基于融資約束的環(huán)境不確定性對投資效率的影響分析
——以電子信息制造業(yè)上市公司為例

王若萌

(華北理工大學 管理學院，河北 唐山 063210)

0 引言

如今，我國經(jīng)濟社會已進入“烏卡”時代(VUCA)，其易變不穩(wěn)定性(volatile)、不確定性(uncertain)、復雜性(complex)和模糊性(ambiguous)在百年未有之大變局和百年未遇之大疫情的疊加影響下，對企業(yè)管理提出了更高的要求，迫使管理者重新思考“應該做什么”和“怎么做”[1]。作為評價企業(yè)效益的重要指標，投資效率長期以來備受關注，企業(yè)的投資是否處于最優(yōu)水平？哪些因素制約了投資效率？在愈發(fā)不確定的大背景下如何才能實現(xiàn)最優(yōu)？都是管理者要思考和解決的重要問題。

制造業(yè)是一個國家的基本盤，也是一個國家創(chuàng)新能力和生產(chǎn)能力的最重要載體。當下，我國正處在由“制造大國”跨向“制造強國”的歷史邊界，高技術制造業(yè)的發(fā)展狀況備受關注。根據(jù)工信部數(shù)據(jù)[2]，作為高技術制造業(yè)陣營重要成員之一的電子信息制造業(yè)，受中美貿(mào)易摩擦及新冠肺炎疫情的雙重打擊，2020年增加值同比增長7.7%，比上年回落1.6個百分點，該行業(yè)發(fā)展差異大、缺乏效率、供應鏈協(xié)同能力偏弱等問題再度成為關注的焦點。資金是企業(yè)的生命鏈，是投資的基礎，脫離融資談投資，如同脫離現(xiàn)實談理想，其價值和意義會打折扣。基于此，本文以我國2013-2020年電子信息制造業(yè)206家A股上市公司為例，以新冠肺炎疫情沖擊為背景，基于固定效應模型，從融資約束視角，探究新形勢下不確定性對企業(yè)投資效率的影響及影響路徑，并在實證檢驗后，提出企業(yè)面對不確定的外部環(huán)境如何改善投融資狀況的對策建議。

本文可能的邊際貢獻有：首先，新冠肺炎疫情為研究不確定性提供充足的條件，本文以此為背景，通過新的經(jīng)驗數(shù)據(jù)檢驗不確定性和投資效率二者之間的相關關系，并驗證結論是否與前人研究有所變化；其次，通過中介效應模型，將融資約束這一重要因素作為中介變量納入不確定性與投資效率的研究中，提出“環(huán)境不確定性-融資約束-投資效率”的傳導路徑并加以驗證，為解釋不確定性對投資效率的影響路徑提供新的視角，而這方面的現(xiàn)有研究相對較少。

1 文獻綜述與研究假設

1.1 環(huán)境不確定性與投資效率

傳統(tǒng)的投資理論認為盈利能力是唯一影響投資決策的因素，然而完美市場現(xiàn)實中并不存在。隨著外部環(huán)境的變化，環(huán)境不確定性與投資行為關系的研究逐漸興起并成為研究熱點。早期的研究主要依托實物期權理論，如學者Dixit[3]、謝偉峰等[4]基于此理論得出了不確定性會抑制投資的結論。隨著研究的不斷推進，更多學者如申慧慧等[5]、徐倩[6]選擇信息不對稱理論和委托代理理論對此進行研究，并將投資行為進一步細分為投資過度和投資不足，也得出了與早期研究相似的結論，即不確定性程度越高，投資效率越低。

通過對現(xiàn)有文獻的研讀，本文選擇信息不對稱理論和委托代理理論來分析環(huán)境不確定性對投資效率的影響及影響路徑。首先，較高的外部不確定性增加了股東和經(jīng)理人間信息的不對稱程度，加大了股東的監(jiān)督難度，降低了約束力度[7]。此時，經(jīng)理人獲得了謀取私利的絕佳掩護。由于股東和經(jīng)理人間存在天然矛盾，他們很可能選擇對自身有利但會損害企業(yè)利益的項目進行投資，并推卸責任于外部環(huán)境[8]，這時企業(yè)的投資往往是缺乏效率的。其次，較高的不確定性加大了評估投資項目的難度。風險規(guī)避型的經(jīng)理人傾向于減少投資或拒絕投資，會出現(xiàn)投資不足的情況；從企業(yè)經(jīng)營角度考慮，企業(yè)通常會選擇保持較高的現(xiàn)金流以捕捉未來可能出現(xiàn)的投資機會；而那些已經(jīng)或即將面臨危機的企業(yè)，在高度不確定下只能削減投資甚至變賣資產(chǎn)。這些情況都使企業(yè)的投資處于一種非效率狀態(tài)。2020年受新冠肺炎疫情“黑天鵝”事件的影響，電子信息制造業(yè)響應國家號召大面積停工停產(chǎn)，同時也受供應鏈等問題的影響，總體呈現(xiàn)出投資不足的特點。綜上所述，本文提出第一個假設。

假設1：環(huán)境不確定性與投資效率負相關。

1.2 環(huán)境不確定性與融資約束

融資約束意味著企業(yè)在融資時，外部成本顯著高于內(nèi)部成本。早期的相關研究基于實物期權和資本市場展開，Bernanke[9]等學者認為資本市場的風險隨外部不確定性程度同比變動，在高風險下，投資者的投資意愿下降，加大了企業(yè)股權融資的難度，由此初步得出了不確定性與融資負相關的結論。隨著銀行等金融機構的崛起和市場化進程的加快，銀行貸款變?yōu)槠髽I(yè)融資的主要方式，且在融資中處于絕對重要地位。黃奇帆[10]在《分析與思考：黃奇帆的復旦經(jīng)濟課》一書中強調(diào)：“中國每年的新增融資總量中，股權直接融資僅有10%，其余都依賴銀行系統(tǒng)。”但當前我國銀行的不良貸款率在1.8%左右，而制造業(yè)平均達到9%左右。外部不確定性攀升，更是助長了這種貸款不能按期償還的風險，加劇了融資約束。

根據(jù)信貸配給理論和信息不對稱理論，隨著不確定性程度的增加，企業(yè)違約風險上升，作為企業(yè)主要融資渠道的銀行在提供貸款時會更加謹慎、擇優(yōu)選擇，由此導致企業(yè)外部融資成本攀升，融資約束程度加深[11]。本文選擇的電子信息制造業(yè)行業(yè)兼具勞動密集型和資本密集型特點，每年均有一定比例的資金用于研發(fā)創(chuàng)新，使得投資具有金額大、收益慢的特點；同時，在國家政策的支持下，近3年該行業(yè)涌現(xiàn)出了一大批新生企業(yè)，成立初期該類企業(yè)的盈利能力本就有限，經(jīng)歷新冠肺炎疫情的“大考”后，貸款收回風險提高，外部融資可能需要付出更大的成本甚至難以融得資金[12]。由此本文提出第二個假設。

假設2：環(huán)境不確定性與融資約束正相關，即環(huán)境不確定性程度越高，企業(yè)的融資約束程度越高。

1.3 環(huán)境不確定性、融資約束與投資效率

企業(yè)以利益最大化為經(jīng)營目的，而投資是實現(xiàn)這一目的的關鍵。首先，作為兼具勞動密集型和資本密集型特點的企業(yè)，固定資產(chǎn)投資占有相當大的份額；其次，市場經(jīng)濟下競爭日趨激烈，企業(yè)要發(fā)展，無論是開發(fā)新項目還是提高效率都需要投資。而要投資，必然離不開融資。為了投資的順利開展，必然要先進行融資提供充分的資金保障。雖有國家政策扶持，但電子信息制造業(yè)行業(yè)內(nèi)存在新生企業(yè)占比30%、利潤集中在頭部企業(yè)、投資收益見效慢及不確定性大等特點，使得融資困境仍是該行業(yè)內(nèi)企業(yè)發(fā)展遇到的較大障礙[13]。融資困境表現(xiàn)為難以融得期望資金和融資成本高，本文重點探究后者以及由此引發(fā)的融資約束問題。

融資約束是影響投資效率的重要因素，已有研究證明，較高的融資約束程度會限制企業(yè)的投資決策，阻礙企業(yè)最優(yōu)效率的實現(xiàn)。申慧慧等[5]在研究環(huán)境不確定性與投資效率時曾指出，由于現(xiàn)有研究并未將融資約束這一重要變量納入二者關系的研究中，因此其所估計的企業(yè)投資偏差并不完全等同于投資效率的低下。但從現(xiàn)有文獻看，將融資約束作為中介變量納入二者關系的研究基本處于空白。基于此，被忽視的融資約束這一重要變量亟需引起足夠重視。

在不確定性沖擊下，企業(yè)往往有較平時更大的資金需求，而此時企業(yè)資金的可收回性卻有所降低，內(nèi)部資金難以滿足需求，為維持運營和更好地應對突發(fā)情況，必然會通過外部渠道籌集資金。根據(jù)信貸配給理論，企業(yè)投融資的目的是為實現(xiàn)自身利益最大化，銀行等金融機構也是以營利為目的的經(jīng)濟實體。為了降低風險，銀行等金融機構會采取提高信用評級、增高借貸門檻、降低融資金額等措施進行風險控制，因此企業(yè)外部融資成本上升，融資約束加重。就我國大多數(shù)企業(yè)而言，投資能力與融資能力緊密相關。面臨融資約束的企業(yè)，其投資更容易受到制約[14]。在現(xiàn)實中，面臨不確定性沖擊時，管理者會采取一系列行動調(diào)整投資行為，以便更好地應對外部環(huán)境的變化。而出現(xiàn)融資約束問題的企業(yè)因資金匱乏等問題不得不放棄預期會為企業(yè)帶來凈收益的投資項目；或者，預測到了外部環(huán)境的變化，但沒有資金，無法進行投資策略的調(diào)整，由此導致投資處于低效率狀態(tài)，放大了不確定性產(chǎn)生的負面影響。這表明，環(huán)境不確定性會通過信貸成本和資金問題影響融資約束，進一步對投資效率產(chǎn)生影響。由此，本文提出“環(huán)境不確定性-融資約束-投資效率”的影響路徑以及第三個研究假設。

假設3：融資約束在環(huán)境不確定性與投資效率間發(fā)揮著中介作用。

2 研究設計

2.1 樣本設計和數(shù)據(jù)來源

本文基于我國2013-2020年電子信息制造業(yè)A股上市公司的財務數(shù)據(jù)進行研究，為保證回歸結果的合理性，對數(shù)據(jù)進行如下處理：(1)剔除ST企業(yè)；(2)剔除已退市企業(yè)；(3)因當年環(huán)境不確定性的計算結果由近5年的財務數(shù)據(jù)回歸獲得，為保證樣本的連續(xù)性，剔除成立時間不滿8年的企業(yè)；(4)剔除原始數(shù)據(jù)缺失的樣本。經(jīng)上述處理后共獲得206家企業(yè)，1 211個樣本。同時對所有變量進行1%的縮尾處理。本文數(shù)據(jù)均來自國泰安數(shù)據(jù)庫，處理軟件為Stata和Excel。

(1)

2.2 變量設計

2.2.1 被解釋變量

投資效率為被解釋變量，用ineff表示。其測度方法參照Richardson[15]的OLS模型。該模型以殘差絕對值度量企業(yè)的非效率投資程度，故測量出的數(shù)值的絕對值越大，偏離度越高，表示投資效率越低。該模型的變量說明見表1。此外，industry，year分別為行業(yè)效應和年份效應，i為樣本個體，t為年份，ε為誤差項，α為系數(shù)。

ineffi，t=α0+α1Tobinqi，t-1+α2levi，t-1+α3cashi，t-1+α4agei，t-1+α5sizei，t-1+α6reti，t-1+α7ineffi，t-1+∑industry+∑year+ε。

2.2.2 解釋變量

環(huán)境不確定性為被解釋變量，用eu表示。不確定性作為一種難以準確量化的變量，其計量方法在學術界存在諸多討論。被國內(nèi)外知名學者采用并驗證的主要有股票價格波動、股票收益波動、個股回報率與市場回報率的回歸結果以及企業(yè)營業(yè)收入近5年的OLS結果這四種代理變量。前三個以股票相關數(shù)據(jù)進行測度的方法更多體現(xiàn)了投資者與管理者的關系，以周或日為計量單位，數(shù)據(jù)量大，較難獲取；而第四個以企業(yè)營業(yè)收入進行測度的方法能夠體現(xiàn)出供應商、行業(yè)內(nèi)競爭者等對管理者決策的影響以及行業(yè)面臨不確定性的平均水平，具有動態(tài)性，數(shù)據(jù)常見，易獲取，且認可度更高、應用更為廣泛，已然成為不確定性測度的權威方法，也更適用于本文研究。基于此，本文選用第四個即申慧慧等[5]提出的計量方法，以企業(yè)營業(yè)收入作為代理變量。首先通過模型(2)逐年求得樣本企業(yè)近5年的非正常營業(yè)收入，分別逐年與這5年營業(yè)收入平均值相除后，再經(jīng)行業(yè)異質(zhì)性的調(diào)整，即得到本文研究所需的環(huán)境不確定性。數(shù)值越大，表示樣本企業(yè)所受的不確定性程度越高。

sale=φ0+φ1year+ε，

(2)

式中，sale為企業(yè)的營業(yè)收入；year為年度變量，取值為1-5，當前年度取值為5，前一年度取值為4，依次類推；ε為殘差，表示非正常營業(yè)收入；φ1為當年系數(shù)。

2.2.3 中介變量

融資約束為中介變量，用ww表示。現(xiàn)有文獻關于如何測度企業(yè)的融資約束，尚未達成共識。國內(nèi)外學者普遍采用的方法為KZ指數(shù)、WW指數(shù)和SA指數(shù)。SA指數(shù)僅通過規(guī)模和年齡計算獲得，難以全面準確地刻畫融資約束程度。KZ指數(shù)以托賓Q值作為企業(yè)投資機會的代理變量，測量誤差較大，而且有研究發(fā)現(xiàn)，該指數(shù)在實證檢驗時會出現(xiàn)與事實相反的結果，其對融資約束的描述力甚至不如企業(yè)規(guī)模等單一代理變量。WW指數(shù)不僅考慮了企業(yè)自身的財務數(shù)據(jù)，還兼顧了樣本企業(yè)所處行業(yè)的特點，構建方法更具經(jīng)濟意義，且更契合本文研究，因此本文選擇WW指數(shù)用于融資約束的測度，并借鑒鄧可斌等[11]學者的方法，直接采用WW指數(shù)中相關系數(shù)，測度方法見模型(3)。測度出的數(shù)值越大，樣本企業(yè)融資約束程度越大。

wwi，t=-0.091cfi，t+0.062divi，t+0.021levi，t-0.044sizei，t+0.102isgi，t-0.035sgi，t，

(3)

式中，cf為現(xiàn)金流與總資產(chǎn)比值；div為虛擬變量，若分紅則取1；lev為總負債除以總資產(chǎn)；size為總資產(chǎn)自然對數(shù)；sg和isg分別為樣本企業(yè)及其所在行業(yè)的銷售增長率。

2.2.4 控制變量

為保證研究結果的真實性和可信性，本文參考相關文獻，從企業(yè)層面選取公司年齡等五個指標作為控制變量。具體變量說明見表2。

表2 相關變量定義

2.2.5 模型設計

為了檢驗環(huán)境不確定性對企業(yè)投資效率的影響以及融資約束的中介作用，并為樣本企業(yè)發(fā)展提供新的經(jīng)驗數(shù)據(jù)，本文構建了如下三個固定效應模型(1)在對相關面板數(shù)據(jù)進行Hausman檢驗時，p值小于0.05，故選擇固定效應模型進行后續(xù)研究。。其中，模型(4)用來驗證環(huán)境不確定性和投資效率間的關系，模型(5)用來驗證環(huán)境不確定性和融資約束間的關系。借鑒溫忠麟[16]提出的中介效應檢驗方法，在驗證假設1、假設2后，構建模型(6)來驗證融資約束是否起到了中介作用。

ineffi，t=α0+α1eui，t+αn∑controlsi，t+δt+δind+ε，

(4)

式中，i為本文所研究的企業(yè)，t為年份，ineffi，t為被解釋變量，eui，t為解釋變量，分別表示第i家企業(yè)第t年的投資效率情況和環(huán)境不確定性程度，controls為上文提到的五個控制變量，下同。δt和δind分別表示年份和行業(yè)上的固定效應，ε為隨機誤差項。因ineff是一個反向指標，當α1顯著為正時，假設1成立。

wwi，t=α0+β1eui，t+βn∑controlsi，t+δt+δind+ε，

(5)

式中，wwi，t為第i家企業(yè)在第t年的融資約束程度。若系數(shù)β1顯著為正，則可驗證假設2成立。

ineffi，t=γ0+γ1eui，t+γ2wwi，t+γn∑controlsi，t+δt+δind+ε。

(6)

模型(6)需要觀察系數(shù)γ1和γ2，若γ2顯著，則可驗證融資約束確實發(fā)揮了中介作用，而此時若γ1不顯著，表明融資約束起到了完全中介作用，反之若γ1顯著，則發(fā)揮部分中介作用。

3 實證分析

3.1 描述性統(tǒng)計分析

描述性統(tǒng)計結果如表3所示。

表3 描述性統(tǒng)計

從表3可以看出，eu的最值分別為7.816和0.055 7，說明環(huán)境不確定性對樣本企業(yè)產(chǎn)生的影響差異較大。ww的均值為0.054 5，標準差為0.043 4，最小值趨向于0；ineffi的最大值達到0.409，均值為0.042 6，最小值同樣趨向于0，這一方面體現(xiàn)出樣本企業(yè)普遍存在融資約束和投資效率低下的問題，另一方面也說明樣本企業(yè)的投融資情況存在較大差異。

3.2 回歸分析

回歸結果如表4所示。

表4 回歸結果

表4列示了直接效應和中介效應的回歸結果。其中，從模型(4)的回歸結果可知，環(huán)境不確定性與投資效率在置信水平為1%的水平下顯著為正。由于投資效率是一個反向評價指標，也就是說這兩個變量顯著負相關，且環(huán)境不確定性每增加1%，投資效率會下降0.51%，假設1得以驗證。由此可以看出，加入2020年數(shù)據(jù)進行檢驗后，兩個變量依然保持高度顯著的負相關關系，與前人的研究保持一致，也與現(xiàn)實情況相符。

從模型(5)的回歸結果中eu的系數(shù)可知，融資約束與環(huán)境不確定性呈現(xiàn)正相關關系，且在5%的置信水平下顯著，假設2得以驗證。特別地，為應對新冠肺炎疫情我國施行了一系列對策：根據(jù)國家統(tǒng)計局數(shù)據(jù)顯示，2020年我國新增銀行貸款19.6萬億元，增長12.8%；社會融資規(guī)模增加35萬億元，增長13.3%；并且通過降息等實際措施，向?qū)嶓w經(jīng)濟讓利1.5萬億元。如此寬松的貨幣政策和財政政策下，此結論似乎與實際情況稍有偏頗。為檢驗這一猜測，本文對逐年的融資約束求均值，繪制出如圖1所示的柱狀圖；并單獨對2020年子樣本進行回歸檢驗。由圖1可知，除2020年出現(xiàn)較大回撤外，融資約束逐年走高，可見電子信息制造業(yè)一直存在融資約束問題；實證檢驗發(fā)現(xiàn)二者雖呈現(xiàn)負相關關系，但并不顯著。說明2020年的變化主要是受到政策的強干預，考慮到疫情發(fā)生后僅一年數(shù)據(jù)可獲取，且我國貨幣政策正逐漸回歸正軌，后續(xù)融資約束是否繼續(xù)寬松，二者關系是否會改變?nèi)杂写罄m(xù)年度數(shù)據(jù)的驗證。從整體上來看，不確定性與融資約束仍是正相關的。

圖1 融資約束逐年變化圖

根據(jù)溫忠麟[16]的檢驗方法，在驗證假設1、假設2的有效性后，可以進行中介效應檢驗。通過觀察表4中模型(6)的ww的回歸系數(shù)及符號可以發(fā)現(xiàn)，融資約束與投資效率在1%的置信水平下顯著，證明其確實起到了中介作用；eu的系數(shù)為0.005 3，且在1%的置信水平下顯著，證明融資約束在環(huán)境不確定性與投資效率間起到了部分中介作用，假設3得以驗證。同時，加入中介變量后，解釋變量與被解釋變量的系數(shù)較不加入時有所增大，且高度顯著，說明融資約束加大了不確定性對投資效率的負面影響。

3.3 穩(wěn)健性檢驗

為驗證上述結論，下文分別在更換被解釋變量、更換解釋變量、滯后一期解釋變量以及加入工具變量這四種方法的基礎上進行穩(wěn)健性檢驗。

3.3.1 更換被解釋變量

被學術界認可且被廣泛應用的投資效率的測量方法有很多種，本文選取以營收增長率衡量投資機會的Richardson模型進行穩(wěn)健性檢驗。檢驗結果見表5，表中后三列分別為模型(4)-(6)的回歸結果。由表5可知，模型(4)、模型(5)eu的系數(shù)均顯著為正，可驗證假設1和假設2均成立；模型(6)中系數(shù)γ1，γ2系數(shù)均顯著，驗證了假設3的成立。同時，加入中介變量后，eu的系數(shù)變大，也驗證了中介效應的成立。由此可見，更換被解釋變量前后，三個模型的回歸結果一致，表明本文的研究結果具有可信性。

表5 更換被解釋變量后模型穩(wěn)健性檢驗結果

3.3.2 更換解釋變量

由于不確定性本身難以直接量化，申慧慧提出的測度方法雖為業(yè)界權威，但也有知名學者如徐倩[6]以股票收益波動進行測度，由此本文以股票收益波動作為環(huán)境不確定性的代理變量重新運行模型，結果如表6所示。實證結果亦支持了上述三個結論。

表6 更換解釋變量后模型穩(wěn)健性檢驗結果

3.3.3 解釋變量滯后一期以及加入工具變量

根據(jù)連玉君《高級計量經(jīng)濟學》中方法，將內(nèi)生性檢驗一同放入穩(wěn)健性檢驗框架中。環(huán)境不確定性作為一個難以直接量化且不斷豐富變化的變量，雖然文中選擇了業(yè)內(nèi)廣泛認可且被眾多學者證明的測度方法，但仍可能存在一定的誤差以及遺漏，即存在內(nèi)生性問題。為降低其對上述結果產(chǎn)生的消極影響，本文參考現(xiàn)有文獻，首先選擇固定效應模型，解決遺漏變量帶來的內(nèi)生性問題，之后借鑒陳國進和王少謙[17]、熊虎和沈坤榮[18]等對環(huán)境不確定性可能存在內(nèi)生性的處理方式，一方面將解釋變量環(huán)境不確定性滯后一期，另一方面將當年年度行業(yè)環(huán)境不確定性均值作為工具變量，分別重新對上文三個模型進行回歸，檢驗結果如表7所示。由表7可知在滯后處理以及加入工具變量后，三個模型eut-1和eu的系數(shù)均為正，且均顯著，因此，上述主要結論均未發(fā)生變化。

4 研究結論與建議

本文基于我國2013-2020年電子信息制造業(yè)206家A股上市公司1 211個樣本數(shù)據(jù)，對環(huán)境不確定性與投資效率進行實證檢驗，并以融資約束為中介變量驗證了其在二者之間發(fā)揮的作用。結果表明：(1)較高的不確定性會對企業(yè)投資效率產(chǎn)生消極影響，且不確定性程度每提高1%，投資效率下降0.51%；(2)不確定性與融資約束正相關，且不確定性每變動1%，融資約束會隨之變動0.28%，但以2020年子樣本進行單獨檢驗時，二者呈現(xiàn)出不顯著的負相關關系；(3)融資約束在環(huán)境不確定性和投資效率間發(fā)揮著部分中介作用，且增大了不確定性對投資效率的負面影響。據(jù)此，提出以下建議。

第一，企業(yè)應緊跟當前“雙循環(huán)”發(fā)展的大背景和“新基建”的變革機遇，及時調(diào)整自身發(fā)展戰(zhàn)略，大力發(fā)展科技，提高創(chuàng)新能力，積極推動企業(yè)投資的效率化。“烏卡”時代，經(jīng)濟社會和商業(yè)環(huán)境的不確定性會逐年提升，作為高技術制造業(yè)，電子信息制造業(yè)企業(yè)要保持持續(xù)創(chuàng)新、優(yōu)化效率，避免增長停滯以及被新技術、新生企業(yè)淘汰的危險。

第二，企業(yè)應重視并努力降低融資約束帶來的負面影響。當前，不確定性是我國經(jīng)濟社會發(fā)展面臨的主要問題，保持適度的財務彈性，可以幫助企業(yè)更好地應對愈發(fā)不確定的環(huán)境，并降低其對投融資的影響程度。

第三，管理者應有長遠的眼光，制定投資策略時不能僅憑過去的經(jīng)驗，應從當前和未來的局勢出發(fā)，增強策略的應變性，并提高風險防控意識，巧用對沖思維化解投資風險。