【《创业板上市公司募资使用效率的实证研究》25000字】

I引言研究背景与意义研究背景世界上主要国家一般都通过资本市场募资扶持创业类公司的发展，以促进科技创新和经济发展。例如，成立于1971年的美国纳斯达克市场就是专为成长期的公司提供融资服务的市场，该市场有近4600只股票挂牌。纳斯达克市场规定了上市公司的最低融资额，为美国高技术产业的成长提供了重要的资金支持，孕育了微软、英特尔、戴尔等世界著名的科技公司，被奉为“美国新经济的摇篮”。我国2009年成立的创业板市场，旨在为创新型、成长型企业发展提供融资服务。截止2020年底，创业板上市公司家数为892家，总市值10.9万亿元，流通市值约7万亿元，企业上市募资额累计11887.42亿元。仅仅2020年在深交所创业板挂牌上市的企业就有107家，募资资总额共有892.95亿元。创业板市场不但为中小企业提供了更为便捷的募集资金渠道，对于缓解中小企业融资难、融资贵提供了重要途径，而且也使得中国金融市场的层次更加丰富，刺激了储蓄向投资转换，促进了高科技产业与新兴产业的发展。但是，十余年来，创业板上市企业募资使用效率却为市场所诟病。创业板首批上市公司共有28家，上市之初，共募集资金154.78亿元，平均每家公司募集资金5.53亿元，但在资金的使用上，普遍存在着超募资金闲置、变更募资投向、投资进度与承诺计划脱离等问题。因此，重视和加强对创业板上市公司募资使用效率研究，提高募资使用效率，有利于促进企业以优良的经营业绩回报投资者，形成资本市场募资的良性循环，推动资本市场的功能发挥和企业的长远发展。研究意义理论意义上，对创业板上市企业募集资金使用效率影响因素的研究，能够充实募集资金相关的理论研究。目前，我国学者对于募集资金的研究较少，一是因为更多偏向于融资效率的研究，二是更集中于对超募资金的研究，所以本文较为单纯的研究募集资金使用效率，能够弥补这方面理论研究的缺失。实践意义上，针对创业板上市公司募资使用效率存在的问题，通过理论和实证的分析，提出相应的建议，为改善创业板上市公司募资使用效率提供参考。研究内容与方法研究内容本文一共有五个章节，总体可以分为三大部分。第一部分为第一章引言，包括了研究背景、研究意义、研究内容与方法以及研究的创新与不足。第二个部分为文章的理论基础，包括了第二章与第三章。首先，阅读大量的文献，对各学者研究募集资金使用效率的相关理论进行总结，得出国内外的研究现状，其次，通过MM理论等来支持与解释影响各个因素的选取，这一部分为实证分析部分打下了良好的理论基础。第三部分为实证分析部分，包括了第四章与第五章。第四章选取了创业板首批上市的28家公司，以分析它们为主，同时，挑选了主板市场典型的27家上市企业作为对比，通过EVA法使募资使用效率量化，作为被解释变量，再使用“总资产回报率”“资本结构”“股权集中度”等六个最有影响力的自变量，构建出面板回归模型，最后对模型进行检验与修正。得出第五章的结论，并提出一些相关的改进建议。研究方法文献分析法理论分析法主要以国内上市公司募集资金使用效率相关文献资料为主，对搜集的文献和资料进行整理、汇总、分析，从而获得相对丰富的理论依据，依据理论形成了创业板上市公司募集资金使用效率影响因素的整体研究框架，为下文的实证分析提供了坚实基础。EVA法EconomicValueAdded（EVA），即经济增加值，反映的是公司的“经济利润”，指的是公司的税后经营净利润减去资本成本，其中资本成本包括股权成本和债权成本。本文在衡量募资使用效率时使用经济增加值来代表企业价值即产出、企业年总投资额来代表投入，两者相除来代表募资使用效率，作为面板回归的解释变量。回归分析法实证分析法该方法是在大量的数据中选取比较有代表性的样本，先进行一定的处理，之后使用相关软件进行面板数据回归，在一定的置信度水平之下，得出被解释变量与自变量之间较为显著的相关性，最后，以点推面，根据样本的微观实际情况得出较为全面的总体的宏观结论。对比分析法在进行创业板上市公司的募资使用效率现状的分析中，本文使用了关键财务数据的对比方法，将28家企业的最大值与最小值进行对比，突出企业之间的差距来分析问题；在具体影响因素的实证分析中，将主板市场上市的企业与创业板上市企业进行对比，可以分析出两者关于募集资金使用效率的影响因素的不同，从侧面更好得分析说明问题，并对此提出一定的建议。研究创新和不足本文的创新点主要在于：首先，以创业板首批上市的企业为样本，研究它们的募资使用效率而不是融资效率或者超募资金使用效率，样本选取的比较典型，并且研究的部分目前理论研究较少；其次，同时选取了主板市场上的27家企业与之进行对比，不仅可以侧面论证比较重要的影响因素，还可以得出两者的不同，并据此对中小企业的发展提出一定的建议。本文的不足之处在于：首先，创业板的成立年限较短，可选数据较少，可能存在统计误差；此外，选取的样本只有28家公司，有一定的偏差可能，不能完全代表整个创业板；最后，在选择对比样本时，对于主板上市企业的选择依据有些不明确，两者对比的结论不一定具有显著的现实意义。国内外研究现状创业板上市公司的主要特征创业板企业的两大特点即为成长与创新。朱和平(2004)年在研究创业板上市公司的成长性时概括出了创业板上市企业的基本特征，分别为：第一，行业分布与主板企业有较大的差异，多为新兴行业，创新性较强；第二，大多数公司的生命周期属于成长初期阶段；第三，公司的规模总体以中小型规模为主；第四，各公司之间的成长速度和能力有较大差异[5]。创业板上市公司募资使用存在的主要问题及原因募集资金投向变更程度高按照投资计划进行募投项目的投资，是创业板上市公司募资的基本要求。但是创业板市场却经常出现违背募集资金承诺，变更募集资金投向的现象。吴金娇(2012)选取了创业板首批上市的28家企业作为样本，在分析募集资金使用效率时指出，在资金使用过程中，企业存在着募集资金变更程度高的问题，28家企业有超过50%的企业发布过首募资金投向变更公告，涉及到了31个投资项目。为了改善这个现象，需要监管机构对资金滥用加大惩罚，同时，企业自身也需要更好地评估投资项目[6]。对于上市公司变更募集资金投向的行为，既有正面的解释，也有负面的看法。项燕、刘东艳(2013)认为能够影响到募集资金使用效率的重要因素主要有三类，即募集资金的项目投向、募集资金变更用途和募集资金项目使用进度，这种随意变更募集资金投向的行为被企业大股东认为是企业面对外部市场环境的改变所做出的的补救措施，但往往导致募集资金的使用效率不高，这种行为的本质是企业在IPO募集发行的早期对投资项目的可行性研究不足，且对外部市场环境变化的分析不到位[7]。刘志杰(2009)运用调查问卷分析和博弈分析的方法，研究了我国上市公司变更募集资金投向的动机和监管问题。结果显示，对募集资金使用存在误区、项目可行性论证不充分、对当前发行审批制度的规避等是上市公司变更募集资金投向的主要原因[8]。超募资金现象较为普遍采用超过募投项目所需资金的方式在资本市场融资，势必形成潜在的募资使用效率不高。但融资作为企业重要的经济活动，受企业经济人本性的驱使，势必追求募资效益的最大化，因此超募现象在国内外资本市场都较为普遍。Pagano、Panetta和Zingales(1998)研究的是二万多家意大利的上市公司，得出的结论是大部分准备上市通过发行股票融资的公司并不是为了具体的投资项目去募集资金，而更偏向于是取得超募资金的目的[1]。徐沛(2004)在研究上市公司的募集资金使用效率时指出，上市公司募集资金量超过企业发展业务的当期需要。由于审核制度的繁琐和上市资源的短缺,企业通过证监会的审核顺利发行股票的难度极大，所以，为了尽可能降低申请发行股票的成本，获取更多的收益，企业在设计发行的股份和募集的资金量时，往往是先确定上限，再考虑项目的需要，这便造成了拼凑项目和虚增项目资金需求的现象。因此，公司的项目可行性研究报告关注的便不是项目实际运作的效率，而是“可编性”和“可批性”[9]。申军静(2010)认为，我们国家的资本市场缺少相匹配的激励机制和约束机制，询价对象的报价有较大的随意性，因此这种确定价格的询价过程与股票的真实价值差异过大，从而导致了企业募资过程中产生大量超额募集资金[10]。过度投资行为相当明显当企业通过募资获取了大量资金之后，利益的追逐容易诱发企业投资冲动，进行过度投资，从而导致投资效率低下。Jensen和Meckling(1976)研究发现，由于大多数企业是委托代理机制，部分委托代理人未按照股东利益考虑投资而以自身利益为出发点考虑，从而造成企业出现过度投资，使其募集资金的使用效率低下[2]。此外，Jensen(1986)也发现，由于企业闲置资金的累积，管理层为获得更大收益就会将这部分闲置资金投入到扩大企业规模，从而导致了企业的过度投资现象[3]。吴继明、张炳才(2010)运用2005-2008年中国深圳交易所中小企业板块企业数据，结合EVA理论对中小企业投资效率进行了实证研究，结果发现我国中小企业的投资行为具有相对投资量大、投资效率偏低等特点[11]。创业板上市公司募资使用效率的实证研究方法DEA法Jeanneret(2005)运用了数据包络分析法(DEA)分析了募集资金使用以后的公司业绩变化，研究结果表明资金使用效率的高低很大程度上取决于投资项目的质量，投资项目的质量又通过项目的投资回收期和报酬收益率来体现。所以，募投项目的选择对资金的使用效率会产生比较大的影响[4]。刘玥和方先明(2011)对我国创业板首批上市的28家企业运用DEA模型去衡量这些企业对IPO募集资金使用的效率如何，通过实证分析表明，这些公司对募集资金的使用效率整体偏低，没有发挥出超募资金的价值[12]。闫丽媛和文静(2012)使用数据包络分析法(DEA)对2009年和2010年的上市公司进行分析研究，以IPO募集资金净额、股权集中度和资产负债率为输入指标，以净资产收益率、主营业务收入增长率和托宾Q值为输出指标，分析募集资金投入的充分性和产出的有效性之间的比率关系，最终得出结果显示我国创业板上市公司的募集资金使用低效[13]。回归分析法李维安(2006)选取我国1149家上市公司进行实证研究，建立回归模型分析影响公司内部治理的各个因素逐一得出：董事会越完善，公司治理水平越高，资金发生变更的概率越小，对公司的绩效越好；同样的对监事会监管水平分析得出相同的结果[14]。朱海林(2018)采用实证分析法和规范分析法，进一步建立Tobit回归模型研究我国上市公司公司治理与变更资金的关系，最后得出公司治理不完善会导致上市公司随意变更募集资金，公司治理越完善，越不会随意变更募集资金[15]。廖芳丽(2016)选取我国上市公司在2000-2014年IPO的上市公司为研究样本，通过建立多元回归现象模型，进行实证分析了上市公司变更募集资金对公司内部的财务数据的影响，认为上市公司变更募集资金对短期绩效和长期绩效存在显著的负相关[16]。池明举(2006)基于整理大量的财务数据分析，采用线性回归的方法分析得出，上市公司变更募集资金导致市场呈负反应[17]。相关分析法惠丽丽(2014)采用了相关系数分析法来找出超募资金和募集资金的整体使用效率之间的关系，分析得出这两者之间出现反向比例的关系，企业上市募集的资金不是越多越好，而是要在企业能够控制运营的能力范围内最大化的提高资金的使用效率[18]。蒋海燕(2011)基于2010年年底前上市的36家上市公司的年度报告，并进行相关描述性分析发现，我国创业板上市公司的募资使用效率偏低[19]。创业板上市公司募资使用效率的相关理论分析概念界定创业板市场创业板又称二板市场（Second-boardMarket）即第二股票交易市场，是与主板市场不同的一类证券市场，是专为暂时无法在主板市场上市的创业型企业提供募资途径和成长空间的证券交易市场。创业板是对主板市场的重要补充，在资本市场占有重要的位置。在创业板市场上市的公司具有较高的成长性，但往往成立时间较短规模较小，业绩也不突出，但有很大的成长空间。总的来说，创业板是一个门槛低、风险大、监管严格的股票市场，也是一个孵化创业型、中小型企业的摇篮。上市公司上市公司是指其公开发行的股票经过相关的管理部门批准可以在证券交易所进行上市交易的股份有限公司。上市公司是股份有限公司的一种，这种公司到证券交易所上市交易，除了必须经过批准外，还必须符合一定的条件，例如公司股本总额不少于人民币三千万元；公司开业时间在三年以上，最近三年连续盈利；持有股票面值达人民币一千元以上的股东人数不少于一千人等。募集资金使用效率国内外学者对于募资使用效率有着不同的定义。例如，宋文兵（1997）认为募集资金使用效率是一种投入与产出之间的比率关系[20]。高学哲（2005）则认为募集资金可以当做企业投入的一项的花费成本，在假定当前企业技术水平不变的情况下，如何以最小的成本投入获得利益的最大化，也就是说使得投入资金的使用效率达到最大化，在这个时候可以说企业对募集资金的使用效率高[21]。所以，综合各类文献，本文重新定义募集资金使用效率，即它是一种相对衡量指标，在一定成本取得资金的前提下，衡量投入到生产经营活动的资金能为企业带来多大增值的指标，本文用经济增加值代表企业价值即产出效益，每年投入到生产经营活动中的总投资额代表资金的投入，经济增加值率（经济增加值／总投资额）代表资金使用效率。企业使用资金效率的作用机制分析资本结构变化影响募集资金价值创造MM理论创建了现代的资本结构理论。它建立在一定的前提假设之下，例如，不存在代理成本、交易成本、破产成本；投资者和个人机构都可以以同一利率借款和贷款等等。它主要分为有税和无税两种情况。若无税，则资本结构对于企业的价值没有影响，即全资本企业的价值与负债企业价值相等：VL=EBIT式中：VL——负债企业价值；VU——全资企本业价值。R0——全资本企业的资本成本；RWACC——负债企业的加权平均资本成本。这说明企业的价值取决于企业的资产未来所带来的息税前收益，并且两个企业的资本成本相等。即资本成本也与资本结构无关:R0=RWACC(1.2)但是，股东的期望收益率随着负债的增加而相应提升：RS=R0+BS(R0-RB式中：B——负债价值；S——权益价值；RS——负债企业的权益成本；RB——负债企业的债务成本。当企业的负债增多，意味着股东所需要承担的风险增加，所以股东的预期收益率随之上升。若有税，则资本结构就对企业价值产生了影响：VL=VU+T×B(1.4)式中：T——企业所得税税率。因为有了税务，负债可以帮助企业节税，产生了税盾效应，所以，增加了负债企业的价值，多出的价值即为负债乘以税率。同时，资本成本也随之产生了变化：RS=R0+BS(R0-RB负债企业的权益成本相比较式(1.3)多乘以了一个一减税率，说明由于税务的存在，股东期望收益率上升的速度要小于无税的情况，因为企业产生了税盾，降低了债务成本和权益成本。若考虑有税，则企业的加权平均成本最终为：RWACC=SVLRS+BV以上就是对于MM定理的全部阐述，它主要解释了资本结构与公司价值的关系。在有税的情况下，不同的资本结构会影响到公司的价值大小。而公司价值大小可以理解成企业使用募集来的资金所创造的价值多少，即，企业资金使用效率越高，为公司创造的盈利越大，公司价值就越大。这说明，资本结构对于企业的募集资金使用效率具有一定的影响，本文据此选择了其作为一个自变量来进行具体的实证分析研究，作用机制如下图3.1所示。见图3.1，当企业的选择了一定的资本结构，也就是固定了负债率的大小，此时，如果负债率越大，根据MM理论，产生的税盾效应就越大，公司价值也就越大，所以体现出了企业的募集资金使用效率较高。图STYLEREF1\s3.SEQ图\*ARABIC\s11资本机构作用机制图代理成本对募集资金使用效率具有双向约束当企业产生贷款的时候，借款人和股东之间就会形成一种委托代理关系。借款人把钱给企业，是希望到期偿还本金并定期得到利息，而股东则是想利用这笔钱进行投资，发展企业，这当中存在着一定的利益冲突与风险，所以，产生了一定的代理成本，这会损害借款人的利益，而最后企业的损失则由股东承担。此外，在分配股利时，外部股东与内部人之间也会产生代理问题，而多发放股利可以减少内部人发生道德风险的概率，促使经理努力工作，谨慎做出投资，从而降低代理成本。所以，股利的多少可以在一定程度上影响到企业的成本，也可以影响到公司经理人的尽职程度，进而影响到企业的投资项目和募集资金使用效率。而基本每股收益的多少关系到可发放股利的大小，所以，本文选取了基本每股收益作为一个影响因素在后文进行分析，具体的作用机制如下图3.2。见图3.2，当企业所创造的盈利较多，股东可以分到的当期收益就越大，即基本每股收益大，此时，股东可以分配发放的股利也就相应增多，根据代理成本理论，较多的股利分配可以减少道德风险和逆向选择的发生，从而减小公司的代理成本，增加公司价值，表明企业的募集资金使用效率较高。图STYLEREF1\s3.SEQ图\*ARABIC\s12基本每股收益作用机制图股权结构可对募集资金使用效率形成激励控制权理论是关于股权结构的理论，股权结构是指股份公司总股本中，不同性质的股份所占的比例及其相互关系，包括股权集中度和股权制衡度两个方面。一方面，由于上市公司所有权与控制权分离，当管理层持有企业较低的股份时，其在职消费增加，工作积极性降低，从而影响企业一系列的经营决策，进而影响企业的市场价值；另一方面，管理层持有企业股份越多，对企业控制权越强，其管理决策对企业价值的影响程度越大。魏熙哗等(2014)基于委托代理理论和博弈论的视角，构建了最优股权结构模型，利用2006-2012年中国804家上市公司的面板数据检验了股权结构与企业价值的关系，研究表明：公司价值与股权集中度呈倒Ｕ型关系[22]。王晓巍、陈逢博(2014)以2012年12月31日前在深交所创业板上市的267家上市公司为样本，选取2009-2012年的数据作为研究对象，采用股权集中度、股权性质等因素衡量企业股权结构，运用主成分分析法衡量企业价值，建立多元线性回归模型研究股权结构与企业价值的关系，研究结果表明，企业价值与第一大股东持股比例呈回归抛物线关系，第一大股东对企业的绝对控制不利于企业价值的提升[23]。所以，综合各类文献，本文选取了股权集中度作为解释变量，因为其集中度高低会影响到公司价值与募集资金使用效率。首先，如果股权集中度较高，可能会产生较大的代理成本，因为对于管理层来说，他们管理公司并不能获取的额外的剩余回报，因此，他们可能不会努力工作，这就会减少公司价值；反之，如果股权集中度不高，管理层可能掌握的股权就越大，他们的自身利益就会与公司密切相关，所以，他们会更加谨慎的做出投资决策并规划公司的发展，也就是提高募集资金使用效率，增加公司价值，为自己谋取更多利润，具体的作用机制如下图3.3。见图3.3，当一家企业的股权集中度较小时，管理层可能掌握的股权就越多，根据股权结构理论，此时，管理层会谨慎投资与规划公司的发展，进而提升资金的募资使用效率，增加公司价值。图STYLEREF1\s3.SEQ图\*ARABIC\s13股权激励机制图创业板上市公司募集资金效率的实证分析创业板上市公司募资使用效率现状分析本小节选取了能体现上市公司募资使用效率的重要财务指标，并运用描述性统计的方法，从不同角度来分析2010-2020年十年期间，创业板上市公司募资资金使用效率的一些变化状况。营业利润率波动较大，且有走低趋向营业利润率是企业营业所得的利润除以总的销售额，从这个指标可以很好地看出一家企业的盈利能力，这从两个角度体现，一是赚取更多的利润的能力，二是节省成本或者说削减不必要开支的能力。如果企业的盈利能力较好，即营业利润率较高，说明企业在以上两方面都表现得很好，所以也可以从侧面推断出，企业的募集资金使用效率较高，因为企业可以很好的运用这些资金去进行利润创造，并且不会浪费在不必要的地方。表STYLEREF1\s4.SEQ表\*ARABIC1创业板28家企业2010-2020营业利润率(%)统计表平均值最大值最小值标准差方差20102163.352.8412.651.620112163.352.8412.871.66201215.1451.97-14.1112.621.61201313.0550.58-58.1118.173.5201416.63114.03-8.9722.316.75201513.1847.65-13.0712.221.52201613.2237.89-2.0110.231.05201711.5632.95-14.17111.222018-0.0631.09-100.6830.3312.582019-3.137.87-207.9846.8225.920201.8433.19-77.5823.745.99见4.1表和图4.1，分析可以得出，2010-2020年，28家企业的平均营业利润率起伏较大，2010-2017年在15%上下浮动，2018-2020变化较大，在0%左右变化，所以总体来看，呈现下降趋势，并且下降的较多。从2010年的21%到2020年的1.84%，共下降了19%，特别是2018-2019年，下降的幅度最大，超过了80%。此外，通过观察方差值可以发现，2010-2017年该值较小，并且变化较为平稳，稳定在1%左右，说明28家企业之间的差距并不大，但是，2018-2019该值变化剧烈，说明企业之间出现了较大的差异，有的企业营业利润率较高，有的企业则非常低，最后导致了这种现象的发生。总体来看，方差值在增大，从13%增加到了23%，10年间增长了10%，表明各个企业之间的不同变得更加明显。所以，综合来看，中小企业的募集资金效率并不是很高，并且还在逐年减少，因为企业把钱投入生产并且盈利的能力较弱，同时，各个企业之间的差异比较明显，有的企业的资金使用效率在逐年提升，而有的企业则在逐年下降。图STYLEREF1\s4.SEQ图\*ARABIC\s11营业利润率平均值见图4.2，为2010-2020年营业利润率最大的公司和最小的公司，对比发现，两者之间的数值距离较大，平均差距在50%。并且两者呈现出一个相反的变化趋势，例如，2012-2015年，营业利润率最大的企业的值虽然有波动，但总体是在上涨的，而最低的公司直接面临着亏损，这说明在面临相同的环境与经济周期时，最大的公司体现出了他的优势，也就是创造更多的经济价值，这个结论也可以从2017-2019年的这段曲线中体现。概括来说，28家企业的募集资金使用效率差距较大，特别是效率最高的企业与效率最低的企业之间。图STYLEREF1\s4.SEQ图\*ARABIC\s12营业利润率最大值与最小值营业周期延长，企业差距明显营业周期是存货周转天数与应收账款的周转天数的和，反应了企业把主营业务产品转化为收入的能力，也就是“变现”能力，从这个能力可以看出公司短期资金的流转速度，也可以从两个方面入手考虑，一个方面是存货的管理，也就是能否快速把产品出售；另一个方面是应收账款的管理，看的是能否与下游客户达成较好的协议，比如坏账的提取比例是多少，给予的商业信用期限有多大等。营业周期越短，代表企业收回现金的速度越快，这也意味着，如果企业把募集到的资金投入一个新的项目，项目变现的能力较快，因为企业进行了比较好的存货管理与应收账款的管理，所以，可以认为企业的募集资金使用效率较高。从表4.2可以发现，28家企业的平均营业周期由2010年的226天增加到了428天，增长了200天，可见资产的变现速度在延长，特别是2018-2020年这三年，不仅变化幅度大，并且上升的速度较前几年都快。表STYLEREF1\s4.SEQ表\*ARABIC228家企业2010-2020营业周期(天)相关数据统计表平均值最大值最小值标准差2010226.11588.816.59142.142011266.83728.6918.53163.842012327.41019.4921.4235.342013341.011191.8527.42247.312014314.9865.7240.19197.172015326.59842.5354.55201.042016316.4682.8654.46185.582017333.96806.8853.27196.232018341.51949.830.52214.722019342.13830.2838.72213.282020428.831368.9980.36283.56从图4.2可以较为直观的看出，28家企业中，营业周期最长的与营业周期最短之间的天数相差很多，从表4.2的具体数据计算，两者大概平均相差500天左右，并且差距在逐年递增；同时，观察标准差可以发现，标准差的数值一直较大，说明各个企业间存在着明显的不同。因为营业周期是绝对值，但是各企业主营业务不同，所以较难直接得出结论，但是可以通过比较最大值和最小值企业的天数走向，得出营业周期最小的企业10年间变化不大，基本维持在40天左右，然而，营业周期较大的企业天数波动剧烈，天数增加较多，同时，比较28家企业的平均值可以发现，10年的趋势变化总体还是平稳的，但仍旧在上升，综上，从这一指标考虑，企业的募集资金使用虽然效率变化不大，但是效率并不高，各个企业间依旧存在差距。图STYLEREF1\s4.SEQ图\*ARABIC\s1328家企业2010-2020营业周期统计图流动资产周转率波幅不大，但总体下降流动资产周转率代表着一个营业年限内企业流动资产的周转速度，这代表着企业对于流动资产的运用，特别是期限较短的一些资产，例如现金的使用。如果企业的流动资产周转率越大，意味着一定时间内，流动资产的运转速度越快，也可以说明企业的资金使用效率越高，因为企业擅于管理和投资，并且短期内可以使得项目周转起来。从表4.3的数据可以看出，28家企业的流动资产周转率变化并不大，虽然10年间略有起伏，但总体的变化不超过0.05次；观察最大值与最小值，发现周转次数最多的企业和最少的企业，两者在10年间的变化都是在下降的，说明企业的流动资产周转率在减少，企业对于流动资产的管理较差，可见，企业的募集资金使用效率并不高。表STYLEREF1\s4.SEQ表\*ARABIC328家企业2010-2020流动资产周转率(次)统计表平均值最大值最小值标准差20100.351.210.10.220110.451.050.120.2120120.511.150.110.2520130.561.260.080.2820140.611.30.170.2620150.641.460.150.3120160.581.640.20.3220170.561.740.180.3420180.571.40.070.3220190.571.620.030.3420200.40.940.060.23创业板上市公司募资效率实证分析变量选择和说明(1)被解释变量的选择基于上文3.1.3募集资金使用效率的概念界定，以及丁华等(2016)对中小板上市公司资金使用效率影响因素的相关研究[24]，本文采用经济增加值（EVA）率代表资金使用效率，衡量募集资金投入与产出之间的比率关系，作为被解释变量。经济增加值(EVA)率的计算方法是：经济增加值(EVA)=调整的税后营业利润－加权平均资本成本调整后的投资成本经济增加值(EVA)率=EVA/资本成本(2)解释变量的选择根据理论分析和参阅彭志峰等(2019)[25]、索文权(2020)[26]等对于创业板上市企业募集资金使用效率的研究，本文选择的解释变量分别是：①基本每股收益（EPS），用X1表示。基本每股收益表明了普通股股东当期的收益状况，一方面反映出企业的盈利能力，一方面关系到可分配股利的多少，影响到代理成本，这两个方面都会影响到公司价值，从而体现出企业的募集资金使用效率。其计算方法是：EPS=归属于普通股股东的当期净利润/当期发行在外普通股的加权平均数；归属于普通股股东的当期净利润=净利润－优先股股利。②盈利质量（Quality），用X2表示。盈利质量代表了公司主营业务的现金收益占比，较好的表现了企业的资金使用效率。其计算方法是：Quality=经营活动产生的现金流量净额/经营活动净收益。③总资产回报率（ROA），用X3表示。总资产回报率是重要的财务指标之一，其衡量出企业的资产运作能力，即平均每单位资产可以获得多少回报。企业把募集来的资金投入并用于购买资产，后进行运营产生收益，所以，这个指标可以从侧面表现出资金使用效率的高低。其计算方法是：ROA=净利润/平均资产×100%；平均资产=(年初资产+年末资产)/2④股权集中度（Concentration），用X4表示。股权集中度会影响到公司的价值，而公司的价值与企业的募资使用效率密切相关。其计算方法是：Concentration=前十大股东的流通股数总合/公司在外发行的所有流通股数量⑤资本结构（L/A），用X5表示。资本结构的实质是企业的负债率大小，而负债率大小会影响到企业的财务风险与股东预期收益，进而影响公司价值与募资使用效率高低。其计算方法是：L/A=总负债/总资产×100%⑥营业增长率(Revenue)，用X6表示。营业增长率是重要的财务指标之一，其衡量的是企业的成长能力，成长能力的高低意味着企业对于募集来的资金使用是否得当，也就关系着企业募资使用效率的大小。其计算方法是：Revenue=当期报告营业利润－上一期报告营业利润)/上一期报告营业利润本文选择的被解释变量和解释变量，如表4.4所示。表STYLEREF1\s4.SEQ表\*ARABIC4变量选择一览表变量类型变量名称变量符号计算方法被解释变量EVA回报率EVAEVA回报率=EVA/资本成本EVA=调整的税后营业利润－加权平均资本成本调整后的投资成本解释变量基本每股收益EPSEPS=归属于普通股股东的当期净利润/当期发行在外普通股的加权平均数盈利质量QualityQuality=经营活动产生的现金流量净额/经营活动净收益总资产回报率ROAROA=净利润/平均资产×100%平均资产=(年初资产+年末资产)/2股权集中度ConcentrationConcentration=前十大股东的流通股数总合/公司在外发行的所有流通股数量资本结构L/AL/A=总负债/总资产×100%营业增长率(同比)RevenueRevenue=当期报告营业利润－上一期报告营业利润)/上一期报告营业利润研究假设和模型构建(1)研究假设根据上文的变量内涵及选择，做出如下假设：假设1：基本每股收益(EPS)对企业的募集资金使用效率有影响，并且EPS越大，募集资金使用效率越大，两者正相关。假设2：盈利质量(quality)对企业的募集资金使用效率有影响，并且quality越大，募集资金使用效率越大，两者正相关。假设3：总资产回报率(ROA)对企业的募集资金使用效率有影响，并且ROA越大，募集资金使用效率越大，两者正相关。假设4：股权集中度(concentration)对企业的募集资金使用效率有影响，并且concentration越大，募集资金使用效率越小，两者负相关。假设5：资本结构(L/A)对企业的募集资金使用效率有影响，并且L/A越大，募集资金使用效率越小，两者负相关。假设6：营业增长率(revenue)对企业的募集资金使用效率有影响，并且revenue越大，募集资金使用效率越大，两者正相关。(2)模型构建根据假设，初步构建的回归模型如下：EVA=β0+β1tEPS式中：β0——常数项；βit(i=1,2,...6)——各个自变量对应的系数值；εit——随机误差项。样本选择与数据来源为了能够从一个较长时间观察创业板上市公司募集资金使用效率。样本选取了创业板首批上市的28家企业。28家企业作为首批上市的企业，是众多企业的代表，企业质地较好，且数据较多，易于构建模型分析。从行业分布看，观察表4.5中可以发现，创业板28家首批上市的企业分别所属18个不同的行业，例如有传媒、国防军工、零售等行业，其中，占比较多的有化学制药和电气设备行业，占比为10.71%，专用设备、计算机应用等5个行业的占比其次，为7.14%。这些行业在创业板中具有一定代表性。同时，为了加深认识上市公司募集资金使用效率，样本中选择了主板上市的27家企业进行对比。主板上市的企业，规模较大，是成熟型企业，通过与创业板的成长企业对比，可以观察两者募集资金使用效率上有无差别并分析其原因。本文选取的主板企业涵盖了比较典型的传统行业，且行业分布较均匀，例如表4.5中的钢铁行业、贸易行业和金融行业等。本文的研究数据来源于同花顺iFinD软件、上市公司年报、沪深交易所网站、证监会网站等。表STYLEREF1\s4.SEQ表\*ARABIC5创业板28家上市企业与主板上市27家企业行业统计表创业板上市企业主板上市企业所属行业数量(家)占比(%)所属行业数量(家)占比(%)化学制药310.71电力311.11电气设备310.71电气设备311.11专用设备27.14钢铁311.11医疗器械服务27.14港口航运311.11通信设备27.14计算机应用414.81计算机应用27.14贸易311.11传媒27.14煤炭加工开采27.41综合13.57食品加工制造311.11中药13.57证券311.11仪表仪器13.57电力311.11物流13.57通用设备13.57生物制品13.57农业服务13.57零售13.57国防军工13.57服装家纺13.57电器设备13.57数据来源于同花顺iFinD软件变量的描述性统计分析从表4.6的统计中可以发现，28家企业的EVA值并不大，平均值为-0.28%，说明企业的募集资金使用效率并不高。其中，EVA最大值达到了28.10%，最小值只有-67.64%，这体现出了不同企业之间的差距明显；EPS的值比较小，从平均数来看只有0.1715元，也就是每股收益不到0.5元，虽然最大的企业超过了1元，但是最小的企业却只有-2.04元；quality体现的是企业对于现金的使用与管理，观察表4.6的数据，可以得出企业对于现金的运作并不是很好的结论，因为从平均值来看，现金收益占主营业务收益的-1.84%，所以，企业对于现金流的管理有待提高；28家企业的平均ROA为3.38%，表明企业对于资产的营运能力较为缺乏，因为这个数据意味着一元的资产只能给企业带来0.03元的利润；Concentration为前十大股东的持股比例合计，其平均值为53.69%，说明企业的股权集中度较高；L/A表示的是企业的资本结构，28家企业的平均负债率为31%，但是最高的企业达到了91%，企业的负债较多；revenue为营业增长率，考察企业的成长能力，平均值为58%，代表企业的成长能力较强，但是28家企业的标准差较大以及最小最大值的差值也比较大，从而反映出这个指标的波动率较高的问题。表STYLEREF1\s4.SEQ表\*ARABIC6变量描述性统计表VariableMeanStd.Dev.MinMaxObservationsEVAoverall-.28274185.175317-67.64828.1017N=1202n=28T=42.9286between2.768176-5.0232055.508228within4.406096-63.7736324.36897EPSoverall.1715725.2775089-2.041.64N=1202n=28T=42.9286between.1261585-.0556442.4360326within.2483449-1.9684271.467914qualityoverall-1.84904312.41107-197.633284.799N=1035n=28T=36.9643between3.40592-10.927011.061582within11.9868-188.555292.80647ROAoverall3.3815735.628874-55.315230.2569N=1202n=28T=42.9286between2.787139-1.63698.685153within4.921044-52.1615825.71057Concentrationoverall53.6977412.4346827.7890.601N=1039n=28T=37.1071between9.54404837.3383274.18268within8.17855731.2659283.10064LAoverall31.7731821.092551.57691.7833N=1202n=28T=42.9286between16.120288.45019179.49027within13.9184-14.65982.00609revenueoverall25.3770681.59237-97.74182322.84N=1202n=28T=42.9286between11.864789.91794166.42677within80.77148-138.79152281.791图REF_Ref17916\hSTYLEREF1\s4.4、图REF_Ref18040\hSTYLEREF1\s4.5和图4.6分别为EVA、EPS和ROA的时间序列图，每张图中都分别展示了28家企业这些变量10年间变化的趋势走向。观察三张图，可以很好的总结出这三个变量的共同点：首先，它们的数值和大小在10年期间基本上维持平稳，没有太大的变化，但在一定范围内还是存在上下浮动；其次，28家企业中的大部分企业的数值波动都较小，且剧烈波动不多，只有几家企业在10年期间的某一段时间的变化十分明显；最后，观察这些大幅度的波动时间，发现基本上出现在相同的年限，可能具有一定的经济周期性和政策原因。综上，企业的募集资金使用效率具有一定的不稳定性，并不能维持稳定增加；基本每股收益与总资产收益率也具有一定的波动性，企业的盈利能力有待进一步提升。图STYLEREF1\s4.SEQ图\*ARABIC\s14EVA时间序列图图STYLEREF1\s4.SEQ图\*ARABIC\s15EPS时间序列图图STYLEREF1\s4.SEQ图\*ARABIC\s16ROA时间序列图图4.7和图4.8分别是自变量quality和revenue的时间序列图，两个变量在10年内的趋势特征并不明显，数值和大小都接近于没有变化，也没有太多的波动，特别是变量revenue；另外，28家企业只有极个别企业出现了一些特殊情况，出现的时间也依旧是比较相同的。综上，说明企业的盈利质量和营业增长率稳定，企业的成长能力较好，并在逐年扩大。图STYLEREF1\s4.SEQ图\*ARABIC\s17quality时间序列图图STYLEREF1\s4.SEQ图\*ARABIC\s18revenue时间序列图图4.9和图4.10为解释变量concentration和LA的时间序列图，从图中可以发现它们的趋势走向显著。前十大股东的持股比例合计在10年间都呈现下降趋势，说明企业的股权集中程度在下降，可能会对募集资金使用效率产生一定的影响；反观资产负债率，虽然10年间波动明显，但是最后的数值高于最初，说明企业的负债在不断增加。图STYLEREF1\s4.SEQ图\*ARABIC\s19concentration时间序列图图STYLEREF1\s4.SEQ图\*ARABIC\s110LA时间序列图模型检验LM检验根据本文研究采用的数据资料，属于面板数据，因此所构建的模型应该属于面板数据回归模型。为了确定变量参数估计是采用固定效应模型(FE)、随机效应模型(RE)，还是混合效应模型，需要进行必要的检验。本文选择进行LM检验，是为了在混合效应模型和随机效应模型中作出选择。该检验的原假设H0为σμ2=0，备择假设H1为σμ2≠0，所以，如果拒绝原假设就应选择随机效应模型，反之，应选择混合效应模型。检验结果如表4.7所示。表4.7最后一行的P值为0，明显小于0.05的α值，所以，拒绝原假设，应该选择随机效应模型。表STYLEREF1\s4.SEQ表\*ARABIC7LM检验结果表BreuschandPaganLagrangianmultipliertestforrandom effectsEVA[company,t]=Xb+u[company]+e[company,t]Estimatedresults:Varsd=sqrt(Var)EVA16.39184.048679e3.7122741.926726u.1725556.4153981Test:Var(u)=0chibar2(01)=267.96Prob>chibar2=0.0000Hausman检验用Hausman检验的目的，是进行随机效应模型和固定效应模型之间的选择。Hausman检验的基本思想是，若Cov(αi，Xi)=0，FE和RE都是一致的，但是RE更有效；若Cov(αi，Xi)≠0，FE的估计仍然一致，但是RE是有偏的，因此，如果原假设成立，则FE与RE估计量将共同收敛于真实的参数值；反之，两者的差距过大，则倾向于拒绝原假设，选择FE。观察表4.8的P值为0，所以拒绝原假设，选择使用FE。表STYLEREF1\s4.SEQ表\*ARABIC8Hausman检验结果表Test:H0:differenceincoefficientsnotsystematicchi2(7)=(b-B)'[(V_b-V_B)^(-1)](b-B)90.04Prob>chi20.0000综上，再结合考虑时间效应与企业的个体效应，最终确定构建的模型为双向固定效应模型，公式为：EVAit=β0+β式中：β0——常数项；βit(i=1,2,...6)——各个自变量对应的系数值；αi——28家企业的个体效应；λt——时间效应；εit——随机误差项。单位根检验在进行了模型的选择之后，需要对数据进行一定的检验与筛选，来确保下一步的估计是否可以进行。所以，本文选择使用LLC检验对七个变量的所有数据进行单位根检验，用来判断数据是否平稳。如果数据不平稳，就极有可能出现伪回归现象，导致模型的估计结果无效或没有实际意义。LLC检验的原假设H0为存在单位根，即数据不平稳，易出现伪回归现象，影响估计结果；备择假设H1为不存在单位根现象，数据平稳。七个变量的检验结果汇总如下表4.9。表STYLEREF1\s4.SEQ表\*ARABIC\s19LLC检验结果汇总表一Levin-Lin-ChutestDeterministicschosen:constantPooledADFtest,N,T=(28,43)Obs=1148Augmentedby1lags(average)Truncation:11coefficientt-valuet-starP>tEVA-0.50655-16.041-8.762320.0000EPS-0.57889-17.245-9.954370.0000quality-0.92734-23.882-15.753690.0000ROA-0.66801-19.070-11.898310.0000concentration-0.15025-7.1950.745540.7720LA-0.08786-7.490-1.561920.0592revenue-0.40889-14.682-6.595340.0000观察表格4.9的最后一列p值可以发现，除了变量concentration和LA之外，其余五个变量的p值均为0.0000小于0.05的α值，所以，拒绝原假设，不存在单位根现象，说明数据是平稳的，但是，存在两个变量的p值较大，不能拒绝原假设，也就是无法通过单位根检验。接下来，对concentration和LA这两个变量取一阶差分后，再次进行LLC检验，结果如下表4.10。通过观察这张表格的p值，发现两个变量的p值均为0，已经通过了单位根检验。所以，可以认为这两个变量的数据总体是平稳的，但是趋势并不明显，需要进行一定的处理后才可以被观察发现。表STYLEREF1\s4.SEQ表\*ARABIC\s110LLC检验结果汇总表二Levin-Lin-ChutestDeterministicschosen:constantPooledADFtest,N,T=(28,42)Obs=1120Augmentedby1lags(average)Truncation:10coefficientt-valuet-starP>tD_concentration-1.52832-28.661-5.253890.0000D_LA-1.12015-25.733-16.008640.0000协整检验由于七个自变量当中有二个自变量是不平稳的，所以，面板数据为部分不平稳面板数据，需要进行协整检验。协整检验的目的是为了判定各变量之间是否具有长期的均衡关系，如果通过该检验，就可以对原始数据进行直接回归，并且该回归的结果是比较准确的；反之，则需要对部分变量进行一定的处理后，再进行回归以确保结果的准确性。本文采用Pedroni检验对自变量之间的关系进行协整，结果如表4.11所示。检验的原假设为不存在协整关系，备择假设为存在协整关系。观察表4.11中的p值发现，所有p值均较小，小于0.05的显著性水平，说明在95%的置信度下，应该拒绝原假设，即，七个变量之间存在协整关系，数据具有长期的稳定关系，可以进行直接回归。表STYLEREF1\s4.SEQ表\*ARABIC\s111Pedroni检验结果表PedronitestforcointegrationH0:NocointegrationNumberofpanels=28Ha:AllpanelsarecointegratedAvg.numberofperiods=41.929StatisticPvalueModifiedPhillips-Perront3.17550.0007Phillips-Perront17.24120.0000AugmentedDickey-Fullert17.34400.0000模型的估计与分析初步估计首先，在假设的基础上，通过散点图，进行比较直观的初步判断。通过stata软件，把每个解释变量与被解释变量之间生成两个散点图，第一个就是普通的散点图，第二个则是在去除其他变量的影响以后的偏回归图，能够更加准确的看出两者之间的关系。在假设中，EPS、quality与募集资金使用效率是正相关的，通过图4.11和图4.13的较初步的散点图可以验证，但是，经过对于其他自变量的控制，生成的图4.12和图4.14就可以发现，两者的关系变成了较为明显的负相关，此外，quality对于EVA的影响趋势并不明显，所以，有待进行进一步的精确检验。图STYLEREF1\s4.SEQ图\*ARABIC\s111EPS散点图图STYLEREF1\s4.SEQ图\*ARABIC\s112EPS偏回归图图STYLEREF1\s4.SEQ图\*ARABIC\s113quality散点图图STYLEREF1\s4.SEQ图\*ARABIC\s114quality偏回归图在与EVA的假设关系中，LA与其是呈现负相关的，观察图4.15可以发现该假设是正确的，并且数据分布较密集，可以看出两者有着很明显的关系，说明LA对于EVA是有影响的，但是图4.16的偏回归图表明，两者是负相关的，两张图出现了相反的结论，所以，两者的关系需要精确检验。图STYLEREF1\s4.SEQ图\*ARABIC\s115LA散点图图STYLEREF1\s4.SEQ图\*ARABIC\s116LA偏回归图通过基本假设，可以得知自变量revenue、ROA与被解释变量EVA之间是存在着一定的关系的，并且两者应该是正相关的，通过观察散点图4.17、4.18和修正以后的偏回归图4.19和4.20，可以发现，图中的趋势线是验证上述结论的，并且上扬趋势明显，自变量显著影响着被解释变量。图STYLEREF1\s4.SEQ图\*ARABIC\s117revenue散点图图STYLEREF1\s4.SEQ图\*ARABIC\s118revenue散点图图STYLEREF1\s4.SEQ图\*ARABIC\s119ROA散点图图STYLEREF1\s4.SEQ图\*ARABIC\s120ROA偏回归图精确估计经过上一步的初步估计，接下来对于模型进行精确估计。把数据导入，输入一定的命令，进行双向固定效应模型的估计。估计的公式为：EVAit=(−5.912)+(−1.128)首先，观察REF_Ref15738\h表4.12的p-value和sig两列，可以在一定的置信水平下验证假设的正确性，其中被解释变量为EVA。第一个自变量基本每股收益(EPS)的p值为0.064，sig为*，这表明，在90%的置信度下，EPS的统计结果不显著，即，EPS对被解释变量没有影响，因为p值大于α值(为0.1)；第二个自变量为盈利质量(quality)，用上述同样的方法观察发现，quality的p值为0.549，sig没有显示，由于p值足够大，说明统计结果是不显著的，即quality对EVA没有影响；剩下的四个变量分别为总资产回报率(ROA)、前十大股东比例合计(concentration)、资产负债率(LA)和营业增长率(revenue)，分别对比他们的p值和α值，发现它们的p值非常小，接近于0，并且sig为***，代表着在99%的置信水平下，p值小于α值(为0.01)，所以，统计结果是显著的，即，四个变量都对被解释变量有着显著影响。表STYLEREF1\s4.SEQ表\*ARABIC12双向固定效应模型回归结果统计表EVACoef.St.Err.t-valuep-value[95%Conf.Interval]SigEPS-1.128.608-1.86.064-2.322.065*quality-.003.005-0.60.549-.013.007ROA.762.03422.110.694.829***concentration.049.0143.47.001.021.077***LA.056.0078.340.043.069***revenue.009.0025.180.006.012***Constant-5.9121.292-4.580-8.448-3.377***Meandependentvar0.756SDdependentvar4.049R-squared0.782Numberofobs876.000F-test88.901Prob>F0.000Akaikecrit.(AIC)3669.263Bayesiancrit.(BIC)3836.400***p<.01,**p<.05,*p<.1其次，再来观察Coef.一列，它代表着每一个自变量之前的系数，也意味着它们和被解释变量的关系与影响程度。EPS前的系数为-1.128，说明EPS与应变量之间呈现负相关，并且EPS每增加1元，EVA减少1.128%；以此类推，发现quality与被解释变量之间也展现出了负相关，quality每增加1%，EVA减少0.003%。ROA、concentration、LA和revenue与EVA都是正相关的，而且，当它们增加一个单位时，EVA都会分别增加0.762、0.049、0.056和0.009个单位。对比之前的假设，发现检验与之并不相符，例如，检验发现EPS与quality对应变量没有影响，但假设认为存在影响；假设认为LA越大，EVA越大，但模型结果恰好相反等。即使如此，也不能马上对原假设进行拒绝，因为模型可能存在着自相关、异方差和截面相关三个问题，会影响检验结果。所以，接下来，要对这三个问题进行检验并且修正，才能得出较为准确的最后结论。检验与修正首先，进行自相关的检验。见REF_Ref15925\h表STYLEREF1\s4.13，检验的原假设为没有自相关，备择假设为存在自相关。随后观察F值与p值，发现p值为0，远小于0.01的α的值，所以，检验结果为不能接受原假设，即模型在99%的置信度下存在自相关。表STYLEREF1\s4.SEQ表\*ARABIC13自相关检验结果表WooldridgetestforautocorrelationinpaneldataH0:nofirst-orderautocorrelationF(1,27)=60.612Prob>F=0.0000然后，对异方差进行检验。异方差检验的原假设H0为两个异方差相等，即模型不存在异方差，如果检验结果不能接受原假设，则说明模型存在着异方差。观察REF_Ref16026\h表STYLEREF1\s4.14的最后一行，可以看到p值为0，显著小于α值，那么，在99%的置信水平下，模型存在着异方差。表STYLEREF1\s4.SEQ表\*ARABIC14异方差检验结果表ModifiedWaldtestforgroupwiseheteroskedasticityinfixedeffectregressionmodelH0:sigma(i)^2=sigma^2forallichi2(28)=412.12Prob>chi2=0.0000最后，进行截面相关的检测，选用了三种不同的方法，它们的原假设都是不存在截面相关。表4.15为用三种方法的检验结果汇总，通过p值，可以发现，采取第一、第二种方法得出来的结论是相同的，因为p值为0，所以是不能接受原假设，即模型存在截面相关；第三种方法可以通过检测值与分布中的临界值相对比得出同样的结论，检测值为8.489，而临界值是0.9027，检测值远大于临界值，所以，也不能接受原假设，即模型存在着截面相关。表STYLEREF1\s4.SEQ表\*ARABIC15截面相关检验结果表Pesaran'stestofcrosssectionalindependence=31.843Pr=0.0000Friedman'stestofcrosssectionalindependence=214.073Pr=0.0000Frees'testofcrosssectionalindependence=8.489CriticalvaluesfromFrees'Qdistributionalpha=0.10:0.4127alpha=0.05:0.5676alpha=0.01:0.9027综上，通过检验，发现模型存在着三个问题，所以，要对此进行修正。修正通过stata命令(在附录中呈现)，使用三种不同的方法，最后对没有修正前和修正后的四种结果进行汇总如表4.16，第一列为没有修正时的数据，第二、三、四列为用三种方法进行修正后的结果。三种方法各有优劣，本文选用第三列的结果为主，其他两列结果来辅助证明。表4.17和表4.18为采取第三种的修正结果表。表STYLEREF1\s4.SEQ表\*ARABIC16修正结果汇总表(1)(2)(3)(4)olsar1scpsar1EPS-1.13-1.25-1.13-2.09***(0.064)(0.089)(0.086)(0.001)quality-0.00-0.00-0.00-0.00(0.549)(0.275)(0.356)(0.392)ROA0.76***0.73***0.76***0.74***(0.000)(0.000)(0.000)(0.000)concentration0.05***0.05**0.05**0.06***(0.001)(0.004)(0.002)(0.000)LA0.06***0.05***0.06***0.05***(0.000)(0.000)(0.000)(0.000)revenue0.01***0.01***0.01***0.01***(0.000)(0.000)(0.000)(0.000)_cons-5.91***-11.20***-11.50***-8.63***(0.000)(0.000)(0.000)(0.000)p-valuesinparentheses*p<0.05,**p<0.01,***p<0.001表STYLEREF1\s4.SEQ表\*ARABIC17创业板企业DriscollKraay方法修正结果一RegressionwithDriscollKraaystandarderrorsNumberofobs=876Method:PooledOLSNumberofgroups=28Groupvariable(i):companyF(34,38)=27463.77maximumlag:3Prob>F=0.0000Rsquared=0.7823RootMSE=1.9267表STYLEREF1\s4.SEQ表\*ARABIC18创业板企业DriscollKraay方法修正结果二EVACoef.Std.Err.tP>t[95%Conf.Interval]EPS-1.1280.639-1.7700.086-2.4220.166quality-0.0030.003-0.9300.356-0.0100.004ROA0.7620.04417.2900.0000.6720.851concentration0.0490.0153.2400.0020.0180.079LA0.0560.0086.6000.0000.0390.073revenue0.0090.0024.1200.0000.0050.013_cons-11.4991.251-9.1900.000-14.033-8.966通过观察表4.18，可以对之前的6个假设进行定性分析，也就是6个自变量对募集资金使用效率是否存在影响。观察p值后发现，只有自变量quality的检验结果不显著，p值较大，为0.356，大于0.1的α值，所以在90%的置信水平之下，盈利质量对募集资金使用效率没有影响，原假设错误。虽然解释变量EPS的p值为0.086，但没有超过0.1的α值，所以，认为其对EVA存在着影响；同时，通过相同的方法来判断其他变量，发现它们的p值较小，均接近于0，结果是显著的。此外，通过表4.16的其他两列，也可以发现它们在95%或者99%的置信度下，呈现出显著结果，即其余的5个自变量对募集资金使用效率有着影响，原假设正确。综上，可得判断过后的修正公式为：EVAit=(-11.499)＋(-1.128)EPS1t＋0.762ROA3t＋0.049concentration4t＋0.056LA5t＋0.009revenue6t(1.9)通过式(1.9)，分析可得出定量结论：每股收益EPS与EVA存在着负相关，并且EPS每增加1元，EVA减少1.128%；总资产回报率ROA与EVA存在着正相关，并且ROA每增加1%，EVA增加0.762%；前十大股东的持股比例合计concentration与EVA存在着正相关，并且该比例每增加1%，EVA增加0.049%；资产负债率LA与EVA存在着正相关，并且LA每增加1%，EVA增加0.056%；营业利润率revenue与EVA存在着正相关，并且revenue每增加1%，EVA增加0.009%。最后，表4.17中的Rsquared为0.7823，说明整个公式的78.23%，拟合程度较高。此外，仔细观察表4.16的其他两列可以发现，每个自变量的系数大小与式(1.9)相差不大，同时，正负也与式(1.9)完全相同，都从侧面证明了式式(1.9)的严谨性与模型结果的正确性。用上述步骤对主板的27家企业数据进行完全相同的操作，通过表4.19和表4.20可以得出主板企业的相关公式：EVAit=(-3.563)+3.827EPS1t＋0.099ROA3t＋0.087LA5t＋0.043revenue6t(2.0)表STYLEREF1\s4.SEQ表\*ARABIC19主板企业DriscollKraay方法修正结果一RegressionwithDriscollKraaystandarderrorsNumberofobs=853Method:PooledOLSNumberofgroups=27Groupvariable(i):company2F(33,37)=3635.65maximumlag:3Prob>F=0.0000Rsquared=0.6282RootMSE=3.9102表STYLEREF1\s4.SEQ表\*ARABIC20主板企业DriscollKraay方法修正结果二EVA2Coef.Std.Err.tP>t[95%Conf.Interval]EPS23.8270.6485.9100.0002.5155.139quality20.0050.0041.2500.220-0.0030.014ROA20.0990.0214.7200.0000.0570.142concentration2-0.0190.08