1. 引言
在中国，房地产行业一直是经济增长的主要推动力之一，然而，随着国家经济政策的调整和实施，房地产企业的杠杆率成为一个备受关注的焦点。在过去的几年中，我国老龄化比例逐渐上涨，房地产厂商存在大量积压库存，同时许多家庭也拥有大量闲置的房产，这种情况使得房地产行业面临着供需失衡的局面，行业下行的压力日益加大。自2016年起，我国将“去杠杆”作为供给侧改革五大任务之一，我国部分企业由于经济环境的压力和去杠杆政策而面临较为严重的财务困境，其中恒大集团是一个较为典型的案例，恒大集团在几年中通过大量资金借款进行快速扩张，其筹集资金主要集中在房地产领域，在我国政府推动去杠杆政策的背景下，该公司仍然持有大量未偿还债务，最终面临严重财务困境，甚至对我国整个房地产市场以及与之相关的行业产生了巨大负面影响。由此可以看出房地产企业的杠杆率不仅直接影响其自身财务健康，也在一定程度上反映了整个经济体系的稳定性。
本文旨在深入研究房地产企业的杠杆率对其财务风险的影响，并从经济政策不确定性这一视角出发，研究其调节效应。中国政府近年来通过一系列去杠杆政策的推行，旨在化解金融风险、防范经济波动，其中不乏对房地产行业的监管和调整。在这一背景下，房地产企业的杠杆率成为其是否能顺利发展的关键因素之一。同时，我们也必须认识到经济政策不确定性对于房地产企业的影响，政策的频繁调整和变动可能导致市场预期的不稳定性，从而影响企业融资环境、投资决策和财务风险的演变。在这一动荡的环境中，房地产企业的杠杆率可能发生变化，从而对其财务健康产生深远的影响。
本文的研究贡献主要体现为以下几点：首先，本研究开创性地从经济政策不确定性的新颖视角，深入剖析了房地产企业如何受其影响，进而对其财务风险产生何种作用。这一视角的引入，不仅丰富了现有关于房地产企业财务风险影响因素的研究内容，也为未来的研究提供了新的思路与方向。其次，通过异质性分析，本文详细探讨了在国有企业与非国有企业之中，房地产杠杆率对其财务风险的不同影响水平，为房地产行业在复杂多变的经济环境中如何合理确定财务杠杆水平提供了有益的参考，有助于房地产企业更好地应对市场波动，降低财务风险，实现稳健发展。最后，政府可以根据本文的研究结论，更加精准地把握房地产行业的发展态势和风险状况，从而制定出更为合理、有效的经济政策，促进房地产市场的健康发展。
2. 文献回顾与研究假说
2.1. 去杠杆与财务风险
企业的财务决策是一个复杂的过程，它涵盖了融资结构、资本成本、盈利能力等多个核心要素。其中，杠杆率的调整是影响企业财务状况和经营绩效的重要因素之一。在房地产行业，杠杆率尤为关键，它是衡量企业债务水平的重要指标，直接影响着企业的财务状况和市场竞争力。一方面，高杠杆率在一定程度上可以推动房地产企业的盈利增长，通过加大债务规模，企业能够筹集资金，扩大经营规模。然而，另一方面，高杠杆率也意味着企业长期偿债能力的降低。当企业债务规模过大时，将面临沉重的偿债压力，一旦市场环境发生变化或资金链出现问题，企业可能陷入财务困境，甚至面临破产的风险。
房地产行业高杠杆率的出现并非偶然，而是多种因素共同作用的结果。随着社会融资规模的扩大，信托贷款、委托贷款等新型“影子银行”的出现使得信贷资金大规模向房地产转移(吴永钢等，2021) [1]。此外，消费者对房地产需求的上升以及房地产价格的持续上涨，使得房地产企业看到了巨大的盈利空间，为了抢占市场，不惜通过高杠杆手段进行规模扩张。然而，“高杠杆”的背后却是巨大财务风险。一旦市场环境发生变化，如政策调整、经济下滑等，企业的偿债能力将受到严重考验。如果无法及时偿还债务，企业可能面临资金链断裂、信誉受损等严重后果，甚至可能引发整个行业的连锁反应。
企业无论是通过“减债”或“增权”的手段实行去杠杆，都能在一定程度上提高股权集中度，从而有助于减少中小股东监管经理人的“搭便车”心理，减少财务风险(秦海林，2022) [2]。通过基于MD&A多文本特征的财务风险预警模型研究发现过度举债会加剧企业的财务风险，而高财务杠杆也是导致企业出现财务风险的因素之一(乔冰琴，2023) [3]。为解决高杠杆对企业带来的不良影响，我国在2015年进入强制去杠杆阶段。但是，部分企业为迎合政策要求，会通过虚构财务信息、调整资产负债表以及影响股价等人为操纵的方式来降低杠杆率，此时企业虽达到降低杠杆率的目的，但杠杆操纵不仅会导致企业自身财务风险增加，还会对市场整体稳定性造成影响，操纵财务报表使得市场无法准确评估企业的真实价值，投资者可能因为信息不透明而遭受损失，从而削弱市场的信任和稳定性。所以关于“如何更好更精确地降低企业杠杆率”成为目前我国实行去杠杆政策道路上的一大重要命题。去杠杆政策对不同企业的风险承担影响不同，比如高盈利企业和负债不足企业进行“去杠杆”能够显著提高其风险承担能力，故企业在制定“去杠杆”方案时，应结合自身实际情况(汪娟，2020) [4]。如果企业仅仅通过降低资金的方式达到去杠杆的目的，会导致经营困难，应通过去杠杆政策改善资本结构，以此来降低企业的财务风险(孙思栋，2019) [5]。因此，本文提出：
H1：杠杆率与财务风险呈正相关，即杠杆率越高，财务风险越高。
2.2. 关于经济政策不确定性的研究
经济政策不确定性，是指在某一特定时间段内，经济体内的决策者对于未来经济政策的方向和实施细节具有较大的不确定性，这种不确定性使得投资者和市场参与者难以准确预测政府即将推出的政策内容及其可能带来的市场影响。对于房地产市场而言，经济政策的不确定性尤为显著，其背后往往与政府的决策过程和政策透明度紧密相关。这种信息的不对称和不确定性，不仅增加了市场的波动性，也可能导致投资者和房地产企业在决策时面临更大的风险。
不同行业面对经济政策不确定性时存在差异，由于房地产行业的特殊性，其面临的经济不确定性相较于其他行业而言更为突出(聂辉华，2020) [6]。这一结论与近年来我国房地产市场的发展历程相契合。自2003年以来，我国房价经历了快速上涨的阶段，为了稳定市场，中央和地方政府频繁出台了一系列针对房地产行业的调控政策。这些政策的出台和实施，往往伴随着较大的不确定性，使得房地产企业和投资者难以准确判断市场走势和政策动向。通过利用Bakeretal所构建的经济政策不确定指数，深入分析了政策不确定性与企业杠杆率之间的关系，发现经济政策不确定性与企业杠杆率之间呈现出显著的负相关关系，这意味着在经济政策不确定性较高的时期，企业往往会选择降低杠杆率，以规避潜在的市场风险和政策风险(宫汝凯，2019) [7]。去杠杆的作用在利润率较高的非国有企业体现更为明显，并且经济政策不确定性是造成杠杆率“国进民退”结构分化的原因(纪洋，2018) [8]。此外，当经济政策不确定性较高时，银行在信贷决策中容易发生“误判”行为。部分偿债能力较高、运营稳健的企业可能因为市场的不确定性和银行的谨慎态度而被强制去杠杆，导致它们难以获得必要的资金支持。而另一方面，那些缺乏生存能力、资不抵债的企业却可能因为各种原因而持续获得银行的“输血”，成为市场中的僵尸企业(张一林等，2013) [9]。这种现象不仅扭曲了市场的资源配置机制，也可能对整个经济体系的稳健性构成威胁。因此，本文提出：
H2：企业杠杆率与财务风险的关系会受到经济政策不确定性的影响。具体来说，随着经济政策不确定性程度的增加，杠杆率变化会企业财务风险影响越小。
3. 数据来源与研究设计
3.1. 样本选择和数据来源
本文的研究主要基于2010年至2022年期间全部A股上市的房地产企业数据。为了确保研究结果的准确性和可靠性，本文对数据进行了严格的筛选和处理：1) 剔除了财务状况和经营绩效往往存在较大的不确定性的ST和*ST企业的样本。2) 剔除了样本中资产负债率大于1的企业。这些企业的负债超过了其资产总额，存在严重的财务风险，可能会对研究结果的准确性产生负面影响。3) 对所有企业层面的变量进行了上下1%的Winsorize缩尾处理，有效消除极端值对模型的影响，提高研究的稳健性。其中，企业数据主要来源于国泰安数据库(CSMAR)，中国经济政策不确定性指数则来源于Huang和Luk编制的相关指数，该指数是衡量中国经济政策不确定性水平的重要指标，为本文的研究提供了重要的数据支持。经过上述条件的筛选和处理，本文所选样本共包括1083个观测值。
3.2. 模型设定
本文参考吴永钢等(2021)的研究[1]，建立如下模型进行检验：
其中，下标i，t是为了区分企业与年度。
为个体固定效应，
代表模型中我们无法直接观测到的扰动项，它们可能包括了一些随机误差或遗漏变量。为避免在模型中引入时间固定效应而导致经济政策不确定性(EPU)的度量出现偏差，参考吴永钢等(2021) [1]的模型设定方法，在其研究中，并没有在基准模型中引入时间固定效应，因此本文也遵循这一做法，以确保研究的准确性和可靠性。在模型设定中，μ表示企业杠杆率对企业的财务风险的影响程度，如μ > 0，则表示企业杠杆率与财务风险呈正比关系，即企业杠杆率越高，其财务风险也越大，这验证了假设H1。模型2在模型1的基础上引入了经济政策不确定性(EPU)的交互项，以此检验企业杠杆率对企业财务风险的影响是否受到经济政策不确定性的调节。
3.3. 变量的测度与选择
1) 被解释变量。本文的被解释变量为财务风险(Risk)。参考Altman (1968) [10]所提出的Z指数来衡量企业的财务风险，Z指数是一种广泛应用于评估企业财务健康状况的综合性指标，它能够综合反映企业的偿债能力、运营效率和盈利能力等多个方面的信息，其具体计算方法如下：
Z = 1.2 × 营运资金/总资产 + 1.4 × 留存收益/总资产 + 3.3 × 息税前利润/总资产 + 0.6 × 股票总市值/负债 + 0.999 × 销售收入/总资产
其中，Z值越大，代表企业财务风险越小；Z值越小，代表企业财务风险越大。
2) 解释变量。本文的解释变量为企业杠杆率(Lev)。企业杠杆率作为衡量企业债务负担与资产规模之间关系的指标，其计算方法为企业期末负债总计与资产总计的比值。这一比值反映了企业运用债务融资进行经营活动的程度，以及企业的长期偿债能力。
3) 调节变量。本文的调节变量为经济政策不确定性(Epu)。在经济政策不确定性的研究领域，Baker及其合作者是先驱者之一，他们最早构建了用于衡量经济政策不确定性的指数。这一指数的构建主要依赖于对新闻媒体中与经济政策相关的文章数量和语气的深入分析。然而，由于当时信息收集手段的局限性和数据获取的难度，Baker等人[11]所构建的经济政策不确定指数在准确性和完整性方面存在一定的缺陷。为了更准确地反映经济的整体状况和发展趋势，本文现采用Huang和Luk所构建的一个综合的经济政策不确定性指数。这一指数通过运用先进的统计模型和时间序列分析方法，结合多种数据来源和信息渠道，对经济政策的不确定性进行了全面而准确的度量[12]。
由于经济政策不确定性(EPU)的衡量指标是月度频次，为了与本文的研究周期相匹配，本文以12个月为一组，对月度频次的EPU数据进行算数平均数并取对数处理，所得结果作为年度指标。
4) 控制变量。为了控制其他因素对企业杠杆率水平的影响，本文引入如下控制变量：企业规模(Size)用企业期末资产总额取自然对数表示；投资机会(TobinQ)用市值与资产估计的比值表示；盈利能力(EBIT_TA)用息税前利润与总资产的比值表示；上市年限(Listage)用企业所在年度减去企业上市年度加1表示；企业现金流(Cfo)用经营活动产生的现金流与期末资产总额的比值表示；资本性支出(Exp)用固定资产与期末资产总额的比值；高管薪酬(Pay)用前三大高管薪酬与高管薪酬总额的比值表示；股权集中度(Top1)用第一大股东持股比例表示；产权性质(Soe)，用虚拟变量表示，股权性质为国有企业取值为1；否则，取0；实际GDP环比增速(GDP)用本期实际GDP与上期实际GDP-1的比值表示；广义货币供给增速(M2)用本期货币供给量与上期货币供给量-1的比值表示。
综上，主要变量定义如表1所示。
Table 1. Definitions of major variables
表1. 主要变量定义
| 变量名称 |
变量符号 |
变量定义 |
| 财务风险 |
Risk |
算法参见公式 |
| 杠杆率水平 |
Lev |
企业期末负债总计与资产总计的比值 |
| 中国政策不确定性指数 |
Epu |
来源于Huang和Luk (2020)，算术平均后取自然对数值 |
| 企业规模 |
Size |
企业期末资产总额取自然对数 |
| 投资机会 |
TobinQ |
市值/资产估计 |
| 盈利能力 |
EBIT_TA |
息税前利润/总资产 |
| 企业现金流 |
Cfo |
经营活动产生的现金流/期末资产总额 |
| 资本性支出 |
Exp |
固定资产/期末资产总额 |
| 高管薪酬 |
Pay |
前三大高管薪酬/高管薪酬总额 |
| 股权集中度 |
Top1 |
第一大股东持股比例 |
| 产权性质 |
Soe |
虚拟变量：股权性质为国有企业取值为1；否则，取0 |
| 实际GDP环比增速 |
GDP |
本期实际GDP/上期实际GDP − 1 |
| 广义货币供给增速 |
M2 |
本期货币供给量/上期货币供给量 − 1 |
4. 实证结果分析
4.1. 描述性统计
由表2的描述性统计结果可知财务风险(RISK)的最小值为−1.360，最大值为124.9，均值为2.29，这表明房地产行业的企业财务风险存在较大差异但总体财务风险值不高。杠杆率(LEV)的最小值为0.08，最大值为0.98，均值为0.64，标准差为0.18，表明房地产行业的杠杆率水平差异较大并且总体水平不低。经济政策不确定性指数(EPU)的最小值为4.52，最大值为5.97，均值为5.12，中位数为4.83，这表明，虽然我国经济政策存在一定的不确定性，但整体看来这种不确定性并未出现大幅的波动。这可能是因为政府在制定和执行经济政策时，为保持政策的连续性和稳定性，以减少市场的不确定性和波动性。
Table 2. Descriptive statistical results
表2. 描述性统计结果
| Variable |
N |
Mean |
p50 |
SD |
Min |
Max |
| risk |
1083 |
2.290 |
1.400 |
6.310 |
−1.360 |
124.9 |
| lev |
1083 |
0.640 |
0.680 |
0.180 |
0.080 |
0.980 |
| epu |
1083 |
5.120 |
4.830 |
0.520 |
4.520 |
5.970 |
| size |
1083 |
23.45 |
23.32 |
1.460 |
19.26 |
28.29 |
| Tobinq |
1083 |
1.400 |
1.130 |
1.220 |
0.750 |
18.35 |
| ebit ta |
1083 |
0.0400 |
0.0400 |
0.0500 |
−0.870 |
0.270 |
| cfo |
1083 |
0.0100 |
0.0100 |
0.100 |
−0.430 |
0.350 |
| exp |
1083 |
0.0300 |
0.0100 |
0.0700 |
0 |
0.720 |
| pay |
1083 |
0.500 |
0.470 |
0.150 |
0.220 |
1 |
| top1 |
1083 |
39.57 |
38.22 |
15.92 |
7.120 |
80.65 |
| soe |
1083 |
0.610 |
1 |
0.490 |
0 |
1 |
| gdp |
1083 |
0.100 |
0.100 |
0.0400 |
0.0300 |
0.180 |
| m2 |
1083 |
0.120 |
0.110 |
0.0300 |
0.0800 |
0.200 |
4.2. 相关性分析与多重共线性检验
如表3主要变量相关性分析所示，可得企业杠杆率与财务风险呈负相关，并且变量之间的相关性系数均小于0.6。从表4中可以看出每个变量的VIF值均小于10，且均值为1.37，VIF值(方差膨胀因子)是检验多重共线性常用的指标，当其值小于10时，一般认为模型不存在严重的多重共线性问题。因此，根据表4的数据，可以得出结论：基准回归模型中各变量之间不存在严重的多重共线性问题，这为我们的后续分析提供了坚实的数据基础。
Table 3. Correlation analysis of the main variables
表3. 主要变量相关性分析
|
risk |
lev |
epu |
size |
tobinq |
| risk |
1 |
|
|
|
|
| lev |
−0.393*** |
1 |
|
|
|
| epu |
0.0170 |
−0.0230 |
1 |
|
|
| size |
−0.319*** |
0.567*** |
0.263*** |
1 |
|
| tobinq |
0.865*** |
−0.354*** |
−0.109*** |
−0.436*** |
1 |
***p < 0.01, **p < 0.05, *p < 0.1.
Table 4. Variance expansion factor coefficients table
表4. 方差膨胀因子系数表
| Variable |
VIF |
1/VIF |
| size |
1.99 |
0.502769 |
| epu |
1.77 |
0.565244 |
| lev |
1.65 |
0.607568 |
| m2 |
1.63 |
0.613978 |
| soe |
1.33 |
0.753018 |
| ebitta |
1.16 |
0.859840 |
| tobinq |
1.15 |
0.867173 |
| cfo |
1.14 |
0.879053 |
| exp |
1.08 |
0.927640 |
| gdp |
1.07 |
0.936264 |
| top1 |
1.05 |
0.948343 |
| pay |
1.99 |
0.502769 |
| Mean |
1.37 |
|
4.3. 基准回归分析
表5为基准回归分析结果，其中第(1)列呈现了在未控制行业和年份，且未添加任何控制变量的条件下，解释变量Lev与被解释变量Risk之间的初步关系。第(2)列进一步分析，不仅考虑了杠杆率与财务风险的关系，还引入了其他控制变量，以更全面地探讨各因素之间的相互作用。第(3)列中加入了控制变量，并同时控制了年份固定效应和行业固定效应。这样做可以消除因行业和年份差异而带来的干扰，从第(3)的结果中可以看出我国房地产行业的杠杆率与企业财务风险的衡量指标——Z值呈负相关关系，且在1%水平上显著。值得注意的是，Z值越大，通常意味着企业的财务风险越小。因此，当我们发现杠杆率与Z值呈负相关时，实际上意味着随着杠杆率的提高，房地产行业的财务风险也在增加。这一结论验证了前文的假设H1，即房地产行业杠杆率越高，其财务风险越大。
Table 5. Benchmark regression analysis
表5. 基准回归分析
|
(1)risk |
(2)risk |
(3)risk |
| lev |
−8.357*** |
−6.684*** |
−6.880*** |
|
(−4.013) |
(−4.528) |
(−7.927) |
| size |
|
0.444** |
0.307 |
|
|
(1.991) |
(1.599) |
| Tobinq |
|
4.020*** |
3.108*** |
|
|
(2.868) |
(23.143) |
| ebit_ta |
|
0.937 |
0.145 |
|
|
(0.363) |
(0.085) |
| cfo |
|
−2.217** |
−1.367* |
|
|
(−2.050) |
(−1.745) |
| exp |
|
−1.420 |
0.430 |
|
|
(−1.460) |
(0.237) |
| pay |
|
−1.081 |
−1.250 |
|
|
(−0.608) |
(−1.452) |
| top1 |
|
0.005 |
0.002 |
|
|
(0.612) |
(0.228) |
| soe |
|
−0.920 |
−4.436*** |
|
|
(−1.007) |
(−7.828) |
| gdp |
|
6.706 |
5.226** |
|
|
(1.529) |
(2.355) |
| m2 |
|
−9.578* |
−8.020** |
|
|
(−1.813) |
(−2.339) |
| _cons |
7.835*** |
−8.079 |
−1.223 |
|
(4.214) |
(−1.411) |
(−0.263) |
| N |
1083 |
1083 |
1083 |
| R2 |
|
|
0.440 |
| F |
|
|
69.238 |
***p < 0.01, **p < 0.05, *p < 0.1.
4.4. 调节机制检验
为了进一步研究经济政策不确定性是否在房地产行业杠杆率对财务风险的影响中起到调节作用，本文在基准模型中加入了经济政策不确定性与杠杆率的交互项EPU × LEV，以变量interaction表示，最终回归结果如表6所示。表6中杠杆率Lev对财务风险Risk的回归系数为−10.589，且在1%水平上显著，这说明加入交互项后，假设H1仍然成立。交互项interaction对财务风险Risk的回归系数为0.869，且在1%水平上显著，表明经济政策不确定指数在房地产行业杠杆率对财务风险的影响中起到了负向调节作用，即经济政策不确定性指数越高，杠杆率对房地产行业的财务风险影响越小。
Table 6. Regression results of moderating effects
表6. 调节效应回归结果
| VARIABLES |
(1)risk |
| lev |
−10.859*** |
|
(−6.20) |
| interaction |
0.869*** |
|
(2.66) |
| size |
0.069 |
|
(0.32) |
| Tobinq |
3.293*** |
|
(23.63) |
| ebit_ta |
1.527 |
|
(0.87) |
| cfo |
−1.828** |
|
(−2.27) |
| exp |
0.302 |
|
(0.16) |
| pay |
−0.567 |
|
(−0.64) |
| top1 |
0.019* |
|
(1.73) |
| gdp |
4.394* |
|
(1.91) |
| m2 |
−6.301* |
|
(−1.69) |
| Constant |
−0.058 |
|
(−0.01) |
| Observations |
1081 |
| R-squared |
0.863 |
| Id FE |
YES |
| year FE |
No |
***p < 0.01, **p < 0.05, *p < 0.1.
5. 稳健性检验
为确保本次研究结果的准确无误性，现采用“替换核心被解释变量”与“更改样本时间区间”这两种方法，对研究结果进行稳健性检验。
5.1. 替换核心被解释变量
参考了著名学者Ohlson在1980年提出的研究方法，采用O-score模型来计算出O指数，以此作为衡量企业财务风险(Risk)的重要指标[13]。在此模型中，O指数的大小直接反映了企业财务风险的高低，O指数数值越大，就意味着企业所面临的财务风险越高。
通过回归分析，结果如表7所示。从表中可以看出，杠杆率(Lev)对财务风险(Risk1)的回归系数为5.422，并且在1%的显著性水平上表现显著。这一结果清晰地表明，杠杆率与财务风险之间存在着明显的正相关关系，即企业的杠杆率越高，其财务风险也会随之增加。这一结论与先前的研究结果完全吻合。
此外，交互项(interaction)对财务风险(Risk1)的回归系数为0.183，并且同样在1%的显著性水平上显著。这一结果意味着，经济政策的不确定性会对企业杠杆率对财务风险的影响产生削弱作用，即当经济政策的不确定性增加时，企业杠杆率对财务风险的影响程度会相应减弱。这一发现与我们之前的假设相一致，进一步丰富了我们对财务风险影响因素的理解。
Table 7. Substitution of core explanatory variables
表7. 替换核心解释变量
| VARIABLES |
(1)risk1 |
| lev |
5.422*** |
|
(16.50) |
| interaction |
0.183*** |
|
(2.98) |
| size |
−0.520*** |
|
(−12.93) |
| Tobinq |
−0.020 |
|
(−0.75) |
| ebit_ta |
−9.912*** |
|
(−30.17) |
| cfo |
−3.197*** |
|
(−21.12) |
| exp |
1.531*** |
|
(4.37) |
| pay |
−0.199 |
|
(−1.21) |
| top1 |
0.005** |
|
(2.28) |
| gdp |
−0.300 |
|
(−0.69) |
| m2 |
−0.809 |
|
(−1.16) |
| Constant |
1.093 |
|
(1.15) |
| Observations |
1081 |
| R-squared |
0.885 |
| id FE |
YES |
| year FE |
No |
***p < 0.01, **p < 0.05, *p < 0.1.
5.2. 更改样本时间区间
本文进一步缩短样本区间来进行重新估计，从2016~2022年，回归结果如表8所示，可见本文的核心结论依然成立。
Table 8. Change the sample time interval
表8. 更改样本时间区间
| VARIABLES |
(1)risk |
| lev |
−14.769*** |
|
(−4.87) |
| interaction |
1.110* |
|
(1.95) |
| size |
0.824** |
|
(2.49) |
| Tobinq |
5.456*** |
|
(29.83) |
| ebit_ta |
−1.122 |
|
(−0.75) |
| cfo |
−1.359 |
|
(−1.62) |
| exp |
−0.374 |
|
(−0.15) |
| pay |
0.875 |
|
(0.86) |
| top1 |
−0.003 |
|
(−0.18) |
| gdp |
−2.732 |
|
(−0.78) |
| m2 |
−20.599* |
|
(−1.67) |
| Constant |
−17.016** |
|
(−2.36) |
| Observations |
536 |
| R-squared |
0.972 |
| id FE |
YES |
| year FE |
No |
***p < 0.01, **p < 0.05, *p < 0.1.
6. 进一步分析
房地产企业是否为国有企业会在杠杆率对财务风险的影响上存在一些显著的差异。这些差异主要源于两类企业在经营环境、资源获取、管理机制以及政策支持等方面的不同。首先，国有企业在债务融资方面通常具有优势，因为它们往往有国家作为隐性担保，这使得它们相对容易获得银行贷款，信誉较高，风险较低。然而，国有企业在融资方面通常面临更多的挑战，因为它们的信誉和融资能力可能不如国有企业，这使得非国有企业在面对财务风险时更加脆弱。本文将样本企业分为国有企业与非国有企业进行研究。回归结果如表9所示，可以看出相较于国有企业而言，在非国有企业中，企业杠杆率的上升，其财务风险增加比例更大。此外，在国有企业中，企业杠杆率与财务风险的关系并不会显著受到经济政策不确定性的影响。而在非国有企业中，经济政策不确定性会削弱企业杠杆率对财务风险的影响。这表明对于国有企业来说，其与政府之间的联系更为紧密，能够更直接地感受到经济政策的变化。
Table 9. Heterogeneity test results
表9. 异质性检验结果
| VARIABLES |
Soe = 1Risk |
Soe = 0Risk |
| lev |
−3.457*** |
−11.782*** |
|
(−8.67) |
(−4.09) |
| interaction |
−0.054 |
0.760 |
|
(−0.78) |
(1.36) |
| size |
0.074 |
0.241 |
|
(1.52) |
(0.67) |
| tobinq |
1.301*** |
2.554*** |
|
(21.92) |
(16.00) |
| ebit_ta |
6.057*** |
0.990 |
|
(8.26) |
(0.51) |
| cfo |
−0.357** |
−0.108 |
|
(−1.98) |
(−0.09) |
| exp |
−1.627*** |
1.698 |
|
(−4.18) |
(0.49) |
| pay |
0.278 |
2.414* |
|
(1.39) |
(1.70) |
| top1 |
0.001 |
0.023 |
|
(0.33) |
(1.52) |
| gdp |
−0.471 |
5.501 |
|
(−0.96) |
(1.48) |
| m2 |
−1.387* |
0.240 |
|
(−1.73) |
(0.04) |
| Constant |
0.680 |
−4.732 |
|
(0.59) |
(−0.55) |
| Observations |
657 |
424 |
| R-squared |
0.978 |
0.942 |
| Id FE |
YES |
YES |
| YearFE |
No |
No |
***p < 0.01, **p < 0.05, *p < 0.1.
7. 研究结论与政策建议
本文的研究样本主要为2010年至2022年期间全部A股上市的房地产企业的数据。实证分析了企业杠杆率对财务风险的影响，得到如下结论：① 杠杆率与财务风险呈正相关，即杠杆率越高，财务风险越高。② 企业杠杆率与财务风险的关系会受到经济政策不确定性的影响。具体来说，随着经济政策不确定性程度的增加，杠杆率变化会企业财务风险影响越小。③ 在控股股东国有性质这一角度进行异质性分析，发现相较于国有企业而言，非国有企业杠杆率的变化对其财务风险的影响更大，并且经济政策不确定性在国有房地产企业杠杆率与财务风险的关系中影响较小。对基于以上结论，本文提出以下建议：
第一，企业应提高资金利用效率，合理控制杠杆率，避免过高的债务负担，通过精细化管理、优化运营流程等方式，降低资金成本，减轻财务压力。同时，企业应密切关注国家经济政策的变化，特别是与房地产相关的政策调整。尤其是非国有企业在政策不确定性较高时，应谨慎决策，避免过度依赖高杠杆。
第二，企业应加强对财务风险的认识和预警，建立完善的风险管理机制。在决策过程中，应充分考虑杠杆率对财务风险的影响，避免盲目追求高杠杆带来的短期利益。在制定经营策略时，企业应充分考虑经济政策不确定性的影响，对可能出现的风险进行全面评估。通过风险评估，企业可以更好地把握市场动向，降低财务风险。
第三，企业应建立风险应对机制，包括制定应急预案、加强内部沟通协作等。当经济政策发生较大变化时，企业可以迅速调整经营策略，降低财务风险。
综上所述，企业应综合考虑杠杆率与财务风险的关系以及经济政策不确定性的影响，制定科学合理的经营策略，实现稳健发展。同时，政府也应加强宏观调控，为房地产企业提供稳定的发展环境。