论文部分内容阅读
内容提要：基于2001-2007年中国工业企业数据库，以及国家“十五”、“十一五”规划文件，本文采用DID方法实证检验重点产业政策对制造业全要素生产率（TFP）的影响。研究表明：在样本期内，重点产业政策显著抑制了重点行业TFP的提升，且这种负向影响在资本和劳动力扭曲严重的情况下尤为明显。进一步的作用机制检验表明存在资源错配中介效应，即重点产业政策导致制造业TFP下降的部分影响是由于行业资源错配恶化引起的。对产业政策工具支持强度与企业异质性之间关系进行研究，发现产业政策工具在实施过程中存在不同程度的所有制和规模偏向，且除税收优惠外，政策资源更多地流向了重点行业内TFP较低、绩效较差的企业，从而导致行业内资源错配的加剧。因此，产业政策设计的着眼点应转移到对产业发展质量和效率上，并合理把握产业政策干预市场的边界，进一步深化以国企改革与要素价格改革为核心的市场化改革。
关键词：产业政策;资源错配;全要素生产率;制造业企业
中图分类号：F260 文献标识码：A 文章编号：1001-148X（2020）11-0054-09
收稿日期：2020-08-19
作者简介：王欣（1983-），女，江苏常州人，安徽财经大学国际经济贸易学院讲师，经济学博士，研究方向：产业经济;曹慧平（1975-），女，山东菏泽人，安徽财经大学国际经济贸易学院副教授，经济学博士，研究方向：国际贸易。
基金项目：国家社会科学基金项目“不完全契约视角下我国出口产品质量提升机制与对策研究”，项目编号：18BJL096。
一、引言与文献综述
党的十九大报告指出，我国经济已由高速增长阶段转向高质量发展阶段，推动产业結构转型升级，提升全要素生产率（TFP）是转换经济增长动力的关键所在。产业政策作为宏观调控的重要手段，在追求高质量、高效益增长模式的新形势下，能否与市场机制形成互补，起到弥补市场机制不完善的积极作用？
关于产业政策对企业TFP的影响机制，主要存在以下几种作用路径：基于竞争性视角的研究发现倾向于高竞争态势行业的产业政策能够减少要素禀赋的价格扭曲，使得资源流向高生产率企业，从而提高该行业的TFP水平[1-2]。通过信号传递方式为企业外部融资提供“隐性担保”，在一定程度上缓解了企业研发活动所面临的融资约束和外部性问题，增加了企业的研发投入，从而提高企业TFP[3-4]。制度经济学理论则认为合理的产业政策可以为企业提供良好的制度环境和配套机制，支持企业间的相互协调，降低要素重置成本，进而促进企业TFP的提升。
然而，关于我国产业政策实施路径的研究发现，由于政企信息不对称的存在，我国产业政策倾向于支持少数低生产率企业，使得本该被市场淘汰的企业占用了更多的资源，从而引发过度投资，导致资源配置效率的恶化[5-6]。Banerjee et al. （2010）的研究认为要素资源在部门间的错配会以直接或间接的方式阻碍企业TFP的提升，许多国内外学者也分别从理论和经验分析上证明我国资源若能够得到有效配置，纠正要素价格扭曲，则可以大幅度提高制造业TFP水平[7-9]。
关于我国产业政策对生产率的影响效应，学界评价并未得出一致性的结论。部分学者通过实证检验发现地方政府的重点产业政策整体上对生产率产生了积极的促进作用[10]。然而，另一部分学者的实证研究则呈现出相反的结论：在样本期内（1999-2007年）重点产业政策总体上显著抑制了相应行业内企业TFP的提升[11]。钱雪松等（2018）以十大产业振兴规划为自然实验，研究显示：与对照组相比，十大产业振兴规划这一政策冲击导致实验组企业的TFP显著下降[12]。进一步地，现有文献还围绕产业政策工具、行业特征、区域差异、企业所有权性质等角度对产业政策效应的异质性作用进行了探究。于良春和王雨佳（2016）的研究显示不同类型产业政策工具对企业全要素生产率的影响具有显著差异，针对我国汽车产业的研究发现固定资产投资政策提高了我国汽车产业的规模效益和技术效益，促进了TFP的增长，而研发补贴政策却未明显对汽车产业TFP的提升起正向作用[13]。闫志俊等（2017）基于新兴产业和传统制造业的实证检验发现，由于补贴资源在研发部门和生产部门分配的不合理，导致政府补贴政策对企业生产率的提升产生了显著的负面效应[14]。
国内外学者又进一步对产业政策实施效果的影响因素进行分析，张莉等（2019）基于市场环境视角考察了产业政策的经济效应，研究发现要素市场化配置水平的完善以及市场进入退出竞争机制的改善有助于缓解产业政策对企业生产率的负向效应[11]。Aghion（2015）、张龙鹏等（2018）等学者的研究指出产业政策工具的差异化执行方式才是造成我国产业政策资源误置效应的根本原因，若产业政策能在同一行业企业间公平实施，而非差别化地倾向于扶持少数企业，那将有助于促进行业整体全要素生产率[14-16]。戴小勇等（2019）的研究也显示体现普惠性与增进市场竞争特性的产业政策能够更好地激励产业创新，提升企业间的资源配置效率[17]。
综合已有文献可知，我国产业政策的生产率影响效应较为复杂且具有不确定性。与现有文献相比，本文的可能创新点体现在以下两个方面;第一，现有文献绝大部分仅着眼于产业政策对TFP的直接影响，而忽视了政策实施的中间传导机制，本文着重从资源错配的视角探讨产业政策影响制造业TFP的作用机制。由于政府本身对市场信息收集及处理的局限性，难以有效甄别高成长性企业，从而使得资源流向低生产率企业，这种政策导向的资源流动方式会造成资源错配，资源错配是否是产业政策与TFP之间一个有效的中介变量值的我们深入考察。第二，以往文献大多集中在行业层面，关注政策冲击带来的产业生产率变动，而考虑到宏观产业政策需要通过微观企业的经济活动来实现其政策效应，并且行业内企业间的资源重置和要素扭曲也会影响行业整体TFP，因此本文试图采用制造业企业数据来检验产业政策对TFP的影响。 二、指标构建和测算方法
（一）产业政策变量
借鉴宋凌云等（2013）[10]的研究，本文基于国家产业政策文件构建产业政策虚拟变量，选取由中央政府发布的最能代表产业发展方向的“五年规划”作为构建产业政策变量的基础，通过以下文本分析方法，识别出各规划期的重点支持行业。首先，选取国家“十五计划”（2001-2005年）和“十一五规划”（2006-2010年）作为样本期文件，从中提取出涉及“重点发展”、“支持发展”、“优先发展”、“重点扶持”等词汇的产业，然后按照国民经济行业分类（GB/T4754-2002）将提取出的产业与相应的工业二位码行业进行匹配，纳入归类的行业作为重点支持行业，否则视为非重点行业。
政府通过运用项目审批、土地出让、税收减免、信贷优惠、财政补贴等一系列直接干预和间接引导相结合的产业政策工具，向重点行业进行倾斜性支持，从而影响重点行业与非重点行业之间的资源流向;在重点行业内部，产业政策也可能基于企业类型差异进行选择性的资源重置。在资源错配的视角下，以识别重点行业为核心的产业政策构建法能够较好地从整体上检验产业政策的生产率效应。考虑到企业异质性，本文也将使用政府补贴、税收优惠和低息贷款这三个易量化的指标作为产业政策工具的代理变量来考察企业间的资源重置。
（二）制造业全要素生产率估算
本文假定我国制造业子行业的企业生产函数相同，均为C-D形式，设定如下：
Yit=F（Kit，Lit）≡TFPitKiitLitβi（1）
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代表企业全要素生产率。与以往关注行业层面的TFP不同，本文采用企业层面的微观数据来估计生产函数的具体形式。通过对式（1）式取对数，将其转化为线性表示形式：
yit=kit+βlit+εit（2）
在估计方法的选取上，本文采取主流的OP半参数估计法[18]来估算我国制造业企业的TFP，能够较好地克服传统OLS估计法所无法解决的同步性偏差和选择偏差问题。一方面，由于决策者可以根据当期可观测到的企业生产率来选择要素投入水平，那么（2）式中代表TFP的残差项εit就可能与解释变量相关，由此产生的内生性问题会导致OLS估计的偏误。OP法采用企业投资作为不可观测生产率冲击的工具变量，构建生产函数如下：
yit=βilit+ikit+h（Iit，kit）+λit（3）
其中，h代表企业根据自身生产率状况做出的投资决策，由于中国工业企业数据库中没有固定资产投资这个指标，本文采用永续盘存法测算出 Iit，It=Kt+1-Kt+δKt，K表示固定资产实际值，δ表示固定资产折旧率，设为10%。
另一方面，在回归样本中，由于可被观测到的在位企业都是生产率较高的企业，而生产率较低的企业被会市场淘汰而无法被观测到，这意味着根据样本企业估计出的TFP会有高估的倾向，而利用Probit模型估算出企业的生存概率，则可以在一定程度上解决样本选择性偏差的问题。
通过以上两步骤，我们可以完成对制造业29个子行业生产函数资本弹性和劳动力弹性的估计。在此基础上，估算出企业各期的TFP水平，再分别以工业总产值、企业增加值和销售额份额作为权重进行加权，得到2001-2007年加权平均的二位数行业TFP①。
（三）资源错配的测度
关于资源错配系数的测定，比较有代表性的研究是Hsieh and Klenow（2009）[8]，侧重从企业微观角度研究资源配置效率问题。本文借鉴龚关等（2013）[19]的度量方法，在HK模型的基础上放松了规模报酬不变的假设，可以更准确地刻画我国制造业的行业特征。在均衡配置条件下，行业内各企业的要素边际产出价值均等于要素边际使用成本，而在要素市场存在扭曲的情形下，要素边际产出价值与要素扭曲程度成正比。因此，可以分别采用资本边际产出价值与劳动边际产出价值的离散程度衡量资本和劳动要素的扭曲程度。基于垄断竞争市场的模型框架，我们分别推导出行业i内企业f在t期资本边际产出和劳动边际产出的表达式如下②;
MRPKif=σ-1·iPifYif/σRit（4）
MRPLif=σ-1·βiPifYif/σωit（5）
其中，MRPKif和MRPLif分別表示资本边际产出价值和劳动边际产出价值，σ代表产品需求替代弹性，本文参考Hsieh and Klenow（2009）[8]的研究，将替代弹性系数设为3。i、βi分别表示行业的资本弹性和劳动产出弹性，前文已估算得出。PifYif为行业i企业f在t期的工业增加值，Rit、ωit分别表示单位资本租金率和劳动报酬。由于资源错配导致资本和劳动的边际产出在企业间产生差异，所以可以利用行业内企业间要素产出价值的标准差来测算资源错配的程度。
三、模型设定与数据处理
（一）模型设定与变量选取
在检验产业政策对制造业TFP的影响时，需要考虑重点产业政策的内生性问题。一方面，若仅选取重点行业作为研究样本，则有可能忽视非重点行业的TFP变动，从而造成选择性偏误;另一方面，由于政府有支持高增长企业的强烈动机，使得重点产业政策与企业TFP之间可能存在反向因果关系。为克服内生性问题带来的估计偏误，本文利用“十五”计划和“十一五”规划期对重点产业扶持政策作为外生冲击变量来构建DID估计模型：
TFPit=+β1Treati×Aftert+β2Treati+β3Aftert+δXit+εit（6）
其中，i表示制造业二位码行业，t表示年份，TFPit被解释变量表示行业i在第t年的TFP水平。Treati表示重点行业虚拟变量，当该行业处于“十五”计划和“十一五”规划均支持的重点产业时，赋值1;当Treati为0时，则表示该行业被“十五”计划支持但未被“十一五”规划扶持。Aftert代表时间虚拟变量，政策冲击时间是“十一五”规划的实施年度，即2006年。因此，2006年度及以后取1，否则取0。交叉项Treati×Aftert的估计系数β1是本文关注的重点，它衡量了产业政策对行业TFP的影响。如果β1<0，表示在重点产业政策实施后，重点行业的TFP有所下降，说明重点产业政策并未有助于制造业TFP的改善。 Xit表示一系列控制变量包括;固定资产投资增速（FIXi，t）、国有经济比值（SOEi，t）、R&D投入強度（RDi，t）、对外开放度（Openit）和人力资本质量（HRit）。上述变量的具体描述详见表1。
（二）数据说明
本文所采用的制造业企业数据主要来源于2001-2007年“中国工业企业数据库”以及“中国统计年鉴”。考虑到“中国工业企业数据库”存在样本匹配混乱、数据缺失、测量误差等问题，本文参考聂辉华等（2012）的方法，对该数据库的数据作如下处理：首先，仅从中析出制造业企业数据作为样本，包括29个二位数行业，与国民经济行业分类（GB/T4754-2002）中的代码13-42相对应;其次，根据企业代码进行企业样本的跨期识别匹配;最后，剔除关键变量存在缺失值和异常观测值的样本，构造面板数据。
为了使不同年份数据值具有可比性，对样本中的主要变量指标工业增加值和固定资产净值都进行了相应的价格指数平减。具体地，本文以2001年为基期，按照企业所在地区工业品出厂价格指数对工业增加值做平减，按照投资价格指数对固定资产净值进行平减。
四、产业政策对制造业TFP影响的实证分析及稳健性检验
（一）基准回归结果与分析
本文采用双重差分法（DID）的估计结果如表2所示，列（1）-（3）的因变量分别是以工业总产值、企业增加值和销售额为权重的制造业行业加权TFP。Panel A显示了不加控制变量时的回归结果，Panel B报告了加入控制变量时的回归结果。可见Panel A中列（1）-（3）的核心变量Treati×Aftert系数β1在1%水平下始终显著为负，Panel B结果显示在引入控制变量之后，Treati×After系数仍然显著为负。结果表明相对于非重点行业，受到重点产业政策支持的行业TFP反而明显下降，意味着重点产业政策并不利于制造业TFP的提升。本文第五部分将深入分析这一影响的作用机制。
进一步对表1控制变量的回归结果做简要说明，控制变量中的国有经济比重、R&D投入量、对外开放度以及人力资本质量也均通过显著性检验，说明DID模型的控制变量选取较合理。具体地，国有经济比重系数显著为负，说明国有企业比重更高的行业，全要素生产率水平越低，这可能是由于国有企业的预算软约束，产权关系模糊等问题导致其创新激励弱化，从而对TFP产生负面影响;行业出口比重、人力资本以及R&D支出系数都显著为正，说明这些变量水平的提升均有效促进了制造业TFP的增长。而固定资产投资的系数虽然为正，但未通过显著性检验，说明增加固定资产投资并未显著促进制造业TFP水平的提升，这也与杨汝岱（2015）的研究结论一致，即近年来我国高投资的增长模式降低了经济效率。
平行趋势检验。使用DID估计法需要满足平行趋势假设，常见的平行趋势假设检验方法包括对比处理组和对照组被解释变量均值的时间趋势[12，20];另一种方法是在回归中加入各期虚拟变量与政策变量的交互项，若政策冲击前时点的交互项系数不显著，则表明DID模型满足平行趋势假设。因此，本文引入以下方程：
lnTFPit=+β1Treati×Aftert-5+β2Treati×After-4t+…β7Treati×After+1t+Treati+Aftert+εit（7）
其中Aftert的上标表示政策冲击的提前项和滞后项，本文政策冲击时间为2006年，交叉项Treati×Aftert-5到Treati×After-1t表示政策实施的提前项，刻画政策执行前第j年的政策效果，如果Treati×Aftert-5=Treati×After-4t=…=Treati×After-1t=0， 则说明政策冲击前各年处理组与对照组的TFP没有显著差异，满足平行趋势假设。
图1显示了交叉项的系数估计结果，横轴表示距离发生政策冲击的时间，点值代表估计均值，垂线表示置信区间。由图1所示，β2至β5的置信区间均包括0，即交叉项系数不显著，平行趋势得到满足。β7的系数均显著不为0，说明确实存在政策作用效果。
（二）稳健性检验
1. PSM-DID估计
由于处理组和对照组的选择是非随机的，且组间企业存在的异质性也会造成对产业政策的不同反应，为了更大程度降低样本选择性偏差，本文进一步采用倾向匹配得分法（Propensity Score Matching， PSM）对处理组和对照组进行匹配，具体思路如下;首先以企业规模、资产收益率、固定资产规模、资产负债率等指标的加权平均值作为行业特征变量，建立Logit预测模型，估计出一个行业可能成为重点行业的概率，然后以预测值作为倾向得分值，采取最近邻匹配法找到与处理组近似的对照组。匹配后的行业样本组间差距显著减小，匹配变量标准偏差化明显降低③，说明匹配后的对照组与处理组的相似性增强，在一定程度上降低了样本异质性的影响。
在对样本进行匹配后，再结合DID估计得到产业政策影响的处理效应，结果见表3。从（1）-（3）列的交叉项估计系数来看，基本结论依然保持稳健，表明重点产业政策显著抑制了受扶持行业TFP的提升。
2.分行业估计
前文的实证研究发现，政府的重点产业政策总体上显著降低了受扶持行业的TFP。然而，重点产业政策对行业TFP的影响效应可能在不同产业类型间存在差异，除此之外，政府对重点行业的选择也会受到行业特征的影响。一般而言，资本密集型行业由于短期内能快速拉动经济增长，往往比劳动密集型和技术密集型行业更容易获得产业政策的支持。如果忽略行业的异质性特征，可能会因遗漏重要解释变量而引起内生性问题。因此，本文按照生产要素相对密集度将样本分为劳动密集型、资本密集型和技术密集型行业④，进一步对重点产业政策效应进行分行业检验。本部分设定如下实证模型; lnTFPit=β0+β1IMPit+∑jβjControlit+λi+λt+εi，t（8）
其中，TFPit表示以工业总产值为权重的行业加权全要素生产率，IMPit为重点产业政策虚拟变量，如果行业i属于当期政府“五年规划”所支持的重点行业，则赋值为1，否则赋值为0。Controlit代表前文所述的一系列控制变量，λi和λt分别表示行业和时间固定效应。
采用面板固定效应模型估计的分行业回归结果见表4列（1）-（3），重点产业政策系数 在劳动密集型和资本密集型行业均显著为负，但资本密集型行业产业政策系数的绝对值较大，技术密集型行业的产业政策系数显示为负，但未通过显著性检验。这表明重点产业政策对资本密集型行业TFP的负面影响最大，劳动密集型行业次之。这可能是由于政府为了优先发展资本密集型行业而向其倾斜资源，获得政策扶持的企业更加追逐规模扩张，而非生产率增进，导致行业过度投资，投资效率下降，甚至造成产能过剩等问题。而重点产业政策对技术密集型行业TFP没有显著影响，可能的原因是政府的研发补贴政策缓解了技术密集型企业研发部门的融资约束，创新绩效在一定程度可以抵消产业政策的负面效应。
五、产业政策对制造业TFP的影响机制
以上实证检验表明重点产业政策的实施并未能够促进重点行业TFP的提升，反而导致相应行业TFP的下降。本部分将探讨政策影响的作用渠道和政策效应偏离的原因。
（一）基于资源错配视角的作用机制检验
重点产业政策对行业TFP的影响本质是通过微观企业的作用实现的，行业TFP提升的主要来源包括企业技术进步带来的生产率变化以及企业间的资源再配置效应。在要素市场化配置机制下，要素资源从低效率企业流向高效率企业，而产业政策对企业的微观干预在一定程度上干扰了市场对资源的配置效率。政府的重点产业政策通过财政补贴、信贷扶持等工具引导资源在部门间进行再配置，然而部分选择性的高额补贴阻碍了低生产率企业有序退出市场，差别化的信贷扶持也会造成要素价格扭曲，从而恶化行业内企业间的资源配置状况。因此，产业政策引起的资源错配可能会导致行业TFP水平的下降。
表5中列（1）和列（2）分别以MRPL和MRPK衡量的行业资源错配系数作为DID模型的因变量，结果显示核心变量Treati×Aftert系数均显著为正，说明对于得到政策扶持的重点行业而言，企业间的资源错配程度反而较高，表明我国重点产业政策限制了市场机制作用的发挥，扭曲了企业间的资源再配置。
重点产业政策对行业TFP的影响可能是由于产业政策造成的资源错配所引发的，那么在不同资源错配程度的行业，产业政策对行业TFP变动又存在何种差异化影响？根据前文的测算结果，分别以MRPL和MRPK标准差中35%分位数作为区分劳动力和资本错配程度高低的临界点，在不同资源错配程度下对方程6进行分样本回归。表5列（3）和列（4）报告了在劳动力扭曲情况下的回归结果，对比可见，当行业内劳动力错配程度较低时，重点产业政策对行业TFP并无显著影响，而在劳动力错配程度较高时，重点产业政策的实施才会对行业TFP产生显著的负向影响。表5列（5）和列（6）报告了在不同资本扭曲情况下的回归结果，结果表明，在资本错配程度较高的情形下，重点产业政策对行业TFP存在显著负向作用，反之则不显著。
进一步，本文通过构建中介效应模型来检验重点产业政策影响制造业TFP的作用机制。我们引入资源错配系数这一中介变量，通过实证分析来验证“资源错配”是否为产业政策与行业TFP之间一个有效的中介变量，构建计量模型如下：
TFPit=+β1Treati×Aftert+β2ηMRPLi+β3ηMRPKi+∑jβjControlit+λi+λt+εit（9）
其中，ηMRPLi和ηMRPKi分别表示行业i内劳动力和资本错配系数，前文已测算得出。本文着重关注在控制中介变量后，重点产业政策对行业TFP的影响是否发生变化。回归结果如表6所示，列（2）显示在加入中介变量后，ηMRPLi和ηMRPKi系数均显著为负，说明资源配置效率的下降显著抑制了行业TFP的提升。对比表6列（1）和列（2）可见，Treati×Aftert的系数明显减小，说明存在资源错配中介效应，即重点产业政策导致行业TFP下降的部分影响是由于行业资源错配加剧引起的。
表6列（3）的结果表明，在劳动力扭曲程度较低的情况下，资源错配仍然对行业TFP存在负向影响，但由于重点产业政策对行业TFP的影响不显著，说明资源错配这一影响路径并不明显;但表6列（4）的结果显示，在劳动力扭曲程度较高的情况下，资源错配存在显著的中介效应，即在产业政策和行业TFP之间起到负向传导作用。表6列（5）和列（6）显示了在不同资本扭曲程度下的估计结果，呈现出和在劳动力扭曲情况下相似的结论，即在资本扭曲程度较低情况下，中介效应不显著，而在资本扭曲程度较高的样本组，存在明显的资源错配影响渠道。
（二）产业政策影响资源配置的企业异质性检验
前述实证分析验证了我们的假设，即重点产业政策通过资源错配渠道对行业TFP施加了影响。重点产业政策究竟是如何导致行业内的资源配置状况恶化，政策资源在企业间的重置是否具有企业特征偏向性。
为了更精准地衡量产业政策变量，选取政府补贴、税收优惠、低息贷款这三个可量化的政策工具指标作为被解释变量。在重点行业政策实施过程中，政府究竟是如何做出资源倾斜选择的？设立如下模型来分析企业异质性与产业政策工具支持强度之间的关系。
Policyi，j，t=β1lnTFPi，j，t-1+β2Sizei，j，t+β3SOEi，j，t+β4lnProfiti，j，t-1+β5Expoti，j，t+λi，j，t+εi，t（10）
其中，Policyi，j，t代表政策資源，包括政府补贴（Subsidy）、税收优惠（Tax）和低息贷款（Loan）这三项产业政策工具，表示属于重点行业i的企业j在t时期所获得的政府补贴、税收优惠和低息贷款。政府补贴以企业补贴收入与固定资产净值之比衡量;本文借鉴Aghion et al.（2015）的做法来衡量税收优惠，先计算企业在法定使用税率下应交所得税，再减去实际应交所得税，得到其享受的税收优惠;低息贷款则以企业利息支出与流动负债之比表示。企业异质性我们选取了全要素生产率（TFP）、企业规模（Size）、所有制（SOE）、盈利能力（Profit）以及出口（Export）作为变量指标，其中全要素生产率和代表企业盈利能力的总资产收益率均以滞后一期项的自然对数表示。所有制以及出口均为虚拟变量，国有企业SOE赋值为1，非国有企业赋值为0;如果企业为出口企业，Export变量取1，否则取0。 表7汇报了企业异质性变量与产业政策工具扶持强度的回归结果。表7列（1）-列（3）显示了企业滞后一期TFP水平对政策资源配置的影响，结果显示除了税收优惠，TFP的估计系数均显著为负，说明全要素生产率较低企业反而更容易获得政府补贴和低息贷款，而税收优惠与TFP滞后项呈正相关关系，说明我国的税收减免制度安排更倾向于TFP较高的企业，且惠及范围更广。企业规模变量的估计系数均显著为正，说明规模越大的企业越易获得政策扶持，反映了政府对维护和促进就业的动机。表7列（1）-列（3）中所有制变量的估计系数存在差异，政府补贴与低息贷款均更倾向于国有企业，反映了政策资源的所有制偏向，可能的原因在于国有企业依赖与国有商业银行的亲缘关系更容易获得优惠贷款，其次国有企业面临的软预算使其在业绩下滑时更易获得政府补贴扶持。企业盈利能力变量的估计系数显示盈利能力与政府补贴和低息贷款负相关，可见政府资源并未青睐绩效表现更好的企业，反而向盈利能力较弱的企业倾斜。可能的解释在于虽然政府在做出政策扶持对象选择时，有强烈地扶优扶强动机，但一方面由于缺乏足够有效信息来制定清晰的绩效标准，另一方面地方政府出于自身的政绩目标，有时会为了避免企业破产带来失业与增长损失而对其进行保护和扶持。最后出口变量的回歸结果显示出口导向型企业更容易获得税收优惠，而政府补贴和低息贷款对出口行为的激励不显著。
整体而言，我国产业政策的积极资源再配置效应并未得到有效发挥。就具体产业政策工具而言，除税收优惠外，政策资源更多地流向重点行业内生产率较低、绩效较差的企业，且存在不同程度的所有制和规模偏向，扭曲了市场竞争机制，导致行业内的资源错配，进而阻碍了TFP的提升。
六、结论与启示
本文选取我国制造业1999-2007年的面板数据，采用DID法考察了我国重点产业政策对制造业TFP的影响，并进一步探索了其作用机制。实证结果表明：我国重点产业政策显著抑制了重点行业TFP的提升，且这种负向影响在资本和劳动力扭曲严重的情况下尤为明显。进一步的研究验证了资源错配中介效应的存在，即重点产业政策可能通过资源错配渠道抑制TFP的提升。本文研究还发现重点产业政策在实施过程中存在不同程度的所有制和规模偏向，且全要素生产率较低、绩效较差的企业反而获得了更多的政策资源，从而导致行业内的资源配置扭曲。
在我国经济发展步入新常态背景下，如何促进全要素生产率提升是产业政策管理的关键。因此，第一，产业政策设计的着眼点应从对经济规模、数量和集中度的关注转移到对产业发展质量和效率上，同时对产业内部企业的选择性扶持政策也值得反思，应以提升企业间的资源重置效率为重点[26]。第二，应更好地发挥市场在资源配置中的决定性作用，合理把握产业政策干预市场的边界，避免造成要素扭曲。产业政策也应始终以弥补市场功能缺陷为目标，如为企业提供广泛信息和完善市场秩序等。第三，还应进一步深化以国企改革与要素价格改革为核心的市场化改革，完善市场竞争环境和优胜劣汰的退出机制，发挥产业政策的积极资源重置效应，从而促进整体TFP水平的提升。
注释：
① 为节省篇幅，这里没有报告制造业分行业的TFP各期具体数值，读者如有兴趣，可向作者索要。
② 因篇幅限制，这里省略了具体的推导过程。
③ 由于篇幅限制，本文没有报告PSM匹配前后各变量的统计性描述，如有兴趣可向作者索要。
④ 具体划分方法如下：采用技术人员占所有职工的比例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，利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。
参考文献：
[1] 张曙光.市场主导与政府诱导——评林毅夫的《新结构经济学》[J]. 经济学（季刊），2013（3）：1079-1084.
[2] 李骏，刘洪伟，万君宝.产业政策对全要素生产率的影响研究——基于竞争性与公平性视角[J].产业经济研究， 2017（4）：115-126.
[3] Criscuolo C， Martin R， Overman H G， et al. 2012. The Causal Effects of an Industrial Policy [R]. NBER Working Paper， No.17842，2012.
[4] Rodrik， D. Normalizing Industrial Policy [R].The World Bank working paper， No. 3， 2008.
[5] 王克敏，刘静，李晓溪. 产业政策、政府支持与公司投资效率研究[J]. 管理世界， 2017（3）：44-56.
[6] 张新民，张婷婷，陈德球.产业政策、融资约束与企业投资效率[J].会计研究，2017（4）：12-18.
[7] Banerjee， A.V.， B. Moll. Why Does Misallocation Persist[J].American Economic Journal： Macroeconomics， 2010，2（1）：189-206.
[8] Hsieh， Chang-Tai， and Peter J. Klenow， Misallocation and Manufacturing TFP in China and India [J]. Quarterly Journal of Economics， 2009，124（4）：1403-1448.
[9] 陈永伟，胡伟民. 价格扭曲、要素错配和效率损失： 理论和应用[J]. 经济学（季刊）， 2011（7）：1401-1422.
[10]宋凌云，王贤彬.重点产业政策、资源重置与产业生产率[J].管理世界，2013（12）：63-67.
关键词：产业政策;资源错配;全要素生产率;制造业企业
中图分类号：F260 文献标识码：A 文章编号：1001-148X（2020）11-0054-09
收稿日期：2020-08-19
作者简介：王欣（1983-），女，江苏常州人，安徽财经大学国际经济贸易学院讲师，经济学博士，研究方向：产业经济;曹慧平（1975-），女，山东菏泽人，安徽财经大学国际经济贸易学院副教授，经济学博士，研究方向：国际贸易。
基金项目：国家社会科学基金项目“不完全契约视角下我国出口产品质量提升机制与对策研究”，项目编号：18BJL096。
一、引言与文献综述
党的十九大报告指出，我国经济已由高速增长阶段转向高质量发展阶段，推动产业結构转型升级，提升全要素生产率（TFP）是转换经济增长动力的关键所在。产业政策作为宏观调控的重要手段，在追求高质量、高效益增长模式的新形势下，能否与市场机制形成互补，起到弥补市场机制不完善的积极作用？
关于产业政策对企业TFP的影响机制，主要存在以下几种作用路径：基于竞争性视角的研究发现倾向于高竞争态势行业的产业政策能够减少要素禀赋的价格扭曲，使得资源流向高生产率企业，从而提高该行业的TFP水平[1-2]。通过信号传递方式为企业外部融资提供“隐性担保”，在一定程度上缓解了企业研发活动所面临的融资约束和外部性问题，增加了企业的研发投入，从而提高企业TFP[3-4]。制度经济学理论则认为合理的产业政策可以为企业提供良好的制度环境和配套机制，支持企业间的相互协调，降低要素重置成本，进而促进企业TFP的提升。
然而，关于我国产业政策实施路径的研究发现，由于政企信息不对称的存在，我国产业政策倾向于支持少数低生产率企业，使得本该被市场淘汰的企业占用了更多的资源，从而引发过度投资，导致资源配置效率的恶化[5-6]。Banerjee et al. （2010）的研究认为要素资源在部门间的错配会以直接或间接的方式阻碍企业TFP的提升，许多国内外学者也分别从理论和经验分析上证明我国资源若能够得到有效配置，纠正要素价格扭曲，则可以大幅度提高制造业TFP水平[7-9]。
关于我国产业政策对生产率的影响效应，学界评价并未得出一致性的结论。部分学者通过实证检验发现地方政府的重点产业政策整体上对生产率产生了积极的促进作用[10]。然而，另一部分学者的实证研究则呈现出相反的结论：在样本期内（1999-2007年）重点产业政策总体上显著抑制了相应行业内企业TFP的提升[11]。钱雪松等（2018）以十大产业振兴规划为自然实验，研究显示：与对照组相比，十大产业振兴规划这一政策冲击导致实验组企业的TFP显著下降[12]。进一步地，现有文献还围绕产业政策工具、行业特征、区域差异、企业所有权性质等角度对产业政策效应的异质性作用进行了探究。于良春和王雨佳（2016）的研究显示不同类型产业政策工具对企业全要素生产率的影响具有显著差异，针对我国汽车产业的研究发现固定资产投资政策提高了我国汽车产业的规模效益和技术效益，促进了TFP的增长，而研发补贴政策却未明显对汽车产业TFP的提升起正向作用[13]。闫志俊等（2017）基于新兴产业和传统制造业的实证检验发现，由于补贴资源在研发部门和生产部门分配的不合理，导致政府补贴政策对企业生产率的提升产生了显著的负面效应[14]。
国内外学者又进一步对产业政策实施效果的影响因素进行分析，张莉等（2019）基于市场环境视角考察了产业政策的经济效应，研究发现要素市场化配置水平的完善以及市场进入退出竞争机制的改善有助于缓解产业政策对企业生产率的负向效应[11]。Aghion（2015）、张龙鹏等（2018）等学者的研究指出产业政策工具的差异化执行方式才是造成我国产业政策资源误置效应的根本原因，若产业政策能在同一行业企业间公平实施，而非差别化地倾向于扶持少数企业，那将有助于促进行业整体全要素生产率[14-16]。戴小勇等（2019）的研究也显示体现普惠性与增进市场竞争特性的产业政策能够更好地激励产业创新，提升企业间的资源配置效率[17]。
综合已有文献可知，我国产业政策的生产率影响效应较为复杂且具有不确定性。与现有文献相比，本文的可能创新点体现在以下两个方面;第一，现有文献绝大部分仅着眼于产业政策对TFP的直接影响，而忽视了政策实施的中间传导机制，本文着重从资源错配的视角探讨产业政策影响制造业TFP的作用机制。由于政府本身对市场信息收集及处理的局限性，难以有效甄别高成长性企业，从而使得资源流向低生产率企业，这种政策导向的资源流动方式会造成资源错配，资源错配是否是产业政策与TFP之间一个有效的中介变量值的我们深入考察。第二，以往文献大多集中在行业层面，关注政策冲击带来的产业生产率变动，而考虑到宏观产业政策需要通过微观企业的经济活动来实现其政策效应，并且行业内企业间的资源重置和要素扭曲也会影响行业整体TFP，因此本文试图采用制造业企业数据来检验产业政策对TFP的影响。 二、指标构建和测算方法
（一）产业政策变量
借鉴宋凌云等（2013）[10]的研究，本文基于国家产业政策文件构建产业政策虚拟变量，选取由中央政府发布的最能代表产业发展方向的“五年规划”作为构建产业政策变量的基础，通过以下文本分析方法，识别出各规划期的重点支持行业。首先，选取国家“十五计划”（2001-2005年）和“十一五规划”（2006-2010年）作为样本期文件，从中提取出涉及“重点发展”、“支持发展”、“优先发展”、“重点扶持”等词汇的产业，然后按照国民经济行业分类（GB/T4754-2002）将提取出的产业与相应的工业二位码行业进行匹配，纳入归类的行业作为重点支持行业，否则视为非重点行业。
政府通过运用项目审批、土地出让、税收减免、信贷优惠、财政补贴等一系列直接干预和间接引导相结合的产业政策工具，向重点行业进行倾斜性支持，从而影响重点行业与非重点行业之间的资源流向;在重点行业内部，产业政策也可能基于企业类型差异进行选择性的资源重置。在资源错配的视角下，以识别重点行业为核心的产业政策构建法能够较好地从整体上检验产业政策的生产率效应。考虑到企业异质性，本文也将使用政府补贴、税收优惠和低息贷款这三个易量化的指标作为产业政策工具的代理变量来考察企业间的资源重置。
（二）制造业全要素生产率估算
本文假定我国制造业子行业的企业生产函数相同，均为C-D形式，设定如下：
Yit=F（Kit，Lit）≡TFPitKiitLitβi（1）
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代表企业全要素生产率。与以往关注行业层面的TFP不同，本文采用企业层面的微观数据来估计生产函数的具体形式。通过对式（1）式取对数，将其转化为线性表示形式：
yit=kit+βlit+εit（2）
在估计方法的选取上，本文采取主流的OP半参数估计法[18]来估算我国制造业企业的TFP，能够较好地克服传统OLS估计法所无法解决的同步性偏差和选择偏差问题。一方面，由于决策者可以根据当期可观测到的企业生产率来选择要素投入水平，那么（2）式中代表TFP的残差项εit就可能与解释变量相关，由此产生的内生性问题会导致OLS估计的偏误。OP法采用企业投资作为不可观测生产率冲击的工具变量，构建生产函数如下：
yit=βilit+ikit+h（Iit，kit）+λit（3）
其中，h代表企业根据自身生产率状况做出的投资决策，由于中国工业企业数据库中没有固定资产投资这个指标，本文采用永续盘存法测算出 Iit，It=Kt+1-Kt+δKt，K表示固定资产实际值，δ表示固定资产折旧率，设为10%。
另一方面，在回归样本中，由于可被观测到的在位企业都是生产率较高的企业，而生产率较低的企业被会市场淘汰而无法被观测到，这意味着根据样本企业估计出的TFP会有高估的倾向，而利用Probit模型估算出企业的生存概率，则可以在一定程度上解决样本选择性偏差的问题。
通过以上两步骤，我们可以完成对制造业29个子行业生产函数资本弹性和劳动力弹性的估计。在此基础上，估算出企业各期的TFP水平，再分别以工业总产值、企业增加值和销售额份额作为权重进行加权，得到2001-2007年加权平均的二位数行业TFP①。
（三）资源错配的测度
关于资源错配系数的测定，比较有代表性的研究是Hsieh and Klenow（2009）[8]，侧重从企业微观角度研究资源配置效率问题。本文借鉴龚关等（2013）[19]的度量方法，在HK模型的基础上放松了规模报酬不变的假设，可以更准确地刻画我国制造业的行业特征。在均衡配置条件下，行业内各企业的要素边际产出价值均等于要素边际使用成本，而在要素市场存在扭曲的情形下，要素边际产出价值与要素扭曲程度成正比。因此，可以分别采用资本边际产出价值与劳动边际产出价值的离散程度衡量资本和劳动要素的扭曲程度。基于垄断竞争市场的模型框架，我们分别推导出行业i内企业f在t期资本边际产出和劳动边际产出的表达式如下②;
MRPKif=σ-1·iPifYif/σRit（4）
MRPLif=σ-1·βiPifYif/σωit（5）
其中，MRPKif和MRPLif分別表示资本边际产出价值和劳动边际产出价值，σ代表产品需求替代弹性，本文参考Hsieh and Klenow（2009）[8]的研究，将替代弹性系数设为3。i、βi分别表示行业的资本弹性和劳动产出弹性，前文已估算得出。PifYif为行业i企业f在t期的工业增加值，Rit、ωit分别表示单位资本租金率和劳动报酬。由于资源错配导致资本和劳动的边际产出在企业间产生差异，所以可以利用行业内企业间要素产出价值的标准差来测算资源错配的程度。
三、模型设定与数据处理
（一）模型设定与变量选取
在检验产业政策对制造业TFP的影响时，需要考虑重点产业政策的内生性问题。一方面，若仅选取重点行业作为研究样本，则有可能忽视非重点行业的TFP变动，从而造成选择性偏误;另一方面，由于政府有支持高增长企业的强烈动机，使得重点产业政策与企业TFP之间可能存在反向因果关系。为克服内生性问题带来的估计偏误，本文利用“十五”计划和“十一五”规划期对重点产业扶持政策作为外生冲击变量来构建DID估计模型：
TFPit=+β1Treati×Aftert+β2Treati+β3Aftert+δXit+εit（6）
其中，i表示制造业二位码行业，t表示年份，TFPit被解释变量表示行业i在第t年的TFP水平。Treati表示重点行业虚拟变量，当该行业处于“十五”计划和“十一五”规划均支持的重点产业时，赋值1;当Treati为0时，则表示该行业被“十五”计划支持但未被“十一五”规划扶持。Aftert代表时间虚拟变量，政策冲击时间是“十一五”规划的实施年度，即2006年。因此，2006年度及以后取1，否则取0。交叉项Treati×Aftert的估计系数β1是本文关注的重点，它衡量了产业政策对行业TFP的影响。如果β1<0，表示在重点产业政策实施后，重点行业的TFP有所下降，说明重点产业政策并未有助于制造业TFP的改善。 Xit表示一系列控制变量包括;固定资产投资增速（FIXi，t）、国有经济比值（SOEi，t）、R&D投入強度（RDi，t）、对外开放度（Openit）和人力资本质量（HRit）。上述变量的具体描述详见表1。
（二）数据说明
本文所采用的制造业企业数据主要来源于2001-2007年“中国工业企业数据库”以及“中国统计年鉴”。考虑到“中国工业企业数据库”存在样本匹配混乱、数据缺失、测量误差等问题，本文参考聂辉华等（2012）的方法，对该数据库的数据作如下处理：首先，仅从中析出制造业企业数据作为样本，包括29个二位数行业，与国民经济行业分类（GB/T4754-2002）中的代码13-42相对应;其次，根据企业代码进行企业样本的跨期识别匹配;最后，剔除关键变量存在缺失值和异常观测值的样本，构造面板数据。
为了使不同年份数据值具有可比性，对样本中的主要变量指标工业增加值和固定资产净值都进行了相应的价格指数平减。具体地，本文以2001年为基期，按照企业所在地区工业品出厂价格指数对工业增加值做平减，按照投资价格指数对固定资产净值进行平减。
四、产业政策对制造业TFP影响的实证分析及稳健性检验
（一）基准回归结果与分析
本文采用双重差分法（DID）的估计结果如表2所示，列（1）-（3）的因变量分别是以工业总产值、企业增加值和销售额为权重的制造业行业加权TFP。Panel A显示了不加控制变量时的回归结果，Panel B报告了加入控制变量时的回归结果。可见Panel A中列（1）-（3）的核心变量Treati×Aftert系数β1在1%水平下始终显著为负，Panel B结果显示在引入控制变量之后，Treati×After系数仍然显著为负。结果表明相对于非重点行业，受到重点产业政策支持的行业TFP反而明显下降，意味着重点产业政策并不利于制造业TFP的提升。本文第五部分将深入分析这一影响的作用机制。
进一步对表1控制变量的回归结果做简要说明，控制变量中的国有经济比重、R&D投入量、对外开放度以及人力资本质量也均通过显著性检验，说明DID模型的控制变量选取较合理。具体地，国有经济比重系数显著为负，说明国有企业比重更高的行业，全要素生产率水平越低，这可能是由于国有企业的预算软约束，产权关系模糊等问题导致其创新激励弱化，从而对TFP产生负面影响;行业出口比重、人力资本以及R&D支出系数都显著为正，说明这些变量水平的提升均有效促进了制造业TFP的增长。而固定资产投资的系数虽然为正，但未通过显著性检验，说明增加固定资产投资并未显著促进制造业TFP水平的提升，这也与杨汝岱（2015）的研究结论一致，即近年来我国高投资的增长模式降低了经济效率。
平行趋势检验。使用DID估计法需要满足平行趋势假设，常见的平行趋势假设检验方法包括对比处理组和对照组被解释变量均值的时间趋势[12，20];另一种方法是在回归中加入各期虚拟变量与政策变量的交互项，若政策冲击前时点的交互项系数不显著，则表明DID模型满足平行趋势假设。因此，本文引入以下方程：
lnTFPit=+β1Treati×Aftert-5+β2Treati×After-4t+…β7Treati×After+1t+Treati+Aftert+εit（7）
其中Aftert的上标表示政策冲击的提前项和滞后项，本文政策冲击时间为2006年，交叉项Treati×Aftert-5到Treati×After-1t表示政策实施的提前项，刻画政策执行前第j年的政策效果，如果Treati×Aftert-5=Treati×After-4t=…=Treati×After-1t=0， 则说明政策冲击前各年处理组与对照组的TFP没有显著差异，满足平行趋势假设。
图1显示了交叉项的系数估计结果，横轴表示距离发生政策冲击的时间，点值代表估计均值，垂线表示置信区间。由图1所示，β2至β5的置信区间均包括0，即交叉项系数不显著，平行趋势得到满足。β7的系数均显著不为0，说明确实存在政策作用效果。
（二）稳健性检验
1. PSM-DID估计
由于处理组和对照组的选择是非随机的，且组间企业存在的异质性也会造成对产业政策的不同反应，为了更大程度降低样本选择性偏差，本文进一步采用倾向匹配得分法（Propensity Score Matching， PSM）对处理组和对照组进行匹配，具体思路如下;首先以企业规模、资产收益率、固定资产规模、资产负债率等指标的加权平均值作为行业特征变量，建立Logit预测模型，估计出一个行业可能成为重点行业的概率，然后以预测值作为倾向得分值，采取最近邻匹配法找到与处理组近似的对照组。匹配后的行业样本组间差距显著减小，匹配变量标准偏差化明显降低③，说明匹配后的对照组与处理组的相似性增强，在一定程度上降低了样本异质性的影响。
在对样本进行匹配后，再结合DID估计得到产业政策影响的处理效应，结果见表3。从（1）-（3）列的交叉项估计系数来看，基本结论依然保持稳健，表明重点产业政策显著抑制了受扶持行业TFP的提升。
2.分行业估计
前文的实证研究发现，政府的重点产业政策总体上显著降低了受扶持行业的TFP。然而，重点产业政策对行业TFP的影响效应可能在不同产业类型间存在差异，除此之外，政府对重点行业的选择也会受到行业特征的影响。一般而言，资本密集型行业由于短期内能快速拉动经济增长，往往比劳动密集型和技术密集型行业更容易获得产业政策的支持。如果忽略行业的异质性特征，可能会因遗漏重要解释变量而引起内生性问题。因此，本文按照生产要素相对密集度将样本分为劳动密集型、资本密集型和技术密集型行业④，进一步对重点产业政策效应进行分行业检验。本部分设定如下实证模型; lnTFPit=β0+β1IMPit+∑jβjControlit+λi+λt+εi，t（8）
其中，TFPit表示以工业总产值为权重的行业加权全要素生产率，IMPit为重点产业政策虚拟变量，如果行业i属于当期政府“五年规划”所支持的重点行业，则赋值为1，否则赋值为0。Controlit代表前文所述的一系列控制变量，λi和λt分别表示行业和时间固定效应。
采用面板固定效应模型估计的分行业回归结果见表4列（1）-（3），重点产业政策系数 在劳动密集型和资本密集型行业均显著为负，但资本密集型行业产业政策系数的绝对值较大，技术密集型行业的产业政策系数显示为负，但未通过显著性检验。这表明重点产业政策对资本密集型行业TFP的负面影响最大，劳动密集型行业次之。这可能是由于政府为了优先发展资本密集型行业而向其倾斜资源，获得政策扶持的企业更加追逐规模扩张，而非生产率增进，导致行业过度投资，投资效率下降，甚至造成产能过剩等问题。而重点产业政策对技术密集型行业TFP没有显著影响，可能的原因是政府的研发补贴政策缓解了技术密集型企业研发部门的融资约束，创新绩效在一定程度可以抵消产业政策的负面效应。
五、产业政策对制造业TFP的影响机制
以上实证检验表明重点产业政策的实施并未能够促进重点行业TFP的提升，反而导致相应行业TFP的下降。本部分将探讨政策影响的作用渠道和政策效应偏离的原因。
（一）基于资源错配视角的作用机制检验
重点产业政策对行业TFP的影响本质是通过微观企业的作用实现的，行业TFP提升的主要来源包括企业技术进步带来的生产率变化以及企业间的资源再配置效应。在要素市场化配置机制下，要素资源从低效率企业流向高效率企业，而产业政策对企业的微观干预在一定程度上干扰了市场对资源的配置效率。政府的重点产业政策通过财政补贴、信贷扶持等工具引导资源在部门间进行再配置，然而部分选择性的高额补贴阻碍了低生产率企业有序退出市场，差别化的信贷扶持也会造成要素价格扭曲，从而恶化行业内企业间的资源配置状况。因此，产业政策引起的资源错配可能会导致行业TFP水平的下降。
表5中列（1）和列（2）分别以MRPL和MRPK衡量的行业资源错配系数作为DID模型的因变量，结果显示核心变量Treati×Aftert系数均显著为正，说明对于得到政策扶持的重点行业而言，企业间的资源错配程度反而较高，表明我国重点产业政策限制了市场机制作用的发挥，扭曲了企业间的资源再配置。
重点产业政策对行业TFP的影响可能是由于产业政策造成的资源错配所引发的，那么在不同资源错配程度的行业，产业政策对行业TFP变动又存在何种差异化影响？根据前文的测算结果，分别以MRPL和MRPK标准差中35%分位数作为区分劳动力和资本错配程度高低的临界点，在不同资源错配程度下对方程6进行分样本回归。表5列（3）和列（4）报告了在劳动力扭曲情况下的回归结果，对比可见，当行业内劳动力错配程度较低时，重点产业政策对行业TFP并无显著影响，而在劳动力错配程度较高时，重点产业政策的实施才会对行业TFP产生显著的负向影响。表5列（5）和列（6）报告了在不同资本扭曲情况下的回归结果，结果表明，在资本错配程度较高的情形下，重点产业政策对行业TFP存在显著负向作用，反之则不显著。
进一步，本文通过构建中介效应模型来检验重点产业政策影响制造业TFP的作用机制。我们引入资源错配系数这一中介变量，通过实证分析来验证“资源错配”是否为产业政策与行业TFP之间一个有效的中介变量，构建计量模型如下：
TFPit=+β1Treati×Aftert+β2ηMRPLi+β3ηMRPKi+∑jβjControlit+λi+λt+εit（9）
其中，ηMRPLi和ηMRPKi分别表示行业i内劳动力和资本错配系数，前文已测算得出。本文着重关注在控制中介变量后，重点产业政策对行业TFP的影响是否发生变化。回归结果如表6所示，列（2）显示在加入中介变量后，ηMRPLi和ηMRPKi系数均显著为负，说明资源配置效率的下降显著抑制了行业TFP的提升。对比表6列（1）和列（2）可见，Treati×Aftert的系数明显减小，说明存在资源错配中介效应，即重点产业政策导致行业TFP下降的部分影响是由于行业资源错配加剧引起的。
表6列（3）的结果表明，在劳动力扭曲程度较低的情况下，资源错配仍然对行业TFP存在负向影响，但由于重点产业政策对行业TFP的影响不显著，说明资源错配这一影响路径并不明显;但表6列（4）的结果显示，在劳动力扭曲程度较高的情况下，资源错配存在显著的中介效应，即在产业政策和行业TFP之间起到负向传导作用。表6列（5）和列（6）显示了在不同资本扭曲程度下的估计结果，呈现出和在劳动力扭曲情况下相似的结论，即在资本扭曲程度较低情况下，中介效应不显著，而在资本扭曲程度较高的样本组，存在明显的资源错配影响渠道。
（二）产业政策影响资源配置的企业异质性检验
前述实证分析验证了我们的假设，即重点产业政策通过资源错配渠道对行业TFP施加了影响。重点产业政策究竟是如何导致行业内的资源配置状况恶化，政策资源在企业间的重置是否具有企业特征偏向性。
为了更精准地衡量产业政策变量，选取政府补贴、税收优惠、低息贷款这三个可量化的政策工具指标作为被解释变量。在重点行业政策实施过程中，政府究竟是如何做出资源倾斜选择的？设立如下模型来分析企业异质性与产业政策工具支持强度之间的关系。
Policyi，j，t=β1lnTFPi，j，t-1+β2Sizei，j，t+β3SOEi，j，t+β4lnProfiti，j，t-1+β5Expoti，j，t+λi，j，t+εi，t（10）
其中，Policyi，j，t代表政策資源，包括政府补贴（Subsidy）、税收优惠（Tax）和低息贷款（Loan）这三项产业政策工具，表示属于重点行业i的企业j在t时期所获得的政府补贴、税收优惠和低息贷款。政府补贴以企业补贴收入与固定资产净值之比衡量;本文借鉴Aghion et al.（2015）的做法来衡量税收优惠，先计算企业在法定使用税率下应交所得税，再减去实际应交所得税，得到其享受的税收优惠;低息贷款则以企业利息支出与流动负债之比表示。企业异质性我们选取了全要素生产率（TFP）、企业规模（Size）、所有制（SOE）、盈利能力（Profit）以及出口（Export）作为变量指标，其中全要素生产率和代表企业盈利能力的总资产收益率均以滞后一期项的自然对数表示。所有制以及出口均为虚拟变量，国有企业SOE赋值为1，非国有企业赋值为0;如果企业为出口企业，Export变量取1，否则取0。 表7汇报了企业异质性变量与产业政策工具扶持强度的回归结果。表7列（1）-列（3）显示了企业滞后一期TFP水平对政策资源配置的影响，结果显示除了税收优惠，TFP的估计系数均显著为负，说明全要素生产率较低企业反而更容易获得政府补贴和低息贷款，而税收优惠与TFP滞后项呈正相关关系，说明我国的税收减免制度安排更倾向于TFP较高的企业，且惠及范围更广。企业规模变量的估计系数均显著为正，说明规模越大的企业越易获得政策扶持，反映了政府对维护和促进就业的动机。表7列（1）-列（3）中所有制变量的估计系数存在差异，政府补贴与低息贷款均更倾向于国有企业，反映了政策资源的所有制偏向，可能的原因在于国有企业依赖与国有商业银行的亲缘关系更容易获得优惠贷款，其次国有企业面临的软预算使其在业绩下滑时更易获得政府补贴扶持。企业盈利能力变量的估计系数显示盈利能力与政府补贴和低息贷款负相关，可见政府资源并未青睐绩效表现更好的企业，反而向盈利能力较弱的企业倾斜。可能的解释在于虽然政府在做出政策扶持对象选择时，有强烈地扶优扶强动机，但一方面由于缺乏足够有效信息来制定清晰的绩效标准，另一方面地方政府出于自身的政绩目标，有时会为了避免企业破产带来失业与增长损失而对其进行保护和扶持。最后出口变量的回歸结果显示出口导向型企业更容易获得税收优惠，而政府补贴和低息贷款对出口行为的激励不显著。
整体而言，我国产业政策的积极资源再配置效应并未得到有效发挥。就具体产业政策工具而言，除税收优惠外，政策资源更多地流向重点行业内生产率较低、绩效较差的企业，且存在不同程度的所有制和规模偏向，扭曲了市场竞争机制，导致行业内的资源错配，进而阻碍了TFP的提升。
六、结论与启示
本文选取我国制造业1999-2007年的面板数据，采用DID法考察了我国重点产业政策对制造业TFP的影响，并进一步探索了其作用机制。实证结果表明：我国重点产业政策显著抑制了重点行业TFP的提升，且这种负向影响在资本和劳动力扭曲严重的情况下尤为明显。进一步的研究验证了资源错配中介效应的存在，即重点产业政策可能通过资源错配渠道抑制TFP的提升。本文研究还发现重点产业政策在实施过程中存在不同程度的所有制和规模偏向，且全要素生产率较低、绩效较差的企业反而获得了更多的政策资源，从而导致行业内的资源配置扭曲。
在我国经济发展步入新常态背景下，如何促进全要素生产率提升是产业政策管理的关键。因此，第一，产业政策设计的着眼点应从对经济规模、数量和集中度的关注转移到对产业发展质量和效率上，同时对产业内部企业的选择性扶持政策也值得反思，应以提升企业间的资源重置效率为重点[26]。第二，应更好地发挥市场在资源配置中的决定性作用，合理把握产业政策干预市场的边界，避免造成要素扭曲。产业政策也应始终以弥补市场功能缺陷为目标，如为企业提供广泛信息和完善市场秩序等。第三，还应进一步深化以国企改革与要素价格改革为核心的市场化改革，完善市场竞争环境和优胜劣汰的退出机制，发挥产业政策的积极资源重置效应，从而促进整体TFP水平的提升。
注释：
① 为节省篇幅，这里没有报告制造业分行业的TFP各期具体数值，读者如有兴趣，可向作者索要。
② 因篇幅限制，这里省略了具体的推导过程。
③ 由于篇幅限制，本文没有报告PSM匹配前后各变量的统计性描述，如有兴趣可向作者索要。
④ 具体划分方法如下：采用技术人员占所有职工的比例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，利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。
参考文献：
[1] 张曙光.市场主导与政府诱导——评林毅夫的《新结构经济学》[J]. 经济学（季刊），2013（3）：1079-1084.
[2] 李骏，刘洪伟，万君宝.产业政策对全要素生产率的影响研究——基于竞争性与公平性视角[J].产业经济研究， 2017（4）：115-126.
[3] Criscuolo C， Martin R， Overman H G， et al. 2012. The Causal Effects of an Industrial Policy [R]. NBER Working Paper， No.17842，2012.
[4] Rodrik， D. Normalizing Industrial Policy [R].The World Bank working paper， No. 3， 2008.
[5] 王克敏，刘静，李晓溪. 产业政策、政府支持与公司投资效率研究[J]. 管理世界， 2017（3）：44-56.
[6] 张新民，张婷婷，陈德球.产业政策、融资约束与企业投资效率[J].会计研究，2017（4）：12-18.
[7] Banerjee， A.V.， B. Moll. Why Does Misallocation Persist[J].American Economic Journal： Macroeconomics， 2010，2（1）：189-206.
[8] Hsieh， Chang-Tai， and Peter J. Klenow， Misallocation and Manufacturing TFP in China and India [J]. Quarterly Journal of Economics， 2009，124（4）：1403-1448.
[9] 陈永伟，胡伟民. 价格扭曲、要素错配和效率损失： 理论和应用[J]. 经济学（季刊）， 2011（7）：1401-1422.
[10]宋凌云，王贤彬.重点产业政策、资源重置与产业生产率[J].管理世界，2013（12）：63-67.