高科技企業資本結構動態非對稱調整研究
——基于門檻效應及宏觀經濟因素

趙冬梅

（復旦大學經濟學院，上海，200433）

一、引言

高科技企業的數量及質量，是決定一個地區未來經濟增長的關鍵所在，同時也反映了該地區未來經濟增長的含金量高低。高科技企業成功的關鍵在于核心技術及研發產品能否在市場上得到認可，且高新技術產品更新換代迅速，要想保持產品的技術領先，就必須大量購買高新、精密、尖端的設備，同時不斷加大對技術創新、產品研發和科技成果轉化的投資。同時，研發成功與否還存在很大的不確定性，即使研發成功，也可能面臨知識產權被侵犯的風險。因此，高科技企業投資大、風險高的特點決定了各個階段的資本結構調整過程與同等條件下的傳統企業有較大的不同。

那么，我國高科技企業資本結構的動態調整過程具有哪些特征？在不同類型的高科技企業中有何差別？哪些因素會對資本結構動態調整速度產生重要影響？這些影響在不同企業所有制、規模、生命周期上的差異如何？融資約束、宏觀經濟因素對該過程產生什么影響，在負債過多和負債過少兩種情況下該影響是否有差別？現有研究針對目標資本結構存在與否的驗證大多停留在理論層面，相關的實證研究較少；同時，現有研究大多認為資本結構向上調整和向下調整具有對稱性，而現實中企業在負債過多和負債少的應對策略顯然是不一樣的。本研究根據我國高科技企業的特點，采用系統矩估計(SYS-GMM)對不同類型的高科技企業資本結構動態調整速度進行估計，并采用門檻效應研究不同融資約束水平下資本結構的動態調整速度的差異，并闡述了在負債過少、過多兩種情況下，信貸市場、股票市場影響下高科技企業資本結構的動態調整特征。

本研究首先從實證方面驗證了公司實際負債率最終趨向一個最優水平，在此基礎上發現：當負債過少時，資本結構向上調整較慢，而當負債過多時，資本結構向下調整較快，這與外部融資成本、融資約束有一定的關聯。此外，隨著融資約束程度的緩解，資本結構動態調整先快后慢；資本結構向上調整速度隨規模增大，向下調整速度隨規模先增大后減小。民企資本結構調整速度快于國有企業，成長期企業資本結構調整快于成熟期企業和衰退期企業。股市收益率、實際利率加速了資本結構調整，信貸規模、股市規模略微減緩了資本結構調整。可見，企業在進行資本結構動態調整時，更多地受到調整成本的限制，而非信貸規模或股權容量受限。

本文的貢獻：(1)權衡理論認為存在目標資本結構，但市場擇時理論與融資優序理論認為不存在目標資本結構。本研究通過資本結構是否存在均值回復現象驗證了目標資本結構的存在，支持了權衡理論。(2)本研究在負債過少、負債過多兩種情況下，針對不同所有制、規模、生命周期的高科技企業的資本結構非對稱調整過程進行了分析，對構建科學合理的高科技企業融資體系具有針對性的參考。(3)本研究引入了與融資規模和融資成本息息相關的信貸規模、股市規模、貸款利率、股市整體收益率、經濟周期、貨幣政策等宏觀經濟影響因素，為國家調控信貸市場、股票市場、貨幣市場提供了借鑒。

二、文獻綜述

目標資本結構是否存在以及實際資本結構到目標水平的調整速度(Getzmann et al.，2014)是資本結構研究中熱門的研究話題，這部分研究強調在負債的成本(財務困境和代理成本)和收益(利息稅盾)之間進行權衡的思想(Getahun, 2016)，關鍵在于確定各融資來源比例使得企業以最小的風險產生最佳的收益(Dada and Ghazali, 2016；Gambo et al.，2016)。Myers and Majluf(1984)提出的啄序理論認為，公司不存在目標資本結構，融資選擇取決于知情者和不知情者之間的信息不對稱導致的逆向選擇成本的大小。由于內部融資不存在信息不對稱情況，公司更傾向于內部融資；因為這些成本大多發生在公司發行證券時，當企業需要外部融資時，更傾向于債務融資。Baker and Wurgler(2002)提出的擇時理論也認為，企業不存在目標資本結構，當公司價值被高估時，企業傾向股權融資，當公司價值被低估時，公司傾向內部融資或借貸籌資，甚至回購股票。

該領域研究的一個關鍵點是如何估計目標杠桿，因為它在本質上是不可觀察的。現有研究已經采用了各種策略對目標杠桿進行估計：一類研究是將目標杠桿作為外生變量處理，例如Shyam-Sunder and Myers(1999)用樣本期間內的平均杠桿率代替目標負債率。第二類研究采用兩步策略，第一步進行先驗回歸擬合目標杠桿，第二部將擬合值納入調整方程(Hovakimian et al.，2001；Fama and French，2002)。第三類研究將目標杠桿內生化為動態調整方程，同時允許估計交易成本的大小(Miguel and Pindado，2001；Flannery and Rangan，2006)。第一類研究的一個共同特點是，他們認為公司的目標債務比率是外生變量，第二類研究中的擬合值可能會帶來估計誤差，第三類研究提出了一個動態的債務調整模型，把不可觀察的目標負債率用一個表示企業典型特征的變量所取代。在研究方法上，Drobetz and Wanzenried(2006)使用工具變量(IV)估算資本結構動態調整速度，更具體地說，是使用Arellano and Bond(1991)提出的差異廣義矩量法(FD-GMM)。本研究嘗試通過更加準確的系統矩估計(SYS-GMM)來估算資本結構動態調整速度。

在沒有摩擦的完美市場中，資本結構向目標水平的調整是無成本的，因此企業的資本結構始終處于目標水平(Hovakimian et al.，2001)。現實市場中，調整成本可以阻礙公司資本結構向目標水平調整，導致實際負債率往往滯后最佳水平，資本結構調整存在黏性(Zainudin et al.，2017)。尤其是向目標水平調整的成本大于收益時，資本結構停止向目標水平調整(Leary and Roberts，2005；Drobetz and Wanzenried，2006)。與之一致的是，Brav(2005)認為，非上市公司資本結構調整慢的原因是相比上市公司的調整成本更大。資本結構調整速度不僅取決于調整成本(Titman and Tsyplakov，2007)和偏離成本(Byoun，2008)，也受公司財務靈活性、融資約束程度的影響(Faulkender et al.，2012)。Qian et al.(2009)發現，距離目標債務比率越遠、增長機會越高的公司資本結構調整得越快，并且資本結構的調整速度是順經濟周期的。

資本結構的動態調整具有非對稱性，過度杠桿化的公司偏好快速調整以避免與高于目標杠桿率相關的巨大財務困境/破產成本；當企業的債務高于目標水平，且存在財務盈余，或當企業的債務低于目標水平，且存在財務赤字時，就會容易發生資本結構調整(Byoun，2008)。Hovakimian and Li(2010)發現，非對稱調整成本取決于公司是否高于或低于其目標杠桿，當公司用內部資金清償過剩債務時，調整成本特別低，資本結構調整速度相對較快。Dang et al.(2012)發現，有赤字的公司更有動力發行新的債券或股票來彌補融資缺口，發行這些新的證券提供了更多的機會快速回到杠桿目標。

在研究資本結構的非線性調整時，常常采用人為分組或分位數劃分的方法，但是這兩種方法都不可避免地具有人為主觀性，容易產生偏誤，難以解釋清楚資本結構的非線性作用機制。Hansen(1999)指出，門檻閾值回歸模型可以彌補人為分組的不足，Dang等(2012)第一個使用門檻閾值回歸模型研究資本結構的非對稱調整。門檻閾值回歸模型的優點在于調整變量的閾值確定是內生的，允許企業在不同情況下采用不同機制對資本結構進行非線性調整。陳靜和潘海英(2017)通過構建動態面板門限模型發現，在不同現金持有水平及現金持有偏離下，資本結構與企業價值均存在門檻效應。

資本結構的實際水平取決于平衡債務融資的收益和成本，該收益和成本在生命周期的不同階段的變化很大(Deloof and Overfelt，2008)。初創期和成長期的公司面臨更高水平的流動性風險以及不對稱的信息問題，其破產成本高于成熟期公司，因此初創期和成長期的企業的杠桿率往往低于成熟期公司。Bulan and Yan(2009)發現，高利潤企業收入越高負債越少，處于初創期或衰退期的公司由于可獲得的收益較低，負債率會高于成熟期公司(主要內部融資)。同時，隨著公司的成熟，公司的融資需求和信息不對稱程度降低，這意味著融資成本更低，資本結構的調整速度更快(Hovakimian and Li，2010)。

大型公司經營多樣化，往往具有較高的盈利能力和財務靈活性，現金流波動性較小，不太可能陷入財務困境，向目標杠桿的調整成本更小，因此大公司資本結構調整速度更快(Belkhir et al.，2016)。盈利能力更強的公司更有可能通過留存收益為其增長提供資金，而盈利能力較弱的公司則會使用更多的外部融資，因此盈利能力和杠桿率之間存在負相關(Chen et al.，2019)。盈利能力會影響公司資本結構調整的成本或收益，一家利潤更高的公司債務稅盾的價值也更高，在融資決策方面可能具有更大的靈活性，并可能享受更優惠的利率，外部融資成本較低，資本結構調整速度更快(Hovakimian et al.，2001)。此外，Cook and Tang(2010)發現，當經濟預期更好時，企業向目標資本結構的調整速度更快。

現有研究針對目標資本結構存在與否的驗證大多停留在理論層面，相關的實證研究較少。同時，現有研究大多認為資本結構在不同方向的調整具有對稱性，現實中企業在負債過多和負債少的應對策略顯然差異很大，但資本結構動態調整的非對稱研究及門檻效應研究并不多見。本研究首先從實證角度驗證了企業目標資本結構的存在性，然后根據我國高科技企業的特點，在負債過少/負債過多兩種情況下，對不同融資約束、企業規模、所有制、生命周期的高科技企業資本結構動態調整速度進行估計，采用門檻效應法研究不同融資約束區間下資本結構的動態非對稱調整速度，并闡述了信貸市場、股票市場等宏觀經濟因素的影響下高科技企業資本結構的動態調整特征。

三、理論分析與模型設定

(一)高科技企業樣本選擇及企業異質性的劃分

本文綜合萬德WIND數據庫中關于高新技術企業認定的公司公告以及國泰君安數據庫(CSMAR)中關于上市公司高新技術企業的資質認定，選取2008年到2017年A股上市公司中被認定為高新技術企業的樣本，只保留被認定為高新技術企業的獨立樣本(刪除被認定為高新企業的子公司)，共計1306家高科技企業。此外，對樣本進行如下處理：(1)剔除ST和*ST、PT和*PT的樣本；(2)剔除金融、保險行業的公司樣本；(3)剔除資產負債率大于1，資不抵債的公司樣本；(4)剔除數據缺失的樣本。經過上述處理后，保留1286家高科技企業樣本。

1.生命周期的劃分

經營、投資、融資活動產生的現金流反映完整的財務信息而不是單一的指標(如年齡，規模，銷售增長率)，它能有效捕捉公司生命周期各階段的盈利能力、成長性和風險性的差異。Dickinson(2011)創造性地使用現金流組合將公司生命周期分為初創、成長、成熟、淘汰和衰退等階段。本研究借鑒Dickinson(2011)提出的現金流組合法將上市企業生命周期劃分為成長期、成熟期、衰退期三個階段(見表1)。

表1 企業不同生命周期的現金流組合特征

2.企業面臨融資約束程度的劃分

SA指數1SA指數的計算公式為：其中，Sizeit代表公司規模，用經過通貨膨脹調整的企業總資產(單位：百萬)的自然對數表示。Ageit代表企業年齡，從企業上市日期算起。SA指數為負，絕對值越大，表明企業面臨融資約束程度越嚴重。描述企業面臨融資約束程度時，具有外生性的優點(Hadlock and Pierce，2010)，因此本研究采用SA指數來衡量高科技企業面臨融資約束的程度，并按照不同年份不同行業將高科技企業分為融資約束輕、融資約束較輕、融資約束較重、融資約束嚴重四組，選取融資約束輕和融資約束嚴重兩組作為調節變量的研究樣本。

(二)目標資本結構的存在性驗證

圖1 權衡理論中資本結構的動態調整過程

權衡理論認為，當負債率較低時，利息稅盾可以增加公司價值；隨著負債率上升，利息稅盾的邊際效益逐漸下降，財務困境邊際成本逐漸上升，當二者恰好相等時，企業價值最大，此時的資本結構水平是企業目標資本結構(Leary and Roberts，2005)。根據權衡理論，當資本結構過高(超過了目標資本結構上限TLU)，企業就會減少負債向目標資本結構TL*調整；當資本結構過低(超過了目標資本結構下限TLL)，企業就會增加負債向目標資本結構TL*調整(如圖1)。也就是說，公司的實際負債比例最終會向目標資本結構靠攏(Flannery and Rangan，2006)。

1.資本結構的差分回歸

Opler et al.(1999)使用均值回歸模型驗證了最優現金水平的存在，本文參考該模型提出了資本結構均值回歸模型(見式1)。資本結構差分回歸方程的估計結果(見表2)顯示的系數為-0.063，且在1%置信水平上顯著為負，這表明高科技企業資本結構圍繞目標資本結構的波動會逐漸收斂。因此，從高科技企業資本結構的差分回歸方程系數來看，資本結構具有均值回復的現象，即實際資本結構會逐漸收斂到目標水平。

表2 資本結構差分回歸方程的估計結果

2.高科技企業不同水平的資本結構在(t+1)期的變化

圖2 不同水平的資本結構在t+1期的變化

圖2為高科技企業不同水平的資本結構在t+1期的變化。當期資本結構均值在15%和30.6%時，下期資本結構均值增長2.9%、0.2%，中位數增長1.6%、0.6%；當期資本結構均值在44.6%和63.3%時，下期資本結構均值減少2.3%、3.9%，中位數減少0.1%、1.2%。可以看出，當期資本結構較低時，下期資本結構會增大，而當期資本結構較高時，下期資本結構會下降。同時，當期資本結構越低，下期資本結構的增幅越大；當期資本結構越高，下期資本結構的降幅也越大。可見，資本結構存在均值回復現象，尤其在資本結構水平過低或過高時回復幅度尤為明顯。

3.不同偏離程度下高科技企業的實際資本結構在(t+1)期的變化

圖3 不同偏離程度下實際資本結構在(t+1)期的變化

圖3為高科技企業實際資本結構偏離行業水平的不同程度下，(t+1)期的資本結構變化。當期高科技企業的實際資本結構比行業水平高9.5%，在下一期資本結構的均值下降1.6%，中位數下降0.1%；當期高科技企業的實際資本結構比行業水平低8.4%、22.1%和37.9%時，下一期資本結構的均值上升0.6%、2.4%、3.7%，中位數上升1.1%、1.8%、1.9%。可以看出，當企業實際資本結構高于行業水平時，下一期資本結構會下降，當企業實際資本結構低于行業水平時，下一期資本結構會上升。另外，實際資本結構與行業水平的偏離程度越大，下一期資本結構的調整幅度就越大，這與顧乃康和王貴銀(2012)的研究發現相一致，進一步驗證了公司的實際負債比例最終向目標資本結構靠攏。

(三)企業資本結構的動態調整模型

1.資本結構的動態對稱調整模型

Flannery and Rangan(2006)指出，公司資本結構動態調整所涉及的成本可以用式2表示。其中，levit是實際資本結構，lev*it是目標資本結構。對式2左右兩邊取一階導數，得到成本最小化的資本結構動態調整成本(見式3和4)。資本結構的調整速度系數δit見式5，現實中由于存在調整成本，δit通常介于(0，1)之間。Zit表示影響資本結構動態優化速度的相關變量。

在最優資本結構模型(如式6)中，Xit是衡量目標資本結構的一系列特征向量，vit表示隨機誤差項，具有零均值和常方差。在資本結構的動態調整模型(如式7)中，假設調整系數δit隨時間和公司特征而變化。兩步法先將公司特征變量與公司實際資本結構代入式6，得到lev*it的擬合值，再將其代入式7進行回歸。兩步法回歸方法在統計上的主要缺陷在于生成的回歸因子可能會導致回歸方程無效。因此，將式6直接代入式7，得到資本結構部分調整的一步法方程8，可以規避兩步法帶來的預測誤差，式8假設資本結構不同方向的動態調整具有對稱性。

2.資本結構的動態非對稱調整模型

Titman and Tsyplakov(2007)、顧乃康和王貴銀(2012)、黃輝(2012)發現了，上市公司資本結構動態優化的不平衡現象，負債過多時的調整速度與負債過少時的調整速度不同。本研究中，中國上市公司資本結構動態非對稱調整模型如式9到式13。其中，分別表示在企業負債過少和負債過多時不同方向的調整速度。Zit表示影響公司資本結構調整的企業特征。l{·}表示當下標括號中情況發生時，該函數值為1，否則為0。l{levit＞lev*it}表示實際資本結構高于目標資本結構時為1，此時實際資本結構需向下調整，即負債過高；實際資本結構低于目標資本結構時l{levit＞lev*it}為0，此時實際資本結構需向上調整，即負債過低。由于l{levit≤lev*it}＋l{levit＞lev*it}＝1，式13又可表示為式14。將目標資本結構(式6)代入式14得到式15。此時，資本結構的動態調整速度為δit－λit·l{levit＞lev*it}，即負債過少時資本結構的動態調整速度為，負債過多時資本結構的動態調整速度為。

(四)研究變量的選取

采用負債總額與資產總額之比能夠合理地反映企業的資本結構(Gitman and Zutter，2012)，本研究利用企業負債率來衡量資本結構水平。

現有研究中影響企業目標資本結構的因素主要有：盈利能力、研發支出、現金流、資產有形性、公司規模、非負債稅盾、行業特征(Dang and Garrett，2015；Mirza et al.，2016；Memon et al.，2018)。特別地，權衡理論認為，增長機會加劇了投資者和經理之間的信息不對稱，且發達國家增長機會與杠桿率負相關，發展中國家則為正相關(Akman et al.，2015)。通過更高的多樣化程度降低破產概率促使大公司向高杠桿率邁進，因此企業規模可以降低融資成本并導致更快的調整(Frelinghaus et al.，2005)。與啄食順序的推理一致，決定資本結構調整速度的關鍵因素有：信息不對稱程度(?ztekin and Flannery，2012)；增長機會(Aybar-Arias et al.，2012)；現金流動(Keefe and Yaghoubi，2016)。隨著微觀特征和外部環境的變化，公司的目標資本結構也會隨之調整，目標資本結構隨經濟衰退下降(Pindado et al.，2017)。企業資本結構的變化與政府政策、宏觀經濟條件和融資環境密切相關。本研究引入了與融資規模和融資成本息息相關的信貸規模、股市規模、貸款利率、股市整體收益率、經濟周期、貨幣政策等宏觀經濟影響因素。本研究以資本結構作為被解釋變量，根據現有研究選取企業資本結構動態調整的影響因素，對其進行逐步回歸最終篩選出如下解釋變量(見表3)。

表3 研究變量的定義及其描述性分析

四、實證結果

(一)高科技企業資本結構動態調整模型的估計

式16為高科技企業資本結構的動態對稱調整模型，式17為高科技企業資本結構的動態非對稱調整模型。資本結構動態對稱調整速度為δit，資本結構非對稱動態調整速度為δit－λit·l{levit＞lev*it}，即負債過低時資本結構的調整速度為，負債過高時資本結構的調整速度為。

表4是資本結構動態調整模型的估計結果。在資本結構對稱性動態調整模型中，混合最小二乘法OLS估計出的調整速度下限為0.137，面板固定效應FE估計出的調整速度上限為0.456，系統矩估計GMM估計出的調整速度為0.178，介于OLS估計與FE估計之間，故認為系統GMM估計結果合理。在資本結構非對稱動態調整模型中，OLS估計出的資本結構的向上調整速度下限為0.02，向下調整速度下限為0.135；FE估計出的向上調整速度上限為0.424，向下調整速度上限為0.439；系統GMM估計出的向上調整速度為0.151，向下調整速度為0.165，介于OLS估計和FE估計之間，故認為系統GMM估計結果可靠。可以發現，當負債過少時，資本結構向上調整較慢，而當負債過多時，資本結構向下調整則較快，表明當偏離方向不同時高科技企業資本結構的動態調整具有非對稱性，這與Byoun(2008)、黃輝(2012)的研究結論相一致。

表4 資本結構動態調整模型的估計結果

(二)基于企業異質性的資本結構動態調整模型

1.不同融資約束下資本結構動態調整模型

表5為不同融資約束下企業資本結構動態調整模型估計結果。由表可知：隨著融資約束逐步減輕，資本結構動態對稱調整速度依次為0.108、0.292、0.130，資本結構負債過少時向上調整速度依次為0.006、0.038、0.006，資本結構負債過多時向下調整速度依次為0.037、0.155、0.092。由此可見，不管是對稱調整、向上調整還是向下調整，資本結構動態調整速度隨融資約束程度的減緩，先增大后減小(見圖4)，可見融資約束并不是越輕越好，而是存在一個適度的融資約束區間。此外，在不同程度的融資約束程度下，資本結構向下調整的速度遠遠大于向上調整的速度，至少達到向上調整速度的四倍。

表5 不同融資約束下企業資本結構動態調整模型的估計結果(GMM)

注釋：(1)小括號里的數字為t值；(2)***，**和*分別表示1%，5%和10%的顯著水平。

圖4 融資約束程度與資本結構動態調整速度的關系

2.不同企業規模下資本結構動態調整模型

表6為不同企業規模下資本結構動態調整模型估計結果。從表可以看出，隨著企業規模不斷增大，資本結構動態對稱優化速度依次為0.070、0.240、0.306、0.093，資本結構負債過少時向上調整速度依次為-0.115、-0.064、0.039、0.047，資本結構負債過多時向下調整速度依次為0.038、0.091、0.168、0.061。可以看出，資本結構向上調整速度隨規模的增大而增大，向下調整速度隨規模的增大先增大后減小。資本結構向上調整時，小規模企業和較小規模企業的調整速度為負數，表明因為小規模企業更容易面臨融資約束，此時即使負債過少但實際負債也不得不減少。盡管企業規模不同，但資本結構向下調整速度均大于資本結構向上調整速度。

3.不同企業所有制下資本結構動態調整模型

表7為不同企業所有制下資本結構動態調整模型估計結果。從表可以看出，國有企業和民營企業資本結構動態對稱調整速度為0.116、0.204，負債過少時向上調整速度為0.065、0.117，負債過多時向下調整速度為0.082、0.166。可以看出，民營企業的資本結構動態調整速度快于國有企業，約為國有企業的兩倍，這是因為民營企業的管理模型通常更為靈活高效，而國有企業的行政層級繁多效率很難提高。此外，無論是國有企業還是民營企業，資本結構向上的調整速度均慢于向下調整。

表7 不同企業所有制下資本結構動態調整模型的估計結果(GMM)

4.不同企業生命周期下資本結構動態調整模型

表8是不同企業生命周期下資本結構動態調整模型估計結果。從表可以看出，在成長期、成熟期、衰退期中，資本結構動態對稱調整速度依次為0.310、0.114、0.165。由此可見，資本結構動態調整速度在成長期最快，衰退期企業次之，成熟期企業最慢。資本結構負債過少時向上調整速度依次為0.023、0.047、0.344，資本結構負債過多時向下調整速度依次為0.151、0.099、0.271。可以看出，資本結構向上調整速度中成熟期大于成長期，向下調整速度中成熟期小于成長期。在企業生命周期中，信息不對稱程度越高，高科技公司的債務能力就越小，因此成長期企業增加債務的速度較慢，而減少債務的速度較快。而在衰退期，企業很可能會通過清算非生產性資產或轉型投資而以較快的速度來調整負債率。

表8 不同企業生命周期下資本結構動態調整模型的估計結果(GMM)

注釋：(1)小括號里的數字為t值；(2)***，**和*分別表示1%，5%和10%的顯著水平。

(三)資本結構動態調整的門檻效應模型

閾值回歸模型中研究變量的閾值選擇是內生的，可以彌補主觀分組的不足，本文參考Dang et al.(2012)的研究，建立了動態閾值模型來描述資本結構優化過程(見式19)。l(·)取1表示某一特定事件發生，否則取0。其中qit為融資約束SA指數，閾值參數λ1＜λ2＜λ3。

1.門檻值的估計與檢驗

表9 門檻估計值和置信區間

表10 門檻效果自抽樣檢驗

圖5 第一個門檻的估計值和置信區間

圖6 第二個門檻的估計值和置信區間

圖7 第三個門檻的估計值和置信區間

根據門檻估計值和置信區間(見表9)，第一個門檻值為-3.008，第二個門檻值為-3.373，第三個門檻值為-3.074。在門檻效果自抽樣檢驗中(見表10)，第一個門檻值和第二個門檻值的95%置信區間相對較小(見圖5和圖6)，而第三個門檻值的95%的置信區間很大(見圖7)，且這三個門檻值在1%置信水平上均顯著，因此第三個門檻值的估計精確度比較低，本文選取雙重門檻模型(見式20)。其中，閾值參數λ1＜λ2，λ1的值為-3.373，λ2的值為-3.008。

2.檢驗結果與分析

表11 基于門檻效應的資本結構動態調整模型的估計結果

注釋：(1)小括號里的數字為t值；(2)***，**和*分別表示1%，5%和10%的顯著水平。

從表11可以看出，當SA指數小于時，OLS、FE、GMM估計的調整速度為0.138、0.384、0.266；當SA指數在與時，OLS、FE、GMM估計的調整速度為0.186、0.546、0.688；當SA指數大于時，OLS、FE、GMM估計的調整速度為0.145、0.469、0.151。無論采用哪種估計方法，資本結構動態調整速度隨著融資約束的加劇，先增大后減小，所以融資約束處于某一范圍內時，資本結構優化過程比較快。

(四)宏觀經濟因素影響下資本結構動態調整模型

1.宏觀經濟因素影響下的資本結構動態對稱調整模型

式21為宏觀影響因素下資本結構的動態對稱調整模型，具體來說，調整速度為。表12是不同宏觀影響因素下企業資本結構的對稱動態調整模型的估計結果。從表可以看出：基準模型的資本結構動態調整速度為0.178，在信貸規模影響下的資本結構動態調整速度為0.190，貸款利率影響下的調整速度為0.184，股市規模影響下的調整速度是0.175，股市收益率影響下的調整速度為0.189。信貸規模、股市收益率、貸款利率與資本結構的調整速度呈正向相關，股市規模則與資本結構的調整速度負相關。

表12 宏觀經濟因素影響下企業資本結構動態對稱調整模型的估計結果(GMM)

注釋：(1)小括號里的數字為t值；(2)***，**和*分別表示1%，5%和10%的顯著水平。

2.宏觀經濟因素影響下的資本結構動態非對稱調整模型

式22為宏觀影響因素下資本結構的動態非對稱調整模型，具體來說，調整速度為。資本結構向上調整速度，資本結構向下調整速度。表13是不同宏觀影響因素下企業資本結構的非對稱動態調整模型的估計結果。從中可以看出：基準模型的資本結構向上調整速度為0.151，向下調整速度為0.165；在信貸規模影響下資本結構向上調整速度為0.140，向下調整速度為0.167；貸款利率影響下的資本結構向上調整速度為0.220，向下調整速度為0.202；股市規模影響下的資本結構向上調整速度為0.143，向下調整速度為0.158；股市收益率影響下的資本結構向上調整速度為0.247，向下調整速度為0.217。可見，貸款利率、股市收益率等價格型宏觀調控因素可以大大提高資本結構不同方向的調整速度，而信貸規模、股市規模等規模型宏觀調控因素反而略微降低了資本結構的調整速度。也就是說，企業在進行資本結構動態調整時，更多地受到調整成本的限制，而不是信貸容量或股權容量受限。

表13 宏觀經濟因素影響下企業資本結構動態非對稱調整模型的估計結果(GMM)

注釋：(1)小括號里的數字為t值；(2)***，**和*分別表示1%，5%和10%的顯著水平。

五、建議

城市群的價值在于區域內的龍頭城市，作為孵化器，充分拉動周邊三四線城市的創新創業進程，并將各個上下游鏈條產業布局在周邊城市，繼而形成真正意義上的集群效應。而科技創新是城市的逆襲利器，一些經濟較為落后的省會的企業質量遠遠不如發達城市群中的三線甚至是四線城市，比如長三角的常州、嘉興、惠州普通的地級市。然而，上海作為中國經濟、金融、貿易、航運、科技創新中心，經濟總量比北京高2000多億，然而高科技企業僅占北京的三分之一，顯然亟需加大對高科技企業的扶持力度，為未來的快速上升做好準備。同時，上海作為中國首屈一指的金融中心，為長三角地區高科技企業融資的潛力需要進一步發掘。

1.應加大對民營高科技企業的資金支持

民營高科技企業數量眾多，普遍面臨信貸歧視，尤其是小規模民營企業可能遭受更為嚴重的融資約束(Jiang et al., 2017)。融資約束會阻礙民營高科技企業資本結構的動態調整過程，致使科技成果市場化低下和產業化水平低下。因此，政府應出臺一些相應的政策在資金上支持民營高科技企業，銀行在發放貸款時也應在一定風險范圍內向高科技民營企業傾斜。上海新增1870家高科技企業中，約八成為民營企業，2018年11月上海在全國率先出臺“民營經濟27條”，為民營經濟發展營造良好環境。2019年中，上海證券交易所科創板正式啟動，重點支持民營和小微高科技企業。

2.宏觀調控應以價格調整為主，以規模調控為輔

實際利率、股市收益率等價格型宏觀調控因素可以大大提高資本結構動態優化的調整速度，而信貸規模、股權再融資規模等規模型宏觀調控因素反而略微降低了資本結構的調整速度。由此可以看出，企業在進行資本結構動態調整時，更多地受到調整成本的限制，而不是信貸規模或股權容量受限。因此國家進行宏觀調控時，使用實際利率、股市收益率等工具會更有效率，也就是說，信貸市場、股權市場的宏觀調控應以價格調整為主，以規模調控為輔。2019年9月，為了優化高科技企業信貸環境，降低融資成本，上海政府發布了“高新技術企業貸款授信服務方案”。此外，政府在降低高科技企業融資成本方面，應進一步健全授信機制，健全對高科技企業貸款的風控手段，同時明確貸款支持范圍，在合理風險范圍內，運用知識產權質押支持企業研發，提高貸款獲得率。