绿色信贷政策对重污染企业债务成本的影响

李新功 朱艳平

【摘 要】 文章以2007—2018年A股上市重污染企业的非平衡面板数据为原始样本，通过倾向得分匹配法匹配出重污染企业的反事实参照组。将《绿色信贷指引》作为绿色信贷政策实施的起点，运用双重差分模型分别对全样本和匹配样本进行实证检验，探究了绿色信贷政策对重污染企业债务融资成本的净影响效应，并进一步考察了产权性质不同下绿色信贷政策对国有企业和非国有企业债务融资成本的影响效果。实证结果发现：（1）绿色信贷政策实施以来，重污染企业的债务融资成本显著高于非重污染企业;（2）相较于非国有企业，国有企业受绿色信贷政策影响更明显。文章尝试运用PSM-DID方法检验政策效果，很好地解决了选择偏差和遗漏变量的问题，同时又避免了内生性问题，为绿色信贷政策的检验提供了新的研究思路和方法。

【关键词】 绿色信贷; 债务成本; 倾向得分匹配; 双重差分模型

一、引言

中国改革开放40多年来，在经济上取得的成就举世瞩目，工业化进程加速推进，但我国的环境污染问题日渐突出。企业作为环境问题的制造主体，特别是重污染行业企业，对环境的污染引起社会各界的广泛关注，党和政府陆续制定并出台了一系列政策法规并尝试运用金融手段深入推进生态环境保护工作。在环境污染治理的严峻背景下，绿色信贷政策相继出台。2007年7月出台了《关于落实环保政策法规防范信贷风险的意见》，这份文件的出台标志着我国的环境治理工具中又多了绿色信贷这把金融利器。2012年2月，中国银监会发布了《绿色信贷指引》，该文件针对金融机构在绿色信贷工作方面做了相对具体的安排，提出银行等金融机构在信贷审核时关注企业社会责任和环境表现的要求，对国家支持的绿色行业提供更充足的信贷资源与优惠利率，对国家不鼓励甚至限制的重污染行业减少贷款额度并提高他们的借款利率，引导资本由“两高”产业向绿色产业转移，有助于加快转变经济发展方式和实现产业结构优化升级。然而，银行等金融机构作为绿色信贷政策的实施主体，其在政策实施过程中会基于盈利性角度考虑，可能会偏离国家政策目标，存在不完全执行政策的可能。那么《绿色信贷指引》实施以来，是否真正发挥了其政策效应，是否对重污染企业债务融资产生了一定影响？因此研究绿色信贷对企业债务融资成本影响的净政策效应极具理论意义和现实意义。

二、文献综述

绿色信贷政策的实施引起了国内外学者的广泛关注，King & Levine[ 1 ]研究得出绿色信贷政策的实施有助于银行信贷结构的优化，有效降低银行信贷风险及社会环境风险，从而有利于银行经营绩效的提升。但有些学者认为绿色信贷政策实施效率并不高，Biswas[ 2 ]深入分析了印度银行业的绿色金融发展状况，发现银行实施绿色信贷政策缺乏动力。Luo et al.[ 3 ]的研究认为，绿色信贷政策并没有促进企业在环保方面做更多的投入，公众对判断企业的环境友好程度缺乏相关绿色信贷信息的了解。

国内学者从两个方面对绿色信贷政策效应进行了研究：一方面是关于绿色信贷政策对商业银行经营绩效的影响。何德旭和张雪兰[ 4 ]认为绿色信贷政策在对商业银行进行环境和社会风险管理方面有所助益，从而减少不良资产的数量，提高银行的经营绩效;李程等[ 5 ]采用双重模型分析了绿色信贷对银行绩效的影响，发现该政策给银行绩效带来负向影响，但是这种负向影响有减弱的趋向;张琳等[ 6 ]研究结果显示绿色信贷与银行财务绩效之间存在正向的动态交互影响，同时绿色信贷对财务绩效的改善有滞后效应。另一方面是从企业角度检验绿色信贷政策的实施效应。孙焱林和施博书[ 7 ]研究发现绿色信贷政策可以帮助企业更容易获取信贷资金用在企业的研发创新中;王凤荣和王康仕[ 8 ]收集了我国制造业企业的大量数据来分析绿色金融配置现状，发现绿色金融配置效率较低，并且对污染企业没有形成有效的融资约束。在绿色信贷政策是否对企业债务融资成本影响方面的研究比較少，连莉莉[ 9 ]研究发现绿色信贷政策对绿色企业的债务融资成本影响较大，降低了企业的融资成本，并有效抑制了两高企业的发展;蔡海静[ 10 ]根据造纸、采掘与电力行业的数据分析指出绿色信贷政策的实施对长期借款和借款成本的效果不明显;张颖和吴桐[ 11 ]运用双重差分模型分析得出绿色信贷政策实施效果并不明显，“两高”型企业仍获得了较低廉的信贷资金。

对大量文献的整理分析发现，在绿色信贷政策对银行经营绩效的影响方面研究得较为丰富，大部分学者认为绿色信贷政策提高了银行经营绩效。而关于绿色信贷政策对企业层面影响后果的研究较少，已有研究得出的结论也是绿色信贷政策效果不明显。可能是上述研究在政策评价方法及样本数据选择上存在差异，对绿色信贷与企业债务成本关系的估计准确性不够，直接影响对绿色信贷政策效应的检验。

政策实施效果的传统评估方法通常有两种：一种是在政策实施后，对实施政策的实验组与没有受政策干预的对照组直接横向比较;另一种是对实验组在政策实施前和实施后的差异进行纵向比较。这两种方法都会影响政策的估计结果，横向比较无法排除实验组与对照组在其他因素上的差异，纵向比较出的前后差异又无法排除这种差异是受其他事件的影响。因此，本文借鉴孙焱林和施博书[ 7 ]的研究方法，为了避免相关研究中的偏误问题，尝试运用倾向得分匹配——双重差分模型进行实证检验。首先运用PSM匹配出重污染企业的反事实参照组，然后用双重差分模型检验政策对实验组的平均处理效应，而不是直接检验企业债务成本。该方法很好地解决了选择偏差和遗漏变量的问题，同时又避免了内生性问题，能够得出绿色信贷政策对重污染企业债务成本影响的净效应，是本文最大的创新之处。

三、理论分析与假设提出

基于利益相关者理论，企业和政府属于不同的利益主体关系，企业经营本身就是以实现利润最大化为目的，当企业的利益与环境之间发生矛盾时，企业首先会基于切身利益考虑，从而做出环境破坏的行为。由可持续发展理论可知，整个社会的可持续发展才是政府主要考虑的内容，所以政府必须要求企业只能在维护可持续发展的基础上，让社会利益达到最大化。正因为这种矛盾的存在，才需要政府对企业进行监督和管理。

由于信息不对称理论，在信贷市场上，银行等金融机构对企业的了解较少，没有办法对企业面临的风险进行合理判断，并且债权人对自身的这种信息劣势地位是知悉的，为了弥补自身信息的不足，债权人一般在提高利率的同时设置更加严格的约束条款或者增加贷款的成本。基于环境风险管理理论，随着国家绿色信贷政策的出台，作为执行主体的金融机构要根据国家政策的要求，在信贷审批时充分考虑企业的环境行为，把与企业信贷业务相关的环境风险作为衡量信贷风险的主要依据。资金提供方对环境行为的风险感知表现在以下三方面：一是环境责任带来的直接风险，当信贷资金流向了受污染的资产或者项目时，基于环境责任和社会责任，债权人有义务进行监管和清理，治污成本可能会超出贷款资本金价值，于是就会形成此类风险;二是违约风险，当企业出现环境事故时，由环境事故导致的损失或者为履行监管规定造成的监管成本上升，很大程度上会导致企业不能如期偿还到期债务，由此形成信贷违约风险;三是声誉风险，银行业金融机构因与发生环境事故的企业存在信贷关系而遭受声誉受损，银行业金融机构在执行绿色信贷政策时，鉴于盈利性和安全性视角，应该规避风险，充分考虑企业信贷业务的风险程度，特别是对极易引发环境问题的重污染企业来说，债权人对其环境行为的风险感知越高，重污染企业的信贷融资成本就越高。

《绿色信贷指引》从战略高度对包括银行在内的金融机构提出了更加具体明确的要求，具体表现在：要求银行等金融机构更为有效地实行绿色信贷政策;尽一切努力促进节能减排和环境方面的保护工作。但是，由于银行、中央政府与地方政府的目标并不完全一致，在监管不到位或者激励不足时，三者之间在利益上的博弈很有可能影响政策的执行效果。Aizawa & Yang[ 12 ]认为环保數据能否被准确披露与收集以及银行业利益上的激励决定着绿色信贷政策能否取得预期的效果。张秀生和李子明[ 13 ]从地方政府和银行博弈视角，发现信息传导的低效率和环境的监管可能会使绿色信贷存在执行不力情形。Zhang et al.[ 14 ]认为由于政策细节不清、缺乏环保方面的标准，绿色信贷并未在中国完全展开。因此，绿色信贷政策能否被有效开展还取决于执行主体的执行情况。如商业银行按照《绿色信贷指引》的要求严格把控信贷审批门槛，将企业的环境表现作为信贷审批的重要参考因素。具体表现为：限制重污染行业的资金获得或者对其实行高利率贷款;对绿色企业或者绿色项目提供贷款支持或实行优惠利率贷款。如此，重污染企业的债务成本必然上升。除了上述分析，重污染企业相较于非重污染企业来说，其引发环境问题的可能性更大。由于环境问题存在外部性，所以容易产生环境问题的重污染企业更容易受到来自外部各界压力的制约。相比非重污染企业而言，无论是受到国家监管制度的监管，还是来自舆论导向的社会监督，重污染企业更容易受到社会各界的关注，引起的后果比较严重，造成的不利影响更大。综合上述分析，提出假设：

假设1：相比非重污染企业，绿色信贷政策提高了重污染企业的债务融资成本。

针对不同产权性质的企业，银行等债权人在放贷考核时的标准也不同。企业若想取得长久持续的发展，除了追求自身利益最大化外还要重视与利益相关方的关系，履行其必要的社会责任。相比非国有企业，国有企业享有政府担保和融资便利，同时其经营理念和管理模式往往更容易受到政府总体利益的影响，能够在更大程度和范围内满足政府政治利益的需求，更加主动配合政府的治理理念，顺应政府各项政策的号召，使政府的管理效果更加明显。因此，国有企业在保护环境、防范污染以促进社会可持续发展方面担负着更为重大的责任和目标。特别是绿色信贷政策作为政府环境保护的一种环境经济手段，可以看成是政府政策支持的一个有效补充。环境规制政策对国有企业的影响要大于非国有企业，国有企业在政策的压力下为了满足政府的管理需求，增强债权人等利益相关者的投资信心，会更加注重提高自身环境保护能力。因此，国有企业更可能会对绿色信贷政策作出积极响应，积极配合政府的治理理念，基于绿色信贷政策的外部压力，会削弱国有企业特别是重污染国有企业的融资优势。而非国有企业本身就处于信贷融资的弱势地位，政策压力对其影响不大。另外，相比非国有企业，国有企业更能及时掌握政府环境治理方面的政策信息，对政策变化也较为敏感，因此能够及时根据政策变化进行调整来免遭更多损失。相对而言，非国有企业在绿色发展转型上处于不利的地位。综上分析绿色信贷政策的实施对重污染国有企业的影响程度可能要大于非国有企业。于是提出假设：

假设2：相比非国有企业，绿色信贷政策对国有企业的债务融资成本影响更明显。

四、研究设计

（一）样本选取与数据来源

考虑到绿色信贷政策的特定实施对象，本文从国泰安数据库（CSMAR）中选取2007—2018年A股重污染型上市企业作为实验组，剩余作为对照组。其中，重污染企业的界定参考了国家环保部2008年印发的《上市公司环保核查行业分类管理名录》和2001年证监会发布的《上市公司行业分类指引》，将16类重污染行业合并为8大类。即采掘业（B）、食品饮料（C0）、纺织服装皮毛（C1）、造纸印刷（C3）、石化塑料（C4）、金属非金属（C6）、医药生物（C8）、水电煤气（D）。在数据整理过程中剔除保险、金融行业上市公司、ST类企业以及数据严重缺失的样本。最终获得909家上市企业的7 255个观测值作为全样本，实验组包含3 219个观测值，控制组包含4 036个观测值。经过倾向得分匹配得到的PSM样本中，共有7 230个观测值，其中实验组包含3 219个，控制组包含4 011个。数据处理由Stata15.0软件完成。

（二）模型设计及变量定义

对一项政策效果的评估，通常采用双重差分方法（DID）。《绿色信贷指引》作为一个纯外生事件满足双重差分法的前提条件，因为其并非为了实验目的而发生，也不会受单个企业的影响，因此可以看作是一个准自然实验。在政策评估时，由于个体固定效应和环境效应等其他不可观测因素的存在，往往会导致政策评估的结果不够准确。双重差分法通过对截面单位在政策实施前后的结果取差值，就能排除个体固定效应和环境效应带来的影响。即通过比较某一事件对实验组与对照组影响的差异，可以克服干扰因果关系的其他因素或遗漏变量的影响，从而更好地识别出因果关系[ 15 ]。

探究绿色信贷政策对重污染企业债务成本的影响实质在于揭示重污染企业在实验期前后的债务成本差异。但对于统一观测个体，不可能同时处于实验期前与后的两个观测点上。双重差分法利用控制组作为反事实参照组能很好地解决这一问题，但这样找到的反事实参照组与实验组需要满足共同趋势假设，即如果不出台《绿色信贷指引》，重污染企业与非重污染企业的债务成本随时间的变化趋势一致。但是由于样本选择方法或样本分类标准不一致等原因使得实验组与对照组的划分并非是随机选择的，况且实验组与对照组之间本来就存在不同的特征，这很可能会导致前面提到的共同趋势假设无法满足。由Heckman等提出的倾向得分匹配与双重差分结合的方法可以很好地解决这一问题，使得样本满足共同趋势假设[ 16 ]。倾向得分匹配法（PSM）将实验组和对照组匹配，即在对照组样本中找到某个企业，使之与实验组样本的可观测变量尽可能一致，即除了债务成本以外的其他可观测变量相近时，便能够对实验组与对照组的债务成本进行相互比较。因此，本文将重污染企业样本作为实验组，对照组为非重污染企业样本，将2007—2018年样本上市企业划分成四组子样本，即执行绿色信贷政策前后的实验组以及实施绿色信贷政策前后对应的对照组。本文通过虚拟变量Treated和Time区别上述四组子样本。其中Treated=1代表执行绿色信贷政策的重污染企业，Treated=0代表非重污染企业;Time=1代表执行绿色信贷政策之后的年份，即2012—2018年，Time=0代表执行绿色信贷之前的年份，即2012年之前。根据上述分析，同时参照已有研究[ 17-18 ]，将本文回归模型设定如下：

其中，被解释变量CDF代表债务成本，参考李广子和刘力[ 19 ]、姚立杰等[ 20 ]的测度方法，考虑到数据可得性，本文选取财务报表附注中的净财务费用与平均借款总额的比值作为企业债务成本的衡量方法。其中净财务费用包括“利息支出”“手续费”“其他财务费用”，借款总额包括“短期借款”“长期借款”“一年内到期的非流动负债”。Control表示的是一系列控制变量。参照已有研究[ 21-22 ]，具体包括企业规模、企业盈利能力、资产负债率、成长性、流动比率、经营净现金流量，同时也对行业和年份进行了控制。？着代表随机干扰项。各变量的具体含义如表1所示。

五、实证与分析

（一）倾向得分匹配结果及平衡性检验

鉴于对照组的数量多于实验组，本文采用1：4的近邻匹配方法，使用评定（Logit）模型估计倾向得分。通过可观测变量，在共同范围内将实验组上市公司与对照组上市公司进行匹配。为了保证样本匹配效果，需要对匹配后的样本数据进行平衡性检验。数据平衡性检验是为了確保协变量的倾向得分在实验组和对照组之间不存在显著差异，克服选择性偏差带来的影响[ 23 ]。经Logit模型匹配后，实验组平均处理效应估计值为-0.002，对应的t值为-2.30，即满足1.96<=|t|<2.58，故处理效应在5%的水平下显著。由表3匹配效果检验可知，大多数协变量匹配后对应的标准化偏差小于10%，唯有协变量企业规模的偏差为13.9%，且通过t检验的结果可以看到，大多数的结果不拒绝实验组与对照组无系统差异的原假设（Size和Lev除外）。说明在经Logit模型匹配后，实验组与对照组各方面的特征已经非常相似，使用倾向得分匹配法将数据进行了较好的匹配，通过了平衡性检验。

（二）绿色信贷政策对重污染企业债务成本影响的检验

根据模型（1）采用混合回归对全样本和PSM样本进行双重差分检验，回归结果如表4所示。在全样本中未加入控制变量情形下，Time×Treated的系数为0.0040，并且在5%水平上显著。回归结果表明绿色信贷政策的颁布使得重污染企业的债务成本显著升高。考虑到可能存在潜在的相关遗漏变量，在表中第二列加入控制变量后，交互项系数在5%水平上显著为正。由于存在选择性偏差问题，在全样本下的检验不能正确反映政策的效果，经过PSM匹配处理后，交互项的系数均在5%的水平上显著为正。符合假设1的预期判断。因此，在平均处理效应下，绿色信贷政策显著提高了重污染企业的债务成本。

（三）企业所有权性质差异下绿色信贷政策对企业债务成本的检验

为了进一步研究企业所有权性质是否会影响绿色信贷政策的实施效果，本文按照企业所有权性质的不同，把全样本和经过匹配后的PSM样本中的企业分为国有企业和非国有企业，然后对国有企业和非国有企业进行分组检验。表5显示了国有企业与非国有企业的平均处理效应，可以看到无论是在全样本还是匹配后的PSM样本中，国有企业交互项的系数均为正，且都在1%的水平上显著;而非国有企业交互项的系数为负，并且没有通过显著性检验。说明绿色信贷政策对重污染行业中国有企业的债务成本的影响较为明显，符合假设2的预期。

（四）稳健性检验

该部分采取更换匹配方法和改变政策执行的时间来进行稳健性检验。前文在倾向得分匹配时采用了近邻匹配，这里通过卡尺匹配、核匹配方法对样本重新进行匹配，然后进行双重差分回归，回归结果如表6。更换匹配方法后，Time×Treated的回归系数仍然在5%水平上显著为正，与前面1：4近邻匹配的回归结果无实质性差异。将政策执行时间提前两年来进行安慰剂检验，若“政策处理效应”依旧显著则说明研究结果很可能来自其他政策变化或随机因素[ 24 ]。选取2010年作为绿色信贷政策发生的时间，回归结果如表7，无论是在全样本还是PSM样本下，此时交互项系数不显著，也就是说前文回归结果不可能是由《绿色信贷指引》之前的其他事件导致。

六、结论与启示

本文运用倾向得分匹配和双重差分模型检验了《绿色信贷指引》颁布后，重污染企业债务融资成本的政策净效应以及企业所有权性质差异下绿色信贷政策对企业债务成本的影响程度。结果表明：（1）相比非重污染企业，绿色信贷政策显著提高了重污染企业的债务成本。（2）绿色信贷政策对重污染国有企业的债务成本影响效果更明显。综上可以得出，绿色信贷政策实施以来，确实提高了重污染企业的贷款门槛，对重污染企业的融资起到了一定的约束作用。从中可以得到以下启示：

一是政府应加强绿色信贷政策的实施力度，制定统一的、更具可操作性的绿色信贷政策实施细则，对授信部门建立健全约束和激励机制;明确贷款企业和银行金融机构在环境污染中承担的法律责任;同时需要建立与绿色信贷政策相配套的监管体系，严格把控绿色信贷资金流向，做到绿色贷款专款专用。

二是银行业金融机构作为绿色信贷的实施主体，应继续严格把控重污染企业的信贷门槛和评估机制;积极地创造有助于绿色信贷政策实施的条件，开发更加多元化的绿色信贷金融产品;针对不同所有权性质的企业采取差异化的定价策略，以消除政策效应对企业影响的不对称性，引导资金向更加绿色环保的企业和项目流动，以确保绿色信贷政策效果的长期稳定性，促进经济可持续发展。

三是企业应加强环境保护意识，充分利用国家绿色信贷政策带来的发展机遇，特别是对重污染企业而言，绿色信贷政策会使其更加关注自身可持续发展。一方面会提高其自身治理环境的主动性，使其改变高污染、高耗能的传统生产方式;另一方面在绿色信贷政策的扶持和鼓励下利用技术创新加快转型，实现全社会的可持续发展。

【参考文献】

[1] KING R G， LEVINE R. Finance and growth：schumpeter might be right[J].Policy Research Working Paper Series，1993，108（3）：717-737.

[2] BISWAS N. Sustainable  green  banking  approach：the need of the hour[J].Business Spectrum，2011，1（1）：32-38.

[3] LUO C， FAN S， ZHANG Q. Investigating the influence of green credit on operational efficiency and financial performance based on hybrid econometric models[J].International Journal of Financial Studies，2017，5（4）：27.

[4] 何德旭，张雪兰.对我国商业银行推行绿色信贷若干问题的思考[J].上海金融，2007（12）：4-9.

[5] 李程，白唯，王野，等.绿色信贷政策如何被商业银行有效执行？——基于演化博弈论和DID模型的研究[J].南方金融，2016（1）：47-54.

[6] 张琳，廉永辉，赵海涛.绿色信贷和银行财务绩效的动态交互影响关系：基于中国29家商业银行的实证研究[J].上海金融，2019（4）：31-39.

[7] 孙焱林，施博书.绿色信贷政策對企业创新的影响：基于PSM-DID模型的实证研究[J].生态经济，2019，35（7）：87-91，160.

[8] 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.

[9] 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.

[10] 蔡海静.我国绿色信贷政策实施现状及其效果检验：基于造纸、采掘与电力行业的经验证据[J].财经论丛，2013（1）：69-75.

[11] 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）：8-12.

[12] AIZAWA M， YANG C. Green credit， green stimulus， green revolution？China's mobilization of banks for environmental cleanup[J].The Journal of Environment & Development，2010，19（2）：119-144.

[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] ZHANG B， YANG Y， BI J. Tracking the implementation of green credit policy in China：top-down perspective and bottom-up reform[J]. Journal of environmental management，2011，92（4）：1321-1327.

[15] 钱雪松，唐英伦，方胜.担保物权制度改革降低了企业债务融资成本吗？——来自中国《物权法》自然实验的经验证据[J].金融研究，2019（7）：115-134.

[16] 李延喜，赛骞，孙文章.在审计报告中沟通关键审计事项是否提高了盈余质量？[J].中国软科学，2019（3）：120-135.

[17] 肖浩，孔爱国.融资融券对股价特质性波动的影响机理研究：基于双重差分模型的检验[J].管理世界，2014（8）：30-43，187-188.

[18] 周黎安，陈烨.中国农村税费改革的政策效果：基于双重差分模型的估计[J].经济研究，2005（8）：44-53.

[19] 李广子，刘力.债务融资成本与民营信贷歧视[J].金融研究，2009（12）：137-150.

[20] 姚立杰，付方佳，程小可.企业避税、债务融资能力和债务成本[J].中国软科学，2018（10）：117-135.

[21] 陆正飞，祝继高，孙便霞.盈余管理、会计信息与银行债务契约[J].管理世界，2008（3）：152-158.

[22] 孙铮，李增泉，王景斌.所有权性质、会计信息与债务契约：来自我国上市公司的经验证据[J].管理世界，2006（10）：100-107，149.

[23] 曹静，郭哲.中国二氧化硫排污权交易试点的政策效应：基于PSM-DID方法的政策效应评估[J].重庆社会科学，2019（7）：24-37.

[24] 晏艳阳，严瑾.国家自主创新示范区建设对企业创新的影响研究[J].软科学，2019，33（6）：30-36.