高新技术上市公司投资的非线性特征研究

李爱玲，王振山

(1.东北财经大学 金融学院，辽宁 大连 116025;2.哈尔滨商业大学 金融学院，黑龙江 哈尔滨 150028)

一、引 言

高新技术企业是推动高科技产业发展的主力军，在我国经济和社会发展中占有十分重要的战略地位。2009年，全国开展研究与开发 (R＆D)活动的工业企业36 387个，占规模以上工业企业总量的8.5%。不仅如此，我国高新技术企业的发展速度也进入了空前提高的时代。以高新技术企业较密集的医药、计算机、通信和电子行业为例，截至2012年10月医药制造业增加值累计增长速度为14.7%，计算机、通信和其他电子设备制造业增加值累计增长速度为11.3%，均大幅超过行业的平均水平 (9.6%)［1］。高新技术企业的飞速发展使其成为经济转型时期我国经济的新增长点。

高新技术企业投资的主要特点是高投入、高风险:一方面，大规模的投资需求通常难以依靠内部融资方式来满足;另一方面，高风险性使得高新技术企业投资较易受到外部融资约束的限制。因此，高新技术企业的投资不但取决于投资机会，而且还受制于企业内部现金流和外部融资状况。那么我国高新技术企业的投资是怎样受到以上因素的影响，又具有怎样的特征?这方面研究对制定高新技术产业政策，以及实现高新技术企业的可持续发展具有重要的意义。

本文通过面板平滑转换模型 (PSTR)，研究我国高新技术上市公司投资与其影响因素的非线性关系，从而揭示我国高新技术企业投资的非线性特征。

二、文献综述

对于我国高新技术企业投资的研究主要集中在研发投入方面。顾群等研究发现融资约束显著影响R＆D投资效率，企业的融资约束上升会显著提高R＆D投资效率［2］。潘立生和任雨纯研究了高新技术企业的投资效率和投资活动的影响因素，发现影响我国高新技术企业投资规模的主要因素是融资约束、内部现金流量和投资机会，并且由于受到融资约束我国高新技术企业投资不足［3］。王晨和王新红发现我国高科技企业的盈利能力与其研发投入呈正相关关系，说明高新技术企业盈利能力能够促进研发投入［4］。虽然研究和开发活动是高新技术企业生存和发展的重要影响因素，但并非唯一决定因素。高新技术企业研发活动的主要目的是从新产品新技术的产业化及生产经营中获利。因此，与新产品新技术市场化相关联的一系列投资活动均决定了高新技术企业的生存和发展。本文的研究重点是与高新技术企业生产经营相关的总体投资及其影响因素。

根据企业投资的研究文献，一般认为影响企业投资决策的主要因素是投资机会和企业财务状况 (企业外部融资与内部融资状况)。首先，在有效市场假说成立的情况下，市场中不存在资本配给，即企业的外部融资成本与资本成本相等，此时企业投资决策只取决于投资机会［5］。当且仅当投资的收益率大于资本成本 (净现值大于零)时，企业才会做出投资决策。其次，当信息不对称时，外部资金无法准确衡量企业资本成本从而要求较高的风险溢价，此时企业面临资本配给。因此，当市场非有效时，能否取得外部融资也影响企业的投资决策。Lang等发现以财务杠杆表示的外部融资约束显著影响企业投资决策;对于低托宾Q的企业，其投资机会与财务杠杆呈负相关关系，较高的财务杠杆将减少企业投资机会［6］。赵山和黄运成通过对上市公司资本结构决定因素进行实证分析，发现上市公司未来增长机会与企业财务杠杆具有显著的负相关关系:高成长的上市公司倾向于使用较少的负债(低的杠杆)，低成长的上市公司倾向于使用较多的负债［7］。最后，当企业面临较强的信息不对称而受到融资约束时，外部融资成本将显著高于内部融资成本，企业将不得不利用内源融资进行投资。Fazzari等根据是否发放股利将样本公司分成融资约束组和非融资约束组，发现融资约束样本组现金流对投资的影响更大，因此可以认为当企业面临较强的融资约束时，企业内部融资状况将显著影响企业投资行为［8］。此后的多篇文献运用不同方法证实了以现金流表示的内部融资对投资的影响［9］-［11］。连玉君和程建运用面板向量自回归模型有效控制了托宾Q的衡量偏误，发现企业现金流显著影响投资支出［12］。

对企业投资及其影响因素的线性模型研究，通常以一定的外生变量为标准对样本分组，以验证不同样本组间的差异［13-14］。这种线性研究方法假设外生变量足够刻画样本间的异质性，并且组内样本具有同质性。Hsiao和Tahmiscioglu运用混合固定—随机系数模型验证了1971—1991年美国561家企业的面板数据，证明仅通过外生变量对样本分组难以捕捉到无法观测的组内异质性［15］。Hansen提出了非动态面板门限模型(Panel Threshold Regression，PTR)，运用 PTR模型对1973—1987年美国565家公司按照长期负债与资产比率 (财务杠杆)进行内生性分组，发现财务杠杆最高的样本组现金流对投资回归系数最小，这意味着获得的外源融资越充分，投资对内源融资的依赖越小［16］。González等对 PTR模型进行了扩展，提出了面板平滑转换模型(Panel Smooth Transition Regression，PSTR)，此模型有利于回归系数在样本组间平滑转换［17］。González等应用PSTR模型检验了与Hansen相同的样本，发现杠杆率对投资的影响只发生在成长性不佳或不被市场认可的公司，而高成长公司现金流对投资的影响要小于低成长公司。国内文献主要将PSTR模型应用于高新技术产业规模与技术创新［18］、FDI与进出口贸易［19］、财务信息［20］等领域，而对于企业投资非线性性质的考察并不多见。本文主要通过PSTR模型，检验我国高新技术上市公司投资的非线性特征。

三、研究方法

面板平滑转换 (PSTR)模型是在1999年Hansen提出的面板门限 (PTR)模型的基础之上，由González等扩展而成的。与PTR模型相比，PSTR模型能够更加有效地刻画面板数据的截面异质性。

(一)面板平滑转换 (PSTR)模型

本文运用两机制PSTR模型，分析投资机会、外源融资和内源融资对投资的非线性影响，具体模型表达式如下:

yit为投资率 Iit向量;i=1，…，N;t=1，…，T;为系数矩阵，j=0 或 1;Xit-1为解释变量矩阵，由投资机会变量、外源融资变量和内源融资变量组成，为了避免内生性问题采用滞后一期值。投资机会用销售率Sit-1表示，销售与资本比率能够较真实地衡量企业内部投资机会［21-22］。外部融资用负债率Dit-1表示;内部融资用现金流比率CFit-1表示，即矩阵Xit-1={Sit-1，Dit-1，CFit-1}(具体计算方法见第四部分);εit为白噪声随机误差项。

González等参考时间序列平滑转换模型(STAR)，将转换函数g(qit-1;γ，c)设定为指数形式［17］:

qit-1为转换变量，分别设定为可能非线性影响投资的三个变量:投资机会Tobin'sQit-1、企业规模Sizeit-1以及盈利能力ROAit-1(具体见下一部分转换变量的选择);γ为转换斜率系数，决定转换的速度;cj∈(c1，…，cm)为位置参数，决定转换发生的位置，m为位置参数个数。

转换方程g(·)是取值 ［0，1］间的连续函数，因此，解释变量Xit-1系数取值为当 γ→∞时，方程 (1)退化成面板门限 (PTR)模型;当γ→0时，方程 (1)退化成线性的固定效应模型。m的取值决定了转换位置的个数。González等认为实际模型设定中，一般取m≤2足以捕捉到变量的不同类型的非线性系数。当 m=1时，转换方程g(·)取值在0和1之间单调上升，当系数矩阵取值为当m=2时，g(·)取值先单调递减再单调递增，在q=c或c时取特殊值1，在it-1122。时取最小值

González等提出将两机制PSTR模型推广为r+1机制 PSTR 模型［17］:

所有变量含义及表达式同模型 (1)。

PSTR模型通过转换函数g(qit-1;γ，c)实现回归系数的平滑转换 (优于PTR模型)，能够更加有效地刻画样本间无法观测的异质性(优于线性固定效应模型)。

(二)面板平滑转换 (PSTR)模型的检验和系数估计

1.确定转换变量qit-1

PSTR模型的转换变量应该根据经济理论选取，以确保其能够最大程度地体现个体异质性［23］。本文选择投资机会Tobin'sQit-1、企业规模Sizeit-1以及资产收益率ROAit-1三个变量作为转换变量:(1)Tobin'sQit-1作为反映投资机会的替代变量，通常表示企业的投资机会的外部衡量，是投资决策的重要影响因素［24］。 (2)在非效率市场，不同规模的企业可能面临的融资约束不同，从而影响投资决策［25］。(3)作为衡量企业盈利能力的主要指标，资产收益率ROAit-1通过影响企业投资现金流敏感度来影响企业投资决策［26］。

2.检验截面异质性

由于方程 (2)含有未知参数γ、c，因此需要将方程 (2)在γ=0位置进行一阶泰勒展开，并代入模型 (1)。得到辅助回归模型:，…，为模型 (1)一阶泰勒展开变换后系数向量，由转换率γ、残差项以及泰勒展开剩余项组成。因此，对于模型 (1)的非线性检验转化为检验方程 (4)系数矩阵是否成立。记H0*成立的残差平方和为SSR0，拒绝H0*的残差平方和为SSR1，构造服从渐近F[ mk，TN-N-(r+1)mK]分布的LMF统计量:

其中，K为解释变量个数;其余变量定义见前文。

若模型非线性假设成立，则确定位置参数个数m值 (r+1机制PSTR模型还需确定r值)。

3.估计模型系数

首先，去个体效应μi。由于模型 (1)包含非线性的转换函数 (2)，因此需要运用网格搜索法或模拟退火算法进行迭代，①本文采用计算精度更高的模拟退火算法［23］。估计转换率γ和转换变量c1至cm。其次，运用非线性最小二乘法 (NLS)估计PSTR模型系数。

四、实证检验

(一)样本及变量定义

本文数据取自CSMAR数据库，样本区间为2004年1月1日至2011年12月31日，样本为年度数据。本文选择高新技术公司较为集中的电子、医药生物制品和信息技术行业，且仅发行A股的上市公司。样本筛选原则为:(1)剔除样本区间内被ST或PT的公司。(2)为避免缺失数据过多，剔除2007年以后上市的公司。(3)剔除投资率大于99%或小于1%的样本，以避免离群值的影响［27］。

表1 变量计算方法及描述性统计 (N=166，T=7)

(二)实证检验结果② 实证检验运用Matlab 7.0软件，程序由Christophe Hurlin编写，http://www.runmycode.org/CompanionSite/Site66。

首先，进行关于面板数据截面异质性检验，以确定模型类型。线性检验原假设H0:r=0即模型为不含异质性的线性模型;备择假设H1:r=1即模型为非线性的PSTR模型。根据González等，PSTR模型的位置参数个数m≤2就基本可以描述样本的异质性特征［17］，因此，本文分别检验m=1，2，3时模型的LMF统计量，检验结果见表2所示。

表2 非线性检验与位置参数个数的确定

通过表2可以看出，对转换变量分别为Qit-1、ROAit-1和Sizeit-1的三个模型的非线性检验结果显示，除m=1时模型B和模型C的p值较大无法通过非线性检验以外，其余所有检验均支持模型设定为非线性PSTR模型。

确定模型的非线性特征后，需要确定位置参数个数m值，以确定PSTR模型具体形式。根据Colletaz和Hurlin［23］的模型选择程序，令r=1、m=1，2，3。分别对模型 A、B、C进行 PSTR模型估计，进而确定每个模型的AIC和BIC信息准则。模型信息准则计算结果如表2所示。根据信息准则，选择模型A:r=1、m=2;模型B:r=1、m=2;模型C:r=1、m=3。

PSTR模型形式确定后，运用NLS进行系数估计，结果如表3所示。

表3 PSTR模型估计结果

通过表3可以看到，高新技术上市公司的内部投资机会、债务负担和内部现金流与投资呈现非线性关系，这种非线性关系显著受到外部投资机会、盈利能力以及企业规模的影响。具体分析如下:

第一，模型A为含有两个位置参数的两机制PSTR模型。其中，位置参数为 2.5899和2.6051，说明模型A具有双门限特征;转换速率为1.234E+06，转换速度较快，说明转换变量的不同取值对投资影响差异较大;内部投资机会变量Sit-1和现金流变量CFit-1的系数均在1%的水平下显著。当转换变量2.5899＜Qit-1＜2.6051时，模型A位于中间机制，转换函数g(·)取值较低，此时内部投资机会变量Sit-1和现金流变量CFit-1对投资 Iit的影响主要来源于 α0或φ0，意味着 Sit-1与 Iit主要呈现正相关关系而CFit-1与Iit主要体现为负相关关系;当 Qit-1＜2.5900或Qit-1＞2.6050时，模型A位于外机制，转换函数g(·)较接近于1，内部投资机会变量Sit-1和现金流变量CFit-1对投资Iit的影响主要来源于 α0+α1g(·)或 φ0+φ1g(·)。通过表1样本统计描述可以看到，转换变量Qit-1的中值为1.9320、均值为2.4430，转换变量的大多数取值小于位置参数2.5900，因此样本中大多数高新技术企业随着外部投资机会的增加，其Sit-1(CFit-1)对Iit产生正 (负)影响幅度逐渐增加。对于系数φ0+φ1g(·)＜0，即我国高新技术上市公司表现为内部现金流与投资为负相关关系，这是因为我国高新技术上市公司普遍面临高成长、高融资约束情况，而根据Hovakimian，投资现金流敏感为负值的企业通常具有极高成长的机会，却面临低水平的内部资金，通常这类企业具有较高的融资约束［28］。

第二，模型B是两机制PSTR模型，含有两个位置参数，分别是0.0498和0.0503，转换速率为1.073E+09，说明转换速度较快，转换变量的不同取值对投资影响差异较大;所有变量系数均在1%的水平下显著。当模型B位于中间机制，即转换变量0.0498＜ROAit-1＜0.0503时，转换函数g(·)取值较低，此时所有因变量对投资Iit的影响主要来源于Γ0;当ROAit-1＜0.0498或ROAit-1＞0.0503时，模型B位于外机制，转换函数g(·)较接近于1，所有因变量对投资Iit的影响接近于Γ0+Γ1。转换变量ROAit-1对于Sit-1和CFit-1与Iit的非线性关系的影响与模型A相似。以下着重讨论杠杆率Dit-1与投资Iit的非线性关系。当模型B位于中间机制时，由于主要受到系数β0的影响，杠杆率对投资产生显著正影响 (β0=15.6465);当模型B位于外机制时，杠杆率对投资的影响幅度大大降低，但依然为正 (β0+β1g(·)＞15.6465+(-15.5350)＞0)。特别地，由于杠杆率均值和中值 (0.4390和0.4360)均小于第一位置参数取值(0.0498)，因此，大部分样本落于 ROAit-1＜0.0498的外机制中，因此对于盈利能力较低的高新技术上市公司，由于其不易获得外部融资，因此杠杆率对投资的促进作用较小，当盈利能力逐渐增加时，其获得外部融资的能力逐渐增加，杠杆率对投资逐渐产生更加积极的影响。

第三，模型C为含有三个位置参数的两机制 PSTR模型，转换位置分别为:20.1280、21.7930和21.9980。与前两个模型不同，模型C的转换速率较小 (35.9230)，可以实现不同机制间较平缓的转换。内部投资机会Sit-1对投资Iit的非线性影响显著，但杠杆率以及内部现金流的系数不显著。转换函数在外机制Sizeit-1＜20.1280和中间机制 21.7930＜Sizeit-1＜21.9980时，转换函数取值接近于0，此时Sit-1对Iit的影响系数接近α0=0.0525，在这种情况下，内部投资机会对投资能够起到较大的促进作用;转换函数在中间机制20.1280＜Sizeit-1＜21.7930和外机制Sizeit-1＞21.9980时转换函数 g(·)达到最大值，Sit-1对Iit的影响系数为α0+α1g(·)=0.0525-0.0412g(·)，此时内部投资机会对投资的影响程度相对较小。

五、结 论

本文以高新技术企业较集中的电子、医药生物制品、信息技术行业上市公司为代表，运用面板平滑转换 (PSTR)模型，考察了高新技术上市公司投资及其主要影响因素的非线性关系。结果显示:(1)内部投资机会方面:在转换变量分别为外部投资机会、盈利能力以及企业规模的三个模型中，内部投资机会均显著非线性影响投资。在高新技术上市公司外部投资机会和盈利能力普遍较低的情况下，增加内部投资机会有助于提高企业投资水平［29］。此外，存在高新技术企业的合理规模区间，在此区间内，内部投资机会能够有效促进企业投资。 (2)外部融资方面:仅在转换变量为盈利能力时，运用杠杆率衡量的外部融资对投资具有显著的非线性影响。对于我国目前普遍盈利能力较低的高新技术上市公司来说，只有提高企业经营业绩，才能增加企业外部融资机会，从而促进企业投资。(3)内源融资方面:企业内部现金流对投资的非线性影响，体现在以外部投资机会和盈利能力为转换变量的两组模型中。我国高新技术上市公司普遍呈现负的投资现金流敏感，说明这类上市公司具有极高成长的机会，但内部资金水平较低，通常面临较高的融资约束。

我国高新技术企业具有促进高科技产业发展和经济发展的重要作用，高新技术企业的投资是企业生存和发展的关键因素。提高高新技术企业盈利能力，确定合理的企业发展规模，以及改善企业融资环境均有利于促进高新技术企业投资［30］。当然，本文的重点集中在对投资规模方面的研究，后续研究可以扩展到高新技术企业投资效率等方面。

［1］国家统计局.工业分大类行业增加值增长速度［DB/OL］.http://www.stats.gov.cn/tjsj/jdsj/t20121109_402850862.htm

［2］顾群，翟淑萍，苑泽明.高新技术企业融资约束与R＆D 投资效率关系研究［J］.经济经纬，2012，(5):77-81.

［3］潘立生，任雨纯.高新技术企业投资效率问题研究［J］. 财会通讯，2010，(8):10-12.

［4］王晨，王新红.高新技术企业R＆D投入与盈利能力的相关性研究［J］.技术与创新管理，2011，(1):51-53.

［5］Modigliani，F.，Merton，M.The Cost of Capital Corporation Finance， and the Theory of Investment［J］.The American Economic Review，1958，48(3):261-297.

［6］Lang， L.， Ofek， E.， Stulz， R.M. Leverage，Investment， and Firm Growth［J］. Journal of Financial Economics，1996，40(1):3-29.

［7］赵山，黄运成.托宾Q、增长机会与公司资本结构关系的实证研究［J］.哈尔滨工业大学学报(社会科学版)，2006，(5):93-97.

［8］Fazzari，S.R.，Hubbard，G.，Petersen，B.Financing Constraints and Corporate Investment［J］.Brookings Papers on Economic Activity，1988，(1):141-195.

［9］Hoshi，T.，Kashyap，A.，Scharfstein，D.Corporate Structure，Liquidity and Investment:Evidence from Japanese Industrial Groups［J］.Quarterly Journal of Economic，1991，106(1):33-60.

［10］Kashyap，A.K.，Lamont，O.A. ，Stein，J.C.CreditConditionsand the CyclicalBehaviorof Inventories［J］.The Quarterly Journal of Economics，1994，109(3):565-592.

［11］Hu，X.，Schiantarelli，F.Investment and Capital Market Imperfections:A Switching Regression Approach Using Firm Panel Data［J］.The Review of Economics and Statistics，1998，80(3):466-479.

［12］连玉君，程建.投资—现金流敏感性:融资约束还是代理成本?［J］.财经研究，2007，(2):37-46.

［13］Bond， S.， Meghir， C.H.D.Dynamic Investment Models and the Firm’s Financial Policy［J］.Review of Economic Studies，1994，31(2):197-222.

［14］Chirinko，R.S.，Schaller，H.Why does Liquidity Matterin InvestmentEquations?［J］.Journalof Money，Credit and Banking，1995，27(2):527-548.

［15］Hsiao，C.，Tahmiscioglu，A.K.A Panel Analysis of Liquidity Constraints and Firm Investment［J］.Journal of the American Statistical Association，1997，92(438):455-465.

［16］Hansen，B.E.Threshold Effects in Non-Dynamic Panels:Estimation， Testing and Inference［J］.Journal of Econometircs，1999，93(2):345-368.

［17］González，A.，Tehäsvirta，T.，Dijk，D.V.Panel Smooth Transition Regression Models［R］.SSE/EFI No.604.Working Paper Series in Economics and Finance，2005.

［18］牛泽东，张倩肖，王文.高技术产业的企业规模与技术创新——基于非线性面板平滑转换回归(PSTR)模型的分析［J］.中央财经大学学报，2012，(10):68-74.

［19］贺胜兵，杨文虎.FDI对我国进出口贸易的非线性效应研究［J］.数量经济技术经济研究，2008，(10):44-55.

［20］赵进文，邢天才，高丹霞.财务信息效应的非线性性［J］.统计研究，2011，(11):98-104.

［21］Gilchrist， S.， Himmelberg， C. Investment，Fundamentals andFinance［R］.NBER Working Paper，No.6652，1998.

［22］Love，I.，Zicchino，L.Financial Development and Dynamic Investment Behavior:Evidence from Panel VAR［J］.The Quarterly Review of Economics and Finance，2006，46(2):190-210.

［23］Colletaz，G.，Hurlin，C.Threshold Effects in the Public Capital Productivity:An International Panel Smooth Trasition Approach［J］. Document de Recherche du Laboratoire d’Economie d’Orleans，2006，(1).

［24］Carpenter， R.E.， Guariglia， A. Cash Flow，Investment，and Investment Opportunities:New Tests Using UK Panel Data［J］.Journal of Banking ＆Finance，2008，32(9):1894-1906.

［25］Devereux， M.， Schiantarelli， F. Investment，Financial Factors，and Cash Flow:Evidence from U.K.Panel Data［M］.Hubbard，R.G.Asymmetric Information， Corporate Finance， and Investment，Chicago:University of Chicago Press，1990.279-306.

［26］李金，李仕明，熊小舟.我国上市公司投资——现金流敏感度实证研究［J］.管理学报，2007，(11):824-828.

［27］Kaplan，S.N.，Zingales，L.Do Investment-Cash Flow Sensitivities Provide Useful Measures of FinancialConstraints? ［J］.Quarterly Journalof Economics，1997，112(1):169-215.

［28］Hovakimian，G.Determinants of Investment Cash Flow Sensitivity［J］.Financial Management，2009，38(1):161-183.

［29］刘伟，李星星.中国高新技术产业技术创新效率的区域差异分析——基于三阶段 DEA模型与Bootstrap方法［J］. 财经问题研究，2013，(8):20-28.

［30］孙喜福，张晓蕾.基于EVA的我国上市公司并购绩效实证研究［J］.经济与管理，2012，(4):79-82.