3.1. 数据来源与描述性统计

本文数据来源于锐思数据库、国泰安数据库和百度指数大数据平台，并参考黄亚茜（2019）[21]关于战略性新兴产业相关上市公司选取方法，按照战略性新兴产业的节能环保、新一代信息技术、生物医药、高端装备制造、新能源、新材料、新能源汽车这七大子产业选择具有代表性的208家上市公司。为保证样本量的充足性，选取数据的时间跨度为2014年—2018年。从这208家公司2014年—2018年五年的年度财报中选取应收账款周转率、资产报酬率、资产负债率、净利润增长率、总资产、无形资产、股权集中度、日收益波动率、高管前三名薪酬总额以及综合杠杆这十个变量。通过百度指数大数据平台，按照战略性新兴产业七大子产业五年的搜索量划分到每一类公司的方法确定相应的子产业网络关注度。在汇总的数据中，对这十一个变量中少数缺失的数据进行平均化处理。对于规模效率变动、纯技术效率变动以及全要素生产率变动这三个被解释变量是以208家代表性上市公司2014-2018年的年度财报中的实收资本、股权集中度、资产负债率为输入变量，净资产收益率、主营业务收入和托宾Q值为输出变量，并根据DEA-Malmquist模型测算方法（马军伟，2013）[22]由DEAP软件输出，由于五年的数据变为了四年所以为对应相关的变化将选取的11个变量通过公式（1）AGX_i = (X_t – X_t−1)/X_t−1分别求其年增长率AGX_i得到最终的解释变量，其中i = 1 – 11，t = 2015, 2016, 2017, 2018；X_t和X_t−1分别代表相关变量对应年份的取值。

从表2中可以看出，应收账款周转率、总资产等变量的最大值和最小值差距很大，应收账款最小值0.346次，最大值高达734.918次，总资产最小值为308万元、最大值达到7830亿元。数据表明在208家上市公司样本中既有资金流动快、偿债能力强体量大的企业又有收账速度相对慢、股权相对分散、利润增长走下坡路的企业。从子产业网络关注度的描述性统计中可以看出，在2014—2018这五年内关于战略性新兴产业相关子产业的搜索量最大值达到306.564万次，均值为38.604万次，说明人们对于该产业的关注程度非常高，也表明了相关产业的重要性以及研究的必要性。战略性新兴产业涉及七大子产业，各类公司的方向、体量、利润率、偿债能力等方面的不同是客观存在的。

3.2. 模型设定

Tobit回归是受限因变量回归的一种，其概念最早由诺贝尔经济学家获得者James Tobin提出。受限因变量是指虽然因变量的取值是连续的随机的，但是其本身还是在一定的区间内变化。经典的Tobit 模型是James Tobin在分析家庭耐用品的支出情况时对Probit 回归进行的一种推广，其后又被拓展成多种情况如周华林（2012）将” 如周华林（2012）[21]” 删除，这句话多余了。[21]，Amemiya将其归纳为Ⅰ型到Ⅴ型Tobit模型。标准的Ⅰ型Tobit模型如下：

在上式中， y i* 是被解释变量，大于0时被观察到，取值为y_i，小于等于0时在0处截尾，x_i是自变量向量，β是系数向量，误差项μ_i独立且服从正态分布μ_i: N(0, σ²)。综上并结合标准型Tobit回归模型确定现有变量的计量方程如下：

其中j = 1, 2, 3，β₁ – β₁₁为解释系数，μ_i为误差项，β₀为常数项；CY₁为规模效率变动，CY₂为纯技术效率变动，CY₃为全要素生产率变动，即从三个方向来考察战略性新兴产业上市公司股权融资效率；AGX₁ = AGX₁₁按照顺序分别为应收账款周转率年增长率、资产报酬率年增率、资产负债率年增长率、净利润增长率年增长率、总资产年增长率、无形资产年增长率、股权集中度年增长率、日收益波动率年增长率、高管前三名薪酬总额年增长率、综合杠杆年增长率和子产业网络关注度年增长率。

4.1. Hausman检验

Hausman检验是在使用面板数据时，对选取随机效应模型(random-effects model)还是固定效应模型(fixed-effects model)进行数据分析判断的一种确定方法。由于本文所使用的是面板数据，所以首先对这些数据进行Hausman检验。Hausman统计量为：

可以看出Hausman统计量是服从自由度为k的χ²分布。从统计结果中的P值可以判断出两种模型的选取，即当P值小于显著性水平时，就拒绝原假设应选择固定效应模型，当P值大于显著性水平时，就接受原假设应选择随机效应模型。在规模效率变动层面对所选取数据进行Hausman检验结果如下表3：

分析该检验结果可知，P值为0.2926>0.1，即该检验在10%显著性水平不显著，接受了原假设，认为是随机效应，所以相比于固定效应模型在该层面应该选择随机效应模型进行分析。在纯技术效率变动层面对所选取数据进行Hausman检验结果如下表4：

分析该检验结果可知，P值为 0.0382<0.05，即该检验在5%显著性水平上显著，即拒绝了原假设，认为是固定效应，所以在该层面应该选择固定效应模型进行分析更合理。在全要素生产率变动层面对所选取数据进行Hausman检验结果如下表5：

分析该检验结果可知，P值为0.0014<0.1，即该检验在1%的显著性水平上显著，检验结果接受了原假设，认为是固定效应，所以应该选择固定效应模型进行分析更合适。

4.2. Tobit回归结果与分析

根据相关数据，利用STATA计量软件15.1版本进行Tobit模型分析，对战略性新兴产业股权融资效率影响因素分析结果如下：

（1）规模效率变动回归结果分析

由表6规模效率变动回归结果可以看出，子产业的网络关注度年增长率对战略性新兴产业上市公司股权融资规模效率变动呈负相关关系。相关系数为−0.0800，且相关性在1%水平上显著。子产业网络关注度上升的因素一般分为两种：积极因素和消极因素。虽然战略性新兴产业上市公司受到二者的综合影响，但是在所选择的时间周期内规模效率层面股权融资效率整体受到的影响偏消极，因此降低了股权融资规模效率。该结果接受原假设H1：子产业的网络关注度会影响战略性新兴产业上市公司股权融资效率。

应收账款周转率年增长率与战略性新兴产业股权融资在规模效率变动方面呈现正相关关系，相关系数为0.0512，且相关性在1%水平上显著。表明在其他变量不变的情况下，战略性新兴产业上市公司应收账款周转率对股权融资的规模效率产生较大的正向影响。应收账款周转率越大，表明随着企业回款周期的缩小，企业现金流更加健康，股权融资规模效率也相应提高。因此该结果接受原假设H2：应收账款周转率与战略性新兴产业上市公司股权融资效率之间呈正相关关系。

净利润增长率对应的年增长率变化与战略性新兴产业股权融资在规模效率变动方面呈现正相关关系，相关系数为0.0001，且相关性在1%水平上显著。随着净利润增长率的提高，表明企业的盈利水平越高，企业的经营成果更加有效，对股权融资有很好的促进作用，融资规模效率随之提高。因此该结果接受原假设H3:净利润增长率与战略性新兴产业上市公司股权融资效率之间呈正相关关系。

股权集中度年增长率对战略性新兴产业上市公司股权融资规模效率变动呈负相关关系。相关系数为−0.0495，且相关性在1%水平上显著。在一定范围内，股权集中度越高，企业的经营决策权利将越集中，企业未来的走向很可能受到个人因素的影响越大，不利于企业的发展，股权融资效率也相应降低。股权集中度相对越低，企业在战略选择和应对风险方面会有更加综合的考量，企业未来的发展将会更好，股权融资效率相应提高。该结果接受原假设H5：股权集中度与战略性新兴产业上市公司股权融资效率呈负相关关系。

规模效率变动层面的非显著变量，如资产负债率、资产报酬率、无形资产、总资产、日收益波动率、前三名高管薪酬和综合杠杆，其中资产报酬率和综合杠杆回归结果拒绝了原假设，可能原因有以下几个方面：第一，在所选取的时间周期内这些变量的波动幅度过小，对股权融资规模效率并无明显的影响。如资产负债率、无形资产、总资产和前三名高管薪酬。第二，有可能是公司在这个方面的承受能力整体较强，如综合杠杆。第三，有可能是股权融资规模效率对其敏感程度较差，如资产报酬率。

(2) 纯技术效率变动回归结果分析

由表7纯技术效率变动回归结果可以看出，子产业的网络关注度年增长率对战略性新兴产业上市公司股权融资纯技术效率变动呈正相关关系。相关系数为0.0805，且相关性在1%水平上显著。表明在其他变量不变的情况下，战略性新兴产业上市公司子产业网络关注度对股权融资纯技术效率产生较大的正向影响。子产业网络关注度上升，股权融资规模效率下降，对公司而言为此会做出相应的措施应对风险，从而提升股权融资纯技术效率以提升总体融资效率水平。所以该结果接受原假设H1：子产业的网络关注度会影响战略性新兴产业上市公司股权融资效率。

资产报酬率年增长率与战略性新兴产业股权融资在纯技术效率变动方面呈现正相关关系，相关系数为0.0022，且相关性在1%水平上显著。表明在其他变量不变的情况下，战略性新兴产业上市公司资产报酬率对股权融资纯技术效率产生较大的正向影响。资产报酬率越大表明公司的获利能力在增长，盈利水平提高，表明企业经营管理较好，从而提高了股权融资效率。因此该结果接受原假设H4：资产报酬率与战略性新兴产业上市公司股权融资效率之间呈正相关关系。

纯技术效率变动层面的非显著变量，如应收账款周转率、净利润增长率、资产负债率、无形资产、总资产、日收益波动率、股权集中度、前三名高管薪酬和综合杠杆，其中应收账款、净利润增长率、股权集中度和综合杠杆拒绝了原假设，可能原因有以下几个方面：第一，在所选取的时间周期内这些变量的波动幅度过小，对股权融资纯技术效率并无明显的影响。如资产负债率、无形资产、总资产和前三名高管薪酬。第二，有可能是公司在这个方面的抗风险能力整体较强，如综合杠杆。第三，有可能是股权融资技术效率对其敏感程度较差，如资产报酬率、应收账款周转率、股权集中度、净利润增长率。

（3）全要素生产率变动回归结果分析

由表8全要素生产率变动回归结果可以看出，子产业的网络关注度年增长率对战略性新兴产业上市公司股权融资在全要素生产率变动方面呈正相关关系。相关系数为0.02101，且相关性在10%统计水平上显著。表明在其他变量不变的情况下，战略性新兴产业上市公司子产业网络关注度对股权融资全要素生产率产生较大的正向影响。说明在所选取的时间周期内，战略性新兴产业子产业的网络关注度整体上偏向于积极因素，积极因素多，表明公司营运能力更强，投资者对未来企业发展将有更好的预期，投资人的投资意愿会更加强烈，促进公司股权融资效率，从而提高股权融资全要素生产率。所以该结果接受原假设H1：子产业的网络关注度会影响战略性新兴产业上市公司股权融资效率。

应收账款周转率年增长率与战略性新兴产业上市公司股权融资在全要素生产率变动方面呈现正相关关系，相关系数为0.05694，且相关性在1%统计水平上显著。应收账款周转率越大，表明随着企业回款周期越小，企业现金流更加健康，企业的未来的经营状况和发展也会越好，这不仅对股权融资规模效率产生正向作用同时对整体上股权融资效率有促进作用。因此该结果接受原假设H2：应收账款周转率与战略性新兴产业上市公司股权融资效率之间呈正相关关系。

净利润增长率对应的年增长率变化与战略性新兴产业上市公司股权融资在全要素生产率变动方面呈现正相关关系，相关系数为0.0001，且相关性在5%统计水平上显著。净利润增长率提高，代表公司的盈利水平越高，其发展潜力也就越大。一般情况下，利润率高的公司更容易受到投资人的偏好，往往也能够以一个较低的成本融资，从而提高了融资效率。因此该结果接受原假设H3:净利润增长率与战略性新兴产业上市公司股权融资效率之间呈正相关关系。

股权集中度年增长率与战略性新兴产业上市公司股权融资在全要素生产率变动方面呈现负相关关系。相关系数为−0.04952，且相关性在1%统计水平上显著。表示在其他变量保持不变的情况下，战略性新兴产业上市公司股权集中度对股权融资全要素生产率有显著的负向作用。股权集中度越高，企业经营决策权力的掌控程度越高，在各种方面都会受到个人或者少数人的权利干预的概率会越大，越不利于企业综合发展，企业经营水平随之下降，进而降低股权融资效率。因此该结果接受原假设H5：股权集中度与战略性新兴产业上市公司股权融资效率呈负相关关系。

综合杠杆年增长率对战略性新兴产业上市公司股权融资在全要素生产率变动方面呈现负相关关系。相关系数为−0.00395，且在10%统计水平上显著。表示在其他变量保持不变的情况下，战略性新兴产业上市公司综合杠杆对股权融资全要素生产率有显著的负向作用。综合杠杆越高，企业面临的财务风险和经营风险将会越高，风险越高往往对融资而言将会越困难，融资效率大打折扣。因此该结果接受原假设H6：综合杠杆与战略性新兴产业上市公司股权融资效率之间呈负相关关系。

全要素生产率变动层面的非显著变量，如资产负债率、资产报酬率、无形资产、总资产、日收益波动率、前三名高管薪酬，其中资产报酬率拒绝了原假设，原因有以下几个方面：第一，在所选取的时间周期内这些变量的波动幅度过小，对股权融资全要素生产率变动并无明显的影响。如资产负债率、无形资产、总资产和前三名高管薪酬。第二，有可能是股权融资全要素生产率变动对其敏感程度较差，如资产报酬率、日收益波动率。

为进一步验证子产业网络关注度对战略性新兴产业股权融资效率的影响，将子产业网络关注度作为单独指标对纯技术效率变动、规模效率变动和全要素生产率变动进行Tobit回归，回归结果如下表9：

由表9可知，在对子产业网络关注度的单独回归中，其对规模效率变动、纯技术效率变动的相关性在1%统计水平上显著，对全要素生产率变动的相关性在10%统计水平上显著。表明子产业网络关注度对于战略性新兴产业股权融资效率的变动具有一定的作用。