融资约束对公司业绩的影响

(一)图表分析

图2.1和图2.2给出了融资约束变化对公司业绩的影响。两张图给出了受到短期融资券影响较大的高信用等级组和受影响较小的低信用等级组在2002-2007年的经营业绩(ROA和ROS)的中值。从图中可以看出,在2005年中国人民银行推出短期融资券以后,相对于没有受到这一金融工具创新影响的公司(低信用等级组),受到金融工具创新影响的公司(高信用等级组)平均来说经营业绩有了更大的提高。

图2.1　高、低信用等级组的ROA

图2.2　高、低信用等级组的ROS

在2005年以后,高信用等级组公司的资产收益率(ROA)和销售收益率(ROS)的中值分别从2005年的5.5%和9%上升到2007年的11%和20%,增幅分别为5.5%和11%,而低信用等级组公司的资产收益率和销售收益率的中值分别从2005年的3.6%和6%上升到2007年的5.5%和9%,增幅分别为2%和3%。因此,短期融资券推出引起的融资约束改善提高了公司资产收益率3%~4%,提高了公司销售收益率5%~8%。

在两张图中,2005年之前及之后高信用等级组和低信用等级组公司的经营业绩在趋势上是非常相似的,这说明中国人民银行推出短期融资券对于影响公司业绩的其他经济因素是外生的。

(二)回归分析

金融创新缓解了公司融资约束,从而提高了公司的经营业绩。我们使用第一种信用等级分类方法检验当公司融资约束减少后,公司经营业绩是否得到了增加,即定义2005-2007年间一直是信用等级高的公司为受到金融工具创新影响较大的公司,比较受影响较大的公司与其他公司的经营业绩对融资约束变化的反应。

表2.2检验了当公司获取了更多的融资渠道,从而减少了公司融资约束后,公司经营业绩是否增加。我们感兴趣的估计系数是After*high_credit的估计系数,如果在2005年以后公司为受金融创新影响较大的组,After*high_credit等于1。该系数表示公司融资约束减少对公司经营业绩的影响。

表2.2　融资渠道增加对公司经营业绩的影响

注:***、**和*分别表示1%、5%和10%的显著性水平,括号中是估计参数的标准误。

表2.2第(1)列和第(2)列分别估计了由金融创新引起的融资约束减少对公司资产收益率和销售收益率的基本影响。平均来说,由金融创新引起的融资约束减少对公司业绩产生了显著的正面影响,这种影响在经济意义上是显著的,融资约束减少后公司资产收益率提高了3.7%,销售收益率提高了12.7%。在表2.2第(3)列和第(4)列,我们加入了公司特征的一些控制变量检验这一影响的稳健性,这些控制变量包括公司总资产、销售额、固定资产率、投资率和资产负债率。为了控制内生性问题,本章使用上一年度的公司特征作为控制变量,但是这些变量对于融资约束的变化仍然可能具有内生性。比如,公司融资渠道增加后,公司改变了其融资政策,公司融资行为的变化导致了公司业绩发生了变化,但是公司融资行为与经营业绩是相互影响的,公司融资渠道增加导致公司经营业绩的变化,公司预测到经营业绩将发生变化,因此,公司的预测可能反过来改变了公司的融资行为,因此,在最基本的模型中,我们并没有加入这些控制变量,而是加入这些控制变量对基本模型进行稳健性检验。与基本模型一致,在加入控制变量以后,融资约束减少仍然对公司业绩产生了显著的正面影响,资产收益率提高了3.4%,销售收益率提高了7.5%。在控制变量中,公司资产、销售规模、投资率和资产负债率对公司业绩产生了显著的影响。最后,在表2.2第(5)列和第(6)列,我们加入了公司的股改特征,检验融资约束影响的稳健性。2005年是中国证券市场股权分置改革开始的一年,股权分置改革对中国上市公司的影响是巨大的,因此很有可能通过各种经济作用机制影响公司的经营业绩。在控制股改对公司经营业绩的影响后,融资约束减少对公司业绩的影响与基本模型一致。融资约束减少仍然对公司业绩产生了显著的正面影响,资产收益率提高了3.5%,销售收益率提高了7.7%。值得注意的是,相对于没有完成股改的公司,已经完成股改的公司可能有更好的经营业绩,完成股改对资产收益率贡献了1.4%,这一影响是显著的,但股改对销售收益率的贡献并不显著。

总之,上述证据表明,由潜在融资渠道的增加引致公司融资约束减少,最终提高公司经营业绩。这一证据也表明金融创新导致的金融发展对经济增长产生了显著正面影响。

(三)稳健性检验

1.高信用等级组的另一种分类方法

我们使用第二种信用等级分类方法检验第一种分类方法得出结果的稳健性,即定义公司在2005-2007年间某一年是信用等级高的公司在当年为受到金融工具创新影响较大的公司,比较受影响较大的公司与其他公司的经营业绩对融资约束变化的反应。

在第二种分类方法基础上,表2.3检验了当公司获取了更多的融资渠道,公司融资约束变化对经营业绩的影响。我们感兴趣的估计系数仍然是After*high_credit的估计系数,如果在2005年以后公司为受金融创新影响较大的组,After*high_credit等于1。该系数表示公司融资约束减少对公司经营业绩的影响。

表2.3　稳健性检验:高信用等级的另一种分类

注:***、**和*分别表示1%、5%和10%的显著性水平,括号中是估计参数的标准误。

表2.3第(1)列和第(2)列分别估计了由金融创新引起的融资约束减少对公司资产收益率和销售收益率的基本影响。平均来说,由金融创新引起的融资约束减少对公司业绩产生了显著的正面影响,这种影响在经济意义上是显著的,融资约束减少后,公司资产收益率提高了3.6%,销售收益率提高了15.1%。在表2.3第(3)列和第(4)列,我们加入了公司特征的一些控制变量,检验这一影响的稳健性。与基本模型一致,在加入控制变量以后,融资约束减少仍然对公司业绩产生了显著的正面影响,资产收益率提高了2.9%,销售收益率提高了6.8%。最后,在表2.3第(5)列和第(6)列,我们加入了公司的股改特征,检验融资约束影响的稳健性。融资约束减少仍然对公司业绩产生了显著的正面影响,资产收益率提高了3.1%,销售收益率提高了7.1%。

总之,上述证据表明,在第二种分类方法下,由潜在融资渠道的增加引致公司融资约束减少,最终提高公司经营业绩。因此,两种分类方法均得到了相同的结论:金融创新导致的金融发展对经济增长产生了显著正面影响。

2.配对(Matching)从表2.1的描述性统计中可以看出,从总体上说,两组不同信用等级的公司在公司特征方面存在较大差异,因此在回归分析中得出的结论可能存在偏差。具体来说,因为两组不同信用等级公司在公司特征方面存在差异,一些不能被观测到的因素导致不同公司特征组在2005年以后具有不同的公司经营业绩,而经营业绩增长较快的组恰好具有信用等级高的特征。其作用机制也许仅仅是因为这些因素在2005年以后为具有某些特征的公司提供了更加合适的增长环境。

为解决这一内生性问题,本章使用propensity score matching的方法(Abadie and Imbens,2002)。首先,本章计算在短期融资券推出前后公司ROA(ROS)的平均变化,即融资约束变化后(2006-2007年)公司平均每年的ROA(ROS)和融资约束变化前(2002-2005年)公司平均每年的ROA(ROS)之间的差异。比如公司ROA在2002-2007年为0.03、0.05、0.03、0.01、0.04、0.06,政策推出后(2006-2007年)公司平均每年的ROA为0.05[(0.04+0.06)/2];政策推出前(2002-2005年)公司平均每年的ROA为0.03[(0.03+0.05+0.03+0.01)/4];政策推出前后公司ROA的平均变化为0.02(0.05-0.03)。定义每个公司ROA(ROS)的平均变化为D_ROA(D_ROS),在计算出每个公司的D_ROA(D_ROS)后,我们将公司按不同信用等级分组,计算两组之间在D_ROA(D_ROS)上的平均差异。本章选择了三种模型来计算配对公司的propensity score,即公司之间的相似程度。第一种模型根据公司的资产,在相同的行业中寻找与公司资产最相近的公司作为配对公司,其中,N=1表示寻找最相近的一个公司作为配对公司进行比较,N=2表示寻找最相近的两个公司作为配对公司进行比较,N=4表示寻找最相近的四个公司作为配对公司进行比较。第二种模型依据行业内公司的资产和销售规模来计算公司之间的相似程度。第三种模型依据行业内公司的资产、销售规模、资产负债率、投资率和固定资产率来计算公司之间的相似程度。

模型估计的系数表示高信用等级组中的公司相对于其他与高信用等级组中特征非常相似的公司在政策变化前后ROA平均提高了多少。比如表2.4第(1)列N=1中,估计系数为0.037,这一系数表示对于行业相同、公司资产非常相似的两组公司,一组为信用等级高的公司,另一组为与其公司特征相似但信用等级较低的公司,在金融创新后,信用等级高的公司ROA增长幅度更高,为3.2%。这意味着即使对于非常相似的公司,由潜在融资渠道的增加引致公司融资约束减少,最终能够提高公司经营业绩。

本节中其他模型也得出了相同的结论,无论使用哪一种模型,潜在融资渠道增加分别提高了公司ROA和ROS约4%和12%,这一结论对于选用不同配对公司个数也是稳健的。总之,本节的实证证据进一步说明了本章基本结论的稳健性,金融创新引起的金融发展对经济增长具有重要影响。

表2.4　稳健性检验:配对(Matching)

注:***、**和*分别表示1%、5%和10%的显著性水平,括号中是估计参数的标准误。

3.其他稳健性检验两次差

分估计方法的可靠性依赖于对公司产生影响的事件是外生的。如果对公司产生影响的外部事件与市场或公司相关的变量存在某种联系的话,模型估计的影响很有可能是公司或行业特征引起的(Meyer,1995)。一种情形是短期融资券推出的同时,高信用等级组和低信用等级组的特征引起两组之间公司的经营业绩的差异,因此,我们估计的系数可能是由于不同信用等级组的特征引起的,而不是融资约束变化的结果。对于这种可能性,我们有两个理由认为估计的模型不会导致太大的偏差。首先,我们的模型使用了公司固定效应,这种模型已经考虑了公司和行业特征;其次,本章使用propensity score matching的方法控制公司的行业和各种特征,得出了与基本模型一致的结论;最后,我们对总体样本按照修正后的Altman的Z值的分位数进行不同的分类,这些分类方法的结论并没有显著差异。这些分类方法包括:第一,根据修正后Altman的Z值的70%分位数将样本分为高、低信用等级组别,比较两组之间的差异;第二,根据修正后Altman的Z值的35%和65%分位数将样本分为高、中、低信用等级组别,比较高、中信用等级组之间的差异。