一、引 言
2013年习近平总书记提出了精准扶贫的思想,在“扶持对象精准、项目安排精准、资金使用精准、措施到户精准、因村派人精准、脱贫成效精准”的基本要求下,中国的脱贫攻坚事业取得了决定性成就。贫困人口从2012年年底的9 899万人减少到2019年年底的551万人,贫困发生率由10.2%降至0.6%,脱贫攻坚目标任务接近完成。①在当前的扶贫开发格局下,企业②被视为精准扶贫开发的重要主体,国家陆续出台了一系列文件鼓励和强化企业参与扶贫开发。从企业精准扶贫③实践来看,2016年披露参与精准扶贫的A股非金融类上市公司为498家,2017年为732家,2018年上升到921家,④分别占当年A股非金融类上市公司总数的16.32%、21.43%和26.36%。这一数据表明,越来越多的上市公司认可了自身在扶贫工作中的角色。
区别于以慈善捐赠为主的扶贫方式,以产业发展脱贫为代表的精准扶贫更具中国特色。前者是一种企业对外的转移支付,并不创造新的价值,且也并不必然指向贫困群体和地区;而后者不仅是企业的一种扶贫方式,还是其结合自身比较优势进行的产业投资,且直接指向贫困群体和地区。这种投资式的扶贫方式可以为企业和社会创造新的价值。或许这一区别可以解释为何企业作为追求利益最大化的市场主体,会有如此大的动力开展精准扶贫。
基于此,本文以融资约束作为场景,检验了是否参与精准扶贫以及参与不同类型的精准扶贫对企业融资约束的影响,并在此基础上探究其作用机制,以期研究结果能帮助我们更好地理解中国企业参与精准扶贫的动机,以及这种社会责任行为是否可以受到市场的认可,进而引导经济资源的分配。
本文的实证结果显示:精准扶贫具有引导社会经济资源分配的功能,具体体现为,参与精准扶贫的企业可以获得更多的经济资源(信贷支持和政府补贴),从而缓解其融资约束,且对于参与产业发展脱贫,特别是以银企合作的形式参与产业发展脱贫的企业而言,以上效应尤为突出。研究结论说明,企业参与精准扶贫也可以是价值导向的,能够实现企业利益与社会福利的一致性。机制检验显示,参与不同类型的精准扶贫,企业获取经济资源的内在机制不同:对于参与产业发展脱贫的企业,信息效应和资源效应同时存在;而对于参与其他类型精准扶贫的企业,仅存在资源效应。进一步分析发现,参与精准扶贫对企业融资约束的缓解作用存在产权性质差异和地域差异。
本文的贡献如下:首先,基于中国的制度背景,文章探索了企业精准扶贫与融资约束之间的关系,丰富了企业社会责任的研究文献。已有研究发现企业社会责任认知和选择会受到制度和文化影响(Matten和Moon,2008;Gao,2011;Brammer等,2012;唐跃军等,2014),基于中国企业社会责任的新发展,本文辨析了精准扶贫特别是产业发展脱贫与传统企业慈善行为的不同特点,认为与企业传统慈善行为相比,参与产业发展脱贫具有传递未来现金流的功能,拓展了企业社会责任的研究,体现了较强的中国特色和时代背景。其次,本文从微观的视角探讨企业参与精准扶贫的内在机理,丰富了精准扶贫研究文献。现有研究已经充分探讨了精准扶贫的内涵与外延、精准扶贫思想的发展、精准扶贫效果评价等(李玉山和陆远权,2020;王雨磊和苏杨,2020;张俊良等,2020),仅有少量文献开始关注企业精准扶贫行为,但仅聚焦于事实描述和影响因素(黄晓蓓和钟宏武,2019;杜世风等,2019)。本文从融资约束的视角出发,探讨了参与精准扶贫对企业经营的影响,补充了精准扶贫资本市场反应的研究,也为理解企业参与精准扶贫的动机提供了一个新的视角,丰富了该领域的研究文献。最后,本文的研究表明企业参与精准扶贫是可以实现企业利益与社会福利一致性的,该结果对寻求扶贫策略的帕累托改进的相关文献也是一种补充(Mosley和Hulme,1998;Harrison等,2003)。当然从现实意义来讲,结合目前许多企业尚未参与精准扶贫的现实,本文揭示了企业在脱贫攻坚中的巨大潜力,为进一步夺取脱贫攻坚的全面胜利提供了企业层面的政策参考。其次,本文从微观的视角探讨企业参与精准扶贫的内在机理,丰富了精准扶贫研究文献。现有研究已经充分探讨了精准扶贫的内涵与外延、精准扶贫思想的发展、精准扶贫效果评价等(李玉山和陆远权,2020;王雨磊和苏杨,2020;张俊良等,2020),仅有少量文献开始关注企业精准扶贫行为,但仅聚焦于事实描述和影响因素(黄晓蓓和钟宏武,2019;杜世风等,2019)。本文从融资约束的视角出发,探讨了参与精准扶贫对企业经营的影响,补充了精准扶贫资本市场反应的研究,也为理解企业参与精准扶贫的动机提供了一个新的视角,丰富了该领域的研究文献。
本文的其余部分安排如下:第二部分是制度背景与研究假设,第三部分是研究设计,第四部分是实证结果与分析,第五部分是精准扶贫影响企业融资约束的机制检验,第六部分是稳健性检验与进一步分析,最后是研究结论。
二、制度背景与研究假设
(一)制度背景。在中国,企业直接参与扶贫工作由来已久。早在1994年颁布的《国家八七扶贫攻坚计划(1994—2000年)》中,国家就已经开始鼓励企业直接参与扶贫工作。⑤2013年精准扶贫提出以后,国家又进一步出台了相应的政策来加大对企业参与扶贫开发的鼓励,如2013年,中共中央办公厅、国务院办公厅下发的《关于创新机制扎实推进农村扶贫开发工作的意见》;⑥2014年,国务院办公厅颁布的《关于进一步动员社会各方面力量参与扶贫开发的意见》⑦等。为了支持企业参与扶贫工作,各级行政及事业单位也出台了一系列优惠和配套政策。在中央层面,2016年全国工商联、国务院扶贫办、中国光彩会与中国农业发展银行签订了《政策性金融支持“万企帮万村”精准扶贫行动战略合作协议》,对参与“万企帮万村”的民营企业在扶贫的贷款上给予支持;2019年,财政部、税务总局、国务院扶贫办联合印发了《关于企业扶贫捐赠所得税税前扣除政策的公告》和《关于扶贫货物捐赠免征增值税政策的公告》,对企业扶贫捐赠的所得税和增值税给予减免等。在监管部门层面,2016年中国证监会发布了《中国证监会关于发挥资本市场作用服务国家脱贫攻坚战略的意见》,对投向贫困地区的定向增发融资,优先给予审核批复;对于贫困地区企业发行的企业债、公司债、中期票据和短期融资券等债券,监管和审核部门也优先给予审批。
(二)研究假设。精准扶贫作为脱贫攻坚、全面建成小康社会的重要举措,能够通过政府和市场两种途径改变企业面临的融资环境,进而影响企业的融资状况。
企业参与精准扶贫增强了其获取政府资源的能力。在目前的制度背景下,政府拥有对重要资源分配权及企业经营活动的行政审批权和管理权(戴亦一等,2014;杜勇和陈建英,2016),这也决定了政府是影响企业融资的重要主体(卢盛峰和陈思霞,2017)。已有研究发现,企业参与符合政策导向的行为(如绿色技术、“一带一路”等)和建立政治关联都可以改善企业的融资环境,缓解融资约束(李维安等,2015;徐思等,2019)。我们认为企业参与精准扶贫可以从两个方面增强企业获取政府资源的能力,进而缓解融资约束。一方面,精准扶贫作为全面建设小康社会的重要抓手,各级政府为此出台了一系列配套支持政策,如《中国证监会关于发挥资本市场作用服务国家脱贫攻坚战略的意见》《政策性金融支持“万企帮万村”精准扶贫行动战略合作协议》等。根据这些政策,参与精准扶贫的企业可以获得更多的信贷支持、较低的信贷利率和更多的税收优惠,从而缓解企业的融资约束。另一方面,参与精准扶贫可以作为企业增强与政府联系的一种途径,良好的政企关系可以帮助企业获得更有利的经营环境和资源(余明桂和潘红波,2008;李维安等,2015)。企业参与精准扶贫无疑可以减轻政府的扶贫压力和加快当地的脱贫进度,特别是在地方扶贫的业绩作为官员考核的重要依据之后,地方政府更希望企业参与精准扶贫。企业参与精准扶贫能够获得政府的好感,增强企业和政府之间的联系,进而帮助企业获取更多的资源,如政府补助和银行信贷等,从而降低其融资约束。
企业参与精准扶贫增强了其获取市场资源的能力。企业与投资者之间通常存在信息不对称问题,投资者可能会因此低估企业价值。依据信号理论,企业为了避免被投资者低估,会主动向市场传递企业价值的信号,以改变投资者对企业价值的预期。以往关于企业慈善捐赠的研究发现,慈善捐赠可以向市场传递产品高品质(Klein和Leffler,1981)、内部治理健全和发展前景良好(Lys等,2015)以及资金充裕(Shapira,2012)等信息,因此慈善捐赠较多的企业通常会获得更高的估值和资源投入。作为慈善捐赠在脱贫攻坚时期的延续和发展,精准扶贫同样具备慈善捐赠所具有的信号功能。通过参与精准扶贫,企业向外界传递自身实力较强、未来发展较好且注重社会福利等内在质量的信号。这些信号能够减少投资者对企业发展的疑虑,提高向企业提供资源的意愿。基于政府和市场两方面的分析,提出研究假设H1:相对于没有参与精准扶贫的企业,参与精准扶贫能够缓解企业的融资约束。
按照沪深两市交易所的指引,企业精准扶贫被分类为产业发展脱贫、转移就业脱贫、易地搬迁脱贫、教育扶贫、健康扶贫、生态保护扶贫、兜底保障、社会扶贫和其他项目9类。那么,不同类型的精准扶贫对企业融资约束的影响又是否一致?基于以下两点原因,我们认为在各种精准扶贫类型中产业发展脱贫对企业融资约束的影响最大。
其一,在精准扶贫的各种类型中,产业发展脱贫是扶贫效果最明显、最持久的扶贫类型,也是政府大力主推的扶贫类型。政府更希望企业以产业投资的方式参与精准扶贫,因此政府对以产业投资方式参与精准扶贫的企业可能给予更多的资源支持。
其二,产业发展脱贫兼具慈善和投资两方面功能。一方面,产业发展脱贫具有扶贫济弱的功能;另一方面,作为一种投资活动,产业发展脱贫比慈善捐赠能传递更多企业未来现金流的信息。如森源电气(股票代码:002358)披露,公司与兰考县人民政府签订光伏扶贫建设项目合作协议,协议总金额约48.55亿元,将增加公司2016年约3亿的营业收入,并可实现未来每年630万的运维收入。⑧公司未来现金流信息是投资者关注的核心,当企业参与产业发展脱贫时能够向市场传递更多有关企业未来现金流的信息,增加企业业绩的可预测性,提升投资者的投资意愿,最终表现为融资约束降低。基于以上的分析提出研究假设H2:相对于其他类型的精准扶贫,产业发展脱贫能够更大程度地缓解企业的融资约束。
实践中,企业可以采取不同的形式参与产业发展脱贫。一部分企业独自参与产业发展脱贫,而另一部分企业选择了与银行合作参与产业发展脱贫,如大北农(股票代码:002385)携手邮储银行四川省分行参与产业发展脱贫。⑨考虑到银行在企业融资中的重要作用,一个直观的预期是,企业与银行合作参与产业发展脱贫对企业融资约束的影响更大。
银行信贷是重要的企业融资方式,但银企之间的信息不对称会降低企业获得信贷的可能性、增加其信贷成本(何韧等,2012;朱恩伟等,2019)。以往研究发现,企业会主动通过建立银企关联,如持有银行股权和聘请有银行背景的高管来降低双方之间的信息不对称程度(Kroszner和Strahan,2001;祝继高,2012)。在传统的银企关联方式外,产业发展脱贫为企业建立银企关联提供了一种新的路径。我们认为,银企合作参与产业发展脱贫能帮助企业获得更多的银行信贷,从而更大程度地缓解企业的融资约束。首先,通过银企合作能增强双方之间的信息交流,降低双方信息不对称程度。其次,银企合作直接缓解了企业参与产业发展脱贫的资金投入压力,企业拥有更多的可支配资金,融资约束相对较低。最后,银企合作不仅可以向市场传递银行认可该项目的信号,帮助企业吸引到更多的资源,而且银行可以更全面、更快速地掌握项目进展和企业行为信息,降低银行监督成本,从而增强银行向企业提供信贷的意愿。基于以上的分析提出研究假设H3:相对于以其他形式参与产业发展脱贫,企业与银行合作参与产业发展脱贫能够更大程度地缓解企业的融资约束。
三、研究设计
(一)研究样本。
1. 数据。本文选择2016—2018年A股上市公司为研究样本。所用的数据来源于CSMAR数据库,并进行以下筛选和处理:(1)剔除有精准扶贫规划、年度精准扶贫概要或者后续精准扶贫计划但无实际扶贫投入的样本,同时剔除有扶贫投入总金额但无分项投入的样本;⑩(2)剔除金融行业样本;(3)剔除ST样本和资不抵债的样本;(4)剔除变量有缺失以及相关数据异常的样本;(5)对所有连续变量在1%和99%的水平上进行缩尾处理。回归采用的统计软件为Stata15。
2. 倾向得分匹配( PSM )。企业是否参与精准扶贫可能并不是随机的,而是由某些因素所决定。为了缓解样本的自选择偏差,采用逐年一比一、无放回的倾向得分匹配法构建回归样本。具体而言,本文参考魏志华等(2014)、刘星和陈西婵(2018)、潘越等(2019)、孙雪娇等(2019)的研究,从公司特征、市场表现、治理结构、行业竞争和所属行业等层面的因素来执行匹配过程,各变量的定义见表1。
变量类型 | 变量名称 | 变量符号 | 变量定义 |
被解释变量 | 融资约束KZ指数 | KZ | 借鉴Kaplan和Zingales(1997),魏志华等(2014)计算得来 |
解释变量 | 精准扶贫 | Alleviation | 企业当年披露至少一项精准扶贫具体项目的投入金额时,取值为1,否则取值为0 |
控制变量 | 规模 | Size | 公司总资产加1后的自然对数值 |
资产负债率 | Lev | 公司负债与资产的比值 | |
企业年龄 | Age | 企业自上市以来的年限 | |
公司业绩 | Roa | 上市公司年度净利润与总资产余额的比值 | |
成长性 | Growth | (企业当年营业收入−上年营业收入)/上年营业收入 | |
有形资产占比 | Fixed | 固定资产净额与总资产的比值 | |
偿债能力 | Libpay | 息税前利润与负债合计的比值 | |
产权性质 | Soe | 国有企业取1,否则取0 | |
权益筹资能力 | Offernum | 本年配股和增发募资金额的总和,单位亿元 | |
股市表现 | Yretnd | 个股回报率年末值 | |
前十大股东持股离散度 | Holdhhi | 前十大股东持股的赫芬达尔指数 | |
第一大股东持股比例 | Top1 | 第一大股东的持股比例 | |
两职合一 | Dual | 董事长与总经理兼任时取值为1,否则取值为0 | |
独立董事占比 | Indep | 独立董事人数与董事人数的比值 | |
行业竞争 | HHI | 以营业收入计算的行业竞争赫芬达尔指数 | |
年度效应 | Year | 年度虚拟变量 | |
行业效应 | Ind | 行业虚拟变量 |
在配对的过程中进一步剔除不满足共同支撑假设和匹配失败的样本,最终得到参与精准扶贫的样本1 889家,2016年443家(其中产业发展脱贫187家),2017年601家(其中产业发展脱贫274家),2018年845家(其中产业发展脱贫401家)。
(二)模型设计与变量说明。由于企业精准扶贫的披露主要在年报中,因此精准扶贫信息在t+1年才能被市场广泛、精确地获知,同时为了缓解可能的内生性问题,我们以t+1年的企业融资约束指数为被解释变量,参考潘越等(2019)的做法设计如下回归模型:
$ K{Z_{i,t + 1}} = {\beta _0} + {\beta _1}Alleviatio{n_{i,t}} + {\beta _2}Control{s_{i,t}} + {\varepsilon _{i,t}} $ | (1) |
1. 被解释变量。融资约束(KZ),常用的衡量方式有投资—现金敏感度、KZ指数、现金—现金敏感度、WW指数和SA指数。参考魏志华等(2014)的做法计算KZ指数,KZ指数的值越大表明企业的融资约束程度越高。
2. 解释变量。精准扶贫(Alleviation),公司当年是否参与精准扶贫的虚拟变量,当公司当年披露至少一项精准扶贫具体项目的投入金额时,取值为1,否则取值为0。
四、实证结果分析
(一)描述性统计。表2报告了按照是否参与精准扶贫进行分组的描述性统计。列(1)为参与精准扶贫公司的样本,列(2)为未参与精准扶贫公司的样本,列(3)为分年度匹配后的控制组样本。列(4)和列(5)分别为检验列(1)、列(2)和列(1)、列(3)中变量均值是否存在显著差异的 T 统计量。可见,在匹配之前,多数变量的差异性检验结果均在1%的水平上显著,而在匹配之后,所有特征变量的差异性检验结果均不显著,说明倾向得分匹配过程较好地缓解了样本自选择偏差。
(1) | (2) | (3) | (4) | (5) | ||||||||||
参与精准扶贫的公司 | 未参与精准扶贫的公司 | 配对组 | 均值差异 | 均值差异 | ||||||||||
变量 | 样本量 | 中位数 | 均值 | 标准差 | 样本量 | 中位数 | 均值 | 标准差 | 样本量 | 中位数 | 均值 | 标准差 | (1)—(2)T值 | (1)—(3)T值 |
KZ | 1 889 | 0.880 | 0.708 | 1.369 | 6 838 | 0.964 | 0.864 | 1.540 | 1 889 | 0.894 | 0.750 | 1.400 | 0.158*** | −0.042 |
Alleviation | 1 889 | 1.000 | 1.000 | 0.000 | 6 838 | 0.000 | 0.000 | 0.000 | 1 889 | 0.000 | 0.000 | 0.000 | −1.000 | 1.000 |
Size | 1 889 | 9.011 | 9.100 | 1.347 | 6 838 | 8.188 | 8.286 | 1.171 | 1 889 | 8.845 | 9.045 | 1.054 | −0.813*** | 0.055 |
Lev | 1 889 | 0.463 | 0.456 | 0.191 | 6 838 | 0.396 | 0.410 | 0.202 | 1 889 | 0.452 | 0.453 | 0.193 | −0.046*** | 0.003 |
Age | 1 889 | 14.000 | 12.830 | 7.300 | 6 838 | 8.000 | 10.330 | 7.410 | 1 889 | 13.000 | 12.850 | 7.231 | −2.464*** | −0.015 |
Roa | 1 889 | 0.037 | 0.042 | 0.053 | 6 838 | 0.035 | 0.033 | 0.066 | 1 889 | 0.036 | 0.042 | 0.054 | −0.009*** | 0.000 |
Growth | 1 889 | 0.124 | 0.206 | 0.490 | 6 838 | 0.142 | 0.250 | 0.564 | 1 889 | 0.133 | 0.225 | 0.485 | 0.045*** | −0.019 |
Fixed | 1 889 | 0.210 | 0.245 | 0.174 | 6 838 | 0.157 | 0.191 | 0.152 | 1 889 | 0.204 | 0.243 | 0.178 | −0.055*** | 0.002 |
Libpay | 1 889 | 0.117 | 0.196 | 0.277 | 6 838 | 0.123 | 0.195 | 0.317 | 1 889 | 0.119 | 0.198 | 0.280 | −0.002 | −0.002 |
Soe | 1 889 | 0.000 | 0.305 | 0.460 | 6 838 | 0.000 | 0.188 | 0.391 | 1 889 | 0.000 | 0.309 | 0.462 | −0.114*** | −0.004 |
Offernum | 1 889 | 0.000 | 3.317 | 11.330 | 6 838 | 0.000 | 2.535 | 8.849 | 1 889 | 0.000 | 3.358 | 10.720 | −0.760*** | −0.041 |
Yretnd | 1 889 | −0.221 | −0.172 | 0.270 | 6 838 | −0.249 | −0.202 | 0.264 | 1 889 | −0.227 | −0.183 | 0.265 | −0.029*** | 0.011 |
Holdhhi | 1 889 | 0.403 | 0.437 | 0.196 | 6 838 | 0.369 | 0.407 | 0.189 | 1 889 | 0.404 | 0.440 | 0.200 | −0.031*** | −0.002 |
Top1 | 1 889 | 32.960 | 35.620 | 15.630 | 6 838 | 30.590 | 32.600 | 13.880 | 1 889 | 33.850 | 35.410 | 14.610 | −3.045*** | 0.213 |
Dual | 1 889 | 0.000 | 0.214 | 0.410 | 6 838 | 0.000 | 0.301 | 0.459 | 1 889 | 0.000 | 0.225 | 0.418 | 0.087*** | −0.011 |
Indep | 1 889 | 36.360 | 37.550 | 5.354 | 6 838 | 36.360 | 37.710 | 5.365 | 1 889 | 33.330 | 37.480 | 5.530 | 0.170 | 0.072 |
HHI | 1 889 | 0.016 | 0.050 | 0.071 | 6 838 | 0.0163 | 0.0452 | 0.057 | 1 889 | 0.016 | 0.047 | 0.067 | −0.004** | 0.003 |
(二)回归结果。表3为假设的回归结果。其中,列(1)、列(2)和列(3)分别为单变量回归结果、没有控制年度和行业固定效应的回归结果以及控制所有变量的回归结果,Alleviation的系数均显著为负,说明相较于没有参与精准扶贫的公司,参与精准扶贫能缓解企业未来的融资约束。以列(3)为例,其经济含义是参与精准扶贫企业的KZ指数低了0.131,相较于一般情况的KZ指数降低了17.97%。控制变量与魏志华等(2014)、潘越等(2019)和徐思等(2019)的研究基本一致。
变量 | (1) | (2) | (3) | (4) | (5) | (6) | (7) |
单变量
回归 |
不加固定
效应 |
所有
变量 |
产业发展
脱贫 |
非产业发展
脱贫 |
银企合作产业
发展脱贫 |
非银企合作产业
发展脱贫 |
|
Alleviation | −0.130** | −0.132*** | −0.131*** | −0.201*** | −0.084* | −0.564*** | −0.122** |
(−2.555) | (−3.954) | (−3.965) | (−4.084) | (−1.928) | (−3.232) | (−2.512) | |
Size | −0.097*** | −0.102*** | −0.080*** | −0.115*** | −0.218*** | −0.039 | |
(−4.511) | (−4.670) | (−2.701) | (−3.878) | (−2.657) | (−1.368) | ||
Lev | 3.793*** | 3.707*** | 3.746*** | 3.685*** | 3.754*** | 3.655*** | |
(27.981) | (26.433) | (18.182) | (20.294) | (6.155) | (17.348) | ||
Age | −0.001 | 0.000 | −0.000 | 0.002 | 0.007 | −0.001 | |
(−0.340) | (0.087) | (−0.083) | (0.432) | (0.571) | (−0.294) | ||
Roa | −5.824*** | −5.862*** | −8.097*** | −4.600*** | −8.798*** | −7.827*** | |
(−8.834) | (−9.035) | (−7.851) | (−6.164) | (−3.324) | (−6.917) | ||
Growth | 0.048 | 0.045 | 0.026 | 0.049 | 0.036 | 0.025 | |
(1.353) | (1.271) | (0.443) | (1.059) | (0.253) | (0.369) | ||
Fixed | −0.542*** | −0.577*** | −0.465*** | −0.663*** | −0.672 | −0.419** | |
(−5.593) | (−4.692) | (−2.811) | (−3.889) | (−1.258) | (−2.513) | ||
Libpay | −0.170 | −0.171 | 0.100 | −0.319** | −0.047 | 0.163 | |
(−1.219) | (−1.234) | (0.484) | (−2.037) | (−0.090) | (0.778) | ||
Soe | −0.097*** | −0.166*** | −0.055 | −0.219*** | 0.189 | −0.195*** | |
(−2.828) | (−3.573) | (−0.727) | (−3.647) | (0.845) | (−2.642) | ||
Offernum | 0.003** | 0.002* | 0.000 | 0.004** | 0.007 | −0.001 | |
(2.161) | (1.686) | (0.090) | (2.156) | (1.520) | (−0.647) | ||
Yretnd | −0.187*** | −0.220*** | −0.183* | −0.203** | −0.184 | −0.151 | |
(−2.783) | (−3.100) | (−1.755) | (−2.052) | (−0.479) | (−1.470) | ||
Holdhhi | 0.151 | 0.136 | −0.077 | 0.258 | −0.011 | −0.041 | |
(0.963) | (0.854) | (−0.359) | (1.204) | (−0.015) | (−0.180) | ||
Top1 | −0.008*** | −0.007*** | −0.003 | −0.010*** | 0.001 | −0.005 | |
(−3.904) | (−3.272) | (−1.028) | (−3.427) | (0.138) | (−1.605) | ||
Dual | 0.026 | 0.012 | −0.015 | 0.040 | 0.143 | −0.062 | |
(0.594) | (0.275) | (−0.214) | (0.757) | (0.582) | (−0.870) | ||
Indep | −0.000 | 0.000 | −0.003 | 0.004 | 0.008 | −0.006 | |
(−0.039) | (0.128) | (−0.776) | (0.879) | (0.602) | (−1.260) | ||
HHI | 0.165 | 2.132 | 3.251 | 1.919 | 24.608 | −1.045 | |
(0.595) | (0.586) | (0.559) | (0.380) | (1.489) | (−0.166) | ||
Intercept | 0.915*** | 0.690*** | 0.352 | −0.030 | 0.589 | −2.750 | 0.677 |
(25.935) | (3.555) | (0.496) | (−0.026) | (0.632) | (−0.939) | (0.531) | |
Year & Industry | 不控制 | 不控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
N | 3 778 | 3 778 | 3 778 | 1 724 | 2 054 | 258 | 1 466 |
Adjusted R2 |
0.002 | 0.486 | 0.494 | 0.492 | 0.499 | 0.469 | 0.487 |
组间差异 | / | 3.39* | 6.85*** | ||||
注:(1)***、**和*分别表示在1%、5%和10%的水平上显著;(2)回归检验时均按公司进行聚类处理,括号内为经过异方差调整的稳健T值;(3)组间差异用于检验组间系数差异的显著性。以下各表同。 |
列(4)和列(5)为将分样本按照精准扶贫的类型进行分组回归的结果。列(4)的样本为参与产业发展脱贫及其配对组,列(5)的回归样本为参与其他类型精准扶贫的企业及其配对组,两列中Alleviation的系数都显著为负,且参与产业发展脱贫组的Alleviation系数更小,系数的组间差异在10%的统计水平上显著,说明相较于参与其他类型精准扶贫的企业,参与产业发展脱贫的企业未来的融资约束更低,回归结果验证了假设2。
列(6)和列(7)分别为银企合作产业发展脱贫组和非银企合作产业发展脱贫组的回归结果。两列中,Alleviation的系数都显著为负,且银企合作参与产业发展脱贫组的Alleviation系数更小,系数的组间差异在1%的统计水平上显著,说明以银企合作的形式参与产业发展脱贫的企业未来的融资约束更低,回归结果验证了假设3。
五、精准扶贫影响企业融资约束的机制检验
前文从政府和市场两种途径来解释企业精准扶贫对融资约束的影响,这部分从银行信贷、政府补助和企业信息不对称方面探讨精准扶贫缓解企业融资约束的机制。
(一)精准扶贫与银行信贷、政府补助。中国的银行经过了市场化改革后,地方政府依然能对辖区内的银行产生一定的影响(王珏等,2015),企业的社会责任行为可以作为寻求金融资源与政府互惠的一种战略,可以帮助企业获得更多的银行信贷(薛爽和肖星,2011;李维安等2015)。政府补助是政府直接掌握的资源,能作为政府与企业进行资源交换的载体。以往研究发现,企业慈善捐赠可以帮助企业获得政府补助(李四海等,2012)。可以预期,作为慈善捐赠在脱贫攻坚时期的延续和发展,企业精准扶贫也同样具有帮助企业获得政府补助的作用。
Loan为企业获得的银行信贷增量,参考姚立杰(2018),采用t+1年的新增借款总额占期初总资产的比值与t年的这一比值之差衡量。Subsidy为企业获得的政府补助金额。FLoan和FSubsidy分别为Loan和Subsidy的t+1年的取值。
表4报告了回归结果,列(1)和列(2)中,Alleviation的系数都显著为正,说明相对于没有参与精准扶贫的企业,参与精准扶贫未来能获得更多的新增银行信贷和政府补助。将样本分为产业发展脱贫组和非产业发展脱贫组,结果如列(3)至列(6)所示,无论是产业发展脱贫组还是非产业发展脱贫组Alleviation的系数都显著为正,且组间系数差异均不显著,说明企业参与精准扶贫未来能获得更多的银行信贷和政府补助,该结果证明了精准扶贫可以通过资源效应缓解企业的融资约束。
变量 | (1) | (2) | (3) | (4) | (5) | (6) | (7) | (8) |
FLoan | FSubsidy | FLoan | FLoan | FSubsidy | FSubsidy | FLoan | FLoan | |
全样本 | 全样本 | 产业
发展脱贫 |
非产业
发展脱贫 |
产业
发展脱贫 |
非产业
发展脱贫 |
银企合作产业
发展脱贫 |
非银企合作产业
发展脱贫 |
|
Alleviation | 0.026*** | 0.363*** | 0.027* | 0.022* | 0.427* | 0.215** | 0.114* | 0.007 |
(2.725) | (2.840) | (1.693) | (1.955) | (1.938) | (2.145) | (1.699) | (0.552) | |
Controls | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 | |
Year & Industry | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
N | 3 778 | 3 778 | 1 724 | 2 054 | 1 724 | 2 054 | 258 | 1 466 |
Adjusted R2 | 0.050 | 0.119 | 0.050 | 0.070 | 0.111 | 0.228 | 0.140 | 0.031 |
组间差异 | / | 0.06 | 0.82 | 2.81* |
进一步地,将产业发展脱贫组的企业按照是否是银企合作共同参与的标准,分为银企合作产业发展脱贫组和非银企合作产业发展脱贫组进行回归,结果如列(7)和列(8)所示。Alleviation的系数显著为正且显著大于非银企合作的样本组。说明以银企合作的形式参与产业发展脱贫的企业未来能够获得更多的银行信贷。
(二)精准扶贫与企业信息不对称。延续以往研究,本文以分析师的预测精度作为企业信息不对称的替代变量。如果企业的信息不对称程度有所改善那么分析师对企业的预测会更加准确,分析师的乐观程度会有所减低。参考李丹等(2016)和杨青等(2019),预测偏差Bias为t年所有分析师对公司i的EPS预测值与其真实值之差的绝对值取平均,再除以t−1年年末的收盘价;分析师预测乐观度的指标Optimism为t年所有分析师对公司i的EPS预测值与真实值之差取平均,再除以t−1年年末的收盘价。⑪FBias和FOptimism分别为Bias和Optimism的t+1年的取值。
分别以FBis和FOptimism为被解释变量进行回归,结果如表5所示。列(1)和列(2)为全样本回归,Alleviation的系数均显著为负,说明相较于没有参与精准扶贫的企业,参与精准扶贫的企业未来的分析师预测偏差越小,分析师乐观度越低,说明企业精准扶贫传递的信息降低了企业与外界直接的信息不对称程度。进一步地,按照企业参与精准扶贫的类型将样本分产业发展脱贫和非产业发展脱贫两组,结果如列(3)至列(6)所示,发现只有参与产业发展脱贫的企业,才能降低信息不对称程度,而其他类型的精准扶贫对信息不对称程度的降低作用不明显。说明只有能够传递未来现金流信息的产业发展脱贫才具有降低企业信息不对称程度的功能,而非产业发展脱贫对于企业的信息不对称程度缓解作用有限,该结果证明了产业发展脱贫可以通过信息效应缓解企业的融资约束。
变量 | (1) | (2) | (3) | (4) | (5) | (6) |
FBias | FOptimism | FBias | FBias | FOptimism | FOptimism | |
全样本 | 全样本 | 产业发展脱贫 | 非产业发展脱贫 | 产业发展脱贫 | 非产业发展脱贫 | |
Alleviation | −0.003** | −0.003** | −0.004** | −0.002 | −0.005*** | −0.001 |
(−2.027) | (−2.186) | (−2.142) | (−0.817) | (−3.048) | (−0.638) | |
Controls | 控制 | 控制 | 控制 | 控制 | ||
Year & Industry | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
N | 2 594 | 2 594 | 1 225 | 1 369 | 1 225 | 1 369 |
Adjusted R2 |
0.075 | 0.069 | 0.102 | 0.078 | 0.077 | 0.083 |
注:由于部分企业没有分析师预测的EPS信息,导致这部分的样本有所减少。 |
六、稳健性检验与进一步分析
(一)稳健性检验。⑫采用SA指数衡量企业融资约束。考虑到KZ指数可能存在的问题,我们参考吴秋生和黄贤环(2017)的方法采用SA指数进行稳健性检验,回归结果保持一致。
采用企业扶贫投入金额作为解释变量。为了反映企业精准扶贫的参与程度,采用精准扶贫投入金额加1后的自然对数衡量企业精准扶贫投入,回归结果保持一致。
采用非流动性比例和股价同步性作为信息不对称的替代变量。前文采用分析师预测精度与乐观度来衡量企业的信息不对称程度,为了使研究结果更加稳健,我们采用非流动比例和股价同步性作为信息不对称的替代变量。回归结果与前文的发现基本一致。
全样本回归。为了反映上市公司的整体情况,我们以所有上市公司整体作为研究样本进行回归分析,结果与前文的发现一致。
互为因果导致的内生性。精准扶贫与融资约束之间的关系可能是互为因果的相关关系,为此我们将样本分别按照KZ指数t期的中位数和75%分位数,将样本分为融资约束高的组和融资约束低的组。若参与精准扶贫的公司都是融资约束较小的公司,则精准扶贫与t+1期公司的融资约束之间的显著负相关关系只存在于融资约束低的样本中,反之则说明融资约束高的公司参与精准扶贫也能降低公司的融资约束。回归结果显示,在融资约束高的组中,参与精准扶贫也可以降低未来公司的融资约束。
遗漏变量导致的内生性。公司精准扶贫与融资约束之间的相关关系可能源自于未观测到的变量。为此,本文使用企业注册地省内同行业参与扶贫的公司数量作为工具变量。理论上,同省同行业内参与扶贫的公司数量会影响企业是否参与精准扶贫,但对企业的融资约束没有直接影响。工具变量回归的结果如表6所示,Panel A是第一阶段的回归结果,企业注册地省内同行业参与扶贫的公司数量(Proindnum)在1%的水平上显著,说明企业所在地省内同行业参与精准扶贫的公司数量会显著影响企业自身精准扶贫决策,即企业的精准扶贫行为存在同伴效应(Peer Effect)。第二阶段的回归中Alleviation的系数依然显著为负且在产业发展脱贫组特别是银企合作的产业发展脱贫组中其系数更小。回归结果与前文的发现基本一致。
Panel A第一阶段回归结果 | |||||
变量 | (1) | (2) | (3) | (4) | (5) |
全样本 | 产业发展脱贫 | 非产业发展脱贫 | 银企合作产业发展脱贫 | 非银企合作产业发展脱贫 | |
Proindnum | 0.038*** | 0.041*** | 0.036*** | 0.049*** | 0.040*** |
(22.569) | (12.172) | (20.444) | (3.760) | (11.625) | |
Controls | 控制 | 控制 | 控制 | 控制 | 控制 |
Year & Industry | 控制 | 控制 | 控制 | 控制 | 控制 |
N | 3 778 | 1 724 | 2 054 | 258 | 1 466 |
Adjusted R2 | 0.314 | 0.298 | 0.343 | 0.397 | 0.301 |
Panel B 第二阶段回归结果 | |||||
Alleviation | −0.148*** | −0.185** | −0.154** | −0.605*** | −0.112 |
(−2.679) | (−2.078) | (−2.120) | (−2.797) | (−1.211) | |
Controls | 控制 | 控制 | 控制 | 控制 | 控制 |
Year & Industry | 控制 | 控制 | 控制 | 控制 | 控制 |
Panel B 第二阶段回归结果 | |||||
N | 3 778 | 1 724 | 2 054 | 258 | 1 466 |
Adjusted R2 | 0.494 | 0.492 | 0.499 | 0.469 | 0.487 |
弱工具变量检验(F) | 509.343 | 148.153 | 417.944 | 14.136 | 135.143 |
(二)进一步分析。
1. 基于产权性质的差异。国有企业与民营企业面临的融资约束程度不同。国有企业承担了稳定地方就业等政策性负担,更容易得到地方政府的扶持和国有银行的信贷(林毅夫和李志赟,2004)。与民营企业相比,国有企业在融资时,融资渠道较多,融资成本较低,而民营企业面临着较为严重的融资约束问题(罗党论和甄丽明,2008)。基于此,我们认为通过精准扶贫获得政府支持,缓解融资约束的效应在民营企业中更为明显。
回归结果如表7所示,无论是国有企业还是民营企业,参与精准扶贫都可以缓解其未来的融资约束,但对于民营企业而言,只有采用产业发展脱贫的类型参与精准扶贫才能缓解未来的融资约束,而精准扶贫类型差异对国有企业的影响较小。该结果从侧面说明了民营企业融资难的问题,相较于国有企业,民营企业只有参与更加符合当地政府意图且能传递更多未来经营信息的产业发展脱贫才能达到缓解融资约束的效果。
变量 | (1) | (2) | (3) | (4) | (5) | (6) |
国企 | 民企 | 国企 | 国企 | 民企 | 民企 | |
全样本 | 全样本 | 产业发展脱贫 | 非产业发展脱贫 | 产业发展脱贫 | 非产业发展脱贫 | |
Alleviation | −0.128*** | −0.136*** | −0.134** | −0.145** | −0.234*** | −0.068 |
(−2.608) | (−3.335) | (−2.085) | (−2.035) | (−3.573) | (−1.352) | |
Controls | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
Year & Industry | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
N | 1 154 | 2 624 | 607 | 547 | 1 117 | 1 507 |
Adjusted R2 | 0.552 | 0.478 | 0.533 | 0.581 | 0.477 | 0.482 |
2. 基于地区扶贫压力的差异。要达到2020年全面脱贫的目标,不同地区的政府面临着不同的压力,贫困人口众多的地区扶贫压力较大。我们预期相比于扶贫压力较小的地区,当上市公司位于扶贫压力较大的地区时,参与精准扶贫能够满足当地政府和银行等利益相关者对企业的社会责任预期,从而获得更多的资源支持和市场认同。扶贫压力以企业注册地所在省份当年农村贫困人口占总人口的比重衡量,当企业所在省份的贫困人口占比在当年全国各省的中位数以上时,即认为企业所在省的扶贫压力较大。
结果如表8所示,只有当企业位于扶贫压力较大的地区时,参与精准扶贫才能获得更多的资源支持从而缓解其未来的融资约束。
变量 | (1) | (2) | (3) | (4) | (5) | (6) |
扶贫压力大 | 扶贫压力小 | 扶贫压力大 | 扶贫压力大 | 扶贫压力小 | 扶贫压力小 | |
全样本 | 全样本 | 产业发展脱贫 | 非产业发展脱贫 | 产业发展脱贫 | 非产业发展脱贫 | |
Alleviation | −0.203*** | −0.060 | −0.293*** | −0.101 | −0.012 | −0.100 |
(−4.271) | (−1.278) | (−4.429) | (−1.575) | (−0.159) | (−1.630) | |
Controls | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
Year & Industry | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
N | 1 857 | 1 921 | 948 | 909 | 776 | 1 145 |
Adjusted R2 | 0.522 | 0.472 | 0.517 | 0.538 | 0.479 | 0.469 |
七、研究结论
本文的经验证据让我们看到,在精准扶贫这一特定的国家政策背景下,社会经济资源会自然地倾向于流向那些以产业投资方式参与到精准扶贫的企业。梳理其内在逻辑,本文的实证结果表明,这种社会经济资源的流动是完全符合市场分配资源的基本逻辑的,因而也就证明了企业以产业投资的方式参与精准扶贫是一种社会经济资源分配的帕累托改进。由此可见,精准扶贫和市场效率并不存在必然矛盾,企业利益和社会福利存在一致解。
基于本文的研究结论提出以下建议:从政府层面来看,消除贫困、实现共同富裕是党和政府奋斗的目标,为了更好地引导企业参与扶贫事业,政府应该明确企业在精准扶贫中的地位和作用,不忽视、不强制。企业作为扶贫的主体具有了解市场、组织灵活和效率高等优点,可以作为政府参与脱贫事业的重要补充。但对于企业而言,扶贫毕竟不是其经营的主要目标,通过行政命令、摊派使企业被动地参与精准扶贫不仅不能激发企业扶贫的积极性,而且容易扭曲市场的基本逻辑。政府可以通过实施一系列优惠措施,比如税收减免和政策倾斜等,引导企业主动参与精准扶贫,特别是产业发展脱贫,营造企业扶贫、助贫之风,提升企业参与扶贫的积极性,发掘企业精准扶贫的潜力。
从企业层面来看,在坚决打赢脱贫攻坚战的特殊时期,参与精准扶贫特别是产业发展脱贫已经成为了政府、社会对企业的共同期望。企业也应意识到参与扶贫并不必然意味着损失效率,企业反而应该抓住精准扶贫的机遇,根据自身的产业情况重新梳理企业产业链的空间格局,积极谋求企业利益与社会福利的一致性。
① 资料来源:国务院新闻办公室,网址
② 需要说明的是,农村合作经济组织和产业大户等市场主体也是精准扶贫的重要力量,但从整体来看,企业的扶贫带动作用最为明显,本文以企业中规模和影响力较大的上市公司为研究对象。
③ 2015年底,党的十八届五中全会将“扶贫攻坚”改成“脱贫攻坚”,2016年及其以后出现了“精准扶贫”和“精准脱贫”两个概念,两者一体两面,侧重点不同,前者侧重过程和方法,后者侧重结果和目的。本文不做详细区分。
④ 在披露参与精准扶贫的公司中,部分企业没有披露投入金额,部分企业披露了总金额但没有披露具体的分项投入金额,为了保证公司精准扶贫投入项目的可识别性,本文以企业至少披露一项分项投入金额作为企业是否参与精准扶贫的判断标准。
⑤ 该政策中提到“动员大中型企业,利用其技术、人才、市场、信息和物资等方面优势,通过经济合作、技术服务、吸收劳务、产品扩散和交流干部等多种途径,发展与贫困地区在互惠互利的基础上的合作。”
⑥ 该政策中提到“鼓励引导各类企业、社会组织和个人以多种形式参与扶贫开发。”
⑦ 该政策中提到“充分发挥各类市场主体、社会组织和社会各界作用,多种形式推进,形成强大合力。”
⑧ 资料来源于巨潮咨询,网址
⑨ 资料来源于新浪财经,网址
⑩ 沈洪涛等(2014)和李哲(2018)等发现企业在社会责任信息披露中存在“言行不一”,对于披露了精准扶贫但无具体投入金额的信息难以判断其信息的真实性故剔除;对于披露了当年精准扶贫的投入总金额但没有具体披露分项投入金额,难以判定其是否有是产业发展脱贫投入,为了后续研究的需要将只披露精准扶贫总投入金额无分项投入的样本也剔除。
⑪ 限于篇幅,此处省去分析师预测偏差和分析师乐观度的计算公式。
⑫ 限于篇幅,本部分未报告部分稳健性检验的回归表格;如有需要,可向作者索取。
[1] | 戴亦一, 潘越, 冯舒. 中国企业的慈善捐赠是一种“政治献金”吗?——来自市委书记更替的证据[J]. 经济研究, 2014, 49(2): 74–86. |
[2] | 杜世风, 石恒贵, 张依群. 中国上市公司精准扶贫行为的影响因素研究——基于社会责任的视角[J]. 财政研究, 2019(2): 104–115. |
[3] | 杜勇, 陈建英. 政治关联、慈善捐赠与政府补助——来自中国亏损上市公司的经验证据[J]. 财经研究, 2016, 42(5): 4–14. |
[4] | 何韧, 刘兵勇, 王婧婧. 银企关系、制度环境与中小微企业信贷可得性[J]. 金融研究, 2012(11): 103–115. |
[5] | 黄晓蓓, 钟宏武. 我国上市公司精准扶贫投入与成效现状研究——基于2017年度精准扶贫信息的分析[J]. 财务与会计, 2019(9): 21–25. DOI:10.3969/j.issn.1003-286X.2019.09.007 |
[6] | 李丹, 袁淳, 廖冠民. 卖空机制与分析师乐观性偏差——基于双重差分模型的检验[J]. 会计研究, 2016(9): 25–31. DOI:10.3969/j.issn.1003-2886.2016.09.004 |
[7] | 李四海, 陆琪睿, 宋献中. 亏损企业慷慨捐赠的背后[J]. 中国工业经济, 2012(8): 148–160. |
[8] | 李维安, 王鹏程, 徐业坤. 慈善捐赠、政治关联与债务融资——民营企业与政府的资源交换行为[J]. 南开管理评论, 2015, 18(1): 4–14. DOI:10.3969/j.issn.1008-3448.2015.01.002 |
[9] | 李玉山, 陆远权. 产业扶贫政策能降低脱贫农户生计脆弱性吗?——政策效应评估与作用机制分析[J]. 财政研究, 2020(5): 63–77. |
[10] | 刘星, 陈西婵. 证监会处罚、分析师跟踪与公司银行债务融资——来自信息披露违规的经验证据[J]. 会计研究, 2018(1): 60–67. DOI:10.3969/j.issn.1003-2886.2018.01.010 |
[11] | 卢盛峰, 陈思霞. 政府偏袒缓解了企业融资约束吗?——来自中国的准自然实验[J]. 管理世界, 2017(5): 51–65. |
[12] | 罗党论, 甄丽明. 民营控制、政治关系与企业融资约束——基于中国民营上市公司的经验证据[J]. 金融研究, 2008(12): 164–178. |
[13] | 潘越, 宁博, 纪翔阁, 等. 民营资本的宗族烙印:来自融资约束视角的证据[J]. 经济研究, 2019, 54(7): 94–110. |
[14] | 唐跃军, 左晶晶, 李汇东. 制度环境变迁对公司慈善行为的影响机制研究[J]. 经济研究, 2014, 49(2): 61–73. |
[15] | 王雨磊, 苏杨. 中国的脱贫奇迹何以造就? ——中国扶贫的精准行政模式及其国家治理体制基础[J]. 管理世界, 2020, 36(4): 195–209. DOI:10.3969/j.issn.1002-5502.2020.04.017 |
[16] | 魏志华, 曾爱民, 李博. 金融生态环境与企业融资约束——基于中国上市公司的实证研究[J]. 会计研究, 2014(5): 73–80. DOI:10.3969/j.issn.1003-2886.2014.05.009 |
[17] | 徐思, 何晓怡, 钟凯. “一带一路”倡议与中国企业融资约束[J]. 中国工业经济, 2019(7): 155–173. |
[18] | 薛爽, 肖星. 捐赠:民营企业强化政治关联的手段?[J]. 财经研究, 2011, 37(11): 102–112. |
[19] | 杨青, 吉赟, 王亚男. 高铁能提升分析师盈余预测的准确度吗?——来自上市公司的证据[J]. 金融研究, 2019(3): 168–188. |
[20] | 姚立杰, 付方佳, 程小可. 企业避税、债务融资能力和债务成本[J]. 中国软科学, 2018(10): 117–135. DOI:10.3969/j.issn.1002-9753.2018.10.013 |
[21] | 余明桂, 潘红波. 政治关系、制度环境与民营企业银行贷款[J]. 管理世界, 2008(8): 9–21. |
[22] | 张俊良, 刘巳筠, 段成荣. 习近平“精准扶贫”理论研究[J]. 经济学家, 2020(2): 25–32. |
[23] | 朱恩伟, 吴璟, 刘洪玉. 基于新闻文本共现性的银企关系分析——以房地产上市公司为例[J]. 金融研究, 2019(2): 117–135. |
[24] | 祝继高. 银行与企业交叉持股的理论与依据——基于国际比较的研究[J]. 国际金融研究, 2012(2): 58–68. |
[25] | Brammer S, Jackson G, Matten D. Corporate social responsibility and institutional theory: New perspectives on private governance[J]. Socio-economic review, 2012, 10(1): 3–28. |
[26] | Gao Y. Philanthropic disaster relief giving as a response to institutional pressure: Evidence from China[J]. Journal of Business Research, 2011, 64(12): 1377–1382. DOI:10.1016/j.jbusres.2010.12.003 |
[27] | Harrison G W, Rutherford T F, Tarr D G. Trade liberalization, poverty and efficient equity[J]. Journal of development Economics, 2003, 71(1): 97–128. DOI:10.1016/S0304-3878(02)00135-9 |
[28] | Kaplan S N, Zingales L. Do investment-cash flow sensitivities provide useful measures of financing constraints?[J]. The Quarterly Journal of Economics, 1997, 112(1): 169–215. DOI:10.1162/003355397555163 |
[29] | Klein B, Leffler K B. The role of market forces in assuring contractual performance[J]. Journal of Political Economy, 1981, 89(4): 615–641. DOI:10.1086/260996 |
[30] | Kroszner R S, Strahan P E. Bankers on boards: monitoring, conflicts of interest, and lender liability[J]. Journal of Financial Economics, 2001, 62(3): 415–452. DOI:10.1016/S0304-405X(01)00082-4 |
[31] | Lys T, Naughton J P, Wang C. Signaling through corporate accountability reporting[J]. Journal of Accounting & Economics, 2015, 60(1): 56–72. |
[32] | Matten D, Moon J. “Implicit” and “explicit” CSR: A conceptual framework for a comparative understanding of corporate social responsibility[J]. Academy of management Review, 2008, 33(2): 404–424. DOI:10.5465/amr.2008.31193458 |
[33] | Mosley P, Hulme D. Microenterprise finance: is there a conflict between growth and poverty alleviation?[J]. World development, 1998, 26(5): 783–790. DOI:10.1016/S0305-750X(98)00021-7 |
[34] | Shapira R. Corporate Philanthropy as signaling and co-optation[J]. Social Science Electronic Publishing, 2012, 80(5): 1889–1939. |