变量和计量方法

与大多数研究中估计投资方程一样,本章估计如下基本模型:

I/Kit=a+bInvest_Oppoit+cCash_Flowit-1+d(afterit*high_creditit)+e(controlsit-1)+Firmi+Yeart+εij　　　　　　　(3.1)

模型中各变量的下标i表示公司,t表示时间。I/K表示公司的投资,是被解释变量。本章使用两种方法度量公司的投资:第一种,本章定义第t年公司投资为第t年公司资本性支出/第t-1年公司总资产;第二种,本章定义第t年公司投资为第t年公司资本性支出/第t-1年公司固定资产。解释变量中,Invest_Oppo表示公司的投资机会,本章使用Tobin Q和公司销售增长率分别度量公司的投资机会。Tobin Q根据CCER数据库的定义:Tobin Q=公司市场价格/公司重置成本=(年末流通市值+非流通股份占净资产的金额+长期负债合计+短期负债合计)/年末总资产;公司销售增长率从Wind数据库获得。Cash_Flow表示公司的现金流,定义为公司息税前利润(EBIT)除以公司总资产的账面价值。After和high_credit都是哑变量,high_credit表示公司在某一年度是否为高信用等级公司,如果公司为高信用等级,high_credit等于1,否则等于0,after表示观测到的数据是否处于2005年以后,如果是2005年或2005年以后观测到的数据,则after等于1,否则after等于0。Controls表示控制变量,Firm用来控制未观测到的公司固定效应,Year用来控制外部经济的变化对公司的影响。

d是本章要估计的一个重要参数,也是本章最感兴趣的估计参数。当公司外部融资渠道增加时,外部融资成本相应降低,公司更加有能力为其投资项目进行融资,系数d反映了金融工具创新引起的融资约束减少对公司投资行为的影响。在没有摩擦的金融市场上,公司的投资行为完全依赖于其拥有的投资机会,不影响公司投资机会的金融工具创新对公司的投资行为不会产生影响。但是,当金融市场存在摩擦时,金融工具创新减少了公司的外部融资成本,公司的融资约束减少,因此投资相应上升。

本章的一个重要变量是如何区分公司融资约束是否受到短期融资券推出的影响。通过事先将整个样本区分为存在融资约束的公司和不存在融资约束的公司,比较不同类型公司在投资—现金流敏感性上的差异,这种分析方法依赖于其分类方法的合理性,不同的分类方法可能得到不同的结论(Fazzari,Hubbard and Petersen,1988;Kaplan and Zingales,1997),因此这种检验方法并不完美。本章采用另外一种途径定义公司融资约束的变化。本章并不从截面上区分不同融资约束类型的公司,而是从时间上寻找使公司融资约束发生变化的外生工具,通过外生工具区分公司融资约束是否发生变化,比较两组公司之间投资行为的差异。Lamont(1997)和Gan(2007)使用了类似的方法。Lamont(1997)使用石油价格的下降作为石油企业集团内非石油部门的内部融资成本的外生工具,Gan(2007)使用日本房地产市场泡沫破灭作为持有大量土地公司借贷能力的外生工具。

中国人民银行在2005年推出短期融资券,并且规定发行短期融资券必须经过信用评级,这意味着只有信用等级较高的公司才能发行这种金融工具进行融资。吴育辉等(2009)对发行短期融资券的公司特征进行了研究,也得出了与此一致的研究结论。因此,这种金融创新只对2005年以后信用等级较高的公司产生较大影响,而对其他公司没有什么影响。我们首先定义是否发生了短期融资券的金融创新。显然,2005年和2006年是能否使用短期融资券进行融资的分界点,我们定义2005年或2005年以前为没有短期融资券的金融创新,定义2005年以后为发行短期融资券的金融创新。如果观测值属于2005年或2005年以前,After等于0,否则,After等于1。

其次,本章定义受到金融工具创新影响的公司。第一步,我们计算公司的信用等级。吴育辉等(2009)认为,修正后的Altman的Z值判别模型在中国得到了较好的实证支持。与先前的研究一样(吴世农和卢贤义,2001;张玲和曾维火,2004;吴育辉等,2009),本章也采用张玲和曾维火(2004)的模型计算修正后的Altman的Z值。第二步,本章根据修正后的Altman的Z值在任何一年将公司分为信用等级高的组和信用等级低的组。Denis and Mihov(2003)检验了公司在银行贷款和债券发行等融资方式上的选择行为,发现融资公司的信用等级是选择融资方式的主要决定因素,信用等级最高的公司选择公开发行公共债券,信用等级中等的公司选择向银行借款,而信用等级低的公司会从非银行的金融机构获得资金。因此,短期融资券的推出对信用等级最高的公司产生的影响最大,而对其他公司的融资状况不会产生影响。假定将整个上市公司分为三类信用等级不同的公司,三类公司各占1/3,本章将信用等级最高的一组作为受影响最大的一组,将其他公司作为受影响较小的一组。具体来说,本章定义在给定的一年公司修正后的Altman的Z值高于65%的分位数为信用等级高的组,其他公司为信用等级低的组(本章也使用其他的分位数检验结论的稳健性,具体见下文)。

本章使用两种方法定义受到金融工具创新影响较大的公司。第一种,如果公司在2005-2007年间一直是信用等级高的公司,那么本章定义该公司为受到金融工具创新影响较大的公司。第二种,如果公司在2005-2007年间某一年是信用等级高的公司,那么定义该公司在这一年为受到金融工具创新影响较大的公司。如果公司为受到金融工具创新影响较大的公司,high_credit等于1,否则,high_credit等于0。因此,如果公司是信用等级较高的一组并且该观测值在2005年以后,那么After*high_credit等于1。注意,本章并没有使用具体的Altman的Z值评价公司信用等级,而是依据Altman的Z值将公司分为信用等级不同的两组。因为Altman的Z值与公司信用等级还是存在一定差异的,比如两个公司的Altman的Z值分别为2和1.9,取值较低的公司信用等级并非一定低于取值较高的公司。但是两者之间存在较大的相关性,如果两个公司的Altman的Z值分别为2和1,那么取值较低的公司信用等级几乎一定低于取值较高的公司。依据Altman的Z值将公司分为信用等级不同的两组后,取值高的一组平均来说信用等级高于取值较低的一组,而本章的目的正是希望从平均意义上说明融资约束变化的影响。

投资机会的度量是估计投资方程中的重要问题。Tobin Q通常用于度量公司的投资机会,但是这一代理变量存在度量误差的问题。理论上,公司的投资与公司的边际Tobin Q有关,投资机会越高,公司的投资会越多。然而,实际上我们只能观察到公司的平均Tobin Q,在回归方程的估计中使用平均Tobin Q代替边际Tobin Q导致了测量误差的问题(Erickson and Whited,2000)。特别是在中国的资本市场上,由于上市公司股权分置导致公司平均TobinQ的计算也存在不同的方法,因此在估计回归方程中可能存在更大的测量误差问题。事实上,在估计中国资本市场上的投资方程中,许多研究得出的Tobin Q的估计系数大相径庭,饶育蕾和汪玉英(2006)估计的Tobin Q系数为负[徐惠玲和刘军霞(2007)详述了中国资本市场上TobinQ存在的问题]。本章使用多种方法解决投资机会的度量问题。第一,在本章的研究设计中,金融市场上金融工具的创新与公司的投资机会是相互独立的,因此,金融工具创新作为融资约束的外部冲击导致融资约束变化与公司投资机会是相互独立的,即融资约束的代理变量与投资机会的代理变量是正交的,这种正交性使投资机会的测量误差不会影响融资约束对投资的估计系数。第二,与Laporta(2002)相似,本章使用公司的销售增长率度量公司的投资机会,比较不同的投资机会度量方式是否影响了公司融资约束对投资的估计系数。第三,本章不仅使用当期的Tobin Q和销售增长率度量公司的投资机会,而且使用上一期的TobinQ和销售增长率度量公司的投资机会,比较各种度量方式下公司融资约束对投资的影响是否一致。

在回归分析中,我们使用一些公司特征作为控制变量。为了控制公司规模对被解释变量的影响,我们使用公司总资产的自然对数控制公司规模特征。为了控制公司风险对被解释变量的影响,我们使用公司资产负债率作为控制变量。为了控制公司资本存量特征对被解释变量的影响,我们使用公司固定资产率作为控制变量。为了控制股改政策对公司变量的影响,本章定义虚拟变量GuGai=1为公司股改完成后的观测值。

在模型估计技术方面,本章跟随Bertrand and Mullainathan(2003)使用两次差分方法(differencesindifferences)。为了控制序列相关问题,我们在本章所有的估计模型中对标准误在公司层面上进行聚集处理。Bertrand,Duflo and Mullainathan(2004)认为,DID(两次差分方法)在实际应用中存在序列相关问题,这种序列相关可能高估估计参数在统计上的显著性水平,通过对公司进行聚集效应处理,能够减少对序列相关问题对估计的影响。