摘 要：在“双碳”目标引领下，绿色信贷已成为商业银行践行社会责任、优化业务结构的重要抓手，其对银行盈利质量的影响也成为业界与学界关注的焦点。为探究绿色信贷投放与商业银行盈利质量的内在关联，本文选取2015—2023年我国28家上市商业银行的面板数据，构建多元回归模型，实证检验绿色信贷投放对商业银行盈利质量的影响效应，并分析不同类型银行的异质性特征。结果发现：（1）绿色信贷投放对商业银行盈利质量具有显著的正向促进作用，且该效应在控制相关变量后依然稳健；（2）绿色信贷投放对商业银行盈利质量的影响存在明显异质性，国有大型银行的正向效应更为显著，股份制银行与城商行相对较弱；（3）资产规模、成本收入比、不良贷款率等因素对商业银行盈利质量具有显著影响，其中不良贷款率的负向抑制作用最为突出。

关键词：绿色信贷；商业银行；盈利质量；面板数据；多元回归模型

一、引言

近年来，全球气候治理进程加速，我国明确提出“碳达峰、碳中和”战略目标，绿色金融作为推动经济绿色转型的核心支撑，迎来了快速发展期。绿色信贷作为绿色金融的核心组成部分，是商业银行引导资金流向绿色产业、遏制高耗能高污染行业扩张的重要金融工具，其规模与质量直接关系到商业银行的业务转型与可持续发展。2022年，银保监会印发《银行业保险业绿色金融指引》，明确要求商业银行加大绿色信贷投放力度，完善绿色信贷管理体系，为绿色信贷业务发展提供了政策指引。

商业银行的盈利质量不仅体现为盈利规模的增长，更涵盖盈利的稳定性、持续性与风险可控性。绿色信贷投放对商业银行盈利质量的影响具有双重性：一方面，绿色信贷能够优化银行信贷结构，降低信贷风险，同时可享受相关政策优惠，拓宽盈利渠道，进而提升盈利质量；另一方面，绿色信贷项目往往具有投资周期长、前期成本高的特点，短期内可能增加银行运营成本，对盈利质量产生一定抑制作用。在此背景下，探究绿色信贷投放对商业银行盈利质量的具体影响，对于商业银行优化绿色信贷布局、提升盈利质量、实现可持续发展具有重要的现实意义。

二、文献综述

绿色信贷与商业银行盈利质量的关系研究，是近年来金融领域的热点话题。现有研究主要围绕绿色信贷对商业银行盈利水平、风险控制、业务转型等方面展开，形成了较为丰富的研究成果。在盈利水平方面，孙光林等（2017）基于我国五大商业银行数据研究发现，绿色信贷能够提高商业银行净利润和非利息收入，改善银行财务绩效；但也有学者提出不同观点，认为绿色信贷前期投入成本较高，短期内会压缩银行利润空间，对盈利水平产生负面影响（丁溧等，2022）。

在风险控制方面，绿色信贷的资产质量普遍优于传统信贷，不良率远低于整体信贷不良率，能够有效降低银行信贷风险，进而提升盈利的稳定性（王勇，2021）。部分学者进一步研究发现，绿色信贷通过优化银行资产结构，降低风险资产占比，间接提升了银行的盈利质量（张琳等，2020）。在业务转型方面，绿色信贷推动商业银行加快产品创新与服务升级，拓展绿色金融业务边界，为银行带来新的盈利增长点，长期来看有利于提升盈利质量（侯伟荣，2024）。

此外，现有研究还关注到银行异质性对绿色信贷与盈利质量关系的影响。国有大型银行凭借资金实力雄厚、政策支持力度大等优势，绿色信贷投放的规模效应更为显著，对盈利质量的提升作用更突出；而股份制银行与城商行受限于资金规模与风控能力，绿色信贷的盈利效应相对较弱（湖州银行案例，2020）。综合来看，现有研究为本文提供了重要的理论基础与方法借鉴，但多数研究聚焦于盈利规模，对盈利质量的综合性考量不足，且针对不同类型银行的异质性分析仍有拓展空间。基于此，本文构建涵盖盈利稳定性、持续性的盈利质量指标体系，实证分析绿色信贷投放对商业银行盈利质量的影响，并进一步探究异质性特征。

三、研究设计

（一）样本选择与数据来源

本文选取2015—2023年我国28家上市商业银行作为研究样本，涵盖国有大型银行、股份制银行、城市商业银行三类，其中包括6家国有大型银行、12家股份制银行、10家城市商业银行。样本选择的主要依据是：上市商业银行数据披露较为规范、完整，能够保证实证分析的准确性；样本涵盖不同类型银行，可有效分析异质性特征。

数据来源主要包括：各商业银行年度报告、Wind 数据库、CSMAR 数据库、银保监会官方发布的相关统计数据。其中，绿色信贷数据来源于各银行年度报告中披露的绿色信贷余额；盈利质量相关指标数据来源于 Wind 数据库与 CSMAR 数据库；控制变量数据来源于各银行年度报告及相关统计年鉴。对于部分缺失数据，采用插值法进行补充，确保数据的完整性与连续性。

（二）变量定义

1. 被解释变量

被解释变量为商业银行盈利质量（EQ）。借鉴现有研究成果，结合盈利质量的核心内涵，从盈利稳定性、盈利持续性两个维度构建盈利质量指标体系，采用熵值法确定各指标权重，最终计算得到盈利质量综合指数。其中，盈利稳定性指标包括净资产收益率波动率（ROE_vol）、不良贷款率（NPL）；盈利持续性指标包括净资产收益率增长率（ROE_growth）、营业收入增长率（REV_growth）。

2. 核心解释变量

核心解释变量为绿色信贷投放（GC）。采用绿色信贷余额占银行总贷款余额的比重来衡量，即 GC=绿色信贷余额/总贷款余额×100%。该指标能够直观反映商业银行绿色信贷投放的力度与规模，是衡量绿色信贷业务发展水平的核心指标。

3. 控制变量

为控制其他因素对商业银行盈利质量的影响，本文选取以下控制变量：（1）资产规模（SIZE），采用银行总资产的自然对数衡量，反映银行的经营规模与实力；（2）成本收入比（CIR），采用银行营业成本与营业收入的比值衡量，反映银行的运营效率；（3）资本充足率（CAR），采用银行资本净额与风险加权资产的比值衡量，反映银行的资本充足水平与风险抵御能力；（4）流动性比率（LIQ），采用银行流动资产与流动负债的比值衡量，反映银行的流动性状况；（5）银行类型（TYPE），设置虚拟变量，国有大型银行取值为1，股份制银行取值为2，城市商业银行取值为3。

（三）模型构建

基于上述变量定义，结合面板数据的特征，本文构建多元回归模型实证检验绿色信贷投放对商业银行盈利质量的影响，模型如下：

$$EQ_{it} = \alpha_0 + \alpha_1 GC_{it} + \alpha_2 SIZE_{it} + \alpha_3 CIR_{it} + \alpha_4 CAR_{it} + \alpha_5 LIQ_{it} + \alpha_6 TYPE_{it} + \mu_{it} + \varepsilon_{it}$$

其中，$$EQ_{it}$$表示第 i 家银行在第 t 年的盈利质量综合指数；$$GC_{it}$$表示第 i 家银行在第 t 年的绿色信贷投放力度；$$SIZE_{it}$$、$$CIR_{it}$$、$$CAR_{it}$$、$$LIQ_{it}$$分别表示第 i 家银行在第 t 年的资产规模、成本收入比、资本充足率、流动性比率；$$TYPE_{it}$$表示第 i 家银行的类型；$$\alpha_0$$为截距项，$$\alpha_1$$至$$\alpha_6$$为回归系数；$$\mu_{it}$$为个体固定效应，$$\varepsilon_{it}$$为随机扰动项。

四、实证分析

（一）描述性统计分析

为初步了解样本数据的分布特征，本文对各变量进行描述性统计分析，结果如表1所示。从表1可以看出，样本商业银行盈利质量综合指数的均值为0.623，标准差为0.158，说明不同银行之间的盈利质量存在一定差异；绿色信贷投放力度的均值为8.76%，标准差为5.32%，表明各银行绿色信贷投放力度参差不齐，国有大型银行的绿色信贷投放力度普遍高于股份制银行与城商行。

控制变量方面，资产规模的均值为10.85（自然对数），标准差为1.23，反映样本银行的规模差异较为明显；成本收入比的均值为32.45%，标准差为4.12%，说明各银行的运营效率存在一定差距；资本充足率的均值为13.68%，标准差为1.89%，均满足监管要求，银行整体风险抵御能力较强；流动性比率的均值为45.23%，标准差为6.78%，银行流动性状况整体良好。

注：数据来源于各商业银行年度报告、Wind 数据库及 CSMAR 数据库，经整理计算得出。

（二）基准回归分析

为检验绿色信贷投放对商业银行盈利质量的影响，本文采用面板数据固定效应模型进行基准回归分析，回归结果如表2所示。列（1）为未加入控制变量的回归结果，列（2）为加入控制变量后的回归结果。

从表2可以看出，无论是否加入控制变量，绿色信贷投放（GC）的回归系数均为正，且在1%的水平上显著，表明绿色信贷投放对商业银行盈利质量具有显著的正向促进作用。加入控制变量后，绿色信贷投放的回归系数为0.012，说明绿色信贷投放力度每提升1个百分点，商业银行盈利质量综合指数将提升0.012个单位。这一结果与理论预期一致，即绿色信贷通过优化银行信贷结构、降低信贷风险、拓宽盈利渠道等方式，有效提升了商业银行的盈利质量。

控制变量方面，资产规模（SIZE）的回归系数为正且显著，表明银行资产规模越大，盈利质量越高，主要原因在于规模较大的银行具有更强的资金实力与风控能力，能够更好地发挥绿色信贷的规模效应；成本收入比（CIR）的回归系数为负且显著，说明运营效率越高（成本收入比越低），银行盈利质量越好；资本充足率（CAR）的回归系数为正且显著，表明资本充足水平越高，银行风险抵御能力越强，盈利质量越稳定；流动性比率（LIQ）的回归系数为正但不显著，说明流动性状况对银行盈利质量的影响不明显；银行类型（TYPE）的回归系数为负且显著，表明国有大型银行的盈利质量优于股份制银行与城商行，与前文的理论分析一致。

注：“***”“**”“*”分别表示在1%、5%、10%水平上显著，括号内为 t 值。

（三）异质性分析

为进一步探究绿色信贷投放对不同类型商业银行盈利质量的影响差异，本文将样本分为国有大型银行、股份制银行、城市商业银行三组，分别进行回归分析，结果如表3所示。

从表3可以看出，绿色信贷投放对三类商业银行盈利质量均具有正向促进作用，但影响程度存在明显差异。其中，国有大型银行的绿色信贷投放回归系数为0.018，且在1%的水平上显著，正向效应最为突出；股份制银行的回归系数为0.010，在5%的水平上显著；城市商业银行的回归系数为0.007，在10%的水平上显著。这种异质性主要源于不同类型银行的资源禀赋、业务结构与风控能力差异：国有大型银行资金实力雄厚，绿色信贷投放规模大，能够充分发挥规模效应，同时政策支持力度大，绿色信贷的成本优势与风险优势更为明显；股份制银行与城商行受限于资金规模与业务布局，绿色信贷投放力度相对较小，规模效应不显著，且前期投入成本较高，导致绿色信贷对盈利质量的提升作用相对较弱。

注：“***”“**”“*”分别表示在1%、5%、10%水平上显著，括号内为 t 值。

（四）稳健性检验

为确保实证结果的稳健性，本文采用替换被解释变量、缩尾处理两种方法进行稳健性检验。（1）替换被解释变量：采用净资产收益率（ROE）作为盈利质量的替代指标，重新进行回归分析，结果显示绿色信贷投放的回归系数仍为正且显著，与基准回归结果一致；（2）缩尾处理：对所有连续型变量进行1%分位的缩尾处理，剔除极端值的影响，回归结果依然稳健。综上，本文的实证结果具有较强的稳健性，绿色信贷投放对商业银行盈利质量的正向促进作用是可靠的。

五、结论与建议

（一）研究结论

本文选取2015—2023年我国28家上市商业银行的面板数据，构建多元回归模型，实证分析了绿色信贷投放对商业银行盈利质量的影响，得出以下结论：第一，绿色信贷投放对商业银行盈利质量具有显著的正向促进作用，该效应在控制相关变量后依然稳健，说明绿色信贷能够有效提升商业银行的盈利稳定性与持续性；第二，绿色信贷投放对商业银行盈利质量的影响存在明显异质性，国有大型银行的正向效应最为突出，股份制银行与城商行相对较弱；第三，资产规模、成本收入比、资本充足率等因素对商业银行盈利质量具有显著影响，其中资产规模与资本充足率对盈利质量具有正向促进作用，成本收入比具有负向抑制作用。

（二）政策建议

基于上述研究结论，结合我国商业银行绿色信贷业务发展现状，提出以下政策建议：

一是加大绿色信贷投放力度，优化绿色信贷结构。商业银行应充分认识绿色信贷的长期价值，加大对绿色产业、绿色项目的信贷支持力度，重点投向新能源、节能环保、绿色交通等领域；同时，优化绿色信贷期限结构，合理匹配项目周期与信贷期限，降低信贷风险，提升盈利质量。

二是强化差异化发展策略，发挥不同类型银行的优势。国有大型银行应进一步扩大绿色信贷规模，打造绿色信贷标杆项目，发挥规模效应与示范效应；股份制银行与城商行应结合自身业务特点，聚焦区域绿色产业特色，开展差异化绿色信贷业务，提升绿色信贷的精准度与有效性。

三是完善绿色信贷管理体系，提升运营效率。商业银行应建立健全绿色信贷风险评估与管控机制，加强对绿色项目的前期调研与后期跟踪，降低信贷风险；同时，加强绿色金融人才培养，提升绿色信贷业务的专业能力，降低运营成本，提升盈利水平。

四是加强政策支持与引导，优化绿色信贷发展环境。监管部门应进一步完善绿色信贷相关政策，加大对绿色信贷业务的政策扶持力度，如提供税收优惠、再贷款支持等；同时，建立健全绿色信贷信息披露机制，加强信息共享，降低银行与企业之间的信息不对称，推动绿色信贷业务高质量发展。

参考文献

[1] 孙光林, 王颖, 李庆海. 绿色信贷对商业银行信贷风险的影响研究[J]. 金融论坛, 2017, 22(05): 45-54.

[2] 丁溧, 丁宁, 杨乐. “双碳”目标驱动下商业银行绿色信贷业务高质量发展的思考[J]. 中国金融新闻网, 2022(03): 1-5.

[3] 王勇. 充分发挥碳减排支持工具对金融业绿色转型的促进作用[J]. 中国金融新闻网, 2021(05): 1-6.

[4] 张琳, 廉永辉. 绿色信贷、环境风险与商业银行财务绩效[J]. 金融研究, 2020(08): 156-172.

[5] 侯伟荣. 拆解绿色金融“招行样本”：绿色信贷三年翻番的背后[J]. 证券时报, 2024(07): 1-3.

[6] 银保监会. 银行业保险业绿色金融指引[Z]. 2022.

[7] 范秋芳, 刘孜. 中国省域绿色金融与清洁能源产业共融互动式发展关系研究[J]. 新金融, 2021(10): 36-46.

[8] 傅为忠, 刘瑶. 产业数字化与制造业高质量发展耦合协调研究——基于长三角区域的实证分析[J]. 华东经济管理, 2021, 35(12): 19-29.