产能过剩影响商业银行不良贷款率的机制

孙光林　王海军　艾永芳

摘 要选取2005年到2014年中国31个省级单位面板数据，采用静态面板和动态面板计量模型，分别从企业存货规模和产能利用率两个角度实证考察了产能过剩与不良贷款率的关系。研究结果表明：企业存货规模变动对商业银行不良贷款影响显著为正，产能利用率对商业银行不良贷款影响显著为负；由此表明，产能过剩是引起商业银行不良贷款规模上升的重要原因。据此，建议政府坚定不移的推动去产能步伐，以有效控制产能过剩带来的金融风险。

关键词产能过剩；存货增长变动率；产能利用率；不良贷款率

[中图分类号]F832.4 [文献标识码] A [文章编号]1673-0461（2017）03-0090-08

一、引 言

根据银监会公布的数据，截至2016年三季度，商业银行不良贷款规模达1.49万亿元，不良贷款率1.76%。而在2011年底，不良贷款余额仅4 000亿左右，不良贷款率也才刚刚达到1%，即使不良贷款率上升的如此迅猛，商业银行不良贷款率仍然被低估。2016年三季度末，商业银行关注类贷款余额3.48亿元，占比4.1%，余额同比增长23.6%，反映了商业银行不良贷款风险会进一步加大。因此，穆迪国际评级机构预测，随着贷款输导率增高而经济增长缓慢，2016年我国银行业不良贷款率将持续增加。上海财经大学发表报告预测，2016年我国商银不良贷款率至少上升1.2%。

国际经验表明，贷款是否能够及时、足额回收是影响金融机构能否持续健康发展，以及向企业发放贷款积极性的重要因素。然而，不良贷款率的升高对金融体系的稳定产生严重影响。要想整体改善金融风险状况，降低不良贷款率，提高信贷资金使用效率，关键是能够识别影响不良贷款率的经济因素。

圍绕不良贷款产生的影响因素，产生了大量理论和实证文献，相关影响因素被归纳为宏观经济、企业性质和政治等方面。宏观经济因素主要包括社会消费品零售总额、进出口总额、人均GDP增长率、通货膨胀、银行业利润率、地区市场化程度和法制环境等（谢冰，2009[1]；Erdin？觭，2014[2]； Messai，2013[3]）。企业性质包括国有企业占比、民营股东持股比例和外资持股比例等（谭劲松，2012[4]；张乐等，2016[5]）。政治因素主要包括行政贷款指令、财政补贴和行政干预等（俞乔等，2009[6]）。

近年来，产能过剩逐渐成为学者研究的热点，产能过剩能否影响不良贷款，对其进行深入探讨，具有重大的现实意义。笔者认为，产能过剩与不良贷款之间存在因果关系，主要基于以下原因：第一，产能过剩会直接导致企业存货增加，产能利用率下降，行业利润降低，企业效益变差，影响企业的还款能力；第二，地方政府为追求经济效益，许多商业银行（特别是地方性商业银行）贷款和风险控制受地方政府的干预较多，大量贷款进入产能投资领域，当出现产能过剩时，会增大商业银行信贷资金回收风险；第三，我国商业银行大都以规模效益型经营模式为主，大规模存贷业务仍是商业银行收入的主要来源，目前经济下滑和去产能的大背景下，产能过剩领域贷款潜在风险集中爆发，致使银行不良贷款规模扩大。

目前国内并没有相关文献实证考察产能过剩与不良贷款之间的关系，本文通过理论阐述产能过剩对不良贷款率的影响机理，利用面板数据模型实证研究产能过剩对不良贷款的作用效果。主要在以下方面有所贡献：第一，本文研究弥补了当前产能过剩与不良贷款之间实证研究的不足；第二，在经济新常态、去产能的大背景下，本文的研究结论对于降低不良贷款率风险有一定的借鉴意义。

同时，后文结构安排如下：第二部分是产能过剩对不良贷款率的作用机制分析；第三部分是模型设定、变量说明和基本事实描述；第四部分是模型实证结果分析；最后是基于本文研究结论，给出政策建议。

二、产能过剩对不良贷款率的作用机制分析

西方国家通常在经济周期下行时，出现产能过剩问题，当周期处于谷底时，产能过剩往往也是最严重，但我国的产能过剩问题，并不完全是由经济周期所引起的，有其自身的特征，我国学者根据自己的研究角度给出了不同的解释。

林毅夫（2004）[7]站在信息不对称的角度分析企业投资行为，认为企业过多的投资于前景较好的行业，导致投资过度集中，从而形成产能过剩问题，他把这种现象称为“潮涌现象”。韩国高等（2011）[8]利用企业数据测度产能过剩，认为制造业的固定资产投资是导致产能过剩的重要原因。杨振兵和张诚（2015）[9]则认为产能过剩不能仅仅归咎于过度和重复投资，盲目追求数量，而不追求质量，导致行业内部的恶性竞争也是产能过剩产生的直接原因。

因此，对于产能过剩如何影响不良贷款率？本文将基于图1的逻辑关系加以探讨。由于地方政府官员在财政激励和政治激励的作用下，为了经济快速发展，以获得经济政绩，使得地方政府有很强的意愿干预投资和资本资源配置（江飞涛等，2012[10]；干春晖等，2015[11]）。

当前我国资本融资方式相对单一，商业银行成为企业信贷资金的主要来源渠道，但我国银行企业制度并不完善，地方政府对金融信贷活动有一定的干涉能力，会基于自身利益影响信贷资源流向产能过剩领域。就地方政府单一行为而言，这种干预行为并未出现严重后果，如果把全国这种行为进行汇总，会发现大量雷同项目在同一产业投资，造成产业过度投资和集中发展，最终导致产能过剩问题，致使贷款未按市场有效流动，造成贷款低效错位使用。

在政绩考核制度下，地方官员为了获得更大的升迁资本，有强烈动机追求GDP的增量，往往采取税收优惠和财政补贴等措施，祈求获得更多投资。然而，地方政府为了尽快看到经济红利，补贴过多的流向产能投资领域，企业也为了获得更多的补贴资金，往往采取短视行为，进行低水平的规模扩张，致使产能过剩进一步的加剧。

遭受产能过剩困境的企业会寻求转行、产能升级和兼并重组，以摆脱经营困境，但产能过剩严重的企业大部分无法逃脱被市场淘汰的命运，此时银行贷款将面对巨大风险。一方面产能过剩会直接导致企业存货大量积压，整个行业的利润空间会下滑，企业的偿债能力下降。另一方面产能过剩会导致产能利用率下降，此时不仅起始产能未能饱和利用，当前扩大的产能也被迫闲置，企业的营业收入下降，效益变差，企业总资产周转率（企业营业收入/企业总资产）下降，增大银行贷款的潜在风险，当这种风险暴露时，会引起不良贷款率的上升。

因此，根据本文上述分析，提出基本假设1和假设2。

假设1：地方政府一味追求GDP的增量，导致产业过度投资和重复建设，引起严重的产能过剩问题，企业存货规模增加，企业效益变差，还款能力下降，潜在增加商业银行不良风险，故企业存货增长变动率与不良贷款率正相关。

假设2：产能过剩导致企业产能利用率下降，企业收入减少，总资产周转率降低，致使银行不良贷款率上升，故企业总资产周转率（测度产能利用率）与不良贷款之间负相关。

三、模型设定、变量说明和基本事实描述

（一）模型设定

1.静态面板数据模型

本文关注的是产能过剩对不良贷款率的短期影响，所使用的样本是31个省市①2005年到2014年的年度数据。为了检验上文中的基本假设，我们的基本模型采用面板数据固定效应模型：

rateit=a0+a1？驻stockit+β′·Xit+εit （1）

rateit=β0+β1captalit+β′·Xit+vit （2）

其中，μit和vit表示方程的误差扰动项，包括个体和时间效应，i和t分别表示省份和时间，因变量rateit表示i省份t年份不良贷款率，即当期不良贷款余额占总贷款余额的比值，不良贷款包括次级类贷款、可疑类贷款和损失类贷款；核心解释变量是企业存货增长变动率？驻stockit和企业总资产周转率（测度产能利用率）captalit，其中？驻stockit表示当期规模以上企业存货增长率与上年增长率的差值。a1和β1是本文重点关注的产能过剩指标的作用效果，β′表示控制变量未知参数矩陣，Xit=（firit，favit，publicit，debtit，finit）为控制变量向量。

2.动态面板数据模型

由于中国金融市场巨大，不良贷款的发生可能较为平缓，往期不良贷款率会对当期产生影响，为了排除这种影响，从而检验核心变量系数的稳健性，进一步建立动态面板数据模型：

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

（3）

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

（4）

其中，rateit-1和rateit-2分别表示不良贷款率的滞后一期和二期，γ代表不良贷款率滞后期相对应的参数，式（3）和（4）中的控制变量与静态面板一致，为了更能检验核心指标稳健性，把控制变量进行对数处理。

（二）变量说明

1.核心解释变量

衡量产能过剩的最直接指标是产能利用率和企业存货水平，一般认为产能利用率低于75%就代表经济处于严重产能过剩状态（钟春平、潘黎，2014）[12]。但目前我国尚未正式披露产能利用率相关数据，当前大多学者都尝试采用不同的计量或统计方法来测度产能利用率，包括成本函数法、对数生产函数的随机前沿分析模型、微观基础的企业投资模型、投入产出法、协整法和生产能力利用率法等等（韩国高等，2011[8]；程俊杰，2015[13]；沈坤荣等，2012[14]；杨振兵和张诚，2015[9]；董敏杰等，2015[15]），但并没有公认的好的测度方法。纪志宏（2015）[16]根据人民银行披露的部分行业产能利用率数据，与企业总资产周转率（营业收入/总资产）对比发现，二者具有很高的相关性，1999年到2014年的数据波动基本一致，因此，本文借鉴纪志宏（2015）[16]的做法，利用企业总资产周转率作为分析产能利用率变动的间接指标。故本文中，将使用企业存货增长变动率和总资产周转率作为产能过剩的衡量指标，考察产能过剩对不良贷款率的作用效果。

2.控制变量

（1）金融发展水平。自从1970年麦金农提出金融发展理论以来，关于金融发展的指标有诸多的见解，广义的金融发展指标，是利用全部金融资产的总额占当期GDP的比重来衡量，比较狭义的金融发展指标是用当期的存贷款年底余额之和占当期GDP的比重来衡量。在本文的研究中，为了能够更加细致的得出金融发展对不良贷款率的作用，笔者选择更为狭义的的指标来表示金融发展水平fir，用当期该省市的年末贷款余额与当期GDP的比值衡量，比值越大，说明该省市就具有越高的金融深化水平，反之越低，用以刻画金融信贷密度和金融发展深度，衡量企业在银行部门获得资金的总体状况。

（2）金融中介效率。在本文中，定义金融中介效率fae是年末贷款余额与存款余额的比值，衡量金融机构存款转化成投资的能力，其值介于0和1之间，金融中介效率越接近于1，说明存款转化成投资的效率越高，反之，则效率越低。

（3）财政支出占GDP比重。20世纪30年代大萧条，是政府干涉经济的开端，财政支出作为国家调控宏观经济的一种重要措施，能够直接影响总需求，促进经济增长。财政支出占GDP的比重，能够直接看出政府干涉经济的程度，其值越大，说明政府干涉经济的程度越深。

（4）金融业产值占GDP的比重。金融业产值的比重衡量金融业发展的相对规模，反映金融业在国民经济中的地位和金融业发育程度，金融业作为现代服务业的重要组成部分，要推动服务业的发展，金融业的发展备受关注。如果一个省市金融业产值的比重较大，这说明金融业已成为经济的支柱产业，产能过剩的情况也相对较轻，故本文把金融业产值占GDP的比重作为控制变量。

（5）企业债务总额占GDP的比值。本文使用规模以上企业债务总额占GDP的比重来衡量企业债务的相对规模，由于改革开放很长一段时间，投资成为我国经济增长的主要推动因素之一，导致我国当前高企业债务率。过高的企业债务率则表明我国企业对债务资金的利用效率偏低。此外，由于我国企业融资方式相对单一，银行信贷资金是企业获得外部资金支持的主要方式，储蓄向投资转换的过程伴随着企业债务的上升，故本文引入企业债务总额占GDP的比重作为控制变量之一（见表1）。

（三）基本事实描述

为了能够使我们初步了解产能过剩与商业银行不良贷款率直接关系，下面分别画出企业总资产周转率、企业存货变动率与不良贷款率的散点图。如图2所示，散点图拟合线表明企业总资产周转率与商业不良贷款率负相关。如图3所示，散点图拟合线表明企业存货增长变动率和不良贷款率之间正相关，二者之间均是简单的线性关系。对此，进一步使用Pearson检验检测总资产周转率、企业存货增长变动率和商业银行不良贷款率之间的关系，检验结果表明企业总资产周转率与商业银行不良贷款之间系数值为-0.2237，在1%的水平上显著。企业存货变动率与不良贷款率之间相关系数值为0.1933，在1%的水平上显著。进一步验证了产能过剩和不良贷款率之间的正相关关系。但这只能简单的说明产能过剩和商业银行不良贷款率之间的线性关系，为了更确切的得到产能过剩对商业银行不良贷款率的影响效果，本文将在第四部分分别建立静态面板和动态面板模型进行实证分析。

四、模型实证结果及其分析

（一）存货增长变动率与不良贷款率

为了验证存货增长变动率对不良贷款率的作用效果的稳健性，本文中采用逐步回归的方法，依次加入控制变量。在第1步回归方程中，仅包括存货增长变动率指标，不加任何控制变量，在第2步回归方程中加入金融发展水平和金融中介效率两个控制变量，在第3步回归方程中，引入全部控制变量，并加入存货增长变动率和金融发展水平的交互项，在第4步回归方程中，把存货增长率和金融发展水平的交互项替换成存货增长率变动率和金融业产值占GDP比重的交互项。这里需要说明，引入金融发展水平、金融业产值占GDP的比重的交互项作为解释变量，是为了验证产能过剩对不良贷款率的作用是否依赖于金融发展水平和金融业发展规模。

本文采用Hausman检验判断模型选择固定效应还是随机效应，检验结果表明，模型1应该使用随机效应，模型2、3和4应该使用固定效应。从表2中模型1到4可以看出，存货增长变动率的系数显著为正，这说明由于产能过剩导致企业存货增长率升高，企业效益变差，还款能力下降，最终致使银行不良贷款率升高。而且在逐步加入控制变量的过程中，存货增长变动率的系数值并未发生显著变化，这说明模型结果整体稳健。另外，产能过剩导致不良贷款的变动与金融发展水平、金融业发展整体规模相关，金融发展水平和金融业产值占GDP比重的扩大，可以降低产能过剩对不良贷款率的作用效果。因此，研究假设1得到验证。

模型2和模型3回归结果表明，金融中介效率和商业银行不良贷款率显著负相关，在5%的水平上显著，这说明提高金融中介效率，能够降低不良贷款规模。政府公共支出与商业银行不良贷款率显著负相关，在1%的水平上显著，这说明政府公共支出变动能够给商业银行不良贷款带来积极影响。基于经济学角度而言，政府增加支出能够增加社会总需求，刺激经济社会对劳动的需求量，促使商品价格上涨，提高企业利润率，改善企业效益，减少企业信贷违约风险，进而能够积极影响商业银行不良贷款率。金融业发展规模与商业银行不良贷款率显著负相关，在1%的水平上显著，这说明提高金融业发展水平，能够降低商业银行不良贷款规模。

（二）产能利用率与不良贷款率

由于企业总資产周转率与产能利用率之间仅是近视的波动关系，本文采用企业总资产周转率作为产能利用率的替代指标，在实证过程中，需要处理好企业总资产周转率的内生性问题。首先，指标替换不可避免的存在误差，可能会低估或者高估产能过剩的作用效果，导致回归出现偏误。其次，企业总资产周转率和不良贷款之间可能会存在双向因果关系，企业总资产周转率高说明企业的偿债能力强，还贷周期短，从而降低银行不良贷款率，同时不良贷款率的降低会使银行放松信贷条件限制，企业更易获得银行的信贷资金。实证研究需要选取合理的工具变量，克服内生性引致的估计偏误。

如表3所示，采用逐步回归的办法，逐步加入控制变量。在模型1中仅仅采用核心指标，不加入任何控制变量，在模型2中，加入金融发展水平、金融中介效率和财政支出占GDP的比重3个控制变量，在模型3中加入全部控制变量，企业总资产周转率的整体结果稳健。

同时，Hausman检验结果表明，模型1、2和3应该使用固定效应模型。逐步回归实证结果表明，企业总资产周转率（测度产能利用率）对商业银行不良贷款影响显著为负，回归结果稳健，但由于模型存在内生性问题，本文进一步使用工具变量法考察。

工具变量法的关键是选取合适的工具变量，比较常见的两种构造工具变量的方法，一是采用内生变量的一阶滞后项作为工具变量，二是借鉴Lewbel（1997）[17]和谭宏波（2015）[18]的方法，采用内生变量和均值差的三次方作为工具变量，但这两种方法都比较粗糙。本文利用城市人均公园绿地面积作为产能过剩的工具变量，产能过剩企业大都集中于第二产业，厂区占地面积相对较大，因此，产能过剩越严重的地区人均公园绿地面积越少，而人均公园绿地面积与银行不良贷款并无直接关系，对于所选工具变量的合理性，模型中将做进一步检验。

如表3中，模型4和模型5的结果所示，分别采用面板数据工具变量法和2SLS进行回归。DWH内生性检验表明，在1%的水平上显著，拒绝外生的原假设，这说明企业总资产周转率是内生性解释变量。Cragg-Donald F统计量检验值为35.429，大于16.38的临界值，拒绝弱工具变量的原假设，说明模型中工具变量的选取合理。还需要进一步检验工具变量有效性，但当内生变量和工具变量相同时，并无有效的方法对工具变量进行检验，我们参照Wooldridge（2002）[19]的方法对工具变量的外生有效性进行了间接检验，把两阶段回归中的第二阶段残差项作为因变量对工具变量进行回归，实证结果表明工具变量在10%的水平上并不显著，这说明本文所选的工具变量与残差项不相关，满足人均公园绿地面积的“排他性约束条件”。回归结果表明，企业总资产周转率的系数显著为负，再一次说明产能过剩对银行不良贷款率的正向作用效果，但系数值的绝对值要大于模型1到3的回归结果，这说明因为内生性问题低估了产能过剩对银行不良贷款率的影响。因此，研究假设2得到验证。

（三）稳健性检验

动态面板数据模型中，由于存在不良贷款率的滞后项，实证中需要克服内生性问题，Arellano和Bnod（1991）[20]提出使用DIF（差分广义矩估计）方法，选取被解释变量的一阶差分滞后项的工具变量进行GMM估计。虽然DIF估计差分能够消除一些不随时间变化的个体效应，带来以下好处：一是解决部分遗漏变量引致的内生性问题，二是消除被解释变量和解释变量的双向因果关系导致的估计偏误。但差分GMM估计也会带来很多问题：一是如果T较大，会出现较多工具变量，容易出现弱工具变量问题（滞后期越多相关性就越弱），产生偏差。二是如果因变量序列存在一阶自相关系数较大，例如接近于1，DIF-GMM方法选择的工具变量会很弱，特别事件跨度较小时，估计结果会存在严重偏误（谭洪波，2015）[18]，如果被解释变量的持续性很强，可能不再适用DIF-GMM。Blundell和Bond（1998）[21]提出系统GMM方法（System GMM），将差分GMM和水平GMM结合在一起作为一个系统进行GMM估计，与差分GMM相比，系统GMM可以提高估计的效率，故本文使用系统GMM方法进行稳健性检验。

系统GMM的使用不允许残差项出现二阶序列自相关，但可以容忍方程出现一阶自相关，还必须通过工具变量的过度识别检验。如表4所示，模型1和模型2的二阶自相关检验表明，模型不存在二阶自相关，同时Sargan检验结果显示，模型中不存在过度识别问题，本文使用动态面板模型进行系统GMM估计是有效的。稳健性结果表明，动态面板回归中存货增长变动率和企业资本转换率的系数仍然是显著的，这进一步的说明产能过剩对银行不良贷款率的影响为正。

五、结论及政策建议

本文基于2005年到2014年各省市面板数据，利用面板数据模型，分别从企业存货规模和产能利用率两个角度实证考察了产能过剩对商业银行不良贷款率的影响效果。研究结果表明：①产能利用率（企业总资产周转率测度）对商业银行不良贷款率的影响显著为负，企业存货增长变动率对商业银行不良贷款率的影响显著为正，因此，产能过剩是造成不良贷款率升高的重要原因；②产能过剩对商业银行不良贷款率的影响依赖于金融深化水平和金融业整体发展规模，提高金融深化水平和金融业发展规模能够降低产能过剩对商业银行不良贷款率的作用效果；③金融深化水平、金融中介效率、政府财政支出规模占GDP的比重和企业债务规模占GDP的比重对商业银行不良贷款率的影响显著为负。

为了防范不良贷款水平的激增导致金融不稳定，根据本文研究结论，基于产能过剩视角给出以下政策建议：第一，国家相关部门应该出台措施，减少地方政府对银行信贷的干预，避免资本的不合理流动。第二，监管部门应当关注不同省市间的补贴措施，以防地方政府盲目进行无显著差异的补贴措施，而引起某一产业的过度投资。第三，建立有序的产能过剩企业退出机制，减少地方政府对产能过剩企业的财政补贴和信贷优惠政策，更要避免信贷输血扶持“僵尸企业”。第四，扩大不良资产证券化试点规模。当前我国商业银行盈利模式还是以规模效益型为主，商业银行倾向于向大企业放贷，当出现产业结构失衡时，往往伴隨严重的信贷资金回收风险，不良资产证券化能够有助于降低银行风险。第五，深化国际产能合作，以有效的把产能国际转移出口，一方面，要积极主动的参与全球资源配置，加快钢铁等产能过剩行业的全球化布局，构建全球产业发展平台；另一方面，充分把握“一路一带”的发展机遇，加强与国际的产能合作，积极引导产能过剩企业把有效产能的设备、技术和人才等要素向一带一路沿线国家转移，以有效的促进国内产能结构优化升级，改善产能过剩企业的整体收益。

[参考文献]

[1] 谢兵. 商业银行不良贷款的宏观经济影响因素分析[J].财经理论与实践，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] 谭劲松， 简宇寅， 陈颖. 政府干预与不良贷款——以某国有商业银行1988～2005年的数据为例[J]. 管理世界， 2012（7）：29-43.

[5] 张乐，韩立岩. 混合所有制对中国上市银行不良贷款率的影响研究[J].国际金融研究，2016（7）：50-62.

[6] 俞乔， 赵昌文. 政治控制、财政补贴与道德风险：国有银行不良资产的理论模型[J]. 经济研究， 2009（6）：73-82.

[7] 林毅夫， 刘明兴， 章奇. 政策性负担与企业的预算软约束：来自中国的实证研究[J]. 管理世界， 2004（8）：81-89.

[8] 韩国高， 高铁梅， 王立国等. 中国制造业产能过剩的测度、波动及成因研究[J]. 经济研究， 2011（12）：18-31.

[9] 杨振兵， 张诚. 中国工业部门产能过剩的测度与影响因素分析[J]. 南开经济研究， 2015（6）：92-109.

[10] 江飞涛， 耿强， 吕大国，等. 地区竞争、体制扭曲与产能过剩的形成机理[J]. 中国工业经济， 2012（6）：44-56.

[11] 干春晖， 邹俊， 王健. 地方官员任期、企业资源获取与产能过剩[J]. 新产经， 2015（6）：44-56.

[12] 钟春平， 潘黎. “产能过剩”的误区——产能利用率及产能过剩的进展、争议及现实判断[J]. 经济学动态， 2014（3）：35-47.

[13] 程俊杰. 中国转型时期产业政策与产能过剩——基于制造业面板数据的实证研究[J]. 财经研究， 2015， 41（8）：131-144.

[14] 沈坤荣， 钦晓双， 孙成浩. 中国产能过剩的成因与测度[J]. 产业经济评论：山东大学， 2012（4）.

[15] 董敏杰， 梁泳梅， 张其仔. 中国工业产能利用率：行业比较、地区差距及影响因素[J]. 经济研究， 2015（1）：84-98.

[16] 纪志宏. 我国产能过剩风险及治理[J]. 新金融评论， 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. 中国要素市场扭曲存在工业偏向吗？——基于中国省级面板数据的实证研究[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.