股指成分股调整与企业投资效率

李青原　戴佳仪

关键词：股指成分股调整;投资效率;公司治理

中图分类号：F832.5;F275 文献标识码：A 文章编号：1003-7217（2022）03-0042-07

一、引言

自道琼斯指数在1884年设立以来，各国证券交易所陆续推出了一系列股票指数，以期有效反映股票市场的整体走势，为投资者提供指标基础和资产配置的标杆，并有利于指数衍生产品的开发，增加投资产品的多样性。为了保证股指成分股的代表性，准确反映股票市场，股指编制机构会采用特定规则对样本股进行定期和不定期的调整，即股指成分股调整。资本市场各方十分关注成分股的调整，上市公司会对本公司股票入选成分股的事项进行公告，证券公司也会对成分股的调整方案进行预测。此外，成分股调整会使得大部分指数型基金进行相应调整，因为指数型基金往往对标股票指数的选股和权重配置。

学术界也基于成分股调整对资本市场的影响进行了大量研究，Shleifer（1986）以及Harris和Gurel（1986）最早开始研究成分股调整产生的效应，他们主要研究了成分股定期调整对于股票收益率和股票成交量的影响，完成了对于股票市场价格压力假说和不完全替代假说的检验。之后，Beneish和Whaley（1996）研究了S&P500指数调整的宣告日和调整日之间被调整股票股价的变化。以上研究的共同点是都从短期视角研究成分股调整对股票价格和股票交易量产生的影响，且都将成分股调整认为是依据市场已有信息作出的调整，不具有信息含量。此后，学术界逐渐关注成分股调整对于公司本身的影响，得出成分股调整具有信息含量的不同观点。主要从分析师预测盈余、实际盈余、现金持有水平、避税行为、股价崩盘风险等视角探讨成分股调整的经济后果。总之，现今学术界关于成分股调整对公司本身行为产生的影响的研究较少，尤其缺乏以中国资本市场为背景进行的研究。国外关于成分股调整的研究主要把S&P500指数作为研究对象，缺少与被调整股票进行对比的控制组，会引起内生性问题，难以得出成分股调整的净效应。区别于上述研究，本文以我国沪深300指数成分股调整为研究背景，将被调入指数的公司作为处理组，把同期成为备选股的公司作为控制组，利用双重差分模型（DID）来考察成分股调整对企业投资效率产生的影响，以期丰富成分股调整经济后果和企业投资效率影响因素领域的研究，对有关部门完善股票指数成分股调整制度以及资本市场上投资者的决策也有一定的现实意义。

二、制度背景、理论分析与研究假设

（一）制度背景

沪深300指数于2005年4月8日推出，是投資者投资被动型股票工具的首选指数。其由沪深市场中规模大、流动性好的最具代表性的300只证券组成，弥补了跨市场指数的缺乏，反映了沪深市场上市公司证券的运行状况。现有的股指成分股调整研究大部分把国外指数如S&P500等作为研究对象，但是，国外调整制度的限制导致相关研究中缺乏适当的控制组，这使得无法真正确定成分股调整的净效应，这种内生的问题导致研究结果的有效性不足。而我国沪深300指数的调整方法十分便于研究成分股的调整，除了定期调整的指数调整制度与国外相似之外，中证指数有限公司还采用了设置沪深300指数备选名单的制度，以确保临时调整的透明度和可预测性。沪深300指数编制机构每半年对沪深300指数成分股进行一次审核，依据审核得出的结果对指数成分股进行调整，调整的比例通常不超过10%。在每次正式调整中，中证指数有限公司将根据市值和流动性确定新的成分股名单，同时将排在最后入选的成分股后的15只股票作为备选股。在有特殊事件发生且该事件会影响指数的可投资性以及代表性时，就会需要对沪深300指数成分股作出临时调整，由备选股依次进行补替。因此，可以认为备选股与成分股之间没有系统性差异，可以将备选股作为被调整成分股的控制组进行双重差分模型的研究。

（二）理论分析与研究假设

成分股调整会从以下渠道影响企业的投资效率。

第一，成分股调整增加了被调入公司股票的流动性，降低股票交易成本，投资者所需流动性补偿收益降低，企业的外部融资成本也会降低，企业可以减少因为投资不足而造成的非效率投资，提高投资效率。交易成本降低的主要原因如下：一是对标指数的基金在成分股调整后会调整其投资组合，即指数基金持有者将根据成分股的变化调整其投资组合，从而降低买卖差价，减少交易成本;二是相对于未被调入指数的备选股，被调入股票指数的公司会受到来自外部投资者和信息中介方的更多关注，Zhu等（2017）发现作为资本市场信息中介的分析师会增加对于被调入公司股票的关注度，这些专业的信息收集者与处理者，会使被调入公司信息在资本市场的流动性提高，被调整公司的股票交易量增加，交易成本降低。

第二，成分股调整使企业受到的外部监督增强，缓解了由于两权分离导致的信息不对称问题和委托代理问题，提高了投资效率。现代企业的委托代理主要存在于股东和管理者、股东和债权人、大股东和中小股东三对主体中。股东和管理者间的委托代理问题引起企业投资效率低下的主要原因是管理者短视引起的对净现值为负项目的投资、管理者盲目追求企业扩张造成的过度投资以及风险规避引起的投资机会错失导致的投资不足。成分股调整主要通过加大对管理层行为的监督力度来提升投资效率，成分股调整后，被调入公司获得的分析师、现有和潜在的个人和机构投资者、新闻媒体、专业投资机构以及第三方信息中介的关注增加，进而督促管理层勤勉尽责，增大管理层隐藏坏消息的难度，使其提供更高质量的财务信息，降低了信息不对称程度，减少管理层机会主义行为，督促其作出正确的投资决策，提高企业投资效率。

综合上述分析，提出研究假设：

H1 成分股调整后，公司的投资效率会显著上升。

三、研究设计

（一）变量定义与模型设定

1.被解释变量。本文被解释变量是企业非效率投资额Ineffi，参考学术界最常用的Richardson（2006）模型对非效率投资的计算方法，用下列模型估计公司的非效率投资水平：

其中，企业投资水平（Invest），公司现金流量表中的“购建固定资产和其他长期资产所支付的现金”“购买和处置子公司及其他营业单位所支付的现金”两项之和减去“处置固定资产、无形资产和其他长期资产收回的现金净额”“固定资产折旧、油气资产折耗、生产性生物资产折旧”两项之和得出的差再除以年末总资产;成长性（Growth），营业收入增长率;公司规模（Size），公司年末资产總额的自然对数;资产负债率（Lev），公司年末负债除以年末总资产;现金持有量（Cash），公司年末现金及现金等价物除以年末总资产;年龄（Age），当前年度减去公司上市年度再加1后的自然对数;公司股票年回报率（Return），公司考虑现金红利再投资的年个股回报率;此外，模型（1）还控制了年份固定效应（Year）和行业固定效应（Industry）。模型（1）可以预测当年企业资本投资支出量，回归后得到的残差代表公司实际投资支出量与预测投资支出量间的差距，即企业的非效率投资额。此模型的残差绝对值用Ineffi表示，In-effi的值越大，企业的非效率投资额越大，投资效率越低。

2.控制变量。参考陈运森和黄健峤（2019）的研究，将以下因素作为控制变量：经营现金流（Ocf）、年龄（Age）、公司规模（Size）、杠杆率（Lev）、第一大股东持股比例（Top1）、盈利能力（Roa）、两职合一（Dual）、董事会规模（Board）、代理成本（A-gency）。各变量定义见表1。

3.模型设定。鉴于中证指数有限公司每半年定期进行一次成分股调整，为了研究此类多期调整对于企业投资效率的影响，参考Beck等（2010）和叶康涛等（2018）的研究，构建固定效应模型（2）如下：

其中，Ineffi表示非效率投资额。Treat表示成分股标识，为虚拟变量，若企业曾在样本期间内入选成分股取1，否则取0。Post表示事件期，为虚拟变量，企业在样本期间第一次成为成分股后的期间取1，之前的期间取0。中证指数有限公司于每年的6月和12月对指数包含的成分股进行调整，为了研究成分股调整发生后对公司投资效率的影响，把6月进行的调整作为当年调整，12月进行的调整作为下一年调整。Controls表示控制变量。此外，模型（2）还控制了年份固定效应（Year）和公司固定效应（Firm）。本文主要关注模型（2）中Treat×Post的系数β。β衡量了与备选股相比 ，成分股在被调入指数后对公司投资效率的影响。若β显著为正 ，表示与备选股相比，成分股调整后企业非效率投资水平将会提高，即显著降低了投资效率;若β显著为负，表示与备选股相比，成分股调整后非效率投资水平将会降低，即显著提高了投资效率;若β不显著，说明成分股调整并不会引起企业投资效率的变化。

（二）数据来源与样本选择

选取2007年6月至2019年6月沪深300指数的25次成分股调整作为样本。2005年4月中证指数有限公司发布了沪深300指数，考虑到2007年我国开始实施新的企业会计准则。以防会计准则变化引起研究在衡量变量过程中产生差异，选取2007—2019年的样本进行研究。选取期间，沪深300指数共进行了26次调整，第一次为2007年6月，最后一次为2019年12月，因为研究是探讨调整产生的经济后果，因此去除2019年12月的调整，样本共包括25次调整。在25次调整中，我们整理出累计560只成分股股票，375只备选股股票。此外，剔除重复入选股票、曾入选成分股的备选股、金融类股票以及数据缺失股票，最终获得5241个公司全年观测值。本文使用的变量数据来自于国泰安数据库。为了避免极端值带来的影响，对所有连续变量进行了上下1%的缩尾处理。另外，在所有的回归模型中都使用了公司层面聚类稳健标准误进行调整。

四、实证分析与结果

（一）描述性统计与分析

表2为样本中主要变量的描述性统计结果。非效率投资额（Ineffi）的均值为0.029，中位数为0.02，说明平均而言，样本公司的非效率投资额约为公司总资产的2.9%，非效率投资额的中位数为总资产的2.0%;成分股标识（Treat）的均值为0.794，即成分股在总样本中占79.4%，说明样本中处理组的观测与控制组的观测相比较多;事件期（Post）的均值为0.622，即处于被调整后期间的样本在总样本中占62.2%。此外，样本的资产负债率平均为0.486，总资产收益率平均为0.048，公司规模平均为23.049，经营活动净现金流与总资产的比例平均为0.059。

（二）相关性分析

主要变量的相关性系数矩阵表明各相关系数都小于0.5，说明研究模型中不存在多重共线性问题。

（三）单变量检验

表3为入选成分股调整前后的单变量检验。从成分股调整前后的均值差异分析来看，成分股在调整之后非效率投资额的均值低于调整前的对应均值，且在1%的水平上显著，说明被调入指数后公司的投资效率有显著上升。成分股的现金流水平和盈利能力都显著下降，这些都是对公司市值和股票交易量有重要影响的因素，依此可以推测，企业在被调入指数的前一年在上述某些因素中有所提高，致使公司的股票交易量和市值有所增加，所以依据指数编制方案有资格被选为成分股。

表4为成分股与备选股调整前的单变量检验。从调整前成分股与备选股的均值差异分析，在公司规模（Size）和两职合一（Dual）方面，成分股与备选股分别在1%和5%的显著性水平上存在差异，其他企业特征变量均不存在显著差异。公司规模（Size）方面存在差异是因为市值作为成分股的筛选标准之一，当公司规模较大时往往具有更高的市值，加大了其进入成分股的概率。此外，在进行双重差分模型的回归时，我们不仅会控制公司规模以及两职合一情况产生的影响，同时也会控制公司固定效应防止其他可能存在的遗漏变量。

（四）双重差分模型分析

表5为模型（2）的回归结果。列（1）是不进行任何控制的回归结果，交乘项的系数为-0.0069，且在1%的水平上显著为负，列（2）在列（1）的基础上加入了控制变量，交乘项的系数为-0.0056，且在1%的水平上显著为负;列（3）在列（2）的基础上进一步加入了行业和年度固定效应，交乘项的系数为-0.0045，且在1%的水平上显著为负;列（4）是在列（2）的基础上控制了公司和年度固定效应，交乘项的系数为-0.0055，且依然在1%的水平上显著为负。综合上述四列结果来看，相对于备选股，成分股在入选后非效率投资水平显著下降，即成分股调整提高了企业的投资效率，支持了假设H1。上述结果意味着被调入成分股会使企业的投资效率显著提高，即成分股调整后，被调入公司的股票流动性将增加，股票交易成本将减少，投资者所需流动性补偿收益降低，企业的外部融资成本也会降低，企业可以减少投资不足而造成的非效率投资，提高投资效率。此外，成分股调整后，被调入公司获得的分析师、现有和潜在的个人和机构投资者、新闻媒体、专业投资机构以及第三方信息中介的关注增加，进而督促管理层勤勉尽责，增大管理层隐藏坏消息的难度，使其提供更高质量的财务信息，降低了信息不对称程度，减少管理层机会主义行为，督促其作出正确的投资决策，提高企业投资效率。

（五）稳健性检验

1.平行趋势检验。使用双重差分模型（DID）的前提条件是样本需要满足平行趋势，即在成分股调整前处理组样本和控制组样本要有相同的变化趋势，在调整事件发生后才能辨别处理效应。为了检验平行趋势，设置虚拟变量Be fore2、Be forel、Current、Af-ter1、After2和After3。如果观测为成分股处于被调入前第2年和第1年时，Be fore2、Be fore1分别取1，否则取0;如果观测为成分股且处于被調入当年时，则Current取值为1，否则取0;如果观测为成分股且处于被调入后的第1年、第2年、第3年及以后时，After1、After2、After3分别取1，否则取0。图1为平行趋势检验的结果，结果显示系数在成分股被调入前在0附近波动，而系数在被调入后显著为负，说明双重差分模型满足平行趋势假定。

2.去除ST和*ST样本。成分股调整时，中证指数有限公司会将ST、*ST的上市公司筛除，不允许此类水平较差的公司被调入指数，所以ST、*ST公司不会存在于调整期后的样本中。但在成分股调整前的样本中可能包含ST、*ST公司。为了防止研究结果受到此类样本的影响，我们在样本中对ST、*ST公司进行剔除，回归结果见表6中列（1）和列（2）。结果表明，交乘项的系数依然在1%的水平上显著为负，且系数与之前未剔除ST、*ST样本十分接近，说明我们的研究结果稳健。

3.使用PSM+DID方法。为了更充分地满足处理组和控制组的平行趋势假设，本文使用PSM方法为处理组匹配控制组之后再进行DID分析。具体方法是，首先考虑到中证指数有限公司把股票流动性以及市值作为筛选标准，参考陈运森和黄健峤（2019） 以及Bennett等（2020）的研究，把成分股公司在调整前一年的换手率、总资产、成长性、股票回报率、托宾Q、净资产收益率、总市值和行业等作为配对变量，将其与从未入选过成分股的其他A股上市公司进行匹配，采用Logit回归获得倾向得分，使用一对一最近邻匹配获得相应控制组;设置成分股和相应控制组调整发生年份相同，再用模型（2）进行双重差分模型回归。回归结果见表6中列（3）和列（4），列（3）控制了年度和行业固定效应，交乘项的系数为-0.0045，且在1%的水平上显著为负;列（4）控制了年度和公司固定效应，交乘项的系数为-0.0055，且在1%的水平上显著为负，与表5结果一致。

（六）进一步分析

1.会计师事务所类型。根据前文的理论分析与实证分析结果，成分股调整后，外部关注的增加促使管理层勤勉尽责，管理层会提供更高质量的会计信息;因为难以对坏消息进行隐藏，信息不对称程度降低，管理层机会主义行为减少，督促其作出正确的投资决策，提高企业投资效率。若这一逻辑成立，可以推测当公司本身信息不对称程度较高时，成分股调整对于提高投资效率的作用就越大。因此，从会计师事务所类型角度进行异质性分析，进一步研究成分股调整对于企业投资效率的影响。

外部审计作为中介鉴证机构，有利于减少管理层的代理问题和投机行为。梁上坤等（2015）发现把国际四大会计师事务所作为审计事务所时，监督质量得到提高，进而有效减少管理层的机会主义行为。参考林永坚和王志强（2013）的研究，将公司是否被国际四大会计师事务所审计作为依据进行分组回归。表7显示了分组回归结果。从表7的列（2）可以看出，在非四大审计组中，成分股标识和事件期的交乘项（Treat×Post）的系数为-0.0037，且在1%的水平下显著;从表7的列（1）可以看出，在四大审计组中，成分股标识和事件期的交乘项（Treat×Post）的系数为-0.0065，但是并不显著。实证结果证实了我们的推断，相比于被国际四大会计师事务所审计的企业而言，成分股调整对不是被国际四大会计师事务所审计的企业的投资效率提升更显著。

2.企业性质。根据前文的理论分析与实证分析结果，成分股调整后，被调入公司的股票流动性将增加，股票交易成本将减少，投资者所需流动性补偿收益降低，企业的外部融资成本也会降低，企业可以减少由于投资不足而造成的非效率投资，提高投资效率。若这一逻辑成立，可以推测当公司本身融资成本较高时，成分股调整对于提高投资效率的作用就越大。所以，为了验证这一推论，我们从企业性质角度进行异质性分析，进一步研究成分股调整对于企业投资效率的影响。

于丽峰等（2014）认为可以把国企与非国企作为样本研究融资成本的高低，非国企相较于国企更有可能有较高的融资成本，进而因为投资不足，降低投资效率。因此，我们推断相比于国有企业，在融资成本较高的非国有企业中成分股调整提高投资效率的效应更大。表7显示了分组回归结果。从表7的列（4）可以看出，在非国企组中，成分股标识和事件期的交乘项（Treat×Post）的系数为-0. 0067，且在1%的水平下显著;从表7的列（3）可以看出，在国企组中，成分股标识和事件期的交乘项（Treat×Post）的系数为-0. 0008，但是并不显著。成分股调整对高融资成本组投资效率的提升更显著。

五、研究结论

本文把沪深300指数作为研究对象，以2007年6月到2019年6月的25次成分股调整作为样本，得益于我国股票指数特有的备选股制度，通过构建双重差分模型，研究了成分股调整对企业投资效率的影响。研究结果表明，指数调整之后，与备选股公司相比被调人为成分股的公司的非效率投资额显著降低，即投资效率显著提升。此外，为了确保研究结果的可靠性，本文进行了平行趋势检验和倾向得分匹配，得出研究结果稳健的结论。本文还从信息不对称程度和融资成本高低这两个方面进行异质性分析，进一步研究成分股调整对于企业投资效率的影响，结果表明成分股调整对企业投资效率的影响在非国际四大会计师事务所审计和非国企的样本组里更加显著，即成分股调整对企业投资效率的影响对信息不对称程度高和融资成本高的企业更加显著。

本文的研究具有一定的理论和实践意义。一方面，丰富了对成分股调整产生的经济后果的研究。以往研究主要关注成分股调整对于股票价格和交易量，以及对外部市场环境的影响，而本文从投资效率角度出发，研究成分股调整事件对于公司本身的影响，有助于理解企业成为成分股的动机和被调入后的影响。另一方面，也丰富了对影响企业投资效率因素的研究。投资效率作为企业配置资源的一个重要指标，学术界对其研究已经十分成熟，但本文有助于从我国资本市场十分关注的股票指数的角度理解投资效率问题。成分股调整后，被调入公司融资成本降低效应及获得的外部监督所带来的信息不对称程度降低效应对于提高企业投资效率发挥了积极的作用，这对于资本市场基本制度的政策制定具有参考意义。