金融科技是否强化了绿色信贷政策对重污染企业技术创新的影响*

郑 慧 张 晓

(1.中国海洋大学 经济学院,山东 青岛 266100;2. 中国海洋大学 海洋发展研究院,山东 青岛 266100)

习近平总书记在党的二十大报告中指出,加快发展方式绿色转型,是党中央立足全面建成社会主义现代化强国、实现第二个百年奋斗目标,以中国式现代化全面推进中华民族伟大复兴作出的重大战略部署。重工业企业是物质产品的重要供给者,也是碳排放的主要来源,推动其完成技术改造是实现绿色转型的关键。金融市场具有的资金、信息、信用等优势,可以缓解重污染企业因改造升级、技术创新产生的融资约束,解决微观主体缺乏创新激励以及政策环境不利等问题。[1]2012年2月,原中国银监会就正式发布了《绿色信贷指引》(以下简称《指引》),鼓励银行对工业企业的技术创新项目进行支持,同时要求银行在授信流程中强化环境和社会风险管理。绿色信贷政策试图打破高污染企业生产模式,通过设立与资源环境风险相关的信贷门槛,倒逼重污染企业转型升级,但此类信贷约束也容易再次造成重污染企业的融资困境从而减少创新投资。此外,绿色信贷政策的创新支持效果不仅取决于重污染企业的策略性反应,也与银行执行政策的意愿与能力密切相关。近年来,移动互联网技术的深化,推进了大数据等新一代信息技术与传统金融业融合,深刻影响了银行信贷评估水平与企业创新融资环境。

基于以上考虑,本文利用我国上市工业企业数据,以倾向得分匹配的双重差分方法,检验绿色信贷政策对重污染企业技术创新的影响,以及金融科技发展对绿色信贷政策效果的调节效应。可能的边际贡献为：现有文献较少考虑外部环境因素对绿色信贷政策实施效果的影响,本文结合当前科技赋能绿色金融的大背景,考虑区域金融科技发展对绿色信贷政策创新支持效果的影响,对于支持绿色金融政策全面发挥创新支持作用提供一定的启示。

一、政策背景与文献综述

中国人民银行于1995年发布的《关于贯彻信贷政策与加强环保工作有关问题的通知》是我国有关于绿色信贷政策的最早文件。2007年,《关于落实环保政策法规防范信贷风险的意见》正式引入绿色信贷政策。之后,国家与地方层面相关绿色发展指引政策陆续出台,但具体政策细节与实施标准尚不完善,绿色信贷政策的落实效果并不理想。[2]2012年2月,原中国银监会制定并发布的《指引》明确规定了金融机构的绿色信贷业务标准,以保证信贷资金投向低碳、生态领域。

对于指引文件的政策效果,学者们作了大量分析。在宏观层面,陈科通过构建地方政府、银行、企业三方参与的博弈模型,得出在缺乏外部有效监管和有力处罚的情况下,银行缺乏充足动力执行绿色信贷,适当的市场激励和银行业务创新都有助于政策的推进。[3]刘婧宇等建立了金融CGE模型,测算出绿色信贷政策不同时期的系统性影响,证明了绿色信贷政策在中长期对目标行业投资、产出无效。[4]在微观层面,大部分学者通过建立双重差分模型,分组检验了绿色信贷政策对企业的创新激励作用。[5][6][7][8][9]张劲松、陆菁等提出采用倾向得分匹配法对样本进行筛选可以有效减少实验组与对照组差异性、增加样本可比性。[10][11]而绿色信贷政策会给重污染企业技术创新带来怎样的影响存在两种截然不同的观点。支持波特假说(Porter Hypothesis)的学者认为,绿色信贷政策在整体上促进了企业创新转型,[7][12][13]通过企业环境成本内部化,倒逼绿色信贷限制企业技术创新,[7]显著提高重污染企业创新产出与创新绩效。[10][14]反对者则认为,相比非污染企业,实施绿色信贷限制了重污染企业技术创新。[8][9][15][16][17]谢乔昕和张宇以研发投入占营业收入比重作为创新强度的代理变量,验证了绿色信贷政策对重污染企业创新强度的促进作用相对弱于非重污染企业。[18]田超和肖黎明以专利申请数量作为技术创新变量,建立了动态的双重差分模型,进一步证明《指引》对重污染企业技术创新的抑制作用具有长期效应。[8]绿色信贷政策影响企业技术创新的主要路径则包括信贷融资、长期债务、融资成本等。[8][9][19]此外,学者分别从环保执法力度与知识产权保护程度、政府补助以及媒体关注度等视角,探究了外部环境对《指引》创新激励效果的调节作用。[7][10][18]

然而,金融科技的发展被证明可能改变这些影响过程。一方面,金融科技的发展直接缓解了企业融资约束、有效降低企业财务费用。[20][21]刘长庚等认为,金融科技通过数据、技术赋能,能精准“挖掘”出具有潜力的创新型企业。[22]熊晓炼和樊健通过构建哈肯模型进一步证实了金融科技与制造业绿色转型之间具有相互促进的协同效应。[23]另一方面,科技支持推动银行数字化转型,将有效缓解商业银行在执行绿色信贷政策过程中面临的信贷分类难、环境效益测算难、数据动态掌握难等问题,[24][25]促进企业技术创新。[26]刘晶和张尧从宏观维度构建工业绿色发展评价体系,通过三重差分模型证实了强环境规制下金融科技对工业绿色发展水平提升效应更显著。[27]由此,在科技赋能的背景下,重新审视绿色信贷政策对重污染企业技术创新的影响更具有现实意义。

二、理论模型构建

(一)研究假设

绿色信贷政策本质上属于环境规制政策。波特假说认为,合理的环境规制可以产生创新补偿效应,激励企业创新,抵消由于环境规制带来的成本上升。遵循成本效应指的是受制于政策带来的生产、污染治理成本提高,企业会挤压研发投资支出。但在当前以间接融资为主的金融结构下,有限的内源融资难以支撑大部分企业的创新项目资金需要,银行信贷成为企业创新活动的重要融资渠道。《2022年社会融资规模增量统计数据报告》显示,2022年,对实体经济发放的人民币贷款达20.91万亿元,占同期社会融资规模的65.3%,可以看出,银行信贷仍然是当前企业融资的主要来源。绿色信贷政策鼓励银行在信贷决策中考虑环境因素,引导信贷资源向绿色项目倾斜。然而,重污染企业债务融资约束和创新转型压力一般较大,绿色信贷政策将环境表现纳入银行信贷评估和监管体系,很可能对企业的研发创新活动形成挤出效应。因此,本文提出如下假设：

假设一：绿色信贷政策抑制了重污染企业的技术创新。

绿色信贷政策的有效实施需要高质量的银行绿色信贷评估体系相配合。金融科技借助大数据、云计算等先进信息技术升级业务流程和金融产品,能够有效缓解金融市场中的信息不对称问题,提升资金需求方的借贷可得性。此外,科技支持也增强了银行的信贷风险识别能力,提高银行开展绿色信贷的积极性,改变了银行仅以行业划分绿色信贷的现状,助力银行精准“挖掘”出绿色项目,提高了重污染企业技术创新项目的信贷可得性,为技术创新提供资金支持。因此,本文继续提出如下假设：

假设二：金融科技能够缓解绿色信贷政策对重污染企业技术创新的抑制作用。

(二)模型构建

本文以2007—2020年A股上市工业企业为研究对象,若样本年份在2012年之后,则Post=1,反之,Post=0。同时,剔除变量数据缺失、资产负债率异常以及非正常交易上市的公司(包括ST、ST*以及PT)数据。具体变量构成如下：

1、重污染企业(Treat)：参考证监会2012年行业分类标准,将煤炭开采等16个行业设定为重污染企业(1)重污染行业的代码分别是B06、B07、B08、B09、C17、C19、C22、C25、C26、C27、C28、C29、C30、C31、C32、D44。。

2、企业技术创新(GTI)：使用研发支出占营业收入比重作为企业技术创新指标。

3、金融科技(FINT)：目前关于金融科技发展水平的衡量方法主要有关键词法(2)利用百度新闻的高级搜索功能检索金融科技关键词的方法,构建地区金融科技发展水平指标体系。和北京大学数字普惠金融指标。其中,搜索关键词的方法存在词库囊括偏差以及概念更迭等问题,而普惠金融指数建立在支付宝交易数据基础上,指标覆盖范围有限。本文借鉴刘长庚、宋敏等做法,[22][28]利用省级金融科技类企业数量反映地区金融科技发展水平(3)首先在“天眼查”网站检索金融科技相关关键词,获取所有相关公司的工商注册信息,为确保服务于金融,进一步使用正则表达式对“金融”“保险”“信贷”“清算”“支付”等与金融相关的关键词在公司经营范围中进行模糊匹配,并保留匹配成功的样本,剔除经营时间小于1年或经营状态非正常(如停业、解散、吊销等)的公司样本。。

4、控制变量：本文从企业经营状况和经营特点两方面引入相关控制变量。根据熊彼特假说,拥有资源优势的企业可以支撑更大的技术创新规模。同时,负债情况与资本密集程度也影响企业创新。[29]据此,选取了以下控制变量：企业规模(Size)、盈利能力(ROA)、经营活动现金流(Cash)、资本密集度(Tangibility)与资产负债率(Debt)。在企业管理特点方面,选择董事会独立性(Board)以及员工人数(Employee)作为控制变量。本文构建的理论模型如下：

GTIit=α1+β1Treatit×Postit+β2Treatit+β3Postit+θ1Xit+γi+μt+εit

(1)

其中,下标i和t分别代表企业和年份,重污染企业Treatit=1,非重污染企业Treatit=0,Post表示《指引》的出台,2012年及之后Post=1,之前Post=0,GTI代表企业技术创新,X代表控制变量,μ和γ分别表示年份和企业固定效应,ε为随机扰动项,β1反映了《指引》对于重污染企业技术创新的具体影响。

在一名意大利科学家的努力下，用3D打印机制造的素食牛排和鸡肉终于登上了巴塞罗那的餐厅菜单，不过这位科学家承认，目前这些食品的卖相欠佳，还需改进。来自米兰的研究人员朱塞佩·西昂提以大米或豌豆中提取的蛋白粉和海藻成分为原料研发出了这种素食。西昂提用计算机辅助设计软件设计出一款程序，用注射器将这些食物产品注入3D打印机后，利用该程序将其拉成长长的微丝再压制成牛排的形状。这种产品的最初形态是“淡黄色的糊状物”，据说和真牛排的口感相近。西昂提还研发出了鸡肉替代品，用3D打印机制造出了他所谓的“基于纤维植物的鸡肉”。西昂提称，他已开始和餐馆老板洽谈向顾客出售自己的素食食品的事宜。

为研究金融科技发展水平对绿色信贷政策创新支持效应的影响,在模型(1)基础上加入省级区域金融科技发展水平指标FINT这一调节变量,构建模型如下：

GTIit=α1+β1Treatit+β2Postit+β3Treatit×Postit+β4FINTit+β5Treatit×FINTit+β6FINTit×Postit+β7Treatit×Postit×FINTit+θ1Xit+γi+μt+εit

(2)

三、实证结果

(一)描述性统计

由表1可知,技术创新指标最大值为317.288,最小值仅为0,技术创新之间的同步性差异较大。样本公司的资产负债率均值约为38.7%,独立董事占比均值约为37.3%。从表1中的统计结果可以看出,本文的样本特征总体上与以往的文献较为一致。

表1 变量定义与描述性统计

(二)回归结果分析

通过表2可以看出,匹配前处理组与控制组变量均值差异明显;经过倾向得分匹配,标准化偏误下降,系数均值差异均不显著。倾向得分匹配降低了变量的选择偏误问题。

由上述倾向得分匹配结果图(见图1)可知,匹配后的实验组与对照组趋势更加平行,满足双重差分法基本假设。经过倾向得分匹配后,双重差分模型的回归结果如表3所示。其中,第(1)列显示,在没有其他控制变量的情况下,DID的系数为-0.011,在1%的水平下显著;第(2)列加入控制变量以及年份、公司固定效应后,DID的系数为-0.011,在1%的显著性水平依然显著。无论是否控制其他变量,Post的系数都在1%的水平下显著为正。

表2 变量匹配前后差异对比

图1 匹配前后倾向得分对比

表3 绿色信贷政策对重污染企业技术创新影响的回归结果

通过回归结果可以看出,绿色信贷政策整体上显著促进了企业的技术创新。区分实验组与对照组得出,与非重污染企业相比,绿色信贷政策对重污染企业技术创新产生了抑制作用。原因可能是,绿色信贷政策的实施提升了银行发放绿色信贷的意愿,企业整体技术创新的资金来源增加,有利于企业技术创新。但绿色信贷政策也提高了银行发放绿色信贷的门槛,重污染企业获取银行贷款的难度增加、信贷成本增大,加剧了其信贷融资约束。同时,信贷融资约束的增加也提高了企业的财务风险与财务压力,降低了供应商、股东等其他企业资金供给方提供资金支持的意愿,进一步加重了其经营压力。企业技术创新活动资金需求大、风险高,仅依靠有限的内部融资难以满足,即使有充足的创新意愿与转型压力,经营活动资金紧张、外部融资缩减也会对重污染企业的创新投资活动产生挤出效应。

(三)金融科技的调节效应检验

如表4所示,整体上区域金融科技发展对绿色信贷政策与企业技术创新之间的关系有正向调节作用,Post*FINT*Tread系数不显著,说明调节效应较小。可能的解释是,目前我国绿色金融发展仍然不完善,存在绿色项目识别效率低、授信评价差、贷后管理难等问题。大数据、云计算等先进信息技术的引入,可以缓解金融市场中的信息不对称问题,提高借贷可得性,降低企业创新项目的融资约束。然而,

表4 金融科技调节效应的全样本检验结果

(四)稳健性检验

1、平行趋势检验

经过平行趋势检验(见表5和图2)可以看出,在绿色信贷政策实施之前,回归系数均不显著。回归系数于政策实施后的第三年开始显著,且为负数,说明绿色信贷政策的实施抑制了重污染企业技术创新,并且政策的影响存在一定的时滞性。

表5 平行趋势检验结果

图2 平行趋势图

图3 安慰剂检验图

2、安慰剂检验

为检验结果的稳健性,将处理组随机化,对处理组变量进行500次随机抽样得到图3。从图3可以看出,数值分布围绕在0附近,这说明构建的模型不存在严重缺失重要变量的问题,安慰剂检验通过,结论稳健。

五、结论与建议

本文以我国2007—2020年A股上市工业企业作为研究对象,以企业污染程度划分对照组与实验组,运用倾向得分匹配的双重差分模型,检验了绿色信贷政策对重污染企业技术创新的影响。据此,引入金融科技调节变量,探究区域金融科技发展水平对《指引》政策实施效果的调节作用。结果表明：

第一,绿色信贷政策在整体上发挥了创新支持作用。与非重污染企业相比,绿色信贷政策抑制了重污染企业的技术创新。绿色信贷政策提高了银行发放绿色信贷的门槛,使得环境风险较高的重污染企业信贷获取难度变大,从而对重污染企业的技术创新产生“挤出效应”。

第二,区域金融科技发展虽然可以促进绿色信贷政策对企业整体技术创新的支持,但作用效果并不显著。由于目前我国金融科技仍处于初步发展阶段,完备的绿色信贷政策评估体系尚未建立,两者没有形成有效合力以应对重污染企业技术创新融资需求。

针对上述结论,为明晰绿色信贷政策实施方向,激发绿色信贷支持重污染企业技术改造效能,本文提出以下建议：

第一,完善外部激励与约束机制,提高银行参与绿色信贷积极性。当前的绿色信贷政策多为指导性政策,建议监管机构加快设立正向激励目标,对相关金融机构提供定向降准、优惠补贴等具体激励措施。同时也要完善约束机制,完善绿色信贷相关法律法规,加强贷后监管和考核,严格打击违规发放绿色信贷的行为。奖惩结合,双向发力,推动银行将践行绿色信贷政策内化为自觉行为。

第二,加强绿色金融基础配套,促进环境信息有效共享。企业环保信息缺失增加了银行绿色信贷评估难度。对此,可开展企业环境信息披露培训与宣传,完善重污染企业的环境信息披露制度;继续推进区域金融科技基础设施建设,建立完整、互通的企业绿色信息数据库,实现企业绿色信息共享;金融机构也可以利用大数据、云计算等科技手段开展绿色信贷识别,解决绿色信贷分类难、环境效益测算难、数据动态掌握难等问题,提高银行绿色信贷效率。

第三,优化现有信贷评级标准,避免绿色信贷制度要求“一刀切”。建议金融机构改变仅根据行业分类设立信贷门槛的做法,建立静态与动态相结合的综合环境绩效评价体系,充分考量重污染企业环境绩效的变动情况。也可借助第三方环境风险评估机构,细化绿色信贷政策实施标准,确保信贷资金精准投放。