实验31 我国上市公司资本结构的行业差异及其影响因素分析

一、实验目的

1、使学生能够掌握企业资本结构的计算方法，加深入对资本结构的理解；

2、能够运用回归方法实证分析上市公司资本结构行业差异及影响因素。

二、准备知识

2.1财务杠杆率的计算

资本结构（Capital Structure）就是企业资本的构成及其比例关系，各种筹资方式不同的组合类型决定着企业资本结构及其变化。资本结构有广义和狭义之分，前者是指企业全部资金来源的构成及其比例关系，后者是指企业取得长期资金的组合及其比例关系。本章使用的是广义资本结构。

在实证分析中，通常以负债总额占总资产的比例来反映企业的资本结构，该比例被称为负债率或财务杠杆（Financial Leverage，LEV），具体计算方法是：

（1）账面财务杠杆（LEV1）=负债/资产总额；

（2）负债-权益市值比（LEV2）=负债/市值；

（3）市场财务杠杆（LEV3）=负债/（总资产-股东权益合计+市值）。

2.2公司资本结构的主要影响因素及其计算

在资本结构理论不断发展的同时，学术界从相当广泛的角度对资本结构影响因素进行了大量的实证研究，取得了丰硕的成果。通过综合国内外学者的研究成果并结合我国股票市场的客观实际，本章选择以下可能影响我国上市公司资本结构的因素：

（1）资产的有形性（Tangibility，TANG），即有形资产占总资产的比例。一般来说，企业拥有较多的有形资产并以其作为借款担保，将更有可能获得借款人给予的优惠利率，从而能够降低负债成本。这样，有形资产比例与负债水平正相关。

（2）非债务税盾（Non-Debt Tax Shields，NDTS），如折旧、投资税贷项（I）和税务亏损递延等，这此方式可作为负债融资避税利益的有效替代，在其它情况相同下，拥有较多非债务税盾的公司应更少地使用负债。

（3）留存收益比例（RETA），反映的是企业内源融资能力。融资次序理论则认为在为新项目融资时，企业首先偏好于内部融资，只有在内部资金不足时才使用债权融资，最后才求助于股权融资，即企业的融资次序是内源融资、债权融资、股权融资。因此，内源融资能力与企业负债水平负相关。

（4）资产规模（LNSIZE）。大规模公司倾向于多元化经营，抗风险能力更强，可以承担更高的债务，因此，资产规模与财务杠杆正相关。

（5）成长性（GROW）。高成长性企业一般在研究开发（R&D）或广告等无形资产方面投入较多，这些无形资产难以作为抵押品，从而该类企业往往难以获得银行贷款，因此，成长性与财务杠杆负相关。

（6）流通股比例（OUTSHARE）。我国上市公司的股权按投资主体不同可分为国家股、法人股和流通股。本文预期，流通股比例（OUTSHARE）与负债水平负相关。

三、实验软件环境

Excel； Eviews5.0

四、实验内容

本实验分为以下步骤：

4.1提取上市公司的财务数据，计算相关变量。

（1）运行Excel软件，并打开实验数据文件（实验八.xls）。该文件收集了我国深沪股市485家非金融类上市公司在2005年的部分财务数据及其行业分类情况。其中，“行业分类”是根据中国证监会《上市公司行业分类指引》，将485家上市公司分成42个行业，具体分类情况见该文件中的“Sheet2”工作表。

（2）根据前面的变量定义方法，计算相关变量。

• 计算账面财务杠杆（LEV1）：选择N2单元格，输入“=H2/E2”后按回车完全公式输入，再重新选择N2单元格，把鼠标移至该单元格“权柄”（即黑色小方框右下角的小黑点，见图8-1）后双击鼠标左键，则可实现自动复制并完成变量的计算。

• 计算负债-权益市值比（LEV2）：选择O2单元格，输入“=H2/ G2”，其余操作同上。
• 计算市场财务杠杆（LEV3）：选择P2单元格，输入“=H2/(E2-F2+G2)”，其余操作同上。
• 计算资产的有形性（TANG）：选择Q2单元格，输入“=(I2+J2)/E2”，其余操作同上。
• 计算非债务税盾（NDTS）：选择R2单元格，输入“=K2/E2”，其余操作同上。
• 计算留存收益比例（RETA）：选择S2单元格，输入“=L2/E2”，其余操作同上。
• 计算资产规模（LNSIZE）：选择T2单元格，输入“=LN(E2)”，其余操作同上。
• 计算成长性（GROW）：选择U2单元格，输入“=(E2-F2+G2)/E2”，其余操作同上。

上述计算结果如图8.2所示。

建立一个名为“temp”的临时Excel文件，把“证券代码”、“年份”、“行业分类”、“流通股比例”、“账面财务杠杆（LEV1）”、“负债-权益市值比（LEV2）”、“市场财务杠杆（LEV3）”、“资产的有形性(TANG)”、“非债务税盾(NDTS)”、“留存收益比例(RETA) ”、“资产规模(LNASSET) ”和“成长性(GROW)”等变量值复制到该文件后，关闭该文件。

4.2分析上市公司财务杠杆率的统计特征。

（1）把数据导入EViews。

运行EViews6.0，在EViews窗口的菜单栏，选择File/New/Workfile，新建一个Workfile文件，如图8.3。

在Workfile Create窗口，设定工作文件的结构类型为Unstructured/Undated，观测值数量为485（如图8.4），单击OK后将完成工作文件的建立。

之后，需要把Excel文件中的数据导入EVviews。在Workfile窗口的工具栏，选择Proc/Import/Read Text-Lotus-Excel，如图8.5所示。在Open窗口选择刚才建立的临时数据文件“temp.xls”（若不能用EViews打开，可检查该文件是否在Excel中处于打开状态，是则需要关闭该文件）。

在Excel Spreadsheet Import窗口，在Upper-left data cell栏处输入“a2”，以指定数据左上角起始单元格位置，同时，输入各变量的名字，如图8.6所示。

单击OK，将完成数据的导入，结果如图8.7所示。

（2）对财务杠杆进行简单统计分析

• 描述性统计分析

在Workfile窗口，双击lev1图标，打开Series:LEV1窗口。在该窗口工具栏，点击View/Descriptive Statistics & Tests/Histogram and Stats（如图8-8所示），将完成对LEV1的描述性统计分析，结果如图8.9所示。

从图8.9可知，LEV1的均值和中值分别为0.520857和0.549474，最大值、最小值和标准差分别为0.982393、0.012581和0.181273，偏度和峰度分别为-0.351664和2.90039。Jarque-Bera统计量为10.19696，对应的P值为0.006106，因此，LEV1不服从正态分布。

• 相关分析

按着Ctrl键，用鼠标依次选择lev1、tang、ndts、reta、lnasset、grow和outshare，右击鼠标，选择Open/as Group，把这些变量组成一个组（group），如图8.10所示。在Group窗口，选择View/Covariance Analysis，将组中的各变量进行协方差分析，如图8.11所示。

在Covariance Analysis窗口的Statistics框内，在“Correlation”和 “Probability |t|=0”前打上钩，表示要求计算相关系数及对应的P值，如图8.12所示。计算结果见图8.13。

从图8.13可知，LEV1分别与LNASSET、GROW显著正相关，与NDTS、RETA显著负相关；LEV1与TANG、OUTSHARE的相关系数不显著；各影响因素之间的相关系数普遍不高，表明多重共线性问题可能不算严重。

4.3实证分析上市公司财务杠杆率的影响因素。

（1）设定模型的具体形式

本实验首先采用多元线性回归模型实证检验上市财务杠杆的影响因素，模型具体形式是：

$$\begin{aligned}L E V= & \beta_{0}+\beta_{1} \text { TANG }+\beta_{2} \text { NDTS }+\beta_{3} \text { RETA }+\beta_{4} L N A S S E T \\& +\beta_{5} \text { GROW }+\beta_{6} \text { OUTSHARE }+\varepsilon\end{aligned}$$(8-1)

其中，代表财务杠杆，在分析中可分析以LEV1、LEV2和LEV3代入；其余变量如前所述；为待估参数；为随机干扰项。

要估计线性模型(8-1)，操作方式有两种。

第一种方式：在group窗口，点击Proc/Make Equation，见图8.14。随着将弹出Equation Estimation窗口（见图8.15）。在Equation specification框内可设置模型的具体形式。由于软件已经自动输入模型形式，因此，直接按“确定”即可完成模型的估计。

第二种方式：关闭group窗口，返回Workfile窗口，点击工具栏Object/New Object。在弹出的New Object窗口中，选择对象类型为方程（即Equation），还给该对象命名（如：eq），见图8.16。按OK将完成方程对象的建立，并弹出与图8.15相类似的Equation Estimation窗口，不过此时的Equation specification框内为空，需要用户输入模型的具体形式，可参阅图8.15完成模型的设定。

（2）完成模型的估计

模型的估计结果如图8.17所示。

从图8.17可知，TANG、LNASSET和GROW的系数均显著为正，NDTS、RETA和OUTSHARE的系数均显著为负，各解释变量对LEV1的影响方向与表8.1一致；调整R²只有0.542097，说明模型对样本的解释能力有待提高；F检验值为96.49878且在1%水平上统计显著，意味着方程的总体显著性成立。

4.4实证检验上市公司财务杠杆率的行业差异。

为了检验不同行业上市公司的财务杠杆是否存显著差异，可采取虚拟变量方法将行业进行量化并引入回归模型，模型具体形式是：$$\begin{aligned}L E V= & \beta_{0}+\beta_{1} \text { TANG }+\beta_{2} N D T S+\beta_{3} R E T A+\beta_{4} L N A S S E T \\& +\beta_{5} \text { GROW }+\beta_{6} \text { OUTSHARE }+\sum_{k=2}^{42} \gamma_{k} D_{k}+\varepsilon\end{aligned}$$

（8-2）

其中，()为虚拟变量，当观测值属于第个行业时，，否则；不加入反映第1个行业的是为了避免出现完全共线性；为虚拟变量相应的系数。

为估计模型（8-2），在图8.17中的Equation窗口的工具栏，点击Estimate按钮可重新弹出Equation Estimation窗口，在Equation specification框内加入“@expand(indum,@dropfirst)”，如图8.18所示。

@expand(indum,@dropfirst)是EViews的函数，该式表示，根据行业分类指标indum，利用@expand（）自动产出虚拟变量，同时，为避免虚拟变量之间的完全共线性，用@dropfirst删除第1个虚拟变量。

按“确定”后，将得到模型（8-2）的估计结果，如图8.19所示。

点出Equation窗口工具栏的View/Representation（见图8.20），可查看模型结构，结果如图8.21所示。

从图8.21可见，新加入的41个虚拟变量的系数分别为C(8)、C(9)、…、C(48)。

为检验不同行业上市公司的财务杠杆是否存显著差异，在Equation窗口，点击View/Coefficient Tests/Wald–Coefficient Restrictions（见图8.22），可弹出Wald Test窗口。

在Wald Test窗口内输入约束条件：“c(8)=c(9)=c(10)=c(11)=c(12)=c(13)= c(14)=c(15)=c(16)=c(17)=c(18)=c(19)=c(20)=c(21)=c(22)=c(23)=c(24)=c(25)=c(26)=c(27)=c(28)=c(29)=c(30)=c(31)=c(32)=c(33)=c(34)=c(35)=c(36)=c(37)=c(38)=c(39)=c(40)=c(41)=c(42)=c(43)=c(44)=c(45)=c(46)=c(47)=c(48)=0”，如图8-23所示。

按OK后，可得到验检结果，如图8.24所示。

从图8.24可知，对线性约束条件的F检验值为1.570779，P值为0.0161，说明在5%水平上可拒绝“”的约束条件，即意味着不同行业上市公司的财务杠杆存在显著差异。

五、实验作业

分别以LEV2和LEV3作为财务杠杆衡量指标，重复上述实验，并根据实验结果回答以下问题：

1、LEV2或LEV3的均值、中值、最大值、最小值和标准差分别是多少？是否服从正态分布？

2、LEV2或LEV3与各个解释变量之间的相关系数是多少？是否显著？

3、根据LEV2或LEV3与各个解释变量的线性回归结果，哪些解释变量存在显著的正面影响？哪些解释变量存在显著的负面影响？

4、当以LEV2和LEV3作为财务杠杆衡量指标时，不同行业上市公司的财务杠杆是否存在显著差异？