■ 钟献兵，马福春，魏 妍，谢婉芸，李柏润

一、引言

中国提出力争在2030年前碳排放达到峰值，在2060年前实现碳中和。2021年中央经济工作会议和政府工作报告也提出扎实做好碳达峰、碳中和各项工作。而碳排放总量的限制会加大高污染企业的财务风险，金融市场对这些风险的忽视会导致高污染企业价值被高估，可能导致“碳泡沫”。绿色金融作为实现碳达峰、碳中和目标的重要途径，如何缓解“碳泡沫”并实现高质量发展备受关注。近些年来，绿色金融在建设环保制度中发挥了重要作用，通过金融工具优化高污染行业的资本配置，引导信贷资源投向绿色产业，远离高污染的、落后的、低产能的行业，从而抑制“碳泡沫”的存在，对我国经济起到“调结构、转方式、促发展”的重要作用（陆菁等，2021；张云辉和赵佳慧，2019）。

发展绿色金融的重点和关键环节在于推行绿色信贷政策。2007年7月12日，中国人民银行等部委发布的《关于落实环保政策法规防范信贷风险的意见》，提出了环保和信贷工作相结合，引导银行对绿色生产、环境保护、低污染等行业和领域内的企业提供优惠性低利率、加大资金扶持等政策；而对“两高一剩”企业，通过提高贷款成本、降低融资额度等约束性措施，在一定程度上限制信贷资金过度流入“两高一剩”企业，降低“两高一剩”信贷融资风险。强化银行信贷环保要求，通过信贷约束引导污染排放，降低银行信贷市场存在的金融风险，此《意见》首次将绿色信贷作为保护环境与节能减排的重要市场手段。

笔者尝试通过实证研究，分析绿色信贷政策执行中几个重要问题：银行信贷市场是否存在“碳泡沫”？绿色信贷政策能否抑制“碳泡沫”的产生？绿色信贷政策效应具体表现在哪些方面？影响绿色信贷政策效应的作用机制是什么？异质性分析产生的非对称性影响？主要从以下三方面进行分析：（1）将企业债务融资水平纳入分析模型中，分别从时间与空间双重维度探讨银行信贷市场是否有“碳泡沫”存在。（2）运用双重差分法检验绿色信贷政策对企业债务融资成本的影响，深入探讨绿色信贷政策抑制“碳泡沫”的主要机制和渠道。（3）考察绿色信贷政策影响企业债务融资水平的异质性。

综上，边际贡献在于：一是提供了绿色信贷政策风险定价的证据，分析了银行信贷市场“碳泡沫”是否存在。二是拓展了绿色金融研究框架，从内部、外部两个维度分别论证了绿色信贷政策的异质性。三是丰富了绿色金融研究。现有关于绿色金融的研究，主要是从环境治理政策、企业排污、排污权交易等宏观层面来研究绿色金融以及环境治理效应，关于绿色信贷政策风险定价在微观层面的实施效果及经济效应研究相对较少。

二、文献综述与研究假说

首先，高污染企业因为受到环境规制等政策的影响，其碳排放总量会受到限制，导致高污染企业无法使用储备资产，进而导致大量储备成为“搁浅资产”，会给企业带来巨大财务风险。尽管如此，高污染企业仍旧在持续寻找投资和发展新能源储备。持续的投资加上现存的大量搁浅资产情况表明，金融市场忽略了高污染企业资产变为“搁浅”资产的可能性，导致“碳泡沫”存在即高污染企业价值被高估。而绿色信贷政策的实施是否有助于抑制高污染企业“碳泡沫”的产生（Mcglade & Ekins，2015）？因此，提出以下假设。

假设1：绿色信贷政策实施前，银行信贷市场可能存在“碳泡沫”。

其次，绿色信贷的实施将对高污染企业的融资情况加以约束。一是通过高利率水平从供给端控制信贷投放。如果银行能够严格落实绿色信贷政策，将企业的环境保护情况纳入信贷审批的重要指标来考虑，通过提高利率水平来控制信贷门槛，那么高污染企业的融资成本会上升，从银行获取的融资将明显减少，特别是“两高一剩”企业的新增银行借款和企业长期负债融资将显著降低（Michael et al.，2005；蔡海静等，2019；张颖和吴桐，2018）。二是企业环保信息对称有助于银行更好地了解企业环评信息，在发放贷款时更加审慎。同时，企业环保信息披露也将传递到资本市场，影响外部债权人的判断，进而降低企业的资本融资。三是绿色信贷政策实施后，社会各界更加关注企业发展中的环境污染情况，在环境问题中缺失伦理道德的企业将面临重大负面舆论，甚至可能面临法律诉讼风险，导致债权人撤资或银行拒绝贷款延期、展期，因此高污染企业的债务融资水平下降，并且由于政策对高污染企业的信贷抑制，显著提高了高污染企业的债务融资成本（李新功和朱艳平，2021）。四是通过实施惩罚性高利率，有效地抑制高污染行业的投资行为，在短期、中期内能减少高污染行业的产出，从而遏制高污染企业的负债融资和投资水平（刘婧宇等，2015；丁杰，2019）。 因此，提出以下假设。

假设2：绿色信贷政策实施后，高污染企业债务融资成本显著上升，高于低污染企业，“碳泡沫”进一步缓解。

最后，绿色信贷政策效应的大小可能会受到企业的类型、规模等因素影响。一是按产权性质划分，由于国有企业在担保和融资等方面相较民营企业而言有先天优势，同时承担着更多社会责任和国家政策导向性任务，因此银行对国企提供的信贷资金较民营企业更为充足。高污染国有企业在绿色信贷政策方面受到的信贷融资约束更为明显，在企业资本投资方面抑制作用也更为显著，国有高污染企业的惩罚效应反而更强（李广子和刘力，2009；蔡海静等，2019；丁杰，2019）。二是从企业规模看，规模较大的高污染企业往往具备较强的还款能力及较低的融资约束，更易获得银行的融资支持，因此绿色信贷政策的实施对规模较大的高污染企业的惩罚效应也愈加凸显。此外，绿色信贷政策的实施会抑制规模较大的高污染企业的技术创新投入（苏冬蔚和连莉莉，2018；陆菁等，2021）。三是从地区污染程度看，不同区域的碳排放量、人均碳排放量、碳排放强度、污染程度存在明显不同，导致不同污染地区之间绿色信贷政策处罚程度存在较大差异。有学者研究发现，绿色信贷政策对高排放地区企业的债务融资和长期负债存在显著的抑制作用。在环境污染较严重的省份，政府需更为谨慎地处理经济增长和环境保护的关系，可能会更为关注当地节能减排、绿色信贷的实施情况，因此绿色信贷政策的实施也会在一定程度上加大对高排放地区企业的投融资行为的抑制效应（苏冬蔚和连莉莉，2018；蔡海静等，2019；薛俭和朱迪，2021）。因此，提出以下假设。

假设3：绿色信贷政策实施对企业规模、产权性质、地区污染程度不同的高污染企业债务融资成本存在异质性。

三、研究设计

（一）模型设定

为分析绿色信贷政策出台对企业债务融资成本的效应，采用双重差分法（DID）进行分析。以绿色信贷政策的出台为背景，构造准自然实验需要的实验组和对照组。从绿色信贷政策对象看，高污染企业受绿色信贷政策的直接影响更明显，因此选取高污染企业为实验组，低污染企业为对照组（陆菁等，2021）。因为企业目前没有披露污染排放数据，无法直接获取企业的污染程度，结合证监会发布的行业标准和环保部规定的煤炭、采矿、纺织等16个重污染行业作为企业污染程度识别的重要依据（丁杰，2019；蔡海静等，2019；李新功和朱艳平，2021）。为验证假说1和2，构建如下双重差分模型（DID）：

其中，i表示企业，t表示年份。Debt为债务融资成本，Pollute用来表示企业污染程度，1表示为实验组（高污染企业），0为控制组（清洁企业）；将政策冲击时间指标变量定义为Grpolicy2007，以绿色信贷政策执行（2007年）为政策发生的时间点，将绿色信贷政策执行后的各年赋值为1，绿色信贷政策执行前各年赋值为0。将企业、省份两个层面的控制变量分别定义为X、Z；μ，λ，ε分别表示企业、时间两个维度的固定效应和随机扰动项。主要关注的是Pollute×Grpolicy2007的系数β，其衡量了绿色信贷政策出台前后企业债务融资成本的变动情况。

（二）数据说明

选取中国2000—2019年A股上市公司为研究样本，原始财务数据选取自国泰安数据库和锐思数据库。为提高参数估计的有效性，根据以下原则对初始数据进行预处理：一是剔除金融类和ST、PT类的上市公司；二是将变量数据缺失严重的样本观测值剔除；三是剔除负债率大于100%，总资产成长率大于200%的公司；四是为避免异常值对估计结果可能造成的干扰，对所有时间序列变量进行缩尾处理（前后各1%水平）。选取包括各省份的人均GDP、第二产业增加值占GDP比重、信贷总额占GDP比重、各类污染物排放数据等宏观层面的数据，数据主要来自《中国统计年鉴》《中国金融年鉴》《中国环境统计年鉴》。最终采用的样本包含3291家上市企业、31402个观测值的非平衡面板。

（三）变量的选取

1.变量定义

被解释变量：企业债务融资成本（Debt），为了数据可得以及研究的普遍性，主要选取企业利息支出除以总负债来衡量企业债务融资水平。

机制分析相关变量：（1）新增贷款（loans），短期借款与长期借款之和的本期变化值取对数；（2）新增长期贷款（loans_l），长期借款的本期变化值取对数；（3）新增短期贷款（loans_d），长短期借款的本期变化值取对数；（4）企业外部融资约束程度（FC），按企业的经营性净现金流等5个因素作为表征融资约束的代理变量，通过回归分析进而构建了一个综合指数来衡量企业的融资约束程度（魏志华等，2014）。

企业层面特征变量：（1）资产负债率（Lev），负债总额除以资产总额；（2）现金持有量（Cash），货币资金加交易性金融资产除以总资产；（3）投资水平（Invt），当年购建固定资产、无形资产以及其他长期资产支付的现金除以期初总资产；（4）托宾Q（Tobin），直接采用国泰安数据库中托宾Q值A；（5）应收类资产比例（Arnr），应收票据净额和应收账款净额之和除以资产总计；（6）无形资产占比（Itang），无形资产净额占总资产的比重；（7）公司规模（Size），总资产的自然对数；（8）企业年龄（Age），调查年份减去企业成立年份；（9）利润率（Pr），利润总额除以营业收入；（10）企业潜在融资需求（Ext），Ext=（TA-TA）/TA-ROE/（1-ROE），其中，TA表示企业的总资产，ROE表示企业的净资产收益率；（11）销售增长率（Salegrowth），企业营业收入的年度增长率。

省级层面特征变量：（1）各省人均GDP（GDP_r），各省份人均GDP取自然对数；（2）各省贷款余额占比（Credit），省级银行贷款余额占GDP比重；（3）各省SO排放量（SO），各省份SO排放量取对数。

2.变量统计描述

对变量进行描述性统计，结果为表1。可以看出企业债务融资成本的均值为2.23%，标准差为1.92%。标准差较大，表明企业债务成本水平波动明显，浮动区间较大，为验证绿色信贷政策对企业债务融资成本的影响提供了良好的数据基础。将样本企业按照融资成本分为从小到大的四分位，然后计算不同融资成本分位数下不同污染程度企业的均值，以便考察不同融资成本程度的企业是否存在差异。从分析结果可以看出，不同分位数下企业融资成本存在显著差异，且高污染企业的差异性更大。

表1 样本描述性统计

四、绿色信贷政策实施对债务融资成本效应分析

企业银行贷款和融资成本在绿色信贷政策前后的变化特征，主要表现为：一是政策出台前高污染企业与低污染企业的银行借款总额差距较大，政策出台后企业的借款总额差距逐步收敛，呈相同变化趋势（图1）。二是政策出台后高污染行业的新增借款明显下降，而且在2012年以后低于低污染行业；就新增借款分布而言，高污染企业波动较大（图2）。三是绿色信贷政策出台前低污染企业的债务融资成本高于高污染企业（图3），说明银行在进行信贷定价时，针对高污染和低污染企业并未有显著的歧视性定价处理，并未充分考虑到高污染企业可能面临的资产风险，在信贷定价中可能存在“碳泡沫”的问题。而在绿色信贷政策出台后高污染企业的债务融资成本迅速上升，明显高于低污染企业，表明绿色信贷政策通过信贷约束来提高高污染企业债务融资成本，抑制了“碳泡沫”的产生，验证了假说1。

图1 企业银行借款总额变化图

图2 企业新增银行借款变化图

图3 企业债务融资成本变化图

表2 被解释变量分位数统计

（一）平行趋势假设检验

双重差分分析的首要条件是进行平衡趋势检验，即如果没有绿色信贷政策出台这一外生冲击，高污染企业和低污染企业的债务融资成本应该不存在显著差异，应该保持相同的变化趋势。因此，需要检验不同污染程度的企业债务融资成本变动在绿色信贷政策出台前是否满足平行趋势假设（李建明和罗能生，2020）。以绿色信贷出台年份为基期，构建年度虚拟变量，并将实验组和对照组（Pollute）与年度虚拟变量交乘，通过模型（1）进行估计，估计结果为图4。可以看出在绿色信贷政策出台之前，绿色信贷政策对企业的债务融资成本影响在0期间内，表明政策发生前企业债务融资成本不存在显著差异，而在政策实施之后差异明显，满足平行趋势假设。这也进一步验证了在绿色信贷政策实施前，银行对不同污染程度的企业来说不存在歧视性定价。

图4 平衡趋势检验

（二）基准回归分析

通过双重差分模型分析绿色信贷政策出台对高污染企业的债务融资成本的影响，并检验绿色信贷政策是否抑制“碳泡沫”的形成。第1列回归结果显示，Grpolicy2007_pollute的系数估计值为0.56，并在1%的统计水平上显著；第2列是控制特征变量的回归结果，结果显示Grpolicy2007_pollute的系数估计值为0.31，仍在1%的统计水平上显著。结果表明，与低污染企业相比，高污染企业的债务融资成本在绿色信贷政策的实施后显著提升，表明银行向污染程度比较高企业增加贷款利差；绿色信贷政策执行每增加一个标准差，2007年后的高污染的企业比2007年前高污染企业以及低污染企业债务融资成本高出30%左右，验证了假说2。

表3 绿色信贷政策对企业融资成本的影响：基准分析

续表3

（三）稳健性检验

为检验基准回归估计结果的稳健性，通过调整时间窗口、改变被解释变量以及进行非参数检验等方式，对回归结果进行稳健性检验。

表4 绿色信贷政策对企业融资成本的影响：稳健性检验

一是调整时间窗口。采用时间窗口为2000—2019年的上市企业进行实证分析，考虑到分析结果的效应可能是其他因素导致的。因此，对时间窗口进行调整，并对调整后的时间区间进行稳健性检验。首先，考虑到回归结果可能是由绿色信贷政策以外的其他因素所导致，故提前了时间节点，获取政策执行前2005—2006年的数据，分析不同污染程度企业的债务融资成本差异是否在绿色信贷政策出台前就已经存在。将2006年设置为识别政策冲击时间节点，设置虚拟变量Grpolicy2006，可以看出，Grpolicy2006_pollute的系数估计值在统计学意义上不显著，表明在政策出台之前并不存在高污染企业债务融资成本上升的情况。其次，进一步改变时间窗口，以2003—2009年为时间窗口进行稳健性检验。Grpolicy2007_pollute的估计系数在5%的统计水平上显著为正，实证结果与基准回归分析结果保持一致。

二是改变债务融资成本指标。再次采用财务费用除以企业总负债作为债务融资成本的测度，并进行稳健性检验（李广子和刘力，2009）。Grpolicy2007_pollute的系数估计值仍然在1%的水平上显著为正。

三是采用倾向得分双重差分方法。为避免由于反向因果关系和样本选择偏差等原因造成的内生性问题，采取倾向得分双重差分方法进行稳健性检验。分别采用最邻近匹配法、核匹配法等进行检验，发现Grpolicy2007_pollute的估计系数均在1%的水平上显著为正，进一步验证了结果的稳健性。

四是非参数置换检验。为检验绿色信贷政策对高污染企业融资成本影响结果是否受其他遗漏变量的影响，导致估计结果产生偏误，故采用非参数置换检验的方法进行安慰剂检验，主要是将绿色信贷政策的影响随机分配给高污染样本企业。可以发现，随机生成处理组政策效果的估计系数均值接近于0，表明随机生成的“伪处理组”并没有产生政策效果。同时，实际估计系数在安慰剂检验的估计系数中明显属于异常值，该结果表明绿色信贷政策抑制“碳泡沫”作用并没有因为遗漏变量导致严重偏误，这些结果进一步说明实证的稳健性。

五、绿色信贷政策实施对债务融资成本效应的异质性分析

进一步考察政策对异质性企业的影响效应差异，采用三重差分模型进行了异质性分析。回归模型设定如下：

基于模型（2）分别对企业固定资产占比、规模、产权性质、地区污染程度以及金融市场化程度进行异质性分析。其中，H表示固定资产占比、规模、产权性质、地区污染程度以及金融市场化程度等异质性变量，其余变量与模型（1）一致，分析结果为表5。

表5 绿色信贷政策对企业融资成本的影响：异质性分析

一是对企业固定资产占比进行异质性分析。Grpolicy2007_pollute_Tang的系数在1%的水平上显著为正，表明固定资产占比高的高污染企业债务融资成本受到的冲击较大。二是对企业规模进行异质性分析。Grpolicy2007_pollute_Size的系数为正，且在5%的统计水平上显著，表明规模较大的高污染企业在绿色信贷政策实施后融资成本更高，受到的正向冲击相对更大。三是对企业产权性质进行异质性分析。Grpolicy2007_pollute_Soe的系数在10%的水平上显著为正，表明国有高污染企业的债务融资成本受到的冲击比民营企业更大。四是对地区污染程度进行异质性分析。Grpolicy2007_pollute_SO的系数在1%的水平上显著为正，表明相比低污染地区，高污染地区的高污染企业的融资成本受到的冲击更大，高污染地区环境保护监管更加严格，对政策的执行也将进一步加大。五是对地区金融市场化程度进行异质性分析，Grpolicy2007_pollute_Fin的系数为负，在统计学意义上不显著，说明对于不同的金融市场化程度的地区，绿色信贷政策实施对债务融资成本效应没有差异。

六、绿色信贷政策影响高污染企业融资成本的机制检验

以上研究结果表明，绿色信贷政策的实施能显著地提升高污染企业的债务融资成本。那么是什么原因导致这一现象的产生？根据前文研究知道，绿色信贷政策可以通过提高贷款门槛、增加融资约束、提升贷款利率等渠道来影响企业债务融资成本。一是绿色信贷政策直接通过提高贷款利率等方式，加大高污染企业的信贷约束，抑制信贷资金的流向，对高污染行业的发展产生了一定限制，导致高污染企业可能采用其他方式进行融资。二是银行在授信过程中将企业环境保护作为贷款审批的重要条件，倒逼高污染企业进行技术创新、投资决策和资源配置，将会激发高污染企业节能减排的力度（蔡海静等，2019）。而信贷约束作为绿色信贷政策影响途径的主要依托，参照相关文献构造了融资约束指标（FC），按企业的经营性净现金流等5个因素作为表征融资约束的代理变量，通过回归分析进而构建了一个综合指数来衡量企业的融资约束程度（魏志华等，2014）。分析结果见表6。

表6 绿色信贷政策对企业融资成本影响的渠道机制检验：信贷约束机制

从结果可以看出，Grpolicy2007_FC的估计系数在不同污染程度的企业中均为显著，但对于高污染企业是显著为负，低污染企业是显著为正。表明绿色信贷政策出台后，绿色信贷政策对企业的信贷约束较为明显，可以看出政策的实施减少了高污染企业信贷融资，增加了低污染企业信贷。为进一步分析绿色信贷政策产生的信贷约束主要分布的异质性，进一步将贷款分为短期贷款和长期贷款进行分析。从分析结果看，绿色信贷政策的信贷约束对高污染企业的长期贷款增量显著为负，对低污染企业的长期贷款增量显著为正；绿色信贷政策的信贷约束对高污染企业的短期贷款增量影响显著为负，对低污染企业的短期贷款增量影响为正但不显著。绿色信贷政策主要通过对高污染企业长期贷款的控制，进而抑制“碳泡沫”的产生，从而间接验证了信贷约束机制是绿色信贷政策抑制高污染企业“碳泡沫”产生的主要渠道。

七、结论及启示

运用双重差分法评估绿色信贷政策对企业的债务融资成本的影响，分析了银行信贷市场是否存在“碳泡沫”，从微观企业债务融资成本的视角评估了绿色信贷政策的效应。通过实证研究发现：一是在绿色信贷政策出台前，银行在进行信贷定价时，对高污染企业并未有显著的歧视性定价处理，未充分考虑到高污染企业可能面临的资产风险，在信贷定价中可能存在“碳泡沫”的问题。二是绿色信贷政策实施后，银行向污染程度较高企业增加贷款利差，显著提升了高污染企业的债务融资成本，具有显著的融资惩罚效应。银行信贷市场存在潜在的“碳泡沫”现象，在绿色信贷政策实施（2007年）之后有了较大改观，根据绿色信贷政策要求，银行在信贷定价上做了相应调整，抑制了“碳泡沫”的产生。三是绿色信贷政策对异质性企业的债务融资成本呈现显著的非对称性影响。所在区域污染程度高、固定资产占比高的大规模国有企业债务融资成本受到的冲击更显著。

基于以上研究结论，提出如下对策启示：

第一，筑牢“绿色信贷”门槛，倒逼企业创新提质产品及服务。银行应继续坚持以绿色信贷理念指引信贷经营行为，严格控制信贷门槛，有效扩大绿色金融服务范围和覆盖面。进一步开拓创新，不断优化绿色信贷工作机制和流程，提高业务水平，确保绿色信贷政策实施的持续性和稳定性。第二，建立“绿色信贷”奖惩机制，让绿色信贷政策更有针对性。加大对转型升级企业的融资支持力度。在激励机制方面，应加强对企业技术创新的鼓励。在绿色信贷标准和风险管理方面，银行应更加关注行业特点，精准施策。对不同类型企业有针对性地开展环境风险压力测试，并为其“量身定制”绿色信贷产品和服务。第三，完善“绿色信贷”评估制度，推动绿色信贷投放。政府在制定绿色信贷评估时应充分考虑地区差异，欠发达地区绿色信贷政策的效率应引起更多关注。应根据当地的行业和经济状况采取具体措施，以增强绿色信贷政策的效果。