4.3.1 样本选择
笔者选取2000～2006年间上市时间为2000年1月1日前的沪、深两市工业类（采掘业、制造业和电力、蒸汽、热水的生产和供应业）上市公司为初始样本，其中，2000年数据用于构造滞后变量。之所以选择2000～2006年作为样本期间是因为中国上市公司自2000年始才披露较完整的公司治理信息，而公司治理变量是第5章实证研究的重要变量。仅选择工业类上市公司的原因有两个：一是本书的研究对象是企业内部长期资产投资，它们在工业类上市公司中均占有重要的地位；二是构建主要变量——产品市场竞争变量所需的非工业行业数据难以获得。
在初始样本的基础上剔除以下公司：（1）样本期间被ST或处于ST状态的公司，原因是这类公司的财务状况异常；（2）同时发行A股和H股的公司，因为计算托宾Q值所需的H股收盘价数据以及第6章计算知情交易概率所需的H股高频交易数据难以获得；（3）样本期间内总资产增长率和销售增长率大于100%的公司，剔除原因是为防止兼并或重组的影响；（4）数据不全和样本期间退市的公司。最终样本为301家上市公司共2107个观测值。所使用的公司财务及股票市场数据来源于深圳市国泰安信息技术有限公司提供的股票市场研究数据库（CSMAR），并将其与万德（Wind）金融数据库、色诺芬（CCER）数据库提供的相关数据进行核对，以确保数据的准确性。所有数据处理和统计分析工作均在Excel2003和Stata9.0统计分析软件中进行。
4.3.2 基准Q与托宾Q之比较
为了说明采用基准Q衡量投资机会的合理性，分别以托宾Q和FQ作为投资机会的替代变量对模型（4-9）采用控制截面异方差、面板自相关的平行面板可行广义最小二乘法（GLS）进行回归分析，进而比较两种情况下的调整成本系数。使用面板数据进行模型估计的好处在于：第一，它能够提供大量的数据点，这样就增加了自由度并减少了解释变量之间的共线性，从而改进了参数估计的有效性；第二，能够识别和度量一些纯截面数据模型和纯时间序列模型所不能识别的因素；第三，截面变量和时间变量的结合信息能够显著地减少缺省变量所带来的问题。一般认为，上市公司之间规模差异的存在会导致干扰项存在异方差；而不可观测冲击对公司投资的影响有可能会持续多期，致使干扰项存在序列相关。所作的干扰项异方差和序列自相关的检验结果也表明干扰项存在异方差和序列自相关。因此，对各模型均采用控制干扰项异方差和序列自相关的GLS进行估计。为减轻离群值（outlier）对估计结果的影响，对属于连续型的解释变量在其分布的第1及99百分位上的观察值进行缩尾调整（Winsorize）处理。
列示了不同分组标准下（1/α）的系数估计值。为了对调整成本系数的含义有更为直观的理解，还列示了新增资本调整到一个新的稳定状态的半周期HLln2/（1/α）。相对于采用FQ作为代理指标得到的估计结果，采用托宾Q得到的（1/α）估计值非常低，意味着调整成本很高。这种差异在全部样本的估计结果中可以得到清晰的反映：以托宾Q作为代理变量得到的系数估计值为0.059，对应的半周期为12年；而以FQ作为代理变量得到的估计值为0.186，对应的半周期为4年。就整体而言，托宾Q设定下的估计值介于0.059～0.128，对应的半周期为5～12年，而在FQ设定下系数估计值则介于0.109～0.489，对应的半周期为1～6年。根据连玉君（2007）对1992～2004年所有上市公司的统计分析表明，投资项目的平均建设期和回收期分别为1.56年和5.25年，显然以FQ作为代理变量得到的估计值更为合理。
0.015说明：（1）***、**、*分别表示在1%、5%和10%水平上显著，括号内为z的绝对值；（2）托宾Q滞后一期，而基准Q因利用VAR系统估计时已将相关变量进行了滞后处理，此处不再滞后；（3）HL表示新增资本调整到一个新的稳定状态的半周期，计算公式为HLln2/（1/a）；（4）R2统计量适用于OLS回归后对模型拟合优度的诊断，但不适用于使用广义最小二乘法（GLS）估计的模型拟合优度的诊断，原因是使用后者估计模型参数时，总平方和不能以相同的方式进行分解，而且，所计算的R2统计量不一定处于0和1之间，R2也不一定与变量数目同方向变动。因此，Stata软件也不提供GLS回归模型的R2[详见Stata软件常见问题解答“为什么xtgls不报告R2统计量”（http：//www。stata。com/support/faqs/stat/xtgls2.html）]。尽管如此，还是根据OLS下R2的理论公式手工计算了各模型的R2，不作模型拟合优度的判断标准，仅供参考。后文各章中各GLS模型的R2的计算方法与此相同，不再另作说明。
4.3.3 度量结果及可靠性的再检验
1.模型估计结果及非效率投资的特征分析
上面的分析表明FQ可以更好地衡量公司的投资机会，那么，在确定的FQ下，如果没有信息不对称也没有代理冲突的情况下，企业的最优投资水平是多少呢？信息不对称和代理冲突分别导致的投资不足和过度投资程度如何？以经典Q投资模型（4-9）合并行业进行分行业回归得到各行业的模型参数，据以计算行业内各公司—年度的模型拟合值即最优投资水平，最后以实际投资水平减去最优投资水平即得各公司—年度的非效率投资（正值为过度投资，负值为投资不足）。
样本公司实际投资、最优投资与非效率投资的描述性统计量，在信息完全对称且公司内部没有代理问题的情况下，企业理想的最优投资率平均为年初固定资产净值的24.4%。但由于现实世界中存在的信息不对称和代理问题的影响，709个公司—年度投资过度，其实际投资平均水平（0.492）为其最优投资水平（0.245）的200.66%；1097个公司—年度投资不足，其实际投资平均水平（0.113）仅达到其最优投资水平（0.244）的46.31%。从过度投资与投资不足的观测值个数分布来看，投资不足的观测值数所占比重更大，达到总数的60.74%。这一度量结果与中国的特殊制度背景相符：一方面，中国经济的高速增长为企业提供了大量的投资机会，然而，作为发展中国家的中国不可避免地存在着资金短缺问题，这导致了中国上市公司中超过半数以上的公司投资不足；另一方面，少数有自由现金流量的公司代理问题严重，导致了其过度投资。
为了更好地了解非效率投资的特征，分析了投资残差随着时间推移的持续性。首先，给定年份中残差处于最高（低）五分位的40%（49.18%）的企业在下一年依然保持在最高（低）的五分位，21.67%（26.23%）保持在3年以后。此外，在自回归模型中滞后一期的投资残差能解释当前投资残差的12.02%。但增加高阶滞后残差对模型解释力的增量贡献较小（如果在模型中纳入滞后1～3期，调整的R2仅为17.47%）。这些特征表明，投资模型的残差并非随机，它抓住了企业非效率投资的特征。
2.非效率投资度量结果的可靠性检验
非效率投资度量结果的准确性直接影响着相关后续研究结论的可靠性，也影响着企业利益相关者对企业非效率投资状况的判断及相关的决策。为确定以经典Q投资模型确定的非效率投资是否较为真实地反映了企业的投资不足或过度投资程度，本节从投资—现金流敏感性动因检验、公司管理层对融资约束状况的判断等角度进一步对上述度量结果进行检验。
（1）投资—现金流敏感性的比较。以前的理论和实证研究均表明，信息不对称和代理问题都会导致投资—现金流敏感。那么，按投资模型残差符号分组的融资约束和过度投资两个样本组的投资—现金流是否都敏感呢？二者之间存在显著的差异吗？在经典Q投资模型的基础上加入现金流变量（CF）对全部样本及根据各分组标准分组样本的投资—现金流敏感性进行了检验。前述分析表明FQ可以更好地衡量公司的投资机会，那么，在控制衡量偏误的干扰后，现金流是否仍然会显著地影响公司投资支出呢？与埃里克森和怀特德（2000）对美国上市公司的研究结果不同，即使在采用FQ有效控制投资机会的情况下，投资支出仍然对现金流表现出强烈的敏感性：所有样本组中的现金流系数均在1%的水平上显著。
与FHP（1988）等许多投资—现金流敏感性研究不同的是，本书发现在非融资约束组中（过度投资、大规模、国有股控股），现金流的敏感性反而更强。从模拟得到的实证P值来看，按公司规模和实际控制人性质分组时组间的现金流系数没有显著差异，但按投资残差符号分组时的非融资约束组的现金流系数在1%的水平上显著大于融资约束组中的现金流系数。这说明由于避免了分组标准和阈值确定的主观性这一缺陷以及考虑了融资约束的时序变化这一优点，这种分组标准减少了分组估计结果的偏误。与融资约束组相比，非融资约束组的投资支出对现金流的波动更为敏感的发现与KZ（1997）、克利里（1999）和连玉君（2007）的发现一致。
出现非融资约束组的投资—现金流敏感系数显著大于融资约束组这一“反常”现象的原因可能在于：在非融资约束企业中，存在较为丰富的自由现金流，经理人有扩大企业规模的动机，因此一旦现金流有所增加，他们就会进行投资；而对于融资约束较为严重的公司而言，由于其负债率水平通常较高，所以不会将所有新增的现金流都用于投资，而是要用来偿还即将到期的债务或者用来补充流动资金，保持一定的流动性以应对异常情况的发生。
（2）投资—现金流敏感性的动因检验。如前所述，中国企业在成长性与自由现金流的关系方面的特征符合沃格特（1994）模型的假设，且梅耶斯和马吉拉夫（1984）指出的“企业的投资不足程度会随着投资机会的增加而越发严重”现象并不会影响沃格特模型的动因检验效果，因此，采用沃格特（1994）模型进行投资—现金流敏感性的动因检验。但由于本书样本数据表明销售收入（Sale）与投资机会（FQ）、现金持有量（Cash）有着较高的相关性，为避免严重的多重共线性，鉴于企业规模是企业投资支出的重要影响因素（Hubbard，1998；Richardson，2006），且由于销售的后果最终体现在企业的资产中，因此，以总资产的自然对数Size替代变量Sale；此外，童盼和陆正飞（2005）的实证研究表明，负债比例显著地影响了企业的投资支出水平，因此，本书也在投资—现金流敏感性动因检验模型中纳入了杠杆变量（Lev）。
Iitβ0+β1CFit+β2Qit-1+β3CFit×Qit-1
+β4Cashit+β5Sizeit+β6Levit+εit（4-10）
就全部样本而言，现金流与投资机会的交乘项系数为负，但不显著，这与前述非效率投资度量结果的描述性统计量是一致的：全部样本公司正负残差相抵后的均值为0.017，表明从投资率来看，整体呈现过度投资倾向；但投资不足样本观测值个数占全部样本的半数以上（60.74%）。就分组检验结果来看，过度投资组的CF与FQ的交乘项系数显著为负，而投资不足组的交乘项系数显著为正，且实证P值为0，说明过度投资样本组的投资—现金流敏感性是由于公司经理人与投资者之间的代理冲突造成的，符合自由现金流量假说；投资不足样本组的投资—现金流敏感性则是由于信息不对称所致的融资约束造成的，符合融资顺序假说。这一检验结果证明以经典Q投资模型残差度量的非效率投资较为准确。其余分组检验结果也都表现出非融资约束组的交乘项系数为负，而融资约束组的交乘项系数为正，尽管有一些组的交乘项系数未能通过显著性检验，但这也进一步说明按残差符号的分组标准更为真实地反映了企业的融资约束状况。
从控制变量的估计结果来看，无论是全样本还是各分组模型回归中，现金存量与投资均显著正相关，表明企业更愿意优先利用闲置财务资产（financial slack）进行投资以避免外部融资所招致的额外监管和信息披露（Myers＆Majluf，1984）。全样本及绝大多数分组样本回归中，企业规模均与投资正相关，表明企业规模越大，投资能力越强，因此有着更高的投资率。但值得一提的是，在过度投资组，规模与投资显著负相关，即有着自由现金流但缺乏投资机会的样本中，规模越小的公司投资越多，这可能是因为小规模公司的经理人与大规模公司的经理相比，“做大做强”的动机更强烈，因此，在有条件（拥有自由现金流）的情况下，会从事更多的投资。同时，除投资不足组外，随着外部融资（Lev）的增加，公司的投资支出也会显著增加。由于中国上市公司主要依靠短期负债进行融资，因此当期负债率越高，表明当期新增短期负债越多，因此，当期负债率与投资的正相关反映了债务的融资功能。投资不足组的估计结果中当期负债率与投资显著负相关，则表明投资不足公司负债率已经处于一个较高的水平，破产概率的增加以及经理人还本付息压力的增加都会迫使其投资减少。
（3）与公司管理层对融资约束状况的判断比较。公司管理层对公司面临的融资约束状况应该有着完全的信息，因此，管理层可能会在其年度报告中的“管理层讨论与分析”部分披露相关的信息。为此，笔者详细阅读了样本公司2000～2005年的1806份年度报告的“管理层讨论与分析”的内容，结果发现其中有149份年报中出现“资金紧张”、“资金短缺”、“资金匮乏”和“贷款困难”等字样。一般而言，当年的融资约束可能导致当年投资不足或下一年投资不足。因此，如果本书的非效率投资度量结果显示当年及下一年均为过度投资，则说明度量结果与管理层的判断不相符。根据统计分析，149份公司管理层判断为融资约束的年报（以下简称为“融资约束年报”）的当年及下一年投资模型残差均为正的观测值为3个，误判率仅为2.01%，处于可接受的误差区间内。
此外，对年报融资约束组和其他组（由全部观测值1806扣除年报融资约束组后的观测值组成）进行组间融资约束程度差异的非参数检验，检验结果表明，年报融资约束组的投资模型残差均值为-0.026（即投资不足），而其他组的残差均值为0.021（即过度投资），二者的差异在10%水平下显著。这表明，本书的非效率投资度量结果与管理层的判断是一致的。从其他变量均值和中位数差异来看，与其他组相比，年报约束组企业的规模更小，经营现金流和现金持有量显著偏低，而负债率则明显偏高，它们共同导致投资支出水平显著更低。这些差异均表明，年报约束组企业的融资约束程度更加严重。
