一、引言及文献综述经济高质量发展是中国式现代化的内在要求，其关键在于全要素生产率的稳定提升1。党的二十大报告指出，要“加快建设现代化经济体系，着力提高全要素生产率”。纵观改革开放以来中国经济的发展历程，单纯依靠劳动要素、资本要素驱动的经济增长模式已逐渐转变为全要素生产率驱动的高质量发展模式。加快转变以高耗能、高污染、破坏生态环境为代价的粗放型发展方式迫在眉睫，绿色发展成为当前和今后一个时期经济高质量发展的应有之义。为此，中国陆续实施了一系列绿色发展战略和相关政策，其中绿色金融作为具有环境和产业双重属性的重要工具，对中国实现“双碳”目标、促进经济结构转型、优化要素配置等方面产生了重要作用2，尤其在微观层面不可避免地对企业发展产生影响。一方面，绿色金融可以通过功能性政策来缓解企业融资约束，通过重构要素组合、促进技术创新来提高企业的全要素生产率。另一方面，绿色金融也可能会增加企业融资负担，造成的资金约束会降低企业全要素生产率。那么，绿色金融对企业全要素生产率的影响效果和作用机制到底如何？回答上述问题对于优化绿色金融政策设计、促进企业绿色发展和实现“双碳”目标具有重要现实意义。绿色金融的概念起源于金融部门对企业环境污染行为的干预，且实质内涵随着经济社会的变迁而不断演进3。绿色金融是一种将环境保护和经济效益相结合的金融模式，旨在为绿色投融资项目运营和风险管理提供资金支持4，内容涉及信贷、证券、保险、产业基金等金融行业5。绿色金融产品和政策使金融行业具有可持续发展的功能属性6，同时也为绿色产业发展提供资金支持7，进而推动经济高质量发展。为此，国家设立绿色金融改革创新试验区的主要目的就在于调节金融资源在行业和企业间的差异化配置，进一步提高全国金融机构在绿色经济领域的参与度。关于探究绿色金融与企业全要素生产率二者关系的文献，主要集中在环境政策和绿色金融两个方面。首先，环境政策具有显著的经济效应8，并且会不可避免地影响企业生产过程中的资源配置与技术创新，进而影响企业全要素生产率9。然而，不同学者研究得到的结论有所不同。有学者认为，加强环境规制能够提高企业的全要素生产率水平10，其中任胜刚等研究发现实施排污权交易制度显著地提升了企业全要素生产率11。也有部分学者发现环境政策会间接抑制企业的全要素生产率12，得出了环境政策对企业全要素生产率的影响有限的结论13。还有学者则发现环境政策对企业全要素生产率的影响在效率不同的企业中存在异质性14。绿色金融对企业全要素生产率的影响研究方面，Liu和Qiao认为绿色金融对技术创新、全要素生产率产生正向影响15，但是Wen等则认为绿色金融会间接抑制政策管制下重污染、高耗能企业的全要素生产率16，陆菁进一步研究发现绿色信贷未能产生“波特效应”17，因而对企业技术创新存在负向影响。总的来看，现有文献对环境规制、绿色金融和企业全要素生产率之间的关系做了大量研究，得到了一些有价值的结论。然而，关于绿色金融对企业全要素生产率的影响是正向促进作用还是负向抑制作用，尚未得出统一的结论，同时也缺乏深度揭示二者内在作用机制的研究成果。本文基于2017年开始实施的绿色金融改革创新试验区政策试点构建了一项准自然实验情景，利用多期DID模型实证分析绿色金融对企业全要素生产率的影响效果及作用机制。可能的边际贡献主要体现在以下三个方面：一是将绿色金融改革创新试验区政策视为一项准自然实验，实证检验绿色金融对企业全要素生产率的影响，进一步丰富了绿色金融相关理论研究；二是从技术创新、缓解融资约束双重视角进一步探究绿色金融影响企业全要素生产率的中间渠道；三是研究发现绿色金融政策在不同属性、不同行业的企业中存在显著的异质性。二、理论机制与研究假设绿色金融兼具生态和经济双重属性，兼顾生态环境保护和经济高质量发展双重目标，不论是绿色金融产业发展，还是绿色金融政策实践，都会对生态环境和经济运行产生重要影响。在研究绿色金融生态效应的同时，必须进一步考察绿色金融的经济效应，特别是从微观企业层面研究绿色金融的经济效应对于金融政策制定和实践具有重要意义。绿色金融对企业全要素生产率的影响包含促进作用和抑制作用两种可能。绿色金融主要是通过改变企业在资金领域所面临的内外部约束，从资金供给层面影响企业生产、管理、创新等方面的行为决策，最终影响企业全要素生产率水平18。就可能的促进作用而言，绿色金融总体上增加了金融资本供给，使企业获取资金的成本更低，从而在生产中投入更多的资本品，即使在其他要素投入不变的情况下，也能使企业全要素生产率得以提升。绿色金融也能促使企业减少资源消耗和污染，进一步提高能源利用效率。尤其是通过倒逼“两高一剩”（指高污染、高能耗的资源性行业和产能过剩行业）类企业进行技术创新和设备升级，从而不断提高企业全要素生产率。同时，绿色金融还能激励和引导企业绿色转型，通过生产绿色高品质产品来满足日益升级的消费需求，这种从需求端产生的拉力也能够提高企业全要素生产率。当然，就可能的抑制作用而言，绿色金融会导致短期内无法进行绿色转型的企业陷入融资困境，其中污染类企业更加难以获得绿色金融的直接支持，导致融资渠道相较于非污染类企业更窄19，金融资本供给减少无疑会对企业全要素生产率产生不利影响。与此同时，绿色金融强化了环境监管力度，绿色金融支持的企业会受到更加严格的环境规制。绿色金融主管部门要求金融机构将企业环境保护、遵守法规方面的表现作为该企业是否具有绿色投融资资质的重要标准，并且要求金融机构加强对企业环境表现的监管。绿色金融政策严格限制了“两高一剩”企业的融资规模和生产规模。为了适应绿色金融政策的约束，这些企业只能被迫将更多的生产要素投入到减排活动中，而这种适应性决策必然会冲击原有的生产模式，企业的可变生产成本上升，市场竞争力被削弱，全要素生产率随之下降20。当然，“两高一剩”企业通过对绿色金融政策的适应性调整，经过一定时间的技术升级、设备更新和管理模式改进后，企业绿色融资能力会逐渐提升，企业绿色转型引致的固定成本相对稳定，使得可变生产成本逐渐下降，绿色产品供给也将逐渐增加，新的要素组合使企业全要素生产率逐步提升。因此，总体上绿色金融对企业全要素生产率还是存在促进作用。基于上述分析，本文提出假设：H1：绿色金融能够提升企业全要素生产率。绿色金融作为结构性金融工具，旨在引导各类企业逐步实现绿色转型，从而减少生态环境污染和碳排放。究其本质而言，绿色金融通过金融资源的渠道选择和定向调配，一方面引导“两高一剩”类企业重视并解决自身造成的环境污染问题21，另一方面通过对绿色企业的倾向性支持来激励企业由传统发展模式向绿色发展模式转型，在此过程中推进生产工艺、生产设备升级和技术创新。受绿色金融支持的企业愿意加大研发投入以实现技术创新，由此引致的价值增值可以补偿环境遵循成本，从而激励企业通过技术创新来提升企业全要素生产率22。特别是，一些非绿色企业为了获得绿色金融支持，也会积极加大技术创新投入，从而加快实现绿色转型和提升企业全要素生产率。基于上述分析，本文进一步提出假设：H2：绿色金融通过促进技术创新来提高企业全生产率。提高企业全要素生产率的关键取决于企业生产所需的各项要素投入是否充足，特别是资本要素的投入很大程度上决定了企业投入产出的真实水平，而现代企业获取资本要素的重要方式之一就是金融融资。当企业面临较强的融资约束，尤其是金融供给不足、金融产品单一、融资渠道过窄时，获取资本要素的成本将陡然上升，致使资本要素投入不足。绿色金融作为补充传统金融的新金融资源，能够在总体上增加金融资源供给，缓解企业面临的融资约束，从而为企业创造更多的资本要素供给，使企业能够投入更多的资本要素来提高全要素生产率。事实上，从绿色金融参与微观经济的运行机制看，企业融资方式一般包括商业信用、银行贷款和政府补贴等23，绿色金融能够提供更多的结构性金融产品，并通过商业信用、银行贷款、金融债券等多元途径拓宽企业的融资渠道，企业可以利用额外增加的绿色融资进行工艺改进、设备更新和人才引进，特别是可以进一步增加绿色技术和产品研发投入。即使是非绿色企业也能够通过改进自身发展模式来获取绿色金融支持，使其在争取更多融资的同时，还能在诱致性创新和结构转型过程中提高企业全要素生产率，从而实现企业转型升级和高质量发展。基于上述分析，本文提出第三个研究假设：H3：绿色金融通过缓解融资约束来提高企业全要素生产率水平。三、实证设计（一）模型设定本文将绿色金融改革创新试验区政策试点视为一项准自然实验，选择双重差分模型来分析绿色金融对企业全要素生产率的影响。该模型将研究样本分为处理组和控制组，能够在一定程度上解决内生性问题，从而准确地识别政策产生的经济效应。基准回归模型如下：TFPit=β0+β1treati×postt+Xit'θ+vi+ut+εit （1）其中，TFPit表示企业i在t年的企业全要素生产率。treati表示政策分组虚拟变量，如果企业注册地址位于绿色金融改革创新试验区内，该变量取值为1，反之为0。posti表示时间虚拟变量，当样本观测值位于2017年及以后，该变量取值为1，反之为0。Xit'表示企业层面的一系列控制变量。vi表示个体固定效应，ut表示时间固定效应，εit表示随机误差项。通过观察（1）式中系数β1的大小及其显著性，可以衡量绿色金融改革创新试验区政策对企业全要素生产率的影响程度。（二）样本选取和数据来源文中采用的是2010—2021年中国沪深A股上市公司数据，数据均来源于Wind数据库和CSMAR数据库。为确保实证结果的可靠性，数据中剔除了金融类公司样本、资产小于负债的公司样本、股票受到中国证监会特别处理的公司样本以及主要变量严重缺失的样本。为避免极端值影响回归结果，进一步对连续型变量做了双侧1%的缩尾处理，最终得到29397家公司—年度观测值。（三）变量定义1.被解释变量将企业全要素生产率作为被解释变量。现有文献大多使用半参数估计方法测算企业全要素生产率，半参数估计方法一般分为OP法、LP法和ACF法，OP法对于企业当期投资和生产率冲击的单调性假设过于严苛，而且可能会引致样本缺失问题。Levinsohn和Petrin提出的LP法则对OP法进行了改进24，将中间品投入指标作为代理变量，避免数据截断。但是，Ackerberg等发现LP法在估计全要素生产率时还存在内生性问题，进而在LP法基础上又提出了改进的ACF法。考虑到半参数方法能够较好地解决传统计量方法中的内生性和样本选择问题25，故本文选择使用LP 和ACF的半参数方法来估计企业全要素生产率。2.核心解释变量将时间虚拟变量postt和政策虚拟变量treati的交互项treati×postt 作为核心解释变量，表示企业在某年份是否显著受到政策影响。treati×postt本质上也是虚拟变量，当企业处于处理组且样本所在的年份大于或等于2017年时，则取值为1，反之取值为0。由于在（1）式中同时控制了企业固定效应和时间固定效应，因此在基准模型中不再加入时间虚拟变量和政策虚拟变量。3.控制变量参考王红建与金环等的做法26，选取企业资产负债率（Lev）、资产收益率（Roa）、企业成长性（Growth）、董事会独立性（Inde）、企业投资回报率（TobinQ）、企业年龄（Age）、管理层持股比例（Mshare）、现金流量（Cashflow）作为基准回归的控制变量。变量的具体定义见表1。10.20004/j.cnki.ujn.2024.02.008.T001表1变量定义变量名变量描述TFP_ACF半参数ACF法估计TFP_LP半参数LP法估计treat×post政策分组虚拟变量和时间虚拟变量的交互项Lev资产负债率，年末总负债与总资产的比值Roa资产收益率，企业年末净利润与年末总资产的比值Growth企业成长性，营业总收入增长率Inde董事会独立性，独立董事人数在董事会的占比TobinQ企业投资回报率，用托宾Q值表示Age企业年龄，当年年份成立年份+1，再取对数Mshare管理层持股比例，管理层持股数除以总股本Cashflow现金流量，经营活动产生的现金流量净值与年末总资产之比4.描述性统计如表2所示，采用ACF法得到的全要素生产率最大值和最小值分别为12.534、3.899，均值为8.154，标准差为1.004；采用LP法得到的全要素生产率最大值和最小值分别为13.534、5.236，均值为8.933，标准差为1.113。10.20004/j.cnki.ujn.2024.02.008.T002表2变量的描述性统计变量观测值均值标准差最小值最大值TFP_ACF293978.1541.0043.89912.534TFP_LP293978.9331.1135.23613.534treat×post293970.1770.38201Lev293970.4290.2060.0310.925Roa293960.0380.067-0.3980.255Growth293910.1750.430-0.6604.330Inde293970.3770.0540.2860.600TobinQ288512.0811.4630.80217.729Age293972.9040.3331.3863.611Mshare286210.1330.19400.708Cashflow293970.0460.069-0.2000.257四、实证结果（一）基准回归结果表3显示的是绿色金融对企业全要素生产率影响的基准回归结果。被解释变量分别为采用ACF法和LP法测算的全要素生产率，每一列均控制了企业个体固定效应和年度固定效应，同时使用城市聚类稳健标准误。其中，（1）和（2）列的基准回归中没有添加控制变量，而（3）和（4）列的基准回归中添加了控制变量，（1）—（4）列的交互项 treati×postt 的系数均显著为正，说明绿色金融能够显著提升企业全要素生产率，即使控制了企业层面的特征变量结果依然显著。基准回归结果验证了假说1成立。10.20004/j.cnki.ujn.2024.02.008.T003表3基准回归结果变量（1）ACF（2）LP（3）ACF（4）LPtreati×postt0.0562*（0.0299）0.0599**（0.0256）0.0533**（0.0252）0.0544**（0.0214）Lev0.8833***（0.0501）1.0452***（0.0540）Roa1.6390***（0.1020）1.8893***（0.1071）Growth0.2197***（0.0073）0.2436***（0.0070）Inde-0.0716（0.1181）-0.1413（0.1264）TobinQ-0.0419***（0.0051）-0.0513***（0.0057）Age0.3847***（0.0772）0.3628***（0.0759）Mshare-0.1604**（0.0715）-0.1437**（0.0701）Cashflow0.5266***（0.0611）0.4437***（0.0526）个体固定效应YESYESYESYES时间固定效应YESYESYESYESR20.84590.85720.87650.8882N28963289632763327633注：***、**、*分别代表1%、5%、10%的显著性水平；括号内为城市聚类稳健标准误值。以下各表同。实际上，本文的研究结果与谢东江和胡士华等的研究结果基本一致27，区别在于本文采用双重差分法更加科学地识别了绿色金融对企业全要素生产率的促进作用。通过前文理论分析可知，绿色金融能够拓宽企业的融资渠道，通过激励绿色企业发展和倒逼非绿色企业转型，以新的要素组合赋能生产效率提升。作为一种新的金融业态，它只会从总体上增加而不是减少金融产品的供给量，尽管在短期内绿色金融对高污染高耗能企业会产生一定限制，但从长期来看，通过政策约束和反向激励会使高污染高耗能企业实现绿色转型，从整体上促进了企业的高质量发展。此外，其他控制变量的回归系数基本符合理论预期。其中，Roa和Cashflow的回归系数在1%的水平下显著为正，表明企业盈利能力和现金储备数额与全要素生产率呈正向相关关系。Growth的系数显著为正，说明企业的发展潜力越大，全要素生产率越高。通常来说，企业的成长性越高，其内部管理效率越高，持续生产经营的能力越强。Age的系数在1%的水平下显著为正，说明企业成立越早，全要素生产率越高。从客观上看，企业在市场上存活时间越长，其应对外部环境变化的能力也越强。（二）平行趋势检验平行趋势假设是双重差分模型正确评估政策效应的前提，该假设要求处理组和控制组的企业全要素生产率在没有政策干扰时变动趋势保持一致。为了确保基准回归结果的可靠性，参考周玉龙等做法28，采取事件研究法考察政策实施前后企业全要素生产率的动态变化情况，进一步对处理组和控制组的因变量进行平行趋势检验。模型设定如下：TFPit=β0+βktreati×after0+k+Xit'θ+vi+ut+εit （2）其中，after0+k是年份虚拟变量，k是各年份与2017的差值。（2）式可以精确评估绿色金融创新政策的动态效应，需要重点关注的是交互项系数βk的大小和显著性，这个系数可以反映出政策实施前和政策实施后对企业全要素生产率的影响（结果如表4所示）。其中，（1）列的因变量是用ACF法测算的全要素生产率，（2）列的因变量是用LP法测算的全要素生产率。结果显示，当k小于0时，（1）和（2）列交互项的系数均不显著，这表明政策实施前处理组和控制组的全要素生产率没有明显差异。当k大于0时，（1）和（2）列交互项的系数分别在10%和1%的水平下显著，说明政策实施后相较于控制组，处理组的全要素生产率明显更高，绿色金融对企业全要素生产率的正向影响具有持续性。同时，根据回归结果绘制的年度动态效应检验图可以得到相同的结论（结果如图1和图2所示）。10.20004/j.cnki.ujn.2024.02.008.T004表4平行趋势假设检验结果变量（1）ACF（2）LPpre_3-0.0319（0.0210）-0.0350（0.0220）pre_20.0078（0.0208）0.0010（0.0225）pre_10.0099（0.0208）0.0181（0.0216）current0.0231（0.0180）0.0283（0.0192）post_10.0314*（0.0173）0.0571***（0.0183）post_20.0306*（0.0160）0.0490***（0.0174）post_30.0317**（0.0140）0.0332**（0.0153）控制变量YESYES个体固定效应YESYES时间固定效应YESYESR20.86380.8771N284092763410.20004/j.cnki.ujn.2024.02.008.F001图1年度动态效应检验（ACF）10.20004/j.cnki.ujn.2024.02.008.F002图2年度动态效应检验（LP）（三）稳健性检验1.子样本回归直辖市作为中国特殊的行政区划，相较于一般的地级市拥有较大的建成区和较多的居住人口，在全国政治、经济、科学、文化、交通等方面占据重要地位，将这些城市放进样本数据中可能会干扰实证结论。为了确保回归结果的稳健性，参考申明浩等的做法29，将样本中四个直辖市的观测值剔除，回归结果见表5的（1）列和（2）列，其中（1）列和（2）列是分别用ACF法和LP法测算的企业全要素生产率。回归结果显示，核心解释变量treati×postt的回归系数分别在10%和5%的水平下显著为正，说明基准回归结果具有一定的稳健性。10.20004/j.cnki.ujn.2024.02.008.T005表5稳健性检验1变量（1）ACF（2）LP（3）ACF（4）LP（5）ACF（6）LPtreati×postt0.0103*（0.0055）0.0138**（0.0067）0.0552**（0.0250）0.0560***（0.0208）0.0533***（0.0178）0.0544**（0.0229）控制变量YESYESYESYESYESYES个体固定效应YESYESYESYESYESYES时间固定效应YESYESYESYESYESYESR20.89550.90290.87660.88840.87650.8882N1749217492274782747827633276332.增加控制变量基准回归中引入的控制变量是刻画企业生产经营状况的企业层面的变量，缺少行业层面的控制变量。因此，进一步引入行业市场竞争强度HHI作为行业控制变量，用赫芬达尔—赫希曼指数衡量，具体计算公式为：HHI=∑Ri/R2，Ri是行业中企业i的年度营业收入，R是行业内所有上市企业的年度营业收入总和，该变量数值越大，表示行业市场竞争强度越小。由表5中的（3）和（4）列的回归结果可知，核心解释变量treati×postt的回归系数分别在5%和1%的水平下显著为正，与基准回归结果保持一致。3.改变聚类层级将基准回归的城市聚类调整到省级层面再进行回归分析，具体结果见表5中的（5）和（6）列。结果显示，核心解释变量treati×postt的回归系数分别在1%和5%的水平下显著为正，系数大小也和基准回归保持一致，说明即使改变聚类稳健标准误，政策产生正向作用效果的结论依然成立。4.安慰剂检验安慰剂检验的核心思路是构造虚拟的处理组或者重新设置政策发生时间再进行估计。为确认企业全要素生产率产生的明显差异是由绿色金融引起的，下面将使用两种安慰剂检验方法进一步考察政策效应。第一，参考王锋和葛星的研究30，通过500次随机抽样生成交互项treati×postt，然后再进行基准回归31。大部分随机抽样结果的t值都位于零值附近，仅有少数估计结果的t值大于基准回归的t值。根据安慰剂检验结果，基本可以排除同期其他政策的干扰，企业全要素生产率的显著差异确实是由2017年出台的绿色金融改革创新试验区政策导致的。第二，通过改变政策发生的时间来观察企业全要素生产率是否存在显著差异。为此，将政策时点设置在2015年再进行回归，如果交互项treati×postt的回归系数不显著，说明基准回归选择2017年作为政策时点是合适的。由表6中的（1）和（2）列可知，两列的交互项回归系数均没有通过10%水平下的显著性检验，说明基准回归结果是稳健的。10.20004/j.cnki.ujn.2024.02.008.T006表6稳健性检验2变量（1）ACF（2）LPtreati×postt0.0336（0.0231）0.0350（0.0327）控制变量YESYES个体固定效应YESYES时间固定效应YESYESR20.90690.9239N27633276335.PSM－DID检验为了排除样本选择偏差对基准回归结果的可能性影响，采用基于紧邻匹配和logit回归的倾向得分匹配法（PSM）进行样本筛选，并使用PSM筛选出的样本再进行回归分析。在实验组和对照组进行匹配时，影响企业全要素生产率的核心特征指标需要作为协变量纳入匹配过程，这样可以提高样本匹配的准确性。考虑到对照组和实验组样本企业共性特征对比的需要，本文选择企业资产负债率（Lev）、资产收益率（Roa）、企业成长性（Growth）、董事会独立性（Inde）、企业投资回报率（TobinQ）、企业年龄（Age）、管理层持股比例（Mshare）、现金流量（Cashflow）作为倾向得分匹配的协变量。经过筛选后样本分组的偏差可以降低到合理范围内，实验组和对照组城市样本匹配情况较好。表7的结果显示，PSM—DID的估计系数在1%的水平下显著，这表明基准回归结果是稳健的。10.20004/j.cnki.ujn.2024.02.008.T007表7稳健性检验3变量（1）（2）ACFLPtreati×postt0.0528***0.0543**（0.0184）（0.0234）控制变量YESYES个体固定效应YESYES时间固定效应YESYESR20.89350.9032N2748627486（四）异质性分析1.外部融资需求在理论上，绿色金融扩大了金融资源的分配差异，加大了金融监管与审核力度。因此，企业对外部融资依赖程度越高，受到的政策影响越大。本文将企业商业信贷需求表征的企业外部融资需求作为第三重差分变量，在（1）式的基础上构建三重差分模型来识别外部融资需求高与低的企业受到的政策影响差异。三重差分模型如下：TFPit=β0+β1treati×postt×crediti+β2treati×postt+Xit'θ+vi+ut+εit （3）其中，crediti表示企业商业信贷需求的虚拟变量，当企业商业信贷需求大则取值为1，反之取值为0。本文具体采用企业应收账款净值和总资产的比值来衡量企业商业信贷需求，该指标数值越大，表明企业的外部融资需求越小。相应地，受到政策的冲击也就越小。需要重点关注的是三重差分项treati×postt×crediti 的回归系数，检验结果如表8中的（1）和（2）列所示。无论是用ACF法还是LP法测算的企业全要素生产率，回归结果均显示三重差分项的系数β1均在1%的水平下显著为负，这表明企业外部融资需求越低，绿色金融政策对全要素生产率的促进作用越弱。究其原因，相较于外部融资需求高的企业，外部融资需求低的企业资金相对充裕，响应绿色金融政策的积极性较低，最终导致企业全要素生产率相较于外部融资需求高的企业受到更小的政策冲击。10.20004/j.cnki.ujn.2024.02.008.T008表8外部融资需求、产权属性和企业规模异质性检验变量（1）ACF（2）LP（3）ACF（4）LP（5）ACF（6）LPtreati×postt×crediti-0.1298***（0.0250）-0.1555***（0.0271）treati×postt×soei-0.1076***（0.0284）-0.1128***（0.0299）treati×postt×sizei-0.0156*（0.0086）-0.0302***（0.0095）treati×postt0.1245***（0.0288）0.1396***（0.0274）0.0825***（0.0283）0.0850***（0.0236）0.3816**（0.1925）0.7070***（0.2136）sizei0.4920***（0.0142）0.5940***（0.0140）控制变量YESYESYESYESYESYES个体固定效应YESYESYESYESYESYES时间固定效应YESYESYESYESYESYESR20.87690.88870.87670.88840.90690.9240N2763327633276332763327633276332.产权属性国有企业在长期信贷、股票、债券等资本市场上拥有较大的融资优势，民营企业可能在融资竞争过程中处于相对弱势，相对较高的融资约束在一定程度上抑制了民营企业的全要素生产率。绿色金融政策的核心要义就是引导金融资源重新配置，进一步提升金融资源的配置效率，这一政策可能会改善民营企业相对弱势的现状。为此，利用三重差分模型来考察企业产权属性的异质性影响。基于（3）式，引入企业产权性质soei作为三重差分变量，当企业产权性质是国有企业时，该变量取值为1，反之取值为0。三重差分项转变成 treati×postt×soei，需要重点关注的是其系数的大小和显著性。回归结果如表8中的（3）列和（4）列所示。三重差分项treati×postt×soei的系数均在1%的水平下显著为负，这说明与国有企业相比，绿色金融对民营企业全要素生产率的提升作用更大。究其原因，可能是绿色金融推动形成的新金融体系更加灵活有效，能够较好适配民营企业的融资需求，进而实现技术创新、设备更新和生产方式改进。3.企业规模一般来说，大型企业已具备行业积累、人才优势和品牌效应，经过时间沉淀后形成了相关积累，在金融市场融资方面往往具有信誉度和信用评级、资产和财务结构、担保和保证、谈判筹码等方面的优势，但是中小型企业却经常在金融市场遭遇“规模歧视”，“融资难、融资贵、融资慢”的特征比较明显。在绿色金融政策的支持下，大部分中小型企业可以通过绿色供应链金融、绿色信贷、绿色债券和绿色股票等方式缓解融资困境，进而通过更新生产设备、改进工艺流程和改善管理模式来有效提升全要素生产率。为此，在基准回归的基础上引入企业规模变量size来构建交互项 treati×postt×sizei，具体模型设计如（4）式所示：TFPit=β0+β1treati×postt×sizei+β2treati×postt+β3sizei+Xit'θ+vi+ut+εit （4）需要重点关注的企业规模size和虚拟变量treati×postt的交互项treati×postt×sizei的系数及显著性，实证结果由表8的（5）列和（6）列所示。从回归结果看，企业规模变量size的系数均显著为正，这表明企业规模越大，全要素生产率越高，体现出企业的规模效应；交互项treati×postt×sizei的系数显著为负，表明相较于大型企业，绿色金融政策对中小型企业的全要素生产率提升效果更好，绿色金融实质性增强了中小型企业的融资能力，进一步提升了企业生产经营各个环节的效率。4.行业属性参考中国原银监会在2014年发布的《绿色信贷实施情况关键评价指标》，将样本企业分为“两高一剩”与非“两高一剩”两种类型，进一步考察绿色金融政策对企业全要素生产率的影响在不同行业的异质性。由表9中的（1）和（2）列“两高一剩”企业的分组回归结果可知，当因变量为ACF法测算的全要素生产率时，交互项treati×postt的系数为-0.0333，虽然没有通过10%水平下的显著性检验，但是系数方向与预期的结果一致；当因变量为LP法测算的全要素生产率时，交互项treati×postt的系数为-0.0795，并且通过了10%水平下的显著性检验。作为对比，通过对非“两高一剩”企业进行再回归，由表9中的（3）和（4）列的回归结果可知，两列的交互项回归系数均在1%的水平下显著为正，说明绿色金融可以显著提升非重污染高耗能企业的全要素生产率。由于非“两高一剩”企业的数量远多于“两高一剩”企业，绿色金融对企业全要素生产率的平均影响依然显著为正。综合来看，绿色金融虽然能够显著提升企业总体的全要素生产率水平，但是对重污染高耗能企业存在负向抑制作用，对非重污染高耗能企业全要素生产率存在正向促进作用。10.20004/j.cnki.ujn.2024.02.008.T009表9行业异质性检验变量（1）ACF（2）LP（3）ACF（4）LPtreati×postt-0.0333（0.0447）-0.0795*（0.0440）0.0681***（0.0260）0.0778***（0.0217）控制变量YESYESYESYES个体固定效应YESYESYESYES时间固定效应YESYESYESYESR20.90820.91800.87180.8848N507050702242022420五、进一步分析：机制检验为进一步考察绿色金融影响企业全要素生产率的内在机理，构建以下中介效应模型来检验技术创新和缓解融资约束两个中介变量的内在影响机制：第一步，将企业全要素生产率作为被解释变量、绿色金融改革创新试点政策为解释变量进行回归分析；第二步，将技术创新、缓解融资约束两个中介变量分别作为被解释变量、绿色金融改革创新试点政策为解释变量进行回归分析；第三步，将企业全要素生产率作为被解释变量、绿色金融改革创新试点政策和中介变量同时为解释变量纳入模型之中，观察二者的回归系数和显著性。TFPit=β0+β1Mit+Xit'θ+vi+ut+εit （5）Mit=β0+β2treati×postt+Xit'θ+vi+ut+εit （6）TFPit=β0+β3treati×postt+β4Mit+Xit'θ+vi+ut+εit （7）其中Mi,t表示中介变量，其他变量与模型（1）中的相同。若β1不显著，则说明不存在中介效应；若β1、β2、β3和β4均显著，则说明存在部分中介效应；若β1、β2和β4均显著、β3不显著，则说明存在完全中介效应。（一）技术创新机制参考Tian 和Wang等相关文献做法32，利用创新产出（patent）来刻画企业的技术创新行为。创新产出（patent）用发明专利申请量加上1的自然对数来衡量，回归结果如表10所示。表10中的（1）、（2）和（3）列是被解释变量为ACF法测度的企业全要素生产率的回归结果，综合三列的回归系数和显著性可以看出，在1%的显著性水平下创新产出（patent）对企业全要素生产率存在显著的部分中介效应。表10中的（4）、（5）和（6）列是被解释变量为LP法测度的企业全要素生产率的回归结果，综合三列的回归系数和显著性可以得到相同的结论。究其原因，绿色金融通过政策规制的激励作用，引导企业增加研发投入，特别是“两高一剩”企业在寻求绿色融资过程中进行工艺改进、产品创新和管理模式改善，通过供给侧的系统性改进完成企业技术创新、绿色转型和全要素生产率提升。由此假设2得到验证。10.20004/j.cnki.ujn.2024.02.008.T010表10技术创新机制的回归结果变量（1）（2）（3）（4）（5）（6）ACFMACFLPMLPtreati×postt0.0511**0.0508*0.0511**0.0514**（0.0214）（0.0259）（0.0214）（0.0222）M0.0395***0.0393***0.0565***0.0563***（0.0046）（0.0046）（0.0050）（0.0050）控制变量YESYESYESYESYESYES个体固定效应YESYESYESYESYESYES时间固定效应YESYESYESYESYESYESR20.89420.77980.89430.90450.77980.9046N274902749027490274902749027490（二）缓解融资约束机制本文采用KZ指数衡量企业融资约束程度33，KZ指数越大，表示企业受到的融资约束压力越大。表11中（1）、（2）和（3）列中被解释变量为ACF法测度的企业全要素生产率，回归结果显示：在1%的显著性水平下企业KZ指数对全要素生产率显著存在部分中介效应。表11中（4）、（5）和（6）列中被解释变量为LP法测度的企业全要素生产率，回归结果可以得到相同的结论。究其原因，绿色金融能够从总体上增加金融产品供给，进一步拓宽企业融资渠道，这在一定程度上降低了金融市场的融资门槛，使企业通过多元化渠道缓解融资约束压力，进而通过增加研发投入、改进生产工艺、推动业务转型等方式全面提升全要素生产率。由此假设3得到验证。10.20004/j.cnki.ujn.2024.02.008.T011表11融资约束机制的回归结果变量（1）（2）（3）（4）（5）（6）ACFKZ指数ACFLPKZ指数LPtreati×postt-0.0271**0.0530**-0.0271**0.0529**（0.0136）（0.0251）（0.0136）（0.0213）KZ指数-0.0175***-0.0176***-0.0052***-0.0051***（0.0041）（0.0042）（0.0018）（0.0012）控制变量YESYESYESYESYESYES个体固定效应YESYESYESYESYESYES时间固定效应YESYESYESYESYESYESR20.89340.85280.89350.90290.85280.9030N273352733527335273352733527335六、结论与政策启示厘清绿色金融影响企业全要素生产率的内在机理与作用机制，可以为政府优化相关政策和推进“双碳”目标提供理论依据。为此，本文采用2010—2021年中国沪深A股上市公司数据，将绿色金融改革创新试验区政策试点视为一项准自然实验，通过构建多期DID和DDD模型来分析绿色金融对企业全要素生产率的影响。结果发现：一是绿色金融能够总体上显著提升企业全要素生产率，经过平行趋势检验、子样本回归、增加控制变量、改变聚类层级、安慰剂检验、PSM-DID检验后，研究结论仍然成立。二是绿色金融对企业全要素生产率的影响存在显著异质性。从外部融资需求看，企业对外融资需求越小，绿色金融对企业全要素生产率的促进作用越弱。从产权性质和规模大小看，绿色金融对民营企业与中小型企业全要素生产率的提升作用更强。从行业属性看，绿色金融对“两高一剩”企业的全要素生产率存在负向抑制作用，而对非“两高一剩”企业的全要素生产率存在正向促进作用。三是企业技术创新和缓解融资约束在绿色金融对全要素生产率的影响中发挥着重要的中间机制作用。基于上述研究结论，提出以下政策启示：第一，在全国范围内继续推广绿色金融改革创新试点经验。考虑设立绿色金融专项基金，用于支持符合绿色发展标准的企业，帮助企业在实施清洁生产技术、资源循环利用和节能减排等绿色生产方式的同时，优化生产要素配置和工艺改进，全面提升企业全要素生产率。第二，充分发挥绿色金融改革创新政策的扶持和激励作用。考虑成立区域性绿色金融联盟，通过企业之间的联合创新、联合担保、协同发展机制，促进绿色金融产品的创新和推广，针对中小型民营企业设立专门的绿色金融产品和融资渠道，进而提高区域内更多企业获得绿色金融支持，加快实现企业绿色转型。第三，加大绿色金融对绿色技术创新的支持力度。考虑设立专门的绿色技术研发基金，拓宽绿色技术研发融资渠道，以绿色金融支持创新型人才培育和引进，通过加大绿色金融产品创新、推动绿色企业上市，充分发挥绿色金融对创新要素的再配置作用。第四，建立绿色信贷政策激励机制。考虑通过优惠贷款利率、贷款担保或贷款期限延长等方式，进一步缓解企业融资约束，对于采用绿色技术和清洁生产方式的企业，应该给予更多的信贷额度支持，并允许灵活的还款方式，进而降低其融资成本，促进企业绿色转型和高质量发展。