绿色金融政策能否助力企业绿色技术创新？——基于多期双重差分的经验证据

张华 醴静 刘冬阳

一、引言

当前，中国经济正从资源依赖的粗放型增长向创新驱动的可持续增长模式转变。绿色技术创新通过研发清洁技术节能降耗，是实现绿色发展的基础和重要保障[1]。为克服企业绿色技术创新内生动力不足的障碍，党的二十大报告指出，要完善支持绿色发展的财税、金融、投资、价格政策和标准体系，加快节能降碳先进技术的研发和推广应用，推动形成绿色低碳的生产方式。绿色金融改革创新试验区试点政策（以下简称“试点政策”）应运而生。2017 年6月，中国人民银行等七部委印发各省（区）《建设绿色金融改革创新试验区总体方案》（以下简称“试验区方案”），将浙江、江西、广东、贵州、新疆五省（区）作为首批试点。2019年11月甘肃兰州新区、2022年8月重庆市相继获批加入试点。试点政策作为绿色金融从蓝图到实践的制度安排，旨在提高金融机构的绿色发展理念，引导绿色资金合理配置，为企业绿色技术创新提供资金支持，减少对“高耗能、高污染”企业的资金供给，倒逼其实施绿色转型。

绿色技术创新是可持续发展的重要支撑[2]。现有研究主要从环境规制[3]、政府补贴[4]、企业社会责任[5]、媒体关注[6]和数字金融[7]等视角探讨企业绿色技术创新绩效的提升路径和作用机制。作为绿色技术创新的影响因素，科学评估绿色金融政策效应具有重要价值，但现有研究尚未形成统一结论。从绿色金融基于环境约束的资金配给本质来看，部分研究发现绿色金融政策对企业绿色技术创新具有促进作用[8—11]，且在绿色金融发展水平较高省份的积极影响更显著[9]。部分研究以绿色信贷[1]、绿色债券[12]为视角，同样得出绿色金融政策可以显著提升企业绿色技术创新的结论。关于其作用机制，现有研究主要认为是通过减少债务融资[1]、缓解融资约束[13]、改善企业债务结构[14]、提升投资效率[15]来实现。但从环境监管的视角来看，有研究发现对“两高”企业贷款的限制增加了企业的生产成本，从而挤占了绿色技术创新的研发资金，对企业绿色技术创新形成阻碍[16]。综上，鉴于绿色金融政策工具的多元化及复杂性，现有的研究结论并不统一且作用机理尚未明确。在此基础上，本文拟将试点政策视为外生冲击，构建多期双重差分模型探讨试点政策能否促进企业绿色技术创新，并进一步厘清试点政策对企业绿色技术创新的作用机理，刻画不同企业规模、政府补助强度、信息透明度、市场竞争程度和行业环境敏感度等异质性情境下，试点政策对企业绿色技术创新的非对称性影响，以期深化关于绿色金融政策经济后果以及企业绿色技术创新影响因素的研究。

本文的边际贡献主要体现在：（1）拓宽了绿色金融政策经济后果的研究。以往研究多关注2017 年首批试点政策的实施效果，本文将2019年第二批试点同时纳入研究范围，提供增量证据。（2）验证并厘清了绿色金融政策和企业绿色技术创新之间的作用机制。以往研究评估绿色金融政策对企业绿色技术创新的作用机理大多停留在融资角度，本文则以研发投入和代理成本双重视角，深入刻画试点政策对企业绿色技术创新发挥激励效应的内在逻辑。（3）考虑到政策实施存在多个时点，本文使用多期双重差分模型、倾向得分匹配法进行验证，有利于减少内生性问题对实证结果的干扰。

二、理论分析与研究假设

（一）试点政策助力企业绿色技术创新

绿色金融政策的本质是环境监管政策的创新和延伸[17]，兼具传统金融和环境规制双重功能[18]。波特假说认为，适当的环境监管政策可以激励企业实施技术创新以提高竞争力[19]。环境效益属性使得绿色金融政策成为企业开展绿色技术创新依托的制度安排。绿色金融改革创新试验区的设立，通过创新绿色金融服务体系、完善配套政策和激励约束机制，为企业主动开展绿色技术创新、实现绿色转型赋能。

首先，试点政策的绿色金融资源配置功能配合绿色金融专项奖补政策以及激励约束机制引导社会资本流向绿色企业，有助于缓解企业绿色技术创新面临的融资约束[20]，从而激发企业的绿色技术创新活力。此外，试点政策发挥融资惩罚效应和投资抑制效应[21]，要求金融机构严控投向“两高一剩”项目的信贷资金规模，增加了“两高”企业的融资难度，倒逼企业加大环境治理支出，研发清洁技术，实施绿色技术创新，实现绿色转型[22]。

其次，试点政策的信息披露制度有助于缓解绿色技术创新面临的信息不对称[20]。试点政策要求依法加强各主体间的信息共享，将企业污染排放信息、环境违法违规记录等信息纳入信用平台，引导融资企业披露环境信息。通过金融科技与绿色金融的深度融合，实现智能化绿色信贷项目识别和环境效益测算，降低融资企业的“漂绿”风险，建立覆盖面广、共享度高、实效性强的绿色信用监管体系。因此，试点政策有助于缓解融资企业与投资者之间的信息不对称，借助信息披露制度加强对企业绿色技术创新的监督[23]，进而推动企业开展实质性创新。

最后，试点政策可产生传达绿色竞争的信号效应[24]，进而推动企业开展绿色技术创新。外部性理论认为，绿色技术创新在寻求经济和环境双赢的同时具有双重外部性。因此，试点政策成为消除双重外部性的有效政策手段[20]。绿色金融改革创新试验区的设立传递出国家着力推动绿色发展的信号，因此投资者将更加注重绿色投资。在外部主体的监督下，企业的环境合规成本以及环境风险不断提高，迫使企业积极实施绿色技术创新以对外展现良好的社会形象[25]。基于以上分析，本文提出假设H1。

H1：试点政策能够促进企业绿色技术创新。

（二）试点政策影响企业绿色技术创新的机制分析

现有研究表明，资金不足是阻碍企业研发投入的主要因素[26]，研发资金的充裕度、人力投入强度将影响企业主动开展绿色技术创新的意愿与绩效[27]。国家创新系统理论强调技术创新与政府职能的结合，因此政策引导对企业加大研发投入具有积极影响[28]。当试点政策预期发挥“创新补偿效应”时[29]，“两高”企业的资金借贷受到限制，环境合规成本上升[30]。低环境绩效导致的外部融资压力，使企业的创新动力得到激发[31]。同时，企业的行为决策往往受到同行影响。随着试点政策的推行，企业通过传递绿色发展信号可获得更多的研发资金[32]，并在行业中形成“示范效应”。此外，研发投入的增加可以内化为企业的环境竞争力[33]，即企业研发投入越多，越能获得绿色技术创新相关的资源和信息，助力绿色技术设备升级[30]，从而提升绿色技术创新水平。基于以上分析，本文提出假设H2。

H2：试点政策通过增加研发投入促进企业绿色技术创新。

依据代理理论，在信息不对称情况下，绿色技术创新的高投入、长周期、强不确定性、正外部性等特点与管理者追求短期业绩和现金流的目标不匹配，管理层对绿色技术创新的态度将更趋于保守，因此代理问题成为阻碍企业绿色技术创新的重要因素[34，35]。试点政策能否降低企业代理成本、改善管理层的短视行为，对于促进绿色技术创新具有重要意义。

一方面，试点政策要求信息平台共享畅通。为持续吸引投资，管理层会主动向外界释放积极信号以增加投资者信心[36]。因此，试点政策严格的信息披露制度有助于金融机构通过有效的信息获取强化对企业的外部监督，限制管理者的机会主义和利己行为，降低了传统代理成本，确保资金用于企业绿色技术创新。另一方面，试点政策强调绿色金融标准体系的建立。金融机构通过甄别融资主体的绿色发展程度对应差异化的贴息补助以发挥信贷监督功能[37]。利益相关者对企业环境信息的知情权和关注度促使“两高”企业的管理者更加重视环境治理，由此形成较高的环境代理成本。为树立良好的形象，规避“漂绿”风险，企业将通过实施绿色技术创新来改善环境绩效。基于以上分析，本文提出假设H3和假设H4。

H3：试点政策通过降低传统代理成本促进企业绿色技术创新。

H4：试点政策通过增加环境代理成本促进企业绿色技术创新。

（三）商业信用的调节作用

试点政策要求金融机构在提供绿色信贷和绿色债券等绿色金融产品时重点考虑环保问题[38]，并利用绿色保险、绿色基金等绿色金融工具为绿色项目提供担保，将资金引导到绿色产业。然而，金融机构识别企业风险的能力相对有限，需要外部主体协力解决。相较于金融机构，供应商由于合作频次高而对融资企业更为了解，因此商业信用可以看作是供应商为融资企业提供的外部认证，能够提高企业信用度。

图1 研究框架图

商业信用影响企业绿色技术创新的间接作用：一方面，替代性融资假说认为，商业信用可以缓解金融机构与企业之间由于信息不对称产生的信贷配给问题。频繁的业务往来使得供应商对企业的财务承担能力[39]、资金状况和行业竞争程度[40]、生产和创新活动[41]更为了解，能根据掌握的情况及时做出“信用配给”调整[42]。由此，供应商比银行等金融机构更具有监管优势[41]和信息优势[43]。获得商业信用的企业说明其风险处于可控水平，外部投资者更愿意将资金投放给该类企业，从而促进企业绿色技术创新水平的提升。另一方面，商业信用竞争理论认为，商业信用是一种产品市场竞争手段，供应商基于自利会考虑企业的实体经营、长远发展以及市场竞争地位，而提供更多差别化的商业信用来维系与企业的关系[44]。供应商凭借商业信用可以降低交易成本，扩大市场份额，实现市场扩张和提高库存管理效率的目的[45]。同时，“两高”企业响应试点政策有助于树立绿色形象，进一步增强企业在供应链中的话语权，对供应商形成虹吸效应[46]。因此，能获得商业信用的企业是供应商经过风险评估和识别后综合考虑的结果，能给金融机构和外部投资者释放出企业质量良好的信号。根据互补理论，金融机构可以通过商业信用的信号功能进行信贷决策，获得商业信用的企业更容易获得金融机构和潜在投资者的认可和支持，从而获得资金以促进企业绿色技术创新[41]。基于以上分析，本文提出假设H5。

H5：商业信用强化了试点政策对企业绿色技术创新的促进作用。

三、研究设计与数据说明

（一）模型设定

本文构造多期双重差分模型考察试点政策对企业绿色技术创新的影响，具体模型设定如下：

模型（1）中，被解释变量Gpatentit表示第i 个企业在第t年的绿色技术创新水平。Treatedi为分组虚拟变量，Postit为时间虚拟变量，两者交乘项为核心解释变量试点政策，系数β1表示试点政策促进企业绿色技术创新的净效应。Controlsit为一系列控制变量。模型还控制了个体（μi）、时间（γt）、省份（φp）固定效应，εit为随机扰动项。

（二）变量设置及定义

1.被解释变量

借鉴王馨等[15]的做法，本文以绿色专利申请量来衡量绿色技术创新。为消除绿色专利申请量数据右偏分布问题，将绿色专利申请量加1 取对数。进一步，将绿色技术创新分为实质性绿色创新和策略性绿色创新。实质性绿色创新用绿色发明专利申请量加1 取对数表示，策略性绿色创新用绿色实用新型专利申请量加1取对数表示。

2.解释变量

本文的核心解释变量为试点政策（Treatedi×Postit）。属于绿色金融改革创新试验区试点省份的企业，Treatedi取1，否则取0。鉴于绿色金融改革创新试验区政策于2017年和2019年末分批发布，由此设定：第一批试点省份在2017 年及以后设立，Postit取1，否则取0；第二批试点省份在2020 年及以后设立，Postit取1，否则取0。

3.机制变量

参考Chen 等[9]的研究，以研发投入取对数来衡量研发投入。参考王营等[33]的做法，选用经营费用率来衡量传统代理成本。经营费用率等于管理费用和销售费用之和占营业收入的比重。经营费用率越高，股东与管理者之间的代理成本越高。参考王馨等[15]的做法，使用企业管理费用中的绿化费、环卫费等环境治理费用加1 取对数来衡量环境代理成本。该值越大，代表企业环境代理成本越高。

4.调节变量

借鉴陆正飞等[43]的做法，以应付账款、应付票据与预收账款之和占总资产的比值来衡量商业信用。

5.控制变量

本文加入其他影响企业绿色技术创新的控制变量，具体包括企业规模、上市年限、企业价值、资产负债率、现金流水平、总资产收益率、企业成长性、市场势力、股权集中度和独董占比。

（三）样本选择与数据来源

2017年6月试点政策在浙江、江西、广东、贵州、新疆五省（区）试行，2019年11月在甘肃兰州新区试行。考虑到重庆市2022年8 月加入试点，年份较短且数据缺失，因此选择第一批和第二批试点地区的企业作为实验组。本文以2013—2021 年沪深A 股上市公司为研究样本，并对数据进行如下处理：（1）剔除主要变量缺失的样本；（2）剔除ST 公司样本；（3）剔除金融业上市公司。由此共得到26989 个观测值，其中实验组含8738个观测值，对照组含18251个观测值。绿色专利数据来源于CNRDS数据库，其他数据来源于CSMAR 数据库。为降低极端值的影响，对所有连续变量进行1%的缩尾处理。

四、实证结果分析

（一）描述性统计

表2为主要变量的描述性统计结果。被解释变量绿色技术创新（Gpatent）的均值为0.418，表明样本企业绿色技术创新平均水平总体较低，由标准差0.795 可见企业间的绿色技术创新差异较大。解释变量试点政策的分组虚拟变量（Treated）的均值为0.324，表明试点政策辐射到的企业占样本企业的32.4%；时间虚拟变量（Post）的均值为0.210，表明试点政策实施覆盖样本占总样本的21%。

（二）相关性分析

变量间的Pearson 相关性分析结果（受篇幅所限，表略）显示，试点政策（Treated×Post）和绿色技术创新（Gpatent）的相关系数为0.035，且均在1%的水平上显著，初步印证了假设H1。通过Pearson 相关系数检验发现，绝大部分控制变量与企业绿色技术创新的相关系数均显著，且其余变量间相关系数的绝对值均在0.6以下，表明本文所选变量合理且各变量之间不存在严重的多重共线性问题。

（三）回归结果分析

试点政策对企业绿色技术创新影响的回归结果见表3。（1）至（6）列均控制了个体、时间和省份固定效应，并使用稳健标准误。结果显示，无论是否加入控制变量，各列核心解释变量的系数均在1%的水平上显著，表明试点政策显著促进了企业绿色技术创新，且达到“量质齐升”的效果。假设H1得到验证。

（四）稳健性检验

1.平行趋势检验

本文借鉴Beck等[31]的做法，以2017年为基期生成2013—2021年的年份虚拟变量，并将其与Treated交乘估计回归系数。图2 结果表明，被解释变量绿色技术创新、实质性绿色创新以及策略性绿色创新的虚拟变量系数在试点政策发生前与0没有显著差异，说明实验组和对照组符合平行趋势假设。此外，从2017 年（即0）试点政策实施后，被解释变量的波动幅度变化明显，进一步表明试点政策能够推动企业绿色技术创新，并且试点政策对企业实质性绿色创新的影响具有一定滞后性。

图2 平行趋势检验

2.安慰剂检验

为了排除样本期间其他不可观测随机因素导致的估计偏误，本文采用随机抽样方法进行安慰剂检验。具体而言，随机抽取与试点地区企业数量一致的样本作为虚拟实验组，其余作为虚拟对照组，对模型（1）重复上述伪回归500次，以避免其他小概率因素对估计结果的干扰。如图3 所示，根据随机生成实验组的估计系数核密度分布可以看出，P 值绝大多数大于0.1，系数分布主要集中在0附近并服从正态分布。安慰剂检验中，伪回归系数的均值接近于0，而基准回归中的回归系数显著异于安慰剂检验得到的估计系数。因此，可以确定其他未被观测到的随机因素不会对多期DID 估计结果产生影响，实证结果具有稳健性。

图3 安慰剂检验

3.倾向得分匹配

由于企业是否开展绿色技术创新具有自主性，为缓解样本自选择偏差导致的内生性问题，本文进一步采用PSM-DID 方法研究试点政策对企业绿色技术创新的影响。以控制变量作为倾向得分匹配的协变量，以Treated 作为被解释变量，选择Logit 模型来估计倾向得分，随后采用1∶3 最近邻匹配方法筛选样本。表4显示，通过PSM处理后，实验组与对照组标准偏差的绝对值均在3%以内，且匹配后的控制变量平衡性检验P 值均大于10%，表明接受了匹配后匹配变量均值相等的原假设。因此，样本符合平衡性检验要求，匹配后的数据可为下文进一步开展PSM-DID估计奠定基础。

为保证样本数据的匹配质量，在获得倾向得分后进一步绘制了核密度函数图（如图4 所示），以检验匹配后的共同支撑域。图4表明，在匹配前，对照组核密度图的偏度和峰度均与实验组偏离较大。在匹配后，政策试点样本与未试点样本的倾向得分具有较大范围的重叠，而且多数观察值都在共同取值范围内，表明匹配效果良好。这为进一步使用多期DID探究试点政策对企业绿色技术创新的影响提供了良好的数据基础。

图4 核密度函数图

在上述匹配样本的基础上，本文进一步构建PSM-DID 模型进行再估计。表5为匹配后的多期DID 回归结果，可以看出，试点政策对企业绿色技术创新、实质性绿色创新和策略性绿色创新的影响均显著为正。说明在考虑自选择问题后，结论与基准回归结果保持一致。

4.滞后被解释变量

考虑到绿色技术创新的产出周期较长，本文对被解释变量分别滞后一期进行回归，结果如表6 所示。可以看出，考虑绿色技术创新的产出周期特征后，试点政策对企业绿色技术创新、实质性绿色创新的影响均在10%的水平上显著为正，对策略性绿色创新的影响在1%的水平上显著为正。结论与基准回归结果保持一致。

5.排除其他政策干扰

为避免试点政策实施期间受其他政策的干扰而造成基准估计结果偏误，本文主要考虑启动于2013年6月的碳排放交易试点政策。该政策由深圳市率先启动，北京市、天津市、上海市、广东省在当年陆续加入，随后湖北省和重庆市于2014 年、福建省于2016 年也分别启动。碳排放交易权政策具有影响样本期间企业绿色技术创新的可能性。因此，在基准回归中加入政策虚拟变量，避免其对回归结果的影响。Cecpost 表示企业所在城市当年是否属于碳排放交易权试点城市，如果是则取1，否则取0。由表7（1）至（3）列可知，交互项回归系数均在1%的水平上显著为正。由此可知，排除政策干扰后的估计结果与基准回归结果相似。

五、异质性分析

（一）企业规模异质性分析

企业规模差异带来的资源禀赋差异在一定程度上会影响企业绿色技术创新。本文按照企业规模中位数将样本分为规模较大组和规模较小组，以检验试点政策对不同规模企业的绿色技术创新、实质性绿色创新和策略性绿色创新的差异化影响。由表8（1）和（2）列可知，规模较大组的试点政策回归系数在5%的水平上显著，规模较小组并不显著，表明试点政策提升企业绿色技术创新的影响力主要集中在规模较大的企业。同样，试点政策对企业实质性绿色创新和策略性绿色创新的促进作用也集中体现在规模较大的企业。由以上结果可知，试点政策对企业绿色技术创新的促进作用存在规模异质性。

（二）政府补助强度异质性分析

本文以企业获得的政府补助加1取对数来衡量政府补助强度，按照中位数将其分为政府补助力度较强组和政府补助力度较弱组，以检验试点政策对获得不同政府补助力度企业绿色技术创新的差异化影响。由表9（1）和（2）列可知，政府补助力度较强组的试点政策回归系数在1%的水平上显著，政府补助力度较弱组并不显著，表明试点政策对企业绿色技术创新的促进效应需要在较强的政府补助力度下才能实现。同样，试点政策提升企业实质性绿色创新和策略性绿色创新的效果也主要体现在政府补助力度较强的企业中。由以上结果可知，提升政府补助强度对企业实施绿色技术创新具有重要意义。一方面，政府补助可以缓解企业绿色技术创新的外部性问题，激发企业创新活力；另一方面，政府补助作为企业研发创新的重要资金来源，可以缓解其融资约束，激励企业不断开展绿色技术创新。

（三）信息透明度异质性分析

本文选用研报关注度作为信息透明度的代理变量，将研报关注度按照中位数分为信息透明度较高组和信息透明度较低组，以检验试点政策对不同信息透明度企业绿色技术创新的差异化影响。研报关注度越大，说明企业的信息透明度越高。由表10（1）和（2）列可知，信息透明度较高组的试点政策回归系数在1%的水平上显著，信息透明度较低组并不显著，表明试点政策提升企业绿色技术创新的影响主要体现在信息透明度较高的企业中。同样，试点政策提升企业实质性绿色创新和策略性绿色创新的作用也主要体现在信息透明度较高的企业中。主要原因是，企业的信息透明度越高，与投资者的信息不对称程度越低，投资者可以通过信息披露渠道加强对企业绿色技术创新的了解与监督，能够有效促进企业绿色技术创新。

表1 主要变量设置及定义

表2 描述性统计

表3 试点政策对企业绿色技术创新的影响

表4 PSM平衡性检验结果

表5 PSM-DID回归结果

表6 滞后被解释变量

表7 排除其他政策干扰

表8 企业规模异质性

表9 政府补助强度异质性

表10 信息透明度异质性

（四）市场竞争程度异质性分析

赫芬达尔指数（HHI）是衡量市场竞争的重要指标，HHI 指数越高，说明市场集中度越高，市场竞争程度越低。本文根据HHI 的中位数，将位于中位数以下的市场定义为高竞争市场，将位于中位数以上的市场定义为低竞争市场，以检验试点政策对不同市场竞争程度下企业绿色技术创新的差异化影响。由表11（1）和（2）列可知，低竞争市场组的试点政策回归系数在10%的水平上显著，高竞争市场组在5%的水平上显著，无论显著性水平还是系数大小，均表明试点政策提升企业绿色技术创新的效果主要体现在高竞争市场的企业中。同样，试点政策提升企业实质性绿色创新和策略性绿色创新的效果也主要体现在高竞争市场的企业中。由此表明，当市场竞争程度较高时，企业面临竞争压力较大，为获得竞争优势，企业会增加创新投入，提升绿色技术创新水平。

表11 市场竞争程度异质性

（五）行业环境敏感度异质性分析

为进一步探究试点政策在环境敏感度不同的行业中是否具有异质性效果，本文借鉴沈能[47]对行业污染属性的划分方法，将样本分为高环境敏感行业和低环境敏感行业。由表12（1）和（2）列可知，低环境敏感行业的试点政策回归系数在1%的水平上显著，高环境敏感行业并不显著，表明试点政策提升企业绿色技术创新的作用主要对低环境敏感行业的企业有效。同样，试点政策提升企业实质性绿色创新和策略性绿色创新的作用也主要体现在低环境敏感行业的企业中。以上结果表明，低环境敏感行业的企业本身污染排放较少，实施绿色技术创新难度较小，创新风险也较低，因此，低环境敏感行业的企业对试点政策的响应度更高，实施绿色技术创新的积极性也更高。

表12 行业环境敏感度异质性

六、机制检验

在前文分析基础上，进一步探究试点政策通过何种机制影响企业绿色技术创新。

（一）作用机制分析

机制检验一般有三种途径：一是利用中介效应模型；二是利用交互效应模型；三是直接使用机制变量对解释变量进行回归。由于中介效应模型更适用于心理学研究，在经济学研究领域容易产生内生性偏误和机制识别不完整的情况，交互效应模型的实际含义也不能完全解释为经济机制[48]。因此，参考江艇[49]的研究，本文设置模型（2）、（3）和（4）分别用于分析试点政策对企业绿色技术创新的作用机制。如果试点政策可以增加研发投入，那么模型（2）中的β1应显著为正；如果试点政策可以降低传统代理成本，则模型（3）中的β1应显著为负；如果试点政策增加了环境代理成本，则模型（4）中的β1应显著为正。上述中介变量对企业绿色技术创新的影响通过理论推导得出。作用机制分析模型如下：

表13（1）列是试点政策对研发投入影响的回归结果，试点政策的回归系数为0.0768，且在1%的水平上显著，表明试点政策可以增加企业研发投入。而研发投入是企业开展绿色技术创新的重要基础。现有研究表明，增加企业研发投入对绿色技术创新具有促进作用[50]。企业通过持续投入研发资金，引入先进设备和创新人才，完善研发体系，从而在绿色技术创新方面取得更多突破。结合本文的研究，试点政策通过增加企业研发投入促进绿色技术创新，验证了假设H2。

表13 机制检验

（2）列是试点政策对传统代理成本的回归结果，试点政策的回归系数为-0.0056，且在1%的水平上显著，表明试点政策能够降低企业传统代理成本。传统代理成本是企业绿色技术创新的关键制约因素。根据李井林等[51]的研究，传统代理成本越高则对企业绿色技术创新的抑制作用越强。试点政策能够发挥传统金融和环境规制双重功能，引导金融机构降低对“两高”企业的信贷额度，管理层可控的自由现金流减少，内部监督成本下降，从而有效降低传统代理成本。同时，试点政策的双重功能减轻了管理者的短视行为，通过推进创新决策提升绿色创新绩效。结合本文的研究，试点政策通过降低企业传统代理成本促进绿色技术创新，验证了假设H3。

（3）列是试点政策对环境代理成本的回归结果，试点政策的回归系数为0.0353，且在5%的水平上显著，表明试点政策增加了企业环境代理成本。环境代理成本的实质是为最小化环境惩罚方面的代理问题所发生的成本[15]。较高的环境代理成本代表试点政策作为外部规制工具对管理层施加了较高的环境治理监督，迫使企业加大环境治理相关费用支出，激励企业通过创新掌握更为先进的绿色技术，以更环保的方式运营。结合本文的研究，试点政策通过增加企业环境代理成本促进绿色技术创新，验证了假设H4。

（二）调节效应分析

模型（5）用于检验商业信用对试点政策影响企业绿色技术创新的调节效应。如果β2显著为正，说明商业信用可以强化试点政策对企业绿色技术创新的促进作用。调节效应分析模型如下：

表13（4）列显示，交乘项Treated×Post×Tc 的回归系数为0.480，且在1%的水平上显著，表明商业信用强化了试点政策对企业绿色技术创新的促进作用。（5）和（6）列表明，商业信用也可以强化试点政策对实质性绿色创新、策略性绿色创新的促进作用。以上结果验证了假设H5。

七、结论与建议

本文以绿色金融改革创新试验区设立为准自然实验，通过沪深A股上市公司面板数据，运用多期双重差分法探究试点政策对企业绿色技术创新的影响，主要研究结论如下：（1）试点政策对企业绿色技术创新达到“量质齐升”的促进效果，但对实质性绿色创新的影响存在一定滞后性；（2）试点政策对企业绿色技术创新的促进作用在规模较大、政府补助力度较强、信息透明度较高、市场竞争程度较高以及低环境敏感度行业的企业中更为显著；（3）试点政策通过增加研发投入、降低传统代理成本、增加环境代理成本来促进企业绿色技术创新；（4）商业信用强化了试点政策对企业绿色技术创新的促进作用。

结合上述研究结论，本文提出以下政策建议：（1）政府应进一步完善试点政策体系，继续扩大绿色金融改革创新试验区试点范围；增强政策的“靶向性”，有针对性地向规模较小、政府补助力度较弱、信息透明度较低、市场竞争程度较低以及高环境敏感度行业的企业倾斜。（2）企业应结合自身情况，顺应社会发展趋势，尤其是重污染行业的企业要主动谋求绿色转型，以增强可持续竞争力；企业要主动提高信息透明度，向社会展示良好的形象，增强投资者信心，以吸引更多的资金支持；企业要重视与供应商之间的合作，利用商业信用获得更便捷、充足的创新资金支持。（3）金融机构要借助政策找准自身定位，实现绿色金融与数智金融的结合，加强对融资主体风险的实时监控，确保资金真正用于绿色项目，助力企业实现高质量发展。