1001商业信用、融资约束及效率影响

商业信用、融资约束及效率影响 3 石晓军　张顺明 　　提要 :本文从生产的角度检验商业信用通过什么机制影响何种效率 ,文章提 出一个区别于以往文献的两阶段计量分析方法 :在第一阶段 ,以我国 176 家上市公司 1999 —2006 年的数据为样本 ,采用随机前沿模型“一阶段”方法 ,验证了商业信用对融资约 束的显著缓解作用。在第二阶段 ,采用 Malmquist DEA 方法进行了效率的计量和分解 ,结 果表明融资约束对规模效率的影响最大。结论认为 :商业信用通过缓解融资约束促进规 模效率的提高 ;通过资源配置机制实现比银行借款更大的规模效率。 关键词 :商业信用 　融资约束 　规模效率 　随机前沿函数 　数据包络 3 　石晓军 ,北京航空航天大学经济管理学院 ,邮政编码 :100191 ,电子信箱 : sxjstein @gmail . com ; 张顺明 ,中国人民大学中国 财政金融研究中心 ,邮政编码 :100872。本文得到国家自然基金资助项目 (批准号 :70502005) 、国家杰出青年科学基金项目 (批准号 : 70825003)和国家社会科学基金 (批准号 :07AJL002)的资助。作者感谢匿名评审人的意见和建议 ,但文责自负。 一、引 　言 商业信用 (trade credit)就是指卖方允许买方在获得货物后不必立即付款 ,而可延迟一段时间后 再付款。从财务的角度来看 ,商业信用相当于卖方给予买方一个短期融资。近年来 ,已经有多篇重 要文献 (Biais & Gollier , 1997 ; Fisman &Love , 2003 ; Burkart & Ellingsen , 2004)深入研究了商业信用 对融资约束的缓解作用 ,指出信息不对称条件下 ,企业受到银行的信用配给时 ,常常会转而求助于 卖方提供的商业信用。在资本市场发展不完善或者实行紧缩的货币政策时 ,这样的情况更为明显。 既然商业信用能够缓解融资约束 ,提高生产资料的投入水平 ,那么 ,一个更为深入的问题自然会浮 现出来 :商业信用能提高企业的效率吗 ? 尤其在中国 ,资本市场还不完善 ,企业短期融资倚重于银 行 ,商业信用的使用能够有效地提高企业的何种效率呢 ? 本文试图通过实证方法回答上述问题。 通过对我国上市公司样本的实证分析 ,得到的核心结论是 :在我国 ,商业信用通过融资约束的降低 , 有效地提高了企业的规模效率。 二、文献综述 就本文研究的主题 ———商业信用对融资约束的缓解作用而言 ,Biais , Gollier (1997)与 Burkart & Ellingsen (2004)分别从信息不对称以及“实物”融资流动性的角度做出了深刻的理论证明。但是 , 实证文献却不多见。有一些实证研究给出了商业信用与银行短期借款之间替代关系的证据 (Cook , 1999 ; Danielson & Scott , 2000 ; Uesugi & Yamashiro , 2004) ,可以看成是对上述理论的间接证明。实 证研究不充分的一个重要原因在于融资约束直接度量工具的不足。以往文献对融资约束的度量常 常要借助于问卷调查 ,这就大大地缩小了利用企业的观察数据进行实证研究的空间。 Fisman (2001)开创了商业信用对效率影响的研究 ,首次明确地提出商业信用与效率的问题。他 的研究基于非洲 5 国制造业企业的问卷调查数据 ,建立了以生产能力使用率 ( rate of capacity utilization)为因变量、商业信用为主变量、企业特征为控制变量的回归模型 ,直接检验商业信用对生 产效率的影响 ,得到的关键结论是商业信用能够显著地提高生产效率 (敏感性约为 10 %) 。 201 石晓军、张顺明 :商业信用、融资约束及效率影响 Guariglia &Mateut (2006) 则建立了误差修正形式的库存模型 ,基于 609 家英国制造业上市公司 1980 —2000 年的数据 (取之于 Data Stream)分析了商业信用对库存投资的影响①。该文得到明确的 结论支持商业信用对库存投资的促进作用②、对融资约束的缓解作用③。 通过上面的文献 ,可以得到商业信用对效率影响的逻辑链条 :商业信用缓解融资约束 ;融资约 束的缓解有助于效率的提高。据此 ,我们提出一个两阶段计量分析模型。在第一阶段 ,检验商业信 用是否能够缓解融资约束。在第二阶段 ,分析融资约束如何对效率产生影响。 上述两阶段方法中有两个关键的问题需要解决 :第一是融资约束的度量 ;第二是要回答何种效 率受到影响。对这两个问题的处理 ,也是本文区别于以往文献的关键之处。在本文中 ,我们采用了 Wang(2003)提出的一种从融资约束的后果 ( consequences)出发的度量方法。从融资约束最朴素的原 始含义来看 ,就是指在给定技术等约束条件下 ,最优投资所需的资金不能被满足的程度。那么 ,用 实际投资水平相对于最优投资水平的差距来表示融资约束程度是合乎逻辑的。关于第二个问题 , 本文采用了效率计量分析非参数方法 ———Malmquist DEA 方法 ,并对效率进行了细致的分解 ,分别 研究融资约束对不同类型效率的影响 ,确定出具体的受影响的效率类型。相比较而言 ,本文采用的 方法比 Fisman (2003)更具有普遍意义。Fisman (2003) 的研究只注重商业信用对机器等资本设备生 产能力的使用程度。同时 ,Fisman (2001)采用的是问卷调查的方法来确定效率 ,而本文采用效率计 量的标准方法进行分析 ,其结论的经济含义可能会更明显、方法的适用性也会更广泛一些。 本文以下的内容是这样安排的 :第三节 ,给出融资约束的度量方法 ,利用随机前沿模型的“一阶 段”方法分析商业信用对融资约束的缓解作用 ;第四节 ,对样本企业的效率进行计量与分解 ,实证分 析融资约束对各类效率的影响 ;第五节 ,结论。 三、商业信用对融资约束的缓解 :第一阶段模型 11 融资约束的随机前沿度量 不同于以往采用基于调查问卷 ④ ( Feder et al . , 1990 ; Diagne et al . , 2000) 或代理变量⑤ (Fazzari et al ,1988 ; Kaplan & Zingales ,1997)的方法处理融资约束的度量 ,本文将采用 Wang(2003)给 出一种从融资约束后果出发的直接度量方法。具体地 ,对一个企业 ,在给定技术、市场和自身资源 的条件下 ,存在着有限个投资机会 ,假设不存在融资约束条件 ,该企业可以确定出一个最优投资机 会组合 ,这个投资组合决定的投资水平可以称为“前沿投资水平”(frontier investment level ,简写为 FIL) 。在现实经济中 ,融资约束总是存在的 ,在加入融资约束后 ,企业只能选择一个次优的投资机 会组合 ,它的规模一定不会大于最优投资机会组合 ,它决定的投资水平可以称为“实现投资水平” (realized investment level ,简写为 RIL) 。RIL 相对于 FIL 的降低是由融资约束造成的 ,降低的程度则 301 2010 年第 1 期 ① ② ③ ④ ⑤ 如采用股利支付率及其增长情况、综合年报信息、股东信件、公司公告、债权条款等定性信息构造综合指数 ,以及备受争 议的“投资现金流敏感性”。 该方法大致的思路是 :首先在问卷中能够反应调查对象是否受到融资约束的问题 ,然后根据调查对象的回答将其归 类 ,再利用离散选择模型 (如 Probit &Logit 模型)来估计受到融资约束的概率 ,这个概率就作为融资约束程度的度量指标。 主要通过对比债务覆盖率与无融资约束交叉项、债务覆盖率与融资约束及高的商业信用使用率交叉项、债务覆盖率与融资 约束及低的商业信用使用率交叉项前面的系数及其显著性得到。实证结果表明前者的系数很小而且在一半的模型中不显著 ;中间的 系数接近于 0 且不显著 ;后者的系数总是显著而且数值较大。这个对比表明 ,如果提高商业信用的使用 ,受到外部融资约束 (由债务 覆盖率交叉项前的系数表示)的程度就会下降 ,甚至变得不重要(见 Guariglia &Mateut , 2006 ,pp2848 , 表 3 ;及 pp2849 的解释) 。 使用所有样本对基准模型的估计表明 ,商业信用使用率 (用应付账款与总资产之比表示) 提高一个标准差 ,库存投资的增 长率就会提高 713 % ,而全样本期间的库存投资增长率的平均值为 213 %(见 Guariglia &Mateut , 2006 , pp2845) 。尽管分析商业信用与传统信用渠道之间的关系是该文声称要解决的主要问题 ,但该文建立的库存模型却能直接回答商业信用对企业的实际运营有何影响的问题。 反映了融资约束的程度。 定义 :称 RILΠFIL 为前沿投资效率指数 (frontier investment efficiency index ,简写为 IEI) ;称( RIL - RIL )ΠFIL 为融资约束程度 (financing constraints measurement ,简写为 FCM) 。 Wang(2003)基于 Hayashi (1982) 、Chirinko & Schaller (1995)等发展的 ,由 Tobin (1969)提出的Q 投 资理论 ,提出了一种如 (1)所示的随机前沿形式的投资方程 : yit = b0 + Xit b + eit eit = nit - uit ; nit ～ N (0 , s2n ) ; uit ～ N T ( mit , s2it ) > 0 ; mit = d0 + Zit d . (1) 　　其中 , yit是投资比率 , Xit是解释向量 ,组合误差项 eit由下面两项组成 : (1) 随机误差项 nit , (2) 融资约束的影响 uit ,它服从非负的截断正态分布 NT (·) ,均值是 mit ,方差是 s2it 。根据 Battese , Coelli (1995) , mit和 s2it可以表示成投资效率 (或融资约束)的影响因素 Zit的函数。随机误差项 nit和 uit之间相互独立 ,且独立于 Xit 。由投资效率指数 IEI 的含义 ,可以定义 : IEIit = ( Xit b - uit )ΠXit b ,如 果原始变量都取对数形式 ,就变为 : IEIit = exp ( Xit b - uit ) exp ( Xit b) = exp ( - uit ) (2) 　　很显然 , IEI 在 [ 0 ,1 ]上取值 ,当 uit →∞时 , IEI 取 0 ,投资效率最低 ,实际投资偏离前沿投资水 平的程度最大 ,受到的融资约束程度也最大。当 uit →0 时 , IEI 取 1 ,表明实际投资相对于前沿投资 水平没有偏离 ,投资效率最大 ,不受融资约束。根据定义 ,融资约束程度可用下式表示 : FCMit = 1 - IEIit (3) 　　21 实证模型的设定 为构建实证模型 ,我们根据 Battese & Coelli (1995) 提出的效率影响因素研究“一阶段法”,将商 业信用作为一个影响因素 ,进入到 (1) 中 uit 方程中的 Z 向量中 ,按照惯常的办法 (如 Peterson & Rajan , 1997 ; Guariglia &Mateut ,2006) ,采用应付账款 A Pit表示商业信用。 这样 ,在 Wang(2003)的基础上 ,我们将 (1)具体化 :用相对投资水平 IitΠKit - 1表示 (1) 中的 yit ,其 中 Kit - 1用 t - 1 期的资本存量表示。再根据 Q 理论 ,决定 IitΠKit - 1的关键因素是前一期市场对企业 前景的看法 ,即 Qit - 1 。借鉴 Wang (2003) 的设定 ,还采用了当期销售收入 Saleit 和前期销售收入 Saleit - 1 作为 Qit - 1 的控制变量 ,这样可以排除销售规模的影响。同时 ,还加入现金流与总资产之比 CFitΠAssetit 作为控制变量。根据以上分析 , (1) 式中的 X 由 [ ln Qit ;ln ( Salesit - 1ΠKit - 1 ) ;ln ( SalesitΠKit ) ; CFitΠKit - 1 ]c′构成 ,由于 CFitΠKit - 1 可能是负数 ,故不进行对数处理。(1) 式中的 Z 由两类重要的短期 融资组成 ,即商业信用与银行借款 , uit 方程中的 Z 向量由[ lnA Pit ;lnBCit ]c′构成。综合在一起 ,可以 得到分析商业信用对融资约束影响的随机前沿计量模型如下 : ln Iit Kit - 1 = b0 + b1 ln ( Qit - 1 ) + b2 ln S aleitKit - 1 + b3 ln S aleit - 1 Kit - 2 + b4 ln CFit Kit - 1 + nit - uit nit ～ N (0 , s2n ) ; uit ～ N T ( mit , s2it ) > 0 ; mit = d0 + d1 ln ( A Pi ) + d2 ln ( BCi ) (4) 　　在进行计量时 ,投资 Iit用现金流量表中投资活动产生的现金流出小计来表示。资本 Kit - 1采用 了龚六堂和谢丹阳 (2004)所采用的折旧率 dit为 10 %的永续盘存法。① 在具体计量时 ,由于无法获 401 石晓军、张顺明 :商业信用、融资约束及效率影响 ① 运用永继盘存法估计资本投入时 ,可以采用两种处理方法。一是选用统一的假设的折旧率 ,如 Perkins (1998) 以及颜鹏飞 和王兵 (2004)采用 5 %的折旧率 ;龚六堂和谢丹阳 (2004)采用 10 %的折旧率。第二种方法 ,在资本品的相对效率的假设条件下运 用公式求出折旧率 ,如黄勇峰、任若恩和刘晓生 (2002)在设备 16 年、建筑 40 年寿命的前提下 ,估计出它们的经济折旧率分别为 8 % 和 17 %。我们采用了上述文献的中间值 ,即 10 %的折旧率。 得足够长的上市公司的投资数据序列 ,就选取 1999 年公司财务报表中的固定资产原价来表示基期 的资本存量。在此基础上 ,运用公式 Kit = Kit - 1 (1 - dit ) + Init 来计算每个企业以后各期的资本存 量。其中 Init用现金流量表中的购建固定资产、无形资产和其他长期资产所支付的现金项来表示。 Qit - 1表示投资机会 ,估计方法依从 : Qt - 1 = [ S t - 1 (1 + r) + B t - 1 - L t - 1 - pIt Kt - 1 ]Π( pIt Kt - 1 ) 　　具体计算时 ,要获得真正的 Qit - 1估计值是非常复杂的。在我国 ,通常都会采用近似的估计方 法。S t - 1是期初的公司股权市场价值 ,用第 t - 1 期的全年平均股价乘以流通股 ,加上每股净资产 乘以非流通股数。① 用 t - 1 期的负债合计代表 B t - 1 , t - 1 期的流动资产合计代表 L t - 1 ,用 t - 1 期 的固定资产合计近似地表示 Kt - 1 。当期销售变量 Saleit和前期销售变量 Saleit - 1 ,本文用主营业务净 额来表示。 31 检验假设与估计方法 我们试图证明的是商业信用对融资约束的缓解作用。综合 (4) 、(3) 、(2) 式 ,如果 d1 显著地小 于 0 ,则获得上述命题的实证证据。这是因为 ,如果 d1 显著地小于 0 ,从 (4) 式来看 ,随着 A P 的增 大 , m 会减小 ,那么 IEI 会增大 (从 (2)式可以看出) ,相应地 FCM 就会降低 (从 (3)式可以看出) 。这 样 ,得到以下检验假设 : 检验假设 :如果 (4)中的 d1 显著地小于 0 ,则表明商业信用能够显著地缓解融资约束。 对 (4)式的估计 ,采用 Battese & Coelli (1995) 给出的极大似然方法。具体的技术细节请参考 Battese & Coelli (1995) 。 41 样本描述 样本的选择过程是这样的。首先 ,沪深两市具有完整的 1997 年到 2006 年数据的上市公司共 有 388 家 ,它们分布在 13 个行业。我们按行业的比例随机选取 200 家企业做样本。按比例分配于 各行业情况如下 :机械 :31 家 ;能源 :8 家 ;化学 :26 家 ;轻工 :23 家 ;电子 :18 家 ;金属 :16 家 ;工业集 团 :12 家 ;制药 :14 家 ;交通运输仓储与邮政业 :6 家 ;批发零售贸易业 :25 家 ;房地产业 :7 家 ;农林畜 牧业 :3 家 ;服务业 :11 家。 　表 1 样本描述性统计 变量名称 平均值 中位数 最大值 最小值 标准差 ln( IitΠKit - 1 ) - 116025 - 114447 310343 - 2911055 117947 ln( Qit ) 112778 112727 513831 - 415183 112414 ln( SaleitΠKit - 1 ) 016850 015872 414243 - 213368 110080 ln( Saleit - 1ΠKit - 2 ) 016666 015691 414243 - 215084 019951 CFit - 1ΠKit - 1 011884 0 114958 1111261 - 1217922 018540 ln( APit ) 1814353 1814413 2215070 1313496 113189 ln( BCit ) 1915103 1915607 2313353 1115129 111643 APitΠBCit 113033 012975 34510453 010078 919739 样本数量 1408 　　注 :本表中 BCit表示从商业银行获得的短期借款。 由于 Sales 变量涉及到滞后两 期 ,所以最终使用的样本是 200 家 企业从 1999 年到 2006 年共 8 年的 数据。数据全部来自北京大学中 国经济研究中心的 SINOFIN 数据 库。 由于我们要对模型中的变量 取对数 ,为了保证每一期的样本匹 配 ,共去掉了 24 个无意义的样本。 这样最终选取的是 176 家企业 ,8 个时期 ,共 1408 条数据。样本的 描述性统计如表 1。 　　51 模型估计 在模型估计之前 ,我们采用 Hausman2Wu 检验对四个主要变量 ln ( Qit ) 、ln ( SaleitΠKit - 1 ) 、ln 501 2010 年第 1 期 ① 魏锋、刘星 (2004) ,罗琦等 (2007)也采用类似的方法。 ( Saleit - 1ΠKit - 2 ) 、CFit - 1ΠKit - 1的内生性进行了检验 ,结果表明不存在内生性问题。但为了稳健起见 , 我们还是考虑了共线性问题。变量之间的相关系数矩阵表明 ln ( SaleitΠKit - 1 ) 与 ln ( Saleit - 1ΠKit - 2 ) 之 间存在着比较明显的共线性 ,而其他变量之间的相关系数一般都小于 014。为此 ,在下面的估计 中 ,共估计了 4 种模型 ,分别是 :全部变量、不包含 ln ( Saleit - 1ΠKit - 2 ) 、不包含 ln ( SaleitΠKit - 1 ) 、不包含 CFit - 1ΠKit - 1 。利用全部样本对 4 个模型的估计结果如表 2。 根据表 2 的估计结果 ,参数 g 高达 0199 ,在 1 %的水平下显著地不等于 0。这表明 ,随机扰动项 分解成两部分 (即表示效率的 s2u 和随机因素影响的 s2v )是有必要的 ,因为 g 的检验证明了效率项显 著地不等于 0。因此 ,采用随机前沿模型是合适的。同样地 ,对数似然函数值以及单边对数似然比 检验的结果也表明模型的设定是可接受的。 其次 ,ln ( Saleit - 1ΠKit - 2 )与 ln ( SaleitΠKit - 1 )之间的共线性对估计结果产生了很大的影响。在同时 包含这两个变量的模型中 (表 2 中模型 1) ,只有 ln ( Saleit - 1ΠKit - 2 ) 是显著的 ,另一个变量 ln ( SaleitΠ Kit - 1 )的系数近似于 0 ,而且不显著。共线性带来的影响是使得约束方程中 ln ( A Pit ) 的系数变得不 显著。在表 2 其他模型设置的情况下 ln ( A Pit )的系数都是显著的。因此在分析商业信用对融资约 束的影响时 ,应该主要看模型 (2)和模型 (3)的结果。 表 2 商业信用对融资约束的缓解作用 (全部样本) 变量 待估参数 模型 1 模型 2 模型 3 模型 4 投资方程 常数项 b0 - 110595 (2316520) - 110710(2914044) - 110467(2710183) - 110360(2218556) ln( Qit ) b1 013242333(2210883) 013210333(2116475) 013272333(1418333) 013284333(1411921) ln( SaleitΠKit - 1 ) b2 - 010064(010955) 012230333(713692) 010086(011273) ln( Saleit - 1ΠKit - 2 ) b3 01255333(317990) 012543333(913800) 01239233(315411) CFitΠKit - 1 b4 01076433(311603) 01078333(312528) 01072933(219586) 融资约束方程 常数项 d0 4617759 (1112545) 4511656(2417211) 4715612(2114946) 4919569(1018787) ln( APit ) d1 - 111339 (116397) - 01669733(314273) - 01819833(314366) - 117351 3(215561) ln( BCit ) d2 - 314496333(812658) - 317664333(2914168) - 317537333(2212874) - 311424333(718533) g = s2uΠ( s2v + s2u ) 019905333(88416896) 019902333(119818062) 019904333(146117849) 019912333(106810094) 对数似然函数值 225212567 225215953 225817460 225613723 　　注 : (1)每格中第一行的数值表示参数估计结果 ,第二行括号内的数值是 t 统计量的绝对值 ; (2)333表示在 1 %水平下显著 ; 33 表示在 5 %的水平下显著。 第三 ,从模型 (2)和模型 (3)的结果来看 ,ln ( A Pit ) 的系数显著地小于 0。这表明 ,即使是对融资 途径较丰富的上市公司而言 ,商业信用仍能起到显著地降低融资约束的作用。 601 石晓军、张顺明 :商业信用、融资约束及效率影响 第四 ,对比 (2) 、(3)和 (4)模型的估计结果 ,在模型 (2)和 (3)中 ,控制了现金流的影响 ,商业信用 ln ( A Pit )系数的绝对值分别为 0167 和 0182 ;而在模型 (4)中 ,如果不考虑现金流的影响 ,商业信用 ln ( A Pit )系数的绝对值一下子提高到 1174 ,且在 0101 水平上显著为负。这个结果可以理解成商业信 用对现金流具有替代作用。这也从另外一个侧面印证了商业信用对融资约束的缓解作用。当然 , 这个对比也提示我们 ,应控制现金流的影响 ,才能得到较为真实的商业信用对融资约束影响的估计 结果。 61 稳健性分析 为了对模型估计结果的稳健性进行分析 ,我们按照融资约束的程度对样本进行了划分 ,然后利 用每个子样本对模型重新进行估计 ,由此分析商业信用 ln (A Pit ) 前的系数在符号、显著性、数值大 小等方面的变化。样本划分的办法是这样的 :首先按照表 2 中模型 (3) 的融资约束估计结果 ,计算 出每家上市公司在样本期间内的平均投资效率 ,然后确定全体样本公司投资效率的 25 %、50 %、 75 %三个分位点 ,以它们为界 ,将样本公司分为 4 组。很显然 ,25 %分位点以下的第一组子样本投 资效率最低 ,融资约束程度最大 ,其他以此类推。接下来 ,利用上面的四组子样本对 (4)进行逐一的 估计 (此时只须估计表 2 中的模型 2) ,估计结果如表 3。 表 3 子样本模型估计 变量 待估计参数 25 % 25 % —50 % 50 —75 % 75 % —100 % 投资方程 常数项 b0 - 119595 (1919738) - 116130(1815034) - 112163(1517500) - 017800(218518) ln( Qit ) b1 011908333(415813) 014493333(1211711) 013206333(817789) 013721333(1111902) ln( SaleitΠKit - 2 ) b3 013886333(713287) 013067333(512805) 01204833(410332) 01191633(314649) CFitΠKit - 1 b4 01136533(311087) - 010082(011536) 010208(015449) 013026333(416269) 融资约束方程 常数项 d0 019987 (019565) 1213513(217928) 4611792(118689) 217201(112826) ln( APit ) d1 - 51677733(319254) - 31526833(310848) - 016172(019048) - 010716(015265) ln( BCit ) d2 41133933(316372) 011737(013540) - 215066(119357) - 010647(016270) g = s2uΠ( s2v + s2u ) 019859(29515466) 019926(45716276) 019375(3810989) 016435(410751) 　　注 : (1)每格中第一行的数值表示参数估计结果 ,第二行中括号内的数值是 t 统计量的绝对值 ; (2) 333表示在 1 %水平下显 著 ;33表示在 5 %的水平下显著 ; (3) 25 %、25 % —50 %、50 % —75 %、75 % —100 %分别表示融资约束处于 25 %分位点以下、处于 25 % 分位点到 50 %分位点、50 %分位点到 75 %分位点以及处于 75 %分位点以上的公司构成的子样本。 首先 ,从 ln ( A Pit )系数的符号来看 ,在四个样本的估计中都是负的 ,显示了商业信用对融资约 束的缓解作用。但从显著性来看 ,只有在融资约束程度较大的情况下 (25 %分位点以下、25 % — 50 %分位点之间的两组子样本) ,商业信用才能显著地 (5 %的显著水平)影响融资约束 ;而对于融资 约束程度不大的情况 (50 % —75 %分位点之间与 75 % —100 %分位点之间的两个子样本) ,商业信用 对融资约束的作用不显著。再从 ln ( A Pit ) 系数的大小来看 ,随着融资约束程度的减小 ,ln ( A Pit ) 系 701 2010 年第 1 期 数也逐渐减小。我们以四个分组为横轴 ,越靠左融资约束程度越大 ;以不同分组 ln ( A Pit ) 系数为纵 轴 ,绘制出曲线如图 1 所示。图 1 显示 ,商业信用与融资约束程度呈现出单调的关系。这表明 ,受 到融资约束程度较高的公司 ,对商业信用的依赖性也越高 ,会更多地利用这个途径来缓解融资约 束。相反 ,对融资约束较低的公司而言 ,商业信用在进一步降低其融资约束水平方面作用甚微。上 述稳健性分析表明 ,对于融资途径比较丰富的上市公司而言 ,商业信用只对那些融资约束程度大的 公司起到显著缓解融资约束的作用。 更为有趣的是 ,上面的结果还可以用来回答“投资现金流敏感性是不是好的融资约束度量指 标”的问题。这个问题是公司金融中的一个有名的争论。① 在我们的研究中 ,投资 - 现金流敏感性 就是 CFit - 1ΠKit - 1前的系数。按照图 1 的方法 ,将纵轴改为投资 - 现金流敏感性 ,就可以绘制出如图 2 所示的投资 - 现金流敏感性与融资约束的关系。图 2 清晰地表明 , Cleary(2007) 的 U 型关系得到 证实 ,投资现金流敏感性与融资约束之间不是单调的关系 ,故而不是好的融资约束的度量指标。对 比图 1 和图 2 ,我们甚至可以说 ,商业信用对投资效率的影响是比投资现金流敏感性更好的融资约 束度量替代指标。 综合稳健性分析的结果 ,可以认为 ,商业信用具有融资约束缓解作用这个假设可以接受。 图 1 　商业信用对融资约束影响的单调性曲线 　 图 2 　投资 - 现金流敏感性的 U 型曲线 　 四、融资约束对规模效率的影响 :第二阶段模型 11 效率的分解 在这部分 ,我们将回答融资约束到底会对上市公司的何种效率产生影响。将采用研究效率计 量和分解的非参数标准方法 ———Malmquist DEA 方法 ( Fare et al , 1994) 。使用该方法时 ,首先定义 Malmquist 指数形式的全要素生产率变化 (Total Factor Productivity , TFP) ,然后 ,将其变化分解成技术 效率变化 (technical efficiency change , EC) 和技术进步率 (technological change , TC) ;而技术效率变化 又可以继续分解成纯技术效率变化 (pure technical efficiency change , PEC) 和规模效率变化 ( scale efficiency change , SEC) 。Malquist DEA 的技术细节可以参考颜鹏飞和王兵 (2004) 。 21 样本与投入产出的计量 在具体计算过程中 ,采用主营业务收入作为产出变量 ,资本 ( K) 和劳动力投入 (L) 作为投入要 801 石晓军、张顺明 :商业信用、融资约束及效率影响 ① 代表性文献 Fazzari et al (1988)和 Kaplan & Zingales (1997)之间存在严重的分歧 ,前者认为融资约束程度大的公司投资对内 部现金流的敏感性大 ,反之亦然。后者得到的结论却截然相反。Fazzari et al 的回应指责 Kaplan & Zingales 的分类方法有不客观之 嫌 ,同时也存在样本量太小的问题。Cleary (1999) 使用了“客观”的方法 ,而且是大样本 (共 1080 家公司) ,得到的结果明确地支持 Kaplan & Zingales 的结论。而在 Cleary(2007)最新的研究中 ,又提出融资约束与投资对现金流的敏感性之间存在 U 型的关系。 素。资本的计量方法同前。劳动力的计量用支付工资替代。① 工资数据在财务报表中分成两个部 分 :现金流量表中的“支付给职工以及为职工支付的现金”项和资产负债表中的“应付工资”项。这 个要素的具体计量方法是 :支付给职工以及为职工支付的现金 + (上一年的应付工资 + 今年的应付 工资)Π2。 由于在劳动力计量中用到了应付工资这一项 ,而样本中有些公司的这一项是缺失的 ,最后剩下 102 家具有完整数据的样本。又由于要计算变化率 ,最终实际获得 102 家 7 期效率变化结果。利用 上述样本 ,得到的效率分解的年度平均值结果如表 4。 　表 4 我国上市公司效率分解 (1999 —2006) 年份 EC TC PEC SEC TFP 1999 —2000 11010 01989 11013 01997 01999 2000 —2001 01976 11022 01990 01986 01997 2001 —2002 01992 11009 11004 01988 11001 2002 —2003 01986 11018 11001 01985 11004 2003 —2004 11009 01994 11005 11003 11003 2004 —2005 11003 01997 11009 01994 11000 2005 —2006 11010 01990 01992 11018 01999 平均值 01998 11003 11002 01996 11001 　　注 : EC———技术效率变化 ;TC———技术变化 ;PEC———纯技术效率变 化 ;SEC———规模效率变化 ;TFP ———全要素生产率变化。 　　31 融资约束的效率影响 从 DEA 方法可知 ,影响效率变化的 主要变量是投入和产出 ,在回归模型中 首先要将它们的影响控制掉 ,才能更好 地分析其他因素的影响。在建立回归模 型时 ,对投入和产出变量均进行了比率 化处理。投入变量用投入元素与产出元 素之比的变化量衡量 ,即资本存量与主 营业务收入比率的变化量 DKTR 和劳动 力与主营业务收入比率的变化量 DL TR。 产出变量采用主营业务收入与总资产比 率的变化量 DRTA 衡量。考虑到融资约 束的影响可能存在滞后 ,在模型中加入了上一年融资约束程度 FCMit - 1 。为了进一步分析融资约束 的影响 ,借鉴 Guariglia &Mateut (2006)的模型设定 ,我们在模型中还纳入了融资约束与两类投入要 素的交叉乘积项 FCMit ×DL TRit和 FCMit ×DKTRit 。考虑到上述各类效率变化以及融资约束的估计 结果都构成 Panel 数据 ,因此考虑建立 Panel 模型如下 : XCi , t = a0 + b1 FCMit + b2 DRTA it + b3 DKTRit + b4 DL TRit + b5 FCMit - 1 + b6 FCMit ×DKTRit + b7 FCMit ×DL TRit + ei + uit (5) 　　其中 , XC 表示上面的 5 种类型的效率变化 ,即 EC、TC、PEC、SEC和 TFP。bi 是影响效率变化的 变量的系数。影响因素包括 :FCM :受到融资约束的程度 ,用 (3) 式计算 ;DRTA :表示产出的变化 ,用 (主营业务收入Π总资产)第 t 年的值与第 t - 1 年的值的差计算 ;DKTR :表示资本投入的变化 ,用 (资 本Π主营业务收入)第 t 年的值与第 t - 1 年的值的差计算 ;DLTR :表示劳动投入的变化 ;用 (劳动力Π 主营业务收入)第 t 年的值与第 t - 1 年的值的差计算。a0 是常数项 , ei 是随机变量 ,代表了个体的 随机影响。uit代表了随机干扰项。 对 (5)中的四个主要变量 FCM、DRTA 、DKTR、DL TR 的 Hausman2Wu 检验表明不存在内生性问 题 ,这同时也表明对 (5)采用随机效应模型的形式比较合适。我们对 (5) 式的随机效应模型进行了 估计 ,结果表明 e 误差项的方差几乎为 0 ,这个结果表明 ,此时直接使用混合数据 (Pooled data) 的线 性回归模型比较合适。 在具体估计时 ,对每一类效率分别估计了四种模型 ,即 :模型 1 的自变量只包含本期融资约束 901 2010 年第 1 期 ① 我们没有使用员工人数作为劳动投入的计量指标。我们认为 ,使用员工人数作为劳动投入的计量指标 ,隐含着两个假 设 : (1)不同类型员工相同时间劳动的质量是一样的 ; (2)不同企业的年平均劳动时间是一样的。这两个假设与实际都不太吻合。 对第一个假设 ,在现实经济中 ,一个 CEO 单位时间劳动创造的价值与生产线上的普通工人单位时间创造的价值是不一样的。对第 二个假设 ,不同企业的年平均劳动时间有可能不一样。而使用工资 ,能够很好地回避这两个问题。 和 DRTA 、DKTR、DL TR ;模型 2 的自变量包含本期以及前一期融资约束和 DRTA 、DKTR、DL TR ;模型 3 只包含前一期融资约束和 DRTA 、DKTR、DL TR ;模型 4 包含本期融资约束、DRTA 、DKTR、DL TR 以 及本期融资约束与两类投入的交叉项。利用 102 家上市公司 7 期的数据估计的结果如表 5。 分析表 5 ,可以得到以下结论 : (1)对效率产生影响的主要是当前融资约束程度。具体地 ,当同时考虑当期和前一期融资约束 时 ,前一期融资约束的系数都不显著 ,而当前融资约束的系数大小和显著性出现明显变化。 (2)模型的设定采用模型 4 的形式比较合适。对 5 种效率变化而言 ,除了 TC以外 ,加入交叉项 后 ,至少有一个交叉项 ( FCMit ×DKTRit )是显著的 ,而对 SEC 而言两个交叉项都是显著的。且模型 的 F 统计量和 R2 值在加入交叉项后保持了相对的稳定 ,这表明模型 (4) 的自变量设定是比较合理 的。 (3)融资约束对我国上市公司的规模效率影响最大。融资约束没有对我国上市公司的全要素 生产率构成实质性的负面影响 (在 TFP 模型中 FC的系数尽管都是显著的 ,但数值很小) ;融资约束 与前沿技术进步之间没有明显关系 ( TC 的模型 F 检验不能通过) ;对技术效率的综合影响不显著 (EC的模型中 FC的系数不显著 ,而且系数的绝对值也很小) 。融资约束的效率影响体现在 EC 进 一步分解出的规模效率和纯技术效率上。首先 ,从 SEC 和 PEC 的模型结果来看 ,FC 的系数都能在 0101 的水平上显著。再从系数的绝对值大小来看 ,受融资约束影响最大的是规模效率。如果不考 虑交叉项 ,融资约束程度降低 1 个单位 ,将会导致规模效率提高大约 115 % —117 % ,由此可见融资 约束对规模效率影响的显著程度。 (4)融资约束对我国上市公司效率影响的意外结果是迫使其提升纯技术效率。在融资约束的 条件下 ,企业努力提高纯技术效率 ,以抵消融资约束带来的规模效率损失。这样 ,SE 降低 ,PE 被迫 提升 ,而且上市公司总体上不属于受到特别严重的融资约束的企业群体 ,因此 ,能够实现 PE 的上 升程度和 SE 的下降程度基本相抵 ,最终两者合在一起 ,就使得 EC 没有出现显著的降低 (因为 EC = S EC ×PEC ,见式 8) 。再进一步来看 ,又由融资约束与 TC 几乎没有关系 ,而 EC 和 TC 合在一起 构成 TFP(注意到 TFP = EC ×TC ,见式 6) ,最终就形成了融资约束在总体上没有对我国上市公司 的 TFP 产生实质性负面影响的现象。 (5)融资约束的缓解对规模效率的促进作用还受到资源在劳动力和资本投入两类要素上的分 配方式的影响。根据 SEC中的模型 4 ,假设 FC 变化 DFC ,其他变量都不变 ,那么 : DS EC = - 01017 DFC + 01031ΔFC ×DL TR + 01048ΔFC ×DKTR 根据此式 ,如果资源在劳动力、资本两类投入要素上的分配模式不同 ,也就是 DKTR∶DL TR 的比例 不同 ,显然会影响到规模效率的提高程度 ,如果分配的模式是 DKTR∶DL TR ≥48∶31 ,那么融资约束 下降一个单位带来的规模效率的提高就大于 117 % ,反之则小于 117 %。由于 DKTR 交叉项与融资 约束对规模效率影响的符号是相同的 ,不难看到 ,资本投入的增长有助于融资约束缓解对规模效率 的促进 ,也就是说 ,对我国上市公司而言 ,融资约束导致有效资本支出增长不足 ,从而影响了规模效 率的发挥。而 DL TR 交叉项与融资约束对规模效率影响的符号却是相反的 ,意味着相对于资本投 入增长不足 ,劳动力投入的增长应适当降低 ,才有助于融资约束缓解对规模效率的促进作用。正如 本文在引言部分所指出的那样 ,商业信用的本质是直接增加生产的投入资料 ,也就是主要增加资本 投入 ,也就能够放大 DKTR∶DL TR 的比例。这样的资源分配结构能够进一步促进规模效率的提高。 反之 ,如果是银行短期借款 ,就有可能会有一部分被配置到劳动力投入 ,使得 DKTR∶DL TR 的比例 没有使用商业信用时的大。这个结果显然直接印证了 Burkart & Ellingsen (2004)关于商业信用的“实 物”融资理论。 41 稳健性分析 011 石晓军、张顺明 :商业信用、融资约束及效率影响 111 2010 年第 1 期 为进行稳健性分析 ,我们也进行了子样本划分和检验。子样本的划分方法是这样的 :首先计算 出各家公司的平均融资约束程度 ,进行排序 ,分别抽取了融资约束最大、最小的 40 家公司 (分别约 占全体样本公司的 40 %)的 7 期数据构成子样本。然后 ,利用两个新的子样本 ,分别估计各类效率 的融资约束影响模型。表 6 只给出了 SEC、TFP、PEC的模型 4 的结果 ,省略了其他模型以及 EC、TC 的结果 ,因为模型 4 的效果最好 ,而对 EC、TC融资约束也同样没有实质性影响。 对比表 5 和表 6 ,可以看到前述分析结果是稳健的。首先 ,无论是受融资约束最大的子样本还 是最小的子样本 ,都一致地给出了融资约束对规模效率影响显著为负 ,且影响最大的结果 ,印证了 融资约束缓解最能提高规模效率的结论。而且 ,当融资约束程度很深时 (表 6 的左半部分) ,融资约 束对规模效率的负面影响更大 (系数为 - 01031 ,而在全体样本中为 - 01017) ,当融资约束程度不是 很大时 (表 6 的右半部分) ,融资约束对规模效率的负面影响有所减小 (系数为 - 01015 ,而在全体样 本中为 - 01017) 。 表 6 受融资约束较大和较小的子样本估计结果 融资约束最大的子样本 融资约束最小的子样本 SEC TFP PEC SEC TFP PEC 模型 4 模型 4 模型 4 模型 4 模型 4 模型 4 变量 系数 T P值 系数 T P值 系数 T P值 系数 T P值 系数 T P值 系数 T P值 fc - 01031 - 41030 01000 01001 01270 01790 01016 21230 01027 - 01015 - 21730 01007 01004 21050 01042 01014 31010 01003 drta - 01012 - 11830 01069 - 01004 - 11660 01097 01010 11570 01117 - 01004 - 11100 01271 - 01002 - 11270 01204 - 01004 - 11200 01232 dktr - 01008 - 01650 01515 - 01018 - 41590 01000 01023 11870 01063 - 01007 - 01640 01525 - 01012 - 21860 01005 - 01014 - 11600 01110 dltr - 01022 - 11760 01080 - 01042 - 101890 01000 - 01030 - 21480 01014 - 01031 - 31430 01001 - 01042 - 111640 01000 - 01012 - 11480 01141 fcdl 01042 11290 01197 01009 01860 01393 - 01011 - 01340 01737 01046 31070 01002 01011 11920 01056 - 01029 - 21250 01025 fcdk - 01037 - 11070 01285 01009 01880 01380 - 01029 - 01870 01384 - 01054 - 31140 01002 - 01014 - 21020 01044 01045 31030 01003 cons 11008 3461730 01000 11000 11151460 01000 01995 3551690 01000 11000 2871860 01000 01997 7371080 01000 01997 3351440 01000 F 9107 275160 13151 39136 469180 20147 R2 0135 0186 0123 0146 0191 0131 　　注 :本表中 fc 表示本期融资约束的度量 ;fc ( - 1)表示前一期融资约束的度量 ;cons 即常数项 ;fcdl 即本期融资约束与 dltr 的交叉 乘积项 ;fcdk 即本期融资约束与 dktr 的交叉乘积项 ;T表示 t 统计量 ;P 值即对应系数估计 t 统计量的 P 值 ,该值小于 1 %表示在 0101 的显著水平下显著 ;小于 5 %表示在 0105 的显著水平下显著。 其次 ,融资约束对 TFP 的影响 ,在三个样本的估计结果中都比较小。但通过比较 ,可以看到 ,在 融资约束程度比较小时 (表 6 的右半部分) ,上市公司通过优化管理等措施 ,提高纯技术效率 (系数 为 01014 ,而在全部样本中为 01013) ,可以抵消融资约束带来的规模效率的降低 ,由于此时规模效 率受的负面影响不是很大 ,最终还有可能形成对 TFP 的影响略大于 0 的情形 (系数为 01004 ,略大于 全体样本时的 0100) 。相反 ,在融资约束程度比较大时 (表 6 的左半部分) ,上市公司即使通过优化 管理等措施 ,能够在更大的程度上提高纯技术效率 (系数为 01016 且显著 ,比融资约束小的企业提 高得多) ,但是由于此时规模效率受的负面影响程度很大 (系数为 - 01031) ,技术纯技术效率得到提 高 ,也很难消除融资约束对规模效率的负面影响 ,最终形成对 TFP 的影响几乎为 0 的情形 (系数为 01001 且不显著) 。 五、结 　论 本文以融资约束度量为“连接变量”,建立了两阶段模型分析融资约束对效率的影响。在第一 阶段 ,我们得到了商业信用能显著地缓解融资约束的证据 ,而在第二阶段 ,得到的关键结论是规模 效率受融资约束影响最大 ,融资约束的缓解能显著地提高规模效率。 211 石晓军、张顺明 :商业信用、融资约束及效率影响 本文还对公司金融中关于“现金流投资敏感性是否是好的融资约束的度量指标”的争论有所贡 献 ,根据本文关于融资约束度量与现金流投资敏感性的关系的分析 ,明确地指出现金流投资敏感性 在我国不是好的融资约束度量方法 ,原因在于现金流投资敏感性与融资约束之间不是单调的关系 , 而呈现 U 型曲线。 最后 ,本文还指出了资源在资本投入和劳动力投入上的不同配置会影响融资约束的缓解对规 模效率的促进作用。商业信用的作用实质上是直接增加资本投入 ,它使得资源配置中资本投入