论文标题：Haste doesn't Bring Success: Top-down Amplification of Economic Growth Targets and Enterprise Overcapacity
中文：欲速则不达：“层层加码”的经济增长目标与产能过剩
原文来源：Jiachun Chen，Xia chen，Qing song，May Hu. 2021 . “Haste doesn't bring success: Top-down Amplification of Economic Growth Targets and Enterprise Overcapacity.” Journal of corporate finance, 70: 102059.
供稿：屈宇超
封面图片来源：Pexels
编者按
文章发现中国的经济增长目标存在“层层加码”的现象，并且会抑制企业的产能利用率。在设置经济增长目标时使用硬约束词汇、党代会期间以及市委书记年龄接近55岁时，经济增长目标的加码对企业产能利用率的负面效果更强。文章发现官员通过增加对企业的干预和访问，促使企业扩大生产和投资，加剧企业的产能过剩。进一步分析表明，经济增长目标的加码不利于企业和区域经济的长期发展。
引言
产能过剩往往代表着资源错配，可能引发经济危机，不利于经济的长期发展。因此，产能过剩引起国家部门和学者的重视。已有文献多是从特定行业（如钢铁、石化、电解铝和光伏）和政府的非公开内部数据来研究产能过剩的形成机制。鲜有文献使用微观层面的数据来研究产能过剩，文章基于政治经济学的视角探索了企业层面产能过剩的形式机制。
文章基于以下原因关注中国的产能过剩：第一，中国是世界上最大的发展中国家，中国的产能过剩问题非常严重（Xu and Liu，2018），研究中国产能过剩形成的机制可以为其他的发展中国家提供建议；第二，中国工业企业数据库为衡量企业层面的产能过剩提供数据，其他发展中国家缺少数据。
文章的研究贡献体现在：第一，拓展了经济增长目标的文章；第二，为企业产能过剩提供了新的证据，具体则为从经济增长目标的角度来考察政府干预对产能过剩的影响，补充了现有文献；第三，有利于考察宏观经济政策对微观经济的影响（Yang et al.，2017；Liu et al.，2018）；第四，有助于决策者更好地评估经济增长目标的潜在成本，具体则为经济增长目标的加码会抑制产能利用率，不利于企业和区域经济的长期发展。
文章认为，在中国官员的晋升制度下，GDP增长在官员的政治生涯中起重要作用。为了政治晋升，地方官员可能会设定较高的经济增长目标（zhou，2007）。文章认为为了实现经济增长目标，地方官员可能会干预企业的生产和经营活动，促使企业增加投资和生产，造成企业的产能过剩。在设置经济增长目标时使用硬约束词汇、党代会期间以及市委书记年龄接近55岁时，经济增长目标的加码对企业产能利用率的负面效果更强。文章发现官员通过增加对企业的干预和与访问，促使企业扩大生产和投资，加剧企业的产能过剩。进一步分析表明，经济增长目标的加码不利于当地企业和区域经济的长期发展。
制度背景
1.中国GDP核算概述
目前，中国采用三种方法计算GDP，即生产法、收入法和支出法。在生产法下，GDP计算为每个阶段的生产和服务增加值之和，其中增加值是生产过程中销售和投入（如原材料）价值之间的差额。在收入法下，GDP计算为生产过程的所有生产要素的所有者的收入。在支出法下，GDP计算为所有最终用户的购买总值（Chen et al.，2020）。以上GDP核算方法表明，增加投资和产品产出都会被计入GDP核算项目中。因此，地方政府可以通过推动当地企业增加生产和投资来提高GDP。
2.层层加码的经济增长目标
中国经济增长目标的设定包括两种安排。一是五年发展计划中确定的经济增长目标，这是长期的战略目标。二是每年制定短期经济增长目标，反映在年度政府工作报告中。文章关注的是每年制定的经济增长目标。
由于官员的绩效评估很多大程度取决经济增长，中央政府设定了一个经济增长目标，然后地方政府会放大经济增长目标（zhou，2007）。例如，2007年中央政府宣布8%的经济增长目标后，江苏省制定11%的经济增长目标以赢得省级层面的经济竞争，江苏省的一个地级市（南通市）制定了15%的经济增长目标以赢得市级层面的经济竞争。由于晋升锦标赛，下级官员可能会设定较高的经济增长目标。因此，经济增长目标的制定会出现“层层加码”的现象。
文献综述与研究假设
晋升锦标赛中，经济增长目标是上级官员激励和评估下级官员的重要方式(Lyu et al., 2018；Li et al., 2019)。为了获得晋升，下级官员很有可能会制定和实现更加积极的经济增长目标。因此，经济增长目标的制定会出现“层层加码”的现象。（Chen et al., 2020)。
在中国，官员拥有大量的经济和行政资源，官员可以直接干预资源分配，地方政府可以通过提供财政补贴或改变融资条件来干预当地企业行为。为了确保经济增长目标能够实现，地方官员可能会选择干预地方企业，促使企业过度生产和投资，造成产能过剩。基于此，文章提出假设：
H1：经济增长目标的加码会抑制企业的产能利用率。
经济增长目标设定时的词汇可以反映地方官员实现经济增长目标的意愿，例如，地方官员在制定经济增长目标时留下了很大的空间，他们提出了这样的目标“今年的经济增长预期目标约10%”，而一些官员没有留下经济增长目标的空间，就像“确保今年预期经济增长10%”。与“上下”、“左右”和“大约”等设定经济增长目标的软约束词汇相比，“确保”、“以上”和“一定”等硬约束词汇反映了地方官员实现经济增长目标的更强烈意愿。如果地方官员具有强烈的意愿实现经济增长目标，他们更可能促使企业过度投资，加剧企业的产能过剩。因此，当地方官员使用硬约束词汇制定经济增长目标时，经济增长目标的加码更有可能引发产能过剩问题。基于此，文章提出以下假设：
H2a：如果地方官员制定经济增长目标时使用更多的硬约束词汇，经济增长目标的加码会更加抑制企业的产能利用率。
文章关注了共产党的全国代表大会（以下简称NCCP）的经济后果，党代会吸引了民众对经济发展的高度关注，加剧地方政府之间的横向竞争，从而增强地方官员实现经济增长目标的动力（Chen et al.，2020）。在NCCP期间，地方官员将尽一切努力，干预当地企业投资和生产，从而对当地企业的产能利用率有更大的影响。基于此，文章提出以下假设：
H2b:在NCCP期间，经济增长目标的加码会更加抑制企业的产能利用率。
已有文献表明，地方官员的年龄是官员晋升的重要因素。如果官员的年龄超过55岁，他们的晋升机将会显著减少（Kou and Tsai，2014）。这表明，如果市委书记在55岁之前没有晋升到更高的职位，即使他有出色的经济表现，也不太可能获得晋升。因此，如果市委书记的年龄接近55岁，他们将抓住最后一次机会，通过取得更好的经济业绩来证明自己的能力。因此，文章推测接近55岁的市委书记更有可能干预当地企业的投资和生产，从而抑制产能利用率。基于此，文章提出以下假设：
H2c：当市委书记的年龄接近55岁时，经济增长目标的加码会更加抑制企业的产能利用率。
研究设计
1.样本选择与数据来源
文章的主要样本是2000年至2007年的中国工业企业，并使用2011年至2013年的数据进行稳健性测试，数据来自中国工业企业数据库。
借鉴Cai and Liu（2009）以及Shen and Chen（2017），文章构建了如下样本：（1）删除财务数据缺失的样本；（2）删除员工人数少于8的样本；（3）删除流动资产大于总资产的样本；（4） 删除固定资产大于总资产的样本；（5）删除固定资产净值大于总资产的样本；（6） 删除公司代码缺失的样本。
然后文章手动收集了中国各省市的经济增长目标和地级官员的信息数据，其他数据主要来自CSMAR数据库。文章将经济增长目标数据、地方官员信息数据和工业企业数据和其他数据匹配后，得到了279850家企业的785143个最终观测值。
2.模型与主要变量
为了探索经济增长目标的加码对企业产能过剩的影响，建立如下回归模型：
为了进一步检验经济增长目标的加码对企业产能过剩影响的横截面变化，文章构建了以下模型（2）和（3）：
在上述模型中，下标i表示企业，j表示企业所在城市。
CU：企业的产能利用率。
Amplified_Target：经济增长目标的加码，市级经济增长目标与所在省份经济增长目标的差值。
Neutral_Constraints：设定经济增长目标的词汇约束。如果政府年度工作报告在设定经济增长目标时不使用附加词汇，则等于1，否则等于0。
Hard_Constraints：设定经济增长目标的硬约束词汇。如果政府工作报告在设定经济增长目标时使用“以上”、“确保”和“确保”等硬约束词汇，则等于1，否则为0。
NCCP：在NCCP会议年期间和会议前一年等于1，否则为0。
Promotion_chance：如果市委书记的年龄在51到54岁之间，则该变量等于1，否则为0。
实证研究
1.描述性统计
在描述性统计之前，文章考察了地级市政府是否会在省级政府设定的GDP增长目标下增加经济增长目标，图1描绘了2000年至2007年中国地级市经济增长目标与所在省经济增长目标差距的时间趋势。文章发现地级市的GDP增长目标高于省级层面，表明存在经济增长目标加码的现象。文章还表明，2000年至2007年，中国的平均产能利用率为86.93%，这与世界银行（2012）的调查数据、国务院发展研究中心的产能过剩数据基本一致。
-图1- 地级市经济增长目标加码的时间趋势
表1报告了描述性统计，经济增长目标的加码（Amplified_Target(%)）的平均值为2.371，中值为2，这表明地级市官员普遍设定了超过所在省的经济增长目标,不含词汇约束（Netural_ Constraints）的平均值为0.87，硬约束词汇约束（Hard_Constraints）的平均值为0.069，这表明大多数官员会设置严格的经济增长目标，地级市政府官员晋升关键期（Promotion_chance）的平均值为0.370，表明51-54岁的市委书记约占样本的37%。
-表1- 描述性统计
2.基准回归
2003年以来，由于国家主席换届，经济增长目标“层层加码”的现象日益严重。除了使用2000年至2007年的样本外，文章还使用了2003年至2007年后的样本重新估计经济增长目标的加码如何影响企业产能利用率。表2报告了经济增长目标的加码如何影响企业产能利用率，第（1）—（3）列中的回归样本包括2000年至2007年的样本，第（4）列包括2003年至2007年的样本。如表2所示，经济增长目标的加码（Amplified_Target）前的系数均在1%的水平上显著为负，表明经济增长目标的加码会抑制企业的产能利用率，加剧企业产能过剩。回归结果支持假设H1。
-表2- 经济增长目标的加码与产能利用率
3.横截面测试
表3报告了模型（2）的回归结果，经济增长目标的加码×约束词汇（Amplified_Target×Neutral_Constraints）与经济增长目标的加码×硬约束词汇（Amplified_Target×Hard_Constraints）前的系数均在1%的水平上显著为负，表明地方官员在设定经济增长目标时使用的语气越积极，他们实现增长目标的意愿就越强，会加大对当地企业的干预，从而抑制企业的产能利用率，加剧企业产能过剩。回归结果支持假设H2a。
-表3- 经济增长目标的加码与产能利用率（词汇约束）
文章研究了党代会期间和非党代会期间的差异，在党代会期间，地方官员可能得到潜在的晋升机会和更高层级官员的关注，这会加剧地方政府之间的横向竞争，从而加剧了经济增长目标对地方经济发展的制约(Chen et al., 2020)。表4揭示了模型（3）的结果，经济增长目标的加码×党代会期间（Amplified_Target×NCCP）前的系数显著为负，表明相对于非党代会期间，在党代会期间，经济增长目标的加码对产能利用率的负面影响更大。回归结果证实了假设H2b。
-表4- 经济增长目标的加码与产能利用率（党代会）
已有文献表明，地级市主政官员的年龄门槛为55岁(Ji et al., 2014)。即市委书记的年龄超过了55岁，升职机会就会大幅度减少。因此，对于那些尚未到退休年龄但也不年轻的官员来说，他们需要抓住最后一次机会，以更好的经济表现证明自己。表5揭示了模型（4）的结果，经济增长目标的加码×晋升机会（Amplified_Target×Promotion_chance）的系数在1%的水平上显著为负，这意味着处于晋升关键期的官员有很高的动机来实现GDP增长目标，促进企业过度生产与投资，抑制产能利用率，导致产能过剩。回归结果证实了假设H2c。
-表5- 经济增长目标的加码与产能利用率（官员晋升机会）
4.稳健性检验
为了进一步保证研究结果的可靠性，文章进行了一系列稳健性检验。
（1）控制干扰因素
第一，Lin et al.（2010）认为发展中国家的公司很可能在有前途的行业达成共识，从而导致投资浪潮和产能过剩；第二，地方官员会根据上一年的经济增长发展趋势制定经济增长目标，影响文章结果的稳健性；第三，已有文献表明，政府对企业的干预程度与官员的特点密切相关，例如，年轻官员、新任命官员和当地晋升的官员对企业的干预会更强（Lyu et al.，2018；Chen et al.，2020）；第四，Chen et al.（2020）指出，面对经济增长目标压力时，企业更有可能会推迟资产减值损失，影响企业的产能利用率。文章在控制投资潮涌现象、上一年的经济发展趋势、市委书记的特征以及企业操纵报表后，结论依然稳健。
（2）替代因变量
当产能利用率越高，企业的资本折旧率越高，因此文章使用企业资本折旧率替代产能利用率，文章的结论依然稳健。
（3）样本选择问题
文章通过改变样本量的大小检验了结果的稳健性：第一，省会拥有更多的资源，并且更容易受省级政府的影响。为了避免影响结论，文章删除了省会城市的样本进行检验。第二，延迟发布的政府工作报告可能涵盖了地方政府对经济增长预测的信息，不能完全代表地方政府为经济增长目标做出的努力。因此文章排除了第一季度之后发布的政府工作报告样本。第三，由于2008至2010年中国工业企业数据库没有工业企业当年的折旧数据，无法计算产能利用率。因此使用2011至2013年的样本，文章结果依然稳健。第四，不同的企业产能利用率不同，文章使用产能过剩企业的样本进行回归，并且文章将产能利用率低于79%的企业定为产能过剩企业和产能利用率低于79%的行业定义为产能过剩行业，并利用这些企业和行业进一步验证了研究结果。
（4）工具变量法
根据Li et al.（2019），文章选择同一省份的地级市数量和同一省份其他城市的经济增长目标的加码平均值作为工具变量。文章结果依然稳健。
5.机制分析
文章手工收集2000年至2007年、2011年至2013年地级市政府工作报告。第一，文章在政府工作报告中计算了每年干扰企业能力的词语的频率。词汇包括对行业或公司的产能干预，如增加投资、建立生产线、扩大生产和产能等。第二，通过媒体新闻和百度搜索引擎，文章收集了地方官员访问企业的频率信息。如果高经济增长目标导致官员行为的变化，那么这种变化也将反映在官员访问企业中。由于2000年至2007年中国互联网技术不发达，新闻报道不完整，文章选择2011年至2013年的样本量，并构建以下模型：
其中j和t分别为城市j和年份t，因变量为官方行动，包括政府报告中干预企业的词语和地方官员访问企业的频率信息。文章预计经济增长目标的加码会引起官方的回应，模型（4）中为正。文章分别使用OLS和泊松模型进行估计，结果如表6所示，当使用OLS和Poisson作为回归模型，经济增长目标的加码（Amplified_Target）前的系数均显著为正。表明，为了实现经济增长目标，地方官员会增加对当地企业的干预和访问。
-表6- 经济增长目标的加码与产能利用率（机制分析）
6.进一步分析
政府在国有企业（以下简称国企）中拥有多数股权，因此他们可以直接干预国企的生产经营活动，相对于国企，私营企业（以下简称私企）很难享受政策优惠。因此，地方官员可能会为私企提供各种优惠政策以促使其增加投资和生产活动（Chen et al.，2011）。文章表明经济增长目标的加码会促使国企和私企扩大生产和投资，抑制产能利用率。此外，文章表明地方官员会为了实现短期的经济增长目标牺牲未来的经济潜力，经济增长目标的加码会抑制企业创新、盈利能力和收入增长。
研究结论
在发达国家，产能过剩主要由于信息不对称和市场失灵。然而，信息不对称和市场失灵并不能完全解释中国的产能过剩现象。文章从政府干预视角出发，发现经济增长目标的加码会显著抑制企业的产能利用率。经济增长目标对产能利用率的负面作用在党代会期间、市委书记年龄接近55岁以及设定经济增长目标使用更多约束词汇时更加显著。机制分析表明，为了实现经济增长目标，官员会增加对企业的干预和访问，影响企业生产和投资，抑制企业的产能利用率。经济增长目标的加码不利于当地企业和区域经济的长期发展。
Abstract
Using the data of Chinese industrial enterprises, we examine how the incentive to reach GDP growth targets affects the local firms' capacity utilization. We find that Chinese economic growth targets exhibit a persistent pattern of top-down amplification along different jurisdiction levels, which is associated with a decline in local firms' capacity utilization. Moreover, the effect of amplified targets on overcapacity is more pronounced (1) when officials utilize hard-constraint vocabulary in setting the economic growth target, (2) during the National Congress of Communist Party, and (3) when the age of prefecture-level officials is close to 55. We also find officials intervene local firms' capacity decisions by increasing private communication with local entities and loosening public policies for local firms within their jurisdictions. Further results show that the amplification of economic targets is detrimental to future development of both regional economy and local firms.
