固定資產加速折舊新政對制造業企業全要素生產率的影響
——基于雙重差分模型的實證研究

劉偉江，呂鐲

(吉林大學數量經濟研究中心，吉林長春，130012)

一、引言

固定資產加速折舊政策作為一項有力的結構性減稅政策，首先于1981年在外資企業實行，隨后于1989年在股份制試點企業中實行，到1993年7月推廣到所有企業，折舊方法不僅有直線折舊法，還有了余額遞減法、年數總和法等。雖然我國加速折舊方法開始實行時間遠遠落后于美國、日本等國家，但這些年我國一直在不斷改進這一政策，主要有2009年國家稅務總局發布的《關于企業固定資產加速折舊所得稅處理有關問題的通知》，2012年財政部國家稅務總局還頒布了相關文件激勵軟件和集成電路行業的發展。為了應對新常態時期我國經濟出現的不良問題，2014年我國又出臺了《關于完善固定資產加速折舊企業所得稅的通知》，在此我們稱之為固定資產加速折舊新政。新政規定2014年1月1日后購進的固定資產在專用設備制造業，鐵路、船舶、航空航天和其他運輸設備制造業，計算機、通信和其他電子設備制造業，儀器儀表制造業，信息傳輸、軟件和信息技術服務業等六大行業范圍內可以縮短折舊年限或加速計提。2015年此新政的實施范圍又擴大到了其他領域，主要有輕工、紡織、機械和汽車。此外，這次新政還明確提出了研發設備和小型微利企業的固定資產加速折舊稅收優惠方案，以此激勵企業積極進行研發活動，并在一定程度上鼓勵了小微企業的發展。

理論上而言，固定資產加速折舊政策可以通過以下兩個方面影響制造業企業的全要素生產率：第一，固定資產加速折舊政策的逐步實施能夠直接促進制造業企業老舊設備淘汰，新設備、新工藝引進，進而實現技術和產品創新，提高全要素生產率水平；第二，固定資產加速折舊政策能增加企業近期現金流，緩解融資約束，優化企業投資和資產配置，進而影響全要素生產率水平。然而，據我們統計，從2014年政府頒布固定資產加速折舊新政相關文件開始，截至 2016年，上市公司制造業中實行固定資產加速折舊新政的企業仍占少數，2014年總計 16家，2015年總計 29家，2016年總計38家。那么，如果固定資產加速折舊新政能夠給企業帶來收益，除上述企業外的大部分企業為何不在 2014—2016這三年開始實行此新政呢？這次的固定資產加速折舊新政又是否真的能提高制造業企業全要素生產率呢？這些問題對于新常態時期淘汰過剩產能、阻止經濟持續下滑有著重要意義。

為此，本文利用2011—2016年中國上市公司制造業企業數據，使用雙重差分法定量分析了固定資產加速折舊新政對制造業企業全要素生產率的影響。與現有研究比較，有以下幾個不同：首先，在研究視角上，定量研究了固定資產加速折舊新政對制造業企業全要素生產率的影響；其次，在研究方法上，不僅利用ACF法和 Luenberger法[1?4]分別測度了制造業企業的靜態全要素生產率和動態全要素生產率，還利用準自然實驗下的雙重差分方法率先定量檢驗了固定資產加速折舊新政對制造業企業全要素生產率的影響，較好地解決了內生性問題。

二、文獻回顧與影響機理

(一) 文獻回顧

圍繞本文研究主題——固定資產加速折舊對全要素生產率的影響，現有文獻主要分為兩類：一類是影響全要素生產率的政策因素；二是固定資產加速折舊政策的效應。

1. 影響全要素生產率的政策因素

Moran和 Queralto[5]使用具有內生全要素生產率的新凱恩斯模型來量化貨幣政策在零利率下限下的全要素生產率損失。該模型表明零利率下限造成的全要素生產率損失顯著。Bernini等[6]研究了補貼對意大利企業TFP及其不同組成部分的影響。結果表明，資本補貼短期內對全要素生產率具有負向影響，僅僅在3～4年后才會出現正向影響的信號，且這種中長期的正向影響是通過技術改革而不是通過規模變化來實現的。Everaert[7]研究了經合組織國家在 1970—2012年期間財政政策對全要素生產率的直接與間接影響。結果表明，通過直接渠道，預算赤字會降低全要素生產率。生產性轉移支出對全要素生產率具有積極影響，而社會性轉移支出會降低全要素生產率。通過間接渠道，一國獲得全球技術的積極影響來自于公司法定稅率和貿易壁壘的減少。Hussain[8]研究了稅收政策變化對全要素生產率的影響。VAR估計和DSGE校準模型均表明，稅收增加對TFP有負向影響，但DSGE模型所得影響效果大大低于VAR估計。李駿等[9]研究了產業政策、市場競爭與全要素生產率的關系，研究表明，產業政策若在行業層面更加強調競爭，在行業內部更加強調公平，有利于全要素生產率的增長。

2. 固定資產加速折舊政策的效應

與固定資產加速折舊政策在國外實行較早相比，我國的加速折舊政策起步較晚，但距離開始實行時也已經歷了許多變化和發展，該政策的實施效果也一直備受國內外學者的關注，其相關研究主要集中于對投資、創新的影響上。Zwick and Mahon、House and Shapiro、黃志斌等[10?12]研究了加速折舊政策對投資的影響；Koowattanatianchai and Charles[13]研究了固定資產加速折舊政策對創新的影響。此外，Shrimali et al[14]研究了加速折舊和發電激勵政策對印度發電廠的影響，結果表明，從部署和成本角度看，加速折舊似乎更為有效，而在激勵發電方面，發電激勵政策更為有效。唐飛鵬[15]研究了固定資產新政在東莞制造業的實施效果。Wielhouwer and Wiersma[16]將2009—2011年經濟危機期間荷蘭的自由納稅折舊政策引入到模型中進行研究，結果表明自由納稅折舊政策導致面臨最高邊際稅率的公司進行更高的投資。進一步研究表明，允許企業推遲或者加速折舊，即自由納稅折舊能夠刺激企業投資。

基于以往文獻，發現在有關全要素生產率的政策因素影響研究中，目前尚未有固定資產加速折舊新政對其的影響研究；有關固定資產加速折舊政策的研究大多集中于對企業投資、創新的影響上；研究固定資產加速折舊新政與全要素生產率關系的文章十分少。制造業是我國經濟的重要組成部分，全要素生產率是轉型期供給側結構性改革推動經濟發展的重要指標，固定資產加速折舊政策對制造業全要素生產率的影響關系著我國新常態時期的整個經濟發展，因此，研究二者的關系具有重要的意義。

(二) 影響機理

由于全要素生產率可分為當期的靜態全要素生產率和不同時期的動態全要素生產率，因此，固定資產加速折舊政策對全要素生產率的影響效應可分為靜態效應和動態效應兩方面。為此，我們從兩個方面展開固定資產加速折舊政策對制造業企業全要素生產率影響的理論分析。一方面，從靜態效應成因角度，固定資產加速折舊政策主要通過釋放現金流以緩解融資約束，進而影響制造業企業的靜態全要素生產率；另一方面，從動態效應成因角度，固定資產加速折舊政策旨在鼓勵制造業企業更新老舊設備以激發企業創新，促進企業重新分配資源以實現資源的優化配置，進而影響制造業企業的全要素生產率。接下來，我們具體從兩個方面三個角度來分析固定資產加速折舊政策是如何影響制造業企業的全要素生產率的。

1. 靜態效應成因分析：固定資產加速折舊政策與融資約束

從融資約束的視角來分析固定資產加速折舊政策對制造業企業靜態全要素生產率的影響。一種觀點認為，加速折舊緩解了融資約束，進而提高了靜態全要素生產率水平。這主要是由以下原因造成的：一方面，固定資產加速折舊政策降低了企業稅負，緩解了企業融資約束，增加了企業的可流動資金，有利于進行最優投資，實現資源的優化配置進而提高了靜態全要素生產率水平；另一方面，固定資產加速折舊政策改善了企業對未來的預期，進而提高靜態全要素生產率水平?？紤]非加速折舊政策下，投資者面臨著所得稅的繳納，可能會出于保護自身不受風險和不確定性影響的目的，而不進行或延緩投資計劃，進而影響最優投資和全要素生產率水平。固定資產加速折舊政策可以降低這種風險，無論一個企業是處于上升期，還是下降期或是不變期，加速折舊均會使得企業的決策者對未來預期投資上升，這是因為加速折舊期完成后，預期收入的增加提高了每個投資單位稅后預期未來收入。

然而，另一種觀點則認為，加速折舊政策并未能緩解融資約束，因此并不能提高制造業企業靜態全要素生產率水平。這主要是由以下兩方面原因引起的：一方面，加速折舊雖然可以延遲稅收支付，但是這種無息貸款在給定資產的生命周期內遲早要重新支付，甚至考慮到通脹等因素將提高總的稅收支付額，所以這個“貸款”將不是完全免息的，一些企業意識到這些后勢必會重新評估投資決策，造成最佳投資時間的延誤，進而影響靜態全要素生產率水平。另一方面，加速折舊可能提高資本價格，特別是資本貨物的價格，進而降低資本的邊際效率和靜態全要素生產率水平。如果加速折舊適用于整個經濟體系，每家企業都實行加速折舊，并用節省下來的稅收費用進行資本或設備的購置，勢必會提高資本的價格進而影響資本的邊際效率和靜態全要素生產率水平。企業不久也將會發現資產價格的提高會抵消掉減稅部分帶來的收益，進而放棄資本投資或新設備購買，固定資產加速折舊政策帶來的正向效應也會消失。

上述是固定資產加速折舊政策對制造業企業全要素生產率影響的一般性特征，由此，固定資產加速折舊新政對制造業企業的靜態全要素生產率也具有上述影響路徑，基于此，我們提出以下兩個對立假設：

假設 1：固定資產加速折舊新政提高了制造業企業的靜態全要素生產率。

假設 2：固定資產加速折舊新政并未提高制造業企業的靜態全要素生產率。

2. 動態效應成因分析：固定資產加速折舊政策與技術進步、資源配置

動態全要素生產率的增長主要包括技術進步變動和資源配置效率變動等。接下來，我們從技術進步和資源配置效率兩方面來考慮固定資產加速折舊政策對制造業企業動態全要素生產率的影響。首先，從技術進步的視角來分析固定資產加速折舊政策對動態全要素生產率的影響。與其它形式的稅收優惠政策不同，固定資產加速折舊政策對技術進步的作用更為直接，這主要是因為固定資產加速折舊政策直接引起的就是老舊設備淘汰、新設備新工藝的引進，直接帶來技術的進步。然而，Adkins和Paxson[17]研究表明固定資產加速折舊政策不一定能夠促進設備更新，設備更新主要依賴于設備(或資產)的年齡。Koowattanatianchai等[18]研究也表明，固定資產加速折舊政策將會減少鐵路運輸設備的最佳更新周期。此外，固定資產加速折舊政策在淘汰老舊設備的同時未必會引進新設備，也可能將資金用作他處，對技術進步不起作用，也并不一定提高動態全要素生產率。

其次，從資源配置的角度來分析固定資產加速折舊政策對動態全要素生產率的影響。稅收優惠政策大多都能起到重新配置資源的作用，固定資產加速折舊政策也不例外。實行固定資產加速折舊優惠政策的企業比未實行的企業在折舊年限初期擁有更多的內部資金，這種稅收優惠政策也實現了政府將資源在企業間的重新配置功能。若企業內源資金稀缺，外部融資約束十分困難，此時的內部資金釋放會給其帶去更多的現金流，促使其進行有利于動態全要素生產率提高的各種行為。然而，雖然固定資產加速折舊政策減少了企業融資投資對外部資金的依賴，但也降低了市場對資源配置的影響，即削弱了通過市場競爭激勵先進、鞭笞落后的優勝劣汰機制，進而抑制了企業動態全要素生產率水平的提高。因此，固定資產加速折舊政策能否通過調節資源配置促進動態全要素生產率的提高仍有待考查。

同上述靜態效應成因分析類似，此處的影響機理也適用于此次的固定資產加速折舊新政?；诖?，我們提出以下兩個對立假設：

假設 3：固定資產加速折舊新政提高了制造業企業的動態全要素生產率。

假設 4：固定資產加速折舊新政并未提高制造業企業的動態全要素生產率。

三、數據與核心指標的測度

(一) 數據來源與處理

本文使用的數據來源于 Wind數據庫上市公司制造業企業數據，選取的研究對象為2011—2016年的制造業企業。本文對數據進行了如下處理：①刪除ST，*ST企業；②刪除錯誤數據；③以2011年為基期，對數據進行平減；④挑選出2014年后進行固定資產加速折舊新政的制造業五大行業與 2015年開始實施政策的四大領域企業，然后對這些企業的年報進行逐一篩選，判斷這些企業是否實行了固定資產加速折舊新政。查找結果顯示，2014年總計 16家、2015年總計 29家、2016年總計38家企業進行了固定資產加速折舊新政，我們將這些企業記為處理組，其余企業記為控制組。由于 ACF法測算需要滯后期變量，故只能測算出2012—2016年靜態全要素生產率，最終ACF法測得靜態全要素生產率的觀測值為 7 186個，Luenberger法測得動態全要素生產率的觀測值為6 574個。

(二) 核心指標測度

1. 靜態全要素生產率測度方法

本文要考察的是微觀企業層面的靜態全要素生產率，目前測量企業層面的靜態全要素生產率的方法主要有非參數方法的DEA法[3?4]，參數法的SFA法[19?20]及半參數法的 OP、LP、ACF法[1?2]。我們采用 ACF法對靜態全要素生產率進行測量。具體的推導證明過程本文在此就不再贅述，可參見相關學者的研究。

2. 動態全要素生產率測度方法

全要素生產率增長即動態全要素生產率的測度方法，主要有確定性邊界法[3?4]、隨機邊界法[19?20]及動態OP分解法[21]。由于后面要將動態全要素生產率作為被解釋變量進行回歸，并要將其分解出技術進步變動和資源配置效率變動，進而考察固定資產加速折舊新政對動態全要素生產率的影響路徑，因此我們采用衡量確定性邊界生產函數的盧恩伯格法(Luenberger法)來測度動態全要素生產率。Luenberger法由Chambers et al[4]提出，具體的推導證明過程本文在此就不贅述，可參見這幾位學者的相關研究。本文Luenberger法動態全要素生產率的測算由 MAXDEA軟件實現，在測得動態全要素生產率的情況下，我們還利用MAXDEA軟件將動態全要素生產率分解為技術進步變動、規模效率(或資源配置效率)變動和純技術效率變動三部分，便于后面動態效應分析。

(三) 全要素生產率測算及分解

1. 靜態與動態全要素生產率測算

本部分使用ACF法測算靜態全要素生產率，使用Luenberger法測算動態全要素生產率。利用Stata12和MAXDEA軟件，我們測算了2012—2016年7 186個觀測樣本的靜態全要素生產率和6 574個觀測樣本的動態全要素生產率，限于篇幅，只列出了處理組與控制組各年均值，如表1所示。從表1中，我們可以看出，無論是處理組還是控制組，2014年及之后的靜態生產率均大于2012年和2013年，因此，單從統計描述還無法判斷固定資產加速折舊新政對靜態全要素生產率的影響，同理，固定資產加速折舊新政對動態全要素生產率的影響也需經過后續雙重差分法的檢驗來加以判斷。此外，觀察2012—2016年全要素生產率的走勢，我們可以看出無論是靜態全要素生產率還是動態全要素生產率大致均呈現先上升后下降的趨勢，這可能是因為我國今年開始進入新常態時期，經濟增速從高速變到中高速。

表1 靜態和動態全要素生產率年均值：2012—2016年

2. 動態全要素生產率分解

考慮到固定資產加速折舊新政會通過技術進步和資源配置效率渠道來影響動態全要素生產率，我們還用MAXDEA軟件對動態全要素生產率進行了分解，表2為Luenberger法測得的2012—2016年處理組和控制組動態全要素生產率分解后年均值。同樣地，我們也無法從處理組和控制組兩組數據中判斷出固定資產加速折舊新政對動態全要素生產率分解項的影響，后面部分將會繼續分析這一影響機制的具體結果。此外，觀察各分解項2012—2016年變動趨勢，我們可以發現技術進步變動(tech)、規模效率變動(scale)、純技術效率變動(pec)走勢較為復雜，沒有明顯規律，但可看出技術進步相較規模效率與純技術效率而言，占動態全要素生產率份額最大。

四、固定資產加速折舊新政對全要素生產率影響結果實證分析

(一) 基準模型設定與估計結果

為了有效地識別固定資產加速折舊新政對全要素生產率的影響，我們引入了準自然實驗進行研究，把實行固定資產加速折舊新政作為一次準自然實驗，將制造業企業劃分為實行固定資產加速折舊新政與未實行固定資產加速折舊新政兩種類型，其中，將實行固定資產加速折舊新政的企業記為處理組，未實行固定資產加速折舊新政的企業記為控制組，進而構造如下雙重差分模型：

其中，下標i表示企業，t表示年份。treated為分組虛擬變量，取1時表示實行固定資產加速折舊新政的企業，即處理組；取0時表示未實行固定資產加速折舊新政的企業，即對照組。t為時間虛擬變量，其中2014年及之后的年份取值為1，2014年之前的年份取值為0。根據全要素生產率狀態的不同，被解釋變量分別為靜態全要素生產率(ACFTFP)、動態全要素生產率(DEATFP)。為了更有效地識別加速折舊新政對全要素生產率的影響，我們還加入了控制變量Xit，主要有以下四類控制變量：第一類控制變量為代表企業自身特性的控制變量，有企業年齡對數(lnage)，用觀測年度與企業成立時間差的對數來衡量；企業規模(size)，用企業總資產的對數來衡量；勞動力質量(lnwage)，用企業應付職工薪酬的對數來衡量；員工人數對數(lnl)，用企業員工人數對數衡量。第二類控制變量為表示企業融資約束程度的變量，有資產負債率(lev)，用企業總負債與企業總資產比來衡量；現金流(cash)，期初現金及現金等價物與總資產比來衡量；企業盈利能力(roe)，用企業利潤總額與營業總收入比來衡量。第三類控制變量為表示其他政策的，主要有財政補貼(sub)，用企業受補貼金額與營業總收入比來衡量；增值稅率(taxaddrate)，用企業應交增值稅與營業收入比來衡量；所得稅率(incometaxrate)，用企業應交所得稅與營業總收入比來衡量。第四類變量為產業層面的影響因素，為赫芬達爾指數(hhi)，來衡量各產業集中度對全要素生產率的影響。此外我們還控制了行業uj、地區uk及所有制，其中行業虛擬變量根據證監會行業代碼分類生成，地區虛擬變量包含東部、中部、西部和東北四個區域，所有制虛擬變量包括國有、民營、外資及其他企業。

表3中，列(1)(2)是沒有加入控制變量的雙重差分回歸結果，列(3)(4)是加入其他控制變量并控制了行業、地區和所有制的結果。可以發現，在不加入控制變量時，固定資產加速折舊新政使得靜態全要素生產率提高了5.4個百分點，確定性邊界下的動態全要素生產率降低了0.9個百分點，并且統計上均不顯著。加入控制變量后，結果顯示固定資產加速折舊新政促進靜態全要素生產率提高了5.8個百分點，動態全要素生產率降低了0.7個百分點，與前兩列相同，在統計上均不顯著。這些結果均表明，固定資產加速折舊新政并未顯著提高靜態和動態全要素生產率水平，驗證了假設2和假設4。

表2 Luenberger法動態全要素生產率分解年均值：2012—2016年

(二) 共同趨勢假設檢驗和穩健性檢驗

1. 共同趨勢假設檢驗

“共同趨勢性假設”是應用雙重差分法的關鍵性前提，本文的共同趨勢性假設即沒有固定資產加速折舊新政，五大行業與四大領域企業中實行加速折舊政策的企業與其余企業的全要素生產率變化趨勢應當一致。由于本文新政實行前只有兩期數據，不能從時間趨勢圖來直接判斷處理組與控制組是否具有共同趨勢。且由于一些企業根據2014年前的一些財政政策可能提前預期加速折舊新政的進行，進而對企業行為進行調整，破壞“共同趨勢性假設”。為了避免這一情況的出現，我們加入交互項t1*treated(t1為2013年后數值，取值為1)，檢驗新政預期效應的影響。結果見表4。從表4(1)—(4)列，我們可以看出，t*treated系數仍均不顯著為正，且t1*treated系數均不顯著，表明在政策預期的前提下，加速折舊新政未提高制造業企業的靜態與動態全要素生產率，并沒有造成兩類企業全要素生產率趨勢的顯著差異，符合“共同趨勢假設”。

表3 固定資產加速折舊新政對全要素生產率的影響

表4 雙重差分法的共同趨勢性預期效應檢驗

表5 穩健性檢驗

2. 穩健性檢驗

為了克服固定資產加速折舊新政與全要素生產率可能存在的系統性誤差，降低DID估計存在的偏誤及樣本選擇偏差，本文進一步采用 PSM-DID方法和隨機抽樣方法進行穩健性檢驗。我們經過一般化加速回歸(GBM)后，選擇企業年齡對數、資產負債率、企業規模、勞動力質量、員工人數對數、現金流、赫芬達爾指數來識別企業特征進行PSM匹配，通過Logit模型來估計傾向得分，剔除沒有匹配上的樣本，靜態全要素生產率、動態全要素生產率分別剩余3 229、2 853個樣本，并在此基礎上進行DID分析，估計結果見表5(1)?(2)列。結果表明，固定資產加速折舊新政對制造業企業的全要素生產率沒有顯著的促進作用。此外，由于處理組樣本與控制組樣本數目差距較大，為了克服這一差距帶來的估計誤差，我們對控制組樣本進行了隨機抽樣，使其與控制組樣本數目相同，并在此基礎上進行DID檢驗。結果顯示，固定資產加速折舊新政并未能提高企業的全要素生產率，再一次驗證了本文的假設2和假設4。

此外，考慮到固定資產加速折舊在影響制造業全要素生產率的同時，國家也可能因為制造業技術水平滯后而出臺固定資產加速折舊新政等政策，進而導致解釋變量與隨機擾動項相關，模型產生內生性問題。為了解決這一問題，我們在解釋變量中加入了被解釋變量的滯后一期，以消除模型可能存在的內生性問題。結果見表6。表6中(1)?(4)交叉項系數均不顯著為正，再一次說明固定資產加速折舊新政未能促進制造業全要素生產率的提高。

表6 內生性檢驗

五、固定資產加速折舊新政對全要素生產率影響成因實證分析

從上述分析可以看出，固定資產加速折舊新政對靜態與動態全要素生產率的提高并未產生顯著的促進作用。為了探尋固定資產加速折舊新政對全要素生產率影響結果的原因，根據第二部分的理論分析，我們從靜態效應成因和動態效應成因兩個方面對影響機制進行了實證分析。

(一) 靜態效應成因實證分析

由于固定資產加速折舊政策能夠釋放即期現金流，緩解內源融資約束，因此，通過緩解融資約束渠道來促進靜態全要素生產率提高是固定資產加速折舊新政影響全要素生產率的一個重要渠道，我們對此進行了實證分析。本文借鑒Kaplan and Zingales[22]的研究，根據現金股利與上期資產總計的比值、負債總計與資產總計的比值、現金持有與上期資產總計的比值、托賓Q及經營性凈現金流與上期資產總計的比值五個變量構造KZ指數，來衡量融資約束程度，具體構造過程主要分為四步：首先，根據各構造變量與中位數的大小將各變量轉換為0-1虛擬變量。現金股利與上期資產總計的比值(a1)、負債總計與資產總計的比值(a2)、現金持有與上期資產總計的比值(a3)、托賓Q(a4)及經營性凈現金流與上期資產總計的比值(a5)五個變量構造KZ指數的虛擬變量分別記為b1、b2、b3、b4、b5。當a1大于等于中位數時，b1=0，a1小于中位數時，b1=1；當a2小于等于中位數時，b2=0，a2大于中位數時，b2=1；當a3大于等于中位數時，b3=0，a3小于中位數時，b3=1；當a4小于等于中位數時，b4=0，a4大于中位數時，b4=1；當a5大于等于中位數時，b5=0，a5小于中位數時，b5=1。然后，令kz=b1+b2+b3+b4+b5，并以kz為因變量，a1、a2、a3、a4、a5為自變量進行排序邏輯回歸，得到估計系數分別為?5.625 8、6.411 4、?0.982 5、0.272 5、?11.367 7。由此，得到 KZ指數為：KZ=?5.625 8a1+6.411 4a2?0.982 5a3+0.272 5a4?11.367 7a5。最后，根據KZ指數的第25百分位、50百分位和75百分位將總樣本分成融資約束程度低、融資約束程度較低、融資約束程度中等和融資約束程度高四個子樣本，并對每個子樣本進行雙重差分回歸分析，結果見表7。從表7第(1)列，我們可以看出，固定資產加速折舊新政促進了低融資約束制造業企業靜態全要素生產率的提高，從表7第(2)?(4)列，我們可以看出，固定資產加速折舊新政對較高程度融資約束制造業企業的靜態全要素生產率并未產生顯著促進作用。

表7 不同融資約束程度下固定資產加速折舊新政對靜態全要素生產率的影響

目前此次的固定資產加速折舊新政僅能夠提高四分之一制造業企業的靜態全要素生產率，即低融資約束制造業企業的靜態全要素生產率，對其他更高程度融資約束的四分之三制造業企業靜態全要素生產率并未起到促進作用。這與以下兩方面原因有關：一方面，低融資約束企業資金缺口較本文中的其他高融資約束樣本較小，固定資產加速折舊新政較易彌補，故而提高了其靜態全要素生產率；而受到嚴重融資約束的企業，資金缺口較大，僅僅通過內源資金無法達到彌補資金鏈缺口、各種投資所需資金，固定資產加速折舊新政為企業帶去的可流動資金僅是內源資金的一部分，無法滿足企業資金鏈上所需資金巨大缺口。另一方面，所受較高程度融資約束制造業企業在實行固定資產加速折舊新政后的行為異化也可能使得其靜態全要素生產率得不到提高。一是，這些企業進行惡性投資，進而沒有緩解融資約束，也未起到促進靜態全要素生產率提高的作用。二是，企業可能將固定資產加速折舊新政帶來的資金用于扭轉虧損，未將資金投入到企業的生產、研發中，未能提高企業的靜態全要素生產率。

(二) 動態效應成因實證分析

按照Luenberger法生產率分解，我們將動態全要素生產率分解為技術進步變動、規模效率變動(資源配置效率變動)和純技術效率變動三部分。每一分解項均可以推動全要素生產率的變動，尤其是技術進步和資源配置效率(或規模效率)的變動。我們分別以這三個分解項為被解釋變量，進行了雙重差分回歸，回歸結果見表8。表8(1)?(3)列為動態生產率分解項，分別為技術進步(tech)、資源配置效率或規模效率(scale)及純技術效率(pec)。從表8，我們發現固定資產加速折舊新政對制造業企業技術進步變動、資源配置效率(或規模效率)變動及純技術效率變動并未起到顯著促進作用。

表8 固定資產加速折舊新政的動態效應成因實證分析

固定資產加速折舊政策主要是通過促進制造業企業淘汰舊設備，更換新設備，引進新工藝、新技術，從而來實現技術進步，提高動態全要素生產率的。然而，固定資產加速折舊新政目前并未實現新設備的引進與研發，這與設備年齡及市場環境有關，這一結論與 Adkins and Paxson、Koowattanatianchai et al[17?18]的研究一致。固定資產加速折舊新政通過將未實行此政策的制造業企業的資源分配到實現此政策的制造業企業來實現其資源配置作用，然而，實行固定資產加速折舊新政的制造業企業未必是高效企業，未實行此政策的制造業企業可能是高效企業，由于目前實行此政策的企業所占比例較少，大量高效企業出于種種原因并未實行該項政策，因此，固定資產加速折舊新政的資源配置并未將資源從低效企業流動到高效企業，并未能夠通過提高資源配置效率來促進動態全要素生產率的提高。

六、結論與政策建議

作為結構性改革的一項重要稅收措施，固定資產加速折舊新政對制造業企業全要素生產率的影響與新常態時期經濟穩定增長有著密切聯系。本文利用上市公司制造業企業數據，首先運用ACF法和Luenberger法測量了靜態和動態全要素生產率并將動態全要素生產率分解為技術進步變動、資源配置效率(或規模效率)變動及純技術效率變動，然后運用雙重差分法對固定資產加速折舊新政與全要素生產率間關系進行了研究。研究發現：①靜態效應與動態效應實證分析表明，固定資產加速折舊新政并不能促進制造業企業靜態與動態全要素生產率的提高，PSM-DID方法與隨機抽樣方法的進一步檢驗也支持這一結論；②靜態效應成因實證分析表明，固定資產加速折舊新政促進了制造業企業低融資約束企業靜態全要素生產率提高，對更高程度融資約束的制造業企業則無顯著促進作用；③動態效應成因實證分析表明，固定資產加速折舊新政沒有顯著促進技術進步、提高資源配置效率。

基于以上結論，我們提出以下兩方面的政策建議。首先，結合企業融資約束特征，優化調整固定資產加速折舊新政，實現融資約束差異化政策。對于融資約束程度高的企業，固定資產加速折舊新政尚不能促進其制造業全要素生產率的提高。因此，應更加注重高融資約束企業固定資產加速折舊新政的實行，盡可能為其釋放更多的內源資金，同時做好事后的監督與管理工作，確保資金用于盈利性經濟行為上。對于融資約束程度低的企業，在給其帶去更多內源資金的同時，應著重關注其自主創新能力和資源的合理配置。融資約束程度高的企業可以在鼓勵其實行加速折舊新政的同時，加大其市場競爭性，激發其創新積極性與合理的資源配置。

其次，優化固定資產加速折舊新政設計，著重技術進步提高與資源配置效率改善。新常態時期，經濟增長主要依靠供給側驅動。而全要素生產率是創新(供給側四大要素之一)的重要體現指標，技術進步與資源配置又是全要素生產率的重要組成部分，調整固定資產加速折舊政策、促進企業技術進步的提高與資源配置效率的改善對新常態時期經濟發展具有重要意義。此外，由于我國目前面臨著嚴重的資源環境問題，例如“霧霾”、水污染等，通過調整固定資產加速折舊新政，提高資源配置效率進而改善經濟增長質量，對我國經濟的可持續發展具有良好的促進作用。

參考文獻：

[1]ACKERBERG D A, CAVES K. Structural identification of production functions [J]. Mpra Paper, 2006, 88(453): 411?425.

[2]ACKERBERG D, BENKARD C L, BERRY S, et al.Econometric tools for analyzing market outcomes [J]. Handbook of Econometrics, 2007, 6a(7): 4171?4276.

[3]F?RE R, GROSSKOPF S, LOVELL C A K. Production frontiers[M]. Cambridge University Press, 1994.

[4]CHAMBERS R G, F?RE R, GROSSKOPF S. Productivity growth in APEC countries[J]. Pacific Economic Review, 1996,1(3): 181?190.

[5]MORAN P, QUERALTO A. Innovation, productivity and monetary policy[J]. International Finance Discussion Papers,2017, No. 1217.

[6]BERNINI C, CERQUA A, PELLEGRINI G. Public subsidies,TFP and efficiency: A tale of complex relationships[J]. Research Policy, 2017, 46(4): 751?767.

[7]EVERAERT G, HEYLEN F, SCHOONACKERS R. Fiscal policy and TFP in the OECD: Measuring direct and indirect effects[J]. Empirical Economics, 2015, 49(2): 605?640.

[8]HUSSAIN S M. The contractionary effects of tax shocks on productivity: An empirical and theoretical analysis[J]. Journal of Macroeconomics, 2015(43): 93?107.

[9]李駿, 劉洪偉, 萬君寶. 產業政策對全要素生產率的影響研究——基于競爭性與公平性視角[J]. 產業經濟研究, 2017(4):115?126.

[10]ZWICK E, MAHON J. Tax policy and heterogeneous investment behavior[J]. The American Economic Review, 2017, 107(1):217?248.

[11]HOUSE C, SHAPIRO M D. Temporary investment tax incentives: Theory with evidence from bonus depreciation[J].American Economic Review, 2008, 98(3): 737?768.

[12]黃志斌, 鄭滔, 李紹華. 資本折舊政策對投資影響的區域差異研究——以基礎工業行業為例[J]. 審計與經濟研究,2014(2): 58?66.

[13]KOOWATTANATIANCHAI N, CHARLES M B. A mixed methods approach to studying asset replacement decisions[J].International Journal of Business Innovation and Research, 2015,9(5): 544?567.

[14]SHRIMALI G, PUSARLA S, TRIVEDI S. Did accelerated depreciation result in lower generation efficiencies for wind plants in india: An empirical analysis[J]. Energy Policy, 2017,102: 154?163.

[15]唐飛鵬. 固定資產加速折舊新政在東莞制造業的實施效果研究—基于東莞制造業的調查[J]. 南方經濟, 2017(4): 18?34.

[16]WIELHOUWER J L, WIERSMA E. Investment decisions and depreciation choices under a discretionary tax depreciation rule[J]. European Accounting Review, 2014, 26(3): 1?25.

[17]ADKINS R, PAXSON D. The effect of tax depreciation on the stochastic replacement policy[J]. European Journal of Operational Research, 2013, 229(1): 155?164.

[18]KOOWATTANATIANCHAI N, WANG J, CHARLES M B. The merits of accelerated depreciation for promoting investment in clean transport technologies: A simulation study in the australian rail freight industry[J]. Transportation Research Part D:Transport and Environment, 2012, 17(8): 578?584.

[19]舒伯利·C. 昆伯卡. 隨機邊界分析[M]. 上海: 復旦大學出版社, 2007.

[20]覃家琦, 邵新建. 交叉上市、政府干預與資本配置效率[J]. 經濟研究, 2015(6): 117?130.

[21]MELITZ M J, POLANEC S. Dynamic Olley-Pakes productivity decomposition with entry and exit[J]. The Rand Journal of Economics, 2015, 46(2): 362?375.

[22]KAPLAN S N, ZINGALES L. Do investment-cash flow sensitivities provide useful measures of financing constriants?[J].The Quarterly Journal of Economics, 1997, 112(1): 169?215.