2  数据与变量

2.1 2.1 数据来源与样本筛选

2.1.1 2.1.1 数据来源

研究数据来自 CSMAR（China Stock Market & Accounting Research）数据库，覆盖 2010-2025 年 A 股非金融上市公司的年度财务数据，共涉及 7 个原始数据表：

数据表 CSMAR 模块 用途 关键字段
balance_sheet.csv FS_Combas Lev, Size, Tang A001000000(资产), A002000000(负债), A001212000(固定资产)
income_stmt.csv FS_Comins NPR B002000000(净利润)
cashflow.csv FS_Comscfi NDTS D000103000-D000105000(折旧/摊销)
ownership.csv EN_EquityNatureAll SOE EquityNatureID
industry.csv STK_INDUSTRYCLASS 行业FE IndustryClassificationID=“P0207”
st_flag.csv TRD_Dalyr ST/PT 标记 Trdsta
m2_monthly.csv CME_Mfinamkt1 宏观控制 Ezm0109(M2同比)

数据处理优化（已修复）：原始 ownership 表中 EquityNatureID="2,3"（民营+外资双重持股）等复合分类共 1,279 行被错误剔除。已在 code/01_data_prep.do L98-110 改用 strpos() 模糊匹配：“含 1 → 国企”、“仅含 2 → 民营”，回收 820 个公司-年观测、125 家公司。

2.1.2 2.1.2 样本筛选流程（5 步）

样本筛选严格遵循资本结构文献惯例（参见 output/tables/sample_filter.txt）：

表 2.1: 样本筛选流程
步骤 筛选规则 删除观测数 剩余观测数 剩余公司数
1 初始样本（2010-2025） — 62,629 5,825
2 剔除金融、保险行业（证监会代码 J） 1,163 61,466 5,722
3 剔除曾被 ST/PT 处理的公司 12,367 49,099 4,864
4 剔除资不抵债样本（Lev>1 或 Lev<0） 29 49,070 4,863
5 剔除关键变量缺失观测 20,805 28,265 3,724

筛选剔除率分析：

  • 步骤 3（ST/PT 剔除）最大幅度（-12,367 obs，占初始 19.8%）。剔除原因是 ST/PT 公司面临经营异常或退市风险，资本结构决策受非正常因素干扰，包含会污染识别。
  • 步骤 5（缺失值剔除）第二大（-20,805 obs，占 step4 的 42.4%）。详细机制见附录：“仅 ind_code 缺失”占 48.7%（行业分类版本仅采用 P0207 导致 1,103 家公司无匹配），“仅 soe 缺失”占 16.9%（外资和”其他”产权未纳入），“仅 growth 缺失”占 13.6%（公司首年自然无 t-1 资产）。
  • 步骤 4 仅删除 29 obs，说明数据已较干净，极端杠杆率（资不抵债）样本在 2010-2025 年的 A 股极少见。

最终样本含 28,265 个公司-年观测、3,724 家公司，其中国企 6,767 obs（23.9%），民企 21,498 obs（76.1%）。

2.2 2.2 变量定义

2.2.1 2.2.1 被解释变量

\[Lev_{it} = \frac{\text{总负债}_{it}}{\text{总资产}_{it}}\]

2.2.2 2.2.2 核心解释变量

\[NPR_{it} = \frac{\text{净利润}_{it}}{\text{总资产}_{it}}\]

NPR 同时承担两层含义：（i）当期盈利能力的直接度量；（ii）按 Myers-Majluf 优序融资逻辑，作为信息不对称程度的反向代理（盈利越高 → 留存越足 → 越少需要外部融资 → 信号问题越小）。

2.2.3 2.2.3 控制变量

变量 定义 预期符号 理论依据
Size \(\ln(\text{总资产})\) \(+\) 大公司更易获债务融资（Frank & Goyal 2009）
Tang 固定资产/总资产 \(+\) 抵押品价值（权衡理论）
Growth \((TA_t - TA_{t-1})/TA_{t-1}\) \(+/-\) 投资需求 vs 留存增长
NDTS (折旧+摊销)/总资产 \(-\) 非债务税盾替代债务税盾（DeAngelo-Masulis 1980）
SOE 国企=1, 民企=0 — 调节变量
m2_growth M2 同比增长率 \(+/-\) 货币环境（仅 M1’ IFE 使用）

2.2.4 2.2.4 异常值处理

对所有连续变量（Lev, NPR, Tang, Growth, NDTS）按年度进行双侧 1% Winsorize。这种处理方式保留了截面分布的尾部相对位置，但限制了极端值对回归系数的杠杆效应。

2.3 2.3 描述性统计

2.3.1 2.3.1 全样本与分组对比

表 2.2 报告了全样本及国企/民企分组的主要变量描述性统计（与 output/tables/descriptive_all.txt 完全一致）：

表 2.2: 主要变量描述性统计（Winsorize 后）
变量 全样本均值 全样本标准差 国企均值 国企标准差 民企均值 民企标准差
Lev 0.3806 0.1906 0.4630 0.1953 0.3547 0.1816
NPR 0.0380 0.0598 0.0327 0.0471 0.0397 0.0632
Size 22.0669 1.2138 22.8403 1.4066 21.8234 1.0328
Tang 0.1922 0.1388 0.2031 0.1713 0.1887 0.1267
Growth 0.1570 0.3322 0.1188 0.3083 0.1690 0.3385
NDTS 0.0229 0.0142 0.0231 0.0158 0.0228 0.0137

2.3.2 2.3.2 关键观察与解读

(1) 杠杆率（Lev）：

  • 全样本均值 38.06%，处于文献中报告的美国均值（35-40%）相近水平
  • 国企均值 46.30% 显著高于民企 35.47%（差距 10.83 个百分点，相当于民企标准差的 60%）
  • 这一显著差距支持”国企杠杆率系统性更高”的中国资本市场常识，根源于：① 政府隐性担保 → 银行倾向贷款给国企；② 国企历史包袱（如老国企）；③ 国企承担更多政策性投资任务

(2) 盈利能力（NPR）：

  • 全样本均值 3.80%（净利润率 ≈ 总资产收益率 ROA）
  • 国企（3.27%）反而低于民企（3.97%）——传统印象中”国企垄断高利润”在这个样本中并不成立
  • 民企的 NPR 标准差（0.0632）大于国企（0.0471），说明民企盈利波动更大，更容易出现极端盈利或亏损

(3) 规模（Size）：

  • 国企平均规模 22.84 ≈ 总资产 8.3 亿元，民企 21.82 ≈ 总资产 3.0 亿元
  • 国企总资产约为民企的 2.77 倍（exp(1.0169) = 2.77）
  • 与 t 检验结果一致（参见 output/tables/ttest_soe.txt，t=-64.4）

(4) 有形资产（Tang）：

  • 全样本均值 19.22%，国企略高于民企（差距 1.43 个百分点，t=-7.42**）
  • 国企的 Tang 标准差（0.171）大于民企（0.127），反映国企行业分布更广（重资产国企如电力、钢铁的 Tang 极高，金融-类似的国企虽然已被剔除，但仍残存高资本密度公司）

(5) 成长率（Growth）：

  • 全样本均值 15.70%，国企（11.88%）低于民企（16.90%）（t=10.86***）
  • 民企扩张速度显著更快，与”民企更具市场活力”的常识一致
  • 但成长率波动也更大（民企 SD=0.339 vs 国企 SD=0.308）

(6) 非债务税盾（NDTS）：

  • 全样本均值 2.29%，国企-民企差异不显著（t=-1.38, p=0.169）——这是唯一一个组间差异不显著的变量
  • 说明折旧政策在两组中相对一致，主要差异来自资产结构而非折旧政策

2.3.3 2.3.3 国企-民企均值差异的正式检验

output/tables/ttest_soe.txt 给出 6 个变量的两样本 t 检验结果：

变量 国企均值 民企均值 差异 t 值 p 值 显著性
Lev 0.4630 0.3547 +0.1083 -42.00 0.0000 ***
NPR 0.0327 0.0397 -0.0070 8.42 0.0000 ***
Size 22.8403 21.8234 +1.0169 -64.36 0.0000 ***
Tang 0.2031 0.1887 +0.0143 -7.42 0.0000 ***
Growth 0.1188 0.1690 -0.0502 10.86 0.0000 ***
NDTS 0.0231 0.0228 +0.0003 -1.38 0.1690 ns

解读：除 NDTS 外，所有变量在两组间均差异显著（多数 1% 水平）。这一异质性为后续 M2/M3 分组与交互回归奠定了实证基础。

2.4 2.4 相关系数矩阵

output/tables/correlation_matrix.txt 给出全样本 Pearson 相关系数：

变量 Lev NPR Size Tang Growth NDTS SOE
Lev 1
NPR -0.306*** 1
Size 0.500*** -0.003 1
Tang 0.055*** -0.028*** 0.048*** 1
Growth 0.030*** 0.238*** 0.032*** -0.078*** 1
NDTS 0.053*** -0.109*** 0.038*** 0.707*** -0.141*** 1
SOE 0.242*** -0.050*** 0.358*** 0.044*** -0.065*** 0.008 1

关键观察：

  1. NPR-Lev 显著负相关（\(r = -0.306^{***}\)）：与优序融资理论方向一致，但跨公司维度的相关性弱于 TWFE 估计的内部时变相关性（\(\beta_{TWFE} = -0.544\)），说明公司层面异质性掩盖了部分负相关。

  2. Tang-NDTS 高度共线（\(r = 0.707^{***}\)）：折旧主要发生在固定资产，因此两个变量本质相似。VIF 检验未显示严重多重共线性（VIF<5），但解释 NDTS 不显著时需要考虑这一点。

  3. Size-Lev 强正相关（\(r = 0.500^{***}\)）：跨公司层面”大公司高杠杆”的特征明显，但 TWFE 系数仅 0.073，说明这一相关主要来自跨公司差异（如 SOE-Size 的 0.358 高相关引出”国企=大公司=高杠杆”链条）。

  4. NPR-Size 几乎无关（\(r = -0.003\)）：盈利能力与公司规模无系统性关系，缓解了”小公司高 NPR”或反向的混淆担忧。

  5. NPR-Growth 正相关（\(r = 0.238^{***}\)）：盈利改善常伴随资产扩张，是一种”健康成长”模式。

最大相关系数为 Tang-NDTS 的 0.707，未超过 0.8 的高度共线性阈值，回归模型整体设定可接受。

2.5 2.5 图1-图3：基础图形

图1：Lev 年度均值趋势（分产权）

图1解读：样本期内国企杠杆率（红线）始终高于民企（蓝线）。两条曲线呈现：

  • 2010-2014：国企-民企杠杆率差距相对稳定（约 8-10 pp）
  • 2015-2018：差距收窄（供给侧改革下国企”被动去杠杆”）
  • 2019-2025：国企杠杆回升，差距扩大至 11-12 pp

这一时序模式与 M4 的时变系数 U 形演化（参见 4.3 节）相互呼应。

图2：Winsorize 前后箱型图对比（Lev/NPR/Growth）

图2解读：缩尾后极端值明显收敛，但中位数位置变化不大，说明 Winsorize 主要压缩尾部而非改变中心趋势。这种处理方式保护了估计免受极端观察值（如某些公司在 IPO 当年 Growth 达数倍）的影响。

图3：主要变量相关系数热力图

图3解读：热力图直观展现了 2.4 节相关系数矩阵中的关键模式：

  • NPR-Lev 的红色（负相关）格子
  • Size-Lev、SOE-Size 的蓝色（正相关）链条
  • Tang-NDTS 的深蓝色高相关块

为后续回归中的负系数提供直观先验。

2.6 2.6 图8-图9：补充趋势与分布

图8：NPR 年度均值趋势（分产权）

图8解读：民企 NPR 波动幅度大于国企，特别在 2018 年（贸易摩擦）、2020 年（疫情冲击）民企盈利下行更快。这种”民企盈利波动 > 国企盈利波动”的格局与 NPR 标准差对比（民企 0.063 vs 国企 0.047）一致。

图9：Lev 分年度箱线图

图9解读：杠杆分布中位数总体稳定在 0.35-0.40 之间，年际变化主要来自分布尾部。说明大多数公司的杠杆率结构相对稳定，少数公司的极端调整造成尾部波动。

2.7 2.7 图10-图13：Winsorize 细分对比

图10：Lev 缩尾前后对比

图11：NPR 缩尾前后对比

图12：Growth 缩尾前后对比

图13：Lev 缩尾前后对比（匹配样本）

图10-13 解读：

  • 图10（Lev）：高尾被明显修剪（剔除 Lev>1 后 Winsorize 进一步收敛 99 分位）
  • 图11（NPR）：负尾和正尾同时收敛——亏损极端值（-1.0 量级）和高利润极端值（+0.5 量级）都被压缩
  • 图12（Growth）：极端值最多，缩尾前 max>4，缩尾后箱体更可读
  • 图13：基于回归匹配样本（剔除步骤 5 后的 28,265 obs），与图10基本一致，验证缩尾效果稳健

总体而言，Winsorize 处理既限制了极端值对回归的杠杆效应，又保留了变量分布的核心特征，为后续回归奠定了干净的数据基础。