引言
在2020年第75届联合国大会上，中国宣布承诺于2030年前达到碳排放峰值，并于2060年前实现碳中和。为此，中国制定了一系列政策以确保实现碳达峰和碳中和目标，形成了一个涵盖绿色信贷、绿色债券、绿色基金和碳交易等多种业务类型的绿色金融体系。然而，由于中国的金融体系主要由银行主导，绿色信贷在中国绿色金融市场中仍占据核心地位，占比超过80%。从这一角度来看，银行绿色信贷的配置效率将直接影响中国实现碳排放峰值和碳中和承诺的有效性。
金融科技对绿色信贷配置产生了显著影响，但专门将银行金融科技与绿色信贷配置联系起来的研究却很少。大多数与金融科技相关的研究都集中在银行的各种运营指标上，而大多数关注绿色信贷的金融科技文献则依赖于区域指数，忽视了银行层面金融科技对绿色信贷动态的细致影响。一些银行层面的研究依赖于财务报表而非实际贷款数据，从而忽略了微观层面的见解。本文通过开发银行层面的金融科技指数并分析2014年至2020年的详细贷款数据，填补了这些空白。
在本研究根据金融科技相关新闻和银行报告中的高频词汇开发了银行金融科技指数，并基于2014年至2020年的数据分别对清洁企业和重污染企业进行了回归分析。结果表明，金融科技能力的提升促进了对环保公司的绿色信贷，但对主要污染企业并无此效应，从而提高了信贷配置效率。机制研究表明，银行金融科技主要通过改善银行业务拓展、信息处理和风险管理来实现这一目标。此外，本文还专门调查了银行金融科技对清洁能源公司和重污染企业信贷配置特征的影响。
本研究对文献做出了几点贡献。首先，它使用微观信贷数据考察了银行金融科技对绿色信贷配置的影响，填补了现有研究中的一个显著空白。虽然以往研究从各种角度探讨了金融科技和绿色信贷，如区域金融科技指数以及银行或企业的财务指标，但很少使用实际贷款数据，而本文则对此进行了补充。
其次，本研究通过指出三个机制，深化了对金融科技如何影响绿色信贷配置的理解，这与现有关于银行金融科技在业务、效率和风险管理方面作用的文献相吻合。此外，本文还通过分析能源行业的绿色信贷特征，与其他行业进行对比，并考察生产和消费中的信贷，不同于传统文献中促进绿色转型的作用，从而填补了相关空白。最后，本文探讨了银行金融科技对重污染企业绿色信贷配置的非线性效应。虽然先前的研究表明金融科技限制了对这些行业的信贷，但很少有研究分析这些行业多样化的资金需求。
本文的其余部分组织如下：第2节概述了假设、变量和方法论。第3节详细介绍了实证发现和稳健性检验。第4节探讨了银行金融科技的影响机制。第5节深入分析了能源和重污染行业的进一步分析。第6节得出结论。
假设、数据与方法
中国的绿色信贷政策与绿色生态战略相一致，为“清洁环保”产业提供金融支持，同时限制对高污染、高能耗行业的贷款。它起到了投资引导、资本集聚和信息传递的作用。在绿色转型过程中，绿色清洁产业和污染产业的作用各不相同。绿色产业因其固有的生态友好性和对节能环保的关注，成为绿色信贷的核心受益者，旨在促进其快速发展。相比之下，污染产业的情况更为复杂，绿色信贷既要抑制高污染生产，又要支持合理的节能和转型活动，这要求银行具备高度的判断力。
金融科技在银行中的应用通过缓解信息不对称、提高管理和风险控制能力，增强了绿色信贷分配的效率。虽然高污染行业的分配特征难以预测，但更容易推断的是，金融科技的应用将优先促进绿色信贷向环保行业的分配。大数据、云计算和数据共享等信息技术的使用增强了银行的评估和验证能力，而数据处理效率的提高则提升了银行对绿色企业的服务能力。此外，区块链和数据模型等技术加强了风险管理，实现了对绿色资金的实时监管。这些因素使银行能够更好地控制企业状况，并向高质量的绿色企业发放更多贷款。
假设1. 银行中金融科技水平越高，在绿色信贷分配中向绿色和环保企业分配的信贷就越多。
银行的金融科技基础设施通过增强其业务扩展能力、简化信息处理流程和强化风险管理实践，提高了绿色信贷分配的效力。所有这些都有利于银行向绿色和清洁企业分配更多资源。
首先，金融科技显著扩展了银行业务的范围。金融科技帮助银行克服地理障碍，扩大了绿色信贷的覆盖范围和可获取性，同时提供了精确的客户概况，以满足清洁企业的深层信贷需求。其次，金融科技提高了银行信息处理的效率。金融科技简化了数据整合和信贷流程，提高了绿色项目的识别和效率，同时缩短了审批时间和减少了偏见。最后，金融科技通过构建透明和公平的绿色信贷系统，加强了银行的风险管理，降低了不良贷款率，提高了风险点的预测性。这改善了银行的实时风险控制，并增加了对高质量清洁和环保企业的绿色信贷分配。因此，提出以下研究假设：
假设2. 金融科技通过扩展银行业务范围、提高银行信息处理效率和加强银行风险管理能力，促进了环保企业的绿色信贷分配。
本研究中使用的清洁企业与银行之间的年度贷款数据是从上市公司的公开披露中提取的，数据来源为CSMAR数据库。清洁企业是根据WIND数据库中的33只绿色概念股进行分类的。研究覆盖了2014年1月至2020年12月，共产生了7682条银行-企业-年度记录。
本研究使用的核心解释变量是上市银行金融科技指数，该指数主要通过文本分析方法解析上市银行的年度报告获得。本研究使用的其他企业数据均来自CSMAR数据库。样本范围涉及上海和深圳股票市场的A股和创业板，并排除了处于特殊状态（如ST、ST*等）或缺失财务指标的股票。同时，对变量进行了1%和99%的缩尾处理。
此外，为了研究重污染行业的信贷分配特征，本文还研究了包括火电、钢铁、电解铝、煤炭等在内的16个重污染行业中的907家企业，研究数据包含8812条银行-企业-年度观测记录。
为了考察银行金融科技对绿色信贷分配的影响，本研究构建了以下固定效应回归模型：
变量构建
核心自变量——银行金融科技指数，是通过三个步骤构建的：为商业银行创建金融科技词典、预处理上市银行的年度报告，以及基于词频统计构建指数。
本文的被解释变量由银行授予清洁产业企业年度总绿色信贷额度与企业总资产之比的对数值表示（Loan_Ass）。该变量的值越高，意味着分配给企业的绿色信贷额度越大。控制变量包括银行和企业的因素。对于银行，考虑了资本充足率、不良贷款率和存贷比等变量。对于企业，则考虑了盈利能力、杠杆率、增长率、托宾Q值、第一大股东持股比例以及年度股票市场回报率等变量。所有这些变量都与企业获得贷款的概率相关。主要变量的描述性统计如表1所示，其特征与参考文献一致。
表1：主要变量的描述性统计
基本回归结果
为了分析银行金融科技对绿色信贷分配的影响，本研究分别对清洁行业和污染行业进行了如式（1）所示的面板回归，其中Loan_Ass作为被解释变量，反映了绿色信贷额度。表2详细列出了清洁行业的回归结果，使用了不同的控制变量和固定效应。例如，第（1）列单独使用了与银行相关的控制变量，第（2）列单独使用了与企业特定的变量，而第（3）至（5）列则综合使用了一系列控制变量和不同的固定效应，同时还进行了稳健性估计。表2的回归结果显示，清洁行业的绿色信贷分配与银行金融科技指数之间存在显著的正相关关系。这意味着金融科技更先进的银行倾向于向清洁企业分配更多的绿色信贷额度。从经济意义上看，银行金融科技水平每增加一个标准差（0.011），以相对绿色信贷额度（Loan_Ass）衡量的清洁公司获得的信贷额度就会增加约5.68%（=6.341 × 0.011/1.227）的标准差（如第（3）列所示）。
表2：清洁企业的基准回归结果
那么，重度污染行业的信贷分配与银行金融科技之间有何联系呢？为了澄清这个问题，本研究对16个重度污染行业的企业进行了回归。表3显示的回归结果表明，在银行金融科技水平提高的情况下，对重度污染行业的信贷量没有显著的线性影响，这在第（1）至（3）列中均有所体现。这可能与绿色信贷政策的复杂定义有关，这些政策旨在限制这些行业的发展，并将资金引向更清洁的企业，同时认识到这些行业转型所需的巨大资金需求。关于这一行业的更多细节将在后续的扩展分析章节中进一步探讨。表3：重污染企业的基准回归结果
稳健性检验结果第（5）列增加了控制变量PerCO2（人均二氧化碳排放量）和APollInv（当地环保投资），以反映区域环境政策对企业的影响。第（6）列采用企业聚类估计方法，以提高结果的有效性和一致性。此外，为了消除绿色信贷政策发布所带来的投资引导和其他效应的影响，本文排除了绿色信贷政策发布年份（包括2014年、2017年和2018年）的数据，结果展示在第（7）列。
表4：稳健性检验的结果
为了缓解内生性问题，本研究采用了两个与地区技术基础相关的工具变量（IVs）进行严谨分析。第一个工具变量是2013年省级技术应用指数（y2013_tech），该数据来源于中国科技统计网，反映了社会生产中技术的地区采用情况。这一指数代表了银行总部所在省份的技术成熟度，由于其计算时间早于本文的样本期，因此确保了较强的外部有效性。第二个工具变量是Council_award，即省份获得的国务院奖项数量，数据来源于经济预测系统（EPS）数据平台。这些奖项的获得需要付出大量努力和经过严格评估，象征着当地对技术进步的承诺，并且不受银行金融科技使用情况的影响，因此提供了可靠的外部有效性。
图4：发行零售和批发CBDC的动机
机制分析
根据假设2，金融科技通过促进业务扩展、信息处理和风险管理来支持银行的绿色信贷分配。本文将银行金融科技指数基于其三个功能渠道分解为三个子指数，并将这些子指数与清洁企业的信贷数据进行回归。结果展示在表6中。
本研究根据十多个国家标准和官方文件，将金融科技术语主要分为三个子指数。对于少数未在这些文件中涵盖的术语，作者基于经验进行了主观分类。第一个子指数主要促进银行业务渠道的扩展，包括“金融场景”、“电子贷款”和“新业务模式”等术语。这些术语主要涉及银行的运营渠道，并催化银行业务的横向增长，扩展银行的运营范围。第二个子指数专注于提升银行的信息处理能力，包含“自动化”、“在线服务”和“一站式解决方案”等术语。这些术语与银行的处理效率密切相关，增强了银行全面处理多样化信息集的能力。第三个子指数围绕提升银行的风险管理能力，包括“智能风险控制”、“风险预警”和“身份识别”等术语。金融科技的出现使银行在信贷管理层面拥有了更精细、更高效的风险管理系统。此外，对于具有跨领域特性的术语，本研究根据其权重和频率进行解构，然后分别归属于上述三个领域。
在表6中，第（1）列和第（2）列使用与银行业务扩展相关的指数（exbus_index）对环保企业的相对贷款金额值“Loan_Ass”进行回归。第（3）列和第（4）列使用与银行效率提升相关的指数（infoe_index）对环保企业的相对贷款金额值进行回归。最后，第（5）列和第（6）列展示了通过金融科技提升银行风险管理能力的影响。三个渠道中显著的正系数证实了金融科技通过扩展业务范围、简化信息处理和加强风险管理，推动了向环保企业增加的绿色信贷。
表6：银行业金融科技子指数的基本回归
深入分析
能源领域分析
表8：能源行业的清洁企业可以获得更多的绿色信贷支持
中国地域辽阔，能源供应地区与能源消费地区往往不一致。本文使用省级资源税（SrcTax）和折算煤炭消费当量（Eng_Consume）分别作为能源生产区域和能源消费区域的代理变量，与银行金融科技指数进行交互，以评估绿色信贷对不同能源区域清洁企业的综合影响。表9中（第1-2列）与银行金融科技指数的交互项符号不同，强调了这样一个观点：对于与化石燃料相关的清洁能源企业而言，能源生产量高的地区的企业能够获得高科技银行更实质性的绿色信贷支持，而能源消费量高的地区的企业则受到一定程度的抑制作用。本研究通过将企业所在省份的石油、天然气和煤炭产量与银行金融科技指数进行交互，对资源供应地区进行了更详细的研究（如表9第3-5列所示）。石油和天然气的结果总体上支持了这样一个结论：拥有先进金融科技的银行为能源丰富地区的清洁企业提供了更大的绿色信贷支持。这一结果的原因可能与中国整体的能源布局有关。中国的能源供应高地往往面临更大的环境压力，并拥有更全面的处理设施，使得这些地区的绿色升级更容易、更有效，因此获得了拥有先进金融科技银行的更显著支持。而能源消费量较高的地区通常经济较为发达，能源主要以成品形式使用，包括电力和汽油。这些地区与能源开采和加工地区往往不同，因此这些地区的能源转型压力和基础并不那么强烈。因此，银行对这些地区的清洁企业的支持程度低于对能源供应高地清洁产业的支持。
重污染行业分析
先前的分析已经确定，银行金融科技与向重污染企业分配信贷之间不存在显著的线性关系。鉴于此，本研究使用银行金融科技水平的二次项对重污染企业的信贷额度进行回归。回归公式如下：
其中，α1是银行金融科技指数的二次项系数。正系数表示开口向上的抛物线，即随着银行金融科技指数的增加，对污染行业的绿色信贷先下降后上升。负系数则意味着相反的趋势。
从表10所示的回归结果中，可以了解到银行金融科技与分配给重污染企业的绿色信贷之间存在复杂的二次关系，即先减少后增加。
表10：严重污染行业的非线性回归分析结果
这种非线性关系的出现可能是由于银行根据其金融科技水平在识别和监测重污染行业信贷需求方面的能力差异所致。绿色信贷以两种主要方式满足污染行业的信贷需求。一方面，需要通过信贷歧视来促进绿色转型，防止资本流入重污染生产商。另一方面，传统污染行业向环保行业的转型也需要大量的绿色信贷需求。与第一方面相关的行业特征相对容易辨别，允许具有中等金融科技水平的银行进行识别。相反，识别和监督传统污染行业的绿色转型更具挑战性，需要银行具备先进的金融科技能力。因此，金融科技水平较低的银行倾向于抑制污染行业的资金需求，而金融科技水平较高的银行则促进这些需求的增加，呈现出先降后升的二次关系。
结论
本研究考察了中国银行金融科技能力对绿色信贷政策的影响，重点基于微观层面的信贷数据进行了实证分析。研究首先利用自然语言处理（NLP）技术构建了金融科技指数，以分析对企业的绿色信贷额度。回归分析结果显示，增强的金融科技能力显著促进了对环保企业的绿色信贷，但对主要污染企业则没有显著影响，这表明银行金融科技能够提高绿色信贷分配效率并促进绿色实体发展。这一结论得到了稳健性检验和内生性检验的支持。
……
获取完整文章
请后台回复“金融科技与绿色信贷”
获取下载链接
END
编辑/尚子帅
责编/徐赫聪
【延伸阅读】
