| 联系我们 |
 |
合作经济与科技杂志社
地址：石家庄市建设南大街21号
邮编：050011
电话：0311-86049879 |
|
|
| 金融/投资 |
| 绿色信贷政策对企业创新的影响 |
| 第651期 作者：□文/滕 云 时间：2021/2/16 15:49:05 浏览：307次 |
［提要］ 绿色信贷政策，在我国发展至今已有十余载，绿色信贷政策在企业层面的实施效果值得深入探讨。本文以2012年中国银行业监督管理委员会发布的《绿色信贷指引》为准自然实验，通过倾向得分匹配—双重差分模型分析绿色信贷政策对重污染企业创新的影响效果，研究结果表明：绿色信贷政策促进重污染企业的研发创新，当面临信贷融资约束时，重污染企业通过提高创新能力来促进产业转型升级。同时，绿色信贷政策对我国中西部地区重污染企业创新的促进效果最强，对东部地区企业创新促进效果最弱，对非国有企业创新的促进效果最强，对国有企业创新促进效果最弱。
关键词：绿色信贷；企业创新；倾向得分匹配；双重差分
中图分类号：F83 文献标识码：A
收录日期：2020年12月3日
一、引言
绿色信贷政策是政府通过对重污染企业的银行信贷加以限制，来倒逼重污染企业主动节能减排，进行产业升级，从而通过金融手段来实现环境保护的目的。研究绿色信贷政策对于微观企业层面的实施效果，具有重要意义。
目前，已有的文献主要围绕绿色信贷政策的运行机制、实施现状等方面进行研究，且大多为宏观层面定性分析，微观层面的定量研究较少。现有的关于绿色信贷政策的定量研究主要在对银行的影响和对企业的影响。对银行的影响方面，主要研究在银行竞争力、银行经营绩效、银行信贷风险等方面，对企业的影响方面，主要研究在企业投融资成本方面。
同时，直接针对绿色信贷对企业技术创新的研究较少，且学者多从绿色信贷对环保企业技术创新的影响角度进行剖析，没有进一步分析绿色信贷对重污染企业技术创新的影响。之所以选择重污染企业创新视角，是为了部分解答目前绿色信贷政策实践所关注的重要现实问题，绿色信贷的最终目标并不是让重污染企业无法生存，而是希望通过金融资源的合理配置，促使重污染企业通过技术创新加快淘汰落后产能，实现绿色转型。面对绿色信贷对重污染企业所形成的融资约束，重污染企业是否加快技术创新促使企业转型升级，还是仅仅被动地减少投融资行为，这些都需要进一步的研究探讨。
本文以2012年的《绿色信贷指引》为准自然实验，通过倾向得分匹配—双重差分模型分析绿色信贷政策对重污染企业创新的影响效果，考察重污染企业在应对绿色信贷政策的反应是否为通过加快技术创新实现主动减排，还是仅仅被动地减少投融资行为，从而推测绿色信贷政策是否对重污染企业形成过度惩罚。通过PSM法为重污染企业挑选对照组，使用DID法比较政策实施前后重污染企业技术创新的变化，以评估绿色信贷政策对重污染企业技术创新的微观效果。
本文的主要研究贡献在于：首先，从重污染企业技术创新的视角，对绿色信贷政策的实施效果进行了定量研究，将绿色信贷的执行效果从宏观层面向微观层面拓展；其次，通过绿色信贷对重污染企业关于技术创新这一方面的策略性反应进行研究分析，进一步探索绿色信贷是否对重污染企业形成过度惩罚。
二、研究假设
政府通过实施绿色信贷政策，合理配置信贷资源，引导企业转型升级，对重污染企业形成了融资约束，绿色信贷政策具体的实施效果还取决于企业的策略性反应。绿色信贷的最终目标并不是遏制重污染企业的发展，而是通过融资约束激发企业的内在减排的动力，通过技术创新实现主动减排。但是，企业的研发创新及转型升级需要资本，在本身受到信贷约束的情况下，企业未必有能力增加创新投入或者实现转型升级。因此，本文试图从企业对政策的执行效果的角度，研究绿色信贷政策对重污染企业创新能力的影响，测试绿色信贷政策是否偏离初衷以及对重污染企业是否形成过度惩罚。
基于以上初步分析，本文提出以下假设：
假设1a：绿色信贷政策对重污染企业的创新能力具有正向影响
假设1b：绿色信贷政策对重污染企业的创新能力并不具有正向影响
企业国有与非国有的产权性质差异是中国经济制度环境的重要特征，在此基础上考察绿色信贷政策可能存在的不同影响。在政府参与企业经营或银行贷款决策的背景下，国有企业更容易取得银行贷款。非国企增加创新投入的动力相较于国有企业而言更强大，更有可能在面对绿色信贷政策所形成的融资约束时，进行研发创新，促进产业升级减少政策对其产生的约束。
假设2：《指引》颁布后，在面临绿色信贷所形成的融资约束时，非国企的技术创新应大于国企
我国东部重污染企业由于地处经济发展快的区域，容易获取大量的金融机构信贷资金，所以绿色信贷对东部重污染企业的融资约束力度较小，因此绿色信贷政策实施后，对重污染企业的惩罚效应也将主要作用于中西部重污染企业，相较于东部重污染企业，中西部重污染企业进行技术创新的动力更大。
假设3：《指引》颁布后，中西部重污染企业进行技术创新水平应均高于东部企业
三、研究设计
（一）模型设定。为了考察绿色信贷政策对重污染企业技术创新的影响，本文设定如下差分模型：
Inno=β0+β1Post+β2Treatment+β3Post×Treatment+βjControls+Industry+Year+ε
1、被解释变量：Inno为重污染企业研发强度，用专利申请数量来衡量。
2、解释变量：按照双重差分模型的要求，本文设置Post和Treatment两个虚拟变量。Post为时间变量，表示《指引》出台前后，即2012年以前取0，2012年及以后取1；Treatment为实验变量，用来区分处理组和对照组，重污染企业取1，其余行业的企业取0。由于绿色信贷政策影响各企业创新的时间不同，无法定义一个相同的政策实施时间Post，模型中加入虚拟变量Post会导致多重共线性问题，因此本文不再控制Post和Treatment，改为控制企业固定效应（Industry）和年份固定效应（Year）。ε为随机扰动项。
3、控制变量：Size、Roa、Lev、Age、Growth、Cash分别代表控制变量企业规模、企业业绩、企业负债水平、企业年龄、成长性、现金持有水平。具体的变量含义见表1。（表1）
（二）数据来源与样本选择。为了检验2012年绿色信贷政策的实施效果，本文以2005～2018年A股上市公司为初始样本，数据均来自于CSMAR和WIND数据库。选取“两高”行业中的企业作为处理组，其余为对照组。按以下标准对初始样本做了进一步处理：（1）剔除了金融行业的上市公司；（2）剔除ST、*ST公司；（3）剔除了重要变量缺失的上市公司；（4）为了剔除异常值影响，对模型中的连续变量在1%和99%的水平上进行了缩尾处理。
四、实证结果分析
（一）描述性分析。本文利用倾向得分匹配法，较好地克服了内生性问题和样本的选择性偏差，更好地对绿色信贷政策是否影响重污染企业创新这一问题进行研究。
表2列示了主要变量的描述性统计结果。从表2可以看出，Inno的最大值为6.9847，最小值为0.6931，这意味着在我国不同公司的研发强度存在较大差异。Post的均值为0.5727，说明绿色信贷政策出台之后的样本占57.27%，较为均衡。Treatment的均值为0.2432，说明样本中有24.32%的企业属于重污染公司（即实验组）。（表2）
（二）倾向得分匹配（PSM）。根据前文，本文进行倾向得分匹配的实验组为重污染企业，对照组为非重污染企业。由于PSM的可靠性在于匹配后实验组和对照组在匹配变量上不存在显著差异，若两者之间显著差异仍然存在，则说明选择的匹配变量或者匹配方法不恰当，匹配估计无效。因此，在匹配得分估计结果报告之前，先要进行匹配平衡性假设检验，检查匹配变量在实验组和对照组之间是否存在显著偏差，若偏差绝对值小于10%，则认为匹配效果较好，匹配估计是有效的；若大于10%，则说明偏差较大，匹配效果不理想。
本文的匹配检验结果如表3所示。从检验结果中我们可以看出，匹配后的实验组和对照组在企业规模、企业业绩、企业负债水平、企业年龄、成长性、现金持有水平的标准偏差都显著小于10%，说明本文选取的匹配变量和方法是合理的。此时，统计意义上的同质性要求基本满足，符合使用DID方法的前提条件。同时，匹配后的t值均不显著，说明实验组和对照组在配对以后，匹配变量不存在显著差异。（表3）
（三）双重差分检验。结果与分析经过PSM处理后，本文重新得到一组与实验组样本具有相似特征的对照组，并进行DID回归，考察绿色信贷政策对企业创新的影响。回归结果表明，未加入控制变量时，交互项系数为负且不显著，加入控制变量后，交互项系数为正并且在1%的显著性水平下显著，符合假设1a的预期判断。这表明《指引》出台后，重污染企业的研发创新水平得到提升，当面临绿色信贷政策带来的信贷融资约束时，重污染企业通过提高创新能力来促进产业转型升级。（表4）
（四）异质性分析。本文进一步分析，在企业性质差异和地域差异下，绿色信贷政策对企业创新所产生的影响，结果如表5所示。（表5）
在对企业性质进行异质性分析时，国有企业的DID估计量系数为正且不显著，非国有企业在10%显著性水平下显著为正。由此判断，绿色信贷政策更能促进非国有企业创新，对国有企业无显著影响，假设2成立。
在对地域差异进行异质性分析时，中部地区的DID估计量系数在5%显著性水平下显著为正，西部地区系数在10%显著性水平下显著为正，东部地区系数为正且不显著。由此判断，绿色信贷政策对重污染企业的促进作用，主要集中在中西部地区，没有明显促进东部地区的企业研发创新，假设3成立。
中西部地区相较于东部地区，经济发展水平低，融资渠道少，重污染企业受到的绿色信贷融资约束力度大，因此拥有更强的研发创新动力，绿色信贷政策对中西部重污染企业创新的促进作用更为显著。
五、结论及建议
本文使用2005～2018年的上市公司的面板数据，通过倾向得分匹配-双重差分模型分析绿色信贷政策对重污染企业创新的影响，着力分析绿色信贷政策在微观层面的作用效果，并对企业产权性质和地域差异进行了异质性分析。结果表明：（1）绿色信贷政策促进了重污染企业进行研发创新；（2）绿色信贷政策对我国中西部地区重污染企业创新的促进效果最强，对东部地区企业创新促进效果最弱；（3）绿色信贷政策对非国有企业创新的促进效果最强，对国有企业创新促进效果最弱。
本文从重污染企业技术创新的视角，对绿色信贷政策的实施效果进行了定量研究，从微观层面研究绿色信贷的执行效果，整体而言，绿色信贷政策效果显著，重污染企业在应对绿色信贷政策的策略性反应符合预期目标，绿色信贷政策尚未对重污染企业形成过度惩罚。有效促进了企业通过技术创新进行产业转型升级，我们从中得出以下启示：（1）政府有必要进一步加强绿色信贷政策的实施力度，有效促进重污染企业的技术创新和产业转型升级，从而形成良性循环；（2）政府应加强对东部地区和国有重污染企业创新的正确引导和监督奖惩，促使东部地区重污染企业和国有重污染企业提高思想意识，加快形成促进其加大创新投入的良好奖惩机制。
（作者单位：成都理工大学）
主要参考文献：
［1］苏冬蔚，连莉莉.绿色信贷是否影响重污染企业的投融资行为［J］.金融研究，2018（12）.
［2］丁杰.绿色信贷政策、信贷资源配置与企业策略性反应［J］.经济评论，2019（04）.
［3］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］.生态经济，2019.35（07）.
［4］张颖，吴桐.绿色信贷对上市公司信贷融资成本的影响——基于双重差分模型的估计［J］.金融与经济，2018（12）.
［5］陈琪.中国绿色信贷政策落实了吗——基于“两高一剩”企业贷款规模和成本的分析［J］.当代财经，2019（03）.
［6］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（05）.
［7］涂正革，谌仁俊.排污权交易机制在中国能否实现波特效应［J］.经济研究，2015.50（07）.
［8］王康仕，孙旭然，王凤荣.绿色金融发展、债务期限结构与绿色企业投资［J］.金融论坛，2019.24（07）.
［9］马骏.论构建中国绿色金融体系［J］.金融论坛，2015.20（05）.
［10］刘婧宇，夏炎，林师模，吴洁，范英.基于金融CGE模型的中国绿色信贷政策短中长期影响分析［J］.中国管理科学，2015.23（04）.
［11］上海银监局绿色信贷研究课题组，张光平，董红蕾，沈澍.绿色信贷支持金融创新与产业结构转型研究［J］.金融监管研究，2016（05）.
［12］钱立华.我国银行业绿色信贷体系［J］.中国金融，2016（22）.
［13］刘悦，周默涵.环境规制是否会妨碍企业竞争力：基于异质性企业的理论分析［J］.世界经济，2018.41（04）.
［14］陈幸幸，史亚雅，宋献中.绿色信贷约束、商业信用与企业环境治理［J］.国际金融研究，2019（12）.
［15］祁毓，卢洪友，张宁川.环境规制能实现“降污”和“增效”的双赢吗——来自环保重点城市“达标”与“非达标”准实验的证据［J］.财贸经济，2016（09）.
［16］王遥，潘冬阳，彭俞超，梁希.基于DSGE模型的绿色信贷激励政策研究［J］.金融研究，2019（11）.
［17］孙光林，王颖，李庆海.绿色信贷对商业银行信贷风险的影响［J］.金融论坛，2017.22（10）.
［18］张琳，廉永辉.绿色信贷、银行异质性和银行财务绩效［J］.金融监管研究，2019（02）.
［19］Jing-Yu Liu，Yan Xia，Ying Fan，Shih-Mo Lin，Jie Wu.Assessment of a green credit policy aimed at energy-intensive industries in China based on a financial CGE model［J］.Journal of Cleaner Production，2015.
［20］Campiglio，E，Dafermos，Y，Monnin，P，Ryan-Collins，J，Schotten，G，Tanaka，M.Climate Change Challenges for Central Banks and Financial Regulators［J］.Nature Climate Change，2018.
［21］Economides，G，Xepapadeas，A.Monetary Policy under Climate Change［J］.Bank of Greece Working Paper，2018.
［22］Mercure，J.F，Knobloch，F，Pollitt，H，Lewney，R，Rademakers，K，Eichler，L，Laan，L，Paroussos，L.Policy-Induced Energy Technological Innovation and Finance for Low-Carbon Economic Growth［J］.European Commission Report，2016.
［23］Monnin，P.Central Banks and the Transition to a Low-Carbon Economy［J］.Council on Economic Policies Discussion Note，2018.
［24］Pollitt，H，Mercure，J.F.The Role of Money and the Financial Sector in Energy-Economy Models Used for Assessing Climate and Energy Policy［J］.Climate Policy，2018.
|
|
|
|
