IMI工作论文|对速度的追求：高铁和公司绩效（Kuang Chun等）

原文信息

作者：

Kuang Chun, School of Banking and Finance, University of International Business and Economics；

Liu Zijie, Simon Business School, University of Rochester；

Zhu Wenyu, IMI Research Fellow, School of Finance, Renmin University of China

摘要

在中国高铁客运专线的阶段性扩张的背景下，本文探究了高铁连接与公司绩效的关系。本文强调了公司位置和面对面交流的重要作用，基于公司对交流和差旅依赖程度的差异性，探讨了高铁连接对公司业绩和规模增长影响的异质性以交通和城际差旅作为生产要素投入，探讨了公司对其不同依赖程度下高铁连接对公司业绩和规模增长产生的不同影响。研究结果表明，高铁运营对交通交流密集型和城际差旅依赖型行业的企业益处更大。具体而言，高铁通过增加分析师关注、提高生产率和市场扩张，促进了交通交流密集型和城际差旅依赖型企业的业绩和规模增长。研究结果表明，通过促进信息的交流和获取，面对面交流可能对我们理解文献中记录的投资的“本地（本土）偏见”至关重要。

以下为文章核心内容：

1

引言

公司位置对公司业绩增长至关重要。在现有的公司金融研究中，公司位置往往被认为是外生的、固定的。然而，交通基础设施的显著主要的交通基础设施的改善可以通过降低不同地点的人们面对面交流、沟通和交换信息的成本，改变公司与市场其他部分之间的相对距离。本文以高铁网络为研究对象，研究其对企业业绩和规模增长的影响。高铁几乎完全服务于旅客运输，这与同时运送旅客和货物的传统铁路非常不同与同时运送乘客和货物的传统铁路不同，高铁几乎完全用于客运。通过促进城市间的交往，高铁促进了信息的流动和思想的交流。本文假设高铁对不同行业的影响不尽相同，且更依赖面对面交流和城际差旅的企业将从高铁运营中获益更多。假设不同行业间的异质性依赖于交通和城际差旅强度，则更依赖于面对面交流和城际差旅的交通密集型和城际差旅依赖型企业将从高铁运营中获益更多。

本文对所有行业从交流密集度和差旅依赖度两个维度进行排名，将两个维度排名均在前一半部分的行业作为处理组根据互动劳动和城市间差旅投入在其生产中的重要性的行业排名，以排名前一半的行业作为处理组，定义为交通密集型和城际差旅依赖型的行业。利用城市连接到高铁网络的时间顺序的相对随机性利用城市与高铁网络连接的随机性，本文在双重差分（DID）框架下本文在DID框架下，剔除从未连通高铁的观测值，基于控制公司和年度固定效应、公司和城市特征，研究了公司业绩与高铁连接之间的关系。本文发现高铁对处理组行业的企业业绩和规模增长尤其有利，并且这种效应具有持续性。同时，本文检验了分析师关注、生产率提高和市场扩张三种机制。同时，本文检验了分析师关注、生产率提高和市场扩张三种机制，发现高铁对处理组行业的企业业绩和规模增长尤其有利，而且这种效应具有持续性。此外，本文进一步探讨了高铁带来的相比于高速列车与普通列车，高铁节省更多的差旅时间，处理组企业利用高铁与更多特大城市的连接，并从中受益，证实了差旅时间成本的降低和集聚经济的重要性。

 本文是关于公司位置的公司金融文献，对现有文献作了三个重要的贡献。首先，本文是与地理邻近性和金融互动相关的文献。通过促进知识的交流和获取，面对面交流对我们理解“本地（本土）偏见”至关重要。其次，本文重点关注中国的高铁网络和交通交流密集型和差旅依赖型的企业，为交通基础设施与公司绩效之间关系的文献提供了公司层面的证据。最后，本文研究是关于中国高铁网络空间影响文献的补充，揭示了高铁对公司业绩和规模增长影响的内在机制和异质性效应。

2

主要内容

我们的实证分析依赖于三组数据:（1）高铁网络的建设和运营，（2）公司层面的测度，（3）城市特征。为了研究高铁连接与企业绩效之间的关系，本文利用高铁网络的建设信息，构建了一个公司层面的年度面板数据本文构建了一个公司层面的年度面板模型，并补充了高铁网络的运营和扩展信息。我们的原始公司样本包括所有在中国上海和深圳证券交易所上市的公司。考虑到2003年是首条高铁秦皇岛-沈阳线投入使用的年份，研究周期为2004年至2017年。公司位置是由其总部所在的城市确定代表的，而每个城市都是通过城市中的高铁车站连接到高铁网络的。表3给出回归分析中使用的所有变量的详细定义。

高铁数据主要来自CNRDS数据库，涵盖了高铁线路、站点和列车的信息。本研究的关键解释变量表示在第t年城市c是否与高铁网络连接。为了度量高铁连接的持续时间，设定表示城市c在第t年连接到高铁网络的年数。

公司财务数据以及公司总部所在地的信息主要来自CSMAR和Wind数据库，以办公营业地址定位公司。公司业绩包括盈利能力和规模两个方面。盈利能力指标包括：（1）息税前利润（EBIT）比率，即息税前利润除以总资产的比率；（2）资产回报率（ROA）；（3）股本回报率（ROE）。企业规模是用总资产（lnAssets）或员工数量（lnEmployees）的自然对数来衡量的。公司财务的其他控制变量包括：（1）杠杆率（Leverage），即总债务与总资产的比率，作为对公司资本结构的控制；（2）现金流（CashFlow），即上一年度按总资产标准化的净营运现金流，作为衡量企业流动性的指标；（3）市净率（q），衡量公司长期增长机会。

城市数据主要来自中国城市人口普查统计年鉴，包括实际GDP（lnRealGDP）和人口（lnPopulations）等。以第三产业的就业规模（lnTertiaryEmployment）表示当地产业构成。考虑到航空和高铁之间潜在的替代效应考虑到航空和高铁旅行之间的潜在替代，本文使用中国民用航空局收集的数据，用lnAirportPassengers表示每个机场每年的乘客数量，即每个机场每年的乘客数量+1的自然对数代表城市的航空旅客运力；用lnInternetUsers，即表示拥有宽带连接的家庭数量的自然对数，以衡量通信技术在各个城市的渗透情况。

基于与Fernald（1999）相似的逻辑根据Fernald（1999），处理组企业应该是在日常运营中最大程度地利用高铁网络的企业。由于没有现成的测度指标，本文根据（1）非常规面对面交流和（2）城际铁路旅行的重要性对行业进行排名，以确定最有可能从高铁运营中显著受益的行业。在沟通依赖程度交通方面，本文使用Autor等人（2003）构建的行业层面非常规互动技能（non-routineinteractive skills）强度测度。在差旅依赖程度方面，本文使用中国国家统计局2017年发布的所有行业投入产出表中的信息，根据铁路旅客出行投入占总投入的比例，对行业进行排名。本文将在这两个维度中排名均在前一半部分的行业确定为我们的处理组。其中，处理组行业包括教育、公共管理、金融和保险、技术服务和商业服务等行业；控制组行业包括农业、采矿、制造业、社会服务、家庭服务和信息技术服务等行业。定义COMMhigh作为区分表征企业是否为属于交通交流密集型和差旅依赖型企业行业的指标虚拟变量。

由于位于从未连接到高铁网络的城市的公司可能大概率与高铁网络城市中的公司那些拥有高铁网络的公司有本质上的不同，本文将样本局限在截至2017年年底连接到高铁网络的公司，着重关注的是来自于一个城市连接到高铁网络的先后顺序的差异，而不是一个城市是否连接到高铁网络的差别。因此，本文将样本局限在截至2017年年底连接到高铁网络的公司。

为消除公司对高铁网络偏好的影响，本文将样本限制在2003年之前（2003年是首条高铁线投入使用的年份高铁网络在2004年首次提出之前一年）成立的企业；同时，为排除降低反向因果关系的影响潜在的反向因果关系，本文剔除排除了在样本期间内曾经更换过总部城市的公司。在上述假设下，模型中存在两层差异，即交流交通密集型和差旅依赖型企业与控制组企业之间的差异，以及企业与高铁网络连接前与连接后的差异。

本文的基准回归模型为：

 其中，Yic,t表示总部位于城市c的公司i在第t年的结果变量，包括三种盈利能力指标（EBIT，ROA，ROE）和两种规模指标（lnAssets，lnEemployees）；关键解释变量HSRc,t-1企业总部城市c在t-1年是否与高铁网络连接的指标；Xi,t-1表示公司在t-1年之后一年的财务指标向量，包括企业总资产、杠杆率、现金流和市净率；Zc,t-1表示城市控制变量，包括GDP、人口、产业结构、航空客运量和宽带普及率；ui和vt分别表示公司和时间固定效应是表示公司和时间固定效应的向量。HSRc,t-1和COMMhigh交互项系数δ表示交流交通密集型和差旅依赖型企业与其他企业在连接到高铁网络前后的企业绩效变化的差异。

我们进一步假设，高铁对处理组行业的影响是持续的。为了检验这一假设，本文构建了一个累积测度HSR(Year)c,t-1来表示城市c在第t−1年为止接入高铁网络的年数：

高铁的持续效应可以用交互项系数δ来度量表示。

表7中Panel A为（4.11）的估计结果，Panel B为（4.12）的估计结果。在Panel A中，盈利能力回归的结果显示，与其他行业的公司相比，处理组公司在连接到高铁网络后，盈利能力得到了更显著的改善提升，其中息税前利润增加1.6个百分点，净资产收益率增加1.3个百分点，净资产收益率增加3.0个百分点。在企业规模方面，与其他行业企业相比，处理组行业的企业接入高铁网络后，平均会增加6.9%的资产规模和17.4%的员工数量。Panel B的结果表明，高铁对交通交流密集型和差旅依赖型行业的企业的影响是持续的。例如，对于处理组企业，平均而言，与高铁网络连接时间每增加一年，总资产回报率就会增加0.2个百分点。在企业规模方面，平均而言，处理组企业与高铁网络连接时间每增加一年，lnAssets（资产净值）和lnEemployee（员工数量）分别额外增加1.8%和2.5%。

图5描绘了连接高铁网络前后的时间窗口内（即t-2、t-1、t、t+1、…、t+5+），处理组和控制组企业在盈利能力和公司规模方面的差异，以检验平行趋势假设分别描述了连接高铁网络第n年各指标在盈利能力回归和规模回归中的估计系数（即t−2、t−1、t、t + 1、…、t + 5+）。在t + 1时，盈利能力回归中盈利能力交互项的估计系数的幅度有一个明显的向上转移有明显上升。这些估计结果显示，处理组公司的业绩和规模增长在连接高铁网络数年后似乎会持续，而不是一次性的提升。此外，研究表明，在被连接到高铁网络之前，处理组行业中的企业与其他行业中的企业在很大程度上相似，这与DID的平行趋势假设一致。综上所述，交流交通密集型和差旅依赖型企业更多地受益于与高铁网络的连接，而且这种收益似乎会持续一段时间。

本文针对基准回归结果进行如下稳健性检验：

（1）单一地点的子公司。本文将在多个地点拥有子公司的公司（即多地点公司）与没有子公司或子公司与控股公司在同一地点的公司（即单一地点公司）区分开，以注册资本计算每个公司每年的子公司总数和总规模。为了证明基准结果的稳健性，本文对将在其他地点没有子公司的公司作为样本，重复基准模型的回归进行检验，。结果报告在表8的Panel A中。单一位置子样本的估计系数与表7相似，所有结果变量的系数都略大一些。通过去除可能会影响结果的多地点因素，本文提高了高铁测量的精度，发现高铁连接对于具有单一运营地点的交通交流密集型企业的影响更大。

（2）高铁连接的工具变量。借鉴Baum-Snow等人（2017），本文基于1962年中国的铁路网络和城市海拔本文测度高铁网络与1962年中国铁路网的连接，构建一个只影响城市的连接顺序，而不影响企业绩效的工具变量。根据工具变量的外生性和相关性假设，1962年的铁路网应该只通过影响其对高铁网络配置设置的影响来影响今天的企业绩效样本中城市与高铁网络连接的顺序取决于模型中所有公司层面和城市层面控制变量，1962年的铁路网应该只通过其对高铁网络配置的影响来影响今天的企业绩效，满足工具变量的相关假设。此外，在低海拔城市建设高铁线路不太可能面临工程困难的施工难度更低，这使得这些低海拔城市有可能在高海拔地区之前就被连接起来会更早地被接入高铁网络。，考虑到1962年的铁路工具变量是静态的，而高铁连接指标是时变的，本文使用1962年铁路连接信息和基于城市海拔预测的理论高铁连接年份的交互项作为工具变量高铁连接指标采用了1962年铁路连接和城市相对海拔的混合数据作为工具变量，估计结果报告在表8的Panel B中。基准结果在质量方向上整体保持不变，只是但是估计值稍微大了一些。

（3）差旅强度的替代指标。采用差旅费用与管理费用总行政费用之比（%TravelExpense）的多年平均值作为差旅强度的替代指标，用以替换（4.11）中的COMMhigh。结果显示在表8的Panel C中，即差旅依赖型企业从高铁连接中获益更多，这与本文的基准结果一致。

（4）伪造证伪检验。前述基准结果基于交流依赖度和差旅依赖度两个维度构建处理组指标。在证伪检验中，本文保留一个正确维度，并将另一维度替换为一个错误的变量，依此法构建了两个伪处理组指标本文将一个真实输入（即与我们的基准处理组测量相同）与一个虚拟输入排名混合，构建了两个伪处理组指标。第一个测度为“Interactive-Freight”，保留了非常规的交互劳动投入，并在处理组度量中，用铁路货运投入代替铁路客运输入投入。第二种测度方法为“Manual - Passenger”保留了铁路旅客的出行投入，在处理组测量中，用手工技能（manual skill）代替了非常规的交互技能。与本文预测一致的是，伪处理组并没有像基准模型中确定的处理组那样从高铁网络中受益，因为其系数大多与零没有统计学上的差异。

（5）匹配估计。DID模型与匹配估计相结合，使用n = 3的最近邻匹配标准，将每个处理组公司与三个控制组公司进行匹配，与基准回归新第四实证结果实证结果与基准回归相似，见表8的Panel D。

为了更好地理解高铁促进处理组行业企业绩效的过程，本文检验了三种传导机制:分析师关注、生产率提高和市场扩张:

（1）分析师关注

根据“本地（本土）偏好”，投资者对本地公司有强烈的偏好，因为距离较远的公司在信息沟通方面处于劣势。本文假设高铁连接可以在一定程度上缓解处理组企业与其潜在投资者之间的信息不对称，并将分析师覆盖率作为验证高铁连接信息渠道的结果变量。Chang et al.（2006）和Derrien and Kecsk´es（2013）均表明，分析师覆盖率可以缓解信息不对称，且分析师覆盖率越低，融资和投资越低。从公司财务约束程度和企业总部所在地两个维度对信息不对称进行了表征，其中两个最常用的财务约束指标为Kaplan-Zingales（KZ）指数（Kaplan and Zingales ,1997 and Lamont et al. ,2001）和Whited-Wu (WW)指数（Whited and Wu,2006）。财务约束是信息不对称的自然表征，财务约束越严，企业的信息不对称程度就越高。在t某一年KZ或WW指数分布中，处于前三分之一的企业被定义为在t年具有财务约束企业。此外，本文还通过公司总部的位置来测度企业的信息不对称水平（即特大城市和非特大城市）。

如表9所示，第（1）列显示了完整的样本结果，在连接到高铁网络后，与其他公司相比，交通交流密集型和差旅依赖型公司吸引了更多的分析师关注。列（2-5）的结果表明，这种分析师覆盖率的差异增加只在具有财务约束的公司存在。在列（6-7）中发现，与位于特大城市的公司相比，位于小城市（即非特大城市）的处理组公司在连接到高铁网络后，获得的分析师关注显著增加。因此，高铁连接的信息渠道对于信息不对称程度较高的处理组企业作用更加显著。通过增加分析人员师的关注，高铁连接可以潜在地促进投资者将的资金注入交流密集型和差旅依赖型的企业流动，并降低其资金成本，连接高铁网络可以提高交通密集型和差旅依赖型的企业的从而促进其绩效业绩和规模增长。

（2）生产力的提高

对于在日常运营中高度依赖交通和城际差旅的公司来说，高铁网络的接入是一种积极正向的生产力冲击，在该冲击下，这些公司的员工可以用相同或更少的资源生产更多的产品。例如，高铁大大缩短了城市之间的差旅时间，处理组公司的员工可以在多个城市与更多的潜在客户见面，为他们提供服务或向他们营销产品。员工个人的高生产率使公司可以选择以最小的成本增加来扩大其经营。

本文使用三种生产力指标作为结果变量：（1）对全要素生产率（TFP）的两个估计（根据Levinsohn and Petrin（2003）（即LP）和Ackerberg等人（2015）（即ACF）提出的生产增值函数进行估计），分别用和表示；（2）人均利润（ProfitPerCapita），定义为净收入利润（以百万计）除以雇员人数。将上述三种生产力指标作为模型（4.11）的因变量进行估计。结果报告在表10。

在列（1-3）中，交互项系数为正，与我们的假设一致，即高铁通过降低城市间面对面交流成本来提高运营效率水平，从而提高与高铁网络相连的处理组企业的生产率。在连接到高铁网络后，处理组企业平均会比其他企业有更大的生产率增长。

（3）市场扩张

除了提高处理组企业的生产率，处理组企业还可以通过高铁将业务更有效地扩展到目前尚未通过高铁连接的地区以此增加在高铁网络连接中的受益其他地区。本文构建了一个衡量企业在本省份（即总部所在省份）销售收入份额的指标国内市场（即总部所在地）销售收入份额的测度，并检验企业连接到高铁网络后，本省份销售额占比国内份额是否下降。以为因变量估计模型（4.11）。表10的列（4）显示，与控制组的公司相比，处理组公司连接到高铁网络后，其国内市场本省收入份额平均下降了2.7个百分点，尽管在常规水平上没有统计学意义。此外，将1999年（样本中位数）之后成立的公司定义为新公司，本文分别对样本中新和老企业的市场扩张机制进行了估计（Dunne and Hughes, 1994; Hart and Oulton, 1996; Mansfield, 1962）。研究结果表明，在新公司连接到高铁网络后，与控制组相比，处理组公司在国内市场收入份额下降了12.0个百分点（列（5））。对于旧老企业，则没有观察到高铁连接的处理组行业和控制组行业的企业在统计上的显著差异，如表10的列（6）所示。因此，高铁网络有助于交通交流密集型和差旅依赖型企业更快地扩展运营网络，尤其是对新企业的作用更加显著。

此外，本文还进行了一系列的异质性分析，以显示连接到高铁网络的潜在收益：

（1）节省差旅时间成本

如前所述，高铁网络可以使处理组的企业能够显著提高其运营效率，并在连接到高铁网络后，反过来以提高其业绩和公司规模增长率。提高效率的最重要形式之一是节省城市间差旅的成本和时间。高铁相比普通铁路节省的时间越多与普通铁路相比，高铁节省的旅行时间越多，高铁网络对交通交流密集型和差旅依赖型企业的绩效提升越大。本文使用基于样本中所有城市之间的普通列车和高铁的行程长度差旅时长信息，对每个城市对，计算高铁相比普通列车节省的计算了样本中每个城市对普通列车和高铁的差旅时间差异。然后，计算出每个城市的平均节省的差旅时间，在城市连接到高铁网络之前，该变量被设置为0。结果报告在表11的Panel A中。研究结果表明，高铁连接对处理组企业绩效和规模增长的促进作用随差旅时间的节省而增强。

（2）集聚经济

根据现有的生产力文献，人力资本的集中有利于学习和信息共享，从而促进生产力的提高（Marshall, 1890）。高铁连接使小城市的处理组企业能够接触到大城市的消费者，向他们推销自己的产品和服务，而不必为在这些高成本地区的实际运营支付高昂的租金。为了直接检验与大城市相关的集聚经济在高铁连接与交通交流密集型和差旅依赖型企业绩效之间的关系中的作用，将（4.12）中HSR(Year)c,t-1替换为HSR(Mega)c,t-1或HSR(#Mega)c,t-1，其中，HSR(Mega)c,t-1表示是否通过高铁直接连接特大城市的指标，HSR(#Mega)c,t-1表示在t-1年城市c通过高铁连接的特大城市数量，取值范围为0 - 3。在此分析中，本文排除了总部位于这四个特大城市的公司，以便（1）避免将特大城市-特大城市的连接与特大城市-非特大城市的连接混为一谈避免将与特大城市和与非特大城市连接混为一谈，以及（2）了解与特大城市的高铁连接对小城市公司的影响。根据表11中Panel B和Panel C的估算估计结果，处理组企业通过高铁与特大城市的连接获得了更多的收益，并证实了由于交通密集和差旅依赖，高铁与企业绩效之间的关系存在集聚经济这证实了集聚经济的存在。通过高铁连接到更多的特大城市，处理组企业将获得更多的好处，这体现在盈利能力的提高和规模的进一步增长。

为检验在交通交流密集型和差旅依赖型行业中，到大城市的距离（以旅行时间衡量）是否与高铁连接对企业绩效的影响有关，本文以3小时、1-3小时、3-6小时、6小时或6小时以上的时间间隔来衡量公司到最近的大城市的差旅时间。图8结果显示，对于距离最近的特大城市3-6小时车程的处理组企业，结果更加显著。

3

结论

本文以中国高铁网络为研究对象，利用2004-2017年的年度公司数据，探究高铁网络通过大幅降低交流成本对公司业绩和规模增长的影响。高铁的影响根据公司对交流和城际差旅（作为一种生产投入）的依赖程度不同而不同这些影响根据交通和城际差旅（作为生产投入）的依赖程度不同而不同。本文利用DID方法证实交通交流密集型和城际差旅依赖型行业的企业从高铁运营中获益更多，且高铁运营对企业的影响是持续的。

在具体的机制方面，高铁连接通过增加分析师的关注、提高生产率和扩大市场，促进交流交通密集型和城际差旅依赖型行业的企业绩效和规模增长。此外，研究发现了集聚经济的证据，即连接到（多个）特大城市的交流交通密集型和差旅依赖性的企业业绩更优，增长更快。最后，本文还发现，对高铁的利用率越高高铁出行越是频繁，处理组企业就越能享受到可观的利益。这与高铁对交通交流密集型和差旅依赖型企业的影响随着旅行时间的节省而增加的研究结果一致，距离最近的大城市具有3-6小时差旅时间的的企业受益更多。

利用中国客运专用高铁网络的阶段性扩张，本文强调了公司位置和面对面交流的重要性。研究结果表明，这样一个庞大的城际差旅网络会改变公司与市场其他部分之间的相对距离，潜在地弥补了公司地理位置的永久性劣势。通过促进知识的交流和获取，面对面交流可能对我们理解投资中的“本地（本土）偏见”至关重要。

ABSTRACT

Exploiting the staggered expansion of China’s passenger-dedicated high-speed rail (HSR) network, we study the relationship between HSR connection and firm performance. By highlighting the importance of firm location and face-to-face interactions, we test the differential impact of HSR connection on the performance and growth of firms that differ in their dependence on communication and inter-city travel as production inputs. Our results confirm that firms in communication-intensive and travel-dependent industries benefit more from the operation of the HSR. Moreover, in examining the specific mechanisms at work, we find evidence that the HSR promotes firm performance and growth for the communication-intensive and travel-dependent through increased analyst attention, productivity boosts, and market expansions. Our findings imply that face-to-face interactions, through facilitating the exchange and acquisition of information, are potentially important for our understanding of “local (home) bias” of investment documented in the literature. 

本文系中国人民大学国际货币研究所工作论文

编号IMI Working Paper No.2208[EN]

本文刊于

Journal of Corporate Finance, 2020年12月

扫二维码阅读原文

   整理  孙宁

   编辑  路钰秾

   来源《Journal of Corporate Finance》

   监制  安然

关于我们

“大金融”概念，在学理上源于黄达教授所倡导的宏微观金融理论相结合的基本思路，在理念上源于金融和实体经济作为一个不可分割的有机整体的系统思维。中国人民银行副行长陈雨露在《大金融论纲》中系统论证了“大金融”命题的基本内涵和方法论思想，为全面构建有利于促进长期经济增长和增强国家竞争力的“大金融”体系框架奠定了理论和实证基础。

本公众号由中国人民大学国际货币研究所（IMI）负责维护及推送，围绕大金融理念，专注传播优秀学术研究成果，加强大金融学术研究交流。

中国人民大学国际货币研究所（IMI）成立于2009年12月20日，是专注于货币金融理论、政策与战略研究的非营利性学术研究机构和新型专业智库。研究所聘请了来自国内外科研院所、政府部门或金融机构的90余位著名专家学者担任顾问委员、学术委员和国际委员，80余位中青年专家担任研究员。

研究所长期聚焦国际金融、货币银行、宏观经济、金融监管、金融科技、地方金融等领域，定期举办国际货币论坛、货币金融（青年）圆桌会议、大金融思想沙龙、麦金农大讲坛、陶湘国际金融讲堂、IMF经济展望报告发布会、金融科技公开课等高层次系列论坛或讲座，形成了《人民币国际化报告》《天府金融指数报告》《金融机构国际化报告》《宏观经济月度分析报告》等一大批具有重要理论和政策影响力的学术成果。

2018年，研究所荣获中国人民大学优秀院属研究机构奖，在182家参评机构中排名第一；在《智库大数据报告（2018）》中获评A等级，在参评的1065个中国智库中排名前5%。

微信号：大金融思想

（点击识别下方二维码关注我们）

文章推荐/投稿/合作     ☎️010-62516755

          联系方式             📮[e-mail]