绿色信贷对江苏省商业银行经营绩效的影响

蓝秋霞

（首都经济贸易大学 北京 100026）

我国将力争于2030 年前实现碳达峰，在2060 年前实现碳中和。“十四五”规划提出“双循环”新发展格局下，绿色金融支持人与自然和谐共生的绿色发展的主体任务。信贷是企业重要的融资工具，为引导资金从高能耗、高污染的企业退出，进入绿色产业，商业银行绿色信贷起到了重大作用。我国绿色信贷发展取得了很大进步，2020 年末，21 家银行绿色信贷余额11.6 万亿元。在国家绿色信贷政策的大力推动下，江苏省各商业银行相继出台绿色信贷相关产品，积极响应国家绿色发展号召。

一、江苏省商业银行绿色信贷产品情况

绿色信贷又称为绿色贷款，指金融机构为支持环境改善、应对气候变化和资源节约高效利用等经济活动，发放给企（事）业法人、国家规定可以作为借款人的其他组织或个人，用于投向节能环保、清洁生产、清洁能源、生态环境、基础设施绿色升级和绿色服务等领域的贷款。近年来，江苏省商业银行在绿色信贷产品创新方面取得了一定进展。各家商业银行积极推出符合自身特色的绿色信贷产品，科学配置信贷资源，兼顾经济效益与社会责任。例如，国家开发银行支持长江大保护、绿色交通、清洁能源、生态农业、生态修复、污水垃圾和危废处理、南水北调等中长期贷款，农业发展银行推出“林业资源开发与保护贷款”“水利建设贷款”，工商银行推出排污权质押贷款、股权融资、产业基金等。部分银行除提供绿色信贷基础产品，如林业资源开发与保护贷款、水利建设贷款、光伏发电项目贷款等，还针对绿色经济新兴领域提供量身定制的信贷产品，如合同能源管理贷款、排污权质押贷款、碳交易预付账款融资等，为绿色产业提供全方位服务。

二、绿色信贷对江苏省商业银行经营绩效影响分析

（一）样本和数据来源

本文向江苏省开展绿色信贷业务的商业银行发放调查问卷，选取数据较全的31 家商业银行2019—2021 年12 个季度的样本数据，并将样本分为大型银行、股份制商业银行、城市商业银行三部分。商业银行财务指标计算的原始数据，来自商业银行的财务报表。

（二）变量选取与数据处理

1.被解释变量

商业银行经营除了强调盈利性以外，还强调资产的安全性。因此，针对商业银行经营绩效情况，本文从盈利性和安全性两个方面进行评价，选取净资产收益率（ROE）作为衡量商业银行盈利能力的指标，体现商业银行资本利用效率，选取不良贷款率（PL）作为衡量商业银行资产质量的指标。一般来说，不良贷款率越高，贷款收回的可能性越小，净资产收益率越低。各指标的具体计算公式如下。

其中，NOPAT为其税后净利润，OE为所有者权益。

不良贷款率计算的是五类贷款中后三类贷款占总贷款的比例，其中，PL1、PL2、PL3 分别表示次级贷款、可疑贷款和损失贷款，TL表示总贷款余额。

2.解释变量

绿色信贷规模（GC），根据调查问卷中商业银行填报的绿色贷款余额来衡量。

3.控制变量

本文选取银行的内部因素作为控制变量，包括贷款总额（LC）、不良贷款率（PL）、资产总额（AT）、存贷比（CDB）。其中，贷款是银行盈利的主要渠道，假定贷款规模越大，盈利能力越强；不良贷款率反映信贷资产质量，影响贷款数额，进而影响银行的盈利能力；资产总额则是反映银行经营规模大小的变量，会对不良贷款率产生影响；存贷比（CDB）为贷款总额与存款总额的比值，反映银行流动性状况。其中，绿色信贷规模、贷款总额和资产总额都是水平量，为降低变量的非平稳性，更好地解释模型，本文对这三个变量取自然对数的处理。

表1 本文的变量解释及变量名称

（三）研究假设

基于上文的分析，本文提出如下假设。

假设1：绿色信贷业务对商业银行的净资产收益率有正向效应；

假设2：绿色信贷业务对商业银行的不良贷款率有负向效应。

（四）模型构建

本文选用面板数据模型进行实证分析，设定模型一如下：

其中，被解释变量是ROE，解释变量是GC 和GC2，控制变量是PL、CDB、LC、TA，i为公司变量，t变量为时间变量。

设定模型二如下:

其中，被解释变量是PL，解释变量为GC 和GC2，控制变量为LC、TA。

（五）实证结果分析

1.变量描述性统计。本文分别对各个变量的样本量、均值、标准差、最小值、最大值进行描述性统计。

表2 变量描述性统计——总体样本

表3 变量描述性统计——股份制银行

表4 变量描述性统计——大型银行

表5 变量描述性统计——城市商业银行

2.单位根检验。由于采用面板数据回归，所以对数据进行LLC、ADF 和PP 检验，检验结果如表6 所示。从结果来看，LLC 检验中，各个指标的原序列并不全部平稳，然后对其差分之后的序列进行检验，结果均显著，说明变量为一阶差分序列。而ADF 和PP 检验结果显示，在原序列的情况下，各个指标P 值均通过平稳性检验，说明数据指标是平稳的，为o阶单整序列，平稳性检验结果通过，可以展开协整检验。

表6 单位根检验结果

3.KAO 检验结果。本文对两个模型进行了协整检验，检验的方法为KAO检验。

从表7 的结果来看，最后的T 检验统计量为-15.0787，其对应的P值为0.0000，说明该序列协整检验通过，可以展开实证分析。

表7 模型一KAO检验结果

表8 模型二KAO检验结果

模型二协整检验最后的结果，调整后的DF 检验结果统计量为-2.9854，对应的P 值为0.0014，说明检验通过，可以展开实证分析。

4.回归结果分析。实证检验通过，下面对其进行回归，线性和非线性回归结果如表9和表10。

表9 模型一回归结果

表10 模型二回归结果

Standard errors in parentheses***p＜0.01,**p＜0.05,*p＜0.1

从表9 的结果来看，整体样本中GC 与ROE 之间不存在显著的相关性，非线性检验结果同样不显著，表明江苏省商业银行开展绿色信贷业务总体上尚未给银行带来直接的收益，对盈利能力的拉动效应较弱。在分类样本中，股份制银行的GC与ROE之间不存在显著的相关性，线性检验不通过，而GC的系数为0.00103为正，GC的平方项GC2的系数显著为负，说明GC与ROE之间存在倒U型关系，结果通过非线性检验。大型银行不论是线性回归和非线性回归结果均不显著。城商行回归结果为0.000117，说明GC与ROE之间存在着显著的正相关，说明绿色信贷政策与城商行ROE之间存在着显著的线性正相关，假设1在城市商业银行样本中得到支持。

进一步开展模型二的回归，模型二的线性和非线性回归结果如表10。

结果表明，GC 与PL 之间存在着显著的正相关，GC 与PL的相关系数为0.134，显著为正，GC2 与PL 的相关系数为-0.0087，显著为负，说明非线性检验通过，表明绿色信贷政策与不良贷款率之间存在倒U 型关系。在分类样本中，GC 与PL 之间不存在显著的线性关系，GC 与PL 之间存在着显著的非线性关系，说明GC和PL在股份制银行中存在倒U型关系。GC 与PL 之间存在着显著的正线性相关，GC 与PL 之间存在着显著的倒U型关系。GC与PL之间存在着显著的正线性相关，GC 与PL 之间存在着显著的倒U 型关系。从整体的模型二的结果来看，所有的银行均存在倒U 型关系，说明其之间存在一定的同质性，银行之间的差异不太明显。这表明当绿色信贷规模较低时，不良贷款率会随绿色信贷规模扩大而增加，但绿色信贷规模达到临界值时会产生规模效应，绿色信贷规模对不良贷款率起反作用，开始改善银行的资产质量。

5.实证结果。实证结果表明，整体样本中绿色信贷与净资产收益率之间不存在显著的相关性，非线性检验结果同样不显著，表明江苏省商业银行开展绿色信贷业务总体上尚未给银行带来直接的收益，对盈利能力的拉动效应较弱。而在分类样本中，城市商业银行的绿色信贷与净资产收益率之间存在显著的正相关，表明城市商业银行开展绿色信贷业务显著提升其盈利水平，在绿色信贷领域取得一定的竞争优势。整体样本中，绿色信贷与不良贷款率之间存在倒U 型关系。在分类样本中，大型银行、股份制银行、城市商业银行的绿色信贷与不良贷款率均存在倒U 型关系，说明各类银行存在一定的同质性。当绿色信贷规模较低时，不良贷款率会随绿色信贷规模扩大而增加，但当绿色信贷规模达到临界值时产生规模效应，绿色信贷规模对不良贷款率起反作用，开始改善银行的资产质量。

三、政策建议

（一）提升商业银行开展绿色信贷重要性的认识

江苏省商业银行开展绿色信贷对提升财务绩效的积极影响尚不显著，但在碳达峰和碳中和目标下，金融推进低碳绿色发展大有可为，绿色信贷必然成为商业银行新的利润增长点，且绿色信贷达到临界值时产生规模效应，将有助于改善银行资产质量。商业银行要正确认识发展绿色信贷的重要意义，积极寻找绿色经济发展机遇，加强绿色信贷体系建设，创新绿色信贷产品，充分收获绿色信贷带来的经济效益。

（二）积极构建绿色信贷激励机制

实证表明，江苏省规模较小的城市商业银行开展绿色信贷，对其财务绩效有更显著的积极作用。但在实际中，规模较大银行的绿色信贷投放力度更大，而规模较小银行绿色信贷的发展水平则普遍很低。主要原因是中小银行资源相对有限，无法投入充足的人力、物力、财力，来保障绿色信贷业务的顺利开展，因此要强化对商业银行尤其是中小银行发展绿色信贷的政策激励，适当采取对绿色项目贴息、税收优惠和担保等措施，分散和降低中小银行开展绿色信贷的风险和成本，引导资金流向绿色领域。

（三）建立绿色信息披露和信息共享机制

目前，商业银行、企业与政府环保部门三者之间的绿色信息共享平台和信息互通机制建设仍存在不足。相关部门应着力建立健全绿色信息共享平台，增强绿色信息的可获得性，使环保部门采集的与绿色金融相关的信息，能及时准确地应用到商业银行的信贷决策中。