绿色信贷对商业银行风险的影响

曹高航 高惺惟 王天琪 田容至

摘   要：商业银行支持绿色发展和防范风险是一对不可调和的矛盾吗？本文基于2008—2019年中国64家商业银行数据构建了绿色信贷政策的准自然实验，利用双重差分模型研究了绿色信贷对商业银行风险的影响。研究发现：商业银行开展绿色信贷可以有效降低商业银行风险，政策效应存在3年的滞后性；绿色信贷政策可以削弱大型国有商业银行和城市商业银行风险，但对非大型国有商业银行和农村商业银行的影响并不明显；增加绿色信贷份额可以增强商业银行流动性及创新性，进而降低商业银行风险。

关键词：绿色信贷；商业银行；风险；流动性；多期双重差分检验

中图分类号：F830.33  文献标识码：A  文章编号：1674-2265（2024）02-0055-09

DOI：10.19647/j.cnki.37-1462/f.2024.02.006

一、引言与文献综述

随着我国经济发展模式的转型，推动绿色信贷发展成为商业银行服务经济、环境可持续发展的重要手段。2007年发布的《关于落实环保政策法规防范信贷风险的意见》首次提出通过差异化利率、贷款限制等信贷手段对环境与经济发展进行干预和调控。2012年《绿色信贷指引》进一步明确了绿色信贷的重点投向和支持领域。2016年，中国人民银行等七部委联合印发的《关于构建绿色金融体系的指导意见》形成了绿色金融发展的体系化建设方案。2021年，中国人民银行通过碳减排支持工具向金融机构提供低成本资金，引导金融机构在自主决策、自担风险的前提下，向碳减排重点领域内的各类企业一视同仁提供碳减排贷款。一系列绿色信贷政策的推出，无疑能够发挥政策示范效应，引导金融机构和企业更充分地认识绿色转型的重要意义，助力碳达峰、碳中和目标的实现。

商业银行在践行绿色金融理念中，主要以绿色信贷的方式为从事循环经济、绿色经济生产的环保型企业提供信贷支持，但是，节能环保产业大多为科技创新型企业，支持节能环保项目存在较大信贷风险。那么，对我国银行业而言，绿色信贷对商业银行风险承担会存在怎样的影响？

从理论上来讲，绿色信贷使资金配置得到优化：一方面，绿色信贷使资金从落后产业及产能过剩的产业中流出，有助于淘汰过剩产能；另一方面，绿色信贷使资金向绿色环保产业、节能产业调配，有助于推动产业升级，促进经济的可持续发展。但是我国绿色信贷的发展依旧处于不完善的阶段，管理手段单一，法律以及环境征信制度不完善。因此，目前关于绿色信贷对商业银行风险的影响仍未有定论。一部分学者则认为绿色信贷可以对商业银行的财务绩效（张琳等，2019）[1]、社会声誉（Weber，2005）[2]产生正向影响，同时顺应了绿色产业蓬勃发展的趋势，有助于优化商业银行的信贷结构，对商业银行综合竞争力具有提升作用（汪炜等，2021）[3]。但另一部分学者则认为政府的政策会扰乱市场秩序，造成资金配置的失效（Mathuva和Kiweu，2016）[4]，而绿色企业多处于新兴产业，短期发展具有较大的不确定性，不完善的配套措施会降低商业银行的成本效率（丁宁等，2020）[5]，使商业银行的风险扩张。同时当前绿色信贷业务投资回报率较低，开展绿色信贷会提升商业银行运营成本，对商业银行经营与发展具有负向效应（李程等，2016）[6]。

由此可见，虽然现有文献对于绿色信贷影响商业银行风险的问题已有一定的研究，但绿色信贷对商业银行风险呈积极影响还是消极影响仍存在较大争议，且存在以下不足之處：一是研究方法可能不准确。学者们多将《绿色信贷指引》政策作为关键外生冲击，使用双重差分法测算该政策的政策效应。但需要指出的是，对于商业银行而言，绿色信贷政策执行时间并不相同，使用多期双重差分法才能更为准确地观测到绿色信贷政策的效应。二是尽管有大量的文献讨论了绿色信贷与商业银行风险之间的关系，但大部分文献仅停留在对二者之间直接关系的研究（李苏等，2017；邵传林和闫永生，2020）[7，8]，而对其中影响机制的研究尚少。但结合影响经营绩效的文献来看，绿色信贷可能并不仅仅直接影响商业银行风险，流动性、创新性这些影响经营绩效的指标都可能间接作用于商业银行风险。本文的边际贡献在于：一是使用多期双重差分模型，不仅探讨了绿色信贷政策的净效应，还对绿色信贷份额的影响做了进一步的研究，不仅回答了是否应继续开展绿色信贷这一问题，还对已实施绿色信贷政策的商业银行后续是否应当扩大绿色信贷份额做出了解释。二是对绿色信贷对商业银行风险的直接影响和中介路径进行了研究，并探讨了绿色信贷对不同性质商业银行风险的影响，为不同性质商业银行开展绿色信贷政策提供了理论证据。

二、理论分析和研究假设

（一）绿色信贷实施对商业银行风险的影响

王艳丽等（2021）[9]认为，绿色信贷会引发资源错配，导致商业银行风险增加。虽然商业银行通过差异化利率机制或者金融杠杆，可以使资金从“两高一剩”行业流向绿色环保行业，进而引导产业结构创新升级，推动可持续发展，但是，一方面，绿色环保企业作为新兴产业，市场运作模式不成熟，盈利水平往往较低（王遥和潘冬阳，2015）[10]，商业银行以优惠利率将信贷资金投向绿色项目会造成利息收入的损失，特别是，部分高风险的绿色环保企业会在绿色信贷支持下得以维持，而政策激励下同质性绿色企业的盲目扩张在市场的挤出效应下最终形成银行坏账，导致商业银行经营风险扩大。另一方面，“两高一剩”企业具有成熟的市场运营模式，提升其贷款利率会造成这部分客户减少甚至放弃银行贷款（陈伟光和卢丽红，2011）[11]，从而产生机会成本。同时，“抽贷”可能会加剧企业资金链断裂，抑制高污染企业技术创新（田超和肖黎明，2021）[12]，导致企业更加难以偿还借款，商业银行将面临更大损失。

同时，绿色信贷政策的配套机制尚不完善也可能导致商业银行无法有效规避风险。一方面，当前绿色信贷仍存在信息不对称、信贷机制不完善、风控机制存在缺漏等问题（宁金辉和史方，2021）[13]。商业银行的系统没有纳入环境污染及保护信息，在信贷发放过程中，商业银行只能获取部分碎片化的信息，无法对贷款企业的环保水平等做出准确评判。另一方面，绿色环保项目往往回报周期长，投资金额大，商业银行需独自承担资金回流慢的压力，流动性风险提升。加之国内缺乏完善的绿色项目评估监督体系，大大增加了贷前评估成本和事后监督成本（于波等，2021）[14]，众多污染企业存在“漂绿”行为，虚假的环保宣传导致大量绿色信贷项目质量不高，增加了商业银行环境责任关联风险。

然而，产业转型背景下也存在资源优化及风险降压现象。一方面，在信用风险层面，由于环保政策要求及执法力度愈发严格，企业净污成本变高甚至面临污染处罚，企业盈利能力降低，商业银行信贷业务的违约风险增加。相比之下，适用绿色信贷的新企业具有更好的发展前景，且拥有政府绿色项目贴息、担保等政策支持（汪炜等，2021）[3]。同时，环保行业采用绿色清洁技术，相比“两高一剩”企业，其抵押品的价值更有保障，从而降低了商业银行信贷业务的信用风险。另一方面，在信誉风险层面，绿色贷款业务促使商业银行践行社会责任，创新和发展绿色产品（Relano，2008）[15]，由此建立的良好声誉能够扩大商业银行的客户群体，提升商业银行自身竞争力，获取更多绿色信贷业务和投资项目。同时，商业银行绿色信贷业务的推广有助于引导公众及市场形成绿色环保理念，吸引更多绿色环保客户，形成良性循环。由此，绿色信贷有助于商业银行践行企业社会责任，促使商业银行积累道德资本，从而以良好的声誉降低商业银行信贷风险。由此，提出两个对立假设：

假设1a：绿色信贷政策会降低商业银行风险；

假设1b：绿色信贷政策会增加商业银行风险。

（二）绿色信贷对商业银行风险影响的异质性

大型国有商业银行与股份制、民营等非大型国有商业银行因信贷规模、质量、政策的不同而对绿色信贷政策的敏感程度具有异质性（张文中和窦瑞，2020）[16]。在信贷规模上，大型国有商业银行的规模较大，因此，增加绿色信贷所带来的管理费用等短期成本可以被摊薄；而非大型国有商业银行的信贷规模较小，实施绿色信贷政策所需成本在其经营活动中占比较大（高晓燕，2020）[17]，更易导致风险增溢。在信贷质量上，大型国有商业银行的绿色信贷业务开展时间较早，品种也较为丰富，相比之下，非大型国有商业银行则较为单一，因此，非大型国有商业银行在实施绿色信贷时提升银行盈利能力的作用也落后于大型国有商业银行。在信贷政策上，大型国有商业银行的绿色信贷政策较为完善，而非大型国有商业银行则不够成熟，在运营效率上存在较大的差距，对信贷政策的理解偏差更容易对非大型国有商业银行发展产生负向影响（刘昊，2021）[18]。

除此之外，农村商业银行与城市商业银行也因信贷制度、业务范围、客户结构的不同而对绿色信贷政策的敏感程度具有异质性。在信贷制度上，城市商业银行绿色信贷相关制度较为规范，发展状况良好，而农村商业银行绿色信贷起步和发展相对较慢，信贷管理与风险控制能力存在一定差距。在业务范围上，农村商业银行主要以服务农村、农业经济为主，而城市商业银行更为灵活多变，业务规模大且多元化程度深。在客户结构上，隨着农村金融市场竞争结构的变化，农村商业银行客户流失加速，且优质客户比例低，客户老龄化趋势明显，对政策理解和项目把控能力较弱，一旦贷款形成风险很难化解。由此，提出以下假设：

假设2：绿色信贷政策对大型国有商业银行和非大型国有商业银行、城市商业银行和农村商业银行风险的影响存在异质性。

三、基准模型、数据与变量说明

（一）基准模型

为了分析绿色信贷政策对商业银行风险的影响，本文采用双重差分模型，以商业银行的风险承担作为被解释变量，以绿色信贷政策实施的时间虚拟变量作为核心解释变量，具体模型设定如下：

[lnRISKit=β0+β1×Policyi×Postt+φXit+μi+γt+εit]  （1）

其中，[i]代表商业银行，[t]表示时间，[lnRISKit]为商业银行[i]在[t]年的风险承担（取对数值）。[Policyi]为虚拟变量，表示商业银行是否开展绿色信贷，实施绿色信贷的商业银行取1，没有实施绿色信贷的商业银行取0。[Postt]为虚拟变量，表示是否已经开展绿色信贷，实施绿色信贷的时期取1，其他时期取0。由于不同商业银行实施绿色信贷的时间并不一致，本文使用多期双重差分法进行检验。[Xit]为与银行风险相关的控制变量，[μi]代表银行个体固定效应，[γt]代表时间固定效应，[εit]为误差项。

为进一步研究商业银行绿色信贷份额对其风险承担的影响，文章参照邵传林和闫永生（2019）[19]的研究，在基准模型的基础上将解释变量替换为政策净效应与绿色信贷份额的交互项，进而验证绿色信贷份额对商业银行风险承担的影响。

[lnRISKit=β0+β1×Policyi×Postt×Green+φXit+μi+γt+εit]  （2）

（二）数据来源

本文选取的样本为中国64家商业银行2008—2019年面板数据。通过Bankscope 数据库及万得数据库，本文获得了100余家国内商业银行的财务数据，由于部分商业银行财务数据缺失严重，剔除了财务数据不完整的样本，保留了64家数据较为完整的商业银行样本。为了降低极端值的影响，本文对所有连续变量在1%和99%分位上进行了缩尾处理。

（三）变量解释

关于商业银行风险承担的衡量，学界并未形成一致的标准，代理变量主要有预期违约率、存贷比、资本充足率、不良贷款率、Z值等。本文借鉴邵传林和闫永生（2020）[19]，采用Z值衡量商业银行风险承担，具体计算公式如下：

[RISKit=ROAit+CARitδROAit] （3）

其中，[ROA]表示商业银行的总资产收益率； [CAR]表示商业银行的资本充足率，[δROA]表示总资产收益率的标准差，即资本收益率与资本资产比之和除以资产收益率的标准差。因为Z值有尖峰厚尾的性质，取对数进行回归。Z值越大，银行系统越稳定，破产概率越小，银行风险越小。此外，使用资本充足率、不良贷款率进行稳健性检验。

关于核心解释变量绿色信贷虚拟变量的选择，苏冬蔚和连莉莉（2018）[20]在研究绿色信贷对企业投融资行为的影响时，将2012年《绿色信贷指引》的正式实施作为绿色信贷政策施行的重要时间节点。在此基础上，考虑到2012年后还有其他不同的商业银行逐渐开展绿色信贷业务，本文通过手工查阅各家商业银行《社会责任报告》中绿色信贷余额的披露时间点，确定各家商业银行开展绿色信贷的时间，具体时间如表1所示。如果某家商业银行在当期开始披露或已经披露了绿色信贷余额，则赋值为1，否则为0。另外，通过手工查阅各家商业银行《社会责任报告》中的绿色信贷余额，计算得到绿色信贷占贷款余额的比例，作为核心解释变量的另一个衡量指标——绿色信贷份额（green）。为控制其他因素对商业银行风险的影响，参考已有研究，本文选取了以下控制变量：在商业银行自身风险控制方面，本文选取了商业银行规模（size）、盈利能力（roa）、收入结构（NIIR）作为控制变量。其中，以总资产余额的自然对数代表商业银行规模，以净利润与总资产的比值衡量盈利能力，以非利息收入与总营业收入的比值衡量收入结构。在宏观经济方面，本文参照丁宁等（2020）[5]的研究，选取了GDP增长率（gdpgrowth）、M2增长率（M2growth）以及国内物价水平（cpi）作为控制变量，各变量描述性统计见表2。

四、实证结果

（一）基准回归结果

基准模型的回归结果见表3。第（1）列和第（3）列分别表示仅控制个体固定效应和时间固定效应时各变量对商业银行风险的影响，第（2）列和第（4）列在此基础上加入了各控制变量。结果显示，无论是否加入控制变量，Policy[×]Post的系数始终为正且显著。这说明，绿色信贷的净政策效应是使Z值增加，由于Z值越小，风险越大，即绿色信贷的政策效应是使商业银行的风险降低。第（3）列和第（4）列的结果显示，无论是否加入控制变量，绿色信贷份额的回归系数显著为正。可见，假设1a成立，即绿色信贷在发挥促进绿色发展作用的同时，还可以降低商业银行风险承担。

（二）多期平行趋势检验

双重差分模型需要满足平行趋势检验假设，即在政策时间点之前实施绿色信贷的商业银行和未实施绿色信贷的商业银行变化趋势应保持一致。正如前文所强调的，不同商业银行开展绿色信贷的时间不同，因而不能将某一年作为临界点设置虚拟变量。本文参考Beck等（2010）[21]的研究，为各商业银行设定实施绿色信贷的相对时间值，从而构建多期平行趋势检验，具体检验公式为：

[lnRISKit=α+β1Before3it+β2Before2it+β3Before1i，t+β4Currentit+β5After1it+β6After2it+β7After3i，t+β8After4it+β9After5it+β10After6it+β11After7it+β12After8it+φXit+μi+γt+εit]  （4）

其中，[Before]、[Current]以及[After]为商业银行施行绿色信贷的前[n]年、当年以及后[n]年的观测值。由于本文样本期为2008—2019年，而商业银行在2012年之后施行绿色信贷政策，因此，部分商业银行没有多于-4的样本量。本文参考白俊红等（2022）[22]解决多重共线性问题的方法，将其他商业银行-4期之前的时间归并至第-4期。由此，本文以-4期为基点，分析政策发生前三年情况，以观测是否符合平行趋势检验。同样，由于观测值的时间截至2019年，本文主要分析商业银行实施绿色信贷后7年的動态效应。结果如图1所示，商业银行施行绿色信贷政策之前，时间虚拟变量的系数均不显著，说明处理组商业银行与控制组商业银行在政策发生之前的风险无显著差异，符合平行趋势检验假设。此外，在政策发生后，商业银行风险并不会立即降低，在实施绿色信贷3年后，绿色信贷对商业银行Z值的影响显著为正并不断提升，说明绿色信贷政策存在降低商业银行风险的政策效应，但具有3年的滞后性。绿色信贷政策效应存在滞后期可以从两个方面进行解释：一方面，在绿色信贷实施的前期，存在技术人员培养成本及环境项目审核成本等的压力（丁宁等，2020）[5]，但在绿色信贷实施的中后期，规模效应可以有效降低成本从而起到降低风险的作用；另一方面，绿色信贷实施的前期，商业银行的绿色声誉以及社会责任感等正外部性不能及时得到反馈（尹庆民和武景，2022）[23]，而到绿色信贷实施的中后期，实施绿色信贷政策的声誉作用得以发挥，从而提高了商业银行的流动性，进而降低了风险。

（三）稳健性检验

1. PSM-DID。为了克服开展绿色信贷的商业银行与其他商业银行的风险变动趋势存在的系统性差异， 降低DID估计的偏误，本文进一步采用PSM-DID方法进行稳健性检验。采用Logit模型，以policy为因变量，以银行盈利能力、银行收入结构、银行规模、银行年龄等变量作为相应的匹配变量，然后分别采用卡尺最近邻匹配法和近邻1∶1匹配法进行样本匹配。

先去除政策实施后样本数据，即仅以绿色信贷政策实施前年份商业银行与未实施绿色信贷商业银行进行倾向得分匹配，删除未匹配数据，而后与政策实施后年份数据进行纵向匹配，并删除匹配数据中未出现的地区保证样本数据的统一性。最终，基于匹配数据再次进行回归，回归结果如表4所示，其中，第（1）列和第（3）列分别表示仅控制个体固定效应和时间固定效应时绿色信贷净政策效应和绿色信贷份额对商业银行风险的影响，第（2）列和第（4）列分别表示加入了相应的控制变量后绿色信贷净政策效应和绿色信贷份额对商业银行风险的影响。从表中可以看出，无论是否加入控制变量，绿色信贷和绿色信贷份额的系数均显著为正，证明本文主回归结果稳健，即商业银行开展绿色信贷可以降低风险水平，进一步证实了假设1a。

为了保证PSM-DID方法的有效性，本文也进行了相应的检验。正如前文的回归结果表明，各协变量对处理变量具有较强的解释力。同时，需要检验在进行匹配后各变量在处理组与控制组的分布是否变得平衡，协变量的均值在处理组和控制组间是否依然存在显著差异。若不存在显著差异，则支持PSM-DID方法的应用。本文运用核匹配进行估计，对比匹配前的结果，所有变量的标准化偏差均大幅缩小，PSM-DID是有效的（见图2）。

2. 安慰剂检验。可能存在一些不可观测的商业银行自身特征干扰绿色信贷政策对商业银行风险的影响。在同时点的双重差分模型中，一般研究与Liu和 Lu（2015）[24]一致，选择随机生成处理组的方式进行安慰剂检验，将绿色信贷对各商业银行风险的冲击变得随机，排除由其他随机因素造成的影响。但由于本文为多时点模型，政策时点存在差异，因此，本文参照白俊红等（2022）[22]的方式，同时生成伪处理组虚拟变量以及伪政策冲击虚拟变量，即为每个商业银行随机抽取时点开展绿色信贷政策从而进行检验。利用Stata软件构造伪绿色信贷政策对64个商业银行的500次随机冲击，每次随机抽取29个商业银行作为处理组，且开展的绿色信贷政策随机给出，得到500组虚拟变量，进而呈现500个系数的核密度及其p值分布。随机处理结果大多集中在0.005附近，且大部分系数的P值高于0.1。而实际绿色信贷对商业银行风险的影响系数为0.037，与安慰剂检验结果有显著的差异。稳健性检验进一步证实了假设1a。

3. 替换被解释变量。为进一步检验绿色信贷对商业银行风险的影响，本部分使用资本充足率（CAR）、不良贷款率（NPL）替代被解释变量进行稳健性检验，结果见表5。无论是从资本充足率的角度出发，还是从不良贷款率的角度出发，绿色信贷政策均会削弱商业银行风险承担。稳健性检验进一步证实了假设1a。

（四）异质性分析

为进一步检验不同的控股形式和治理结构下绿色信贷对商业银行风险的影响，本文针对大型国有商业银行和非大型国有商业银行进行了异质性分析，结果如表6所示。其中，列（1）和列（2）显示绿色信贷和绿色信贷份额对非大型国有商业银行风险的影响不显著。列（3）和列（4）表明绿色信贷和绿色信贷份额对大型国有商业银行Z值的影响结果显著为正，即能够降低大型国有商业银行的风险承担。

相较于民营或股份制银行等非大型国有商业银行，大型国有商业银行通常有着更高的风险重要性等级，监管机构亦对其有着更为严格的风险指标考核，这在很大程度上限制了其信贷投放的盲目扩张，在绿色信贷政策背景下，大型国有商业银行能够更为稳健地开展业务，充分挖掘贷款申请人在绿色发展中的业务优势，将贷款投向业务发展更为健康的企业。因此，大型国有商业银行开展绿色信贷政策更有利于缩小风险。

此外，本文还根据治理结构将样本分为城市商业银行和农村商业银行，异质性分析结果如表7所示，绿色信贷及绿色信贷份额均能显著提高城市商业银行Z值，即降低城市商业银行风险承担，但对农村商业银行的影响不显著。

五、机制分析

（一）流动性的中介效应

绿色信贷作为一种创新的信贷形式，能使商业银行获得良好的市场声誉且获得相关政策支持，更易赢得政府、企业及个人的认可，进而在其核心的揽储业务中占据优势，有助于在金融市场交易中占据主动权，从而获得更好的流动性（苏冬蔚和连莉莉，2018）[20]。流动性提升能够有效地降低商业银行所面临的风险，在极端经济环境下维持正常的运营。除此之外，较好的流动性有助于商业银行利用资产规模扩大的优势开展更加丰富的业务，高效地分配资源，从而更为有效地管控风险。

参考温忠麟和叶宝娟（2014）[25]，设置中介效应模型如下：

[liquidit=β0+β1×Policyi×Postt×policy×post×green+φXit+μi+γt+εit]  （5）

[lnRISKit=λ0+λ1×Policyi×Postt×policy×post×green+λ2×liquidit+φXit+μi+γt+εit] （6）

其中，[i]代表商业银行，[t]表示时间，[liquidit]为商业银行[i]在[t]年的流动性水平，由于流动性覆盖率以及流动性资产充足率指标较难获取，本文参照蒋海等（2021）[26]，将流动性比率作为流动性水平的代理变量，具体以“流动性资产/流动性负债”来表示，其余变量与基准方程（2）一致，结果见表8。

从表8第（1）列来看，绿色信贷份额对流动性比率的系数显著为正，这说明随着绿色信贷份额的增加，商业银行的流动性增大。从第（2）列来看，绿色信贷份额对商业银行风险的影响与基准回归一致，仍显著为正，同时流动性比率至少在10%的水平下显著为正，即流动性增加可以降低商业银行信用风险。以上说明流动性比率着实能起到中介作用，即增加绿色信贷份额会增加商业银行流动性比率，进而降低商业银行风险承担。

（二）创新性的中介效应

绿色信贷有助于商业银行进一步完善其信贷审核机制，并且助力商业银行在贷前、贷中、贷后的金融科技投入，进而提高商业银行的创新性（顾晓安和王鹏程，2015）[27]。创新能力提升体现了商业银行的金融创新力度与发展实力，同时，商业银行业务部门重视绿色信贷的发展，促使各部门熟练利用金融科技手段、提升风险管理水平进而实现更为精准、个性化的贷前审核、放款与贷后管理，提升商业银行的综合创新能力（何凌云等，2018）[28]，增强商业银行在风险管理中的主动权，在业务上对接风险更低的绿色企业、绿色项目，实现贷款风险的削弱，从而打通“绿色信贷—银行创新—风险管理”这一正反馈通路，降低商业银行经营中面临的风险。

与验证流动性的中介效应过程一致，本部分验证创新性的中介效应模型如式（7）和式（8），其中，[Innovationit]为商业银行[i]在[t]年的创新能力。孙磊（2010）[29]指出金融创新可以显著改善资本收益结构，股票市场融资功能的完善以及债券市场的健全主要体现在银行的手续费和佣金收入的显著提高。本文参考周建等（2012）[30]以及吴成颂等（2016）[31]的研究，选取“手续费及佣金净收入/ 营业收入”来表示商业银行创新能力，其余变量与上述方程一致。

[Innovationit=β0+β1×Policyi×Postt×policy×post×green+φXit+μi+γt+εit]  （7）

[lnRISKit=λ0+λ1×Policyi×Postt×policy×post×green+λ2×Innovationit+φXit+μi+γt+εit]  （8）

從表8第（3）列来看，绿色信贷份额对商业银行创新性的系数显著为正，说明伴随着绿色信贷份额的增大，商业银行创新能力增强；从第（4）列来看，绿色信贷份额对商业银行风险的影响与基准回归一致，仍显著为正，同时可以发现，创新性至少在10%的水平下显著为正，即增强商业银行的创新能力可以降低商业银行的风险承担。结合第（3）和（4）列可以看出创新能力着实能起到中介作用，即增加绿色信贷份额会增强商业银行创新能力，而商业银行的创新能力增强将直接削弱商业银行风险。

六、结论与启示

本文基于2008—2019年中国64个商业银行数据构建了绿色信贷政策的准自然实验，利用双重差分模型研究了绿色信贷对商业银行风险承担的影响。同时，为深入研究所有制结构及治理结构对商业银行的影响，本文区分大型国有商业银行和非大型国有商业银行、城市商业银行和农村商业银行进行了异质性检验。在机制检验方面，本文对商业银行流动性和创新性进行了检验。具体结论如下：一是商业银行开展绿色信贷可以有效降低风险且具有3年的滞后期。二是绿色信贷政策可以削弱大型国有商业银行的风险承担，但对非大型国有商业银行风险承担的影响不显著；绿色信贷政策会削弱城市商业银行的风险，但对农村商业银行影响并不显著。三是流动性和创新性能起到中介作用，即增加绿色信贷份额可以增强商业银行流动性和创新性，进而降低商业银行风险承担。

综合上述研究结论，本文提出以下政策建议：首先，深入推进绿色信贷政策。商业银行应持续扩大绿色信贷规模，提高推进绿色信贷的积极性，以高度的社会责任感践行绿色信贷，发挥声誉正外部性，不断增强流动性水平等竞争优势。其次，不断丰富绿色信贷产品。商业银行应持续创新绿色信贷相关金融产品及绿色环保企业的抵押及担保方式，实现绿色信贷产品的多样化。最后，不同类型的商业银行应实施差别化的绿色信贷政策。就大型国有商业银行而言，应加大对绿色环保企业的信贷支持，继续将信贷政策向绿色环保企业倾斜，政府也应对大型国有商业银行开展绿色信贷业务提供扶持激励。对非大型国有商业银行而言，当前的主要任务是完善绿色信贷管理机制和风险管控机制。对于城市商业银行而言，需要充分利用自身的资源优势，发挥各类金融工具的创新性作用，深化绿色金融水平，助推城市绿色发展；对于农村商业银行而言，须谨慎发放绿色信贷，对披露信息加强审核与监管，以防信息不对称造成损失。

参考文献：

[1]张琳，廉永辉，赵海涛.绿色信贷和银行财务绩效的动态交互影响关系——基于中国29家商业银行的实证研究 [J].上海金融，2019，（04）.

[2]Weber O. 2005. Sustainability Benchmarking of European Banks and Financial Service Organizations [J].Corporate Social Responsibility and Environmental Management，12（2）.

[3]汪炜，戴雁南，乔桂明.绿色信贷政策对商业银行竞争力影响研究——基于区域性商业银行的准自然实验[J].财经问题研究，2021，（08）.

[4]Mathuva D M， Kiweu J M. 2016. Cooperative Social and Environmental Disclosure and Financial Performance of Savings and Credit Cooperatives in Kenya [J].Advances in accounting，35.

[5]丁宁，任亦侬，左颖.绿色信贷政策得不偿失还是得偿所愿？——基于资源配置视角的PSM-DID1成本效率分析 [J].金融研究，2020，（04）.

[6]李程，白唯，王野，李玉善.绿色信贷政策如何被商业银行有效执行？——基于演化博弈论和DID模型的研究 [J].南方金融，2016，（01）.

[7]李苏，贾妍妍，达潭枫.绿色信贷对商业银行绩效与风险的影响——基于16家上市商业银行面板数据分析 [J].金融发展研究， 2017， （09）.

[8]邵传林，闫永生.绿色金融之于商业银行风险承担是“双刃剑”吗——基于中国银行业的准自然实验研究 [J].贵州财经大学学报， 2020， （01）.

[9]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（01）.

[10]王遥，潘冬阳.中国经济绿色转型中的金融市场失灵问题与干预机制研究 [J].中央财经大学学报，2015（11）.

[11]陈伟光，卢丽红.中国商业银行绿色信贷外部障碍与环境风险管理框架的构建 [J].广东金融学院学报，2011，26（03）.

[12]田超，肖黎明.绿色信贷会促进重污染企业技术创新吗？——基于《绿色信贷指引》的准自然实验 [J].中国环境管理，2021，13（06）.

[13]宁金辉，史方.绿色信贷政策与资本结构动态调整 [J].财会月刊，2021，（21）.

[14]于波，陈红，周宁.绿色信贷、金融科技与商业银行盈利能力 [J].统计与决策，2021，37（14）.

[15]Relano F. 2008. From Sustainable Finance to Ethical Banking [J].Transformations in business &economics， （02）.

[16]張文中，窦瑞.绿色信贷对中国商业银行效率的影响研究——基于SBM-GMM模型 [J].投资研究，2020，39（11）.

[17]高晓燕.绿色信贷视角下我国商业银行经营绩效差异性研究 [J].甘肃社会科学，2020，（05）.

[18]刘昊.绿色信贷、风险管理文化与商业银行高质量发展 [J].财经理论与实践，2021，42（05）.

[19]邵传林，闫永生.企业社会责任对银行商业价值的影响研究——基于中国银行业的准自然实验 [J].南京审计大学学报，2019，16（06）.

[20]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）.

[21]Beck T， Levine R， Levkov A. 2010. Big Bad Banks？ The Winners and Losers from Bank Deregulation in the United States [J].The Journal of Finance，65（5）.

[22]白俊红，张艺璇，卞元超.创新驱动政策是否提升城市创业活跃度——来自国家创新型城市试点政策的经验证据 [J].中国工业经济，2022，（06）.

[23]尹庆民，武景.绿色信贷对商业银行经营绩效影响的研究——基于环境声誉的中介效应 [J].金融监管研究，2022，（03）.

[24]Liu Y， Lu Y. 2015. The Economic Impact of Different Carbon Tax Revenue Recycling Schemes in China：A Model-based Scenario Analysis [J].Applied Energy，141.

[25]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（05）.

[26]蒋海，张小林，唐绅峰，陈创练.货币政策、流动性与银行风险承担 [J].经济研究，2021，56（08）.

[27]顾晓安，王鹏程.非利息收入占比与银行风险分散效应的关系研究——来自美国银行业的经验证据与启示 [J].世界经济研究，2015，（07）.

[28]何凌云，吴晨，钟章奇，祝婧然. 绿色信贷、内外部政策及商业银行竞争力——基于9家上市商业银行的实证研究 [J].金融经济学研究， 2018， 33 （01）.

[29]孙磊.政策导向对商业银行战略转型步伐的影响——基于Malmquist生产效率指数的实证分析 [J].经济体制改革，2010，（01）.

[30]周建，张文隆，刘琴，李小青.商业银行董事会治理与创新关系研究——基于沪深两市上市公司的经验证据 [J].山西财经大学学报，2012，34（03）.

[31]吴成颂，周炜，张鹏.互联网金融对银行创新能力的影响研究——来自62家城商行的经验证据 [J].贵州财经大学学报，2016，（03）.