中国对外贸易环境与贸易摩擦研究报告2017
上QQ阅读APP看书,第一时间看更新

第三节 模型设定与变量选择

本章的主旨在于考察厂商异质性对其遭遇反倾销所产生的影响,具体地,以出口企业是否遭遇反倾销为被解释变量,以企业生产率作为异质性的最重要的代理变量,即本章计量模型中的核心解释变量,进行经验分析。同时为了控制厂商其他方面的差异,我们选取出口规模、融资约束、企业资产流动性、企业所处产品价值链的位置、经营状况、企业规模六个影响因素作为控制变量。我们的定量研究本质上基于倍差法(difference in differences)展开:首先,我们整合世界银行的全球反倾销数据库和中国工业企业数据库,获得所需要的实验组企业和对照组企业数据;随后,构建回归模型,对包含实验组企业和两个对照组企业的样本进行Logit回归;最后,为了验证经验分析的稳健性,我们通过变换生产率计算方法、使用Probit回归、扩大对照组数量等方式进行了多次敏感性检验。

一、企业生产率的计算

全要素生产率 (total factor productivity,简称TFP)衡量的是非生产性投入要素对企业生产的贡献,在扣除劳动、资本等投入要素的贡献后得到。其中非生产性投入要素主要包括技术进步、企业管理水平提升、制度改善等。在基准检验中,我们使用OP方法 (Olley and Pakes,1995)计算企业的TFP,该方法可以有效克服使用OLS方法计算TFP带来的内生性和样本选择问题 (鲁晓东和连玉君,2012)。

为保证计量结果的稳健性,并克服OP方法包含众多较强假设的缺陷,我们还会使用LP方法对企业的TFP进行计算 (Levinsohn and Petrin,2003)。

二、模型设定

厂商之间的异质性体现在诸多方面,所以在设定计量模型时,还应控制生产率以外的其他变量,克服遗漏重要解释变量的问题。由此,本章的基准模型设定为

其中,被解释变量AD 为0-1变量,表示出口企业是否遭遇了反倾销。当AD=1时,表示该出口企业遭遇了反倾销;AD=0时,则表示该出口企业没有遭遇反倾销。核心解释变量TFP 为异质性企业的生产率,通过OP方法计算而得。control代表生产率之外的其他解释变量,B 为其系数矩阵。当两个出口企业的控制变量相近而生产率差异明显时,TFP的系数β1的符号及其显著性可以表明生产率对企业遭遇反倾销的概率所产生的影响。一方面,生产率低的企业不具有成本优势,但为了在出口竞争中占有一席之地,更倾向于采取低价竞争策略,因而其在国外市场的价格很容易接近甚至低于成本价格或国内价格,容易招致反倾销调查;另一方面,在控制其他因素的情况下,进入发达国家市场的出口企业的生产率一般高于进入发展中国家市场的出口企业,由于发展阶段的相似性,进入发展中国家市场上的出口企业面临更为激烈的竞争,因而更容易遭遇反倾销。基于上述两方面原因,我们预期β1的符号为负。下标i 表示企业,ε为残差项。

在计量模型 (2-1)式中,对于生产率以外的其他影响因素,我们无法穷尽。根据中国企业发展现状,并结合已有的研究结果,我们选取了较为重要的控制变量,最终将回归模型设定为

其中,ex代表企业的出口规模,用企业出口交货值的对数表示。作为衡量企业进入国际市场程度的重要指标,出口交货值越大,说明该企业的出口能力越强。正是出口能力较强的企业,会对进口国相关厂商的产量、利润等构成影响,甚至直接危及进口国厂商的生存状况。因此国外企业或利益集团在向相关机构申请反倾销调查时,一般针对的是出口能力较强、出口额较大的企业。所以,企业的出口能力越强,越容易遭遇反倾销,预期ex的系数的符号为正。

credit代表企业面临的融资约束,用企业利息支出的对数表示,这种方法已被众多学者加以使用 (Monawa,2008; Feesntra et al.,2013)。尽管李焰和张宁 (2008)在探讨用何种综合财务指标来衡量融资约束时,赋予不同指标以不同的权重来测度企业的融资约束,其中包括利息保障倍数 (即息税前利润除以利息支出),但为了避免与其他控制变量 (企业盈利水平profit)高度相关,我们仍采用利息支出来衡量企业的融资约束,而不再考虑其税前利润。对于企业来说,利息支出越多,其所能获得的资金越多,面临的融资约束越小,但融资约束与企业遭遇反倾销的概率之间的关系则不确定,因此无法预判其系数的符号。

liquidity 表示企业资产的流动性,用企业流动资产年平均余额的对数表示。企业流动资产主要包括应收账款、存货、货币资金和交易性金融资产等,其中存货一般会占1/3。一般来说,企业资产的流动性越小,其拥有的存货、应收账款越少,说明其产品的销售情况良好,且拖欠率较低,对于出口企业而言,这意味着该企业的产品受到国外消费者的欢迎,使得国外同类型产品受到冲击,从而该企业更容易受到国外企业的反倾销控诉,因此预期liquidity的系数的符号为负。

input反映了出口企业在产品价值链上所处的位置,用工业中间投入的对数表示。工业中间投入越大,在总产值一定的情况下,企业所产生的工业增加值越小,从而位于价值链的下游。张杰等 (2008)指出,由于受技术水平、人力资本等因素的影响,中国很多出口企业以代工或贴牌的方式参与国际贸易,从事制造、组装等活动,处于价值链的低端环节。这些企业往往具有技术水平低、产品质量低、产品价格低等特征,因而容易在国际市场上构成倾销,容易招致贸易伙伴企业的反倾销调查,因此预期input的系数的符号为正。

profit衡量的是企业的经营状况,用利润总额的对数表示。由于厂商利润为收入与成本之差,因而企业的盈利能力越强,产品销售收入与销售成本的差额越大,从而价格与成本的差额可能越大,存在倾销的可能性越低。因此,预期profit的系数的符号为负。在敏感性检验中,我们使用营业利润yprofit来代替利润总额。

size表示企业规模,用企业工业销售总产值的对数及应交所得税的对数表示。制造业企业的销售总产值是企业规模的直接体现,该指标也被广泛使用 (张晓明,2003),本章中用sale表示。同时,为了验证回归结果的稳健性,我们采用企业应交所得税的对数作为其替代变量,用tax 表示。不同于国内贸易,出口企业在进行国际贸易时面临着各类成本和风险,如跨国运输费用、广告费用、更为严苛的质量要求、各种贸易壁垒、海外市场的维护、产品售后服务和政治风险等,因此企业出口时面临着成本的增加,我们称之为“出口成本”。在规模报酬递增的情况下,企业规模越大,生产的边际成本越低,出口的边际成本也越低,产品价格可能越低,易招致贸易伙伴企业的敌视,从而更容易遭遇反倾销。因此,预期size的系数的符号为正。

此外,我们在稳健性检验中还将控制企业的基本特征,包括企业的所有制和运营时间,前者使用代表国有和集体企业、私营企业的两个虚拟变量表示,后者用企业遭遇反倾销时的开业时间表示。

三、样本选取与数据描述

(一)样本选取与企业查找

在选取发起反倾销的贸易伙伴时,本章基于两方面因素考虑:一是这些经济体是中国的重要贸易伙伴,即中国对这些伙伴的出口额较大;二是这些经济体在考察期内是对华反倾销的主要发起者。因此本章最终选取的样本是遭遇欧盟、美国、韩国、澳大利亚、加拿大、印度尼西亚、印度七个经济体反倾销的中国企业。我们首先根据世界银行的全球反倾销数据库整理了反倾销案件的各方面信息,对案件的描述性统计列于表2-1之中。在考察期内,这七个经济体对华发起反倾销案件349起,占中国遭遇的全部反倾销案件的比重超过了50%,其中有237起案件最终导致了征收反倾销税,还有35起案件以涉案企业做出“价格保证”而告终,可见对华反倾销往往对中国企业出口构成了实质性的阻碍与限制。

表2-1 主要贸易伙伴对中国反倾销案件的情况 (2000 年至2010 年)

注:第1行中的符号表示反倾销案件的不同处理结果。其中,AVD表示从价税,SD表示从量税,PU表示价格保证,DPU表示当售价低于给定水平时征税,·表示未达到调查阶段,MI表示信息缺失。“占比”表示特定贸易伙伴对华反倾销案件占中国遭遇的全部反倾销案件的比重。

资料来源:根据世界银行全球反倾销数据库整理得到。

在具体处理过程中,本章利用2000年至2010年世界银行全球反倾销数据库,获取中国遭遇反倾销的企业的英文名称,然后根据该英文名称获得遭遇反倾销的企业的中文名称,在1999年至2009年中国工业企业数据库中找到其各类指标的数据作为解释变量。我们之所以使用滞后一期的解释变量,一方面是因为企业从战略布局到生产,到 (海外)销售,再到遭遇贸易壁垒,会经历一定的时间,因此企业上一年的各种特征可能会对当年是否遭遇反倾销产生更大的影响;另一方面是因为企业遭遇反倾销之后,会引发出口受阻、贸易转向,以及产量、价格、利润等方面的一系列变化,并可能对企业生产率产生影响,因而核心解释变量TFP 同被解释变量AD 之间可能存在互为因果的内生性,但企业当年遭遇反倾销的状况显然不会影响上一年的生产率,因此这样处理可以有效地克服内生性。

遭遇反倾销的企业在工业企业数据库中的查找结果见表2--2。在回归模型中,我们使用的解释变量是滞后一期的数据。由于2004年工业企业数据库中未包含众多指标,因而我们舍弃了2005年遭遇反倾销的企业。从而本章所分析的样本为2000年至2004年以及2006年至2010年遭遇反倾销的企业,解释变量数据来源于1999年至2003年以及2005年至2009年中国工业企业数据库。对于一些企业,通过英文名称无法确定其中文名称,因此存在“未找到”的情形,这类企业占全部涉案企业的比重接近40.0%;能确定涉案企业名称,但在工业企业数据库中没有该公司信息的占2.74%;此外,还有一些反倾销案件的涉案企业为“全部厂商”,我们将其舍去,这种情况占比4.0%左右。再剔除一年内被多次指控的企业,我们获得了1083家企业的有效信息,查找成功率为51.23%。

表2-2 遭遇反倾销企业的查找情况

注:a遭遇反倾销的企业,可能在同一年受到不同经济体的指控,或者被同一经济体多次提起反倾销指控。因此,“有效 (去重)”是在“有效”的基础上去掉重复计算的企业而得到的,这些企业构成了本章定量分析的观测值。

b一些反倾销案件涉及出口商品的所有厂商,此时本章用“泛指”表示所有遭遇反倾销的企业。

资料来源:根据世界银行全球反倾销数据库和中国工业企业数据库整理而得。表2-3至2-5与此相同。

进一步地,我们发现,一些企业在遭遇反倾销的当年和上一年的出口交货值均为零,这并不符合现实。聂辉华等 (2012)指出了中国工业企业数据库存在的诸多问题,如样本匹配混乱、变量存在异常值等。遭遇反倾销的企业出口交货值为零显然是异常值,为排除其干扰,我们只考虑上一年出口交货值不为零的企业。经过此次筛选,最终得到732个企业作为观测对象,这些企业分布较为广泛,主要分布的行业有通用设备制造业 (135家,占比18.4%)、化学原料与化学制品制造业 (102家,占比13.9%),以及家具制造业 (57家,占比7.8%)。

(二)确定对照组

基于本章的研究目标,我们将遭遇反倾销的企业作为实验组,还需选取未遭遇反倾销的企业作为对照组。不能将未遭遇反倾销的全部企业作为对照组的原因在于,工业企业数据库中的企业在规模、绩效、参与贸易状况等方面具有显著的异质性,这就造成了部分企业同遭遇反倾销的企业不具有可比性,如果简单地考察生产率因素对全部企业是否遭遇反倾销所产生的影响,则会造成巨大的偏误。如上文所述,我们已经筛选出732个企业作为实验组,对于组中任一企业,我们将在控制企业规模、出口量、盈利状况等生产率以外影响因素的情况下,选取同年该行业中未遭遇反倾销的出口企业作为其对照组。为实现这一过程,我们将以 (2-2)式中包含的六个控制变量构成的向量X,构建指数Pi(X),构建过程如下。

第一步,以2000年为基期,对出口企业的各项指标数值进行贴现,获得X根据国家统计局公布的居民消费价格指数进行贴现,贴现后得到向量。

第二步,计算企业相对规模,首先计算该行业工业销售总产值的平均值,然后利用公式 (2-3)进行变换,其中代表企业规模的相对大小,为企业规模贴现后的数值,为该企业所在行业规模贴现后的平均值,这样的变换可使相对规模的取值介于0~1之间。注1:

注1:变量p1和x1分别表示企业各指标的相对值和 (贴现后的)绝对值,下标i表示企业,上标n=1,2,3,4,5,6,分别表示企业规模、出口规模、融资约束、资产流动性、工业中间投入状况和企业盈利水平六项指标。

第四步,对于出口交货值,进行同样的变换,获得企业相对出口交货值

第五步,对于利息支出、流动资产年平均余额和工业中间投入,为排除企业规模对它们的影响,在原数值的基础上除以企业的工业总产值yi,见 (2-4)式。

第六步,对于企业的经营状况,用企业相对盈利水平表示,即使用利润总额除以工业销售产值sale i 进行变换,见 (2-5)式。

第七步,我们对上述变换后得到的六项指标赋予相同的权重进行加权平均,得到指数Pi(X),见 (2-6)式。

确定实验组企业所在的各个行业,对每个行业内的全部出口企业均计算出指数Pi (X),并对该指数进行排序,然后通过R 软件,在行业内部找到当年同遭遇反倾销的企业的指数最为接近的m (m=2,3,4,5)个企业,作为其对照组企业,筛选结果见表2-3。对于同时遭遇反倾销的两个企业,当它们的对照组企业存在重复时,则只取一次对照组企业。需要说明的是,在出口交货值大于零的企业中,存在一些职工人数、工业总产值或工业销售总产值为零的企业,而正常经营的企业不会出现上述情况,因此,在构建指数时,我们舍弃了这些出现异常值的企业。

表2-3 不同情形下的实验组和对照组数量

我们以“实验+2个对照组”为基准检验的样本,其他三组作为稳健性检验的样本。根据“实验+2个对照组”,计算出各变量的统计指标,描述性统计结果列于表2-4之中。

表2-4 变量描述与预期符号