产能过剩、实质性创新与企业全要素生产率*——基于制造业上市公司的实证分析

陈永丽,李秋坛,陈 欢

(重庆工商大学 会计学院，重庆 400067)

一、引言

改革开放40年来，我国“人口红利”带来了大量劳动力供给及高储蓄率、高投资率保障了资本的快速积累，劳动、资本及资源三大要素投入共同驱动我国经济快速增长，使我国经济增长保持了近10%的増速，创造了举世瞩目的“经济奇迹”。然而，这种过多依赖于高投入、高消耗和高排放的粗放型经济增长方式已面临瓶颈约束，自主创新和技术进步的不足制约了资源的集约高效利用和经济的可持续增长。纵观我国经济发展历程，产能过剩问题一直是制约我国经济发展、加重经济运行风险的痼疾(刘京星等，2017)[1]。根据OECD的估算，2014年我国贡献了全球过剩产能的37%，是GDP占全球比重的3倍左右。因此，去产能成为我国当前推进供给侧结构性改革的首要任务。企业是产能过剩的直接受害者。2014年，国务院工业和信息化部对炼钢、炼铁、焦炭、铁合金等18个工业行业淘汰落后产能，被淘汰的企业共计2 087个，其中制造业企业产能过剩问题较为严重。新时代下，我国正向创新型国家行列迈进，而制造业正处于爬坡过坎、攻坚克难的关键时期。《中国制造2025》也提到2025年中国制造业要迈入世界制造强国行列，依托创新驱动提高制造业技术效率，解决制造业产能过剩问题是根本。

国内外学者在产能过剩的内涵、测度、形成机理及化解路径方面进行了大量研究。产能过剩内涵层面上，国外学者提出了超额生产能力说(Nelson，1989)[2]。基于国外学者的观点，国内学术界提出了供求失衡论(李江涛，2006)[3]。关于产能过剩测度方面，理论界主要的测度方法有成本函数法(韩国高等,2011)[4]、协整法(Shaikh等，2004)[5]、数据包络法(董敏杰等，2015)[6]等。有关产能过剩的成因，学术界主要从宏观经济发展和微观企业投资行为两个方面展开，即“市场机制论”(林毅夫，2007[7]；韩高国等，2011[4])和“政府干预论”(江飞涛等，2012)[8]两类主流观点。在产能过剩的化解路径方面，大多数学者认为化解的关键在于创新。付启敏(2011)[9]认为要突破核心关键技术，加强企业管理创新以实现企业创新驱动发展，提升全要素生产率。

宏观层面上，全要素生产率(tfp)是衡量一国经济增长质量和技术进步的重要指标和依据。习近平同志在党的十九大会议上提出，要推动制造业从数量扩张向质量提高的战略性转变，实施创新驱动发展战略，提高全要素生产率(tfp)。微观层面上，全要素生产率的提升与企业经营管理活动紧密联系，具体表现为使用先进生产设备，加大研发经费投入，改善出口和融资行为，以及调整组织结构与提高管理水平等。然而制造业产能过剩的形成过程及所带来的一系列经济后果都直接影响着企业全要素生产率，目前学术界鲜有文献针对某一行业或者从微观企业层面研究产能过剩对企业生产率的影响机理。李瑞杰等(2019)[10]从区域层面研究发现产能利用率和全要素生产率增长率均与中国区域经济不平衡增长格局存在一致性。本文主要关注的问题在于产能过剩对制造业企业全要素生产率是否会产生影响?以及产能过剩是如何对其产生影响的?

对比现有研究，本文可能存在以下两个方面的创新：第一，针对制造业这一特定行业，补充了产能过剩与微观企业生产效率的相关文献；第二，分析企业实质性创新在产能过剩与全要素生产率之间的中介作用，从而探究对全要素生产率的影响机制，以期得到更为真实的实证结果。

二、理论分析与研究假设

(一)产能过剩与实质性创新

从经济学的视角看，创新在本质上是一种投资行为，只有当创新收益大于创新成本时，人们才有意愿进行创新投资。根据能力基础理论，创新作为企业市场竞争优势的重要来源，是企业满足当前环境下市场需求和期望的重要策略。产能过剩与企业创新能力有着直接关系。许多产业的技术水平低、企业自主创新能力薄弱，产能过剩现象一旦出现，企业产品滞销，供过于求，为防止自身被市场出清，企业就会加大资源投入和扩张产出数量，而不是着重于提高企业自主创新能力和改善创新产出质量。此时，企业生产经营活动受到限制，资金状况紧张，就会迫切希望外部资金注入。

根据“寻租”理论，由于产能过剩，企业经营困难，投资效率低下，某些企业为获得政府资金支持和其他融资，就会产生“寻扶持”行为(鲍宗客和朱魏巍，2017)[11]，从而增加企业成本，导致创新效率低下。再者，寻租也会进一步加剧产能过剩带来的企业内部资源配置效率低下的问题，抑制企业生产性创新活动产出，具体表现为通过非正式支付而非生产性的创新活动获得市场特权(Aidis，2008)[12]。即便获得了“政治租金”，部分民企也会偏好于市场情况明朗、获利较快的投资项目，而非高风险的创新研发活动。此外，由于带来技术进步的实质性创新产出可能需要较长的时间周期，过多的财力及人力才能取得成效。因此，在产能过剩、市场竞争严峻的背景下，企业不愿意进行周期长、高风险的实质性创新。由此提出研究假设H1:

H1：产能过剩对企业实质性创新具有抑制作用。

(二)产能过剩与全要素生产率

关于产能过剩与全要素生产率之间的关系，本文归纳了两种观点：第一，根据资源配置理论，如果生产资源无法得到最优配置，会造成全要素生产率下降。市场配置要素功能的失灵造成了我国部分行业产能过剩，导致经济发展中供给与需求错配，以及资本、劳动力等生产要素在行业和产业间配置效率较低，从而影响整个行业或企业全要素生产率的提升。第二，在企业生产经营效率层面，产能过剩加剧了行业内企业间的竞争程度，扰乱了正常的市场竞争秩序(高晓娜、兰宜生，2016)[13]，对企业的生产经营活动造成了极大的负面影响。产能过剩意味着产品供过于求，而企业为维护其市场竞争地位，会抑制产品价格。在此背景下，企业资金周转速度减慢，资金回报率下降，一方面将导致企业从组织外部获取信息、人才等资源的难度增大，并且在研发活动上的资金投入力度较小;另一方面较差的盈利能力和经营绩效加大了企业的资金约束，其面临的外部融资约束较高。全要素生产率作为衡量企业生产效率的重要指标，会受到产能过剩对各类经营活动的不利影响。因此，直观上来看，产能过剩企业在人力资本、技术研发及融资约束等方面具有较强的局限性，对企业全要素生产率的提升是极为不利的。由此提出研究假设H2:

H2：产能过剩对企业全要素生产率提升具有抑制作用。

(三)实质性创新与全要素生产率

根据外生经济增长理论和内生经济增长理论，技术进步依然是经济持续增长的引擎和源泉，而高质量的实质性创新会为企业带来竞争优势与技术进步。许多研究学者认为经济发展的实质是在市场中不断引入以技术为基础的创新，因此研发投入、技术进步及技术创新等对全要素生产率有着正向的促进作用(何玉梅，2018)[14]。而高技术水平、高质量的实质性创新是企业研发能力的体现，一方面，企业研发能力的增强可以直接提升企业生产效率;另一方面，企业自主研发能力增强可以降低企业生产成本，减少对劳动、资本的依赖，进而提升企业全要素生产率。再者，实质性创新可以改善企业资源配置效率，加强人力、财力资本等要素在企业内部不同生产部门间的流动性，提高要素配置效率，达到最优要素配置水平，从而进一步提高企业的全要素生产率。由此提出研究假设H3:

H3：实质性创新对企业全要素生产率提升具有促进作用。

三、研究设计

(一)样本选择与数据来源

本文选取2010—2017年中国A股制造业上市公司为初始样本，考察产能过剩对实质性创新与企业全要素生产率的影响。选取制造业为研究对象是因为制造业作为实体经济发展的核心，对国家经济的发展至关重要，探讨制造业企业生产率具有一定的现实意义。为了研究需要，我们还按如下步骤进行了筛选：(1)剔除了ST类公司;(2)剔除了同时发行H股或N股、B股的公司；(3)删除数据缺失或存在异常值的样本。此外，我们还对样本的所有连续型变量按1%分位数进行缩尾处理。经上述处理后，最终得到1 609个公司的非平衡面板数据，共6 680个样本观测值。以上数据全部来自万德数据库(WIND)与SPPPAT的专利检索，并运用Stata14.0对样本数据进行处理。

(二)变量定义及度量

1.被解释变量。全要素生产率(tfp)，是指全部生产要素投入量不变时，生产量仍能增加的额外生产效率。针对全要素生产率的测算，主要有OLS、FE、OP、LP、DEA等方法。本文参考鲁晓东和连玉君(2012)[15]以及廖冠民(2015)[16]对全要素生产率的OLS常规估算方法，采用Cobb-Douglas生产函数来估算全要素生产率，即：

(1)

Y、Lit和Kit分别表示企业的产出，劳动力投入和资本投入，Ait即驱动经济增长的非劳动和资本要素之外的全要素生产率，通过对模型(1)取对数转化为如下线性形式：

yit=αlit+βkit+uit

(2)

其中yit、lit及k分别表示Y、Lit和Kit的对数形式。对模型(2)进行OLS估计，所得残差即全要素生产率。

2.核心解释变量。产能过剩(cu)，一般采用反向指标产能利用率进行度量，并且一般针对行业层面，根据相应模型通过行业数据进行估算(Shaikh,2004;韩国高，2011)[5][4]。鉴于微观企业层面的产能过剩测量指标较少,本文借鉴修宗峰、黄健柏(2013)[17]的研究，以固定资产收入比作为制造业企业的产能利用率衡量指标。该指标越高，表示企业产能利用效率就越低，产能过剩程度也越大；反之，产能过剩程度则越小。

3.中介变量。实质性创新(patenti)，前人在研究过程中用于反映企业创新产出成果的指标，主要包括主营业务收入、创新产品销售收入、技术创新专利的申请数量等无形资产。鉴于主营业务收入无法反映企业创新为企业带来的收益，并且创新产品的统计口径与定义尚不清晰。而我国的专利分为发明、实用新型与外观设计三种，它们体现的技术创新程度与动机有所不同，采用专利数量可能会夸大实质性技术创新的产出水平，因此本文参考黎文靖(2016)等[18]的研究，采用“发明专利”申请数量的自然对数作为企业实质性创新产出的替代变量。

4.控制变量。由于本文是从企业微观层面进行研究，为得到稳健的估计结果，本文将企业资本结构(lev)、产权性质(state)、总资产增值率(growth)、两值合一情况(jian)及独立董事占比(direct)等作为控制变量的基本选择。具体变量定义见表1。

表1 变量名称及定义

(三)模型设计

1.产能过剩(cu)与实质性创新(patenti)。为考察企业产能过剩与实质性创新之间的关系，本文建立模型(3)：

patentiit=β0+β1cuit+βjcontrolsit+εit

(3)

其中，因变量为实质性创新(patenti)，自变量为产能过剩(cu)，其他为控制变量，包括产权性质(state)、两值合一情况(jian)、独立董事占比(direct)、资产负债率(lev)及总资产增值率(growth)。

2.实质性创新(patenti)与企业全要素生产率(tfp)。为检验企业实质性创新与全要素生产率之间的内在关系，本文建立了模型(4)：

tfpit=β0+β1patentiit+βjcontrolsit+εit

(4)

其中，因变量为全要素生产率(tfp)，自变量为实质性创新(patenti)，其他为控制变量，包括产权性质(state)、两值合一情况(jian)、独立董事占比(direct)、资产负债率(lev)及总资产增值率(growth)。

3.渠道机制检验。为检验企业实质性创新在产能过剩与企业全要素生产率之间的内在机制关系，本文建立了模型(5)和(6)：

tfpit=β0+β1cuit+β2patentiit+β3cuit×patentiit+βjcontrolsit+εit

(5)

tfpit=β0+β1cuit+β2patentiit+β3controlsit+εit

(6)

其中，i表示个体，t表示年度标识，εit表示随机干扰项。

四、实证结果与分析

(一)描述性统计

表2列示了主要变量的描述性统计结果。

表2 变量的描述性统计表

可以看出，制造业企业全要素生产率(tfp)的均值和中位数分别为0.007和-0.003，最大值为0.832，最小值为-0.686，标准差小于1。企业实质性创新(patenti)均值为2.497，最大值为6.218，最小值为0，由此可见我国企业实质性创新在企业间差异较大，部分企业缺乏高质量的技术性创新。同时，在样本期间内产能过剩(cu)的最大值、最小值及标准差分别为1.834、0.036及0.340，表明我国制造业企业产能利用率在样本公司间存在较大差异,29.1%的企业为国有企业，资产负债率(lev)在39.1%左右，资本结构较为合理。各主要变量的描述性统计与相关研究基本一致。

(二)相关性检验

表3报告了变量的相关性检验结果，产能过剩(cu)与全要素生产率(tfp)具有显著的负相关关系，初步说明产能过剩会抑制企业全要素生产率提升，相关性检验初步支持了前文假设。实质性创新(patenti)与全要素生产率(tfp)的系数为0.084，在1%的水平上显著。各变量之间的相关系数最大值为0.300，为避免变量之间存在多重共线性问题，本文进行了方差膨胀因子VIF检验，发现最大值不超过1.19，均值为1.08，可认为结果受多重共线性的影响较小。

表3 变量间的pearson相关系数分析

(三)多元回归分析

1.产能过剩与企业实质性创新的回归分析。为检验产能过剩对企业实质性创新的影响，本文对模型(3)采用OLS回归，结果见表4的(1)(2)列。第(1)列没有加入控制变量，此时产能利用率cu的回归系数在1%水平上显著为负，这表明产能过剩对制造业上市公司的实质性创新具有负向作用，初步验证了前文的理论分析，但是这种关系可能是其他因素综合影响的结果，为了排除其他因素的干扰，需要引入其他可能影响企业实质性创新的控制变量。第(2)列为引入了其他控制变量的结果。在添加了控制变量后，cu的显著性和方向并没有变化，这充分反映了产能过剩程度对企业的实质性创新具有显著的负相关影响，验证了假设H1。首先，产生这一结果的原因在于创新是维持企业可持续发展的动力和源泉，但技术创新自身的公共品特性也使创新投资未必能获得预期的价值回报。实质性创新是高质量、高风险的创新活动，企业要承受研发前景的不确定性与创新失败的多重打击，许多“守旧派”企业会中止甚至放弃实质性创新。而制造型企业的产能过剩问题较为严重，产能利用不足，库存严重积压，企业资金周转不足。其次，由于政府与企业存在信息不对称，企业为获得政府补贴和优惠政策会进行短时间内就能取得成效的简单策略上的创新，缺乏高质量创新的科研动力，从而抑制企业的实质性创新产出。

控制变量方面，总资产增值率(growth)、资本结构(lev)、产权性质(state)及独立董事占比(direct)与企业实质性创新(patenti)始终呈现正相关关系。这说明企业资金越雄厚，在资本结构合理，财力能支撑企业发展的情况下，越愿意进行实质性创新，推动企业技术进步，赢得竞争优势；相比民营企业，国有企业的实质性创新能力更强;独立董事占比越高的企业，企业的实质性创新能力越强。

2.实质性创新与企业全要素生产率的回归分析。为了检验实质性创新对企业全要素生产率的影响，本文采用OLS运用模型(4)，结果见表4的(3)(4)列。从表4的回归结果可以看出，无论是否添加控制变量，我国制造业企业实质性创新与全要素生产率在1%的水平上显著正相关，表明实质性创新对企业的全要素生产率具有积极的正向促进作用，假设H2得证。原因在于技术进步是企业全要素生产率提高的重要因素，高质量、高水平的创新产出给企业带来了较强的生产能力与技术积累，特别对于制造业企业这类技术型企业而言，实质性创新增强了企业的核心竞争力，为企业赢得了市场竞争优势，带动了全要素生产率的提升。

表4 产能过剩与实质性创新及实质性创新与全要素生产率之间的回归结果

在控制变量方面，制造业上市企业产权性质(state)的回归系数均显著为正，即相比非国有企业，国有企业的全要素生产率更高。总资产增值率(growth)、资本结构(lev)、独立董事占比(direct)、董事长与总经理两职合为一(jian)与企业全要素生产率负相关，说明企业的规模效应越大，资本结构不合理，债务负担过重对企业全要素生产率具有负面影响。

3.渠道机制检验。创新是提高社会全要素生产率的重要影响因素，不同性质的创新将直接影响全要素生产率的高低。因此，我们认为企业实质性创新在产能过剩与全要素生产率之间可能存在调节效应，或者具有中介作用。为检验企业实质性创新在产能过剩与全要素生产率之间的内在影响机理，本文借鉴温忠麟(2014)等[19]对其展开进一步研究。经Hausman检验，采用随机效应模型进行面板数据回归，结果如表5所示。表5第1列为产能过剩与企业实质性创新的回归结果，产能过剩与制造业上市企业的实质性创新在1%的水平上显著为负，回归系数为-0.367。在表5第2列的回归结果中，产能过剩与企业全要素生产率在1%的水平上显著负相关，表明对我国的制造业上市企业而言，产能过剩对企业实质性创新与全要素生产率的提升具有消极影响。表5第4列呈现了企业实质性创新的调节效应分析结果，产能过剩与企业实质性创新的交乘项(cu*patenti)结果不显著，表明在产能过剩与企业全要素生产率的关系中，企业实质性创新的调节效应并不明显。第3列和第5列为实质性创新的中介效应分析，第3列的回归结果中，实质性创新与全要素生产率呈显著正相关关系，回归系数为0.019，并且显著性水平为1%，表明企业实质性创新在产能过剩与企业全要素生产率之间存在着明显的间接中介效应。第5列的结果中，在控制了企业实质性创新变量后，产能过剩对我国制造业上市企业全要素生产率的影响仍在1%的水平上显著，说明实质性创新在产能过剩与企业全要素生产率之间存在部分中介效应。因此，产能过剩通过影响企业的实质性创新来抑制企业全要素生产率的提高。综上所述，假设H3得到验证。

表5 渠道机制检验

4.进一步研究：市场化进程的影响。产能过剩对制造业上市企业实质性创新和全要素生产率具有抑制作用，考虑到不同区域的经济发展情况有所差异，可能影响结果的真实性。因此，本文采用市场化进程程度分组的方法进行分类对比。

本文借鉴王小鲁、樊纲等的市场化指数计算结果，市场化程度指标来自王小鲁、樊纲的《中国分省份市场化指数报告(2016)》以及Wind数据库。本文根据中国31个省市按市场化总指数评分，将样本企业分为市场化进程快组和市场化进程慢组，地区市场化总指数评分越高，代表该地区市场进程越快，并依次将数据带入模型(3)和模型(6)进行OLS回归。结果如表6所示。

表6 按市场化程度分组的多元线性回归结果

由表6中(1)(2)列看出，产能过剩对企业实质性创新的抑制作用在不同区域依然显著，只是在市场化程度较高的地区影响更强，可能由于在市场化程度越高的地方，企业“寻租”现象更为严重，创新效率更低。由表6第(3)(4)列可知，对我国大多数制造业上市企业而言，产能过剩对不同区域的企业全要素生产率都具有抑制作用。对比市场化进程慢的组，地区的市场化程度越快，产能过剩对企业的全要素生产率抑制作用更强，可能是因为市场进程快的地区，企业之间竞争激烈，“潮涌现象”[7]较为严重，导致企业产能过剩的程度较高，从而对全要素生产率抑制作用更强。但实质性创新在市场化程度较高的地区对全要素生产率更具有显著促进作用,可能由于我国混合所有制改革尚未完成，市场化进程较慢的地区法制不健全，导致企业全要素生产率受不同企业性质所决定的制度安排等其他因素的影响程度更大。

5.稳健性检验。产能过剩变量的计算方法不同可能会对结果产生影响。同时，产能过剩的压力对全要素生产率的提高可能会存在一定的滞后效应。因此，为了验证结果的稳健性，本文从变更产能过剩的计量方式和滞后全要素生产率两个方面进行了稳健性测试。

(四)更改产能过剩的衡量方式

考虑到对产能过剩的不同界定方法可能也会对结论产生影响，故参考修宗峰、黄健柏(2013)[17]等研究的界定方法，设置产能过剩哑变量cu,根据监证会2012年行业分类标准，分别采用所在行业固定资产收入比cu的75%为临界点，若样本企业固定资产收入比cu大于其所在行业固定资产收入比cu的75%，则cu取值为1，否则取值为0。根据新定义的cu对模型(3)(4)(5)(6)重新进行回归，如表7所示。调整这一变量定义后，本文主要结论仍未改变。

表7 基于产能过剩变量变更的稳健性检验

(五)全要素生产率影响的滞后效应

为检验企业全要素生产率的影响是否存在滞后效应，我们将tfp置后一期，得到了4 566个观测值。

将tfp滞后一期(L.tfp)对模型(4)(5)(6)重新进行回归结果(如表8所示)，核心自变量对因变量的影响是基本一致的。各研究假设均得到验证，表明本文实证结果是稳健可靠的。

表8 基于全要素生产率影响时效性的稳健性检验

五、结论与启示

(一)结论

本文以制造业上市公司为研究样本，主要考察了产能过剩、实质性创新及企业全要素生产率三者间的关系及作用机制。研究结果表明：(1)产能过剩对企业实质性创新具有显著的负向影响。由于实质性创新产出的风险性与不确定性，产能过剩导致企业经营困难，诱导企业“寻租”，降低创新效率，抑制实质性创新。(2)产能过剩抑制了制造业企业全要素生产率的提升，企业的实质性创新在产能过剩与全要素生产率之间存在部分中介作用。带来技术进步的创新产出能加快企业各项资源配置达到最优，从而提升企业的全要素生产率，但产能过剩通过抑制实质性创新产出对全要素生产率的提升具有消极影响。(3)由于地区发展程度有差异，市场化程度较高的地区市场竞争更为激烈，政企间信息不对称，导致产能过剩对企业的实质性创新产出与全要素生产率提升的抑制作用更强。

(二)启示

基于上述结论，本文提出以下建议：

1.政府应积极承担淘汰落后产能和化解过剩产能的责任，实现分类精准扶持与补助。合理利用各类要素资源的配置权和企业准入权，理性去产能，不能因为政府偏爱大型国有企业而忽视其产能过剩问题，过度减压中小非国有企业的产能。并且，政府要主动解决去产能引发的一系列社会问题，特别是保障失业人员再就业及其保底福利。另外，政府在给予企业优惠政策及创新补助时，应当精准扶持，分类别与行业对企业进行帮扶，抑制政府和企业为获取补贴的机会主义行为，创造良好的外部环境，使政府补贴成为推进企业技术创新化解过剩产能的巨大动力。

2.制造业企业应当加大研发力度，让高质量的研发产出成为提升企业生产率的坚实后盾。目前，我国的制造业企业大都为重资产、规模效应较大的企业，对技术与创新有着高要求和高需求。特别是大中型国有企业的科技创新缺乏硬约束，科技创新的潜力得不到充分挖掘。企业应当强化科技创新，突破核心关键技术，加强企业管理创新以实现企业创新驱动发展。将企业的短期盈利目标与未来长远发展和企业的研发创新结合起来，加大核心技术研发人员的引入，提高企业创新绩效，推动企业各项生产经营活动有效开展，提高企业的产品生产效率。

3.建立产学研三位一体的技术创新体系。政府、企业、高校科研院所三方面应当形成科技创新合力，政府要加强对企业科技创新风险的有效措施防范，合理配置企业与高校科研创新成果的供给与需求，从而促进产学研一体化机制的形成。着力培养企业自身的创新和管控能力，让产能过剩的压力成为企业加强创新、提升生产率的有效动力，这也与国家创新驱动战略及《中国制造2025》政策内容相一致。