紀(jì)建悅 周婧琳 褚磊

摘 ? 要：本文基于成本前沿理論對配置效率的分解，測算了工業(yè)部門的資源配置效率。在此基礎(chǔ)上，選取資本投資為中介變量，利用2001—2017年我國30個省份的面板數(shù)據(jù)，采用系統(tǒng)GMM方法，運(yùn)用逐步回歸的中介效應(yīng)分析模型就住房價格對工業(yè)部門資源配置效率的影響進(jìn)行了實證分析。研究發(fā)現(xiàn)，住房價格通過“抽血效應(yīng)”對實體經(jīng)濟(jì)資源配置效率產(chǎn)生顯著的負(fù)向沖擊，資本投資在其中起到了顯著部分中介效應(yīng)。

關(guān)鍵詞：住房價格;資本投資;工業(yè)部門資源配置效率;中介效應(yīng);系統(tǒng)GMM

中圖分類號：F830.9 ? 文獻(xiàn)標(biāo)識碼：A ?文章編號：1674-2265（2020）12-0003-11

DOI：10.19647/j.cnki.37-1462/f.2020.12.001

一、引言

目前，我國經(jīng)濟(jì)發(fā)展進(jìn)入調(diào)整期，經(jīng)濟(jì)增速放緩，主要依靠資源投入拉動經(jīng)濟(jì)增長的粗放型增長模式已經(jīng)不再適用。要保持經(jīng)濟(jì)的持續(xù)健康發(fā)展，需要在既定的資源約束下提高資源的使用效率，這一方面依賴于技術(shù)水平的提升，另一方面也依靠資源配置的優(yōu)化（陳永偉和胡偉民，2011）[1]。如果我國的資源配置效率可以達(dá)到美國的水平，則TFP將提高30%—50%，若不存在資源錯配，總產(chǎn)出將提高110%（Hsieh和Klenow，2009）[2]。因此，提高資源配置效率對經(jīng)濟(jì)增長至關(guān)重要。學(xué)者們進(jìn)一步對影響資源配置效率的因素進(jìn)行了探究（丁志國等，2012;邵宜航等，2013;張建華和鄒鳳明，2015）[3-5]。在宏觀層面，Restuccia和Rogerson（2008）[6]、陳永偉和胡偉民（2011）[1]、Brandt（2013）[7]等都認(rèn)為要素市場和產(chǎn)品市場相對價格扭曲是造成資源配置效率下降的主要原因;張佩和馬弘（2012）[8]、張慶君（2015）[9]和Midrigan等（2014）[10]認(rèn)為信貸市場缺陷，即金融市場扭曲也是影響資源配置效率的重要因素;同時，產(chǎn)品替代性、調(diào)整成本的存在會加劇資源錯配程度（孫浦陽等，2013;楊光等，2015）[11，12];周黎安等（2013）[13]、韓劍和鄭秋玲（2014）[14]、靳來群等認(rèn)為政治周期、政府干預(yù)、行政壟斷是影響資源配置效率的重要渠道。而在微觀企業(yè)層面，陳艷利等基于信息不對稱和委托代理理論分析了企業(yè)集團(tuán)內(nèi)部交易與資源配置效率的關(guān)系，指出關(guān)聯(lián)擔(dān)保和內(nèi)部交易會降低資源配置效率（陳艷利等，2014）[16]。

自1998年我國全面推行住房商品化后，特別是2003年以來，住房價格快速上漲。從2003年到2018年，全國平均商品房銷售價格從2359元/平方米上漲到8736.9元/平方米，增長了3.7倍。許多學(xué)者針對房價與實體經(jīng)濟(jì)的關(guān)系展開研究，有學(xué)者認(rèn)為房價上漲帶來房地產(chǎn)市場的繁榮，同時帶動了房地產(chǎn)相關(guān)行業(yè)的發(fā)展，推動了經(jīng)濟(jì)增長（梁云芳，2006）[17];但也有學(xué)者認(rèn)為房地產(chǎn)行業(yè)過快發(fā)展會擠壓實體經(jīng)濟(jì)，阻礙經(jīng)濟(jì)的長期穩(wěn)定增長。此外，馮玉梅和楊瑞桐就不同地域展開研究，認(rèn)為金融資源投入具有房地產(chǎn)業(yè)比較優(yōu)勢的城市能夠促進(jìn)當(dāng)?shù)亟?jīng)濟(jì)增長，而投入房地產(chǎn)業(yè)比較劣勢的城市則不利于當(dāng)?shù)亟?jīng)濟(jì)增長（馮玉梅和楊瑞桐，2018）[18]。Han和Lu（2017）[19]則在行業(yè)層面進(jìn)行分析，證實高房價抑制了制造業(yè)企業(yè)的生產(chǎn)性投資，進(jìn)而對中國實體經(jīng)濟(jì)部門產(chǎn)生顯著影響。上述文獻(xiàn)從不同角度闡釋了房地產(chǎn)迅猛發(fā)展對實體經(jīng)濟(jì)的影響，揭示了房地產(chǎn)過度繁榮的雙面效應(yīng)。

由于房地產(chǎn)兼具實物資產(chǎn)和虛擬資產(chǎn)的雙重屬性，我國城市房價持續(xù)高企，房地產(chǎn)投資額占社會固定資本投資額的比重亦逐年攀升，部分學(xué)者開始注意到房地產(chǎn)過度繁榮與資源配置效率的關(guān)系。陳斌開等認(rèn)為，高房價導(dǎo)致資源錯配，降低資源再配置效率，進(jìn)而降低全要素生產(chǎn)率，阻礙中國經(jīng)濟(jì)的持續(xù)穩(wěn)定增長（陳斌開等，2015）[20]。張巍和許家云等認(rèn)為，高房價引致的工資上漲導(dǎo)致了我國過度的資本深化和過快的產(chǎn)業(yè)升級，并降低了地區(qū)的資源配置效率（張巍等，2018）[21]。羅雙成和陳衛(wèi)民利用中介效應(yīng)模型檢驗房價上漲通過要素錯配影響城市創(chuàng)新能力的作用機(jī)制，認(rèn)為房價上漲過快導(dǎo)致資源錯配，造成資源配置效率的損失，是抑制城市創(chuàng)新能力的重要原因（羅雙成和陳衛(wèi)民，2019）[22]。另外，房地產(chǎn)投資對實體經(jīng)濟(jì)資源配置效率的影響機(jī)理也逐漸成為學(xué)術(shù)界爭論的熱點(diǎn)。羅知和張川川（2015）[23]考察了房地產(chǎn)投資對制造業(yè)資源配置效率的影響，發(fā)現(xiàn)國有企業(yè)獲得大量信貸資源并投資于房地產(chǎn)是造成制造業(yè)資源配置效率下降的原因之一。余永澤和李啟航（2019）[24]認(rèn)為，城市高房價顯著抑制了城市全要素生產(chǎn)率水平的提升，而這種抑制效應(yīng)主要來自房地產(chǎn)投資對實體經(jīng)濟(jì)資金的“擠占效應(yīng)”和“資源錯配效應(yīng)”。徐妍和郭品（2019）[25]提出，我國房地產(chǎn)定價中的非效率因素是近年來房價持續(xù)上漲的重要原因，且會引起資本市場和勞動力市場的資源錯配。

由文獻(xiàn)梳理可知，現(xiàn)有相關(guān)研究還存在一些可拓展空間：現(xiàn)有文獻(xiàn)針對住房價格影響實體經(jīng)濟(jì)的研究，特別是在房價影響配置效率的作用路徑方面仍存在爭議，且鮮有學(xué)者將住房價格、工業(yè)部門資本投資和資源配置效率納入同一框架下構(gòu)建數(shù)理模型進(jìn)行實證分析;此外，現(xiàn)有研究大多利用TFP的離散程度衡量資源配置效率，而計算TFP時的諸多假設(shè)降低了計算結(jié)果的準(zhǔn)確性。為此，本文以地區(qū)資本投資為切入點(diǎn)，選取工業(yè)部門新增固定資產(chǎn)投資為中介變量，主要考察在該中介效應(yīng)下，住房價格快速上漲對工業(yè)部門資源配置效率的影響。本文研究對新時期進(jìn)一步提高工業(yè)部門資源配置效率、促進(jìn)經(jīng)濟(jì)增長具有重要的理論價值和現(xiàn)實意義。

二、影響機(jī)理分析

（一）工業(yè)部門資源配置效率測算

Farrell（1957）[26]首次以直觀圖（見圖1）的形式提出成本效率的概念，并將前沿分析方法引入到效率研究中來，形成最初的成本前沿理論。該理論認(rèn)為成本效率可以分解為技術(shù)效率和配置效率。其中，配置效率衡量的是在當(dāng)前的投入價格水平下，決策單元實現(xiàn)投入最優(yōu)組合的能力，本文用圖1對配置效率進(jìn)行說明。假設(shè)決策單元使用兩種投入，分別為勞動力與資本，生產(chǎn)一種產(chǎn)出y。等產(chǎn)量線L（y）為生產(chǎn)y所需的最少要素投入組合。PP為決策單元的一條成本線，PP與L（y）相切于a點(diǎn)。當(dāng)決策單元的投入組合為a點(diǎn)時，能以最小的成本生產(chǎn)y，配置有效。若決策單元的投入組合在a點(diǎn)的左側(cè)，說明相對于勞動力來說，資本投入過少;若決策單元的投入組合在a點(diǎn)的右側(cè)，則說明相對于勞動力來說，資本投入過多。以上兩種情形都是配置非有效的。當(dāng)決策單元的投入組合在b點(diǎn)時，配置效率（AE）可以表示為：

[AE=od/ob]

當(dāng)決策單元的投入組合為c點(diǎn)時，不僅存在配置非有效，而且存在技術(shù)非有效。由于本文主要討論資源配置效率，因此在分析中假設(shè)決策單元都是技術(shù)有效的。

快速上漲的住房價格給房地產(chǎn)業(yè)帶來了高額的回報。按照呂江林（2010）[27]的計算方法，2018年房地產(chǎn)企業(yè)的平均成本費(fèi)用利潤率為14.2%，而工業(yè)企業(yè)僅為6.9%。房地產(chǎn)業(yè)的高回報率吸引了大量投資，2003—2018年該行業(yè)投資規(guī)模年均增長率為15.82%。房地產(chǎn)過度投資會對工業(yè)部門的資金產(chǎn)生“抽血效應(yīng)”，從圖2可以看出，當(dāng)房地產(chǎn)投資迅速膨脹，投資增長率上升時，工業(yè)新增固定資產(chǎn)投資增長率下降，二者呈現(xiàn)明顯的負(fù)相關(guān)關(guān)系。

高房價給房地產(chǎn)帶來高回報，高回報使得房地產(chǎn)投資迅速增加，房地產(chǎn)業(yè)成為巨大的“吸金池”，對工業(yè)部門的資金產(chǎn)生巨大的吸附作用，形成對工業(yè)部門的“抽血效應(yīng)”。假設(shè)短時期內(nèi)，勞動力供應(yīng)充足，勞動力和資本的價格保持不變，則房地產(chǎn)對工業(yè)資金的“抽血效應(yīng)”會使得工業(yè)部門資源配置效率下降。具體分析如下：

對于初始配置有效的決策單元，由于“抽血效應(yīng)”的存在，一方面，其沒有充足的資金，無法擴(kuò)大生產(chǎn)規(guī)模，提高市場占有率，擠出低效決策單元，從而失去了進(jìn)一步提高資源配置效率的機(jī)會;另一方面，由于投資的“理性選擇”，決策單元傾向于將稀缺資源投入到高回報率的房地產(chǎn)業(yè)，減少主要業(yè)務(wù)的資本投入。在產(chǎn)出y一定的情況下，資本投入減少，使得投入組合由圖1中的a點(diǎn)向b點(diǎn)移動，即配置效率下降。

對于初始配置非有效的決策單元，如圖3所示。若決策單元的初始投入組合為（a）圖[OO1]，即相對于勞動力來說，資本投入過少。那么，當(dāng)整體工業(yè)資本投入減少或決策單元將資本投向房地產(chǎn)業(yè)時，投入組合由[OO1]向[OO2]方向移動，組合中的資本投入進(jìn)一步減少，配置效率進(jìn)一步降低。若決策單元初始投入組合為（b）圖[OO3]，即相對于勞動力來說，資本投入過多。這時，當(dāng)整體工業(yè)資本投入減少或決策單元將資本投入房地產(chǎn)業(yè)時，投入組合由[OO3]向[OO4]方向移動，配置效率改善。但如果房價進(jìn)一步上漲，房地產(chǎn)業(yè)的利潤率進(jìn)一步提升，資本進(jìn)一步抽離工業(yè)部門，決策單元將更多的資本投向房地產(chǎn)業(yè)，投入組合由[OO4]向[OO5]方向移動，相對于勞動力來說，資本投入過少，配置效率下降。

因此，“抽血效應(yīng)”使得初始配置有效決策單元的配置效率下降，而對于初始配置非有效的決策單元，不管勞動力和資本的投入比例如何，其配置效率最終都趨于降低。同時，“抽血效應(yīng)”使得工業(yè)部門的資本投入迅速減少，而短時間內(nèi)，勞動力的數(shù)量卻不會發(fā)生太大的變化，這種相對供求關(guān)系的變化，必然會引起要素價格的相對扭曲，而要素價格相對扭曲正是導(dǎo)致資源配置效率下降的主要原因（謝攀和林致遠(yuǎn)，2016）[28]。

（二）住房價格對資源配置效率的影響路徑

房價快速上漲作為一種產(chǎn)品市場的相對價格扭曲，會導(dǎo)致資源錯配，進(jìn)而降低資源配置效率，最終損害TFP的增長（羅雙成，陳衛(wèi)民，2019）[22]。一方面，房地產(chǎn)行業(yè)的發(fā)展會削弱個體的創(chuàng)業(yè)行為，對創(chuàng)業(yè)活動具有擠出效應(yīng)，而且住房價格是產(chǎn)生擠出效應(yīng)的主要原因（林嵩，2012）[29]。另一方面，高房價會對企業(yè)的創(chuàng)新活動產(chǎn)生阻礙（張杰等，2016）[30]，高回報率吸引了大批企業(yè)攜帶大量資金進(jìn)入房地產(chǎn)業(yè)，遏制了企業(yè)創(chuàng)新，從而削弱了實體經(jīng)濟(jì)發(fā)展（王文春和榮昭，2014）[31]。房地產(chǎn)市場迅猛發(fā)展使房地產(chǎn)企業(yè)獲利豐厚，并吸引了越來越多的資金涌入房地產(chǎn)領(lǐng)域。在金融資源有限而房地產(chǎn)高回報率的情況下，工業(yè)部門資本投資重心轉(zhuǎn)移，使金融資源過度配置到房地產(chǎn)行業(yè)而擠占本行業(yè)的投資，使高效率的企業(yè)缺乏資金用于擴(kuò)大生產(chǎn)規(guī)模、提高市場占有率和擠出低效率企業(yè)。同時，房地產(chǎn)價格上升會使工業(yè)企業(yè)經(jīng)營成本增加、利潤壓縮，資金進(jìn)一步退出實體經(jīng)濟(jì)。因此，房地產(chǎn)投資擠出工業(yè)部門投資后會使其資源配置效率下降，該擠出效應(yīng)容易導(dǎo)致經(jīng)濟(jì)結(jié)構(gòu)失衡，是長期經(jīng)濟(jì)發(fā)展的潛在風(fēng)險。

綜合上述分析，本文認(rèn)為：住房價格高企，房地產(chǎn)投資額占比攀升，會通過“抽血效應(yīng)”吸納大量工業(yè)部門資本投資資金，進(jìn)而導(dǎo)致其資源配置效率下降。

三、研究設(shè)計

（一）數(shù)據(jù)來源與變量定義

1. 數(shù)據(jù)來源?；跀?shù)據(jù)的可獲得性，本文選取我國30個省份2001—2017年的相關(guān)數(shù)據(jù)進(jìn)行工業(yè)部門資源配置效率的測算及中介效應(yīng)分析。

在工業(yè)部門資源配置效率測算部分，工業(yè)企業(yè)就業(yè)人數(shù)和工業(yè)就業(yè)人員平均勞動報酬數(shù)據(jù)來自《中國勞動統(tǒng)計年鑒》，固定資產(chǎn)凈值、固定資產(chǎn)折舊和工業(yè)增加值數(shù)據(jù)來自《中國統(tǒng)計年鑒》。在中介效應(yīng)分析部分，各省份商品房銷售價格、進(jìn)出口總額、財政支出與財政收入數(shù)據(jù)來自《中國統(tǒng)計年鑒》，工業(yè)部門新增固定資產(chǎn)投資數(shù)據(jù)來自《中國固定資產(chǎn)投資統(tǒng)計年鑒》，工業(yè)國有企業(yè)比重數(shù)據(jù)來自《中國工業(yè)統(tǒng)計年鑒》。由于年鑒中部分?jǐn)?shù)據(jù)缺失，采用插值法對2001年、2002年和2013年的工業(yè)部門新增固定資產(chǎn)投資數(shù)據(jù)進(jìn)行處理。相關(guān)變量名義值均用價格指數(shù)進(jìn)行處理，以消除通貨膨脹的影響。其中，勞動報酬、商品房銷售價格和進(jìn)出口總額采用分省CPI指數(shù)進(jìn)行處理，固定資產(chǎn)凈值與工業(yè)部門新增固定資產(chǎn)投資采用固定資產(chǎn)投資價格指數(shù)進(jìn)行處理，工業(yè)增加值采用工廠生產(chǎn)者出廠價格指數(shù)處理，各指數(shù)均以2000年不變價平減。

2. 變量定義。

（1）工業(yè)部門配置效率測算。選取工業(yè)企業(yè)就業(yè)人數(shù)和固定資產(chǎn)凈值為投入指標(biāo)，工業(yè)增加值為產(chǎn)出指標(biāo)。以工業(yè)企業(yè)就業(yè)人員平均勞動報酬作為勞動力的價格，以當(dāng)年固定資產(chǎn)折舊與固定資產(chǎn)凈值的比值作為固定資產(chǎn)的價格（楊大強(qiáng)和張愛武，2007）[32]。其中，當(dāng)年固定資產(chǎn)折舊等于本期累計折舊與上期累計折舊的差值。由于在進(jìn)行固定資產(chǎn)出售、清理、處置的會計處理時，必須將原來提取的固定資產(chǎn)累計折舊轉(zhuǎn)出，所以可能會出現(xiàn)減少本期累計折舊的現(xiàn)象，這時，以本期累計折舊減去上期累計折舊計算的當(dāng)年折舊額會出現(xiàn)負(fù)數(shù)，以此折舊額計算的固定資產(chǎn)價格小于零，這與現(xiàn)實情況不符。因此，對于固定資產(chǎn)價格小于零的數(shù)據(jù)，本文用相鄰兩期固定資產(chǎn)價格的平均值作為本期的固定資產(chǎn)價格。指標(biāo)具體計算方法見表1。

（2）中介效應(yīng)分析。將工業(yè)部門資源配置效率作為被解釋變量，住房價格作為主要解釋變量，選取工業(yè)部門新增固定資產(chǎn)投資作為資本投資的替代指標(biāo)，即中介變量。此外，工業(yè)部門的資源配置效率還受到許多其他因素的影響，如要素價格、金融發(fā)展水平、政府干預(yù)等。本文選取的控制變量主要有三個：

首先，一個省份的國有企業(yè)比重會影響該省份工業(yè)部門的資源配置效率，因為國有企業(yè)更容易以較低的成本從銀行獲得貸款，其投資方向會對工業(yè)部門資源配置效率產(chǎn)生影響。若國有企業(yè)將以較低成本獲取的信貸資源投向資源配置效率較低的行業(yè)，如房地產(chǎn)業(yè)，則會降低工業(yè)部門的資源配置效率。因此，本文以國有企業(yè)比重（國有工業(yè)企業(yè)就業(yè)人數(shù)/工業(yè)總就業(yè)人數(shù)）作為控制變量。

其次，一個省份的貿(mào)易發(fā)展水平也會影響該省份工業(yè)部門的資源配置效率。由于貿(mào)易發(fā)展程度越高的省份競爭會更加激烈，激烈的競爭可以提高資源的配置效率，使二者呈現(xiàn)正向促進(jìn)關(guān)系。鑒于地區(qū)的貿(mào)易發(fā)展水平與其進(jìn)出口總額往往正相關(guān)，故本文選取進(jìn)出口總額作為控制變量。在數(shù)據(jù)處理時，先利用各年匯率將進(jìn)出口總額統(tǒng)計單位由“千美元”換算為“人民幣”，再使用分省CPI指數(shù)對名義進(jìn)出口總額進(jìn)行調(diào)整。

最后，在以經(jīng)濟(jì)指標(biāo)為主要政績考核指標(biāo)的背景下，政府有直接干預(yù)經(jīng)濟(jì)建設(shè)的動機(jī)，表現(xiàn)為擴(kuò)大財政支出的沖動（靳來群等，2015）[15]。一方面，政府干預(yù)經(jīng)濟(jì)很可能會進(jìn)一步加大要素市場和產(chǎn)品市場相對價格的扭曲程度，從而加劇資源錯配，降低資源配置效率;另一方面，政府干預(yù)經(jīng)濟(jì)可以彌補(bǔ)社會投資的不足，使得工業(yè)部門有機(jī)會獲得足夠的資本來提高資源配置效率。因此，本文以財政激勵（（財政支出-財政收入）/財政收入）作為控制變量。

（二）模型構(gòu)建

1. 工業(yè)部門資源配置效率測算方法。在測算資源配置效率時，現(xiàn)有文獻(xiàn)大多采用HK方法。[2]使用該方法測算配置效率時，需要對生產(chǎn)函數(shù)形式進(jìn)行設(shè)定，且存在許多假設(shè)條件，但設(shè)定的函數(shù)形式和某些假設(shè)條件很可能與現(xiàn)實情況不符，從而降低測算結(jié)果的準(zhǔn)確性。為解決以上問題，本文采用DEA窗口分析法（DEA Windows Analysis）測算工業(yè)部門的資源配置效率。

DEA方法構(gòu)造出一個非參數(shù)的包絡(luò)前沿面，位于前沿面上的點(diǎn)有效，位于前沿面下的點(diǎn)無效。假設(shè)有N個決策單元（DMU），每個決策單元使用K種投入生產(chǎn)M種產(chǎn)出，第i個決策單元的效率值就是求解以下線性規(guī)劃：

一般的DEA方法主要用于測算截面數(shù)據(jù)的效率值，而不能直接用于面板數(shù)據(jù)的分析，而且用截面數(shù)據(jù)測算的效率值不能直接用于跨時期的比較（盛鵬飛，2015）[33]。為克服以上缺陷，凱諾斯等提出了DEA窗口分析法，該方法利用移動平均的原則，將同一決策單元在不同時期作為不同的決策單元進(jìn)行效率測算（Charnes等，1985）[34]。假設(shè)有N個決策單元、T個時期的面板數(shù)據(jù)，首先將其分成若干個子面板數(shù)據(jù)，每個子面板數(shù)據(jù)包括L個時期，L一般為3（Sufian，2017）[35]。這樣，每個子面板數(shù)據(jù)就形成了一個窗口，共有T-L+1個窗口，其次利用每個窗口構(gòu)建前沿面：

最后，將每個決策單元同一時期不同窗口的效率值進(jìn)行平均，得到該決策單元的最終效率值。當(dāng)外部沖擊使得前沿面劇烈變動，從而導(dǎo)致同一時期不同窗口的效率值發(fā)生顯著差異時，可以采取剔除異常值的方式得到更加有效的評價值（盛鵬飛，2015）[33]。本文首先通過投入變量及其價格以及產(chǎn)出變量，測度各省份2001—2017年的成本效率（CE），再剔除價格因素進(jìn)一步測算得到綜合技術(shù)效率（TE），最終計算二者之比得到各省份各考察年度的配置效率（AE）。

2. 中介效應(yīng)模型。經(jīng)典的中介效應(yīng)檢驗方法是Baron和Kenny（1986）[36]提出的依次檢驗法，變量之間的關(guān)系如下：

在式（10）—（13）中，[AEit]和[AEit-1]為被解釋變量，即當(dāng)期和滯后一期的工業(yè)部門的資源配置效率;[Priceit]表示主要解釋變量即住房價格;[NIit]和[NIit-1]表示中介變量，即當(dāng)期和滯后一期的工業(yè)部門新增固定資產(chǎn)投資;[Zit]表示影響資源配置效率的三個控制變量，即國有企業(yè)比重（[Stateit]）、貿(mào)易發(fā)展水平（[Tradeit]）和財政激勵（[Financeit]）;[μit]為干擾項。

在模型中引入滯后的被解釋變量會導(dǎo)致內(nèi)生性問題，解釋變量可能與擾動項相關(guān)也會產(chǎn)生內(nèi)生性問題。當(dāng)存在內(nèi)生性問題時，采用傳統(tǒng)固定效應(yīng)或隨機(jī)效應(yīng)的OLS估計得到的估計量是有偏的。同時，上述式（10）并沒有消除未觀察到的省際區(qū)域效應(yīng)，阿雷利亞諾等提出采用廣義矩估計（GMM）方法解決以上問題（Arellano和Bond，1991）[37]，做一階差分可消除省際效應(yīng)：

但在（14）式中，[ΔAEit-1]與[Δεit]依然相關(guān)，為此，必須采用工具變量進(jìn)行估計，也被稱為差分GMM。布倫德爾等將差分方程與水平方程作為一個方程系統(tǒng)進(jìn)行GMM估計，稱為系統(tǒng)GMM（Blundell 和Bond，1998）[38]。與差分GMM相比，系統(tǒng)GMM可以提高估計效率，使得估計結(jié)果更為可靠（錢學(xué)鋒和陳勇兵，2009）[39]。因此，本文將采用系統(tǒng)GMM方法就住房價格對工業(yè)部門資源配置效率的影響進(jìn)行實證分析。

中介效應(yīng)的檢驗方法眾多，且在統(tǒng)計檢驗功效方面各有優(yōu)劣。本文采用溫忠麟和葉寶娟（2014）[40]提出的修正后的中介效應(yīng)檢驗方法，以Bootstrap法來替代Sobel檢驗。檢驗流程圖見圖4。

四、工業(yè)部門資源配置效率測算

（一）描述性統(tǒng)計

表2報告了工業(yè)部門的資源配置效率測算中主要變量的描述性統(tǒng)計結(jié)果。附加相應(yīng)的勞動力價格和固定資產(chǎn)價格，用以計算工業(yè)部門的資源成本效率。

（二）測算結(jié)果

本文運(yùn)用MaxDEA軟件進(jìn)行效率測算。綜合考慮可信度和穩(wěn)定性因素后，將窗口寬度選擇為3，共有15個窗口。窗口分析中，每一列數(shù)值反映了同一窗口內(nèi)，同一省份效率值隨時間的變化趨勢;每一行則為各省份同一時期（每年）在不同窗口下的效率值。具體測算中，先基于傳統(tǒng)CCR模型下的窗口分析方法，測算得到各年各省份的成本效率值（CE）和綜合技術(shù)效率值（TE），將各時期各窗口的均值作為各省份在該時期的最終效率值，以體現(xiàn)效率值測度的穩(wěn)定性，再將成本效率和技術(shù)效率的比值作為各省份各時期的配置效率值（AE）。

考慮到篇幅的限制，本文只列出了上海、江蘇、廣東、寧夏、青海和貴州六個省份測算的效率，具體值見表3、表4。其中，寧夏、青海和貴州為欠發(fā)達(dá)地區(qū)的代表，上海、江蘇和廣東為發(fā)達(dá)地區(qū)的代表。從表3中可以看出，從時間層面上來看，不管是發(fā)達(dá)地區(qū)還是欠發(fā)達(dá)地區(qū)，在2008年前后各省份工業(yè)部門的資源配置效率都出現(xiàn)較大的變化。在2008年之前，各省工業(yè)部門的資源配置效率相對較高;而2008年之后，各省工業(yè)部門的資源配置效率在波動中有所下降。以寧夏為例，2001年其工業(yè)部門資源配置效率為0.651845，到2008年波動至0.894182，但到了2017年又下降至0.587632。與工業(yè)部門資源配置效率情況類似，2008年也是我國住房價格變動的轉(zhuǎn)折年，房價從2003年開始迅速上漲，在2008年經(jīng)歷了短暫的下跌之后，在2009年又開啟了新一輪的快速上漲。

各省份工業(yè)部門資源配置效率與住房價格的關(guān)系見圖5。 可以發(fā)現(xiàn)，相比于欠發(fā)達(dá)地區(qū)，發(fā)達(dá)地區(qū)整體房價偏高。例如廣東2017年的商品房價格已經(jīng)接近9000元/平方米，而位于欠發(fā)達(dá)地區(qū)的寧夏，2017年的商品房價格還不到3000元/平方米，大約是廣東省的1/3。從時間維度來看，不管是發(fā)達(dá)地區(qū)還是欠發(fā)達(dá)地區(qū)，各省份的住房價格都呈上升趨勢，而工業(yè)部門的資源配置效率則呈波動下降趨勢，二者之間呈現(xiàn)負(fù)相關(guān)關(guān)系;并且住房價格增長越快，工業(yè)部門資源配置效率下降幅度越大。自2011年前后，各省的住房價格開始了新一輪的走高，與此同時，各省份工業(yè)部門的資源配置效率出現(xiàn)結(jié)構(gòu)性的下滑。

接下來，本文以就業(yè)人數(shù)為權(quán)重，將30個省份工業(yè)部門的資源配置效率進(jìn)行加權(quán)，得到全國平均工業(yè)部門資源配置效率，并計算出全國平均工業(yè)部門資源配置效率增長率（見表5）。可以看出，在2008年以前，全國平均工業(yè)部門資源配置效率在波動中有所上升，從0.733435增長到0.764494;自2008年之后，全國平均工業(yè)部門資源配置效率出現(xiàn)波動下降趨勢，到2017年降至0.576769。這與上文六個省份工業(yè)部門資源配置效率的變化趨勢是一致的。而全國平均部門工業(yè)資源配置效率增長率整體上呈下降趨勢，甚至從2008年到2010年連續(xù)為負(fù)數(shù)。比較2004年前后的全國平均工業(yè)部門資源配置效率增長率可以發(fā)現(xiàn)，全國平均工業(yè)部門資源配置效率增長率在2004年出現(xiàn)了整體下滑，增長率一路下降為負(fù)數(shù)。而2004年之后，我國住房價格卻開始快速上漲。

全國平均工業(yè)部門資源配置效率增長率和住房價格增長率之間的關(guān)系見圖6?？梢钥闯?，全國平均工業(yè)部門資源配置效率增長率與住房價格增長率呈現(xiàn)明顯的負(fù)相關(guān)關(guān)系。2004年以來，住房價格開始走高，而全國平均工業(yè)部門資源配置效率增長率卻開始出現(xiàn)結(jié)構(gòu)性下滑，特別是2009年，住房價格漲幅高達(dá)近19.91%，為2002—2017年的最高峰，而同年全國平均工業(yè)部門資源配置效率增長率也跌至2002年以來的谷底，為-9.89%。綜合以上分析，本文認(rèn)為，住房價格迅速上升，會導(dǎo)致工業(yè)部門的資源配置效率下降，下文對該假說進(jìn)行驗證。

五、實證結(jié)果與分析

（一）變量描述性統(tǒng)計

表6列示了各變量的描述性統(tǒng)計結(jié)果，其中工業(yè)部門資源配置效率按各年各省份工業(yè)就業(yè)人數(shù)進(jìn)行加權(quán)處理。數(shù)據(jù)顯示，在本文考察的2001—2017年期間，30個省份的工業(yè)部門資源配置效率在0.000775和0.08838范圍內(nèi)波動，不同省份間的工業(yè)資源配置效率差距較大，這說明各省工業(yè)部門資源配置效率水平并不平衡。

（二）實證結(jié)果

本文借鑒溫忠麟和葉寶娟（2014）[40]提出的中介效應(yīng)檢驗流程（見圖4），采用系統(tǒng)GMM估計方法進(jìn)行實證分析，共計510個樣本。由于同一個省份不同時期之間的擾動項一般存在自相關(guān)，而普通標(biāo)準(zhǔn)誤差計算方法假設(shè)擾動項是獨(dú)立同分布的，故普通標(biāo)準(zhǔn)誤差的估計并不準(zhǔn)確，本文采用聚類穩(wěn)健標(biāo)準(zhǔn)誤差。

為控制宏觀經(jīng)濟(jì)波動對配置效率的影響，模型中加入2001—2017年的時間虛擬變量yr*，為防止產(chǎn)生共線性，剔除掉第一年的時間虛擬變量yr1。yr*的聯(lián)合檢驗P值表明，三個方程均通過了時間虛擬變量的聯(lián)合顯著性檢驗。此外，使用系統(tǒng)GMM估計方法有一個前提，即擾動項[εit]不存在自相關(guān)，而AR（2）統(tǒng)計量可對此條件進(jìn)行檢驗。表7中三個方程的AR（2）統(tǒng)計量對應(yīng)的P值分別為0.216、0.338、0.210，均表明擾動項不存在二階自相關(guān)，因此使用系統(tǒng)GMM估計方法的前提條件成立。本文還采用Hansen檢驗對模型使用的工具變量進(jìn)行過度識別檢驗，表7中Hansen統(tǒng)計量對應(yīng)的P值均為1.0000，表明無法拒絕“所有工具變量均有效”的原假設(shè)。以上檢驗結(jié)果說明了模型設(shè)定的合理性和工具變量的有效性。

表7中結(jié)果（1）—（3）分別為式（11）—（13）的回歸結(jié)果。可以看出，工業(yè)部門資源配置效率的當(dāng)期表現(xiàn)受到其滯后項表現(xiàn)的正向影響，在直接效應(yīng)中估計系數(shù)為0.7786997，而在間接效應(yīng)中系數(shù)為0.7520153，均在1%顯著性水平下顯著，這意味著工業(yè)部門資源配置效率較高的省份有進(jìn)一步提升配置效率的趨勢。結(jié)果（1）和結(jié)果（3）中住房價格對工業(yè)部門資源配置效率的系數(shù)[c]和[c]均顯著為負(fù)，說明住房價格快速上漲會導(dǎo)致工業(yè)部門的資源配置效率下降。同時，在加入資本投資這一中介變量后，該系數(shù)由-0.0069118提高至-0.0050025，而中介變量（NI）的系數(shù)b顯著為正，說明在住房價格對工業(yè)部門資源配置效率的負(fù)向影響中，資本投資起到了顯著的中介效應(yīng);結(jié)果（2）中地區(qū)住房價格（Price）的估計值a在10%水平下為負(fù)，表明地區(qū)住房價格的上升會吸引部分資金，導(dǎo)致工業(yè)部門新增固定資產(chǎn)投資不足。根據(jù)中介效應(yīng)檢驗流程，由于系數(shù)a和b均顯著，故無須進(jìn)行bootstrap檢驗，報告資本投資的部分中介效應(yīng)量約為[abc]= 3.1%，即住房價格通過資本投資這一中介變量對工業(yè)部門資源配置效率影響的大小為3.1%。上述結(jié)果均驗證了本文的理論分析假設(shè)。

就控制變量而言，進(jìn)出口總額（Trade）對資源配置效率產(chǎn)生正向影響，并且在5%水平下顯著，這意味著貿(mào)易發(fā)展水平越高的省份，其工業(yè)部門的資源配置效率就越高;財政激勵與工業(yè)部門資源配置效率高度負(fù)相關(guān)，表明政府干預(yù)加劇了資源錯配，從而降低配置效率;國有企業(yè)比重對配置效率產(chǎn)生負(fù)向影響，與理論預(yù)期一致，但不顯著。

（三）穩(wěn)健性檢驗

為了保證估計結(jié)果的可靠性，本文對系統(tǒng)GMM估計結(jié)果做進(jìn)一步的穩(wěn)健性檢驗。鑒于省份間省情不同，截面跨度較大，宏觀經(jīng)濟(jì)的波動也會從整體上影響各省份的工業(yè)資源配置效率，因此不同省份干擾項的不同波動表現(xiàn)為截面異方差，且同一時點(diǎn)上不同省份間干擾項又存在一定的相關(guān)性。統(tǒng)計檢驗結(jié)果支持了這一想法，故采用附加權(quán)重矩陣的廣義最小二乘法（GLS）估計多方程模型，同樣在模型中加入控制宏觀經(jīng)濟(jì)波動的時間虛擬變量yr*，結(jié)果見表8。

對比表7和表8可以發(fā)現(xiàn)，估計結(jié)果的系數(shù)符號及顯著性基本一致。因此，本文的主要實證結(jié)論是可信的。

六、研究結(jié)論與對策建議

本文首先使用DEA窗口分析法測算出工業(yè)部門資源配置效率;然后，為克服內(nèi)生性問題，采用系統(tǒng)GMM估計方法，在中介效應(yīng)模型框架下利用省級動態(tài)面板數(shù)據(jù)對住房價格、資本投資和工業(yè)部門資源配置效率的關(guān)系進(jìn)行了實證分析;最后，利用GLS估計方法對估計結(jié)果進(jìn)行穩(wěn)健性檢驗。結(jié)果表明，住房價格對工業(yè)部門資源配置效率產(chǎn)生顯著的負(fù)向沖擊，且資本投資在其中發(fā)揮了顯著的部分中介作用，中介效應(yīng)量為3.1%。隨著住房價格的不斷上漲，房地產(chǎn)業(yè)會吸納更多資金而導(dǎo)致工業(yè)部門資本投資下降，從而對資源配置效率產(chǎn)生負(fù)面影響，資源配置效率的下降又會阻礙全要素生產(chǎn)率的提升，進(jìn)而削弱經(jīng)濟(jì)持續(xù)增長的動力。

基于本文結(jié)論，在我國經(jīng)濟(jì)轉(zhuǎn)型升級與持續(xù)推進(jìn)供給側(cè)結(jié)構(gòu)性改革的背景下，相關(guān)部門需要重視房地產(chǎn)市場發(fā)展與工業(yè)部門資本投資之間的平衡：第一，應(yīng)進(jìn)一步優(yōu)化資本結(jié)構(gòu)，推動房地產(chǎn)市場的良性發(fā)展要根據(jù)各地區(qū)實際情況合理控制住房資本總量，防止房地產(chǎn)投資增長過快。同時，進(jìn)一步深化供給側(cè)結(jié)構(gòu)性改革，拓寬民間投資渠道，防止民間資本過度流向房地產(chǎn)行業(yè)。第二，以合理測度住房基礎(chǔ)價值為前提，構(gòu)建科學(xué)的房地產(chǎn)市場長效調(diào)控機(jī)制。要積極開展相關(guān)調(diào)查統(tǒng)計工作，完善數(shù)據(jù)庫建設(shè)，強(qiáng)化對相關(guān)理論探索與政策研究的管理優(yōu)化與經(jīng)費(fèi)支持。第三，有效結(jié)合市場手段和非市場手段，推進(jìn)基礎(chǔ)制度建設(shè)。一方面，以市場配置資源為基礎(chǔ)性制度安排，提高工業(yè)部門資源配置效率及全要素生產(chǎn)率，促進(jìn)經(jīng)濟(jì)高質(zhì)量發(fā)展。另一方面，通過適度調(diào)節(jié)來解決房地產(chǎn)市場外部性與市場失靈，以更好地應(yīng)對經(jīng)濟(jì)增長過程中出現(xiàn)的結(jié)構(gòu)失衡等問題，在提高效率的同時兼顧公平，保障我國經(jīng)濟(jì)持續(xù)健康發(fā)展。

參考文獻(xiàn)：

[1]陳永偉，胡偉民.價格扭曲、要素錯配和效率損失：理論和應(yīng)用 [J].經(jīng)濟(jì)學(xué)（季刊），2011，（4）.

[2]Hsieh C T，B J Klenow. 2009. Misallocation and Manufacturing TFP in China and India [J].The Quarterly Journal of Economics，2009，（4）.

[3]丁志國，趙宣凱，蘇治.中國經(jīng)濟(jì)增長的核心動力——基于資源配置效率的產(chǎn)業(yè)升級方向與路徑選擇 [J].中國工業(yè)經(jīng)濟(jì)，2012，（9）.

[4]邵宜航，步曉寧，張?zhí)烊A.資源配置扭曲與中國工業(yè)全要素生產(chǎn)率——基于工業(yè)企業(yè)數(shù)據(jù)庫再測算 [J].中國工業(yè)經(jīng)濟(jì)，2013，（13）.

[5]張建華，鄒鳳明.資源錯配對經(jīng)濟(jì)增長的影響及其機(jī)制研究進(jìn)展 [J].經(jīng)濟(jì)學(xué)動態(tài)，2015，（1）.

[6]Restuccia D，R Rogerson. 2008. Policy Distortions and Aggregate Productivity with Heterogeneous Establishment [J].Review of Economic Dynamics，（4）.

[7]Brandt L，T Tombe and X Zhu. 2013. Factor Market Distortions Across Time， Space and Sectors in China [J].Review of Economic Dynamics，（1）.

[8]張佩，馬弘.借貸約束與資源錯配——來自中國的經(jīng)驗證據(jù) [J].清華大學(xué)學(xué)報（自然科學(xué)版），2012，（9）.

[9]張慶君.要素市場扭曲、跨企業(yè)資源錯配與中國工業(yè)企業(yè)生產(chǎn)率 [J].產(chǎn)業(yè)經(jīng)濟(jì)研究，2015，（4）.

[10]Midrigan V，D Y Xu. 2014. Finance and Misallocation：Evidence from Plant-level Data [J].American Economic Review，（2）.

[11]孫浦陽，蔣為，張龑. 產(chǎn)品替代性與生產(chǎn)率分布——基于中國制造業(yè)企業(yè)數(shù)據(jù)的實證 [J].經(jīng)濟(jì)研究，2013，（4）.

[12]楊光，孫浦陽，龔剛. 經(jīng)濟(jì)波動、成本約束與資源配置 [J].經(jīng)濟(jì)研究，2015，（2）.

[13]周黎安，趙鷹妍，李力雄.資源錯配與政治周期[J].金融研究，2013，（3）.

[14]韓劍，鄭秋玲.政府干預(yù)如何導(dǎo)致地區(qū)資源錯配——基于行業(yè)內(nèi)和行業(yè)間錯配的分解 [J].中國工業(yè)經(jīng)濟(jì)，2014，（11）.

[15]靳來群，林金忠，丁詩詩. 行政壟斷對所有制差異所致資源錯配的影響 [J].中國工業(yè)經(jīng)濟(jì)，2015，（4）.

[16]陳艷利，喬菲，孫鶴元.資源配置效率視角下企業(yè)集團(tuán)內(nèi)部交易的經(jīng)濟(jì)后果 [J].會計研究，2014，（10）.

[17]梁云芳，高鐵梅，賀書平.房地產(chǎn)市場與國民經(jīng)濟(jì)協(xié)調(diào)發(fā)展的實證分析 [J].中國社會科學(xué)，2006，（3）.

[18]馮玉梅，楊瑞桐. 房地產(chǎn)業(yè)金融資源配置、比較優(yōu)勢與經(jīng)濟(jì)增長 [J].山東社會科學(xué)，2018，（11）.

[19]Han，L，M Lu. 2017. Housing Prices and Investment：An Assessment of China's Inland-favoring Land Supply Policies [J].Journal of the Asia Pacific Economy，（22）.

[20]陳斌開，金簫，歐陽滌非.住房價格、資源錯配與中國工業(yè)企業(yè)生產(chǎn)率 [J].世界經(jīng)濟(jì)，2015，（4）.

[21]張巍，許家云，楊竺松.房價、工資與資源配置效率——基于微觀家庭數(shù)據(jù)的實證分析 [J].金融研究，2018，（8）.

[22]羅雙成，陳衛(wèi)民.房價上漲、要素錯配與中國創(chuàng)新型城市發(fā)展 [J].上海經(jīng)濟(jì)研究，2019，（3）.

[23]羅知，張川川.信貸擴(kuò)張、房地產(chǎn)投資與制造業(yè)部門的資源配置效率 [J].金融研究，2015，（7）.

[24]余泳澤，李啟航. 城市房價與全要素生產(chǎn)率：“擠出效應(yīng)”與“篩選效應(yīng)”[J].財貿(mào)經(jīng)濟(jì)，2019，（1）.

[25]徐妍，郭品. 房價、資源錯配與企業(yè)創(chuàng)新——基于房價效率因素和非效率因素的分析 [J].經(jīng)濟(jì)問題，2019，（7）.

[26]Farrell M J. 1957. The Measurement of Productive Efficiency [J].Journal of the Royal Statistical Society， （120）.

[27]呂江林.我國城市住房市場泡沫水平的度量 [J].經(jīng)濟(jì)研究，2010，（6）.

[28]謝攀，林致遠(yuǎn).地方保護(hù)、要素價格扭曲與資源誤置——來自A 股上市公司的經(jīng)驗證據(jù) [J].財貿(mào)經(jīng)濟(jì)，2016，（2）.

[29]林嵩.房地產(chǎn)行業(yè)對于創(chuàng)業(yè)活動的擠出效應(yīng)——基于中國跨地區(qū)面板數(shù)據(jù)的分析 [J].經(jīng)濟(jì)管理，2012，（6）.

[30]張杰，楊連星，新夫.房地產(chǎn)阻礙了中國創(chuàng)新么？——基于金融體系貸款期限結(jié)構(gòu)的解釋 [J].管理世界，2016，（5）.

[31]王文春，榮昭.房價上漲對工業(yè)企業(yè)創(chuàng)新的抑制影響研究 [J].經(jīng)濟(jì)學(xué)（季刊），2014，（2）.

[32]楊大強(qiáng)，張愛武.1996—2005年中國商業(yè)銀行的效率評價——基于成本效率和利潤效率的實證分析 [J].金融研究，2007，（12）.

[33]盛鵬飛.中國能源效率偏低的解釋：技術(shù)無效抑或配置無效 [J].產(chǎn)業(yè)經(jīng)濟(jì)研究，2015，（1）.

[34]Charnes A，W Copper，B Golany et al. 1985. Foundations of Data Envelopment Analysis for Pareto-Koopmans Efficient Empirical Production Functions [J].Journal of Econometrics，（1）.

[35]Sufian M. 2007. Benchmarking the Efficiency of the Korean Banking Sector：A DEA Approach [J].Benchmarking：An International Journal，（1）.

[36]Baron RM，Kenny DA. 1986. The Moderator Mediator Variable Distinction in Social Psychological Research：Conceptual，Strategic，and Statistical Considerations [J].J Pers Soc Psychol，51（6）.

[37]Arellano F，S Bond. 1991. Some Test of Specification for Panel Data：Monte Carlo Evidence and an Application to Employment Equations [J].Review of Economic Studies，（58）.

[38]Blundell R，S Bond. 1998. Initial Conditions and Moment Restriction in Dynamic Panel Data Models [J]. Journal of Econometrics，（87）.

[39]錢學(xué)鋒，陳勇兵.國際分散化生產(chǎn)導(dǎo)致了集聚嗎：基于中國省級動態(tài)面板數(shù)據(jù)GMM 方法 [J].世界經(jīng)濟(jì)，2009，（12）.

[40]溫忠麟，葉寶娟.有調(diào)節(jié)的中介模型檢驗方法：競爭還是替補(bǔ) [J].心理學(xué)報，2014，（5）.

Abstract：Taking the decomposition of cost frontier theory on the resource allocation efficiency，this paper measures the efficiency of the resource allocation of the industrial sectors. Based on this，capital investment is selected as the intermediary variable and panel data of 30 provinces in China from 2001 to 2017 are used，adopting the systematic GMM method，this paper empirically analyzes the influence of housing price on resource allocation efficiency of industrial sector by using stepwise regression intermediary effect analysis model. It is found that the housing price has a significant negative impact on the resource allocation efficiency of the real economy through the "blood drawing effect"，in which capital investment plays a significant part of the mediating effect.

Key Words：housing prices，capital investment，resource allocation efficiency in industry sectors，the mediating effect，systematic GMM