引言

绿色金融的核心任务不是简单扩大绿色信贷规模，而是通过金融资源配置改变高碳资产与绿色资产之间的风险收益结构。对商业银行而言，绿色信贷政策一方面限制高污染、高能耗和高环境风险项目的融资可得性，另一方面推动银行将环境风险、产业转型风险和项目可持续性纳入授信审批与贷后管理。已有研究表明，绿色贷款、贷款碳强度和银行信用风险之间存在密切关系。因此，讨论绿色信贷与银行风险承担之间的关系，不仅有助于理解低碳转型中的信贷配置，也关系到商业银行资产质量和金融稳定。

现有文献多从企业融资、企业绿色创新、环境信息披露或银行绩效角度讨论绿色信贷政策，但银行层面风险承担的经验证据仍存在两个需要澄清的问题。第一，银行是否披露绿色信贷余额并不完全等同于实际绿色贷款占比，它还可能反映银行规模、治理水平和信息披露能力。第二，若样本中政策后时期缺少未披露银行作为对照组，传统双重差分模型就难以识别处理组相对于对照组的净变化。忽略这一点会使政策效应被政策后共同时间变化混淆。

基于上述问题，本文不再把现有样本包装为严格的双重差分因果识别，而是在2012年《绿色信贷指引》发布的制度背景下，考察绿色信贷披露变量与银行风险承担之间的条件相关性。本文的贡献在于：第一，使用2007—2023年中国A股上市商业银行面板数据，提供政策后绿色信贷披露与不良贷款率之间的银行层面证据；第二，显式报告样本识别边界，避免将披露变量误解为充分的政策处理强度；第三，区分全国性银行和区域性银行，讨论绿色信贷披露与风险治理关系的异质性。

一、文献综述与研究假设

（一）绿色信贷披露与银行风险承担

绿色信贷可能通过改变信贷投向、强化环境风险识别和提高外部监督强度影响银行风险承担。短期看，绿色项目识别、环境信息采集和贷后监督会提高银行管理成本；长期看，绿色信贷有助于银行减少对高环境风险行业的信用暴露，降低未来因监管收紧、环境处罚和技术替代引发的违约风险。Cui等和Zhou等均从中国样本出发，表明绿色贷款与银行信用风险之间存在经验证据。低碳转型风险研究也指出，金融机构若持续持有高碳资产，可能在政策、技术和市场偏好变化中面临资产重估压力。

不过，本文能够直接观察到的是银行是否披露绿色信贷余额，而不是贷款项目层面的真实环境绩效。因此，本文将理论预期表述为相关性假设，而非严格因果命题。由此提出假设H1：在控制银行特征和时间趋势后，政策后绿色信贷披露变量与商业银行风险承担负相关。

（二）银行类型异质性

绿色信贷披露与风险承担之间的关系可能取决于银行风险管理能力。全国性商业银行通常拥有更强的数据系统、专业团队、跨区域项目筛选能力和声誉约束，更容易将绿色信贷要求嵌入授信流程。区域性商业银行更依赖本地客户和本地产业结构，若绿色产业储备不足或环境信息平台不完善，绿色信贷披露与风险改善之间的关系可能较弱。由此提出假设H2：政策后绿色信贷披露变量与银行风险承担之间的关系存在银行类型异质性，全国性商业银行中的负相关关系更明显。

二、研究设计

（一）数据来源与变量定义

本文选取2007—2023年中国A股上市商业银行作为研究样本。绿色信贷相关信息依据商业银行年报、社会责任报告和ESG报告整理，财务指标与宏观变量来自公开数据库。剔除变量缺失样本后，最终得到413个银行—年度观测值。为降低极端值影响，连续变量采用1%水平缩尾处理。被解释变量为商业银行风险承担，以不良贷款率衡量；核心解释变量为DisclosurePost，即绿色信贷余额披露变量与2012年后时期的交互项。

样本结构检查显示，政策前未披露观测为35个，政策前披露观测为39个，政策后披露观测为339个，而政策后未披露观测为0个。这意味着DisclosurePost在当前样本中与政策后时期高度重合。基于这一事实，本文不采用“处理组—对照组”严格双重差分解释，也不在主模型中加入完整年份固定效应；否则核心变量会与政策后年份虚拟变量组合发生识别冲突。本文将回归结果限定解释为银行固定效应下的条件相关性。

变量类型	变量符号	变量说明
被解释变量	RISK	商业银行风险承担，以1%缩尾后的不良贷款率衡量，数值越高表示资产质量压力越大。
核心解释变量	DisclosurePost	政策后绿色信贷披露变量，由绿色信贷余额披露变量与2012年后时期交互构造。
控制变量	SIZE	银行规模，以总资产自然对数衡量。
控制变量	ROA	总资产净利率，反映盈利能力。
控制变量	CAR	资本充足率，反映资本缓冲能力。
控制变量	PCR	拨备覆盖率，反映风险准备覆盖程度。
控制变量	CIR	成本收入比，反映经营效率。
控制变量	AGE	上市年龄自然对数。
控制变量	GDP	地区GDP增长率。
控制变量	M2	广义货币供应量增长率。

（二）模型设定

基于样本结构和变量识别条件，本文采用银行固定效应关联模型：

其中，表示银行固定效应， 表示线性年份趋势，为银行经营特征和宏观控制变量。若显著为负，表示在控制银行不随时间变化的特征、线性时间趋势和可观测经营指标后，政策后绿色信贷披露变量与银行不良贷款率下降存在统计关联。该系数不被解释为绿色信贷政策的严格因果处理效应。考虑到双重差分估计对样本结构、序列相关和政策前趋势较为敏感，本文进一步设置政策前虚拟时间检验、均衡面板检验和银行类型异质性检验。

三实证结果

（一）描述性统计与图示证据

表2显示，样本银行不良贷款率均值为1.282，标准差为1.419，说明不同银行之间存在较明显的资产质量差异。DisclosurePost均值为0.821，反映政策后披露样本在总体观测中占比较高，也提示该变量主要刻画政策后披露期而非充分的处理组差异。拨备覆盖率、资本充足率和成本收入比的离散程度较大，说明有必要在模型中纳入银行经营特征。

变量	N	均值	标准差	最小值	中位数	最大值
RISK	413	1.282	0.419	0.440	1.270	2.600
DisclosurePost	413	0.821	0.384	0.000	1.000	1.000
SIZE	413	28.305	1.560	25.280	28.375	31.191
ROA	413	0.009	0.002	0.004	0.009	0.015
CAR	413	13.484	1.970	9.060	13.330	20.110
PCR	413	259.796	105.743	105.140	233.710	537.880
CIR	413	30.971	5.617	21.440	30.130	56.570
AGE	413	1.825	0.897	0.000	1.946	3.367
GDP	413	9.592	5.122	2.742	8.533	23.083
M2	413	12.071	4.273	8.174	10.083	27.582

图1的A面板展示了不良贷款率在2012年前后的年度变化。政策后，全国性银行不良贷款率经历先升后降，区域性银行波动相对平缓。B面板展示银行固定效应关联估计的核心系数。加入控制变量后，DisclosurePost系数为负且置信区间位于零值左侧；政策前虚拟时间检验不显著，说明政策前短窗口内没有观察到同方向的显著虚拟效应。需要强调的是，图中系数用于展示条件相关关系，不作为严格的双重差分因果证据。

（二）固定效应估计、稳健性与异质性

检验类型	样本或设定	核心系数	t值	观察值	R2
基准估计	银行固定效应+趋势	0.137	1.459	413	0.320
基准估计	加入控制变量	-0.274***	-3.181	413	0.751
安慰剂检验	政策前虚拟时间	0.003	0.023	74	0.878
稳健性检验	均衡面板	-0.263***	-2.845	238	0.769
异质性检验	全国性银行	-0.184*	-1.795	225	0.763
异质性检验	区域性银行	0.068	0.547	188	0.874

注：表3中的模型均包含银行固定效应和线性年份趋势；除第一行外均加入SIZE、ROA、CAR、PCR、CIR、AGE、GDP和M2控制变量；标准误采用异方差稳健估计。*、**、***分别表示在10%、5%、1%水平上显著。

表3表明，不加入控制变量时，DisclosurePost系数为正但不显著；加入银行经营特征、宏观变量和线性年份趋势后，核心系数为-0.274，并在1%水平上显著。这说明绿色信贷披露与风险承担之间的负相关关系主要在控制银行规模、资本缓冲、拨备覆盖和经营效率之后显现，不能解释为简单的无条件政策冲击。政策前虚拟时间检验系数接近零且不显著，均衡面板样本中的系数仍为负且显著，说明基准方向具有一定稳健性。

异质性结果显示，全国性银行样本的系数为-0.184，达到10%水平上的边际显著；区域性银行样本系数为正但不显著。该结果支持银行类型差异的判断，但不能据此断定绿色信贷披露对区域性银行完全无效。更审慎的解释是，当前样本下区域性银行尚未观察到稳定的负相关关系，这可能与样本量、地方产业结构、绿色项目储备和披露口径差异有关。

四、讨论

加入控制变量后，政策后绿色信贷披露变量与不良贷款率下降显著相关，说明绿色信贷披露可能与银行风险治理能力提升相伴随。一种可能解释是，披露绿色信贷余额的银行通常已经建立了较完整的绿色项目识别、授信审查和贷后管理流程，因而更容易降低高环境风险客户的信用暴露。另一种解释是，披露行为本身提高了银行信贷结构透明度，使监管、投资者和社会公众能够对绿色金融行为形成外部约束。这些解释与既有绿色信贷和信用风险文献相一致。

但是，本文结果不能直接证明绿色信贷政策本身导致风险承担下降。原因在于，当前数据缺少政策后未披露银行作为有效对照组，绿色信贷披露还可能反映银行规模、治理质量和信息披露能力等选择性因素。即使在银行固定效应和控制变量框架下，仍可能存在随时间变化的遗漏因素。因而，本文将机制讨论限定为可能路径，而不把它作为已经被项目层数据直接验证的机制证据。

从银行类型看，全国性银行的负相关关系更明显，可能与其跨区域经营、风险模型、专业团队和声誉约束有关。区域性银行未呈现显著关系，可能说明其绿色项目储备、地方环境信息基础和风险定价能力仍有差异。政策实践中不宜仅以是否披露绿色信贷余额评价政策成效，而应同时关注绿色贷款占比、投向结构、项目环境绩效和违约表现。

五、结论与政策建议

本文基于2007—2023年中国A股上市商业银行面板数据，考察绿色信贷披露变量与银行风险承担之间的关系。研究发现，在控制银行经营特征和宏观变量后，政策后绿色信贷披露变量与不良贷款率显著负相关；政策前虚拟时间检验不显著，均衡面板估计方向一致；异质性结果显示，该关系主要体现在全国性银行中，区域性银行尚未观察到显著负相关。上述结果说明，绿色信贷披露与银行风险治理改善存在统计关联，但在当前样本结构下仍不宜被解释为严格的政策因果效应。

基于研究结论，本文提出三点建议。第一，完善绿色项目库、环境信息披露平台和绿色评级标准，降低银行识别绿色项目和环境风险的信息成本。第二，提高区域性商业银行绿色金融能力，通过绿色再贷款、风险补偿、专业培训和第三方评估机制增强其项目筛选与风险定价能力。第三，加强绿色信贷政策与宏观审慎管理协同，防止经济上行期出现绿色项目包装和过度授信，同时在经济下行期保持对真实绿色产业的稳定支持。

本文仍存在局限。核心变量主要依据绿色信贷披露行为构建，尚未直接刻画绿色贷款余额、绿色贷款占比和项目质量差异；风险承担指标主要采用不良贷款率，未来可进一步引入Z-score、资本缓冲、收益波动和市场化风险指标；本文也尚未使用贷款项目层面的环境绩效和违约数据，因此无法直接识别具体作用机制。后续研究若能构建政策后未披露银行的有效对照组，或使用银行—企业—项目层匹配数据，将有助于更严格地识别绿色信贷政策的因果效应。

参考文献：

1. [1] Cui Y, Geobey S, Weber O, et al. The impact of green lending on credit risk in China[J]. Sustainability, 2018, 10(06): 2008.
2. [2] Zhou X Y, Caldecott B, Hoepner A G F, et al . Bank green lending and credit risk: an empirical analysis of China's Green Credit Policy[J]. Business strategy and the environment, 2022, 31(04): 1623-1640.
3. [3] Yin W, Zhu Z, Kirkulak-Uludag B, et al. The determinants of green credit and its impact on the performance of Chinese banks[J]. Journal of cleaner production, 2021, 286: 124991.
4. [4] Lian Y, Gao J, Ye T. How does green credit affect the financial performance of commercial banks? Evidence from China[J]. Journal of cleaner production, 2022, 344: 131069.
5. [5] Gao X, Guo Y. The green credit policy impact on the financial performance of commercial banks: A quasi-natural experiment from China[J]. Mathematical problems in engineering, 2022, 2022: 1-16.
6. [6] Guan R, Zheng H, Hu J, et al. The higher carbon intensity of loans, the higher non-performing loan ratio: The case of China[J]. Sustainability, 2017, 9(04): 667.
7. [7] Hu G, Wang X, Wang Y. Can the green credit policy stimulate green innovation in heavily polluting enterprises? Evidence from a quasi-natural experiment in China[J]. Energy economics, 2021, 98: 105134.
8. [8] Wen H, Lee C C, Zhou F. Green credit policy, credit allocation efficiency and upgrade of energy-intensive enterprises[J]. Energy economics, 2021, 94: 105099.
9. [9] Liu X, Wang E, Cai D. Green credit policy, property rights and debt financing: Quasi-natural experimental evidence from China[J]. Finance research letters, 2019, 29: 129-135.
10. [10] Wang F, Yang S, Reisner A, et al. Does green credit policy work in China? The correlation between green credit and corporate environmental information disclosure quality[J]. Sustainability, 2019, 11(03): 733.
11. [11] Semieniuk G, Campiglio E, Mercure J F, et al. Low-carbon transition risks for finance[J]. WIREs climate change, 2021, 12(01): e678.
12. [12] Battiston S, Mandel A, Monasterolo I, et al. A climate stress-test of the financial system[J]. Nature climate change, 2017, 7(04): 283-288.
13. [13] Bertrand M, Duflo E, Mullainathan S. How much should we trust differences-in-differences estimates?[J]. The quarterly journal of economics, 2004, 119(01): 249-275.
14. [14] 中国银行业监督管理委员会. 关于印发绿色信贷指引的通知: 银监发〔2012〕4号[EB/OL]. (2012-02-24)[2026-04-08]. https://www.gov.cn/gongbao/content/2012/content_2163593.htm.