“去产能”政策是否提高公司绩效* ——基于制造业上市公...

奥鹏网院作业

“去产能”政策是否提高公司绩效*
——基于制造业上市公司的实证研究
汪海建 薛云燕 周绍杰

[提 要] 党的十八大以来，中国积极调整经济结构，以推动经济由高速发展向高质量发展转型。而治理产能过剩作为结构调整的重要一环，对于促进相关行业有序健康发展具有重要意义。同时，产业政策的必要性与有效性仍是学术界争论的焦点。本文以中国“去产能”政策为研究对象，从抑制型产业政策的有效性出发，使用双重差分法(DID)分析了其对制造业类上市公司全要素生产率和利润等绩效指标的作用效果。研究发现，“去产能”政策对产能过剩行业的上市企业绩效影响呈现U型关系。短时间内，“去产能”政策会对企业绩效存在负面影响，但从更长时间维度看，则有利于企业绩效水平的提升。另外，本文采用不同的全要素生产率计算方法、更换核心解释变量测度方式以及进行随机分组运算等方法，分析结果依然稳健。本文的研究结果意味着，抑制型产业政策可以成为政府弥补市场失灵、促进产业高质量发展的有效政策工具。

[关键词] “去产能”政策；制造业；高质量发展；全要素生产率

一、引言
2008年全球金融危机爆发后，中国经济增长的外部条件发生深刻变化。与此同时中国经济发展进入新常态，经济增长速度从高速逐步转向中高速，经济结构和增长动力发生深刻变化，经济结构的转变推进了经济增长动力的转换。其中，经济结构转型的一个重要方面就是产能过剩行业的治理。2012年，钢铁、水泥、电解铝等高耗能、高排放行业的产能利用率分别为72%，73.7%，71.9%，低于国际公认75%的产能严重过剩标准。(1) 《国务院关于化解产能严重过剩矛盾的指导意见》国发〔2013〕41号。 产能利用率直接影响企业的财务表现(国务院发展研究中心《进一步化解产能过剩的政策研究》课题组，2015)，使得产能过剩行业的企业债务风险加大，而企业的债务风险又进一步向金融系统传导，从而加剧系统性金融风险。

党的十八大以来，中央政府对于产能过剩问题高度重视。2013年，国务院办公厅发布《国务院关于化解产能严重过剩矛盾的指导意见》，突出强调了我国传统制造业产能利用率过低的现实以及加快化解产能过剩的重要性和紧迫性。2015年底，中央经济工作会议提出供给侧结构性改革。“去产能”成为“三去一降一补”五大任务之一，也被列为“十三五”时期推进供给侧结构性改革的首要任务。那么，“去产能”政策作为产业政策的一种，其实施效果究竟如何？能否提高相应行业生产效率，促进其健康有序发展？这些问题值得深入探讨。

产业政策是政府调节市场的重要手段，但能否真正缓解市场失灵在学术界尚未达成一致，需要进一步厘清其有效性的条件和边界。根据政策目标和手段，产业政策大致可以分为两种，一是促进型产业政策，即通过税收减免、补贴、政府购买等措施，增加市场需求或者降低该类产业的运营成本；二是抑制型产业政策，即通过提升技术标准、市场准入或者直接使用行政手段等，增加该类产业的运营成本。需要说明的是，抑制型产业政策目标并非一定为了抑制该类产业的发展。相反，可能是为了遏制恶性竞争，加速优胜劣汰，进而促进该类产业健康发展与升级。

促进型产业政策和抑制型产业政策实施的逻辑和基本条件存在较大差别。其中，制定合理的促进型产业政策需要政策制定部门对产业发展方向和技术前沿进行准确把握和预测。当前技术更迭速度加快，复杂程度加深，对处于非专业领域的政府部门提出了更高的要求。而抑制型产业政策一般针对过剩低端产能，其作用对象更易判断识别，对政府的信息搜集、信息处理、政策执行等能力的要求也相对较低。Bhagwati(1969)将资源配置偏离最优的状态定义为扭曲，并且存在两种类型的扭曲：一是内在的扭曲，其根源是发展中经济体市场机制不完善，例如市场刚性、滞后效应、产权不明晰等；二是外在原因引致的扭曲，以政府不当干预为主，例如各种选择性产业政策。“去产能”作为供给侧结构性改革的手段之一，其目的是改善扭曲的资源配置现状，提高经济要素配置效率。“去产能”政策一方面促进市场机制发挥作用，督促落后企业、落后产能及时退出市场，缓解市场的恶性竞争；另一方面，去产能政策也在纠正政府过去不当的干预，更加审慎地为重工业企业提供税收、土地优惠，严格限制审批，落实环保标准，从不当干预转变为能够改善资源配置的积极干预。

学术界对促进型产业政策的研究较为丰富。政府通过补贴、信贷、税收等手段促进企业创新、推动产业升级(韩永辉等，2017；余明桂等，2016；黎文靖和郑曼妮，2016；孙早和席建成，2015)。而少有学者对抑制型产业政策进行深入研究(江飞涛和李晓萍，2010)。本文基于2009—2018年制造业上市公司的数据，从抑制型产业政策的角度，深入分析了“去产能”政策对企业全要素生产率、利润、主营业务收入等公司绩效的影响。本文可能的贡献主要体现在如下几个方面：第一，本文发现了“去产能”政策对上市公司全要素生产率的U型影响关系，更加深入、全面地刻画了“去产能”政策产生的作用效果，具有重要的政策含义；第二，本文从抑制型产业政策和促进型产业政策的视角重新探讨了产业政策的有效性问题，为这一重要领域丰富了文献；第三，本文从多个维度探究了“去产能”政策的作用机制，有利于更加深入地理解“去产能”政策；第四，本文通过更换核心变量的测度方式和随机分组检验等方法，进一步提升了分析结果的稳健性。

本文后续结构安排如下：第二部分为文献综述；第三部分为政策梳理；第四部分为研究设计；第五部分为实证分析结果，包括平行趋势检验、基本回归结果、稳健性检验、机制分析以及异质性分析；第六部分就企业利润进行拓展性分析；最后一部分是研究结论与政策建议。

二、文献综述
产业政策作为政府干预市场的重要手段之一，被广泛应用于世界多个国家，尤其是赶超型经济体(Andreoni et al., 2019)。然而，关于产业政策的必要性和有效性仍然是学术界争论的一个重要焦点(Andreoni & Chang, 2019)。一方面，政府在干预市场的过程中面临能力和动机的双重阻力。在动态的市场竞争过程中，关于需求、供给、技术发展方向等信息量巨大，政府难以有效解决分散知识的利用问题，不能及时收集、处理、反馈信息。而且政府与市场的行为目标也不完全一致，存在委托代理问题(Hayek,1980; Lavoie,1985; 江飞涛和李晓萍, 2010)。因此，政府干预不一定能够缓解市场失灵，反而可能扭曲市场竞争机制，降低资源配置效率，造成更严重的市场失灵(耿强等，2011)。另外一方面，由于垄断、外部性、公共物品、信息不对称等因素，市场存在难以自我克服的局限性。因此，通过外部力量提升市场效率存在理论上的可能性。此外，面对发达经济体在技术、资本、管理等方面的优势，处于发展初期的产业和经济体也难以在纯粹的市场环境下公平竞争(Hamilton, 1904; Cohen & DeLong, 2016)。而设计合理的产业政策能够与市场竞争机制形成互补(Aghion et al., 2015)，在结构依赖、制度构建和冲突协调方面发挥积极作用(Andreoni & Chang, 2019)，改善生产要素的配置效率(Hsieh & Klenow, 2009)，提升产业创新效率(Peters et al., 2012)，缓解市场失灵问题(Hausmann & Rodrik，2003；江小涓，2014)。

而产能过剩作为资源配置失灵的一种体现，其形成原因既有政府的不当干预，也有市场机制自身的缺陷。一方面由于工业投资规模大、见效快、带动作用明显，地方政府为了应对上级考核和晋升压力，不仅放宽对生产设备环保要求、技术标准的审查，还争相提供低价土地、税收优惠鼓励企业投资(周黎安，2004；曹春方等，2014；江飞涛等，2012)，使得工业产能无序扩张。另一方面，市场的一些固有特征，如经济周期波动、市场信息不充分、经济主体反应滞后、进入壁垒低而诱发价格战等，进一步加剧了产能过剩(林毅夫等，2010；徐朝阳和周念利，2015)。此外，也有学者讨论产能过剩的微观形成机制，包括企业家的政治关联(程虹和白云，2018)、银行所有制歧视(孙成浩和沈坤荣，2019)与信贷资源配置扭曲(钱爱民和付东，2017)等。

除了分析产能过剩形成的原因，学者也在理论层面对“去产能”政策以及供给侧结构性改革进行了有益探讨(巴曙松和余芽芳，2013；胡鞍钢等，2016；潘文轩，2016)，而较少从实证角度对“去产能”政策的效果作量化评估。刘斌和张列柯(2018)研究发现，由于地方政府干预，地方国有企业“去产能”的黏性显著大于非国有企业，又随着地方市场化程度的差异而进一步分化。王桂军(2019)基于2011—2016年A股上市公司数据使用双重差分法分析了“去产能”政策对企业创新的影响，研究结果表明该政策显著提升了目标行业的创新水平。相对于已有研究，本文有如下几点贡献或者不同：(1)本文以分析企业绩效指标为主，包括全要素生产率和利润；(2)本文发现了“去产能”政策对企业绩效指标的U型作用关系；(3)本文使用2009—2018年的数据，时间跨度更长，能够更加全面地审视“去产能”政策产生的影响；(4)本文进行了丰富的稳健性检验、机制探索以及异质性分析，有利于更加深入地理解“去产能”政策。

三、政策背景
2000年以来，随着中国加入世界贸易组织(WTO)，中国经济进一步融入世界经济，中国的工业化、城镇化进程也快速推进。与此同时，在城镇化的带动下，中国基础设施扩张、城市现代化建设以及住房和汽车等领域的消费升级推进了基础工业行业的快速发展。由于工业部门产值高、技术门槛相对较低，在地方政府的大力推动下，钢铁、煤炭、水泥等基础工业部门成为拉动地方经济增长的重要部门。2008年全球金融危机爆发后，特别是在中国“四万亿”经济刺激计划实施之后，这些基础工业部门的产能过剩问题日益显现和突出，成为中国经济结构性问题的重要症结所在，也成为政府宏观调控的重要内容之一。2003年底，我国部分行业的产能过剩现象就开始引起中央政府关注。2003年12月23日，国务院办公厅发布《国务院办公厅转发发展改革委等部门关于制止钢铁电解铝水泥行业盲目投资若干意见的通知》，要求各地迅速遏制盲目投资、低水平重复建设的势头。2006年，国务院发布《国务院关于加快推进产能过剩行业结构调整的通知》，明确提出对于产能过剩行业进行结构性调整的要求，中央政策由“控制增量”向“治理存量”转变。随后在2009年、2010年，国务院进一步发文并提出了明确的产能退出压减目标以及生产设备淘汰标准。

然而，2008年国际金融危机爆发后，作为“四万亿”投资和十万亿信贷的经济刺激计划的一部分，中国政府推出了“十大产业振兴规划”，旨在“保增长、促就业”以及促进产业转型升级，但是政策实施的结果适得其反，造成了更为严重的产能过剩(陈剩勇和陈晓玲，2014)。随着国际市场的持续低迷以及国内市场需求趋缓，钢铁、水泥、电解铝等高耗能、高排放行业的产能利用率问题仍未缓解，在2012年分别仅为72%，73.7%，71.9%(2)《国务院关于化解产能严重过剩矛盾的指导意见》国发〔2013〕41号。，低于国际公认75%的产能严重过剩标准。产能过剩也导致了工业生产者出厂价格(PPI)进入负增长区间。根据东方财富网月度统计数据，2012年3月至2016年8月连续经历了长达54个月的PPI负增长。在这样的背景下，过剩产能行业的“去产能”工作势在必行。2013年10月国务院发布《国务院关于化解产能严重过剩矛盾的指导意见》(以下简称《指导意见》)，突出强调了加快化解产能过剩的重要性和紧迫性，“治理存量”的政策手段更加科学合理，督促落实力度更大，是政策力度明显增强的关键节点。随后，在2015年底，我国拉开了供给侧结构性改革的序幕，“去产能”作为“三去一降一补”的五大任务之一，再次成为环境污染治理、制造业转型升级的重要抓手。本文进一步梳理了关于化解过剩产能的中央以及部分典型省份的相关文件，并总结了中央及地方“去产能”政策淘汰标准、政策执行手段的演进历程，见图1。

width=701,height=407,dpi=110
图1 我国“去产能”政策时间线梳理
资料来源：笔者根据公开资料整理。

由图1可以看出，2014年以来不论是中央政府还是地方政府，政策文件的密度和强度都明显增加，尤其是各省份对应出台的配套政策。本文将《指导意见》的发布年份作为“去产能”政策大力实施的时间节点，也是出于以下几方面的事实考虑：

第一，在2014年及以后落后产能淘汰标准显著提高。为确定落后产能的淘汰方式，政策文件通常会对生产设备设定相应的淘汰标准。笔者发现，在2014年前后，尽管中央政府对于淘汰标准的设定没有出现大幅提升(3) 中央规定的淘汰标准没有大幅提高的原因一方面可能是在政策前期政策执行效果不够理想，政策在具体执行中遇到较大阻力，另一方面也体现了中央政府对于完全消除低端落后生产设备的重视。，但是2014年以来地方政府普遍设定了高于中央的严格淘汰标准。2010年河北、河南等省份设立的淘汰标准与中央一致，但在2014年及以后河北、河南、江苏等省份开始设立高于中央文件的淘汰标准。

第二，2014年以后落后产能的淘汰规模大幅提高，见图2。2012年全国共淘汰落后产能煤炭4 355万吨、炼铁1 078万吨、炼钢937万吨。2013年全国淘汰煤炭产能是2012年数量的三倍，炼钢、炼铁产能淘汰数量波动较小。2014年的落后产能淘汰情况最引人注目，煤炭产能淘汰数量增长58%，炼铁、炼钢产能淘汰数量增幅高达357%和252%，水泥、平板玻璃等行业落后产能淘汰数量也在这一年大幅增长，再次印证了2014年是“去产能”政策发力的转折点。进入“十三五”时期后，落后产能淘汰工作继续进行，并制定了在“十三五”期间“粗钢产能净减少1-1.5亿吨，煤炭产能减少8亿吨”的工作目标。

width=500,height=293,dpi=110
图2 2012—2015年我国部分行业落后产能淘汰情况
资料来源：笔者根据国家工信部网站公开数据整理。

第三，2014年以来“去产能”政策的执行手段更加完善。从最初以严格市场准入、银行信贷限制等行政手段为主到综合运用经济、法律、行政手段，并辅以严格的监管措施。2014年以来开始实行严格的差别电价政策，中央政府频繁派出落后产能淘汰督察小组到各地检查，并辅以卫星监测技术等高新技术手段，地方政府的联合执法行动也更加频繁。对政策文件密集度、落后产能淘汰标准、淘汰规模以及政策执行手段等进行多方面梳理后，笔者发现2013年底至2014年初是“去产能”政策的一个重要转折点，“去产能”政策的目标设定、执行力度、监管力度都显著增强，因此本文将其作为实证分析的时间节点。

四、研究设计
(一)计量模型
为准确识别“去产能”政策对上市公司的影响，本文在控制空间固定效应、时间固定效应和行业固定效应的基础上，进行双重差分(DID)估计，具体模型设计如下：

Yipdy=β0+β1Treatd+β2Posty+β3Treatd×Posty+Xipdy+λy+ρp+θd+μipdy

(1)

式中，Yipdy是指公司i在y年p省份d行业的解释变量，主要包括企业经营绩效类变量，例如全要素生产率(TFP)、主营业务收入、净利润等。本文将供给侧结构性改革中受“去产能”政策影响的行业中上市企业作为实验组(Treat)，共涉及六大行业152家企业。其中，钢铁行业46家、煤炭行业36家、水泥行业21家、电解铝行业26家、平板玻璃行业16家和船舶行业7家。由于在数据库行业分类中没有完全匹配的电解铝行业，代之以铝行业；也没有完全匹配的平板玻璃行业，代之以玻璃行业。除西藏外，中国内地其他省份均有实验组企业，山西、河南、江苏、广东等地数量较多。从实验组企业数量在全国的分布情况来看，实验组企业具有较强的地域代表性，能够反映绝大多数地区的政策实施情况。除实验组公司外，上市公司中其余制造业企业(例如机床设备、医疗器械、计算机设备等)设置为对照组。Post表示时间，为二值变量，2013年及以前为0，2014年及以后为1。X为可能影响企业TFP和研发能力的其他因素，主要包括企业固定资产数量、员工数量、企业年龄、国有资本占比、企业股权集中程度和主营业务占比等。λ控制了年份固定效应，以排除时间趋势的影响；ρ控制了省份固定效应，以排除不同省份的异质性影响；θ控制了三级行业分类的固定效应，以排除行业自身发展特征对企业效率和研发投入的影响。

(二)数据来源与描述性统计
考虑到微观数据的可获得性和时间匹配程度，本文使用2009—2018年期间十年的A股上市公司的季度数据。企业所属行业采用中信公司的行业分类标准，其余变量数据来自锐思(RESSET)数据库。由于“去产能”政策主要针对制造业，所以为了提高实验组和对照组的可比性，本文把分析对象限定为制造业，剔除了其他行业的样本数据。在数据处理上，为了提高样本的代表性，本文在1%水平上进行双尾截断处理。对于固定资产清理和国有资本占比的缺失值，本文以0补齐。此外，为防止部分变量原值为0，取对数后造成数据缺失，本文借鉴Howell(2017)的做法，对此类变量原值的基础上加1后再取对数，见表1。

表1 描述性统计

width=745,height=393,dpi=110
当企业生产函数的投入要素中含有不可观测因素，或者可观测投入要素由非可观测因素决定时，使用OLS进行估计会产生系统性偏差。为保证分析结果的稳健性，本文采用多种方法估计企业全要素生产率，包括参数方法的索罗余值法和半参数方法的OP方法(Olley & Pakes, 1996)、LP方法(Levinsohn & Petrin, 2003)以及ACF方法(Ackerberg et al., 2015)。其中，OP方法以低阶多项式近似控制函数，使用企业投资额作为企业生产率冲击的代理变量， LP方法则用企业的中间产品投入量作为企业生产率冲击的代理变量。在使用OP和LP方法计算TFP时，倘若自由变量和代理变量之间存在相互依赖问题，就会产生估计偏误。为此，ACF方法放宽了数据独立性假设，并针对这种潜在的问题进行了修正。另外，为了剔除价格波动产生的影响，本文以2008年为基期对主营业务收入进行平减，并在此基础上分别利用上述四种方法计算企业的TFP。

五、实证结果
(一)平行趋势检验
控制组与实验组在政策实施前的平行趋势是保证DID分析可靠性的一个重要条件。为了保证估计结果的无偏性和有效性，本文根据主营业务占比、企业年龄、股权集中度等变量对实验组和控制组对样本进行倾向得分匹配处理，剔除不满足共同区域假定的观测值，实验组和对照组的平衡性显著提升。通过全要素生产率的趋势图(图3)可以看出，在2013年之前，实验组与对照组企业的TFP基本保持较好的平行趋势，而2013年之后，实验组与对照组则出现明显分化。实验组企业的TFP连续下降，在2016年大幅反弹，而对照组企业的TFP基本保持平稳趋势。这说明，“去产能”政策对于目标行业内上市企业产生了显著的影响。另外，通过95%置信区间的动态检验图(图4)来看，实验组与对照组的TFP在2013年之前无显著差异，而2014—2018年期间则有3年呈现显著差异。

width=352,height=258,dpi=110
图3 平行趋势检验1

width=356,height=262,dpi=110
图4 平行趋势检验2

(二)“去产能”政策对企业TFP的影响
1.对企业TFP影响的基本分析。基于OP方法、LP方法、ACF方法和索罗余值法计算的TFP数值，本文将式(1)的回归结果报告于表2。

由表2的实证结果可知，Treat与Post的交乘项(Treat_Post)显著为负。这说明在2014—2018年，“去产能”政策对实验组企业的全要素生产率在总体上产生了显著的负向影响。无论是采用参数方法还是半参数方法计算TFP，回归结果基本一致。相对于控制组企业而言，实验组企业的全要素生产率由于“去产能”政策的实施降低了约6.7%。这一结果似乎与“去产能”政策初衷相悖。而且，受“去产能”政策影响更大的是中小企业，而上市公司作为大中型企业会由于同行业中小企业的部分退出而获得更多市场份额，进而有助于提高上市公司的TFP。本文的实证研究表明，相对于“非去产能”行业上市公司，“去产能”行业上市公司也同样遭受了负向冲击。可能的解释是，“去产能”政策的实施并不是以企业规模大小为标准划分，而是基于生产设备的规模、型号等因素。由于政策设置了较高的淘汰标准，因而上市企业也有亟待淘汰的生产设备，进而对生产率产生了冲击。

表2 “去产能”政策对企业TFP的影响

width=745,height=569,dpi=110
注：*，**，*** 分别表示10%，5%，1%的水平上显著; 表格中括号内的标准差都使用的是稳健标准误，下表同。

虽然静态回归结果说明“去产能”政策对于上市公司中的制造业企业存在负向影响，但是动态效应分析会更具启发性。为此，本文还考察了“去产能”政策对目标行业内的上市公司的长期动态影响(见表3)。笔者进一步把反映动态影响的回归系数，即Treat与Post的交乘项，(Treat_Post2013至Treat_Post2018)呈现于图5。由图5可知，“去产能”政策对企业生产率的影响具有滞后效应，表现为一个显著的U型关系。具体而言，在政策实施初期，目标行业内上市公司相对于其他上市公司的全要素生产率呈现下降趋势。2015年，“去产能”目标行业内上市公司的TFP低于其他上市公司达到14%。随后，“去产能”行业企业的TFP开始反弹，二者之间的差距不断缩小，并于2017年显著超过“非去产能”行业企业。可能的解释是，“去产能”政策的根本目的在于减缓产能过剩行业的恶性竞争，促进该类行业的健康发展。部分上市企业由于自身也存在一定的落后产能，需要花费高额成本调整产能、升级技术结构，以实现产业升级。随着“去产能”政策的深入实施，行业低端产能的逐步消减，“去产能”行业企业的上市公司的技术优势开始逐步显现。这也解释了TFP的变动趋势呈现U型的原因。

width=356,height=260,dpi=110
图5 “去产能”政策的动态效应

表3 “去产能”政策对企业TFP的动态影响

width=744,height=451,dpi=110
(三)稳健性检验
1.按照主营业务占比进行DID估计。由于实验组和对照组企业分属不同行业，可能会在全要素生产率方面存在系统性差异。如果这种系统性差异在时间维度上具有不稳定性，即不满足平行趋势要求，就会影响本文分析结果的稳健性。尽管本文之前的平行趋势检验已说明，两类行业之间的TFP在“去产能”政策大力实施之前基本满足平行趋势假定，但是为了进一步提升分析结果的稳健性，本文将目标主营业务占比纳入考虑范围。实际上，“去产能”行业的上市公司往往都具备多项业务，因此其营业收入并非全部来自“去产能”行业。具体做法是，对照组企业的主营业务占比设为0，实验组企业的主营业务占比由该企业的主营业务收入与营业总收入之比得出。然后用主营业务收入占比作为政策变量(即用主营业务收入比替代Treat)，重复上述实证过程，对“去产能”政策动态影响进行重新估计，其结果呈现于图6。对比图5和图6可以发现，图形走势基本一致。

width=357,height=258,dpi=110
图6 以主营业务占比进行双重差分的动态效应分析

2.随机分组运算。不同行业、不同地区对“去产能”行业企业所施加的政策措施存在一定差异性。虽然本文控制了企业的规模、资产负债比、股权集中度等一系列重要特征，但仍有可能由于不可观测因素驱动核心解释变量，进而影响分析结果的可信度。基于此，本文借鉴La Ferrara et al. (2012)，Cantoni et al. (2017)，Cai et al.(2016)等做法，对样本进行多次随机分组做安慰剂检验。图7是500次随机分组运算系数的分布，其均值为-0.002 5，仅为基准结果的3.7%，十分接近于0，且不显著。同时，本文的真实估计值相对于随机分组的估计值而言，基本处于异常值位置。另外，考虑到“去产能”政策对目标企业全要素生产率的影响呈U型，而随机分组的静态效应分析结果是政策实施多期的平均效应，会分别低估初期的负向效应和后期的正向效应。为此，通过随机分组进一步分析了2015年与2017年的政策效应(见图8)，可以看出真实回归结果明显处于随机分组的异常值位置。这表明前文的分析结果不太可能由不可观察因素驱动。

width=715,height=286,dpi=110
图7 随机分组一般检验

width=712,height=264,dpi=110
图8 随机分组动态效应检验

(四)机制分析
本文采用中介效应方法探索抑制型产业政策对企业全要素生产率影响的内在机制，模型设定如式(2)和式(3)所示：

MechYipdy=β0+β1Treatd+β2Posty

+β3Treatd×Posty+Xipdy

+λy+ρp+θd+μipdy

(2)

Yipdy=β0+β1Treatd+β2Posty+β3Treatd

×Posty+MechYipdy+Xipdy+λy

+ρp+θd+μipdy

(3)

其中，MechYipdy表示作用机制变量。中介效应检验机制的基本逻辑如下：假如，MechYipdy是“去产能”政策作用于TFP的机制之一。那么，“去产能”政策将首先在式(2)中显著影响MechYipdy。然后，MechYipdy在式(3)中会显著影响Yipdy。

基于以上方法，本文接下来从企业研发投入、固定资产清理以及营业收入三方面，探究了抑制型产业政策对企业全要素生产率的作用机制。研究结果表明，“去产能”政策对企业全要素生产率的影响是多种作用机制叠加的结果。

1.基于研发投入的机制分析。如表4列(2)所示，研发投入是影响企业创新和全要素生产率的一个重要因素。同时，“去产能”政策的一个重要政策目标在于扩大企业的利润空间，进而促进其研发，提高创新能力和市场竞争力。但是，从实际情况来看，即便对于规模相对较大的上市企业而言，其研发投入也受到“去产能”政策的不利冲击。其中，不利冲击影响最大的年份在2014年，也是产能削减幅度较大、政策落实较为彻底的一年。而研发投入对于企业全要素生产率具有显著的促进作用，同时也具有一定的滞后性。研发投入的降低，在一定程度上解释了“去产能”行业全要素生产率在2014年、2015年的下降，见图9。

width=351,height=264,dpi=110
图9 “去产能”政策对企业研发的动态影响

表4 基于研发投入的机制分析

width=375,height=381,dpi=110
2.基于固定资产清理(4) 固定资产清理是因磨损、遭受非常灾害和意外事故而丧失生产能力，或因陈旧过时，须淘汰更新的固定资产，所办理的鉴定、报废、核销资产、处理残值等工作项目的总称。的机制分析。由政策梳理部分可以看出，“去产能”政策会对目标行业生产设备的技术标准提出更高的要求，会加速设备更新

与技术升级改造。从表5列(1)可以看出，“去产能”政策会显著加剧实验组企业固定资产清理速度，相对于控制组而言，提升约27.6%，而固定资产清理会使企业TFP损失约1.2%。从动态效应来看，实验组企业的固定资产清理幅度在2013年、2014年虽然略高于对照组，但无显著差别。到了2015年，实验组固定资产清理幅度在10%的显著性水平上，已经显著高于对照组。而在2015年之后，实验组相对于对照组的固定资产清理幅度反而下降，见图10。这与TFP的波动趋势具有较高的吻合度。

表5 基于固定资产清理的机制分析

width=375,height=343,dpi=110
width=373,height=266,dpi=110
图10 “去产能”政策对固定资产清理的动态影响

3.基于主营业务收入的机制分析

“去产能”政策的目标企业多属于周期性行业，而周期性行业的全要素生产率受营业收入影响较大。在对企业营业收入进行价格平减之后，本文将回归结果呈现于表6和图11。可以发现，企业全要素生产率的波动与营业收入的波动具有很强的一致性。表6列(2)表明，营业收入可以显著提升“去产能”企业的全要素生产率。而表6列(1)似乎说明“去产能”政策对于目标企业的营业收入并无显著影响，其实不然。这是因为，表6列(1)结果反映的是去产能政策在一段时间内的平均作用效果，而“去产能”政策对目标企业营业收入的影响是先降后升(见图11)，数值上具有相互抵消的关系。可能的解释是：“去产能”企业需要淘汰技术标准以下的落后产能，减少了落后产能所对应的营业收入。而企业难以在短时间内调整产能结构以大幅增加中高端产能，使得中高端产能营业收入的增加无法完全抵消低端产能营业收入的损失，导致整体营业收入下降。随着落后产能的逐步退出，中高端产能作为低端产能的替代品，市场需求相应增加。与此同时，企业产能结构调整也相对完善，市场供应能力提高，进而增加了营业收入。

width=355,height=280,dpi=110
图11 “去产能”政策对主营业务收入的动态影响

表6 基于主营业务收入的机制分析

width=375,height=343,dpi=110
(五)异质性分析
《国务院关于化解产能严重过剩矛盾的指导意见》中指出，对于产能严重过剩行业要有选择、有侧重、有针对性地开展化解工作，并明确了化解过剩产能的重点省份。其中，就钢铁行业而言，文件指出要重点推动山东、河北、辽宁、江苏、山西、江西的产业结构调整。对于平板玻璃行业，文件指出要重点推动河北、广东、江苏、山东等重点产区和环境敏感区结构调整。在后续“去产能”推进过程中，文件中明确提到的这些省份大概率也会受到中央政府重点关注，从而受到异于其他省份的政策冲击。为此，本文将同时属于“去产能”行业和这些重点省份的企业设为实验组，属于“非去产能”行业的制造业企业设为对照组，并将结果列示于图12。由图12可以看出，相对于全国“去产能”行业受到的影响(图5)，位于重点“去产能”省份内的企业更早受到冲击，其全要素生产率在2014年便出现显著下滑，2015年又进一步小幅下降，之后开始反弹。

width=358,height=271,dpi=110
图12 “去产能”政策影响的异质性分析

六、扩展性分析
为了进一步探究“去产能”政策对于企业绩效的影响，笔者分析了 “去产能”政策对企业营业利润和净利润的动态作用效果(见图13和图14)。总体来看，“去产能”政策对企业营业利润和净利润的影响模式是一致的，均呈现先降后升的趋势。此外，“去产能”政策对企业利润的影响与对TFP和主营业务收入的影响类似，但也存在一定差异。例如，“去产能”政策对于企业利润的影响在2016年即由负转正，早于对全要素生产率的影响，且直到2018年仍存在显著正影响。这一结果也表明，“十三五”时期实施供给侧结构性改革在“去产能”方面还是取得了积极成效，“去产能”行业的企业盈利水平获得显著提升。

width=364,height=287,dpi=110
图13 “去产能”政策对企业营业利润的影响

width=357,height=295,dpi=110
图14 “去产能”政策对企业净利润的影响

七、结论与政策建议
经济结构调整是过去十年以及未来中国经济发展的关键任务，产能过剩也是经济结构的症结之一。本文利用2009—2018年期间十年的制造业上市公司数据，采用DID方法，实证分析了“去产能”政策对相关行业上市公司经营绩效的影响。研究有如下几方面发现：第一，“去产能”政策对产能过剩行业内企业的全要素生产率和企业利润均具有显著影响，这一结论是稳健的。其二，“去产能”政策的影响呈现U型关系，短期内对企业绩效并没有产生明显正面效应，甚至是负面影响，但从更长期来看则有利于提升企业经营绩效。

本文的实证研究表明，从长期来看，作为抑制型产业政策，“去产能”政策能够加速市场出清，促进生产设备更新升级，对于改善产能过剩行业公司绩效发挥了积极作用，可以成为政府弥补市场失灵的有效政策工具。不过，“去产能”政策短期内会对上市企业产生负面影响，尤其是研发投入的减少，不利于提升产业竞争力。因此，在政策实施初期，应注意规避“去产能”政策可能产生的不利冲击。另外，需要指出的是，本文使用的分析样本是规模相对较大的上市公司，笔者的研究结论尚不能延伸到产能过剩行业的中小企业。事实上，从不同规模企业的产能结构看，削减低端产能对于不同规模企业的影响也不是等比例的。“去产能”政策对于产能过剩行业上市公司后期的积极影响，或许是中小企业在“去产能”政策中退出市场的结果。另外，若把观测时间延伸至更长，“去产能”政策的效果也需要进一步探究分析。

参考文献

巴曙松、余芽芳，2013：《当前去产能背景下的市场化并购与政策配合》，《税务研究》第11期。

曹春方、马连福、沈小秀，2014：《财政压力、晋升压力、官员任期与地方国企过度投资》，《经济学(季刊)》第4期。

陈剩勇、陈晓玲，2014：《产业规划、政府干预与经济增长——2009年“十大产业振兴规划”研究》，《公共管理与政策评论》第3期。

程虹、白云，2018：《企业家出身造成了产能过剩吗——来自中国企业—劳动力匹配调查(CEES)的经验证据》，《经济理论与经济管理》第11期。

耿强、江飞涛、傅坦，2011：《政策性补贴、产能过剩与中国的经济波动——引入产能利用率RBC模型的实证检验》，《中国工业经济》第5期。

国务院发展研究中心《进一步化解产能过剩的政策研究》课题组，2015：《当前我国产能过剩的特征、风险及对策研究——基于实地调研及微观数据的分析》，《管理世界》第4期。

韩永辉、黄亮雄、王贤彬，2017：《产业政策推动地方产业结构升级了吗?——基于发展型地方政府的理论解释与实证检验》，《经济研究》第8期。

胡鞍钢、周绍杰、任皓，2016：《供给侧结构性改革——适应和引领中国经济新常态》，《社会科学文摘》第8期。

江飞涛、耿强、吕大国、李晓萍，2012：《地区竞争、体制扭曲与产能过剩的形成机理》，《中国工业经济》第6期。

江飞涛、李晓萍，2010：《直接干预市场与限制竞争：中国产业政策的取向与根本缺陷》，《中国工业经济》第9期。

江小涓，2014：《经济转轨时期的产业政策: 对中国经验的实证分析与前景展望》，上海：格致出版社。

黎文靖、郑曼妮，2016：《实质性创新还是策略性创新?——宏观产业政策对微观企业创新的影响》，《经济研究》第4期。

林毅夫、巫和懋、邢亦青，2010：《“潮涌现象” 与产能过剩的形成机制》，《经济研究》第10期。

刘斌、张列柯，2018：《去产能粘性粘住了谁: 国有企业还是非国有企业》，《南开管理评论》第4期。

潘文轩，2016：《化解过剩产能引发负面冲击的总体思路与对策框架》，《财经科学》第5期。

钱爱民、付东，2017：《信贷资源配置与企业产能过剩——基于供给侧视角的成因分析》，《经济理论与经济管理》第4期。

孙成浩、沈坤荣，2019：《企业融资规模、银行所有制歧视与产能利用率》，《经济理论与经济管理》第1期。

孙早、席建成，2015：《中国式产业政策的实施效果:产业升级还是短期经济增长》，《中国工业经济》第7期。

王桂军，2019：《“抑制型”产业政策促进企业创新了吗?——基于中国去产能视角的经验研究》，《南方经济》第11期。

徐朝阳、周念利，2015：《市场结构内生变迁与产能过剩治理》，《经济研究》第2期。

余明桂、范蕊、钟慧洁，2016：《中国产业政策与企业技术创新》，《中国工业经济》第12期。

周黎安，2004：《晋升博弈中政府官员的激励与合作——兼论我国地方保护主义和重复建设问题长期存在的原因》，《经济研究》第6期。

Ackerberg, D. A., K. Caves, and G. Frazer, 2015, “Identification Properties of Recent Production Function Estimators”, Econometrica, 83(6): 2411-2451.

Aghion, P., J. Cai, M. Dewatripont, L. Du, A. Harrison, and P. Legros, 2015, “Industrial Policy and Competition”, American Economic Journal: Macroeconomics,7(4):1-32.

Andreoni, A., and H. Chang, 2019, “The Political Economy of Industrial Policy: Structural Interdependencies, Policy Alignment and Conflict Management”, Structural Change and Economic Dynamics, 48:136-150.

Andreoni, A., H. Chang, and R. Scazzieri, 2019, “Industrial Policy in Context: Building Blocks for an Integrated and Comparative Political Economy Agenda”, Structural Change and Economic Dynamics, 48:1-6.

Bhagwati, J.N., 1969, “The Generalized Theory of Distortions and Welfare”, Working Paper No. 39, Massachusetts Institute of Technology, Department of Economics.

Cai, X., Y. Lu, M. Wu, and L. Yu, 2016, “Does Environmental Regulation Drive Away inbound Foreign Direct Investment? Evidence from a Quasi-natural Experiment in China”, Journal of Development Economics, 123:73-85.

Cantoni, D., Y. Chen, D.Y. Yang, N. Yuchtman, and Y.J. Zhang, 2017, “Curriculum and Ideology”, Journal of Political Economy,125(2):338-392.

Cohen, S.S., and J.B. DeLong, 2016, Concrete Economics: The Hamilton Approach to Economic Growth and Policy, Cambridge: Harvard Business Review Press.

Hamilton, A., 1904, “Report on Manufactures (1791)”, in The Works of Alexander Hamilton, edited by H. C. Lodge, New York: G.P. Putnam’s Sons.

Hausmann, R., and D. Rodrik, 2003, “Economic Development as Self-discovery”, Journal of Development Economics, 72(2):603-633.

Hayek, F.A., 1980, Individualism and Economic Order, Chicago: University of Chicago Press.

Howell, S.T., 2017, “Financing Innovation: Evidence from R&D Grants”, American Economic Review,107(4):1136-1164.

Hsieh, C., and P.J. Klenow, 2009, “Misallocation and Manufacturing TFP in China and India”, Quarterly Journal of Economics, 124(4):1403-1448.

La Ferrara， E., A. Chong, and S. Duryea, 2012, “Soap Operas and Fertility: Evidence from Brazil”, American Economic Journal: Applied Economics, 4(4): 1-31.

Lavoie， D., 1985, Rivalry and Central Planning: The Socialist Calculation Debate Reconsidered, Cambridge: Cambridge University Press.

Levinsohn, J., and A. Petrin, 2003, “Estimating Production Functions Using Inputs to Control for Unobservables”, Review of Economic Studies, 70(2): 317-341.

Olley, G. S., and A. Pakes, 1996, “The Dynamics of Productivity in the Telecommunications Equipment Industry”, Econometrica, 64(6):1263-1297.

Peters, M., M. Schneider, T. Griesshaber, and V.H. Hoffmann, 2012, “The Impact of Technology-push and Demand-pull Policies on Technical Change-Does the Locus of Policies Matter?”, Research Policy,41:1296-1308.

DOES DE-CAPACITY POLICY PROMOTE CORPORATE PERFORMANCE: EVIDENCE FROM MANUFACTURING LISTED COMPANIES
WANG Haijian XUE Yunyan ZHOU Shaojie

(School of Public Policy & Management, Tsinghua University)

Abstract: Since the 18th National Congress of the Communist Party of China, China has actively adjusted its economic structure to promote the economic transformation from high-speed development to high-quality development. As an important part of structural adjustment, the governance of overcapacity is of great significance to promote the orderly and healthy development of related industries. However, scholars are far from reaching a consensus in the necessity and effectiveness of industrial policies. Drawing on China’s de-capacity policy, this paper analyzes its effect on total factor productivity and profit of manufacturing listed companies from the perspective of the effectiveness of restrictive industrial policy with difference-in-difference method. The results show that the impact of de-capacity policy on the performance of listed companies presents a U-shaped relationship with different kinds of robustness tests: in a short time, de-capacity policy has a negative impact on corporate performance; but in the long run, it is conducive to the improvement of corporate performance. In addition, by using different TFP calculation methods, changing the measurement of core explanatory variables and random grouping operation, the estimated results are still robust. This indicates that the restrictive industrial policy may be an effective policy tool to redress market failure and promote high-quality development.

Key words: de-capacity policy; manufacturing industry; high quality development; TFP

* 汪海建、薛云燕、周绍杰(通讯作者)，清华大学公共管理学院，邮政编码：100084，电子信箱：wanghj18@mails.tsinghua.edu.cn。本文得到清华大学自主科研计划项目“供给侧结构性改革：实证研究与公共政策”(2017THZWYY03)、国家社会科学基金重大项目(20&ZD076)的资助。感谢匿名审稿人提出的修改建议，本文文责自负。

(责任编辑：刘舫舸)