中国制造业金融加速器非对称性的估计

夏飞

中国制造业金融加速器非对称性的估计

夏飞

通过分析703个上市公司2001～2014年的年度数据，运用门限面板模型（panel threshold model）内生得到企业资产负债比的临界，结果表明：以资产负债比0.6801为门限，负债率高于该值的公司金融加速器效应要大于低于该值的公司金融加速器效应。

中国制造业；金融加速器；对称性；门限面板模型

一、引言

中国经济周期存在金融加速器效应已成为不争的事实，相关的实证文献更从不同角度分析了中国金融加速器效应的非对称性。宏观层面，赵振全等（2007）运用门限向量自回归模型分析了我国宏观经济和信贷市场的非对称性关联；微观层面，袁申国等（2011）运用微观企业层面的面板数据，考察了我国金融加速器效应依地域、企业规模和宏观经济形势三个方面而呈现出的非对称性。袁申国等（2009）和曹永琴（2011）从行业层面分析了金融加速器效应的非对称性。

值得注意的是，除了地域和行业层面存在客观的划分方式外，对于公司规模的金融加速器效应非对称性的分析，以往的划分方式都过于主观化，也即作者往往经验性设定某个企业规模为划分大小企业的标准，或干脆把样本按大公司、小公司对半分。本文认为，对金融加速器非对称性的考察，不应该只建立在对样本的经验性划分基础上，其划分标准本身应该有其理论的合理性和统计意义上的显著性，。所以本文认为，将应划分标准，或者说门槛参数，同样作为未知参数进行估计，鉴于此，本文使用门限面板模型来解决这个问题；其次，袁申国等（2011）的研究结果表明，全国层面的427家上市公司在1999年至2009年期间内的公司规模金融加速器效应并不明显，特别是东部地区的上市公司尤为突出。我们认可袁申国等的研究结果，同时这个结论也使得我们更进一步的思考，金融市场的摩擦和信息不对称是客观存在的，而且中小企业融资难的问题的确是摆在我国金融市场上一个不可置否的现象。然而如果这种非对称性并不是显著体现在公司规模这个绝对值上，是否是体现在负债资产比这个相对值上呢？关于企业面临的外部融资约束问题，早在1988年，Fazzarietal开创了经典的FHP范式，在考察企业面临的融资约束及非对称性时，对企业的划分就使用了长期负债对资产的比率为标准。我们借鉴FHP选取门槛值的方式，展开相应研究。

本文后续内容安排如下，第二部分介绍变量的选取和计量模型设定；第三部分进行实证分析；第四部分为本文结论，并提出相应的政策建议。

二、变量与模型设定

本文数据全部来自Wind数据库，包括了沪深两家证券交易所上市的703个制造业企业，从2001年到2014年的年度微观财务数据看，剔除了样本期间内数据缺失和严重资不抵债的公司，并对微观层面的财务数据进行winsorize处理，即将每个变量1%分位数以下的观测值用1%分位数观测值截取，99%分位数以上的观测值使用99%分位数观测值截取。宏观数据包括价格水平，基准贷款利率。其中为了得到通货膨胀真实利率，本文用名义利率减去通货膨胀率求得。

（一）变量选择与描述性统计

金融加速器理论告诉我们，在资产负债表渠道中，经济环境的改变会影响到企业的资产负债表状况，进而改变企业外部融资成本，对投资行为的变动产生显著效果。因此，企业层面的投资行为和各项财务指标是本文分析的关键，这里我们参照相关文献，引入Invest，投资，作为回归分析的被解释变量；Debt，负债对总资产的比率，反映了企业资产负债表的状况，并以其系数来测度微观层面金融加速器效应。控制变量包括：Income，营业收入对总资产的比率；lnNV，公司规模，以净资产的自然对数表示；r，月度加权的一年期基准贷款利率。门限变量Debt，同上。需要指出的是，门限变量，就是依此变量某个具体取值为标准对样本进行划分的变量。变量的描述性统计和度量方法如下表所示。

表1 描述性统计及度量方法

（二）计量模型设定

参考以往文献的方法，本文引入模型一:

除了利率使用当期以外，所有解释变量及门限变量取一阶滞后放入方程中。I(·)为示性函数，表示当括号内的条件满足时，取值为1；不满足时取0。Const为常数项，μi为个体异质性，为分析方便，设定E(μ|x)≠0，其中X为全部解释变量，也即固定效应模型；ε为随机扰动。

门限回归模型的特点，就是将门限参数（用以划分样本的标准）作为未知参数进行估计。R.Hansen（1999）建立了面板数据门限估计的方法和一系列统计检验。模型一中，不仅包括系数α，β和常数项为待估参数，门限参数q同样也为待估计参数。这样做的好处是，避免了以往样本分组的随意性和主观性。

门限回归不仅包括了变量系数，门限参数的估计和假设检验，对模型本身也需要假设检验，即对于模型一，我们有理由怀疑回归模型的“门限效应”是否显著存在，也即，我们提出原假设H0：不存在门限效应。方程形式为：

（2）式相对于（1）式的区别在于，由于不存在门限效应（反映在模型中即不存在金融加速器的非对称性），对于所有样本，投资对负债资产比均使用相同的偏系数回归。在此假设检验下构造的统计量取值如果过大，或对应的P值很小，我们有理由否定原假设，即承认门限效应，或者说非对称性的存在。

值得注意的是，以往对大小公司的划分实际上忽略了中间“过渡”性规模企业的存在，也即“不大不小”规模的企业，他们同样存在区别于其他规模的金融加速器效应，体现在回归模型中，我们应该使用两个分类标准将样本切割为三部分，即模型：

q1与q2分别表示两个阀值（阀值，即门限参数）水平。（3）式实际上是对门限模型（1）所进行的模型设定检验，在验证门限效应确实存在后，必须继续确认是单阀值模型还是双阀值模型，如果原假设单阀值效应被否定，接受存在双阀值的门限效应模型。当然，对于更多的阀值和更高阶的检验，重复上述过程即可。

为了进一步考虑金融加速器效应时期差异性和资产负债结构非对称性的交互作用，引入模型二：

这里T为时间虚拟变量，表示在经济下滑时期取1，经济增长时取0。承接模型一的估计结果，本文使用已估的阀值q作为区分公司的门限参数（当然，如果双阀值的模型显著成立，则（4）可以继续扩展，其他的情况不再赘述）。系数向量α的意义分别是：α11与α12表示资产负债率不大于q的企业在经济衰退和经济增长时的金融加速器效应；α21和α22分别表示资产负债率高于q的企业在经济衰退和增长时的金融加速器效应。关于经济下滑时期的定义，本文使用GDP增长率来衡量，具体的标准是，如果后一年的GDP增长率低于前一年，则记后一年为经济下滑年度，经济上升的年度依次类推。

（三）待论证命题

参照理论分析和以往实证研究结果，本文提出以下待论证命题：

命题1：以资产负债率为标准划分的不同企业，金融加速器效应存在差异，即模型一中，|α1|<|α2|。如果存在多阀值门限效应，结果类推。

命题2：经济下滑时期的金融加速器效应要大于经济增长时期金融加速器效应，即模型二中，|α11|<|α12|，|α21|<|α22|。如果存在多阀值效应，则对每类分割的样本而言，金融加速器时期效应同时存在。

三、实证分析

（一）模型一

由于本文模型的数据结构是703面板个体，时间维度为14期，属于典型的短面板，在估计系数的标准差和进行显著性检验时，为了排除扰动项组内自相关性，在门限参数的估计结束后，对方程的估计采用聚类稳健的标准误。首先考察门限效应是否显著存在的假设检验：

表1显示，单阀值效应检验，即原假设：不存在门限效应，p值为0.04，在5%的水平上拒绝原假设，即存在门限效应；同时，双阀值效应检验中，原假设：只存在单阀值效应（备择假设为存在双阀值效应），P值为0.143，无法通过显著性检验，故认为非线性的门限效应存在，且为单阀值模型。

表2 门限效应检验

表3 门限参数点估计及区间估计

通过模型内生选择门限参数而最优拟合非线性模型，得到门限参数q，也即资产负债比，估计值为0.6801。以此为界限，资产负债比高于0.6801，对应于传统金融加速器理论意义上的“小公司”，所受到金融加速器影响理论上应大于资产负债率低于0.6801的公司。下表给出了不同年份的大公司和小公司的占比。

表4 各年份属于不同资产负债比区间的公司比例（单位：%）

表5 模型一的回归结果

表3所示，所有系数均通过1%水平的显著性检验，且经济学意义良好，投资关于企业规模偏效应为负并非违反理论预期，这和本文变量的度量有关，因为这里投资使用的是投资对总资产的比值，只是企业规模越大，总资产的增长速度越大于投资的增长速度，所以表现出企业净值的边际效应为负。投资对资产负债率显著为负，说明在中国制造业内，企业层面存在明显的金融加速器效应，其中资产负债率高于0.68的企业金融加速器效应为-0.122，即资产负债率提高1个百分点，投资率将会下降0.122个百分点；而资产负债率低于0.68的公司，投资对资产负债率的偏效应只有-0.104，绝对值低于高负债率公司的0.122，说明不同资产负债结构的公司间存在不同的金融加速器效应，这验证了我国制造业金融加速器效应的非对称性，只是不同于以往文献的分析，本文对非线性区间的划分，不是依据绝对的企业规模，而是资产负债结构，然而这种做法的直觉依然是明显的：在金融市场存在摩擦，信息不对称的条件下，企业外部融资溢价和资产负债率成正比，因为过高的资产负债率意味着企业的还债能力弱，违约的可能性更大，所以在金融市场上借贷的风险溢价更高。

至此，命题1得到验证，即：以资产负债率为标准划分的不同企业，金融加速器效应存在差异，负债率高的企业金融加速器效应大于负债率低的企业，表现在模型一中，|α1|<|α2|。

（二）模型二

模型二中，利用模型一的结果，直接按已估的门限参数将样本分割，同时按照经济上升和下降的年份再次将样本分割，进而考察不同资产负债结构的公司，在不同经济环境下表现出的金融加速器非对称性。依据前文的年份划分方式，选取2002、2003、2005、2006、2009、2012、2013、2014，八个年份为经济下降期，其余的年份为经济上升期。同模型一的回归分析一致，模型二仍然使用聚类稳健标准误。

表6 模型二回归结果

T*Debt*I(Debt>q)表示经济下降年份低高负债率公司的投资对滞后一期的资产负债率偏系数，T*I(Debt<=q)*Debt表示经济下降年份低负债率公司的偏系数，(1-T)*I(Debt>q)*Debt表示经济上升年份高负债率公司的偏系数，(1-T)*I(Debt<=q)*Debt表示济上升年份低负债率公司的偏系数。

由表5知，在经济下行时期，资产负债率高于0.68的企业金融加速器效应为-0.128，负债率低于此值的公司，金融加速器效应为-0.108；在经济上升时期，资产负债率高于0.68的企业金融加速器效应为-0.104，负债率低于此值的公司，金融加速器效应为-0.091。这个结果不仅说明了金融加速器效应在不同资产负债结构和外部经济环境下呈现明显的差异性，同时这种非对称性与理论预期非常吻合。控制外部经济环境，从不同资产负债结构引至的差异性上看，在经济上行时期，高负债公司的偏系数绝对值0.104大于低负债的0.09，在经济下行时期，高负债公司偏系数绝对值0.128大于低负债公司的0.108，说明在任何时期，负债率高的企业金融加速器效应大于低负债企业；而控制公司资产负债结构，从不同时期外部经济环境引至的差异性来看，资产负债率高于0.68的企业，在经济下行时的金融加速器效应为-0.128，绝对大于其在上行时期的效应-0.104，资产负债率低于0.68的企业，在经济下行时的金融加速器效应为-0.108，绝对大于其在上行时期的-0.091，说明控制住不同的资产负债结构，经济下行时期的金融加速器效应要大于经济上行时期金融加速器效应。这种资产负债结构和经济环境的交互非对称性很好的符合了理论预期。

至此，命题二得到验证，即：经济下滑时期的金融加速器效应要大于经济增长时期金融加速器效应，体现在模型二中，|α11|<|α12|，|α21|<|α22|。

四、结论与启示

本文利用中国制造业703家上市公司2001年到2014年年度财务数据和相关宏观数据，运用门限面板回归模型，实证分析了我国制造业微观企业层面金融加速器效应的非对称性，具体的结论如下：（1）我国制造业企业依资产负债结构的不同存在明显的金融加速器效应非对称性。（2）将考察非对称性的样本分割内生化处理，即构造门限参数并进行估计，得出资产负债比0.68为划分样本的标准，为门限参数估计结果。资产负债比高于0.68的企业金融加速器效应要明显大于资产负债比低于0.68的企业。（3）共同考察资产负债结构和外部经济环境的交互作用和其非线性表现形式，发现控制住外部经济环境，资产负债率高于0.68企业的金融加速器效应要明显大于资产负债率低于0.68企业的金融加速器效应；控制住企业间不同的资产负债结构，经济下行时期，企业的金融加速器效应，要明显大于经济下行时期企业的金融加速器效应，说明我国制造业的确存在依资产负债结构和外部经济环境差异而产生的金融加速器效应非对称性。

本文研究意味着：政府在制定相应的货币政策促进制造业发展时，应考虑到其公司层面的金融加速器效应和其非对称性，具体的信贷政策应针对不同资产负债结构的企业差别对待。而在运用货币及信贷政策调整经济短期波动时，更要针对在经济景气或衰退时，金融加速器效应的不同特征，相机干预。

[1]曹永琴.中国货币政策行业非对称效应研究——基于30个行业面板数据的实证研究[J].上海经济研究,2011,(01):3-15.

[2]赵振全,于震,刘淼.金融加速器效应在中国存在吗?[J].经济研究,2007,(06):27-38.

[3]袁申国,陈平,刘兰凤.汇率制度、金融加速器和经济波动[J].经济研究,2011,(01):57-70.

[4]袁申国,刘兰凤.中国金融加速器效应的地区差异比较研究[J].财经研究,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.

夏飞，上海海事大学经济管理学院硕士研究生。

F832.3

A

1008-4428（2016）06-26-04