ESG责任履行提高了企业估值吗——来自MSCI评级的准自然试验.pdf

第 10 卷第 2 期2023 年 6 月经 济 学 报China Journal of EconomicsVol.10,No.2:62-90June 2023ESG 责任履行提高了企业估值吗?1 来自 MSCI 评级的准自然试验王海军2 陈波3 何玉41 作者感谢国家自然科学基金青年科学基金项目“面向高维大数据的正则化统计方法的相关研究”(71701223)和浙江省软科学研究计划重点项目“浙江游资对我国股票市场的影响及其监管研究”(2019C25022)的资助。文责自负。2 王海军,北京物资学院中国投资者教育与保护研究中心研究员,E-mail:wanghaijun2005 。3 陈波(通讯作者),中央财经大学财经研究院副研究员,E-mail:chenbo 。4 何玉,浙江财经大学金融学院讲师,E-mail:heyu1021 。摘 要ESG 理念已成全球共识,而企业 ESG 责任的履行是中国“双碳目标”达成和全社会可持续发展的关键环节。基于此,以 MCSI ESG 评级入选的 313 家 A 股上市公司作为试验组样本,利用双重差分倾向得分匹配模型(PSM-DID)进行控制组样本匹配,从理论机制和实证分析角度探讨了 ESG 评级对企业估值的影响机制与路径,研究发现:第一,无论是评级事件还是评级分值,入选 ESG 评级都可以有效提高公司估值;第二,ESG 评级调整与上市企业估值调整存在正相关关系,评级上调将推动估值上升,而评级下调将导致估值下降,但随时间推移这种相关关系存在递减效应,表明资本市场对 ESG 披露信息存在一个接收、消化和正反馈过程;第三,ESG 评级通过机构持股比、股票波动率、年交易额和融资成本四个渠道来影响企业估值,表明 ESG 具有价值发现、风险抑制能、信息传递和融资约束缓解作用;第四,ESG评级对估值的影响存在异质性,相比高碳企业、工业企业和农业企业,低碳企业和服务业企业估值对 ESG 评级更为敏感;第五,采用工具变量法、样本重组、更换变量等方法进行内生性和稳健性检验,并没有改变研究结论。本文研究结果对于建立中国版本的 ESG 强制信息披露制度、统一和完善 ESG 评价评级标准、推动上市公司高质量发展和价值最大化具有重要参考价值。关键词 ESG;企业估值;MSCI 评级;PSM-DID 模型;中介效应0引言国际投资者在追求企业财务绩效的同时,越来越关注其非财务方面的可持第 10 卷第 2 期 王海军 陈波 何玉:ESG 责任履行提高了企业估值吗?续发展表现,以此降低企业在面临各类环境及社会相关的风险时所造成的损失,保障可持续性收益(Capelle-Blancard and Petit,2019)。ESG(Environmental,Social and Governance)就是一种关注企业环境、社会、治理绩效而非财务绩效的投资理念和企业评价标准(Khan,2019),是投资者关系管理体系的重要内容(Wong et al.,2021;Baker et al.,2021)。截至 2021 年 11 月,全球已有 114 家交易所开始推进上市公司 ESG 信息披露,覆盖 56783 家上市公司,参与联合国责任投资倡议(UN PRI)的会员机构达 3404 家,所管理的资产总额接近 100 万亿美元(Sustainable Stock Exchanges Initiative,2021)。根据全球可持续发展投资者联盟(GSIA)数据,2020 年融入 ESG 投资理念的全球可持续投资高达 35.3 万亿美元,比 2016 年增长 54.56%,其中美国、日本、欧盟、加拿大和澳大利亚合计占比超过 90%。新兴市场的 ESG 投资规模也在快速增长,ESG 投资已成为中国资本市场的热点。2018 年,中国证监会提出“确立环境、社会责任和公司治理(ESG)信息披露的基本框架”(上市公司治理准则,2018),并在 2021 年将ESG 信息作为上市公司与投资者沟通的关键内容(上市公司投资者关系管理指引(征求意见稿),2021)。自从中国政府提出“碳达峰”、“碳中和”目标后,上市公司发布 ESG 报告的热情大大增加。2021 年共有 1092 家中国 A 股上市公司发布 2020 年 ESG 报告,占 A 股上市公司总数的 25.3%,其中沪深 300 指数成分股企业的 ESG 报告披露率已达 85%尽管关于企业估值的研究已经非常丰富,但是目前的文献缺乏从 ESG 角度探讨其对企业估值的影响,进而也制约了 ESG 理念的普及和企业 ESG 责任履行的动因研究。本文以 2019 年国际主流的 ESG 评级机构 MCSI 披露的 313 家中国 A 股上市公司 ESG 数据作为试验组样本,构建股利贴现估值模型和 PSM-DID 模型,分析了入选 ESG 评级事件对上市公司估值的影响。本文重点回答三个问题:(1)在有效控制了其他影响企业估值的因素后,入选 ESG 评级和评分等级越高是否会显著提高企业的估值?(2)ESG 评级影响企业估值的潜在途径是什么?(3)ESG 评级对企业估值影响是否存在群体异质性差异?对以上问题的回答,有助于我们理解企业 ESG 责任履行在企业市场价值提升方面的作用。本文主要贡献体现在:一是在研究视角上,本文是国内最早从 ESG 评级角度探讨企业履行 ESG 责任对企业价值影响的研究,并通过 DDM 模型进行了理36数据 来 源:Sustainable Stock Exchanges Initiative 官 网,https:/sseinitiative.org/exchanges-filter-search/。数据来源:GSIA,http:/www.gsi-alliance.org/wp-content/uploads/2021/08/GSIR-20201.pdf,PP9。资料来源:中国证监会官网,http:/ 济 学 报2023 年 6 月论论证,拓展了企业估值理论和责任投资理论研究范畴;二是研究方法上,利用上市公司微观数据,采用 PSM-DID 模型检验了 ESG 评级事件和评级分值两方面对企业估值的作用,并根据企业碳排放行业和产业性质差异进行了异质性检验;三是研究层次上引入了中介效应模型,探究了机构持股比、股票波动率、成交额和融资成本四个渠道的中介效应,揭示了 ESG 评级影响估值的具体路径;四是研究意义上,本文的发现对监管机构全面理解 ESG 履行的经济后果,从宏观层面构建 ESG 强制信息披露制度、强化上市公司 ESG 监管具有重要的参考价值,同时对于推动我国“双碳”目标的达成具有重要政策启示。本文余下部分结构安排如下:第 1 部分为文献综述、理论分析和研究假设,第 2 部分介绍研究模型设计和样本数据选择,第 3 部分汇报主要实证结论和相关检验结果,第 4 部分为内生性探讨,第 5 部分为全文结论并提出相应政策建议。1文献综述与理论分析1.1 文献综述1.1.1 公司估值影响因素的研究文献 目前关于公司估值影响因素的研究文献主要集中在以下三方面:一是认为规模和价值等业绩指标是公司估值的重要因素(汪先珍和马成虎,2022)。很多文献对于上市公司估值因素的探讨都离不开业绩角度的分析。例如 Novy-Marx(2013)认为盈利企业比非盈利企业不仅估值更高,股票回报率也显著更高。控制公司的盈利水平能显著提升价值策略效果,对市值最大、流动性最强的上市公司股票更显著。曾振和沈维涛(2016)认为创业板存在高估值现象,主要与行业构成、规模结构、成长性、供求关系等因素有一定关系。而且创业板上市企业普遍存在上市后净利润下降、总资产周转率和权益乘数显著下降,创业板上市公司的估值水平显著高于中小企业板,存在一定的泡沫(王燕鸣和张俊青,2011)。张建波和李振(2014)认为产品价格波动率、产业集中度、行业市净率对行业股票价格波动有显著影响,其他行业因素对股票价格波动率没有显著影响。二是认为在市场资金供求对估值存在重要影响。胡继之和于华(1999)认为在市场条件中,资金是最重要的一个方面,直接影响供求关系和价格水平。刘熀松(2005)较早地指出由于 A 股散户投资者主导,缺乏理性,容易投机,易受市场情绪影响,这导致了许多股票市场的异象,很多股票的价格要远远高于其内在价值,中国股市存在较为严重的泡沫,这与胡继之等(1999)的研究结论一致。三是机构投资对上市公司估值的作用探讨。刘维奇和刘新新(2014)的研46第 10 卷第 2 期 王海军 陈波 何玉:ESG 责任履行提高了企业估值吗?究表明,机构投资者在市场上表现得更为理性,他们的情绪能够预测后市。并且机构投资者能够显著降低公司的股权资本成本,干预公司治理,提高公司信息披露水平,发挥外部监督作用,降低公司资金成本,提高公司价值。更直接地,有研究指出机构持股与 IPO 估值正相关,机构投资者的信号作用是试图传递有关企业质量的信息,而企业质量反过来又具有近似公平的 IPO 估值(Ong C Z et al.,2020)。机构投资者之所以有稳定市场和改善市场效率的作用,很重要的原因是对于信息不对称的改善。如王雪等(2018)认为公募投资基金之间的信息扩散强度可以影响到公司盈余公告的市场反应。在盈余公告发布之前,股票所处信息网络的网络密度越高,基金之间信息扩散越快。基金之间的信息扩散有利于减小意见分歧,从而更有效地促进盈余信息融入股价,提高市场定价效率,改善公告后市场反应过度和反应不足的现象。机构投资者网络在盈余信息定价所起到的作用也有着重要意义。1.1.2 ESG 评级的相关文献随着 ESG 实践的推动,针对 ESG 及 ESG 评级的经济后果的研究增多。早期关于 ESG 责任与企业绩效的存在比较大的争议,部分学者认为企业过多投入ESG 会削弱主营业务能力,影响企业的短期绩效表现(Kuo et al.,2021)。但是随着全球公共性问题日益突出,尤其是疫情大流行带来的前所未有的冲击,研究者们已意识到 ESG 对于企业可持续发展的重要性。如在企业绩效方面,Wong et al.(2021)研究发现 ESG 认证降低了公司的资本成本,而托宾 Q 显著增加,即意味着公司价值得到提升。晓芳等(2021)的研究发现 ESG 评级可以抑制公司的信息风险和经营风险从而提高经营业绩。而 Reber 等(2022)发现ESG 评级降低了 IPO 第 1 年的公司特质波动率和下跌尾风险。Zhang et al.(2021a)发现 ESG 评级越高的公司与其关联的隐含波动率越低,并且表现出更多的负的隐含偏度和更高的隐含峰度。在 ESG 投资表现方面,Zhang et al.(2021b)发现在投资组合中,与低 ESG 投资组合相比,高 ESG 投资组合获得的超额回报显著提高。同样,Ouchen(2022)也发现 ESG 投资组合相对于传统投资组合具有较高的收益和较低的风险。疫情对于 ESG 的表现提供了更好的证明,Yoo et al.(2021)发现在疫情大流行期间,ESG 评分特别是环境评分的增加与较高的回报和较低的波动性有关。Omura et al.(2021)也发现在疫情期间,相比传统投资,ESG 概念的投资表现更优异。综上,近期的研究支持了 ESG 对企业绩效会产生显著影响,但是尚缺乏ESG 对企业估值影响的深入研究。考虑到包括中国在内的许多新兴市场国家正在大力推进碳中和目标,ESG 是否能够与该目标形成激励相容可能决定了ESG 在新兴市场的机会。为此我们将探索 ESG 对企业估值的影响和内在机制分析,从而有助于分析 ESG 责任履行的动因,并促进 ESG 理念的普及。56经 济 学 报2023 年 6 月1.2 理论分析与研究假设为进一步论证 ESG 对估值的作用机制,本文利用股利贴现模型(Dividend Discount Model,DDM)构建一个简化的数学模型分析框架。假设投资人 A 购买某上市公司 B 的股票的初始买入价为 p0,投资持有期为 t 年,年股息率固定为 d(0d1),d 代表企业 B 的股权融资成本,市场无风险利率为 r,r 代表股票市场平均收益水平,投资人 A 在第 t 年抛售该股票时的股价 pt。此外,假设上市公司当前每股净利润为 e,未来每年固定增长率为 g,则根据 DDM 模型,有如下公式成立:p0=p0d1+r+p0d(1+r)2+p0d(1+r)3+p0d(1+r)t+pt(1+r)t=p0dt1+r+pt(1+r)t 对 pt求解得到:pt=p0(1+r)t-p0dt(1+r)t-1(1)在式(1)两边同时除以 e(1+g)t得到:pte(1+g)t=p0e(1+g)t(1+r)t-p0e(1+g)tdt(1+r)t-1(2)令pte(1+g)t=PEt,p0e(1+g)t=PE01(1+g)t,显然PEt即为上市公司第 t 年的估值,而PE0即为当前估值,故式(2)可改写为:PEt=PE0(1+r)t(1+g)t-PE0dt(1+r)t-1(1+g)t(3)可见,股票未来估值主要由当前估值PE0、净利润增长率 g、无风险利率 r、年股息率 d 和投资期限 t 五个因素共同决定。而在当前估值、净利润增长率和投资期既定的情况下,主要考虑无风险利率和年股息率对估值的影响,可对式(3)中 r 和 d 分别求偏导,得到:PEtr=PE0t(1+r)t-1(1+g)t-PE0dt(t-1)(1+r)t-2(1+g)t=PE0t(1+r)t-1(1+g)t1-dt1+r()0(4)PEtd=-PE0t(1+r)t-1(1+g)t 0(5)明显看出,估值PEt是无风险利率 r 的递增函数,是年股息率 d 的递减函数,即估值随着无风险利率的提高而上升,随着股息率的提高而下降。根据前述分析,本文假定 r 和 d 与 ESG 评级 R 存在如下函数关系式:66第 10 卷第 2 期 王海军 陈波 何玉:ESG 责任履行提高了企业估值吗?r=f(R)(6)d=(R)(7)根据 ESG 对估值影响的传导路径分析,ESG 评级具有信息传递和价值发现功能,因此评级提高意味着潜在获利机会的出现,可以提高市场整体无风险利率水平 r。而评级的风险抑制功能和融资约束缓解功能会影响企业损益表,评级提高有助于降低企业股权融资成本,即导致股息率 d 下降。据此 r 和 d 与 R有如下关系式成立:f(R)0(8)(R)0(9)即 r 是 R 的递增函数,d 是 R 的递减函数。将(4)和(5)带入公式(1),对 R求导,并结合(6)和(7),则有:dPEtdR=PE0t(1+r)t-1(1+g)tf(R)-PE0(R)t(t-1)(1+r)t-1(1+g)t-PE0dt(t-1)(1+r)t-2(1+g)t(R)=PE0t(1+r)t-1(1+g)tf(R)-(R)(t-1)(1+d)(1+r)0 由此证明企业估值 PE 是 ESG 评级的增函数,即企业 ESG 评级越高,企业的估值也越高。因此本文提出基本假设 1:H1:ESG 评级可以显著影响企业估值,且评级越高,估值越高。ESG 作为上市公司投资者管理的重要工具有助于投资者更加全面地了解公司信息、减少投资者的投资不确定性、减少信息不对称、降低上市公司资本成本、增加上市公司投资收益(Bushee and Miller,2012;Chandler,2014)、改善公司经营业绩(Vlittis and Charitou,2012;Nguyen et al.,2020)、降低股权融资成本(Breuer et al.,2018;Nel et al.,2019)、提升上市公司声誉和市场曝光度(Chahine et al.,2020;Karolyi et al.,2020)、抑制股价崩盘和价格波动(Xu et al.,2021)和改善股票流动性和分析师关注(Esterhuyse and Wingard,2016)。这主要通过以下四个渠道实现:一是 ESG 评级有助于市场了解企业在环境、社会和公司治理方面的投入和表现,帮助投资者识别潜在的价值和风险,从而增加机构持股比例;二是 ESG 评级通过客观和及时的信息披露,释放积极信号,可以降低市场交易的波动性和投资炒作,降低股票的波动率;三是 ESG 评级减少上市公司与投资者之间的信息不对称,有助于提高股票成交量;四是较高的 ESG 评级有利于提高企业声誉和市场影响力,并在债权融资和股权融资中获得更为有利的条件,从而降低企业融资成本。为此本文提出基本假设 2:76经 济 学 报2023 年 6 月H2:机构持股比、股票波动率、股票成交量和融资成本在 ESG 评级影响企业估值中发挥了中介作用。现有文献对不同行业的 ESG 表现进行了探讨,证明不同行业在 ESG 表现上存在异质性,如在航空行业(Sunbin Y et al.,2021)、能源行业(Yoo et al.,2021)、汽车行业(Silvia S and Augusto V D,2021)以及金融和矿业行业(Konstantina R et al.,2022;Samuel A and Dong T M,2022)等代表性行业,企业的 ESG 表现受所处行业碳排放水平影响较大。此外,疫情对于 ESG 的表现提供了更好的证明,Yoo et al.(2021)发现在疫情大流行期间,ESG 评分特别是环境评分的增加与较高的回报和较低的波动性有关。Omura et al.(2021)也发现在疫情期间,相比传统投资,ESG 概念的投资表现更优异。这说明 ESG 表现除了存在异质性外,外部风险事件会对 ESG 表现与估值关系产生催化效应,为此本文提出假设 3:H3:ESG 评级对企业估值的影响存在异质性,碳排放等行业属性差异以及疫情事件的冲击会影响 ESG 与估值的关系。2研究设计2.1 样本选择 本文选择 2019 年纳入 MSCI ESG 评级的 313 家 A 股上市公司为实验组对象,样本数据选取的时间范围为 20172020 年,共获得 1219 条有效观测值,其中 20192020 为试验期,20172018 年定义为非实验对比期。样本所覆盖的行业包括制造业(91 家)、金融业(58 家)、生活消费服务(36)、信息技术与服务(30)、能源化工与金属(29 家)、农林牧副渔(27 家)、建筑与房地产(18 家)、交通运输、物流与基础建设(18 家)、其他(6 家)。试验的年份选择 2019 年,主要基于以下两点考虑:一是 2019 年纳入 MSCI ESG 评级的企业最多,覆盖范围最广,且入选企业基本上是行业头部企业,入选事件在行业中具有示范效应,可能会通过对市场交易形成扰动而间接影响非入选企业的估值;二是 2019 年底至2020 年初是新冠疫情暴发开始时期,疫情对所有上市公司都造成了冲击,而疫情的影响可能凸显了企业在履行 ESG 责任方面的重要性,因此选择该年份可以较好地评估疫情前后企业履行 ESG 责任的效果,并可减少控制组的选择性偏差。根据 2021 年 4 月中国生态环境部对于高耗能和高污染行业的界定,以及上海环境能源交易所 2021 年 6 月发布的关于全国碳排放权交易相关事项的公告,纳入中国碳市场的高能耗行业有八个,包括电力、石化、化工、建材、钢86第 10 卷第 2 期 王海军 陈波 何玉:ESG 责任履行提高了企业估值吗?铁、有色金属、造纸和民航,因此本文将样本中属于这八个行业中的企业界定为高碳排放企业(高碳企业),其余企业界定为低碳排放企业(低碳企业)。此外,考虑到农业和服务业的碳排放相对于工业较低,因此也将企业按照农业、服务业和工业进行产业划分。2.2 变量定义(1)因变量(PB)。与通常采用市盈率 PE 作为估值指标不同,本文以 ESG评级发布日次日的动态市净率 PB 作为因变量来衡量企业估值。主要考虑到市盈率与企业的盈利直接相关,经济周期变动易导致不同类型企业收益出现明显起落,甚至成为负值,此时市盈率估值的可操作性降低,而市净率受到企业会计制度和政策规定的影响弱于市盈率,不易受到企业利润和人为操纵的干扰,估值结果更加客观(陈蕾等,2016)。(2)自变量(ESG)。本文采用 MSCI ESG 的评级等级作为自变量,MSCI 将公司的 ESG 表现从低到高分为 7 个等级,分别是 CCC、B、BB、BBB、A、AA、AAA,借鉴钟辉勇等(2016)、马榕和石晓军(2015)和林晚发等(2019)的直接赋值法,本文定义公司的评级为 CCC 时,ESG 取值为 1,以此类推,当公司的评级为 AAA 时,ESG 取值达最大值为 7。ESG 分值越高代表企业履行社会、环境和治理的责任表现也越好。(3)中介变量。根据假设 2,本文构建四个指标,分别是:机构持股比(sharehold),表征价值发现作用。ESG 评级属于买方评级,有助于为机构投资者持仓动机提供价值线索;年化波动率(volatility),表征风险抑制作用,反映股票投资风险,理论上波动率越大代表股票风险越高,与估值成负相关;年成交额(volume),表征信息传递作用,该指标越高表明市场对股票投资热度越高,股票信息释放信息也更充分,因此估值也越高;融资成本(finance),表征融资约束缓解作用,企业高成本融资侵蚀企业利润,进而会拉低公司价值,因此该指标与企业估值负相关。(4)控制变量。借鉴汪先珍和马成虎(2022)和曾振和沈维涛等(2016)研究方法,选择企业层面、市场层面和宏观层面的控制变量共 10 个,分别为:市占率(market),反映公司在行业中的市场势力和影响力,理论上市占有率越高的公司,行业影响力也越大,因此相比同行业公司会得到更高估值;销售净利率(npm),销售净利率是衡量公司盈利能力的核心指标,该指标越高,代表公司96按照 MSCI 的定义,AAA 和 AA 代表被评级企业在 ESG 风险和管理方面处于行业领先水平;A、BBB 和 BB 代表被评级企业在 ESG 风险和管理方面处于行业平均水平;而 B、CCC 代表被评级企业具有高风险敞口和管理风险。ESG 评级原始数据来自 MSCI 官网(https:/ 济 学 报2023 年 6 月盈利能力越强,估值相应也越高;公司规模(size),通常公司规模越大,企业的估值也应越高;研发投入(R&D),研发投入代表企业创新能力,该指标对估值影响为正;资产负债率(debt),资产负债率越高企业经营风险越大,对估值存在负面影响;营业收入增长率(income),营业收入增长越高,代表企业市场前景越高,对估值有正向作用;分析师研报数量(report),分析师出具的研究报告数量越多,代表资本市场对企业关注度越高,对估值提升作用积极;行业和宏观变量,包括企业所属行业的平均市净率(PB)、货币增长率(M2)和 GDP 增长率(growth),反映行业整体估值水平和宏观经济因素对估值的影响。以上数据均来源于 CSMAR 和 Wind 数据库,详细的变量定义见表 1。表 1 变量定义变量分类变量符号变量名称变量定义因变量PB动态市净率股票现价/每股净资产的预测值自变量Treated效应组别实验组(取值 1)和控股组(取值 0)Time时间组别试验前(取值 0)和试验后(取值 1)ESGESG 评级评级分值范围 17,分值越高,评级越高中介变量sharehold机构持股比例机构投资者在流通股中的持股比例(%)volatility年化波动率股票年收益率的标准差volume年成交额股票年成交金额取自然对数加 1finance融资成本(净资本支出-利息收入)/(短期债务+长期债务)(%)控制变量market市占率企业营业收入/行业营业收入(%)npm销售净利率净利润/销售收入(%)size公司规模公司期末净资产总额取自然对数加 1R&D研发投入公司研发支出占主营业务收入比例(%)debt资产负债率公司期末资产负债率(%)income营业收入增长率上市公司期末营业收入/上期营业收入(%)report研报数量分析师研究报告份数(个)PB行业平均市净率净率剔除样本公司后同行业其他企业 PB 加权平均值(%)M2广义货币增长政策变量,M2 同比增长率(%)growth经济增长率政策变量,GDP 同比增长率(%)2.3 PSM-DID 样本选择为保证实验组和控制组具有充分的可比性,参照 Chen et al.(2018)及田利辉和王可第(2017)。本文运用 PSM-DID 方法,为实验组寻找相应的控制组样本。本文选择 10 个控制变量作为匹配变量。PSM-DID 模型采用 Logit 回归,对二元被解释变量(是否为实验组,即 Treated)进行回归,然后以每个匹配变量的回归系数作为权重,拟合出每一个样本的倾向得分值,该分值体现了某个样本07第 10 卷第 2 期 王海军 陈波 何玉:ESG 责任履行提高了企业估值吗?作为实验组的概率大小。然后,根据倾向得分值对实验组和非实验组进行有放回的、一对多的最近邻匹配,最终得到与实验组相匹配的控制组。表 2 报告了 Logit 回归结果。表 2 Logit 匹配回归结果变量因变量Treatedmarket0.0746 (3.05)npm0.1021(2.18)size2.2521(2.09)R&D0.3772 (3.88)debt-0.1632 (-4.07)income0.0087(2.15)report0.2631(2.37)PB0.0428(2.21)M20.1172(1.93)growth0.2274 (3.62)Cons10.6843(2.67)N982Pseudo R20.2483 注:、和分别表示双尾检验的统计显著性水平为 1%、5%和 10%,下表同。表 3 报告了平衡性检验结果。因变量 PB 的均值在实验组和控制组存在5%水平上的显著差异,而各控制变量在实验组和控制组间均不存在显著差异,这说明本文运用的 PSM-DID 方法具有较为充分的合理性,总体匹配效果理想。17经 济 学 报2023 年 6 月表 3 匹配的平衡性检验变量实验组均值(N=1219)控制组均值(N=2034)差值及显著性(实验组-控制组)PB4.42574.42410.0016 sharehold50.058950.9812-0.9223volatility1.11681.10520.0116volume22.836222.8749-0.0387finance0.05800.05780.0002market10.186510.10310.0834npm20.296220.25320.0430size22.853323.6561-0.8028R&D2.06322.4012-0.3380debt0.36720.3711-0.0039income0.03890.03720.0017report8.56328.41240.1508PB6.63836.60260.0357CPI9.90199.90190.0000GDP6.64036.64030.00002.4 描述性统计分析表 4 显示,各变量的标准差最大为 16.7432,说明变量的描述性统计均在正常范围内。此外,本文还对数据进行如下必要处理:(1)对全部变量进行方差膨胀因子(VIF)诊断,变量方差膨胀因子最大值为 1.56,最小值为 0.88,解释变量方差膨胀因子(VIF)值均小于 10,结合全变量相关系数矩阵,相关系数最高值为 0.2239,因此变量整体不存在严重的多重共线性问题;(2)借鉴李维安和马超(2014)的研究,对连续变量按照 1%和 99%的标准进行 Winsorize 处理,以控制极端值影响。表 4 描述性统计变量样本量均值标准差中位数最小值最大值PB32534.42476.74832.56420.0000253.9053Treated32530.37472.84920.00000.00001.0000Time32530.50000.50000.50000.00001.0000ESG32531.66673.51790.00000.00007.0000sharehold325350.63561.184743.89270.030093.1000volatility32531.10950.42781.4582-0.30008.8561volume325322.86041.027320.005715.068334.872427第 10 卷第 2 期 王海军 陈波 何玉:ESG 责任履行提高了企业估值吗?续表变量样本量均值标准差中位数最小值最大值finance32530.05794.70320.02680.000028.2541market325310.134414.78434.72730.060056.8639npm325320.269315.785314.0738-102.562210.5776size325323.355314.672314.50211.785567.6429R&D32532.27458.83475.78440.065340.6833debt32530.369613.77830.47320.000023.7855income32530.037812.73260.0742-0.48325.6843report32538.468914.77423.67360.000023.7544PB32536.616016.74325.77841.785330.7854CPI32539.90192.02639.57008.100013.3000GDP32536.64030.29376.67006.10007.7300 2.5 模型设定2.5.1 基准回归模型 为验证假设 1,本文分别构建如下两个计量模型:PBit=+TreatediTimet+controlsit+i+t+it(10)PBit=+ESGit+Controlsit+i+t+it(11)计量模型(10)为双重差分模型下的基准回归,该模型用于检验引入 ESG评级是否会对企业估值产生影响,其中哑变量 Treated 代表是否被纳入评级的效应组别,取值为 1 的是实验组,取值为 0 的是控制组。时间哑变量 Time 代表是否被纳入评级的时间组别,取值为 1 表示 2019 年及之后(试验后),取值为 0代表 2019 年前(实验前)。TeaetedTime 为效应组别和时间组别的交互项,参数值 反映了双重差分的净效应,即如果其显著为正,则表明评级对企业估值具有显著正向影响。计量模型(11)是在计量模型(10)成立的基础上,考察评级分值对企业估值影响的面板模型。其中,i 为企业,t 为年份,i为个体固定效应,t为时间固定效应,it为随机误差项。ESG 为自变量,其估计参数反映了自变量对估值影响的总效应,Controls 代表控制变量,且在模型(10)和模型(11)中均设置相同的控制变量。2.5.2 中介效应模型为验证假设 2 中介效应的存在,本文分两步构建中介效应模型,具体如下:Mechanismit=+ESGit+Controlsit+i+t+it(12)PBit=+ESGit+Mechanismit+Controlsit+i+t+it(13)第一步构建以 ESG 评级为自变量、以 4 个中介变量为因变量的回归模型,如果估计参数均显著,则表明 ESG 评级与中介变量高度相关;第二步,构建自变37经 济 学 报2023 年 6 月量、中介变量与企业估值的回归模型,如果估计参数显著,且自变量的系数小于模型(11)中自变量的估计参数,则证明 ESG 的中介效应成立。3实证分析3.1 基准回归 表 5 展示了计量模型(10)的基准回归结果,所有变量均控制个体固定效应和时间固定效应。其中:回归模型(1)是交乘项 TreatedTime 与因变量的单独拟合结果,回归模型(2)(10)是控制变量逐个加入后的拟合结果。明显可以看出,交乘项的估计参数在所有模型中均在 5%水平上显著,这表明相较于实验组样本,控制组样本的 ESG 评级的确对估值产生了正向影响,具体而言 ESG 评级每向上调整 1%,会带来估值提升约 0.2%,因此假设 1 中关于 ESG 与估值正相关关系的假设成立。控制变量整体符合预期,以全变量回归模型(10)为例,市占率、销售净利率、企业规模、研发投入、营业收入增长率和研报数量 6 个变量对企业估值影响均显著为正,6 个变量每提高 1%,将带来估值分别提升0.0226%、0.0037%、1.0067%、1.7372%、0.2084%和 0.0136%,且企业规模和研发投入两个指标对企业估值影响最大。资产负债率对企业估值影响显著为负,当资产负债率提高 1%,将导致估值下降 0.5822%。最后,行业平均市盈率、M2和 GDP 对估值的影响较为显著,三个变量每提高 1%,将促使估值分别提升0.0058%、0.2263%和 0.1068%,而 M2 的估计参数较 GDP 更大,表明货币供应量对股市的直接影响更为显著。3.2 平稳性检验与安慰剂检验为解决基准回归的内生性和模型选择偏误问题,本文参考范子英和刘甲炎(2015)及罗长远和陈智韬(2021)的研究思路,将 20172020 年的年份哑变量引入回归方程进行平稳性检验和安慰剂检验,模型设置如下:PBit=+2020t=2017iTreatediTimet+controlsit+(14)估计结果见图 1。在90%的置信区间,对于纳入 ESG 评级的企业来说,在 2019 年之前估计参数均不能拒绝零假设,在 2019 年及之后,估计参数转正,表明双重差分模型满足平行趋势假设,ESG 评级对于企业估值存在正向效应。为了验证实验组估值的提高确实是由于参与 ESG 评级所引起的,本文还进行了安慰剂检验。具体而言,在剔除实验组后的 3939 家上市公司样本中再随机抽取新的处理组,重复抽取 1000 次。图 2 是 1000 次估计参数值的 p 值分47第 10 卷第 2 期 王海军 陈波 何玉:ESG 责任履行提高了企业估值吗?表 5 双重差分模型基准回归变量(1)(2)(3)(4)(5)(6)(7)(8)(9)(10)TreatedTime0.2013(2.32)0.2013(2.32)0.2012(2.30)0.2013(2.31)0.2012(2.30)0.1867(2.28)0.1855(2.36)0.1745(2.23)0.1729(2.07)0.1528(2.13)market0.0524(2.48)0.0508(2.42)0.0476(2.37)0.0452(2.29)0.0405(2.24)0.0401(2.41)0.0382(2.06)0.0338(2.39)0.0226(2.14)npm0.0073 (2.61)0.0076 (2.67)0.0079 (2.72)0.0059(2.60)0.0055(2.51)0.0049(2.43)0.0042(2.29)0.0039(2.33)0.0037(2.06)size1.6732 (4.67)1.5732 (4.12)1.3822 (3.98)1.2636 (4.01)1.3632 (3.24)1.1683(2.57)1.2803 (3.08)1.0067 (3.36)R&D2.0532 (4.09)2.1784 (4.12)2.0573 (3.32)1.8439 (3.63)1.8068(2.51)1.8218(2.31)1.7372 (3.06)debt-0.7532 (-4.08)-0.7362 (-3.08)-0.6483 (-3.61)-0.6633 (-3.78)-0.6273 (-4.08)-0.5822 (-5.99)income0.2737(1.93)0.3721(2.05)0.2584 (2.79)0.1943 (3.01)0.2084 (2.87)report0.0158(2.12)0.0152(1.97)0.0147(2.02)0.0136(1.79)PB0.0204(1.87)0