县城炒房是否损害了中小微企业的盈利能力——基于江苏省县域中小微企业数据的实证分析
|
摘要
县城的房地产炒作行为加剧了县域中小微企业的生存困境。本文使用2014～2016年间江苏省2971家县域中小微企业的追踪调查面板数据,研究了县城房地产炒作对当地中小微企业利润率的影响。使用工具变量法控制了潜在的内生性问题后,本文发现:江苏省县城商品房销售价格每上涨1%,平均会导致当地中小微企业的利润率萎缩2.50%。基于Sobel中介因子模型的路径机制检验结果则显示:县城房地产炒作主要是通过抬高当地企业的劳动成本和融资成本两条路径,侵占了企业的经营利润,且劳动成本路径的中介效应占比更高。本文建议各地方政府严控县域经济的房地产泡沫化风险,综合使用金融、财政和房地产市场的行政管制等政策工具,重新将资本和劳动要素引回实体经济,唤醒县域中小微实体企业的活力。
The real estate speculation in county-level cities has aggravated the survival plight of small and medium-sized enterprises(SMEs) in China's rural areas.This article uses the panel data collected from 2971 SMEs in counties of Jiangsu Province from 2014 to 2016 and analyzes the impact of housing price appreciation on the profit margin of rural SMEs.After controlling the potential endogenous problems with the instrumental variable(IV) method,the study finds that every 1% of increase in housing price in county-level cities of Jiangsu Province can lead to an average shrinkage of 2.50% in the profit margin of local SMEs.The results of path mechanism test based on the Sobel intermediary factor model show that the real estate hype boom in county-level cities of Jiangsu Province damaged local SMEs' profitability mainly through an increase in labor cost and financing cost of local enterprises,with the increase in labor cost being relatively more important.In conclusion,this study suggests that the Chinese government strictly regulate the real estate market order in small and medium-sized cities to control the risk of the real estate bubble.Local governments should guide the capital and labor factors back to the real economy,and arouse the vitality of SMEs by comprehensively using the monetary,fiscal and administrative policy tools.
The real estate speculation in county-level cities has aggravated the survival plight of small and medium-sized enterprises(SMEs) in China's rural areas.This article uses the panel data collected from 2971 SMEs in counties of Jiangsu Province from 2014 to 2016 and analyzes the impact of housing price appreciation on the profit margin of rural SMEs.After controlling the potential endogenous problems with the instrumental variable(IV) method,the study finds that every 1% of increase in housing price in county-level cities of Jiangsu Province can lead to an average shrinkage of 2.50% in the profit margin of local SMEs.The results of path mechanism test based on the Sobel intermediary factor model show that the real estate hype boom in county-level cities of Jiangsu Province damaged local SMEs' profitability mainly through an increase in labor cost and financing cost of local enterprises,with the increase in labor cost being relatively more important.In conclusion,this study suggests that the Chinese government strictly regulate the real estate market order in small and medium-sized cities to control the risk of the real estate bubble.Local governments should guide the capital and labor factors back to the real economy,and arouse the vitality of SMEs by comprehensively using the monetary,fiscal and administrative policy tools.
引文
1.陈斌开、金箫、欧阳涤非,2015:《住房价格、资源错配与中国工业企业生产率》,《世界经济》第4期。
2.干春晖、郑若谷、余典范,2011:《中国产业结构变迁对经济增长和波动的影响》,《经济研究》第5期。
3.郭树龙、刘文彬,2017:《房价上涨对企业规模分布的影响研究》,《财经研究》第11期。
4.刘斌、王乃嘉,2016:《房价上涨挤压了我国企业的出口能量吗?》,《财经研究》第5期。
5.刘行、建蕾、梁娟,2016:《房价波动、抵押资产价值与企业风险承担》,《金融研究》第3期。
6.陆铭、张航、梁文泉,2015:《偏向中西部的土地供应如何推升了东部的工资》,《中国社会科学》第5期。
7.吕劲松,2015:《关于中小企业融资难、融资贵问题的思考》,《金融研究》第11期。
8.孙浦阳、李飞跃、顾凌骏,2014:《商业信用能否成为企业有效的融资渠道》,《经济学(季刊)》第4期。
9.佟家栋、刘竹青,2018:《房价上涨、建筑业扩张与中国制造业的用工问题》,《经济研究》第7期。
10.王芳、姚玲珍,2018:《高房价会抑制私营企业的投资规模吗?》,《财经研究》第8期。
11.王文春、荣昭,2014:《房价上涨对工业企业创新的抑制影响研究》,《经济学(季刊)》第2期。
12.王子成,2015:《雇佣条件、企业类型与劳动力短缺——来自广东省用工企业的调查》,《中国人口科学》第2期。
13.魏志华、曾爱民、李博,2014:《金融生态环境与企业融资约束——基于中国上市公司的实证研究》,《会计研究》第5期。
14.吴晓瑜、王敏、李力行,2014:《中国的高房价是否阻碍了创业?》,《经济研究》第9期。
15.姚耀军、董钢锋,2015:《中小企业融资约束缓解:金融发展水平重要抑或金融结构重要?》,《金融研究》第4期。
16.余静文、王媛、谭静,2015:《房价高增长与企业“低技术锁定”》,《上海财经大学学报》第5期。
17.余泳泽、李启航,2019:《城市房价与全要素生产率:“挤出效应”与“筛选效应”》,《财贸经济》第1期。
18.曾海舰,2012:《房产价值与公司投融资变动——抵押担保渠道效应的中国经验证据》,《管理世界》第5期。
19.张巍、许家云、杨竺松,2018:《房价、工资与资源配置效率》,《金融研究》第8期。
20.赵岳、谭之博,2012:《电子商务、银行信贷与中小企业融资》,《经济研究》第7期。
21.钟腾,2017:《房地产抵押品价值变动的实体经济效应》,《财经研究》第10期。
22.Baron,R. M.,and D. A. Kenny,1986,“The Moderator-mediator Variable Distinction in Social Psychological Research”,Journal of Personality&Social Psychology,51(6):1173-1182.
23.Cenni,S.,S. Monferrà,V. Salotti,M. Sangiorgi,and G. Torluccio,2015,“Credit Rationing and Relationship Lending:Does Firm Size Matter?”,Journal of Banking&Finance,53(15):249-265.
24.Chaney,T.,D. Sraer,and D. Thesmar,2012,“The Collateral Channel:How Real Estate Shocks Affect Corporate Investment”,American Economic Review,102(6):2381-2409.
25.Han,L. B.,and M. Lu,2017,“Housing Prices and Investment:AnAssessment of China’s Inland-favoring Land Supply Policies”,Journal of the Asia Pacific Economy,22(1):106-121.
26.Levinsohn,J.,and A. Petrin,2003,“Estimating Production Functions Using Inputs to Control for Unobservables”,Review of Economic Studies,70(2):317-341.
27.Moulton,B. R.,1990,“An Illustration of a Pitfall in Estimating the Effects of Aggregate Variables on Micro Units”,Review of Economics and Statistics,72(2):334-338.
28.Nunn,N.,and N. Qian,2014,“US FoodAid and Civil Conflict”,American Economic Review,104(6):1630-1666.
29.Olley,G. S.,and A. Pakes,1996,“The Dynamics of Productivity in the Telecommunications Equipment Industry”,Econometrica,64(6):1263-1297.
30.Ryan,R. M.,C. M. O’Toole,and F. Mccann,2014,“Does Bank Market Power Affect SME Financing Constraints?”,Journal of Banking&Finance,49(14):495-505.
(1)苏州市统计局(编),2017:《苏州市统计年鉴2017》,北京:中国统计出版社。
(2)参见《央行行长:小微企业贡献了80%的就业、50%的税收,必须要支持》,http://finance.ifeng.com/a/20180614/16342064_0.shtml。
(1)企业利润率=(企业净利润/企业固定资产)×100。
(2)本文使用Levinsohn and Petrin(2003)方法测算企业全要素生产率。Levinsohn and Petrin(2003)方法由Olley and Pakes(1996)提出的一致半参数估计方法改良而来。Olley and Pakes(1996)假定企业根据当前全要素生产率状况做出投资决策,因此可用企业的当期投资作为不可观测的全要素生产率的代理变量,从而解决估算企业全要素生产率的同时性偏差问题。Olley and Pakes(1996)方法要求代理变量(当期投资)与企业总产出始终保持单调关系,这就意味着那些当期投资额为零的样本就会被舍弃。Levinsohn and Petrin(2003)针对这一问题提出了使用企业中间品投入代替投资额作为代理变量的方法。从数据获取难度的视角来看,中间品投入数据更容易获得,且对部分缺失的中间品投入数据,可以使用“中间品投入=工业总产值-工业增加值+应交税费”的方式近似估算。在Stata软件中,Levinsohn and Petrin(2003)方法可以借助扩展命令levpet来实现。
(3)本文根据国家统计局发布的《统计上大中小微型企业划分办法(国统字[2011]75号)》来划分中小微企业。中型企业应满足:(1)从业人员大于或等于300人且低于1000人,(2)年营业收入大于或等于0.2亿元且低于4亿元;小型企业应满足:(1)从业人员大于或等于20人且低于300人,(2)年营业收入大于或等于300万元且低于2000万元;微型企业应满足:(1)从业人员小于20人或年营业收入低于300万元。若不能同时满足两个标准的下限,则下划一档。
(1)1.96为表2第(1)~(4)列中房价变量系数和第(5)~(6)列中房价偏效应的算数均值。房价偏效应的计算方法是:房价对数的回归系数+交互项系数与企业利润率变量均值(27.32)的乘积。
(1)在中国,城市住户的中长期贷款基本以住房贷款为主,这一指标也是中国人民银行监控中国金融机构房贷市场风险的核心指标。
(1)5.17为表3第(1)至(4)列中房贷占比变量系数和第(5)至(6)列中房贷占比偏效应的算数均值。
(2)Nunn and Qian(2014)以类似DID模型的思路,创造性地提出了一种利用与内生变量个体变化相关的变量A,以及与内生变量时间趋势相关的变量B,共同构造交互项A×B作为工具变量的方法。他们使用“125个非OECD国家在过去36年间接受粮食援助的次数比例(与个体变化相关)”和“上一年美国小麦产量(与时间趋势相关)”的交互项,作为内生变量“美国对非OECD国家提供粮食援助”的工具变量。余泳泽、李启航(2019)以同样的思路,以“城市坡度(与个体变化相关)”和“上一年全国房地产竣工总面积(与时间趋势相关)”的交互项,作为内生变量“城市房价”的工具变量。本文与余泳泽、李启航(2019)研究的问题相似,但考虑到江苏省绝大多数地区的地形均属于平坦的河流冲击平原,城市坡度不存在明显差异,因此未采用其方法构造工具变量。
(3)该变量没有县市维度的差异,数据来自江苏省各地级市2015~2017年的统计年鉴。
(4)“城区人均道路面积”与“建成区绿化覆盖率”数据均来自江苏省住房和城乡建设厅发布的《江苏省城乡建设统计年报2016》。本文仅使用2015年一年的城建数据构造工具变量是为了保证城建数据与时间趋势无关,且2015年属于本文样本期间2014~2016年的中间一年。
(1)使用建成区绿化覆盖率指标构建工具变量的逻辑相似。限于篇幅,本文不再赘述。
(1)审稿专家指出:除了成本机制外,高房价还有可能会通过降低消费者对企业产品消费需求的方式,在需求侧给企业的利润率造成负面冲击。但遗憾的是,本文所用的“江苏省小微企业运行监测平台”数据库不是完整的企业财报数据库,缺少产品价格、工业销售产值等计算企业所面临的市场需求条件时所必需的财务指标,这使得本文无法从需求侧检验高房价可能会影响企业盈利能力的具体机制。
(1)苏南地区包括苏州、无锡、常州、镇江下辖的10个县市,样本企业数占比为34.53%;苏中地区包括扬州、泰州、南通下辖的11个县市,样本企业数占比为27.20%;苏北地区包括徐州、连云港、淮安、盐城、宿迁下辖的20个县市,样本企业数占比为38.27%。
(2)本文样本中,微型企业占比23.19%,小型企业占比67.96%,中型企业占比8.85%。
(1)本文先对同一个企业在2014~2016年三年间的全要素生产率取组内均值,然后再将所有企业按照组内全要素生产率均值进行排序,并在1/3和2/3分位数处进行分组,得到高、中、低TFP三个子样本。(2)本文并未使用企业所有制类型作为一个企业异质性来源,因为在样本企业中,国有企业只有13家,港澳台资企业有
119 家,外国投资企业有141家,三类企业样本量都过小,在控制多维固定效应的情况下,回归自由度不足。
2.干春晖、郑若谷、余典范,2011:《中国产业结构变迁对经济增长和波动的影响》,《经济研究》第5期。
3.郭树龙、刘文彬,2017:《房价上涨对企业规模分布的影响研究》,《财经研究》第11期。
4.刘斌、王乃嘉,2016:《房价上涨挤压了我国企业的出口能量吗?》,《财经研究》第5期。
5.刘行、建蕾、梁娟,2016:《房价波动、抵押资产价值与企业风险承担》,《金融研究》第3期。
6.陆铭、张航、梁文泉,2015:《偏向中西部的土地供应如何推升了东部的工资》,《中国社会科学》第5期。
7.吕劲松,2015:《关于中小企业融资难、融资贵问题的思考》,《金融研究》第11期。
8.孙浦阳、李飞跃、顾凌骏,2014:《商业信用能否成为企业有效的融资渠道》,《经济学(季刊)》第4期。
9.佟家栋、刘竹青,2018:《房价上涨、建筑业扩张与中国制造业的用工问题》,《经济研究》第7期。
10.王芳、姚玲珍,2018:《高房价会抑制私营企业的投资规模吗?》,《财经研究》第8期。
11.王文春、荣昭,2014:《房价上涨对工业企业创新的抑制影响研究》,《经济学(季刊)》第2期。
12.王子成,2015:《雇佣条件、企业类型与劳动力短缺——来自广东省用工企业的调查》,《中国人口科学》第2期。
13.魏志华、曾爱民、李博,2014:《金融生态环境与企业融资约束——基于中国上市公司的实证研究》,《会计研究》第5期。
14.吴晓瑜、王敏、李力行,2014:《中国的高房价是否阻碍了创业?》,《经济研究》第9期。
15.姚耀军、董钢锋,2015:《中小企业融资约束缓解:金融发展水平重要抑或金融结构重要?》,《金融研究》第4期。
16.余静文、王媛、谭静,2015:《房价高增长与企业“低技术锁定”》,《上海财经大学学报》第5期。
17.余泳泽、李启航,2019:《城市房价与全要素生产率:“挤出效应”与“筛选效应”》,《财贸经济》第1期。
18.曾海舰,2012:《房产价值与公司投融资变动——抵押担保渠道效应的中国经验证据》,《管理世界》第5期。
19.张巍、许家云、杨竺松,2018:《房价、工资与资源配置效率》,《金融研究》第8期。
20.赵岳、谭之博,2012:《电子商务、银行信贷与中小企业融资》,《经济研究》第7期。
21.钟腾,2017:《房地产抵押品价值变动的实体经济效应》,《财经研究》第10期。
22.Baron,R. M.,and D. A. Kenny,1986,“The Moderator-mediator Variable Distinction in Social Psychological Research”,Journal of Personality&Social Psychology,51(6):1173-1182.
23.Cenni,S.,S. Monferrà,V. Salotti,M. Sangiorgi,and G. Torluccio,2015,“Credit Rationing and Relationship Lending:Does Firm Size Matter?”,Journal of Banking&Finance,53(15):249-265.
24.Chaney,T.,D. Sraer,and D. Thesmar,2012,“The Collateral Channel:How Real Estate Shocks Affect Corporate Investment”,American Economic Review,102(6):2381-2409.
25.Han,L. B.,and M. Lu,2017,“Housing Prices and Investment:AnAssessment of China’s Inland-favoring Land Supply Policies”,Journal of the Asia Pacific Economy,22(1):106-121.
26.Levinsohn,J.,and A. Petrin,2003,“Estimating Production Functions Using Inputs to Control for Unobservables”,Review of Economic Studies,70(2):317-341.
27.Moulton,B. R.,1990,“An Illustration of a Pitfall in Estimating the Effects of Aggregate Variables on Micro Units”,Review of Economics and Statistics,72(2):334-338.
28.Nunn,N.,and N. Qian,2014,“US FoodAid and Civil Conflict”,American Economic Review,104(6):1630-1666.
29.Olley,G. S.,and A. Pakes,1996,“The Dynamics of Productivity in the Telecommunications Equipment Industry”,Econometrica,64(6):1263-1297.
30.Ryan,R. M.,C. M. O’Toole,and F. Mccann,2014,“Does Bank Market Power Affect SME Financing Constraints?”,Journal of Banking&Finance,49(14):495-505.
(1)苏州市统计局(编),2017:《苏州市统计年鉴2017》,北京:中国统计出版社。
(2)参见《央行行长:小微企业贡献了80%的就业、50%的税收,必须要支持》,http://finance.ifeng.com/a/20180614/16342064_0.shtml。
(1)企业利润率=(企业净利润/企业固定资产)×100。
(2)本文使用Levinsohn and Petrin(2003)方法测算企业全要素生产率。Levinsohn and Petrin(2003)方法由Olley and Pakes(1996)提出的一致半参数估计方法改良而来。Olley and Pakes(1996)假定企业根据当前全要素生产率状况做出投资决策,因此可用企业的当期投资作为不可观测的全要素生产率的代理变量,从而解决估算企业全要素生产率的同时性偏差问题。Olley and Pakes(1996)方法要求代理变量(当期投资)与企业总产出始终保持单调关系,这就意味着那些当期投资额为零的样本就会被舍弃。Levinsohn and Petrin(2003)针对这一问题提出了使用企业中间品投入代替投资额作为代理变量的方法。从数据获取难度的视角来看,中间品投入数据更容易获得,且对部分缺失的中间品投入数据,可以使用“中间品投入=工业总产值-工业增加值+应交税费”的方式近似估算。在Stata软件中,Levinsohn and Petrin(2003)方法可以借助扩展命令levpet来实现。
(3)本文根据国家统计局发布的《统计上大中小微型企业划分办法(国统字[2011]75号)》来划分中小微企业。中型企业应满足:(1)从业人员大于或等于300人且低于1000人,(2)年营业收入大于或等于0.2亿元且低于4亿元;小型企业应满足:(1)从业人员大于或等于20人且低于300人,(2)年营业收入大于或等于300万元且低于2000万元;微型企业应满足:(1)从业人员小于20人或年营业收入低于300万元。若不能同时满足两个标准的下限,则下划一档。
(1)1.96为表2第(1)~(4)列中房价变量系数和第(5)~(6)列中房价偏效应的算数均值。房价偏效应的计算方法是:房价对数的回归系数+交互项系数与企业利润率变量均值(27.32)的乘积。
(1)在中国,城市住户的中长期贷款基本以住房贷款为主,这一指标也是中国人民银行监控中国金融机构房贷市场风险的核心指标。
(1)5.17为表3第(1)至(4)列中房贷占比变量系数和第(5)至(6)列中房贷占比偏效应的算数均值。
(2)Nunn and Qian(2014)以类似DID模型的思路,创造性地提出了一种利用与内生变量个体变化相关的变量A,以及与内生变量时间趋势相关的变量B,共同构造交互项A×B作为工具变量的方法。他们使用“125个非OECD国家在过去36年间接受粮食援助的次数比例(与个体变化相关)”和“上一年美国小麦产量(与时间趋势相关)”的交互项,作为内生变量“美国对非OECD国家提供粮食援助”的工具变量。余泳泽、李启航(2019)以同样的思路,以“城市坡度(与个体变化相关)”和“上一年全国房地产竣工总面积(与时间趋势相关)”的交互项,作为内生变量“城市房价”的工具变量。本文与余泳泽、李启航(2019)研究的问题相似,但考虑到江苏省绝大多数地区的地形均属于平坦的河流冲击平原,城市坡度不存在明显差异,因此未采用其方法构造工具变量。
(3)该变量没有县市维度的差异,数据来自江苏省各地级市2015~2017年的统计年鉴。
(4)“城区人均道路面积”与“建成区绿化覆盖率”数据均来自江苏省住房和城乡建设厅发布的《江苏省城乡建设统计年报2016》。本文仅使用2015年一年的城建数据构造工具变量是为了保证城建数据与时间趋势无关,且2015年属于本文样本期间2014~2016年的中间一年。
(1)使用建成区绿化覆盖率指标构建工具变量的逻辑相似。限于篇幅,本文不再赘述。
(1)审稿专家指出:除了成本机制外,高房价还有可能会通过降低消费者对企业产品消费需求的方式,在需求侧给企业的利润率造成负面冲击。但遗憾的是,本文所用的“江苏省小微企业运行监测平台”数据库不是完整的企业财报数据库,缺少产品价格、工业销售产值等计算企业所面临的市场需求条件时所必需的财务指标,这使得本文无法从需求侧检验高房价可能会影响企业盈利能力的具体机制。
(1)苏南地区包括苏州、无锡、常州、镇江下辖的10个县市,样本企业数占比为34.53%;苏中地区包括扬州、泰州、南通下辖的11个县市,样本企业数占比为27.20%;苏北地区包括徐州、连云港、淮安、盐城、宿迁下辖的20个县市,样本企业数占比为38.27%。
(2)本文样本中,微型企业占比23.19%,小型企业占比67.96%,中型企业占比8.85%。
(1)本文先对同一个企业在2014~2016年三年间的全要素生产率取组内均值,然后再将所有企业按照组内全要素生产率均值进行排序,并在1/3和2/3分位数处进行分组,得到高、中、低TFP三个子样本。(2)本文并未使用企业所有制类型作为一个企业异质性来源,因为在样本企业中,国有企业只有13家,港澳台资企业有
119 家,外国投资企业有141家,三类企业样本量都过小,在控制多维固定效应的情况下,回归自由度不足。