文章构建了公司层面的气候政策不确定性指数,并考察了其对企业全要素生产率的影响效应和作用机理。
气候政策不确定性如何影响企业的全要素生产率？实物期权理论认为，面对不确定的环境，企业会调整自身的投资组合以获得最大的期权价值。但不同的投资组合往往会对企业生产率产生差异化的影响。从实体投资活动来看，由于这类生产性投资会受到气候政策的直接影响，在政策不确定性的冲击下，其沉没成本较高。根据实物期权理论，较低的灵活性会降低实体投资的期权价值，同时实体投资的等待期权价值会增加，最终导致管理者趋于风险规避，诱发投资不足，不利于企业全要素生产率的提升。从绿色创新投资活动来看，面对气候政策不确定性，期权价值的下降幅度要大，绿色创新的潜在收益会减少。不仅如此，政策导向下开展绿色创新活动的部分企业也会在气候政策不确定性下大大减弱适应合法性和战略合法性动机，减少绿色创新投入，不利于企业全要素生产率的提升。在外部不确定性的冲击下，管理者也偏好在气候政策不确定性下挤入金融投资以最大程度保障企业效益，导致企业有限资源的错配，扭曲企业正常的生产经营活动，对生产率产生负面影响。综上分析，提出以下假设：
在融资约束的影响下，企业往往难以执行增长期权，会采取比较消极的方式来应对气候政策。此外，经营风险冲击也会提升期权等待价值，从而对企业投资与研发产生显著的抑制效应，均不利于企业全要素生产率的提升。据此提出以下假设：
高质量的内部控制有利于提高企业的风险管理水平，通畅的信息披露能够降低信息不对称程度，缓解融资困境，提升企业的研发质量，为企业全要素生产率提升提供更多保障。据此，提出以下假设：
良好的绿色金融政策能够缓解企业的融资约束，提升实体投资效率，其绿色属性还能更好地促进绿色转型而非金融化。此外，绿色金融政策能够通过融资惩罚效应和投资抑制效应来支持环境友好型企业发展，倒逼重污染企业转型，助推企业高质量发展。据此提出以下假设：
文章构建的企业气候政策不确定性综合了宏观气候政策不确定性（
CPU
）指数和企业气候转型得分数据。其中，宏观
CPU
指数来自
Lee
和
Cho
（
2023
）的研究，通过爬取社交媒体上含有气候政策不确定性主题的推文获得；而企业气候变化评级数据则来自秩鼎
ESG
数据库，选择
2014—2020
年所有
A
股上市公司作为初始研究样本。全要素生产率变量的样本期间为
2015—2021
年。此外，企业财务特征和公司治理层面的数据来自国泰安数据库，地区因素的数据来自相关统计年鉴，产权性质等数据则来自手工比对整理的企业—年度基本信息数据库。
Lee和Cho（2023）通过爬取社交媒体上的推文数据来修正媒体偏差，计算出中国宏观层面的气候政策不确定性指数，文章该测算结果来度量中国宏观层面的气候政策不确定性。进一步，文章兼顾考虑了宏观CPU指数和企业自身的气候变化评级信息两个维度，并
将企业自身的气候政策不确定性设置为宏观CPU指数与企业气候变化评级分数score的乘积，记为CPU_score
。同时，还
采用企业气候变化转型评级（CPU_rate）
做稳健性检验。文章对CPU指数进行了归一化处理。对气候变化得分首先进行了负号化处理，使得气候变化得分越高，气候变化表现越差；然后进行了均值为0、标准差为1的标准化处理，以消除量纲差异；最后，气候变化评级得分由三个二级指标（节能政策、环境排放和气候风险）合成而来。
企业全要素生产率（TFP）是被解释变量，
使用OP半参数法
（Olley和Pakes，1996）计算的TFP作为被解释变量，同时使用LP半参数法（Levinsohn和Petrin，2003）计算的TFP_LP做稳健性检验，该指标数值越大表示企业全要素生产率越高。
表3结果显示，
气候政策不确定性（CPU_score）与企业全要素生产率（TFP）之间呈显著负相关关系
。假设1得到验证，即气候政策不确定性会诱发企业升级困境，显著抑制企业全要素生产率提升。在充分控制各影响因素之后，模型的经济显著性约为5.2%（|
−
0.0453|×0.3443/0.3002×100%）。这意味着气候政策不确定性指标每上升一个标准差，企业全要素生产率下降约5.2%个标准差，估计结果具有比较充分的经济显著性。
包括：工具变量法（从中国气象局网站收集了国家气候报告中的极端气候数据（
Crisk
）作为工具变量）；其他稳健性检验（替换核心变量；控制高维固定效应；样本选择问题）。
基于
Richardson
（
2006
）的投资效率模型，测算了企业的实体投资不足指标，当估计得到的残差小于零时，企业存在投资不足（
Underinv
），以此作为实体投资挤出效应的代理变量。采用当年的绿色专利申请情况来衡量企业的绿色创新（
Ginno
）。此外，使用金融资产占比（
Finratio
）来衡量企业的金融化程度，以此作为金融资产挤入效应的代理变量。
表5列（1）终，
CPU_score的回归系数显著为正
，这表明气候政策不确定性的确会挤出实体投资，造成企业投资不足。列（2）中
CPU_score的回归系数显著为负
，表明气候政策不确定性会挤出企业的绿色创新投资。列（3）表明，在实物期权理论框架下，
气候政策不确定性的确会影响企业各类投资选择的期权价值，从而影响其投资结构
。
使用KZ指数来衡量融资约束，KZ指数越大，企业的融资约束水平越高。根据KZ指数的中位数将样本划分为两组。关于企业的风险感知，使用企业年报中管理层讨论与分析（MD&A）文本部分的风险词频进行衡量，并根据中位数将样本划分为两组。回归结果见表6中Panel A。从中可以看出，
气候政策不确定性对全要素生产率的影响在受风险冲击强度大（融资约束程度高和风险感知强）的企业中更加显著
，且基于Bootstrap的系数差异检验p值均小于5%
，这支持了假设2a。
使用迪博内部控制指数和信息披露评价得分来评价企业的风险应对能力，并根据中位数将样本划分为两组。从表6中Panel B可以看出，在风险应对差（内部控制质量和信息披露质量低）的企业中，
气候政策不确定性的负面影响更大，且基于Bootstrap的系数差异检验p值均小于1%
，这支持了假设2b。
文章根据国家知识产权局发布的《全国知识产权发展状况报告》，采用其中披露的知识产权保护指数作为地区知识产权保护水平的代理变量，利用各省高能耗产业利息支出占比、环境污染治理投资占GDP比重以及财政环境保护支出占比等指标来构建各省绿色金融发展指数。设置了知识产权保护（绿色金融发展）分组变量。如果企业所在地的知识产权保护指数（绿色金融发展指数）的排名超过前三分之一，则认为政策引导力度较大。从表6中Panel C可以看出，
在政策引导力度薄弱（知识产权保护薄弱和绿色金融发展薄弱）的样本中，气候政策不确定性的负面影响更大，且基于Bootstrap的系数差异检验p值均小于1%
，这验证了假设2c。
根据行业的碳密集度，将样本划分为高碳行业企业和低碳行业企业。表7结果显示，
对于高碳行业企业，气候政策不确定性的负面影响更加显著
。
