政府支出规模与资源配置效率——基于中国工业企业数据的经验研究

祝平衡,王秀兰,李世刚

(1.中南大学 商学院，湖南 长沙　410083；2.中山大学 国际金融学院，广东 珠海　519082)*

一、引　言

2016年北京大学的张维迎教授和林毅夫教授就政府在产业政策制定中的作用进行了激烈的争论。张维迎教授认为，相对于企业家，政府在未来产业发展的判断上没有任何信息优势，因此政府应该放弃一切产业政策，只负责维护公平的市场环境。相反，林毅夫教授则认为，在发展中国家，市场不完善，因此需要政府制定产业政策，并提供相应的配套支持。由于两位教授的知名度太高，这一争论很快便蔓延到整个学术圈，激起了学者们对于政府制定产业政策的激烈讨论。

对于政府是否应该制定产业政策，本文并不关注。本文更关心的是这一讨论所指向的更根本问题：政府与市场的边界在哪儿？这也正是张维迎、林毅夫二位教授的根本分歧所在。张维迎教授认为政府应该尽可能少的干预市场，而林毅夫教授则认为政府应该有更大的作为。事实上，从改革开放至今，学术界对于政府与市场边界的讨论一直没有停止过，而且至今也没有定论。

要回答张、林之争，或者更广泛一点，要回答政府对经济发展所起的作用，光有理论上的争论远远不够，还需要研究者提供关于政府行为与经济发展关系的更多经验证据。因为在经济发展中，政府与市场的作用都不可或缺，重要的是把握好政府对市场的介入程度。政府支出规模在一定程度上可以代表政府对市场的介入程度，支出规模越大，表明政府对经济的介入越深，而支出规模越小，则表明政府对市场的介入越少。企业是社会生产的最基本单位，因此本文主要讨论政府支出规模对企业间资源配置效率的影响，期待能为政府与市场关系的争论提供一些经验证据。

二、文献评述

讨论企业间资源配置效率最经典的文献是Hsieh和Klenow(2009)，利用中国工业企业数据，他们发现中国因资源误配置造成的效率损失高达30%～50%[1]。这一研究激发了大量文献讨论中国企业间资源误配置的成因。聂辉华、贾瑞雪(2011)利用Olley和Pakes(1996)(后文简称OP)提出的OP协方差度量资源配置效率，发现中国制造业的资源误配置主要是由国有企业造成的[2，3]。韩剑和郑秋玲(2014)发现政府对企业的财政补贴、对劳动力流动的管制，以及在区域市场间设置的行政性壁垒均会导致资源的误配置[4]。周黎安等(2013)发现，在省级党代会召开的当年和后两年，地级行政区的资源错配程度会显著提高[5]，这为政府干预市场导致资源误配置提供了间接证据。

到目前为止，还没有文献讨论政府支出规模与资源配置效率之间的关系。政府支出规模在一定程度上代表了政府对经济资源的掌控程度和对市场的介入深度。因此，考察政府支出规模对资源配置效率的影响可以为政府与市场边界的讨论提供经验证据。

基于如下原因，政府直接控制和分配经济资源可能会导致资源配置效率的恶化：(1)政府的目标是多元的，因此更可能偏离经济效率目标；(2)相对于市场，政府具有的信息更不充分，因此资源配置效率会更低；(3)政府掌握的资源过多，会滋生腐败，进而导致资源配置效率降低。利用中国省级面板数据，周黎安、陶婧(2009)就发现随着政府规模的扩大，地方腐败案件的发生率会提高[6]。另一方面，不能完全否定政府在经济发展中的积极作用。尤其在发展中国家，基础设施落后，更需要政府加大支出，改善公共基础设施，为经济增长提供助力[7，8]。更为重要的是，政府提供的司法、安保等公共品可以降低市场交易费用，因此会提高资源配置效率。

综上所述，政府支出规模对资源配置效率有正负两方面影响，其综合影响方向并不确定，因此有待实证检验来回答，

三、研究设计

(一)计量方程

本文研究政府支出规模对当地制造业行业内资源配置效率的影响。设定如下计量方程：

AEcjt=αGovExpct+Xctλ+Zcjtγ+δcj+vt+εcjt

(1)

其中，下标c、j和t分别表示城市、行业和年份。AEcjt代表行业的资源配置效率水平，GovExpct代表城市的政府支出规模。Xct和Zcjt为城市和行业层面控制变量，δcj为城市-行业层面固定效应，vt为时间效应，εcjt为残差。α、λ和γ为待估参数，本文最关心的是α的符号、大小和显著性程度。如果α显著小于零，则说明政府支出规模越大，资源配置效率越低，相反，如果α显著大于零，则说明政府支出规模越大，资源配置效率越高。

(二)资源配置效率的度量

本文使用OP协方差来度量资源配置效率水平。在现有文献中，这一方法被广泛采用，如聂辉华和贾瑞雪(2011)、Bartelsman(2013)等[9]。具体而言，行业(地区)的OP协方差定义如下：

(2)

(三)全要素生产率的估计

准确估计企业全要素生产率是测量资源配置效率的基础。本文主要采用OP方法测度企业全要素生产率。

OP方法需要使用企业投资的数据，但是企业数据中的投资变量往往质量较差，因此Levinsohn and Petrin(2003)(后文简称LP)使用企业的劳动投入作为生产率的代理变量，采用与OP相同的思路来估计要素产出弹性参数[10]。考虑到数据质量，本文主要采用LP的方法来估计企业全要素生产率。同时，为了体现结果的稳健性，本文同时给出OP方法估计企业全要素生产率的回归结果。

四、数据及统计描述

数据来源：(1)国家统计局发布的“国有及规模以上非国有工业企业数据库”，数据年度为1998-2007年；(2)《中国城市统计年鉴》数据。由于在城市统计年鉴中，缺失2003年之前的政府支出数据，本文最终使用的数据年度为2003-2007年。

参照谢千里等(2008)、聂辉华和贾瑞雪(2011)、李世刚等(2016)，本文对数据进行筛选[11，12]，对于工业企业数据，本文只保留了制造业行业样本。

在计算各企业全要素生产率的基础之上，计算了城市-行业(两位数)-年组内的OP协方差。本文使用人均政府支出的对数值来度量政府支出规模GovExp。

使用的城市层面控制变量包括：(1)经济发展情况指标，包括对数人均GDP和经济增长率；(2)产业结构情况指标，包括第二产业比重和第三产业比重；(3)金融发展水平，以金融机构存款余额占GDP比重表示；(4)实际外商直接投资额。城市-行业-年层面控制变量包括：(1)行业规模，包括行业内企业数量和行业产值占全市所有制造业产值的比重；(2)行业中的国企比重；(3)行业中企业的平均资本规模。

表1报告了详细的变量定义及统计描述。从中可以看到，利用OP方法和LP方法计算企业生产率，再计算资源配置效率的指标OP协方差的结果差异很小。同时，两种方法计算的OP协方差都很小，均值只有0.05左右，而最大值只有0.29，且有很多负值，这说明在样本考察期内，中国制造业行业内的资源配置效率很差，这与聂辉华、贾瑞雪(2012)的计算结果一致。

表1　变量统计描述

五、经验研究结果

(一)基本回归结果

Hausman检验拒绝随机效应模型，因此本文使用固定效应模型。为了使得计算结果更加精确，本文只保留了城市-行业-年组内企业数目大于等于20的样本。在后文中将改变这一阈值。为了表明回归的稳健性，本文采用逐渐加入控制变量的方法。表2第(1)列报告了利用LP方法计算企业全要素生产率测度资源配置效率的opcov_lp与政府支出GovExp回归的结果，只控制了年份虚拟变量。可以看到，GovExp的系数为-0.0173，且在1%水平下显著异于零。列(2)列(3)逐渐加入城市层面控制变量和城市-行业层面控制变量，GovExp的系数变化极小，且依然在1%水平下显著异于零。这说明，本文的回归结果十分稳健，政府支出越多，当地制造业行业内的资源配置效率越低。

表2　基本回归结果

注：所有模型均采用固定效应回归；括号内为t统计量，* p<0.10, ** p<0.05, *** p<0.01；标准误聚类到城市层面。

列(4)-(6)报告了使用OP方法计算企业全要素生产率测度资源配置效率的opcov_op与政府支出GovExp的回归结果。其中，第(4)列只控制了年份虚拟变量，第(5)列进一步控制了城市层面控制变量，第(6)列进一步控制了城市-行业层面控制变量。所有回归中，GovExp的系数均在1%水平下显著为负，且变化极小，表明本文的结果是稳健的，不受生产率估计方法的影响。

(二)敏感性分析

1．更改阈值。在基准回归中，本文只保留了城市-行业-年组内企业数量大于等于20的样本。这里将阈值调整为10和30，重新进行回归。表3报告了回归结果。可以看到，不管是使用opcov_lp还是opcov_op进行回归，改变阈值均不改变本文的基本结果，所有回归中，GovExp的系数均在1%水平下显著为负。说明本文的回归结果不受阈值的影响。

2．滞后一期回归。在本文的基准回归中，使用政府当期的支出GovExp作为核心解释变量，这使得本文的回归可能受到逆向因果问题的干扰。具体而言，并不能排除这一种可能：由于当地资源配置效率较低，经济增长不乐观，因此政府希望通过增加开支以刺激经济，进而观察到资源配置效率与政府支出规模之间的负相关关系。为了解决这一问题，本文使用滞后一期的政府支出L.GovExp进行回归，表4报告了回归结果。可以看到，在所有回归中，L.GovExp的系数均在1%水平下显著异于零，且系数的绝对值比用当期政府支出GovExp的回归系数有所增大。这说明，回归结果是稳健的，不存在逆向因果问题。

表3　更改阈值回归结果

注：所有模型均采用固定效应回归；括号内为t统计量，*p<0.10, **p<0.05,***p<0.01；标准误聚类到城市层面；控制变量与表2第3列相同，但限于篇幅没有报告。

表4　滞后一期回归结果

注：所有模型均采用固定效应回归；括号内为t统计量，* p<0.10, ** p<0.05,*** p<0.01；标准误聚类到城市层面；控制变量与表2第3列相同，但限于篇幅没有报告。

3．动态面板回归。使用滞后期政府支出规模的回归可以解决逆向因果造成的内生性问题，但不能解决遗漏变量造成的内生性问题。当地的资源配置效率水平最有可能与经济发展水平相关。经济发展水平越高，政府的收入也越多，因此人均的政府支出也越多。同时，经济发展水平越高，市场发育可能也越好，因此，资源配置效率水平也越高。因此，遗漏经济发展水平变量将造成估计的偏误。在所有回归中，本文都控制了人均GDP、GDP增长率，以及产业结构等代表经济发展水平的变量，因此，可以在很大程度上解决这一问题。更重要的是，人均政府支出规模与经济发展水平正相关，而本文的回归结果显示人均政府支出规模与资源配置效率负相关，因此，即使本文的回归结果存在偏误，也只可能是低估了政府支出规模对资源配置效率的负面影响。因此，这并不影响本文的核心结论。

下面讨论遗漏滞后期因变量对回归结果造成的影响。本文前面的回归均采用固定效应模型。但是，行业的资源配置效率往往具有时间上的延续性，因此当期资源配置效率与滞后期相关。在这种情况下，即使使用滞后期的政府支出也会产生内生性问题，因为滞后期的政府支出与滞后期的资源配置效率相关。为了解决这一问题，本文采用动态面板方法重新进行回归分析。

表5报告了回归结果。在所有回归中，本文均控制了因变量的滞后两期变量。所有回归中，Hansen检验的P值均大于10%，通过了过度识别检验。从表5的结果中可以看到，滞后期的资源配置效率确实会显著影响当期的资源配置效率。但考虑了滞后期因变量的影响之后，滞后期的政府支出L.GovExp系数依然显著异于零。不仅如此，与表4相比，L.GovExp的系数变化极小，这进一步说明本文的回归结果是稳健的，即政府支出规模越大，当地制造业行业内的资源配置效率越低。

表5　动态面板回归结果

注：括号内为t统计量，* p<0.10, ** p<0.05,***p<0.01；控制变量与表2第3列相同，但限于篇幅没有报告。

(三)分地区回归

政府支出规模对地区资源配置效率的影响可能存在地区差异性。为了考察这一差异性，本文将城市按地区分为东部、中部和西部，分子样本重新进行回归。表6报告了分地区的回归结果，所有回归均只保留了城市-行业-年组内企业数量大于等于20的样本。表6的结果显示，对于东部地区的子样本回归，滞后期政府支出规模L.GovExp的系数显著为负，但中部和西部地区子样本回归中滞后期政府支出规模L.GovExp的系数不再显著，政府支出规模对资源配置效率的影响存在地区异质性。对于这一结果，可能的原因是东部地区的政府支出规模相对于中、西部地区更高，因此资源配置效率对于政府支出规模的变化更加敏感。但是，对于这一结果更准确的解释还需要更多、更深入的研究。

表6　分地区回归结果

注：括号内为t统计量，* p<0.10, ** p<0.05,***p<0.01；控制变量与表2第3列相同，但限于篇幅没有报告。

六、研究结论及启示

利用中国工业企业数据库和《中国城市统计年鉴》数据，本文检验了地方政府支出规模与当地制造业行业内资源配置效率的关系，结果显示：政府支出规模越大的地区，资源配置效率越低；政府支出规模对资源配置效率的影响存在地区异质性。

当前，中国经济正面临着巨大挑战，增长乏力，转型艰难，制造业企业更是面临着前所未有的寒冬。在短时期内，靠创新驱动经济增长又很难实现。在这一背景下，研究如何在现有的资源约束条件下，提高资源配置效率就显得尤为重要。本文的研究表明，政府掌握过多经济资源，以及对市场的过度介入会导致资源配置效率的恶化。这对于当前经济政策的制定具有一定的参考价值。

参考文献：

[1]Heieh C T,Klenow P J.Misallocation and manufacturing TFP in China and India[C].Society for Economic Dynamics, 2008.

[2]聂辉华，贾瑞雪. 中国制造业企业生产率与资源误置[J]. 世界经济，2011(7):21-42．

[3]Olley G S, Pakes A. The dynamics of productivity in the telecommunications industry[J]. Econometrica, 1996,64(6):1263-1297.

[4]周黎安，赵鹰妍，李力雄. 资源错配与政治周期[J]. 金融研究, 2013(3):15-29.

[5]韩剑，郑秋玲. 政府干预如何导致地区资源错配——基于行业内和行业间错配的分解[J]. 中国工业经济, 2014(11):69-81.

[6]周黎安，陶婧. 政府规模、市场化与地区腐败问题研究[J]. 经济研究, 2009(1):57-69.

[7]陈乐一，邓佳燕，杨云．不确定性、产业重心化与经济波动[J]．财经理论与实践，2016(1)：110-117．

[8]杨子晖. 政府规模、政府支出增长与经济增长关系的非线性研究[J]. 数量经济与技术经济研究, 2011(6):77-92.

[9] Bartelsman E,Haltiwanger J, Scarpetta S．Cross-country differences in productivity: the role of allocation and selection[J]． The American Economic Review, 2013,103(1):305-334.

[10] Levinsohn J, Petrin A． Estimating production functions using inputs to control for unobservables[J]. Review of Economic Studies, 2003, 70(2):317-341.

[11] 谢千里，罗斯基，张轶凡. 中国工业生产率的增长与收敛[J]. 经济学(季刊), 2008,7(2):809-826.

[12] 李世刚，杨龙见，尹恒. 异质性企业市场势力的测算及其影响因素分析[J]. 经济学报, 2016,3(2):69-89.