引言

在“双碳”目标与绿色转型持续推进的背景下，气候相关政策的频繁调整显著提升了政策环境不确定性，商业银行因此需要在转型风险上升的情境下优化授信结构。现有研究虽已关注气候政策不确定性（Climate policy uncertainty, CPU）对经济金融活动及银行风险行为的影响，但对银行如何在CPU冲击下进行更具结构性、前瞻性的信贷结构调整仍缺乏系统证据。本文聚焦“CPU与银行信贷集中暴露”的关系，以信贷集中度刻画大客户依赖与组合分散化，检验CPU上升是否促使银行采取“去集中化”策略，并构建“宏观不确定性冲击—风险偏好调整—信贷结构重配”的分析框架，采用面板计量方法识别效应并通过工具变量缓解潜在内生性。研究从信贷结构视角补充了CPU影响银行行为的证据，揭示不同类型银行可能存在差异化响应，并为将气候相关不确定性纳入信贷集中度监测、宏观审慎监管与银行风险管理提供参考。

一、相关研究

（一）气候政策不确定性研究现状

Jiasheng Yu用气候政策不确定性来代理气候转型风险。气候政策不确定性近年来成为学术界广泛研究主题。Gavriilidis基于主流媒体报纸中的关键词出现的频率，构建了美国气候政策不确定性指数，它衡量了气候政策变化的不确定性程度。研究表明，此指数在与气候政策相关的重要事件附近出现峰值。在此基础上，Shang评估了气候政策不确定性对可再生能源与不可再生资源消费的影响，研究表明，气候政策不确定性显著抑制了非可再生能源的需求，同时对可再生能源的需求具有一定的推动作用。Ren发现气候政策不确定性对企业全要素生产率的影响，发现气候政策不确定性显著降低了企业层面的全要素生产率。气候不确定性可以用来预测石油行业未来的股票收益率。气候政策不确定性显著降低了商业银行承担的被动风险和主动风险,增加了银行承担的破产风险，且对上市银行承担的被动风险大于非上市银行。气候政策不确定性显著的降低了银行的流动性创造。气候风险增加会导致银行稳定性下降。

（二）银行信贷行为研究现状

有关商业银行信贷行为，海内外学者也做了大量的研究，从各个方面对影响商业银行信贷增长进行了分析。

许友传对不同银行进行分类，研究了不同类型银行在货币政策冲击下的信贷行为反应，研究结果表明，规模越大、股权资本越多的银行，在紧缩性货币政策的冲击下具有更激烈的信贷行为反应，货币紧缩可以有效降低银行的信贷供给。魏巍等采用2002-2012年116家商业银行的非平衡面板数据构建模型，认为货币政策、监管政策、银行的资本充足性对商业银行的信贷扩张具有显著影响。张辉和贺敬之以2009年为起点，分析了我国商业银行信贷结构的变化情况，发现我国各类银行的贷款投向各有侧重，分布于不同的行业。史小坤和陈文发现宏观经济不确定性会对银行的信贷行为产生负向影响，而这一影响对于中小企业贷款额占比较大的银行来说更大，而价格型货币政策可以显著地降低宏观经济不确定性对银行贷款的负面影响。

二、理论基础与假设提出

（一）信贷配给理论与风险规避理论

信贷配给理论由Stiglitz与Weiss首次系统提出，是解释银行在面对信息不对称与风险不确定性条件下如何调整信贷供给行为的重要理论基础。该理论认为，在传统供需机制无法充分调节信贷市场时，银行会采用数量限制（即“配给”）而非价格机制（如利率调整）来控制风险敞口。

风险规避理论源于现代经济学中关于决策者在不确定环境下行为选择的研究，强调个体或机构在面临潜在损失时，往往更倾向于规避风险，而非单纯追求期望收益最大化。该理论在金融领域被广泛应用于解释投资者、金融机构及市场参与者在高不确定性环境下的保守行为，尤其在银行信贷决策中表现尤为明显。

（二）假设提出

信贷集中度是衡量商业银行信贷资源配置是否集中于少数客户或行业的重要指标，反映了银行在风险控制、资源分配及经营策略上的结构性特征。较高的信贷集中度虽然有助于降低交易成本和强化客户关系，但也可能带来信用风险集中、资产组合抗冲击能力下降等隐患，尤其在外部不确定性上升的情境下，其潜在风险进一步放大。

在气候政策不确定性上升的背景下，这种不确定性显著影响银行对客户未来经营稳定性的判断，加剧贷款违约概率难以评估的问题，尤其在高排放行业、资源密集型企业中表现更为突出。在此背景下，银行为降低集中性暴露风险，可能主动调整信贷投向策略，趋向于对客户结构进行分散化重组，以提升贷款组合的稳健性与灵活性。

从资产组合理论角度看，银行在不确定性上升时往往会降低高相关性资产的配置权重，增强多样化程度，以控制系统性风险；而从委托代理与信息不对称理论视角出发，银行对大客户或传统行业虽具信息获取优势，但在环境标准尚未完善、绿色认定机制不明晰的情况下，集中授信反而可能增加不可控风险敞口。因此，银行更可能采取主动“去集中化”信贷配置策略，以应对气候政策的不确定性冲击。综上所述，气候政策不确定性的上升可能促使银行在信贷行为中降低对少数客户或行业的依赖，通过资源分散以增强抗风险能力，进而表现为信贷集中度的下降。

基于上述讨论，我们提出以下假设：

H1：气候政策不确定性的增加会抑制银行业的信贷集中度。

三、样本选择与模型设定

（一）样本选择

本研究采用2008-2022年中国商业银行的年度数据，银行财务信息来源于中国经济金融研究数据库（CSMAR）和Wind数据库，宏观经济变量来自中国国家统计局数据库。为确保结果的可靠性，本文采用非平衡面板数据，并剔除关键信息缺失的样本。此外，为避免因特定政策或业务模式造成的偏差，政策性银行和外资银行分支机构未纳入分析。最终样本涵盖360家银行，共2631个年度观测值，包括农村商业银行、国有商业银行、城市商业银行和股份制商业银行。这些银行具有较强的代表性，其总资产约占中国银行业总资产的85%。

（二）模型设定

本文采用面板单固定效应来探究气候政策不确定性与银行信贷增长之间的关系。本文决定不固定时间效应。因为气候政策不确定性是时间序列变量，若在回归时控制时间固定效应会引起多重共线性问题，造成气候政策不确定性对银行信贷增长的作用与时间虚拟变量的相互抵消，CPU的系数将无法估计，因而在本文中没有控制时间固定效应，最终通过控制宏观层面的变量来代替时间效应，我们采用固定效应模型进行面板回归，因此本文构建的基准模型为：

其中和控制时间和个体；代表银行层面变量；代表宏观层面变量。气候政策不确定性可能会因气候变化、国际动态和不同时期的经济状况等因素而波动。银行之间在管理策略、市场份额、风险承受能力和其他特征上的差异会使准确评估气候政策不确定性的影响变得更加复杂。因此，我们纳入了单个银行固定效应，并用表示未观测误差项。

（三）变量选择

解释变量是气候政策不确定性指数。本文采用气候政策不确定性指数来衡量气候变化的程度。我们采用了由Ma开发的中国气候政策不确定性指数。为了加强分析，我们的气候政策不确定性指数采取年平均值。这种方法可以更准确地考察气候政策不确定性对银行信贷行为的影响。

被解释变量使用银行前十大客户贷款比例作为银行信贷集中度的主要指标，这一指标反应了银行的客户分布情况与风险分散情况。当贷款集中度上升时，表明银行加大资源对最优质客户的倾斜，规避非最优质客户，银行风险偏好有所下行。其数值越大则表明商业银行信贷投向越集中，并以此衡量商业银行信贷投向集中度。

另外，控制变量如表1所示。

变量	描述
Top10	前十大客户贷款比例
CPU	气候政策不确定性指数
ROA	资产收益率
Size	银行规模
LTDP	存贷比
CAR	资本充足率
GDP	GDP增长率
CPI	通货膨胀率

四、实证分析

（一）描述性统计

表2列出了各变量的描述性统计。年均气候政策不确定性指数的均值为2.515，最小值为2009年，最大值为2021年。贷款集中度的均值为0.33，表明样本银行平均约33%的贷款集中于前十大客户。NPL最大值为26.110，最小值为0.002，反映了银行贷款组合的风险波动。银行规模最小为19.060，最大为31.310，表明样本中既有小型银行，也有大型银行。

	(1)	(2)	(3)	(4)	(5)
VARIABLES	N	mean	sd	min	max
Top10	2254	0.331	0.254	0.011	3.689
CAR	3727	13.746	4.646	-1.220	55.120
ROA	3018	0.935	0.475	-3.250	4.219
Size	3044	25.007	1.936	19.060	31.310
GDP	3809	0.069	0.023	0.007	0.144
LTDP	3789	0.685	0.180	0.210	7.055
CPI	3809	0.023	0.012	-0.007	0.059
CPU	3809	2.515	0.388	1.363	3.200

（二）气候政策不确定性对信贷增长的影响

表3 气候政策不确定性与银行信贷行为

	(2) TOP10
CPU	-0.074***
	(-3.51)
ROA	-0.102***
	(-7.46)
Size	-0.060***
	(-3.21)
LTDP	0.093***
	(3.89)
CAR	-0.009***
	(-8.39)
GDP	1.017***
	(3.51)
CPI	0.790**
	(2.33)
Constant	2.104***
	(4.66)
Observations	1,827
R-squared	0.235
Number of id	299
Bank FE	YES

我们使用模型（1）来考察气候政策不确定性对银行信贷集中度的影响。表3列出了模型（1）的基线回归结果。结果表明，在控制单银行的情况下，气候政策不确定性对银行信贷集中度的影响在1%的水平上显著为负。具体而言，表3第（1）列中气候政策不确定性的系数为-0.074，表明气候政策不确定性每增加1个百分点，银行贷款增长率就会下降0.074个百分点。这些结果印证了H1，证实了气候政策不确定性对银行业信贷集中度的负面影响。

其中，资本收益率、银行规模和资本充足率都有着显著的负向影响。资本收益率（ROA）对信贷集中度的影响为负，说明盈利能力更强的银行在信贷配置上更倾向于结构优化，避免将资源过度集中于少数客户，以提升整体风险调节能力和长期收益弹性，从而避免银行受到更好的风险。银行规模的负向系数则表明，大型银行具备更广泛的客户基础和更强的风险分散能力，能够在更大的范围内配置贷款资源，从而降低信贷集中度。资本充足率作为银行稳健经营的重要指标，其负向关系说明资本实力越强的银行越倾向于进行分散化投放，增强资产组合的灵活性和抵御风险的能力。

而存贷比、GDP增长率、通货膨胀率有显著的正向作用，说明宏观经济环境与银行流动性状况在一定程度上强化了信贷资源的集中配置趋势。存贷比的正向影响表明，在银行贷款资金来源相对紧张、存贷比偏高的情况下，银行倾向于将有限的信贷资源优先配置给资信水平较高、合作关系稳定的大客户，以降低违约概率与信息获取成本。这种策略体现了银行在信贷资源受限条件下的“客户优先级排序”，进而推高整体信贷集中度。GDP增长率的上升代表实体经济活跃度增强，企业投资与融资需求普遍上升。在此背景下，银行为了抓住增长机会、提高贷款回报，往往倾向于加大对重点行业、龙头企业或核心区域的投放力度，从而造成信贷资源向优势客户或主导行业聚集，导致信贷集中度的上升。CPI的正向作用则可能源于银行在高通胀预期下的风险规避策略。当通胀率上升导致实际利差缩小、贷款回报不确定性上升时，银行更可能将信贷投向具有更强还款能力和抗通胀能力的大型客户或低风险行业，以保障资产安全和收益稳定，从而进一步推高贷款集中度水平。

（三）异质性分析

表4 异质性分析

	Unlisted	Listed
VARIABLES	TOP10	TOP10
CPU	-0.139**	-0.005
	(-2.48)	(-0.31)
ROA	-0.121***	-0.048**
	(-4.33)	(-2.06)
Size	-0.022	-0.087***
	(-0.45)	(-4.85)
LTDP	0.082	0.008
	(1.24)	(0.17)
CAR	-0.011***	-0.003**
	(-4.40)	(-2.22)
GDP	2.056**	-0.170
	(2.57)	(-0.72)
CPI	1.680**	-0.559**
	(2.34)	(-2.22)
Constant	1.280	2.796***
	(1.11)	(5.44)
Observations	1,476	351
R-squared	0.237	0.580
Number of id	284	42
Bank FE	YES	YES

从表4（1）、（2）列的分组回归结果显示，气候政策不确定性对不同所有制结构银行的信贷集中度影响存在显著差异。其中，CPU对非上市银行的信贷集中度具有显著的负向影响，在1%的显著性水平下成立，表明在政策不确定性上升的情境下，非上市银行更倾向于分散信贷资源，降低对少数客户或行业的依赖。而对上市银行而言，CPU的回归系数不显著，说明其信贷集中度在面临政策不确定性变化时响应不敏感，结构调整幅度相对有限。这一结果可能反映出两类银行在风险管理能力、市场约束机制及客户结构方面的差异。非上市银行通常规模较小、抗风险能力相对有限，对外部不确定性更为敏感，因此在面对气候政策不确定性时，倾向于通过“去集中化”策略来缓释潜在信贷风险，强化资产组合的稳定性。同时，非上市银行客户基础更为集中于本地中小企业和行业集群，政策调整对其客户结构的影响更直接，驱动其主动调整信贷布局。相比之下，上市银行通常具备更强的资本实力、信息获取能力和风险分散渠道，面对政策不确定性时可以依赖内部风险吸收机制而不必大幅调整信贷结构。此外，上市银行普遍具有更稳定的核心客户体系，尤其是在大型企业、政府平台和国有集团客户中的黏性较强，这可能限制了其信贷集中度在短期内的调整空间。

（四）稳健性检验

表5 稳健性检验

	(1) first	(2) second
VARIABLES	CPU	TOP10
CPU		-0.191**
		(-2.40)
ovx	-0.005***
	(-8.99)
ROA	-0.095***	-0.106***
	(-3.67)	(-4.49)
Size	0.713***	0.030
	(30.31)	(0.50)
LTDP	0.074	0.098
	(0.65)	(1.24)
CAR	0.012***	-0.008***
	(6.59)	(-3.93)
GDP	8.251***	2.224**
	(20.28)	(2.44)
CPI	5.873***	1.536**
	(16.16)	(2.28)
Observations	1,782	1,782
R-squared		0.220
Number of id	254	254

由于CPU反应了自然环境的变化，因此在分析中可能存在内生性问题，因此我们采用了工具变量法。气候政策不确定性会影响能源部门的发展和政策方向，进而影响原油生产。反过来，原油的供需动态也会影响气候政策。气候政策不确定性可以从统计和经济角度预测石油行业的收益，也会影响石油价格。此外，能源市场的不稳定也会促使政策重新评估和调整。结合中国气候政策制定的特点以及石油对环境的影响，原油价格波动对中国气候政策的制定产生了影响，因此本文决定使用国际原油价格波动指数（ovx）作为工具变量以减少内生性。

我们采用两阶段最小二乘法（2SLS）估计模型。表5报告了两阶段最小二乘法（2SLS）分析的估计结果。第（1）列显示了工具变量第一阶段的结果，回归系数在1%的水平上显著，证实了工具变量的有效性。第（2）列显示了第二阶段的回归结果，表明从工具变量估算出的解释变量气候政策不确定性的回归系数方向与相应基线模型的估算结果一致。其中识别不足检验的p值小于0.01，在1%的显著性水平上拒绝了识别不足的零假设。在Stock-Yogo 弱识别检验中，其中一个F统计量超过了15%偏差的临界值，表明工具变量并不弱。基于工具变量的气候政策不确定性回归系数的方向与基线模型估计值保持一致。总之，基线结果得到了验证，我们的基线结果是稳健的。

五、结论

本文基于气候政策不确定性视角，构建了银行信贷集中度分析框架，利用银行层面特征与宏观控制变量信息，系统刻画不确定性冲击下银行贷款结构的调整行为。CPU指标为模型提供了对外部政策环境波动的度量，有助于理解银行在风险上升情境下如何通过分散配置来降低大客户集中暴露。实证结果表明，CPU上升显著降低银行贷款集中度，且该效应在非上市银行中更为突出，说明不同治理与市场约束条件会影响银行对不确定性冲击的敏感性。总体来看，本研究为从信贷结构维度识别气候相关政策不确定性的金融影响提供了经验证据，也为完善气候风险与集中度监管框架提供了参考。未来研究可进一步融合更细粒度的风险与敞口信息，例如引入银行绿色信贷占比、客户行业碳强度、地区转型压力等数据，刻画“气候风险—信贷结构”传导机制，并结合行业集中度、最大单一客户暴露等替代指标，以提升结论的稳健性与政策解释力。

参考文献：

1. [1] Yu J, Zhang M, Liu R, et al. Dynamic effects of climate policy uncertainty on green bond volatility: An empirical investigation based on TVP-VAR models[J]. Sustainability,2023,15(02):1692-1692.
2. [2] Gavriilidis K. Measuring climate policy uncertainty[J]. Social science electronic publishing,2021.
3. [3] Shang Y, Han D, Gozgor G, et al. The impact of climate policy uncertainty on renewable and non-renewable energy demand in the United States[J]. Renewable energy,2022,197:654-667.
4. [4] Ren X, Zhang X, Yan C, et al. Climate policy uncertainty and firm-level total factor productivity: Evidence from China[J]. Energy economics,2022,113:106209.
5. [5] 许友传. 商业银行对货币政策的信贷行为反应与分布特征[J]. 上海经济研究,2012,24(09):3-11.
6. [6] 魏巍, 蒋海, 庞素琳.货币政策、监管政策与银行信贷行为——基于中国银行业的实证分析(2002-2012)[J]. 国际金融研究,2016(05):48-60.
7. [7] 张辉, 贺敬芝. 银行业信贷结构及其优化路径研究[J]. 金融监管研究,2018(03):64-78.
8. [8] 史小坤, 陈文.货币政策能否促进银行对小微企业信贷投放——基于宏观经济不确定视角的研究[J].经济理论与经济管理,2021,41(07):81-95.
9. [9] Ma Y, Liu Z, Ma D, et al. A news-based climate policy uncertainty index for China[J]. Scientific data,2023,10(01):881.