《绿色金融发展在节能环保行业的实证影响及应对策略》7900字（论文）

绿色金融发展在节能环保行业的实证影响及应对策略TOC\o"1-2"\h\u185281.1研究假设 13371.2样本选取与数据来源 166251.3变量定义 2142701.3.1被解释变量 2211001.3.2解释变量 2257921.3.3控制变量 323301.4模型构建 4170811.5描述性统计和多重共线性检验 5142781.5.1描述性统计 5289461.5.2相关性检验 6167101.6回归结果与分析 7194731.7稳健性检验 810859参考文献 101.1研究假设通过上文对国内外相关文献的梳理，本文分析了绿色金融发展影响节能环保行业的机理。绿色金融发展可以通过资金形成、政策激励、缓解融资约束和影响创新决策的方式正向促进节能环保行业，又可以通过风险规避和流动性约束的方式负向抑制节能环保行业。当正面促进作用大于负面抑制作用时，绿色金融发展将激励节能环保行业进行技术创新，从而提升企业总资产；反之，则抑制。在此基础上，同时考虑我国绿色金融发展和节能环保产业发展的现状，进一步提出了本文的研究假设：假设1：绿色金融发展对节能环保行业有正向促进作用。假设2：绿色金融发展对节能环保行业有负向抑制作用。1.2样本选取与数据来源本文首先对同花顺、东方财富网站的节能环保板块上市企业进行统计，初步筛选出样本企业，并在国泰安数据库中补充了部分样本企业。由于2022年中有部分上市民营企业引入国有资本，资本结构可能产生变化，因此本文的研究年限为2014-2021年。节能环保产业作为新兴产业，仍处于行业发展的初级阶段，企业结构不稳定，在统计中有少部分企业经营中断而退市，考虑到该行业发展的原因，本文对研究时间段内退市的企业不做剔除以保证样本量的充足，并就其进行常规的多元回归分析，在此类情况中样本数据通过缩尾处理来消除极值数据，在收集的168家企业中，剔除了ST和*ST公司；剔除研发数据缺失的上市公司（陈思远，朱佳妮，2022）；剔除了节能环保项目主营业务收入低于50%的公司，最终筛选出97家节能环保上市企业面板数据。数据来源于国泰安数据库和企业年报，这在一定尺度上呈现通过WIND数据库对部分绿色金融发展数据进行补充，本文分析使用的软件为stata11.0。1.3变量定义在借鉴相关资料文献的基础上，本文选取了一些具有代表性的指标对相关因素进行衡量，具体变量设置见下表1-1：表1-1变量定义变量类别变量符号变量含义取值方法因变量SIZE总资产总资产对数自变量GL绿色金融发展水平节能环保项目和服务贷款余额对数控制变量FCI融资约束水平股利支付率RD研发投入企业研发投入对数TY总市值年末股价与上市公司每年总股数对数GROW成长能力本期营业收入增量/上期主营业务收入TOP10股权集中度前十大股东持股比例LEV偿债能力资产负债率1.3.1被解释变量总资产在一定程度上影响着企业发展。一般来说，规模较大的企业资金更充分，在进行活动时不仅能利用规模优势充分调动资源，这在一定情况下反映了还拥有议价能力，可以降低企业成本，减少失败可能带来的风险与损失（曹景轩，彭俊杰，2023）；而中小企业由于资金限制，在活动的投入上也会受到相应的阻碍。因此，本文在研究中借鉴祁瑞雄（2016）的做法，采用企业期末总资产的自然对数来代表企业规模水平（丁志鹏，何雅婷，2021）。1.3.2解释变量本文的解释变量是绿色金融发展。目前国内外尚未形成统一的衡量绿色金融与经济高质量发展的指标，因此，本文鉴于研究对象是节能环保行业，参考杨致远，何嘉诚（2021）的研究方式。利用主客观相结合的方式来进行绿色金融指数的测算。主观权重由不同绿色金融方式为环保产业提供资金确定。其中，从这些表现可以估摸出各个指标分别参照2021年绿色金融发生额、2021年绿色证券发行额、2021年绿色保险赔付额、2021年政府绿色产业投资基金融资额确定（江景轩，赖俊杰，2022）。本模型的显著亮点在于其灵活性与可扩展性的结合。鉴于研究背景与需求的多样性，本文在设计时强调了组件间的模块化，以便根据实际需求灵活调整或替换，同时不影响整体结构的稳固与高效。这一创新策略不仅增强了模型的实用性，也为后续研究者打造了一个开放的研发空间，鼓励他们基于现有框架进行二次开发或改良。客观权重则由熵值法确定，具体过程如下：首先，对指标无量纲化处理，以消除各个指标单位、数值的影响（谭永福，马春霞，2019）。对于正向指标，采用QUOTExj'xj'（it）=QUOTEmax1≤i对于负向指标，采用QUOTExj'xj'（it）=QUOTExj（it）其次，为消除零的影响，对无量纲处理后的每一个数据都加0.001。再计算t时期第i个省份第j个指标的比重QUOTE。QUOTEpjit=xj'第三步，计算第j项指标的熵值QUOTE=﹣kQUOTE(it)lnQUOTE(it)其中，k=1/lnnT。第四步，计算客观权值QUOTEQUOTE=1-QUOTE/QUOTE其中，m表示指标个数。根据主观权重法可得各项指标的权重为绿色金融77.78%、绿色保险0.2%、绿色证券主观2.27%、绿色产业投资19.75%（冯志刚，谢海涛，2022）。在此特定时刻不难看出这一点根据客观权重得到的各个指标的权重分别为绿色金融6.65%、绿色保险35.59%、绿色证券47.52%、绿色产业投资10.14%。在满足组合权重和两种权重的偏差平方和最小的条件下，最佳组合结果是使主观权重等于客观权重等于0.5。鉴于这一情形可以得到最后的综合权重QUOTE为绿色金融42.21%、绿色保险17.94%、绿色证券24.90%（段浩淼，阙泽霖，2024）。绿色产业投资14.94%。在此基础之上，本文进一步测算31个省市自治区的绿色金融指数，其公式为：QUOTE=QUOTE(it)QUOTE其中，QUOTE表示t时刻第i省份绿色金融指数；QUOTE（it）表示t时刻i省份第j个指标无量纲处理后的结果；QUOTE表示第j个指标的综合权重；m表示样本总量。通过上式可以依次计算出各省市自治区在不同年份的绿色金融水平(张逸凡,王静怡,2023)。1.3.3控制变量（1）总市值文借鉴付方媛（2018）的做法，使用年末股价与上市公司每年总股数这一指标来对节能环保行业的总市值进行衡量。（2）股权集中度股权集中度能表明企业股份分布情况，在这样的大环境里在一定程度上影响着企业执行决策的统一度。一般来说，过高的股权集中度意味着大股东可能会利用自己的权力做出损害中小股东的利益的行为；此外，当一家公司的所有权过于集中时，大股东可能出于自身利益而不愿在研发上投入更多资金(黄俊天,徐君萱,2022)。通过观察能够推断若股权集中度过于分散，股东意见难以统一，也不利于快速作出统一的决策，抓住市场机会。因此，本文借邵嘉伟，樊慧妍（2020）的做法，采用前十大股东持股占有率代表企业的股权集中度。（3）研发投入研发投入是企业为了增强技术创新，提升企业核心竞争力在研发过程中的各项投入，为企业进行技术创新提供资金支撑。根据我国的会计准则，其主要包括：研发人员人工成本，研发过程中的直接购入，研发设备的折旧费用。本文借鉴段云翔，欧阳菲（2020）年的做法，从这当中不难看出研发投入采用上市企业年报中披露的资本化、费用化研发投入两部分加总得出的对数。（4）成长性企业的成长性代表企业未来的发展前景，用来衡量企业的发展状况，也在一定程度上影响着企业总资产。一般来说，成长性好的企业对研发创新有较强的意愿，会积极从市场上寻求机会，帮助企业发展。在此类情况中表明企业成长机会的指标通常包括总资产增长率、资本支出占总支出的比例、固定资产增长率、净利润增长率等。本文借鉴邓明煜、郑泽涛、梁佳俊（2019）的做法，采用主营业务收入增长率来代表企业的成长性。（5）偿债能力偿债能力即企业偿还债务的能力。由于我国的节能环保行业还处于发展阶段，在企业发展的资金中，有多少是通过举债进行筹资的，关系到企业的资本结构，不同的资本结构对企业的研发投入和绩效也会产生不同的影响。这在一定尺度上呈现一般来说，企业的资产负债率越高，可用于进行研发创新的资金也就越多，但过高的资产附着力也会带来更高的风险。因此，本文参考赵文和,成怡忠（2019）的做法，采用资产负债率对企业偿债能力进行衡量。（6）融资约束企业研发活动受到内外部限制因素较大，导致研发成本过高，其中融资约束可能影响到绿色金融发展对企业总资产的作用。这在一定情况下反映了一方面，当企业面临高融资约束时，倾向于将资金投入到高回报率的项目中(宋嘉俊,陈晓玲,2021)；本文在既有理论的基础上，构筑了此次的模型架构，无论是在信息流动路径还是数据分析方法上，都体现了对前人智慧的尊重与传承，并在此基础上进行了创新。在信息流程的设计上，本文借鉴了信息处理领域的经典理论，确保信息从收集、传递至分析的每一步都高效且精确。通过严格把控信息源及执行标准化处理步骤，信息的可靠性得到了切实保障，同时也更加注重信息流的透明度与可追踪特性。另一方面，融资约束程度高的企业进行外部融资的难度以及相关的融资成本更大，会减少投资机会，企业的投资现金流的敏感程度较高，从这些表现可以估摸出会减少企业研发资金的投入。因此，本文参考何李煜宸，周慧敏（2022）的做法，采用股利支付率这一指标衡量企业的融资约束水平，股利支付率是融资约束的负指标。1.4模型构建本文利用面板数据进行回归分析，在于前文之分解首先检验绿色金融发展对节能环保行业的影响。为分析绿色金融发展对节能环保行业影响，本文以节能环保行业的总资产作为因变量，用绿色金融发展水平作为解释变量，以上述分析为依据构建了如下的模型(周文博,吴东来,2018)（1）。通过模型（1）检验假设1——绿色金融发展是否对节能环保行业产生影响，其中，i代表第i家节能环保行业，t代表第t年，α为截距项，β、μ、ρ、σ、φ、γ、ω为待估系数，ε代表随机误差项。具体模型如下：SIZEi,t考虑到行业的研发创新活动具有滞后性，因此，为检验绿色金融发展水平对节能环保行业的滞后效应，建立如下模型（2）。其中GLi,t−1表示滞后一期的绿色金融发展水平(王馨瑜,王宇翔,2020)SIZEi,t1.5描述性统计和多重共线性检验1.5.1描述性统计（1）混合型描述性统计表1-2各变量描述性统计VariableObsMeanStd.Dev.MinMaxSIZE5473.2781.2490.0006.475GL54729.1330.41327.64229.561TY54720.0221.34515.30024.139TOP1054760.29012.71821.930100.000RD54717.5681.22412.57920.198GROW5470.2660.417-0.6603.541FCL5470.2890.3530.0003.671LEV5470.4400.1750.0570.941上表1-2给出了实证过程中用到的各变量的描述性统计结果：从绿色金融发展对数来看，鉴于这一情形均值为29.1，最大值为29.5，最小值为26.6，说明节能环保产业上市公司绿色金融发展数额整体呈增长趋势。而对于研发投入，在这样的大环境里节能环保行业的研发投入对数均值为17.56，说明节能环保产业的研发创新意识较强，但是最小值为12.579，最大值为20.198，在这样的大环境里不同企业的研发投入具有差距，这也与目前我国多数节能环保行业的行业竞争、融资渠道有限、政策环境的影响有关。从控制变量看，企业总市值、净利润、资产负债率、股权集中度和成长性也同样存在较大差距(周子豪,朱云杰,2021)；对于前文结论的核实，在此暂不深入讨论，其中一个重要因素在于时间的约束。科学研究往往是一个长期且细致的过程，特别是在面对复杂问题或新领域时，需要足够的时间来观察和分析数据，并最终得出可靠的结论。尽管本研究已取得一些初步发现，但要对所有结论进行全面且细致的核实，还需更长时间的跟踪研究和反复实验。这不仅有助于消除偶然因素的干扰，还能确保研究成果具备更高的可信度和广泛的适用性。此外，技术手段的发展状况也对结论的核实过程产生重要影响，随着科技的进步，新型研究手段和技术不断涌现，为科学研究提供了更多新的机遇。其中，节能环保行业成长性最大值与最小值差距大，且均值仅0.266，表明近几年节能环保行业的成长状况不容乐观；资产负债率的均值为0.44，表明债务融资依然是节能环保行业主要的融资手段之一。通过观察能够推断融资约束水平最大值为3.671，平均值为0.289，由此可见，不同企业之间的融资约束水平存在较大的差异(范晓霜,徐英杰,2021)。1.5.2相关性检验为了确保回归结果的正确性，接下来对各自变量的相关性进行检验。本文使用Stata软件对自变量做相关性Pearson检验，从这当中不难看出结果见表1-3。其中，研发投入对数RD与资产负债率LEV的部分相关系数超过了0.3，存在较强的相关性。其他自变量的Pearson相关系数都不大(李明辉，张慧文,2022)。表1-3模型中各自变量间Pearson相关系数变量SIZEGLTYTOP10FCLGROWLEVRDSIZE1.000GL0.208***1.000TY0.293***0.290***1.000TOP10-0.221***-0.262***-0.0471.000FCL-0.032-0.042-0.0590.107**1.000GROW0.0030.041-0.0170.005-0.107**1.000LEV0.202***0.278***0.452***-0.175***-0.213***0.0691.000RD0.602***0.178***0.153***-0.228***-0.0450.098**0.191***1.000注：*代表p<10%，**代表p<5%，***代表p<1%。接下来，为进一步检验各自变量是否存在严重的多重共线性，本文接下来利用方差膨胀因子（VIF）进行检验，在此类情况中结果如下表1-4所示，各个自变量的VIF数值都小于10，模型不存在严重的多重共线性问题，可以进行接下来的回归(魏思彤,韩晓婷,2021)。表1-4模型各自变量VIF表变量VIFGL1.20TY1.33TOP101.14FCL1.07GROW1.03LEV1.39RD1.111.6回归结果与分析通过使用HOUSEMAN检验对样本数据分别对模型（1）、（2）依次进行了固定效应、随机效应的测试，结果显示数据组适合固定效应。因此本文选择用固定效应进行回归分析，以下是回归结果，总体来说各核心变量都是显著的，模型拟合度良好(高梓铭,吕俊杰,2022)。首先，这在一定尺度上呈现检验绿色金融发展对企业总资产的直接影响，对模型（1）进行固定效应回归检验，得出的回归结果见表4-5。模型（1）通过了F检验，R2为0.4，模型拟合度较好。从结果中可以看出(刘子琳,杨英豪,2022)，绿色金融发展对节能环保产业上市公司总资产的回归系数为0.3664，这在一定情况下反映了在对部分影响因素进行控制的情况下，1%的显著性水平下绿色金融发展对节能环保行业产生了显著的积极作用，说明绿色金融发展为节能环保行业提供资金来源，在一定程度上促进了节能环保行业的总资产；表明绿色金融发展对节能环保行业发展的正向促进作用大于负向抑制作用，从而产生了积极的促进作用，促进企业总资产提高，从这些表现可以估摸出从实证结果上验证了绿色金融发展对节能环保行业具有积极影响(黄子萱,邓晓彤,2018)。在数据探索阶段，先前研究的启示要求本文加强对新兴分析手段与技术的运用。随着信息技术的日新月异，大数据分析、深度学习算法等尖端工具正逐步成为科研实践的关键要素。这些工具不仅提升了数据处理效率，还能发掘传统方法难以触及的深层信息与规律。因此，在后续研究中，本文应致力于探索将这些先进技术融入分析流程的途径，以增强研究结论的精确度和深度理解。从控制变量来看，企业偿债能力与企业成长性的影响都不显著，其他变量均显著，企业规模的扩张对企业总资产产生了正面影响，在于前文之分解股权集中度对总资产产生了负面影响；研发投入与企业的总资产正相关，说明企业的研发投入越高，越有助于总资产的提升；从融资约束水平来看，融资约束的系数为-0.2004，在5%的水平上显著，表明融资程度越高的企业，越不利于企业经营活动的展开(贾雪凝,胡紫晨,2022)。表1-5模型（1）的回归结果变量名称模型（1）回归系数T检验值P值gl0.3664***3.920.000TY0.1793***3.460.001Top10-0.0122***-2.730.007rd0.3352***5.990.000grow-0.0666-0.980.328fcl-0.2004**-2.330.020lev-0.3151-0.990.324_cons-16.1891***-6.900.000R20.40Observations547F-statistic9.81***注：*代表p<10%，**代表p<5%，***代表p<1%。其次，在此特定时刻不难看出这一点检验绿色金融发展对企业发展的滞后效应，对模型（2）进行固定效应回归检验，得出的回归结果见表4-6(赵文和,王怡然,2022)。模型（2）通过了F检验，R2为0.33。从结果中可以看出，滞后一期的绿色金融发展水平对节能环保产业上市公司总资产的回归系数从0.3664增加到了0.3914。以上述分析为依据表明在对部分影响因素进行控制的情况下，1%的显著性水平下滞后一期的绿色金融发展对节能环保行业产生了显著的积极作用，且该作用较当期绿色金融发展对节能环保行业的作用有所强化。也就是说绿色金融发展作用于节能环保行业时存在滞后效应(杨宇辉,林月婷,2020)。表1-6模型（2）的回归结果变量名称模型（2）回归系数T检验值P值gl0.3914***4.110.000TY0.2000***3.220.001Top10-0.0127**-2.430.016rd0.2385***3.390.001grow-0.0958-1.370.177fcl-0.1951**-2.130.034lev-0.0805-0.220.823_cons-15.6162***-6.490.000R20.33Observations450F-statistic8.93***注：*代表p<10%，**代表p<5%，***代表p<1%。模型（1）和模型（2）的回归结果显示，鉴于这一情形绿色金融发展对企业总资产的系数在模型（1）和模型（2）中均为正，在1%的水平上显著，接受原假设H1，拒绝了原假设H2，即绿色金融发展对节能环保行业存在积极影响。1.7稳健性检验为了进一步检验结果的稳健性，在这样的大环境里提升研究结果的可靠性，本文进行了如下的稳健性检验：在模型（1）、（2）中，采用替换被解释变量的方法进行检验，参考郭晓丹（2011）的做法，使用专利授权数量TY2替代专利申请数量TY，重新对节能环保行业进行衡量，全样本具体结果如下表1-7所示。表1-7为将企业总资产的替代变量SIZE2带入模型（1）、（2）进行回归的结果，结果显示绿色金融发展与节能环保行业显著正相关，与前文的结果保持一致(何家俊,杨宇飞,2020)。表1-7全样本稳健性检验变量名称模型（1）模型（2）gl0.5112***0.3567***TY0.1397***0.2168***Top10-0.0059-0.0103**rd0.3607***0.3752***grow-0.0237-0.0360fcl-0.0203-0.1133lev0.14980.3352_cons-20.3837***-17.3991***R20.450.42Observations547450F-statistic10.089.71***注：*代表p<10%，**代表p<5%，***代表p<1%。各产业上市企业异质性稳健性检验结果如表1-8所示。在显著性水平上，绿色金融发展水平对总资产的影响显著，通过观察能够推断与主研究中的显著水平稍有不同，但正负方向与原模型是相同的，模型较为稳健(高雨辰,郑晓彤,2019)。表1-8各产业上市企业异质性稳健性检验变量名称节能企业环保企业资源循环利用企业模型（1）模型（2）模型（1）模型（2）模型（1）模型（2）gl0.2835**0.4163***0.4509***0.4270***0.4705**0.2370TY0.1526**0.08750.1071***0.18430.01400.2944***Top10-0.0141**-0.0163*-0.0072-0.0098-0.0035-0.0272**rd0.4557***0.4879***0.2567**0.08160.3005**0.1809grow-0.2754***-0.2836***0.10160.06790.29230.2396fcl-0.0980-0.1432-0.4796**-0.3536-0.3966*-0.4287**lev-0.36180.2174-0.58210.3279-0.74000.3267_cons-15.4116***-18.2452***-16.1393***-13.7912***-16.1282***-13.5913**R20.510.470.420.250.410.37Observations19015724119811694F-statistic10.29***8.51***6.95***6.33***9.76***10.37**注：*代表p<10%，**代表p<5%，***代表p<1%。近年来，我国开始大力支持节能环保产业的发展，绿色金融为节能环保企业的发展提供了资金支持。本文在梳理国内外相关文献的基础上，进一步梳理绿色金融对节能环保行业发展的作用机理，从这当中不难看出通过选取97家上市节能环保企业非平衡面板数据，实证检验绿色金融投入能否对节能环保企行业效产生影响。经过检验，本文得出了以下结论(沈浩然，曹雅琳,2021)：（1）绿色金融与节能环保行业发展正相关。这说明绿色金融作为一种资金来源，在进入节能环保企业以后，部分资金得到有效配置，支持企业生产经营并带来利润，为企业创造了创新条件，提高了企业的创新绩效；另一方面，绿色金融的风险管理能够提升节能环保企业的公司治理能力，从而节约企业的创新成本，提高资金使用绩效，不断进行生产研发，提升企业创新绩效。（2）但绿色金融对节能环保行业发展的影响存在一定程度上的滞后性，在全样本回归结果中，滞后一期的绿色金融水平对行业的影响程度更大，这种时滞效应是由于绿色金融的资金引导作用以及研发投入的资源配置作用需要一定的时间才得以体现所引发的。参考文献[1]陈立铭,郭丽华,张伟伟.我国绿色信贷政策的运行机制及实施路径[J].当代经济研究,2016(01):91-96.[2]陈思远，朱佳妮.绿色信贷对企业债务融资的影响研究——来自重污染企业的经验数据[J].财会通讯,2019(08):36-40.[3]曹景轩，彭俊杰.促进节能环保产业发展的绿色信贷产品创新研究[J].金融经济,2018(18):8-10.[4]丁志鹏，何雅婷.政府补贴、研发投入对上市公司企业绩效的影响[D].江南大学,2018.[5]杨致远，何嘉诚.多融资模式下企业节能减排效用评估的计量分析[J].山西师范大学学报(自然科学版),2019