《绿色信贷政策提高了企业的投资效率吗？》-经济学论文，人口资源与环境论文-论文范文参考-科学狗论文网

标题

绿色信贷政策提高了企业的投资效率吗？

范文

王艳丽类晓东龙如银

摘要基于企业金融资源配置视角，文章以2007—2018年中国A股上市公司为研究样本，实证检验绿色信贷政策对重污染企业投资效率的影响，并构建有调节的中介效应模型分析其作用机制。理论和实证研究结果发现：首先，绿色信贷政策有助于提高重污染企业的投资效率。绿色信贷政策抑制了重污染企业的过度投资动机的同时，也改善了企业的投资不足倾向，该研究结论在经过替换变量、更换估计方法等一系列稳健性检验后依然成立。其次，绿色信贷政策对金融资源的配置效应可分为直接效应和派生效应。直接效应体现在重污染企业债务期限结构的变化即长期债务比重下降，派生效应表现为企业寻求替代性融资的动机激增了商业信用规模。进一步的机制研究发现，债务期限结构和商业信用在绿色信贷政策与企业投资效率之间起部分中介作用，长期债务比重的下降和商业信用额度的增加均提升了重污染企业的投资效率。此外，该传导路径受到金融错配的影响，企业面临的金融错配程度越高，绿色信贷政策对企业投资效率的正向提升效果越弱，且债务期限结构和商业信用的微观治理功能也被弱化，进而阻碍了绿色信贷发挥政策功效。文章的研究结果从微观层面验证了绿色信贷政策的有效性，绿色信贷政策克服了传统环境规制可能会对实体经济产生负面冲击的弊端，通过优化金融资源配置，提高了微观企业的投资效率，进而有助于协调经济建设与环境污染之间的矛盾，为实现“治污”与“提效”的双赢局面提供了契机，对于实现高质量发展具有重要意义。

关键词绿色信贷政策;投资效率;金融资源配置;金融错配

近年来，经济快速发展进程中显现的环境问题，不仅对人类的健康和生存造成威胁，也使经济的可持续增长面临“瓶颈”。因此，如何找到平衡经济发展与环境保护的有效方案成为世界各国迫切需要解决的现实问题。绿色金融作为一种兼具经济效益与环境效益的新兴工具得到了推广[1-4]。相较于国外，中国的绿色金融起步较晚，仍处于探索阶段[5]。2007年7月12日，中国人民银行、原国家环保总局、原中国银监会三个部门为了遏制“两高”产业的盲目扩张，联合出台了《关于落实环境保护政策法规防范信贷风险的意见》，推动绿色信贷的发展;作为关键性的时间节点，2012年2月24日，原中国银监会出台《绿色信贷指引》，则首次对绿色信贷政策的各项工作做出了具体的要求和安排;2017年3月5日，李克强总理在政府工作报告中亦明确指出大力发展绿色金融是深化金融体制改革的重要工作之一;2018年7月27日，央行发布《关于开展银行业存款类金融机构绿色信贷业绩评价的通知》，将银行业金融机构绿色信贷绩效纳入 MPA考核当中，使金融机构进一步推行绿色信贷并承担相关的社会责任。截至2018年末，中国银行业金融机构绿色信贷余额为8.23万亿元，同比增长16%[6]。绿色信贷将环境风险纳入授信管理，严格防范信贷资金流入污染行业[7]，重点支持绿色低碳项目，是目前理论界的研究热点之一。

值得关注的是，绿色信贷政策是否产生了如期的效果呢？目前主要存在两种观点：一种观点认为，作为绿色信贷实施主体的银行等金融机构缺乏经济激励，对政策执行不足[8]，且绿色信贷政策的融资约束效应明显[9]，对企业生产经营产生负面冲击[10-11];另一种观点认为，银行会主动践行绿色信贷原则，将环境因素纳入授信管理有助于提高银行资金的安全性[7]，而且通过绿色产品创新可使银行获取差异化竞争优势[12]，绿色信贷政策在降低重污染行业信贷占比[13]以及遏制高耗能产业扩张[1] 等方面发挥了一定的积极作用[14-15]，并在一定程度上改善了环境质量[16]。综合来看，目前关于绿色信贷相关理论模型、政策效果的研究仍不够丰富，尤其是缺乏基于事实数据的实证研究，因此，绿色信贷政策效果究竟如何仍需要进一步研究。此外，要正确评估绿色信贷政策的经济后果不能忽略经济发展的微观基础——企业的投资效率。投资效率体现了公司是否充分利用了相关资源进行价值创造，对企业发展和宏观经济的运行具有重要意义，是公司金融领域的重要研究问题之一[17-19]。考虑到重污染行业是环境污染的首要源头，而绿色信贷政策旨在通过限制资金流入污染领域支持绿色经济的发展，所以重污染企业更容易受到绿色信贷政策的影响。与此同时，重污染行业主要集中在工业领域，其为经济发展创造的贡献也不可忽视。因此，以重污染企业为研究对象，分析绿色信贷政策对企业投资效率的影响，更能客观反映绿色信贷政策的效果。基于此，本文在已有研究的基础上，以2007—2018年中国A股上市公司为研究样本，尝试回答以下问题：绿色信贷政策提高还是降低了重污染企业的投资效率？绿色信贷政策对企业金融资源的配置有何影响？绿色信贷通过何种机制影响企业的投资效率？

本文可能的研究贡献如下：其一，丰富了关于研究绿色信贷政策效果的文献。已有大部分文献的主要结论集中在绿色信贷政策对企业的负面约束。而本文研究发现，绿色信贷政策可能通过发挥资源配置功能提高企业的投资效率，从而为绿色信贷政策的经济效益提供了新的微觀证据。其二，补充了绿色信贷对企业金融资源配置效应的相关证据。以往研究多从信贷供给的角度研究绿色信贷政策对企业融资能力的直接影响，而本文进一步研究了企业因绿色信贷政策而派生的商业信用需求，从而更为综合地反映了绿色信贷政策对企业金融资源的配置效应。其三，基于企业金融资源配置的视角，从债务期限结构和商业信用两个维度研究了绿色信贷政策发挥作用的重要中介，并以此为基础，在绿色信贷制度框架中，纳入金融错配程度的调节作用，不仅阐明了绿色信贷政策落实到微观企业层面的传导路径，也为分析绿色信贷政策效果的异质性提供了思路。

1 理论分析与研究假设

1.1 绿色信贷政策与企业投资效率

绿色信贷是对传统信贷产品的创新，将环境风险因素纳入金融机构的日常管理中，是基于金融手段进行环境治理的重要实践。绿色信贷与传统的环境规制工具既存在相同点却又有差异。首先，从工具的设计初衷来看，无论是以行政强制命令为特征的环境规制，还是以市场激励为主导的绿色信贷，都是为了解决环境问题，实现绿色低碳发展。其次，相较于政府主导的环境规制政策，绿色信贷更侧重市场机制与政府监督的结合。绿色信贷原则要求银行等金融机构审慎评估贷款项目的环境风险，提高金融部门对绿色项目的偏好，通过借贷市场加强对社会资金的引导作用，促进生态协调与可持续发展。因此，有权发放信贷的金融机构在绿色信贷制度的践行中扮演着至关重要的作用;而政府在其中主要发挥引导公众预期和监督作用，激励实体企业与金融机构提高绿色意识，并对违背绿色信贷原则的行为予以问责与纠正。

绿色信贷政策的重要功能不仅体现在治理环境，还应体现在提高服务实体经济的能力。从理论上分析，绿色信贷政策结合了市场调节与行政规制的特点，以市场力量为主导，以政府监督为辅助，通过合理规划金融资源的投向实现环境保护目标。同时，依赖市场的自我调节能力有助于减轻甚至消除环境政策对企业经营的负面影响。以往研究得出绿色信贷政策对企业发展产生负面冲击结论的可能原因是，在政策实施初期，企业面临较高的政策不确定性，出于管理层的恐慌情绪，未能充分利用投资机会实现企业成长[20]，故绿色信贷对企业的影响主要表现为融资约束性，而没有激励企业改善生产经营。本文则认为绿色信贷的发展可能会提高重污染企业的投资效率。首先，绿色信贷提高了对环境风险的重视，对重污染企业产生融资约束，但同时会强化监督效应，降低银企双方的信息不对称，有助于减少企业盲目投资行为，从而提高企业的投资效率。其次，随着社会各界环保意识增强，产业政策向环境友好型项目倾斜，重污染企业不仅面临合规成本，而且面临的舆论压力上升，绿色信贷政策则放大了鼓励绿色生产的信号效应，企业的管理层出于谨慎考虑，会转变投资策略，削减高污染的投资支出，逐渐转向绿色投资项目，以缓解融资约束并通过建立绿色声誉而提高竞争力，有助于投资效率的提升。综合来看，无论是外部政策高压还是内部变革动力，都会使重污染企业投资效率得到提升。基于上述理论分析，本文提出以下假设。

假设1：绿色信贷政策提高了重污染企业的投资效率。

1.2 绿色信贷政策、金融资源配置与企业投资效率

本文关注的另一个重要问题是：绿色信贷通过何种机制影响企业的投资效率？一方面，环境风险的急剧上升对银行信贷资金的安全性造成了威胁[5，7]。根据绿色信贷原则，银行等金融机构将环境风险因素作为信贷的重要依据，对重污染企业进行严格的信贷评估，从而减少或者停止对重污染领域的信贷投入。此外，绿色信贷政策会进一步提高企业对环境信息披露的透明度，通过信号效应进而影响企业在资本市场的融资能力。因此，重污染企业的长期债务比例会有一定的下降。长期债务是投资主要的资金来源，绿色信贷对债务期限结构的影响势必会使管理层的投资趋于谨慎，减弱了盲目投资扩张的动机。另一方面，企业以利润最大化为目标，为了减缓债务融资受限的压力，满足盈利性的生产需求，企业会积极寻找替代性融资，即绿色信贷政策对资源配置的派生效应。与此同时，已有研究发现商业信用是一种普遍的非正式融资方式[21]，在企业面临融资约束时可作为重要的替代性融资[22]。因此，尽管绿色信贷使债务融资受限，但能通过增加商业信用输入资金，一定程度上避免了企业因融资约束产生投资不足。此外，商业信用还具有信号传递作用[23]，有助于降低银企之间的信息不对称，从而对企业形成有效监督，实现投资价值最大化。综上所述，本文提出以下假设。

假设2：绿色信贷政策降低了重污染企业的长期债务占比，进而提高了企业的投资效率。

假设3：绿色信贷政策增加了重污染企业的商业信用规模，进而提高了企业的投资效率。

在分析绿色信贷政策影响企业投资效率的机制基础上，考虑到中国金融市场摩擦以及资源分配不均等金融错配现象的存在[24]，绿色信贷的政策效果是否会受到金融错配的阻碍呢？从宏观层面上讲，金融错配导致资源的低效利用，甚至扰乱市场秩序，不利于经济的健康运行[25];从微观企业的角度，金融错配弱化了债权治理的有效性，加剧了股东与债权人之间的利益沖突，加剧了企业的非理性投资，不利于企业发展[26]。因此，金融错配可能会对绿色信贷政策的实施效果产生不利影响。基于此，本文提出以下假设。

假设4：金融错配削弱了绿色信贷政策对重污染企业投资效率的提升作用。

2 研究设计

2.1 样本选择与数据来源

本文以2007—2018年中国A股上市公司为原始样本。参照2008年原中国环境保护部印发的《上市公司环保核查行业分类管理名录》对重污染企业进行界定。根据该文件，本文所研究的重污染企业集中在以下行业：火电、钢铁、水泥、电解铝、煤炭、冶金、建材、采矿、化工、石化、制药、轻工、纺织、制革。为了保证研究数据的质量，本文剔除以下样本：①被交易所进行特别处理的上市公司;②上市时间不满一年的公司;③部分变量数据缺失的样本。经过以上筛选，最终得到8 743个观测值，其中涉及重污染企业1 177家。本文涉及的上市公司的财务数据来源于CSMAR数据库，绿色信贷数据来源于中国银行业协会编写的历年《中国银行业社会责任报告》。为避免异常值的影响，本文对所有连续型变量进行上下1%分位数的缩尾处理。

2.2 变量定义

2.2.1 被解释变量：企业投资效率

企业的投资效率反映了企业能否充分利用投资机会进行价值创造，由于现实市场存在摩擦，企业面临投资机会时可能做出非理性决策，导致非效率投资行为的产生。绿色信贷作为一种绿色金融工具，反映为宏观政策层面的因素，通过金融资源配置效应影响企业的投资决策过程，进而作用于企业的投资效率。本文借鉴Richardson[27]提出的预期投资模型，将企业的新增投资支出分为预期支出和非预期支出，其中预期投资支出符合效率原则，非预期部分的投资支出为企业实际投资额相对于预期投资水平的偏差，反映了企业的非效率投资，并以此作为企业投资效率（IE）的代理变量，模型设定如下：

其中，Investit表示i企业第t年的实际新增投资支出。Growth表示成长机会，用企业的营业收入增长率来衡量。Lev表示资产负债率， Cash表示现金流量水平，Age表示企业上市年限，Size表示企业规模，Ret表示年度股票收益率，Investit-1表示第t-1年的实际新增投资水平，Year和Ind分别表示时间效应和行业效应，ε表示随机扰动项。对模型（1）进行回归，取回归残差衡量企业的投资效率。若回归残差大于0，表示过度投资（Overinv），数值越大则投资效率越低;若回归残差小于0，表示投资不足（Underinv），数值越大表明投资效率越高。为了便于分析，对回归残差取绝对值作为企业投资效率的代理变量，该值越大，投资效率越低。

2.2.2 核心解释变量：绿色信贷

目前，绿色信贷的统计口径有所不同，且数据较为有限，难以直接获得准确的绿色信贷投入数据。以往文献中对绿色信贷的衡量方法主要有以下三种：政策虚拟变量[9-10，13]、“两高一剩”行业信贷占比[15，28]、节能环保贷款额度[14]。根据2018年原中国银监会公布的关于绿色信贷统计资料，绿色信贷政策主要倾向于支持绿色环保项目，节能环保及服务贷款占绿色信贷总额的比例超过70%。因此，为便于量化评估绿色信贷政策效果，本文以银行业每年节能环保贷款余额占贷款总额的比例作为绿色信贷政策强度（GC）的代理变量。

2.2.3 中介变量：金融资源配置

首先，用债务的期限结构（Debts）表示企业的债务融资情况，本文选用长期债务占总负债比例的数值表示，该指标可以反映绿色信贷对金融资源的直接配置效应;其次，用商业信用额度（TC）衡量企业的替代性融资来源，反映绿色信贷政策派生的间接配置效应。参照陈幸幸等[23]的做法，选取商业信用总额与资产总额的比值来表示。通过上述两个指标可以较为全面地反映绿色信贷政策对企业金融资源的配置效应。

2.2.4 调节变量：金融错配

金融错配是指在资源稀缺性条件下，相对于最优要素配置的偏离。在现有文献中，学者们分别从企业成本[29] 、信贷歧视[30-31]和环境污染[32]等角度对金融错配的程度和后果展开讨论与研究。其中，邵挺[29]从微观角度以企业资本成本相对于行业平均资本成本的偏离程度来衡量金融错配，这种测算方式便于从企业层面切入研究资源配置效率的相关问题。本文侧重研究绿色信贷政策对重污染企业投资效率的影响，因而借鉴上述做法更为准确和有效。企业面临的金融错配程度的具体计算方法为：

其中，Finmipt表示i企业第t年面临的金融错配程度，Rpt表示p行业第t年的平均资本成本，I表示企业利息支出，L表示负债，A表示应付账款。由于本文研究的重点不是金融错配的具体程度，而是基于不同的金融错配水平，检验绿色信贷与企业投资效率之间的关系是否呈现异质性。因此，本文设置虚拟变量以便于进行调节分析。按照行业年度分组，分别计算金融错配程度的中位数作为分类标准，高于中位数则为金融错配程度较高的企业，设置为1，否则设置为0。

2.2.5 控制變量

除绿色信贷以外的其他因素可能也会对企业投资效率产生影响，为了避免遗漏变量而产生偏差，参照类似文献[11，18-20]，本文在模型中加入了以下控制变量：总资产报酬率（Roa），即息税前利润与总资产的比值;企业成长性（Growth），用营业收入增长率表示;企业规模（Size），采用资产总额的自然对数衡量;上市年龄（Age），采用对上市时间取自然对数来衡量;股权集中度（Hold），用第一大股东持股比例表示;资产负债率（Lev），用总负债与总资产之比来表示;现金流量（Cash），用经营现金流量净额与总资产的比值衡量;董事会规模（Board），用董事会成员总数的自然对数表示;产权性质（Soe），如果公司实际控制人为国有性质设定为1，否则为0;有形资产（Tangible），用固定资产净值与资产总额的比值表示。

2.3 实证研究模型构建

2.3.1 基准模型

为了研究绿色信贷政策对重污染企业投资效率的影响，构建如下的计量模型（3）：

其中，IE表示企业投资效率。GC表示绿色信贷政策的代理变量，Controls表示其他控制变量。预期系数β1的符号为负，表明绿色信贷政策可以提高重污染企业的投资效率。

2.3.2 中介效应模型

为了进一步厘清绿色信贷政策对企业投资效率的作用路径，本文借鉴温忠麟和叶宝娟[33]的检验方法，在基本回归模型的基础上，设置模型（4）～（7）：

其中，Debts表示债务期限结构，TC表示商业信用额度，其他变量的含义与模型（3）中一致。模型（4）检验绿色信贷政策对企业债务期限结构的影响，预期系数η1的符号为负，表明绿色信贷政策降低了企业的长期债务比例;模型（5）检验绿色信贷政策对企业商业信用的影响，预期系数γ1的符号为正，表明绿色信贷政策会激增企业的商业信用;模型（6）则在控制债务期限结构变量时检验绿色信贷政策对企业投资效率的影响，系数τ1代表绿色信贷对企业投资效率的直接效应，系数η1与系数τ2的乘积代表债务期限结构的中介效应。同理，根据模型（7），在控制商业信用变量时绿色信贷对企业投资效率的直接效应为系数θ1，商业信用的中介效应用系数γ1与θ2系数的乘积表示。

以债务期限结构（Debts）作为中介变量为例，中介效应检验程序如下：首先，检验模型（3）中系数β1的显著性，若显著则表明绿色信贷政策对企业投资效率的作用显著，需要进行下一步检验，否则停止中介效应检验。其次，继续检验模型（4）和模型（6），在系数η1和系数τ2均显著的情况下，若系数τ1也显著，表明存在部分中介作用;若系数τ1不显著，表明存在完全中介效应。若在系数η1和系数τ2中至少有一个系数未通过显著性检验，则采用Bootstrap方法进行分析。同理，重复以上步骤分析模型（5）、模型（7）中的回归系数，可以检验商业信用的中介效应。

2.3.3 考虑调节变量的中介效应模型

考虑到企业自身面临的金融环境会对公司治理产生影响，本文纳入金融错配程度作为调节变量，构建计量模型（8）～（12），在中介效应的基础上进行拓展分析。其中，Finm表示金融错配程度的代理变量，有调节的中介作用路径如图1所示。

参照温忠麟和叶宝娟[34]的调节作用检验步骤如下：首先，模型（8）检验金融错配对图1路径①的调节作用，若系数χ3显著，则表明调节作用显著;其次，分别检验模型（9）、模型（10）中系数π1，π3 以及ρ1，ρ3 的显著性;最后，检验模型（11）、模型（12）中系数ζ4，ζ5 以及λ4，λ5 的显著性。若π1（ρ1）显著且ζ5（λ5）显著，则金融错配对路径③的调节作用显著存在;若π3（ρ3）显著且ζ4（λ4）显著，则金融错配对路径②存在调节作用。考虑金融错配的调节效应后，中介效应的大小与调节变量的取值有关，二者之间的关系为：中介效应=（π1+π3Finm）×（ζ4+ζ5Finm）或（ρ1+ρ3Finm）×（λ4+λ5Finm）。

3 实证结果与分析

3.1 企业投资效率的估计结果

为了测算企业的投资效率，本文采用固定效应模型对模型（1）进行估计，表1显示了回归结果，大多数变量的回归系数均在1%水平显著，且符号与预期基本一致，表明该投资预测模型是合理的。根据该拟合结果，可以计算出企业每年正常的投资水平，实际投资相对于预期投资的偏差为企业非效率投资部分。

3.2 描述性统计和相关性分析

表2报告了变量的描述性统计分析结果。本文的样本观测值共有8 743，其中表示过度投资的有3 789个，投资不足有4 954个。企业投资效率（IE）均值为0.058，中位数为0.047，表明研究样本间的投资效率存在一定的差异。绿色信贷代理变量（GC）均值为0.042，小于中位数0.054，表明各年份的绿色信贷投入存在一定程度的差距。此外，根据债务期限结构和商业信用的统计数据可知，在样本期间内重污染企业的金融资源可得性呈现出波动变化。而金融錯配程度的均值远大于中位数，表明企业普遍面临着金融资源的非合理配置，这也与中国金融市场的现实情况相符。

此外，考虑到变量间的高度相关性可能会引起多重共线问题，从而影响估计结果的准确性。本文对各解释变量间的相关系数进行了检验，结果显示，核心解释变量绿色信贷（GC）和债务期限结构（Debts）以及商业信用额度（TC）之间的相关系数分别为-0.027和0.088;调节变量金融错配（Finm）与绿色信贷代理变量（GC）之间的相关系数为0.057，与债务期限结构（Debts）和商业信用额度（TC）之间的相关系数分别是-0.085和-0.061，其他解释变量之间的相关系数绝对值也均远小于0.8，故模型不存在严重的多重共线问题，保证了估计结果的相对可靠性。

3.3 绿色信贷政策对企业投资效率的影响

表3报告了绿色信贷政策对重污染企业投资效率的回归结果。列（1）中绿色信贷（GC）对企业投资效率（IE）的回归系数为-0.337，在1%水平上显著，说明绿色信贷政策对企业投资效率有正向提升作用。为避免遗漏重要变量，加入控制变量重新回归并固定时间、行业和省份效应，列（2）估计结果显示，若绿色信贷投入的比例增加1%，则企业实际投资支出和最优投资水平之间的差额平均会减少29.6%。这表明，随着绿色信贷政策力度的加强，重污染企业的投资效率有逐渐提高的趋势，支持了本文的假设1。列（3）～（6）为分样本检验的回归结果，其中，列（4）和列（6）是控制相关变量和因素效应的回归结果。列（4）中绿色信贷（GC）的系数为-0.876，在 1% 的水平上显著，表明绿色信贷政策抑制了企业的过度投资;列（6）中绿色信贷（GC）的系数为0.243，也通过了显著性检验，说明绿色信贷政策没有导致重污染企业产生投资不足倾向。

3.4 稳健性检验

为了避免变量的偶然性造成的偏差，本文进行以下变量替换方式以增强实证结果的稳健性。首先，考虑到2012年原中国银监会出台的《绿色信贷指引》是中国第一部关于绿色信贷的专项政策，已成为众多学者研究绿色信贷的关键视角[9-10， 13， 23]。因此，本文引入绿色信贷政策的虚拟变量作为稳健性检验指标：以2012年为时间节点，2012年以前设置为0，2012年及其以后设置为1。回归结果见表4的列（1），绿色信贷（GC）的估计系数在1%水平上显著为负，再次支持了本文提出的假设。其次，参考陈运森等 [35]、祝继高等 [36] 的做法，更换企业投资效率测算模型如下：

其中，Invest和Growth的含义与模型（1）中相同。NEG为虚拟变量，当营业收入增长率小于零时取值为1，否则设为0。分别用以上模型的残差绝对值作为衡量企业投资效率的代理变量。根据列（2）～（3）的结果，绿色信贷（GC）对企业投资效率（IE）的回归系数仍显著为负，验证了绿色信贷政策对企业投资效率的提升作用。

此外，本文进一步通过更换估计方法进行稳健性检验。首先，考虑到投资效率的取值恒不小于0，属于受限数据，因此采用面板数据的Tobit模型进行估计的结果可能会更有效。表4的第（4）列为回归结果，结论与前文基本一致。其次，绿色信贷变量可能不具有严格的外生性。绿色信贷的政策力度可能会随着企业的投资反应而调整。因此，为了解决潜在的内生性问题，本文以滞后一期的绿色信贷投入为工具变量，通过两阶段最小二乘法进行估计，表4的第（5）列显示了第一阶段的回归结果，工具变量（IV）的估计系数为0.676，在1%水平上显著，且F统计量的值远大于10，表明不存在弱工具变量问题。第二阶段回归结果如列（6）所示，绿色信贷（GC）的估计系数为-0.289，仍支持绿色信贷能够促进企业投资效率提高的结论。最后，为了简化分析过程，前文并未考虑到模型的动态性，而个体的行为可能会因惯性而受到过去行为的影响。为了更贴切地反映实际，本文纳入被解释变量（IE）的滞后项，构成动态面板模型进行系统GMM估计，列（7）结果显示，一阶滞后项L_IE的估计系数为0.188，在1%水平上显著为负，表明上期的投资效率的确会对本期造成影响;而绿色信贷（GC）的估计系数在1%水平上显著为负，再次表明前文研究结果具有稳健性。

3.5 绿色信贷政策、企业金融资源配置与企业投资效率

表5的回归结果反映了绿色信贷政策对企业金融资源的配置效应。根据列（2）结果，绿色信贷（GC）对债务期限结构（Debts）的回归系数为-0.895，在1%水平上显著，表明绿色信贷使得重污染企业的长期债务比重降低。

回归系数0.266，表明绿色信贷使重污染企业的商业信用额度显著增加。由此可知，绿色信贷政策对重污染企业的资源配置效应是双重的。一方面，绿色信贷原则要求减少流向重污染行业的信贷投入，从而使重污染企业获得的长期借款数额减少，进而改变企业的债务期限结构。另一方面，长期债务的减少使企业维持正常生产经营的资金来源受到限制，会激励企业积极寻求商业信用作为替代性融资。

那么，以上两种效应对重污染企业的投资效率综合效应如何？结合前文提出的中介检验流程，根据表5列（1）～（3）的结果，绿色信贷对企业投资效率的综合效应是-0.296，控制债务期限结构的影响后，直接效应是-0.267，债务期限结构所起的中介效应为-0.019，约占总效应的6.42%，支持了债务期限结构在绿色信贷对企业投资效率的影响中起部分中介作用的假设，与以往研究中关于债务具有公司治理效应的结论相符。同样，表5列（4）～（6）是对商业信用的中介效应检验的回归结果。控制商业信用的影响后，绿色信贷对企业投资效率直接效应是-0.279，商业信用所起的中介效应为-0.012，约占总效应的4.05%，验证了商业信用在绿色信贷发挥“提效”功能中的部分中介作用。以上研究发现表明，绿色信贷通过引导资源在企业间的合理分配，有助于发挥金融资源的治理效应，进而促进了重污染企业投资效率的提升，验证了本文假设2和假设3的合理性。

3.6 金融错配的调节作用

由表6中列（1）和列（4）结果可知，金融错配程度直接影响绿色信贷对企业投资效率的正向作用，交叉项Finm×GC的系数在1 %水平上显著为正，表明面临金融错配程度较高的企业，绿色信贷的“提效”功能减弱。根据列（2）和列（5），绿色信贷（GC）的估计系数均显著，但交叉项Finm×GC的系数不显著，表明金融错配对于绿色信贷政策的金融资源的配置不存在显著的调节效应。其中一个可能的原因是：金融错配程度是金融资源非效率配置的一个结果，而对于金融资源的分配过程没有明显影响。根据列（3）和列（6）列的回归结果，作为中介变量的债务期限结构（Debts）和商业信用（TC）的估计系数均显著，交叉项Finm×Debts和Finm×TC和的估计系数也均显著，表明金融错配对债务期限结构和商业信用发挥治理功能的过程存在调节作用，进而影响了绿色信贷政策对企业投资效率的“提效”作用。根据表6，可以计算出在考虑调节变量情况下的中介效应为以下系数的乘积：-0.892×（0.053-0.044×Finm），0.253×（-0.058+0.025×Finm）。由此可知，金融错配（Finm）对中介效应的影响系数为正，表明随着金融错配程度的加深，绿色信贷通过合理配置金融资源从而实现企业效率提升的作用被削弱。

4 结论与政策启示

基于企业金融资源配置视角，本文以2007—2018年中国A股上市公司为研究样本，实证检验绿色信贷政策对重污染企业投资效率的影响，并构建有调节的中介效应模型分析其作用机制。研究结果发现：首先，绿色信贷政策有助于提高重污染企业的投资效率。绿色信贷政策抑制了企业的过度投资动机的同时，也改善了企业的投资不足倾向。该结论在通过替换变量、更换模型等一系列稳健性检验后依然成立。其次，绿色信贷政策对金融资源的配置效应可分为直接效应和派生效应。直接效应体现在重污染企业债务期限结构的变化——长期债务比重下降，派生效应表现为企业寻求替代性融资的动机激增了商业信用规模。进一步的机制研究发现，债务期限结构和商业信用在绿色信贷政策与企业投资效率之间起部分中介作用，长期债务比重的下降和商业信用额度的增加均提升了重污染企业的投资效率。此外，该传导路径受到金融错配的影响，企业面临的金融错配程度越高，绿色信贷政策对企业投资效率的正向提升效果越弱。同时，随着金融错配程度的加深，债务期限结构和商业信用的微观治理功能也被弱化，进而阻碍了绿色信贷发挥政策功效的中介渠道。本文的研究结果表明，绿色信贷政策克服了传统环境规制对实体经济产生负面冲击的弊端，通过优化资源配置和差异化信贷管理，不仅能从源头降低污染能耗，而且有助于提高微观治理效率，为实现“治污”与“提效”的双赢局面提供了契机。

基于上述研究结论，本文可得到以下三方面的启示：①绿色信贷政策提高了微观企业的投资效率，有助于协调经济建设与环境污染之间的矛盾。因此，应该重视绿色金融产品在经济发展和环境保护中的双重作用，强化市场柔性调节与政府刚性约束在环境治理中的协同作用。政府部门要加大绿色金融基础设施投入，扩大绿色金融改革创新试验区试点范围，设计贴息、定向降准、再贷款等有效的绿色激励措施，引导和督促金融机构和实体企业践行绿色原则。银行等金融机构要倡导“赤道原则”，在金融活动中充分考虑环境风险，培育良好的绿色金融文化，支持绿色低碳发展。企业要转变经营理念，提高环境风险意识，积极履行社会责任，通过建立绿色声誉争取多渠道的融资支持。②绿色信贷政策不仅直接通过信贷配给影响企业，还可能通过金融市场的联动产生派生效应，影响商业信用等其他金融资源在企业间的分配，进而作用于企业的生产经营过程。因此，绿色信贷的实施需要增强各金融子市场之间的互动、联动与协同，为支持低碳发展创造更为灵活的绿色金融分配调节空间，以更加准确地厘清绿色信贷对微观主体的影响机制，及时获得企业的反馈并适時调整政策，合理把握政策强度，持续优化绿色信贷政策对金融资源的配置效应，在实现绿色发展的同时增强金融对实体经济的服务能力。③金融错配阻碍了绿色信贷释放经济效益的潜能，不利于实现环境与经济的双重红利。因此，要深入推进金融供给侧结构性改革，充分利用大数据实现政银企三方数据共享、信息互通，降低金融错配程度，改善企业的投融资环境，为绿色信贷的后续发展创造有利的金融市场环境。

参考文献

[1] LIU J， XIA Y， FAN Y， et al. Assessment of a green credit policy aimed at energy-intensive industries in China based on a financial CGE Model[J]. Journal of cleaner production， 2017，163： 293-302.

[2]谢婷婷，刘锦华. 绿色信贷如何影响中国绿色经济增长？[J]. 中国人口·资源与环境， 2019，29（9）： 83-90.

[3]王遥，潘冬阳，彭俞超，等. 基于DSGE模型的绿色信贷激励政策研究[J]. 金融研究， 2019（11）： 1-18.

[4]翁智雄，葛察忠，段显明，等. 国内外绿色金融产品对比研究[J]. 中国人口·资源与环境， 2015， 25（6）：17-22.

[5]巴曙松，杨春波，姚舜达. 中国绿色金融研究进展述评[J]. 金融发展研究， 2018（6）： 3-11.

[6]中国人民银行. 中国绿色金融发展报告（2018）摘要[R]. 2005： 2.

[7]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.

[8]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.

[9]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）： 123-137.

[10]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（4）： 62-75.

[11]HE L， LIU R， ZHONG Z， et al. Can green financial development promote renewable energy investment efficiency： a consideration of bank credit[J]. Renewable energy， 2019， 143： 974-984.

[12]高晓燕，高歌. 绿色信贷规模与商业银行竞争力的关系探究[J]. 经济问题， 2018（7）： 15-21.

[13]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（3）： 118-129.

[14]徐胜，赵欣欣，姚双. 绿色信贷对产业结构升级的影响效应分析[J]. 上海财经大学学报， 2018 ，20（2）： 59-72.

[15]王康仕，孙旭然，王凤荣. 绿色金融、融资约束与污染企业投资[J]. 当代经济管理， 2019，41（12）： 83-96.

[16]蔡海静，汪祥耀，谭超. 绿色信贷政策、企业新增银行借款与环保效应[J]. 会计研究， 2019（3）： 88-95.

[17]喻坤，李治国，张晓蓉，等. 企业投资效率之谜：融资约束假说与货币政策冲击[J]. 经济研究， 2014， 49（5）： 106-120.

[18]王满，徐晨阳. 金融错配下融资约束能抑制企业过度投资吗？[J]. 经济问题探索， 2016（9）： 135-145.

[19]張庆君，李萌. 金融错配、企业资本结构与非效率投资[J]. 金融论坛， 2018， 23（12）： 21-36.

[20]陈德球，陈运森，董志勇. 政策不确定性、市场竞争与资本配置[J]. 金融研究， 2017， 449（11）： 65-80.

[21]SHENOY J， WILLIAMS R. Trade credit and the joint effects of supplier and customer financial characteristics[J]. Journal of financial intermediation， 2017， 29： 68-80.

[22]TSURUTA D， UCHIDA H. The real driver of trade credit[J]. Pacific-basin finance journal， 2019， 57： 1-27.

[23]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）： 13-22.

[24]林滨，王弟海，陈诗一. 企业效率异质性、金融摩擦的资源再分配机制与经济波动[J]. 金融研究， 2018（8）： 17-32.

[25]刘斌斌，严武，黄小勇. 信贷错配对我国绿色技术创新的影响分析：基于地区环境规制差异的视角[J]. 当代财经， 2019（9）： 60-71.

[26]TOMBE T， WINTER J. Environmental policy and misallocation： the productivity effect of intensity standards[J]. Journal of environmental economics and management， 2015， 72： 137-163.

[27]RICHARDSON S. Over-investment of free cash flow[J]. Review of accounting studies， 2006， 11（3）： 159-189.

[28]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（7）：9-19.

[29]邵挺.金融错配、所有制结构与资本回报率：来自1999—2007年我国工业企业的研究[J].金融研究，2010，363（9）： 51-68 .

[30]刘瑞明. 金融压抑、所有制歧视与增长拖累：国有企业效率损失再考察[J]. 经济学（季刊）， 2011， 10（2）： 603-618.

[31]靳来群. 所有制歧视所致金融资源错配程度分析[J]. 经济学动态， 2015（6）： 36-44.

[32]文书洋，刘锡良. 金融错配、环境污染与可持续增长[J]. 经济与管理研究， 2019， 40（3）： 3-20.

[33]温忠麟，叶宝娟. 中介效应分析：方法和模型发展[J]. 心理科学进展， 2014， 22（5）： 731-745.

[34]温忠麟，叶宝娟. 有调节的中介模型检验方法：竞争还是替补？[J]. 心理学报， 2014， 46（5）： 714-726.

[35]陈运森，黄健峤. 股票市场开放与企业投资效率：基于“沪港通”的准自然实验[J]. 金融研究， 2019（8）： 151-170.

[36]祝继高，李天时，赵浩彤. 银行结构性竞争与企业投资效率：基于中国工业企业数据的实证研究[J]. 财经研究， 2020， 46（3）： 4-18.

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。