產能過剩影響商業銀行不良貸款率的機制

孫光林　王海軍　艾永芳

摘 要選取2005年到2014年中國31個省級單位面板數據，采用靜態面板和動態面板計量模型，分別從企業存貨規模和產能利用率兩個角度實證考察了產能過剩與不良貸款率的關系。研究結果表明：企業存貨規模變動對商業銀行不良貸款影響顯著為正，產能利用率對商業銀行不良貸款影響顯著為負；由此表明，產能過剩是引起商業銀行不良貸款規模上升的重要原因。據此，建議政府堅定不移的推動去產能步伐，以有效控制產能過剩帶來的金融風險。

關鍵詞產能過剩；存貨增長變動率；產能利用率；不良貸款率

[中圖分類號]F832.4 [文獻標識碼] A [文章編號]1673-0461（2017）03-0090-08

一、引 言

根據銀監會公布的數據，截至2016年三季度，商業銀行不良貸款規模達1.49萬億元，不良貸款率1.76%。而在2011年底，不良貸款余額僅4 000億左右，不良貸款率也才剛剛達到1%，即使不良貸款率上升的如此迅猛，商業銀行不良貸款率仍然被低估。2016年三季度末，商業銀行關注類貸款余額3.48億元，占比4.1%，余額同比增長23.6%，反映了商業銀行不良貸款風險會進一步加大。因此，穆迪國際評級機構預測，隨著貸款輸導率增高而經濟增長緩慢，2016年我國銀行業不良貸款率將持續增加。上海財經大學發表報告預測，2016年我國商銀不良貸款率至少上升1.2%。

國際經驗表明，貸款是否能夠及時、足額回收是影響金融機構能否持續健康發展，以及向企業發放貸款積極性的重要因素。然而，不良貸款率的升高對金融體系的穩定產生嚴重影響。要想整體改善金融風險狀況，降低不良貸款率，提高信貸資金使用效率，關鍵是能夠識別影響不良貸款率的經濟因素。

圍繞不良貸款產生的影響因素，產生了大量理論和實證文獻，相關影響因素被歸納為宏觀經濟、企業性質和政治等方面。宏觀經濟因素主要包括社會消費品零售總額、進出口總額、人均GDP增長率、通貨膨脹、銀行業利潤率、地區市場化程度和法制環境等（謝冰，2009[1]；Erdin？觭，2014[2]； Messai，2013[3]）。企業性質包括國有企業占比、民營股東持股比例和外資持股比例等（譚勁松，2012[4]；張樂等，2016[5]）。政治因素主要包括行政貸款指令、財政補貼和行政干預等（俞喬等，2009[6]）。

近年來，產能過剩逐漸成為學者研究的熱點，產能過剩能否影響不良貸款，對其進行深入探討，具有重大的現實意義。筆者認為，產能過剩與不良貸款之間存在因果關系，主要基于以下原因：第一，產能過剩會直接導致企業存貨增加，產能利用率下降，行業利潤降低，企業效益變差，影響企業的還款能力；第二，地方政府為追求經濟效益，許多商業銀行（特別是地方性商業銀行）貸款和風險控制受地方政府的干預較多，大量貸款進入產能投資領域，當出現產能過剩時，會增大商業銀行信貸資金回收風險；第三，我國商業銀行大都以規模效益型經營模式為主，大規模存貸業務仍是商業銀行收入的主要來源，目前經濟下滑和去產能的大背景下，產能過剩領域貸款潛在風險集中爆發，致使銀行不良貸款規模擴大。

目前國內并沒有相關文獻實證考察產能過剩與不良貸款之間的關系，本文通過理論闡述產能過剩對不良貸款率的影響機理，利用面板數據模型實證研究產能過剩對不良貸款的作用效果。主要在以下方面有所貢獻：第一，本文研究彌補了當前產能過剩與不良貸款之間實證研究的不足；第二，在經濟新常態、去產能的大背景下，本文的研究結論對于降低不良貸款率風險有一定的借鑒意義。

同時，后文結構安排如下：第二部分是產能過剩對不良貸款率的作用機制分析；第三部分是模型設定、變量說明和基本事實描述；第四部分是模型實證結果分析；最后是基于本文研究結論，給出政策建議。

二、產能過剩對不良貸款率的作用機制分析

西方國家通常在經濟周期下行時，出現產能過剩問題，當周期處于谷底時，產能過剩往往也是最嚴重，但我國的產能過剩問題，并不完全是由經濟周期所引起的，有其自身的特征，我國學者根據自己的研究角度給出了不同的解釋。

林毅夫（2004）[7]站在信息不對稱的角度分析企業投資行為，認為企業過多的投資于前景較好的行業，導致投資過度集中，從而形成產能過剩問題，他把這種現象稱為“潮涌現象”。韓國高等（2011）[8]利用企業數據測度產能過剩，認為制造業的固定資產投資是導致產能過剩的重要原因。楊振兵和張誠（2015）[9]則認為產能過剩不能僅僅歸咎于過度和重復投資，盲目追求數量，而不追求質量，導致行業內部的惡性競爭也是產能過剩產生的直接原因。

因此，對于產能過剩如何影響不良貸款率？本文將基于圖1的邏輯關系加以探討。由于地方政府官員在財政激勵和政治激勵的作用下，為了經濟快速發展，以獲得經濟政績，使得地方政府有很強的意愿干預投資和資本資源配置（江飛濤等，2012[10]；干春暉等，2015[11]）。

當前我國資本融資方式相對單一，商業銀行成為企業信貸資金的主要來源渠道，但我國銀行企業制度并不完善，地方政府對金融信貸活動有一定的干涉能力，會基于自身利益影響信貸資源流向產能過剩領域。就地方政府單一行為而言，這種干預行為并未出現嚴重后果，如果把全國這種行為進行匯總，會發現大量雷同項目在同一產業投資，造成產業過度投資和集中發展，最終導致產能過剩問題，致使貸款未按市場有效流動，造成貸款低效錯位使用。

在政績考核制度下，地方官員為了獲得更大的升遷資本，有強烈動機追求GDP的增量，往往采取稅收優惠和財政補貼等措施，祈求獲得更多投資。然而，地方政府為了盡快看到經濟紅利，補貼過多的流向產能投資領域，企業也為了獲得更多的補貼資金，往往采取短視行為，進行低水平的規模擴張，致使產能過剩進一步的加劇。

遭受產能過剩困境的企業會尋求轉行、產能升級和兼并重組，以擺脫經營困境，但產能過剩嚴重的企業大部分無法逃脫被市場淘汰的命運，此時銀行貸款將面對巨大風險。一方面產能過剩會直接導致企業存貨大量積壓，整個行業的利潤空間會下滑，企業的償債能力下降。另一方面產能過剩會導致產能利用率下降，此時不僅起始產能未能飽和利用，當前擴大的產能也被迫閑置，企業的營業收入下降，效益變差，企業總資產周轉率（企業營業收入/企業總資產）下降，增大銀行貸款的潛在風險，當這種風險暴露時，會引起不良貸款率的上升。

因此，根據本文上述分析，提出基本假設1和假設2。

假設1：地方政府一味追求GDP的增量，導致產業過度投資和重復建設，引起嚴重的產能過剩問題，企業存貨規模增加，企業效益變差，還款能力下降，潛在增加商業銀行不良風險，故企業存貨增長變動率與不良貸款率正相關。

假設2：產能過剩導致企業產能利用率下降，企業收入減少，總資產周轉率降低，致使銀行不良貸款率上升，故企業總資產周轉率（測度產能利用率）與不良貸款之間負相關。

三、模型設定、變量說明和基本事實描述

（一）模型設定

1.靜態面板數據模型

本文關注的是產能過剩對不良貸款率的短期影響，所使用的樣本是31個省市①2005年到2014年的年度數據。為了檢驗上文中的基本假設，我們的基本模型采用面板數據固定效應模型：

rateit=a0+a1？駐stockit+β′·Xit+εit （1）

rateit=β0+β1captalit+β′·Xit+vit （2）

其中，μit和vit表示方程的誤差擾動項，包括個體和時間效應，i和t分別表示省份和時間，因變量rateit表示i省份t年份不良貸款率，即當期不良貸款余額占總貸款余額的比值，不良貸款包括次級類貸款、可疑類貸款和損失類貸款；核心解釋變量是企業存貨增長變動率？駐stockit和企業總資產周轉率（測度產能利用率）captalit，其中？駐stockit表示當期規模以上企業存貨增長率與上年增長率的差值。a1和β1是本文重點關注的產能過剩指標的作用效果，β′表示控制變量未知參數矩陣，Xit=（firit，favit，publicit，debtit，finit）為控制變量向量。

2.動態面板數據模型

由于中國金融市場巨大，不良貸款的發生可能較為平緩，往期不良貸款率會對當期產生影響，為了排除這種影響，從而檢驗核心變量系數的穩健性，進一步建立動態面板數據模型：

rateit=a0+γ1rateit-1+γ2rateit-2+a1？駐stockit+β′·Xit+εit

（3）

rateit=a0+γ1rateit-1+γ2rateit-2+a3ln captalit+β′·Xit+εit

（4）

其中，rateit-1和rateit-2分別表示不良貸款率的滯后一期和二期，γ代表不良貸款率滯后期相對應的參數，式（3）和（4）中的控制變量與靜態面板一致，為了更能檢驗核心指標穩健性，把控制變量進行對數處理。

（二）變量說明

1.核心解釋變量

衡量產能過剩的最直接指標是產能利用率和企業存貨水平，一般認為產能利用率低于75%就代表經濟處于嚴重產能過剩狀態（鐘春平、潘黎，2014）[12]。但目前我國尚未正式披露產能利用率相關數據，當前大多學者都嘗試采用不同的計量或統計方法來測度產能利用率，包括成本函數法、對數生產函數的隨機前沿分析模型、微觀基礎的企業投資模型、投入產出法、協整法和生產能力利用率法等等（韓國高等，2011[8]；程俊杰，2015[13]；沈坤榮等，2012[14]；楊振兵和張誠，2015[9]；董敏杰等，2015[15]），但并沒有公認的好的測度方法。紀志宏（2015）[16]根據人民銀行披露的部分行業產能利用率數據，與企業總資產周轉率（營業收入/總資產）對比發現，二者具有很高的相關性，1999年到2014年的數據波動基本一致，因此，本文借鑒紀志宏（2015）[16]的做法，利用企業總資產周轉率作為分析產能利用率變動的間接指標。故本文中，將使用企業存貨增長變動率和總資產周轉率作為產能過剩的衡量指標，考察產能過剩對不良貸款率的作用效果。

2.控制變量

（1）金融發展水平。自從1970年麥金農提出金融發展理論以來，關于金融發展的指標有諸多的見解，廣義的金融發展指標，是利用全部金融資產的總額占當期GDP的比重來衡量，比較狹義的金融發展指標是用當期的存貸款年底余額之和占當期GDP的比重來衡量。在本文的研究中，為了能夠更加細致的得出金融發展對不良貸款率的作用，筆者選擇更為狹義的的指標來表示金融發展水平fir，用當期該省市的年末貸款余額與當期GDP的比值衡量，比值越大，說明該省市就具有越高的金融深化水平，反之越低，用以刻畫金融信貸密度和金融發展深度，衡量企業在銀行部門獲得資金的總體狀況。

（2）金融中介效率。在本文中，定義金融中介效率fae是年末貸款余額與存款余額的比值，衡量金融機構存款轉化成投資的能力，其值介于0和1之間，金融中介效率越接近于1，說明存款轉化成投資的效率越高，反之，則效率越低。

（3）財政支出占GDP比重。20世紀30年代大蕭條，是政府干涉經濟的開端，財政支出作為國家調控宏觀經濟的一種重要措施，能夠直接影響總需求，促進經濟增長。財政支出占GDP的比重，能夠直接看出政府干涉經濟的程度，其值越大，說明政府干涉經濟的程度越深。

（4）金融業產值占GDP的比重。金融業產值的比重衡量金融業發展的相對規模，反映金融業在國民經濟中的地位和金融業發育程度，金融業作為現代服務業的重要組成部分，要推動服務業的發展，金融業的發展備受關注。如果一個省市金融業產值的比重較大，這說明金融業已成為經濟的支柱產業，產能過剩的情況也相對較輕，故本文把金融業產值占GDP的比重作為控制變量。

（5）企業債務總額占GDP的比值。本文使用規模以上企業債務總額占GDP的比重來衡量企業債務的相對規模，由于改革開放很長一段時間，投資成為我國經濟增長的主要推動因素之一，導致我國當前高企業債務率。過高的企業債務率則表明我國企業對債務資金的利用效率偏低。此外，由于我國企業融資方式相對單一，銀行信貸資金是企業獲得外部資金支持的主要方式，儲蓄向投資轉換的過程伴隨著企業債務的上升，故本文引入企業債務總額占GDP的比重作為控制變量之一（見表1）。

（三）基本事實描述

為了能夠使我們初步了解產能過剩與商業銀行不良貸款率直接關系，下面分別畫出企業總資產周轉率、企業存貨變動率與不良貸款率的散點圖。如圖2所示，散點圖擬合線表明企業總資產周轉率與商業不良貸款率負相關。如圖3所示，散點圖擬合線表明企業存貨增長變動率和不良貸款率之間正相關，二者之間均是簡單的線性關系。對此，進一步使用Pearson檢驗檢測總資產周轉率、企業存貨增長變動率和商業銀行不良貸款率之間的關系，檢驗結果表明企業總資產周轉率與商業銀行不良貸款之間系數值為-0.2237，在1%的水平上顯著。企業存貨變動率與不良貸款率之間相關系數值為0.1933，在1%的水平上顯著。進一步驗證了產能過剩和不良貸款率之間的正相關關系。但這只能簡單的說明產能過剩和商業銀行不良貸款率之間的線性關系，為了更確切的得到產能過剩對商業銀行不良貸款率的影響效果，本文將在第四部分分別建立靜態面板和動態面板模型進行實證分析。

四、模型實證結果及其分析

（一）存貨增長變動率與不良貸款率

為了驗證存貨增長變動率對不良貸款率的作用效果的穩健性，本文中采用逐步回歸的方法，依次加入控制變量。在第1步回歸方程中，僅包括存貨增長變動率指標，不加任何控制變量，在第2步回歸方程中加入金融發展水平和金融中介效率兩個控制變量，在第3步回歸方程中，引入全部控制變量，并加入存貨增長變動率和金融發展水平的交互項，在第4步回歸方程中，把存貨增長率和金融發展水平的交互項替換成存貨增長率變動率和金融業產值占GDP比重的交互項。這里需要說明，引入金融發展水平、金融業產值占GDP的比重的交互項作為解釋變量，是為了驗證產能過剩對不良貸款率的作用是否依賴于金融發展水平和金融業發展規模。

本文采用Hausman檢驗判斷模型選擇固定效應還是隨機效應，檢驗結果表明，模型1應該使用隨機效應，模型2、3和4應該使用固定效應。從表2中模型1到4可以看出，存貨增長變動率的系數顯著為正，這說明由于產能過剩導致企業存貨增長率升高，企業效益變差，還款能力下降，最終致使銀行不良貸款率升高。而且在逐步加入控制變量的過程中，存貨增長變動率的系數值并未發生顯著變化，這說明模型結果整體穩健。另外，產能過剩導致不良貸款的變動與金融發展水平、金融業發展整體規模相關，金融發展水平和金融業產值占GDP比重的擴大，可以降低產能過剩對不良貸款率的作用效果。因此，研究假設1得到驗證。

模型2和模型3回歸結果表明，金融中介效率和商業銀行不良貸款率顯著負相關，在5%的水平上顯著，這說明提高金融中介效率，能夠降低不良貸款規模。政府公共支出與商業銀行不良貸款率顯著負相關，在1%的水平上顯著，這說明政府公共支出變動能夠給商業銀行不良貸款帶來積極影響。基于經濟學角度而言，政府增加支出能夠增加社會總需求，刺激經濟社會對勞動的需求量，促使商品價格上漲，提高企業利潤率，改善企業效益，減少企業信貸違約風險，進而能夠積極影響商業銀行不良貸款率。金融業發展規模與商業銀行不良貸款率顯著負相關，在1%的水平上顯著，這說明提高金融業發展水平，能夠降低商業銀行不良貸款規模。

（二）產能利用率與不良貸款率

由于企業總資產周轉率與產能利用率之間僅是近視的波動關系，本文采用企業總資產周轉率作為產能利用率的替代指標，在實證過程中，需要處理好企業總資產周轉率的內生性問題。首先，指標替換不可避免的存在誤差，可能會低估或者高估產能過剩的作用效果，導致回歸出現偏誤。其次，企業總資產周轉率和不良貸款之間可能會存在雙向因果關系，企業總資產周轉率高說明企業的償債能力強，還貸周期短，從而降低銀行不良貸款率，同時不良貸款率的降低會使銀行放松信貸條件限制，企業更易獲得銀行的信貸資金。實證研究需要選取合理的工具變量，克服內生性引致的估計偏誤。

如表3所示，采用逐步回歸的辦法，逐步加入控制變量。在模型1中僅僅采用核心指標，不加入任何控制變量，在模型2中，加入金融發展水平、金融中介效率和財政支出占GDP的比重3個控制變量，在模型3中加入全部控制變量，企業總資產周轉率的整體結果穩健。

同時，Hausman檢驗結果表明，模型1、2和3應該使用固定效應模型。逐步回歸實證結果表明，企業總資產周轉率（測度產能利用率）對商業銀行不良貸款影響顯著為負，回歸結果穩健，但由于模型存在內生性問題，本文進一步使用工具變量法考察。

工具變量法的關鍵是選取合適的工具變量，比較常見的兩種構造工具變量的方法，一是采用內生變量的一階滯后項作為工具變量，二是借鑒Lewbel（1997）[17]和譚宏波（2015）[18]的方法，采用內生變量和均值差的三次方作為工具變量，但這兩種方法都比較粗糙。本文利用城市人均公園綠地面積作為產能過剩的工具變量，產能過剩企業大都集中于第二產業，廠區占地面積相對較大，因此，產能過剩越嚴重的地區人均公園綠地面積越少，而人均公園綠地面積與銀行不良貸款并無直接關系，對于所選工具變量的合理性，模型中將做進一步檢驗。

如表3中，模型4和模型5的結果所示，分別采用面板數據工具變量法和2SLS進行回歸。DWH內生性檢驗表明，在1%的水平上顯著，拒絕外生的原假設，這說明企業總資產周轉率是內生性解釋變量。Cragg-Donald F統計量檢驗值為35.429，大于16.38的臨界值，拒絕弱工具變量的原假設，說明模型中工具變量的選取合理。還需要進一步檢驗工具變量有效性，但當內生變量和工具變量相同時，并無有效的方法對工具變量進行檢驗，我們參照Wooldridge（2002）[19]的方法對工具變量的外生有效性進行了間接檢驗，把兩階段回歸中的第二階段殘差項作為因變量對工具變量進行回歸，實證結果表明工具變量在10%的水平上并不顯著，這說明本文所選的工具變量與殘差項不相關，滿足人均公園綠地面積的“排他性約束條件”。回歸結果表明，企業總資產周轉率的系數顯著為負，再一次說明產能過剩對銀行不良貸款率的正向作用效果，但系數值的絕對值要大于模型1到3的回歸結果，這說明因為內生性問題低估了產能過剩對銀行不良貸款率的影響。因此，研究假設2得到驗證。

（三）穩健性檢驗

動態面板數據模型中，由于存在不良貸款率的滯后項，實證中需要克服內生性問題，Arellano和Bnod（1991）[20]提出使用DIF（差分廣義矩估計）方法，選取被解釋變量的一階差分滯后項的工具變量進行GMM估計。雖然DIF估計差分能夠消除一些不隨時間變化的個體效應，帶來以下好處：一是解決部分遺漏變量引致的內生性問題，二是消除被解釋變量和解釋變量的雙向因果關系導致的估計偏誤。但差分GMM估計也會帶來很多問題：一是如果T較大，會出現較多工具變量，容易出現弱工具變量問題（滯后期越多相關性就越弱），產生偏差。二是如果因變量序列存在一階自相關系數較大，例如接近于1，DIF-GMM方法選擇的工具變量會很弱，特別事件跨度較小時，估計結果會存在嚴重偏誤（譚洪波，2015）[18]，如果被解釋變量的持續性很強，可能不再適用DIF-GMM。Blundell和Bond（1998）[21]提出系統GMM方法（System GMM），將差分GMM和水平GMM結合在一起作為一個系統進行GMM估計，與差分GMM相比，系統GMM可以提高估計的效率，故本文使用系統GMM方法進行穩健性檢驗。

系統GMM的使用不允許殘差項出現二階序列自相關，但可以容忍方程出現一階自相關，還必須通過工具變量的過度識別檢驗。如表4所示，模型1和模型2的二階自相關檢驗表明，模型不存在二階自相關，同時Sargan檢驗結果顯示，模型中不存在過度識別問題，本文使用動態面板模型進行系統GMM估計是有效的。穩健性結果表明，動態面板回歸中存貨增長變動率和企業資本轉換率的系數仍然是顯著的，這進一步的說明產能過剩對銀行不良貸款率的影響為正。

五、結論及政策建議

本文基于2005年到2014年各省市面板數據，利用面板數據模型，分別從企業存貨規模和產能利用率兩個角度實證考察了產能過剩對商業銀行不良貸款率的影響效果。研究結果表明：①產能利用率（企業總資產周轉率測度）對商業銀行不良貸款率的影響顯著為負，企業存貨增長變動率對商業銀行不良貸款率的影響顯著為正，因此，產能過剩是造成不良貸款率升高的重要原因；②產能過剩對商業銀行不良貸款率的影響依賴于金融深化水平和金融業整體發展規模，提高金融深化水平和金融業發展規模能夠降低產能過剩對商業銀行不良貸款率的作用效果；③金融深化水平、金融中介效率、政府財政支出規模占GDP的比重和企業債務規模占GDP的比重對商業銀行不良貸款率的影響顯著為負。

為了防范不良貸款水平的激增導致金融不穩定，根據本文研究結論，基于產能過剩視角給出以下政策建議：第一，國家相關部門應該出臺措施，減少地方政府對銀行信貸的干預，避免資本的不合理流動。第二，監管部門應當關注不同省市間的補貼措施，以防地方政府盲目進行無顯著差異的補貼措施，而引起某一產業的過度投資。第三，建立有序的產能過剩企業退出機制，減少地方政府對產能過剩企業的財政補貼和信貸優惠政策，更要避免信貸輸血扶持“僵尸企業”。第四，擴大不良資產證券化試點規模。當前我國商業銀行盈利模式還是以規模效益型為主，商業銀行傾向于向大企業放貸，當出現產業結構失衡時，往往伴隨嚴重的信貸資金回收風險，不良資產證券化能夠有助于降低銀行風險。第五，深化國際產能合作，以有效的把產能國際轉移出口，一方面，要積極主動的參與全球資源配置，加快鋼鐵等產能過剩行業的全球化布局，構建全球產業發展平臺；另一方面，充分把握“一路一帶”的發展機遇，加強與國際的產能合作，積極引導產能過剩企業把有效產能的設備、技術和人才等要素向一帶一路沿線國家轉移，以有效的促進國內產能結構優化升級，改善產能過剩企業的整體收益。

[參考文獻]

[1] 謝兵. 商業銀行不良貸款的宏觀經濟影響因素分析[J].財經理論與實踐，2009（11）：23-25.

[2] Erdin？觭 D， Abazi E， Abazi E. The Determinants of NPLs in Emerging Europe， 2000-2011[J]. Econstor Open Access Articles， 2014， 1（2）：112-125.

[3] Messai A S， Jouini F. Micro and macro determinants of non-performing loans[J]. International Journal of Economics & Financial Issues， 2013（3）：852 - 860.

[4] 譚勁松， 簡宇寅， 陳穎. 政府干預與不良貸款——以某國有商業銀行1988～2005年的數據為例[J]. 管理世界， 2012（7）：29-43.

[5] 張樂，韓立巖. 混合所有制對中國上市銀行不良貸款率的影響研究[J].國際金融研究，2016（7）：50-62.

[6] 俞喬， 趙昌文. 政治控制、財政補貼與道德風險：國有銀行不良資產的理論模型[J]. 經濟研究， 2009（6）：73-82.

[7] 林毅夫， 劉明興， 章奇. 政策性負擔與企業的預算軟約束：來自中國的實證研究[J]. 管理世界， 2004（8）：81-89.

[8] 韓國高， 高鐵梅， 王立國等. 中國制造業產能過剩的測度、波動及成因研究[J]. 經濟研究， 2011（12）：18-31.

[9] 楊振兵， 張誠. 中國工業部門產能過剩的測度與影響因素分析[J]. 南開經濟研究， 2015（6）：92-109.

[10] 江飛濤， 耿強， 呂大國，等. 地區競爭、體制扭曲與產能過剩的形成機理[J]. 中國工業經濟， 2012（6）：44-56.

[11] 干春暉， 鄒俊， 王健. 地方官員任期、企業資源獲取與產能過剩[J]. 新產經， 2015（6）：44-56.

[12] 鐘春平， 潘黎. “產能過剩”的誤區——產能利用率及產能過剩的進展、爭議及現實判斷[J]. 經濟學動態， 2014（3）：35-47.

[13] 程俊杰. 中國轉型時期產業政策與產能過剩——基于制造業面板數據的實證研究[J]. 財經研究， 2015， 41（8）：131-144.

[14] 沈坤榮， 欽曉雙， 孫成浩. 中國產能過剩的成因與測度[J]. 產業經濟評論：山東大學， 2012（4）.

[15] 董敏杰， 梁泳梅， 張其仔. 中國工業產能利用率：行業比較、地區差距及影響因素[J]. 經濟研究， 2015（1）：84-98.

[16] 紀志宏. 我國產能過剩風險及治理[J]. 新金融評論， 2015（1）：1-24.

[17] Lewbel A. Constructing Instruments for Regressions With Measurement Error When no Additional Data are Available， with An Application to Patents and R&D[J]. Econometrica， 1997， 65（5）：1201-1214.

[18] 譚洪波. 中國要素市場扭曲存在工業偏向嗎？——基于中國省級面板數據的實證研究[J]. 管理世界， 2015（12）：96-105.

[19] Wooldridge J M.Econometric analysis of cross section and panel data， Cambridge[M] .MA： MIT Press， 2002.

[20] Arellano M， Bond S R. Arellano， B.： Some Tests of Specification for Panel Data： Monte Carlo Evidence and an Application to Employment Equations. The Review of Economic Studies [J]. Review of Economic Studies， 1991， 58（2）：277-97.

[21] Blundell R， Bond S. Initial conditions and moment restrictions in dynamic panel data models[J]. Journal of Econometrics， 1998， 87（1）：115-143.