非效率投資對企業盈利能力影響的實證研究
——基于固定效應模型

■姚舜欣

澳門科技大學研究生院

一、引言

隨著中國經濟進入優質發展階段，推動杠桿率上升的因素正在發生重要變化。金融監管加強、金融市場逐步完善，上級加強了對地方政府性債務的約束，特別是加大了對地方政府隱性債務的清理整頓和規范。但與此同時，在全球經濟整體下行的壓力下，個別企業的財務狀況也相應出現了問題，非效益投資使企業的投資效率大幅降低，也進一步影響了企業的盈利能力。

盈利性是指企業獲得利潤的能力，又稱資本增值能力，通常表現為企業在一定時期內獲得收益的數量及其水平。衡量企業盈利能力的指標有很多，如ROA（資產收益率）、ROE（凈資產收益率）以及投入產出比等。

投資效益是指企業投資所取得的有效成果與所消耗或占用的投入金額之間的比率，即企業投資活動所取得的收益與所產生的費用的比例關系及產出與投入的比例關系。非效率投資是指管理者不是按照股東價值最大化的決策標準來選擇投資項目，而是以管理者的私人收益最大化為目標，放棄企業在資源充足的情況下凈現值為正的項目，而是將企業資源投入凈現值為負的項目。非效益投資可能導致企業的負債風險增大。

本文運用計量經濟學手段，收集2000—2021 年我國重要上市企業的面板數據，運用面板數據法建立了回歸模型，對上市企業的非效率投資和盈利能力之間的聯系進行了實證研究，并提出了相關建議。

二、文獻綜述

幾乎所有的國內外學者都把非效益投資作為被解釋的變量，來探討非效益投資的影響因素。例如，秦麗娜和張晉（2022）從控股股東股權質押、機構投資者持股、機構投資者質押控股股東股權三個方面探討了非效率投資的影響因素，并在此過程中對國內外學者的不同觀點進行了綜述和探討。在此文獻綜述的基礎上，秦麗娜和張晉（2022）進一步構建了計量經濟學模型，以企業的非效率投資作為因變量。該模型利用Richardson 投資期望模型的基本思想，利用上市企業的財務面板數據進行多元線性回歸分析，通過模型的隨機誤差項來量化企業的非效率投資程度。此外，鄭盛榮（2022）也是基于這一思想，對企業的非效率投資程度進行量化，利用多元線性回歸模型中的殘差絕對值來衡量企業的非效率投資程度，同時兼顧了對變量的調節和控制。

國內外學者也從新的角度考察了企業盈利能力的影響因素。史聰佩（2016）認為影響企業盈利能力的因素主要有國家政策，企業的市場營銷能力、盈利構成、資本結構、資金效率、經營模式和盈利質量等。Kroupova（2016）運用復雜的數理模型，發現產出價格的變化、漲價成分的變化和技術的變化是盈利能力發展的主要決定因素。苗慧（2012）建立了多元線性回歸模型，以ROE 作為衡量企業盈利能力的指標進行回歸分析，發現非效率投資會對企業盈利能力產生明顯抑制作用。

也有不少學者為企業如何降低杠桿率、增強盈利能力提供了指導意見。劉貫春等（2022）認為，金融資產持有份額的上升有助于降低企業杠桿率。因此，在“去杠桿”過程中，需要特別關注企業過度依賴金融渠道盈利的情況。

上述研究一方面為我們提供了研究的視角和手段，同時對新的研究路徑也是一種啟迪；另一方面這些研究大多以企業的非效率投資為響應變量，對于盈利能力的研究大多從比較直接的影響因素入手，而對于企業的投資效率對企業盈利能力的影響則沒有特別關注。

三、數據與方法論

本文采用國泰安CSMAR 數據庫中的企業研究系列數據作為數據來源。選取了中國重要的上市企業相關面板數據101125 條，運用Anaconda 平臺的Python 筆記本功能，經過清洗與整理，形成了41927 條數據。數據的時間跨度為2000—2021 年。根據中心極限定理的基本思想，隨著數據的樣本容量增大，數據樣本平均值的分布形態將無限接近正態分布，這也更符合計量經濟學中的高斯-馬爾科夫假設。

在變量的構造中，響應變量是企業的凈資產收益率（ROE），解釋變量是企業的非效率投資度。企業的非效率投資度的衡量是采用Richardson 的投資期望模型的基本思想，通過選取相關的財務指標進行多元線性回歸，以模型殘差項的絕對值作為量化指標。

非效率投資度的計算公式見式（1），數據的描述性統計如表1 所示。

表1 數據的描述性統計

其中，Invt為t年企業的實際新增投資支出；Growtht-1為t-1 年企業的成長機會；Levt-1為t-1 年企業的財務杠桿率；Casht-1為t-1 年企業的現金流狀況；Aget-1為t-1 年企業的年齡；Sizet-1為t-1 年企業的資產規模；Rett-1為t-1年企業的股票收益率；Invt-1為t-1 年的新增投資支出；∑Industry為行業虛擬變量；∑Year為年份虛擬變量；ε為模型估計的殘差。該數據源于CSMAR。

凈資產收益率的平均值為0.5334166，非效率投資度的平均值為0.0480585。值得注意的是，凈資產收益率的波動幅度大于非效率投資度的波動幅度。總體來看，該數據樣本容量較大，根據中心極限定理的相關原理，樣本平均值趨向于正態分布，符合計量經濟學中的高斯-馬爾科夫假設。在做回歸分析之前，我們先對變量取自然常數為底的對數，以增強數據的穩定性，減少異方差的性質。

本文采用計量經濟學方法中經典的面板數據法構建回歸模型。主要有三種傳統經典面板回歸模型：固定效應模型（FEM）、隨機效應模型（REM）和混合回歸模型（OLS）。費劍平（2009）系統地論述了這三種模型的區別，并指出了這三種模型在不同情況下的使用方法。當特異誤差無序列相關且具有同方差時，固定效應估計量與一階差分法相比是有效的。雖然固定效應法直接適用于非平衡面板數據，但我們必須假定某些時期數據缺失的原因與特異誤差之間沒有系統的關系。當我們認為非觀測效應與所有解釋變量無關時，適用于隨機效應估量法。此時非觀測效應可以留在誤差項中，由此產生的序列相關可以用廣義的最小二乘估計法處理。估算的變換參數值表明，估算結果與混合最小二乘法統計值或固定效應估計值更接近。所以在選用模型的過程中，要實事求是地堅持具體問題具體分析的原則，根據模型的適當性來選擇，而不能只對模型的統計意義進行估算。

四、模型結果

本文采用Stata 14 作為回歸的主要手段構建模型，還采用EViews 11 作為輔助的穩健性檢驗手段。

以ROE為因變量進行回歸分析，回歸結果如表2所示。

表2 回歸結果

異方差性通過BP 檢驗得到，內生性通過豪斯曼檢驗得到。根據BP 檢驗的結果，隨機效應模型優于混合回歸模型。根據豪斯曼檢驗的結果，固定效應模型優于隨機效應模型。根據統計檢驗的結果，選擇固定效應模型作為本次研究的壓軸模型。固定效應模型見式（2） 。

其中：lnY是取對數的凈資產收益率。

下面對模型進行穩健性檢驗。首先對數據進行協整檢驗，根據ADF 檢驗的結果，數據不存在單位根。通過VIF 命令計算方差膨脹因子，發現VIF 的值為1.0000，低于10 的臨界值，模型多重共線性極低。進行BP 異方差檢驗，發現模型的P值在0.05 的顯著性水平上拒絕原假設，模型不存在異方差。進行豪斯曼內生性檢驗，發現P值在0.05 的水平上拒絕原假設，說明模型內生性幾乎為零。進行DW 檢驗，發現模型不存在自相關性。綜上所述，模型的穩健性是比較好的。

整體而言，非效率投資度與企業的凈資產收益率存在著負相關關系。從模型的系數上來看，非效率投資度增加1 個單位，企業的凈資產收益率減少0.0139473 個單位。這一負相關關系在統計學意義上是顯著的，但是在經濟意義上并沒有非常明顯。雖然如此，我們仍可以認為企業的非效率投資對企業的財務績效有著負面影響。

五、結論

從實證研究的結果來看，企業的非效率投資對企業的盈利狀況有負面影響，這種聯系是一種極輕微的負相關關系。也就是說，企業的低效投資對企業的盈利能力不僅沒有貢獻，反而可能有害。企業要努力減少非效率投資，通過各種手段來增強企業的盈利能力。

為此，根據有關調研情況，向企業提出以下三點建議：

一是企業要努力健全現代企業制度，完善企業治理結構。在制度層面，建立好人、財、物、供、產、銷的管理規章。反對家族企業極端化傾向，完善企業法人制度，根據國家有關經濟法規，形成企業自身的資產管理體系，將代理問題降到最低。在資本結構層面，應該具體問題具體分析，這樣才能建立起一個合理的資本結構。可以利用因子模型的方法建立目標資本結構模型，以財務狀況、資產結構、生產銷售、稅率匯率和人格特質等數據為基礎，幫助企業進行決策。

二是企業要增強信息披露的透明度。中小企業應優化信息披露機制，強化保護投資者的措施。綜合降低外部第三方機構獲取信息的成本，最大限度地緩解因信息不對稱而產生的逆向選擇、道德風險等方面的問題。通過自覺的信息披露，提升對企業道德規范和社會責任的重視程度，提升企業自身形象。同時，外部相關監管部門應盡可能將信息披露的責任和義務落實到相關責任對象，對于長期不履行披露義務的企業，要違法必究，利用數字化手段建立監管系統，進行精準監控。

三是在經營管理層面，一方面要在生產研發領域投入更多的資金；另一方面要注意保證企業現金流的穩定。在《國富論》中，亞當·斯密認為生產是創造財富的源泉。企業在生產資金、研發設計等方面的投入增加，是一個賦能實體經濟的過程。實體企業不應過度從事金融投資業務，以追求短期收益。此外，目前我國很多小微企業因為資金鏈斷裂，出現資金困境，進而引發破產危機。所以企業應該建立一支專業的財務風險評估人才隊伍，利用高科技手段對現金流狀況進行實時監控和評估。例如，基于大數據分析的人工智能模型中的決策樹算法，就可以作為企業現代化決策的有力手段。