【绿色信贷对企业去杠杆程度的影响实证分析案例8700字（论文）】

绿色信贷对企业去杠杆程度的影响实证分析案例目录TOC\o"1-3"\h\u22342绿色信贷对企业去杠杆程度的影响实证分析案例 125250（一）绿色信贷对企业去杠杆程度的影响 114151、描述性统计分析 164282、变量相关性分析 2184303、平行趋势检验 289974、实证结果分析 411325（二）稳健性检验 529411、因变量替换 5244642、安慰剂检验 6106383、PSM-DID检验 726080（三）进一步分析 10233491、绿色信贷影响企业去杠杆程度的机制性检验 10206802、绿色信贷影响企业去杠杆程度的异质性检验 13（一）绿色信贷对企业去杠杆程度的影响1、描述性统计分析本文主要变量的描述性统计特征见表4-1。根据表4-1可知，企业去杠杆程度（Delev）最大值为0.78，最小值为-0.43，方差为0.17；有形资产负债率计算的去杠杆程度（Delev_TA）最大值为0.88，最小值为-0.43，方差为0.181；权益乘数计算的去杠杆程度（Delev_EM）最大值为0.57，最小值为-0.38，方差为0.147；产权比率计算的去杠杆程度（Delev_PR）最大值为1.47，最小值为-0.62，方差为0.325，不同企业去杠杆程度水平分布范围较广，从方差来看存在一定的差异；企业净资产收益率最大值为0.19，最小值为-0.08；企业资产负债率（Lev）最大值为0.86，最小值为0.08，企业资产收入率（Sales）最大值为3.11，最小值为0.08；企业规模（Size）最大值为26.16，最小值为20.06；企业托宾Q值（TobinQ）最大值为6.85，最小值为0.15；企业年龄（IPOAge）最大值为30，最小值为2；企业股权集中度（Largest）最大值为89.99，最小值为3.62；企业微观层面控制变量差异化也较为明显，说明不同企业之间存在明显特征差异。表4-1描述性统计结果变量名NMeanSDMinMedianMaxDelev85440.01790.170-0.430.010.78ROA85440.04070.042-0.080.030.19Lev85440.50280.1790.080.510.86Sales85440.72640.5450.080.593.11Size854422.48231.30820.0622.3426.16TobinQ85441.38081.2130.151.006.85IPOAge854414.44465.4992.0014.0030.00Largest854437.093915.1313.6235.6489.99Delev_TA85440.02120.181-0.430.010.88Delev_EM85440.01560.147-0.380.010.57Delev_PR85440.05460.325-0.620.011.472、变量相关性分析本文主要变量的相关估计系数见表4-2。其中，绿色信贷政策与企业去杠杆程度之间存在显著的负相关关系，说绿色信贷政策会导致企业去杠杆程度的提升，初步印证了本文提出的假设。各变量间相关估计系数绝对值均小于0.8，变量间不存在相互替代关系。表4-2相关性分析结果DelevDIDROALevSalesSizeTobinQIPOAgeLargestDelev1DID-0.057***1ROA0.041***0.023**1Lev-0.240***-0.036***-0.394***1Sales-0.01100.029***0.128***0.052***1Size-0.066***0.221***0.026**0.390***-0.064***1TobinQ0.054***-0.024**0.418***-0.484***0.069***-0.377***1IPOAge-0.064***0.252***-0.094***0.089***-0.056***0.395***-0.091***1Largest0.047***0.042***0.110***-0.01600.043***0.212***-0.040***-0.143***13、平行趋势检验为确保企业去杠杆程度的变化不是由绿色信贷政策之外的其他因素引起，证明双重差分模型适用于本文假设问题的研究，参考Beck（2010）和Li（2016）等学者的研究，构建如下模型进行平行趋势检验：Delevit区别于主效应回归方程，上式加入了表示政策颁布前后时间点的系列事件虚拟变量Timet，与分组变量构成了一系列交互项Treatedi×Timet。交互项的系数θ为方便回归结果展示，将上式进一步改写为：Delevit其中，postt表示2012年后第t年的交互项（即post1代表2013年，以此类推），pret表示2012前第t年的交互项（即本文利用2009-2015年的数据进行回归。为避免多重共线性，去掉pre表4-3平行检验回归结果Delevpre_3-0.0078(-0.3651)pre_2-0.0280(-1.5680)Current-0.0058(-0.3440)post_1-0.0355*(-1.7618)post_2-0.0463**(-2.3269)post_3-0.0590***(-3.0052)ControlsYesConstant0.3944(1.4464)时间和个体效应YESN3952adj.R20.205注：（1）括号内为p值，（2）*、**、***分别表示在10%、5%、1%统计水平上显著根据回归结果绘制政策动态效应图4-1，可以看出在绿色信贷政策实施之前包括实施当年，交互项系数位于0附近，且不显著；在政策实施一年后，高污染企业去杠杆程度显著高于非高污染企业，且差异程度逐年增加。这说明绿色信贷政策的颁布后，重污染企业的去杠杆程度相较于非重污染企业逐年增加，并且政策实施的效果存在滞后性，颁布一年后逐渐生效。综上所述，平行检验的结果初步支持绿色信贷政策导致重污染企业去杠杆程度提升的假设，且从理论上支持使用双重差分模型对该假设做进一步研究。图4-1政策动态效应图4、实证结果分析表4-4实证估计结果DelevDID-0.0203**(-2.4045)ROA-0.4924***(-5.8722)LEV-0.7118***(-26.2889)Sales-0.0058(-0.7473)Size0.0161***(2.8865)TobinQ-0.0024(-0.5775)IPOAge-0.0022*(-1.9309)Largest0.0010**(2.4820)Constant0.0449(0.3979)时间和个体效应YESN8544adj.R20.157注：（1）括号内为p值；（2）*、**、***分别表示在10%、5%、1%统计水平上显著。表4-4报告了式（1）的回归估计结果，通过固定效应双重差分模型考察了绿色信贷政策对企业去杠杆程度的影响。回归结果显示，控制时间和个体效应后，双重差分变量（DID）的估计系数为-0.0203且在5%统计水平上显著，表明绿色信贷政策颁布后，相较于非重污染企业，重污染企业的去杠杆程度得到显著提升，验证了假设H1。（二）稳健性检验为检验上述实证结果的稳健性，证明其结论并非依赖于本文所选取的实证方法和特殊的衡量指标，本文拟从三个角度对实证结果进行稳健性检验：首先，参考已有研究关于企业杠杆率的定义，替换前述被解释变量的衡量方式，分别构造三种不同的去杠杆程度指标；其次，为排除绿色信贷以外的其他时点性因素对本文假设检验的影响，通过构建伪证策的方法进行安慰剂检验；最后，为减小样本组之间的选择性偏差对回归结果的影响，使用倾向得分匹配方法重新筛选控制组样本，进行PSM-DID检验。1、因变量替换参考王玉泽（2019）的研究成果，本文分别从总债务有形资产比视角、权益乘数视角与总债务股本比视角重新计算三种去杠杆程度指标：Delev_TA、Delev_EM和Delev_PR。三种指标的定义与计算方法详见第三章第二节。将上述去杠杆程度指标先后替换原被解释变量进行固定效应双差分模型回归，若三种替换因变量对应的双重差分变量（DID）表4-5列（1）、列（2）、列（3）分别报告了Delev_TA、Delev_EM和Delev_PR对应双重差分变量（DID）估计系数的回归结果。可以看到三种替换指标对应的双重差分变量（DID）系数分别为-0.0205、-0.0220、-0.0433且均在统计上具有显著性，说明绿色信贷政策的颁布引致了高污染企业去杠杆程度提升。综上所述，基于被解释变量的再设定证明了本文回归分析结果具有较强的稳健性，进一步支持了本文的假设H1。表4-5因变量替换检验结果(1)(2)(3)Delev_TADelev_EMDelev_PRDID-0.0205**-0.0220***-0.0433***(-2.3154)(-2.9413)(-2.6129)ControlsYESYESYESConstant0.05010.07240.3583(0.4019)(0.6528)(1.5534)时间和个体效应YESYESYESN854485448544adj.R20.1440.1170.145注：（1）括号内为p值，（2）*、**、***分别表示在10%、5%、1%统计水平上显著2、安慰剂检验考虑到实证的结果可能由《绿色信贷指引》颁布之前其它的事件引致，本文采用安慰剂检验方法，分别设置了政策颁布前1年、2年、3年三个伪证策时间（即2009年、2010年、2011年）进行回归检验，如果任一时间对应的双重差分变量（DID）估计系数显著为负，则说明重污染企业去杠杆程度的提升是由对应时点的其他因素引起，《绿色信贷指引》政策引致重污染企业提升去杠杆程度的假设不被接受；若所有时间对应的交互项系数均不显著为负，则支持上文回归分析结果具有稳健性，不能拒绝假设H1。表4-6安慰剂检验结果(1)(2)(3)DelevDelevDelevDID_2009-0.0065(-0.5350)DID_2010-0.0058(-0.4722)DID_20110.0080(0.5954)ControlsYESYESYESConstant0.00880.01110.0161(0.0429)(0.0546)(0.0788)时间和个体效应YESYESYESN449844984498adj.R20.2060.2060.206注：（1）括号内为p值，（2）*、**、***分别表示在10%、5%、1%统计水平上显著表4-6列（1）、列（2）、列（3）分别报告了《绿色信贷指引》政策时间提前1年、2年、3年的双重差分变量（DID）估计系数的回归结果。可以观察到，三个双重差分变量（DID）的估计系数均不存在统计显著性，说明对应时点的伪证策并未对重污染企业去杠杆程度造成显著影响，这进一步证明了上文实证分析结果具有稳健性，即重污染企业去杠杆程度的提升确实是由2012年的《绿色信贷指引》政策引致，而非此前时刻的其他因素。综上所述，安慰剂检验结果证明了本文回归分析结果具有较强的稳健性，进一步支持了本文的假设H1。3、PSM-DID检验基于样本内企业微观特征具有较大差异，对应的去杠杆程度也存在一定的差异性，为消除样本分组带来的偏差，本文使用倾向得分匹配法（PSM），将实验组和控制组内的样本进行1:1最临近匹配，即在控制组样本中找出和实验组样本在微观特征上相似的个体来一一对应。之后再对匹配后的样本进行双重差分回归检验，若双重差分变量（DID）估计系数不显著为负，则说明上文回归分析结果是由样本分组偏差引致，不具有稳健性，不能接受假设H1；反之，若双重差分变量（DID）估计系数统计上显著为负，则说明上文回归分析结果具有稳健性，进一步支持假设H1。首先，本文以全部控制变量：净资产收益率（ROA）、资产负债率（Lev）、资产收入率（Sales）、企业规模（Size）、托宾Q值（TobinQ）、企业年龄（IPOAge）、股权集中度（Largest）作为倾向得分计算的协变量，对分组虚拟变量Treated进行Logit回归并根据回归结果计算各个样本的倾向匹配得分值，并根据倾向匹配得分值对实验组样本在控制组样本中进行1:1最临近匹配。匹配完成后进行平衡性检验，检验结果如表4-7所示。匹配前实验组和控制组各指标均值差异较为明显，匹配后各指标均不存在显著性差异。且匹配后，控制变量偏差均大幅下降，各指标的偏差绝对值均小于5%，说明倾向得分匹配结果较为理想。图4-2报告了倾向得分匹配后的协变量偏差分布情况，匹配后各协变量的偏差均分布于0值附近，差异较小。图4-3则报告了倾向得分匹配后，实验组与控制组的取值情况，可以看到，绝大多数观测值都处于共同取值的范围内，符合重叠假设。图4-4报告了匹配前后的倾向得分核分布图，可以观察到，匹配后实验组与控制组的倾向得分核分布差异明显缩小。综上所述，通过倾向得分匹配（PSM）对实验组与控制组样本进行了理想的匹配。接下来，本文将匹配后的样本进行双重差分回归，检验上文回归分析结果的稳健性。表4-7平衡性检验结果变量样本匹配平均值偏差（%）偏差减少（%）T-检验实验组控制组T值p>|t|ROA匹配前0.045850.0379217.890.78.280.000匹配后0.045850.045111.70.610.540Lev匹配前0.487440.51091-13.293.3-5.790.000匹配后0.487440.48901-0.9-0.330.740Sales匹配前0.770890.7027512.765.45.520.000匹配后0.770890.747324.41.590.111Size匹配前22.61822.4115.885.46.990.000匹配后22.61822.648-2.3-0.860.392TobinQ匹配前1.47461.330911.593.15.220.000匹配后1.47461.4845-0.8-0.280.778IPOAge匹配前13.75714.81-19.394.9-8.460.000匹配后13.75713.81-1.0-0.380.705Largest匹配前39.60835.75725.599.111.280.000匹配后39.60839.5740.20.080.933图4-2协变量偏差分布图4-3倾向匹配得分共同取值范围匹配前匹配后图4-4倾向匹配得分核分布图在平衡性检验和倾向得分核密度分析之后，本文对匹配后的样本进行双重差分回归分析。若PSM-DID回归分析结果与上文回归分析结果保持一致，则说明后者具有较高的稳健性，不能拒绝假设H1。回归结果汇报如表4-8，可以看到双重差分变量（DID）估计系数为-0.0289且在5%水平上显著，与上文分析结果保持一致，说明前述结论并不依赖于分组样本间的选择性偏差。综上所述，基于PSM-DID方法的检验结果进一步佐证了上文回归分析结果具有较强的稳健性。表4-8PSM-DID检验结果DelevDID-0.0289**(-2.4937)ControlsYESConstant0.2657(1.4971)时间和个体效应YESN4075adj.R20.171注：（1）括号内为p值，（2）*、**、***分别表示在10%、5%、1%统计水平上显著（三）进一步分析1、绿色信贷影响企业去杠杆程度的机制性检验前述回归结果和稳健性检验说明绿色信贷政策的推出显著提升了重污染企业的去杠杆程度，为探究该政策效果可能的影响机制，本节通过融资约束和投资效率两个路径进行进一步分析。在影响机制的检验方法上，本文借鉴Baron&Kenny（1968）和石大千等（2018）的方法，引入机制变量（Zit），分三个阶段进行实证检验：首先，将双重差分变量（DID）与企业去杠杆程度（Delev）进行回归，即验证政策颁布对企业去杠杆程度的影响，上文已就此问题进行了充分的讨论，此处不再赘述；其次，将双重差分变量（DID）与机制变量（Zit）进行回归，若估计系数显著，说明政策的颁布对该机制变量产生了影响；最后，将双重差分变量（DID）与机制变量（Zit）同时放入模型与企业去杠杆程度（Delev）进行回归，若机制变量（Zit）估计系数显著，而双重差分变量（第一阶段：验证政策颁布对企业去杠杆程度（Delev）的影响：Delevit第二阶段：验证政策颁布对机制变量（ZitZit第三阶段：将双重差分变量（DID）与机制变量（ZitDelevit接下来本文将对融资约束与投资效率两种机制变量进行检验。（1）融资约束借鉴Whited&Wu（2006）、况学文（2010）和刘莉亚（2015）等的研究方法，使用WW指数来衡量企业融资约束程度，其构造方法如下：WW=−0.091CF−0.062DivPos+0.021Lev−0.044Size+0.102ISG−0.035SG（7）其中，CF为现金流与总资产比率，即经营活动产生的现金流量净额/总资产；DivPos为现金股利支付哑变量，当期如果派发现金股利则为1，否则为0；Lev为长期负债与资产比率；Size为总资产的自然对数；ISG为行业平均销售增长率（按照2012证监会行业分类标准，制造业取两位编码其他行业取一位编码）；SG为销售收入增长率。本文WW指数相关数据均来自国泰安数据库。将WW指数作为机制变量进行三阶段回归检验，回归结果分别汇报于表4-9列（1）、列（2）、列（3）。列（2）中双重差分变量（DID）的系数为正且具有统计显著性，说明绿色信贷政策的推出导致重污染企业的融资约束相比非重污染企业显著上升；列（3）中企业融资约束（WW）的估计系数显著为负，而双重差分变量（DID）系数绝对值相较列（1）有所降低，说明绿色信贷政策的推出使得重污染企业融资约束程度显著提升，进而导致其去杠杆程度提升，验证了本文的假设H2。根据上述回归结果，绿色信贷政策可能是通过提高重污染企业的融资约束，限制其融资行为，进而导致融资水平和杠杆率的快速下降，最终表现为去杠杆程度相较非重污染企业较高。表4-9融资约束的机制性检验结果(1)(2)(3)DelevWWDelevDID-0.0203**0.0038*-0.0192**(-2.4045)(1.7733)(-2.2847)WW-0.3031***(-3.5877)ControlsYESYESYESConstant0.0449-0.1940***-0.0139(0.3979)(-6.8158)(-0.1236)时间和个体效应YESYESYESN854485448544adj.R20.1570.5280.160注：（1）括号内为p值，（2）*、**、***分别表示在10%、5%、1%统计水平上显著（2）投资效率本文参考Richardson（2006）、徐倩（2014）、陈效东等（2016）和李文文等（2020）衡量公司投资效率的方法，建立如下模型：Inv其中，Invt为t年公司的实际新增投资支出，即总投资-维持性投资=（购建固定资产、无形资产和其他长期资产支付的现金+取得子公司及其他营业单位支付的现金净额-处置固定资产、无形资产和其他长期资产收回的现金净额-处置子公司及其他营业单位收到的现金净额-（固定资产折旧+无形资产摊销+长期待摊费用摊销））/年初总资产；Levt−1为上一年公司的财务杠杆率，用资产负债率衡量；Growtht−1为上一年年公司的成长机会，用TobinQ衡量；Aget−1为上一年时公司年龄即观测年度-IPO年度；Casht−1为上一年公司的现金流状况，用经营活动产生的现金流量净额/年初总资产衡量；Sizet−1为上一年公司的资产规模，用总资产的自然对数衡量；将非效率投资程度作为机制变量进行三阶段回归检验，回归结果分别汇报于表4-10列（1）、列（2）、列（3）。列（2）中，双重差分变量（DID）的系数为负且具有统计显著性，说明政策颁布导致重污染企业投资效率相较非重污染企业显著上升；列（3）中，非效率投资程度（InefficInv）估计系数统计上显著为正，而双重差分变量（DID）系数绝对值降低，说明绿色信贷政策的推出显著提升了重污染企业的投资效率，进而导致其去杠杆程度提升，验证了本文的假设H3。根据上述回归结果，绿色信贷政策可能是通过提高重污染企业的投资效率，提升其内源融资的可获取性，降低对债务融资的依赖程度，进而导致债务融资水平和杠杆率的快速下降，最终表现为去杠杆程度相较非重污染企业较高。表4-10投资效率的机制性检验结果(1)(2)(3)DelevInefficInvDelevDID-0.0203**-0.0073***-0.0172**(-2.4045)(-3.1820)(-2.0472)InefficInv0.4284***(5.9284)ControlsYESYESYESConstant0.04490.1545***-0.0213(0.3979)(5.2123)(-0.1887)时间和个体效应YESYESYESN854485448544adj.R20.1570.0760.166注：（1）括号内为p值，（2）*、**、***分别表示在10%、5%、1%统计水平上显著2、绿色信贷影响企业去杠杆程度的异质性检验考虑到企业之间在微观特征上具有显著的差异性，而一些群体性特征往往会对政策的影响效果产生显著影响。本小节从所有权性质、融资渠道依赖与企业社会责任三个视角出发，依据特征变量对企业进行分组回归，以检验绿色信贷政策对重污染企业去杠杆程度影响的异质性，即政策影响的不对称性。（1）所有权性质为考察绿色信贷政策对企业去杠杆程度的影响是否会因所有权性质而异，本文依据企业产权性质，将样本分为国有企业与非国有企业两组。如表4-11所示，在国有企业组中，双重差分变量（DID）的估计系数统计上显著为负；在非国有企业组中，双重差分变量（DID）的估计系数为负但不显著。该结果验证了本文的假设H4。说明国有企业天然的债务融资优势可能会导致其杠杆率处于较高水平，而非国有企业因受到“信贷歧视”，可能具有较低的信贷融资水平。然而，在绿色信贷政策推出后，银行信贷在审核标准上逐渐从以企业所有权性质所代表的风险指标向以企业环境、企业表现所代表的风险指标转型，导致国有重污染企业去杠杆效应稍强于非国有重污染企业。此外，如前文所述，国有企业往往承担了国家政策的导向性任务，即绿色信贷的推行在面对国有企业时将会更加严格，也可能导致国有重污染企业去杠杆程度更明显。表4-11所有权性质检验结果国有企业非国有企业DelevDelevDID-0.0256***-0.0008(-2.6654)(-0.0392)ControlsYESYESConstant0.2060-0.4339(1.5548)(-1.6436)时间和个体效应YESYESN64382106adj.R20.1630.155注：（1）括号内为p值，（2）*、**、***分别表