“学海拾珠”系列之二十七：市场竞争对行业收益的影响
由crisvalentine创建，最终由crisvalentine 被浏览 17 用户
报告摘要
主要观点
本篇是“学海拾珠”系列第二十七篇。本文通过理论分析和实证研究证明了一个行业内部的竞争程度对行业未来收益具有重大的影响，为现有的研究做出了贡献。
- 市场竞争与企业系统风险敞口之间的联系具有双向性
市场竞争侵蚀了利润率，从而影响了企业的预期收益，同时，行业承受较高的系统性风险也会形成进入壁垒，影响新企业进入行业的可能性。
- 市场竞争通过两种不同的方式影响资产预期收益
经营杠杆，竞争影响了行业利润，从而影响企业的系统风险敞口。竞争更激烈的行业中的企业往往具有较低的利润率来缓冲不利影响，这些企业具有更高的经营杠杆率，因此风险敞口更高。** 入威胁**，由于新公司的进入，现存的价值受到侵害，从而降低了现有企业的预期收益。
- 仅研究公开上市公司会造成样本选择偏差，从而影响实证结果
作者考虑到私有企业和上市企业之间存在系统性差异。竞争较弱的行业中的公司更有可能公开上市。此外，私有公司的平均预期收益高于上市公司。上述两个发现说明：当研究的样本域仅是每个行业的上市公司时，预期收益与集中度或利润之间的正向关系通常会偏高。
风险提示
本文结论基于历史数据与海外文献进行总结；不构成任何投资建议。
简介
本文研究了企业经营所处的竞争环境与它们系统风险敞口之间的关系。早期的实证研究推测，处于竞争力较弱行业的公司不受整体冲击的影响，这会导致公司平均期望收益降低。在本文中，作者表明，这种所谓的主流观念并不全面，因为它遗漏了市场竞争程度与资产价格之间联系的双向性。首先是有关竞争的动态性质：进入威胁对公司价值的负面影响是顺周期性的，这有效地降低了现有公司面临的系统风险。第二个方面是较高的行业贴现率成为进入现有市场的障碍。
作者使用Pindyck（2009）的对行业均衡动态模型的扩展来公式化这些论点。作者的模型表明，竞争程度是由行业集中度和平均利润水平共同决定的。此外，该模型还描述了三个可供选择的渠道，每个渠道都和与资产定价相关的竞争的三个方面密切相关。这些渠道表明，** 争与企业系统风险敞口之间的联系实质上是双向性的：竞争程度影响企业的预期资产收益，同时，行业承受系统风险也影响新企业进入行业的可能性。**
作者首先使用该模型来研究外源给定的集中度和利润水平如何影响行业中系统风险敞口。作者发现市场竞争通过两个不同的渠道影响预期资产收益。通过第一个渠道，即经营杠杆，竞争通过它对利润的影响来改变企业的系统风险敞口。直觉上，由于竞争更激烈的行业中的企业具有较低的利润率来缓冲不利冲击，这些企业往往具有更高的经营杠杆率，因此风险敞口更高。第二渠道，** 进入威胁**，由于新公司的进入而引起的价值减值，降低了现有企业的预期收益。考虑到新公司的进入是在扩张期间而不是收缩期间发生的，由于进入威胁而造成的价值减值使现有企业的价值不具有周期性，并降低了它们的系统风险敞口。这种渠道导致竞争更激烈，而进入壁垒更低的行业的预期回报降低。
然后，作者使用该模型来研究系统风险敞口和竞争的负相关关系。作者分析了行业系统性风险敞口对竞争环境的影响，Subrahmanyam，Thomadakis（1980）和Pindyck（2009）在早期工作中对此进行了研究。在模型设定中，这种影响包含在第三个渠道中，作者将其定义为风险反馈渠道。该模型表明，** 有较高系统风险的行业对新进入者的吸引力较小，因为此类行业中的新企业产生的现金流量会以较高的折现率折现**。因此，随着时间的推移，风险较高的行业预计将保持相对集中并且平均利润幅度更高。较低的竞争，部分补偿了投资者承担更大的系统风险。
总而言之，作者的模型表明预期收益与竞争之间的关系很复杂。经营杠杆渠道预测预期回报与集中度或利润之间存在负相关关系，而进入威胁渠道和风险反馈渠道均预测相反。因此，作者要区分模型的有条件和无条件的预测。条件可检验的预测表明，在经营杠杆相对较低的行业中，预期收益与集中度或利润之间呈现更为正向的关系。该预测不取决于每个行业的经营杠杆作用的绝对水平。而且，该模型表明，从概率的角度来看，作者应该期望预期收益与集中度或利润之间的关系在无条件的情况下为正。凭直觉，由于每个行业存在进入壁垒，风险反馈渠道降低了经营杠杆变得过高的可能性。
在实证分析中，作者发现了相关证据来支持预期回报和集中度以及利润的正相关关系。用八种备选的预期回报的表示方法，作者发现，处于集中度或利润的前五分位的公司组成的投资组合的预期回报要高于后五分位公司组成的投资组合的预期回报。比如，这两种投资组合的平均超额收益率之差在5%到7%之间。Fama-MacBeth回归表明集中度和利润的一个横截面标准差伴随着至少4%的收益。这些发现和Hou和Robinson（2006）的发现相反，他们用了基于Compustat的集中度的度量来展示市场集中度更高的行业的平均已实现回报更低。
实证证据也与作者的模型预测的经济渠道一致。使用作者的备选代理获得预期收益，作者提供了与有条件的预测相符的证据，即在具有较低经营杠杆的行业中，竞争相对不那么激烈的行业与竞争激烈的行业之间的正预期收益率之差较高。作者还发现，在具有较低集中度和较低利润的更具竞争性的行业中，经营杠杆确实更高。最后，与驱动进入威胁渠道的价值减值机制一致，作者发现竞争较弱的行业中的公司可以更好地保留其价值，因此市盈率和市净率较高。从模型的角度来看，这些发现均表明，** 管竞争激烈的行业中的经营杠杆水平更高，但这些行业中的公司实际上风险更低。**
此外，作者对样本中私有和上市企业之间的系统性差异做出推断。例如，作者发现竞争较少的行业中的公司更有可能公开上市。间接证据表明，私有公司的平均预期收益高于上市公司。综上所述，这两个发现说明了以下事实：当作者研究的样本域是每个行业的上市公司时，预期收益与集中度或利润之间的正向关系通常会偏高。
行业均衡模型
在这一章中，作者研究出一个动态的行业均衡模型，在此模型中，现有企业相互竞争并面临新进入者的威胁。该模型研究了集中度和利润与企业承受系统风险的均衡关系。
为了检验模型预测，作者采用了不同的集中度和利润度量。作者考虑了两种集中度衡量方法：美国人口普查局的Herfindahl-Hirshman指数，以及基于调整后的Compustat营业收入数据的新衡量方法，作者将其称为基于特征的集中度（CBC）。第一种度量，作者简称为HHI，仅适用于制造业且每五年使用一次。解决这些局限性的常见方法是根据公有上市公司的子样本（例如Compustat中的公司）构建集中度度量。Ali，Klasa和Yeeung（2009）指出，基于Compustat数据的集中度度量与HHI相关性较低。作者基于他们的发现，表明基于Compustat的集中度度量在一定程度上是有偏差的，因为公开决策不是随机的，并且与行业竞争程度显著相关。因此，作者构建了CBC度量，这是覆盖制造业和非制造业的另一种集中度度量，并依赖于Compustat的营业收入数据，该数据被调整以观察每个行业中的上市企业。
作者还采用了两种利润的度量。利润的第一个度量MKP仅限于制造业，它是根据国家经济研究局和美国人口普查局经济研究中心（NBER/CES）的制造业数据库构建的。为了将样本扩展到非制造业，作者根据Compustat数据构建了第二种利润量度MKC。与使用公有企业数据进行集中度测算的情况不同，作者没有发现证据表明使用Compustat构建的MKC测度存在明显偏差。MKP和MKC在作者的样本中具有正相关且高度相关。
除了使用集中度和利润的替代度量（该度量不受公有上市公司样本选择偏差的影响）外，作者的实证方法同样解决了作者仅使用了各个行业中上市公司子样本的问题。如果各行业中的上市企业和私有企业的相对数量的系统性差异和竞争程度不相关，那么这个问题就无关紧要。然而，有证据表明，公司公开上市的决定受到竞争环境的显著影响。在作者使用的样本中，在那些有着更高利润或市场集中度的行业中，上市公司所占比例更高。
作者遵循GahlonandGentry（1982）和Donangelo（2014）的定义，将经营利润率定义为在经营利润严格为正的区域中的经营利润增长对行业冲击的局部敏感性。具体而言，作者将行业的经营杠杆水平定义为经营利润增长对影响收入的外在冲击回归的比例斜率。
实证方法
假设
理论模型的主要含义可概括为三个可检验的假设：
假设1
i 对于经营杠杆水平“足够低”的行业，预期收益与集中度和利润成正相关。
ii 对于大多数行业而言，经营杠杆水平“足够低”。
当经营杠杆程度低于行业的特定阈值时，预期收益与集中度或利润之间的关系为正，否则为负。此外，风险反馈渠道有利于预期收益与集中度和利润之间的正相关关系。风险反馈渠道可防止给定行业的经营杠杆变得过高。因此，作者推测，随着时间的流逝，经营杠杆渠道的负面影响会逐渐减轻，因此，平均而言，预期回报与集中度和利润呈正相关。
假设2
在经营杠杆相对较低的行业中，预期收益与集中度或利润之间的正相关性更高。
假设1确定的预期收益，集中度和利润之间的无条件正向关系，实际上是一个联合假设，即作者模型的理论预测是正确的，并且风险反馈渠道“足够强”或“时间足够”，以确保经济中的经营杠杆水平足够低。假设2着眼于跨行业经营杠杆的相对排名。这种假设表明，对模型理论含义的直接检验涉及预期收益，集中度和利润之间的条件关系，该关系不依赖于确定一个行业的经营杠杆程度是高于还是低于一个不可观察的阈值。
假设3
i 平均经营杠杆与集中度和利润呈负相关。
ii 平均市盈率的倒数与集中度和利润呈负相关。
假设1和假设2对预期收益，集中度和利润之间关系的无条件和有条件的影响都依赖于进入威胁和经营杠杆渠道。作者认为假设3可以实证检验模型的市盈率倒数以及公司的经营杠杆率是否确实在随集中度和利润增加而下降。
定义利润率和集中度
数据来源和样本构建
作者的样本由来自多个来源的数据构成。对于与行业水平特征相关的变量，作者使用了经济分析局（BEA），美国人口普查局经济研究中心（CES），美国人口普查局对美国企业统计调查（SUSB）和美国人口普查局发布的制造业普查报告。
作者的样本覆盖了从1992年到2014年的这段时间，这一区间的起点取决于可获得的美国企业统计资料（SUSB）中制造业和非制造业的按行业划分的企业数量数据。作者依靠SUSB数据来实证分析，以纠正公开上市的样本选择误差并构建替代的集中度的测度（CBC）。
在整个分析过程中，作者根据四位数的标准行业分类（SIC）代码来划分行业。作者还从样本中消除了大型企业。为实现这一目标，作者遵循Gopalan和Xie（2011）的观点，将大型企业确定为Compustat细分市场中具有三个以上细分市场的企业。作者在附录C中提供了样本构造的更多详细信息。
构建行业层面的利润率指标
作者将平均利润定义为给定行业和年份中所有公司的营业利润之和除以该年相应的行业营业收入总量。作者构建了两种备选度量：一种基于NBER-CES制造业数据库，另一种基于Compustat数据。第一种度量仅限于制造业，但可以说更为准确，因为它是基于每个行业的上市和私有企业。第二种度量涵盖了更广泛的行业领域，但是它仅根据公开上市公司的数据进行构建。
基于美国人口普查的利润率
作者遵循Allayannis和Ihrig（2001）的方法，构造作者的平均利润的第一个度量（以下称MKP）
从NBER–CES制造业数据库中获取的营业收入，存货，工资单和物料成本是行业层面的变量。该数据库是根据美国人口普查局发布的年度制造业调查报告编制的。
基于Compustat的利润率
作者使用Compustat的年度数据构建第二种平均利润度量（以下称为MKC）
其中营业收入价值等于按行业·年划分的公司营业收入总和（即Compustat年度数据项SALE），而营业成本等于按行业·年划分的公司营业收入的商品总成本（即Compustat年度数据项COGS）。
尽管事实证明MK涵盖了上市企业，但作者还是观察到制造业的MKP和MKC之间的相关性很高（64％），如表1的面板A所示。这表明，基于Compustat的平均行业利润度量不会因公开上市而受到明显的样本选择误差。
利润率行业层面度量
在最近的有关竞争和企业风险的文献中，最常用的衡量行业集中度的方法是基于营业收入的赫芬达尔·赫希曼指数，其定义为
其中Sj是行业中公司j的营业收入市场份额。
赫芬达尔-赫希曼指数
作者从1992年，1997年，2002年，2007年和2012年的美国工业普查出版物中获得赫芬达尔·赫希曼指数（HHI）的度量。在本文中，作者将美国普查中赫芬达尔·赫希曼指数的对数表示为HHI。作者在附录C中提供了有关HHI度量的更多详细信息。
基于特征的集中度
为了将样本扩展到非制造业，在本文中，作者提出了另一种营业收入集中度度量，作者称其为基于特征的集中度（以下简称CBC）。为了构建CBC度量，作者首先注意到可以将等式（17）中的Herfindahl–Hirschman指数重新定义为行业中企业数量（N）以及横截面均值（μ）和行业中公司水平营业收入的方差（σ2）：
在这里作者以对数形式定义CBC度量，因此它与HHI度量一致。作者在附录中提供了有关CBC度量的更多详细信息。
自1992年以来，作者在Compustat数据集中构建了所有行业的CBC度量。CBC和HHI之间的相关性为第二阶段的拟合优度提供了信息。表1的Panel A显示，这两种指标之间的相关性为39％，显著高于HHI和基于Compustat的集中度测量之间的相关性（9％）。
样本选择的校正
实证研究中一个被低估的挑战是，大家只观察公开上市公司的财务和会计数据。如果公开上市公司的子样本是随机的或不受竞争环境的影响，则这种局限性不会在作者的实证分析中有很大影响。但是，表1中的结果表明由于作者的数据集中公开上市而存在样本选择误差。表1的B栏显示，企业更有可能在竞争较弱的行业中公开上市。考虑私有和上市企业，上市企业的份额与不完全竞争的度量之间的相关性介于19％至42％之间。此外，表2显示，在竞争较弱的行业中，上市公司的总数更高，这已经表明基于Compustat的集中度衡量方法应存在偏差。表1的B组的结果证实了这种直觉：一个行业中的公有公司的份额与未经调整的基于Compustat的集中度度量之间的相关性为负（-10％）。作为额外的证据，并且与Ali，Klasa和Yeung（2009）的发现一致，表1的A组报告了HHI与未经调整的基于Compustat的集中度度量之间的相关性较低（9％）。
鉴于这些发现，作者从两个不同角度控制上市公司样本选择偏差的方法。首先，作者调整公开上市公司的营业收入额以构建CBC指标。第二，假设仅对公开上市的公司进行观察，作者应用样本选择校正，对与测试假设1-3相关的变量进行校正。所使用的样本选择校正方法是根据Heckman（1979）提出的两阶段方法。作者在下面详细介绍这两个阶段。
第一阶段：选择模型
如Heckman（1979）所述，选择模型的第一阶段涉及概率模型的估计，如果该公司公开上市，则因变量等于1，否则为0。由于作者没有在公司层面观察私有公司的特征，因此作者无法计算这种模型。相反，作者提出了一种替代方法，该方法遵循Greene（2003）中讨论过的检验比例数据选择模型的实证方法。作者使用第一阶段的结果来计算反米尔斯比率。
特别是，作者计算在给定的行业年度内公司是上市公司的平均概率。作者分析的基本假设是，根据行业层面上的可观察信息，同一行业中的所有公司在任何给定年份中被抽样的可能性均相同。因此，所提出的方法具有优点和缺点。好处是它使作者能够使用可用数据来计算反米尔斯比。缺点是，为了克服数据限制，作者在解释公司的上市状态时忽略了公司特定特征的影响。如下所述，尽管有此限制，但第一阶段的解释力仍然很显著。
作者遵循Greene（2003）的方法，通过两步为每年的样本估计等式（20）中的选择模型，其中第一步通过构造权重来纠正异方差，该权重在第二步中会被用到。向量Zi包括解释公司公开上市状态的变量。作者根据特定的第二阶段应用不同地具体说明向量，作者将在后面讨论。但是在所有说明中，作者在向量中都包含两个工具变量作为解释变量。
作者在第一阶段包含的工具变量是与公司决定公开上市相关的变量，但与第二阶段使用的因变量无关（即，公司营业收入的均值和方差）。特别地，第一个工具变量是按行业划分的公司股票的平均周转率，用来代替按行业划分的投资者对股票的平均需求量。Chemmanur，He和Nandy（2010）认为，平均股票周转率可以用来代替给定股票所产生的信息量。同样，Bernstein（2015）在竞标定价阶段使用纳斯达克股票波动作为完成首次公开募股（IPO）的工具变量。作者推测，按行业划分的投资者需求会显著影响上市决策，但在第二阶段它与因变量正交。
在第一阶段回归中使用的第二种工具变量是在纽约证券交易所（NYSE）报价的行业公有公司的份额。鉴于每个证券交易所有不同的上市要求和不同的上市费用，该变量反映了特定行业中大多数公有公司相对于其他交易所，满足纽交所上市要求的程度。作者推测，上市要求会影响公司的上市决定，但在第二阶段它们与因变量正交。
作者在附录D和附录E中提供了有关反米尔斯比率的构造以及第一阶段的拟合优度的更多详细信息。特别是，附录表E1显示，平均R-square为CBC度量第一阶段的32％。作者工具变量的符号和显著性也与以前的研究一致。与Chemmanur，He和Nandy（2010）一致，公司在投资者需求较高的行业中更有可能公开上市。此外，在纽约证券交易所上市的公有公司比例较高的行业中的公司更有可能公开上市。这与Corwin和Harris（2001）的证据是一致的，他们报告说，在纽约证券交易所进行IPO的公司的初始规模和年龄显著高于在纳斯达克进行IPO的公司。
第二阶段：横截面回归
在样本选择模型的第二阶段，与Heckman（1979）一致，作者使用第一阶段的逆Mills比率来校正公开上市的样本选择偏差。作者进行横截面回归，以控制变量和逆Mills比率为自变量，目标变量Vij作为因变量，使得：
其中λ是附录D中得出的反Mills比率，x是一个向量，具有与第一阶段中使用的控制变量相同的控制变量，但不包括两个工具变量，l表示以年为单位的滞后。因变量Vij由作者应用样本选择校正的特定应用确定。例如，因变量Vij是CBC度量构建中的营业收入对数，或者是根据假设1–3的实证检验中的市盈率倒数，营业杠杆率或已实现的股票超额收益。
实证统计
汇总统计
表2报告了按作者的两个行业利润指标和两个集中度指标排序的公司五分位数投资组合的平均特征。该表的第一列显示集中度或利润率的标准化度量的五分位数。表2接下来的两列表明，与表1的结果一致，在不完全的市场竞争组合中，该行业的公司总数趋于减少。同样与表1的结果一致，表2显示样本中公开上市的公司的数量在五分位数上递增。这些发现进一步证明，公开上市公司的样本不是随机的，** 开上市的决定与每个行业的竞争程度有关。**
表2还显示，在高利润或高集中度的行业中，公司资产的平均市场价值通常较高。这与作者的模型预测一致，即竞争程度较低的行业中的企业可以更好地保留其价值。这种趋势的另一个可能原因是这些行业的规模更大。正如在下一栏中所看到的，HHI五分位数中的企业资产平均账面价值通常在增加。但是，其他三个不完全市场竞争指标（MKP，CBC和MKC）形成的五分位投资组合中的资产平均账面价值没有明显趋势。与假设（3）的预测一致，表2显示，在竞争较弱的行业中，经营杠杆实际上更大。作者使用NovyMarx（2011）的度量方法，NovyMarx将其定义为经营成本和管理费用之和与总资产之比。
表2其余各列中的趋势也与假设（3）一致。**在竞争较弱的行业中，平均市盈率倒数和账面市值比通常较低。**根据作者的模型，在竞争更激烈的行业中发现更高的市盈率倒数和账面市值比与进入威胁机制的说法是一致的，竞争降低了这些行业的风险敞口。进入威胁对现存企业价值的影响解释了竞争更激烈的行业中企业的低估值与低风险之间的联系：进入的威胁越大，未来的现金流量就越有可能受到负面影响，反过来，这会使公司的价值降低。
表2显示，高利润率或高集中度行业的公司平均而言具有较低的财务杠杆率。这些行业中较低的财务杠杆的一种可能解释是，与作者可检验的假设一致，它们的平均系统风险敞口较高。另一个可能的解释是，在经营杠杆与财务杠杆之间的权衡，这将导致竞争激烈的行业（具有更高经营杠杆）的公司选择较低水平的财务杠杆。鉴于财务杠杆会放大企业股权持有的系统风险敞口，作者在随后的分析中控制了财务杠杆。
表2的最后一列报告了五分位数投资组合中制造业的平均份额。HHI和MKP仅涵盖制造业，而CBC和MKC还包括非制造业。
系统性风险载荷和预期收益
假设1预测预期收益，集中度和利润率之间存在正向关系。假设1的检验实际上是对以下联合假设的检验：作者模型中嵌入的经济机制是有效的，并且风险反馈渠道的影响在经济上是相关的。假设2预测了在经营杠杆相对较低的行业中，预期资产收益与集中度和利润率之间的相对正向关系。因此，假设2的分析为作者提出的经济机制的有效性提供了更直接的检验。
作者分步提出了关于这些预测中的每一个的支持性实证证据。首先，作者报告关于市场竞争与风险敞口之间关系的实证证据（假设1），然后表明实证证据也与模型的预测相符（假设2）。
预期收益，集中度和利润：无条件检验
作者使用投资组合排序法和回归分析研究假设1。作者首先考虑投资组合的排序。
总体而言，表3中的实证证据表明，预期收益在集中度和利润率维度上递增。股票超额收益的结果与文献中的其余部分最为可比，表明预期收益与作者对竞争的度量之间的关系在经济上是显著的。处于集中度或利润最高行业五分位数的公司的股票收益率比处于集中度最低行业五分数公司的股票收益平均高5％至8％。
接下来，作者通过回归分析研究关于预期收益与集中度和利润之间关系的假设1。回归控制了上市公司的样本选择偏差。作者将第2.3节中的两阶段方法应用于目标变量v（例如，已实现的回报），并保存第二阶段的残差，避免了CBC和逆Mills比率之间的多重共线性问题，作者运行了如下标准Fama-MacBeth回归（自变量为集中度和利润的不同度量）：
其中，“度量”是指测试中使用的不完全竞争的度量（即HHI，MKP，CBC或MKC），而“l”表示以年为单位的滞后。
第二个指标是基于作者对变量（即已实现的股票收益）的标准Fama-MacBeth回归，该回归是对集中度或利润和控制的滞后度量，
其中v是目标因变量，Measure表示作者对集中度或利润的各个度量，而x表示控制变量的向量。
回归分析是在行业层面和公司层面上进行的。行业层面分析与公司层面分析之间的主要区别在于，后者反映了Compustat样本中每个行业的公司数目的分布，而不是整个经济体的变化。对于行业层面和公司层面的分析而言，作者既包括了控制样本选择的结果，也包括了没有控制样本选择的结果。
表4显示了在行业层面和公司层面上，已实现的股票收益与集中度和利润之间的正相关关系。在表4中的所有测试中，作者包括了四个控制变量。作者将市场规模和账面市值比作为附加变量来控制与作者的研究无关的其他预期回报的驱动因素。作者还包括资产账面价值和账面杠杆的对数，以控制基于资产价值的模型与代表权益收益的股票收益之间的不匹配。其余两个变量，即就业增长和平均工资，被包括在内，以控制各行业在生命周期或成本结构方面的差异。
表4显示，在没有控制样本选择的情况下（因此更能代表行业中的上市公司），集中度或利润的一个横截面标准差与行业水平的年度超额收益（1.17％至2.73％之间（Panel A））相关，与公司层面的年度超额收益（2.17％至4.14％之间（Panel B））相关。在控制样本选择的情况下（更能代表行业中的一般公司），集中度或利润的横截面标准差与行业水平的年度超额回报率相关，介于1.13％至1.93％之间（Panel A），公司层面年度超额收益率在1.35％至2.15％之间（Panel B）。
表4还表明由于公司决定公开上市而选择的样本可能会严重影响诸如作者这样的资产定价研究的推论。定性而言，表4所示的结果表明，无论有无样本选择校正，均具有显著一致性。但是，从数量上，作者观察到样本选择校正的系数通常较低。这表明上市公司的样本选择偏向使系数上升。需要注意，米尔斯逆比率的负且显著的系数意味着，平均而言，私有企业的风险要大于上市企业的风险。还应注意，如表1所示，竞争较弱的行业中的公司更有可能公开上市。综上所述，这两个事实解释了估算中的高估偏差。
总而言之，表3和表4中的实证检验为假设1提供了实证支持：**竞争较弱的行业中的企业通常更容易遭受系统风险。此外，竞争较弱的行业的企业获得的预期收益在经济上和在大多数情况下在统计上均显著高于竞争较激烈的行业的企业。**另外，结果表明预期收益与集中度和利润之间的关系不是负的。因此，作者的发现与Hou和Robinson（2006）的发现形成了鲜明的对比，后者发现使用基于Compustat的集中度度量方法，对不那么集中的行业中的公司而言风险更大。此外，表1和表4中的证据合计表明，作者的结果与Hou和Robinson（2006）的结果之间的差异部分地可以由公开上市的样本选择误差来解释。
预期收益，集中度和利润：条件检验
迄今为止提供的证据与假设1一致，其重点是竞争与预期收益之间的无条件关系。在本节中，作者将进一步研究预期收益与集中度和利润之间的关系是否与作者提出的经济渠道一致。尤其是，如假设2预测，在经营杠杆水平相对较低的行业中，作者的预期收益与集中度和利润之间的正相关关系相对更强。由于假设2相对于不可观察的经营水平阈值而言并不依赖于行业分布，因此与1相比，它提供了一种补充且更直接的方法来测试这些渠道的存在。
作者通过将公司进行双重排序来测试假设2中的条件预测，首先按行业平均经营杠杆（分为“Bottom”，“Middle”和“Top”），然后再根据集中度或利润（分为L，2和H）。作者使用表3中描述的八种预期回报率的平均值，为这九种投资组合中的每一个进行计算。
表5显示了支持不等式（24）预测的实证证据。面板A为基于已实现收益的预期收益代理以及基于针对公司特征调整后的股票收益的两个代理之间的预期收益差提供了相应证据。在除一种情况以外的所有情况下，作者观察到低经营杠杆行业子样本（A）的回报差显著为正（2.36％至13.50％）。相反，作者观察到，来自高经营杠杆行业子样本（B）的回报差在-1.73％至6.47％的范围内，并且，除一种情况外，其余所有情况在统计上均不显著。面板的最后一行（标记为（A）-（B））显示，来自低（A）和高（B）经营杠杆子样本的回报差始终为正，并且在大多数情况下也具有统计学意义，范围为0.82％至13.50％。
表5中的面板B考虑了因子模型所隐含的预期收益的代理。该面板中显示的结果为假说2的预测提供了有力支持，即低经营杠杆行业的公司回报率比高经营杠杆行业的相应回报率更高。特别是，在经营杠杆率较低的行业中，FF3和CF4模型的预期收益率差距要比在经营杠杆率较高的行业中的预期收益率差距高1.00％至2.77％。
完善经济渠道实证证据
假设1和假设2对预期收益，集中度和利润之间关系的无条件和有条件的影响都依赖于进入威胁和经营杠杆渠道的存在。为了进一步证明作者在表3–5中的发现与这些渠道的存在相一致，本节对市盈率的倒数和经营杠杆率是否实际上如假设3所预测的那样在集中度和利润率方面有所下降进行了研究。
市盈率倒数
假设3的第一部分预测了市盈率的倒数，账面市值比与集中度或利润之间的负相关关系。作者使用表3中讨论的相同的两个替代回归对预期收益进行了测试。回归中使用的控制与表4中使用的控制相同，不同的是市场规模和账面市值比，因为这些变量将与这些测试中的因变量自相关。
表6列出了市盈率倒数的结果。对于集中度和利润的每种度量，第一个说明控制公开上市的样本选择偏差，而第二个则依赖于标准Fama-MacBeth回归。表6显示，市盈率倒数与集中度和利润率负相关。在行业和企业层面上，所有说明在集中度和利润的所有衡量指标上均显示出显著为负的系数。
此外，作者在表6中观察到，在公司和行业层面上，第一阶段的逆米尔斯比率都是显著为正的。这表明，在上市企业占较大比例的行业中的公司往往平均市盈率更高。直观上，这解释了为什么当作者控制公开上市的样本选择偏差时，关于集中度和利润率的第二阶段系数通常较低。此外，鉴于作者的样本选择修正是在假设上市的可能性完全由行业特定特征决定的前提下进行的，因此逆米尔斯比率在企业和行业水平都是显著为正的这一发现表明重要的行业成分解释了上市的可能性。
综上所述，表6的发现与假设3一致。平均而言，利润幅度较高或集中度较高的行业中的企业更好地保留了其价值，因此市盈率更高。分析还表明，私有企业和上市企业的相对估值比率显著不同。
经营杠杆
假设3预测了经营杠杆与集中度和利润之间的负相关关系。为了研究这一假设，作者使用了诺维·马克思（2011）基于compustat的经营杠杆度量。该度量标准被定义为公司的营业收入费用，一般费用，管理费用以及所售商品成本之和与总资产的比率。从直觉上讲，该指标代表了固定经营成本相对于企业规模的大小。
表7是对基于这种方法测度的经营杠杆和利润率指标之间的回归分析。与作者之前的分析一致，对于集中度和利润的每种度量，作者使用两种不同的规范：一种控制公开上市的样本选择偏差，另一种则不。与统计结论一致，表7中的测试表明，在低利润率或低集中度的行业中，企业的经营杠杆通常较高。该预测适用于所有考虑利润度量和作者的CBC度量的规范；在行业层面和公司层面上，HHI度量的结果都较弱。样本选择的校正总是显著的，它的正号表示私有企业平均具有更高的经营杠杆。
最后，作者知道Novy-Marx衡量经营杠杆的方法必须考虑到公司的营业收入费用，一般费用，管理费用以及所售商品的成本包括固定和可变经营成本。在在线附录中，作者提供了其他证据，使用其他的度量方法证明在更具竞争力的行业中经营杠杆也越高。尽管这种替代度量在概念上类似于作者对经营杠杆的理论度量，但其涵盖范围完全是横截面的，并且仅限于制造业。
总结
本文通过理论分析和实证检验证明一个行业的竞争程度对行业预期收益具有重大的影响，为现有研究做出了贡献。作者利用理论模型总结出三个经济渠道，用于解释市场竞争和行业预期收益之间的关系。然后，作者提供与理论预测相符的实证证据，该理论预测是：（1）竞争侵蚀利润，从而使企业更多地暴露于系统性风险中；（2）新企业进入的威胁降低了行业内现有企业的系统性风险；（3）较高的行业风险形成了进入壁垒。
一项额外的贡献是，作者的实证结果解释了Hou和Robinson（2006）（使用基于Compustat的集中度测度）的研究结论与Ali，Klasa和Yeung（2009）（使用基于人口普查的集中度测度）不符的原因，前者认为集中度与预期收益之间显著负相关，而后者认为这种关系缺少显著性。作者说明了与公司上市决策有关的样本选择误差，这是由于公司在竞争较弱的行业中更可能上市。这种选择偏差导致基于Compustat的集中度测量和基于人口普查的集中度测量之间的相关关系较弱。通过使用样本选择校正，作者提出了一种新的集中度测量方法，该方法广泛覆盖了Compustat的所有行业，从而不会出现基于Compustat的测量方法固有的样本选择偏差。
从更广泛的角度来看，本文的结果表明，行业通过影响企业的相对估值和预期资产收益，在金融经济学中发挥着重要作用。行业涵盖了多个方面，不仅仅是本文中探讨的产品市场竞争程度。作者的实证方法还意味着，研究企业系统性风险与行业特征之间联系的实证资产定价文献应控制由于行业特征与企业上市决策有关而产生的样本选择偏差。作者希望这些广泛的见解能激发未来有关行业特征如何与资产价格相互作用的研究。
本文核心内容摘选自M&A在The Review ofFinancial Studies上发表的论文《市场竞争对行业收益的影响》
风险提示
本文结论基于历史数据与海外文献进行总结；不构成任何投资建议。