中國制造業金融加速器非對稱性的估計

夏飛

中國制造業金融加速器非對稱性的估計

夏飛

通過分析703個上市公司2001～2014年的年度數據，運用門限面板模型（panel threshold model）內生得到企業資產負債比的臨界，結果表明：以資產負債比0.6801為門限，負債率高于該值的公司金融加速器效應要大于低于該值的公司金融加速器效應。

中國制造業；金融加速器；對稱性；門限面板模型

一、引言

中國經濟周期存在金融加速器效應已成為不爭的事實，相關的實證文獻更從不同角度分析了中國金融加速器效應的非對稱性。宏觀層面，趙振全等（2007）運用門限向量自回歸模型分析了我國宏觀經濟和信貸市場的非對稱性關聯；微觀層面，袁申國等（2011）運用微觀企業層面的面板數據，考察了我國金融加速器效應依地域、企業規模和宏觀經濟形勢三個方面而呈現出的非對稱性。袁申國等（2009）和曹永琴（2011）從行業層面分析了金融加速器效應的非對稱性。

值得注意的是，除了地域和行業層面存在客觀的劃分方式外，對于公司規模的金融加速器效應非對稱性的分析，以往的劃分方式都過于主觀化，也即作者往往經驗性設定某個企業規模為劃分大小企業的標準，或干脆把樣本按大公司、小公司對半分。本文認為，對金融加速器非對稱性的考察，不應該只建立在對樣本的經驗性劃分基礎上，其劃分標準本身應該有其理論的合理性和統計意義上的顯著性，。所以本文認為，將應劃分標準，或者說門檻參數，同樣作為未知參數進行估計，鑒于此，本文使用門限面板模型來解決這個問題；其次，袁申國等（2011）的研究結果表明，全國層面的427家上市公司在1999年至2009年期間內的公司規模金融加速器效應并不明顯，特別是東部地區的上市公司尤為突出。我們認可袁申國等的研究結果，同時這個結論也使得我們更進一步的思考，金融市場的摩擦和信息不對稱是客觀存在的，而且中小企業融資難的問題的確是擺在我國金融市場上一個不可置否的現象。然而如果這種非對稱性并不是顯著體現在公司規模這個絕對值上，是否是體現在負債資產比這個相對值上呢？關于企業面臨的外部融資約束問題，早在1988年，Fazzarietal開創了經典的FHP范式，在考察企業面臨的融資約束及非對稱性時，對企業的劃分就使用了長期負債對資產的比率為標準。我們借鑒FHP選取門檻值的方式，展開相應研究。

本文后續內容安排如下，第二部分介紹變量的選取和計量模型設定；第三部分進行實證分析；第四部分為本文結論，并提出相應的政策建議。

二、變量與模型設定

本文數據全部來自Wind數據庫，包括了滬深兩家證券交易所上市的703個制造業企業，從2001年到2014年的年度微觀財務數據看，剔除了樣本期間內數據缺失和嚴重資不抵債的公司，并對微觀層面的財務數據進行winsorize處理，即將每個變量1%分位數以下的觀測值用1%分位數觀測值截取，99%分位數以上的觀測值使用99%分位數觀測值截取。宏觀數據包括價格水平，基準貸款利率。其中為了得到通貨膨脹真實利率，本文用名義利率減去通貨膨脹率求得。

（一）變量選擇與描述性統計

金融加速器理論告訴我們，在資產負債表渠道中，經濟環境的改變會影響到企業的資產負債表狀況，進而改變企業外部融資成本，對投資行為的變動產生顯著效果。因此，企業層面的投資行為和各項財務指標是本文分析的關鍵，這里我們參照相關文獻，引入Invest，投資，作為回歸分析的被解釋變量；Debt，負債對總資產的比率，反映了企業資產負債表的狀況，并以其系數來測度微觀層面金融加速器效應。控制變量包括：Income，營業收入對總資產的比率；lnNV，公司規模，以凈資產的自然對數表示；r，月度加權的一年期基準貸款利率。門限變量Debt，同上。需要指出的是，門限變量，就是依此變量某個具體取值為標準對樣本進行劃分的變量。變量的描述性統計和度量方法如下表所示。

表1 描述性統計及度量方法

（二）計量模型設定

參考以往文獻的方法，本文引入模型一:

除了利率使用當期以外，所有解釋變量及門限變量取一階滯后放入方程中。I(·)為示性函數，表示當括號內的條件滿足時，取值為1；不滿足時取0。Const為常數項，μi為個體異質性，為分析方便，設定E(μ|x)≠0，其中X為全部解釋變量，也即固定效應模型；ε為隨機擾動。

門限回歸模型的特點，就是將門限參數（用以劃分樣本的標準）作為未知參數進行估計。R.Hansen（1999）建立了面板數據門限估計的方法和一系列統計檢驗。模型一中，不僅包括系數α，β和常數項為待估參數，門限參數q同樣也為待估計參數。這樣做的好處是，避免了以往樣本分組的隨意性和主觀性。

門限回歸不僅包括了變量系數，門限參數的估計和假設檢驗，對模型本身也需要假設檢驗，即對于模型一，我們有理由懷疑回歸模型的“門限效應”是否顯著存在，也即，我們提出原假設H0：不存在門限效應。方程形式為：

（2）式相對于（1）式的區別在于，由于不存在門限效應（反映在模型中即不存在金融加速器的非對稱性），對于所有樣本，投資對負債資產比均使用相同的偏系數回歸。在此假設檢驗下構造的統計量取值如果過大，或對應的P值很小，我們有理由否定原假設，即承認門限效應，或者說非對稱性的存在。

值得注意的是，以往對大小公司的劃分實際上忽略了中間“過渡”性規模企業的存在，也即“不大不小”規模的企業，他們同樣存在區別于其他規模的金融加速器效應，體現在回歸模型中，我們應該使用兩個分類標準將樣本切割為三部分，即模型：

q1與q2分別表示兩個閥值（閥值，即門限參數）水平。（3）式實際上是對門限模型（1）所進行的模型設定檢驗，在驗證門限效應確實存在后，必須繼續確認是單閥值模型還是雙閥值模型，如果原假設單閥值效應被否定，接受存在雙閥值的門限效應模型。當然，對于更多的閥值和更高階的檢驗，重復上述過程即可。

為了進一步考慮金融加速器效應時期差異性和資產負債結構非對稱性的交互作用，引入模型二：

這里T為時間虛擬變量，表示在經濟下滑時期取1，經濟增長時取0。承接模型一的估計結果，本文使用已估的閥值q作為區分公司的門限參數（當然，如果雙閥值的模型顯著成立，則（4）可以繼續擴展，其他的情況不再贅述）。系數向量α的意義分別是：α11與α12表示資產負債率不大于q的企業在經濟衰退和經濟增長時的金融加速器效應；α21和α22分別表示資產負債率高于q的企業在經濟衰退和增長時的金融加速器效應。關于經濟下滑時期的定義，本文使用GDP增長率來衡量，具體的標準是，如果后一年的GDP增長率低于前一年，則記后一年為經濟下滑年度，經濟上升的年度依次類推。

（三）待論證命題

參照理論分析和以往實證研究結果，本文提出以下待論證命題：

命題1：以資產負債率為標準劃分的不同企業，金融加速器效應存在差異，即模型一中，|α1|<|α2|。如果存在多閥值門限效應，結果類推。

命題2：經濟下滑時期的金融加速器效應要大于經濟增長時期金融加速器效應，即模型二中，|α11|<|α12|，|α21|<|α22|。如果存在多閥值效應，則對每類分割的樣本而言，金融加速器時期效應同時存在。

三、實證分析

（一）模型一

由于本文模型的數據結構是703面板個體，時間維度為14期，屬于典型的短面板，在估計系數的標準差和進行顯著性檢驗時，為了排除擾動項組內自相關性，在門限參數的估計結束后，對方程的估計采用聚類穩健的標準誤。首先考察門限效應是否顯著存在的假設檢驗：

表1顯示，單閥值效應檢驗，即原假設：不存在門限效應，p值為0.04，在5%的水平上拒絕原假設，即存在門限效應；同時，雙閥值效應檢驗中，原假設：只存在單閥值效應（備擇假設為存在雙閥值效應），P值為0.143，無法通過顯著性檢驗，故認為非線性的門限效應存在，且為單閥值模型。

表2 門限效應檢驗

表3 門限參數點估計及區間估計

通過模型內生選擇門限參數而最優擬合非線性模型，得到門限參數q，也即資產負債比，估計值為0.6801。以此為界限，資產負債比高于0.6801，對應于傳統金融加速器理論意義上的“小公司”，所受到金融加速器影響理論上應大于資產負債率低于0.6801的公司。下表給出了不同年份的大公司和小公司的占比。

表4 各年份屬于不同資產負債比區間的公司比例（單位：%）

表5 模型一的回歸結果

表3所示，所有系數均通過1%水平的顯著性檢驗，且經濟學意義良好，投資關于企業規模偏效應為負并非違反理論預期，這和本文變量的度量有關，因為這里投資使用的是投資對總資產的比值，只是企業規模越大，總資產的增長速度越大于投資的增長速度，所以表現出企業凈值的邊際效應為負。投資對資產負債率顯著為負，說明在中國制造業內，企業層面存在明顯的金融加速器效應，其中資產負債率高于0.68的企業金融加速器效應為-0.122，即資產負債率提高1個百分點，投資率將會下降0.122個百分點；而資產負債率低于0.68的公司，投資對資產負債率的偏效應只有-0.104，絕對值低于高負債率公司的0.122，說明不同資產負債結構的公司間存在不同的金融加速器效應，這驗證了我國制造業金融加速器效應的非對稱性，只是不同于以往文獻的分析，本文對非線性區間的劃分，不是依據絕對的企業規模，而是資產負債結構，然而這種做法的直覺依然是明顯的：在金融市場存在摩擦，信息不對稱的條件下，企業外部融資溢價和資產負債率成正比，因為過高的資產負債率意味著企業的還債能力弱，違約的可能性更大，所以在金融市場上借貸的風險溢價更高。

至此，命題1得到驗證，即：以資產負債率為標準劃分的不同企業，金融加速器效應存在差異，負債率高的企業金融加速器效應大于負債率低的企業，表現在模型一中，|α1|<|α2|。

（二）模型二

模型二中，利用模型一的結果，直接按已估的門限參數將樣本分割，同時按照經濟上升和下降的年份再次將樣本分割，進而考察不同資產負債結構的公司，在不同經濟環境下表現出的金融加速器非對稱性。依據前文的年份劃分方式，選取2002、2003、2005、2006、2009、2012、2013、2014，八個年份為經濟下降期，其余的年份為經濟上升期。同模型一的回歸分析一致，模型二仍然使用聚類穩健標準誤。

表6 模型二回歸結果

T*Debt*I(Debt>q)表示經濟下降年份低高負債率公司的投資對滯后一期的資產負債率偏系數，T*I(Debt<=q)*Debt表示經濟下降年份低負債率公司的偏系數，(1-T)*I(Debt>q)*Debt表示經濟上升年份高負債率公司的偏系數，(1-T)*I(Debt<=q)*Debt表示濟上升年份低負債率公司的偏系數。

由表5知，在經濟下行時期，資產負債率高于0.68的企業金融加速器效應為-0.128，負債率低于此值的公司，金融加速器效應為-0.108；在經濟上升時期，資產負債率高于0.68的企業金融加速器效應為-0.104，負債率低于此值的公司，金融加速器效應為-0.091。這個結果不僅說明了金融加速器效應在不同資產負債結構和外部經濟環境下呈現明顯的差異性，同時這種非對稱性與理論預期非常吻合。控制外部經濟環境，從不同資產負債結構引至的差異性上看，在經濟上行時期，高負債公司的偏系數絕對值0.104大于低負債的0.09，在經濟下行時期，高負債公司偏系數絕對值0.128大于低負債公司的0.108，說明在任何時期，負債率高的企業金融加速器效應大于低負債企業；而控制公司資產負債結構，從不同時期外部經濟環境引至的差異性來看，資產負債率高于0.68的企業，在經濟下行時的金融加速器效應為-0.128，絕對大于其在上行時期的效應-0.104，資產負債率低于0.68的企業，在經濟下行時的金融加速器效應為-0.108，絕對大于其在上行時期的-0.091，說明控制住不同的資產負債結構，經濟下行時期的金融加速器效應要大于經濟上行時期金融加速器效應。這種資產負債結構和經濟環境的交互非對稱性很好的符合了理論預期。

至此，命題二得到驗證，即：經濟下滑時期的金融加速器效應要大于經濟增長時期金融加速器效應，體現在模型二中，|α11|<|α12|，|α21|<|α22|。

四、結論與啟示

本文利用中國制造業703家上市公司2001年到2014年年度財務數據和相關宏觀數據，運用門限面板回歸模型，實證分析了我國制造業微觀企業層面金融加速器效應的非對稱性，具體的結論如下：（1）我國制造業企業依資產負債結構的不同存在明顯的金融加速器效應非對稱性。（2）將考察非對稱性的樣本分割內生化處理，即構造門限參數并進行估計，得出資產負債比0.68為劃分樣本的標準，為門限參數估計結果。資產負債比高于0.68的企業金融加速器效應要明顯大于資產負債比低于0.68的企業。（3）共同考察資產負債結構和外部經濟環境的交互作用和其非線性表現形式，發現控制住外部經濟環境，資產負債率高于0.68企業的金融加速器效應要明顯大于資產負債率低于0.68企業的金融加速器效應；控制住企業間不同的資產負債結構，經濟下行時期，企業的金融加速器效應，要明顯大于經濟下行時期企業的金融加速器效應，說明我國制造業的確存在依資產負債結構和外部經濟環境差異而產生的金融加速器效應非對稱性。

本文研究意味著：政府在制定相應的貨幣政策促進制造業發展時，應考慮到其公司層面的金融加速器效應和其非對稱性，具體的信貸政策應針對不同資產負債結構的企業差別對待。而在運用貨幣及信貸政策調整經濟短期波動時，更要針對在經濟景氣或衰退時，金融加速器效應的不同特征，相機干預。

[1]曹永琴.中國貨幣政策行業非對稱效應研究——基于30個行業面板數據的實證研究[J].上海經濟研究,2011,(01):3-15.

[2]趙振全,于震,劉淼.金融加速器效應在中國存在嗎?[J].經濟研究,2007,(06):27-38.

[3]袁申國,陳平,劉蘭鳳.匯率制度、金融加速器和經濟波動[J].經濟研究,2011,(01):57-70.

[4]袁申國,劉蘭鳳.中國金融加速器效應的地區差異比較研究[J].財經研究,2011,(11):91-101.

[5]B.S.Bernake&M.Gertler.Agency Cost,Net Worth,and Business Fluctuations[J].America Economic Review,1989，(03)：45-47.

[6]M.Gertler,S.Gilchrist.Monetary Policy,Business Cycle and the Behavior of Small Manufacture Firms[J].NBER working paper, 1991，(04):21-22.

[7]B.S.Bernake,M.Gertler,S.Gilchrist.The Financial Accelerator and the Flight to Quality [J].Review of Economics and Statistics,1996，(05):33-35.

[8]B.S.Bernanke,M.Gertler,S.Gilchrist.The Financial Accelerator in a Quantitative Business Cycle Framework [Z].NBER working paper,1998:3-6.

[9]R.B.Hansen. Threshold Effects in Non-dynamic Panels: Estimation,Testing,and Inference [J].Journal of Econometrics, 1993，(02):345-368.

[10]B.Mojon,F.Smets,P.Vermeulen.Investment and Monetary Policy in the Euro Area[J].Journal of Banking and Finance.2002,26: 2111-2129.

[11]P.Vermeulen.Business Fixed Investment:Evidence of a Financial Accelerator in Europe[J].Oxford Bulletin of Econoics and Statistics. 2002,64，(03):217-235.

夏飛，上海海事大學經濟管理學院碩士研究生。

F832.3

A

1008-4428（2016）06-26-04