论文：污染溢价
Hsu, Po‐Hsuan, Kai Li, and Chi‐Yang Tsou. The pollution premium. The Journal of Finance，2023，78（3）: 1343-1392.
下载地址：
https://doi.org/10.1111/jofi.13217
本文研究了工业污染对资产定价的影响。由行业内有毒气体排放强度高和排放强度低的公司构建的多空组合平均年回报率为4.42%，在控制风险因素后，该回报率仍然显著。现有的系统性风险、投资者偏好、市场情绪、政治关系或公司治理都无法解释这种污染溢价。作者提出了一种与环境政策不确定性相关的新的系统性风险，并建立了模型，使用环境诉讼处罚的增长来衡量制度变化风险，发现它有助于为排放投资组合回报的横截面定价。企业可以通过短期内忽视减排和环境保护从而节省成本，但长期排污产生的负外部性也会受到公众、媒体和政府的监督或处罚，本文通过实证研究了环节政策变化对资产定价的影响。第一阶段，文章讨论了对公司级有毒物质排放的测量方法，并研究了股票收益率与工业污染强度的关系变化。在第二阶段，文章为排放投资组合回报的横截面变化提出了一系列可能解释，并通过各种测试来研究潜在的系统性风险来源。
本文的污染排放物数据采用美国环保局（EPA）构建和维护的 TRI 数据库中1991-2016年的工厂级化学污染物数据。TRI 数据包含报告年份、以磅为单位的化学污染物含量、化学类别名称、所在地联邦信息处理标准 (FIPS) 代码和公司名称。由于TRI数据库在1990年以前存在数据错误和覆盖范围有限的缺陷，因此本文使用 1991 年至 2016 年的排放数据来构建相关变量。
上市公司财务数据来自Compustat数据库，股价数据来自Center for Research in Security Prices (CRSP)。公司涉及民事案件和罚款金额数据来自Enforcement and Compliance History Online(ECHO) from EPA。企业环节得分数据来自汤森路透的ASSET4环境、社会和公司治理数据库。
![]()
表1在板块 A 和板块 B 中分别列出了企业年样本的汇总统计和相关矩阵，抽样周期为 1991-2016年，每年抽样一次。Emissions为污染排放强度，即公司在t−1年拥有的所有工厂的污染排放量加总/公司总资产；其余均为公司特征变量，ME表示规模，用市值衡量；B/M表示账面市值比；I/K表示投资回报率；ROA表示总资产回报率；ROE表示净资产回报率；TANT表示有形资产；WW表示衡量财务约束的指数；Lev表示账面杠杆。研究表明污染排放强度与规模（ME）、资产有形性（TANT）、财务约束（WW）和经营杠杆（OL）有一定的相关性（相关系数分别为-0.03、0.05、0.07 和 0.07 ），与此外的其他变量相关性都不高。2. 单变量投资组合排序：收益率、公司特征和因子回归![]()
为了研究排放量与股票收益率横截面之间的联系，作者构建了五分位数投资组合。在板块 A-D分别 按照企业的总资产（AT）、不动产、厂房和设备（PPENT）、销售额（SALE）、市场股本（ME）进行排放比例排序，为了研究污染排放与收益的关系，还建立了一个 H-L 投资组合，即在高排放投资组合中做多，在低排放投资组合中做空。纵列的股票无风险利率（E[R]-Rf）、t 统计量、标准差和夏普比率反映每个投资组合形成后的股票收益情况。从表中可以看出，企业的排放量可以预测股票收益。以板块 A 为例，从低到高的五分位投资组合无风险利率分别为 6.90%、9.68%、9.08%、9.11% 和 11.32%。而H-L 投资组合的无风险利率为 4.42%，t 统计量为 3.66。此外，五等分投资组合的夏普比率分别为 0.45、0.57、0.58、0.55 和 0.69，H-L 投资组合的夏普比率为 0.46，与总股票溢价的夏普比率相当。在其他板块也有类似情况的体现，这一发现表明公司层面的污染排放对股票收益有显著的预测能力。3. Fama-MacBeth回归和大小上的双重排序
表3 经典的风险因子模型回归
![]()
![]()
在表3中，作者按照标准程序研究现有风险因素是否能揭示排放分类投资组合平均收益率的变化。该表研究了主要风险因子模型的系数，包括资本资产定价模型（CAPM）、法玛-弗伦奇五因子模型（Fama and French (2015)）和 HXZ q-因子模型（Hou, Xue, and Zhang (2015)）。作者发现，这些风险因子无法解释按排放强度分类的投资组合的横截面收益差，而且多空投资组合的阿尔法值在统计上仍然显著。因此，验证得到的正排放-回报关系不能归因于共同的风险暴露。
表4 Fama-MacBeth回归
![]()
在表4中，作者通过运行 Fama-MacBeth 回归来检验排放与回报的关系。这些回归结果与作者根据排放强度对投资组合进行分类的结果一致，即污染排放强度可显著正向预测未来股票收益。05 对上述关系提出可能性解释
上述证明了污染排放强度与收益率相关，但根据污染排放强度排序的投资组合之间的收益率差异无法被经典因子模型解释，因此作者提出了一些解释，包括有投资者偏好高污染排放企业或是低污染排放企业、投资者对减少污染排放的反应不足的行为解释，公司治理和政治联系，以及文献中记录的相关风险，而文章通过实证说明以上的归因不能解释污染溢价。下面考虑研究企业级污染排放与环境诉讼和盈利之间的关系。本节检验了排放强度较高的企业是否有显著更高的可能性面临污染诉讼。首先收集所有联邦和州的污染案件，以获得更准确的对与环境问题相关的诉讼概率的估计。利用这些数据估计了回归结果：![]()
被定义为一个二进制变量，表示公司是否涉及诉讼，或者定义为一个计数变量，反映从 t+1 年到 t+5 年的诉讼总数。当使用二进制变量时，作者使用 Probit 回归估计该方程；当使用计数变量时，作者分别使用泊松计数和负二项回归估计该方程，![]()
表示控制企业的基本面数据，包括 t 年的规模、账面市值比、投资回报率、有形资产、当前盈利能力、财务约束、账面杠杆和经营杠杆，此外还纳入了行业年的固定效应。
表5 诉讼的预测性回归
![]()
本表体现了企业污染排放强度对其污染诉讼频率的影响。采用 Probit（负二项和泊松回归）估计方法，对企业 i 未来五年（即 t＋1至t＋5），它被定义为反映公司是否卷入诉讼的二进制变量或反映从t＋1年到t＋5年案件总数的计数变量，并与公司i在t年的排放强度对数和公司i基本面的其他控制因素相关联，包括 t 年的规模、账面市值比、投资率、当期盈利能力、有形性、财务约束、账面杠杆和经营杠杆，以及行业年固定效应。为减少异常值的影响，在对所有自变量第 1 个百分位数和第 99 个百分位数缩尾处理后，均归一化为零均值和单位标准差。在作者的样本中，26% 的企业将在未来五年内因环境问题被起诉，平均每家企业将在未来五年内卷入 1.56 起诉讼。系数表明，排放强度每增加一个标准差，诉讼概率就会增加 16.20%，诉讼频率就会增加 2.46 倍。诉讼概率或频率的增加与价值相关，因为处罚的平均值和标准差分别高达 157 万美元和 893 万美元（实际金额）。这些结果表明，污染排放强度能很好地反映企业层面的污染情况，因为它能预测企业遭遇环境诉讼的可能性。2. 当期现金流（盈利能力）
通过估计OLS回归来检验企业水平的排放和利润之间的关系：其中，![]()
表示以资本回报率衡量i公司盈利能力，![]()
表示控制企业的基本面数据，包括 t 年的规模、账面市值比、投资回报率、有形资产、当前盈利能力、财务约束、账面杠杆和经营杠杆，此外还纳入了行业年的固定效应。表6 现金流的敏感性
![]()
![]()
本表体现了企业现金流对诉讼冲击的敏感性。在板块 A 中体现了未来和当前盈利能力对其排放强度、诉讼冲击及其交互作用的面板回归，以及 t 年的其他公司特征，其中未来盈利能力是指 t+1 年至 t+10 年的移动平均盈利能力。作者根据 Fama 和 French（1997 年）的 49 个行业分类确定了行业年份固定效应，使用 EPA 提供的民事处罚对数差值（即增长率）来衡量诉讼冲击（n）。异常值处理同上。报告中的 t 统计量基于在公司层面或行业年度层面聚类的标准误差。在板块 B 揭示了排放分类投资组合的现金流对诉讼冲击的敏感性。同理将投资组合的未来盈利能力与诉讼冲击以及其他公司特征进行回归，然后报告现金流的估计系数。诉讼冲击系数乘以 100。标准误差采用纽威-韦斯特修正法进行估计。表6的（1）和（2）显示，排放量的估计系数（b1）显著为正，表明高排放企业通过节省污染治理和环境恢复成本而获得了更高的当期利润率。表7 盈利能力、排放量和减排成本
![]()
本表显示了盈利能力、排放量和减排成本之间的共同联系。板块A 列出了相关矩阵，以证明排放量与减排成本（ENER 和 ENRR）之间的相关性。面板 B 反映当前盈利能力与减排成本及其交互作用以及其他公司特征的面板回归。***、** 和 * 表示在 1%、5% 和 10%水平上的显著性。为了揭示污染减排成本与同期盈利能力之间的负相关关系，作者在回归控制变量中加入了公司层面的减排成本，从而提供了直接证据。在表7的板块 A 中发现公司的排放强度与其减少环境污染程度（以汤森路透 ASSET4 数据库中的 ENER 和 ENRR 度量）之间存在显著的负相关关系。在表7的板块 B 中，当作者对企业基本面的各种替代指标进行控制时，规格(1)和 (2)显示了一致的结果。![]()
其中，![]()
表示公司i从t+1年到t+10年的移动平均资本回报率。![]()
表示公司i在年份t的排放强度。![]()
表示公司污染企业的总民事处罚的年对数增长，衡量制度变更风险。![]()
表示交互项。表6板块 A 的规格（3）和（4）展示了该方程的估计结果。交互项系数b3显著为负，这表明当监管收紧时，高污染排放企业未来的盈利能力下降幅度更大。这与模型设定一致，同时也凸显了排放与未来盈利能力之间的关系是以政府的环境政策和法规为条件的。相比之下，在控制交互项时，排放系数b1仍然显著为正，而与交互项相比，其经济规模相当小，这与模型前提一致，即高排放企业在更严格的监管下盈利更少。该模型还表明污染溢价来自现金流对环境法规变化敏感度的变化。为了验证这一预测，文章在投资组合层面使用价值加权的未来盈利能力（即从 t+1 年到 t+10 年的移动平均投资回报率）来衡量现金流，并考察排放水平较高的投资组合的现金流是否对制度变迁风险表现出更大的负载荷。表6板块B显示，排放排序组合的现金流敏感性呈向下倾斜模式，与制度变迁风险的关系在-0.31 到-0.54 之间，这一结果再次强调了本文的主要经济机制，即高排放企业对制度变迁风险的负面影响更大。本文研究了工业污染对资产定价的影响。与同行业相比，有毒物质排放强度高与低的公司构建的多空投资组合每年平均产生约 4.42% 的超额收益，这种正向的排放-回报关系无法用共同的风险因素来解释，而且在 Fama-MacBeth（1973 年）控制其他公司特征的回归中也成立。作者通过实证讨论文献中提出的几种解释，如投资者的排放偏好、对减排反应不足、散户投资者的行为偏差、公司治理、政治联系和风险，以及其他可能相关的系统性风险（包括技术过时、资金限制、经济和政治不确定性以及调整成本），发现无法解释与有毒排放相关的回报预测性。首先，有毒排放越多的公司当前的盈利能力越高，环境诉讼也越多。其次，在政府实施更严格的环境法规后，高排放企业的未来盈利能力较低。第三，高排放企业在2016年唐纳德-特朗普赢得美国总统大选时受到有利冲击，这表明与排放相关的回报可预测性与环境政策和法规的变化之间存在联系。受这些发现的启发，本文构建了一个一般均衡资产定价模型，在该模型中，企业的现金流面临着排放监管政策方面的制度变化不确定性，如果污染成本足够高，政府就会以强势监管制度取代弱势监管制度，在此过程中高排放企业的盈利能力比低排放企业受到的负面影响更大，因此高排放企业更容易受到监管制度变化风险的影响，从而获得更高的平均超额收益作为风险溢价。
随着绿色金融和可持续金融的兴起，越来越多的投资者开始关注企业的环境表现。这种趋势是否会导致“污染溢价”现象的减弱或消失？或者是否会产生新的投资溢价现象？
如果有好的建议，请留言给我们。
"大于研究"是华南理工大学经济与金融学院、金融工程研究中心于老师和学生对外分享研究成果和学习的心得的公众号。
对我们的研究感兴趣的可以联系fofscut@scut.edu.cn
