影响资本结构决定的核心变量识别研究，本文主要内容关键词为：变量论文,资本论文,核心论文,结构论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一、引言
对资本结构影响因素的实证研究，国外学者已经取得了许多有价值的研究成果。一方面，这些研究成果反映出人们发现了越来越多的影响资本结构的因素。例如，Titman和Wessels(1988)、Harris和Raviv(1991)强调了各种企业特征因素在决定资本结构中的作用；[1-2]MacKay和Phillips(2005)则发现产业因素也是重要的影响因素之一；[3]而Booth等(2001)针对10个发展中国家企业以及Fan等(2003)针对39个发达和发展中国家企业的比较研究后发现，法律、税收、信息披露和金融市场发育程度等制度及宏观因素也是影响资本结构的重要因素。[4-5]随着资本结构市场时机理论的提出，国外学者还发现，由历史的市账比、历史的股票收益率以及其他历史事件反映出来的市场时机因素，也会显著地影响着资本结构的决定(Baker和Wurgle，2002；Welch，2004)。[6-7]另一方面，这些研究成果也反映出不同的研究因依据的理论、采用的统计方法、研究样本以及研究期间的不同而产生了许多相互冲突的实证结果。例如，Titman和Wessels(1988)发现，负债比率并不与非负债税盾、波动性、可担保价值以及成长性有关，而仅与企业独特性有关；[1]而Harris和Raviv(1991)在综述了前人的实证研究成果之后却认为，负债比率随着固定资产、非负债税盾、成长机会和企业规模的增加而增长，随着波动性、广告支出、研发费用、破产概率、盈利性和产品独特性的减少而降低；[2]Rajan和Zingales(1995)在针对发达国家企业的国际比较研究中则发现，有形资产、市账比、企业规模和盈利性会显著地、稳健地影响资本结构的决定。[8]
国内学者对资本结构影响因素的研究也取得了许多重要的成果(陆正飞和辛宇，1998；肖作平和吴世农，2002)。[9-10]这些实证研究的结果表明，影响西方企业资本结构的因素也同样会影响我国企业的资本结构决定。国内学者在研究中还特别强调中国的制度环境以及治理结构对资本结构的影响(黄贵海和宋敏，2004；顾乃康和杨涛，2004)。[11-12]然而，与国外的研究状况相似，国内的许多研究结果也存在着不一致性。例如，黄贵海和宋敏(2004)发现，负债比率与盈利性、可担保价值、企业所得税率、成长性、托宾Q以及非负债税盾呈负相关，而与公司规模、经营风险、管理者持股比例和机构投资者持股比例呈正相关；[11]吕长江和王克敏(2002)却发现，负债比率与成长性、托宾Q呈正相关，而与管理者持股比例呈负相关；[13]肖作平(2004)则发现，负债比率与可担保价值以及非负债税盾呈正相关。[14]胡援成(2001)还发现，负债本息对企业权益资本的侵蚀将使企业面临难以自拔的财务困境。[15]
面对这些国内外学者在资本结构实证研究方面取得的众多成果，我们不禁产生如下疑惑：到底哪些因素在决定资本结构中持续地起着关键性作用？哪些变量可以解释可观察的资本结构的大部分变动？哪些变量可以不随所采用的检验方法、研究样本以及研究期间的不同而稳定地对资本结构产生作用，而哪些变量却不能？对这些问题的探讨，实质上涉及到寻求核心变量的问题。Frank和Goyal(2004)率先进行了尝试。他们在前人实证研究的基础上，总结出37个影响资本结构的变量，并通过统计分析识别出7个核心变量，即负债比率与负债比率的产业中位值、可担保资产、企业规模、预期通胀率呈正相关，而与市账比、盈利性和股利发放呈负相关。[16]国内也有学者开始关注分离影响资本结构的核心变量这个问题。例如，洪正(2005)和李朝霞(2003)分别采用主成分分析法和因子分析法进行了尝试。[17-18]但是，这两项研究所采用的样本和纳入分析的影响变量较少，且研究期间较短，这不但可能影响核心变量的识别及其可靠性，而且也难以反映核心变量随时间变化的特征。
本文将以我国上市公司为研究对象，在纳入包括制度和治理结构、宏观环境以及企业特征在内的诸多因素基础上，在更长的样本期间(1995-2005年)内采用BIC信息准则和其他稳健性检验方法，识别出影响资本结构的核心变量，即那些不随研究时段、统计方法以及企业类型的不同而改变、且可以解释我国上市公司可观察到的资本结构大部分变动的变量；其目的是有助于我们把握影响资本结构的关键因素，并为未来的研究提供新线索。
二、资本结构的影响因素、变量及其预期
我们依据以下原则选择资本结构的影响因素：(1)包括权衡理论(TO)、融资优序理论(PO)以及市场时机理论(MT)在内的主流资本结构理论所论及的影响因素；(2)国内外学者在实证研究中曾经使用过的影响因素；(3)由我国的制度环境和治理结构决定的特定影响因素；(4)数据的可获得性。在此基础上，我们确定了包括企业规模、盈利性、成长性、资产特性、经营风险、财务困境、其他企业特征、内部治理结构、税收因素、产业因素、宏观因素、制度因素以及市场因素等十三大类的影响因素，以及反映这些影响因素的37个变量，具体见表1。
由于(1)不同的资本结构理论对同一类因素或者变量的预期可能是不一样的；(2)同一类因素或者变量因可反映不同的特征含义而可能产生不同的理论预期；(3)本文的主要目的并不在于探讨我国上市公司的资本结构决定更符合哪种理论的预期：所以我们在对各种影响因素或变量作出理论预期时，沿用了国内外相关研究中已经建立起来的理论预期，①以建立起本文的理论预期(见表1)。因篇幅原因，本文未具体就建立这些预期作出说明。
注： (1)TO、PO、MT分别为权衡理论、融资优序理论和市场时机理论的预期。 (2)文中“资产的市场价值”是指：总负债的账面价值+流通股数×股价+未流通股数×每股净资产。(3)自由现金流量为：经营现金净流量-资本支出，资本支出为长期投资、固定资产原价、无形资产和在建工程的年度变动额。(4)为避免内生性问题，我们在计算Altman Z指数时剔除了财务杠杆因素，文中Altman-Z指数的计算方法为：(3.3×税前收入+0.999×销售额+1.4×留存收益+1.2×流动资产-1.2×流动负债)/总资产。 (5)反映股权集中度的赫芬达尔指数均除以10000。 (6)名义所得税率由各上市公司的财务报表附注及补充资料中给出。由于国家的优惠税率政策，各企业的名义所得税率是不一致的。 (7)本文依照证监会公布的行业分类标准划分产业，其中制造业按二级分类标准划分，其他行业按大类标准划分，由此共划分成22个产业类别。
三、样本与数据
本文研究的样本范围为在沪深两市上市的企业，样本期间为1995-2005年。为了尽可能地保证数据的有效性，本文依照以下原则进行样本识别： (1)剔除金融类上市公司样本；(2)剔除负债比率大于等于1的样本；(3)剔除年度报表审计意见为“否定意见”和“无法出示意见”的样本；(4)剔除部分重要指标缺失的样本；(5)剔除数据异常的样本，例如MB大于10、GROW大于50的样本。据此，在1995-2005年样本期间内，共获得8802个观察值。本文所使用的上市公司数据来源于WIND数据库；所使用的各省市宏观经济数据来自于1995-2005年的《中国统计年鉴》和《中国金融年鉴》；所使用的反映制度因素的市场化进程指数来自于樊纲和王小鲁(2004)编制的1997-2002年各省市“市场化进程相对指数”。[19]鉴于该指数相对比较稳定，所以1995年和1996年的指数由1997-1999年三年的指数均值来估算；2003年和2004年的指数由2000-2002年三年的指数均值来估算。
国外学者在实证研究中使用过的衡量资本结构的指标有7个，即以账面价值计算的负债比率、债务比率和长期债务比率，以市场价值计算的负债比率、债务比率和长期债务比率以及利息保障倍数(Welch，2006)。[20]Welch认为，债务融资只是总负债的一部分，非债务负债也会对资本结构产生较大的影响；若以债务融资与总资产之比作为资本结构的代理变量，则会有很大的偏差。因此，他认为负债比率(总负债与总资产之比)更能反映资本结构的本质。出于这个原因，同时也为了与国内的同类研究保持一致，我们采用以市场价值计算的负债比率(TDM)和账面价值计算的负债比率(TDB)作为应变量。②本文所选取的37个资本结构的影响变量，其简称、定义与计算方法见表1。
四、描述性统计结果
表2对各应变量与自变量进行了描述性统计分析。结果表明，样本中以市场价值计算的负债比率TDM均值为35.53％，中值为34.00％；以账面价值计算的负债比率TDB均值为46.49％，中值为46.83％。我们对各变量进行了相关性检验，结果表明大多数自变量之间的Pearson相关系数均在0.5以下，但以下自变量之间的相关系数超过0.5，即LOGS-LOGA为0.80、GROW-CHGS为0.69、DYDG-GQJZ为0.97、DYDG-QTDG为-0.52、LTG-GQJD为-0.51、PROF-ZSCO为0.58。出于篇幅的考虑，本文未列示变量的相关系数表。
五、核心变量的识别过程与统计结果
对影响资本结构的核心变量的识别检验分三个步骤进行。首先，在上述列示的变量中筛选出进入统计检验的影响变量。筛选的标准是： (1)所选择的变量在经济意义上不直接重叠；(2)在选择变量时考虑变量之间的相关系数，以避免多重共线性；(3)尽可能地使用国内外研究中常用的指标；(4)暂时剔除在检验的整个样本期间(1995-2005年)缺失数据的变量。依据这些标准，我们做出如下变量筛选： (1)在企业规模因素中使用LOGA，因为这个指标在国内同类研究中使用较多，且与其他自变量之间的相关系数较小；而LOGS和LOGM将用于稳健性检验。 (2)在成长性因素中使用销售额增长率GROW，因为CHGS与GROW具有相似的经济意义，且两者之间具有较大的相关系数，GROW也更为常用；而CHGS将用于稳健性检验。(3)在内部治理因素中剔除第一大股东持股比例DYDG和流通股比例LTG。由于DYDG与股权集中度GQJZ以及其他大股东比例QTDG的相关系数均较高，且GQJZ与DYDG具有相似的经济含义，所以我们剔除DYDG；又由于流通股比例LTG和GQJZ的相关系数也较高，但考虑到股权集中度是反映我国上市公司治理特征的重要变量，所以我们剔除了LTD。 (4)在财务困境因素中剔除ZSCO。由于折旧息税前利润率PROF与剔除了杠杆效应的Z指数(ZSCO)之间具有较高的相关系数，且考虑到ZSCO是一个综合性指数，其包含了包括盈利性在内的几种企业特征效应，而这些效应可在反映企业特征的其他变量中得以体现，所以我们保留了PROF，而剔除了综合性指标ZSCO。(5)在整个样本期间(1995-2005年)共有11个变量因某些年份的数据缺失而被剔除，它们是FCF、NDT、MATU、SVAR、JGCG、GGCG、GGRZ、GQXZ、SVAR、DLDS和FXDS，但这1 1个变量将在分时段和分年度的稳健性检验中再次相应纳入。本文由此选定了进入1995-2005年整个样本期间回归统计的变量共21个。
其次，我们运用资本结构影响因素的检验模型在BIC信息准则下进行核心变量的识别。本文所采用的检验模型③为：
在识别影响资本结构的核心变量时，本文采用的是BIC信息准则。④BIC的判断式如下：
BIC=-2×log(likelihood)+P×log(N)
其中，log(likelihood)表示每次回归时得到的极大似然值、P表示自变量的个数、N表示样本数。
需要指出的是，BIC值是非单调的。判断的过程是先将应变量对每个自变量进行回归，记下每次回归时得到的BIC值，且选取BIC值最小的那个变量作为初始自变量；然后依次分别加入余下的各个自变量进行回归并记下相应的BIC值，且根据最小的BIC值选取出第二个自变量。此过程不断重复，直到包含所有的自变量，并得到相应个BIC值。BIC值达到最小时所包括的自变量即为识别出的核心变量。
表3列示了应变量为TDM时在BIC信息准则下的混合回归统计结果，表中虚线以上的变量为识别出的影响资本结构的核心变量。不难看出，影响资本结构的核心变量共有10个。我们还使用TDB替代应变量TDM做同样的检验，并发现影响资本结构的核心变量也有10个(见表3的最后一列)。检验结果表明，两者重叠的核心变量有7个，即LOGA、PROF、INLEV、TAXR、GQJZ、GROW和SJDW；不重叠的核心变量有6个，即MB、CPI、QTDG，COLL、CAPE和SRET。
注： (1)在应变量为TDM的列中，虚线以上的为BIC准则下识别出来的核心变量。 (2)在应变量为TDB的列中，有“+”、“-”表示的变量为核心变量，“+”或“-”所报告的是该变量与应变量的相关关系；()内的数字表明了该核心变量重要程度的排序，序数越小越重要；“空格”表示该变量没有成为核心变量。
为了对所识别出的核心变量在不同的时段和年度做出稳健性检验，本文(1)分别以TDM和TDB为应变量在两个时段，即1995-2000年和2000-2005年分别重复上述检验，结果见表4列(Ⅰ)和(Ⅱ)；(2)分别以TDM和TDB为应变量在样本期间分年度分别重复上述检验，结果见表4列(Ⅲ)。因篇幅原因，表4仅列示了各变量在所有年度中成为核心变量的频率。在分时段和分年度检验时，我们还纳入了在整个样本期间检验时因某些年份数据缺失而被剔除的变量。
注：(1)表中虚线以上的10个变量是在整个样本期间(1995-2005年)以TDM为应变量，依据BIC准则识别出来的核心变量；表中实线以上的21个变量是在整个样本期间具有完整数据的变量。(2)列(Ⅰ)、(Ⅱ)中，有“+”、“-”表示的变量为检验中识别出的核心变量，“+”或“-”所报告的是该变量与应变量的相关关系；()内的数字表明了该核心变量重要程度的排序，序数越小越重要。(3)列(Ⅲ)中，“+”或“-”所报告的是该变量与应变量的相关关系，[]中数字表示该变量在分年度检验中成为核心变量的频率，单位是％。例如，[80]表示某变量在进入统计的所有年度中有80％的机会成为核心变量。我们没有报告实线以下的变量成为核心变量的频率，因为这些变量仅在某些年份有数据。(4)列(Ⅳ)中，“+”或“-”所报告的是该变量与应变量的相关关系，[]中数字表示该变量在企业类型分层检验中成为核心变量的频率，单位是％。例如，[80]表示某变量在进入统计的所有企业类型分层中有80％的机会成为核心变量。(5)表中“空格”表示该变量没有成为核心变量，“na”表示该变量在本年度或本时段缺失数据或者由于该变量和另一变量相关系数太大而在回归统计前舍去。
从表3和表4列(Ⅰ)-(Ⅲ)可以发现：第一，在识别出的7个重叠的核心变量中，统计关系最具稳健性的是LOGA、PROF和INLEV；这3个核心变量对应变量的解释能力至少排序第四，且在分年度检验中成为核心变量的频率至少达到90％。统计关系相对稳定的是TAXR、SJDW、GQJZ和GROW，其中，SJDW在两个分时段检验中均成为核心变量，但TAXR和GQJZ在1995-2000年分年度检验中未成为核心变量，GROW在2000-2005年分时段以TDM为应变量的检验中也未成为核心变量；此外，与LOGA、PROF和INLEV的统计结果相比，这4个核心变量在分年度检验中成为核心变量的频率降低了。从整体上看，所识别出的7个重叠核心变量仍具有稳健性。第二，从统计结果可以看出，所识别出的6个不重叠核心变量对应变量、研究时段以及年度的选择具有相当的敏感性。MB和CPI在以TDM为应变量的检验中均稳定地成为核心变量，但当以TDB为应变量时却从未出现在核心变量圈内。CAPE和COLL相对地在以TDB为应变量时，成为核心变量的可能性较大；SRET只在1996-2005年分时段成为核心变量，而QTDG在所有的分时段和分年度检验中均未进入核心变量圈。第三，我们需要特别关注一下2001-2005年这个时段，这不仅是因为在这个时段的样本数量大幅增加，而且在这个时段因信息披露更加充分而使得我们能够纳入更多的变量。与前一时段1995-2000年纳入的21个变量相比，在该时段纳入了30个变量。统计结果表明，除了7个重叠的核心变量外，在前一个时段因数据缺失而没有纳入检验的变量MATU成为了核心变量，且具有稳健性；尽管CHGA也进入核心变量圈，但在分年度检验中，其统计结果却不稳定。
除此之外，我们还分别以TDM和TDB作为应变量，在整个样本期间(1995-2005年)依据不同的企业类型在BIC信息判断准则下进行分层回归统计。分层依照以MB衡量的成长性、以LOGA衡量的企业规模、以PROF衡量的盈利性以及以是否发放股利DIVID分别进行；除了按是否发放股利分成两组检验外，其余均按三分位值分成三层，分别取较大和较小的那组进行检验。表4列(Ⅳ)列示了各变量在企业类型的分层检验中进入核心变量圈的频率。不难看出，所识别出的7个重叠的核心变量在不同的企业类型分层检验中，继续成为核心变量的频率至少达到75％；而6个不重叠的变量进入核心变量圈的频率相对较低。除此我们还发现：在以TDM为应变量时，MB和CPI成为核心变量的频率分别高达88％和63％；在以TDB为应变量时，CAPE和COLL成为核心变量的频率分别达到75％和38％；而SRET和QTDG在企业类型分层检验中，几乎没有进入核心变量圈。
上述统计检验的结果表明，从整体上看，所识别出的7个重叠的核心变量具有相当的稳健性，统计结果不随应变量、研究时段以及企业类型的改变而改变；而其他核心变量的统计结果就显得不够稳定了。统计结果还表明，在对资本结构的统计检验中，除了可以控制7个重叠核心变量外，在以TDM为应变量时，还可控制市账比MB和各省市的通胀指标CPI；在以TDB为应变量时，还可控制资本支出CAPE和可担保价值COLL；在以2000-2005年为研究时段时，还可控制MATU；而以上市时间衡量的公司成熟度MATU，在一定程度上反映了企业历史对资本结构的影响。
再者，在上述两个识别步骤的基础上，我们使用固定效应模型对所识别的7个重叠核心因素在整个样本期间(1995-2005年)做进一步验证，以考察企业固定效应和时间固定效应对核心变量识别的统计结果的影响(见表5)。
注：***、**、*分别表示在1％、5％、10％的水平上显著，括号内是t值。
从表5可以看出，无论是以TDB还是以TDM为应变量，只要纳入企业固定效应或者同时纳入企业固定效应和时间固定效应，GQJZ和SJDW的回归系数或者失去显著性，或者由正变为负且失去显著性。可能的原因是：由于上市公司的股权结构变动较为平缓，且一般不会轻易更改审计单位，所以股权集中度GQJZ以及反映信息披露质量的虚拟变量SJDW具有较高的稳定性，不随时间的改变而改变，由此该变量所反映的信息可能已在企业固定效应中得以体现了。因此，在进行固定效应的统计检验时，可以不控制GQJZ和SJDW。
在检验中，我们还使用了具有相同经济意义的其他变量来替代所识别出的核心变量，以进一步检验这些核心变量的稳健性。我们分别使用反映企业规模的LOGS和LOGM替代LOGA、反映成长性的CHGS替代GROW。经重复上述检验过程后发现，LOGS和CHGS也是稳健的核心变量，但LOGM不是。因篇幅原因，未列示统计结果。
经过上述三个步骤后，我们最终识别出了不随应变量不同、研究时段和年度不同、企业类型不同以及统计方法不同而改变的影响资本结构的5个核心变量。依据重要程度，这些变量依次为：LOGA(或LOGS)、PROF、INLEV、TAXR以及GROW(或CHGS)。这些核心变量分别反映和体现了以下特征因素：(1)企业特征。体现企业特征的变量有3个，其中LOGA(或LOGS)体现了企业规模；PROF衡量了盈利性；GROW(或CHGS)体现了成长性。(2)税收因素。以名义所得税率TAXR反映企业的所得税状况。(3)产业因素。以产业负债比率中位值INLEV衡量产业负债水平对资本结构产生的影响。然而，检验结果并没有反映宏观环境、制度环境和治理结构变量稳健地成为核心变量，其原因可能在于：(1)反映这些因素的变量与所识别出的5个核心变量相比较而言，其影响程度相对较弱，以致未进入核心变量圈；(2)反映这些因素的某些变量相对变动不大，以致其对资本结构的影响体现在企业固定效应中了；(3)我们所纳入的有关变量可能还不是反映这些宏观或制度因素的理想代理变量，以致其对资本结构的影响反应不足。
六、核心变量的统计意义与经济意义
我们将识别出的最后5个核心变量分别进行混合回归、固定效应回归和横截面平均回归，以进一步考察其统计意义和经济意义(结果见表6)。不难看出，5个核心变量均显示出稳健、显著的统计关系，我们以应变量TBM的结果为例进行如下说明。第一，在混合回归和横截面平均回归中，5个核心变量的变化可解释应变量变动的35％。第二，在混合回归中，5个核心变量回归得到的调整R[2]至少可解释全部变量(21个)回归得到的调整R[2]的85％。第三，在纳入企业固定效应下，回归得到的调整R[2]由35％跳升到74％，5个核心变量回归得到的调整R[2]仅可解释企业固定效应回归得到的调整R[2]的47％。这意味着那些在企业之间不同但不随时间发生变化的遗漏变量，在解释资本结构时仍起着重要作用。第四，时间固定效应的纳入对调整R[2]的影响不大，这意味着那些随时间发生变化但在企业之间不变的遗漏变量，对资本结构的影响可能不是很大。我们也可以看到，以TDB为应变量时的统计结果也是相似的，但5个核心变量混合回归下的调整R[2]仅为19％。从表6结果还可发现，5个核心变量的回归系数对是否纳入企业固定效应或者时间固定效应相当敏感。当纳入企业固定效应时，PROF和GROW的回归系数下降约50％，而LOGA却上升50％左右；当再纳入时间固定效应时，INLEV和TARX的系数也有较大幅度的下降。这意味着5个核心因素可能与那些反映企业固定效应或者时间固定效应的遗漏变量具有较高的相关性，从而影响了其对资本结构决定的影响程度。
注：(1)***、**、*分别表示在1％、5％、10％的水平上显著，括号内是t值。(2)横截面平均回归按照如下方法进行：首先统计出各变量的10年均值，然后在OLS下进行回归统计。
与表1列示的理论预期相对照可以发现，LOGA(或LOGS)、INLEV、TAXR的统计结果与权衡理论的预期一致，而PROF与融资优序理论的预期一致，但GROW(或CHGS)与权衡理论的预期不一致；此外，没有反映市场时机的变量能稳定地成为核心变量。与Frank和Goyal(2004)针对美国企业的研究结果相比，影响美国企业资本结构的核心因素有7个，它们分别是负债比率的产业中位值(INLEV)、可担保资产(COLL)、企业规模(LOGA)、预期通胀率(CPI)、市账比(MB)、盈利性(PROF)以及股利发放虚拟变量(DIVID)。所不同的是，MB、COLL、CPI和DIVID未进入我国资本结构决定的核心变量圈，而反映企业成长性的GROW和反映税收状况的TAXR成为了核心变量。此外，我们还进一步将本文的检验结果与国内学者的研究结果作一比较。(1)公司规模(LOGA或LOGS)与资本结构呈正相关性。这与国内学者的研究结果是一致的(例如，洪锡熙和沈艺峰，2000；[21]黄贵海和宋敏，2004[11])。(2)以折旧息税前利润衡量的盈利性(PROF)与资本结构呈负相关性。这个结论与国内多数学者的研究结论相一致(例如，陆正飞和辛宇，1998；[9]黄贵海和宋敏，2004[11)。(3)以销售额增长衡量的成长性(GROW或CHGS)与资本结构呈正相关性。这与吕长江与王克敏(2002)[13]研究结果相一致。但蒋殿春(2003)[22]以无形资产增长率以及陆正飞和辛宇(1998)[9]以总资产增长率衡量的成长性，并未发现其与负债比率存在显著的相关关系；也有学者发现，成长性与资本结构呈负相关关系(例如，黄贵海和宋敏，2004；[11]作平和吴世农，2002[10])。这意味着成长性与资本结构之间的关系，可能对成长性的衡量方式、所采用的统计方法以及样本期间的选择比较敏感。(4)名义所得税率(TAXR)与资本结构呈正相关性。这与黄贵海和宋敏(2004)的结果不一致。后者以平均税率来衡量公司的所得税状况，且发现平均所得税率对负债比率影响不显著。(5)产业负债比率中位值(INLEV)与资本结构呈正相关性。许多研究尤其是郭鹏飞和孙培源(2003)的研究表明，产业因素是决定企业最佳资本结构的重要影响因素之一。[23]
七、结论
本文从37个影响资本结构的变量中，通过使用BIC信息准则以及其他稳健性回归检验方法，最终识别出5个核心变量，即LOGA(或LOGS)(+)、PROF(-)、INLEV(+)、TAXR(+)、GROW(或CHGS)(+)。这5个核心变量的回归结果不随应变量的不同、样本期间的不同、企业类型的不同以及是否纳入企业固定效应和时间固定效应而改变，且可解释应变量TDM变动的35％、应变量TDB变动的19％。本文的研究结果也表明，除了公司特征因素外，公司的治理因素也会显著地影响资本结构，但其影响程度不够稳定；制度和宏观因素对资本结构的直接影响程度较小，但不排除所采用的指标不够有效以致影响统计结果的可能性。此外，本文也发现，不可观察的企业固定效应在资本结构的决定中起着重要的作用，且5个核心变量的回归系数大小对是否纳入企业固定效应或者时间固定效应具有较高的敏感性。本文的研究结果还建议，在资本结构的实证研究中，除了控制上述5个核心变量外，(1)在混合回归中，还可控制股权集中度GQJZ和信息披露质量SJDW；(2)在以TDM为应变量时，还可控制市账比MB和各省市的通胀指标CPI；(3)在以TDB为应变量时，还可控制资本支出CAPE和可担保价值COLL；(4)在以2000-2005年为研究时段时，还可控制公司成熟度指标MATU。
注释：
①如Titman和Wessles(1988)、Harris和Raviv(1991)、Rajan和Zingles(1995)、Frank和Goyal(2004)以及陆正飞和辛宇(1998)、肖作平和吴世农(2002)、黄贵海和宋敏(2004)、顾乃康和杨涛(2004)等的研究。
②在本文中，TDM=总负债的账面价值/总资产的市场价值；TDB=总负债的账面价值/总资产的账面价值。其中，总资产的市场价值为(总负债的账面价值+流通股数×股价+未流通股数×每股净资产)。
③本文所建立的检验模型是一个被广泛采用的模型(例Rajan和Zingles，1995；Frank和Goyal，2004；陆正飞和辛宇，1998；黄贵海和宋敏，2004)，但不同研究所考虑的影响变量不同。
④BIC信息判断准则是基于最小一致估计的回归残差平方和最小的原理建立起来的，用于寻求更好的拟合度以及尽量简化的模型之间平衡的一种判别工具。BIC最初被应用于对时间序列滞后阶数的选取，但近来也被应用于对进入模型的变量个数的判定。与AIC准则相比，BIC准则有更好的大样本性质。