李旭超 申广军 金祥荣

（1.武汉大学经济发展研究中心 湖北武汉 430072）

（2.中山大学岭南学院 广东广州 510275）

（3.宁波大学商学院 浙江宁波 315211）

一、引言

全要素生产率（TFP）是解读我国经济发展的重要视角（杨汝岱，2015），而我国经济增长的主要议题之一就是如何转向TFP驱动型增长（蔡昉，2013）。近年来，我国经济增速下滑引起社会各界讨论甚至担忧，许多经济学家将其归因于TFP增速的下滑（赖平耀，2016；Wei等，2017）。本文尝试从僵尸企业切入，探讨我国TFP增速下降的原因和机制。

僵尸企业是指丧失盈利能力和偿债能力，却能依靠外部支持存活下来的企业。僵尸企业源于企业退出机制的失灵和扭曲，妨害我国经济增长和转型升级（罗德明等，2012；李旭超等，2017；何帆和朱鹤，2016；聂辉华等，2016）。政府对于处置僵尸企业高度重视：2015年12月9日，国务院总理李克强在国务院常务会议上首次对僵尸企业提出了具体的清理标准，即要对持续亏损三年以上且不符合结构调整方向的企业采取资产重组、产权转让、关闭破产等方式予以“出清”；习近平主席在2017年7月召开的全国金融工作会议上的讲话也重点指出，“推动经济去杠杆，抓好处置僵尸企业工作”，以防范系统性金融风险；2019年6月的全国政协常委会议小组会上，“如何做好僵尸企业的界定和处置”被反复提及。那么，僵尸企业在多大程度上阻碍TFP增长？通过什么渠道影响TFP增长？理解僵尸企业对TFP动态演进的影响具有重要的现实意义。

根据1998—2013年中国工业企业数据库，本文首先识别僵尸企业并分析其基本特征。在时间维度上，相比2008—2009年，2011—2013年我国制造业领域僵尸企业呈现出独有的特征：一方面，随机前沿的绝对数量和数量比例都在下降；另一方面，其资产占比和负债占比都显著提高，并且负债占比以更快的速度增长。僵尸企业负债状况的恶化，使得处置僵尸企业变得更加重要和紧迫。就行业维度而言，僵尸企业分布的行业特征明显，与产能过剩行业重合度非常高，表明处置僵尸企业与化解产能过剩是紧密联系的经济问题。

实证研究显示，僵尸企业显著地降低了加总TFP的增长速度。省份—行业层面的僵尸企业资产占比增加1个百分点，加总TFP增长率降低0.19个百分点。僵尸企业的负面影响具有跨行业特征，不仅不利于本省本行业的TFP增长，而且显著降低了本省其他行业的TFP增长速度。本文进一步实证检验僵尸企业影响TFP增长的渠道。根据动态OP分解方法，加总TFP的增长有四个来源，即技术进步、资源配置、企业进入和企业退出。机制分析发现，僵尸企业降低我国制造业企业加总TFP增长的最主要渠道是阻碍技术进步和资源配置。省份—行业层面的僵尸企业资产占比增加1个百分点，通过技术进步效应和资源配置效应分别降低TFP增长率0.19个百分点和0.12个百分点。僵尸企业通过企业进入效应对TFP增长率有正面作用，这主要是因为僵尸企业提高了企业进入市场的难度，通过“选择效应”淘汰了低生产率的潜在进入者。僵尸企业对企业退出效应的影响在统计上不显著。虽然低效率的僵尸企业以更高的概率退出市场，有助于提升TFP增长率，但僵尸企业也挤占了正常企业的资源，提高了正常企业退出市场的概率，从而抵消了对TFP增长率的提升作用。本文通过加入更多控制变量、设计替代的外生变量、更换僵尸企业识别方法等多种手段检验了上述结论的稳健性。

对于僵尸企业产生的原因，文献进行了大量的探讨，但对于僵尸企业如何影响转型升级，特别是对于僵尸企业影响加总TFP的机制等方面缺乏严谨的实证分析。何帆和朱鹤（2016）认为企业“僵而不死”的原因有政府和银行两个层面，包括地方政府保障就业、保证财政收入、维持社会稳定的动机，银行掩盖不良贷款、防止资本金损失、防止系统性风险的动机等。聂辉华等（2016）认为僵尸企业的生成主要是由于五个方面原因，即政企合谋、地方政府之间和国企之间的恶性竞争、经济刺激、外部需求冲击和银行的信贷歧视等。申广军（2016）从新结构经济学的原理出发，认为僵尸企业承载了国家发展的战略性政策负担，进入不具备比较优势的行业或者使用不具备比较优势的技术，因而丧失了自生能力。与现有着重分析“原因”的文章不同，本文分析僵尸企业造成的“结果”及其机制，即分析僵尸企业对加总TFP动态演进的影响。本文既提供了省份—行业层面的宏观证据，又提供了企业层面的微观证据；既从研究视角上补充了现有文献，又为进一步认清僵尸企业的危害提供了理论支持，对政策制定也具有一定的借鉴作用。同时，本文从僵尸企业角度出发，结合宏观和微观证据，补充了关于我国TFP增长速度下降原因的文献。

本文剩余部分组织如下。第二部分说明数据处理过程和得到的经验观察，包括僵尸企业的识别、僵尸企业的特征、加总TFP的分解；第三部分分析僵尸企业对TFP增长率的影响；第四部分讨论具体的影响机制，并从指标设计、僵尸企业识别方法等方面进行稳健性检验；最后第五部分总结全文。

二、经验观察

（一）僵尸企业的识别和特征

本文使用1998—2013年中国工业企业数据，参考Brandt等（2012）、杨汝岱（2015）等研究的方法对数据进行清理。由于2008—2013年的工业企业数据缺乏工业增加值等计算TFP的核心指标，本文与TFP相关的内容只能使用1998—2007年的数据。

僵尸企业的识别方法通常有三种，即CHK标准、过度借贷标准和官方标准，每种方法有不同的侧重点和缺陷（Caballero等，2008；申广军，2016）。本文使用的中国工业企业数据库并不满足CHK标准所要求的长期贷款、短期贷款、企业债券、借款利率等指标。因此，我们主要基于过度借贷标准来识别僵尸企业，并通过官方标准识别的僵尸企业验证研究结论的稳健性。后文的结果表明，利用中国工业企业数据库，根据过度借贷标准和官方标准识别的僵尸企业在绝对数量和相对比例上有差异，但时间趋势具有一致性，僵尸企业影响我国TFP动态演进的实证结果也具有稳健性。如未经特殊说明，下文的僵尸企业专指由过度借贷标准识别的僵尸企业。具体地，参照申广军（2016），过度借贷标准将同时满足以下三个条件的企业认定为僵尸企业：（1）资产负债率高于50%。资产负债率代表企业的贷款资质，实践中一般将资产负债率超过50%视作危险信号。（2）实际利润小于0。为排除政府的外部支持，将实际利润定义为营业利润扣除营业外收入和营业外支出，以此反映企业还款潜力。（3）负债比上一年有所增长。综上，本文将资产负债率较高、还款潜力很弱，却还能获得源源不断的外部资金支持的企业认定为僵尸企业。

僵尸企业的问题由来已久，2000年左右各项占比达到最高，国有企业改革使得僵尸企业快速减少，数量占比由1999—2001年的13.44%下降到2008—2009年的4.08%。然而，僵尸企业减少的趋势在金融危机之后基本停滞，2011—2013年仍然占有4.02%。僵尸企业就业人数占比从1999—2001年的19.26%下降到2011—2013年的5.14%，其比例始终高于僵尸企业数量占比。资产占比从1998—2001年的16.76%下降到2008—2009年的6.05%，但在2011—2013年又反弹至7.90%。负债占比的趋势特征与其他几个比例相比变化更加剧烈，从1999—2001年的23.07%快速下降到2008—2009年的8.72%，然而2011—2013年又大幅上升到11.27%。①因篇幅所限，本文省略了相关图表，感兴趣的读者可在《经济科学》官网论文页面“附录与扩展”栏目下载，其中图A1描述了我国制造业领域由过度借贷标准认定的僵尸企业特征。

聚焦于2011—2013年，僵尸企业最明显的特征就是数量略有下降，资产负债状况严重恶化：（1）就业高、资产高、负债高。资产占比和负债占比高达数量占比的2—3倍。（2）负债状况恶化。相比于2008—2009年，2011—2013年僵尸企业的负债占比大幅度提高至11.27%。与之形成鲜明对比的是，数量和就业占比都延续下降趋势，这表明数量更少的僵尸企业承担更少的就业，却拥有更多资产和负债，其金融风险格外值得关注。就行业而言，僵尸企业的重灾区是石油加工、炼焦和核燃料加工，黑色金属冶炼和压延加工等重化工行业。如纺织、造纸和纸制品等劳动密集型产业也出现了较多的僵尸企业，这些行业负担着较多的就业人数，政府出于维持就业和社会稳定的目的对其进行支持，使得它们更有可能成为僵尸企业。总之，僵尸企业具有行业特征明显、局部恶化严重的特征。

（二）TFP的估计和加总

TFP被视为经济增长最为重要的源泉。我国经济增长如何向TFP驱动型模式转变是一个非常重要的政策议题（蔡昉，2013），因此本文关注僵尸企业影响TFP动态演化的机理。使用微观企业数据估计TFP的一大难题在于，资本投入和劳动投入与残差项相关。如何处理由联立性（simultaneity）和选择性偏差（selection bias）导致的内生性问题，成为TFP估计方法需要重点解决的问题。虽然OP、LP等方法推动了TFP估计过程内生性问题的解决，但它们存在共线性问题，因此Ackerberg等（2015）在OP和LP的基础上，提出了ACF方法。本文基于ACF方法估计企业TFP，所用到的主要变量如增加值、资本、劳动、投资等均采用杨汝岱（2015）的方法进行计算和调整。

首先直观且简单地比较僵尸企业的TFP是否低于正常企业。为了使不同行业之间的TFP具有可比性，并且考虑到不同地区和年份僵尸企业比例存在差异，我们先通过简单回归剔除行业、地区和年份的影响，而后比较其分布情况。通过附录与扩展中图A2的TFP分布可以看出僵尸企业和正常企业的TFP存在明显的差距。僵尸企业的TFP概率密度曲线位于正常企业的左侧，下尾比正常企业厚，说明僵尸企业TFP较低。然而，僵尸企业的危害不仅在于损害自身的TFP，还可能损害整个经济体的效率，因此直接比较僵尸企业和正常企业TFP，可能会低估僵尸企业对TFP的不利影响。

本文关注的核心问题是僵尸企业如何影响加总TFP增长，以及具体的影响机制。因此，我们按照下式将单个企业的TFP加总得到省份—行业层面或全国层面的TFPAgg,t：

其中TFPit是t年企业i的TFP估计值，wit为赋予当年企业i的权重，本文以从业人数份额作为权重。这样，加总TFPAgg,t就是企业层面TFP的加权平均值。

（三）加总TFP的动态演进与分解

本文对加总TFP的变化进行分解来探究僵尸企业影响TFP增长的具体路径和机制。Baily等（1992）最早提出加总TFP的变化可以分解为四个部分：企业内部生产率的变化、企业间市场份额的变化、进入企业生产率变化和退出企业生产率变化。大多数文献都是在Baily等（1992）的基础上沿袭这一思路进行改进，如Foster等（1998）从企业生产率中分离出来市场资源配置带来的生产率改进。然而，上述三种方法设定的参照标准并不恰当，致使分解结果对在位企业、进入企业和退出企业各自贡献的度量不准确，并且个别分解项的经济含义也不明晰。在Olle y和Pakes（1996）的基础上，Melitz和Polanec（2015）提出了动态的加总TFP分解方法（Dynamic Olley-Pakes Productivity Decomposition，简称动态OP方法），TFP的增长Φ2-Φ1可以进行如下分解：

其中下标I、E、X分别表示在位企业、本年度进入企业和本年度退出企业，t=1,2表示第1期和第2期。加总TFP的变化分为四个来源：(φI2-φI1)表示在位企业从第1期到第2期的生产率变化，这种变化是由技术进步带来的，称为技术进步效应；(covI2-covI1)表示在位企业间要素配置效率变化引起的加总TFP变动，称为资源配置效应，其中表示企业生产率与市场份额的协方差，企业i在t期的份额是sit，其生产率水平是φit；第三项S E2(ΦE2-ΦI2)表示由于新企业进入造成的加总TFP变化，称为企业进入效应；第四项S X1(ΦI1-ΦX1)表示由于企业退出造成的加总TFP变化，称为企业退出效应。其中SE2表示第2期新进入企业在所有企业中的市场份额，SX1表示第1期期末退出企业的市场份额，ΦE2表示新进入企业TFP的加权平均值，ΦX1表示退出企业TFP的加权平均值，ΦIt表示t期在位企业TFP的加权平均值。关于如何度量在位企业、新进入企业和退出企业对于加总TFP进步的贡献，Melitz和Polance（2015）的参照标准更加精确。在位企业自身的技术提升时（φI2＞φI1），技术进步效应对加总TFP起到正向促进作用；如果ΦE2＞ΦI2，新进入企业的生产率高于在位企业的生产率，高效率企业的进入为加总TFP的提升带来正效应；如果ΦI1＜ΦX1，退出企业的生产率低于在位企业的生产率，低效率企业退出为加总TFP的进步带来正效应；covI2＞covI1意味着资源配置的改善，企业生产率与市场份额相关性提高、市场份额向高效率企业倾斜推动加总TFP的提升。与Baily等（1992）、Foster等（1998）相比，Melitz和Polanec（2015）对于参照标准的改进提高了度量的准确性，并且分解出的每一项都有明确而合理的经济学含义。

加总TFP在1998—2007年间的平均增长率为6.7%，但增速呈现下降趋势。根据动态OP方法分解的四种效应，企业进入效应与企业退出效应对加总TFP增长的作用很小，2002年之后企业进入效应甚至不利于TFP增长。加总TFP的增长大部分是由在位企业的技术进步和企业间的资源配置贡献的（前者约60%，后者接近25%），这与杨汝岱（2015）的分解结果类似。但这两种效应发挥作用的时间和趋势也有明显不同：1998—2007年技术进步效应逐步增强，2005—2007年TFP增长的90%以上由技术进步效应贡献；得益于国有企业改革，资源配置效应在1998—2004年有力促进了TFP增长，但2005—2007年其作用逐渐衰退，2007年已几乎为0。2005—2007年技术进步效应仍然很强，但加总TFP增长率下降，主要是与资源配置效应、企业进入效应与企业退出效应并未发挥其应有的作用有关。后文将分析僵尸企业对技术进步、资源配置、企业进入和退出等渠道的影响。①加总TFP动态OP分解的结果请见附录与扩展中的图A3。

三、僵尸企业对全要素生产率增长的影响

（一）基准回归

为实证检验TFP增长率如何受到僵尸企业的影响，并分析具体的影响机制，本文建立如下计量模型：

其中下标p、j、t分别表示省份、2位数行业和年份。Ypjt是本文的考察对象，本部分主要使用省份—行业层面的TFP增长率，下一部分在分析影响机制时，将技术进步效应、资源配置效应、企业进入效应、企业退出效应作为实证分析的因变量。ZFRatiopjt是衡量僵尸企业占比的指标，本文主要使用僵尸企业资产占比，并以僵尸企业债务占比和僵尸企业数量占比作为稳健性检验。同时，为了克服本行业僵尸企业占比的内生性问题，本部分构建了本省其他行业僵尸企业占比作进一步检验。

Ctrljt是行业层面的控制变量，包括用赫芬达尔指数（HHI）衡量的行业竞争程度、用就业（对数形式）衡量企业的平均规模、行业内国有企业的资产比重、企业平均年龄（对数形式）、企业平均出口比重（出口额除以销售产值）等，以上指标通过工业企业数据库计算得到。Ctrlpt是省份层面的控制变量，包括金融市场发育程度、市场化程度、人均受教育年限、外商直接投资占GDP的比重、扣除科教文卫后地方财政支出占GDP的比重等。省份层面的控制变量根据《中国区域经济统计年鉴》和《中国金融年鉴》的相关指标计算获得。

我们首先使用省份—行业层面的面板数据，分析僵尸企业资产占比对加总TFP增长率的影响。回归结果如表1所示。第（1）列显示僵尸企业资产占比与加总TFP增长率显著负相关。换言之，僵尸企业比例越高的省份—行业，加总TFP的增长越慢。后两列依次加入省份—行业固定效应和年份固定效应，第（4）列和第（5）列分别加入行业层面和省份层面的控制变量，以排除其他因素造成的估计偏误。结果显示，僵尸企业资产占比的系数仍在1%的水平上显著为负。当然，上述控制变量仍无法彻底解决遗漏变量问题，某些随时间变化的遗漏变量仍会干扰估计结果的一致性。为了进一步排除这种干扰，模型（6）中控制了省份—年份固定效应，僵尸企业资产占比的系数仍然显著为负。综观表1各列，系数均在1%水平显著为负，系数大小也比较稳定，说明僵尸企业对TFP增长的负面作用十分稳健。根据第（6）列的结果，省份—行业内僵尸企业资产占比提高1个百分点，加总TFP增长率将降低0.16个百分点。僵尸企业资产占比的标准差为13.22，这意味着僵尸企业资产占比提高1个标准差，加总TFP增长率将降低2.1个百分点。这可以解释16.1%的加总TFP增长率，具有经济显著性。

表1 僵尸企业资产占比对加总TFP增长的影响

（二）稳健性检验

表2使用本省其他行业僵尸企业资产占比来检验僵尸企业对加总TFP增长的影响。模型（1）—（4）中，核心解释变量的系数显著为负，进一步证明了僵尸企业对TFP增长的不利影响。根据第（1）列的结果，如果本省其他行业的僵尸企业资产比例增加1个百分点，本行业的加总TFP增长降低0.31个百分点，这一影响比本行业僵尸企业占比的影响更大，表明僵尸企业具有极强的负面溢出效应。除此之外，表2也在一定程度上降低了内生性问题带来的干扰。表1中的省份—行业固定效应虽然有助于减少不随时间变化的因素导致的偏误，但我们仍担心某些不可观测的时变（time varying）因素，既影响该行业的僵尸企业占比，又影响该行业的加总TFP增长，从而导致回归结果出现偏误。表2使用p省j行业以外其他行业的僵尸企业资产占比作为解释变量，该指标具有一定的外生性。背后的逻辑是，某一行业的特征与其他行业的僵尸企业比例没有直接的相关性。回归结果显示，行业层面的遗漏变量问题并不严重，至少没有对僵尸企业降低加总TFP增长的结论造成实质性影响。类似地，下文使用其他行业僵尸企业的债务占比和数量占比，同样具有外生性。

表2 内生性处理

不同类型的僵尸企业占比指标既有内在的相关性，又存在一定的差异性（见附录与扩展中的图A1）。为了检验回归结果的稳健性，附录与扩展中表A2使用不同的僵尸企业占比指标——僵尸企业负债占比和数量占比，实证检验了僵尸企业对于我国TFP动态演进的影响。第（1）—（4）列中，所有僵尸企业数量占比指标和负债占比指标的系数都显著为负，并且具有经济显著性，说明以负债和数量衡量的僵尸企业占比，都对我国制造业企业TFP的增长有不利影响，结论与以资产衡量的僵尸企业占比一致，具有稳健性。

我们还使用不同方法识别的僵尸企业进行稳健性检验。文献中常用的三种僵尸企业识别方法（CHK标准、过度借贷标准和官方标准），侧重点不同，也有各自的适用情形。比如，CHK标准由于对变量要求较高，不适用本文使用的工业企业数据库。为了检验不同识别方法可能造成的偏差，附录与扩展中表A3实证检验了官方标准识别的僵尸企业（将连续三年利润为负的企业认定为僵尸企业）对加总TFP进步的影响。模型（1）—（6）中所有僵尸企业占比指标的系数都显著为负，并且具有统计显著性，说明用官方标准识别的僵尸企业对我国TFP的增长有负面影响。这与前文使用过度借贷标准认定僵尸企业得到的结论一致，证实了上述研究结果的稳健性。

四、僵尸企业影响加总TFP动态演进的机制

第三部分的分析表明僵尸企业阻碍加总TFP增长，本部分分析具体的影响机制。如前所述，根据动态OP分解方法，加总TFP增长有四个来源：技术进步效应、资源配置效应、企业进入效应和企业退出效应。本部分分析僵尸企业对加总TFP增长的四个来源的影响，以此考察僵尸企业影响TFP增长的具体渠道。

（一）技术进步效应

企业自身的技术进步是TFP增长的重要来源。根据附录与扩展中图A3的分解结果，1998—2007年间，超过60%的TFP增长是由技术进步带来的。这说明我国经济在当前阶段的TFP增长仍十分依赖企业的技术进步，因此我们首先考察僵尸企业对技术进步效应的影响。理论上，僵尸企业影响技术进步的渠道有两个。第一个渠道是结构效应，即僵尸企业自身TFP较低、增速较慢，因此拉低了加总TFP增长速度。这一方面是因为僵尸企业往往不具备自生能力，比如，它们可能进入了不具有比较优势的行业，或者承担政策性负担（申广军，2016）；另一方面，僵尸企业没有激励提高自身TFP，因为它们往往通过行政力量占据垄断地位，或者享有信贷、土地、税收等优惠政策，从而拥有竞争优势（Shen和Chen，2017）。表3第（1）列通过比较僵尸企业和正常企业的TFP，直接检验了上述结构效应。三列系数均在1%水平上显著为负，表明僵尸企业TFP增长率低于正常企业。

僵尸企业影响技术进步的第二个渠道是溢出效应。持续的研发投入（R&D）是企业技术进步的重要推动因素。研发资金要么来自利润积累，要么来自外部融资。僵尸企业的存在对正常企业这两方面的资金来源都有不利影响。一方面，僵尸企业加剧了产能过剩问题，使得正常企业的盈利能力受损，无法快速积累研发资金（Shen和Chen，2017）；另一方面，僵尸企业挤占正常企业的资源，尤其是信贷资源（Tan等，2016；谭语嫣等，2017），使得正常企业很难通过外部融资获取研发资金。这两方面都不利于正常企业持续进行研发投入。因此，如果一个行业或者地区有较多的僵尸企业，同行业/同地区正常企业的技术进步也会受到影响。表3后两列检验上述溢出效应，被解释变量是正常企业TFP增长率，核心解释变量是省份—行业层面的僵尸企业资产占比，以及本省其他行业僵尸企业资产占比。回归系数在1%的水平上显著为负，说明确实存在溢出效应。如果僵尸企业资产占比增加1个百分点，正常企业TFP的增长速度将下降0.10个百分点。

表3 僵尸企业对企业TFP增长率的影响

结构效应指出僵尸企业自身TFP增长慢（第（1）列）；溢出效应指出僵尸企业拉低正常企业的TFP增长率（第（2）、（3）列）。二者结合意味着，僵尸企业阻碍技术进步效应。表4对此进行检验，结果显示僵尸资产占比越高，技术进步效应对加总TFP增长的贡献越小。根据第（1）列结果，僵尸企业资产占比增加1个百分点，p省j行业的技术进步效应降低0.19个百分点。根据模型（3），僵尸企业跨行业影响也很明显，本省其他行业僵尸企业资产占比增加1个百分点，所考察行业的技术进步效应降低0.21个百分点。

表4 僵尸企业对技术进步效应的影响

续表4

（二）资源配置效应

图A3分解TFP增长率显示，1998—2007年间的TFP增长仅有大约1/4是由企业间资源配置效应带来的，而同一时期，技术进步效应对TFP增长的贡献是资源配置效应的两倍多。僵尸企业恰恰是资源配置不合理的结果，因此僵尸企业比例与资源配置效应可能存在负相关关系。表5对此进行验证，其中被解释变量是通过动态OP方法分解TFP增长率得到的资源配置效应，主要解释变量仍是省份—行业层面的僵尸企业资产占比。回归结果显示，模型（1）和（2）中僵尸企业资产占比的系数显著为负，模型（3）和（4）中本省其他行业僵尸企业资产占比的系数为负，但不显著。这说明僵尸企业显著地降低了本省本行业的资源配置效应，但这种影响主要存在于行业内，不存在跨行业影响。根据模型（2），僵尸企业资产占比增加1个百分点，资源配置对加总TFP增长的贡献降低0.12个百分点。

表5 僵尸企业对资源再配置效应的影响

（三）企业进入效应

资源重新配置不仅体现为在位企业之间的此消彼长，也通过更剧烈的形式体现，即新企业的进入和旧企业的退出。如果新进入的企业生产率更高，退出市场的企业生产率更低，那么企业的进入和退出可以提高总体TFP（Foster等，1998）。我们接下来分别考察僵尸企业如何通过新企业的进入和旧企业的退出来影响加总TFP增长。

理论上，僵尸企业可以通过妨碍效应和选择效应影响新企业的进入。妨碍效应是指，僵尸企业在政策和市场上都拥有优势地位，这会阻碍新企业的进入，从而不利于提高加总TFP。选择效应是指，僵尸企业更多地阻碍了低生产率的企业，而不能阻碍高生产率的企业进入市场，从而事先对进入企业进行了筛选，这会提高加总TFP。妨碍效应和选择效应的影响方向相反，因此僵尸企业到底是提高还是降低加总TFP，取决于两类效应的相对强弱。

表6验证了上述两种效应。首先，表6前四列说明僵尸企业存在妨碍效应，因为僵尸企业资产占比对省份—行业层面新企业进入率的影响显著为负，但这一效应不存在跨行业影响。其次，表6后两列通过分析僵尸企业对新进入企业的相对TFP的影响，来验证选择效应。如果只有生产率相对较高的企业才能进入，就说明存在选择效应。表6后两列的结果显示僵尸企业资产占比的系数显著为正，说明僵尸企业通过比较强的选择效应提高了新进入企业相对于在位企业的TFP。

表6 僵尸企业对新企业进入率的影响

比较表6前四列和后两列的系数可以发现选择效应的效果强于妨碍效应，这意味着僵尸企业的存在将通过企业进入效应对加总TFP产生积极影响。表7直接验证了这一猜测。动态OP方法将TFP增长分解为四个部分，其中企业进入效应是由新企业进入带来的加总TFP增长。表7的被解释变量是省份—行业层面的企业进入效应，度量由于新企业的进入，对该省同行业加总TFP的影响，解释变量是僵尸企业资产占比。模型（1）和（2）中，僵尸企业资产占比的系数显著为正，说明僵尸企业通过企业进入效应提高了加总TFP增长率；模型（3）和（4）中本省其他行业僵尸企业资产占比的系数为正但不显著，再次说明不具有跨行业的影响。如前所述，僵尸企业占比与企业进入效应正相关，正源于较强的选择效应。

表7 僵尸企业对企业进入效应的影响

（四）企业退出效应

如果退出企业的平均TFP低于在位企业平均TFP，企业退出对加总TFP增长有正向影响。这种由低效率企业退出带来的TFP增长称为企业退出效应。表8考察了僵尸企业资产占比对省份—行业层面企业退出效应的影响。模型（1）—（4）中，僵尸企业资产占比的系数都为负，但在统计上都不显著。僵尸企业对退出效应没有显著影响，可能是因为僵尸企业改变了企业退出的规律。正常情况下，应该是生产效率更低的企业退出市场，从而提升整体TFP。但是，生产效率低的企业可能正是那些僵尸企业。它们虽然TFP低，且增长缓慢，但它们在要素市场和产品市场的优势使得它们反而不容易退出市场，而是那些TFP相对较高的正常企业被迫退出市场。

表8 僵尸企业对企业退出效应的影响

为了验证这一猜测，我们首先比较僵尸企业和正常企业退出市场的概率。附录与扩展中表A4的因变量是企业下一期是否退出的虚拟变量，主要解释变量是僵尸企业虚拟变量。probit回归系数显著为正，说明僵尸企业虽然享有种种优势，但退出概率仍然较高。需要解释的是，根据定义，僵尸企业是指那些依靠政府支持或外部融资维持才能存活的企业，但这并不意味着僵尸企业的退出概率低于正常企业，而是意味着僵尸企业的退出概率低于其自身未受到政府支持或外部融资维持时的退出概率。

表A4的回归结果表明，我们应该修正前述“僵尸企业退出概率低”的猜测。一个改进的解释是，僵尸企业的存在使得正常企业更容易退出（相对于僵尸企业不存在时）。为验证这一猜想，表9对正常企业进行probit回归，因变量仍是企业下一期退出的虚拟变量，解释变量加入僵尸企业资产占比与TFP的交互项。如表A4的结果所示，TFP是影响企业退出市场决策的重要因素（Ackerberg等，2015）。企业提升自身生产率，是避免被市场淘汰的重要途径，表9中模型（1）—（2）的TFP系数为负，也说明TFP高的企业退出市场的概率更低。需要注意的是，僵尸企业资产占比与TFP的交互项显著为正。这说明给定TFP，僵尸企业资产占比越高，正常企业退出的概率越大。具体来说，probit回归的边际效应显示，如果本省同行业没有僵尸企业，当企业TFP提高1%，其退出市场的概率会降低2.69个百分点；如果本省同行业僵尸企业资产占比10%，企业TFP同样提高1%，其退出市场的概率只能降低2.56个百分点。这说明由于僵尸企业的存在，企业通过提高TFP避免被淘汰的难度增大了，因而导致更优秀的正常企业退出市场。因此，僵尸企业扰乱了企业退出的规律，无法通过企业退出效应来提高加总TFP增长率。

表9 僵尸企业对正常企业退出概率的影响

五、结论

僵尸企业是指那些已经丧失盈利能力、资不抵债，却能依靠外部支持一直存活下来的企业。僵尸企业的存在直接反映了企业退出机制的失灵和资源配置的扭曲。本文根据过度借贷标准识别了中国工业企业数据库中的僵尸企业。描述分析表明，1998—2013年间，僵尸企业的数量和比例都呈现下降态势。但是，有证据表明僵尸企业越来越表现出“资产多、负债高”的特征，因为以资产和负债加权的僵尸企业比例近年来不降反增。为避免僵尸企业带来的潜在风险，有必要深入认识僵尸企业的危害。

本文主要分析僵尸企业对我国制造业企业全要素生产率的影响。虽然学术界和政策制定者都认为僵尸企业阻碍了TFP增长，进而拉低了近年来我国的经济增长率，但这种影响的程度有多大、通过何种渠道发挥作用，目前仍缺少严谨的学术研究来进行讨论。我们首先使用当前核算生产率的主流方法——ACF方法，计算了我国制造业企业的TFP。接着，我们使用标准的实证分析方法研究僵尸企业和TFP增长率之间的关系。研究发现，僵尸企业的存在确实不利于TFP增长：如果省份—行业内僵尸企业的资产占比增加1个百分点，加总TFP增长率将降低0.19个百分点。

为了分析僵尸企业阻碍TFP增长的具体机制，我们首先使用动态OP方法分解出TFP增长的四个来源：技术进步、资源配置改善、企业进入和企业退出。研究表明，减缓技术进步和阻碍资源配置是僵尸企业影响加总TFP增长的主要机制。具体来说，僵尸企业自身技术进步缓慢，并且挤占正常企业的资源，进而降低了正常企业的技术进步速度；生产要素不能从低效率的僵尸企业流向高效率的正常企业，资源配置不仅没有改善，甚至可能不断恶化，不利于加总TFP增长。本文实证检验了僵尸企业的危害，明晰了僵尸企业可以通过阻碍技术进步、恶化资源配置对TFP增长产生不利影响，为政策判断提供了理论支撑。