基于长株潭地区企业数据的金融资源错配分析

时间:2019-09-27

　　本篇文章目录导航：

　　【题目】金融错配对企业技术创新的影响研究——基于长株潭地区的分析
　　【第一章】金融资源错配与全要素生产率绪论
　　【第二章】金融错配影响企业技术创新的理论分析
　　【第三章】基于长株潭地区企业数据的金融资源错配分析
　　【第四章】改善金融错配与提升企业技术创新的对策建议
　　【第五章】金融错配对企业技术创新影响的结论与参考文献

　　第三章 基于长株潭地区企业数据的分析

　　3.1 变量选取与模型构建.

　　3.1.1 变量选取.

　　影响企业技术创新的因素主要有企业规模、市场集中度、资源错配，企业债务压力、企业生产活动的特点等。资源错配将阻碍企业技术创新的提高，本文研究资源错配的重要一类——金融错配对企业技术创新的影响，选择金融错配作为核心解释变量。

　　企业规模。大企业资金实力雄厚，承担风险的能力更强，另外范围经济的存在这些使得大企业创新能力更强。但是规模较小的企业具有组织机构安排灵活、某一领域做精做深、管理弹性高、反应灵敏等优点，这些优势有利于小企业创新能力的提高。因此本文选择企业规模作为控制变量之一。

　　市场集中度。市场集中度越高，市场结构越趋近垄断，市场集中度越低，则市场结构越趋向于竞争。垄断为企业带来的高利润对技术创新具有激励作用，因此可能带来较高的技术创新水平，但竞争性的市场结构可能会激发企业寻求于提高技术创新来增强自身竞争力。本文选择企业市场势力作为控制变量之一。

　　企业债务压力。研发创新是一项所需资金大、持续时间长的活动，并且风险较高，投资收益具有不确定性，因此债务压力较大的企业，其研发强度较低，而债务压力较小的企业研发强度相对较高。即企业债务压力与技术创新呈负相关关系。因此本文选择资产负债率作为控制变量之一。

　　企业生产活动的特点也会影响企业技术创新，例如企业参与国际贸易的程度、企业将多少生产环节外包出去等。企业由于有更大机会获得发达国家的知识溢出，这一点有利于企业技术创新的提高；但是若企业主要生产劳动密集型产品，处于价值链的低端，反而会阻碍企业技术创新的提高。本文选择企业外向度来衡量企业参与国际贸易的程度，作为控制变量之一。

　　如果将附加值低的生产环节外包出去，注重于价值增值高的环节的生产，而附加值高的环节往往与工艺创新、质量改进、产品创新有关联。因此企业外包程度的高低将影响企业技术创新。因此本文选择企业外包程度作为控制变量之一。

　　结合以上对影响企业技术创新的因素的分析，本文被解释变量、解释变量以及控制变量选取如下：

　　被解释变量。创新产出主要表现在新产品产出和专利产出等方面，二者都为衡量企业技术创新的指标。鉴于技术创新不仅反映企业的创新产出，反映了市场价值，因而本文选取新产品产值（Inno）作为衡量技术创新的指标。

　　解释变量。金融错配（Fm）。本文借鉴邵挺(2010) 测度金融错配的方法，用每个企业的资金使用成本，与企业所处行业的平均资金使用成本的偏离程度来衡量金融错配。具体做法是首先计算每个企业的资金使用成本（利息支出与扣除应付账款后的负债数额之比），然后计算企业对所在行业的平均资金使用成本的偏离程度，这个偏离程度便是金融错配的程度（financial misallocation）。

　　此外，为了保证分析结果的稳健性，还加入其它对技术创新有影响的变量指标作为控制变量。本文选取企业规模、企业市场势力、企业资产负债率、企业外包程度和企业外向度五个企业特征变量作为控制变量。

　　企业规模（Scale）。本文参考陈羽等（2007）的做法，用企业职工数、固定资产净值以及工业销售值三者的平均值来衡量企业规模。

　　企业市场势力（Marf）。企业市场势力反映了一个企业在行业中所占有的份额，若某几家企业的市场势力较大，导致市场份额集中在这几家企业手中，则市场的集中度较高，若企业市场势力降低，则市场集中度会下降。本文用企业的工业销售产值与整个工业行业销售产值的比率衡量企业的市场势力。

　　资产负债率（Debt）。研发活动需要大量的资金投入，且风险较高，投资收益的不确定性较高，因此一般来说，债务压力较大的企业研发活动强度较小，技术创新水平相应较低。本文采用企业的资产负债率，即负债与总资产的比值，来衡量企业的债务压力大小。

　　企业外包程度（Out）。在企业的生产过程中，若将大部分生产环节外包出去，表明企业更关注附加值高的核心环节，而这类环节往往与工艺创新、质量改进、产品创新等有关，因此，外包程度更高的企业，技术创新水平较高。本文用企业的中间投入与工业销售值的比值来衡量企业的外包程度，中间投入能够反映企业用于外部购买的资金投入，中间投入与工业销售值的比值越大，说明企业的外包程度越高，比值越小，说明企业的外包程度越低。

　　企业外向度（Open）。外向度高的企业由于参与国际贸易的程度较高，有更大机会从国际分工体系中获得发达国家的知识溢出，从而提升技术创新水平。

　　但也可能由于在国际分工体系中处于价值生产链的低端，主要承担劳动密集型产品（比如承担国外大品牌商的外包业务、专业化生产零配件等），而对企业的技术创新产生“锁定效应”，阻碍企业创新水平的提高。本文用出口交货值/工业销售值来衡量企业外向度。

　　3.1.2 模型构建.

　　本章构建面板多元回归模型来对金融错配对企业技术创新的影响进行分析。

　　多元回归模型构建如下：

　　为了更清楚地探讨金融错配对企业技术创新的影响，本文基于样本选择的不同进行了三个实证分析，第一个是基于长株潭整体样本企业的数据，探讨长株潭地区企业面临的金融错配对技术创新的整体平均效应；第二个是从整体样本中选取国有企业、私营企业进行面板回归分析；第三个是选取观测值数量排名前三位的制造业行业进行面板回归。

　　3.2 数据来源与统计描述.

　　3.2.1 数据来源.

　　本文所使用的数据来源于《中国工业企业数据库》，此数据库涵盖了全部国有工业企业和年主营业务收入 500 万元以上的非国有工业企业，覆盖的行业范围与《中国工业统计年鉴》相一致，但不同的是，该数据库是企业层面的微观数据，而后者是行业的加总数据。本章实证部分选取中国工业企业数据库中长沙、株洲、湘潭三个地区 1998-2010 年的企业为样本，进行面板数据处理时，剔除了总资产为负数、0 和金融错配缺失的样本点。企业的工业销售值、工业中间投入等均采用工业产品出厂价格指数进行了平减。将少数的不符合常理的数据进行剔除，这并不会影响对整个样本的分析，也不会对实证分析的结论产生影响，剔除后最后总共得到含有 14474 个观测值的非平衡面板数据。进行数据处理存在可以将非平衡面板数据转换成平衡面板数据来处理这一选择，但由于从非平衡面板数据中提取一个平衡面板的数据子集，必然会损失样本容量，降低估计效率，因此本章直接对非平衡面板数据进行处理。以下的数据皆是采用计量软件 stata13.0 进行处理。

　　3.2.2 描述性统计分析.

　　以下对长株潭地区的企业面板数据进行了描述性统计分析，表 3.1 列出了参与面板回归的长株潭地区企业数据的被解释变量、解释变量和控制变量的描述性统计。

　　新产品产值的平均值为 9866.199，最大值为 15700000，最小值为 0。新产品产值的最小值与平均值之间的差别较大，最大值与平均值的差别也较大，并且从其离散系数可以看出，与其他几个变量相比较，企业间技术创新发展不平衡，这表明长株潭地区企业之间技术创新水平的差异较大。企业规模的平均值是32628.38，最大值是 32300000，最小值是 27.8924。从离散系数可以看出，长株潭地区企业间的规模差异较大。

　　企业市场势力对数的平均值是-8.6245，最大值是-1.5840，最小值是-14.5549，由于企业市场势力小于 1，所以其对数为负值。企业资产负债率的平均值是3.2332，最大值是 192.175，最小值是 0。企业外包程度的平均值是 0.7419，最大值是 94.2117，最小值是 0。企业外向度的平均值是 0.0924，最大值是 1.7614，最小值是 0。由于金融错配、企业市场势力、企业资产负债率、企业外包程度以及企业外向度是比率性指标，因此与新产品产值、企业规模在量纲上有所区别。

　　3.2.3 Person 相关系数检验.

　　在进行基本的描述性统计分析后，接下来对因变量、自变量及控制变量进行Person 相关系数检验，初步了解各个解释变量与被解释变量之间具有正相关关系还是负相关关系。

　　3.3 实证结果分析.

　　3.3.1 整体样本的实证分析.

　　在进行面板回归估计前，先对整体回归模型进行多重共线性检验，检验结果如表 3.3 所示。从表 3.3 可以看到，整体回归模型的方差膨胀因子（VIF）平均值为 1.02，每个解释变量的 VIF 都低于 2，这表明解释变量之间不存在多重共线性。

　　在对面板数据进行回归估计时时，首先要判断采用哪些效应的模型，是混合OLS 模型更适合，还是用随机效应模型拟合更准确？又或是两者都不能很好地对数据进行拟合，而是应该用固定效应模型？其中，判定是选择混合 OLS 模型还是固定效应模型，需要进行 F 检验；判定是选择随机效应模型还是混合 OLS模型，需要进行 BP-LM 检验；判定是选择随机效应模型还是选择固定效应模型需要进行 Hausman 检验。

　　分别采用混合 OLS 效应模型、随机效应模型和固定效应模型对计量模型（3.1）进行回归，回归结果如表 3.4 所示。判断采用哪一种模型进行回归要分别进行 F 检验、BP-LM 检验以及 Hausman 检验。首先进行 F 检验，以判断采用混合 OLS 模型还是固定效应模型，检验结果为：检验统计量 F 值为 541.85，P 值为 0.0000，因此拒绝混合 OLS 模型优于固定效应模型的原假设，选择固定效应模型。其次，进行 BP-LM 检验，以判断采用混合 OLS 模型还是随机效应模型，检验结果为：检验统计量 chibar2 值为 158.01，P 值为 0.0000，因此拒绝混合 OLS模型优于随机效应模型的原假设，选择随机效应模型。最后进行 Hausman 检验，以判断采用固定效应模型还是随机效应模型，检验结果为：检验统计量 chi2 值为 11.32，P 值为 0.0455，因此拒绝随机效应模型优于固定效应模型的原假设。

　　基于上述检验结果，最后选择固定效应模型作为最终回归结果。对固定效应模型进行 Wald 检验，检验统计量 chi2 值为 1400000，P 值为 0.0000，因此拒绝原假设，截面个体间存在异方差。因此在采用固定效应对面板数据进行回归时，使用了稳健标准差进行回归，以消除截面个体存在的异方差。从固定效应模型的回归结果来看，金融错配（Fm）的系数为负，且通过显著性检验，金融错配对企业技术创新具有显著的负向影响，这说明长株潭地区企业在面临金融错配的条件下，企业技术创新的提高受到了抑制，企业面临金融错配的程度越大，技术创新受到抑制的程度就越大。

　　企业规模（Scale）的系数为正，且通过显著性检验，企业规模对技术创新具有正向影响。这说明长株潭地区，规模大的企业技术创新水平更高，规模小的企业技术创新水平较低，这一结果支持了目前学术界关于企业规模与技术创新呈正相关关系的观点。

　　企业市场势力对数（ln(Marf)）的系数为正，且通过了显著性检验，这表明企业市场势力与企业技术创新具有正向影响，当企业的市场势力的提高有利于企业技术创新的提升。这可能是由于研发创新是一项高风险的活动，市场势力更大的企业其风险承受能力更强，并且市场势力更大的企业更有能力保护自身研发创新成果不被模仿。

　　企业资产负债率（Debt）的系数为负，即企业资产负债率与企业技术创新呈负相关关系，但没有通过显著性检验。

　　企业外包程度（Out）的系数为正，且通过显著性检验。这一结果说明，企业外包程度与技术创新呈正相关关系。这可能是由于，外包程度较高的企业往往注重附加值大的核心环节，而这些核心环节往往与工艺创新、产品创新等技术创新相关联，因此其技术创新能力相应也较高。

　　企业外向度（Open）的系数为负，这表明企业外向度与技术创新呈负相关关系，但没有通过显著性检验。这可能是由于长株潭地区长株潭地区处于内陆的因素，相比沿海地区，参与国际贸易的程度较低，因此其对企业技术创新的负向影响并不明显。

　　3.3.2 区分企业所有制性质的对比实证分析.

　　在对整体样本进行回归估计后，为了考察在国有和私营两种不同所有制性质下，金融错配对企业技术创新的影响有何差异，接下来对国有企业（模型 1）和私营企业（模型 2）分别进行回归估计。同样地，为了判别是选择混合 OLS 模型、随机效应模型还是固定效应模型，对模型 1 和模型 2 进行回归，先分别对两个模型进行 F 检验、LM 检验及 Hausman 检验。

　　首先对模型 1 进行 F 检验，模型 1 的 F 值是 49.10，P 值为 0.0000，因此需拒绝原假设，对于模型 1 而言采用固定效应模型比采用混合 OLS 模型更好；其次判断随机效应模型与混合 OLS 模型哪个更好，对模型 1 进行 BP-LM 检验，chibar2 值为 0.00，P 值为 1.0000，因此不能拒绝原假设，对于模型 1 而言采用混合 OLS 模型比随机效应模型更好；最后判断随机效应模型与固定效应模型哪个更适合，对模型 1 进行 Hausman 检验，chi2 的值为 22.46，P 值为 0.0004，拒绝原假设，认为固定效应模型优于随机效应模型。综上所述，采用固定效应模型对国有企业样本进行回归分析。对模型 1 进行 Wald 检验，检验统计量 chi2 值为58973.62，P 值为 0.0000，模型存在异方差，因此在用固定效应模型回归时采用稳健标准差进行回归，以消除异方差。

　　首先对模型 2 进行 F 检验，模型 2 的 F 值是 328.08，P 值为 0.0000，因此需拒绝原假设，对于模型 2 而言采用固定效应模型比采用混合 OLS 模型更好；其次判断随机效应模型与混合 OLS 模型哪个更好，对模型 2 进行 BP-LM 检验，chibar2 值为 283.36，P 值为 0.0000，因此需拒绝原假设，对于模型 2 而言采用随机效应模型比混合 OLS 模型更好；最后判断随机效应模型与固定效应模型哪个更适合，对模型 1 进行 Hausman 检验，chi2 的值为 28.44，P 值为 0.0000，拒绝随机效应优于固定效应模型的原假设，采用固定效应模型。对模型 2 进行 Wald检验，检验统计量 chi2 值为 120000，P 值为 0.0000，模型存在异方差，因此在用固定效应模型回归时采用稳健标准差进行回归，以消除异方差。

　　3.4 实证结论.

　　利用 1998-2010 年长株潭地区的工业企业数据进行实证分析，分别对整体样本、区分企业所有制性质以及三个不同制造业行业进行多元面板回归分析，得到的实证结论主要有以下几点：

　　（1）金融错配对企业技术创新具有显著的抑制效应，并且金融错配程度越大，对企业技术创新的抑制效应越强。这说明在面临金融错配的条件下，企业技术创新能力的提高受到了阻碍。

　　（2）对国有企业和私营企业两种不同所有制企业的回归结果表明，金融错配对国有企业技术创新的抑制效应不显著，但对私营企业具有显著的抑制效应。

　　这与国有企业本身资金使用成本较低有关，由于国有企业资金使用成本低，因此金融错配并不是国有企业技术创新能力提高的阻碍因素之一。

　　（3）在长株潭地区，通用设备制造业的企业中，金融错配对企业技术创新具有显著的抑制效应，而在化学原料及化学制品制造业和非金属矿物制品业中，抑制效应并不显著。

　　（4）本章中对整体样本的回归分析，对国有企业和私营企业的回归分析以及对三个制造业行业的回归分析，都表明企业规模与技术创新具有显著的正相关关系。

TAG标签：

上一篇：金融错配影响企业技术创新的理论分析
下一篇：改善金融错配与提升企业技术创新的对策建议