刘玄亦

（湖南农业大学，湖南 长沙 410128）

摘要：本文以2012年颁布的《绿色信贷指引》开展准自然实验，根据2008-2022年我国A股上市公司面板数据，并运用双重差分法（DID）探究实施绿色信贷政策对高污染企业绿色转型的影响，并以环境规制强度的区域异质性为中介效应探究其对各省份高污染企业绿色转型成效影响的差异。结果显示，绿色信贷政策的实施显著促进了高污染企业的绿色转型，并且绿色信贷政策对绿色转型的影响以通过加强融资约束并促进高污染企业的绿色技术创新为路径传导。但该传导路径受到环境规制强度的区域异质性影响，通过中介效应分析，环境规制强度越强的省份融资约束越强，越能促进高污染企业绿色技术创新，因此绿色转型成效更为显著。异质性分析表明，大规模企业、金融市场化程度高以及融资约束强的高污染企业绿色转型效果更显著。

关键词：环境规制强度；绿色信贷政策；高污染企业；区域异质性；绿色转型

一、引言

我国的经济目前处于腾飞增长的状态，各行各业的经济发展水平都有着长足的进步，但因此导致各类高污染企业的迅速崛起，形成了长期以来的“高排放、高污染、高能耗”的粗放式发展方式，在为我国的经济增长提供较大效益的同时为我国的生态环境带来了极大的压力，这也直接导致了我国的经济发展质量受到较大影响，从而抑制了我国经济发展的迅猛势头。因此在严峻的生态环境恶化的情况与我国经济可持续发展的需求之下，推动我国经济发展的绿色变革成为了我国当今时代不可避免的趋势。

人们在为此付出惨痛代价之后，面对一系列环境问题时提出了可持续发展战略，并且大力倡导绿色文明，因此诞生了绿色金融。而绿色信贷作为绿色金融的重要组成部分，在“十二五”规划中提出的加快发展绿色金融让我国的绿色信贷取得了显著的进步，因此我国制定了一系列鼓励和支持绿色信贷发展的政策，而在2012年1月由银监会发布的《绿色信贷指引》在我国一系列的绿色信贷政策中具备代表性，在此之后，我国的绿色信贷政策更加趋于标准与规范。然而由于各省份对于生态文明建设的重视程度有所差别，因此不同省份的环境规制强度存在区域异质性，张德钢等学者（2022）以城市群为研究单位，测算出珠三角与长三角城市群的环境规制强度在全国显著领先，而中原和关中等中西部城市群环境规制强度相对较低。张晓敏等学者（2021）以因子分析得出环境规制强度的分布规律为由东向西、从沿海到内陆的方向逐步减弱的理论，其中以东部沿海省市为高环境规制强度代表省份，而西部内陆地区环境规制强度较弱。由此可见，东部沿海省份经济发展相对发达，对于生态文明建设更加重视，因此环境规制强度更高，反之中西部内陆省份环境规制强度相对较低。

以《绿色信贷指引》为主的相关政策对高污染企业的融资约束对其经营活动产生了“挤出效应”（惠献波，2022），从而显著抑制了高污染企业的全要素生产率（喻旭兰等2023），而在中西部地区，这类抑制效果更为明显。这使得融资约束成为了高污染企业多元化发展的外部动力（Rui L等，2022），因此得出，《绿色信贷指引》通过融资约束能够显著促进高污染企业的绿色转型（Chao T等，2022）。但绿色信贷政策也在提升高污染企业转型意愿的同时限制了其转型能力，从而提高其生产效率（马晨等，2023），且对西部地区的高污染企业影响更为明显（Chengchao L等，2023）。但Yufeng W（2023）通过异质性分析表明，绿色信贷政策对于东西部地区的高污染企业有着显著的抑制性作用，对于中部地区的影响却并不明显，这表明当今研究对于高污染企业实施绿色信贷政策影响的地域异质性存在分歧。

高污染企业想要进行绿色转型，加大绿色成本的投入是相关企业所必须面对的问题，而高污染企业在进行绿色转型的过程中将会面临融资难、利润减少等一系列问题，而我国一系列绿色信贷政策的实施旨在通过提高资金配置效率推动经济绿色发展（郭红等，2023），绿色信贷的出现为高污染企业拓宽了融资渠道，在降低高污染企业全要素生产率的同时淘汰落后产能，使得高污染企业减少排放、改善企业环境绩效，并被倒逼进行企业创新（章尹赛楠等，2023），在资金与发展方面为其绿色技术的研发降低难度，推动企业绿色创新水平与质量的提升（刘澜飚等，2023），在一定程度上提升了高污染企业的绿色技术创新产出（李健，2023），促进了其绿色转型（Liao X 等，2023与Qin Z等，2023）。但同时对绿色进步率产生显著的负面影响（杨琴等，2023）。而在高污染企业经由绿色转型路径达到绿色技术进步的目标时，其能够驱动企业全要素生产率的正向增长（赵桂梅等，2023），也能够对高污染企业资本结构调整有着显著的正向作用（潘海英等，2023）。因此在长期内，高污染企业实施绿色信贷政策对于其全要素生产率的增长有着促进作用（吴磊等，2020），并在东部地区的增长作用较中西部更为明显（Chong W等，2023）。

通过前文综述，本文可能存在的贡献为：第一，目前国内关于绿色信贷政策的研究方向主要聚焦于其实施效果，而加入环境规制强度因素探究绿色信贷政策实施效果的研究却有所缺乏，且环境规制强度存在区域异质性，因此对不同地区的高污染企业绿色转型影响的不同，而目前的相关研究主要是通过环境规制类型角度对企业绿色转型的影响。本文将借鉴各省份环境规制强度评分，以省级行政单位的环境规制强度为切入点研究其对各省份高污染制造业企业的绿色转型影响，完善了相关研究角度；第二，丰富了高污染企业绿色转型方面的文献。目前针对绿色信贷政策下高污染企业绿色转型的研究主要聚焦于绿色信贷政策对企业绿色转型的直接影响，而绿色信贷作为本文加入环境规制强度这一外部因素，以新的视角对高污染企业的绿色转型效果进行研究，为各省份推动高污染企业绿色转型提供了一些建议。本文以2008-2022年A股上市公司中的高污染企业为样本，以2012年颁布的《绿色信贷指引》构建准自然实验，将2008-2012年的观测值作为对照组，2012-2022年的观测值作为实验组，采用双重差分法进行实证检验，主要探究的问题为自《绿色信贷指引》政策颁布后，基于环境规制强度的地域差异下高污染企业在绿色信贷政策的影响中进行绿色转型的影响，并会对绿色信贷政策的具体实施以及不同地区政府在当地高污染企业中因地制宜推动绿色转型提供相关建议。

二、理论分析与研究假设

1.环境规制与绿色信贷政策的相互作用

绿色信贷政策通过缓解企业绿色转型过程中的融资压力以达到环境规制对企业财务绩效的提升作用，同时以绿色信贷政策约束方式促进高污染企业节能减排，淘汰落后产能，加强对环境规制的补充（余畅等，2023）。而相反地，环境规制和针对于高污染企业的融资约束能够对绿色信贷指引的调节起到创新以及提升的作用，环境规制的强度越高，越能提升绿色信贷政策的有效性。

2.环境规制对绿色转型的影响

各地的环境规制强度存在差异导致了环境规制的调节作用存在区域异质性，这类差异的成因来源于地域间的经济发展水平参差不齐以及关于绿色发展相关法律完善程度不同而导致的（刘苏瑶，2023），因此环境规制强度的区域异质性体现在绿色信贷政策对于不同地区高污染企业的融资约束力度不同，环境规制越高的地区高污染企业收到绿色信贷政策的融资约束力度越高，绿色技术创新的成效更加明显，因此也能更快完成高污染企业的绿色转型。当环境规制强度较大时，实施绿色信贷政策下的企业通过加强自身绿色技术创新、引进和研发企业自身绿色技术推动绿色转型则成为了高污染企业生存与发展的最优解（康莹等，2024）。

环境规制影响着企业的发展方向，并通过成本效应和激励效应影响企业绿色相关支出，最终将环境规制作用于企业自身的绿色转型（张泽义等，2023），在短期内环境规制会对企业产生融资约束，以此抑制其绿色全要素生产率，降低企业发展绿色生产的积极性，但长期来环境规制将会促使企业转向绿色生产方式，控制污染排放，有助于制造业的绿色转型，且以我国正处于的市场激励型环境规制效果最为显著（方圆，2023）。并且环境规制与绿色转型存在倒U型关系，即过强的市场激励型环境规制将对制造业绿色转型产生阻碍（陈静等，2024），因此随着环境规制的强度的上升，环境规制对于绿色转型的推动作用将下降，即缓慢进入环境规制与绿色转型的倒U型曲线右侧，而我国环境规制目前正处于较低水平，正处于对绿色转型存在显著正相关关系的阶段。这说明适度范围内的环境规制越严格，对于企业绿色创新的促进效果越明显，绿色生产率的提升效果也就越高，从而呈现于企业绿色转型的效果（王雪清，2022）。

3.绿色信贷政策对绿色转型的影响

企业在进行绿色转型的过程中势必会面临加大绿色成本的投入的问题，且高污染制造业企业在绿色成本方面的数额更为巨大。因此，高污染制造业企业在进行绿色转型的过程中将会衍生出加大成本投入实现绿色技术创新而导致的利润减少等问题；同时，因为高污染制造业企业的高污染、高排放发展策略，导致银行在向其贷款时存在顾虑使得其存在融资困难的问题而阻碍其进行绿色创新。而绿色信贷政策的实施拓宽了高污染制造业企业的融资渠道，推动了高污染制造业企业淘汰落后产能，促使其树立社会责任、改善环境绩效、减少污染排放，因此促进了高污染制造业企业的绿色技术创新（Liao X等，2023），为其绿色技术的研发提供融资保障，保证了高污染制造业企业绿色技术创新在绿色信贷政策对企业绿色转型的影响路径中的中介作用（王婷，2023），推动了高污染制造业企业的绿色技术创新水平与质量的提升，促进了其绿色转型。

基于以上理论分析，本文提出以下假设：

H₁：环境规制强度与绿色信贷政策下的高污染企业绿色转型成效呈正相关关系。

三、研究设计

1.样本数据

高污染企业长期以来采用高污染排放的发展模式，在对生态环境带来危害的同时也面临着绿色转型的必要情况。关于高污染企业的界定，本文结合证监会2012年修订的《上市公司行业分类指引》与环保部制定的《上市公司环保核查行业分类管理名录》，并根据戴壁娇（2022）与谈畅（2023）针对高污染企业的界定，将表1中行业的上市企业界定为高污染企业。

表1  高污染行业界定

针对样本环境规制强度地域差异界定，本文根据张晓敏等学者（2021）的研究，将文献中环境规制强度得分为正的省份定义为高强度环境规制省份，其他得分为负的省份则归类于低强度环境规制省份。其中共31个省、自治区及直辖市，因缺少港澳台相关数据故不计算该三个省级行政单位。

表2 各省份环境规制强度排名表

表格来源：张晓敏,傅泽强. 环境规制强度测度及其区域差异分析[C]//中国环境科学学会（Chinese Society for Environmental Sciences）.中国环境科学学会2021年科学技术年会论文集（三）。

本文选取2008-2022年上述高污染行业中的A股上市公司作为样本展开实证研究与分析，并根据以下原则对数据进行处理：（1）剔除ST、*ST上市公司数据；（2）剔除金融行业上市公司；（3）将数据存在缺失与异常的样本企业进行剔除；（3）本文采用Winsor法针对变量进行双侧的1%缩尾处理。在经过数据处理后，最终选取上述行业中最终选取上述行业中4242我国A股家上市企业，共21411个观测值。

被解释变量方面，绿色创新（GP）中企业专利数量与绿色专利数量等相关数据来源于国家知识产权局官网，而控制变量所需相关数据则来源于CSMAR国泰安数据库与历年《中国环境统计年鉴》，通过手工整理将上述符合要求样本的数据进行排序与匹配，而针对部分可查的缺失数据则从东方财富网与同花顺等金融资讯网站搜索相关企业年报对其进行手工补充并完善数据。

2.变量选取

被解释变量方面，因绿色信贷政策的实施由融资约束提升绿色技术创新，从而促使企业绿色转型，本文采用企业绿色创新（GP），即企业申请的绿色专利数量的自然对数来衡量高污染企业的绿色转型成效。解释变量方面，本文将政策虚拟变量post与分组虚拟变量treat作为解释变量，其中政策虚拟变量以2012年发布的《绿色信贷指引》为分界，分组虚拟变量以是否为高污染企业区分。并且本文设置双重差分变量（DID）为核心解释变量，代表政策虚拟变量与分组解释变量的交互项（post*treat），用以衡量在绿色信贷政策对于高污染企业绿色转型的影响。

在中介变量方面，本文选用环境投资增加额（ER）。在绿色信贷政策实施过程中，环境规制强度的区域异质性会导致当地高污染企业绿色转型的效果存在地区差异，因此本文选取企业当年在建工程中污水处理及废水等项目成本进行加总，得到企业历年环保投资增加额，并取对数作为本文绿色信贷政策对高污染企业绿色转型影响的中介变量。

针对控制变量，本文将选用企业规模（Size）、资产收益率（ROA）、财务杠杆（Lev）、企业年龄（Age）、经营现金流（OCF）、成长能力（Growth）、产权性质（State）、高管薪酬（Salary）、董事会规模（Lndir）和股东持股比例（Top1）作为代表企业特征衡量高污染制造业企业绿色转型的企业方面指标，控制变量具体含义如表3所示。

表3  主要变量定义

3.模型构建

根据研究问题以及理论机理等方面进行综合考虑，本文将构建双重差分模型（DID）来针对理论分析部分所提出的假设进行检验，从而得出在环境规制强度的区域异质性下以《绿色信贷指引》为代表的绿色信贷政策对高污染制造业企业绿色转型的影响。因此基于章尹赛楠等学者（2023）的研究，本文将构建以下模型：

在式中，下标i代表企业，下标t代表时间，GP_it表示被解释变量企业绿色创新，即i企业在t年的企业绿色转型效果；Treat_i为企业分组虚拟变量，Post_t为时间虚拟变量，DID_it代表Treat_i和Post_t的交互项。α₀为常数项，α₁为解释变量的回归系数。本文模型采用双重固定效应模型，α₂为控制变量的回归系数，Control为一系列控制变量，ε_it表示随机扰动项。

四、实证分析

1.描述性统计

本文运用Stata对A股上市高污染企业进行了描述性统计，其中绿色创新（GP）均值为0.713，最大值为4.290，最小值为-0.272，说明不同企业间的绿色创新存在较大差异。而Treat*Post交互项即DID均值为0.41，说明样本中有超过40%的样本收到了政策影响。

表4 描述性统计

2.相关性分析

为更加准确地评估主要变量之间的相关性，本文使用Pearson检验对前文所选择的控制变量进行相关性分析的初步研究，得出的结果如表5所示，其中多数变量存在显著关系，模型设置基本合理，各控制变量间存在较强的相关性。

表5  主要变量的相关性分析

3.多元共线性检验

为防止因主要变量之间的共线性问题使得回归结果产生较大的偏差，本文对前文选取的主要变量进行了多重共线性检验。由表6可知，主要变量的方差膨胀系数（VIF）最大值为1.53，最小值为1.07，所有值都小于10，因此本文主要变量之间的多重共线性的问题不存在。

表6 多元共线性检验

4.平行趋势检验

双重差分模型方法的运用需要满足平行趋势假定，即在政策实施之前，实验组和对照组的企业绿色创新没有差异，而在政策时点之后，实验组和对照组之间存在显著差别。本文以政策实施当年为基期，通过平行趋势检验不显示政策实施前一年度的平行趋势，得出结果如图1所示。由图1可以看出说明在政策实施之前，平行趋势检验的系数一直围绕0上下波动，因此政策时点前通过检验。而在政策实施之后，第二年开始的系数呈显著上升的趋势，并一直持续到第五年，因此得出在绿色信贷政策实施之后，从第二年开始对高污染企业的绿色转型存在比较明显的影响，得出了实验组和对照组在绿色信贷政策实施的前后存在一定的差异，因此分析得出被解释变量GP基本通过平行趋势检验。

图1 平行趋势检验

5.多元回归分析

本文采用逐步回归，对绿色信贷政策与绿色转型之间的关系进行检验，结果如表7所示。其中列(1)仅控制相关财务变量，考察绿色信贷政策对企业绿色转型的影响。结果表明，DID系数为0.078，并在1%的水平上显著。本文在列(2)进一步控制了非财务指标，发现DID系数为0.076，并在1%的水平上显著。综上所述，绿色信贷政策显著促进了企业绿色转型。

表7 绿色信贷政策对企业绿色转型的影响

6.PSM-DID检验

为降低可能存在的样本选择误差，本文使用PSM--DID法进行回归检验。消除高污染企业和非高污染企业因个体差异导致的潜在混淆影响，旨在于更加精确地检验绿色信贷政策实施的效果。本文以前文选定的各控制变量为匹配变量做1:2最近邻匹配，处理后的偏差变化情况如表8所示。

表8 最近邻匹配处理后变量偏差变化

从表8中可得，匹配后P值均大于0.1，意为不显著。因此PSM检验结果表明其对样本数据做了更好匹配，检验后实验组和对照组之间的系统性差异显著降低。

7.环境规制强度区域异质性的中介效应分析

进一步研究发现，基于环境规制区域异质性视角，探究中介效应模型下绿色信贷政策对高污染企业绿色转型的影响路径。在中介效应检验中，考虑到环境规制下企业环保投资的增加，本文将采用企业环保投资度量各省级行政单位环境规制强度水平。

中介效应回归如表9所示，列（1）中DID交互项系数为0.051，且在10%的水平上显著，这代表绿色信贷政策会直接对绿色转型产生正向影响，这一结果与前文结论分析吻合。列（2）中的DID交互项系数为0.326，且在5%的水平上显著，表明环境规制强度会对高污染企业绿色转型的影响呈正向显著关系，环境规制强度越高，则绿色转型成效越显著。在列（3）中交互项DID的系数为0.050且在10%的水平上显著，中介变量企业环保投资（ER）系数为0.004且在5%的水平上显著，即研究得出环境规制发挥了中介效应，说明绿色信贷政策经过环境规制的强度增加提升了当地高污染企业的绿色转型效应，并且省份环境规制强度越高，绿色信贷政策对绿色转型的影响效果更显著。

而在中介效应分析中，企业规模（Size）在其影响路径中全程呈正向影响，且在1%水平上显著，表明企业规模的大小在环境规制强度差异下绿色信贷政策对高污染企业绿色转型影响中是一项重要变量。而环境规制对高污染企业绿色转型的影响同样体现在资产收益率（ROA）、财务杠杆（Lev）、经营现金流（OCF）、成长能力（Growth）和股东持股比例（Top1）等相关经营变量中，这表明高污染企业的经营情况受到当地政策与经济水平的地区特性影响，因此环境规制强度存在区域异质性，对高污染企业绿色转型影响成效不同。而绿色信贷政策对高污染企业绿色转型影响主要受产权性质（State）影响，这说明相比于非国有企业，国有企业在国家政策及相关要求影响下，实施绿色信贷政策的力度更大，绿色转型效果越显著。

表9  基于环境规制强度区域异质性的中介效应分析

8.稳健性检验

（1）滞后性回归

因绿色信贷政策实施对于高污染企业绿色转型影响具有滞后性和长期性，因此本文将对样本进行滞后性回归，意图考察绿色信贷政策对未来一期企业绿色转型的影响，结果如表10所示，与基准回归未存在显著差别。

表10 滞后性回归

（2）安慰剂检验

遗留变量、随机因素会对统计结果产生扰动，为检验基准回归结果受到上述因素的影响有多大程度，本文随机筛选绿色信贷政策所涉及的样本及政策实施时间，基于此便于构造一个虚拟DID随机试验进行回归，并根据虚假实验所得到的回归系数概率来判断结论的可靠性。

为进一步保障检验结果的稳健性，本文将上述虚拟试验重复达500次，最终描绘出虚假DID估计系数分布图，即图2虚假的双重差分项估计系数集中分布在0左右，符合正态分布的态势，因此虚假DID并未显著影响高污染企业的绿色转型。

综上所述，上述试验说明基准回归中高污染企业绿色转型成效的提升确定为受到绿色信贷政策实施的冲击，且模型设定中并未遗漏重要的解释变量。

图2 安慰剂检验

9.异质性检验

（1）基于企业规模

本文通过进一步研究，分析绿色信贷对高污染企业绿色转型的影响是否因企业规模不同而存在显著差异。本次异质性分析以企业规模的年度行业中值为基准，当企业规模大于中值时则为大规模企业，反之则为小规模企业。回归结果如表11所示，列（1）中的DID结果系数并不显著，而列（2）系数为0.102且在5%的水平上显著。以上结果说明绿色信贷政策的实施对规模较大的高污染企业的绿色转型产生了更为显著的影响。

表11  基于企业规模的异质性检验

（2）基于区域金融市场化水平

本文继续通过异质性分析探究区域金融市场化水平的不同是否会对绿色信贷政策实施促使高污染企业绿色转型影响的成效有所差异。本异质性分析将以周梦霞（2023）编制的市场化指数中的要素市场化指数度量企业所在省份的区域金融市场化水平，并以其中位数为基准，指数在中位数以上为区域金融市场化水平较高的省份，反之则为区域金融市场化水平较低的省份。

分析结果如表12所示，列（1）中的DID系数在统计学意义上不显著，而列（2）的DID系数为0.086，且在5%的水平上显著。以上结果表明实施绿色信贷政策对高污染企业绿色转型的影响在区域金融市场化水平较高的省份会产生更为显著的成效。

表12   基于区域金融市场化水平的异质性分析

（3）基于企业融资约束

本文还将针对绿色信贷政策对企业绿色转型的影响在融资约束不同的企业是否存在显著差异进行异质性分析。本文选取融资约束——KZ指数度量企业融资约束，即KZ指数越高，则企业融资约束越高。本文以KZ指数的年度行业中值为基准，KZ指数大于中值的企业则为融资约束较大的样本，反之则为融资约束较小的样本。回归结果如表13所示，列（1）中DID系数在统计学意义上并不显著，而列（2）中的DID系数为0.090且在5%的水平上显著。综上所述，绿色信贷政策的实施对高污染企业绿色转型的影响在融资约束较大的企业会产生更为显著的影响。

表13  基于企业融资约束的异质性分析

五、研究结论与相关建议

1.研究结论

2012年由原银监会颁布的《绿色信贷指引》作为我国绿色信贷政策体系中最具代表性的政策，在生态文明建设的背景下推动绿色信贷的实施，为保护我国环境、提升企业社会责任意识提供了政策支持。本文采用2012年的颁布的《绿色信贷指引》为基础做准自然实验，以2008-2022年A股上市非金融企业的面板数据运用双重差分法进行实证检验，研究了在环境规制强度的区域异质性下，实施绿色信贷政策对高污染企业绿色转型的影响是否存在差异。通过相关研究得出以下结论。

第一，绿色信贷政策的实施显著促进了高污染企业的绿色转型。但在绿色信贷政策影响高污染企业绿色转型的过程中会增强高污染企业企业的融资约束，从而推动高污染企业的绿色进步创新，最终达到绿色转型的目的，且该结论通过稳健性检验后仍然稳健。因此，实施绿色信贷政策会通过加强高污染企业融资约束，促进高污染企业绿色技术创新，最终促使其达到绿色转型的目的。

第二，环境规制强度越高，高污染企业绿色转型效果越显著。因各省级行政单位的环境规制强度存在区域异质性，本文将环境规制强度通过中介效应进行分析，结果为环境规制强度越高的省份，实施绿色信贷政策影响高污染企业绿色转型的效果越好。

第三，通过异质性分析发现，绿色信贷政策的实施会对规模较大、处于金融市场化水平较高区域以及融资约束较强的高污染企业绿色转型成效造成更为显著的影响。据此分析，本文分析该结果成因为规模较大的高污染企业排放污染物较多，在社会责任及提高效率的要求下对于绿色转型更加急切。而在金融市场化水平较高的区域，对于高污染企业绿色指标相关要求更为严格；在融资约束方面，绿色信贷政策影响融资约束，因此融资约束越强，绿色转型成效更为显著。

2.相关建议

基于本文研究结论，将提出以下建议：

第一，明确绿色信贷门槛，加强绿色信贷政策的约束机制。实施绿色信贷政策的目的在于拓宽高污染企业融资渠道，为高污染企业加强节能减排、推动绿色技术创新提供资金支持。在高污染企业获得相应绿色贷款后，政府需要加强监管，银行可查验高污染企业相关绿色支出，保证高污染企业在获得相关贷款资金后达到相应的绿色发展指标，达到绿色信贷政策的融资约束效应，推动高污染企业绿色转型，提高其社会责任，促进环境保护。

第二，各地需因地制宜实施绿色信贷政策。不同省份的经济发展水平、环境规制强度以及当地高污染企业个体存在差异，并且本文的异质性分析得出金融市场化水平较高的区域中，绿色转型成效更易受到绿色信贷政策实施的影响。因此，各省级行政单位政府需要根据当地情况，针对实施绿色信贷政策对高污染企业绿色转型影响采用不同的约束以及激励措施，以此来推动高污染企业绿色技术创新，促进绿色转型，提高高污染企业的绿色效率和环保意识，最终达到环境保护的目的。

参考文献：

[1]吴磊,贾晓燕,吴超等.异质型环境规制对中国绿色全要素生产率的影响[J].中国人口·资源与环境,2020,30(10):82-92.

[2]张德钢,么雪静.中国十大城市群环境规制强度差异及收敛性研究[J].重庆师范大学学报(社会科学版),2022,42(1):31-45.

[3]张晓敏,傅泽强.环境规制强度测度及其区域差异分析[C]//中国环境科学学会（Chinese Society for Environmental Sciences）.中国环境科学学会2021年科学技术年会论文集（三）

[4]惠献波.绿色信贷政策、金融资源配置与企业绿色全要素生产率——基于我国重污染企业的证据[J].西南金融,2022(10):65-77.

[5]余畅,马路遥,曾贤刚.绿色信贷在环境规制中的作用研究[J].干旱区资源与环境,2023,37(1):30-35.

[6]马晨,李彬.绿色信贷政策下重污染企业的战略回应——基于“战略背离”视角的实证研究[J].金融论坛,2023,28(8):3-13.

[7]毛江巍,王飞航,杜赫轩.不同环境规制下制造业绿色全要素生产率的演化规律研究[J].甘肃科技,2023,39(11):53-60.

[8]郭红,尹菁.绿色信贷政策实施对重污染企业投资效率影响研究：促进还是抑制？[J].现代财经(天津财经大学学报),2023,43(5):85-99.

[9]章尹赛楠,李青原,李昱.不破不立：绿色信贷政策下重污染企业的应对[J].经济评论,2023(5):34-52.

[10]杨琴,杨世峰.绿色信贷政策提升重污染企业绿色全要素生产率了吗?——基于双重差分模型的实证研究[J].中国证券期货,2023(4):59-72.

[11]潘海英,董越.绿色信贷与高污染企业资本结构调整——基于社会责任视角的分析[J].产业经济评论,2023(5):93-108.

[12]刘澜飚,任可歆.绿色信贷政策对企业绿色创新质量的影响研究[J].南开学报(哲学社会科学版),2023(6):131-145.

[13]张泽义,韩东朕.环境规制实现了制造业绿色转型吗？——基于绿色全要素生产率的经验证据[J].统计理论与实践,2023(12):3-9.

[14]方圆.异质性环境规制对制造业绿色转型的影响研究——基于空间杜宾模型[J].中小企业管理与科技,2023(23):34-36.

[15]喻旭兰,周颖.绿色信贷政策与高污染企业绿色转型:基于减排和发展的视角[J].数量经济技术经济研究,2023,40(7):179-200.

[16]方圆.异质性环境规制对制造业绿色转型的影响研究——基于空间杜宾模型[J].中小企业管理与科技,2023(23):34-36.

[17]周梦霞.A股上市企业社会责任的同伴效应[J].江汉学术,2023,42(5):118-128.

[18]陈静,周裕欣,李国兰.企业绿色转型研究述评[J].成都大学学报(社会科学版),2024(1):79-94.

[19]康莹,严成樑.环境规制与绿色转型:基于绿色财税视角的分析[J].中央财经大学学报,2024(1):29-46.

[20]王雪清.绿色信贷、环境规制与绿色技术创新[D].天津:天津财经大学,2022.

[21]马晨,李彬.绿色信贷政策下重污染企业的战略回应——基于“战略背离”视角的实证研究[J].金融论坛,2023,28(8):3-13.

[22]李健.绿色信贷政策对重污染企业全要素生产率的影响研究[D].大连:广东财经大学,2023.

[23]王婷.中国绿色信贷政策对企业绿色转型的影响研究[D].济南:济南大学,2023.

[24]谈畅.绿色信贷政策对企业绿色转型的影响研究[D].合肥:安徽农业大学,2023.

[25]李全慧.绿色信贷政策对重污染企业绿色转型的影响研究[D].蚌埠:安徽财经大学,2024.

[26]刘苏瑶.绿色信贷政策、环境规制与重污染企业债务融资[D].西安：西安石油大学,2024.

[27]Rui L ,Yiwen C .The influence of a green credit policy on the transformation and upgrading of heavily polluting enterprises: A diversification perspective[J].Economic Analysis and Policy,2022,(prepublish):

[28]Chao T ,Xiuqing L ,Liming X , et al.Exploring the impact of green credit policy on green transformation of heavy polluting industries[J].Journal of Cleaner Production,2022,335

[29]Qin Z ,Li X ,Keying W , et al.What effect did the Green Credit Policy have on China’s energy or emission intensive firms?[J].International Journal of Emerging Markets,2023,18(9):2363-2382.

[30]Chengchao L ,Jingfei F ,Chien-Chiang L .Can green credit policies improve corporate green production efficiency?[J].Journal of Cleaner Production,2023,397

[31]Yufeng W .Can the green credit policy reduce carbon emission intensity of “high-polluting and high-energy-consuming” enterprises? Insight from a quasi-natural experiment in China[J].Global Finance Journal,2023,58

[32]Chong W ,Lei W .Green credit and industrial green total factor productivity: The impact mechanism and threshold effect tests[J].Journal of Environmental Management,2023,331117266-117266.

[33]Liao X ,Wang J ,Wang T , et al.Green Credit Guideline Influencing Enterprises’ Green Transformation in China[J].Sustainability,2023,15(15).