能源转型与企业区域扩张
《Energy Policy》:Energy transition and corporate geographic expansion
【字体:
大
中
小
】
时间:2026年09月28日
来源:Energy Policy 9.3
编辑推荐:
•中国的"新能源示范城市"政策(NEDC)增加了企业的跨省投资。
•能源转型政策塑造了企业的地理扩张。
•降低信息不对称有助于解释政策效应。
•减少企业风险承担也推动了跨区域投资。
•对非国有企业、清洁企业和"四大"会计师事务所客户的影响更强。
1. 引言
在全球气候变化
•中国的"新能源示范城市"政策(NEDC)增加了企业的跨省投资。
•能源转型政策塑造了企业的地理扩张。
•降低信息不对称有助于解释政策效应。
•减少企业风险承担也推动了跨区域投资。
•对非国有企业、清洁企业和"四大"会计师事务所客户的影响更强。
1. 引言
在全球气候变化挑战日益严峻的背景下,推进全球经济向低碳经济转型已成为当务之急(Cao等,2026a, 2026b;De Haas等,2025;Shi等,2026;Bollino等,2026)。各国政府出台的能源转型政策在重新配置资源、优化产业结构和推动绿色低碳发展方面发挥着关键作用(Torné和Trutnevyte,2026;Zhu等,2025;Tienhaara等,2022;Alkathery等,2022)。对企业而言,这些政策引发了生产成本、技术创新和监管合规等方面的深刻变化,从根本上塑造了企业的投资决策和地理战略(Lin和Li,2026;Dugoua和Gerarden,2025;Feng和Lazkano,2025;Van der Meijden和Smulders,2018)。跨地区投资是企业适应区域资源禀赋差异、缓解环境监管约束和优化产能配置的重要战略手段,其受到不断演变的政策环境的日益影响(Zhao和Song,2026;Dai等,2021)。这提出了一个重要问题:能源转型政策是否影响企业的跨地区投资决策,如果是,通过何种机制?探讨这一问题不仅有助于我们深入理解企业如何战略性地应对政策压力,也为促进区域协调和评估绿色转型政策的有效性提供了有价值的理论和实践见解。
近年来,大量文献探讨了影响国内外跨区域资本流动的因素(Hong等,2025)。例如,金融发展长期以来被视为经济增长的关键决定因素(Arestis和Demetriades,1997),更高水平的金融发展被认为可以缓解资本外流(Mawutor等,2022)。金融市场更为开放的发展中国家往往能够吸引净资本流入(Reinhardt等,2013)。全球金融市场的整合程度提高已被认为是推动国际资本流动激增的主要因素。随着市场整合加深,国际资本市场回报率的波动性往往降低(Evans和Hnatkovska,2014)。数字金融通过将数字技术与金融服务相结合,缓解了企业融资约束,在降低区域资本流动壁垒、促进统一市场建立方面发挥了关键作用(Naceur等,2026;Liu等,2024)。尽管有了这些进展,关于能源转型政策是否促进跨地区投资行为的研究仍然有限。
我们之所以在中国研究这一问题,主要有两个原因。首先,作为世界第二大经济体,中国也是最大的能源消费国和碳排放国。中国在实现碳中和、减少碳排放方面做出了重大贡献,积极推动清洁可持续能源系统的发展(Ren等,2024a, 2024b)。这使得中国成为研究能源转型与跨地区投资关系的理想案例,为全球其他国家提供了有价值的见解。其次,中国于2014年正式启动了"新能源示范城市"试点政策。该政策的广泛实施和全面数据的可得性为回答这一问题提供了强有力的实证支持。
能源转型政策对企业跨地区投资行为的影响尚不清楚,因为这些政策具有两种对立效应。一方面,能源转型政策可能促进跨地区投资。财政补贴、税收优惠和产业支持政策显著降低了企业的跨地区投资成本。此外,金融发展水平较高的地区更可能吸引投资(Dai等,2021),这可以通过为创新和实施提供必要资本来增强能源转型政策在促进跨地区投资方面的有效性。另一方面,能源转型政策可能阻碍跨地区投资的增长。此类政策的实施可能促使地方政府增加对本地企业的支持,导致一种地方保护主义形式,鼓励企业主要在本地投资。此外,在能源转型过程中,企业可能面临更高的初始投资成本和技术升级压力,特别是在新能源技术应用和基础设施建设方面。这些挑战可能促使企业将资源集中在本地市场,而不是向其他地区扩张。
为了考察能源转型政策是否以及如何影响企业的跨地区投资,我们使用了2006年至2022年中国上市公司的数据。经过匹配,我们获得了54个试点城市和200个非试点城市的数据,涵盖4161家上市公司,共有35,103个企业-年观测值。以中国2014年的"新能源示范城市"政策作为外生冲击,在控制跨地区投资的先决条件以及企业和年度固定效应后,我们采用双重差分模型考察了"新能源示范城市"政策对跨地区投资的影响。我们发现,"新能源示范城市"政策显著增加了企业的跨地区投资,这表明基于地方的能源转型政策可以重塑企业资源的地理配置。
在通过一系列稳健性检验后,我们的结果依然可靠。首先,平行趋势检验确认了双重差分模型的基本假设得到满足。其次,为缓解政策实施前的预期可能带来的潜在偏差,我们排除了2012年至2013年的数据,因为试点城市的申请流程在正式公布前的2012年就已经开始。结果保持不变。第三,认识到上市公司主要集中在直辖市以及新冠疫情可能对样本产生的混淆效应,我们通过排除上海、北京、天津和重庆的样本以及2020-2022年的数据进行了单独的回归分析。结果依然成立。最后,我们考虑了样本期内其他政策的潜在影响,结果依然稳健。
为进一步确认我们发现的稳健性,我们进行了内生性检验。被选为"新能源示范城市"政策试点的城市并非随机选择,往往存在固有的政策偏向。为解决试点和非试点城市企业之间可观察到的前处理差异,我们实施了一对一最近邻匹配、半径匹配、熵平衡和稳定化的处理概率逆加权,所有方法都仅基于前处理企业特征。回归结果保持一致且稳健。此外,我们进行了安慰剂检验,以评估基准估计是否可能源于虚假的处理分配或偶然相关性。为进一步考虑遗漏变量问题,我们纳入了三个城市层面的控制变量并增加了城市固定效应。回归结果有力地支持了"新能源示范城市"政策显著增强了企业跨地区投资活动的假设。
我们还考察了"新能源示范城市"政策影响企业跨地区投资的机制。首先,我们提供了理论分析以阐明"新能源示范城市"政策影响企业投资行为的路径。我们发现,"新能源示范城市"政策的实施减轻了企业风险承担并降低了信息不对称风险,从而提升了企业的跨地区投资。
最后,我们认识到政策的影响可能因具有不同特征的企业而异。我们基于不同企业属性进行了分组回归,结果表明"新能源示范城市"政策对非国有企业、非重污染企业和由"四大"会计师事务所审计的企业具有更显著的正面效应。
本研究对现有文献做出了三点贡献。首先,我们从投资流动的角度丰富了能源转型政策经济后果的研究文献。我们可能是首个将"新能源示范城市"政策和跨地区投资整合到统一分析框架中的研究。我们考察了"新能源示范城市"政策对企业跨地区投资的影响,这不仅丰富了绿色经济的研究框架,也增加了影响企业跨地区投资的因素。此前关于"新能源示范城市"政策的研究主要关注绿色创新(Song等,2024)和环境保护(Guo等,2024)。然而,关于"新能源示范城市"政策是否影响企业内部因素的研究仍然缺乏。我们相信我们的研究通过探讨"新能源示范城市"政策与企业跨地区投资之间的关系填补了这一空白。相比之下,一些与我们的研究密切相关的研究使用了中国2015年环境保护法作为自然实验。这些研究表明新的环境保护法阻碍了区域金融发展,并最终抑制了区域间的资本流动(Hong等,2025)。然而,他们的结论与我们的不同,因为我们认为绿色经济的发展实际上通过为可持续项目创造新机会和吸引环保意识投资者促进了跨地区投资。
其次,我们的研究增加了企业层面外向投资驱动因素的相关文献。越来越多的研究发现,公平竞争审查和巡回法庭等制度减少了地方政府的过度干预并促进了跨区域资本流动(Li和Xu,2024;Peng等,2024;Zhang等,2024)。地理因素也起作用,例如高速铁路降低了沟通成本并鼓励企业进行跨地区投资,特别是从较富裕地区到较贫穷地区(Chen等,2023a;Jiao等,2024)。从企业角度看,债券违约事件或非本地股东的存在可能导致公司在保护主义较少的地方设立更多子公司,帮助它们获取贷款和补贴(Hu等,2025;Huang等,2024)。然而,我们注意到关于当前政府能源转型政策如何影响这些外向投资选择的研究并不多。与我们最接近的研究是Gulen和Ion(2016)的研究,他们考察了政策不确定性如何总体影响企业投资。然而,与他们对广泛不确定性效应的关注不同,我们专注于主动的地方政府可再生能源转型政策如何影响在其他地区设立子公司的决策。
第三,我们阐明了"新能源示范城市"政策影响企业跨地区投资的理论机制。我们的实证证据证明了风险承担渠道和信息不对称渠道的存在,揭示了"新能源示范城市"政策如何影响跨地区投资的"黑箱"。这有助于更深入地理论理解这两个因素之间的关系。此外,我们探讨了"新能源示范城市"政策对具有不同特征的企业影响的异质性。这为相关部门根据当地条件量身定制"新能源示范城市"政策的实施以及消除资本和要素市场中的障碍(如融资准入和可能阻碍企业发展的监管壁垒)提供了有价值的建议。
论文结构如下:第2部分概述制度背景。第3部分呈现文献回顾并提出假设。第4部分解释研究方法论并考察研究中使用的数据和变量。第5部分讨论实证发现,进行稳健性检验,进行横截面分析并探索机制。最后,第6部分给出结论。
2. 制度背景
自改革开放以来,中国经济经历了快速增长。然而,过度依赖化石能源导致了环境退化,凸显了化石能源、经济增长与环境保护之间日益加剧的冲突,这对区域可持续发展构成了重大障碍。为实现经济增长与自然的和谐共存,以低碳、可持续和环保为特征的能源转型受到了国内外越来越多的关注。能源转型的发展不仅满足了中国快速增长经济的需要,也推动了前沿技术的发展,使中国能够在国际市场上获得竞争优势。为此,中国出台了一系列政策以促进可再生能源的开发和利用。
这些法规包括《可再生能源法》、《中长期可再生能源发展规划》以及《低碳省市试点工作的通知》。2013年,国务院还发布了《"十二五"时期能源发展规划》,强调加快构建现代能源产业体系。为贯彻落实《"十二五"规划》的精神和指导方针,2014年1月,国家能源局公布了新能源示范城市名单,确定了81个城市(包括北京昌平区)为首批新能源城市及产业园区。新能源示范城市的设立旨在增加可再生能源的消耗,实现城市可持续发展。建设这些示范城市需要政府、银行和能源公司等不同群体的团队协作,重点在于为风能、太阳能和地热能等清洁能源创造新思路,这将有助于推动城市可再生能源的应用。
中国为考察基于地域的能源政策如何影响企业的地理扩张提供了一个特别有益的研究背景。尽管企业在统一的全国法律和货币体系内运营,但在政府干预、金融发展、环境监管、产业政策和区域间市场壁垒方面,地方层面的异质性依然显著存在。因此,企业在外省设立子公司需要克服实质性的融资、信息、协调和制度摩擦。与此同时,地方政府在实施产业和能源政策方面发挥着重要作用,使城市层面的政策干预能够在不改变国家制度框架的情况下,改变企业的本地资源环境。因此,新能源示范城市项目为考察地方能源相关资源和政策支持的改善是否会影响企业的组织边界提供了有用的准自然实验。这一背景尤其有价值,因为它使我们能够在共同的国家框架内研究地理扩张,同时利用在地方制度、所有制结构、融资条件、环境暴露和信息环境方面的有意义变化。
3. 文献综述与假设提出
3.1 文献综述
3.1.1 新能源示范城市的经济效应
我们可以从宏观和微观两个角度分析新能源示范城市政策的经济后果。在城市宏观层面,研究表明新能源示范城市有助于提升城市绿色发展(Yu et al., 2024)并促进GDP增长。具体而言,新能源示范城市政策优化了产业结构,推动了绿色技术进步,并在污染和碳减排方面实现了协同治理(Ding et al., 2024)。Song等(2024)利用新能源示范城市政策作为准自然实验,发现该政策改善了地方产业结构并鼓励了绿色创新(Chen et al., 2023b)。这表明新能源示范城市政策可以在宏观层面引导产业向更加环保和创新的方向发展。Wang等(2024)的研究表明,新能源示范城市政策不仅减少了本地碳排放,还对周边城市产生了显著的溢出效应,揭示了该政策的区域影响。此外,新能源示范城市政策显著减少了排放,并对邻近城市产生了明显的负向溢出效应(Guo et al., 2024),这可能导致这些地区由于产业转移以规避更严格的法规而增加排放。
从微观角度来看,企业绿色技术的发展显著提高了企业全要素能源效率(He et al., 2025)。此外,Liu等(2023)表明,新能源示范城市政策优化了能源使用,提高了企业生产过程中的能源效率,降低了生产成本,从而促进了企业的可持续发展和竞争力。
3.1.2 跨区域投资的影响因素
目前已有关于影响跨区域投资因素的大量文献讨论。从制度层面来看,公平公正的营商环境可以吸引外部企业的投资(Zhang et al., 2024),同时也能限制政府的不当行为,从而减轻本地企业寻求外部投资的负担。研究表明,2016年实施的《公平竞争审查制度》遏制了地方政府滥用行政权力抑制竞争的能力。中央政府设立巡回法庭有助于打破地方司法保护主义,减少行政壁垒,促进跨区域资本流动(Li and Xu, 2024)。政府引导基金能够吸引资本流入,同时也能引导股权资本流入周边地区,表现出显著的溢出效应,增强了区域经济发展的投资机遇(Peng et al., 2024)。中央政府也采取了一些措施鼓励资本跨区域流动,例如建立中国政府数据开放平台(Lin et al., 2025)和推动数字金融发展(Liu et al., 2024)。然而,自财税权力分离以来,地方政府出于财政收入的动机,出现了加税和转移支出等行为,这些行为影响了企业投资,最终导致其所在地区的经济增长和创新能力下降。
从地理角度来看,高速铁路的建立显著降低了沟通成本,并在企业跨区域扩张中发挥了积极作用(Chen et al., 2023a),促进了发达地区向欠发达地区的投资,有助于区域一体化并缩小区域差距(Jiao et al., 2024)。从企业角度来看,在债券违约事件发生后,非本地企业倾向于在金融保护主义和其他形式地方保护主义较少的地区设立更多子公司(Hu et al., 2025)。Huang等(2024)提供的证据表明,拥有非本地股东(NLB)的企业在跨省子公司方面的投资更多,因为非本地股东能够帮助企业在非本地股东所在省份获得更多的银行贷款和政府补贴。
综上所述,关于新能源示范城市政策经济效应的研究主要集中在绿色技术创新、清洁能源利用和环境治理方面。然而,缺乏考察新能源示范城市政策与企业内部因素之间关系的文献。同时,相当数量的文献探讨了影响企业跨区域投资的因素,为促进资本流动提供了有益的视角。然而,现有研究主要集中在营商环境和地理交通方面,很少有研究探讨能源转型与企业投资之间的联系。随着碳减排和碳达峰目标的提出,新能源转型的重要性日益受到重视。然而,关于新能源示范城市政策是否能够影响跨区域资本流动的研究仍然有限,需要进一步探索新能源示范城市政策与跨区域资本流动性之间的关系。
3.2 假设提出
企业资源基础观(RBV)认为,竞争优势来源于企业所拥有且具有异质性和不可移动性的资源和能力,这些资源必须是有价值的、稀缺的、难以模仿的和不可替代的(VRIN),才能维持卓越的绩效(Barney, 1991; Wernerfelt, 1984)。在动态环境中,外部变化(如监管政策)迫使企业重新配置其内部资源组合以适应变化并利用新机遇(Hart, 1995; Sirmon et al., 2007)。在此框架下,我们将可再生能源转型政策视为外生环境冲击,它改变了企业的资源格局。这些政策通常在国家或区域层面实施(例如中国的"双碳"目标),会带来合规成本和不确定性,但也激励了资源增强,如提高信息透明度和风险管理能力(Delis et al., 2024; Ilhan et al., 2021)。通过增强这些资源,企业可以减轻脆弱性并追求战略扩张,包括通过异地投资实现地理多元化。
资源基础观的核心要义之一是,外部压力驱动企业利用重新配置的资源进行价值创造活动(Peteraf, 1993)。在可再生能源转型的背景下,政策最初可能会扰乱传统运营,但最终会促进资源适应,使企业能够实现地理多元化,例如在其他省份设立子公司。这种多元化是部署增强资源进入新市场的机制,从而对冲本地政策风险,并抓住在未受严格监管或资源丰富地区的涌现机遇(Denis et al., 2002)。实证证据支持了面临环境法规的企业往往会增加异地投资以重新分配资源并维持竞争优势(Bartram et al., 2022)。因此,我们预期暴露于可再生能源转型政策与企业进行跨省投资的倾向之间存在正相关关系,因为这些政策促使资源重新配置,从而促进战略扩张。
假设1:新能源示范城市政策增加了企业的跨区域投资(即企业在其他省份设立子公司数量的增加)。
在资源基础观框架下,一个平行的中介机制涉及企业风险承担的降低,我们将其操作化为总资产收益率(ROA)的标准差,作为企业愿意参与波动性活动的代理变量(John et al., 2008)。资源基础观认为,风险管理能力构成一项关键资源,特别是在不确定环境中,企业重新配置资源以实现稳定性和韧性(Sirmon et al., 2007)。可再生能源政策引入了不确定性(如合规成本和市场需求变化),促使企业降低风险敞口以保持核心资源并避免竞争优势的侵蚀(Gulen and Ion, 2016)。风险承担的降低增强了财务缓冲和运营稳定性,使企业能够将资源重新配置到探索性战略(March, 1991)上。因此,政策导致的较低风险水平的企业更倾向于进行跨省投资,因为稳定的资源为地理多元化提供了基础,而不会产生过度的波动性(Nguyen and Phan, 2017; Ilhan et al., 2021)。这与资源基础观的观点一致,即外部压力下的资源重新配置使企业能够利用新的机遇,例如在具有互补资源或较宽松法规的省份设立子公司(Hart, 1995)。
假设2:新能源示范城市政策通过降低企业风险承担来增加企业的跨区域投资(即企业在其他省份设立子公司数量的增加)。
4. 实证设计与数据
4.1 实证设计
为了探索新能源示范城市政策对跨区域投资的因果效应,本研究构建了以下模型:
(1) $CORI_{i,t} = \beta_0 + \beta_1 Treat_j \times Post_t + \beta_2 Controls + \varphi_{firm} + \varphi_{year} + \varepsilon_{i,t}$
其中,i、j和t分别代表企业、城市和年份。$CORI_{i,t}$ 表示企业在t年的跨区域投资水平。$Treat_j$ 表示企业总部所在城市是否实施了新能源示范城市政策,如果城市已采纳该政策则取值为1,如果城市为非试点城市则取值为0。$Post_t$ 表示政策冲击的年份虚拟变量,2014年及以后取值为1,之前取值为0。$Controls$ 表示控制变量。$\varphi_{firm}$ 和 $\varphi_{year}$ 分别表示企业固定效应和年份固定效应。$\varepsilon_{i,t}$ 为误差项。
4.2 样本与数据
本研究选取2006年至2022年中国A股上市公司作为样本,考察试点城市能源转型政策对跨区域投资的影响。1 其他控制变量的数据来源为CSMAR数据库。
对于上市公司处理组,我们首先根据能源局发布的新能源示范城市名单(第一批)整理了81个试点城市的名单,如附录A中的表A1所示。随后,基于上市公司样本进行了匹配,最终涉及254个城市的数据,其中54个为处理城市,其余为非处理城市。此外,样本经过了以下清理程序:(1) 排除金融行业的公司,以及当年被归类为ST或PT的公司;(2) 删除财务或宏观经济数据缺失的观测值;(3) 排除资产负债率大于1的观测值。本研究共获得4161家公司和35,103个公司-年度观测值的数据。为减少异常值的影响,对连续变量在1%和99%水平上进行了缩尾处理。
4.3 变量
4.3.1 因变量:跨区域投资
本研究的因变量为跨区域投资(CORI)。遵循Hong等(2025)的方法,我们将CORI衡量为母公司省份以外地区子公司数量(NCS)加1后的对数值。具体步骤如下:我们首先整理上市公司(即母公司)所在城市的数据,利用上市公司基本信息表。为进一步识别母公司与子公司之间的关系,我们参考上市公司披露的附属公司文件,从中提取具有明确股权关系的子公司。在此过程中,我们特别排除了分公司和海外子公司,将样本限定为在中国大陆境内的子公司。
此外,利用天眼查等工具,我们查询各子公司的注册地,并统计母公司在不同省份的子公司数量分布。最后,我们计算出位于母公司所在省份以外的子公司数量,并对此数值进行对数变换,从而得到该公司的跨区域投资(CORI)数据。我们特意使用省外子公司数量(而非市外子公司数量)来衡量跨区域投资,主要基于以下三点考虑。第一,与市内投资相比,跨省投资涉及更大的地理、制度和行政距离,因此能更好地反映企业响应政策冲击而发生的显著空间重组。第二,在中国语境下,省界划定了政策环境、资源配置、地方保护主义和制度安排等方面的显著差异。因此,省外投资更能准确反映企业为获取异地资源或规避本地约束而进行的战略性跨区域扩张。第三,使用市外子公司会引入测量噪声,将真实的跨区域投资与在同一省内向邻近城市进行的常规业务扩张混为一谈。因此,省外子公司数量是衡量跨区域投资更为严谨和保守的代理变量。
4.3.2. 自变量:NEDC政策
本文的自变量为NEDC政策(Treat×Post),将其设定为虚拟变量Treat*Post,用以标识NEDC试点政策。若第i个企业在第t年(t≥2014)位于NEDC试点城市,则赋值为1,否则赋值为0。这一操作化方式使我们能够有效分离并评估NEDC政策对相关结果变量的影响,通过对比试点城市内与非试点城市内企业之间的差异,从而为政策对企业行为和指标所产生的因果效应提供洞见。
4.3.3. 控制变量
在控制变量方面,本研究考虑了财务层面和治理层面可能影响跨区域投资(CORI)决策的特征因素。财务指标包括资产负债率(Leverage)、资产收益率(ROA)、现金流(Cashflow)、资本密集度(Cap)和托宾Q值(TobinQ)。治理变量包括董事会规模(Board)、董事会独立性(Independence)、CEO双重身份(Duality)以及第一大股东持股比例(Top1)。附录A中的表A2提供了本研究中使用的所有变量的详细说明。
表1展示了主要变量的描述性统计结果。企业CORI的最大值为4.554,最小值为0,标准差为1.127,表明企业间CORI存在显著差异。所有变量的统计值均在合理范围内。
表1. 描述性统计
| 变量名称 | 观测值 | 均值 | 最大值 | 最小值 | 中位数 | P25 | P75 | 标准差 |
|---|---|---|---|---|---|---|---|---|
| CORI | 35103 | 1.520 | 4.554 | 0.000 | 1.386 | 0.693 | 2.303 | 1.127 |
| NCS | 35103 | 9.014 | 80.000 | 0.000 | 3.000 | 1.000 | 9.000 | 22.869 |
| Post | 35103 | 0.705 | 1.000 | 0.000 | 1.000 | 0.000 | 1.000 | 0.456 |
| Treat | 35103 | 0.344 | 1.000 | 0.000 | 0.000 | 0.000 | 1.000 | 0.475 |
| Leverage | 35103 | 0.437 | 0.888 | 0.059 | 0.434 | 0.275 | 0.590 | 0.204 |
| ROA | 35103 | 0.040 | 0.220 | ?0.221 | 0.038 | 0.014 | 0.071 | 0.064 |
| Cashflow | 35103 | 0.047 | 0.248 | ?0.162 | 0.046 | 0.008 | 0.088 | 0.070 |
| Cap | 35103 | 2.558 | 14.420 | 0.381 | 1.913 | 1.303 | 2.945 | 2.219 |
| TobinQ | 35103 | 2.027 | 8.297 | 0.854 | 1.606 | 1.230 | 2.308 | 1.294 |
| Board | 35103 | 2.132 | 2.708 | 1.609 | 2.197 | 1.946 | 2.197 | 0.203 |
| Independence | 35103 | 37.422 | 57.140 | 27.270 | 35.290 | 33.330 | 42.860 | 5.374 |
| Duality | 35103 | 0.260 | 1.000 | 0.000 | 0.000 | 0.000 | 1.000 | 0.439 |
| Top1 | 35103 | 34.275 | 73.820 | 8.477 | 32.066 | 22.543 | 44.626 | 14.937 |
注:本表呈现了实证分析中主要变量的描述性统计结果,包括观测值数量、均值、最大值、最小值、中位数、第25百分位数、第75百分位数以及标准差。主要变量定义如下:NCS表示位于母公司所在省份以外的子公司绝对数量;CORI表示跨区域投资,计算方法为NCS加一后取自然对数;Post为时间虚拟变量,在新能源示范城市(NEDC)政策实施后的年份(2014年及之后)赋值为1,否则赋值为0;Treat为处理组虚拟变量,若企业位于NEDC试点城市则赋值为1,否则赋值为0。本表还列出了企业层面的控制变量,包括资产负债率(Leverage)、资产收益率(ROA)、经营现金流(Cashflow)、资本密集度(Cap)、企业市场价值(TobinQ)、董事会规模(Board)、独立董事比例(Independence)、CEO双重身份(Duality)以及股权集中度(Top1)。
表2呈现了主要变量的皮尔逊相关系数矩阵。DID(Post×Treat)与CORI之间的相关系数为0.15,且在1%的水平上显著,这提供了初步证据表明新能源转型试点政策与企业外向型投资呈正相关。在控制变量中,Leverage与CORI呈正相关,而ROA、Cashflow、Cap、TobinQ和Top1与CORI呈负相关;Board、Independence和Duality则呈正相关。这些模式表明,企业的财务和治理特征与跨区域投资决策密切相关,支持了将其纳入回归分析的合理性。此外,各解释变量之间的两两相关系数总体较为温和,大多数绝对值低于0.4。尽管Board与Independence之间的相关系数略高(?0.51),但并不表明存在严重的多重共线性问题。为进一步评估潜在的多重共线性,我们计算了各解释变量的方差膨胀因子(VIF)。结果显示,所有VIF值均低于常规阈值10,且平均VIF保持在可接受的水平,表明多重共线性不太可能成为本文估计中的严重问题。
表2. 相关系数矩阵
| 空单元格 | CORI | DID | Leverage | ROA | Cashflow | Cap | TobinQ | Board | Independence | Duality | Top1 |
|---|---|---|---|---|---|---|---|---|---|---|---|
| CORI | 1 | | | | | | | | | | |
| DID | 0.15*** | 1 | | | | | | | | | |
| Leverage | 0.20*** | ?0.02*** | 1 | | | | | | | | |
| ROA | ?0.06*** | ?0.02*** | ?0.35*** | 1 | | | | | | | |
| Cashflow | ?0.02*** | ?0.01* | ?0.15*** | 0.40*** | 1 | | | | | | |
| Cap | ?0.02*** | 0.01 | ?0.04*** | ?0.20*** | ?0.19*** | 1 | | | | | |
| TobinQ | ?0.09*** | 0.02*** | ?0.28*** | 0.18*** | 0.11*** | ?0.02*** | 1 | | | | |
| Board | 0.02*** | ?0.05*** | 0.15*** | 0.02*** | 0.05*** | ?0.02*** | ?0.13*** | 1 | | | |
| Independence | 0.05*** | 0.04*** | ?0.02*** | ?0.02*** | ?0.02*** | 0.03*** | 0.04*** | ?0.51*** | 1 | | |
| Duality | 0.02*** | 0.08*** | ?0.15*** | 0.04*** | ?0.01*** | ?0.02*** | 0.09*** | ?0.19*** | 0.12*** | 1 | |
| Top1 | ?0.07*** | ?0.04*** | 0.06*** | 0.14*** | 0.09*** | ?0.04*** | ?0.13*** | 0.03*** | 0.03*** | ?0.07*** | 1 |
注:本表呈现了实证分析中主要变量的皮尔逊相关系数矩阵,旨在展示变量间的初步双变量关系并筛查潜在的多重共线性问题。变量定义如下:CORI表示跨区域投资,衡量方式为位于母公司所在省份以外的子公司数量加一后取自然对数;DID为虚拟变量,用以标识新能源示范城市(NEDC)试点政策的实施,若企业在2014年或之后位于NEDC试点城市则赋值为1,否则赋值为0;其余变量为企业层面的控制变量,包括资产负债率(Leverage)、资产收益率(ROA)、经营现金流(Cashflow)、资本密集度(Cap)、企业市场价值(TobinQ)、董事会规模(Board)、独立董事比例(Independence)、CEO双重身份(Duality)以及股权集中度(Top1)。***, **, 和 * 分别表示在1%、5%和10%的水平上统计显著。
5. 实证结果
5.1. 基准结果
本文通过基于公式(1)所述模型的回归分析,评估了NEDC政策对企业跨区域投资(CORI)的影响,回归结果见表3。第(1)列展示的是未包含控制变量的结果。Post×Treat的系数在1%的置信水平上显著为正,提供了初步证据表明NEDC政策刺激了企业的CORI。第(2)、(3)、(4)和(5)列分别展示了在纳入财务变量、公司治理因素以及所有控制变量后的回归结果。在所有情况下,该系数均在1%的置信水平上保持显著为正。考虑到第(4)列同时包含了所有控制变量和固定效应,它为解释结果的经济意义提供了基准。Post×Treat的系数为0.051,表明NEDC政策的实施显著增强了企业的跨区域投资活动。以处理组企业在政策实施前NCS的均值(6.477)进行测算,该效应相当于每个企业平均增加约0.39家跨区域子公司。为控制随时间变化的行业不可观测因素(如行业特定的宏观冲击)并减少遗漏变量偏差,我们在第(5)列中进一步纳入了行业×年份固定效应。即使在这一更为严格的设定下,我们所关注变量的系数仍然显著为正。这进一步证实了NEDC政策显著鼓励了企业在其他地区设立子公司,从而促进了跨区域投资。
表3. 基准结果
| 变量 | (1) CORI | (2) CORI | (3) CORI | (4) CORI | (5) CORI |
|---|---|---|---|---|---|
| Post×Treat | 0.072*** (4.30) | 0.177*** (12.42) | 0.194*** (13.21) | 0.051*** (3.11) | 0.029* (1.75) |
| Leverage | | 1.346*** (41.15) | 0.792*** (22.40) | 0.739*** (20.50) | |
| ROA | | 0.637*** (6.29) | 0.160** (2.11) | 0.151** (1.98) | |
| Cashflow | | 0.206** (2.32) | 0.037 (0.64) | ?0.013 (?0.23) | |
| Cap | | ?0.023*** (?7.65) | ?0.003 (?0.90) | ?0.005* (?1.85) | |
| TobinQ | | ?0.073*** (?15.62) | ?0.051*** (?12.99) | ?0.054*** (?13.37) | |
| Board | | 0.657*** (18.46) | 0.254*** (6.89) | 0.249*** (6.84) | |
| Independence | | 0.015*** (11.68) | 0.002 (1.60) | 0.003*** (2.66) | |
| Duality | | ?0.019 (?1.46) | 0.007 (0.58) | 0.010 (0.93) | |
| Top1 | | ?0.004*** (?8.61) | ?0.005*** (?8.77) | ?0.005*** (?8.12) | |
| 年份固定效应 | 是 | 是 | 是 | 是 | 是 |
| 行业/企业固定效应 | 是 | 是 | 是 | 是 | 是 |
| 行业×年份固定效应 | 否 | 否 | 否 | 否 | 是 |
| 调整后R2 | 0.772 | 0.183 | 0.136 | 0.780 | 0.791 |
注:本表呈现了考察新能源示范城市(NEDC)试点政策对企业跨区域投资影响的基准回归结果。因变量CORI表示跨区域投资,衡量方式为位于母公司所在省份以外的子公司数量加一后取自然对数。主要自变量为交互项Post×Treat,作为双重差分法(DID)估计量。Treat为虚拟变量,若企业位于NEDC试点城市则赋值为1;Post为时间虚拟变量,在政策实施年份2014年及之后赋值为1。各模型逐步纳入了企业层面的控制变量向量,包括资产负债率(Leverage)、资产收益率(ROA)、经营现金流(Cashflow)、资本密集度(Cap)、企业市场价值(TobinQ)、董事会规模(Board)、独立董事比例(Independence)、CEO双重身份(Duality)以及股权集中度(Top1)。此外,回归中还通过纳入企业、年份以及行业×年份固定效应(FE)来控制不可观测的异质性。第(2)–(3)列控制行业固定效应,其余列控制企业固定效应。基于稳健标准误的t统计量以括号形式报告。***, **, 和 * 分别表示在1%、5%和10%的水平上统计显著。
5.2. 动态效应
DID模型以平行趋势假设为其基本条件。为评估DID模型回归结果的稳健性,我们以政策实施前一年(即2013年)作为基准年。此外,我们对2006年至2022年期间NEDC政策的趋势进行了结构分析和动态效应检验。模型设定如下:
(2) $CORI_{i,t} = \beta_0 + \sum_{t=2006}^{2022, t\neq2013} \beta_t \times Treat_j \times Post_t + \beta_2 Controls + \varphi_{firm} + \varphi_{year} + \varepsilon_{i,t}$
其中,i表示企业,j表示城市,t为相对年份的虚拟变量。Post_t表示对应年份的虚拟变量,取值为1;2006年至2022年期间的系数估计用β_t表示。
如表4所示,处理前各领先项(Pre_8至Pre_2)的估计系数在常规显著性水平上均无法与零相区分。更重要的是,对处理前系数的联合检验未能拒绝所有政策前系数联合等于零的原假设(F=0.32;p=0.947)。因此,我们未发现证据表明在政策实施之前,位于NEDC试点城市的企业与非试点城市企业之间存在差异化的前置趋势。NEDC计划启动后,动态系数转为正值且具有统计显著性(例如,Post_1=0.069, p<0.05;Post_5=0.062, p<0.10),这与基准结果完全一致。综合来看,这些动态估计值满足平行趋势的识别假设,并表明所观察到的企业跨区域投资增加归因于NEDC政策,而非既存的其他混杂轨迹。
表4. 动态效应与平行趋势检验
| 变量 | (1) CORI |
|---|---|
| Pre_8 | ?0.049 (?0.75) |
| Pre_7 | ?0.035 (?0.66) |
| Pre_6 | ?0.010 (?0.20) |
| Pre_5 | 0.018 (0.42) |
| Pre_4 | ?0.013 (?0.29) |
| Pre_3 | 0.020 (0.50) |
| Pre_2 | 0.012 (0.32) |
| Current | 0.049 (1.44) |
| Post_1 | 0.069** (2.09) |
| Post_2 | 0.055* (1.68) |
| Post_3 | 0.059* (1.84) |
| Post_4 | 0.042 (1.33) |
| Post_5 | 0.062* (1.95) |
| Post_6 | 0.050 (1.57) |
| Post_7 | 0.037 (1.14) |
| Post_8 | 0.025 (0.74) |
| Leverage | 0.792*** (22.37) |
| ROA | 0.159** (2.10) |
| Cashflow | 0.035 (0.61) |
| Cap | ?0.003 (?0.91) |
| TobinQ | ?0.051*** (?12.95) |
| Board | 0.254*** (6.88) |
| Independence | 0.002 (1.58) |
| Duality | 0.006 (0.56) |
| Top1 | ?0.005*** (?8.77) |
| F检验 | 0.32 |
| 年份固定效应 | 是 |
| 企业固定效应 | 是 |
| 调整后R2 | 0.780 |
注:本表报告了新能源示范城市(NEDC)政策对企业跨区域投资(CORI)的动态处理效应,用以检验平行趋势假设(事件研究设计)。回归模型包含了相对于政策实施年份(2014年)的动态领先项和滞后项,其中紧邻政策前一年(t?1,Pre_1)被省略作为基准参考期。所有控制变量的定义详见附录A。所有设定中均控制了企业固定效应和年份固定效应。稳健t统计量以括号形式报告。***, **, 和 * 分别表示在1%、5%和10%的水平上统计显著。
5.3. 稳健性检验
5.3.1. 安慰剂检验
为排除遗漏变量和随机因素对上述关于NEDC政策影响企业CORI的回归结果产生的干扰,我们进行安慰剂检验,通过随机生成实验组来消除影响。我们从样本中随机选取企业作为处理组,并基于基准模型进行回归。该过程重复500次,详细结果见图1。研究发现,随机处理所估计的系数主要集中于零附近,与基准回归系数(表3第(4)列中的0.051)存在显著差异。此外,绝大多数p值远离零值,仅有少数落入10%显著性阈值以内。这证实了本研究结果的稳健性,排除了其他因素的影响,表明NEDC政策对企业异地投资的积极影响并非偶然。
图1. 基于NEDC政策的安慰剂检验结果
下载:下载高分辨率图片(314KB) 下载:下载完整尺寸图片
注:本图展示了安慰剂检验的结果,旨在验证新能源示范城市(NEDC)政策对企业跨区域投资(CORI)的基准正向影响并非由不可观测的遗漏变量或随机因素驱动。为进行该检验,我们随机分配伪处理状态并重新估计基准双重差分法(DID)模型500次。X轴(系数)表示这些随机回归中生成的伪DID项的估计系数。左侧Y轴(P值)显示各估计对应的p值,以蓝色散点表示。右侧Y轴(系数核密度)展示这些伪系数的核概率密度分布,以红色实线表示。
如图所示,模拟的伪系数呈正态分布且紧密集中于零附近,其绝大多数p值高于传统显著性水平。与之形成鲜明对比的是,我们真实的基准估计值(0.051,如基准回归中所报告)远远落在该模拟安慰剂分布的范围之外。这些结果有力地证实了所观察到的NEDC政策对企业跨区域扩张的促进效应确实归因于政策冲击本身,而非虚假相关。为精确刻画500次模拟回归的统计分布特征,表5报告了安慰剂系数和t统计量的详细百分位数。Post×Treat交互项的模拟系数紧密集中于零附近(均值和中位数均为0),第99百分位数仅达到0.015。与之形成鲜明对比的是,我们实际的基准估计值0.051完全落在该安慰剂分布的极右尾之外。类似地,模拟t统计量的均值为?0.05,即使第99百分位数(2.137)也远低于我们真实的t统计量(3.114),表明绝大多数模拟估计在统计上不显著。这些发现缓解了人们对随机分配处理组所产生的偶然相关性可能驱动基准估计值的担忧。最终,这证实了NEDC政策对企业跨区域投资的正面影响具有高度稳健性,而非仅仅是统计假象。
表5. 安慰剂检验。
| | 实际值 | 均值 | 1% | 5% | 10% | 25% | 50% | 75% | 90% | 95% | 99% |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Post×Treat系数 | 0.051 | 0 | ?0.017 | ?0.013 | ?0.009 | ?0.005 | 0 | 0.005 | 0.009 | 0.011 | 0.015 |
| Post×Treat的t统计量 | 3.114 | ?0.05 | ?2.376 | ?1.819 | ?1.348 | ?0.718 | ?0.011 | 0.643 | 1.269 | 1.59 | 2.137 |
注:本表报告了通过对处理变量进行500次随机置换所获得的安慰剂估计分布。在每次迭代中,我们重新估计基准模型并记录安慰剂DID项(Post×Treat)的系数和t统计量。"实际值"指使用观测到的处理分配进行基准回归所得的估计值,而"均值"和百分位列则汇总了模拟分布的情况。实际估计值与安慰剂分布的集中区域之间的显著差距为基准结果的有效性提供了额外支持。
5.3.2. 基于倾向得分的样本选择偏差修正
尽管基准双重差分设定吸收了时不变的企业异质性和共同的年度冲击,但总部位于NEDC和非NEDC城市的企业在可观测的前期特征上仍可能存在系统性差异。因此,我们实施了三种互补的平衡程序:一对一最近邻匹配、半径匹配和熵平衡。为避免前视偏差,倾向得分和平衡权重是基于企业层面的前期截面数据而非重复的企业-年度观测值进行估计的(Rosenbaum and Rubin, 1985; Shipman et al., 2017)。处理组由企业2013年(即最后一个前期年份)的注册总部城市是否被指定为NEDC城市来定义。对每家企业,我们将2011至2013年的杠杆率、盈利能力、现金流、资本强度、托宾Q值、董事会规模、董事会独立性、CEO两职合一和股权集中度取平均值,并要求至少有两年完整的前期观测值。所得企业层面的匹配标识或权重随后被合并回完整面板数据中进行DID估计。
采用这三种程序是因为它们以不同方式处理偏差-精度权衡。一对一最近邻匹配在0.05卡尺范围内为每个观测值配对最接近的反事实对照(Caliendo and Kopeinig, 2008)。其主要优势在于透明性:估计基于高度可比的处理组和控制组企业,且较少依赖于远距离观测值。代价是未匹配的控制组被丢弃,估计可能精度较低。半径匹配则使用倾向得分半径0.01内所有可接受的对照(Dehejia and Wahba, 2002)。因此它减少了对单一匹配的依赖,保留了更多大量信息,通常能改善精度,但其表现取决于所选半径。熵平衡遵循不同的逻辑:它不是选择邻居,而是对控制组企业进行重新加权,使前期协变量的前三阶矩与处理组企业匹配(Hainmueller, 2012)。这产生了更强的分布平衡并避免了任意匹配选择,但在重叠较弱时对极端权重可能敏感。因此,三种估计量的一致性具有信息量,因为它表明发现结果并非由单一匹配规则驱动。
平衡诊断(附录A中的图A1)表明,调整程序显著改善了可比性。一对一匹配后,平均偏差降至2.2%,中位偏差降至1.8%,每个协变量的绝对标准化偏差均小于10%。倾向得分分布(附录A中的图A1)表现出高度重叠:1703家有资格的企业中有1694家,即99.5%,位于共同支撑域内。因此,分析不依赖于在大幅不重叠的处理组和控制组人群之间的外推。半径匹配产生更强的平衡(图A3和A4):平均和中位偏差分别为1.1%和1.0%;最大绝对偏差为2.2%;伪R方接近零;联合平衡检验p值为1.000。最后,熵平衡在11次迭代后收敛,并使所有九个前期协变量的均值、方差和偏度在数值精度内对齐。综合来看,诊断结果表明半径匹配和熵平衡提供了特别强的分布平衡,而最近邻匹配则基于最接近的反事实企业提供了更为保守的比较。
表6报告了加权DID估计。NEDC处理项的系数在所有三种程序下均为正。在一对一最近邻匹配下,系数为0.058(t = 2.12);在半径匹配下为0.048(t = 2.75);在熵平衡下为0.056(t = 3.28)。所有三个估计均在5%或更高水平上统计显著,且在量级上紧密聚集。由于因变量是跨区域子公司数量加一的自然对数,这些系数分别对应子公司数量加一约6.0%、5.0%和5.8%的增幅。因此,估计结果的一致性表明NEDC政策对企业跨区域投资的正面效应并非某一特定平衡算法产生的假象。
表6. 对可观测前期不平衡的稳健性。
| 变量 | (1) NN 1:1: 2011?2013均值 | (2) 半径: 2011?2013均值 | (3) 熵平衡: 2011?2013均值 | (4) 稳定IPTW: 2011?2013均值 |
|---|---|---|---|---|
| | 控制变量 | 控制变量 | 控制变量 | 控制变量 |
| Post×Treat | 0.058** | 0.048*** | 0.056*** | 0.059*** |
| | (2.12) | (2.75) | (3.28) | (3.47) |
| 杠杆率 | 0.879*** | 0.876*** | 0.817*** | 0.816*** |
| | (11.79) | (16.76) | (18.63) | (19.56) |
| ROA | ?0.008 | 0.044 | 0.168* | 0.226** |
| | (?0.05) | (0.35) | (1.65) | (2.31) |
| 现金流 | 0.070 | 0.057 | 0.063 | 0.084 |
| | (0.55) | (0.66) | (0.85) | (1.21) |
| Cap | ?0.005 | ?0.003 | ?0.002 | ?0.004 |
| | (?0.74) | (?0.59) | (?0.70) | (?1.21) |
| TobinQ | ?0.066*** | ?0.068*** | ?0.069*** | ?0.065*** |
| | (?7.11) | (?10.51) | (?12.32) | (?12.88) |
| 董事会 | 0.385*** | 0.324*** | 0.291*** | 0.274*** |
| | (4.96) | (5.97) | (6.54) | (6.49) |
| 独立性 | 0.004* | 0.003** | 0.002 | 0.002 |
| | (1.80) | (2.07) | (1.49) | (1.49) |
| 两职合一 | 0.012 | 0.010 | 0.015 | 0.008 |
| | (0.53) | (0.64) | (1.06) | (0.59) |
| Top1 | ?0.004*** | ?0.006*** | ?0.005*** | ?0.005*** |
| | (?3.13) | (?6.79) | (?6.72) | (?6.41) |
| 年份固定效应 | 是 | 是 | 是 | 是 |
| 企业固定效应 | 是 | 是 | 是 | 是 |
| 调整R2 | 0.771 | 0.776 | 0.775 | 0.765 |
注:本表报告了针对总部位于新能源示范城市(NEDC)试点和非试点城市企业在可观测前期差异方面的稳健性检验。因变量为企业跨区域投资(CORI),衡量为在企业主注册省份以外设立的子公司数量加一的自然对数。关键解释变量为Post×Treat,其中Treat在2013年(即最后一个前期年份)企业注册总部城市被指定为NEDC试点城市时等于1,否则为0;Post在政策后期间等于1,否则为0。为避免前视偏差,所有匹配和平衡程序均基于企业层面的前期截面数据而非重复的企业-年度观测值实施。具体而言,将杠杆率、资产回报率、现金流、资本强度、托宾Q值、董事会规模、董事会独立性、CEO两职合一和股权集中度在2011-2013年取平均值,并要求企业至少有两年完整的前期观测值。所得匹配标识或平衡权重随后被合并回完整面板,在其上重新估计基准DID模型。第(1)列报告了一对一最近邻倾向得分匹配的结果,卡尺为0.05。第(2)列采用倾向得分半径为0.01的半径匹配,允许每个处理组企业与指定半径内所有可接受的控制组企业匹配。第(3)列应用熵平衡,对控制组企业重新加权以匹配处理组企业在前期协变量的前三阶矩(均值、方差和偏度)上的一致性。附录中报告的平衡诊断表明三种程序下协变量可比性均有显著改善,其中半径匹配和熵平衡的平衡效果尤为突出。第(4)列应用了稳定的逆概率处理加权(IPTW)。倾向得分使用2011-2013前期区间平均的企业特征进行估计,所得稳定权重在重新估计基准DID模型前被合并回完整面板。与丢弃未匹配观测的匹配方法不同,稳定IPTW保留完整样本并根据估计的处理概率调整观测的贡献,而非丢弃未匹配观测或选择特定反事实企业。因此该结果表明NEDC的正面效应对于旨在减少试点和非试点城市企业可观测前期差异的另一种重新加权方案是稳健的。与PSM和熵平衡估计相结合,证据表明基准发现不太可能由特定匹配算法或前期企业构成的可观测差异所驱动。
5.3.3. 替代因变量
为更全面地理解NEDC政策如何塑造跨区域投资,我们采用三个替代因变量扩展了分析。我们通过新设立的跨省子公司数量(NNCS)、投入这些跨省子公司的总注册资本(RCCS)以及位于企业主注册城市以外的更广泛的子公司总数(OOC_Sub)来衡量这种空间扩张。为处理右偏和零值问题,每个指标均通过对原始值加一后取自然对数构建。回归结果报告在表7的第(1)至(3)列。DID变量的估计系数在所有三个设定中均显著为正(分别为0.041, p<0.05; 0.707, p<0.01; 0.057, p<0.01)。这些发现提供了稳健的补充证据,表明NEDC政策持续对促进企业跨区域投资发挥显著正面效应。
表7. 稳健性检验I。
| 变量 | (1) NNCS | (2) RCCS | (3) OOC_Sub | (4) CORI | (5) CORI | (6) CORI | (7) CORI |
|---|---|---|---|---|---|---|---|
| | 控制变量 | 控制变量 | 控制变量 | 控制变量 | 控制变量 | 控制变量 | 控制变量 |
| Post×Treat | 0.041** | 0.707*** | 0.057*** | 0.048*** | 0.031* | 0.048** | 0.059*** |
| | (2.17) | (4.30) | (3.49) | (2.70) | (1.67) | (2.37) | (3.55) |
| 杠杆率 | 0.451*** | 2.770*** | 0.802*** | 0.788*** | 0.757*** | 0.752*** | 0.817*** |
| | (10.37) | (7.17) | (21.07) | (19.27) | (18.74) | (19.75) | (19.53) |
| ROA | 1.367*** | 0.678 | 0.206** | 0.391*** | 0.244*** | 0.159** | 0.474*** |
| | (13.47) | (0.77) | (2.42) | (4.48) | (2.84) | (2.07) | (5.09) |
| 现金流 | ?0.488*** | 0.527 | 0.083 | ?0.030 | 0.005 | 0.028 | 0.007 |
| | (?6.47) | (0.77) | (1.28) | (?0.46) | (0.08) | (0.46) | (0.12) |
| Cap | 0.008*** | 0.035 | ?0.002 | ?0.001 | 0.001 | ?0.005* | ?0.003 |
| | (2.59) | (1.14) | (?0.58) | (?0.30) | (0.25) | (?1.71) | (?0.81) |
| TobinQ | ?0.030*** | ?0.258*** | ?0.066*** | ?0.055*** | ?0.053*** | ?0.050*** | ?0.064*** |
| | (?5.97) | (?5.45) | (?14.51) | (?12.06) | (?11.96) | (?12.19) | (?13.64) |
| 董事会 | 0.185*** | 1.531*** | 0.312*** | 0.264*** | 0.223*** | 0.254*** | 0.267*** |
| | (4.07) | (3.80) | (7.87) | (6.06) | (5.34) | (6.47) | (6.07) |
| 独立性 | 0.000 | 0.034*** | 0.002* | 0.001 | 0.001 | 0.002 | 0.001 |
| | (0.27) | (2.87) | (1.90) | (0.80) | (0.74) | (1.56) | (0.96) |
| 两职合一 | 0.028* | 0.073 | 0.020 | ?0.012 | ?0.007 | 0.008 | ?0.010 |
| | (1.81) | (0.54) | (1.56) | (?0.91) | (?0.56) | (0.71) | (?0.73) |
| Top1 | 0.000 | ?0.033*** | ?0.005*** | ?0.006*** | ?0.006*** | ?0.005*** | ?0.005*** |
| | (0.10) | (?5.04) | (?7.80) | (?8.55) | (?8.18) | (?7.47) | (?7.05) |
| GDP | ?0.013 | | | | | | |
| | (?0.50) | | | | | | |
| 政府干预 | ?0.068 | | | | | | |
| | (?1.17) | | | | | | |
| 开放度 | ?0.019 | | | | | | |
| | (?1.28) | | | | | | |
| 年份固定效应 | 是 | 是 | 是 | 是 | 是 | 是 | 是 |
| 企业固定效应 | 是 | 是 | 是 | 是 | 是 | 是 | 是 |
| 城市固定效应 | 否 | 否 | 否 | 是 | 否 | 否 | 否 |
| 调整R2 | 0.371 | 0.501 | 0.767 | 0.791 | 0.772 | 0.788 | 0.783 |
注:本表呈现了多种稳健性检验以验证新能源示范城市(NEDC)政策对企业跨区域投资基准影响的可靠性。主要关注的自变量为Post×Treat,一个捕捉政策冲击的双重差分指标。第(1)至(3)列检验替代因变量以衡量空间扩张:NNCS(新设立的跨省子公司数量)、RCCS(投入这些跨省子公司的总注册资本)和OOC_Sub(位于企业主注册城市以外的更广泛的子公司总数)。第(4)列保留基准因变量(CORI)但进一步控制城市层面特征,包括GDP(国内生产总值/经济发展)、Government(政府干预)和Open(区域开放度),以及城市固定效应。第(5)列排除了政策实施最初两年(2012和2013年)的观测值,以缓解正式宣布前的潜在预期效应。第(6)列排除了四个直辖市(上海、北京、天津和重庆)的企业样本,以防止结果因其独特的政治经济地位和密集的企业集中度而被扭曲。第(7)列排除了COVID-19疫情期间(2020-2022年)的观测值,以排除极端宏观经济冲击造成的异常。回归还包括一组标准的企业层面控制变量:杠杆率、ROA、现金流、Cap、TobinQ、董事会、独立性、两职合一和Top1。除特别说明外,所有模型均包含年份和企业固定效应。括号内报告了稳健t统计量。***、**和*分别表示在1%、5%和10%水平上显著。
5.3.4. 城市层面宏观因素的控制
一个城市内的营商环境、资源分配效率和政府支持政策在影响企业正常运营和投资决策方面发挥着至关重要的作用。特别是在能源转型等重大政策框架下,企业会基于其所在城市(地区)的政策导向和发展潜力做出投资决策。
鉴于各城市在经济发展水平、对外开放程度、政策支持力度及地方政府效能方面存在显著差异,这些因素可能对回归结果引入潜在偏差。因此,引入城市层面的控制变量至关重要,包括人均GDP(GDP)、地方政府财政自给率(Government)、贸易依存度(Open)以及城市固定效应,以控制这些潜在混杂因素。城市层面控制变量的定义参见附录A中的表A2。经检验,表7第(4)列的回归结果显示,回归系数在5%水平上具有统计显著性,进一步增强了我们结论的稳健性。
5.3.5 控制政策预期效应
2012年,国家能源局开始受理和审核城市申请参与能源转型示范项目的申请,正式遴选工作在随后几年内进行。为降低政策预期效应的风险——即城市在能源转型试点城市正式公布前可能已开始调整行为——我们剔除了政策实施前两年(2012年和2013年)的数据。这一预防措施确保了政策前的调整或预期不会偏倚分析结果。调整之后,我们重新进行了回归分析以评估该政策对入选城市的影响。修订后的回归分析结果见表7第(5)列。获得的系数为0.031,且在10%水平上具有统计显著性,表明该效应稳健且一致。这些发现证实,即使在考虑了潜在的政策预公告效应之后,基准回归结果仍然有效且可靠。
5.3.6 替代样本集
鉴于直辖市独特的政治和经济地位,以及其对全国经济活动的重大影响,我们认为是排除这些城市的公司样本(即上海、北京、天津和重庆)的,以避免潜在偏差。具体而言,这些直辖市的上市公司数量显著高于其他地区,这可能扭曲我们的分析结果。表7第(6)列报告了排除这些城市后的回归结果。此外,我们还剔除了2020年至2022年的数据,以减轻COVID-19大流行的潜在影响——这是一场重大且不可预见的全局公共卫生危机,带来了巨大的经济波动。这一排除尤为重要,因为大流行导致各行业普遍中断,可能混淆所分析的关系,如就业率、消费者行为和供应链稳定性等方面的影响。表7第(7)列展示了调整后的回归结果。检验结果表明,即使经过这些调整,基准回归结果仍然稳健且一致,说明原有结论的可靠性。
5.3.7 排除其他政策干扰
在我们的样本期间,中国政府出台了多项其他城市发展政策。为排除我们的基准结果仅仅是捕捉了这些重叠事件效应(Karplus et al., 2021)的可能性,表8报告了一项额外的稳健性检验。具体而言,我们在表8第(1)至(6)列的基准DID模型中依次添加了六个同时期政策冲击的虚拟变量。这些包括修订的《环境保护法》(DID_law)、"宽带中国"试点(DID_Broadband)、低碳城市试点(DID_low)、碳排放权交易试点(DID_carbon)、智慧城市试点(DID_smartcity)和创新型城市试点(DID_innovation)。这些城市发展政策的具体介绍见附录A1。
表8 稳健性检验II:排除样本期间相关政策干扰并采用替代估计模型
VARIABLES (1) (2) (3) (4) (5) (6) (7) (8)
CORI CORI CORI CORI CORI CORI CORI NCS
Post×Treat 0.046*** 0.050*** 0.052*** 0.047*** 0.049*** 0.051*** 0.051* 1.674***
(2.81) (3.05) (3.18) (2.89) (2.99) (3.12) (2.01) (0.436)
DID_law ?0.107***
(?6.19)
DID_Broadband 0.043***
(2.86)
DID_low ?0.027*
(?1.84)
DID_carbon 0.027*
(1.73)
DID_smartcity 0.033*
(1.94)
DID_innovation 0.012
(0.64)
Leverage 0.778*** 0.791*** 0.792*** 0.789*** 0.793*** 0.792*** 0.792*** 12.122***
(21.94) (22.38) (22.39) (22.29) (22.41) (22.39) (12.46) [0.899]
ROA 0.177** 0.162** 0.161** 0.160** 0.159** 0.160** 0.160 2.587
(2.35) (2.14) (2.13) (2.12) (2.11) (2.11) (1.41) [1.989]
Cashflow 0.043 0.038 0.037 0.037 0.037 0.037 0.037 5.337***
(0.75) (0.67) (0.65) (0.65) (0.64) (0.64) (0.69) [1.626]
Cap ?0.003 ?0.003 ?0.003 ?0.003 ?0.003 ?0.003 ?0.003 0.427***
(?0.98) (?0.91) (?0.89) (?0.90) (?0.92) (?0.90) (?0.43) [0.072]
TobinQ ?0.052*** ?0.051*** ?0.051*** ?0.051*** ?0.051*** ?0.051*** ?0.051*** ?0.685***
(?13.19) (?13.01) (?12.99) (?13.01) (?12.95) (?12.98) (?7.37) [0.108]
Board 0.248*** 0.255*** 0.253*** 0.253*** 0.252*** 0.254*** 0.254** 8.978***
(6.74) (6.91) (6.85) (6.85) (6.84) (6.89) (2.62) [0.953]
Independence 0.002 0.002 0.002 0.002 0.002 0.002 0.002 0.093***
(1.53) (1.61) (1.56) (1.56) (1.55) (1.59) (0.71) [0.029]
Duality 0.007 0.006 0.007 0.006 0.007 0.007 0.007 0.759**
(0.62) (0.54) (0.63) (0.58) (0.60) (0.60) (0.35) [0.313]
Top1 ?0.005*** ?0.005*** ?0.005*** ?0.005*** ?0.005*** ?0.005*** ?0.005*** ?0.053***
(?8.81) (?8.76) (?8.77) (?8.76) (?8.79) (?8.76) (?5.39) [0.015]
年份固定效应 是 是 是 是 是 是 是 是
公司固定效应 是 是 是 是 是 是 是 是
调整后R2 0.781 0.780 0.780 0.780 0.780 0.780 0.780 -
注:本表报告了稳健性检验结果,以确认新能源示范城市(NEDC)政策对跨区域投资的基准效应并非由同时期政策冲击或模型设定选择所驱动。第(1)至(7)列的主要被解释变量为CORI(跨区域投资)。为应对被解释变量在零处的左截断问题,第(8)列采用Tobit模型,以外省子公司数量(NCS)作为替代被解释变量。核心解释变量为Post×Treat,即差异中的差异(DID)指标,捕捉NEDC政策冲击。为排除重叠城市发展政策的干扰,第(1)至(6)列依次引入同时期政策试点的虚拟变量:DID_law(修订的《环境保护法》)、DID_Broadband("宽带中国"试点)、DID_low(低碳城市试点)、DID_carbon(碳排放权交易试点)、DID_smartcity(智慧城市试点)和DID_innovation(创新型城市试点)。第(7)列在省层面进行标准误聚类重新估计基准模型,以考虑潜在的省内相关性和区域不可观测异质性。所有模型均包含标准公司层面控制变量向量:Leverage、ROA、Cashflow、Cap、TobinQ、Board、Independence、Duality和Top1。所有模型均包含公司和年份固定效应。括号内报告稳健t统计量,第(8)列Tobit估计的标准误用方括号报告。***、**和*分别表示在1%、5%和10%水平上统计显著。
结果显示,核心解释变量DID的系数保持高度稳定,范围在0.046至0.051之间。所有这些估计值在5%或更高水平上具有统计显著性,其中大部分在1%水平上显著。这证实了即使考虑了其他重大政策冲击的干扰,新能源转型政策仍然促进CORI。总体而言,该检验提供了强有力的证据,表明我们的基准发现是稳健的,并非由其他同时期城市层面试点项目驱动。
转到这些控制政策变量,我们发现一些同时期政策冲击也对跨区域投资产生了有意义的影响。值得注意的是,修订的《环境保护法》的交互项显著为负(?0.107,p<0.01),这意味着加强环境审查可能限制企业的空间扩张。相比之下,"宽带中国"试点表现出高度显著的正向效应(0.043,p<0.01),表明更好的数字基础设施使企业能够跨越地理距离并优化异地投资。其他政策表现出较弱或不存在的效应:低碳城市试点仅在10%水平上边际为负(?0.027),而碳排放权交易和智慧城市试点均表现出弱的正向显著性(分别为0.027和0.033,在10%水平上)。创新型城市试点无统计显著影响。最重要的是,尽管这些重叠政策在理论方向和实证强度上差异较大,将它们纳入模型并不会改变我们的主要发现。NEDC政策系数在整个过程中保持稳健且显著,提供了强有力的证据,表明新能源转型政策独立地驱动跨区域投资。
5.3.8 替代估计模型
为确保我们的发现可靠,我们首先通过调整误差项中的潜在聚集效应进行了额外的稳健性检验。具体而言,认识到NEDC政策在城市层面实施,但由于共享的区域经济条件、监管环境或不可观测的省级异质性,可能在省内表现出相关性,我们在省层面进行标准误聚类重新估计了基准DID模型。这种方法考虑了残差中的省内依赖性,提供了更保守的推断,并减轻了序列相关性或截面依赖性引起的偏差(Petersen, 2008)。结果报告在表8第(7)列。关键DID项(Post×Treat)的系数保持正值0.051,且在10%水平上具有统计显著性,与我们的基准估计一致。模型包含年份和公司固定效应,调整后R2为0.780,表明具有很强的解释力。总体而言,这些结果加强了我们的结论稳健性,表明政策对CORI的正向影响在省级聚类下依然成立。
此外,我们还使用Tobit模型估计DID框架,以应对被解释变量(即外省子公司数量)在零处的左截断问题。如表8第(8)列所示,核心解释变量NEDC政策的系数为1.674,在1%水平上显著为正(标准误=0.436),表明该政策显著增加了企业设立的外省子公司数量。这一发现支持了我们的核心假设,即该政策对企业的跨区域扩张具有显著的正向效应。
5.3.9 邻近城市排除
基准DID识别依赖于稳定单元处理值假设(SUTVA),即被处理城市被指定为NEDC不会影响总部位于非指定城市企业的投资决策。如果政策产生了空间溢出效应——如地理迁移、资源重新配置或集聚外部性——从而改变了邻近控制区域企业的投资行为,则该假设可能被违反。为解决这一担忧,我们利用了每个样本城市与最近的NEDC城市之间的地理距离。
我们首先通过依次排除位于NEDC城市50公里、100公里和150公里范围内的非NEDC城市,同时保留所有被处理城市,来评估基准结果的敏感性。如表9所示,估计的NEDC系数在所有三个排除阈值下均保持正值(β分别为0.063、0.046和0.054)。估计值在150公里阈值以内均具有统计显著性(p<0.001、p=0.017和p=0.011)。在每个报告的阈值下,估计值均保持正值且具有统计显著性。这些结果表明,基准发现并非通过与紧邻的控制城市比较而产生的。
表9 稳健性检验:邻近城市排除
VARIABLES (1) (2) (3)
排除控制城市<50公里 排除控制城市<100公里 排除控制城市<150公里
Post×Treat 0.063*** 0.046** 0.054**
(3.81) (2.38) (2.54)
Leverage 0.780*** 0.763*** 0.784***
(21.41) (17.27) (16.60)
ROA 0.117 0.218** 0.207**
(1.53) (2.33) (2.08)
Cashflow ?0.001 ?0.010 ?0.008
(?0.01) (?0.14) (?0.10)
Cap ?0.004 0.005 0.004
(?1.19) (1.40) (0.97)
TobinQ ?0.051*** ?0.059*** ?0.063***
(?12.77) (?11.81) (?11.67)
Board 0.272*** 0.228*** 0.209***
(7.15) (5.12) (4.31)
Independence 0.001 0.001 0.000
(0.92) (1.08) (0.14)
Duality 0.004 ?0.014 ?0.010
(0.39) (?0.98) (?0.70)
Top1 ?0.005*** ?0.005*** ?0.006***
(?8.25) (?6.80) (?7.22)
年份固定效应 是 是 是
公司固定效应 是 是 是
调整后R2 0.779 0.789 0.791
注:本表报告了依次排除位于最近NEDC试点城市不同距离缓冲范围内的非试点(控制)城市后的差异中的差异(DID)估计结果,以减轻潜在空间溢出污染并检验稳定单元处理值假设(SUTVA)。第(1)、(2)和第(3)列分别排除位于最近NEDC城市50公里、100公里和150公里范围内的非NEDC控制城市,同时保留所有被处理城市。所有模型均包含公司和年份固定效应。括号内报告稳健t统计量。***、**和*分别表示在1%、5%和10%水平上统计显著。
5.4 机制分析
上述实证分析已表明,NEDC政策的实施促进了企业的CORI行为。然而,NEDC政策通过哪些渠道发挥其影响?我们认为,NEDC政策的实施缓解了企业的风险承担并降低了信息不对称,从而促进了企业的CORI。
为检验这些假设并识别潜在渠道,我们采用了一个两阶段的渠道识别框架,借鉴了实证金融中的成熟方法来分离因果机制(Liang and Renneboog, 2017; Griffin et al., 2021)。具体而言,在第一阶段,我们将渠道变量(如信息不对称和企业风险承担)回归于NEDC政策变量(作为我们的关键外生冲击),以获得这些渠道的预测值。这一步有助于利用政策的准实验性质来应对潜在的内生性问题。在第二阶段,我们将CORI回归于这些预测渠道值。如果预测渠道的系数具有统计显著性且与我们的预测一致,则结果表明该政策通过这些机制影响跨省投资,为中介效应提供了稳健证据。本文使用的两阶段模型表示如下:
(3) M_it = λ0 + λ1·Treat_j × Post_t + γ·Control_it + φ_firm + φ_year + ε_it
(4) CORI_it = λ0 + λ1·M?_it + γ·Control_it + φ_firm + φ_year + ε_it
其中M_it和M?_it分别为企业i在第t年的渠道变量及其由方程(3)得到的预测值。其他变量定义同方程(1)。
5.4.1 缓解信息不对称机制
本分析旨在探讨缓解信息不对称是否作为NEDC政策促进企业CORI的潜在机制。为解决这些问题,本研究使用个股交易数据来捕捉证券市场中知情交易者和非知情交易者之间关于企业价值的信息不对称。具体而言,本研究借鉴Pástor和Stambaugh(2003)的方法,利用日交易数据计算流动性比率指标(LR)、非流动性比率指标(ILL)和收益反转指标GAM。信息不对称程度越高,股票流动性越低,LR、ILL和GAM指标的值越大。遵循Bharath等(2009)的方法,我们从上述三个指标中提取第一主成分以捕捉其共同方差,即与信息不对称成分相关的部分,并构建企业信息不对称指数ASY。
较大的ASY值表示信息不对称程度更高。表10中Panel B的结果为这一机制提供了强有力的支持。在第(3)列中,Treat×Post的系数为?0.030,在1%的水平上统计显著,表明NEDC政策显著降低了企业的信息不对称。第(4)列进一步将信息环境的变化与企业的跨区域投资决策联系起来。Predicted ASY的系数为?1.690,在1%的水平上显著,表明较低的信息不对称与通过在本省以外设立子公司衡量的较高水平跨区域投资显著相关。综合第(3)列和第(4)列的结果意味着,NEDC政策不仅直接重塑了企业的外部环境,还通过改善企业在跨区域资源配置中的内部信息条件,间接促进了跨区域投资。
表10. 机制分析。
变量 | Panel A:风险承担机制 | Panel B:信息不对称机制
(1) | (2) | (3) | (4)
RiskTaking(企业风险承担) | CORI(跨区域投资) | ASY(信息不对称) | CORI(跨区域投资)
Post×Treat | ?0.002**(?2.01) | — | ?0.030***(?4.37) | —
Predicted RiskTaking | — | ?36.994***(?3.15) | — | —
Predicted ASY | — | — | — | ?1.690***(?3.12)
Leverage | 0.006***(2.94) | 0.994***(11.98) | ?0.136***(?9.28) | 0.562***(6.75)
ROA | ?0.213***(?33.17) | ?7.598***(?3.04) | ?0.942***(?27.08) | ?1.432***(?2.78)
Cashflow | 0.025***(7.19) | 0.861***(2.93) | ?0.123***(?4.88) | ?0.170*(?1.92)
Cap | ?0.001***(?3.55) | ?0.028***(?3.82) | 0.001(1.32) | ?0.000(?0.02)
TobinQ | 0.004***(15.66) | 0.092*(1.96) | ?0.057***(?26.79) | ?0.148***(?4.74)
Board | ?0.003(?1.40) | 0.176***(3.52) | ?0.112***(?6.98) | 0.066(0.94)
Independence | 0.000(0.58) | 0.004***(2.94) | ?0.003***(?6.82) | ?0.004*(?1.81)
Duality | ?0.001(?1.10) | ?0.010(?0.69) | 0.004(0.85) | 0.014(1.19)
Top1 | ?0.000***(?6.63) | ?0.011***(?4.63) | 0.005***(19.52) | 0.003(1.03)
年份固定效应 | 是 | 是 | 是 | 是
企业固定效应 | 是 | 是 | 是 | 是
Adj.R2 | 0.434 | 0.793 | 0.712 | 0.780
Notes:本表展示了机制分析,探索新能源示范城市(NEDC)政策影响企业跨区域投资(CORI)的潜在渠道。本文采用两阶段估计方法检验这些机制。Panel A考察企业风险承担渠道。第(1)列报告第一阶段回归,因变量为企业风险承担(RiskTaking),关键解释变量为Post×Treat,一个捕捉政策冲击的双重差分指标。第(2)列报告第二阶段结果,因变量为CORI,主要自变量为来自第(1)列的风险承担拟合值(Predicted RiskTaking)。Panel B考察信息不对称渠道。类似地,第(3)列检验政策对信息不对称(ASY)的影响,第(4)列将CORI对来自第(3)列的信息不对称拟合值(Predicted ASY)进行回归。所有回归模型均包含企业固定效应和年份固定效应,以及一系列标准的企业层面控制变量。括号内报告稳健t统计量。***、**和*分别表示在1%、5%和10%水平上显著。
5.4.2. 风险承担缓解机制
本节我们检验假设2,即企业风险承担的缓解是NEDC政策促进CORI的机制。遵循标准实证做法,企业风险承担(RiskTaking)以企业资产收益率(ROA)从t?2年到t年的滚动标准差衡量,这是衡量企业风险暴露的常用代理变量(John et al., 2008; Faccio et al., 2016)。结果如表10所示。
表10 Panel A的结果为该渠道提供了令人信服的证据。在第(1)列中,我们将RiskTaking对政策指标(Treat×Post)进行回归。Treat×Post的系数为负,且在5%的水平上统计显著(β=?0.002, t=?2.01),表明NEDC政策带来的严格合规压力和环境不确定性诱发了更为保守的管理层立场,有效抑制了整体企业风险承担。
为建立完整的中介关系,第(2)列考察这种政策诱导的风险承担降低对跨区域扩张的影响。使用第一阶段得到的风险承担拟合值(Predicted RiskTaking),我们发现其系数在1%的水平上显著为负(β=?36.994, t=?3.15)。从经济意义上看,这种显著负向关系表明,随着企业削减其本地高风险经营暴露,从而释放出内部风险承受能力并稳定现金流,它们更有动力追求地理多元化。综合来看,这些发现与所提出的风险承担渠道一致:NEDC政策与企业风险承担降低相关,而较低的政策预测风险承担与更大的跨区域投资相关。我们将此证据解释为提示性而非确立因果中介。
5.5. 进一步分析:替代解释的检验
基准估计确认NEDC政策显著促进了企业的CORI。然而,不同的理论渠道或替代经济动机可能在概念上驱动这种总体响应。具体而言,地理扩张可能反映:(i) 融资约束的缓解,(ii) 战略性监管套利(即污染避难所行为),(iii) 企业在跨地理边界协调和重新配置资源方面的组织能力的差异,(iv) 目的地特定的政策吸引激励,或 (v) 直接财政补贴收益。
为严谨地区分这些潜在机制并排除竞争性解释,我们进行两组互补的实证检验。首先,我们考察沿三个关键组织和环境维度的横截面异质性:所有权结构(融资准入)、污染强度(监管规避与资源灵活性)、审计质量(资源编排能力)。其次,我们进行针对性实证检验以评估目的地政策吸引和直接补贴渠道。
5.5.1. 产权与融资准入
在此,我们进一步探索NEDC政策对不同所有权结构企业CORI决策的异质性影响。为此,我们根据产权类型将企业分为国有企业(SOE=1)和非国有企业(SOE=0),并分别进行回归。结果见表11的第(1)和(2)列。对于国有企业,NEDC政策的回归系数为0.032,在10%的水平上不显著,而非国有企业的回归结果在1%的水平上显著为正。正式检验拒绝了国有企业和非国有企业处理效应相等的零假设(F=161.90, p<0.001)。
表11. 横截面分析:替代解释I。
变量 | (1) | (2) | (3) | (4) | (5) | (6)
CORI | CORI | CORI | CORI | CORI | CORI
SOE=1 | SOE=0 | Heavy=1 | Heavy=0 | Big4=1 | Big4=0
Post×Treat | 0.032(1.45) | 0.080***(3.26) | 0.016(0.47) | 0.072***(3.83) | 0.181***(2.99) | 0.054***(3.14)
Leverage | 0.663***(11.22) | 0.723***(15.41) | 0.857***(11.50) | 0.784***(19.48) | 0.322(1.64) | 0.776***(21.50)
ROA | 0.300**(2.18) | 0.229**(2.49) | 0.217(1.37) | 0.093(1.11) | 0.119(0.36) | 0.107(1.41)
Cashflow | ?0.149*(?1.69) | 0.101(1.37) | 0.143(1.20) | 0.039(0.62) | ?0.549**(?2.15) | 0.033(0.56)
Cap | ?0.009*(?1.87) | 0.007*(1.79) | 0.022***(3.35) | ?0.007**(?2.29) | ?0.035***(?2.77) | ?0.002(?0.78)
TobinQ | ?0.063***(?8.48) | ?0.050***(?10.39) | ?0.023**(?2.37) | ?0.057***(?13.11) | 0.027(1.30) | ?0.050***(?12.82)
Board | 0.157***(2.86) | 0.277***(5.52) | 0.101(1.52) | 0.326***(7.58) | 0.341***(2.64) | 0.212***(5.51)
Independence | 0.002(1.36) | ?0.000(?0.02) | ?0.000(?0.21) | 0.004***(2.83) | 0.002(0.50) | 0.001(0.98)
Duality | ?0.007(?0.33) | ?0.009(?0.66) | ?0.003(?0.14) | 0.008(0.63) | 0.006(0.12) | 0.003(0.25)
Top1 | ?0.003***(?3.18) | ?0.003***(?3.37) | ?0.004***(?2.80) | ?0.006***(?8.24) | 0.001(0.26) | ?0.005***(?7.95)
系数差异检验 | 161.90*** | | 16.24*** | | 11.57*** |
年份固定效应 | 是 | 是 | 是 | 是 | 是 | 是
企业固定效应 | 是 | 是 | 是 | 是 | 是 | 是
Adj.R2 | 0.800 | 0.785 | 0.807 | 0.786 | 0.873 | 0.775
Notes:本表展示了横截面分析,探索新能源示范城市(NEDC)政策对企业跨区域投资的异质性效应。所有模型的因变量均为CORI(跨区域投资),主要解释变量为Post×Treat,一个捕捉NEDC政策冲击的双重差分指标。为考察企业层面特征如何调节基准效应,我们将样本划分为不同的子群体。第(1)和(2)列按所有权结构划分样本,SOE=1表示国有企业,SOE=0表示非国有企业。第(3)和(4)列按行业污染强度划分样本,Heavy=1表示重污染行业企业,Heavy=0表示低污染企业。第(5)和(6)列按审计质量(外部监督)划分样本,Big4=1表示由四大审计师事务所审计的企业,Big4=0表示其他情况。所有回归模型控制企业固定效应和年份固定效应,以及一系列标准的企业层面控制变量(Leverage、ROA、Cashflow、Cap、TobinQ、Board、Independence、Duality和Top1)。括号内报告稳健t统计量。***、**和*分别表示在1%、5%和10%水平上显著。
这一模式与融资准入解释一致。国有企业已经享有相对有利的融资条件和隐性政府支持,因此NEDC政策带来的增量融资和资源收益可能相对有限。相比之下,非国有企业面临更严格的融资约束,外部资源可用性的改善对于克服在本省以外设立经营机构的固定成本尤为宝贵。非国有企业更强的政策响应因此表明,金融和互补性资源准入的改善是促进跨区域扩张的重要条件。重要的是,这一解释不同于监管规避论点:其并非暗示非国有企业地理扩张是为了逃避本地监管,而是表明事前资源约束更大的企业从政策诱导的资源可用性改善中获得更大的边际收益。
5.5.2. 污染强度与监管规避
对我们基准发现的一个重要竞争性解释是监管套利(或污染避难所效应):NEDC政策可能在试点城市施加严格的环境法规和合规负担,迫使企业在其他地方设立子公司以逃避本地监管审查。如果监管规避是CORI的主要驱动力,这种地理逃离在污染密集型行业企业中应更为显著,因为它们承担最重的监管暴露和最高的合规成本。
我们根据生态环境部标准指南将企业分为高污染(Heavy=1)和低污染(Heavy=0)组。表11的第(3)和(4)列呈现了子样本估计。与监管规避假设相反,高污染企业的NEDC系数统计不显著,而低污染企业为正且在1%的水平上统计显著(β=0.072, p<0.01)。两个系数之间的差异统计显著(F=16.24, p<0.001)。
这一实证模式有力地驳斥了监管逃离作为主导解释。相反,证据与资源基础观(RBV)框架内的能力和灵活性视角一致。污染密集型企业通常受专门、高排放资产的巨额沉没资本限制,并必须投入大量管理和财务精力用于持续的环境治理和合规(Hart, 1995; King and Lenox, 2001)。这种结构性僵化锁住了内部资源并限制了组织灵活性。相比之下,清洁和低污染企业具有更大的战略自由度和组织冗余,使它们能够流畅地将政策增强的财务和组织资源重新配置到跨省增长中。因此,污染强度的异质性使监管规避假设失效,并强化了动态资源重新配置能力的重要性。
5.5.3. 审计质量与资源部署能力
我们根据企业会计师事务所将其分为由四大审计(Big4=1)和非四大审计(Big4=0)两类,并分别进行回归。结果见表11的第(5)和(6)列。两组的回归结果均通过了1%的显著性检验,但四大审计企业的系数为0.181,远高于非四大企业。这表明NEDC政策对由四大审计的企业的CORI行为有更大的正向影响。正式检验拒绝了由四大和非四大审计的处理效应相等的零假设(F=11.57, p=0.0007)。
四大审计企业中更强的处理效应与NEDC政策创造的外部信息基础设施和企业内部信息治理能力之间的互补性一致。高质量审计增强了企业特定财务信息的可信度,降低了外部利益相关者的验证成本,从而使其能够更有效地将外部信息环境的改善转化为跨区域资源部署。从RBV视角看,这一发现表明,当企业拥有互补的治理能力以使其能够动员和协调跨区域边界上的资源时,政策诱导的外部机会会产生更大的地理扩张。
5.5.4. 目的地区域的政策激励
第四个替代假设是,处理组企业并未经历总体扩张能力的提升,而是机械地将投资重新引导至其他政策支持地区以获取当地目的地特定的政策红利(例如其他试点城市的绿色产业补贴)。为干净地排除这种目的地拉动效应,我们重构因变量(CORI),明确排除所有指向至少包含一个NEDC试点城市的省份的跨区域投资。由于我们的数据能够可靠识别目的地省份,这一构造提供了一个极为保守的检验;它不仅移除了进入NEDC城市的资本流,还移除了进入任何含试点省份的非NEDC城市的投资。如表12第(1)列报告,估计的NEDC系数仍为正且统计显著(β=0.094, p=0.045)。这确认了观察到的CORI激增并非由战略性追求目的地特定政策租金驱动,而是反映了企业跨区域增长总体能力的来源端增强。
表12. 替代解释II。
变量 | (1) | (2) | (3) | (4)
排除NEDC目的地省份的CORI | | Ln(1+政府补贴) | 政府补贴/资产(%) | 政府补贴/收入(%)
DID | 0.094**(2.02) | 0.136(1.22) | 0.025(1.07) | 0.027(0.43)
Leverage | 0.309***(6.53) | 1.204***(8.82) | 0.023(0.41) | ?0.200(?1.27)
ROA | ?0.012(?0.16) | 1.786***(8.20) | 0.296**(2.59) | ?0.087(?0.29)
Cashflow | 0.050(1.02) | ?0.323(?1.17) | 0.077(1.06) | 0.121(0.68)
Cap | 0.002(0.62) | ?0.039***(?2.61) | ?0.010***(?2.63) | 0.246***(14.39)
TobinQ | ?0.025***(?4.97) | ?0.137***(?6.94) | 0.025***(4.22) | 0.022(1.62)
Board | 0.112*(1.95) | 0.556***(3.65) | 0.056(1.37) | ?0.042(?0.36)
Independence | ?0.000(?0.21) | 0.004(0.98) | ?0.000(?0.18) | ?0.002(?0.56)
Duality | ?0.004(?0.31) | 0.054(1.38) | ?0.004(?0.28) | 0.008(0.20)
Top1 | ?0.003***(?2.76) | 0.006*(1.83) | 0.001(0.97) | 0.003(0.87)
年份固定效应 | 是 | 是 | 是 | 是
企业固定效应 | 是 | 是 | 是 | 是
Adj.R2 | 0.726 | 0.424 | 0.507 | 0.533
Notes:本表报告了排除政策诱导的目的地吸引力和政府补贴作为替代解释的检验。第(1)列中,因变量为已排除进入包含NEDC试点城市的省份的投资后的CORI。第(2)-(4)列中,因变量分别为政府补贴的自然对数加一(ln(1+政府补贴))、政府补贴与总资产的比率、政府补贴与营业收入的比率。补贴变量在1%和99%分位数处进行了缩尾处理。所有回归包含基准控制变量、企业固定效应和年份固定效应。标准误在企业总部所在城市层面聚类,括号内报告t统计量。
5.5.5. 直接政府补贴
第五个替代解释是,NEDC指定仅仅是将直接政府财政补贴输送给处理组企业,且这些直接现金转移(而非更广泛的外部融资和制度资源改善)直接为地理扩张提供资金。
如果直接补贴渠道占主导地位,NEDC政策应导致企业层面政府补贴立即且可观察到的激增。我们使用三种标准化指标对该猜想进行实证检验:政府补贴的自然对数(ln(Subsidy))、补贴与总资产的比率(Subsidy/Assets)、补贴与营业收入的比率(Subsidy/Revenue)。
如表12中第(2)–(4)列所示,NEDC的估计系数分别为0.136(p>0.10)、0.025(p>0.10)和0.027(p>0.10),均未达到统计显著性水平。这些零发现提供了令人信服的证据,表明NEDC政策并非通过无差别的直接财政转移来发挥作用。相反,该政策作为一种制度性和区域性的金融催化剂,进一步支持了我们的核心观点,即更广泛的资源可获得性和融资摩擦的降低推动了企业的跨区域投资。
**6. 结论**
本研究选取2006年至2022年中国A股上市公司作为样本,考察NEDC政策对企业跨区域投资(CORI)的影响及作用机制,旨在揭示能源转型背景下跨区域资本流动情况。研究结果表明,NEDC政策有效地促进了企业CORI规模的增长,且在一系列稳健性检验和内生性处理之后仍保持稳健。机制检验表明,NEDC政策缓解了企业风险承担和信息不对称,从而影响了投资决策并增加了CORI规模。异质性检验揭示,NEDC政策对非国有企业、非重污染企业以及由四大会计师事务所审计的企业在CORI方面的影响更为显著,表明这些类别的企业相比其他企业能够更好地利用政策红利。
本研究的结论为NEDC政策的实施以及打破资本流动的各种限制提供了重要指导。基于这些发现,得出以下政策启示。
第一,试点城市和非试点城市应加强协作,总结NEDC政策经验,并加速其更广泛的推广实施。政府可以搭建跨区域合作平台,促进资源和政策的协调,特别是在技术、资本和市场方面,提升整体政策效果,这将有助于确保试点和非试点城市能够有效地分享最佳实践并对齐战略以成功实施。随着跨区域投资的扩大,稳定且持续的政策实施对于维持企业信心至关重要。定期的政策评估和及时调整也是必要的,以与市场动态和发展需求相契合。
第二,政府应通过公正司法、严格监管和透明化来优化营商环境,缓解融资约束和信息壁垒。应通过低息贷款、税收激励和创新金融产品加大对新能源行业的金融支持,特别是针对中小企业(SMEs)。提高企业信息披露水平,增强市场和政策信息的透明度,尤其是关于NEDC的信息,将有助于企业做出知情投资决策。
第三,中央政府应授予地方政府适当权限,使其能够根据当地实际情况制定NEDC政策。鉴于各地区在资源和产业方面的差异,政策应根据地方需求进行量身定制,例如,在科技中心推动新能源创新,在资金不足地区提供金融支持,在依赖化石燃料的地区缓解转型压力。
尽管本研究通过广泛的实证分析对这一假设进行了充分检验,但仍存在一些局限性,有待进一步细化和深入研究。首先,研究使用的是省级层面的异地子公司数量数据,而NEDC政策是在市级层面实施的,这一分析层面的差异可能引入一些偏差。未来研究可以关注市级层面的异地子公司数量,以更精确地评估能源转型政策的效果。此外,本研究仅基于中国上市公司的数据。虽然此类企业往往规模较大且更具代表性,但由于数据限制而排除中小企业限制了研究范围。未来纳入非上市公司和中小企业数据的研究可以提供更全面、更细致的关于NEDC影响的洞察。
**CRediT作者贡献声明**
Sabri Boubaker:写作—审阅与编辑、可视化、验证、监督、项目管理、概念构思、资源提供。
Yi-Shuai Ren:写作—审阅与编辑、写作—初稿撰写、可视化、验证、资源提供、资金获取、形式分析、概念构思。
Riadh Manita:写作—审阅与编辑、写作—初稿撰写、概念构思、验证、监督、资源提供。
Yong Jiang:写作—审阅与编辑、写作—初稿撰写、软件、资源提供、方法论、调查研究、形式分析、数据整理、概念构思、资金获取。
Sabri Boubaker | Yi-Shuai Ren | Riadh Manita | Yong Jiang