引言

数字经济时代下，企业数字化转型已然成为适配技术变革、构筑核心竞争力的必由之路。2023年我国数字经济规模达50.2万亿元，占GDP比重超40%，企业数字化转型步伐持续加快。融资约束始终是阻碍企业经营发展的突出难题，信息不对称与代理冲突是其主要成因，而数字化转型能够重构企业信息处理、组织管理与价值创造模式，有望有效缓解融资约束。

当前学界对二者关联的研究仍较为粗浅，缺乏多维度指标构建与严谨实证检验。企业数字化转型涵盖技术应用、模式创新、智能升级等层面，不同转型路径对融资约束的影响存在差异，其内在是否通过提升信息透明度、降低代理成本发挥作用，也尚未形成统一结论。

基于此，本文从多维度构建数字化转型指标，依托信息不对称、代理成本等理论剖析其作用机制，并采用2014—2024年A股上市公司数据，运用固定效应、中介效应模型开展实证检验。研究既能够丰富数字化转型经济后果的理论体系，也可为企业制定数字化战略、缓解融资约束，以及政府完善数字经济与融资支持政策提供现实参考。

一、文献综述

（一）国内研究现状

国内学者围绕绿色金融与企业绩效的关系展开丰富研究，形成三类核心观点。其一，绿色金融通过政策效应影响企业绩效。徐丽、刘斌采用双重差分法研究2016—2022年A股上市公司，发现绿色金融政策存在双重外部性：短期负外部性下，部分企业为迎合监管开展低效率绿色创新，导致财务绩效下滑；长期正外部性显现后，发行绿色债券企业绩效平均提升12.7%，且政策效应在实施3年后更显著。罗紫瑜基于资源基础观提出“绿色融资—创新转化—绩效提升”路径，实证发现绿色债券可降低企业融资成本15%，带动绿色专利产出提升23%。

其二，绿色金融通过多重中介路径作用于企业绩效。王健、赵静构建中介效应模型，证实绿色金融可通过缓解融资约束、激励绿色创新、提升企业声誉三条路径提升绩效。陈志刚等跨行业对比发现，绿色金融对新能源等绿色产业的绩效促进作用更显著，行业异质性明显。

其三，产权性质影响政策实施效果。金健研究表明，国有企业在绿色项目审批、资金获取上具备天然优势，绿色债券发行规模为民营企业的2.3倍，但资金配置效率偏低；民营企业虽融资难度更大，但其绿色项目回报率比国有企业高1.8个百分点。

（二）国外研究现状

国外研究聚焦绿色金融的市场机制与跨国差异。Stroebel&Wurgler基于全球绿色债券数据发现，绿色金融通过降低融资成本、提供税收优惠激励企业增加环保投资，但部分企业存在“漂绿”行为，导致实际环境效益打折扣。IMF在《全球金融稳定报告》中指出，绿色金融有效性依赖市场成熟度：欧盟、美国等发达市场定价透明、资金配置效率高；新兴市场因信息不对称、监管不完善，绿色金融工具利用效率偏低。

Hong等以中国2016年绿色金融政策为外生冲击，采用双重差分法证实，绿色金融显著降低环保企业融资成本、提升投资效率，中国绿色金融的政府主导特征有助于政策快速落地，但可能弱化市场调节能力。Flammer提出，绿色研发投入会短期压制企业业绩，但长期可带来稳定现金流，与国内学者的长期效应结论一致。

（三）文献述评

现有研究已认可绿色金融对绿色创新的激励作用、绿色创新对企业绩效的正向影响，但仍存在不足：一是多聚焦绿色金融与企业绩效、绿色金融与绿色创新的两两关系，将三者纳入统一框架的系统性研究较少；二是作用机制尚未形成统一结论，对区域、产权等异质性的挖掘不够深入；三是部分研究仅采用单一财务指标衡量绩效，缺乏综合视角。本文基于上述缺口，构建完整分析框架，开展实证检验，弥补现有研究不足。

二、相关概念与理论基础

（一）绿色金融

绿色金融是为支持环境改善、应对气候变化及资源高效利用，把环境风险、生态保护等纳入金融决策，引导资金流向绿色低碳领域的金融活动，核心是实现金融与生态保护协同发展。早期学界认为环境规制会削弱经济竞争力，波特假说提出后，严格环境规制可激发创新补偿效应成为共识。2018 年欧盟建成全球首个绿色金融分类标准，2024年末欧洲绿色债券存量达9500亿欧元。我国绿色金融发展迅猛，2025年末绿色贷款余额44.8万亿元、绿色债券存量2.42万亿元，规模居全球前列。

（二）企业绩效

传统企业绩效以财务指标为核心，在绿色转型背景下，环境效益、社会价值、治理效率成为重要维度。联合国全球契约组织研究显示，将可持续发展目标纳入绩效考核的企业，员工留存率高出行业均值30%。企业绩效绿色化主要体现为三方面：环境成本内部化、社会影响量化、治理能效透明化，多维绩效更能反映企业可持续发展能力。

（三）绿色技术创新

绿色技术创新是融合环保理念的技术创新活动，兼具经济效益与环境效益双重价值导向，区别于传统创新的单一利润目标。随着环保需求提升，绿色技术成为企业核心竞争力；绿色专利加速审查、研发补贴等政策工具，进一步推动绿色创新成果转化。

三、研究方法与思路

（一）研究方法

文献分析法：系统梳理国内外绿色金融、企业绩效、绿色创新相关文献，明确研究缺口与理论基础。

定量分析法：选取2014—2024年沪深A股上市公司数据，构建绿色金融发展指数与企业绩效模型，采用面板固定效应、中介效应、异质性分析开展实证检验。

理论分析法：结合环境经济学、金融中介理论等，阐释绿色金融影响企业绩效的内在机制，为实证分析提供理论支撑。

（二）研究思路

本文遵循“概念界定—机制分析—实证检验—结论建议”的逻辑展开：首先界定核心概念、梳理文献；其次构建“绿色金融—绿色创新—企业绩效”分析框架，阐释作用机制；再次选取数据、设定变量、构建模型开展实证分析，进行稳健性与异质性检验；最后总结结论，从政府与企业层面提出对策建议。

四、绿色金融对企业绩效的影响机制分析

绿色金融主要通过缓解融资约束与优化信息传递两大核心机制作用于企业绩效，同时以绿色技术创新为中介纽带，形成完整传导链条。

（一）缓解融资约束：降低成本，拓宽渠道

融资约束是制约企业绿色转型的关键障碍，绿色项目研发投入大、回报周期长，传统金融机构因风险考量存在惜贷现象。绿色金融通过绿色信贷、绿色债券、贴息贷款等专项工具，为符合环保标准的企业提供低成本资金，有效降低融资成本、拓宽融资渠道。

从资金供给看，绿色信贷实施差异化利率，向绿色项目倾斜；资金可得性提升直接缓解企业研发与运营压力，释放生产活力，最终转化为绩效提升。

（二）优化信息传递：提升声誉，增强认可

绿色金融推动企业规范环境信息披露，向市场传递低碳、负责任的积极信号，降低投资者与企业间的信息不对称。全球主流投资机构已将ESG纳入投资决策，完善环境披露的企业更易获得机构投资者青睐，提升市场估值与品牌溢价。

综上，绿色金融在融资端降低成本、拓宽渠道，在市场端提升声誉、增强信任，双重机制共同推动企业绩效提升。

（三）中介传导：绿色技术创新的桥梁作用

绿色金融为绿色技术创新提供资金保障，缓解创新研发的资金约束；绿色创新成果则形成技术壁垒、提升产品竞争力，同时优化ESG表现，反向吸引更多绿色资金，形成“绿色金融—绿色创新—企业绩效”的良性循环。

五、实证分析

（一）数据来源与样本处理

本文选取2014—2024年沪深A股上市公司为初始样本，按以下规则处理：（1）剔除金融类企业，因其财务结构与业务特征特殊；（2）剔除ST、*ST等异常经营企业；（3）对连续变量进行1%缩尾处理，消除极端值影响。最终得到5006家企业、38812个观测值的平衡面板数据。数据来源于国泰安（CSMAR）、Wind数据库及国家统计局。

（二）变量设定

1. 被解释变量

企业绩效（ROE）：采用净资产收益率，衡量股东资本获利能力，计算公式为净利润/平均净资产。

2. 核心解释变量

绿色金融（GF）：采用熵值法构建区域绿色金融发展指数，从绿色信贷、绿色债券、绿色保险、碳交易等多维度合成，全面反映绿色金融发展水平。

3. 中介变量

绿色技术创新（Green）：采用绿色专利申请量加1取自然对数衡量，反映企业绿色创新投入与产出能力。

4. 控制变量

参考现有文献，选取公司规模（Size）、营业收入增长率（Growth）、现金流比率（Cashflow）、董事规模（Board）、托宾Q值（TobinQ）为控制变量，同时控制行业与年度固定效应。

具体变量定义见表1。

变量类型	变量名称	符号	变量说明
被解释变量	净资产收益率	ROE	净利润/平均净资产
解释变量	绿色金融	GF	熵值法
中介变量	绿色技术创新	Green	ln(1+绿色专利数量)
控制变量	公司规模	Size	总资产的自然对数
	营业收入增长率	Growth	本年营业收入/上一年营业收入-1
	现金流比率	Cashflow	经营活动产生的现金流量净额/总资产
	董事规模	Board	董事会人数取自然对数
	托宾Q值	TobinQ	genTobinQ=托宾Q值A

（三）模型构建

1. 基准回归模型

为了验证绿色金融对企业绩效的影响，构建面板双向固定效应模型对直接影响作用进行分析检验，并在模型中控制行业与年度固定,本文构建如下基准回归模型（1）：

其中，ROE为被解释变量净资产收益率；GF为核心解释变量绿色金融；Controls为一系列控制变量；Industry为行业虚拟变量，Year为年份虚拟变量，为随机扰动项。本文为提高回归结果的准确性，对所有回归方程均采用了聚类稳健标准误。

2. 中介效应模型

为探究绿色金融对企业绩效的作用机制。本文将在基准回归模型的基础上，借鉴徐丽和刘斌提出的机制检验方法，采用逐步回归分析验证绿色技术创新(Green）在绿色金融对企业绩效的作用路径，模型见（2）与（3）：

3. 描述性统计

表2展示了对所选取变量进行了的描述性统计后的结果。从表中所示结果可知：

核心解释变量绿色金融指数（GF）的取值范围为0.103至0.664，标准差为0.101，反映不同样本间绿色金融发展水平存在一定分化，但整体离散程度较低。样本数据多集中于0.4附近，整体分布相对平稳；其中位数与均值较为接近，表明数据整体呈近似对称分布，仅存在轻微左偏特征。

被解释变量净资产收益率（ROE）的均值为0.057、中位数为0.069，说明样本企业整体盈利水平偏弱。该指标最小值为-0.611、最大值为0.332，标准差为0.132，体现企业间盈利水平差距较为明显。同时，ROE均值低于中位数，呈现一定左偏特征，表明部分亏损企业拉低了整体盈利水平。

中介变量绿色技术创新（Green）的最小值为0、最大值为6.848，说明观测期内部分企业未开展绿色创新活动，而少数企业在绿色研发与应用方面表现突出。其均值为0.367、中位数为0，超过半数样本企业绿色创新水平为零，数据呈显著右偏分布；标准差为0.803，表明企业间绿色创新能力差异较大，少数领先企业对整体均值存在明显拉动作用。

variable	N	min	max	mean	p50	sd
ROE	38812	-0.611	0.332	0.0570	0.0690	0.132
GF	38812	0.103	0.664	0.410	0.429	0.101
Green	38812	0	6.848	0.367	0	0.803
Size	38812	19.98	26.11	22.25	22.05	1.293
Cashflow	38812	-0.145	0.226	0.0480	0.0470	0.0670
Growth	38812	-0.523	1.766	0.139	0.0890	0.346
Board	38812	1.609	2.565	2.104	2.197	0.194
TobinQ	38812	0.834	7.687	2.025	1.620	1.245

4. 多重共线性检验

对所有变量进行VIF检验，结果显示VIF均值为1.1，最大值1.27，远低于10的临界值，说明变量间不存在严重多重共线性，可进行回归分析。

Variable	VIF	1/VIF
Size	1.270	0.785
TobinQ	1.200	0.830
Board	1.090	0.918
Cashflow	1.020	0.978
Growth	1.010	0.987
GF	1.010	0.988
Mean	VIF	1.100

5. 基准回归分析

表4基准回归结果

	(1)	(2)
VARIABLES	ROE	ROE
GF	0.032*** (4.24)	0.034*** (4.95)
Size		0.009*** (17.13)
Cashflow		0.662*** (54.26)
Growth		0.096*** (38.85)
Board		0.001 (0.24)
TobinQ		0.005*** (7.24)
Constant	0.009 (1.07)	-0.243*** (-17.15)
Observations	38,812	38,812
R-squared	0.024	0.216
Industry	YES	YES
Year	YES	YES

注：括号内为稳健 t统计量，***p<0.01,**p<0.05,*p<0.1。

基准回归结果显示，未加入控制变量时，绿色金融（GF）系数为0.032，在1%水平显著；加入控制变量后，GF系数为0.034，仍在1%水平显著。表明，绿色金融发展水平提升显著促进企业绩效增长，假设得到验证。

6. 内生性处理

为缓解反向因果与遗漏变量导致的内生性问题，采用滞后一期绿色金融作为工具变量进行2SLS回归。第一阶段F值远大于10，工具变量有效；第二段GF系数仍显著为正，说明剔除内生性后，核心结论依然稳健。

	(1)	(2)
	first	second
VARIABLES	GF	ROE
Size	0.0000 (0.9675)	0.0144*** (22.8277)
Cashflow	-0.0012 (-1.5347)	0.6696*** (63.0592)
Growth	0.0001 (0.4929)	0.0995*** (49.5139)
Board	0.0001 (0.3529)	0.0044 (1.2223)
TobinQ	0.0000 (0.2313)	0.0095*** (15.2057)
L.GF	1.0255*** (1,948.8671)
GF		0.0293*** (4.0788)
Constant	0.0026** (2.1958)	-0.4145*** (-25.1616)
F值	126356.58
Observations	31,649	31,649
R-squared	0.9931	0.2331

注：括号内为 t 值，***p<0.01,**p<0.05,*p<0.1。

7. 时滞效应检验

考虑绿色金融的长期影响，采用滞后一期GF进行回归，结果显示系数依然显著，证明绿色金融对企业绩效的促进作用具有持续性。

8. 区域异质性

将样本分为东部与中西部地区，回归结果显示：东部地区GF系数0.022，在10%水平显著；中西部地区系数0.011，不显著。原因在于：东部绿色金融体系更完善、产业集群效应强、研发转化效率高，中西部则存在配套不足、创新能力弱等短板。

9.产权异质性

分组回归显示：国有企业GF系数0.031（1%显著），非国有企业0.022（5%显著）。国有企业在政策响应、资金获取、信息披露上更具优势，政策执行力更强；非国有企业市场化程度高，但融资门槛更高，导致效应较弱。

10. 中介效应检验

中介效应回归结果显示：绿色金融对绿色技术创新的系数为0.123（1%显著），说明绿色金融显著促进绿色创新；将绿色创新纳入基准模型后，GF系数降至0.033（1%显著），绿色创新系数0.008（1%显著），证明绿色技术创新发挥部分中介作用。

机制表明：绿色金融为绿色创新提供资金支持，绿色创新提升生产效率与市场竞争力，最终推动企业绩效提升，形成完整传导路径。

四、研究结论与对策建议

（一）研究结论

本文基于2014—2024年沪深A股上市公司数据，实证检验绿色金融对企业绩效的影响及机制，得到以下结论：

直接效应显著：绿色金融通过缓解融资约束、优化信息传递双重机制，显著提升企业绩效，绿色金融水平每提升1单位，企业ROE平均提升0.034单位。

中介作用明确：绿色技术创新在绿色金融与企业绩效间发挥部分中介作用，绿色金融可带动绿色专利产出提升12.3%，绿色创新每提升1单位，ROE提升0.008单位。

异质性特征突出：区域层面，绿色金融对东部企业绩效促进作用显著，中西部不显著；产权层面，对国有企业的提升效果强于非国有企业。

效应具有持续性：时滞效应检验表明，绿色⾦融对企业绩效的正向影响长期存在，绿色转型是长期积累过程。

（二）对策建议

1. 政府层面

优化绿色金融标准：借鉴欧盟分类方案，搭建碳排放、资源利用、生态保护多级指标体系，推行差异化利率与补贴政策，规避“一刀切”治理问题。

推动区域协调发展：搭建东部对中西部绿色金融帮扶机制，设立专项基金、开展人才培训，依托环境权益交易平台，在中西部试点推行绿色金融改革。

强化信息披露监管：由生态环境部搭建统一环境信息数据库，强制上市公司披露排污、碳排放数据，引入第三方评估并设立黑白名单，将披露质量挂钩金融优惠。

2. 企业层面

嵌入绿色发展战略：将绿色金融纳入长期规划，设立可持续发展部门，制定清晰的绿色转型路线图，强化绿色理念与经营融合。

加大绿色创新投入：采取自主研发与产学研合作模式，聚焦清洁能源、循环经济等领域，提升绿色专利质量与转化效率，以技术创新构建核心竞争力。

规范环境信息披露：参照国际标准编制ESG报告，量化披露环境数据，主动与投资者沟通绿色成效，提升市场信任度，降低融资成本。

参考文献：

1. [1] 何潇伊.绿色金融改革对企业可持续发展绩效的影响研究[J].现代营销,2024(34):67-69.
2. [2] 徐丽,刘斌.绿色金融政策对上市公司企业绩效影响研究[J].齐齐哈尔大学学报(哲学社会科学版),2024(06):67-74.
3. [3] 陈志刚,弓怡菲.绿色金融对企业绩效的影响及机制分析[J].经济与管理评论,2022,38(05):72-85.
4. [4] 金剑,张炜.绿色金融对新能源企业绩效的传导机制[J].天津商务职业学院学报,2023,11(03):21-31.
5. [5] 王羽佳,杨宇桀,姚卓,等.绿色金融对我国碳排放强度的影响[J].河北农业科学,2024,28(06):1-6.
6. [6] 赵文.绿色金融对我国农业碳排放的影响[J].农村经济与科技,2024,35(24):20-22+48.
7. [7] 见政清,任正实.绿色金融发展、企业ESG表现与新质生产力[J].技术经济与管理研究,2024(12):147-152.
8. [8] 曹献飞,牛思敏.绿色信贷对企业绿色技术创新的影响研究[J].金融理论探索,2024(06):68-78.
9. [9] 李飒,金杉,高梦柯.绿色金融对能源结构低碳化转型的影响研究[J].中国物价,2024(12):105-110.
10. [10] Hong H, Karolyi G A, Scheinkman J A. Climate finance[J].The review of financial studies,2020,33(SI3):1011-1023.
11. [11] Flammer C. Corporate green bonds[J].Journal of financial economics,2021,142(02):499-516.
12. [12] Stroebel J, Wurgler J. What do you think about climate finance?[J].Journal of financial economics,2021,142(02):487-498.