本文数据来源于万德数据库，分省样本包含全国31个省(直辖市)，时间跨度为1991—2015年；分行业样本包含按国家统计局给出的31个制造业分类，时间跨度为2006—2015年。其中，工业增加值累计同比增长率(GVA_r)，人民币基准贷款利率，分地区人民币信贷年度投放量、上市公司数据包括总资产、总负债、净利润数据等变量通过CPI调整到2000年的物价水平。行业分类明细则采用同花顺数据终端提供的“同花顺行业[行业级别]全部明细”[3]。
模型中的Credit变量，在地区层面上，使用分地区上市公司下一年份新增负债值作为该省当年信贷投放量的工具变量，在行业层面上，使用行业内上市公司下一年份新增负债值作为该省当年信贷投放量的工具变量。之所以这样选择变量，一是由于在分析信贷投放边际效应时，该指标设定是企业加总层面较好的代理变量；二是由于上市工业企业作为国民经济重要组成部分，随着其总体市值及总体公司数目不断增长，对整体经济的代表性越来越强；三是由于信贷的投放往往直接影响接受信贷的对象，其整体的负债情况能较好地反应信贷投放的总量。
为验证分地区上市公司下一年总新增负债能够为各省当年信贷投放提供较好估计，即模型(1)~(3)，本文检验了Crediti，t＝β0+β1Debtsi，(t+1)+β2Assetsi，t+γYeari，t+εi，t，其中，Grediti，t为i省在t年的新增信贷投放量，αi为i省的固定效应，Debtsi，(t+1)为i省在t+1年所有上市公司总体的新增负债，Assetsi，t为i省在t年所有上市公司总资产，Year为年份虚拟变量。同时，由于随着债券市场的发展，上市公司总体数量及其占到整体国民经济的比重也在发生变化，故在回归中加入了该省上市公司总资产以及时间的固定效应加以修正。文后的附表[4]给出了回归的结果。从结果来看，下一年的上市公司的新增负债和当年度的新增信贷有着强烈的正关系。因此，上市公司下一年份新增负债值作为该省当年信贷投放值的工具变量具有合理性。模型(4)~(5)中的Credit变量也采用了相似的处理方法，具体不再赘述。另外，在公司微观投资检验中，模型(6)~(7)为平滑上市公司的异常值，公司数据在表1中Panel C数据量上经过单边缩尾(onetail winsorize)处理，即将大于变量分布的99%分位数的值使用99%分位数代替[5]。
数据统计特征见表1。(www.xing528.com)
表1 变量的统计特征
续表
注:其中，在Panel A、B中Credit及Credit by Debt的单位为亿元人民币；Panel C中上市公司数据单位为元人民币。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
