资本市场开放对企业投融资行为的影响——基于“沪港通”效应的实证检验

陆思羿，周凡

（上海对外经贸大学会计学院，上海201620）

一、引言

从沪深证券交易所成立至今的三十年间，资本市场从初步实现“引进来”和“走出去”到推动对外开放呈现双向扩容格局，再到现在形成更全方位、更高水平的对外开放局面。在沪港通开通之前，投资者主要依靠合格境外机构投资者制度（QFII）和合格境内机构投资者制度（QDII）这两个平台在国内外的资本市场进行跨境交易，投资规模在过去的十几年发展中逐步扩大，同时也受到了制度等相关的限制。2011年底，市场开放的步伐加大，RQFII扩容。2014年4月10日，李克强总理首次提出上海与香港股票市场交易互联互通机制，即“沪港通”机制。“沪港通”于2014年11月17日正式实施，它的开通是中国资本市场与国际市场双向联通的重大举措。随着“沪港通”的开启，紧接着2016年末“深港通”开通。2017年10月，十九大提出“扩大金融市场开放，金融要服务于实体经济”，都在为最终融入全球资本市场做准备。

研究基于“沪港通”效应，选择资本市场对企业投融资行为的影响作为研究对象，可以系统地检验该政策带来的实际经济价值与后果。基于“沪港通”视角对资本市场开放的研究，学者们已经取得了一些成就，主要集中在市场联动性、股价波动、股利政策、公司治理等宏微观方面的研究。研究从投融资行为出发，依据融资是投资的基础，构建三交乘模型；研究在该政策实施后，不同的融资渠道是否显著影响企业投资的情况。在目前研究中，从“沪港通”开通角度，分析资本市场开放由融资影响投资规模这一路径的研究暂时存在空缺，本研究一定程度上丰富和拓展了“沪港通”与企业投融资的相关文献。

二、文献综述

（一）关于投融资行为的研究

有越来越多的学者关注企业的投资和融资行为，邓可斌等（2014）发现规模小、生产效率低的非国有企业相较于其他企业融资约束更大，并且这一约束是因为受到金融市场的摩擦、政府的干预而外生于市场的。才国伟等（2018）认为在与中国经济制度关联性高的企业，政策不确定性会更加显著影响债权融资，同时也会通过不同的渠道作用于投资。

Dittmar and Dittmar（2008）指出相对于债务成本，经济的波动与扩张降低了股权成本，促使企业选择股权融资，并增加了现金流。Knill等（2013）研究发现外国证券投资组合通过资本市场接触到中小型上市企业，提升中小企业获得融资的机会。放宽对资本流动的限制，稳定投资现金的流入，可以明显改善产权欠发达小企业的融资环境，优化资源配置。

（二）关于资本市场开放的研究

学术界已经对资本市场开放的研究积累了大量的文献，C Mayer（1988）认为企业的投资资金依赖于资本结构以及方式，促进资本市场的发展。Mitton（2006）指出一国股票市场的自由化程度给可投资的公司带来了实质的经济利益，很大程度上改善经营业绩。

（三）关于“沪港通”的研究

从2014年“沪港通”政策实行以来，国内有不同的学者对其从微观和宏观层面产生的经济后果进行分析。沪港通的开启改善了公司的投资效率，外国投资者是改善企业环境和优化资源配置效率的关键，外资的作用一直是对中国资本市场自由化感兴趣的政策制定者关注的焦点，（陈运森和黄健峤，2019）。钟覃琳等（2018）从信息和公司治理两个维度探究“沪港通”对资本市场效率的影响，发现“沪港通”的开通有助于提高股票价格的信息含量。钟凯等（2018）发现“沪港通”通过促使企业提高信息披露质量，并且由于境外投资者的加入降低了标的股票股价的异质性波动。纪彰波等（2019）认为“沪港通”可以降低股价暴跌的风险，有利于缓解A股市场的投机风险的同时，也会因为股价暴跌给市场带来不稳定因素。

三、研究假设

企业在运作过程中自负盈亏、自主经营，所以融资是其根本前提。传统的MM定理认为企业的融资决策与企业的投资无关。但是在资产不完全替代等条件下，企业的融资决策会影响投资。一般来说企业的融资越多，投资也就越多。张杰等（2012）发现中国的企业通过多样化融资体系给R&D投资形成了融资支撑。“沪港通”的开通进一步提高了标的企业的知名度，增大国内企业与境外投资者的接触机会，从而提升资本市场上投资者的投资力度。基于“沪港通”开通这一准自然实验平台，资本市场进一步开放，允许投资者资金在两个资本市场之间相对自由流动，可以通过不同的融资渠道，改变企业的投资规模。据此，我们提出研究假设1、2：

H1：纳入沪港通交易范围的标的公司相较于非标的公司，通过扩大企业债权融资，企业的投资规模显著增加。

H2：纳入沪港通交易范围的标的公司相较于非标的公司，通过扩大企业股权融资，企业的投资规模显著增加。

四、研究设计

（一）样本选取及数据来源

为了更好的检验“沪港通”开通前后对标的与非标的公司投融资行为的影响，故研究将2014年正式开始交易“沪港通”这一年作为时间节点，选取2012-2016年间全部A股上市公司，按照如下标准进行筛选与处理：（1）剔除金融行业、房地产业（2）剔除ST、ST*的上市公司（3）剔除重要数据缺失的样本（4）剔除极端值、异常值。通过在1%水平上进行Winsorize缩尾处理，最终得到10 784个样本。研究数据来源于CSMAR数据库。

（二）变量定义与模型设定

依据Baker et al.（2003）以及McLean and Zhao（2014）所构建的投融资模型，为了验证在“沪港通”效应下，可以通过扩大企业的融资来影响投资，于是建立如下的模型（1）（2）：

将融资方式区分为债权融资和股权融资两种，其中Fin1i，t表示为第t年公司i的债权融资规模，Fin2i，t是第t年公司i的股权融资规模，Invi，t则是投资指标，投融资规模在本研究中均以变化值的形式展现。三者采用除以年初总资产的方式进行标准化处理，提升结果的真实性与可靠性。定义2014年之前为政策未实施年份，2014年之后（不包括2014年）为政策实施年份。

从假说（1）和（2）可以判断出，预期两个模型交乘项的回归系数β4应该显著为正，表示纳入沪港通交易范围的标的与非标的公司，在政策前后，通过企业的债权和股权融资，企业的投资规模产生的差异。

此外，研究还控制了公司资产负债率（Lev）、公司规模（Size）、第一大股东持股比例（First）、公司成长性（Growth）、产权性质（Soe）等会影响企业投融资行为的因素，并且我们加入了行业和年度虚拟变量Industry、Year，用其控制不同行业和年份的影响。模型中所涉及的主要变量及其具体定义如表1所示。

表1 主要变量及定义

五、实证结果

（一）描述性统计

表2列示了相关变量五年10 784个样本的描述性统计结果，主要变量投资规模Inv、债券融资Fin1、股权融资Fin2是经过期初总资产标准化之后的结果，从标准差可以看出现阶段A股上市公司之间的融资、投资规模不均衡，存在着较大的差异。资产负债率（Lev）均值0.418，说明中国A股上市公司相比于其他国家的企业整体资产负债率普遍偏高，资本市场尚未成熟。营业收入增长率从-0.529变化至3.618，最大最小值相差甚远，即在不同行业和年份的公司，营业收入之间的差距较大。第一大股东持股比例最低值为8.79%，最高达75%，企业之间股权分散程度不同。

表2 描述性统计

（二）相关性分析

由下表3可以看出各指标之间不存在多重共线性问题，可以针对假设进行回归分析。

表3 相关性分析

（三）回归结果分析

表4列示了关于假设1的实证结果，从表中的交乘项Object*Post*Fin1前的系数分别为0.116和0.125，并且均在1%条件下显著。表明在“沪港通”政策实施后，无论是否控制行业和时间的效应，标的企业通过债权融资渠道可以使企业的投资规模显著增加，综上假设（1）成立。

表4 回归分析

根据假设（2），重点关注交乘项Object*Post*Fin2前的系数。如下表5所示，在控制行业和时间固定效应和未控制行业和时间两种情况下，都在1%水平下显著。系数分别为0.087和0.086，表明在“沪港通”政策实施后，标的企业可以通过股权融资渠道使得企业的投资规模显著增加。假设（1）与假设（2）类比，发现在“沪港通”效应下，纳入交易范围的标的企业，通过债权融资渠道对投资产生的影响更加显著。究其原因是与我们所处整体的经济环境相关，企业会更偏好债权融资来获取公司所需要的资金。

六、稳健性检验

在现有文献中，对于股权融资规模的一般定义为外部权益融资的增加额，即股东权益的净增加减去留存收益的净增加。所以下文仅对假设（3）进行稳健性检验，参照吴超鹏等（2012）将衡量债权融资的指标替换为企业平均含息负债。重新进行回归后得到如下结果，交乘项系数为0.074，并且通过了1%水平下的显著性检验，表明替换变量后结果仍然符合假设，进一步佐证实证结果的正确性。

表5 回归分析

七、研究结论与启示

选用2012-2016年A股上市公司为样本，通过研究发现：“沪港通”政策的实施后，企业通过债权和股权融资渠道，均可进一步显著扩大投资规模。“沪港通”的出现，标志着市场机制和市场环境的不断完善，为企业投融资活动提供了客观的条件和稳固的保障。两地交叉投资买卖股票的同时，也打开了国际金融资本进入我国市场的大门。研究增补了“沪港通”相关理论研究，从投融资行为出发，通过融资渠道影响企业的投资。研究的结论对于企业具有相关指导意义：上市公司需要把握好“沪港通”这一平台，进行更多的投融资与建设，利用不同的融资渠道为扩大企业的投资机会构建可持续的专业投资能力，利用国际市场上注入的新鲜血液形成高水平的投资正循环，为企业生存和多元化发展提供更多有效的途径。

VARIABLES 稳健性检验Inv OBJECT -0.018***(-5.98)Post -0.034***(-11.31)Fin1change 0.009***(13.33)Object*Post*Fin1change 0.074***(6.53)Size 0.009***(9.24)Lev -0.024***(-4.43)First 0.000***(4.98)Growth 0.074***(39.58)-0.017***Soe (-7.67)Constant -0.143***(-6.57)year industry Observations R-squared控制控制10,784 0.197