Government subsidies and productivity of resource recycling enterprises —— an empirical study on panel threshold effect of listed enterprises in China
YAOHailin通讯作者:
收稿日期:2018-05-30
修回日期:2018-08-30
网络出版日期:2018-11-20
版权声明:2018《资源科学》编辑部《资源科学》编辑部
基金资助:
作者简介:
-->
展开
摘要
关键词:
Abstract
Keywords:
-->0
PDF (3448KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNoteRisBibtex收藏本文-->
1 引言
资源循环利用产业的发展对于改变“大量生产、大量消费、大量废弃”的传统增长方式和消费模式,缓解资源约束、保护生态环境、促进绿色转型,建设生态文明起着积极的影响。“十二五”以来,中国资源循环利用产业的发展上升到国家战略层面:2010年国务院印发了《关于加快培育和发展战略性新兴产业的决定》[1],资源循环利用产业作为节能环保产业的重要组成部分,被列为七大战略性新兴产业之首。政府补贴是促进战略性新兴产业发展的重要政策手段,在转型经济中扮演着极为重要的“扶持之手”的角色[2]。随着资源循环利用产业日益受到政府和社会的关注,大量补贴资金也进入资源循环利用领域:据统计,仅2017年,中央财政下拨循环经济和清洁生产补助超过19亿元。在国家的示范效应下,各地政府也加大了对资源循环利用企业的扶持力度,如资源循环利用行业龙头格林美近5年从各分公司所在地政府获得补贴约8亿元。
在一系列政策的驱动下,资源循环利用产业“十二五”期间以每年12%的速度增长[3],产业规模稳步扩大,技术装备水平不断进步,产业集中度显著提升。但是,尽管产业发展整体势头良好,从微观层面看,企业层次低、呈现碎片化,生产能力弱等发展瓶颈仍旧突出[4]。这一现象不禁引发对政府补贴效应的思考:在中国资源循环利用产业发展中,政府补贴在企业微观层面是否产生了积极的扶持作用?回顾相关文献发现:政府补贴对企业绩效的影响存在不确定性,政府补贴同时具有促进和抑制两种效应:一方面,给予补贴能够激励企业创新、扩大规模,提升效率[5][6];但另一方面,过度的补贴又可能诱发逆向选择和道德风险等问题,严重影响补贴使用效率[7][8]。这表明,政府补贴对企业绩效的影响可能是不确定的;不同程度的补贴力度对企业绩效的影响具有差异性[9]。那么,这一结论是否能得到资源循环利用企业数据的验证?政府补贴对资源循环利用企业绩效的影响是否存在异质性?如果确有适度补贴的存在,适度补贴的水平又是多少?为了回答这些问题,本文采用资源循环利用微观企业数据展开实证研究,以期得到有价值的答案。
2 文献回顾
在关于补贴效用的过往研究中,学术界大致可分为三种观点(详见表1)。Table 1
表1
表1政府补贴效用研究文献归纳
Table 1Literature on government subsidy effectiveness
结论分类 | 国家 | 样本对象 | 方法模型 | 因变量 |
---|---|---|---|---|
正效应 | 德国[5] | 制造与服务业企业 | 倾向评分匹配 | 研发强度、专利申请 |
美国[10] | 风电产业 | Tobit,Probit、ols回归 | 风电装机容量增加值 | |
中国[11] | 非金融企业 | Logistic回归 | 研发投入 | |
中国[12] | 非金融民营企业 | 面板回归 | 资产收益率、税收贡献、就业创造 | |
负效应 | 日本[13] | 制造产业 | OLS回归 | 生产率 |
韩国[14] | 制造产业 | 面板数据模型(WLS\3SLS) | 劳动生产率、资本存量增长率、全要素增长率 | |
OECD国家[15] | 国家 | 面板回归 | GDP增长率 | |
欧洲[7] | 受基金项目资助企业 | 倾向评分匹配 | 企业生产率 | |
中国[16] | 农业企业 | 非均衡面板回归 | 资产收益率、销售利润率、资产负债率、资产增长率 | |
中国[17] | 全部企业 | 面板回归 | 经济效益(资产收益率)、社会效益(税率) | |
中国[18] | 物联网企业 | 面板固定效应回归 | 全要素生产率 | |
中国[19] | 非金融企业 | OLS和Tobit回归 | 企业价值、经营活动现金流/社会捐赠贡献、税收贡献 | |
不确定 | 英国[21] | 制造产业 | 面板回归模型 | 全要素生产率 |
希腊[22] | 食品和饮料制造产业 | 随机前沿分析 | 全要素增长率 | |
中国[9] | 工业企业 | 广义倾向匹配 | 全要素生产率 | |
中国[23] | 工业企业 | 倾向得分匹配倍差法 | 产品创新 | |
中国[24] | 再生能源企业 | 门槛回归模型 | 研发投入 | |
中国[25] | 物联网企业 | 面板固定效应模型 | 全要素生产率 | |
中国[26] | 光伏企业 | 阶段实证分析 | 股本、营业收入增长率、税收减补贴、净利润 |
新窗口打开
一是补贴存在促进作用。Aleck 等 [5]通过对德国东部公司的对比分析发现,受补贴公司比未受补贴公司更具进行技术研发的积极性;Claudia Hitaj[10]实证检验了政策对美国风电行业的影响,发现政府资金支持为风电发展做出了显著贡献;解维敏等[11]使用Logistic分析法对中国上市公司进行实证研究,发现政府研发补贴能够有效抵御研发风险、刺激企业研发投资;余明桂等[12]使用面板数据模型分析了中国203家上市公司,结果表明与政府无政治联系的企业在受补贴后提高了企业总资产收益率。
二是补贴存在抑制作用。Beason等[13]分析了日本政府对公司补贴的投资效应,发现政府补贴导致公司规模报酬递减并减缓了增长速度;Lee[14]实证分析认为财政补贴和税收激励并没有对韩国制造企业的生产效率提升起到显著作用;Gwartney等[15]使用实证分析对OECD国家样本进行研究,发现当补贴收入过高时并不利于企业提高自身的生产效率;Sissoko[7]对意大利企业进行对比研究,得出受补贴企业效率增长慢于无补贴企业的结论;邹彩芬等[16]对农业上市公司的面板回归分析表明,对政府补贴的过度依赖可能导致企业产出增长率、资产增长率、资产利润率等业绩指标下滑;唐清泉等[17]以中国上市公司为研究样本,实证检验发现补贴无益于经济效益而显著提高公司的社会效益;安同良等[18]构建动态博弈模型研究企业获取补贴的行为和效应,得出了补贴低效率的结论;周方召等[19]对物联网上市公司的实证分析表明政府补贴并未提升上市公司生产效率;赵璨等[20]使用OLS和Tobit回归分析了补贴对中国上市公司绩效的影响,认为政府补贴存在错配与浪费。
三是补贴的影响是不确定的。例如,Robinson等[21]对英国企业的补贴效果实证研究,表明补贴对企业生产效率的影响是不确定的;Tzelepis等[22]实证研究发现希腊政府的投资补贴对企业绩效的影响并不显著;邵敏等[9]使用广义倾向匹配法对中国工业企业进行研究,发现政府补贴强度存在一个阈值,小于阈值时补贴起激励作用,大于阈值时起抑制作用;毛其淋等[23]使用倾向得分匹配的倍差法对中国工业企业的研究认为,补贴对产品创新的影响存在着适度区间;李晓钟等[24]对中国物联网上市公司的研究发现,补贴对全要素生产率的影响呈现当期促进滞后期抑制的趋势;Yu等[25]利用中国172家上市公司数据进行实证分析,得出补贴与研发投入的非线性关系、并进一步考察了补贴的门槛效应;Xiong 等[26]实证分析了中国光伏企业不同发展阶段补贴的效果,结果表明政府补贴在初期探索阶段对光伏企业有积极影响,中后期加剧供给过剩。
从相关文献的回顾中可以看出,学术界对政府补贴效用的研究关注已久且成果颇丰,结论也众说纷纭。通过梳理分析可以发现:
(1)过往文献关注了整体制造业或某一特定细分行业政府补贴的效用,而结论不尽相同;这是因为,政府针对不同行业实施补贴的行为具有差异性,行业因素很可能是补贴效用差异化的原因;因此分行业来讨论补贴效用,得出的结论可能更为准确,也对行业发展更具现实指导意义。但由于资源循环利用产业是一个战略性新兴产业,现有的相关研究基本处于空白状态。
(2)在讨论政府补贴对企业绩效影响的研究中,现有文献采用了不同的企业绩效衡量指标,如研发投入、资产收益率、托宾Q值、营业收入等,这也可能是造成研究结论不一致的原因。
(3)以往大部分文献集中在政府补贴的平均效应研究上,除了邵敏等[9]的研究外,极少有文献关注到了不同补贴幅度的差异性作用。
因此,在以往研究的基础上,本文进行了以下三方面的探索:
(1)将研究对象限定在资源循环利用产业这一日益受到关注的战略性新兴产业领域,聚焦分析政府补贴对该行业的影响。
(2)使用更能全面代表企业生产效率的全要素生产率(Total Factor Productivity, TFP)作为本研究的主要被解释变量。原因在于:① 全要素生产率是衡量技术进步对经济增长贡献率的重要指标;② 全要素生产率同时体现了要素配置效率、规模经济等各种投入要素的平均产出水平;③ 相比于反映短期企业效率的财务指标,全要素生产率能够更好地测度长期企业成本优势[27]。
(3)关注不同补贴额度的差异性作用,利用面板门槛模型计算补贴额度门槛,着力刻画不同补贴水平对企业绩效的影响差异及内在机理。
3 理论基础与研究假设
以往研究依据公共产品理论和信号理论证实了补贴激励效应的存在。根据公共产品理论,由于研发活动具有公共产品的性质[28]——非竞争性和非排他性,市场失灵导致了大量企业在技术研发上的“搭便车”现象,致使企业自身促进技术进步的动力不足。政府补贴可以降低企业研发成本,弥补因为研发活动正外部性造成的利润损失,提高研发活动的回报率从而刺激企业推动技术进步的积极性,这极大地提高了企业配置资源的效率从而有机会促进企业生产效率的改进;信号理论认为,市场经济中具有信息优势的主体可以通过“信号传递”行为将信息传递给信息劣势主体来平衡信息市场。由于信息不对称所造成的企业融资困难问题市场无法有效解决[29],政府作为信息优势主体,其补贴企业所释放的信号[30],正如名牌商品向消费者传递的质量信息[31],给外界传递出积极的投资信息从而增强了企业的融资引力[32],便利的融资无疑对企业生产效率的提高有着积极影响。更多结论发现了补贴的挤出效应。补贴是政府对企业的无偿转移支付,会使企业获得超额利润或是提升其偿债能力。从自身动力来看,超额利润使企业经营者出现懈怠、得过且过吃大锅饭的心理从而出现企业无效率[33],与面临倒闭风险和债务危机的企业相比,获得补贴的企业缺乏提高生产效率的动力。从寻租理论看,政府补贴作为资金生产要素的一种,企业有大量需求而其供给受限,使少数特权企业获得了谋取超额收入的机会,布坎南和A.克鲁格将这种收入称为“租金”,企业为了谋求这种超额收入而进行“寻租”活动。中国分权改革下地方政府掌握较大的财政支配权(自由裁量权),在没有完善监督机制的前提下,建立政治联系、贿赂等寻租行为将成为企业投资的重点,这样一来用于提高生产率的资源被占用从而导致企业效率下降。从信息不对称理论看,虽然前文提到政府作为信息优势主体可以向投资者传递信号,但相对于拥有自身完全信息的企业,政府则处于劣势一方,作为优势方的企业对自身财务等信息的刻意隐瞒,导致政府甄别信息成本加大,政府补贴企业面临着事前逆向选择和事后道德风险的问题,前者可能导致补贴资金错配而影响其效果发挥,后者可能导致受补贴企业乱用补贴资金而造成生产效率损失。
通过理论分析可以发现,补贴效应的异质性基于不同的前提条件,就补贴抑制效应来说,过量的补贴额度可能是超额利润、寻租行为、道德风险产生的重要诱因,这同时说明补贴激励效应需要在适度的区间内才能有效发挥,因此额度多寡极有可能是补贴发挥作用的重要条件。对于资源循环利用企业来说,相较于进行外部性和风险性较大的研发投入,大多数企业更倾向于扩大生产规模,以获得稳定可预期的规模效益,这也是资源循环利用产业普遍产品附加值低、产能过剩严重的原因[34,35]。而当政府出于扶持产业目的给予适度补贴时,一定程度上能够减轻企业的研发风险,促使企业有意愿增加研发投入,提高产品技术含量和经济价值。但当政府补贴强度过高时,公司经营者倾向于主动使用部分用于提高全要素生产率的资源与政府建立政治联系,从而获得当地政府自由裁量权下的补贴资金[36][37],建立政治联系最直接的途径就是寻租[38],而寻租带来的成本能造成大量效率损失[39]。基于此,本文提出以下假设:
H1:政府补贴对资源循环利用企业生产效率呈现非线性影响。
H2:政府补贴对资源循环利用企业生产效率存在门槛效应,适度补贴能够促进企业生产效率提高,高额补贴可能抑制生产效率提高。
H2a:适度补贴能够有效刺激企业研发投入,高额补贴会显著增加企业寻租成本。
4 研究设计
4.1 样本选择与数据来源
资源循环利用产业作为战略性新兴产业,在我国近年来才得到快速发展,专门针对该产业的相关统计数据还比较少,故本文利用资源循环利用产业上市公司披露的相关数据进行研究。资源循环利用企业的界定采用如下方法:根据国家发改委2017年2月4日发布的《战略性新兴产业重点产品和服务指导名录》[40]的范围划分:矿产资源综合利用、固体废弃物综合利用、建筑废弃物和道路沥青资源化无害化利用、餐厨废弃物资源化无害化利用、汽车零部件及机电产品再制造、资源再生利用、非常规水源利用、农林废物资源化无害化利用、资源循环利用服务9个产品及服务属于资源循环利用产业产品范畴。本文借鉴周方召等[19]、李晓钟等[24]的做法,通过主营业务范围对企业进行筛选,凡主营业务属于以上9种具体产品及服务的企业,将其划分到资源循环利用企业的范畴。本文样本的研究区间为2012—2016年沪、深两市A股上市公司,样本选取基于以下二点考虑:① 上市公司数据公开易得,公司财务制度最为规范,以其为研究对象更具代表性;② 国务院在2010年发布《关于加快培育和发展战略性新兴产业的决定》[1]并于2012年开始实施《“十二五”国家战略性新兴产业发展规划》[41],之后中央和地方陆续出台了相应的补贴政策。大部分资源循环利用企业借着良好的政策环境于2012年前后上市,2012年之后的数据具有完整性。
按照以上原则,本文通过同花顺、证券之星等证券交易软件中的板块分类收集了属于循环经济板块、固废处理板块、节能环保板块共206家上市公司,根据巨潮资讯网上公开的公司年报中的主营业务,比照《战略性新兴产业重点产品和服务指导名录》[40]人工筛选出56家资源循环利用企业。本文剔除了数据异常、ST公司等样本,并根据杨汝岱[42]计算全要素生产率的做法剔除了总产出、资本存量、中间投入和工业增加值为负值、零值的样本,最终获得5年51家资源循环利用上市公司数据,共255个观测值。
4.2 研究方法及模型设定
本研究所采用的2012—2016年上市公司数据属于同时包含时间序列和截面的面板数据,由于面板数据回归相比于一般时间序列回归降低了多重共线性、控制了个体的异质性,且具有普遍适用性能够更好地解释复杂的经济问题,所以本文使用平衡的面板数据模型对研究假设进行实证检验。首先为了检验政府补贴对全要素生产率的非线性影响关系,设定如下两个基础模型:式中被解释变量LnTFP为全要素生产率对数形式;C为常数项;核心解释变量SUB为政府补贴;SUB2是补贴的平方项;X为控制变量集合(研发投入、企业规模、资产负债率、股权集中度、员工薪酬、企业年龄、产品市场竞争、年份虚拟变量);α、δ、β为各自变量的弹性系数;a为不可观测的对因变量有影响的因素;ε为随机扰动项;i、t分别代表企业个体和年份。本文在模型(1)的基础上加入SUB2得到模型(2),若
进一步地,若假设H1成立,为了检验假设H2,本文采用Hansen[43]的门槛回归模型对政府补贴的门槛效应进行实证分析。首先门槛模型相比于其他检验区间效应的方法避免了人为设置阈值进行分组的主观性弊端[44];其次门槛模型能够计算出具体阈值,这为政府补贴资源循环利用企业提供了有价值的参考,实际意义重大。因此本文设定基础面板门槛模型如下:
式中
4.3 变量设计
(1)被解释变量:全要素生产率(LnTFP)。关于微观层面的全要素生产率有很多测算方法,学术界关注最多的有三种,即普通OLS回归法、OP法[45]和LP法[46]。其中OLS回归法有同时性偏差和样本选择性偏差的缺陷,OP法使用投资作为代理变量解决了前述缺陷但调整成本的存在使其不能完全反映全要素生产率,LP法使用中间投入作为代理变量避免了这些问题,因此本文参照鲁晓东等[47]的做法使用LP法计算企业全要素生产率并对其进行对数化处理,同时以OP法计算所得TFP作为因变量进行稳健性检验。使用LP法计算TFP需要获得企业工业增加值、劳动力投入、中间投入和资本投入数据,其中本文使用收入法计算工业增加值,公式为:固定资产折旧+劳动者报酬+生产税净额+营业盈余[48],劳动力投入用员工人数表示,中间投入用公司购买商品和接受劳务支出表示,资本投入用固定资产投资表示。并使用以2012年为基期的生产者购进价格指数、固定资产价格指数和工业生产者出厂价格指数对中间投入、资本投入和工业增加值指标进行平减以消除价格波动的影响,价格指数原始数据来自《2016年中国统计年鉴》[49]。
(2)解释变量:政府补贴(SUB)。由于企业规模差异,补贴的绝对数额对不同公司的影响并不相同。以往文献普遍采用补贴强度这一指标来代替政府补贴变量以消除这种规模差异的影响[50,51]。因此本文使用政府补贴强度作为核心解释变量。这里本文统一采用当年所有补贴之和作为公司政府补贴的最终数额。政府补贴强度来源于公司财务报表附表营业外收入分支项目中政府补助数额与主营业务收入的比值。
(3)控制变量。根据潘罗斯企业成长理论和已有文献的研究,本文控制了以下可能对全要素生产率有影响的变量。
技术进步(TP)。大量文献研究已经表明,技术进步是企业全要素生产率增长的主要路径[52]。而技术进步必须以充足的研发投入作为支撑[53,54],因此,本文以研发投入作为技术进步的替代指标控制了其对TFP的影响,同样,为了消除规模差异的影响我们使用研发强度指标(研发支出/主营业务收入)表示技术进步变量。
企业规模(SIZE)。企业规模差异能给企业带来不同优势,小企业更具活力,大企业拥有更多资源优势易形成规模经济。因此,企业规模对公司TFP的影响是可以预见的。本文借鉴以往研究[11,55]使用公司总资产自然对数表示企业规模。
资产负债率(DEBT)。根据Jensen的自由现金流理论,财务杠杆(资产负债率)有益于企业生产率的提高。但有研究表明,资产负债率是一个公司债务状况的体现,高负债的公司对于促进全要素生产率增长而进行投资的能力偏弱,且会削弱其技术创新的积极性。因此本文控制资产负债率变量(总负债/总资产)。
股权集中度(H10)。股东持股比例是公司内部治理的重要指标,公司内部治理直接影响着资源配置情况,已有研究普遍发现了股权集中度对企业绩效的“支持效应”和“掏空效应”。本文使用前十大股东持股比例表示股权集中度[56]。
员工薪酬(LnWAGE)。员工薪酬体现着公司对员工的激励,较高的薪酬能够刺激员工的生产积极性;同时员工薪酬代表企业对劳动力的投入力度,体现了企业间人力资源成本的差异[57]。本文使用当年企业发放工资总额的对数值表示。
产品市场竞争(COM)。所处行业的市场竞争程度越高,企业提升自身生产率的动力越强,产品市场竞争显著促进了企业全要素生产率的增长。本文借鉴李春霞[58]的做法使用主营业务毛利率表示产品市场竞争。
此外本文还控制了时间虚拟变量来考虑特定年份事件等影响因素;鉴于下文模型采用固定效应模型,而凡在时间上恒定的解释变量都必定随固定效应变换而消失[59],且样本企业的经营业务性质相同,因此本文并未控制行业虚拟变量。计算全要素生产率的相关指标和其他变量均来自公司年报公开数据,本文使用国泰安数据库统一收集并进行手工整理。为了避免极端值对回归分析的影响,本文对于主要连续变量进行了缩尾处理(Winsorize),变量定义如表2所示。
Table 2
表2
表2变量定义
Table 2Variable definition
变量类型 | 变量符号 | 变量名称 | 测量方法 |
---|---|---|---|
被解释变量 | LnTFP | 全要素生产率 | 根据LP法计算 |
解释变量 | SUB | 政府补贴 | 公司当年补贴收入/当年营业收入 |
控制变量 | TP | 技术进步 | 公司当年研发支出/当年营业收入 |
SIZE | 企业规模 | 公司总资产取自然对数 | |
DEBT | 资产负债率 | 公司总负债/公司总资产 | |
H10 | 股权集中度 | 公司前十大股东持股比例 | |
LnWAGE | 员工薪酬 | 当年发放工资总额对数值 | |
COM | 产品市场竞争 | 公司主营业务毛利率 |
新窗口打开
5 实证分析
5.1 变量描述及模型检验
5.1.1 变量描述性统计表3为主要变量的描述性统计结果,全要素生产率自然数对数均值为2.771,标准差为0.054,说明资源循环利用企业整体发展水平较为均衡,企业间波动小。政府补贴强度均值为0.024,说明资源循环利用行业政府补贴水平较高,这与政府补贴向战略性新兴产业倾斜的情况相符,标准差为0.055,最大值最小值相差0.768,1/4分位数、中位数和3/4分位数差别较大,说明企业间的补贴强度差异大。技术进步均值为0.027,与补贴强度均值相当,与补贴强度相比其波动较小,标准差为0.025,最大值仅为0.133,说明尽管公司获得了高额补贴也未有效推动技术进步。其他控制变量详见表3。
Table 3
表3
表3主要变量描述性统计
Table 3Descriptive statistics of the main variables
变量 | 样本 | 均值 | 标准差 | 最小值 | 25% | 50% | 75% | 最大值 |
---|---|---|---|---|---|---|---|---|
LnTFP | 255 | 2.771 | 0.054 | 2.682 | 2.729 | 2.766 | 2.812 | 2.875 |
SUB | 255 | 0.024 | 0.055 | 0.000 | 0.005 | 0.011 | 0.027 | 0.768 |
TP | 255 | 0.027 | 0.025 | 0.000 | 0.005 | 0.028 | 0.036 | 0.133 |
SIZE | 255 | 22.290 | 0.997 | 20.758 | 21.502 | 22.241 | 23.031 | 24.200 |
DEBT | 255 | 0.459 | 0.177 | 0.075 | 0.314 | 0.446 | 0.604 | 0.865 |
H10 | 255 | 0.583 | 0.148 | 0.222 | 0.469 | 0.583 | 0.702 | 0.926 |
LnWAGE | 255 | 16.419 | 1.530 | 12.801 | 15.461 | 16.704 | 17.585 | 18.639 |
COM | 255 | 0.279 | 0.109 | 0.082 | 0.196 | 0.284 | 0.362 | 0.481 |
新窗口打开
5.1.2 模型检验
当面板数据的时间序列中存在单位根过程时,时间序列数据会因不平稳而导致伪回归,为了避免这种情况本文使用两种经典的检验方法对序列进行单位根检验,第一种是Levin-Lin-Chu检验(LLC)用于检验同一根,第二种是Im-Pesaran-Shin检验(IPS)用于检验不同根,结果如表4所示。可以看到包括一阶差分后的TP、H10、SIZE、LnWAGE变量所有8个变量均通过了两种方法的单位根检验。为了检验变量之间的多重共线性问题,本文进行了方差膨胀因子检验(VIF),结果显示,各变量最大VIF值为2.14、均值为1.44,VIF值低于5表明模型不存在多重共线性问题。因此,本文使用这8个变量进行面板估计。
Table 4
表4
表4面板单位根检验
Table 4Panel unit root test
变量 | LLC | IPS | 是否平稳 | |||
---|---|---|---|---|---|---|
统计量 | P值 | 统计量 | P值 | |||
LnTPF | -13.74 | 0.00 | -1.96 | 0.03 | 是 | |
SUB | -32.32 | 0.00 | -4.23 | 0.00 | 是 | |
TP | -21.40 | 0.00 | -2.69(D) | 0.00 | 是 | |
H10 | -11.54 | 0.00 | -3.23(D) | 0.00 | 是 | |
SIZE | -19.98 | 0.00 | -6.69(D) | 0.00 | 是 | |
LnWAGE | -8.11 | 0.00 | -2.30(D) | 0.00 | 是 | |
COM | -15.45 | 0.00 | -1.98 | 0.03 | 是 | |
DEBT | -13.02 | 0.00 | -2.10 | 0.01 | 是 |
新窗口打开
之前设置的模型中,a为不可观测的能对被解释变量产生影响的因素,而这些因素可能与自变量有关,产生固定效应;也有可能与自变量无关,产生随机效应。为了判断模型类型以确定使用何种方法消除这些效应,本文对模型的效应类型进行豪斯曼检验,豪斯曼统计量的P值为0.042小于0.05,拒绝随机效应的原假设,因此,本文使用面板固定效应模型。此外本文还对模型的截面相关性、异方差进行了检验,结果表明模型不存在截面相关但存在异方差。关于变量内生性问题,理论上自变量和因变量之间可能存在相互影响的关系,而且模型中也可能有遗漏变量的问题,一般情况下使用两阶段最小二乘工具变量法(2SLS)解决内生性问题,但由于模型存在异方差,使用广义矩估计(GMM)方法比2SLS工具变量回归更有效率[60],因此本文在对模型进行固定效应回归(FE)的同时使用GMM法对模型进行稳健性回归。
5.2 回归分析
5.2.1 补贴对全要素生产率的平均影响效应由于回归模型存在异方差和可能的内生性,因此本文通过捕获Huber-White(robust)标准误和进行GMM估计以得到更加稳健的估计,其中内生变量为政府补贴强度(SUB)和技术进步(TP),工具变量为内生变量的滞后一期。表5为在模型(1)、模型(2)基础上得到的FE估计和GMM估计共4个回归结果,从F统计量来看,4个模型都在1%水平下显著,说明自变量对因变量有较强的解释力;组内R2的值均在0.5以上,说明模型有较好的拟合效果。线性模型和非线性模型之间的变量系数的符号一致、大小相似且都具显著性。GMM估计中,AR(3)p值均大于0.1,说明序列之间不存在高阶自相关,Hansen检验和Sargan检验的p值均在0.8以上说明本文所选取的工具变量具有有效性。从GMM估计结果的系数符号看,除股权集中度外其他变量与固定效应估计一致,模型稳健性得到了保证,补贴强度系数绝对值升高说明变量的内生性使固定效应回归低估了补贴对公司TFP的影响程度。
Table 5
表5
表5补贴强度对TFP的影响估计结果
Table 5Estimates of the impact of subsidy intensity on TFP
自变量 | 因变量 | |||
---|---|---|---|---|
FE1 | GMM1 | FE2 | GMM2 | |
SUB | -0.069** (0.029) | -0.573** (0.262) | -0.285** (0.124) | -0.848** (0.417) |
TP | -1.297*** (0.448) | -0.867*** (0.257) | -1.346*** (0.429) | -0.799*** (0.231) |
SUB2 | — — | — — | 0.258* (0.132) | 4.646** (2.231) |
TP2 | 5.935* (3.127) | 5.023* (2.896) | 6.585*** (3.084) | 4.272* (2.460) |
SIZE | 0.029*** (0.010) | 0.042*** (0.004) | 0.028*** (0.009) | 0.042*** (0.004) |
COM | 0.113*** (0.031) | 0.074*** (0.025) | 0.118*** (0.028) | 0.076*** (0.026) |
DEBT | -0.053** (0.020) | -0.044** (0.021) | -0.057*** (0.020) | -0.043** (0.021) |
H10 | -0.068*** (0.022) | 0.068** (0.027) | -0.062*** (0.021) | 0.069** (0.028) |
LnWAGE | 0.004** (0.002) | 0.003* (0.002) | 0.005** (0.002) | 0.004* (0.002) |
时间虚拟变量 | 控制 | 控制 | 控制 | 控制 |
C | 2.123*** (0.215) | 1.794*** (0.066) | 2.120*** (0.208) | 1.774*** (0.061) |
R2within | 0.566 | — | 0.577 | — |
F统计量 | 28.000*** | 38.520*** | 4 484.490*** | 41.740*** |
AR(2)Prob. AR(3)Prob. | — — | 0.001 0.267 | — — | 0.001 0.276 |
Hansen Prob. Sargan Prob. | — — | 0.931 0.939 | — — | 0.861 0.879 |
观测值 | 255 | 204 | 255 | 204 |
新窗口打开
从表5发现,政府补贴一次项的弹性系数均显著为负,说明现阶段政府补贴对资源循环利用企业全要素生产率存在显著的平均抑制效应,根据前文的分析,补贴对全要素生产率有非线性影响,补贴额度设置的不合理可能是造成补贴平均负效率的重要原因。从FE2和GMM2回归结果可以看出,加入补贴平方项后,FE2模型中的TP2、DEBT等控制变量显著性提高且SUB2具有一定显著性,表明加入补贴平方项具有合理性,同时在考虑内生性的GMM2模型中补贴平方项在5%水平下显著,这表明补贴和全要素生产率之间存在非线性关系。假设H1得到验证,补贴对全要素生产率的影响并非一成不变,而是随着补贴强度的变化而变化,存在着合理的补贴区间,这进一步说明了不合理的补贴额度设置对全要素生产率的抑制作用。
4个模型中大部分控制变量均呈现出较高水平的显著性。其中,技术进步对企业生产率的影响呈现出和补贴一样的非线性趋势。现阶段,技术进步的抑制作用可能是由于研发投入对企业生产率存在滞后效应[61],技术进步的平方项系数显著为正说明随着研发投入的不断积累其促进生产率提高的作用显现。企业规模均通过了1%水平下的显著性检验且系数为正,说明企业规模越大,能够产生规模经济并利用更多的资源来提升全要素生产率。产品市场竞争系数显著为正印证了本文的预期,充满竞争的市场会激发公司提升生产率的动力。资产负债率在促进全要素生产率方面并没有发挥财务杠杆的作用,系数显著为负,表明较高的资本风险增加了企业经营的不确定性从而抑制了生产效率提高[55]。股权集中度FE估计系数显著为负、GMM估计系数显著为正,说明控制了内生性后,股权的集中对生产率的“支持效应”显现。员工薪酬系数在FE1、FE2中显著为正,在GMM估计中显著性下降,一定程度上说明了薪酬激励对生产率的促进作用。
5.2.2 补贴对全要素生产率的门槛效应
为了验证假设H2,探究政府补贴企业的最佳区间,本文使用面板数据门槛回归模型对模型内生区分的补贴范围进行分组检验,本文将政府补贴(SUB)作为门槛变量,得到不同门槛区间内政府补贴对全要素生产率的弹性系数。首先对模型进行1000次的自举抽样(bootstrap)检验门槛效应显著性,若单门槛显著存在,则进行双门槛检验,双门槛检验的同时对单门槛进行回检,以此类推。表6为门槛效应检验结果。
Table 6
表6
表6政府补贴门槛效应检验结果
Table 6Test results of the threshold effect of government subsidy
门槛数 | F统计量 | 临界值 | ||
---|---|---|---|---|
1% | 5% | 10% | ||
单门槛 | 4.790** | 7.065 | 3.487 | 2.537 |
双门槛 | 30.263*** | 6.078 | 2.515 | 0.766 |
三门槛 | 30.572*** | 8.923 | 6.143 | 1.598 |
新窗口打开
从表6可以看出,单门槛检验F统计量大于5%水平下的临界值,双门槛检验和三门槛检验的F统计量均大于1%水平下的临界值,回检后门槛没有发生变化,说明模型存在三门槛效应。门槛值的置信区间如表7所示,前两个门槛值的置信区间较窄置信度高,虽然第三个门槛值的置信区间较宽,但也在合理范围内,因此设定如下面板固定效应三门槛回归模型来对补贴的门槛效应进行检验:
Table 7
表7
表7政府补贴三门槛置信区间
Table 7Confidence interval of triple threshold of government subsidy
门槛值 | 95%置信区间 |
---|---|
0.015 | [0.015,0.015] |
0.016 | [0.016,0.016] |
0.027 | [0.000,0.108] |
新窗口打开
本文根据获得的三个门槛值对门槛模型进行回归分析,结果如表8所示。从表8可以看出,控制变量在固定效应回归和门槛回归中的系数和显著性基本保持稳定,再次说明变量设置的合理性,同时表明将政府补贴分区间对全要素生产率的回归是稳健的。在三个门槛值划分的四个区间内,除政府补贴系数
Table 8
表8
表8政府补贴门槛效应回归结果
Table 8Regression results of the threshold effect of government subsidy
自变量 | 门槛回归 | T 值 | 固定效应回归 | T 值 |
---|---|---|---|---|
TP | -1.166*** (0.256) | -4.56 | -1.297*** (0.448) | -2.89 |
TP2 | 5.253** (1.912) | 2.75 | 5.935* (3.127) | 1.90 |
SIZE | 0.038*** (0.004) | 8.70 | 0.029*** (0.010) | 2.94 |
COM | 0.109*** (0.020) | 5.37 | 0.113*** (0.031) | 3.68 |
DEBT | -0.045** (0.014) | -3.20 | -0.057** (0.020) | -2.60 |
H10 | -0.047** (0.018) | -2.69 | -0.068*** (0.022) | -3.14 |
Ln WAGE | 0.003 (0.002) | 1.27 | 0.004** (0.002) | 2.02 |
SUB | — — | — | -0.069** (0.029) | -2.43 |
SUB≤0.0153 | -0.322 (0.283) | -1.14 | — — | — |
0.0153<SUB≤0.0164 | 4.551** (1.212) | 3.76 | — — | — |
0.0164<SUB≤0.0273 | -0.030 (0.181) | -0.16 | — — | — |
SUB>0.0273 | -0.275** (0.091) | -3.01 | — — | — |
新窗口打开
在第一阶段,当政府补贴强度小于1.5%时,补贴对全要素生产率产生并不显著的负向影响。这可能是由于资源循环利用产业属于资金密集型产业,企业前期资金需求大、短期收益不明显,因此少量的补贴不能显著影响企业的生产效率;当补贴强度在1.5%~1.6%之间时,变量系数为4.551且通过了5%的显著性检验,说明在此区间补贴对全要素生产率产生了明显的促进作用。补贴合理地补足了企业的研发、设备购买等预算缺口进入正常影响企业全要素生产率的途径。在第二阶段,补贴强度进入1.6%~2.7%区间,其系数为-0.030,但并不显著,属于补贴正效应向负效应过渡的无效率阶段。在第三个阶段,补贴强度大于2.7%,系数在5%水平下显著为-0.275,说明当补贴强度超过1.6%的门槛后对全要素生产率的影响从显著为正过渡为不显著并进一步表现为抑制作用,在此阶段,高额补贴下的寻租活动、生产经营懈怠、地方政府保护弱者的心态,让补贴资金流入一些低效率企业大大削弱了补贴效果的发挥。
5.3 稳健性检验
为检验以上实证结果的稳健性,本文使用OP法再次测算了全要素生产率,并使用补贴强度对其进行线性固定效应回归和门槛回归,结果如表9所示。Table 9
表9
表9稳健性检验
Table 9Robustness check
自变量 | 门槛回归 | T 值 | 固定效应回归 | T 值 |
---|---|---|---|---|
TP | -2.024*** (0.506) | -4.36 | -2.120*** (0.696) | -3.05 |
TP2 | 11.899*** (3.671) | 3.24 | 11.115** (5.213) | 2.13 |
SIZE | 0.034*** (0.008) | 4.51 | 0.025 (0.015) | 1.65 |
COM | 0.229*** (0.041) | 5.60 | 0.223*** (0.053) | 4.17 |
DEBT | -0.097*** (0.024) | -4.12 | -0.091*** (0.032) | -2.80 |
H10 | -0.088*** (0.025) | -3.50 | -0.082** (0.033) | -2.48 |
LnWAGE | 0.005* (0.003) | 1.72 | 0.004 (0.003) | 1.40 |
SUB | — — | — | -0.402** (0.156) | -2.58 |
SUB≤0.0143 | -0.096 (0.498) | -0.19 | — — | — |
0.0143<SUB≤0.0173 | 2.536** (1.219) | 2.08 | — — | — |
0.0173<SUB≤0.0270 | 0.307 (0.331) | 0.93 | — — | — |
SUB>0.0270 | -0.364** (0.133) | -2.74 | — — | — |
新窗口打开
对OP法计算的TFP进行门槛回归的结果显示,补贴强度具有三个显著门槛0.014、0.017和0.027,这与上文得出的门槛值相比略有浮动,各区间系数情况:第一区间不显著、第二区间显著为正、第三区间不显著、第四区间显著为负,与上文结果保持一致。各控制变量系数显著性和符号保持稳健。同时还根据上文补贴阶段的划分对TFP进行了分区间回归,结果显示在促进作用阶段补贴系数显著为正,抑制作用阶段补贴系数显著为负。以上两种检验结果表明,本文实证结果具有稳健性。
6 补贴门槛效应的内在机理检验
前文的实证研究发现了政府补贴对资源循环利用企业生产效率异质性影响的门槛区间,划分出了促进作用和抑制作用两个不同阶段;那么,其中的内在影响机制是什么,这对于更加深入理解补贴门槛效应至关重要,为了验证假设H2a,结合上文的理论分析和结果解释,本文引入研发投入(LnR)和寻租成本(RENT)两个变量,分阶段考察补贴是否在促进作用阶段刺激了研发投入;而在抑制作用阶段增加了寻租成本,从而导致了补贴对生产效率门槛效应的产生。其中研发投入变量参照成立为等[62]的做法使用企业研发投入对数值表示,寻租变量参照毛其淋等[63]的做法使用企业管理费用和总资产的比值表示。据此建立如下检验模型:式中LnR表示研发投入;RENT表示寻租成本;P和U分别代表影响研发投入和寻租成本的控制变量。回归结果如表10所示,F统计量均通过了显著性检验,R2在分别0.3和0.7左右,说明方程结果具有一定解释力。在促进作用发挥阶段,补贴强度对研发投入的回归系数显著为正,说明政府补贴在此阶段刺激了资源循环利用企业的研发投入,科学技术是提高企业全要素生产率和产品附加值的根本推动力,而资源循环利用企业高研发投入和高风险的特性[64]让其外部性更加显著,企业受到能力和资金的限制不能承受这样的风险,而适度政府补贴(SUB≤0.016)减轻了研发不确定性和外部性带来的风险,企业技术研发的需求得到了有力支持,同时补贴额度并未达到直接产生超额利润的程度,补贴对研发的回归系数在1%的显著性水平上为正,表明企业愿意充分利用补贴资金,从而降低企业研发成本、提升企业价值的激励效应出现,在这个阶段,增加研发投入无疑是补贴发挥正向作用最有效的途径;在抑制作用阶段,补贴强度对寻租成本回归系数显著为正,说明政府补贴在此阶段增加了资源循环利用企业的寻租成本,追求经济效益是企业发展的基本原动力,补贴对寻租成本的回归系数在1%的显著性水平下为1.663,这验证了本文的假设,高额的政府补贴(SUB>0.027)促使市场参与主体出于自身利益最大化考虑选择更加直接的途径(寻租)为自己谋利,企业通过寻租获得高额补贴从而直接取得超额利润,这极大地降低了企业将补贴资金投入研发等高风险承担活动的积极性,导致企业提升生产率动力缺乏、“寻补贴”、事后道德风险等抑制效应出现,寻租成本的存在更加直接地挤出了企业生产性资金,因此补贴抑制作用显著。以上实证结果验证了假设H2a,一定程度上表明通过研发投入和寻租影响企业生产效率是补贴门槛效应的重要内在机制。
Table 10
表10
表10补贴门槛效应的内在机理检验
Table 10The internal mechanism test of the threshold effect of subsidy
自变量 | 因变量(LnR) | 自变量 | 因变量(RENT) | ||
---|---|---|---|---|---|
SUB≤0.016 | SUB>0.027 | SUB≤0.016 | SUB>0.027 | ||
SUB | 160.930*** (59.995) | -62.198* (31.040) | SUB | -1.635 (1.284) | 1.663*** (0.513) |
SIZE | 23.804* (14.211) | -219.850*** (60.373) | COM | -0.492*** (0.118) | -0.519*** (0.177) |
SIZE2 | -0.470 (0.319) | 5.125*** (1.390) | LnWAGE | -0.022* (0.012) | -0.065** (0.030) |
GROW | 0.926** (0.453) | 0.914 (0.725) | AGE | -0.001 (0.005) | -0.023** (0.011) |
DEBT | -5.871** (2.581) | -0.613 (8.338) | DEBT | -0.125** (0.059) | -0.309** (0.142) |
LnTFP | -33.853*** (9.084) | -84.332** (36.183) | SIZE | -0.100*** (0.024) | -0.141** (0.052) |
H10 | -5.170 (3.469) | 1.259 (7.060) | H10 | 0.141* (0.080) | -0.093 (0.124) |
Year | 控制 | 控制 | Year | 控制 | 控制 |
C | -181.960 (158.401) | 2 595.412*** (690.233) | C | 2.548*** (0.421) | 4.702*** (1.146) |
R2within | 0.304 | 0.553 | R2within | 0.714 | 0.860 |
F 统计量 | 4.250*** | 2.690** | F 统计量 | 26.980*** | 15.320*** |
样本 | 162 | 58 | 样本 | 162 | 58 |
新窗口打开
7 结论与政策建议
7.1 结论
本文利用2012—2016年51家资源循环利用上市公司面板数据对政府补贴与企业全要素生产率的影响关系进行了面板数据实证分析。研究结果显示,政府补贴对资源循环利用企业全要素生产率呈现非线性影响;面板门槛效应回归结果表明,补贴对全要素生产率的影响存在三门槛效应,按照补贴发挥作用的内在机制划分为促进作用发挥阶段(SUB≤0.016)、无效率阶段(0.016<SUB≤0.027)和抑制作用阶段(SUB>0.027),其中(1.5%,1.6%]为最优补贴区间。内在机理检验结果表明,补贴在促进作用发挥阶段有效地刺激了企业研发投入,在抑制作用阶段导致了企业寻租成本增加。7.2 政策建议
在此研究结论基础上,本文给出以下几点关于政府促进资源循环利用企业发展的政策建议。(1)由于补贴对企业生产率具有门槛效应,政府应建立资源循环利用企业信息管理平台对企业设置甄别门槛。本文分析表明现阶段补贴过高抑制了企业生产率提高。针对这一问题,政府应搭建一个具有资源循环利用特色的信息管理平台,包括基本信息和信用信息两个系统:将企业全要素生产率、安全环保信息、再生产品和再制造产品质量等信息纳入基本信息系统,将生产者责任延伸制度履行情况、企业失信情况、行贿“黑名单”等信息纳入信用信息系统,以此作为政府补贴资源循环利用企业的参考依据。
(2)由于补贴在促进作用阶段能有效刺激研发投入,政府应在适度补贴范围内加大研发补贴比重。本文研究结果表明在促进作用发挥阶段,补贴显著提高了企业研发投入,说明在这个阶段研发是补贴正向作用的重要途径。政府在这一阶段应适当提高研发补贴比例,细化研发补贴支持的技术领域,支持符合条件的循环经济共性关键技术研发,以及减量化、再利用与再制造、废物资源化利用、产业共生与链接等领域的关键技术、工艺和设备的研发制造,设置研发补贴后续评审标准,如所补贴项目的技术专利申请情况等。通过补贴充分发挥技术创新对企业生产率的促进作用。
(3)由于补贴在抑制作用阶段导致了企业的寻租行为,政府应对受高额补贴的企业进行重点监管。从门槛回归结果得出在补贴强度大于2.7%后,补贴“挤出效应”显现,诱发寻租等损害企业生产率的行为。对此,当企业补贴申请额度大于这一门槛值时,尤其是上一年处于门槛以上的受补企业,相关部门应采取监控申请流程、分期支付补贴资金、定期听取项目汇报、严格执行成果验收等方式强化补贴使用过程中的监督制度,一旦发现某个环节出现问题,可及时终止补贴或对其进行惩罚。从而提高政府对受补企业的监督效率和补贴的使用效率。
The authors have declared that no competing interests exist.
参考文献 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子
[1] | [EB/OL]. ( [EB/OL]. (2010-10-18)[<date-in-citation content-type="access-date">2018-05-30</date-in-citation>]..] |
[2] | [J]. , |
[3] | [EB/OL]. ( [EB/OL]. (2017-08-02)[<date-in-citation content-type="access-date">2018-05-30</date-in-citation>]. . ] |
[4] | [J]. , [J]. , |
[5] | [J]. , |
[6] | [J]. , [J]. , |
[7] | |
[8] | [J]. , [J]. , |
[9] | [J]. , [J]. , |
[10] | [J]. , |
[11] | [J]. , [J]. , |
[12] | [J]. , [J]. , |
[13] | [J]. , |
[14] | [J]. |
[15] | . , |
[16] | [J]. , [J]. , |
[17] | [J]. , [J]. , |
[18] | [J]. , [J]. , |
[19] | [J]. , [J]. , |
[20] | [J]. , [J]. , |
[21] | [J]. , |
[22] | [J]. , |
[23] | [J]. , [J]. , |
[24] | [J]. , [J]. , |
[25] | [J]. , |
[26] | [J]. , |
[27] | [J]. , [J]. , |
[28] | [J]. , |
[29] | [J]. , |
[30] | [J]. , |
[31] | [J]. , |
[32] | [J]. , [J]. , |
[33] | [J]. , |
[34] | [R]. , [R]. , |
[35] | [J]. , [J]. , |
[36] | [J]. , [J]. , |
[37] | [J]. , [J]. , |
[38] | [J]. , [J]. , |
[39] | [J]. , [J]. , |
[40] | [EB/OL]. ( [EB/OL]. (2017-02-04)[<date-in-citation content-type="access-date">2018-05-30</date-in-citation>]. . ] |
[41] | [EB/OL]. ( |
[42] | [J]. , [J]. , |
[43] | [J]. , |
[44] | [J]. , [J]. , |
[45] | [J]. , |
[46] | [J]. , |
[47] | [J]. , [J]. , |
[48] | [J]. , [J]. , |
[49] | [EB/OL]. (2016-12)[ [EB/OL]. (2016-12)[<date-in-citation content-type="access-date">2018-05-30</date-in-citation>]. . ] |
[50] | [J]. , [J]. , |
[51] | [J]. , [J]. , |
[52] | [J]. , [J]. |
[53] | [R]. , |
[54] | [J]. , |
[55] | [J]. , [J]. , |
[56] | [J]. , [J]. , |
[57] | [J]. , [J]. , |
[58] | [J]. , [J]. , |
[59] | |
[60] | |
[61] | [J]. , [J]. , |
[62] | [J]. , [J]. , |
[63] | [J]. , [J]. , |
[64] | [J]. , [J]. , |