李愛玲，王振山

(1.東北財經(jīng)大學(xué) 金融學(xué)院，遼寧 大連 116025;2.哈爾濱商業(yè)大學(xué) 金融學(xué)院，黑龍江 哈爾濱 150028)

一、引 言

高新技術(shù)企業(yè)是推動高科技產(chǎn)業(yè)發(fā)展的主力軍，在我國經(jīng)濟(jì)和社會發(fā)展中占有十分重要的戰(zhàn)略地位。2009年，全國開展研究與開發(fā) (R＆D)活動的工業(yè)企業(yè)36 387個，占規(guī)模以上工業(yè)企業(yè)總量的8.5%。不僅如此，我國高新技術(shù)企業(yè)的發(fā)展速度也進(jìn)入了空前提高的時代。以高新技術(shù)企業(yè)較密集的醫(yī)藥、計算機(jī)、通信和電子行業(yè)為例，截至2012年10月醫(yī)藥制造業(yè)增加值累計增長速度為14.7%，計算機(jī)、通信和其他電子設(shè)備制造業(yè)增加值累計增長速度為11.3%，均大幅超過行業(yè)的平均水平 (9.6%)［1］。高新技術(shù)企業(yè)的飛速發(fā)展使其成為經(jīng)濟(jì)轉(zhuǎn)型時期我國經(jīng)濟(jì)的新增長點。

高新技術(shù)企業(yè)投資的主要特點是高投入、高風(fēng)險:一方面，大規(guī)模的投資需求通常難以依靠內(nèi)部融資方式來滿足;另一方面，高風(fēng)險性使得高新技術(shù)企業(yè)投資較易受到外部融資約束的限制。因此，高新技術(shù)企業(yè)的投資不但取決于投資機(jī)會，而且還受制于企業(yè)內(nèi)部現(xiàn)金流和外部融資狀況。那么我國高新技術(shù)企業(yè)的投資是怎樣受到以上因素的影響，又具有怎樣的特征?這方面研究對制定高新技術(shù)產(chǎn)業(yè)政策，以及實現(xiàn)高新技術(shù)企業(yè)的可持續(xù)發(fā)展具有重要的意義。

本文通過面板平滑轉(zhuǎn)換模型 (PSTR)，研究我國高新技術(shù)上市公司投資與其影響因素的非線性關(guān)系，從而揭示我國高新技術(shù)企業(yè)投資的非線性特征。

二、文獻(xiàn)綜述

對于我國高新技術(shù)企業(yè)投資的研究主要集中在研發(fā)投入方面。顧群等研究發(fā)現(xiàn)融資約束顯著影響R＆D投資效率，企業(yè)的融資約束上升會顯著提高R＆D投資效率［2］。潘立生和任雨純研究了高新技術(shù)企業(yè)的投資效率和投資活動的影響因素，發(fā)現(xiàn)影響我國高新技術(shù)企業(yè)投資規(guī)模的主要因素是融資約束、內(nèi)部現(xiàn)金流量和投資機(jī)會，并且由于受到融資約束我國高新技術(shù)企業(yè)投資不足［3］。王晨和王新紅發(fā)現(xiàn)我國高科技企業(yè)的盈利能力與其研發(fā)投入呈正相關(guān)關(guān)系，說明高新技術(shù)企業(yè)盈利能力能夠促進(jìn)研發(fā)投入［4］。雖然研究和開發(fā)活動是高新技術(shù)企業(yè)生存和發(fā)展的重要影響因素，但并非唯一決定因素。高新技術(shù)企業(yè)研發(fā)活動的主要目的是從新產(chǎn)品新技術(shù)的產(chǎn)業(yè)化及生產(chǎn)經(jīng)營中獲利。因此，與新產(chǎn)品新技術(shù)市場化相關(guān)聯(lián)的一系列投資活動均決定了高新技術(shù)企業(yè)的生存和發(fā)展。本文的研究重點是與高新技術(shù)企業(yè)生產(chǎn)經(jīng)營相關(guān)的總體投資及其影響因素。

根據(jù)企業(yè)投資的研究文獻(xiàn)，一般認(rèn)為影響企業(yè)投資決策的主要因素是投資機(jī)會和企業(yè)財務(wù)狀況 (企業(yè)外部融資與內(nèi)部融資狀況)。首先，在有效市場假說成立的情況下，市場中不存在資本配給，即企業(yè)的外部融資成本與資本成本相等，此時企業(yè)投資決策只取決于投資機(jī)會［5］。當(dāng)且僅當(dāng)投資的收益率大于資本成本 (凈現(xiàn)值大于零)時，企業(yè)才會做出投資決策。其次，當(dāng)信息不對稱時，外部資金無法準(zhǔn)確衡量企業(yè)資本成本從而要求較高的風(fēng)險溢價，此時企業(yè)面臨資本配給。因此，當(dāng)市場非有效時，能否取得外部融資也影響企業(yè)的投資決策。Lang等發(fā)現(xiàn)以財務(wù)杠桿表示的外部融資約束顯著影響企業(yè)投資決策;對于低托賓Q的企業(yè)，其投資機(jī)會與財務(wù)杠桿呈負(fù)相關(guān)關(guān)系，較高的財務(wù)杠桿將減少企業(yè)投資機(jī)會［6］。趙山和黃運成通過對上市公司資本結(jié)構(gòu)決定因素進(jìn)行實證分析，發(fā)現(xiàn)上市公司未來增長機(jī)會與企業(yè)財務(wù)杠桿具有顯著的負(fù)相關(guān)關(guān)系:高成長的上市公司傾向于使用較少的負(fù)債(低的杠桿)，低成長的上市公司傾向于使用較多的負(fù)債［7］。最后，當(dāng)企業(yè)面臨較強(qiáng)的信息不對稱而受到融資約束時，外部融資成本將顯著高于內(nèi)部融資成本，企業(yè)將不得不利用內(nèi)源融資進(jìn)行投資。Fazzari等根據(jù)是否發(fā)放股利將樣本公司分成融資約束組和非融資約束組，發(fā)現(xiàn)融資約束樣本組現(xiàn)金流對投資的影響更大，因此可以認(rèn)為當(dāng)企業(yè)面臨較強(qiáng)的融資約束時，企業(yè)內(nèi)部融資狀況將顯著影響企業(yè)投資行為［8］。此后的多篇文獻(xiàn)運用不同方法證實了以現(xiàn)金流表示的內(nèi)部融資對投資的影響［9］-［11］。連玉君和程建運用面板向量自回歸模型有效控制了托賓Q的衡量偏誤，發(fā)現(xiàn)企業(yè)現(xiàn)金流顯著影響投資支出［12］。

對企業(yè)投資及其影響因素的線性模型研究，通常以一定的外生變量為標(biāo)準(zhǔn)對樣本分組，以驗證不同樣本組間的差異［13-14］。這種線性研究方法假設(shè)外生變量足夠刻畫樣本間的異質(zhì)性，并且組內(nèi)樣本具有同質(zhì)性。Hsiao和Tahmiscioglu運用混合固定—隨機(jī)系數(shù)模型驗證了1971—1991年美國561家企業(yè)的面板數(shù)據(jù)，證明僅通過外生變量對樣本分組難以捕捉到無法觀測的組內(nèi)異質(zhì)性［15］。Hansen提出了非動態(tài)面板門限模型(Panel Threshold Regression，PTR)，運用 PTR模型對1973—1987年美國565家公司按照長期負(fù)債與資產(chǎn)比率 (財務(wù)杠桿)進(jìn)行內(nèi)生性分組，發(fā)現(xiàn)財務(wù)杠桿最高的樣本組現(xiàn)金流對投資回歸系數(shù)最小，這意味著獲得的外源融資越充分，投資對內(nèi)源融資的依賴越?。?6］。González等對 PTR模型進(jìn)行了擴(kuò)展，提出了面板平滑轉(zhuǎn)換模型(Panel Smooth Transition Regression，PSTR)，此模型有利于回歸系數(shù)在樣本組間平滑轉(zhuǎn)換［17］。González等應(yīng)用PSTR模型檢驗了與Hansen相同的樣本，發(fā)現(xiàn)杠桿率對投資的影響只發(fā)生在成長性不佳或不被市場認(rèn)可的公司，而高成長公司現(xiàn)金流對投資的影響要小于低成長公司。國內(nèi)文獻(xiàn)主要將PSTR模型應(yīng)用于高新技術(shù)產(chǎn)業(yè)規(guī)模與技術(shù)創(chuàng)新［18］、FDI與進(jìn)出口貿(mào)易［19］、財務(wù)信息［20］等領(lǐng)域，而對于企業(yè)投資非線性性質(zhì)的考察并不多見。本文主要通過PSTR模型，檢驗我國高新技術(shù)上市公司投資的非線性特征。

三、研究方法

面板平滑轉(zhuǎn)換 (PSTR)模型是在1999年Hansen提出的面板門限 (PTR)模型的基礎(chǔ)之上，由González等擴(kuò)展而成的。與PTR模型相比，PSTR模型能夠更加有效地刻畫面板數(shù)據(jù)的截面異質(zhì)性。

(一)面板平滑轉(zhuǎn)換 (PSTR)模型

本文運用兩機(jī)制PSTR模型，分析投資機(jī)會、外源融資和內(nèi)源融資對投資的非線性影響，具體模型表達(dá)式如下:

yit為投資率 Iit向量;i=1，…，N;t=1，…，T;為系數(shù)矩陣，j=0 或 1;Xit-1為解釋變量矩陣，由投資機(jī)會變量、外源融資變量和內(nèi)源融資變量組成，為了避免內(nèi)生性問題采用滯后一期值。投資機(jī)會用銷售率Sit-1表示，銷售與資本比率能夠較真實地衡量企業(yè)內(nèi)部投資機(jī)會［21-22］。外部融資用負(fù)債率Dit-1表示;內(nèi)部融資用現(xiàn)金流比率CFit-1表示，即矩陣Xit-1={Sit-1，Dit-1，CFit-1}(具體計算方法見第四部分);εit為白噪聲隨機(jī)誤差項。

González等參考時間序列平滑轉(zhuǎn)換模型(STAR)，將轉(zhuǎn)換函數(shù)g(qit-1;γ，c)設(shè)定為指數(shù)形式［17］:

qit-1為轉(zhuǎn)換變量，分別設(shè)定為可能非線性影響投資的三個變量:投資機(jī)會Tobin'sQit-1、企業(yè)規(guī)模Sizeit-1以及盈利能力ROAit-1(具體見下一部分轉(zhuǎn)換變量的選擇);γ為轉(zhuǎn)換斜率系數(shù)，決定轉(zhuǎn)換的速度;cj∈(c1，…，cm)為位置參數(shù)，決定轉(zhuǎn)換發(fā)生的位置，m為位置參數(shù)個數(shù)。

轉(zhuǎn)換方程g(·)是取值 ［0，1］間的連續(xù)函數(shù)，因此，解釋變量Xit-1系數(shù)取值為當(dāng) γ→∞時，方程 (1)退化成面板門限 (PTR)模型;當(dāng)γ→0時，方程 (1)退化成線性的固定效應(yīng)模型。m的取值決定了轉(zhuǎn)換位置的個數(shù)。González等認(rèn)為實際模型設(shè)定中，一般取m≤2足以捕捉到變量的不同類型的非線性系數(shù)。當(dāng) m=1時，轉(zhuǎn)換方程g(·)取值在0和1之間單調(diào)上升，當(dāng)系數(shù)矩陣取值為當(dāng)m=2時，g(·)取值先單調(diào)遞減再單調(diào)遞增，在q=c或c時取特殊值1，在it-1122。時取最小值

González等提出將兩機(jī)制PSTR模型推廣為r+1機(jī)制 PSTR 模型［17］:

所有變量含義及表達(dá)式同模型 (1)。

PSTR模型通過轉(zhuǎn)換函數(shù)g(qit-1;γ，c)實現(xiàn)回歸系數(shù)的平滑轉(zhuǎn)換 (優(yōu)于PTR模型)，能夠更加有效地刻畫樣本間無法觀測的異質(zhì)性(優(yōu)于線性固定效應(yīng)模型)。

(二)面板平滑轉(zhuǎn)換 (PSTR)模型的檢驗和系數(shù)估計

1.確定轉(zhuǎn)換變量qit-1

PSTR模型的轉(zhuǎn)換變量應(yīng)該根據(jù)經(jīng)濟(jì)理論選取，以確保其能夠最大程度地體現(xiàn)個體異質(zhì)性［23］。本文選擇投資機(jī)會Tobin'sQit-1、企業(yè)規(guī)模Sizeit-1以及資產(chǎn)收益率ROAit-1三個變量作為轉(zhuǎn)換變量:(1)Tobin'sQit-1作為反映投資機(jī)會的替代變量，通常表示企業(yè)的投資機(jī)會的外部衡量，是投資決策的重要影響因素［24］。 (2)在非效率市場，不同規(guī)模的企業(yè)可能面臨的融資約束不同，從而影響投資決策［25］。(3)作為衡量企業(yè)盈利能力的主要指標(biāo)，資產(chǎn)收益率ROAit-1通過影響企業(yè)投資現(xiàn)金流敏感度來影響企業(yè)投資決策［26］。

2.檢驗截面異質(zhì)性

由于方程 (2)含有未知參數(shù)γ、c，因此需要將方程 (2)在γ=0位置進(jìn)行一階泰勒展開，并代入模型 (1)。得到輔助回歸模型:，…，為模型 (1)一階泰勒展開變換后系數(shù)向量，由轉(zhuǎn)換率γ、殘差項以及泰勒展開剩余項組成。因此，對于模型 (1)的非線性檢驗轉(zhuǎn)化為檢驗方程 (4)系數(shù)矩陣是否成立。記H0*成立的殘差平方和為SSR0，拒絕H0*的殘差平方和為SSR1，構(gòu)造服從漸近F[ mk，TN-N-(r+1)mK]分布的LMF統(tǒng)計量:

其中，K為解釋變量個數(shù);其余變量定義見前文。

若模型非線性假設(shè)成立，則確定位置參數(shù)個數(shù)m值 (r+1機(jī)制PSTR模型還需確定r值)。

3.估計模型系數(shù)

首先，去個體效應(yīng)μi。由于模型 (1)包含非線性的轉(zhuǎn)換函數(shù) (2)，因此需要運用網(wǎng)格搜索法或模擬退火算法進(jìn)行迭代，①本文采用計算精度更高的模擬退火算法［23］。估計轉(zhuǎn)換率γ和轉(zhuǎn)換變量c1至cm。其次，運用非線性最小二乘法 (NLS)估計PSTR模型系數(shù)。

四、實證檢驗

(一)樣本及變量定義

本文數(shù)據(jù)取自CSMAR數(shù)據(jù)庫，樣本區(qū)間為2004年1月1日至2011年12月31日，樣本為年度數(shù)據(jù)。本文選擇高新技術(shù)公司較為集中的電子、醫(yī)藥生物制品和信息技術(shù)行業(yè)，且僅發(fā)行A股的上市公司。樣本篩選原則為:(1)剔除樣本區(qū)間內(nèi)被ST或PT的公司。(2)為避免缺失數(shù)據(jù)過多，剔除2007年以后上市的公司。(3)剔除投資率大于99%或小于1%的樣本，以避免離群值的影響［27］。

表1 變量計算方法及描述性統(tǒng)計 (N=166，T=7)

(二)實證檢驗結(jié)果② 實證檢驗運用Matlab 7.0軟件，程序由Christophe Hurlin編寫，http://www.runmycode.org/CompanionSite/Site66。

首先，進(jìn)行關(guān)于面板數(shù)據(jù)截面異質(zhì)性檢驗，以確定模型類型。線性檢驗原假設(shè)H0:r=0即模型為不含異質(zhì)性的線性模型;備擇假設(shè)H1:r=1即模型為非線性的PSTR模型。根據(jù)González等，PSTR模型的位置參數(shù)個數(shù)m≤2就基本可以描述樣本的異質(zhì)性特征［17］，因此，本文分別檢驗m=1，2，3時模型的LMF統(tǒng)計量，檢驗結(jié)果見表2所示。

表2 非線性檢驗與位置參數(shù)個數(shù)的確定

通過表2可以看出，對轉(zhuǎn)換變量分別為Qit-1、ROAit-1和Sizeit-1的三個模型的非線性檢驗結(jié)果顯示，除m=1時模型B和模型C的p值較大無法通過非線性檢驗以外，其余所有檢驗均支持模型設(shè)定為非線性PSTR模型。

確定模型的非線性特征后，需要確定位置參數(shù)個數(shù)m值，以確定PSTR模型具體形式。根據(jù)Colletaz和Hurlin［23］的模型選擇程序，令r=1、m=1，2，3。分別對模型 A、B、C進(jìn)行 PSTR模型估計，進(jìn)而確定每個模型的AIC和BIC信息準(zhǔn)則。模型信息準(zhǔn)則計算結(jié)果如表2所示。根據(jù)信息準(zhǔn)則，選擇模型A:r=1、m=2;模型B:r=1、m=2;模型C:r=1、m=3。

PSTR模型形式確定后，運用NLS進(jìn)行系數(shù)估計，結(jié)果如表3所示。

表3 PSTR模型估計結(jié)果

通過表3可以看到，高新技術(shù)上市公司的內(nèi)部投資機(jī)會、債務(wù)負(fù)擔(dān)和內(nèi)部現(xiàn)金流與投資呈現(xiàn)非線性關(guān)系，這種非線性關(guān)系顯著受到外部投資機(jī)會、盈利能力以及企業(yè)規(guī)模的影響。具體分析如下:

第一，模型A為含有兩個位置參數(shù)的兩機(jī)制PSTR模型。其中，位置參數(shù)為 2.5899和2.6051，說明模型A具有雙門限特征;轉(zhuǎn)換速率為1.234E+06，轉(zhuǎn)換速度較快，說明轉(zhuǎn)換變量的不同取值對投資影響差異較大;內(nèi)部投資機(jī)會變量Sit-1和現(xiàn)金流變量CFit-1的系數(shù)均在1%的水平下顯著。當(dāng)轉(zhuǎn)換變量2.5899＜Qit-1＜2.6051時，模型A位于中間機(jī)制，轉(zhuǎn)換函數(shù)g(·)取值較低，此時內(nèi)部投資機(jī)會變量Sit-1和現(xiàn)金流變量CFit-1對投資 Iit的影響主要來源于 α0或φ0，意味著 Sit-1與 Iit主要呈現(xiàn)正相關(guān)關(guān)系而CFit-1與Iit主要體現(xiàn)為負(fù)相關(guān)關(guān)系;當(dāng) Qit-1＜2.5900或Qit-1＞2.6050時，模型A位于外機(jī)制，轉(zhuǎn)換函數(shù)g(·)較接近于1，內(nèi)部投資機(jī)會變量Sit-1和現(xiàn)金流變量CFit-1對投資Iit的影響主要來源于 α0+α1g(·)或 φ0+φ1g(·)。通過表1樣本統(tǒng)計描述可以看到，轉(zhuǎn)換變量Qit-1的中值為1.9320、均值為2.4430，轉(zhuǎn)換變量的大多數(shù)取值小于位置參數(shù)2.5900，因此樣本中大多數(shù)高新技術(shù)企業(yè)隨著外部投資機(jī)會的增加，其Sit-1(CFit-1)對Iit產(chǎn)生正 (負(fù))影響幅度逐漸增加。對于系數(shù)φ0+φ1g(·)＜0，即我國高新技術(shù)上市公司表現(xiàn)為內(nèi)部現(xiàn)金流與投資為負(fù)相關(guān)關(guān)系，這是因為我國高新技術(shù)上市公司普遍面臨高成長、高融資約束情況，而根據(jù)Hovakimian，投資現(xiàn)金流敏感為負(fù)值的企業(yè)通常具有極高成長的機(jī)會，卻面臨低水平的內(nèi)部資金，通常這類企業(yè)具有較高的融資約束［28］。

第二，模型B是兩機(jī)制PSTR模型，含有兩個位置參數(shù)，分別是0.0498和0.0503，轉(zhuǎn)換速率為1.073E+09，說明轉(zhuǎn)換速度較快，轉(zhuǎn)換變量的不同取值對投資影響差異較大;所有變量系數(shù)均在1%的水平下顯著。當(dāng)模型B位于中間機(jī)制，即轉(zhuǎn)換變量0.0498＜ROAit-1＜0.0503時，轉(zhuǎn)換函數(shù)g(·)取值較低，此時所有因變量對投資Iit的影響主要來源于Γ0;當(dāng)ROAit-1＜0.0498或ROAit-1＞0.0503時，模型B位于外機(jī)制，轉(zhuǎn)換函數(shù)g(·)較接近于1，所有因變量對投資Iit的影響接近于Γ0+Γ1。轉(zhuǎn)換變量ROAit-1對于Sit-1和CFit-1與Iit的非線性關(guān)系的影響與模型A相似。以下著重討論杠桿率Dit-1與投資Iit的非線性關(guān)系。當(dāng)模型B位于中間機(jī)制時，由于主要受到系數(shù)β0的影響，杠桿率對投資產(chǎn)生顯著正影響 (β0=15.6465);當(dāng)模型B位于外機(jī)制時，杠桿率對投資的影響幅度大大降低，但依然為正 (β0+β1g(·)＞15.6465+(-15.5350)＞0)。特別地，由于杠桿率均值和中值 (0.4390和0.4360)均小于第一位置參數(shù)取值(0.0498)，因此，大部分樣本落于 ROAit-1＜0.0498的外機(jī)制中，因此對于盈利能力較低的高新技術(shù)上市公司，由于其不易獲得外部融資，因此杠桿率對投資的促進(jìn)作用較小，當(dāng)盈利能力逐漸增加時，其獲得外部融資的能力逐漸增加，杠桿率對投資逐漸產(chǎn)生更加積極的影響。

第三，模型C為含有三個位置參數(shù)的兩機(jī)制 PSTR模型，轉(zhuǎn)換位置分別為:20.1280、21.7930和21.9980。與前兩個模型不同，模型C的轉(zhuǎn)換速率較小 (35.9230)，可以實現(xiàn)不同機(jī)制間較平緩的轉(zhuǎn)換。內(nèi)部投資機(jī)會Sit-1對投資Iit的非線性影響顯著，但杠桿率以及內(nèi)部現(xiàn)金流的系數(shù)不顯著。轉(zhuǎn)換函數(shù)在外機(jī)制Sizeit-1＜20.1280和中間機(jī)制 21.7930＜Sizeit-1＜21.9980時，轉(zhuǎn)換函數(shù)取值接近于0，此時Sit-1對Iit的影響系數(shù)接近α0=0.0525，在這種情況下，內(nèi)部投資機(jī)會對投資能夠起到較大的促進(jìn)作用;轉(zhuǎn)換函數(shù)在中間機(jī)制20.1280＜Sizeit-1＜21.7930和外機(jī)制Sizeit-1＞21.9980時轉(zhuǎn)換函數(shù) g(·)達(dá)到最大值，Sit-1對Iit的影響系數(shù)為α0+α1g(·)=0.0525-0.0412g(·)，此時內(nèi)部投資機(jī)會對投資的影響程度相對較小。

五、結(jié) 論

本文以高新技術(shù)企業(yè)較集中的電子、醫(yī)藥生物制品、信息技術(shù)行業(yè)上市公司為代表，運用面板平滑轉(zhuǎn)換 (PSTR)模型，考察了高新技術(shù)上市公司投資及其主要影響因素的非線性關(guān)系。結(jié)果顯示:(1)內(nèi)部投資機(jī)會方面:在轉(zhuǎn)換變量分別為外部投資機(jī)會、盈利能力以及企業(yè)規(guī)模的三個模型中，內(nèi)部投資機(jī)會均顯著非線性影響投資。在高新技術(shù)上市公司外部投資機(jī)會和盈利能力普遍較低的情況下，增加內(nèi)部投資機(jī)會有助于提高企業(yè)投資水平［29］。此外，存在高新技術(shù)企業(yè)的合理規(guī)模區(qū)間，在此區(qū)間內(nèi)，內(nèi)部投資機(jī)會能夠有效促進(jìn)企業(yè)投資。 (2)外部融資方面:僅在轉(zhuǎn)換變量為盈利能力時，運用杠桿率衡量的外部融資對投資具有顯著的非線性影響。對于我國目前普遍盈利能力較低的高新技術(shù)上市公司來說，只有提高企業(yè)經(jīng)營業(yè)績，才能增加企業(yè)外部融資機(jī)會，從而促進(jìn)企業(yè)投資。(3)內(nèi)源融資方面:企業(yè)內(nèi)部現(xiàn)金流對投資的非線性影響，體現(xiàn)在以外部投資機(jī)會和盈利能力為轉(zhuǎn)換變量的兩組模型中。我國高新技術(shù)上市公司普遍呈現(xiàn)負(fù)的投資現(xiàn)金流敏感，說明這類上市公司具有極高成長的機(jī)會，但內(nèi)部資金水平較低，通常面臨較高的融資約束。

我國高新技術(shù)企業(yè)具有促進(jìn)高科技產(chǎn)業(yè)發(fā)展和經(jīng)濟(jì)發(fā)展的重要作用，高新技術(shù)企業(yè)的投資是企業(yè)生存和發(fā)展的關(guān)鍵因素。提高高新技術(shù)企業(yè)盈利能力，確定合理的企業(yè)發(fā)展規(guī)模，以及改善企業(yè)融資環(huán)境均有利于促進(jìn)高新技術(shù)企業(yè)投資［30］。當(dāng)然，本文的重點集中在對投資規(guī)模方面的研究，后續(xù)研究可以擴(kuò)展到高新技術(shù)企業(yè)投資效率等方面。

［1］國家統(tǒng)計局.工業(yè)分大類行業(yè)增加值增長速度［DB/OL］.http://www.stats.gov.cn/tjsj/jdsj/t20121109_402850862.htm

［2］顧群，翟淑萍，苑澤明.高新技術(shù)企業(yè)融資約束與R＆D 投資效率關(guān)系研究［J］.經(jīng)濟(jì)經(jīng)緯，2012，(5):77-81.

［3］潘立生，任雨純.高新技術(shù)企業(yè)投資效率問題研究［J］. 財會通訊，2010，(8):10-12.

［4］王晨，王新紅.高新技術(shù)企業(yè)R＆D投入與盈利能力的相關(guān)性研究［J］.技術(shù)與創(chuàng)新管理，2011，(1):51-53.

［5］Modigliani，F(xiàn).，Merton，M.The Cost of Capital Corporation Finance， and the Theory of Investment［J］.The American Economic Review，1958，48(3):261-297.

［6］Lang， L.， Ofek， E.， Stulz， R.M. Leverage，Investment， and Firm Growth［J］. Journal of Financial Economics，1996，40(1):3-29.

［7］趙山，黃運成.托賓Q、增長機(jī)會與公司資本結(jié)構(gòu)關(guān)系的實證研究［J］.哈爾濱工業(yè)大學(xué)學(xué)報(社會科學(xué)版)，2006，(5):93-97.

［8］Fazzari，S.R.，Hubbard，G.，Petersen，B.Financing Constraints and Corporate Investment［J］.Brookings Papers on Economic Activity，1988，(1):141-195.

［9］Hoshi，T.，Kashyap，A.，Scharfstein，D.Corporate Structure，Liquidity and Investment:Evidence from Japanese Industrial Groups［J］.Quarterly Journal of Economic，1991，106(1):33-60.

［10］Kashyap，A.K.，Lamont，O.A. ，Stein，J.C.CreditConditionsand the CyclicalBehaviorof Inventories［J］.The Quarterly Journal of Economics，1994，109(3):565-592.

［11］Hu，X.，Schiantarelli，F(xiàn).Investment and Capital Market Imperfections:A Switching Regression Approach Using Firm Panel Data［J］.The Review of Economics and Statistics，1998，80(3):466-479.

［12］連玉君，程建.投資—現(xiàn)金流敏感性:融資約束還是代理成本?［J］.財經(jīng)研究，2007，(2):37-46.

［13］Bond， S.， Meghir， C.H.D.Dynamic Investment Models and the Firm’s Financial Policy［J］.Review of Economic Studies，1994，31(2):197-222.

［14］Chirinko，R.S.，Schaller，H.Why does Liquidity Matterin InvestmentEquations?［J］.Journalof Money，Credit and Banking，1995，27(2):527-548.

［15］Hsiao，C.，Tahmiscioglu，A.K.A Panel Analysis of Liquidity Constraints and Firm Investment［J］.Journal of the American Statistical Association，1997，92(438):455-465.

［16］Hansen，B.E.Threshold Effects in Non-Dynamic Panels:Estimation， Testing and Inference［J］.Journal of Econometircs，1999，93(2):345-368.

［17］González，A.，Teh?svirta，T.，Dijk，D.V.Panel Smooth Transition Regression Models［R］.SSE/EFI No.604.Working Paper Series in Economics and Finance，2005.

［18］牛澤東，張倩肖，王文.高技術(shù)產(chǎn)業(yè)的企業(yè)規(guī)模與技術(shù)創(chuàng)新——基于非線性面板平滑轉(zhuǎn)換回歸(PSTR)模型的分析［J］.中央財經(jīng)大學(xué)學(xué)報，2012，(10):68-74.

［19］賀勝兵，楊文虎.FDI對我國進(jìn)出口貿(mào)易的非線性效應(yīng)研究［J］.數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2008，(10):44-55.

［20］趙進(jìn)文，邢天才，高丹霞.財務(wù)信息效應(yīng)的非線性性［J］.統(tǒng)計研究，2011，(11):98-104.

［21］Gilchrist， S.， Himmelberg， C. Investment，F(xiàn)undamentals andFinance［R］.NBER Working Paper，No.6652，1998.

［22］Love，I.，Zicchino，L.Financial Development and Dynamic Investment Behavior:Evidence from Panel VAR［J］.The Quarterly Review of Economics and Finance，2006，46(2):190-210.

［23］Colletaz，G.，Hurlin，C.Threshold Effects in the Public Capital Productivity:An International Panel Smooth Trasition Approach［J］. Document de Recherche du Laboratoire d’Economie d’Orleans，2006，(1).

［24］Carpenter， R.E.， Guariglia， A. Cash Flow，Investment，and Investment Opportunities:New Tests Using UK Panel Data［J］.Journal of Banking ＆Finance，2008，32(9):1894-1906.

［25］Devereux， M.， Schiantarelli， F. Investment，F(xiàn)inancial Factors，and Cash Flow:Evidence from U.K.Panel Data［M］.Hubbard，R.G.Asymmetric Information， Corporate Finance， and Investment，Chicago:University of Chicago Press，1990.279-306.

［26］李金，李仕明，熊小舟.我國上市公司投資——現(xiàn)金流敏感度實證研究［J］.管理學(xué)報，2007，(11):824-828.

［27］Kaplan，S.N.，Zingales，L.Do Investment-Cash Flow Sensitivities Provide Useful Measures of FinancialConstraints? ［J］.Quarterly Journalof Economics，1997，112(1):169-215.

［28］Hovakimian，G.Determinants of Investment Cash Flow Sensitivity［J］.Financial Management，2009，38(1):161-183.

［29］劉偉，李星星.中國高新技術(shù)產(chǎn)業(yè)技術(shù)創(chuàng)新效率的區(qū)域差異分析——基于三階段 DEA模型與Bootstrap方法［J］. 財經(jīng)問題研究，2013，(8):20-28.

［30］孫喜福，張曉蕾.基于EVA的我國上市公司并購績效實證研究［J］.經(jīng)濟(jì)與管理，2012，(4):79-82.