绿色信贷政策提升重污染企业绿色全要素生产率了吗？

杨琴 杨世峰

摘 要：本文以银监会2012年发布的《绿色信贷指引》为基础，运用SBM方向距离函数和GML指数评估了2010—2019年我国上市公司的绿色全要素生产率，并通过双重差分法（DID）探究了绿色信贷政策对我国上市公司重度污染企业绿色全要素生产率的影响。结果表明，绿色信贷政策对提高重污染企业的绿色效率有积极作用，但同时对重污染企业的绿色技术进步率产生显著负面影响，最终导致了重污染企业的绿色全要素生产率显著下降。进一步对企业股权性质和地区经济发展水平进行分组研究后发现，非国有企业和位于东部地区的企业受到绿色信贷政策影响的程度更大。

关键词：绿色信贷政策；绿色全要素生产率；双重差分法；绿色金融

一、 引言

近年来，全球范围内的环境污染日益严重，成为制约可持续发展的重要因素。尤其在我国，长期大规模工业化和城市化进程中未能有效控制污染物排放，导致许多地区空气、水、土壤等环境污染严重，不仅影响人民生活，也给经济发展带来负面影响。为了应对环境问题，政府采取了一系列政策措施，其中绿色信贷政策作为一种环境金融工具被广泛关注和采用。绿色信贷政策是指通过鼓励和引导金融机构向符合环保标准的企业提供低利率、优惠抵押等金融服务，以促进绿色经济发展和环境治理。因此，深入研究绿色信贷政策对于企业的绿色全要素生产率的影响，对于加强环境治理、促进绿色经济发展、实现可持续发展具有重要的理论和实践意义。此外，研究结果可以为政府部门提供决策参考，优化绿色金融政策，加强金融机构对环保企业的支持，推动可持续发展。

目前大部分研究集中在探讨绿色信贷政策的实施途径、绿色信贷政策实施效应以及绿色信贷政策的实施对企业投融资行为、企业绿色创新以及企業资源配置等的影响。绿色全要素生产率的提升是促进经济绿色发展的重要途径，却鲜有文献研究绿色信贷政策对企业绿色全要素生产率的影响。鉴于此，本文以《绿色信贷指引》政策的颁布作为一个准自然实验，以2010—2019年我国上市公司的数据为样本，运用双重差分方法，旨在探究绿色信贷政策对重污染企业绿色全要素生产率的影响，并为进一步优化绿色金融改革路径提供理论依据和实证数据支持。

二、文献综述

（一）绿色全要素生产率的测算和影响因素

第一，绿色全要素生产率的测算。测算绿色全要素生产率可以采用多种方法，包括代数指数法、索罗余值法、随机前沿生产函数法（SFA）和数据包络分析法（DEA）。目前，众多学者运用数据包络分析法测算绿色全要素生产率，Banker等（1984）最先提出了数据包络分析法，结合DEA和Malmquist指数，可以将绿色全要素生产率分解为绿色效率和绿色技术进步率。因此，可以从绿色效率和绿色技术进步率这两个方面来解释企业绿色全要素生产率的提高途径。陈超凡（2016）利用方向性距离函数和ML生产率指数的方法测算工业绿色全要素生产率，方法是基于假设基期的绿色全要素生产率为1，然后通过计算每一年的Malmquist指数，将其乘以基期的绿色全要素生产率的值，以此推导出每一期的绿色全要素生产率。蔡乌赶和周小亮（2017）、刘和旺和左文婷（2016）分别运用EBM-DDF模型、SBM（Slacked-Based Measure）方向距离函数结合ML指数，计算并分析了中国省级绿色全要素生产率。冯严超等（2021）采用SBM模型结合ML指数的方法，对中国各省（自治区、直辖市）的绿色全要素生产率进行了测量和分析。孙冬营等（2021）则利用非期望产出的SBM模型，测量了长三角城市群中26个工业企业在2009—2018年的绿色全要素生产率。刘传江等（2022）使用SBM-GML指数模型，对中国39个工业行业在2003—2018年的绿色全要素生产率进行了测算，并将其分解为绿色技术进步率和绿色效率两个指标。第二，绿色全要素生产率的影响因素。佘硕等（2020）通过对中国地级市的绿色全要素生产率进行探究，发现该指标受到技术创新和产业结构的影响。万伦来和朱琴（2013）基于我国工业1999—2010年的数据研究发现，研发投入显著提升了企业的绿色全要素生产率。陈超凡（2016）研究发现技术水平、产权结构、环境规制和外商投资会显著影响工业绿色全要素生产率。尹子擘等（2021）的研究表明，绿色金融的发展水平对绿色全要素生产率有显著影响。周晓辉等（2021）、程文先和钱学锋（2021）的研究表明，数字经济的发展可以提高绿色全要素生产率。苏科和周超（2021）的研究则使用长江经济带103个城市的面板数据，发现人力资本和科技创新对绿色全要素生产率有显著的正向影响。

中国证券期货2023年8月

第4期绿色信贷政策提升重污染企业绿色全要素生产率了吗？

（二）绿色信贷政策实施效应

研究绿色信贷政策实施效果的角度有两个。第一个方面是从银行角度出发，King和Levine（1993）以及Cilliers等（2012）的研究表明，实施绿色信贷政策不仅能够促进商业银行的竞争力和绿色可持续发展，而且还能提高商业银行的经营绩效。通过设置绿色信贷门槛，有效降低了商业银行的贷款风险。也有学者表示绿色信贷政策的实施会抑制商业银行的发展，增加商业银行的业务成本和管理费用，进而降低商业银行的经营绩效，从而抑制银行发展（胡荣才等，2016）。第二个方面是从企业角度出发，有一些学者认为绿色信贷政策的实施可以促进重污染企业的发展。例如，Cowan（1998）认为，通过完善金融资源，绿色信贷政策能够降低环保型企业的融资成本，从而促进企业技术创新，改善生态环境。然而，大多数学者认为绿色信贷政策的实施会抑制重污染企业的发展，如刘海英（2017）、王康仕等（2019）和王保辉（2019）研究表明，绿色信贷政策加大了污染性企业借款的难度，绿色信贷政策的实施会对高污染、高耗能企业的融资造成限制，使得这些企业筹集资金更加困难和昂贵。丁杰（2019）的研究表明，这种限制会降低重污染企业的资金分配效率，从而阻碍其技术创新的提升。苏冬蔚和连莉莉（2018）、陈幸幸等（2019）以及陈琪（2019）使用DID模型进行实证检验，发现绿色信贷政策的实施对重污染企业造成了一定程度的信贷约束，并影响企业投资决策和商业信用，进一步恶化了高耗能、高污染企业的经营状况。

目前，大多数研究集中在探讨绿色信贷政策的实施方法、效果以及对企业投融资行为、绿色创新和资源配置的影响等方面。但是，提高绿色全要素生产率是促进经济绿色发展的重要途径，却鲜有文献研究绿色信贷政策对企业绿色全要素生产率的影响。因此，本文旨在探究绿色信贷政策对重污染企业的绿色全要素生产率产生的影响。为了实现这一目标，我们将以《绿色信贷指引》政策的颁布为准自然实验，采用2010—2019年我国上市公司数据进行双重差分分析。研究的目的是为绿色金融改革路径的优化提供理论依据和数据支持。

三、理论分析与研究假设

（一）绿色信贷政策与重污染企业绿色全要素生产率

绿色全要素生产率（GTFP）可以分解为绿色技术进步率（GTC）和绿色效率（GEC）。绿色信贷政策通过影响绿色技术进步率和绿色效率进而影响绿色全要素生产率。

1绿色信贷政策对重污染企业绿色技术进步率的影响

第一，绿色信贷政策通过信贷约束效应降低重污染企业的绿色技术进步率，根据苏冬蔚和连莉莉（2018）、丁杰（2019）以及张小可和葛晶（2021）的研究，绿色信贷政策的实施对重污染企业获得信贷融资的难度造成了影响，主要是由于该政策改变了信贷来源。丁杰和胡蓉（2020）的研究进一步发现，该政策限制了重污染企业的信贷融资能力，尤其对长期信贷融资的抑制效果更为明显。第二，绿色信贷政策通过成本效应降低了重污染企业的绿色技术进步率，绿色信贷政策要求银行在给重污染企业进行绿色信贷时将企业的环境保护情况作为准入门槛，因此，为了能够获得绿色信贷，企业将会投入更多的资源用于减少污染物的排放，减少企业用于创新研发的资金（陆菁等，2021）；同样，蔡海静和周施（2022）也发现在绿色信贷政策下，商业银行将企业环保状况作为审批贷款的必备条件之一，通过高贷款成本和高贷款门檻等条件抑制信贷资源向“两高”企业流动，从而形成融资约束，阻碍其发展。第三，绿色信贷政策通过信息传递效应降低重污染企业的绿色技术进步率，根据于波（2021）的研究，绿色信贷政策具有信息传递效应，银行在做出决策时会综合考虑企业的环境风险和持续经营风险，从而减少了对重污染企业的商业信用供应。这导致了这些企业在绿色技术创新方面的进步率降低。基于上述分析，本文提出研究假设1。

假设1：绿色信贷政策的实施会降低重污染企业的绿色技术进步率。

2绿色信贷政策对重污染企业绿色效率的影响

绿色信贷政策通过市场选择效应、市场份额效应和企业金融资源配置效应的作用，对企业资源配置效率产生影响，从而影响绿色效率。第一，绿色信贷政策通过市场选择效应提高重污染企业的绿色效率，宋马林和金培振（2016）认为由环境污染的负外部性造成的排污、治污的成本由整个社会承担，这样企业变相降低了生产成本。生产率越低的企业承担的社会责任越少，越可能以较低成本获得更多的市场生存机会。第二，绿色信贷政策通过市场份额效应提高了重污染企业的绿色效率，张小可和葛晶（2021）提出，绿色信贷政策是一种重要的实施主体，其作用主要有两种方式：首先，该政策缓解了那些尽管盈利高但受信贷歧视的企业的信贷约束，让它们获得更多信贷支持；其次，银行在履行债权人监督职责的同时，对企业的资源使用和运营情况进行更严格的监督，从而促进高生产率企业扩大市场份额，提高资源配置效率。总体而言，绿色信贷政策发挥着至关重要的作用。第三，绿色信贷政策通过企业金融资源的配置效应提高重污染企业的绿色效率，王艳丽等（2021）基于企业金融资源配置视角，发现绿色信贷政策有助于提高重污染企业的投资效率，进而提高重污染企业的绿色效率。基于上述分析，本文提出研究假设2。

假设2：绿色信贷政策会提高重污染企业的绿色效率。

3绿色信贷政策对重污染企业绿色全要素生产率的影响

绿色信贷政策对重污染企业的绿色全要素生产率产生了相反的影响：一方面，该政策通过信贷约束效应、成本效应和信息传递效应降低了这些企业的绿色技术进步率；另一方面，绿色信贷政策通过市场选择效应、市场份额效应和企业金融资源配置效应提高了重污染企业的绿色效率。基于上述分析，本文提出以下两个不同的研究假设3。

假设3a：假设绿色信贷政策对绿色技术进步率的负面影响超过对绿色效率的正面影响，则该政策将对重污染企业的绿色全要素生产率产生正面影响。

假设3b：假设绿色信贷政策对绿色技术进步率的负面影响低于对绿色效率的正面影响，则该政策将对重污染企业的绿色全要素生产率产生正面影响。

（二）不同所有权性质下的理论分析和研究假设

我国国有企业与非国有企业在多个方面存在明显的差异。因此在分析我国企业问题时必须考虑企业所有权性质，具体到信贷市场上，国有企业往往比非国有企业更具“贷款优势”。一方面，国有企业通常享有政府补贴、政策性融资等政策的支持（李广子等，2009），因此国有企业在向商业银行等金融机构获取信贷资金时，往往享有更低的贷款利率，而与之相比，非国有企业往往自身企业规模较小，还款能力较弱，同时缺乏政策的支持，所以在向金融机构贷款时会受到一定程度的限制。另一方面，我国当前大多数商业银行都属于国有企业，在对企业进行贷款审核时，往往会存在所谓的“所有制歧视”，即当两家企业其他情况都相同，而其中一家为国有企业，另一家为非国有企业时，商业银行往往更偏好于将贷款发放给国有企业（张杰等，2013），这进一步提高了非国有企业的贷款和成本。绿色信贷政策实施后，将进一步恶化重污染企业的信贷环境。基于上述分析，本文提出研究假设4。

假设 4：与国有重污染企业相比，绿色信贷政策对非国有重污染企业的影响更明显。

（三）不同地区发展水平下的理论分析和研究假设

自改革开放以来，我国经济实现了高速增长，并取得了众多引人注目的成就。但与此同时，东部、中部和西部地区间的经济差距快速扩大，区域经济发展模式的极度不平衡越来越成为束缚我国经济高质量发展的重要症结。由于区域经济发展的不平衡，东部、中部和西部地区在市场环境、法治环境以及资源配置等方面存在着显著差异。通常情况下，经济发展水平较高的地区在资源配置效率方面表现更出色，因此绿色信贷政策的实施也更加容易推广。一方面，东部地区作为我国经济发展的重要支撑，整体的发展水平和资本优势明显优于中西部地区，金融政策体系较为完善，因此绿色信贷政策的实施工作在东部地区将更容易开展；另一方面，由于中西部地区开发时间较晚，以及其地理位置和环境资源等原因，我国更多的化工企业选择在东部地区落户发展，这就造成了东部地区重污染企业数目多、污染物排放量大的问题。基于以上分析，本文提出研究假设5。

假设5：2012 年《绿色信贷指引》颁布后，相较于中西部地区，东部地区重污染企业受到的影响更明显。

四、实证研究设计

（一）数据来源与样本选择

本文以我国2010年至2019年上市公司为研究对象，探究基于《绿色信贷指引》的绿色信贷政策对重污染企业绿色全要素生产率的影响。在数据筛选方面，根据国家环境保护部于2010年发布的《上市公司环境信息披露指南》和中国证券监督管理委员会于2012年修订的《上市公司行业分类指引》，将16个行业中的煤炭开采和洗选业、石油和天然气开采业等定义为重污染企业，其余为非重污染企业。同时，剔除了2010—2019年的ST、*ST公司和在2010年后上市的公司，并移除固定资产净额、员工数目、购买商品及接受劳务支付的现金、碳排放量和营业收入数据缺失的公司，以确保数据的有效性。最终，共有1380个观测值，其中710个为重污染企业观测值，670个为非重污染企业观测值。本文所采用的企业数据主要来源于国泰安数据库（CSMAR）和万得数据库（WIND）。

（二）计量模型构建

为探究绿色信贷政策对重污染企业绿色全要素生产率的影响，本文借鉴苏冬蔚和连莉莉（2018）的研究，采用双重差分DID模型进行估计。通过双重差分模型，本文旨在分析绿色信贷政策的实施对重污染企业绿色全要素生产率的影响效果。该模型可有效地避免内生性问题，并通过将样本分为实验组和对照组，研究实施和不实施政策情况下变量的变化，来评估政策实施的效果。双重差分模型最重要的适用条件是如果没有外生政策的冲击，实验组和对照组的研究变量变化应该是相同的，即满足共同趋势假设。在没有实施绿色信贷时，所有企业都只能通过传统信贷模式获取贷款，而实施绿色信贷政策后，金融机构会将企业生产的环境状况纳入贷款审核的重要标准。与非重污染企业相比，重污染企业由于其高消耗、高污染、高排放的生产模式，势必会受到更加严厉的贷款限制。故本文将重污染企业定义为实验组，非重污染企业定义为对照组，以2012年《绿色信贷指引》政策为准自然实验，构建双重差分模型，分析绿色信贷政策对重污染企业绿色全要素生产率的影响。具体模型设定如下：

这个方程式包含了多个变量，其中，i代表企业，t代表年份，Yit代表i企业第t年的GTFP、GTC、GEC；Treatedi为组别虚拟变量，用于区分实验组企业和对照组企业，如果是实验组企业，则取值为1，否则为0；Timet为政策虚拟变量，用于区分2012年以前和2012年及以后的数据。如果是2012年及以后的数据，则取值为1，否则为0；Treatedi*Timet为双重差分变量；Xit包括多个企业层面的控制变量；δi为个体固定效应；λt为时间固定效应；εit为随机扰动项。

（三）变量选取

1被解释变量

本文的被解释变量是绿色全要素生产率、绿色技术进步率和绿色效率。本文参考刘传江等（2022）的做法，利用SBM方向距离函数和GML指数模型测算企业的绿色全要素生产率。以2010年为基期，利用后一年的GML指数乘以前一年的GML，以此类推得到2010—2019年企业的绿色全要素生产率，并将GML指数进一步分解为GTC和GEC。这里所提到的指标包括投入指标、期望产出和非期望产出三个方面。其中，投入指标由劳动力投入、资本投入和中间投入三个二级指标组成，分别测量企业年末在职职工人数、固定资产净额和购买商品、接受劳务支付的现金。期望产出是指企业的营业收入，非期望产出则是用排污费来测量。

2解释变量

政策虚拟变量（Time）：本文选择2012年银监会颁布的《绿色信贷指引》作为切入点，构建双重差分模型。政策虚拟变量在2010—2011年取值为0，2012—2019年取值为1。

组别虚拟变量（Treated）：由于绿色信贷政策的实施，金融机构将更加关注贷款企业及其关联方对环境和社会造成的潜在影响，这可能會对重污染企业的融资和经营发展产生显著影响，而对其他非重污染企业的影响相对较小。鉴于此，本文采用苏冬蔚和连莉莉（2018）、丁杰（2019）的研究方法，将重污染企业定义为实验组（Treated=1），非重污染企业定义为对照组（Treated=0）。

双重差分变量DID（Treated*Time）：该变量为本文的核心解释变量，是政策虚拟变量与实验组虚拟变量的交互项，用来衡量绿色信贷政策对企业绿色全要素生产率的影响。

3控制变量

借鉴以往文献，本文控制变量包括资产总利润率、托宾Q值、营运资金比率、资本密集度、投入资本回报率、企业规模、股权集中度、企业成长能力。各变量的定义如表1所示。

五、实证结果分析

（一）变量的描述性统计

表2为本文主要变量的描述性统计结果。如表2所示，企业绿色全要素生产率的标准差为0601，最小值和最大值分别为 0108和1418，均值为 1122；企业绿色技术进步率的标准差为0506，最小值和最大值分别为0119和6985，均值为1083；企业绿色效率的标准差为0506，最小值和最大值分别为0222和4497，均值为1142。上述分析说明了在样本期内，企业间绿色效率差异较大，这可能与不同的行业特征有关。

除资产总利润率、营运资金比率、投入资本回报率等几个变量，大多变量的标准差均小于均值，表明离散系数相对较小，数据稳定性较好。

（二）平行趋势的经验观察

本文的研究对象包括处理组和对照组两部分，旨在比较政策前后处理组和对照组的绿色全要素生产率的整体变化趋势。如图1所示，可以发现在绿色信贷政策出台之前（2012年前），重污染企业的GTFP显著高于非重污染企业的GTFP。因此可以说，在政策出台之前重污染企业具有更高的GTFP。而在2012年《绿色信贷指引》颁布后，实验组的绿色全要素生产率逐渐下降，对照组绿色全要素生产率却保持增长趋势，并在2013年超过实验组。二者之间的对比差异在一定程度上反映出 2012年《绿色信贷指引》政策在短期内对实验组企业绿色全要素生产率造成了负向影响。

图1 平行趋势检验

（三）基准回归结果

表3为基准回归结果，列（1）以绿色技术进步率GTC为被解释变量，DID系数为-0352且在1%水平上显著，说明了绿色信贷政策的实施会降低重污染企业的绿色技术进步率，即假设1得到验证。列（2）以绿色效率GEC为被解释变量，DID系数为 0177，且在1%水平上显著，说明绿色信贷政策的实施提升了重污染企业的GEC，即假设2得到验证。列（3）以绿色全要素生产率GTFP为被解释变量，DID系数为-0155且在1%水平上显著。此检验结果支持假设3a，表明在绿色信贷政策实施以后，重污染企业GTFP 明显下降，这说明绿色信贷政策抑制了重污染企业的绿色发展。

（四）稳健性检验

1更换测算模型

为准确刻画重污染企业的绿色全要素生产率，本文参考陈琦（2021）的研究更换测算模型，将SBM-GML指数模型更换为CCR模型，重新测算重污染企业的绿色全要素生产率。表4为更换测算模型后绿色信贷政策对重污染企业绿色全要素生产率的影响结果。

根据表4结果可知，在更换测算模型后GTC的DID系数为-0257且在1%水平上显著，说明绿色信贷政策的实施会降低重污染企业的绿色技术进步率 ；GEC的DID系数为 0075，且在5%水平上显著，说明绿色信贷政策的实施会提高重污染企业的绿色效率；GTFP的DID系数为-0088且在10%水平上显著，说明绿色信贷政策的实施会降低重污染企业的绿色全要素生产率。以上结果与基准回归结果一致，故认为基准回归结果基本可靠。

2更换计量模型

鉴于政策实施的对象是非随机的，同时也为降低双重差分模型存在的偏差和样本选择偏差，故本文进一步选择PSM-DID模型进行稳健性检验。借鉴刘晔等（2016）的研究，本文根据托宾Q值、营运资金比率、投入资本回报率、股权集中度、固定资产比率、资产负债率等识别企业特征匹配估计量，使用 Logit模型回归估计倾向得分，进行 DID 回归。相关回归结果如表5所示。

表5展示了进行倾向性匹配后的数据平衡性检验结果。通过进行倾向性匹配得分，我们成功地达到了样本平衡，因此所有变量的t统计量显著降低。这表明倾向性匹配是一种有效的方法，可以用来提高研究的可信度和可靠性。因此，我们可以得出结论，倾向性匹配是合理和可靠的方法。

根据表6双重差分回归结果，经过倾向匹配得分的样本，绿色信贷政策的实施对重污染企业的绿色技术进步率产生了显著的负面影响。具体来说，绿色信贷政策的DID系数为-0361，显著水平为1%。这表明，该政策的实施降低了重污染企业的绿色技术进步率；GEC的DID系数为0190且在1%水平上显著，说明绿色信贷政策的实施会提高重污染企业的绿色效率；GTFP的DID系数为-0118且在10%水平上显著，说明绿色信贷政策的实施会降低重污染企业的绿色全要素生产率。以上结果与基准回归结果一致，故认为基准回归结果基本可靠。

3安慰剂检验

为了降低遗漏变量的影响，本文在基准回归中考虑了企业规模、成长能力、股权集中度等多个可能影响企业绿色全要素生产率的因素。然而，即使这些因素被考虑在内，仍然可能存在一些不可观测的因素对估计结果产生影响。为了解决这个问题，本文借鉴了Chetty等（2009）和La Ferrara E等（2012）的研究，进行了安慰剂检验。这种方法可以进一步验证研究结果的可靠性，确保研究结论的准确性。安慰剂检验的基本思路是使用一个不可能对结果产生影响的虚假变量替代交互项，并随机分配处理组和控制组。为此，我们会随机指定一个绿色信贷政策发生的时间，并在样本企业中随机选取一组作为处理组。然后重新估计模型，并计算错误的估计系数。如果这个估计系数不显著，就说明即使存在不可观测的因素，基准估计结果仍然是可靠的。具体来说，我们会在2010—2019年的所有年份中随机产生一个绿色信贷政策发生的时间，以此产生一个錯误的估计系数β＾random，再将这个过程重复500次，产生 500个 β＾random，这种方法可以有效地减轻遗漏变量的影响，同时进一步验证研究结果的准确性。结果如图2所示，经过安慰剂检验后，我们发现估计系数β＾random都集中在0附近并服从正态分布。这表明非观测因素几乎不会对估计结果产生重要影响，从而进一步验证了基准回归结果的稳健性。因此，我们可以得出结论，研究结果是可靠和有效的。

图2 安慰剂检验

（五）异质性检验

根据前文分析，企业之间所有权性质不同、所在地区不同等可能对绿色信贷影响重污染企业全要素生产率产生不同效果。所以本文在全样本进行基准回归之后，再次分别就企业所有权性质、所处地区进行了异质性分析，以此来探究绿色信贷政策对不同性质的重污染企业绿色全要素生产率产生的影响。

1按所有权性质分组回归

在我国，国有企业与非国有企业在经营环境上存在较大差异。具体到信贷市场上，国有企业比非国有企业更具融资优势，绿色信贷政策的实施可能进一步扩大国有企业和非国有企业在融资方面的差异，因此本文将样本分为国有企业与非国有企业分别带入基准模型进行回归。结果如表7所示。

根据表7所示，我们可以看到国有企业双重差分交互项DID的系数为-0132，且在10%的置信水平下显著；而非国有企业双重差分交互项DID的系数为-0239，且在5%的置信水平下显著。这意味着绿色信贷政策的实施会抑制国有企业和非国有企业的绿色全要素生产率，但对于非国有企业来说，绿色信贷政策的抑制效果更加明显。因此，我们可以得出结论，绿色信贷政策对企业的绿色全要素生产率产生了负面影响，并且非国有企业受到的影响更大，即假设4得到验证。本文推测，造成此现象的原因可能有两点：第一，国有企业相较于非国有企业，除了绿色信贷外，还享有更多的贷款政策和资源优惠，绿色信贷政策的实施对其融资并不会造成太大影响，而非国有企业贷款条件严苛，并且常常自力更生，自负盈亏；第二，国有企业与非国有企业外部制度环境不同，具体来说，国有企业外部制度环境优于非国有企业，在绿色信贷政策实施的过程中，国有企业更容易受到当地政府部门的关注（舒利敏 等，2022）。因此绿色信贷政策对非国有企业造成的负向影响更为明显。

2按地区分组回归

考虑到各地区经济状况与禀赋优势的差别，因此检验绿色信贷政策对不同地区重污染企业绿色全要素生产率的差异性影响。考虑到样本量的均衡，本部分的检验依照国家统计局制定的区域划分方式，将我国的31个省（自治区、直辖市）划分为东、中、西三大区域。根据样本企业的注册地址，将它们归为东部、中部和西部三个区域，并将它们分别用于基准模型的回归分析。结果如表8所示。

由表8可知，东部地区双重差分交互项DID的系数为-0174，且在10%水平上显著，表明绿色信贷政策对东部地区重污染企业绿色全要素生产率有显著的负向影响；中部地区双重差分交互项DID的系数为-0073，西部地区双重差分交互项DID的系数为-0144，虽然中部地区和西部地区的双重差分交互项系数为负，但未通过显著性检验，由此判断，地区经济发达程度不同，绿色信贷政策对重污染企业绿色全要素生产率的影响也存在差异，符合前文提出的假设 5。本文推测这可能是因为经济发展较快的东部地区，重污染企业数目较多（本文样本企业中东部地区共计69家企业，其中重污染企业35家；中部地区共计44家企业，其中重污染企业25家；西部地区共计25家企业，其中重污染企业11家），从而导致绿色信贷政策对东部地区企业绿色全要素生产率影响的实证效果更为明显；同时东部地区由于经济快速发展造成的污染物排放也多，当地政府协调经济增长和环境治理的任务更重。因此当绿色信贷政策实施后，东部地区迫于经济发展转型的压力，可能会加大绿色信贷的实施力度，以加快推动当地重污染企业治污减排，保护环境，致使绿色信贷政策对东部地区企业绿色全要素生产率的负向影响强于中西部地区（惠献波，2022）。

六、结论与政策建议

（一）结论

本研究使用2012年原银监会颁布的《绿色信贷指引》政策作为准自然实验，以138家上市公司2010—2019年的面板数据为基础，运用双重差分法对中国重污染企业的绿色全要素生产率与绿色信贷政策之间的关系进行研究。这一方法旨在消除其他可能干扰研究结论的因素，以更加准确地评估该政策对企业绿色全要素生产率的影响。基于上述分析得出以下结论。

第一，本文的研究结论表明，绿色信贷政策提高了重污染企业的绿色效率，但显著降低了重污染企业的绿色技术进步率，绿色信贷政策对绿色技术进步率的负效应大于对绿色效率的正效应，因此绿色信贷政策在一定程度上会抑制重污染企业绿色全要素生产率的发展。但就政策实施长期来看，本文认为随着绿色信贷政策的不断完善，绿色信贷服务范围的不断扩大，企业在进行技术水平改造、提升绿色发展水平后可以获得更多的信贷支持，让企业越来越重视绿色发展，进而会提升企业绿色全要素生产率。

第二，绿色信贷政策实施效果因企業所有权性质差异而不同。具体来看，绿色信贷对非国有重污染企业绿色全要素生产率的抑制作用强于国有重污染企业。本文推测，造成此现象的原因可能是国有企业相较于非国有企业，除了绿色信贷外，还享有更多的贷款政策和资源优惠，绿色信贷政策的实施对其融资并不会造成太大影响，而非国有企业贷款条件严苛，并且常常自力更生，自负盈亏等。

第三，绿色信贷政策实施效果因地区经济发展水平差异而不同。具体来看，绿色信贷政策对东部地区重污染企业的绿色全要素生产率抑制作用最为显著。虽然对中西部地区也有一定的负面影响，但并不显著。据此，我们猜测这可能是因为东部地区的经济增长速度较快，重污染企业数量相对较多，同时由于快速发展导致的污染物排放也更多，因此当地政府在协调经济增长和环境治理方面承担了更重的任务。综上，本研究认为在绿色信贷政策实施后，东部地区的重污染企业可能面临更大的环保压力和治理要求，因此可能会更积极地申请绿色信贷以加快治污减排，保护环境。这或许是造成东部地区企业绿色全要素生产率受到更强负面影响的原因。相比之下，中西部地区的重污染企业数量较少，环保治理压力相对较小，因此绿色信贷政策对企业绿色全要素生产率的影响不明显。

（二）政策建议

基于本文研究结论，现提出以下两点建议。

第一，强化绿色信贷政策的约束力。前文结论表明，绿色信贷政策会抑制重污染企业绿色全要素生产率的提升，考虑到当前的绿色信贷政策下，重污染企业可能只是通过“绿色”贷款获得更低的利率，但并没有真正采取行动来改善其环保生产方式。因此，政府可以加强监管力度，要求重污染企业在获得绿色贷款的同时，必须遵守一系列环境标准和限制条件。

第二，制定更具针对性的绿色信贷政策。当前的绿色信贷政策过于笼统，考虑到我国地区经济发展水平的不平衡以及企业个体的差异性，本文得出我国东部地区的重污染企业以及非国有重污染企业的绿色全要素生产率更易受到绿色信贷政策的抑制。因此，政府可以制定更具针对性的绿色信贷政策，为不同地区、不同性质的企业提供更精准的环保支持和激励措施，以此推动企业实施绿色生产，提高企业的绿色全要素生产率。

参考文献

［1］陈超凡中国工业绿色全要素生产率及其影响因素——基于ML生产率指数及动态面板模型的实证研究［J］统计研究，2016，33（3）：53-62

［2］蔡乌赶，周小亮中国环境规制对绿色全要素生产率的双重效应［J］经济学家，2017（9）：27-35

［3］冯严超，王晓红，胡士磊FDI、OFDI与中国绿色全要素生产率——基于空间计量模型的分析［J］中国管理科学，2021，29（12）：81-91

［4］孙冬营，吴星妍，顾嘉榕，等长三角城市群工业企业绿色全要素生产率测算及其影响因素［J］中国科技论坛，2021（12）：91-100

［5］刘传江，张劭辉，李雪绿色信贷政策提升了中国重污染行业的绿色全要素生产率吗？［J］国际金融研究，2022（4）：3-11

［6］佘碩，王巧，张阿城技术创新、产业结构与城市绿色全要素生产率——基于国家低碳城市试点的影响渠道检验［J］经济与管理研究，2020，41（8）：44-61

［7］万伦来，朱琴R&D投入对工业绿色全要素生产率增长的影响——来自中国工业1999～2010年的经验数据［J］经济学动态，2013（9）：20-26

［8］尹子擘，孙习卿，邢茂源绿色金融发展对绿色全要素生产率的影响研究［J］统计与决策，2021，37（3）：139-144

［9］周晓辉，刘莹莹，彭留英数字经济发展与绿色全要素生产率提高［J］上海经济研究，2021（12）：51-63

［10］程文先，钱学锋数字经济与中国工业绿色全要素生产率增长［J］经济问题探索，2021（8）：124-140

［11］苏科，周超人力资本、科技创新与绿色全要素生产率——基于长江经济带城市数据分析［J］经济问题，2021（5）：71-79

［12］胡荣才，张文琼开展绿色信贷会影响商业银行盈利水平吗？［J］金融监管研究，2016（7）：92-110

［13］刘海英企业环境绩效与绿色信贷的关联性——基于采掘服务、造纸和电力行业的数据样本分析［J］中国特色社会主义研究，2017（3）：85-92

［14］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

［15］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

［16］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

［17］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

［18］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

［19］张小可，葛晶绿色金融政策的双重资源配置优化效应研究［J］产业经济研究，2021（6）：15-28

［20］丁杰，胡蓉区域性环境规制与绿色信贷政策的有效性——基于重污染企业信贷融资视角［J］软科学，2020，34（12）：61-67

［21］陆菁，鄢云，王韬璇绿色信贷政策的微观效应研究——基于技术创新与资源再配置的视角［J］中国工业经济，2021（1）：174-192

［22］蔡海静，周施绿色信贷政策与“两高”企业权益资本成本［J］财会月刊，2022（3）：51-60

［23］于波绿色信贷政策如何影响重污染企业技术创新？［J］经济管理，2021，43（11）：35-51

［24］宋马林，金培振地方保护、资源错配与环境福利绩效［J］经济研究，2016，51（12）：47-61

［25］王艳丽，类晓东，龙如银绿色信贷政策提高了企业的投资效率吗？——基于重污染企业金融资源配置的视角［J］中国人口·资源与环境，2021，31（1）：123-133

［26］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

［27］张杰，刘元春，翟福昕，等银行歧视、商业信用与企业发展［J］世界经济，2013，36（9）：94-126

［28］孔东民，王亚男，代昀昊为何企业上市降低了生产效率？——基于制度激励视角的研究［J］金融研究，2015（7）：76-97

［29］陈琦金融科技对绿色全要素生产率的影响分析［D］济南：山东大学，2021

［30］刘晔，张训常，蓝晓燕国有企业混合所有制改革对全要素生产率的影响——基于PSM-DID方法的实证研究［J］财政研究，2016（10）：63-75

［31］舒利敏，廖菁华末端治理还是绿色转型？——绿色信贷对重污染行业企业环保投资的影响研究［J］国际金融研究，2022（4）：12-22

［32］惠献波绿色信贷政策、金融资源配置与企业绿色全要素生产率——基于我国重污染企业的证据［J］西南金融，2022（10）：65-77

［33］BANKER R D，CHARNES A，COOPER W WSome models for estimating technical and scale inefficiencies in data envelopment analysis［J］Management Science，1984，30（9）：1078-1092

［34］COWAN ETopical issuesin environmental finance［J］EEPSEA Special and Technical Paper，1998，43（3）：1-20

［35］CHETTY Ｒ，LOONEY A，KROFT KSalience and taxation：Theory and evidence［J］American Economic Ｒeview，2009，99（4）：1145-1177

［36］KING R G，LEVINE RFinance and growth：Schumpeter might be right［J］Quarterly Journal of economics，1993，108（3）：717-737

［37］LA FERRARA E，CHONG A，DURYEA SSoap operas and fertility：Evidence from Brazil［J］American Economic Journal：Applied Economics，2012，4（4）：1-31

Does Green Credit Policy Improve the Green Total Factor Productivity of Heavy-polluting Enterprises？ An Empirical Study Based on a Difference-in-Differences Model

YANG Qin YANG Shifeng

（School of Finance，Lanzhou University of Finance and Economics，Lanzhou  730101，China）

Abstract：This article uses the“Green Credit Guidelines”issued by the former China Banking Regulatory Commission in 2012 as a quasi-natural experimentBased on the SBM directional distance function and GML index，the green total factor productivity of listed companies in China from 2010 to 2019 is calculated，and then the double difference method（DID）is used to explore the impact of green credit policy on the green total factor productivity of listed companies heavy-polluting enterprisesThe results show that the green credit policy has a positive effect on improving the green efficiency of heavy-polluting enterprises，but at the same time has a significant negative impact on the green technology progress rate of heavy-polluting enterprises，ultimately leading to a significant decrease in the green total factor productivity of heavy-polluting enterprisesFurther grouping based on enterprise equity nature and regional economic development level reveals that non-state-owned enterprises and enterprises located in the eastern region are more affected by the green credit policy

Key words：Green Credit Policy；Green Total Factor Productivity；Difference-in-Differences Method；Green Finance