绿色信贷能够驱动产业转型,促进循环经济发展与利用,是一种产生环境效益、分散环境风险、促进绿色经济发展、提高经济质量的经济活动[1-3]。绿色信贷作为传统信贷的延伸,其“风险管理”的本质属性没有消失。绿色信贷风险同样影响了绿色经济快速发展的进程[4]。但是,绿色信贷风险和普通信贷风险存在一些差异[5]。第一,普通信贷风险来源相对单一,而绿色信贷风险的来源比较广泛。第二,普通信贷风险注重资金安全,而绿色信贷风险注重环境保护。第三,普通信贷风险易计量、易规避,且管理成本比较低;而绿色信贷风险不易计量、不易规避,且管理成本比较高。第四,普通信贷风险主要依靠金融机构进行管控,而绿色信贷风险需要政府部门、环保部门、金融机构和企业一起管控。所以,相对于传统信贷,绿色信贷所面临的风险更加多样化,传统的信贷风险控制方法很难适用[6]。
相关政策的出台,为绿色信贷风险的优化控制指出了方向,提出了要求。比如:绿色信贷信息作为环境信息的重要组成部分,需要定期如实披露。调整和优化绿色信贷结构,加强绿色信贷结构监测和评估,提高绿色信贷供给的质量。同时,避免绿色信贷资金流向低水平重复建设领域,提高绿色信贷资金的使用效率。重点关注高耗能、高污染行业的增长过快问题,严格防范绿色信贷风险。虽然有了相关政策的指引,但“绿色信贷”尚属于蓝海地带,在如何优化控制绿色信贷风险方面缺少有效的措施,未能建立比较完善的绿色信贷风险优化控制体系[7]。而绿色信贷包含多个参与主体,不同职责和利益目标导致的行为策略对绿色信贷风险的优化控制发挥了关键作用[8]。因此,如何针对不同情境下绿色信贷风险优化控制主体的行为变化,分析不同因素对绿色信贷风险控制效果的影响差异,进行绿色信贷风险的优化控制,有利于提高绿色信贷风险的优化控制效率,推动绿色信贷的可持续发展。
本研究主要解决以下问题:第一,绿色信贷风险优化控制的参与主体会选择哪些合作模式?不同合作模式对绿色信贷风险优化控制效果的影响如何?第二,哪些因素对参与主体的行为策略产生影响?第三,参与主体的努力水平如何影响绿色信贷风险的优化控制?第四,针对不同合作模式下绿色信贷风险的演化轨迹,如何规范参与主体的行为策略,提升绿色信贷风险优化控制的有效性和可持续性?上述问题的解决将丰富绿色信贷风险优化控制领域的研究成果,提高绿色信贷风险优化控制的效率,实现环境效益、经济效益和社会效益的共赢。
1 文献梳理 1.1 绿色信贷风险学术界一般认为绿色信贷风险指的是金融机构在政府环保政策引导下,向符合条件的企业发放绿色贷款,贷款偿付难度提高所带来的风险[9]。学者们在讨论绿色信贷风险时,将其划分为信用风险、操作风险、环境风险和声誉风险等。其中,信用风险是指借款人因主观原因或客观原因,无法按期偿还贷款,导致金融机构产生损失的风险[10]。操作风险是指金融机构内部程序不完善,导致贷款无法回收,从而带来风险[11, 12]。环境风险是指环保政策的变化使得借款人表现出破坏环境的行为,导致贷款无法回收,从而带来风险[13]。声誉风险是指企业在获得绿色贷款后,对环境进行破坏,从而影响金融机构的声誉[14]。
1.2 绿色信贷风险的优化控制方法目前,关于绿色信贷风险优化控制的方法主要分为两种。一种是经验分析法,另一种是统计评分法。第一,经验分析法主要是通过对客户判断的经验、绿色信贷风险管控的经验等,进行绿色信贷风险的优化控制[15, 16]。经验分析法的基本原理是基于已有经验,对客户本身和资金情况进行“质”的分析[17]。确保绿色贷款集中控制在合理范围之内等,从而实现绿色信贷风险的优化控制[18, 19]。第二,统计评分法主要是通过合适的统计分析方法,对贷款客户的违约情况进行风险系数的计算,确定绿色信贷风险发生的可能性,针对性地制定绿色信贷风险的优化控制方法[20, 21]。此时,通常采用数学模型,对获取到的信息或数据进行统计分析[22]。该方法比经验分析法精确、客观。
上述提及的方法,主要是从金融机构的角度,进行绿色信贷风险的优化控制。而绿色信贷风险的参与主体主要包括政府部门、环保部门、金融机构和企业。多个主体积极参与,才能有效提高绿色信贷风险的优化控制效率。本研究讨论了不同主体的多种合作模式,在微分博弈的基础上,构建绿色信贷风险优化控制模型。微分博弈被广泛应用于多个主体合作的优化问题研究。王道平等构建了供应链合作减排的微分博弈模型,研究了不同模式下产品减排量的差异[23]。张智勇等结合微分博弈,研究了制造商和零售商不同合作模式下的定价和协调问题[24]。赵黎明等构建了政企合作的微分博弈模型,研究了灾后政府和企业的救灾努力水平差异[25]。马永红等构建了产学研协同研发的微分博弈模型,研究了科研机构和企业的投入和收益差异[26]。所以,本研究构建的绿色信贷风险优化控制模型适用性如下:第一,绿色信贷风险的优化控制需要多个主体的共同努力,本研究构建的绿色信贷风险优化控制模型能够体现多个主体的努力水平和努力效果等。第二,绿色信贷风险的优化控制主体会根据不同合作情境选择相应的优化控制策略,本研究构建的绿色信贷风险优化控制模型能够体现不同优化控制主体的策略变化。第三,绿色信贷风险的优化控制是长期的、连续的,本研究构建的绿色信贷风险优化控制模型可以进行持续性的绿色信贷风险优化控制。因此,本研究构建的绿色信贷风险优化控制模型能够用来进行绿色信贷风险的优化控制。
1.3 绿色信贷风险的优化控制路径为了应对绿色信贷风险的变化,近年来各专家学者不断加强对绿色信贷风险管理的研究,提出了一些建议。第一,加强信用评级。主要是测评客户的信用情况,从而在源头上进行绿色信贷风险的优化控制[27]。第二,完善贷款程序。主要是结合绿色信贷的市场定位和绿色信贷政策,对绿色信贷资产进行分类,对客户进行充分调研,并加强贷后检查,做到准确识别风险、有效化解风险。第三,结合新技术。比如以大数据为手段,整合内外部数据资源,提升绿色信贷风险优化控制能力[28]。运用大数据对业务信息进行交叉检验,有利于提升绿色信贷风险信息筛查、评判的客观性,强化绿色信贷风险的优化控制[29]。这种方式有利于快速锁定问题,为绿色信贷风险的优化控制奠定基础[30]。
已有成果为绿色信贷风险的优化控制提供了支持。但是,学者们提出的绿色信贷风险优化控制路径主要以金融机构为切入点,研究样本或研究背景具有局限性。绿色信贷风险的优化控制不仅需要金融机构的努力,也需要政府部门、环保部门和企业等利益相关者的积极作为。因此,本研究将政府部门、环保部门、金融机构和企业的行为策略纳入同一个理论框架,考虑不同情境下政府部门、环保部门、金融机构和企业的行为策略在绿色信贷风险优化控制中的作用,分析不同合作模式下绿色信贷风险的优化控制轨迹,为绿色信贷风险的优化控制提供依据。
本研究可能的创新点如下:第一,学术思想的创新。本研究将政府部门、环保部门、金融机构和企业的行为策略纳入同一个理论框架,考虑不同主体的行为策略在绿色信贷风险优化控制中的作用,为绿色信贷风险的优化控制提供依据。第二,研究内容的创新。本研究在构建不同合作模式下的绿色信贷风险优化控制模型时,充分考虑了影响参与主体行为策略的环境因素、经济因素和社会因素,使得研究内容更加丰富。第三,研究视角的创新。本研究在构建绿色信贷风险优化控制模型时,考虑了政府部门和环保部门双重监管模式下的奖惩机制,绿色信贷风险的最优轨迹更符合实际,使得绿色信贷风险优化控制策略更具有实践意义。
2 问题描述和基本假设 2.1 问题描述虽然政府部门、环保部门、金融机构和企业在目标上存在差异,但会因为共同利益而采取相应的合作方式,共同优化控制绿色信贷风险。所以,本研究结合实际情况,构建不同合作模式下的绿色信贷风险优化控制模型,讨论不同合作模式下的绿色信贷风险优化控制效果。本研究主要考虑的合作模式包括四方合作、三方合作、双方合作和非合作四类情形。其中,四方合作模式指的是政府部门、环保部门、金融机构和企业共同进行绿色信贷风险的优化控制。三方合作模式指的是其中三个主体进行集体决策。双方合作模式指的是其中两个主体进行集体决策。非合作模式指的是政府部门、环保部门、金融机构和企业单独进行绿色信贷风险的优化控制。所以,如何实现不同合作模式下绿色信贷风险的优化控制,使得不同主体的目标达到平衡,是本研究的主要研究问题。
2.2 基本假设虽然绿色信贷为“两低”企业提供了有力支持,也为“两高”企业提供资金支持[31]。由于绿色经营的高壁垒、高成本和高风险,一些企业难以对绿色经营形成积极的行为态度,在获得绿色信贷支持后,采取环境违法行为。如果对环境违法行为进行严格执法,及时公开披露企业的污染排放数据和行政处罚信息等,能够督促企业在获得绿色信贷资助后严格进行绿色生产经营[32]。严苛的外部制度环境增加了企业的债务融资成本和环境违规成本,严格限制污染企业的借贷行为,驱动企业选择绿色技术创新来改善环境表现,降低潜在的绿色信贷风险[33]。但是,不同地区的环境保护程度、经济发展水平和社会公共意识等存在差异,导致监管力度存在差异。一些地区对环境保护的意识比较薄弱,可能会采取放任污染行为或减轻污染处罚等消极的监管方式,降低绿色信贷对绿色技术创新的正向作用,增加绿色信贷风险。此外,信息不对称和监管标准的差异可能会让监管部门难以区分金融机构操作和企业运营过程中存在的隐患,不能及时识别问题和解决问题。如果监管效果达不到预期,自律性比较差的企业很难遵循绿色信贷的规定,增加了绿色信贷风险发生的概率[34]。
所以,本研究在构建绿色信贷风险优化控制模型时,从多种合作模式的角度,考虑了环境效益、经济效益和社会效益,并提出以下假设:
假设1:政府部门、环保部门、金融机构和企业的协同水平,直接影响到绿色信贷风险的优化控制效果和参与主体的最优努力水平。
假设2:如果政府部门严格监管环保部门、金融机构和企业,积极控制绿色信贷风险,环境效益就会得到有效提高。社会福利和社会效益随之增加,社会公众更加信任和支持政府部门,使得政府部门的公信力有效提升,带来隐性收益。
假设3:环保部门对企业的环境信息进行充分收集,并将有效的环境信息提供给金融机构,使得绿色信贷的审批更加严谨,降低绿色信贷风险。环保部门能够获得金融机构和企业的信赖,赢得社会支持,从而提升公信力,带来隐性收益。
假设4:金融机构按照绿色信贷政策,规范绿色信贷审批流程,让企业的绿色信贷审批和获取更加公平、公正,从源头上控制绿色信贷风险。金融机构将会获得政府部门的支撑,赢得社会公众的赞誉,从而提升品牌价值,带来隐性收益。
假设5:如果企业在获得绿色贷款后,依然进行绿色经营,将会增加环境效益。同时,企业将会获得政府部门、环保部门和金融机构的信任,也会得到社会公众的支持,带来隐性收益。
假设6:为了激励金融机构严格按照流程进行绿色信贷发放,政府部门对其进行补贴奖励。同时,为了激励企业积极进行绿色经营,政府部门也会对其进行补贴奖励。
假设7:对于环保部门、金融机构和企业的消极懈怠行为,政府部门会对其进行惩罚,惩罚额度由违规程度和绿色信贷风险控制成本决定。同时,环保部门也会对企业的非绿色行为进行惩罚,惩罚额度由违规程度和绿色信贷风险控制成本决定。
根据以上假设,参考郑敏娜和任广乾[35]、周永圣等[36]、徐乐等[37]的研究,设置相关参数,如表 1所示。
参考张海波和孙健慧的研究[38],结合边际成本递减规律,成本函数分别如下:
(1) |
(2) |
(3) |
(4) |
其中,
参考杨曼和刘德海[41]、付浩言和宋力[42]的研究,绿色信贷风险实际控制量的变化模型如下:
(5) |
其中,
(1)四方合作模式下的目标函数。
四方合作模式下的绿色信贷风险优化控制,是政府部门、环保部门、金融机构和企业共同进行决策。此时,目标函数为:
(6) |
(2)三方合作模式下的目标函数。
第一,政府部门、环保部门和金融机构共同进行决策。此时,目标函数为:
(7) |
第二,政府部门、环保部门和企业共同进行决策。此时,目标函数为:
(8) |
第三,政府部门、金融机构和企业共同进行决策。此时,目标函数为:
(9) |
第四,环保部门、金融机构和企业共同进行决策。此时,目标函数为:
(10) |
(3)双方合作模式下的目标函数。
第一,政府部门和金融机构共同进行决策。此时,目标函数为:
(11) |
第二,政府部门和企业共同进行决策。此时,目标函数为:
(12) |
第三,环保部门和金融机构共同进行决策。此时,目标函数为:
(13) |
第四,金融机构和企业共同进行决策。此时,目标函数为:
(14) |
(4)非合作模式下的目标函数。
政府部门的目标函数:
(15) |
环保部门的目标函数:
(16) |
金融机构的目标函数:
(17) |
企业的目标函数:
(18) |
参考卓四清和韩雪[43]的研究,根据最优值控制理论,四方合作模式下的最优值函数V (t),对任意t ≥0都满足Hamilton-Jacobi-Bellman(HJB)方程。此时,四方合作的HJB方程为:
(19) |
命题1 在四方合作模式下,绿色信贷风险优化控制量的最优轨迹、均衡策略和均衡结果分别如下:
(1)最优轨迹。
(2)均衡策略。
(3)均衡结果。
三方合作模式下HJB方程的构建思路同上。
命题2 第一种情形,政府部门、环保部门和金融机构合作时绿色信贷风险优化控制量的最优轨迹、均衡策略和均衡结果分别如下:
(1)最优轨迹。
(2)均衡策略。
(3)均衡结果。
命题3 第二种情形,政府部门、环保部门和企业合作时绿色信贷风险优化控制量的最优轨迹、均衡策略和均衡结果分别如下:
(1)最优轨迹。
(2)均衡策略。
(3)均衡结果。
命题4 第三种情形,政府部门、金融机构和企业合作时绿色信贷风险优化控制量的最优轨迹、均衡策略和均衡结果分别如下:
(1)最优轨迹。
(2)均衡策略。
(3)均衡结果。
命题5 第四种情形,环保部门、金融机构和企业合作时绿色信贷风险优化控制量的最优轨迹、均衡策略和均衡结果分别如下:
(1)最优轨迹。
(2)均衡策略。
(3)均衡结果。
双方合作模式下HJB方程的构建思路同上。
命题6 第一种情形,政府部门和金融机构合作时绿色信贷风险优化控制量的最优轨迹、均衡策略和均衡结果分别如下:
(1)最优轨迹。
(2)均衡策略。
(3)均衡结果。
命题7 第二种情形,政府部门和企业合作时绿色信贷风险优化控制量的最优轨迹、均衡策略和均衡结果分别如下:
(1)最优轨迹。
(2)均衡策略。
(3)均衡结果。
命题8 第三种情形,环保部门和金融机构合作时绿色信贷风险优化控制量的最优轨迹、均衡策略和均衡结果分别如下:
(1)最优轨迹。
(2)均衡策略。
(3)均衡结果。
命题9 第四种情形,金融机构和企业合作时绿色信贷风险优化控制量的最优轨迹、均衡策略和均衡结果分别如下:
(1)最优轨迹。
(2)均衡策略。
(3)均衡结果。
非合作模式下HJB方程的构建思路同上。
命题10 非合作模式下,绿色信贷风险优化控制量的最优轨迹、均衡策略和均衡结果分别如下:
(1)最优轨迹。
(2)均衡策略。
(3)均衡结果。
推论1——四方集体决策时,绿色信贷风险的最优控制量是最大的。各主体单独决策时,绿色信贷风险的最优控制量是最小的。说明虽然不同主体的努力水平存在差异,但参与集体决策的主体越多,越有利于绿色信贷风险的优化控制。
推论2——四方集体决策时,绿色信贷风险的系统最优收益是最大的。各主体单独决策时,绿色信贷风险的系统最优收益是最小的。说明虽然不同主体会根据收益来决定付出程度,但最终的系统收益和参与集体决策的主体数量有关。
推论3——政府部门、生态环境部门、金融机构和企业的消极行为,与最优努力水平呈负相关。政府部门的懈怠程度越严重,其最优努力水平越低。环保部门、金融机构和企业的违规程度越严重,其最优努力水平越低。说明消极行为的存在,对政府部门、生态环境部门、金融机构和企业的决策具有明显的负面效应。
推论4——政府部门对金融机构的补贴比率,与金融机构的最优努力水平呈正相关。政府部门对企业的补贴比率,与企业的最优努力水平呈正相关。政府部门的奖励支持,能够激励金融机构和企业约束自身行为。说明奖励在一定程度上能够提高金融机构和企业的积极性。
推论5——生态环境部门和金融机构受到政府部门的单方面惩罚约束,企业受到政府部门和环保部门的双方面惩罚约束。不论哪种惩罚,都会对生态环境部门、金融机构和企业的努力水平产生负面影响。说明惩罚在一定程度上会降低生态环境部门、金融机构和企业的积极性。
推论6——不同类型的合作模式下,协同效应对经济活动的影响系数,与不同主体的最优努力水平呈正相关。不同合作模式中,不同主体共同进行绿色信贷风险的优化控制时,整体的协同效应越明显,越能够激励政府部门、生态环境部门、金融机构和企业的积极作为。说明协同效应对不同主体产生不同程度的效益,才会增加自主能动性。
推论7——不同类型的合作模式下,不同主体的消极行为,与绿色信贷风险的最优控制量呈负相关。不同主体的消极行为,直接影响了绿色信贷风险的控制量。说明努力水平的降低,对绿色信贷风险的最优控制量产生了明显的负面影响。
4 数值仿真和讨论为了直观展示不同行为策略对绿色信贷风险优化控制效果的影响和比较不同因素对不同参与主体行为策略的影响差异,本研究结合绿色信贷风险的实际情况,参考曲薪池等[44]、戚湧和王明阳[45]、韩丰霞等[46]的做法,拟定参数取值:ρ = 0.8、λG = 0.1、λE = 0.2、λF = 0.3、λB = 0.5、d1 = 0.2、d2 = 0.3、s1 = 0.5、s2 = 0.4、s3 = 0.4、s4 = 0.3。进一步讨论绿色信贷风险最优控制量的变化、最优努力水平的变化及影响因素等。
4.1 不同情形下,绿色信贷风险最优控制量的变化如图 1所示,绿色信贷风险最优控制量的大小依次为:四方合作模式>三方合作模式>双方合作模式>非合作模式。四方合作模式下的绿色信贷风险最优控制量超过其他合作模式下的风险最优控制量,说明四方合作模式是最优选择。双方合作模式和非合作模式下的绿色信贷风险最优控制量不如四方合作模式和三方合作模式下的风险最优控制量,说明参与合作的主体越多,越有利于绿色信贷风险的优化控制。同时,绿色信贷风险最优控制量随着时间推移而逐渐增加并趋于稳定状态。四方合作模式增幅比较大,三方合作模式增幅次之,双方合作模式和非合作模式的增幅比较小。进一步说明四方合作模式具有明显优势。
如图 2所示,绿色信贷风险最优控制量的大小依次为:三方合作Ⅲ情形>三方合作Ⅱ情形>三方合作Ⅰ情形>三方合作Ⅳ情形。说明当政府部门、金融机构和企业进行合作时,最有利于绿色信贷风险的优化控制。并且,金融机构的协同效应大于环保部门的协同效应,企业的协同效应大于环保部门的协同效应。而在第四种情形中,政府部门未参与合作,此时绿色信贷风险的最优控制量是最小的。说明政府部门在绿色信贷风险优化控制的过程中占据着重要地位。如果没有政府部门的参与,其余三方的协同效应比较有限。
如图 3所示,绿色信贷风险最优控制量的大小依次为:双方合作Ⅱ情形>双方合作Ⅰ情形>双方合作Ⅳ情形>双方合作Ⅲ情形。说明当政府部门和企业进行合作时,最有利于绿色信贷风险的优化控制。而在第三种情形中,政府部门和企业未参与合作,此时绿色信贷风险的最优控制量是最小的。进一步说明政府部门作为绿色信贷的推行主体,企业作为绿色信贷的实际使用主体,二者在绿色信贷风险优化控制过程中的作用不可忽视。
如图 4所示,绿色信贷风险最优控制量的大小依次为:四方合作模式>三方合作模式>双方合作模式>非合作模式。政府部门的懈怠程度越高,四种合作模式中的绿色信贷风险最优控制量越低。并且,绿色信贷风险最优控制量随着时间推移而逐渐增加并趋于稳定状态。四方合作模式增幅比较大,三方合作模式、双方合作模式和非合作模式的增幅比较小。说明即使政府部门存在消极行为,四方合作模式依然具有明显优势。但是,政府部门的懈怠行为对绿色信贷风险的最优控制量产生了明显的负面作用,直接影响到绿色信贷风险的最优控制效果。所以,政府部门作为核心主体,要做好表率,积极推动合作进程。同样,环保部门、金融机构和企业的违规程度也会影响到绿色信贷风险的最优控制效果。
如图 5所示,绿色信贷风险最优控制量的大小依次为:四方合作模式>三方合作模式>双方合作模式>非合作模式。政府部门的协同水平越高,四种合作模式中的绿色信贷风险最优控制量越高。并且,绿色信贷风险最优控制量随着时间推移而逐渐增加并趋于稳定状态。四方合作模式增幅比较大,三方合作模式、双方合作模式和非合作模式的增幅比较小。说明四方合作模式具有明显的优势。同时,政府部门的协同行为对绿色信贷风险的最优控制量产生了明显的正面作用,直接影响到绿色信贷风险的最优控制效果。政府部门的协同行为也会影响到其他利益相关者的行为选择,从而影响绿色信贷风险的最优控制效果。同样,环保部门、金融机构和企业的协同行为也会影响到绿色信贷风险的最优控制效果。
如图 6所示,政府部门最优努力水平的大小依次为:四方合作模式>三方合作模式=双方合作模式>非合作模式。政府部门的懈怠程度越高,最优努力水平越低。并且,四方合作模式、三方合作模式和双方合作模式下政府部门最优努力水平降幅比较明显。说明懈怠行为会明显影响政府部门的最优努力水平。但是,在单独进行决策时,懈怠行为对其最优努力水平的影响比较小。
如图 7所示,环保部门最优努力水平的大小依次为:四方合作模式>三方合作模式>双方合作模式>非合作模式。环保部门的懈怠程度越高,最优努力水平越低。并且,四方合作模式、三方合作模式和双方合作模式下环保部门最优努力水平降幅比较明显。说明违规行为会明显影响环保部门的最优努力水平。但是,在单独进行决策时,随着时间的推移,环保部门的最优努力水平逐渐趋于稳定状态。此时,虽然环保部门受到上级政府部门的监管,但会考虑自身利益。
如图 8所示,双方合作模式和非合作模式下金融机构的最优努力水平比较低。当违规程度比较低时,三方合作模式下金融机构的最优努力水平高于四方合作模式下金融机构的最优努力水平。当违规程度越来越高时,四方合作模式下金融机构的最优努力水平高于三方合作模式下金融机构的最优努力水平。并且,随着违规程度的增加,三方合作模式下金融机构的最优努力水平降幅最明显。说明当金融机构没有受到政府部门的强力约束时,倾向于为自身谋福利。
如图 9所示,四方合作模式和三方合作模式下的企业最优努力水平比较高,双方合作模式和非合作模式下的企业最优努力水平比较低。随着违规程度的增加,三方合作模式下企业的最优努力水平降幅最明显。当违规程度小于0.4时,三方合作模式下企业的最优努力水平高于四方合作模式下的最优努力水平。当违规程度大于0.4时,四方合作模式下企业的最优努力水平高于三方合作模式下的最优努力水平。当违规程度小于0.12时,非合作模式下企业的最优努力水平高于双方合作模式下的最优努力水平。当违规程度大于0.12时,双方合作模式下企业的最优努力水平高于非合作模式下的最优努力水平。说明当政府部门参与合作时,能够对企业的行为产生明显的约束作用。当政府部门不参与合作时,企业容易采取投机策略。并且,参与合作的主体越多,企业越倾向于选择非绿色策略。
如图 10所示,金融机构最优努力水平的大小依次为:三方合作模式>双方合作模式2>双方合作模式1>非合作模式。政府部门对金融机构的补贴比率越高,金融机构的最优努力水平也越高。并且,当补贴比率比较小时,金融机构最优努力水平的上升趋势比较小。当补贴比率比较大时,金融机构最优努力水平的上升趋势比较大。说明金融机构和企业是互惠互利的,二者之间存在明显的利益关系,企业的努力水平能够正向影响金融机构的努力水平。所以,当金融机构和企业进行合作时,金融机构的努力水平高于和环保部门进行合作时的努力水平。
如图 11所示,企业最优努力水平的大小依次为:三方合作模式>双方合作模式>非合作模式。政府部门对企业的补贴比率越高,企业的最优努力水平也越高。并且,当补贴比率比较小时,企业最优努力水平的上升趋势比较小。当补贴比率比较大时,企业最优努力水平的上升趋势比较大。说明当环保部门参与合作时,对企业也能起到明显的激励作用。同样,当企业进行单独决策时,虽然会受到政府部门的激励,但最优努力水平的增加是有限的。
如图 12所示,环保部门最优努力水平的大小依次为:三方合作模式>双方合作模式>非合作模式。政府部门对环保部门的惩罚比率越高,环保部门的最优努力水平越低。在三方合作模式中,如果受到的惩罚比较多,环保部门考虑到还有其他参与者能够做贡献,可能会降低投入。而当环保部门进行单独决策时,虽然会受到政府部门的惩罚,但也会为了自身利益而努力。此时,政府部门的惩罚对环保部门最优努力水平的影响比较小。
如图 13所示,金融机构最优努力水平的大小依次为:三方合作模式>双方合作模式2>双方合作模式1>非合作模式。政府部门对金融机构的惩罚比率越高,金融机构的最优努力水平越低。在两种双方合作模式中,企业对金融机构的作用更明显。虽然金融机构会受到政府的惩罚,但如果企业能够积极作为,便能激励金融机构。同样,当金融机构进行单独决策时,虽然会受到政府部门的惩罚,但也会为了自身利益而努力。此时,政府部门的惩罚对金融机构最优努力水平的影响比较小。
如图 14所示,企业最优努力水平的大小依次为:三方合作模式>双方合作模式>非合作模式。政府部门对企业的惩罚比率越高,企业的最优努力水平越低。在多种合作模式中,如果受到的惩罚比较多,企业考虑到还有其他参与者能够做贡献,可能会降低投入。不同于环保部门和金融机构的行为,企业在进行单独决策时,也会因政府的惩罚而明显降低努力水平。说明政府部门对企业的惩罚效应大于环保部门和金融机构。
如图 15所示,企业最优努力水平的大小依次为:三方合作模式>双方合作模式2>双方合作模式1>非合作模式。环保部门对企业的惩罚比率越高,企业的最优努力水平越低。在两种双方合作模式中,金融机构对企业的作用更明显。虽然企业会受到环保部门的惩罚,但如果金融机构能够积极作为,便能激励企业。同样,企业在进行单独决策时,也会因政府的惩罚而明显降低努力水平。
本研究聚焦绿色信贷风险问题,将政府部门、环保部门、金融机构和企业的行为策略纳入同一个理论框架,构建绿色信贷风险优化控制模型,研究绿色信贷风险的优化控制。研究表明:第一,四方合作模式具有明显优势,该模式下绿色信贷风险的优化控制效果比较好;第二,政府的参与能够有效带动其余合作者的积极性;第三,金融机构和企业之间,存在明显的利益共存和投入互动关系;第四,补贴和惩罚措施在合作过程中能够产生激励和约束作用,但在非合作模式下发挥的作用有限;第五,协同水平越高,越有利于绿色信贷风险的优化控制。
本研究在充分考虑环境效益、经济效益和社会效益的基础上,提出绿色信贷风险的优化控制策略。第一,根据各地实际情况,灵活运用行政、经济或法律等多种干预手段,引导企业创新绿色技术;第二,结合绿色信贷推广和绿色技术创新的难度和深度等,进行不同力度的支持;第三,对绿色信贷产品的类型、绿色信贷服务的流程、绿色信贷的流向、绿色信贷的市场反馈和绿色信贷的舆论效应等进行严格监管;第四,建立符合国内绿色信贷发展特点的风险标准,统一绿色信贷风险的评判和管控依据;第五,政府部门对金融机构和企业的补贴,有利于降低绿色信贷风险。但需要通过宏观调控,对补贴用途进行考评,防止金融机构和企业将绿色补贴挪作他用;第六,从社会效益层面,增强消费者对绿色产品的消费意愿,提升企业的绿色经营意愿和金融机构的绿色投资意愿,激励政府部门、生态环境部门、金融机构和企业的绿色行为,从而将绿色信贷风险控制在一定范围内。
[1] |
HU Y Q, JIANG H Y, ZHONG Z Q. Impact of green credit on industrial structure in China: theoretical mechanism and empirical analysis[J]. Environmental science and pollution research, 2020, 27(10): 10506-10519. DOI:10.1007/s11356-020-07717-4 |
[2] |
YAO S Y, PAN Y Y, SENSOY A, et al. Green credit policy and firm performance: what we learn from China[J]. Energy economics, 2021, 101: 105415. DOI:10.1016/j.eneco.2021.105415 |
[3] |
ZHANG K, LI Y C, QI Y, et al. Can green credit policy improve environmental quality? Evidence from China[J]. Journal of environmental management, 2021, 298: 113445. DOI:10.1016/j.jenvman.2021.113445 |
[4] |
AL-QUDAH A A, HAMDAN A, AL-OKAILY M, et al. The impact of green lending on credit risk: evidence from UAE's banks[J]. Environmental science and pollution research, 2023, 30(22): 61381-61393. |
[5] |
张新. 基于BP神经网络的商业银行绿色信贷风险评价研究[D]. 天津: 天津科技大学, 2017.
|
[6] |
ZHANG S L, WU Z H, WANG Y, et al. Fostering green development with green finance: an empirical study on the environmental effect of green credit policy in China[J]. Journal of environmental management, 2021, 296: 113159. DOI:10.1016/j.jenvman.2021.113159 |
[7] |
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(4): 1623-1640. DOI:10.1002/bse.2973 |
[8] |
LIU J Y, XIA Y, FAN Y, et al. Assessment of a green credit policy aimed at energy-intensive industries in China based on a financial CGE model[J]. Journal of cleaner production, 2017, 163: 293-302. DOI:10.1016/j.jclepro.2015.10.111 |
[9] |
刘昊. 绿色信贷、风险管理文化与商业银行高质量发展[J]. 财经理论与实践, 2021, 42(5): 2-8. |
[10] |
杜莉, 刘铮. 数字金融对商业银行信用风险约束与经营效率的影响[J]. 国际金融研究, 2022(6): 75-85. |
[11] |
陈倩, 梁力军. 基于分段损失分布法和Copula的银行操作风险集成度量[J]. 运筹与管理, 2019, 28(8): 174-181. |
[12] |
鲁政委, 陈昊. 巴塞尔协议Ⅲ操作风险资本监管的新标准法与实施挑战[J]. 金融监管研究, 2019(4): 1-14. |
[13] |
张成岗, 王明玉. "一带一路"沿线国家的环境风险评价及治理政策研究[J]. 中国软科学, 2022(4): 1-10, 34-34. |
[14] |
徐伟. 提升银行声誉风险管理[J]. 中国金融, 2021(8): 76-77. |
[15] |
LASSOUED M. Comparative study on credit risk in Islamic banking institutions: the case of Malaysia[J]. The quarterly review of economics and finance, 2018, 70: 267-278. DOI:10.1016/j.qref.2018.05.009 |
[16] |
HASSAN M K, KHAN A, PALTRINIERI A. Liquidity risk, credit risk and stability in Islamic and conventional banks[J]. Research in international business and finance, 2019, 48: 17-31. DOI:10.1016/j.ribaf.2018.10.006 |
[17] |
HÖ CK A, KLEIN C, LANDAU A, et al. The effect of environmental sustainability on credit risk[J]. Journal of asset management, 2020, 21(2): 85-93. DOI:10.1057/s41260-020-00155-4 |
[18] |
EKINCI R, POYRAZ G. The effect of credit risk on financial performance of deposit banks in Turkey[J]. Procedia computer science, 2019, 158: 979-987. DOI:10.1016/j.procs.2019.09.139 |
[19] |
MORADI S, RAFIEI F M. A dynamic credit risk assessment model with data mining techniques: evidence from Iranian banks[J]. Financial innovation, 2019, 5(1): 15. DOI:10.1186/s40854-019-0121-9 |
[20] |
ASTUTI M D, HERMUNINGSIH S, MAULIDA A. The financial ratio analysis in predicting the conditions of financial distress[J]. Almana: jurnal manajemen dan bisnis, 2021, 5(2): 235-240. DOI:10.36555/almana.v5i2.1604 |
[21] |
GHASEDI M, SARFJOO M, BARGEGOL I. Prediction and analysis of the severity and number of suburban accidents using logit model, factor analysis and machine learning: a case study in a developing country[J]. SN applied sciences, 2021, 3(1): 13. DOI:10.1007/s42452-020-04081-3 |
[22] |
WU D S, LIANG L, YANG Z J. Analyzing the financial distress of Chinese public companies using probabilistic neural networks and multivariate discriminate analysis[J]. Socioeconomic planning sciences, 2008, 42(3): 206-220. DOI:10.1016/j.seps.2006.11.002 |
[23] |
王道平, 王婷婷, 张博卿. 政府补贴下供应链合作减排的微分博弈[J]. 运筹与管理, 2019, 28(5): 46-55. |
[24] |
张智勇, 李华娟, 杨磊, 等. 基于微分博弈的双渠道广告合作协调策略研究[J]. 控制与决策, 2014, 29(5): 873-879. |
[25] |
赵黎明, 李聪, 郭祥. 基于微分博弈的政企救灾合作策略研究[J]. 系统工程理论与实践, 2018, 38(4): 885-898. |
[26] |
马永红, 刘海礁, 柳清. 产业共性技术产学研协同研发策略的微分博弈研究[J]. 中国管理科学, 2019, 27(12): 197-207. |
[27] |
幸丽霞, 陈冬, 林晚发. 企业避税行为与债券信用评级关系研究——基于避税风险观的中介效应视角[J]. 中国软科学, 2017(12): 169-177. |
[28] |
李焱文, 蒋文华, 王纯洁. 网络大数据信用风险评分能有效预测信贷违约风险吗?[J]. 经济问题, 2021(7): 70-77. |
[29] |
邱志刚, 罗煜, 江颖, 等. 金融科技会颠覆传统金融吗?——大数据信贷的经济解释[J]. 国际金融研究, 2020(8): 35-45. |
[30] |
孙存一, 张秋, 王彩霞. 大数据算法的精确制导: 信贷客户识别以及特征要素分析[J]. 税务与经济, 2016(1): 29-33. |
[31] |
HONG M, LI Z H, DRAKEFORD B. Do the green credit guidelines affect corporate green technology innovation? Empirical research from China[J]. International journal of environmental research and public health, 2021, 18(4): 1682. DOI:10.3390/ijerph18041682 |
[32] |
李杨. 绿色复苏与绿色技术创新研究[J]. 天津师范大学学报(社会科学版), 2021(4): 105-110. |
[33] |
苏冬蔚, 连莉莉. 绿色信贷是否影响重污染企业的投融资行为?[J]. 金融研究, 2018(12): 123-137. |
[34] |
左振秀, 崔丽, 朱庆华. 中国实施绿色信贷的障碍因素[J]. 金融论坛, 2017, 22(9): 48-57, 80-80. |
[35] |
郑敏娜, 任广乾. 企业绿色创新行为的演化博弈分析——基于环保社会组织参与的视角[J]. 运筹与管理, 2021, 30(3): 15-21. |
[36] |
周永圣, 梁淑慧, 刘淑芹, 等. 绿色信贷视角下建立绿色供应链的博弈研究[J]. 管理科学学报, 2017, 20(12): 87-98. |
[37] |
徐乐, 马永刚, 王小飞. 基于演化博弈的绿色技术创新环境政策选择研究: 政府行为VS. 公众参与[J]. 中国管理科学, 2022, 30(3): 30-42. |
[38] |
张海波, 孙健慧. 政银企三方博弈下绿色金融发展策略研究[J]. 金融理论与实践, 2019(7): 24-33. |
[39] |
李善民. 奖惩机制下绿色信贷的演化博弈分析[J]. 金融监管研究, 2019(5): 83-98. |
[40] |
陈科. 绿色信贷市场中的主体行为选择——基于三方博弈均衡视角[J]. 上海金融, 2019(11): 80-82, 87-87. |
[41] |
杨曼, 刘德海. 物理-社会耦合系统下震后多方协同救援的微分博弈模型[J/OL]. 中国管理科学, 1-16[2023-07-28]. https://doi.org/10.16381/j.cnki.issn1003-207x.2021.2073.
|
[42] |
付浩言, 宋力. 低碳偏好下产业集群能源共享的微分博弈策略[J/OL]. 计算机集成制造系统: 1-19[2023-07-28]. http://kns.cnki.net/kcms/detail/11.5946.TP.20220823.1116.002.html.
|
[43] |
卓四清, 韩雪. 碳补贴与零售商竞争下供应链合作方式的微分博弈研究[J]. 管理工程学报, 2023, 37(2): 80-89. |
[44] |
曲薪池, 侯贵生, 孙向彦. 政府规制下企业绿色创新生态系统的演化博弈分析——基于初始意愿差异化视角[J]. 系统工程, 2019, 37(6): 1-12. |
[45] |
戚湧, 王明阳. 绿色金融政策驱动下的企业技术创新博弈研究[J]. 工业技术经济, 2019, 38(1): 3-10. |
[46] |
韩丰霞, 肖汉杰, 彭定洪, 等. 经济新常态下绿色金融发展动力问题探究——基于政府、银行和企业三方博弈关系[J]. 经济与管理评论, 2017, 33(5): 88-94. |