外商直接投资自由化能否降低财务风险？来自中国医疗行业的信息不对称证据 1

《Economic Modelling》：Does FDI Liberalization Reduce Financial Risk? Information Asymmetry Evidence from China’s Healthcare Sector 1

　　## 摘要- FDI自由化提高了——而非降低了——在位制药企业的财务风险。- 信息不对称在各政策环境下持续驱动困境风险。- 一种新的内幕交易代理变量能够捕捉集中市场中的企业层面不透明度。- 诊断优先的DID框架可区分因果与非因果估计。- 信息披露改革必须与市场开放同步推进——仅靠自由化是不够的。## 引言当政府向外国投资者开放其医疗行业时，国内企业是受益了，还是面临威胁其财务稳定性的新压力？标准的外商直接投资（FDI）模型预测，通过资本深化、技术转让和生产率溢出效应可实现福利收益（Borenszstein等，1998年）。在这些框架下，竞争的加剧和知识的扩散应当平均而言改善企业绩效并降低财务脆弱性。然而，这些预测往往忽略了信息摩擦和调整动态，而后者在新兴市场和创新密集型行业中尤为突出。本文研究信息不对称和竞争暴露如何共同塑造市场自由化后的企业层面财务风险。在制药和生物技术等行业，企业价值在很大程度上取决于不确定的研发成果、专有知识和管理层自由裁量权——这些因素对外部投资者而言难以观察。在这样的环境中，自由化可能在长期效率收益与短期调整成本之间产生张力。具体而言，外国企业进入的前景可能在积极溢出效应显现之前，就会加剧产品市场竞争并提高在位企业的融资约束。当信息不对称程度较高时，这些压力可能被放大，因为外部投资者更难区分基本面强势和弱势的企业。中国2024年医疗领域FDI自由化政策为考察这些机制提供了一个合适的场景。2024年9月，中国取消了医疗行业的外资股权上限，从而在预期中带来了外国竞争的急剧且可能是外生的增加。该制度环境的特征是显著的信息摩擦，包括不确定的研发成果、不完善的知识产权保护以及企业层面信息披露的有限透明度。这些特征使我们能够评估信息不对称是否影响自由化冲击向企业层面财务风险的传导。我们的研究发现，自由化并非普遍降低财务风险。相反，制药企业——受外国竞争暴露最严重的子行业——在改革后的数月内经历了相对医疗服务企业显著更高的财务困境。这种差异并非由企业间信息不对称的差异所解释：改革同时影响了高透明度和低透明度的企业，表明其机制来自预期外国进入的竞争压力，而非差异化的信息披露改善。简言之，当外国投资者被邀请进入时，在位制药企业首先承担了转型成本。现有研究对这些动态提供了有限的指导。FDI文献主要关注长期总量结果，很少考察短期企业层面的财务风险；财务困境文献虽然在机器学习方面有所进展，但很少将这些工具与政策评估联系起来；且尚无先前的研究探讨信息不对称是否决定了市场开放时哪些企业获胜、哪些企业失败。本文填补了这些空白。为了研究这一问题，我们结合了两类方法工具。首先，我们构建了一个机器学习模型，使用更广泛的企业特征集，避免了困扰许多现有方法的数据泄露问题，从而比经典的Altman Z分数更准确地预测企业财务困境。其次，我们构建了一个专门针对中国设计的新的信息不对称度量指标，基于内幕交易活动的强制披露要求。由于中国法律要求高管公开报告其个人股份交易，我们可以直接观察到内部人何时利用私有信息进行交易——这是市场成交量等总量指标无法捕捉的。然后，我们使用一种准实验设计，比较2024年9月改革前后匹配的药企与医疗服务企业。本文做出了四项贡献。首先，它引入了ET-ITP，一个针对中国内幕交易强制披露环境改编的企业层面信息不对称代理变量，为研究具有类似披露制度的其他新兴市场的研究者提供了一种可迁移的度量方法。其次，它提供了关于中国2024年医疗FDI改革短期财务后果的首个实证证据——对于管理转型的政策制定者和评估进入机会的外国投资者而言，这是及时的证据。第三，它贡献了一个在短面板约束下可复制的早期政策评估诊断框架，展示了预设的识别筛选如何在已实现结果稀疏的情况下仍能产生有条件的因果信号。第四，它表明有条件的因果证据可以从较短的政策窗口中获得——这一方法论贡献与任何研究监管变革即时效应的研究者都相关。## 章节摘要### 破产预测与机器学习预测企业财务困境是金融经济学的核心问题，因为早期预警使债权人、投资者和监管机构能够在违约发生之前作出回应。以Altman（1968年）Z分数为代表的经典方法，依赖有限的会计比率将企业分类为困境或健康企业。尽管被广泛使用，但该框架存在两个重要局限性。首先，它基于静态的财务快照，因此可能难以对快速变化的企业状况作出及时反应……### 数据与方法本节介绍我们在有限样本和短面板约束下评估FDI自由化短期效应的数据与方法框架。我们解决了知识密集型行业政策评估中的三个核心挑战：以足够的准确性预测企业层面财务困境（第3.2.1节）、捕捉中国制度环境下的信息不对称（第3.2.2节），以及在有限的处理后观测条件下建立可信的因果识别……### 单变量分析：行业比较与相关性图3显示了明显的跨行业异质性。制药企业表现出较高的杠杆率，但盈利波动性低于医疗服务企业；而生物技术企业则兼具最高的研发投入强度、较小的资产基础和较低的有形资产比例。信息不对称也存在系统性差异：制药企业的ET-ITP值较低，表明具有相对较高的透明度，而生物技术企业的ET-ITP值最高，与早期阶段的运营不透明特征一致……### 主要发现如第3.4节所述，一级发现在短面板约束下构成与因果解释一致的初步证据——而非确定的因果证明。研究问题是改革是否实质性改变了企业的前瞻性财务脆弱性，而非改革是否导致了改革窗口期内已实现的违约；来自RF-PD、股价崩盘风险和特质波动率的收敛性证据共同支持了这一解释。我们最可靠的证据……### 数据说明用于构建ET-ITP度量的原始微观层面输入数据，来自Xueqiu.com和WIND数据库的手工采集，由于第三方使用条款和手工采集流程的限制，无法重新分发。为促进独立复制，附录A记录了所有数据来源和完整的ET-ITP构建协议。其余所有变量均可从订阅数据库获取，包括CSMAR、WIND和中国国家知识产权局……### 作者贡献声明Wen-Jye Hung：撰写——初稿、概念构思、形式分析、调查研究、方法论、资源、指导、验证、可视化、撰写——审阅与编辑。Pei-Gi Shu：概念构思、形式分析、调查研究、方法论、撰写——审阅与编辑。Yamin Wang：撰写——初稿、项目管理、数据整理、调查研究、方法论、资源、验证、可视化、撰写——审阅与编辑。Yan Wang：软件、数据整理……### 资金来源本研究未获得公共、商业或非营利部门任何资助机构的专项资助。### 利益冲突声明作者声明不存在已知可能影响本文所报告工作的竞争性经济利益或个人关系。### 作者简介Wen-Jye Hung是闽江大学金融管理系教授。他的研究兴趣包括税收预测不稳定性、审计风险以及机器学习方法在会计中的应用。他已在Pacific Accounting Review、Asia-Pacific Journal of Accounting & Economics、Advances in Quantitative Analysis of Finance and Accounting、Humanities and Social Sciences Communications以及Review of Pacific Basin Financial Markets and……等期刊发表论文。---Wen-Jye Hung | Pei-Gi Shu | Yamin Wang | Yan Wang