1. 引言
传统经济发展模式在推动经济增长的同时也带来了诸多环境问题,如气候变暖,臭氧层破坏等。环境问题影响着人们的生产生活方式,环境资源为经济发展提供基础,经济的稳定发展能够为人们的环境保护工作提供资金技术。如何改善环境与发展之间的关系,人们开始关注金融在促进经济可持续发展的作用,绿色金融是一种可以降低环境风险的金融工具。绿色金融能通过市场机制解决环境保护和经济发展两者的冲突。党的二十大报告提出加快发展绿色转型,发展低碳产业,推进现代化产业体系建设。绿色金融对促进产业结构转型有重要作用,是推动经济可持续发展的有力保障。绿色信贷是当前绿色金融市场中最主要的金融工具。主要是指金融机构发放给借款企业用于投向绿色环保、清洁能源、循环经济、基础设施及传统产业绿色升级和服务等领域的贷款[1]。央行发布的《2022年金融机构贷款投向统计报告》显示,2022年末中国本外币绿色贷款余额22.03万亿元,同比增长38.5%,表明了中国银行业在绿色信贷业务方面高速增长。绿色信贷是商业银行业务转型和信贷结构调整的内在要求,商业银行在履行社会责任的同时也给商业银行带来巨大的发展机遇和空间、提升环境风险管理水平[2]。考虑到绿色项目的不确定性及商业银行在绿色信贷业务方面的机制建设尚不完善,开展绿色信贷可能给银行带来较高风险,进而引发系统性风险,所以讨论绿色信贷对银行风险承担具有现实意义。
学界关于绿色信贷对商业银行风险承担水平的实证研究成果丰硕,但仍有完善之处。第一,已有研究衡量商业银行风险承担水平的指标有风险加权资产比、不良贷款率、z-score值,但内容更加注重对商业银行风险水平的整体研究。本文从主动、被动角度来衡量商业银行的风险承担水平,选取2007年~2022年A股38家上市银行年度非平衡面板数据检验绿色信贷对商业银行风险承担水平的影响机理,侧重探究商业银行风险承担的意愿和结果。第二、当前中国对绿色经济发展的重视程度以及外国银行破产风险溢出的多重影响,考虑绿色发展水平影响银行的风险承担意愿和结果具有现实意义。研究发现绿色信贷与商业银行风险加权资产比率正相关,与商业银行不良贷款率负相关。
2. 文献综述
在绿色信贷对商业银行风险承担的研究中,既有文献主要结论如下:
第一,开展绿色信贷有助于降低商业银行的风险承担。王宏涛等[3]利用多时点双重差分实证得出开展绿色信贷会显著降低商业银行风险承担水平。作用机制是通过提升商业银行的盈利水平、调整盈利结构以及增强总体违约风险和资产风险承担能力降低风险承担水平。积极开展绿色信贷,可以提高商业银行的社会声誉和经营绩效,在开展信贷业务的过程中逐渐增强抗风险能力和风控管控能力[4]。赵庆向[1]和Anas Ali Al-Qudah等[5]等认为绿色信贷与银行风险承担是负相关关系。绿色信贷通过降低商业银行风险水平提升商业银行综合竞争力[6],通过信用风险和声誉风险提高行业竞争力且城市商业银行和农商商业银行的促进效应高于行业平均水平[7]。绿色信贷规模的增大能够抑制不良贷款率攀升,从而降低商业银行风险[8]。绿色信贷政策的制度压力对银行的环境和财务表现有积极影响,在贷款中分配更多绿色信贷降低不良贷款率[9]。随着国家资源、环境问题的日益重视,环境风险已成为金融风险中最高级别之一[10]。银行家董事促进绿色信贷政策对企业创新的激励作用[11],企业通过加大环境治理力度,提高资金投入,积极落实环保政策降低被处罚的可能性,商业银行的坏账风险降低,资产质量提高,风险承担水平降低[12]。银行开展绿色信贷,压缩“两高一剩”产业盈利空间,支持节能环保产业发展,提高银行资产质量,降低信贷风险[13]。
第二,开展绿色信贷会增加商业银行的风险承担。商业银行实施绿色信贷增大不良贷款率,使得商业银行经营风险增大,执行一段时间后,商业银行经营风险降低[14]。绿色信贷短期会增加商业银行风险承担,具有明显的异质性。绿色信贷属于金融创新,多为科技型项目,相比传统行业存在较大不确定性,资金需求大,期限长,抑制商业银行的积极性[15]。金融政策支持体系不完善,对绿色金融政策,监管机构宣传力度不够,社会群众缺乏深入的认识和了解,企业信息披露不规范,隐瞒或虚报自身的环境信息,项目信息不准确、不及时,导致商业银行与企业之间信息不对称,存在较大道德风险,增加商业银行风险承担[16]。
3. 理论分析与研究假设
银行风险承担是对银行风险业务经营的总称,包括风险承担的意愿和结果两个方面。参考方意[17]对银行风险承担的定义,将银行风险承担分为主动和被动,主动风险承担发生在银行发放贷款之时,是银行风险承担意愿的及时反映,用风险加权资产比率来衡量。被动风险承担发生在银行发放贷款之时或之后[18],是银行风险承担结果的反映,本文用不良贷款率来衡量被动风险。
绿色信贷作为商业银行促进节能减排的重要一环,响应国家政策。首先,考虑到信息不对称引发的逆向选择和道德风险,为了保证贷款资金的安全,银行更倾向于选择自己熟悉的特定行业或者优质的大企业作为贷款对象,而忽视中小企业的融资需求,导致出现“融资过度”或“融资不足”的现象,降低了银行资金配置效率从而加大银行风险承担水平[19]。其次,绿色信贷能够引导市场的投资行为。“两高一剩”企业约束高,随着国家对环境保护要求的提高,如果依照原有的经营生产模式,其更容易受到惩罚与整改要求,银行因政策要求对其提供的贷款有限制,不能保证稳定现金流,企业日常经营受到限制,影响企业股价和债券收益率,从而使得投资者更加关注绿色环保企业,环保企业在发展中为保持竞争力,努力寻求资金支持。同时,商业银行在为企业提供绿色资金支持时,也受到绿色相关投资者的关注。银行为提高对绿色投资者吸引力和响应国家政策的号召,改善企业形象,提高银行股票价格,进一步提高绿色信贷额度,从而加大风险承担水平。最后,绿色信贷属于金融创新范畴,当前仍在发展中,绿色信贷的体制机制不健全,标准不完善,法律依据不足,信息披露不健全等问题[20],都可能造成银行事前审核不准确,从而提高银行的风险承担水平。因此得出以下假设。
H1:开展绿色信贷显著提高银行主动风险承担水平。
随着环境问题的日益突出,成为了不容忽视的问题,逐渐对人们的生活产生了重大影响。当前社会对环境保护的越来越重视,环境风险成为潜在的不确定因素,是商业银行不容忽视的关注对象。比如说,贷款项目因环境污染和破坏、违反国家相关政策导致企业停产、项目搁置,容易造成银行经营风险和竞争力削弱。为避免因企业的社会、环境等问题导致银行自身的信用风险和声誉风险,银行在日常经营中将环保因素作为贷前调查的内容,排除存在环保隐患的企业或项目投资[21]。“双碳”背景下,法律法规加强对“两高一剩”企业的约束进而推动企业寻求发展转型。王展祥和叶宇平[22]认为科技创新能力正向推动工业绿色转型效率。绿色信贷为企业科技创新提供必要的资金来源,在绿色发展背景下,拥有强大资金支持,企业构建创新驱动的绿色技术体系,从而带动技术发展,形成绿色产业体系[23]。传统高投入、高污染、高耗能型的工业行业其绿色全要素生产率明显低于绿色特征明显的工业行业[24]。商业银行对环保型企业给予低利率贷款优惠以及鼓励性的额度,其成本低,竞争力提高。而“三高”企业面临生存竞争,在“双碳”背景下,企业提高绿色创新水平,推动技术发展,提升竞争力,从而使得整个绿色产业发展蓬勃兴旺,商业银行资产质量提高,不良贷款率下降。商业银行开展绿色信贷,在实施过程中可以不断优化其管理手段实现风险转移,调整金融资产结构,加快金融创新,不断降低其不良贷款比率[25]。银行董事促进绿色信贷政策对企业创新的激励作用[11],绿色信贷政策使银行绿色信贷与企业绩效挂钩,绿色信贷收紧对重污染企业的资金支持,增加银行融资成本减少信贷规模[26]。为了减少因环境污染被惩罚,企业积极响应政府政策,加大环境治理力度,资产质量提高,不良贷款率降低[12]。商业银行开展绿色信贷向社会传递履行社会责任的态度,吸引绿色投资者,打造绿色声誉[27]。社会认同理论把个体对群体的认同摆在核心位置认为个体通过社会分类,对自己的群体产生认同。按该理论可知,人们对具有吸引力的企业会产生认同感,认为自己拥有该成员的普遍特征,会提高对企业声誉的评价,进而提高企业价值。商业银行提供绿色金融服务,披露相关绿色信贷数据,树立绿色形象,吸引绿色投资者的关注,赢得绿色声誉。良好的社会声誉有利于银行吸收信任客户的资源,扩大了银行业务规模,提高银行盈利能力,降低银行风险。因此得出以下假设。
H2:开展绿色信贷显著降低银行被动风险承担水平。
4. 研究设计与数据来源
4.1. 数据来源
本文选取A股上市银行2007年~2022年38家商业银行的样本观测数据构成的非平衡面板数据,其中,银行财务数据主要来源于国泰安(CSMAR)数据库,绿色信贷余额通过查询各银行官网的《社会责任报告》《可持续发展报告》《环境、社会及管制报告》手工整理得到,数据剔除三家政策性银行和中国邮政储蓄银行,对绿色信贷余额披露低于三年的银行剔除,对所有银行层面和宏观层面的连续性变量进行上下1%的缩尾处理。
选取上述数据的原因:第一,绿色信贷首次于2007年提出,人民银行等三部委联合发布了《关于落实环保政策法规防范信贷风险的意见》,强调利用信贷手段保护环境的重要意义,绿色信贷理念自此进入大众视野。第二,样本涉及范围广,覆盖各类型商业银行,其中国有银行有5家,股份制商业银行9家,城市商业银行18家,农村商业银行6家,在一定程度上能够反映我国绿色信贷现状。第三,由于政策性银行资金来源不同,有着特定的业务领域,与其他银行存在巨大差异,因此排除。
4.2. 变量定义
被解释变量。风险加权资产比率 = 风险加权资产/总资产。银行根据资产的风险不同对其加以分类,并赋予不同的风险权重求得风险加权资产。从风险权重的赋值来看,风险加权资产比例主要指银行高风险等级资产的比重,表明银行资产组合中各项资产的信用风险暴露程度和风险配置,这种比重在银行发放贷款时即能确定,反映银行的风险承担决策,因此用来衡量银行的主动风险承担水平。风险加权资产比重越高,意味着银行购买高风险资产的意愿越强。
不良贷款率。不良贷款大致分为三类,分别为次级、可疑、损失等,指出现违约的贷款,是不良贷款与各项贷款的比值,度量了商业银行存在违约问题贷款的占比,此数值的改变意味着银行过去发放贷款的风险发生了变化,是银行风险承担结果的反映,用来衡量银行的被动风险承担水平。不良贷款率越高,说明银行收回贷款的风险越高。
核心解释变量。银行贷款余额。通过查询银行官网的《社会责任报告》《可持续发展报告》《环境、社会及管制报告》手工整理出银行绿色信贷余额,绿色信贷余额,说明商业银行对绿色信贷政策的支持力度越大。
控制变量。参考现有研究,本文选取银行层面的控制变量主要有存贷比(TLD),资本充足率(CAR),银行盈利能力(ROA),银行非利息收入占比(NR),单一客户最大贷款比例(FIRST),资产负债比(ALR),银行规模(LNSIZE),银行净利润(LNRET),银行年龄(LNAGE)。宏观经济层面控制变量主要有货币政策M2,银行业景气指数(BBI)。以上变量见表1所示。
Table 1. Variable definition and description
表1. 变量定义与说明
变量类型 |
变量名称 |
符号 |
变量定义 |
被解释变量 |
风险加权资产比率 |
RWR |
风险资产合计/总资产 |
不良贷款率 |
BLR |
不良贷款/各项贷款 |
核心解释变量 |
绿色信贷余额 |
LNGLS |
各银行绿色信贷余额,取对数 |
绿色信贷披露时间 |
GL |
在某点披露之后取1,否则取0 |
控制变量 |
存贷比 |
TLD |
各项贷款余额/各项存款余额 |
资本充足率 |
CAR |
资本/风险加权资产合计 |
银行盈利能力 |
ROA |
净利润/总资产 |
银行非利息收入占比 |
NR |
非利息收入/营业收入 |
单一客户最大贷款比例 |
FIRST |
同一贷款人的贷款余额/银行资本余额 |
资产负债比 |
ALR |
总负债/总资产 |
银行净利润 |
LNRET |
银行净利润,取对数 |
银行规模 |
LNSIZE |
银行资产规模,取对数 |
银行年龄 |
LNAGE |
银行成立时间,取对数 |
货币供应量 |
M2 |
采用货币供应量增速月度算数平均值度量 |
银行业景气指数 |
BBI |
采用银行业景气指数年度平均值表示 |
4.3. 模型设定
为验证绿色信贷对商业银行风险加权资产比率和不良贷款率的影响,设定如下模型:
(1)
(2)
其中,
为银行i在t年的主动风险承担水平,即风险加权资产比率,
为商业银行被动风险承担水平,即不良贷款率;
为银行i在t年的绿色信贷余额;
为控制变量,包括银行层面(存贷比、盈利能力、资本充足率、非利息收入、单一客户最大贷款比例、资产负债比、净利润、银行规模、年龄)和宏观层面的控制变量(货币供应量、银行业景气指数);
为随机误差项。
5. 实证分析
5.1. 描述性统计分析
如表2所示,表中汇报了各变量的描述性统计,可以看出,银行的风险加权资产比率(RWR)和不良贷款率(BLR)的均值分别为0.672和0.013,最小值分别为0.054和0,最大值分别为1.932和0.140,说明不同银行的风险承担水平相差较大;绿色信贷余额(LNGLS)的均值为5.769,最小值和最大值分别为0.637和10.59,总体来看绿色信贷发展情况良好,商业银行对开展绿色信贷的态度积极,但不同类型的银行参与度不同;资本充足率(CAR)的均值为0.132,最小值为0,最大值为0.403,说明样本公司之间资本充足率存在差异;盈利能力(ROA)的最小值为0,最大值为0.018,说明样本公司的盈利能力不同,有显著差异;存贷比(TLD)的均值为0.726,最小值0.429,最大值1.027,说明商业银行在经营结构方面存在不同;非利息收入(NR)的最小值−0.149,最大值为0.739,说明银行依靠中间业务获取收入的能力不同;单一客户最大贷款比例(FIRST)的均值为0.045,最小值0,最大值1.027,说明银行总体上符合我国商业银行法规定单一客户贷款比例不得超过10%的规定。
Table 2. Descriptive statistic
表2. 主要变量描述性统计
变量 |
N |
mean |
sd |
min |
max |
RWR |
543 |
0.672 |
0.215 |
0.054 |
1.932 |
BLR |
543 |
0.013 |
0.008 |
0.000 |
0.140 |
CAR |
543 |
0.132 |
0.026 |
0.000 |
0.403 |
ROA |
543 |
0.009 |
0.004 |
0.000 |
0.018 |
TLD |
543 |
0.726 |
0.126 |
0.429 |
1.087 |
NR |
543 |
0.189 |
0.105 |
-0.149 |
0.739 |
ALR |
543 |
0.931 |
0.016 |
0.765 |
0.986 |
FIRST |
543 |
0.045 |
0.060 |
0.000 |
1.027 |
M2 |
543 |
0.131 |
0.047 |
0.082 |
0.279 |
BBI |
543 |
0.717 |
0.070 |
0.625 |
0.855 |
LNSIZE |
543 |
9.138 |
1.711 |
5.716 |
12.89 |
LNAGE |
543 |
3.087 |
0.707 |
0.000 |
4.745 |
LNRET |
543 |
4.454 |
1.753 |
0.296 |
8.192 |
LNGLS |
350 |
5.769 |
2.113 |
0.637 |
10.59 |
5.2. 基准回归分析
如表3所示,表中报告了绿色信贷规模对商业银行风险承担的回归结果。其中,列(1)的回归结果是绿色信贷对商业银行风险加权资产比率的回归结果,控制变量包含了银行层面和宏观层面的控制变量,绿色信贷余额(LNGLS)的系数为0.0288,在1%的水平上显著为正,表明绿色信贷会提高商业银行的风险加权资产比率,提高商业银行的主动风险。列(2)是绿色信贷规模对不良贷款率的回归结果,绿色信贷余额(LNGLS)的系数为−0.0007,在1%的水平上显著为负,表明绿色信贷会降低商业银行的不良贷款率。列(1),(2)结果证明了假设H1和H2。
5.3. 异质性分析
5.3.1. 银行规模异质性
如表4所示,为考察绿色信贷在不同规模下对商业银行风险承担水平的异质性影响,文章参照王宏
Table 3. Main results for baseline model
表3. 基准回归结果
变量 |
(1) RWR |
(2) BLR |
LNGLS |
0.0288*** |
−0.0007*** |
|
(3.976) |
(−2.758) |
CAR |
−2.0570*** |
−0.0288* |
|
(−5.141) |
(−1.922) |
ALR |
−3.2454*** |
−0.0743*** |
|
(−4.281) |
(−2.685) |
ROA |
1.2243 |
0.0319 |
|
(0.684) |
(0.491) |
TLD |
−0.0396 |
0.0008 |
|
(−1.207) |
(0.683) |
NR |
0.1688** |
0.0020 |
|
(2.481) |
(0.778) |
FIRST |
0.6075** |
0.0010 |
|
(2.134) |
(0.089) |
M2 |
−0.5346*** |
−0.0024 |
|
(−3.307) |
(−0.376) |
BBI |
−0.3158*** |
−0.0253*** |
|
(−4.089) |
(−8.247) |
LNAGE |
0.0448 |
−0.0003 |
|
(1.288) |
(−0.433) |
LNSIZE |
−0.2322*** |
0.0059*** |
|
(−7.251) |
(5.828) |
LNRET |
0.1649*** |
−0.0048*** |
|
(6.060) |
(−5.343) |
Constant |
5.3700*** |
0.0731*** |
|
(7.488) |
(2.826) |
观测值 |
350 |
350 |
样本数 |
38 |
38 |
注:括号中为z值,***,**,*分别表示在10%、5%、1%水平显著。下同。
涛等[3]将银行规模按总资产的均值进行划分,大于均值取值为1,否则为0,列(1),(2)为绿色信贷对风险加权资产比率的回归结果,系数都为正数,其中,规模较大组在1%的水平显著,规模较小组则不显著,但呈正相关。列(3),(4)为绿色信贷对不良贷款率的分组回归,不同规模的回归系数都为负,其中,规模较小组在5%的水平显著,规模较大组不显著。
Table 4. The heterogeneity in bank size
表4. 银行规模异质性
变量 |
银行规模 |
较大组 (1) RWR |
较小组 (2) RWR |
较大组 (3) BLR |
较小组 (4) BLR |
LNGLS |
0.0183*** |
0.0173 |
−0.0003 |
−0.0007** |
|
(2.983) |
(1.585) |
(−1.027) |
(−2.512) |
控制变量 |
是 |
是 |
是 |
是 |
Constant |
4.4989*** |
6.9060*** |
0.0826* |
0.0816*** |
|
(7.262) |
(6.235) |
(1.760) |
(2.965) |
观测值 |
183 |
167 |
183 |
167 |
5.3.2. 银行经营范围异质性
如表5所示,为考察不同经营范围下绿色信贷余额对商业银行风险承担水平的影响,本文将大型国有商业银行和股份制商业银行划分为全国范围,城市商业银行和农村商业银行划分为区域范围。回归结果列(1),(2)为绿色信贷对商业银行风险加权资产比率的回归结果,系数都为正数,其中,大型国有商业银行和股份制银行在1%的水平下显著,城市商业银行和农商行不显著。列(3),(4)为绿色信贷对商业银行不良贷款率的回归结果,都呈负相关,城市商业银行和农商行在1%的水平下显著。原因可能是:全国性商业银行覆盖范围广,承担着更多的政策性任务,因此表现得更加积极主动,从而提高了风险加权资产比率。而区域性商业银行受到地方政府限制,无法投入足够的财力开展绿色信贷,因此使得银行更加偏向优质企业的贷款,保证了贷款收回的可能性,降低了不良贷款率。
Table 5. Heterogeneity of banks’ business scope
表5. 银行经营范围异质性
变量 |
业务经营范围 |
全国 (1) RWR |
区域 (2) RWR |
全国 (3) BLR |
区域 (4) BLR |
LNGLS |
0.0292*** |
0.0066 |
−0.0002 |
−0.0009*** |
|
(4.225) |
(0.571) |
(−0.563) |
(−3.105) |
控制变量 |
是 |
是 |
是 |
是 |
Constant |
4.8902*** |
6.5243*** |
0.0841* |
0.0666** |
|
(6.308) |
(5.896) |
(1.794) |
(2.470) |
观测值 |
177 |
173 |
177 |
173 |
5.4. 稳健性检验
为保证实证结果的稳健性,一是参考邵传林和闫永[15]使用绿色信贷余额披露节点(GL)作为核心解释变量,如表6中(1),(2)所示,绿色信贷披露时间点与风险加权资产比率正相关,在5%的水平下显著;与不良贷款率呈负相关,在1%的水平显著,与前文中的分析一致,结果有较好的稳健性。
二是考虑到绿色信贷对商业银行风险承担水平的滞后性,使用绿色信贷滞后一期的数据进行实证回归。如表中(3),(4)所示,其中(3)是滞后一期的绿色信贷余额与风险加权资产比率的回归结果,(4)是滞后一期的绿色信贷余额与不良贷款率的回归结果,与前文结果一致,说明实证检验结果有较好的稳健性。
Table 6. Robustness checks
表6. 稳健性检验回归结果
变量 |
(1) RWR |
(2) BLR |
(3) RWR |
(4) BLR |
GL |
0.0217** |
−0.0025*** |
|
|
|
(2.135) |
(−4.669) |
|
|
LNGLS |
|
|
0.0238*** |
−0.0006** |
|
|
|
(3.033) |
(−2.438) |
银行层面控制变量 |
是 |
是 |
是 |
是 |
其他层面控制变量 |
是 |
是 |
是 |
是 |
Constant |
4.9934*** |
0.0730*** |
5.6492*** |
0.0388 |
|
(11.430) |
(3.106) |
(7.253) |
(1.560) |
观测值 |
542 |
542 |
312 |
312 |
6. 结论与启示
本文以2007年~2022年A股上市公司38家商业银行为样本,研究绿色信贷对商业银行风险承担水平的影响。研究发现:商业银行积极开展绿色信贷会增加风险加权资产比率,提高主动风险,但不良贷款率会下降,被动风险降低,经过稳健性检验后,结论依然成立。考虑到银行规模和银行经营范围异质性差异,本文发现规模大、经营范围广的银行绿色信贷余额对商业银行风险承担水平的影响更为显著。而绿色信贷对商业银行不良贷款率的影响在规模小,经营范围窄的银行中影响更为显著。
本文的工作具有以下几方面的意义:绿色信贷属于金融创新的范畴,其制度和标准还不完善,在绿色信贷授信前期,应当加强审批和决策,制定详尽标准的风险评级,特别是规模大、经营范围广的国有银行和股份制商业银行。对于经营范围窄,规模小的城市商业银行和农村商业银行,根据分析,绿色信贷能够降低其不良贷款率,因此此类银行在保证资金配置合理的情况下,可以增加在绿色贷款上的权重。在发放贷款后,银行要加强对绿色项目的跟踪和监控,关注企业贷款资金的流向,确保绿色项目的落实程度,并将获取的信息作为对未来授信的参考。