一、政策背景与数据定位
2007年通常被视为我国绿色信贷制度的起点。当年，原国家环保总局联合中国人民银行、原银监会出台《关于落实环保政策法规防范信贷风险的意见》，信贷资源由此开始向环境友好领域倾斜，高排放行业面临的融资约束显著收紧。对研究者而言，这样一次外生的政策冲击，相当于提供了一场准自然实验，使得绿色信贷的微观经济后果具备了被因果识别的可能。
本数据集正是围绕这一冲击而构建的。它以A股上市公司为观测对象，通过双重差分的思路设计识别指标，用以捕捉绿色信贷政策对高污染、高排放行业企业所产生的差异化作用。换句话说，若研究者希望回答"绿色信贷究竟改变了重污染企业的哪些行为"，这套指标可以直接作为核心解释变量投入使用。
二、识别策略与核心变量
变量构造沿用了金刚、吕大国（2026）刊发于《经济研究》的研究设计。基本逻辑是：把政策落地之后仍处于高污染行业的上市公司划入处理组，其余样本归入对照组，并由此生成三个关键字段——HighPollution、PostGreenCredit 与 DID。三者的定义方式如下：
- HighPollution（行业属性） ：参照六大高耗能、高污染行业以及"两高"行业的政策口径进行判定，覆盖范围包括 C25 石油、煤炭及其他燃料加工业，C26 化学原料和化学制品制造业，C30 非金属矿物制品业，C31 黑色金属冶炼和压延加工业，C32 有色金属冶炼和压延加工业，D44 电力、热力生产和供应业。上市公司所属行业落入上述口径时赋值为1，否则为0。
- PostGreenCredit（时期属性） ：用于区分观测年份所处阶段。2007年及其之后取值为1，2007年以前取值为0。
- DID（交互项） ：由上述两个变量相乘得到，在双重差分回归中承担核心解释变量的角色，其系数即为政策处理效应。
三、可拓展的研究方向
依托这套指标，至少有三条实证主线可以展开。
其一是融资端。政策收紧了重污染企业的信贷可得性，那么银行的借款投放、债务融资规模、商业信用使用乃至整体融资约束水平是否随之变化，都可以借助该变量加以检验。
其二是经营与转型端。除融资之外，企业在投资强度、绿色创新产出、环保投入规模、ESG表现以及信息披露质量上的反应，同样是政策评估中备受关注的议题，这套数据能够为此类检验提供分组依据。
其三是异质性讨论。将样本按区域、行业属性或城市环境特征切分后，可以进一步比较政策效果在不同情境下的强弱差异，从而丰富结论的政策含义。
四、样本规格与字段清单
五、数据截图
参考文献
[1] 金刚, 吕大国. 绿色信贷政策与高排放产业链集聚[J]. 经济研究, 2026, 61(03): 53-74.
