Financial Supply Improvement and Corporate Labor Investment Efficiency: Evidence from the Distribution of Bank Branches
-
摘要: 劳动力作为企业生产经营过程中的关键性投入要素，其有效配置在塑造微观企业核心竞争力和促进宏观经济高质量发展中起着重要作用。基于放松商业银行市场准入引发的商业银行网点分布扩张视角，考察其带来的金融供给服务改善对企业劳动力投资效率的影响效应及作用机理，研究发现：商业银行网点扩张能够有效提高企业的劳动力投资效率，即企业周围分布的银行网点数量越多，劳动力投资效率越高；商业银行网点扩张主要通过信贷可得效应和监督治理效应促进企业劳动力投资效率的提升，且这种影响在民营、抵押物价值低、劳动密集型企业以及市场分割程度低的地区表现得更为明显。商业银行网点扩张通过改善劳动力要素配置效率提升企业的研发创新和全要素生产率，实现了对企业高质量发展的赋能作用。研究结论为进一步发挥金融供给侧改革在劳动力要素资源配置中的决定性作用、进而推动经济和就业的高质量发展提供了理论依据及政策参考。Abstract: As a crucial input factor in the production and operation process of enterprises, the effective allocation of labor plays an important role in building the core competitiveness of micro enterprises and promoting high-quality macroeconomic development. Based on the expansion of commercial banks' branch networks caused by the relaxation of market access for commercial banks, this paper analyzes the impact and mechanism of financial supply services on labor investment efficiency of enterprises. The research finds that the expansion of commercial bank networks can effectively improve labor investment efficiency of enterprises. It is meant that the more bank branches distributed around the enterprise, the higher the labor investment efficiency. The expansion of commercial bank branches mainly promotes the improvement of the labor investment efficiency through the effects of credit availability and supervision governance. In addition, the impact on labor investment efficiency of enterprises is more tangible in labor-intensive private enterprises with low collateral value and areas with low market segmentation. The expansion of commercial bank branches improves the efficiency of labor resource allocation to enhance R&D innovation and total factor productivity, empowering corporate high-quality development. The research conclusion further leverages the decisive role of financial supply-side reform in labor resource allocation, providing a theoretical basis and policy reference for high-quality development of economy and employment.
-
一、 引言
劳动力是企业经营中重要且唯一具有主观能动性的生产要素，企业产出的2/3都将用于补偿劳动力成本(李小荣等，2021)[1]。有效的劳动力投资也能帮助企业在生产活动中突破边际报酬递减规律的束缚，促使我国经济实现从数量与规模扩张到质量与效益提高的重要转变。然而，在人口红利逐渐消失、公共卫生事件冲击后世界经济复苏缓慢以及逆全球化趋势蔓延等经济下行因素的冲击下，多地用工企业陷入了“前有埋伏、后有追兵”的窘境，不仅前端需要应对萎缩的市场需求，后端更要面临上涨的用工成本和劳动力供需不协调等严峻问题(刘贯春等，2021)[2]。在这一背景下，企业通常会选择缩减劳动力投资或利用私人劳动力建设“商业帝国”以缓解经营压力，但这也势必会造成劳动力在微观层面的配置效率过低，不利于经济的高质量发展。2022年初国务院办公厅印发了《要素市场化配置综合改革试点总体方案》，强调了要素市场的资源配置对经济高质量发展的重大意义，并重点聚焦劳动力市场的改革探索。党的二十大报告也指出，要坚持以推动高质量发展为主题，把实施扩大内需战略同深化供给侧结构性改革有机结合起来。由此可见，探讨如何提高企业劳动力投资效率，对现阶段优化要素资源配置、实现经济和就业的高质量增长有着重要的现实意义。
现有关于如何提高劳动力投资效率的研究主要围绕信息披露(Jung等，2014)[3]、员工待遇(Cao和Rees，2020)[4]、法律制度(孔东民等，2020；褚剑和方军雄，2020；钟廷勇等，2023)[5-7]、数字技术(周冬华和万贻健，2023；钟娟等，2023)[8-9]、内部控制[1]以及社会信任(申丹琳和江轩宇，2022)[10]等几个方面展开，且大多强调信息不对称与代理冲突是导致企业劳动力配置呈现非效率状态(过度或不足)的主要原因。然而，有个重要方向尚未引起学者们足够重视：劳动力配置效率不高，是否是由于我国正规金融市场发展的广度和深度不够，从而造成企业劳动力投资活动缺乏稳定充足的资金支持和有效的外部监督？现实经济中，作为典型的银行主导型金融体系，银行贷款是我国企业融资的主要方式。但长期以来我国银行业高度集中、利率管制以及金融抑制的滞后体制导致信贷供给期限结构失衡，企业所面临的信贷资金供给可得性和稳定性普遍较低，难以满足大部分实体企业的投资发展需求(姜付秀等，2019；李志生和金凌，2021)[11-12]。为缓解这一现象，政府近年来一直致力于构建多层次金融体系，并加快银行体系市场化改革。其中最为瞩目的变化是，伴随着银行体系异地设立分支机构及市场准入管制放松等一系列政策的出台和实施，股份制商业银行、城市商业银行以及外资银行等非国有中小型商业银行相继进入银行业市场，在打破多数地区以国有大型银行主导的垄断型金融供给结构的同时，推动了各类银行为争夺客户和掌控金融资源而加速在全国范围内的物理网点布局。据中国银行业协会发布的数据显示，全国银行业金融机构网点数量自2000年的8.8万个增至2021年的22.36万个。
无疑，商业银行物理网点的扩张导致金融供给的市场结构发生重大变化，大幅提高了金融资源对实体企业服务的覆盖率和便利程度(张伟俊等，2021；盛斌和王浩，2022)[13-14]，进而也势必会影响到企业的投资决策(高雅等，2022)[15]。与此同时，切实提高金融支持实体经济和就业的高质量增长也是当下我国金融市场发展的重要方向，如2021年国务院印发的《“十四五”促进就业规划》强调，要引导金融机构扩大融资，增强企业的就业吸引力。2023年10月底中央金融工作会议首次提出金融强国建设目标，要着力打造现代金融机构和市场体系，疏通资金进入实体经济的渠道，旨在建立一个更加稳定、高效、开放，能够更好地服务于实体经济的金融体系。在此背景下，商业银行物理网点扩张聚集所带来的金融供给改善，会对当下企业劳动力投资效率产生何种影响？在增强金融服务实体经济能力、优化要素资源配置乃至赋能经济高质量发展的过程中，商业银行物理网点扩张发挥了怎样的实际意义？
理论上，商业银行物理网点扩张可能会从信贷可得效应和监督治理效应两个方面影响企业劳动力投资效率。一方面，当银行业垄断程度较高时，出于风险管控和交易成本等方面的考虑，银行通常倾向于根据政府担保和抵押物价值等传统且简便的标准向部分企业发放足额贷款，从而造成多数企业的劳动力投资活动面临融资难融资贵的困境(戴美虹，2022)[16]。商业银行网点扩张使得企业周围可提供信贷服务的银行网点数量大幅上升，这不仅削弱了信贷市场上的“卖方势力”，提高了信贷服务的范围与质量 [14]，还可以有效降低信贷契约签订过程中的交通成本、时间成本及信息收集成本(许和连等，2020)[17]，进而为企业劳动力投资活动的开展提供充足、稳定且低成本的金融支持。另一方面，信息不对称和代理冲突所引发的一系列机会主义行为是企业劳动力投资效率低下的重要因素(Jung等，2014；褚剑和方军雄，2020；卜君和孙光国，2020)[3, 6, 18]。网点的分布扩张有利于增强银行监督债务人的动机和能力，缓解银企间的信息不对称，从而促使企业提高信息披露质量并采取相对谨慎的会计政策，遏制企业内部的机会主义动机(Knyazeva和Knyazeva，2012)[19]，进而最终实现企业劳动力投资效率的提升。
有鉴于此，本文通过网络爬虫和地理编码API技术构建企业层面银行物理网点空间分布数据库，考察商业银行网点扩张带来的金融供给改善对企业劳动力投资效率的影响效应及作用机理。相较于已有文献，本文可能的边际贡献主要体现在如下几个方面：第一，拓展了企业劳动力投资效率影响因素的相关研究。提高劳动力要素的配置效率是当前亟需解决的现实问题，已有文献从财务报告质量[3]、员工待遇[4]、劳动保护[5]、数字化转型[8-9]以及社会信任[10]等视角分析了企业劳动力投资效率的影响因素。本文基于放松银行分支机构市场准入这一政策背景，使用企业层面的银行网点空间分布数据考察商业银行网点扩张所带来的金融供给改善对企业劳动力投资效率的影响效应，并从信贷可得效应和监督治理效应两方面分析二者间的作用路径，从而对该领域的研究进行了补充与拓展。第二，为商业银行网点扩张所带来的金融供给改善效果提供了微观层面的经验证据，深化了对商业银行网点扩张经济效应的理解和认识。目前，学者们主要考察了商业银行网点扩张对企业创新[13]、违规情况[16]、出口贸易转型升级[17]以及出口国内附加值率[14]等产生的积极影响。本文则进一步从微观层面劳动力要素配置的角度，考察了其对提高劳动力投资效率并由此赋能实体经济高质量发展等方面所起的积极作用，对现有研究形成了有益补充。第三，异质性检验将信贷歧视、要素密集度以及市场分割等情景因素纳入商业银行网点扩张与企业劳动力投资效率间关系的分析，通过捕捉商业银行网点扩张影响企业劳动力投资效率更为细致的非对称效果，增加了对商业银行网点扩张引发的金融供给改善经济后果边界条件和约束因素的认识。最后，本文的研究结论具有明确的政策涵义。当前以银行主导的金融体制改革能否增强金融服务实体经济的能力，改善信贷供给环境以满足实体企业投资和高质量发展需求，直接关系到“两个大局”目标的实现。特别地，劳动力要素的高效配置对于经济复苏以及社会幸福指数的提升都有极其重要的影响。本文揭示了商业银行网点扩张所带来的金融供给改善在优化微观企业劳动力资源配置中的重要意义，有助于为进一步深化金融供给侧结构性改革并由此推动实体经济高质量发展提供重要的理论依据和政策参考。
二、 理论分析与研究假设
物理网点作为银行提供信贷业务及其他金融业务的基础性金融服务设施和载体，其地理分布决定了实体企业在空间和时间维度上获得金融供给服务的可能性和便利程度[12]，是增强金融服务实体经济能力的重要支撑[14]。放松银行分支机构市场准入引起的商业银行异地扩张改变了银行网点的空间分布结构，具体表现为银行业竞争程度更加激烈和市场化以及银企间物理距离的缩短[16-17]，并最终可能为企业劳动力投资活动创造更加有利的金融供给环境。基于现有理论和研究基础，我们将从信贷可得效应与监督治理效应两个方面论述商业银行物理网点扩张对企业劳动力投资效率的正向促进作用。
（一） 基于信贷可得效应的路径分析
商业银行网点扩张能够提升信贷资源的可得性，降低企业融资约束和融资成本，进而提高劳动力投资效率。虽然相对于资本支出，劳动力投资的调整成本较低，但由于存在高昂的招聘、培训等成本[3-4]，劳动力报酬具有准固定成本的属性。此外，劳动力报酬需要企业按期支付的特征也和收入的波动性形成鲜明对比[10]，这就造成了企业难以仅凭内源融资来支持劳动力投资活动的开展，而是需要有适当的外部融资来弥补。换言之，能否以较低成本获取充足且稳定的信贷资源，是企业实现最优劳动雇佣规模的关键。然而现实情况却是，出于借贷风险和交易成本的考量，以银行为代表的金融机构通常会选择向有政府担保、抵押物价值较高等少数企业提供长期稳定的信贷资源[11]。对于其他企业，银行则更倾向于通过短期债务的方式提供有限且不稳定的资金(新夫等，2018)[20]，这一融资现象导致许多企业无法获取到足够满足自身发展的信贷资本，从而受制于工资-现金流错配以及雇佣固定成本等经营难题，无法根据市场需求保持最优的劳动雇佣规模。
进一步来看，商业银行物理网点扩张促使企业周围可以提供金融供给服务的银行网点数量增多，造成企业周围信贷供给竞争环境加剧和银企间的距离缩短，对企业信贷资源的获取产生了积极影响[14]。一方面，市场竞争程度的上升意味着有更多银行参与信贷活动，这不仅直接提高了信贷供给总量，让更多企业获得信贷资源[12]，还可以帮助企业摆脱依赖少数银行的融资困境，使多方借贷业务的开展成为可能(Allen等，2005)[21]。同时，为了在激烈的竞争中获取更多优势，银行会进一步通过改变信贷筛选条件、延长信贷期限以及降低信贷利率等方式吸引和争夺企业客户(Amore等，2013；方芳和蔡卫星，2016)[22-23]。此时，信贷资源不再仅依赖于政府担保和抵押物价值等传统标准进行分配，银行会主动考虑不同经济主体的发展前景、经营情况以及真实需求，提高信贷服务的范围和质量，更好地实现资金供给端与各个需求方的匹配(范润和翟淑萍，2023)[24]，最终使企业更容易获得稳定且充足的外部融资支持，缓解因融资约束所引发的劳动力投资失衡现象。另一方面，银企距离直接影响到银行信贷供给的成本和意愿。Knyazeva和Knyazeva(2012)[19]、Skrastins和Vig(2019)[25]的研究指出，为了规避风险和距离产生的负面影响，银行更倾向于给近距离的企业提供金融服务和较低的贷款利率，且当有远距离信贷业务发生时，银行通常也会将这些交易成本以更高的贷款利率等形式转嫁至借款人身上。沿袭这一逻辑，我们认为银企距离的缩短不仅可以直接提高银行供给信贷资金的意愿，还能降低信贷契约签订过程中发生的交通成本、时间成本和信息收集成本[17]，从而进一步体现为企业在调整劳动力雇佣规模时外部融资成本的下降，有效缓解企业因融资难、融资贵而导致的劳动力投资受限问题。
（二） 基于监督治理效应的路径分析
商业银行网点扩张能够化银行债权对企业的治理效应，遏制管理层的机会主义行为，进而提高劳动力投资效率。现有研究表明，由信息不对称或代理冲突所引发的一系列机会主义行为是阻碍企业劳动力投资效率提升的重要因素[18]。具体而言，当企业内部的信息透明度较差或委托代理问题较为严重时，债权人、股东等企业利益相关者难以对管理层的投资决策进行有效的辨别和监督，进而可能为管理层的自利行为创造条件[8]，导致管理层做出的投资决策偏离最优配置水平，降低了企业劳动力投资效率。例如，管理层可能会通过与相关员工签订长期合同以及大幅提高员工福利待遇等方式构建“私人商业帝国”，导致企业出现劳动力过度投资现象[1]；或是出于应对短期业绩压力、逃避经营责任以及追求安逸生活的动机而放弃部分前景较好的劳动力投资机会，造成劳动力投资不足现象(Ghaly和Dang，2020)[26]。
根据债务契约理论，债权人通过负债条款和外部监督对企业管理层行为形成治理，从而能减少企业内部的代理冲突，提高投资活动开展的效率(Harvey等，2004)[27]。一方面，在垄断市场，由于市场竞争压力较小，银行对借款企业的资质审查通常并不全面，更加偏好于依赖政府担保和抵押物价值等传统且简便的标准评估是否发放贷款[24]。而随着银行竞争程度的上升，出于风险规避、保障当前市场份额以及谋求长期稳定发展的考虑，银行在给予信贷优惠的同时，有更强的动机和能力对借款企业的风险状况进行甄别，实现信贷业务质量的显著提升[12]。在这一过程中，企业想要保障信贷资源获取的可持续性，必须满足银行更为严苛的信贷审查要求，这会促使企业采取相对谨慎的会计政策，提高信息披露质量，遏制其内部的机会主义动机[20]。另一方面，银企距离的缩短提高了双方见面的频率和深度，银行能够以相对较低的成本获取企业更多的真实信息(尤其是具有本地化属性的“软信息”)，从而强化其对企业贷后资金合理使用的控制力度，更有效地识别并遏制企业的道德风险与机会主义行为[17, 19]，促进企业提升劳动投资效率。
基于上述分析，本文提出如下假设：
假设1：商业银行网点扩张程度越高，企业劳动力投资效率越高;
假设2：商业银行网点扩张通过信贷可得效应和监督治理效应提高了企业劳动力投资效率。
三、 研究设计
（一） 样本选择与数据来源
本文以沪深A股上市公司2007—2021年度数据为研究对象，并参考孔东民等(2020)[5]、李小荣等(2021)[1]的做法，剔除ST类以及期间退市、金融保险类企业，剔除总资产为0、流动负债为负、长期负债为负以及杠杆大于1的企业，剔除员工数小于30以及主要变量缺失的企业，最终得到25 799个观测值。其中企业财务与治理数据来自CSMAR和WIND数据库；核心解释变量“企业周边银行物理网点数量”数据源自银保监会披露的金融许可证发布系统，利用网络爬虫结合高德地图地理编码API抓取企业和商业银行网点层面的经纬度，进而统计得到企业办公地点一定范围内商业银行网点的数量。为避免极端值的影响，对所有连续变量在1%和99%的水平上进行了缩尾处理。
（二） 主要变量的定义与测度
1. 被解释变量：企业劳动力投资效率(LIE)
劳动力投资效率体现为企业在劳动力投资与最优水平之间的偏离度。Jung等(2014)[3]采用净雇佣员工数衡量企业的劳动力投资规模，这一做法忽略了企业规模对劳动力雇佣行为的影响。本文借鉴孔东民等(2020)[5]、卜君和孙光国(2020)[18]的做法，以每单位规模实际雇佣员工数与预期员工数之差衡量企业劳动力投资偏离预期值的程度①。具体如模型(1)所示：
① 稳健起见，文中按照Jung等(2014)[3]、褚剑和方军雄(2020)[6]等主流文献的做法对劳动力投资效率重新进行测度，结论依旧成立，具体结果见后文的稳健性检验部分。
$$ { Net_Hire }_{i t}=\beta_0+\beta_1 { Sales_growth }_{i t-1}+\beta_2 { Sales_growth }_{i t}+\beta_3 \Delta { ROA }_{i t}+\beta_4 { ROA }_{i t}+\beta_5 { ROA }_{i t-1}+\beta_6 { Return }_{i t}+\\ \beta_7 Size_{ {it }-1}+\beta_8 \Delta { Quick }_{ {it }}+\beta_9 { Quick }_{ {it }}+\beta_{10} { Quick }_{ {it }-1}+\beta_{11} { Lev }_{i t-1}+\beta_{12} { Lossbin } 1_{i t-1}+\\ \beta_{13} { Lossbin }_{i t-1}+\beta_{14} { Lossbin }_{i t-1}+\beta_{15} { Lossbin }_{i t-1}+\beta_{16} { Lossbin5 }_{i t-1}+ { Year }+ { Industry }+\varepsilon_{i t} $$ (1) 其中，Net_Hire为员工变动率，采用当年企业员工人数与年个股总市值之比的变动来衡量；Sale_growth为营业收入增长率，ROA为净资产收益率，Return为年度股票收益率，Size_R为市值的自然对数；Quick为速动比率，采用现金、短期投资以及应收账款之和与流动负债之比来衡量；Lev为资产负债率；Lossbin为依据ROA从0~-0.025区间段内，以0.005为间隔单位划分的变量，若ROA的区间范围从0~-0.005，则Lossbin1取值为1，否则为0，若Roa的区间范围从-0. 005~-0.01，则Lossbin2取值为1，否则为0，以此类推得到Lossbin 3-5的值。模型(1)回归得到的残差绝对值即为企业劳动力投资效率的反向指标，绝对值越大，代表企业劳动力配置呈现过度或不足的非效率现象越严重。
2. 解释变量：商业银行网点扩张(Bank)
借鉴盛斌和王浩(2022)[14]、申明浩和谭伟杰(2023)[28]的做法，通过中国银保监会披露的金融许可证信息查询系统构建企业层面银行物理网点空间分布数据库。具体步骤如下：第一，银保监会官网发布了自1949年以来全国20多万家各类商业银行物理网点详细的金融许可证信息，包括金融机构名称、机构编码、批准成立日期及地址等。据此可获知每年现存的银行网点地理位置信息，然后利用网络爬虫结合高德地图地理编码API得到每个银行网点具体的经纬度数据。第二，基于国泰安数据库中的上市企业地址信息重复上述操作，得到企业具体的经纬度数据，进而计算得出各商业银行网点与每个样本企业之间的地理距离。第三，考虑到政策性银行一般不发放商业贷款以及银行业务的地理分割性特征，参考李志生和金凌(2021)[12]的做法，剔除政策性银行以及银行与企业在不同地级市的数据，再以企业为圆心，统计相应范围内其周围银行网点的数量，以此衡量商业银行网点扩张的程度。学者们研究发现，商业银行对企业的影响存在一定的“阈值半径”，即随着距离范围的扩大，该变量会涵盖更多的混杂因素，难以对企业的生产经营活动产生显著影响。参考现有文献将“阈值半径”多限定在16~20公里的做法[13, 22, 25]，分别统计出企业周边5公里、10公里、15公里和20公里范围内银行网点数量(Bank_5、Bank_10、Bank_15和Bank_20)，并进行对数化处理。
3. 控制变量
参照既有文献做法，选取如下控制变量：企业规模(Size，总资产的自然对数)、资产负债率(Lev，总负债与总资产的比值)、企业成长性(Tobin_Q，市值与总资产的比值)、固定资产占比(Tangible，固定资产净额与总资产的比值)、员工人数波动性(Std_Labor，t-1到t-3年员工人数标准差的自然对数)、营业收入波动性(Std_Sales，t-1到t-3年营业收入标准差的自然对数)、现金流波动性(Std_CFO，t-1到t-3年经营现金流量标准差的自然对数)、劳动人数比例(Labor，员工人数与总资产的比值并乘以调整系数105)、企业年限(Age，当年减去企业成立年份后加1的自然对数)、股权集中度(Top，第一大股东持股数与总股本的比值)、董事会规模(Board，董事会总人数的自然对数)以及独立董事占比(Indep，独立董事人数与董事会人数的比值)。同时进一步控制了年份(Year)、行业(Industry)以及城市(City)固定效应。
（三） 模型构建
构建模型(2)以检验商业银行网点扩张对企业劳动力投资效率的影响。
$$ L I E_{i t}=\alpha_0+\alpha_1 { Bank }_{i t}+\gamma { Controls }_{i t}+ { Year }+ { Industry }+ { City }+\varepsilon_{i t} $$ (2) 模型(2)中重点关注α1系数的符号和显著性。由于LIE为反向指标，若假设H1成立，则α1应显著小于0，即商业银行网点扩张程度越高，企业实际劳动力投资与预期劳动力投资差额越低，劳动力投资越有效。
（四） 描述性统计
主要变量的描述性统计结果见表 1。样本期间内LIE的均值和中位数分别为0.304 5、0.216 1，标准差为0.363 8，表明每单位规模实际雇佣员工数与预期员工数之差的均值约为305人，中位数约为216人。该统计结果与孔东民等(2020)[5]、卜君和孙光国(2020)[18]及李小荣等(2021)[1]的研究结论基本一致。Bank5、Bank10、Bank15以及Bank20的均值分别为4.434 9、5.418 9、5.916 2以及6.228 5，表明随着企业周边距离半径的扩大，商业银行网点数量逐渐上升，这一结论符合现实情况，同时也意味着企业周边普遍存在多个银行类金融机构，竞争较为激烈[12]。
表 1 描述性统计变量 样本数 均值 标准差 1/4分位数 中值 3/4分位数 LIE 25 799 0.304 5 0.363 8 0.120 8 0.216 1 0.330 0 Bank_5 25 799 4.434 9 1.443 1 3.465 7 4.499 8 5.598 4 Bank_10 25 799 5.418 9 1.288 2 4.521 8 5.463 8 6.445 7 Bank_15 25 799 5.916 2 1.213 4 5.068 9 6.001 4 6.846 9 Bank_20 25 799 6.228 5 1.153 4 5.425 0 6.363 0 7.083 4 Size 25 799 22.260 4 1.293 0 21.368 0 22.096 8 22.997 0 Lev 25 799 0.454 3 0.203 3 0.298 5 0.451 3 0.601 7 Tobin_Q 25 799 2.169 4 1.469 4 1.257 0 1.699 3 2.493 1 Tangible 25 799 0.239 3 0.168 4 0.107 6 0.204 6 0.338 3 Std_Labor 25 799 5.274 9 1.537 4 4.283 0 5.279 3 6.268 9 Std_Sales 25 799 19.531 1 1.581 3 18.461 9 19.437 6 20.497 9 Std_CFO 25 799 18.617 7 1.406 9 17.673 2 18.515 7 19.451 7 Labor 25 799 0.076 0 0.068 4 0.031 3 0.056 8 0.096 6 Age 25 799 2.390 7 0.559 1 1.945 9 2.484 9 2.833 2 Top 25 799 0.339 3 0.148 0 0.223 6 0.316 4 0.440 1 Board 25 799 2.256 3 0.180 9 2.079 4 2.302 6 2.302 6 Indep 25 799 0.373 7 0.053 6 0.333 3 0.333 3 0.428 6 四、 实证结果与分析
（一） 基准回归结果
表 2报告了以企业周边5~20公里范围内商业银行网点扩张程度与企业劳动力投资效率的回归结果。Bank_5、Bank_10、Bank_15和Bank_20的系数均在1%的水平下显著为负，表明企业周围商业银行物理网点数量越多，其劳动力投资效率越高。经济意义方面，以第(2)(4)列的回归结果为例，企业周围10公里和20公里范围商业银行网点分布数量每变动1单位标准差(1.288 2/1.153 4)，企业劳动力投资效率将分别提高2.62%和3.20%。由此可见，无论是从统计意义还是从经济意义来看，商业银行网点扩张均对企业劳动力投资效率产生了显著的积极影响，假设1成立①。
① 为节省篇幅，后文均采用企业周边10公里和20公里半径内商业银行网点数量作为商业银行网点扩张的代理变量，不再列示5公里和15公里半径内商业银行网点数量的检验结果。
表 2 商业银行网点扩张对企业劳动力投资效率的影响效应变量 (1) (2) (3) (4) Bank_5 -0.005***(0.002) Bank_10 -0.007 4***(0.002) Bank_15 -0.007 9***(0.003) Bank_20 -0.010 1***(0.003) Size 0.018 1***(0.005) 0.018 2***(0.005) 0.018 1***(0.005) 0.018 1***(0.005) Lev 0.121 4***(0.015) 0.121 1***(0.015) 0.120 8***(0.015) 0.120 7***(0.015) Tobin_Q 0.009 1***(0.002) 0.009 1***(0.002) 0.009 1***(0.002) 0.009 1***(0.002) Tangible -0.058 3***(0.018) -0.059 6***(0.018) -0.059 7***(0.018) -0.060 2***(0.018) Std_Labor -0.011 7***(0.003) -0.011 7***(0.003) -0.011 7***(0.003) -0.011 7***(0.003) Std_Sales -0.001(0.003) -0.001(0.003) -0.001(0.003) -0.001(0.003) Std_CFO -0.007 8***(0.003) -0.008 ***(0.003) -0.008***(0.003) -0.008***(0.003) Labor 0.115 8*(0.060) 0.115 8*(0.060) 0.115 6*(0.060) 0.115 5*(0.060) Age 0.006 6(0.005) 0.006 6(0.005) 0.006 1(0.005) 0.005 9(0.005) Top 0.003 1(0.017) 0.003 8(0.017) 0.003 4(0.017) 0.003 5(0.017) Board -0.059 9***(0.018) -0.060 0***(0.018) -0.060 1***(0.018) -0.060 4***(0.018) Indep -0.071 3(0.050) -0.070 9(0.050) -0.072 0(0.050) -0.072 7(0.050) Year 是 是 是 是 Industry 是 是 是 是 City 是 是 是 是 N 25 779 25 779 25 779 25 779 Adj.R2 0.214 9 0.215 0 0.215 0 0.215 1 注：* * *、* *、*分别表示在1%、5%和10%的显著性水平，括号内的值为经企业层面聚类调整得到的标准误。若无特殊说明，被解释变量为企业劳动力投资效率(LIE)。下表同。 （二） 稳健性检验
1. 工具变量法
商业银行网点扩张对企业劳动力投资效率的影响可能存在互为因果关系而导致内生性问题，即劳动力投资效率较高的企业可能会吸引更多的商业银行入驻。借鉴杨刚等(2021)[29]的研究思路，采用当年上市公司所在省份其他城市的商业银行网点数量的均值(Bank_M)作为商业银行网点扩张的工具变量进行稳健性检验②。特别地，基于同省份其他城市构建的银行网点分布数量的均值，不仅与该企业周围商业银行网点扩张程度呈现较高的相关性，也和该企业的劳动力投资效率无直接关系，在逻辑上满足工具变量的合理性。从表 3来看，在第一阶段回归中，Bank_M的回归系数均在1%水平上正向显著，且弱工具变量检验F值分别为148.609和413.272，显著拒绝弱工具变量检验的原假设；在第二阶段回归中，Bank_10和Bank_20的回归系数均在1%水平上负向显著，表明控制了潜在内生性问题后，商业银行网点扩张仍然能显著提高企业劳动力投资效率。
② 为保证前后变量衡量方式的统一性和系数的可观测性，对该均值进行了对数化处理。
表 3 工具变量检验回归结果变量 (1) (2) (3) (4) Bank_10 LIE Bank_20 LIE Bank_M 0.211 6***(0.017) 0.276 7***(0.014) Bank_10 -0.092 9***(0.028) Bank_20 -0.071 1***(0.021) Control 是 是 是 是 Year 是 是 是 是 Industry 是 是 是 是 City 是 是 是 是 N 25 779 25 779 25 779 25 779 Adj.R2 0.444 9 0.163 8 0.574 2 0.198 9 弱工具变量检验F值 148.609 413.272 2. 地理边界断点回归法
借鉴张伟俊等(2021)[13]的做法，采用地理边界断点回归(Boundary Discontinuity，BD)方法再次进行实证估计。理论上，距离同一地理边界较近的企业存在极为相似的地理条件，例如受地理环境和历史发展等因素的影响，部分地区具有自然资源丰富、交通便捷以及劳动力充足等多重优势，既便于企业生产经营以及雇佣劳动力，又能吸引商业银行入驻乃至聚集，二者对企业劳动力投资效率均会产生直接影响，导致企业劳动力投资效率变化并不全然是商业银行物理网点扩张引起的，可能还有遗漏变量和反向因果等因素的干扰。在运用BD方法控制同一条地理边界后，由于企业彼此间的地理位置非常相近，故此可近似认为因地理因素引起的不可控制因素被消除，从而可克服由此导致的内生性问题。本文通过地理编码API技术获取每家企业和地级市行政边界多边形的经纬度信息并计算其球面距离，选取其中最短的距离表示边界距离。在断点回归中，主要选择了距离地理边界10公里、15公里以及20公里的企业样本进行实证检验，结果如表 4所示。可以看出，Bank_10和Bank_20的回归系数均显著为负，表明在利用地理边界断点回归方法进一步控制由地理条件等因素而产生的内生性问题后，研究结论依旧成立。
表 4 地理边界断点回归结果变量 (1) (2) (3) (4) (5) (6) 10 km内 15 km内 20 km内 Bank_10 -0.011 5**(0.005) -0.009 6**(0.004) -0.011 9***(0.004) Bank_20 -0.015 7**(0.006) -0.015 0***(0.006) -0.017 3***(0.005) Control 是 是 是 是 是 是 Year 是 是 是 是 是 是 Industry 是 是 是 是 是 是 City 是 是 是 是 是 是 N 9 031 9 031 10 632 10 632 13 294 13 294 Adj.R2 0.224 4 0.224 5 0.222 8 0.223 0 0.233 3 0.233 5 3. 安慰剂检验
参考高雅等(2023)[15]的研究思路进行安慰剂检验。本文将样本数据集的所有企业-年度观测值中Bank_10和Bank_20变量的取值全部提取，再将这些数值逐个随机地分配到每一个企业-年度观测值中，最后重新对模型(2)进行回归检验。如果安慰剂效应确实存在，那么受未被觉察到的研究设计局限性的驱动，处理后核心解释变量的回归系数依旧负向显著。表 5(1)(2)列报告的检验结果表明，Bank_10和Bank_20的回归系数不显著，与基准回归结果存在明显差异，说明安慰剂效应不存在，从而验证了研究结论的稳健性。
表 5 安慰剂检验和更换变量衡量方式的回归结果变量 (1) (2) (3) (4) (5) (6) LIE LIE1 LIE2 Bank_10 0.000 1(0.001 6) -0.005 5***(0.002) -0.006 3***(0.002) Bank_20 -0.000 9(0.001 8) -0.008 5***(0.003) -0.009 2***(0.003) Control 是 是 是 是 是 是 Year 是 是 是 是 是 是 Industry 是 是 是 是 是 是 City 是 是 是 是 是 是 N 25 779 25 779 25 779 25 779 25 779 25 779 Adj.R2 0.214 6 0.214 6 0.176 0 0.176 2 0.056 9 0.0 57 1 4. 更换变量衡量方式
借鉴Jung等(2014)[3]、褚剑和方军雄(2020)[6]的研究，采用净雇佣员工数量、支付给职工以及为职工支付的现金与总资产之比作为企业劳动力投资情况的代理变量，并利用模型(1)重新估计企业劳动力投资效率，分别记为LIE1和LIE2。表 5第(3)至(6)列的回归结果显示，在更换变量衡量方式之后，Bank_10和Bank_20回归系数的符号和显著性并未发生明显变化，说明结论依然成立。
5. 更换样本
首先，为发挥金融集聚对经济增长的助推作用，以省会城市为代表的部分地区逐渐兴起“金融中心”建设浪潮，导致信贷资源在部分地区的集中度不断攀升(陶锋等，2017)[30]。据中国(深圳)综合开发研究院发布的第十四期“中国金融中心指数”显示，以省会城市为主体的36个金融中心城市所拥有的金融机构总资产规模占全国的比重超过75%，其中银行业机构总资产占全国76%，保险业机构总资产占全国94%。同样地，以本文中企业周边10公里和20公里范围内商业银行网点物理分布数量的均值为例，省会城市的样本均值分别为705.02和1 377.16，而其他地级市的样本均值仅为206.35和406.61，进一步支持了金融资源不断向“金融中心”城市集聚的特征事实。那么，商业银行物理网点扩张对企业劳动力投资效率的促进作用是否由“金融中心”的异常样本驱动？为回答此问题，参考盛斌和王浩(2022)[14]的做法，将位于省会城市的样本剔除后重新对模型(2)进行估计，结果如表 6第(1)(2)列所示。可以发现，Bank10和Bank20的回归系数均负向显著，表明本文的回归结果没有受到“金融中心”异常样本的影响。其次，当外部不确定性上升时，企业会倾向于选择持有充足现金，延缓投资并规避风险[18]，进而干扰实证结果。剔除受到金融危机(2008年)和新冠疫情(2020—2021年)影响的样本后重新进行回归，第(3)(4)列的结果显示，Bank_10和Bank_20回归系数均显著为负，表明核心结论不变。最后，将样本窗口延长至2022年后重新进行回归，第(5)(6)列的结果显示基准回归结论未发生明显变化。
表 6 更换样本的回归结果变量 (1) (2) (3) (4) (5) (6) Bank_10 -0.007 3**(0.003) -0.010 5***(0.003) -0.006 8***(0.002) Bank_20 -0.011 5***(0.004) -0.014 1***(0.004) -0.009 8***(0.003) Control 是 是 是 是 是 是 Year 是 是 是 是 是 是 Industry 是 是 是 是 是 是 City 是 是 是 是 是 是 N 15 279 15 279 18 751 18 751 28 611 28 611 Adj.R2 0.219 6 0.219 8 0.048 9 0.049 0 0.201 8 0.201 9 （三） 作用路径分析
根据前文的理论分析可知，以邻近的银行网点数量为代表的金融供给改善程度可能会通过信贷可得效应和监督治理效应两条路径影响企业的劳动力投资效率。一方面，商业银行网点扩张深刻地改变了我国金融基础设施的市场结构和空间分布，扩大了企业信贷资源的触达范围，为更多企业的劳动力投资活动提供了充足且稳定的金融支持，有效缓解了工资-现金流错配以及雇佣固定成本等经营难题，促进了企业劳动力投资效率的提升；另一方面，商业银行网点扩张使得银行这一有效的外部治理机制被充分凸显，在改善银企间信息不对称的同时倒逼企业采取相对谨慎的会计政策，提高信息披露质量，进而在一定程度上遏制了由内部机会主义行为所引发的企业劳动力投资效率低下的情况。参考江艇(2022)[31]以及叶永卫等(2023)[32]的做法，对上述两个可能的影响路径进行检验。
1. 信贷可得效应的路径检验
通常来说，信贷可得性增强的直接表现是企业能够获取到更多的信贷资金(Love和Pería，2015；蔡庆丰等，2020；钟成林等，2023)[33-35]。此时，企业可以自如地利用信贷资金支付招聘、培训以及固定工资等费用，缓解劳动力调整过程中产生的资金压力。首先，采用企业当年长期借款和短期借款与总负债的比值衡量企业获得的信贷情况(Loan)，结果如表 7中Panel A第(1)(2)列所示。可以看出，Bank_10和Bank_20的回归系数均在1%水平上显著为正，说明商业银行网点扩张显著提高了企业所获得的信贷资金总量，为信贷可得效应这一潜在路径提供了初步证据。其次，信贷资金获取总量的提升与企业融资的改善程度并不一定呈现正相关关系(姜付秀等，2019)[11]，如果贷款未得到合理配置或在信贷获取过程中需要承担较高的成本，则会阻碍企业的劳动力投资。因此，本文将融资约束(SA)和融资成本(Fcost)作为企业信贷可得效应的另一代表。其中，融资约束采用SA指数衡量，融资成本等于财务费用除以总负债。Panel A(3)至(6)列的回归结果显示，Bank_10和Bank_20的回归系数均显著为负，表明商业银行网点扩张有助于降低企业的融资约束和融资成本。最后，劳动力雇佣需要企业按月按年支付工资，这对企业现金流的平稳性提出了极高的要求，由此商业银行网点扩张是否能够为企业提供稳定、持续的外部资金支持，进而降低企业现金流的波动程度就显得尤为重要。为验证该猜想，我们采用现金流及现金等价物净增加额占总资产比重的5年滚动标准差(CU)来反映现金流波动程度。Panel A(7)(8)列的回归结果显示，Bank_10和Bank_20的回归系数均显著为负，说明商业银行网点扩张有助于降低企业现金流的波动程度，从而保障了企业劳动力成本支付的稳定性。上述结果意味着商业银行网点扩张确实有助于提高企业的信贷可得性，进而促进企业劳动力投资效率的提升①。
① 考虑到信贷可得效应缓解的主要是企业劳动力投资不足，我们将表 8中的结果在劳动力投资不足的样本中重新进行了回归，结果依旧显著。
表 7 路径检验：信贷可得效应与监督治理效应Panel A：信贷可得效应 变量 (1) (2) (3) (4) (5) (6) (7) (8) Loan SA Fcost CU Bank_10 0.009 1*** -0.005 6*** -0.001 2*** -0.003 2* (0.003) (0.001) (0.000) (0.002) Bank_20 0.011 8*** -0.007 4*** -0.001 6*** -0.005 0** (0.004) (0.002) (0.000) (0.002) Control 是 是 是 是 是 是 是 是 Year 是 是 是 是 是 是 是 是 Industry 是 是 是 是 是 是 是 是 City 是 是 是 是 是 是 是 是 N 25 799 25 799 25 799 25 799 25 779 25 779 19 805 19 805 Adj.R2 0.315 6 0.315 7 0.500 2 0.500 3 0.199 2 0.199 3 0.210 3 0.210 7 Panel B：监督治理效应 变量 (1) (2) (3) (4) Agency_Cost Opacity Bank_10 -0.0170**(0.008) -0.0032*(0.002) Bank_20 -0.0248**(0.010) -0.0041**(0.002) Control 是 是 是 是 Year 是 是 是 是 Industry 是 是 是 是 City 是 是 是 是 N 25 620 25 620 25 593 25 593 Adj.R2 0.432 6 0.432 8 0.029 7 0.029 7 2. 监督治理效应的路径检验
结合前文分析以及相关文献，委托代理问题严重和信息透明度低是企业机会主义动机的直接表现 [15, 24]。因此，借鉴黄卓等(2023)[36]的做法，利用主成分分析法整合管理费用率、总资产周转率、高管在职消费和其他应收款规模构建综合指标(Agency_Cost)以及上市公司操控性应计项目绝对值占总资产的比例(Opacity)来衡量企业机会主义动机。表 7中Panel B的回归结果显示，Bank_10和Bank_20的回归系数均显著为负，从而验证了商业银行网点扩张确实能够发挥监督治理效应，遏制管理层的机会主义动机，进而促进企业劳动力投资效率的提升。
综合上述分析，信贷可得效应和监督治理效应得证。
五、 异质性分析与进一步讨论
（一） 异质性分析
1. 基于产权和抵押物的异质性分析
我国的信贷资源在配给过程中存在一定程度的“产权歧视”和“抵押物歧视”[34]，大量信贷资源聚集于国有企业和抵押物价值较高的企业，其他企业则面临融资难、融资贵以及资金短缺的困境，信贷资源配置呈现两极分化。而本文强调，商业银行网点扩张能够有效提高信贷服务的范围与质量，进而为更多企业提供优质信贷资金，缓解其劳动力投资过程中融资难、融资贵以及外部监督缺失等问题。因此，商业银行网点扩张对民营企业和抵押物价值低企业的劳动投资效率的影响理应更为凸显。
首先，我们按照企业所有权性质将样本划分为国有企业和民营企业，分组回归结果见表 8第(1)至(4)列。其次，参考叶永卫等(2023)[32]的做法，采用企业有形资产占总资产的比例度量企业的抵押品丰裕程度，并按照年度-行业中位数进行分组，结果见第(5)至(8)列。不难发现，Bank_10和Bank_20的回归系数在民营企业和抵押物价值低的企业中显著为负，但在国有企业和高抵押物企业中显著性水平下降，且前者系数绝对值远大于后者。说明商业银行网点扩张较好地克服了信贷资源配给过程中的“产权歧视”和“抵押物歧视”问题，民营企业和抵押物价值较低的企业其劳动投资效率有了显著上升。
表 8 基于产权和抵押物的异质性分析变量 (1) (2) (3) (4) (5) (6) (7) (8) 民营企业 国有企业 抵押物价值低企业 抵押物价值高企业 Bank_10 -0.0083** -0.0033 -0.0089*** -0.0055* (0.003) (0.004) (0.003) (0.003) Bank_20 -0.0103** -0.0055 -0.0128*** -0.0060 (0.004) (0.005) (0.005) (0.004) Control 是 是 是 是 是 是 是 是 Year 是 是 是 是 是 是 是 是 Industry 是 是 是 是 是 是 是 是 City 是 是 是 是 是 是 是 是 N 13 925 13 925 11 854 11 854 12 812 12 812 12 967 12 967 Adj.R2 0.1415 0.1415 0.2886 0.2886 0.1847 0.1849 0.2579 0.2579 Fisher检验 -0.005*** -0.005*** -0.003* -0.007*** 注：Fisher组合检验的经验p值均通过抽样500次获取，下同。 2. 基于劳动密集度的异质性分析
在要素密集程度不同的企业，企业劳动力的配置行为也会有所不同。一方面，与资本密集型企业相比，劳动密集型企业通常会开展更多且更大规模的劳动投资，其人工成本占比和劳动力调整成本均较高(陶欣欣等，2022)[37]。因此，劳动密集型企业更需要大量且低成本的外部信贷资源来支持其开展劳动力投资业务。另一方面，在劳动密集型企业中，较高的劳动力调整压力也为管理者无法实现预期业绩目标提供了借口，管理者拥有更多机会通过缩减劳动力投资或利用私人劳动力建设“商业帝国”以谋求自身利益。基于此，我们认为商业银行网点扩张对劳动密集型企业的劳动投资效率的影响可能更强。借鉴周冬华和万贻健(2023)[8]的研究，采用员工人数和营业收入的比例来衡量企业的劳动密集程度，并按照年度-行业中位数进行分组估计，结果如表 9第(1)至(4)列所示。可以发现，Bank_10和Bank_20的回归系数在劳动密集型企业中显著为负，但在资本密集型企业中并未通过显著性检验，且前者系数绝对值远大于后者，说明商业银行网点扩张对企业劳动力投资效率的提升效应在劳动密集型样本中更加明显，与我们的推测一致。
表 9 基于劳动密集度和市场分割程度的异质性分析变量 (1) (2) (3) (4) (5) (6) (7) (8) 劳动密集型企业 资本密集型企业 市场分割程度低 市场分割程度高 Bank_10 -0.011 6*** -0.000 9 -0.009 5*** -0.005 2 (0.003) (0.004) (0.003) (0.003) Bank_20 -0.014 7*** -0.002 7 -0.013 3*** -0.007 5* (0.004) (0.005) (0.004) (0.004) Control 是 是 是 是 是 是 是 是 Year 是 是 是 是 是 是 是 是 Industry 是 是 是 是 是 是 是 是 City 是 是 是 是 是 是 是 是 N 12 810 12 810 12 969 12 969 12 841 12 841 12 938 12 938 Adj.R2 0.231 7 0.231 7 0.205 5 0.205 5 0.093 9 0.094 1 0.264 1 0.264 1 Fisher检验 -0.011*** -0.012*** -0.004*** -0.006*** 3. 基于市场分割程度的异质性分析
改革开放以来，地方政府为扩大和巩固本地经济规模所采取的一个重要策略便是通过行政干预手段限制本地资源跨区域流动，由此导致严重的市场分割。而市场分割往往会对企业劳动力配置行为形成负向冲击，阻碍商业银行网点扩张对企业劳动力投资效率的提升效应：一方面，从劳动力供给角度来看，市场分割极大地限制了劳动力的跨区域、跨行业流动，降低了一定区域范围内劳动力技能的互补性和人力资本结构的多样性，导致地区间企业劳动力资源配置不均衡，产生劳动力投资效率低下等问题。另一方面，在市场分割较为严重的情况下，地方政府具有强烈的动机干预信贷资源的分配，信贷配置方式更多体现为政府偏好而不是遵从效率原则，从而削弱了商业银行网点扩张所带来的金融供给改善程度[14]。
为验证这一猜想，本文采用“冰山成本”理论开发的价格指数法来衡量各地区间的市场分割程度，按照年度中位数进行分组估计，结果如表 9第(5)至(8)列所示。Bank_10和Bank_20的回归系数在处于市场分割程度低地区的企业中显著为负，但在处于市场分割程度高地区的企业中显著性水平下降，且前者系数绝对值远大于后者。这些结果充分说明，商业银行网点扩张对企业劳动力投资效率的促进程度随着市场分割程度的加深而有所减弱。
4. 区分雇佣和解雇行为
企业的劳动力投资决策包括雇佣与解聘两类，那么商业银行网点扩张程度对企业劳动投资效率的影响是通过哪种行为而实现？参考褚剑和方军雄(2020)[6]、陶欣欣等(2022)[37]的做法，将样本区分为劳动投资过度(雇佣冗余和解雇不足)和劳动投资不足(雇佣不足和解雇过度)。具体而言，在劳动力投资过度时，预期员工变动率为正，表示雇佣冗余；预期员工变动率为负，表示解雇不足。在劳动力投资不足时，预期员工变动率为正，表示雇佣不足；预期员工变动率为负，表示解雇过度。将这四个变量分别代入模型(2)，结果如表 10所示。可以发现，在解雇不足和雇佣不足组，解释变量Bank_10和Bank_20的回归系数均显著为负，而在雇佣冗余和解雇过度组，解释变量Bank_10和Bank_20的回归系数均不显著，即商业银行网点扩张对企业劳动力投资效率的影响主要通过减少解雇不足和雇佣不足来实现。
表 10 区分雇佣和解雇行为的异质性分析变量 (1) (2) (3) (4) (5) (6) (7) (8) 雇佣冗余 解雇不足 雇佣不足 解雇过度 OverLI UnderLI Bank_10 -0.011 5 -0.017 1** -0.006 9*** 0.000 7 (0.009) (0.008) (0.002) (0.002) Bank_20 -0.014 6 -0.018 3** -0.011 0*** -0.000 1 (0.012) (0.009) (0.002) (0.002) Control 是 是 是 是 是 是 是 是 Year 是 是 是 是 是 是 是 是 Industry 是 是 是 是 是 是 是 是 City 是 是 是 是 是 是 是 是 N 5 588 5 588 2 474 2474 12 718 12 718 4 999 4 999 Adj.R2 0.229 3 0.229 3 0.058 5 0.058 4 0.088 7 0.089 8 0.072 8 0.072 8 （二） 进一步讨论
理论上，劳动者通过自身知识和技能的创造性运用促进企业的发展，其不仅是企业发展构想和具体方案的提出者，更是企业经营战略的主导者与实施者。沿袭这一逻辑，一方面，较高的劳动力投资效率在企业内部有利于形成积极的团队合作氛围，增强劳动者对企业的认同感和信任度，从而促使其在企业生产经营中付出更大的努力，使各类要素得到最大程度的利用(管考磊，2021)[38]；另一方面，劳动投资高效率的直接表现是减少多余员工的雇佣以及增加对优质员工的雇佣[37]，这不仅有助于实现企业劳动力资源和实际发展目标的匹配，也能够帮助企业减少员工薪酬、社会保险和福利等劳动成本[2]，最终对企业的高质量发展产生积极影响。由此可以推断，商业银行网点扩张理应赋能企业的高质量发展。构建如下模型进行检验：
$$ \begin{gathered} R D_{i t} / T F P_{i t}=\alpha_0+\alpha_1 { Bank }_{i t}+\alpha_2 { Bank }_{i t} \times { LIE }_{i t}+\alpha_3 { LIE }_{i t}+\gamma { Controls }_{i t} \\ + { Year }+ { Industry }+ { City }+\varepsilon_{i t} \end{gathered} $$ (3) 参考丁怡帆等(2022)[39]的研究，采用研发创新(RD)和全要素生产率(TFP)来定义企业的高质量发展。具体地，考虑到不同专利对企业发展的贡献有一定差异，我们将发明专利、实用新型专利和外观设计专利按3∶ 2∶ 1进行权重分配，并用加权总数加1的自然对数作为企业研发创新的代理变量；全要素生产率采用FE法进行测算，本文重点关注模型(3)中交互项Bank×LIE的回归系数。表 11汇报了模型(3)的回归结果，交互项Bank×LIE的回归系数均显著为正，说明商业银行网点扩张通过改善劳动力投资效率促进了企业的高质量发展，具体表现为企业研发创新和全要素生产率的显著提升，这与本文的猜想一致。
表 11 基于企业高质量发展的经济后果检验变量 (1) (2) (3) (4) RD TFP Bank_10 0.023 2(0.022) -0.028 8**(0.012) Bank_20 0.073 1***(0.027) -0.032 0**(0.015) Bank_10×LIE 0.056 6**(0.024) 0.046 4***(0.013) Bank_20×LIE 0.077 9***(0.026) 0.056 1***(0.015) LIE -0.430 9***(0.139) -0.604 5***(0.173) -0.221 4***(0.070) -0.316 7***(0.091) Control 是 是 是 是 Year 是 是 是 是 Industry 是 是 是 是 City 是 是 是 是 N 25 779 25 779 25 779 25 779 Adj.R2 0.512 7 0.513 6 0.721 2 0.721 3 六、 结论与启示
劳动及其蕴含的人力资本是提升企业核心竞争力、促进经济高质量发展的重要源泉。在我国人口红利不断消失、企业用工成本上升的背景下，本文以2007—2021年沪深A股上市公司的相关数据为样本，考察商业银行网点扩张带来的金融供给改善对企业劳动力投资效率的影响效应及作用机理。研究发现：企业周围分布的银行网点数量越多，其劳动力投资效率越高；当企业周围10公里范围和20公里范围内商业银行网点分布数量每变动1单位标准差，企业劳动力投资效率将分别提高2.62%和3.20%。作用路径检验发现，信贷可得效应和监督治理效应是商业银行网点扩张改善企业劳动力投资效率的潜在作用路径。异质性检验发现，商业银行网点扩张对企业劳动力投资效率的影响在民营企业、抵押物价值低的企业、劳动密集型企业以及低市场分割程度地区更加明显。区分雇佣和解雇两种行为，发现商业银行网点扩张对企业劳动力投资效率的影响主要表现为解雇不足和雇佣不足的减少。进一步分析发现，商业银行网点扩张通过改善劳动力要素配置效率提升了企业的研发创新和全要素生产率，实现了对企业高质量发展的赋能作用。
上述研究结论具有重要的启示意义。当前以银行为主导的金融体制改革能否增强金融服务实体经济的能力，支撑中国经济结构的转型升级，是推动我国经济高质量发展和构建新发展格局的关键所在。然而长期以来金融抑制导致的信贷资金供给效率低下，无法有效满足实体企业的投资需求。本文的研究结果表明，商业银行网点扩张所形成的金融供给改善能够显著提高企业的劳动力投资效率，并最终赋能企业的高质量发展。因此：(1)应在强化金融监管的基础上继续稳步有序地推进金融市场化改革，构建多层次、广覆盖、有差异以及高普惠性的金融体系，提升金融机构的覆盖面和金融服务的有效性，以更好地解决企业发展过程中的融资难融资贵、治理效率低下等问题，提高企业的劳动力投资效率。此外，政府应积极规划和引导金融机构合理布局，避免银行无序扩张和扎堆聚集，规避和解决金融市场化改革中的负面经济效应。(2)企业需要认识到劳动力投资效率在高质量发展中的重要性，通过高精尖人才培养、校企合作等方式，应对当下用工成本高等问题，积极提高人力资本水平。本文的研究结论表明，信贷可得性较低和机会主义行为频发是企业劳动力投资低效的重要原因，故而要改善信息披露体系，真实且积极地向金融机构提供发展规划、技术创新等相关信息，使其更好地了解企业的真实经营情况，提高金融机构对企业的资金供给意愿；并要通过完善治理机制来遏制管理层的自利行为，提高企业劳动力投资决策的合理性和精准性。(3)本文研究发现，随着企业产权、抵押物价值、要素密集度以及地区市场分割程度的不同，商业银行网点扩张对企业劳动力投资效率的影响也会发生差异。因此，政府应根据不同企业的资源禀赋以及不同地区的市场发展情况，将服务对象由大水漫灌转向精准滴灌，制定差异化、有针对性的金融供给侧改革政策，以便推动企业间、地域间银行网点的均衡、协调扩张，更好地促使银行等金融机构服务实体经济高质量发展。
-
表 1 描述性统计
变量 样本数 均值 标准差 1/4分位数 中值 3/4分位数 LIE 25 799 0.304 5 0.363 8 0.120 8 0.216 1 0.330 0 Bank_5 25 799 4.434 9 1.443 1 3.465 7 4.499 8 5.598 4 Bank_10 25 799 5.418 9 1.288 2 4.521 8 5.463 8 6.445 7 Bank_15 25 799 5.916 2 1.213 4 5.068 9 6.001 4 6.846 9 Bank_20 25 799 6.228 5 1.153 4 5.425 0 6.363 0 7.083 4 Size 25 799 22.260 4 1.293 0 21.368 0 22.096 8 22.997 0 Lev 25 799 0.454 3 0.203 3 0.298 5 0.451 3 0.601 7 Tobin_Q 25 799 2.169 4 1.469 4 1.257 0 1.699 3 2.493 1 Tangible 25 799 0.239 3 0.168 4 0.107 6 0.204 6 0.338 3 Std_Labor 25 799 5.274 9 1.537 4 4.283 0 5.279 3 6.268 9 Std_Sales 25 799 19.531 1 1.581 3 18.461 9 19.437 6 20.497 9 Std_CFO 25 799 18.617 7 1.406 9 17.673 2 18.515 7 19.451 7 Labor 25 799 0.076 0 0.068 4 0.031 3 0.056 8 0.096 6 Age 25 799 2.390 7 0.559 1 1.945 9 2.484 9 2.833 2 Top 25 799 0.339 3 0.148 0 0.223 6 0.316 4 0.440 1 Board 25 799 2.256 3 0.180 9 2.079 4 2.302 6 2.302 6 Indep 25 799 0.373 7 0.053 6 0.333 3 0.333 3 0.428 6 
下载: 导出CSV
表 2 商业银行网点扩张对企业劳动力投资效率的影响效应
变量 (1) (2) (3) (4) Bank_5 -0.005***(0.002) Bank_10 -0.007 4***(0.002) Bank_15 -0.007 9***(0.003) Bank_20 -0.010 1***(0.003) Size 0.018 1***(0.005) 0.018 2***(0.005) 0.018 1***(0.005) 0.018 1***(0.005) Lev 0.121 4***(0.015) 0.121 1***(0.015) 0.120 8***(0.015) 0.120 7***(0.015) Tobin_Q 0.009 1***(0.002) 0.009 1***(0.002) 0.009 1***(0.002) 0.009 1***(0.002) Tangible -0.058 3***(0.018) -0.059 6***(0.018) -0.059 7***(0.018) -0.060 2***(0.018) Std_Labor -0.011 7***(0.003) -0.011 7***(0.003) -0.011 7***(0.003) -0.011 7***(0.003) Std_Sales -0.001(0.003) -0.001(0.003) -0.001(0.003) -0.001(0.003) Std_CFO -0.007 8***(0.003) -0.008 ***(0.003) -0.008***(0.003) -0.008***(0.003) Labor 0.115 8*(0.060) 0.115 8*(0.060) 0.115 6*(0.060) 0.115 5*(0.060) Age 0.006 6(0.005) 0.006 6(0.005) 0.006 1(0.005) 0.005 9(0.005) Top 0.003 1(0.017) 0.003 8(0.017) 0.003 4(0.017) 0.003 5(0.017) Board -0.059 9***(0.018) -0.060 0***(0.018) -0.060 1***(0.018) -0.060 4***(0.018) Indep -0.071 3(0.050) -0.070 9(0.050) -0.072 0(0.050) -0.072 7(0.050) Year 是 是 是 是 Industry 是 是 是 是 City 是 是 是 是 N 25 779 25 779 25 779 25 779 Adj.R2 0.214 9 0.215 0 0.215 0 0.215 1 注：* * *、* *、*分别表示在1%、5%和10%的显著性水平，括号内的值为经企业层面聚类调整得到的标准误。若无特殊说明，被解释变量为企业劳动力投资效率(LIE)。下表同。
下载: 导出CSV
表 3 工具变量检验回归结果
变量 (1) (2) (3) (4) Bank_10 LIE Bank_20 LIE Bank_M 0.211 6***(0.017) 0.276 7***(0.014) Bank_10 -0.092 9***(0.028) Bank_20 -0.071 1***(0.021) Control 是 是 是 是 Year 是 是 是 是 Industry 是 是 是 是 City 是 是 是 是 N 25 779 25 779 25 779 25 779 Adj.R2 0.444 9 0.163 8 0.574 2 0.198 9 弱工具变量检验F值 148.609 413.272
下载: 导出CSV
表 4 地理边界断点回归结果
变量 (1) (2) (3) (4) (5) (6) 10 km内 15 km内 20 km内 Bank_10 -0.011 5**(0.005) -0.009 6**(0.004) -0.011 9***(0.004) Bank_20 -0.015 7**(0.006) -0.015 0***(0.006) -0.017 3***(0.005) Control 是 是 是 是 是 是 Year 是 是 是 是 是 是 Industry 是 是 是 是 是 是 City 是 是 是 是 是 是 N 9 031 9 031 10 632 10 632 13 294 13 294 Adj.R2 0.224 4 0.224 5 0.222 8 0.223 0 0.233 3 0.233 5
下载: 导出CSV
表 5 安慰剂检验和更换变量衡量方式的回归结果
变量 (1) (2) (3) (4) (5) (6) LIE LIE1 LIE2 Bank_10 0.000 1(0.001 6) -0.005 5***(0.002) -0.006 3***(0.002) Bank_20 -0.000 9(0.001 8) -0.008 5***(0.003) -0.009 2***(0.003) Control 是 是 是 是 是 是 Year 是 是 是 是 是 是 Industry 是 是 是 是 是 是 City 是 是 是 是 是 是 N 25 779 25 779 25 779 25 779 25 779 25 779 Adj.R2 0.214 6 0.214 6 0.176 0 0.176 2 0.056 9 0.0 57 1
下载: 导出CSV
表 6 更换样本的回归结果
变量 (1) (2) (3) (4) (5) (6) Bank_10 -0.007 3**(0.003) -0.010 5***(0.003) -0.006 8***(0.002) Bank_20 -0.011 5***(0.004) -0.014 1***(0.004) -0.009 8***(0.003) Control 是 是 是 是 是 是 Year 是 是 是 是 是 是 Industry 是 是 是 是 是 是 City 是 是 是 是 是 是 N 15 279 15 279 18 751 18 751 28 611 28 611 Adj.R2 0.219 6 0.219 8 0.048 9 0.049 0 0.201 8 0.201 9
下载: 导出CSV
表 7 路径检验：信贷可得效应与监督治理效应
Panel A：信贷可得效应 变量 (1) (2) (3) (4) (5) (6) (7) (8) Loan SA Fcost CU Bank_10 0.009 1*** -0.005 6*** -0.001 2*** -0.003 2* (0.003) (0.001) (0.000) (0.002) Bank_20 0.011 8*** -0.007 4*** -0.001 6*** -0.005 0** (0.004) (0.002) (0.000) (0.002) Control 是 是 是 是 是 是 是 是 Year 是 是 是 是 是 是 是 是 Industry 是 是 是 是 是 是 是 是 City 是 是 是 是 是 是 是 是 N 25 799 25 799 25 799 25 799 25 779 25 779 19 805 19 805 Adj.R2 0.315 6 0.315 7 0.500 2 0.500 3 0.199 2 0.199 3 0.210 3 0.210 7 Panel B：监督治理效应 变量 (1) (2) (3) (4) Agency_Cost Opacity Bank_10 -0.0170**(0.008) -0.0032*(0.002) Bank_20 -0.0248**(0.010) -0.0041**(0.002) Control 是 是 是 是 Year 是 是 是 是 Industry 是 是 是 是 City 是 是 是 是 N 25 620 25 620 25 593 25 593 Adj.R2 0.432 6 0.432 8 0.029 7 0.029 7
下载: 导出CSV
表 8 基于产权和抵押物的异质性分析
变量 (1) (2) (3) (4) (5) (6) (7) (8) 民营企业 国有企业 抵押物价值低企业 抵押物价值高企业 Bank_10 -0.0083** -0.0033 -0.0089*** -0.0055* (0.003) (0.004) (0.003) (0.003) Bank_20 -0.0103** -0.0055 -0.0128*** -0.0060 (0.004) (0.005) (0.005) (0.004) Control 是 是 是 是 是 是 是 是 Year 是 是 是 是 是 是 是 是 Industry 是 是 是 是 是 是 是 是 City 是 是 是 是 是 是 是 是 N 13 925 13 925 11 854 11 854 12 812 12 812 12 967 12 967 Adj.R2 0.1415 0.1415 0.2886 0.2886 0.1847 0.1849 0.2579 0.2579 Fisher检验 -0.005*** -0.005*** -0.003* -0.007*** 注：Fisher组合检验的经验p值均通过抽样500次获取，下同。
下载: 导出CSV
表 9 基于劳动密集度和市场分割程度的异质性分析
变量 (1) (2) (3) (4) (5) (6) (7) (8) 劳动密集型企业 资本密集型企业 市场分割程度低 市场分割程度高 Bank_10 -0.011 6*** -0.000 9 -0.009 5*** -0.005 2 (0.003) (0.004) (0.003) (0.003) Bank_20 -0.014 7*** -0.002 7 -0.013 3*** -0.007 5* (0.004) (0.005) (0.004) (0.004) Control 是 是 是 是 是 是 是 是 Year 是 是 是 是 是 是 是 是 Industry 是 是 是 是 是 是 是 是 City 是 是 是 是 是 是 是 是 N 12 810 12 810 12 969 12 969 12 841 12 841 12 938 12 938 Adj.R2 0.231 7 0.231 7 0.205 5 0.205 5 0.093 9 0.094 1 0.264 1 0.264 1 Fisher检验 -0.011*** -0.012*** -0.004*** -0.006***
下载: 导出CSV
表 10 区分雇佣和解雇行为的异质性分析
变量 (1) (2) (3) (4) (5) (6) (7) (8) 雇佣冗余 解雇不足 雇佣不足 解雇过度 OverLI UnderLI Bank_10 -0.011 5 -0.017 1** -0.006 9*** 0.000 7 (0.009) (0.008) (0.002) (0.002) Bank_20 -0.014 6 -0.018 3** -0.011 0*** -0.000 1 (0.012) (0.009) (0.002) (0.002) Control 是 是 是 是 是 是 是 是 Year 是 是 是 是 是 是 是 是 Industry 是 是 是 是 是 是 是 是 City 是 是 是 是 是 是 是 是 N 5 588 5 588 2 474 2474 12 718 12 718 4 999 4 999 Adj.R2 0.229 3 0.229 3 0.058 5 0.058 4 0.088 7 0.089 8 0.072 8 0.072 8
下载: 导出CSV
表 11 基于企业高质量发展的经济后果检验
变量 (1) (2) (3) (4) RD TFP Bank_10 0.023 2(0.022) -0.028 8**(0.012) Bank_20 0.073 1***(0.027) -0.032 0**(0.015) Bank_10×LIE 0.056 6**(0.024) 0.046 4***(0.013) Bank_20×LIE 0.077 9***(0.026) 0.056 1***(0.015) LIE -0.430 9***(0.139) -0.604 5***(0.173) -0.221 4***(0.070) -0.316 7***(0.091) Control 是 是 是 是 Year 是 是 是 是 Industry 是 是 是 是 City 是 是 是 是 N 25 779 25 779 25 779 25 779 Adj.R2 0.512 7 0.513 6 0.721 2 0.721 3
下载: 导出CSV
-
[1] 李小荣, 韩琳, 马海涛. 内部控制与劳动力投资效率[J]. 财贸经济, 2021(1): 26-43. [2] 刘贯春, 叶永卫, 张军. 社会保险缴费、企业流动性约束与稳就业——基于《社会保险法》实施的准自然实验[J]. 中国工业经济, 2021(5): 152-169. [3] JUNG B, LEE W J, WEBER D P. Financial reporting quality and labor investment efficiency[J]. Contemporary Accounting Research, 2014, 31(4): 1047-1076. doi: 10.1111/1911-3846.12053 [4] CAO Z, REES B. Do employee-friendly firms invest more efficiently? evidence from labor investment efficiency[J]. Journal of Corporate Finance, 2020, 65: 101744. doi: 10.1016/j.jcorpfin.2020.101744 [5] 孔东民, 唐琦, 项君怡. 劳动保护与企业劳动力投资效率[J]. 华中科技大学学报: 社会科学版, 2020(5): 36-47. [6] 褚剑, 方军雄. 卖空约束放松能够改善企业劳动力投资效率吗?[J]. 外国经济与管理, 2020(2): 84-96. [7] 钟廷勇, 程玉梅, 李江娜. 数字化转型与劳动投资效率: 缓解不足还是抑制过度?[J]. 西部论坛, 2023(2): 29-42. [8] 周冬华, 万贻健. 数字化转型会提升企业劳动投资效率吗[J]. 山西财经大学学报, 2023(2): 87-101. [9] 钟娟, 陈昕, 苏会, 等. 数字化转型对劳动投资效率的影响及其作用机制[J]. 广东财经大学学报, 2023 (5): 22-36. http://xb.gdufe.edu.cn/article/id/a6499251-e4e4-43e8-b509-b6ff13031f3f [10] 申丹琳, 江轩宇. 社会信任与企业劳动力投资效率[J]. 金融研究, 2022(9): 152-168. [11] 姜付秀, 蔡文婧, 蔡欣妮, 等. 银行竞争的微观效应: 来自融资约束的经验证据[J]. 经济研究, 2019(6): 72-88. [12] 李志生, 金凌. 银行竞争提高了企业投资水平和资源配置效率吗?——基于分支机构空间分布的研究[J]. 金融研究, 2021(1): 111-130. [13] 张伟俊, 袁凯彬, 李万利. 商业银行网点扩张如何影响企业创新: 理论与经验证据[J]. 世界经济, 2021(6): 204-228. [14] 盛斌, 王浩. 银行分支机构扩张与企业出口国内附加值率——基于金融供给地理结构的视角[J]. 中国工业经济, 2022(2): 99-117. [15] 高雅, 王竹泉, 于苏. 金融地理结构与企业"短贷长投"[J]. 山西财经大学学报, 2022(10): 43-57. [16] 戴美虹. 金融地理结构、银行竞争与营商环境——来自银行分支机构数量和企业失信的经验证据[J]. 财贸经济, 2022(5): 66-81. [17] 许和连, 金友森, 王海成. 银企距离与出口贸易转型升级[J]. 经济研究, 2020(11): 174-190. [18] 卜君, 孙光国. 环境不确定性会影响企业劳动力投资效率吗?[J]. 经济管理, 2020(10): 23-38. [19] KNYAZEVA ANZHELA, KNYAZEVA DIANA. Does being your bank's neighbor matter?[J]. Journal of Banking & Finance, 2012, 36(4): 1194-1209. [20] 新夫, 董恬媛, 徐高彦. 银行竞争与会计稳健性[J]. 会计与经济研究, 2018(5): 80-98. [21] ALLEN N B, NATHAN H M, MITCHELL G R, et al. Does function follow organizational form? evidence from the lending practices of large and small banks[J]. Journal of Financial Economics, 2005, 76(2): 237-269. doi: 10.1016/j.jfineco.2004.06.003 [22] AMORE M D, SCHNEIDER C, ŽALDOKAS A. Credit supply and corporate innovation[J]. Journal of Financial Economics, 2013, 109(3): 835-855. doi: 10.1016/j.jfineco.2013.04.006 [23] 方芳, 蔡卫星. 银行业竞争与企业成长: 来自工业企业的经验证据[J]. 管理世界, 2016(7): 63-75. [24] 范润, 翟淑萍. 社会失信环境如何影响企业现金持有——基于城市失信被执行人的经验证据[J]. 广东财经大学学报, 2023(5): 96-112. http://xb.gdufe.edu.cn/article/id/a5d6f320-fb3d-4302-a1cd-b950ad85b4ff [25] SKRASTINS J, VIG V. How organizational hierarchy affects information production[J]. The Review of Financial Studies, 2019, 32(2): 564-604. doi: 10.1093/rfs/hhy071 [26] GHALY M, DANG V A. Stathopoulos K. Institutional investors' horizons and corporate employment decisions[J]. Journal of Corporate Finance, 2020, 64: 101634. doi: 10.1016/j.jcorpfin.2020.101634 [27] HARVEY C R, LINS K V, ROPER A H. The effect of capital structure when expected agency costs are extreme[J]. Journal of Financial Economics, 2004, 74(1): 3-30. doi: 10.1016/j.jfineco.2003.07.003 [28] 申明浩, 谭伟杰. 银行业空间演化与企业数字化转型——基于集聚经济与金融供给地理结构的微观证据[J]. 金融经济学研究, 2023(5): 3-20. [29] 杨刚, 王瑞, 王沈南, 等. 银行竞争对上市公司信用风险的影响研究[J]. 中国软科学, 2021(10): 103-114. [30] 陶锋, 胡军, 李诗田, 等. 金融地理结构如何影响企业生产率?——兼论金融供给侧结构性改革[J]. 经济研究, 2017(9): 55-71. [31] 江艇. 因果推断经验研究中的中介效应与调节效应[J]. 中国工业经济, 2022(5): 100-120. [32] 叶永卫, 李佳轩, 刘贯春. 续贷限制、流动性约束与稳就业——基于《贷款风险分类指引》实施的准自然实验[J]. 财贸经济, 2023(1): 83-98. [33] LOVE I, PERÍA M S. How bank competition affects firms' access to finance[J]. The World Bank Economic Review, 2015, 29(3): 413-448. doi: 10.1093/wber/lhu003 [34] 蔡庆丰, 陈熠辉, 林焜. 信贷资源可得性与企业创新: 激励还是抑制?——基于银行网点数据和金融地理结构的微观证据[J]. 经济研究, 2020(10): 124-140. [35] 钟成林, 周倩, 李世财. 科技金融机构耦合数字化对科技型中小企业融资能力的影响研究[J]. 金融教育研究, 2023(1): 25-37. [36] 黄卓, 陶云清, 王帅. 社会信用环境改善降低了企业违规吗?——来自"中国社会信用体系建设"的证据[J]. 金融研究, 2023(5): 96-114. [37] 陶欣欣, 江轩宇, 谢志华, 等. 社会责任履行影响企业劳动力投资效率吗[J]. 会计研究, 2022(6): 120-133. [38] 管考磊. 劳动投资效率会影响企业创新吗——来自中国上市公司的经验证据[J]. 当代财经, 2021(3): 136-148. [39] 丁怡帆, 魏彦杰, 马云飞. 金融资源错配如何影响企业高质量发展: 理论与实证[J]. 金融监管研究, 2022(8): 94-114. 期刊类型引用(4)
1. 卢小祁，俞毛毛. 银行网点下沉能够促进企业数字化转型吗——基于融资约束缓解与监督治理机制的检验. 山东财经大学学报. 2025(02): 84-101 . 
百度学术2. 刘子杭. ESG表现对企业投资效率的影响研究——以腾讯公司为例. 全国流通经济. 2024(08): 189-192 . 百度学术3. 苗翠芬，俞毛毛. 银企距离与企业绿色创新绩效. 工业技术经济. 2024(08): 68-78 . 百度学术4. 丁怡帆，尹飞，魏彦杰. 金融资源地理邻近与企业避税——基于商业银行网点地理分布的经验证据. 税收经济研究. 2024(04): 73-85 . 百度学术其他类型引用(2)
-
下载:
![](data:image/svg+xml,<svg xmlns='http://www.w3.org/2000/svg' width='210' height='179'><foreignObject width='2000' height='100%'><div xmlns='http://www.w3.org/1999/xhtml' style='font-size:16px;font-family:Helvetica'><table>
<thead>
<tr>
<td class="table_top_border" align="center">变量</td>
<td class="table_top_border" align="center">样本数</td>
<td class="table_top_border" align="center">均值</td>
<td class="table_top_border" align="center">标准差</td>
<td class="table_top_border" align="center">1/4分位数</td>
<td class="table_top_border" align="center">中值</td>
<td class="table_top_border" align="center">3/4分位数</td>
</tr>
</thead>
<tbody>
<tr>
<td class="table_top_border2" align="center"><i>LIE</i></td>
<td class="table_top_border2" align="center">25 799</td>
<td class="table_top_border2" align="center">0.304 5</td>
<td class="table_top_border2" align="center">0.363 8</td>
<td class="table_top_border2" align="center">0.120 8</td>
<td class="table_top_border2" align="center">0.216 1</td>
<td class="table_top_border2" align="center">0.330 0</td>
</tr>
<tr>
<td align="center"><i>Bank</i>_5</td>
<td align="center">25 799</td>
<td align="center">4.434 9</td>
<td align="center">1.443 1</td>
<td align="center">3.465 7</td>
<td align="center">4.499 8</td>
<td align="center">5.598 4</td>
</tr>
<tr>
<td align="center"><i>Bank</i>_10</td>
<td align="center">25 799</td>
<td align="center">5.418 9</td>
<td align="center">1.288 2</td>
<td align="center">4.521 8</td>
<td align="center">5.463 8</td>
<td align="center">6.445 7</td>
</tr>
<tr>
<td align="center"><i>Bank</i>_15</td>
<td align="center">25 799</td>
<td align="center">5.916 2</td>
<td align="center">1.213 4</td>
<td align="center">5.068 9</td>
<td align="center">6.001 4</td>
<td align="center">6.846 9</td>
</tr>
<tr>
<td align="center"><i>Bank</i>_20</td>
<td align="center">25 799</td>
<td align="center">6.228 5</td>
<td align="center">1.153 4</td>
<td align="center">5.425 0</td>
<td align="center">6.363 0</td>
<td align="center">7.083 4</td>
</tr>
<tr>
<td align="center"><i>Size</i></td>
<td align="center">25 799</td>
<td align="center">22.260 4</td>
<td align="center">1.293 0</td>
<td align="center">21.368 0</td>
<td align="center">22.096 8</td>
<td align="center">22.997 0</td>
</tr>
<tr>
<td align="center"><i>Lev</i></td>
<td align="center">25 799</td>
<td align="center">0.454 3</td>
<td align="center">0.203 3</td>
<td align="center">0.298 5</td>
<td align="center">0.451 3</td>
<td align="center">0.601 7</td>
</tr>
<tr>
<td align="center"><i>Tobin</i>_<i>Q</i></td>
<td align="center">25 799</td>
<td align="center">2.169 4</td>
<td align="center">1.469 4</td>
<td align="center">1.257 0</td>
<td align="center">1.699 3</td>
<td align="center">2.493 1</td>
</tr>
<tr>
<td align="center"><i>Tangible</i></td>
<td align="center">25 799</td>
<td align="center">0.239 3</td>
<td align="center">0.168 4</td>
<td align="center">0.107 6</td>
<td align="center">0.204 6</td>
<td align="center">0.338 3</td>
</tr>
<tr>
<td align="center"><i>Std</i>_<i>Labor</i></td>
<td align="center">25 799</td>
<td align="center">5.274 9</td>
<td align="center">1.537 4</td>
<td align="center">4.283 0</td>
<td align="center">5.279 3</td>
<td align="center">6.268 9</td>
</tr>
<tr>
<td align="center"><i>Std</i>_<i>Sales</i></td>
<td align="center">25 799</td>
<td align="center">19.531 1</td>
<td align="center">1.581 3</td>
<td align="center">18.461 9</td>
<td align="center">19.437 6</td>
<td align="center">20.497 9</td>
</tr>
<tr>
<td align="center"><i>Std</i>_<i>CFO</i></td>
<td align="center">25 799</td>
<td align="center">18.617 7</td>
<td align="center">1.406 9</td>
<td align="center">17.673 2</td>
<td align="center">18.515 7</td>
<td align="center">19.451 7</td>
</tr>
<tr>
<td align="center"><i>Labor</i></td>
<td align="center">25 799</td>
<td align="center">0.076 0</td>
<td align="center">0.068 4</td>
<td align="center">0.031 3</td>
<td align="center">0.056 8</td>
<td align="center">0.096 6</td>
</tr>
<tr>
<td align="center"><i>Age</i></td>
<td align="center">25 799</td>
<td align="center">2.390 7</td>
<td align="center">0.559 1</td>
<td align="center">1.945 9</td>
<td align="center">2.484 9</td>
<td align="center">2.833 2</td>
</tr>
<tr>
<td align="center"><i>Top</i></td>
<td align="center">25 799</td>
<td align="center">0.339 3</td>
<td align="center">0.148 0</td>
<td align="center">0.223 6</td>
<td align="center">0.316 4</td>
<td align="center">0.440 1</td>
</tr>
<tr>
<td align="center"><i>Board</i></td>
<td align="center">25 799</td>
<td align="center">2.256 3</td>
<td align="center">0.180 9</td>
<td align="center">2.079 4</td>
<td align="center">2.302 6</td>
<td align="center">2.302 6</td>
</tr>
<tr>
<td class="table_bottom_border" align="center">In<i>dep</i></td>
<td class="table_bottom_border" align="center">25 799</td>
<td class="table_bottom_border" align="center">0.373 7</td>
<td class="table_bottom_border" align="center">0.053 6</td>
<td class="table_bottom_border" align="center">0.333 3</td>
<td class="table_bottom_border" align="center">0.333 3</td>
<td class="table_bottom_border" align="center">0.428 6</td>
</tr>
</tbody>
</table></div></foreignObject></svg>)