数字金融、投资者情绪与企业投融资

杨钊霞，骆润葳

（1.中共湖北省委党校，武汉 432200；2.伯明翰大学商学院，英国伯明翰 B15 2TT）

0 引言

投资者情绪影响企业投融资的渠道主要有三种：虚假信号渠道、股权融资渠道和迎合渠道。虚假信号渠道理论认为，股价向管理者传递信息，即使股市是最好的预测者，它也可能出错，因为股价受到投资者情绪的影响，而对于投资者情绪企业经营者是无法从基本面信息中将其分离出来的。Morck等（2000）[1]发现股价因投资者情绪而膨胀导致经营者推断高预期现金流或低贴现率，这两者都会促使更多的投资。股权融资渠道理论认为，股权的发行对企业的投资能够产生一定的影响。对于股票依赖型公司，当投资者过于悲观、股价低于基本面时，股票依赖型公司的理性管理者不会进行投资[2],其投资需通过偏低的价格来进行公司股票的发行。相反，当投资者乐观且股价高于基本价值时，股票依赖型公司的理性管理者会发现发行股票更有吸引力。该理论在学术界也得到了印证[3,4]。迎合渠道指股价偏离基本面可能直接影响投资决策[5]。在资本市场当中，往往会有比较显著的信息不对称现象，当投资者需对企业所具有的内在价值进行分析判断的时候，通常会有一定程度的策略偏差存在。Panageas（2005）[6]认为无论价格是否反映投机成分，股价最大化时公司的投资都是有效的。国内学者的研究也验证了这一观点[7,8]。

近年来，互联网技术的运用使得传统金融行业发生了改变，互联网大数据的运用一方面有助于金融创新，相比传统金融需要物理网点经营的模式，数字金融极大地拓展了金融服务的范围和传达的速度。因此，数字金融利用网络平台，大大降低了人力和物力的需求，信息收集更加高效和全面，能有效降低企业融资成本，缓解企业融资约束，促进企业投资。有研究发现，数字金融自身存在一定的技术优势，从而有利于金融服务领域进一步拓展其供给的覆盖面，促进信贷效率的进一步提高，而整体的服务成本却在降低，在和大数据相结合之后，则可使违约的成本增加，使道德风险与逆向选择有所下降，最终的结果就是，企业将会利用数字金融渠道得到一定的信贷资源[9]。但是，企业所存在的融资约束问题是否可通过数字金融来得到一定程度的解决？目前已有文献并未给出直接的结论，且多以文献分析为主。郑志来（2014）[10]认为通过有针对性地为中小企业提供普惠性质的金融服务，数字金融可以有效改善企业面临的融资约束。与此同时，我国数字金融更具有普惠的特性，体现了数字金融的核心价值。黄益平和陶坤玉（2019）[11]指出，数字金融在支持创新、拓展金融普惠性、实现社会公平方面具有不可替代的作用。孙济潍和沈悦（2021）[12]利用A股非金融上市公司数据研究了数字金融对企业金融投资的影响，说明了数字金融可以降低企业杠杆，缓解融资约束，最终促进企业投资。然而数字金融对企业投资的影响是否具有线性稳健性，对此需要进一步讨论。

作为影响企业投融资行为的关键变量，投资者情绪和数字金融对企业投融资行为具有什么样的影响，便是值得关注的话题。本文的贡献在于：（1）针对数字金融以及投资者情绪两个方面的问题，全面地探讨了其对于企业投融资行为的具体影响机制；（2）由于我国金融市场的不完善及企业异质性问题，会使得变量间相关性以非线性形式展现，因此本文采用非线性面板平滑转换模型研究投资者情绪和数字金融对企业投融资行为的影响。

1 研究设计

1.1 研究样本和数据来源

本文选取的研究样本为我国沪深两市上市企业，数据主要来源于CSMAR数据库。本文使用北京大学数字金融研究中心编制的省级数字金融普惠指数作为解释变量。该指标采用了蚂蚁金服的交易账户大数据，具有可靠性和代表性，由于该指数时间跨度为2011—2018年，因此为统一样本区间，本文最终选取2011—2018 年我国A 股上市公司作为研究样本。考虑到极端值影响，对样本数据在1%和99%分位进行Winsorize 缩尾处理，同时剔除连续亏损的ST企业和金融相关企业。

1.2 变量选择

1.2.1 核心变量

（1）数字金融

借鉴谢绚丽等（2018）[13]的做法，本文使用北京大学数字金融研究中心提供的数字普惠金融指数作为核心解释变量，在本文中以符号EPH表示。

（2）投资者情绪

在开展实证研究工作时，通常使用“错误定价”作为投资者情绪的代理变量，它可以间接度量投资者情绪，然而该方法却不能将投资者情绪所发生的实际改变情况直观地体现出来。事实上，即便没有情绪的波动，理性的投资行为在不确定的环境中，公司市场价值也可能会偏离其真实价值，所以容易造成测量误差与内生性问题。因此，主流的做法是：将大量的可体现出投资者情绪改变情况的相关变量全面地收集起来并进行因子合成，最终构建投资者情绪综合指数。本文借鉴Baker 和Wurgler（2007）[3]、周文龙等（2020）[14]的方法，主要利用IPO首日收益率均值以及当月的IPO个数、当月新增开户数、上月市场整体换手率、A股封闭基金平均折价率以及消费者信心指数6个指标，运用主成分分析方法构建投资者情绪综合指数，本文以SENT来表示。

（3）企业投资

参照国内外主流文献的一般做法，本文借鉴Richardson（2006）[15]的方法对企业投资的变量进行衡量，该方法采用无形资产、长期性的资产支付现金与期末固定资产三者的总和与企业的期初总资产之比来进行分析评价，在本文中，企业投资水平用INV来表示。

（4）融资约束

制约企业投资的核心变量为企业面临的融资约束程度，融资约束指标的选取比较灵活，最常见的是用投资敏感现金流模型衡量，然而这种衡量方式目前在研究融资约束相关问题时得到的结论往往不一致[16,17]。目前比较通用的融资约束指标主要有SA 指数、KZ 指数和WWW 指数，而SA 指数由于减少了企业内部变量的内生性问题，所以便于减少测度误差。因此本文借鉴已有研究，以SA 指数来衡量企业融资约束，其相关算式如下所示：0.737SIZE+0.043SIZE2-0.04age，此处，SIZE为企业自身的发展规模，而age则为企业的成立年限，SA数值为负且绝对值越大，说明融资约束程度越强。

1.2.2 控制变量

借鉴靳庆鲁等（2012）[18]和尚煜（2019）[19]提出的方法，采用第一大股东股权占比（SHARE，第一大股东出资额占出资总额的比重）、主营业务成本（CC）、企业的净现金流量占比（NCF，现金净流量与流动负债的比值）、营收增长率（GE，本期主营业务收入与上期主营业务收入之差与上期主营业务收入的比值）、资产负债率（LEV）、发展规模（SIZE，期末总资产的自然对数）以及反映投资机会的托宾Q和宏观控制变量货币增速M2_GROWTH来控制其他影响企业投资或企业绩效的因素。

1.3 实证模型设定

为探讨融资约束和企业投资之间的关系，设定如下基准回归模型：

其中，INV为企业投资，c为常数项，SA代表融资约束，Z代表控制变量，μi代表企业个体效应，εit为随机误差项。

为全面系统检验投资同融资约束的关系，以前文逻辑分析为基础，设置投资者情绪和数字金融作为门槛变量进行非线性面板平滑转换模型（PSTR）估计，以此来研究影响企业投资决策的非线性效应。

非线性面板平滑转换模型在改进汉森面板门槛模型的基础上发展而来，适用于经济中存在多个机制或极端区间、模型结构随多个机制平滑转换的情形，它可对回归系数在截面及时间发生改变时所存在的具体异质性特征进行有效捕捉。模型系数在不同状态之间进行的平滑转化通过转移函数来确定。基准方程如下所示：

其中，SENT为投资者情绪，EPH为数字金融指数，ui为个体固定效应项，εit为误差白噪声项，G(sit;c;γ)为转移函数，c代表某一状态下的位置参数，sit代表转换变量，而转移函数的平滑转换程度用γ来表示，称其为平滑参数。转移函数一般为指数函数和logistic函数，本文按照一般国外文献惯例，将其设定为Logistic函数：

在式（2）和式（3）中，βiZit为线性部分，βjG()sit;c;γ Zit为非线性部分，两部分中包含的变量可以根据模型优化选择不同的变量形式。当只有一个状态或者一种情况时，PSTR模型则退化为一般线性回归模型。对于模型的设定，是否符合非线性面板平滑转化模型需要首先进行设定检验，即异质性检验，也就是非线性检验，判断模型是否存在非线性效应，如果存在异质性，则使用PSTR模型进行估计就是合理的，反之则认为应进行线性估计。

2 实证结果分析

2.1 企业投资与融资约束

本文先针对融资约束和企业投资之间所存在的内在关系展开基准实证检验工作，表1中详细地列出了所得结果。根据豪斯曼检验的结果可知，相较于混合回归及随机效应而言，采用面板固定效应分析模型之后，将可获得更好的结果。对于本文表1中所列的相关结果，本文将会通过控制变量逐一加入法来展开全面的检验工作。而且，融资约束将会被SA指数来替代，如果其值比较大，则意味着有更小的融资约束。结果表明，SA 随着企业层面和宏观经济控制变量的逐一添加，对企业投资的影响在逐渐减弱，然而SA 系数始终为正，由此可知，随着融资约束程度的降低，企业投资水平也在不断提升，符合传统企业投资理论[20]。

表1 融资约束与企业投资关系的回归结果

控制变量方面，企业规模SIZE系数为正，由于我国企业多以银行信贷融资作为投资资金的主要来源，因此企业规模大小直接决定了信贷门槛和可贷资金，其他控制变量营收增长率（GE）、净现金流量占比（NCF）、资产负债率（LEV）、主营业务成本（CC）、第一大股东股权占比（SHARE），以及反映投资机会的托宾Q和宏观控制变量货币增速M2_GROWTH对企业投资的影响均基本符合预期，需要指出的是，关于企业投资所受到的货币政策以及投资机会所带来的影响分析结果和靳庆鲁等（2012）[18]所得到的结论相符，即如果货币政策较为宽松，且投资机会良好，则将会有利于企业投资。

2.2 数字金融、投资者情绪与企业投资

2.2.1 面板数据单位根检验

基于文献梳理，数字金融与投资者情绪均会对企业融资约束产生影响，且这种影响会呈现非线性特征，本文设置投资者情绪和数字金融作为转移变量进行非线性面板平滑转换模型（PSTR）估计，从而分析影响企业投资决策的非线性效应。在进行PSTR模型估计之前，本文为了尽可能避免因变量不平稳所导致的回归系数误差，而采用了面板单位根检验的两种方法：（1）原假设是相同单位根的LLC和Breitung检验；（2）原假设是个体具有单位根过程的IPS检验和PP检验。表2面板单位根检验结果表明，变量均在显著意义上拒绝存在单位根的原假设条件，这说明本文使用变量基本上是平稳的。

表2 面板数据单位根检验

2.2.2 线性和非线性检验

在估计面板平滑转换模型之前，需要先验证与投资相关变量间的关系是线性面板还是非线性面板PSTR模型，基于前文的分析，采用投资者情绪和数字金融作为平滑转移变量。为了保证结果的稳健性，选用LRt、LMf和LM这3个统计量来针对线性假设条件（H0:γ=0）和非线性假设条件即具有一个门限变量的条件（H1：γ=1）进行检验。表3 列出了非线性检验所得到的完整结果，当假设仅有1个位置参数即m=1时，在显著水平之下，上述3个统计量均在统计显著水平下拒绝线性假设条件（H0:γ=0），而如果有2个位置参数，则在统计显著的水平之下，这3个统计量都会对原来的线性假设条件予以拒绝。因此以投资者情绪和数字金融作为转移变量的企业投资方程应采用非线性面板PSTR模型。

表3 PSTR模型非线性检验

2.2.3 位置参数个数确定

根据表3 结果可知，实际上这3 个统计量都不能够对“有非线性转移函数”的相关原假设条件（H1：γ=1）予以拒绝，统计值均不显著，这表明PSTR模型最优转移函数为一个，为进一步确保结果的稳健性，本文采用ACI 和BIC准则来深入地验证非线性转移函数的实际数目。下页表4 结果表明，m=1 时，在两个模型中AIC 和BIC 均是最小的，因此本文最终确定转移函数个数m=1。

表4 PSTR模型转移函数个数确定

2.2.4 平滑转移模型估计结果

本文以投资者情绪和数字金融为转移变量的PSTR模型估计结果见表5。

表5 PSTR模型估计结果

列（1）和列（3）分别为两个模型的线性部分结果，变量Threshold为转移变量的门限值，即转换函数中C的取值，lngmma为γ的对数形式，代表平滑转移的速度。在本文中，主要探讨企业投资所受到的融资约束变量带来的具体影响机制，根据列（1）的数据可知，企业投资所受到的SA的影响为：如果EPH不大于222.455,模型处于较低数字金融发展水平时，SA 系数为-0.001，但并不显著，当EPH大于222.455，即处于较高数字金融发展区间时，SA最终的系数为0.021（-0.001+0.022），和数字金融的整体发展比较落后的情况相比，如果发展水平比较高，则会有利于融资约束的有效缓解，促进投资水平的提升。该结果表明融资约束对企业投资的影响，更重要的是通过PSTR模型，可以看到数字金融通过缓解企业融资约束提升企业投资水平，样本内大约57%的观测值在这一区间内。同理，列（3）结果表明，当转移变量更换为投资者情绪后，线性（Linear）部分，SA系数为0.025，但是并不显著，本文推测当投资者情绪低于61.766 时，基于前文文献梳理，较低的投资者情绪对企业经营者作出投资决策的影响不大，因此企业融资约束程度同投资的关联性并不显著，但是当SENT大于61.766时，模型逐渐落入投资者情绪高涨区间内，SA系数最终为0.031（0.025+0.006），企业融资约束的缓解能够进一步提升企业投资水平，也意味着随着投资水平的上升，企业融资约束程度在逐渐加强，最终会降低企业投资水平，处于高昂投资者情绪区制内的样本约占总体观测值的比重约为25%。

在其他控制变量方面，除少数控制变量系数值不显著外，结果同基准回归模型基本一致。图1与图2给出了相关的转换函数曲线图，根据图中数据可知，转换函数具有渐进趋近的变化趋势，由此可知，数字金融和投资者情绪对企业投资存在非对称影响，通过比对两者的转换系数，投资者情绪在两种区制内的转换速度更快，同时也说明投资者情绪对企业投资的影响更快。

图1 以数字金融为转换变量的转换函数图

图2 以投资者情绪为转换变量的转换函数图

3 结论及建议

本文主要通过PSTR面板平滑转换模型深入地探讨了投资者情绪及数字金融对企业投资的影响规律与机理。实证结果表明，当企业投资面临融资约束时，随着数字金融水平的提升，企业面临融资约束不断下降，因而会推动企业投资水平的上涨，同时也意味着如果保持稳定的数字金融发展将会有利于进一步改善资本市场。与此同时，投资者情绪对企业投资的影响在处于较高昂情绪区间内，企业会面临较强的融资约束，从侧面说明我国资本市场存在不理性的一面。

针对上述研究结论，本文提出如下建议：（1）在政策的制定过程中，除了关注政策对实体经济所带来的影响之外，也要考虑对公众带来的不确定性扰动，稳定预期，才能达到合意的施策目的；（2）根据本文的研究可知，企业投资会受到投资者情绪的显著影响，所以需要注意政策面的配合，合理降温投资者情绪，做到理性投资，同时对于企业而言，要为长远发展考虑，不应受市场情绪的太多干扰做出不理性的短视性投资行为；（3）进一步加大我国互联网、大数据等数字经济基础设施的建设，同时也要从国家层面加强对数字金融的监管，加快互联网数字金融领域反垄断立法，完善信用风险的防控机制，优化社会整体信用环境，进一步降低企业融资面临的信息不对称和道德风险问题。