為?0177，且在1%水平上顯著，說明綠色信貸政策的實施提升了重污染企業的GEC，即假設2得到驗證。列（3）以綠色全要素生產率GTFP為被解釋變量，DID系數為-0155且在1%水平上顯著。此檢驗結果支持假設3a，表明在綠色信貸政策實施以后，重污染企業GTFP?明顯下降，這說明綠色信貸政策抑制了重污染企業的綠色發展。

（四）穩健性檢驗

1更換測算模型

為準確刻畫重污染企業的綠色全要素生產率，本文參考陳琦（2021）的研究更換測算模型，將SBM-GML指數模型更換為CCR模型，重新測算重污染企業的綠色全要素生產率。表4為更換測算模型后綠色信貸政策對重污染企業綠色全要素生產率的影響結果。

根據表4結果可知，在更換測算模型后GTC的DID系數為-0257且在1%水平上顯著，說明綠色信貸政策的實施會降低重污染企業的綠色技術進步率?；GEC的DID系數為?0075，且在5%水平上顯著，說明綠色信貸政策的實施會提高重污染企業的綠色效率；GTFP的DID系數為-0088且在10%水平上顯著，說明綠色信貸政策的實施會降低重污染企業的綠色全要素生產率。以上結果與基準回歸結果一致，故認為基準回歸結果基本可靠。

2更換計量模型

鑒于政策實施的對象是非隨機的，同時也為降低雙重差分模型存在的偏差和樣本選擇偏差，故本文進一步選擇PSM-DID模型進行穩健性檢驗。借鑒劉曄等（2016）的研究，本文根據托賓Q值、營運資金比率、投入資本回報率、股權集中度、固定資產比率、資產負債率等識別企業特征匹配估計量，使用?Logit模型回歸估計傾向得分，進行?DID?回歸。相關回歸結果如表5所示。

表5展示了進行傾向性匹配后的數據平衡性檢驗結果。通過進行傾向性匹配得分，我們成功地達到了樣本平衡，因此所有變量的t統計量顯著降低。這表明傾向性匹配是一種有效的方法，可以用來提高研究的可信度和可靠性。因此，我們可以得出結論，傾向性匹配是合理和可靠的方法。

根據表6雙重差分回歸結果，經過傾向匹配得分的樣本，綠色信貸政策的實施對重污染企業的綠色技術進步率產生了顯著的負面影響。具體來說，綠色信貸政策的DID系數為-0361，顯著水平為1%。這表明，該政策的實施降低了重污染企業的綠色技術進步率；GEC的DID系數為0190且在1%水平上顯著，說明綠色信貸政策的實施會提高重污染企業的綠色效率；GTFP的DID系數為-0118且在10%水平上顯著，說明綠色信貸政策的實施會降低重污染企業的綠色全要素生產率。以上結果與基準回歸結果一致，故認為基準回歸結果基本可靠。

3安慰劑檢驗

為了降低遺漏變量的影響，本文在基準回歸中考慮了企業規模、成長能力、股權集中度等多個可能影響企業綠色全要素生產率的因素。然而，即使這些因素被考慮在內，仍然可能存在一些不可觀測的因素對估計結果產生影響。為了解決這個問題，本文借鑒了Chetty等（2009）和La?Ferrara?E等（2012）的研究，進行了安慰劑檢驗。這種方法可以進一步驗證研究結果的可靠性，確保研究結論的準確性。安慰劑檢驗的基本思路是使用一個不可能對結果產生影響的虛假變量替代交互項，并隨機分配處理組和控制組。為此，我們會隨機指定一個綠色信貸政策發生的時間，并在樣本企業中隨機選取一組作為處理組。然后重新估計模型，并計算錯誤的估計系數。如果這個估計系數不顯著，就說明即使存在不可觀測的因素，基準估計結果仍然是可靠的。具體來說，我們會在2010—2019年的所有年份中隨機產生一個綠色信貸政策發生的時間，以此產生一個錯誤的估計系數β＾random，再將這個過程重復500次，產生?500個?β＾random，這種方法可以有效地減輕遺漏變量的影響，同時進一步驗證研究結果的準確性。結果如圖2所示，經過安慰劑檢驗后，我們發現估計系數β＾random都集中在0附近并服從正態分布。這表明非觀測因素幾乎不會對估計結果產生重要影響，從而進一步驗證了基準回歸結果的穩健性。因此，我們可以得出結論，研究結果是可靠和有效的。

圖2?安慰劑檢驗

（五）異質性檢驗

根據前文分析，企業之間所有權性質不同、所在地區不同等可能對綠色信貸影響重污染企業全要素生產率產生不同效果。所以本文在全樣本進行基準回歸之后，再次分別就企業所有權性質、所處地區進行了異質性分析，以此來探究綠色信貸政策對不同性質的重污染企業綠色全要素生產率產生的影響。

1按所有權性質分組回歸

在我國，國有企業與非國有企業在經營環境上存在較大差異。具體到信貸市場上，國有企業比非國有企業更具融資優勢，綠色信貸政策的實施可能進一步擴大國有企業和非國有企業在融資方面的差異，因此本文將樣本分為國有企業與非國有企業分別帶入基準模型進行回歸。結果如表7所示。

根據表7所示，我們可以看到國有企業雙重差分交互項DID的系數為-0132，且在10%的置信水平下顯著；而非國有企業雙重差分交互項DID的系數為-0239，且在5%的置信水平下顯著。這意味著綠色信貸政策的實施會抑制國有企業和非國有企業的綠色全要素生產率，但對于非國有企業來說，綠色信貸政策的抑制效果更加明顯。因此，我們可以得出結論，綠色信貸政策對企業的綠色全要素生產率產生了負面影響，并且非國有企業受到的影響更大，即假設4得到驗證。本文推測，造成此現象的原因可能有兩點：第一，國有企業相較于非國有企業，除了綠色信貸外，還享有更多的貸款政策和資源優惠，綠色信貸政策的實施對其融資并不會造成太大影響，而非國有企業貸款條件嚴苛，并且常常自力更生，自負盈虧；第二，國有企業與非國有企業外部制度環境不同，具體來說，國有企業外部制度環境優于非國有企業，在綠色信貸政策實施的過程中，國有企業更容易受到當地政府部門的關注（舒利敏?等，2022）。因此綠色信貸政策對非國有企業造成的負向影響更為明顯。

2按地區分組回歸

考慮到各地區經濟狀況與稟賦優勢的差別，因此檢驗綠色信貸政策對不同地區重污染企業綠色全要素生產率的差異性影響。考慮到樣本量的均衡，本部分的檢驗依照國家統計局制定的區域劃分方式，將我國的31個省（自治區、直轄市）劃分為東、中、西三大區域。根據樣本企業的注冊地址，將它們歸為東部、中部和西部三個區域，并將它們分別用于基準模型的回歸分析。結果如表8所示。

由表8可知，東部地區雙重差分交互項DID的系數為-0174，且在10%水平上顯著，表明綠色信貸政策對東部地區重污染企業綠色全要素生產率有顯著的負向影響；中部地區雙重差分交互項DID的系數為-0073，西部地區雙重差分交互項DID的系數為-0144，雖然中部地區和西部地區的雙重差分交互項系數為負，但未通過顯著性檢驗，由此判斷，地區經濟發達程度不同，綠色信貸政策對重污染企業綠色全要素生產率的影響也存在差異，符合前文提出的假設?5。本文推測這可能是因為經濟發展較快的東部地區，重污染企業數目較多（本文樣本企業中東部地區共計69家企業，其中重污染企業35家；中部地區共計44家企業，其中重污染企業25家；西部地區共計25家企業，其中重污染企業11家），從而導致綠色信貸政策對東部地區企業綠色全要素生產率影響的實證效果更為明顯；同時東部地區由于經濟快速發展造成的污染物排放也多，當地政府協調經濟增長和環境治理的任務更重。因此當綠色信貸政策實施后，東部地區迫于經濟發展轉型的壓力，可能會加大綠色信貸的實施力度，以加快推動當地重污染企業治污減排，保護環境，致使綠色信貸政策對東部地區企業綠色全要素生產率的負向影響強于中西部地區（惠獻波，2022）。

六、結論與政策建議

（一）結論

本研究使用2012年原銀監會頒布的《綠色信貸指引》政策作為準自然實驗，以138家上市公司2010—2019年的面板數據為基礎，運用雙重差分法對中國重污染企業的綠色全要素生產率與綠色信貸政策之間的關系進行研究。這一方法旨在消除其他可能干擾研究結論的因素，以更加準確地評估該政策對企業綠色全要素生產率的影響。基于上述分析得出以下結論。

第一，本文的研究結論表明，綠色信貸政策提高了重污染企業的綠色效率，但顯著降低了重污染企業的綠色技術進步率，綠色信貸政策對綠色技術進步率的負效應大于對綠色效率的正效應，因此綠色信貸政策在一定程度上會抑制重污染企業綠色全要素生產率的發展。但就政策實施長期來看，本文認為隨著綠色信貸政策的不斷完善，綠色信貸服務范圍的不斷擴大，企業在進行技術水平改造、提升綠色發展水平后可以獲得更多的信貸支持，讓企業越來越重視綠色發展，進而會提升企業綠色全要素生產率。

第二，綠色信貸政策實施效果因企業所有權性質差異而不同。具體來看，綠色信貸對非國有重污染企業綠色全要素生產率的抑制作用強于國有重污染企業。本文推測，造成此現象的原因可能是國有企業相較于非國有企業，除了綠色信貸外，還享有更多的貸款政策和資源優惠，綠色信貸政策的實施對其融資并不會造成太大影響，而非國有企業貸款條件嚴苛，并且常常自力更生，自負盈虧等。

第三，綠色信貸政策實施效果因地區經濟發展水平差異而不同。具體來看，綠色信貸政策對東部地區重污染企業的綠色全要素生產率抑制作用最為顯著。雖然對中西部地區也有一定的負面影響，但并不顯著。據此，我們猜測這可能是因為東部地區的經濟增長速度較快，重污染企業數量相對較多，同時由于快速發展導致的污染物排放也更多，因此當地政府在協調經濟增長和環境治理方面承擔了更重的任務。綜上，本研究認為在綠色信貸政策實施后，東部地區的重污染企業可能面臨更大的環保壓力和治理要求，因此可能會更積極地申請綠色信貸以加快治污減排，保護環境。這或許是造成東部地區企業綠色全要素生產率受到更強負面影響的原因。相比之下，中西部地區的重污染企業數量較少，環保治理壓力相對較小，因此綠色信貸政策對企業綠色全要素生產率的影響不明顯。

（二）政策建議

基于本文研究結論，現提出以下兩點建議。

第一，強化綠色信貸政策的約束力。前文結論表明，綠色信貸政策會抑制重污染企業綠色全要素生產率的提升，考慮到當前的綠色信貸政策下，重污染企業可能只是通過“綠色”貸款獲得更低的利率，但并沒有真正采取行動來改善其環保生產方式。因此，政府可以加強監管力度，要求重污染企業在獲得綠色貸款的同時，必須遵守一系列環境標準和限制條件。

第二，制定更具針對性的綠色信貸政策。當前的綠色信貸政策過于籠統，考慮到我國地區經濟發展水平的不平衡以及企業個體的差異性，本文得出我國東部地區的重污染企業以及非國有重污染企業的綠色全要素生產率更易受到綠色信貸政策的抑制。因此，政府可以制定更具針對性的綠色信貸政策，為不同地區、不同性質的企業提供更精準的環保支持和激勵措施，以此推動企業實施綠色生產，提高企業的綠色全要素生產率。

參考文獻

［1］陳超凡中國工業綠色全要素生產率及其影響因素——基于ML生產率指數及動態面板模型的實證研究［J］統計研究，2016，33（3）：53-62

［2］蔡烏趕，周小亮中國環境規制對綠色全要素生產率的雙重效應［J］經濟學家，2017（9）：27-35

［3］馮嚴超，王曉紅，胡士磊FDI、OFDI與中國綠色全要素生產率——基于空間計量模型的分析［J］中國管理科學，2021，29（12）：81-91

［4］孫冬營，吳星妍，顧嘉榕，等長三角城市群工業企業綠色全要素生產率測算及其影響因素［J］中國科技論壇，2021（12）：91-100

［5］劉傳江，張劭輝，李雪綠色信貸政策提升了中國重污染行業的綠色全要素生產率嗎？［J］國際金融研究，2022（4）：3-11

［6］佘碩，王巧，張阿城技術創新、產業結構與城市綠色全要素生產率——基于國家低碳城市試點的影響渠道檢驗［J］經濟與管理研究，2020，41（8）：44-61

［7］萬倫來，朱琴R&D投入對工業綠色全要素生產率增長的影響——來自中國工業1999～2010年的經驗數據［J］經濟學動態，2013（9）：20-26

［8］尹子擘，孫習卿，邢茂源綠色金融發展對綠色全要素生產率的影響研究［J］統計與決策，2021，37（3）：139-144

［9］周曉輝，劉瑩瑩，彭留英數字經濟發展與綠色全要素生產率提高［J］上海經濟研究，2021（12）：51-63

［10］程文先，錢學鋒數字經濟與中國工業綠色全要素生產率增長［J］經濟問題探索，2021（8）：124-140

［11］蘇科，周超人力資本、科技創新與綠色全要素生產率——基于長江經濟帶城市數據分析［J］經濟問題，2021（5）：71-79

［12］胡榮才，張文瓊開展綠色信貸會影響商業銀行盈利水平嗎？［J］金融監管研究，2016（7）：92-110

［13］劉海英企業環境績效與綠色信貸的關聯性——基于采掘服務、造紙和電力行業的數據樣本分析［J］中國特色社會主義研究，2017（3）：85-92

［14］王康仕，孫旭然，王鳳榮綠色金融、融資約束與污染企業投資［J］當代經濟管理，2019，41（12）：83-96

［15］丁杰綠色信貸政策、信貸資源配置與企業策略性反應［J］經濟評論，2019（4）：62-75

［16］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

［17］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

［18］陳琪中國綠色信貸政策落實了嗎——基于“兩高一剩”企業貸款規模和成本的分析［J］當代財經，2019（3）：118-129

［19］張小可，葛晶綠色金融政策的雙重資源配置優化效應研究［J］產業經濟研究，2021（6）：15-28

［20］丁杰，胡蓉區域性環境規制與綠色信貸政策的有效性——基于重污染企業信貸融資視角［J］軟科學，2020，34（12）：61-67

［21］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

［22］蔡海靜，周施綠色信貸政策與“兩高”企業權益資本成本［J］財會月刊，2022（3）：51-60

［23］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

［24］宋馬林，金培振地方保護、資源錯配與環境福利績效［J］經濟研究，2016，51（12）：47-61

［25］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

［26］李廣子，劉力債務融資成本與民營信貸歧視［J］金融研究，2009（12）：137-150

［27］張杰，劉元春，翟福昕，等銀行歧視、商業信用與企業發展［J］世界經濟，2013，36（9）：94-126

［28］孔東民，王亞男，代昀昊為何企業上市降低了生產效率？——基于制度激勵視角的研究［J］金融研究，2015（7）：76-97

［29］陳琦金融科技對綠色全要素生產率的影響分析［D］濟南：山東大學，2021

［30］劉曄，張訓常，藍曉燕國有企業混合所有制改革對全要素生產率的影響——基于PSM-DID方法的實證研究［J］財政研究，2016（10）：63-75

［31］舒利敏，廖菁華末端治理還是綠色轉型？——綠色信貸對重污染行業企業環保投資的影響研究［J］國際金融研究，2022（4）：12-22

［32］惠獻波綠色信貸政策、金融資源配置與企業綠色全要素生產率——基于我國重污染企業的證據［J］西南金融，2022（10）：65-77

［33］BANKER?R?D，CHARNES?A，COOPER?W?WSome?models?for?estimating?technical?and?scale?inefficiencies?in?data?envelopment?analysis［J］Management?Science，1984，30（9）：1078-1092

［34］COWAN?ETopical?issuesin?environmental?finance［J］EEPSEA?Special?and?Technical?Paper，1998，43（3）：1-20

［35］CHETTY?Ｒ，LOONEY?A，KROFT?KSalience?and?taxation：Theory?and?evidence［J］American?Economic?Ｒeview，2009，99（4）：1145-1177

［36］KING?R?G，LEVINE?RFinance?and?growth：Schumpeter?might?be?right［J］Quarterly?Journal?of?economics，1993，108（3）：717-737

［37］LA?FERRARA?E，CHONG?A，DURYEA?SSoap?operas?and?fertility：Evidence?from?Brazil［J］American?Economic?Journal：Applied?Economics，2012，4（4）：1-31

Does?Green?Credit?Policy?Improve?the?Green?Total?Factor?Productivity?of?Heavy-polluting?Enterprises？?An?Empirical?Study?Based?on?a?Difference-in-Differences?Model

YANG?Qin?YANG?Shifeng

（School?of?Finance，Lanzhou?University?of?Finance?and?Economics，Lanzhou??730101，China）

Abstract：This?article?uses?the“Green?Credit?Guidelines”issued?by?the?former?China?Banking?Regulatory?Commission?in?2012?as?a?quasi-natural?experimentBased?on?the?SBM?directional?distance?function?and?GML?index，the?green?total?factor?productivity?of?listed?companies?in?China?from?2010?to?2019?is?calculated，and?then?the?double?difference?method（DID）is?used?to?explore?the?impact?of?green?credit?policy?on?the?green?total?factor?productivity?of?listed?companies?heavy-polluting?enterprisesThe?results?show?that?the?green?credit?policy?has?a?positive?effect?on?improving?the?green?efficiency?of?heavy-polluting?enterprises，but?at?the?same?time?has?a?significant?negative?impact?on?the?green?technology?progress?rate?of?heavy-polluting?enterprises，ultimately?leading?to?a?significant?decrease?in?the?green?total?factor?productivity?of?heavy-polluting?enterprisesFurther?grouping?based?on?enterprise?equity?nature?and?regional?economic?development?level?reveals?that?non-state-owned?enterprises?and?enterprises?located?in?the?eastern?region?are?more?affected?by?the?green?credit?policy

Key?words：Green?Credit?Policy；Green?Total?Factor?Productivity；Difference-in-Differences?Method；Green?Finance