資本市場開放對企業投融資行為的影響
——基于“滬港通”效應的實證檢驗

陸思羿，周凡

（上海對外經貿大學會計學院，上海201620）

一、引言

從滬深證券交易所成立至今的三十年間，資本市場從初步實現“引進來”和“走出去”到推動對外開放呈現雙向擴容格局，再到現在形成更全方位、更高水平的對外開放局面。在滬港通開通之前，投資者主要依靠合格境外機構投資者制度（QFII）和合格境內機構投資者制度（QDII）這兩個平臺在國內外的資本市場進行跨境交易，投資規模在過去的十幾年發展中逐步擴大，同時也受到了制度等相關的限制。2011年底，市場開放的步伐加大，RQFII擴容。2014年4月10日，李克強總理首次提出上海與香港股票市場交易互聯互通機制，即“滬港通”機制?！皽弁ā庇?014年11月17日正式實施，它的開通是中國資本市場與國際市場雙向聯通的重大舉措。隨著“滬港通”的開啟，緊接著2016年末“深港通”開通。2017年10月，十九大提出“擴大金融市場開放，金融要服務于實體經濟”，都在為最終融入全球資本市場做準備。

研究基于“滬港通”效應，選擇資本市場對企業投融資行為的影響作為研究對象，可以系統地檢驗該政策帶來的實際經濟價值與后果。基于“滬港通”視角對資本市場開放的研究，學者們已經取得了一些成就，主要集中在市場聯動性、股價波動、股利政策、公司治理等宏微觀方面的研究。研究從投融資行為出發，依據融資是投資的基礎，構建三交乘模型；研究在該政策實施后，不同的融資渠道是否顯著影響企業投資的情況。在目前研究中，從“滬港通”開通角度，分析資本市場開放由融資影響投資規模這一路徑的研究暫時存在空缺，本研究一定程度上豐富和拓展了“滬港通”與企業投融資的相關文獻。

二、文獻綜述

（一）關于投融資行為的研究

有越來越多的學者關注企業的投資和融資行為，鄧可斌等（2014）發現規模小、生產效率低的非國有企業相較于其他企業融資約束更大，并且這一約束是因為受到金融市場的摩擦、政府的干預而外生于市場的。才國偉等（2018）認為在與中國經濟制度關聯性高的企業，政策不確定性會更加顯著影響債權融資，同時也會通過不同的渠道作用于投資。

Dittmar and Dittmar（2008）指出相對于債務成本，經濟的波動與擴張降低了股權成本，促使企業選擇股權融資，并增加了現金流。Knill等（2013）研究發現外國證券投資組合通過資本市場接觸到中小型上市企業，提升中小企業獲得融資的機會。放寬對資本流動的限制，穩定投資現金的流入，可以明顯改善產權欠發達小企業的融資環境，優化資源配置。

（二）關于資本市場開放的研究

學術界已經對資本市場開放的研究積累了大量的文獻，C Mayer（1988）認為企業的投資資金依賴于資本結構以及方式，促進資本市場的發展。Mitton（2006）指出一國股票市場的自由化程度給可投資的公司帶來了實質的經濟利益，很大程度上改善經營業績。

（三）關于“滬港通”的研究

從2014年“滬港通”政策實行以來，國內有不同的學者對其從微觀和宏觀層面產生的經濟后果進行分析。滬港通的開啟改善了公司的投資效率，外國投資者是改善企業環境和優化資源配置效率的關鍵，外資的作用一直是對中國資本市場自由化感興趣的政策制定者關注的焦點，（陳運森和黃健嶠，2019）。鐘覃琳等（2018）從信息和公司治理兩個維度探究“滬港通”對資本市場效率的影響，發現“滬港通”的開通有助于提高股票價格的信息含量。鐘凱等（2018）發現“滬港通”通過促使企業提高信息披露質量，并且由于境外投資者的加入降低了標的股票股價的異質性波動。紀彰波等（2019）認為“滬港通”可以降低股價暴跌的風險，有利于緩解A股市場的投機風險的同時，也會因為股價暴跌給市場帶來不穩定因素。

三、研究假設

企業在運作過程中自負盈虧、自主經營，所以融資是其根本前提。傳統的MM定理認為企業的融資決策與企業的投資無關。但是在資產不完全替代等條件下，企業的融資決策會影響投資。一般來說企業的融資越多，投資也就越多。張杰等（2012）發現中國的企業通過多樣化融資體系給R&D投資形成了融資支撐?！皽弁ā钡拈_通進一步提高了標的企業的知名度，增大國內企業與境外投資者的接觸機會，從而提升資本市場上投資者的投資力度?；凇皽弁ā遍_通這一準自然實驗平臺，資本市場進一步開放，允許投資者資金在兩個資本市場之間相對自由流動，可以通過不同的融資渠道，改變企業的投資規模。據此，我們提出研究假設1、2：

H1：納入滬港通交易范圍的標的公司相較于非標的公司，通過擴大企業債權融資，企業的投資規模顯著增加。

H2：納入滬港通交易范圍的標的公司相較于非標的公司，通過擴大企業股權融資，企業的投資規模顯著增加。

四、研究設計

（一）樣本選取及數據來源

為了更好的檢驗“滬港通”開通前后對標的與非標的公司投融資行為的影響，故研究將2014年正式開始交易“滬港通”這一年作為時間節點，選取2012-2016年間全部A股上市公司，按照如下標準進行篩選與處理：（1）剔除金融行業、房地產業（2）剔除ST、ST*的上市公司（3）剔除重要數據缺失的樣本（4）剔除極端值、異常值。通過在1%水平上進行Winsorize縮尾處理，最終得到10 784個樣本。研究數據來源于CSMAR數據庫。

（二）變量定義與模型設定

依據Baker et al.（2003）以及McLean and Zhao（2014）所構建的投融資模型，為了驗證在“滬港通”效應下，可以通過擴大企業的融資來影響投資，于是建立如下的模型（1）（2）：

將融資方式區分為債權融資和股權融資兩種，其中Fin1i，t表示為第t年公司i的債權融資規模，Fin2i，t是第t年公司i的股權融資規模，Invi，t則是投資指標，投融資規模在本研究中均以變化值的形式展現。三者采用除以年初總資產的方式進行標準化處理，提升結果的真實性與可靠性。定義2014年之前為政策未實施年份，2014年之后（不包括2014年）為政策實施年份。

從假說（1）和（2）可以判斷出，預期兩個模型交乘項的回歸系數β4應該顯著為正，表示納入滬港通交易范圍的標的與非標的公司，在政策前后，通過企業的債權和股權融資，企業的投資規模產生的差異。

此外，研究還控制了公司資產負債率（Lev）、公司規模（Size）、第一大股東持股比例（First）、公司成長性（Growth）、產權性質（Soe）等會影響企業投融資行為的因素，并且我們加入了行業和年度虛擬變量Industry、Year，用其控制不同行業和年份的影響。模型中所涉及的主要變量及其具體定義如表1所示。

表1 主要變量及定義

五、實證結果

（一）描述性統計

表2列示了相關變量五年10 784個樣本的描述性統計結果，主要變量投資規模Inv、債券融資Fin1、股權融資Fin2是經過期初總資產標準化之后的結果，從標準差可以看出現階段A股上市公司之間的融資、投資規模不均衡，存在著較大的差異。資產負債率（Lev）均值0.418，說明中國A股上市公司相比于其他國家的企業整體資產負債率普遍偏高，資本市場尚未成熟。營業收入增長率從-0.529變化至3.618，最大最小值相差甚遠，即在不同行業和年份的公司，營業收入之間的差距較大。第一大股東持股比例最低值為8.79%，最高達75%，企業之間股權分散程度不同。

表2 描述性統計

（二）相關性分析

由下表3可以看出各指標之間不存在多重共線性問題，可以針對假設進行回歸分析。

表3 相關性分析

（三）回歸結果分析

表4列示了關于假設1的實證結果，從表中的交乘項Object*Post*Fin1前的系數分別為0.116和0.125，并且均在1%條件下顯著。表明在“滬港通”政策實施后，無論是否控制行業和時間的效應，標的企業通過債權融資渠道可以使企業的投資規模顯著增加，綜上假設（1）成立。

表4 回歸分析

根據假設（2），重點關注交乘項Object*Post*Fin2前的系數。如下表5所示，在控制行業和時間固定效應和未控制行業和時間兩種情況下，都在1%水平下顯著。系數分別為0.087和0.086，表明在“滬港通”政策實施后，標的企業可以通過股權融資渠道使得企業的投資規模顯著增加。假設（1）與假設（2）類比，發現在“滬港通”效應下，納入交易范圍的標的企業，通過債權融資渠道對投資產生的影響更加顯著。究其原因是與我們所處整體的經濟環境相關，企業會更偏好債權融資來獲取公司所需要的資金。

六、穩健性檢驗

在現有文獻中，對于股權融資規模的一般定義為外部權益融資的增加額，即股東權益的凈增加減去留存收益的凈增加。所以下文僅對假設（3）進行穩健性檢驗，參照吳超鵬等（2012）將衡量債權融資的指標替換為企業平均含息負債。重新進行回歸后得到如下結果，交乘項系數為0.074，并且通過了1%水平下的顯著性檢驗，表明替換變量后結果仍然符合假設，進一步佐證實證結果的正確性。

表5 回歸分析

七、研究結論與啟示

選用2012-2016年A股上市公司為樣本，通過研究發現：“滬港通”政策的實施后，企業通過債權和股權融資渠道，均可進一步顯著擴大投資規模?！皽弁ā钡某霈F，標志著市場機制和市場環境的不斷完善，為企業投融資活動提供了客觀的條件和穩固的保障。兩地交叉投資買賣股票的同時，也打開了國際金融資本進入我國市場的大門。研究增補了“滬港通”相關理論研究，從投融資行為出發，通過融資渠道影響企業的投資。研究的結論對于企業具有相關指導意義：上市公司需要把握好“滬港通”這一平臺，進行更多的投融資與建設，利用不同的融資渠道為擴大企業的投資機會構建可持續的專業投資能力，利用國際市場上注入的新鮮血液形成高水平的投資正循環，為企業生存和多元化發展提供更多有效的途徑。

VARIABLES 穩健性檢驗Inv OBJECT -0.018***(-5.98)Post -0.034***(-11.31)Fin1change 0.009***(13.33)Object*Post*Fin1change 0.074***(6.53)Size 0.009***(9.24)Lev -0.024***(-4.43)First 0.000***(4.98)Growth 0.074***(39.58)-0.017***Soe (-7.67)Constant -0.143***(-6.57)year industry Observations R-squared控制控制10,784 0.197