王 欣 曹慧平

(安徽财经大学 国际经济贸易学院, 安徽 蚌埠 233030)

一、引言及文献综述

中央经济工作会议将“推动制造业高质量发展”列为2019年重点工作之首。推进制造业结构调整和转型升级，也是近些年供给侧结构性改革的重要内容。中国经济要实现高质量增长，必须有高质量的制造业作为支撑，而金融资源则是支撑制造业发展的核心要素。基于此，如何促进金融要素配置“脱虚向实”，有效引导金融要素在制造业的优化配置，纠正金融资源错配，以促进制造业全要素生产率水平的提升，这些都是值得进一步需要深入探讨的问题。

在经济新常态下，以往过度依靠要素投入的“粗放式”增长模式难以为继；在人口红利吿罄的情况下，资本大量投入也无法维持较高的经济增长速度，因而唯一可以依赖的就是全要素生产率(TFP)的提升。多数研究认为，中国整体全要素生产率水平的提升还有非常大的空间(Yao,2010;杨岱汝,2015)，且提升主要源于企业技术进步以及要素资源的配置效率优化。但企业本身的成长需要消耗大量的资源，因此只有降低要素价格扭曲，优化资源在企业间的配置效率，才能形成真正可持续的内生经济增长模式。

从部门间资源配置角度研究TFP可以追溯到Syrquin(1986)，通过对Solow(1956)的增长核算框架进行进一步完善，即将全要素生产率的增长变动分解为行业自身全要素生产率的增长和要素资源在行业间产生的配置效应，从而使这一分析框架被广泛应用于解释结构变动的影响(Syrquin,1986)。Nordhaus(2002)将全要素生产率的增长率计算值进一步分解为行业内部生产率增长效应、行业份额对生产率增长的正向效应、资源再配置效应三个部分。此后，国内外也不乏采用类似分解法的文献，这些文献从宏观和行业层面对要素错配与TFP之间关系进行分析(Timmer et al.,2000;姚战琪,2009)。

随着企业统计数据可获得性的增强，全要素生产率研究也由宏观层面走向微观层面，最有代表性的研究文献当属Hsieh et al.(2009)研究，其采用全要素生产率价值的离散程度来衡量资源配置效率，并基于企业层面数据从要素错配的角度解释不同国家经济增长差异。之后不少学者的研究也得出Hsieh et al.(2009)类似的结论，即要素错配是跨国经济效率差异的主要原因(Jones,2011;Buera et al.,2011;Larrain et al.,2013)。近年来研究中国资源错配问题的文献颇为丰富(Brandt et al.,2012;陈永伟 等,2011;罗德明 等,2012;龚关 等,2013;张庆君,2015;黄先海 等,2017),这些文献也从理论和经验上证明了Hsieh et al. (2009)的观点：如果中国的资源能够得到有效配置，在不增加要素投入的前提下，可以大幅度提高制造业全要素生产率水平。但就估计全要素生产率提升幅度而言，不同文献的测算结果存在显著差异。

当前研究金融错配与全要素生产率关系的文献较少，有关金融要素错配的研究主要集中在造成金融错配的原因及其影响方面。一部分研究认为，金融体系的“所有制偏好”,使得银行体系向生产率较低的国有部门配置了过多的金融资源，从而降低了企业对投资机会的敏感度(龚关,2013;李青原 等,2013)；中国资本市场仍具有较强的制度约束特征，由此引发的非市场化行为对资本市场的资本流向产生误导，也降低了资本配置效率(王欣 等,2015)；差别化的产业政策也使得金融资源配置到低生产率的企业，从而扭曲了市场的进入退出机制，产生资源误置效应(罗德明 等,2012;钱学松 等,2018)。某种意义上，资本流动起到了信号指示作用，如果资本配置均衡有效，将会带动劳动力、技术等经济资源流向生产率水平较高的部门，形成较为合理的要素配置结构，从而促进资源配置效率的提升，而资源配置效率的改善则是全要素生产率提升的重要条件。

综上，现有研究多用实际TFP与潜在TFP比较来衡量总体要素错配对全要素生产率的影响，而较少研究单个要素的配置扭曲及其导致的TFP效率损失。对于中国而言，由于国有经济占据重要地位，由金融抑制和制度性障碍所导致的金融错配现象尤为明显，因而有必要重点考察金融错配对全要素生产率的影响。由此本文力图在以下两个方面做出拓展：一是研究视角方面，本文侧重于从资源配置效率的视角探讨金融错配与全要素生产率之间的关系，检验中国制造业能否通过改善金融错配来推动全要素生产率的增长；二是在研究方法方面，本文从微观企业的全要素生产率出发，分别测算出制造业子行业的全要素生产率水平及金融错配系数，在此基础上进行整体样本及分部门、分行业的异质性检验，这不仅有助于丰富现有理论微观经验证据，还将增进对金融错配影响制造业企业全要素生产率程度差异的理解。

二、理论模型

现实经济中，由于政策扭曲和金融摩擦的存在，资源的配置并非最优。本文在Hsieh et al.(2009)的研究框架下，引入表示最终产品市场、金融要素市场、劳动力市场金融错配系数的三个不同变量，并定义竞争均衡，进而讨论金融错配对制造业全要素生产率的影响。

HK是基于垄断竞争模型的框架，其假设行业内的企业是异质性的，面临不同程度的价格扭曲。本文假设制造业内N个不同子行业的生产函数不同，而同一子行业内的企业生产函数相同，这样每个子行业可用一家代表性企业表示。企业为要素市场的价格接受者，在完全竞争模型下基本要素价格分别为pk、pL，各行业面对不同的扭曲税率则代表了要素错配程度的差异，用τki和τLi表示。由柯布-道格拉斯(CD)生产函数出发，则有：

(1)

其中：Vi代表产出；Ai表示单个企业的技术进步；Ki、Li分别表示资本投入、劳动力投入；∂i表示资本的产出弹性。

企业利润最大化目标函数公式表示如下：

(2)

(3)

制造业总产出V由各子行业的产出决定，由此可以得出加总生产函数：

V=V(V1,…，VI)

(4)

假设V(·)规模报酬不变，可以得到：

(5)

整个行业的产值等于各个子行业产值的加总，由此得到：

根据上述设定，便可以定义具有扭曲系数的竞争均衡下的模型，假设变量{Vi,Ki,Li,Pi,Pk,PL}满足下列条件：

(1)企业生产最优解的一阶条件(2)(3)

(2)加总生产函数的规模报酬不变(4)(5)

接下来求解可以得到具有要素价格扭曲的竞争均衡条件下Ki、Li的值：

(6)

其中，σi为行业i的产出份额，σi=piVi/V，则等式可重写为：

(7)

(8)

类似可得出竞争均衡模型下的Li表达式：

(9)

将整体TFP进行分解，进而分析要素使用成本的扭曲对总体TFP的影响。先将加总生产函数式(4)取对数，代入式(5)、式(6)，可得：

(10)

代入式(1)、式(7)、式(9),可以得到：

(11)

根据全要素生产率TFP的一般定义，可得总体TFP表达式:

(12)

将式(11)代入式(12)中，可得：

(13)

由此可见，总体TFP由两部分决定，前一部分是各行业内的技术进步加权平均，另一部分则是行业所面临的要素市场上价格扭曲程度加成，这说明行业间资本扭曲与制造业全要素生产率之间呈现负相关的关系。

三、制造业全要素生产率的估算

(一)生产函数

根据前文理论部分的假设可知，制造业同一子行业内的企业生产函数相同，那么我们先需要知道各行业的生产函数形式，接下来才能分别对资本弹性和劳动弹性进行合理估计。从柯布-道格拉斯(CD)生产函数出发，设定生产函数公式如下：

(14)

其中：Yit表示产出；Kit和Lit分别表示资本和劳动要素的投入；TFPit代表行业或企业的全要素生产率，由于中国行业层面的数据比较缺乏，这将极大地影响生产函数估计的可靠性，因此本文利用微观层面的企业数据来估计生产函数的具体形式。通过对式(14)取对数，将其转化为线性形式的公式：

yit=∂kit+βlit+εit

(15)

(二)数据与变量说明

本文使用的基础数据来源是中国工业企业数据库，以1999—2013年全部国有企业及规模以上非国有制造业企业作为样本企业，经过对数据进行筛选合并，从原始数据中选取29个两位数行业的数据，并随机从各行业企业中分别抽取5%的企业作为有效样本，再构建面板数据做相应处理，同时剔除关键变量的缺失值和部分异常观测值。

本文对估计生产函数所需的变量指标的处理方法是：选取工业增加值衡量产出，使用固定资产净值衡量资本，就业人数可以直接采用数据库中的职工人数表示；由于样本数据时间跨度较长，为了使不同年份的数据具有可比性，工业增加值和固定资产净值需要进行相应的价格指数处理；样本中的所有变量名义值都以1999年为基期来调整实际值，其中工业增加值使用企业所在地区工业品出厂价格指数进行平减，固定资产净值采用固定资产投资价格指数进行平减，价格指数均来自各个年份的中国统计年鉴。

(三)估计方法及结果

使用传统的OLS估计方法会面临同时性偏差和样本选择偏差等问题(鲁晓东 等，2012)。式(15)中的残差项εit包括了企业TFP的对数信息，考虑到企业生产决策的同时性偏差问题，即企业决策者可以在当期根据可观测到的企业生产率调整要素的投入配置，因此εit部分包含了可被企业观测到并影响当期要素投入的变量 h和残差项λ。此外，还可能存在样本选择问题，即在位企业样本都是生产率较高的企业，而生产率较低的企业会因被淘汰而未被观测到，若据此样本估计TFP,企业的TFP则有被高估的倾向。本文估算生产函数形式采用以投资额作为代理变量的Olley-Pakes方法(简称OP法)，该方法在一定程度上可以解决OLS估计方法无法避免的同时性偏差问题。假定企业根据自身生产率水平做出投资决策Iit，由此可以用企业的当期投资额作为不可观测的生产率冲击的代理变量，从而构建如下企业生产函数：

yit=βlit+∂itkit+h(Iit,kit)+λit

(16)

由于数据库中没有固定资产投资这一指标，本文使用永续盘存法测算出Iit，具体相应公式可以变形为：It=Kt+1-Kt+δKt，其中K表示固定资产实际值，δ表示固定资产折旧率，δ设为10%。利用整理后的数据，采取OP法对29个制造业子行业的生产函数进行估计，表1列出了资本弹性和劳动力弹性系数的具体估计结果。

表1 基于OP法估算的制造业行业资本和劳动弹性

注：***、**、*分别表示1%、5%、10%的显著性水平。下同。

在估计出生产函数的弹性系数后，可以对各个时期每个行业内单个企业的TFP水平进行估计；接下来根据企业的产出份额，对企业TFP进行加权，进而计算出1999—2013年间中国制造业各行业各期的整体TFP。

由表1可知，从中国制造业各行业历年的TFP增长率来看，1999年以来中国 TFP 增长率呈现出平稳的增长态势，TFP增长率到2007年达到峰值，2007年之后开始出现显著下降。之所以在2007—2013年这一阶段出现这种情况：一方面中国制造业企业受到国际环境波动的负面影响；另一方面，国内经济也出现了结构失衡、经济增速放缓的情况，TFP 增长率持续下降的态势一直持续到2011年，2012年后才开始出现微升反弹。

四、金融错配系数的测算

现有文献主要采用两种方法来测量金融错配程度。一种方法是Wurgler(2000)的方法，他认为衡量一国是否能够合理有效地配置资本，关键是这个国家能否根据行业的兴衰及时调整资金的流向。行业投资反应系数越高，表明行业间的资本配置效率越高，反之，则表示金融错配程度愈明显。另一种方法是通过比较企业层面资本回报率水平的差异来衡量金融错配程度。这种方法的基本原理是用资本回报率反映资本边际收益率，若不存在金融错配，资本能够在不同部门之间自由流动，最终会使不同企业间的资本边际收益趋于一致，因此可以用当前资本配置状态与最优状态之间的偏离程度来衡量当前的金融错配度。

考虑到数据的可得性，本文借鉴第二种方法来测算金融错配程度，采用资本效率偏离度来表示资本回报率差异，具体计算公式如下：

(17)

(18)

加权结果显示，中国制造业存在严重的金融资源错配，且行业间金融错配差异显著，这阻碍了生产要素的充分利用和配置有效性的提高(1)为节省篇幅，这里没有报告金融错配系数的具体数值。。

五、计量模型与实证检验结果

前文采用了OP法测算了中国制造业各行业的全要素生产率水平，同时利用资本效率偏离度来衡量金融错配系数。为了考察金融错配程度对制造业全要素生产率的影响，接下来将对这一研究问题进行实证检验。

(一)模型建立与变量选取

依据前文的理论分析可知，考虑到被解释变量滞后期对当期的影响，在此加入被解释变量的滞后一期为解释变量,建立如下动态面板数据回归模型:

(19)

其中，TFPi,t表示被解释变量全要素生产率； ηi,t表示核心解释变量金融错配系数，对被解释变量的影响同样具有滞后效应；Controli,t是一系列控制变量，具体包括：固定资产投资增速、R&D投入强度、国有经济比值、人力资本质量和对外开放度；β1、β2、β3、βj表示相关变量的待估系数，分别表示各解释变量对全要素生产率的影响强度；i和t分别代表行业和时间；∂i代表行业个体效应；λt代表宏观政策冲击的时间效应；εi,t是残差项。 上述变量的详细描述见表2。

表2 变量描述与解释说明

(二)实证结果分析

1.数据来源与统计性描述

式(19)模型中所利用的变量数据均来源于1999—2013年的中国工业企业数据库数据以及《中国工业统计年鉴》数据。表3列出了各变量的描述性统计。

表3 金融错配对全要素生产率影响的相关变量描述性统计

本文基于式(19)来检验金融错配程度与全要素生产率之间的关系，如果系数β2、β3为负，则表明金融错配对全要素生产率的提高产生了抑制作用，且这种抑制效应具有时滞性。

考虑到解释变量可能存在的内生性问题，同时存在短面板数据方面的约束，本文采用差分矩估计方法(GMM)对模型进行估计，以提高模型估计结果的精度。为消除差分方程中解释变量与残差项之间的内生性，同时为防止弱工具变量问题，本文拟选取五期滞后项作为差分方程工具变量。

2.实证结果

表4的AR检验结果显示，差分方程的干扰项不存在二阶序列相关AR(2)，说明本文选取的工具变量是合理的；Sargan过度识别检验的结果显示不能拒绝工具变量与干扰项不相关的零假设(P值均大于0.1)，说明工具变量选取是合理的，这更进一步表明模型设定的合理性。

表4 动态面板的GMM估计结果与稳健性检验

注：括号中数值为标准误，由于篇幅限制，本表未报告年度效应的估计结果。

表4中的模型1为基准方法回归结果，回归结果显示金融错配与全要素生产率之间呈现负相关，金融错配当期项与滞后一期项的回归系数均为负，但是滞后一期的系数显著性水平有所提高，表明金融错配的滞后一期项对全要素生产率具有显著的抑制作用；而从系数的变化来看，这种抑制效应随着时间的推移也在逐渐减弱。这一实证结论表明：金融资源的结构性错配会阻碍中国制造业全要素生产率的提升；相反随着金融配置扭曲状况的改善，则会显著促进全要素生产率的提高。目前，中国制造业行业之间仍存在较为严重的资本价格扭曲，行政干预阻碍了要素配置到资本回报率更高的行业，价格信号的扭曲也使得衰退行业无法有序退出市场，而高成长性行业却难以得到资本的投入，资源配置效率的低下导致全要素生产率的下降。

除此之外，控制变量中的R&D投入、国有经济比重、人力资本质量以及对外开放度也均通过显著性检验，说明本文的控制变量选择较为合理。固定资产投资系数虽然为正(0.053)，但统计上并不显著，说明固定资产投资的增加并不能对全要素生产率的提升起到明显的促进作用，这也和大多数文献的研究结论是一致的(杨岱汝，2015)，即近来年中国制造业企业全要素生产率水平的提升并不是由不断加大的投资所贡献的，相反这种高投资只会导致经济效率越来越低。

为了验证基准方法的稳健性，模型2和模型3分别加入了被解释变量的ln TFP二阶滞后项，模型2采用White异方差稳健性检验,模型3采用twostep两阶段估计进行检验。表4中模型2—3的检验结果显示，本文关注的主要变量的符号和显著性水平并没有发生太大变化，说明估计结果基本稳健。

3.分部门估计

为了验证不同所有制类型企业金融错配抑制效应的影响差异，模型4加入了所有制类型虚拟变量，如式(20)所示，D为企业所有权虚拟变量，Di=1表示企业为国有企业，Di=0则为非国有企业;交互项D×ηit与D×ηit-1，其系数θ1和θ2是本文所关注的，假如接受原假设H0∶θ1=θ2=0，则表示中国制造业企业国有部门与非国有部门的金融错配程度对制造业全要素生产率影响并不存在显著差异。在中国工业企业数据库中，我们根据企业登记注册类型指标来定义不同所有制的企业，将登记注册类型为国有企业、国有联营企业、国有与集体联营企业、国有独资企业定义为国有部门企业。

(20)

表5 制造业国有与非国有部门估计结果与稳健性

表5汇报了分部门的回归结果。其中，表5模型4是基准回归结果，结果显示非国有企业与国有企业的金融错配当期系数分别为-1.380和-2.122，滞后一期系数分别为-0.947和-1.95，变量系数均通过显著性检验。提高每单位国有企业金融资源错配程度将导致TFP减少2.122，较非国有企业的边际影响增加0.743。交互项当期和滞后项系数均显著为负，表明异质性差异对当期及滞后一期的影响都是显著的。不同所有制性质企业金融错配程度对全要素生产率的抑制效应存在显著差异。在市场化不完全的情况下，不同所有制企业面临融资条件和融资成本差异：一方面，国有企业的“所有权虚置”容易导致企业投资决定偏离利润最大化目标，使得资金运用效率低下；另一方面，金融所有权歧视加深了国有企业的金融错配程度，在刚性兑付的情况下，资本被过度配置到国有部门，而随着资本在这些部门不断增加，投资回报率逐渐下降。所有制性质检验结果表明，中国制造业国有企业通过改善金融错配来提升全要素生产率还存在较大的空间。

表5模型5和模型6均为基准方法的稳健性检验结果，其中模型5将企业所有权变量指标进行替换，根据企业实收资本定义是否为国有企业，模型6采用Chow test检验国有部门与非国有部门的组间系数差异。从表5第二列和第三列可以得出主要实证结果，即分部门金融错配效应和所有权异质性的影响存在差异，在使用不同变量指标和检验方法下都是显著的，说明了基准结果具有较好的稳健性。

4.分行业估计

考虑到29个制造业行业存在一定的异质性，有必要进一步考察金融错配对全要素生产率的影响是否存在行业间差异。我们按照生产要素相对密集度将29个二位码行业分为三类，即：劳动密集型行业、资本密集型行业和技术密集型行业。具体处理方法如下：技术人员占所有职工的比例可以作为区分技术密集型行业的主要变量，该指标大于平均值且超过50%的行业划为技术密集型行业，采用人均固定资产占比来区分资本密集型行业和劳动密集型行业，具体分类见表6。

表6 制造业按要素密集度分类

将三大类行业数据分别进行回归，具体结果见表7中模型7—9。表7中，金融错配系数当期系数及滞后项系数在劳动密集型、资本密集型以及技术密集型行业均显著为负，但资本密集型行业的系数绝对值最大，表明金融错配对资本密集型行业全要素生产率的抑制作用最强，技术密集型行业次之，劳动密集型行业最弱，这可能是由于国有经济多集中于资本密集型行业，而国有经济倾向于密集过度使用资本，从而易引致资本的低效运用。

在表7中，在控制变量中，研发强度对全要素生产率增长的影响在行业间存在一定的差异。在技术密集型行业，研发投入显著地促进了行业全要素生产率的提高；在劳动密集型行业和资本密集型行业，研发投入对全要素生产率增长的正向作用均未通过显著性检验。之所以出现这种差异，很可能与各行业的科技水平以及研发投入的使用效率有关。这和陈丰龙等(2012)的观点相似,即在缺乏自主品牌和高附加值产品的情况下，劳动密集型行业依然走着一条“粗放”的发展道路，从而对研发投入产生了侵蚀效应,进而削弱了对全要素生产率的积极影响。而反映人力资本质量的系数在三类行业中均显著为正，与整体估计结果也是一致的，在劳动密集型行业中的作用最为明显，尽管作用程度不如技术密集型行业，但这充分表明人力资本在促进低技术行业生产率增长过程中具有的积极作用。对外开放度指标系数在劳动密集型、资本密集型和技术密集型行业均显著为正，表明出口竞争可以起到倒逼国内企业改进生产工艺、提高生产效率的。

表7 制造业分行业性质估计结果

六、主要结论与政策建议

本文通过选取中国制造业29个行业1999—2013年的面板数据，在测度分行业全要素生产率水平和金融错配系数的基础上，运用GMM估计方法考察了当前经济发展中金融错配对全要素生产率的影响，并进一步检验了分部门及分行业的这一影响差异。研究结果表明：当期与滞后一期的金融错配对全要素生产率均具有显著的抑制作用，这种抑制效应随着时间的推移而逐渐减弱；在所有制结构中，国有企业金融错配对全要素生产率的抑制效应更强，且这种负的边际影响在资本密集型行业尤为明显。

中国一直在强调技术创新对提升企业全要素生产率的重要作用，技术创新固然很重要，但我们也应重视金融配置扭曲方式形成的问题，根据本文研究结论，我们提出如下建议: 首先，要逐步深化金融领域改革，使市场规律和价格机制真正能够在资源配置中起到决定性作用，同时要逐步减少异质性企业融资过程中的所有制歧视和政府行政性干预。继续推进利率市场化，使资本价格能够反映要素禀赋的真实成本和供需关系，从而引导产业资本的高效流动。其次，在完善要素市场化的同时，必须进一步推进国企产权改革，完善国企法人治理结构，明确企业运行资产的行为边界，减少由于企业管理者错误决策导致的资本配置低效。最后，在产业层面，要加快推进产业结构调整，减少行业管制和补贴，使优胜劣汰的市场机制真正发挥资源配置的基础作用。