分析師跟蹤與資本結構動態調整

凌鴻程

(中國社會科學院研究生院，北京 102488)

一、引 言

近年來，許多學者將企業特征、法律制度以及宏觀經濟波動與資本結構調整行為聯系在一起[1][2][3]，但是資本市場是一個由信息驅動的市場，信息不對稱在很大程度上影響資本市場資源配置的效率[4]。學者們普遍認為企業信息披露的質量越高越充分，外部投資者與企業管理層的信息不對稱程度越低，企業融資成本越低[5][6]。證券分析師通常具有金融學、會計學等知識，同時具有被跟蹤企業所在行業的專業知識和背景，能夠不斷挖掘被跟蹤企業的特質信息[7][8]，他們作為資本市場的信息中介，需要經常對企業的實際經營狀況進行分析，并且將分析報告提供給投資者。那么分析師對企業特質信息的挖掘是否會對資本結構調整產生影響？這種影響是通過債務融資還是權益融資途徑？

為此，本文使用滬深A股2005～2015年的上市公司數據，考察了分析師跟蹤規模與資本結構調整的內在聯系。研究發現：(1)分析師跟蹤規模與企業資本結構調整速度之間的關系顯著為正；(2)分析師跟蹤具有緩解資本市場信息不對稱的作用，分析師跟蹤規模與企業資本結構調整速度之間的正向關系在信息透明度較低的企業中更加顯著；(3)分析師跟蹤規模與資本結構調整速度的正向關系，在不同負債水平和不同所有制企業中的作用效果存在差異；(4)分析師跟蹤顯著提高了企業債務融資的可能性，但是對于權益融資的影響并不顯著。

本文通過考察分析師跟蹤與資本結構調整的內在聯系，發現緩解信息不對稱是分析師跟蹤活動促進企業資本結構調整的一種重要作用機制，豐富了分析師的信息披露能力與資本結構優化方面的研究，同時得出了重要的研究結論：可以通過壯大分析師行業來緩解資本市場的信息不對稱問題，促進企業優化資本結構，提升企業價值。

二、理論分析與研究假說

根據資本結構靜態權衡理論的觀點，企業最優資本結構是存在的[9]，而且最優資本結構是負債收益(例如節稅收益)和負債成本(例如破產成本)之間的完美均衡，企業可以通過調整資本結構增加企業價值[10]。但資本結構動態權衡理論認為，企業資本結構調整是存在成本的，實際資本結構并不必然等于最優資本結構[11]。同時企業最優資本結構受到內外部經營環境的影響，處于不斷變化之中，不同企業的調整速度也存在差異[12]。

目前關于資本結構調整速度的研究主要聚焦于調整成本，調整成本的大小直接影響了企業資本結構調整的速度[12]。Leary and Roberts(2005)[13]認為調整成本可以分為固定成本和可變成本兩部分，它們受到企業內部因素和外部環境的影響。信息不對稱是影響企業資本結構調整成本的重要因素，Myers and Majluf(1984)[4]認為信息不對稱程度越高，所面臨的資本市場摩擦越大，交易成本就越高。而分析師在信息收集加工方面具有優勢，能夠對公司的各種信息進行專業分析，緩解企業與投資者之間的信息不對稱[14]。Amir et al.(1999)[15]認為分析師可以將其許多私有信息通過研報形式向投資者披露，增加了資本市場的信息含量。Frankel and Li(2004)[14]發現證券分析師為投資者提供的分析報告是對財務報告信息的重要補充。Liu(2011)[7]認為證券分析師跟蹤可以提供企業層面的特質信息，從而提高股票價格的信息含量，Xu et al.(2013)[8]也得出了同樣的結論。

總的來說，企業資本結構的調整離不開資本市場，而且現代資本結構權衡理論認為資本市場不可能是完全競爭的無摩擦環境，這些摩擦包括信息不對稱等因素[4]?，F有研究表明分析師跟蹤能夠挖掘企業的特質信息[7][8]，充分的信息披露降低了內源融資和外源融資的成本差異[5][6]，調整成本的降低有利于企業優化資本結構，提高企業資本結構調整速度，提升企業價值[10]，促進經濟發展。鑒于此，本文提出假說H1：

假說H1：分析師跟蹤規模越大，企業資本結構調整的速度越快。

上述分析表明分析師跟蹤促進企業資本結構調整的重要機制是緩解企業與投資者之間的信息不對稱，進而降低了企業資本結構調整成本。如果這一假說成立，那么分析師跟蹤對企業資本結構調整速度的影響，在信息不對稱程度不同的企業中應該有所差異。如果企業與投資者之間的信息透明度較高，那么分析師跟蹤規模的變化對于改善信息不對稱情況的邊際作用很?。环粗?，對于信息透明度較低的企業，其分析師跟蹤規模的變化可能對于信息不對稱情況的改善作用巨大。因此，本文進一步提出了假說H2：

假說H2：分析師跟蹤規模與資本結構調整速度之間的正向關系在信息透明度較低的企業中更加顯著。

已有研究認為債務能夠制約企業高管的機會主義行為，將產生很強的約束效應[16]。當實際資本結構高于最優資本結構時，企業處于過度負債的情況，這種約束效應可能會更強，與此同時過度負債還將帶來較高的破產風險，這也會給企業高管帶來較大的壓力[17]，因此企業經理人普遍具有保持較低負債水平的傾向。Faulkender et al.(2012)[18]認為資本結構不同調整方向的調整收益和調整成本存在差異。同時Denis and Mckeon(2010)[19]認為與節稅收益相比，降低破產風險、增加財務彈性才是資本結構決策的首要因素。許多文獻發現分析師扮演著公司治理的角色：Jensen and Meckling(1976)[20]認為面對管理者的機會主義行為，分析師發揮了監督作用。Dyck et al.(2010)[21]認為分析師在信息收集加工方面具有優勢，更容易發現公司中的財務問題。在這種情況下，分析師跟蹤的監督作用將強化破產風險，提高過度負債企業資本結構的調整收益，加快企業資本結構向下調整。鑒于此，本文提出假說H3：

假說H3：分析師跟蹤規模與資本結構調整速度之間的正向關系在過度負債的企業中更加顯著。

許多研究已經表明國有企業和非國有企業所面臨的融資約束不同：一方面國有企業與國有銀行存在千絲萬縷的聯系，相對容易獲得信貸資源；另一方面國有企業可以借助政府信用獲得融資政策支持，提高了國有企業的融資能力[22]。與國有企業相比，非國有企業的外部融資存在諸多障礙：直接融資的規模相對較小，且融資成本較高；間接融資缺乏政府做擔保，導致銀行等金融機構“惜貸”行為[23]。融資約束企業的融資渠道和融資能力受到限制，導致非融資約束企業資本結構調整速度比融資約束企業快[24]，盛明泉和汪順(2017)[22]也得出了同樣的結論。一些研究發現企業信息披露質量的提高可以緩解企業融資約束：張純和呂偉(2007)[25]發現企業信息披露質量的提高降低了企業的融資約束；姜付秀等(2016)[26]認為可以通過降低信息不對稱程度，緩解企業融資約束。鑒于此，本文提出假說H4：

假說H4：分析師跟蹤規模與資本結構調整速度之間的正向關系在非國有企業中更加顯著。

三、研究設計

(一)樣本選擇與數據來源

本文的數據主要來源于CSMAR數據庫和Wind數據庫，由于研究企業資本結構的動態調整需要較長的時間跨度，但是多數公司在2005年之前并沒有分析師跟蹤數據，因此，本文使用滬深A股2005～2015年間的全部樣本*由于模型估計存在滯后期，實際上使用的是滬深A股2006～2015年間的全部樣本。，并按照如下標準對初始樣本進行篩選：(1)為了消除IPO的影響，剔除當年上市的公司；(2)因金融保險業資本結構的特殊性，剔除金融保險行業樣本；(3)剔除相關數據缺失的樣本；(4)剔除資產負債率大于1的樣本。最終得到了15605個樣本觀察值。此外，為了排除異常值的影響，所有變量均在1%和99%分位數上進行Winsor縮尾處理。

(二)實證模型與變量選擇

1.分析師跟蹤規模與資本結構調整速度

現有研究認為企業目標資本結構是企業特征變量的函數[12][3]，估計目標資本結構的模型如下：

(1)

許多學者采用部分調整模型來估計資本結構調整的速度[12]，標準模型設定如下：

(2)

為了估計資本結構調整速度，聯合公式(1)和(2)，得到：

Levi，t-Levi，t-1=δ(βXi，t-1-Levi，t-1)+εi，t

(3)

進一步整理可得：

Levi，t=(1-δ)Levi，t-1+δβXi，t-1+εi，t

(4)

由于模型(4)的解釋變量含有被解釋變量的滯后項(Levi，t-1)，因此，模型(4)為動態面板模型，而且時間跨度比較長，直接采用OLS進行估計存在嚴重的計量問題。一些學者[27]認為最為精確有效的估計方法是修正的最小二乘虛擬變量法，即LSDVC估計方法。因此，本文也采用LSDVC估計方法來估計模型(4)。

根據相關文獻[18]，本文在部分調整標準模型的基礎上進行擴展，擴展模型如下：

Levi，t-Levi，t-1=(δ0+δ1Analysti，t)(βXi，t-1-Levi，t-1)+εi，t

(5)

其中，本文采用對數化的分析師跟蹤團隊數量Analysti，t來衡量分析師跟蹤規模；δ0是企業資本結構自發調整速度；δ1可以用來衡量分析師跟蹤對調整速度的影響。若回歸系數δ1顯著為正，則驗證了假說H1。為了便于回歸系數的經濟解釋，參照黃繼承等(2014)[4]，對Analysti，t進行了均值為0、標準差為1的標準化處理。

2.分析師跟蹤與資本結構調整方式

為了進一步檢驗分析師跟蹤的影響途徑，根據相關文獻[3]，構建了如下模型檢驗分析師跟蹤對資本結構調整方式的影響：

(6)

(7)

模型(6)可以用來估計資本結構偏離程度與資本結構調整方式的關系。對于第N種資本結構調整方式，如果回歸系數α1顯著為正，說明企業越有可能通過方式N對資本結構進行調整。模型(7)在模型(6)的基礎上進行擴展，加入了分析師跟蹤與偏離程度絕對值的交互項，α3可以用來衡量分析師跟蹤對企業資本結構調整方式的影響，若回歸系數α3顯著為正，說明分析師跟蹤規模越大，企業通過方式N對資本結構進行調整的概率越大。

主要變量的具體定義如表1所示。除了制造業使用兩位行業編碼外，其他行業統一使用一位編碼，最終共有21個行業編碼。

表1 變量設計

① 借鑒黃繼承等(2014)的做法，有息負債總額=短期貸款+應付票據+一年內到期的非流動負債+長期借款+應付債券。

② 分析師跟蹤數據進行均值為0、標準差為1的標準化處理。

續表

類型符號名稱定義目標資本結構決定變量EBIT_TA盈利能力息稅前利潤/總資產Tobin_Q成長能力(股票市場價值+負債賬面價值)/資產賬面價值DEP_TA非債務稅盾固定資產折舊/總資產LnTA公司規?？傎Y產的自然對數FA_TA抵押能力固定資產/總資產Growth發展能力總資產增長率Unique產品獨特性銷售費用/主營業務收入Median行業中位數同一行業公司某年的資本結構中位數資本結構調整方式變量Adjust_debt_inc增加凈債務融資有息負債率增加幅度大于等于5%取1,否則取0Adjust_debt_dec減少凈債務融資有息負債率減少幅度大于等于5%取1,否則取0Adjust_equity_inc正凈權益融資(扣除凈利潤的凈權益變化/年末總資產)增加幅度大于等于5%取1,否則取0Adjust_equity_dec負凈權益融資(扣除凈利潤的凈權益變化/年末總資產)減少幅度大于等于5%取1,否則取0

(三)描述性統計

表2為主要變量的描述性統計結果。Panel A是關于目標資本結構、偏離程度、資本結構變化和分析師跟蹤的描述性統計，從Panel A可以看出，中國滬深上市A股2005～2015年間的Lev*的均值為0.252，標準差為0.189。Dev的均值為0.009，標準差為0.138，變異系數為15.33(0.138/0.009)，由此可見不同企業的資本結構偏離程度存在明顯差異。ΔLev的均值為0.002，標準差為0.072。分析師跟蹤Analyst的均值為6.870，標準差為8.851，標準差大于均值說明不同樣本企業受到分析師團隊跟蹤的情況差異較大。

Panel B是關于資本結構調整方式的描述性統計，Panel C是關于估計目標資本結構的公司特征變量的描述性統計，限于篇幅，不再贅述。

表2 主要變量的描述性統計

注：統計軟件采用Stata 14.0，所有變量均在1%和99%分位數上進行Winsor縮尾處理。

① 未進行標準化處理的描述性統計。

四、分析師跟蹤與資本結構調整速度

(一)基本模型回歸結果

模型(5)的回歸結果如表3所示。從表3中的Panel A可以看出，對于全樣本的總體調整速度而言，偏離程度Dev的回歸系數在1%水平下顯著為正，年平均調整速度為27.5%。對于資本結構向上和向下子樣本來說：偏離程度Dev的回歸系數均在1%水平下顯著為正，年平均調整速度分別為24.1%和32.9%。為了檢驗資本結構向上調整與向下調整速度的差異顯著性，本文借鑒連玉君等(2010)[28]的做法，通過自抽樣法(Bootstrap)對組間系數差異顯著性進行檢驗，結果發現這兩組系數的差異通過了1%水平下的顯著性檢驗。上述結果表明企業資本結構的調整速度是非對稱的。

Panel B報告了在樣本區間分析師跟蹤對資本結構動態調整的影響。對于全樣本而言，交互項Analyst×Dev的回歸系數在1%水平下顯著為正，這說明分析師跟蹤促進了企業資本結構調整，從經濟意義上講，分析師跟蹤Analyst每上升一個標準差，調整速度將提高1.7個百分點，相當于自發調整速度的6.14%(0.017/0.277)，這說明分析師跟蹤對資本結構調整的影響在計量統計上和經濟意義上均是顯著的，這一結論支持了假說H1。

表3 分析師跟蹤與資本結構調整速度

注：(1)括號內為經公司層面cluster后計算的t值；*、** 、*** 分別表示在10%、5%、1%水平下顯著；(2)系數差異P值用以檢驗不同分組系數差異的顯著性，通過自抽樣法(Bootstrap)1000次得到。

對于子樣本而言，交互項Analyst×Dev的回歸系數均在1%水平下顯著為正，也就是說分析師跟蹤規模越大，企業資本結構向上調整和向下調整的速度都越快。Analyst每上升一個標準差，向上調整和向下調整的速度將提高1個百分點和3.9個百分點。這兩組交互項Analyst×Dev的系數差異為0.029，通過了1%水平下的顯著性檢驗。由此可見分析師跟蹤對資本結構向下調整的企業影響更加顯著，這一結論支持了假說H3。

(二)基于不同信息透明度的檢驗

為了檢驗假說H2，本文按照企業信息透明度的不同將全樣本分為信息透明度高和信息透明度低的企業，根據現有文獻在本文中定義：如果是企業盈余管理程度低于年度行業均值，則為信息透明度高組，反之為信息透明度低組；如果是企業年度報告是由前十大會計師事務所審計*對于“十大”審計的界定，參照中注協每年對會計事務所的排名，即歷年《會計師事務所綜合評價前百家信息》。，則為信息透明度高組，反之為信息透明度低組；如果是企業機構持股比例高于年度行業均值，則為信息透明度高組，反之為信息透明度低組。按照企業信息透明度分組回歸的結果如表4所示。

從表4可以看出，不管是按照盈余管理程度，還是審計機構是否為十大，抑或機構持股比例高低作為代理變量來區分企業信息透明度的高低，交互項Analyst×Dev的回歸系數均在1%水平下顯著為正，而信息透明度高組交互項Analyst×Dev的回歸系數均不顯著，均通過了5%水平下的系數差異顯著性檢驗，而且信息透明度低組的回歸系數值都比較穩定，維持在0.028～0.029之間。這表明在信息透明度低的樣本組中，分析師跟蹤對其資本結構調整速度的促進作用更加顯著。原因是不同信息透明度企業所面臨的資本市場摩擦程度不同，導致其資本結構調整成本有所差異。對于信息透明度低的企業而言，分析師跟蹤所帶來的信息不對稱緩解作用更大，因而對企業資本結構調整的意義更加重大，這一結論支持了假說H2。

表4 分析師跟蹤與資本結構調整速度：按企業信息透明度分組檢驗

注：(1)括號內為經公司層面cluster后計算的t值；*、** 、*** 分別表示在10%、5%、1%水平下顯著；(2)系數差異P值用以檢驗不同分組系數差異的顯著性，通過自抽樣法(Bootstrap)1000次得到；(3)進一步區分了不同調整方向，但回歸結果未發生實質性改變。

(三)基于不同產權性質的檢驗

為了檢驗假說H4，本文按照產權性質的不同將全樣本分為國有企業和非國有企業，同時在分別在全樣本、資本結構向上調整、資本結構向下調整的情況下進行分析。按照產權性質分組回歸的結果如表5所示。

表5 分析師跟蹤與資本結構調整速度：按產權性質分組檢驗

注：(1)括號內為經公司層面cluster后計算的t值；*、** 、*** 分別表示在10%、5%、1%水平下顯著；(2)系數差異P值用以檢驗不同分組交互項系數差異的顯著性，通過自抽樣法(Bootstrap)1000次得到。

從表5可以看出，對于全樣本而言，交互項Analyst×Dev的回歸系數在5%水平下顯著為正，而且非國有企業Analyst每上升一個標準差，資本結構調整的速度將提高2個百分點，國有企業將提高1.3個百分點，兩者系數差異為0.007，通過了10%水平下的顯著性檢驗。在資本結構向上調整子樣本，非國有企業交互項Analyst×Dev的回歸系數在5%水平下顯著為正，而國有企業交互項的回歸系數不顯著，系數差異通過了1%水平下的顯著性檢驗。在資本結構向下調整子樣本，交互項Analyst×Dev的回歸系數均在5%水平下顯著為正，而且非國有企業Analyst每上升一個標準差，資本結構調整的速度將提高2.4個百分點，國有企業將提高5.8個百分點，兩者系數差異為0.034，通過了1%水平下的顯著性檢驗。這就說明不管是全樣本，還是資本結構向上調整子樣本，抑或資本結構向下調整子樣本，分析師跟蹤的影響對非國有企業資本結構調整的影響均更加顯著，這一結論支持了假說H4。

(四)穩健性檢驗

1.內生性控制

鑒于本文的研究結論有可能存在內生性，即分析師可能選擇資本結構調整速度快的企業進行跟蹤，為此本文采用兩種方法控制這一問題：(1)以前一年行業內分析師跟蹤規模的均值Mean_Analyst作為工具變量，運用2SLS兩階段工具變量法進行內生性控制處理；(2)使用其他文獻經常采用的SYS-GMM重新估計目標資本結構*限于篇幅，穩健性檢驗結果略，作者備索。下同。。在控制內生性問題后，分析師跟蹤依然對企業資本結構調整速度產生了顯著的正向影響，依然支持假說H1。

2.控制其他因素的影響

本文進一步考慮了公司內部治理和分析師預測準確度的影響：對于公司內部治理因素而言，良好的公司治理結構可以減少委托代理問題，能夠有效約束企業管理層的機會主義行為，促使管理層優化資本結構；對于分析師預測準確度而言，分析師跟蹤的數量固然重要，但其信息披露的質量也備受投資者關注，高質量的分析報告也可以緩解資本市場的信息不對稱。為此本文首先通過引入獨立董事在董事會的占比與偏離程度的交互項IC×Dev對公司內部治理因素進行控制；其次以不同分析師對同一公司每股盈余預測均值作為該公司每股盈余的預測值，它與實際每股盈余的偏離程度就是預測偏差Bias，那么分析師預測準確度Accy=-Bias，通過引入分析師預測準確度與偏離程度的交互項Accy×Dev對分析師預測準確度進行控制?？刂乒緝炔恐卫硪蛩睾螅换ロ桝nalyst×Dev的回歸系數依然顯著為正；控制分析師預測準確度后，交互項Accy×Dev和Analyst×Dev的回歸系數均顯著為正，表明對于企業資本結構調整速度而言，不僅分析師跟蹤規模很重要，而且其分析報告的質量也很重要。

五、分析師跟蹤對資本結構調整方式的影響

第四部分驗證了假說H1，即分析師跟蹤促進了資本結構調整，本文進一步考察了分析師跟蹤將通過哪些路徑來影響資本結構動態調整。本文界定有息負債率增加或減少超過5%時，認為企業進行了凈債務融資行為，同時界定扣除利潤后的股東權益增加或減少超過5%時，認為企業進行了凈權益融資行為，模型(7)的Logit回歸結果如表6所示。

表6第1列和第2列是加入了交互項Analyst×Deva的回歸結果?？梢园l現：不管資本結構向上還是向下調整，交互項的回歸系數始終顯著為正，表明分析師跟蹤強化了偏離程度與凈債務融資之間的相關性。也就是說，分析師跟蹤顯著提高了企業通過債務方式調整資本結構的可能性。第2列和第4列表明，交互項Analyst×Deva的回歸系數為正，但只有正權益融資在10%水平上顯著，說明分析師跟蹤較難通過權益方式促使企業向目標資本結構調整。實證結果也與前文對資本結構調整方式的描述性統計是一致的，即通過凈權益融資方式調整資本結構的企業遠小于通過凈債務融資方式調整資本結構的企業，因此，分析師跟蹤較難通過權益方式影響企業資本結構調整的可能性。

表6 分析師跟蹤、偏離程度與融資方式

注：括號內為經公司層面cluster后計算的t值；*、** 、*** 分別表示在10%、5%、1%水平顯著。

為了確保結論的穩健性，同時本文還是運用Probit方法對模型(7)重新進行估計，限于篇幅，重新估計的結果沒有列示。但回歸結果與前文一致，研究結論保持不變。

六、結 論

本文利用滬深A股2005～2015年的數據，考察了分析師跟蹤對企業資本結構調整速度的影響。研究發現：(1)分析師跟蹤提高了資本結構調整速度；(2)分析師跟蹤具有緩解資本市場的信息不對稱的作用，對信息透明度低組的調整速度影響更加顯著；(3)與資本結構向上調整的企業相比，分析師跟蹤對資本結構向下調整組的影響更加顯著；(4)與國有企業相比，分析師跟蹤對非國有企業的資本結構調整影響更加顯著?？紤]內生性問題以及控制其他影響因素等穩健性檢驗后，分析師跟蹤對資本結構調整的影響依然顯著為正。進一步的研究還發現，分析師跟蹤主要通過增加或減少債務的途徑影響企業資本結構調整的速度。

本文的研究結論具有較為重要的政策含義，可以通過壯大分析師行業緩解外部投資者與企業管理者之間的信息不對稱，優化企業資本結構。本文研究還發現了公司內部治理對資本結構調整速度的影響，良好的公司內部治理可以更好地監督管理者，后續研究可以進一步分析外部監督對資本結構調整速度的影響，或者考察分析師跟蹤是否具有公司治理的作用。

參考文獻:

[1] Drobetz W., Wanzenried G. What Determines the Speed of Adjustment to the Target Capital Structure？[J]. Applied Financial Economics, 2006,16(13):941-958．

[2] 于蔚,金祥榮,錢彥敏. 宏觀沖擊、融資約束與公司資本結構動態調整[J]. 世界經濟, 2012，(3):24-47．

[3] 黃繼承,朱冰,向東. 法律環境與資本結構動態調整[J]. 管理世界, 2014，(5):142-156．

[4] Myers S. C., Majluf N. S. Corporate Financing and Investment Decisions When Firms Have Information That Investors Do Not Have[J]. The Theory of Corporate Finance, 1996：207-241．

[5] Bowen R. M., Xia C., Qiang C. Analyst Coverage and the Cost of Raising Equity Capital: Evidence from Underpricing of Seasoned Equity Offerings[J]. Contemporary Accounting Research, 2008,25(3):657-699．

[6] 曾穎,陸正飛. 信息披露質量與股權融資成本[J]. 經濟研究, 2006，(2):69-79．

[7] Liu M. H. Analysts’ Incentives to Produce Industry-Level versus Firm-Specific Information[J]. Journal of Financial & Quantitative Analysis, 2011,46(3):757-784．

[8] Xu N., Chan K. C., Jiang X., Yi Z. Do Star Analysts Know More Firm-Specific Information？ Evidence from China[J]. Journal of Banking and Finance, 2013,37(1):89-102．

[9] Scott J. J. H. A Theory of Optimal Capital Structure[J]. Bell Journal of Economics, 1976,7(1):33-54．

[10] L??f H. Dynamic Optimal Capital Structure and Technical Change[J]. Structural Change and Economic Dynamics, 2004,15(4):449-468．

[11] Fischer E. O., Heinkel R., Zechner J. Dynamic Capital Structure Choice: Theory and Tests[J]. Journal of Finance, 1989,44(1):19-40．

[12] Flannery M. J., Rangan K. P. Partial Adjustment toward Target Capital Structures[J]. Journal of Financial Economics, 2006,79(3):469-506．

[13] Leary M. T., Roberts M. R. Do Firms Rebalance Their Capital Structures？[J]. Journal of Finance, 2005,60(6):2575-2619．

[14] Frankel R., Li X. Characteristics of a Firm’s Information Environment and the Information Asymmetry between Insiders and Outsiders[J]. Journal of Accounting and Economics, 2004,37(2):229-259．

[15] Amir E., Lev B., Sougiannis T. What Value Analysts？[Z]. Science Research Network Working Paper, 1999．

[16] Morellec E., Nikolov B., Schurhoff N. Corporate Governance and Capital Structure Dynamics[J]. Journal of Finance, 2012,67(3):803-848．

[17] Grossman S. J., Hart O. D. Corporate Financial Structure and Managerial Incentives[Z]. Social Science Research Network Working Paper, 1999．

[18] Faulkender M., Flannery M. J., Hankins K. W., Smith J. M. Cash Flows and Leverage Adjustments[J]. Journal of Financial Economics, 2012,103(3):632-646．

[19] Denis D. J., Mckeon S. B. Debt Financing and Financial Flexibility Evidence from Pro-active Leverage Increases[Z]. Purdue University Economics Working Paper, 2010．

[20] Jensen M. C., Meckling W. H. Theory of the Firm: Managerial Behavior, Agency Costs and Ownership Structure[J]. Journal of Financial Economics, 1976,3(4):305-360．

[21] Dyck A., Morse A., Zingales L. Who Blows the Whistle on Corporate Fraud？[J]. Journal of Finance, 2010,65(6):2213-2253．

[22] 盛明泉,汪順. 銀行業競爭與微觀企業資本結構動態調整[J]. 財經論叢, 2017，(11):53-62．

[23] 洪怡恬. 銀企和政企關系、企業所有權性質與融資約束[J]. 宏觀經濟研究, 2014，(9):115-125．

[24] 常亮,連玉君. 融資約束與資本結構的非對稱調整——基于動態門限模型的經驗證據[J]. 財貿研究, 2013，(2):138-145．

[25] 張純,呂偉. 信息披露、市場關注與融資約束[J]. 會計研究, 2007，(11):32-38．

[26] 姜付秀,石貝貝,馬云飆. 信息發布者的財務經歷與企業融資約束[J]. 經濟研究, 2016，(6):83-97．

[27] Flannery M. J., Hankins K. W. Estimating Dynamic Panel Models in Corporate Finance[J]. Journal of Corporate Finance, 2013,19:1-19．

[28] 連玉君,彭方平,蘇治. 融資約束與流動性管理行為[J]. 金融研究, 2010，(10):158-171．