超额金融化(回归)

字段字典

• Symbol [股票代码] — 6位股票代码
• StkName [股票简称] — 股票简称
• Year [年份] — 财务年度
• Province [省份] — 公司注册所在省份
• ProvinceCode [省份代码] — 省份行政区划代码(6位)
• City [城市] — 公司注册所在城市
• CityCode [城市代码] — 城市行政区划代码(6位)
• County [区县] — 公司注册所在区县
• CountyCode [区县代码] — 区县行政区划代码(6位)
• IndustryCode [行业代码] — 中上协行业分类代码
• IndustryName [行业名称] — 中上协行业分类名称
• ExcessFin [超额金融化] — 参考黄贤环等(2019,上海财经大学学报)借鉴Richardson(2006,JAE)的方法，对金融资产比例进行OLS回归拟合正常金融化水平，计算公式为：实际FinAssetRatio减去OLS拟合值(即回归残差)。正值表示过度金融化，负值表示金融化不足。用作研究变量，越大代表过度金融化程度越高
• IsExcessFin [是否过度金融化] — 是否过度金融化(0=否，1=是)，参考黄贤环等(2019,上海财经大学学报)的方法，当ExcessFin大于0时取1，表示企业金融化水平超过OLS拟合的正常水平

常见问题

「超额金融化(回归)」是什么数据集？

超额金融化(回归)，隶属资本结构。衡量企业资源配置偏离最优金融化水平的程度。

该数据集的时间范围是？

覆盖 2002-2025 年。

包含哪些变量/指标？

共 13 个变量。核心指标包括：超额金融化、是否过度金融化。完整字段清单（变量名·中文名·说明）见页面「字段字典」。

数据频率和层级是怎样的？

频率为年度，上市公司层级。

样本量有多大？

约 72,398 条观测。

数据是如何测算/获取的？

指标定义与计算方法 本数据集旨在衡量中国上市公司的超额金融化程度。企业金融化是指企业将更多资源配置于金融资产而非实体资产的行为。然而，并非所有金融资产配置都是非效率的，企业存在一个与其自身特征和外部环境相匹配的“最优金融化水平”。借鉴Richardson（2006）用于测度过度投资的残差模型思想，黄贤环等（2019）构建了衡量企业超额金融化的指标。该方法的核心是通过OLS回归模型，估计出企业在特定年份基于其财务特征、治理结构及行业与宏观经济环境所应持有的“正常”或“预期”金融资产水平。实际金融资产持有水平与模型预测值之间的差额即为超额金融化，其残差为正表示企业金融化水平超过了模型预测的最优水平，即存在“过度金融化”；残差为负则表示企业金融化水平低于预期，即存在“金融化不足”。 具体计算过程如下：首先，计算企业的金融资产比例（$FinAssetRatio$），作为被解释变量。其次，选取一系列可能影响企业金融资产配置决策的因素作为解释变量，包括企业规模、盈利能力、成长性、偿债能力、现金持有水平、股权结构、公司治理特征以及年度和行业固定效应等。然后，按年度对全样本进行横截面回归，估计模型参数。模型的拟合值即为企业当年的“预期金融化水平”。最后，用实际金融资产比例减去该拟合值，得到回归残差，即为超额金融化指标$ExcessFin$。 $$ExcessFin = FinAssetRatio - \widehat{FinAssetRatio}$$ 其中$FinAssetRatio$为实际金融资产占总资产的比例，$\widehat{FinAssetRatio}$为通过OLS回归模型拟合得到的预期金融资产比例。$ExcessFin 0$表示过度金融化，$ExcessFin < 0$表示金融化不足。 基于此，衍生出二元变量$IsExcessFin$，当$ExcessFin 0$时取值为1，表示企业存在过度金融化；否则取值为0。 补充说明 - 回归模型估计时，按中上协行业分类（制造业取二级代码前两位，其他行业取门类首位）以及年度进行分组控制。 - 为控制极端值的影响，对所有连续变量在1%和99%分位数上进行缩尾处理。 - 回归要求每个年度-行业组合内有足够的观测值以保证模型估计的有效性。 参考文献 [1]Richardson S. Over-investment of free cash flow[J]. Review of Accounting Studies, 2006, 11(2-3): 159-189. [2]黄贤环,王瑶,王少华.谁更过度金融化:业绩上升企业还是业绩下滑企业?[J].上海财经大学学报,2019,21(1):80-94.

如何获取该数据集？

通过站内对应淘宝链接下单后，客服发放兑换码；在站内"兑换"页输入兑换码即可获得下载权益并下载。