Operations Research and Fuzziology 运筹与模糊学, 2023, 13(5), 4327-4334
Published Online October 2023 in Hans. /journal/orf
/10.12677/orf.2023.135431
影响研究
杨晓凡*，邱羚
上海工程技术大学管理学院，上海
收稿日期：2023年7月31日；录用日期：2023年9月19日；发布日期：2023年9月27日
摘要
绿信贷政策是一些金融机构如商业银行等根据国家的产业政策与环境政策，对从事与环保有关项目、企业和机构提供贷款扶持和优惠利率，同时针对进行污染性生产和经营的项目，实施金融政策手段，限制其信贷额度，并施加较高的惩罚性利率，以资金的“绿配置”为出发点，旨在促进人类与自然之间和谐共生关系的实现。本文以2012年《绿信贷指引》的出台作为准自然实验，本研究选取2005~2021年中国A股上市公司作为样本，基于双重差分法得出的实验结果来探究绿信贷政策对重污染企业绿创新的影响。实证结果显示，《指引》出台后，企业的绿创新数量显著减少。机制检验结果表明，《指引》引发的信贷约束效应和信息传递效应导致企业可获得的债务融资规模降低，进而抑制了企业的绿创新。本文从绿创新的角度揭示了绿信贷政策的微观效果，对完善绿信贷政策以及优化其资源配置作用起到了借鉴意义。
关键词
绿信贷政策，绿创新，债务融资规模
Study on the Influence of Green Credit Policy on Green Innovation of Heavy Polluting
Enterprises
Xiaofan Yang*, Ling Qiu
School of Management, Shanghai University of Engineering Science, Shanghai
Received: Jul. 31st, 2023; accepted: Sep. 19th, 2023; published: Sep. 27th, 2023
*通讯作者。
杨晓凡，邱羚
Abstract
Green credit policy is a policy that some financial institutions, such as commercial banks, provide loan support and preferential interest rates to enterprises and institutions engaged in environ-mental protection-related projects according to the national industrial and environmental poli-cies. Meanwhile,
for projects carrying out polluting production and operation, financial policy means are implemented to limit their credit quotas and impose higher punitive interest rates. Taking the “green allocation” of funds as the starting point, the policy aims to promote the realiza-tion of the harmonious symbiotic relationship between human and nature. This paper takes the introduction of the “Green Credit Guidelines” in 2012 as a quasi-natural experiment. This study selects Chinese A-share listed companies from 2005 to 2021 as samples, and based on the experi-mental results obtained by the DID method, explores the impact of green credit policies on green innovation of heavily polluting enterprises. The empirical results show that after the introduction of the Guidelines, the number of green innovations of enterprises has significantly decreased. The results of mechanism test show that the credit constraint effect and information transmission ef-fect caused by the Guidelines lead to the reduction of the scale of debt financing available to en-terprises, which further inhibits the green innovation of enterprises. This paper reveals the micro effects of green credit policy from the perspective of green innovation, which plays a reference role in improving green credit policy and optimizing its role in resource allocation.
Keywords
Green Credit Policy, Green Innovation, Debt Financing Scale
Copyright © 2023 by author(s) and Hans Publishers Inc.
This work is licensed under the Creative Commons Attribution International License (CC BY 4.0). /licenses/by/4.0/
1. 引言与文献综述
关于利用金融调控等市场手段辅助进行环境治理，中国已经进行了很多实践活动。2007年颁布的《关于落实环保政策法规防范信贷风险的意见》中首次将绿信贷视为一种市场手段，用以实现节能减排和保护环境的目标。然而，该政策并未对绿信贷的具体实施方式进行具体规定，而是强调了以环保部门为主导、金融部门为辅助的治理模式[1]。2012年，由原中国银监会发布的《绿信贷指引》明确规定了开展绿信贷业务方面的流程管理、信息披露和监督检查等方面的要求。尽管相关部门积极期望通过绿金融促进企业的绿创新，并出台了一系列相关文件，但在如何有效地结合绿金融和绿创新方面仍处于探索阶段。此领域的理论研究相对较少，并尚未形成一个统一的结论。有学者认为《指引》发挥了绿发展的政策效应。郭红和尹菁(2023)提出绿信贷政策的实施显著提升了重污染企业的投资效率，并且通过调整企业债务期限结构和降低代理成本对过度投资产生显著抑制作用[2]。李泽众(2023)通过双重差分实证分析《指引》出台前后的作用效果，探究《指引》对企业环境治理行为选择的影响，并得出结论：《指引》具有促进绿发展的政策效应，对重污染企业可以达到“优胜劣汰”的效果[3]。Li 等(2018)认为《指引》提高了企业技术创新的意愿，绿贷款补贴是实现可持续发展的有效途径[4]。
陆菁等(2020)以2007年绿信贷政策为准自然实验，结果表明：绿信贷政策提高了高污染企业的退出风险。此外，由于绿信贷政策引发的成本遵循效应和约束效应，高污染企业的技术创新水平因此
杨晓凡，邱羚
下降[5]。杨柳勇和张泽野(2022)认为《指引》的实施导致信贷规模缩减和信贷成本提高从而对重污染企业的绿创新产生显著的抑制作用。王馨和王营(2021)认为《指引》实施后，与非绿信贷限制行业相比，重污染企业的绿创新数量有所增加。然而，对于绿创新的质量改善方面并没有显著的提升[6]。
现有文献为环境政策与绿创新的研究奠定了坚实的基础，但仍存在以下几个方面的问题：(1) 研究结果方面未形成一个统一的结论。(2) 政策影响的内部渠道缺乏进一步检验。本文的边际贡献在于：(1)通过从绿创新角度对绿信贷政策的综合影响进行分析，丰富了国内绿金融理论研究。(2) 从绿信贷与绿创新的关系、作用机制以及经济后果等方面进行分析，试图揭示绿金融与绿创新之间的内在逻辑。(3) 本研究的结果为“构建市场导向的绿技术创新体系”以及“构建绿金融体系”提供了理论建议和参考。
2. 研究假设的提出
2.1. 绿信贷政策与绿创新
作为一种环境政策，绿信贷政策在对企业绿创新的影响机制上主要涵盖了“波特假说效应”和“遵循成本效应”两个理论机制。根据波特假说效应，合理的环境规制激励企业创新，通过提高生产率和产品竞争力来抵消给企业带来的负面影响如成本上升等。遵循成本效应是指由于环境规制造成了企业污染治理成本和生产成本的提高，挤占了企业的研发资金，导致企业生产率降低。
在不同强度的环境规制下，对企业绿创新的影响效果存在差异。较弱的环境规制往往无法有效激励企业的创新活动，而较强的环境规制可能会在短期内增加企业的成本负担，从而抑制企业的技术创新[7]。原因可能是银行需要根据企业从事的生产经营活动决定是否对环境友好或降低了污染等企业表现进行放贷，使得企业投入更多的资金用于治污减排的活动当中，从而对绿创新等研发活动的资金产生一定的“挤出效应”，从而降低企业的绿创新水平。本文提出假设1：
H1：相较于其他企业，《指引》出台显著抑制重污染企业绿创新。
2.2. 绿信贷政策、债务融资规模、绿创新
在中国，企业目前最广泛的融资渠道之一是银行贷款，根据人民银行网站显示的数据，2022年末对实体经济发放的人民币贷款余额占同期社会融资规模存量的61.7%。绿信贷政策在理论上通过设立环境准入门槛以及信贷配额管制双重约束机制，从而影响企业的资金结构、资源分配以及绿创新。促进环境保护和节能减排等方面的工作。但由于地方政府和中央政府以及银行的目标有所不同，往往会存在激励
不足以及监管不力等现象，利益上的博弈造成了政策的执行效果不能完全达到预设的目标。绿信贷政策的预期效果能否得以实现，取决于环保数据能否被准确收集和披露，以及银行业的利益激励机制[8]。由于地方政府和银行之间存在博弈关系，信息传递效率低下以及环境监管不足等因素，绿信贷政策可能会面临执行不力的风险[9]。在具体实践中，将企业的环境表现作为信贷审批的重要参考因素，可能会在短期内造成企业融资困难的问题，从而产生了信贷约束效应，企业用于绿创新活动的资金将减少。因此绿信贷政策将通过债务融资规模对企业绿创新产生重要影响。因此，本文提出假设2：H2：相较于其他企业，《指引》出台通过降低企业的债务融资规模抑制重污染企业绿创新。
3. 研究设计
3.1. 样本选择与数据说明
本文的绿专利数据来源于中国研究数据服务平台(CNRDS)的2005~2021年所有A股上市公司发明专利和实用新型专利的专利分类号信息，与2010年世界知识产权组织(WIPO)发布的“国际专利分类绿
杨晓凡，邱羚
清单”的匹配后获得的，匹配依据为国际专利代码。企业公司特征数据来自CSMAR数据库。将上述数据匹配后最终得到31,181条观测值，其中重污染企业有9575条观测值，其他企业有21,606条观测值。
本文以2005~2021年中国A股所有上市公司数据为样本数据，依据政府部门出台的相关文件对重污染行业进行认定。为了使样本数据更有效，本文对数据进行以下处理：剔除被ST、*ST和PT的公司；
剔除金融行业上市公司、上市不足一年的公司、审计意见为保留意见或无法发表意见的公司、资不抵债的上市公司、主要变量数据存在缺失值的样本、企业杠杆大于等于1和资产收益率小于等于0的公司。本文还对所有连续变量的数据在1%和99%分位数上进行了缩尾处理，目的是排除异常值对研究结果的影响。
3.2. 变量定义
(1) 被解释变量：绿创新(GI)。本文从产出端衡量企业绿创新水平，参考学者王旭的研究：采用
企业当年绿发明型专利申请量与绿实用型专利申请量之和来衡量企业绿创新水平[10]。参考黎文靖等(2016)的研究，选择绿专利申请量而非授权量的原因是：企业绿专利的授权会存在一定的滞后性[11]。
(2) 解释变量：绿信贷政策(Policy)。本文的研究对象是2012年中国银监会颁布的《指引》这一具
有标志性意义的绿金融政策。处理方式是：2012年以前取值为0，2012年及以后取值为1，以此来区分政策实施前后的时间段。
(3) 中介变量：债务融资规模(Borrow)。本文以短期借款加长期借款之和占总资产比重来表示。
(4) 控制变量：参考已有文献，加入其他可能影响绿创新的控制变量，如企业规模、资产负债率、
总资产收益率、公司成立年限、董事会人数等。
具体变量定义、描述性统计如表1所示。
Table 1. Variable definitions and descriptive statistics
表1.变量定义与描述性统计
变量名称变量定义平均值中位数标准差最小值最大值
GI 当年发明型绿专利+ 当年实用
型绿专利
4.304 0.000 13.24 0.000 151.000
time 若样本年份在2012年及之后，则
time = 1，否则time = 0
0.720 1.000 0.449 0.000 1.000
pollution 若是重污染企业，则pollution = 1，
否则pollution = 0
0.307 0.000 0.461 0.000 1.000
Borrow 短期借款与长期借款之和占总资
产比重
0.150 0.125 0.132 0.000 0.827
Size 企业总资产取对数22.13 21.93 1.306 19.37 26.43 Lev 企业总负债/总资产0.431 0.430 0.195 0.0298 0.925
ROA 总资产收益率= 净利润/平均总
资产
0.0549 0.0447 0.0440 0.000 0.256
Growth (本年净利润−上年净利润)/上年
净利润
0.212 0.139 0.408 −0.737 4.070
Cashflow 经营活动现金净流量/期末总资产0.0504 0.0498 0.0696 −0.229 0.285 Dual (副)董事长与总经理是否兼任0.255 0.000 0.436 0.000 1.000 FirmAge 企业成立年限取对数 2.776 2.833 0.397 0.693 3.583 Board 独立董事人数/董事会人数 2.148 2.197 0.199 1.609 2.708 BM 股东权益/公司市值 1.040 0.680 1.133 0.0514 9.911
杨晓凡，邱羚
3.3. 计量模型
借鉴温忠麟(2004) [12]、郭晔等(2020) [13]的方法，构建了如下的双重差分模型，来检验绿信贷政策对绿创新的影响及作用机制：
01it i i i it i i it GI Pollution Policy Controls αααληε=+∗++++ #(1) 01it i i i it i i it Borrow Pollution Policy Controls βββληε=+∗++++ #(2) 012it i i it i it i i it GI Pollution Policy Borrow Controls γγγγληε=+∗+++++ #(3)
it GI 代表企业i 第t 年的绿创新申请数量，it Borrow 为中介变量，代表企业i 第t 年的债务融资规
模，Pollution 为虚拟变量，若企业为污染行业则取值为1，否则为0；Policy 表示绿信贷政策变量，将颁布《指引》后的年份(2012~2021)赋值为1，颁布前年份(2005~2011)赋值为0。Pollution *Policy 代表企业虚拟变量与政策变量的交互项。Controls 为控制变量。此外，i λ为时间固定效应，i η为行业固定效应，
it ε表示随机误差项。
4. 实证结果
4.1. 回归结果
根据上文中的模型，表2列示了绿信贷政策对交乘项did 的回归结果。
Table 2. Regression results of green credit policy and enterprise green innovation 表2. 绿信贷政策与企业绿创新的回归结果
(1) (2) (3) (4) (5) GI GI GI GI Borrow did −0.7012*** −2.0054*** −1.1641*** −1.3545*** −0.0147*** (−4.5248)
(−10.2732)
(−5.6547) (−6.5490) (−5.8859) time 0.0000 0.0000 0.0000 (.) (.) (.) Borrow
−12.9317*** (−15.7688) pollution
−2.5078*** −1.7462*** 0.0589*** (−14.6729) (−10.1665) (24.5575) Size 4.1706*** 4.0967*** −0.0057*** (30.1035) (30.0932) (−8.9692) Lev −0.2309 5.5570*** 0.4476*** (−0.4886) (9.0039) (105.9732) ROA 0.5887 −2.5571 −0.2433*** (0.3223) (−1.4063) (−17.7914) Growth
−0.3788** −0.3647** 0.0011 (−2.0945) (−2.0239) (0.7355) Cashflow
−0.9711 −3.1996*** −0.1723*** (−0.9962) (−3.2432) (−18.8388) Dual 0.5343*** 0.6249*** 0.0070***
(3.1438)
(3.6876)
(6.0916)
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议