利率市场化是否会影响商业银行绿信贷的投放——基于LPR改革的证据
利率市场化是否会
影响商业银行绿信贷的投放
——
—基于LPR 改革的证据王一鸣，李文学
（安徽大学经济学院，安徽
合肥
230000）
[摘要]基于LPR 改革以及2013年至2021年18家商业银行的非平衡面板数据，实证检验了利率市场化对商业银
行绿信贷投放的影响。结果表明：①LPR 改革对全体商业银行绿信贷有正向影响，因为LPR 改革引发的贷款利率下降拓宽了银行的盈利空间；②LPR 改革对不同规模商业银行绿信贷投放的影响有异质
性，国有大型银行受到的影响大于中小银行。这是因为不同规模商业银行的经营绩效、信息搜集和提供服务的能力、绿信贷的声誉效应和银行风险结构方面存在差异；③LPR 改革对不同规模商业银行绿信贷影响的差异具有滞后性。这是因为商业银行对LPR 改革具有反应期，商业银行信贷资源有限，银行需要在前期的贷款到期后才能投放新的贷款；同时，中国人民银行推进LPR 改革的谨慎性使得LPR 下降幅度较为缓慢。研究表明在利率市场化改革中应考虑其对绿金融的影响，同时在绿金融发展中应给予国有大型银行更多优惠政策。
[关键词]LPR ；商业银行；绿信贷；时间虚拟变量模型；DID 模型[中图分类号]F640
[文献标识码]
A
[文章编号]1009-6043（2023）04-0177-05
[作者简介]李文学(1988-)，湖北黄冈人，讲师，博士，研究方向：货币理论与政策、公司金融、绿金融。
一、引言
党的十八大以来，绿发展理念越来越被社会所重视。金融业作为助力实体经济发展的重要引擎，加大对绿发展的支持是金融服务实体经济的重要内容，但由于绿产业相较非绿产业具有生产周期长，较高的风险性以及收益不确定等劣势，
在融资上长期面临困境[13]
。
利率市场化对商业银行的信贷行为具有重要影响。自1993年中国提出《关于金融体制改革的决定》起，我国一直在推进利率市场化改革，给商业银行带来了机遇与挑战。从机遇方面来说，利率市场化促使商业银行拓展新的信贷领域[14]。从挑战方面来说，利率市场化会降低商业银行的净息差[1]、增加银行业竞争[2]等。尽管利率市场化对商业银行的经营产生了重要影响，但是具体到绿产业，利率市场化对商业银行绿信贷产生了何种影响？这种影响对不同规模商业银行是否具有异质性？这些问题尚未得到回答。
LPR 改革为识别利率市场化对绿信贷的影响提供了准自然试验的机会。2019年，为解决实体企业融资难，融资贵的问题，畅通政策利率在贷款利率中的传导，国家推出了新的LPR 报价机制。LPR 改革大幅推进了利率市场化改革进程。因此，本文基于LPR 改革这一政策冲击，识别利率市场化对绿信贷的影响。
本文基于LPR 改革识别利率市场化对银行绿信贷的影响，使用时间虚拟变量模型和DID 模型，发现以下结
论。首先，由于LPR 改革能够降低市场利率，LPR 改革对全体商业银行绿信贷投放有正向作用；其次，LPR 改革对不同规模商业银行绿信贷的影响具有异质性。由于国有大型银行风险分散水平、信息搜集能力、从声誉上获取收益的能力均强于中小银行，相比于中小银行国有银行的绿信贷受改革的影响更大。最后，
由于国家推行LPR 改革对于商业银行的绿信贷投放需要反应期和央行谨慎推进LPR 改革的原因，国有大行和中小银行受影响差异的出现具有滞后性。
本文将LPR 改革和绿信贷结合起来，研究了LPR 改革对绿信贷的影响，拓展了LPR 改革和绿信贷的相关研究。本文的研究可以给利率市场化改革和绿信贷优惠政策的制定提供参考。
二、文献综述
(一)利率市场化对商业银行经营的影响
商业银行作为我国金融体系中规模最大的金融机构，在利率市场化中面临众多机遇与挑战。关于利率市场化对商业银行产生的影响受到了国内外学者的关注，有学者认为利率市场化改革的实施会增加金融市
场的不稳定性，对商业银行起负面效应[2]；反方则认为利率市场化短时间内会对商业银行经营造成负面影响，但从长远来看会对商业银行经营起到促进作用[5]
。这些观点尚未形
成定论。
具体到LPR 改革，有观点认为，LPR 改革会对商业银
第2023年第4期（总第560期）
商业经济No.4，2023Total No.560
行经营产生负面影响，主要是从以下几个方面引起的：第一，从银行净息差的角度，LPR改革对银行净息差产生了显著的负面影响，这一影响程度随银行规模增加而逐渐变小[1]。；第二，从银行信贷风险的角度，LPR改革经由存贷比和资产收益率两个路径提高银行的信贷风险，相比国有大型银行，中小银行在LPR改革中受到的信贷风险更大[3]；第三，从银行偏好的角度，在LPR改革中，商业银行在面临短期经营成果的压力下，将被迫降低信贷投放的质量，相比于国有大型银行，中小银行面临更大的信贷质量下降风险[4]。
相反的观点认为，利率市场化对商业银行有正向作用，同样是风险角度，反方认为，商业银行的总体风险承担会随着LPR改革进程的深入而逐渐下降[24]；此外，反对者认为LPR改革导致的银行经营困境只是暂时的，随着中长期的利率市场化稳定发展，银行净利润和经营风险将会逐步改善[5]。
(二)绿信贷的重要作用
绿信贷的重要作用主要体现在对商业银行、对企业和对碳排放的影响方面。绿信贷对商业银行的作用从以下几点出发。第一，从银行声誉角度，商业银行增加绿信贷可以提高银行社会形象并带来积极的声誉效应[6]。第二，从风险角度，商业银行增加绿信贷有利于改善其资产结构，降低信贷风险，加速不良资产率下降[7]。第三，从银行成本收益角度，商业银行增加绿信贷可以通过成本效应机制减少其经营成本[8]。
绿信贷对企业发展具有促进效果。第一，商业银行绿信贷的投放有效地促进了企业的绿创新[9]。第二，对重污染企业来说，绿信贷显著提高了重污染行业的绿全要素生产率[10]。
商业银行绿信贷的投放对碳排放的抑制有促进作用。第一，绿信贷可以通过促进绿技术发展和产业结构优化抑制二氧化碳排放[11]。第二，从交易角度来说，绿信贷与碳排放权交易有利于促进低碳技术创新能力[12]。
(三)文献评述
综上所述，国内外学者对利率市场化以及绿信贷具有丰富的研究。但是，现有的文献没有将利率市场化以及商业银行绿信贷结合起来。因此，本文在既有研究的基础上，基于LPR改革带来的政策冲击，以商业银行经营绩效做中介，探究中国2019年LPR改革对不同规模商业银行绿信贷的影响。
三、理论分析与研究假设
(一)利率市场化改革对全体商业银行绿信贷投放的影响
本文认为，利率市场化改革从总体上增加了商业银行的绿信贷投放。利率市场化改革降低了商业银行的贷款利率，而贷款利率的下降提高了绿信贷规模。具体到中国的LPR改革，根据中国人民银行的数据显示，截止到2022年10月20日，1年期贷款市场报价(LPR)利率；5年期以上LPR利率在LPR改革实行后总体呈现下降趋势。贷款基础利率由高到低的变化也伴随着商业银行对绿信贷态度的变化。这一变化的作用机理如下：LPR改革之前，贷款利率相对较高。商业银行倾向于将信贷投向具有较高收益率的企业，因为这些企业具有较好的经营状况，能够负担较高的银行贷款，这些企业多为一般性生产企业及服务性企业和重工业企业。同时，绿企业产品生产周期长、风险较大、收益率低的特点，绿企业在LPR改革之前接受到的信贷投放较少。因此，对于商业银行来说，在不考虑信贷社会效益的情况下，银行更倾向于资产收益率高，风险较小的企业投放信贷，向绿企业投放贷款的动机较小。
LPR改革之后，贷款利率逐渐降低。贷款利率下降使银行信贷投放的范围扩大，资产收益率较低的企业
也被纳入银行信贷的范围内，同时由于国家的支持，商业银行可能更倾向于向绿企业等长期性盈利的企业发放信贷。综上所述，本文提出以下假设：
假设1：LPR改革对商业银行绿信贷投放具有正向促进作用。
(二)LPR改革对不同规模商业银行绿信贷影响的异质性
不同规模商业银行可能遵循不同的信贷政策，因此LPR改革对商业银行绿信贷的影响可能存在异质性。本文认为，这一异质性源自于不同规模商业银行发放绿信贷的经营绩效、信息搜集和提供服务的能力、绿信贷的声誉效应和银行风险结构的不同。
从经营绩效的角度看，绿信贷会降低商业银行的短期经营绩效，但是大型银行承受短期经营绩效降低的能力较强。由于绿信贷往往是长期贷款，商业银行增加绿信贷会造成短期利润下降。但是，由于大型银行业务众多以及风险分散的能力较强，这些银行面对绿信贷增加带来的短期经营绩效下降时具有较强的承受能力。
从信息搜集和提供服务的能力看，大型银行的信息搜集和提供服务的能力更强。这是因为，大型银行全国范围内网点众多、业务范围广以及资产规模大，在获取绿企业经营情况、资信情况和发展前景等信息方面相较中小银行占据绝对优势，能够更好地完成对绿企业的筛选。同时，国有大型银行相比中小银行资金来源更加稳定，金融服务能力更强，绿企业也更倾向于向国有大型银行申请贷款。
从商业银行投放绿信贷的声誉效应角度看，大型银行更加重视银行的声誉。现有研究表明，银行声誉与其能否度过金融危机存在正向关系[15]。商业银行开展绿信贷能够提高其绿声誉，但对其短期经营绩效无明显改善作用[16]。中小银行的短期经营压力往往较大，而大型银行相比较中小银行更重视经营的长期持续性。
从商业银行的风险结构效应角度看，该效应主要通过商业银行的不良贷款率来体现，对于国有大型银行，绿信贷对其不良贷款率具有反向作用；而对于中小银行，绿信贷规模和不良贷款率呈倒U型关系[17]。这说明从短期来看，中小银行若过分增加绿信贷投放，对其资产
商业经济第2023年第4期SHANGYE JINGJI No.4，2023
质量可能产生负面作用。综上所述，关于中国LPR改革对不同规模商业银行绿信贷投放，本文提出以下假设：假设2：短期来看，LPR改革对不同规模商业银行绿信贷投放具有异质性。
(三)利率市场化改革之后不同规模商业银行绿信贷差异出现具有滞后性
以中国的LPR改革为例，由于商业银行贷款政策调整具有滞后性以及中国人民银行LPR调整的谨慎性，不同规模商业银行绿信贷投放差异的出现可能出现滞后现象。
针对商业银行贷款政策调整的滞后性，由于货币政策外部时滞的存在，政府在宣布实行LPR改革到商业银行对此作出反应的过程中存在时间差，政策效果的显现可能迟于政策出台的时间，具体来说，在LPR改革推行后，商业银行仍存在一部分贷款未收回，同时商业银行可供贷出的货币资金是有限的，在这些贷款到期之前，银行即使有意增加绿信贷投放，限于资金不足的状况，其效果也不明显。
针对中国人民银行LPR调整的谨慎性，为实体经济服务的LPR主要为1年期，根据中国人民银行的资料显示，2019年12月20日的一年期LPR为1年期LPR为4.15%。可以发现，2019年LPR改革推行后，服务于绿企业等实体经济的一年期LPR降幅较小，因此2019年商业银行的绿信贷投放对LPR改革的冲击回应也较小。
经过短暂的滞后期之后，时间推移到2020年和2021年，央行数据显示2020年8月20日的1年期LPR为3.85%；2021年12月20日的1年期LPR为3.8%。可以发现，LPR改革实施两年后，1年期LPR降幅较大且呈现稳定趋势，同时商业银行在LPR改革之前投放的信贷基本得到了回收，此时LPR改革引发的不同规模商业银行绿信贷投放的差异开始显现。综上所述，关于中国LPR改革之后商业银行绿信贷的滞后效应，本文提出以下假设：假设3：LPR改革对不同规模商业银行绿信贷投放差异的出现具有滞后效应。
四、研究设计
(一)数据来源
本文数据主要来源于国泰安数据库和各商业银行年报。由于LPR改革分为两次，分别开始于2013年和2019年，同时由于各银行绿信贷投放季度数据获取难度较大，故本文使用2013年至2021年18家代表性较强商业银行的年度绿信贷数据，同时对缺失的数据采用线性插值方法补齐，对缺失较为严重的数据予以剔除。
(二)指标说明
1.因变量
商业银行绿信贷投放的衡量指标包括绿信贷绝对数量和绿信贷相对数量，为了更明显地展现绿信贷投放的数量变化，本文选取绿信贷相对数量进行衡量，具体计算方法为每年度末商业银行绿信贷总额与贷款总余额的比值，用GR来表示。
2.自变量
LPR改革时间为2019年，因此将虚拟变量Time在2019年之前(不包括2019年)的数值设为0，将Time 在2019年之后的数值设为1。虽然LPR改革作用于全体商业银行，但国有大型银行受LPR改革影响相较中小银行更大，因此设置银行规模的虚拟变量Treated，若所选银行为国有大型银行，将其设置为干预组，
赋值为1；若所选银行为中小银行，将其设置为控制组，赋值为0。用Time*Treated相乘生成交叉项Did，用以表示LPR改革前后不同规模商业银行绿信贷规模的变化。为检验假设3，生成2018年、2019年和2020年、
2021年的三个时间虚拟变量分别为
、
和，在此基础上生成交叉项Did1、Did2和Did3，计算方法如表1所示。
3.控制变量
商业银行绿信贷投放数量不仅受到政策和规模的影响，也存在收益和风险方面的制约。收益方面本文选取了总资产收益率(ROA)和营收增长率(RGR)，总资产收益率是衡量银行盈利的一个重要指标；营收增长率是评价银行成长状况和发展能力的重要指标。风险方面选取了资产负债率(ALR)和不良贷款率(NPL)，资产收益率是评价银行负债水平的综合指标，也反映了银行发放贷款的安全程度和银行资产的流动性情况；不良贷款率是评价银行信贷风险的重要指标。
表1变量定义
(三)模型设定
为检验假设1，本文构建以下模型：
GR it=α0+α1Time+α2controls it+εi(1)
模型(1)是时间虚拟变量模型，系数保持不变，εi为误差项，系数α1主要表示LPR改革对全体商业银行绿信贷投放规模的影响，若α1＞0显著，说明LPR改革对全体商业银行的绿信贷投放有正向作用；若α1＜0显著，说明LPR改革对全体商业银行的绿信贷投放有反向作用；若α1=0显著，说明LPR改革对全体商业银行绿信贷投放无明显作用。
为检验假设2，构架以下模型：
GR it=β0+β1Did+β2controls it+μi+νi+εi(2)变量类型变量名称变量含义计算方法
因变量GR绿信贷比率
期末绿贷款总额/期末贷款
总余额
自变量
Time LPR改革的时间虚拟变量
1，Time≥2019
0，else
{
Treated不同规模银行的虚拟变量
1，大型银行
0，中小银行
{
Did政策实施前后不同规模银行差异Time*Treated
Did12018年差异的交叉项Time2018*Treated
Did22019年差异的交叉项Time2019*Treated
Did32020和2021年差异的交叉项Time2020*Treated
控制变量
ROA总资产收益率净利润/平均资产总值
RGR营收增长率
营收增长额/上年年度营业收
入总额
ALR资产负债率总负债/总资产
NPL不良贷款率不良贷款/总贷款余额
王一鸣，李文学：利率市场化是否会影响商业银行绿信贷的投放——
—基于LPR改革的证据
图1全样本商业银行绿信贷比例变化图
模型(2)是DID 模型，
系数保持不变，μi 表示银行个体固定效应，νi 表示时间固定效应，εi 为残差项。系数β1表示LPR 改革对不同规模商业银行绿信贷投放的影响，若β1＞0显著，说明LPR 改革后国有大型银行相比中
小银行绿信贷投放增加；若β1＜0显著，说明LPR 改革后国有大型银行相比中小银行绿信贷投放减少；若β1=0显著，说明LPR 改革后国有大型银行与中小银行相
比绿信贷投放无明显变化。
为检验假设3，构建以下模型：
GR it =γ0+γ1Did1+γ2Did2+γ3Did3+γ4controls it +μi +νi +εi (3)模型(3)使用Beck 等[18]的方法，在标准回归中引入一系列虚拟变量来追踪LPR 改革对不同规模商业银行绿信贷投放的逐年影响。系数保持不变，μi 表示银行个体固定效应，νi 表示时间固定效应，εi 为残差项。其中系数表示若LPR 改革实施前一年国有大型银行与其他商业银行之间的政策效应是否有明显差异，若γ1不显著，说明LPR 改革实施前一年国有大型银行相比中小银行绿信贷投放趋势存在一致性，模型(2)和模型(3)的平行趋势假设通过；若γ2不显著，γ3显著，说明LPR 改革的当年(2019年)国有大型银行和中小银行绿信贷的趋势差异并未显现，直到改革后差异才开始出现，即LPR 改革之后不同规模商业银行绿信贷差异出现的滞后效应。
五、实证结果与分析
(一)描述性分析
表2是相关变量的描述性统计，由于自变量系人为设定，因此只对因变量和控制变量进行分析。
可以发现从均值的角度来看，绿信贷比率均值全体商业银行小于大型银行，大于中小银行；总资产收益率均值全体商业银行小于大型银行，
大于中小银行；营收增长率均值全体商业银行大于大型银行，小于中小银行；资产负债率均值全体商业
银行大于大型银行；小于中小银行；不良贷款率均值全体银行小于大型银行，大于中小银行。从标准差的角度来看，大型银行各项指标变化相较中小银行均更加稳定。
总的来说，作为因变量的绿信贷比率大型银行高于中小银行，控制变量不同规模银行互有高低；变量稳定性方面，大型银行普遍较中小银行更加稳定。
从图1可以发现，以2019年LPR 改革为界限，2019年之前全样本银行绿信贷投放比例有增有减但总体呈现上升趋势，2019年之后全样本商业银行绿信贷投放比率呈现大幅度上升的趋势，可以看出LPR 改革对商业银行绿信贷投放具有正向作用。
从图2可以发现，2019年之前国有大型银行与中小银行绿信贷投放比例变化总体呈现平行趋势，2019年之后国有大型银行绿信贷投放比例增速明显快于中小银行可以看出LPR 改革对不同规模商业银行绿信贷投放具有异质性；同时，2019年差异的显现并不明显，直到2020年和2021年不同规模的银行绿信贷的差异逐步加大，可以看出LPR 改革对不同规模商业银行绿信贷投放差异的出现具有滞后效应。
(二)基准回归分析
由于豪斯曼检验的结果拒绝原假设，因此本文采用固定效应模型。模型(1)使用时间虚拟变量模型，模型(2)使用双重差分模型，模型(3)使用Beck 等[18]的方法，具体回归结果如下：
表2描述性统计
类别
变量名称变量符号样本量均值标准差最大值
最小值全部样本
绿信贷比率GR 150  4.6548  2.722012.00000.3100总资产收益率ROA 1500.92840.2228  1.46660.5014营收增长率
RGR 15011.25089.510052.6158-8.7300资产负债率ALR 15092.9091  1.225897.469890.6403不良贷款率NPL 150  1.37280.3471  2.39000.5100时间虚拟变量Time 1500.32000.4664  1.00000.0000银行虚拟变量Treated 1500.24000.4270  1.00000.0000交叉项Did 1500.08000.2712  1.00000.0000大型银行
绿信贷比率GR 367.1819  2.067912.0000  3.4000总资产收益率ROA 36  1.10070.1688  1.46660.8310营收增长率
RGR 36  6.3363  4.289712.5875-5.6236资产负债率ALR 3692.09450.804394.200490.6877不良贷款率NPL 36  1.46380.2900  2.39000.9400时间虚拟变量Time 360.33330.4714  1.00000.0000银行虚拟变量Treated 36  1.00000.0000  1.0000  1.0000交叉项Did 360.33330.4714  1.00000.0000中小银行
绿信贷比率GR 114  3.8567  2.39689.64000.3100总资产收益率ROA 1140.87400.2097  1.39380.5014营收增长率
RGR 11412.802810.156552.6158-8.7300资产负债率ALR 11493.1663  1.223597.469890.6403不良贷款率NPL 114  1.34410.3585  2.14000.5100时间虚拟变量Time 1140.31570.4648  1.00000.0000银行虚拟变量Treated 1140.00000.00000.00000.0000交叉项
Did
114
0.0000
0.0000
0.0000
0.0000
图2国有大型银行和中小银行绿信贷比例变化图
注：“***”、“**”、“*”分别代表“1%”、“5%”、“10%”的显著性水平，
括号内为t 值。表3回归结果
指标模型(1)GR it 模型(2)GR it 模型(3)GR it 指标模型(1)GR it 模型(2)GR it 模型(3)GR it
Did ---  1.0213*(0.062)---RGR
-0.0196(0.413)0.0575***(0.000)0.0542***
(0.000)
Did1------0.1162(0.868)ALR
-0.3097(0.266)0.0862(0.645)0.0597
(0.773)Did2------0.2552(0.725)常数
30.4303(0.265)0.2133(0.991)  3.5170
(0.861)Did3------  1.4342**(0.010)时间
固定效应
---Y Y
Time    1.4187*(0.031)------个体固定效应
---Y Y
NPL 0.5360(0.498)-1.4827(0.161)-1.6387**
(0.011)
R 20.15230.54840.5570
ROA    2.1904*(0.077)-3.7236(0.157)-3.9196**
(0.006)
F    5.1758.169.81
商业经济第2023年第4期SHANGYE JINGJI No.4，2023
表5稳健性检验
注：“***”、“**”、“*”分别代表“1%”、“5%”、“10%”的显著性水平，括号内为t 值。
指标缩短时间窗口增加控制变量模型(1)GR it 模型(2)GR it 模型(3)GR it 模型(1)GR it 模型(2)GR it 模型(3)GR it
Did ---0.8710*(0.066)------  1.0213*(0.030)---Did1------0.0232(0.974)------0.1162(0.868)Did2------0.1782(0.807)------0.2552(0.725)Did3------  1.2172*(0.031)------  1.4342**(0.010)Time    1.3509**(0.046)------  1.9870**(0.004)------NPL 0.3400(0.687)-0.7695(0.244)-0.9458(0.174)  1.0664(0.190)-1.4827(0.17)-1.6387**(0.011)ROA    2.5602*(0.068)-3.3207**(0.032)-3.5565**(0.025)  3.3742**(0.011)-3.7236(0.008)-3.9196**(0.006)RGR -0.0190(0.448)0.0547***(0.000)0.0517**(0.000)-0.
0052(0.828)0.0575***(0.000)0.0542***(0.000)ALR -0.3201(0.282)0.0908(0.664)0.0695(0.741)-0.0372(0.900)0.0862(0.676)0.0597(0.773)IR ---------0.3663**(0.020)  1.2144**(0.002)  1.1201**(0.002)常数31.4253(0.280)-1.4711(0.942)  1.0567(0.959)
2.2265(0.940)0.2133(0.905)
3.5170(0.861)时间固定效应---Y Y ---Y Y 个体固定效应
---Y Y ---Y Y R 20.14830.53950.54750.18400.54850.5570F
4.46
10.16
8.82
5.37
11.12
9.81
模型(1)中，系数在10%的显著性水平下显著为正，可以认为LPR 改革引发的贷款利率下降确实导致全样本商业银行增加对绿信贷的投放。因此，
假设1得以验证。模型(2)中，系数在10%的显著性水平下显著为正，可以认为LPR 改革的引入会导致国有大型银行相比中小银行更多地投放绿信贷，两者之间存在异质性。因此，假设2得以验证。在模型(3)中，Did1系数在10%的显著性水平下不显著，这说明2018年不同规模商业银行绿信贷投放的趋势变化都没有明显差异，模型(2)和模型(3)通过了平行趋势假设，而Did2系数在10%的显著性水平下不显著，Did3系数在5%的显著性水平下显著，这说明在LPR 改革实施的2019年国有大型银行与中小银行的绿信贷投放并没有较大差异，同时2020年和2021年年国有大型银行绿信贷投放增速高于中小银行，也说明LPR 改革对不同规模商业银行绿信贷投放趋势变化差异的显现具有滞后性。因此，模型(3)得以验证。
(三)安慰剂检验
由于模型(2)的验证使用了DID 模型，因此需要进行安慰剂检验。表3的结果显示，LPR 改革的实施确实对不同规模商业银行绿信贷投放产生了影响，且政策实施前控制组和干预组不存在显著性差异，但DID 模型估计出的政策效应是否受其他政策或因素的影响是未知的，因此需要进行安慰剂检验。将研究样本缩小至政策实施前，选取2013年-2018年的数据，同时将政策实施年份设定为2016年，生成新的时间虚拟变量_New 和交叉项_New ，不固定时间效应和个体效应，结果如表4：
生成新的Did_New ，结果显示p 值为0.500，这表示新的交互项Did_New 的系数不显著。说明若LPR 改革的时间提前到2016年，对于国有大型银行来说绿信贷投放的不会受到时间变化的影响，因此通过了安慰剂检验。
(四)稳健性检验
本文采用增加控制变量、改变样本容量等方法进行稳健性检验。第一，在控制变量中加入按GDP 平减指数衡量的通货膨胀率(IR)以反映宏观经济的变动。
第二，为排除因时间线过长引发的其他因素的影响，本文缩短时间窗口，
使用2014年-2021年的数据使用相同的模型进行检验。检验结果如表5所示，可以发现，进行两项稳健性检验后，重要指标依然显著，稳健性检验通过。
六、结论与启示
本文基于时间虚拟变量模型和DID 模型，使用具有代表性的18家商业银行2013年-2021年的不平衡面板数据，研究利率市场化改革对不同规模商业银行绿信贷投放的影响。通过对2019年中国LPR 改革的实证研究后结果显示，利率市场化改革会导致全样本商业银行增加其绿信贷投放；将中小银行作为控制组，国有大型银行作为干预组，利率市场化改革对不同规模商业银行绿信贷投放的影响具有异质性，
改革对国有大型银行绿信贷影响更为显著；由于商业银行对利率市场化改革的反应存在滞后期以及中国人民银行谨慎推进LPR 改革的原因导致改革对不同规模商业银行绿信贷投放的差异出现存在滞后效应。
为应对利率市场化改革带来的机遇和挑战，实现商业银行和绿产业的可持续发展，
提出以下建议：第一，政府应进一步推进利率市场化改革。对商业银行来说，利率市场化改革的实施和国家对绿产业的支持使绿企业对商业银行信贷的吸引力大大增强，这有利于绿金融的发展。对绿产业来说，利率市场化改革的实施改善了绿产业的融资环境，为其进一步发展提供了资金支持，有利于绿产业的发展。第二，政府鼓励国有大型银行增加绿信贷投放。国有大型银行在绿信贷的经营绩效、信息搜集和提供服务的能力、绿信贷的声誉效应和银行风险结构角度相较中小银行优势明显。从国家政策角度，应大力支持国有大型银行对绿产业的融资，
给表4安慰剂检验
注：“***”、“**”、“*”分别代表“1%”、“5%”、“10%”的显著性水平，括号内为t 值。lpr最新报价2021年12月
指标结果指标结果指标结果Did_New 0.5130
(0.500)ROA    2.6053
(0.139)时间固定效应N Time_New    1.7077***(0.007)RGR 0.0245(0.371)个体固定效应
N Treated    2.1972***
(0.002)ALR 0.1240(0.699)R 20.3081NPL
-0.1243(0.854)
常数
-11.5258(0.719)
F
13.96
（下转第186页）
王一鸣，李文学：利率市场化是否会影响商业银行绿信贷的投放———基于LPR 改革的证据

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。