余靖雯 韩秀华 李一可
自2016年以来，以推进供给侧结构性改革为主线，全力落实去产能、去库存、去杠杆、降成本、补短板五大任务，已经成为我国各地区各部门的工作主线。与以往偏重于需求侧的改革不同，供给侧结构性改革旨在调整经济供给结构，矫正要素配置扭曲，扩大有效供给，提高供给结构对需求变化的适应性和灵活性，提高全要素生产率。其中，五大任务之首的“去产能”任务，其主要目的就是解决长期困扰我国经济运行的产能过剩问题。
我国先后经历了三次大规模的产能过剩：第一次为1998—2001年，是与金融危机有关的周期性产能过剩；
第二次为2003—2006年，城镇化和工业化的需求增长速度不断加快、经济发展势头良好背景下的非周期性产能过剩；
第三次为2009年至今的周期性与非周期性并存的产能过剩（卢锋，2010）。图1绘制了2009—2019年第三次产能过剩期间的制造业采购经理指数（PMI）中新订单指数和产能未利用率的时间趋势图。市场需求与产能未利用率呈现出一定的相关性，2009至2011年间两者共同变动的趋势较为明显，然而2011年之后周期性变化的市场需求并不能完全解释产能未利用率的变动，这反映了第三次产能过剩的周期性和非周期性并存的特征。在供给侧结构性改革开始以后，2016年产能过剩问题在一定程度上得以缓解，但此后产能未利用率保持在23%左右的水平，产能过剩问题依然存在且不容忽视。这一现象说明，虽然供给侧结构性改革具有显著成效，但是该政策忽略了某些重要因素，而这些被忽略的因素对化解我国产能过剩至关重要。
图1 第三次产能过剩的周期性与非周期特征
供给侧结构性改革不能完全解决产能过剩问题的根源在于该政策没有考虑政府干预行为在微观层面对企业产能过剩的影响。为了促进经济发展，我国地方政府使用各种手段展开激烈竞争，例如制定开发区政策和主导产业政策，向企业低价供给土地，提供信贷支持、政策性补贴与税收优惠等，这些干预手段引起了非周期性产能过剩现象的出现（王立国和鞠蕾，2012；
江飞涛等，2012；
王文甫等，2014；
包群等，2017）。其中，政策性补贴是政府最常用的手段。补贴是财政支出的重要组成部分，是政府根据一定时期的政治、经济、产业的方针和政策，按照特定目的，由财政安排专项资金进行的一种补贴，直接对企业提供的一种无偿性转移支付。图2反映了2007—2018年间，A股上市公司每年得到的补贴总额从169亿元增长到1 500多亿元，覆盖面从40%上升到98%。2018年获得政府补贴收入最高的上市公司是中国石化，金额高达74.82亿元。这充分说明了无论是从深度还是广度来看，财政补贴都是政府干预企业的直接手段。
在微观层面，真金白银的政府补贴无疑会影响企业的投资和经营行为，从而对产能过剩造成影响。一方面，政府补贴降低了企业的投资成本，诱发企业投资增加扩张产能，导致过剩产能“久调不决”、落后产能“淘而不汰”；
另一方面，政府补贴能够帮助企业获得价格优势，扩大企业市场份额，有助于企业建立起产品市场竞争优势，消化过剩产能。政府补贴对企业产能过剩最终影响方向取决于两种力量的大小，是一个有待检验的实证问题。本文利用2007—2018年中国制造业A股上市公司的样本，考察了政府补贴对企业产能过剩水平的影响。研究结果表明：政府补贴占总资产比例每增加1个百分点，企业的产能过剩水平会上升约0.958个百分点，这种正向作用在国有企业、大规模企业和市场化程度较低的地区体现得更为明显。
本文的贡献主要体现在以下三个方面：第一，借鉴Aretz & Pope（2018）的做法，本文在企业价值最大化假设下，估算出企业的理论最优产能，测度出企业实际面临的产能过剩情况，较好地克服了产能利用率在微观企业产能过剩问题研究中的适用缺陷，为完善我国企业产能过剩的测度提供了新视角；
第二，在准确测度企业实际产能过剩水平的基础上，从过度投资和产品市场竞争两个角度深入考察了政府补贴对企业产能过剩的影响机制，剖析了企业安装产能和理论最优产能之间差距的扩大是形成产能过剩问题的根源；
第三，样本区间延伸到供给侧结构性改革后的时期，有助于全面理解在产能过剩周期性与非周期性特征并行的当下，政府补贴等体制性因素对企业产能过剩问题的影响，并为有效化解过剩产能提出具有参考价值的政策建议。
图2 政府对上市公司补贴的深度和广度
本文余下部分的结构安排如下：第二部分为文献回顾与理论分析；
第三部分为数据与变量；
第四部分为实证分析结果；
第五部分为影响机制检验；
第六部分为全文的总结。
（一）产能过剩的成因
产能过剩的概念最初由Chamberlin（1933）正式提出，他把完全产能界定为完全竞争均衡下的产出水平。不完全竞争市场引起了经济组织的生产无效率，导致产品供给大于均衡状态下的市场需求，引发产能过剩。
关于产能过剩的微观形成机制，国外的文献大体上从三个方面进行分析：第一类观点认为，产能过剩实际上是企业在面临潜在竞争对手的进入威胁时的一种占优策略均衡。企业通过增加产能投资，对潜在进入者形成震慑，试图阻止潜在竞争对手进入市场，由此导致企业产能过剩问题形成（Kamien and Schwartz，1972；
Spence等，1977）。第二类观点则把保有过量的产能看作是企业在寡头竞争中策略性行为的结果，共谋均衡下的企业往往处于产能过剩的状态（Benoit and Krishma，1987；
Barham and Ware等，1993）。第三类观点以实物期权（real option）模型为理论基础讨论了产能过剩的微观成因。Pindyck（1988）认为，一单位产能赋予企业无穷次选择生产的机会，对于未来的任一时间，企业可以选择是否使用这一单位产能。那么，产能相当于实物期权，当市场需求波动更大、未来不确定性更大时，其价值越大，企业应持有更多的产能。此外，由于资产的专用性和投资的不可逆性，减少产能持有会产生机会成本，这就导致了企业在面对市场需求下降时，不得不维持超额产能（Dixit，1980；
Pindyck，1988）。
国外的文献对产能过剩形成原因的探讨主要是围绕市场决定资源配置的条件下企业的策略性行为展开的，基本认为这是市场经济的一种正常的现象，因此是个伪命题。然而，单纯用西方的现有理论来探讨中国的产能过剩问题还远远不足。一方面，我国产能过剩的问题并不局限于寡头垄断或已有在位者的行业，还涉及到完全竞争行业和新兴行业；
另一方面，从计划经济到市场经济转轨的过程中，政府往往发挥着决定性的作用。如果忽视了政府层面的因素，就难以揭示产能过剩形成的体制性和根源性原因，也难以化解我国久悬未决的产能过剩顽疾。
国内学术界关于中国产能过剩成因的解释，市场失灵和政府干预是两种主流的理论。市场失灵理论以林毅夫（2007、2010）提出的“潮涌现象”为代表。潮涌现象是指发展中国家往往倾向于投资技术成熟、产品市场已经存在、处在世界产业链内部的产业，企业往往会对某一具有良好前景的产业产生共识。由于行业内企业总数量不确知，从而出现投资上的“潮涌现象”，导致产能过剩。然而，市场失灵理论难以解释在中国宏观经济运行中非周期性的产能过剩问题。例如，已经被明确认定为产能过剩行业（如造纸业），利润已经很低甚至为负，行业较好的发展前景的共识应该不复存在，但此时还有很多企业涌入，扩张产能。也就是说，“潮涌现象”的基本假设——企业对未来具有良好前景的行业市场需求的共识难以成立，潮涌现象只是产能快速增长的结果而并非原因（江飞涛等，2012）。
政府干预理论则认为，中国式产能过剩问题产生的根本性原因在于政府干预行为。地方政府掌握着大量的资源又具有较大的自由裁量权，在财政分权和官员政治晋升体制下有强烈的动机对地方关键性资源进行配置，是推动产能过剩形成的背后力量。地方政府干预企业的手段主要包括：一是财政补贴和税收优惠。地方政府扮演着“援助之手”的角色，给予企业货币性激励，降低了企业投资成本，结果扭曲了企业投资行为，使得企业实际产能投资远大于在当前市场环境下企业利润最大化时的最优产能投资（耿强等，2011；
江飞涛等，2012；
王文甫等，2014）。此外，地方政府对“僵尸企业”提供财政补贴，增加其保留收益，提高了退出壁垒，这也是企业明知行业产能已过剩、利润较低仍然过度进入的原因。二是低价出让土地。地方政府通过非市场化手段向企业低价出让土地，这种对要素价格的扭曲，不仅使得企业能以较低的价格获取土地资源，还使得企业能够将低价购入的土地以市场价格向银行抵押，获取高额低息贷款，降低了企业投资成本的同时将企业投资风险外部化，刺激企业不断扩张产能投资，导致产能过剩问题进一步加剧（江飞涛等，2012；
刘航和孙早，2014；
干春晖等，2015）。三是提供软预算约束。掌控着金融资源的地方政府为企业（特别是国有企业）提供软预算约束（Kornai，1986），使得企业盲目地进行扩张，最终导致企业产能过剩。此外，还有研究从经济开发区与主导产业政策选择（包群等，2017）、地方政府收益分配比例（吴利学和刘诚，2018）、官员晋升激励（干春晖等，2015；
徐业坤和马光源，2019）以及税收分成（席鹏辉等，2017；
杨龙见等，2019）等角度来解释中国式产能过剩问题。
（二）产能过剩的测度
研究产能过剩问题，首先要正确度量产能过剩程度。虽然理论上对产能过剩的界定较为一致，然而如何准确地测度产能过剩程度却是一个挑战。在数据的处理上，大部分文献并不是直接从理论界定入手，而是利用便于计算和操作的变量——产能利用率（Capacity Utilization）作为产能过剩的反向替代指标。然而，企业实际利用产能的情况并不能从大数据观测到，只能通过实地调查获取。已有文献往往把产能与产出相对应，将产能利用率定义为实际产出与生产能力之比，目的在于回答企业实际上使用了多少产能的问题。其中，实际产出可直接观测得出，而生产能力为要素存量在现有技术下能够生产的最大产量（马红旗和申广军，2020），几乎无法直接观测。因此，测算产能利用率的关键在于估计生产能力。生产能力的测度主要包括以下几种方法：一是峰值法，以峰年产值来衡量生产能力（Kirkley et al.，2002）；
二是生产函数法，通过假设生产函数形式，推测出理论上（成本最小或利润最大时）潜在最优产出来衡量生产能力（Berndt and Morrison，1981；
韩国高等，2011），可视为经济意义上的生产能力；
三是数据包络分析法，将生产能力定义为生产单位技术效率达到生产前沿面水平，且不变要素不受约束时的产量（Johansen，1968），可视为技术意义上的生产能力；
四是随机前沿分析法，与同为前沿度量方法的数据包络分析在度量生产能力的思路上类似，但充分考虑了随机因素的影响（杨振兵和张诚，2015；
杨振兵，2016）。然而，无论基于何种方法计算产能利用率指标，都意味着只要产能利用率低于100%，就存在着产能利用不足，即存在超额产能（Excess Capacity），而超额产能并不意味着实际存在产能过剩。此外，值得注意的是，计算产能利用率时用产出度量产能存在一定的误差，因为从企业层面而言，产能和产出并不完全等同，从厂房、设备的投资到生产出产品有一个过程。
国内不少文献从地区或行业层面入手，将产能过剩问题定义为在一定时期内实际产出低于生产能力的现象，并基于地区或行业层面的数据直接测度产能利用率水平（韩国高等，2011；
董敏杰等，2015；
范林凯等，2019）。图3为2019年世界上主要经济体产能利用率的散点图。中国的产能利用率水平为76.65%，低于国际实践经验中79%—83%的合意区间，存在产能过剩的问题。横向比较来看，我国的产能利用率水平虽然低于新西兰、英国、欧盟，却高于美国、澳大利亚和俄罗斯。从行业层面来看，除了石油和天然气开采业、化学纤维制造业、黑色金属和有色金属冶炼和压延加工业、电气机械和器材制造业以及计算机、通信和其他电子设备制造业六个行业以外，其他主要行业2019年的产能利用率水平仍然不到79%。然而，从地区或行业层面考察产能过剩问题存在几个问题：第一，产能利用率的测度中通常忽视了企业的异质性。例如，龙头企业往往有着极高的产能利用率水平，远高于地区或行业的平均水平。第二，由于行业技术特点及需求情况差异，行业间的最优产能利用率标准也各不相同，用统一的标准来判断衡量产能过剩并不合适（周业樑和盛文军，2007）。例如，由于采矿业自身技术效率较低，并且在资源枯竭后大量产能处于未被利用的状态，导致其产能利用率远远低于其他行业。第三，地区或行业层面出现的产能过剩问题，其背后的行为主体都是微观企业，宏观或中观层面的产能过剩只不过是企业市场决策的副产品。因此，从根本上化解产能过剩问题的关键是找到激励企业盲目扩张产能的体制性因素。
图3 不同主要经济体产能利用率比较（2019年）① 美国数据来源于美联储https://fred.stlouisfed.org/series/MCUMFN；
欧盟数据来源于欧洲统计局https://ec.europa.eu/ eurostat/databrowser/view/teibs070/default/table?lang=en；
中国数据来源于国家统计局http://www.stats.gov.cn/tjsj/zxfb/ 201801/t20180119_1575361.html；
其他国家和地区数据均来源于官方统计部门。产能利用率指标主要是通过统计调查的方法先获得企业层面数据，再汇总到宏观层面。
总体而言，已有文献研究我国产能过剩问题主要集中在宏观和行业的层面，从微观企业层面考察产能过剩问题较为罕见。大多数文献采用产能利用率来度量产能过剩，本质上回答的是“实际使用多少产能”的问题，并未涉及到“理论最优产能是多少”的讨论。本文沿袭Aretz & Pope（2018）的思路，综合考虑需求等环境因素，测度出更能够反映企业实际面临产能过剩程度的指标。具体地，在实物期权模型框架下，将企业持有的固定资产定义为安装产能（Installed Capacity），将理论最优产能（Optimal Capacity）定义为需求、成本、波动性、系统性风险和无风险收益率的函数，且包含行业固定效应，以捕捉不可观测的理论最优产能的决定因素（如投资成本），并将安装产能与理论最优产能之间的差距定义为产能过剩程度。这种做法能够在一定程度上克服产能利用率在产能过剩问题研究中的适用缺陷：首先，在理论最优产能测度上，考虑包含市场需求等因素的企业真实信息集，估算出企业在理论上最优应该持有的产能，不受企业经营者个体决策特征影响。其次，产能过剩程度衡量了安装产能超过使得企业价值最大化的理论最优产能，由两部分组成：一是安装产能与实际使用产能的差异；
二是实际使用产能与理论最优产能的差异。第一部分即为产能利用率。产能过剩程度决定了产能利用率，是更为基础的指标，能够准确地反映企业实际面临的产能过剩程度。
（三）政府补贴与产能过剩
对企业进行财政补贴是世界各国政府广泛运用的一种政策工具。根据Schwartz & Clements（1999），政府主要出于以下三个原因实施财政补贴行为：第一，政府利用财政补贴纠正市场失灵，因为自由市场中“看不见的手”并不能以最有效的方式配置资源；
第二，政府利用财政补贴帮助那些规模较小的行业扩张，实现规模经济，从而可以与成熟的竞争者在国际市场上进行抗衡；
第三，政府利用财政补贴来达到社会目标，例如达到更平等的收入分配、解决就业问题等等。
当不存在政府补贴时，企业将依据市场需求不断地调整产能和产量决策，以实现自身价值最大化，调整决策取决于产能投资的收益与成本；
而当存在政府补贴时，企业的投资和经营行为将相应发生改变。从理论上看，政府补贴对企业产能过剩的影响通过两个机制：过度投资和市场份额扩张。
一方面，政府补贴本质上为企业提供了更多可支配的自由现金流，缓解了企业的内源融资约束，降低了企业投资成本，从而促进企业投资。当企业在政府补贴作用下，安装的新产能超过理论上最优的产能水平时，就会出现产能过剩的问题。另一方面，由于制造业企业普遍存在资产专用性的问题，产能投资撤资成本通常较高，导致企业只有在撤资收益大于高昂的撤资成本时才会选择撤资，因此，会降低企业在面临需求下降时调整产能决策的弹性，不利于企业作出合理的产能决策，进一步恶化企业产能过剩问题。此外，我国还存在一部分技术水平低、生产能耗高的落后产能，这些落后产能本应该被市场机制所淘汰，但是由于政府补贴的存在，降低了这些企业持有过剩产能的成本，造成大量落后产能淘而不汰，恶化了产能过剩问题。
企业在收到政府补贴后，通常会将大部分补贴收入投入至生产环节中，这种生产性补贴必然会降低企业单位生产成本（张杰等，2015），给予了企业制定更低售价的可能性，这不仅意味着企业能够拥有更为广阔的市场，还有助于企业在激烈的市场竞争中建立起成本优势，增加在行业中的市场份额（蒋冠宏，2022）。此外，政府给予企业补贴的行为相当于向市场释放积极的信号，能够有效降低企业与其他经济主体（如合作者、投资者）之间的信息不对称问题（杨洋等，2015），帮助企业获得更为广阔的销路，以及在供应链中更强的议价能力，从而扩大其市场份额。企业在行业内拥有的市场份额是反映其在产品市场需求强弱的关键因素。根据前文所述，当企业面临的需求更加旺盛时，其理论最优产能会进一步下降，反之则会上升。据此，可以推断，当企业收到政府补贴后，能够通过扩大市场份额来驱动企业理论最优产能的下降，降低企业产能过剩水平。
因此，政府补贴对企业产能过剩的最终影响取决于安装产能和理论最优产能之间的差距。一方面，政府的财政补贴促使企业过度投资，安装产能会上升；
另一方面，政府补贴帮助企业形成价格优势，抢占市场份额，理论最优产能也会提高。若前者上升的幅度大于后者，政府补贴加剧了企业产能过剩问题。反之，政府补贴则有助于改善企业产能过剩问题。具体的影响机制分析可见图4。政府补贴对企业产能过剩最终作用方向并不确定，可能为正，也可能为负，取决于安装产能和理论最优产能之间的差距，需要实证上的验证。
图4 政府补贴对企业产能过剩影响机制图
（一）随机前沿模型
以往文献常常使用数据包络分析（DEA）和随机前沿模型（SFA）来度量微观效率，前者为非参数方法，后者为参数方法。本文利用随机前沿模型（Stochastic Frontier Analysis，SFA），参考Aretz & Pope（2018）的做法，测算中国A股上市公司的产能过剩程度。随机前沿模型（SFA）的优势在于：第一，SFA模型将产出分解为生产函数（成本函数）、随机因素以及无效率项三部分，充分考虑了随机因素，避免了将这些随机误差错误地计入到求解的产能过剩中。由于产能过剩受不确定因素影响较大，所以SFA等参数方法较DEA等非参数方法在研究发展中国家和转型经济国家的效率问题时更具优势（边文龙和王向楠，2016），也更适用于测度中国企业的产能过剩程度。第二，SFA模型能够平等对待每个样本并充分利用每个样本的信息，计算结果不易受极端值的影响，结合递归方法进行估计（Recursively estimate），能够实时计算出产能过剩情况，使得指标稳定且合理。
（二）变量和数据
对于被解释变量安装产能，以固定资产原值来衡量。本文采用季度数据进行产能过剩计算，但固定资产原值数据仅在企业半年报和年报中报告，考虑到固定资产原值为存量指标、波动较小，因此采用均值法对空缺数据予以插补。
对于影响理论最优产能的一系列因素，根据Dixit & Pindyck（1994）和Aretz & Pope（2018）实物期权模型的推导，理论最优产能应取决于需求、需求弹性、生产成本、增加或减少产能的价格、系统性风险、需求波动率以及无风险收益率。因此包括销售收入（过去一年营业收入之和的自然对数）、营业成本（过去一年营业成本之和的自然对数）、销售和管理费用（过去一年销售和管理费用的自然对数）、需求波动性（过去一年对数收益率的波动率）、系统性风险以及无风险利率（当期银行定期存款利率）。其中，系统性风险参考Lewellen & Nagel（2006）提出的有条件的市场风险计算方法，使用较小的时间窗口计算，构造如下方程对进行估计：
对于影响产能过剩的一系列因素，根据对实物期权模型的推论，企业若持有过剩产能则意味着在过去的某个时点市场对企业产出的需求高于现在。为了刻画市场需求下降的影响，包含近期销售收入下降百分比（过去一年销售收入下降百分比）、远期销售收入下降百分比（过去一年销售收入相比历史最高收入下降百分比）以及过去一年企业是否存在亏损。
本文以2002—2017年中国A股制造业上市公司的季度数据来估算产能过剩季度指标。起点为2002年是因为中国上市公司最早从2002年第一季度开始披露季报。在随机前沿模型估计中，由于影响理论最优产能和产能过剩的变量均需要使用上一年度的数据，因此使用2002—2017年的样本可以估计出2003—2018年的产能过剩季度指标。
财务数据主要来自国泰安CSMAR数据库，固定资产原值数据来自Wind数据库。为保证研究数据的有效性，我们对初始样本进行如下处理：（1）仅保留制造业并剔除ST类企业；
（2）剔除随机前沿模型中所需关键变量缺失的样本；
（3）随机前沿模型中使用的公司财务数据按照工业品出厂价格指数（PPI）平减至2002年；
（4）为消除极端值（Outlier）的影响，对除了股票回报率以外的所有连续变量进行上下1%的Winsorize处理。最终得到1 552家A股制造业上市公司2003—2018年的季度数据，共55 249个观察值。
（三）估计结果
表1汇报了对式（3）随机前沿模型的估计结果。Panel A展示了理论最优产能决定因素的估计结果。从结果上不难发现，所有变量均在1%的统计性水平上显著。销售收入系数为正，这反映出销售收入上升会导致理论最优产能上升，原因在于无论是销售价格P或销售数量Q都与理论最优产能呈现正相关关系，与预期一致。营业成本显著为正，可能的解释是单位成本与理论最优产能负相关，产量与理论最优产能正相关，估计系数为正反映了产量在总成本中起决定性作用；
销售和管理费用的系数也为正，意味着其与理论最优产能之间存在正相关关系。需求波动性系数显著为负，反映了不确定性会显著降低理论最优产能，与实物期权模型理论相吻合；
无风险利率估计系数虽然显著为负但绝对值很小，经济意义几乎可以忽略。总体来看，在决定理论最优产能的因素中，营业成本的影响最大。
Panel B展示了产能过剩决定因素的估计结果。从结果上看，近期销售收入下降百分比的估计系数不显著，表明过去一年销售收入并不会对产能过剩水平造成影响。而远期销售下降百分比估计系数显著为正，反映了远期销售收入的下降提高企业的产能过剩水平。企业过去一年是否存在亏损系数在1%的统计性水平上显著为正，意味着亏损会导致企业产能过剩水平上升。这些结果表明：一方面，我国企业产能投资存在一定滞后性，对销售收入下降的反应需要一定的时间，这与美国的上市公司有所差异；
另一方面，由于资产具有专用性以及投资具有不可逆性，企业无法迅速撤资缩减产能，市场需求下降加剧企业产能过剩问题。
表1 随机前沿模型估计结果
估计完企业的季度产能过剩数据，使用企业每个年度最后一个季度的产能过剩水平作为企业年度产能过剩水平的度量。
图5 产能过剩率与产能未利用率的时间趋势图
图6为区分行业后2003—2018年产能过剩时间趋势图。从行业上看，大多数行业均呈现了与图5相同的变化趋势。然而，在2016年供给侧改革以来不同行业产能过剩水平呈现明显的分化趋势。一些行业在供给侧改革后，在去库存、化解产能过剩一些措施的影响下取得了显著的成效，特别是石油加工、黑色金属冶炼、有色金属冶炼、造纸业这四个传统产能过剩行业在2016年后产能过剩下降趋势最为陡峭，并在2018年与其他行业产能过剩水平接近，甚至略低于其他行业；
另一些行业，如家具制造业、电气机械和器材制造业、食品制造业，在供给侧改革后并没有出现产能过剩水平下降的趋势，作为钢铁行业下游的金属制品业的产能过剩反而出现愈发严重的趋势，这本质上是由于缺乏自主创新能力与国外形成较大的技术落差，形成了大量落后产能，导致行业整体上呈现出低端产能过剩、高端产能不足的结构性矛盾。
图6 区分行业后产能过剩时间趋势图
图7为东、中、西部和东北四个区域的产能过剩时间变化趋势图。从地区分布上看，在2009年以前，地区间差异较小。第三次产能过剩周期初始，各地区保持一定的差异，在2011年后差距逐渐拉大，特别是东北地区产能过剩最为严重，其次是西部和中部地区，而东部地区产能过剩问题相对较轻。2016年供给侧改革后，通过对煤炭、钢铁、水泥等东北地区较为集中的传统产能过剩行业大力去产能、淘汰落后产能等治理，产能过剩问题得到较大缓解，并在2016年后低于西部地区。
图7 不同区域的产能过剩时间趋势图
图8为区分国有企业和非国有企业不同产权性质企业的产能过剩时间变化趋势图。从图中不难发现，在2009年以前，国有企业和非国有企业产能过剩水平并不存在明显差异，之后国有企业的产能过剩情况逐渐高于非国有企业，国有企业平均的产能过剩率在2016年达到顶峰，约为45%，产能过剩问题远比非国有企业严重。
图8 国有企业和非国有企业的产能过剩对比
（一）计量模型
为了考察政府补贴对企业产能过剩的影响，我们设立如下的计量模型：
其中，被解释变量CO为前文估计的产能过剩指标。下标i代表企业，下标t代表年份。核心解释变量为政府补贴Subsidy，用政府补贴与企业总资产比值来衡量，政府补贴来源于上市公司财务报表附注中政府补助项目。X为一系列企业层面有可能对产能过剩造成影响的控制变量，包括企业规模（）、企业年龄（）、所有权性质（）、托宾Q（）、流动比率（）、资产负债率（）、资产收益率（）、现金流量（）、持股比例（）和财务费用率（）。为了减轻反向因果的问题，核心解释变量Subsidy和控制变量都滞后一期。为年份固定效应，为行业固定效应，为省份固定效应，ε为随机干扰项。
值得说明的是，政府补助的核算和披露一直都是上市公司会计规范建设的重要组成部分。在2007年以前，规定政府补助的会计处理主要有《企业会计制度》《金融企业会计制度》《关于企业技术创新贴息资金财务处理的函》和《科技中小企业技术创新基金财务管理暂行办法》等，但是这些规定缺乏严密性、系统性和全面性。2007年开始实施《企业会计准则第16号——政府补助》，规范了政府补助的确认、计算和相关信息的披露，要求上市公司按照给企业带来的经济利益或弥补成本或费用的形式不同，把政府补助分为与资产有关的政府补助和与收益有关的政府补助，根据当期使用进度摊销至营业外收入。因此，我们在实证部分将样本限定在2007年以后。为了避免新冠肺炎疫情的影响，样本截至2018年。
最终实证分析的样本为1 325家上市公司12年的数据，共10 478个观察值。表2报告了主要变量的定义及描述性统计。在样本期间，企业平均产能过剩水平，即安装产能与理论最优产能之比的自然对数为0.354，表明我国上市公司的安装产能超过理论最优产能35.4%；
最小值为0.097，最大值为1.036，反映了样本内企业之间产能过剩水平具有较大的差异性。政府补贴均值为0.005，意味着平均每个企业的政府补贴占总资产的0.5%，最高达到3.2%，表明政府对上市公司的财政补贴较为广泛，但对不同企业给予的补贴数量上存在较大区别。的均值为0.451，国有企业占比为45.1%，样本具有一定的代表性。
表2 主要变量定义与描述性统计
（二）基本回归结果
表3汇报了基于式（6）政府补贴对企业产能过剩影响的回归结果，第（1）列不包含固定效应，第（2）列则加入年份、行业和省份的固定效应，是本文的基准回归结果。政府补贴的估计系数为0.958，且在1%的统计性水平上显著为正，含义是当政府补贴占总资产比例增加一个百分点，企业产能过剩水平则会上升约0.958个百分点。
在控制变量方面，和的估计系数显著为正，说明企业存续时间越长、规模越大，企业产能过剩问题可能会越严重。估计系数显著为正，意味着融资成本越大，企业的产能过剩水平越高，与李雪松等（2017）的发现相符。估计系数显著为负，表明融资能力差的企业产能过剩水平更高。的估计系数显著为正，说明投资机会越大时企业越容易扩张投资，产能过剩程度上升。的系数显著为负，意味着业绩越好的企业面临的产能过剩水平越低；
的系数显著为正，表明现金流越充足的企业，往往产能过剩问题越严重。的估计系数在10%的水平上并不显著，意味着保持住其他因素不变的情况下，产权性质本身并没有造成企业产能过剩水平的差异。
除了地方政府对企业直接的转移支付，政府还会通过税收返还和减免对企业扶持和隐性补贴。与政府发放给企业的财政补贴相似，税收优惠本质上也是政府向企业让渡一部分经济利益、增加企业可支配收入的方式，进而影响企业的生产和投资决策（柳光强，2016）。政府补贴与税收优惠之间存在相关性，而税收优惠的改变也会影响企业可支配收入的形式导致企业产能过剩程度发生改变。为了排除税收优惠可能产生的影响，参考宋凌云和王贤彬（2013）的做法，我们把税收优惠纳入到解释变量中对式（6）重新估计。参考柳光强（2016）的研究，税收优惠定义为企业收到的各项税费返还/（收到的各项税费返还+支付的各项税费）。表3第（3）列汇报了相应的回归结果。引入税收优惠后，政府补贴的估计系数为0.926，比第（2）列基准回归估计结果略有下降，仍然保持1%的显著性水平。此时，的估计系数为0.023，在10%的统计性水平上显著，表明税收优惠与政府补贴的影响方向相同，均导致企业产能过剩水平上升，说明本文的基准回归结果是稳健的。这个结果也从一定程度上反映了税收优惠与政府补贴都是地方政府为企业提供资金支持的手段，享受到较高的政府补贴的企业在税收优惠上也能得到政府的青睐，两者存在一定的互补关系。然而，政府补贴相较于税收优惠对企业产能过剩的边际影响更大，更为显著。
表3 政府补贴与企业产能过剩的回归结果
（三）稳健性检验
在前文的研究结论中表明，政府补贴提升了企业产能过剩水平。但同时可能存在另外一种解释：由于产能过剩企业能够为地方政府提供更多的就业及税收，导致地方政府倾向于为产能过剩水平较高的企业提供更多的补贴。也就是说，政府补贴与企业产能过剩之间有可能存在反向因果的关系，导致回归系数被高估。事实上，本文受到此问题影响并不大。原因在于，2001年4月25日，证监会发布的《公开发行证券的公司信息披露规范问答第1号——非经常性损益》将政府补助列示为非经常性损益，企业自身对补贴多少是难以预期和确保的，因此相对外生。但为了进一步论证基本结论是可靠的，不受反向因果引起的内生性问题影响，我们采用分位数回归、分区域、构造弱内生性子样本以及工具变量法进行稳健性检验。
首先，在前文OLS线性回归中汇报的是政府补贴对企业产能过剩的平均影响效果，但均值回归通常会受到极端值的影响，使得参数估计不再稳定。因此，本文进一步使用分位数回归方法进行稳健性检验，相比于OLS线性回归模型，分位数回归能够根据不同分位点利用样本所含有的不同信息对模型进行回归，能够很好地捕捉到不同产能过剩分位点上的企业受政府补贴影响的大小，且不会损失大量样本，比OLS回归系数估计更加稳健。表4中（1）—（5）列，分别汇报了在10、25、50、75和90分位数上政府补贴对企业产能过剩的分位数回归结果，以考察政府补贴对产能过剩不同分位点上影响的差异。可以发现，在产能过剩的90分位数上，政府补贴对企业产能过剩影响的估计系数在10%的水平上不显著；
而在其他分位数上，政府补贴对企业产能过剩影响的估计系数在0.854—1.101之间小幅波动，至少在5%的统计性水平上显著。这反映出，政府补贴对企业产能过剩的影响并非受到严重的内生性的干扰而使得总体的回归系数被高估，证明了本文结果的稳健性。
其次，产能过剩在空间上分布是不均的，在产能过剩问题较为严重的地区，往往因为产能过剩的企业能够给地方政府创造税收收入，缓解区域内的就业压力，地方政府倾向于向产能过剩的企业伸出援手，给予这些企业更多的政府补贴，缓解他们的资金困难，以防破产退出市场。也就是说，产能过剩的企业往往接受更高额的政府补贴，若这种情况存在，政府补贴和产能过剩则存在反向关系，导致内生性问题。为了减轻这种内生性的影响，本文参考宋凌云和王贤彬（2013）的做法，构造弱内生子样本，依次排除了产能过剩较为严重的东北、西部和中部地区的样本，重新进行回归，来验证本文主要结论的稳健性。在表4第（6）—（8）列中，分别汇报了依次排除东北、西部和中部地区样本后政府补贴对企业产能过剩的回归结果。可以看到，在排除了东北地区、西部地区后，政府补贴的边际影响依然保持1%的显著性水平，系数大小也未发生较大的变化。仅含东部样本时，在第（8）列的估计系数下降到0.810，政府补贴对产能过剩的影响在东部地区稍弱，显著性也有所降低，在10%的统计性水平上显著。
再次，传统产能过剩行业可能是地方政府为了保证本地的经济增长，从而持续提供隐性担保、输送利益的主要对象。因此，与排除产能过剩地区的思路相同，本文进一步排除被工信部等部门重点关注的典型产能过剩行业样本，通过构造相对弱内生性子样本的方式来验证本文结果的稳健性。结果如表4第（9）列所示，排除了典型产能过剩行业的样本后，的估计系数大小和显著性与全样本回归基本一致，这反映出未被重点关注的行业产能过剩水平受政府补贴的影响依然很大，在去产能进程中同样不能忽视对其他行业产能过剩问题的治理。
表4 稳健性检验
续表
最后，我们选取按省份—行业计算的企业收到的政府补贴均值作为工具变量，试图减轻政府补贴潜在的内生性问题。政府补贴的发放受制于地方财政能力和产业政策导向，企业收到的政府补贴与省份—行业均值具有较大的相关性。然而，政府补贴省份—行业均值与企业层面不可观测的影响产能过剩的因素却不相关，这意味着处于同一个省份和行业企业的政府补贴平均水平并不会直接影响单个企业的产能过剩水平。因此，政府补贴省份—行业均值，基本满足工具变量相关性和外生性的要求，是政府补贴有效的工具变量。表5汇报了使用两阶段最小二乘法（2SLS）回归结果。第（1）列为第一阶段的结果，政府补贴省份—行业均值（）与政府补贴（）显著正相关，同时Cragg-Donald Wald检验在1%显著性水平上拒绝了弱工具变量的假设，证实了工具变量的相关性。第（2）列为使用工具变量后的估计结果，政府补贴对企业产能过剩的影响仍然为正，估计系数为0.876，在10%水平上显著。这些结果表明，即便考虑了政府补贴的内生性问题后，本文的基本结论仍保持不变，即政府补贴提高了企业产能过剩水平。
表5 2SLS回归结果
（四）异质性分析
国有企业与政府之间存在天然的“血缘”关系，政府更倾向于为国有企业提供更多的政策和资源支持。这就直接导致国有企业在许多方面与非国有企业存在截然不同的表现，产能过剩水平对政府补贴的敏感性也有所差异。表6第（1）（2）列汇报了按照产权性质把上市公司分为国有企业和非国有企业子样本的回归结果。不难发现，在国有企业样本中，政府补贴的估计系数为1.047且在5%统计性水平上显著，而非国有企业样本中，政府补贴的估计系数下降到0.594，在10%的统计性水平上不显著。从统计显著性和经济重要性两方面，政府补贴对产能过剩的影响在产权性质不同的企业中都存在较大的差异。上述结果表明，相较于非国有企业，国有企业对政府补贴的反应更为敏感。政府补贴显著地拉大了国有企业安装产能和理论最优产能的差距，是国有企业产能过剩问题形成和不断加剧不可忽视的重要力量。
2. 企业规模
大企业一般为资本密集型企业，对投资、GDP和税收收入的拉动作用更大，往往更容易获得来自地方政府政策上的倾斜。而小企业则刚好相反，一般为劳动密集型企业，对投资、GDP和税收的贡献较小，难以获得地方政府的青睐（李永友，2010；
王文甫等，2014）。在面对政府补贴冲击时，规模不同的企业的反应程度也会有所差异。为了探寻不同规模企业间政府补贴对企业产能过剩的影响作用是否存在显著的差异，我们按照企业规模的中位数划分为大企业和中小企业进行分样本检验。表6第（3）（4）列汇报了回归的结果。可以发现，在大企业样本中，政府补贴的估计系数为1.664，在1%的统计性水平上显著。而在中小企业样本中，政府补贴的系数为0.831，仅在10%的统计性水平上显著。政府补贴对大企业的产能过剩的正向推动作用更为明显。这个结果表明，规模越大的企业，产能过剩的问题在政府补贴的刺激下会愈发严重，地方政府提供的高额补贴是大企业出现产能过剩问题的重要根源。
3. 市场化水平
市场化程度越低的地区，其市场配置资源的效率则较低，地方政府也越容易在关键性资源上占据主导性地位，从而对辖区内的企业进行干预。处于市场化程度较低地区的企业，在接受政府补贴后产能过剩水平会具有更大幅度的上升。基于此，我们选取王小鲁等（2016）发布的市场化指数中的市场化总指数来度量企业所在地区市场化水平，得分越高代表该省份市场化水平越高，并以年度市场化水平的中位数来区分市场化水平高和市场化水平低的两个子样本，考察政府补贴对企业产能过剩影响效应的异质性。表6中第（5）（6）列汇报了不同市场化水平地区政府补贴对企业产能过剩影响的差异。在市场化水平较高的地区，政府补贴的估计系数为0.622，但在统计上并不显著，而在市场化水平较低的地区，政府补贴对企业产能过剩的边际影响为1.057且在5%的统计性水平上显著。政府补贴的估计系数和显著性水平在市场化水平不同的地区存在较大的差异。这个结果也表明，产能过剩问题在一定程度上源自市场化改革的滞后，市场基础性资源配置功能是化解产能过剩的重要力量，市场化去过剩产能也是我国经济转型和产业升级的必由之路。
表6 异质性分析
续表
在前文的理论分析中，政府补贴通过企业过度投资和产品市场竞争两个机制，改变安装产能和理论最优产能之间的差距，从而对企业的产能过剩水平产生影响。在此部分，我们将从实证上对上述两个影响机制进行验证。
（一）过度投资
过度投资是我国产能过剩问题形成的最重要的因素之一（韩国高等，2011）。政府补贴为企业提供了更多的自由现金流，缓解了企业的内源融资约束，降低了企业投资成本，容易出现过度投资从而引发产能过剩问题。因此需要从实证上来检验，政府补贴是否能够诱导企业进行低效率的过度投资、盲目扩张安装产能。
表7的第（1）列为过度投资对政府补贴的全样本回归结果。结果表明，的估计系数为0.216且在5%的统计性水平上显著为正，表明政府补贴对企业过度投资行为具有明显的促进效应。这个结果意味着，出于扶持目的的政府补贴最终引致企业投资超过合意投资水平，并伴随着大量低效率的投资，导致产能投资不断增加，以及企业调整产能决策的弹性进一步下降，最终扩大了企业安装产能与理论最优产能之间的差距。政府补贴促使企业过度投资的作用机制得到验证。
同时，我们还以“政府补贴/总资产”的中位数为界，区分高政府补贴和低政府补贴的企业子样本，结果在表7第（2）（3）列展示。政府补贴对过度投资的促进作用在高补贴企业中显著，而在低补贴样本中不再显著。政府给予企业适量的补贴并不会直接导致企业产生过度投资，而过量补贴将会引发企业过度投资。此外，我们将计算过度投资指标的预期投资模型中作为企业增长机会的代理变量的托宾Q替换成市值账面比，重新计算过度投资指标，结果并无变化，说明结论是稳健的。
（二）市场份额扩张
企业在行业内拥有的市场份额是影响企业最优产能的关键性因素。当企业市场份额上升时，意味着企业可以持有更多数量的产能以满足市场需求，对应的理论最优产能则会上升；
而当企业市场份额下降时，意味着企业需要收缩产能以降低成本，对应的理论最优产能则会下降。因此，参考魏志华和朱彩云（2019）的方法，以企业“营业收入占所在行业内所有企业的营业收入总和之比”衡量企业的市场份额，来检验政府补贴是否有助于企业产品市场竞争，扩大企业市场份额，从而缩小安装产能和理论最优产能之间的差距，化解企业产能过剩。
表7的第（4）列为市场份额对政府补贴的回归结果。的估计系数为0.345，在5%的统计性水平上显著为正，政府补贴占总资产的比例每上升1个百分点，企业拥有行业的份额会提高0.345个百分点。政府补贴能够显著扩大企业市场份额，帮助企业建立起产品市场竞争优势，更有助于消化库存、化解过剩产能。政府补贴帮助企业扩大企业份额的作用机制也得到验证。
同样地，我们也区分了高政府补贴和低政府补贴的企业子样本，回归结果在表7第（5）（6）列汇报。结果显示，政府补贴对企业市场份额的提升作用在高补贴企业中显著，而在低补贴企业中并不显著。这意味着，高额的政府补贴能够有效帮助企业参与产品市场竞争，扩大企业的市场份额，而低额政府补贴并不能在企业提升市场优势方面起到扶持作用。为了确保结果的稳健性，使用“营业收入占行业内所有企业的营业收入之和之比”替代“营业总收入占行业内所有企业的营业总收入之和之比”作为衡量企业拥有的市场份额的指标，重新进行回归，结果并没有发生本质上的改变。
表7 政府补贴与产能过剩：机制检验
我国产能过剩问题给企业和宏观经济带来了持续的困扰，大量积压库存抬升企业成本，造成大量资源闲置，影响资源合理有效配置。在2020年新冠肺炎疫情冲击下，全球经济需求低迷不振，产能过剩的老问题又面临着新挑战。在这样的背景下，深入探索产能过剩形成的根源、化解中国式产能过剩矛盾至关重要。
本文使用2007—2018年中国制造业A股上市公司的数据，从政府干预行为的角度解释了企业产能过剩的形成。首先，本文借鉴Aretz & Pope（2018）的思路，计算出更能反映出企业实际经营中的产能过剩情况的指标，其次，在得到企业层面产能过剩指标的基础上展开实证分析，结果表明，政府对上市公司的补贴显著地提高了企业产能过剩水平，并且这种正向作用在国有企业、大规模企业和市场化程度较低地区体现得更为明显。最后，本文还识别出过度投资和产品市场竞争是政府补贴影响企业产能过剩的两个机制，政府补贴一方面推动企业增加投资，安装更多的产能，另一方面帮助企业形成价格优势，扩大市场份额，促使企业理论最优产能上升。前者占主导地位，导致安装产能和理论最优产能之间的差距扩大，政府补贴最终加剧了企业产能过剩。
本文的结论具有十分重要的政策内涵。首先，国家应进一步推动财税体制改革，完善财政补贴事前审查和事后监督机制，动态优化补贴策略，减少补贴过程中存在的逆向选择和道德风险问题，引导企业合理利用财政补贴、优化资源配置，防止补贴资源错配和激励严重错位。同时，推进市场化改革，充分发挥市场机制以通过优胜劣汰推动落后产能淘汰（马红旗和申广军，2021），并充分结合各地区自身情况，加快实施以环境和技术标准淘汰落后产能退出方案。另外，在产能过剩问题的治理中需要注意的是，尽管供给侧改革采用多种手段进行调控并且取得了一定的成效，但不容忽视的是结构性矛盾和潜在的产能过剩风险。最后，在当前新冠肺炎疫情十分严峻的背景下，全球经济面临极大的不确定性、外部需求迅速下降，势必会增加进出口企业产能过剩的风险，对我国制造业的发展构成巨大挑战。需要坚定不移地进一步深化供给侧改革，以应对可能到来的新一轮大规模的产能过剩。
此外，本文的研究还存在一些不足之处，具体表现在：第一，本文中的政府补贴是一种综合性质的补贴，目前缺乏政府补贴分类的数据，无法具体区分各类补贴对企业产能过剩的影响；
第二，虽然本文使用了多种实证策略尽可能地缓解潜在的内生性问题，但这并不能从根本上解决这一问题。因此，以上问题留作未来进一步研究的方向。
