信息披露質量、融資約束與企業研發投入關系的實證分析

李樹斌，何 云，郭明晶

（1.武漢東湖學院 管理學院，武漢 430212；2.中南財經政法大學 統計與數學學院，武漢 430073；3.中國地質大學（武漢） 經濟管理學院，武漢 430074）

0 引言

2015年，中國GDP跌破7%的增長速度大關，中國經濟正經歷著經濟增長的“新常態”，經濟增長呈現明顯的下行趨勢。在這種經濟增長背景下，國家主席習近平在2015年11月10日的中共財經領導小組第十一次會議上第一次提出了“供給側改革”，明確指出“在適度擴大總需求的同時，著力加強供給側的結構性改革，著力提高供給體系的質量和效率，增強經濟持續增長動力”[1]，從而推動我國經濟發展模式從“要素驅動型”向“創新驅動型”轉變。

企業創新是國家創新的主體。企業研發活動具有風險高、投入周期長、資金消耗量大、信息不對稱等特性，使得企業研發活動相比企業其他活動更容易陷入融資困境。研究發現，若企業加強信息質量的披露，企業進行研發活動的融資約束問題也會得到緩解[2]。因此，本文以融資約束為銜接點，分析企業信息披露質量、融資約束與企業R&D投入的關系，對促進企業自愿提高信息披露質量，解決企業融資約束問題，促進企業R&D投入具有重要的理論和現實意義。

1 研究方法

1.1 模型設定

目前大多數研究都沒有考慮到企業研發投入存在一定的“慣性”，而且是個連續的過程，企業R&D投資不僅受到當期各種因素的影響，而且受到前期自身研發投入水平的影響。因此，本文在模型中把滯后一期企業R&D投資作為自變量之一。此外，本文認為滯后一期的信息披露質量情況以及企業當期的融資約束情況對企業研發投入更可能產生一定影響。因此，本文采用滯后一期的信息披露變量和當期的融資約束變量作為解釋變量。

研究企業信息披露質量對企業研發投入的影響，模型的設定如式（1）所示：

對式（1）分別采用OLS估計、固定效應模型估計和系統GMM估計可以得到模型（1-1）、模型（1-2）和模型（1-3）估計結果。

研究企業融資約束對企業研發投入的影響，模型的設定如式（2）所示：

同樣，對式（2）分別采用OLS估計、固定效應模型估計和系統GMM估計可以得到模型（2-1）、模型（2-2）和模型（2-3）估計結果。

在同時考慮了企業信息披露質量、企業融資約束對企業研發投入的影響后，模型設定如式（3）所示：

對式（3）采用系統GMM估計可以得到模型（3）估計結果。

企業信息披露質量對企業的融資約束可能存在一定的影響，并且認為企業融資約束情況可能也存在一定的慣性，設定式（4）進行驗證：

同樣，對式（4）采用OLS估計、固定效應模型估計和系統GMM估計可以得到模型（4-1）、模型（4-2）和模型（4-3）估計結果

式（1）至式（4）中i、t分別表示第i個樣本企業第t時期的表現，β0為常數項，βi為待估參數，ε為殘差項。

1.2 估計方法

本文建立的是動態面板數據模型，即在設定的模型中引入了滯后一期的企業R&D投資以及融資約束項作為解釋變量，這樣導致了模型存在內生性問題。如果仍舊采用傳統的參數估計方法，將導致估計結果發生很大偏差，并且無法根據參數進行統計推斷[3]。

本文主要采用 Blundell和 Bond（1998）[4]提出的系統GMM估計方法，它是將差分GMM估計和水平GMM估計進行結合，將水平方程和差分方程作為一個系統進行GMM估計的一種估計方法，其優點是即使存在內生變量的情況下，工具變量也能使系數得到一致估計量[5]。Bond（2002）[6]研究發現混合OLS估計值存在著向上偏誤的滯后項系數，而固定效應估計值存在著向下偏誤的滯后項系數。因此對于系統GMM估計有效性的判別，本文參照Bond（2002）[6]提出的甄別方法，即如果系統GMM的估計值處于混合OLS估計值和固定效應估計值之間，就可以認為系統GMM估計值是有效的。但是對于系統GMM估計存在模型設定和工具變量選擇是否有效的問題，需要判斷模型殘差的序列相關性和工具變量是否過渡識別，可以通過自相關檢驗和Sargan檢驗進行判別[7]。

2 變量選取和數據說明

2.1 變量選取

對于企業研發投入的衡量，本文采用研發費用與企業總資產之比衡量企業研發投入[8]。對于信息披露質量，本文采用權威機構對上市公司信息披露質量的考核結果作為度量上市公司的信息披露質量的指標。計算融資約束的代表性方法有Lamont等（2001）[9]提出的融資約束KZ指數、Whited和Wu（2006）[10]提出的融資約束WW指數、Hadlock和Pierce（2010）[11]提出的融資約束SA指數。本文采用不受內生性干擾的SA指數對企業的融資約束進行測度，SA指數計算公式①由于無法得到企業的財務報表，根據Hadlock和Pierce（2010）[11]利用有序Probit模型計算得到得SA指數計算公式，本文直接將該公式運用到不同樣本容量的樣本中。如下：

通過式（5），可以計算出每個企業觀測年度內的SA指數大小，SA指數絕對值越大，企業融資約速程度越低。因此，本文將SA指數取絕對值作為融資約束的代理變量。此外，為了控制其他因素可能對研究問題造成的影響，本文選擇了企業規模、盈利水平、產權性質等作為控制變量。變量具體說明如表1所示。

表1 變量選取及說明

2.2 數據來源

本文選取2011—2015年深圳證券交易所中小板上市公司為研究初始樣本，為保證數據的有效性，避免異常樣本對研究結論造成的影響，按以下原則對初始樣本進行篩選：（1）剔除金融保險上市公司；（2）剔除被ST、ST*的上市公司；（3）剔除2011—2015年上市的公司；（4）剔除信息披露不祥和數據不全的上市公司。經過篩選，最終得到529家樣本公司，2645條有效數據。本文的相關財務數據來自WIND數據庫和CSMAR數據庫，信息披露質量的考核評級數據來自于深圳證券交易所網站。

2.3 描述性分析

為了更加直觀地反映2011—2015年不同信息披露質量的中小企業融資約束和企業研發投入情況，本文對2011—2015年不同信息披露質量考評等級的融資約束和企業研發投入進行描述性統計分析，如表2所示。

表2 不同信息披露質量融資約束、創新強度描述性分析

表2結果表明，隨著信息披露等級的降低，SA指數逐漸降低，融資約束程度逐漸變重，企業研發投入水平逐漸降低。

3 實證檢驗

3.1 研發投入作為被解釋變量

以企業研發投入作為被解釋變量，采用混合OLS模型、固定效應模型和動態面板系統GMM模型研究信息披露質量、融資約束對企業研發投入的影響，計量模型的估計結果如表3所示。

表3 研發強度模型估計結果

表3結果表明，系統GMM估計是有效的，并且AR（1）和AR（2）檢驗以及sargan檢驗結果表明殘差滿足二階不相關和工具變量選擇合理。同時，研發強度Rd的滯后項通過了1%顯著性水平的原假設，表明企業的研發投入行為存在動態連續性。

模型（1-3）中，Quality的滯后項在5%顯著性水平下正向顯著，表明信息披露質量的提高能顯著促進企業后期的研發投入。模型（2-3）中，FCI在10%的顯著性水平下與研發投入顯著正相關，表明融資約束越弱，企業的研發強度越強。模型（3）同時考慮企業信息披露質量、融資約束。模型結果顯示，信息披露滯后項回歸系數正向不顯著，但是融資約束回歸系數正向顯著，表明融資約束確實對企業研發投入具有抑制作用。對于控制變量，模型結果表明較大規模、盈利能力低、資產負債率高、上市時間短的中小企業研發強度更可能偏低。

3.2 融資約束作為被解釋變量

以融資約束作為被解釋變量，研究信息披露質量對企業融資約束的影響。模型結果如表4所示。

表4結果表明系統GMM估計有效并且企業的融資約束在時間上存在一定動態連續性。信息披露質量滯后項在系統GMM模型中通過了1%顯著性水平檢驗，并且回歸系數為正，表明信息披露質量對后期的融資約束具有顯著的緩解作用。對于控制變量，企業規模大、盈利能力高、上市時間短的中小企業相對于企業規模小、盈利能力差、上市時間長的中小企業的融資約束更可能弱些。

表4 融資約束模型回歸結果

3.3 中介效應檢驗

根據前文的分析，信息披露質量的提高、融資約束的降低都有助于增強企業的研發投入水平，并且信息質量的提高也有助于降低企業的融資約束，信息披露是否可以通過降低企業的融資約束進而促進企業研發強度的提高，即融資約束是否關于信息披露質量對企業研發強度的影響具有中介作用？對此，本文借鑒溫忠麟等（2004）[12]提出的中介效應檢驗程序對融資約束的中介效應進行檢驗，檢驗程序見圖1所示：

圖1 中介效應檢驗程序

根據圖1的中介效應檢驗程序，構建中介效應檢驗模型得到系數c顯著，系數a顯著，系數b不顯著，構建Sobel檢驗統計量：

Sobel檢驗的Z統計量對應的P=0.0023，根據Sobel檢驗程序，可知融資約束具有顯著的中介效應。

4 結論

本文利用中小板上市公司信息披露相關數據，采用了動態面板系統GMM模型、中介效應檢驗等分析方法對我國中小板上市公司的信息披露質量、融資約束與企業研發投入三者之間的關系進行了研究。研究結果表明，信息披露質量高的中小板上市公司的融資約束程度較低，并且研發強度也較強；在控制內生性問題后，信息披露質量、融資約束均對企業研發強度具有顯著的正向影響，即信息披露質量的提高、融資約束程度的降低有助于提高企業的研發強度。進一步研究發現，信息披露質量的提高是通過降低企業的融資約束進而促進企業研發強度的增強，即融資約束關于信息披露質量對企業研發強度的影響具有一定的中介作用。

[1]齊傲雪.解讀供給側改革[J].企業改革與管理,2016,9（10）.

[2]方勇.信息披露質量對研發投入強度的影響研究[D].合肥：安徽大學,2016.

[3]龍瑩,張世銀.動態面板數據模型的理論和應用研究綜述[J].科技與管理,2010,12（2）.

[4]Blundell R,Bond S.Initial Conditions and Moment Restrictions in Dy?namic Panel Data Models[J].Journal of Econometics,1998,87（2）.

[5]李群峰.動態面板數據模型的GMM估計及其應用[J].統計與決策,2010,10（16）.

[6]Bond S.Panel Data Estimation.Dynamic Panel Data Models:A Guide to Micro Data Methods and Practice[J].Portuguese Economic,2002,1（3）.

[7]白仲林.面板數據的計量經濟分析[M].天津：南開大學出版社,2008.

[8]尹士.企業社會責任信息披露與R&D投資[J].科學決策,2014,8（6）.

[9]Lamont O,Polk C,Saa-Requejo J.Financial Constraints on and Stock Return[J].Review of Financial Studies,2001,14（2）.

[10]Whited T M,Wu G J.Financial Constraints Risk[J].Review of Finan?cial Studies,2006,19（2）.

[11]Hadlock C J,Pierce J R.New Evidence on Measuring Financial Con?straints:Moving Beyond the KZ Index[J].Review of Financial Stud?ies,2010,23（5）.

[12]溫忠麟,張雷,侯杰泰等.中介效應檢驗程序及其應用[J].心理學報,2004,36（5）.