胡明明;姚正海
【摘 要】安徽太和中学本文选用利息保障倍数作为分组依据,采用Logistic回归分析方法构建融资约束模型,计算出所有公司的融资约束指数.并用现金-现金流敏感度对所得出的融资指数进行有效性评价.研究发现:用Logistic回归分析方法所得出的融资约束指数频数大致呈正态分布符合统计规律.总体来说,融资约束程度与现金-现金流明感度呈正相关关系.但用所得指数作为样本的分组依据,检验高、低融资约束组的现金-现金流明感度的差异时,未到合适的分组数值.最后,基于此次研究总结现用方法中存在的不足并提出建议.
【期刊名称】《科技与管理》
【年(卷),期】2018(020)005
【总页数】6页(P43-48)
导电碳浆【关键词】Logistic回归分析;融资约束指数;现金-现金流敏感度
投入产出模型
王安忆天香【作 者】胡明明;姚正海
【作者单位】江苏师范大学商学院,江苏 徐州221000;江苏师范大学商学院,江苏 徐州221000
【正文语种】中 文
【中图分类】F275.1
公司在融资时拥有外部资金和内部资金两方面来源，外部融资包括股权融资和债务融资两种。屈耀辉等[1]在研究我国上市公司融资偏好顺序时，发现内部融资是企业的首选。外部融资时更偏好股权融资，债务融资一般也是以短期借款为主。连玉君等[2]认为我国上市公司对内部融资的依赖性很强，即外部融资对公司发展有显著的约束作用。资金作为企业经济活动中的必要生产要素，在现代企业发展中的作用人所共知。一个企业是否能获得稳定的资金来源、多元化的融资渠道，具备足够的资金动员能力，在很大程度上决定了一个企业的生存和发展。资金是企业的血液，企业经营的各个环节都需要足够的资金。而融资作为企业获取、更新、补充“血液”的手段，其重要性就显得不言而喻了。但在我国，众多企
业面临融资难的问题。李科等[3]分析发现当企业降低融资约束程度后，经营业绩得以提升。邓可斌等[4]发现我国很多企业认为融资约束是制约其自身发展的重要影响因素。融资约束问题已成为中国企业发展不得不面对和需要解决的问题。而在现有的研究成果中，关于融资约束的文献却非常少。融资约束并没有特定的指标可以直接衡量，要想更好的解决融资约束问题，到合适的度量方法是必不可少的。本文立足目前已有的研究成果，构建模型，探究现有方法中存在的不足并提出建议。 1 融资约束度量的文献综述
图灵奖参阅国内外众多学者融资约束指标的选取，大致可分为两类：单变量指标和多变量指数。应用较多的单变量指标有股利支付率、利息保障倍数、财务松弛和每股股利变化等。袁卫秋[5]认为当企业的股权结构是非国有控股且资产规模高于行业平均规模时为低融资约束企业，否则为高融资约束企业。张淑慧等[6]选用指标股利分配率来度量，为融资约束型公司的即股利分配率小于0.1的公司。朱雁春[7]选择融资约束的划分标准是企业是否支付了现金股利。学者们对单变量指标的选取存在较大的差异，反映出单指标具有片面性的缺陷。
多变量指数一般采用多元判别方法和Logistic回归分析法进行构造。Bhattacharya[8]利用多
元判别分析方法构造判别模型，从而得到融资约束指数。Cleary[9]同样使用多元判别方法构造了融资约束的度量指标——融资约束指数ZFC。Kaplan等[10]、Lamont等[11]、李胜坤等[12]、银莉等[13]进行次序逻辑(ordered logit)回归分析，并利用估计系数构造融资约束指数。魏锋[14]采用多元判别分析法构建融资约束指数。况学文等[15]选取我国沪深两市A股上市公司的相关数据，分别用多元判别方法和Logistic回归分析法构造融资约束指数并进行对比。研究结果表明，对于我国上市公司而言，2种方法构造出的指数判别能力均较高，均能较好的预测公司是否存在融资约束，其中Logistic回归分析法的总体预测正确率相对更高一点。本文采用Logistic回归分析法构建我国A股上市公司的融资约束指数。
构建多变量指数首先进行预分组。Bhattacharya认为采用利息保障倍数作为分组依据更为准确。Cleary在观测值预分类时只选取了单一指标股利支付变化作为分类标准，但该指标的代表性也不是十分强烈，不够全面且分类时未考虑后续2年连续支付相同的股利和不支付股利两类公司的区别，分类不是十分清晰。李胜坤等认为股利支付率不能很好的反映我国企业融资约束状况，因而选取利息保障倍数最大的前30%样本作为不受融资约束组，排序靠后的30%样本作为受融资约束组。况学文等选用公司规模和利息保障倍数作为分组指标，两组数据按大小排好顺序，顺序为由大到小，将同时进入二个分组指标前33%的观测
值作为低融资约束，同时进入二个分组指标后33%的观测值作为高融资约束，其余数据则全部舍弃。翟淑萍等[16]认为我国股权融资政策的约束作用会影响融资约束判别的准确性。若公司进行了股权融资，则其不存在融资约束，不受股权融资政策约束。在考虑该因素的前提下，依次对是否进行股权融资、股利支付是否增加、债务融资是否增加、投资机会和投资行为的匹配性这5个指标采用二分法进行划分，最终得出5类融资约束程度。但我国上市公司偏好股权融资，是否进行股权融资对我国上市公司影响不是很大。本文借鉴以上学者的研究结果，选用利息保障倍数作为分类依据。
还有学者通过构建随机前沿方程来分析融资约束程度对公司其它方面的影响。刘叶桂等[17]省略预分组，通过建立异质性随机前沿模型，度量公司融资约束下的投资效率。石晓军等[18]在研究商业信用通过融资约束影响规模效率时，采用从融资约束的后果出发，建立随机前沿模型来度量企业融资约束。
2 融资约束指数设计
2.1 数据来源、样本选择和预分组
本文所有数据均来自国泰安数据库。研究对象为2015年沪深两市A股上市公司，剔除其中金融类、被证券会特别处理的上市公司和数据缺失的公司，共获得2 619家公司观测值。在预分组时选用指标利息保障倍数作为分组依据。将所有公司的数据分别按照利息保障倍数A和利息保障倍数B从小到大进行排序。其中选取两个分组指标同时进入排序前30%的公司为高融资约束组，两个指标同时进入排序后30%的公司为低融资约束组。最终得到高融资约束组768家公司和低融资约束组761家公司，共1 529条数据。
2.2 变量选择
参考众学者所选用的指标，如图1所示。本文选择的指标为速动比率(X1)、资产负债率(X2)、长期资本负债率(X3)、公司规模(X4)、总资产净利润率(X5)和净资产收益率(X6)。
表1 学者构建融资约束指数选取的指标构建方法选取指标学者多元判别分析方法流动比率、财务松驰、净利润率、主营业务收入增长率、资产负债率等Bhattacharya(1979)多元判别分析方法流动比率、固定利息保障倍数、财务松弛、净利润率、主营业务收入增长率、资产负债率等Cleary(1999)Logistic回归分析营业现金流量、托宾Q、资产负债率、股利支付率、现金持有量等Lamont(2001)Logistic回归分析流动比率、资产负债率、净利润洞察号登陆火星
率、主营业务收入增长率、财务松驰魏峰(2004)Logistic回归分析松弛变量、销售净利润率、股利支付率、营运资本与资本存量之比、净现金流量与资本存量之比李胜坤(2007)多元判别分析方法Logistic回归分析资产负债率、净营运资本、净资产收益率、市场价值与账面价值比、现金股利/总资产况学文(2010)Logistic回归分析每股股利变化、公司规模、财务松弛、现金流量占总资产的比重、营业收入增长率翟淑萍(2012)Logistic回归分析资产负债率、流动比率、净资产收益率、现金满足投资比率刘桂春(2017)
6个指标的描述性统计,如表2所示。其中1代表高融资约束组，0代表低融资约束组。首先，高融资约束组公司的规模小于低融资约束组公司。其次，高融资约束组的负债率和长期资产负债率也相对略低。最后，高融资约束组的利润率和收益率也相对略低。公司面临的融资约束高，资金不充足，无多余资金扩大企业规模，而规模小，就无法获得更多的规模效益，公司收益就相对较少。如此往复，形成恶性循环。
表2 描述性统计变量分类N平均值标准误差最小值最大值速动比率07611.746 6130.063 727 80.079 35518.317 13617682.605 8480.105 729 80.025 38132.744 996合计1 5292.178 1970.062 806 60.025 38132.744 996资产负债率07630.395 0980.006 387 10.0
50 2880.936 00517680.348 3040.008 513 30.019 6873.261 896合计1 5310.371 6240.005 358 10.019 6873.261 896长期资本负债率07630.122 1420.005 090 00.000 0000.802 02617680.083 2380.005 846 5-0.816 0492.435 899合计1 5310.102 6270.003 908 1-0.816 0492.435 899公司规模076321.962 5570.042 445 315.979 17226.523 325176821.522 9010.039 065 417.568 42225.663 788合计1 53121.742 0110.029 368 815.979 17226.523 325总资产净利润率07630.049 0980.001 731 7-0.183 8850.481 94117680.036 9000.003 816 6-0.987 1660.392 863合计1 5310.042 9800.002 105 2-0.987 1660.481 941净资产收益率07480.097 1280.003 710 6-0.332 2981.294 38817570.047 7450.028 572 4-14.706 4129.101 897合计1 5050.072 2890.014 498 7-14.706 4129.101 897
本文对6个指标分高、低融资约束组进行的差分分析,如表3所示。其中速动比率、资产负债率、长期资本负债率、公司规模和总资产净利润率5个指标均在1%的水平上显著，净资产收益率在10%的水平上显著。说明两组指标之间存在显著差异，该分组较为合理。
表3 方差分析表变量平方和df均方F显著性速动比率282.2041282.20448.2350.000资产负
债率0.83810.83819.2950.000长期资本负债率0.57910.57925.1640.000公司规模73.984173.98458.1170.000总资产净利润率0.05710.0578.4330.004净资产收益率0.91810.9182.9040.089
2.3 Logistic回归
由于只将融资约束程度分为高低两组，因此采用二项Logistic回归分析。构建的Logistic回归方程为
Logit[pr(Y=1)]=β0+β1X1+β2X2+β3X3+β4X4+β5X5+β6X6。
方程的回归结果如表4和表5所示。
表4 方程式中的变量变量BS.E.Wald自由度显著性Exp(B)常量0.0150.0520.08110.7761.015
本次分析采用基于极大似然估计的逐步筛选策略(向前：LR)。模型1～6显示了解释变量的筛选过程。表4中的数据是对方程中只有常量的评价。表格5中的显著性是模型通过Omnib
us检验的结果，6个模型的概率P值均在0.000，说明模型中的所有解释变量与被解释变量有显著的线性关系，模型是合理的。Cox&Snell R2和Nagelkerke R2反映模型拟合优度的指标，两个值均逐渐递增，模型1取值最小，模型6取值最高，说明模型6较其他模型的拟合优度更好。虽然6个模型的Cox&Snell R2和Nagelkerke R2值都较小，似乎意味着模型的拟合度差，但这两个值均是一般的描述性指标，需要另外考察从统计检验的角度得到的Homser和Lemeshow检验值。模型6的Homser和Lemeshow检验(表格中简写为H和L检验)概率P值为0.078，大于0.05，认为由样本实际值得到的分布与预测值得到的分布没有显著差异，模型拟合度较好;因此，最终确定模型是模型6。在模型6中，X1、X3、X4、X5、X6五个变量的系数都在1%的水平上显著，变量X2的系数在5%的水平上显著。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议